百度 Apollo 1.5 解析:如何实现单车道自动驾驶?

· Sep 20, 2017

今年 7 月 5 号,百度正式发布了 Apollo 计划,在接下来的一段时间,这个自动驾驶生态项目在国内国外引起了巨大的讨论和解读,成为不少汽车及自动驾驶从业者必聊的话题。「你觉得 Apollo 计划怎么样?靠不靠谱?」如果有一个可以覆盖我们日常对话和文字交流的搜索引擎,这个问题的搜索结果一定是海量的。

按照百度给出的数据,在过去的这两个多月里, Apollo 计划新增了 6.5 万行开源代码,而他们也在今天带来了这个计划的最新变化:Apollo 1.5 正式对外发布。

为什么叫 Apollo 1.5?对这个项目有持续关注的同学应该记得,在 7 月 5 号的发布会上,百度虽然展示了 Apollo 的技术全景,但是当时他们开放的其实是 Apollo 1.0 的版本,可以实现封闭场地的循迹自动驾驶能力。而按照他们当时给出的时间表,在 2017 年 9 月会开放固定车道自动驾驶的能力,到 2017 年 12 月,开放简单城市路况自动驾驶能力,也就是 Apollo 2.0。屏幕快照 2017-09-20 下午8.26.22

这次他们开发的 Apollo 1.5,实际上就是开放了固定车道自动驾驶能力。也就是说,在大家经常提及的 1.0 及 2.0 版本之外,今天发布的 1.5 版本,其实原本就在百度的计划之中,并不是一场「临时起意」。

具体在技术层面开放了什么呢?这时候又要搬出那张经典的 Apollo 技术架构图了。

我们再来复习一下 1.0 和 2.0 版本的路线图:

1.0,蓝色框为开放的能力:
1X4A0133

2.0,相比 1.0 新增了紫色框的内容:

屏幕快照 2017-09-20 下午8.34.19而 Apollo 1.5 的路线图是这样的,其中黄色部分的内容是这次所开放的内容:1.5

可以看到,在开源软件平台层面,这次开放了地图引擎(Map Engine)、感知(Perception)、规划(Planning)、端到端深度学习(End-to-End)四个能力。而在云端服务平台层面,这次开放了高精度地图(HD Map)、仿真模拟平台(Simulation)两部分。硬件方面,Apollo 开放了对于激光雷达的支持。

把这些能力和 1.0 版本所开发的能力相加,Apollo 1.5 所能实现的功能如前所说,就是「定车道昼夜自动驾驶」,也就是说,如果你想基于 Apollo 开源代码做自动驾驶,用了 1.5 版本的这套东西,可以让你的车子实现单车道内的自主驾驶和跟车功能。

允许我跳脱一下说句题外话:百度这个 Apollo 1.5 发布会,做的相当技术范儿,如果不是对于自动驾驶技术有较深研究的记者,可能会听的很晕。当然,发布会到场的不止媒体,合作伙伴和潜在合作伙伴听了这些,可能会很「享受」。

但是在这里还是有必要去分解一下技术层面的东西。

来看看这次 1.5 版本开放的五大能力:障碍物感知、决策规划、云端仿真、高精地图服务、端到端的深度学习。

其中按照 Apollo 平台研发负责人王京傲的说法,前四个能力是「如期开放」的,而在 Apollo 1.5 这个时间节点上开放端到端的深度学习能力有点儿「意料之外」。

在我看来,选择开放什么能力,是由每个阶段的目标所决定的。从 1.0 的封闭场地自动循迹发展到 1.5 的定车道自动驾驶,障碍物感知、决策规划、仿真测试、高精地图这几项能力,其实是必须要开放出来的,否则很难实现 1.5 的目标。

先说障碍物感知。按照百度的说法,这个能力是基于深度学习实现的。具体原理是,通过「参考硬件」Velodyne 的 64 线激光雷达采集周围环境的点云数据,然后使用英伟达的 GPU,通过 CUDA、CuDNN、Caffe 技术实现对于障碍物的精准识别。一方面,可以实现对障碍物的行为预测,另一方面,为了适配不同的障碍物,Apollo 也会提供不同的算法。

IMG_8279

这也解释了为什么百度要在 Apollo 1.5 里开放对于激光雷达的支持。

而作为百度投资的公司,Velodyne 今天也在现场发布了一个消息:他们正式在国内上市 32 线激光雷达产品 VLP-32C(请记住,是 32C)。另外,对于 Apollo 生态成员,Velodyne 还会提供「特殊服务」:如果这些公司需要激光雷达装在自己的自动驾驶测试车上,Velodyne 会提供更短的交货周期、专项技术支持,当然还有「生态成员专属价格」。IMG_8304

决策规划:系统可以对无人车收集的数据进行筛选聚合,在决策规划这个模块对这些数据进行重构,基于此,运用不同的优化器,为无人车画出最安全、最光滑的行车路径。具体看图吧,懂的同学自然懂:

IMG_8281

端到端的深度学习:既采用了卷积神经网络,也采用了创新性的基于深度学习的神经网络。

IMG_8282

高精度地图:这是实现自动驾驶的基础之一,此前我们也专门用一篇文章介绍过百度高精度地图的具体采集、制作过程。百度认为他们的高精度地图具备精细化程度高、生产效率高、覆盖面广这三个核心优势。

百度的目标是到 2020 年,Apollo 高精度地图将覆盖全国所有高等级道路及重点城市道路,目前开放的是全国范围内高速公路与特定城市道路的高精度地图,精度在 15-20cm 的级别。

云端仿真:百度称之为自动驾驶的「加速器」。它的意义在于,不需要实际用自动驾驶测试车上路实测,在仿真平台上就可以进行「虚拟路试」,达到快速锻炼算法以及积累数据的目的,节省成本,提升效率,快速迭代。IMG_8289

Apollo 仿真平台的优势在于内置高精地图、拥有海量场景、有云端计算能力以及可以提供专业度量体系(度量体系也就是所谓的「裁判员」,用来评估测试的算法水平如何)。

按照百度给出的信息,Apollo 仿真平台的虚拟运算能力可以达到「日行百万公里」。

好了,以上就是对于这几个新增开放能力的介绍。说实话,百度在发布会上给出的信息量要远大于我所写的,他们对每个能力的讲解都非常详细。如果你是自动驾驶技术的开发者,可以去 Apollo 的官网了解更多,如果你是吃瓜群众,这部分有个基本了解就够了。

当然还有一种可能:作为吃瓜群众,没准儿你看了这些东西,也想去 DIY 一个自动驾驶车玩玩?

说完了技术,再来聊一些关于 Apollo 计划更宏观的东西。

「开发者」这个词,是百度方面反复提及的,作为一个开放的自动驾驶计划,开发者的重要性不言而喻,如果不好理解的话,可以参考安卓的例子。用百度的话术来说就是:开发者的成功,就是 Apollo 计划的成功。

在发布会现场,三个「开发者」从不同的角度聊了聊自己的体会,他们分别是金龙客车、Momenta 以及智行者科技这两家创业公司。

金龙把一辆 6 米长的巴士进行了硬件改装,灌入 Apollo 1.0 的代码,在一周之内让车辆具备了封闭场地循迹能力。而这也标志着 Apollo 的应用从乘用车拓展到了商用车领域。

Momenta 和智行者提供了两个 Apollo 1.5 的应用案例。

Momenta 的 CEO 曹旭东介绍说,他们基于 Apollo1.5 做的自动驾驶测试车,在白天和夜晚场景下可以完成对于前车突然并线、行人、自行车横穿马路等交通场景的精准识别。而当路上出现垃圾桶、大型犬及纸箱等非典型交通场景时,车辆也能做出准确判断,提供安全稳定的行车决策。他们和 Apollo 的合作主要是为了验证障碍物识别和激光雷达感知部分的能力。

至于智行者,他们和 Apollo 的合作主要基于高精度地图和云端仿真。在北京某个公园目前已经投入了一种「无人驾驶扫路机」,智行者为它提供了无人驾驶解决方案,而这其中就用到了 Apollo 的高精度地图及定位服务,实现了自动避障、自主循迹、定点起停、自主扫地等功能。另外,智行者还利用了云端仿真平台进行自动驾驶模拟测试。

据百度介绍,在经过了两个多月的发展之后,Apollo 生态目前的合作伙伴数量增加到 70 家左右。

至于整个 Apollo 开发者生态的构成,可以用百度副总裁邬学斌在现场展示的一张图片说明:阿波罗开发者生态

其实从 1.0 到 1.5 再到未来的 2.0,可以看出的是,百度很看重 Apollo 的迭代能力,做个可能不恰当的比喻,这就有点儿像特斯拉的 OTA 远程更新。作为 Apollo 生态的合作伙伴,不断地获得自动驾驶能力的更新,可能这也是一件有「生命力」的事儿。

而当问及 Apollo 到底如何赢利的时候,邬学斌的回答简短但却意味深长:不在现有价值链里淘金,而是从云端提供服务。


原创声明: 本文为 GeekCar 原创作品,欢迎转载。转载时请在文章开头注明作者和「来源自 GeekCar」,并附上原文链接,不得修改原文内容,谢谢合作!

同时欢迎关注 GeekCar 微信公众号:     GeekCar 极客汽车    (微信号:GeekCar)& 极市    (微信号:geeket)。

网站文章微信推广-21

0


Related Posts 相关文章

发表评论