Apollo自动驾驶平台:如何将Cyber Recorder录制数据存储至外接硬盘
2025-05-07 16:42:54作者:胡唯隽
背景介绍
在Apollo自动驾驶平台的开发过程中,使用Cyber Recorder工具录制传感器数据是常见的操作。然而,由于设备自带存储空间有限,当需要长时间录制大量数据时,存储空间很快就会耗尽。本文将详细介绍如何通过外接移动硬盘来解决这一问题。
存储方案设计
默认存储位置分析
默认情况下,Cyber Recorder会将录制的数据存储在Docker容器内部。这种设计虽然简单直接,但存在两个主要问题:
- Docker容器本身的空间限制
- 主机设备的存储容量有限
外接存储方案优势
使用外接移动硬盘作为存储介质具有以下优势:
- 存储容量可扩展,支持长时间数据录制
- 数据管理更加灵活,便于后期分析和处理
- 不影响系统运行性能
具体实现步骤
准备工作
- 确保外接硬盘已正确连接到设备
- 确认硬盘已格式化为兼容的文件系统(如ext4、NTFS等)
实施步骤
1. 创建挂载目录
在Apollo工作目录下创建专用的数据存储目录:
cd apollo
mkdir -p data/bag
这个目录将作为外接硬盘的挂载点。
2. 挂载外接硬盘
执行以下命令将外接硬盘挂载到指定目录:
sudo mount /dev/sdb1 data/bag
注意事项:
/dev/sdb1需要替换为实际的外接硬盘设备标识- 建议使用
lsblk命令确认硬盘设备标识 - 如需自动挂载,可配置
/etc/fstab文件
3. 使用Cyber Recorder录制数据
挂载完成后,即可使用Cyber Recorder指定存储路径:
cyber_recorder record -a -o=data/bag
参数说明:
-a:录制所有通道数据-o:指定输出目录
高级配置建议
1. 自动挂载配置
为避免每次重启后手动挂载,可以在/etc/fstab中添加如下配置:
/dev/sdb1 /apollo/data/bag ext4 defaults 0 2
2. 存储路径优化
建议采用日期时间命名的子目录结构,便于数据管理:
cyber_recorder record -a -o=data/bag/$(date +%Y%m%d_%H%M%S)
3. 权限管理
确保Docker容器有权限访问挂载目录:
sudo chmod -R 777 data/bag
常见问题排查
-
挂载失败:
- 确认硬盘设备标识正确
- 检查文件系统类型是否匹配
- 确保挂载点目录存在
-
写入权限问题:
- 检查目录权限设置
- 确认SELinux或AppArmor未限制访问
-
存储空间不足:
- 使用
df -h命令确认硬盘挂载成功 - 检查硬盘实际可用空间
- 使用
性能优化建议
- 使用SSD硬盘可获得更好的写入性能
- 避免同时进行大量数据读写操作
- 定期清理或归档历史数据
总结
通过外接移动硬盘扩展Apollo平台的存储能力,是解决长时间数据录制需求的实用方案。本文介绍的方法不仅适用于Cyber Recorder工具,也可应用于其他需要大容量存储的场景。合理配置存储方案,将为自动驾驶系统的开发和测试提供更可靠的数据支持。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.31 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
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++
946
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (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
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212