上周，Apollo美研在桑尼維爾舉行了關于Apollo 2.5的Meetup。會上，Apollo美研團隊的技術大牛與來自硅谷眾多的在校學生、車企等自動駕駛愛好者共同分享交流了Apollo 2.5相關的深度技術。沒能到達現(xiàn)場的國內開發(fā)者可以通過以下視頻資料回顧相關技術干貨。

Apollo 2.5 Platform Overview

Jingao Wang

首先，Apollo平臺負責人王京傲為大家做了關于Apollo 2.5平臺的Overview，讓國外開發(fā)者進一步了解Apollo 2.5。

Apollo 2.5 解鎖了限定區(qū)域視覺高速自動駕駛，為開發(fā)者提供了更多場景、更低成本、更高性能的能力支持，開放了視覺感知、實時相對地圖、高速規(guī)劃與控制三大能力以及更高效的開發(fā)工具。

目前在GitHub上有9000+開發(fā)者推薦Apollo，超過2000家合作伙伴使用Apollo，開發(fā)者在Apollo上已經貢獻了20w+行代碼，越來越多的開發(fā)者通過Apollo搭建了屬于自己的自動駕駛系統(tǒng)。

此外，在場景應用方面，Apollo 還可支持包括乘用車、卡車、巴士、物流車、掃路車等多種車型和應用場景。

Vision-Based Perception forAutonomous Driving

Tae Eun

在Apollo 2.5中，基于攝像頭的感知，簡化了傳感器方案，增強了感知能力。在此次Meetup中，來自Apollo美研團隊的高級架構師Tae Eun分享了關于攝像頭的低成本視覺感知方案。

Apollo2.5 提供了多個集成式廣角攝像頭配合激光雷達，毫米波雷達的方案。其中以單目廣角攝像頭和毫米波雷達的低成本方案，相比之前2.0中64線激光雷達+廣角攝像頭+毫米波雷達的硬件配置方案，成本降低了90%。這種大幅度的成本節(jié)省，加上高效率的感知算法，將大大有助于測試有限區(qū)域的高速公路駕駛。

此外，傳感器的減少并不會降低感知的性能。在Apollo 2.5中我們使用了基于Yolo的多任務深度學習神經網絡來進行障礙物和車道線的檢測及分類。

感知輸入是從攝像頭捕捉的視頻幀，我們可以將其視為一系列的靜態(tài)2D圖像，所以如何從這些視圖中計算出障礙物的3D屬性便是關鍵問題。在我們的方法中，我們首先使用深度學習神經網絡來識別2D圖像中的障礙物，通過獲得的邊界框和障礙物的觀察角度。然后，我們可以使用line-segment算法，用攝像頭射線和攝像頭的校準來重建3D障礙物。整個過程可以在小于0.1毫秒內完成。

最后，我們來看看處理后的車道線邏輯。首先，用深度學習神經網絡掃描2D圖像的每個像素以確定它是否屬于行車道，以便生成像素化的車道線。然后，使用連接分析，我們可以將相鄰的車道線像素連接起來完成整個車道線段的連接，通過多項式擬合確保車道線的平滑性。根據當前車輛的位置，我們可以推導出車道線的語義含義：無論是左，右或相鄰的車道線。然后將車道線轉換到車輛坐標系中，發(fā)送給其他需要的模塊。