Lateral Velocity Model for Vehicle Parking Applications
作者: Luis Diener, Jens Kalkkuhl, Markus Enzweiler
分类: cs.RO
发布日期: 2025-11-03
备注: This manuscript has been submitted to Vehicle System Dynamics for possible publication
💡 一句话要点
提出基于实车数据的横向速度模型，提升自动泊车定位精度
🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)
关键词: 自动泊车 横向速度估计 车辆动力学模型 零侧滑模型 车辆定位
📋 核心要点
- 现有自动泊车方案依赖零侧滑模型估计横向速度，但在低速场景下精度不足，影响泊车效果。
- 该论文通过分析真实泊车数据，发现零侧滑假设的系统性偏差，并提出新的横向速度模型。
- 新模型仅需两个参数，即可有效提升横向速度估计精度，适用于消费级车辆的自动泊车系统。
📝 摘要（中文）
自动泊车需要在狭小空间内快速、精确地操作，因此需要精确定位。纵向速度可以通过车轮编码器测量，但由于消费级车辆缺乏专用传感器，横向速度的估计仍然是一个关键挑战。现有方法通常依赖于简化的车辆模型，例如零侧滑模型，该模型假设后轴没有横向速度。然而，在低速行驶时，这种假设并不成立，研究人员因此引入额外的启发式方法来弥补差异。本文分析了来自泊车场景的真实数据，并识别出与零侧滑假设的系统性偏差。我们解释了观察到的效应，并提出了一个横向速度模型，该模型能更好地捕捉车辆在泊车期间的横向动力学。该模型在仅依赖两个参数的情况下提高了估计精度，非常适合集成到消费级应用中。
🔬 方法详解
问题定义：自动泊车系统需要精确的车辆定位，而横向速度的准确估计是关键。现有方法，特别是基于零侧滑模型的方案，在低速泊车场景下存在较大误差，因为零侧滑假设与实际情况不符，导致定位精度下降。现有方法通常采用启发式规则进行修正，但缺乏理论支撑和泛化能力。
核心思路：该论文的核心思路是通过分析真实泊车数据，揭示零侧滑假设的偏差规律，并建立一个更符合实际情况的横向速度模型。该模型旨在捕捉车辆在低速、大转向角情况下的横向动力学特性，从而提高横向速度的估计精度。
技术框架：该论文主要分为三个阶段：数据采集与分析、模型建立与参数估计、模型验证与评估。首先，通过实车实验采集泊车场景下的车辆运动数据。然后，分析数据中横向速度与车辆状态之间的关系，建立横向速度模型。最后，使用独立数据集验证模型的性能，并与现有方法进行比较。
关键创新：该论文的关键创新在于提出了一个基于实车数据的横向速度模型，该模型能够更好地捕捉车辆在低速泊车场景下的横向动力学特性。与传统的零侧滑模型相比，该模型考虑了车辆的侧偏角和轮胎的非线性特性，从而提高了横向速度的估计精度。此外，该模型仅需两个参数，易于标定和部署。
关键设计：该模型基于车辆运动学方程，并引入了两个关键参数来描述车辆的侧偏特性。这两个参数可以通过最小二乘法等优化方法，从实车数据中估计得到。论文中没有明确提及损失函数或网络结构，因为该方法主要是一个基于物理模型的参数化模型。
📊 实验亮点
该论文通过实车实验验证了所提出的横向速度模型的有效性。实验结果表明，与传统的零侧滑模型相比，该模型能够显著提高横向速度的估计精度，从而提升自动泊车系统的定位精度。具体的性能数据和提升幅度在摘要中未明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于自动泊车系统，提高车辆在狭小空间内的定位精度和泊车效率。该模型易于集成到消费级车辆中，有助于提升自动驾驶系统的安全性和用户体验。此外，该研究方法也可推广到其他低速车辆运动场景，如自动驾驶叉车、AGV等。
📄 摘要（原文）
Automated parking requires accurate localization for quick and precise maneuvering in tight spaces. While the longitudinal velocity can be measured using wheel encoders, the estimation of the lateral velocity remains a key challenge due to the absence of dedicated sensors in consumer-grade vehicles. Existing approaches often rely on simplified vehicle models, such as the zero-slip model, which assumes no lateral velocity at the rear axle. It is well established that this assumption does not hold during low-speed driving and researchers thus introduce additional heuristics to account for differences. In this work, we analyze real-world data from parking scenarios and identify a systematic deviation from the zero-slip assumption. We provide explanations for the observed effects and then propose a lateral velocity model that better captures the lateral dynamics of the vehicle during parking. The model improves estimation accuracy, while relying on only two parameters, making it well-suited for integration into consumer-grade applications.