【实时 Linux 实战系列】基于实时 Linux 的自动驾驶感知数据处理

一、简介：为什么“实时”是自动驾驶的生命线？

• 感知数据 ≈ 眼睛：激光雷达点云 10 Hz、摄像头 30 Hz，一旦延迟 >100 ms，车辆已前进 1 m（时速 36 km/h）。

• 功能安全标准 ISO 26262要求“感知→融合→决策”端到端硬实时（Hard Real-Time）< 100 ms。

• 传统 Ubuntu 内核调度抖动 5~50 ms，无法保证最坏情况；PREEMPT_RT补丁可把抖动压到 <100 µs。

掌握“实时 Linux + 感知流水线优化”= 自动驾驶嵌入式岗位核心技能栈，也是创业团队降本增效（省 FPGA/ASIC）的捷径。

二、核心概念：7 个名词先搞懂

三、环境准备：30 分钟搭出“实验室级”赛道

1. 硬件清单（入门级）

2. 软件栈

3. 实时内核一键编译（复制即用）

#!/usr/bin/env bash # file: install_rt_kernel.sh set -euo pipefail VERSION=5.4.269 sudo apt update && sudo apt install -y build-essential libncurses-dev bison flex libssl-dev libelf-dev wget https://cdn.kernel.org/pub/linux/kernel/v5.x/linux-${VERSION}.tar.xz wget https://cdn.kernel.org/pub/linux/kernel/projects/rt/5.4/patch-${VERSION}-rt.patch.xz tar -xf linux-${VERSION}.tar.xz && cd linux-${VERSION} xzcat ../patch-${VERSION}-rt.patch.xz | patch -p1 # 使用预设配置 cp /boot/config-$(uname -r) .config yes '' | make oldconfig # 开启抢占 ./scripts/config --set-val CONFIG_PREEMPT_RT y ./scripts/config --set-val CONFIG_HZ_1000 y make -j$(nproc) deb-pkg sudo dpkg -i ../linux-image-*.deb ../linux-headers-*.deb sudo grub-set-default 0 echo "重启后选择 RT 内核"

重启确认：

uname -v | grep PREEMPT_RT

输出含PREEMPT_RT即可。

四、实际案例与步骤：从零搭建“感知-融合-检测”实时流水线

所有代码放~/autoware-rt-lab目录，路径统一，复制即可跑。

4.1 节点图与延迟预算

10 ms 20 ms 30 ms LiDAR --→ 降采样 --→ 融合 --→ YOLO --→ 控制 Camera --→ 解码 ↑ DDS零拷贝 总端到端 < 80 ms（留 20 ms 给 CAN 发送）

4.2 步骤 1：激光雷达实时节点（lidar_pipeline）

// src/lidar_pipeline.cpp #include "rclcpp/rclcpp.hpp" #include <sensor_msgs/msg/point_cloud2.hpp> #include <pcl/filters/voxel_grid.h> class LidarFilterNode : public rclcpp::Node { public: LidarFilterNode() : Node("lidar_filter") { // 1. 设置实时QoS：保持最新，深度1 rclcpp::QoS qos(1); qos.keep_last().best_effort().durability_volatile(); sub_ = create_subscription<sensor_msgs::msg::PointCloud2>( "/livox/lidar", qos, [this](sensor_msgs::msg::PointCloud2::UniquePtr msg) { // 2. 零拷贝借用内存 pcl::PCLPointCloud2::Ptr cloud(new pcl::PCLPointCloud2); pcl_conversions::toPCL(*msg, *cloud); // 3. 降采样到 0.5 cm pcl::VoxelGrid<pcl::PCLPointCloud2> filter; filter.setLeafSize(0.05f, 0.05f, 0.05f); pcl::PCLPointCloud2::Ptr cloud_filtered(new pcl::PCLPointCloud2); filter.setInputCloud(cloud); filter.filter(*cloud_filtered); // 4. 发布 sensor_msgs::msg::PointCloud2 out; pcl_conversions::moveFromPCL(*cloud_filtered, out); out.header = msg->header; pub_->publish(std::move(out)); }); pub_ = create_publisher<sensor_msgs::msg::PointCloud2>("/points_filtered", qos); } private: rclcpp::Subscription<sensor_msgs::msg::PointCloud2>::SharedPtr sub_; rclcpp::Publisher<sensor_msgs::msg::PointCloud2>::SharedPtr pub_; }; int main(int argc, char **argv) { rclcpp::init(argc, argv); rclcpp::spin(std::make_shared<LidarFilterNode>()); rclcpp::shutdown(); return 0; }

编译 & 运行

colcon build --packages-select lidar_pipeline source install/setup.bash sudo chrt 99 ./install/lidar_pipeline/lib/lidar_pipeline/lidar_filter

• chrt 99把线程放到 SCHED_FIFO，优先级 99（最高实时）。

4.3 步骤 2：摄像头硬解码 + CPU 亲和性

# 启动脚本 run_camera.sh #!/usr/bin/env bash # 绑定到核 2,3（隔离核） sudo cset shield --cpu 2,3 --kthread=on sudo chrt 98 taskset -c 2,3 \ ros2 run camera_ros2 camera_node --ros-args \ -p image_raw:=/image/raw \ -p best_effort:=true

内核 isolcpus永久生效：
在/etc/default/grub追加

GRUB_CMDLINE_LINUX="isolcpus=2,3 rcu_nocbs=2,3"

然后sudo update-grub && reboot。

4.4 步骤 3：消息同步与融合

// src/fusion_node.cpp #include <message_filters/subscriber.h> #include <message_filters/time_synchronizer.h> #include <sensor_msgs/msg/point_cloud2.hpp> #include <sensor_msgs/msg/image.hpp> void callback(const sensor_msgs::msg::PointCloud2::ConstSharedPtr &cloud, const sensor_msgs::msg::Image::ConstSharedPtr &img) { // 简单示例：打印时间差 auto diff = std::abs((cloud->header.stamp - img->header.stamp).nanoseconds()); RCLCPP_INFO(rclcpp::get_logger("fusion"), "sync diff=%.2f ms", diff / 1e6); // TODO: 实际送入 YOLO + PointPillars 融合检测 } int main(int argc, char **argv) { rclcpp::init(argc, argv); rclcpp::Node::SharedPtr node = std::make_shared<rclcpp::Node>("fusion"); message_filters::Subscriber<sensor_msgs::msg::PointCloud2> pc_sub(node, "/points_filtered"); message_filters::Subscriber<sensor_msgs::msg::Image> img_sub(node, "/image/raw"); // 时间窗口 50 ms message_filters::TimeSynchronizer<sensor_msgs::msg::PointCloud2, sensor_msgs::msg::Image> sync(pc_sub, img_sub, 10); sync.registerCallback(callback); rclcpp::spin(node); rclcpp::shutdown(); return 0; }

4.5 步骤 4：使用 Cyclone DDS + 零拷贝配置

# ~/.bashrc 追加 export RMW_IMPLEMENTATION=rmw_cyclonedds_cpp export CYCLONEDDS_URI=file://$(pwd)/cyclonedds.xml

cyclonedds.xml（关键片段）

<CycloneDDS> <Domain> <Internal> <SocketReceiveBufferSize min="10MB"/> <FragmentSize>65536</FragmentSize> </Internal> <QoS> <!-- 实时最佳 effort --> <Policy name="latency_budget"> <duration>0 20000000</duration><!-- 20 ms --> </Policy> </QoS> </Domain> </CycloneDDS>

4.6 步骤 5：端到端延迟测量

# 终端 1：记录订阅延迟 ros2 topic delay /points_filtered # 终端 2：录制 bag 复现 ros2 bag record /points_filtered /image/raw

典型输出

average delay: 18.3 ms max delay: 28.5 ms min delay: 15.1 ms

满足 < 30 ms 预算。

五、常见问题与解答（FAQ）

六、实践建议与最佳实践

1. CPU 隔离口诀
   “2 核给系统，2 核给实时，其余给业务”——/boot/grub里isolcpus=n-m rcu_nocbs=n-m

2. 线程优先级梯度
   激光雷达 > 融合 > 检测 > 控制，相邻差 ≥10，避免优先级反转。

3. 使用perf sched测量调度延迟

   sudo perf sched record --call-graph fp sudo perf sched latency

4. Bag 回放性能回归
   把 60 s 原始 bag 加入 CI，每次提交自动ros2 bag play --rate 1.0并检查延迟回归。

5. 安全机制
   实时线程里不调用 malloc/free，提前预分配容器；使用lockless队列传递指针。

七、总结：一张脑图带走全部要点

实时自动驾驶感知 ├─ PREEMPT_RT 内核 <100 µs 抖动 ├─ CPU 亲和 + FIFO 优先级 ├─ ROS 2 节点化：lidar filter / camera decode / fusion ├─ DDS 零拷贝 + QoS latency_budget ├─ 时间同步：GPS+PPS └─ 延迟测量：ros2 topic delay + perf sched

当你能把“激光雷达→点云降采样→图像解码→时间同步→融合检测”全链路延迟稳稳压在80 ms以内，就意味着：

• 功能安全满足 ISO 26262 的实时需求

• 硬件成本节省一片 FPGA，用纯软件方案落地

• 算法迭代只需改 ROS 2 节点，无需动底层硬件

把本文脚本 push 到你的 GitLab，下次实车测试，让日志告诉你——实时，不是玄学，而是可测量、可复现、可 CI 的工程指标。