3. 车位检测技术概述

自动泊车系统的第一步，也是最关键的一步，是准确感知车辆周围的环境，并识别出可供停车的空间。车位检测技术决定了系统能否在复杂的停车场、狭窄的街道或光线昏暗的地下车库中，快速且安全地找到目标车位。本章将系统梳理车位的基本类型、各类传感器的检测原理，并通过对比分析帮助读者建立传感器选型与融合设计的工程思维。理解这些基础概念，是后续进行仿真环境搭建、算法验证和系统集成的必要前提。

3.1 车位类型与几何特征

车位检测算法的设计首先依赖于对车位几何模型的抽象。根据车辆停放方向与行车道的夹角，车位通常分为平行车位、垂直车位和斜向车位三种基本类型。每种车位的空间尺寸、车辆进出轨迹以及传感器视野覆盖范围均有显著差异，这直接影响检测算法的特征提取策略。

3.1.1 平行车位

平行车位通常设置在道路两侧，车辆停放方向与道路方向一致。其典型尺寸为长度 6.0~6.5 米，宽度 2.2~2.5 米。由于车辆需要侧方位停车，泊车路径通常包含“驶过-倒车-回正-微调”四个阶段。在检测时，系统需要识别前后车辆之间的空隙，并判断空隙长度是否满足最小安全距离（通常要求大于车身长度 1.2 倍）。超声波传感器在此类场景中通过检测侧向障碍物的连续回波，可以拟合出空隙的边界点。

3.1.2 垂直车位

垂直车位多见于大型停车场，车辆停放方向与行车道方向垂直。标准车位尺寸为 2.4 米宽 × 5.3 米长。检测时，系统需要识别车位两侧的车位线或相邻车辆边界。摄像头方案通过图像处理提取车位线的角点与边缘，利用透视变换还原俯视视角下的车位框；超声波方案则通过检测车辆侧面与相邻车辆的距离突变来推断车位入口位置。垂直车位的检测难点在于车辆转向时车身姿态变化大，需要实时更新车位框的坐标。

3.1.3 斜向车位

斜向车位常见于商场或写字楼停车场，与行车道呈 30°~60° 夹角。这种车位对驾驶员的转向操作更友好，但检测算法需要额外估计车位角度。摄像头方案通过霍夫变换检测斜向车位线的直线方程，进而计算车位角度；雷达方案则通过聚类点云的分布方向来估计车位朝向。斜向车位的检测精度要求较高，角度估计误差超过 5° 就可能导致泊车路径规划失败。

3.2 传感器检测原理与工程特性

不同传感器基于不同的物理原理获取环境信息，其数据形式、精度范围、更新频率和鲁棒性各有差异。理解这些底层原理是进行传感器选型和融合算法设计的基础。

3.2.1 超声波传感器：TOF 测距原理

超声波传感器（典型频率 40kHz~48kHz）通过发射声波脉冲并接收障碍物反射的回波，根据声波飞行时间（Time of Flight, TOF）计算距离。其测距公式为：

d = (v_sound × t_tof) / 2

其中 v_sound 约为 340 m/s（空气中，20°C 时），t_tof 为发射到接收的时间间隔。超声波传感器的有效探测距离通常在 0.2m~4.5m 之间，近距离盲区约 0.15m。在自动泊车场景中，超声波传感器通常安装在车辆前后保险杠的侧面和角落，用于检测相邻车辆和障碍物的距离。

3.2.2 摄像头传感器：视觉几何与语义识别

摄像头（单目或双目）通过采集环境图像，利用计算机视觉算法提取车位线、车辆边界、地面标记等语义信息。单目摄像头需要结合已知高度和相机内参进行逆透视变换（IPM），将图像坐标映射到车辆坐标系下的俯视平面。双目摄像头则通过视差计算直接获取深度信息，但计算量更大。在车位检测中，常用的视觉算法包括：边缘检测（Canny）、霍夫变换直线检测、语义分割（如 U-Net 或 DeepLab）以及关键点检测。

摄像头的优势在于能够提供丰富的纹理和颜色信息，可以识别车位线（白色、黄色）以及地面箭头、禁停标志等语义元素。但其性能受光照条件影响显著：夜间无照明、逆光、雨雪天气都会导致检测置信度下降。因此，在仿真课程中需要特别强调光照模型和天气模型的引入。

3.2.3 毫米波雷达：多普勒测距与测速

毫米波雷达（通常为 77GHz 或 24GHz）发射调频连续波（FMCW），通过混频处理得到差频信号，进而计算目标的距离和相对速度。其测距原理基于频率调制：

f_beat = (2 × B × d) / (c × T_sweep)

其中 B 为扫频带宽，T_sweep 为扫频周期，c 为光速。雷达可以同时输出目标的距离、速度、方位角（通过多天线阵列的相位差计算）。在车位检测中，雷达主要利用其点云数据（通常每帧 20~100 个点）进行聚类分析，识别车辆、立柱、墙壁等大型障碍物的边界。雷达对光照不敏感，且能直接测量目标速度，但点云稀疏，难以识别车位线等精细特征。

3.2.4 激光雷达：高精度点云

激光雷达（LiDAR）通过发射激光束并测量反射时间，生成高密度三维点云（每帧可达数万点）。其测距精度可达 ±2cm，角分辨率高，能够精确重建车位周围环境的几何轮廓。在自动泊车中，激光雷达通常用于构建局部占据栅格地图（Occupancy Grid Map），为路径规划提供精确的障碍物边界。然而，激光雷达成本较高，且在雨雾天气中性能衰减明显。在仿真课程中，激光雷达模型需要模拟不同反射率表面的点云强度差异。

3.3 传感器对比与选型策略

在实际工程中，没有任何单一传感器能够完美满足所有泊车场景的需求。传感器选型需要综合考虑成本、性能、安装位置和功能安全等级。以下从几个关键维度进行对比分析。

3.3.1 感知维度对比

超声波传感器提供的是稀疏的一维距离信息，适合近距离（<3m）的障碍物检测；摄像头提供的是稠密的二维语义信息，适合车位线识别和车位类型分类；毫米波雷达提供的是中距离的稀疏点云，适合动态障碍物跟踪；激光雷达提供的是高精度的三维几何信息，适合构建精确的局部地图。在感知维度上，摄像头与激光雷达的信息互补性最强，而超声波与毫米波雷达在距离测量上互补。

3.3.2 环境鲁棒性对比

在夜间、逆光、雨雪、雾霾等恶劣条件下，摄像头的性能下降最为明显。超声波受温度影响（声速随温度变化约 0.6m/s/°C），但整体影响较小。毫米波雷达对雨雾的穿透能力最强，几乎不受天气影响。激光雷达在雨雪中会因水滴和雪花反射产生噪声点，但通过滤波算法可以部分消除。在仿真课程中，需要为每种传感器配置独立的噪声模型和环境衰减因子。

3.3.3 成本与算力对比

超声波传感器单价最低（约 10~30 元/个），信号处理简单，适合大规模量产；摄像头模组成本适中（约 100~300 元），但需要较强的算力运行视觉算法（通常需要 GPU 或专用 NPU）；毫米波雷达单价较高（约 300~800 元），但数据处理相对简单；激光雷达成本最高（数千至数万元），且点云处理需要较高的计算资源。在工程选型中，通常采用“超声波 + 摄像头”的组合方案作为主流配置，高端车型会增加毫米波雷达或激光雷达。

3.4 案例拆解：超声波与摄像头融合检测垂直车位

为了更直观地理解传感器在实际车位检测中的应用，下面以一个典型的垂直车位检测场景为例，展示超声波与摄像头融合的完整流程。

3.4.1 场景背景与初始条件

某地下停车场，光照条件良好，车位线为白色标线，宽度 2.4m，两侧各停放一辆 SUV。测试车辆以 5km/h 的速度沿行车道行驶，目标是在经过该空车位时完成检测并输出车位框坐标。车辆搭载 4 颗侧向超声波传感器（安装于前后保险杠两侧）和 1 颗后视摄像头（视场角 120°）。

3.4.2 检测流程与关键参数

1. 超声波粗定位：车辆行驶过程中，侧向超声波传感器以 25Hz 频率发射脉冲。当车辆经过空车位时，传感器检测到“距离突变”模式——从近距离（约 0.5m，相邻车辆）跳变到远距离（约 2.5m，空车位内部），再跳变回近距离。系统记录突变点的里程计位置，初步估计车位入口宽度。
2. 摄像头精识别：当超声波检测到疑似车位入口时，触发摄像头抓拍当前帧图像。视觉算法通过逆透视变换将图像转换为俯视图，然后使用霍夫变换检测车位线。检测到的两条平行线之间的距离即为车位宽度，线段的端点即为车位角点。
3. 数据融合与置信度评估：将超声波估计的车位入口位置与摄像头检测的车位角点进行坐标对齐。如果两者偏差小于 0.3m，则融合结果有效；否则，以摄像头结果为准，并降低置信度。最终输出车位框的四个角点坐标（在车辆坐标系下）。

3.4.3 结果与复盘

在 50 次重复测试中，融合方案的成功检测率为 98%，而单独使用超声波的成功率为 82%（主要失败原因是相邻车辆间距过大导致距离突变不明显），单独使用摄像头的成功率为 90%（主要失败原因是车位线磨损或反光）。融合方案将误检率从单传感器的 8%~12% 降低到 2% 以下。

3.5 常见误区与总结复盘

在车位检测技术的教学和工程实践中，初学者常陷入以下误区，需要特别警惕。

• 误区一：认为超声波可以检测所有障碍物。实际上，超声波对细杆、锥桶、铁丝网等小截面或吸音物体检测能力极弱，容易漏检。在仿真中应加入不同反射率物体的回波衰减模型。
• 误区二：忽略摄像头的标定误差。摄像头的外参标定（安装位置和角度）误差超过 1° 就会导致 10m 处约 17cm 的投影偏差，直接影响车位框的定位精度。仿真课程中应包含标定误差注入模块。
• 误区三：雷达点云直接用于车位线检测。毫米波雷达点云稀疏且缺乏语义信息，无法直接识别车位线。雷达更适合检测车辆和立柱等大型障碍物，车位线识别仍需依赖视觉。
• 误区四：传感器越多越好。过多的传感器会增加系统复杂度、功耗和故障率。合理的做法是根据泊车场景的复杂度选择最小传感器集合，并通过融合算法提升可靠性。