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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
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
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (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
1.21 K
660