1. Autoware航迹点录制实战指南
上周调试园区无人配送车时，发现Autoware的全局路径规划模块对复杂地形适应性不足。于是花了三天时间研究航迹点录制功能，实测通过人工示教生成的高精度轨迹，能让车辆在90度直角弯和窄道会车场景通过率提升47%。下面分享我的完整操作流程和六个关键避坑点。
提示：本文基于Autoware.universe 1.0 + Ubuntu 22.04环境，同样适用于ROS2 Humble版本
1.1 硬件配置方案选型
我的设备组合是：
- 感知层：Velodyne VLP-16激光雷达（10Hz）+ 乐视鱼眼摄像头
- 定位层：华测导航P2 Pro RTK（厘米级定位）
- 计算单元：NVIDIA Jetson AGX Orin（32GB内存）
这套配置在200米×200米的园区场景下，航迹点位置误差能控制在±3cm以内。如果预算有限，可用千元级GPS模块替代RTK，但需注意：
- 单点定位模式下建议关闭NDT匹配
- 轨迹录制速度需降至5km/h以下
- 需额外录制特征点辅助校正
1.2 软件环境特殊配置
Ubuntu 22.04需要手动修补的依赖项：
# 修复Protobuf版本冲突 sudo apt install -y libprotobuf-dev=3.12.4-1ubuntu7 echo "deb http://packages.ros.org/ros2/ubuntu jammy main" | sudo tee /etc/apt/sources.list.d/ros2.list编译Autoware.universe时必改的CMake参数：
set(BUILD_MAP_TOOLS ON) # 强制开启地图工具模块 set(USE_PRECOMPILED_FAST_PCL OFF) # 避免点云库冲突2. 航迹点录制全流程解析
2.1 实时录制模式实操
启动核心节点的正确顺序：
- 先启动RTK驱动节点
- 再启动NDT匹配节点
- 最后启动航迹记录器
# 终端1 - 硬件驱动 ros2 launch gnss_driver gnss_rtk.launch.py # 终端2 - 定位匹配 ros2 launch ndt_matching ndt_mapper.launch.py initial_pose_from_gnss:=true # 终端3 - 轨迹录制 ros2 run waypoint_recorder waypoint_recorder \ --ros-args -p save_path:=/opt/autoware/maps/custom_track.csv关键参数调节经验：
position_smoothing_window_size：建议设为15（平滑GPS跳动）velocity_threshold：设为0.3m/s可过滤停车抖动heading_offset：需现场用罗盘实测补偿值
2.2 后处理修正技巧
录制完成的轨迹需用awk命令快速清洗：
# 删除速度低于0.1m/s的无效点 awk -F',' '{if($5>0.1) print $0}' raw_track.csv > filtered.csv # 添加高程修正（适用于斜坡场景） awk -F',' '{printf "%s,%.3f\n", $0, $3*0.05}' filtered.csv > final.csv可视化校验的黄金组合：
ros2 launch autoware_launch logging_simulator.launch.xml \ map_path:=/opt/autoware/maps \ vehicle_model:=sample_vehicle \ sensor_model:=sample_sensor_kit3. 六大典型问题解决方案
3.1 轨迹漂移补偿方案
当出现如下情况时：
- 直线轨迹呈锯齿状
- 闭环时首尾偏差超过0.5m
修正步骤：
- 用
csvtool提取关键帧：csvtool -c 1,2,4 input.csv > keyframes.csv - 在QGIS中加载参考卫星图
- 执行仿射变换校正：
from scipy.ndimage import affine_transform corrected = affine_transform(points, matrix, offset=delta)
3.2 多传感器时间同步方案
硬件不同步会导致轨迹出现"鬼影"，我的解决方案：
- 用PTP协议同步所有设备时钟
- 在
ros2_control配置中添加时间补偿：clock_offset: gnss: 0.12s lidar: -0.05s - 使用
message_filters做软件级同步：sync_.registerCallback(boost::bind(&Callback, _1, _2));
4. 高级应用场景拓展
4.1 动态障碍物过滤录制
在人员密集区域录制时，在waypoint_recorder节点前插入：
self._sub = self.create_subscription( PointCloud2, '/filtered_points', self._callback, QoSProfile(depth=10))配合voxel_grid滤波器设置：
<voxel_grid> <leaf_size>0.5 0.5 0.5</leaf_size> <filter_field_name>z</filter_field_name> <filter_limit_min>0.3</filter_limit_min> </voxel_grid>4.2 多轨迹融合技巧
当需要合并多条示教轨迹时，使用我的Python处理脚本：
def merge_tracks(tracks): return pd.concat(tracks).sort_values('timestamp').drop_duplicates( subset=['x','y'], keep='last')权重分配策略：
- RTK定位点权重0.7
- 激光SLAM补偿权重0.3
- 人工修正点权重1.0
最后分享一个血泪教训：永远在第一次录制前执行ros2 service call /localization/trigger_node auto_initialize，否则NDT的初始位姿估计错误会导致整个轨迹旋转偏移。上周就因为这个失误，让无人车在园区表演了"爱的魔力转圈圈"，现场画面太美不敢看...
