基于計算機視覺的汽車自動泊車系統研究

中圖分類號：U463.6 文獻標識碼：A 文章編號：1003-8639（2025）08-0065-03

【Abstract】With theaccelerationof urbanizationand therapid increase in thenumberof motor vehicles，urban traffic pressure is becoming increasingly severe，and thedificultyof finding parking spaces has gradually becomea common concern fordailytravel.Traditional manualparking methods，whichareinconvenienttooperate，ineficient，and pose safetyrisksincomplex environments，cannolonger meet moderndriving needs.Theriseof intellgentdriving technology ofersnew solutions tothisproblem，withautomaticparking systems gaining significant atention due totheir practicality andpotential for development.Asan essential component of artificial intellgence，computer vision possesses strong environmental perceptionandrecognitioncapabilities，demonstratinguniqueadvantages inachievinghigh-precision parking control.Therefore，this paper explores anautomotiveautomatic parking system basedoncomputervision，aiming to providetechnical supportfor thedevelopmentof smart transportationand thealeviationof urban parking issues.

【Key words】 computer vision；automatic parking system；image processing； path planning

0 引言

近年來，隨著人工智能和智能駕駛技術的快速發展，自動泊車系統逐漸成為智能汽車的重要功能之一。相比傳統泊車方式，自動泊車系統能夠有效降低駕駛者的操作難度，提高泊車的效率與安全性，尤其在狹窄或復雜的停車場景中表現出明顯優勢。當前的自動泊車技術主要依賴超聲波、雷達等傳感器進行環境感知，但這些方式在障礙物識別精度、系統響應能力等方面仍存在一定局限性。計算機視覺技術的引人，為泊車系統提供了更為靈活和精準的環境感知手段，使系統能夠更好地識別車位、判斷障礙物并規劃路徑，進而實現更加智能化的泊車操作。在此背景下，圍繞計算機視覺在自動泊車系統中的應用進行深入研究，對于推動相關技術的落地與優化具有重要意義。

1概念界定

1.1 自動泊車系統

自動泊車系統是通過傳感器、算法和控制技術實現車輛自主完成泊車操作的智能化裝置，其核心目標是將駕駛者從復雜、重復的泊車操作中解放出來。系統通常由環境感知、路徑規劃、運動控制三大模塊構成：環境感知模塊負責采集車位尺寸、障礙物位置等信息；路徑規劃模塊根據車輛運動學模型計算最優泊車軌跡；運動控制模塊則通過方向盤轉角、油門和制動的協同調整執行泊車動作2。與傳統駕駛依賴人類經驗不同，自動泊車系統通過數學建模將泊車問題轉化為參數化的幾何計算，如在平行泊車場景中，系統需計算車輛與路沿的切入角度、方向盤轉動時機以及最小安全距離。

1.2基于計算機視覺的自動泊車技術特點

計算機視覺技術的引入使自動泊車系統突破了對物理距離傳感器的依賴，通過圖像理解能力實現更貼近人類視覺判斷的泊車決策。其技術特點首先體現在環境感知的豐富性上一攝像頭不僅能檢測車位線與障礙物的位置，還能識別車位編號、地面箭頭等語義信息，從而支持更復雜的停車場導航。例如在多層停車場中，視覺系統可通過識別樓層標識自動切換停車場樓層地圖數據3。其次，視覺技術擅長處理非結構化場景：當車位線磨損或被積雪覆蓋時，基于深度學習的圖像分割算法依然能通過周圍車輛的空間分布推斷出可用車位，而傳統超聲波雷達可能因缺少反射物而失效。但視覺技術也面臨獨特挑戰，如強逆光導致的車位線過曝、雨滴或污泥對鏡頭的遮擋會嚴重影響檢測精度。

2 系統設計

2.1 系統架構

自動泊車系統的功能實現依賴于多模塊協同工作，其架構設計需平衡實時性、可靠性與計算效率?；谟嬎銠C視覺的核心架構采用分層設計，見表1。

表1系統架構

感知層通過環視攝像頭陣列（通常為4～6個廣角鏡頭）捕獲 360^° 環境圖像，經畸變校正與拼接生成全景鳥瞰圖。決策層基于車輛運動學模型，將泊車任務分解為初始定位、路徑規劃、動態調整三個階段，例如在垂直泊車場景中，算法需根據車位長度計算車輛切入角度，并實時監測行人移動軌跡調整路徑。執行層通過CAN總線與車輛底盤系統通信，將路徑坐標轉化為方向盤轉角與車速指令，同時設置安全冗余機制，當雷達檢測到突發障礙物時，優先觸發緊急制動而非等待視覺系統響應。交互層提供雙模式操作界面，新手駕駛員可通過增強現實AR視圖觀察系統決策過程，而熟練用戶則可手動微調泊車路徑。架構設計中，計算機視覺既是感知核心（替代傳統超聲波雷達），又在決策層參與語義理解（如識別禁停標志），形成感知-認知-執行的閉環邏輯。

2.2圖像采集與處理模塊

圖像采集模塊通過多攝像頭協同布局解決視覺盲區問題，前視攝像頭負責遠距離車位搜索，側視攝像頭捕捉近場障礙物，后視攝像頭輔助倒車軌跡修正。圖像處理流程采用預處理-特征提取-語義分割三級流水線：預處理階段通過自適應直方圖均衡化增強低光照下的車位線對比度，利用中值濾波消除雨滴噪點；特征提取階段采用輕量化卷積神經網絡（如MobileNet識別車位角點、路沿高度等關鍵信息；語義分割模塊則通過U-Net模型區分可泊區域與障礙物，并對模糊車位線進行概率補全4。為解決逆光導致的圖像過曝問題，系統動態調整攝像頭曝光參數，并融合紅外傳感器數據輔助陰影區域判斷。例如在強光照射下車位線不可見時，算法通過相鄰車輛間距與地面紋理連續性推斷可用泊位，降低對完整車位線的依賴。

2.3車輛定位與路徑規劃

車輛定位依賴視覺里程計與高精度地圖的融合定位技術。通過特征點匹配算法計算相鄰幀圖像的位移變化，結合輪速傳感器數據估算車輛位姿，定位精度可達 ±5cm 。路徑規劃采用全局粗規劃 + 局部細調整策略：全局規劃基于A*算法生成理論最優路徑，局部規劃則通過模型預測控制（ModelPredictiveControl，MPC）實時修正軌跡。針對狹窄車位場景，系統引入多階段泊入策略一當單次轉向無法完成泊車時，自動規劃包含前進/后退交替動作的復合路徑。例如在直角車位泊入時，車輛先以 45^° 角切入，通過兩次方向調整完成最終定位。動態障礙物處理機制通過光流法預判行人運動趨勢，在路徑代價函數中增加安全距離權重，確保規劃軌跡始終處于安全閾值內。

2.4控制與執行模塊設計

控制模塊的核心任務是將路徑坐標轉化為車輛可執行的轉向、油門和制動指令。采用PID控制器與模糊控制相結合的混合控制策略：PID控制器處理方向盤轉角的精確跟蹤，模糊控制器根據實時車速與路徑偏差動態調整油門開度。執行器設計重點解決機械延遲問題—通過預判車輛運動趨勢提前0.5s發送控制指令，抵消電動助力轉向系統的響應滯后。安全冗余設計包含雙重校驗機制：視覺系統提供的路徑坐標需與慣性測量單元（InertialMeasurementUnit，IMU）推算的車輛姿態進行一致性驗證，若偏差超過10% 則觸發系統自檢。在極端情況下（如攝像頭完全失效），系統可切換至超聲波雷達基礎模式，以降低功能安全風險。

3 系統評估

3.1 評估指標

自動泊車系統的綜合性能需通過功能實現、環境適應與安全可靠三大類指標全面評估，核心評估指標及測試方法框架見表2。

功能實現類指標驗證系統的基礎能力，例如在標準尺寸車位中，系統需在90s內完成泊車且成功率高于 90% 。環境適應指標重點考核視覺算法在極端條件下的穩定性：當強逆光導致車位線過曝時，系統需通過周圍車輛間距推斷車位位置，目標檢測率不低于85% ；車位線部分缺失（如被積雪覆蓋）時，泊車成功率需保持在 75% 以上。安全可靠指標關注風險應對與系統韌性，突發障礙物響應速度需控制在 0.5s 內（人類駕駛員平均反應時間為1s）以確保及時制動；當攝像頭被污泥遮擋時，系統應在0.3s內切換至超聲波雷達，切換成功率高于 95% 。這些指標共同構建起從基礎功能到極端場景、從正常運行到故障恢復的全維度評估體系，為系統優化提供明確方向。

表2評估指標

3.2 研究設計

評估試驗分為試驗室仿真與實車場地測試兩階段。試驗室階段采用CARLA仿真平臺構建極端場景：模擬暴雨天氣下車位線完全淹沒、夜間低光照停車場等20類特殊工況，驗證算法泛化能力。實車測試選取三種典型場景一標準商業停車場、老舊小區狹窄車位、地下車庫低光照區域，覆蓋直線泊入、直角泊入、斜列泊入等6種泊車模式。數據采集設備包含高精度RTK定位系統（誤差 ±2cm ）、車載OBD數據記錄儀及第三方安全監測裝置，確保結果可追溯。對比試驗設置傳統超聲波方案作為對照組，重點分析視覺技術在復雜場景中的性能提升幅度。

3.3性能評估結果分析

關鍵指標實測數據見表3。

測試數據顯示，系統在標準場景中表現優異：泊車成功率 95% 、耗時82s均優于目標值，證明基礎功能設計合理。環境適應性方面，強逆光場景車位識別準確率 85% 達標，但金屬反光干擾導致泊車成功率下降至 84% ，需優化圖像去眩光算法；車位線殘缺場景成功率 73% 未達目標，暴露算法過度依賴車位線幾何特征，應融合車輛間距、地面紋理等輔助信息。安全性能方面，障礙響應速度0.42s表現突出，但傳感器切換時0.8s的指令響應延遲需優化冗余機制。橫向對比顯示，視覺方案在復雜光照場景較傳統方案成功率提升 26% ，驗證技術優勢，但極端場景魯棒性仍需提升。后續將重點優化車位線殘缺場景解析算法，并增加多傳感器協同驗證邏輯。

3.4系統局限性與優化方向

當前系統的局限性集中于極端環境適應性與實時性矛盾，如暴雨導致鏡頭模糊時，圖像處理耗時增加 40% ，可能延誤障礙物響應。此外，多目標博弈場景（如同時避讓行人與非機動車）的決策邏輯有待完善。優化方向包括： ① 引入毫米波雷達與視覺的異構傳感器融合，提升雨霧天氣可靠性； ② 開發輕量化時空聯合預測模型，提前0.5s預判行人運動意圖； ③ 部署邊緣計算單元優化算法架構，將圖像處理延遲從120ms 降至 80ms 。長期需構建開源仿真測試庫，覆蓋更全面的長尾場景以提升系統泛化能力。

4結論

本研究圍繞基于計算機視覺的汽車自動泊車系統展開分析，從系統結構、核心模塊設計到性能評估，探討了該類系統在實現智能泊車過程中的關鍵技術與實現路徑。通過對圖像采集與處理、車輛定位、路徑規劃以及控制執行等環節的系統性梳理，可以看出計算機視覺技術在提升泊車系統識別精度、響應能力和環境適應性方面具有顯著優勢。研究表明，依托視覺信息進行環境感知和決策控制，是實現高效、可靠自動泊車的重要方向。

表3性能評估結果

參考文獻

[1]王玉龍，翁茂楠，黃輝，等.基于CNN-Transformer的自動泊車車位感知算法[J].汽車技術，2024（8）：1-6.

[2]鄭甘勒.基于多傳感器融合的自動泊車技術研究[D].杭州：杭州電子科技大學，2024.

[3]李景俊，黃輝，翁茂楠.自動泊車多任務輕量化感知模型研究[J].汽車科技，2024（2）：21-27.

[4]胡耀天.基于全景圖像和深度學習的自動泊車停車位檢測研究[D].廣州：華南理工大學，2022.

（編輯楊凱麟）