酷应用

百度Apollo自动驾驶公开课首期落幕，最新干货内容与演讲PPT无码奉上

百家作者：InfoQ 2017-11-06 02:42:54

9 月 20 日，有着“汽车界安卓”之称的百度 Apollo 自动驾驶平台进行了新一轮的升级开放。更新迭代后的 Apollo 1.5 自动驾驶平台，开放了五大核心能力，引起行业热烈反响。这些核心能力背后的设计思路和架构是什么样的？如何以最快的速度获取自身需要的技术？为了解答这些疑问，百度打造了《Hello Apollo- 自动驾驶公开课》系列技术课程，持续深入开发者中间，帮助开发者了解 Apollo 开放平台，并掌握和使用 Apollo 开放能力。

公开课首期定位于上海，来自百度的三位技术专家孔旗、毛继明以及郁浩，就 Apollo 1.5 开放的障碍物感知、决策规划、云端仿真、高精地图服务、End-to-End 自动驾驶方案五大开放功能做了深度解析和分享。本文整理了部分精彩干货内容，感兴趣的同学可以点击阅读原文下载完整版演讲 PDF。

1Apollo 自动驾驶及跟车方案的设计思路

百度资深架构师孔旗做了开场演讲，孔旗首先回顾了 Apollo 开放平台的发展历程，并通过障碍物感知、障碍物行为预测、路径的决策规划算法与框架等内容分享，详解了 Apollo 如何实现自动驾驶及跟车方案。

障碍物感知系统的实现过程

如果一辆车子要实现自动驾驶，那么障碍物感知绝对是最基础也是最核心的功能。Apollo 障碍物感知系统分为 3D 检测、ROI 滤波、识别、运算、感知五大板块。其感知过程如下：首先 LiDAR 探测到信号，传递给 ROI 的 Filter，滤波后的信号通过 Obstacle Segmentation 和 Detection 做识别，然后是 Tracking，Apollo 在运算这一块采用的是 NVIDIA GPU，运算能力强劲，可以实现 10Hz 的输出，最后是 Obstacles 感知。

当系统感知到障碍物后，需要对障碍物进行行为预测，如障碍物是否是动态的，其下一步动作是什么。Apollo 障碍物行为预测系统采用 MLP 多层感知机制，通过深度神经网络与规划算法，达到精准预测路径的目的。

决策规划设计方案与思路

在介绍了障碍物感知与行为预测分析之后，孔旗详细讲解了 Apollo 的决策规划设计方案与思路。如下图为 Apollo 自动驾驶平台的决策规划整体架构，其中，SL MAP 是路径的坐标系，Frame 代表数据帧，Decider 则是决策部分，如决定车辆是否换道，在确认换道的情况下，Path Decision 和 Speed Decision 通过计算给出换道方向和速度等信息，底部蓝色是对换道路径的整体规划，架构图右侧绿色框图是交规的处理部分，Objects 代表路权，判断人让车还是车让人就是在这一部分执行处理。

整个决策规划系统里面，最核心部分的是对路径和速度的采样以及优化。Apollo 1.5 跟车方案首先从人的开车规划过程开始分析，如走什么样的路线，用什么样的速度开车，通过 DP 路径算法、QP 路径算法、DP 速度算法、QP 速度算法分析，在做决策的同时进行路径和速度规划，其 EM 规划过程如下图，包括路径 DP 采样、速度 DP 采样、路径 QP 优化与速度 QP 优化四个部分，其中，前二者用来帮助车辆进行行为决策。

最后，孔旗表示，Apollo 自动驾驶的开放，是希望和整个行业共同努力，推进自动驾驶技术的发展与落地，如果开发者都能将自己的数据、算法开放共享，那将会做出更好的模型，自动驾驶汽车也会早日成型，帮助大家节省每日在路上耗费的大量时间。

2Apollo 高精地图服务介绍及云端仿真平台应用

“高精度图赋予了自动驾驶上帝的视角，它包含了普通地图没有、但可以帮助无人车更快更准确的感知外部世界隐藏的元素。”对于高精地图，百度资深架构师毛继明有着不一样的理解，作为百度无人驾驶云端工程架构技术的负责人，毛继明重点关注分布式无人车仿真云平台的构建，在分布式系统架构方面拥有丰富的经验。现场，毛继明着重分享了 Apollo 1.5 在云端的两大核心业务功能：高精地图和仿真平台。

Apollo 高精地图服务介绍

与普通地图不同，高精地图主要服务于自动驾驶车辆，通过一套独特的导航体系，帮助自动驾驶解决系统性能问题，扩展传感器检测边界。目前 Apollo 内部高精地图主要应用在高精定位、环境感知、决策规划、仿真运行四大场景，帮助解决林荫道路 GPS 信号弱、红绿灯是定位与感知以及十字路口复杂等导航难题。

林荫道路 GPS 信号弱：一般树木环绕的环境下 GPS 定位效果都不佳，Apollo 采用的解决办法是在高精地图里面嵌入多个定位的锚点，通过锚点精准定位出一条导航线路，解决弱 GPS 环境下的导航问题；
红绿灯是定位与感知：采用停止线关联对应的红绿灯方式，高精地图内部包含红绿灯的精确位置和高度信息，来降低感知难度，避免误识别；
复杂路口：对于复杂的路口，高精地图在路口所有的左转 / 右转车道上绘出虚拟车道及其关联线，来降低决策规划的难度，并在所有左转 / 右转的路口标志 ROI 区域，减少计算量的同时保证也能安全。

据毛继明介绍，Apollo 高精地图是最懂自动驾驶的高精地图，也是业界精细化程度最高、生产率最高、覆盖面最广的高精地图。目前，Apollo 高精地图的自动化程度已经达到了 90%、准确识别率达到了 95% 以上，预计 2020 年可以覆盖全国所有的重点道路。

云端仿真平台及应用

仿真平台可以说是自动驾驶的加速器，在上路实践之前，自动驾驶的各项性能测试在云端的仿真必不可少。Apollo 1.5 开放的仿真平台内置高精地图，拥有海量真实中国交通场景与强大的云端计算能力，并且通过交规类、模块类、体感类等 200+ 维度评估，能够精准而又全方位的评测自动驾驶各项能力，是为自动驾驶量身打造的专业度量体系。

Apollo 1.5 仿真平台开放了大量的仿真场景、算法上传与场景运行、智能判别系统以及算法的 3D 可视化功能，支持整体算法和单一模块的验证，在用法上也比较简单，如果要把具体的模块替换掉，只要 follow Apollo 的接口，就可以运行起来。当然如果不符合 Apollo 的规则，可以以整包的方式提交。

据悉，Apollo 2.0 版本会在 12 月底或者 1 月初发布。届时仿真平台的度量纬度、计算能力都会有大幅度的提升。预计在 2018 年底，可以为使用者交付日行百万公里的计算能力，或者仿真能力。

3基于深度学习的 End-to-End 自动驾驶方案

基于深度学习（以 End-to-End 为主）的自动驾驶方兴未艾。百度拥有超大规模的训练数据，同时也在国内首次实车展示了这种自动驾驶。百度资深架构师郁浩就 Apollo 1.5 开放的最后一个核心功能：基于深度学习的 End-to-End 自动驾驶方案做了详细介绍。

Rule-Based 系统与 End-to-End 系统的对比

目前，对于自动驾驶系统的选择，业界有两种不同的看法和选择：传统的 Rule based 系统与基于深度学习的 End-to-End 系统，这两种系统实现方式不同，在性能和应用上各有优缺点。

传统的 Rule-Based 系统：与 End-to-End 相对应的是传统规则式的无人驾驶系统，它经历了二三十年的研究和试跑过程，运用业界和学术界主流的 Rule-Based 系统，从车辆、到传感器感知、World Model、然后进行决策、控制、最后到车辆，形成了比较完整的闭环系统。不过，其在实际的应用上还是有比较明显的瓶颈：系统复杂（人工设计）、高精地图成本高（需要广铺以及实时更新），计算性能（资源浪费）等都是硬伤。而 End-to-End 方式能够很好的解决这些问题。
End-to-End 系统：人类在驾驶的时候有两种行为：第一种是潜意识行为，人们不需要知道路面的每一个特点，不需要精确的位置和车距，多数时间是靠下意识完成；第二种是需要集中注意力和实时判断，比如变道时要考虑前后车辆的情况、盲区等，依靠充分的深入判断做出决策。而 End-to-End 系统对应的是第一种潜意识的行为，它更细化的是输入原始的传感器数据。

上图为 Rule-Based 与 End-to-End 优劣对比，通过对比，可以看到 End-to-End 方案虽然解决了 Rule-Based 在应用上的部分缺点，但其在基本功能实现上需要进一步的探索和实践。郁浩认为，这两种方案，均有各自的优劣势，在现阶段，无法完全依靠某一种深度学习方案实现自动驾驶功能，Rule-Based 和 End-to-End 在未来的趋势上必将是吸收对方的优点进行融合而绝非对立。

Apollo 实践：数据与模型

Apollo 1.5 平台的 End-to-End 系统目前已经有很多公开数据集，大概可以分成分两类：一类是真实的采集数据，一类是模拟器的数据。从采集成本来看，真实数据采集成本是适中，可用性高，不过目前百度采集到的数据较少，难以支撑上路实用；另一方面，模拟器的采集成本相较而言极低，当然可用性亦有限，在真实的场景无法完全可用，需要有新的技术突破。

百度在真实的数据采集方面投入甚高，每年都会使用大量数据车实地采集几百万公里的数据进行分析。郁浩表示，Apollo 1.5 开放了大量的 End-to-End 真实驾驶数据数据，包括 Image、RTK-GPS 以及 IMU 等，每一个开源的数据文件对应一次采集任务。感兴趣的读者可以打开 Apollo 首页的“数据开放平台”，点击 RoadHackers 获取最新数据。

拿到 Apollo 的开放数据之后，就是如何使用的问题。百度在去年的时候采用的是简单的横向模型 CNN 以及纵向控制模型 Convolutional-LSTM，今年，百度将这二者融合到一起，采用的横向 + 纵向的模式：LRCN。整个模型架构如下图，包括 Video、Seg Loss、Motion 等，该模型的关注主要集中在视觉特征的提取、时序规律的发现、行为的映射等方面。

在模型的开放内容上，Apollo1.5 现阶段的主要开放了 Vehicle 端，sensors、vehicle、data collection、online-system 等功能目前均已开放，但在云端的一些功能包括云端数据处理、model training 等暂时还未开源。郁浩最后也表示说，Apollo 1.5 阶段虽然没有完全开放出 End-to-End 完整的闭环，但 Apollo 平台最终会把适配好的模型全部部署到在线系统，并将在 Apollo 2.0 的阶段完整开放。

4写在最后

相比于开源之初，Apollo 1.5 提供了更加完善的障碍物感知、决策规划、云端仿真、高精地图以及 End-to-End 自动驾驶功能与方案，并且通过激光雷达云端标定，适配多种装配方案和车型，实现了感知和规划能力的模块化接入。相信在不久的未来，在百度和行业的共同努力与推进下，自动驾驶技术将会得到更加快速的发展并最终落地应用。