ofo|关于自动驾驶,百度Apollo Day上都说了啥?( 二 )


另外 , 在构成自动驾驶的基础技术方面 , 包括自动驾驶地图、多模态感知、预测决策、自适应规划控制等四个方面 , 它们是构成百度自动驾驶技术的基石 , 也是本次百度Apollo Day上的重点 。
高精地图与大模型 , 双管齐下的倍增器
说到自动驾驶地图 , 我们首先想到的莫过于高精地图 。 但随着行业的发展 , 越来越多的企业认为高精地图一定是过渡 , 云端的结合也只是一个辅助 , 所以就有了\" 重感知 , 轻地图\" 的认知 。 而作为高精地图提供商之一的百度确不这样认为 , 并公开表示 , 对于 L4级自动驾驶而言 , 要达到99.99%以上的成功率 , 地图是不可或缺的底层能力 , 特别是在应对道路标识出现遮挡、污损、新旧重叠时 , 单靠实时感知是无法解决的 。
不过 , 要想研发一套完整的高精地图 , 需要的研发周期长、成本高昂 , 所以这不是一般的企业能够承受的 。 因此 , 百度Apollo的自动驾驶地图要完成“轻成本 , 重体验”的目标 。

首先在“轻成本”上 , 百度用自动化数据融合让地图的成本大大降低 , 这主要是通过对所有地图数据的收集、小块处理并进行几何融合的方式 , 完成最终自动驾驶地图的形成 , 百度克服了包括块状地图融合的精度、场景化的关联、重叠部分的融合效率等等难点 , 最终达成了“轻成本”目标 。 目前 , 在高精地图层面 , AI是降本增效的核心驱动 , 百度高精地图构建自动化率已达到96% , 大幅解决了应用成本高的问题 。
而在“重体验”上 , 百度Apollo主要是针对一些在实际场景中 , 包括多次变道、突发限速等情况都会让乘客的体验变差 , 这时候百度提出了“驾驶知识图谱” , 即基于百度地图1200万公里的领先路网覆盖范围及海量时空数据 , 结合数亿司机的驾驶知识沉淀 , 构建全路网级别的驾驶知识图谱 , 而这个图谱包括:行驶速度、变道时机、变道轨迹等等 。 这一层输入 , 是自动驾驶由笨拙变得顺滑的关键 。 如此让系统学习人类司机经验 , 用驾驶知识图谱为自动驾驶搭建进步的阶梯 。
那么 , 百度Apollo如何做到让自动驾驶逐步学习的呢?这里就要提到一个概念——大模型 。
在自动驾驶发展过程中 , 多传感器的融合是达成目标的必要条件 , 这其中算法成为了整个系统的核心内容 。 在之前的百度Apollo自动驾驶感知1.0中 , 系统是以激光雷达为主 , 加入环视、毫米波的后融合感知方案 , 后融合是以规则驱动的 , 若出现一些特殊情况(小动物、货车外凸的货物等) , 往往这种算法就会出现误判 , 这肯定不符合自动驾驶的要求 。 而随后出现的感知2.0是多模态、前融合、端到端的方案为主;除此之外 , 补充以远距离的视觉感知以及近距离的鱼眼感知 , 而在这其中 , 大模型发挥的作用包括数据挖掘、数据标注等等 。

百度Apollo的大模型技术能够让自动驾驶在短距离、中等距离与远距离都能有不错的表现 。 大模型算法主要有两个方面的新内容 , 首先是有关新模型的判定 , 2D数据容易获取 , 3D数据获取相对困难 。 可以利用2D标注数据和3D标注数据 , 迭代自训练的方法得到一个效果不错的感知大模型 , 再利用大模型对数据进行3D的伪标注 , 让大模型下沉到小模型 , 并且在实际场景中大型模来帮助小模型解决自动驾驶中的误判 , 比如在道路上遇到对向洒水车正在洒水的情况 , 大模型会判断对向的洒水车 , 从而帮助车型判断出“洒出的水”这个小模型 , 减少对“水”的误判情况 。 随着各个大模型的叠加 , 这种训练会越来越简单 , 越来越快 , 自动驾驶算法在实时判断也会更准确 。