定义
Autoware是一套面向自动驾驶车辆的开源软件栈，提供从传感器接入到车辆控制的完整功能，运行在Linux操作系统与机器人操作系统(ROS)中间件之上[1][3]。它的功能覆盖感知、定位、规划与控制等环节，并配有仿真、地图制作、标定与机器学习等工具组件[5]。
Autoware的设计目标不是提供单一固定流程，而是把自动驾驶拆解为众多可替换的小型能力模块，这一思路被称为微自治(microautonomy)架构[6]。软件采用Apache 2.0许可证发布，允许在商业场景中自由使用和修改[7][4]。
原理
Autoware把自动驾驶抽象为传感、计算与执行3个环节[1]。传感环节接入激光雷达、摄像头、毫米波雷达、全球导航卫星系统(GNSS)与惯性测量单元等设备；计算环节完成定位、感知与规划；执行环节则通过线控接口输出转向、制动与加速指令[8]。各功能以ROS节点形式实现，节点之间采用发布/订阅模型通信，底层数据传输可使用数据分发服务(DDS)[1]。
在定位方面，系统把卫星信号与激光雷达点云的正态分布变换(NDT)匹配结合，并用扩展卡尔曼滤波融合多传感器输出，从而在已建图环境中获得厘米级位姿[1]。感知模块既使用基于模型的方法，也使用点云与图像检测网络识别车辆、行人、交通标志与信号灯[1]。规划模块借助状态机与混合A*、栅格等算法生成轨迹，控制模块则用纯追踪与比例积分微分控制器跟踪轨迹[1]。
模块之间通过明确定义的接口连接，内部接口衔接感知、规划与控制，外部接口面向车队管理、云端服务等场景开放[6]。这种设计使开发者可以只替换其中某个组件，例如换成专用的锥桶检测网络，而下游的跟踪、规划与控制模块无需改动[6]。代价是模块化带来的数据通路开销会牺牲一部分计算性能，因此系统更强调延时的可预测性而非单纯的延时最小化[5]。
发展历程
Autoware项目于2015年由时任名古屋大学副教授加藤伸平发起，同年8月25日发布首个版本，名古屋大学与长崎大学、日本产业技术综合研究所等机构参与了合作开发[1][2]。第一代版本后来被称为Autoware.AI，基于ROS 1，是首个多合一自动驾驶开源软件，其代码仓库在GitHub上获得超过5000次收藏[2]。
2016年，Udacity与提雅智行(TIER IV)联合举办自动驾驶公开竞赛，推动了项目影响力的扩大；2018年，非营利性的Autoware基金会成立，加藤伸平创立的提雅智行将Autoware相关权利移交给基金会并成为创始成员之一[2][4]。基金会由企业、学术机构与个人开发者组成，负责项目的战略与技术方向[9]。
由于Autoware.AI缺乏统一的架构设计、模块耦合紧密且测试覆盖不足，项目随后转向基于ROS 2的Autoware.Auto，重新编写代码并明确定义运行设计域与用例，例如自动代客泊车与货物配送[10]。Autoware.Auto在实践中又暴露出新贡献者门槛过高、大规模架构调整困难等问题，基金会因此改为Autoware Core与Autoware Universe的双层结构：Core由基金会维护并遵循严格测试标准，Universe汇集社区贡献的扩展包，成熟的模块再回流到Core[6]。
此后项目进一步向数据驱动方向演进。提雅智行于2025年7月发布基于端到端架构的Autoware版本，2026年3月又发布以数据为中心的人工智能L4级软件栈，可在融合感知与规划AI的混合系统、端到端系统之间选择配置[11]。2026年9月，瑞萨电子以最高会员级别加入Autoware基金会，将Autoware的开源端到端AI软件引入其R-Car片上系统平台[7]。
应用
Autoware面向多种运行设计域提供参考实现，官方路线图按场景逐步扩展：早期支持自动代客泊车，随后扩展到货物配送与自动驾驶竞速，之后进一步支持巴士与接驳车的人员运输，目标是覆盖从路缘到路缘的L4级自动驾驶[8]。软件被设计为与车辆类型和电子硬件无关，可供无人出租车、无人巴士、物流车辆和私人乘用车等不同形态使用[3]。
在具体项目中，Autoware曾被用于丰田e-Palette等车型，也被整合进Udacity的自动驾驶工程师在线课程作为教学基础[1]。爱沙尼亚塔林理工大学的研究团队以Autoware与ROS为基础，改装出开源L4级自动驾驶接驳车，并围绕超车、网络安全、出行即服务等课题开展实验[12]。提雅智行则与东京大学、卡内基梅隆大学、慕尼黑工业大学合作，在东京、匹兹堡与慕尼黑3地开展L4级自动驾驶功能的道路测试[13]。
基金会还通过Autoware Challenge等年度竞赛吸引全球开发者、研究者与学生提交方案，改进感知、定位、地图、规划与控制等环节[9]。基金会设有围绕用例、软件与平台的工作组，成员提供资金与工程人员并就可优先事项达成一致[14]。
局限
微自治架构为了换取功能模块化，付出了计算性能上的代价，模块间的数据通路会产生额外开销[5]。官方文档同时指出，自动驾驶系统并不要求计算绝对快，而更要求延时具备可预测性，因此这一取舍需要通过实时能力来弥补[5]。
早期版本的工程质量问题也构成明显限制。Autoware.AI缺少具体架构设计，模块之间耦合紧密、职责不清，各软件包编码规范不统一且测试覆盖很低，同时没有明确界定车辆可运行的条件与支持的用例[10]。接替它的Autoware.Auto虽然引入了代码评审、持续集成与完整测试，但新工程师入门门槛过高，新功能合并耗时较长，研究人员与学生难以贡献前沿算法，且大规模架构变更实施困难[10]。
运行完整功能对硬件也有一定要求，例如至少需要8个CPU核心、16GB内存，涉及神经网络计算时建议使用独立GPU[15]。此外，Autoware本身不提供硬件产品，而是给出推荐架构、开发套件与适配驱动，硬件选型与集成仍需使用方自行完成[16]。
参见
参考资料
- Autoware [引用日期2026-10-14]
- Past, Present and the Future of Autoware [引用日期2026-10-14]
- Autoware Documentation# [引用日期2026-10-14]
- Open Source | TIER IV, Inc [引用日期2026-10-14]
- Autoware's Design# [引用日期2026-10-14]
- Autoware concepts# [引用日期2026-10-14]
- tmcnet.com 上的网页 [引用日期2026-10-14]
- Autoware Overview [引用日期2026-10-14]
- autoware.org 上的网页 [引用日期2026-10-14]
- github.io 上的网页 [引用日期2026-10-14]
- tier4.co.jp 上的网页 [引用日期2026-10-14]
- ieee.org 上的网页 [引用日期2026-10-14]
- 提雅智行发布基于AI的L4级自动驾驶软件栈 并在日本、美国和欧洲开展测试 [引用日期2026-10-14]
- 260304_SAKURA_自動運転の民主化_ティアフォー加藤様_公開用(PDF) [引用日期2026-10-14]
- システム/制御/情報, Vol [引用日期2026-10-14]
- usine-digitale.fr 上的网页 [引用日期2026-10-14]