原文鏈接;進階課程?丨Apollo實戰——障礙物感知和路徑規劃能力實戰?

環境感知在自動駕駛汽車應用中占據了核心地位。一輛車要實現自動駕駛，障礙物感知是最基礎也是最核心的功能。

上周阿波君為大家詳細介紹了「進階課程?丨Apollo實戰——車輛與循跡駕駛能力實戰」。

此課程主要介紹了在搭建完自動駕駛車輛的軟、硬件環境以后，通常采用循跡測試進行驗證，以及進行驗證的步驟有：第一步是要實現一個適配層；第二步是Can卡的管理；第三步是控制模塊。

本周阿波君將繼續與大家分享Apollo實戰——障礙物感知和路徑規劃能力實戰的相關課程（本節課程基于Apollo 3.0版本）。下面，我們一起進入進階課程第43期。

---

相比于最基本的Apollo 1.0版本，Apollo 2.0版增加的主要功能模塊是感知和規劃。首先，我們回顧Apollo的感知模塊。每種傳感器都有自己的優勢和劣勢，如圖1所示。從圖中可以看出沒有一種設備可以滿足所有的場景，只有將各種設備融合在一起才能達到相對穩定感知結果。也就是從Apollo 2.0開始，我們開始使用多傳感器融合的方式做感知。多傳感器融合需要對不同的傳感器進行標定。

???????????????????????????????????????????????????????????????? ? ? ? ? ? ? ? ????????????????圖1 Apollo中感知模塊涉及傳感器的屬性列表

感知的核心功能是進行障礙物的識別、分類、語義分析和障礙跟蹤，如圖2所示。

???????????????????????????????????????????????????????????????????????????????????????????????圖2 感知模塊的主要功能

規劃的目的是告訴車輛按一條什么樣的路經行駛，其代碼邏輯如圖3所示。頂層左邊部分是規劃的容器。它有幾個核心元素：參考線、高精地圖、規劃器Planner、軌跡發布。

?????????????????????????????????????????????????????????? ? ? ? ? ? ? ? ? ? ? ????????????????圖3 規劃模塊的邏輯結構

在根據教程搭建了具備感知和規劃能力的平臺之后，開發者更希望根據自己的場景進行深度定制。為加速研發過程，百度提出了“云+端”的研發迭代模式，所謂的“云”大家都能理解， “端”指的是車輛端，如圖4所示。

?????????????????????????????????? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ????????????????圖4 百度提供的云+端的研發迭代環境

大概的流程是首先從車輛路測中積累海量的數據，將積累的數據傳遞到云端，然后利用云端服務器集群的強大計算能力去生成深度學習模型，并在云端做回歸測試。最后將經過驗證的模型更新到車輛上，賦予它新的迭代能力。

一般來說，我們將數據分為幾類，如圖5所示。

????????????????????????????????????????????????????????????????????????????? ?????????????????圖5 自動駕駛數據分類

原始數據，各種傳感器、車輛、駕駛員行為等。數據種類繁多，維度不同，數據量大，而且大多是非結構化數據，對于存儲、傳輸、處理提出非常大的挑戰。

標注數據，視覺的2D障礙物數據、紅綠燈數據、3D點云數據等。

邏輯數據，包括完美感知、環境的抽象以及車輛動力學模型等。

仿真數據，包括參數模糊化數據、三維重建數據等。

Apollo建立了一個數據平臺，對數據的采集、存儲、使用進行管理，其基本功能如圖6所示。

??????????????????????????????????????????????????????????????? ? ? ? ? ? ? ? ?????????????????圖6 Apollo的數據管理平臺

首先我們通過data recorder工具按預先定義的格式生成數據，利用云端的傳輸機制將數據快速傳遞到云端。其次，我們構建了一個自動駕駛數據倉庫，將海量數據成體系地組織在一起，可以快速搜索，靈活使用。最后，云端擁有基于異構系統的自動駕駛的計算平臺，提供強大的計算能力。

當前，Apollo開放了六類訓練數據，如圖7所示。

????????????????????????????????????????????????????????? ? ? ? ? ? ? ? ? ? ? ?????????????????圖7 Apollo開放的數據

2D紅綠燈，用來識別交叉路口紅綠燈數據，可以用做訓練、測試和驗證。

2D障礙物，比如車輛、行人、自行車，還有其他未知類別的圖像數據。

3D障礙物，其實是激光雷達點云。

端到端的數據，提供適合end-to-end模塊的數據。

場景解析，像素級的語義標注，比如車輛、背景、交通指示牌、障礙物等，可以用來做整體環境的識別。

障礙物預測，用來訓練預測算法的數據集。

此外，Apollo還發布了一個叫Apollo Scape的學術性項目。Apollo Scape開放的數據在量級、復雜程度和精度方面都比業界有名的Kitty、citi scapes大一個數量級，目的是推動整個自動駕駛行業的發展，如圖8所示。

??????????????????????????????????????????????????????????????????????? ? ? ? ?????????????????圖8 Apollo scape項目

Apollo在云端提供了與車端一致的硬件計算能力，如圖9所示。該計算平臺基于Docker和GPU的集群構建，并且部署了PaddlePaddle、TensorFlow、 Caffe 等主流深度學習框架。此外，還有一個可視化展現平臺，供大家了解結果。

??????????????????????????????????????????????????????????????????????????????????????????????????????????????圖9 Apollo訓練平臺

最后我們再來回歸一下開發的流程。

作為一個開發者，開發流程從本地開始，本地開發之后可以通過Docker鏡像傳到云端。然后在云端的計算環境中，通過調度云端的計算資源去訓練算法，通過數據接口層調用六大類數據進行訓練。

之后可以通過數據集驗證算法的效果。依此不斷迭代，直接在云端完成算法訓練，提升整體的效率，如圖10所示。

???????????????????????????????????????????????????????????????????? ? ? ? ? ? ????????????????圖10 基于云+端的迭代開發流程

總結

以上是生活随笔為你收集整理的Apollo进阶课程㊸丨Apollo实战——障碍物感知和路径规划能力实战的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。