1.2021 开源驾驶仿真平台测评
2.Windows的开源o开Ubuntu子系统下载Apollo EDU 发行版试验planning模块
3.carlta什么牌子的
4.终于把Apollo存储加密这件事搞定了 | 周末福利！
5.无人驾驶技术入门（十一）| 无人驾驶中的码a码CAN消息解析
6.分享Apollo全局规划（Routing）模块最全教程

2021 开源驾驶仿真平台测评

       终于，在沉迷论文之外，源代我开始上手生疏了快一年的开源o开实验和代码。一个萌新，码a码空降驾驶决策方向，源代ts代理源码除了真车以外，开源o开最大的码a码吸引力必然来自驾驶仿真器了。想想吧，源代每天的开源o开工作仿佛像是在给GTA V写合法外挂，心不心动？因此，码a码尽管学长们安利了CARLA，源代但是开源o开，既然电脑装得下，码a码我还是源代决定要把近几年新出的仿真器全试一试，再决定用最好的那个。

       作为一个贫穷的研究人员，我心目中理想的驾驶仿真器是这样的（优先度排列）：

       描绘出理想的模样，就该开始找候选人了。《年自动驾驶仿真蓝皮书》基本把现有的驾驶仿真器都列举了一遍，经过快速的检查，首先排除以下商业仿真平台：

       CarSim, CarMaker, Cognata, rFpro, VTD, AAI, TAD Sim (腾讯，未找到开放网址), Metamotor (年被收购), GaiA, Sim-One, PanoSim, Parallel Domain (这个的demo是真的好看), CarCraft (Waymo内部使用，不对外开放), VI-WorldSim, PTV Vissim

       许愿一个大佬测评以上软件，如果大家众筹让我测评也不是不可以（手动狗头）。

       顺带一体，所有基于GTA V的仿真器似乎在几年前已经被R星叫停了，考虑到版权因素，应该在有发表需求的研究里是不能用了（但私底下谁不想拿它玩一玩呢）。

       在剔除了海量精美的付费软件之后，清单上剩余的免费/开源仿真器就屈指可数了。

       接下来，将从应用场景，用户体验，安装难易度等方面对这些软件进行测评，部分仿真器提供视频展示（流量预警）

       测试环境：Ubuntu . + CUDA .2 + NVIDIA Driver ..

       硬件配置：i9-X CPU + GB RAM + RTX Super GPU (8GB)

       警告 CARLA

       仿真器简介：Carla是一个开源的驾驶仿真器，由C++ 和虚幻引擎构成。通常适用于驾驶决策仿真任务。可输出的数据模态包括图像，激光雷达，雷达，语义，GPS，IMU等，可自由配置。

       安装指南： CARLA Simulator

       Carla官方的安装文档已经非常成熟了，如果只是运行仿真器，下载可运行程序就够了。想自己折腾的就从源码开始编译，我写文章的时候0.9.还不够稳定，推荐0.9.，无脑跟教程走只会遇到一个bug。就是make build的时候libboost目前调用的是1..0版本：

       首先，你需要手动下载boost-1..0的压缩包；其次，如果你在编译过程中遇到了什么字符相关的库找不到的报错，可能是因为boost-1..0某些版本中这个悲伤的bug导致的，就是自定义的函数命名和默认C语言库起了冲突（大致是这个原理，具体细节还请放过一个三年没写C的孩子）。处理方法要参考 这里，解压boost-1..0，将自定义的string.h 和调用这个库的所有地方改成其他名字，然后再打包，bootstrap java 源码扔到/Build 下面；最后，记得在/Util/BuildTools/setup.sh 的对应行进行修改，以防build过程中自动删了你改过的包。

       如果是走Linux Build路线又想要可直接运行的./CarlaUE4.sh，在make launch成功后跑一下make package就行了。这一个细节不知道为什么官方文档上写得不是特别清楚，可能是他们觉得太简单，我们可以自行领悟吧。

       用户体验：

       在体验完一圈驾驶仿真器之后，看到CARLA我真是感动得泪流满面，简直是出走后四处碰壁的游子回到了温暖的家。经典果然还是经典，CARLA的动力学仿真确实是所有仿真器中最正常的，天气系统和NPC的行为也非常正常，应该是一直在优化的。基本上驾驶决策常用的数据模态都有提供（事件相机和红外相机没有，这是AirSim的独门绝技），获取也很方便，总之一句话，赞美CARLA。

       仿真器展示：

       SUMO

       仿真器简介：SUMO 全称 Simulation of Urban MObility，是一个开源的驾驶仿真器，主要用于交通流仿真，也可用于车间通讯仿真、验证交通模型等任务。

       安装指南：sudo apt-get install sumo sumo-doc sumo-tools

       仿真器部分功能展示：

       最开始，看到这个软件简陋的界面时，我以为大概没什么好说的，然而，很快，我看到了前人的SUMO使用心得。对不起，是我头抬得太高了。

       SUMO仿真文档_妈妈说不要造轮子-CSDN博客

       SUMO使用技巧_妈妈说不要造轮子-CSDN博客

       由于SUMO的仿真任务和我没有太大关联，而且仿真大程度上依赖于用户自己导入的数据，而我手头暂时没有，所以就放一张从 OpenStreetMap导入到SUMO的地图吧～

       看起来很简陋？放大地图后，每个路口的细节都标注得一清二楚。我开始心动了。

       而从年开始，CARLA开始支持和SUMMO，VISSIM 联合仿真。我觉得自己好了，自己行了，下一期测评就它吧（如果没有教程的话可以考虑写一版了）。

       MATLAB - 自动驾驶工具包 & RoadRunner

       码着，过两周有空再写。计划要用RoadRunner和CARLA快乐联动，不过好像地图太大会导入事故，反正卫星先放着。

       LGSVL

       仿真器简介：这是由LG公司基于Unity开发的驾驶仿真器。适用于驾驶决策任务。输出的数据模态包括图像，激光雷达，雷达，语义，GPS，IMU等，可以通过json文件自由配置。

       安装指南： Installation procedure - SVL Simulator

       确认配置符合要求之后，直接下载即可。源码安装gemLinux下记得右键性质，允许程序运行。

       用户体验：

       从可视化交互界面来说，LGSVL是做的最好的。一键变天，一键加传感器，包括上传代码，全部可以在网页界面完成。但是呢，车的动力学着实有点迷惑，您的车是完全没有摩擦力的吗？按下前进键之后，即使松开，地面也仿佛没有摩擦力一般，车辆会一直保持匀速前进。但是如果想用这个仿真器来做模仿学习，录入数据大概会很痛苦。点云的仿真很有问题，肉眼可见的有误差。npc也是非常迷惑，比如，骑自行车的人比开车的还快；过马路的时候只要绿灯了，npc车辆就直接从npc附近碾过去。而目前还没有提供改npc的接口。此外，目前提供的地图还太少了。如果再过几年，可能会成长成一个厉害的仿真平台，目前只能持观望态度了。

       Apollo

       仿真器简介：由百度-阿波罗开发的驾驶仿真平台。少数既可以在线仿真，也可以自己电脑安装运行的仿真器。适用于驾驶规划仿真，路径预测等任务。

       安装流程：

       用户体验：

       革命尚未成功，同志仍需努力。离成为一款成熟的仿真器，Apollo还有很长时间要走。官方提供的场景比较少，大型地图屈指可数，文档支持也不够完善。封装得比较严实，不过改地图，放npc的自由设置空间还是有的。再过几年，还是有潜力成长成一个优秀的仿真器的。

       仿真器展示：

       AirSim

       仿真器简介：由微软开发的仿真器，基于虚幻引擎。主要面向无人机仿真，也提供了驾驶仿真的接口。适用于驾驶决策仿真任务。输出的数据模态包括GPS，IMU，RGB图像，深度图，语义分割，红外相机，事件相机，点云（需要额外配置）。

       安装指南： Welcome to AirSim

       用户体验：

       这款仿真器更适合Windows系统用户。Github上提供的地图适用于驾驶仿真的寥寥无几，而虽然AirSim可以从 Unreal Engine Market中获取更多可用于自动驾驶的ios心率源码地图，其中绝大多数都只兼容Windows，最终导致在Linux中适用于自动驾驶任务的只有一款非洲大草原。

       仿真器展示 启动任意地图都会加载setting.json 文件的配置，子窗口的内容需要按0 才会显示。

       SUMMIT

       论文： SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic

       适用任务：驾驶决策仿真

       输出数据：RGB图像，点云，深度图，语义分割，碰撞判定等，CARLA有的它都有。

       安装指南： Ubuntu .安装基于CARLA的SUMMIT无人驾驶仿真平台

       不建议在.上安装，可能会因为clang版本出现大问题。Ubuntu ./.挺好的。

       用户体验：

       在测评开始之前，我期望值最高的一款仿真器就是SUMMIT，按照论文所宣称的，这是“CARLA的改进版“，”能够模拟更为复杂的交通情况“，”利用SUMO轻松导入世界地图“。而实际情况呢？这款软件很大程度上照搬了CARLA 0.9.8，对应了两年前的UE4.，这一前置条件已然导致了虚幻引擎在现有的Ubuntu上闪退概率更高。而在我千辛万苦装上之后，原创的demo程序一个也跑不起来，根据写得奇烂无比的官方文档——我第一次看到民间教程能比官方写得更详细靠谱的，只能模模糊糊猜它的地图导入方法——依旧繁琐复杂。最终，不祥的预感在我查到了论文的发表时间时达到了顶峰，年ICRA accept，大概从投稿之后，作者就没有再积极地维护过整个路径，最新的更新（.）只是改了改依赖的SUMO版本和PythonAPI中的小细节。可以看出，作者根本没有随着引擎更新和CARLA更新进度改进仿真器的动力。对于任何试图长期使用这款仿真器的人来说，这都是一个危险的信号。

       Udacity

       Term 1 - 车道保持；Term 2 - 轨迹定位 & 追踪；Term 3 - 高速场景下的轨迹规划。

       适用任务：驾驶决策任务体验与教学

       安装指南：

       如果顺利的话，会看到这样的界面，选择分辨率和画质，然后就能开始仿真了。

       用户体验：

       作为一款和在线课程绑定的驾驶仿真平台，Udacity的优点和缺点都很明显：安装最为方便快捷，几乎对电脑配置没有要求。另一方面，场景少得可怜，动力学模拟差到悲伤。只适合用于了解自动驾驶决策模型的设计原理和流程，无法实际应用。

       此外，Udacity有一个致命问题，它在Ubuntu下并不稳定。我是并行安装所有平台的，结果刚打开最先安装好的Udacity，它就快乐地崩了，电脑重启，我+GB的内容全部得重新下载（╯－＿－）╯╧╧

       TORCS

       适用任务：驾驶决策任务体验与教学

       仿真器简介：TORCS本职是一款游戏，但是优秀的前辈们通过各种蛇皮操作，让它同样可以应用于驾驶仿真中。最开始，我对TORCS非常嫌弃，在线捐款 源码这都年了，怎么还有人会用这种分辨率的软件。但是，考虑到现实中，很多本科生是买不起显卡的，而这是为数不多不需要显卡就能跑的仿真器，还拥有过相当大的用户基数和多样的地图库，所以，对于特定人群来说，这个仿真器恐怕还是无可替代的。

       安装流程： Ubuntu.搭建 TORCS无人驾驶训练 开发环境

       gcc版本如果太高会编译失败，我用gcc-5过了，注意，Ubuntu .不支持低于gcc-7的版本。

       仿真器展示：

Windows的Ubuntu子系统下载Apollo EDU 发行版试验planning模块

       在Windows系统上使用Linux的方法主要有三种：安装双系统、使用虚拟机+Linux和Windows 的WSL（Windows Subsystem for Linux）。前两者需要较复杂的操作且存在一定的硬件要求，而WSL则较好地解决了这些问题，使得在Windows系统上运行Linux变得更加简便。

       接下来，我们开始下载Apollo EDU发行版。首先，需要下载并运行EDU下载脚本，通常该脚本会自动下载并解压Apollo EDU发行版，省去了手动下载和解压的步骤。

       为了运行Apollo EDU，需要安装并配置docker。若电脑已安装并配置好docker，则可略过此步骤。对于centos7的内核，推荐使用脚本安装docker，而centos6则使用客户端命令进行安装。安装过程可能会提示需要输入密码并可能需要重启电脑，按照提示操作即可。

       安装成功后，进入脚本文件夹并执行命令启动Apollo环境。如果一切正常，将会有相应提示。启动完毕后，在同一目录下执行命令进入环境，此时脚本文件夹会被挂载到容器的/apollo_workspace中。

       在Apollo环境中，可以编译planning源码包。使用特定的命令指定编译工具并引入planning的源码进行编译。除了planning模块，还可以引入其他模块如dreamview、routing、task_manager和monitor等，具体方法为输入相关命令查看。编译时，确保在工作空间目录下执行脚本编译命令。首次编译可能需要从网上拉取部分依赖包，受网速和电脑配置影响，整个过程可能需要分钟左右，请耐心等待。编译完成后，环境变量需要手动刷新。

       进行planning的调试时，可以运行dreamview。若已启动dreamview，可使用命令重启dreamview进程。dreamview和monitor会自动启动，通过浏览器访问localhost:即可打开dreamview。

       要进入sim control仿真模式进行调试，选择MKz Standard Debug菜单下的车辆型号、地图以及Sim Control。点击左侧Module Control栏，启动需要调试的模块进程，如Planing和Routing模块。设置车辆仿真行驶路径，拖动或点击鼠标在地图中设置路径。发送路由请求后，可以观察到red line是routing模块搜索出的路径，而planning模块实时规划的局部路径显示为light blue track。

       若需对planning模块进行调试，直接修改工作空间中的planning源码即可。修改完成后，重新运行编译脚本并重启dreamview中的planning模块即可。整个流程中，通过Windows环境下的WSL和Apollo EDU发行版，使得在Windows系统上实现Linux应用开发与调试成为可能。

carlta什么牌子的

       Carlta并不是一个广为人知的独立品牌，而是Apollo自动驾驶系统中的一个重要组成部分。下面我将详细解释Carlta的相关信息。

       首先，Carlta是百度Apollo自动驾驶开放平台中的一个开源软件系统，用于支持自动驾驶汽车的研发和测试。Apollo是百度在自动驾驶领域的重要成果，旨在通过开放源代码和技术，推动自动驾驶技术的普及和发展。Carlta作为Apollo的一部分，专注于提供定位、感知、规划、控制等核心自动驾驶功能。

       其次，Carlta系统具有高精度地图、定位、传感器数据处理、路径规划和车辆控制等模块。它利用激光雷达、摄像头、超声波传感器等多种传感器，实现车辆对周围环境的感知和理解。通过这些感知数据，Carlta能够为自动驾驶车辆提供实时的决策和控制指令，确保车辆在复杂的道路环境中安全行驶。

       最后，在实际应用中，Carlta与Apollo平台的其他组件紧密集成，共同实现自动驾驶功能。例如，在自动驾驶测试车辆上，Carlta系统可以接收并处理来自车载传感器的数据，根据这些数据生成车辆行驶的决策和控制指令。这些指令通过车辆控制系统执行，使车辆能够自主驾驶，并应对各种交通状况。

       总的来说，Carlta不是一个独立的品牌，而是百度Apollo自动驾驶平台中的一个关键系统，它为实现自动驾驶提供了重要的技术支持。通过开源和共享，Carlta推动了自动驾驶技术的进步，并为未来的智能交通系统奠定了基础。

终于把Apollo存储加密这件事搞定了 | 周末福利！

       作者：尹吉欢 转自：微信公众号“程序员私房菜”

       本文节选自《Spring Cloud微服务入门实战与进阶》

       敏感配置，如密码等，我们期望进行加密存储，确保其安全性。然而，Apollo框架并未提供数据加密功能。若想实现此功能，有两种方法：一是修改Apollo源码，添加加解密逻辑；二是利用第三方框架进行数据加密。

       jasypt-spring-boot是一款基于Spring Boot开发的框架，它可自动解密properties中加密的内容。在Apollo中，我们也可以利用jasypt-spring-boot实现数据的加解密操作。

       jasypt-spring-boot的GitHub地址：github.com/ulisesbocchi...

       使用jasypt-spring-boot提供的方法对需要加密的配置进行加密，然后将加密内容配置在Apollo中。项目启动时，jasypt-spring-boot会解密Apollo加密的配置，让使用者获取解密后的内容。

       创建一个新的Maven项目，并加入Apollo和jasypt的依赖。具体依赖信息如下：

       创建一个加密的工具类，用于加密配置。执行main方法后，可以得到如下输出：

       input就是hello加密后的内容，将input的值复制存储到Apollo中。存储格式需要遵循一定规则，即需要将加密内容用ENC包起来，这样jasypt才会解密这个值。

       使用时可以直接根据名称注入配置，例如：

       input的值就是解密后的值，使用者无需关心解密逻辑，jasypt框架在内部处理好了。

       jasypt整合Apollo也存在一些不足之处。目前，我只发现了以下两个问题：

       上述两个问题与jasypt实现方式有关，意味着这种加密方式可能仅适用于数据库密码等场景，启动时可以解密，且仅使用一次。对于需要加密的核心业务配置，jasypt无法支持实时更新。下章节我将讲解如何修改Apollo源码来解决这两个问题。

       扩展Apollo支持存储加解密

       前文介绍了如何使用jasypt为Apollo中的配置进行加解密操作，基本需求可实现。但仍存在一些不足之处。

       jasypt仅在启动时解密带有ENC（xx）格式的配置，当配置发生修改时无法更新。由于Apollo框架本身不具备对配置加解密的功能，若想实现加解密并支持动态更新，就需要修改Apollo源码来满足需求。

       修改源码需要重新打包。这里介绍一种简单实现方法：创建一个与Apollo框架中相同类名的类进行覆盖，这样无需替换已使用的客户端。

       若配置中心存储的内容是加密的，意味着Apollo客户端从配置中心拉取下来的配置也是加密的。我们需要在配置拉取下来后对其进行解密，然后再执行后续流程，如绑定到Spring中。在业务点进行切入后，配置中心加密的内容可自动转换为解密后的明文，对使用者透明。

       通过分析Apollo源码，我找到了一个最合适的切入点来完成这项任务，即com.ctrip.framework.apollo.internals.DefaultConfig类。DefaultConfig是Config接口的实现类，配置的初始化和获取都会经过DefaultConfig的处理。

       在DefaultConfig内部有一个更新配置的方法updateConfig，可在该方法中对加密数据进行解密处理：

       这里使用AES进行解密，意味着配置中心的加密内容也需要使用相同的加密算法进行加密。至于格式，仍使用ENC(xx)格式来标识加密配置内容。解密后将明文内容重新赋值到Properties中，其他流程保持不变。

       创建一个加密测试类，加密配置内容，并将其复制存储到Apollo中。输出内容如下：

       Ke4LIPGOp3jCwbIHtmhmBA==

       存储到Apollo中时，需要用ENC将加密内容包起来，如下：

       test.input = ENC(Ke4LIPGOp3jCwbIHtmhmBA==)

       使用之前的代码进行测试，Config获取和Spring注入的方式可以成功获取到解密后的数据，并且在配置中心修改后也能实时推送到客户端并成功解密。

       本文摘自于《Spring Cloud微服务入门实战与进阶》一书。这是朋友写的一本新书，豆瓣评分8.2。

无人驾驶技术入门（十一）| 无人驾驶中的CAN消息解析

       前言

       本文聚焦于无人驾驶技术中至关重要的CAN总线机制。在无人驾驶系统中，CAN总线扮演着不可或缺的角色，不仅用于传输VCU信号，还涉及雷达、Mobileye等传感器的数据交换。

       实现一个完整的无人驾驶系统需涉及感知、融合、规划与控制等多个层级。在这篇分享中，重点探讨了“驱动层”相关的CAN总线内容。

       正文

       作为高效可靠的通信机制，CAN总线在汽车电子领域广泛应用。本文着重于解释在无人驾驶系统接收到CAN消息后，如何利用CAN协议解析出所需数据，解析传感器信息是自动驾驶工程师的核心技能。

       认识CAN消息

       以Apollo开源代码为例，剖析CAN消息结构，包括ID号、长度、数据和时间戳。ID号用于确认节点间通信，扩展帧和普通帧的区分依据于此。长度表示数据量，最多8个无符号整数或8*8个bool类型数据。数据部分是消息的核心，通过8*8方格可视化，解析变得直观。时间戳记录接收时刻，用于判断通信状态。

       认识CAN协议

       业界使用后缀为dbc的文件存储CAN协议，Vector公司的CANdb++ Editor软件专门用于解析dbc文件。Mobileye的车道线信息通过dbc文件格式传递，以ID号0x的LKA_Left_Lane_A为例，解析信号包括类型、质量、曲率等物理量。通过软件界面直接关联彩色图与data，解析过程变得清晰。

       解析CAN信号

       解析过程基于彩色图与data的一一对应关系，通过叠加图表，揭示数据结构。对于Factor为1的物理量，解析直接。Factor为小数的物理量则需运用位移运算。以Apollo源码为例，通过移位和位运算解析出完整物理量。

       与CAN类似的通信协议

       虽然传感器采用不同通信方式，如雷达、激光雷达、GPS和惯导，但解析方法保持一致。解析的关键在于理解信号的类型、值和单位。

       结语

       本篇分享全面解析了CAN总线消息的解析过程，涵盖了无人驾驶系统驱动层的基本理论。解析ID不同的CAN消息结构要求高度细致，避免后续处理中的意外错误。如有疑问，欢迎在评论区互动。赞赏与关注是对文章价值的直接体现。

       获取相关软件和文件的方法，请关注公众号：自动驾驶干货铺，后台回复“CAN”获取。更多Mobileye资料和技术支持，值乎平台提问。

分享Apollo全局规划（Routing）模块最全教程

       本文提供Apollo全局规划（Routing）模块的全面解读，旨在帮助学习全局路径规划及理解Apollo框架。资料内容丰富，覆盖源代码注释（包含详尽代码注释）、流程图（使用思维导图及各种框架流程图）、核心算法解读（每个涉及算法均有解析及推导）、相关软件工具链学习（如C++、Python、ROS、Ubuntu、Git等）、行业现状及报告等多个方面。此套资料颗粒度极高，总结整理不易。

       如需获取资料，请私聊或访问链接：mbd.pub/o/m/author-aWuU...

       获取资料后，后续有任何问题可随时咨询。

       以下是学习资料列表概览：

       资料数量众多，每份文档通常超过几十页，内容详细深入。部分资料截图如下：

       扩展学习资源：

       欲了解Apollo其他模块，推荐以下资源：

       分享Apollo决策规划（planning）模块最全教程 - 知乎 (zhihu.com)

       分享Apollo预测（prediction）模块最全教程 - 知乎 (zhihu.com)

       分享Apollo控制（control）模块最全教程 - 知乎 (zhihu.com)

Apollo6.0安装文档教程——环境搭建、安装、编译、测试

       一、环境搭建

       为了安装Apollo 6.0，您需要以下环境准备：

       Ubuntu .，安装教程参阅相关资源。

       NVIDIA显卡驱动，根据官方指南进行安装。

       Docker引擎，Apollo安装步骤中完成。

       NVIDIA容器工具，Apollo安装步骤中完成。

       安装过程中，请确保禁用nouveau驱动，操作步骤如下：

       在终端中添加指定内容至文件末尾并保存，然后重启系统。重启后执行命令，检查禁用状态。

       二、下载源码

       前往Apollo下载地址，选择对应版本。

       三、安装

       安装Docker：进入Apollo 6.0的docker目录，执行安装命令。安装完成后，重启电脑。

       安装NVIDIA容器工具：与Docker安装同步进行。

       创建Apollo容器：下载所需image，此过程可能耗时较长。成功后，会显示“[OK], Enjoy!”。

       进入容器：执行相关命令。

       四、编译与测试

       编译Apollo：根据容器中的GPU状态（有或无）进行编译。可能遇到的warning如“DimsNCHW”被标记为过时，这是正常现象，不会影响后续使用。

       启动Dreamview：可能遇到权限问题，使用chmod进行授权。如果问题仍未解决，授权整个Scripts目录并执行。

       Dreamview查看：在浏览器中输入ponents.config.config_file_path 指定配置文件路径，文件中的参数在组件初始化时被读入 ProtoBuf 对象。

       1.2 gflags 命令行参数

       gflags 参数通过 module_config.components.config.flag_file_path 指定，文件中的命令行参数在初始化时由 gflags 解析。

       2. 配置参数读取流程

       主入口文件 (apollo/cyber/mainboard/mainboard.cc) 的 main 函数负责加载 DAG 文件并启动模块。解析命令行参数、读取 DAG 文件、执行模块加载逻辑。

       2.1 加载 DAG 文件

       解析命令行参数形成 ModuleArgument，用于存储参数信息。执行主流程时，ModuleController 负责加载所有模块，并处理模块组件的注册、实例化和初始化。

       2.2 读取配置参数

       ModuleController 通过 LoadModule 方法读取模块配置，具体步骤涉及读取 ProtoBuf 参数和 gflags 命令行参数。

       3. 总结

       本文通过分析 Planning 模块的配置读取过程，清晰展示了 Apollo 8.0 中配置参数的完整读取流程。通过理解这一过程，开发者能够更深入地掌握 Apollo 的模块启动和配置机制。