百度|百度最新无人车技术低调发布！6位大牛人均至少T11( 二 ) 技术|无人车|百度最新无人车技

百度最初的自动驾驶系统，预测和决策是分开的。预测带有自标注的任务，一直都是数据驱动的，决策、规划、控制，当初沿用的都是一些偏规则的传统方案。

文章图片

基于规则的方案，通常是把遇到的问题划分成各种场景，在每个场景下，针对不同出现的问题，再做相应的处理。为了不让各个规则之间发生冲突，通常会仔细地限定每个规则的作用范围，一层一层地拆分下去，如果做得好的话，我们会形成一个类似树形的拆分结构；如果处理得不好的话，就会变成一个补丁摞补丁的系统。
上述规则系统在最初的时候，可以最大化人类的经验和知识，迅速地提升自动驾驶能力，但是随着时间的推移，有两个问题不可避免。一是策略分叉；二是面对城市扩展、场景变化的时候，需要调整规则去适应。

文章图片

因此，百度认为学习性的PNC是实现全无人的一个必由之路。陈竞凯表示：“预测和决策其实是一个问题的两面，预测是决策的自我预言实现。所以我们构造了一个预测和决策的多任务系统，联合处理这个问题。我们对信号灯、道路元素等都做了一些建模和交互的处理，最后形成预测和决策的一个结果。”
百度的最终目标也不是用学习系统去完全替代规则系统。陈竞凯称，一方面因为交通系统本来就是一个靠规则约束的系统；另一方面也需要规则去守护最后的底线。
仿真系统方面，百度追求的是做一个有用的仿真系统，要能够满足对于问题迭代的需求。为此，其做了大量工作。如Worldsim系统，使得能够批量地去构造大量的场景，去验证在各种场景下的综合能力；L2W系统，能够精确地复现道路的场景，帮助其去分析和验证路上的问题。
另外，从一个城市向另一个城市迁移过程中，数据统计、数据分布是有变化的，这时候要求我们的自动驾驶能力、策略要做一些细微的调整，整体的场景库也对迁移过程提供很多保障。
仿真系统在自动驾驶技术迭代的过程中间发挥了非常重要作用，是技术能力提升的重要支撑。
百度自动驾驶地图，有什么不同？
百度人工智能技术委员会主席黄际洲介绍了百度自动驾驶地图的相关进展。
近期有一部分L2智能驾驶在提”重感知，轻地图”这一主张。这主要原因是很难翻越高精地图面临的“三座大山”，即资质壁垒、自研壁垒和供给稀缺。我们的观点是轻成本、重体验的地图对自动驾驶至关重要。

文章图片

对于L4的自动驾驶而言，要达到99.99%以上的成功率，高精地图更是其中必不可少的核心能力之一，并要做到“把成本做轻、把体验做重” 。
“轻成本”主要从自动化数据融合和地图自动化标注两方面展开。
自动化数据融合，是高精地图大规模生产的重要基础和核心能力，其目标是全自动地将多次采集到的传感器的数据，比如说激光点云或者道路的影像，在统一的坐标系下进行融合，主要的挑战就在于这个融合的绝对或者是相对的精度要达到厘米级。

百度|百度最新无人车技术低调发布！6位大牛 人均至少T11( 二 )

百度|百度最新无人车技术低调发布！6位大牛人均至少T11( 二 )