自动驾驶域控制器全面分析（一），行泊场景，首个L4何时落地这是“汽车人参考”第389篇原

这是“汽车人参考”第389篇原创内容
“赋能智能电动汽车组织和个人成长”
随着车企集中式电子电气架构演进速度加快，域控制器关注度也越来越高，结合目前行业发展趋势，汽车人参考对自动驾驶域控制器进行全面分析。
自动驾驶本质是人工智能AI在智能汽车边缘场景的落地应用，由场景衍生出需要实现的功能，而功能对应着解决方案，解决方案的基础是电子电气架构，在电子电气架构之下，通过提取软件算法，去设计芯片，最终回到场景中去解决问题。
按照这个逻辑，汽车人参考从场景和功能开始，去看技术和商业解决方案，再具体到电子电气架构，去关注软件算法，最终落到域控制器上，范围由大到小，颗粒度由粗到细，本文主要关注场景和功能，后面将介绍解决方案，请关注本公众号（auto_refer）后续更新。

文章图片
行车和泊车两大场景
自动驾驶总体上可分为行车和泊车两大类场景，分别面对的是在多类道路上及多类停车方式上如何实现自动化的问题。
针对于行车场景，包括了高速单车道和多车道，匝道，城区环岛、隧道、十字路口，非结构化城镇道路，最终覆盖城区任意点到点。
整体上是一个从封闭到开放，从简单到复杂的过程，也可以看作是自动驾驶系统运作的前提条件及适用范围（运行设计域ODD ， OperationalDesignDomain）不断在扩大。
泊车场景相对来说更封闭和简单，需要考虑的是多类停车场（地面、地下、地上）及多类停车位（垂直、平行、斜车位）如何实现自动化的问题。

文章图片
场景也可以用地理围栏GEO（GeographicalFence）来定义和约束，又分为以下五类：
Geo1：无人、低速、车少，如停车场、矿山等；
Geo2：无人、高速、车少或人少、低速、车少，如园区或长途高速；
Geo3：人少、低速、车多或无人、高速、车多，如城市简单道路或近郊高速；
Geo4：人少、高速、车多或人多、低速、车多，如城市高架路或市中心道路；
Geo5：其他环境，如城乡结合部道路。
结合自动驾驶等级，对应不同地理围栏，行业的落地进展如下：

文章图片
有了场景，就需要通过功能实现，去解决覆盖场景中的各种问题，也包括长尾的问题。
自动泊车功能
解决泊车场景的功能当前比较清晰，从L0的全景环视监控AVM（AroundViewMonitoring），到L2的自动泊车辅助APA（AutoParkingAsist），发展至L2+的远程泊车辅助RPA（RemoteParkingAssist），再到L3的记忆泊车MPA/HPA（MemoryParkingAssit或HPA ， HomeParkingAssit），最终目标是实现L4自主代客泊车AVP（AutomatedValetParking）。
其中， AWM和APA已经很常见， APA自动泊车辅助使得驾驶员在车内可解放双手和双脚，但需要实时监控汽车，主要依靠12颗超声波雷达实现这个功能。
进一步到RPA远程遥控泊车辅助功能，不再需要驾驶员坐在车内，仅需要在车外观察即可，除了超声波雷达，在APA的基础上实现RPA功能需要增加通讯模块（如蓝牙等）。
到了记忆泊车MPP/HPA ，驾驶员可在车外，且不需要看着车，便能实现固定路线的自动泊进和泊出，这个阶段需要汽车能自学习。
一般通过四颗鱼眼相机，将周围图像进行畸变矫正后再拼接，实现360°环境感知，然后再加上SLAM建图和定位技术（SimultaneousLocalizationAndMapping ，即时定位与地图构建），即可实现HPA自主泊入和泊出操作。