百度在CES Asia上都展示哪些自动驾驶成果？

　　光是开放数据还不够，百度是一个技术信仰的公司，我们相信技术能够改变一切。每一个季度，百度都有一个技术比赛，我们叫做开发马拉松：大家在有限的时间之内，设定有限的场景和环境，比拼谁的产品和算法做得最好。

　　今年 1 月从 CES 回来后，我们在内部做了一个技术比武。大家一起在这个平台比赛，看谁的算法能让它的收敛变得更加明显，谁的算法能让自动驾驶的训练速度变得更快。最后一共 50 支队伍报名，我们进行了为期一个月的技术比武。当然，这种技术比武最重要的是交流和共享。我们让这些胜出的队伍和我们的团队工程师们充分进行交流，进而完善算法。通过这样一个技术比武，我们发现，我们可以再引入一种具有时间记忆的新算法，来实现纵向控制或者更好的横向控制。

　　在这个网络结构里，我们可以从底层的图像特征本身进行自动提取，它仍然用卷积神经网络来自动处理。但在纵向控制上，我们引入了一个新的模型：它具有神经记忆功能，不仅仅是通过这张图片，而是根据过去十张，二十张，甚至一百张图片来预测出接下来该如何做。这种技术最早也是用于语音识别的研究：LSTM (长短期记忆，long short term memory)。只要是针对连续性行为来做预测，我们就会考虑这种深度记忆的模型，并引入到纵向控制中，这当中的新突破是：车的加速度、减速度变得更加流畅和舒服。

　　这是我们优化算法之后，在北京测试的一段视频(如上图)。镜头刚开始，我们看到一个司机，实际上是一个驾校司机，他绕着我们既定的路线在行驶，当他驾驶了几次之后，我们把他的驾驶行为完整记录，并训练出一个深度神经学习的网络结构。然后我们再把这种网络结构经过剪层、剪枝、优化，放到汽车上。

　　长城汽车、英伟达、百度三家一起联合开发的只基于一个摄像头和端到端深度学习的自动驾驶展示

　　BCU：百度计算平台

　　在过去的两年，我和我的同事们拜访了几乎所有中国或者是国外主流的 OEM。直到去年，有 OEM 的朋友对我说，你们说的技术很牛，我也知道你们现在做的还不错，但我不知道应该怎么来使用。一个朋友跟我这么讲，我会觉得你为什么会有这样的问题，但是当多个 OEM 的朋友和我说同样的问题时，我们就开始反思：我们的技术该如何应用到自动驾驶中?汽车产业链非常长，我们进入这一领域之后，才知道 OEM 有 Tier1、Tier2。那么，我们的定位是什么?该如何与这个产业链融合?如何将我们的技术应用到量产的汽车上?

　　反思了这些之后，我们推出了一个新的概念：叫做 BCU(Baidu Computing Unit)。在人工智能时代，所有算法、软件都需要硬件的搭载，只有将这些能力寄托到硬件上，我们的能力才得以释放。原来我们更多在与 OEM 交流，在那之后，我们开始与汽车行业的 Tier1、Tier2 来交流这件事情。在与他们的交流中，我们也提出了算法对硬件的要求：需要多大计算能力、多少存储空间、多少功耗等等。

　　原来我们更多在与 OEM 交流。在那之后，我们开始与行业的 Tier1、Tier2 来交流这件事情。在与他们的交流中，我们也提出了算法对硬件的要求：需要多大计算能力、多少存储空间、多少功耗等等。

　　自定位是自动驾驶一个非常重要的基础，它要告诉汽车本身在哪。我们定位的方法是基于物理标志物、影像提取和高精地图来做匹配。横向定位精度在 0.2 米以内，这样的定位精度就可以保证汽车能够在自己车道上行驶，我们现在能做到差不多 98% 或者 99% 的准确率。纵向的定位精度在 2 米，我们现在差不多是在 80% 到 90% 的准确率。对高速自动驾驶来讲，这种定位精度其实已经足够了。

　　我们把定位能力、感知能力、路线规划能力与 Tier1 交流后，开发了一个适合于自动驾驶量产的 BCU 硬件。BCU 硬件分为三种：BCU-MLOC(高精定位)、BCU-MLOP(高精定位+环境感知)、BCU-MLOP2(高精定位+环境感知+决策规划)。有了这种实实在在的硬件后，我们赋能汽车行业，让整个行业加速的想法才能够快速实现。

　　关于阿波罗计划

　　(今天)我介绍的所有事情，相比于在我们在 4 月上海车展公布的阿波罗计划来讲，其实都是凤毛麟角。阿波罗计划是一套开放、完整，安全的生态系统和架构，它包含了四个层次：参考汽车层，参考硬件层，软件平台层、云服务层。任何公司、个人，只要有能力，按照我们参考硬件设计，参考汽车设计，就可以开发出一辆与百度能力一样的自动驾驶汽车。

　　自动驾驶是一个完全新增的市场，我们希望为行业提供自己的核心能力，加快整个产业发展，让自动驾驶更快到来。