摘要：
從目前可以得到的信息看來，百度對于無人駕駛的未來式也有著不少期待。無人駕駛這把火已經(jīng)燒遍了科技圈，火到本年的CES Asia釀成了車展。
兩個月前的上海車展，百度公布了針對無人駕駛技術(shù)的Apollo計劃，提出將向汽車行業(yè)和相關(guān)領域合作伙伴提供開放平臺，結(jié)合車輛和軟硬件系統(tǒng)，幫手合作伙伴快速搭建屬于本身的自動駕駛系統(tǒng)。
如今兩個月過去，Apollo的“車中安卓”建設的怎么樣了？
首先要看看Apollo已經(jīng)做了些什么。
在這次CES Asia上，，百度在場館外進行了自動駕駛車輛測試，智能汽車事業(yè)部總經(jīng)理顧維灝發(fā)布演講，提出了自動駕駛模型Road Hackers和自動駕駛計算平臺BCU（Baidu Computing Unit）。最后，顧維灝提到“阿波羅計劃是一套開放、完整，安適的生態(tài)系統(tǒng)和架構(gòu)，它包羅了四個層次：參考汽車層，參考硬件層，軟件平臺層、云辦事層。”
雖然，CES Asia上公布的消息和Apollo計劃相關(guān)的不久不多，不過我們可以就此進行推測，百度的Apollo計劃到底能帶給行業(yè)什么？
首先來看看BCU，BCU由百度和德賽西威、聯(lián)合汽車電子等等汽車零部件廠商聯(lián)合開發(fā)，這兩位合作伙伴前者主營車聯(lián)網(wǎng)、車載信息娛樂和顯示系統(tǒng)，后者則專注混合動力、電力驅(qū)動控制系統(tǒng)和汽油發(fā)動機辦理系統(tǒng)。這樣看來，這兩者和BCU在技術(shù)上很難產(chǎn)生交集。
那么BCU具體能做到什么？
目前BCU開發(fā)了了三個系列的產(chǎn)品——BCU-MLOC（高精定位）、BCU-MLOP（高精定位+環(huán)境感知）、BCU-MLOP2（高精定位+環(huán)境感知+決策規(guī)劃）。這幾項技術(shù)，目的是讓汽車明白自身位置、行駛標的目的速度（高精定位）；下一步則是通過傳感器駕駛環(huán)境進行感知、定義和分類（環(huán)境感知）；最終則是需要綜合以上信息做出駕駛決策，告訴無人車應該怎么開（決策規(guī)劃）。同時BCU還具備信息安適和云端更新兩種基礎能力。
這三項AI技術(shù)說白了，都和高精地圖有關(guān)，而百度對于高精地圖技術(shù)的布局較早，據(jù)稱目前已經(jīng)完成了30萬公里的全國高速公路高精地圖數(shù)據(jù)采集，還能依托多源感知數(shù)據(jù)處理、云辦事中心和數(shù)據(jù)中心等實現(xiàn)實時更新。而在Apollo計劃中，百度和博世開啟了有關(guān)高精度地圖方面的合作，共同開發(fā)一款適用于中國路況的精準定位辦事“博世道路特征”。
面對這一情況，我們產(chǎn)生的疑問是：百度是否會將BCU和地圖數(shù)據(jù)一同開放？CES Aisa上百度將BCU定義為“實實在在的硬件”，高精定位作為BCU硬件的基礎，自然脫不開與高精地圖的關(guān)系。通過零部件廠商共同“發(fā)售”硬件來加速自動駕駛的量產(chǎn)，是否也是百度加速地圖使用權(quán)售賣的方式？
除去BCU，百度提出的Road Hacker更具看點。
無人駕駛技術(shù)可以分為兩種，一種是Follow規(guī)則的無人駕駛，另一種則是端到端的無人駕駛。
Follow規(guī)則的無人駕駛是目前大多數(shù)人在做的事，通過雷達、激光、攝像頭等等傳感器感知環(huán)境，結(jié)合定位、決策等等規(guī)則，以計算機控制代替報答駕駛。這種無人駕駛里，AI的含量較少，尤其是目前的L3、L4級別，對于傳感器硬件和精度地圖的依賴遠高于對深度學習的依賴。
端到端的無人駕駛則差別，抱負狀態(tài)下，端到端的自動駕駛僅僅依靠攝像頭/雷達等等更簡單的傳感系統(tǒng)作為輸入，直接通過深度學習神經(jīng)網(wǎng)絡學習人的駕駛習慣從而實現(xiàn)自動駕駛。
兩者比擬，端到端的無人駕駛是真·人工智能。
在CES Asia上，百度還展示了一輛依據(jù)端到端規(guī)則實現(xiàn)無人駕駛的哈弗H7，據(jù)稱這輛哈弗H7有兩個亮點，一是摒棄了其他無人駕駛車頂在頭上的好幾個傳感器，只有一個隱藏在風擋玻璃下的單目攝像頭；二是從車輛的縱向控制（加減速）和橫向控制（標的目的盤轉(zhuǎn)彎）上都利用了深度學習方法。
就算端到端的無人駕駛比Follow規(guī)則的無人駕駛更具技術(shù)含量，那么在應用層級上，端到端的無人駕駛真的更有優(yōu)勢嗎？
百度給出的理由是，F(xiàn)ollow規(guī)則的無人駕駛太過于依賴傳感器硬件，從而造成過高的成本，而依靠算法可以解決這一問題。
目前看來，這一理由是很難成立的。的確，差別的傳感系統(tǒng)就意味著差別的系統(tǒng)，而同一算法的統(tǒng)治下，無人駕駛的整體成本都會降低。硬件成本永遠都可以通過量產(chǎn)（和山寨）降低，看看曾經(jīng)的CPU就知道了，而依靠深度神經(jīng)網(wǎng)絡的無人駕駛則需要大量的數(shù)據(jù)和極長的訓練時間。一個已經(jīng)能夠達到L3級別，另一個幾乎是從零開始，兩者相較，成本孰高孰低一目了然。
那么百度提出Road Hacker，并開放其模型下1萬公里自動駕駛訓練數(shù)據(jù)的目的究竟是什么？
