2. 自动泊车系统基础

自动泊车系统（Automated Parking Assist, APA）是智能驾驶辅助系统中用户感知最强、技术落地最早的功能之一。它通过融合超声波雷达、环视摄像头、轮速传感器及转向执行机构，在低速工况下代替驾驶员完成车位搜索、路径规划、转向控制和纵向车速调节，最终将车辆安全、准确地泊入目标车位。理解自动泊车系统的功能边界、硬件架构、软件流程与典型应用场景，是后续开展环境感知仿真、车位检测算法验证和测试用例设计的前提。本章将从系统定义出发，逐层拆解其组成模块、工作流程与工程约束，并结合仿真课程的实际需求给出案例说明。

2.1 自动泊车功能定义与分级

自动泊车功能的核心定义是：在低速行驶或静止状态下，系统自主完成车位搜索、车位识别、路径规划、转向控制与纵向运动控制，将车辆从起始位置移动到目标车位内，且整个过程无需驾驶员操作转向盘。根据SAE J3016的分级，自动泊车属于L2级组合驾驶辅助的典型功能，但部分场景下（如遥控泊车、记忆泊车）已具备L3级的功能特征。在工程实现上，自动泊车通常分为以下三个功能等级：

在仿真课程中，我们重点聚焦APA级别的功能开发与测试，因为其传感器配置、算法复杂度和安全要求最具代表性。APA功能的核心技术指标包括：车位识别成功率（≥95%）、泊车成功率（≥90%）、单次泊车时间（≤60s）、最小车位尺寸（车辆长+1.0m，宽+0.6m）以及泊车精度（横向偏差≤10cm，纵向偏差≤15cm）。这些指标需要在仿真环境中通过大量场景化测试进行验证。

2.2 系统组成与硬件架构

自动泊车系统的硬件架构可以划分为四个主要子系统：感知子系统、决策计算子系统、控制执行子系统和交互显示子系统。每个子系统在整车电子电气架构中承担不同的功能职责，并通过CAN/CAN FD或车载以太网进行数据交互。

感知子系统是自动泊车的信息来源，主要由12个超声波雷达和4个环视摄像头组成。超声波雷达负责近距离障碍物检测和车位边界探测，其工作原理是发射40~48kHz的超声波脉冲，通过测量回波时间计算目标距离。环视摄像头则通过鱼眼镜头获取车辆周围180°~190°范围的图像，经过畸变校正和鸟瞰视角变换后，用于车位线识别和视觉辅助定位。此外，轮速传感器提供车速和行驶距离信息，转向角传感器提供前轮转角信息，这些数据用于车位跟踪和路径规划的状态估计。

决策计算子系统通常采用域控制器或高性能MCU，运行车位检测算法、路径规划算法和运动控制算法。在量产方案中，常见配置为Infineon AURIX TC397或NXP S32G系列芯片，算力需求约为20~50 DMIPS。对于仿真课程而言，我们更关注算法层面的模块划分：车位检测模块（基于超声波和视觉融合）、车位跟踪模块（基于车辆运动模型）、路径规划模块（基于混合A*或Reeds-Shepp曲线）、轨迹平滑模块和运动控制模块。

控制执行子系统包括电动助力转向系统（EPS）、车身稳定系统（ESP/VCU）和变速箱控制器。EPS接收转向角指令，通过内部PID控制器驱动电机实现精确转角控制，控制精度要求≤±0.5°。ESP/VCU负责纵向车速控制，在泊车过程中通常维持2~5km/h的恒定车速，速度控制精度要求≤±0.2km/h。变速箱控制器负责P/R/N/D挡位切换，切换时间要求≤1s。

交互显示子系统通过中控屏和仪表盘向驾驶员展示车位搜索状态、目标车位选择、泊车进程动画和障碍物距离提示。同时，系统通过方向盘振动、蜂鸣器或语音提示驾驶员何时需要接管控制权。

2.3 工作流程与状态机设计

自动泊车系统的完整工作流程可以划分为五个阶段：激活与初始化、车位搜索与识别、车位选择与确认、路径规划与执行、泊车完成与退出。每个阶段对应系统状态机中的一个状态，状态之间通过事件触发进行切换。

1. 激活与初始化（APA_OFF → APA_STANDBY）：驾驶员按下APA开关或通过语音指令激活系统。系统进行自检，确认所有传感器在线、车速低于阈值（通常≤30km/h）、挡位处于D或N挡。自检通过后，系统进入待机状态，开始搜索可用车位。
2. 车位搜索与识别（APA_STANDBY → APA_SEARCHING）：车辆以≤15km/h的速度行驶，超声波雷达和环视摄像头同时工作。超声波雷达通过检测相邻车辆或障碍物的边界来估算车位空间，环视摄像头则通过识别地面车位线来确认车位类型（水平/垂直/斜列）。系统对候选车位进行置信度评分，当置信度超过阈值时，在HMI上高亮显示可用车位。
3. 车位选择与确认（APA_SEARCHING → APA_CONFIRMED）：当检测到多个可用车位时，系统默认推荐最近的车位，驾驶员也可以通过触摸屏选择其他车位。确认后，系统记录当前车辆位置作为泊车起点，并开始规划泊车路径。
4. 路径规划与执行（APA_CONFIRMED → APA_PARKING）：路径规划模块根据车辆当前位置、目标车位位姿、车辆最小转弯半径和障碍物分布，生成一条无碰撞的泊车路径。路径通常由多段圆弧和直线组成，每段路径对应一个转向角指令和车速指令。控制模块按20ms周期执行路径跟踪，实时修正转向角和车速。
5. 泊车完成与退出（APA_PARKING → APA_FINISHED）：当车辆到达目标位姿且满足精度要求时，系统自动切换至P挡并拉起电子手刹。HMI显示泊车完成，系统释放控制权，驾驶员接管车辆。

在状态机设计中，还需要考虑异常处理路径：当系统检测到障碍物突然出现、车位识别丢失、控制偏差过大或驾驶员干预（如转动方向盘、踩刹车）时，系统应立即暂停或退出泊车流程，并给出明确的提示信息。这些异常路径在仿真测试中尤为重要，需要设计专门的故障注入用例进行验证。

2.4 典型应用场景与仿真映射

自动泊车的典型应用场景可以从车位类型、环境复杂度和驾驶员需求三个维度进行分类。在仿真课程中，我们将这些场景转化为可量化、可复现的测试用例，用于验证算法在不同条件下的鲁棒性。

在仿真环境中，场景的构建需要遵循“参数化+随机化”的原则。参数化是指将车位尺寸、邻车位置、通道宽度、光照条件等作为可配置变量；随机化是指在固定参数基础上叠加传感器噪声、车辆模型误差和路面摩擦系数变化等随机因素。通过这种方式，可以在有限的仿真时间内覆盖尽可能多的真实工况。

2.5 案例拆解：垂直车位泊车全流程仿真

下面通过一个垂直车位泊车的完整案例，展示自动泊车系统从激活到完成的工程实现过程，以及仿真测试中的关键分析点。

场景设定：某测试车辆（车长4.7m，车宽1.85m，轴距2.8m，最小转弯半径5.5m）在标准停车场进行垂直倒库。目标车位宽度2.5m，左侧有车辆（间距0.4m），右侧有立柱（间距0.6m），通道宽度6.0m。环境光照正常，地面为干燥沥青。初始车速10km/h，系统在距车位约8m处检测到目标车位。

关键输入数据：超声波雷达探测到左侧车辆边缘距离为1.2m，右侧立柱距离为1.5m，车位入口宽度检测值为2.6m（含0.1m测量误差）。环视摄像头识别到车位线角度为88°（理想90°），车位深度检测值为5.2m。轮速传感器累计行驶距离为12.3m，转向角传感器初始值为0°。

分析判断过程：系统首先对车位数据进行融合处理。超声波检测的车位宽度2.6m满足最小宽度要求（车宽+0.6m=2.45m），但考虑到测量误差，系统将置信度设为0.85（阈值0.8），判定为可用车位。路径规划模块以车辆当前后轴中心为起点，目标车位中心为终点，采用混合A*算法生成路径。由于车位宽度仅比最小要求宽0.15m，系统选择“两段式”泊车策略：先向右打满转向前进至起始点，再向左打满转向倒车入库。

实际操作步骤：系统在仿真中执行以下控制序列：

步骤1: 车辆保持直行，车速降至5km/h，系统激活APA
步骤2: 检测到车位，HMI显示目标车位，驾驶员确认
步骤3: 车辆前进至泊车起点（距车位横向距离1.2m，纵向距离0.5m）
步骤4: 转向角指令: -540°（右满），车速: 3km/h，前进1.8m
步骤5: 转向角指令: +540°（左满），车速: 2.5km/h，倒车4.2m
步骤6: 转向角指令: 0°，车速: 1.5km/h，倒车0.8m进行微调
步骤7: 到达目标位姿，切换P挡，拉起电子手刹，泊车完成

结果对比：仿真执行后，车辆最终位姿为：横向偏差6cm（要求≤10cm），纵向偏差9cm（要求≤15cm），航向角偏差0.8°（要求≤1°）。单次泊车总耗时28s（要求≤60s），全程无碰撞。与实车测试数据对比，仿真结果与实车偏差在5%以内，验证了仿真模型的有效性。

风险与代价分析：该场景中最大的风险是车位宽度余量不足。如果超声波雷达测量误差增大至0.2m，车位宽度检测值将降至2.4m，低于最小要求，系统会判定为不可用车位。在仿真中，我们通过蒙特卡洛方法（500次随机试验）验证了该场景的鲁棒性：当测量误差标准差为0.05m时，泊车成功率为96%；当标准差增大至0.1m时，成功率降至82%。这说明传感器精度对系统性能有显著影响，在后续章节的传感器仿真建模中需要重点关注。

2.6 常见误区与工程复盘

在自动泊车系统的开发与仿真测试中，初学者和工程团队常犯以下几类错误，需要特别注意规避：

• 误区一：将车位检测等同于目标检测。车位检测不仅要识别车位线或空位，还需要输出车位的精确几何参数（入口位置、宽度、深度、角度）和置信度。仅输出“有车位/无车位”的二元结果无法满足路径规划的需求。在仿真中，车位检测模块的输出应包含完整的车位参数向量。
• 误区二：忽略车辆运动学约束。自动泊车路径规划必须满足车辆的非完整约束（即车辆不能横向移动），同时考虑最大转向角限制和转向角变化率限制。有些学员在仿真中直接使用几何路径（如圆弧+直线）而不检查曲率连续性，导致控制模块无法跟踪。
• 误区三：传感器模型过于理想化。真实超声波雷达存在波束宽度、多径反射和串扰问题，摄像头存在畸变、曝光不均和运动模糊。仿真中如果使用理想传感器模型，算法在实车上的表现会大打折扣。建议在仿真中至少加入高斯噪声、延迟和有限视场角三个非理想因素。
• 误区四：忽视控制执行延迟。从规划模块输出指令到执行器实际响应，存在约50~100ms的延迟。在高速泊车（>5km/h）时，这个延迟会导致明显的跟踪误差。仿真中应加入一阶惯性环节模拟执行器动态特性。
• 误区五：测试场景覆盖不足。仅测试标准车位和理想环境是不够的。必须覆盖车位线磨损、光照变化、邻车停放不齐、地面有积水或落叶等边缘场景。建议建立场景库，至少包含100个标准化测试场景和500个随机化测试场景。