停車浪費時間，Momenta如何打造安全可量產的自主泊車？

雷鋒網按：在6月21日 GIV 2018 全球智能汽車前沿峰會的會場上，Momenta聯合創始人、研發總監夏炎，發表了主題為“打造安全可量產的自主泊車”  的演講。在她邏輯緊密的演講中，一方面向觀眾解釋了自主泊車的構建和應用，另一方面，也讓外界能夠對這家年輕神秘的公司有了更多的了解。

夏炎說：“我們定位主要是做自動駕駛的軟件算法，我們的核心使命是打造自動駕駛的大腦?！本喌亩x背后，需要一項項技術的積累，一個個產品的迭代。打造自動駕駛大腦可以分為不同場景，比如結構化道路的中高速場景、城區場景、低速泊車場景。夏炎選擇先從自主泊車說起，探討“打造安全可量產的自主泊車”，雷鋒網新智駕對其演講內容進行了編輯整理：

自主泊車的價值

對用戶來說，最理想的泊車方式是，車先停在最方便他上樓梯或者上電梯的地點，然后車自己停到車位上，用戶用車時只需用手機端進行召回，車輛就會自動行駛到最方便用戶上車地方，這樣就可以節省用戶大部分時間。

而自主泊車在三個場景中可以有比較多的應用:

第一，住宅和辦公樓。

住宅小區和辦公樓都有固定停位，每天上下班時間都會出現許多泊車的行為，自主泊車可以節省大量的精力。

第二，商場和酒店。

商場和酒店這類人員較多的場所，找停車位對于司機來說是一種比較苦惱的經歷。

第三，共享出行。

在共享出行中，車應該如何自動地停到一個合適的場景，令其能有類似于現在出租車的體驗，也是廣受關注的。

自主泊車在以上三個場景中會有比較有效的應用。其主要價值，實際上是節省用戶的寶貴時間。假設我們一次取還車需要耗費15分鐘，一天進行兩次操作，一天就可以節省半個小時，一年節省150個小時，相當于18天的工作日，對于在城市中生活的人來說，這是一段非常寶貴的時間，也是自主泊車產品應用本身的價值。

如何打造可量產的自主泊車

關于泊車，目前汽車中搭載的比較多的功能是APA（Active Park Assist ，自動停車輔助）?，F在，搭載以泊車為主的APA功能的大部分的車型，也會融合超聲波傳感器等到AVP（Automated Valet Parking，代客泊車）中，在最后5米進行泊車輔助，給駕駛員提供泊車的引導輔助功能。

接下來，會有這樣的一些泊車應用，從AVP到Parking Pilot，從固定的起點到固定的終點，人在車里，汽車自主地行駛到車位上。這是Level 3的應用，帶來的產品價值是可以避免用戶自行停車的麻煩。但是本質上來講，Level 3還是一個比較中間態的產品，不能節省司機的時間，沒有巨大的用戶價值。

自主泊車中，最終要做的是Level 4，完全沒有人的自主泊車場景，才能從根本上節省用戶的時間。Level 4才能提供一個產品應該提供最終的價值。

自主泊車落地實際上是需要運營的，而運營，需要從低場端依賴出發，向高場端依賴發展。以下這三個場景是有關系的。如果住宅和辦公樓有固定的車位，可以有一個用戶指定的起點和終點，進行點到點的行駛，對場端運營待依賴較小。

在商場和酒店，雖然車有自主識別車位的功能，但在車場外的時候也需要識別停車場里哪里有空閑車位或者是否有空閑車位。這就需要將場端車位占用信息傳到車端，所以在商場和酒店的自主泊車運營是需要有一個的場端聯動的。

共享出行對場端運營的需要就更強了。所以討論自主泊車如何落地的時候，更關注當前的住宅和辦公樓等有固定車位的場景，我們認為這是一個最小場景。

在這個場景中，從技術依賴來講，自主泊車如果能夠做到方案上不需要依賴場端，其成本和擴展性能都可以提高，我們主要關注基于視覺的技術，因為在停車場場景中，是沒有GPS的。室內定位也有很多種方案，例如藍牙、場端的攝像頭以及其他的通信等。

選擇基于視覺的技術一部分是成本的考量，另一部分主要還是為了確保定位精度。因為在室內場景中，對自主泊車的定位精度，我們評估，是要小于10厘米的，其他的方案很難達到這個精度。

最后，要打造可量產的自主泊車產品，傳感器也必須是可量產的?，F在攝像頭、超聲波雷達、毫米波雷達等都需要考察是否能夠量產。目前，比較不確定的是激光雷達。很多廠商都表示在2019年到2020年的時候，激光雷達將會有量產產品。我們也非常期待激光雷達的量產能夠推進整個自動駕駛的量產落地。

如何確保自主泊車安全可靠？

自動駕駛最核心的問題是解決安全性的問題，人類駕駛員平均駕駛1億公里會出一次事故，如果自動駕駛想要在市面上得到應用，需要有比人類更好的表現，至少要達到10億公里一次的事故率。從統計學上來講，如何做里程為1億公里的實驗，1000次實驗可能才會有一個統計上比較有意義的結果，所以也是需要進行1千億公里的驗證。按照目前汽車能夠行使的總里程和汽車的成本，這是不可能完成的。

因此需要仿真測試實際的路測相結合。實際路測也是我們比較關注的一點，因為仿真環境到真實世界場景的概述仍是需要被解決的一個問題。實際路測中我們會先去完善我們的技術，然后在真實的場景里面進行大量的測試，再把這些測試產生的數據收集回來進行數據分析，不斷地提高我們技術里面的性能問題，通過這樣的閉環測試達到實際路測的效果。

在地下停車的場景中，是沒有GPS的，第一個要解決的問題就是定位，我們有視覺語音地圖的技術，通過三角的組合計算進行視覺的定位。另外，也要進行障礙物的識別、車位識別、路徑規劃以及路徑跟蹤等。

在演講的最后，夏炎表示，雖然Momenta已經有了Demo，但是自主泊車的落地，還需要和傳統的激光雷達嘗試和主機廠的合作，共同實現L4的安全性。Momenta更多的是從軟件企業的角度出發，去思考測試安全性的問題，而汽車行業還有很多關于公路安全的測試方法，她期待能與這些企業聯合，一起量產安全的自主泊車產品。

雷鋒網推薦閱讀：《專訪Momenta團隊核心成員：博世加速器初戰告捷，創始人披露自動駕駛方案進展》

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。