点到车位：超声波如何“拼”出泊车空间

自动泊车系统里，超声波（USS）车位拟合是基础。任务目标很明确：将传感器返回的一堆离散的距离点，通过算法，还原成一个几何上规整、物理上合理的停车位。

整个过程可以拆解为以下几个核心步骤。

数据来源：车辆低速行驶时，侧向的超声波传感器（USS）持续向外探测，返回与最近障碍物的距离。
核心一步：坐标变换：
- 传感器返回的是相对自身的距离值。
- 必须结合车辆的里程计（Odometry）信息——通常来自轮速传感器和惯性测量单元（IMU），进行坐标系转换。
- 转换路径：传感器坐标系 -> 车身坐标系 -> 世界坐标系（或泊车起始点坐标系）。
结果：经过变换和初步滤波，得到一份在统一坐标系下的环境点云。这是后续所有工作的基础。

有了点云，需要将属于同一个物理实体（如旁边的车、墙面）的点聚集起来。

常用算法：DBSCAN（基于密度的噪声应用空间聚类）。
选择原因：
- 无需预设聚类数：环境中障碍物数量未知。
- 可识别任意形状：障碍物轮廓通常是线状或面状，DBSCAN能很好地处理。
- 自带抗噪能力：能有效识别并分离出离群的噪声点。
结果：原来杂乱的点云，被清晰地分成了几个点簇（Cluster），每个点簇代表一个潜在的障碍物。

从代表障碍物的点簇中，提取出关键的几何特征——直线。

标准算法：RANSAC（随机采样一致性）。
工作原理简述：
1. 从点簇中随机抽取最少的点（2个）构成一条候选直线。
2. 计算簇内所有点到该直线的距离，统计距离在阈值内的点（内点，Inliers）的数量。
3. 重复以上过程，选择内点数最多的那条直线作为最终拟合结果。
选择原因：鲁棒性极强。即使点簇中存在少量错误的点（离群点，Outliers），RANSAC也能大概率找到正确的主体趋势。相比之下，最小二乘法等方法极易受离群点干扰。
结果：处理完所有点簇后，我们得到了一系列代表环境边界的线段。

这是最后一步，依赖几何规则和先验知识。

寻找车位特征：
- 在拟合出的线段集合中，寻找特定的几何关系。
- L型角点：两条近似垂直的线段，通常是车位的入口。
- U型结构：两条近似平行且间距合适（约2.2-2.5米）的线段，以及一条与它们相连的垂直线段，构成一个完整的车位雏形。
生成与验证：
- 基于检测到的特征，按照标准车位尺寸（如宽度2.5m，深度5.3m）生成候选车位。
- 对候选车位进行几何约束验证：检查其长、宽、角度是否在合理范围内，是否与其他已检测障碍物冲突。
- 根据构成车位的真实线段数量和长度，评估其置信度。由真实数据支撑越多的车位，置信度越高。
分类：最终将有效的车位根据其与车辆的相对姿态，分为垂直车位、平行车位或斜列车位。

传统的流程清晰有效，但在复杂场景下仍有局限。近年来的研究主要围绕以下几点演进：

克服数据稀疏性 -> 栅格地图（Grid Map）
- 问题：USS点云非常稀疏，单帧信息不足。
- 方案：引入占据栅格地图（Occupancy Grid Map）。将环境划分为网格，根据USS探测结果，在时间序列上更新每个格子的被占用概率。这样，稀疏的点云可以随着车辆移动，逐渐累积成一幅更稠密、更完整的环境地图，为车位检测提供更可靠的依据。
克服传感器局限 -> 多传感器融合
- 问题：USS角度分辨率低，对材质敏感，无法识别车位线。
- 方案：融合视觉（摄像头）信息。这是目前的主流和趋势。
  - 摄像头：负责识别车位线、箭头、地面材质等纹理信息，利用深度学习模型可直接分割出车位区域。
  - 超声波：提供精确的近距离测距，是低成本的“安全垫”，用于确认边界、防止碰撞。
- 两者优势互补，能极大提升车位检测的准确性和鲁棒性。
应对动态环境 -> 目标跟踪
- 问题：行人、购物车等动态物体会干扰静态车位的构建。
- 方案：引入跟踪算法（如卡尔曼滤波、EKF）。对聚类后的障碍物进行状态估计和跟踪，从而区分出静态物体（可构成车位）和动态物体（需规避的干扰）。

总的来说，超声波车位拟合的本质是从低质量的、稀疏的测量数据中，通过算法和规则，重建出结构化的环境信息。其核心思路是“聚类-拟合-匹配”，而未来的发展方向无疑是多传感器深度融合。

已发布

2024年 1月 6日

分类

来自

tangguofang

标签：

生命体验家