CN109386155B - 面向自动化停车场的无人泊车搬运机器人的对位方法 - Google Patents

Abstract

本发明提供了一种面向自动化停车场的无人泊车搬运机器人的对位方法，包括识别目标车辆的车系与型号阶段：利用单目摄像头获取目标车辆的尺寸信息；获取目标车辆的车轮信息阶段：利用单线激光雷达获取目标车辆的位置信息；实现目标车辆的预对位阶段：利用单线激光雷达获取该机器人的轮廓信息，以调整其横向展开宽度及与目标车辆的预对准角度；实现目标车辆的精准对位阶段：在上述基础上，利用单点激光雷达获取目标车辆的车轮轴信息，以调整与目标车辆的精对准角度及纵向伸长长度；本发明的机器人结合额外搭建的起中转作用的具有单目摄像头与单线激光雷达的临时停车区，来实现与不同品牌车辆的精准对位，以便保障机器人对目标车辆有效、安全地搬运。

Description

面向自动化停车场的无人泊车搬运机器人的对位方法

技术领域

本发明属于无人泊车搬运机器人的自动控制技术领域，具体涉及一种面向自动化停车场的无人泊车搬运机器人的对位方法。

背景技术

伴随着城市的高速发展和人均保有汽车数量的快速增长，城区停车面临着巨大的停车场地严重不足以及人们对于停车舒适性要求越来越高的问题。自动驾驶技术的兴起有望利用完全自动化的方案帮助解决城市停车难的问题，同时大幅度提高停车空间利用率和停车的舒适度。传统的停车场通过识别等待停车车辆的车牌号以及停车场系统车位空余情况来决定是否允许等待停车车辆进入停车场，这种停车场管理方式的效率十分低下，也给等待停车的车辆驾驶员增加了很多额外的工作。目前已有自动驾驶车辆实现通过自动驾驶技术自动将车辆停泊在对应位置。该方式虽然在一定程度上提高了停车的效率，但是由于目前大部分车辆还不具备自动驾驶的功能，势必会导致非自动驾驶车辆和自动驾驶车辆的混合泊车情况，对于自动驾驶技术提出了很高的要求。另外，由于不同品牌的车辆在自动驾驶技术上采取不同的传感器方案以及技术路线，这样会导致自动化停车场需要能适配不同品牌的车辆，势必为自动停车场的建设带来了十分繁琐的工作。

发明内容

由于无人停车场的全自动化操作，无人泊车搬运机器人与目标车辆的对位过程的安全性和可靠性显得尤为重要，因此，本发明针对现有技术中的不足，在满足实际应用需求的前提下，目的是提供一种安全可靠的面向自动化停车场的无人泊车搬运机器人的对位方法。

为达到上述目的，本发明的解决方案是：

一种面向自动化停车场的无人泊车搬运机器人的对位方法，其包括如下过程：识别目标车辆的车系与型号阶段、获取目标车辆的车轮信息阶段、实现目标车辆的预对位阶段以及实现目标车辆的精准对位阶段。

实际上，(1)、识别目标车辆的车系与型号阶段为：根据目标车辆的图像特征结合深度学习，利用预训练好的卷积神经网络，获取目标车辆的车系与型号，进而获取目标车辆的尺寸信息。

(2)、获取目标车辆的车轮信息阶段为：根据目标车辆的车轮点云数据以获取目标车辆的位置信息。

(3)、实现目标车辆的预对位阶段为：根据无人泊车搬运机器人的轮廓信息，结合目标车辆的尺寸信息与目标车辆的位置信息，以调整无人泊车搬运机器人的横向展开宽度及与目标车辆的预对准角度。

(4)、实现目标车辆的精准对位阶段为：在预对位阶段的基础上，根据目标车辆的车轮轴信息，以调整无人泊车搬运机器人与目标车辆的精对准角度及纵向伸长长度。

优选地，在步骤(1)中，利用图像采集装置获取目标车辆的图像特征，其中，图像特征包括目标车辆的车脸、车标、前车灯与后车灯。

优选地，在步骤(2)中，获取目标车辆的车轮信息阶段的具体步骤包括：

(2-1)、利用第一信息采集装置获取目标车辆的车轮点云数据，通过密度聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)算法对车轮点云数据进行密度聚类分析；

(2-2)、对车轮点云数据进行密度聚类分析后，基于随机抽样一致(Random SampleConsensus，RANSAC)算法拟合目标车辆的车轮的直角型特征，获取目标车辆的位置信息。

优选地，在步骤(3)中，实现目标车辆的预对位阶段的具体步骤包括：

(3-1)、利用第一信息采集装置获取无人泊车搬运机器人的点云数据，通过密度聚类算法对车轮点云数据进行密度聚类分析；

(3-2)、对该机器人的点云数据进行密度聚类分析后，基于随机抽样一致算法拟合无人泊车搬运机器人的扫描直角型特征，获取无人泊车搬运机器人相对于目标车辆的轮廓信息；

(3-3)、结合目标车辆的位置信息与目标车辆的尺寸信息以调整无人泊车搬运机器人的横向展开宽度及与目标车辆的预对准角度。

优选地，在步骤(4)中，利用第二信息采集装置获取目标车辆的车轮轴信息，在无人泊车搬运机器人的前侧的举升机械臂与目标车辆的前轮轴对齐后；调整无人泊车搬运机器人的纵向伸长长度，以实现无人泊车搬运机器人的后侧的举升机械臂与目标车辆的后轮轴对齐。

优选地，识别目标车辆的车系与型号阶段中的图像采集装置为单目摄像头，单目摄像头布置于停车区的前侧和后侧。

优选地，第一信息采集装置为单线激光雷达，单线激光雷达布置于停车区的四周。

优选地，步骤(2)中和步骤(3)中的随机抽样一致算法包括如下步骤：

(a)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(b)、对该点云数据簇中余下的点逐一通过计算相对于(a)中直角型特征数学模型构成角特征的两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(c)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(d)步；

(d)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型所构成的直角特征的两条边的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；

(e)、重复执行步骤(a)至步骤(d)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

优选地，第二信息采集装置为单点激光雷达，单点激光雷达布置于无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近。

由于采用上述方案，本发明的有益效果是：

第一、本发明的无人泊车搬运机器人结合额外搭建的起中转作用的临时停车区(搭载单目摄像头与单线激光雷达)，来实现与不同品牌目标车辆的精准对位，以便保障该无人泊车搬运机器人对目标车辆有效、安全地搬运。

第二、本发明的无人泊车搬运机器人利用单目摄像头并结合深度学习的方法，进行车辆的车系与型号的识别，从而具有准确性高和实用性好的特点，进一步提高了临时停车区中对位过程的效率。

第三、本发明的激光雷达(即单点激光雷达和单线激光雷达)作为主要信息采集装置，其测距精度等级能够达到厘米级，满足实际应用的要求，从而使得本发明的无人泊车搬运机器人具有检测精度高和可靠性强的特点，进一步节约时间，提高了室内外平坦停车区的运行效率。

附图说明

图1为本发明的面向自动化停车场的无人泊车搬运机器人的对位方法的流程示意图。

图2为本发明的实施例中停车区内单线激光雷达与单目摄像头的布置示意图。

图3为本发明的实施例中无人泊车搬运机器人的单点激光雷达的布置示意图。

图4为本发明的实施例中采集的车轮(或车身)点云数据散点图(0点为二维激光雷达所在位置，X轴表示的是在横向采集的点云点距离激光雷达的距离，Y轴表示的是在纵向采集的点云点距离激光雷达的距离)。

图5为本发明的实施例中采集的点云数据对车轮(或车身)的直角型特征提取结果图。

图6为本发明的实施例中无人泊车搬运机器人完成车身的预对位阶段后的结果示意图。

图7为本发明的实施例中无人泊车搬运机器人实现车身的预对位阶段的流程图。

图8为本发明的实施例中无人泊车搬运机器人完成车身的精准对位后的结果示意图。

图9为本发明的实施例中无人泊车搬运机器人实现车身的精准对位阶段的流程图。

图10为本发明的实施例中无人泊车搬运机器人完成对目标车辆精准对位后，无人泊车搬运机器人的机械臂对目标车辆的夹持示意图。

附图标记：单目摄像头1、单线激光雷达2和单点激光雷达3。

具体实施方式

本发明提供了一种面向自动化停车场的无人泊车搬运机器人的对位方法。

如图1、图6、图7、图8、图9和图10所示，本发明的无人泊车搬运机器人基于其机械结构上的万向轮和承重轮实现灵活转向，且该机器人的横向展开宽度与纵向伸长长度均可调节，以适应不同轮距与轴距的绝大多数车辆，同时，无人泊车搬运机器人上布置的单点激光雷达3用于精准对位阶段中该机器人的举升装置与目标车辆的轮轴的相对位置估计与姿态调整。

<面向自动化停车场的无人泊车搬运机器人的对位方法>

一种面向自动化停车场的无人泊车搬运机器人的对位方法包括如下过程：识别目标车辆的车系与型号阶段、获取目标车辆的车轮信息阶段、实现目标车辆的预对位阶段以及实现目标车辆的精准对位阶段。

(识别目标车辆的车系与型号阶段)

具体地，识别目标车辆的车系与型号阶段为：利用图像采集装置获取目标车辆的图像特征，例如车脸、车标、前车灯与后车灯等，并结合深度学习，利用预训练好的卷积神经网络，实现对目标车辆的车系与型号的识别，从而获取目标车辆的具体尺寸信息，例如轴距、轮距以及车长等。

实际上，图像采集装置可以为单目摄像头1并布置于停车区的前侧和后侧，以进行对停车区的环境感知。

(获取目标车辆的车轮信息阶段)

具体地，获取目标车辆的车轮信息阶段为：

(1)、利用第一信息采集装置获取目标车辆的车轮点云数据，通过DBSCAN算法对车轮点云数据进行密度聚类分析；

(2)、对车轮点云数据进行密度聚类分析后，基于RANSAC算法拟合目标车辆的车轮的直角型特征，获取目标车辆的车轮信息，即位置与姿态。

实际上，第一信息采集装置可以为单线激光雷达2并布置于停车区的四周，以进行对停车区的环境感知。

具体地，RANSAC算法包括如下步骤：

(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(2-2)、对该点云数据簇中余下的点逐一通过计算相对于(2-1)中直角型特征数学模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(2-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角性特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；

(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于由该直角型特征数学模型所构成的直角特征的边界的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；

(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

(实现目标车辆的预对位阶段)

具体地，实现目标车辆的预对位阶段为：

(1)、利用第一信息采集装置获取无人泊车搬运机器人的点云数据，将采集所得的点云数据进行合并，通过DBSCAN算法对该合并后的点云数据进行密度聚类分析；

(2)、对该机器人的合并后的点云数据进行密度聚类分析后，基于RANSAC算法拟合无人泊车搬运机器人的扫描直角型特征，获取无人泊车搬运机器人相对于目标车辆的轮廓信息；

(3)、结合目标车辆的位置信息与目标车辆的尺寸信息以调整无人泊车搬运机器人的横向展开宽度和无人泊车搬运机器人的方向，从而实现无人泊车机器人与目标车辆的预对准。

实际上，第一信息采集装置可以为单线激光雷达2并布置于停车区的四周，以进行对停车区的环境感知。

具体地，RANSAC算法包括如下步骤：

(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(2-2)、对该点云数据簇中余下的点逐一通过计算相对于(2-1)中直角型特征模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(2-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；

(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型的边界的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；

(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

(实现目标车辆的精准对位阶段)

具体地，实现目标车辆的精准对位阶段为：

利用第二信息采集装置获取目标车辆的车轮轴信息，在无人泊车搬运机器人的前侧的举升机械臂与目标车辆的前轮轴对齐后，锁紧无人泊车搬运机器人的主动轮；接着调整无人泊车搬运机器人的万向轮与纵向伸长长度，实现无人泊车搬运机器人的后侧的举升机械臂与目标车辆的后轮轴对齐。在目标车辆的前轮轴与无人泊车搬运机器人的前侧的举升机械臂进行对齐的同时，对该机器人相对于目标车辆的角度与位置进行微调，使得该机器人与目标车辆之间的相对位置始终保持为目标位置，从而达到无人泊车搬运机器人的精准对位的目的。

实际上，第二信息采集装置可以为单点激光雷达3并布置于无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近，以感知目标车辆的车轮轴与无人泊车搬运机器人的机械臂的相对位置。

以下结合实施例对本发明作进一步的说明。

实施例：

本实施例的面向自动化停车场的无人泊车搬运机器人的对位方法包括如下过程：识别目标车辆的车系与型号阶段、获取目标车辆的车轮信息阶段、实现目标车辆的预对位阶段以及实现目标车辆的精准对位阶段。

其中，如图2所示，本实施例的识别目标车辆的车系与型号阶段中的2个单目摄像头1分别安装在在起中转作用的临时停车区的前侧与后侧；获取目标车辆的车轮信息阶段、实现目标车辆的预对位阶段中的4个高度可调节的单线激光雷达2分别安装在该停车区的四角；如图3所示，实现目标车辆的精准对位阶段中的4个单点激光雷达3，分别布设于无人泊车搬运机器人的前侧的举升机械臂附近(2个)和后侧的举升机械臂附近(2个)(前侧的举升机械臂附近与后侧的举升机械臂附近的另外2个单点激光雷达均未在图中标示)。

首先，识别目标车辆的车系与型号阶段为：利用单目摄像头1来获取目标车辆的车脸、车标、前车灯与后车灯等图像特征信息，并结合深度学习，进一步实现对目标车辆的车系与型号的识别，从而获取目标车辆的具体尺寸信息，例如轴距、轮距以及车长等。

其次，获取目标车辆的车轮信息阶段为：

(1)、如图4所示，利用单线激光雷达2扫描目标车辆的四个车轮，获取目标车辆的车轮点云数据，通过DBSCAN算法对车轮点云数据进行密度聚类分析；

(2)、如图5所示，对密度聚类分析后的车轮点云数据，按簇采用RANSAC算法进行车轮的直角型特征的提取，由车轮的直角型特征信息并结合上述的目标车辆的具体尺寸信息，得到目标车辆在停车区内相对准确的位置信息。

实际上，该RANSAC算法用于直角型特征提取的数学模型为：

MODEL＝[P₁x,P₁y；P₂x,P₂y；P₃x,P₃y]

其中，P₁、P₂、P₃表征的是直角型特征的三个端点，P₂是直角型特征的中间角点。

具体地，利用RANSAC算法求解目标车辆的车轮直角型特征的步骤如下：

(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(2-2)、对该点云数据簇中余下的点逐一通过计算相对于由(2-1)中直角型特征数学模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点。当计算的距离小于设定的检测阈值时，该点被判定为内群数据点。若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(2-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；通常当内群的数据点大于该点云簇的数据点的2/3时，认为该数学模型合理；

(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型拟合的矩形框的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；

(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

步骤(2-4)中内群数据点相对于数学模型拟合的矩形框的距离靠近程度的计算方法如下：

其中，D_1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离，D_2(j)为该矩形框中的第二类数据点与对应的第二边线的距离，第一边线和第二边线是该矩形框中具有直角型特征的两条边线，d₀为距离阈值。根据内群数据点距离矩形框的直角型特征的两条边线的距离大小，将其划分为第一类数据点或者第二类数据点。

再者，如图7所示，实现目标车辆的预对位阶段为：

(1)、调整停车区四角的单线激光雷达2的纵向高度至合适值，该合适值需要结合实际情况再具体调整；

(2)、如图4所示，利用单线激光雷达2扫描无人泊车搬运机器人的车身，并获取该机器人的点云数据，将扫描所得的点云数据通过DBSCAN算法并进行密度聚类分析；

(3)、如图5所示，对密度聚类分析后的数据，按簇采用RANSAC算法进行车身轮廓的直角型特征的提取。

实际上，该RANSAC算法用于直角型特征提取的数学模型为：

MODEL＝[P₁x,P₁y；P₂x,P₂y；P₃x,P₃y]

其中，P₁、P₂、P₃表征的是直角型特征的三个端点，P₂是直角型特征的中间角点。

具体地，利用RANSAC算法求解目标车辆的车身直角型特征的步骤如下：

(3-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(3-2)、对该点云数据簇中余下的点逐一通过距离的计算相对于由(2-1)中直角型特征数学模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点。当计算的距离小于设定的检测阈值时，该点被判定为内群数据点。若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(3-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(3-4)步；通常当内群的数据点大于该点云簇的数据点的2/3时，认为该数学模型合理；

(3-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型拟合的矩形框的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；(3-5)、重复执行步骤(3-1)至步骤(3-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

步骤(3-4)中内群数据点相对于数学模型拟合的矩形框的距离靠近程度的计算方法如下：

其中，D_1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离，D_2(j)为该矩形框中的第二类数据点与对应的第二边线的距离，第一边线和第二边线是该矩形框中具有直角型特征的两条边线，d₀为距离阈值。根据内群数据点距离矩形框的直角型特征的两条边线的距离大小，将其划分为第一类数据点或者第二类数据点。

(4)、如图6所示，由无人泊车搬运机器人车身的直角型特征信息，得到该机器人的相对准确的位置信息，结合上述目标车辆的位置信息与尺寸信息，利用PID控制器来调整该机器人的横向展开宽度与目标车辆对准，从而实现该机器人对目标车辆的预对准。

实际上，PID控制器的模型为：

其中，[k_p,k_i,k_d]为PID控制器的参数，k_p为比例增益参数，k_i为积分增益参数，k_d为微分增益参数，u(t)为t时刻的无人泊车搬运机器人的主动轮的控制量，一般而言，PID控制器的参数是动态变化的，当然也可固定，具体的参数值需要实验进行标定调整，即PID控制器的参数需要根据实际的无人泊车搬运机器人的性能进行调节。

PID控制器是一个在工业控制应用中常见的反馈回路部件，该控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值，PID控制器可以根据历史数据和差别的出现来调整输入值，从而使系统更加准确且稳定。

最后，如图9所示，实现目标车辆的精准对位阶段为：

(1)、预对位阶段结束后，无人泊车搬运机器人利用预对位阶段获取的目标车辆的位置信息，开始向目标车辆按某一固定的较低速度(该速度需要结合实际情况进行微调)移动，在移动过程中，单点激光雷达3不断感知该机器人和目标车辆的夹角与距离信息，通过与目标值的偏差，利用PID控制器来修正该机器人的姿态。

实际上，PID控制器的模型为：

其中，[k_p,k_i,k_d]为PID控制器的参数，k_p为比例增益参数，k_i为积分增益参数，k_d为微分增益参数，u(t)为t时刻的无人泊车搬运机器人的主动轮的控制量，一般而言，PID控制器的参数是动态变化的，当然也可固定，具体的参数值需要实验进行标定调整，即PID控制器的参数需要根据实际的无人泊车搬运机器人的性能进行调节。

(2)、如图8和图10所示，同时利用无人泊车搬运机器人的前侧的举升机械臂附近的单点激光雷达3不断检测前侧的举升机械臂与目标车辆的车轮轴的对准关系，当该机器人前轮夹持的举升机械臂与目标车辆的前轮轴共线(即与前轮轴对齐)时，该机器人停止运动，并锁紧其主动轮，保证该主动轮的位置不变。

(3)、然后利用单点激光雷达3检测与定位目标车辆的后轮轴位置，通过该机器人的纵向伸展装置来调整后轮夹持的举升机械臂的位置，当后轮夹持的举升机械臂与定位目标车辆的后轮共线(即与后轮轴对齐)时，从而完成该机器人与目标车辆的精准对位。

上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中，而不必经过创造性的劳动。因此，本发明不限于上述实施例。本领域技术人员根据本发明的原理，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (9)

1.一种面向自动化停车场的无人泊车搬运机器人的对位方法，其特征在于：其包括如下过程：识别目标车辆的车系与型号阶段、获取目标车辆的车轮信息阶段、实现目标车辆的预对位阶段以及实现目标车辆的精准对位阶段；

(1)、所述识别目标车辆的车系与型号阶段为：根据目标车辆的图像特征以获取目标车辆的尺寸信息；

(2)、所述获取目标车辆的车轮信息阶段为：根据目标车辆车轮点云数据以获取目标车辆的位置信息；

(3)、所述实现目标车辆的预对位阶段为：根据无人泊车搬运机器人的轮廓信息，结合所述目标车辆的尺寸信息与所述目标车辆的位置信息，以调整无人泊车搬运机器人的横向展开宽度；

(4)、所述实现目标车辆的精准对位阶段为：在所述实现目标车辆的预对位阶段的基础上，根据目标车辆的车轮轴信息，以调整无人泊车搬运机器人与目标车辆的精对准角度及纵向伸长长度。

2.根据权利要求1所述的对位方法，其特征在于：步骤(1)中，在所述识别目标车辆的车系与型号阶段中，利用图像采集装置获取目标车辆的图像特征，所述图像特征包括目标车辆的车脸、车标、前车灯与后车灯。

3.根据权利要求1所述的对位方法，其特征在于：步骤(2)中，所述获取目标车辆的车轮信息阶段的具体步骤包括：

(2-1)、利用第一信息采集装置获取目标车辆的车轮点云数据，通过密度聚类算法对所述车轮点云数据进行密度聚类分析；

(2-2)、对所述车轮点云数据进行密度聚类分析后，基于随机抽样一致算法拟合目标车辆的车轮的直角型特征，获取目标车辆的位置信息。

4.根据权利要求1所述的对位方法，其特征在于：步骤(3)中，所述实现目标车辆的预对位阶段的具体步骤包括：

(3-1)、利用第一信息采集装置获取无人泊车搬运机器人的点云数据，通过密度聚类算法对所述车轮点云数据进行密度聚类分析；

(3-2)、对该机器人的所述点云数据进行密度聚类分析后，基于随机抽样一致算法拟合无人泊车搬运机器人的扫描直角型特征，获取无人泊车搬运机器人相对于目标车辆的轮廓信息；

(3-3)、结合所述目标车辆的位置信息与目标车辆的尺寸信息以调整所述无人泊车搬运机器人的横向展开宽度及与目标车辆的预对准角度。

5.根据权利要求1所述的对位方法，其特征在于：步骤(4)中，所述实现目标车辆的精准对位阶段的具体步骤包括：

利用第二信息采集装置获取目标车辆的车轮轴信息，在所述无人泊车搬运机器人的前侧的举升机械臂与目标车辆的前轮轴对齐后；调整所述无人泊车搬运机器人的纵向伸长长度，以实现无人泊车搬运机器人的后侧的举升机械臂与目标车辆的后轮轴对齐。

6.根据权利要求2所述的对位方法，其特征在于：所述图像采集装置为单目摄像头，所述单目摄像头布置于停车区的前侧和后侧。

7.根据权利要求3或4所述的对位方法，其特征在于：所述第一信息采集装置为单线激光雷达，所述单线激光雷达布置于停车区的四周。

8.根据权利要求3或4所述的对位方法，其特征在于：所述随机抽样一致算法包括如下步骤：

(a)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；

(b)、对该点云数据簇中余下的点逐一通过计算相对于(a)中直角型特征数学模型构成的角特征两条边的距离，根据所述距离判定其是否为所述直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；

(c)、获取内群数据点的总数，根据内群数据点的总数判定所述直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(d)步；

(d)、对合理的直角型特征数学模型中的内群数据点计算其相对于所述直角型特征数学模型的边界的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；

(e)、重复执行步骤(a)至步骤(d)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。

9.根据权利要求5所述的对位方法，其特征在于：所述第二信息采集装置为单点激光雷达，所述单点激光雷达布置于所述无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近。

Images