Day 27: Zenoh 在機器人系統的應用全景 Part 3 - CARLA x Autoware x Zenoh 自駕車隊管理展示

17th鐵人賽

circleowo

2025-10-01 23:52:44

24 瀏覽

分享至

Zenoh 在機器人系統的應用全景 Part 3 - CARLA x Autoware x Zenoh 自駕車隊管理展示

自駕車系統其實跟機器人系統的發展密不可分。而自駕車的未來，不僅取決於單一車輛的智慧，更在於能否進行大規模、協同的車隊運行，透過同時模擬、測試並部署多輛自駕車來實現。
今天，我們來探索一個結合三項強大技術的開源專案 CARLA 模擬器、Autoware 自駕平台，以及 基於 Zenoh 的 Fleet Management System (FMS): autoware_carla_launch。

打下基石：CARLA 模擬器

CARLA (Car Learning to Act) 是開源自駕車模擬的黃金標準。它完全建立在 Unreal Engine 之上，提供擬真城市環境，如今已成為全球自駕車研發不可或缺的工具。

CARLA 的優勢

CARLA 不只是另一個模擬器，它是一個完整的平台，讓自駕車研發真正普及化。它的架構圍繞幾項核心原則，專為嚴肅的自駕研發所打造：

擬真環境：基於 Unreal Engine 5.5，提供與現實接近的視覺真實度，這對於需要可靠感知的系統至關重要。
完整感測器套件：支援 LIDAR、各類相機、深度感測器、RADAR、GPS 等，能驗證複雜的感測器融合演算法。
動態交通管理：內建交通管理器可生成逼真的人車互動，模擬緊急狀況與真實難以重現的場景。
靈活 API 架構：提供 Python 與 C++ API，可全面控制模擬參數、交通情境、天氣與環境，便於建立可重現的實驗與邊界測試。

Autoware：自駕平台的革命

Autoware 是目前最完整的開源自駕軟體堆疊。基於 ROS 2，它提供將普通車輛轉化為自駕車所需的一切功能，從感測器整合到 AI 驅動的決策。

全堆疊自駕架構

Autoware 的模組化設計，建立在四大核心之上：

定位與地圖：透過 3D SLAM 技術結合 GNSS、IMU 與 LiDAR，實現公分級精度。
先進感知：支援物件偵測、追蹤、號誌辨識、車道檢測，整合相機、雷達、LiDAR。
智慧規劃與控制：涵蓋從任務規劃到軌跡生成，應對都市交叉口、環形道路、高速匯入等複雜場景。
車輛介面與控制：精準控制油門、煞車與轉向，確保穩定與安全。

平台優勢與產業採用

Autoware 的最大優勢之一，是它對硬體的高度相容性。不像封閉式方案將使用者綁定於特定硬體，Autoware 幾乎能在任何 ECU、感測器組合與車輛上運行。加上全球最大的自駕開源社群，推動了共享與加速創新。

Zenoh 的革命性力量

當 CARLA 提供模擬環境、Autoware 管理單車智慧時，Zenoh 負責將一切串連，為車隊提供高效、可擴展的通訊與協調能力，從根本上改變自駕車隊的運作模式。

Zenoh 的技術創新

與 DDS、MQTT 等傳統協定相比，Zenoh 帶來了顛覆性的突破：

零額外負擔的通訊：超低延遲、高效能，確保即時安全決策。
跨地域架構：能橫跨區域網路與廣域網路，實現雲端到邊緣的部署。
優異效能：吞吐量、延遲與資源利用率全面勝出，適合大規模車隊。
統一數據模型：將 pub/sub、儲存與查詢整合於單一協定。

車隊管理的新形態

zenoh_autoware_fms 專案展現了 Zenoh 如何改造車隊管理：

即時監控：全面掌握每輛車的狀態、健康度與效能。
智慧任務協調：分配路線、任務，並可動態調整。
遠端人工介入：遇到特殊情境時，操作員可透過網頁控制台即時接管。

(點擊預覽觀看影片)

深入探討：Rust 驅動的 zenoh_carla_bridge

在這個整合的核心中，存在著 zenoh_carla_bridge —— 一個以 Rust 編寫的高階應用程式，作為 CARLA 模擬環境與 Autoware 自動駕駛堆疊之間的關鍵通訊層。這個橋接器展現了現代系統程式設計的實踐方式，也體現了 Rust 在建構可靠且高效能基礎設施方面的強大能力。

Rust 架構亮點

此橋接器的架構展示了多種重要的 Rust 程式設計模式以及針對汽車應用的特定優化：

#[derive(Debug, Clone, PartialEq, ValueEnum)]
enum Mode {
    /// 使用 zenoh-bridge-dds
    DDS,
    /// 使用 zenoh-bridge-ros2dds
    ROS2,
    /// 使用 rmw_zenoh
    RmwZenoh,
}

系統支援多種通訊模式，能與不同的 ROS 2 中介軟體實作無縫整合。這種彈性對於支援多樣化的部署場景與遷移路徑至關重要。

Actor Bridge 模式：該橋接器實作了一種進階的 actor 模式，用於處理不同類型的 CARLA 實體：

pub enum BridgeType {
    Vehicle(String),
    Sensor(String, SensorType, String),
    TrafficLight,
    TrafficSign,
    Other,
}

pub trait ActorBridge {
    fn step(&mut self, timestamp: f64) -> Result<()>;
}

這種設計讓系統能透過統一介面處理多樣的模擬實體，同時保持型別安全與高效能。

記憶體安全的並行處理：該橋接器善用 Rust 的所有權系統與進階並行原語：

use arc_swap::ArcSwap;
use atomic_float::AtomicF32;

pub struct VehicleBridge<'a> {
    vehicle_name: String,
    actor: Vehicle,
    publisher_actuation: Publisher<'a>,
    velocity: Arc<AtomicF32>,
    current_actuation_cmd: Arc<ArcSwap<ActuationCommandStamped>>,
    // ... 其他欄位
}

透過 Arc<ArcSwap<>> 與原子型別的使用，能在沒有傳統鎖機制的情況下，安全地跨執行緒共享資料，這對即時效能至關重要。

進階感測器處理：感測器橋接器展現了對不同感測器類型的進階處理能力：

#[derive(Debug, Clone, Copy, PartialEq, Eq, Hash)]
pub enum SensorType {
    CameraRgb,
    LidarRayCast,
    LidarRayCastSemantic,
    Imu,
    Gnss,
    Collision,
    NotSupport,
}

每種感測器類型都具備專屬的處理邏輯，將 CARLA 的模擬資料轉換為對應的 ROS 2 訊息格式，從點雲資料到相機影像都能以最佳效能進行處理。

時鐘同步：橋接器實作了精確的模擬時間同步：

pub struct SimulatorClock<'a> {
    publisher_clock: Publisher<'a>,
    attachment: Vec<u8>,
    mode: Mode,
}

impl<'a> SimulatorClock<'a> {
    pub fn publish_clock(&self, timestamp: Option<f64>) -> Result<()> {
        let time = if let Some(sec) = timestamp {
            builtin_interfaces::Time {
                sec: sec.floor() as i32,
                nanosec: (sec.fract() * 1_000_000_000_f64) as u32,
            }
        } else {
            // 回退至系統時間
            let now = SystemTime::now()
                .duration_since(UNIX_EPOCH)
                .expect("Unable to get current time");
            builtin_interfaces::Time {
                sec: now.as_secs() as i32,
                nanosec: now.subsec_nanos(),
            }
        };
        // ... 發布時鐘訊息
    }
}

這確保了系統中的所有組件都能以同步時間運作，這對於協調多車輛模擬至關重要。