纵目科技发布自主泊车系统1.0版本，未来两年内实现量产

在年初举行的CES国际消费电子展上，纵目科技推出了一款基于高通骁龙820A平台的最新ADAS产品原型系统，这只是纵目从环视ADAS进阶到自动驾驶的第一步。11月30日，纵目1.0版本的自主泊车系统发布，这意味着CEO唐锐所规划的“纵目自动驾驶路线图”又多了一款可落地产品的支撑。该系统预计未来两年内量产，主打停车场和简单园区等无人、低速、车流少的场景，可实现室内导航、自动行驶、卸客后自主寻找停车位、泊车自动驾驶、接客等应用。

演示纵目自主泊车1.0系统的demo car

自主泊车：自动驾驶商业化落地的重要一步

近一两年来，自动驾驶已经成了耳熟能详的热门词汇，不管是传统汽车制造商、Tier 1供应商还是层出不穷的科技公司，似乎不搞点和自动驾驶沾边的事情，都不好意思在圈子里混。但再好再热的技术不落地，也只能是空中楼阁。所以，你会发现谷歌在自动驾驶项目成立10年后也开始焦虑商业化的事情了，所以它成立了独立子公司Waymo，并开始探索自动驾驶技术在汽车共享、汽车租赁等领域的应用。

显然市场的各个参与者已经对「自动驾驶」这件事情变得越来越理性。用纵目科技副总裁陈超卓的话说，“如果光演示一辆自动驾驶概念车，不考虑量产落地和商业模式，那么无人驾驶已纯粹是低科技，不是高科技”。而另一个市场变化的趋势在于，大家似乎不怎么提全路况的L4了，而是加了一个「地理围栏」的前提，即限定在特定的场景应用区域。所以这也是为什么很多初创公司会选择有限场景作为技术应用的第一步，因为这有利于加速其自动驾驶项目的落地。

年初采访纵目CEO唐锐的时候，他已经向车云菌透露了纵目在自动驾驶产品上的初步规划，即利用高通820A平台较强的扩展性打造一系列产品，应用场景囊括了从低速的2D/3D环视泊车辅助，自动泊车、自主泊车，高速的AEB/ACC/LDW驾驶辅助，以及更高阶段的自动驾驶等。而随着产品功能的变化，会陆续增加摄像头的数量，接入其他功能的传感器。

只不过经历了近一年的产品开发，纵目在自动驾驶商业化问题上有了更详实的计划——纵目科技要走的是一个低速的、以环视为基础迭代的产品路线：最初是由驾驶员完全控制的具备预警功能的辅助驾驶环境系统，接着过渡到自动泊车环视系统，再到有自主泊车功能的环视系统，最后实现自动驾驶。

上面这个表有意思的地方在于，它将SAE对自动驾驶的分级和「地理围栏」的概念结合在了一起。绿色代表已量产或可以近期落地；黄色属于中期目标，5~10年落地；红色则是长期目标，落地时间在十年之后，这要取决于人工智能技术是否有突破，V2X以及相应基础设施建设是否成熟等因素。在纵目看来，绿色部分代表了目前可以落地的技术，各个公司也基本都在盯L3或L4这两大主要场景，这也是纵目目前主要关注的阶段。具体来说，是基于园区、停车场或者简单的社区道路三部分场景实现从低速L4到高阶自动驾驶的发展。

纵目目前已经实现了自动泊车APA系统（Level2、Geo1）的量产投放，据唐锐介绍，2018年中期将随着数款新车上市；这次发布的是计划未来两年内量产，实现针对大型商场等地下车库以及简单园区的自主泊车1.0（Level4，Geo1）。因为这些停车场没有固定的停车位，司机可以通过手机APP了解车辆位置和周围环境，返程时一个指令就可令汽车自动到指定位置接驳。再往后，2019年有望可以将自主泊车2.0系统落地，它应对的是室内和室外、多层停车场以及居民小区等这些低速复杂场景，但也叠加覆盖了1.0的全部场景；2020年，纵目计划推出针对简单城市路况的自主泊车3.0（Level4，Geo3），因为有了高精度地图的支持，目标场景将转向市区道路行驶，能够在公共道路上卸客，会附加自主泊车1.0和2.0功能。

在发布会开始前，车云菌已经抢先体验了纵目自主泊车1.0这套系统，这个现场演示的demo环节，总共包括了接驾、导航以及自主泊车三个应用场景。所有的人车交互是通过手机APP和车内UI实现的，用户将位置信息发送给汽车，系统接到指令后即可控制车辆自动驾驶前往接驾。同样的，只要保证该停车场有空位，汽车在人离开之后会自行寻找空位，或根据乘客需求停放至某个固定位置。我们可以通过纵目官方的一部短片，来进一步了解下自主泊车1.0系统的具体功能和应用场景。

纵目自主泊车系统的技术解读

大家不知道有没有注意到，上面这条视频中出现的具有自主泊车功能的概念车，它的外观和一辆市场在售的量产车并无差异，而车云菌在下到地库去试乘体验时，发现两辆做演示的demo car（比亚迪秦EV）同样是浑身光溜溜。据纵目自动驾驶总监王凡介绍称，传感器架构决定了纵目自主泊车解决方案与其他同类产品的差异，即完全使用目前已经量产的传感器进行布局，以加速其投放市场的速度。在纵目自主泊车1.0~2.0的阶段，该系统所搭载的传感器只有4路环视摄像头、单/双目前视摄像头、IMU、4轮转动脉冲、方向盘转角、GPS传感器、超声波雷达，迭代到3.0可能会考虑增加毫米波雷达，增加系统冗余的同时提高自动驾驶功能实现的安全性。

纵目自主泊车系统的传感器架构

而在重要的感知部分，纵目采取的是利用深度学习算法对目标进行检测的方法，它能够实时对停车场内出现的行人、车辆、锥桶等障碍物进行识别判断。不过既然谈到了深度学习，就免不了讨论承载其的计算平台和算法的优选问题。

停车场目标物检测的效果

目前高通是在基于高通骁龙820A在进行自主泊车系统的开发，唐锐在之前的采访中也提到了，之所以选择这款计算平台，是因为它的可扩展性高，符合纵目产品技术迭代生长的需要，而且平台功耗低，现场演示车辆算上所有传感器和计算平台本身，功耗可能控制在15W以下。此外，纵目在神经网络的小型化、简枝量化、压缩上做了很多工作，目的是希望在嵌入式同时功耗、计算能力合理的平台上，能够实现在具体场景下解决具体问题的能力。而现在这块高通820A的板子里容纳了4个深度学习卷积神经网络。

纵目自动驾驶技术总监王凡手中拿的就是一块高通骁龙820A计算平台

除了手机和车之外，纵目整套自主泊车系统中还包括了一个云端架构。它可以帮助完成人车通信，包括用户注册、安全认证以及搜集车辆传感器信息，在云端完成地图构建、地图更新以及众包地图的管理等。一般来说，自主泊车功能的实现无外乎两种路线，或者重自身传感能力或加强场端通信支持。前面也提到了，纵目的这套解决方案无需对停车场进行硬件改造，利用5个摄像头+GPS+IMU融合的视觉定位技术可以被动接收停车场已有的信息，整合至前期与合作伙伴绘制的高精度地图或众包地图中，以低成本的方式实现自主泊车功能的输出。

在整个产品开发过程中，纵目有自己的测试车队、采集车队，同时在量产车上也会集成数据采集平台，将大量数据整合后再经少量人工干预，形成有价值的标注数据，送到深度学习平台进行算法模型的训练。之后再不断地进行迭代，将更成熟优秀的算法模型通过OTA的方式更新到测试车队上。这是纵目在路测数据平台搭建上的一些思考和举措。

不过在这个自动驾驶技术开发融合开放的时代，纵目也没能“免俗”，自己也在打造一套ZROS多平台软件框架，包括了感知和地图两大模块。纵目自动驾驶技术总监王凡表示，感知决策的算法是由纵目来自主开发，但其他部分可能会联合外部合作伙伴共同完成。这套平台会提供最新的SDK，合作伙伴可基于这套平台自行开发或使用纵目提供的算法，纵目会与合作伙伴共享地图数据和测试数据。

低速L4自动驾驶产品的商业模式

一般来说，传统汽车OEM的供应链模式可以解读为一个正三角的形式，从下往上一次为Tier 2、Tier 1、主机厂。纵目科技副总裁陈超卓认为，目前归于L1和L2级自动驾驶的ADAS产品，产业和供应链体系已经相对成熟完善，成本也可以控制在一个合理范围内，这种自下而上的商业模式能够保证用户在享受新技术带来的便捷的同时无需承担高昂的费用，是目前主流的消费市场可以接受的。

一旦涉及到到L3、L4甚至是更高阶段自动驾驶产品的商业化落地问题，首先技术不成熟是一方面，另外技术落地的实体成本过高，超过了消费者的承受能力，相信没有人愿意为这种不成熟的技术买单的。基于上述考虑，陈超卓认为可以选择从和消费者相关的几个区块入手，一方面帮助主机厂开发相关的智能功能，另一方面向出行运营商，包括共享汽车的运营商提供解决方案，成为共享汽车生态链中的一环。

尽管距离真正的大规模量产时间还长，整体技术方案仍有待完善，成本方面也要实现合理化的控制。但从另一个角度来看，随着共享汽车业务的不断拓展，自主泊车能够从根本上解决停车难这个问题，有助于提升消费体验，因此在停车场和园区的应用有望在近一两年内大范围铺开。纵目表示会在2018年完成国内一二线城市大型停车场地图构建，累计10万公里路测数据；到2019年，联合共享出行合作伙伴部署上万辆车，形成数据闭环，累计百万公里路测数据；到2020年实现主机厂车型的大规模量产。

近日，纵目科技的园区低速自动驾驶等项目已经入围“星辰计划”的首批名单，未来也将依托上海国际汽车城、汽车创新港等单位和机构的支持，享受政策补贴、研发空间、测试场地、商业落地平台等资源整合带来的优势。纵目科技副总裁陈超卓表示，未来一年要在汽车城和其他合作伙伴一起，把共享出行的难点、痛点解决一下。

车云小结

从环视切入自动驾驶，这是纵目和其他自动驾驶解决方案提供商很大的一点不同。在现有自动泊车技术导入量产后，基于现有自动泊车技术获得的经验向自主泊车这样低速L4自动驾驶应用过渡，是一种稳妥而且具有生长性的研发路线。而且从ADAS到自动驾驶，纵目采取分步走策略的优势在于，每一步都能够实现量产。

纵目科技副总裁陈超卓曾做过这样一个总结，他说“纵目是汽车+AI的技术路线”，车云菌对此的理解是，纵目的产品和技术是基于现有量产低成本传感器和环视算法开发的，不会过度依赖人工智能在自动驾驶上的应用，而是将其作为辅助手段，利用深度学习算法提高传感器系统对目标物体的识别和检测能力，结合Visual SLAM等高精定位的技术以及众包地图的数据，逐步从低速自主泊车过渡至高速自动驾驶场景。