CN107284443A - 检测可用停车位 - Google Patents

检测可用停车位 Download PDF

Info

Publication number
CN107284443A
CN107284443A CN201710217913.2A CN201710217913A CN107284443A CN 107284443 A CN107284443 A CN 107284443A CN 201710217913 A CN201710217913 A CN 201710217913A CN 107284443 A CN107284443 A CN 107284443A
Authority
CN
China
Prior art keywords
parking
radar
batten
vehicle
radar data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710217913.2A
Other languages
English (en)
Other versions
CN107284443B (zh
Inventor
吉内什·J·杰恩
斯内哈·卡德托塔德
哈珀丽特辛格·班瓦伊特
维迪亚·那利亚姆布特·穆拉里
彼得·杰米洋·约
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN107284443A publication Critical patent/CN107284443A/zh
Application granted granted Critical
Publication of CN107284443B publication Critical patent/CN107284443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/06—Automatic manoeuvring for parking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/471—Contour-based spatial representations, e.g. vector-coding using approximation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9314—Parking operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9327—Sensor installation details
    • G01S2013/93271—Sensor installation details in the front of the vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers
    • G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明适用范围扩及用于检测停车环境中的可用停车位的方法、系统和计算机程序产品。雷达系统用于收集关于停车场环境的数据。将雷达数据作为输入提供给神经网络模型。可以训练使用神经网络的算法来识别停放的车辆和关于杂物、购物车、路灯、交通标志、行人等的冲突数据。神经网络模型处理雷达数据来估计停车位边界并将停车位边界近似为样条。神经网络模型向车辆计算机系统输出样条估计。车辆计算机系统利用样条估计来检测可用停车位。样条估计在车辆在停车环境中导航时更新。

Description

检测可用停车位
技术领域
本发明总体上涉及停车位检测系统的领域，更具体地，涉及基于雷达的检测系统，其可以检测停车环境中的可用停车位。
背景技术
对于驾驶员来说，停车可能是麻烦的过程。在垂直停车或斜角停车的情况下，可能难以估计在车辆两侧将有足够的空间的情况下何时转入停车位、如何定位方向盘使得车辆在停车线之间等间隔、以及开入停车位多远。在平行停车的情况下，可能难以知道是否有足够的空间来停放车辆、何时开始转动方向盘、以及在校正方向盘之前开入停车位多远。在存在不平坦的地形或存在移动物体(例如行人、骑自行车的人或其他车辆)的情况下，这些停车操纵可能进一步复杂化。
发明内容
根据本发明，提供一种用于控制车辆并且检测停车环境中的可用停车位的方法，该方法包括：
从一个或多个雷达系统接收雷达数据；
从雷达数据计算坐标数据；
处理坐标数据以估计停车环境中的停车位边界；
从估计的停车位边界计算停车位边界的样条估计；和
向车辆计算机系统提供样条估计。
根据前述方法的一个实施例，其中计算停车位边界的样条估计包括估计下述中的一个：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条、v样条。
根据本发明的一个实施例，方法还包括利用样条估计来检测可用停车位。
根据本发明的一个实施例，方法还包括在车辆在停车环境中导航时更新样条估计。
根据本发明的一个实施例，其中接收雷达数据包括在指定的时间间隔从一个或多个雷达系统接收雷达数据。
根据本发明，提供一种用于控制车辆并且检测停车环境中的可用停车位的方法，该方法包括：
在车辆计算机系统处接收来自车辆雷达系统的雷达数据，雷达数据以特定时间间隔收集；
从与车辆有关的雷达数据计算笛卡尔坐标；
使用先前训练的神经网络处理雷达数据来估计停车环境中的停车位边界；
将停车位边界近似为样条，样条已经与估计的停车位边界曲线拟合；
利用样条来检测可用停车位；和
在车辆在停车环境中导航时更新样条。
根据本发明的一个实施例，其中接收雷达数据包括从定位为朝向车辆前部的两个或更多个雷达系统接收雷达数据。
根据本发明的一个实施例，其中接收雷达数据包括从定位于车辆的多个角落处的雷达系统接收雷达数据。
根据本发明的一个实施例，其中计算与车辆有关的雷达数据的笛卡尔坐标包括确定雷达数据在停车环境的平面中的坐标。
根据本发明的一个实施例，其中使用先前训练的神经网络处理雷达数据包括利用在先前概念验证测试期间已经训练和验证的神经网络模型。
根据本发明的一个实施例，方法还包括：利用与雷达数据收集相一致的相同空间配置，在特定实例中针对停车环境的地面实况验证神经网络模型的结果。
根据本发明的一个实施例，其中使用先前训练的神经网络处理雷达数据包括利用含有多个层并且含有损耗层的神经网络架构。
根据本发明的一个实施例，方法还包括利用神经网络来识别雷达数据的周界，该雷达数据的周界用于估计停车位边界。
根据本发明的一个实施例，其中将停车位边界近似为样条包括将停车位边界估计为以下之一：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条或v样条。
根据本发明的一个实施例，其中利用样条来检测可用停车位包括提供由样条轮廓限定的可用停车位的位置。
根据本发明的一个实施例，其中在车辆在停车场中导航时更新样条包括基于更新的雷达数据重新计算样条。
根据本发明，提供一种用于检测停车环境中的可用停车位的系统，该系统包括：
系统存储器；
与车辆相关联的雷达系统；
先前训练的神经网络；和
一个或多个处理器，其被配置为与系统存储器、雷达系统和先前训练的神经网络交互以：
接收来自雷达系统的雷达数据，雷达数据以特定时间间隔收集；
从与车辆有关的雷达数据计算笛卡尔坐标；
处理雷达数据来估计停车环境中的停车位边界；
将停车位边界近似为样条，该样条已经于估计的停车位边界曲线拟合；
利用样条来检测可用停车位；和
当车辆在停车环境中导航时更新样条。
根据本发明的一个实施例，其中一个或多个处理器被配置为从安装在车辆上的多个雷达单元接收雷达数据。
根据本发明的一个实施例，其中一个或多个处理器还被配置为识别雷达数据的周界，该雷达数据的周界用于估计停车位边界。
根据本发明的一个实施例，其中一个或多个处理器被配置为将停车位边界估计为以下之一：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条或v样条。
附图说明
参考以下说明书和附图，将更好地理解本发明的具体特征、方面和优点，其中：
图1示出了计算设备的示例框图；
图2示出了有助于检测停车环境中的可用停车位的示例计算机架构；
图3示出了用于检测停车环境中的可用停车位的示例方法的流程图；
图4示出了示例停车环境。
具体实施方式
本发明适用范围扩及用于检测停车环境中的可用停车位的方法、系统和计算机程序产品。
如下面更详细讨论的，本发明的实施例可以包括或利用包括计算机硬件的专用或通用计算机，例如一个或多个处理器和系统存储器。在本发明的范围内的实施例还包括用于携带或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(设备)。携带计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本发明的实施例可以包括至少两种截然不同种类的计算机可读介质：计算机存储介质(设备)和传输介质。
计算机存储介质(设备)包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦只读存储器(EEPROM)、只读光盘驱动器(CD-ROM)、(例如基于RAM的)固态驱动器(“SSD”)、闪存、相变存储器(“PCM”)、其他类型的存储器、其它光盘存储器、磁盘存储器或其它磁性存储设备或可用于以计算机可执行指令或数据结构的形式存储期望的程序代码方法并且可以由通用或专用计算机访问的任何其它介质。
“网络”被定义为使得能够在计算机系统和/或模块和/或其他电子设备之间传输电子数据的一个或多个数据链路。当通过网络或另一通信连接(硬连线，无线或硬连线或无线的组合)向计算机传送或提供信息时，计算机适当地将该连接视为传输介质。传输介质可以包括可以用于以计算机可执行指令或数据结构的形式携带期望的程序代码方法并且可以由通用或专用计算机访问的网络和/或数据链路。上述的组合也应包括在计算机可读介质的范围内。
此外，在到达各种计算机系统部件时，计算机可执行指令或数据结构形式的程序代码方法可以从传输介质自动传输到计算机存储介质(设备)(反之亦然)。例如，通过网络或数据链路接收的计算机可执行指令或数据链路可以缓存在网络接口模块(例如，“NIC”)内的RAM中，然后最终传送到计算机系统RAM和/或计算机系统的较不易失性计算机存储介质(设备)。RAM还可以包括固态驱动器(SSD或基于扩展的外部设备互联(PCIx)的实时存储器分层存储，诸如FusionIO)。因此，应当理解，计算机存储介质(设备)可以被包括在也(或甚至主要地)利用传输介质的计算机系统部件中。
计算机可执行指令包括例如当在处理器处执行时使得通用计算机、专用计算机或专用处理设备执行某一功能或一组功能的指令和数据。计算机可执行指令可以是例如二进制、诸如汇编语言的中间格式指令、或甚至源代码。虽然已经用对结构特征和/或方法动作专用的语言描述了主题，但是应当理解，所附权利要求中定义的主题不一定限于上述描述的特征或动作。相反，所描述的特征和动作作为实现权利要求的示例形式被公开。
本领域技术人员将理解，本发明可以在具有许多类型的计算机系统配置的网络计算环境中被实施，许多类型的计算机系统包括个人计算机、台式计算机、膝上型计算机、消息处理器、手持设备、多处理器系统、基于微处理器或可编程消费电子产品、网络个人计算机、小型计算机、大型计算机、移动电话、个人数字助理(PDA)、平板电脑、寻呼机、路由器、交换机、各种存储设备等。本发明还可以在分布式系统环境中实施，其中通过网络而链接(通过硬连线数据链路、无线数据链路或通过硬连线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储设备中。
本发明的实施例还可以在云计算环境中实现。在本说明书和所附权利要求中，“云计算”被定义为用于实现对可配置计算资源(例如，网络、服务器、存储应用和服务)的共享池进行无处不在、方便的、请求式网络访问的模型，其可以通过虚拟化被快速供应，并且以最小的管理工作或服务提供商交互被释放，并且随后被相应地缩放。云模型可以由各种特征(例如，请求式自助服务、广阔的网络访问、资源池、快速灵活性、可度量服务等)、服务模型(例如，软件即服务(SaaS)、平台即服务(PaaS)、基础设施即服务(IaaS)以及部署模型(例如，私有云、社区云、公共云、混合云等)组成。针对本发明描述的数据库和服务器可以包括在云模型中。
此外，在适当的情况下，本文所描述的功能可以在硬件、软件、固件、数字分量或模拟分量中的一个或多个中执行。例如，一个或多个专用集成电路(ASIC)可以被编程以执行本文描述的系统和过程中的一个或多个。在整个以下描述和权利要求书中使用某些术语来指代特定的系统组件。如本领域技术人员将理解的，部件可以通过不同的名称来指代。本文不打算区分名称不同而功能相同的部件。
在本说明书和所附权利要求中，“样条”被定义为由多项式函数分段定义的数值函数。样条可以在多项式项连接的位置处包括相对高的平滑度。样条被定义为包括以下中的任一个：贝塞尔曲线、埃米尔样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条、v样条等。
在本说明书和所附权利要求中，“样条数据”被定义为与计算包括在样条的数值函数中的多项式函数的解的相关的任何数据。
在一个方面，一个或多个处理器被配置为执行指令(例如，计算机可读指令、计算机可执行指令等)以执行多个所描述的操作中的任何操作。一个或多个处理器可以从系统存储器访问信息和/或在系统存储器中存储信息。一个或多个处理器可以在不同格式(诸如例如雷达数据、坐标数据、样条数据等)之间变换信息。
系统存储器可以耦合到一个或多个处理器，并且可以存储由一个或多个处理器执行的指令(例如，计算机可读指令、计算机可执行指令等)。系统存储器还可以被配置为存储由所描述的部件生成的多个其他类型的数据中的任何一个，诸如例如雷达数据、坐标数据、样条数据等。
自动停车是自动驾驶的有前景的方面之一。一些车辆已经提供了自动执行平行停车操纵的能力。设想自动化停车的解决方案易于自动化，同时具有高度的安全性和可重复性。然而，这些解决方案的成功很大程度上取决于在早期对停车位的可靠估计。
一般来说，本发明的方面可以用于检测停车环境中(例如在停车场中)的可用停车位。如本文所使用的，“停车环境”包括其中可以停放一个或多个车辆的任何类型的区域，诸如室外停车场、室内停车场、停车楼、停车区等。车辆上的雷达传感器用于收集关于停车环境(例如停车场)的数据。将雷达检测数据提供给神经网络模型作为输入。可以训练使用神经网络的算法来识别停放的车辆和关于杂物、购物车、路灯、交通标志、行人等的冲突数据。神经网络模型处理雷达检测数据以估计停车位边界并将停车位边界近似为样条。神经网络模型将样条估计输出到车辆计算机系统。车辆计算机系统利用样条估计来检测可用停车位。样条估计随着车辆导航停车场而更新。
图1示出了计算设备100的示例框图。计算设备100可以用于执行各种诸如本文所讨论的那些过程。计算设备100可以用作服务器、客户端或任何其他计算实体。计算设备100可以执行如本文所描述的各种通信和数据传输功能，并且可以执行一个或多个应用程序，诸如本文所描述的应用程序。计算设备100可以是各种各样的计算设备中的任何一种，诸如移动电话或其他移动设备、台式计算机、笔记本计算机、服务器计算机、手持计算机、平板计算机等。
计算设备100包括一个或多个处理器102、一个或多个存储器设备104、一个或多个接口106、一个或多个大容量存储设备108、一个或多个输入/输出(I/O)设备110和显示设备130。所有这些设备连接到总线112。处理器102包括执行存储在存储器设备104和/或大容量存储设备108中指令的一个或多个处理器或控制器。处理器102还可以包括各种类型的计算机存储介质，诸如高速缓冲存储器。
存储器设备104包括各种计算机存储媒体，例如易失性存储器(例如，随机存取存储器(RAM)114)和/或非易失性存储器(例如，只读存储器(ROM)116)。存储器设备104还可以包括可重写只读存储器，诸如闪存。
大容量存储设备108包括各种计算机存储介质，诸如磁带、磁盘、光盘、固态存储器(例如，闪存)等等。如图1所示，特定大容量存储设备是硬盘驱动器124。各种驱动器也可以包括在大容量存储设备108中，以使得能够从各种计算机可读介质读取和/或写入各种计算机可读介质。大容量存储设备108包括可移动介质126和/或不可移动介质。
I/O设备110包括允许将数据和/或其他信息输入到计算设备100或从计算设备100检索的各种设备。示例I/O设备110包括光标控制设备、键盘、小键盘、条形码扫描器、麦克风、监视器或其他显示设备、扬声器，打印机、网络接口卡、调制解调器、摄像机、透镜、雷达、电荷耦合器件(CCD)或其他图像捕获设备等。
显示设备130包括能够向计算设备100的一个或多个用户显示信息的任何类型的设备。显示设备130的示例包括监视器、显示终端、视频投影设备等。
接口106包括允许计算设备100与其他系统、设备或计算环境以及人类交互的各种接口。示例接口106可以包括任何数量的不同网络接口120，诸如到个人局域网(PAN)、局域网(LAN)、广域网(WAN)、无线网络(例如近场通信NFC)、蓝牙、Wi-Fi等网络)和因特网的接口。其他接口包括用户接口118和外围设备接口122。
总线112还允许处理器102、存储器设备104、接口106、大容量存储设备108和I/O设备110彼此通信以及与连接到总线112的其它设备通信。总线112表示若干类型的总线结构中的一个或多个，诸如系统总线、外部设备互连(PCI)总线、IEEE 1394总线、USB总线等。
本发明的方面可以用于检测停车环境(例如停车场)中的可用停车位。可以利用可替代现有拟合和回归类型技术的基于深度学习的技术。基于深度学习的技术可以在停车环境中实现稳定的空闲空间边界估计。该技术可以是实时的，影响较少的点，因此瞬时提供移动边界估计。该方法还可以更具可扩展性，因为深度神经网络的隐藏层可以被训练以学习和克服雷达伪反射的特性。
通常，配备有多个雷达单元(例如，4个角部雷达单元)的车辆(例如，测试车辆)可以在停车场环境(例如，停车场)中导航以搜索停车位。当车辆移动时，每个雷达单元发射无线电波。来自发射的无线电波信号的反射可以在雷达单元处收集并且被处理以识别物体。可以使用几个测试驾驶员重复进行停车导航以在标称和非标称停车位驾驶速度下获得更多的多个小时(例如，20小时或更多小时)的驾驶数据。收集的雷达数据可以与航空数据进行比较。可以在相同的实例中获得停车环境的地面实况，并且具有与雷达数据收集一致的相同的空间配置。地面实况数据可以是航空图像，并且可以从上至下给出停车环境的平面图。
可以以针对T时间实例收集的原始雷达检测(每个实例M个点)来设计神经网络，从而给出M×T个输入点(x，y)。神经网络的输出可以是具有N个点(x，y)的“样条”，表示在车辆的横向侧上的停车位的平滑边界，对于两侧也是如此。神经网络的架构可以是深度的，例如，具有多个(7个或更多个)隐藏层。损耗层可以包括欧几里得类型的损耗，以允许输出类似于表示x，y平面中的连续值的回归输出。
在一些实施方式中，经训练的模型可以被移植到车辆中的嵌入式平台或类似物中，并且可以接收雷达检测作为输入。输出可以是估计停车环境的空闲空间的“样条”。样条可以与车辆一起移动，当正在处理T个时间实例的移动输入时，基本上即时地跟踪可用停车位的边界。
图2示出了有助于检测停车环境中的可用停车位的示例计算机架构200。计算机架构200可以包含在车辆内，例如汽车、卡车、公共汽车或摩托车。参考图2，计算机架构200包括车辆计算机系统201和雷达系统211。雷达系统211可以包括安装到车辆的一个或多个雷达单元。包括在雷达系统211中的雷达单元可以是双基地雷达、连续波雷达、多普勒雷达、调频连续波(fm-cw)雷达、单脉冲雷达、无源雷达、平面阵列雷达、脉冲多普勒、合成孔径雷达等中的任一种。车辆计算机系统201和雷达系统211中的每一个以及它们各自的部件可以通过网络(或网络的一部分)(例如PAN、LAN、WAN、控制器局域网(CAN)总线，甚至互联网彼此连接。因此，车辆计算机系统201和雷达系统211中的每一个以及任何其他连接的计算机系统及其部件可以创建消息相关的数据并且通过网络交换消息相关的数据(例如，近场通信(NFC)有效载荷、蓝牙分组、因特网协议(IP)数据元和利用诸如传输控制协议(TCP)、超文本传输协议(HTTP)、简单邮件传输协议(SMTP)等IP数据元的其它更高层协议)。
一般来说，雷达系统211被配置为检测停车环境中的物体。例如，雷达系统211可以捕获原始雷达数据212。原始雷达数据212可以包括停车环境内的物体检测数据。雷达系统211可以包括朝向车辆的前部，朝向车辆的后部或以上述两种方式放置的一个或多个雷达单元。
如所描述的，车辆计算机系统201包括雷达检测计算模块202、神经网络模块204和车辆停放模块206。
雷达检测计算模块202被配置为从雷达系统211接收原始雷达数据212。雷达检测计算模块202可以从原始雷达数据212计算雷达坐标数据203(例如，笛卡尔坐标)。雷达检测计算模块202是还被配置为将雷达坐标数据203发送到神经网络模块204。
神经网络模块204被配置为从雷达检测计算模块202接收作为输入的雷达坐标数据203。通常，神经网络模块204可以接收和处理雷达坐标数据203以粗略估计停车位边界。神经网络模块204可以通过将样条与估计的停车位边界曲线拟合来将停车位边界近似为样条。神经网络模块204还被配置为将样条数据205输出到车辆停放模块206。
车辆停放模块206被配置为从神经网络模块204接收样条数据205。车辆停放模块206可以利用样条数据205来检测可用停车位。车辆停放模块206还可以在车辆在停车环境中导航时通过利用更新的样条估计来连续更新可用停车位估计。
图3示出了用于检测停车环境中的可用停车位的示例方法300的流程图。在图3的示例中，停车环境是车辆停车场。将关于计算机架构200的部件和数据来描述方法300。
方法300包括将原始雷达检测作为输入发送到车辆计算机系统，以特定时间步长收集原始雷达检测(301)。例如，雷达系统211可以将雷达数据212发送到车辆计算机系统201。雷达系统211可以以指定的时间间隔T持续地收集雷达数据212。因此，当车辆在停车场中导航时，雷达系统211可以利用雷达技术监视停车场并检测停车场中的物体。检测到的对象可以在雷达数据212中指示。检测到的对象可以包括：(1)在停车场中的停放和移动的车辆，(2)固定物体，诸如例如灯、街灯、路桩、分隔物、自行车架、购物车收集区、购物车、交通标志、商店展示、消防栓、景观美化等，(3)移动物体，例如行人、移动购物车等，(4)杂散物体，例如杂物、错放物品等。雷达系统211可以将物体检测作为原始雷达数据212发送到雷达检测计算模块202。
方法300包括从车辆雷达系统接收作为输入的原始雷达检测，以特定时间步长收集原始雷达检测(302)。例如，雷达检测计算模块202可以从雷达系统211接收原始雷达数据212。
雷达检测计算模块202可以接收作为针对每个指定时间间隔T的M个数据点的原始雷达数据212。当车辆在停车场中导航时，雷达检测计算模块202可以连续地接收原始雷达数据212更新。雷达检测计算模块202可以针对每个时间步长T缓冲M个数据点，例如，在系统存储器中存储M×T个输入点的矩阵。在每个时间步长，原始雷达数据212可以近似为雷达反射的点云，其中反射指示物体在停车场中的位置。
方法300包括计算与车辆有关的原始雷达检测的笛卡尔坐标(303)。例如，雷达检测计算模块202可以从与车辆有关的雷达数据212计算雷达坐标数据203(例如，笛卡尔坐标)。雷达坐标数据203可以包括包含在与车辆有关的原始雷达数据212内的物体位置的估计。雷达检测计算模块202还可以将3D空间中的物体检测位置投影到(x，y)空间中的车辆的平面。
方法300包括向计算机系统神经网络模块提供雷达检测数据(304)。例如，雷达检测计算模块202可以将雷达坐标数据203发送到神经网络模块204。雷达坐标数据203可以包括经处理的雷达数据(包括物体检测的(x，y)坐标)以及用于进一步处理的原始雷达数据212的一部分。
方法300包括从车辆计算机系统接收雷达检测数据(305)。例如，神经网络模块204可以从雷达检测计算模块202接收雷达坐标数据203。雷达坐标数据203可以包括经处理的雷达数据(包括物体检测的(x，y)坐标)以及用于进一步处理的原始雷达数据212。
在一个方面，神经网络模块204包括根据多层模型构建的神经网络。多层神经网络模型可以包括输入层、多个隐藏层、损耗层和输出层。损耗层可以包括欧几里得类型的损耗，以允许输出类似于表示(x，y)平面中的连续值的回归输出。
方法300包括处理雷达检测数据来估计停车位边界(306)。例如，神经网络模块204可以处理雷达坐标数据203来估计停车位边界，例如作为样条。
在生产环境中应用神经网络模块204之前，神经网络模块204可以在开发环境中被“训练”。例如，神经网络模块204可以被应用在具有开发车辆计算机系统和开发雷达系统的开发车辆中。开发车辆可以在典型的停车场情景下用多个驾驶员进行测试，此时允许车辆在停车场中导航，寻找可用停车位并且采集10或100小时的测试数据。可以使用顶置摄像机、无人机、航空摄影、卫星图像等记录停车场情景的鸟瞰图。在收集雷达数据的同时拍摄的鸟瞰图可以覆盖在雷达坐标数据203上，并且可以将来自神经网络模块204的输出与地面实况空间图像数据进行比较。神经网络模块204可以被调整，使得神经网络模块204的结果与地面实况空间图像数据一致。如此，神经网络模块204可以更准确地识别生产环境中的停车位边界。
另外，可以训练神经网络模块204以滤除伪雷达数据，伪像雷达数据也被称为散乱的光辉物体，诸如停车场中的杂物或购物车，固定物体例如灯具、行人，有缺陷的雷达伪像例如意外反射等。
当神经网络模块204的开发结果令人满意时，“经训练的”神经网络模块204可以被应用在生产环境中，并且可以提供更可靠的停车位边界估计。经训练的神经网络模块204可以被移植到车辆中的嵌入式平台或类似物中，并且可以接收雷达检测作为输入。经训练的神经网络模块204可以提供样条作为输出，其中样条估计停车场中的空闲空间。
方法300包括将停车位边界近似为样条，样条已经与估计的停车位边界曲线拟合(307)。例如，神经网络模块204可以将雷达坐标数据203近似为具有N个点(x，y)的样条，表示车辆的横向侧上的停车位的平滑边界，对于两侧也是如此。神经网络模块204还可以通过将样条与估计的停车位边界曲线拟合来将停车位边界近似为样条。样条数据205可以包括一个或多个样条估计。每个样条估计可以包括以下的一个或多个：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条、v样条等等。
方法300包括向车辆计算机系统提供样条估计(308)。例如，神经网络模块204还可以向车辆停放模块206提供样条数据205。方法300包括从神经网络模型接收样条估计(309)。例如，车辆停放模块206可以从神经网络模块204接收样条数据205。
方法300包括利用样条估计来检测可用停车位(310)。例如，车辆停放模块206可以从神经网络模块204接收样条数据205，并且利用样条数据205来检测可用停车位。方法300包括当车辆在停车场中导航时更新样条估计(311)。例如，车辆停车模块206可以在车辆在停车场中导航时通过利用更新的样条数据来连续更新可用停车位估计。
图4示出了示例停车环境400。如图所示，示例停车场421包含三个停放车辆422、423和424。停车场421还包含正在搜索可用停车位的移动车辆407。移动车辆407配备有雷达传感器413(其可以是雷达系统211的雷达单元)和车辆计算机系统(未示出)。
雷达传感器413被配置为执行雷达扫描411并且检测停车场中的物体作为雷达检测412(也称为“雷达数据”)。雷达传感器413可以向车辆计算机系统提供雷达检测412以进行处理。
车辆计算机系统可以处理雷达检测412并且估计雷达检测412的周界作为样条405。雷达检测412可以包括诸如停车场中的瓶罐或其他杂物的伪检测数据432。车辆计算机系统可以利用神经网络模型(例如，类似于神经网络模块204)来区分作为相关数据的雷达检测数据412和作为伪数据的雷达检测数据412。
车辆计算机系统401可以使用样条405来估计可用停车位431。当移动车辆407在停车场421中导航时，雷达传感器413可以继续执行雷达扫描411以更新雷达检测412。车辆计算机系统401可以处理更新的雷达检测412以连续地更新样条405。
尽管在特定布置中示出和描述了本文所示的部件和模块，但是可以改变部件和模块的布置从而以不同的方式处理数据。在其他实施例中，可以向所描述的系统添加一个或多个附加部件或模块，并且可以从所描述的系统中移除一个或多个部件或模块。替代实施例可以将所描述的部件或模块中的两个或更多个组合成单个部件或模块。
出于说明和描述的目的给出了前述描述。其并不旨在穷举或将本发明限制为所公开的精确形式。鉴于上述教导，许多修改和变化是可能的。此外，应当注意，任何或所有上述替代实施例可以以期望的任何组合使用从而形成本发明的另外的混合实施例。
此外，虽然已经描述和示出了本发明的具体实施例，但是本发明不限于如此描述和示出部件的具体形式或布置。本发明的范围由所附权利要求书、此处提交的任何未来权利要求和不同的应用以及它们的等同物来限定。

Claims (20)

1.一种用于控制车辆并且检测停车环境中的可用停车位的方法，所述方法包括：
从一个或多个雷达系统接收雷达数据；
从所述雷达数据计算坐标数据；
处理所述坐标数据以估计所述停车环境中的停车位边界；
从所述估计的停车位边界计算所述停车位边界的样条估计；和
向车辆计算机系统提供所述样条估计。
2.根据权利要求1所述的方法，其中所述计算所述停车位边界的样条估计包括估计下述中的一个：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条、v样条。
3.根据权利要求1所述的方法，还包括利用所述样条估计来检测可用停车位。
4.根据权利要求1所述的方法，还包括在所述车辆在所述停车环境中导航时更新所述样条估计。
5.根据权利要求1所述的方法，其中所述接收雷达数据包括在指定的时间间隔从所述一个或多个雷达系统接收所述雷达数据。
6.一种用于控制车辆并且检测停车环境中的可用停车位的方法，所述方法包括：
在车辆计算机系统处接收来自车辆雷达系统的雷达数据，所述雷达数据以特定时间间隔收集；
从与所述车辆有关的雷达数据计算笛卡尔坐标；
使用先前训练的神经网络处理所述雷达数据来估计所述停车环境中的停车位边界；
将所述停车位边界近似为样条，所述样条已经与所述估计的停车位边界曲线拟合；
利用所述样条来检测可用停车位；和
在所述车辆在所述停车环境中导航时更新所述样条。
7.根据权利要求6所述的方法，其中所述接收雷达数据包括从定位为朝向所述车辆前部的两个或更多个雷达系统接收所述雷达数据。
8.根据权利要求6所述的方法，其中所述接收雷达数据包括从定位于所述车辆的多个角落处的雷达系统接收雷达数据。
9.根据权利要求6所述的方法，其中计算与所述车辆有关的所述雷达数据的笛卡尔坐标包括确定所述雷达数据在所述停车环境的平面中的坐标。
10.根据权利要求6所述的方法，其中所述使用先前训练的神经网络处理所述雷达数据包括利用在先前概念验证测试期间已经训练和验证的神经网络模型。
11.根据权利要求10所述的方法，还包括：利用与所述雷达数据收集相一致的相同空间配置，在特定实例中针对所述停车环境的地面实况验证所述神经网络模型的结果。
12.根据权利要求6所述的方法，其中所述使用先前训练的神经网络处理所述雷达数据包括利用含有多个层并且含有损耗层的神经网络架构。
13.根据权利要求12所述的方法，还包括利用所述神经网络来识别雷达数据的周界，所述雷达数据的所述周界用于估计所述停车位边界。
14.根据权利要求6所述的方法，其中所述将所述停车位边界近似为样条包括将所述停车位边界估计为以下之一：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条或v样条。
15.根据权利要求6所述的方法，其中利用所述样条来检测可用停车位包括提供由样条轮廓限定的可用停车位的位置。
16.根据权利要求6所述的方法，其中所述在所述车辆在停车场中导航时更新所述样条包括基于更新的雷达数据重新计算所述样条。
17.一种用于检测停车环境中的可用停车位的系统，所述系统包括：
系统存储器；
与车辆相关联的雷达系统；
先前训练的神经网络；和
一个或多个处理器，所述处理器被配置为与所述系统存储器、所述雷达系统和所述先前训练的神经网络交互以：
接收来自所述雷达系统的雷达数据，所述雷达数据以特定时间间隔收集；
从与所述车辆有关的雷达数据计算笛卡尔坐标；
处理所述雷达数据来估计所述停车环境中的停车位边界；
将所述停车位边界近似为样条，所述样条已经与所述估计的停车位边界曲线拟合；
利用所述样条来检测可用停车位；和
当所述车辆在所述停车环境中导航时更新所述样条。
18.根据权利要求17所述的系统，其中所述一个或多个处理器被配置为从安装在所述车辆上的多个雷达单元接收所述雷达数据。
19.根据权利要求17所述的系统，其中所述一个或多个处理器还被配置为识别所述雷达数据的周界，所述雷达数据的所述周界用于估计所述停车位边界。
20.根据权利要求17所述的系统，其中所述一个或多个处理器被配置为将所述停车位边界估计为以下之一：贝塞尔曲线、埃尔米特样条、三次样条、b样条、非均匀有理b样条(NURB)、β-样条或v样条。
CN201710217913.2A 2016-04-12 2017-04-05 检测可用停车位 Active CN107284443B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/096,803 2016-04-12
US15/096,803 US10304335B2 (en) 2016-04-12 2016-04-12 Detecting available parking spaces

Publications (2)

Publication Number Publication Date
CN107284443A true CN107284443A (zh) 2017-10-24
CN107284443B CN107284443B (zh) 2022-05-10

Family

ID=58688150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710217913.2A Active CN107284443B (zh) 2016-04-12 2017-04-05 检测可用停车位

Country Status (6)

Country Link
US (1) US10304335B2 (zh)
CN (1) CN107284443B (zh)
DE (1) DE102017107626A1 (zh)
GB (1) GB2550475A (zh)
MX (1) MX2017004786A (zh)
RU (1) RU2017110250A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107856667A (zh) * 2017-11-08 2018-03-30 科大讯飞股份有限公司 辅助泊车系统和方法
CN108564810A (zh) * 2018-06-05 2018-09-21 长沙大京网络科技有限公司 一种车位共享系统及其方法
CN109726637A (zh) * 2018-12-03 2019-05-07 初速度（苏州）科技有限公司 用弹性多边形表示停车位区域的停车位检测系统及方法
CN109814115A (zh) * 2019-01-16 2019-05-28 杭州湘滨电子科技有限公司 一种垂直泊车的角度识别校正方法
CN110088784A (zh) * 2016-12-14 2019-08-02 福特全球技术公司 将物品递送到无人看管的车辆
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN110379178A (zh) * 2019-07-25 2019-10-25 电子科技大学 基于毫米波雷达成像的无人驾驶汽车智能泊车方法
CN110444044A (zh) * 2019-08-27 2019-11-12 纵目科技（上海）股份有限公司 基于超声波传感器的车辆位姿检测系统、终端和存储介质
CN111199660A (zh) * 2018-11-16 2020-05-26 丰田自动车北美公司 用于确定多层单元的楼层上的停车可用性的系统和方法
CN111742235A (zh) * 2018-02-26 2020-10-02 维宁尔瑞典公司 用于识别针对车辆适合的空停车位的方法和系统
CN112840224A (zh) * 2018-10-11 2021-05-25 罗伯特·博世有限公司 用于确定停车位的占用状态的方法
CN112874510A (zh) * 2021-02-02 2021-06-01 江苏大学 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法
CN114664102A (zh) * 2020-12-23 2022-06-24 泰为股份有限公司 具有停车空间识别机制的导航系统及其操作方法
CN117079359A (zh) * 2023-09-04 2023-11-17 厦门中卡科技股份有限公司 基于神经网络的智能停车缴费方法和系统

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170161961A1 (en) * 2015-12-07 2017-06-08 Paul Salsberg Parking space control method and system with unmanned paired aerial vehicle (uav)
US20180025640A1 (en) * 2016-07-19 2018-01-25 Ford Global Technologies, Llc Using Virtual Data To Test And Train Parking Space Detection Systems
DE102016223973A1 (de) * 2016-12-01 2018-06-07 Robert Bosch Gmbh Konzept zum Prüfen eines Sensorsystems zum Erfassen eines Belegungszustands eines Stellplatzes auf Fehler
CN107792062B (zh) * 2017-10-16 2019-11-05 北方工业大学 一种自动泊车控制系统
DE102017125107A1 (de) 2017-10-26 2019-05-02 Valeo Schalter Und Sensoren Gmbh Verfahren zum Unterstützen eines Fahrers bei einem manuellen Parkvorgang eines Kraftfahrzeugs, wobei ein erster und ein zweiter Indikator erfasst werden, Parkassistenzsystem sowie Kraftfahrzeug
EP3483630B1 (en) * 2017-11-10 2021-12-29 Veoneer Sweden AB Detection of parking slot configuration based on repetitive patterns
CN107967817A (zh) * 2017-11-17 2018-04-27 张慧 基于多路摄像头深度学习的停车场智能管理系统及方法
DE102017127600A1 (de) * 2017-11-22 2019-05-23 Connaught Electronics Ltd. Verfahren zum automatischen Parken für ein Kraftfahrzeug mit einem Fahrunterstützungssystem
DE102017131114A1 (de) * 2017-12-22 2019-06-27 S.M.S, Smart Microwave Sensors Gmbh Verfahren und Vorrichtung zum Bestimmen wenigstens eines Parameters eines Objektes
DE102018101513A1 (de) * 2018-01-24 2019-07-25 Valeo Schalter Und Sensoren Gmbh Verfahren zur Detektion von Garagenparkplätzen
DE102018203684A1 (de) * 2018-03-12 2019-09-12 Zf Friedrichshafen Ag Identifikation von Objekten mittels Radardaten
WO2019183609A1 (en) 2018-03-23 2019-09-26 NetraDyne, Inc. Traffic boundary mapping
CN108407805B (zh) * 2018-03-30 2019-07-30 中南大学 一种基于dqn的车辆自动泊车方法
JP7119628B2 (ja) * 2018-06-19 2022-08-17 マツダ株式会社 車両用物標検出方法および装置
DE102018119897A1 (de) * 2018-08-16 2020-02-20 Valeo Schalter Und Sensoren Gmbh Verfahren zum Klassifizieren von Daten betreffend eine Parklücke für ein Kraftfahrzeug
CN109334657B (zh) * 2018-09-21 2020-06-23 广州欧纬德教学设备技术有限公司 一种基于教学车的自动泊车系统及方法
US11062601B2 (en) * 2018-11-23 2021-07-13 Blackberry Limited Systems and methods of vehicle detection within a vehicle parking facility
US10769949B2 (en) 2018-12-19 2020-09-08 Toyota Motor North America, Inc. Parking facilitation systems and methods
DE102018222484A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines Verfügbarkeitszustands eines Parkplatzes
JP2020107308A (ja) * 2018-12-27 2020-07-09 財團法人工業技術研究院Ｉｎｄｕｓｔｒｉａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ 駐車スポット検出システム
US10769948B2 (en) * 2018-12-27 2020-09-08 Industrial Technology Research Institute Parking spot detection system and method thereof
US10628688B1 (en) * 2019-01-30 2020-04-21 Stadvision, Inc. Learning method and learning device, and testing method and testing device for detecting parking spaces by using point regression results and relationship between points to thereby provide an auto-parking system
KR20200102013A (ko) * 2019-02-01 2020-08-31 주식회사 만도 주차공간 알림 장치 및 방법
JP7399164B2 (ja) * 2019-03-16 2023-12-15 エヌビディア コーポレーション 駐車スペース検出に適したスキューされたポリゴンを使用した物体検出
DE102019209482B3 (de) * 2019-06-28 2020-08-27 Volkswagen Aktiengesellschaft Verfahren zum Erkennen eines frei werdenden Parkplatzes durch ein Assistenzsystem mit einem Radarsensor, sowie Assistenzsystem und Kraftfahrzeug
CN112417926B (zh) * 2019-08-22 2024-02-27 广州汽车集团股份有限公司 车位识别方法、装置、计算机设备及可读存储介质
CN110691453B (zh) * 2019-10-18 2021-07-13 浪潮软件股份有限公司 一种采用人工智能技术高效管控智慧路灯的方法
CN110796063B (zh) * 2019-10-24 2022-09-09 百度在线网络技术（北京）有限公司 用于检测车位的方法、装置、设备、存储介质以及车辆
CN110843767A (zh) * 2019-10-25 2020-02-28 池州学院 一种基于样条理论的自动入库泊车方法及系统
CN110949374B (zh) * 2019-11-14 2021-06-18 江苏大学 基于两段二阶贝塞尔曲线的自动平行泊车路径规划方法
CN111157986B (zh) * 2020-01-03 2021-10-12 中南大学 基于扩展贝塞尔模型的多普勒穿墙雷达定位方法
CN111157987B (zh) * 2020-01-03 2021-11-02 中南大学 基于扩展贝塞尔模型的人体目标微多普勒频率估计方法
CN111951603A (zh) * 2020-08-20 2020-11-17 华人运通(上海)自动驾驶科技有限公司 空闲车位获取方法、共享方法、车辆及服务器
DE102020211332A1 (de) 2020-09-09 2022-03-10 Volkswagen Aktiengesellschaft Verfahren zum Bestimmen einer Parkposition für ein Kraftfahrzeug, Fahrerassistenzsystem zum Durchführen eines solchen Verfahrens sowie Kraftfahrzeug mit einem Fahrerassistenzsystem
CN113085840B (zh) * 2021-04-21 2023-03-07 中国第一汽车股份有限公司 一种泊车路径的确定方法、装置、车辆及存储介质
CN113335270B (zh) * 2021-07-01 2022-05-03 湖南大学 一种泊车路径规划方法和装置
US20230009165A1 (en) * 2021-07-07 2023-01-12 Sidewalk Labs LLC Wireless occupancy sensors and methods for using the same
US11881107B2 (en) 2021-12-17 2024-01-23 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for inferring parking departures
US12111385B2 (en) * 2021-12-23 2024-10-08 Gm Cruise Holdings Llc Radar sensor processing chain
CN114882727B (zh) * 2022-03-15 2023-09-05 深圳市德驰微视技术有限公司 基于域控制器的停车位检测方法、电子设备及存储介质
CN114648890B (zh) * 2022-03-23 2023-02-28 深圳一清创新科技有限公司 一种停车位状态检测方法、装置及智能车
DE102022121868A1 (de) 2022-08-30 2024-02-29 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Assistenzeinrichtung zum Klassifizieren von Sensordetektionen basierend auf Punktwolken und entsprechend eingerichtetes Kraftfahrzeug

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055446A1 (en) * 2005-09-02 2007-03-08 Schiffmann Jan K Method for estimating unknown parameters for a vehicle object detection system
US20080177443A1 (en) * 2007-01-23 2008-07-24 Gm Global Technology Operations, Inc. Method and system for vehicle parking assistance
US20090085772A1 (en) * 2007-09-28 2009-04-02 Ching-Chun Huang System And Method Of Image-Based Space Detection
CN101616833A (zh) * 2007-02-27 2009-12-30 丰田自动车株式会社 停车辅助装置
US20100134321A1 (en) * 2008-12-02 2010-06-03 Mando Corporation Method and apparatus for recognizing parking area
CN102030039A (zh) * 2009-10-07 2011-04-27 福特全球技术公司 车辆停放辅助系统与利用该系统停放车辆的方法
CN102066186A (zh) * 2008-06-11 2011-05-18 法雷奥开关和传感器有限责任公司 在停车空间停车时辅助车辆司机的方法
CN102470865A (zh) * 2009-07-20 2012-05-23 罗伯特·博世有限公司 用于受支持地停泊车辆的设备和方法
CN102508246A (zh) * 2011-10-13 2012-06-20 吉林大学 车辆前方障碍物检测跟踪方法
CN103209875A (zh) * 2010-11-11 2013-07-17 罗伯特·博世有限公司 用于在多个适合用于泊车的泊车位中选择一个泊车位的方法
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN103617647A (zh) * 2013-11-28 2014-03-05 中国人民解放军国防科学技术大学 一种用于夜视的车辆周围环境三维重构方法
KR20140094794A (ko) * 2013-01-23 2014-07-31 주식회사 만도 주차 보조 장치 및 그 주차 보조 방법
US20140309806A1 (en) * 2012-03-14 2014-10-16 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants
US20140347196A1 (en) * 2013-05-21 2014-11-27 Bayerische Motoren Werke Aktiengesellschaft System and Method for Recognizing a Parking Place That is Potentially Becoming Free
CN104583715A (zh) * 2012-08-27 2015-04-29 Inb视觉股份公司 用于识别物体表面中的偏差的方法和设备
US9031089B2 (en) * 2012-04-24 2015-05-12 Zetta Research and Development, LLC, Forc Seri Operational efficiency in a vehicle-to-vehicle communications system
CN105128856A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 停车入库方法及装置
US20160097853A1 (en) * 2014-10-06 2016-04-07 Nidec Elesys Corporation Neural network-based radar system

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345402A (en) 1992-02-25 1994-09-06 Automotive Systems Laboratory, Inc. Vehicle crash simulator system for testing crash sensors
US7099796B2 (en) 2001-10-22 2006-08-29 Honeywell International Inc. Multi-sensor information fusion technique
DE10216346A1 (de) * 2002-04-13 2003-10-23 Valeo Schalter & Sensoren Gmbh Einparkhilfesystem für Fahrzeuge und Verfahren
CN1701242A (zh) 2003-03-20 2005-11-23 松下电器产业株式会社 障碍检测设备
US7447593B2 (en) 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
US7579942B2 (en) 2006-10-09 2009-08-25 Toyota Motor Engineering & Manufacturing North America, Inc. Extra-vehicular threat predictor
US7839292B2 (en) 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
DE102007032698B3 (de) 2007-07-13 2008-09-25 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Ermittlung eines Anzeigebildes
EP2148220B1 (en) 2008-07-24 2017-08-30 Magneti Marelli S.p.A. A motor-vehicle driving assistance system based on radar sensors for detecting the presence of obstacles in an area behind and/or beside the vehicle, particularly for parking assistance
NO20083543L (no) 2008-08-14 2010-02-15 Modulprodukter As System for automatisk varsling og/eller nedbremsing ved glatt kjorebane
US8629784B2 (en) * 2009-04-02 2014-01-14 GM Global Technology Operations LLC Peripheral salient feature enhancement on full-windshield head-up display
US8457827B1 (en) 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
US9221461B2 (en) 2012-09-05 2015-12-29 Google Inc. Construction zone detection using a plurality of information sources
KR20150070832A (ko) 2013-12-17 2015-06-25 엘지전자 주식회사 차량 운전 보조 장치 및 이를 구비한 차량
US9098753B1 (en) 2014-04-25 2015-08-04 Google Inc. Methods and systems for object detection using multiple sensors
US10328932B2 (en) * 2014-06-02 2019-06-25 Magna Electronics Inc. Parking assist system with annotated map generation
US9678210B2 (en) * 2014-12-19 2017-06-13 Caterpillar Inc. Error estimation in real-time visual odometry system
US10229231B2 (en) 2015-09-11 2019-03-12 Ford Global Technologies, Llc Sensor-data generation in virtual driving environment
US10176634B2 (en) 2015-10-16 2019-01-08 Ford Global Technologies, Llc Lane boundary detection data generation in virtual environment
US10496766B2 (en) 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
US10341633B2 (en) 2015-11-20 2019-07-02 Qualcomm Incorporated Systems and methods for correcting erroneous depth information
US10372968B2 (en) 2016-01-22 2019-08-06 Qualcomm Incorporated Object-focused active three-dimensional reconstruction
US9760837B1 (en) 2016-03-13 2017-09-12 Microsoft Technology Licensing, Llc Depth from time-of-flight using machine learning
EP3430427B1 (en) * 2016-03-14 2021-07-21 IMRA Europe S.A.S. Processing method of a 3d point cloud
US20180098052A1 (en) 2016-09-30 2018-04-05 Sony Interactive Entertainment Inc. Translation of physical object viewed by unmanned aerial vehicle into virtual world object

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055446A1 (en) * 2005-09-02 2007-03-08 Schiffmann Jan K Method for estimating unknown parameters for a vehicle object detection system
US20080177443A1 (en) * 2007-01-23 2008-07-24 Gm Global Technology Operations, Inc. Method and system for vehicle parking assistance
CN101616833A (zh) * 2007-02-27 2009-12-30 丰田自动车株式会社 停车辅助装置
US20090085772A1 (en) * 2007-09-28 2009-04-02 Ching-Chun Huang System And Method Of Image-Based Space Detection
CN102066186A (zh) * 2008-06-11 2011-05-18 法雷奥开关和传感器有限责任公司 在停车空间停车时辅助车辆司机的方法
US20100134321A1 (en) * 2008-12-02 2010-06-03 Mando Corporation Method and apparatus for recognizing parking area
CN102470865A (zh) * 2009-07-20 2012-05-23 罗伯特·博世有限公司 用于受支持地停泊车辆的设备和方法
CN102030039A (zh) * 2009-10-07 2011-04-27 福特全球技术公司 车辆停放辅助系统与利用该系统停放车辆的方法
CN103209875A (zh) * 2010-11-11 2013-07-17 罗伯特·博世有限公司 用于在多个适合用于泊车的泊车位中选择一个泊车位的方法
CN102508246A (zh) * 2011-10-13 2012-06-20 吉林大学 车辆前方障碍物检测跟踪方法
US20140309806A1 (en) * 2012-03-14 2014-10-16 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants
US9031089B2 (en) * 2012-04-24 2015-05-12 Zetta Research and Development, LLC, Forc Seri Operational efficiency in a vehicle-to-vehicle communications system
CN103473950A (zh) * 2012-06-06 2013-12-25 刘鉵 一种停车场车位监控方法
CN104583715A (zh) * 2012-08-27 2015-04-29 Inb视觉股份公司 用于识别物体表面中的偏差的方法和设备
KR20140094794A (ko) * 2013-01-23 2014-07-31 주식회사 만도 주차 보조 장치 및 그 주차 보조 방법
US20140347196A1 (en) * 2013-05-21 2014-11-27 Bayerische Motoren Werke Aktiengesellschaft System and Method for Recognizing a Parking Place That is Potentially Becoming Free
CN103617647A (zh) * 2013-11-28 2014-03-05 中国人民解放军国防科学技术大学 一种用于夜视的车辆周围环境三维重构方法
US20160097853A1 (en) * 2014-10-06 2016-04-07 Nidec Elesys Corporation Neural network-based radar system
CN105128856A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 停车入库方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
M.R. HEINEN;F.S. OSORIO;F.J. HEINEN;C. KELBER: "SEVA3D: Using Arti cial Neural Networks to Autonomous Vehicle Parking Control", 《IEEE/IEE ELECTRONIC LIBRARY (IEL)》 *
关超华等: "基于改进DBSCAN算法的激光雷达车辆探测方法", 《北京理工大学学报》 *
史晓磊: "基于激光雷达的自动泊车系统研究", 《中国优秀硕士学位论文全文数据库电子期刊信息科技辑》 *
吴显亮等: "多雷达系统数据融合与航迹预测", 《数学的实践与认识》 *
杨文秀等: "基于投影降维的激光雷达快速目标识别", 《红外与激光工程》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110088784A (zh) * 2016-12-14 2019-08-02 福特全球技术公司 将物品递送到无人看管的车辆
CN107856667B (zh) * 2017-11-08 2020-02-14 科大讯飞股份有限公司 辅助泊车系统和方法
CN107856667A (zh) * 2017-11-08 2018-03-30 科大讯飞股份有限公司 辅助泊车系统和方法
CN111742235A (zh) * 2018-02-26 2020-10-02 维宁尔瑞典公司 用于识别针对车辆适合的空停车位的方法和系统
CN108564810A (zh) * 2018-06-05 2018-09-21 长沙大京网络科技有限公司 一种车位共享系统及其方法
CN108564810B (zh) * 2018-06-05 2021-02-19 长沙大京网络科技有限公司 一种车位共享系统及其方法
CN112840224A (zh) * 2018-10-11 2021-05-25 罗伯特·博世有限公司 用于确定停车位的占用状态的方法
CN111199660A (zh) * 2018-11-16 2020-05-26 丰田自动车北美公司 用于确定多层单元的楼层上的停车可用性的系统和方法
CN109726637A (zh) * 2018-12-03 2019-05-07 初速度（苏州）科技有限公司 用弹性多边形表示停车位区域的停车位检测系统及方法
CN109814115A (zh) * 2019-01-16 2019-05-28 杭州湘滨电子科技有限公司 一种垂直泊车的角度识别校正方法
CN110348297B (zh) * 2019-05-31 2023-12-26 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN110348297A (zh) * 2019-05-31 2019-10-18 纵目科技（上海）股份有限公司 一种用于识别立体停车库的检测方法、系统、终端和存储介质
CN110379178A (zh) * 2019-07-25 2019-10-25 电子科技大学 基于毫米波雷达成像的无人驾驶汽车智能泊车方法
CN110444044A (zh) * 2019-08-27 2019-11-12 纵目科技（上海）股份有限公司 基于超声波传感器的车辆位姿检测系统、终端和存储介质
CN114664102A (zh) * 2020-12-23 2022-06-24 泰为股份有限公司 具有停车空间识别机制的导航系统及其操作方法
CN112874510A (zh) * 2021-02-02 2021-06-01 江苏大学 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法
CN112874510B (zh) * 2021-02-02 2022-09-16 江苏大学 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法
CN117079359A (zh) * 2023-09-04 2023-11-17 厦门中卡科技股份有限公司 基于神经网络的智能停车缴费方法和系统

Also Published As

Publication number Publication date
MX2017004786A (es) 2018-08-16
GB201704752D0 (en) 2017-05-10
RU2017110250A (ru) 2018-09-28
US10304335B2 (en) 2019-05-28
US20170294121A1 (en) 2017-10-12
GB2550475A (en) 2017-11-22
DE102017107626A1 (de) 2017-10-12
CN107284443B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN107284443A (zh) 检测可用停车位
US11657603B2 (en) Semantic segmentation of three-dimensional data
JP6637088B2 (ja) ウォルシュ・カーネル・投影技術に基づく自動運転車両の位置決め
JP6644742B2 (ja) 頑健で効率的な車両測位用のアルゴリズム及びインフラ
CN110239562A (zh) 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适
CN110378483A (zh) 部署在模拟平台上的用于训练机器学习模型的系统和方法
CN110345955A (zh) 用于自动驾驶的感知与规划协作框架
CN108089571A (zh) 用于预测无人驾驶车辆的车辆交通行为以做出驾驶决策的方法和系统
CN109937343A (zh) 用于自动驾驶车辆交通预测中的预测轨迹的评估框架
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN108387241A (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN110083149A (zh) 用于自动驾驶车辆的路径与速度优化后馈机制
CN108027243A (zh) 用于操作自动驾驶车辆的控制误差校正规划方法
CN109521762A (zh) 用于自动驾驶车辆的基于2d约束平滑样条的平滑道路参考线路
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
CN109429518A (zh) 基于地图图像的自动驾驶交通预测
CN109491376A (zh) 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划
CN107454128A (zh) 用于在无人驾驶车辆之间提供车辆间通信的系统和方法
CN110119140A (zh) 用于加速曲线投影的系统和方法
CN108205830A (zh) 识别对于无人驾驶车辆的个人驾驶偏好的方法和系统
CN110389583A (zh) 生成自动驾驶车辆的轨迹的方法
CN109935077A (zh) 用于为自动驾驶车辆构建车辆与云端实时交通地图的系统
CN109491377A (zh) 用于自动驾驶车辆的基于dp和qp的决策和规划
CN109489675A (zh) 用于自动驾驶车辆的基于成本的路径规划
JP2020083309A (ja) 自動運転車両のためのリアルタイム意思決定

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant