作為全球最大最活躍的自動駕駛開放平臺，Apollo不斷創新，持續拓展著自動駕駛行業邊界。在聚焦賦能量產的Apollo5.0重磅面世之后，日前，Apollo在“數據開放”的大道上再次實現飛躍，向開發者開放一組總里程達 380km 的點云數據集，并在該數據集上驗證了基于深度學習的激光點云自定位算法帶來的“厘米級定位精度”的實現。

據了解，針對自動駕駛中的自定位問題，百度提出了一套基于深度學習的激光點云自定位算法。該算法使用不同類型的網絡結構對傳統方法中的各功能模塊進行替代。

同時，為了驗證算法的有效性，百度在 Apollo 平臺開放了一組總計約 380km 的數據集，該數據集包含了制圖、訓練、測試三個子集，涵蓋了城市道路，園區內部道路以及高速公路等多種場景，地圖和測試集之間的最長時間跨度達一年。

通過點云數據集進行驗證的基于深度學習的激光點云自定位算法以及相關技術出自論文《L3-Net:Towards Learning based LiDAR Localization for Autonomous Driving》，這篇論文收錄在今年 6 月份在美國洛杉磯長灘市舉行的國際頂會 CVPR 2019里。

根據論文內容，此項技術方案的領先性主要有：

提出了全球范圍內首個基于深度學習的自動駕駛自定位技術解決方案，可以準確地估計車輛的位置和姿態，實現了厘米級精度的定位效果。

使用不同的網絡結構拆解取代傳統激光點云定位的技術流程，并將其串聯起來統一訓練，使網絡能夠以"端到端"的方式完成在線激光點云定位任務。

▲傳統激光點云定位技術

定位作為自動駕駛的基礎模塊之一，一直是行業研發熱點。現有的傳統激光點云定位技術包含了特征提取、特征匹配和時序優化等模塊（如上圖所示）。整個算法的輸入包括實時在線激光點云、定位地圖以及來自慣性傳感器的初始預測的定位位置和姿態，最后的輸出則是定位算法優化之后的位姿結果。

盡管上述方案已經取得了目前最佳的定位效果，但是這類人工設計的算法在進行特征提取和匹配時，對環境的變化非常敏感。導致在動態變化的環境中無法最智能地捕捉環境中不變的信息（例如，地標、路牌等），從而無法實現對自身位置的高精度高魯棒性的估計。這意味著，由于環境變化的劇烈程度，實際應用中需要經常對定位地圖進行更新，成本也將上升。

與傳統方案不同的是，基于深度學習的激光定位系統在模塊上有了改變，它需要一個預先建立的激光點云定位地圖、在線激光點云以及慣性傳感器的預測位姿作為輸入。其中預建的激光點云定位地圖是通過離線制圖算法對多次采集的同一區域的點云數據進行融合，并使用點云識別算法剔除動態地物得到。在線點云是由自動駕駛車輛上安裝的激光雷達設備在行駛過程中采集獲得，而預測位姿則由上一幀定位結果加上慣性傳感器或者車輛運動模型估計的增量運動來進行遞推。這個定位框架通過最小化在線點云和地圖的匹配距離，優化預測位姿從而獲得定位結果。

▲基于深度學習的無人車激光自定位技術：L3-Net

百度提出的方案如上圖所示。對傳統方法中各個流程使用不同類型的網絡結構進行改造，進而實現了開創性的基于深度學習的無人車激光自定位技術：L3-Net。與傳統方法流程相比，L3-Net 使用PointNet 網絡來實現特征提取，再使用3D CNNs 網絡進行特征匹配和優化，最終使用RNNs 網絡完成時序上的平滑。

L3-Net實質上是基于學習的激光自定位網絡架構。如下圖所示，該網絡通過兩個階段進行訓練，第一階段訓練只包含了黑色箭頭部分，包括關鍵點選擇、特征提取以及基于 3D CNNs 的特征匹配；第二階段訓練包含了青色箭頭的部分，這一階段訓練包含了用于時序平滑的 RNNs 網絡。

▲基于學習的激光自定位網絡架構 L3-Net算法流程

目前，點云定位數據集面向所有開發者開放，通過以下操作即可獲取相關數據。

進入Apollo首頁，并點擊【開放平臺】中的【數據平臺】，或直接訪問數據開放平臺地址：http://data.apollo.auto/?locale=zh-cn&lang=en。找到【標注數據】欄目下的【阿波羅加州南灣點云定位數據集】即可。

點擊進入數據集詳情頁，選擇右上角【查看使用手冊】，可以查看詳細的數據集說明和使用說明。

如上圖所示，點擊【樣例數據】可以下載少量的樣例數據，用于具體理解數據格式。點擊【申請使用】，則可以申請獲得在云端使用數據集中大量數據的資格。

自2017年百度推出Apollo開放平臺以來，Apollo一直秉承“開放能力 共享資源 加速創新 持續共贏”的理念和精神，為開發者們提供無門檻的自動駕駛開放平臺，無論是數據平臺、感知平臺、安全平臺還是解決方案，Apollo開放平臺將一直為有需要的小伙伴敞開。未來，Apollo期待與更多開發者攜手同行。