2022年11月29日，百度Apollo Day技術(shù)開放日活動線上舉辦。百度自動駕駛技術(shù)專家全景化展示Apollo技術(shù)實力及前沿技術(shù)理念。

自動駕駛行業(yè)沒有彎道超車，多年技術(shù)積累才能實現(xiàn)全無人落地的臨門一腳。百度自動駕駛技術(shù)專家陳競凱介紹，百度Apollo依托堅實的AI技術(shù)底座，打造安全、智能、高效的自動駕駛技術(shù)體系，實現(xiàn)從全無人運營到規(guī)模商業(yè)化運營。

百度的學(xué)習(xí)型PNC方案是將預(yù)測和決策兩個模塊聯(lián)合建模，然后送入到軌跡規(guī)劃和控制模塊中。學(xué)習(xí)型的PNC模塊是自動駕駛學(xué)術(shù)和產(chǎn)業(yè)的技術(shù)前沿。學(xué)術(shù)界雖然提出了不少研究成果，但在產(chǎn)業(yè)界其實應(yīng)用的案例并不豐富，甚至可以說只是在嘗試階段。百度此次提出的預(yù)測決策一體化模型，在底層設(shè)計上實現(xiàn)的創(chuàng)新，是行業(yè)在實現(xiàn)PNC范式變革上邁出的重要一步。

以下為演講全文

陳競凱：大家好，我是百度自動駕駛的陳競凱。

眾所周知，百度在自動駕駛領(lǐng)域已深耕多年，今天為大家分享百度在打造安全、智能、高效的自動駕駛體系中的一些思考。

自動駕駛系統(tǒng)，最重要的是安全，系統(tǒng)設(shè)計需要遵從汽車安全體系。百度從功能安全和預(yù)期功能安全兩個方面來打造自動安全系統(tǒng)。

按照功能安全的設(shè)計要求，百度拆解了系統(tǒng)的安全框架和目標，通過適當?shù)娜哂啵瑏斫档褪淼奈：ΑＴ谟嬎阌布?a href="http://m.xsypw.cn/v/tag/117/" target="_blank">傳感器、底盤、通訊的各個層面都構(gòu)建了冗余，并且完善了故障檢測和處理方案，實現(xiàn)全方位的安全。

傳統(tǒng)的安全設(shè)計，主要是保障司機的可操作，即司機在故障發(fā)生的條件下，有能力處理相應(yīng)的故障。在自動駕駛系統(tǒng)中，需要能夠讓自動駕駛系統(tǒng)處理這些故障，保證系統(tǒng)安全。

自動駕駛系統(tǒng)不僅僅要處理自動駕駛系統(tǒng)本身的故障，而且要對車輛的各個系統(tǒng)的問題，也作出相應(yīng)的應(yīng)對。

比如車輛的胎壓系統(tǒng)出現(xiàn)問題時，需要能夠檢測出來，能夠在車輛運動可能會出現(xiàn)異常的條件下，把車輛安全地停下來。帶傷運行會讓系統(tǒng)變得不夠安全，百度的安全策略是讓車輛在發(fā)生故障時，使之進入安全狀態(tài)，而不是繼續(xù)保持駕駛。

這時候就提出了一個不同于主系統(tǒng)的挑戰(zhàn)，如何在各種各樣的道路條件下，當發(fā)生故障的時候，把車輛進入安全狀態(tài)。在復(fù)雜的道路條件下，是不能簡單地一停了之的。故障方案必須與真實的道路環(huán)境相兼容。充分地利用了仿真的系統(tǒng)，去測試一下故障處理策略是不是能夠應(yīng)對當前的故障，去能夠應(yīng)對當前的道路條件。

進入安全狀態(tài)所需要的能力，通常和完成自動駕駛?cè)δ苣芰κ遣惶粯拥摹Ｍ枨笙鄬π∫稽c。這時候就能夠平衡可靠性的要求和成本。合理的安全駕駛策略就特別關(guān)鍵，百度在仿真系統(tǒng)里進行了大量的測試，去調(diào)整安全處理方案，使得在兩者之間取得一個比較好的平衡。

自動駕駛系統(tǒng)的能力演進，是按照預(yù)期功能安全框架去思考的，會從知道不知道、安全不安全這兩個維度去推進自動駕駛技術(shù)能力提升，提高自動駕駛系統(tǒng)對復(fù)雜場景的適應(yīng)。

一個合理定義的ODD是自動駕駛系統(tǒng)，尤其是全無人自動駕駛系統(tǒng)不可或缺的一個組成部分。需要通過大量的仿真和道路測試，來保障在ODD范圍內(nèi)的安全駕駛。

但是自動駕駛不是完美的，道路條件也很復(fù)雜，詳細定義的ODD，尤其是包含動態(tài)交互的ODD通常是不太現(xiàn)實的，所以在一般的ODD的定義中，通常還是偏向于靜態(tài)定義，很難去覆蓋所有的道路交互狀態(tài)。這時候就需要在車端有比較強的檢測能力，去檢測目前的系統(tǒng)是不是運行在ODD下，即使這樣也會遇到一些超出自動駕駛能力的一些狀況。

百度設(shè)計了一個系統(tǒng)，通過經(jīng)驗數(shù)據(jù)，以及通過針對目前駕駛能力，設(shè)計一個偏召回的風險預(yù)警策略，能夠判斷出目前的系統(tǒng)，是不是處在一個可能會不安全的狀態(tài)。輔以一些云端和路測的手段來保障安全，使得系統(tǒng)從一個潛在不安全的狀態(tài)變?yōu)橐粋€更加安全的狀態(tài)。當然了，這種工作一定會對自動駕駛效率有一定的折損。隨著自動駕駛能力的提升，不安全的狀態(tài)和場景會越來越少，對應(yīng)的自動駕駛效率也會逐漸的提高。

在車端也會秉承這樣的思路，來做出相應(yīng)的處理。在主系統(tǒng)之外去構(gòu)建一些安全的回路，保證在一些場景下，突發(fā)狀態(tài)條件下的自動駕駛系統(tǒng)安全。

自動駕駛系統(tǒng)的能力目前還在不斷提高的過程中，需要把更多不知道的問題變成知道的問題，把不能安全通過的場景變成能夠安全通過的場景，并且能夠預(yù)知一些可能出現(xiàn)的危險，通過策略規(guī)避掉一些復(fù)雜的危險場景。車端的持續(xù)演進，不斷的去發(fā)現(xiàn)和改進自動駕駛能力的邊界，需要在車端有相應(yīng)的數(shù)據(jù)挖掘體系，幫助發(fā)現(xiàn)這些問題。通過車端的數(shù)據(jù)挖掘，會不斷的發(fā)現(xiàn)自動駕駛系統(tǒng)中處理得不夠好的，或者是一些不確定性問題，然后把這些數(shù)據(jù)上傳到云端，通過云端系統(tǒng)，使用數(shù)據(jù)驅(qū)動的方式，訓(xùn)練、仿真等一系列的工作提升自動駕駛能力，提升自動駕駛的安全性。

自動駕駛系統(tǒng)該如何設(shè)計？一直都有兩個思路：

一個是偏學(xué)術(shù)的

傾向于統(tǒng)一建模，端到端的解決問題；

另外一個思路是偏向工程的

去拆分系統(tǒng)，分治突破。

端到端的建模非常的簡潔優(yōu)美，從長遠來看，也是一個非常有前途的方向。

在這種思路下，其他的領(lǐng)域里面百度取得了一些進展，比如說技術(shù)模型在NLP領(lǐng)域里面已經(jīng)取得了統(tǒng)治性地位。在圖像領(lǐng)域，大模型也帶來很多的驚喜。同樣，百度對于這種端到端的大模型的解決方案，在自動駕駛系統(tǒng)的發(fā)展也充滿了期待。

這個方案的問題在于存在很大的不確定性。不能確定它究竟何時成熟，是兩年還是十年，這是一個問題。

基于這樣的認知，百度目前的主要的思路還是沿著工程化的路線在往前推進，同時也沒有放棄在端到端方面上的一些探索，會把一些階段性的成果應(yīng)用到一些路線上。

百度的車載系統(tǒng)大體會分成四個部分：地圖、感知、預(yù)測決策、規(guī)劃控制。

地圖，是在系統(tǒng)中一個非常重要的組成部分，自動駕駛系統(tǒng)是不能脫離地圖的，因為交通系統(tǒng)本來就是規(guī)則約束下的系統(tǒng)，自動駕駛是運行在交通實際條件下，當然也不能脫離規(guī)則的約束，地圖恰恰是規(guī)則系統(tǒng)表達的一個核心框架。

百度認為不管是有沒有離線地圖，或者說只用在線地圖，地圖總是自動駕駛系統(tǒng)的一個底層表達，離線地圖是一個超視距的整體性的感知，地圖在自動駕駛系統(tǒng)中間發(fā)揮著重要的作用。

在談到離線地圖的時候，外界有聲音說，離線地圖制作成本是不是很高？會不會成為普及的障礙？在實踐過程中間我們發(fā)現(xiàn)，離線地圖并不是一個高成本的障礙，反而是我們一個前進的助力。

地圖的更新率其實不是一個問題，地圖的實時性才是它的問題，而不是更新率或者成本。

在目前的實踐中，目前車端實時生產(chǎn)的地圖和規(guī)模化生產(chǎn)的地圖其實還是有質(zhì)量上的一些差距的，這種差距，需要通過自動駕駛策略去適應(yīng)這兩種地圖的一些質(zhì)量差異。但這種適應(yīng)對自動駕駛能力來說是有折損的。

所以百度認為，在目前的條件下，一個規(guī)模化生產(chǎn)的高精地圖還是不可或缺的，實時地圖更多的會被應(yīng)用在應(yīng)對現(xiàn)實世界的變更，這時候會把自動駕駛的策略調(diào)整到一個更加安全謹慎的方式去通過。

感知系統(tǒng)，感知系統(tǒng)目前在整個業(yè)界的發(fā)展思路還是比較統(tǒng)一的，基本上是一個數(shù)據(jù)加模型驅(qū)動的系統(tǒng)。

目前主要的分歧是在于，大家討論的一些主要分歧在于傳感器的配置。

百度的判斷是這樣的，應(yīng)該充分的發(fā)揮各個傳感器的能力，從出發(fā)點來說，首先要把事情做成，然后再去追求更好、更低成本，再去充分地發(fā)揮各個傳感器的能力，把感知做得更加可靠，更加穩(wěn)定。

在具體的過程中，從后融合的方案轉(zhuǎn)向前融合的方案，前融合的的方案，使得能夠充分地發(fā)揮各個傳感器的優(yōu)勢。另外，也會充分的利用百度大模型技術(shù)方面的一些積累，提升感知能力。

預(yù)測決策系統(tǒng)，預(yù)測決策系統(tǒng)是直接面對復(fù)雜外部環(huán)境的一個非常重要的部分，百度把這個系統(tǒng)的模塊的分界線劃到了預(yù)測決策和規(guī)劃控制之間，主要的出發(fā)點是，決策問題其實是可以引入人工判斷的節(jié)點，這時候可以在其中引入更多的人類智慧。

百度把預(yù)測和決策放在一起，其實也是有相應(yīng)的思考的，百度認為預(yù)測是一個自標注的學(xué)習(xí)系統(tǒng)，在真實的世界里，主車是與現(xiàn)實世界是有交互的，這時候更傾向于認為預(yù)測和決策是一體的，預(yù)測很多是決策的預(yù)言實現(xiàn)。

規(guī)劃控制

規(guī)劃控制在傳統(tǒng)方案中是一個優(yōu)化問題，在真實的道路條件下，往往會面臨一些求解空間和計算資源之間的沖突，百度也做了很多的探索。

正如我們前面提到的，駕駛能力的提升表現(xiàn)在車端，但是更多的工作是在云端完成的。

在車載系統(tǒng)的迭代中，如何能夠從數(shù)據(jù)中學(xué)習(xí)，從問題中學(xué)習(xí)，尤其是自動學(xué)習(xí)，這是百度一直以來追求的目標。

為此百度構(gòu)建了數(shù)據(jù)閉環(huán)的系統(tǒng)，并且在自動駕駛技術(shù)研發(fā)的過程中間就不斷的迭代和完善這個系統(tǒng)。

仿真系統(tǒng)

仿真系統(tǒng)一直都是自動駕駛的話題中心之一，一個完美的仿真系統(tǒng)是自動駕駛開發(fā)者的夢想。尤其是在做一些端到端探索的時候，我們經(jīng)常會感嘆，如果有一個完美的仿真系統(tǒng)是多么的幸福。然而，做一個完美的仿真系統(tǒng)在目前是不切實際的，如果想在仿真系統(tǒng)中去模擬各種各樣的駕駛風格，而且這種駕駛風格是和人類駕駛一模一樣的時候，實際上就做出了一個有不同個性的自動駕駛系統(tǒng)，這一點在目前這個階段還是很難的，不太切實際。百度追求的目標是做一個對我們的自動駕駛技術(shù)能力提升有用的仿真系統(tǒng)。

不管是車載系統(tǒng)還是云端系統(tǒng)，自動駕駛都需要算力的支持，這方面我們也會有一些持續(xù)的投入。

得益于自動駕駛技術(shù)的發(fā)展和自動駕駛體系的搭建，一方面我們會研發(fā)面向全無人自動駕駛系統(tǒng)，為大家更好的提供出行服務(wù)。另外一方面，也會落地一些高級輔助駕駛，給司機提供更好的駕乘體驗。

百度最初的自動駕駛系統(tǒng)，預(yù)測和決策是分開的。預(yù)測是一個帶有自標注的任務(wù)，一直都是數(shù)據(jù)驅(qū)動的，決策、規(guī)劃、控制，當初沿用的都是偏規(guī)則的傳統(tǒng)方案。

基于規(guī)則的方案：通常是把遇到的問題劃分成各種場景，在每個場景下，針對不同出現(xiàn)的問題，再做相應(yīng)的處理，為了不讓各個規(guī)則之間發(fā)生沖突，通常會仔細地限定每個規(guī)則的作用范圍，一層一層的拆分，如果做得好的話，會形成一個類似樹形的拆分結(jié)構(gòu)；如果處理得不好的話，就會變成一個補丁摞補丁的系統(tǒng)。尤其在后者的條件下，會遇到無法維護的問題，即使哪怕在前者我們一個高尖端好的樹狀結(jié)構(gòu)，也會遇到一些認知升級導(dǎo)致目前的樹狀結(jié)構(gòu)和認知不相匹配的一些問題。

規(guī)則系統(tǒng)在最初的時候，是可以最大化人類的經(jīng)驗和一些先驗知識，能夠迅速地去提升自動駕駛能力。但是隨著時間的推移，有兩個問題是不可避免的會出現(xiàn)。

第一，策略分叉，會導(dǎo)致每一個規(guī)則的迭代，針對的問題會越來越小，這時候投入產(chǎn)出比會迅速的下降。

第二、在面對城市擴展、場景變化的時候，需要調(diào)整規(guī)則去適應(yīng)，而且這種調(diào)整的范圍往往不是局限在葉子節(jié)點上的，而是需要從根到葉整個全面的調(diào)整。這種變化會使得規(guī)則系統(tǒng)在面臨這種遷移變化的時候會非常難以維護。

出于這樣的觀察，百度認為學(xué)習(xí)型的PNC是實現(xiàn)全無人的一個必由之路。

正如我們提到的，預(yù)測和決策其實是一個問題的兩面，預(yù)測是決策的自我預(yù)言實現(xiàn)。所以構(gòu)造了一個預(yù)測和決策的多任務(wù)系統(tǒng)，聯(lián)合處理這個問題。我們對道路元素、信號燈、自測行為、道路元素都做了一些建模和交互的處理，最后形成一個預(yù)測和決策的一個結(jié)果。

這個框架的思路還是比較基本的，但是在實踐過程中間有很多有趣的問題。

因為每一個學(xué)習(xí)系統(tǒng)，都會面臨著一個啟動和迭代的問題。在這個過程中間，和原先的規(guī)則系統(tǒng)是什么樣一個關(guān)系？在實踐中間，百度采取了一種漸進式的改造思路，逐漸地去吸收規(guī)則系統(tǒng)。

打個比方，規(guī)則系統(tǒng)實際上是一臺學(xué)習(xí)系統(tǒng)的學(xué)步車，百度要在規(guī)則系統(tǒng)的經(jīng)驗條件下去初始化我們的學(xué)習(xí)系統(tǒng)。然后再通過一些迭代使得學(xué)習(xí)系統(tǒng)要超過規(guī)則。

在過程中也會發(fā)現(xiàn)，在規(guī)則系統(tǒng)中的很多細小的地方，就隱含了一些決策的操作。這種決策的操作，其實在最初設(shè)計決策系統(tǒng)的時候，可能會有些漏掉的地方，需要后續(xù)再不停地去優(yōu)化和改進。

百度最終的目標，也不是要把學(xué)習(xí)系統(tǒng)完全替代規(guī)則系統(tǒng)，因為兩點：

第一，交通系統(tǒng)本來就是一個靠規(guī)則約束的系統(tǒng)；

第二，需要規(guī)則去守護最后的底線。

我們在端到端探索也做了很多很多的嘗試。

比如，百度的搜索和推薦是發(fā)展領(lǐng)先的，在實際過程中也會把一些搜索和推薦的技術(shù)應(yīng)用到自動駕駛系統(tǒng)中，而且還有一些意外的、超過我們預(yù)期的一些收獲。

在學(xué)習(xí)系統(tǒng)中間，直接生成軌跡是比較困難的，如果沒有一個合適的錨點的話，生成的軌跡往往比較難以盡如人意。但是在使用基于搜索的方法來做軌跡生成的時候會發(fā)現(xiàn)一個非常有趣的現(xiàn)象，在一般的場景里面，只需要搜索兩條軌跡侯選，就可以給出99%以上場景的可行的答案。在一些相對困難場景下，其實也有不錯的一些表現(xiàn)。

基于這個進展，把基于搜索的方案也整合到了系統(tǒng)里面。在對場景進行建模以后，再去構(gòu)建一些場景的相似性的一些方案。通過搜索的技術(shù)，去生成一些軌跡的侯選，把它們作為規(guī)劃系統(tǒng)的一個啟發(fā)的輸入。

從實踐過程中百度發(fā)現(xiàn)，這種啟發(fā)的方式能夠大幅度降低在整體的搜索過程中間的一些計算開銷。

回顧來看，整體的框架是比較契合人類的駕駛模式。首先在高層語義層次上做出一些決策。比如說在一些宏觀的層面上作出了一些決策，但是在這個微觀軌跡的層面上，人類并不是去做一個詳細的優(yōu)化，而是類似于直接出結(jié)果，而百度的檢索系統(tǒng)恰恰又跟人類這種直接輸出結(jié)果的方式，去追求可行而不是最優(yōu)這種方式，有一種完美的一致。

百度追求的是做一個有用的仿真系統(tǒng)，應(yīng)該滿足我們對于問題迭代的需求。并需要在微觀層面上，每一個場景上能夠做到輔助迭代，而且要能夠讓它對整體自動駕駛能力作出一個完整的評價。

仿真系統(tǒng)實際上是百度在自動駕駛技術(shù)發(fā)展迭代過程中的一個有效的工具。

為了完成自動駕駛發(fā)展的迭代工作，百度在仿真系統(tǒng)的能力構(gòu)建上做了很多大量的工作，比如說做了Worldsim系統(tǒng)，使得能夠批量地構(gòu)造大量的場景，去驗證各種各樣場景下的綜合能力，另外也構(gòu)造了一個L2W系統(tǒng)，能夠精確地復(fù)現(xiàn)道路的場景，幫助去分析和驗證路上的問題。

百度也通過一些動力學(xué)的仿真，使得能夠比較精確的去模擬，去刻畫車輛的行為。

在此基礎(chǔ)上，構(gòu)建了一個能夠驗證仿真系統(tǒng)和道路系統(tǒng)的一致性的系統(tǒng)，尤其是面臨一些安全性判斷的時候，對一致性有很高的要求，構(gòu)建這樣一個仿真系統(tǒng)是滿足實際需要的。

另外，為了支撐感知能力的迭代，支撐我們自動駕駛系統(tǒng)對各個場景的適應(yīng)，百度也構(gòu)造了傳感器的仿真，實現(xiàn)了對各種光照條件和天氣條件的覆蓋。能夠通過高精地圖，自動地渲染出整個道路環(huán)境，能夠端到端地去評測整體的系統(tǒng)。

針對迭代過程中對自動駕駛中的安全、體感、合規(guī)等方方面面的要求，百度也構(gòu)建了相應(yīng)的度量體系，去幫助工程師在迭代過程中去更好的評價自動駕駛系統(tǒng)的表現(xiàn)。

百度也發(fā)展了部分的障礙物交互能力，坦率地講，在仿真系統(tǒng)中構(gòu)造障礙物交互是一個比較困難的事，目前做的更多是排除一些典型的不合理的行為，而不是去構(gòu)造一個能夠進行復(fù)雜交互的障礙物系統(tǒng)。

作為結(jié)果，仿真系統(tǒng)在迭代過程中也發(fā)揮了非常重要的作用。支持了數(shù)百人團隊的迭代，在仿真系統(tǒng)日行上百萬公里，去驗證自動駕駛能力的進步，同時也在仿真系統(tǒng)里去探索自動駕駛的更多可能性。

如果僅僅是在單個Case層面上去實現(xiàn)對道路的真實模擬其實不太夠的，如何對每一次迭代帶來的變化作出完整的評價，一直都是仿真系統(tǒng)面臨的一個非常大的挑戰(zhàn)。比如說在面對切車的時候，采取一些占據(jù)優(yōu)勢地位，避免被切的策略，這時候就會帶來一些后續(xù)的交互行為，這種交互行為在仿真系統(tǒng)是很難模擬的，這時候會遇到一些極限的情況，導(dǎo)致急剎或者碰撞，這時候會面臨一個靈魂拷問，這樣的場景在路上會不會真的發(fā)生？

如果遇到這樣的情況，自動駕駛能力是變好了還是變壞了呢？

如果脫離了大規(guī)模的數(shù)據(jù)分布，是沒法討論這個問題的，所以在仿真系統(tǒng)中，一定需要構(gòu)建一個好的數(shù)據(jù)集合。數(shù)據(jù)其實是仿真系統(tǒng)的靈魂。

為此，百度在針對路上可能會出現(xiàn)的各種情況，建設(shè)了豐富的場景庫，這些場景庫會拿到跟路上去做比對，看看在路上場景的覆蓋情況。

在建設(shè)過程中間發(fā)現(xiàn)，其實路上的場景絕大多數(shù)是可以通過大概600、700個場景就能夠覆蓋住的，后面就是一些分布的情況。在做泛化的時候也發(fā)現(xiàn)，其實后面很多情況不需要做泛化，這時候就針對這個路上常見的多個場景做了一些詳細的維度拆分。比如說，剛提到的這個切車的場景，會根據(jù)切車的車輛類型、切入開始的距離、速度、速度差、切車幅度、切入時間等等各個維度，去建設(shè)一個能夠充分刻畫這個場景的維度體系，并且建設(shè)一個相應(yīng)的自動化匹配機制，使得在路上遇到了一樣的場景，能夠自動的去匹配到場景體系上，把相應(yīng)維度上的參數(shù)提取出來。

在這樣的自動化掛接的基礎(chǔ)上，百度針對各個場景建立了相應(yīng)的集合，在這基礎(chǔ)上統(tǒng)計了針對每個場景的數(shù)據(jù)分布，尤其是常見場景的數(shù)據(jù)分布。就可以清楚地了解到，這個場景在仿真系統(tǒng)內(nèi)的真實運行場景，在真實世界里大概會是什么狀態(tài)，發(fā)生的概率有多大。在這個基礎(chǔ)上就構(gòu)建一個針對仿真系統(tǒng)的、一個相對被扭曲的分布條件下，給出一個正確的度量。

這種度量不是像剛才提到的，從Worldsim中去泛化出來的這種場景，在那個場景里面很多車輛的行為、車輛的一些參數(shù)，和自然發(fā)生的情況還是會有些區(qū)別的，把真實世界的場景掛接到這個系統(tǒng)里面，它的運行也會變得更加的真實和可靠。

通過這樣一個體系建設(shè)，百度也建設(shè)了針對一些特定需求的場景庫，比如說針對交通法規(guī)，針對行使安全，針對主車通行等等，分別去建設(shè)場景庫，充分的利用到迭代過程中，評估每一次變更帶來的能力變化。

百度觀察到，在從一個城市向另外一個城市遷移的過程中間，這個數(shù)據(jù)統(tǒng)計、數(shù)據(jù)的分布是有變化的，這時候要求自動駕駛能力、自動駕駛的一些策略，從一個城市向另外一個城市遷移的過程中間需要做一些細微的調(diào)整，整體的場景庫也對遷移過程提供了很多的保障。

仿真系統(tǒng)在我們的自動駕駛技術(shù)迭代的過程中間發(fā)揮了非常重要的作用，是我們技術(shù)能力提升的重要支撐。

謝謝大家！

審核編輯 ：李倩