Apollo Lite 3周年百度野心终现( 二 ) 作为机器学习的明珠

疑问二：ApolloLite产品化如何实现技术降维?
完成ApolloLite向ANP城市辅助驾驶产品化，还需要面对四大难题：
从Robotaxi研发测试车转向前装量产乘用车;
计算硬件符合车规要求;
系统架构迁移;
高精地图泛化;
产品化的第一个前提是需要适配前装量产车型，这与采用下线后改装的测试车完全不同，既要让智能驾驶产品软硬件上车跑通，又要克服车规级的散热、线控、冗余以及集成化等挑战，使车辆稳定性、一致性满足量产要求。我们看到一个ApolloLite赋能产品的案例，既首款搭载百度AVP的量产车型威马W6 ，能够实现良好的量产集成度， ApolloLite深度赋能百度AVP 。

文章图片
而在计算硬件上，从Robotaxi计算平台转向更低功耗的车规级平台，开发团队需要集中在视觉感知模型的轻量化上，对框架进行压缩从而来降低整个计算量。更具挑战的是，在量产后整个框架代码从X86向ARM架构的迁移。与算力充沛的Robotaxi架构不同，新架构上面临的是减半GPU算力，开发团队需要针对性的精简算法逻辑、重新分配调度资源，以此来缓解GPU、AI加速器的压力。最后是目前市场较为“头疼”的高精地图难题。无论是ANP还是Robotaxi上都采用了面向自动驾驶定制生产的高精地图，能够在有限的空间内覆盖丰富的道路拓扑和定位图层信息。而要满足量产，同样要对地图进行“轻量化”降级。量产后用户行驶的路网更加开放且道路环境复杂，并覆盖全国不同城市和不同等级街道。因此“轻”高精地图则变得尤为重要。百度作为领先的高精地图供应商，对提升地图的覆盖、控制地图的生产成本更加在行。因而， ANP能够得到百度已量产的高精地图以及导航地图的加持，更快一步成为“最熟悉中国道路”的智能驾驶产品提供商。
三、全栈自研智能驾驶下半场竞赛的新筹码
从技术角度而言，一般从事L4级无人驾驶技术研发的公司，很难直接将自身技术降维赋能到L2级乘用车的领航辅助驾驶上。由于大多数L4级无人车采用的是高性能传感器、架构以及计算平台，无法与面向L2的乘用车直接技术共享。而采用渐进式的L2车企在开发过程中面临特定数据采集、数据驱动以及大范围快速验证迭代等问题。相比之下，百度则利用ApolloLite技术，将Robotaxi共享无人车和ANP城市领航辅助驾驶系统从技术架构上做了打通，从而实现了数据共享。共享无人车的路测数据，可以给ANP用作产品迭代;ANP的产品方案加上激光雷达，便是Robotaxi 。与一些企业模式采用的“影子模式”不同，百度ANP能够与自身的Robotaxi车队共用一套技术框架，真正实现技术与数据的共享。目前百度Robotaxi车队已经在超过30个城市累计道路测试里程超过1800万公里，这些道路实测数据、用户体验等经验都能实现赋能ANP ，而ANP量产上车后也能将更广泛的数据量反哺到Robotaxi的研发，实现Robotaxi无人车与私家乘用车的迭代闭环。

文章图片
对比海外派同样采用纯视觉感知方案的特斯拉，百度立足中国的全栈自研更具“先天优势” 。百度自身作为地图供应商，本身能够实现对高精地图的测绘生产。地图团队内部也专门与智驾算法策略团队对接。同时，百度还在自主研发自动驾驶计算平台ACU ，将为车企提供软件+硬件的整体解决方案。
四、总结
在ApolloLite迎来3周年之际，百度也在推动其赋能的ANP智驾产品实现落地。预计到2023年，面相复杂城市道路辅助驾驶场景的ANP旗舰产品就将搭载百度集度汽车实现量产上市。与此同时，在追求「数据闭环」的百度也在对外界进行「开放合作」，为车企在智能驾驶的选择上带来新的答案。在国内唯一纯视觉L4级城市道路自动驾驶解决方案ApolloLite的基础上，百度实现了L4降本增效、泛化应用以及商用化，成为市场的技术新标杆。百度在为Robtaxi商业化开辟出新道路的同时，也为市场带来一种可观的L2级城市辅助驾驶落地方案。而作为特斯拉、Mobileye之外，在智能驾驶领域对视觉方案的另一个Allin者，百度正走在一条更贴合中国国情以及用户体验的新路上，实现了轻算力、轻传感器的超强融合感知方案。利用L4级无人车对乘用车智能化的降维助力，百度有望帮助车企打造更具差异化、更领先的智能汽车，最终实现科技普惠。

Apollo Lite 3周年 百度野心终现( 二 )

Apollo Lite 3周年百度野心终现( 二 )