cruise2014安装教程（cruise2015安装教程）

Apollo需要在linux上运行，推荐使用Ubuntu Linux系统，最新的Apollo9.0版本支持Ubuntu18.04及以上版本。安装Ubuntu的步骤，参见官方安装指南。

同时，Apollo 依赖于 Docker 19.03+。安装 Docker 引擎，可通过Ubuntu终端指令实现：

• wgethttp://apollo-pkg-beta.bj.bcebos.com/docker_install.sh
• bash docker_install.sh

这个过程可能会运行多次脚本，根据脚本提示执行即可。

显卡驱动和CUDA版本兼容性:由于nvidia的硬件更新的很快，因此会遇到显卡驱动和CUDA版本不兼容的情况。以上图片所呈现的为能够稳定运行Apollo的驱动版本。

安装完毕后，可以通过nvidia-smi指令来检查驱动是否安装成功，如果一切正常，可以看到类似以下的提示。

完成以上步骤，恭喜你完成了条件准备，接下来你就可以正式安装Apollo啦。为此，官方为我们提供了详细的安装方法：

https://apollo.baidu.com/community/Apollo-Homepage-Document

如果你最终成功打开如上页面，说明你已经完成了Apollo的安装。

Apollo提供的可视化平台：

可以直观反映车辆运行情况。

同时，该平台提供了丰富的数据包，包含汽车行驶过程中可能遇到的各种场景。

Dreamview+提供的车辆监测功能：

可以直观反映车辆运行数据。

展示了 Planning、Control 模块相关的数据曲线。直观观测到车辆行进中，计划加速度、速度、路线和实际加速度、速度、路线的差别，有助于分析算法的不足。

终端运行cyber_monitor：

Apollo通过cyber节点实现数据传输，通过cyber_monitor可以实时监测不同模块的数据传输情况，掌控模块的工作状况。

Dreamview+提供了SimControl模式：

Sim_control通过模拟Localization、Perception等信息输入，实现对routing、planning等算法模块的仿真调试。用户可以在工作台中自定义汽车行驶场景集（地图、障碍物、起点，终点）。

Planning模块根据上游模块输入的感知周围环境信息，地图定位导航信息，以及全局路径信息，为自动驾驶车辆规划出一条运动轨迹（包含坐标，速度，加速度，jerk加加速度，时间等信息），然后将这些信息传递给控制模块。

Control模块由control组件包和controller控制器包组成，control组件包是control模块的基础组件，包含control的整体架构和流程。control根据上游模块输入planning模块的期望轨迹信息，定位模块的当前定位信息，车辆底盘及车身状态信息，通过不同的控制算法计算控制车辆的指令（包含转向、油门、刹车等）输出给canbus模块，为自动驾驶车辆提供舒适的驾驶体验。

Canbus模块的功能是实现与底盘线控CAN信号的通信，与底盘通信的信息包含4个部分：接收并解析底盘CAN总线数据，获取车辆的信息（如车辆速度、档位、方向盘转角、运行状态、安全等信息）；发送并控制底盘的CAN总线数据，接收控制模块指令，将控制指令解析成底盘CAN总线数据，发送至车辆进行执行控制；执行底盘交互逻辑，使能或退出自动驾驶；进行底盘故障监控，对底盘故障或接管等情况进行监控。

相机模块包括多种纯视觉感知算法，包括环视bev算法、多阶段2d检测及3d姿态回归算法、单阶段算法。

红绿灯模块主要分为四个部分：预处理、检测、识别和追踪。预处理阶段用于查询定位和地图信号灯信息，选择检测红绿灯的摄像头根据信号光在像平面上的投影，保存相机选择结果输出给检测阶段使用。

毫米波模块主要负责读取毫米波雷达的驱动输出信息，对毫米波硬件输出的目标级数据进行处理，包括目标跟踪、ROI过滤等，输出跟踪后的目标级障碍物，可以单独输出也可以输入到多传感器融合模块。

4D毫米波模块主要负责读取4D毫米波雷达的驱动输出信息，即4D毫米波雷达输出的点云数据。

预测模块是Apollo自动驾驶系统的重要组成部分，负责预测感知输出的障碍物未来的运动轨迹。

轨迹预测的上游模块是感知，定位，场景，地图，规划模块，预测模块通过消息队列进行数据和信息的获取。

预测模块的下游模块是规划模块。预测内部有容器（Container），场景（Scenario）、评估器（Evaluator）和预测器（Predictor）等子模块。在容器内，获取相关模块的消息后，需要对各个模块的消息进行加工，feature.proto中定义了预测模块需要完成的数据结构；在评估器（Evaluator）和预测器（Predictor）中是行为/轨迹预测的pipline，通过各种神经网络（Vectornet、Semantic LSTM、RNN、MLP等）对障碍物未来行为和轨迹进行预测，输出障碍物未来N秒的轨迹点。

定位模块是Apollo自动驾驶系统的重要组成部分，它负责在车辆行驶过程中对车辆的位置、速度和方向进行精确的测量和估计。它包含3种定位方式：RTK定位、NDT定位和MSF定位，其中MSF定位通过融合GPS、IMU、激光雷达、摄像头等多种传感器的数据，实现了车辆的高精度定位和轨迹估计。