课程介绍

Apollo是一个开放的、完整的、安全的平台，将帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统、快速搭建一套属于自己的自动驾驶系统。

一、本机演示实战

首先进入GitHub存储的git代码，将其拷贝使用。接着我们将对代码进行学习和运行。

下图是Apollo软件的架构图，也是核心的关系图。它的整个数据转过程是：通过高精度地图和定位获得车辆周边的场景信息。然后通过感知模块侦测道路上的障碍物，即一些动态信息，比如旁边的车、行人、自行车等等。这些工作完成后将感知的信息传递Prediction，预测感知障碍物的运行轨迹。最后将预测结果包装再传给Planning模块。Planning根据障碍物和周边静态的情况，比如有哪些车道可选，去规划路线。路线规划完成后，将生成的轨迹传到Control模块。Control模块通过Can总线协议跟车辆交互，例如应该打多大角度的方向盘，车辆现在的加速度是多少，当前是应该踩刹车还是继续跟车等。同时也会从Can总线协议层面了解到车辆本身的信息。


在3.0版本， 我们升级了系统里一些安全相关的模块，如图4所示，当发生紧急情况的时候可以直接利用熔断机制跳开PNC，直接对车辆下发刹车指令等。


在介绍完整体的逻辑以及代码逻辑模块之后，接下来就是一步步的实战，图5是软件的安装流程。


自动驾驶的门槛比较高，要真正形成一个比较完备的闭环，还需要一辆车。要从事自动驾驶行业，就必须上手，要有实际的车辆，可以是小型实验用车或者真车。实车必须满足线控标准。图6列出了满足Apollo线控标准的车辆指标。


本节的学习到此结束，下节学习马上开始！

二、 车辆与循迹驾驶能力实战

循迹自动驾驶是指车辆按照录制好的轨迹进行自动驾驶，其涉及到自动驾驶中最基本的地盘线控能力、定位能力、控制能力，最自动驾驶系统的一个最小子集。

在搭建自动驾驶车辆的软件、硬件环境以后，通常采用循迹测试进行验证，如下所示：


循迹测试涉及最底下的几个模块，只需要定位、控制以及Canbus这三个模块，是Apollo的最小子集，通过循迹可以验证车的线控能力以及模块的整体集成能力。

那么如何做循迹测试呢？首先在硬件上，我们需要一辆线控车辆、一个工控机以及惯导系统GPS和IMU，如图所示。


如果大家使用的是参考硬件搭建的车辆，不需要进行适配，可以直接进行验证。

如果你不是用参考车辆来做这件事，需要做以下几步：

首先实现一个适配器层。


第二步是Can卡的管理。


第三步是控制模块。


接着就是定位模块，这是非常核心的一部分。如下所示，该图是目前定位整体的逻辑框架。


目前Apollo定位的方式主要有两种，一种是PTK定位方式，是基于基站的方式。另一种是MSF（多传感器融合）的定位方式。需要利用LiDAR的3D点云来做匹配认证。

最后就是在搭建完成之后，启动循迹自动驾驶。


三、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心占据了核心地位。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。

Apollo2.0版本在1.0版本上有很大升级，主要是增加了感知和规划模块。下图是2.0所涉及的传感器的属性列表。


感知的核心是进行障碍物的识别、分类、语义分析和障碍物跟踪。如下所示：


规划的目的是告诉汽车按照什么样的一条路径行驶，其代码逻辑如下所示。


如图顶层左边部分是规划容器，它有几个核心元素：参考线、高精度地图、规划器Planner、轨迹发布。

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。

在运行整个流程时，所积累的海量数据，时通过云端进行传递的。当然对于传递的数据，我又可以分为以下几个类型。

1.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，对于传输、处理、存储提出了非常大的挑战。
2.标注数据，视觉的2D障碍物数据、红绿灯数据、3D点云数据等。
3.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。

为此Apollo建立了一个数据平台，对数据的采集、存储、使用进行管理。

首先我们通过data recorder根据按照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，如下：

1.2D红绿灯，用来识别交叉路口红绿灯数据，可以用来训练、测试和验证。
2.2D障碍物，比如汽车、行人、自行车，还要其他未知类别的图像数据。
3.3D障碍物，其实是激光雷达点云。
4.端到端的数据，提供适合end-to-end模块的数据。
5.场景解析，像素级的语义标注，比如车辆、背景、交通标识牌、障碍物，可以用来做整体环境识别。
6.障碍物预测，用来训练预测算法数据集。

最后的最后，我们再来回顾以下开发流程。

作为一个开发者，开发流程从本地开始，本地开发之后通过Docker镜像传到云端。然后再云端的计算环境中，通过调度云端的计算资源去训练算法，通过数据接口层调用六大数据进行训练。

之后通数据验证算法的效果。依次不断迭代，直接再云端完成算法训练，提升整体效率，如下所示：


本次进阶课程到此就告一段落了，下次我会 分享我的学习心得，和更进一步的研究成果。谢谢大家。