Autoware项目中的autoware_common模块拆分与迁移
2025-05-24 17:51:57作者:贡沫苏Truman
背景介绍
在Autoware自动驾驶系统的开发过程中,autoware_common模块长期以来承担着提供基础功能的重要角色。随着项目规模的扩大和架构的演进,这个模块逐渐变得臃肿,包含了多种不同类型的工具和功能。为了提高代码的可维护性和模块化程度,Autoware开发团队决定对autoware_common进行拆分和重构。
拆分方案
经过技术评估和社区讨论,团队制定了将autoware_common拆分为三个独立模块的方案:
- autoware_cmake:专注于构建系统相关的功能,提供CMake工具链和构建配置
- autoware_utils:包含通用的工具类和实用函数,为其他模块提供基础支持
- autoware_lanelet2_extension:专门处理与Lanelet2地图格式相关的扩展功能
这种拆分方式遵循了单一职责原则,使得每个模块都有明确的功能边界,便于后续的维护和扩展。
迁移过程
迁移工作采用了渐进式的方式进行,主要包括以下关键步骤:
- 首先创建三个新的代码仓库,分别对应拆分后的模块
- 将autoware_common中的功能按照新的模块划分进行迁移
- 更新所有依赖autoware_common的模块,使其使用新的模块结构
- 确保下游项目(如scenario_simulator_v2)能够平滑过渡
- 最终归档autoware_common仓库,完成迁移
技术挑战与解决方案
在迁移过程中,团队遇到了一些技术挑战:
-
依赖关系管理:由于autoware_common被广泛使用,需要仔细处理依赖关系的变化。解决方案是逐步更新依赖,确保每个变更都经过充分测试。
-
向后兼容性:部分下游项目仍需要旧的autoware_common功能。为此,团队保留了autoware_common仓库的归档版本,为过渡期提供支持。
-
构建系统调整:拆分后需要重新设计CMake配置,确保各模块能够独立构建又保持必要的依赖关系。
项目影响
这次重构为Autoware项目带来了显著的改进:
-
代码组织结构更清晰:功能划分更加合理,开发者能够更容易地找到所需的功能实现。
-
构建效率提升:通过分离构建系统相关功能,减少了不必要的依赖,提高了构建速度。
-
维护成本降低:模块边界明确后,修改和扩展特定功能时的影响范围更可控。
-
更好的可扩展性:新的模块结构为未来功能扩展提供了更灵活的基础。
经验总结
这次成功的模块拆分和迁移为大型自动驾驶系统的架构演进提供了宝贵经验:
- 模块划分应该基于功能相关性而非代码量大小
- 渐进式迁移比一次性重写更可靠
- 必须考虑下游项目的兼容性需求
- 完善的测试保障是重构成功的关键
- 清晰的文档和沟通机制有助于社区协作
Autoware项目的这次架构优化不仅提升了当前系统的质量,也为未来的功能扩展奠定了更坚实的基础。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
8
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
279
暂无简介
Dart
640
147
Ascend Extension for PyTorch
Python
202
219
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
React Native鸿蒙化仓库
JavaScript
246
316
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
213
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.12 K
630
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
77
100