开源的自动驾驶框架

目前主流的开源自动驾驶框架 ，这类框架覆盖了从入门学习、算法研发 到工程落地、实车部署 的全场景，核心分为全栈式框架 （覆盖感知/预测/决策/规划/控制全流程，可直接对接实车）和模块化框架 （聚焦单一环节，适合算法定制开发），同时还有轻量化入门框架（适合新手快速上手）。

下面按**「全栈式工业级框架」「模块化研发框架」「轻量化入门框架」三大类梳理，每类都介绍 核心定位、代表框架、核心特点、适用场景**，同时补充框架的开发语言、部署适配、生态优势 ，兼顾新手入门、算法研究、工程落地的不同需求，覆盖目前最主流、维护最活跃的开源项目。

核心分类说明

全栈式工业级框架：自动驾驶全流程覆盖，有成熟的模块解耦、通信机制、实车适配方案，是企业/团队做实车开发的首选，代表为Apollo、Autoware；
模块化研发框架：聚焦感知/规划/控制等单一环节，算法灵活性高，适合科研人员做算法创新、论文复现，代表为OpenPCDet、LaneDetect；
轻量化入门框架：代码量少、逻辑清晰、依赖简单，适合编程/自动驾驶新手快速理解核心流程，代表为MiniAuto、SelfDrivingCarSim。

一、全栈式工业级开源自动驾驶框架（核心推荐）

这类框架是自动驾驶开发的主流选择 ，具备感知-预测-决策-规划-控制-车控的全栈能力，提供完善的工具链、仿真环境、实车适配接口，部分由大厂/顶级科研机构维护，生态活跃、文档齐全，可直接部署到真实车辆或高保真仿真平台。

1. Apollo（百度）------ 工业级落地首选，生态最完善

核心定位 ：百度开源的全栈式L4级自动驾驶框架，目前最成熟、落地场景最丰富的工业级开源框架，覆盖乘用车、商用车、矿卡、无人小巴等全车型，支持高速、城市道路、泊车、园区等全场景。
核心特点 ：
1. 全栈解耦：模块分为感知、预测、决策、规划、控制、车控、定位、地图、仿真等，基于Cyber RT低延迟通信，适配车载实时性要求（模块间延迟≤100ms）；
2. 算法成熟：规划模块为EM Planner（A*+DP+QP），支持超车/绕行/跟车等复杂场景，控制模块集成PID/MPC，感知支持多传感器融合（激光雷达+摄像头+毫米波雷达）；
3. 实车适配：原生支持速腾聚创、禾赛等激光雷达，特斯拉、Mobileye等摄像头，适配比亚迪、吉利等车企的底盘CAN总线；
4. 仿真完善：自带Apollo Sim高保真仿真平台，支持场景编辑、轨迹回放、算法验证，也可对接Carla、LGSVL仿真器；
5. 文档齐全：有详细的开发手册、实车部署教程、算法解析，社区活跃，问题反馈及时。
开发语言：C++（核心模块）+ Python（工具/仿真）+ CUDA（GPU加速）；
部署环境：Ubuntu 18.04/20.04，支持X86、ARM（Jetson Xavier/Nano）、百度昆仑芯等车载计算平台；
适用场景：企业实车开发、团队做自动驾驶项目、中高级开发者做算法落地优化；
开源地址：https://github.com/ApolloAuto/apollo

2. Autoware.Auto/Autoware.Universe（全球开源社区）------ 开源界标杆，适配低成本硬件

核心定位 ：由日本东京大学发起、全球社区维护的全栈式自动驾驶框架，是开源自动驾驶的标杆，主打**"低成本、易部署、跨平台"**，支持L2~L4级自动驾驶，覆盖城市道路、高速、园区等场景。
核心特点 ：
1. 两代架构：Autoware.Universe（基于ROS 2）为最新版，解耦更细、实时性更强；Autoware.Auto为经典版，适合入门；
2. 低成本适配：支持纯视觉感知（无激光雷达）、低成本激光雷达（如速腾聚创M1），降低开发门槛；
3. 模块化设计：核心模块基于ROS 2 Humble通信，支持模块热插拔，可快速替换自定义算法（如用自己的感知算法替换原生模块）；
4. 仿真与实车：对接Carla、LGSVL、Webots仿真器，原生支持Autoware Demo Car、雷克萨斯RX等实车，提供详细的实车改装教程；
5. 社区驱动：全球开发者贡献，算法更新快，支持多语言文档，适合国际合作项目。
开发语言：C++（核心模块）+ Python（工具/仿真）+ Rust（部分高性能模块）；
部署环境：Ubuntu 20.04/22.04，ROS 2 Humble，支持X86、ARM（Jetson系列）、瑞芯微等平台；
适用场景：科研机构算法研究、创业团队低成本开发、开发者做跨平台适配；
开源地址：https://github.com/autowarefoundation/autoware.universe

3. ROS 2 Navigation2（ROS官方）------ 低速移动机器人/园区自动驾驶首选

核心定位 ：ROS 2官方的导航/局部自动驾驶框架 ，主打低速（≤20km/h）、结构化环境（园区、工厂、仓储），覆盖定位、路径规划、避障、控制全流程，是园区无人车、AGV、配送机器人的核心框架。
核心特点 ：
1. 轻量高效：核心模块基于ROS 2，实时性强，单帧规划耗时≤10ms，适合低速实时避障；
2. 算法丰富：局部规划默认采用DWB（动态带宽窗口法），全局规划支持A*、Dijkstra、RRT*，定位支持AMCL（蒙特卡洛定位）、GPS+IMU融合；
3. 易扩展：支持自定义规划/控制算法，可快速对接激光雷达/摄像头/超声波雷达；
4. 仿真完善：原生对接Gazebo、Webots仿真器，支持场景编辑、避障测试；
开发语言：C++（核心）+ Python（工具）；
部署环境：Ubuntu 20.04/22.04，ROS 2 Humble/Galactic，支持X86、ARM（树莓派、Jetson Nano）；
适用场景：园区无人小巴、工厂AGV、仓储配送机器人、低速自动驾驶入门；
开源地址：https://github.com/ros-planning/navigation2

二、模块化开源自动驾驶框架（聚焦单一环节，适合算法研发）

这类框架不做全栈覆盖 ，而是聚焦自动驾驶的单一核心环节 （如感知、规划、控制、仿真），算法灵活性高、定制化强，适合科研人员做算法创新、论文复现，或开发者为全栈框架替换自定义算法。

（一）感知模块专属框架（目标检测/分割/车道线/定位）

OpenPCDet（香港中文大学）------ 3D点云感知标杆
- 核心：专注激光雷达3D点云目标检测，集成PointPillars、VoxelNet、CenterPoint等主流算法，支持模型训练、推理、部署，是自动驾驶3D感知的首选开源框架；
- 适配：支持KITTI、Waymo、NuScenes数据集，可导出ONNX模型对接Apollo/Autoware；
- 地址：https://github.com/open-mmlab/OpenPCDet
MMDetection3D（商汤/港中文）------ 多传感器3D感知集成
- 核心：基于MMDetection的多传感器融合3D感知框架，支持激光雷达、摄像头、毫米波雷达融合检测，集成2D/3D检测、分割、跟踪全算法；
- 优势：模块化设计，可快速搭建自定义融合感知算法，支持模型轻量化；
- 地址：https://github.com/open-mmlab/mmdetection3d
LaneDetect（社区）------ 车道线检测专用
- 核心：专注自动驾驶车道线检测/分割，集成ULFNet、LaneNet、CurveLane-NAS等主流算法，支持城市道路、高速、弯道等复杂场景的车道线检测；
- 适配：可直接输出车道线坐标，对接规划模块；
- 地址：https://github.com/Turoad/lanedet
RTAB-Map（社区）------ 视觉SLAM/定位
- 核心：基于视觉/激光雷达的SLAM与定位框架，支持实时建图、定位、回环检测，适合无高精地图场景的自动驾驶定位；
- 适配：原生支持ROS/ROS 2，可对接Navigation2、Autoware；
- 地址：https://github.com/introlab/rtabmap

（二）规划/控制模块专属框架

OMPL（开源运动规划库）------ 全局规划算法集
- 核心：专注运动规划算法，集成A*、Dijkstra、RRT*、PRM等上百种全局规划算法，支持自定义约束（如车辆动力学约束）；
- 适配：原生支持C++/Python，可对接Apollo/Autoware/Navigation2的规划模块；
- 地址：https://github.com/ompl/ompl
CasADi（瑞士联邦理工）------ 模型预测控制（MPC）专用
- 核心：专注优化算法求解，是自动驾驶MPC控制的核心开源框架，支持快速搭建MPC控制模型，求解多约束优化问题；
- 适配：支持C++/Python，可导出控制模型对接Apollo/Autoware的控制模块；
- 地址：https://github.com/casadi/casadi

（三）仿真模块专属框架（算法验证/场景测试）

Carla（西班牙马德里理工）------ 高保真自动驾驶仿真器
- 核心：开源高保真自动驾驶仿真平台，支持物理级车辆仿真、交通流模拟、天气/光照变化，可生成虚拟传感器数据（激光雷达/摄像头/雷达）；
- 适配：原生支持Python/C++，可对接Apollo/Autoware/Navigation2，支持算法端到端测试；
- 地址：https://github.com/carla-simulator/carla
LGSVL Simulator（LG）------ 车载级高保真仿真
- 核心：专为自动驾驶设计的高保真仿真器，支持城市道路、高速、园区等全场景，虚拟传感器数据精度接近真实硬件，支持实车框架无缝对接；
- 适配：原生支持Apollo、Autoware，可导入高精地图；
- 地址：https://github.com/lgsvl/simulator
Webots（Cyberbotics）------ 轻量化多机器人仿真
- 核心：跨平台轻量化仿真器，支持自动驾驶车辆、移动机器人仿真，内置丰富的车辆模型和传感器模型，操作简单；
- 适配：原生支持ROS/ROS 2，适合新手做算法快速验证；
- 地址：https://github.com/cyberbotics/webots

三、轻量化开源自动驾驶框架（适合新手入门）

这类框架代码量少（千行级别）、逻辑清晰、依赖简单 ，无复杂的模块解耦和通信机制，直接实现感知-规划-控制的核心流程 ，适合编程新手、自动驾驶入门者快速理解自动驾驶的核心逻辑，无需深厚的C++/ROS基础。

1. MiniAuto（社区）------ 极简自动驾驶入门框架

核心：基于Python的极简全栈自动驾驶框架，模拟感知（虚拟雷达）、规划（A*+DWA）、控制（PID）的核心流程，代码量仅千行，逻辑清晰；
特点：自带简易仿真界面，可直观看到车辆避障、路径跟踪的过程，支持自定义场景；
适用：纯新手，快速理解自动驾驶核心流程；
地址：https://github.com/610265158/MiniAuto

2. SelfDrivingCarSim（Udacity）------ 优达学城入门框架

核心：Udacity自动驾驶纳米学位的入门仿真框架，基于Python/Matlab，实现纯视觉车道线检测、定速巡航、简单避障的核心逻辑；
特点：有详细的教程和作业，适合边学边练，理解视觉感知和基础控制；
适用：编程基础薄弱，想从视觉感知入手的新手；
地址：https://github.com/udacity/self-driving-car-sim

3. SimpleAuto（社区）------ 基于ROS的轻量化入门框架

核心：基于ROS 1的轻量化自动驾驶框架，实现激光雷达定位、A*路径规划、DWA局部避障、PID控制的核心流程，模块解耦简单，适合ROS入门者；
特点：自带Gazebo仿真场景，可快速实现车辆在仿真环境中的自主导航；
适用：有Python/ROS基础的新手，过渡到工业级框架前的练习；
地址：https://github.com/gisbi-kim/SimpleAuto

四、不同需求的框架选择建议（核心参考）

🔹 纯新手入门（无编程/ROS基础）

优先选轻量化Python框架：MiniAuto → SelfDrivingCarSim，先理解核心流程，再学习Python/ROS。

🔹 算法研发/论文复现（科研人员/研究生）

感知方向：OpenPCDet → MMDetection3D（3D检测）、LaneDetect（车道线）；
规划方向：OMPL（全局规划）、CasADi（MPC控制）；
端到端验证：Carla/LGSVL（仿真） + 自定义算法。

🔹 低成本项目开发（创业团队/学生竞赛）

低速场景（园区/工厂）：ROS 2 Navigation2 → Autoware.Universe（纯视觉/低成本激光雷达）；
高速/城市简单场景：Autoware.Universe + 自定义感知算法。

🔹 工业级实车落地（企业/专业团队）

首选Apollo：生态完善、实车适配多、场景覆盖全，适合乘用车/商用车/矿卡等量产开发；
次选Autoware.Universe：开源社区驱动，低成本适配，适合无大厂资源的团队。

🔹 移动机器人/AGV（低速结构化环境）

直接选ROS 2 Navigation2：轻量高效、实时性强，原生支持避障和导航，适配各种低速移动机器人。

五、核心注意事项（框架使用避坑）

版本与环境匹配：工业级框架（Apollo/Autoware）对Ubuntu、ROS/ROS 2、CUDA版本有严格要求，务必按官方文档配置，避免版本冲突；
硬件适配成本：Apollo对车载硬件要求较高（建议Jetson Xavier/X86+3090），Autoware/Navigation2可适配低成本硬件（Jetson Nano/树莓派），按需选择；
仿真先行 ：任何算法开发都先在Carla/LGSVL/Apollo Sim中验证，再部署到实车，避免实车风险；
生态优先 ：选择维护活跃、社区大的框架（如Apollo、Autoware、OpenPCDet），避免使用无人维护的小众框架，遇到问题无解决方案。

总结

目前开源自动驾驶框架已形成**"全栈工业级框架做落地，模块化框架做算法创新，轻量化框架做入门"**的生态格局，核心要点如下：

全栈落地首选：Apollo（工业级、生态完善）、Autoware.Universe（低成本、开源社区）、ROS 2 Navigation2（低速移动机器人）；
算法研发首选：OpenPCDet/MMDetection3D（感知）、OMPL/CasADi（规划控制）、Carla/LGSVL（仿真）；
新手入门首选：MiniAuto（Python极简）、SelfDrivingCarSim（优达学城教程）；
核心原则 ：仿真先行、版本匹配、生态优先，根据自身需求（入门/研发/落地）和硬件条件选择框架，避免盲目追求"全栈"或"高难度"。

这些框架基本覆盖了自动驾驶开发的所有场景，且大部分相互兼容（如OpenPCDet的模型可对接Apollo，Carla可仿真Autoware），可根据需求组合使用，大幅降低开发成本。