數據可能才是當天真正的主角。

2018年4月18日，百度舉行了Apollo 2.5 開放技術發布會，這時距離Apollo首次亮相，剛好過去1整年。

在一周年慶生會上，我們獲得了幾個新消息：百度正式開源Apollo 2.5（限定區域內基于視覺的高速自動駕駛），推出了低成本高性能的方案，硬件參考設計可以減少到1個單目廣角攝像頭和1個毫米波雷達。比亞迪成為Apollo平臺第100家合作伙伴。Apollo與金龍合作的阿波龍已經進入了最后的量產階段。百度牽頭成立了Apollo汽車信息安全實驗室，共同研究智能駕駛信息安全方面相關課題。

但是，如果你還記得Apollo開源技術背后的驅動力，就一定會在發布會上關注到“數據”有關的信息。自動駕駛對數據的要求是沒有上限的——高精度地圖更新需要實時數據，訓練自動駕駛決策規劃算法需要數據。Apollo2.5 發布會上的種種細節告訴我們，數據才是當天真正的主角。

高精度地圖眾包采集

高精度地圖是Apollo非常必要的組成部分，可以確保無人車在惡劣和復雜的情況下，規劃出一條行車軌跡。高精度地圖也是一項百度掌握優勢資源的業務，但是現階段行業面臨的痛點之一是高精度地圖覆蓋率不足，對于需要借助高精度地圖來驗證功能的開發者來說，是一個缺憾。

對于這個情況，百度提出了“實時相對地圖”的概念，主要適用于高速公路、限定區域這樣的簡單場景。

絕對高精度地圖與實時相對地圖

先介紹一下實時相對地圖。實時相對地圖采用的是車身坐標系，車身是整個坐標系的原點，通過車上的傳感器實時采集地理信息。Apollo平臺資深架構師繆景灝介紹，和高精度地圖相比，實時相對地圖只適用于非常有限的場景，比如高速公路和限定區域，精度也更低一些，但是可以低成本短時間讓開發者用上類似的功能。繪制實時相對地圖的傳感器，只要一個單目廣角攝像頭，在成本上不會增加開發者的負擔。

相對地圖里的重要組成部分是車道線，對于自動駕駛汽車的決策和規劃模塊來說，這是一個是非常重要的信息。繆景灝告訴我們，如果能充分利用車道線的中心線和車道線邊界線信息，就可以計算出非常安全、平滑、可行的行車的軌跡。

長沙智能駕駛研究院的產品研發總監黃英君和他的團隊基于Apollo 2.5研發了東風乘龍系列重卡，可以在高速公路實現ACC、AEB等功能。黃英君指出，2.5版源代碼中增加了導航模式（Navigation Mode），基于完全免費百度地圖的路徑規劃，結合攝像頭輸出的車道線等信息，“只要自己開車順著車道跑一下，就可以獲得實時相對地圖，在規劃模塊里面使用車道信息進行規劃”。

關于實時相對地圖有一個信息需要劃重點——實時相對地圖和高精度地圖采用了相同的地圖格式，這就意味著系統用一個API就可以同時接入實時相對地圖和高精度地圖，為下游的決策規劃模塊提供信息。

聽到這里，我們很容易就聯想到基于高精度地圖眾包采集，自動駕駛汽車行駛過程中實時感知的數據，有一部分也會用來幫助高精度地圖更新，雖然Apollo 2.5中的導航模式看起來并不足以支撐眾包采集的所有功能，但百度似乎正在對外釋放這部分能力。

后續的開發者工具環節很快印證了我們的想法。

高精度數據采集器

百度為開發者提供了一個采集高精度地圖的工具——高精度數據采集器。繆景灝提到了一個看上去并不復雜的使用流程——通過Dreamview采集高精度地圖所需的原始數據，再用相應的工具把這些數據上傳到云端，開發者就可以從網頁上下載制作好的高精度地圖。整個過程需要本地和云端相互配合。

但是受限于法律法規，這些功能只有國外開發者可以使用，國內開發者如果有需要，可以百度高精度地圖的團隊合作來采集地圖測試功能。

為自動駕駛研究提供“實用的”數據資源

完善更新自動駕駛系統離不開數據。用數據搭建仿真場景，驗證訓練系統是一種比較經濟的方式。今年3月份，百度發布了自動駕駛數據集和工具集ApolloScape，目的是為自動駕駛技術研發提供更“實用的數據資源”，特點是基于真實場景、基于真實駕駛行為。

ApolloScape場景解析數據集

據ApolloScape項目負責人楊睿剛介紹，ApolloScape項目是半年前開始的，百度通過高精度的采集車來獲得三維和二維的街景數據。同時開發了很多工具，可以半自動地對每一個像素進行標定，給出語義標簽。半年內時間里，Apollo已經生產出了帶有像素級標簽的自動駕駛數據集。

業內人士都知道，開發者需要的是標注好的數據，數據量不是越多越好，而是要保證質量以及多樣性。楊睿剛在介紹ApolloScape數據集的特點時提到，他們基于視頻已經可以提供了20萬幀開放數據集，包含三維信息，均做了實例級目標物標注，提取了25類不同語義項，28類不同樣式車道線。不過對于具體分類維度，現場沒有展開。

ApolloScape路線圖

ApolloScape是一個不斷發展的項目，它會按照一個時間表在近兩年里不斷采集標注和公開大量的仿真數據，提高仿真能力。

2018年7月增加傳感器紅外攝像頭、立體攝像頭等，從它們的數據里提取更多語義信息，比如用紅外攝像頭識別夜晚的行人。

2018年12月，采集立體視覺數據集，主要是針對一些復雜的情況，獲得基于真實場景、真實駕駛行為的下一代仿真能力，比如獲得目標軌跡信息，根據人和車的軌跡，對駕駛人和行人進行行為建模。

2019年項目將主要增加數據集的規模和覆蓋，提高仿真能力，目標是把感知和導航有機地集合在一起 。

車云小結

無論是高精度地圖還是自動駕駛數據場景集，都還是探索階段的技術。百度的軟件算法能力會在整個過程中起到很關鍵的作用，比如雨天等復雜場景的車道線數據采集，以及提高數據處理標記的自動化率，都需要更加強壯的算法。

數據方面，百度更多是在展示自己的技術能力、工具以及未來規劃。Apollo的初衷是所有參與者共同經營平臺上的數據，由Apollo平臺由百度提供初始數據，每位合作伙伴遵循“貢獻越多收獲越大”公平數據原則，自愿與平臺共享。車云菌接觸過一些Apollo的合作伙伴，他們都表示與百度的合作還沒有涉及數據共享的內容。對于潛力巨大的數據資源來說，“共享”還是一個任重道遠的目標。