「背叛」鐳射雷達第三年：百度純視覺無人駕駛技術邁入產品化階段

賈浩楠 發自 凹非寺量子位 報道 | 公眾號 QbitAI

2019年，當百度自動駕駛工程師為Mobileye純視覺DEMO效果驚歎不已時，不會想到一切來得這麼快。

2021年， 百度純視覺L4方案 ，已經花開兩朵，各表一支。

Apollo史無前例的 成本48萬的量產Robotaxi ，背後有百度純視覺自動駕駛技術的精進和支援。

更明顯的，是 純視覺方案以L4實力降維釋放於普通乘用車 ，業內唯一一款“自上而下”的城市領航輔助駕駛方案ANP，已經走在量產路上。

這一切，都來自Apollo Lite，中國唯一L4級純視覺城市道路自動駕駛閉環解決方案的助力。

Apollo Lite 3年前一葉輕舟啟航，卻聞兩岸“猿聲”不止：百度真要拋棄鐳射雷達？

而在3週年之際，Apollo Lite已過萬重山，成了和特斯拉、Mobileye三足鼎立的純視覺自動駕駛門派。

不管是出於對自動駕駛技術路線的關注，還是對自動駕駛資料融合迭代的探索，Apollo Lite的實踐經驗和思考沉澱，都能提供獨一無二的參考。

而能給出解答的人，最合適的自然就是百度智慧駕駛事業群組技術委員會主席、自動駕駛視覺技術實踐者王亮博士。

Apollo Lite三週年畫像

先來勾勒一下Apollo Lite的三年圖景。

Apollo Lite，2019年在計算機視覺頂會CVPR“學術出道”，被一些業內人看做是對特斯拉“腹地的奇襲”。

同年年底，就在北京稻香湖區域的數條城市開放道路上完成了不依賴鐳射雷達，基於純視覺感知的自動駕駛閉環路測。

2020年，Apollo Lite晉級北京亦莊L4級別自動駕駛路網，通過與Robotaxi同場競技打磨視覺感知能力，技術指標和乘坐體驗逐步向Robotaxi看齊。

此時，兩週歲的Apollo Lite具備了僅用攝像頭應對中國複雜道路環境的自動駕駛能力。

同年12月的黃埔Apollo生態大會上，百度宣佈將Apollo Lite視覺技術從L4降維至L2+級領航輔助駕駛應用——

打造覆蓋“泊車域+行車域”城市全場景一體化智駕解決方案 – Apollo智駕產品ANP（Apollo Navigation Pilot）。

△三域融通智慧駕駛產品ANP

2021年，Apollo Lite踏入產品化元年，團隊踐行 L4降維 ，將技術向 更輕量，可量產 的方向推進。

這一過程中挑戰不少，具體來說，有四重挑戰。

首先是前裝量產方面。與此前研發使用的後裝測試車不同，前裝量產對冗餘設計、線控調校、散熱方案和感測器整合等都是全新的挑戰，前裝也意味著車輛可靠性、一致性和穩定性都通過了考驗。

比如感測器層面，ANP產品新增了前後2顆魚眼攝像頭和12顆超聲雷達兼顧低速自動召喚/泊車，而且所有感測器的安裝嵌入車身之內，使量產整合度良好。

其次，計算硬體上。Lite從自研計算平臺轉向低功耗可量產的車規級計算單元，相比為高效能運算任務設計的GPU，AI算力大幅降低。

Lite團隊投入大量精力進行了視覺感知模型的輕量化，對模型進行了極致壓縮，通過多工模型、量化訓練等手段減少計算量，降低推理時延的同時兼顧了模型預測精度。

比如在某量產專案中，團隊攻克batch推理的難題，在低算力車規級晶片上實現了二階段目標檢測網路的實時推理。

第三個挑戰是完成L4程式碼從X86架構到ARM架構遷移。

面對ARM平臺腰斬的CPU算力，團隊對軟體系統進行了大刀闊斧的改造。架構層面做了基於 場景化 思想的程式碼重構和功能隔離，系統根據場景和車輛行為動態分配計算資源到不同的感測器/感知任務，從前是算力充沛時的兼顧全域性，如今是有限算力下的有的放矢，聚焦區域性，計算資源得到更合理的應用。

演算法層面全面精簡邏輯，通過專用指令優化熱點演算法模組。

系統層面也重新設計了計算資源排程分配策略，提升資料流轉效率。

硬體層面，調配異構計算單元上可用的硬體資源（專用影象處理器、DSP計算單元等），緩解CPU、AI加速器計算壓力。通過一系列優化手段，與ARM平臺遷移初期相比， CPU佔用率降低138%，端到端時延（99分位）降低50%。

最後，Apollo Lite對高精地圖的定義和使用方式也做了降級。

此前，Lite仍沿用為Robotaxi專屬定製生產的高精地圖，圖中包含道路拓撲和定點陣圖層資訊。

高精地圖中的先驗資訊能夠簡化車端演算法，降低研發難度。

但量產乘用車面對的是更為廣闊的路網，高精地圖的生產成本和日常維護難度非常大。

這不但限制了地圖範圍覆蓋，而且車端演算法重依賴地圖也給系統泛化性帶來挑戰。

針對量產，Apollo Lite放寬對地圖精度的要求，同時將地圖元素減少到了原來的50%，單位距離地圖檔案大小僅為原來的10%。

為了在能地圖依賴的前提下“看懂”場景，團隊還研發了與輕量級地圖相適配的感知、定位和決策規劃演算法，通過車端演算法的升級彌補地圖資訊缺失。

這一系列工作，最終都歸為解決用低成本硬體（計算、感測器）帶動複雜的L4演算法問題，內部研發把這個過程比喻成“小馬拉大車”。

這也是Apollo Lite技術降維產品化過程中面臨的最大挑戰，能做到“以能力補成本”，是Apollo Lite能力演進的最直觀體現。

三週年，Apollo Lite助力智駕產品化

百度選擇的輕感測器、輕算力、輕地圖、強視覺感知路徑，看似與時下各家車企和Robotaxi自動駕駛公司頻頻晒出的高配置“主流”方案相悖，但它卻是百度Apollo智駕產品競爭力的壁壘。

基於Apollo Lite視覺自動駕駛技術，百度智駕業務第一個進入市場的產品是AVP（Apollo Valet Parking）自主泊車。

目前已與多家車企定點量產。AVP採用了5顆攝像頭+12超聲波雷達方案，技術路線以視覺感知為主，已在威馬和廣汽車型上量產，後續還將持續覆蓋長城等品牌的多款車型。

百度通過提升視覺感知能力，不斷探索減少自動駕駛對高成本鐳射雷達的依賴。今年推出的第五代Robotaxi共享無人車成本僅為48萬，可謂是前無古人把RoboTaxi做到了駕駛員運營計程車的人車成本區間。

成本之所以低，重要因素就是在百度的Robotaxi方案中，僅使用了一顆40線鐳射雷達與Apollo Lite的環視攝像頭配合，整車體驗能力卻超越一眾搭載四五顆鐳射雷達和數十顆攝像頭的Robotaxi競品。

百度Robotaxi技術理念的特殊之處在於其致力於持續提升視覺在感知系統中的作用佔比。

得益於Apollo Lite的技術積累，視覺能力做強了才有在感測器成本上做減法的信心和資本，在行業內對鐳射雷達使用做到肉眼可見的 個數最少，線數最低 ，形成了百度在整車成本上的絕對優勢。

這一切背後的邏輯是全力降低Robotaxi車輛的BOM成本，加速跑通商業化。

△僅使用一顆鐳射雷達的第五代共享無人車Apollo Moon

如今再回想起做Apollo Lite的緣起，王亮依然清楚地記得這背後的權衡和博弈。

2016年，百度自動駕駛事業部內展開過一場討論。待決策的問題只有一個，百度自動駕駛採用重視覺還是重鐳射雷達路線？

出於讓各演算法模組快速上路迭代的目的，百度選擇了鐳射雷達為主的技術路線。而為了聚焦，當時並沒有分資源投入純視覺路線研發。

鐳射雷達路線成為百度一塊招牌同時，也帶來問題：

成本。

在過去很長一段時間內，全球範圍內能提供高線束機械式旋轉鐳射雷達的只有Velodyne一家，成本高昂產量小。

對於百度這種TOP級玩家來說，成本和產能限制了車隊規模，也就限制了迭代速度，百萬起步的乘用車顯然更難起量。

所以2019年，百度內部終於下決心成立團隊純視覺方案做起來，既為追趕先進，也為商業化準備彈藥。

Apollo Lite成立第一天就明確性能指標和L4級Robotaxi對齊，形成和鐳射雷達團隊並行的兩條路線。

回憶起技術路線選擇，王亮給出百度的思考：無人駕駛的規模化落地是一次長征，除了有篤定的信念支撐，更要基於正確的路線才能到達目的地。

他還不無感慨地分享：正是當年從以色列傳來的Mobileye純視覺DEMO，堅定了大家對視覺路線的決心。

就這樣，在2019年，一個還不到20人的團隊啟動，開始了Apollo Lite的征途。

ANP因何生而不同？

2021年，城市場景已成各車企領航輔助駕駛功能的必爭之地。

特斯拉純視覺FSD功能在美國逐步小批量推送，漸進測試；Mobileye將自家純視覺駕駛方案帶到紐約和印度最複雜的街道DEMO演示。

國內多家新勢力公佈的城市方案趨向擁抱半固態鐳射雷達，這背後既有對安全的重視，也從側面印證了純視覺方案在中國道路場景下的進入門檻極高，絕非普通玩家敢於挑戰。

百度主打的ANP（Apollo Navigation Pilot）智駕產品以Apollo Lite視覺方案為基礎，融通泊車域和行車域下的多類駕駛場景，實現“點到點（door-to-door）”的智慧駕駛功能，同時為使用者帶來安全、平穩、連貫的駕駛體驗。

由於不強依賴鐳射雷達，ANP利於車企優化硬體成本，更經濟的獲得城市領航輔助駕駛功能。

同時基於百度多年在Robotaxi專案上對鐳射雷達的使用經驗/技術積累，ANP也可根據車企不同級別車型的定位和智慧化預算，選配鐳射雷達用以提升工況並獲得更先進的駕駛能力。

作為百度智駕旗艦產品，ANP核心產品優勢是什麼？自研純視覺方案，為何國內只有百度能與特斯拉、Mobileye一戰？

△視覺感知融合方案ANP研發測試車

安全

ANP是業內唯一來自L4技術降維的高階輔助駕駛產品，核心演算法經過Robotaxi長期實路驗證。

百度目前已積累超過2000萬公里的L4級真實道路測試里程，此外10億公里模擬測試里程對每行程式碼更新做詳盡的迴歸測試，兩項業內領先的基礎資料，成為ANP駕駛策略安全的基石。

相位元斯拉等企業採用“影子模式”讓使用者充當測試人員的方式不同，百度Robotaxi測試聘用經過專業認證的自動駕駛測試人員，有科學嚴謹的測試體系對自動駕駛邊界能力進行測試評估。

熟路

應對中國複雜城市道路情況下的種種挑戰，短期完全脫離高精地圖的技術路線並不現實。

百度身為頭部圖商，擁有地圖測繪資質和成熟的高精地圖產線，同屬一個部門下的地圖團隊與演算法策略團隊能夠緊密配合，共同定義適配ANP策略的地圖產品和製作更新流程。Apollo Lite“輕地圖”的技術路線能夠保證ANP在未來的地圖路網覆蓋率和產品可用性上有顯性優勢。

開放

ANP系統內建的資料回收策略能夠在車端動態對高價值資料進行實時挖掘和儲存，資料在合適時間通過wifi/4G回傳到伺服器，且每類資料與對應的車端模型或者策略關聯在平臺統一管理。

之後，通過分析工具和標註服務，原始資料被轉化為可以參與模型/策略迭代的標準結構化資料。

依託百度多年在模擬技術和資料閉環方向上的實踐積累，ANP如今能為客戶提供與之配套的資料服務，支援車企內部研發人員通過平臺參與到整車智駕能力的持續演進提升中,參與的媒介是百度提供的一系列工具鏈系統和雲端服務。

通過資料服務，ANP也能與客戶間的介面更加透明，客戶能夠低成本、低門檻的參與ANP的能力進化，在資料的驅動下形成產品的差異化體驗和競爭力。

如何評價Apollo Lite這3年？

Apollo Lite3週年的速度和成績，其實不難理解，更重要的是，怎麼看待Apollo Lite給自動駕駛行業帶來的改變？

其實概括起來很簡單，就是一套效能可以和L4級RoboTaxi媲美的純視覺智慧駕駛解決方案。

而且最重要的，這套方案輕感測器、輕算力、強感知能力的方案具備了高性價比的量產能力，足夠 物美價廉 ，真正讓國內車廠有了和特斯拉對抗的“彈藥”，在眼下特斯拉攻城略地之時，有了反攻的底氣。

當然，價效比只是吸引企業的一個因素，Apollo Lite的更大魅力，還在於它身後的Apollo生態。百度的地圖、百度的雲，百度的車路協同能力，都向合作伙伴開放。

而對於百度自身來說，Apollo Lite 3年來最重要的意義，是率先把領先的技術變成落地的商業產品，從而“反哺”Apollo。

因為量產之後必然推動整個資料閉環轉得更快，資料驅動也會不斷提高整個百度自動駕駛業務的技術壁壘，為技術迭代帶來正反饋。

△ANP-Robotaxi架構實現技術降維與資料反哺

最後，在通向完全無人駕駛的終極目標道路上，百度率先領悟了純視覺路線“心法”，在底層演算法層面開啟突破口。

數年的技術實踐和研發投入，不僅使百度順利切入智慧汽車賽道，也成就了另一條鐳射雷達方案，以最低成本實現RoboTaxi，恰好從另一個角度解釋了鐳射雷達路線在特定歷史時期的合理性。

而很有可能，通往終局的路上，純視覺路線、鐳射雷達路線最終會迴歸、合流。

百度的Apollo Lite團隊，3年來完成的是充滿困難但極具前瞻性的事情；從成果來看，其價值開始凸顯；而從終極目標來看，Apollo Lite的長遠價值和意義，才剛剛拉開序幕。

版權所有，未經授權不得以任何形式轉載及使用，違者必究。