Autoware 是由 The Autoware Foundation 维护的软件堆栈，其目标是支持将实现自动驾驶移动性（mobility）的开源项目。它有许多来自工业和学术环境的成员。在 2020 年，已经有 Autoware 项目：
- Autoware.AI: 它基于 ROS1。这是第一个 Autoware 项目，其目标是成为自动驾驶的研发平台。它的主要用途是在学术界。
- Autoware.IO: Autoware 的接口，可以使用专有软件和第三方库进行扩展。它包含传感器驱动程序（ sensor drivers），有线控制器（by-wire controllers），片上系统（hardware-dependent programs for System on Chip，简写 SoC）板的硬件相关程序等。
- Autoware.Auto: 它基于 ROS 2，提供实时（Real-Time，简称 RT）功能和更多安全措施，从而使它对于现实世界中的关键应用程序更加可信。它是为确保使用最佳开发实践而进行的最新开发，因此可以快速适应Autoware.ai。有关如何完成从 ROS1 到 ROS2 的迁移的更多详细信息，请参见 here。
2020年5月，Autoware.Auto 具有使用 LIDAR 和 GPS 的全面定位功能，对 2D 和 3D 中其他交通参与者的完整感知（可以分类，推断其速度和预期路径），相对简单的动作运动计划以及有关 在分段语义图中突出显示环境，例如，突出显示车道，人行横道，交通信号灯等。
相对于 ROS1，ROS2 的一些优点是：
- Quality of desing and implementation.
- System reliability.
- Real-time control and deterministic execution.
- Validation, verification and certification.
- Flexibiliity in communication.
- Support for small embedded systems.
1 开发环境
使用的开发环境是 ADE，它是 Docker 的包装器，它允许与 Docker 交互（例如启动/停止 docker），轻松配置和 docker 卷版本控制。
# ADE Installation
$ cd ${HOME}
$ mkdir adehome # Create a persistent environment to store the things that must persist between ADE sessions
$ cd adehome
$ wget https://gitlab.com/ApexAI/ade-cli/uploads/85a5af81339fe55555ee412f9a3a734b/ade+x86_64 # Fetch ADE binary from GitLab
$ mv ade+x86_64 ade # Rename it to "ade"
$ chmod +x ade # Give execution rights
$ mv ade ~/.local/bin # Move it to a proper location
$ which ade # Check its location
adehome 可以自定义名称，主要用于创建一个持久性环境来存储在 ADE 会话之间必须持久化的事物。
如果主机系统安装了 NVIDIA GPU（其驱动程序），则必须安装 NVIDIA Docker，如其官方资料库所述。要在Ubuntu / Debian系统中安装它的命令如下：
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
sudo systemctl restart docker
最后，要设置 ADE 环境，应遵循以下步骤：
# ADE Setup
$ touch .adehome # Create an empty configuration file
$ git clone --recurse-submodules https://gitlab.com/autowarefoundation/autoware.auto/AutowareAuto.git # Clone Autoware.Auto
$ cd AutowareAuto/
$ ade start
$ ade enter
2 安装 ROS 2 和 Autoware.Auto
Autoware.Auto 使用 ROS2 Dashing，它已经安装在 ADE 中（安装在 /opt/ros/dashing/ 中）。可以通过运行 ade$ ros2 -h 来确认安装，并且可以使用以下命令执行基本的 talker / listener 示例：
ade$ ros2 run demo_nodes_cpp talker
ade$ ros2 run demo_nodes_cpp listener
可以使用 apt 软件包管理器将一些其他系统软件包安装在 ADE 中，如下所示：
ade$ sudo apt update
ade$ sudo apt install ros-dashing-turtlesim
ade$ sudo apt install ros-dashing-rqt-*
ade$ sudo apt install byobu
注意：在 ade stop 和 ade start 之间，这些安装将丢失。如果其持久性很重要，则应将其放置在 adehome 中。
关于 Autoware.Auto，它也已经安装在 Docker 映像中。 安装位于 /opt/Autoware.Auto/ 中，该目录构造为 docker 卷。要从源代码安装它，可以使用以前克隆的版本以及以下命令序列：
ade$ cd AutowareAuto
ade$ colcon build
ade$ colcon test
ade$ colcon test-result
3 目标检测演示
这是一个基于 LIDAR 的目标检测演示。首先要做的是下载预先记录的 pcap file，它是在 Palo Alto 中行驶时记录的 UDP 软件包的集合。该文件应移到 adehome 目录中名为 data/ 的文件夹中。接下来，应从以下 ApexAI 存储库（从 ADE 环境内部）克隆配置文件：
ade$ git clone https://gitlab.com/ApexAI/autowareclass2020.git ~/autowareclass2020
下一步是将指定的每个命令之前获取 Autoware.Auto 工作区。这是通过在 ADE 终端中执行以下操作来完成的：
ade$ source /opt/AutowareAuto/setup.bash
设置完所有内容后，可以“重放数据并启动 ROS 2 节点” **，后者将处理输入点云以在检测到的对象周围创建 3D 边界框。这些是要执行的命令：
# Replay and broadcast the UDP data from the pcap file (adding "-r -1" will replay it in a loop)
ade$ udpreplay ~/data/route_small_loop_rw-127.0.0.1.pcap
# Launch RViz 2 to visualize the data
ade$ rviz2 -d /home/${USER}/autowareclass2020/code/src/01_DevelopmentEnvironment/aw_class2020.rviz
# Launch the Velodyne driver to convert the raw LIDAR data into pointclouds
ade$ ros2 run velodyne_node velodyne_cloud_node_exe __ns:=/lidar_front __params:=/home/${USER}/autowareclass2020/code/src/01_DevelopmentEnvironment/velodyne_node.param.yaml
# Robot State Publisher. Publishes the transforms between the coordinate system of the car and the one of the LIDARs on the roof
ade$ ros2 run robot_state_publisher robot_state_publisher /opt/AutowareAuto/share/lexus_rx_450h_description/urdf/lexus_rx_450h.urdf
# Point Cloud Transformer. Will transform the pointlouds (in the LIDARs' coordinate frames) to the base coordinate frame of the car
ade$ ros2 run point_cloud_filter_transform_nodes point_cloud_filter_transform_node_exe __ns:=/lidar_front __params:=/opt/AutowareAuto/share/point_cloud_filter_transform_nodes/param/vlp16_sim_lexus_filter_transform.param.yaml __node:=filter_transform_vlp16_front
# Ray Ground Classifier differenciates the data corresponding to the ground from the one corresponding to objetcs
ade$ ros2 run ray_ground_classifier_nodes ray_ground_classifier_cloud_node_exe __ns:=/perception __params:=/opt/AutowareAuto/share/autoware_auto_avp_demo/param/ray_ground_classifier.param.yaml
# Convert the non-ground points into obstacles to be avoided
ade$ ros2 run euclidean_cluster_nodes euclidean_cluster_exe __ns:=/perception __params:=/opt/AutowareAuto/share/autoware_auto_avp_demo/param/euclidean_cluster.param.yaml
