多模态协同框架破解复杂停车难题：感知融合-轨迹规划-分层控制的闭环优化

本文提出了一种创新性多模态协同框架（APS），通过摄像头与雷达的跨模态特征融合实现94.85%停车线识别精度，结合弧线-松弛曲线轨迹规划与NMPC（非线性模型预测控制）/PID（比例-积分-微分）分层控制架构，在CarSim仿真中实现±0.05m横向误差控制，为复杂场景下的自动泊车系统（L4级自动驾驶）提供全链路解决方案。

　　

Highlight亮点聚焦

停车场景分析

实际停车场景中，受检测误差影响，本文将不规则停车位轮廓简化为二维矩形模型（图2），为多模态感知建立标准化计算基础。

多模态融合车位识别

针对单传感器识别缺陷，融合摄像头与超声波雷达数据：通过鱼眼相机图像校正、Canny边缘检测和霍夫变换实现车位线识别，结合雷达测距数据构建三维语义地图，最大检测误差<0.65m。

停车路径规划策略研究

基于阿克曼转向模型（Ackerman steering）的非完整约束特性，提出三种控制策略：

1. 1.

   一次性倒车入库策略

2. 2.

   前进调整策略

3. 3.

   多步调整策略

   通过动态曲率补偿算法实现横/纵车位全姿态泊车，突破传统规划算法在高维约束下的适应性局限。

模型预测控制原理

采用闭环优化的NMPC框架：在每个采样时刻通过实际输出反馈修正预测轨迹，结合位置-速度级联PID实现纵向精准调速。仿真显示横向跟踪误差稳定在±0.05m，速度超调<3%。

车位识别精度分析

单模态识别基准测试

视觉感知组：经图像逆变换和预处理后，垂直车位角度识别准确率达89.7%，但存在10.3%的误判率；

雷达感知组：在弱光环境下表现稳健，但静态障碍物误检率达15.8%。

多模态融合方案使综合识别精度提升至94.85%，较单模态最高提升21.6%。

结论

本框架通过：

1）摄像头-雷达时空特征融合的三维语义地图

2）弧线-过渡曲线动态规划

3）NMPC+PID分层控制

实现复杂场景下全链路优化，实车试验验证其具备毫米级跟踪精度与强鲁棒性。