引言：
“停车难”是困扰许多城市驾驶者的日常痛点。自动泊车（APA）系统，作为智能驾驶领域率先大规模落地的功能之一，正致力于将驾驶员从繁琐的泊车操作中解放出来。然而，打造一套真正可靠、高效、能在各种复杂场景下游刃有余的自动泊车系统，绝非易事。它需要精准的环境感知、智能的路径规划以及与车辆底层控制的无缝协作。本文将结合笔者作为一名感知泊车算法工程师的实践经验，深入探讨自动泊车感知系统的研发与优化，以及如何通过技术合作与仿真验证，不断提升泊车成功率与用户体验。

---

一、看得清，才能停得准：自动泊车感知系统的多源融合之道

自动泊车的首要任务是准确识别可用的车位及周围的障碍物。单一传感器往往难以应对所有泊车场景的挑战，因此，多源信息融合是提升感知鲁棒性的关键。

1. 超声波与摄像头的“珠联璧合”：提升泊车成功率的关键一役
   • 各自的优势与局限：
     • 超声波雷达 (USS)：近距离测距精度高，成本低廉，是传统泊车辅助系统的主力。但其探测角度有限，对低矮障碍物或车位线的识别能力较弱，且易受表面材质影响。
     • 摄像头（尤其是鱼眼相机）：能够提供丰富的视觉信息，可以识别车位线、地面标识、以及更复杂的障碍物轮廓。但易受光照、天气影响，且在纯视觉测距方面（尤其对无纹理表面）存在挑战。
   • 融合算法设计与实践：我们主导设计了一套多源车位信息融合算法，旨在结合超声波的精准测距和摄像头的广视角环境理解能力。
     • 数据层面融合举例：
       • 超声波辅助视觉定位：当车辆低速行驶寻找车位时，超声波雷达可以探测到侧方车辆或墙壁等“硬边界”，为视觉算法提供关于车辆与障碍物相对距离的强先验，帮助视觉算法更准确地定位潜在车位开口。
       • 视觉确认超声波车位：超声波雷达可能探测到一个疑似车位的空间（例如，两个已停车辆之间的空隙），但无法判断该空间是否为真实可用的划线车位。此时，鱼眼摄像头生成的环视影像（AVM – Around View Monitoring，或称全景影像）可以对该区域进行视觉验证，识别车位线、地锁、禁停标识等，确认车位的有效性。
       • 障碍物融合：超声波可以探测到摄像头盲区（如车辆正后方保险杠下方）的低矮障碍物（如路沿、石墩），而摄像头可以识别超声波难以分辨的细长物体（如栏杆）。融合两者信息可以构建更完整的车辆周边障碍物地图。
     • 决策层面融合举例：为每个传感器检测到的车位或障碍物赋予置信度。例如，一个同时被超声波和视觉清晰识别的车位，其置信度会远高于仅被单一传感器模糊探测到的车位。融合算法会综合考虑这些置信度，输出最终的、最可靠的车位列表。
   • 成果显著：通过这套多源融合算法的引入与持续优化，我们所负责项目的泊车成功率提升了12%，尤其在一些边缘场景（如光线昏暗的地下车库、车位线模糊、或存在不规则障碍物的车位），泊车效果得到了显著改善。
2. “上帝之眼”的构建：多鱼眼相机外参标定与AVM视觉高精地图
   四路鱼眼相机是实现360°环视感知的基础，而精确的外参标定和高质量的AVM图像拼接是后续所有视觉感知算法的前提。
   • 外参标定的重要性与挑战：四路鱼眼相机分别安装在车辆的前、后、左、右，它们各自的坐标系相对于车身坐标系的精确转换关系（即外参：旋转和平移）必须被精确标定。任何微小的标定误差，在AVM图像拼接时都会导致错位、重影或变形，严重影响车位线识别、障碍物定位的精度。
     • 标定实践：我们负责并优化了多鱼眼相机的离线标定流程。通常采用大型、高精度的标定布（上面印有特定的图案，如棋盘格或圆点阵列），让车辆以不同姿态驶过或停在标定布上，采集多组图像。通过提取图像中标定图案的特征点，并利用多视图几何原理（如光束法平差 Bundle Adjustment），同时优化所有相机的内外参以及相机间的外参。同时，我们也探索了在线自标定/校准的潜力，以应对车辆使用过程中可能发生的轻微外参变化。
   • AVM构建原理与应用：AVM通过将四路鱼眼相机的畸变校正后的图像，根据精确的内外参投影到车辆周围的一个虚拟地面平面上，然后进行拼接和融合，生成一张鸟瞰图。
     • 视觉局部高精地图：这张AVM图像不仅仅是一张“好看”的全景图，它实际上承载了车辆周围环境的丰富几何和纹理信息，可以被视为一种视觉局部高精地图。我们基于这张AVM进行车位检测、可行驶区域分割、以及近距离动态障碍物的识别。
     • 举例：当车辆在停车场缓慢行驶时，AVM图像会实时更新。算法可以在AVM上直接检测平行车位、垂直车位、斜列车位的角点和边缘线，并估算其尺寸和朝向。
3. 基于YOLOX的AVM车位检测模型：让机器“认识”车位
   我们参与了基于YOLOX（一种高效的单阶段目标检测器）的AVM车位检测模型的开发工作。
   • 模型框架与训练：YOLOX以其Anchor-free、解耦头（Decoupled Head）等设计，在检测速度和精度上取得了良好平衡。我们将YOLOX模型适配到AVM图像输入，训练其直接在鸟瞰图上检测车位框（通常是四边形或带角度的矩形）。
   • 数据是关键：模型的性能很大程度上依赖于高质量、大规模、多样化的标注数据集。我们参与了标注规范的制定，并对模型训练过程中的数据增强策略（如旋转、缩放、亮度变换、以及模拟不同光照和地面材质的AVM图像）进行了优化。
   • 难点与优化：
     • 小目标与密集车位：在大型停车场，AVM图像中的单个车位可能尺寸较小且排列密集，这对检测器的分辨率和区分能力提出了挑战。
     • 不规则车位与遮挡：现实中存在各种非标准车位，或车位线被其他车辆、杂物部分遮挡。模型需要具备一定的泛化能力和鲁棒性。
     • 模型轻量化：考虑到车载计算平台的限制，还需要对模型进行剪枝、量化等操作，以在保证精度的前提下提升推理速度。
4. 车位检测的“精装修”：后处理算法的妙用
   深度学习模型输出的原始检测结果往往还不够完美，需要精细的后处理算法来进一步提升检测与跟踪的稳定性和准确性。
   • IOU匹配与匈牙利算法：在连续的AVM图像帧之间，需要将当前帧检测到的车位与上一帧已跟踪的车位进行匹配，以保持车位ID的稳定。我们使用IOU（Intersection over Union，交并比）作为相似度度量，结合匈牙利算法进行最优匹配。
     • 举例：车辆缓慢驶过一排车位，第一帧检测到车位A、B、C。第二帧由于车辆移动和视角变化，检测到的可能是A’、B’、C’、D’。通过IOU匹配和匈牙利算法，可以将A’与A，B’与B，C’与C关联起来，并识别出D’为新出现的车位。
   • 卡尔曼滤波 (Kalman Filter)：对于已匹配的车位，其位置、尺寸、角度等状态量会受到测量噪声的影响而发生抖动。我们应用卡尔曼滤波对这些状态量进行平滑滤波和预测，使得车位的显示和跟踪更加稳定。
     • 举例：即使由于光照轻微变化导致某一帧检测到的车位角点有微小偏移，卡尔曼滤波器也能基于历史状态和运动模型，给出更稳定、更接近真实值的车位状态估计，避免车位框在AVM上“跳来跳去”。
5. 超声波车位的“接入认证”：确保数据接口质量
   完成超声波车位信号的接入、数据校验与SDK（软件开发工具包）集成，是保证多源融合输入质量的基础。
   • SDK集成：与超声波雷达供应商（如博世）提供的SDK进行对接，解析其输出的原始探测数据或处理后的车位候选信息。
   • 数据校验：对接收到的超声波数据进行有效性校验，例如，检查时间戳是否正常、数据范围是否合理、是否有异常跳变或丢失等。
   • 接口规范：定义清晰的数据接口，将校验和预处理后的超声波车位信息（如车位类型、宽度、深度、相对于车辆的位置等）传递给上层融合算法模块。

---

二、规划泊车“最优解”：Hybrid A* 算法与仿真验证

精准感知到车位后，如何规划出一条安全、高效、且符合车辆运动学约束的泊入路径，是自动泊车系统的另一核心挑战。

1. Hybrid A*：全局路径搜索与局部轨迹优化的结合
   Hybrid A* 算法是一种在自动驾驶领域广泛应用的路径规划算法，它巧妙地结合了离散的栅格搜索（A*）和连续的车辆状态空间。
   • 算法原理：它在A*搜索的每个节点扩展时，不仅仅考虑相邻的栅格，而是模拟车辆在该点执行几种典型的控制输入（如左转、直行、右转，并考虑前进和后退）后，在连续状态空间中的实际落点。
   • 代价函数设计 (Heuristics & Costs)：这是Hybrid A*的灵魂。
     • 启发函数 (Heuristic)：用于指导搜索方向，通常会使用非完整约束的A*搜索（如忽略车辆朝向，只考虑位置距离目标点的距离）或更复杂的如Dubins/Reeds-Shepp曲线长度作为启发。
     • 真实代价 (Actual Cost)：从起点到当前节点的实际路径成本。我们会在这里重点考虑车辆运动约束、与障碍物的距离以及路径的平顺性。
       • 车辆运动约束：例如，最小转弯半径、最大转向角。规划出的路径必须是车辆实际能够开出来的。
       • 障碍物惩罚：对靠近或碰撞障碍物的路径施加极高的代价。
       • 换挡次数/行驶方向改变惩罚：泊车时，频繁的前进后退会影响效率和体验，应在代价函数中予以体现。
       • 路径长度与平顺度：倾向于选择更短、更平滑（曲率变化小）的路径。
   • 局部轨迹优化：Hybrid A*搜索到的路径可能在某些局部区域还不够平滑或最优。通常会在全局路径的基础上，再进行一次局部轨迹优化（例如，使用样条曲线拟合或数值优化方法），进一步提升路径质量。
   • 举例：在一个狭窄的垂直车位前，Hybrid A*算法会探索多种可能的泊入序列（例如，“前进-后退-前进”的两把轮入位，或者更复杂的多把轮调整），并通过代价函数评估每种序列的安全性、效率和舒适性，最终选择最优的一条。
2. ROS2仿真平台的“练兵场”：迭代与验证泊车策略
   搭建基于ROS2（Robot Operating System 2）的自动泊车仿真平台，为算法的快速验证和迭代提供了高效环境。
   • 平台构成：
     • 车辆模型：包含车辆的运动学/动力学模型、尺寸参数等。
     • 传感器模型：模拟鱼眼相机图像、超声波雷达探测点等。
     • 环境模型：可以导入或手动创建各种停车场场景，包括不同类型的车位、静态和动态障碍物。
     • 泊车算法节点：将我们开发的感知、规划、控制算法模块作为ROS2节点运行。
   • 验证与迭代：
     • 功能验证：在仿真环境中测试APA系统在各种标准车位和复杂场景下的泊车入库、泊出功能。
     • 参数调优：快速调整规划算法的代价函数权重、车辆模型参数等，观察其对泊车轨迹和成功率的影响。
     • 策略迭代：例如，针对某种特定类型的车位（如空间极小的平行车位），可以在仿真中尝试不同的泊车入库策略（如调整初始接近角度、优化中间调整步骤），直到找到鲁棒的解决方案。
     • 回归测试：每当算法有更新时，自动运行大量的仿真测试用例，确保新代码没有破坏已有的功能。

---

三、协同创新：与Tier1及芯片厂商的技术合作与项目推进

自动泊车系统的研发并非闭门造车，与产业链上下游的合作伙伴（如Tier1供应商、芯片厂商）进行深入的技术交流与紧密协作，对于提升系统性能、加速项目落地至关重要。

1. 深入研究与适配地平线J5 BEV泊车感知方案
   地平线（Horizon Robotics）是国内领先的智能驾驶芯片及解决方案提供商。其J5芯片平台提供了强大的AI算力，并配套了基于BEV（Bird’s Eye View，鸟瞰图）的感知方案。
   • 技术对接：我们与地平线研发团队就其BEV泊车感知方案（可能包括基于BEV的环视分割、车位检测、障碍物检测等）进行了深入的技术交流和方案细节的对齐。
   • 接口开发与验证：共同定义和开发我们自研算法模块与地平线SDK之间的接口，确保数据能够正确、高效地在两者之间流转。例如，如何将我们融合后的车位信息输入到地平线的规划模块，或者如何利用地平线BEV感知结果来增强我们的融合感知。
   • 性能联调：在搭载J5芯片的目标硬件平台上，共同进行感知算法的部署、性能调优和实车验证。
2. 熟悉博世USS OD与USS Slot超声车位检测方案
   博世（Bosch）是全球领先的汽车零部件供应商，其超声波雷达（USS）及相关的车位检测方案（如Object Detection – OD，Slot-based detection）在行业内有广泛应用。
   • 方案理解与沟通：深入学习和理解博世USS方案的技术原理、性能边界以及数据输出格式。与博世的工程师就超声波在特定场景下的误检、漏检问题进行积极沟通，共同分析原因。
   • 助力性能提升：通过向博世反馈我们在实际应用中遇到的问题和提出的改进建议（例如，针对特定材质的障碍物回波特性调整滤波参数，或优化slot检测逻辑以更好地区分相邻的狭窄车位），间接或直接地助力其提升超声波车位检测的整体性能。
3. 遵循功能安全 (ISO 26262) 要求，参与方案评审
   自动泊车系统作为一项安全相关的功能，其开发过程必须严格遵循功能安全标准（如ISO 26262）。
   • 风险分析与安全目标：参与泊车系统的危害分析和风险评估（HARA），确定功能的安全目标和对应的汽车安全完整性等级（ASIL）。
   • 方案评审：从功能安全的角度，对感知、规划、控制等模块的设计方案、冗余设计、故障检测与响应机制等进行评审，确保方案满足安全要求。
     • 举例：评审超声波和视觉融合方案时，会考虑单一传感器失效（如摄像头被泥污遮挡）对泊车功能的影响，以及系统是否有相应的降级或安全停车策略。

---

结语：
自动泊车系统的研发是一项精密的系统工程，它要求算法工程师不仅要有扎实的理论基础和算法实现能力，还需要具备多传感器融合的系统思维、与合作伙伴协同创新的开放心态，以及对功能安全和用户体验的极致追求。从提升12%的泊车成功率，到与行业巨头紧密协作，每一次的技术突破和项目进展，都是为了让“停车”这件事变得更简单、更安全、更智能。泊车“老司机”的炼成之路，仍在继续。