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。
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，Operational Design Domain）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。
场景也可以用地理围栏GEO（Geographical Fence）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：
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（Around View Monitoring），到L2的自动泊车辅助APA（Auto Parking Asist），发展至L2+的远程泊车辅助RPA（Remote Parking Assist），再到L3的记忆泊车MPA/HPA（Memory Parking Assit或HPA，Home Parking Assit），最终目标是实现L4自主代客泊车AVP（Automated Valet Parking）。
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（Simultaneous Localization And Mapping，即时定位与地图构建），即可实现HPA自主泊入和泊出操作。
首个L4功能AVP
主代客泊车AVP才是最理想的泊车功能，在该功能下汽车可以实现自动找车位、停车、接驾，AVP被认为是行业首个可在近期落地的L4级别功能，又可以分为车端和场端两个技术路线，实质上又回到了单车智能与车场协同之间的博弈。
无论是车端路线还是场端路线，AVP需要在HPA的基础上引入视觉摄像头，而针对于场端路线，更需要借助于停车场基础设施信息，包括高精度地图、摄像头、地锁等，一方面要在复杂和多层的停车场实现精准定位，另外还需要知道停车位是否被占用等信息。
事实上，AVP功能涉及了泊车有关的软硬件技术提供商、tier-1、车企、分时租赁运营方、高精地图提供商，还有地产商、物业公司等诸多企业，会涉及到利润、权责分配问题，商业模式并不清晰。
汽车人参考小结
泊车可以看作是一个典型的Geo2场景，车速低，环境封闭，行人少，其实也可以抽象为自动驾驶终局的一个缩影。
AVP直指车位少、车位小、车位难找等终端客户的痛点，能解放用户的时间，同时在技术上来说，无论是融合感知还是精准定位都可以解决，针对于单车智能路线，本质是解决成本过高的问题，而车场协同本质是解决利益分配的问题。
下一篇文章将会继续探讨行车的功能。
本文为汽车人参考第389篇原创文章，如果您觉得文章不错，“推荐和关注”是对我最大的支持。