編者按：
百度背叛激光雷達路線了嗎？2019年夏的CVPR，純視覺方案Apollo Lite第一次亮相開始，這種猜疑就沒停過。一年后，自動駕駛江湖中的兩條路，愈加清晰分明。
一方面，自動駕駛公司紛紛增加車端激光雷達數(shù)量，提升雷達掃描密度，傳感器“軍備競賽”趨勢延續(xù)。另一方面，車企基于純視覺方案的“全自動”駕駛功能交付無期。
而百度Apollo Lite，成為了國內(nèi)唯一純視覺L4級城市道路自動駕駛解決方案。并且Apollo Lite還以自主泊車產(chǎn)品AVP和領(lǐng)航輔助駕駛產(chǎn)品ANP，實現(xiàn)了L4能力的降維商用。
這條純視覺路線背后，百度Apollo究竟有何邏輯？技術(shù)和產(chǎn)品上有哪些不為人知的考量？未來又如何落地發(fā)展？
在Apollo Lite誕生兩周年之際，沒有人比百度Apollo技術(shù)委員會自身，更適合揭秘了。我們邀請他們以第一親歷者身份，完整講訴Apollo Lite相關(guān)的一切。
以下是專欄全文：
《Apollo Lite兩周年：純視覺L4級無人駕駛技術(shù)挑戰(zhàn)復(fù)雜城市場景》
2019年美國長灘，面對臺下聽眾關(guān)于Apollo Lite誕生是否意味著百度將放棄其現(xiàn)有激光雷達技術(shù)方案的提問，Apollo技術(shù)委員會主席王亮表達了百度的技術(shù)主張：
“在L4級自動駕駛傳感器選型上，激光雷達和攝像頭不是排它的，也不是單純的從屬或互補關(guān)系，從安全性考慮，二者具備相同的重要性和不可替代性，缺一不可。”
談?wù)摷円曈X方案，一個繞不過去的話題是自動駕駛領(lǐng)域長期存在的路線之爭，一方是以Waymo為代表的Robotaxi陣營，選擇用相對昂貴的旋轉(zhuǎn)式激光雷達輔以多路攝像頭和毫米波雷達直接落地L4級自動駕駛。
另一邊是以Tesla為代表的漸進式陣營，志在依托海量數(shù)據(jù)和深度學(xué)習(xí)從輔助駕駛起步跨越無人鴻溝，其商業(yè)模式?jīng)Q定了純視覺方案是兼顧駕駛體驗和成本的產(chǎn)品最優(yōu)解。
一年后，百度的技術(shù)主張發(fā)生變化了嗎？長跑途中，百度將如何站隊又選擇了什么技術(shù)路線呢？
針對技術(shù)路線問題，王亮給出了百度的思考：無人駕駛的規(guī)模化落地是一次長征，除有篤定的信念支撐，更要基于正確的路線才能到達目的地。
何謂“正確”？百度眼中，路線設(shè)定既不是權(quán)衡利弊后的選擇站隊，也不是簡單一句“各取所長，避之所短”，百度尋求的是一條符合國情同時也最適合百度的技術(shù)路線。
Robotaxi商業(yè)模式驗證途中最大的技術(shù)挑戰(zhàn)是 「無人」（去掉安全員），過程中要平衡的兩個關(guān)鍵因素是“能力”和“規(guī)模”，二者相輔相成，不具備過硬的駕駛能力無法在擴展規(guī)模同時保證安全，反之規(guī)模跟不上，駕駛系統(tǒng)無法獲得充分驗證。
百度內(nèi)部牽引研發(fā)的兩大核心指標(biāo)是「安全」和「成本」，安全保障結(jié)合有競爭力的成本能夠助力百度盡早跨入規(guī)模化運營階段，逐步實現(xiàn)拿掉安全員的終局目標(biāo)。
為何在激光雷達技術(shù)方案進展順利的同時轉(zhuǎn)向發(fā)力純視覺技術(shù)？背后的邏輯，與百度的實踐經(jīng)驗和技術(shù)主張密不可分。
年初Waymo推出其第五代自動駕駛傳感器套件，包括對其自研激光雷達的全方位升級。大洋彼岸的Cruise、Argo、Aurora等頭部公司也通過「收購+自研」布局未來的激光雷達產(chǎn)品。
而百度選擇了一種「不一樣」的路線，王亮表示：“Apollo從第一天起就明確走開放道路，百度選擇聚焦自己擅長的事情，我們充分信任合作伙伴的設(shè)計制造能力和創(chuàng)新速度，用開放共贏的心態(tài)擁抱生態(tài)。
與全自研或借收購押注某類原型產(chǎn)品相比，我們相信擁有大規(guī)模用戶和成熟供應(yīng)鏈體系的生態(tài)合作伙伴必將迭代出性價比更優(yōu)的產(chǎn)品，百度愿意在攀峰途中與合作伙伴緊密配合共同成長。“
激光雷達市場百花齊放，誰家能跑贏Robotaxi商業(yè)化階段的規(guī)模化量產(chǎn)尚不清晰，缺少自研抓手又如何緊隨行業(yè)趨勢適配前沿雷達產(chǎn)品呢？面對不確定性，百度也有自己的思考和應(yīng)對。
“在我們的技術(shù)規(guī)劃中，未來百度在激光雷達的選擇上要更從容。重度依賴激光雷達的感知系統(tǒng)面臨的問題之一便是雷達技術(shù)的更新?lián)Q代。當(dāng)今基于三維點云的環(huán)境感知算法已全面擁抱Learning化和數(shù)據(jù)驅(qū)動，感知效果飛速提升同時對標(biāo)注數(shù)據(jù)的累積也更加倚重，不輕易更換雷達的顧慮，部分來自傳感器數(shù)據(jù)變更后給現(xiàn)有感知模型的復(fù)用和泛化帶來的挑戰(zhàn)，前期構(gòu)筑的數(shù)據(jù)壁壘優(yōu)勢也難以保持。相比成像原理和時空采樣密度各異的激光雷達，視覺成像技術(shù)的發(fā)展趨勢清晰，視覺感知在數(shù)據(jù)標(biāo)注、數(shù)據(jù)復(fù)用和模型泛化技術(shù)上都更加成熟可控。”
百度對視覺技術(shù)的布局意圖清晰，通過壓強視覺技術(shù)研發(fā)獲得純視覺L4級閉環(huán)能力意味著拿到了一張船票，讓百度在激烈的自動駕駛技術(shù)競爭中保持成本和數(shù)據(jù)優(yōu)勢，對激光雷達的選擇更敏捷自由。
使用單傳感器解決復(fù)雜的環(huán)境感知問題總會遇到短期無法跨越的深溝固壘，對「傳感器融合」五字的理解實踐，業(yè)內(nèi)也不盡相同。
起跑階段，百度和大多數(shù)同行今天的做法類似，面對困難選擇做容易的事情，從快速解決問題的目標(biāo)出發(fā)設(shè)計融合策略，難免避重就輕地利用異構(gòu)傳感器各自的優(yōu)勢進行取長補短，快速收斂問題背后的代價是系統(tǒng)實現(xiàn)維護難度的增加和對安全問題自身可解釋性的忽視，長此以往，借助疊加厚重策略和參數(shù)假設(shè)解決長尾問題的路徑步履維艱。
在追求自動駕駛安全的實踐中百度對傳感器融合的認知也在發(fā)生變化，概率上保證感知結(jié)果的可解釋性和完備性意味著多套能夠支撐自動駕駛的感知系統(tǒng)獨立工作相互校驗，融合端減少策略深度耦合引入的數(shù)據(jù)依賴與人為假設(shè)。
大道至簡的思想背后，傳感器間的「主次」概念逐漸淡化，新理念也對單傳感器感知能力提出了更高要求。對于視覺感知，對其作用的定位不再局限于為激光雷達查漏補缺或者解決某些子任務(wù)，轉(zhuǎn)而追求獨當(dāng)一面的全棧能力。
2019年初Apollo Lite啟動了在北京稻香湖路網(wǎng)內(nèi)的開放道路測試，經(jīng)過長期實測，對稻香湖道路環(huán)境駕輕就熟的Apollo Lite選擇挑戰(zhàn)更復(fù)雜的城市道路場景，將2020年的測試區(qū)域選在了北京亦莊。
亦莊測試區(qū)是當(dāng)前國內(nèi)開放的最大規(guī)模的L4級別自動駕駛路網(wǎng)，覆蓋了復(fù)雜城市道路多種典型場景，包含工業(yè)區(qū)、生活區(qū)、商超等多種城市功能區(qū)域，道路場景涵蓋快速路，主干路，次干路、支路和輕軌鐵路等，路網(wǎng)里程322公里，涵蓋110多條道路。
對比稻香湖測試區(qū)域，亦莊道路覆蓋里程提升近20倍，站點數(shù)量提升50倍，機動車和人流平均密度提升2倍。
經(jīng)過近一年的技術(shù)迭代，Apollo視覺感知能力穩(wěn)步提升，如今兩周歲的Apollo Lite具備了僅使用10顆攝像頭應(yīng)對中國復(fù)雜城市道路環(huán)境的自動駕駛能力。
與一年前相比，純視覺配置的測試車輛規(guī)模提升3倍，累計L4閉環(huán)測試里程增加18倍，平均送達（無人為干預(yù)的點到點自動駕駛）成功率提升60%。
自動駕駛系統(tǒng)涉及的眾多軟硬件中，傳感器決定了環(huán)境建模的方法和效果，對駕駛能力有直接的影響。近年來各家自動駕駛公司持續(xù)刷新無人車上路速度和演示難度，他們均采用高線數(shù)機械旋轉(zhuǎn)式激光雷達充當(dāng)無人車的眼睛，與之相比，打造一套純視覺方案的難度有多高，技術(shù)含金量如何體現(xiàn)？
無人駕駛的大腦 – 車輛軌跡速度的決策規(guī)劃計算離不開感知模塊實時構(gòu)建的三維環(huán)境，對障礙物位置、尺寸、速度和朝向等屬性的準(zhǔn)確性、時空穩(wěn)定性都有極高的要求。激光雷達作為「主動」成像（Active sensing）傳感器，與攝像頭相比最大的優(yōu)勢在于其強大的三維測距能力，通過飛行時間（Time-of-Flight）原理能夠在100毫秒內(nèi)完成對其周邊360°環(huán)境的實時建模，測距精度達厘米級。精準(zhǔn)的三維信息為物體檢測、跟蹤、分類等任務(wù)帶來了便利，大幅度簡化了感知算法的設(shè)計實現(xiàn)。
與激光雷達不同，攝像頭成像是“被動”式的（Passive sensing），感光元件僅接收物體表面反射的環(huán)境光，三維世界經(jīng)投影變換（Projective transformation）被“壓縮”到二維相平面上，成像過程中場景“深度”（景深）信息丟失了。
當(dāng)算法再試圖從二維圖像中恢復(fù)目標(biāo)物體原本在三維空間中所處的位置時，面對的是一個欠約束的“逆問題”（ill-posed inverse problem），其難度可直觀理解為用2個方程式求解3個未知數(shù)。
由一張二維圖像恢復(fù)場景中的三維信息（「2D-to-3D」）是計算機視覺學(xué)科誕生之初定義的經(jīng)典問題之一，時至今日仍是視覺界熱門研究方向，也是使用攝像頭代替激光雷達為無人駕駛提供感知結(jié)果所面臨的核心技術(shù)挑戰(zhàn)。
進入技術(shù)分享前，先看一段一鏡到底的日常Apollo Lite亦莊路測視頻。視頻中測試區(qū)域處于亦莊中心繁華路段，包含兩條路線，累計自動駕駛行駛時長接近60分鐘，全程無接管。
從視頻中可以看出，主車以40公里/小時左右的速度行駛，寬闊道路行駛時速度可提升至55公里/小時以上（亦莊道路限速為60公里/小時）。行駛過程中，主車與其他車輛，行人，自行車和電動車等道路參與者交互頻繁，在成功處理切車、變道、過路口、掉頭、等城市道路基礎(chǔ)交通場景之外，車輛也展示了出色的通行能力和與道路參與者的交互能力，視頻中呈現(xiàn)了其在路樁擺放密集的狹窄路段、施工區(qū)域以及雙向單車道上的通行能力，車輛能夠合理避讓車流中橫穿道路的行人和在車流中穿梭的摩托車和電動車。可視化來自車端實時感知結(jié)果，視頻內(nèi)容未經(jīng)任何剪輯加工，力求客觀真實的呈現(xiàn)完整測試過程。
百度在近一年視覺感知攻堅過程中積累了豐富的實踐經(jīng)驗并沉淀了有效的方法論，總結(jié)下來，三個關(guān)鍵技術(shù)層面的深耕突破成就了Apollo Lite駕駛能力迅速提升。
近年來，視覺目標(biāo)檢測任務(wù)伴隨深度學(xué)習(xí)技術(shù)的進步取得了突飛猛進的發(fā)展。今天，經(jīng)對人工標(biāo)注數(shù)據(jù)進行監(jiān)督學(xué)習(xí)，在圖像上將目標(biāo)物體（如車輛、行人、自行車等）2D框選出來已經(jīng)不是視覺感知的頭部難題，單純2D框檢測無法支持3D空間中的車輛規(guī)劃控制，打造一套純視覺感知系統(tǒng)，解決2D-to-3D問題首當(dāng)其沖。
傳統(tǒng)算法計算2D檢測框的框底中心后通過道路平面假設(shè)和幾何推理物體深度信息，這類方法簡單輕量，但對2D框檢測完整性和道路的坡度曲率等有較強的依賴假設(shè)，對遮擋和車輛顛簸比較敏感，算法欠缺魯棒性，不足以應(yīng)對復(fù)雜城市道路上的3D檢測任務(wù)。Apollo Lite延續(xù)「模型學(xué)習(xí)+幾何推理」框架同時對方法細節(jié)進行了大量打磨升級。
模型學(xué)習(xí) – 數(shù)據(jù)和學(xué)習(xí)層面，利用激光雷達的點云數(shù)據(jù)將2D標(biāo)注框和3D檢測框關(guān)聯(lián)，在標(biāo)注階段為每個2D包圍框賦予了物理世界中的距離、尺寸、朝向、遮擋狀態(tài)/比例等信息。
通過從安裝相同攝像頭（Camera configuration）并配備高線數(shù)激光雷達的百度L4自動駕駛車隊獲取海量時空對齊的「圖像+點云」數(shù)據(jù)，訓(xùn)練階段DNN（Deep neural networks）網(wǎng)絡(luò)模型從圖像appearance信息做障礙物端到端的三維屬性預(yù)測，模型端完成從僅預(yù)測2D結(jié)果到學(xué)習(xí)2D+3D信息的升級，將傳統(tǒng)“幾何推理”后處理模塊的任務(wù)大程度向模型端前置，“深度學(xué)習(xí)+數(shù)據(jù)驅(qū)動”為提升預(yù)測效果提供了便捷有效的路徑和更高的天花板。
在添加模型端3D預(yù)測能力外，為給后續(xù)幾何約束階段提供豐富的圖像線索，針對不同位置/朝向相機的安裝觀測特性，模型從學(xué)習(xí)障礙物矩形包圍框拓展到預(yù)測更多維度更細粒度的特征，如車輪和車底接地輪廓線。
幾何推理– 將模型輸出的圖像視覺特征作為觀測值，障礙物空間位置朝向和尺寸作為未知參數(shù)，基于相機姿態(tài)和經(jīng)典投影幾何（Projective geometry）可計算3D到2D的投影。
理想條件下3D元素投影到相機的坐標(biāo)和2D特征觀測應(yīng)該重合，由于3D信息預(yù)測誤差的存在，模型輸出3D投影和2D圖像觀測會存在一定偏差， 幾何推理的作用是通過場景先驗和視覺幾何原理對模型輸出的障礙物3D初值進行優(yōu)化，以此得到2D-to-3D的精確結(jié)果。
投影計算方程依賴對相機的姿態(tài)進行實時估計，理想情況假設(shè)相機水平安裝，視線與路面平行，俯仰角接近為0°。車輛行駛中，受地面坡度起伏影響，相機相對地面的姿態(tài)不斷變化，精準(zhǔn)估計車輛運動中相機俯仰角是求解3D-to-2D投影的必要條件，我們稱這個步驟在線標(biāo)定。
Apollo Lite在線標(biāo)定算法并不依賴高精地圖，通過學(xué)習(xí)道路上線狀特征如車道線和馬路邊沿，擬合出多條空間中的平行線在圖像投影上的交點 — 消失點（Vanishing point），基于透視幾何原理，可精確估計車輛行駛中相機俯仰角的實時變化的情況。
鎖定相機姿態(tài)后，障礙物尺寸是影響3D距離估計的另一關(guān)鍵因素。透視投影過程中可解釋成像結(jié)果的 “距離x尺寸” 組合并不唯一，因遮擋和圖像截斷存在，從局部2D框?qū)W習(xí)障礙物尺寸的難度較大，Apollo Lite轉(zhuǎn)而從 「分類」 視角尋求突破，物理世界中車輛種類（轎車，SUV，公交、卡車……）和其對應(yīng)物理尺寸是可枚舉的，通過歸納構(gòu)建維護了一個種類豐富的車輛 “類型x尺寸” 模板庫，模型學(xué)習(xí)的類型和尺寸信息結(jié)合模板庫搜索為障礙物尺寸初值提供了有效約束。
△Apollo-lite細分類（fine-grained）車輛模板庫
經(jīng)過精細化打磨的2D-to-3D算法顯著提升了Apollo Lite在復(fù)雜城市道路下的自動駕駛能力和乘坐體驗，因“3D位置估計不準(zhǔn)”衍生的駕駛策略缺陷如碰撞風(fēng)險、急剎等事件發(fā)生頻率大幅降低，與之相關(guān)的接管頻次和急剎頻次指標(biāo)分別下降90%和80%，200m內(nèi)車輛距離估計平均相對距離誤差低于4.5%，行人與非機動車平均相對距離誤差低于5%。
解決2D-to-3D問題夯實了感知「看見」和「看準(zhǔn)」的基礎(chǔ)能力，復(fù)雜城市道路對系統(tǒng)「看懂」場景的能力提出了更進一步的要求，根據(jù)轉(zhuǎn)向燈和剎車燈狀態(tài)預(yù)測前車行為，通過錐筒擺放判斷道路施工并提前繞行，在紅綠燈被前方大車遮擋時根據(jù)周邊車輛行為判斷信號燈顏色狀態(tài)等都屬讀懂場景的能力，視覺感知系統(tǒng)從像素中挖掘圖像內(nèi)蘊含的深層信息對提升駕駛智能性和通過性至關(guān)重要。
下面重點以交通信號燈識別任務(wù)為例，介紹Apollo Lite為應(yīng)對復(fù)雜城市路況所做的部分感知技術(shù)升級。
動態(tài)語義識別 – 紅綠燈檢測依賴高精地圖為路網(wǎng)內(nèi)每個燈提供靜態(tài)語義標(biāo)注信息（如3D位置與尺寸，方向控制，車道的綁定關(guān)系等），重地圖先驗的模式變相降低了線上感知算法難度，但難以應(yīng)對信號燈故障和高頻的設(shè)備維護和道路變更。
Apollo Lite為此擴充了紅綠燈動態(tài)語義識別能力，在不依賴地圖前提下，一方面支持檢測場景中出現(xiàn)的各類臨時紅綠燈，輸出2D燈桿/燈框、距離、燈頭顏色等屬性，另一方面，擴充了語義理解的維度，在此前單一單幀燈色識別基礎(chǔ)上把時序燈色變化過程蘊含的語義考慮進來，新增加倒計時、轉(zhuǎn)向燈、燈色閃爍模式、故障燈語義等場景理解能力，不依賴地圖實時更新亦能第一時間適應(yīng)道路上的變更，為決策規(guī)劃提供信號燈全語義輸出。
可通行性推理 – 行駛在復(fù)雜城市道路中，交通信號燈在相機中全程可見難以獲得保證，遮擋、逆光、雨霧模糊等情況下要求感知系統(tǒng)具備人類司機的推理邏輯，為此Apollo Lite感知補充了信號燈推理功能。
首先，增加算法對自身感知結(jié)果置信度的精準(zhǔn)評估能力，在觀測量不完全或者攝像頭成像不理想情況下，切換到推理模式。該模式下算法結(jié)合車身周邊障礙物運動信息提取車流軌跡，配合 對路口其它高置信可見燈的狀態(tài)和語義分析，通過融合多路信息學(xué)習(xí)路口可通行性，預(yù)測燈色，有效保證了在觀測數(shù)據(jù)不完整情況下信號燈顏色仍能被正確識別。
得益于以上場景語義解讀能力的升級，Apollo Lite在城市道路的通行能力獲得進一步提高，單位測試里程內(nèi)，因信號燈被遮擋導(dǎo)致的主車急剎和不合理停滯等問題減少近3倍，因信號燈感知錯誤造成的路口通過失敗問題減少近10倍。
數(shù)據(jù)閉環(huán)自動化是近年業(yè)內(nèi)高頻提及的概念，“數(shù)據(jù)驅(qū)動算法”、“自動化解決問題”、“跨量級降低L4成本”等傳播數(shù)據(jù)即能力的理念流傳甚廣，行業(yè)對數(shù)據(jù)的預(yù)期水漲船高。
是否擁有了海量數(shù)據(jù)就等同于能自動邁進完全無人駕駛？一個靠數(shù)據(jù)驅(qū)動的系統(tǒng)如何打造？拋開技術(shù)理念與愿景，下面從「數(shù)據(jù)實踐」和「數(shù)據(jù)組織能力建設(shè)」的角度跟讀者分享百度在邁向「數(shù)據(jù)轉(zhuǎn)化成駕駛能力」道路上的經(jīng)驗認知。
回顧百度7年自動駕駛技術(shù)發(fā)展歷程，我們將研發(fā)迭代模式定義成三階段，每個階段對應(yīng)的場景，對人才結(jié)構(gòu)和組織能力的需求不盡相同。
階段Ⅰ – 此時數(shù)據(jù)基礎(chǔ)設(shè)施建設(shè)相對薄弱，系統(tǒng)內(nèi)Deep Learning化模塊/功能占比較低，研發(fā)主力是已在某領(lǐng)域經(jīng)過長期系統(tǒng)化訓(xùn)練的算法專家，他們用計算機語言將掌握的專業(yè)知識轉(zhuǎn)化為功能性確定的代碼，我們內(nèi)部稱這類初期算法「Rule-based」和「Traditional Machine Learning」方法。
“Rule”中包含人為設(shè)定的規(guī)則和對物理世界的經(jīng)驗假設(shè)，以車道線檢測任務(wù)為例，經(jīng)典計算機視覺算法能夠不依賴標(biāo)注數(shù)據(jù)，僅使用梯度計算，邊緣檢測算子和曲線擬合等經(jīng)典技術(shù)完成車道線提取。
Rule-based方法優(yōu)勢是不依賴數(shù)據(jù)的積累標(biāo)注，過擬合有限場景比較有效，算法從研發(fā)到上路速度快，適用于prototype演示階段的研發(fā)迭代。
另一方面，規(guī)則假設(shè)引入大量人工參數(shù)和判斷條件，不利于業(yè)務(wù)需求增加測試規(guī)模擴大后的技術(shù)泛化以及場景拓展。
Traditional Machine Learning方法如SVM和Random Forest等開始利用數(shù)據(jù)解決問題，這類方法對特征設(shè)計依賴強，研發(fā)人員需要具備對數(shù)據(jù)特征較強的直覺和洞察力。
此外，它們的淺層模型結(jié)構(gòu)對數(shù)據(jù)的消化能力有限，大數(shù)據(jù)在任務(wù)上存在過擬合，并不能很好的解決復(fù)雜的自動駕駛問題。
階段ⅠI – 這一階段圍繞數(shù)據(jù)所做的基礎(chǔ)設(shè)施建設(shè)趨于完善，數(shù)據(jù)采集流程和標(biāo)注規(guī)則明確，配套的數(shù)據(jù)標(biāo)注工具和標(biāo)注分發(fā)體系使用穩(wěn)定，數(shù)據(jù)質(zhì)量以及數(shù)據(jù)獲取效率相比Ⅰ階段有質(zhì)的提升。
此時研發(fā)人員有意識的用深度學(xué)習(xí)思想重新審視線上Rule-based和Traditional Machine Learning方法，積極嘗試用神經(jīng)網(wǎng)絡(luò)（DNN）對舊方法進行改造替換。
數(shù)據(jù)獲取的便捷讓技術(shù)人員在面對新需求新任務(wù)時更多轉(zhuǎn)向深度學(xué)習(xí),過去系統(tǒng)內(nèi)基于規(guī)則和傳統(tǒng)學(xué)習(xí)方法實現(xiàn)的算法逐漸被深度學(xué)習(xí)擠壓取代，特別是人工設(shè)計的后處理步驟大幅減少，策略和參數(shù)被「固化」，規(guī)避依靠頻繁刪減策略和調(diào)參解決問題。
人才結(jié)構(gòu)方面，研發(fā)主力為有經(jīng)驗的深度學(xué)習(xí)專家，此階段研發(fā)人員的核心工作可歸納為兩方面：
1）根據(jù)任務(wù)制定標(biāo)注規(guī)則，提出數(shù)據(jù)采集標(biāo)注需求，完成網(wǎng)絡(luò)結(jié)構(gòu)選擇或設(shè)計，訓(xùn)練并部署復(fù)雜的深度學(xué)習(xí)模型；
2）無人駕駛對計算實時性有著嚴苛要求，車載計算資源有限，鑒于DNN計算量大，算法上線前需要壓縮模型以減小對于計算時間和空間的消耗。
數(shù)據(jù)在第二階段起到更重要的作用，增加訓(xùn)練數(shù)據(jù)量可有效提升模型效果。數(shù)據(jù)獲取方式以定制化采集任務(wù)為主，重視數(shù)據(jù)規(guī)模和廣度，如視覺感知數(shù)據(jù)可按地理位置、時間、天氣等若干維度組合采樣，保證訓(xùn)練數(shù)據(jù)對應(yīng)用場景的全面均勻覆蓋。
階段Ⅲ – 經(jīng)過長時間規(guī)模化道路測試，各類任務(wù)對應(yīng)的模型網(wǎng)絡(luò)結(jié)構(gòu)相對固定，模型預(yù)測頭部問題收斂到特定的場景。
此時，技術(shù)團隊工作的重心轉(zhuǎn)入對數(shù)據(jù)鏈路的精細化管理、對數(shù)據(jù)多樣性和數(shù)據(jù)分布合理性的深耕以及對數(shù)據(jù)平臺化能力的建設(shè)上。這一階段要求研發(fā)人員的思維模式發(fā)生轉(zhuǎn)變，從「設(shè)計算法解決問題」過渡至「用數(shù)據(jù)解決問題」。
思維工作模式的變化帶來對組織能力更高的要求。促成數(shù)據(jù)到模型能力的高效流轉(zhuǎn)首先需要搭建一套中心化框架平臺，將工程團隊擅長的自動化、分布式和高并發(fā)與算法團隊長期沉淀的經(jīng)驗與代碼相結(jié)合，從車端數(shù)據(jù)logging系統(tǒng)設(shè)計，到有效數(shù)據(jù)的挖掘清洗和離線標(biāo)注，最后到模型的訓(xùn)練迭代和評測部署，構(gòu)成一個閉環(huán)結(jié)構(gòu)。
借助平臺，算法人員的精力最大化投入到數(shù)據(jù)分析和標(biāo)注策略設(shè)計中，新團隊成員通過使用平臺提供的功能接口也能更高效的產(chǎn)出模型，減少學(xué)習(xí)成本，人員的單體經(jīng)驗差異被抹平，數(shù)據(jù)組織能力上升到一個新高度。
精準(zhǔn)數(shù)據(jù)挖掘– 進入第三階段，單純追求訓(xùn)練數(shù)據(jù)規(guī)模已無法有效提升網(wǎng)絡(luò)性能，Apollo Lite視覺感知10路攝像頭每秒共產(chǎn)生大于1GB的圖像數(shù)據(jù)，若不加選擇的收集使用，不僅存儲標(biāo)注成本巨大，從模型迭代效率考慮同樣不現(xiàn)實。如果把數(shù)據(jù)比喻成深度學(xué)習(xí)的原礦石，該階段我們需要設(shè)計一套「煉金術(shù)」從中提煉出對模型迭代最有效的信息。
Apollo Lite提煉數(shù)據(jù)背后思想簡單有效 – 「Cross checking」 ，真實物理世界是連續(xù)的，物體不會憑空出現(xiàn)或消失，不同位置類型傳感器間的觀測應(yīng)是「自洽」的。
當(dāng)感知系統(tǒng)的觀測違背基本物理假設(shè)時，大概率對應(yīng)這一時刻的模型輸出缺陷。基于Cross checking原理，Apollo Lite視覺感知系統(tǒng)內(nèi)設(shè)計實現(xiàn)了多層次挖掘策略，從單幀到連續(xù)幀時序，從單攝像頭到多相機融合，從感知結(jié)果到地圖標(biāo)注和安全員行為校驗，每一環(huán)節(jié)都能夠通過觀測量間的自洽性判斷精準(zhǔn)定位線上模型的潛在缺陷，發(fā)掘長尾數(shù)據(jù)，通過logging標(biāo)簽自動映射數(shù)據(jù)和對應(yīng)的模型任務(wù)。
今天，參與Apollo Lite關(guān)鍵感知模型迭代的新增數(shù)據(jù)中超過80%來自線上數(shù)據(jù)挖掘，是一年前的3倍。Cross checking本身是一個在圖像區(qū)域內(nèi)定位問題的過程，挖掘數(shù)據(jù)配套的標(biāo)注策略不需面向全幀，從而更輕量經(jīng)濟，帶來近6倍標(biāo)注效率提升。
高效規(guī)模化機器學(xué)習(xí)– 路測產(chǎn)生的海量數(shù)據(jù)配合精準(zhǔn)挖掘與高度Learning化的感知框架是Apollo Lite持續(xù)進化的基礎(chǔ)。Apollo Lite視覺系統(tǒng)由31個深度神經(jīng)網(wǎng)絡(luò)構(gòu)成，能夠?qū)崟r處理10路高清視頻數(shù)據(jù)，并輸出超過200組感知信息。
為了在車載計算單元的有限算力上完成如此龐大的視覺信息處理任務(wù)，Apollo Lite充分發(fā)掘子任務(wù)之間的相關(guān)性，設(shè)計出層次化的特征共享結(jié)構(gòu)，采用共享子網(wǎng)絡(luò)的方式來降低計算量。
共享特征網(wǎng)絡(luò)在提升推理效率的同時，也增加了感知任務(wù)之間的耦合度。而不同感知任務(wù)在數(shù)據(jù)規(guī)模、輸入輸出形式、優(yōu)化目標(biāo)等方面都存在不同程度的差異，這給離線訓(xùn)練帶來了巨大挑戰(zhàn)。
為解決異構(gòu)數(shù)據(jù)的訓(xùn)練問題，Apollo Lite搭建了一套分布式多任務(wù)模型訓(xùn)練框架，自適應(yīng)采樣不同任務(wù)的數(shù)據(jù)送入訓(xùn)練，激活其對應(yīng)的網(wǎng)絡(luò)子集并計算損失，然后統(tǒng)一更新共享的網(wǎng)絡(luò)參數(shù)。
依托強大的機器學(xué)習(xí)基礎(chǔ)設(shè)施以及持續(xù)、精準(zhǔn)的數(shù)據(jù)，Apollo Lite關(guān)鍵模型迭代效率相比19年初提升了近4倍，千萬量級訓(xùn)練數(shù)據(jù)上的多任務(wù)模型同步更新能夠在1周之內(nèi)完成。
回到本節(jié)開篇的問題 – 是否擁有了海量數(shù)據(jù)就等同于自動邁進完全無人駕駛？
我們并不想急于下結(jié)論，畢竟數(shù)據(jù)的想象空間巨大有待深入挖掘，但可以肯定并和讀者分享的是實踐求真的道路并非一些技術(shù)文案描寫的那樣一蹴而就。
數(shù)據(jù)閉環(huán)對業(yè)務(wù)產(chǎn)生的價值是技術(shù)持續(xù)跟蹤的指標(biāo)。以數(shù)據(jù)挖掘環(huán)節(jié)為例，除關(guān)注新模型在此前挖掘積累的bad case上的累計修復(fù)率外，測試車輛在挖掘規(guī)則固定前提下的挖掘量也是考核閉環(huán)效果的重要參考。我們希望看到模型迭代帶動修復(fù)率攀升，同時規(guī)模化路測階段同類問題的復(fù)現(xiàn)率持續(xù)走低。
通過指標(biāo)跟蹤分析，能夠看到數(shù)據(jù)閉環(huán)價值在一部分感知任務(wù)上呈現(xiàn)了明顯的增長趨勢。但也存在一部分任務(wù)進入了依靠單純灌入數(shù)據(jù)已無法維持收益增長的階段，此時研發(fā)人員需重新審視數(shù)據(jù)鏈條上的環(huán)節(jié)，從階段Ⅲ退回到階段Ⅱ，回歸到對標(biāo)注規(guī)則的研究或新的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計這些偏基礎(chǔ)的工作中。
相信如何有效獲取數(shù)據(jù)并將之轉(zhuǎn)化成可被感知的駕駛能力會是伴隨Apollo Lite成長的長期技術(shù)問題，需要技術(shù)團隊沉下心來通過實踐逐步打通這條數(shù)據(jù)通路。
再先進的技術(shù)長時間脫離產(chǎn)品和用戶也是孤立的，在領(lǐng)航輔助駕駛產(chǎn)品競爭白熱化的今天，百度將Apollo Lite視覺感知技術(shù)從L4應(yīng)用降維至L2+級領(lǐng)航輔助駕駛，打造覆蓋“泊車域+行車域”的城市全場景智能駕駛一體化解決方案 - Apollo智駕產(chǎn)品ANP（Apollo Navigation Pilot）。
Apollo Lite兩輕一強的技術(shù)特點可以極好的融入產(chǎn)品，「輕傳感器、輕算力」面對規(guī)模量產(chǎn)無懼成本壓力，同時「強感知能力」能夠助力ANP應(yīng)對城市道路駕駛中的各類復(fù)雜場景。
自動駕駛是公認的智能汽車決勝點，正引領(lǐng)新一輪體驗升級。
在ANP廣州發(fā)布之后，國內(nèi)也有媒體評價說，百度Apollo的純視覺自動駕駛產(chǎn)品發(fā)布，對特斯拉是一次“奇襲”，因為Apollo生態(tài)開放的特性，可以更快實現(xiàn)特斯拉一樣的智能駕駛能力，類似于Apollo+車廠的安卓生態(tài)，會跟特斯拉FSD封閉的iOS生態(tài)形成抗衡。
雖然這樣的類比可以讓更多人形象的看到業(yè)態(tài)，但坦率的說，Apollo Lite更主要的是提供了特斯拉FSD和Mobileye之外的國產(chǎn)選擇，或許“三足鼎立”更合適。
雖然今天的Apollo Lite只有兩歲，但它無疑已經(jīng)站在了潮頭浪尖。
— 完 —
量子位 QbitAI · 頭條號簽約
關(guān)注我們，第一時間獲知前沿科技動態(tài)
般情況下，激光雷達主要用于測繪學(xué)、遙感、機器人視覺、無人駕駛等需要精密測量的領(lǐng)域，同時也是美國航空航天局火星測繪的選定技術(shù)。
沒有料到的是，它進入大眾視野竟然是在 iPad Pro 上，蘋果將這一高精尖半導(dǎo)體技術(shù)大規(guī)模商用，同時將其縮減到如此小的體積，并引入一款成熟數(shù)碼產(chǎn)品中，足以見其在精密儀器領(lǐng)域的技術(shù)儲備和工藝保障。
在測量方式上，iPad Pro 采用了直接飛行時間 dToF（Direct-ToF），需要高精密時鐘進行從測量且需要產(chǎn)生短時間、高頻率、高強度的激光，對硬件要求比較高。相應(yīng)地，ToF 的硬件要求較低，所以目前大多廠商在紅外 ToF 里大多采用后者，比如華為 Mate、OPPO 等。
未來，紅外 ToF 將逐步向激光雷達過渡，而這個開頭由蘋果開始。
撰文 | 徐丹
編輯 | 四月
3 月 18 日晚，蘋果官方悄悄上新了 iPad Pro、MacBook Air 和 Mac mini 等數(shù)款新品。
其中新款 iPad Pro 已經(jīng)在天貓 Apple Store 官方旗艦店開啟預(yù)熱，6299 元起售，并參與 12 期分期免息。時隔近兩年，iPad Pro 系列終于迎來更新。
新版 iPad Pro 將運行 iPadOS 13 系統(tǒng)，配備 A12Z 仿生芯片和 8 核圖片處理器，并且針對散熱架構(gòu)和性能控制進行了加強，支持大型游戲、3D 設(shè)計和 4k 視頻剪輯。
同 iPad Pro 一起發(fā)布的還有 Magic Keyboard 鍵盤，以標(biāo)準(zhǔn)的 1mm 間隙設(shè)計，帶有觸控板和夜間反光功能，并采用懸浮式設(shè)計，可以支撐屏幕，加強了辦公屬性。
最惹眼的變化還是身后的「浴霸雙攝」，包括可以同時運行的 1200 萬像素廣角攝像頭和 1200 萬像素超廣角攝像頭。
不管是功能設(shè)計還是海報，iPad Pro 都印證了那句產(chǎn)品標(biāo)語「代替筆記本電腦」。
然而，此次 iPad Pro 最大的變革并不僅僅在于硬件升級或者像素提升，而是攝像頭旁搭載的那顆激光雷達。
這個原本用于航天、測繪、自動駕駛的高精尖技術(shù)如今「下凡」到了 iPad Pro 上，真正推動了 AR 技術(shù)的落地。
iPad Pro 上所搭載的激光雷達（Light Detection And Ranging）屬于 3D 感知技術(shù)的一種，它與之前在 Google Pixel4 上搭載的用于手勢識別的毫米波雷達（millimeter wave radar）和目前 OPPO、華為等應(yīng)用在手機攝像中的 ToF 技術(shù)都不同。
雖然三者都屬于雷達技術(shù)，以飛行時間距離（Time of Flight，飛行時間）捕捉 3D 圖像。主要原理是利用雷達發(fā)射光波，光波遇到不可穿透物體會發(fā)生反射，通過記錄反射光到達接收器的時間，便能快速計算出光源與物體的距離，由此便得到一張被測物體的 3D 圖像。
雷達技術(shù)具有抗干擾性強、FPS 刷新率高的特點，所以多被應(yīng)用在動態(tài)動作捕捉。
但是，不同的雷達發(fā)射的光波都不一樣，從 毫米波雷達 到 相機 ToF 再到 激光雷達，光源波長正在變得越來越短，頻率越來越高。根據(jù)雷達原理，頻率越高，分辨率就越高，雷達圖像也就越清晰。
毫米波雷達的光源波長最長，接收到的 3D 圖像也最模糊，在實際應(yīng)用中，Google Pixel4 也僅能支持簡單的手勢識別。
手機通常采用的 ToF 技術(shù)選用的雷達波長比毫米波雷達更短，但發(fā)射的也屬于紅外面光源，接收到的是深度平面信息，成像精度雖有提升，但仍然無法捕捉高精度動 3D 圖像，實際應(yīng)用有限。
以華為 mate30 為例，這款手機前后攝像頭都搭載了 ToF 技術(shù)，目前可支持的是 AI 凌空操作，比如凌空截取圖片、上下?lián)]手瀏覽頁面等，AR 技術(shù)的運用并不成熟。
華為 mate30 手勢感應(yīng)
此次 iPad Pro 選用的激光雷達是可以說升級版的手機 ToF 技術(shù)。特制的激光雷達發(fā)射的是脈沖紅外激光，接收單點位置，形成點云圖后再變成三維模型，精度非常高。
和傳統(tǒng)的雷達一樣，為了利用光的飛行時間（Time of Flight，ToF）測距，激光雷達發(fā)射的光波也存在兩種調(diào)制方式：脈沖調(diào)制和連續(xù)波調(diào)制。
對應(yīng)的兩種測量方式分別是直接飛行時間（Direct-ToF）和間接飛行測量（Indirect-ToF）。
由于 dToF 需要高精密時鐘進行從測量且需要產(chǎn)生短時間、高頻率、高強度的激光，所以對硬件要求比較高。對應(yīng)地，ToF 的硬件要求較低，所以目前大多廠商在紅外 ToF 里大多采用后者，未來，紅外 ToF 將逐步向激光雷達過渡，而這個開頭由蘋果開始。
目前，激光雷達主要用于測繪學(xué)、遙感、機器人視覺、無人駕駛等領(lǐng)域，也是美國航空航天局火星測繪的選定技術(shù)。
沒有料到的是，它進入大眾視野竟然是在 iPad Pro 上，蘋果將這一高精尖半導(dǎo)體技術(shù)大規(guī)模商用，同時將其縮減到如此小的體積，并引入一款成熟數(shù)碼產(chǎn)品中，足以見其在精密儀器領(lǐng)域的技術(shù)儲備和工藝保障。
從應(yīng)用效果看，iPad Pro 搭載激光雷達后可真正支持 AR 技術(shù)的落地。蘋果給出了三個典型場景：AR 量身高、AR 游戲和宜家的 AR 家庭裝修。
比如 iPad Pro 的激光雷達掃描儀可以把客廳變成一個現(xiàn)實增強 (AR) 版的《熾熱熔巖 (Hot Lava)》，這是一款電子游戲，其根據(jù)兒童的娛樂活動設(shè)計而出，玩具可以跳到家具上以此來避開模擬中的地板熔巖。
此外，通過調(diào)用 CAD 應(yīng)用 Shapr3D，iPad Pro 的激光雷達可以掃描房間創(chuàng)建該房間的 3D 模型，然后用戶可以對該模型展開編輯、將新對象添加到房間中并使用 AR 查看實際房間中添加的對象。
而解剖學(xué)應(yīng)用 Complete anatomy，通過使用激光雷達掃描儀實時測量出某人手臂的運動范圍。宜家 Place 應(yīng)用也可以通過蘋果的這項功能掃描一個房間然后獲得與之匹配的家具推薦，用戶可以在 AR 中查看擺上去的效果。
率先將 ToF 技術(shù)應(yīng)用在手機相機技術(shù)中的是國內(nèi)的廠商，但真正將其升級，并達到更好優(yōu)良 AR 體驗的為什么還是蘋果？
蘋果與激光雷達的淵源從它入局自動駕駛領(lǐng)域時就已經(jīng)開始。
早在 2014 年，蘋果便以重資產(chǎn)模式入局造車，推出「泰坦計劃」，計劃復(fù)刻 iPhone 的成功，從零開始打造一款顛覆汽車行業(yè)的產(chǎn)品，并為此頻繁挖角電動車領(lǐng)域技術(shù)工程師。但因為缺乏相關(guān)經(jīng)驗，蘋果在這條賽道上走得磕磕絆絆，戰(zhàn)略目標(biāo)由整車制造變?yōu)樽詣玉{駛技術(shù)研究，后又調(diào)整到駕駛輔助技術(shù)研究。
到 2019 年，蘋果的駕駛輔助技術(shù)研究有了一定突破。當(dāng)時的外媒報道，蘋果正準(zhǔn)備設(shè)計一款能建立起道路三維遠景圖的的激光雷達傳感器，若設(shè)計成功，這將為自動駕駛提供更安全且全方位的保障。目前，蘋果已經(jīng)與至少四家公司進行了談判，意在尋找比目前技術(shù)所能實現(xiàn)的更小型、更便宜、更易量產(chǎn)的激光雷達設(shè)備。
同年，蘋果還收購前百度首席科學(xué)家吳恩達團隊的自動駕駛公司 Drive.ai，該公司的主要發(fā)力點是自動駕駛后裝市場，通過提供激光雷達等硬件套件，將車輛改裝為自動駕駛汽車。
雖然自動駕駛領(lǐng)域的研究成果一直尚未落地，但這方面的研究一定程度上有利于蘋果在激光雷達上的技術(shù)創(chuàng)新和供應(yīng)鏈積累。
值得注意的是，蘋果并未將已有的激光雷達技術(shù)在自動駕駛方向死磕，早在 2018 年，蘋果就申請了相關(guān)專利，意在將這項高精尖技術(shù)融入日常使用的電子設(shè)備中。
2018 年年初，一家名為 TriLumina 的公司開發(fā)出了 VCSEL 技術(shù)，VCSEL 是 vertical-cavity surface-emitting laser 的縮寫，是指垂直腔面發(fā)射激光器。這種發(fā)射器生產(chǎn)成本較低、光束質(zhì)量更高，輸出功率較低，可應(yīng)用在激光雷達上。
當(dāng)大多數(shù)人認為，激光雷達系統(tǒng)僅與自動駕駛汽車和景觀測繪有關(guān)時，TriLumina 提出，當(dāng)激光雷達和 VSCEL 相結(jié)合，便可以應(yīng)用于混合現(xiàn)實耳機、ToF 攝像頭和 AR 等新產(chǎn)品上。
蘋果的專利主題就是激光雷達與 VCSEL 技術(shù)相結(jié)合，專注于改進激光雷達傳感器及其使用方法。
蘋果專利圖解
在蘋果申請專利的具體案例中，目標(biāo)場景被一束或多束光所照亮和掃描。在本發(fā)明使用多光束的案例中，這些光束是利用衍射光學(xué)元件（DOE）、棱鏡、分束器或該領(lǐng)域中已知的其他光學(xué)元件來分裂光束，從而形成多光束。其他案例的多光束通常是利用多個分立激光光源產(chǎn)生。本發(fā)明案例中，多光束由如 VCSEL 或 VCSEL 陣列等單片激光陣列所產(chǎn)生。
這個專利技術(shù)很大程度上幫助了今天搭載激光雷達的 iPad Pro 產(chǎn)品的誕生。
當(dāng)國內(nèi)的手機廠商將 ToF 技術(shù)用于手機上時，圍繞 AR 應(yīng)用場景的技術(shù)競爭就已經(jīng)開始。
當(dāng)智能設(shè)備外觀創(chuàng)新、硬件升級等都到達瓶頸期，下一波移動終端或許將是圍繞 AR 進行革命性創(chuàng)新。
數(shù)據(jù)顯示，經(jīng)過幾年的發(fā)展，AR 市場有望在近年迎來一次大爆發(fā)。
根據(jù) IDC 預(yù)計，未來隨著 AR 技術(shù)的成熟，AR 產(chǎn)品單價的下降，AR 市場將會迎來新的爆發(fā)，未來全球 AR 市場將以超過 69% 的年均復(fù)合增速增長，到 2024 年，全球增強現(xiàn)實行業(yè)市場規(guī)模將達到 2872 億元。5G 技術(shù)的應(yīng)用也可能會讓爆發(fā)節(jié)點提前來到。
AR 一直是蘋果業(yè)務(wù)中的重點。
從 2020Q1 財報看，蘋果在業(yè)務(wù)分布上有「去 iPhone 化」趨勢，雖然 iPhone 11 的銷售數(shù)據(jù)不錯，但 iPhone 占收入比重低達占 60.94%，是近 10 年來 Q1 記錄里的新低，新的增長引擎就是可穿戴設(shè)備和智能配件。基于此考慮，蘋果未來可能會加大在 AR 方面的投入和布局。
當(dāng)然，競爭對手們也都沒有閑著，這幾年，F(xiàn)acebook、微軟、索尼等巨頭公司都在布局 AR 市場，華為和 OPPO 將 ToF 技術(shù)用在攝像中可能也不僅僅只想讓它局限在「食之無味，棄之可惜」的隔空手勢感應(yīng)方面，華為在早期對 ToF 的介紹中就對它在 AR 方面的應(yīng)用寄予厚望，只是限于技術(shù)瓶頸并沒有實現(xiàn)。
在這種情況下，誰先將 AR 推入千家萬戶，建立用戶認知，誰就能率先搶占市場。所以，蘋果選擇了 iPad Pro。
以往蘋果在 AR 方向的投入主要是 AR 眼鏡、iwatch 等，這些設(shè)備的應(yīng)用場景大多局限在技術(shù)發(fā)燒友中，很難普及到千家萬戶。而 iPad 系列產(chǎn)品則是針對用戶休閑需求開發(fā)，應(yīng)用場景廣泛且屏幕大，游戲和影視體驗都比 iPhone 更好，是搭載 VR 技術(shù)的絕佳載體。
而在 iPad 系列產(chǎn)品中，iPad Pro 更加強調(diào)專業(yè)性，功能定位于喜愛電子產(chǎn)品，追求高性能或有職業(yè)需求的人群，這類人群會更容易接受新技術(shù)。再加上 Pro 系列已有兩年未更新，成了一個雞肋的存在，AR 會是挽救它的一個重要武器。
在看蘋果在 AR 市場布局，雷達掃描儀構(gòu)建了技術(shù)護城河，價格適中的 iPad Pro 將 VR 推向千家萬戶，很容易引導(dǎo)公眾習(xí)慣，讓用戶喜歡上蘋果 AR 軟件。以 iPad Pro 為契機，該技術(shù)后續(xù)可能會逐漸拓展至 iPhone 上，并給自家 AR 眼鏡積累軟件和用戶。
除了推動 AR 技術(shù)的成熟，iPad Pro 的出現(xiàn)對整個激光雷達市場都有革命性的影響。
直到今天，激光雷達技術(shù)一直都局限在自動駕駛汽車、環(huán)保、氣象、生態(tài)、農(nóng)業(yè)、海洋和測繪等領(lǐng)域，商用的情況非常少，市場一直處在緩慢增長的形勢中。2017-2022 年間全球激光雷達行業(yè)規(guī)模復(fù)合增速 25.8%，到 2022 年全球激光雷達市場規(guī)模超 52 億美元。
市場規(guī)模不大，激光雷達技術(shù)創(chuàng)新也有限，目前為止能實現(xiàn)量產(chǎn)的公司非常少。以自動駕駛領(lǐng)域看，據(jù)前瞻經(jīng)濟學(xué)人預(yù)測：
按 2020 年汽車年銷量 1 億臺，每臺低配（4 線或更低）激光雷達價格 150 美元、每套系統(tǒng)使用一個激光雷達計算，市場缺口達 13.5 億美元，在中短期內(nèi)激光雷達產(chǎn)量將決定市場空間。
iPad Pro 將激光雷達商用以后，以每年巨大的銷量，必將迅速催熟整個產(chǎn)業(yè)鏈條，刺激消費和生產(chǎn)，促進激光雷達技術(shù)的普及。無論如何，iPad Pro 的出現(xiàn)，說明 AR 時代真的不遠了。
度地圖App最新版本18.8.0已發(fā)布，獨家推出紅綠燈雷達功能，適用于安卓和iOS系統(tǒng)。
根據(jù)官方描述說明，行車時手機啟用紅綠燈雷達，能夠自動檢測紅綠燈，值得一提的是無需輸入目的地。同時，依靠北斗高精定位技術(shù)，全國百萬級+紅綠燈綠波提醒功能可實時應(yīng)用。
此外，全新功能還支持全程靜音導(dǎo)航，地圖界面更簡潔易讀，重要信息一目了然，沒有語音播報，能夠提升駕駛員的專注程度。
百度地圖紅綠燈倒計時功能于2020年10月正式上線，能夠?qū)崟r讀取并預(yù)測剩余秒數(shù)，使得導(dǎo)航在接近紅綠燈路口時自動展示倒計時情況，讓用戶時刻了解前方路況。截至2022年12月31日，該功能已支持全國近3000個城市和區(qū)縣”。
此次更新，不僅包括上述行業(yè)首創(chuàng)的紅綠燈雷達功能，還包括智能推薦最佳停車點，助你輕松避開停車難題。同時，在導(dǎo)航過程中，可以方便地查找沿途的加油站、充電站和美食景點。騎行導(dǎo)航支持橫屏顯示，更廣闊的屏幕讓路線一目了然。升級體驗，讓您的旅程更加便捷！