关于自动驾驶，百度阿波罗日说了些什么？

【报道】现在在中国，新能源汽车的发展已经逐渐进入下半场，而进入这个下半场的“门票”就是自动驾驶能力。

我们认为，自从高水平的自动驾驶能力开始量产以来，整车厂就在这方面不遗余力地投入，力争成为行业的翘楚。

但这个领域与传统的汽车制造不同。

这里的“玩家”不再局限于传统主机厂。

软件公司的加入也带动了整个行业的快速发展，让国内的自动驾驶研发能力成为全球性的挑战。

业界之勇，百度就是其中之一。

作为最早参与自动驾驶研发的公司，百度早在2018年就提出了名为“一种数字地图生成装置及方法”的发明专利。

由于该专利用于优化地图导航底层技术，因此更多与地图导航、汽车行驶地理坐标相关的发明专利相继涌现10余项。

这一时期可以视为百度自动驾驶技术的萌芽期。

在2019年世界互联网大会乌镇峰会上，百度展示了首款自动驾驶汽车。

次年，百度使用宝马3系改装车完成国内无人驾驶汽车首次亮相，并从京新高速至五环进行了最高时速公里的自动驾驶演示。

因此，有了前端铺路，在国内自动驾驶领域，百度通过不断的研发和推广，早早就占据了自动驾驶行业的“领先”地位。

因此，它有足够的信心和底气向行业挺进。

已经证明了其技术实力。

最近举办的百度阿波罗日就是一个很好的例子。

“用大脑”的自动驾驶 对于自动驾驶来说，相比于在高速公路上行驶，其在城市中的应用是最重要的技术挑战。

一般来说，城市道路比较复杂。

你永远不知道电瓶车什么时候会过马路；当行人突然出现时；当缓慢行驶的车辆堵塞道路时；当其他车辆改变车道并阻塞交通时。

这种需要依靠自己的经验且不固定的驾驶场景，在自动驾驶领域被称为Corner Case，是一个复杂的场景。

例如，当你开车时准备变道时，有车辆突然想从侧面“切入”。

“进来吧，你要做什么？”回到原来的位置？还是继续变道？诸如此类无法确定方向的问题可以称为复杂问题。

目前，要在城市道路上实现自动驾驶，面临的问题90%是常规问题，剩下的10%是复杂场景，这是自动驾驶最关键的方面。

与我们常见的自动驾驶能力相比，百度Apollo最大的安全优势在于其故障处理策略。

面对自动驾驶中的不同场景，通过仿真系统的完善，百度Apollo不仅具备实时处理安全问题的能力，而且可以在云端不断调整。

这种调整是通过百度Apollo将不确定因素放入云端，由模拟系统进行模拟判断来实现的。

有两个判断标准——“知道或不知道”和“安??全或不安全”。

在云端持续模拟的情况下，当在路上遇到同样的情况时，就会调用这些模拟场景。

在此体系下，安全保障将逐步加强。

此外，就构成自动驾驶的基础技术而言，包括自动驾驶地图、多模态感知、预测决策、自适应规划控制等，它们是百度自动驾驶技术的基石，也是百度的关键。

阿波罗日。

的关键.高精度地图和大模型，双管齐下。

说到自动驾驶地图，我们首先想到的就是高精度地图。

但随着行业的发展，越来越多的企业认为高精地图一定是一个过渡，云的融合只是辅助，于是就有了“重感知、轻地图”的感知。

。

高精地图提供商之一的百度却不这么认为，并曾公开表示，对于L4自动驾驶来说，要达到99.99%以上的成功率，地图是不可或缺的底层能力，尤其是在处理道路时标志被遮挡、污损，或者新旧重叠，仅靠实时感知无法解决问题。

然而，开发一套完整的高精度地图需要较长的开发周期和较高的成本，因此这不是普通企业能够承受的。

因此，百度Apollo自动驾驶地图必须达到“轻成本、重体验”的目标。

首先，在“轻成本”方面，百度通过自动化数据融合，大幅降低了地图成本。

这主要是通过所有地图数据的采集、小块处理和几何融合来完成最终自动驾驶地图的形成。

百度克服了块图融合的准确性、基于场景的关联性、重叠部分的融合效率等困难，最终实现了“轻成本”的目标。

目前，在高精地图层面，人工智能是降本增效的核心驱动力。

百度高精度地图构建自动化率已达到96%，极大地解决了应用成本高的问题。

在“重视体验”方面，百度Apollo主要针对一些实际场景，包括多次变道、突然限速等，这些都会让乘客体验变差。

这时，百度提出了“驾驶知识图谱”。

即基于百度地图领先的万公里路网覆盖和海量时空数据，结合亿万驾驶员的驾驶知识积累，构建了全路网层面的驾驶知识图谱，并且这张地图包括：行驶速度、变道时机、变道轨迹等。

这一层输入是自动驾驶从笨拙转向流畅的关键。

这使得系统能够学习人类驾驶员的经验，并利用驾驶知识图谱构建自动驾驶的进步阶梯。

那么，百度Apollo是如何让自动驾驶逐步学习的呢？这里提到一个概念——大模型。

在自动驾驶的发展过程中，多个传感器的融合是实现目标的必要条件，而算法则成为整个系统的核心内容。

此前的百度Apollo自动驾驶感知1.0中，系统主要以激光雷达为基础，加入环视和毫米波后融合感知解决方案。

融合后是由规则驱动的。

如果存在一些特殊情况（小动物、卡车凸起的货物等），这种算法往往会造成误判，这肯定不符合自动驾驶的要求。

后续的感知2.0主要是多模态、预融合、端到端的解决方案；此外，还辅以远距离视觉感知和近距离鱼眼感知，其中大型模型发挥了重要作用。

功能包括数据挖掘、数据标注等。

百度Apollo的大模型技术可以让自动驾驶在短距离、中距离、长距离都有良好表现。

大模型算法主要有两个新的方面。

首先是新车型的确定。

2D数据很容易获取，但3D数据相对较难获取。

可以利用2D标注数据和3D标注数据，通过迭代自训练的方法得到效果良好的大感知模型，然后利用大模型对数据进行3D伪标注，让大模型下沉到小模型，并在实际场景中大模型帮助小模型解决自动驾驶中的误判。

例如，在路上遇到对面洒水车喷水，大模型会判断对面洒水车，从而帮助车辆模型判断“洒水”，而小模型则减少了对“水”的误判。

随着各种大模型的叠加，这种训练会变得更简单、更快，自动驾驶算法的实时判断也会更加准确。

此外，在自动驾驶过程中，车辆会遇到各种意想不到的场景，比如羊过马路等。

解决罕见、长尾场景，就是数据闭环的价值。

与感知、控制、决策的技术栈相比，大规模数据闭环的构建在业界是一个全新的命题。

数据闭环的前半程是海量数据带来的存储和标注的压力，后半程是训练大规模数据的计算需求激增。

百度Apollo设计的数据闭环的核心就是解决“高提纯、高消化”的问题。

在数据净化方面，百度的解决方案是利用小车端模型+大云模型进行高效挖掘和自动化标注；数据消化架构实现自动化训练，能够共同优化和理解数据分布，利用高纯度数据进一步提升自动驾驶系统的整体智能水平。

此外，训练、推理和数据分发在数据消化过程中形成了数据-模型-指标消化反馈机制，进一步提高了数据消化的整体效率和效果。

技术共生路线，昆仑芯片??即将助力百度。

百度的自动驾驶路线是L4/L2+技术共生路线。

是业内首家同时拥有L4 Robotaxi技术和量产L2+辅助驾驶解决方案的公司。

百度自动驾驶技术专家王亮认为，百度赋能汽车智能化的信心和底气源于十年自动驾驶技术的积累。

目前，技术栈层面已经实现了L4、L2+智能驾驶产品的统一视觉感知方案、统一技术架构、统一地图、数据统一和基础设施共享。

L4将持续为L2+智能驾驶产品提供先进技术迁移，L2数据反馈也将有助于提升L4的泛化能力。

同时，王亮还强调，高精度地图是保证L2+城市级智能驾驶产品高安全性和良好体验的必要条件。

此外，软件和硬件方面的成果也成为近期自动驾驶行业的另一焦点。

众所周知，随着世界的变化，芯片已经成为行业生存的关键之一。

在百度Apollo Day技术开放日上，昆仑核心技术CEO欧阳剑透露，百度自研AI芯片昆仑酷睿2已完成针对无人驾驶场景的端到端性能适配，这也将继续巩固百度Apollo软硬件一体化的能力。

优点。

。

事实上，百度自研昆仑芯片已经量产两代，实现数万颗芯片的商用部署。

第三代、第四代产品均在开发中。

第三代芯片预计明年量产，第四代芯片预计后年量产。

昆仑芯片采用的XPU-R架构，通过7nm先进工艺，可实现TFLOPS FP16的强大算力，充分满足自动驾驶的需求。

此外，第二代昆仑芯片还拥有32GB高速闪存和GB/s高内存带宽，支持虚拟化、芯片间互连和视频编解码。

这是一个非常完整的AI芯片。

对于行业来说，昆仑芯片??还具有以下优势：一是昆仑二代AI芯片已经在互联网、工业质检、智慧交通、智慧金融等场景得到实际部署，这也证明了该芯片的可行性。

;二是昆仑芯片已完成与多种通用处理器、操作系统、AI框架的端到端适配；三是昆仑芯片专门为开发者提供了完善的软件工具包，让大家更容易适应。

昆仑芯片系统进行自主化、个性化开发和定制。

目前，第二代昆仑酷睿已全面适配百度Robotaxi系统，并开始路测。

告别堆放物料，ANP3.0让自动驾驶“更亮”。

本次百度Apollo Day技术开放日，亮点当属百度ANP3.0自动驾驶解决方案。

它将在国内率先支持复杂的城市道路场景，并打通高速公路和停车场景。

相比一些品牌的“堆砌”做法，百度选择的硬件包括具有+TOPS AI算力的Nvidia Drive Orin-X、最大观看距离~米的环视8MP摄像头、以及SOTA半视摄像头1,.点/秒。

固态激光雷达。

系统构成方面，ANP3.0将主打视觉解决方案，并支持激光雷达作为安全冗余。

ANP3.0搭载的第二代纯视觉感知系统Apollo Lite++，通过Transformer将前瞻性特征传递给BEV。

在特征层面对摄像机观测进行前向融合后，直接输出三维感知结果并融合时间特征，实现运动估计学习。

改变。

可以说，百度视觉感知解决方案Apollo Lite是全球唯一的纯视觉和自动驾驶感知系统，也是国内唯一支持城市道路的系统；激光雷达是百度Apollo十年耕耘的成果，在算法理解、实践经验和数据储备上均处于领先地位。

成熟可靠的激光雷达解决方案。

在这两个系统的支持下，百度号称是“国内唯一真正‘冗余’的环境感知系统”。

通过Transformer将前向特征转移到BEV，在特征层面对摄像机观测进行预融合后，直接输出三维感知结果，融合时间特征，实现运动估计学习。

在模型设计层面，基于Transformer结构实现时空特征融合。

随后，在空间融合阶段，将位置编码变换从全局BEV空间转换到局部相机坐标系，以消除由于相机内外参数差异造成的差异。

时序方面，尽可能融合主车辆运动和多帧信息，提高障碍物检测的稳定性。

同时，基于时序特征，可以端到端输出障碍物的速度、意图、未来轨迹预测等关键信息。

此外，多相机融合对后处理的依赖较少，需要的计算能力较小，并且具有更好的泛化性。

目前，ANP3.0已在北京、上海、广州、深圳等多地进入推广测试阶段，并将于明年夏天首款客户车型推出时向大家提供。

归根结底，可以说百度Apollo Day技术开放日首次全面展示了其智能驾驶技术路线，让我们了解了百度的自动驾驶系统感知、预测决策、规划控制，以及比如数据闭环、地图、算力。

全链条的技术解决方案也让我们能够真正更深层次地了解未来自动驾驶会是什么样子。

我相信，随着技术的发展，中国自动驾驶的商业化进程正在逐步连接起来，尤其是在消费者端。

中国消费者对自动驾驶的接受度越来越高，这对我们的未来很重要。

发达国家的“电流超车”在进步中发挥着至关重要的作用。

那么，百度能否在这个发展的“下半场”再次引领行业，未来的发展又会发生哪些变化呢？我们拭目以待。