Apollo自动驾驶泊车场景核心技术解析：从感知到决策的完整实现

1次阅读

共计 2578 个字符，预计需要花费 7 分钟才能阅读完成。

自动驾驶泊车场景看似简单，实则充满技术挑战。相比开放道路驾驶，泊车环境有几个显著特点：

空间极度受限：传统泊车位宽度往往仅有车身宽度的 1.2-1.5 倍，对定位精度要求极高（厘米级）
动态障碍复杂：行人、宠物、突然开启的车门等不可预测因素频发
传感器视野受限：近距离盲区增大，传统雷达易受多径效应干扰
路径规划特殊：需要支持多段式倒车、微调等特殊机动动作

这些特点使得直接套用开放道路的自动驾驶方案效果不佳。Apollo 针对性地开发了泊车专用技术栈。

Apollo 泊车系统采用经典的四层架构，但各模块实现有显著差异：

┌───────────────────────┐
│       HMI 交互层       │
└──────────┬────────────┘
           ↓
┌───────────────────────┐
│     决策规划层        │
│  • 强化学习决策引擎   │
│  • 多阶段路径规划     │
└──────────┬────────────┘
           ↓
┌───────────────────────┐
│ 感知定位层            │
│  • 多传感器融合       │
│  • 语义 SLAM           │
└──────────┬────────────┘
           ↓
┌───────────────────────┐
│ 线控执行层            │
│  • 转向 / 制动 / 档位控制 │
└───────────────────────┘

数据流有三个关键特点：

高频定位更新：采用 10Hz 的紧耦合 SLAM，比开放道路方案（通常 1 -5Hz）更高
分层规划机制：全局规划（车位选择）与局部规划（轨迹生成）解耦
控制回环加速：控制指令下发周期缩短到 20ms 级

Apollo 泊车采用前视摄像头 + 环视摄像头 + 超声波雷达 +4D 毫米波雷达的组合：

视觉处理：
环视鱼眼镜头做车位线检测（基于 CNN+ 几何约束）
前视镜头识别障碍物类型（分类网络）
雷达处理：
超声波用于 0 -5m 近距探测（精度±2cm）
4D 毫米波解决常规雷达的俯仰角测量问题

融合算法采用改进的卡尔曼滤波，运动模型特别考虑了低速场景的特性：

# 低速运动模型简化示例
def vehicle_motion_model(x, u, dt):
    """
    x: 状态向量 [x,y,θ,v]
    u: 控制输入 [方向盘转角, 加速度]
    dt: 时间步长
    注：忽略横向滑移，适合低速场景
    """
    L = 2.8  # 轴距
    beta = np.arctan(0.5 * np.tan(u[0]))  # 转向等效角度

    dx = np.zeros_like(x)
    dx[0] = x[3] * np.cos(x[2] + beta) * dt  # x 方向
    dx[1] = x[3] * np.sin(x[2] + beta) * dt  # y 方向
    dx[2] = x[3] * np.tan(u[0]) * dt / L     # 航向角
    dx[3] = u[1] * dt                        # 速度
    return x + dx

传统 SLAM 在车库环境容易因重复纹理失效。Apollo 的方案：

特征点筛选：优先选择车位线角点、消防设备等语义特征
动态过滤：通过时序一致性检测移除行人等移动物体
多源约束：融合轮速计、转向角等车辆本体传感器数据

泊车决策的挑战在于难以用规则覆盖所有情况。Apollo 采用 PPO 算法训练决策模型：

状态空间：包含相对车位位置、障碍物分布、历史轨迹等 32 维特征
动作空间：离散动作（前进 / 后退 / 换挡）+ 连续动作（转向角 / 加速度）
奖励函数 设计要点：
成功泊入：+100
碰撞：-50
每步耗时：-0.1
偏离参考路径：-0.5×距离

关键路径规划算法示例（Hybrid A* 改进版）：

// Apollo 中的泊车轨迹生成核心逻辑
ParkingTrajectory Planner::GenerateTrajectory(const VehicleState& state,
                                             const ParkingSpace& space) {
  // 1. 构建状态网格
  GridMap grid = BuildGridMap(space, obstacles_);

  // 2. 启发式搜索
  std::priority_queue<Node*, std::vector<Node*>, NodeCompare> open_set;
  open_set.push(new Node(state.x, state.y, state.theta));

  while (!open_set.empty()) {Node* current = open_set.top();
    open_set.pop();

    // 3. 到达检查（放宽位置容忍度，严格要求角度）if (ReachGoal(current, space)) {return ExtractTrajectory(current);
    }

    // 4. 扩展节点（考虑倒车、转向等动作）for (auto& action : GetParkingActions()) {Node* next = ApplyAction(current, action);
      if (!CollisionCheck(next, grid)) {next->cost = current->cost + ActionCost(action);
        next->h = Heuristic(next, space);
        open_set.push(next);
      }
    }
  }

  return ERROR_TRAJECTORY; // 搜索失败
}

实际部署中的关键优化点：