陈喆：在狭窄车位里探索智能驾驶的真实边界

陈喆，上海交通大学浦江国际学院/密西根学院机械工程专业 2022 级本科生，第二期“溥渊未来学者计划”成员，导师为溥渊未来技术学院秦通副教授。围绕自动驾驶、自动泊车、强化学习与机器人感知—规划系统，他持续在机械工程、控制与计算机科学的交叉地带探索真实世界中的智能决策问题。依托未来学者项目“基于神经网络记忆的自动泊车”，他参与完成 RL-OGM-Parking 系统，成果论文《RL-OGM-Parking: Lidar OGM-Based Hybrid Reinforcement Learning Planner for Autonomous Parking》被 ICRA 2025 录用，并赴美国亚特兰大进行会议交流。此前，他还参与了 IROS 2024 自动泊车相关论文 ParkingE2E 等科研工作。曾获上海交通大学优秀团员、优秀学生干部、吴贤铭崔德娴奖学金、浦江国际学院发展奖学金等荣誉。

· 项目介绍
在很多人看来，泊车只是自动驾驶中最日常的一步；但在地下车库、狭窄车道和死胡同等场景中，车辆需要在极有限的空间内感知障碍物、规划轨迹并不断调整姿态，这恰恰暴露了自动驾驶算法从仿真走向真实时的核心难题：传统规则方法稳定，却不够灵活；学习方法适应性强，却容易在真实部署中失效。陈喆的第二期未来学者项目正是从这一矛盾出发，提出了 RL-OGM-Parking 混合规划框架。项目使用激光雷达构建实时占据栅格地图（OGM）作为统一环境表征，让仿真训练和实车推理面对同一种“地图语言”；在规划层面，将 Reeds-Shepp 规则轨迹规划器与 Soft Actor-Critic 强化学习规划器相结合：能用规则直接安全到达时优先采用规则，遇到极窄、复杂、规则方法无法求解的场景时则由强化学习接管探索。同时，动作掩码机制会约束危险动作，确保策略满足避障和车辆运动学要求。系统最终在真实车辆上形成感知—规划—控制闭环，并在长距离垂直泊车、长距离平行泊车和狭窄死胡同泊车等场景中验证了可行性与实时性。

· 科研探索
从项目立项到结题，陈喆承担了整体技术路线设计、混合规划器架构开发、感知模块搭建、仿真环境与数据采集、实车系统部署以及论文撰写与实验验证等工作。对他而言，这段经历最大的收获，是逐渐认识到“好算法”并不等于“好系统”。模型在仿真中可能接近理想表现，却可能因为点云噪声、定位漂移、算力限制和底盘响应延迟而在实车上失效。正是在一次次失败调试和反复验证中，他逐渐形成了“以应用牵引研究、以系统验证算法”的科研习惯：不盲目追求更复杂的模型，而是在真实约束下寻找稳定、安全、可落地的整体方案。ICRA 2025 的会议交流也让他进一步打开视野，在国际学术舞台上与不同方向的研究者讨论自动驾驶、机器人规划与强化学习的前沿问题。

· 未来展望
未来，陈喆将继续在溥渊未来技术学院攻读电子信息硕士学位，希望在自动驾驶与具身智能方向持续深耕，探索动态障碍物预测、交互式决策、低成本传感器感知与更强泛化能力的智能系统。他相信，未来科技的价值不止在于“更聪明”的算法，更在于能否进入真实场景、解决真实问题，让机器更安全、更可靠地服务人的生活。