概述

系统架构

下图说明了 openpilot 的高层架构，展示了主要组件及其交互。

来源： selfdrive/controls/controlsd.py, selfdrive/test/process_replay/process_replay.py, selfdrive/car/card.py

核心进程和数据流

openpilot 的功能分布在多个进程中，这些进程通过发布/订阅消息系统进行通信。系统采用模块化设计，每个进程都有特定的职责。

来源： selfdrive/controls/controlsd.py, selfdrive/test/process_replay/process_replay.py, selfdrive/car/card.py

主要系统组件

消息传递架构

openpilot 使用发布/订阅消息系统进行进程间通信。每个进程都可以发布消息到特定主题，并订阅以接收来自其他主题的消息。

关键消息主题包括：

modelV2：神经网络视觉输出
carState：当前车辆状态
carControl：对车辆的控制指令
liveCalibration：相机校准参数
livePose：车辆位置和姿态
longitudinalPlan：速度控制规划
selfdriveState：openpilot 系统的核心状态

来源： selfdrive/controls/controlsd.py:37-42

车辆接口系统

汽车接口系统提供了一个抽象层，允许 openpilot 与不同的汽车品牌和型号协同工作。它将 openpilot 的通用命令转换为车辆特定的 CAN 消息。

该系统处理

车辆指纹识别，用于识别品牌和型号
通用命令和车辆特定协议之间的转换
从 CAN 消息读取车辆状态
管理每个车辆平台特定的安全限制

来源： selfdrive/car/card.py, selfdrive/test/process_replay/process_replay.py:101-102, selfdrive/car/tests/test_car_interfaces.py

视觉与感知

视觉系统处理摄像头输入，以了解道路环境。

modeld：运行神经网络以进行车道检测、路径预测和物体检测。
calibrationd：维护摄像机校准，以实现像素与真实世界坐标之间的准确映射。
dmonitoringd：监控驾驶员的面部，以检测其注意力。

来源： selfdrive/test/process_replay/process_replay.py:583-591

规划与控制

规划和控制组件决定车辆应前往何处以及如何到达。

plannerd：根据视觉模型输出生成驾驶规划，包括横向（转向）和纵向（速度）轨迹。
controlsd：将规划转化为车辆的具体控制指令，通过 PID 控制器或模型预测控制处理横向和纵向控制。
paramsd：学习车辆特定参数，如侧倾、转向比和转向扭矩，以提高控制精度。

来源： selfdrive/controls/controlsd.py:28-58, selfdrive/test/process_replay/process_replay.py:510-516

定位

定位系统确定车辆的位置和姿态。

locationd：融合来自 GPS、IMU 和基于摄像机的视觉里程计的数据以估计车辆姿态。
calibrationd：提供相机校准数据，用于精确的视觉里程计。
paramsd：学习影响定位的车辆参数。

来源： selfdrive/controls/controlsd.py:46-48, selfdrive/test/process_replay/process_replay.py:538-542

进程交互

下表列出了关键进程及其在系统中的作用。

进程	主要作用	关键输入	关键输出
selfdrived	主控制器	modelV2, carState, driverMonitoringState	selfdriveState
controlsd	车辆控制	selfdriveState, carState, longitudinalPlan, modelV2	carControl
modeld	视觉处理	roadCameraState, wideRoadCameraState	modelV2
plannerd	路径规划	modelV2, carState, liveParameters	longitudinalPlan, driverAssistance
locationd	定位	cameraOdometry, IMU, GPS	livePose
dmonitoringd	驾驶员监控	driverCameraState	driverMonitoringState
paramsd	参数学习	livePose, carState	liveParameters
calibrationd	相机标定	cameraOdometry	liveCalibration
card	汽车接口	canMessages, carControl	carState, sendcan

来源： selfdrive/test/process_replay/process_replay.py:460-590

系统运行流程

当 openpilot 运行时，会持续循环执行以下序列：

收集摄像头帧和车辆 CAN 数据。
视觉模型处理摄像头帧，检测车道线、路缘和其他车辆。
驾驶员监控系统检查驾驶员是否专注。
规划系统生成期望的路径和速度剖面。
控制系统计算转向和加速指令以跟随规划的路径。
通过汽车接口将指令发送到车辆。
该过程以大约 100Hz 的频率（控制）和 20Hz 的频率（视觉处理）重复。

来源： selfdrive/controls/controlsd.py:212-218

车辆支持

openpilot 支持 30 多个制造商的 300 多种车型。支持通过车辆特定的接口实现，这些接口处理与每辆车系统通信的细节。

车辆支持按以下方式分类：

品牌/型号/年份
支持的功能（横向控制、纵向控制、从停止状态恢复）
所需硬件

有关支持的车辆的更多详细信息，请参阅 CARS.md

来源： docs/CARS.md

开发和测试基础设施

openpilot 包含强大的测试基础设施，以确保其可靠性。

进程回放：通过输入记录数据来测试单个进程，并验证其输出。
汽车模型测试：验证汽车接口实现是否对所有支持的车辆都能正常工作。
回归测试：确保新更改不会破坏现有功能。

来源： selfdrive/test/process_replay/test_processes.py, selfdrive/car/tests/test_car_interfaces.py, selfdrive/test/process_replay/process_replay.py

环境设置和依赖项

openpilot 可以在 Linux、macOS 或 Docker 容器中进行开发。该系统有几个依赖项：

对于 Ubuntu

开发工具（C/C++ 编译器、Python 开发头文件）
用于网络、图形和硬件通信的库。
用于各种计算任务的 Python 依赖项。

对于 macOS

用于开发和库的 Homebrew 包。
Python 依赖项与 Ubuntu 类似。

来源： tools/ubuntu_setup.sh, tools/mac_setup.sh, tools/install_ubuntu_dependencies.sh, tools/install_python_dependencies.sh, pyproject.toml

系统要求

openpilot 有以下系统要求才能有效运行：

Python 3.11 或更高版本（但低于 3.13）
支持 CUDA 的 GPU 用于神经网络处理（用于开发）。
用于更新和云功能的连接。
足够的存储空间用于日志记录。

来源： pyproject.toml:2-4

版本控制

openpilot 遵循语义版本控制方案。当前版本是 0.9.9。

每次发布都会改进驾驶模型、增加车辆支持并修复错误。发行说明提供了每个版本新增功能的详细信息。

来源： common/version.h:1, RELEASES.md

概述