自動泊車關鍵技術研究進展綜述

張成濤， 覃立仁， 楊航， 趙浙棟， 譚澤旦

（廣西科技大學 機械與汽車工程學院，廣西，柳州 545616）

2020年，國家發展和改革委員會、工業和信息化部在正式頒發的《智能汽車創新發展戰略》［1］中提出，到2025 年，中國智能汽車的技術創新、產業生態、基礎設施、法規標準、產品監管和網絡安全體系基本形成。同時，實現有條件自動駕駛的智能汽車達到規?；a，實現高度自動駕駛的智能汽車在特定環境下的市場化應用?！吨悄芫W聯汽車技術路線圖2.0》［2］提出，到2035 年，中國方案智能網聯汽車技術和產業體系全面建成，產業生態健全完善，整車智能化水平顯著提升，而自動泊車技術作為智能汽車的重要組成部分，主要由車位探測、路徑規劃和跟蹤控制3 部分組成，泊車時不需要駕駛員的干預，依靠車上安裝的各種傳感器獲取泊車環境信息，自動探測確認車位，然后根據車輛自身狀態和周邊環境信息等規劃一條安全無碰撞的泊車路徑，再根據規劃的路徑進行跟蹤控制，以便安全地將車輛泊入車位。在此期間不需要駕駛員觀察環境、操控方向盤和控制速度，使駕乘的安全性和舒適性顯著提高，以及發生交通事故時車輛受損和人員傷亡的次數大幅降低。正是由于自動泊車可以把駕駛員從枯燥繁瑣的泊車操作中解放出來，提升了駕駛安全性與舒適性，駕駛員對自動泊車的需求愈加強烈，所以自動泊車越來越受到國內外學者的關注。

本文基于大量國內外研究機構和學者發表的研究報告與文獻資料，重點圍繞車位探測、路徑規劃、跟蹤控制等自動泊車關鍵技術的研究進展情況進行梳理，總結分析現有研究的不足，并提出研究展望，旨在為將來開展車輛端自動駕駛技術的研發提供參考。

1 自動泊車系統的應用現狀

自動泊車系統（Autonomous Parking System，APS）最早可追溯到1992 年，大眾在概念車IRVW Futura 上搭載了APS，該概念車可實現全自動泊車功能，駕駛員可以下車觀察泊車情況。該APS需要在車輛行李箱中安裝個人電腦大小的計算機來控制，這套設備成本較高，會使車輛售價提高3 000美元左右，所以沒有量產這套系統。

直到2003 年，豐田在日本版普銳斯的混合動力汽車上提供選裝APS功能，APS才開始實現商用化。3 年后，英國版普銳斯車主可花700 美元左右加裝APS。

隨著自動泊車技術的發展，近幾年來，在乘用車上搭載APS的企業與日俱增，并逐漸由高檔轎車向中檔轎車延伸，十幾萬的緊湊轎車也開始搭載APS。

2020 年，APS 在乘用車市場的裝配率已達12.3%［3］，未來APS 的裝配率將會迅速增長，其市場規模增長空間巨大。目前，裝配了APS的代表廠商與車型見表1。

表1 裝配了APS的代表廠商與車型

2 自動泊車系統的研究現狀

APS 的重要組成部分為車位探測、路徑規劃和跟蹤控制。車位探測準確性是路徑規劃合理性的基礎，路徑規劃合理性是跟蹤控制準確性的基礎，而跟蹤控制準確性是安全泊車的基礎，國內外學者對這幾個方面做了許多研究。

2.1 自動泊車車位探測

車位探測是環境感知的一部分，主要利用安裝在車身周圍的傳感器收集周邊環境，進而分析識別車位。車位探測的方法主要有基于攝像頭的車位探測方法、基于雷達的車位探測方法和基于多傳感器融合的車位探測方法。

2.1.1 基于攝像頭的車位探測方法

基于攝像頭的車位探測方法主要依靠攝像頭獲取車輛周圍環境的圖像，通過識別圖像中的車位線或車位角來確認車位。

隨著數字圖像處理設備性價比的提高和圖像處理技術的快速發展，視覺傳感器在車位識別中越來越受到研究者的重視，許多學者對基于攝像頭的車位探測方法進行了研究。YAMAMOTO 等［4］為了控制成本僅使用單目相機獲得的圖像來識別用于停車控制的周圍環境，但從單目相機獲得的圖像僅能粗略地預測到物體的距離。JUNG 等［5］提出了一種基于單目視覺的停車位標記識別算法，通過改進的點與線段之間的距離來區分識別線段，該算法在停車位標線被嚴重遮擋的情況下仍可以成功識別停車位，但距離僅能粗略估計?；趩文繑z像頭的檢測方法雖然成本低，但只能用于檢測劃線停車位，且能獲取的圖像范圍小，距離檢測精度低。

針對單目攝像頭獲取的圖像范圍太小問題，WU Yan 等［6］從4 個魚眼相機捕獲的4 個校準圖像組成環繞視圖圖像，并用一種VH-HFCN 分割模型對圖像提取停車位信息，該模型被證明能有效地從停車位和車道標記中提取線性特征信息。劉澤［7］用4 個魚眼相機采集車輛四周的環境圖像信息，再進行圖像拼接得到360°全景圖像，對搭建好的深度學習模型進行訓練后完成車位檢測，所以即使在復雜的環境中也能準確的識別車位，平均正確率為89.3%。江紹康［8］通過魚眼相機搭建車載環視系統以獲取車輛周圍環境的圖像信息，為深度學習模型提供訓練圖像樣本，然后識別車位角，再結合直線段檢測（Line Segment Detector，LSD）算法檢測得到完整停車位，試驗結果表明精確率為93.9%，召回率為92.5%。WU Zizhang 等［9］提出了一種高效且通用的停車位檢測方法PSDet，對環視圖像能識別梯形、磚塊和草地等各種場景中的停車位，但光照條件差、模糊和停車線的嚴重遮擋會導致檢測不準確。PARK 等［10］提出了一種使用深度神經網絡的停車位檢測與跟蹤（Parking-Slot Detection Trail，PSDT）算法，實時跟蹤停車位，有效解決了因相機盲點導致車位被遮擋而檢測失敗的問題。環視圖像所獲取的圖像范圍比單目攝像頭獲取的圖像范圍更大，得到的停車位線的信息更完整，能有效提高停車位的檢出率和正確率，但該方法也只能用于檢測劃線停車位。

針對只能檢測劃線停車位的問題，曾袆等［11］利用雙目視覺技術進行環境三維重建，不僅能識別劃線停車位，還能識別由兩邊車輛形成的空車位，但實時性較差且容易受到光線的影響。韓雨松［12］基于雙目視覺搭建停車位檢測模型，對相機進行了立體校正，能有效檢測到停車位，但仍受光線、噪聲等的影響較大。采用雙目攝像機的停車位檢測方法可以還原周圍環境的三維信息，能識別劃線停車位和由兩邊車輛形成的空車位，但其計算量大，對于處理器的硬件要求高，實時性較差。為解決算法復雜、實時性差的問題，YU Zhuoping 等［13］使用卷積神經網絡檢測器，達到了簡化算法、減小模型的目的，不僅提升了檢測速度還保持了準確性。

基于攝像頭的車位探測方法，雖然目前檢測的正確率不低，但攝像頭在獲取車輛周圍的環境信息時，容易受到光照條件和障礙物形成視野盲區的影響，所獲取的圖像質量會影響檢測正確率。

2.1.2 基于雷達的車位探測方法

目前，APS 中用于車位探測的雷達傳感器多為超聲波雷達，雖然性價比較高，但對車位的識別率較低，而激光雷達作為車位探測傳感器的方案多在概念階段，而且激光雷達的價格較高。利用超聲波雷達或激光雷達進行車位探測的方案如圖1 所示，基于超聲波雷達的車位探測方法是利用超聲波測距的特性來分析車位情況，當A 車經過B 車、空車位和C 車時，超聲波雷達測到的距離會發生變化，根據這些變化可以分析判斷出車位尺寸?；诩す饫走_的車位探測方法是通過分析處理點云數據來確定障礙物，并根據障礙物分布情況來確定車位信息。

圖1 雷達車位探測方案

JEONG 等［14］提出了一種基于超聲波傳感器的低成本停車輔助系統，通過改進超聲波傳感器的轉角誤差來實現車位檢測。試驗表明，該輔助系統成功地進行了停車位檢測和停車控制，但在復雜環境下還是有一定的錯誤。陳建明等［15］利用長距超聲波雷達發射電磁波形來感知周圍的障礙物及識別車位，驗證了其在泊車系統上使用的可行性，但會因環境影響而導致超聲波能量損失，從而產生一定的誤差。鐘林偉［16］將超聲波雷達安裝在Freescale 智能車上，從而實現車位探測功能；還針對溫度對超聲波測距的影響，設計了基于溫度變化的補償程序，減小了由溫度變化導致的測量誤差，并通過試驗證明利用超聲波雷達進行車位探測的可行性。

為了解決超聲波雷達易受環境因素影響的問題，提出了用原理相似的激光雷達傳感器探測車位。LEE 等［17］提出了一種基于激光雷達的車位探測方法，首先處理激光雷達的三維點云數據，然后進行聚類提取障礙物將障礙物數據投影到二維面上，最后根據車輛動力學理論計算得出最小停車位尺寸并與識別的車位進行比較，結果表明能有效探測車位。BOCK 等［18］在車輛上安裝兩個激光雷達，從記錄的3D 點云中提取停車信息，并用分類器來識別車輛的特征形狀，在大多數情況下，能可靠地檢測到停放的車輛，提取到車輛尺寸和停車間隙等信息，以此分析車位信息。IMAMEEV 等［19］提出了一種基于激光雷達的停車點搜索算法，即僅使用激光雷達傳感數據，通過對這些數據進行預處理和聚類來識別停車場中的不同車輛，從而分析確認車位，最后在虛擬環境中成功驗證該方法的適用性，但還未在真實環境中進行驗證。王宇辰等［20］提出一種基于激光雷達的泊車庫位動態檢測方法，依靠激光雷達精度高和穩定性好的特點，加上最佳外接矩形擬合算法對激光雷達的數據進行處理分析，實車試驗中庫位檢測獲得了良好的結果，能滿足自動泊車的要求。薛峰［21］提出了一種基于激光雷達的改進型自適應閾值聚類方法來探測車位，根據激光雷達的掃描原理和車輛輪廓特征，將激光雷達傳感器的掃描數據進行自適應閾值聚類，結果能準確識別多種車位。

雖然超聲波雷達作為車位探測傳感器的成本低廉且能有效識別車位，但超聲波雷達容易受到環境因素的影響，精度不高，仍然存在一定的誤差，而且超聲波雷達僅能檢測由兩邊車輛形成的空車位，不能檢測地面畫好的車位線。激光雷達的檢測精度遠遠高于超聲波雷達，但成本較高，目前還不能大規模使用，而且激光雷達也僅能檢測由兩邊車輛形成的空車位，不能檢測地面畫好的車位線。

2.1.3 基于多傳感器融合的車位探測方法

多傳感器融合技術是將攝像頭、超聲波雷達、激光雷達和毫米波雷達等傳感器綜合利用，根據不同傳感器的性能特征，將不同傳感器獲取的信息進行互補和優化，達到更好的檢測效果。多傳感器融合技術的基本原理類似于人類大腦處理環境信息的過程，人類通過眼睛、鼻子、耳朵和皮膚等多種感官將獲取的周圍環境信息傳送給大腦，然后大腦對這些信息進行分析處理來準確評估周圍環境?；诙鄠鞲衅魅诤系能囄惶綔y方法是通過各種傳感器獲取周圍環境信息，然后對這些信息進行分析處理來確認車位信息。

為避免單一傳感器探測車位時受到環境因素和自身性質的影響，很多學者提出并研究了多傳感器融合的車位探測方法。SUHR 等［22］提出了一種基于量產融合傳感器的APS障礙物精確定位方法，先用超聲波雷達確認障礙物初始位置，然后用環視監控攝像頭檢測障礙物的垂直輪廓，通過組合計算來確定障礙物的位置，從而識別車位。IM 等［23］提出一種基于環視監控器和激光雷達融合的停車位檢測方法，利用傳感器融合數據來提取停車線以檢測停車位，通過試驗驗證該方法的停車位檢測性能好、速度快。PIAO Changhao 等［24］提出了多傳感器信息融合的停車位識別方法，通過多傳感器信息集成算法和應用線性映射來識別、匹配停車位，對非平行狀態的車輛也具有魯棒性，仿真和實車試驗結果表明可以提高APS性能，停車位識別的成功率達到94%，其識別誤差為±5 cm。YANG Yifan 等［25］提出了一種抗干擾能力強、檢測精度理想的多傳感器車位探測方法，基于深度學習在全景圖像上確定停車位的大致位置，然后利用二次多項式擬合來檢測停車線，在車輛側面采用遠距離窄波束超聲波雷達來判斷停車位內是否有障礙物，并與魚眼攝像頭共同檢測障礙物的位置，實車測試結果表明，該方法可以有效抵抗環境信息干擾，達到預期的識別精度。江浩斌等［26］提出一種基于超聲波雷達和視覺信息傳感器融合的智能檢測停車位的方法，根據超聲波雷達和視覺傳感器信息來識別車輛位姿和停車位參數，通過仿真和實車試驗驗證該方法的有效性，車位探測正確率平均值為92.8%。楊一帆［27］提出了利用魚眼攝像頭和超聲波雷達進行融合的車位探測方法，車輛運動時利用超聲波雷達探測障礙物的位置，并與設定的參數進行對比，判斷探測到的空位是否滿足泊車，同時通過魚眼攝像頭獲取的圖像檢測停車線，增強了自動泊車環境感知的抗干擾能力，從而提升了車位探測能力。

基于多傳感器融合技術的車位探測方法可利用不同傳感器的特征進行信息互補優化，解決了單一傳感器只能檢測停車位的車位線或只能檢測由兩邊車輛形成的空車位的問題。該方法不僅能檢測車位線還能準確檢測障礙物的位置距離，可實現多工況下準確檢測車位的目標，為自動泊車提供更準確的車位信息，是未來停車位檢測的發展趨勢。

2.2 自動泊車路徑規劃

自動泊車路徑規劃是基于車載傳感器獲取車輛周圍環境信息，然后規劃出一條滿足車輛運動學且安全無碰撞的泊車路徑。

基于數值優化方法來規劃泊車路徑，是將路徑規劃當作一個凸顯問題，通過數值優化方式來解決問題，從而得到最優路徑。葉林銓等［28］提出了基于偽譜法的泊車路徑規劃方法，利用細化網格方法保證路徑的可行性。LI Bai 等［29］針對停車位周圍不規則障礙物或隨意停放的車輛，采用內點法來解決其動態優化問題。錢立軍等［30］采用分段高斯偽譜法的自主泊車路徑規劃方法，又采用內點法對非線性問題進行優化求解，從而得到最優泊車路徑。

由于數值優化方法在求解時的計算量過大，導致計算效率低下，所以在泊車規劃中應用較少。

傳統的平行泊車路徑規劃方法分為兩段圓弧法和圓弧與直線結合法，兩段圓弧泊車路徑規劃方法如圖2 所示，圓弧與直線結合的泊車路徑規劃方法如圖3所示。

圖2 兩段圓弧泊車路徑規劃

圖3 圓弧與直線結合的泊車路徑規劃

有學者對此進行了研究，HSU 等［31］以兩段圓弧曲線為基礎規劃平行泊車路徑，但沒有分析轉向角變化的影響，所規劃的泊車路徑出現了曲率突變點。KIM 等［32］利用兩段圓弧法和一段直線法進行泊車路徑規劃，雖然規劃的方法都比較簡單，但是路徑的曲率存在不連續的情況。因此，使用簡單的圓弧法或圓弧與曲線法進行泊車路徑規劃都會出現曲率不連續的情況，不能滿足泊車控制要求。

為了解決上述曲率不連續問題，有學者利用曲線擬合法對曲率突變點進行擬合。VOROBIEVA等［33-34］針對狹小空間的平行泊車場景，用圓弧法進行泊車軌跡規劃，但規劃的軌跡存在曲率不連續的情況，最后使用回旋曲線法進行擬合，解決了曲率不連續的問題，但回旋曲線法的計算難度大，不易應用在實時處理器上。張弛［35］運用圓弧和直線組合法對標準平行泊車位和特殊平行泊車位進行泊車軌跡規劃，所得到的泊車路徑存在曲率不連續點，分別經過使用B 樣條理論和CC 曲線理論對泊車路徑曲率不連續點進行優化后得到曲率連續的泊車路徑。

此外，也有學者直接用B 樣條曲線法、五次多項式曲線法等進行泊車路徑規劃。李紅等［36］、吳中偉［37］、姜立標等［38］基于B 樣條曲線法進行泊車路徑規劃，通過分析碰撞和轉向性能建立約束方程，求解得到曲率連續的泊車軌跡，但是求解過程比較復雜。DEMIRLI 等［39］基于五次多項式曲線法進行泊車路徑規劃，得到了曲率連續的泊車路徑，但是局部曲率過大導致泊車需要的空間比較大。ZHANG Shuwen 等［40］針對最小水平距離平行泊車問題，利用五次多項式曲線法進行泊車路徑規劃，得到曲率連續的泊車路徑。黃江等［41］基于倒推法確認避障條件得到泊車起始點的范圍，然后根據避障和轉向性能建立約束方程并求解出五次多項式的系數，最后得到符合避障約束條件和曲率連續的泊車軌跡。

綜合分析得到各曲線泊車路徑規劃的優缺點，見表2。

表2 各曲線泊車路徑規劃的優缺點

用數值優化方法求解時的計算量過大，計算效率低下，在泊車規劃中應用較少，用圓弧法或圓弧與直線結合法進行泊車路徑規劃會出現曲率突變點，不利于泊車運動的控制，可以利用回旋曲線法、B 樣條曲線法和CC 曲線法等對曲率突變點進行優化擬合得到曲率連續的泊車路徑，但會增加一定的計算量。利用B 樣條曲線法、五次多項式曲線法來規劃泊車路徑，可以直接得到曲率連續的泊車軌跡，但是要在避障條件與轉向性能要求條件下進行求解，求解的過程比較復雜，不易在實時控制器上實現。由于泊車工況一般位置相對比較固定，所以基于幾何曲線規劃泊車路徑在一般場景下都能得到比較合理的結果，但是在非標準停車位的場景下可能會導致計算量太大而無法成功規劃。

2.3 自動泊車跟蹤控制

跟蹤控制是自動泊車系統的關鍵技術之一，是自動泊車性能的關鍵因素。目前，自動泊車跟蹤控制方法主要有兩種：一種是基于人工智能的跟蹤控制方法；另一種是基于泊車路徑的跟蹤控制方法。根據車輛運動學和避障要求設計好泊車路徑后，采用合適的控制算法來控制車輛的轉角和車速，實現車輛軌跡跟蹤控制。

2.3.1 基于人工智能的跟蹤控制

基于人工智能的跟蹤控制方法需要收集大量優質駕駛員的泊車數據，采用合適的控制算法對控制器進行訓練后得到泊車控制器，泊車控制器可根據車輛自身狀態信息和障礙物信息來選擇控制決策，以便安全地完成泊車操作?；谌斯ぶ悄艿淖詣硬窜嚫櫩刂瞥Ｓ玫乃惴ㄓ校耗：刂疲?2-44］、神經網絡［45-46］和遺傳算法［47-48］等。

溫宗周等［49］提出了基于模糊控制的自動泊車方法，為實現自動泊車的最優控制，設計并利用Matlab 軟件建立模糊控制器模型，并用學習算法對控制器參數進行優化，仿真結果表明該方法不僅能較好地實現自動泊車跟蹤控制，還大幅縮短了泊車時間。CHAI Runqi 等［45］基于深度神經網絡的控制方案來實現自動泊車，使用最優泊車軌跡數據集聚合對控制器進行訓練，把經過訓練的深度神經網絡控制器作為運動控制器實時反饋動作，試驗結果表明，該方法實現了泊車操作的有效性。PHILIP等［50］采用模糊控制算法和神經網絡算法實現自動泊車跟蹤控制，比較了兩種算法的預運算、決策速度、輸入數據和輸出數據的相關系數，模糊控制需要建立模糊規則庫，而神經網絡需要大量的數據訓練才能使兩種控制算法完成自動泊車，神經網絡算法的決策速度比模糊控制算法快，相關系數更大，同時，神經網絡算法的泛化能力較好，對車輛初始位姿的要求較低。SU Bo 等［51］提出了一種基于遺傳算法的端點區域化二次平行自動停車跟蹤控制方法，仿真結果表明，該方法可以使車輛安全完成泊車，有效提高停車效率。

目前，基于人工智能的自動泊車跟蹤控制研究已經取得一些成果，但是該方法需要收集大量優質駕駛員的泊車數據作為控制系統的設計借鑒或控制器的訓練樣本，而不同駕駛員的駕駛風格有一定差異，導致收集的泊車數據也會有很大差異，這會大大增加控制器設計與建模的難度，使不同車型的控制器模型訓練結果產生很大偏差，難以實現廣泛應用。

2.3.2 基于泊車路徑的跟蹤控制

基于泊車路徑的跟蹤控制方法是根據車輛周圍的環境信息和車輛自身的位姿信息等進行泊車路徑規劃，然后選擇合適的跟蹤控制算法來控制車輛的油門、方向盤轉角和擋位等，使車輛能按照規劃好的泊車路徑行駛，安全地完成泊車操作。目前，常用的路徑跟蹤控制算法有：純跟蹤控制、PID 控制和模型預測控制等。

純跟蹤控制是一種傳統的橫向控制算法，有很多學者對其進行了研究。王亮等［52］利用CarSim 和Simulink 分別搭建車輛模型和純跟蹤算法模型，對參考軌跡進行了跟蹤控制仿真并對跟蹤誤差進行了分析，最后進行了實車試驗，試驗結果與仿真結果基本一致，在低速工況下能有效地進行路徑跟蹤。AHN 等［53］對純追蹤控制進行改進，綜合考慮車輛與路徑的關系，并啟發式地選擇新的前視點，車輛可以穩定地跟蹤路徑，而不會遇到切角問題，能更準確地跟蹤所需路徑。純跟蹤控制的效果很大程度上取決于預瞄距離，對于復雜路徑的跟蹤效果較差。

PID 控制是發展比較早的一種控制算法，應用非常廣泛，很多學者對其進行了研究。MASHADI等［54］提出了一種基于優化增益的PID 控制器的直接轉矩控制系統，將駕駛員預瞄距離、航向誤差，以及車輛與期望路徑之間的橫向偏差作為輸入，PID 控制器以此確定轉向角和橫擺力矩，使車輛沿著所需的路徑行駛，仿真結果表明，該控制器在車輛路徑跟隨和穩定性方面的有效性顯著。張佳奇等［55］以前輪轉角作為控制系統的輸入，設計基于橫向偏差和航向偏差的模糊自適應PID 路徑跟蹤控制器，仿真結果表明，動態性能得到改善且具有較好的自適應能力。PID 算法針對不同的模型需要不同的PID 參數才能達到穩定控制，參數需要通過大量的試驗獲取，工作量顯著增大，且純PID 的魯棒性并不好，抗干擾能力也不強。

為了提高控制精度和穩定性，有學者采用了MPC控制算法進行跟蹤控制，并與其他算法進行比較。SONG Jie 等［56］提出了一種基于模型預測控制算法的軌跡跟蹤方案，并構建了基于MPC 算法的軌跡跟蹤器，通過仿真驗證了所設計的MPC 控制器具有良好的魯棒性，可以最大限度地減小跟隨誤差。YE Hao 等［57］提出一種具有柔化約束路徑追蹤控制策略的線性模型預測控制方法，設計的目標函數充分考慮了預測變量與參考變量之間的偏差，并加入了松弛因子進行優化，最后進行路徑跟蹤控制的仿真試驗與實車試驗，并與PID 控制算法的跟蹤效果進行對比分析，結果表明，帶軟化約束的MPC控制器的路徑跟蹤效果明顯優于PID 控制的路徑跟蹤方法。ZHANG Bingzhan 等［58］設計了一種基于增量模型預測控制的路徑跟蹤控制器，并與純跟蹤控制的路徑跟蹤控制算法進行比較，仿真結果表明，所設計的路徑跟蹤控制器可以更好地控制車輛跟蹤期望路徑。

綜合分析可知這3種控制算法的優缺點，見表3。

表3 控制算法的優缺點

純跟蹤控制在低速情況下合理調整參數可以實現較好的路徑跟蹤效果，預瞄距離和速度的大小影響跟蹤效果。PID 控制只需要試湊出控制參數，但固定PID 控制參數對車速適應性很差，單一的PID控制很難適應無人駕駛的復雜工況。相較于其他的控制算法，MPC控制考慮了控制量求解過程中的約束限制，對車輛控制非常關鍵，能使車輛較好地跟蹤路徑，近年來越來越受到重視，但仍有很大的優化空間，優化改進后的MPC 控制算法將成為未來發展的方向。

3 總結與展望

從自動泊車系統出現至今，逐漸發展成熟并已開始量產，今后會迅速應用在各款車型上，普及空間巨大。

對于自動泊車系統的車位探測技術，單一的傳感器在自動泊車系統中的局限性很大，難以滿足環境復雜的泊車場景，而多傳感器融合技術集合了各傳感器的優點進行互補優化，能有效提高車位探測的準確率。不過，多傳感器融合技術需對多個傳感器采集的數據信息進行處理融合，數據多樣導致處理過程復雜且增加了錯誤的可能性，但多傳感器融合技術仍是未來的重點發展方向。

對于自動泊車系統的路徑規劃方法，數值優化方法求解時的計算量過大，計算效率低下，在泊車規劃中應用較少。由于泊車起點與終點位置相對比較固定，利用幾何曲線進行泊車路徑規劃相對比較簡單，但僅對于標準車位的規劃結果比較理想，對非標準（狹窄、多障礙物）車位規劃的結果還不太理想，隨著車位探測與障礙物識別能力的提升，未來還需要對非標準車位的泊車路徑規劃加深研究。

對于自動泊車系統的跟蹤控制技術，基于人工智能的跟蹤控制方法雖然已經取得了一定的成果，但要收集大量駕駛員的泊車數據作為控制器訓練的數據樣本，由于駕駛員習性不同，數據會有差距，不容易訓練模型，而且對不同車型的訓練結果也不同，加大了普及的難度，今后仍需加深研究。而基于泊車路徑的跟蹤控制方法，模型預測控制的跟蹤控制效果優于其他控制方法，但仍有優化的空間，可以從系統的瞬態性能和抗干擾性能的角度，實現約束松弛參數和加權系數優化，充分發揮系統潛能，使模型預測控制的跟蹤效果達到更優水平。