前言

随着汽车数量的急剧增加，如今车位不足、停车难、缴费排队等问题困扰着车主。而自动代客泊车技术的出现可为停车场和车主提供更高效的解决方案；经过评估该技术还可减少停车间距以提升约20%的停车容量，为车主带来更多便捷的同时，也有利于整个停车场的基础设施的提供商，包括城市的管理者；自动代客泊车技术还可实现车主多模交通的无缝换乘。

目前阶段自动代客泊车系统方案基本分为两种：一种是以博世为代表的场端方案，一种是以纵目科技为代表的车端方案。其中博世方案重场端、轻车端，场端方案采用激光雷达或双目摄像头方式，车端不需要感知功能，此方案缺点是需要对停车场进行改造，场端成本及设备的后期维护成本很高，推广难度比较大，如果车辆已经具备了一定的感知传感器，那么应该考虑如何加以利用。

CN201810245529.8基于车辆自动驾驶的代客泊车系统及方法，描述了以车端为主的方案。本方案车端配备激光雷达、毫米波雷达、前视环视摄像头及超声波雷达等，基于车端方案的技术还不够成熟，而且车端增加成本也较高，同时需要高精度地图的普及，室内定位问题，环境光线变化等问题都是该项技术普及应用需要解决的难题，单纯车端视觉方案不具备提前预知危险能力，对突然闯入的行人、小动物或儿童不能很好识别，或识别速度不够快的缺点，安全性不足。

方案描述

本方案采用场端和车端配合方式实现，既充分利用车端传感器资源，同时与场端结合，实现精准车辆定位、避障能力提升，同时可以实现最终落地及量产。

1.车端方案

车端采用视觉定位方案，应用高精度地图或由车辆传感器采集的语义地图、环视相机、前视相机，视觉定位方案采用VSLAM生成语义地图与高精度地图结合，通过车端摄像头识别采集的VSLAM特征点进行匹配，结合IMU信息，实现车辆的定位,VSLAM为现有技术，不详细赘述,具体车端传感器配置如图1所示。

车端除了加入摄像头还加入毫米波、超声波雷达方案，泊车与视觉方案配合实现。车端方案基本比较成熟，此处不再赘述。

2.场端方案

采用激光雷达或双目摄像头方案，激光雷达或双目摄像头作为全局视角，可提前预知危险，起到车场协同效果，考虑系统成本，场端布置激光雷达只布置在急转弯处、光线极其不好的地方或特征点很少区域等，针对停车场内出现的小动物、儿童或紧急闯入的人，车本身摄像头或毫米波雷达无法应对的场景，场端激光雷达可进行补充，通过场端与车端通信实现车辆对危险的提前预知，避免事故发生。

场端激光雷达形态可以为柱状，可以嵌入墙内或通过结构固定于建筑物上，最终实现方式由场端及实现效果决定，以安全、可靠、安装简单及实现效果优为原则。

本方案中场端激光雷达每5～10个组成一组，把每组数据传输给后台服务器，每组的后台如图2所示，服务器通过有线或无线方式传输给总服务器进行数据处理实现车辆定位、整个停车场或比较复杂路段内人、车、障碍物的定位，将处理后的结果通过WiFi/4G/5G通信方式传输给自动驾驶车辆控制器，与车身本身传感器信息及IMU处理信息进行融合最终输出车辆自定位及停车场内或比较复杂路段的障碍物信息，最终实现车辆的自定位、避障及路径规划功能。

本方案将大量计算能力放在后台服务器，后台服务器相比自动驾驶处理能力强，成本低，且不需要车规，本方案更具有量产可行性，且适合无人驾驶车辆与有人驾驶车辆混行的停车场。

3.设计方案

1）如图3所示，针对转弯处场景视觉方案很难识别到途中的来车、行人或小动物，很可能会发生危险，通过场端安装的激光雷达或摄像头能很好地预知危险，场端安装的设备将采集到的图像信息以一定帧率传输给后台服务器，场端设备坐标在安装初期进行调试及固定，坐标相对是一定的，后台服务器根据前期标定的结果，获得车辆相对于激光雷达之间的距离，计算出车辆与激光雷达间的相对坐标。

通过一定算法完成绝对坐标转换，发送给后台服务器，车辆定位需要由≥3台场端设备实现定位，当出现遮挡可以获取其他基站的坐标信息，通过算法实现定位，每个场端定位设备都有固定的ID。

获取转角处障碍物（行人、车辆、小动物等）信息，传输给后台服务器，后台服务器处理输出障碍物的类型、尺寸、坐标及行驶轨迹等信息，通过无线传输方式传输给车辆端，由车辆端的决策模块做出控制决策。

图4为转角区域定位及避障逻辑图。假设车辆B为本车辆，结合高精度地图及定位结果信息，当车辆处于预警区域之外时，车辆通过车辆本身传感器实现障碍物的识别及定位，当车辆行驶进入预警区域之前10 m（可实际标定，0～50 m），则预警区域内的所有目标信息会通过车联网系统传输给车辆B,发送给车辆，同时还包含自车的定位信息，在预警区域内，在场端设备没有故障前提下，以场端设备为主，预警区域坐标与高精度地图坐标匹配，同时区域大小根据实际测试结果最终确定，行驶出预警区域前10 m（可实际标定0～50 m），切换为以车端传感器为主。

2）针对螺旋楼梯场景，如图5所示，考虑车辆本身传感器摄像头或毫米波雷达无法实现探测及准确定位，需要在螺旋上下楼层通道布置一定数量的传感器。

方案1：通过在高精度地图中提前采集螺旋楼梯的坐标区域，根据划定的坐标区域判定车辆是否进入预警区域。

方案2：通过车辆传感器（摄像头或雷达）判定可行驶区域，根据可行驶区域判定是否已进入螺旋楼梯场景，当算法识别的可行驶区域由大变小又由小变大，且行驶过程中ΔZ≥30 cm出现次数≥1次，上述判定为上楼场景，下楼场景相反，当算法识别的可行驶区域由小变大又由大变小，且行驶过程中ΔZ≥30 cm出现次数≥1次，车辆的避障及定位，由车端识别及定位为主转为以场端激光雷达定位为主（图6）。当场端判定异常，比如车辆2判定其有溜车的可能，而车辆1通过场端感知发过来的信号了解到左侧没有对向来车或对向来车距离较远，车辆1的自动驾驶控制器通过算法执行避障操控，避免危险，如图7所示。

3）针对特征点很少，难以通过场端传感器实现精确定位场景，如图8所示，场端低成本传感器方案通过VSLAM方式，即通过特征点与预先采集的语义地图之间的匹配程度进行定位及判定。

方案1：在特征点较少区域布置场端传感器（激光雷达或摄像头或其他雷达或UWB基站），通过在高精度地图中提前采集特征点少的坐标区域，根据划定的坐标区域判定车辆是否进入预警区域。

方案2：通过车辆传感器（摄像头或雷达）进行定位，检测测速＞0 km/h但输出定位信息＞1 s（可实际标定）没有更新或输出与正确的坐标信息（根据车速、轮速等预期坐标位置对比）偏差很大的坐标信息或输出随机坐标信息等或通过算法判定车端定位置信度＜80%（可实际标定），由车端定位切换为场端定位。

4） 针对光线太亮（图9）或太暗场景，车身安装摄像头因为过度曝光对特征识别会受影响，也就是置信度会降低，针对此种场景，摄像头根据采集场景的ROI像素灰度值进行判定，如ROI像素灰度值大于a或小于b（a或b由实际标定获取，一般a介于180～255，b介于0～70之间）可认定此处摄像头定位结果置信度低，在常出现的场景（停车场靠角落位置或地上停车场靠近透明玻璃处）需要场端布设激光雷达，实际应用过程中实现逻辑如图10所示。

总结

 现阶段自动代客泊车实现方案基本分为场端及车端两种，其中场端方案需要对停车场进行改造，费用高，推广难度大，车端方案需要在车端增加多个传感器及一个计算能力较强的控制器，造成车端成本较高，同时停车场内环境不一致，视觉感知定位方案对光线、天气比较敏感，另外纯车端方案针对儿童或小动物等识别困难，同时在转弯等场景，对于纯车端方案是很难做到超视距识别的，随着车辆智能水平不断提升，车辆本身配置一定传感器，如果不用，会是一种浪费。因此，本文提出一种车场融合方案，既可以降低场端成本，同时可以在车端成本不增加情况下充分利用车端传感器配置，推动该技术的快速量产。