国内首次深度学习自动驾驶,阿波罗不再只是计划:来自百度开发者中心的观察报告

导读:从世界上首个可在真实道路上实现端到端模式的高级自动驾驶模型Road Hackers,到百度和汽车零部件厂商合作开发的车载可计算平台 BCU,从诞生之初就备受关注的“阿波罗计划”逐渐揭开了它神秘的面纱。而正如百度智能汽车事业部总经理顾维灏在主题演讲中所说,这些,不过仍是阿波罗计划的凤毛麟角。



2017年6月8日,上海 CES Asia 现场。

作为新智元特派员,我置身于上海新国际展览中心 N3 智能驾驶主题馆,被众多汽车品牌的未来炫酷车型所包围。一瞬间,仿佛回到了一个多月前同样在这里举行的上海车展。

今年的上海车展上,一个老名词的新概念爆炸式地为人所知:阿波罗计划。

对这一计划,百度的诠释是“将向汽车行业及自动驾驶领域的合作伙伴提供一个开放、完整、安全的软件平台,帮助他们结合车辆和硬件系统,快速搭建一套属于自己的完整的自动驾驶系统“。

此前,百度只给出了一个阿波罗计划在几个时间节点上的进度表:

  • 2017年7月,开放封闭场地的自动驾驶能力;
  • 2017年底,输出在城市简单路况下的自动驾驶能力;
  • 2020年前逐步开放至高速公路和普通城市道路上的全自动驾驶

对于阿波罗计划,另一个版本的诠释大家想必也不陌生:“这是一颗原子弹,将炸掉….“云云。对于这一论调,新智元当时也曾撰文,指出“眼下,百度的‘阿波罗’计划,还没有太多实质性的东西公布,仅凭这样一个开源消息就认为百度将称王自动驾驶,实在是过于臆测和武断。”

今天,还是在上海新国展,实质性的东西来了。

不造车,百度在自动驾驶上的技术优势如何体现?

首先,是技术的落地。在接受新智元专访时,百度智能汽车事业部总经理顾维灏明确表示,百度已经将自己定位于技术提供商,“我们现在不会去考虑造车,而是更多的赋能给我们的合作伙伴。苹果只有一家,我们不做苹果,我们会更多地去寻求合作,寻求联盟。”

而对于合作方的选择,百度智能汽车事业部HMI & 生态总经理张辉表示:“百度一看市场,二看能力,三看意愿。”“当然,我们愿意敞开合作的大门。只要你有意愿,能够证明自己在某一领域具有专业能力,同时又有一定的市场规模,我们就会考虑合作。”张辉补充道。

那么,百度寻求合作的载体是什么?既然不考虑造车,“没有一个实实在在的载体,百度在自动驾驶领域的技术优势就无从体现。”

于是百度推出了自动驾驶专用计算平台BCU (Baidu Computing Unit)。这一软硬件平台集成了百度的优势技术,成为百度在自动驾驶领域寻求联盟的使者。昨天,6月7日,就在 CES Asia大会 N3 场馆的百度展台,百度与德赛西威、联合汽车电子、航盛电子、博泰电子等 4 家行业领先的汽车零部件厂商签署了合作协议,签约内容围绕着 BCU (百度自动驾驶专用计算平台)和 MapAuto (百度地图汽车版)两个方向展开。

BCU

从百度给出的官方介绍看,这次推出的自动驾驶专用计算平台BCU (Baidu Computing Unit),具备信息安全和云端更新两大基础能力和三大AI核心模块:高精定位、环境感知、决策规划。

BCU 基于高精度地图,结合 GPS、摄像头与 IMU 等传感器信息,提供自动驾驶所需要的高精度定位。

现阶段, BCU 已开发出三个系列产品:BCU-MLOC(高精定位)、BCU-MLOP(高精定位+环境感知)、BCU-MLOP2(高精定位+环境感知+决策规划)。

BCU 由百度与德赛西威和联合汽车电子两家Tier1厂商分别合作开发。上图是百度与德赛西威共同开发的 BCU-MLOC 参考硬件。

MLOC 功能包括:储存中国境内高精度地图;云端更新数据和算法;结合视觉感知结果和高精度地图,输出厘米级车道定位和车道级导航信息。

百度寄希望于这款自动驾驶专用计算平台能够“为合作伙伴赋能”,“让中国智能驾驶提早步入量产阶段”。而从合作分工看,在与供应商的合作中,是由百度提供软件层面的技术,供应商则负责系统硬件设计、软件框架、底层设计,以及产品的安全性和稳定性。

对于这一“可量产的车载自动驾驶计算平台何时可以量产”的问题,顾维灏说:“有些激进的厂家可能 2019 年就可以做到了,相信到 2020 年,大家可以看到一个全面的结果。”结合此前百度宣布的阿波罗计划的一项——“2020年前逐步开放至高速公路和普通城市道路上的全自动驾驶”,这一时间点本身就让人浮想联翩。

MapAuto

在这次签约的 4 家汽车零部件供应商里,除了联合汽车电子,其他三家都和百度在 MapAuto 上面达成了合作。

手机百度地图本身就是百度的固有优势。相对于其他几家地图服务商,或是从技术上,或是从得天独厚的运营地位上,百度地图都明显占有先机。

MapAuto是面向前装市场的智能出行解决方案,延续了手机百度地图优势。基于百度人工智能技术及百度大脑NLP自然语义解析,MapAuto能够精准理解需求,实现人机无障碍沟通,同时结合地理位置和车辆数据,给车主推送相关服务,满足车主个性化、场景化的需求。百度方面表示,德赛西威、航盛电子和博泰电子是第一批加入MapAuto产品Tier1联盟合作伙伴,通过深度广泛的产品和技术合作,未来会有多款搭载MapAuto产品的德赛西威、航盛电子和博泰电子车机在多家OEM车型上搭载量产。

国内首次利用深度学习方法实现车辆的自动驾驶(L3)

在CES Asia开幕首日,百度在上述发布会之后,特别进行了自动驾驶汽车的试乘活动。

总结来说,这次试乘的自动驾驶车辆有三个特点:1.单目摄像头;2.利用深度学习方法,学习人类驾驶习惯;3.用深度学习方法,既学习车辆的横向控制(如车道内的横向调整、转弯),又学习纵向控制(如加减速),这一点在车辆入弯时减速、出弯加速的过程中体现得最明显。

这辆试乘车学习的就是驾校教练王师傅的行车习惯。在试乘过程中,如果不看王师傅的手是否在方向盘上,我确实区分不出是人还是 AI 在驾驶。

车在自动行驶时,每次左拐前(试乘过程一直走的是逆时针路线),都会先往右兜一点点,再左拐。这样车行驶时重心转移不那么突兀,乘客会感觉更舒适。这辆车确实深度学习到了专业驾驶员的风范。

这辆自动驾驶车辆创下了两个第一:中国首次利用深度学习方法实现车辆的无人驾驶;世界上首次利用深度学习方法,既实现车辆的横向控制,也实现车辆的纵向控制。

百度自动驾驶汽车六周训练日志

在这辆试乘车背后,是百度基于深度学习的自动驾驶解决方案 RoadHackers 平台:

  • Road Hackers是百度的自动驾驶开放平台,也是世界上首个可在真实道路上实现端到端模式的高级自动驾驶模型。Road Hackers平台首期将开放1万公里自动驾驶训练数据,并已具备提供海量中国路情驾驶数据开放,基于深度学习的自动驾驶算法演示,以及自动驾驶算法Benchmark评比等能力。
  • CES Asia上的路测车辆采用Road Hackers平台先进技术,集成有全国首例基于单摄像头的端到端深度学习自动驾驶解决方案。这将成为未来自动驾驶领域的主流趋势。

在百度智能汽车事业部总经理顾维灏的主题演讲中,用大篇幅介绍了 Road Hackers。

红色的线代表方向盘转向的角度。绿色的线代表用算法预测出的司机对方向盘的转动。从红绿两条线的趋势可以看出,收敛的趋势越来越明显。

以前只是用了 CNN的算法,造成对横向控制(体现在方向盘转动角度)的预测越来越好,但对纵向控制(体现在加减速)的预测做得不好。。

在进行了改进后,用卷积神经网络自动提取特征,用于方向盘转角;在加速度方面,使用了新的算法,LSTM。

顾维灏说,现在大家看到的一切,仍然只是阿波罗计划的冰山一角。更多内容地披露,仍然要等今年7月份。不过,顾维灏确实拿出了一张 PPT,从图中,可以看到百度阿波罗计划整体分成了云服务、开放的软件平台、硬件平台和汽车平台四个层面来解读。这将是今年 7 月 5 日百度 IDG 将向关注者进一步揭开的内容。

时间: 2024-10-01 22:43:55

国内首次深度学习自动驾驶,阿波罗不再只是计划:来自百度开发者中心的观察报告的相关文章

机器码农:深度学习自动编程

转自原文机器码农:深度学习自动编程 作者简介:张俊林,中科院软件所博士,曾担任阿里巴巴.百度.新浪微博资深技术专家,目前是用友畅捷通工智能相关业务负责人,关注深度学习在自然语言处理方面的应用. 责编:何永灿,欢迎人工智能领域技术投稿.约稿.给文章纠错,请发送邮件至[email protected] 本文为<程序员>原创文章,未经允许不得转载,更多精彩文章请订阅2017年<程序员> 机器自动编程是人工智能一直以来期望攻克的重要应用领域,随着深度学习的逐步流行,最近在自动编程方向获得了

机器学习和深度学习资料合集

机器学习和深度学习资料合集 注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友,你可以不用联系我.但是一定要保留原文链接,因为这个项目还在继续也在不定期更新.希望看到文章的朋友能够学到更多.此外:某些资料在中国访问需要梯子. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in

[转]机器学习和深度学习资料汇总【01】

本文转自:http://blog.csdn.net/sinat_34707539/article/details/52105681 <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室Jurgen

关于机器学习和深度学习的资料

声明:转来的,原文出处:http://blog.csdn.net/achaoluo007/article/details/43564321 编者按:本文收集了百来篇关于机器学习和深度学习的资料,含各种文档,视频,源码等.而且原文也会不定期的更新,望看到文章的朋友能够学到更多. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost 到随机森林.Deep Learning. &

机器学习(Machine Learning)&amp;深度学习(Deep Learning)资料

机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本

【转】自学成才秘籍!机器学习&amp;深度学习经典资料汇总

小编都深深的震惊了,到底是谁那么好整理了那么多干货性的书籍.小编对此人表示崇高的敬意,小编不是文章的生产者,只是文章的搬运工. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室Jurgen Sc

机器学习&amp;深度学习资料分享

感谢:https://github.com/ty4z2008/Qix/blob/master/dl.md <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost 到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室 Jurgen Schmidhuber

计算机深度学习资料整理

编者按:本文收集了百来篇关于机器学习和深度学习的资料,含各种文档,视频,源码等.而且原文也会不定期的更新,望看到文章的朋友能够学到更多. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost 到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室 Ju

【转】近200篇机器学习&amp;深度学习资料分享(含各种文档,视频,源码等)

编者按:本文收集了百来篇关于机器学习和深度学习的资料,含各种文档,视频,源码等.而且原文也会不定期的更新,望看到文章的朋友能够学到更多. <Brief History of Machine Learning> 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决策树.SVM.Adaboost 到随机森林.Deep Learning. <Deep Learning in Neural Networks: An Overview> 介绍:这是瑞士人工智能实验室 Ju