1. 课程导入

自动泊车功能从“能停进去”到“每次都停得稳、停得安全”，中间隔着的不是某一个算法，而是一整套可复现、可度量、可持续演进的验证体系。泊车场景仿真与回归测试工程，正是把真实停车场中难以穷举、难以复现、代价高昂的边界工况，转化为可批量执行、可自动判定、可追溯版本的工程能力。本课程的目标，是让学习者建立从场景建模、仿真执行、指标判定到回归闭环的完整工程视角，而不是停留在“会点一个仿真按钮”的工具操作层面。

学习目标：从会用到会建体系

完成本课程后，学习者应能独立完成以下工作：其一，依据泊车功能定义与ODD（运行设计域），拆解出可执行的场景要素，包括车位类型、障碍物、车辆初始位姿、动态交通参与者与天气光照条件；其二，使用场景描述语言或仿真工具搭建参数化场景，并保证同一场景可被不同版本算法重复调用；其三，设计回归测试集与判定准则，使“通过/失败”不依赖人工目测，而由碰撞、压线、揉库次数、横向误差、舒适度等量化指标自动裁决；其四，建立缺陷回溯与场景增补机制，让每一次实车或仿真暴露的问题都能沉淀为新的回归用例。

核心价值：为什么泊车必须做仿真与回归

泊车工况具有典型的“低速、近距、高碰撞风险”特征。真实停车场中，车位线磨损、邻车压线、立柱遮挡、行人突然穿行、地面反光等条件组合极多，实车测试成本高且危险。仿真与回归测试的价值体现在四个层面：安全前置，把碰撞类风险在虚拟环境中提前暴露；效率提升，一次回归可并行执行数百条场景，分钟级完成；版本可控，每次算法迭代都能对比历史基线，防止“修好一个、弄坏三个”；证据可追溯，为功能安全与预期功能安全论证提供结构化测试证据。

下图给出本课程的整体知识框架与实战路线：从场景输入到仿真执行，再到判定与回归闭环，最终反哺场景库与算法迭代。

方法流程：一条场景从诞生到回归的完整链路

工程实践中，一条泊车场景的生命周期通常遵循以下流程。理解这条链路，比记住某个工具菜单更重要。

1. 需求与风险输入：从功能定义、ODD、历史实车问题中提取待验证风险点，例如“窄车位邻车压线时的避让能力”。
2. 场景要素拆解：把风险点翻译为可参数化要素，如车位宽度、邻车偏移量、初始航向角、障碍物类型。
3. 场景编码与实例化：用场景描述文件或脚本生成具体实例，保证参数可枚举、可随机、可复现。
4. 仿真执行：接入被测算法，运行车辆动力学与感知输入，记录轨迹、控制量与事件日志。
5. 自动判定：依据碰撞、压线、揉库次数、终止位姿误差等指标输出通过/失败及失败原因。
6. 回归与基线对比：将本次结果与历史基线比对，识别新增失败与性能退化。
7. 复盘与场景增补：对失败场景归因，补充边界变体，纳入下一轮回归集。

下面是一段典型的场景参数化配置片段，用于描述一个“邻车压线”的平行车位场景。参数化是回归可复现的前提。

scene: parallel_parking_adjacent_vehicle
params:
  slot_length: 5.6          # 车位长度(m)
  slot_width: 2.4           # 车位宽度(m)
  adjacent_offset: 0.35     # 邻车向车位内偏移(m)
  ego_init_pose: [x: 0.0, y: 0.0, yaw: 0.0]
  obstacle: {type: pillar, pos: [3.2, 1.8]}
  weather: clear
criteria:
  collision: false
  line_cross: false
  max_shuffle_count: 3
  final_lateral_error: <= 0.15

案例场景：一个“看似简单”的失败如何变成回归资产

某项目在实车中发现：当目标车位右侧邻车压线约0.3米时，泊车算法会反复揉库，最终虽然停入但耗时超过40秒。若只靠实车复现，需要找到同样压线的邻车，成本极高。工程做法是：将该工况参数化为“邻车偏移量0.2/0.3/0.4米”三档，叠加“车位长度5.4/5.6/5.8米”组合，生成9条仿真用例。运行后发现，偏移0.3米且车位5.4米时揉库次数达到5次，超出准则。算法团队据此调整了路径规划中的安全余量策略，再次回归后揉库次数降至2次。这条场景随后被固化进回归集，成为后续版本的必测项。

常见误区与复盘要点

本课程后续将沿着“场景建模—仿真执行—判定度量—回归闭环”这条主线逐层展开，每一节都围绕可落地的工程动作组织。学习时建议始终带着三个问题：这条场景对应什么风险？它的通过准则是什么？失败后如何回流到场景库？把这三个问题贯穿始终，就能从工具使用者成长为验证体系的设计者。