1. 课程导入

泊车是低速、近距、强遮挡、高重复的典型场景，却也是智能驾驶量产落地中最难做“稳”的一环。驾驶员在狭窄车位中需要同时判断车身姿态、车位边界、低矮障碍物、路沿、立柱、行人以及开门风险；而单一传感器在泊车场景中往往存在明显短板：超声波雷达测距稳定但分辨率低，摄像头纹理丰富但受光照和逆光影响大，毫米波雷达对金属敏感但点云稀疏，激光雷达精度高但成本与布置受限。因此，泊车多传感器融合与车位检测的核心任务，是把不同物理机理的传感器数据在时空上对齐、在特征层或决策层互补，最终输出稳定可用的车位与可行驶区域估计。

一、泊车场景的典型痛点

从工程视角看，泊车痛点可以归纳为“看不见、认不准、连不上、控不稳”四类。第一，看不见：低矮石墩、地锁、悬空管道、细杆等目标在单一视角下容易被漏检；第二，认不准：车位线磨损、阴影、积水反光、相邻车辆压线，会让视觉车位检测出现跳变；第三，连不上：超声波、摄像头、雷达的采样频率、时间戳、坐标系不一致，融合时容易产生“鬼影”或目标分裂；第四，控不稳：车位输出抖动会导致规划轨迹反复横跳，最终表现为泊车过程中频繁揉库或急停。

二、多传感器融合的价值

多传感器融合的价值体现在三个层面。其一是冗余互补：摄像头提供语义和车位线，超声波提供近距精确测距，毫米波雷达提供运动与金属目标回波，融合后能覆盖更多边界场景。其二是置信度提升：当视觉车位线被遮挡时，超声波和雷达的障碍物轮廓可以辅助推断车位是否存在；当雷达点云稀疏时，视觉语义可以补足目标类别。其三是工程可落地：通过分层融合架构，可以在算力受限的泊车域控制器上实现实时输出，并保留诊断与降级通道。

下面这张图展示了泊车多传感器融合与车位检测的整体信号链：从传感器输入，经过时间同步、坐标变换、特征提取、融合关联，到车位输出与规划控制。

三、车位检测任务定义

车位检测不是单一分类问题，而是一个多任务联合估计问题。工程上通常把它拆成四个子任务：车位线检测、车位入口估计、车位占用判断、车位类型分类。车位线检测负责从图像或BEV特征中提取线段与角点；车位入口估计负责确定车辆驶入方向与入口宽度；车位占用判断结合超声波和雷达判断车位内是否有障碍物；车位类型分类区分平行、垂直、斜列等车位。最终输出应包含车位中心点、朝向角、尺寸、置信度以及可行驶区域边界。

四、课程学习地图与工程目标

本课程共30章，围绕“传感器—融合—车位检测—工程落地”主线展开。学习地图可以概括为五个阶段：基础认知（泊车场景与传感器特性）、时空对齐（时间同步、坐标标定）、融合方法（特征级、目标级、决策级融合）、车位检测算法（视觉车位线、BEV感知、多任务学习）、工程部署与调优（算力优化、诊断降级、实车标定）。

五、常见误区与复盘

初学者常陷入三个误区。第一，把融合当成“投票”：简单多数表决无法处理传感器失效和置信度差异，容易在雨天或夜间产生错误车位。第二，忽略时间同步：摄像头与超声波的时间戳偏差超过20ms，在低速泊车中也会造成明显位置错位。第三，只关注算法精度，忽略输出稳定性：车位检测的工程指标不仅是准确率，还包括跳变率、漏检率和降级响应时间。

# 泊车融合工程目标示例（伪代码）
目标1：车位检测准确率 ≥ 95%（标准车位，白天）
目标2：车位输出跳变率 ≤ 2%（连续10帧）
目标3：融合输出延迟 ≤ 80ms（从传感器采样到车位输出）
目标4：单传感器失效时，系统可降级运行并给出“未知”状态
目标5：支持平行、垂直、斜列三类车位，覆盖常见地下车库场景

复盘时建议建立“场景—传感器—失效模式—降级策略”四列表，把每一次实车问题映射到具体环节。只有把泊车融合当作一个完整的工程系统来对待，才能在复杂车库环境中获得稳定、可量产的车位检测能力。