阿波君 Apollo开发者社区 2月26日
过去的一年里，Apollo发展迅速，向智能交通不断渗透。从2.5到3.5版本，无论控制系统的升级、高清地图的泛用和车路协同技术服务的推进，无不在推动自动驾驶技术从开源向开辟商业化新格局位移。
在开源框架的进一步成熟，V2X的落地实践，传感器融合更强等多重因素的影响下，快速落地、成本优化、全面安全、AI领先的Apollo正为合作伙伴实现量产保驾护航。
技术在升级，责任也在升级。 Apollo开发者社区推出的《Apollo自动驾驶工程师技能图谱2.0》，把Apollo团队的自动驾驶技术沉淀、研发实力、行业洞察以及Apollo核心能力和技术框架进行梳理，为开发者呈现自动驾驶技能全景图。
在全新的2.0版本中，我们结合开发者反馈建议/Apollo团队技术发展，增加开源计算框架Cyber RT、Localization、Prediction等技术知识点，也针对上一版本的技能图谱进行迭代，以帮助开发者更好更快地学习自动驾驶技术。
技能图谱2.0版本是由Apollo开发者社区团队、Apollo技术布道师团队、Apollo中美技术研发团队共同参与制作。
本次更新将带来哪些惊喜呢？我们一起来看：
基于Apollo的能力升级、版本迭代和开发者实际落地的需要，2.0版本针对旧版内容进行了系统删改和新增。
2.0版本焕新升级7大自动驾驶技术能力，含33个技术分支，及91个技术节点，向开发者更完整地展示了自动驾驶技术学习框架。
其中，Apollo Cyber RT框架便是为Apollo构建此类框架的第一步，也是第一个专为自动驾驶技术设计的开源框架。Apollo技术团队从高性能并行计算、自适应通信系统、Atomic编程、实时系统等方面，为开发者提供Cyber RT学习路径。
而对于开发者关注的Apollo开源车路协同方案，此次在技能图谱中也有体现，涵盖研究V2X在软件、硬件、云端服务所必须的RSU／OBU、数据交换协议、数据融合等内容。
此外，Localization移至开源软件服务平台下，新增GNSS/RTK、激光点云处理、惯性导航等内容，实现自动驾驶车辆更有效、精确的定位。
Prediction新增RNN循环神经网络、动态模型、卷积神经网络、强化学习、概率论、贝叶斯分析等内容，使其在实际使用中有更好的表现。
Control模块的内容更加丰富，扩展了基于优化的控制，新增自适应控制、系统认证、鲁棒性控制、车辆运行学、车辆动力学、非线性优化、线性/非线性状态估计、信号处理、模拟/数字信号滤波器、模拟/数字信号控制器等功能组件，使用了CNN、RL等最新的深度学习技术进行辅助控制，使得控制算法更加精细化；
Map Engine为新增模块，加入GIS基础、图形学与计算几何等内容，进一步提升精度。
技能图谱2.0版本要求从业者在行业上有更宏观的考量，技术上需要更扎实的技术知识。不仅要了解底层基础环境运行相关问题，更要稳步向上层进发，即底层引擎Docker→了解硬件层→具体传感器工作原理方式→整体控制方案→具体技术（高精地图、定位、方案规划）。
通过此份技能图谱，开发者可以更好地学习和掌握Apollo的知识点，更系统地上手自动驾驶技术。也可以通过对Apollo及自动驾驶全模块的了解，发现擅长的模块，从而选择相应的就业职位。
Apollo坚信“开发者的成功，就是 Apollo 的成功”，让每一个位开发者平等便捷地获取智能驾驶能力，始终是Apollo坚定不移的方向。
Apollo开发者社区将通过技术文档、干货知识、公开课及技术沙龙等内容，持续帮助开发者进一步实现能力提升。
而应对开发者的需求和自动驾驶行业的需求，这份技能图谱的更新正是希望能够帮助想要进入这一领域的开发者，全面理解技术需求点和变革点，成长为能够推动自动驾驶技术落地的行业先行者。
