特斯拉、小鹏、蔚来的自动泊车产品测评

泊车场景作为一段行驶路径的起点和终点，一直是驾驶车辆的高频场景。目前的停车场受限于场地和空间的限制，普遍存在通行空间狭小、障碍物复杂、行人干扰等问题。这些因素极大地考验驾驶员的停车技巧，消耗驾驶员的时间和精力，一直被吐槽和诟病。随着智能驾驶技术的发展，许多车企开始配置自动泊车功能（APA），希望能在一定程度上解决泊车难的问题，满足用户便捷停车的需求。那么，这些自动泊车产品的具体表现如何？目前的自动泊车能够实现哪些效果？在哪些地方可以改进提升？带着这些问题，我们选取了目前市场上已经量产的几款主流车型的自动泊车产品，从多个维度、系统地开展测评，给各位同行提供一些参考。

Part 1：自动泊车的基本原理

自动泊车，Automated Parking Assist（APA），是一项驾驶辅助类功能。APA系统可以通过传感器识别出车辆周围的可用车位，并在识别到多个车位后，让用户选择自己想要泊入的车位；系统根据用户选择的车位，和当前车辆的位姿，计算出泊入车位的轨迹，并控制车辆的横、纵向运动，实现自动泊入目标车位的效果，并且达到一定的位置精度和姿态要求。同样的，系统也可以控制车辆自动泊出车位，这是与自动泊入的反向过程。

在整体的泊车过程中，驾驶员无需对车进行操控，全程由APA系统自动完成，驾驶员只需要观察周围环境，在紧急状态或系统无法完成泊车时接管车辆即可。

已有的量产自动泊车产品中普遍采用的是摄像头+超声波雷达的方案。其中，摄像头负责检测车位线，从而识别出标线车位；超声波雷达负责探测可以停车的空间，从而确认车位的可用性。

另外，超声波雷达也可以探测出没有车位线、由周围物体形成的可停车区域（空间车位）。除了识别车位外，摄像头和超声波雷达一起，也能实时检测车辆周围的障碍物，避免发生碰撞。

对于带摄像头的方案来说，目前大部分是采用环视摄像头，形成车辆周围的全景影像。此时，可以认为自动泊车APA是在全景影像AVM之上的更高一级功能。

从Part 1的基本原理中，不难看出，自动泊车主要分为两个环节：识别车位和泊入车位。因此，我们的评价指标也主要围绕着这两个环节。另外，我们也会考虑泊出车位和APA的人机交互评价。

对于识别车位来说，最重要的是考察系统可以识别出来的车位类型，以及识别的准确程度、可靠程度。

车位的类型有很多，并且涉及到的车位元素也很多，比如场地类型、地面材质、车位方向、标线特征、参照物特征等等，几乎无法穷举。我们整理了车位涉及到的主要元素，并分析归类，从而形成一套系统化的车位描述方法，进而形成通用化的泊车场景库。

△表1 泊车场景-车位的元素及类别

注：

①无标线车位，即没有停车线，通过前后或左右的物体，形成的可停车空间，又称空间车位。

②机动车和非机动车，如果是长时间处于静止状态，则归类于静态障碍物，如停放在车位上的其他车辆；如果是移动状态，则归类于动态障碍物。表1中为了体现行人、动物、非机动车、机动车的可移动特性，所以把这几类物体作为动态障碍物来分类。

表1中的各种元素，可以排列组合成多种多样的停车位，形成系统化、完整化的泊车场景库。

在真实的泊车场景中，我们通常遇到的停车位，大部分都是标准、统一化的常见停车位。这里用图示的形式，说明常见的几种停车位，这些停车位可以覆盖90%以上的泊车场景。本次我们的实车测评，也将针对常见的停车位展开。

（1）垂直-标线车位

△图4 垂直-标线车位示意图

（2）水平-标线车位

△图5 水平-标线车位示意图

（3）垂直-空间车位

△图6 垂直-空间车位示意图

（4）水平-空间车位

△图7 水平-空间车位示意图

泊入车位的过程，考察的是系统规划泊车轨迹的能力，以及控制车辆按计算出的泊车轨迹准确行驶的能力。我们将从泊车的成功率、用时等客观层面，以及平稳性、舒适性等主观层面，来综合评价泊入车位的表现。

表2所示的是泊入车位的主要评价指标，其中一些评价指标，还可以再细分，我们将在具体的实车测评中介绍。

△表2 泊入车位的评价指标

当前的量产APA产品中，并非所有产品都具有泊出车位的功能（因为使用场景并不多，这个功能实际上比较鸡肋）；并且，泊出车位的轨迹规划比较简单，泊出过程短暂，因此我们将只对泊出后的车辆位姿做出评价，不仔细考察泊出的过程。

在任何场景下，车辆的行驶都是“人-车-环境”的动态闭环过程，因此对于APA来说，除了2.1～2.3中的车与环境交互的评价维度外，我们同样要考虑人与车的交互，即人机交互的内容。

人机交互的具体评价指标，与APA的各个过程紧密相关，我们在测评识别车位、泊入车位和泊出车位的同时，同步关注相关的人机交互表现。

人机交互主要从系统的显示、对用户的提示等内容，以及用户对系统的操作方式等内容，这两个层面来评价。

本次测评，我们选取了三款主流车型的APA产品，分别是特斯拉Model 3、小鹏P7和蔚来ET7，其软件均已升级到最新。

我们按照Part 2中的APA产品评价指标，对这三款产品，展开具体的实车测评。

三款车型的具体车型配置，以及智能驾驶相关的硬件参数，请看表3。可以看出， 特斯拉没有环视摄像头，因此其自动泊车功能，依赖12颗超声波雷达实现；小鹏P7和蔚来ET7则都是通过4颗环视摄像头+12颗超声波雷达融合的方式，实现自动泊车。

△表3 测评车型的配置参数

在2.1章节中，我们已经整理了系统化的泊车场景，以及常见的车位类型。实车测评时，我们首先针对车位的各类元素，让APA系统尝试识别各种各样的车位，记录其能够识别出的车位元素类型；然后针对常见的车位，记录不同APA产品识别车位的准确率等参数，考察其识别车位的准确性。

（1）可识别的车位元素。

受限于实际的场地条件，我们无法对2.1章节中提到的所有车位元素都进行实测。因此，我们测评了这三款产品对大部分车位元素的识别效果，如表4所示。

表4中，打√表示系统可以识别该元素类别，打×表示不可以识别带有该元素的车位，标注—则表示实测中未遇到带有该元素的车位。

△表4 不同产品对车位元素的识别能力

从表4的实测记录中，我们可以得出以下结论：

停车场地的类型，不是车位识别能力的限制条件，在光照充足的环境下，无论停车场类型是露天停车场、路边停车位、地下停车库还是停车楼，参与测试的三款车型的APA系统都可以识别出车位。

停车场地的地面材质，也不是车位识别能力的限制条件，对于常规的水泥地、地坪漆、塑胶、地砖等材质的场地，三款产品都可以识别出车位。

基本的垂直车位和水平车位，三款产品都可以识别并区分。

常规的单层实线停车位，小鹏P7和蔚来ET7都可以识别出来，但特斯拉Model 3无法识别车位线，因此识别不出对应的停车位。

小鹏和蔚来识别车位线时，车位线的颜色对识别能力没有影响；但是，U型的标线车位，即开口的车位，目前不能作出识别。我们初步判断，这是因为U型车位的前端没有任何线段，而这部分线段恰好是目前视觉语义识别的重要特征，不可或缺。

对于没有标线的车位，APA通过超声波来探测可停车空间，三款产品对于车-车形成的车位和车-障碍物形成的车位，都可以识别出。我们推测，应该也可以识别出障碍物-障碍物形成的车位。

三款产品都不能识别车位上的任何字符，说明三款产品都没有做字符检测的算法。因此，系统不会对某些特殊车位做出特别处理。

对立柱、标志牌、雪糕筒、地锁、墙体、绿化带等停车场常见的静态障碍物，以及机动车、非机动车、行人等动态障碍物，三款产品都可以识别；但对部分静态障碍物，三款产品会以其他元素替代显示，如小鹏P7就是用车辆模型来代替地锁，在中控屏上显示车位的不可用性。

以上，是对三款产品可以识别出的泊车场景元素的测评结果，结果显示：小鹏P7和蔚来ET7可以识别出的场景元素基本一致，特斯拉不能识别标线车位，但是可以通过超声波雷达，探测出无标线的停车空间。

下面，我们选取常见的车位类型，考察这三款产品识别车位的准确性。

（2）识别车位的准确性。

识别车位的准确性，反映了APA功能识别车位的精准度和可靠程度，以及受环境影响的程度，对量产的APA产品具有十分重要的意义。

在日常的泊车场景中，垂直-标线车位和水平-标线车位是最常见的车位类型，因此，我们针对这2种车位，测试Model 3、P7和ET7这三款车的自动泊车产品识别车位的准确性。（空间车位也是常见的车位类型，但由于空间车位是由周边物体形成的区域，其尺寸、方位等都不可控，随机性较大，因此难以统计空间车位识别的准确性，我们本次就不做测评了。）

其中，垂直-标线车位的测评在地下停车库进行，我们对全封闭、半封闭和角点标线的车位都进行了测试；水平-标线车位的测评在某园区内的路边停车位进行，只测试了全封闭的标线车位。

具体的测试方法与步骤如下：

识别车位的准确性的测评结果如表5所示。可以看出：

对车速的要求：特斯拉Model 3和小鹏P7可以使用自动泊车寻找车位的车速上限均为24kph，即当车速达到25kph时，会退出识别车位的状态；蔚来ET7可以使用自动泊车寻找车位的车速上限则为21kph，即当车速达到22kph时，退出车位识别。按照通常的工程开发习惯，我们猜测：特斯拉和小鹏是按车速25kph作为阈值来开发的；蔚来是按车速20kph作为阈值来开发的，但为了规避车速的超调引起的状态跳变，因此显示给用户的车速上限是24kph和21kph。

垂直-标线车位的识别准确性：特斯拉Model 3无法检测车位线，因此不能识别标线车位；小鹏P7共识别出196个车位，漏识别4个，没有误识别（把非车位识别成车位）的现象；蔚来ET7识别出全部的200个车位，没有漏识别和误识别。

水平-标线车位的识别方面：特斯拉Model 3依然无法识别；小鹏P7和蔚来ET7都识别出了全部的50个车位，没有漏识别和误识别。但由于水平-标线车位的样本量小，所以结果的统计意义不是很高，结果仅供参考。

另外，小鹏P7和蔚来ET7都可以准确地识别出车位被占用的情况，即车位上有其他车辆，或地锁、锥桶等常见障碍物的情况，准确率达100%。

△表5 不同产品识别车位的准确性

可见，小鹏P7和蔚来ET7识别车位的准确率高，甚至可以达到100%，说明其APA识别车位的性能稳定可靠，效果较好。而特斯拉无法依据车位线识别车位，只能识别出空间车位，此项无法作出评价。

在2.2章节中，我们已经初步整理了泊入车位能力的评价指标。在实车测评中，我们可以把一部分评价指标进一步细化，然后根据这些评价指标，逐一测评三款APA产品的泊入车位能力。

考虑到车位尺寸的标准化，我们需要在常规的标线车位中测评，又考虑到特斯拉只能识别空间车位而无法识别车位线，因此我们选取左右两边都有车的垂直-标线车位，和前后都有车的水平-标线车位，分别测评。其中垂直车位的测评在地下停车库进行，水平车位的测评在园区内地面停车场进行。

具体的测试方法与步骤如下：

图8是我们选定的测试车位示意图。

△图8 泊入能力测评车位示意图

表6是泊入车位能力的测评结果。可以看出：

在泊入车位的成功率方面，三款产品并无太大差别，特斯拉Model 3比小鹏P7和蔚来ET7略低，但也超过90%；也就是说，在50次泊入车位的测试中，至少成功45次，仅有少数几次提示无法完成，需要用户接管。

另外，对于垂直车位和水平车位来说，三款产品泊入的成功率基本没有差别。但是，考虑到蔚来ET7的车辆尺寸（长、宽、轴距）比特斯拉Model 3和小鹏P7大一个级别以上，我们认为蔚来ET7能取得超过90%的泊入成功率非常难得。

泊入车位过程中的车速方面，三款产品是一样的， 都保持2kph的车速行驶，这也是车上的驾乘人员感觉比较舒适的车速。

在50次的垂直车位泊入测试中，三款产品的平均用时都在40～50秒之间，这与正常的人工泊入用时相差不大，说明APA系统应对垂直车位时，已经基本达到了人工泊车的水平。其中小鹏P7平均用时最短，蔚来ET7平均用时最长，两者相差8.8秒，但考虑到ET7的尺寸，我们认为这个差距是可以接受的。特斯拉Model 3的尺寸小于小鹏P7，但泊车用时却比P7多了6.8秒，其表现是不如小鹏P7的。

在50次的水平车位泊入测试中，三款产品的平均用时都在40秒左右，比通常的人工侧方位停车用时要短，可见APA在水平车位的泊入表现，要优于人工泊车。三款产品的平均用时长短顺序，与垂直车位的测试结果一样，但相差不太大。

前面2.2章节中提到，揉库次数与泊车用时正相关，实际的测试结果也验证了这一点：三款产品的平均揉库次数，其排序与平均用时的排序一致。实车测试中，最少的揉库次数是1次，最多揉库4次。

在泊入过程的流畅度方面，这三款产品的总体体验都很一般，最大的问题是原地转方向盘，以及泊车过程中存在多次停车调整方向的情况。这给我们的感觉是“过于机械化，不够聪明，对车辆的横纵向综合控制不协调，像是一位科目二的学员，而不像老司机”。并且，原地转方向盘对转向系统部件也有一定的损害。

在用户的舒适度方面，三款产品的体验也一般。虽然纵向的加速和减速都很平稳，但横向的平稳性较差——具体表现为方向盘转动速度过快，幅度过大，非常“猛”，不够“丝滑”。

泊入车位完成后，三款APA产品都能达到比较好的车身位置与姿态，居中度高，与左右或前后车辆的距离适中，并且车身与车位朝向的角度一致，无明显夹角和偏差。

△表6 不同产品泊入车位的能力

综合表6中各项指标的测评结果，我们可以得出以下结论：蔚来ET7泊入车位的能力最强，小鹏P7次之，特斯拉Model 3最弱，但三者的差距不太大，基本都能达到人工泊入车位的水平。

泊出车位的功能，目前并不是所有APA产品都具备，本次测评的三款车型，只有小鹏P7有泊出车位的功能，因此我们不作对比，只考察小鹏P7泊出车位的表现：