百度背叛激光雷达路线了吗？( 八 )
为了在车载计算单元的有限算力上完成如此庞大的视觉信息处理任务 ， Apollo Lite充分发掘子任务之间的相关性 ， 设计出层次化的特征共享结构 ， 采用共享子网络的方式来降低计算量 。
文章插图
△Apollo Lite视觉神经网络系统共享特征网络在提升推理效率的同时 ， 也增加了感知任务之间的耦合度 。 而不同感知任务在数据规模、输入输出形式、优化目标等方面都存在不同程度的差异 ， 这给离线训练带来了巨大挑战 。
为解决异构数据的训练问题 ， Apollo Lite搭建了一套分布式多任务模型训练框架 ， 自适应采样不同任务的数据送入训练 ， 激活其对应的网络子集并计算损失 ， 然后统一更新共享的网络参数 。
文章插图
△Apollo Lite多任务训练框架依托强大的机器学习基础设施以及持续、精准的数据 ， Apollo Lite关键模型迭代效率相比19年初提升了近4倍 ， 千万量级训练数据上的多任务模型同步更新能够在1周之内完成 。
回到本节开篇的问题 – 是否拥有了海量数据就等同于自动迈进完全无人驾驶？
我们并不想急于下结论 ， 毕竟数据的想象空间巨大有待深入挖掘 ， 但可以肯定并和读者分享的是实践求真的道路并非一些技术文案描写的那样一蹴而就 。
数据闭环对业务产生的价值是技术持续跟踪的指标 。 以数据挖掘环节为例 ， 除关注新模型在此前挖掘积累的bad case上的累计修复率外 ， 测试车辆在挖掘规则固定前提下的挖掘量也是考核闭环效果的重要参考 。 我们希望看到模型迭代带动修复率攀升 ， 同时规模化路测阶段同类问题的复现率持续走低 。
通过指标跟踪分析 ， 能够看到数据闭环价值在一部分感知任务上呈现了明显的增长趋势 。 但也存在一部分任务进入了依靠单纯灌入数据已无法维持收益增长的阶段 ， 此时研发人员需重新审视数据链条上的环节 ， 从阶段Ⅲ退回到阶段Ⅱ ， 回归到对标注规则的研究或新的网络结构设计这些偏基础的工作中 。
相信如何有效获取数据并将之转化成可被感知的驾驶能力会是伴随Apollo Lite成长的长期技术问题 ， 需要技术团队沉下心来通过实践逐步打通这条数据通路 。
04 结尾与展望再先进的技术长时间脱离产品和用户也是孤立的 ， 在领航辅助驾驶产品竞争白热化的今天 ， 百度将Apollo Lite视觉感知技术从L4应用降维至L2+级领航辅助驾驶 ， 打造覆盖“泊车域+行车域”的城市全场景智能驾驶一体化解决方案 - Apollo智驾产品ANP（Apollo Navigation Pilot） 。
文章插图
Apollo Lite两轻一强的技术特点可以极好的融入产品 ， 「轻传感器、轻算力」面对规模量产无惧成本压力 ， 同时「强感知能力」能够助力ANP应对城市道路驾驶中的各类复杂场景 。
自动驾驶是公认的智能汽车决胜点 ， 正引领新一轮体验升级 。
在ANP广州发布之后 ， 国内也有媒体评价说 ， 百度Apollo的纯视觉自动驾驶产品发布 ， 对特斯拉是一次“奇袭” ， 因为Apollo生态开放的特性 ， 可以更快实现特斯拉一样的智能驾驶能力 ， 类似于Apollo+车厂的安卓生态 ， 会跟特斯拉FSD封闭的iOS生态形成抗衡 。
虽然这样的类比可以让更多人形象的看到业态 ， 但坦率的说 ， Apollo Lite更主要的是提供了特斯拉FSD和Mobileye之外的国产选择 ， 或许“三足鼎立”更合适 。
虽然今天的Apollo Lite只有两岁 ， 但它无疑已经站在了潮头浪尖 。
— 完 —
量子位 QbitAI · 头条号签约
【百度背叛激光雷达路线了吗？】
推荐阅读
- 马斯克刚成全球首富，行业又爆重磅新闻！百度要造汽车了，合作方是它！传与苹果合作造车，韩国汽车巨头股价暴涨
- 传闻坐实：李书福李彦宏联手！吉利百度官宣造车
- 小米有品众筹激光鼻炎治疗仪：不吃药 不开刀
- 用户|2020互联网「年终盘点」之盘点：百度最泪目，趣头条接地气
- 2021年互联网巨头第一仗！飞书开撕微信，阿里华为百度全都入局
- 2020百度地图生态大会：开放平台十周年 为行业送出多个解决方案“大礼包”
- 一个人完成AI开发和部署 百度飞桨实现铁路货车车号精准检测
- 曝iPhone 13全系标配激光雷达扫描仪 真就十三香？
- 百度网盘主体公司发生变更，市值翻倍正值拆分上市好时机？
- 从工程师到“水果猎人”他在百度做科普