「背叛」激光雷达第三年：百度纯视觉无人驾驶技术迈入产品化阶段( 二 ) _信息快讯

比如在某量产项目中，团队攻克batch推理的难题，在低算力车规级芯片上实现了二阶段目标检测网络的实时推理。
第三个挑战是完成L4代码从X86架构到ARM架构迁移。
面对ARM平台腰斩的CPU算力，团队对软件系统进行了大刀阔斧的改造。架构层面做了基于场景化思想的代码重构和功能隔离，系统根据场景和车辆行为动态分配计算资源到不同的传感器/感知任务，从前是算力充沛时的兼顾全局，如今是有限算力下的有的放矢，聚焦局部，计算资源得到更合理的应用。
算法层面全面精简逻辑，通过专用指令优化热点算法模块。
系统层面也重新设计了计算资源调度分配策略，提升数据流转效率。
硬件层面，调配异构计算单元上可用的硬件资源（专用图像处理器、DSP计算单元等），缓解CPU、AI加速器计算压力。通过一系列优化手段，与ARM平台迁移初期相比， CPU占用率降低138% ，端到端时延（99分位）降低50% 。
最后， Apollo Lite对高精地图的定义和使用方式也做了降级。
此前， Lite仍沿用为Robotaxi专属定制生产的高精地图，图中包含道路拓扑和定位图层信息。
高精地图中的先验信息能够简化车端算法，降低研发难度。
但量产乘用车面对的是更为广阔的路网，高精地图的生产成本和日常维护难度非常大。
这不但限制了地图范围覆盖，而且车端算法重依赖地图也给系统泛化性带来挑战。
针对量产， Apollo Lite放宽对地图精度的要求，同时将地图元素减少到了原来的50% ，单位距离地图文件大小仅为原来的10% 。
为了在能地图依赖的前提下“看懂”场景，团队还研发了与轻量级地图相适配的感知、定位和决策规划算法，通过车端算法的升级弥补地图信息缺失。
这一系列工作，最终都归为解决用低成本硬件（计算、传感器）带动复杂的L4算法问题，内部研发把这个过程比喻成“小马拉大车” 。
这也是Apollo Lite技术降维产品化过程中面临的最大挑战，能做到“以能力补成本” ，是Apollo Lite能力演进的最直观体现。
三周年， Apollo Lite助力智驾产品化
百度选择的轻传感器、轻算力、轻地图、强视觉感知路径，看似与时下各家车企和Robotaxi自动驾驶公司频频晒出的高配置“主流”方案相悖，但它却是百度Apollo智驾产品竞争力的壁垒。
基于Apollo Lite视觉自动驾驶技术，百度智驾业务第一个进入市场的产品是AVP（Apollo Valet Parking）自主泊车。
目前已与多家车企定点量产。 AVP采用了5颗摄像头+12超声波雷达方案，技术路线以视觉感知为主，已在威马和广汽车型上量产，后续还将持续覆盖长城等品牌的多款车型。
百度通过提升视觉感知能力，不断探索减少自动驾驶对高成本激光雷达的依赖。今年推出的第五代Robotaxi共享无人车成本仅为48万，可谓是前无古人把RoboTaxi做到了驾驶员运营出租车的人车成本区间。
成本之所以低，重要因素就是在百度的Robotaxi方案中，仅使用了一颗40线激光雷达与Apollo Lite的环视摄像头配合，整车体验能力却超越一众搭载四五颗激光雷达和数十颗摄像头的Robotaxi竞品。

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。