百度的自动驾驶系统（Apollo）融合了多类核心算法，涵盖感知、决策、规划与控制全流程。以下是关键技术及对应算法的简明解析：
1. 环境感知（看懂世界）
算法
- 深度学习视觉模型
- CNN（卷积神经网络）：处理摄像头数据，识别车辆、行人（如YOLOv6改进版）
- BEV（鸟瞰图）Transformer：多摄像头数据融合，生成3D环境地图
- 激光雷达点云处理
- PointPillars：将点云转为网格特征，提升检测速度（实时性达50FPS）
- 多传感器融合
- 卡尔曼滤波+深度学习：结合雷达、摄像头、超声波数据
应用示例
识别100米外突然横穿马路的行人，准确率>99.9%（北京亦庄实测数据）
2. 决策规划（思考策略）
算法
- 行为决策
- MDP/POMDP：处理不确定性（如预测行人是否闯红灯）
- 模仿学习：从人类司机数据学习博弈策略（如变道时机）
- 路径规划
- A+优化算法*：全局路径生成（考虑红绿灯、限速等）
- Frenet坐标系：局部轨迹优化（平滑避障）
应用示例
无保护左转场景（对向车流复杂），决策响应时间<100ms
3. 运动控制（执行动作）
算法
- 模型预测控制（MPC）
- 动态调整方向盘转角、油门/刹车（控制误差<5cm）
- PID+强化学习
- 适应不同路况（如冰雪路面扭矩控制）
应用示例
在30%坡道上精准泊车（控制精度达厘米级）
4. 特色技术
- 车路协同（V2X）
- 多智能体强化学习：路口车辆群体调度（北京亦庄路口通过效率提升40%）
- 高精地图匹配
- SLAM+语义分割：定位误差<10cm
算法性能指标（Apollo 6.0）
| 模块 | 算法 | 关键指标 |
|---|---|---|
| 目标检测 | BEVFormer | 召回率98.5%（雨天） |
| 决策规划 | POMDP+模仿学习 | 复杂场景干预率<1次/千公里 |
| 控制 | MPC | 横向误差<0.1m（60km/h） |
与特斯拉对比
| 技术路线 | 百度Apollo | 特斯拉FSD |
|---|---|---|
| 感知 | 激光雷达+视觉融合 | 纯视觉 |
| 决策 | 规则+强化学习 | 纯端到端神经网络 |
| 优势 | 极端天气更稳定 | 数据规模更大 |
百度Apollo的特点是多传感器冗余+混合决策架构，适合中国复杂路况。其算法已在北京、上海等30+城市落地运营（如萝卜快跑无人出租车）。
