Apollo自动驾驶及跟车方案的思路设计

智 享 导 读

—正文—

今天我们来介绍《Apollo自动驾驶及跟车方案的设计思路》

Apollo 自动驾驶及跟车方案的设计思路

（沙龙现场视频）

百度资深架构师孔旗做了开场演讲，孔旗首先回顾了 Apollo 开放平台的发展历程，并通过障碍物感知、障碍物行为预测、路径的决策规划算法与框架等内容分享，详解了 Apollo 如何实现自动驾驶及跟车方案。

障碍物感知系统的实现过程

如果一辆车子要实现自动驾驶，那么障碍物感知绝对是最基础也是最核心的功能。Apollo 障碍物感知系统分为 3D 检测、ROI 滤波、识别、运算、感知五大板块。其感知过程如下：首先 LiDAR 探测到信号，传递给 ROI 的 Filter，滤波后的信号通过 Obstacle Segmentation 和 Detection 做识别，然后是 Tracking，Apollo 在运算这一块采用的是 NVIDIA GPU，运算能力强劲，可以实现 10Hz 的输出，最后是 Obstacles 感知。

当系统感知到障碍物后，需要对障碍物进行行为预测，如障碍物是否是动态的，其下一步动作是什么。Apollo 障碍物行为预测系统采用 MLP 多层感知机制，通过深度神经网络与规划算法，达到精准预测路径的目的。

决策规划设计方案与思路

在介绍了障碍物感知与行为预测分析之后，孔旗详细讲解了 Apollo 的决策规划设计方案与思路。如下图为 Apollo 自动驾驶平台的决策规划整体架构，其中，SL MAP 是路径的坐标系，Frame 代表数据帧，Decider 则是决策部分，如决定车辆是否换道，在确认换道的情况下，Path Decision 和 Speed Decision 通过计算给出换道方向和速度等信息，底部蓝色是对换道路径的整体规划，架构图右侧绿色框图是交规的处理部分，Objects 代表路权，判断人让车还是车让人就是在这一部分执行处理。

整个决策规划系统里面，最核心部分的是对路径和速度的采样以及优化。Apollo 1.5 跟车方案首先从人的开车规划过程开始分析，如走什么样的路线，用什么样的速度开车，通过 DP 路径算法、QP 路径算法、DP 速度算法、QP 速度算法分析，在做决策的同时进行路径和速度规划，其 EM 规划过程如下图，包括路径 DP 采样、速度 DP 采样、路径 QP 优化与速度 QP 优化四个部分，其中，前二者用来帮助车辆进行行为决策。

获取更多报告，请加入智享汽车圈知识星球

免责声明：来源Apollo开发者社区，由干货小Q整理，我们的宗旨是将有价值的知识分享给更多有需要的人；文中观点供分享交流，不代表本公众号立场，转载请注明出处；版权归原作者所有，如涉及版权等问题，也请联系我们（文末或后台留言），我们将及时删除内容以保证您的权益。