1. Apollo简介
不同版本的Apollo：
1.0版本：有一个GPS和一个线控的车辆，可以有封闭场景的循迹能力
1.5版本：加入了激光雷达，软件和云服务上加入了高精地图、仿真和地图引擎
2.0版本：加入了更多感知，如毫米波雷达，黑匣子，加入了安全OTA能力，城市道路
2.5版本：加入了新的摄像头，可以做高速场景的自动驾驶
3.0版本：量产的解决方案，升级到车辆认证平台，公开了车辆线控的标准，升级硬件参考平台为硬件开发平台
2. 本机演示实战
高效容易扩展的架构：
主要模块之间的关系
演示环境
线控车辆指标
3. 车辆与循迹驾驶能力实战
开环测试，闭环验证
Control Algorithm
Localization
启动循迹自动驾驶
4. 障碍物感知和路径规划能力实战
2.0以上版本两个核心模块：
- 感知和规划
传感器融合：
标定：保证传感器的精度
planning structure(规划器结构)
DP 路径、速度算法
在根据教程搭建了具备感知和规划能力的平台之后，开发者更希望根据自己的场景进行深度定制。为加速研发过程，百度提出了“云+端”的研发迭代模式，所谓的“云”大家都能理解， “端”指的是车辆端。
在运行整个流程时，所积累的海量数据，时通过云端进行传递的。当然对于传递的数据，我又可以分为以下几个类型。
自动驾驶数据分类
1.原始数据，各种传感器、车辆、驾驶员行为等，数据种类繁多，维度不同，数据量大，而且大多是非结构化数据，对于传输、处理、存储提出了非常大的挑战。
2.标注数据，视觉的2D障碍物数据、红绿灯数据、3D点云数据等。
3.逻辑数据，包括完美感知，环境的抽象以及车辆动力学模型等。
仿真数据，包括参数模糊化数据；三维重建数据等。
Apollo开放了六类训练数据:
1.2D红绿灯，用来识别交叉路口红绿灯数据，可以用来训练、测试和验证。
2.2D障碍物，比如汽车、行人、自行车，还要其他未知类别的图像数据。
3.3D障碍物，其实是激光雷达点云。
4.端到端的数据，提供适合end-to-end模块的数据。
5.场景解析，像素级的语义标注，比如车辆、背景、交通标识牌、障碍物，可以用来做整体环境识别。
6.障碍物预测，用来训练预测算法数据集。
