這是“汽車人參考”第389篇原創內容
“賦能智慧電動汽車組織和個人成長”
隨著車企集中式電子電氣架構演進速度加快，域控制器關注度也越來越高，結合目前行業發展趨勢，汽車人參考對自動駕駛域控制器進行全面分析。
自動駕駛本質是人工智慧AI在智慧汽車邊緣場景的落地應用，由場景衍生出需要實現的功能，而功能對應著解決方案，解決方案的基礎是電子電氣架構，在電子電氣架構之下，透過提取軟體演算法，去設計晶片，最終回到場景中去解決問題。
按照這個邏輯，汽車人參考從場景和功能開始，去看技術和商業解決方案，再具體到電子電氣架構，去關注軟體演算法，最終落到域控制器上，範圍由大到小，顆粒度由粗到細，本文主要關注場景和功能，後面將介紹解決方案，請關注本公眾號（auto_refer）後續更新。
行車和泊車兩大場景
自動駕駛總體上可分為行車和泊車兩大類場景，分別面對的是在多類道路上及多類停車方式上如何實現自動化的問題。
針對於行車場景，包括了高速單車道和多車道，匝道，城區環島、隧道、十字路口，非結構化城鎮道路，最終覆蓋城區任意點到點。
整體上是一個從封閉到開放，從簡單到複雜的過程，也可以看作是自動駕駛系統運作的前提條件及適用範圍（執行設計域ODD，Operational Design Domain）不斷在擴大。
泊車場景相對來說更封閉和簡單，需要考慮的是多類停車場（地面、地下、地上）及多類停車位（垂直、平行、斜車位）如何實現自動化的問題。
場景也可以用地理圍欄GEO（Geographical Fence）來定義和約束，又分為以下五類：
Geo1：無人、低速、車少，如停車場、礦山等；
Geo2：無人、高速、車少或人少、低速、車少，如園區或長途高速；
Geo3：人少、低速、車多或無人、高速、車多，如城市簡單道路或近郊高速；
Geo4：人少、高速、車多或人多、低速、車多，如城市高架路或市中心道路；
Geo5：其他環境，如城鄉結合部道路。
結合自動駕駛等級，對應不同地理圍欄，行業的落地進展如下：
有了場景，就需要透過功能實現，去解決覆蓋場景中的各種問題，也包括長尾的問題。
自動泊車功能
解決泊車場景的功能當前比較清晰，從L0的全景環視監控AVM（Around View Monitoring），到L2的自動泊車輔助APA（Auto Parking Asist），發展至L2+的遠端泊車輔助RPA（Remote Parking Assist），再到L3的記憶泊車MPA/HPA（Memory Parking Assit或HPA，Home Parking Assit），最終目標是實現L4自主代客泊車AVP（Automated Valet Parking）。
其中，AWM和APA已經很常見，APA自動泊車輔助使得駕駛員在車內可解放雙手和雙腳，但需要實時監控汽車，主要依靠12顆超聲波雷達實現這個功能。
進一步到RPA遠端遙控泊車輔助功能，不再需要駕駛員坐在車內，僅需要在車外觀察即可，除了超聲波雷達，在APA的基礎上實現RPA功能需要增加通訊模組（如藍芽等）。
到了記憶泊車MPP/HPA，駕駛員可在車外，且不需要看著車，便能實現固定路線的自動泊進和泊出，這個階段需要汽車能自學習。
一般透過四顆魚眼相機，將周圍影象進行畸變矯正後再拼接，實現360°環境感知，然後再加上SLAM建圖和定位技術（Simultaneous Localization And Mapping，即時定位與地圖構建），即可實現HPA自主泊入和泊出操作。
首個L4功能AVP
主代客泊車AVP才是最理想的泊車功能，在該功能下汽車可以實現自動找車位、停車、接駕，AVP被認為是行業首個可在近期落地的L4級別功能，又可以分為車端和場端兩個技術路線，實質上又回到了單車智慧與車場協同之間的博弈。
無論是車端路線還是場端路線，AVP需要在HPA的基礎上引入視覺攝像頭，而針對於場端路線，更需要藉助於停車場基礎設施資訊，包括高精度地圖、攝像頭、地鎖等，一方面要在複雜和多層的停車場實現精準定位，另外還需要知道停車位是否被佔用等資訊。
事實上，AVP功能涉及了泊車有關的軟硬體技術提供商、tier-1、車企、分時租賃運營方、高精地圖提供商，還有地產商、物業公司等諸多企業，會涉及到利潤、權責分配問題，商業模式並不清晰。
汽車人參考小結
泊車可以看作是一個典型的Geo2場景，車速低，環境封閉，行人少，其實也可以抽象為自動駕駛終局的一個縮影。
AVP直指車位少、車位小、車位難找等終端客戶的痛點，能解放使用者的時間，同時在技術上來說，無論是融合感知還是精準定位都可以解決，針對於單車智慧路線，本質是解決成本過高的問題，而車場協同本質是解決利益分配的問題。
下一篇文章將會繼續探討行車的功能。
本文為汽車人參考第389篇原創文章，如果您覺得文章不錯，“推薦和關注”是對我最大的支援。
