当下自动驾驶赛道，最务实的入行切口、最易落地的实战项目，非自主代客泊车（AVP）莫属。
小鹏G7 Ultra、蔚来ET9、华为问界M9已量产搭载AVP功能，头部车企岗位招聘持续火爆，权威机构预测2025-2033年全球AVP市场复合增长率稳定在15%-18%，亚太地区凭中国量产浪潮成为核心增长极。
所以，对于准备入行自动驾驶行业的同学来说，AVP是“以点破面”掌握自动驾驶系统思维的极佳切入点。
原因有二：
首先，AVP的核心价值，在于它为自动驾驶技术提供了“低门槛、高价值、全链路”的实战场景。
其次，更重要的是，AVP的技术路径可迁移性极强，搭建过程中掌握的很多能力，可复用到机器人导航、低速物流、矿区自动驾驶等多个热门赛道。
（技术演进阶段图）
3个月时间搭建一套自主代客泊车系统
该系统涉及的核心算法包括：语义分割、地图构建与语义定位、轨迹规划、车辆控制，涉及的核心工程为Apollo与仿真器SVL的联合仿真。通过该泊车系统的搭建，自己对系统架构、各模块之间的互联互通都有了更深刻地认知。
这套系统是首批华为天才少年、VINS作者、上海交通大学副教授——秦通老师开设的《自主代客泊车：理论与实践》课程的实践项目。
👇点击下方商品，可解锁免费试听
课程技术路径展示
本课程不仅讲解理论，更强调“手撕代码”的工程能力。以下是我在课程中逐步解锁的核心技术模块：
1. 基础架构与车辆状态估计（State Estimation）
基于 Ubuntu 20.04 + ROS Noetic 搭建系统架构。拒绝“套公式”，从贝叶斯滤波源头出发，推导卡尔曼滤波（KF）与扩展卡尔曼滤波（EKF）公式，并编写核心代码，实现了 IMU + 轮速计 + GPS 的多传感器融合定位，让车辆时刻知道“我是谁，我在哪”。
2. 视觉感知与IPM视图（Perception）
深入鱼眼相机成像原理（MEI模型），通过 IPM（逆透视变换） 生成鸟瞰图。引入深度学习模型 BiSeNet，在 SUPS地下泊车场景仿真数据集 上进行训练，实现对车位线、行驶区域的精准语义分割。
3. 语义建图与融合定位（Mapping & Localization）
利用霍夫变换与形态学处理构建泊车语义地图。在此基础上，利用 KD-Tree 加速 ICP（最近点迭代） 算法，实现语义点云配准，结合EKF融合视觉定位、IMU与轮速信息，在无GPS的室内环境实现高精度定位。
4. 规控算法（Planning & Control）
规划层：从基础的 BFS/A* 进阶到带有运动学约束的 Hybrid A* 算法，解决狭窄车库内的轨迹规划难题。
控制层：系统学习并实现了 PID、Stanley（前轮反馈）、Pure Pursuit（纯跟踪）及 LQR（线性二次型） 四种控制器，确保车辆丝滑跟踪规划轨迹。
5. 全栈集成与前沿探索
在LGSVL 高保真仿真器中将上述模块串联，完成大作业Project。同时，课程最后还涵盖了 端到端泊车（End-to-End）、强化学习（RL）、视觉语言模型（VLM） 等前沿学术方向的分享。
👇点击下方商品，可解锁免费试听
课程大纲
欢迎加入「深蓝学院」学习
