「可能你会觉得这是遥不可及的未来，但是很多过去认为遥不可及的未来，都已经变成了理所当然。」12月27日，百度董事长兼CEO李彦宏在Create 2021大会上说道。
的确，在飞速发展的智能出行领域，几乎没有什么不可能，也几乎都只是天马行空。所描绘的蓝图再美好，也需要尽快拿出落地的产品。
在12月29日的Create大会上，百度方面宣布，集度汽车首款车型搭载的是面向复杂城市道路辅助驾驶场景的 ANP 旗舰产品，预计到2023年量产上市。
这里的ANP旗舰产品，指的是以视觉感知方案为主，可覆盖停车场、高速公路、城市道路三大应用场景的「点到点」智能驾驶系统。其原型是百度2019年发布的Apollo Lite，一套面向城市道路的L4级视觉感知解决方案，但ANP再将其从L4级降维到L2+。
尽管百度Apollo方面一直解释称，他们转投视觉阵营是因为激光雷达+摄像头的感知方案，无法充分暴露视觉感知的问题。但实际上，高阶自动驾驶的商业化压力，已经让他们不得不面对现实。
商业化模式决定生死
从2013年百度无人车项目起步至今，其业务始终没能真正的实现商业化落地，但投入却如同无底洞一般。李彦宏曾在接受采访时透露，仅2020年一年，百度在自动驾驶上的研发投入就超过了200亿元。
事实上，持续不断的投入，与难见回报的商业化前景，已经是当前大部分自动驾驶公司的共有困境。此前已有多位业内人士表示，当下自动驾驶技术还在很初期的阶段，大多数自动驾驶公司注定要倒闭。而如今受到新冠疫情影响，一些明星公司也难以为继：
2019年，由曾任百度首席科学家吴恩达亲自参与运营的明星自动驾驶公司Drive.ai宣布永久关闭。在此之前，Drive.ai已完成5轮总额7700万美元的融资，估值达到2亿美元。
2020年3月，号称是第一家拿掉安全员的自动驾驶卡车初创公司Starsky Robotics，也因金链断裂而关闭。该公司曾获得来自Shasta Ventures的1650万美元A轮融资，并被海外媒体CNBC评为「2019年值得关注的100家全球最具潜力初创企业」之一。
2020年6月，另一家头部自动驾驶公司Zoox也因「资金链断裂」卖身亚马逊，当时的收购标价还不及上一轮融资估值的一半。
面对不可逆的技术趋势和商业化的迫切需求，百度于2019年就已在内部信中喊出「攀登珠峰，沿途下蛋」的口号。发展可在现阶段投入商用的低成本解决方案，无疑是Apollo最适合的选择。
李彦宏在今年5月的全员信中，也明确了百度Apollo的三种商业模式：一是为主机厂商提供Apollo自动驾驶技术解决方案，助力车企快速搭建自动驾驶能力；二是百度造车，端到端整合百度自动驾驶方面的创新；三是共享无人车。
前两种方案需要的都是批量化、低成本解决方案，也是百度布局Apollo Lite和ANP的原因。但问题在于，百度Robotaxi等采用的激光雷达+摄像头解决方案想要降维，不只是砍掉部分高成本硬件那么简单，而是要对从感知判断到决策执行的整个架构都进行调整。
另外，与后装的测试车不同，前装量产对于冗余设计、线控调教，以及传感器集成的可靠性、一致性和稳定性，也都是全新的挑战。
第一步：Apollo Lite
Apollo Lite和ANP也可以被视为降维至L2的两步走方案，先是砍掉激光雷达和换用低成本计算单元的Apollo Lite，以此将其高阶自动驾驶能力的依赖，从感知硬件转移至算法。
百度Apollo在Create 2021上表示，视觉方案的难度在于需要从二维的图像中去恢复物体在三维空间中的信息。因为图像中信息量过于巨大，信息挖掘的难度高，对算法、人才、数据规模化机器学习的能力要求也更高。
面对迁移至成本更低的量产车规级计算单元，Apollo Lite因为大幅降低的GPU算力，必须要进行视觉感知模型的轻量化改造，通过多任务模型、轻量化训练等手段对其进行压缩，同时保证低时延、高精度。
另外，面对大幅减少的CPU算力，Apollo Lite还对自己的架构、算法、系统、硬件和高精地图都进行了优化。
架构上，基于场景化的代码重构和功能隔离，使得系统能够根据场景和车型行为更加合理的动态分配资源；算法上，全面精进的算法逻辑，优化热点算法模块；系统上，重新设计了资源调度分配策略，提升了数据流转效率；硬件上，调配异构计算单元上可用的计算资源，缓解了CPU和AI加速器的计算压力；同时对于高精地图放宽要求，并研发适配轻量化地图的算法，通过算法去弥补地图信息的缺失，使得其能满足乘用车更广阔的路网应用。
即使是有着充分路测经验的百度，在推动Apollo Lite的过程中，也需要大量时间进行去优化。他们在Create 2021上公布的一组数据，也在侧面作出证明：相比一年前，Apollo Lite平均接管里程（MPI）提升2.5倍，点到点送达成功率提升60%。
第二步：ANP
ANP的目标是搭载至乘用车，不仅要持续降本，还要具备可定制、可扩展的能力，以及多重冗余。
降本上，ANP要使计算单元做到低成本、高效率，在算力有限的情况下，完成尽可能庞大的视觉信息处理任务，专门设计了层次化的特征共享结构，采用共享子网络的方式，降低计算量共享特征。
同时，ANP也在使高精地图做到更低成本、轻量化，将地图元素减少约50%，单位距离地图的大小压缩至10%，但精度依然保持着接近L4的水平。同时，沿用Apollo Lite与轻量化地图匹配的感知定位决策规划算法，通过车端能力弥补地图信息的缺失。
不过，百度Apollo在Create 2021上表示，车企也可以根据自己不同的车型、不同级别的产品定位去选配激光雷达，以拓展工况，去获取更先进的驾驶能力。
根据会上PPT显示的内容，ANP分为3.0和3.0+两个版本。其中，3.0主要依靠摄像头，3.0+则增加了激光雷达，场景覆盖能力方面3.0+也更加出色。
两者都将搭载百度规划中的自动驾驶计算平台ACU的三鲜（第三代）版本，但可能在算力上有所区别。百度在发布该产品时曾表示，三鲜的算力可达到100-200TOPS，计划在2023年实现SOP。
在安全方面，ANP不仅建立基于DNN深度神经网络构建的视觉检测冗余，通过低成本自动化生成的海量数据训练保障视觉感知的安全，还在整体系统的设计上，采用了主备系统融于校验的方案。
其中，ANP的主系统设计了两个通路，一个是基于learning-based智能策略的主通路，另一个是基于Rule-based安全策略的安全通路。两者可以通过轨迹融合交叉校验轨迹的安全性，保障行车安全。
同时，ANP还在冗余系统中提供了一个基于Rule-based安全通路，可以通过冗余传感器，具备执行当前车道内减速刹停的功能，为车辆安全兜底。
尽管高阶自动驾驶和Robotaxi的前景被众多研究机构看好，但一个不得不承认的事实是，在现有法规和配套设施的基础下，功能和场景不断扩充的L2+仍将是很长一段时间的主流路线。
自2021年开年以来，虽然已有美国加州和中国北京亦庄开启Robotaxi收费运营进程，但想要以此实现真正实现盈利，仍非常遥远。参照Waymo公布的数据，目前其收费运营车辆每个月可在美国凤凰城给1500名乘客提供服务，但营收也不过上万美元。
这种情况下，通过ANP铺开乘用车市场布局，推动百度Apollo走向商业化，成为了走向正向盈利的一种赌注。但集度首款车要等到2023年上市，ANP的客户拓展近期也有不顺利的传闻，资金方面的压力短期内或将持续加大。
但可以看到的一个积极信号是，百度Apollo在推进视觉路线的过程中，其技术已经开始反哺Robotaxi，将后者感知方案从多颗高线束激光雷达的需求，降低至一颗40线激光雷达，做到更低成本。
