📚 课程目录第1章课程导入

1. 课程导入

自动泊车（Automated Parking）是智能驾驶技术中最早实现量产落地、也最容易被用户直接感知的功能之一。它看似只是“把车倒进车位”，背后却串联了感知、定位、地图、搜索规划、运动规划、车辆动力学约束、控制执行与安全冗余等完整链路。本课程聚焦其中最关键、也最容易被忽视的一环——搜索规划与车辆约束工程：即在有限空间、有限转向能力、有限感知精度下，如何找到一条“可通行、可执行、可验证”的泊车轨迹。

1.1 自动泊车系统在整车中的位置

从系统架构看，自动泊车并不是一个孤立模块，而是由环境感知、车位识别、车辆状态估计、规划决策、控制执行和人机交互共同构成的闭环系统。其典型数据流如下：超声波雷达、环视摄像头、毫米波雷达提供原始观测；感知融合模块输出车位角点、障碍物轮廓和可行驶区域；定位模块给出车辆在局部坐标系中的位姿；规划模块完成目标位姿生成、路径搜索与轨迹优化；控制模块将轨迹转化为方向盘转角、挡位和车速指令；最后通过EPS、ESP、VCU等执行器完成动作。

1.2 为什么“搜索规划”是自动泊车的分水岭

很多初学者会认为泊车规划就是“倒车入库的几何计算”。实际上，量产泊车面对的是非结构化、强约束、低容错的场景：车位可能被邻车压线、通道宽度仅比车宽多几十厘米、地面标线模糊、超声波存在盲区。此时，规划器必须在离散搜索与连续优化之间做权衡，并始终满足车辆运动学约束。

本课程将围绕三条主线展开：

搜索层：Hybrid A*、Reeds-Shepp曲线、Dubin路径、状态格栅与启发式设计，解决“往哪走”的问题。
约束层：最小转弯半径、轴距、转向速率、碰撞包络、曲率连续性，解决“能不能走”的问题。
工程层：参数标定、仿真回放、实车验证、异常降级，解决“稳定不稳定”的问题。

核心判断：一条泊车轨迹是否合格，不取决于它看起来多平滑，而取决于它是否同时满足车辆约束、碰撞约束和实时性约束。三者缺一，轨迹就不可用。

1.3 课程整体框架

课程共30章，按“基础认知—搜索规划—车辆约束—工程落地”四段递进。下表给出整体框架与学习重点，便于建立全局地图。

阶段	章节范围	核心内容	学习产出
基础认知	第1–5章	系统概述、坐标系、车位模型、运动学基础	能描述泊车闭环与坐标变换
搜索规划	第6–15章	Hybrid A*、RS曲线、启发式、状态格栅、轨迹优化	能实现并调试搜索规划器
车辆约束	第16–24章	转弯半径、碰撞包络、曲率约束、转向速率、参数标定	能建立约束模型并校验轨迹
工程落地	第25–30章	仿真回放、实车验证、异常降级、性能优化、复盘	能完成从仿真到实车的闭环

1.4 典型工程场景与常见误区

以一个常见的垂直车位泊入为例：车辆沿通道行驶，右侧发现空车位，系统需要先完成车位确认，再生成目标位姿，随后搜索一条从当前位姿到目标位姿的无碰撞路径。若通道宽度不足，规划器可能需要多次“揉库”；若转向速率受限，轨迹曲率变化必须放缓；若超声波在车位深处出现盲区，碰撞包络需要额外膨胀。

# 典型泊车规划参数片段（示意）
vehicle:
  length: 4.80 m
  width: 1.85 m
  wheelbase: 2.80 m
  min_turn_radius: 5.20 m
  max_steer_rate: 0.45 rad/s

planner:
  search: hybrid_astar
  heuristic: reeds_shepp
  grid_resolution: 0.15 m
  heading_bins: 72
  collision_inflation: 0.12 m

constraints:
  curvature_limit: 0.192 1/m
  curvature_rate_limit: 0.08 1/m²
  goal_tolerance: [0.10 m, 0.05 rad]

常见误区一：只关注路径长度，忽略曲率连续性，导致实车方向盘抖动。
常见误区二：碰撞包络只按车宽计算，未考虑后视镜、传感器安装位置和车身俯仰。
常见误区三：仿真中忽略转向速率限制，实车出现“规划可行、执行失败”。

学习建议：每学完一个规划算法，都用同一组车辆参数和同一张车位地图做对比实验，记录搜索时间、路径长度、最大曲率和最小障碍物距离四个指标。这四个指标能覆盖绝大多数工程问题。

本章的目标不是让你立刻写出规划器，而是先建立一张“系统地图”：知道自动泊车由哪些模块组成、搜索规划处在什么位置、车辆约束为什么必须前置考虑、以及后续30章如何一步步从理论走到实车。带着这张地图进入后续学习，你会更容易判断每个算法解决的是哪一类问题，也更容易在工程调试中定位问题来源。