盖世汽车讯 自动驾驶系统必须在严格的时间限制内处理海量传感器数据并生成车辆控制指令。随着车辆日益向“软件定义”转型，其开发过程往往涉及多个特性各异的软件平台。AUTOSAR自适应平台（AUTOSAR AP）在汽车行业得到广泛应用，而开源的机器人操作系统2（ROS 2）则为研究与早期开发构建了丰富的生态系统。因此，融合这些平台的优势正变得愈发重要。然而，当AUTOSAR AP与ROS 2共存于同一自动驾驶系统时，追踪完整的数据流并识别跨平台边界的处理延迟发生位置，依然是一项挑战。

图片来源：埼玉大学

此前，人们开发了一种名为 CART（Combined AUTOSAR AP and ROS 2 Tracing Framework，结合 AUTOSAR AP 与 ROS 2 的追踪框架）的追踪框架，旨在整合来自这两个平台的追踪信息。然而，该框架此前的评估仅限于小规模的应用配置。实际的自动驾驶系统涉及众多协同工作的软件组件，同时需处理海量传感器数据；而在负载规模和复杂度接近实际自动驾驶软件的情况下，CART 能否提供有效的端到端延迟分析，此前尚无定论。构建一个更贴近实际开发环境的评估体系至关重要，这有助于在软件部署至实车之前的快速原型开发阶段识别性能瓶颈。

据外媒报道，由埼玉大学（Saitama University）理工学研究科Takuya Azumi教授领导的联合研究团队与日立安斯泰莫株式会社（Astemo）合作，旨在验证统一的端到端追踪技术能否应用于具有实际规模和复杂度的自动驾驶系统。该团队构建了一个基于云的评估平台，集成了CART工具与高保真自动驾驶仿真器CARLA、基于ROS 2的自动驾驶软件栈以及AUTOSAR AP。由CARLA生成的点云传感器数据经由ROS 2和AUTOSAR AP进行目标检测，检测结果随后反馈给Autoware以生成车辆控制指令。

利用该环境，研究人员实现了对预期端到端通信拓扑的100%覆盖重建，观测到约33 Hz的点云接收回调频率，并在低追踪开销下分析了跨越ROS 2与AUTOSAR AP边界的延迟，从而成功展示了在实际规模的混合自动驾驶软件环境中进行统一端到端性能分析的可行性。这项题为“Evaluation Platform for Tracing of Autonomous Driving System Combined AUTOSAR AP and ROS 2”（结合AUTOSAR AP与ROS 2的自动驾驶系统追踪评估平台）的研究成果于2026年8月6日发表在期刊《IEEE Open Journal of the Industrial Electronics Society》上。

该研究的主要发现包括：

完整的跨平台追踪：CART 重建了涵盖 ROS 2 和 AUTOSAR AP 的完整端到端预期处理路径，实现了 100% 的拓扑覆盖率，其中包括跨越这两个平台边界的通信。

在实际自动驾驶负载下的运行：在评估负载下，该平台针对激光雷达（LiDAR）点云数据保持了约 33 Hz 的处理速率。

动态车辆控制行为的追踪：CART 能够区分“由目标检测触发停止指令”的处理路径与“未发出执行指令”的处理路径，这表明它既能追踪固定的通信路由，也能追踪控制逻辑的变化。

低追踪开销：在小规模测试中，ara::log 仅增加了极少的 CPU 负载和约 0.03 MiB 的内存占用。在另一项离线基准测试中，将代表一百万对发送/接收操作的日志转换为追踪数据，耗时约为一秒。

经研究人员评估达到 TRL 6 级：基于在相关仿真环境中的演示，作者将该追踪评估平台的技术就绪度（TRL）评定为 6 级；针对实际硬件的验证工作将留待后续进行。

“这项研究意义重大，因为自动驾驶软件正变得日益复杂，且涉及多个不同的软件平台在同一系统中协同工作，”该研究的通讯作者、埼玉大学理工学研究科硕士生Shunsuke Ito表示，“通过整合来自 AUTOSAR AP 和 ROS 2 的追踪信息，我们的平台能够将从传感器输入到控制指令生成的处理路径，追踪为一个完整的端到端序列。这使得开发人员能够更清晰地识别跨平台边界处发生的延迟。”

该研究还表明，与团队之前的评估相比，这种分析可以在更接近实际自动驾驶开发的工作负载下进行。 “仅仅确认跟踪方法适用于小型测试应用程序是不够的，”伊藤解释道。 “自动驾驶系统通过许多互连的软件组件处理大量传感器数据。通过在云环境中结合 CARLA、Autoware、AUTOSAR AP 和 ROS 2，我们能够在更真实的条件下测试 CART，并表明在不施加大量额外处理负担的情况下，仍然可以进行详细的延迟分析。”

这些研究结果有助于改进日益复杂的软件定义汽车（SDV）系统的开发与评估方式。通过提供跨异构软件平台的统一处理视图，该方法能让工程师在软件部署至实际车载硬件之前，更轻松地识别设计与测试周期中的瓶颈。该研究还指出了在实际部署前需采取的若干步骤，包括利用真实电子控制单元（ECU）或硬件在环（HIL）系统进行验证、实现多计算系统间的时钟同步、开展更大规模的测试，以及进一步实现跨平台消息关联的自动化。

展望未来，研究人员计划将该平台扩展至更轻量级的仿真环境，引入基于 OpenSCENARIO 的系统化测试，利用标准 SOME/IP 标识符实现消息关联自动化，并最终在真实硬件环境中对 CART 进行评估。

“随着汽车软件规模的扩大和多样性的增加，跨平台追踪交互行为变得愈发重要，”Ito 说道，“如果开发人员能够追踪这些系统在不同平台上的行为并尽早发现性能问题，他们不仅有望缩短开发与验证周期，还能更轻松地对复杂的汽车软件进行系统性评估。”

“未来，我们希望将 CART 的应用范围从基于云端的仿真扩展到实际的 ECU（电子控制单元），并进一步实现追踪过程的自动化，”Ito 解释道，“如果能将这些能力整合到实际的汽车开发工作流程中，统一追踪技术将成为一种有力工具，助力更高效、更可靠地开发自动驾驶及软件定义汽车的相关功能。”