1.Apollo6.0安装文档教程——环境搭建、源码移植安装、源码移植编译、源码移植测试
2.Apollo 8.0 配置参数读取源码解析：以 Planning 模块为例
3.Apollo OSQP路径规划
4.无人驾驶技术入门（十一）| 无人驾驶中的源码移植CAN消息解析
5.Windows的Ubuntu子系统下载Apollo EDU 发行版试验planning模块
6.Apollo EM中path_assesment_task相关细节的讨论

Apollo6.0安装文档教程——环境搭建、安装、源码移植编译、源码移植deepin源码安装scne测试

       一、源码移植环境搭建

       为了安装Apollo 6.0，源码移植您需要以下环境准备：

       Ubuntu .，源码移植安装教程参阅相关资源。源码移植

       NVIDIA显卡驱动，源码移植根据官方指南进行安装。源码移植

       Docker引擎，源码移植Apollo安装步骤中完成。源码移植

       NVIDIA容器工具，源码移植Apollo安装步骤中完成。

       安装过程中，请确保禁用nouveau驱动，操作步骤如下：

       在终端中添加指定内容至文件末尾并保存，然后重启系统。重启后执行命令，检查禁用状态。

       二、下载源码

       前往Apollo下载地址，选择对应版本。

       三、安装

       安装Docker：进入Apollo 6.0的docker目录，执行安装命令。安装完成后，重启电脑。

       安装NVIDIA容器工具：与Docker安装同步进行。

       创建Apollo容器：下载所需image，此过程可能耗时较长。成功后，会显示“[OK], Enjoy!”。

       进入容器：执行相关命令。

       四、pthread 源码分析编译与测试

       编译Apollo：根据容器中的GPU状态（有或无）进行编译。可能遇到的warning如“DimsNCHW”被标记为过时，这是正常现象，不会影响后续使用。

       启动Dreamview：可能遇到权限问题，使用chmod进行授权。如果问题仍未解决，授权整个Scripts目录并执行。

       Dreamview查看：在浏览器中输入ponents.config.config_file_path 指定配置文件路径，文件中的参数在组件初始化时被读入 ProtoBuf 对象。

       1.2 gflags 命令行参数

       gflags 参数通过 module_config.components.config.flag_file_path 指定，文件中的命令行参数在初始化时由 gflags 解析。

       2. 配置参数读取流程

       主入口文件 (apollo/cyber/mainboard/mainboard.cc) 的 main 函数负责加载 DAG 文件并启动模块。解析命令行参数、读取 DAG 文件、执行模块加载逻辑。

       2.1 加载 DAG 文件

       解析命令行参数形成 ModuleArgument，用于存储参数信息。执行主流程时，ModuleController 负责加载所有模块，并处理模块组件的注册、实例化和初始化。

       2.2 读取配置参数

       ModuleController 通过 LoadModule 方法读取模块配置，具体步骤涉及读取 ProtoBuf 参数和 gflags 命令行参数。

       3. 总结

       本文通过分析 Planning 模块的配置读取过程，清晰展示了 Apollo 8.0 中配置参数的完整读取流程。通过理解这一过程，开发者能够更深入地掌握 Apollo 的模块启动和配置机制。

Apollo OSQP路径规划

       探索高效优化之路：OSQP在Apollo路径规划中的应用

       在追求自动驾驶车辆动态控制的极致平滑性和安全性时，路径规划算法扮演了关键角色。其中，Piecewise Jerk Path Optimizer（PJP）方法通过优化成本函数，为我们提供了理想的轨迹设计。在这个过程中，OSQP作为一种高效且鲁棒的二次规划求解器，凭借其C语言实现和多语言接口，zbar源码分析成为了一种不可或缺的工具。

       理解矩阵世界：PD/PSD的数学基础

       在优化领域，正定矩阵（PD，Positive Definite）在实数域内是关键概念，它要求对称且所有特征值均为正。这意味着它不仅主元和主子式皆为正，而且对于任何非零向量，其内积总是正的。在复数域中，我们关注的是厄米特矩阵（PSD，Positive Semidefinite），它允许非正特征值，但满足上述对称性和内积非负的条件。

       Matlab中的强大工具：quadprog与OSQP对比

       Matlab的quadprog函数专为处理有线性约束的二次优化问题，它支持'interior-point-convex'算法，提供了直观的问题描述和prob结构体的使用。然而，对于更高效和现代化的解决方案，OSQP以其C++接口的易用性和依赖于Eigen库的优势脱颖而出，osqp-eigen成为了推荐的首选。

       深入实践：osqp-eigen的使用与实例

       要开始使用osqp-eigen，首先需要从OSQP官网或GitHub下载源代码，并通过git clone --recurse-submodules或GitHub Desktop完成安装，别忘了安装TDM-GCC作为编译工具。在osqp-matlab/examples目录中，你可以找到丰富的实例来实践OSQP在路径规划中的应用。

       扩展学习：走向更广阔的优化天地

       为了深入理解OSQP在Apollo路径规划中的应用，掌握正定和半正定矩阵的特性至关重要。查阅OSQP官网和GitHub文档，同时参考知乎、CSDN博客和Apollo开发者社区的专业资源，将帮助你更好地理解和利用OSQP的强大功能。

       在自动驾驶的征途上，每一步优化都关乎安全与效率。OSQP与PJP的结合，正在推动智能车辆在复杂道路上的delphi 收银源码稳健前行。

无人驾驶技术入门（十一）| 无人驾驶中的CAN消息解析

       前言

       本文聚焦于无人驾驶技术中至关重要的CAN总线机制。在无人驾驶系统中，CAN总线扮演着不可或缺的角色，不仅用于传输VCU信号，还涉及雷达、Mobileye等传感器的数据交换。

       实现一个完整的无人驾驶系统需涉及感知、融合、规划与控制等多个层级。在这篇分享中，重点探讨了“驱动层”相关的CAN总线内容。

       正文

       作为高效可靠的通信机制，CAN总线在汽车电子领域广泛应用。本文着重于解释在无人驾驶系统接收到CAN消息后，如何利用CAN协议解析出所需数据，解析传感器信息是自动驾驶工程师的核心技能。

       认识CAN消息

       以Apollo开源代码为例，剖析CAN消息结构，包括ID号、长度、数据和时间戳。ID号用于确认节点间通信，扩展帧和普通帧的区分依据于此。长度表示数据量，最多8个无符号整数或8*8个bool类型数据。数据部分是消息的核心，通过8*8方格可视化，解析变得直观。时间戳记录接收时刻，用于判断通信状态。

       认识CAN协议

       业界使用后缀为dbc的文件存储CAN协议，Vector公司的CANdb++ Editor软件专门用于解析dbc文件。Mobileye的车道线信息通过dbc文件格式传递，以ID号0x的LKA_Left_Lane_A为例，解析信号包括类型、质量、portal 门户源码曲率等物理量。通过软件界面直接关联彩色图与data，解析过程变得清晰。

       解析CAN信号

       解析过程基于彩色图与data的一一对应关系，通过叠加图表，揭示数据结构。对于Factor为1的物理量，解析直接。Factor为小数的物理量则需运用位移运算。以Apollo源码为例，通过移位和位运算解析出完整物理量。

       与CAN类似的通信协议

       虽然传感器采用不同通信方式，如雷达、激光雷达、GPS和惯导，但解析方法保持一致。解析的关键在于理解信号的类型、值和单位。

       结语

       本篇分享全面解析了CAN总线消息的解析过程，涵盖了无人驾驶系统驱动层的基本理论。解析ID不同的CAN消息结构要求高度细致，避免后续处理中的意外错误。如有疑问，欢迎在评论区互动。赞赏与关注是对文章价值的直接体现。

       获取相关软件和文件的方法，请关注公众号：自动驾驶干货铺，后台回复“CAN”获取。更多Mobileye资料和技术支持，值乎平台提问。

Windows的Ubuntu子系统下载Apollo EDU 发行版试验planning模块

       在Windows系统上使用Linux的方法主要有三种：安装双系统、使用虚拟机+Linux和Windows 的WSL（Windows Subsystem for Linux）。前两者需要较复杂的操作且存在一定的硬件要求，而WSL则较好地解决了这些问题，使得在Windows系统上运行Linux变得更加简便。

       接下来，我们开始下载Apollo EDU发行版。首先，需要下载并运行EDU下载脚本，通常该脚本会自动下载并解压Apollo EDU发行版，省去了手动下载和解压的步骤。

       为了运行Apollo EDU，需要安装并配置docker。若电脑已安装并配置好docker，则可略过此步骤。对于centos7的内核，推荐使用脚本安装docker，而centos6则使用客户端命令进行安装。安装过程可能会提示需要输入密码并可能需要重启电脑，按照提示操作即可。

       安装成功后，进入脚本文件夹并执行命令启动Apollo环境。如果一切正常，将会有相应提示。启动完毕后，在同一目录下执行命令进入环境，此时脚本文件夹会被挂载到容器的/apollo_workspace中。

       在Apollo环境中，可以编译planning源码包。使用特定的命令指定编译工具并引入planning的源码进行编译。除了planning模块，还可以引入其他模块如dreamview、routing、task_manager和monitor等，具体方法为输入相关命令查看。编译时，确保在工作空间目录下执行脚本编译命令。首次编译可能需要从网上拉取部分依赖包，受网速和电脑配置影响，整个过程可能需要分钟左右，请耐心等待。编译完成后，环境变量需要手动刷新。

       进行planning的调试时，可以运行dreamview。若已启动dreamview，可使用命令重启dreamview进程。dreamview和monitor会自动启动，通过浏览器访问localhost:即可打开dreamview。

       要进入sim control仿真模式进行调试，选择MKz Standard Debug菜单下的车辆型号、地图以及Sim Control。点击左侧Module Control栏，启动需要调试的模块进程，如Planing和Routing模块。设置车辆仿真行驶路径，拖动或点击鼠标在地图中设置路径。发送路由请求后，可以观察到red line是routing模块搜索出的路径，而planning模块实时规划的局部路径显示为light blue track。

       若需对planning模块进行调试，直接修改工作空间中的planning源码即可。修改完成后，重新运行编译脚本并重启dreamview中的planning模块即可。整个流程中，通过Windows环境下的WSL和Apollo EDU发行版，使得在Windows系统上实现Linux应用开发与调试成为可能。

Apollo EM中path_assesment_task相关细节的讨论

       网上已有关于本task流程的详细注释，本文主要探讨Apollo EM中path_assesment task的内部算法细节。

       首先，我们来看SetPathPointType函数。函数中，ego_center_shift_distance代表车体几何中心距离后轴中心的距离。初始化过程中，以车体后轴中心点为基准获取整个车体Box。ego_box所调用的Shift函数将后轴中心点前移至车体几何中心点并计算box四个角的位置。这样做的原因是，Control使用后轴中心点跟踪每一个pathpoint，而本车SLboundary依据其几何中心点在参考线上进行投影，因此这一步转化是必不可少的。

       Shift函数内所调用的InitCorners()如上图所示，其中cos_heading,sin_heading_,half_length_,half_width_,center_,是在Box2d初始化时进行赋值。简单用图示介绍一下含义：X-Y用于表示地图坐标系，x-y用于表示将地图坐标系平移至车体几何中心点之后的坐标系，[公式] 用于表示heading。特别解释一下：此处的使用 [公式] 来表示长度half_width x[公式]。

       获取到本车box的四个角的坐标之后，再将依靠参考线将box转化到SL坐标系下的boundary。之后遍历SL坐标系下每个pathpoint，计算自车位于每个pathpoint的时候所对应的车体的边界。将边界与车道线比较，判断每个pathpoint的类型（在lane_borrow/lane_change决策下是在旁车道还是本车道）。此处不粘贴源码，直接用图示进行说明各种情况。

       需要注意：由于要在统一的坐标系下进行比较，所以，采用-right_width。所以对应上图的情况，即处于车道边界之外还没换道的情况：start_l>lane_left_width || end_1<-lane_right_width此时type为IN_LANE。对应上图情况，即严格处于本车边界之内的车辆，需要考虑将车道边界添加buffer：所以本车实际处于虚线之内，此时的type为IN_LANE，表示已经换道完成。其它状态下为lane_change的过渡状态，type为OUT_ON_FORWARD_LANE。

       需要注意的是：由于借道其实是拐入别的车道一点点之后再拐回来，所以需要添加动态的迟滞边界in_and_out_lane_hysteresis_buffer，来对pathpoint进行严格地区分。类似的做法在量产ADAS功能中也用到，主要用于对前方动态Target的识别，目的是为了防止障碍车辆沿车道线来回画龙或压线行驶的情况。扯远了~

       如上述，因为借道只是占据旁车道一点点，所以判断条件与lane_change略有不同，此处的判断条件使用end_l与lane_left_width相比较，start_l与-lane_right_width相比较。

       如上图所示，当前一个路径点在车道内（is_prev_point_out_lane = false），即绿点所在位置，则判断lane_borrow的条件：此时，in_and_out_lane_hysteresis_buffer = 0.2；当前一个路径点在车道内（is_prev_point_out_lane = true），即红点所在位置，此时，in_and_out_lane_hysteresis_buffer = 0；

       接下来讨论path与静态障碍物collision的问题：具体流程图参见下图：IsCollidingWithStaticObstacles中流程概述：过滤掉虚拟障碍物，高速运动障碍物等，按照固定距离的pathpoint建立VehBox，所有点转化为Frenet坐标系，调用函数IsPointIn检验所有点是否处于障碍物的内部。

       下面开始详细讲解IsPointIn函数：首先判断本车的Corner点是否在障碍物边界上，如果不在，则进行下一步取Corner点在与轴方向异侧的两个点，分别于Corner点构成向量，之后做叉乘，叉乘结果若大于0，则比较两个点的y值，若y值结果小于0，则看向量正旋转到目标向量的实际角度是否小于度，若小于，则c由零变为1；若y值结果为大于，则看向量正旋转到目标的实际角度是否大于度，若大于，则c由零变为1。同理再构建另外两个向量，若与上述情况相同，则c由1变为2。最后判断C为奇数还是偶数，如果为奇数，则返回true，表示Corner点处于Obstacle内部。如果为偶数，则表示Corner点在Obstacle外部。

       下面举个栗子：对于左图A点的这种情况，0点与3点在Y轴方向上位于A点异侧，0.y<3.y，side>0（即比较向量A-0正旋转到目标向量A-3是否小于度），实际大于度（蓝色箭头），结果为否，则c值仍为0；2点与1点在Y轴方向上位于A点异侧，side<0（即比较向量A-2正旋转到目标向量A-1是否大于度），实际大于度（红色箭头），结果为是，则c值变为1。最终c&1为奇数，表示A点在obstacle之内。

       对于右图A点情况，0点与3点在Y轴方向上位于A点异侧，0.y<3.y，side>0（即比较向量A-0正旋转到目标向量A-3是否小于度），实际小于度（红色箭头），结果为是，c值由0变为1；2点与1点在Y轴方向上位于A点异侧，side<0（即比较向量A-2正旋转到目标向量A-1是否大于度），实际大于度（蓝色箭头），结果为是，则c值变为2。最终c&1为偶数，表示A点在obstacle之外。

       正旋转相关的知识：叉乘几何含义：须注意：本算法所有的坐标系为上图所示，所以正旋转方向为X轴沿绿三色箭头转到Y轴。

       最后依旧借用M星云男神女神镇楼。。