距百度19年夏天公布阿波罗精简版——城市道路视觉L4自动驾驶解决方案过去了整一年，Apollo Lite在过去的一年里实现了许多傲人成绩，累积闭环测试里程提升13倍，单位里程交互机动车/非机动车/行人个数提升了2倍。同时，MPI提升2.5倍，点到点送达成功率提升60%。

6月18日，2020（第二届）汽车雷达前瞻技术展示交流会在苏州召开，在百度Apollo Lite一周年之际，百度Apollo技术委员会主席王亮虽然因为疫情原因没能到达现场，但他仍为大家分享了百度自动驾驶视觉技术进展，分享包括对数据驱动提升驾驶能力的实践和对L4自动驾驶传感器终局的认知和思考。

L4技术发展的两种路径之争

说到激光雷达和视觉方案绕不开两种路径之争，首先是以waymo为主的商业模式“交通即服务”，它是限定区域的自动驾驶，重高清地图。传感器方案是以激光雷达为主，一个或多个激光雷达。它的优势比较明显能帮助公司快速搭建系统原型，检测、提取和分割相对较容易；有一定的安全保障；采用三维信息几何的结构信息，颜色光照变化比较低，所以它对于数据的依赖程度低。而它的缺点就是传感器成本高、扩展性弱、商业化速度慢。

与此对比是以特斯拉为典型代表的商业模式“汽车即产品”，辅助驾驶渐进过渡到自动驾驶，以摄像头为主，轻地图。它的优势是摄像头成本低、扩展性强和商业化速度快。它的劣势主要是系统搭建周期长；对人才、数据的依赖程度高；对于安全保障还不够。

王亮认为，路线的设定既不是权衡利弊后的选择站队，也不是简单一句“各取所需，避之所短”，百度追求的是一条符合国情同时也最适合百度自身的技术路线。

传感器的认知判断

“在L4级自动驾驶传感器选型上，激光雷达和摄像头不是排他的，也不是单纯的从属或互补关系，从安全性考虑，二者具备相同的重要性和不可取代性，缺一不可。” 王亮坚定沿着多传感器融合的路线往前推动，多传感器融合的方法也不一样。

激光雷达

百度的态度是选择做自己擅长的事情，不自研，拥抱生态合作伙伴，充分信任激光雷达合作伙伴的设计和技术能力，帮助百度提供市面上最高性价比的产品。面对“百花齐放”的市场，百度选择不自研，就要考虑对冲其带来的不确定性影响。百度希望在激光雷达方面有选择的自由，未来的算法和系统能比较容易支配雷达方案。

摄像头

摄像头图像信息量大，但和激光雷达相比，信息挖掘难度高，对人才、算法、数据、规模化机器学习能力要求高。它的技术趋势更多的是分辨率、成像质量、成像速度等维度的提升，图像数据复用性号，技术壁垒高。

视觉技术迭代

在激光雷达为主、视觉为辅的传统融合策略中，视觉感知自身问题和缺陷在雷达感知的掩盖下暴露不充分，认识到这点后，要把视觉技术单独列出来解决。在激光雷达方面有选择的自由权，手里握着一张“纯视觉感知”的船票，这样百度将更有信心在未来选择性价比最高的激光雷达，与视觉方案配合，来保障客户的安全。

软件系统学习化改造

除了解决二维和三维的问题，还需要持续积极的探索实践“数据转化为驾驶能力”的途径，逐步用基于数据和机器学习的方法取代规则。首先，规则方法需要设计算法，这对专业人员需要一定的专业背景，还需要观察、假设和调参，代码实现后再进行效果评判，这是传统的方法。那机器学习的方法首先需要搭建训练框架，然后实现数据的聚类，整个框架构成后，框架可复用，高度自动化，最后基于模型进行效果评测，它对数据的消化能力是更强的，处理海量数据更快更好，能打通数据转化为驾驶能力。

有了框架后还远远不够，要真正解决问题，有了数据后，怎么充分利用数据，比较高效消化数据？百度把有价值的数据快速提取出来，进行数据标注，来进行高频的数据迭代，迭代周期来约束衡量的评价。最后，结合路况进行测试，把构成的模型应用于车上。举一个数据驱动模型能力提升案例，以红绿灯为例，用异形灯代替普通红绿灯，让建模更加精确，涵盖范围广；其次，道路修整频率增加，道路增加移动红绿灯。最后，对倒计时的需求，把握地更加精准。

自动驾驶的发展不能一蹴而就，要达到自动驾驶和无人驾驶的终局，必然要经历漫长的过程。百度Apollo在此领域内不断去尝试商业化落地，迟早会走出一条适合“中国特色”的自动驾驶之路。