百度最新無人車技術(shù)低調(diào)發(fā)布！6位大牛，人均至少T11

賈浩楠 發(fā)自 副駕寺

智能車參考 | 公眾號 AI4Auto

“CTO級無人車大牛不稀缺，我們這也就百八十個吧”。

可能只有百度Apollo有資本這樣說。

而且也許也只有Apollo有膽量這么做：

年初一語，年末兌現(xiàn)。

百度無人車技術(shù)天團(tuán)集體現(xiàn)身，從軟件、硬件、系統(tǒng)全方位分享展示自動駕駛從技術(shù)到商業(yè)的進(jìn)展。

這些以往在幕后的大牛都是誰？他們分享了哪些東西？

如何從Apollo這面“鏡子”，一窺無人車發(fā)展的最新態(tài)勢？

（發(fā)言在未改變原意的基礎(chǔ)上，僅做流暢性編輯）

百度如何設(shè)計自動駕駛技術(shù)體系？

百度自動駕駛首席架構(gòu)師陳競凱，從整體圖景上分析了Apollo自動駕駛系統(tǒng)的核心原則和架構(gòu)。

自動駕駛系統(tǒng)應(yīng)該如何設(shè)計？一直都有兩個思路：一個是偏學(xué)術(shù)的，傾向于統(tǒng)一建模，端到端的解決問題；另外一個思路是偏向工程的，去拆分系統(tǒng)，分治突破。

端到端的建模非常的簡潔優(yōu)美，從長遠(yuǎn)來看，也是一個非常有前途的方向。

在這種思路下，在其他的領(lǐng)域里面也看到了一些不錯的進(jìn)展，比如說技術(shù)模型在NLP領(lǐng)域里面已經(jīng)取得了統(tǒng)治性的地位。在圖像領(lǐng)域，大模型也給我們帶來很多的驚喜。同樣，我們對于這種端到端的大模型的解決方案， 在自動駕駛系統(tǒng)的發(fā)展也充滿了期待。

這個方案的問題在于存在很大的不確定性。我們不能確定它究竟何時成熟，是兩年還是十年，這是一個問題。

所以我們目前的主要的思路還是沿著工程化的路線推進(jìn)，同時也沒有放棄我們在端到端方面上的一些探索。探索的過程中間，也會把階段性的成果應(yīng)用到一些路線上。

車載系統(tǒng)大體分成四個部分：地圖、感知、預(yù)測決策、規(guī)劃控制。

地圖系統(tǒng)不管是離線或在線地圖，總是自動駕駛系統(tǒng)的底層表達(dá)。離線地圖是超視距整體性的感知，它在自動駕駛系統(tǒng)中發(fā)揮著重要的作用。

離線地圖制作成本是不是很高？會不會成為障礙？在實(shí)踐過程中間我們發(fā)現(xiàn)，離線地圖并不是一個高成本的障礙，反而是前進(jìn)的助力。

問題在于地圖的實(shí)時性才是它的問題，而不是它的更新率或者它的成本。

目前的實(shí)踐中，車端實(shí)時生產(chǎn)的地圖和規(guī)?；a(chǎn)的地圖其實(shí)上還是有質(zhì)量上的一些差距。需要通過我們自動駕駛策略去適應(yīng)這兩種地圖差異。但這種適應(yīng)對自動駕駛能力來說是有折損的。

所以我們認(rèn)為，在目前的條件下，一個規(guī)?；a(chǎn)的高精地圖還是不可或缺的，實(shí)時地圖更多的會被我們用在應(yīng)對現(xiàn)實(shí)世界的變更，這時候我們會把自動駕駛的策略調(diào)整到一個更加安全謹(jǐn)慎的方式。

感知系統(tǒng)目前在整個業(yè)界的發(fā)展思路還是比較統(tǒng)一的，基本上是一個數(shù)據(jù)加模型驅(qū)動的系統(tǒng)。

主要的分歧在于傳感器的配置。

我們的判斷是這樣的：應(yīng)該去充分發(fā)揮各個傳感器的能力，先要把事情做成，然后再去追求更好、更低成本。具體實(shí)踐中從后融合的方案轉(zhuǎn)向前融合的方案。

前融合使得我們能夠充分地發(fā)揮各個傳感器的優(yōu)勢。另外，我們也會充分的利用百度大模型技術(shù)方面的積累提升感知能力。

預(yù)測決策系統(tǒng)直接面對復(fù)雜外部環(huán)境的一個非常重要的部分。

百度最初的自動駕駛系統(tǒng)，預(yù)測和決策是分開的。預(yù)測帶有自標(biāo)注的任務(wù)，一直都是數(shù)據(jù)驅(qū)動的，決策、規(guī)劃、控制，當(dāng)初沿用的都是一些偏規(guī)則的傳統(tǒng)方案。

基于規(guī)則的方案，通常是把遇到的問題劃分成各種場景，在每個場景下，針對不同出現(xiàn)的問題，再做相應(yīng)的處理。為了不讓各個規(guī)則之間發(fā)生沖突，通常會仔細(xì)地限定每個規(guī)則的作用范圍，一層一層地拆分下去，如果做得好的話，我們會形成一個類似樹形的拆分結(jié)構(gòu)；如果處理得不好的話，就會變成一個補(bǔ)丁摞補(bǔ)丁的系統(tǒng)。

上述規(guī)則系統(tǒng)在最初的時候，可以最大化人類的經(jīng)驗(yàn)和知識，迅速地提升自動駕駛能力，但是隨著時間的推移，有兩個問題不可避免。一是策略分叉；二是面對城市擴(kuò)展、場景變化的時候，需要調(diào)整規(guī)則去適應(yīng)。

因此，百度認(rèn)為學(xué)習(xí)性的PNC是實(shí)現(xiàn)全無人的一個必由之路。陳競凱表示：“預(yù)測和決策其實(shí)是一個問題的兩面，預(yù)測是決策的自我預(yù)言實(shí)現(xiàn)。所以我們構(gòu)造了一個預(yù)測和決策的多任務(wù)系統(tǒng)，聯(lián)合處理這個問題。我們對信號燈、道路元素等都做了一些建模和交互的處理，最后形成預(yù)測和決策的一個結(jié)果。”

百度的最終目標(biāo)也不是用學(xué)習(xí)系統(tǒng)去完全替代規(guī)則系統(tǒng)。陳競凱稱，一方面因?yàn)榻煌ㄏ到y(tǒng)本來就是一個靠規(guī)則約束的系統(tǒng)；另一方面也需要規(guī)則去守護(hù)最后的底線。

仿真系統(tǒng)方面，百度追求的是做一個有用的仿真系統(tǒng)，要能夠滿足對于問題迭代的需求。為此，其做了大量工作。如Worldsim系統(tǒng)，使得能夠批量地去構(gòu)造大量的場景，去驗(yàn)證在各種場景下的綜合能力；L2W系統(tǒng)，能夠精確地復(fù)現(xiàn)道路的場景，幫助其去分析和驗(yàn)證路上的問題。

另外，從一個城市向另一個城市遷移過程中，數(shù)據(jù)統(tǒng)計、數(shù)據(jù)分布是有變化的，這時候要求我們的自動駕駛能力、策略要做一些細(xì)微的調(diào)整，整體的場景庫也對遷移過程提供很多保障。

仿真系統(tǒng)在自動駕駛技術(shù)迭代的過程中間發(fā)揮了非常重要作用，是技術(shù)能力提升的重要支撐。

百度自動駕駛地圖，有什么不同？

百度人工智能技術(shù)委員會主席黃際洲介紹了百度自動駕駛地圖的相關(guān)進(jìn)展。

近期有一部分L2智能駕駛在提”重感知，輕地圖”這一主張。這主要原因是很難翻越高精地圖面臨的“三座大山”，即資質(zhì)壁壘、自研壁壘和供給稀缺。我們的觀點(diǎn)是輕成本、重體驗(yàn)的地圖對自動駕駛至關(guān)重要。

對于L4的自動駕駛而言，要達(dá)到99.99%以上的成功率，高精地圖更是其中必不可少的核心能力之一，并要做到“把成本做輕、把體驗(yàn)做重”。

“輕成本”主要從自動化數(shù)據(jù)融合和地圖自動化標(biāo)注兩方面展開。

自動化數(shù)據(jù)融合，是高精地圖大規(guī)模生產(chǎn)的重要基礎(chǔ)和核心能力，其目標(biāo)是全自動地將多次采集到的傳感器的數(shù)據(jù)，比如說激光點(diǎn)云或者道路的影像，在統(tǒng)一的坐標(biāo)系下進(jìn)行融合，主要的挑戰(zhàn)就在于這個融合的絕對或者是相對的精度要達(dá)到厘米級。

為了實(shí)現(xiàn)上述目標(biāo)，百度通常先將這些數(shù)據(jù)按照塊或者道路進(jìn)行劃分，在每個分塊里首先進(jìn)行數(shù)據(jù)的融合，然后再對塊之間進(jìn)行高精要素的串線和幾何的調(diào)整，以增強(qiáng)塊間高精要素的連續(xù)性。

如何保證上述所得到的基礎(chǔ)數(shù)據(jù)都是完全對齊的？百度的解決方案是按照數(shù)據(jù)空間分布劃分去構(gòu)建多層級的圖結(jié)構(gòu)，確保全圖的精度是一致的。這其中主要的技術(shù)創(chuàng)新有三個方面：第一是多層級的圖優(yōu)化；第二點(diǎn)是場景化關(guān)聯(lián)和匹配；第三是基于學(xué)習(xí)的匹配算法。

地圖自動化標(biāo)注，指的是基于點(diǎn)云和圖像數(shù)據(jù)自動生成高精地圖的過程，是顯著降本增效的核心驅(qū)動。

為了達(dá)到高自動化率，百度在要素識別、矢量提取、自動建模等關(guān)鍵步驟上都進(jìn)行技術(shù)創(chuàng)新。

其中，要素識別上，采用的是多層級的點(diǎn)云識別方式，識別的結(jié)果要遠(yuǎn)遠(yuǎn)優(yōu)于一次識別的結(jié)果；矢量提取上，對點(diǎn)云和圖像中提取的矢量要素進(jìn)行后融合，保證要素的高精度和高召回；自動建模上，基于車道級的拓?fù)淠０暹M(jìn)行矢量要素匹配，極大地提高拓?fù)涞纳梢约败嚨谰€串接的準(zhǔn)確性。

重體驗(yàn)部分，則主要包括安全、舒適和高效三個方面。

安全方面，百度采用的方案是融合車端感知數(shù)據(jù)與多源地圖來實(shí)時地生成在線地圖；舒適方面，百度引入駕駛知識圖譜來實(shí)現(xiàn)；高效方面，百度解決方案是，基于百度智能交通以及百度地圖，構(gòu)建交通大腦，賦能自動駕駛出行。

此外，為了保證更好的自動駕駛體驗(yàn)，百度提出了Apollo自動駕駛地圖，主要分為四層：

第一層是靜態(tài)層，這一層也是傳統(tǒng)高精地圖內(nèi)容，包括車道級的數(shù)據(jù)、拓?fù)鋽?shù)據(jù)以及輔助車輛定位的定位數(shù)據(jù)。

第二層是動態(tài)層，包括實(shí)時的交通的事件、實(shí)時的交通的態(tài)勢以及實(shí)時的環(huán)境的變化，這需要依賴于海量的時空數(shù)據(jù)以及車路協(xié)同等。

第三層是知識層，最核心的是駕駛知識圖譜，以及與自動駕駛體驗(yàn)強(qiáng)相關(guān)的安全駕駛、舒適駕駛行為與知識等。

第四層是駕駛層，知識與駕駛策略的融合，實(shí)現(xiàn)深度融合地圖和感知、決策、控制應(yīng)用；而數(shù)據(jù)實(shí)時感知的融合，數(shù)據(jù)閉環(huán)還有實(shí)時更新，實(shí)現(xiàn)了高鮮度的地圖的數(shù)據(jù)。

Apollo自動駕駛地圖已經(jīng)實(shí)現(xiàn)了規(guī)模化的應(yīng)用：

首先，蘿卜快跑快速發(fā)展，累計訂單量達(dá)到140萬單；其次，提供智能駕駛?cè)珗鼍绑w驗(yàn)ANP領(lǐng)航輔助駕駛解決方案；最后，百度地圖率先推出了城市車道級導(dǎo)航、車位級導(dǎo)航、智能紅綠燈等自動駕駛級導(dǎo)航產(chǎn)品功能。

感知系統(tǒng)：大模型成核心驅(qū)動力

百度計算機(jī)視覺首席架構(gòu)師王井東，介紹了百度自動駕駛感知系統(tǒng)的情況。

百度自動駕駛感知經(jīng)歷了兩代。

感知1.0的百度經(jīng)過了三個階段：第一階段主要依賴激光雷達(dá)點(diǎn)云感知，輔助紅綠燈的識別，同時利用了毫米波目標(biāo)陣列；第二階段增加了環(huán)視圖像的感知，與激光雷達(dá)點(diǎn)云感知形成兩層感知融合，提升了識別效果；第三階段，自研了毫米波點(diǎn)云感知算法，形成了三層感知的融合。

這些多模感知實(shí)際上用的是后融合方案，它通常需要規(guī)則的方法，是不可學(xué)習(xí)的，因此相對來說泛化能力不夠。

感知2.0主要部分是多模態(tài)前融合端到端的方案，在點(diǎn)云和圖像的表征層次上進(jìn)行融合。與此同時，遠(yuǎn)視距的視覺感知，通常在200米以上視覺的感知效果相對比較好；近距離采用了魚眼感知，從魚眼感知實(shí)現(xiàn)了freespace的預(yù)測。

感知環(huán)境，需要豐富和高質(zhì)量的數(shù)據(jù)，基于此，百度感知2.0還利用大模型進(jìn)行數(shù)據(jù)挖掘和數(shù)據(jù)的自動標(biāo)注。

而在自動駕駛感知里往往會遇到一些挑戰(zhàn)。一是遠(yuǎn)距離的視覺感知問題；二是在點(diǎn)云空間去做3D的標(biāo)注非常困難；三是長尾數(shù)據(jù)挖掘問題，包括少見的車型、各種形態(tài)、各種姿態(tài)行人，以及低矮物體、交通、施工元素等。

如何解決上述三種挑戰(zhàn)？百度的方法是利用大模型技術(shù)，來提升自動駕駛感知能力。

首先利用文心大模型自動駕駛感知的技術(shù)，來提升車載小模型的感知能力。同時在數(shù)據(jù)方面，利用了文心大模型圖像弱監(jiān)督預(yù)訓(xùn)練模型來挖掘長尾數(shù)據(jù)，提升模型訓(xùn)練效果。

在自動駕駛感知模型訓(xùn)練方面，百度采用的是半監(jiān)督方法，充分利用2D標(biāo)注和沒有3D標(biāo)注數(shù)據(jù)。

具體方法是采用迭代的自訓(xùn)練方案。首先在既有2D又有3D的訓(xùn)練數(shù)據(jù)上，去訓(xùn)練一個感知大模型出來，然后給沒有3D標(biāo)注數(shù)據(jù)打上3D偽標(biāo)注。再繼續(xù)訓(xùn)練一個感知大模型出來，如此迭代，逐步把感知大模型效果提升，同時也使得3D的尾標(biāo)注的效果越來越好。

上述感知大模型不僅用于視覺，也用于點(diǎn)云，也用于多模態(tài)端到端方案。

大模型已經(jīng)成為自動駕駛能力提升的核心驅(qū)動力。

Apollo數(shù)據(jù)閉環(huán)

百度自動駕駛專家李昂，分享了百度Apollo在數(shù)據(jù)閉環(huán)方面的思考。

隨著自動駕駛的規(guī)?；涞兀诔鞘械缆分行旭偟臒o人駕駛車會不斷遇到新問題和意想不到的新場景。自動駕駛需要持續(xù)學(xué)習(xí)，而數(shù)據(jù)閉環(huán)是其實(shí)現(xiàn)持續(xù)學(xué)習(xí)能力的重要基礎(chǔ)架構(gòu)。

面對大規(guī)模數(shù)據(jù)隨之帶來的存儲、標(biāo)注以及計算量壓力，百度Apollo提出了「高提純、高消化」的數(shù)據(jù)閉環(huán)設(shè)計思路。數(shù)據(jù)提純路徑利用車端小模型和云端大模型，實(shí)現(xiàn)高效率數(shù)據(jù)挖掘和自動化標(biāo)注。

數(shù)據(jù)規(guī)模不是唯一標(biāo)準(zhǔn)，數(shù)據(jù)純度也是重要考量；數(shù)據(jù)純度即為單位數(shù)據(jù)的信息量，數(shù)據(jù)挖掘與標(biāo)注是提高數(shù)據(jù)純度的兩個手段。百度正是根據(jù)這樣的思路，設(shè)計了自動駕駛的數(shù)據(jù)提純通路。

而且，百度Apollo發(fā)現(xiàn)，數(shù)據(jù)提純效率很大程度由推理引擎的效率決定，而推理引擎效率又可以分為數(shù)據(jù)讀取速度以及模型的推理和計算速度，后者可以通過分布式方式來提升。

為此，Apollo與百度飛槳團(tuán)隊(duì)合作，將百度自研的PaddleFlow數(shù)據(jù)緩存的基礎(chǔ)架構(gòu)集成引入數(shù)據(jù)閉環(huán)平臺，使推理引擎的數(shù)據(jù)讀取效率獲得10倍以上的提升。

此外，全量數(shù)據(jù)回傳無法支撐規(guī)?；?，數(shù)據(jù)提純的呈現(xiàn)方式實(shí)際上是云端到車端模型和策略的雙重降維。

獲取高純度的數(shù)據(jù)后，另一個重要的問題就是如何高效率、高質(zhì)量地消化這些數(shù)據(jù)，將其轉(zhuǎn)化為車輛的自動駕駛能力。數(shù)據(jù)分布不斷變化、多個模塊相互關(guān)聯(lián)、自動化效率，是無人駕駛系統(tǒng)的復(fù)雜性給數(shù)據(jù)消化帶來的三個挑戰(zhàn)。

為應(yīng)對上述問題，百度是通過數(shù)據(jù)、模型、指標(biāo)的集中式、端到端整合，來實(shí)現(xiàn)高質(zhì)量的數(shù)據(jù)消化，其基于持續(xù)學(xué)習(xí)與AutoML概念在數(shù)據(jù)閉環(huán)里設(shè)計了一套自動化訓(xùn)練引擎，并做了多模塊聯(lián)合優(yōu)化以及數(shù)據(jù)分布方面的一系列工作。

以行為預(yù)測為例，其實(shí)可以通過問三個問題來映射所有的數(shù)據(jù)到不同的場景，而這三個問題，可以分別是主車的行為、障礙物的行為，以及障礙物的類型。當(dāng)對每個場景的數(shù)據(jù)進(jìn)行統(tǒng)計，就可以最終獲得整個數(shù)據(jù)集所對應(yīng)的數(shù)據(jù)分布描述。

總結(jié)來看，百度提出了以高提純、高消化為核心驅(qū)動力的數(shù)據(jù)閉環(huán)的設(shè)計思路。高提純通過小模型和大模型的車云協(xié)同，實(shí)現(xiàn)高效的數(shù)據(jù)挖掘和自動化標(biāo)注；高消化通過數(shù)據(jù)、模型、指標(biāo)的集中式、端到端整合來實(shí)現(xiàn)。

除此之外，訓(xùn)練、推理以及數(shù)據(jù)分布是在數(shù)據(jù)消化中可以形成有效的一個反饋機(jī)制，進(jìn)一步提升數(shù)據(jù)消化的整體效率和效果。

百度造芯，如何支持自動駕駛？

昆侖芯科技CEO歐陽劍，介紹了百度在自動駕駛芯片方面的布局和進(jìn)展。

昆侖芯已經(jīng)量產(chǎn)了兩代，第三代、第四代芯片在研發(fā)過程中。

其中，第一代AI芯片采用14納米的工藝、2.5D的封裝，這款芯片剛量產(chǎn)就在百度數(shù)據(jù)中心里部署了超過2萬片；第二代AI芯片為7納米工藝，采用了XPU第二代的架構(gòu)。截至2022年，第二代昆侖芯已經(jīng)在數(shù)據(jù)中心、工業(yè)、自動駕駛等領(lǐng)域進(jìn)行了大規(guī)模的部署和落地。

昆侖芯產(chǎn)品有三點(diǎn)優(yōu)勢：第一，昆侖芯是為數(shù)不多能夠在真實(shí)系統(tǒng)上大規(guī)模部署和應(yīng)用的AI芯片；第二，其生態(tài)完備性是國內(nèi)做的最好的，跟國內(nèi)所有的處理器、操作系統(tǒng)都進(jìn)行了適配；第三，它靈活易用，提供的SDK，給予開發(fā)者非常低的學(xué)習(xí)門檻和非常快的迭代效率。

截至目前，昆侖芯已經(jīng)在車路協(xié)同、物流系統(tǒng)、智慧交通等與交通相關(guān)領(lǐng)域落地。具體到自動駕駛方面，昆侖芯二代芯片已經(jīng)在百度RoboTaxi系統(tǒng)上做了完全適配。

我們用昆侖芯二代芯片跟業(yè)界最主流顯卡做了性能對比，性能優(yōu)于這個顯卡，而功耗只有不到它的一半。我們也跟主流的AI加速卡做了性能對比，是它的兩倍以上，同時我們也做了一個端到端的測試，在不到它的一半的功耗之下，取得了比較領(lǐng)先的性能。

除了AI的模型，在一些控制規(guī)劃模型上，昆侖芯也取得相對一些顯卡更好的性能效果。

不止與RoboTaxi駕駛系統(tǒng)適配，昆侖芯也在一些仿真系統(tǒng)和在路測系統(tǒng)上做了測試，效果達(dá)到客戶的要求。

今天的高階自動駕駛計算系統(tǒng)，與數(shù)據(jù)中心系統(tǒng)有非常相似的地方，它的算法非常多元，迭代速度非常的快，復(fù)雜度越來越高。這對芯片的要求也越來越高，它一定是要求非常好編程、好移植，否則那些先進(jìn)的算法沒法很快迭代到車上來使用，系統(tǒng)也就沒法保證領(lǐng)先性。此外，穩(wěn)定性也要非常好這不僅包括硬件，還包括整個軟件，乃至整個系統(tǒng)。

在車載計算系統(tǒng)上，過去有觀點(diǎn)認(rèn)為它是相對封閉的系統(tǒng)，要做非常深度的軟件和硬件定制。五六年前在云端AI芯片上也一樣有人在講這個觀點(diǎn)。但今天回頭來看，過去五六年提上述觀點(diǎn)的AI芯片公司全部已經(jīng)不在市場里。

因此，未來車載計算系統(tǒng)一定是相對開放，能夠給用戶提供高算力、高通用，可以滿足客戶個性化需求的計算系統(tǒng)。

未來，昆侖芯也會考慮面向高階自動駕駛系統(tǒng)定制車規(guī)高性能的SOC。

商業(yè)落地：L4降維真的能走通？

百度智能駕駛事業(yè)群組技術(shù)委員會主席王亮，介紹了Apollo在L2、L4方向的商業(yè)化進(jìn)展，以及如和將兩種不同的技術(shù)棧，統(tǒng)一在一個數(shù)據(jù)閉環(huán)之中。

百度L4自動駕駛運(yùn)營測試?yán)锍汤塾嫵^4000萬公里；蘿卜快跑在多個城市開啟對市民的運(yùn)營，累計訂單超過140 萬；今年8月百度在武漢和重慶國內(nèi)首次實(shí)現(xiàn)“全無人商業(yè)化運(yùn)營”，這是中國自動駕駛歷史上的重要里程碑。

輔助駕駛方面，目前國內(nèi)市場智駕產(chǎn)品以高速領(lǐng)航輔助駕駛和記憶泊車為主。有數(shù)據(jù)顯示，中國居民日常出行中，城市通勤占比在70%以上，有城市自動駕駛能力的L2+產(chǎn)品將是未來市場的主流趨勢。

百度將在2023年面向市場推出一款L2+領(lǐng)航輔助駕駛旗艦產(chǎn)品ANP3.0，將支持復(fù)雜城市道路場景，并且銜接融通高速和泊車場景。

智能駕駛計算單元，采用的是百度自主研發(fā)的智駕域控制器，搭載了2顆英偉達(dá)Orin-x芯片，AI算力為500 TOPS；傳感器方面，部分搭載了800萬像素高清攝像頭，視距可以達(dá)到400米。同時搭配半固態(tài)激光雷達(dá)，每秒產(chǎn)生百萬以上的點(diǎn)云。

ANP3.0以視覺方案為主，同時系統(tǒng)也搭配激光雷達(dá)。ANP3.0視覺、激光雷達(dá)兩套系統(tǒng)獨(dú)立運(yùn)作、低耦合。

ANP3.0視覺感知技術(shù)始于2019年啟動的Apollo Lite項(xiàng)目，采用了“單目感知”加“環(huán)視后融合”的技術(shù)框架。

今年百度對視覺感知框架進(jìn)行了升級，推出了第二代純視覺感知系統(tǒng)Lite++。

Lite++通過Transformer把前視特征轉(zhuǎn)到BEV，在特征層面對相機(jī)觀測進(jìn)行前融合后，直接輸出三維感知結(jié)果，并融合時序特征實(shí)現(xiàn)運(yùn)動估計Learning化；模型設(shè)計層面，基于transformer結(jié)構(gòu)，實(shí)現(xiàn)時空特征融合。

在空間融合階段將位置編碼變換從全局BEV空間轉(zhuǎn)換到局部相機(jī)坐標(biāo)系，消除相機(jī)內(nèi)外參差異帶來的差異。時序上盡可能多的融合主車運(yùn)動與多幀信息，提升障礙物檢測穩(wěn)定性。同時基于時序特征，障礙物的速度、意圖、未來軌跡預(yù)測等關(guān)鍵信息都可以進(jìn)行端到端的輸出。

此外，Lite++對后處理的多相機(jī)融合依賴更低，算力需求更輕，泛化性更好。

ANP3.0的目標(biāo)是讓自動駕駛能夠隨時隨地的開啟，技術(shù)路徑是用好百度多年在高精地圖領(lǐng)域積累的優(yōu)勢；結(jié)合百度對自動駕駛算法的理解，定義了為智駕規(guī)模化泛化而生的“輕量化”自動駕駛地圖。在降低地圖制作成本的同時，通過建設(shè)在線地圖學(xué)習(xí)能力，用算法應(yīng)對現(xiàn)實(shí)變更、冗余地圖的標(biāo)注問題。

目前ANP3.0已進(jìn)入北上廣深多地泛化測試階段，將在2023年夏天隨著第一個客戶車型上市與大家見面。

隨著L4規(guī)?；虡I(yè)試運(yùn)營的到來和高級輔助駕駛產(chǎn)品的普及，百度如何利用L2+產(chǎn)品反哺L4技術(shù)，加速Robotaxi的規(guī)模化商用？

實(shí)現(xiàn)無人駕駛商業(yè)化的最佳路徑是，前期在限定區(qū)域?qū)崿F(xiàn)技術(shù)積累，通過技術(shù)降維和L4數(shù)據(jù)，為L2+產(chǎn)品做熱啟動；更長期看，利用L2的規(guī)模優(yōu)勢，提前收集L4泛化所需要儲備的長尾問題。這也正是百度目前所采取的技術(shù)路徑。

在王亮看來，百度領(lǐng)航輔助駕駛產(chǎn)品未來3-5年搭載量有望突破百萬。百萬量級行駛在城市道路上的L2+乘用車，可有效地收集和補(bǔ)充長尾問題，加速L4無人駕駛系統(tǒng)在更大范圍運(yùn)營，數(shù)據(jù)壁壘也將成為百度的L4技術(shù)護(hù)城河。

2025年L2+產(chǎn)品將跨越消費(fèi)者鴻溝，L4的商業(yè)模式也將在局部區(qū)域和城市實(shí)現(xiàn)跑通，兩者的緊密配合將正式開啟，二者的結(jié)合將比任何單一路徑都更快速、更高效地實(shí)現(xiàn)自動駕駛。

L4技術(shù)降維L2+產(chǎn)品已經(jīng)走通。

2023年后，ANP3.0數(shù)據(jù)反哺L4的規(guī)劃也在進(jìn)行中，并已經(jīng)完成了前期的技術(shù)布局，隨著智駕ANP3.0產(chǎn)品上市，后續(xù)L4和L2+技術(shù)的協(xié)同飛輪將運(yùn)轉(zhuǎn)起來，形成正反饋。

百度L4、L2+技術(shù)和定義描述是：

一方為另一方提供有利于生存的幫助，同時也獲得對方的幫助，兩種技術(shù)方案和產(chǎn)品形態(tài)共存，相互依賴，彼此有利，此為“共生”。

亮相的百度無人車技術(shù)大牛，都是什么來頭？

以上，就是剛剛結(jié)束的Apollo開放日亮相的所有技術(shù)大牛的分享內(nèi)容。

總體來看，百度把6個之前多在幕后的一線技術(shù)研發(fā)負(fù)責(zé)人推向臺前，詳細(xì)介紹描繪了Apollo自動駕駛的整體架構(gòu)、子系統(tǒng)優(yōu)勢特征，以及商業(yè)化進(jìn)展。

Apollo架構(gòu)體系，包括地圖、感知、數(shù)據(jù)閉環(huán)等等要素，是任何自動駕駛公司都繞不過去的必經(jīng)之路。

但百度又能依托集團(tuán)長時間耕耘其他AI領(lǐng)域的能力，給每一個技術(shù)板塊都賦予獨(dú)特優(yōu)勢。

比如文心大模型帶車端小模型的方法，提升車端感知能力；再比如昆侖芯在云端計算、仿真系統(tǒng)為Apollo提供的助力等等。

而這其中最重要的，是百度在目前L4遇冷的環(huán)境下，再次自證“降維”路線能夠走通，提出了可供全行業(yè)參考的業(yè)務(wù)模型。

最后，來簡單認(rèn)識一下這次出場的百度無人車“CTO級”技術(shù)天團(tuán)。

陳競凱，2002年畢業(yè)于北京大學(xué)計算機(jī)系，碩士。是百度內(nèi)部低調(diào)又謙遜的技術(shù)大神之一。先后在搜索、廣告和地圖等業(yè)務(wù)上統(tǒng)領(lǐng)過技術(shù)工作，并任百度技術(shù)委員會聯(lián)席主席。2018年開始，陳競凱出任百度自動駕駛首席架構(gòu)師。

黃際洲，博士，正高級工程師，百度人工智能技術(shù)委員會主席，百度地圖首席研發(fā)架構(gòu)師。多年來一直從事自然語言處理、知識圖譜、數(shù)據(jù)挖掘等人工智能相關(guān)技術(shù)研發(fā)及大規(guī)模產(chǎn)業(yè)化工作，先后擔(dān)任百度阿拉丁、圖片搜索、搜索推薦、信息流推薦、百度地圖等產(chǎn)品的研發(fā)架構(gòu)師。

王井東，2001和2004年在清華大學(xué)自動化系先后獲得學(xué)士學(xué)位和碩士學(xué)位，2007年在香港科技大學(xué)計算科學(xué)與工程系獲得博士學(xué)位。2007年進(jìn)入微軟亞洲研究院，現(xiàn)任百度計算機(jī)視覺首席架構(gòu)師。2021年當(dāng)選IEEE Fellow?，F(xiàn)任百度計算機(jī)視覺首席架構(gòu)師。

介紹數(shù)據(jù)閉環(huán)體系的自動駕駛專家李昂，公開資料較少，但毫無疑問一定是Apollo口中的“CTO級”大牛之一。

昆侖芯科技CEO歐陽劍，本科畢業(yè)于北航電子工程專業(yè)，碩士畢業(yè)于中科大。2016年進(jìn)入百度，負(fù)責(zé)自動駕駛數(shù)據(jù)體系架構(gòu)，2020年起任百度首席芯片架構(gòu)師。是百度造芯的主要操盤手。

王亮博士，2000級北航計算機(jī)系校友，2012年從肯塔基大學(xué)博士畢業(yè)，在Adobe實(shí)過習(xí)，畢業(yè)后先去了微軟雷德蒙德總部……2013年加入百度美研，參與AR平臺打造，主要是發(fā)揮其機(jī)器視覺和3D建模方面的專長。至今，官方title是杰出研發(fā)架構(gòu)師，百度無人駕駛環(huán)境感知方向技術(shù)負(fù)責(zé)人、百度智能駕駛事業(yè)群組技術(shù)委員會主席。

所以這次亮相的幾位技術(shù)大牛都是T幾？

很可能至少人均T11，因?yàn)橥趿?年前提到T11，而陳競凱很多年前就是T11了。

而按照百度技術(shù)職級，最高是T12，不過至今未聽說誰是T12…