进阶无人驾驶—行业概述

课程简介

欢迎大家继续学习无人驾驶的知识，本次课程已经是入门后的进阶课程了，所以很多内容上可能会有不熟悉或者不懂的，我会尽量为大家讲解清楚，如果不清楚可以留言我们一起讨论。

课程讲述任务驾驶行业及Apollo平台的核心技术模块，帮助学习者熟悉无人驾驶行业，进一步了解相关技术模块，快速上手Apollo及自动驾驶技术。

一、自动驾驶行业概述

本次课程由DAVID ZHOU（Apollo平台产品负责人，参与所有Apollo版本的发布）。

大家可能知道Apollo平台秉承的观念是：Open Capability、Shared Resources、Accelerated Innovation、Sustained Mutual Benefit。相信大家都知道他们的意思：开发能力、共享资源、加速创新和合作共赢。

现如今的我们生活在两个时代交叠的时期，这样的我们就会受到两个时代的影响，我们是幸运的，也是具有很大压力的，所以我们一定要把握机会，为无人驾驶行业作出贡献。

首先我们谈的是汽车共享，我们必须要有一个观察者应该具有的眼光去观察。你想一想身边，一直存在一个不知道什么时候便悄无声息出现的出租车这个行业，但是现如今我们已经习惯了这种共享出行。例如Uber和滴滴出行，但是车的利用率仍然很低。例如下图所示：

首先是调查美国汽车的空闲率，可以达到百分之九十五，可想而知，美国家庭的汽车不过就是一个代步工具，不用时就闲置在车库而不使用，汽车的利用率太低。

再者可以看到中间的数据，达到了百分之二十四，什么意思呢？就是说汽车停放所占据的空间达到了城市空间的百分之二十四，那是有多少车才会产生这样的空间占有率。假如把这百分之二十四的地换成住房或者绿地，可能会拉低高高在上的房价吧。

最后就是独自驾驶，其实现如今的观念都差不多，都在说私家车，所以非共享车占据那么高还是可以理解的。

通过上述三个调查，你又什么想法了吗？你觉得无人驾驶车的诞生会不会对这些造成天翻地覆的变化。

谈到这里就不得不提清洁能源汽车的巨头“特斯拉”，这是一个秉承新能源洗车的电车公司，正因为现如今新能源正处于风口，所以国家都会大力扶持，所以让我们看看这样的数据。

大家看到数据，就知道了，特斯拉一年就卖出几十万辆汽车，但是市值却达到了530亿美元。相比之下，和特斯拉有着差不多市值得汽车“通用GM”，一年却要卖出一千万辆车才能达到相同得市值。

为什么在投资者看来，这两个销售量差别近百倍的汽车公司，市值却差不多。说明未来新能源行业将会占据主导地位，所以我们需要把眼光放长远，才能够站在行业的顶尖。

中国也早就意识到了这些，但是我们一般汽车的技术和国外的技术还是有很大差距的，这不得不承认，主要是汽车发动机和刹车等领域。但是电动汽车主要的问题还是能源问题，所以我们国家政府还是希望能在弯道超车，成为行业巨头。

讲了前面的实例，接着我们回到自动驾驶：

虽然在英文中self driving和autonomous driving两者的意思有些许区别，但是我们所讲的并未涉及这些，所以下面我讲的不是太区分，不用太在意。

大家查一下资料就会知道，在交通致死的调查中，百分之九十三的车祸是人为操作失误导致的。而且根据研究发现，人在驾驶时，一分钟可以处理三十到一百个信息，就是说只要不是出现注意力分散的情况，没有其他环境影响的话，能够处理这些信息并操作。但是假如驾驶员分神，那就可能造成致命伤害。

但是无人车确实眼观四路耳听八方，他搜集的信息量巨大，而且它的处理能力很强，一分钟可以处理三千个信息，就是说是人类驾驶员的三十倍以上，可见其优势自然显现出来。

当然了，如果无人驾驶车行业成熟了之后，一定是比人类驾驶更安全。那么就会出现车祸断崖式降低的成果，这也会带来其他的好处，比如道路占用率下降，道路更通畅了，车祸的发生概论更降低了，这就是良性循环。当然经过研究，无人车行驶后会提高百分之四十的形式效率，相当于提高一半。

但是自动驾驶还有很长的路要走

这里有两个比较惨痛的例子，2015年特斯拉无人车在高速上行驶时，发现对面驶来一辆全身白色的大货车，在相机采集的数据经过处理后认为是蓝天白云，所以直接就冲了过去，发生车祸。另一个是2017年Uber，在行驶时，遇到一个推着手推车的老奶奶横穿马路，车辆识别不准确导致老奶奶当场被撞身亡。

特别是uber，它号称自己已经是L4级别的自动驾驶车了，所以在撞死人的责任上，它是负全责的，这就对无人车行业来说，是一个惨痛的打击。

下面我们一起回顾无人车的发展历程：

2005年，是对整个无人车行业来说关键的节点，因为美国国防部做了两次无人车挑战，第一届在2004年，因为参赛队伍较少，没有人夺冠。但是2005就由我们优达学城的Sebastian教授带领的团队夺得了冠军.然后接着google巨佬在2009年开始了研究路程，百度在2017年发布了Apollo第一个版本1.0寻机自动驾驶。

当然最终的时间也是意见不一，有的保守派认为至少要到2030-2040年才会让无人车下线，也有一些激进派认为2020-2021就能将无人车铺到道路上。但是绝不会有人认为到2045年以后，因为那时候无人驾驶就成为人们的日常了。

不过想要看一个行业的价值如何变化，就看该行业被投资的资金变化，相信无人车的投资金额一定会做大做强，我们还是用数据说话吧。

可以看到近年来投资金额都是billion级别的，可想而知它的估值越来越大了。想要了解更多的并购和收购新闻，可以自行搜索。我只记得英特尔收购mobileye（给Tesla提供相机的厂商，和Tesla因为责任闹掰）花费150亿美元。

所以这个行业有很大的优势：
第一是这个行业有很大的投资
第二是这个行业有很大的前景
第三是这个行业是真的很缺人

你不心动吗？

二、Apollo开源模块讲解-1

上面主要是又一次对无人驾驶这个领域进行了简要介绍，主要是观望一下未来的发展趋势，这节课所讲的知识比较苦涩难懂，希望大家和我一起，认真解决这个难题。

首先通过这个图就可以看到，无人驾驶汽车存在的技术相对于民用设备来说，还是比较靠前的了，不管是技术或者性能都是。

第一个可以看到无人车的计算机性能是PC的一百倍以上，而且环境感知的精度也达到了厘米级别，汽车电机也可以外联，被电脑控制以保持汽车的制动和其他移动功能，以及后面的集群点数据达到很大的数据量和人工智能。

当然提高无人驾驶车的实现过程，第一个肯定会去想着实现高精度地图的研究和学习，因为如前面的初始高精度地图一样，高精度地图是支持规划、定位和预测等行为的基础。

整个高精度地图的创建过程就如同上图所示，虽然过程看着不复杂，但是实现起来仍十分复杂。

因为无人车和人不一样，所以无人车的地图必须达到车道级别（当然不仅仅是车道，更需要知道哪里有红绿灯？哪里有标识牌等等），这样才能在道路上安全行驶。例如他会在即将下高速公路时提前变道，而不是人的突然意识到要变道，所以无人车会做好提前量，搞好预判。总结高精度地图的价值如下。

无人车价值
第一、它会提供无人车预判的信息
第二、它可以减少无人车计算量

说到这里，我们就举例说说高精度地图如何让计算机减少计算量的，想象一下，假如你的无人车辆穿行在森林中，如果没有高精度地图告诉汽车旁边哪些是静态物，有可能是树，有可能是电线杆。那无人车就会一直识别计算会不会是人或者动物什么的，会不会突然跳出来，是不是会让我们的汽车累着，想想都觉得累。

下面就讨论一下定位：

当然了前面的初始无人驾驶也已经对该部分详细介绍了，我在这里主要是做一个回顾，勾起你们沉睡的知识。

我们接触最多的定位莫过于GPS了，手机就有，当然GPS是相对定位的，就是说它会不停的去发出电磁波，然后收到电磁波后，就开始计算这个时间，得出我和卫星之间的距离，当然我们对多卫星进行相对位置计算，就可以得出我们的准确位置，虽然精度不高，但对于人来说已经够用了。

因为GPS的精度显然不足以支持我们无人车定位，所以研究了RTK技术，就是建立一个基站，静止状态，这样就可以通过基站的数据矫正来让定位的精度达到10厘米的级别，但是唯一麻烦的就是需要基站，而且还需和无人车距离不太远，大概距离要在16公里以内，可以想象一下，假如车上了高速，那不得接着建基站。

这时又出现了Imu惯性导航，当然它知识对GPS跳动的一个抹平，也就是说GPS定位会有跳动，人会突然跳到某个位置。而物体不可能瞬间移动，所以可以通过当前物体性质计算一段时间内的惯量。Imu和GPS一般都是一起使用的。

当然了，假如没有GPS信号时，我们怎么定位呢？这时就可以使用几何定位了，就是说你距离一棵大树的距离可以计算出来，然后另一棵大树也能计算出来，这样的话多棵大树就能确定你的具体位置。

上述几种技术融合起来便形成了定位模块，供无人车定位使用。

下面就要提到感知系统了，我们都知道感知器会有相机、激光雷达、雷达等组成。这里就要提到lidar（激光雷达），它的精度不仅仅是对特性大的物体，更是对形状很小的物体也能判断距离。例如前方有一辆载有钢筋的三轮车，它的钢筋都是朝向你的车，你不知道钢筋会不会碰到你，但是无人车知道，而且很清楚每一根的距离，但不说明它会靠的很近，而是离的更远，这就是区别。

当然lidar肯定也会存在缺点啊，比如说它对环境的要求极高，因为lidar是一个激光束，所以它的波长是纳米级别的，要是碰到雨天，则会和雨水发生碰撞，反射回来会告诉车前方有一堵墙或者什么，反正影响很大。而且它也看不到颜色。

和lidar一样起感知作用的radar（雷达）对环境要求不高，但是它会对静态物产生误报的现象。另一个camera对颜色有很敏感的感知，但是对距离却没有感知，所以这三者都是相辅相成的，不会说哪一个就能完成全部的任务。

这三个东西里面，可能只有激光雷达我们接触的比较少，或者听说的比较少，因为这也是现如今L4级别汽车研究的瓶颈之处。因为激光雷达还没有大规模生产，所以它的价格比较贵。而且它的种类比较多，下面介绍一下这些类型：

类型	优点	缺点
机械激光雷达	易实现	机械转动有磨损，且又大又重
棱镜激光雷达	没有机械磨损，价格低	车辆抖动会影响精度
flash lidar	容易提取，类似拍照，价格便宜	距离较近，只能看到五米以内（感觉没有用好吧）

当我们拿到了感知器对环境感知所得来的数据，下一步我们应该怎么办呢？或者说利用数据可以做什么呢？

先放图：

你肯定也回忆起来我们所学的知识点了，当然是把所有传感器得到的数据进行融合，或者将数据同步叠加在一起。这个也是现在技术需要解决的一个难点，因为对于激光雷达来说，物体就是无数个点组成，你想把它的信息和camera的图形信息对应起来，本来就是很难的事情。

当我们把传感器的信息叠加融合到了一起，就可以根据物体的性质来预测判断它下一步的动作会是如何。

正如上图所示，我们得到预测就可以做出决策了，也就是规划和控制，就是说我们需要规划一下我们的路线，然后对汽车进行控制，以保持我们规划的路线行驶。

我们知道，在对汽车的控制时，不能是一堆齿轮在这边让我们控制，而是电脑控制的电机在控制刹车，油门和转向等。上图就是我们对汽车一些转置的数据，比如油门踩到20%时，加速度会是多少，踩刹车的百分比对速度影响。这些都是控制学的一些参数，如果有兴趣可以了解了解。

最后就是我们的云端服务器，这时我们后台管理和控制的大佬，相当于一个有经验的司机在做指导。

三、Apollo开源模块讲解-2

上一讲，我们对无人驾驶车的整个实现的流程做了梳理，大家也都唤醒了部分沉睡的记忆，下面我们先来探讨一下安全这个让大家都感兴趣的问题。我们这个无人车真的安全吗？

我展示的这张图片是ISO安全标准的相关内容，当然它的定义是很复杂的，这里知识列出来核心部分，具有很结构化的安全标准。可以看到Functional Safety是判定车辆自己的责任，而Security是判断为他人责任，比如网络有人破坏，有黑客入侵等。

通过上面的图，就带给大家一个好消息。ISO对于无人车的定义标准非常严格，设备的故障率达到了10fit，也就是10亿个小时坏一次，这种概率简直是逆天了，是不是感觉非常安全。当然了，还有一个坏消息，那就是根本没办法实现这个标准，基本完全按不可能的，所以我们还有很长的路要走。

有人说安全是没有极限的，我不认为安全没有极限，我认为安全也是有极限的：

ISO定义的极限安全标准：人在不同年龄会有正常死亡率，你的车辆死亡率比正常死亡率低十倍。这已经到了很低很低的标准了，而且也并不是我们口中所说的那样计算死亡人数，而是行业标准下计算，所以不必纠结这个标准，他一定是比现如今的汽车标准更严格。

ISO不是一个法律，这就是一个行业标准，或者是一个生产流程规划书，它会对一些责任进行明确化，确保汽车在失责时根据具体的情况判断责任方。

例如：当我行驶在高速上时，一辆L2级别车的雷达判断到前方有一个疑似障碍物的物体，置信度为50%，但是它不会因为像一个障碍物就减速或者绕行，而是保持速度冲过去。因为L2汽车的定义是，驾驶员参与其中，并进行一切处理事件，所以他认为人已经判断过了，那不是障碍物。因为假如它刹车了，那么他有了自主控制的权力，而抛弃了人类驾驶员的控制权。假如前方不是障碍物而它进行了刹车，导致后方追尾，这个责任肯定归汽车厂商莫属。

上图是ISO对汽车安全等级做出的一个分析，我们去判断的模块标准，然后根据是否满足得出等级标准。

说了半天，其实就是想说明一个道理，那就是ISO是一个汽车行业的标杆，他有很多好处。

第一、告诉了汽车行业制造商什么是安全的标准；
第二、提高了汽车安全性能的监管机制；
第三、打官司时有评判标准。

如果汽车因为成品达不到标准而召回，就会产生十亿美元以上的费用，但是如果你的汽车制作标准达到了ISO标准，也就是人类所能达到的安全标准的极限，那么就没有必要召回，可以省去很多费用。

但是它也有坏处，就是必须按照标准流程走，一个都不能少，这样层层森严的判断机制，其更新迭代的周期肯定会很长，可以达到十年。

四、Apollo开源模块讲解—3

这节课，我们就讲解一下Apollo本身，当然Apollo并不是登月计划的那个阿波罗，而是百度旗下创建的无人驾驶汽车先锋。那么我们为什么叫阿波罗呢？我觉得是受美国总统肯尼迪的一句话影响，那就是我们所做的事情并不是因为简单才去做的，而是因为不简单才去做的。
好了讲到这里让我们先来看看Apollo发布的无人驾驶1.0技术框架图：

*（首先这个图一共有四层，最下面的一次代表线控，也就是说所有的模块都是装在一辆线控的汽车上。上一层就是计算过程，也就是搭载在计算机芯片上的算法计算过程。下面的这两层是硬件方面，因为百度不做车，所以我们就召集兄弟们一起来玩。于是就签订了许多汽车工厂来和我们一起开发。

上面的两层就是百度的一个优势所在了，第二层是一个开发的软件开源平台，有能力大家都可以去优化和开发，并不局限于一个汽车企业，所以这是百度的巧妙之处。第一层就是云端与无人车交互的这么一个功能模块，也是很重要的一部分。

当然可以回顾一下上面的图形，点亮的条形框格就是Apollo1.0所承载的功能。

可以点击我查看百度Apollo1.0形象片介绍影片

看完了两分钟的影片，相信你已经热血沸腾，那么就让我们继续了解Apollo1.5版本的内容吧。

可以看到，相对于1.0来说1.5已经在基础之上添加了很多零件了，那么汽车的处理能力肯定有很大幅度的提高。接着Apollo2.0就产生了：

可以看到，基本上2.0就已经点亮了所有的无人驾驶相关模块，但是仍然有许多地方需要补充和增进的。

但是3.0的发布却给百度带来了里程碑式的进步，可以看到3.0第一层添加了量产解决方案，就是我们所说的商业量产化，这就相对于我们迈出了商业化应用的关键一步。而且相关平台也做出了升级，我们的目标是进一步推进无人技术的发展，让我们一起携手共建美好时代吧。

本次课程到此就终于结束了，希望大家有所收获。

进阶无人驾驶—行业概述相关推荐

无人驾驶系列——概述
无人驾驶行业概述什么是无人驾驶 A self-driving car, also known as an autonomous car, driver-less car, or robotic ca ...
百度Apollo智能驾驶进阶课程——第一章自动驾驶行业概述
第一章:自动驾驶行业概述 1 无人驾驶安全问题 1.1 安全标准的框架 1.2 安全极限 2 Apollo本身 2.1 Apollo 技术框架 2.2 Apollo 3.0最新框架 1 无人驾驶安全问 ...
干货！区块链入门、进阶、行业专家观点！1000篇好文帮你破解区块链密码！（中篇）...
随着区块链概念理论的不断成熟以及强劲技术的不断深耕,区块链已经成为投资圈中备受关注的热点,从区块链1.0时代落地数字货币比特币.莱特币等,打开了区块链通向新弯道的高速路口,到区块链2.0时代开始通过智 ...
SaaS的行业概述及发展现状
2015年是个互联网产品的分水岭,那时候C端产品渐渐褪去热度,B端产品渐渐崭露头角进而匀速发展.近年来SaaS慢慢进入大众视野,逐渐普及并渗透到我们日常的生活工作当中,或许你正在使用SaaS服务,但对 ...
SAP License：SAP顾问食品行业概述
食品行业概述食品加工制造企业具有规模小.分布散的特点,由于食品都有相应的保质期,市场预测及供需平衡极为重要:规模化.异地扩张成为发展趋势,同时食品行业面临多元和粗放经营向专业和集约经营转化的管理趋势 ...
影视后期行业概述、制作流程、岗位划分、薪资待遇、课程介绍详解
影视后期行业概述.制作流程.岗位划分.薪资待遇.课程介绍详解本篇围绕影视后期行业概念定义.应用与细分.影视制作流程.市场上职责岗位划分.影视后期课程详情.影视后期薪资结构与前景.授课方式与课程划分. ...
一、剪辑行业概述与剪辑工具介绍
一.剪辑行业概述与剪辑工具介绍剪辑在行业中的应用方向: 影视剪辑(电影.电视剧.网剧) 节目剪辑(<奇葩说>.<魔力美食>) 其他(宣传片.广告.MV等) 剪辑常用的几款软件 ...
【转载】SaaS的行业概述及发展现状
文章转自-公众号-刘大大,link:https://mp.weixin.qq.com/s/srSBtf7uDJI3AYNSO8LuIw 2015年是个互联网产品的分水岭,那时候C端产品渐渐褪去热度,B ...
计算机设备制造行业概述,计算机整机制造行业分析报告_中国计算机整机制造行业市场需求与投资规划分析报告-前瞻产业研究院...
第1章:中国计算机整机制造行业发展综述 1.1 计算机整机制造行业概述 1.1.1 计算机整机制造的概念分析 1.1.2 计算机整机制造的构成分析 1.1.3 计算机整机制造的特性分析 1.2 计算机 ...

进阶无人驾驶—行业概述

课程简介

进阶无人驾驶—行业概述相关推荐

最新文章

热门文章