自动泊车，反而成了智驾的试金石？

一辆车能够在城市道路上完成跟车、变道和复杂路口通行，并不意味着它就能轻松停进一个狭窄车位。

到了地下车库，车辆速度降了下来，但墙柱、相邻车辆、路沿、地锁等障碍物都距离车身很近，留给车辆调整的空间反而变小。

自动泊车需要处理的，也从道路上的连续驾驶决策，转向对局部空间、车辆姿态和运动轨迹的精细控制。

所以，停车虽然是智驾中速度最低的一个场景，却集中考验了空间理解、车辆状态估计、轨迹规划和控制精度等能力。

01

车位识别只是开始

系统还要理解周围空间

自动泊车看似只是识别车位的一个过程，但车位检测只是整个流程的一部分。

系统还需要判断车位周围有没有足够的可行空间，以及车辆从当前位置驶入之后，整车外廓会不会与其他物体发生干涉。

地下车库里的障碍物并不规整。

墙柱可能紧贴车位边缘，路沿可能只有一部分高出地面，地锁属于低矮障碍物，相邻车辆又可能遮挡部分车位边界。

对于这些物体，系统不仅要识别它们，还要把它们转换成能够参与轨迹规划的空间信息。

这也是泊车感知和普通道路感知之间的区别。

道路驾驶中，系统更多关注车辆、行人等目标是否会进入自己的行驶区域；泊车时，则需要进一步判断障碍物距离车身还有多少，以及车辆按照当前转向继续运动后，整车外廓的哪个区域会最先接近障碍物。

理想汽车目前的VLA泊车说明就提到，系统通过环视摄像头和超声波雷达获取车辆周围的车位、空间和障碍物信息，并据此计算泊入路线，同时控制车辆的转向、换挡、加速和制动。

说明自动泊车需要的感知结果，并不是简单的车位框+障碍物框这类目标列表，而是要形成一套以自车运动学为约束、能够直接服务于轨迹规划的局部空间表征。

02

为什么车位看起来够大

车却不一定能一次停进去？

汽车并不是可以横向或者纵向平移的机器人。

车辆转弯时，车身不同位置的运动轨迹并不相同，车头外摆、车尾运动以及车身侧向扫掠都会受到车辆几何尺寸和当前转向状态的影响。

尤其是在倒车入库时，车辆后部和前部的运动状态存在明显差异。车辆即使能够让后轴附近沿着目标车位方向移动，车头外摆和车身侧向扫掠仍可能进入旁边的空间。

因此，规划泊车路线时，不能只看车辆某一个参考点能不能进入车位，而需要检查车辆沿整条轨迹运动时的外廓和扫掠区域是否会与障碍物发生干涉。

这就产生了两个不同的问题，一个是车位从静态尺寸上能不能容纳车辆，另一个是车辆能不能从当前的位置和姿态，通过实际可执行的运动轨迹进入这个车位。

例如，一个车位从尺寸上看能够容纳车辆，但如果车辆当前距离车位太近、进入角度又不合适，就可能没有足够的转向空间完成一次泊入。

系统需要先向前调整位置，再倒车进入，甚至通过多次前后切换改变车辆姿态。

因此，自动泊车规划的目标并不是简单寻找一条从A点到B点的路线，而是找到一条车辆实际能够执行、同时整车运动空间能够避开障碍物的轨迹。

03

规划出来的路线

还需要车辆真正跟得上

有了可行轨迹，并不代表泊车过程就可以完成了。

车辆实际运动时，会受到转向执行误差、车辆状态估计误差，以及轮胎与地面实际运动状态等因素影响。

系统需要持续获得车辆当前的位置、姿态和运动状态，再与规划轨迹进行比较，调整方向和速度。

这里涉及泊车控制中的一个核心问题，即轨迹跟踪误差。

如果车辆距离目标轨迹出现偏差，控制系统需要根据车辆当前位置和姿态决定如何修正方向；如果继续沿原路线运动可能导致车身逐渐靠近障碍物，就需要降低速度、暂停，必要时重新规划。

所以，自动泊车并不是生成一次路线之后就可以一把打到底。车辆在低速运动过程中，感知、状态估计、规划和控制仍然是持续闭环的。

一些泊车系统会采用几何路径规划结合轨迹跟踪控制。

近年来的研究也在继续优化受限空间中的路径规划、转向变化和控制精度。2026年SAE相关研究就专门讨论了泊车路径规划中的瞬时转动中心变化，以及这种变化对路径规划和泊车性能的影响。

换句话说，车辆每向前或向后移动一段距离，都需要重新确认自己的状态以及周围空间是否仍然满足原来的规划条件。

车辆开得慢，只是给了系统更多控制时间，并没有消除这些问题。

04

量产车正在将泊车从标准车位推向非标准空间

从近几年各车企的公布的泊车场景来看，自动泊车已经可以处理越来越复杂的空间。

小鹏目前公开的AI泊车已经覆盖极窄车位、无线框车位，并提供离车泊入、记忆泊车等功能；其公开资料还显示，超级智能辅助泊车支持垂直、平行车位，并具备遇到障碍物自动暂停等能力。

其中，无线框车位尤其值得注意。

如果没有清晰的车位线，系统就不能单纯依靠车位线的几何形状确定目标区域，而需要结合周围车辆、环境边界等信息判断可停车空间。

小鹏此前的官方答疑也涉及利用相邻车辆等参照物判断无线框车位的情况。

理想汽车则在OTA升级中也增加了窄空间车位、断头路车位、逆鱼骨车位以及与车辆呈较大角度的车位，同时增加动态换挡和后视镜折叠等策略。

这些功能背后涉及到的并不是单一的车位识别能力，而是车辆面对不同初始位置、不同目标位置和不同空间约束时，需要重新计算进入目标区域的运动方式。

华为乾崑进一步将这类能力放到了车位到车位的完整链路中。

2026年乾崑技术大会发布的车位到车位3.0，已经提出向更多非标场景扩展；其2026年上半年安全报告显示，车位到车位功能使用次数超过5441万次。

对于自动泊车，还有一个容易被忽略的问题，即能够避开障碍物，并不等于已经完成了一次好的泊车。

车辆最终停进去以后，还需要有合适的位置和姿态。

例如车辆泊车时虽然没有碰到墙柱，却明显偏向一侧；或者车身已经进入车位，但车辆角度不合适，导致后续出库困难，甚至影响车门开启和周围车辆通行。

理想汽车的相关说明也明确提示，VLA泊车会根据周围环境调整车辆姿态，但不能保证每次都能完全居中，驾驶员仍需要确认最终停车状态。

因此，泊车系统要完成的除了不要碰撞，还有就是让车辆在满足安全距离的同时，以合理的位置、方向和姿态完成停车。

05

车位到车位难在哪里？

如果将一次完整的自动泊车过程拆开来看，它实际上涉及四项相互关联的能力

第一层是空间感知。

系统需要识别车位、车辆、墙柱、路沿、地锁等目标，同时判断它们与车辆之间的相对位置。

对于低矮障碍物、遮挡以及没有明显车位线的区域，感知结果还需要能够转换成后续规划可以使用的空间约束。

第二层是车辆状态估计。

系统不仅要知道车位在哪里，还要知道车辆自己在哪里、车头朝向哪里、当前是前进还是倒车，以及当前运动状态是否与规划轨迹一致。

目标位置判断得再准确，如果车辆自身的位置和姿态估计出现偏差，后面的轨迹规划也会受到影响。

第三层是轨迹规划。

系统需要综合目标位置、障碍物分布和车辆自身运动学约束，决定从哪里进入、什么时候转向、何时前进或倒车，以及是否需要多次调整。

这里规划的不是一条抽象的几何曲线，而是一条车辆实际能够执行的运动轨迹。

第四层是轨迹跟踪与闭环修正。

车辆真正运动起来之后，实际轨迹不可能永远与规划结果完全重合。

系统需要持续比较车辆实际状态与目标轨迹之间的偏差，根据变化调整转向和速度；如果周围空间发生变化或者原来的轨迹已经不再合适，还需要重新规划。

所以，车位到车位并不是在原有辅助驾驶之外简单增加一个自动泊车模块。

它要求车辆从道路行驶阶段一直衔接到低速空间操作阶段，并在这个过程中持续完成环境理解、车辆状态估计、轨迹规划和控制。

道路驾驶更多是在不断变化的开放空间里解决下一步往哪里走；泊车则要求车辆最终以合适的位置和姿态进入一个明确的目标区域。

当智驾从把车开到目的地进一步走向把车准确停到目的位置时，系统面对的就不再只是驾驶决策，还包括对车辆自身运动和周围局部空间进行持续、精细的协调。

这可能也是为什么，自动泊车看起来是智驾中速度最低的功能之一，却始终是检验一套系统工程能力的重要场景。