4. 泊车场景分类

自动泊车系统的核心挑战在于感知环境的不确定性、车辆运动学的约束以及车位形态的多样性。不同泊车场景对路径规划的曲率连续性、轨迹跟踪的精度以及控制器的鲁棒性提出了截然不同的要求。本章将系统拆解平行泊车、垂直泊车、斜向泊车以及狭窄车位与复杂场景的几何特征、规划难点与工程应对策略，帮助学员建立“场景-算法-标定”的对应思维。

上图展示了四类泊车场景与规划跟踪模块之间的映射关系。平行泊车强调纵向空间利用，垂直泊车侧重横向摆正精度，斜向泊车需要兼顾角度与路径平滑性，而狭窄车位与复杂场景则是上述约束的叠加与极端化。理解这些差异是设计泊车算法的基础。

4.1 平行泊车：纵向空间的艺术

4.1.1 核心原理与几何约束

平行泊车（Parallel Parking）是指车辆沿道路方向驶入两辆已停车辆之间的车位。其核心几何约束是车位长度通常仅为车长的1.5~1.8倍，车辆必须通过多段圆弧与直线组合的路径完成“S”形机动。规划时需重点考虑以下参数：

• 车位最小长度：一般要求 ≥ 1.7×车长，否则无法完成一次倒车入位。
• 起始区域宽度：车辆启动时与路边障碍物的横向距离，通常需 ≥ 0.5m。
• 最小转弯半径：由车辆前轮最大转角决定，典型值为 4.5~6.0m。
• 路径曲率连续性：避免曲率突变导致方向盘急转，影响乘坐舒适性与执行器寿命。

平行泊车的路径规划常采用“圆弧-直线-圆弧”三段式策略，或使用B样条曲线对离散路径点进行平滑。轨迹跟踪阶段，由于车速极低（通常 < 5km/h），非完整约束模型（自行车模型）成为主流选择。

4.1.2 判断方法与操作流程

在实际工程中，判断平行泊车是否可行，需按以下流程进行：

1. 车位检测：利用超声波雷达或环视摄像头识别车位边界线及相邻车辆位置，输出车位长度、宽度及相对角度。
2. 可行性校验：将车位长度与车辆最小转弯半径代入几何模型，计算最小所需车位长度。若实际长度小于理论值，则放弃或降低泊车速度。
3. 路径生成：以车辆后轴中心为参考点，生成满足曲率约束的连续路径。常用方法包括Reeds-Shepp曲线、Dubins曲线或混合A*算法。
4. 跟踪控制：采用纯跟踪（Pure Pursuit）或模型预测控制（MPC）跟踪预定义路径，实时修正横向偏差。

4.1.3 案例拆解：城市道路侧方停车

某量产车型在狭窄城市道路进行平行泊车，车位实测长度为 5.2m，车辆长度为 4.8m，最小转弯半径为 5.0m。初始规划采用三段式圆弧路径，但跟踪过程中发现车辆后保险杠与后方车辆距离仅剩 0.08m，存在刮蹭风险。

分析过程：通过回放传感器数据，发现超声波雷达在车位末端检测到路缘石的回波干扰，导致车位长度被高估 0.3m。此外，车辆实际转向执行器存在 0.5° 的零位偏差，使得实际转弯半径比理论值大 0.2m。

解决措施：

• 在感知层增加多帧融合滤波，剔除路缘石等固定障碍物的干扰。
• 在规划层引入转向执行器延迟补偿模型，将零位偏差作为状态量在线估计。
• 在控制层增加后轴侧向安全距离的硬约束，当预测距离小于 0.1m 时触发紧急制动。

结果对比：优化后，最小安全距离从 0.08m 提升至 0.15m，泊车成功率从 82% 提升至 96%，平均泊车时间缩短 3 秒。

4.1.4 常见误区与总结

• 误区一：认为平行泊车只需考虑车位长度，忽略车位深度（即车辆纵向驶入空间）。实际上，车位深度不足会导致车辆无法完全摆正。
• 误区二：将路径规划与跟踪控制割裂。规划出的路径曲率过大，跟踪控制器无法精确跟随，导致最终位姿偏差。
• 总结：平行泊车的核心在于“空间利用率”与“路径平滑性”的平衡。建议采用分层规划架构：全局规划生成粗略路径，局部规划实时修正。

4.2 垂直泊车：横向摆正的精度挑战

4.2.1 核心原理与几何约束

垂直泊车（Perpendicular Parking）常见于停车场、购物中心，车辆需以接近90°的角度驶入或倒出车位。车位宽度通常为 2.4~2.6m，仅比车宽多 0.6~0.8m，对横向控制精度要求极高。垂直泊车的路径规划通常分为“前进-倒车-修正”三个阶段，其中倒车阶段是核心。

关键几何参数包括：

• 车位宽度：需 ≥ 1.1×车宽 + 两侧安全间隙（各 0.1~0.15m）。
• 通道宽度：车辆驶入车位所需的道路宽度，一般需 ≥ 5.5m。
• 转向起始点：车辆后轴中心与车位中心线的横向偏移量，决定了一次入位的成功率。

4.2.2 判断方法与操作流程

垂直泊车的规划流程与平行泊车类似，但更强调“摆正”阶段的控制精度。具体步骤如下：

1. 车位识别：通过环视摄像头识别车位角点，输出车位四角坐标及朝向角。
2. 路径规划：采用两段圆弧或B样条曲线，使车辆从起始位置平滑过渡到车位中心线。
3. 位姿修正：当车辆进入车位后，若横向偏差 > 0.05m 或航向角偏差 > 2°，则触发原地修正或小幅前进后退调整。
4. 最终停靠：以车位后边界为基准，控制车辆精确停止。

4.2.3 案例拆解：地下车库窄位垂直泊车

某地下车库车位宽度为 2.3m，车辆宽度为 1.9m，两侧间隙仅 0.2m。初始方案采用一次倒车入位，但实际测试中车辆右侧后视镜与相邻车辆距离仅 0.03m，触发碰撞预警。

分析判断：通过分析车辆轨迹，发现路径规划中未考虑后视镜外伸量（约 0.15m），导致实际车辆轮廓大于理论模型。此外，车位地面存在轻微坡度（约 2°），导致车辆在低速时出现溜坡现象。

操作步骤：

• 在车辆轮廓模型中增加后视镜外伸量，并重新生成路径。
• 在控制策略中增加坡道辅助功能，利用驱动扭矩补偿坡度阻力。
• 将一次入位改为“两次调整”策略：第一次倒车至车位中部，若偏差超限则前进修正后再倒车。

结果：优化后，最小侧向间隙从 0.03m 提升至 0.08m，泊车成功率从 68% 提升至 91%。

4.2.4 常见误区与总结

• 误区一：忽略车辆外廓（后视镜、保险杠突出）对车位宽度的实际需求。
• 误区二：认为垂直泊车路径越短越好，导致转向角过大，跟踪误差急剧增加。
• 总结：垂直泊车的核心在于“横向精度”与“路径效率”的权衡。建议采用模型预测控制（MPC），在约束中显式加入车辆轮廓与车位边界的距离限制。

4.3 斜向泊车：角度与路径的折中

4.3.1 核心原理与几何约束

斜向泊车（Angle Parking）常见于路边停车位或大型停车场，车位与通道呈 30°~60° 夹角。相比垂直泊车，斜向泊车对通道宽度要求更低，但路径规划需同时考虑角度对准与纵向距离控制。斜向泊车的优势在于车辆可以更自然地驶入车位，减少转向操作。

关键参数包括：

• 车位角度：通常为 45° 或 60°，角度越大，泊车难度越接近垂直泊车。
• 通道宽度：一般需 ≥ 4.5m，比垂直泊车少 1m 左右。
• 入位方向：前进入位或倒车入位，前者对驾驶员视野要求高，后者对路径规划要求高。

4.3.2 判断方法与操作流程

斜向泊车的规划流程如下：

1. 车位检测：识别车位线角度及相邻车辆位置，输出车位朝向角。
2. 路径生成：采用单段圆弧或直线-圆弧组合，使车辆沿车位角度方向驶入。
3. 角度对准：在进入车位前，将车辆航向角调整至与车位角度一致（误差 < 3°）。
4. 纵向控制：以车位后边界为停止线，控制车辆精确停车。

4.3.3 案例拆解：路边 45° 斜向泊车

某城市道路设置 45° 斜向车位，车位宽度 2.5m，通道宽度 4.8m。车辆采用倒车入位策略，但多次出现车辆右侧轮胎压线的情况。

分析：通过轨迹回放发现，路径规划中假设车位角度为 45°，但实际车位线因路面磨损存在 3° 偏差。此外，车辆在倒车过程中，由于转向系统响应延迟，实际航向角滞后于规划值。

解决：

• 在感知层增加车位角度动态更新机制，利用车辆运动模型对角度进行卡尔曼滤波估计。
• 在控制层增加前馈补偿，根据转向延迟时间提前调整方向盘转角。
• 在规划层增加角度偏差的软约束，允许路径在进入车位前进行微调。

结果：压线率从 15% 降至 2%，泊车平均时间缩短 2 秒。

4.3.4 常见误区与总结

• 误区一：将斜向泊车简化为垂直泊车处理，忽略角度对准的额外约束。
• 误区二：只关注路径规划，忽视车位角度检测的误差传播。
• 总结：斜向泊车的核心在于“角度-位置”耦合控制。建议采用分层控制架构：上层规划路径，下层实时修正航向角。

4.4 狭窄车位与复杂场景：多约束耦合的极限挑战

4.4.1 核心原理与约束分析

狭窄车位与复杂场景是自动泊车系统的“试金石”，通常包含以下一种或多种特征：

• 车位尺寸接近车辆极限：如车位宽度仅比车宽多 0.3m，长度仅比车长多 0.5m。
• 通道宽度受限：如地下车库立柱间通道仅 3.5m，车辆无法一次完成转向。
• 动态障碍物：如行人、非机动车在泊车过程中穿行。
• 非结构化环境：如车位线模糊、地面不平、有坡度或减速带。

此类场景对路径规划提出了“多约束耦合”的挑战：既要满足运动学约束（最小转弯半径、最大转向角速度），又要满足安全约束（与障碍物的最小距离），还要满足舒适性约束（加速度、加加速度限制）。

4.4.2 判断方法与操作流程

针对狭窄车位与复杂场景，推荐采用以下工程流程：

1. 场景评估：利用传感器数据构建局部栅格地图，标注障碍物、车位边界及可行驶区域。
2. 可行性预判：基于车辆运动学模型，计算最小所需车位尺寸与通道宽度。若无法满足，则提示驾驶员手动接管或寻找其他车位。
3. 多段路径规划：采用混合A*算法或RRT*算法，在离散状态空间中搜索可行路径。路径需包含多次前进/后退切换。
4. 轨迹优化：对搜索得到的路径进行平滑处理，使用非线性优化（如OSQP）最小化曲率变化率。
5. 鲁棒跟踪：采用MPC控制器，在预测时域内同时优化跟踪精度与安全距离。

4.4.3 案例拆解：老旧小区极限车位泊车

某老旧小区车位宽度 2.2m，车辆宽度 1.85m，通道宽度 3.8m，且通道一侧有矮墙。车辆需通过“前进-倒车-前进-倒车”四次操作才能入位。

初始现象：系统在第一次倒车时即触发碰撞预警，车辆被迫停止。

分析：通过传感器数据回放，发现矮墙在超声波雷达中产生多径反射，导致障碍物位置被错误估计，实际距离比测量值近 0.2m。此外，车辆在倒车过程中，由于地面有轻微坡度，车速控制不稳定，导致跟踪误差增大。

操作步骤：

• 在感知层增加多传感器融合（超声波+环视摄像头），利用视觉信息修正超声波的多径误差。
• 在规划层增加“安全走廊”约束，将车辆路径限制在障碍物之间的安全区域内。
• 在控制层增加坡度补偿模块，根据坡度角实时调整驱动扭矩。
• 将泊车策略从“一次规划”改为“滚动时域规划”，每完成一次前进/倒车后重新规划剩余路径。

结果对比：优化后，泊车成功率从 45% 提升至 88%，平均泊车时间从 45 秒缩短至 28 秒。但代价是算法复杂度增加，需要更高算力的域控制器支持。

4.4.4 常见误区与总结

• 误区一：认为只要路径规划足够好，就能应对所有狭窄场景。实际上，感知误差和车辆执行器不确定性往往比规划算法更致命。
• 误区二：过度追求一次入位，导致路径曲率过大，跟踪失败。在狭窄场景中，多次小幅调整比一次大幅转向更可靠。
• 总结：狭窄车位与复杂场景的核心在于“鲁棒性”而非“最优性”。建议采用“保守规划+精确跟踪”的策略，在规划阶段预留足够安全裕量，在跟踪阶段追求高精度。

4.5 场景对比与选型建议

场景类型	主要约束	推荐规划算法	推荐跟踪算法	典型安全裕量
平行泊车	车位长度、通道宽度	Reeds-Shepp / B样条	纯跟踪 / Stanley	纵向 0.15m，横向 0.1m
垂直泊车	车位宽度、摆正精度	混合A* / 两段圆弧	MPC / LQR	横向 0.08m，航向角 2°
斜向泊车	车位角度、通道宽度	单段圆弧 / 直线-圆弧	纯跟踪 + 前馈补偿	角度 3°，横向 0.1m
狭窄/复杂场景	多约束耦合、动态障碍物	混合A* + 轨迹优化	MPC + 滚动时域	各方向 0.12~0.2m

在实际工程选型中，需根据车辆传感器配置（超声波数量、摄像头分辨率）、域控制器算力以及目标场景的复杂度进行权衡。例如，对于仅配备超声波雷达的低端车型，建议采用基于几何的规划算法（如Reeds-Shepp），并降低对狭窄场景的支持；而对于配备环视摄像头和高算力域控的车型，可以引入混合A*和MPC，实现全场景覆盖。