佐思汽研直播間第2期由北京車亭智能CTO朱聰博士主講。以下是講座內容。

大家好！我是來自停簡單/車亭智能的朱聰。今天很高興在這里通過直播這種方式，跟大家分享我們在AVP方面的一些思考和積累。在此，我要感謝佐思汽研提供了這個平臺。 停簡單是一家做智慧停車的互聯網公司，成立于2014年，最大的股東是阿里的螞蟻金服和復星。目前停簡單在全國60多個城市的近7000個公共停車場運營停車業務。車亭智能是停簡單的全資子公司，定位是專門從事AVP場端基礎設施的建設和運營。

今天我跟大家分享的內容大概是這么幾塊，首先是對AVP發展趨勢、現狀，以及現在所面臨的一些挑戰提出一些我們自己的理解。然后，就是停簡單/車亭智能總結的應對方案，以及在探索中的一些實踐案例。

首先，說一下AVP當前在國內外的發展趨勢。從做自動駕駛這個行業來講，國內外大概都是在2015年前后開始出現這一波風口，業內討論AVP這個話題比較多的時候，應該是在2018年下半年和2019年上半年，但是到今年尤其到今年下半年以來，整個行業對AVP討論的聲音相對來說弱一點。現在業內聽到更多的聲音，是以主機廠為代表，提得更多的已經是L3級自動駕駛，而一些科技公司、互聯網公司現在提得更多的是Robotaxi或者是智慧交通車路協同。

這兩種趨勢，其實也反映了業內兩種不同的技術路線，比如熱衷L3的核心邏輯可能是：完全無人駕駛落地應用的時間，相對還比較遙遠，技術很難實現，那就往下先做L3，既能夠解決用戶實際的問題，同時也能夠通過場景的迭代、升級，往完全無人駕駛的方向做具體應用、做小步趨近，這是在L3方面的核心邏輯。

Robotaxi和智慧交通車路協同這邊的核心邏輯，大家可能是說，雖然完全的無人駕駛存在很大挑戰，但是這件事情不僅是對汽車行業的一種改變，對未來的交通模式，甚至整個城市的運轉方式，都會產生巨大的影響。最簡單的例子，比如現在大家買房時常說的地鐵房概念，大家都知道，在北京地鐵房和非地鐵房的差別還是很明顯的，如果說有Robotaxi和車路協同可持續地解決城市交通擁堵問題，那確實改變的不僅僅是交通本身，整個城市未來的布局規劃都會發生變化。

所以Robotaxi和車路協同雖然也很遠，但是這么有價值、有意義的事，還是值得現在投入資源去做的。 我們今天在這里不直接評論，到底是L3還是Robotaxi或者車路協同他們邏輯各自的正確性，我在這里是想講一下，這兩條邏輯無論哪一條，背后其實都有AVP，或者說如果這兩條邏輯成立的話，AVP的邏輯也是必然成立的。 為什么這么講？首先從L3來講，L3的主要邏輯就是說這個技術挑戰的難度。對于AVP來說，AVP和L3面臨的技術挑戰，無論是定位還是感知，還是從規劃到控制，其實沒有太大區別，甚至因為AVP是一個低速行駛場景，因此在技術挑戰上比L3相對還要更簡單一些。另外，如果從對交通整個的影響，我們先不上升到城市的高度，就簡單說對交通運行模式的影響和產生的可能變化，AVP也是一個很好的切入點。

比如現在北京，有很多私家車主住在郊區，到市區上班，很多人會選擇先把車開到臨近市區五環四環的一個地鐵站，然后通過地鐵接駁換乘到市內，因為市內的交通太擁堵了，開車太慢。這種方式對大部分用戶來說，也不具備可操作性，因為地鐵站附近的停車點或者停車措施不是那么完備，不是每個用戶早上開車過去都能夠很方便的把車停下，然后能很快去乘地鐵，大家如果在北京體驗過地鐵早高峰，就知道體驗很不舒適。如果在地鐵站附近有一個支持AVP的停車場所，那么我相信愿意通過這種方式停車換乘到市內的用戶會更多一些，當然這只是一種暢想。如果說Robotaxi、車路協同有可能改變城市整個的交通運輸模式，那么AVP其實也是具備這個機會的。

從技術挑戰來說，AVP并不比L3高，而它不僅能為整車銷售帶來價值，產品邏輯、潛在價值也能為城市未來交通的規劃優化帶來一些新的手段和措施。因此在這里，我們要重申一個觀點，AVP還是乘用車實現大規模自動駕駛必經的一個場景。

在AVP的技術分類上，國內目前在中國汽車工程學會和中國通信工業協會聯合做了一個團體標準。在這個團體標準里，把AVP的技術路線大概分為三類。這三類具體的定義，從字面上其實就很好理解，分別是Type1（車端智能）、Type2（場端智能）、Type3（車場協同），依次表示整個系統智能化程度是在車輛端還是基礎設施端，還是兩邊一起。

當然這里要說明一下，當時在做這個團體標準的時候，我們跟國際上的AVP標準工作組也對接過，那邊是由法雷奧、博世、電裝這些企業在牽頭。在國際上，這個分類方式也是大體類似的。我今天不過多闡述這里面每個技術路線的具體含義，因為我相信今天觀看直播的朋友們應該多少會有一些了解的。 目前市場上主流的幾個玩家，或者說主流的參與機構，我們在這里簡單羅列了一下，總體來說大部分目前還是以車端智能為主，這類參與機構或者企業大部分以前也是從事ADAS方面相關的開發工作，他們從ADAS往上拓展應用場景。以電信運營商或互聯網公司為代表的一些企業，他們可能更多的是從車路協同角度來切入，做車場協同式的AVP技術路線。

就像特斯拉馬斯克的論調一樣，說所有使用激光雷達做自動駕駛的都是傻子，讓特斯拉的自動駕駛汽車的安全性陷入爭論。AVP的三類技術路線，也一直存在爭論，但我想說這三類技術路線，純粹從技術路線的角度來說，各有優劣，技術路線本身沒有對錯，決定對錯的是能否商業化應用，哪一種技術路線如果能夠率先實現商業落地的話，就是能夠走進這個行業、改變這個行業的技術變量。

對于AVP來說，從產業鏈角度來說，對于車路協同、智能汽車所需要的傳感器、芯片、通信模組、云計算等，基本上多方面都有一些覆蓋。但是由于目前市場上主要的玩家還是圍繞主機廠的整車開發，所以大部分玩家目前聚焦的還是車端智能的這條路線。不過我個人判斷，雖然AVP是應用在相對封閉的場景，但只要不是應用在純粹的AVP專用停車場，只要這個場景還開放給人工駕駛的車輛使用，行人還是有可能出現，那么現在車端智能這條技術路線，無論是英偉達的，還是Mobileye的，在環境感知方面，這個低速場景雖然可以給大家更長的反應時間，即使你說你需要的環境感知范圍可以不用那么大，但是你需要感知事件的類型和多樣性并不比開放交通場景容易，后面我會具體分析一下我們在停簡單所運營的6000多個公共停車場日常遇到的各種各樣的問題。

當然今天有各種各樣新的傳感技術，包括車端的傳感技術，包括成像的毫米波雷達，包括像四線、十六線低成本的激光雷達，大大增強了車輛的感知能力，但這些東西相比車場協同這條技術路線而言，產品本身的成熟度還比較低，（后面我會詳細講一下我們方案里面所用的具體模塊，它們現在的成熟程度，要比我們今天所謂大算力的模型、芯片、成像毫米波雷達、低成本的激光雷達研發的成熟度要高一些）。所以我個人判斷，在未來5年，如果車端剛才講的這些組合式傳感器的成本、性能，沒有完全達到可以跟現在車場協同里面相關模塊競爭的程度，至少在5年內，車場協同這條技術路線還是最切實際的。

我們停簡單現在全國運營的6000多個停車場，根據這4年多的運營經驗，我們大概提煉出來這些停車場的一些數據。為什么要講停車場這個場景呢？所有的系統開發、軟件開發、自動駕駛開發，都要先把ODD的邊界定義清楚，對于AVP來說，停車場這個交通場景就是它的ODD，這里總結的數據可能不一定那么準確，但應該還是具有一定的普遍性和代表性。

全國公共停車場的大概數量，我們估算是在25萬個左右，這25萬個指的是機動車保有量超過100萬的城市，因為我們認為在保有量低于100萬的地方，人們對停車的痛點感受或者說對AVP的需求應該還不是很明顯。在所有停車場類型里面，占主要的應該還是商業綜合體、CBD、寫字樓、綜合交通樞紐等地。在這些停車場里面，大概有80%是屬于室內停車場，而且是跨層停車場。在現有的停車場場景里面，典型的人車混流、潮汐效應比較明顯，就是說忙閑時段比較集中，忙時很容易堵車，堵車高峰期時，不比我們剛經歷的中秋國慶期間的高速路大堵車差。 另外還有一個特點，在全國的停車場里面，我們公共停車場有一個名字叫配建停車場，它的意思是隨著建筑或者房地產開發配套建起來的。

這個配套建設過程，每個城市的周期和時間都不太一樣，所以因為停車場建設的早晚，或者說以前住建部對停車場不像對開放道路一樣有明確的國家標準、行業標準去規范，導致現在這25萬個停車場規格非常不統一，各有各的樣子，從管理上，每個地方也有自己物業方或者業主方的特色。 針對所收集的停車場場景的素材，我們大概梳理了在這里面應用AVP、應用自動駕駛系統，可能會出現的限制問題，總結起來有以下四點。

第一，這可能在咱們人開車的時候也比較常遇到這種場景，尤其是在商場、CBD這種人流車流比較大的地方，也就是搶車位、搶車道，我相信大家開過車的，經常會有這種經歷，開下去可能會繞好幾圈，尤其在大型商場，比如像萬達廣場等地方。 第二，在停車場里面經常會出現迷路，尤其是跨層的停車場。在一些多層停車場里，裝修風格、環境特征在一個停車場往往是比較統一的，尤其在坡道上你稍不留神，轉了幾層后，你可能不知道自己現在在第幾層了。在停車場內部也是，走一個大長廊，轉幾個彎后，你東南西北都不知道了。對于自動駕駛車來說，如果通過視覺方式做定位，這對機器來說是一個災難。如果通過有源方式做定位，現在大部分停車場里GPS信號或者說電信網絡信號還是比較差的，這是做AVP時面臨的TOP2的問題。

第三，剛才講了停車場主要是一個配建的停車場，它有一個特點是建筑結構決定了停車場主要的物理結構，房子一蓋好，停車場的各種柱子、墻就在那里了，停車場劃車位、劃車道只能依據建筑結構本身去考慮，因此很多車位和車道的布置，跟開放道路和廣場上規劃車位有很大的差異。我們在修高速路、城市道路的時候，都會考慮到駕駛員的視野，或者考慮車速、車流量的因素，但是配建停車場先天就不具備這些條件，所以在配建停車場里，經常會碰到七拐八繞或遮擋，人開車進去都會覺得有視覺盲區。 第四，停車場里的管理、進出路線不像開放道路那么統一、規范，因此在這里面到底是人讓車還是車讓人，經常說不清楚，尤其是在人流、車流比較大的時候。

在我們運營的停車場里面，業主們都有一個很強烈的需求，就是停車場里面現在可以什么系統都不裝，但是一定要裝監控。為什么？因為配建停車場的規劃局限，雖然是低速的，但是因為每個人開車的水平、習慣不同，進出路線不規范，比較容易發生磕碰糾紛，需要攝像頭來記錄真相。因此，如果我們開發的AVP系統想在全國范圍內大規模落地應用，這也是一個不得不解決的問題。 針對我們梳理的停車場場景的特色，以及這個場景里面所面臨的問題，我們按照車場協同的方式，列了這樣一個系統架構圖。首先聲明一下，這個系統架構圖里面的模塊，不是我們傳統意義上理解的物理零部件的那種劃分，我們這些模塊更多還是從專業領域里面做的劃分，每個模塊保證它專業的獨立性，至于物理的零部件，因為可能每一家的方案或者原先的積累不一樣，比如車載感知這塊最明顯，有的可能感知、規劃、決策、定位都融合在一起，甚至把地圖都融合在一起，可能在有的車型上是分開的。

所以后面我在繼續講這些架構里面的一些業務流程和功能邏輯的時候，大家提前有這個了解，不是在物理上的模塊劃分，而更多的是從專業領域方面不同的差異做了這樣一個結構模塊的劃分。 另外要強調的一個點，在我們現在這個架構里面，我們依據車型的能力，就是現有L2量產車型的能力，簡單說傳感器大概的配置就是5R1V，就是5個毫米波雷達、1個前視攝像頭，在這個基礎上做的這個架構定義，當然如果說你車輛本身傳感器配置更加豐富，你本身的智能化程度更高，也是同步可以兼容的，后面會具體講兼容的地方。 車亭智能的定位，我們承擔的工作主要就是AVP的基礎設施方面，包括中心云、本地服務器、邊緣云、場端感知和通信系統，也包括我們和地圖系統的一些對接。至于用戶這塊，看我們目前的合作經驗，有的在車廠那邊，有的在運營方，有的在第三方，這塊相對比較成熟，主要是提供人機交互的一個界面。

我們車場協同式的AVP系統，第一個優勢對于我們目前面臨場景，剛才講的第一個痛點問題是搶車位，我們是怎么解決的呢？目前我們幾個項目討論下來，大體固化了這樣一個流程。首先依靠我們場端的傳感器實時采集場內車位的空閑狀態、占用狀態，包括車位附近的道路或者可行駛區域的狀態，然后以一定頻率來做狀態更新，實時上報給我們的云平臺。所有跟我對接過或者在我們平臺上注冊過的AVP車輛，用戶之前在我們平臺注冊了，當然后面的那個邏輯策略肯定也是對接過的，在用戶發起一鍵泊車或者一鍵召車請求之后，我會根據場端的實時車位狀態給你分配一個空閑車位，并且相應會把相對交通沖突比較少的可行駛路徑分配到這個車。

這里面就避免了剛才我們說的跟人類駕駛員搶車位，甚至車輛與車輛之間搶車位、搶車道的情況。另外它更大的意義是，我們目前所了解到的車輛智能化程度或者說所定義的ODD范圍，還是希望它的通行區域或者巡航區域相對來說是比較干凈的，這個停車場里面是有可能做到的，我們盡可能避開一些人工駕駛的車流或者行人用戶人流，通過場端來做路徑規劃，可以很好的解決這個問題，這是針對第一個痛點。 第二，在停車場里面經常迷失方向，不知道怎么定位，或者說通過純視覺的方式定位可能會出現一些困難。我們現在的方案里面是在場端，我們在團體標準里面，包括ISO國際標準里其實也提到了這一點，就是通過在場端部署統一專門的標識，這種標識由場端基礎設施的建設方負責部署、維護、更新。

這個專用標識一旦部署上之后，我們會做統一的測繪，同時結合場端的感知系統會做日常的維護管理，如果有壞了、有臟了，也會做相應及時的更新。這個專用的標識，對于機器來說不是標識本身，而是這個標識數字化以后，它會把這個標識固定的ID和這個標識固定的位置，存在一個叫定位層的數據層里面，這個數據層根據車輛請求會發送給相應AVP的車輛，AVP車輛接到這個定位層數據之后，僅僅依靠一個前置攝像頭就可以了，這里面對算力、對特征提取、對標志識別，無論是SLAM定位也好，語義定位也好，它的特征提取對算力、對模型的要求完全不是一個維度。然后，從魯棒性上來講，室內定位用這種方式目前來說應該還是最高的。

當然標識肯定在空間部署上，我們也發現在實際過程中，可能有一些場地的標識密度或者均勻性也會受到一些影響，所以這個定位，還是會結合車輛本身車載的一些低成本的慣性導航等，做一些航跡推算作為補充，甚至結合局部的一些SLAM也可以做一些補充，都可以。但是整體上來講主要的定位或者說精準定位，我們說在停車場里面要實現厘米級的定位，應該還是通過專用標識的實時識別和匹配來實現的。這是我們作為場端建設方，針對AVP場景做的很好的一個手段。

然后，在這里面，我們還有一個很大的優勢，相比于純車端的方案，我們初始化定位的時候也有一定優勢。我們可以通過場端的感知系統做一個外部定位，這僅僅是針對無源定位，如果是有源的像UWB，或者自己建的差分基站的方式排除在外，無源的定位方式在重新上電的時候，在初始化定位的時候，可能需要有一個初始的輸入，尤其是在一鍵泊車開始的時候特別明顯。我們會在場邊部署一個專用的泊車或者召車的起始區或完成區，在這個指定的區域，AVP車輛停放到指定區域里面之后，我才允許你開啟你的AVP系統，這里面其實就相當來說給了車一個相對固化的初始化位置，這個位置如果說在實際用戶使用的過程當中，我們也碰到車廠的運營方，挑戰我們這個問題，如果用戶就是沒有按照指定的泊車區域去泊怎么辦，我們有場端的輔助設備提醒或者幫助車輛重新規劃一個大概的初始位置，這個位置可能不那么精準，到不了厘米級，但是在米級的范圍內能夠給車輛做一個參考，這是場端做定位的話，有這么一個補充性優勢。

第二個優勢就是場端做這種補充定位，同時也可能做定位糾偏的服務。

什么意思？車輛在我停車場內如果發生定位偏離，不管因為什么原因，因為航跡推算或者在標識識別或者因為本身導致當前定位出現了比較大的偏差的時候，我通過外部車輛的跟蹤和車輛外部系統定位能夠實時通知這輛車，讓這輛車能夠重新定位或者重新做一次初始化，這樣能夠充分保證停車場內部定位的安全。

我們針對第三類TOP問題，關于停車場內部盲區比較多的問題，也就是大家說的“鬼探頭”，這種場景在停車場里是尤其容易常見的，比如柱子與柱子之間，有輛車原先停放在那里，AVP的車通過的時候，這輛人工駕駛的車突然沖出來了，或者說停放著的車輛與車輛之間，突然有個人從中間走出來，這種情況在停車場里面其實是比較常見的，但是對于車載本身的傳感器來說，至少在現在的傳感架構下，還是有一定困難的。所以我們也會根據AVP車輛本身實時上報的位置，通過場端的服務器，會實時收集場端感知系統采集到的行人和車輛的狀態和位置，根據AVP車輛的位置，我把AVP車輛位置周圍或者它行駛路線前方30米移動障礙的信息，實時周期性推送給這個車，這個車具體自己怎么用，我們跟不同的Tier1方面也探討過，不一定說某種程度上能解決車端傳感器所有的局限，但是結合控制策略上來講，可以有一些相對保守的措施，保證出現危險和出現“鬼探頭”場景的時候，能夠有足夠的時間，來應對后面可能發生的碰撞的風險。

第四，ODD狀態監控，這其實是整個車場協同式技術路線里面的精髓。為什么這么說呢？因為精髓所在，就是我們現在場端能夠結合現有量產的L2級的車，實現L4的應用。為什么能夠實現這個應用呢？主要是因為場端能夠實時幫L2的車監控ODD的狀態，這個ODD的狀態可以包括剛才說的移動障礙物，也可以包括一些靜態的交通基礎設施，包括車位的狀態，包括可行駛區域的狀態。剛才也講了，我們整個架構定義里面是以L2的車型為基礎，向上是可以兼容的，每個車的ODD邊界不一樣，我們也可以根據車輛本身你所定義的ODD的能力范圍，在你能力范圍之內的，我們幫你監控，場端我可能以10秒為周期，周期性發給你，你的ODD是OK的。

但如果說場端一旦出現了超出你車輛原先定義的ODD范圍之外，也就是說車輛本身能力之外，我會及時的至少在1秒的時間內通知到這個車，這就是說我們的監控預警機制。這套機制的精髓或者說這套機制的核心意義和價值，就是充分保障L2車型有可能能夠在滿足ODD的狀態下，可能有些預警的情況我處理不了，但是在滿足ODD邊界范圍之內的條件下我是完全可以運行的。

這里我們也舉了兩個例子，就是說在遇到一些異常事件的時候到底如何處理。比如說在可行駛區域發生了堵塞，或者有一些遺灑，這時候如果超出了這個車輛本身的范圍，我們會通知到這個車，當然這個機制每家主機廠的處理機制可能會有些差異，目前來說大家傾向于的一種方案是，這個車可以重新去請求一條路徑，這條路徑可以基于現有的可行性區域，如果說場端具備這個條件的話，可以重新給車輛規劃一條路徑，避開堵塞和遺灑，讓他繞開不可通行的區域。 第二個例子這種情況下不僅僅是可行駛區域有障礙物阻礙，可能還會有一些危及到車輛本身，可能會產生一些碰撞風險的事件在這里發生，比如說有可能是車流過大或者人流過大，如果說本身只是5R1V傳感架構的話，假定只能夠應對的就是一輛車、兩輛車這種環境車，或者說五個人以內環境目標人的感知，超過兩輛車或者五個人我就不能保證做完全全面覆蓋的感知了。

這時候如果我們事先定義好了這個邊界，場端會及時通知車緊急停車，緊急停車之后，我們還有一個機制，并不是說這個車緊急停了之后就讓這個車停在這里，讓用戶過去取或者讓運維過去取，這樣會大大增加運營成本。我們本地服務區會同步通知到云平臺，由云平臺的坐席人工通過場端的視頻確認，通過場端的揚聲器（喇叭），調度指揮一下在可行駛區域里面可能存在的異常事件，一旦可行駛區域或者路徑上人流、車流滿足我車輛原先定義的邊界之內的話，這時候人工會通知到這個AVP的車，現在異常事件解除了，可以重新上電、重新開始你的巡航或者說AVP的過程。 這兩個例子說明我們在做的整個方案，從量產可行性上來講，或者說從運營安全性的保障上講，應該說還是有足夠的冗余和可操作性的。

車亭自2019年成立以來，在這塊也做了不少的探索，跟行業里面的主機廠也好，Tier1也好，也做了不少的交流。我們目前在北京中關村這邊已經改造了一個停車場，這個停車場里面剛剛我們所講的場端的幾個模塊都有相應部署。我們自己在奇瑞的一個小車，也做了一個初步的功能打通。同時我們去年以來跟中國汽車工程學會的AVP標準工作組也一直在合作和互動，將來也有可能作為標準的驗證或者示范的場所，如果說今天參會的相關單位有這個興趣的話，我們后面也可以圍繞這個交流一下。

目前來講，我們在車場協同的這條技術路線的功能流，或者說整個功能邏輯已經初步打通了，我們也做了相應的簡單的一些測試驗證，不能說多么完整，但基本上我們有仿真的、有實車的，因為這是一個實際運營的停車場，剛才的照片因為是晚上拍的所以看起來有些空曠，也有結合實際交通流做了一些測試。

仿真這塊我們測的東西是比較多、比較全的，正常使用的一鍵泊車、一鍵召車，各個模塊之間數據流的實時性和正確性，基本上都驗證通了，包括幾個安全場景下常見的靜態避障、動態避障也都驗證過，包括剛剛提到的針對一些異常事件，它能不能實時的把異常事件發現，能不能實時地推送給車，車能不能及時的停下來，我們也都做了相應的驗證。這是一些我們整個數據打通之后模擬的場景。 最后簡單總結一下。今天跟大家分享的題目是車場協同式AVP的機遇和挑戰。這里機遇和挑戰各自總結了三點。

第一個機遇，AVP雖然相對大交通、相對Robotaxi、相對L3來說是一個小場景，但是它切切實實是用戶的一個痛中之痛，停車在日常用車的生活中還是比較高頻的。所以從宏觀上來講，主機廠在做一些智能化配置的時候是有這個意愿、驅動力去幫助用戶解決這個痛點的。而且大家如果在北上廣深的話，其實能夠切切實實感受到停車難、停車不好找的現實矛盾，如果我們拔高一點，從車路協同、Robotaxi這個角度去講的話，AVP其實是確保一個城市在有限停車泊位資源的現實矛盾下實現可持續發展的一個有效解決手段。因此，這兩個矛盾，一個是用戶需求，一個是土地資源天然的有限性，一定會驅動車輛和停車基礎設施一起協同發展。這是第一個宏觀層面上做協同式AVP的一個機遇。

第二個機遇，現在雖然說車端智能可能是市場上主流的一個聲音，但是它也切切實實存在一個技術上研發的瓶頸和相應周期，目前來說在今年以來新基建包括交通強國等一系列頂層政策的引導，停車場的智能化改造，我們能夠感受到業主方對改造停車場智能化，提升智能化管理，實現無人化的預期是明顯加強了，這在某種程度上來講能保證我們AVP的基礎設施是有一定智能化基礎的。 第三個機遇，以前我們說開發一個車載系統特別強調功能安全，所有的安全責任都壓在主機廠或者Tier1的身上。車場協同這種方向某種程度上來說，當然這里面對信息安全、運營安全有新的挑戰，但是這種挑戰是有實實在在的商業模式在里面的，有愿意掏這個成本來承擔這部分責任的主體，所以說把一個系統從單純的功能安全分解到功能安全、信息安全和運營安全這三個維度的話，某種程度上來說用戶更加愿意接受，或更加愿意使用，能夠保證我們這套系統落地的可行性。

當然也存在一些現實的風險。第一個挑戰，雖然停車場是一個封閉的場景，但是目前各地的法規和標準還不那么清晰，到底這是屬于交通法規還是屬于住建部的法規，各有各的說法，相應的行業監管和認證，包括相應的保險機制，還不是那么完善，這是政策層面和配套環境方面的一些挑戰。 第二個挑戰，前面講了車場協同這個技術路線里面核心精髓就是場端對于車輛ODD狀態的一個監控，那么車輛ODD范圍之外異常事件自動化的識別，目前來說我們主要是通過視覺的方式來做，主要是考慮成本的原因，通過視覺的方式來做，大家知道視覺天然是靠數據、靠樣本做迭代的，這本身也會有一個過程，但是這個過程相對來說，因為我們作為運營方來說，樣本采集的來源和成本比車端會更加有一些優勢，所以時間上來說應該還好，但這確確實實也會影響到，如果說我們這個ODD邊界范圍的異常事件自動化識別范圍不能夠快速成長起來的話，那其實對于這種協同式系統的適用范圍、可適用停車場以及整個系統的運營成本會有一些影響。

第三個挑戰，在AVP系統里面把場端這些東西加進去之后，會發現任何一個以前所開發的定位功能、感知功能、控制功能整個的邏輯或策略都需要發生一些調整，這對于傳統做ADAS起家的這些伙伴來說，其實是特別不適應的，我們也在現實跟客戶的合作過程當中，收到一些這樣的反饋，就是做這種項目比較煩，周期相應也比以前單車的系統開發比較長，但我相信這個只是眼下的，未來隨著邊界或者隨著功能分配越來越清晰，相信后面這些所謂開發上或者項目管理、項目協調上的困難都是可以克服的。 因為時間關系，今天跟大家的分享就到這里，謝謝大家！

原文標題：車亭智能：車場協同式AVP的發展機遇與挑戰

文章出處：【微信公眾號：佐思汽車研究】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq