百度 ApolloWorld，让萝卜快跑先在虚拟世界练车

百度给萝卜快跑搭了一个虚拟训练场。

11 月 3 日，百度披露了世界模型 ApolloWorld 的最新进展。它能生成摄像头、激光雷达所感知到的图像，还可以改变不同的交通环境，用于无人驾驶的训练与验证。

百度智能驾驶事业群组（IDG）首席架构师、IDG 技术委员会主席王亮，把它称作验证无人驾驶安全的「考官」。研发团队可以用它反复模拟风险场景，检查驾驶模型能否及时制动、正确避让，以及在连续交互中完成整段行程，把问题尽量暴露在实车部署之前。

真实运营之中，高价值场景也可以通过 ApolloWorld 扩展成更多变化，让车端端到端基础模型 ADFM 在其中反复练习和接受测试。

L4 全无人运营时，单靠实车路测，往往难以穷尽 Corner Case。世界模型让这类验证有机会更快速地完成。对于持续拓展运营区域的萝卜快跑，这条路径已经在加速其研发和部署效率。

端到端需要闭环验证

理解 ApolloWorld，要先看萝卜快跑车上的变化。

过去，自动驾驶系统通常把感知、预测、决策规划拆成不同模块。工程师可以分别优化每个模块，但前端的识别误差也会向后传递；不同模型分散使用车端算力，模型与大量人工规则之间，还需要持续协调。

到了新城市，这套系统面临的工作会更多。例如不同城市交通习惯不同，以及左舵、右舵的区别。如果每遇到一种差异就补一组规则，适配效率很难跟上业务扩张。

百度给出的方向，是无人驾驶基础模型 ADFM。它把视频、激光雷达、导航等信息输入模型，通过统一的特征表示，生成转向、加减速等驾驶动作。更多驾驶经验由数据进入模型，减少传统模块之间的信息损失，也让算力能够服务于更大的模型。

但这里的难点，是车上没有一位随时接管的人类司机。

王亮用攀岩打了个比方：L2 级辅助驾驶像有保护绳的攀岩，全无人驾驶就像是撤掉保护绳攀岩。架构的进步，必须伴随足够充分的训练与验证，才能进入实际运营。

验证新模型的一种方法，是把实车路测采集的传感器数据重新输入模型，检查它在这些场景下会作出什么驾驶决策，这种方法叫数据回放。但回放只能提供当时记录下来的环境，无法呈现周围车辆对新动作的反应。

ApolloWorld 则能让测试环境跟着驾驶动作变化：ADFM 作出转向、加减速等动作后，ApolloWorld 会模拟周围车辆和行人的反应，并生成新的相机图像、激光雷达点云。ADFM 再根据这些新数据决定下一步怎么开，测试由此持续进行。

这让百度有机会在上路前，在实车测试之外，进行更丰富场景的仿真验证。当真正上路运营时，才能够把风险降到更低。

交互式多模态仿真

百度 IDG 杰出架构师、世界模型负责人杨泽介绍，ApolloWorld 将车辆、行人等交通参与者建模为 AI 智能体。模型结合它们的历史状态、道路与信号灯信息，以及自车动作，推演各方下一步的行为，再把新状态送回模型继续推演。

推演出的交通状态，还要转成驾驶模型能读取的传感器数据。ApolloWorld 会联合生成相机图像和激光雷达点云，并保持不同视角、不同模态之间的一致。

杨泽披露，运行在计算集群上时，ApolloWorld 每秒可生成 24 帧数据，每帧包含 10 路相机图像和 4 路激光雷达点云。

这里的实时生成能力，决定了驾驶模型能否持续与环境交互，也影响大规模虚拟测试的效率。

仿真中的车辆运动、传感器观测需要符合物理规律，长时间运行后，道路和建筑等静态结构也要保持一致。

据杨泽介绍，ApolloWorld 可以将运营采集的街道外貌和几何信息作为数字孪生输入，帮助模型保持环境结构稳定，再结合时间与交通流生成画面，支持连续驾驶验证。

整段行程都能仿真

ApolloWorld 可以模拟萝卜快跑从出发到抵达的完整行程。

萝卜快跑完成一张订单，需要车辆连续通过不同路口和路段，途中每次加减速、变道，都可能影响后续的交通情况。ApolloWorld 模拟整段行程，就能把这些前后相连的驾驶决策放在一起检验，看车辆能否持续应对交通变化，顺利抵达目的地。

测试时，可以固定起点、改变目的地，或调节同一路线的车流密度，比较驾驶模型在不同条件下的行驶表现和到达时间。

这让测试更接近运营中的问题：一条路线在空旷时能跑通，到了早晚高峰，车辆还能否安全、高效地完成订单？换一条路线，又会遇到什么此前没有验证过的交互？

危险场景也可以放进这样的环境里反复检验。对向车辆绕过障碍物后借道驶来、骑行者从遮挡处突然出现、小动物闯入车道，都能生成不同变化，观察驾驶系统何时制动、怎样避让，以及危险解除后如何恢复行驶。

真实道路上，一个 Corner Case 很难多次重演。虚拟环境则能围绕它改变条件，让有限的真实经验覆盖更多可能性。

这也是百度积累能够发挥作用的地方。据百度披露，萝卜快跑已落地全球 28 座城市，累计完成超过 2,300 万次出行服务，自动驾驶总里程超过 3.5 亿公里，其中全无人驾驶里程超过 2.4 亿公里。

这些里程提供的不只是道路画面，还包括实际驾驶动作、其他参与者的反应，以及不同城市的交通习惯。ApolloWorld 要学习世界如何变化，萝卜快跑已经积累了大量数据。

把这些数据用于仿真，还要解决模拟结果与现实之间的偏差。王亮提到，制动距离、光影和激光雷达反射等细节的模拟，都需要长期优化。

真实运营也会持续参与模型迭代。按照杨泽介绍的流程，萝卜快跑的运营数据用于训练 ApolloWorld，ApolloWorld 再为 ADFM 提供训练与验证环境。改进后的 ADFM 投入运营，新积累的数据又用于完善 ApolloWorld。

如今，全球头部 L4 自动驾驶公司仍在扩张。Waymo 将服务范围扩展到美国更多的城市，新入局的特斯拉也在快速扩张，百度萝卜快跑已在迪拜开展全无人商业运营，并在伦敦、香港等地进行道路测试。

很显然，L4 级自动驾驶的竞争依然激烈。

为了实现更安全的自动驾驶，这种竞争会不断增加训练和验证的压力。

百度推出 ApolloWorld，希望把更多试错放到虚拟环境里，让已有运营经验用于更多路线和交通条件的测试。对仍在扩张的萝卜快跑而言，这项投入要解决的，就是如何在充分验证安全的同时，降低新区域的适配成本、缩短部署周期。