從2015年8月至今，近50個人工智能、前端開發(fā)、移動開發(fā)、云計算、架構(gòu)、運維、安全、測試等IT技術(shù)領(lǐng)域的技能圖譜陸續(xù)在GitHub上上線，幫助開發(fā)者、工程師梳理知識框架結(jié)構(gòu)，并嘗試提供路徑指導(dǎo)和精華資源，方便技術(shù)人學(xué)習(xí)和成長。

　　在時下非常受關(guān)注的自動駕駛領(lǐng)域，大部分開發(fā)者的感受都是只見樹木不見森林，不知道如何建立對自動駕駛的宏觀認知，不知道自動駕駛涉及的專業(yè)技能都有哪些，更不了解自動駕駛的學(xué)習(xí)路徑。

　　這也是極客邦科技聯(lián)手百度Apollo團隊，共同推出《Apollo 自動駕駛工程師技能圖譜》的原因所在——希望Apollo將其在自動駕駛領(lǐng)域的研發(fā)實力、技術(shù)沉淀、行業(yè)洞察，以及 Apollo核心能力和技術(shù)框架，進行一個梳理和沉淀，為希望深入自動駕駛領(lǐng)域的開發(fā)者和工程師，呈現(xiàn)一個自動駕駛的技能全景圖。

　　技能圖譜十問十答

　　為什么這份技能圖譜值得你收藏、甚至打印出來掛在辦公室里或者書桌前?我們邀請這個技能圖譜的策劃人——Apollo布道師團隊和技術(shù)團隊進行解答。

　　問題1：為什么要規(guī)劃這樣一份技能圖譜?

　　技術(shù)發(fā)展太快，技術(shù)模塊涉及繁多，自動駕駛領(lǐng)域需要這樣一個技術(shù)和技能的梳理，幫助自動駕駛工程師全面了解、快速學(xué)習(xí)和成長，也給有志于轉(zhuǎn)行自動駕駛的技術(shù)人一個指引。

　　問題2：該技能圖譜面向哪些人群?可以幫助學(xué)習(xí)者達到什么目標?

　　主要面向兩類人群，他們都希望學(xué)習(xí)自動駕駛，他們或是學(xué)生，或是Apollo生態(tài)中的合作伙伴。一類就是懂得開發(fā)工具和語言開發(fā)的開發(fā)者和工程師，他們可以從這份技能圖譜中補充機器學(xué)習(xí)和車輛相關(guān)的知識;另外一類人群就是機器學(xué)習(xí)從業(yè)者，他們可以通過這份技能圖譜，深入了解自動駕駛的各個模塊，因為Apollo不同模塊之間的差異性大，即使對于百度內(nèi)部工程師，這個技能圖譜也有借鑒意義。

　　問題3：這份技能圖譜包括哪些學(xué)習(xí)模塊?模塊設(shè)立和劃分規(guī)則是什么?

　　這份技能圖譜包括兩大模塊，首先是基礎(chǔ)層，就是Apollo開發(fā)會用到的共性的語言和編程方式;其次是Apollo層，既包括Apollo開放的感知、決策規(guī)劃、智能控制、End-to-End 等自動駕駛核心能力，也包括硬件，比如GPS、雷達、傳感器、車輛相關(guān)的知識和技能。

　　問題4：這份技能圖譜是怎么策劃出來的?

　　在策劃階段，按照模型、算法、硬件、車輛相關(guān)背景知識四個維度，以問卷、面聊等多種形式，收集百度內(nèi)部7、8個團隊近30位技術(shù)專家的專業(yè)反饋，再把反饋按照目前的基礎(chǔ)層、Apollo層整理分類，經(jīng)歷多次Review，最后與大家見面。

　　問題5：自動駕駛領(lǐng)域的開發(fā)者，哪部分的學(xué)習(xí)能力需要加強?

　　大部分自動駕駛開發(fā)者的『軟實力』較強，硬件方面的學(xué)習(xí)能力相對較弱，尤其基于GPU 或者FPGA的芯片編程方面的能力繼續(xù)增強。

　　問題6：對于學(xué)習(xí)Apollo的開發(fā)者來說，最大挑戰(zhàn)是什么?

　　最大挑戰(zhàn)就是Apollo運行起來，下一步該怎么做?因此Apollo會在2.0版本中開放很多調(diào)試、繪圖、排查問題的工具;

　　另外的挑戰(zhàn)就是硬件方面了，如果開發(fā)者買一個設(shè)備進行調(diào)試，在沒有官方人員支持的情況下是比較困難的，因此Apollo把適配后的硬件設(shè)備發(fā)到GitHub，讓開放設(shè)備在GitHub 上有現(xiàn)成實例，開發(fā)者改過之后就可以用。

　　問題7：自動駕駛?cè)瞬判枨笕笨诖髥?

　　非常大。目前我國汽車從業(yè)人員達到360萬，但其中技術(shù)人才不到50萬，占比不到15%。這其中雖然很難明確界定自動駕駛?cè)瞬庞卸嗌?，但是可以想見肯定不多。而且從自動駕駛專業(yè)人才年薪動輒幾百萬上千萬，就可以知道人才有多緊缺。

　　問題8：目前Apollo最需要哪方面的人才?

　　目前會有很多合作伙伴尋求接入Apollo開放平臺，為自己的產(chǎn)品注入自動駕駛能力。在接入過程中，車輛、硬件傳感器的接入是開發(fā)者需要接受的第一關(guān)，需要掌握系統(tǒng)集成方面的知識。解決了集成問題后，對自動駕駛的要求就會往感知、決策規(guī)劃、智能控制等模塊方向進行轉(zhuǎn)移。所以，了解整體Apollo結(jié)構(gòu)的開發(fā)者，會是Apollo需要的人才;如果對其中某一模塊非常熟知，也會是Apollo非常需要的人才。

　　問題9：自動駕駛開發(fā)者還有什么其他的學(xué)習(xí)路徑?

　　開發(fā)者可以從搭建一個Apollo的Demo環(huán)境開始，學(xué)習(xí)Apollo相關(guān)模塊的技能知識。在 Apollo的代碼注釋中，百度工程師列出了模型對應(yīng)的參考資料，包括參考書或者論文，這也算是一個學(xué)習(xí)的捷徑。如Apollo2.0新增控制器MPC，對應(yīng)的源文件包含對該控制模型相關(guān)的資料推薦：

　　https://github.com/ApolloAuto/apollo/blob/master/modules/control/controller/mpc_controller.h

　?。?/p>

　　/**

　　* @class MPCController

　　*

　　* @brief LQR-Based lateral controller, to compute steering target.

　　* For more details, please refer to "Vehicle dynamics and control."

　　* Rajamani, Rajesh. Springer Science & Business Media, 2011.

　　*/

　　問題10：已經(jīng)拿到技能圖譜的同學(xué)，他們看過之后希望2.0版本有哪些改進?

　　能有各分支更細化的知識和技能表，包括推薦一些好的學(xué)習(xí)資源;

　　期望后續(xù)版本可以極大降低無人車成本，實現(xiàn)量產(chǎn);

　　希望提供能力進階地圖;

　　希望細化知識點，把軟硬件、算法的接口信息定義出來。