做自动泊车项目很多人一上来就盯着摄像头总觉得视觉方案才是智能车的“眼睛”恨不得用一群鱼眼镜头把车身围一圈。但真到了泊车这个场景你会发现真正兜底的往往是另一套传感器——超声波雷达也就是大家常说的“耳朵”。我见过太多队伍在电赛和实际工程里摄像头标定做得漂漂亮亮结果一到近距离泊车就翻车最后靠几颗超声波雷达把成绩救了回来。AK1和AK2就是这类雷达里最常见的两种型号名字看着像亲兄弟实际上从探测距离到接口协议都有讲究。这篇文章不聊那些虚的直接拆解AK1和AK2到底差在哪每个差异点背后的设计逻辑是什么以及你在做自动泊车项目时到底该怎么选、怎么调、怎么避开那些坑。内容主要面向正在做智能车、自动泊车竞赛或者想入行ADAS传感器融合的同学也适合对泊车系统好奇的爱好者保证你能看懂也能用上。1. 项目背景与核心问题泊车场景为什么离不开“耳朵”1.1 摄像头在近距离泊车时的天然短板先说个很多人不爱听的事实摄像头在泊车场景里远没有你以为的那么可靠。别看现在各个车厂的“全景影像”宣传得天花乱坠真正用起来你会发现几个硬伤。第一是近距离盲区。摄像头安装在车外后视镜、前后保险杠上镜头视角再广也有物理极限。车身正下方、保险杠正前方30厘米内的区域基本是视觉死角。而泊车恰恰是低速、近距操作最后那一下贴边、入库车身离障碍物往往就在20到50厘米之间这正好落在摄像头的盲区里。第二是光照和反光问题。地下车库的灯光条件参差不齐逆光、暗光、地面反光、墙面高光都会让视觉算法抓瞎。我实测过在黄昏逆光环境下同一个车位摄像头方案识别成功率能掉三成以上。而且玻璃、镜面、深色车身这些目标视觉特征极不稳定今天能识别明天换个角度就丢了。第三是计算资源。一条720P的摄像头流H.264解码加上目标检测网络在嵌入式平台比如树莓派或者RK3588上跑起来CPU和NPU的占用率是肉眼可见地往上飙。而自动泊车还需要同时处理车辆控制、路径规划、多传感器融合资源冲突是家常便饭。1.2 超声波雷达的不可替代性超声波雷达的工作原理其实很简单探头内的换能器发射一束40kHz左右的超声波脉冲遇到障碍物反射回来根据发射和接收的时间差算出距离。这个原理决定了它有四个摄像头替代不了的优势。一是测距直接输出就是距离值不需要经过复杂的视觉识别实时性和确定性都强。二是近距离探测可靠性高超声波在空气中传播几乎没有视觉那样的光照和纹理依赖。三是功耗和算力极低一个普通的MCU就能同时处理6到8路超声波数据。四是成本便宜AK1和AK2级别的雷达单价基本都在几十块人民币的量级批量更便宜。所以在实际的泊车系统里摄像头负责“看懂场景”——识别车位线、判断车位类型、看障碍物是什么超声波雷达负责“感知距离”——告诉控制器障碍物到底在哪个精确距离上。两者是互补关系不是替代关系。很多做项目的新手容易犯一个错误拼命堆摄像头把超声波雷达当摆设结果就是近距离测距一塌糊涂。AK1和AK2就是超声波雷达里面的两个经典型号很多人听说过名字但不知道具体差在哪。下面这段是全文的核心我按实践经验把差异点掰开揉碎讲清楚。2. AK1与AK2的核心差异不只是探测距离不同2.1 硬件方案与外观定位先说结论从外形上看AK1通常是普通圆柱形探头体积略大尾部带螺纹或者卡扣适合嵌入保险杠开孔安装AK2通常做成了更扁平的方形或者小型化圆柱体积更小便于在有限空间内布置更多探头。这个体积差异背后其实是设计定位的差异。AK1走的是“通用型”路线重点保证探测灵敏度和可靠性对安装空间要求不高适合传统的车前车后布置。AK2走的是“小型化”路线牺牲一部分探测距离换取更紧凑的安装尺寸适合侧面、角落、后视镜下方这类空间受限的位置。我见过一些电赛队伍把AK2装在车模侧裙位置做侧面障碍物检测效果就很好但如果你试图把AK1往同样位置塞大概率会因为体积问题而装不下。所以选型第一件事不是看参数表而是拿游标卡尺量一下你的安装空间。2.2 核心参数对比我把两种型号的关键参数列一个表这个表是基于常见实践的综合整理不同批次的产品数值会有一些出入但差距量级是准确的。参数项AK1通用型AK2小型化差异说明探测距离范围约0.2米到4.5米约0.2米到3.5米AK2探测距离稍短近距离小目标能力略弱最小盲区约0.2米约0.15米AK2贴障碍物更近一点仍能测到波束角水平约60度约50度AK1覆盖面更宽AK2更聚焦波束角垂直约45度约30度AK1对地面凸起更敏感AK2更抗误报工作频率40kHz±1kHz40kHz±1kHz两者一致接口协议模拟电平/PIA5可选PIA5为主AK2更偏向数字协议测量分辨率1厘米1厘米两者一致响应时间25ms级别20ms级别AK2略快与更短探测距离有关工作电压5V5V一致典型功耗约15mA约12mA差距不大防护等级常见IP65常见IP65一致其中探测距离和波束角这两个参数是差别最直观也最影响系统设计的。2.3 探测距离差异对系统设计的影响AK1比AK2多出大约1米的有效探测距离这1米在路径规划里非常关键。以双圆弧自动泊车为例这类算法需要知道车辆在往后倒的时候后方障碍物在什么距离上开始进入“不可回头”的边界。如果只有AK2的3.5米那么车辆在高速倒车入库的时候留给控制器做决策的距离窗口就会短很多——尤其是从3.5米到0.2米按倒车速度0.5米/秒算只有6秒多的时间窗口这对控制周期和路径重规划压力很大。如果用AK1就能提前到4.5米开始建立障碍物轨迹多出约2秒的预判时间。在电赛那种“快准稳”的要求下这2秒钟非常宝贵可以避免很多因为决策滞后导致的碰撞。但事有另一面。AK1探测距离长意味着它的发射功率更大或接收增益更高这也带来一个副作用对小目标和低矮障碍物的“过分敏感”。比如地面的排水沟盖、减速带凸起、甚至雨天的积水反声AK1都可能报出虚假距离值。这时候如果你用AK1做侧面检测就会频繁误报“有障碍物”导致系统误刹车或路径误调整。AK2因为波束更聚焦反而更“冷静”更适合贴近车身的近距检测。所以我的经验是前向和后向远距离用AK1侧面和角落近距补盲用AK2混合搭配效果最好。这不是玄学是两种传感器物理特性天然互补。2.4 波束角与目标识别的关系波束角决定了雷达“看”的范围宽度。AK1水平60度意味着它在正前方60度的扇形范围内都能感知到目标好处是不容易漏掉斜前方突然出现的障碍物坏处是容易把旁边车位的车也“扫”进来造成误判。我实际测试过一个场景车辆准备侧方停车右侧AK1探测到旁边车位的车辆由于波束角宽它把隔壁车位的车也算进了“本车位左侧障碍物”导致规划的路径整体向右偏移结果反而离右边马路牙子太近。这种问题在AK1上更容易出现AK2的50度波束角则会好一些——但如果你安装角度偏了50度照样能把隔壁扫进来。垂直波束角也一样。AK1的45度垂直角对着地面会有较明显的“打地”现象。尤其是雷达安装高度离地只有20到30厘米时波束容易照到地面把地面误判成障碍物。AK2的30度垂直角在这方面好很多能明显减少对地面的误报——这也是为什么很多量产车侧向雷达会用类似AK2的小角度方案。3. 真正影响选型的关键指标除了参数表还要看什么3.1 最小盲区决定了“最后一米”的成败很多人在选型时只盯着最大探测距离却忽略了最小盲区。超声波探头一旦发射完信号需要等待振铃衰减才能切换到接收模式这个切换期间无法接收回波就形成了盲区。AK1和AK2标称最小盲区都接近0.2米左右但实际使用中盲区跟安装高度、入射角度强相关。我举个例子你倒车入库目标停车位置离墙壁只有10厘米。如果雷达盲区是20厘米那么当车辆距离墙壁只剩20厘米时雷达就会“失效”——无论墙多近都测不到。这时候只能靠车辆里程计推算或者摄像头辅助估计。所以你别小看这20厘米盲区它在“精确停车到位”这个需求下是实打实的短板。解决盲区的思路有两个一是把探头安装位置尽量靠近车体外沿让盲区对应的空间区域尽量落在车体之外二是用多颗探头交叉覆盖A探头盲区对应的空间B探头能覆盖一部分。在做电赛小车时我通常会在车尾部安装两颗AK1、两颗AK2左右交叉布置用AK1的宽波束覆盖整体区域用AK2的近距离优势弥补AK1的盲区空隙。3.2 接口协议PIA5协议与模拟电平的取舍AK1和AK2在接口协议上也有所不同。老式的AK1常见的是模拟电平输出雷达模块直接输出一个和距离成正比的电压MCU用ADC采集就能得到距离值。这种方式的优点是简单、通用接个单片机就能用缺点是抗干扰差一旦走线过长或者电机启动造成电源波动ADC采样值就抖得厉害。AK2则更多采用PIA5协议这是一种基于单线双向通信的数字协议。PIA5的好处在于数据以数字帧格式传输天然带校验和抗干扰性强同时支持一条总线上挂多个探头每个探头有独立地址可以大幅减少线束。这在讲究布线整洁、信号稳定的工程项目里非常有用。我接触PIA5协议时的第一反应是“这不就是串口通信嘛”但实际用起来有点区别。PIA5是半双工单线制主控发一帧查询命令探头回一帧数据时间窗口要求比较精确。如果你只接一个探头直接用示波器看波形、用MCU的UART外设加上合适的电平转换就能解如果一条线上挂多个探头必须按地址依次查询不能并行发命令。3.3 采样率与实时性超声波本质上有个天然矛盾声波在空气中的速度大约340米/秒测距4.5米时一来一回就需要约26毫秒。也就是说AK1即便全力工作单次测量周期也在25到30毫秒量级。AK2因为距离短周期能压到20毫秒左右。这两个数字看起来差别不大但对控制闭环来说很关键。如果你的泊车控制系统控制周期是10毫秒那么一颗雷达的测量周期就是2到3个控制周期。你拿到的距离数据天然带一个“时间延迟”如果不在算法里做补偿车动起来后雷达数据会比实际位置慢半拍导致过冲或刹车点头。我的做法是给每路超声波数据打时间戳在融合之前先把不同雷达的数据同步到同一时刻。具体来说用最近一次接收到的距离值结合车辆当前速度做一个简单的线性外推估算“此刻”障碍物应该距离多远。这样虽然不能完全消除延迟但能把滞后感降低很多。另外多路雷达轮流工作会造成更大的“逻辑延迟”。如果系统里挂了6颗雷达每颗测量周期25毫秒你一颗一颗地顺序查询最后一颗雷达的数据其实已经是150毫秒之前的状态了。这时候如果车辆在倒车150毫秒的延迟意味着距离误差可能达到7到8厘米。所以多路雷达一定要考虑并发测量——好在超声波探头之间可以独立发射只要在物理上做好隔离就能让它们同时工作。3.4 环境适应性与防护AK1和AK2这两个型号说起来都是车载级设计基本都做了防尘防水处理常见达到IP65等级。这个等级意味着能防灰尘进入、防喷水侵入但并不能泡在水里。实际工程里最容易坏的不是探头本身而是线束接头和探头的安装密封。很多同学做项目图省事直接用AB胶把探头粘在车模外壳上用一段时间后胶水开裂水汽渗进探头内部灵敏度就直线下降。我的建议是如果用成品外壳尽量用厂家配套的橡胶垫圈和卡扣安装实在要自己固定至少把接缝处用704硅胶做二次密封。另外一个容易忽视的坑是温度影响。超声波的声速随温度变化每升高1摄氏度声速大约增加0.6米/秒。在环境温度变化明显的场景比如从室外停进地下车库如果算法里用的是固定声速测距误差会从0.5%漂移到2%以上。对4.5米的目标这可能造成9厘米的偏差。解决方法是加一个温度传感器或者直接读取车里的环境温度对声速做实时补偿。4. 实操落地从接线到调参的完整记录4.1 硬件接线与供电以典型的6路超声波方案为例前保险杠布置2颗AK1后保险杠布置2颗AK1加2颗AK2侧面在左右后视镜下方各布置1颗AK2。AK1接模拟电平到MCU的ADC引脚AK2通过PIA5总线接到MCU的UART。两种模块都需要5V电源和共地。供电这里要特别强调超声波探头工作瞬间的电流峰值并不小如果直接和舵机、电机驱动共用一个电源探头测量时产生的电压跌落会让ADC读数产生大量毛刺。我踩过的坑是用同一个5V稳压模块给电机驱动逻辑电路和雷达供电结果电机一转雷达距离值跳来跳去。后来把雷达电源单独用一片AMS1117-5.0或者MP1584降压模块隔离再在电源引脚并联一个100uF电解电容和一个104瓷片电容问题立刻消失。4.2 从原始数据到可用距离值如果你拿到的AK1是模拟电平输出读取流程就是MCU的ADC引脚采集电压例如电压范围是0到5V。根据模块手册找到电压与距离的线性关系。常见AK1模块输出0.4V对应0.2米4.5V对应4.5米线性关系是distance voltage乘以一个系数加上一个偏置。因为ADC读到的原始值是0到4095假设12位ADC需要先换算成电压再换算成距离。我这里给出一个简单的读取和滤波示例代码用伪代码展示核心思路#define ADC_MAX 4096.0f #define VREF 5.0f float get_distance(uint32_t adc_value) { float voltage (adc_value / ADC_MAX) * VREF; // 先换算电压 float distance (voltage - 0.4f) * 1.10f; // 线性换算系数按实际模块标定 return distance; } // 滑动平均滤波窗口大小建议5~10 #define FILTER_SIZE 8 float filter_buffer[FILTER_SIZE]; uint8_t filter_index 0; float distance_filter(float new_distance) { filter_buffer[filter_index] new_distance; filter_index (filter_index 1) % FILTER_SIZE; float sum 0.0f; for (uint8_t i 0; i FILTER_SIZE; i) { sum filter_buffer[i]; } return sum / FILTER_SIZE; }这里的系数1.10是根据我手头模块实测得到的经验值不同模块必须重新标定不能照搬。标定方法很简单把车停在距离墙壁已知距离比如1米、2米、3米分别记录输出电压拟合出直线。说句实在话很多人口中的“超声波数据不准”其实不是模块不准是线性标定没做好。同一个传感器标定前后的距离误差可以从5厘米降到1厘米以内值得花半小时好好做。4.3 PIA5协议的数据解析AK2这类PIA5协议探头接线上通常是三根线电源、地、信号。信号线是单总线通过一个电阻上拉到高电平。主控发送查询帧时先把总线拉低一段时间代表起始位然后按位发送数据。探头收到命令后在规定的时隙内返回一帧数据。我以一个简化的PIA5帧格式为例实际协议以厂家手册为准主控发送查询命令起始位 探头地址8bit 功能码4bit 校验4bit探头返回数据帧起始位 距离高8位 距离低8位 状态4bit 校验4bit解析时最关键的是要严格按照时隙来。主控拉低总线的时间必须精准误差过大探头就不响应。在STM32上我一般用定时器的输入捕获模式配合DMA来抓总线上的脉冲宽度解析效率比用中断读电平高很多。如果是树莓派这类Linux系统直接用Python的gpio库可能时序不稳最好用WiringPi的软中断或者写一个小的C扩展来控制时隙。我试过用纯Python轮询GPIO来解析PIA5系统负载一高就会丢帧最后改成C写一个后台守护进程把解析好的距离通过共享内存或socket发给主程序稳定了很多。4.4 阈值标定与滤波策略数据能读出来之后最有价值的一步是标定阈值。你要根据实际车体和障碍物类型定义几个关键的距离值警戒阈值进入这个距离系统开始减速泊车路径重新规划。常见设为1.2米到1.5米。操作阈值进入这个距离允许转向和低速蠕动。常见设为0.6米。停车阈值到达这个距离必须停车防碰撞。常见设为0.2米贴合最小盲区边缘。这些阈值不要拍脑袋定而是要根据车辆的刹车距离和路径规划算法来倒推如果你的最大倒车速度是0.8米/秒控制周期是20毫秒刹车延迟加上执行器响应约0.2秒那么车辆从开始减速到停稳至少需要0.16米的位移。算上超声波本身的25毫秒采样延迟约2厘米你的停车阈值必须大于0.2米否则就会撞上。我实际用的策略是设置两级刹车第一级在1.0米处减速到0.3米/秒第二级在0.35米处直接停车。这样既保证了舒适性也留足了安全余量。滤波方面超声波雷达最常见的问题是“偶发跳变”——某一次测量突然从1米跳到0.3米然后又跳回去。这种跳变如果用滑动平均滤波会被拉出一个“假目标”导致系统误判。更好的做法是中值滤波取连续5次测量排序后取中位数。中值滤波对脉冲型噪声的抑制效果远好于均值滤波而且不会把尖锐变化“磨掉”——这对快速接近障碍物的场景很重要。5. 常见问题与排查技巧实录5.1 典型问题速查表现象可能原因排查思路距离值乱跳电源纹波大、雷达共地不良独立供电、加滤波电容、检查接地线距离值偏大声速未做温度补偿加温度传感器按公式补偿声速距离值偏小线性标定失效重新做多点标定检查模块是否进水偶发丢帧PIA5时序不对、干扰过强用示波器抓总线波形检查上拉电阻阻值近距离测不到盲区内目标、安装角度太斜增加交叉探头、调整安装角度误报路面凸起垂直波束角太大、安装高度低换用AK2这类小角度探头高速移动时数据滞后采样周期太长缩短查询周期、使用并发测量、算法补偿5.2 我踩过的三个“教科书级”的坑第一个坑是雷达之间的串扰。我刚开始做多路超声波时把所有探头接在一起发现距离值经常出现“互相干扰”的假数据明明只有正前方有墙右侧雷达却报出1.5米的障碍物。排查了很久最后发现是两颗AK1的安装位置太近A探头发射的超声波经过墙壁反射后被B探头当成自己的回波接收了。解决方法是错开探头的安装方向或者在固件里给不同探头设置不同的脉冲编码——简单粗暴的做法是让相邻探头交替工作虽然牺牲一点速度但数据干净多了。第二个坑是防水胶把探头“闷死”了。有一段时间我用的AK1传感器在雨天经常报错拆开一看是当初为了防水在探头顶部涂了一层厚厚的热熔胶。超声波是靠振膜振动发声的你把振膜糊住等于把它的“嘴巴”和“耳朵”都堵上了灵敏度断崖式下降。后来我改用厂家配套的软橡胶垫片效果立竿见影。所以记住超声波探头可以防水但绝对不能封死振膜。第三个坑是测试环境太“干净”。在实验室里测试一切正常一到实际停车场就各种误报。原因是实验室地面光滑平整反射特征简单而停车场地面有减速带、车位锁、柱子防撞条、地面的金属排水沟盖这些都会造成多径反射。我现在的习惯是拿到新传感器后第一时间铺在真实停车场里连续跑几个小时把各种异常数据收集起来做分析而不是只在实验室里跑通就完事。5.3 自动泊车场景下的传感器融合思路最后说一个比“AK1和AK2怎么选”更高级的话题怎么把超声波和摄像头的数据真正融合起来用。我推荐一个简单但有效的策略以摄像头为主做车位识别和路径规划以超声波为主做实时避障和停车判断。逻辑很简单摄像头告诉你“车位在哪、路径怎么走”超声波告诉你“现在不能走了因为距离不够”。这两者之间不需要复杂的卡尔曼滤波只需要一个清晰的分工和优先级。在具体实现上我给系统定义了一个状态机搜索车位状态主要由摄像头工作超声波只做低速防碰撞。路径规划状态摄像头识别车位线规划出双圆弧路径超声波保持警戒。执行转向状态摄像头不再频繁处理超声波进入高频工作模式实时检测前后左右障碍物距离。停车判断状态当任一超声波距离低于停车阈值立即停车不管摄像头认为路径还有多长。这个状态机的好处是把“视觉可能出错”和“超声波不够智能”两个问题隔离了。即使摄像头在最后一米识别失败超声波依然能保证车不撞上。写在最后的个人体会自动泊车这个项目听起来很高大上但核心其实就一句话让机器在一个有限空间里安全地把车挪进一个指定的位置。摄像头负责“看见”超声波负责“摸到”两者缺一不可。AK1和AK2不是竞争对手而是黄金搭档——一个管远看一个管近摸。我做过好几个泊车项目最大的教训是不要迷信某一个传感器的参数表更不要盲目堆料。真正好用的一套系统是建立在“理解每个传感器的物理边界”之上的知道它哪些场景可靠哪些场景会失效然后用算法和安装策略去补足它的短板。如果你现在正在做自动泊车项目我的建议很简单先把超声波雷达的原始数据处理做到极致再去碰复杂的视觉算法。距离读数稳了路径规划才有意义盲区摸清了摄像头才有底气。毕竟在泊车这个场景里离障碍物最近的那颗传感器才是真正决定你“碰不碰”的关键。