百度資深架構師孔旗通過障礙物感知、障礙物行為預測、路徑的決策規劃算法與框架等內容分享，詳解了 Apollo 如何實現自動駕駛及跟車方案。
障礙物感知系統的實現過程
如果一輛車子要實現自動駕駛，那么障礙物感知絕對是最基礎也是最核心的功能。Apollo 障礙物感知系統分為 3D 檢測、ROI 濾波、識別、運算、感知五大板塊。其感知過程如下：首先 LiDAR 探測到信號，傳遞給 ROI 的 Filter，濾波后的信號通過 Obstacle Segmentation 和 Detection 做識別，然后是 Tracking，Apollo 在運算這一塊采用的是 NVIDIA GPU，運算能力強勁，可以實現 10Hz 的輸出，最后是 Obstacles 感知。
當系統感知到障礙物后，需要對障礙物進行行為預測，如障礙物是否是動態的，其下一步動作是什么。Apollo 障礙物行為預測系統采用 MLP 多層感知機制，通過深度神經網絡與規劃算法，達到精準預測路徑的目的。
決策規劃設計方案與思路
在介紹了障礙物感知與行為預測分析之后，孔旗詳細講解了 Apollo 的決策規劃設計方案與思路。如下圖為 Apollo 自動駕駛平臺的決策規劃整體架構，其中，SL MAP 是路徑的坐標系，frame 代表數據幀，Decider 則是決策部分，如決定車輛是否換道，在確認換道的情況下，Path Decision 和 Speed Decision 通過計算給出換道方向和速度等信息，底部藍色是對換道路徑的整體規劃，架構圖右側綠色框圖是交規的處理部分，Objects 代表路權，判斷人讓車還是車讓人就是在這一部分執行處理。
整個決策規劃系統里面，最核心部分的是對路徑和速度的采樣以及優化。Apollo 1.5 跟車方案首先從人的開車規劃過程開始分析，如走什么樣的路線，用什么樣的速度開車，通過 DP 路徑算法、QP 路徑算法、DP 速度算法、QP 速度算法分析，在做決策的同時進行路徑和速度規劃，其 EM 規劃過程如下圖，包括路徑 DP 采樣、速度 DP 采樣、路徑 QP 優化與速度 QP 優化四個部分，其中，前二者用來幫助車輛進行行為決策。
