Apollo进阶课程㊸丨Apollo实战——障碍物感知和路径规划能力实战

原文链接;进阶课程㊸丨Apollo实战——障碍物感知和路径规划能力实战

环境感知在自动驾驶汽车应用中占据了核心地位。一辆车要实现自动驾驶，障碍物感知是最基础也是最核心的功能。

上周阿波君为大家详细介绍了「进阶课程㊷丨Apollo实战——车辆与循迹驾驶能力实战」。

此课程主要介绍了在搭建完自动驾驶车辆的软、硬件环境以后，通常采用循迹测试进行验证，以及进行验证的步骤有：第一步是要实现一个适配层；第二步是Can卡的管理；第三步是控制模块。

本周阿波君将继续与大家分享Apollo实战——障碍物感知和路径规划能力实战的相关课程（本节课程基于Apollo 3.0版本）。下面，我们一起进入进阶课程第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块是感知和规划。首先，我们回顾Apollo的感知模块。每种传感器都有自己的优势和劣势，如图1所示。从图中可以看出没有一种设备可以满足所有的场景，只有将各种设备融合在一起才能达到相对稳定感知结果。也就是从Apollo 2.0开始，我们开始使用多传感器融合的方式做感知。多传感器融合需要对不同的传感器进行标定。

图1 Apollo中感知模块涉及传感器的属性列表

感知的核心功能是进行障碍物的识别、分类、语义分析和障碍跟踪，如图2所示。

图2 感知模块的主要功能

规划的目的是告诉车辆按一条什么样的路经行驶，其代码逻辑如图3所示。顶层左边部分是规划的容器。它有几个核心元素：参考线、高精地图、规划器Planner、轨迹发布。

图3 规划模块的逻辑结构

在根据教程搭建了具备感知和规划能力的平台之后，开发者更希望根据自己的场景进行深度定制。为加速研发过程，百度提出了“云+端”的研发迭代模式，所谓的“云”大家都能理解， “端”指的是车辆端，如图4所示。

图4 百度提供的云+端的研发迭代环境

大概的流程是首先从车辆路测中积累海量的数据，将积累的数据传递到云端，然后利用云端服务器集群的强大计算能力去生成深度学习模型，并在云端做回归测试。最后将经过验证的模型更新到车辆上，赋予它新的迭代能力。

一般来说，我们将数据分为几类，如图5所示。

图5 自动驾驶数据分类

原始数据，各种传感器、车辆、驾驶员行为等。数据种类繁多，维度不同，数据量大，而且大多是非结构化数据，对于存储、传输、处理提出非常大的挑战。

标注数据，视觉的2D障碍物数据、红绿灯数据、3D点云数据等。

逻辑数据，包括完美感知、环境的抽象以及车辆动力学模型等。

仿真数据，包括参数模糊化数据、三维重建数据等。

Apollo建立了一个数据平台，对数据的采集、存储、使用进行管理，其基本功能如图6所示。

图6 Apollo的数据管理平台

首先我们通过data recorder工具按预先定义的格式生成数据，利用云端的传输机制将数据快速传递到云端。其次，我们构建了一个自动驾驶数据仓库，将海量数据成体系地组织在一起，可以快速搜索，灵活使用。最后，云端拥有基于异构系统的自动驾驶的计算平台，提供强大的计算能力。

当前，Apollo开放了六类训练数据，如图7所示。

图7 Apollo开放的数据

2D红绿灯，用来识别交叉路口红绿灯数据，可以用做训练、测试和验证。

2D障碍物，比如车辆、行人、自行车，还有其他未知类别的图像数据。

3D障碍物，其实是激光雷达点云。

端到端的数据，提供适合end-to-end模块的数据。

场景解析，像素级的语义标注，比如车辆、背景、交通指示牌、障碍物等，可以用来做整体环境的识别。

障碍物预测，用来训练预测算法的数据集。

此外，Apollo还发布了一个叫Apollo Scape的学术性项目。Apollo Scape开放的数据在量级、复杂程度和精度方面都比业界有名的Kitty、citi scapes大一个数量级，目的是推动整个自动驾驶行业的发展，如图8所示。