Autoware Universe 感知详解 | 第二节 宏观认识Autoware Universe感知模块整体架构
在经过第零节的学习开源算法框架方法论以及第一节对Autoware Universe的宏观认识铺垫之后，你是不是很想马上成为自动驾驶专家，准备好了大干一场。如果是这样的话，你就会看到这样的一张流程图：
原链接：Flowchart Maker & Online Diagram Software（原链接中的流程图可以放大并且点击节点会加载代码库对应部分的代码）
看到上面的流程全图是不是感觉非常挫败？我们现在需要将发散的思维和注意力拉回来，我非常能理解大家想一口气吃成胖子的心情，就在上星期我还经历过这种肾上腺素主导的无效亢奋，如果做不好注意力管理，我们很容易陷入什么都想学结果什么都学不到的窘境，其中遭遇的心理挫败感可想而知。作为感知算法工程师的我们自然要将注意力聚焦到感知模块以及和上下游模块必要的交互上。
这时候模块化设计的优势就不容忽视了。它不仅实现了系统各功能模块的解耦，使不同类型的自动驾驶算法工程师能够专注于各自领域的研发，还显著简化了开发、调试和测试流程，提高了协作效率。虽然当前许多大型企业正积极探索端到端的大模型方案，但据我所知，自动驾驶领域目前端到端架构与模块化架构仍然是并存且竞争的局面，各有优劣与适用场景。
本节中，我将借助官方文档探讨感知模块的整体架构以及感知模块细分后的子任务，同时结合目前自动驾驶领域的新趋势引发大家对于无图化技术的思考。
在前文中，我们粗略地描述过感知模块的任务：通过融合后的定位信号以及传感器数据，感知模块算法进一步识别和分割周围的动态与静态障碍物，进行物体追踪和行为预测。系统不仅能感知当前环境状态，还能预判障碍物未来的运动轨迹，构建完善的周围环境模型。
这样的介绍肯定不够清晰具体，现在我们结合官方文档来了解Autoware Universe感知模块的设计原理，理解Autoware将上述的任务拆分成哪些子任务模块。
Autoware感知模块设计原理
在设计自动驾驶感知系统时，Autoware感知模块的目标并非追求对所有复杂场景的完美识别，而是构建一个基础稳健、易于扩展的感知平台。这个平台旨在支持多样化的自动驾驶应用场景，同时为用户的定制开发和未来功能拓展提供坚实基础。通过模块化设计，Autoware实现了功能的清晰分工和灵活扩展，有效提升了自动驾驶系统对周围环境感知的稳定性和可靠性。
我们可以将Autoware Universe看作是一个非常完善的示范（demo），它提供了面向各种自动驾驶应用场景的良好可扩展性，但并不是一个已经完美落地的产品。明确这个认知，对于学习和使用Autoware框架具有重要意义。结合自身的项目需求，我们能更有针对性地提出以下思考：
-
哪些功能分支是当前项目中的冗余？是否可以剔除以减轻系统负担，提高运行效率？
-
哪些子模块或功能具备扩展潜力？如何利用其开放性进行定制开发，满足特定应用需求？
-
在维持系统基础稳定性的前提下，如何灵活地进行功能迭代和优化？
通过这种量身定制的思路，既能发挥Autoware的模块化优势，也能避免照搬照抄导致资源浪费和复杂度过高。
Autoware感知模块顶层架构
在了解了感知模块的设计原理之后，我们不妨将感知模块进一步拆解成数个子模块，通过对子模块的了解建立对于感知模块的细化认知。
感知组件包括以下子组件：
-
目标识别：识别当前帧中自车周围的动态物体，这些物体在地图创建时可能不存在，并预测其未来轨迹。包括：
-
行人、小汽车、卡车/公交车、自行车、摩托车、动物、交通锥
-
道路杂物：如纸板、油桶、垃圾桶、木料等，可能是掉落在路上的或漂浮在空气中的物品
-
-
障碍物分割：识别来自障碍物的点云数据，包括动态物体和静态障碍物，静态障碍物是指需要自车绕行或在障碍物前停车的物体。包括：
-
上述所有动态物体、路缘/路桩、障碍栏、树木、墙壁/建筑物
不包括：
-
草地、水花飞溅、烟雾/蒸汽、报纸、塑料袋
-
-
占据网格地图：检测盲区（即没有信息覆盖且动态物体可能突然出现的区域）。
-
红绿灯识别：识别红绿灯的颜色及箭头信号的指示方向。
先验与后验感知
在感知模块设计中，我们常常会注意到一个有趣现象：尽管自动驾驶感知涉及复杂多样的环境信息，但Autoware Universe示范系统中，感知模块仅聚焦于目标识别、障碍物分割、占据网格地图和红绿灯识别这四大关键子模块，而车道线识别却没有作为独立模块出现。这一设计选择背后，隐藏着高精地图在自动驾驶系统中的重要地位。
高精地图（如Lanelet Map）不仅提供了详尽的车道线形态、道路结构和交通规则等静态信息，更作为一种“先验”知识基础，与传感器实时感知获得的“后验”动态环境数据相结合，构成了Autoware感知体系的核心。这种先验与后验融合的理念，使得车道线和道路布局等静态元素无需完全依赖实时感知模块去识别，从而显著降低了感知系统的复杂度和计算负担。
换句话说，车道线识别等静态环境信息的主要任务由高精地图承载，而感知模块则专注于识别周围环境中动态变化的目标和潜在障碍物。这种设计不仅提升了系统的稳定性和响应速度，也体现了自动驾驶感知系统对于“先验知识”与“实时感知”合理分工的深刻理解。
在实际项目开发中，理解这一理念有助于我们更好地优化感知系统架构，根据自身应用需求合理取舍，避免重复开发和资源浪费，促进高效且稳健的自动驾驶解决方案落地。
Autoware与无图化趋势
随着自动驾驶技术的发展，轻量级地图乃至无图化（mapless）方案逐渐成为业界关注的热点。相较于传统依赖高精地图的架构，无图化带来了不少新优势，也面临诸多挑战，值得我们深刻思考和探讨。
首先，无图化最大的好处在于降低了对高精地图依赖，极大减轻了地图采集、维护和更新的成本。无需提前构建详尽的先验图层，车辆可直接依靠传感器实时感知实现环境理解和路径规划，提升了系统的灵活性和适应性。这对于复杂多变或地图数据缺失的区域尤为重要，有助于自动驾驶技术向更广泛的应用场景扩展。
然而，无图化方案也存在明显不足。缺乏先验地图信息支撑，感知和定位任务的难度大幅增加，尤其是在复杂环境或恶劣天气条件下，实时感知的鲁棒性和准确性面临严峻考验。此外，路径规划和行为决策也更依赖动态环境的精准解析，系统整体复杂度和计算资源需求随之增高。
那么，我们该如何重塑无图化架构，弥补其短板，实现高可靠性与高效性的平衡呢？关键在于构建更强大的传感器融合与环境理解能力，引入更先进的机器学习和深度神经网络技术，提升对动态环境的感知精度和预测能力。同时，需要设计更灵活的模块化架构，使感知、定位、规划等功能能够动态协同，互为补充。此外，加强对历史感知数据的在线学习和积累，形成车辆自身的“地图”记忆，也是提升无图化系统性能的重要方向。
无图化不仅是技术挑战，更是自动驾驶架构理念的变革。它呼唤我们重新思考“先验”与“后验”的边界，推动感知系统从依赖静态基底走向动态自适应，进一步拓展自动驾驶的边界与可能性。希望广大读者能够关注这一趋势，积极探索适合自身项目的创新架构，推动行业持续进步和技术突破。
在下面的章节中，我将结合对于感知模块架构的基本认识，将感知模块和其他模块的交互纳入考量，全方位展现感知模块是如何承担起对于周围环境认识任务的。