根据佐思产研数据中心的统计，中国乘用车市场自动泊车功能装配率在2018年达到5.3%。装配率不高的原因，是技术上还不够成熟。2019第四届ADAS与自动驾驶论坛于3月2

根据佐思产研数据中心的统计，中国乘用车市场自动泊车功能装配率在2018年达到5.3%。装配率不高的原因，是技术上还不够成熟。

2019第四届ADAS与自动驾驶论坛于3月21-22日在上海召开，论坛由CCIA智能网联专委会与佐思产研主办，地平线、纵目科技、中科慧眼、中电昆辰、富兰光学、创景科技等单位支持。

欧菲智能车联驾驶事业部算法及自动驾驶总监段勃勃在论坛上发表了题为“自动泊车的技术路线与落地技术”的演讲。以下是演讲全文。

为什么讲泊车呢？这是一个人从学车开始就一直伴随的场景。从学科目二开始，很多人在停车的时候，后面有一个保安或者是家人在喊倒，一直陪伴着你；好不容易变成一个老手了，还有新手来撞你，所以（泊车）这个场景一直贯穿始终。

另外，大家看到的自动化程度最高的代客泊车是什么呢？这么多厂商，我看到自动化最高的还是人来泊车，这个在中国已经出现了。当然我们讨论的是如何不用他们，而是车自己来。

下图是自动驾驶技术的发展史。自动驾驶不是现在才出现的，从1948年就有了专利，到2000年左右第一代ADAS系统上市，现在各厂商都在自己做自动驾驶汽车，包括后面支持的大学，共同促进了行业进展。

那未来有几个节点？这个图是汽车工程师协会的，第一个时间点它认为是2020年TJA（TrafficJamAssist）可以做，现在来看时间点有一点晚了。第二个时间点是2025年，是有驾驶员支持的全自动驾驶汽车。下一个点2030年完全自动驾驶汽车。后面两个点看起来还是靠谱的，我们也差不多按照这个步骤走。

下面2017、2018年的图可以发现很有意思的点。2017年图中的上升曲线是自动驾驶产业的上升期，就是对它的期望无比高涨。第二个阶段是悲观期，所有期望在下降。到第三个阶段进入乐观期，它虽然不能全部，但还是能解决部分问题，所以非常稳定的往这个领域走。自动驾驶在2017年，被认为已经到达期望的高点了。

2018年的图把自动驾驶分为L3、L4、L5，可以看到L3已经进入产业的前期，马上可以上量了。对L4的期望还是有一点下降，大家发现更多的问题在出现。对L5大家觉得未来还是很美好，还可以期待它解决我们的出行问题。

特斯拉在挣钱，因为它的L2已经很好的普及了。奥迪的L3还在探讨中，大家在探讨什么可以做，什么不能做。L4、L5大家还在讨论它的进展，上图也可以说明产业发展的规律，当然也具有特殊性。

下图中，L0、L1、L2现在已经有上市的产品。L3开始是条件自动驾驶，L4高级自动驾驶。主要问题在哪里？一旦把周边监控权交给车辆，那整个产业允许吗？法律允许吗？目前看起来，大家把所有问题归结为ODD，场景是什么？有场景这个事儿可以谈，没有场景不能谈。

从2018年开始，欧菲认为不只是级别要细化，场景还要细化，两点细化以后，才有落地的可能性。从这个点可以划五点落地规划。比如商务车，最大问题成本在于驾驶员、司机太贵了。一定要把司机取代掉，节省成本，它的问题是什么呢？如果不能取代司机，这个事儿是不是没有意义？所以上来就是L4，车里不放人，场景可以限制，在干道上都可以，这是它的发展特点。

那乘用车呢？有一类属于出租车这样的特殊行业，第二类是普通家用车。给商用车带来的价值是什么呢？还是要取代出租车司机。普通的消费者需要什么呢？通过ADAS减轻驾驶痛苦，这需要政策的推动。

所有乘用车未来都将向L3、L4发展，但是还要根据场景限制任务复杂度。场景分为高速、城市和泊车。L2、L3被认为是高速开始，城市最后，因为城市交通最复杂。泊车是一个非常重要的场景。

从L2、L4都有这样的泊车设计，但是没有L3。欧菲一开始做泊车引导，引导打方向盘，后来发现客户不感兴趣，为什么呢？因为客户希望帮助打方向盘，而不是被教。后来欧菲做半自动泊车，再往后做APA、RPA、AVP都是全自动的控制，目前APA在快速落地，AVP小规模示范。

那么落地有什么挑战呢？各种问题包括感知，计算方案，系统集成，其他的还有法律、保险、车路协同、规范等。譬如说传感器，选了戴姆勒和特斯拉两辆车进行说明。目前量产的主流传感器的配置里迄今为止还没有激光雷达，因为太贵了。毫米波雷达可以上很多。相机可以配置很多，但是相机多的雷达少，雷达多的相机少。这个都是L2。

再来看YoleDevelopment的调查报告，这里L2、L3、L4有什么区别呢？它认为L2共计有17个传感器，L3和L4都是29个传感器，L3加了立体相机、激光雷达等。未来很长一段时间，传感器数量大概还是这么多。

现在看大家的传感器，各家厂商差不多，为什么说L3里很重要呢？因为它加了激光，加上去以后安全度可以得到保障。比如图森有一千米的长距离相机，这是特殊需要。长城也有很远距离的相机。激光雷达也很重要。上图这里的传感器配比不是固定的，因为当限定了场景以后，传感器可以灵活的调整。

接下来传感器怎么感知呢？比如楼下的停车场，几乎看不见车位线，怎么办？第一传感器必须满足一定要求，第二还需要其他感应器。虽然都是传感器，要求不一样。涉及的因素包括高动态范围问题，即远处有光进来，地下没有照明等。这种场景要求什么呢？一是要暗的时候能看清楚，第二要把亮的、暗的同时看清楚，这是对相机的要求。

再比如下图这样的泊车，如果停车停不好怎么来解决？这已经不是传感器的问题，而是车位的问题了。有的车位可能换一个轮胎车就进不去了，这样的问题一直伴随着我们，所以测量精度是全生命周期的问题。

过去的传感器融合是对象的融合，那现在对象级融合够不够呢？不够。下图通过视觉进行融合，这个融合是早期的融合，不是最初目标的融合。

停车场环境复杂，中国停车场建设规范至少有七种车位，还有非标准的存在，里面有各种各样的东西，感知能力挑战非常大，天气、照明、背景等各个方面的复杂性非常大。幸好有深度学习工具。深度学习是好东西，但是挑战很多:第一深度学习需要计算能力很强，从几百G到几T；其次计算模式不一样，软件工程师开发工作量非常大；第三还要装控制器里，这么多数据维护成本都很高。

另外对集成能力也是挑战。过去车厂管着几十个Tier1，Tier1自己做决定,车厂压力很小。自动驾驶创新依赖于Tier1,且不同供应商易引起同质化竞争。

现在很多车厂选了这个功能，宝马也选了，你也选了，其实你的功能和宝马没有区别，怎么办呢？创新，怎么创新？自己选择不同的Tier2，芯片要定制，工程要参与各个方面，车厂要承担集成、开发，而且还要有创新，专利归车厂。其次车厂发展架构设计、软件、算法等全周期能力。再次现在开发周期变短，要尽快先发布，然后升级变成熟。

产业链对于供应商有了新的要求。第一,多类型Tier1并存给车厂服务；第二合作模式有变化，不像过去这个生产要素和那个生产要素，需要更灵活的合作模式；第三需要多个Tier1协同；第四需要工程服务能力，帮车厂把事做成。

最后，介绍欧菲。欧菲过去做环视，后来做ADAS，然后做无人驾驶，在国内很早的启动了代客泊车项目。目前为止，有10多个客户，到现在拿到40多个定点。摄像头、环视系统在过去几年已经实现量产，第一款AI泊车系统2019年Q1发布；全自动泊车系统2019年Q4发布。已拿到了国内主要主机厂的全自动泊车项目，AVP也正在小规模示范落地，这也是欧菲在这个领域的收获，这也验证了欧菲的理念，在往L4、L5前进的过程中，并不是要等到L5实现那天才有收获，从L2就可以有收获，而且可以一路收获。

汽车测试网-创办于2008年，报道汽车测试技术与产品、趋势、动态等 联系邮箱 marketing#auto-testing.net (把#改成@)