百度|百度最新无人车技术低调发布！6位大牛人均至少T11( 三 ) 技术|无人车|百度最新无人车技

文章图片

为了实现上述目标，百度通常先将这些数据按照块或者道路进行划分，在每个分块里首先进行数据的融合，然后再对块之间进行高精要素的串线和几何的调整，以增强块间高精要素的连续性。
如何保证上述所得到的基础数据都是完全对齐的？百度的解决方案是按照数据空间分布划分去构建多层级的图结构，确保全图的精度是一致的。这其中主要的技术创新有三个方面：第一是多层级的图优化；第二点是场景化关联和匹配；第三是基于学习的匹配算法。

文章图片

地图自动化标注，指的是基于点云和图像数据自动生成高精地图的过程，是显著降本增效的核心驱动。
为了达到高自动化率，百度在要素识别、矢量提取、自动建模等关键步骤上都进行技术创新。
其中，要素识别上，采用的是多层级的点云识别方式，识别的结果要远远优于一次识别的结果；矢量提取上，对点云和图像中提取的矢量要素进行后融合，保证要素的高精度和高召回；自动建模上，基于车道级的拓扑模板进行矢量要素匹配，极大地提高拓扑的生成以及车道线串接的准确性。
重体验部分，则主要包括安全、舒适和高效三个方面。
安全方面，百度采用的方案是融合车端感知数据与多源地图来实时地生成在线地图；舒适方面，百度引入驾驶知识图谱来实现；高效方面，百度解决方案是，基于百度智能交通以及百度地图，构建交通大脑，赋能自动驾驶出行。
此外，为了保证更好的自动驾驶体验，百度提出了Apollo自动驾驶地图，主要分为四层：

文章图片

第一层是静态层，这一层也是传统高精地图内容，包括车道级的数据、拓扑数据以及辅助车辆定位的定位数据。
第二层是动态层，包括实时的交通的事件、实时的交通的态势以及实时的环境的变化，这需要依赖于海量的时空数据以及车路协同等。
第三层是知识层，最核心的是驾驶知识图谱，以及与自动驾驶体验强相关的安全驾驶、舒适驾驶行为与知识等。
第四层是驾驶层，知识与驾驶策略的融合，实现深度融合地图和感知、决策、控制应用；而数据实时感知的融合，数据闭环还有实时更新，实现了高鲜度的地图的数据。
Apollo自动驾驶地图已经实现了规模化的应用：
首先，萝卜快跑快速发展，累计订单量达到140万单；其次，提供智能驾驶全场景体验ANP领航辅助驾驶解决方案；最后，百度地图率先推出了城市车道级导航、车位级导航、智能红绿灯等自动驾驶级导航产品功能。
感知系统：大模型成核心驱动力
百度计算机视觉首席架构师王井东，介绍了百度自动驾驶感知系统的情况。
百度自动驾驶感知经历了两代。
感知1.0的百度经过了三个阶段：第一阶段主要依赖激光雷达点云感知，辅助红绿灯的识别，同时利用了毫米波目标阵列；第二阶段增加了环视图像的感知，与激光雷达点云感知形成两层感知融合，提升了识别效果；第三阶段，自研了毫米波点云感知算法，形成了三层感知的融合。

文章图片

这些多模感知实际上用的是后融合方案，它通常需要规则的方法，是不可学习的，因此相对来说泛化能力不够。

百度|百度最新无人车技术低调发布！6位大牛 人均至少T11( 三 )

百度|百度最新无人车技术低调发布！6位大牛人均至少T11( 三 )