百度Apollo自动驾驶平台介绍.docx

百度Apollo自动驾驶平台介绍InfoQ微信号 infoqchina功能介绍 有内容的技术社区媒体自百度宣布开放 Apollo 自动驾驶平台以来，很多开发者非常期待可以深入了解 Apollo 平台的开放内容，以便更充分高效的利用这个自动驾驶平台，研究并落地自己对于自动驾驶的诸多想法。为此，7 月 22 日，由百度开发者中心主办、极客邦科技承办的 73 期百度技术沙龙设置 Apollo 主题，现场百度资深架构师从 Apollo 的开放能力、Apollo 代码开放框架以及基于深度学习的 End to End 自动驾驶方案三个技术维度做了深度分享，以期帮助开发者深度了解百度 Apollo 开放内容和平台架构，设计并实现一套完整的驾驶方案。Apollo 的开放能力和开放数据 百度资深数据平台专家杨凡做了开场演讲，他表示：“Apollo 开放内容实质上分为两大部分：能力开放和资源开放，能力开放提供开发者实现车上自动驾驶的平台，资源开放提供开发者探索算法进化的平台，这二者相辅相成，缺一不可。”Apollo 的开放能力 Apollo1.0 主要开放的是封闭场地循迹自动驾驶的框架，从上之下分别是服务层、软件平台层、参考硬件层以及参考汽车层，其中标蓝部分为具体开放模块。各层级的具体功能如下参考汽车层：实现电子化的控制，也就是线控汽车，这是最底层的一步；参考硬件层：实现计算能力，包括计算单元、GPS/IMU、HMI Device 等；软件平台层：最核心的层，分为 3 个部分。1、实时 RTOS 系统，要求保证实时反应；2、运行时框架；3、定位模块和控制模块以及 HMI 人机交互模块。这三块构成了本期开放的封闭场地循迹自动驾驶软件体系；云服务层：在云服务层开放了数据开放平台和唤醒万物的 DuerOS。以上四层构成了百度 Apollo 自动驾驶平台的整个技术栈。目前开放的 Apollo1.0 具有高效易拓展架构、立即可用硬件、一键启动更新和完备的开发工具四大特性。Apollo 的开放资源 Apollo1.0 在资源上开放了三个关键数据集：2D 红绿灯、3D 障碍物以及 Road Hackers。百度将这三部分数据开放至云端，以便用户高效研究运用。下图为 Apollo 数据开放平台的架构逻辑介绍。如图，用户通过云端 Docker Repository，下载基于本地的 VM + Docker 的开发环境，编写训练和预测两部分算法，配置依赖环境。通过云端用户空间的可视化训练调试平台，将用户在本机创建的算法容器，在云端实现调度，展开训练评估调试。这样用户可以在整个云中的数据开放平台中，基于海量数据利用集群的 CPU+GPU 资源训练调试 model，并在其中选取有效的 model 使用。现场，杨凡亲自展示了 Apollo 平台的使用流程和使用方法，本文不再此赘述，想要动手实践的读者可以移步至 Apollo 官网 apollo.auto，在“开发者”/“数据开放平台”页面有详细的使用介绍。Apollo 代码开放框架 自动驾驶系统包括障碍物检测、红绿灯识别、驾驶行为决策、路径规划等系列复杂的功能模块，如何将这些独立而又相互依赖的模块集成在一起，构建成一个稳定的运行系统，是一个巨大的挑战。百度资深架构师何玮从百度为何选用 ROS 系统、Apollo 中 ROS 的改进实践、Apollo 框架使用介绍三个角度分享了 ROS 在百度自动驾驶的探索和实践。百度为何选用 ROS 系统？ 在百度为何选用 ROS 系统的问题上，何玮给出解释，ROS 是一个强大而灵活的机器人编程框架，同时也是学术界使用最广泛的框架，它具有三大特性：完整的开发工具包、灵活的计算调度模型以及丰富的调试工具，能够统一提供配置管理、部署运行、底层通信等功能，让开发者将更多精力放在算法功能的研发上，快速构建系统原型，验证算法和功能。Apollo 中 ROS 的改进实践 ROS 系统的优势显而易见，但其在 Apollo 平台的应用中也并非一帆风顺。百度在做研发调试到产品化的过程中，遇到的不少状况，针对这些问题，百度从通信功能优化、去中心化网络拓扑以及数据兼容性扩展三个方面做了定制化的改进。1、通信性能优化：共享内存 问题：自动驾驶系统为了能够感知复杂的道路场景并完成驾驶任务，需要多种传感器协同工作，以覆盖不同场景、不同路况的需求。而主流的多传感器融合方案至少会包含一个激光雷达和多个相机，如此大的数据量对通信的性能有很大的挑战。解决方案：百度采用的解决方案是共享内存，减少传输中的数据拷贝, 提升传输效率。1 对 1 的传输场景下，同一个机器上的 ROS 节点之间是 socket 进行进程间通信，中间存在多层协议栈以及多次用户空间和内核空间的数据拷贝，造成了很多不必要的资源占用和性能损耗。共享内存的方式来替