4月20日起，智東西公開課推出自動駕駛系列課第二季，9位自動駕駛新勢力的創始人和高管陸續帶來9節系列課。
第二季第二課由縱目科技智能交通事業部總經理王凡主講，主題為《如何打造可大規模量產的自主代客泊車系統》 。在瀏覽正文之前，先了解一下本次講解的提綱：
1、自主泊車的需求有多大；
2、自主泊車的不同階段和技術挑戰
3、自主泊車系統深度解析以及落地案件
4、如何實現自主泊車系統的大規模量產
在本次講解中，你也可以獲得王凡對以下問題的回答：
– Level 2的自動泊車與Level 4的自主泊車的區別？
-高精度地圖、SLAM以及定位三者的區別？
-縱目在自主泊車的ECU中，為何選擇高通驍龍820A芯片？
-縱目的自主泊車在光線不好和無GPS的地下車庫，如何定位和規劃路徑?
「提醒：如果希望下載自動駕駛第二季每堂課的完整課件，可以在車東西公眾號（ID：chedongxi）回覆關鍵詞“系列課”獲取。如果你希望成為主講導師，可以回覆關鍵詞“導師”，進行申請」
主講實錄
王凡：大家好，我是來自縱目科技的王凡，非常感謝智東西為我們提供了一個很棒的在線交流和合作平臺，非常感謝各位同學利用晚上的時間一起來交流。今天我想和大家分享的是如何打造可大規模量產的自主泊車系統或者說是代客泊車系統。
我們最近一直在思考三個問題：
什麼是可量產的自動駕駛？
什麼是可大規模量產的自動駕駛？
什麼又是可以在中國大規模量產的自動駕駛？
在過去的一年中，我們不斷聽到國內同行說要量產自動駕駛，但是當你問到他具體做了哪些測試，累積了多少路測里程的時候，你可能發現他剛剛完成了第一個Demo，準備量產的數量可能還不到一百臺。其實這樣的產品還是在原型驗證階段。對於自動駕駛，我們還是要抱有敬畏之心的。Waymo在路測了500萬英里之後，才敢在鳳凰城小規模小範圍的進行試運營。
任何一個量產車型上用的零部件都需要經歷非常嚴苛的測試，比如冷熱衝擊、電磁兼容、耐久、腐蝕、各種極限工況的測試等等。對於自動駕駛來說，從傳感器到域控制器再到執行器的各個零部件更是需要按照功能安全的要求，對需求、設計、開發以及驗證等活動乃至整個開發流程本身都提出了非常高的要求。
我們對每一種失效的場景都要進行危害風險分析，這些是大量的細緻工作。如果跳過了這些階段，直接後果就是現在我們在新聞上經常看到的自動駕駛導致的一些人身傷亡事故。我們開發這些產品的本意是讓世界變得更美好，但這些產品卻變成了馬路殺手。這不是我們希望所看到的。
再來看一下這張圖。除了大家熟悉的SAE對自動駕駛進行一到五級的分級之外，我們還增加了Geofence的維度，也就是地理圍欄。Geo 1是相對比較簡單的場景，比如停車場、港口等。而Geo 5是非常複雜的場景，比如北京的五道口或者城鄉結合部等。
Level 2自動駕駛功能，其實現在都已經可以大規模的量產，而且可以覆蓋各種Geofence的場景，但是在左圖中可以大家可以看到右下角一些紅色的圈圈，這些代表的是在非常複雜場景下的一些高度無人駕駛的功能，我們認為這些功能在短期內還是很難落地的，雖然說有些已經可以去跑下Demo和測試了，但是還是需要安全員的。
在左邊的這些綠色圈圈代表是一些在簡單環境下的無人駕駛，比如我們今天所談的自主泊車，我們認為這些產品是有機會在短期實現商業落地的。
其實我們還可以增加第三個維度，也就是有沒有人乘坐。當有人乘坐的時候，這個無人車必須考慮到乘客的感受，如果車開的太慢，乘客可能就會感覺到很不舒服。但是如果沒有人乘坐的時候，這個無人車只需要考慮到環境的感受，只需要顧及到道路上的行人和其他的車輛，這樣一來就比較容易實現，而且即便是條件不允許，也可以在路邊緊急停車。因此在商業上更容易落地。
什麼是可以大規模量產的自動駕駛呢？這個問題要從商業的基本邏輯來看，一個產品只有賺錢才有可能大規模生產，自動駕駛可以有很多種不同的產品形態，每種產品形態都有自己對應的商業模式。
比如Waymo以及一些創業公司，他們想做的是無人出租車，這樣自動駕駛系統的成本高達幾十萬或者上百萬人民幣，但是它可以取代人類司機，節省成本。根據財務測算，如果真的運行三年之後可以實現盈利的話，那麼這個商業邏輯是通的。
但是如果讓我們老百姓來掏錢買這樣的車，幾乎是沒有人會願意去買的。所以私家車主希望的自動駕駛是在增加車價不多的前提下，有限改善我們現在用戶體驗。所以這個成本是非常重要的。
什麼是可以在中國大規模量產的自動駕駛呢？在美國，其實在高速公路的Level 2、Level 3的功能還是比較受歡迎的。因為在美國大部分地區出門就是高速公路。而在中國，我們大部分城市出門就堵車，而且中國的城市化進程還遠沒有結束，城市正在變得越來越大，有的時候我們不敢開車出門，主要的原因是擔心找不到停車位。因此對於中國車主來說，他願意買單的車一定是解決中國痛點的車。
下面簡單地介紹一下縱目科技。縱目成立於2013年，早期專注於視覺算法的開發。在2015年年底，相繼完成了A輪融資以及第一款環視產品的量產。2016年我們在北京成立了自動駕駛研發中心，專注於低速自動駕駛方向；2017年2月完成了一億人民幣的B輪融資； 11月我們發佈了針對地下停車場的自主泊車功能；12月國內第一臺搭載高清環視ADAS功能的車型正式下線，裡面採用的就是縱目的控制器。
到今天為止，縱目已經有超過兩百名員工，三個研發中心，兩個製造中心。作為Tier-1供應商完全有能力符合最嚴格的質量標準為主機廠提供最可靠的產品。
這是縱目的產品路線圖。從第一代的360環視產品開始，我們在後面又持續開發出了很多基於環視ADAS的預警功能。在剛剛量產的車型裡就搭載了縱目的DOW（開門預警）和BSD（盲區車輛檢測）的功能。
在Level 2，我們有基於環視攝像頭和超聲波雷達融合的自動泊車功能。今天，我們主要介紹的是Level 4自主泊車的功能。
從這個路線圖可以看出縱目對戰略的思考。我們認為偉大的公司必須有偉大的志向，但是每一步都必須腳踏實地。我們要讓我們走過的每一步都成為通往下一步的臺階。在環視這個可生長的平臺上面，我們持續的開發，通過量產的產品形成很好的盈利來支撐公司向前可持續性發展。
這裡可能要和大家澄清兩個概念，一個是Level 2的自動泊車，也就是Automated Parking Assist，簡稱APA，主要是完成了最後五米的控制問題；另外一個是Level 4的自主泊車，Autonomous Valet Parking，簡稱AVP，實現的是在一定區域內的無人駕駛功能。實際上我們公司是在同步開發APA和AVP兩個功能，其中裡面的很多的設計和架構都是可複用的。一方面我們的APA具備和Level 4一致的設計標準，具備良好的可擴展性和升級能力；另一方面APA的量產為我們積累寶貴的產品化經驗和大量的測試用例。
主機廠對這樣的產品也有不同的定義，比如記憶式泊車、訓練式泊車等等。這些功能有的是自主泊車的一個子集，有的可能是另外一個名字；從技術方案上來說，基本上是一致的。
視頻一（在車東西公眾號回覆關鍵字“視頻”獲取）
基於超聲波的APA的功能已經有十幾年的歷史了，但從用戶體驗來說，一直也不算很好。對於一些比較簡單的，人能停進去的停車位，APA也能停進去，但是人停不進去的停車位，APA經常也停不好。比如，從視頻中大家能看到這個立體停車庫，我相信很多開車的人都體驗過，結合我們的視覺APA就有時間有能力來解決好這個問題。
再來看一下自主泊車。生活在大城市的年輕人，週末都喜歡去Shopping Mall，可以在那裡吃喝玩樂呆上一整天的時間。但是在Shopping mall裡停車，可並不是一個很好的體驗，空氣差和悶熱，來的時候找不到停車位，走的時候又找不到車，停車場經常很大，非常容易迷路。上面這圖是網友們對上海長泰廣場停車場的吐槽。
視頻二（在車東西公眾號回覆關鍵字“視頻”獲取）
我們通過這個視頻來看一下自主泊車來怎麼樣改善逛Shopping mall這個問題。
這段時間很多城市又開始陸續增加了共享分時租賃的電動車。我自己也親身體驗過一次，是在上海還算覆蓋比較好的地區，早上七點鐘時候開始約車，結果一輛車都沒有，因為所有的車都被約走了。然後我就像刷火車票一樣不停地刷，刷了二十分鐘之後，終於刷到了一輛車，這輛車離我1.5公里，我只有十五分鐘的時間來找到這輛車。整體體驗其實並不是很好。作為用戶來說，我希望可以像使用共享單車那樣使用共享汽車，這就需要解決好最後5公里的問題。對於運營商來說，現在的分時租賃汽車還無法形成盈利，主要原因就是汽車每天使用的頻次太低，調度的成本又太高。而自主泊車的技術恰恰能夠解決這些問題。
李德毅院士今年在走訪縱目的時候提出，企業要把自動駕駛的最後一公里當做最先的一公里來做。
自主泊車技術可以應用在兩個商業模式裡面。面向車主（To C）的市場，依然是從嚴格的OEM到Tier1、Tier2供應商這種分級體制；而面向共享出行市場的To B模式，需要OEM、運營商以及不同的技術提供商在一起相互配合來構造整個生態系統。這裡可能會涉及到停車場的管理、車隊運營管理、無線充電甚至是保險公司等不同的商業模式。
我們把自主泊車的落地劃分成了三個階段：
在1.0中，我們主要想解決的是停車場以及簡單園區的應用；
在2.0中，我們會擴展到複雜的園區以及結構複雜的多層停車場；
在3.0中，我們會進一步擴展到停車場周邊的市區道路。
大家可以看出這三個階段的場景是從封閉到開放，從簡單到複雜的過程。在1.0中，我們是要來開發驗證我們系統架構的關鍵技術。在2.0和3.0中，我們會通過大量的測試來提高技術的成熟度。
我們再來看一下自主泊車所面對的技術挑戰。首先我們來看一下系統需要什麼樣的傳感器。因為傳感器的成本幾乎佔據了整個自動駕駛系統成本的絕大部分。剛才我們已經分析過了，面向大規模量產的自主泊車系統必須是一個低成本的方案。我們認為這個方案的成本應該比Waymo的系統至少低兩個數量級。
但低成本不代表在質量和可靠性方面有任何的妥協，產品必須按照最高的功能安全等級來設計，要完成大量各種各樣的測試。
另外停車場的環境有很強的特點和挑戰性，比如收不到GPS信號、缺乏統一的建築標準、光線變化很大、有些停車場的地面反光很嚴重、很多停車場的建築重複度很高、很多區域非常相似、人在裡面也很容易迷路以及牆面都是白色的，缺少一些必要的紋理信息，這些都是對傳感器算法的挑戰。
下面分別從感知、定位和規劃三個核心算法來看一下我們是如何解決這些問題的。
在開車的時候我們到底需要什麼樣的感知能力？如果是人在開車，在高速的場景通常是比較簡單的，你基本上只需要眼睛看著前方一百米這樣的距離，保持一個放鬆的姿勢就可以了。反而在低速的時候，駕駛員需要不斷地來回轉動頭部來觀察周圍的視角。這就是為什麼很多新手司機可以在高速上開車，但是到了市區反而不敢開的原因。因此，我們可以得出一個結論，就是感知的距離和車速成正比，而感知的角度和車速成反比。
因此，我們認為在低速時候，環視的4個魚眼攝像頭能夠非常好地滿足這些需求；同時，我們也會將5個高分辨率的毫米波雷達和12個超聲波雷達進行融合，形成必要的冗餘。
視頻三（在車東西公眾號回覆關鍵字“視頻”獲取）
這是我們通過深度學習在單目魚眼攝像頭中對停車場內部的場景進行目標檢測和語義分割的結果，可以實現對環境的精確理解。
在一個具體的產品中，我們面對的這些問題可能是獨一無二的。這與產品的功能、環境的特點和傳感器的配置、攝像頭的參數等等這些因素相關。所以我們很多的算法需要根據問題來量身定製，而團隊必須具備定義問題和解決問題的核心能力。
視頻四（在車東西公眾號回覆關鍵字“視頻”獲取）
這是一個通過環視拼接所生成的俯視視角，用來檢測地面的停車位以及其他的地面標誌。從左邊的原圖我們可以看到地面的反光還是非常明顯的。但是通過深度神經網絡之後，我們依然可以得到一個非常不錯的結果。
視頻五（在車東西公眾號回覆關鍵字“視頻”獲取）
這是在道路上實現的實例分割、目標檢測以及Tracking的結果。
視頻六（在車東西公眾號回覆關鍵字“視頻”獲取）
這個視頻主要展示的是對道路上交通標誌牌的檢測、實例分割以及精確的頂點定位。現在很多圖商所提供的高精度地圖裡面都包含了標誌牌的3D信息。通過這些信息，我們可以計算出標誌牌到相機平面的Homography矩陣，來計算出車輛的精確的姿態。
我們現在再來看一下高精度定位的問題。首先我想幫大家捋清三個概念，分別是高精度地圖、SLAM以及定位。
在機器人學裡面，幾乎所有的概念都是以概率的形式來定義的。高精度地圖就是在軌跡測量值已知的情況下來計算地圖的概率分佈。這裡x代表了傳感器每一時刻的姿態，z代表的觀測值，m代表了地圖。
如果x和z是非常精確的，那麼這個過程就會變得非常容易。圖商在製作高精度地圖的時候通常會採用非常昂貴的地圖採集車。而採集車的成本，每輛大概在幾百萬到上千萬人民幣，車上有高精度的組合導航設備可以獲得釐米級的姿態，多線數的激光雷達可以對環境進行非常精確的測量。對於像隧道或者停車場這種場景，他們還會佈置臨時的一些基站來實現室內定位。
在這些定位和測量基礎上，我們就可以得到一個非常高質量的地圖。然後在這樣的基礎地圖上去生成高精度的地圖數據，這個過程在第一季高德公開課的谷小豐老師的講座裡面已經講得非常清楚了。
對於自主泊車來說，有些停車場可能還沒有這樣的高精度地圖數據。客戶也希望能夠通過學習和訓練的方式來實現自主泊車的功能。實際上這是一個SLAM的過程，也就是說，當m和x都是未知的時候，我們要通過u和z來同時求解x和m的概率分佈。這裡的u代表的是一個控制命令，也可以用里程計來代替。u的質量對SLAM的效果影響還是非常大的。在我們的控制器裡面，我們設計了一套極低成本、緊耦合的組合導航，可以輸出非常高質量的里程計數據，從而保證SALM的效果。
上面這張圖是用單目魚眼鏡頭在停車場內的一個地圖構建，裡面包含了停車場兩層的結構，大家可以看到重建出來的效果還是非常好的。
我們也嘗試過用普通的前視相機在停車場裡面運行SLAM，但結果並不理想。原因主要還是由於牆面缺少必要的紋理信息。這就好比把一個人放在一個陌生的房間裡面，但是你限制了他的視野，給他戴上了一個望遠鏡，那麼他就很難搞清楚自己的位置和周圍的環境。因此這種超大FOV魚眼鏡頭在停車場裡面是非常有優勢的。
這張圖我們是用4個環視魚眼相機實現的多目聯合SLAM優化，可以進一步的提高算法的魯棒性。這張圖表示的是在完成閉環前的一個狀態。熟悉SLAM的同學可以看出來，在這個閉環的結合處，閉環誤差是非常小的。
當有了地圖，我們車輛在進入到地圖覆蓋區域的時候，我們就可以通過重定位的算法來實現與地圖的匹配，然後對車身的姿態進行連續跟蹤。一旦跟蹤成功，我們就可以開啟自主泊車的功能。
有些時候定位和SLAM也是耦合在一起的。比如可以通過Local map獲得更好的觀測來提升定位的效果，也可以通過定位時候的觀測更新地圖來獲得一個更可靠的地圖。SLAM和定位都需要使用車身自身的傳感器，所以這個成本還是非常重要的。
從右邊這張圖我們可以看到，每個傳感器都有自己的特點和適用的場景。我們的方案是將多個低成本的傳感器融合在一起來實現定位，其中涉及到了4個魚眼鏡頭、4個毫米波雷達、12個超聲波雷達、來自車身的輪速傳感器以及我們低成本的組合導航。這樣一套方案的成本非常低，但是它可以覆蓋絕大多數的場景。
這是自動駕駛中的規劃部分，大部分的自動駕駛方案採取的都是類似這樣的規劃：第一步是根據自車的位置向目標點規劃一條全局的路徑。這個過程和普通導航差別並不是很大。但是，在自主泊車尋找空車位的過程中，我們產生的通常不是最短路徑，而是一條最有可能找到空車位的遍歷路徑，然後我們再通過局部路徑的算法和決策的迭代來生成最終的規劃軌跡。
在決策中我們可以採取比較保守基於規則的策略。這種適用於規則比較簡單明確的場景，也可以讓系統從人類駕駛員這個專家數據中去學習，學習人類的駕駛習慣，也可以把這個算法放在模擬器裡面通過增強學習的方式來學習。
這幅圖是一個簡單的迷宮任務，我們通過一個CNN的網絡來學習專家規劃出的路徑。從這個結果中可以看到，綠色代表的是專家規劃出來路徑，紅色代表的是網絡學習之後自己規劃出來路徑。從中我們可以看出網絡通過學習之後，會規劃出一條和專家的策略類似但又不完全一致的一條路徑。
對於局部路徑規劃來說，停車場內的局部路徑規劃和道路上有比較大的不同。停車場內的很多區域比較狹窄，轉彎也都比較急；對於人類的新手司機來說，也經常會發生各種各樣的擦碰事故。
大家知道汽車的運動受到非完整性約束的限制，沒辦法進行原地轉向。左邊這張圖是MIT在DARPA 2007城市挑戰賽中的算法，主要是通過RRT的方式在狀態空間中隨機採樣，然後再通過closed-loop在線模擬生成一條更優化的軌跡。
右圖是CMU提出的方法，他在A*搜索的基礎上面，把二維的搜索空間擴展到了三維的搜索空間，可以去覆蓋不同的航向角。後面也有人提出了進一步優化，比如把曲率、速度、加速度都加到搜索空間裡面，但是這樣會造成搜索空間非常的龐大。
這兩種算法都可以用在停車場裡面，具體的細節大家可以去閱讀一些相關的Paper。但是在具體實現的產品實現的時候，還是有很多的細節技巧可以來幫助提升整體的性能。
最後我們再來系統地看一下縱目的方案。我們這裡採用了4路環視攝像頭，一個前視攝像頭、一個非常低成本的IMU，大概是幾個美金左右，還有4輪轉動脈衝、方向盤轉角是來自於車身，一個普通的GPS傳感器、超聲波雷達以及5個毫米波雷達。
可以看出這些都是非常低成本的，而且得到了廣泛量產驗證的傳感器。低成本的傳感器通常來說精度也都比較低，因此我們需要通過傳感器融合算法來相互抵消這些誤差。
對於傳感器融合，要想得到一個好的效果，就需要把每個細節儘可能地做到極致。比如實現傳感器的時鐘同步就有好幾種方式，如果每一個傳感器都帶來幾毫秒甚至幾十毫秒的誤差，那整個系統就很難把效果做好。
再比如標定。標定的算法優劣也會對精度有一些影響，對普通的視覺功能來說，可能看不出特別大的差別，但是對於自動駕駛功能來說，經常就是失之毫釐，謬以千里。
這是縱目APA自動泊車的架構，我們輸入4路環視攝像頭、超聲波雷達以及車身傳感器的數據，通過我們的APA ECU融合這些數據信息，然後做出相應的規劃來向車身發出橫向和縱向的控制指令。
這是我們自主泊車的控制器架構。我剛才提到了我們和APA保持了非常相近的架構設計。這裡只需要增加幾個傳感器，然後升級ECU就可以完成自主泊車的功能。
在自主泊車的ECU中，我們採用了兩個計算單元：高通的驍龍820A可以完成非常複雜的深度學習、SLAM、規劃等算法的計算；恩智浦（NXP）的S32K可以來完成涉及功能安全的控制。
之前有很多小夥伴來問我們，說為什麼我們會選擇高通820，而不是其他公司芯片？我也想借這個機會來分析一下我們的想法。
首先，我們的軟件和算法是跨平臺設計的，很容易就可以移植到不同的硬件平臺上面。但SOC並不是一個標準化的產品。另外，想把每個芯片的性能發揮到最佳的水平，就需要進行深度優化工作。這一點我非常感謝高通過去給我們大力的支持。我們和高通總部研發部門保持著密切的溝通。我們的想法也會得到及時的配合，甚至體現在下一代芯片設計之中。
第二，從戰略的眼光來看，我們認為在自動駕駛中，單純比拼計算能力的時間很快就會過去。因為我們看到，其實每家芯片原廠都已經具備了非常強大神經網絡加速功能，最終比拼的還是綜合能力，比如成本控制、生態構建甚至是公司文化。我們相信高通和恩智浦在汽車領域的決心和能力。
這是我們產品的HMI設計，除了標準的車機導航之外，我們還會有一個手機的APP。
除了車機和手機之外，我們還會有一個雲端架構。在這個雲端架構之中，我們可以和更多的停車場、地圖數據、充電服務商等後臺進行對接，還可以實現用戶管理、安全認證、人車通信，對傳感器的數據進行收集，然後再利用這些數據迭代來實現算法的更新、地圖的構建、甚至未來的眾包地圖。
這是我們的數據平臺。在整個開發過程中，我們會利用自己的路測車輛採集大量的數據，這些數據會包含車身傳感器的所有數據以及一些真值數據。同時，我們的每一個用戶車輛也是數據採集平臺。這些數據經過一些少量的人工干預之後，會送入到我們的深度學習平臺進行訓練，這樣我們會得到更好的算法。同時，這些算法模型會更新到每輛車輛中，我們在通過這種方式形成有效的數據閉環，快速迭代我們的算法。
在產品認證階段，我們也有不同的方式來進行驗證。首先，我們有一套針對停車場的環境以及我們自身的傳感器架構定製的模擬器。我們可以把真實停車場的高精度地圖以及路測數據導入到模擬器中，也可以定義各種各樣不同的環境以及交通流。我們在這個模擬器的環境裡面可以積累大量的測試用例。
我們也有自己封閉式的測試區。在每個版本發佈之前，我們都會在封閉區內完成一系列的測試。我們會根據功能安全的分析，來設計各種各樣的傳感器失效場景以確認系統的魯棒性，這些都會在封閉測試裡面完成。
我們還將在開放的停車場裡面進行路測。當然也是在符合國家法規的情況下，會根據實際的情況來生成具體脫離次數的檢驗報告。
在網絡安全方面，我們也有互聯網方面的安全專家來進行網絡攻擊的測試。
視頻七（在車東西公眾號回覆關鍵字“視頻”獲取）
這個視頻是我們專門為停車場環境所定義的模擬器。
對於這些事情我們也有一整套的行動計劃，我們在去年年底發佈了自主泊車1.0，現在正在開發2.0的版本。我們的自主泊車車隊會在今年積累到十萬公里以上的路測數據，這些是我們在2018年需要做的事情。
到了2019年，我們會利用這些收集起來的數據來驗證我們的系統。我們會和共享出行的合作伙伴一起來部署一萬輛車。然後再利用這些車到路上去收集更多的數據，這樣我們可以快速積累到上百公里的路測數據，之後通過這些數據來迭代產品的性能，驗證我們的可靠性。我們相信在這之後主機廠的相關車型也會逐漸導入量產，而這個時間點大概是在2020年。
最後再來總結一下，對於大規模量產的自主泊車方案來說，成本是非常重要的，但是安全更加重要。要用低成本的傳感器來實現高水平的感知和定位能力，必須要有足夠的傳感器融合能力，這裡不僅包含軟硬件以及融合算法，並且還要一整套開發驗證的流程來支撐。
Q&A環節
提問一
顧帥-上汽-視覺算法工程師
1、有什麼比較好的通用型方案，可以適用於目前不同場景下自主泊車？
2、目前視覺能否解決光線影響的魯棒性問題？
王凡：1、其實我剛才也已經講了，不同的傳感器有不同的特點，如果使用單一傳感器難免會在某些功能Case下會失效，所以最好的方式是進行傳感器融合。
2、這要從幾個方面來看:
從傳感器來說，我們需要採用儘量有具備高動態和低光照能力的攝像頭。
從算法角度來說，我們需要設計對光線進行魯棒性很好的算法。
從系統的角度來說，有些情況我們是不可避免的，比如在完全沒有光照的情況下，我們可以利用其他的一些傳感器，比如毫米波雷達來實現一些基本的功能。如果在條件確實非常惡劣的時候，我們可以判斷出無法開啟這些功能，也可以關閉自動駕駛並停車，來提示用戶進行接管。
提問二
胡新桂-Telenav-自動駕駛工程師
1、在自主泊車中使用深度學習嗎？若使用，據我所知，縱目都是使用高通芯片，能達到實時性嗎？
2、縱目的自主泊車在光線不好和無GPS的地下車庫，如何定位和規劃路徑?
3、大家都知道國內尤其大城市，地下車庫都有好幾層而且停車比較多，如何找到一個空車位並停進去？
王凡：1、首先，我們確實是在自主泊車的功能中大量使用深度學習，對於攝像頭的檢測，包括可通行區域、車位線、車輛、行人等等檢測都是通過深度學習來實現的。
對於高通820芯片的計算能力，我們自己實測的計算能力大概能夠達到1.2Tops，可以看出計算能力還是相當不錯的。高通820A裡面有GPU、DSP都可以實現深度學習的計算，可以達到很好的實時性。
2、這主要還是一個定位的問題。我剛才也說了，我們確實也遇到過一些光線不好的情況，這比較考驗的主要是傳感器以及算法的魯棒性，我們曾經在一些停車場裡進行測試，而這些停車場到晚上的時候是會關掉百分之九十的燈光，但我們依然可以進行比較穩定的定位，這就說明我們算法的魯棒性還是非常好的。在地下停車場中，因為沒有GPS，所以我們主要定位的方式是通過自身的傳感器，其中主要是攝像頭。未來我們還會加入毫米波雷達、超聲波雷達這些定位方式。
3、首先我們有整個停車場完整的地圖，可以通過停車場的道路來規劃一條遍歷的路徑。通過我們的傳感器，我們可以在行駛的過程中去搜索空車位。而對於專用車位，我們會在地圖中進行標識。
同時，我們現在也在和國內一些比較主流的停車場管理方進行合作。我們會把他們的停車位空閒位置信息加入到我們的系統雲端，這樣我們的車就可以知道哪裡有空閒車位，甚至我們可以預約一個空閒車位，可以極大地改善我們的體驗。
提問三
文傑-華域汽車-工程師
1、代客泊車量產的方案怎麼考慮到隨著車輛的增多系統的承載量問題？怎麼考慮大容量的實時問題？以及從通訊層面來說怎麼考慮到信息安全的問題？
2、代客泊車在Gps信號缺失，傳感器受到干擾的情況下，怎麼實現代客泊車的？是採用slam嗎？
3、主要架構是用超聲波和視頻融合一起做的嗎？
王凡：1、我們現在的自動駕駛方案在終端有很強的計算能力，比較少依賴雲端的計算和通訊，所以我們對雲端的負荷並不是非常的重。隨著越來越多自動駕駛的車輛引入之後，雲端的容量必然需要擴大。我們也看到現在互聯網技術發展非常快。對於移動互聯網來說，它的容量要求遠遠比自動駕駛汽車的要大，所以我覺得這個應該不是問題。
在通訊層面上，未來5G的或者是V2V，V2X增加上來之後，肯定可以提升很多自動駕駛方面的體驗。信息安全方面，肯定是所有公司需要非常重視的，從產品的設計出發以及各種各樣的網絡安全測試出發都是需要做好的。
2、在停車場裡面確實是沒有GPS的，我們需要通過定位技術實現在停車場內的地圖定位。像剛才講到的，我們首先需要對停車場建立一個地圖，然後利用地圖定位算法實現定位。而定位所使用的傳感器會包含視覺傳感器、毫米波雷達傳感器以及里程計的這些數據，這是一個最終融合的結果。如果停車場裡面沒有這個地圖，我們可以通過SLAM的技術來構建這個地圖。
3、我們是超聲波和視覺融合做的，但也不完全是，我們還會融合其他的一些傳感器，包括毫米波雷達、GPS、IMU。為什麼要有GPS呢？比如你在戶外的時候，你可以通過GPS知道自己的初始位置。當你進入到停車場的時候，我們可以知道它在停車場的初始位置。
提問四
韓偉斌-上汽-視覺工程師
1、請問下環視庫位檢測的檢測幀率能有多少？
2、庫位檢測的準確率、召回率有多高？
王凡：1、對於幀率，我們認為並不需要非常高，可能每秒鐘五幀左右就已經足夠了。
2、和第一個問題相關，在運動的過程中，只要在它的視野範圍之內，我們會對同一個車位連續進行檢測。所以，即便可能有單幀檢測不出來的情況，那在整個運動過程中，它總的檢測準確度還是非常高的。你說到準確率和召回率涉及到一個數據集的問題，因為目前缺少一些標準的數據集，所以我現在說的這些答案也不能有代表性。
提問五
韓永順-比亞迪-軟件工程師
主機廠一般都有相關的傳感器，例如360環視攝像頭、雷達的，如何說服主機廠開放或者如何共用這些傳感器呢？
王凡：我們現在看到的有很多自動駕駛的整體架構是由主機廠來主導的。但主機廠也會來聽取我們不同供應商的意見。在過去，比如兩年前，我們和主機廠打交道的時候，主機廠也會說一些問題，比如博世的ESP接口是不開放的，我們如何進行控制。但在今天，我們可以看到越來越多的趨勢是向著開放的這個方向在發展的。
提問六
李工-寶沃汽車-駕駛輔助工程師
自主泊車大規模量產的話，過程中發生的事故，由誰負責，泊車系統開發商還是整車廠？
王凡：這個問題不僅是自主泊車，而是所有自動駕駛產品都會面臨的，很有可能會由新的保險類型來解決。
閱讀更多 智東西 的文章
