Apollo自動駕駛及跟車方案的思路設計

智 享 導 讀

—正文—

今天我們來介紹《Apollo自動駕駛及跟車方案的設計思路》

Apollo 自動駕駛及跟車方案的設計思路

（沙龍現場影片）

百度資深架構師孔旗做了開場演講，孔旗首先回顧了 Apollo 開放平台的發展歷程，並通過障礙物感知、障礙物行為預測、路徑的決策規劃算法與框架等內容分享，詳解了 Apollo 如何實現自動駕駛及跟車方案。

障礙物感知系統的實現過程

如果一輛車子要實現自動駕駛，那麽障礙物感知絕對是最基礎也是最核心的功能。Apollo 障礙物感知系統分為 3D 檢測、ROI 濾波、識別、運算、感知五大板塊。其感知過程如下：首先 LiDAR 探測到信號，傳遞給 ROI 的 Filter，濾波後的信號通過 Obstacle Segmentation 和 Detection 做識別，然後是 Tracking，Apollo 在運算這一塊採用的是 NVIDIA GPU，運算能力強勁，可以實現 10Hz 的輸出，最後是 Obstacles 感知。

當系統感知到障礙物後，需要對障礙物進行行為預測，如障礙物是否是動態的，其下一步動作是什麽。Apollo 障礙物行為預測系統採用 MLP 多層感知機制，通過深度神經網絡與規劃算法，達到精準預測路徑的目的。

決策規劃設計方案與思路

在介紹了障礙物感知與行為預測分析之後，孔旗詳細講解了 Apollo 的決策規劃設計方案與思路。如下圖為 Apollo 自動駕駛平台的決策規劃整體架構，其中，SL MAP 是路徑的坐標系，Frame 代表數據幀，Decider 則是決策部分，如決定車輛是否換道，在確認換道的情況下，Path Decision 和 Speed Decision 通過計算給出換道方向和速度等資訊，底部藍色是對換路線徑的整體規劃，架構圖右側綠色框圖是交規的處理部分，Objects 代表路權，判斷人讓車還是車讓人就是在這一部分執行處理。

整個決策規劃系統裡面，最核心部分的是對路徑和速度的采樣以及優化。Apollo 1.5 跟車方案首先從人的開車規劃過程開始分析，如走什麽樣的路線，用什麽樣的速度開車，通過 DP 路徑算法、QP 路徑算法、DP 速度算法、QP 速度算法分析，在做決策的同時進行路徑和速度規劃，其 EM 規劃過程如下圖，包括路徑 DP 采樣、速度 DP 采樣、路徑 QP 優化與速度 QP 優化四個部分，其中，前二者用來幫助車輛進行行為決策。

免責聲明：來源Apollo開發者社區，由乾貨小Q整理，我們的宗旨是將有價值的知識分享給更多有需要的人；文中觀點供分享交流，不代表本公眾號立場，轉載請注明出處；版權歸原作者所有，如涉及版權等問題，也請聯繫我們（文末或後台留言），我們將及時刪除內容以保證您的權益。