有關(guān)無人車的定位有兩種，一種稱之為絕對(duì)定位，不依賴任何參照物，直接給出無人車相對(duì)地球坐標(biāo)或者說WGS84坐標(biāo)系，也就是坐標(biāo)（B,L,H），其中B為緯度，L為經(jīng)度，H為大地高即是到WGS-84橢球面的高度, WGS-84坐標(biāo)系是美國國防部研制確定的大地坐標(biāo)系，是一種協(xié)議地球坐標(biāo)系。 

WGS-84坐標(biāo)系的定義是：原點(diǎn)是地球的質(zhì)心，空間直角坐標(biāo)系的Z軸指向BIH（1984.0）定義的地極（CTP）方向，即國際協(xié)議原點(diǎn)CIO，它由IAU和IUGG共同推薦。X軸指向BIH定義的零度子午面和CTP赤道的交點(diǎn)，Y軸和Z，X軸構(gòu)成右手坐標(biāo)系。WGS-84橢球采用國際大地測量與地球物理聯(lián)合會(huì)第17屆大會(huì)測量常數(shù)推薦值，采用的兩個(gè)常用基本幾何參數(shù)：  長半軸a=6378137m；扁率f=1:298.257223563。坐標(biāo)系非常復(fù)雜，GPS的測量結(jié)果與我國的54系或80系坐標(biāo)相差幾十米至一百多米，隨區(qū)域不同，差別也不同。

經(jīng)粗略統(tǒng)計(jì)，我國西部相差70米左右，東北部140米左右，南部75米左右，中部45米左右。在中國，國家出于安全的考慮，在地圖發(fā)布和出版的時(shí)候，對(duì)84坐標(biāo)進(jìn)行了一次非線性加偏，得到的坐標(biāo)我們稱之為GCJ02坐標(biāo)系。國內(nèi)許多地圖公司，可能是由于業(yè)務(wù)的需求，或者是商業(yè)競爭的某些原因，在GCJ02坐標(biāo)的基礎(chǔ)上又進(jìn)行了一次非線性加偏，得到了自己的坐標(biāo)系統(tǒng)。百度就是這么一家公司。百度在GCJ02的基礎(chǔ)上進(jìn)行了BD-09二次非線性加偏，得到了自己的百度坐標(biāo)系統(tǒng)。 

傳統(tǒng)的GPS定位精度只有3-7米，我國城市主干道單一車道寬一般是3.75米，也就是說GPS無法做到車道線級(jí)定位。在城市道路或峽谷中，精度會(huì)進(jìn)一步下降。即便是美國及北約國家，民用系統(tǒng)也不可能用GPS獲得亞米級(jí)定位。GPS衛(wèi)星廣播的信號(hào)包括三種信號(hào)分量：載波、測距碼和數(shù)據(jù)碼。測距碼又分為P碼（精碼）和C/A碼，通常也會(huì)把C/A碼叫做民碼，P碼叫軍碼。P碼會(huì)再分為明碼和W碼，想要破解是完全不可能的。后來在新一代GPS上老美又提出了專門的M（Military）碼，具體細(xì)節(jié)仍處于高度保密中，只知道速率為5.115 MHz，碼長未知。北斗的定位精度目前還不如GPS。 

無人車的車道線級(jí)絕對(duì)定位是個(gè)難題，無人車需要更高精度的厘米級(jí)定位。日本為解決這個(gè)問題，研發(fā)準(zhǔn)天頂衛(wèi)星系統(tǒng)（QZSS），在2010年發(fā)射了一顆衛(wèi)星，2017年又陸續(xù)發(fā)射了3顆衛(wèi)星，構(gòu)成了三顆人造衛(wèi)星透過時(shí)間轉(zhuǎn)移完成全球定位系統(tǒng)區(qū)域性功能的衛(wèi)星擴(kuò)增系統(tǒng)，今年4月1日將正式商用，配合GPS系統(tǒng)，QZSS可以做到6厘米級(jí)定位。QZSS系統(tǒng)的L5信號(hào)頻點(diǎn)也是采用1176.45MHz，而且采用的碼速率與GPS在該頻點(diǎn)的碼速率一樣，都是10.23MHz。意味著芯片廠商在原有支持GPS系統(tǒng)芯片上無需改動(dòng)硬件，只需在軟件處理上作更改就可以實(shí)現(xiàn)對(duì)Galileo、QZSS系統(tǒng)的兼容，相當(dāng)于軟件實(shí)現(xiàn)上需要多搜索幾顆導(dǎo)航衛(wèi)星。幾乎不增加成本，而北斗系統(tǒng)是需要改硬件的，非常麻煩。因?yàn)槿毡緡撩娣e小，4顆衛(wèi)星就夠了，如果換成中國或美國，可能需要35顆-40顆衛(wèi)星。 

國內(nèi)大部分廠家都采用GPS RTK做絕對(duì)定位，不過RTK缺點(diǎn)也是很明顯的。RTK確定整周模糊度的可靠性為95~99%，在穩(wěn)定性方面不及全站儀，這是由于RTK較容易受衛(wèi)星狀況、天氣狀況、數(shù)據(jù)鏈傳輸狀況影響的緣故。首先，GPS在中、低緯度地區(qū)每天總有兩次盲區(qū)（中國一般都是在下午），每次20～30分鐘，盲區(qū)時(shí)衛(wèi)星幾何圖形結(jié)構(gòu)強(qiáng)度低，RTK測量很難得到固定解。其次，白天中午，受電離層干擾大，共用衛(wèi)星數(shù)少，因而初始化時(shí)間長甚至不能初始化，也就無法進(jìn)行測量。根據(jù)實(shí)際經(jīng)驗(yàn)，每天中午12點(diǎn)～13點(diǎn)，RTK測量很難得到固定解。再次，依賴GPS信號(hào)，在隧道內(nèi)和高樓密集區(qū)無法使用。 

Apollo的定位技術(shù)

先進(jìn)的無人車方案肯定不能完全基于RTK，百度Apollo系統(tǒng)使用了激光雷達(dá)、RTK與IMU融合的方案，多種傳感器融合加上一個(gè)誤差狀態(tài)卡爾曼濾波器使得定位精度可以達(dá)到5-10厘米，且具備高可靠性和魯棒性，達(dá)到了全球頂級(jí)水平。市區(qū)允許最高時(shí)速超過每小時(shí)60公里。 

上圖為百度Apollo自動(dòng)駕駛傳感器、計(jì)算單元、控制前的連接圖，計(jì)算系統(tǒng)使用臺(tái)灣Neousys Nuvo-6108GC工控機(jī)，這款工控機(jī)使用英特爾雙至強(qiáng)E5-2658 V3 12核CPU。主要用來處理激光雷達(dá)云點(diǎn)和圖像數(shù)據(jù)。 

GPS定位和慣性測量單元方面，IMU 為NovAtel IMU-IGM-A1 ，GPS接收機(jī)為NovAtelProPak6。激光雷達(dá)使用的是Velodyne HDL-64E S3，通過以太網(wǎng)連接工控機(jī)，水平視野360°，垂直視野26.9°，水平角度分辨率為0.08°，距離精度小于2cm，可探測到120m的汽車或樹木。視覺系統(tǒng)使用Leopard ImagingLI-USB30-AR023ZWDR with 3.0 case，通過USB連接到工控機(jī)。使用安森美的200萬像素1080p傳感器AR0230AT和AP0202 ISP。FOV為廣角58度，有效距離大約60-70米。毫米波雷達(dá)采用的是Continental ARS408-21，連接至CAN卡。CAN卡為德國ESD CAN-PCIe/402-B4。 

上圖為百度無人車定位模塊框架，融合了IMU、GNSS和激光雷達(dá)等傳感器（紫色），以及一個(gè)預(yù)先制作好的定位地圖（黃色）。最上層的是SINS系統(tǒng)，就是Strap-down InertialNavigation。捷聯(lián)慣導(dǎo)系統(tǒng)是在平臺(tái)式慣導(dǎo)系統(tǒng)基礎(chǔ)上發(fā)展而來的，它是一種無框架系統(tǒng)，由三個(gè)速率陀螺、三個(gè)線加速度計(jì)和處理器組成。SINS使用IMU測量得到的加速度和角速度積分得到位置、速度、姿態(tài)等，在卡爾曼濾波器的傳播階段作為預(yù)測模型；相應(yīng)地，卡爾曼濾波器會(huì)對(duì)IMU的加速度和角速度進(jìn)行矯正，位置、速度和姿態(tài)等誤差也反饋給SINS。RTK定位和激光雷達(dá)點(diǎn)云定位結(jié)果作為卡爾曼濾波器的量測更新。 

上圖為百度的激光雷達(dá)點(diǎn)云定位地圖。首先要提前制作一幅無人車將要行駛地區(qū)的激光雷達(dá)點(diǎn)云定位地圖，包含有激光雷達(dá)強(qiáng)度成像圖和高度分布圖，這張圖通常是地圖廠家用測繪級(jí)激光雷達(dá)完成的。目前全球絕大多數(shù)廠家包括Waymo、福特、通用等都是如此。b為激光雷達(dá)反射強(qiáng)度成像圖，c為高度分布圖。這張圖覆蓋范圍3.3*3.1平方公里。 

激光點(diǎn)云定位算法描述如下：

表面上看高精度定位很復(fù)雜，實(shí)際計(jì)算中，耗費(fèi)的運(yùn)算資源并不算多，基于激光雷達(dá)的運(yùn)算量遠(yuǎn)低于基于圖像的運(yùn)算量。這套系統(tǒng)在將來也可以用傳統(tǒng)的汽車級(jí)SoC完成，如瑞薩的R-Car H3，恩智浦的I.MX8或S32A258C。成本有望大幅度降低。64線激光雷達(dá)也有望在未來由flash固態(tài)激光雷達(dá)取代，進(jìn)而大幅度降低成本。 

百度無人車定位團(tuán)隊(duì)的一篇關(guān)于多傳感器融合定位的學(xué)術(shù)論文“Robust and Precise VehicleLocalization based on Multi-sensor Fusion in Diverse City Scenes”已被機(jī)器人頂級(jí)會(huì)議ICRA 2018錄用，初稿可從arXiv上下載。 

Apollo的感知技術(shù)

在 Apollo 中感知模塊有以下幾個(gè)職能：探測目標(biāo)（是否有障礙物）、對(duì)目標(biāo)分類（障礙物是什么）、語義分割 (在整幀畫面中將障礙物分類渲染)、目標(biāo)追蹤 (障礙物追蹤)。

Apollo 2.0系統(tǒng)使用了多傳感器融合的方式做環(huán)境感知，攝像頭負(fù)責(zé)紅綠燈的檢測，毫米波雷達(dá)最大的作用是提供目標(biāo)的運(yùn)動(dòng)速度，目標(biāo)識(shí)別主要靠激光雷達(dá)完成的。 

2016年10月，百度與清華聯(lián)合發(fā)表了論文Multi-View 3D ObjectDetection Network for Autonomous Driving ，地址https://arxiv.org/pdf/1611.07759.pdf，論文以激光雷達(dá)與攝像頭融合的方式做目標(biāo)識(shí)別，不過在2017年5月百度發(fā)表的論文Vehicle Detection from 3DLidar Using Fully Convolutional Network，地址https://arxiv.org/pdf/1608.07916.pdf，這篇論文里放棄與攝像頭融合。在2017年10月，加入毫米波雷達(dá)融合。 

2017年11月，蘋果發(fā)表論文，VoxelNet: End-to-EndLearning for Point Cloud Based 3D Object Detection，也只用激光雷達(dá)識(shí)別目標(biāo)，并且與百度和清華Multi-View 3D ObjectDetection Network for Autonomous Driving做了對(duì)比，顯示出單純用激光雷達(dá)效果更好。究其原因，激光雷達(dá)數(shù)據(jù)處理速度比攝像頭要快，時(shí)間同步很有難度，兩者還需要坐標(biāo)統(tǒng)一；其次是攝像頭對(duì)光線太敏感，可靠性低，遠(yuǎn)距離尤其明顯。百度在Apollo 2.0里使用了激光雷達(dá)與毫米波雷達(dá)融合的方案。

激光雷達(dá)物體識(shí)別最大的優(yōu)點(diǎn)是可以完全排除光線的干擾，無論白天還是黑夜，無論是樹影斑駁的林蔭道，還是光線急劇變化的隧道出口，都沒有問題。其次，激光雷達(dá)可以輕易獲得深度信息，而對(duì)攝像頭系統(tǒng)來說這非常困難。再次，激光雷達(dá)的有效距離遠(yuǎn)在攝像頭之上，更遠(yuǎn)的有效距離等于加大了安全冗余。最后，激光雷達(dá)的3D云點(diǎn)與攝像頭的2D圖像，兩者在做深度學(xué)習(xí)目標(biāo)識(shí)別時(shí)，2D圖像容易發(fā)生透視變形。簡單地說透視變形指的是一個(gè)物體及其周圍區(qū)域與標(biāo)準(zhǔn)鏡頭中看到的相比完全不同，由于遠(yuǎn)近特征的相對(duì)比例變化，發(fā)生了彎曲或變形。這是透鏡的固有特性（凸透鏡匯聚光線、凹透鏡發(fā)散光線），所以無法消除，只能改善。而3D就不會(huì)有這個(gè)問題，所以3D圖像的深度學(xué)習(xí)使用的神經(jīng)網(wǎng)絡(luò)可以更加簡單一點(diǎn)。 

另外，激光雷達(dá)也可以識(shí)別顏色和車道線。 

無人車領(lǐng)域?qū)δ繕?biāo)圖像的識(shí)別不僅僅是識(shí)別，還包括分割和追蹤。分割就是用物體框框出目標(biāo)。對(duì)于2D圖像來說，只能用2D框分割出目標(biāo)，而激光雷達(dá)圖像則可以做到3D框，安全性更高。追蹤則是預(yù)測出車輛或行人可能的運(yùn)動(dòng)軌跡。 

很明顯，3D的分割框要比2D的有價(jià)值的多，這也是Waymo和百度都用激光雷達(dá)識(shí)別車輛的原因之一。 

目標(biāo)檢測與識(shí)別領(lǐng)域早期用DPM。 2013年11月，目標(biāo)檢測領(lǐng)域公認(rèn)的大神Ross Girshick推出R-CNN，2015年4月進(jìn)化為Fast R-CNN，2015年6月進(jìn)化為Faster R-CNN，成為今日目標(biāo)檢測與識(shí)別領(lǐng)域公認(rèn)最好的方法，也是可以完全端對(duì)端地實(shí)現(xiàn)。 

激光雷達(dá)的目標(biāo)檢測與識(shí)別也用FasterR-CNN。Faster R-CNN 從2015年底至今已經(jīng)有接近兩年了，但依舊還是ObjectDetection領(lǐng)域的主流框架之一，雖然后續(xù)推出了R-FCN，Mask R-CNN 等改進(jìn)框架，但基本結(jié)構(gòu)變化不大。同時(shí)不乏有SSD，YOLO等新作，但精度上依然以Faster R-CNN為最好。從RCNN到fast RCNN，再到本文的faster RCNN，目標(biāo)檢測的四個(gè)基本步驟（候選區(qū)域生成，特征提取，分類，位置精修）終于被統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架之內(nèi)。所有計(jì)算沒有重復(fù)，完全在GPU中完成，大大提高了運(yùn)行速度。  

圖像語義分割可以說是圖像理解的基石性技術(shù)，在自動(dòng)駕駛系統(tǒng)（具體為街景識(shí)別與理解，判斷可行駛區(qū)域）、無人機(jī)應(yīng)用（著陸點(diǎn)判斷）以及穿戴式設(shè)備應(yīng)用中舉足輕重。圖像是由許多像素組成，而「語義分割」顧名思義就是將像素按照?qǐng)D像中表達(dá)語義含義的不同進(jìn)行分組（Grouping）／分割（Segmentation）。語義分割有時(shí)會(huì)是最難的一部分，因?yàn)檫@要用到NLP自然語言處理領(lǐng)域的技能，而大部分玩CNN的對(duì)NLP不甚了解。

上圖為斯坦福大學(xué)的激光雷達(dá)語義分割流程圖，最后是用3D FC-CRF，也就是全連通條件隨機(jī)場，另一種常用的方法是MRF，馬爾科夫隨機(jī)場。條件隨機(jī)場用于序列標(biāo)注，數(shù)據(jù)分割等自然語言處理中，表現(xiàn)出很好的效果。在中文分詞、中文人名識(shí)別和歧義消解等任務(wù)中都有應(yīng)用。 

百度的語義分割主要是為了更好地理解交通場景，為行為決策提供依據(jù)。低成本的無人駕駛也可以用攝像頭的2D圖像做語義分割，為無人車找出可行駛區(qū)域，光線良好的情況下可以用這種低成本的方案。 

2018CES展示的Apollo2.0無人車頂部除了激光雷達(dá)外，新增了兩個(gè)攝像頭，一個(gè)長焦、一個(gè)短焦，主要目的是為了識(shí)別道路上的紅綠燈。

自動(dòng)駕駛訓(xùn)練數(shù)據(jù)集

KITTI數(shù)據(jù)集由德國卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦的自動(dòng)駕駛場景下的計(jì)算機(jī)視覺算法評(píng)測數(shù)據(jù)集。該數(shù)據(jù)集用于評(píng)測立體圖像(stereo)，光流(optical flow)，視覺測距(visual odometry)，3D物體檢測(object detection)和3D跟蹤(tracking)等計(jì)算機(jī)視覺技術(shù)在車載環(huán)境下的性能。KITTI包含市區(qū)、鄉(xiāng)村和高速公路等場景采集的真實(shí)圖像數(shù)據(jù)，每張圖像中最多達(dá)15輛車和30個(gè)行人，還有各種程度的遮擋與截?cái)唷?nbsp;

Cityscapes數(shù)據(jù)集則是由奔馳主推，提供無人駕駛環(huán)境下的圖像分割數(shù)據(jù)集。用于評(píng)估視覺算法在城區(qū)場景語義理解方面的性能。Cityscapes包含50個(gè)城市不同場景、不同背景、不同季節(jié)的街景，提供5000張精細(xì)標(biāo)注的圖像、20000張粗略標(biāo)注的圖像、30類標(biāo)注物體。 

3月8日，百度正式開放ApolloScape大規(guī)模自動(dòng)駕駛數(shù)據(jù)集。ApolloScape擁有比Cityscapes等同類數(shù)據(jù)集大10倍以上的數(shù)據(jù)量，包括感知、仿真場景、路網(wǎng)數(shù)據(jù)等數(shù)十萬幀逐像素語義分割標(biāo)注的高分辨率圖像數(shù)據(jù)，進(jìn)一步涵蓋更復(fù)雜的環(huán)境、天氣和交通狀況等。ApolloScape數(shù)據(jù)集涵蓋了更復(fù)雜的道路狀況，比如單張圖像中最高可達(dá)162輛交通工具或80名行人 ，同時(shí)開放數(shù)據(jù)集采用了逐像素語義分割標(biāo)注的方式。 

Kitti，Cityscapes和ApolloScape的數(shù)據(jù)實(shí)例對(duì)比

對(duì)我國傳統(tǒng)車廠來說，自建訓(xùn)練數(shù)據(jù)集恐怕是最大的難題，與百度合作是最好的選擇。 

3月31日北京《Hello Apollo，自動(dòng)駕駛公開課》

2018年CES上，百度發(fā)布了Apollo 2.0，搭載了百度Apollo 2.0系統(tǒng)的自動(dòng)駕駛汽車將擁有簡單城市道路的自動(dòng)駕駛能力。Apollo 2.0 的發(fā)布，也意味著百度整體的自動(dòng)駕駛系統(tǒng)被開放出來，其中包括了云服務(wù)平臺(tái)、軟件平臺(tái)、參考硬件平臺(tái)以及參考車輛平臺(tái)。 

Apollo自動(dòng)駕駛公開課第3期，即將于3月31日在北京舉辦，將引導(dǎo)自動(dòng)駕駛開發(fā)者深入應(yīng)用Apollo2.0。本次公開課邀請(qǐng)了百度自動(dòng)駕駛事業(yè)部的資深工程師，以及Apollo的老用戶，一起與開發(fā)者們交流，快速掌握Apollo2.0的最新功能。 

百度自動(dòng)駕駛事業(yè)部資深架構(gòu)師，負(fù)責(zé)產(chǎn)品化解決方案的楊凡將介紹Apollo開放平臺(tái)簡介、Apollo能力開放簡介、Apollo資源開放與研發(fā)迭代新模式、Apollo生態(tài)階段性成果。 

百度無人車定位技術(shù)負(fù)責(zé)人，設(shè)計(jì)并搭建了Apollo多傳感器融合定位系統(tǒng)的萬國偉將介紹《Apollo2.0多傳感器融合定位模塊》。無人車定位技術(shù)是自動(dòng)駕駛領(lǐng)域的基礎(chǔ)技術(shù)之一，其難點(diǎn)在于如何保證高精準(zhǔn)度和高魯棒性。Apollo2.0的多傳感器融合定位模塊自適應(yīng)地使用GNSS、LiDAR及IMU等傳感器，在許多有挑戰(zhàn)的場景（例如市區(qū)、隧道等）都達(dá)到了厘米級(jí)定位。萬國偉的演講將分享定位模塊的框架，以及各子模塊的算法原理。 

長沙智能駕駛研究院公司產(chǎn)品部負(fù)責(zé)人黃英君，從事智能駕駛方面總體解決方案與產(chǎn)品研發(fā)工作，將在沙龍上介紹《Apollo的分布式可擴(kuò)展計(jì)算平臺(tái)探索》。黃英君的分享主要包括：在 Jetson TX2上進(jìn)行Docker擴(kuò)展，運(yùn)行Apollo；在Apollo on Jetson TX2中配置TensorRT和VisionWorks適配，進(jìn)行視覺算法優(yōu)化與加速。 

智行者科技聯(lián)合創(chuàng)始人&技術(shù)研發(fā)部總監(jiān)李曉飛將在沙龍上分享《低速自動(dòng)駕駛專用車產(chǎn)品落地之智行者-Apollo合作案例》，主要包括自動(dòng)駕駛落地場景及應(yīng)用挑戰(zhàn)、智行者AVOS系統(tǒng)研發(fā)、智行者與Apollo的技術(shù)合作三個(gè)部分。

演講嘉賓簡介

楊凡：百度自動(dòng)駕駛事業(yè)部資深架構(gòu)師，負(fù)責(zé)產(chǎn)品化解決方案。 

演講摘要：Apollo開放平臺(tái)簡介、Apollo能力開放簡介、Apollo資源開放與研發(fā)迭代新模式、Apollo生態(tài)階段性成果。 

萬國偉：百度無人車定位技術(shù)負(fù)責(zé)人，Apollo 核心算法技術(shù)負(fù)責(zé)人，設(shè)計(jì)并搭建了Apollo多傳感器融合定位系統(tǒng)。 

演講摘要：無人車定位技術(shù)是自動(dòng)駕駛領(lǐng)域的基礎(chǔ)技術(shù)之一，其難點(diǎn)在于如何保證高精準(zhǔn)度和高魯棒性。Apollo2.0的多傳感器融合定位模塊自適應(yīng)地使用GNSS、LiDAR及IMU等傳感器，在許多有挑戰(zhàn)的場景（例如市區(qū)、隧道等）都達(dá)到了厘米級(jí)定位。本次演講將分享定位模塊的框架，以及各子模塊的算法原理。 

黃英君：長沙智能駕駛研究院公司產(chǎn)品部負(fù)責(zé)人，從事智能駕駛方面總體解決方案與產(chǎn)品研發(fā)工作，對(duì)Apollo的分布式擴(kuò)展方面進(jìn)行了探索。 

演講摘要：智能駕駛的技術(shù)平臺(tái)和系統(tǒng)架構(gòu)飛速發(fā)展，多個(gè)廠家都提出了自己的系統(tǒng)架構(gòu)和解決方案，目前并沒有一個(gè)統(tǒng)治性的方案。Apollo集中運(yùn)行感知、決策、控制模塊，對(duì)資源、實(shí)時(shí)性、可靠性需求是不同的，對(duì)計(jì)算平臺(tái)、操作系統(tǒng)、運(yùn)行環(huán)境的要求也各不相同。我們分享將這些模塊進(jìn)行解耦，分布式集成運(yùn)行在不同的計(jì)算平臺(tái)和操作系統(tǒng)上，即在一個(gè)高可靠的雙機(jī)備份低成本平臺(tái)上運(yùn)行決策與控制模塊，在多個(gè)低成本高性能技術(shù)平臺(tái)上運(yùn)行感知模塊，實(shí)現(xiàn)一個(gè)分布式可擴(kuò)展的解決方案。本次分享主要包括：在 Jetson TX2上進(jìn)行Docker擴(kuò)展，運(yùn)行Apollo；在Apollo on Jetson TX2中配置TensorRT和VisionWorks適配，進(jìn)行視覺算法優(yōu)化與加速。 

李曉飛：智行者科技聯(lián)合創(chuàng)始人&技術(shù)研發(fā)部總監(jiān)。 

演講摘要：風(fēng)起云涌，自動(dòng)駕駛產(chǎn)品落地之路為何困難重重？撲朔迷離，自動(dòng)駕駛應(yīng)用場景究竟出路何方？眾志成城，智行者和Apollo如何攜手并進(jìn)？主要講述自動(dòng)駕駛落地場景及應(yīng)用挑戰(zhàn)，智行者AVOS系統(tǒng)研發(fā)，智行者與Apollo的技術(shù)合作三個(gè)部分。

返回第一電動(dòng)網(wǎng)首頁 >