阿波君 Apollo開發者社區 2月26日
過去的一年裏，Apollo發展迅速，向智能交通不斷滲透。從2.5到3.5版本，無論控制系統的升級、高清地圖的泛用和車路協同技術服務的推進，無不在推動自動駕駛技術從開源向開闢商業化新格局位移。
在開源框架的進一步成熟，V2X的落地實踐，傳感器融合更強等多重因素的影響下，快速落地、成本優化、全面安全、AI領先的Apollo正爲合作伙伴實現量產保駕護航。
技術在升級，責任也在升級。 Apollo開發者社區推出的《Apollo自動駕駛工程師技能圖譜2.0》，把Apollo團隊的自動駕駛技術沉澱、研發實力、行業洞察以及Apollo核心能力和技術框架進行梳理，爲開發者呈現自動駕駛技能全景圖。
在全新的2.0版本中，我們結合開發者反饋建議/Apollo團隊技術發展，增加開源計算框架Cyber RT、Localization、Prediction等技術知識點，也針對上一版本的技能圖譜進行迭代，以幫助開發者更好更快地學習自動駕駛技術。
技能圖譜2.0版本是由Apollo開發者社區團隊、Apollo技術佈道師團隊、Apollo中美技術研發團隊共同參與制作。
本次更新將帶來哪些驚喜呢？我們一起來看：
基於Apollo的能力升級、版本迭代和開發者實際落地的需要，2.0版本針對舊版內容進行了系統刪改和新增。
2.0版本煥新升級7大自動駕駛技術能力，含33個技術分支，及91個技術節點，向開發者更完整地展示了自動駕駛技術學習框架。
其中，Apollo Cyber RT框架便是爲Apollo構建此類框架的第一步，也是第一個專爲自動駕駛技術設計的開源框架。Apollo技術團隊從高性能並行計算、自適應通信系統、Atomic編程、實時系統等方面，爲開發者提供Cyber RT學習路徑。
而對於開發者關注的Apollo開源車路協同方案，此次在技能圖譜中也有體現，涵蓋研究V2X在軟件、硬件、雲端服務所必須的RSU／OBU、數據交換協議、數據融合等內容。
此外，Localization移至開源軟件服務平臺下，新增GNSS/RTK、激光點雲處理、慣性導航等內容，實現自動駕駛車輛更有效、精確的定位。
Prediction新增RNN循環神經網絡、動態模型、卷積神經網絡、強化學習、概率論、貝葉斯分析等內容，使其在實際使用中有更好的表現。
Control模塊的內容更加豐富，擴展了基於優化的控制，新增自適應控制、系統認證、魯棒性控制、車輛運行學、車輛動力學、非線性優化、線性/非線性狀態估計、信號處理、模擬/數字信號濾波器、模擬/數字信號控制器等功能組件，使用了CNN、RL等最新的深度學習技術進行輔助控制，使得控制算法更加精細化；
Map Engine爲新增模塊，加入GIS基礎、圖形學與計算幾何等內容，進一步提升精度。
技能圖譜2.0版本要求從業者在行業上有更宏觀的考量，技術上需要更紮實的技術知識。不僅要了解底層基礎環境運行相關問題，更要穩步向上層進發，即底層引擎Docker→瞭解硬件層→具體傳感器工作原理方式→整體控制方案→具體技術（高精地圖、定位、方案規劃）。
通過此份技能圖譜，開發者可以更好地學習和掌握Apollo的知識點，更系統地上手自動駕駛技術。也可以通過對Apollo及自動駕駛全模塊的瞭解，發現擅長的模塊，從而選擇相應的就業職位。
Apollo堅信“開發者的成功，就是 Apollo 的成功”，讓每一個位開發者平等便捷地獲取智能駕駛能力，始終是Apollo堅定不移的方向。
Apollo開發者社區將通過技術文檔、乾貨知識、公開課及技術沙龍等內容，持續幫助開發者進一步實現能力提升。
而應對開發者的需求和自動駕駛行業的需求，這份技能圖譜的更新正是希望能夠幫助想要進入這一領域的開發者，全面理解技術需求點和變革點，成長爲能夠推動自動駕駛技術落地的行業先行者。
