<mark id="oztn4"></mark>
1
| 本文作者： 于勝越 | 2019-07-21 19:12 |
自主泊車產品正在走進公眾視野：一方面越來越多的主機廠將自主泊車作為一大技術升級，不斷提升用戶體驗；另一方面自主泊車搭載進共享出行車輛，也成為自動駕駛一大商業化應用場景。
不少自動駕駛初創公司也希冀借自主泊車彎道超車，將其定義為自動駕駛商業化最現實的路徑之一。2019年過半，多數于去年開始投入自主泊車研發儲備的公司，已經走出概念階段，邁進產品化和測試量產。
國內自動駕駛方案供應商Momenta也于近期正式公布其自主泊車方案 Mpilot Parking。這是繼3月對外展示面向高速場景的可量產自動駕駛解決方案 Mpilot Highway 后，Mpilot 系列方案的第二次亮相。雷鋒網新智駕了解到，繼高速自動駕駛（Mpilot Highway）、自主泊車（Mpilot Parking）之后，搭載激光雷達的城區自動駕駛（即Robotaxi）和搭載量產方案的完全自動駕駛也將會相繼發布。
在一片混沌的AVP戰場上，Momenta的自主泊車方案又有哪些特點？
車規級、可量產硬件：沒有激光雷達，采用可量產的傳感器；千元級成本；
高精地圖：基于視覺Slam建圖技術，Momenta 支持量產車輛車端自動建圖；
為加速規?；慨a落地，Momenta自主泊車方案主張“在車端做到極致”，即不依賴場端技術，通過視覺Slam建圖技術，實現地下車庫的定位和車端自動生成高精地圖。
雷鋒網新智駕輕度體驗了一把 Momenta自主泊車功能，先來看看Mpilot Parking的具體表現。
此次體驗位于Momenta蘇州辦公室地下約500平米的停車場。搭載Mpilot Parking的自動駕駛車輛順利完成了從停車場入口到指定即任意車位的自主泊車，實現了在停車場復雜的車流人流環境下的跨層泊車、智能繞行、避讓車輛行人、在線尋位、智能召喚等多項功能。
*車輛錯車及繞行處理
*行人避讓，車輛避讓及錯車處理
此次試乘環境完全符合日常停車的真實場景，過程中遇到了諸多復雜情況，例如行人穿行、車輛占道、路口錯車、突然出車等。Mpilot Parking 實時捕捉到周圍的車輛狀態和障礙物，甚至是位于柱子后的人、突然出現的行人，完成及時避障，實時規劃出繞行軌跡，避免了因自動駕駛車輛無法處理會車、逆行、占道等情況而引起交通擁堵。全程無人工接管。
*車輛繞行和行人避讓處理
*車輛避讓及錯車處理
雷鋒網新智駕了解到，當Mpilot Parking搭載進量產車型后，用戶可在手機端點選指定車位或允許車輛自行尋找車位，隨即車輛即可自行從地上停車場入口下坡，完成自主泊車；當用戶取車時，可以在遠程召喚車輛來到指定地點，駕駛員上車后自主行駛出停車場。適用場景包括住宅、辦公樓、商超、酒店以及共享出行等。
支持選定車位：住宅和寫字樓，是車主每天通勤的高頻泊車場景，往往會有固定的停車位或經驗軌跡。
在線尋找車位：在商超、酒店、機場這類對泊車有高需求的公共場所，停車位不固定，需要系統能夠實時探測車位，并判斷車位占用信息。
在自主泊車背后，是 Mpilot Parking 可量產、車規級的軟硬件方案。
車端傳感器層面，Mpilot Parking 系統搭載4路環視魚眼相機、1個前視相機、12個超聲波雷達、消費級IMU和GPS，整個系統全部采用可量產的傳感器。傳感器的配置基本上是現在高端車的標配。
沒有激光雷達，利用車規級傳感器完成實時車位識別，離不開 Momenta 預先建好的停車場高精地圖。高精地圖是Mpilot Parking一大核心能力，可獲取該停車場所有的車位信息。在車輛行駛過程中，高精地圖融合環視感知以及超聲波雷達感知的結果，可對車位空閑狀態作出識別，自動判斷所經過的車位是否可泊入。
雷鋒網新智駕了解到，相比昂貴的激光雷達建圖，Momenta采用視覺為主的方案實現自動化建圖。建圖采集系統使用四路環視魚眼相機、消費級IMU及輪速等傳感器。在建圖過程中，通過深度學習算法提取視覺語義特征，使用SLAM技術自動生成基于語義的高精度地圖。整個系統可進行云端和車端自動建圖，精度達到10cm級別。
據Momenta高精地圖相關負責人介紹，沒有高成本激光雷達，Momenta 的視覺建圖方案完全支持量產車輛自主建圖，即通過眾包實現快速規模化的建圖和地圖更新。
Momenta合伙人、研發總監夏炎提到，自動建圖的能力，是Mpilot Parking規?；闪慨a的關鍵。因Momenta地圖采集系統、建圖系統和定位系統是基于同一套平臺，車輛在進行定位時，如果發現真實環境和地圖無法匹配時，就可以驗證地圖的準確性并及時進行更新。對于停車場中增加或消失的元素，眾包車輛可自動實時完成地圖元素的更新補充。
Momenta 的環境感知和高精地圖技術均以深度學習為基礎。在量產落地的過程中，如何將深度學習運行在車端嵌入式芯片上，Momenta 積累了大量實踐。
相比于服務器的運算能力，車規級可量產的芯片往往提供的算力資源有限。例如，一般在深度學習訓練服務器上使用的算力往往有上百 TFLOPS，而目前較前沿的車規級芯片的性能最多僅為 30 TOPS 左右。如何將多個深度學習模型壓縮到一塊有限算力的芯片上，同時又保證精度，這非常考驗工程優化能力。
Momenta的思路是，在標準的平臺上進行極致性能的研發，將體驗達到極致；然后，將極致的性能壓縮集成到量產芯片上。在可量產的芯片上，同時集成Mpilot Parking和Mpilot Highway的產品。
Momenta 從多個維度對深度學習進行深度優化。首先，芯片上往往會有不同的計算單元，需要在這些計算單元上，將深度學習的網絡層進行計算優化，如卷積等操作；其次，針對不同的任務類型，可以對模型結構進行自動搜索，產生高效率、高精度的模型；再次，對模型進行低比特量化操作，在保證模型精度不損失的同時，使得模型在芯片上發揮出極致性能；最后，根據特定芯片的特點，從算法角度可以研發更加芯片友好的網絡和算法框架。
不同于其它自主泊車產品， Mpilot Parking 對外展示的是單車智能、無需場端改造的技術能力。據夏炎介紹，Momenta也可以靈活根據客戶的需求，接入其他場端信息。
Mpilot Parking 希望能通過以視覺為主的傳感器方案，將系統在車端量產方案下的潛力做到極致，同時加入客戶定制化需求，在保證安全性和魯棒性的前提下實現更多復雜功能。
全球汽車行業正在廣泛應用L3以下的ADAS系統，L3和L4的量產則處于只差臨門一腳的關鍵階段。規模化量產是包括Momenta在內的多數自動駕駛公司的一大目標。
在商業化布局上，Momenta實行“兩條腿走路”，即現階段可量產上車的自動駕駛，及無人駕駛方案同時開發。
Momenta Mpilot 是 Momenta 于今年3月發布的可量產自動駕駛解決方案，場景包括高速（Mpilot Highway）、泊車（Mpilot Parking）以及城市道路（Mpilot Urban）。夏炎也透露了Momenta自動駕駛量產時間線：
2019年3月，發布了高速自動駕駛系統Mpilot Highway；
2019年7月，發布了自主泊車系統Mpilot Parking；
2019年第三季度，Momenta即將發布搭載激光雷達的城區自動駕駛，即Robotaxi。
2020年第一季度，Momenta即將發布搭載量產方案的完全自動駕駛。
在個人乘用車上，用戶最高頻的使用場景是上下班的通勤，往返于家和公司，也就是從停車場到停車場。Momenta希望能夠在用戶最高頻的使用場景上，提供從停車場取車——上高速環路——城市道路——停車場泊車的連貫的自動駕駛體驗。此次發布的 Mpilot Parking，正是連續自動駕駛體驗中重要的首尾一環。
雷鋒網新智駕了解到，在Mpilot 的整套方案，基于一套標準的硬件計算平臺：10個相機、12個超聲波雷達、5個毫米波雷達，輔以其他傳感器。該硬件方案，可以同時支持不同場景的自動駕駛，如 Mpilot Highway 和 Mpilot Parking。
通過在不同場景下傳感器和計算單元的分時復用，可以讓終端用戶獲得「雙份體驗」，讓主機廠客戶實現「二合一」成本優化。
夏炎提到“兩條腿走路”背后的商業邏輯。在Momenta看來，量產自動駕駛和完全無人駕駛看起來是兩個事情，但是其實是一件事，因無人駕駛不是一蹴而就的過程，要通過持續的高效的迭代反饋。而要做到持續迭代快速反饋，核心有以下三點：
大數據：即持續獲取數據的能力，在實際路測和模擬仿真測試過程中，Momenta已集成感知數據、高精地圖數據、駕駛員行為數據、眾包數據等；
數據驅動算法：Momenta已擁有一套可以被數據驅動的算法工具；
數據與數據驅動算法之間的閉環：多種類型數據匹配Momenta深度學習的算法，進而迭代出來更好的產品，包括感知類技術、包括高精度地圖技術、不同場景下的自動駕駛技術。這些算法同樣能夠匹配到Momenta車隊中，車隊在運行測試的過程中會產生出大量的數據，如此形成閉環的自動化。自動化閉環過程可增強算法迭代速度。自動填充數據后，算法能夠自動找到最優的答案，進而完成迭代產品。
數據與數據驅動算法之間的閉環被Momenta定義為能夠實現規模化，持續反饋，提升自動駕駛能力的關鍵。
Momenta將自動駕駛分成高速場景、泊車場景、城區場景三類場景。從商業化考慮上看，在兩條腿走路的過程中，Momenta是基于量產傳感器的方案，且傳感器方案盡量去統一，如此在規模量產的路線當中，收集到的數據能夠被完全無人自動駕駛使用、吸收和復用。同時，低成本可量產方案應用至主機廠，可實現快速規?；?。通過規?；占鴣淼臄祿?，應用于完全無人駕駛的研發，不斷提升算法。這正是Momenta閉環自動化的核心策略。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
