2. 泊车系统基础

自动泊车系统（Automated Parking System）是智能驾驶中最早实现量产落地的功能之一，也是仿真与回归测试工程最典型的应用对象。理解它的组成、传感器配置、控制模块、功能场景与行业趋势，是后续搭建泊车仿真场景、设计回归用例、评估算法性能的基础。本节从系统视角梳理泊车系统的整体结构，并给出仿真测试需要关注的接口与参数。

一、自动泊车系统的整体组成

从功能链路看，自动泊车系统可以拆分为感知层、定位与建图层、决策规划层、控制执行层以及人机交互层。感知层负责识别车位、障碍物、路沿、地面标线；定位与建图层提供车辆相对车位与环境的位姿；决策规划层完成车位选择、路径生成与速度规划；控制执行层将轨迹转化为转向、驱动、制动指令；人机交互层负责功能激活、状态提示与接管请求。

在仿真测试中，这五层对应不同的被测对象：感知算法需要注入点云、图像、超声波回波等原始数据；规划模块需要输入车位与障碍物真值；控制模块需要车辆动力学模型配合；HMI 则需要验证状态机与提示逻辑。因此，泊车仿真平台通常需要同时支持传感器级、目标级和车辆级三类接口。

二、传感器配置与仿真注入方式

量产自动泊车系统常见的传感器组合包括：12 路超声波雷达（前后各 4、侧面各 2）、4 路环视鱼眼相机、1 至 3 个毫米波雷达，部分高端车型增加激光雷达。超声波负责近距离障碍物与车位空间测量，环视相机负责车位线识别与视觉定位，毫米波雷达补充中远距离目标，激光雷达用于高精度建图与冗余感知。

在仿真中，不同传感器对应不同的注入方式。超声波通常以回波时间或距离值注入；相机以图像帧或特征目标注入；毫米波与激光雷达以点云或目标列表注入。测试工程师需要根据被测模块的输入接口选择注入层级，避免“用目标级真值测试感知算法”这类接口错配。

三、控制模块与状态机

泊车控制模块的核心是横向控制与纵向控制的协同。横向控制通常采用纯跟踪、Stanley 或模型预测控制（MPC），跟踪规划层输出的轨迹；纵向控制采用 PID 或速度闭环，实现低速蠕行与精准停车。由于泊车速度低（一般低于 10 km/h），控制重点在于小半径转向的精度与档位切换的平顺性。

状态机是泊车功能的调度核心，典型状态包括：待机、搜索车位、车位确认、路径规划、泊入、泊出、暂停、完成、故障。仿真回归测试需要覆盖状态迁移的边界条件，例如搜索过程中车位被占用、泊入中途驾驶员接管、路径被新障碍物阻断等。

泊车状态机关键迁移示例：
IDLE -> SEARCHING       : 用户按下泊车按钮
SEARCHING -> CONFIRM    : 检测到可用车位
CONFIRM -> PLANNING     : 用户确认车位
PLANNING -> PARKING_IN  : 路径生成成功
PARKING_IN -> PAUSED    : 检测到障碍物或接管
PAUSED -> PARKING_IN    : 障碍物移除且用户恢复
PARKING_IN -> DONE      : 到达目标位姿
ANY -> FAULT            : 传感器故障或超时

四、功能场景与行业发展趋势

自动泊车功能场景可分为三类：泊入场景（垂直、平行、斜列）、泊出场景（垂直泊出、平行泊出）以及召唤场景（记忆泊车、遥控泊车）。每一类场景又可细分为标准车位、窄车位、异形车位、有障碍物车位等变体。仿真测试需要建立场景库，按车位类型、障碍物分布、光照天气、地面材质等维度组合生成用例。

行业发展趋势方面，泊车系统正从单一功能向“行泊一体”演进：感知与计算平台复用行车域控制器，降低硬件成本；记忆泊车与自主代客泊车（AVP）将泊车从车内操作扩展到车外远程与场端协同；数据驱动方法逐步替代部分规则模块，但安全冗余与可解释性仍是量产门槛。对仿真测试工程而言，这意味着场景复杂度、传感器注入精度和回归用例规模都将持续上升。