自动泊车-RISC-V-飞桨生态分析
参考文献链接
https://mp.weixin.qq.com/s/5tsJlc3fydFsxpA__qCg2A
https://mp.weixin.qq.com/s/OHiUdvyDs13YKj5HVI7jHg
https://mp.weixin.qq.com/s/UcrIfIuFC_g__420Qz7hww
特斯拉、小鹏、蔚来的自动泊车产品测评
泊车场景作为一段行驶路径的起点和终点，一直是驾驶车辆的高频场景。目前的停车场受限于场地和空间的限制，普遍存在通行空间狭小、障碍物复杂、行人干扰等问题。这些因素极大地考验驾驶员的停车技巧，消耗驾驶员的时间和精力，一直被吐槽和诟病。
随着智能驾驶技术的发展，许多车企开始配置自动泊车功能（APA），希望能在一定程度上解决泊车难的问题，满足用户便捷停车的需求。那么，这些自动泊车产品的具体表现如何？目前的自动泊车能够实现哪些效果？在哪些地方可以改进提升？
带着这些问题，我们选取了目前市场上已经量产的几款主流车型的自动泊车产品，从多个维度、系统地开展测评，给各位同行提供一些参考。
Part 1：自动泊车的基本原理
自动泊车，Automated Parking Assist（APA），是一项驾驶辅助类功能。APA系统可以通过传感器识别出车辆周围的可用车位，并在识别到多个车位后，让用户选择自己想要泊入的车位；系统根据用户选择的车位，和当前车辆的位姿，计算出泊入车位的轨迹，并控制车辆的横、纵向运动，实现自动泊入目标车位的效果，并且达到一定的位置精度和姿态要求。同样的，系统也可以控制车辆自动泊出车位，这是与自动泊入的反向过程。
在整体的泊车过程中，驾驶员无需对车进行操控，全程由APA系统自动完成，驾驶员只需要观察周围环境，在紧急状态或系统无法完成泊车时接管车辆即可。
△图1 自动泊车APA示意图
（图片来源：https://baijiahao.baidu.com/s?id=1664818696478762937&wfr=spider&for=pc）
已有的量产自动泊车产品中普遍采用的是摄像头+超声波雷达的方案。其中，摄像头负责检测车位线，从而识别出标线车位；超声波雷达负责探测可以停车的空间，从而确认车位的可用性。
另外，超声波雷达也可以探测出没有车位线、由周围物体形成的可停车区域（空间车位）。除了识别车位外，摄像头和超声波雷达一起，也能实时检测车辆周围的障碍物，避免发生碰撞。
对于带摄像头的方案来说，目前大部分是采用环视摄像头，形成车辆周围的全景影像。此时，可以认为自动泊车APA是在全景影像AVM之上的更高一级功能。
△图2 摄像头检测车位
（图片来源：https://www.sohu.com/a/469806759_121124366）
图3 超声波雷达探测效果
（图片来源：https://rohm.eefocus.com/module/forum/forum.php?mod=viewthread&tid=626693&simpletype=no）
Part 2：泊车能力的评价指标
从Part
1的基本原理中，不难看出，自动泊车主要分为两个环节：识别车位和泊入车位。因此，我们的评价指标也主要围绕着这两个环节。另外，我们也会考虑泊出车位和APA的人机交互评价。
2.1 识别车位的评价指标
对于识别车位来说，最重要的是考察系统可以识别出来的车位类型，以及识别的准确程度、可靠程度。
车位的类型有很多，并且涉及到的车位元素也很多，比如场地类型、地面材质、车位方向、标线特征、参照物特征等等，几乎无法穷举。我们整理了车位涉及到的主要元素，并分析归类，从而形成一套系统化的车位描述方法，进而形成通用化的泊车场景库。
△表1 泊车场景-车位的元素及类别
注：
①无标线车位，即没有停车线，通过前后或左右的物体，形成的可停车空间，又称空间车位。
②机动车和非机动车，如果是长时间处于静止状态，则归类于静态障碍物，如停放在车位上的其他车辆；如果是移动状态，则归类于动态障碍物。表1中为了体现行人、动物、非机动车、机动车的可移动特性，所以把这几类物体作为动态障碍物来分类。
表1中的各种元素，可以排列组合成多种多样的停车位，形成系统化、完整化的泊车场景库。
在真实的泊车场景中，我们通常遇到的停车位，大部分都是标准、统一化的常见停车位。这里用图示的形式，说明常见的几种停车位，这些停车位可以覆盖90%以上的泊车场景。本次我们的实车测评，也将针对常见的停车位展开。
（1）垂直-标线车位
△图4 垂直-标线车位示意图
（2）水平-标线车位
△图5 水平-标线车位示意图
（3）垂直-空间车位
△图6 垂直-空间车位示意图
（4）水平-空间车位
△图7 水平-空间车位示意图
2.2 泊入车位的评价指标
泊入车位的过程，考察的是系统规划泊车轨迹的能力，以及控制车辆按计算出的泊车轨迹准确行驶的能力。我们将从泊车的成功率、用时等客观层面，以及平稳性、舒适性等主观层面，来综合评价泊入车位的表现。
表2所示的是泊入车位的主要评价指标，其中一些评价指标，还可以再细分，我们将在具体的实车测评中介绍。
△表2 泊入车位的评价指标
（1）泊入车位的成功率，是评价APA系统泊车能力的最重要指标，成功率高的产品，其泊车能力自然更强。我们将通过多次地重复泊车过程，得出具有统计意义的泊车成功率数据。
（2）泊车车速，是指泊车过程中，车辆稳定行驶的车速。泊车车速可以反映泊车过程的舒适性和泊车效率，合适的车速可以保证泊车过程高效且平稳。
（3）泊车用时，是泊车效率的最直接体现。用时越短，泊车效率越高。
（4）揉库次数，是指在泊车过程中，档位在D档和R档之间切换的次数；揉库次数反映了系统规划泊车轨迹的能力，一般情况下，揉库次数与泊车用时正相关，揉库次数越少，泊车用时越短，说明系统规划的泊车轨迹越合理。
（5）泊车过程的流畅度，是用户可以直观感受到的泊车过程的流畅程度。优秀的APA系统应该做到，泊车过程的横纵向运动协调统一，无明显停顿和卡滞，无原地转方向盘等现象。
（6）泊车过程的舒适度，是用户可以直观感受到的、泊车过程的平稳与舒适程度。泊车过程中，车辆横向运动的稳定性、加速与减速的轻重缓急等，都直接影响用户体验的舒适度。
（7）泊车完成后的车辆位姿，是指泊车完成后，车辆相对停车位的位置和姿态，主要是与车位边界的距离，以及相对角度等。
泊出车位的过程，是车辆从停车位上，自动驶出车位的过程，是泊入车位的反向过程。
2.3 泊出车位的评价指标
当前的量产APA产品中，并非所有产品都具有泊出车位的功能（因为使用场景并不多，这个功能实际上比较鸡肋）；并且，泊出车位的轨迹规划比较简单，泊出过程短暂，因此我们将只对泊出后的车辆位姿做出评价，不仔细考察泊出的过程。
2.4 人机交互的评价指标
在任何场景下，车辆的行驶都是“人-车-环境”的动态闭环过程，因此对于APA来说，除了2.1～2.3中的车与环境交互的评价维度外，我们同样要考虑人与车的交互，即人机交互的内容。
人机交互的具体评价指标，与APA的各个过程紧密相关，我们在测评识别车位、泊入车位和泊出车位的同时，同步关注相关的人机交互表现。
人机交互主要从系统的显示、对用户的提示等内容，以及用户对系统的操作方式等内容，这两个层面来评价。
Part 3：实车测评的结果
本次测评，我们选取了三款主流车型的APA产品，分别是特斯拉Model 3、小鹏P7和蔚来ET7，其软件均已升级到最新。
我们按照Part 2中的APA产品评价指标，对这三款产品，展开具体的实车测评。
3.1 车型配置
三款车型的具体车型配置，以及智能驾驶相关的硬件参数，请看表3。可以看出， 特斯拉没有环视摄像头，因此其自动泊车功能，依赖12颗超声波雷达实现；小鹏P7和蔚来ET7则都是通过4颗环视摄像头+12颗超声波雷达融合的方式，实现自动泊车。
△表3 测评车型的配置参数
3.2 识别车位的测评结果
在2.1章节中，我们已经整理了系统化的泊车场景，以及常见的车位类型。实车测评时，我们首先针对车位的各类元素，让APA系统尝试识别各种各样的车位，记录其能够识别出的车位元素类型；然后针对常见的车位，记录不同APA产品识别车位的准确率等参数，考察其识别车位的准确性。
（1）可识别的车位元素。
受限于实际的场地条件，我们无法对2.1章节中提到的所有车位元素都进行实测。因此，我们测评了这三款产品对大部分车位元素的识别效果，如表4所示。
表4中，打√表示系统可以识别该元素类别，打×表示不可以识别带有该元素的车位，标注—则表示实测中未遇到带有该元素的车位。
△表4 不同产品对车位元素的识别能力
从表4的实测记录中，我们可以得出以下结论：
停车场地的类型，不是车位识别能力的限制条件，在光照充足的环境下，无论停车场类型是露天停车场、路边停车位、地下停车库还是停车楼，参与测试的三款车型的APA系统都可以识别出车位。
停车场地的地面材质，也不是车位识别能力的限制条件，对于常规的水泥地、地坪漆、塑胶、地砖等材质的场地，三款产品都可以识别出车位。
基本的垂直车位和水平车位，三款产品都可以识别并区分。
常规的单层实线停车位，小鹏P7和蔚来ET7都可以识别出来，但特斯拉Model 3无法识别车位线，因此识别不出对应的停车位。
小鹏和蔚来识别车位线时，车位线的颜色对识别能力没有影响；但是，U型的标线车位，即开口的车位，目前不能作出识别。我们初步判断，这是因为U型车位的前端没有任何线段，而这部分线段恰好是目前视觉语义识别的重要特征，不可或缺。
对于没有标线的车位，APA通过超声波来探测可停车空间，三款产品对于车-车形成的车位和车-障碍物形成的车位，都可以识别出。我们推测，应该也可以识别出障碍物-障碍物形成的车位。
三款产品都不能识别车位上的任何字符，说明三款产品都没有做字符检测的算法。因此，系统不会对某些特殊车位做出特别处理。
对立柱、标志牌、雪糕筒、地锁、墙体、绿化带等停车场常见的静态障碍物，以及机动车、非机动车、行人等动态障碍物，三款产品都可以识别；但对部分静态障碍物，三款产品会以其他元素替代显示，如小鹏P7就是用车辆模型来代替地锁，在中控屏上显示车位的不可用性。
以上，是对三款产品可以识别出的泊车场景元素的测评结果，结果显示：小鹏P7和蔚来ET7可以识别出的场景元素基本一致，特斯拉不能识别标线车位，但是可以通过超声波雷达，探测出无标线的停车空间。
下面，我们选取常见的车位类型，考察这三款产品识别车位的准确性。
（2）识别车位的准确性。
识别车位的准确性，反映了APA功能识别车位的精准度和可靠程度，以及受环境影响的程度，对量产的APA产品具有十分重要的意义。
在日常的泊车场景中，垂直-标线车位和水平-标线车位是最常见的车位类型，因此，我们针对这2种车位，测试Model 3、P7和ET7这三款车的自动泊车产品识别车位的准确性。（空间车位也是常见的车位类型，但由于空间车位是由周边物体形成的区域，其尺寸、方位等都不可控，随机性较大，因此难以统计空间车位识别的准确性，我们本次就不做测评了。）
其中，垂直-标线车位的测评在地下停车库进行，我们对全封闭、半封闭和角点标线的车位都进行了测试；水平-标线车位的测评在某园区内的路边停车位进行，只测试了全封闭的标线车位。
具体的测试方法与步骤如下：
（a）进入停车区域后，控制车辆以车速低于10kph行驶，同时在中控屏的HMI界面中，打开自动泊车APA；
（b）APA开启后，控制车速从10kph开始，以1kph为步长，在不同的车速下行驶，直至因速度超出阈值而退出车位识别，记录此时的车速阈值；
（）保持车速为10kph，重新进入车位识别，控制车辆连续经过若干车位（垂直-标线车位200个，水平-标线车位50个），记录此过程中系统识别出的车位数，以及漏识别和误识别的车位数；同时记录对车位占用情况的识别效果；
（d）整理分析c步骤中的各项分析，分别得出三款APA产品识别车位的准确性统计结果。
识别车位的准确性的测评结果如表5所示。可以看出：
对车速的要求：特斯拉Model 3和小鹏P7可以使用自动泊车寻找车位的车速上限均为24kph，即当车速达到25kph时，会退出识别车位的状态；蔚来ET7可以使用自动泊车寻找车位的车速上限则为21kph，即当车速达到22kph时，退出车位识别。按照通常的工程开发习惯，我们猜测：特斯拉和小鹏是按车速25kph作为阈值来开发的；蔚来是按车速20kph作为阈值来开发的，但为了规避车速的超调引起的状态跳变，因此显示给用户的车速上限是24kph和21kph。
垂直-标线车位的识别准确性：特斯拉Model 3无法检测车位线，因此不能识别标线车位；小鹏P7共识别出196个车位，漏识别4个，没有误识别（把非车位识别成车位）的现象；蔚来ET7识别出全部的200个车位，没有漏识别和误识别。
水平-标线车位的识别方面：特斯拉Model 3依然无法识别；小鹏P7和蔚来ET7都识别出了全部的50个车位，没有漏识别和误识别。但由于水平-标线车位的样本量小，所以结果的统计意义不是很高，结果仅供参考。
另外，小鹏P7和蔚来ET7都可以准确地识别出车位被占用的情况，即车位上有其他车辆，或地锁、锥桶等常见障碍物的情况，准确率达100%。
△表5 不同产品识别车位的准确性
可见，小鹏P7和蔚来ET7识别车位的准确率高，甚至可以达到100%，说明其APA识别车位的性能稳定可靠，效果较好。而特斯拉无法依据车位线识别车位，只能识别出空间车位，此项无法作出评价。
3.3 泊入车位的测评结果
在2.2章节中，我们已经初步整理了泊入车位能力的评价指标。在实车测评中，我们可以把一部分评价指标进一步细化，然后根据这些评价指标，逐一测评三款APA产品的泊入车位能力。
考虑到车位尺寸的标准化，我们需要在常规的标线车位中测评，又考虑到特斯拉只能识别空间车位而无法识别车位线，因此我们选取左右两边都有车的垂直-标线车位，和前后都有车的水平-标线车位，分别测评。其中垂直车位的测评在地下停车库进行，水平车位的测评在园区内地面停车场进行。
具体的测试方法与步骤如下：
（a）提前选定某一特定车位，作为测试车位，该车位必须是标准的标线车位，两侧有车（垂直车位）或前后有车（水平车位），并且有足够的泊车空间；
（b）开启APA，待系统识别到该车位后，选中车位并按系统的提示操作，然后系统开始控制车辆自动泊车；
（c）除了遇到突发状况如有障碍物闯入外，其余情况下，全程不干预车辆，直至系统提示泊车完成，或提示用户接管；
（d）记录泊车过程中的车速、用时、揉库次数等客观数据；
（e）记录泊车过程中，系统对车辆的横向控制和纵向控制表现，如方向盘转动的幅度、速度，以及制动是否急促等，并记录横纵向综合控制的协调性与流畅性；
（f）重复b～e过程，统计得出三款APA产品泊入车位的成功率，以及每次泊入时的系统表现，其中垂直车位和水平车位各重复测试50次。
图8是我们选定的测试车位示意图。
△图8 泊入能力测评车位示意图
表6是泊入车位能力的测评结果。可以看出：
在泊入车位的成功率方面，三款产品并无太大差别，特斯拉Model 3比小鹏P7和蔚来ET7略低，但也超过90%；也就是说，在50次泊入车位的测试中，至少成功45次，仅有少数几次提示无法完成，需要用户接管。
另外，对于垂直车位和水平车位来说，三款产品泊入的成功率基本没有差别。但是，考虑到蔚来ET7的车辆尺寸（长、宽、轴距）比特斯拉Model 3和小鹏P7大一个级别以上，我们认为蔚来ET7能取得超过90%的泊入成功率非常难得。
泊入车位过程中的车速方面，三款产品是一样的， 都保持2kph的车速行驶，这也是车上的驾乘人员感觉比较舒适的车速。
在50次的垂直车位泊入测试中，三款产品的平均用时都在40～50秒之间，这与正常的人工泊入用时相差不大，说明APA系统应对垂直车位时，已经基本达到了人工泊车的水平。其中小鹏P7平均用时最短，蔚来ET7平均用时最长，两者相差8.8秒，但考虑到ET7的尺寸，我们认为这个差距是可以接受的。特斯拉Model 3的尺寸小于小鹏P7，但泊车用时却比P7多了6.8秒，其表现是不如小鹏P7的。
在50次的水平车位泊入测试中，三款产品的平均用时都在40秒左右，比通常的人工侧方位停车用时要短，可见APA在水平车位的泊入表现，要优于人工泊车。三款产品的平均用时长短顺序，与垂直车位的测试结果一样，但相差不太大。
前面2.2章节中提到，揉库次数与泊车用时正相关，实际的测试结果也验证了这一点：三款产品的平均揉库次数，其排序与平均用时的排序一致。实车测试中，最少的揉库次数是1次，最多揉库4次。
在泊入过程的流畅度方面，这三款产品的总体体验都很一般，最大的问题是原地转方向盘，以及泊车过程中存在多次停车调整方向的情况。这给我们的感觉是“过于机械化，不够聪明，对车辆的横纵向综合控制不协调，像是一位科目二的学员，而不像老司机”。并且，原地转方向盘对转向系统部件也有一定的损害。
在用户的舒适度方面，三款产品的体验也一般。虽然纵向的加速和减速都很平稳，但横向的平稳性较差——具体表现为方向盘转动速度过快，幅度过大，非常“猛”，不够“丝滑”。
泊入车位完成后，三款APA产品都能达到比较好的车身位置与姿态，居中度高，与左右或前后车辆的距离适中，并且车身与车位朝向的角度一致，无明显夹角和偏差。
△表6 不同产品泊入车位的能力
综合表6中各项指标的测评结果，我们可以得出以下结论：蔚来ET7泊入车位的能力最强，小鹏P7次之，特斯拉Model 3最弱，但三者的差距不太大，基本都能达到人工泊入车位的水平。
3.4 泊出车位的测评结果
泊出车位的功能，目前并不是所有APA产品都具备，本次测评的三款车型，只有小鹏P7有泊出车位的功能，因此我们不作对比，只考察小鹏P7泊出车位的表现：
（1）必须是使用APA自动泊入车位后下电，再重新上电后，才能使用自动泊出功能；如果是人工泊入到车位，则无法使用自动泊出。
（2）对于垂直车位，系统只将车身泊出一半，即完成自动泊出，车辆交由用户接管。
（3）对于水平车位，系统将车身泊出至与前方车辆平齐的位置，即完成自动泊出。
△图9 自动泊出车位的完成效果
可见，自动泊出车位的功能，其使用的条件苛刻 ，并且垂直车位的泊出效果也不理想，因此使用率不高。对于大部分车位来说，用户完全可以快速人工泊出。
3.5 人机交互的测评结果
APA的人机交互，我们主要从功能的开启方式、界面的显示内容与效果、语音提示的效果等3个方面来评价。
（1）APA的开启方式。
特斯拉Model 3：没有单独的APA功能开关，当车速低于24kph行驶时，就自动实时检测停车位。
小鹏P7：中控屏有APA图标，通过点击图标开启APA功能，开始识别车位；也可以通过语音唤醒APA功能：“你好小P，自动泊车”。
蔚来ET7：与小鹏P7一样，通过中控屏的APA图标开启功能；或语音唤醒APA功能：“Hi NOMI，我要泊车”。
小鹏P7
蔚来ET7
△图10 自动泊车功能图标
（2）识别车位时HMI的显示。
识别车位时，三款产品都会实时显示车辆周边的车位情况，但具体的显示内容和显示效果有所区别。
特斯拉Model 3：不能显示车位线，只显示可以停车的区域，以及停车区域周边的其他车辆或障碍物；停车区域用P标注。
小鹏P7：显示检测到的车位线以及其他车辆或障碍物，最多能同时显示6个可用车位，并会以数字的形式给这些车位编号。但是，车位的编号并不能被记忆，当车辆移动导致可用车位发生变化时，系统又会重新编号，打乱原先的编号，因此用户无法准确判断HMI显示的车位与实际车位的对应关系，体验较差。
蔚来ET7：显示检测到的车位线以及其他车辆或障碍物，最多能同时显示8个可用车位，并同样会以数字的形式给这些车位编号。但蔚来ET7也同样存在车位编号不能记忆的问题。
特斯拉Model3
小鹏P7
蔚来ET7
蔚来ET7
△图11 识别车位时HMI的显示效果
（3）泊入车位时HMI的显示。
泊入车位时，三款产品都会实时显示车辆泊入过程中，摄像头探测到的周围环境，并在渲染的模型中，显示目标车位和车辆行驶的信息，但具体的显示内容与效果并不相同。
特斯拉Model 3：显示自车即将泊入的车位，但在渲染的模型中不显示车位周围的物体。
小鹏P7：显示自车即将泊入的车位，车位周围的车辆与障碍物；自车的模型中会显示当前车辆的行驶方向。
蔚来ET7：显示自车即将泊入的车位，在渲染的模型中不显示车位周围的物体；在渲染的模型中，显示车辆即将继续行驶的距离，体验很好，用户可以对车辆的下一步动作提前知晓，增加可控感；同时，在环视摄像头形成的俯视图中，蔚来ET7的车体上方会显示当前的档位，告知用户当前处于前进或是后退状态，即D档或是R档。
特斯拉Model 3
小鹏P7
蔚来ET7
△图12 泊入车位时HMI的显示效果
（4）语音提示。
语音提示可以通过声音播报的方式，告知用户当前系统的状态，以及用户需要执行的操作，是提升功能使用体验的一项重要内容。
特斯拉没有任何语音提示，小鹏和蔚来都有语音提示，在识别车位和泊车过程中，告知用户当前自动泊车系统的状态，如泊车开始、泊车完成等。
我们从流畅度、准确度和及时程度这3个方面来主观评价语音提示的效果，结果如表7所示。小鹏和蔚来的语音提示流畅且准确，但蔚来语音提示的实时度差，经常在车辆开始移动后1～2s，才发出语音提示。也就是说，蔚来ET7的语音提示内容经常是1～2s前的状态，而小鹏P7则没有这个问题。
△表7 不同产品的语音提示效果
Part 4：结论
本文从自动泊车的基本原理出发，整理出泊车的场景基本元素和通用化场景库，并提出自动泊车产品的重点评价指标；基于这些评价指标，我们对三款主流的新势力车型的自动泊车产品展开测评，从识别车位、泊入车位、泊出车位、人机交互等几个方面，综合考察三款APA产品的表现。
从我们的测评结果可以看出，蔚来ET7和小鹏P7的自动泊车能力不相上下，考虑到车身尺寸的因素，可以认为蔚来ET7略胜一筹；特斯拉的自动泊车能力则不如蔚来和小鹏。
这样的测评结果，与三款车型的硬件配置也是正相关的：蔚来ET7的超强算力，远大于小鹏P7的30TOPS算力，因此略胜一筹也无可厚非；而特斯拉缺少环视摄像头，仅靠12颗超声波雷达，其效果当然不及蔚来和小鹏的环视与超声波融合方案。不过，我们仍然可以看出，小鹏仅靠30TOPS的算力，就可以在泊车方面和蔚来的1016TOPS算力相媲美，可见小鹏的APA软件和算法水平是非常高的，对算力的使用也很合理。
本次测评，由于场地和时间的限制，我们只对常见的泊车场景进行了重点测评，仍存在一定的局限性，所以结果仅供参考。后续在条件允许的情况下，可以扩展更多的场景元素，去考察APA识别车位的能力；也可以用更多的泊车次数，如1000次甚至更多，去考察APA泊入车位的能力。
本次测评相关的原始数据均有存档，如有感兴趣的同行，欢迎随时交流。
首款RISC-V物联网安全芯片
11月29日，由港华集团名气家主办的“港华芯暨生态合作发布会”于苏州港华大厦顺利举行。名气家战略合作伙伴赛昉科技、微五科技、芯昇科技、爱旗科技、紫光展锐、移远通信、中国电信、中国移动的代表们通过线上线下共同参与。
能源行业的数字化、智能化转型正全面提速，与此同时信息安全体系建设和完善也被提到前所未有的高度。随着国家出台《关键信息基础设施安全保护条例》，特别提出要重点保障包括能源行业在内的关键信息基础设施的安全。港华集团作为城市燃气基础设施服务商率先行动，以“港华芯”为抓手，致力于在筑牢行业数据安全“防火墙”的同时，打造全方位、立体化的信息安全体系，加速行业的智能化转型。
“港华芯”是由名气家、赛昉科技及微五科技三方联手研制的安全芯片，而且也是行业首款RISC-V物联网安全芯片，其采用的赛昉科技领先的RISC-V处理器IP、微五科技芯片硬件基础和解决方案，以及名气家安全协议与平台规范，构成了“港华芯”的三大核心要素，为正在快速数字化转型中的能源行业注入“芯”活力。
名气家副总裁刘建峰表示，在安全性、性能表现和性价比方面，“港华芯”都极具优势。“港华芯”采用的RISC-V架构，一方面能有效规避国外对中国芯片产业的制裁风险，另一方面其本身的开源、开放特性，也能按照不同智能表厂和其他智能硬件厂商的需求进行适配和应用，非常具有推广价值。
使用“港华芯”的物联网燃气表将更加安全和智能，原因就在于“港华芯”独特的能力。首先，作为安全芯片，“港华芯”已经达到国密二级的要求，并融入港华集团数据安全的相关协议和标准；其次，“港华芯”是基于高性能32位RISC-V内核的芯片，除了拥有多种国际密码算法、国密算法，并能防御物理破解和非物理破解的侧信道攻击外，还具有超低功耗、小尺寸、支持多种通信接口等特点，使得“港华芯”拥有更强劲的性能和更好的扩展能力。
“港华芯”的发布，标志着在能源行业数字化新基建中使用自主可控的芯片迈出了关键性一步。对此，行业专家也给予高度评价。
中国城市燃气协会副秘书长马长城在发布会上表示，“作为国内领先的综合清洁能源供应商，港华集团从燃气表的数据安全入手，着力推动能源行业数字化转型，并在安全体系建设上取得了瞩目的成果。特别是港华集团本次将RISC-V技术应用首次应用于智能燃气表领域，推动‘港华芯’的落地，无疑是领先的能源企业与RISC-V芯片企业的一次强强联合，其创新性与开拓性已经走在了时代的前沿。”
“从2021年12月集团发布《港华集团物联网表数据安全标准及安全协议》，到‘港华芯’项目启动，再到今天‘港华芯’的正式发布，代表了港华集团对燃气安全和燃气行业数字化、智能化转型的决心。未来，我们会将‘港华芯’应用到智能燃气表等产品中。” 刘建峰还特别提到，“港华芯”从快速研发走向场景的应用落地，得益于诸多优秀生态伙伴的支持。据悉，移远通信、中移物联作为模组商将爱旗科技、紫光展锐提供的NB通信芯片及“港华芯”一起进行封装集成，并由中国电信、中国移动等运营商提供通信接入，最后整体输出给智能表厂和其他智能硬件厂商进行适配和应用。目前，“港华芯“的产品已在港华集团内物联网表完成集成适配，并已在部分城市物联网表中进行应用。
港华集团高级副总裁张杰在发言中表示，“信息安全是优质服务的基石和保障。‘港华芯’的发布不仅仅是在安全管理上的一次突破，更是延伸业务数智化发展的重要基础。也希望我们的表具合作商与时俱进，将安全作为第一标准，积极筹备‘港华芯’测试和工艺优化，建立完整品控体系，为新一代安全表具的普及做好准备。让我们共同持续发展，质量共赢。”
正如香港中华煤气延伸业务营运总裁、名气家董事总经理杨军所言，“作为一家拥有160年发展历史的能源企业，安全一直是我们集团发展的重中之重。在严守安全防线的前提下，我们也积极以技术驱动行业智慧、低碳转型。这是最重要的一步，也是第一步。未来，我们将把‘港华芯’推广到更多的智慧厨房产业，与战略合作伙伴们共建的智慧厨房生态体系，致力于打造品质可信赖，安全有保障的优质生活服务场景。”
燃气表仅仅是“港华芯”应用的起点，未来港华名气家将与各个生态合作伙伴一起，携手拓展“港华芯”生态场景，在智慧厨房领域不断持续探索实践，并制定相关应用标准，为集团逾4200万家庭客户打造围绕 “智慧厨房”的家庭生活应用场景，提供更多安全、智能、高品质、可信赖的智慧家庭生活服务。
燧原科技加入飞桨硬件生态共创计划
近日，燧原科技与百度飞桨签署硬件生态共创计划合作协议，正式加入由飞桨发起的硬件生态共创计划，当前双方的合作主要基于燧原科技已量产的第二代训练产品云燧T20和第二代推理产品云燧i20。
燧原科技
云燧T20是面向数据中心的第二代人工智能训练加速卡，具有模型覆盖面广、性能强、软件生态开放等特点，可支持多种人工智能训练场景。同时具备灵活的可扩展性，提供业界领先的人工智能算力集群方案。
云燧i20是面向数据中心的第二代人工智能推理加速卡，具有高性能高能效、模型覆盖面广、易部署易运维等特点，已广泛应用于计算机视觉、语音识别与合成、自然语言处理、搜索与推荐等推理场景。
燧原科技&飞桨
燧原科技的研发团队正在加速进行与飞桨框架的适配工作，以实现在燧原第二代云燧训练与推理产品上的全面支持。目前在测试模型上取得了良好的性能效果，同时也支持了多卡分布式训练，并且在GitHub上开源。
未来双方将充分发挥各自在算力和算法方面的优势，共同建设模型库与场景范例，为产业赋能，推动中国数字化产业转型和升级。
燧原科技相关负责人表示：“飞桨是国内重要的产业级深度学习平台，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体。燧原加入硬件生态共创计划后，将与飞桨携手在算力和算法上进行深度融合，为业界构建软硬一体、更加优化的计算解决方案，为双方的客户及合作伙伴带来更多价值，共同打造软硬协同发展生态圈。”
燧原科技
燧原科技专注人工智能领域云端算力产品，致力为人工智能产业发展交付普惠的基础设施解决方案，提供原始创新、全栈自研、具备完全自主知识产权的通用人工智能训练和推理产品。凭借其高算力、 高能效比以及灵活编程能力，可广泛应用于互联网、金融、交通、能源及新基建等多个行业和场景。
飞桨
飞桨（PaddlePaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。目前，飞桨已凝聚535万开发者，基于飞桨创建67万个模型，服务20万家企事业单位。与飞桨适配的硬件厂商数量已经超过30家，飞桨与硬件厂商的合作也进入了新阶段。
2022年，飞桨携手国内外近30家硬件厂商联合发布硬件生态共创计划，结合伙伴自有软硬件基础开发栈特色，针对不同应用场景和产品，共同推出厂商定制版飞桨框架，建设开源开放模型库，开发课程与培训内容等，以更好地服务开发者。
未来飞桨将联合更多硬件伙伴通过技术的联合研发和生态共建，一起开拓更多软硬件协同的产品和功能，共创合作共赢生态模式。在此，飞桨诚邀更多企业加入硬件生态共创计划，聚生态之力，共同打造软硬一体的全栈式人工智能平台，促进人工智能产业链高质量发展。
参考文献链接
https://mp.weixin.qq.com/s/5tsJlc3fydFsxpA__qCg2A
https://mp.weixin.qq.com/s/OHiUdvyDs13YKj5HVI7jHg
https://mp.weixin.qq.com/s/UcrIfIuFC_g__420Qz7hww
标签：小鹏,APA,RISC,飞桨,泊入,泊车,识别,车位 From： https://www.cnblogs.com/wujianming-110117/p/16940311.html