|
来源：九章智驾 作者：刘哲 在“L3级别”自动驾驶功能大规模推广之前，AVP的功能场景可以作为一个较为安全的场景来验证迭代各个公司的自动驾驶算法。 引言 2022年6月22日，一辆蔚来ET7测试车从停车楼坠落，造成一死一伤的惨痛事故，人们聊起自动驾驶安全性能的负面谈资又多了一条。特斯拉，小鹏，这些自动驾驶领头羊们，都曾经在自己最自豪的领域“翻车”。这就让普通用户不禁担心：在高速行驶的道路上，把车辆的驾驶权完全交给“机器人”，是否是一个安全的选择？ 而这正是开头提到的蔚来ET7测试车之所以会在停车楼做测试的原因。停车场作为低速限定场景，车速低，行人少，发生严重交通事故的可能性大大下降，但其商业价值却一点不低，“代客泊车”作为一个已经存续了一百年以上的成熟业态，能够创造持续稳定的现金流，是一个非常好的自动驾驶技术介入现实交通的窗口。 因此，在实现车辆自动驾驶全面商业化之前，研究AVP（Automated Valet Parking，自主代客泊车）功能的技术发展和商业化能力，是非常有价值的。从现有的AVP产品出发，我们可以了解AVP功能具体的实现方式，进而分析其成本和技术难点，最终对其商业化的预期和“L3”级自动驾驶相关功能的推广做出判断。 01 目前AVP的主要表现 AVP的产品逻辑十分简单：用户在到达目标地点之后，离开车辆，下发自动代客泊车的指令，由车辆自动驶入停车场，寻找车位。当用户需要使用车辆时，再远程召唤车辆，自动从停车位行驶到用户面前。 但是根据智能的程度，一般可以把AVP的功能分为以下几类：自动代客泊车辅助（APA）、遥控泊车（RPA）、自学习泊车（HAVP）、自主代客泊车（AVP）。 自动代客泊车辅助（APA）需要乘客自行驾驶入停车场，车辆感知到停车位之后，可以自己打方向盘，泊入车位，期间司机需要一直在车上。 遥控泊车（RPA）与自动代客泊车辅助类似，只是在泊入期间，车主可以下车，让车辆自己泊入车位。这个功能在比较狭窄的车位，或者旁边障碍物的车位比较有用，方便了车主上下车。 自学习泊车（HAVP）相较前两者有了更大的进步，在进入停车场之前司机就可以下车，车辆会自动停回属于自己的停车位。但是它的局限还是很明显的，一是车位固定，二是需要事先学习路线，换了一个停车场就没有办法使用。 自主代客泊车（AVP）是最理想的状态，自己寻找车位，自己规划路线，适应不同的停车场。并且可以实现逆向召唤，车辆自动从车位泊出，行驶到车主的面前。
目前已经在提供AVP服务的主机厂有特斯拉、小鹏、极狐、威马（百度）等厂家。各家对AVP功能的定义和实现路线均有所不同。 特斯拉 特斯拉的泊车功能宣传的最早，从2020年开始就宣称自己的车辆将搭载AVP功能。但是直到现在，其车辆上所谓的AVP也只是辅助自动代客泊车（APA）和遥控泊车（RPA）而已。它仅提供了在停车上行驶过程中自动识别车位，和自动倒车入库的功能。 在不方便停车的位置，可以遥控车辆泊入车位。 不过特斯拉在此基础上增加了一键召唤功能，在一个限定的电子围栏之内，可以远程将停在车位里面的车辆召唤到自己面前。这个功能也有诸多的局限，比如最好是在地上的停车场，否则没有GPS信号。召唤地点一定要在电子围栏的限制之内才可以。相对于路线多变、障碍复杂的的泊入场景，可能路线单一的泊出——固定路线行驶，才是走纯视觉路线的特斯拉的长项。 小鹏 说到对标特斯拉的国内厂商，非小鹏莫属。他们提出的AVP功能则比特斯拉更近了一步，达到了HAVP的等级——不仅支持记忆长达一公里的泊车路线，而且储存的路线数量达到了一百条，在无人巡航的速度上，小鹏也达到了20公里每小时，基本与真人驾驶无异，体现了优秀的规划和控制能力。 但是小鹏的HAVP暂时只支持地下车库，不支持地上停车场。理论上地上有GPS信号，光照条件也更好，对车辆的定位和感知应该是更有利的。笔者此处大胆做一个猜测：可能小鹏的HAVP功能在记忆路线进行建图的时候，使用了某种专门针对地下停车场场景的训练模型，提高了地下特征的识别能力，但是代价就是地上的效果不太好。 极狐（华为） 华为加持的北汽极狐，也是自动代客泊车领域有力的竞争者。同样达到了HAVP的水平，可以支持固定路线的长距离自动代客泊车。某种程度上真正做到了司机下车回家，让车辆自己泊入指定车位。在具体泊入车位的操作中，极狐对路径规划算法进行了优化。过去一些APA功能不好泊入的断头路车位、异形车位，极狐都可以识别并且泊入。 同时顶配的极狐搭载了激光雷达，极大地提升了车辆的空间感知能力。这在AVP上的提升主要显示在地下车库跨层能力上。过去主要靠视觉和超声波雷达的AVP功能无法对纵向视距之外的地物做太好的区分。有了激光雷达，上下三层停车场不费劲。 威马（百度） 威马与百度合作的车型最早在2021年打出了“全无人自动驾驶”的名号，但是主要的功能场景依然是限定在记忆泊车HAVP的领域。从目前的几个厂家来看，环视相机+超声波雷达+高算力域控制器就可以满足现阶段的HAVP记忆泊车的需求。 威马与众不同的点在于，他们在后续的OTA升级中，提出了公共场所自动代客泊车PAVP的概念——在公共停车场这样的非常规停车区域，实现无需学习即可自动泊车。在传感器和算力没有太多优势的前提下，实现PAVP这样的大幅提升，依靠的是商业停车场的事先准备的场端智能。 在这里，公共停车场作为一个重要的主体加入了泊车的行为中，用以提供高精度地图、定位、道路规划等服务，从小鹏、极狐的单车智能，走到了车-路-云协同合作的集体智能。在技术和成本无法迅速优化的前提下，引入了新的生力军，实现了更高等级的AVP功能。其实特斯拉也在打算做类似的商业模式，通过大量市面上在跑的特斯拉来采集地图，构建公共停车场的高精度地图。但是不幸的是，这样的自主道路数据采集，不止是政府不允许，各个商业综合体也不会允许。 此处将各家表现做一个对比
02 技术路线 从技术的角度，以上自动代客泊车功能主要依赖于感知、建图、规划三个部分。 在低级别的AVP功能中，对车辆的要求主要是感知。随着代客泊车功能的发展越来越向真正的自动驾驶靠近，对建图和规划的要求也就越来越高。 感知 感知部分依据主机厂的车辆配置，各有不同。激光雷达、超声波雷达、摄像头，都可以承担感知部分的任务。在最原始的倒车辅助功能中，超声波雷达用以感知车辆周边的障碍物，随后进一步发展为倒车影像，让司机可以在车机屏幕中看到后视影像和倒车辅助线。 但是随着AVP功能对感知的要求越来越高。感知已经不只是模糊的识别出障碍物这么简单，它需要明确的识别出车辆周围的停车位，并在行进过程中对各种障碍物进行分类识别，提供精确的路径规划的前置条件。因此目前感知模块在AVP功能上提供的服务主要是：鸟瞰图BEV和语义特征识别。 鸟瞰图的功能在现在很多高端车辆中都已经部署，通过投影变换的方式将车辆四个方向环视摄像头的道路影像转换为以车辆为中心的鸟瞰图。传统方法的BEV空间转换方法，一般是通过IPM（Inverse Perspective Mapping，逆透视变换）函数将朝向汽车周围的影像内容转换为俯视的鸟瞰图。这个过程需要事先对车辆环视摄像头的位置关系进行标定，确定整个相机系统的空间坐标关系。 感知的另一个重要功能方向是泊车过程中的语义特征识别。包括对道路车道线，地面标志，交通信号的语义识别。对机器来说，视觉影像获取到的数据只是一连串的像素组合，要想对其进行语义识别，就需要通过人工智能的方法，利用大量的道路数据进行深度学习。目前主流的目标识别算法框架有谷歌的TensorFlow和ultralytics团队的YOLO系列，后者在自动驾驶领域的应用更加广泛。通过特定的训练数据集和对输出方式的定制修改，YOLO可以适应大部分的道路场景，提供对车、人、标志牌、车道线、车位的语义识别服务。帮助车辆确定当前的行驶状态以及制定决策。 建图 建图是指各个地区停车场的小范围高精度地图，由于不涉及政府、军事等敏感信息，停车场的高精地图信息采集所需的测绘资质不高，大部分的私企都可以申请得到，不存在法律上的风险。 一份优质的、立体的高精度地图，对自动驾驶功能的效果提升是显而易见的，但是建图是一个复杂且漫长的过程，如果依赖单车智能的方式来建图的话，需要大量的算力和时间，来处理停车场的路线数据。这也是为何大部分车厂宣称的自动代客泊车功能只支持到HAVP的原因。因为只采集一条路线的数据的话，对算力的要求大幅降低。 如果要支持全域建图，那就要摒弃过去车厂单打独斗的想法，做到车-路-云一体协作。车端智能由主机厂提供，车上的传感器可以自主识别近距离的障碍物并执行有限的道路规划。路端的数据由停车场配合采集，并保持与一定的更新频率。提供地下导航所需的高精度地图，为车辆提供厘米级别的高精度定位，并进行长距离的路径规划。云端引入各大云计算厂商，将车辆从大量数据的存储和计算中解放出来。这样也有利于地图数据的维护和复用，全局优化整个停车场的AVP系统。 目前高精度地图的采集主要利用SLAM（实时定位地图构建）算法，根据使用传感器的不同分为激光SLAM 和视觉SLAM。激光雷达做SLAM的方式更容易理解：一个激光探头不断发送并接收反弹回来的激光信号，通过计算激光射出和反弹回来的时间差，乘以光速，就可以得出附近地物与激光雷达的距离信息。一般128线的激光雷达，可以对200米以内的地物进行厘米级别的测量。随着车辆的移动，整条道路周边的地物信息都可以采集完成。 但是激光雷达的缺点也很明显，他很难对周边地物信息的语义信息进行判断。激光雷达只能通过物体的反射率对不同材质的物体做出简单的区别，比如地面和墙面，玻璃和塑料，但激光雷达不具备色彩识别的功能，因此实际应用的高精度地图也非常依赖于环视摄像头提供的影像信息，来赋予激光雷达采集的三维影像以现实意义。 同时现有的深度相机、双目相机都已经可以较好地获取深度信息，甚至单目相机也都可以通过极线匹配算法获得深度信息，因此像特斯拉这样的企业倾向于直接用海量的低成本摄像头数据来完成大部分停车场的高精度地图采集。 规划 路径规划的能力要求是随着AVP的能力等级逐渐提升的，从APA到HAVP到PAVP，车辆需要从短距离的轨迹规划，提升至点对点的路径规划，然后增加行驶过程中的实时避障，动态规划功能。 短距离的局部轨迹规划建立在栅格地图的基础上，将车辆周围的障碍物和可通行空间赋予不同的栅格值，栅格的大小一般为车辆移动的基本步长。这样车辆的位移就可以转换为在不同栅格之间的移动，计算机可以使用数学的方式来对车辆的运行轨迹进行计算。虽然这样对全部地图进行栅格化处理对算力和存储的要求比较高，但是随着摩尔定律的生效和产业上下游的规模化生产，栅格化模型的需求也是可以接受的。 在栅格地图上运行的路径搜索算法，以Dijkstra算法为原点，逐渐演化出了很多效率更高，表现更好的算法，例如A*， D*等。经典的Dijkstra算法为广度优先算法，计算从起始点开始，距离每一个相邻点的代价（cost），将可以到达的点中代价最小的一个点划入起始点的集合，用这个集合中的点再去计算到达剩余的相邻点的代价，将其中代价最小的一个点划入起始点的集合。如此循环，直到计算出到达所有点位的最小代价。 Dijkstra算法是一种典型的贪心算法，在计算代价的过程中仅能考虑当前点周围相邻的点位，无法做到全局最优，因此产生了A*算法对其进行优化。A*算法是一种“启发式”算法，它预先设定了终点的方向，引导算法扩展的方向，减少了对不太可能经过的点的遍历，提升了运行的效率。D*算法新增了动态检测的功能，即使车辆在启动AVP功能的时候还没有确定最终的目标点，它依然可以将运行过程中收集到的道路信息增加到路径规划的图表中，引导车辆按照相对最短的路径泊入车位。 03 成本分析 对智能汽车来说，AVP并不是独立工作的模块，它与AEB（紧急制动）、ACC（自适应巡航）等功能共享一套硬件系统。目前各个厂家着力推广AVP服务，就是在硬件层面为后续的高阶“L3级”自动驾驶功能铺路。在感知能力和算力都已经充足的前提下，车厂就可以通过OTA升级的方式在线部署其他的自动驾驶功能。 因此在了解了目前AVP具体功能和技术路线之后，我们可以来分析一下，车辆若想实现完全无人的自主代客泊车，甚至城市道路辅助驾驶，具体需要花费哪些成本。 首先是车辆上的传感器设备，主要包括激光雷达，环视摄像头，超声波雷达，卫星定位设备。此处做一个整理。
从表中可以看出来，车载传感器的成本重头戏都放在激光雷达上。但是除了这些广为人知的基础传感器之外，还有很多隐藏在车内的硬件成本需要考虑。 组合导航 组合导航是指惯性导航IMU和卫星定位系统GPS构成的组合系统，负责提供高精度的车辆位置，目前国内有很多优秀的供应商，比如广州导远、千寻位置、中海达等。但是组合导航的成本浮动很大，便宜点的定位模块在淘宝100元就能买到，贵的组合导航设备没有上限。根据不同的价格，可以提供米级别到载人航天级别的定位服务。工程级别的组合导航一般在万元级别，定位精度可以达到厘米级别。要想快速定位，还需要购买当地服务商提供的卫星差分服务，一般收费标准是一个账号一千块一年。 大部分的组合导航对定位服务的工况要求非常高，要想达到良好的定位精度，一定要有开阔的领空。在城市峡谷和地下停车场顶区域，组合导航基本没有办法提供服务。因此在目前的自动代客泊车领域，组合导航只负责提供简单地运行设计域（ODD）范围，帮助车辆判断是否可以开启相关自动驾驶功能。 车规芯片 自动驾驶功能用到的芯片的价格通常为几百到几千元，但这并不意味着主机厂商购买算力的成本就只有几百到几千元。因为大部分的芯片厂商都会将自己的芯片打包进自己的计算平台一同销售，数据传输协议、工具平台、功能架构都是围绕着芯片一同开发的。 选择了某一家的芯片，也就是选择了他家的方案。以现在最流行的英伟达orin芯片为例，其开发板价格就达到了8万元人民币，虽然量产之后可能会降价，但是依然不会太便宜。在特斯拉Model3的整车BOM表中芯片成本为将近1516美金，整车成本为25000美金，芯片占据整车成本的6%。根据英特尔CEO Pat Gelsinger的预测：到2030年，芯片将占高端汽车物料成本（BOM）20%以上。 目前主流的芯片平台如下表所示：  数据来源：《自动驾驶产业链全梳理，这些公司已布局》零壹财经 地图 高精度地图是走向高级自动驾驶功能不可或缺的一块拼图，真正的AVP少不了停车场的高精度地图，真正的城市“L3级别”自动驾驶也少不了整个城市的高精度地图。与我们平常使用的常规意义上的地图不同，这里所说的高精度地图一般指的是城市三维点云地图，即将一个城市所有道路周围的地物特征点全部都采集下来，并且可以保持更新的地图。车辆在行驶的过程中可以利用车身携带的激光雷达或者摄像头，反向利用SLAM算法来获取自身精确的位置信息。有了高精度地图的支持，车载传感器就可以选择精度低一些、价格便宜一些的产品，这有助于主机厂的成本控制。 目前地图行业的价格还不固定，因为采图建图的经济成本和时间成本都非常高，但是一旦能够被广泛应用，他就成为了类似于高速公路、电信网络一样自动创收的基础平台。现在能提供高精度地图服务的，基本都是头部大厂，包括百度、腾讯、阿里、滴滴、特斯拉、通用、谷歌。部分新势力主机厂和自动驾驶创业公司也在自己的高精度地图服务，但是范围都局限于个别城市的几条主要道路。  车路协同 在讨论自动代客泊车功能的时候，我们绕不开的一个重要相关方就是停车场端智能。由于在小范围商业领域采集地图在技术和政策上都难度不高，因此各个商业停车场可以成为AVP功能的高精度地图供应商。同时需要对现有的商场进行智能化改造，增加道路信标，建立停车场云服务，将所有停车位数字化。关于具体的场端智能要求《TCSAE 156-2020 自主代客泊车系统总体技术要求》中将智能停车等级分为五个等级。  这一部分的成本可能暂时不需要主机厂承担，但是日后如果车主想要享受AVP服务，就需要向停车场缴费。 所谓的场端智能，用更专业的自动驾驶行业术语来说，其实也就是V2X（车联万物）。这是一个非常中国本土化的应用场景，因为其他国家的政府往往缺乏足够的权威和资本来创造一个全新交通业态。但是对中国的智能驾驶行业来说，智能道路、智能路灯、智能路牌+车载OBU设备，构成了一套完整的车路协同系统。 通过道路端发送行驶指令，可以辅助车辆规划路线，控制车速，自动变道，实现一些列自动驾驶功能。最简单的车路协同设备就是我们车上安装的ETC，几百块的价格，实现高速自动缴费的功能。而要实现真正的车路通信，则要安装价格两三万元的OBU设备，这就一下子把V2X的成本提升了上去，同时智能道路建设的价格不菲，动辄上亿元的成本，让场端智能的推进十分缓慢。  04 AVP的提升空间 尽管目前自动代客泊车的技术已经有了雏形，可以满足大部分记忆泊车的功能，甚至在有场端支持的情况下也可以完成自动寻路泊入泊出这样完全体的AVP功能，但是距离完全商业化的场景，还有很大的差距。 一是单车成本过高，大部分用户不会单纯为了AVP功能而购买激光雷达相关的配件。二是单车智能化程度不够，高级AVP功能过于依赖场端智能，而能够提供智能泊车服务的停车场目前十分稀少。 因此在现有的AVP功能思路方向上，仍然有很大的提升空间，而且业界也有很多人在这个方向上做出了探索。 纯视觉AVP 是否使用激光雷达是自动驾驶领域一直存在的路线分歧。激光雷达可以提供较高的定位精度，但是又成为了整车成本最大的负担，因此业界一直有人在做纯视觉的自动驾驶方案。香港科技大学的秦通博士在2021年提出了纯视觉AVP功能模式。该方案不止采集的地图数据量大幅降低，对道路的识别准确度也有了很大的提升，而且可以降低地图更新频率，从多个方面降低单车成本。 该方法首先需要利用环视摄像头提取车辆周围360度的影像，然后通过逆透视映射图（IPM）将 将环视影像投影到车辆为中心的地平面，生成车辆周围BEV。接下来使用U-Net神经网络对生成好的BEV影像进行数据提取，重点针对固定的地物标识进行训练，提取车道线、停车位、交通标志、柱子。车辆，行人，不规则障碍物等不固定的地物则忽略掉。随后将采集到的数据恢复到三维世界，就得到了具有语义信息的停车场高精度地图。  随后的定位过程则跟传统视觉SLAM的方法类似，但是最终效果要远超视觉SLAM的能力范围。与经典视觉SLAM算法框架ORB-SLAM2比起来，这套视觉AVP-SLAM算法的定位精度在5厘米以内，建图的大小却仅为前者的十分之一。 而且这个方法最大的优点在于能够长期保持地图的高精度，不用频繁更新。与实验室常用的传统ORB-SLAM2方法比起来，在建图一个月后依然能保持79.23%的重定位精度。  该方法的特点在于优化了建图时的特征选取，使用机器学习的方式剔除了会经常变化的物体，专注在更加恒定的交通标志上。这样的既降低了存储和算力的需求，也提升了车辆导航过程中重定位的精度。而且从长期来看定位精度一直可以保持在一个比较高的稳定状态，会大幅降低停车场地图维护的成本。 按照马斯克的“第一性原则”，这一套AVP-SLAM的建图和定位方式，更贴近人类进行泊车时的思维模式：看一下地下车库的标识牌，认准地面的车道线，最后泊入事先画好的停车位。地下停车场环境结构单一，纹理重复多，使用传统激光雷达扫描，导致采集到的大部分都是冗余信息，效率并不会更高。 深度学习的路径规划 AVP功能直到HAVP的等级都不太需要关注路径规划的能力，但是对大部分有野心的厂家来说，AVP是他们推广城市“L3级别”自动驾驶的重要中间过渡阶段，因此，真正的AVP一定需要具备在地下停车位自动寻找泊车位的功能。显然，目前只能实现自动寻迹泊车的HAVP并不能不满足要求。 在前面的路径规划介绍部分讲到了以Dijkstra算法为代表的广度优先算法，他们这类路径规划算法的统一特点是通过给路径加权来寻找一个代价最小的通过路径，但是这种广度优先算法在应对距离长复杂程度高的大型地下停车场时，需要遍历每一条可行的路径，对算力的需求会很大。而且停车场并不是一个静态环境，有各种车辆和行人进出，会影响不同道路之间的权重。 目前自动驾驶业界路径规划的发展方向是从监督学习向强化学习过渡。监督学习的方法是由自动驾驶系统输入定位和感知信息，由人类驾驶员进行操作和标记，学习人类的操作习惯，但是这种学习方式在遇到没有出现过的场景时，一味的模仿人类的常规策略会导致后续一连串的错误。因此现在各个厂家都在研究如何使用强化学习算法来对轨迹规划模型进行自训练，可以有效提升训练效率。最终结果与人类驾驶的真实轨迹重合率更高，偏航回归的速度更快。 05 结论 从技术的角度来说，一套完善的严格定义的自主代客泊车系统，应该达到L4级自动驾驶的需求：路径动态规划、道路语义信息识别、大规模高精度地图、全无人。整车的传感器配置也完全支持城市&高速道路，技术奇点的突破指日可待，但是L3级别自动驾驶至今功能迟迟无法上路，还有很多技术以外的问题需要解决。 时至今日，大规模部署了高级辅助驾驶功能的车企多少都受到了相关事故的影响，前有特斯拉撞货车，后有小鹏明星客户事故身亡。似乎交通事故一跟自动驾驶功能沾边，就会自动放大。  普通用户的担心也是可以理解的，个人在驾驶车辆的时候，人类是驾驶行为的主体，发生事故后由每一个独立的人类来承担责任。我们可以说每一个人都是独特的，因此发生在其他人身上的事故不一定会发生在我身上，但部署在车辆上的辅助驾驶功能是统一开发，统一部署的，因此用户很有理由怀疑，同样的事故是不是也会发生在自己身上。 因此在“L3级别”自动驾驶功能大规模推广之前，AVP的功能场景可以作为一个较为安全的场景来验证迭代各个公司的自动驾驶算法。泊车场景和城市道路相比，具有速度低，行人少，场景标准等特点，但是其底层逻辑和L3级别自动驾驶的要求是一样的。感知——建图——定位——规划——控制的架构模式在AVP功能场景下也可以得到充分的验证。 传统汽车用户对自动驾驶功能的接纳是一个循序渐进的过程。正如同一百年前的人类见到火车会恐惧一样，现代人类见到自己不理解的技术一样会产生恐惧的想法。因此低速场景下的自动驾驶功能给我们人类和技术提供了一个磨合的缓冲区。 代客泊车这项业务的诞生之初就伴随着对服务员的信任，而AVP功能的出现则是把这种对泊车服务员的信任迁移到对各个智能驾驶公司的信任中。对于非AVP用户来说，停车场也是一个绝好的展示平台：当你东张西望的寻找停车位的时候，一辆全无人的自动驾驶车辆从你旁边试过，缓缓泊入智能停车场安排好的停车位，安全，便捷。 技术和用户的磨合最终需要以法律的方式规范下来，我国的自动驾驶立法工作这些年一直在飞速推进。先是在2021年推出了《TCSAE 156-2020 自主代客泊车系统总体技术要求》，对AVP功能场端和车端的智能水平和表现标准进行了规范，包含系统定义、安全应用场景、系统总体技术要求、系统总体测试要求四部分主要内容。 2022年七月，深圳市政府率先公布了《深圳经济特区智能网联汽车管理条例》，其中第一次对自动驾驶中的责任划分进行了明确。其中指出L3、L4等级的自动驾驶车辆需要配备驾驶员，并且在发生事故后由驾驶员负担责任。因智能网联汽车质量缺陷造成交通事故的，驾驶人依法承担损害赔偿责任后，可以向智能网联汽车的生产者、销售者追偿。 这次法规的确定有利于自动驾驶技术开发厂商放心地推广自身的技术产品，不用害怕在发生事故的时候产品被一锅端。普通用户在发生自动驾驶事故的时候也有了索赔的法律依据。 距离AVP功能的大规模推广，目前所缺的正是一次商业上大获成功的案例。从用户分析的角度来说，愿意花几万块钱OTA升级到AVP版本的用户都是有钱的资深玩家，对停车这件事驾轻就熟，并不是很需要泊车辅助。而对于开车的新手小白来说，他们购车时更看重续航和外观，而也不是AVP这种锦上添花的功能。 因此，AVP功能的破圈，要么足够便宜，能够让所有的小白用户就像用上AEB一样用上AVP功能。要么更加智能，泊入泊出一体化，让车辆真的做到停车场范围全无人驾驶，完全取代酒店服务员的商业生态位。 降本与增效，只有在这两个方向上做到极致，才能让用户从心里接受这项全新的技术。让自动驾驶从实验室走进现实。 |
|
|
