数据可能是当今真正的明星。
2018年4月18日，百度召开Apollo 2.5开放技术大会，此时距Apollo亮相整整一年。
一周年庆典上，我们得到了一些新消息：百度正式开源Apollo 2.5（基于视觉的有限区域高速自动驾驶），推出低成本高性能解决方案，硬件参考设计 可减少至1个单目广角摄像头和1个毫米波雷达。比亚迪成为Apollo平台第100家合作伙伴。阿波罗与金龙客车合资公司阿波罗已进入量产最后阶段。百度牵头成立阿波罗汽车信息安全实验室，共同研究智能驾驶信息安全相关问题。
不过，如果你还记得 Apollo 开源技术背后的推动力，你一定会关注发布会上与“数据”相关的信息。 自动驾驶对数据需求没有上限——高精度地图更新需要实时数据，训练自动驾驶决策规划算法需要数据。 Apollo 2.5发布会上的各种细节告诉我们，数据才是当天真正的主角。
高精度地图众包
高精度地图是Apollo非常必要的组成部分，它可以保证无人驾驶车辆在恶劣复杂的情况下规划行驶轨迹。高精地图也是百度拥有优势资源的业务。然而，现阶段行业面临的痛点之一是高精度地图覆盖不足。适合需要使用高精度地图验证功能的开发者。 ，是一个缺点。
针对这种情况，百度提出了“实时相对地图”的概念，主要适用于高速公路、有限区域等简单场景。
绝对高精度地图和实时相对地图
首先介绍一下实时相对地图。实时相对地图采用车身坐标系。车身是整个坐标系的原点。通过车辆上的传感器实时收集地理信息。 Apollo平台高级架构师苗景浩表示，与高精度地图相比，实时相对地图只适用于非常有限的场景，比如高速公路、禁区等，精度较差，但可以用于开发人员可以在短时间内、低成本地完成任务。使用类似的功能。绘制实时相对地图的传感器只需要单个广角摄像头，不会在成本方面增加开发者的负担。
地图中相对重要的组成部分是车道线，对于自动驾驶车辆的决策和规划模块来说是非常重要的信息。缪景浩告诉我们，如果能够充分利用车道线的中心线和车道线边界线信息，我们就可以计算出一条非常安全、平稳、可行的行驶轨迹。
长沙智能驾驶研究院产品研发总监黄英军及其团队基于Apollo 2.5开发了东风乘龙系列重卡，可实现ACC 、AEB 等高速公路功能。黄英俊指出，2.5版本的源代码增加了导航模式（Navigation Mode）。它是基于完全免费的百度地图的路径规划，结合摄像头输出的车道线等信息。 “只要沿着车道行驶、跑步，就能获得实时的相关信息。”地图，在规划模块中利用车道信息进行规划。”
关于实时相对地图有一个需要强调的信息——实时相对地图和高精度地图使用相同的地图格式，这意味着系统可以同时访问实时相对地图和高精度地图。使用API同时绘制地图和高精度地图。高精度地图为下游决策和规划模块提供信息。
听到这里，我们很容易想到众包采集的高精度地图以及自动驾驶汽车行驶过程中的实时感知数据。其中一部分还将用于帮助更新高精度地图。虽然Apollo 2.5中的导航模式看起来还不足以支持众包采集的全部功能，但百度似乎正在向外界开放这部分能力。
随后的开发者工具会议很快证实了我们的想法。
高精度数据采集器
百度为开发者提供了一款采集高精度地图的工具——高精度数据采集器。苗景浩提到了一个看似不复杂的使用过程——通过Dreamview收集高精度地图所需的原始数据，然后使用相应的工具将数据上传到云端，开发者可以从网页下载并创建。高精度地图。整个过程需要本地和云端的配合。
但受限于法律法规，这些功能只能由国外开发者使用。如果国内开发者有需要，可以与百度高精地图团队合作，采集地图测试功能。
为自动驾驶研究提供“实用”的数据资源
自动驾驶系统的完善和更新离不开数据。利用数据构建模拟场景并验证训练系统是一种更经济的方式。今年3月，百度发布自动驾驶数据集和工具集ApolloScape，旨在为自动驾驶技术研发提供更多“实用数据资源”，其特点是基于真实场景、真实驾驶行为。
ApolloScape场景分析数据集
据ApolloScape项目负责人杨瑞刚介绍，ApolloScape项目启动已有半年时间。百度利用高精度采集车获取三维和二维街景数据。同时，还开发了许多工具，可以半自动校准每个像素并给出语义标签。半年内，Apollo 就制作出了带有像素级标签的自动驾驶数据集。
业内人士都知道，开发者需要的是标记良好的数据。数据量并不是越大越好，但必须保证质量和多样性。杨瑞刚介绍ApolloScape数据集的特点时提到，他们提供了基于Video的20万帧的开放数据集，包括三维信息，都有实例级的目标物体标注，并提取了25个不同类别的语义项、28种不同风格的车道线。但现场并未详细说明具体的分类维度。
ApolloScape 路线图
ApolloScape是一个不断发展的项目，将在近两年内按照时间表继续收集、注释和发布大量仿真数据，以提高仿真能力。
2018年7月，添加了传感器红外摄像头、立体摄像头等，从其数据中提取更多语义信息，例如使用红外摄像头在夜间识别行人。
2018年12月，采集了立体视觉数据集，主要针对一些复杂的情况，获得基于真实场景和真实驾驶行为的下一代仿真能力，比如获取目标轨迹信息，基于人和车辆的轨迹，驾驶员和车辆被模拟。行人行为建模。
2019年，该项目主要将增加数据集规模和覆盖范围，提高仿真能力，目标是将感知与导航有机融合。
车云总结
无论是高精度地图，还是自动驾驶数据场景集，都还处于探索阶段的技术。百度的软件算法能力将在整个过程中发挥关键作用。例如，雨天等复杂场景的车道线数据采集，以及提高数据处理和标记的自动化率，需要更强大的算法。
在数据方面，百度更多的是展示其技术能力、工具和未来计划。 Apollo的初衷是让所有参与者共同操作平台上的数据。 Apollo平台提供的初始数据来自百度。各合作伙伴遵循“贡献越多，收益越大”的公平数据原则，自愿与平台分享。车云举联系了一些Apollo合作伙伴，他们均表示与百度的合作尚未涉及数据共享。对于潜力巨大的数据资源来说，“共享”仍然是一个长期目标。
-->
