📚 课程目录第3章环境感知与车位检测

3. 环境感知与车位检测

自动泊车系统的第一步，也是最关键的一步，是让车辆“看见”周围环境并准确找到可用的车位。本章将深入剖析环境感知层的两大核心传感器——超声波雷达与视觉传感器（摄像头/鱼眼相机），并详细讲解车位线识别算法与车位类型分类逻辑。理解这一章的内容，是后续路径规划与轨迹跟踪控制的基础，因为所有规划与控制的输入都源于感知层的输出结果。

3.1 超声波雷达：近距离感知的基石

核心原理

超声波雷达通过发射40kHz左右的机械波脉冲，并接收经障碍物反射的回波，利用飞行时间法（Time of Flight, ToF）计算传感器到目标的距离。在自动泊车场景中，通常采用12颗超声波传感器，其中前保险杠6颗、后保险杠6颗，形成对车辆前后方及侧方的近距覆盖。其核心优势在于对近距离（0.15m~4.5m）障碍物的测距精度高、响应速度快、成本低廉，且不受光照条件影响，是泊车场景中不可或缺的感知手段。

信号处理与数据输出

超声波雷达的原始输出为模拟回波信号，经过放大、阈值比较和数字化后，得到每个传感器的距离值。在实际工程中，需要重点关注以下处理环节：

温度补偿：声速随温度变化约为0.6m/s/℃，需通过温度传感器进行实时补偿，否则在极端温度下会产生显著误差。
串扰抑制：多颗传感器同时工作时，相邻传感器可能接收到彼此的反射波，需采用编码脉冲或时分复用机制。
近距盲区处理：传感器起振期间无法接收回波，导致存在约0.15m的盲区，需通过多传感器交叉覆盖来弥补。

工程经验：在泊车路径规划中，超声波数据通常以“点云”形式输出，每个点包含距离和角度信息。建议对连续帧数据进行滑动窗口滤波，以消除单帧噪声，同时保留快速变化的障碍物特征。

案例拆解：超声波检测垂直车位

以典型的垂直车位泊入场景为例，车辆以约10km/h的速度沿车位方向行驶。当车辆经过空车位时，侧向超声波传感器会检测到“有障碍物→无障碍物→有障碍物”的距离变化模式。系统通过分析该模式，可以估算出空车位的宽度和深度。具体流程如下：

车辆行驶过程中，侧向传感器以20Hz频率采集距离数据。
当检测到距离从小于0.5m跳变到大于1.5m时，标记为车位起始边界。
持续监测距离值，当距离再次从大于1.5m跳变到小于0.5m时，标记为车位终止边界。
计算车位宽度 = 终止边界位置 - 起始边界位置，若宽度大于2.3m，则判定为可用垂直车位。

风险提示：超声波对细长物体（如栏杆、立柱）的反射信号较弱，容易漏检。在融合视觉信息时，应优先信任视觉检测到的细长障碍物，超声波数据作为辅助确认。

3.2 鱼眼相机与视觉感知

核心原理

鱼眼相机通过超广角镜头（FOV ≥ 190°）获取车辆周围的全景图像。与普通摄像头相比，鱼眼镜头引入了严重的桶形畸变，因此必须进行畸变校正才能用于车位线识别。典型的自动泊车系统采用4颗鱼眼相机，分别安装在车辆前后保险杠中央和左右后视镜下方，通过图像拼接形成360°环视鸟瞰图（Bird's Eye View, BEV）。

车位线识别算法流程

车位线识别是视觉感知的核心任务，其典型处理流程如下：

步骤	算法/方法	输入	输出	典型耗时
① 畸变校正	相机标定 + 重映射	原始鱼眼图像	校正后图像	2ms
② 透视变换	逆透视映射（IPM）	校正后图像	鸟瞰图	3ms
③ 语义分割	轻量级CNN（如UNet）	鸟瞰图	车位线掩码	15ms
④ 线特征提取	霍夫变换 / LSD	车位线掩码	线段集合	5ms
⑤ 车位拟合	矩形拟合 + 几何约束	线段集合	车位角点坐标	3ms

案例拆解：基于语义分割的车位线检测

在某量产车型的泊车系统中，采用轻量级UNet网络对鸟瞰图进行语义分割，将每个像素分类为“车位线”、“路面”、“车辆”、“行人”等类别。训练数据集包含10万张标注图像，覆盖不同光照、天气和地面材质场景。实际运行中，分割网络的mIoU达到0.82，单帧推理时间约15ms（运行在嵌入式GPU上）。

在分割结果基础上，系统通过以下步骤完成车位拟合：

对分割掩码进行形态学闭运算，消除断裂和孔洞。
使用霍夫变换检测直线段，并过滤长度小于0.5m的短线段。
根据车位线的平行和垂直几何关系，将线段分组为候选车位。
对每个候选车位进行矩形拟合，计算角点坐标和车位朝向。

  关键参数：车位线宽度通常为10cm~15cm，在鸟瞰图中对应约8~12个像素。语义分割网络需保证车位线边缘的像素级精度，否则会导致角点定位误差超过5cm，进而影响后续路径规划的精度。

3.3 车位类型分类与决策逻辑

核心原理

车位类型分类是感知层与规划层之间的桥梁。系统需要根据车位线的几何特征和超声波的空间检测结果，将车位分为垂直车位、平行车位和斜列车位三类，并输出车位的精确坐标、朝向和尺寸。分类的准确性直接影响后续路径规划策略的选择。

分类判断方法

车位类型的判断主要依据车位线与车辆行驶方向的夹角θ：

垂直车位：θ ∈ [80°, 100°]，车位宽度通常为2.3m~2.8m，深度为4.8m~5.5m。
平行车位：θ ∈ [-10°, 10°]，车位宽度通常为2.0m~2.5m，长度为5.5m~6.5m。
斜列车位：θ ∈ [30°, 60°] 或 [-60°, -30°]，车位宽度和深度介于垂直与平行之间。

在实际系统中，分类决策通常采用以下逻辑：

if (车位线检测置信度 > 0.7) {
    // 视觉主导分类
    angle = 计算车位线与车辆航向夹角();
    if (angle > 75° && angle < 105°) 类型 = 垂直车位;
    else if (angle > -15° && angle < 15°) 类型 = 平行车位;
    else if (angle > 30° && angle < 60°) 类型 = 斜列车位;
    else 类型 = 未知;
} else {
    // 超声波空间检测主导
    width = 超声波检测车位宽度();
    depth = 超声波检测车位深度();
    if (width > 2.3m && depth > 4.8m) 类型 = 垂直车位;
    else if (width > 2.0m && depth > 5.5m) 类型 = 平行车位;
    else 类型 = 未知;
}

案例拆解：多传感器融合的车位分类

在某复杂地下车库场景中，车位线因磨损而模糊不清，视觉检测置信度仅为0.45。此时系统自动切换至超声波主导模式。超声波检测到目标车位宽度为2.4m，深度为5.0m，结合车辆航向与车位入口的几何关系，判定为垂直车位。随后，视觉系统在车辆靠近过程中持续尝试重新检测车位线，当置信度提升至0.75时，系统融合视觉角点坐标与超声波距离数据，输出最终车位坐标，定位精度达到±3cm。

常见误区：不要盲目信任单一传感器。视觉在光照不足或车位线模糊时可靠性下降，超声波在检测开放空间（如无侧边障碍物的车位）时可能失效。正确的策略是建立传感器置信度评估机制，动态调整融合权重。

总结复盘

本章内容涵盖了自动泊车环境感知的核心环节。超声波雷达提供了可靠的近距离障碍物信息，鱼眼相机通过语义分割实现了车位线的精确识别，而车位类型分类则综合了视觉与超声波的互补优势。在实际工程中，需要特别注意传感器的标定精度、时间同步和失效处理机制。一个稳健的感知系统，应当能够在任何单一传感器失效的情况下，仍然通过冗余设计完成基本车位检测任务。