自主泊车方案在自动驾驶领域，作为L4级别自动驾驶方案中的一个分支，自主泊车方案一方面整合了L4级别自动驾驶的技术，另一面由于场地的特殊性让其商业落地成为现实。

 

 1 智行者发布自主代客泊车（AVP）方案

2019入秋前一天，智行者发布自主代客泊车（AVP）方案。

这是继纽劢科技、百度、Momenta之后今年第四家发布自主代客泊车方案的科技公司。

相比其他三家不同，智行者自主代客泊车方案主要强调基于增强视觉标签的AVP解决方案，该方案结合低成本车规级硬件方案与轻量级场端改造。

智行者采用的增强视觉标签式AVP解决方案在车端配置了4个环视相机、1个前视相机、12个超声波雷达和4个毫米波雷达。

 

对于传感器硬件来说，这些都是可量产的传感器组合，价格可控制在千元级别，其中某些具备L2级别的自动驾驶汽车已实现部分硬件标配（包括10万元级别的国产车型）。

据介绍，智行者提出的AVP解决方案基于增强型视觉标签进行车辆的全局路段规划、高精度定位、局部路径引导以及特殊路段语义信息标注，通过增强标签及云端调度进行轻量级场地升级，模拟出一套适用于任意停车场的完备交通系统。

 

其中，增强视觉标签式AVP解决方案由云端进行全局路段规划，规划路段可表示为S1-S2-S3(A5)（见上图）将增强标签直接作为表述协议，使用这种方式可以简单准确地进行全局路段表述。

同时，通过标签拓扑关系及检测到的标签信息，车辆能够时刻定位当前所在的全局位置。

 

 

该方案所使用的局部路径规划技术利用了增强型视觉标签的组合，将连续标签的组合视为用于定位导航的虚拟车道中心线，车辆根据虚拟车道中心线进行局部路径规划。

增强视觉标签式AVP解决方案使用基于鱼眼环视相机，拼接生成鸟瞰图像，利用基于深度学习的计算机视觉方法，实现对标签的实时精准检测和定位，对外部环境如光线强度等鲁棒性较强，目前在各种干扰条件下可以达到精确检测标签类型超过20个，其中包括导航信息标签及语义信息标签等。

在计算基础平台层面，智行者计算基础平台分为ECU层、操作系统层和中间件层，ECU层包括高性能平台和安全平台。

 

前者强调计算性能，后者强调安全性。

针对前者，采用POSIX OS和Adaptive AUTOSAR发挥多核性能、保证灵活性。

针对后者，采用OSEK OS和Classic AUTOSAR保障安全，自动驾驶系统层实行软件与算法分离设计。通过可视化配置，可以轻松将基础组件（算法）进行组合（架构），快速形成产品。

可以说，低成本车规级硬件方案搭配轻量级场端改造，智行者推出的这项增强视觉标签式AVP解决方案在保障安全第一性的基础上，以量产级与商业化为重要优势，真正做到了兼顾智能车辆环境适应能力与改造成本这两个重要的评价指标。

增强视觉标签式AVP的主要优势包括以下五个方面：

1、完备性：所使用的增强标签系统能够模拟车道线、交通标志及红绿灯信息，形成完备的交通系统，实现泊车过程中跟随、让行、避让、车位检测及泊车功能；

2、轻量级：无需对场地地面实体进行改造，不需要安装激光雷达、UWB等昂贵的非量产设备，预计改造成本1000元/万平米，真正做到了降低改造成本和量产阻力，方案可适用于露天、地下及多层停车场等基本停车场场景，场地适应性强；

3、量产级：复用车载环视相机、毫米波雷达及超声波雷达，硬件成本低，对车身外观无需特殊要求；

4、标准化：可以全方位监控车辆状态，对接至客户已有云端系统，实现监控数据全透明化，并且可以根据客户需求定制手机APP、云端管理系统；

5、商业化：无需进行场端实体改造，场端改造成本低，场地标签作业流程快速高效，每天可完成1万平米场地作业，无需高精度地图采集和日常维护，运营维护成本低。

为了完整展示智行者自主泊车功能方案，这次智行者公布了一段实拍自主泊车视频。

https://v.qq.com/x/page/t0910w59yn7.html

从视频来看，智行者通过对一辆北汽新能源ARCFOX的首款微型电动车LITE进行改装，使用者在停车场入口通过手机APP选择自主泊车功能，同时，结合远程监控和调度平台该车会进入自主驾驶状态，值得注意的是远程监控和调度平台是智行者自主泊车方案中特有的云端后台调度系统，这一系统是完全由智行者自主实现，可同时实现上百台车辆的整体调度。

进入停车场后，智驾君发现与其他家在场端自建高精度地图不同的是，智行者通过视觉增强标签系统的方式引导车辆自主行驶，方案中配合视觉增强标签系统使用，为智能车辆下发场地配置信息与目标车位信息，提高车辆寻路、找车位的效率，同时可以进行多车调度，提高了整体泊车效率，这样做的好处是无需场端激光雷达改造和视觉建图。

在这一方案中配合视觉增强标签系统使用，为智能车辆下发场地配置信息与目标车位信息，提高车辆寻路、找车位的效率，同时可以进行多车调度，提高了整体泊车效率

在停车场中，智行者团队对该车设计了两种常见场景：行人穿行、车辆自主避让。

当有人从车辆一段快速出现时，该车成功完成自主刹车功能，当人离开车辆正前方，车辆继续前行。

 

当车辆驶出车位时，如遇到前方有正在驶过的车辆，该车会自动停车等待，当车辆完全驶过，该车辆继续行驶。

有人从车辆一段快速出现时，该车成功完成自主刹车功能，当人离开车辆正前方，车辆继续前行。

 

根据对外公布的视频来看，智行者自主泊车方案中的车辆行驶较为平稳，在行驶过程中偶遇行人、车辆判断障碍物准确，在转弯是，车辆方向盘转动规律平稳。

据介绍，智行者公司内部组织独立团队投入AVP的研发已有一年时间，现阶段该低成本量产级方案已达到设计指标要求，希望下一步合作伙伴一起推动该方案的快速落地，最快的商业预计在2020年左右。

从智行者发布的方案来看，相比国内之前发布的自主代客泊车方案，智行者自主代客泊车（AVP）方案主要优势在于我们结合了车端改造与场端改造的优势，使用轻量级场端改造，配合云端后台调度，不引入激光雷达、UWB等昂贵传感器。

同时在车端使用低成本车规级硬件方案，提高智能车辆环境适应能力，在环境适应能力与改造成本的平衡中取最优值，无需高精度地图，后期运营和维护成本低。

智行者联合创始人/技术研发部高级副总监张放表示，“视觉增强标签系统是我们这一方案的特色，从想法提出到实施完全由我们团队自主完成，我们不使用高精度地图的原因主要是，地图的采集与场端变化所造成的日常维护相对来说成本比较昂贵，并且在进行高精度地图匹配时，如果使用如果采用激光雷达传感器，那么会大大提高成本，如果采用摄像头传感器，那么会比较依赖外界光线条件。我们的视觉增强标签系统的定位精度是在厘米级的，相对于高精度地图的方案在成本和使用效果方面都有相当的优势。这一方案如果说弊端的话，就是在标签张贴上需要与停车场进行协调，与系统所带来的方便快捷相比，可以说是几乎没有什么推广压力了。"

目前，行业普遍认可的自动驾驶商业落地需要从4个维度进行考量：封闭场景/开放场景、固定路线/自由路线、低速/高速、车内有乘客/车内无乘客。

如果对这4个维度的8项条件进行整合，可以发现自主泊车将是L4级别自动驾驶中最先实现商用化的一项功能。

目前，国内外互联网科技巨头、传统车企和创业公司纷纷投身汽车智能化变革，提出了多种自动化驾驶解决方案实现自主代客泊车，可大致分为以下两类：

以场端改造为主的技术方案：该方案将激光雷达、UWB等传感器安装在停车场，车辆仅需具备电子制动、自动换挡、电子助力转向及远程互联功能即可。但由于其场端改造的建设和维护成本较高，目前仅有一些示范性演示，难以大规模推广。

以车端改造为主的技术方案：该方案主要利用车载视觉或激光雷达等传感器用于高精度建图、定位和障碍物检测。其不足之处为：依赖高精度地图，需要专业地图供应商介入，采集和更新地图成本高，短期内商务及运营压力大。

2018年11月12日，搭载驭势AVP自动代客泊车（自主泊车）系统的宝骏E200-智能泊车产品首先落地，并面向终端消费者落地交付。

行业预测到2023年，自动泊车系统的普及率会超过20%。

不过，另一面，就地下停车场而言处在非公共交通管理区域内，一旦无人的自主泊车车辆发生交通事故其事故责任很难鉴定。

最后，总结一下目前市场主流科技公司的自主泊车方案：

 

百度

视频演示https://v.qq.com/x/page/v088217mxa6.html

https://v.qq.com/x/page/w0893zqq0i5.html

百度自主泊车解决方案试运营_最后一公里自由

传感器配置：未透露

是否场端改造：否

商业时间：2020年。

智驾点评：作为智能驾驶时代的技术创新产物，百度Apollo Valet Parking自主泊车方案利用百度独有的车云图厂一体解决方案以及云和高精地图优势，实现了智能泊车场端改造的最佳性价比，车端百度通过车规级传感器可以实现车辆的中、近环境感知、轨迹规划和车辆控制，加之百度云和百度的数据积累经验及大数据分析能力，百度高精地图在国内多家OEM测试通过率100%，相对精度为0.1 ~ 0.2米，冗余率/遗漏率仅为0.01%，从而实现自主泊车巡航精度和高安全。，与此同时，基于高精地图和视觉AI，自主泊车可以保障10cm精度定位和巡航。

驭势科技

演示视频  https://v.qq.com/x/page/x06364gy80t.html

传感器配置：环视摄像头+前后视摄像头+超声波雷达

是否场端改造：否

商业时间：2018年11月

智驾点评：作为自主泊车功能最早实现商用的科技公司，驭势科技除了自身技术过硬之外，很重要的一点在于通过运营运维服务平台实现端到端仿真系统、人机交互系统和数据管理平台等几大模块实现对车上传感器数据的采集、存储、传输及分析流程自动化，不断优化无人驾驶算法、系统安全性及用户体验，对系统组件做实时和预测性的运维，支持无人驾驶应用的运营和管理，同时远程监控系统可以进一步增强系统在复杂环境下的运营能力。

纽劢科技

 

传感器方案：未透露

是否场端改造：未透露

商业时间：未透露

智驾点评：纽劢科技自主泊车方案主要集中在自主接驾、实时车位寻找、智能经停、智能避障方面的能力，其在自主泊车的过程中，可以识别小孩、地锁、车辆、锥形桶等细分障碍物，通过厘米级定位最大化车端智能，具有鲁棒性高、入位误差距离小于5厘米、入位角度小于1度等特点。

Momenta

 

演示视频 https://v.qq.com/x/page/n0897emjswx.html

传感器配置：4个环视鱼眼摄像头、12个超声波雷达以及消费级IMU和GPS。

是否场端改造：否

商业时间：未透露

智驾点评：相比昂贵的激光雷达建图，Momenta采用视觉为主的方案实现自动化建图，该视觉方案与自动泊车硬件可通用，在建图过程中，通过深度学习算法提取视觉语义特征，使用SLAM技术自动生成基于语义的高精度地图，整个系统可进行云端和车端自动建图，精度达到10cm级别。

完全自主泊车，千元级硬件成本

今日正名者：Momenta。

这家中国自动驾驶独角兽公司，刚刚发布了自主泊车产品Mpilot Parking。

这是一款怎样的产品，不多说，先看货。

 

产品初体验

自主泊车，顾名思义就是泊车进库全程让车“自主”。

在Momenta苏州总部地下约500平米的多层写字楼停车库，我们随这辆自动驾驶改装痕迹并不明显的林肯MKZ，体验了全过程：

到达停车场，司机下车，自主泊车启动：

开始从地面进入地下，下坡，光线变暗。

地库行车中，速度5公里\小时左右，但人车混行场景很常见：

也有其他人类司机正在泊车，无人车选择停下等待，先让其完成：

最后，到达目标停车位，倒车入库。如果是非写字楼场景，也可以指定或让无人车“自主”寻找空闲车位泊入：

接下来切换使用场景——无人车受到车主远程召唤，泊出：

再次遇到其他车辆，但这次无人车检测判定可以绕行，于是绕行通过——相似场景，不同处理方式，也体现出系统老司机的那一面。

最后到达电梯口，车主上车，自动驾驶系统继续帮助开出地库。

全程零接管，车主远程通过手机就能一键启动和召唤。

可以预想的是，一旦方案进入前装并以量产车交付，停车入库的时间将得到节省，不少停车场的剐蹭事故也能极大避免。

而且令人振奋的还有时间表，Momenta方面透露，跟多个标杆客户的实际合作已经展开，2021年-2022年该产品方案就会陆续通过量产车交付。

自动驾驶产品检验标准

虽然不是头一家推出自主泊车产品，但Momenta该款产品，确实不一样。

有啥不一样？体现在车主体验层面的大不一样。

区别于之前的自主泊车方案——不限场景、不堆昂贵传感器，甚至不依赖停车场智能化改造。

产品可以经得起三大标准的检验：可用、好用，容易用。

先从可用说起，核心检验项是成本。

一套自主泊车方案，从车库入口到车位停稳熄火，如今技术上并非不能实现，然而一旦需要加持激光雷达等激光雷达的传感器，量产门槛就会被大大推高。

而且当我们说“可用”，还得是人人买得起的可用，任何车型可配的可用，无需经年累月等待车规标准的可用。

Momenta的方案，实际就是以此倒推打造的成果。

整套传感器系统，共搭载4路环视鱼眼相机、一个前视摄像头，外加12个超声波雷达，均是已成熟量产符合车规的传感器。

虽然没有明确公布成本数据，但略微对汽车产业供应链熟悉的话，也就约为一部手机的售价——还是国产手机。

如果传感器成本才多一部手机的钱，就能让每天车库出入交给机器，算不算可用？

其次是好用，核心考验的是场景应对能力。

换而言之，任何时候任何场景都不需要车主来接管的能力。

区别于环路无人驾驶，地库车速相对较低，但依然不乏极端场景。

比如人和其他车辆不规范操作的场景，车辆占道或超出正常车位的场景，多层车库上下坡造成环境变化的场景。

都会影响自动驾驶正常行进，也就要求自主泊车方案能够准确感知障碍物的种类、尺寸、距离以及运动状态，也需要有更完善准确的定位能力。

最后是容易用。核心要求是买来即用，不挑场地。

之前已经发布的自主泊车方案，或者对车端智能传感设备配置要求高，或者对停车场智能化改造有依赖。

最常见的是用传感器改装停车场，通过车路协同的方式降低车端智能的难度，但无论是成本，还是改装时间，都带来新问题。

这都会阻碍自主泊车的真正落地使用。

从车厂和车主角度而言，谁又希望卖车和新方案时，还要让用户考虑是否所有停车场都能去的问题？

所以场端依赖一日不解决，自主泊车方案都不能算易用。

而且既然是容易上手，就得“开箱即用”，不能再让用户参与长时间的“路测”。

所以此次Momenta也将其另一项核心壁垒能力——高精度地图的建图定位技术，落地到了产品方案上。

 

背后技术详解

如此水准的自主泊车方案实现，所用技术肯定不止一项。

现已业内耳熟能详的感知、决策规划、控制和定位，均在其中发挥作用。

但此次Momenta之所以方案可用好用易用，最具功力的自然是高精度地图建图方面的突破。

熟悉Momenta创业史的人，都对Momenta的高精度地图方案不陌生。

但现在，“重活苦活”正在转换为优势。

一方面是Momenta业已成熟的低成本自动化建图。

相比昂贵的激光雷达建图，Momenta采用视觉为主的方案实现低成本自动化建图。

建图采集系统使用成熟的四路环视鱼眼相机、消费级IMU及轮速等传感器，总成本较低。

在建图过程中，通过深度学习方法提取视觉语义特征，使用SLAM技术自动化生成基于语义的高精地图。

整个系统云端和车端都能完成实现，无需人员参与，精度达到10cm级别。这是什么概念？一般车道线是20cm。

另一方面是建图的低门槛：量产车行驶过停车场就能完成。

当搭载了Mpilot Parking的车辆进入地图未覆盖区域，车辆行驶过停车场即可自我学习、建立该区域地图，并上传到云端，便于后续基于此地图上进行定位。同时，行驶在此区域的其他车也可共享受惠。

这种众包方式，也是快速规模化实现低成本建图和更新的关键所在。

无需专门的地图采集车，支持量产车辆自主建图，多辆车通过众包实现快速规模化建图和更新。

而且随着时间的推移，地库中增加或消失的元素，都可以通过众包车辆进行地图元素的实时更新。

不得不说，确实是应对“无限战争”的一次人民汪洋大海式的解决之道。

魔视智能

 

传感器配置：4个环视摄像头、12个超声波雷达、5个毫米波雷达。

是否场端改造：否

商业时间：未透露

智驾点评：魔视智能自动代客泊车技术基于V-SLAM完成定位，在不需要场端改造设施情况下可实现跨层泊车，通过实时定位，魔视智能具备传感器检测到的信息与地图进行实时叠加能力，其车辆车辆定位精度可控制在10厘米以内。

 

 

参考资料

【1】https://mp.weixin.qq.com/s/Q8PzeARVntDOnzABKzFEmA

【2】https://mp.weixin.qq.com/s/2qtcQIADA-070ZVbbO9fLg

 

 

 

魔视智能

从最初的不被看好，到赛灵思、英飞凌为其加码。这意味着魔视智能的技术和实力已经得到了国际企业的认可，并在自动驾驶领域占有一席之地。

2018年9月27日，魔视智能宣布其基于嵌入式深度学习技术的乘用车及商用车辅助自动驾驶产品已在主机厂上正式量产。同时，其基于车规级嵌入式处理器和深度学习的量产级自动泊车产品也正式发布。魔智已带领其辅助自动驾驶前装产品开通了一条量产之路，成为国内首家实现基于深度学习的辅助驾驶前装量产的自动驾驶公司。

量产级自动泊车产品发布

魔视智能也公布了其基于FPGA方案和深度学习的量产级自动泊车产品。该自动泊车方案，通过四目视觉感知和超声传感器融合，采用深度学习算法，对车身周围停车位进行感知及决策，实现半自动和全自动泊车控制，以及一键式遥控泊车。

和传统自动泊车系统采用的纯视觉或超声波方案，基于深度学习的视觉同超声波融合的自动泊车方案的优势在于，能够满足车位识别的鲁棒性要求，可以完成不同形态车位、不同材质路面、路沿的识别。而采用传统学习算法的自动泊车产品，仅适用于单个或几种简单场景。

虞正华也介绍了未来泊车的发展路径及魔视智能的自动泊车产品规划：

• 3D环视：通过360度全景摄像头，完成简易的图像拼接显示功能。这也是目前大部分量产车辆搭载的辅助泊车方案。而通过360环视摄像头完成道路图像拼接，摄像头在检测道路信息的过程中并不支持目标图像识别，驾驶员仍需依据拼接图像控制车辆，完成泊车。 

• 自动泊车：当驾驶员将车停在停车位附近时，系统通过环视检测、深度学习方法的图像识别感知垂直车位、横向及斜列车位等，实现自动泊车入位、遥控泊车，无需人工控制。魔视智能计划在2019年大规模量产自动泊车产品。

   

• 自主代客泊车：利用多摄像头与其它定位传感器融合，及在线或离线高精度地图，基于VSLAM和深度学习紧密耦合实现6D车辆定位。驾驶员无需寻找车位，车辆自主完成泊车。魔视智能计划在2020年完成自主代客泊车产品的量产。

  自主代客泊车依赖车辆定位技术完成。魔视智能利用车上环视摄像头，基于VSLAM和深度学习的高度耦合，魔视智能已经完成了600米路径的闭环测试，定位精度达到10厘米左右，相对行驶距离的漂移为0.62%。目前KITTI上世界第一的结果是0.65%。值得一提的是，魔视智能在闭环测试中采用鱼眼环视摄像头的视觉方案，而图像畸变的出现，对于算法处理也是一大挑战

• 高级自动驾驶：即车辆实现完全自动驾驶

虞正华提到了目前自动泊车产品量产之路面临的一些难题：和车厂对接过程中，自动泊车产品在设计方面需要满足严格的车厂规范；同时，不同工况下，自动泊车产品的多场景覆盖性需要长时间的测试积累。

魔视智能基于深度学习和车规级嵌入式平台的自动泊车方案，目前已同多个主机厂及供应商进行产品测试和验证，并计划在2019年实现大规模量产。

魔视智能的三大高地

虞正华提到，除与赛灵思、英飞凌合作，使用其芯片外，魔视智能已经搭建了从数据采集、后端处理，到算法模型，训练模型，硬件搭载的完整闭环，并在深度学习算法、汽车嵌入化平台、优质数据三大方面构建了一套核心的技术路线。这也成为魔视智能对标辅助系统ADAS领域中其它公司的三大高地。

魔视智能是首个兼具深度学习及VSLAM算法技术的自动驾驶初创公司。不同于传统人工智能计算方案，魔视智能在成立之初将深度学习技术作为基调。同时，不依赖高成本激光雷达，利用摄像头为主的SLAM技术完成相对和绝对定位，解决了成本及量产难题，这成为魔视智能在核心算法方面的一大高地。

在深度学习方面，虞正华提到，魔视智能起步早，而Mobileye在第四代系统芯片EyeQ4上开始引入深度学习技术。另外，鉴于中国政策及复杂的道路环境，魔视智能在中国道路数据积累方面更有优势。

魔视智能深度学习算法曾参加无人驾驶算法评测数据集KITTI、CITYSCAPES算法评测数据集等多类比赛，并位居世界前列。CITYSCAPES由戴姆勒集团组织进行，Cityscapes Benchmark即基于深度学习的语义分割，其任务为基于道路视频的像素完成19种类别区分，包括各种道路和街景特征、交通标志等，并输出算法结果。

虞正华提到，完成算法测试效果并非重点，重要的是，基于强大的深度学习算法的优化设计能力，采用网络裁剪、低比特数定点化等技术，魔视智能将其应用到低成本的FPGA平台，并实现量产。基于深度学习的算法目前可以完成轿车、中巴、大巴、车道线、路沿、Freespace等道路信息的识别。

基于深度学习及VSLAM算法，如何做好汽车嵌入化平台是ADAS及自动驾驶视觉方案供应商的核心，也是魔视智能的第二大优势。在嵌入式芯片平台方面，魔视智能选择基于赛灵思FPGA方案设计开发视觉芯片系统。新智驾了解到，魔视智能在商用车、乘用车前视智能驾驶辅助一体机及自动泊车产品方面选用了两种不同的处理器方案：

• 针对面向商用车、乘用车前视智能驾驶辅助一体机产品，魔视智能基于Xilinx Zynq-7020处理器完成嵌入式开发平台；

• 自动泊车及自主泊车产品，魔视智能采用Xilinx  ZYNQ 及MPSOC系列处理器。

算法复杂性对于芯片算力的依赖始终困扰着整车产品工程。 如何在低成本低功耗的硬件芯片局限下实现高度智能和实时的复杂神经网络，一直是困扰人工智能在汽车行业落地的难题。

 

魔智能将FPGA方案作为目前最优解。王学海提到，深度学习算法更新迭代迅速，FPGA的可编程性为其提供了灵活性。GPU成本功耗高，DSP并不适用深度学习。大规模量产的ASIC芯片有其成本优势，但当下其无法满足深度学习算法的更新。且因为国内车厂“多品种小批量”的打法，ASIC无法满足多功能的适配和功能的快速迭代。未来算法相对固定、足够的用户基数满足成本分摊，ASIC的优势才会显现。

同时，ADAS产品量产意味着汽车嵌入化平台已满足车规级要求。王学海提到，对于车厂量产来说，诸多公司在后备箱放置的大型演示机箱上量产车几乎成为不可能。而魔视智能已基于FPGA方案自主研发出一套低功耗低成本的小型化嵌入式芯片平台，完成了量产上车之路。

第三点即魔视智能积累的数据高地。成立之初，魔视智能将目光瞄准了深入学习，开始收集道路数据，目前其ADAS产品已经在全国30个省采集视频测试，积累了700万公里的道路数据。 魔视智能也自主并研发了一套高度自动化数据作业体系，通过深度学习算法，对众包数据进行预处理，破除人工打标效率低的壁垒。