当百度谈论Apollo 2.5的时候,其实是在聊“数据”

  • Joy
  • 2018/04/20
  • 车云网

数据可能才是当天真正的主角。

2018年4月18日,百度举行了Apollo 2.5 开放技术发布会,这时距离Apollo首次亮相,刚好过去1整年。

在一周年庆生会上,我们获得了几个新消息:百度正式开源Apollo 2.5(限定区域内基于视觉的高速自动驾驶),推出了低成本高性能的方案,硬件参考设计可以减少到1个单目广角摄像头和1个毫米波雷达。比亚迪成为Apollo平台第100家合作伙伴。Apollo与金龙合作的阿波龙已经进入了最后的量产阶段。百度牵头成立了Apollo汽车信息安全实验室,共同研究智能驾驶信息安全方面相关课题。

但是,如果你还记得Apollo开源技术背后的驱动力,就一定会在发布会上关注到“数据”有关的信息。自动驾驶对数据的要求是没有上限的——高精度地图更新需要实时数据,训练自动驾驶决策规划算法需要数据。Apollo2.5 发布会上的种种细节告诉我们,数据才是当天真正的主角。

高精度地图众包采集

高精度地图是Apollo非常必要的组成部分,可以确保无人车在恶劣和复杂的情况下,规划出一条行车轨迹。高精度地图也是一项百度掌握优势资源的业务,但是现阶段行业面临的痛点之一是高精度地图覆盖率不足,对于需要借助高精度地图来验证功能的开发者来说,是一个缺憾。

对于这个情况,百度提出了“实时相对地图”的概念,主要适用于高速公路、限定区域这样的简单场景。

绝对高精度地图与实时相对地图绝对高精度地图与实时相对地图

先介绍一下实时相对地图。实时相对地图采用的是车身坐标系,车身是整个坐标系的原点,通过车上的传感器实时采集地理信息。Apollo平台资深架构师缪景灏介绍,和高精度地图相比,实时相对地图只适用于非常有限的场景,比如高速公路和限定区域,精度也更低一些,但是可以低成本短时间让开发者用上类似的功能。绘制实时相对地图的传感器,只要一个单目广角摄像头,在成本上不会增加开发者的负担。 

相对地图里的重要组成部分是车道线,对于自动驾驶汽车的决策和规划模块来说,这是一个是非常重要的信息。缪景灏告诉我们,如果能充分利用车道线的中心线和车道线边界线信息,就可以计算出非常安全、平滑、可行的行车的轨迹。

长沙智能驾驶研究院的产品研发总监黄英君和他的团队基于Apollo 2.5研发了东风乘龙系列重卡,可以在高速公路实现ACC、AEB等功能。黄英君指出,2.5版源代码中增加了导航模式(Navigation Mode),基于完全免费百度地图的路径规划,结合摄像头输出的车道线等信息,“只要自己开车顺着车道跑一下,就可以获得实时相对地图,在规划模块里面使用车道信息进行规划”。

关于实时相对地图有一个信息需要划重点——实时相对地图和高精度地图采用了相同的地图格式,这就意味着系统用一个API就可以同时接入实时相对地图和高精度地图,为下游的决策规划模块提供信息。

听到这里,我们很容易就联想到基于高精度地图众包采集,自动驾驶汽车行驶过程中实时感知的数据,有一部分也会用来帮助高精度地图更新,虽然Apollo 2.5中的导航模式看起来并不足以支撑众包采集的所有功能,但百度似乎正在对外释放这部分能力。

后续的开发者工具环节很快印证了我们的想法。

高精度数据采集器高精度数据采集器

百度为开发者提供了一个采集高精度地图的工具——高精度数据采集器。缪景灏提到了一个看上去并不复杂的使用流程——通过Dreamview采集高精度地图所需的原始数据,再用相应的工具把这些数据上传到云端,开发者就可以从网页上下载制作好的高精度地图。整个过程需要本地和云端相互配合。

但是受限于法律法规,这些功能只有国外开发者可以使用,国内开发者如果有需要,可以百度高精度地图的团队合作来采集地图测试功能

为自动驾驶研究提供“实用的”数据资源

完善更新自动驾驶系统离不开数据。用数据搭建仿真场景,验证训练系统是一种比较经济的方式。今年3月份,百度发布了自动驾驶数据集和工具集ApolloScape,目的是为自动驾驶技术研发提供更“实用的数据资源”,特点是基于真实场景、基于真实驾驶行为。

ApolloScape场景解析数据集ApolloScape场景解析数据集

据ApolloScape项目负责人杨睿刚介绍,ApolloScape项目是半年前开始的,百度通过高精度的采集车来获得三维和二维的街景数据。同时开发了很多工具,可以半自动地对每一个像素进行标定,给出语义标签。半年内时间里,Apollo已经生产出了带有像素级标签的自动驾驶数据集。

业内人士都知道,开发者需要的是标注好的数据,数据量不是越多越好,而是要保证质量以及多样性。杨睿刚在介绍ApolloScape数据集的特点时提到,他们基于视频已经可以提供了20万帧开放数据集,包含三维信息,均做了实例级目标物标注,提取了25类不同语义项,28类不同样式车道线。不过对于具体分类维度,现场没有展开。

ApolloScape路线图ApolloScape路线图

ApolloScape是一个不断发展的项目,它会按照一个时间表在近两年里不断采集标注和公开大量的仿真数据,提高仿真能力。

2018年7月增加传感器红外摄像头、立体摄像头等,从它们的数据里提取更多语义信息,比如用红外摄像头识别夜晚的行人。

2018年12月,采集立体视觉数据集,主要是针对一些复杂的情况,获得基于真实场景、真实驾驶行为的下一代仿真能力,比如获得目标轨迹信息,根据人和车的轨迹,对驾驶人和行人进行行为建模。

2019年项目将主要增加数据集的规模和覆盖,提高仿真能力,目标是把感知和导航有机地集合在一起 。

车云小结

无论是高精度地图还是自动驾驶数据场景集,都还是探索阶段的技术。百度的软件算法能力会在整个过程中起到很关键的作用,比如雨天等复杂场景的车道线数据采集,以及提高数据处理标记的自动化率,都需要更加强壮的算法。

数据方面,百度更多是在展示自己的技术能力、工具以及未来规划。Apollo的初衷是所有参与者共同经营平台上的数据,由Apollo平台由百度提供初始数据,每位合作伙伴遵循“贡献越多收获越大”公平数据原则,自愿与平台共享。车云菌接触过一些Apollo的合作伙伴,他们都表示与百度的合作还没有涉及数据共享的内容。对于潜力巨大的数据资源来说,“共享”还是一个任重道远的目标。

更多评论 收起评论

我要说

欢迎您!

退出