百度 Apollo

百度 Apollo 是中国最具影响力的自动驾驶开放平台，于 2017 年 4 月正式发布，以"阿波罗登月计划"为名，寓意用开放合作推动中国自动驾驶技术腾飞。Apollo 采用"开放能力、共建生态"的策略，向行业开放感知、规划、控制等核心模块，同时积累商业化运营数据。截至 2024 年，Apollo 已成为全球最大的自动驾驶开放生态，萝卜快跑累计服务订单突破 600 万次，是全球落地最深的 L4 级 Robotaxi 商业服务。

平台演进历程

版本	发布时间	核心里程碑	关键技术突破
Apollo 1.0	2017.07	封闭场地循环路线自动驾驶	RTK GPS 定位，开放 LQR 控制模块
Apollo 2.0	2018.01	简单城市道路场景	激光雷达感知，高精地图集成，障碍物检测
Apollo 3.0	2018.07	低速园区全自动驾驶，Valet Parking	代客泊车场景，停车场地图，超声波融合
Apollo 3.5	2019.01	复杂城市道路，裸奔场景处理	Cyber RT 替代 ROS，BEV 感知雏形
Apollo 5.0	2019.07	城市开放道路 L4 级，ANP 高速辅助	深度学习端到端感知，高速 NOA 功能
Apollo 5.5	2020.01	激光雷达-视觉深度融合	多任务感知网络，障碍物预测升级
Apollo 6.0	2020.09	云端训练闭环，数据驱动迭代	仿真平台 Apollo Sim 发布，自动标注
Apollo 7.0	2021.11	全场景感知增强，NLP 指令驾驶	语音交互驾驶，Transformer 感知引入
Apollo RT6	2022.07	第六代 Robotaxi，成本 25 万元	双 Orin X，全栈自研传感器，全无人运营

Apollo 版本演进体现了三个阶段的战略转变：技术验证期（1.0–3.0）从封闭场地走向简单城市道路；能力深化期（3.5–6.0）以 Cyber RT 为核心重构架构，深度学习全面替代传统算法；商业落地期（7.0–RT6）以降本为核心目标，推动 Robotaxi 规模商业化。

Cyber RT 架构深度分析

Apollo 3.5 版本以 Cyber RT 替代 ROS 1，彻底重构了车端通信与调度框架。Cyber RT 是专为自动驾驶设计的高性能中间件，其设计目标是：确定性低延迟 + 高吞吐量 + 模块热插拔。

协程调度模型

Cyber RT 放弃了传统的线程池模型，引入协程（Coroutine / Fiber）作为基本执行单元：

传统线程模型：
  线程1 ──► [等待消息] ──► [阻塞] ──► [上下文切换（~5 μs）] ──► ...
  线程2 ──► [等待消息] ──► [阻塞] ──► [上下文切换] ──► ...

Cyber RT 协程模型：
  工作线程1 ──► [协程A] ──► [yield] ──► [协程B] ──► [yield] ──► [协程C] ──► ...
  工作线程2 ──► [协程D] ──► [yield] ──► [协程E] ──► ...
              ↑ 用户态切换（< 0.1 μs），无系统调用开销

Cyber RT 的调度器（Scheduler）根据任务优先级、消息到达顺序动态调度协程，支持以下两种触发模式：

• 数据驱动（Data-driven）：消息到达后立即触发对应组件的 Proc() 回调，适合感知、预测等数据流组件
• 时间驱动（Timer-driven）：按固定频率触发，适合控制模块（100 Hz）等周期性任务

DAG 任务依赖图

Cyber RT 以 DAG（有向无环图，Directed Acyclic Graph） 描述模块间的依赖关系和数据流向：

[Camera Component]────────────────────────────────────────────►[感知融合]
                                                                    │
[LiDAR Component]─────────────────────────►[3D检测 Component]──────┤
                                                                    │
[Radar Component]─────────────[目标跟踪 Component]─────────────────┤
                                                                    ▼
[定位 Component]──────────────────────────────────────────────►[规划 Component]──►[控制 Component]

DAG 配置通过 .dag 文件声明，Cyber RT 在启动时解析拓扑关系，自动分配协程优先级和 CPU 亲和性。

共享内存通信

对于大数据量的传感器数据（4K 摄像头图像约 24 MB/帧，128线 LiDAR 点云约 10 MB/帧），Cyber RT 使用共享内存（Shared Memory） 实现零拷贝传输：

传输方式	适用场景	延迟	带宽限制
进程内直接引用	同进程模块通信	< 1 μs	无
共享内存（POSIX shm）	跨进程大数据（图像/点云）	1–5 μs	受内存带宽限制（~50 GB/s）
TCP/UDP Socket	跨机器通信（车-云）	> 100 μs	受网络带宽限制

消息发布时，生产者仅向通道写入指向共享内存块的描述符（Handle），消费者通过描述符直接访问数据，避免了大块数据的内存拷贝，使 Camera 图像传输延迟从 ROS 的约 5 ms 降低至 1 ms 以内。

Cyber RT vs ROS 2 关键指标对比

指标	ROS 2 (Humble)	Cyber RT	说明
节点间消息延迟（1 MB）	5–15 ms	1–3 ms	共享内存 vs DDS
最大消息吞吐量	~500 MB/s	~2 GB/s	受 DDS 中间层限制
任务切换开销	~5 μs（线程切换）	~0.1 μs（协程切换）	用户态 vs 内核态
实时性保证	依赖 DDS QoS	原生优先级调度	硬实时需额外 RTOS
模块热插拔	支持（节点级）	支持（组件级）	Cyber RT 粒度更细

Apollo 感知系统

Apollo 感知模块整合多传感器数据，通过多个子模块协作，输出统一的目标列表（Object List）和占用栅格（Occupancy Grid）。

LiDAR 3D 目标检测流程

原始点云（128线 LiDAR, ~100万点/帧）
        │
        ▼
  地面点分割（RANSAC 平面拟合）
        │
        ▼
  体素化降采样（Voxel Grid, 0.1 m 分辨率）
        │
        ├──► PointPillars 网络推理（柱状体素特征提取）
        │           │
        │           ▼
        │    2D 伪图像（512×512）→ 2D CNN骨干网
        │           │
        └──► CenterPoint 网络（中心点检测）
                    │
                    ▼
          3D 边界框（BBox）输出：类别/位置/尺寸/朝向/速度
                    │
                    ▼
          多帧 LiDAR 融合（时间累积，改善稀疏性）

PointPillars 的核心创新： 将点云划分为垂直方向的柱（Pillar），在每根柱内用 PointNet 提取特征，生成伪图像后用标准 2D CNN 检测，推理速度较 VoxelNet 提升约 5 倍，RT6 上单帧处理时间约 20 ms。

BEV 视觉感知

Apollo RT6 引入多摄像头鸟瞰视角（BEV）感知，解决了传统透视视角感知的尺度歧义问题：

12个摄像头（前/后/左/右/斜角）
        │
        ▼
  各路图像独立 CNN 特征提取（ResNet-50 骨干）
        │
        ▼
  视角转换（View Transformer）：
  透视特征 → BEV 特征
  方法：LSS（Lift-Splat-Shoot）或 BEVFormer（Deformable Attention）
        │
        ▼
  BEV 特征图（200×200，分辨率 0.5 m/格）
        │
        ├──► 3D 目标检测头（车辆/行人/骑行者）
        ├──► 车道线检测头
        └──► 可行驶区域分割头

BEV 感知的关键优势：相机坐标系与地图坐标系统一，便于与 LiDAR 点云、HD Map 进行坐标对齐融合，消除了传统 2D→3D 转换的累积误差。

多传感器融合追踪完整流程

┌─────────────────────────────────────────────────────────────┐
│                      感知融合流水线                           │
│                                                             │
│  LiDAR检测结果 ──────────────────────────┐                  │
│  BEV视觉检测结果 ────────────────────────┤                  │
│  毫米波雷达检测结果 ──────────────────────┤                  │
│                                         ▼                  │
│                              数据关联（Hungarian算法）        │
│                                         │                  │
│                              卡尔曼滤波状态更新               │
│                              状态向量：[x, y, z, vx, vy, l, w, h, θ] │
│                                         │                  │
│                              目标ID管理（跨帧一致性）          │
│                                         │                  │
│                              输出：融合目标列表               │
│                              [id, class, bbox, vel, conf]  │
└─────────────────────────────────────────────────────────────┘

时间同步机制： 各传感器数据戳通过硬件 PPS（Pulse Per Second）信号对齐，多传感器时间同步精度 < 1 ms，确保融合时不因时间差导致目标位置偏移（以 60 km/h 速度行驶，1 ms 时间差对应约 17 mm 位置误差）。

高精地图与定位

双层地图架构

Apollo 的高精地图采用双层架构，分别服务于定位匹配和路径规划两个目的：

地图层	数据内容	数据量	更新频率	主要用途
点云地图（CloudMap）	3D LiDAR 扫描点云，密度约 1000点/m²	约 1 GB/km	季度级（道路变化后）	LiDAR 实时扫描匹配定位
矢量 HD Map	车道几何、信号灯位置、限速标志、坡度、曲率	约 10 MB/km	月度级（人工核验）	轨迹规划、决策、速度规划

矢量 HD Map 采用 OpenDRIVE 格式扩展，包含 Reference Line（参考线） 标注，Apollo 规划模块直接在参考线坐标系（Frenet坐标系）下进行轨迹优化，将二维曲线规划转化为沿参考线的 \((s, l)\) 坐标规划。

NDT 点云定位

Apollo 定位核心采用 NDT（正态分布变换，Normal Distributions Transform） 算法进行 LiDAR 点云与预建点云地图的实时匹配：

NDT 算法原理： 1. 将点云地图体素化，每个体素内点云建模为高斯分布 \(\mathcal{N}(\mu_k, \Sigma_k)\) 2. 对于实时扫描中的点 \(p_i\)，计算其在地图体素中的概率得分：

\[s(\mathbf{T}) = -\sum_{i} \exp\!\left(-\frac{(\mathbf{T} p_i - \mu_k)^\top \Sigma_k^{-1} (\mathbf{T} p_i - \mu_k)}{2}\right)\]

1. 通过牛顿法迭代优化变换矩阵 \(\mathbf{T} = (R, t) \in SE(3)\)，最大化总概率得分
2. 结合 IMU 预测的初始位姿，通常 3–5 次迭代即收敛

多传感器融合定位架构：

\[\hat{x}_t = \text{EKF}(\underbrace{x_{t-1}}_{\text{先验}},\ \underbrace{u_{\text{IMU}}}_{\text{运动模型}},\ \underbrace{z_{\text{NDT}}}_{\text{LiDAR观测}},\ \underbrace{z_{\text{RTK}}}_{\text{GNSS观测}})\]

通过扩展卡尔曼滤波融合 IMU 高频预测（100 Hz）与 NDT 低频更新（10 Hz）、RTK（1–10 Hz），实现 5–10 cm 横向定位精度。

定位精度指标

场景	横向精度	纵向精度	主要影响因素
高速公路（开阔空旷）	3–5 cm	5–10 cm	多径效应低，点云密度高
城市主干道	5–10 cm	8–15 cm	动态障碍物干扰点云匹配
城市峡谷 / 隧道	10–20 cm	15–30 cm	GNSS 信号退化，依赖 IMU 推算
停车场（室内）	15–30 cm	20–40 cm	无 GNSS，视觉+超声波辅助

规划模块

Apollo 规划模块（Planning）将定位位姿、HD Map 路由信息、感知目标列表综合处理，输出车辆未来 5–10 秒内的参考轨迹（Reference Trajectory）。

EM Planner 架构

Apollo 采用 EM Planner（Expectation-Maximization Planner） 框架，在 Frenet 坐标系下将轨迹规划分解为路径优化和速度优化两个互相迭代的子问题：

行为决策层（Behavior Decision）
  │  输出：变道/跟车/超车等行为指令
  ▼
路径优化（Path Optimizer）
  │  在 (s, l) 坐标系中规划横向偏移量
  │  目标函数：最小化曲率 + 避障约束 + 车道中心偏离
  ▼
速度优化（Speed Optimizer）
  │  在 ST 图中规划纵向速度剖面
  │  ST图：横轴=时间 t，纵轴=纵向位置 s，障碍物映射为 ST 图中的矩形禁止区
  ▼
轨迹合成（Trajectory Stitch）
  │  路径 × 速度 → (x, y, v, a, t) 时间参数化轨迹
  ▼
输出：轨迹点序列（采样间隔 0.1 s，总时长 5–8 s）

路径优化数学模型

路径优化在 Frenet 横向坐标 \(l(s)\) 上求解：

\[\min_{l(s)} \int_0^S \left[ w_1 l^2 + w_2 \left(\frac{dl}{ds}\right)^2 + w_3 \left(\frac{d^2l}{ds^2}\right)^2 + w_4 \left(\frac{d^3l}{ds^3}\right)^2 \right] ds\]

约束条件： - 障碍物碰撞约束：\(l(s) \notin \mathcal{O}_i(s)\)（障碍物投影范围） - 道路边界：\(l_{\min}(s) \leq l(s) \leq l_{\max}(s)\) - 起始点连续性：\(l(0) = l_0,\ l'(0) = l'_0\)

该问题离散化后转化为二次规划（QP） 问题，使用 OSQP 求解器求解，典型求解时间 < 20 ms。

速度优化与 ST 图

ST 图（Space-Time Graph） 是 Apollo 速度规划的核心工具：

纵向位置 s (m)
  ▲
  │         ┌──────┐
  │         │障碍物│  ← 移动障碍物在 ST 图中为斜线矩形
  │    ┌────┘      └────┐
  │    │                │
  │  ──┘                └──  ← 静止障碍物为竖直矩形
  │
  └─────────────────────────► 时间 t (s)

速度优化的目标函数：

\[\min_{s(t)} \int_0^T \left[ w_s (\dot{s} - v_{\text{ref}})^2 + w_a \ddot{s}^2 + w_j \dddot{s}^2 \right] dt\]

约束： - 速度限制：\(0 \leq \dot{s}(t) \leq v_{\max}\) - 加速度限制：\(a_{\min} \leq \ddot{s}(t) \leq a_{\max}\) - 碰撞约束：\((s(t), t) \notin \mathcal{O}_{\text{ST},i}\)（ST图障碍物区域）

萝卜快跑商业化数据

百度旗下 Robotaxi 品牌萝卜快跑（Apollo Go） 是全球规模最大的 L4 级自动驾驶出行服务，也是百度 Apollo 商业化闭环的核心支点。

里程碑事件

• 2020 年：北京亦庄首批发放 L4 自动驾驶测试牌照，安全员在车
• 2021 年：上海、广州、长沙相继开城，测试里程超 1000 万公里
• 2022 年：重庆、武汉获批主驾无安全员测试，中国首例
• 2023 年 5 月：武汉开放副驾无人测试
• 2023 年 8 月：武汉开放全无人驾驶商业收费运营，全球首例城市规模全无人 Robotaxi
• 2024 年：
• 运营城市扩展至 10+ 个（北京、上海、广州、深圳、武汉、重庆、合肥、成都等）
• 累计服务订单超 600 万次
• 武汉单日订单峰值超 2 万单，引发出租车行业广泛关注
• 全球累计测试里程超过 1 亿公里

成本下降路径

车型代	上市年份	单车成本	关键降本举措
第三代（Arcfox L4）	2019	> 100 万元	大量依赖进口 LiDAR（Velodyne），国际供应链
第四代（红旗 EV）	2020	约 60 万元	引入国产 LiDAR（速腾、禾赛），减少传感器数量
第五代（极狐 αS）	2021	约 48 万元	固态 LiDAR 降本，自研感知芯片
RT6（第六代，自研）	2022	约 25 万元	双 Orin X 替代多芯异构，全栈自研传感器
下一代（预计）	2026	< 10 万元目标	纯固态 LiDAR + 视觉为主，系统进一步集成

萝卜快跑的商业模式目标：当单车成本低于 20 万元、综合运营成本低于网约车时，实现规模化盈利。

开放生态

Apollo 开放平台已构建起涵盖 210+ 家合作伙伴的生态系统：

合作类型	代表机构 / 公司	合作内容
整车厂	福特、戴姆勒、长安汽车、广汽集团、吉利、一汽红旗	车型集成、共同开发 ANP 高速辅助
零部件供应商	博世、大陆集团、法雷奥、均胜电子	传感器/线控系统供货，共同验证
芯片厂商	英伟达（Orin X）、英特尔（Mobileye）、地平线（Journey 5）	计算平台，联合优化模型部署
LiDAR 厂商	速腾聚创（RoboSense）、禾赛科技（Hesai）、华为	传感器供货，联合标定方案
地方政府	北京亦庄、上海临港、武汉经开区、重庆两江新区	测试区域开放，政策先行先试
学术机构	北京大学、清华大学、浙江大学	联合研究，算法迭代

开源贡献

Apollo 核心代码托管于 github.com/ApolloAuto/apollo，截至 2024 年已累积：

• GitHub Stars： 23,000+
• 代码提交： 50,000+ commits
• 贡献者： 500+ 开发者（含百度内部 + 社区）
• 开源模块： 感知（LiDAR/Camera 检测）、规划（EM Planner）、控制（MPC/LQR）、仿真器（Apollo Sim）、Cyber RT 框架

Apollo 还开放了 Apollo Studio 数据标注平台和 Apollo Cloud 仿真服务，合作伙伴可直接调用百度云端算力进行模型训练和回放验证。

Apollo RT6 硬件规格详表

Apollo RT6 是百度 2022 年发布的第六代自动驾驶专用车辆，基于极狐（ARCFOX）纯电动平台改造，面向无人 Robotaxi 商业运营设计：

系统类别	部件	规格参数	说明
计算平台	主算力芯片	2× NVIDIA Orin X（508 TOPS × 2 = 1016 TOPS）	双芯热备冗余，一颗故障可降级运行
计算平台	辅助安全芯片	1× 德州仪器 TDA4	功能安全 ASIL-D 监控，独立供电
激光雷达	前向长距 LiDAR	2× 机械旋转式（128线，200m量程）	前向目标检测，远距离障碍物识别
激光雷达	侧向/后向 LiDAR	4× 固态 LiDAR（近场补盲，30m量程）	车身四角覆盖盲区
激光雷达	顶部全景 LiDAR	2× 机械式（64线）	360°环境感知
摄像头	前向摄像头组	4×（含 1 长焦 8MP + 2 广角 + 1 鱼眼）	前向 200m 识别，信号灯检测
摄像头	环视摄像头	4× 120°广角鱼眼（2MP）	泊车、近场全景，BEV 感知
摄像头	侧后视摄像头	4×	变道盲区监控
毫米波雷达	前向中距雷达	2×（77 GHz，160m量程）	远距速度测量，全天候
毫米波雷达	角雷达	3×（77 GHz，覆盖侧面+后方）	侧向碰撞检测，低速安全
定位	GNSS 模块	双天线 RTK（GPS + 北斗 + Galileo）	开阔场景 2 cm 精度
定位	惯性导航	高精度 IMU（战术级，0.1°/h 漂移）	高频姿态预测，填补 GNSS 间隙
通信	蜂窝网络	5G（Sub-6GHz + mmWave）	云端 OTA，远程监控
通信	车路协同	C-V2X（PC5 直连 + Uu 网络）	路口信号灯信息接收
冗余安全	制动系统	双冗余 EPB（电子驻车制动）	主制动失效时自动触发
冗余安全	转向系统	双绕组 EPS（电动助力转向）	主绕组故障时切换备用
冗余安全	供电	双 12V 电源域，独立 UPS	主电源中断后保持 10 s 安全运行
整车	基础车型	极狐 αS（纯电动）	续航约 600 km（CLTC），无方向盘/踏板版
整车	单车成本	约 25 万元 RMB	较第五代降低约 48%

与竞争对手技术对比

维度	百度 Apollo / RT6	Waymo Driver（第六代）	Tesla FSD v12
传感器方案	LiDAR（8颗）+ Camera（12颗）+ Radar（5颗）	LiDAR（29颗）+ Camera（29颗）+ Radar	纯视觉（8 Camera，无 LiDAR）
高精地图依赖	强（厘米级 HD Map + 点云地图）	强（Waymo HD Map）	弱（仅标准导航地图，端到端神经网络）
计算平台	双 Orin X（1016 TOPS）	自研 TPU + Waymo Driver 计算单元	自研 FSD Chip（144 TOPS × 2）
定位精度	5–10 cm（城市），NDT + RTK 融合	5 cm（建图覆盖区）	车道级（无厘米级，依赖车道检测）
感知范围	LiDAR 200 m，Camera 200 m	LiDAR 300 m（自研旋转式）	Camera 200 m（视差测距）
商业模式	Robotaxi 运营（萝卜快跑）+ 赋能主机厂 ANP	Robotaxi 运营（Waymo One，凤凰城/旧金山/洛杉矶）	软件订阅（FSD，$99/月）
规模化路径	降低单车成本，加密城市运营点	扩展城市覆盖，深化数据飞轮	车队规模数据飞轮（400万+ FSD用户）
中国市场	本土绝对领先，10+ 城市商业运营	尚未进入中国市场	积极推进，2024 年获批部分测试资质
自动化等级	L4（无人 Robotaxi）	L4（无安全员商业运营）	L2+（需驾驶员监督）
每公里成本（2024）	约 1.4 元（武汉，高峰运营）	约 $2.5（旧金山，2023 数据）	N/A（用户自有车辆）

参考资料

1. 百度 Apollo. Apollo Platform Technical White Paper, 2023.
2. L. Fan et al. Baidu Apollo EM Motion Planner. arXiv:1807.08048, 2018.
3. 百度萝卜快跑. 2024 年度运营数据报告, 2025.
4. Apollo. Cyber RT: A New Autonomous Driving Framework. Technical Blog, Baidu, 2019.
5. H. Caesar et al. NuScenes: A Multimodal Dataset for Autonomous Driving. CVPR, 2020.（BEV感知基准）
6. J. Zhu et al. BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation. ICRA, 2023.