自动驾驶泊车为何总被斜柱带偏？

自动驾驶泊车里最让人困惑的现象之一，是车辆明明已经识别出车位，却总在斜柱、圆柱或斜向墙边留下不自然的偏距。根子往往不在控制器，而在近场回波和车位边界模型一开始就被带偏了。

超声波对近场静态物体很敏感，但它测到的是回波路径，不是直接的几何法线。面对斜柱或斜向墙面时，主反射可能并不返回发射器，而是经地面、邻车或立柱曲面形成多径回波。系统若把最先到达或能量最大的回波简单当成目标表面距离，就会把障碍位置投影到一个看似稳定、实则偏离真实接触边界的点上。

圆柱和包边护角还会放大这种问题。回波在曲面上会随入射角发生漂移，同一根柱子在不同接近方向下可能给出不同距离包络。若车速低、采样帧多，这种漂移看起来反而像一条平滑曲线，极易被追踪器接受。直到车辆开始转向贴靠，几何约束才突然与真实位置冲突。

车位边界别名则来自另一侧建模。很多泊车系统会把地锁、柱脚、轮挡和车位线组合成统一的边界描述，以便规划器快速生成可入位区域。问题是这些元素在局部视角下形态相似，斜柱底座很容易被解释成车位角点，轮挡又可能被当成后边界延长线。模型一旦选错语义，后续轨迹即使执行得很准，也只是在朝错误车位中心收敛。

更难的是，多径误差和边界别名会互相增强。超声回波给出的障碍点偏离后，视觉或环视系统在近场拼接里常会用这些点做一致性确认；而一旦模型已经假设那是一条车位边，新的回波又会被偏向性吸收进旧假设。系统看起来越来越自信，实际却在离真实边界越来越近。

因此泊车近场感知不能只做传感器级滤波，还要在几何层保留“不确定目标类型”这个状态。对斜向反射明显的回波，应降低其直接成边权重，等待车辆换角度后再确认；对疑似角点的结构，则要用连续帧形状、地面标线和车辆可达姿态交叉验证，避免单帧就把底座识别成车位角。

验证时不应只摆标准矩形车位。斜柱、弧形墙、玻璃护栏、地锁和异形车位线才是真正检验系统边界的样本。只有在这些近场歧义场景下仍能稳定区分“回波路径”和“真实边界”，泊车轨迹才不会每次都靠人工留余量兜底。

环视拼接本身也会参与误导。低速转向时，近场地面的单应映射对车身姿态非常敏感，悬架压缩或坡面变化都会让柱脚与车位线的相对位置在俯视图里轻微漂移。若系统又把这些漂移后的视觉边界拿去校正超声回波，两个本来独立的小偏差就会合成一个更稳定的假角点。近场多源互证必须先区分谁是基准，不能互相循环证明。否则系统越融合越自信，留下的却是一个更难被推翻的错误几何中心，直到轮胎真正贴近障碍才暴露问题，而那时已经没有太多轨迹修正余量。

所以，自动驾驶泊车被斜柱带偏，并不是末端控制不够细，而是近场几何从一开始就被误读。把多径回波和边界语义分开建模后，泊车中心线才会回到真正可信的位置。