Apollo开发者社区

障碍物行为预测是无人驾驶系统的核心模块之一。预测模块承接上游感知模块，结合高精地图和主车的定位信息，对周边障碍物的未来运动情况进行预测，帮助主车提前作出决策，从而降低交通事故的发生率，在无人驾驶系统中发挥着承上启下的关键作用。 在百度 Apollo 自动驾驶开源平台中，障碍物行为预测分为车辆轨迹预测和行人轨迹预测两大类。在车辆轨迹预测中，分为意图预测和速度预测两个过程。意图预测根据不同的场景，通过深度学习神经网络给出各行为意图的概率。速度预测考虑与主车的交互，运用采样+代价函数选择的方法，给出合理的速度预测。 在这次分享中，我们将讨论 Apollo 5.0 中开放的新技术： 1. 路口场景预测模型 2. 语义地图预测模型 3. 基于交互的预测模型 4. 行人预测模型 ---- 作者简介：许珂诚，百度资深研发工程师，百度 Apollo 平台预测方向技术负责人。复旦大学数学专业本科，美国德克萨斯大学大学奥斯汀分校计算数学硕士，主要方向为fun88官网。2017 年 3 月加入百度，参与 Apollo 1.0 至 5.0 的开发工作至今，主要负责障碍物行为预测方向的研发工作。

轨迹规划是无人驾驶系统的核心模块之一。轨迹规划模块承接上游感知、预测、决策等模块，规划无人驾驶车一段时间内的具体的驾驶行为，以轨迹的形式输出给下游控制模块执行。轨迹规划算法的优劣直接决定了无人驾驶车的安全性和舒适性，在无人驾驶系统中发挥着至关重要的作用。 在百度 Apollo 无人驾驶开源平台中，轨迹规划分为路径规划和速率规划两个顺序过程。路径规划结合道路边界线、静态障碍物的信息，产生轨迹的几何信息。速率规划在给定的路径下，考虑动态障碍物的预测轨迹、道路限速信息和决策信息，产生安全舒适的速率分配。 在这次分享中，我们将讨论： 1. 在 Frenet 坐标系下的轨迹规划的路径和速率分解 2. 基于离散分段的路径规划算法 3. 基于离散分段的速率规划算法 ---- 作者简介：张雅嘉，百度高级架构师，百度 Apollo 平台规划方向技术负责人。有多年机器人运动规划方向的研发经验，曾带领团队参加 DARPA 机器人竞赛。2016 年加入百度，从事无人驾驶平台规划方向的研发工作。

传感器标定是无人车中最基础也是最核心的模块之一。作为软件层提供的第一项服务，标定的质量和准确度对感知、定位地图、PNC 等模块有着极大的影响。在 Apollo 开放平台中，我们提供了丰富的多传感器标定服务，如激光雷达，惯导、摄像头、多普勒雷达等多种传感器之间的标定。 传感器标定算法通常覆盖了常规的 L2-L4 级别自动驾驶的传感器配置和标定需求，其覆盖广，复杂性高。那么开发者如何更好地应用这项技术呢？欢迎一起学习讨论！ 本次 Chat 主要内容： 1. 多传感器标定简述 2. Apollo 标定流程详解 3. 多传感器标定实际应用分析