大家好，我是電動小偵探！

我的小鵬P7將要迎來Xmart OS 2.6大版本更新，等正式版推送后，我會盡快為大家?guī)碓敿毜捏w驗。而最近，在瀏覽車友們分享的內測版更新信息截圖時，我發(fā)現(xiàn)有一項重要的新增功能——停車場記憶泊車。

除了激光雷達，感覺AVP也成了今年廠商們集中落地的技術啊。不光小鵬P7，前不久上市的威馬W6也將搭載與百度Apollo合作的“無人自主泊車系統(tǒng)”，燃油領域的吉利星越L甚至宣稱可以實現(xiàn)1公里代客泊車。

那么，AVP實際體驗下來效果如何？這項技術又是怎么實現(xiàn)的？

■ 威馬W6無人泊車系統(tǒng)體驗

上個月，我在上海某威馬展廳所在大廈的地下停車場體驗了W6的無人自主泊車系統(tǒng)。

威馬將無人自主泊車分成兩步走：

第一步，是HAVP，這個相對簡單，主要面對高頻高重復性的停車行為，對應場景就是公司單位、小區(qū)的固定停車位；

第二步，是進階版的PAVP，面對低頻但對用車體驗影響很大的隨機停車行為，對應場景則是購物中心等公共地段的開放停車位。

體驗無人泊車就很尷尬，因為這項技術本身的目的就是讓車主“沒有體驗”，因此我全程都是站在車外，觀看車輛駛出并駛回車位。

HAVP有一個學習過程，第一次需要車主給車輛“示范”一下，車輛會一邊掃描小區(qū)或公司停車場的環(huán)境，一邊記錄車主的操作和行駛軌跡。

車主將整套操作“演示”一遍并停好后，車輛將記錄下的環(huán)境信息和軌跡數(shù)據(jù)上傳，這時候百度Apollo的云端會分配算力，學習出一套車主專屬的自動泊車路徑。自主學習的路徑不能超過100米，這個距離足夠涵蓋絕大部分停車需求了。

有人會問了，我家地庫信號特差，是不是就沒法云端學習了？

威馬給出的方案是，如果信號太差，學習過程也可以在車端進行，只是時間會長一些。用Apollo的算力只需要十幾秒，受路線長短影響，車端學習需要5~8分鐘，最終效果跟云端計算是沒什么區(qū)別的。

車主第一次使用HAVP，過程是這樣的：

1、把車開到電梯口或單元門，打開HAVP自主學習；

2、停完車上傳數(shù)據(jù)，生成泊車路線和策略；

3、再來一次，打開HAVP；

4、從車位開到電梯口，生成泊車路線和策略。

如此一來，你就完成了一整套泊車和召喚的過程。下次再用，人到電梯口直接掏出手機，靜待車輛緩緩來到跟前即可。

威馬W6支持HAVP學習5條路線，泊入和泊出算兩條，車主可以分別在公司和家學習兩條，留1條備用。

更重要的是，跟大家玩手游時常用的“一鍵連招”不同，HAVP不是“死記硬背”，傻傻地重復車主的操作，而是會結合攝像頭、毫米波雷達等傳感器的信息，有一定的靈活避障能力。同時，車輛還會優(yōu)化車主的操作細節(jié)，尋找更高效合規(guī)的路徑。比如車主演示時壓了其他車位的停車線，將來車輛則可以在一定程度上避免壓線，也不耽誤停車。

■ 與特斯拉的遠程召喚有何不同？

高頻固定場景還好說，畢竟車主知根知底。出差辦事、出門采購時的隨機停車可就麻煩了，人生地不熟的，找車位實在頭疼。

威馬原計劃在年底更新的PAVP則更進一步——不需要自主學習了！大型公共場所停車場中，車輛可以將傳感器信息、高精地圖與定位信息、車位信息結合在一起，自主尋找可停車位。

顯然，PAVP需要百度對公共停車場進行高精地圖的測繪。功能啟用過程中，通過以太網(wǎng)傳輸8155芯片和自動駕駛域控制器的數(shù)據(jù)給T-BOX和網(wǎng)關，車輛與云端通過5G實時連接，由于帶寬夠高，延遲很低，可以運用高精地圖和高精定位，對車輛路線做實時規(guī)劃。

2019年，特斯拉推出遠程召喚功能，可以說在主機廠層面走出了特定場景下L4級自動駕駛的第一步，都是將人從停車場景中剝離出來，遠程召喚與AVP之間還是有本質區(qū)別的。

從信息維度層面來看，特斯拉的遠程召喚主要依托傳感器和本地算法。而AVP不但需要本地算法的支持，還融合了高精地圖和定位技術，理想條件下甚至可以實現(xiàn)停車場跨層尋找車位。

其實，AVP在行業(yè)中的解決方案有三種，分別是車端、場端和車場云端。

這里我再做個解釋。所謂車端，就是僅通過車輛的傳感器和消費級GPS定位和IMU，特斯拉就可以看做是車端方案的踐行者，類似的還有Momenta研發(fā)的Mpilot Parking。

車端方案的優(yōu)勢不言而喻，主機廠自己全搞定，只需要消費級地圖信息的眾包，就能達到想要的效果。不過話說回來，車端方案也對算法和算力提出了較高要求，這會在無形中提升車輛的成本。

相比車端，場端則更多利用了V2X技術，通過在停車場預置攝像頭和雷達，停車場采集環(huán)境信息并發(fā)送給車輛，然后車輛通過這些信息規(guī)劃自己的行駛路徑。我們可以將場端技術簡單理解為，停車場自己有了眼睛和耳朵，通過“對講機”告訴車輛你該怎么走。

個人認為，場端方案最大的優(yōu)勢在于可靠性更高，也降低了主機廠的研發(fā)難度。但是場端方案很難得到推廣，因為要對現(xiàn)有停車場進行改造，這個成本誰來負擔呢？其實場端是AVP最早的技術思路，2017年戴姆勒與博世就展示過這項技術，我覺得也在一定程度上代表了主機廠的傳統(tǒng)思路。

我們在場端思路的基礎上擴展一下，就得到了第三種方案——車場云端。

百度Apollo和主機廠小伙伴們所做的，就是車場云端方案。你場端不是要改造停車場安裝雷達攝像頭么？不用了，我來！地圖商們自己去測繪一個個停車場的詳盡數(shù)據(jù)，繪制成高精地圖，車輛通過高精地圖和高精定位信息，再加上自己的傳感器信息，在云端生成路徑。

車場云端這種思路，不會將軟硬件成本過多地傾斜到某一方身上，主機廠負責傳感器和本土算力，百度負責高精地圖和云端算力。停車場呢？您啥都不用做，配合好高精地圖測繪就行！

而且，隨著合作伙伴的增多，Apollo的成本也會被多個主機廠分擔。這也就是為什么，AVP車場云端方案的發(fā)展速度大有后來居上的趨勢。

■ 信任——AVP的終極考驗

在體驗威馬W6的時候，我曾經(jīng)換位思考：如果我是AVP車主，這個功能會不會形成日常依賴？

我在70%的場景中都會用到小鵬P7的自動泊車，是因為不管是否泊車成功，我都能隨時接管，解決問題。但無論誰家的AVP，在面臨千變萬化、極端復雜的停車場環(huán)境時，真的能做到每次都成功嗎？

要知道AVP是將駕駛者與車剝離開的，一旦停車失敗，車主勢必要返程解決，哪怕50次成功后1次失敗，這種體驗上的巨大落差，恐怕都會讓使用者對AVP的信任度大打折扣。

除了使用者，法規(guī)層面對AVP的信任更能體現(xiàn)到使用細節(jié)上面。

由于現(xiàn)行法規(guī)不允許駕駛者脫離車輛，因此在威馬的HAVP使用中，車輛會實時比對車機和手機的GPS信息，信號差的話就實時監(jiān)測藍牙連接，以此確保人和車不會離的太遠。換句話說，將來HAVP的使用者很可能還要“目送”車輛。

HAVP尚且如此，未來更新的PAVP可是明確了車輛脫離人眼監(jiān)管的。個人認為，法規(guī)走在技術后面是很有必要的，只有當技術足夠成熟可靠，且需求持續(xù)旺盛時，法規(guī)的信任才能提高一層，為特定場景下的L4真正落地提供支持。

■ 總結

一項全新技術的誕生和應用不可能一帆風順，AVP將成為第一個在特定場景下全權接管車輛控制權限的自動駕駛技術。

可以預見的是，將來難免會有使用者遇到不順心的情況，帶來更多的關注與討論。希望廠商在推出AVP相關技術的同時，也能做好用戶教育（當然不是特斯拉提出的那種），必須讓用戶明確知道技術的觸發(fā)條件與能力邊界。

我甚至覺得，不要讓用戶對AVP抱有過高期待，甚至可以對用戶的使用場景做過濾，先讓一小部分人用起來，這些種子用戶給車企的建議和反饋至關重要。