|
9月20日，百度发布了Apollo 1.5 ，开放了昼夜固定车道自动驾驶的能力。更新版本中，包括高精度地图、障碍物感知、决策规划算法、End-to-End和云端仿真能力在内的5项能力得到了升级。此时距离7月5日 Apollo 1.0 正式发布，刚过去了两个多月。 新版本开源之际，大家除了好奇 Apollo 1.5 到底开放了哪些能力？也很关心 Apollo 1.0 获得了怎样的响应？车云菌在现场获得了下面这些信息。 Apollo 1.5 的关键更新 Apollo 1.0 公布时，车云菌提出了一个观点——百度进入车企的敲门砖是高精度地图，在 Apollo 1.5 中，HD Map首次被加入开源项目，车云菌自然最先是冲着这部分内容去的。 ▲浅蓝色部分是Apollo1.0开放的内容，黄色是Apollo1.5开放的内容，深蓝色部分内容尚未开放 在Apollo 1.5的发布会上，百度向合作伙伴开放了全国范围内高速与特定城市道路的高精度地图，精度达到了20cm。根据现场的信息，我们可以对百度当前高精度地图的能力有一个总览式的了解。 ▲百度高精度地图的包含元素 目前百度的高精度地图增加了道路元素、路口元素、其他道路对象元素，采集所得数据的自动化处理程度达到90%，可自动识别包括交通标志、地面标志、车道线、信号灯等目标，准确率为95%以上。 同时，高精度地图的覆盖面积在不断增加。目前百度高精度地图采集覆盖了40个城市和城市连接高速公路，2017年内计划覆盖全国总计20万公里的高速公路和部分城市连接线，2020年Apollo高精地图将覆盖全国所有高等级道路及重点城市道路。 在百度的介绍中，高精度地图在环境感知、高精度定位和决策规划等方面都在发挥重要作用。 在感知方面，高精度地图在一定程度上减轻了传感器的感知难度。现场提到的一个例子是，在百度的高精度地图中会把路口停止线与红绿灯关联，红绿灯的精确位置、高度会预先写入高精度地图，车辆在实际行驶中，就可以避免把前车刹车尾灯误识别为红灯的情况。 在定位方面，百度在7月5日百度大会展台展示过定位能力的视频。结合车载摄像头传感器，利用其实时观察环境中有哪些特征物，可以获得本车相对特征物的角度、距离。然后，车会从自带的高精度地图里读取该路段的同一个特征物，把图中的特征物和现实的特征物匹配，推测出汽车当时所处的车道位置。 ▲绿色是实际车辆所在位置，红色是GPS定位，黄色是百度做的高精度地位。车云菌拍摄时，黄车和绿车几乎重叠，屏幕展示是一个视频，播放时黄车相比绿车横向定位几乎没有偏差，纵向定位差一到半个车身左右。 在决策规划方面，百度高精度地图中，路口部分会包括所有虚拟车道及连接关系，因此车辆传感器可以实时重点关注ROI（region of interest，感兴趣区域），在保证安全的同时，降低决策规划难度。 ▲Apollo 1.5 中，仿真平台将开放部分数据。 值得注意的是，从 Apollo 1.5开始，百度将地图方面积累的资源充分利用了起来。基于百度采集车每年采集数百万公里的数据（外部环境图像数据及司机行为）和现有自动驾驶车获得的传感器数据资源，都被进一步挖掘价值，由百度加工为场景集，进一步形成了 Apollo 1.5 中的仿真平台。 仿真平台的能力取决于场景的数量，在 Apollo 1.5中 开放了包括不同路型（包括十字路口、掉头、直行、弯道等）、障碍物类型（包括行人、机动车、非机动车等）、道路规划（包括直行、调头、弯道、转弯、并道等）、红绿灯信号（包括红灯、黄灯、绿灯等）在内的多种场景。同时，百度提供的仿真平台内置了高精度地图，可以对自动驾驶算法和地图联合验证。 当然，百度Apollo 1.5开放内容还包括了核心障碍物感知和决策规划模块，引入了64线激光雷达和GPU。在决策和规划模块运用了不同的优化器不停地互相反复迭代，为无人车规划出平滑安全的行车路径。并且在收到反馈后，提前开放了端到端的能力。这里就不再一一展开了。 开源与响应 邬学斌曾在一次公开演讲中提到Apollo开源平台对用户的分级：一是在Github注册后参与Apollo社区的开发者，二是与百度签订合约的合作企业。显而易见，两者的角色并不相同，Github社区中开发者的贡献是软件开发和维护，当各类开发者不断给算法添砖加瓦，使其强壮，才会吸引更多的企业用户使用并将其产品化。 Apollo 1.0开放至今，两类用户都有了不同程度的响应情况。 ▲GitHub中的Apollo页面 在开发者方面，由于自动驾驶人才的稀缺，Apollo计划的作用之一是帮助百度招揽相关人才。自 Apollo 1.0 本开放至今，Apollo自动驾驶平台保持了一定的热度，截至车云菌发稿前，积累了5718 Star（关注、点赞），1152 fork（拷贝了代码），共计52位贡献者。 在现场，百度副总裁邬学斌专门提到了Apollo的“双百计划”来吸引开发者添砖加瓦——百度将准备成立一个Apollo基金，未来三年，Apollo 向生态投资100亿（目前到账20亿），投资100个项目，用于活跃Apollo社区，并对初创企业进行资助，对硬件开发者、数据贡献者进行扶持。 在合作企业方面，百度在 Apollo 1.0 公开时，就公布了一个庞大的伙伴体系，数量达到了50+，并且在 Apollo 1.5 的发布现场再次新增了17名成员，这些伙伴中，最受关注的 Tier 1 和主机厂合作。 和 Tier 1 合作上，双方会共同研发生产 BCU（Baidu Computing Unit），未来不排除一起做传感器方面的合作研发。 包括博世、大陆、德赛西威在内的国内外零部件供应商，都与百度达成合作。在今年 CES Asia 百度展示的BCU三个系列产品分别是 BCU-MLOC（高精定位）、BCU-MLOP（高精定位+环境感知）、BCU-MLOP2（高精定位+环境感知+决策规划），首批样件在 Tier 1测试，OEM 上车测试之后，两年以后会量产。 与主机厂的合作中，百度会以供应商的角色出现，提供高精地图，仿真服务、安全服务和OTA空中升级服务，也会提供全套的自动驾驶解决方案。 除了7月8月加入Apollo计划的一汽和江淮，现场提到是百度与金龙商用客车的合作案例。双方基于 Apollo 1.0 的开源内容，合作开发了一辆循迹车的DEMO。金龙客车高级工程师林贤体告诉车云菌，在整个DEMO车的开发过程中，金龙向百度开放了底层控制数据的接口。 商业化与变现 Apollo计划备受关注的一个问题是百度如何从开源中获得盈利。参考过往的互联网领域的开源项目，大致有以下几种商业化可能性：
对此，邬学斌在回答媒体商业模式的提问时，给出了一个方向——“大原则上，百度将从云端提供服务”，并指出，“我们不在现有的价值链里面竞争”。 由此可见，百度未来将在云服务上寻找盈利点，方向大致可能有两个：一块是提供实时更新的高精度地图云平台，另一个就是用于训练算法的云端数据中心。 对于前者，百度在公布Learning-Map的概念时就有所提及。只要安装了百度地图和传感器，采集到的环境数据都会被集合发送到Learning-Map生产后台。借助百度云计算支持，把高频报告的变化回馈系统，然后再择机把最新的地图发送到车端。 对于后者，则依赖Apollo计划收集资源。根据百度Apollo的数据开放和分享倡议，平台会提供初始数据，加入Apollo后，合作伙伴的贡献以数据里程（公里）为单位进行核算，根据贡献程度来获取数据、服务和算法模型等。 ▲百度Apollo的数据开放和分享倡议 百度智能驾驶事业群组总经理李震宇介绍，如果参与者愿意贡献一份罕见的场景数据，Apollo平台会给予两倍回馈，用这种方式鼓励数据分享。未来如果有更多人参与到数据开放和分享中来，百度云端积累的场景将会越来越丰富，并且有机会利用端到端等模式训练更加强壮的算法。 为了落地云服务的能力，百度已经开始进行了产品和资源布局。不久之前，百度发布一系列公有云产品，均已 “ABC（AI、Big Data、Cloud Computing） Inspire”标识，并且在除中国以外的地区，百度与微软达成了合作。未来通过百度云产品和微软Azure，百度能在全球范围内为自动驾驶平台提供云端服务。 车云小结 在今天的会议上，百度副总裁邬学斌介绍了Apollo的特殊组织架构：Apollo会有一个专门的管理委员会，设有14个委员席位，均从合作伙伴中遵循一定的程序和要求推荐产生。管理委员会不参与技术决策，只做管理决策。从这个架构体系来看，百度试图在参与其中的基础上，尽可能保持Apollo的独立性。 随着Apollo体系逐渐庞大的初期，我们看到了伙伴在资源层面的优惠售卖。发布会现场，Velodyne 宣布为Apollo生态成员提供专门渠道获得产品信息，VLP-32C产品享有更短供货周期和百度价格体系。优达学城在中国区和百度基于“无人驾驶入门”课程的战略合作，并为百度小伙伴提供课程优惠。 不过我们对生态的期待不止于此，如果Apollo要形成真正的良性循环，我们期待看到更多技术层面的合作共享，一切都将是技术先行后最好的成果。
|
|
|
来自： cheyunwang > 《待分类》
