智能网联汽车技术 课件 项目六 高级驾驶辅助技术

项目六高级驾驶辅助技术01任务1高级驾驶辅助系统(ADAS)简介02任务引入任务引入安全一直是汽车界最关心的问题。汽车行业制定了与车辆安全相关的世界范围测试协议，其在减少交通死亡人数方面取得了巨大成功。在过去的几十年里，每行驶1亿英里的死亡率急剧下降，从1975年的3.35下降到近年的1.13，其中大部分得益于“被动安全”功能，即仅在发生事故时激活并减少对驾驶员和乘客的伤害的功能。其中包括安全带和安全气囊，以及结构改进，例如吸收碰撞能量的皱缩区。然而被动安全带来的受益已经开始趋于平稳。此外，分心驾驶已成为一个日益严重的问题，部分原因是智能手机。为了延续提高安全性的趋势并实现行业零车辆相关事故和死亡人数的目标，车辆必须帮助驾驶员停止撞到东西。这就是主动安全的用武之地。在汽车行业，主动安全主要是指车辆中的高级驾驶辅助系统(ADAS)。那么，什么是ADAS呢？03任务目标能够熟悉高级驾驶辅助系统的概念3能够熟悉常见的高级驾驶辅助系统4能够理解高级驾驶辅助系统的特点2能够熟悉高级驾驶辅助系统的应用范围1能够熟悉高级驾驶辅助系统的概念ADAS的定义ADAS（AdvancedDrivingAssistantSystem）又称高级驾驶辅助系统，是利用安装在车上的各式各样传感器（毫米波雷达、激光雷达、单\双目摄像头以及卫星导航），在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性，ADAS的技术路线如下：ADAS的定义图6-1-1ADAS的技术路线ADAS是实现自动驾驶的前提。早期的ADAS技术主要以被动式报警为主，当车辆检测到潜在危险时，会发出警报提醒驾车者注意异常的车辆或道路情况。对于最新的ADAS技术来说，主动式干预也很常见，美国SAE把ADAS分为6级，分级如下表：表6-1-1ADAS的分级ADAS的定义ADAS的作用：根据公安部统计数据，近84%的交通事故归因于驾驶员的驾驶失误，人已成为交通安全中最大的不确定性因素。智能驾驶系统作为人类驾驶的辅助与替代，利用算法实现人类经验难以比拟的判断速度与精度，能够有效减少驾驶失误，降低交通事故率。ADAS的控制原理如下图所示。图6-1-2ADAS控制示意图ADAS的定义智能驾驶产业化发展迅速，当前仍处于1-2级智能驾驶阶段，3级综合辅助智能驾驶已有充分的技术储备，如丰田的公路自动驾驶辅助AHAC、特斯拉的Autopilot等。各家主流厂商计划在2025年左右实现无人驾驶商业化高级辅助驾驶的类型目前，高级驾驶辅助系统功能主要有预警系统与控制系统，如下表所示。表6-1-2高级辅助驾驶的功能05前方碰撞预警系统（FCW）前方碰撞预警系统（FCW）FCW(ForwardCollisionwarning)前方碰撞预警系统通过计算前方车辆的距离并考虑到车辆的相对速度，系统确定可能发生碰撞的时间，并向驾驶员提供警告信号，如下图所示。图6-1-3FCW前方碰撞预警系统FCW系统的如上功能可以通过三大模块加以实现：信息感知、决策算法、预警信息发布，信息感知包括车辆信息、道路信息，如下图所示。前方碰撞预警系统（FCW）图6-1-4前方碰撞预警系统控制逻辑前方车辆识别，车辆识别是前提，可以采用的传感器有单目视觉、立体视觉、毫米波雷达以及多传感器融合。目前，基于单目视觉灰度图像进行车辆识别的研究最为广泛。前方碰撞预警系统（FCW）前方车距检测，车距测量是FCW系统的重要组成部分，超声波、毫米波、激光雷达、视觉摄像头都可以实现。超声波测距原理简单、成本最低，但其测距精准性受室外温度影响大，衰减快，因此目前只适合短距离测距，主要用在倒车雷达上。实际应用中，常用的是毫米波雷达和视觉方案。视觉方案通过获取图像，根据图像在视野里面的变化的快慢，可预测出车辆发生碰撞的时间。更多的是用雷达的手段先做距离的检测，然后再来算出碰撞的时间。06驾驶员监控系统（DM）驾驶员监控系统（DM）DM(drivermonitoring)驾驶员监控系统是一个不断监测用户的驾驶风格，以发现嗜睡和疲劳的迹象。他可以通过监视驾驶员面对面部表情的方式来完成，也可以通过监视某些驾驶风格（例如：转向）来检测可能的睡意。目前，从整体架构来讲分为直接检测和间接检测两类，如下图所示。驾驶员监控系统（DM）图6-1-5DM驾驶员监控系统丰田的DM方案是由丰田旗下的Denso提供的，主要应用在雷克萨斯以及丰田商用车上。该方案采用一台NIR的红外传感器与一体化ECU组成，装配在驾驶员位置。通过摄像头对驾驶员面部状态以及眼睛的开合频率进行数据采集，从而判断车辆的行驶状态。此方案具有相当高的识别率，但是装配成本相对较高。驾驶员监控系统（DM）德系车型的DM方案都是基于方向盘转向角速度的单向变化率来进行判断的。同时通过车内硬件配置的使用情况将车速、行程、发动机状态、转向角、横向加速度、偏转率、车门的情况、安全带的情况、时间信号等操作进行综合运算之后，得到一个驾驶员的情况。但是由于系统仅对汽车内部情况进行分析，缺少其他维度的支持，得到的数据存在一定的偏差。07后方横向交通告警系统（RCTA）后方横向交通告警系统（RCTA）RCTA(rearcrosstrafficalert)后方横向交通告警系统，它是BSM的一个拓展功能，通常与BSM共享相同的雷达传感器，倒车时当有任何接近的车辆时警示司机。有些系统提供声音报警或者包括闪烁后视镜里面的BSM图标，如下图所示：图6-1-6后方横向交通告警系统（RCTA）08车道偏移报警系统（LDW）车道偏移报警系统（LDW）LDW(lanedeparturewarning)车道偏移报警系统是一个横向的监控系统，监控车辆在当前车道的位置和提醒司机意外的车道漂移。该系统使用一个位于挡风玻璃内部后视镜后面的摄像机来监视前方道路的车道标志。当系统检测到偏离车道时，可以向驾驶员发出声音或触觉反馈，或者通过其他系统主动引导车辆返回车道。车道偏移报警系统（LDW）图6-1-7车道偏移报警系统（LDW）按照传感器的安装方式又可分为俯视系统和前视系统。前视系统可以利用更多的道路信息，在没有道路标识的道路上也可以使用，目前应用较为广泛。09交通标志识别系统（TSR）交通标志识别系统（TSR）TSR(trafficsignrecognition)交通标志识别系统是一个前方的监控系统，通常使用与车道偏离预警系统相同的相机来监控前方道路交通标志。TSR系统的一个主要特征是提醒司机当前限速图6-1-8交通标志识别系统（TSR）交通标志识别系统（TSR）交通标志通常处于室外复杂的环境条件，识别的过程中容易受环境光照、方向旋转的影响。现有交通标识识别的检测算法最常用的方法包括颜色分割、形状检测以及利用局部特征信息设计分类器等方法。在颜色分割方面，常用的颜色空间包括：RGB空间、HSI空间、HSV空间、LAB空间、YCbCr空间、LUV空间等。在形状检测方面，常用的方法包括：Hough变换检测特定形状、基于图像梯度方向信息的几何模型等。10盲区检测系统（BSM）盲区检测系统（BSM）BSM(blindspotmonitoring)盲区检测系统是一个侧面和后方监控系统，当司机打算改变车道、超车或超车时，针对汽车驾驶人的盲点（主要是指三面后视镜，即左、右、内视镜看不到的区域，运用雷达和传感器，来侦测车辆后方的盲点区，在盲点区侦测到车辆靠近时会向驾驶员提供警示，帮助驾驶人将意外的概率降至最低。图6-1-9盲区检测系统（BSM）任务2高级驾驶辅助系统(ADAS)关键技术任务引入近两年，国家出台了许多鼓励ADAS产品的行标和政策，对一些大型货运车辆、特殊行业车辆进行了明确的要求，需加装含有ADAS功能的产品才可上路运营，当然也对诸如此类的ADAS功能产品的各项指标进行了明确的要求。2021年中国发布的《道路交通安全法（修订草案）》里明确规定营运客车须包含的ADAS功能主要有两个，第一个是前碰预警（ForwardCollisionWarning，简FCW），另一个是道路线偏移预警（LaneDepartureWarning）。该类ADAS产品功能是通过在车前窗适当高度位置加装一个前视摄像头进行环境感知分析计算实现的。那么，ADAS中摄像头是如何完成环境感知的呢？任务目标11能够熟悉高级驾驶辅助系统关键技术的概念能够熟悉高级驾驶辅助系统关键技术的概念2能够熟悉多传感器融合控制过程3能够理解多传感器融合算法知识链接无人驾驶汽车主要包括数据采集、数据处理、路径规划、决策控制四部分，如下图所示。图6-2-1ADAS系统示意图无人驾驶是高级驾驶辅助系统(ADAS)的发展终极目标，高级驾驶辅助系统(ADAS)的关键技术主要有：算法算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。不同类型的传感器,由于收集的信息类型差异比较大,所以对信息的处理和认知方式也有所不同，激光雷达、毫米波雷达等主动式传感器对算法依赖程度较低，算法较为简单。摄像头等被动式传感器对算法依赖程度较高，一般由第三方企业提供。在传感器算法方面，视觉识别技术领域发展最为成熟，下面以视觉算法为例来做讲解。视觉算法拥有识别行人，拥有辨别颜色、识别图案等优点，在ADAS技术路线中必不可少。视觉算法分为三个阶段，依次对应智能驾驶的辅助驾驶、高度自动驾驶、完全自动驾驶。算法第一阶段是简单识别，包括车道线识别、车尾识别；第二阶段是边界识别，加入各角度、被遮挡行人检测、被遮挡车辆检测、自行车检测等；第三阶段是街景识别，能够全部识别建筑物、街道、马路边缘。12行人检测（PedestrianDetection）一直是计算机视觉研究中的热点和难点。行人检测要解决的问题是：找出图像或视频帧中所有的行人，包括位置和大小，一般用矩形框表示，和人脸检测类似，这也是典型的目标检测问题。3视觉处理系统巨头Mobileye成立于1999年，2007产品进入前装市场，截至2015年底全球超过1000万辆车搭载Mobileye产品，市占率高达90%，目前EyeQ3系统可以通过单目摄像头实现行人和前车防碰撞预警。算法图6-2-2ADAS行人检测示意图在行人检测中的难道主要有是人的外观差异大、遮挡、背景复杂、检测速度，具体如下图所示。算法logo图6-2-3行人检测的难题行人检测的算法按照实现原理，我们可以将算法可以分为基于运动检测的算法和基于机器学习的算法两大类，接下来分别进行介绍。12基于运动检测的算法基于运动检测的算法如果摄像机静止不动，则可以利用背景建模算法提取出运动的前景目标，然后利用分类器对运动目标进行分类，判断是否包含行人。常用的背景建模算法有高斯混合模型、ViBe算法、帧差分算法、样本一致性建模算法、PBAS算法，具体如下图所示。图6-2-4背景建模算法的运动目标检测13基于机器学习的方法基于机器学习的方法基于机器学习的方法HOG+SVM，它是2005年NavneetDalal提出的检测算法。下图为用HOG特征进行行人检测的流程，输入图像、规范伽马和颜色、计算梯度、空间和方向单元加权股票、对重叠空间块进行对比归一化、收集HOG的过度检测窗口、线性支持向量机、人/非人判断分类，如下图所示。图6-2-5HOG+SVM算法检测的流程基于机器学习的方法得到候选区域的HOG特征后，需要利用分类器对该区域进行分类，确定是行人还是背景区域，在实现时，使用了线性支持向量机，这是因为采用非线性的支持向量机在预测时的计算量太大，与支持向量的个数成正比。采用经典机器学习的算法虽然取得了不错的成绩，但依然存在下面的问题：①对于外观，视角，姿态各异的行人检测精度还是不高②提取的特征在特征空间中的分布不够紧凑③分类器的性能受训练样本的影响较大④离线训练时的负样本无法涵盖所有真实应用场景的情况14基于深度学习的算法基于深度学习的算法基于背景建模和机器学习的方法在特定条件下可能取得较好的行人检测效率或精确度，但还不能满足实际应用中的要求。自从2012年深度学习技术被应用到大规模图像分类以来，研究人员发现基于深度学习学到的特征具有很强层次表达能力和很好的鲁棒性，可以更好的解决一些视觉问题。因此，深度卷积神经网络被用于行人检测问题是顺理成章的事情。基于深度学习的通用目标检测框架，如Faster-RCNN、SSD、FPN、YOLO等，这些方法都可以直接应用到行人检测的任务中，相比之前的SVM和AdaBoost分类器，精度有显著的提升。多传感器的融合多传感器融合实际上是模仿人类通过五官获得外界信息的这种由感知到认知的过程。传感器数据融合是针对一个系统使用多个（种）传感器这一特定问题而提出的信息处理方法，可发挥多个（种）传感器的联合优势，消除单一传感器的局限性，把分布在不同位置的多个同类或不同类传感器所提供的数据资源加以综合，采用使计算机技术对其进行分析加以互补，实现最佳协同效果，获得对被观测对象的一致性解释与描述，提高系统的容错性，从而提高系统决策、规划、反应的快速性和正确性，使系统获得更充分的信息，多传感器融合示意图如下：多传感器的融合图6-2-6多传感器融合示意图多传感器融合的优势：在自动驾驶汽车系统中使用多传感器融合技术主要有提高系统感知的准确度、增强环境适应能力、有效减少成本。多传感器的融合过程包括：获得观测数据、数据预处理、获取描述信息、数据关联、数据融合，如下图所示：多传感器的融合图6-2-7多传感器融合的过程多传感器融合结构：根据传感器信息在不同信息层次上的融合，可以将多传感器信息融合划分为Low-level融合、High-level融合和混合融合结构，如下图所示：多传感器的融合logo图6-2-8多传感器融合结构Low-level融合体系结构是一种较低信息层次上的融合，是集中式融合结构。集中式验合结构将各传感器获得的原始数据直接送到数据融合中心，进行数据对准、数据关联、预测等，在传感器端不需要任何处理，可以实现实时融合，如下图所示：多传感器的融合图6-2-9Low-level融合控制数据级融合是最低层次的融合，直接对传感器的观测数据进行融合处理，然后基于融合后的结果进行特征提取和判断决策。多传感器的融合图6-2-10数据级融合根据融合内容，数据级融合又可以分为图像级融合、目标级融合和信号级融合。图像级融合以视觉为主体，将雷达输出的整体信息进行图像特征转化，与视觉系统的图像输出进行融合。目标级融合是对视觉和雷达的输出进行综合可信度加权，配合精度标定信息进行自适应的搜索匹配后融合输出；信号级融合是对视觉和雷达传感器ECU传出的数据源进行融合，其数据损失小、可靠性高，但需要大量的计算。多传感器的融合特征级融合指在提取所采集数据包含的特征向量之后融合。特征向量用来体现所监测物理量的属性，在面向检测对象特征的融合中，这些特征信息是指采集图像中的目标或特别区域，如边缘、人物、建筑或车辆等信息。图6-2-11特征级融合多传感器的融合根据融合内容，特征级融合又分为目标状态信息融合和目标特性融合两大类。其中，前者是先进行数据配准，以实现对状态和参数相关估计，更加适用于目标追踪，后者是借用传统模式识别技术，在特征预处理的前提下进行分类组合。High-level融合体系结构是一种较高语义层次上的融合，可以是分布式融合结构或者集中式融合结构。分布式融合结构在各独立节点都设置相应的处理单元，在对各个独立传感器所获得的原始数据进行局部处理的基础上，再将结果输入到数据融合中心，进行智能优化、组合、推理来获得最终的结果。混合式融合结构是由多种Low-Level和High-Level融合结构组合而成，部分传感器采用集中式融合方式，其余的传感器采用分布式融合结构，兼有二者的优点，能够根据不同需要灵活且合理地完成信息处理工作。但是，混合式融合方法的结构复杂，对结构设计要求高，加大了通信和计算上的代价。多传感器的融合三种融合结构的比较：基于精度、通信带宽和可靠性等方面，将分布式、集中式、混合式结构融合方法进行比较，如下图所示。图6-2-12三种融合的比较多传感器融合算法融合算法是融合处理的基础。它是将多元输入数据根据信息融合的功能要求，在不同融合层次上采用不同的数学方法，对数据进行综合处理，最终实现融合。目前已有大量的融合算法，它们都有各自的优缺点。这些融合算法总体上法可以分为三大类型：嵌入约束法、证据组合法、人工神经网络法。15嵌入约束法嵌入约束法用数学语言描述就是，即使所有传感器的全部信息，也只能描述环境的某些方面的特征，而具有这些特征的环境却有很多，要使一组数据对应惟一的环境（即上述映射为一一映射），就必须对映射的原像和映射本身加约束条件，使问题能有惟一的解。嵌入约束法有两种基本的方法：贝叶斯估计和卡尔曼滤波。贝叶斯估计法贝叶斯估计法是由ThomasBayes提出的，是一种基于先验概率，并不断结合新的数据信息得到新的概率。贝叶斯估计法常用于静态环境下特征层的融合，公式为：卡尔曼滤波法卡尔曼滤波法是一种利用线性状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。卡尔曼滤波法本质就是最小均方误差准则下的最优线性计算，因此在这里首先介绍几种最优估计法。最优估计是指某一指标函数达到最值时的估计。最小二乘估计是用于对随机向量或常值向量的估计，其达到的最优的指标是使量测估计的精度达到最佳。在估计过程中，可以不使用与估计量相关的动态信息和统计信息，所以估计精度不高，但较为简单，对被估计量和量测误差之间的关系不做要求。最小方差估计是使均方差最小的估计，是估计方法中精度最高的。但是最小方差估计只确定了估计值在量测空间上的条件均值这一抽象关系，而条件均值的求取较为困难，所以按照条件均值来进行最小方差估计较为困难。16证据组合法证据组合法证据组合法认为完成某项智能任务是依据有关环境某方面的信息做出几种可能的决策，而多传感器数据信息在一定程度上反映环境这方面的情况。证据组合法是为完成某一任务的需要而处理多种传感器的数据信息。它先对单个传感器数据信息每种可能决策的支持程度给出度量（即数据信息作为证据对决策的支持程度），再寻找一种证据组合方法或规则，使在已知两个不同传感器数据（即证据）对决策的分别支持程度时，通过反复运用组合规则，最终得出全体数据信息的联合体对某决策总的支持程度，得到最大证据支持决策，即传感器信息融合的结果。17人工神经网络法人工神经网络法人工神经网络通过模仿人脑的结构和工作原理，设计和建立相应的机器和模型并完成一定的智能任务。神经网络根据当前系统所接收到的样本的相似性，确定分类标准。这种确定方法主要表现在网络权值分布上，同时可采用神经网络特定的学习算法来获取知识，得到不确定性推理机制。采用神经网络法的多传感器信息融合，主要分为选择拓扑结构、定义映射函数网络结构、确定权值转换逻辑三个步骤。如下图所示。人工神经网络法图6-2-13人工神经网络法的主要步骤谢谢任务3高级驾驶辅助技术的主要应用01任务3高级驾驶辅助技术的主要应用02任务引入任务引入在当今搭载AEB汽车主动安全上市车型中，出现了较多“故障率”引发用户较多的抱怨。该“故障率”是指当确实遇到碰撞风险时，需要系统触发安全制动，而系统未能及时作出反应，也指当未出现碰撞风险时，不需要系统作出安全制动时，系统却错误的作出制动刹车。那么，造成这种“故障率”的原因有哪些呢？03任务目标能够熟悉高级驾驶辅助技术的应用范围能够熟悉高级驾驶辅助技术的应用范围能够熟悉ADAS系统的配置方案能够理解高级驾驶辅助系统的特点知识链接常见ADAS技术：自适应巡航系统（ACC）碰撞避免系统（AEB或FCW）自动泊车系统车道保持辅助系统图6-3-1常见ADAS技术05自适应巡航概念自适应巡航概念自适应巡航控制系统（AdaptiveCruiseControl，ACC）通过安装在车辆前部的车距传感器（一般为毫米波雷达），持续扫描车辆前方道路，从而得知前车的车速与相对距离，行驶中会自动侦测车速，当与前车的距离越来越小时，会对应调整自身车速，与前方车辆保持安全距离，在设定的速度范围内自动调整行驶速度，以适应前方车辆和/或道路条件等引起的驾驶环境变化。图6-3-2自适应巡航控制状态06自适应巡航功能自适应巡航功能（1）根据驾驶员设定的安全距离，能够在直道、弯道以及上下坡时根据前车的运行状况自动调整车速，并跟踪前车行驶,以减轻驾驶者的疲劳。（2）通过系统软件的升级，自适应巡航控制系统可以实现“停车/起步”功能，以应对在城市中行驶时频繁的停车和起步情况。（3）与自动巡航（也称定速巡航）的区别在于，自动巡航只具有按照驾驶员设定的车速进行等速行驶的功能，自适应巡航不仅具有该功能，还可以根据前车的运行状况自动调整车速的功能。也就是说，自动巡航只是自适应巡航的一部分。常规巡航控制模式在车内开关如下图所示。自适应巡航功能图6-3-3巡航开关车间距离控制模式如下图所示。图6-3-4行车间距离状态07自适应巡航系统工作策略自适应巡航系统工作策略（1）Case1:前方没有行驶车辆，按设定的车速匀速行驶。（2）Case2:前方有行驶车辆，前车速度大于本车速度，按设定的车速匀速行驶。（3）Case3:前车速度小于本车速度，进行主动减速，确保安全距离，当到达目标值后，跟随前车，同速行驶。（4）Case4:前车变更车道/本车变更车道且前方无车时进行加速，恢复设定的车速匀速行驶，若驾驶员干预，则自动退出ACC系统。如下图所示。自适应巡航系统工作策略图6-3-8巡航控制策略08自适应巡航功能的实现流程自适应巡航功能的实现流程自适应巡航功能的实现流程，如下图所示。图6-3-9巡航控制流程09AEB简介AEB简介自动制动辅助系统（AutonomousEmergencyBraking，AEB），又称为自动紧急制动系统，主要由四个模块构成，包括测距模块、数据分析模块、控制模块和制动模块。自动制动辅助系统采用毫米波雷达测出与前车或者障碍物的距离，然后利用数据分析模块将测出的距离与警报距离、安全距离进行比较，小于警报距离时就进行警报提示，而小于安全距离时如果驾驶人没有来得及踩制动踏板，AEB系统会主动干预使汽车自动制动，从而防止追尾事故的发生。如下图所示。10AEB系统构成AEB系统构成汽车AEB系统（自动紧急制动系统）是一种先进的驾驶辅助技术，旨在帮助减缓或避免碰撞。如下面图所示，AEB系统主要由主动制动系统、ABS/ESC系统、电机控制器、车身控制模块和EPS系统构成。主动制动系统是AEB系统的核心组成部分之一。它包括传感器和制动执行器，用于监测车辆前方的交通状况，并在必要时主动执行制动操作。主动制动系统涉及到雷达、摄像头、激光雷达等传感器来感知前方的障碍物，然后通过控制制动液压系统来实现紧急制动。ABS（防抱死制动系统）和ESC（电子稳定控制系统）是与AEB协同工作的系统。ABS系统通过防止车轮锁死，保持车辆制动时的操控性，从而帮助AEB系统更有效地执行紧急制动。ESC系统则在车辆失控时通过对车辆进行制动或加速来稳定车辆。电机控制器是AEB系统中负责调整车辆动力系统的部分。当AEB系统判断需要进行紧急制动时，电机控制器可能会调整发动机输出功率，AEB系统构成以帮助更有效地减缓车速。车身控制模块监测并控制车辆的动态行为，确保在执行紧急制动时车辆保持平稳，与ABS、ESC等系统协同工作，通过调整悬挂系统或其他参数来保持车辆的稳定性。EPS（电动助力转向系统）在紧急制动时可以通过调整转向助力来帮助驾驶员更好地控制车辆，有助于避免潜在的失控情况，并提高紧急制动的效果。图6-3-11AEB系统构成11自动泊车的原理自动泊车的原理不同的自动泊车系统采用不同的方法来检测汽车周围的物体。有些在汽车前后保险杠四周装上了感应器，它们既可以充当发送器，也可以充当接收器。这些感应器会发送信号，当信号碰到车身周边的障碍物时会反射回来。然后车上的计算机会利用其接收信号所需的时间来确定障碍物的位置。其他一些系统则使用安装在保险杠上的摄像头或雷达来检测障碍物。但最终结果都是一样的：汽车会检测到已停好的车辆、停车位的大小以及与路边的距离，然后将车子驶入停车位。自动泊车的原理图6-3-12自动泊车系统原理12自动泊车两种情况自动泊车两种情况自动泊车两种情况：平行泊车、垂直泊车，如下图所示。图6-3-13多类型自动泊车原理13自动泊车步骤自动泊车步骤现有的自动泊车汽车并不是全自动的，但这种车的确使顺列式驻车更加容易。驾驶员仍然必须踩着制动踏板控制车速（汽车的怠速足以将车驶入停车位，无需踩加速踏板）。然后车上的计算机系统将接管方向盘。（1）汽车移动到前车旁边时，系统会给驾驶员一个信号，告诉他应该停车的时间。（2）驾驶员换倒挡，稍稍松开刹车，开始倒车。计算机通过动力转向系统转动车轮，将汽车完全倒入停车位。（3）当汽车向后倒得足够远时，系统会给驾驶员另一个信号，告诉他应该停车并换为前进挡。汽车向前移动，将车轮调整到位。（4）最后系统再给驾驶员一个信号，告诉他车子已停好。14几种自动泊车系统介绍Tiguan途观PLA自动泊车系统介绍图6-3-14自动泊车系统装置①PLA系统传感器探测范围介绍。后保险杆上有4个PDC传感器。中间2个探测范围是160厘米。两边2个探测范围是60厘米。前保险杆上有4个PDC传感器和2个PLA传感器。前面4个是PDC传感器，中间2个探测范围120厘米。外侧2个PLA传感器，探测范围60厘米。前后PDC的连续报警区都是30厘米。Tiguan途观PLA自动泊车系统介绍图6-3-15PLA系统传感器范围②PLA系统技术参数如下表所示。表6-3-1PLA技术参数③PLA系统操作说明如下图所示。Tiguan途观PLA自动泊车系统介绍图6-3-16（1）PLA系统操作备注：系统默认靠右边停车，驾驶员如果打左转向灯，车辆将自动寻找左侧的停车位。Tiguan途观PLA自动泊车系统介绍图6-3-16（2）PLA系统操作备注：停车位长度超过车辆长度1.4m时，无需4、5两歩，可一次自动倒入车位。Tiguan途观PLA自动泊车系统介绍④PLA系统注意事项：车辆发动后，首次前进车速要求≥10km/h,之后按下再PLA开关，才能激活PLA系统。ESP处于打开状态，而且无故障报警。关闭EPB和AUTOHOLD功能。前进车速≤30km/h，系统才开始寻找停车位。车速超过45km/h，系统自动关闭。如果在车速大于30km/h，而且小于40km/h，按下PLA开关，则只有当车速小于