本文經自動駕駛之心公眾號授權轉載，轉載請聯系出處。

寫在前面

自動泊車系統是指在沒有人工干預的情況下，車輛本身可以自主的實現停車位的尋找并完成準確的泊車，同時該系統也可以根據用戶的需求準確移動到用戶指定的位置上。如果自動泊車技術成熟后，可以極大緩解人們在泊車過程中的諸多不便，比如：長時間搜尋停車位置浪費時間、在尋找停車位的過程中易出現事故（車輛碰撞、摩擦）等問題。

所以目前很多技術公司和高校的實驗室都正在探索這個領域，比如，奔馳和博世等公司已經為自動泊車系統建立了泊車基礎設施、NVIDIA正在開發一種在停車場的自動駕駛算法以及關于停車位的檢測方法、寶馬公司也準備將自動泊車模塊安裝在其生產的汽車上。

考慮到自動泊車技術在工業界的廣泛需求，我們對自動泊車系統的發展狀態進行系統性的調研。包括自動泊車系統的行業標準趨勢、性能評測指標、自動泊車系統各個子模塊設計到的技術等。

目前自動泊車行業的標準趨勢

由于目前自動泊車系統受到了來自工業界和學術界的廣泛關注，各個國家和公司都在不斷的開發自動泊車技術。所以對于制定自動泊車技術的標準就變的格外重要。目前已經制定的技術標準包括地理信息、室外定位、室內空間定位、停車標準以及車輛通信標準幾個方面的內容，具體標準匯總在如下的表格中。

自動泊車行業的相關標準

• 地理信息和定位標準為室外空間的命名、定義和格式建立了原則和依據，此類標準包括 ISO 14825、ISO 17572 和 ISO TC204 177438等。
• 室內空間定位的標準化也在制定當中，包括ISO TC211以及OGC標準。
• ISO/DIS 16787 APS停車標準提出了停車所需要的信息類型，并定義了控制車輛的技術名稱。此外，該標準還定義了實施輔助停車系統所需要的功能以及執行車輛的轉向控制功能。

自動泊車系統的評測標準

目前自動泊車系統的評測包括兩部分，分別是自動駕駛部分的評測以及自動泊車部分的評測。

自動駕駛部分的評測標準

自動駕駛部分的評測遵循汽車工程協會制定的“自動駕駛技術階段”。該階段目前被劃分為六個層級。其中六個層級的劃分是基于技術水平、控制主體以及驅動能力進行分類的。目前正在研發的ISO/WD 34501和ISO/WD 34502標準就用于去更加方便的評估各個層級。ISO/WD 34501標準適用于第三級系統中測試場景的術語和定義，ISO/WD 34502標準定義了測試場景的指南和安全評估過程。

自動泊車部分的評測標準

雖然自動泊車技術目前受到了非常廣泛的關注，但是對于評估自動駕駛停車區域的國際標準的制定卻剛剛開始。所以與自動駕駛中的評測標準不同，針對自動泊車的技術水平是根據開發人員的評估標準來衡量的。

下表展示了交通狀況場景系統中自主停車場景的樣例，該停車場景就是根據性能級別進行劃分的。

自動泊車級別劃分

在交通狀況場景系統評估包括自動駕駛和停車兩部分場景，并且使用汽車工程協會定義的“自動駕駛技術階段“來指出自動泊車的能力。目前該系統當中包含三個層級。

• 第二級別（Lv2）：稱為泊車輔助系統用于幫助人們更方便的泊車。在Lv2級別中，通常車輛會配有障礙物距離預警系統以及后視相機。
• 第三級別（Lv3）：Lv3級別可以實現指定場景下的自動泊車。比如在車庫中停車的這一類簡單的泊車場景。
• 第四級別（Lv4）：Lv4級別中可以執行Lv3級別中的所有場景。除此之外，當車輛遇到障礙物的時候，車輛可以在停止或者避開障礙物后返回目的地。

自動泊車系統詳解

目前自動泊車系統當中主要包括三部分的內容，如下圖所示，分別是搜索駕駛過程，自動泊車過程以及返回駕駛過程。我們先對每個過程做一個大致的介紹，然后再介紹每個過程目前各自的發展趨勢。

自動泊車系統的工作流程

搜索駕駛過程

搜索駕駛過程的最終目標就是在停車場當中汽車可以自主的找到一個停車位，所以該過程需要用到定位、防撞以及停車位檢測技術。

定位技術介紹

在自動泊車系統當中，可以使用GPS或者車輛自帶的IMU傳感器來確認車輛的速度和姿態并且糾正車輛的位置估計誤差。但是在某些室內場景，是無法接收到GPS信號的。所以自動駕駛車輛就需要配備相機、激光雷達以及毫米波雷達進行輔助。下圖是車輛上配備的一些傳感器信息的介紹。

自動泊車車輛配備的傳感器信息的介紹

• 激光雷達傳感器使用激光來檢測物體。現在主要流行的激光雷達主要分為16、32、64和128線的激光雷達。其測量范圍約為200米，垂直視場為30到50度。
• 相機傳感器則可以大致分成單目、雙目以及魚眼類型。通常自動駕駛車輛配備的相機其水平視場為90到210度，垂直視場為90到180度。
• 毫米波雷達根據距離可以劃分成短程雷達和長距雷達。其中，短程雷達的范圍大約到5米，水平視場為5到20度，垂直視場為10到35度。長距雷達的范圍大約可以到200米，水平和垂直視場為35到80度。

再獲得了這些不同傳感器采集到的信息之后，就可以利用SLAM建圖技術對自動駕駛車輛周圍的環境進行重建，從而實現對車輛的定位。而SLAM建圖技術又可以分成以下兩大類

• 直接建圖法：跟蹤傳感器移動時變化的數據的強度來估計傳感器的姿態。但由于該類方法容易受到光照變化的影響，不能實現重定位，導致目前的建圖方法很少基于此類方法。
• 基于特征的建圖法：該類方法首先從傳感器信息中獲得周圍物體的特征點。從同一對象接收到的特征點投影到兩個不同的傳感器坐標，通過計算投影點的幾何關系來估計目標的位置。

防碰撞技術介紹

由于自動泊車系統的主要應用場景是在停車場，而停車場中會停有很多車輛，所以防碰撞技術非常重要。在防碰撞技術中，主要會使用超聲波傳感器、短波雷達傳感器、激光雷達傳感器以及相機傳感器。聲波以及雷達傳感器主要是用來實現準確的測距。相機傳感器主要是利用同一物體在連續圖像中位置的差異來估計深度上的距離。

停車位檢測技術

停車位檢測是在搜索駕駛的過程中不斷執行的，通常會包括傳統的計算機視覺、深度學習以及兩種方法的混合實現。

傳統的計算機視覺主要是指定和識別停車位的形狀，如車位線檢測以及特征點檢測，如下圖所示。

車位形狀的例子說明

得益于深度學習的快速發展，目前基于CNN網絡的方法被廣泛應用于停車位檢測當中。下圖表示了用于停車位檢測的代表性卷積神經網絡結構。卷積層學習輸入圖像的特征，特征數據通過全連接層得到輸出。由于這是一個完全監督的學習過程，輸出由訓練數據中的標記來直接決定。

基于卷積神經網絡的停車位檢測流程

自動泊車過程

如果上一步的搜索駕駛過程找到了可用的停車位后，系統就會調用自動泊車過程。一般來說，我們會使用路徑生成方法實現自主泊車過程。目前主流的路徑生成方法主要有基于算法的方法以及基于強化學習的方法。

基于算法的方法涉及計算停車位的位置和形狀的路徑以及車輛的當前位置。算法為了計算出合適的停車路徑會涉及最優控制問題、基于網格的路徑規劃方法以及快速探索隨機樹等算法。

基于強化學習的方法可以為自動泊車模擬器中的自主停車過程生成最優路徑。在自動泊車模擬器中，車輛會學習一個通用的停車過程。該學習方法通過重復路徑的生成過程和評估來不斷獲得停車精度最高的最優路徑，如下圖所示。

自動泊車的反向停車過程

返回駕駛過程

返回駕駛過程是指在自動駕駛車輛駛入停車位進行等待的時候，用戶可以對車輛進行調用，使其移動到用戶指定好的地方。在這個過程當中，我們需要使用到路徑跟蹤技術。

目前而言，路徑跟蹤技術包括跟蹤行進路徑的方法以及跟蹤修改路徑的方法。但是這兩種方法都使用了類似的車輛控制算法，具體可以參考論文【1-2】。其大體思路就是在考慮車輛當前位置和轉向角條件的情況下，執行沿著生成路徑移動車輛的控制命令。

結論

由于目前自動泊車技術的需求逐漸增加，各個國家和廠商都在大力發展自動泊車系統。考慮到自動泊車技術的快速發展，在這篇文章中，我們總結了自動泊車系統當中的標準化趨勢、評測標準以及自動泊車各個組成系統的進行詳細的介紹，希望可以給大家帶來幫助～

原文鏈接：https://mp.weixin.qq.com/s/UPwW0E8LTX5V79GK12HF_Q