一、Apollo课程介绍
欢迎学习本课程
您好！这是我的第一篇博客，所以主要是对学习无人驾驶课程的一篇记录，我也会在后续的学习中发布学习心得，和大家一起开启学习无人驾驶课程之路，如有不足之处，还请批评指正。
学习目的
了解无人驾驶车的关键部分与Apollo团队架构，开启无人驾驶入门的学习路径
- 课程由优达学诚和百度Apollo共同开发制作；
- 内容丰富，是学习无人驾驶的最佳选择；
- 课程教师团队体系庞大，具有较强的学术性；
- 结课后颁发纳米学位，是进入更高层学习敲门砖；
二、本次课程你会学到什么？
Apollo开源平台的主要部分
HD Maps——高精度地图
Localization——定位
Perceptioon——感知
Perdiction——预测
Planning——规划
Control——控制
其中，高精度地图几乎支持着软件栈的所有其他模块，包括定位、感知、预测和规划。
而定位课程的主要内容是讨论，在车辆行驶时，我们如何通过对周围环境的感知来确定车辆所在的位置。这比想象得更难，汽车时利用激光和雷达数据，将这些感知内容通过与高精度地图得对比来确定此时的位置，可以想象其计算过程的繁琐。而且这种计量的精必须用厘米级来判断，所以其难度之大便不言而喻。在对环境感知后的数据处理上：
利用深度学习是一个不错的选择，而卷积神经网络又是构成深度学习的一个分支，对感知起到极大的作用。卷积神经网络在处理数据时进行的步骤，又如分类、检测和分割等摄像头、雷达和激光雷达等感知方式适用于几种不同的无人驾驶车传感器的数据来源。
谈到预测，以后的笔记会详细讲解预测其它车辆或者行人的方法，
其目的是让汽车预测到他们是如何行动的，下一步的会产生什么样的运动。
上图为递归神经网络，如果想了解递归算法详情，可选择学习。
这种预测方法可对其他物体随时间的运动进行跟踪，并使用该时间序列数据预测未来。
但是规划是构建无人驾驶车最困难的部分之一，接下来的课程会详细讲解，如想了解更多内容，可以继续学习。
转向制动也是无人驾驶车辆实现的必经之路，利用汽车的油门和制动来执行规划轨迹，
相对于人类来说很难实现，但是对于计算机来说，实现它又变得相对简单很多。
也希望接下来的学习会让你对无人驾驶车更加充满好奇心与动力。
三、什么是无人驾驶车？
在学习之前，我们先了解以下知识
交通发展历史
可以看到，人类首先在一百万年前学会了直立行走，完成了一次具有划时代的变化。第一辆马车在四千年前发明，加快了人类行驶的速度，也是具有划时代的，直到一百年前才真正意义上发明了汽车，正式开启了汽车时代，这不仅提高了人们出行的速度，更是拓宽了人们的行驶距离。而无人驾驶车研究也才开始十年，在这场人与无人驾驶车辆的较量中，无人驾驶车辆彰显了诸多的优点：
无人驾驶车又分为6级：
L0级：由驾驶员掌控汽车一切制动装置，属于原始驾驶模式.；
L1级：驾驶员辅助，在该等级下，车辆为驾驶员提供转向或者加速支持，例如巡航系统；
L2级：部分自动化，在该等级下，车辆自动控制几项功能，例如自动巡航控制和车道保持，但是同一级一样驾驶员仍需控制自治系统；
L3级：有条件自动化，车辆自动驾驶，但驾驶员必须准备在必要的时刻接管车辆驾驶任务；
L4级：高度自动化，在该等级下，车辆接手驾驶体验的所有方面，并且不希望驾驶员有所介入。也是从该等级以后，车辆可能就不存在供人使用的方向盘或者任何驾驶员使用的控制装置了，但是在该等级下，车辆必须被限制在某一特定的区域内，例如某一街道或者小区，一旦超越该地理围栏，车辆很可能不能驾驶使用，丧失一切制动功能；
L5级：完全自动化，基于L4级别上，车辆可以在任何区域内行驶，不受限制。
无人驾驶车辆的研究
由此可见，对于无人驾驶车辆的研究历经了几十年之久，而且对于它的研究还有很长的路程要走，而百度Apollo平台为广大用户提供开源平台，希望借助广大学者的力量来推动无人车辆的进程。
Sebastian优达学诚创始人
无人驾驶之父助力本次课程，希望我们在课程中建立兴趣，共同克服这一难题，推动无人驾驶汽车的发展。
四、无人驾驶车的运作方式
| 装置 | 目的 |
|---|---|
| 摄像头、激光和雷达 | 获取环境信息 |
| 定位（GPS) | 获取汽车当前位置 |
| 核心计算芯片 | 预测和规划路线，传输行动信号 |
| 智能制动装置 | 提供转向和加减速度 |
以上是对本次课程的主要内容总结，下一课将对高精度地图进行总结和学习，如果你对接下来的学习同样充满兴趣，跟着我一起学习吧！