自动驾驶软件架构解析:从底层实时系统到上层云端协同

如果把自动驾驶系统比作一个人，那软件就是大脑和神经系统。它不是一个大而全的程序，而是分层的架构，每层各司其职。

整体来看，自动驾驶软件栈从下到上可以分为 4 层：

不管架构多复杂，自动驾驶软件本质上只做一件事：让车从 A 点安全地开到 B 点。

数据流向是这样的：

传感器数据 → 感知(Perception) → 定位(Localization) → 预测(Prediction) → 规划(Planning) → 控制(Control) → 执行机构

可以把它想象成一个人开车的过程：

眼睛看路→ 知道自己在哪→ 判断别人要干嘛→ 决定怎么走→ 手脚操作方向盘油门

每一步都依赖上一步的结果，环环相扣。

2.1 RTOS —— 实时操作系统

自动驾驶对时间的要求极其严格——刹车指令晚发出 100ms，后果可能完全不同。所以车载计算平台跑的不是普通的 Windows 或 macOS，而是实时操作系统（RTOS, Real-Time Operating System）。

目前主流方案有两种：

这里有个关键区别：QNX 是硬实时，能保证任务在确定时间内完成；RT Linux 是软实时，尽力保证但无法 100% 确定。所以很多量产车上会用 QNX 做安全关键的模块，RT Linux 做非关键的计算任务。

2.2 Framework —— 中间件框架

光有操作系统还不够，还需要一层中间件框架来管理模块间的通信、调度和数据交换。

最著名的就是 ROS（Robot Operating System，机器人操作系统）：

除了 ROS，还有其他选择：

这是自动驾驶软件的灵魂所在，也是技术竞争最激烈的层面。

3.1 HD Map —— 高精地图

高精地图（HD Map, High Definition Map） 和日常用的导航地图完全不是一个东西：

高精地图在自动驾驶中的核心作用：

坐标系方面，主流采用 WGS84（GPS标准坐标系）或墨卡托投影坐标系。

3.2 Localization —— 定位

定位模块解决的是“我在哪里”的问题。通过融合 GNSS、IMU、LiDAR 等多种传感器的数据，结合高精地图，计算出车辆的精确位置（位置+朝向）。

3.3 Perception —— 感知

感知模块是车的“眼睛"，负责理解周围环境。主要包含两大能力：

3.3.1计算机视觉（Computer Vision, CV）

3.3.2多传感器融合（Sensor Fusion）

将 Camera（摄像头）、LiDAR（激光雷达）、Radar（毫米波雷达）的数据融合不同传感器各有优劣，融合后才能获得可靠的环境感知结果

所以单一传感器永远不够，多传感器融合才是正道。

3.4 Prediction —— 预测

感知告诉你周围有什么，预测则告诉你它们接下来会做什么。

比如前方有一辆车，它是在直行还是要变道？旁边行人是继续走还是准备过马路？这些都需要基于运动学模型和行为历史来做预测。预测越准，后续的规划就越从容。

3.5 Planning —— 规划

规划是自动驾驶的"大脑决策"，通常分为两层：

其中行为规划（Behavior Planning）决定“做什么"——跟车、换道、超车、避障；运动规划（Motion Planning）决定“怎么做"——生成一条平滑的可执行轨迹。

3.6 Control —— 控制

控制是最后一公里——把规划出的轨迹变成实际的车辆动作。

通过控制算法（如 PID、MPC 等）输出方向盘转角、油门量、制动压力等指令，驱动执行器完成实际操作。

4.1 HMI —— 人机交互

HMI（Human-Machine Interface）是驾驶员与自动驾驶系统的交互窗口：

4.2 Cloud Platform —— 云端平台

自动驾驶不只是车上的事，云端也在参与：

回顾一下自动驾驶软件的全貌：

从底层的硬实时保障，到中层的感知-预测-规划-控制闭环，再到上层的人机交互与云端协同——每一层都是不可或缺的一环。自动驾驶之所以难，就是因为这每一层要做到足够好，而且还要让它们之间高效协同。

今天的文章到这里就结束了，大家觉得写的不错的，可以点波关注和在看~