dna亲子鉴定

作为机器学习的明珠，智能驾驶的演进从科幻的遐想转眼已进入产品的近身「肉搏」。前有Robotaxi多传感器融合路线的L4无人车公司的狂奔，也有特斯拉为首的视觉技术路线追捧者，后有国内纷纷兴起的智能汽车大军。针对能否将L4级技术降维赋能到乘用车，达到类似L4的体验并实现科技普惠，市场一直未有“头绪”。而正值百度ApolloLite3周年，市场似乎有了一个新的答案。

一、“抛弃激光雷达”ApolloLite是什么?

当前市场划分有两大技术路线，第一条是基于Robotaxi无人车代表队，利用高性能传感器以及高阶算法，在特定区域内做商业化运营。而另一代表是车企，普遍采用渐进式技术路线。但存在的难题是场景数量级太大，海量数据的挖掘和有效流转是较难攻克的难题。并且乘用车智能驾驶应用的场景比限定区域更加广泛，非常多的不规则长尾场景问题需要解决。在短时间内，完全的自动驾驶落地仍需要很长一段路要走。而在与车企合作的过程中，百度也面临智能驾驶技术落地的难题。如何以L4级自动驾驶技术降维应用到L2级城市辅助驾驶?百度Apollolite顺势而来。ApolloLite是采用纯视觉感知，不依赖激光雷达的自动驾驶技术路线。ApolloLite技术的具体落地成果有两个，其一是百度Robotaxi降本增效，另一个是百度ANP城市领航辅助驾驶产品，面向车企客户，提供量产解决方案。ANP和自主代客泊车AVP，后面两者实现了L4能力的降维商用。我们可以理解为，ApolloLite是百度ANP、AVP背后的技术路径，类似于小鹏当前多传感器融合技术路线或者是特斯拉主打的纯视觉技术方案，而它们各自落地的产品比如小鹏的高速NGP、城市NGP，以及特斯拉的NOA等等。

有趣的是，在激光雷达开启军备竞赛之初，百度又为何坚持发展视觉技术方案呢?百度认为激光雷达和摄像头不是排它的，也不是单纯的从属或互补关系。所以在自动驾驶研发过程中，百度内部保留了两者的第一性。由于不同型号激光雷达所产生的感知数据结构不尽相同，所以激光雷达方案会给算法迭代带来挑战。加之高线束激光雷达本身的技术发展、成本居高不下，也限制了激光雷达自动驾驶方案的大规模量产应用。大力发展纯视觉路线还有另一大原因，就是百度背靠Robotaxi高级别自动驾驶经验的积累，在视觉算法、专业测试数据、仿真平台以及地图配套都能发挥独有优势。另外纯视觉方案的“包袱”更轻，更适用于车企量产，例如传感器、算力优化、车规级计算平台等，相较于激光雷达的方案成本更低。同时在用户体验的优化上更为敏捷和灵活。三周年之际，ApolloLite迎来了产品化的关键节点。

二、技术降维ANP领航辅助驾驶继承强视觉血统

对车企而言，百度ANP的产品优势，则是利用了ApolloLite纯视觉方案以及Robotaxi技术降维，来满足乘用车城市辅助驾驶量产需求。既要达到接近L4级Robotaxi的体验，又要做到“轻”传感器、“轻”算力、强视觉感知，从而符合车企不同价位车型量产需求的产品方案，这对于当前主流技术来讲，似乎是一对矛盾关系。

ANP的落地是否现实呢?我们围绕ANP的落地，也就是视觉方案以及降维的难点进一步分析。

疑问一：如何解决纯视觉方案的难点?

我们看到，ANP产品集成了12个摄像头、5个毫米波雷达、12个超声波雷达达到360度环视感知，200帧/秒数据量的并行处理，能够对城市道路场景下的红绿灯识别、环岛绕行、进出主辅路等驾驶场景完成识别、规划、决策和控制能力。纯视觉的挑战在于，其不像激光雷达一样采用“拿来主义”。激光雷达可以直接生成三维的点云信息，特别是在城市复杂场景中，可以直接输出物体检测、分类等精准信息点，与视觉传感器融合为辅助驾驶提供感知保障。与特斯拉的纯视觉感知方案存在类似的挑战。由于视觉数据无法与前后帧关联，没有“记忆”，同时基于2D图像没有深度信息，因此系统无法对物体的运动直接作出正确的预测，并且由于缺乏前后关系无法做正确的规划。百度的解决方式是自建一套视觉神经网络系统，来提升整个检测效率，并利用多任务式的训练框架来提高数据驱动性能，以此达到数据闭环。值得一提的是，百度可以利用搭载激光雷达的L4车队获取来的大量的图像以及点云信息，利用深度学习以及车队丰富的数据量提高对目标物模型的检测以及预测能力。例如，利用模型学习以及几何推理，系统可以在子模型端上从过去预测的2D结果升级为2D+3D信息的融合，从而提高复杂场景的识别。包括我们常见的复杂车辆检测分类、复杂的十字路口红绿灯识别、车道线检测等语义场景，百度ANP可以通过ApolloLite处理得更为高效。

疑问二：ApolloLite产品化如何实现技术降维?

完成ApolloLite向ANP城市辅助驾驶产品化，还需要面对四大难题：

从Robotaxi研发测试车转向前装量产乘用车;

计算硬件符合车规要求;

系统架构迁移;

高精地图泛化;

产品化的第一个前提是需要适配前装量产车型，这与采用下线后改装的测试车完全不同，既要让智能驾驶产品软硬件上车跑通，又要克服车规级的散热、线控、冗余以及集成化等挑战，使车辆稳定性、一致性满足量产要求。我们看到一个ApolloLite赋能产品的案例，既首款搭载百度AVP的量产车型威马W6，能够实现良好的量产集成度，ApolloLite深度赋能百度AVP。

而在计算硬件上，从Robotaxi计算平台转向更低功耗的车规级平台，开发团队需要集中在视觉感知模型的轻量化上，对框架进行压缩从而来降低整个计算量。更具挑战的是，在量产后整个框架代码从X86向ARM架构的迁移。与算力充沛的Robotaxi架构不同，新架构上面临的是减半GPU算力，开发团队需要针对性的精简算法逻辑、重新分配调度资源，以此来缓解GPU、AI加速器的压力。最后是目前市场较为“头疼”的高精地图难题。无论是ANP还是Robotaxi上都采用了面向自动驾驶定制生产的高精地图，能够在有限的空间内覆盖丰富的道路拓扑和定位图层信息。而要满足量产，同样要对地图进行“轻量化”降级。量产后用户行驶的路网更加开放且道路环境复杂，并覆盖全国不同城市和不同等级街道。因此“轻”高精地图则变得尤为重要。百度作为领先的高精地图供应商，对提升地图的覆盖、控制地图的生产成本更加在行。因而，ANP能够得到百度已量产的高精地图以及导航地图的加持，更快一步成为“最熟悉中国道路”的智能驾驶产品提供商。

三、全栈自研智能驾驶下半场竞赛的新筹码

从技术角度而言，一般从事L4级无人驾驶技术研发的公司，很难直接将自身技术降维赋能到L2级乘用车的领航辅助驾驶上。由于大多数L4级无人车采用的是高性能传感器、架构以及计算平台，无法与面向L2的乘用车直接技术共享。而采用渐进式的L2车企在开发过程中面临特定数据采集、数据驱动以及大范围快速验证迭代等问题。相比之下，百度则利用ApolloLite技术，将Robotaxi共享无人车和ANP城市领航辅助驾驶系统从技术架构上做了打通，从而实现了数据共享。共享无人车的路测数据，可以给ANP用作产品迭代;ANP的产品方案加上激光雷达，便是Robotaxi。与一些企业模式采用的“影子模式”不同，百度ANP能够与自身的Robotaxi车队共用一套技术框架，真正实现技术与数据的共享。目前百度Robotaxi车队已经在超过30个城市累计道路测试里程超过1800万公里，这些道路实测数据、用户体验等经验都能实现赋能ANP，而ANP量产上车后也能将更广泛的数据量反哺到Robotaxi的研发，实现Robotaxi无人车与私家乘用车的迭代闭环。

对比海外派同样采用纯视觉感知方案的特斯拉，百度立足中国的全栈自研更具“先天优势”。百度自身作为地图供应商，本身能够实现对高精地图的测绘生产。地图团队内部也专门与智驾算法策略团队对接。同时，百度还在自主研发自动驾驶计算平台ACU，将为车企提供软件+硬件的整体解决方案。

四、总结

在ApolloLite迎来3周年之际，百度也在推动其赋能的ANP智驾产品实现落地。预计到2023年，面相复杂城市道路辅助驾驶场景的ANP旗舰产品就将搭载百度集度汽车实现量产上市。与此同时，在追求「数据闭环」的百度也在对外界进行「开放合作」，为车企在智能驾驶的选择上带来新的答案。在国内唯一纯视觉L4级城市道路自动驾驶解决方案ApolloLite的基础上，百度实现了L4降本增效、泛化应用以及商用化，成为市场的技术新标杆。百度在为Robtaxi商业化开辟出新道路的同时，也为市场带来一种可观的L2级城市辅助驾驶落地方案。而作为特斯拉、Mobileye之外，在智能驾驶领域对视觉方案的另一个Allin者，百度正走在一条更贴合中国国情以及用户体验的新路上，实现了轻算力、轻传感器的超强融合感知方案。利用L4级无人车对乘用车智能化的降维助力，百度有望帮助车企打造更具差异化、更领先的智能汽车，最终实现科技普惠。

上一篇：

下一篇：