第二章 系统架构总览：自动驾驶软件与硬件的骨架

各位同学，欢迎来到第二章。上一章我们聊了自动驾驶的分级和行业现状，算是打了个底。这一章，咱们直接切入核心——系统架构。

说白了，自动驾驶系统就像一个人。传感器是眼睛和耳朵，计算平台是大脑，执行器是手脚。而软件架构，就是让这些器官协同工作的神经系统。我习惯把整个架构拆成两大部分来看：软件分层和硬件概览。咱们一个一个聊。

2.1 软件架构分层：感知-预测-规划-控制

先问大家一个问题：你开车时，大脑是怎么工作的？

你看到前方有个行人（感知），你判断他下一步可能要过马路（预测），你决定减速并准备刹车（规划），最后你的脚踩下刹车踏板（控制）。

自动驾驶的软件架构，本质上就是模仿这个流程。我把它分成四个核心模块，环环相扣。

2.1.1 感知层：让车“看见”世界

感知层的任务很简单：从传感器原始数据中提取有意义的信息。比如，识别出车道线、交通标志、行人、车辆、障碍物。

我在项目中遇到过一个问题：摄像头在强光下会过曝，导致车道线丢失。后来我们加了HDR（高动态范围）处理，才解决了这个问题。嗯，这里要注意，感知层不能只依赖单一传感器，必须做传感器融合。

常见的感知输出包括：

• 目标检测结果（位置、类别、速度）
• 可行驶区域（Free Space）
• 车道线/路沿检测
• 交通标志与信号灯识别

2.1.2 预测层：猜猜别人想干嘛

感知层告诉你“那里有辆车”，预测层要回答“这辆车接下来3秒会怎么走”。

你想想看，如果预测不准，规划层就会做出错误的决策。预测通常分为两类：

• 基于物理模型：用卡尔曼滤波、匀速/匀加速模型预测轨迹。简单，但不够智能。
• 基于行为模型：用神经网络预测意图，比如“这辆车可能要变道”。

我个人习惯把预测结果表示成概率分布。比如，“有80%的概率直行，15%的概率左转，5%的概率急刹”。这样规划层可以更灵活地应对不确定性。

2.1.3 规划层：决定怎么走

规划层是自动驾驶的“大脑决策中心”。它接收感知和预测的结果，输出一条安全、舒适、高效的轨迹。

规划层又细分为三个层级：

1. 全局路径规划：从A点到B点的宏观路线，通常用A*或Dijkstra算法。说白了，就是导航。
2. 行为决策：决定下一步动作，比如“跟车”、“变道”、“停车让行”。
3. 运动规划：生成具体的轨迹（路径+速度曲线）。常用方法有Frenet坐标系下的五次多项式、优化方法（如MPC）。

这里我分享一个代码片段，展示运动规划中常用的Frenet坐标系转换：

# Python示例：Frenet坐标系转笛卡尔坐标系
def frenet_to_cartesian(s, d, ref_path):
    """
    s: 纵向距离
    d: 横向偏移
    ref_path: 参考路径点集
    """
    # 找到最近的参考点
    nearest_idx = find_nearest_point(s, ref_path)
    ref_point = ref_path[nearest_idx]
    
    # 计算法向量方向
    theta = ref_point.yaw
    x = ref_point.x - d * sin(theta)
    y = ref_point.y + d * cos(theta)
    return x, y

2.1.4 控制层：把想法变成动作

控制层是最后一步。它接收规划层输出的轨迹，计算出方向盘转角、油门、刹车等控制指令。

常用的控制算法有：

• PID控制：简单、稳定，适合低速场景。我刚开始做控制时，调PID参数调了一周。
• 模型预测控制（MPC）：能处理约束，适合高速和复杂场景。但计算量大。

控制层的输出通常包括：

控制指令	描述	典型范围
方向盘转角	控制车辆转向	-720° ~ 720°
油门开度	控制加速	0% ~ 100%
制动压力	控制减速	0 ~ 200 bar

2.2 硬件架构概览：传感器、计算平台、执行器

软件跑在硬件上。硬件选型决定了系统的上限。我把它分成三大块。

2.2.1 传感器：车的“感官”

主流传感器包括：

• 摄像头：提供丰富的语义信息（颜色、纹理、文字）。缺点是受光照影响大。
• 激光雷达（LiDAR）：提供精确的3D点云，测距远。缺点是成本高，雨雾天性能下降。
• 毫米波雷达：测速准，全天候工作。缺点是分辨率低，无法识别物体类别。
• 超声波雷达：用于近距离泊车，成本低。
• IMU+GPS：提供车辆自身的位置和姿态。

我个人习惯的传感器配置是：前向长距摄像头+侧向鱼眼+顶部激光雷达+四角毫米波雷达。这个组合在成本和性能之间取得了平衡。

2.2.2 计算平台：车的“大脑”

计算平台负责运行感知、预测、规划、控制算法。常见方案有：

• NVIDIA Drive Orin/Thor：算力强，生态好。我项目里用的就是Orin，254 TOPS，够用。
• Qualcomm Snapdragon Ride：功耗低，适合量产车。
• 华为MDC：国产方案，性价比高。

选型时要注意：算力不是唯一指标。内存带宽、I/O接口、散热设计同样重要。我曾经因为选了算力高但内存带宽不足的平台，导致数据搬运成了瓶颈。

2.2.3 执行器：车的“手脚”

执行器包括：线控转向、线控制动、线控油门。它们接收控制层的指令，并执行物理动作。

这里有个关键点：执行器必须有冗余设计。比如，制动系统要有两套独立的液压回路。万一主系统失效，备份系统能接管。

2.3 数据流与通信机制

最后，我们聊聊数据怎么在系统里流动。这就像人体的血液循环系统。

典型的自动驾驶数据流如下：

1. 传感器采集原始数据（图像、点云、雷达信号）
2. 数据通过高速接口（如GMSL、以太网）传输到计算平台
3. 感知模块处理数据，输出结构化信息
4. 预测模块基于感知结果，输出预测轨迹
5. 规划模块结合预测和地图信息，输出规划轨迹
6. 控制模块将轨迹转换为控制指令
7. 控制指令通过CAN总线或车载以太网发送给执行器

通信机制方面，我推荐使用DDS（数据分发服务）作为中间件。它支持发布-订阅模式，实时性好，适合自动驾驶这种高带宽、低延迟的场景。

好了，第二章的内容就到这里。这一章我们搭建了自动驾驶系统的整体骨架。下一章，我们会深入感知模块，聊聊摄像头和激光雷达的数据处理。到时候见。