1. 课程导入

自动泊车（Automated Parking Assist, APA）作为智能驾驶从L2级辅助迈向L3级有条件自动驾驶的关键落地场景，近年来在量产车型中的渗透率快速攀升。从最初仅依赖超声波雷达的“半自动泊车”，到如今融合环视摄像头、毫米波雷达与高精定位的“记忆泊车”与“代客泊车”，其技术内核始终围绕两大核心问题展开：路径规划——如何在有限空间内生成一条无碰撞、可执行、满足车辆运动学约束的平滑轨迹；轨迹跟踪——如何设计控制器使车辆精确、稳定地跟随该轨迹，同时兼顾乘坐舒适性与执行器极限。本章作为全课程的开篇，将系统梳理自动泊车系统的技术架构、产业现状，并明确本课程的学习目标与进阶路径，为后续章节的算法推导与工程实践奠定认知基础。

1.1 自动泊车系统的技术内涵与系统架构

自动泊车系统本质上是一个低速、高精度、强约束的自动驾驶子系统。其工作场景通常限定在停车场、小区道路或路边车位，车速一般不超过10 km/h，但环境复杂度极高——车位空间狭小、障碍物密集、行人/车辆动态干扰频繁、GPS信号弱甚至缺失。这使得自动泊车既不能简单套用高速领航驾驶的算法框架，也不能仅依赖单一传感器完成感知-决策-控制闭环。

从功能逻辑上看，自动泊车系统可划分为三个层次：感知层负责车位检测、障碍物识别与车辆定位；决策规划层负责车位选择、路径搜索与轨迹生成；控制执行层负责轨迹跟踪、速度调节与挡位/转向执行。三者之间通过实时数据总线（如CAN FD、车载以太网）进行高频交互，形成闭环控制回路。值得注意的是，路径规划与轨迹跟踪并非完全解耦——规划输出的轨迹必须考虑控制器的跟踪能力（如最小转弯半径、最大转向速率），而跟踪控制器也需要对规划轨迹的曲率不连续性进行平滑处理。这种耦合关系是自动泊车系统设计中最容易被忽视的难点之一。

核心原理：从“感知-规划-控制”到“规划-跟踪”闭环

在自动泊车系统中，路径规划的目标是生成一条从当前车辆位姿到目标车位位姿的几何路径，该路径必须满足：

• 无碰撞约束：车辆轮廓（含外后视镜）与所有障碍物保持安全距离（通常≥10cm）；
• 运动学可行：路径曲率不超过车辆最小转弯半径对应的极限曲率，且曲率变化率受转向执行器速率限制；
• 终点位姿精确：路径终点必须与目标车位位姿对齐，允许误差通常为±5cm和±2°以内；
• 可跟踪性：路径的曲率变化应平滑，避免出现高频抖动导致跟踪控制器失稳。

轨迹跟踪则是在路径基础上附加时间信息（速度规划），并设计控制器使车辆实际位姿与参考轨迹的误差收敛。常用的跟踪控制方法包括纯跟踪（Pure Pursuit）、前馈-反馈控制、线性二次型调节器（LQR）以及模型预测控制（MPC）。其中，MPC因其能够显式处理约束（如转向角限幅、加速度限幅）而成为自动泊车跟踪控制的主流选择，但其计算复杂度较高，需要嵌入式平台优化。

判断方法：如何评估一个自动泊车系统的性能

在实际工程中，评估自动泊车系统性能通常从以下四个维度展开：

评估维度	关键指标	典型阈值/范围	测试方法
泊车成功率	一次入库成功率 / 总尝试次数	≥95%（标准车位）	实车重复测试（≥100次）
精度	终点横向偏差 / 航向角偏差	≤5cm / ≤2°	高精定位真值对比
时间效率	平均泊车时长（含揉库）	≤30s（垂直车位）	计时统计
舒适性	最大加速度 / 最大冲击度（Jerk）	≤2m/s² / ≤1m/s³	IMU数据采集分析

需要特别指出的是，泊车成功率与舒适性往往存在矛盾——追求极致的成功率可能导致频繁的急停急转，而过度追求舒适性则可能降低在狭窄车位中的通过性。优秀的系统设计需要在两者之间寻找平衡点，这通常通过调整规划器中的约束权重和控制器中的增益参数来实现。

案例拆解：典型垂直车位泊车场景的完整链路

以一个典型的垂直车位（宽2.5m，长5.3m）泊车场景为例，车辆从车位旁通道（宽5.5m）以约5km/h速度行驶，驾驶员激活自动泊车功能后，系统执行以下步骤：

1. 车位搜索：车辆以≤30km/h巡航，超声波雷达探测侧向空间，环视摄像头识别车位线。当检测到有效车位（宽度≥2.4m，深度≥4.8m）时，系统提示“车位已找到”；
2. 初始位姿调整：车辆继续前行至“起始点”——该位置需保证车辆与车位中心线横向距离在1.2m~1.8m之间，且车辆航向与车位线夹角≤10°。若起始点不满足条件，系统会提示驾驶员前进/后退调整；
3. 路径规划：规划器基于当前位姿与目标位姿，采用Hybrid A*算法搜索无碰撞路径。由于垂直车位通常需要至少一次“揉库”（前进-后退-再前进），规划器会生成多段圆弧与直线组合的路径，并优化揉库次数最少、路径最短的目标函数；
4. 轨迹跟踪：控制器按规划轨迹执行，转向系统以最大±470°方向盘转角（约±35°前轮转角）工作。跟踪过程中，系统实时监测车辆位姿误差，若横向误差超过15cm，则触发“重规划”机制——重新搜索路径而非强行修正；
5. 泊车完成：当车辆到达目标位姿（误差≤5cm/2°）后，系统自动挂入P挡，并释放制动，完成泊车。

在上述过程中，路径规划与轨迹跟踪的耦合体现在：规划器输出的路径中，揉库段的曲率通常接近车辆极限（约0.15 rad/m），此时跟踪控制器必须提前进行转向预瞄（前馈控制），否则在曲率突变点会产生明显的跟踪滞后。这也是本课程后续章节将重点讲解“曲率平滑”与“前馈补偿”的原因。

1.2 自动泊车技术发展现状与产业趋势

自动泊车技术经历了从“超声波辅助”到“多传感器融合”再到“记忆泊车/代客泊车”的三代演进。第一代系统（2010-2015年）仅依赖12颗超声波雷达，能够实现半自动泊车——驾驶员控制油门/刹车，系统控制转向。第二代系统（2015-2020年）引入环视摄像头，实现了车位线识别与全自动泊车（含油门/刹车/挡位控制）。第三代系统（2020年至今）融合超声波、摄像头、毫米波雷达与高精地图，支持“记忆泊车”——车辆学习用户常用停车位后，可从停车场入口自动行驶至车位并完成泊车。

从产业格局看，自动泊车已成为智能驾驶量产落地的“必争之地”。国内头部车企（如小鹏、华为、比亚迪）已将自动泊车作为智能驾驶辅助系统的核心卖点，部分车型甚至实现了“代客泊车”（AVP）——驾驶员在停车场门口下车，车辆自主寻找车位并泊入。然而，技术快速迭代的背后仍存在诸多挑战：

• 极端场景鲁棒性不足：夜间逆光、雨雪天气、车位线磨损、非标准车位（斜列式、窄车位）等场景下，感知与规划算法的性能显著下降；
• 规划实时性与最优性矛盾：Hybrid A*等搜索算法在复杂环境中计算耗时可能超过500ms，难以满足实时性要求；而快速启发式方法又可能陷入局部最优；
• 跟踪控制精度受限：车辆低速时的转向系统非线性（干摩擦、液压助力特性）以及轮胎非线性，导致基于线性模型的控制器在极限工况下精度不足；
• 功能安全与冗余设计：自动泊车涉及转向、制动、驱动等关键执行器，需要满足ISO 26262功能安全标准，系统失效概率必须低于10^-7/h。

核心原理：为什么低速场景反而更难控制

一个反直觉的事实是：自动泊车虽然车速低，但控制难度并不低于高速场景。原因在于：

1. 非线性效应显著：低速时轮胎侧偏特性进入非线性区，线性二自由度模型误差增大；
2. 执行器延迟占比高：转向系统响应延迟约100-200ms，在高速时该延迟对应的行驶距离较大，但在低速时延迟对应的角度误差反而更明显；
3. 位姿误差不可忽略：泊车终点精度要求极高（厘米级），而低速下的轮速传感器分辨率有限，航位推算误差随时间累积；
4. 频繁换挡与揉库：多段路径中的前进/后退切换，对控制器的切换稳定性提出额外要求。

因此，自动泊车控制器的设计不能简单套用高速车道保持的PID参数，而需要针对低速特性进行专门建模与调参。本课程在控制篇将重点讲解“低速轮胎模型修正”、“转向延迟补偿”以及“换挡切换控制”等专项技术。

判断方法：如何选择路径规划算法

面对不同的泊车场景，路径规划算法的选择需要权衡计算效率、最优性与实现复杂度。下表对比了三种主流算法的适用性：

算法	适用场景	优点	缺点	典型耗时
Reeds-Shepp曲线	空旷场地、无避障需求	解析解、计算极快	无法处理障碍物	<1ms
Hybrid A*	结构化停车场、有静态障碍	保证运动学可行、可避障	计算较慢、路径非最优	100-500ms
数值优化（MPC/轨迹优化）	复杂动态场景、高精度需求	最优性高、可处理约束	依赖初值、可能不收敛	500ms-2s

在实际工程中，通常采用“混合策略”——先用Hybrid A*快速搜索一条可行路径，再用数值优化方法对路径进行平滑和速度规划。这种“搜索+优化”的级联架构兼顾了实时性与最优性，是当前量产系统的主流方案。

案例拆解：记忆泊车系统的规划-跟踪协同设计

以某头部新势力车型的记忆泊车功能为例，其系统架构体现了规划与跟踪的深度协同。该功能允许用户在固定车位（如自家地库车位）完成一次“学习泊车”后，车辆记录从停车场入口到车位的全局路径。后续使用时，车辆从入口自动行驶至车位并泊入。

在该系统中，路径规划分为两层：全局路径（停车场通道行驶）采用基于高精地图的全局规划，曲率较小（≤0.05 rad/m），跟踪控制器采用LQR+前馈；局部泊车路径（进入车位段）采用Hybrid A*实时规划，曲率较大（可达0.15 rad/m），跟踪控制器切换为MPC，以更好地处理约束。两层规划之间的切换点由车辆与车位的相对距离触发（通常为距车位中心8m处）。

实际测试数据显示，该系统的泊车成功率为96.8%（标准车位），平均泊车时长22.5s，终点横向偏差均值3.2cm，航向偏差均值1.1°。但在一次极端测试中（车位旁有立柱且对向有车辆停放），由于全局路径与局部路径衔接处的曲率不连续，MPC控制器在切换点产生了约12cm的横向超调。工程师通过引入“过渡段”路径平滑（在切换点前后各1m范围内进行曲率线性插值），将超调量降至4cm以内。这一案例充分说明，规划与跟踪的接口设计（而非各自算法本身）往往是系统性能的瓶颈。

1.3 课程目标、知识体系与学习路径

本课程旨在培养学员从理论到工程实践全面掌握自动泊车路径规划与轨迹跟踪的能力。课程共30章，分为四大模块：基础篇（第1-8章）、规划篇（第9-18章）、控制篇（第19-25章）、工程篇（第26-30章）。每一章均包含理论推导、算法伪代码、仿真实验与实车案例分析，确保学员“学得懂、算得出、调得通”。

核心原理：课程知识体系的逻辑主线

整个课程围绕一条主线展开：“如何让一辆车在狭窄空间内安全、精准、舒适地停入车位”。这条主线拆解为以下关键问题：

• 在哪里？——坐标系定义、车辆位姿表示、传感器标定（第2-4章）；
• 怎么走？——路径搜索算法、曲线插值、避障优化（第9-15章）；
• 走多快？——速度规划、时间最优控制（第16-18章）；
• 如何跟？——跟踪控制器设计、鲁棒性分析（第19-24章）；
• 如何用？——系统集成、功能安全、实车调参（第26-30章）。

这种“由静到动、由几何到控制、由算法到工程”的递进逻辑，帮助学员建立系统化的知识框架，而非零散地学习孤立算法。

判断方法：如何评估自身基础并制定学习计划

考虑到学员背景差异，建议在开始课程前进行自我评估：

基础领域	必备知识	推荐复习资源	自测标准
数学基础	线性代数、微积分、数值优化	《矩阵论》《凸优化》	能推导最小二乘解、理解梯度下降
控制理论	PID、状态空间、李雅普诺夫稳定性	《自动控制原理》	能设计LQR控制器并分析稳定性
编程能力	Python/C++、MATLAB/Simulink	《Python科学计算》	能实现矩阵运算与简单仿真
车辆工程	车辆运动学、阿克曼转向	《汽车理论》	能推导自行车模型运动学方程

对于基础薄弱的学员，建议在课程前2周集中补足数学与控制理论短板；对于有经验的工程师，可直接从第9章（规划篇）开始，但建议至少浏览第2-4章以统一坐标系与符号约定。

案例拆解：从课程学习到实际项目落地

以一位学员的典型学习路径为例：该学员具有3年嵌入式软件开发经验，但对路径规划算法了解有限。他按照课程顺序学习，在第1-8周完成基础篇学习，掌握了车辆运动学建模与坐标系变换；第9-16周学习规划篇，在MATLAB中实现了Hybrid A*算法，并在仿真环境中验证了垂直车位泊车路径；第17-24周学习控制篇，将跟踪控制器从PID升级为MPC，并对比了两者在曲率突变场景下的跟踪误差；第25-30周进入工程篇，在实车平台上完成了从算法移植到参数整定的全过程。

最终，该学员在课程结束时独立完成了一个“基于ROS的自动泊车Demo系统”，能够在仿真环境中实现从车位搜索到泊车完成的完整闭环。更重要的是，他掌握了“规划-跟踪耦合调试”的方法论——当泊车失败时，能够快速定位是规划问题（路径不可行）还是跟踪问题（控制器失稳），而非盲目调参。

总结复盘：本章核心要点

本章作为课程导入，建立了自动泊车系统的整体认知框架。核心要点归纳如下：

1. 系统架构：自动泊车是感知-决策-控制闭环，路径规划与轨迹跟踪是决策与控制的核心，两者强耦合；
2. 技术难点：低速非线性、执行器延迟、厘米级精度要求、多段揉库切换，使得自动泊车“低速但不简单”；
3. 产业现状：从超声波辅助到记忆泊车/代客泊车，技术快速迭代，但极端场景鲁棒性仍是量产瓶颈；
4. 学习路径：按“基础→规划→控制→工程”四阶段递进，强调理论与实践结合，注重规划-跟踪接口设计。