大家好,我是电动小侦探!

我的小鹏P7将要迎来Xmart OS 2.6大版本更新,等正式版推送后,我会尽快为大家带来详细的体验。而最近,在浏览车友们分享的内测版更新信息截图时,我发现有一项重要的新增功能——停车场记忆泊车。

除了激光雷达,感觉AVP也成了今年厂商们集中落地的技术啊。不光小鹏P7,前不久上市的威马W6也将搭载与百度Apollo合作的“无人自主泊车系统”,燃油领域的吉利星越L甚至宣称可以实现1公里代客泊车。

那么,AVP实际体验下来效果如何?这项技术又是怎么实现的?

■ 威马W6无人泊车系统体验

 

上个月,我在上海某威马展厅所在大厦的地下停车场体验了W6的无人自主泊车系统。

威马将无人自主泊车分成两步走:

第一步,是HAVP,这个相对简单,主要面对高频高重复性的停车行为,对应场景就是公司单位、小区的固定停车位;

第二步,是进阶版的PAVP,面对低频但对用车体验影响很大的随机停车行为,对应场景则是购物中心等公共地段的开放停车位。

体验无人泊车就很尴尬,因为这项技术本身的目的就是让车主“没有体验”,因此我全程都是站在车外,观看车辆驶出并驶回车位。

HAVP有一个学习过程,第一次需要车主给车辆“示范”一下,车辆会一边扫描小区或公司停车场的环境,一边记录车主的操作和行驶轨迹。

车主将整套操作“演示”一遍并停好后,车辆将记录下的环境信息和轨迹数据上传,这时候百度Apollo的云端会分配算力,学习出一套车主专属的自动泊车路径。自主学习的路径不能超过100米,这个距离足够涵盖绝大部分停车需求了。

有人会问了,我家地库信号特差,是不是就没法云端学习了?

威马给出的方案是,如果信号太差,学习过程也可以在车端进行,只是时间会长一些。用Apollo的算力只需要十几秒,受路线长短影响,车端学习需要5~8分钟,最终效果跟云端计算是没什么区别的。

车主第一次使用HAVP,过程是这样的:

1、把车开到电梯口或单元门,打开HAVP自主学习;

2、停完车上传数据,生成泊车路线和策略;

3、再来一次,打开HAVP;

4、从车位开到电梯口,生成泊车路线和策略。

 

如此一来,你就完成了一整套泊车和召唤的过程。下次再用,人到电梯口直接掏出手机,静待车辆缓缓来到跟前即可。

威马W6支持HAVP学习5条路线,泊入和泊出算两条,车主可以分别在公司和家学习两条,留1条备用。

更重要的是,跟大家玩手游时常用的“一键连招”不同,HAVP不是“死记硬背”,傻傻地重复车主的操作,而是会结合摄像头、毫米波雷达等传感器的信息,有一定的灵活避障能力。同时,车辆还会优化车主的操作细节,寻找更高效合规的路径。比如车主演示时压了其他车位的停车线,将来车辆则可以在一定程度上避免压线,也不耽误停车。

■ 与特斯拉的远程召唤有何不同?

 

高频固定场景还好说,毕竟车主知根知底。出差办事、出门采购时的随机停车可就麻烦了,人生地不熟的,找车位实在头疼。

威马原计划在年底更新的PAVP则更进一步——不需要自主学习了!大型公共场所停车场中,车辆可以将传感器信息、高精地图与定位信息、车位信息结合在一起,自主寻找可停车位。

显然,PAVP需要百度对公共停车场进行高精地图的测绘。功能启用过程中,通过以太网传输8155芯片和自动驾驶域控制器的数据给T-BOX和网关,车辆与云端通过5G实时连接,由于带宽够高,延迟很低,可以运用高精地图和高精定位,对车辆路线做实时规划。

2019年,特斯拉推出远程召唤功能,可以说在主机厂层面走出了特定场景下L4级自动驾驶的第一步,都是将人从停车场景中剥离出来,远程召唤与AVP之间还是有本质区别的。

从信息维度层面来看,特斯拉的远程召唤主要依托传感器和本地算法。而AVP不但需要本地算法的支持,还融合了高精地图和定位技术,理想条件下甚至可以实现停车场跨层寻找车位。

其实,AVP在行业中的解决方案有三种,分别是车端、场端和车场云端。

这里我再做个解释。所谓车端,就是仅通过车辆的传感器和消费级GPS定位和IMU,特斯拉就可以看做是车端方案的践行者,类似的还有Momenta研发的Mpilot Parking。

车端方案的优势不言而喻,主机厂自己全搞定,只需要消费级地图信息的众包,就能达到想要的效果。不过话说回来,车端方案也对算法和算力提出了较高要求,这会在无形中提升车辆的成本。

相比车端,场端则更多利用了V2X技术,通过在停车场预置摄像头和雷达,停车场采集环境信息并发送给车辆,然后车辆通过这些信息规划自己的行驶路径。我们可以将场端技术简单理解为,停车场自己有了眼睛和耳朵,通过“对讲机”告诉车辆你该怎么走。

个人认为,场端方案最大的优势在于可靠性更高,也降低了主机厂的研发难度。但是场端方案很难得到推广,因为要对现有停车场进行改造,这个成本谁来负担呢?其实场端是AVP最早的技术思路,2017年戴姆勒与博世就展示过这项技术,我觉得也在一定程度上代表了主机厂的传统思路。

我们在场端思路的基础上扩展一下,就得到了第三种方案——车场云端。

百度Apollo和主机厂小伙伴们所做的,就是车场云端方案。你场端不是要改造停车场安装雷达摄像头么?不用了,我来!地图商们自己去测绘一个个停车场的详尽数据,绘制成高精地图,车辆通过高精地图和高精定位信息,再加上自己的传感器信息,在云端生成路径。

车场云端这种思路,不会将软硬件成本过多地倾斜到某一方身上,主机厂负责传感器和本土算力,百度负责高精地图和云端算力。停车场呢?您啥都不用做,配合好高精地图测绘就行!

而且,随着合作伙伴的增多,Apollo的成本也会被多个主机厂分担。这也就是为什么,AVP车场云端方案的发展速度大有后来居上的趋势。

■ 信任——AVP的终极考验

 

在体验威马W6的时候,我曾经换位思考:如果我是AVP车主,这个功能会不会形成日常依赖?

我在70%的场景中都会用到小鹏P7的自动泊车,是因为不管是否泊车成功,我都能随时接管,解决问题。但无论谁家的AVP,在面临千变万化、极端复杂的停车场环境时,真的能做到每次都成功吗?

要知道AVP是将驾驶者与车剥离开的,一旦停车失败,车主势必要返程解决,哪怕50次成功后1次失败,这种体验上的巨大落差,恐怕都会让使用者对AVP的信任度大打折扣。

除了使用者,法规层面对AVP的信任更能体现到使用细节上面。

由于现行法规不允许驾驶者脱离车辆,因此在威马的HAVP使用中,车辆会实时比对车机和手机的GPS信息,信号差的话就实时监测蓝牙连接,以此确保人和车不会离的太远。换句话说,将来HAVP的使用者很可能还要“目送”车辆。

HAVP尚且如此,未来更新的PAVP可是明确了车辆脱离人眼监管的。个人认为,法规走在技术后面是很有必要的,只有当技术足够成熟可靠,且需求持续旺盛时,法规的信任才能提高一层,为特定场景下的L4真正落地提供支持。

■ 总结

一项全新技术的诞生和应用不可能一帆风顺,AVP将成为第一个在特定场景下全权接管车辆控制权限的自动驾驶技术。

可以预见的是,将来难免会有使用者遇到不顺心的情况,带来更多的关注与讨论。希望厂商在推出AVP相关技术的同时,也能做好用户教育(当然不是特斯拉提出的那种),必须让用户明确知道技术的触发条件与能力边界。

我甚至觉得,不要让用户对AVP抱有过高期待,甚至可以对用户的使用场景做过滤,先让一小部分人用起来,这些种子用户给车企的建议和反馈至关重要。