|全球无人驾驶大洗牌，百度Apollo Day宣告Robotaxi进入2.0时代( 二 )

学习型PnC是实现全无人的必由之路

百度最初的预测和决策是分立的两个系统模块。预测由数据驱动，而决策规划控制是基于规则的方案。规则系统的问题是随着系统迭代，策略分叉导致投入产出比越来越低，且面对城市扩张、场景变化时，不仅需要分支节点的调整，而是需要从主干到分支的全面调整，基于规则的PnC是难以规模化的。
因此，百度的思路以渐进的方式，以学习型的系统来吸收规则系统，数据驱动PnC的迭代，同时规则也作为安全的兜底。

数据是仿真系统的灵魂

仿真系统的价值不仅是针对单一场景进行模拟，而是对每次迭代带来的系统表现变化进行完整的评价。
因此仿真系统结合大规模的数据分布来构建是必须的，数据是仿真系统的灵魂。将真实世界事件发生的概率与仿真挂钩，才能在仿真系统一个相对扭曲的分布中，获得更准确的对系统能力的度量。
3. 迈向全无人：Apollo的核心技术支柱
随着百度在重庆、武汉开展全无人的商业运营试点，以及Apollo RT6的量产推进，百度下一阶段的目标是：持续扩大业务规模，在更多区域开展全无人运营，打造全球最大的全无人驾驶运营服务区。
Apollo Day上也展示了面向更大范围的无人化，百度Apollo当前几个关键的技术支柱。
3.1轻成本、重体验的地图，是L4系统达到99.99%的关键
当下「重感知、轻地图」的趋势，是一种从成本出发的技术主张。而百度Apollo坚定认为只有用上了高精地图， L4自动驾驶才能达到99.99%的成功率。比如当道路标识出现遮挡、污损、新旧重叠时，单靠实时感知无法应对。
Apollo的勇气来自于，百度是行业内唯一一家既懂地图又深耕自动驾驶的公司。

高精地图要大规模应用，首先要降本。从百度的经验看， 2020 - 2022年Robotaxi高精地图单公里生产成本逐年明显下降。目前，百度高精地图构建自动化率达到96% 。
大规模地图生产的难点是自动化的数据融合，关键是融合的绝对/相对精度要达到厘米级。在数据融合上，百度做了3方面的技术创新：多层级的图优化；场景化关联和匹配；以及基于学习的匹配算法。
其次是提升体验。
百度地图本身有超过1200万公里的路网覆盖，日均20亿公里的轨迹数据，通过向数亿的司机学习，形成全路网级的驾驶知识图谱。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。
第三是通过百度地图和智能交通技术，提高通行效率。
3.2 文心大模型， 2.0时代的多模融合感知体系
「大模型，已经成为自动驾驶能力提升的核心驱动力。」这是王井东的观点。
百度Apollo自动驾驶感知1.0 ，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，因此泛化能力不够。
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。大模型在其中发挥的作用，包括数据挖掘、数据标注等等。
自动驾驶有几类典型难题：
·远距离物体感知；
·激光雷达升级点云变化，引发的数据重标注挑战；
·长尾数据挖掘，比如异形车、行人、低矮物体等；
文心大模型的应用，主要是用大模型提升车载小模型的感知能力；并且可以利用弱监督预训练的方式挖掘长尾数据。
自动驾驶数据集中， 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，同时使用模型蒸馏的方法，获得感知效果比较好的小模型。