自备硬件，使用Apollo提供的代码，并且可以不断迭代，这种感觉是不是似曾相识？

今年 7 月 5 号，百度正式发布了 Apollo 计划，在接下来的一段时间，这个自动驾驶生态项目在国内国外引起了巨大的讨论和解读，成为不少汽车及自动驾驶从业者必聊的话题。

「你觉得 Apollo 计划怎么样？靠不靠谱？」

如果有一个可以覆盖我们日常对话和文字交流的搜索引擎，这个问题的搜索结果一定是海量的。

按照百度给出的数据，在过去的这两个多月里， Apollo 计划新增了 6.5 万行开源代码，而他们也在今天带来了这个计划的最新变化：Apollo 1.5 正式对外发布。

为什么叫 Apollo 1.5？对这个项目有持续关注的同学应该记得，在 7 月 5 号的发布会上，百度虽然展示了 Apollo 的技术全景，但是当时他们开放的其实是 Apollo 1.0 的版本，可以实现封闭场地的循迹自动驾驶能力。而按照他们当时给出的时间表，在 2017 年 9 月会开放固定车道自动驾驶的能力，到 2017 年 12 月，开放简单城市路况自动驾驶能力，也就是 Apollo 2.0。

这次他们开发的 Apollo 1.5，实际上就是开放了固定车道自动驾驶能力。也就是说，在大家经常提及的 1.0 及 2.0 版本之外，今天发布的 1.5 版本，其实原本就在百度的计划之中，并不是一场「临时起意」。

具体在技术层面开放了什么呢？这时候又要搬出那张经典的 Apollo 技术架构图了。

我们再来复习一下 1.0 和 2.0 版本的路线图：

1.0，蓝色框为开放的能力：

2.0，相比 1.0 新增了紫色框的内容：

而 Apollo 1.5 的路线图是这样的，其中黄色部分的内容是这次所开放的内容：

可以看到，在开源软件平台层面，这次开放了地图引擎（Map Engine）、感知（Perception）、规划（Planning）、端到端深度学习（End-to-End）四个能力。而在云端服务平台层面，这次开放了高精度地图（HD Map）、仿真模拟平台（Simulation）两部分。硬件方面，Apollo 开放了对于激光雷达的支持。

把这些能力和 1.0 版本所开发的能力相加，Apollo 1.5 所能实现的功能如前所说，就是「定车道昼夜自动驾驶」，也就是说，如果你想基于 Apollo 开源代码做自动驾驶，用了 1.5 版本的这套东西，可以让你的车子实现单车道内的自主驾驶和跟车功能。

允许我跳脱一下说句题外话：百度这个 Apollo 1.5 发布会，做的相当技术范儿，如果不是对于自动驾驶技术有较深研究的记者，可能会听的很晕。当然，发布会到场的不止媒体，合作伙伴和潜在合作伙伴听了这些，可能会很「享受」。

但是在这里还是有必要去分解一下技术层面的东西。

来看看这次 1.5 版本开放的五大能力：障碍物感知、决策规划、云端仿真、高精地图服务、端到端的深度学习。

其中按照 Apollo 平台研发负责人王京傲的说法，前四个能力是「如期开放」的，而在 Apollo 1.5 这个时间节点上开放端到端的深度学习能力有点儿「意料之外」。

在我看来，选择开放什么能力，是由每个阶段的目标所决定的。从 1.0 的封闭场地自动循迹发展到 1.5 的定车道自动驾驶，障碍物感知、决策规划、仿真测试、高精地图这几项能力，其实是必须要开放出来的，否则很难实现 1.5 的目标。

先说障碍物感知。按照百度的说法，这个能力是基于深度学习实现的。具体原理是，通过「参考硬件」Velodyne 的 64 线激光雷达采集周围环境的点云数据，然后使用英伟达的 GPU，通过 CUDA、CuDNN、Caffe 技术实现对于障碍物的精准识别。一方面，可以实现对障碍物的行为预测，另一方面，为了适配不同的障碍物，Apollo 也会提供不同的算法。

这也解释了为什么百度要在 Apollo 1.5 里开放对于激光雷达的支持。

而作为百度投资的公司，Velodyne 今天也在现场发布了一个消息：他们正式在国内上市 32 线激光雷达产品 VLP-32C（请记住，是 32C）。另外，对于 Apollo 生态成员，Velodyne 还会提供「特殊服务」：如果这些公司需要激光雷达装在自己的自动驾驶测试车上，Velodyne 会提供更短的交货周期、专项技术支持，当然还有「生态成员专属价格」。

决策规划：系统可以对无人车收集的数据进行筛选聚合，在决策规划这个模块对这些数据进行重构，基于此，运用不同的优化器，为无人车画出最安全、最光滑的行车路径。具体看图吧，懂的同学自然懂：

端到端的深度学习：既采用了卷积神经网络，也采用了创新性的基于深度学习的神经网络。

高精度地图：这是实现自动驾驶的基础之一，此前我们也专门用一篇文章介绍过百度高精度地图的具体采集、制作过程。百度认为他们的高精度地图具备精细化程度高、生产效率高、覆盖面广这三个核心优势。

百度的目标是到 2020 年，Apollo 高精度地图将覆盖全国所有高等级道路及重点城市道路，目前开放的是全国范围内高速公路与特定城市道路的高精度地图，精度在 15-20cm 的级别。

云端仿真：百度称之为自动驾驶的「加速器」。它的意义在于，不需要实际用自动驾驶测试车上路实测，在仿真平台上就可以进行「虚拟路试」，达到快速锻炼算法以及积累数据的目的，节省成本，提升效率，快速迭代。

Apollo 仿真平台的优势在于内置高精地图、拥有海量场景、有云端计算能力以及可以提供专业度量体系（度量体系也就是所谓的「裁判员」，用来评估测试的算法水平如何）。

按照百度给出的信息，Apollo 仿真平台的虚拟运算能力可以达到「日行百万公里」。

好了，以上就是对于这几个新增开放能力的介绍。说实话，百度在发布会上给出的信息量要远大于我所写的，他们对每个能力的讲解都非常详细。如果你是自动驾驶技术的开发者，可以去 Apollo 的官网了解更多，如果你是吃瓜群众，这部分有个基本了解就够了。

当然还有一种可能：作为吃瓜群众，没准儿你看了这些东西，也想去 DIY 一个自动驾驶车玩玩？

说完了技术，再来聊一些关于 Apollo 计划更宏观的东西。

「开发者」这个词，是百度方面反复提及的，作为一个开放的自动驾驶计划，开发者的重要性不言而喻，如果不好理解的话，可以参考安卓的例子。用百度的话术来说就是：开发者的成功，就是 Apollo 计划的成功。

在发布会现场，三个「开发者」从不同的角度聊了聊自己的体会，他们分别是金龙客车、Momenta 以及智行者科技这两家创业公司。

金龙把一辆 6 米长的巴士进行了硬件改装，灌入 Apollo 1.0 的代码，在一周之内让车辆具备了封闭场地循迹能力。而这也标志着 Apollo 的应用从乘用车拓展到了商用车领域。

Momenta 和智行者提供了两个 Apollo 1.5 的应用案例。

Momenta 的 CEO 曹旭东介绍说，他们基于 Apollo1.5 做的自动驾驶测试车，在白天和夜晚场景下可以完成对于前车突然并线、行人、自行车横穿马路等交通场景的精准识别。而当路上出现垃圾桶、大型犬及纸箱等非典型交通场景时，车辆也能做出准确判断，提供安全稳定的行车决策。他们和 Apollo 的合作主要是为了验证障碍物识别和激光雷达感知部分的能力。

至于智行者，他们和 Apollo 的合作主要基于高精度地图和云端仿真。在北京某个公园目前已经投入了一种「无人驾驶扫路机」，智行者为它提供了无人驾驶解决方案，而这其中就用到了 Apollo 的高精度地图及定位服务，实现了自动避障、自主循迹、定点起停、自主扫地等功能。另外，智行者还利用了云端仿真平台进行自动驾驶模拟测试。

据百度介绍，在经过了两个多月的发展之后，Apollo 生态目前的合作伙伴数量增加到 70 家左右。

至于整个 Apollo 开发者生态的构成，可以用百度副总裁邬学斌在现场展示的一张图片说明：

其实从 1.0 到 1.5 再到未来的 2.0，可以看出的是，百度很看重 Apollo 的迭代能力，做个可能不恰当的比喻，这就有点儿像特斯拉的 OTA 远程更新。作为 Apollo 生态的合作伙伴，不断地获得自动驾驶能力的更新，可能这也是一件有「生命力」的事儿。

而当问及 Apollo 到底如何赢利的时候，邬学斌的回答简短但却意味深长：不在现有价值链里淘金，而是从云端提供服务。

点击阅读更多