不折腾环境,如何快速部署一套可用的自动驾驶系统:Autoware 完整上手指南【免费下载链接】autowareAutoware - the worlds leading open-source software project for autonomous driving项目地址: https://gitcode.com/GitHub_Trending/au/autoware如果你的电脑上有一台能跑 Docker 的 Ubuntu 主机,却没有 NVIDIA 显卡,那 Autoware 的规划仿真演示照样可以启动——这正是这个开源项目对新手最友好的一点。Autoware 是一个基于 ROS 2 的开源自动驾驶软件栈,把感知、定位、规划、控制这些原本要自己从零搭的模块打包好了,配合预构建的 Docker 镜像和一条docker compose命令,就能在虚拟地图里跑起一辆自动驾驶的车。本文给出一条最短部署路径,并说明如何把它扩展到 GPU 推理和真实硬件场景。项目定位:一套覆盖感知到控制的开源自动驾驶软件栈Autoware 解决的问题很直接:自动驾驶算法链太长,单个模块好写,但把激光雷达感知、GNSS/IMU 融合定位、全局路由、行为决策、轨迹规划和车辆控制串成一套能跑的流水线,工程量大得惊人。Autoware 把这条流水线做成了模块化、可组合的 ROS 2 软件包集合,并且所有东西都按版本锁定 容器化的方式交付,让你不用关心依赖地狱。它主要面向三类人:学习者:不碰真车,在仿真里观察规划、决策、控制如何联动;算法开发者:基于autoware.core(稳定模块)和autoware.universe(实验性功能)开发新算法;工程落地团队:需要一套可复现构建、可裁剪部署、支持 NVIDIA GPU(含 Jetson Thor)的生产级底座。核心能力:新手能在这套系统里做什么在仿真里开车,不需要任何真车仓库自带几组可一键启动的演示。其中规划仿真(planning-simulator)使用虚拟感知,纯 CPU 即可运行:车辆沿着示例地图行驶,RViz 里能看到路径、轨迹和车辆状态。端到端演示(awsim)则接入 AWSIM Unity 仿真器,需要 NVIDIA GPU。演示入口都在 docker/examples/demos/ 下,每个目录就是一个独立的 compose 工程。车辆模型、传感器套件、地图都可以换演示并不绑定某一种传感器配置。启动参数里就暴露了vehicle_model(车辆模型)、sensor_model(传感器套件)、map_path(地图路径)三个变量,换成你自己的地图和传感器描述即可。地图和机器学习模型统一放在宿主机的~/autoware_data/maps与~/autoware_data/ml_models下,通过卷挂载进容器,数据与镜像彻底解耦。GPU 加速是可选项,而不是门槛镜像按是否带 CUDA分成两条线:无 GPU 的universe和带 CUDA/TensorRT 的universe-cuda。感知类深度学习包只有在 CUDA 镜像里才启用,其余功能在两条线上行为一致。所以你的路线可以是:先用无 GPU 镜像把流程跑通,确认没问题后再上universe-cuda-jazzy。最小可运行路径:三步跑起 Autoware 演示前置条件只有一个:Ubuntu 主机 Docker Compose v2。以下命令在仓库根目录执行。第 1 步:克隆仓库。本仓库是元仓库,真正的源码由.repos文件描述:git clone https://gitcode.com/GitHub_Trending/au/autoware cd autoware第 2 步:直接拉取预构建镜像。官方在多架构(amd64/arm64)GHCR 上发布了各阶段镜像,无需本地编译:docker pull ghcr.io/autowarefoundation/autoware:universe-jazzy第 3 步:启动规划仿真演示。演示 compose 文件会自动挂载~/autoware_data并执行ros2 launch,退出后还会落到 bash 里方便你检查状态:xhost local:docker cd docker/examples/demos/planning-simulator HOST_UID$(id -u) HOST_GID$(id -g) docker compose run --rm planning-simulator运行前,把示例地图解压到~/autoware_data/maps/sample-map-planning(布局与 ansible/roles/demo_artifacts/ 角色生成的目录一致)。如果你的机器有独立显卡且想加速 RViz 渲染,可以叠加 DRI 或 NVIDIA 的 overlay 文件:docker compose -f docker-compose.yaml -f docker-compose.nvidia.yaml run --rm planning-simulator至此,一个完整的 Autoware 栈(定位、规划、控制、系统监控)已经在容器里运行,你在宿主机看到的 RViz 窗口就是它的驾驶舱。进阶:把演示变成你的开发环境安装完整的本机开发环境(Ansible 自动化)如果你要在宿主机上直接编译和改代码,而不是只跑容器,ansible/playbooks/install_dev_env.yaml 会用一组角色把 ROS 2、构建工具、Acados、CUDA、TensorRT 等全部装好,并自动按 Ubuntu 版本选择 ROS 发行版(22.04 → Humble,24.04 → Jazzy):cd autoware ansible-galaxy collection install -f -r ansible-galaxy-requirements.yaml ansible-playbook ansible/playbooks/install_dev_env.yaml --tags universe该 playbook 默认开启版本锁定逻辑,依赖版本钉在 ansible/vars/ 的 lockfile 中,保证不同时间、不同机器装出来的环境一致——这对团队开发和 CI 尤其重要。换车型、换传感器、换地图怎么改所有演示的 compose 文件里,command:段就是一行ros2 launch命令。以 docker/examples/demos/awsim/ 为例,把vehicle_model:sample_vehicle改成目标车型、sensor_model换成你的传感器套件、map_path指向新地图,就完成了定制化配置。镜像 tag 也可以整体换成universe-cuda-humble来切换 ROS 发行版。用 devcontainer 打开即开发如果习惯在 VS Code 里工作,docker/devcontainer/core-devel.compose.yaml 已经定义好开发容器:自动挂载整个仓库到/home/aw/autoware,转发 X11 显示,注入宿主 UID/GID 避免权限问题。打开容器后source /opt/autoware/setup.bash即可编译src/下任意源码。参与社区问题先查官方文档站的支持指南,再到仓库的 Discussions 提问;代码贡献走 fork PR 流程,规范见 CONTRIBUTING.md。仓库里 repositories/ 下的.repos文件列出了全部上游子仓库,想深入某个模块,顺着它找到对应源码仓库即可。别再让环境配置吃掉你的时间——克隆仓库,拉一个universe-jazzy镜像,跑起规划仿真,剩下的探索就交给那辆在虚拟地图里行驶的车。【免费下载链接】autowareAutoware - the worlds leading open-source software project for autonomous driving项目地址: https://gitcode.com/GitHub_Trending/au/autoware创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 不折腾环境,如何快速部署一套可用的自动驾驶系统:Autoware 完整上手指南
不折腾环境,如何快速部署一套可用的自动驾驶系统:Autoware 完整上手指南【免费下载链接】autowareAutoware - the worlds leading open-source software project for autonomous driving项目地址: https://gitcode.com/GitHub_Trending/au/autoware如果你的电脑上有一台能跑 Docker 的 Ubuntu 主机,却没有 NVIDIA 显卡,那 Autoware 的规划仿真演示照样可以启动——这正是这个开源项目对新手最友好的一点。Autoware 是一个基于 ROS 2 的开源自动驾驶软件栈,把感知、定位、规划、控制这些原本要自己从零搭的模块打包好了,配合预构建的 Docker 镜像和一条docker compose命令,就能在虚拟地图里跑起一辆自动驾驶的车。本文给出一条最短部署路径,并说明如何把它扩展到 GPU 推理和真实硬件场景。项目定位:一套覆盖感知到控制的开源自动驾驶软件栈Autoware 解决的问题很直接:自动驾驶算法链太长,单个模块好写,但把激光雷达感知、GNSS/IMU 融合定位、全局路由、行为决策、轨迹规划和车辆控制串成一套能跑的流水线,工程量大得惊人。Autoware 把这条流水线做成了模块化、可组合的 ROS 2 软件包集合,并且所有东西都按版本锁定 容器化的方式交付,让你不用关心依赖地狱。它主要面向三类人:学习者:不碰真车,在仿真里观察规划、决策、控制如何联动;算法开发者:基于autoware.core(稳定模块)和autoware.universe(实验性功能)开发新算法;工程落地团队:需要一套可复现构建、可裁剪部署、支持 NVIDIA GPU(含 Jetson Thor)的生产级底座。核心能力:新手能在这套系统里做什么在仿真里开车,不需要任何真车仓库自带几组可一键启动的演示。其中规划仿真(planning-simulator)使用虚拟感知,纯 CPU 即可运行:车辆沿着示例地图行驶,RViz 里能看到路径、轨迹和车辆状态。端到端演示(awsim)则接入 AWSIM Unity 仿真器,需要 NVIDIA GPU。演示入口都在 docker/examples/demos/ 下,每个目录就是一个独立的 compose 工程。车辆模型、传感器套件、地图都可以换演示并不绑定某一种传感器配置。启动参数里就暴露了vehicle_model(车辆模型)、sensor_model(传感器套件)、map_path(地图路径)三个变量,换成你自己的地图和传感器描述即可。地图和机器学习模型统一放在宿主机的~/autoware_data/maps与~/autoware_data/ml_models下,通过卷挂载进容器,数据与镜像彻底解耦。GPU 加速是可选项,而不是门槛镜像按是否带 CUDA分成两条线:无 GPU 的universe和带 CUDA/TensorRT 的universe-cuda。感知类深度学习包只有在 CUDA 镜像里才启用,其余功能在两条线上行为一致。所以你的路线可以是:先用无 GPU 镜像把流程跑通,确认没问题后再上universe-cuda-jazzy。最小可运行路径:三步跑起 Autoware 演示前置条件只有一个:Ubuntu 主机 Docker Compose v2。以下命令在仓库根目录执行。第 1 步:克隆仓库。本仓库是元仓库,真正的源码由.repos文件描述:git clone https://gitcode.com/GitHub_Trending/au/autoware cd autoware第 2 步:直接拉取预构建镜像。官方在多架构(amd64/arm64)GHCR 上发布了各阶段镜像,无需本地编译:docker pull ghcr.io/autowarefoundation/autoware:universe-jazzy第 3 步:启动规划仿真演示。演示 compose 文件会自动挂载~/autoware_data并执行ros2 launch,退出后还会落到 bash 里方便你检查状态:xhost local:docker cd docker/examples/demos/planning-simulator HOST_UID$(id -u) HOST_GID$(id -g) docker compose run --rm planning-simulator运行前,把示例地图解压到~/autoware_data/maps/sample-map-planning(布局与 ansible/roles/demo_artifacts/ 角色生成的目录一致)。如果你的机器有独立显卡且想加速 RViz 渲染,可以叠加 DRI 或 NVIDIA 的 overlay 文件:docker compose -f docker-compose.yaml -f docker-compose.nvidia.yaml run --rm planning-simulator至此,一个完整的 Autoware 栈(定位、规划、控制、系统监控)已经在容器里运行,你在宿主机看到的 RViz 窗口就是它的驾驶舱。进阶:把演示变成你的开发环境安装完整的本机开发环境(Ansible 自动化)如果你要在宿主机上直接编译和改代码,而不是只跑容器,ansible/playbooks/install_dev_env.yaml 会用一组角色把 ROS 2、构建工具、Acados、CUDA、TensorRT 等全部装好,并自动按 Ubuntu 版本选择 ROS 发行版(22.04 → Humble,24.04 → Jazzy):cd autoware ansible-galaxy collection install -f -r ansible-galaxy-requirements.yaml ansible-playbook ansible/playbooks/install_dev_env.yaml --tags universe该 playbook 默认开启版本锁定逻辑,依赖版本钉在 ansible/vars/ 的 lockfile 中,保证不同时间、不同机器装出来的环境一致——这对团队开发和 CI 尤其重要。换车型、换传感器、换地图怎么改所有演示的 compose 文件里,command:段就是一行ros2 launch命令。以 docker/examples/demos/awsim/ 为例,把vehicle_model:sample_vehicle改成目标车型、sensor_model换成你的传感器套件、map_path指向新地图,就完成了定制化配置。镜像 tag 也可以整体换成universe-cuda-humble来切换 ROS 发行版。用 devcontainer 打开即开发如果习惯在 VS Code 里工作,docker/devcontainer/core-devel.compose.yaml 已经定义好开发容器:自动挂载整个仓库到/home/aw/autoware,转发 X11 显示,注入宿主 UID/GID 避免权限问题。打开容器后source /opt/autoware/setup.bash即可编译src/下任意源码。参与社区问题先查官方文档站的支持指南,再到仓库的 Discussions 提问;代码贡献走 fork PR 流程,规范见 CONTRIBUTING.md。仓库里 repositories/ 下的.repos文件列出了全部上游子仓库,想深入某个模块,顺着它找到对应源码仓库即可。别再让环境配置吃掉你的时间——克隆仓库,拉一个universe-jazzy镜像,跑起规划仿真,剩下的探索就交给那辆在虚拟地图里行驶的车。【免费下载链接】autowareAutoware - the worlds leading open-source software project for autonomous driving项目地址: https://gitcode.com/GitHub_Trending/au/autoware创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考