零跑世界模型技术解析：如何实现8.68万新车普及车位到车位功能而不依赖高算力

1次阅读

共计 1380 个字符，预计需要花费 4 分钟才能阅读完成。

传统车位到车位功能通常依赖高算力平台，原因在于其实现方式主要基于 SLAM（Simultaneous Localization and Mapping）和深度学习技术。这些技术虽然精度高，但计算复杂度也极高，导致硬件成本居高不下。这直接影响了该功能在低价位车型上的普及。

主要痛点包括：

实时建图和定位需要大量计算资源
深度学习模型推理需要专用加速器
系统功耗高，影响车辆续航
硬件成本难以控制

零跑采用的世界模型技术与传统方案相比有显著差异：

传统 SLAM 方案
优点：定位精度高，环境适应性好
缺点：需要高性能处理器，计算延迟大
深度学习方案
优点：识别准确率高，端到端实现
缺点：模型参数量大，需要 GPU/TPU 加速
世界模型技术
优点：基于先验知识建模，计算量小
缺点：需要精心设计的领域知识表示

零跑的环境感知算法主要基于特征点检测和几何约束，而非深度神经网络：

使用改进的 FAST 特征点检测器
采用光流法进行运动估计
基于 RANSAC 的误匹配剔除

路径规划采用分层架构：

全局路径：基于停车场先验地图
局部路径：考虑实时障碍物检测
运动控制：纯追踪算法优化

关键优化点包括：

固定点数学运算替代浮点
内存池管理减少分配开销
任务调度优化降低延迟

以下是一个简化的环境感知算法 C ++ 实现：

// 基于光流的运动估计
void estimateMotion(const cv::Mat& prevFrame, const cv::Mat& currFrame, 
                   std::vector<cv::Point2f>& prevPts,
                   std::vector<cv::Point2f>& currPts) {
    // 1. 特征点检测
    cv::goodFeaturesToTrack(prevFrame, prevPts, 100, 0.01, 10);

    // 2. 光流追踪
    std::vector<uchar> status;
    std::vector<float> err;
    cv::calcOpticalFlowPyrLK(prevFrame, currFrame, prevPts, currPts,
                            status, err);

    // 3. 运动估计
    cv::Mat H = cv::estimateAffinePartial2D(prevPts, currPts);

    // 4. 位姿更新
    float dx = H.at<double>(0,2);
    float dy = H.at<double>(1,2);
    float dtheta = atan2(H.at<double>(1,0), H.at<double>(0,0));
}

在嵌入式平台上的实测数据：