对标 Mobileye，百度Apollo L4级自动驾驶纯视觉解决方案Apollo Lite来了

叶有一个真正的竞争对手。

在美国长滩举行的全球计算机视觉与模式识别领域顶级学术会议——CVPR 2019(计算机视觉与模式识别大会)上，百度Apollo公开环视视觉解决方案计划百度Apollo Lite。

这是国内唯一一个城市自动驾驶纯视觉的城市道路闭环解决方案。

据悉，ApolloLite面向城市道路的L4级视觉感知解决方案方案，可能支持10个摄像头、200帧/秒数据的并行处置处罚，单个视觉环节最大丢帧率可控制在5以下，实现全方位360及时态势感知，前方障碍物稳定探测视距达到240米。

阿波罗飞船委员会主席王良表示，“凭借此前对飞船研发的投入和2019年上半年的路试迭代，依托10个摄像头的感知系统，百度无人车已经能够在城市道路上不依赖高线旋转激光雷达的情况下完成端到端闭环自动驾驶。”

据了解，Apollo Lite已经在北京稻香湖等多条道路进行了测试。路试期间，测试车辆数量、累计测试里程以及车辆在城市道路上的闭环自动驾驶显示均表现出色，可与全球最大ADAS供应商Mobileye提供的纯视觉解决方案相媲美。

与旋转式激光雷达感知方案相比，视觉感知方案价格便宜，容易获得。这种低成本的近车级环视感知方案也可以降级支持ADAS辅助驾驶和使用，创造更多有价值的应用场景，推动ADAS产品的人才提升到新的高度。

是的，这个计划的优点是成本高。

摄像头是比较成熟的传感器。高分辨率、高帧率(成像频率)的成像技术日益增长的趋势，除了具有轻便、低成本、符合车辆法规等优势外，意味着图像中包含的态势信息更加丰富，视频数据也最接近人眼感知的真实世界。然而，与三维点云数据相比，二维图像中的信息更难发现，算法更强，数据积累海量，临时研发更多；需要投资。

王良透露了自己的表现，“百度Apollo一直直面多传感器集成工艺线。在L4自动驾驶传感器的选择上，激光雷达和摄像头既不是排他性的，也不是纯粹的从属和互补。”

不，从安全性的角度来说，两者的重要性和互换性是一样的，缺一不可。

如今，传感器集成的许多计划相当复杂，工匠们经常从快速解决问题的角度开始构思算法。在这个过程中，不可避免地要应用异构数据的优势，取长补短，从而绕过难题。

基于这种思路的多传感器融合方案虽然可以在短时间内避免单传感器方案的难题，但从长远来看，数据与策略深度耦合的思路不利于为态势感知系统提供真正的冗余。

传感器融合是指多套能够独立支持全自动驾驶的感知系统能够联合起来，自力更生相互检查，以最大概率保证感知效果的准确性和完整性。

王良强调，百度投资资本研发纯视觉感知解决方案的决心，实际上并不意味着放弃现有的基于激光雷达的工艺线，而是充分思考了无人驾驶系统trueredundancy在工艺实践过程中的必要性，决定通过工艺压力环视视觉工艺，巩固多传感器融合感知框架。

在以激光雷达为主、视觉为辅的传统融合策略中，视觉感知本身的问题和不足在雷达感知的掩盖下没有得到充分暴露。

如今通过ApolloLite抛光迭代的纯视觉技术，正在延续反馈百度对抗、提升无人驾驶系统鲁棒性和安全性的多传感器集成解决方案计划。

工艺的成长无疑是自驾物业的必备要素，在工艺不断提升的同时，为企业和开发商打造低成本、易寻的解决方案，是推动物业成长的重要一环。

不，与百度的多个计划齐头并进相比，

特斯拉是一个反列，4月23日，特斯拉宣布了“全自驾计算机”（full self-driving computer），也就是： Autopilot 硬件 3.0 。同时，在会上马斯克马斯克在会上称：“只要傻瓜才会用激光雷达”。

而曾也是以纯视觉为主的以色列公司Mobileye也最先做雷达摄像头融会计划，从纯视觉到融会，再从融会到纯视觉，自动驾驶解决计划怎样准确应对分歧场景照旧还处在探究阶段。

CVPR时期，百度Apollo还宣布了ApolloScape最新进展，现在ApolloScape已宣布了五个公然数据集包罗场景剖析，细粒度车道线，定位，三维车辆拟合和浓密轨迹。

据悉，ApolloScape中的场景剖析(scene parsing)数据集包罗了14.7万帧的具有逐像素语义标注的图象，相对包罗Waymo在内的仅具有矩形框标注的数据集，像素级标注供应了更加仔细的并且不受物体间的遮挡影响的场景信息，旨在推动更加精准的视频场景语义明白手艺。

除二维视频图象，其每帧相干的三维点云也被逐点标注了语义信息。别的，图象的逐像素标注的时候事情量超过了矩形框标注的事情量十倍以上。

道线路是一项基本的路面元素，ApolloScape 车道线数据集供应了28类分歧的道线路分类的逐像素级别和以及三维逐点级别的数据集，这是现在一切公然数据集都不具有的标注信息。

无人车须要精准的定位体系用以猎取一系列信息，比方本身的地位，火线的状况，以及行驶区。

个中定位精度一样平常须要控制在10厘米之内以制止涌现碰撞和车道偏离的状况。ApolloScape自定位(self-localization)数据集供应了近30万张带有高精GPU/IMU信息的掩盖近28公里的图象。

另外，怎样应用图象疾速感知四周车辆的三维位姿关于自动驾驶也至关重要。

为了推动此题目的研讨，百度推出ApolloScapeCar3D数据集，此数据集收罗于中国的分歧的都市，包罗5277多幅实在驾驶场景、6万多车辆的三维标注数据。

除车辆的三维位姿以外，百度还同时开放了实在三维车模子，66个三维/二维车辆症结点数据。接下来，我们或进一步开放部件级别的、浓密的三维车辆标注。

ApolloScape的物体轨迹跟踪数据集供应了图象和点云上的物体活动轨迹，其涵盖了分歧的光照前提以及大批的车/人/骑行混淆的交通流，旨在推动物体跟踪以及活动行动展望手艺。轨迹数据全长到2.5个小时，这个比现有的最大的轨迹数据集（NGSIM）大了三倍。

百度官方引见称，自2018年3月的宣布以来，ApolloScape数据集已被环球范围内下载上万次。

智车派-专业有趣的说车新势力