新北市學車交流論壇

標題: 從系统到地图,再到芯片,百度全方位讲述自動駕驶最新故事 [打印本頁]

---

作者: admin    時間: 2024-4-24 18:10
標題: 從系统到地图,再到芯片,百度全方位讲述自動駕驶最新故事
11月29日，baiduApollo Day技能開放日，baidu主動駕驶技能范畴6位專家轮流上阵，從體系設計、舆图構建、感知模子、数据闭环、自研芯片、技能落地等多范畴，周全讲述了baidu主動駕驶技能最新希望。

勾當上，baidu在公布新一代Apollo主動駕驶舆图的同時還颁布發表，2023年将扩展营業范围，在更多區域展開全無人主動駕驶運营，出力打造全世界最大的全無人主動駕驶運营辦事區。同年，L2+领航辅助駕驶旗舰產物ANP3.0，也将搭载于第一個客户車型上市。在baidu看来，後续L4和L2+技能协同飞轮将運轉起来，構成正反馈。

01

陈竞凯：baidu主動駕驶技能系统設計思绪

主動駕驶體系，最首要的是平安，體系設計必要顺從汽車平安系统。陈竞凯暗示，“baidu從功效平安和預期功效平安两個方面来打造咱們的主動平安體系。”

依照功效平安的設計请求，baidu拆解了體系的平安框架和方针，經由過程得當的冗余，来低落失效带来的風险。在计较硬件、傳感器、底盘、通信的各個层面都構建了冗余，而且完美了妨碍檢测和處置方案，實现全方位的平安。

而主動駕驶體系的能力演進，是依照預期功效平安的框架去思虑的。從晓得不晓得、平安不平安這两個维度去推動主動駕驶技能能力，去提高主動駕驶@體%96wc9%系對繁%fXBm9%杂@場景的顺應。

主動駕驶體系應當若何設計？

一向以来，针對上述問题都有两個思绪，一個偏學術，偏向于同一建模，端到真個解决問题；此外一個思绪方向工程，拆分體系，分治冲破。

“從久远看，前者是很是有出路的標的目的。”但陈竞凯称，這個方案的問题在于存在很大不肯定性，不肯定它事實什麼時候成熟。是以，baidu在主動駕驶技能思绪主如果沿着工程化的线路在往前推動。

此中，車载體系大要會分成四個部門：舆图、感知、展望决议计劃、计劃節制。

舆图是體系中很是首要的構成部門。陈竞凯認為，舆图是主動駕驶體系的底层表达，而离线舆图是超视距总體性的感知，在主動駕驶體系中阐扬偏重要感化。

在谈到舆图更新率問题時，陈竞凯認為，“當第一次碰着實際世界變動時，必定是没有舆图的，這時辰必要可以或许經由過程舆图的及時性才是問题，而不是更新率或本钱”。

在當前實践中，車端及時出產的舆图和范围化出產的舆图有質量上的差距，這類差距必要經由過程主動駕驶计谋去顺應两種舆图的差别，但這類@顺%5OCOO%應對主%4E2R6%動@駕驶能力来讲是有折损的。是以，陈竞凯指出，在今朝前提下，一個范围化出產的高精舆图是不成或缺的，及時舆图更多的會被用在應答實際世界的變動，這時辰baidu會把主動駕驶的计谋调解到一個加倍平安谨严的方法去經由過程。

感知體系今朝在全部業界的成长思绪仍是比力同一的，根基上是一個数据加模子驱動的體系。重要的不同是在于，傳感器的設置装备摆設。

baidu的果断是，充實阐扬各個傳感器的能力。“咱們但愿起首要把事變做成，然後再去寻求更好、更低本钱。在详细的進程中，從後交融方案轉向前交融方案，同時會充實操纵baidu大模子技能方面的堆集，去晋升感知能力。

展望决议计劃體系是直接面临繁杂外部情况的一個很是首要的部門，baidu把體系模块的分界限劃到了展望决议计劃和计劃節制之間，重要的動身點是，决议计劃問题實際上是可以引入人工果断的節點，這時辰可以在此中引入更多的人類伶俐。

计劃節制在傳统方案中是優化問题，在真正的門路前提下，常常會见临一些求解空間和计较資本之間的冲突。在這一块，baidu也做了不少的摸索。

駕驶能力的晋升表示在車端，可是更多的事情是在云端完成的。為此，baidu構建了数据闭环體系，其實不断迭代、完美。

baidu最初的主動駕驶體系，展望和决议计劃是分隔的。展望带有自標注的使命，一向都是数据驱動的，决议计劃、计劃、節制，當初沿用的都是一些偏法则的傳统方案。

基于法则的方案，凡是是把碰到的問题劃分成各類場景，在每一個場景下，针對分歧呈现的問题，再做响應的處置，為了避免讓各個法则之間產生冲 突，凡是會细心地限制每一個法则的感化范畴，一层一层地拆分下去，若是做得好的话，咱們會構成一個雷同树形的拆分布局；若是處置得欠好的话，就會酿成一個补钉摞补钉的體系。

上述法则體系在最初的時辰，可以最大化人類的@履%MBk妹妹%历和常%992n2%識@，敏捷地晋升主動駕驶能力，可是跟着時候的推移，有两個問题不成防止。一是计谋分叉；二是面临都會扩大、場景變革的時辰，必要调解法则去顺應。

是以，baidu認為進修性的PNC是實现全無人的一個必由之路。陈竞凯暗示：“展望和决议计劃實際上是一個問题的两面，展望是决议计劃的自我預言實现。以是咱們機关了一個展望和决议计劃的多使命體系，結合處置這個問题。@咱%257Ad%們對旌%R5w8s%旗%R5w8s%灯%R5w8s%号@灯、門路元素等都做了一些建模和交互的處置，最後構成展望和决议计劃的一個成果。”

baidu的终极方针也不是用進修體系去彻底替换法则體系。陈竞凯称，一方面由于交通體系原本就是一個靠法则束缚的體系；另外一方面也必要法则去守護最後的底线。

仿真體系方面，baidu寻求的是做一個有效的仿真體系，要可以或许知足對付問题迭代的需求。為此，其做了大量事情。如Worldsim體系，使得可以或许批量地去機关大量的場景，去驗證在各類場景下的综合能力；L2W體系，可以或许切确地复现門路的場景，帮忙其去阐發和驗證路上的問题。

“此外，咱們從一個都會向另外一個都會迁徙進程中，数据统计、数据散布是有變革的，這時辰请求咱們的主動駕驶能力、计谋要做一些渺小的调解，总體的場景库也對迁徙進程供给不少保障。”陈竞凯認為，仿真體系在主動駕驶技能迭代的進程中心阐扬了很是首要感化，是技能能力晋升的首要支持。

02

黄際洲：全新構建Apollo主動駕驶舆图

汽車智能化是鞭策舆图變化的焦點驱動力。

汽車上最先利用的舆图是尺度舆图，也就是SD舆图，重要用于帮忙司機举行导航。SD舆图重要由粒度较粗的門路拓扑信息组成，精度请求不高，通常為在15米摆布。

跟着汽車智能化的成长，特别是辅助駕驶和主動駕驶的成长，對舆图的精度和要素的丰硕度的请求也在不竭變高。

車道级舆图，即LD舆图，重要用于辅助駕驶，参加了車道级的拓扑信息，精度通常為在亚米级；高精舆图，即HD舆图，重要用于主動駕驶。與前者比拟，HD舆图中的要素的精度到达了厘米级，還包括了丰硕的语义信息。

而关于高精舆图與主動駕驶的瓜葛，近期有一部門L2智能駕驶在提"重感知，輕舆图"這一主意。黄際洲認為，這重要缘由是很難翻越高精舆图面對的“三座大山”，即天資壁垒、自研壁垒和供應稀缺。“咱們的概念是輕本钱、重體驗的@舆%xaF9h%图對主%4E2R6%動@駕驶相當首要。”

针對上述概念，黄際洲重要环抱绕L4主動駕驶開展。他認為，對付L4的主動駕驶而言，要到达99.99%以上的樂成率，高精舆图更是此中必不成少的焦點能力之一，并要做到“把本钱做輕、把體驗做重”。

在先容“輕本钱”時，黄際洲重要從主動化数据交融和舆图主動化標注两方面举行開展。

主動化数据交融，是高精@舆%xaF9h%图大范%8R4no%围@出產的首要根本和焦點能力，其方针是全主動地将屡次收集到的傳感器的数据，好比说激光點云或門路的影象，在同一的坐標系下举行交融，重要的挑战就在于這個交融的绝對或是相對于的精度要到达厘米级。

為了實现上述方针，baidu凡是先将這些数据依照块或門路举行劃分，在每一個分块里起首举行数据的交融，然後再對块之間举行高精要素的串线和几何的调解，以加强块間高精要素的持续性。

若何包管上述所获得的根本数据都是彻底對齐的？baidu的解决方案是依照数据空間散布劃分去構建多层级的图布局，确顾全图的精度是一致的。這此中重要的技能立异有三個方面：第一是多层级的图優化；第二點是場景化联系关系和匹配；第三是基于進修的匹配算法。

舆图主動化標注，指的是基于點云和图象数据主動天生高精舆图的進程，是显著降本增效的焦點驱動。

為了到达高主動化率，baidu在要素辨認、矢量提取、主動建模等关頭步调上都举行技能立异。

此中，要素辨認上，采纳的是多层级的點云辨認方法，辨認的成果要远远優于一次辨認的成果；矢量提取上，對點云和图象中提取的矢量要素举行後交融，包管要素的高精度和高召回；主動建模上，基于車道级的拓扑模板举行矢量要素匹配，极大地提高拓扑的天生和車道线串接的正确性。

“重體驗”部門，则重要包含平安、恬静和高效三個方面。

平安方面，baidu采纳的方案是交融車端感知数据與多源舆图来及時地天生在线舆图；恬静方面，baidu引入駕驶常識图谱来實现；高效方面，baidu解决方案是，基于baidu智能交通和baidu舆图，構建交通大脑，赋能主動駕驶出行。

别的，為了包管更好的主動駕驶體驗，baidu提出了Apollo主動駕驶舆图，重要分為四层：

第一层是静态层，這一层也是傳统高精舆图内容，包含車道级的数据、拓扑数据和辅助車辆定位的定位数据。

第二层是動态层，包含及時的交通的事務、及時的交通的态势和及時的情况的變革，這必要依靠于海量的時空数据和車路协等同。

第三层是常識层，最焦點的是駕驶常識图谱，和與主動駕驶體驗强相干的平安駕驶、恬静駕驶举動與常識等。

第四层是駕驶层，常識與駕驶计谋的交融，實现深度交融舆图和感知、决议计劃、節制利用；而数据及時感知的交融，数据闭环另有及時更新，實现了高鲜度的舆图的数据。

“常識加强、分层多维、為主動駕驶而生的新一代舆图。”黄際洲一句话界说了Apollo主動駕驶舆图。

据黄際洲称，Apollo主動駕驶舆图已實现了范围化的利用。起首，萝卜快跑快速成长，累计定单量到达140万单；其次，供给智能駕驶全場景體驗ANP领航辅助駕驶解决方案；最後，baidu舆图率先推出了都會車道级落髮,导航、車位级导航、智能红绿灯等主動駕驶级导航產物功效。

03

王井东：若何應答主動駕驶感知挑战

傳感器交融是實现L4主動駕驶的需要前提。王井东指出，baidu主動駕驶感知履历了两代。

感知1.0的baidu颠末了三個阶段：第一阶段重要依靠激光雷达點云感知，辅助红绿灯的辨認，同時操纵了毫米波方针阵列；第二阶段增长了环顾图象的感知，與激光雷达點云感知構成两层感知交融，晋升了辨認結果；第三阶段，自研了毫米波點云感知算法，形成為了三层感知的交融。

“這些多模感知现實上用的是後交融方案，它凡是必要法则的法子，是不成進修的，是以相對于来讲泛化能力不敷。”王井东暗示，基于此，baidu開辟了基于前交融方案的新一代感知2.0。

感知2.0重要部門是多模态前交融端到真個方案，在點云和图象的表征条理长進行交融。與此同時，远视距的视觉感知，凡是在200米以上视觉的感知結果相對于比力好；近間隔采纳了鱼眼感知，從鱼眼感知實现了freespace的展望。“三者交融，近、中等和远間隔通通構成高質量感知”。

感知情况，必要丰硕和高質量的数据，基于此，baidu感知2.0還@操%5941A%纵大模%d4tRs%子@举行数据發掘和数据的主動標注。

“在主動駕驶感知里常常會碰到一些挑战。”王井东将其总結為三點。一是远間隔的视觉感知問题；二是在點云空間去做3D的標注很是坚苦；三是长尾数据發掘問题，包含少见的車型、各類形态、各類姿态行人，和低矮物體、交通、施工元素等。

若何解决上述三種挑战？baidu的法子是@操%5941A%纵大模%d4tRs%子@技能，来晋升主動駕驶感知能力。

起首操纵文心大模子主動駕驶感知的技能，来晋升車载小模子的感知能力。同時在数据方面，操纵了文心大模子图象弱监视預練習模子来發掘长尾数据，晋升模子練習結果。

在主動駕驶感知模子練習方面，baidu采纳的是半监视法子，充實操纵2D標注和没有3D標注数据。

详细法子是采纳迭代的自練習方案。起首在既有2D又有3D的練習数据上，去練習一個感知大模子出来，然後给没有3D標注数据打上3D伪標注。再继续練習一個感知大模子出来，如斯迭代，渐渐把感知大模子結果晋升，同時也使得3D的尾標注的結果愈来愈好。

王井东称，上述感知大模子不但用于视觉，也用于點云，也用于多模态端到規矩案。在他眼里，大模子已成為主動駕驶能力晋升的焦點驱動力。

04

李昂：Apollo主動駕驶数据闭环設計思绪

主動駕驶是一個延续進修的問题。罕有的、长尾場景，對付主動駕驶来讲是一個急需解决的問题，這也是主動駕驶必要延续進修的首要缘由之一。

當無人車實现大范围的贸易化落地，可以延续地收集海量数据。李昂称，彼時面對的問题将是若何操纵好大数据，晋升無人駕驶的全部的平安性與恬静性，這是数据闭环所必要斟酌的焦點問题。他認為，数据闭环是無人駕驶终极實现延续進修能力的一個首要根本架構。

不外，在大数据给主動駕驶智能程度带来庞大晋升空間的同時，也给数据闭环扶植带来了全新的挑战。一方面，大范围的数据带来了数据存储及標注压力；另外一方面，算法迭代所必要的计较量也将随之增长。

焦點是两個問题。李昂暗示，起首是若何高效力地從海量数据里找到高價值或高纯度数据；其次是若何操纵好高纯度数据去晋升整車智能化程度。

從答复上述两個問题的角度，baidu設計了Apollo数据闭环的总體設計思绪。

主動駕驶體系是由車端和云端两部門構成的。而全部数据闭环是由数据提纯和数据消化這两個部門组成。此中，数据提纯同時呈现在車端和云端，方针是找到高價值、高纯度数据；数据消化摆設在云端，方针是操纵高纯度的数据，晋升主動駕驶的总體智能程度。

基于這些道理，李昂别离先容了baidu关于邱大睿,数据闭环的高提纯、高消化設計思绪。

起首必要扶植高效力的数据提纯通路。baidu界说数据的纯度為单元数据可以给全部智能體系供给的信息量，数据發掘與標注都是提高数据纯度的一個首要手腕。

数据提纯的焦點组件是推理引擎，它的感化是對肆意的一個给定的模子和一组数据，给出模子在這组数据上的推理成果，這個成果可以包含数据的特性和模子展望出的標签；另外一個首要组件是模子堆栈，包括云端大模子、車端小模子，和一些并無上車的候選小模子。

大模子可以用来經由過程推理引擎获得對應数据的特性和標签。大模子的特性與向量檢索相连系，可以用作定向發掘。而大模子的標签可以用作主動化標注。别的，車上的小模子也能够用来做数据提纯。小模子可以經由過程推理的方法获得小模子的標签；多個小模子還可以操纵比力經典的集成進修的不肯定性估量法子，得到模子對数据的不肯定性。從而實现不肯定性發掘。

經由過程推理引擎，對所稀有据的各類属性举行推理，基于這些数据属性，可以進一步供给繁杂的發掘法则，從而實现更加繁杂和更有针對性的發掘方法。

此外，因為数据提纯效力很大的水平由推理引擎效力决议，而推理引擎效力又可以分為数据的读取速率，和模子的推理和计较速率。後者可以經由過程一些散布式方法来晋升，而前者重要可以經由過程文件體系的一些立异来举行優化。是以，baiduApollo团队與baidu飞桨团队互助，将PaddleFlow数据缓存根本架構集成入数据闭环平台，實现了推理引擎数据读取效力晋升。

“若是只有云端数据提纯方法，没有@法%妹妹149%子@@知%7v87E%足大范%8R4no%围@主動駕驶需求。由于存储空間上限没法支撑全量的数据回傳。”李昂指出，在車端baidu也必要摆設数据提纯的通路。

据先容，云端和車端體系的重要區分在于它的存储和计较能力的分歧。不少云端可以履行的操作，在車端變得難以實现，好比说集成進修的一些方法。因此在設計車端發掘方案時，固然照旧遵守不异原则和底层逻辑，但更可能是采纳一些輕量级的计谋。“简略总結，数据提纯的显现方法，其實是云端到車端模子和计谋的两重降维。”

在获得高纯度数据後，若何高效力消化？李昂從是主動化、結合優化和数据散布三個角度举行了先容。

起首是基于延续進修與AutoML的一些觀點，在数据闭环内里設計了一套主動化練習引擎。操纵練習引擎對主動駕驶體系里的数据驱動模子履行主動化托管的能力，即在数据肯定的环境下，可以實现全無人的練習模式。

李昂称，在延续優化體系時，所有發掘的数据终极因此一個個数据集的形态傳输到練習引擎傍邊的。在迭代進程中發明，每次新数据進来的時辰，全部模子的結果是呈延续晋升的一個趋向，而且尚没有觀测到数据饱和的一個状况。

“上述是對单一模子的一個優化。而全部主動駕驶是一個多模块的繁杂體系，因此咱們更必要去存眷結合優化的問题。”李昂指出，全部的主動駕驶體系可以看做是端到真個優化，终极在意的是無人車在車上的結果，而優化的方法是經由過程加之不少模块级此外辅助方针。好比感知會有本身的方针，展望、计劃城市有本身自力的方针。

因為全部體系内里存在不少不成微的模块，是以没有@法%妹妹149%子@真正地實现端到真個優化的這個能力。今朝全部的工程架構所做方法，雷同于體系级的Coordinate descent，又叫做坐標降低法子。此中，比力經典的結合優化例子是举動展望。

而数据散布在呆板進修内里是很是首要的觀點。今朝比力有用的数据驱動方法是基于深度進修，後者焦點原则是@履%MBk妹妹%历@危害最小化。

若何描写数据散布？李昂称，重要采纳標签化或叫場景化的方法。

以举動展望為例，實在可以通干預干與三個問题来映照所有的数据到分歧的場景，而這三個問题，可以别离是主車的举動、停滞物的举動，和停滞物的類型。當對每一個場景的数据举行统计，便可以终极得到全部数据集所對應的数据散布描写。

“固然并不是是彻底真正的散布，但平台具有如许的進献度估量能力，可以给研發带来必定水平的帮忙。”李昂指出，從此外一個角度，可以适度地按照数据散布供给引导，来调解数据散布先驗或是指標评测時的数据散布，從而到达增强練習指標和评测指標一致性的方法。”

总結来看，baidu提出了以高提纯、高消化為焦點驱動力的数据闭环的設計思绪。高提纯通太小模子和大模子的車云协同，實现高效的数据發掘和主動化標注；高消化經由過程数据、模子、指標的集中式、端到端整合来實现。

除此以外，練習、推理和数据散布是在数据消化中可以構成有用的一個反馈機制，進一步晋升数据消化的总體效力和結果。

05

欧陽剑：昆仑芯斟酌高阶主動駕驶車規级SOC

芯片部門，由昆仑芯科技CEO欧陽剑举行了先容。

“昆仑芯”曾是baidu的一個部分，2011年正式自力。欧陽剑暗示，昆仑芯已量產了两代，第三代、第四代芯片在研發進程中。

此中，第一代AI芯片采纳14纳米的工藝、2.5D的封装，這款芯片刚量產就在baidu数据中内心摆設了跨越2万片；第二代AI芯片為7纳米工藝，采纳了XPU第二代的架構。截至2022年，第二代昆仑芯已在数据中間、工業、主動駕驶等范畴举行了大范围的摆設和落地。

比拟其他海内自立研發的AI芯片，昆仑芯有何上風？

欧陽剑称，在他眼里，昆仑芯產物有三點上風：第一，昆仑芯是為数未几可以或许在真實體系上大范围摆設和利用的AI芯片；第二，其生态完整性是海内做的最佳的，跟海内所有的處置器、操作體系都举行了适配；第三，它機動易用，供给的SDK，赐與開辟者很是低的進修門坎和很是快的迭代效力。

截至今朝，昆仑芯已在車路协同、物流體系、伶俐交通等與交通相干范畴落地。详细到主動駕驶方面，昆仑芯二代芯片已在baiduRoboTaxi體系上做了彻底适配。

“咱們用昆仑芯二代芯片跟業界最主流显卡做了機能比拟，咱們的機能優于這個显卡，而功耗只有不到它的一半。咱們也跟主流的AI加快卡做了機能比拟，是它的两倍以上，同時咱們也做了一個端到真個测试，在不到它的一半的功耗之下，取患了比力领先的機能。”欧陽剑暗示，除AI的模子，在一些節制计劃模子上，昆仑芯也获得相對于一些显卡更好的機能結果。

他指出，不止與RoboTaxi駕驶體系适配，昆仑芯也在一些仿真體系和在路测體系上做了测试，結果到达客户的请求。

在欧陽剑看来，今天的高阶主動駕驶计较體系，與数据中間體系有很是類似的處所，它的算法很是多元，迭代速率很是的快，繁杂度愈来愈高。這對芯片的请求也愈来愈高，它必定是请求很是好编程、好移植，不然那些先辈的算法無法很快迭代到車上来利用，體系也就無法包管领先性。别的，不乱性也要很是好這不但包含硬件，還包含全部软件，甚至全部體系。

“我介入主動駕驶體系方面事情已不少年，在車载计较體系上，曩昔有概念認為它是相對于封锁的體系，要做很是深度的软件和硬件定制。五六年前在云端AI芯片上也同样有人在讲這個概念。”欧陽剑称，但今天轉頭来看，曩昔五六年提上述概念的AI芯片公司全数已不在市場里。

是以，欧陽剑認為，将来車载计较體系必定是相對于開放，可以或许给用户供给高算力、高通用，可以知足客户個性化需求的计较體系。“将来，昆仑芯也會斟酌面向高阶主動駕驶體系定制車規高機能的SOC。”

06

王亮：L4/L2+技能落地共生

咱們常说，汽車行業正在履历百年一遇的變化，電動化、智能化正在加快到来。

第一阶段是電動化，已于2021年完成跨沟，汽車智能化紧随而来。王亮称，2023年具有都會門路辅助駕驶能力的產物上市，會動員C端用户需求，并在2025年摆布實现跨沟。“進入第三阶段，智能電動車的综合竞争中，用户對智能化的诉求會靠近彻底主動駕驶，即L4级主動駕驶。”

在L4技能演進趋向方面，baidu内部也有本身的计劃。其認為，在2025年技能将跑通限制區域的無人化，Robotaxi的贸易模式获得開端驗證；紧接着将進入多城區贸易化運营的新阶段，這象征着Robotaxi的数目和范围将大幅增长，范围增加也預示着L4技能對平安性的请求将加倍严苛，對新技能和数据的需求更加急迫。

随後王亮先容了baidu在主動駕驶范畴希望：L4主動駕驶運营测试里程累计跨越4000万千米；萝卜快跑在多個都會開启對市民的運营，累计定单跨越140 万；本年8月baidu在武汉和重庆海内初次實现“全無人贸易化運营”，這是中國主動駕驶汗青上的首要里程碑。

辅助駕驶方面，王亮称，今朝海内市場智駕產物以高速领航辅助駕驶和影象停車為主。稀有据显示，中國住民平常出行中，都會通勤占比在70%以上，有都會主動駕驶能治療灰指甲神器,力的L2+產物将是将来市場的主流趋向。

“baidu将在2023年面向市場推出一款L2+领航辅助駕驶旗舰產物ANP3.0。”王亮先容成，它将支撑繁杂都會門路場景，而且跟尾融通高速和吸油片,停車場景。此中，智能駕驶计较单位，采纳的是baidu自立研發的智駕域節制器，搭载了2颗英伟达Orin-x芯片，AI算力為500 TOPS；傳感器方面，部門搭载了800万像素高清摄像頭，视距可以到达400米。同時搭配半固态激光雷达，每秒發生百万淚溝,以上的點云。

王亮称，baidu對傳感器方案的果断是：激光雷达和视觉感知具有不异的首要性和不成替换性，缺一不成。ANP3.0以视觉方案為主，同時體系也搭配激光雷达。ANP3.0视觉、激光雷达两套體系自力運作、低耦合。

ANP3.0视觉感知技能始于2019年启動的Apollo Lite项目，采纳了“单目感知”加“环顾後交融”的技能框架。

Lite感知體系的前端，是基于深度進修的2D方针檢测與3D位姿估量；模子输出的觀测颠末单相機跟踪、多相機交融等步调输出终极的感知成果。“這一方案在通例場景取患了很不错的結果，但跟着测试范围的渐渐扩展，在面临一些必要多相機协同解决的Corner case時逐步显得力有未逮”。是以，王亮称，本年baidu對视觉感知框架举行了進级，推出了第二代纯视觉感知體系Lite++。

Lite++經由過程Transformer把前视特性轉到BEV，在特性层面临相機觀测举行前交融後，直接输出三维感知成果，并融應時序特性實现活動估量Learning化；模子設計层面，基于transformer布局，實现時空特性交融。

在空間交融阶段将位置编码變更從全局BEV空間轉换到局部相機坐標系，解除相機表里参差别带来的差别。時序上尽量多的交融主車活動與多帧信息，晋升停滞物檢测不乱性。同時基于時序特性，停滞物的速率、用意、将来轨迹展望等关頭信息均可以举行端到真個输出。

别的，Lite++對後處置的多相機交融依靠更低，算力需求更輕，泛化性更好。

ANP 3.0@另%rd6Rt%外%rd6Rt%一大特%1nHaR%點@是熟路。今朝，智能駕驶行業内風行無高精舆图的在线舆图進修线路，如许做的方针很清楚：但愿能解脱高精舆图的依靠，讓智駕體系可以或许Drive everywhere。

王亮認為，這带来的問题也很较着，門路布局的推理對主動駕驶决议计劃计劃算法相當首要，一旦算法在感知物理世界的門路布局层面呈现問题，車辆的举動将難以展望，给用户带来极大的不平安感。“咱們認為，在今天做都會级高档辅助駕驶，高精舆图是平安、體驗好智駕產物的必须品。”

ANP3.0的方针是讓主動駕驶可以或许随時随地的開启，技能路径是用好baidu多年在高精舆图范畴堆集的上風；连系ba寵物商品, idu對主動駕驶算法的理解，界说了為智駕范围化泛化而生的“輕量化”主動駕驶舆图。在低落舆图建造本钱的同時，經由過程扶植在线舆图進修能力，用算法應答實際變動、冗余舆图的標注問题。

為晋升泛化能力、扩展舆图笼盖范围。baidu經由過程一系列法子低落舆图建造本钱。起首是舆图数据收集阶段的减负；其次是定位图层的降维；最後是舆图元素標注需求的瘦身。

和傳感器方案同样，舆图也必要冗余，輕舆图落地依靠于暗地里强感知的支持。精准及時的門路布局感知能力是此中最為关頭的一环。為此baidu設計研發了基于BEV的纯视觉及時在线舆图進修框架，以baidu自研高精舆图為原始监视数据，端到端地進修從环顾图象到矢量化門路布局的映照，解决實際變動的發明問题和都會門路的泛化困難。

王亮先容道，今朝ANP3.0已進入北上廣深多地泛化测试阶段，将在2023年炎天跟着第一個客户車型上市與大師碰頭。

将来，跟着L4范围化贸易试運营的到来和高档辅助駕驶產物的普及，baidu若何操纵L2+產物反哺L4技能，加快Robotaxi的范围化商用？

针對這個問题，王亮認為，實现無人駕驶贸易化的最好路径是，前期在限制區域實现技能堆集，經由過程技能降维和L4数据，為L2+產物做热启動；更持久看，操纵L2的范围上風，提早采集L4泛化所必要储蓄的长尾問题。這也恰是baidu今朝所采纳的技能路径。

在王亮看来，baidu领航辅助駕驶產物将来3-5年搭载量有望冲破百万。百万量级行驶在都會門路上的L2+乘用車，可有用地采集和弥补长尾問题，加快L4無人駕驶體系在更大范畴運营，数据壁垒也将成為baidu的L4技能護城河。

“咱們看到，2025年L2+產物将超過消费者邊界，L4的贸易模式也将在局部區域和都會實现跑通，二者的慎密共同将正式開启，两者的连系将比任何单一起径都更快速、更高效地實现主動駕驶。”王亮暗示，L4技能降维L2+產物已走通。

2023年後，ANP3.0数据反哺L4的计劃也在举行中，并已完成為了前期的技能結構，跟着智駕ANP3.0產物上市，後续L4和L2+技能的协同飞轮将運轉起来，構成正反馈。

王亮称，在主動駕驶攀峰門路上，baiduL四、L2+技能和界说描写是：一方為另外一方供给有益于保存的帮忙，同時也得到對方的帮忙，两種技能方案和產物形态共存，互相依靠，相互有益，此為“共生”。

---

歡迎光臨 新北市學車交流論壇 (https://bbs.hair999.com.tw/)

Powered by Discuz! X3.3