CN109800658A - 基于神经网络的泊车位类型在线识别与定位系统及方法 - Google Patents

Abstract

本发明提供了一种基于神经网络的泊车位类型在线识别与定位系统，包括停车位离线训练模块，对神经网络模型进行训练，构建神经网络分类器；停车位在线识别模块，将特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别并输出识别结果；停车位定位模块，根据采集到的停车位先关数据信息计算得到停车位的位置坐标信息；轨迹规划及控制模块，根据坐标信息规划泊车路线并控制泊车。本发明解决了基于超声波的自动泊车系统的局限性带来的问题；解决了车主手动选择停车位类型和由于目标停车位相邻停车位上的车辆停驻位置不规则导致寻找停车位失败或自动泊车停放的位置不准确甚至泊车失败的问题。

Description

基于神经网络的泊车位类型在线识别与定位系统及方法

技术领域

本发明属于无人驾驶技术领域，尤其是涉及一种基于神经网络的泊车位类型在线识别与定位系统及方法。

背景技术

随着科技的进步，汽车工业得以飞速发展，并朝着智能化的方向不断进步。在汽车保有量不断上升的今天，自动泊车逐渐成为汽车本身不可或缺的一项技术。自主泊车技术可尽量减少由于人为泊车带来的刮蹭、碰撞等事故，同时使车辆准确入位，使得泊车更加安全准确。

目前自动泊车系统采用超声波雷达或视觉传感器两种方法实现对周围的障碍物、车辆、停车线进行探测识别。当某一车位的前后或左右两个车位有车停驻时，通过超声波雷达等传感器可探测到周围驻车的存在，并可测得本车与相邻停车位驻车的距离以及相邻驻车之间的距离，当某一车位的前后或左右均没有停车位时，此时可使用视觉传感器对停车线进行识别和定位。根据所测得的上述信息，规划泊车路径，进而完成自动泊车操作。

由于视觉传感器识别停车位对光线、天气等环境条件具有较强的要求，同时考虑到视觉处理技术的成熟度问题，目前通过超声波雷达传感器来探测环境进行自动泊车的方法成为主流。然而使用超声波雷达实现泊车位的检测依旧存在一定的局限性。第一，该方法在使用时需要车主自主选定垂直泊车、平行泊车、斜向泊车三种类型中的一种才能进行正常的泊车操作，严重影响泊车效率及顾客体验。第二，理想情况下，车辆在停车位中的停放位置位于停车位中央且车辆纵轴线与停车位纵向标识线平行。而实际情况下，车辆在停车位中的停驻位置是无规则的且车身纵向轴线不一定与停车位纵向标识线平行，超声波雷达等传感器在测量目标停车位相邻停车位上的车辆之间的距离时将产生误差，导致无法正确识别停车位或自动泊车时停车位置偏向停车位的某一侧甚至超出停车位以致泊车失败。

发明内容

有鉴于此，本发明旨在提出一种基于神经网络的泊车位类型在线识别与定位系统，以解决基于超声波的自动泊车系统的局限性带来的问题。

为达到上述目的，本发明的技术方案是这样实现的：

基于神经网络的泊车位类型在线识别与定位系统，包括：

停车位离线训练模块，将提取的多种不同类型停车位的多种不同停车情形的实车特征数据作为训练样本，对神经网络模型进行训练，构建神经网络分类器；

停车位在线识别模块，通过数据采集模块以一定频率采集数据，通过数据处理模块对采集到的数据进行数据处理，计算得到特征数据，将特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别并输出识别结果；

停车位定位模块，接收到停车位在线识别模块输出的停车位类型后，根据采集到的停车位先关数据信息计算得到停车位的位置坐标信息，并将结果输入到轨迹规划及控制模块中；

轨迹规划及控制模块，接收所述停车位定位模块输出的停车位的坐标信息，根据坐标信息规划泊车路线并控制泊车；同时将相应数据发送到泊车显示模块，泊车显示模块可以实时动态显示规划的泊车路线和实际的泊车路线。

优选的，将提取的实车特征数据组成特征向量[k₁，k₂，Δk₁，Δk₂，D₁，D₂，T₁，T₂]，作为训练样本，其中k₁和k₂为经过的前车和后车的侧向边缘线斜率，Δk₁和Δk₂为前车和后车的侧向边缘线斜率变化率，D₁和D₂分别为测量得到的目标停车位的长度和宽度信息、T₁和T₂为经过前车和后车的时间。

优选的，停车位离线训练模块对切比雪夫神经网络模型进行训练，构建切比雪夫神经网络分类器。

优选的，所述数据采集模块，包括超声波模块和车辆CAN模块，超声波模块实现车辆侧向距离原始数据的采集，车辆CAN模块实现车辆的轮速和方向盘转角信息读取，数据采集模块将采集到的数据经过简单滤波处理后发送给数据处理模块，数据处理模块计算停车位的特征向量并输入到停车位类型识别模块。

优选的，所述停车位在线识别模块判断找到停车位的方法包括如下内容：读取超声波模块通过超声波雷达测得的侧向障碍物的侧向距离信息，当侧向距离突然增加到大于等于设定阈值，且经过一段时间再突然减少到小于设定阈值，并且在这段时间内车辆行驶的距离大于等于设定值，则认为已找到停车位。

相对于现有技术，本发明所述的系统具有以下优势：

(1)本发明解决了基于超声波的自动泊车系统的局限性带来的问题；解决了车主手动选择停车位类型和由于目标停车位相邻停车位上的车辆停驻位置不规则导致寻找停车位失败或自动泊车停放的位置不准确甚至泊车失败的问题。

(2)当针对弱光环境下，基于视觉传感器的自动泊车系统无法识别停车位类型。本发明通过超声波检测与定位的方法可以准确的将停车位类型识别出来，保证自动泊车顺利进行。

(3)当目标停车位左右两侧的停驻车辆的停放位置不规则时，本发明可通过超声波数据准确的识别和定位出停车位，排除左右停驻车辆的停放位置对自动泊车带来的不利影响。

(4)自动泊车之前，面对不同类型的停车位(垂直停车位、平行停车位、斜线停车位)车辆的起始停放位置不同。本发明可识别出不同的停车位类型，使车辆在自动泊车之前能按照规定的要求停放，进而顺利的实现自动泊车。

(5)本发明使用训练好的神经网络车位识别模型实现车位的在线识别功能，只需要将特征数据输入到训练好的模型中即可进行识别，无需进行相关的复杂计算，识别正确率高。

(6)本发明所采用的方法与传统自动泊车系统所采用的超声波雷达计算方法相比，适应更多地应用场景、车位成功率高，具有较高的推广使用价值

本发明的另一目的在于提出一种基于神经网络的泊车位类型在线识别与定位方法，包括如下步骤：

1)将提取的多种不同类型停车位的多种不同停车情形的实车特征数据作为训练样本，对切比雪夫神经网络模型进行训练，构建切比雪夫神经网络分类器；

2)通过数据采集模块以一定频率采集数据，通过数据处理模块对采集到的数据进行数据处理，计算得到特征数据，将特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别；

3)根据采集到的停车位相关数据信息计算得到停车位的位置坐标信息；

4)根据坐标信息规划泊车路线并控制泊车。

所述方法与上述系统相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述系统的原理框图；

图2为本发明实施例所述的垂直车位场景样本；

图3为本发明实施例所述的平行车位场景样本；

图4为本发明实施例所述的侧方车位场景样本；

图5为本发明实施例所述的车位两侧为圆形柱子的场景样本；

图6为本发明实施例所述的停车位在线识别模块的工作流程图；

图7为本发明实施例所述停车位定位模块对垂直车库的定位示意图；

图8为本发明实施例所述停车位定位模块对平行车库的定位示意图；

图9为本发明实施例所述停车位定位模块对斜向车库的定位示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本发明基于神经网络的泊车位类型在线识别与定位系统，如图1所示，包括：

停车位离线训练模块，通过提取垂直停车位、平行停车位、斜向停车位三种不同类型停车位的十几种不同停车情形的实车属性数据特征作为训练样本对切比雪夫神经网络模型进行训练，构建切比雪夫神经网络分类器；

本实施例选择切比雪夫神经网络构建分类器，因为传统的多层感知器神经网络通常采用BP算法，采用该算法的多层感知器神经网络被称为BP神经网络，但是基于BP算法的多层感知器神经网络存在着收敛缓慢以及存在局部最小值的缺点。而切比雪夫神经网络模型与多层感知器神经网络模型完全不同，切比雪夫神经网络是一个拥有单隐层的神经网络，目前已经证明切比雪夫神经网络具有强大的表示能力，相比多层感知器神经网络，其收敛速度更快，计算复杂度低，并且具有良好的泛化能力，在学习样本分类知识的同时可以避免过拟合，因此能够适应个体差异。本申请采用切比雪夫神经网络构建分类器，将提取到的停车位的属性特征向量输入到切比雪夫神经网络分类器，由切比雪夫神经网络分类器进行识别并输出识别结果。

停车位离线训练模块通过对不同车位类型、车位两侧车辆停放不规则等不同场景类型下采集到的数据样本提取到的特征进行离线训练，进而得到停车位类型识别模型，即切比雪夫神经网络分类器模型；一般停车位分为垂直停车位、平行停车位、斜向停车位三种，车辆在寻找停车位阶段，通过超声波雷达测得侧向距离信息，然后根据距离数据的变化规律进行车位识别，不同类型车位、不同停放情形下的泊车位检测数据虽不完全相同，但具有一定的变化规律。为了使停车位类型的识别更具普适性，而且要具备能够识别不同场景下的不同类型停车位的能力。通过实车实验，采集标准垂直停车位、平行停车位、斜向停车位以及以上三种停车位前后或左右车辆停放不规则的多种情况，保证覆盖到生活中最常见的泊车位情况。分别提取包括停车位前车侧向边缘线斜率、后车侧向边缘线斜率、前车侧向边缘线斜率变化率、后车侧向边缘线斜率变化率、停车位长度、停车位宽度、寻找停车位时经过前车所用时间、经过后车所用时间在内的8个特征进行离线训练，进而得到停车位类型识别模型；训练后的分类器可实现不同场景下的多种类型停车位类型识别；

具体的，如图2至5所示，为了所述停车位离线训练模块采集的场景样本，图2所示为垂直停车位的6种情形，图3所示为平行停车位的6中情形，图4所示为侧方停车位的4种情形，图5所示为停车位两侧为圆形柱子的3种情形。针对以上19种不同的情形，进行实车数据采集，得到停车位的8个特征数据，组成特征向量[k₁，k₂，Δk₁，Δk₂，D₁，D₂，T₁，T₂]，作为训练样本使用，其中，k₁和k₂为经过的前车和后车的侧向边缘线斜率，Δk₁和Δk₂为前车和后车的侧向边缘线斜率变化率，D₁和D₂分别为测量得到的目标停车位的长度和宽度信息、T₁和T₂为经过前车和后车的时间。

切比雪夫神经网络的训练步骤如下：

a.针对不同情形下不同类型的停车位进行实车数据采集，收集若干样本；

b.将样本划分为M等份，初始化计算次数V＝1，全局最优隐神经元个数K^(app)＝0；当前计算最优隐神经元数目

c.初始化当前隐神经元个数K^(cur)＝1、当前最小样本校验误差为

d.根据K^(cur)构造切比雪夫神经网络，计算最优权值矩阵，并计算当前隐神经元数目K^(cur)对应的样本较验误差E^(V)；

e.判断E^(V)与的大小，若则令 返回步骤d；若则跳转至f；

f.若则令K^(cor)＝K^(cur)+1，返回步骤d；若则令

i.若V＜4，则令V＝V+1，返回步骤c，若V＝4，返回

j.根据K^(app)构造切比雪夫神经网络分类器模型，并计算得到最优权值矩阵。

停车位在线识别模块，通过数据采集模块以一定频率采集数据，通过数据处理模块对采集到的数据进行数据处理，计算得到8个特征数据，将8个特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别并输出识别结果；

具体的，当车辆开始寻找车位时，以固定的频率读取方向盘转角信息、轮速和脉冲信息、侧向超声波雷达信息，通过航迹推算和卡尔曼滤波解析出车辆的相对位置及侧向距离，并根据读取到的数据及数据变化规律信息计算出经过的前车侧向边缘线斜率、后车侧向边缘线斜率、前车侧向边缘线斜率变化率、后车侧向边缘线斜率变化率、车位长度、车位宽度、经过前车所用时间、经过后车所用时间在内的8个特征数据，当车辆找到车位并停止时将以上8个特征数据输入到训练好的切比雪夫神经网络分类器中，由切比雪夫神经网络分类器进行识别并输出识别结果。

其中，所述数据采集模块，包括超声波模块和车辆CAN模块，超声波模块实现车辆侧向距离原始数据的采集，车辆CAN模块实现车辆的轮速和方向盘转角信息读取，数据采集模块将采集到的数据经过简单滤波处理后发送给数据处理模块，数据处理模块计算停车位的特征向量并输入到停车位类型识别模块。

如图6所示，为所述停车位在线识别模块的停车位在线识别流程图，当启动泊车程序后，建立泊车坐标系，车辆时时读取方向盘转角及轮速信息并通过航迹推算得到车辆的相对坐标，同时读取超声波模块测得的侧向障碍物的侧向距离信息，对侧向距离信息进行数据预处理，判断是否找到停车位，判断条件是，当侧向距离突然增加到大于等于设定阈值，且经过一段时间再突然减少到小于设定阈值，并且在这段时间内车辆行驶的距离大于等于设定值，则认为已找到停车位，通过数据处理模块计算特征向量[k₁，k₂，Δk₁，Δk₂，D₁，D₂，T₁，T₂]，并将特征向量输入到切比雪夫神经网络分类器中进行停车位类型识别，并将识别后的结果输出到停车位定位模块；

其中，所述数据处理模块采用的具体的计算方法如下：

前车侧向边缘线斜率k₁和后车侧向边缘线斜率k₂的计算公式为：

其中，d_i和d_i+1分别为超声波测的第i次和第i+1次数据，d为两次测量车辆行驶的距离；

前车和后车的侧向边缘线斜率变化率Δk₁和从₂的计算公式为：

其中，k_i+1和k_i分别为第i+1次和第i次的斜率。

车位长度D₁和深度D₂的计算公式为：

D₁＝x₂-x₁

D₂＝d_smin-d_cmin

其中，x₁与x₂分别为停车位起始点和终止点处车辆在泊车坐标系下的相对横坐标，d_smin为超声波检测到的停车位中的最小距离，d_cmin为超声波检测到的前车或后车最小距离值。

T₁和T₂的求取步骤如下：

a.判断寻找停车位开始时超声波数据d和设定的阈值d_threshold，如果d＞d_theshold，表明车辆在寻找停车位的起始位置在停车位前车的后面，则T₁为车辆从寻找停车位开始第一次发生跳变至较小值到车辆到达目标停车位的起始点所用时间；

b.如果d＜d_theshold，表明车辆在寻找的停车位的起始位置位于停车位前车侧面，则T₁为开始寻找停车位时刻到车辆到达目标停车位的起始点所用时间；

c.判断车辆从目标停车位终止点位置到车辆停止位置的过程中，超声波数据是否发生跳变，如果发生跳变，则T₂为为车辆从目标停车位终止点位置到超声波数据跳变位置所用的时间；

d.如果没有发生跳变，则T₂为为车辆从目标停车位终止点位置到车辆停止位置所用的时间。

停车位定位模块，接收到停车位在线识别模块输出的停车位类型后，通过相关数据计算和转换，得到停车位的相对坐标信息，并将结果输入到轨迹规划及控制模块中。

具体的，停车位定位模块主要负责确定停车位的位置坐标信息，为后续的泊车路径规划做准备。识别出停车位类型后，根据停车位类型的不同，超声波模块测得的停车位的长度和宽度信息、车辆相对位置信息，计算得到停车位的位置坐标信息。其中，停车位的位置坐标信息包括目标停车位的前端中心点坐标和后端中心点坐标(即坐标P₀和P₁)，如图7至9所示。

具体的，所述停车位定位模块计算停车位的位置坐标信息的前端中心点坐标P₀和后端中心点坐标P₁，计算公式如下：

垂直停车位

平行车位

斜向车位

上式中，x和y为测得的超声波数据跳变点处的车辆相对位置坐标值，D₁和D₂为计算得到的停车位的长度和宽度，d为超声波测得的前车侧向距离，θ为斜向车位的倾斜角度。

轨迹规划及控制模块，接收所述停车位定位模块输出的停车位的坐标信息，根据坐标信息规划泊车路线并控制泊车；同时将相应数据发送到泊车显示模块，泊车显示模块可以实时动态显示规划的泊车路线和实际的泊车路线，直至泊车结束。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于神经网络的泊车位类型在线识别与定位系统，其特征在于包括：

停车位离线训练模块，将提取的多种不同类型停车位的多种不同停车情形的实车特征数据作为训练样本，对神经网络模型进行训练，构建神经网络分类器；

停车位在线识别模块，通过数据采集模块以一定频率采集数据，对采集数据进行预处理，当判断找到停车位后，通过数据处理模块对采集到的数据进行数据处理，计算得到特征数据，将特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别并输出识别结果；

停车位定位模块，接收到停车位在线识别模块输出的停车位类型后，根据采集到的停车位先关数据信息计算得到停车位的位置坐标信息，并将结果输入到轨迹规划及控制模块中；

轨迹规划及控制模块，接收所述停车位定位模块输出的停车位的坐标信息，根据坐标信息规划泊车路线并控制泊车；同时将相应数据发送到泊车显示模块，泊车显示模块可以实时动态显示规划的泊车路线和实际的泊车路线。

2.根据权利要求1所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：将提取的实车特征数据组成特征向量[k₁，k₂，Δk₁，Δk₂，D₁，D₂，T₁，T₂]，作为训练样本，其中k₁和k₂为经过的前车和后车的侧向边缘线斜率，Δk₁和Δk₂为前车和后车的侧向边缘线斜率变化率，D₁和D₂分别为测量得到的目标停车位的长度和宽度信息、T₁和T₂为经过前车和后车的时间。

3.根据权利要求1所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：停车位离线训练模块对切比雪夫神经网络模型进行训练，构建切比雪夫神经网络分类器，切比雪夫神经网络分类器的训练步骤如下：

a.针对不同情形下不同类型的停车位进行实车数据采集，收集若干样本；

b.将样本划分为M等份，初始化计算次数V＝1，全局最优隐神经元个数K^(app)＝0；当前计算最优隐神经元数目

c.初始化当前隐神经元个数K^(cur)＝1、当前最小样本校验误差为

d.根据K^(cur)构造切比雪夫神经网络，计算最优权值矩阵，并计算当前隐神经元数目K^(cur)对应的样本较验误差E^(V)；

e.判断E^(V)与的大小，若则令 K^(cur)＝K^(cur)+1，返回步骤d；若则跳转至f；

f.若则令K^(cur)＝K^(cur)+1，返回步骤d；若则令

i.若V<4，则令V＝V+1，返回步骤c，若V＝4，返回

j.根据K^(app)构造切比雪夫神经网络分类器模型，并计算得到最优权值矩阵。

4.根据权利要求1所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：所述数据采集模块，包括超声波模块和车辆CAN模块，超声波模块实现车辆侧向距离原始数据的采集，车辆CAN模块实现车辆的轮速和方向盘转角信息读取，数据采集模块将采集到的数据经过简单滤波处理后发送给数据处理模块，数据处理模块计算停车位的特征向量并输入到停车位类型识别模块。

5.根据权利要求4所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：所述数据处理模块采用的具体的计算方法如下：

前车侧向边缘线斜率k₁和后车侧向边缘线斜率k₂的计算公式为：

其中，d_i和d_i+1分别为超声波测的第i次和第i+1次数据，d为两次测量车辆行驶的距离；

前车和后车的侧向边缘线斜率变化率Δk₁和Δk₂的计算公式为：

其中，k_i+1和k_i分别为第i+1次和第i次的斜率。

车位长度D₁和深度D₂的计算公式为：

D₁＝x₂-x₁

D₂＝d_smin-d_cmin

其中，x₁与x₂分别为停车位起始点和终止点处车辆在泊车坐标系下的相对横坐标，d_smin为超声波检测到的停车位中的最小距离，d_cmin为超声波检测到的前车或后车最小距离值。

T₁和T₂的求取步骤如下：

a.判断寻找停车位开始时超声波数据d和设定的阈值d_threshold，如果d＞d_threshold，表明车辆在寻找停车位的起始位置在停车位前车的后面，则T₁为车辆从寻找停车位开始第一次发生跳变至较小值到车辆到达目标停车位的起始点所用时间；

b.如果d＜d_threshold，表明车辆在寻找的停车位的起始位置位于停车位前车侧面，则T₁为开始寻找停车位时刻到车辆到达目标停车位的起始点所用时间；

c.判断车辆从目标停车位终止点位置到车辆停止位置的过程中，超声波数据是否发生跳变，如果发生跳变，则T₂为为车辆从目标停车位终止点位置到超声波数据跳变位置所用的时间；

d.如果没有发生跳变，则T₂为车辆从目标停车位终止点位置到车辆停止位置所用的时间。

6.根据权利要求1所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：停车位的位置坐标信息包括目标停车位的前端中心点坐标P₀和后端中心点坐标P₁，计算公式如下：

垂直停车位

平行车位

斜向车位

上式中，x和y为测得的超声波数据跳变点处的车辆相对位置坐标值，D₁和D₂为计算得到的停车位的长度和宽度，d为超声波测得的前车侧向距离，θ为斜向车位的倾斜角度。

7.根据权利要求1所述的基于神经网络的泊车位类型在线识别与定位系统，其特征在于：所述停车位在线识别模块判断找到停车位的方法包括如下内容：

读取超声波模块通过超声波雷达测得的侧向障碍物的侧向距离信息，当侧向距离突然增加到大于等于设定阈值，且经过一段时间再突然减少到小于设定阈值，并且在这段时间内车辆行驶的距离大于等于设定值，则认为已找到停车位。

8.基于神经网络的泊车位类型在线识别与定位方法，其特征在于包括如下步骤：

1)将提取的多种不同类型停车位的多种不同停车情形的实车特征数据作为训练样本，对切比雪夫神经网络模型进行训练，构建切比雪夫神经网络分类器；

2)通过数据采集模块以一定频率采集数据，通过数据处理模块对采集到的数据进行数据处理，计算得到特征数据，将特征数据输入到训练好的切比雪夫神经网络分类器中，进行识别；

3)根据采集到的停车位相关数据信息计算得到停车位的位置坐标信息；

4)根据坐标信息规划泊车路线并控制泊车。