要搭建 apollo 激光雷达驱动开发的 c++ 环境，1. 安装 ubuntu 18.04/20.04 并配置基础依赖与 bazel；2. 克隆 apollo 项目并切换至稳定分支如 r6.0；3. 安装 docker 及 nvidia-docker 并运行官方容器脚本；4. 在容器内使用 bazel 编译 apollo 或指定模块；5. 在 lidar 驱动目录添加对应型号支持，修改 cmakelists.txt 并实现点云数据解析逻辑，确保与 apollo 数据结构兼容。整个流程需注意版本匹配、日志排查及参考已有实现。
Apollo 是百度开源的自动驾驶平台，支持多种传感器接入，包括激光雷达（LiDAR）。在进行 Apollo 激光雷达驱动开发时，配置好 C++ 环境是第一步。下面是一些关键点和步骤，帮助你快速搭建起适合 Apollo 开发的 C++ 工作环境。
1. 安装 Ubuntu 系统与基础依赖
Apollo 推荐使用 Ubuntu 18.04 或 20.04 系统，虽然也支持更高版本，但为了兼容性，建议优先选择这两个长期支持版本。
安装完成后，先更新系统并安装一些常用工具：
立即学习“C++免费学习笔记（深入）”；
sudo apt update && sudo apt upgrade -y sudo apt install git curl cmake build-essential python3-pip python3-dev libgl1 libxrender1 -y
Apollo 使用 Bazel 构建系统，因此还需要安装 Bazel。推荐使用官方提供的安装方式或通过 apt 安装特定版本（如 Bazel 3.7.2）以避免兼容问题。
2. 克隆 Apollo 项目并切换到合适分支
Apollo 的代码托管在 GitHub 上，你可以通过以下命令克隆项目：
git clone https://github.com/ApolloAuto/apollo.git cd apollo
根据你的硬件和需求选择合适的分支，比如：
-
master：最新开发版，功能新但可能不稳定 -
r6.0、r5.0：稳定版本，适合入门和部署
例如切换到 r6.0 分支：
git checkout r6.0
3. 配置 Docker 环境（推荐）
Apollo 推荐使用 Docker 来构建开发环境，这样可以避免本地环境配置复杂的问题。
安装 Docker 和 nvidia-docker（如果你使用 NVIDIA GPU）：
sudo apt install docker.io -y distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list sudo apt-get update sudo apt-get install -y nvidia-docker2 sudo systemctl restart docker
然后运行 Apollo 提供的脚本启动容器：
./docker/scripts/dev_start.sh ./docker/scripts/dev_into.sh
进入容器后，你就有了一个预装好 Apollo 所需依赖的开发环境。
4. 编译 Apollo 项目
进入容器后，执行以下命令编译 Apollo：
cd /apollo bash apollo.sh build
如果只想编译感知模块，可以指定模块名：
bazel build //modules/perception/...
这一步可能会耗时较长，取决于你的机器性能。
5. 添加激光雷达驱动支持
Apollo 支持多种 LiDAR 型号，比如 Velodyne、Robosense、Ouster 等。
常见操作步骤如下：
- 在
modules/drivers/lidar目录下找到对应厂商的驱动代码 - 如果没有你需要的型号，可以新建一个子目录，添加自己的驱动逻辑
- 修改
CMakeLists.txt文件，加入新的源文件路径 - 实现数据解析逻辑，将点云数据转换为 Apollo 能识别的
PointCloud格式 - 注册该驱动到感知模块中，确保数据能被后续模块使用
Apollo 中的数据结构定义清晰，建议参考已有的驱动实现作为模板，比如 velodyne 模块。
基本上就这些。整个过程看似繁琐，其实只要一步步来，大多数问题都能解决。遇到具体错误时，注意查看日志输出，并善用 GitHub Issues 和社区资源。
