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。
免责声明：科技狗对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。 本网站转载图片、文字之类版权申明，本网站无法鉴别所上传图片或文字的知识版权，如果侵犯，请及时通知我们，本网站将在第一时间及时删除：yzl_300@126.com
