凤凰网汽车

11月29日，百度ApolloDay技术开放日活动线上举办。作为国内自动驾驶的“黄埔军校”，ApolloDay引起了汽车圈的广泛关注。

和小鹏华为以及特斯拉相比，百度做自动驾驶有自己的独有优势，例如，百度地图的赋能；Robotaxi萝卜快跑的技术积累；文心大模型可提升感知能力；以及自研芯片的能力等等。

如果把ApolloDay技术内容进行解析，可以分成6部分，分别是自建自动驾驶地图、文心大模型，Apollo自动驾驶闭环思路、昆仑芯片、ANP3.0、以及打造最大自动驾驶无人区。

而笔者试着从这6个部分，解析百度在自动驾驶中的思考和执行，以及它的未来规划。

优势一：重建自动驾驶地图，百度地图加持

对于高精地图，是智能辅助驾驶向上进阶的重要工具，大部分智能驾驶企业都离不开高级别地图的帮助。

目前，行业将导航地图划为三个等级

SD地图：主要帮助司机进行导航，精度要求不高，一般是在15米左右，由粒度较粗的道路拓扑信息构成。

LD地图：主要用于辅助驾驶，加入了车道级的拓普信息，精度一般在亚米级别。

HD地图：主要用于自动驾驶，精度达到了厘米级别，还包含了丰富的语义信息。

对比下来，显然HD高精地图更受车企欢迎，但获得门槛也最高。

所以我们可以看到，有一部分车企的L2智能驾驶方案在"重感知，轻地图"这一主张。百度自动驾驶专家黄际洲认为，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。”

基于此，百度自己研发了Apollo自动驾驶地图。

一、Apollo自动驾驶地图优势在哪

黄际洲表示：“国内除我们之外，没有第二家既精通地图、又深耕自动驾驶的公司。”

有权采集高精度地图的甲级资质图，就凭这一点华为和毫末都不具备这样的优势。

1、自生成自动驾驶地图的优势

为保障自动驾驶高安全性，Apollo 自动驾驶地图融合车端感知数据与多源地图，实时生成在线地图，满足自动驾驶过程中实时更新的需求，确保自动驾驶安全。

这一点和小鹏很像，小鹏是感知硬件把数据给到大模型深度学习网络里，直接3D静态输出，也就是说实时生成高精地图，感知输出。

但不同的是，百度更强调生成地图的低成本优势。在介绍“轻成本”时，黄际洲主要从自动化数据融合和地图自动化标注两方面进行展开。

首先，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。

说白了就是自动化融合数据的精度要达到高精地图的级别，这是竞争对手达不到的水平。

那么百度是如何做到的？

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。

有了数据融合，当然还需要数据标注。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。

为此，百度开发了自动标注系统，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。

至此，Apollo 自动驾驶地图在数据融合和自动标注上，都展示了自己的行业优势。

2、智能驾驶体验的优势

百度称Apoll的地图是为自动驾驶而生的地图。

为了保证更好的自动驾驶体验，Apollo自动驾驶地图主要分为四层：

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。

和竞争对手相比，Apollo自动驾驶地图已经实现了规模化的应用：

首先，基于Apollo自动驾驶地图，萝卜快跑累计订单量达到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，最早明年亮相；

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。

3、记录海量司机驾驶行为

Apollo自动驾驶地图地图还有一个核心优势，那就是全路网级别的驾驶知识图谱，这一点也是竞争对手所不具备的，所以确实很牛。

百度地图超过1200万公里的路网覆盖、日均20亿公里的轨迹里程的独有的据资源，向数亿的司机进行学习。那么，通过百度领先的人工智能的技术，构建了全路网级别的驾驶知识图谱。

这个驾驶知识图谱包含了多维度，且丰富的驾驶知识，例如经验速度、变道的时机、变道的轨迹等等。

有了驾驶知识图谱的增强，自动驾驶的速度的转换就可以更合理、变道就可以更及时、转向就可以更顺滑，能够显著提升这个乘坐的舒适度。

优势二：利用文心大模型提升感知能力

传感器融合是百度智能驾驶的另一核心优势。王井东指出，百度自动驾驶感知经历了两代。在感知1.0时代，百度有3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，百度自研了毫米波点云感知算法，形成了三层感知的融合。

需要说明的是，1.0时代实际上用的是后融合方案，它的弊端是不可学习的。

基于此，百度开发了基于前融合方案的新一代感知2.0。

但是感知2.0也会遇到一些问题。百度自动驾驶专家王井东将其总结为三点。一是远距离的视觉感知问题；二是在点云空间去做3D的标注非常困难；三是长尾数据挖掘问题，包括少见的车型、各种形态、各种姿态行人，以及低矮物体、交通、施工元素等。

为了解决上述问题，百度的方法是利用大模型技术，来提升自动驾驶感知能力。

百度利用文心大模型自动驾驶感知的技术，来提升车载小模型的感知能力。同时在数据方面，利用了文心大模型图像弱监督预训练模型来挖掘长尾数据，提升模型训练效果。

百度的做法是，先使用有标签数据对模型进行初始启动训练，然后将模型在无标签数据上进行推理得到伪标签，最后合并有标签数据和伪标签数据对模型进行进一步训练。如此往复，进行多轮迭代。

在训练完感知大模型以后，百度利用知识蒸馏的方法将伪标签用于车载小模型的学习，从而增强车载小模型的远距离感知能力。

优势三：“高提纯、高消化”的数据闭环

按照数据和算法的迭代关系，整个数据闭环分成4大关节：数据收集、标注、训练和部署。

自动驾驶是AI行为，需要机器不断的学习和进化。在实际场景中，少见的长尾场景，对于自动驾驶来说是一个急需解决的问题，这也是自动驾驶需要持续学习的重要原因之一。

获取数据并不难，难的是利用海量数据，产生闭环思路，形成学习效果。这也就带来了新的问题，在大数据给自动驾驶智能水平带来巨大提升空间的同时，也给数据闭环建设带来了全新的挑战。一方面，大规模的数据带来了数据存储及标注压力；另一方面，算法迭代所需要的计算量也将随之增加。

李昂认为，需要高效率地从海量数据里找到高价值或高纯度数据；其次是利用好高纯度数据去提升整车智能化水平。

因此，百度设计了Apollo数据闭环的整体设计思路。对于这部分内容，李昂分别介绍了百度关于数据闭环的高提纯、高消化设计思路。

1、数据高提纯

首先，需要建设高效率的数据提纯通路。百度定义数据的纯度为单位数据可以给整个智能系统提供的信息量，数据挖掘与标注都是提高数据纯度的一个重要手段。

但是，由于数据提纯效率很大的程度由推理引擎效率决定，而推理引擎效率又可以分为数据的读取速度，以及模型的推理和计算速度。因此，百度Apollo团队与百度飞桨团队合作，将PaddleFlow数据缓存基础架构集成入数据闭环平台，实现了推理引擎数据读取效率提升。

2、数据高消化

在获取高纯度数据后，如何高效率消化？李昂从是自动化、联合优化以及数据分布三个角度进行了介绍。

首先是基于持续学习与AutoML的一些概念，在数据闭环里面设计了一套自动化训练引擎。利用训练引擎对自动驾驶系统里的数据驱动模型实行自动化托管的能力，即在数据确定的情况下，可以实现全无人的训练模式。

李昂称，在持续优化系统时，所有挖掘的数据最终是以一个个数据集的形态传输到训练引擎当中的。在迭代过程中发现，每一次新数据进来的时候，整个模型的效果是呈持续提升的一个趋势，并且尚没有观测到数据饱和的一个状态。

优势四：自研昆仑AI芯片

在百度Apollo Day技术开放日上，百度自主研发的AI芯片第二代昆仑芯在百度无人驾驶车辆RoboTaxi的驾驶系统上已经做了完整的适配，在高阶自动驾驶系统中运行正常。

需要说明的是，这颗芯片由昆仑芯片和百度联合打造。这颗芯片基于 7nm 工艺打造，配备 GDDR6 高速显存，内存带宽可达 512GB / s，采用新一代昆仑芯 XPU-R 架构，通用性和性能显著提升，可提供 256TOPS@INT8 以及 128 TFLOPS@FP16 算力。

除此之外，这颗芯片还支持主流深度学习开发框架，例如Tensorflow、Pytorch、PaddlePaddle 等；在典型感知模型的性能测试中，昆仑芯性能表现是业界主流方案的~2 倍。

特征：高性能、可编程性强、可移植性强和稳定性好。

欧阳剑透露，昆仑芯科技正在研发的更先进的第三代AI芯片,针对高阶自动驾驶系统，未来会考虑推出定制的车规高性能的SOC（系统级芯片）。

优势五：L4与L2技术互通，共生共长

王亮认为，实现无人驾驶商业化的最佳路径是，前期在限定区域实现技术积累，通过技术降维和L4数据，为L2+产品做热启动；更长期看，利用L2的规模优势，提前收集L4泛化所需要储备的长尾问题。这也正是百度目前所采取的技术路径。

而实际上，百度也的确是这么做的。

1、L4和L2+如何技术互通

L4和L2技术互通，业内少有玩家这样执行。

按照官方的说法，汽车智能化时代，百度将自动驾驶技术落地高级辅助驾驶产品，探索L4/L2+技术共生路线。

百度自动驾驶技术专家王亮认为，百度赋能汽车智能化的信心和底气源于十年自动驾驶技术沉淀。目前，技术栈层面已实现L4与L2+智驾产品视觉感知方案统一、技术架构统一、地图统一、数据打通及基础设施共享。L4将持续为L2+智驾产品提供先进的技术迁移，L2数据反哺也将助力L4泛化能力提升。

当前，百度L4自动驾驶运营测试里程累计超过4000万公里；萝卜快跑在多个城市开启对市民的运营，累计订单超过140 万；今年8月百度在武汉和重庆国内首次实现“全无人商业化运营”，这是中国自动驾驶历史上的重要里程碑。

有了L4的技术和数据积累，百度通过L4的数据和技术降纬推出了L2+级别的产品，也就是ANP3.0。

“百度将在2023年面向市场推出一款L2+领航辅助驾驶旗舰产品ANP3.0。”王亮介绍成，它将支持复杂城市道路场景，并且衔接融通高速和泊车场景。

在王亮看来，百度领航辅助驾驶产品（ANP3.0）未来3-5年搭载量有望突破百万。百万量级行驶在城市道路上的L2+乘用车，可有效地收集和补充长尾问题，加速L4无人驾驶系统在更大范围运营，数据壁垒也将成为百度的L4技术护城河。

2、ANP3.0拒绝硬件堆料

相对硬件论，百度否认了无脑硬件堆料的做法，它们认为不堆料重体验才是自动驾驶正确的路。在硬件上百度选用了包括500+ TOPS AI算力得到Nvidia Drive Orin-X，max视距~400m的环视8MP摄像头、1,536,000 points/s的SOTA半固态激光雷达，

在激光雷达与视觉摄像头方案上，百度选择“两条腿走路”。百度视觉感知方案Apollo Lite是世界唯三、中国唯一支持城市道路的纯视觉，自动驾驶的感知系统；LiDAR则是由百度Apollo十年深耕，算法理解、实践经验和数据储备全面领先，成熟可靠的激光雷达方案。在两种系统的加持下，百度自称是“国内唯一真‘冗余’的环境感知系统”。

3、单目感知+环视后融合

ANP3.0视觉感知技术采用了“单目感知”加“环视后融合”的技术框架。但从结果来看，这也是纯视觉的方案之一。

王亮称，今年百度对视觉感知框架进行了升级，推出了第二代纯视觉感知系统Lite++。

Lite++通过Transformer把前视特征转到BEV，在特征层面对相机观测进行前融合后，直接输出三维感知结果，并融合时序特征实现运动估计Learning化；模型设计层面，基于transformer结构，实现时空特征融合。

据介绍，Apollo Lite 目前是视觉感知领域世界唯三、中国唯一支持城市道路“纯视觉”自动驾驶的感知系统。

迭代的自训练方案，充分利用无标注数据，可帮助小模型提升训练效率。

据介绍，新模型将应用于以下方面：

- 远视距视觉 3D 感知

- 多模态端到端感知

- 点云感知效果

- 基于图文弱监督预训练模型的长尾数据挖掘

写在最后：

当前，百度、Waymo等公司均跨过全无人自动驾驶运营落地的门槛，密集推进规模商业化进程。例如，Waymo近日获得加州CPUC批准在旧金山、湾区部分城市等区域向公众提供无人驾驶网约车服务；与此同时，百度继重庆、武汉双城开展全无人自动驾驶商业运营后，在北京继续扩大无人测试。Apollo Day技术开放日活动上，百度也宣布，2023年将扩大业务规模，在更多区域开展全无人自动驾驶运营，着力打造全球最大的全无人自动驾驶运营服务区。

百度Apollo 首次现场直播了无人驾驶车队的日常测试，并公布了萝卜快跑订单量、站点密度等等。

公开资料显示：2021 年 06 月，百度 Apollo 自动驾驶测试里程超过 1200 万公里；

2021 年 11 月，百度 Apollo 自动驾驶测试里程超过 2000 万公里；

截止至当前，百度Apollo 自动驾驶测试里程超过 2500 万公里。

根据百度Apollo 的规划：

2021年，百度Apollo在首钢园全面落实了无人化+商业化的样板间;

2022年，百度Apollo将在亦庄全力打造智能交通示范区高地，依托无人化、5G 云代驾、车路协同的技术积累，实现适合中国城市复杂路况的技术路线，快速抢占自动驾驶技术制高点。

汽车产业已经从电动化竞争转向智能化竞争，最终有可能会走向共享出行的服务竞争。百度的自动驾驶技术能否如其专家介绍，优势满满？接下来看看集度汽车的表现吧。