泊车对于许多新手司机来说是一件很难的事情，有了360全景和倒车影像后，会变得简单许多。但是在极其狭窄的地方，就算是老司机也有可能发生擦碰。而自动泊车系统则可以在保证安全的情况下大大简化泊车的过程，今天我们来讲讲自动泊车的原理，让大家对自动泊车有更深的了解。

自动泊车原理：

在上一篇文章（5分钟浅析｜小鹏 PRO 与 MAX 版本的辅助驾驶硬件差异）中有讲辅助驾驶中各个雷达摄像头的功能及原理，自动泊车也离不开这些雷达。

在自动泊车中，最重要的雷达是超声波雷达，他经常被用在短距离测量 ，所以在自动泊车领域特别有优势。 

使用雷达探头测量出汽车自身与周围物体之间的距离和角度，通过车载电脑计算出操作流程，从而操控方向盘。

其实就是三步：计算距离和角度，计算操作流程，操作方向盘完成泊车。

计算距离和角度：

体验过自动泊车的宝子们都知道，在靠近车位的时候，我们的车机系统会显示一个明显的高亮的范围告诉你这个地方可以自动泊车（不同车机系统会有不同的展示风格），之后你只需要点击即可开始自动泊车下。

其实我们的一些自动泊车监测，会在低速行驶的过程中启用，不断监测环境和距离。

通过视觉摄像头返回的图像，做图像分析，将地面停车线转换为三维模型。配合超声波雷达监测周遭物体（车辆，障碍物等）的距离。来计算车位位置。显示在车机系统中，这些数据也会暂存在车机系统，供自动泊车使用。

那么就会有个问题，有些停车场没有停车线怎么实现自动泊车呢？

这里就要讲讲我们的数据标记问题了。

当车位线磨损、模糊或本身就不是连续实线时，需要根据车位结构“脑补”出后面。

数据标记其实是个职位，职责就是：给你上万张图，你来标记出可执行的部份。交给AI去学习。当数据足够多的时候，AI就能自主判断出停车位的位置了。

举个例子来说就是：当你在等地铁的时候，你超过黄线等待，那么地铁的工作人员就会告诉你“请在黄线外等待”。

在实际测试中，小鹏G9的不规则，无地面标识的自动泊车测试中，是以失败告终的（可能是不同的环境状况导致）。原因可以归咎于算法问题，也可以归咎于标记数据不足。

计算操作流程：

在通过各种摄像头的数据获取、数据整合、模型生成后。我们得到一个停车位的具体数据（距离、角度、大小等），接下来就是要计算，我怎么倒进去了。

自动泊车是一段程序，必须有严谨的逻辑，固定的流程。

自动泊车会根据方向盘转动的角度，计算出车辆整体的偏移角度。再通过各种雷达，摄像头得到的距离数据，障碍物数据。实时重新计算需要转动方向盘的角度以及倒车的速度。

这时算力的用处就体现出来了，不过现在有自动泊车功能的算力都是过剩的，不用担心算力不足的情况。

经常手动泊车的 “老司机” 们都知道，在没有把握 “一把过” 的情况下，我们都会往前开一点，再倒，成功率就会大大提高。辅助驾驶的自动泊车也希望学习“老司机”的倒车方式，那要怎么做呢？。

这是一种“AI自主学习”的方式，通过收集所有用户在泊车时的操作，进行学习，得出一种最佳的泊车方案。当模型拥有足够多的数据，那么自动泊车就更贴近于“老司机”的泊车方式了。

操作方向盘完成泊车：

到这一步，如果车机系统给你显示：方向盘向左打17度，后退速度8.33km/h，倒退1m。再向右打13.47度，后退速度2km/h，倒退0.5m。你能准确操作过来吗？

我们人是很难操作这么精准的数据的，但是对于机器，就相当于你把胡萝卜丢到兔子面前，它开心死了！！

接收到从中央处理器传出的电信号后，依据方案中的指令使作出汽车相应的行驶操控，直至停车入位。这里的“指令”，你可以浅显的认为是“方向盘向左打17度，后退速度8.33km/h，倒退1m。再向右打13.47度，后退速度2km/h，倒退0.5m”。但对于汽车来说，是相对复杂的指令。

到这里整个泊车操作就完成了，AI会反复检测是否准确地停入车位。如果完成一整套流程下来都没有泊入车位，那么就会被判定为“泊车失败”，需要重新开始或者需要手动泊车。

写在最后：

看似简单的泊车操作，对于机器来说，是一段上万条代码的程序，是几个TB，甚至几个PB的数据学习。也是车企几年的技术沉淀。不仅需要保证泊车的精准、保护生命财产安全、还需要不断学习符合人们的驾驶习惯。