百度智能车 自动驾驶，百度汽车自动驾驶技术

HIEV快报（文/戒僧）本文分析三部分技术细节，源于百度2023 Create交流会-技术性对外开放日：

?百度怎样用“手机上双工语音交互”改进应用导航应用的感受

?怎样用“第三视角”BEV技术升级车辆的自动驾驶水平

?怎样用百度自主研发的深度学习平台飞桨加快科研

百度的“手机上双工语音交互”

据百度视频语音首席架构师贾磊详细介绍，在全球范围内，很长一段时间都没有一个计划方案能普适性的大力支持在手机里完成双工的语音交互——在手机播放器导航栏提醒的前提下，也可以听清楚我们自己的命令，乃至像真人版会话一样可以被随时随地切断，并且对一个新的语音命令给与意见反馈。

艰难也有不少。要实现双工语音交互，务必先弄回声消除，防止移动终端鉴别自身播放响声。贾磊说，在前面安装软件的音响、车载智能系统上很容易保持，能通过硬件配置兼容优化算法，提早确保回声消除效果。

而手机上App归属于纯手机软件再装计划方案，必须让软件算法兼容不同型号的终端设备硬件配置。一般，手机音响喇叭间距话筒之间的距离较近，与此同时移动终端样式多，硬件配置良莠不齐。种种因素累加在一起，也会导致声音信号的回声消除会有这样那样的问题。加上手机硬盘的迭代升级十分迅速，回声消除实际效果就更无法保证了。

应对这个难题，百度的处理方法是：结合传统式信号分析和深度学习模型分别的优势，根据语音识别技术总体目标，端对端地开展回声消除和信号接收器，克服了手机上环境下的回声消除难题，即便手机音量调到较大，回声消除量就可以达到40声贝，导致手机上APP的语音识别功能可以正常运转。

据百度详细介绍，这也是全球范围内、在整个领域，第一个能在手机里完成纯软件方案回声消除的专业技术。百度产品研发出来的根据SMLTA2的全场景统一预训练模型，一个实体模型处理噪音、客户话音和回声消除残留消化吸收等问题，在各个场景中准确率相对性提高超出20%，这一点在业内类似技术中，准确度是非常高的，可以这么说整体实力名列前茅。

百度的BEV及UniBEV自动驾驶感知计划方案

在自动驾驶行业，传统式的图像室内空间感知方式是把汽车上雷达探测、监控摄像头等各个感应器收集来的数据信息各自展开分析计算，把各类分析数据融合到统一的空间坐标系中，去整体规划汽车的行车轨迹。在这个过程中，每一个单独感应器收集的数据信息通常遭受特殊视角局限性，通过分别的解读计算后，结合环节也会导致偏差累加，没法拼凑出路面具体情况的准确全景，给汽车的决策规划产生艰难。

近几年来，行业里给出了BEV（Bird's Eye View，视觉效果为核心的顶视图）自动驾驶感知计划方案。不同于传统的方法，BEV自动驾驶感知好比是一个在高处综观全局性“第三视角”，车里好几个感应器收集的数据信息，会输入到一个统一实体模型进行整体分析推理形成全景图，可以有效地防止偏差累加；这类计划方案还可以做到时钟频率结合，不仅仅是搜集一个阶段的数据信息，剖析一个阶段的数据信息，反而是适用把以前一个时长精彩片段中的数据都结合进实体模型做自然环境感知模型，时钟频率数据的引进让感知过的结论更持久，促使车子针对天气情况的分析更加准确、让自动驾驶安全系数高。

现阶段，百度并没只停留在BEV自动驾驶感知计划方案，还初次在行业内给出了车路一体解决方案UniBEV，搭载了车端多照相机、多传感器的在线建图、动态性阻碍物感知，及其路侧视域下得多街口多传感器融合等任务，是业内第一个车路一体的端对端感知解决方法。根据统一的BEV室内空间，UniBEV 车路一体大模型比较容易完成跨模态、多角度、多时间的时光特征融合。

百度”飞桨“深度学习平台

AI 为了解决关键问题产生新的方法的前提下，还对AI基本硬件软件带来诸多挑战。终究，促进科学进步与开发一个图像识别算法所需要的可能并不是一种水平。

最先，深度学习平台必须具备更加丰富的各种测算语言表达能力，如高级全自动求微分、单数求微分、高级优化器等；次之，科学合理问题求解必须集成电路工艺计算，这会对深度学习平台与异构体超算中心/智算中心兼容及结合提升，神经元网络编译程序加快和规模性分布式训练提出了新的要求；除此之外，如何做到人工智能与传统式计算机的应用工具链的协作，都是需要解决的问题。

以往的那两年，百度飞桨团队在各种问题获得了进度。做为中国首个自主开发、功能丰富、开源系统开放式的产业链级深度学习平台，飞桨研制出一系列用以科研的一种手段部件，例如赛桨PaddleScience、飞机螺旋桨PaddleHelix、量桨Paddle Quantum等，适用繁杂外观设计阻碍物绕流、构造应力应变曲线剖析、原材料分子模拟等丰富行业算例，广泛支持AI加计算流体力学、生物计算、量子计算机等最前沿方位的科研探索产业应用。

针对学术领域大规模计算的需要，飞桨上线了集成电路工艺图学习训练技术性PGLBox，是业内第一个同时支持繁杂优化算法 超大型图 超大型离散变量模型规模性图学习训练技术性，根据显卡内存、运行内存、SSD三级存储系统学习训练框架的性能调优技术性，单机版就可以适用百亿元连接点、几百亿旁的图取样学习训练，同时可根据多台拓展适用更大规模，目前已经在百度的智慧交通、信息推荐、检索等榜样情景完成落地式，大幅度提高业务流程效率客户体验。

在科研绿色生态层面，百度飞桨已与高等院校、科研院所等进行了计算流体力学、分子动力学、驱动力天文学等方面案例基本建设，并形成了一些开放式的、多学科交叉的生态社区，包含飞桨独特社团活动(PPSIG)、同创规划等。