CN110126817B - 一种自适应任意点与固定点间泊车或召回的方法及系统 - Google Patents

Abstract

本发明涉及一种智能驾驶领域，具体涉及一种自适应任意点与固定点间泊车或召回的方法及系统；本发明能够提供自动泊车入库模式和/或自动从车库召回车辆的模式。其包括:在车辆的自动驾驶系统检测是否具有泊车或召回区域相应的地图；用户在使用的地图中设定所述车辆任意起始位置；将预设的全局地图和最终使用的地图进行匹配，用于产生自动驾驶路线规划；通过自动驾驶完成泊车或召回。该预装泊车系统为没有建图的地库及停车场提供一种在线建图功能；由此可实现自适应、全方位的服务。另外，选取的起始点没有做出限制，驾驶员不需要只在预先固定的位置开始泊车或召回到固定位置，这一位置可以是任选的，这样大大增强了该泊车召回驾驶的实用性。

Description

一种自适应任意点与固定点间泊车或召回的方法及系统

技术领域

本发明涉及一种自动驾驶技术领域，具体涉及一种能从任意点到固定点的自动泊车或车辆召回的方法或系统。

背景技术

随着人工智能的各项技术的发展，自动驾驶技术也不断成熟起来，用户对自动驾驶技术特别是在室内停车场中的自动停车、自动召回车辆有了进一步的需求。停车场数量很多而且用户也不会局限于在某一个停车场停车，因此自动泊车功能需要同时满足自动驾驶系统中没有在预装时对停车场进行建图的场景。

对这样的自动驾驶系统而言，怎样自适应、全方位的提供用户个性化服务是一个关键且尚未解决的问题。事实上，多种需求、多种模式，以及多场景下室内停车场自适应泊车及相应的地图匹配技术等多种因素参杂在一起，对整个泊车系统的设计、逻辑性设计以及技术选型都提出了很大的挑战。

现有的室内停车场自动泊车系统一般只能处理限定模式，例如只能在预装系统已有地图的情况下进行自动泊车，或者只能进行泊车入库服务，无法进行车辆自动召回服务等。

另外，现有的自动泊车或召回系统对于起点或终点由于计算量的限制，往往限制为固定的方式，即只能在事先确定的位置进行泊车或召回，这样大大的限制了应用的范围，当泊车位和召回位发生意外，如有其他车辆占据时，无法进行泊车或召回的操作。

发明内容

有鉴于此，本申请提出了一种自适应的任意点至固定点的室内停车场泊车方法，该方法能够同时提供自动泊车入库模式以及自动从车库召回车辆的模式，通过动态语义特征匹配能够自适应的应对泊车环境中的变化，提高地图匹配的准确度和速度。除此之外，对预装泊车系统没有建图的地库及停车场提供一种在线建图功能。在上述关键要素的基础上，本发明设计的自适应泊车方法在应用层的泊车模式、与用户的交互等方面也进行了设计，并最终融合成一套室内停车场自适应泊车系统。

本发明的第一个方面，是提供一种用于代客泊车或自动召回的全局路径规划方法，其特征在于，所述方法包括以下步骤：

激活设定步骤；用户设置并激活代客泊车或自动召回功能，设定所述车辆起、止位置；其中所述起、止位置为固定点；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

地图匹配步骤；所述地图匹配步骤包括：由地图匹配算法计算得到当前自动驾驶系统中是否已经存储了当前泊车或召回环境的地图；并且判断是否匹配得到当前泊车或召回环境的地图；

自学习建图步骤；以自学习建图作为所述地图；所述自学习建图包括泊车路径学习模式和/或召回路径学习模式；

判断所述自学习建图是否成功：当所述自学习建图包含用户设置的驾驶终止点并且所述自学习建图信息足够进行全局路径规划时，完成建图，进入全局路径规划步骤；判断如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能，结束自动的全局路径规划；

全局路径规划步骤；基于用户设置的自动驾驶的起始点和终止点，基于所述自学习建图生成全局路径规划；其中所述全局路径规划包括动态和静态相结合的路径规划方式。

本发明的第二个方面，是提供一种代客泊车方法，其特征在于，所述方法包括以下步骤：

步骤S101：用户设置并激活代客泊车功能，在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

步骤S102：地图匹配；所述地图匹配包括如下子步骤：

S1021：车辆根据所述车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

S1022：利用所述车辆的环视图像提取的语义特征与所述地图的目标语义特征进行匹配；

S1023：通过步骤S1021和步骤S1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前泊车环境的地图；如果已经匹配得到当前泊车环境的地图，则系统直接进入步骤S105；如果没有匹配到相应的地图，则系统进入步骤S103；

步骤S103：自学习建图作为预设的地图；所述自学习建图包括泊车路径学习模式；

步骤S104：判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤S105：全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；其中所述全局路径规划包括动态和静态相结合的路径规划方式；

步骤S106：确认泊车功能使用；

步骤S107：自主泊车驾驶，系统进入泊车驾驶状态。

优选的，所述步骤S103包括如下子步骤：

步骤S1031：获取目标车辆的当前位姿信息；

步骤S1032：根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤S1033：以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤S1034：结合所述目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

优选的，所述步骤103路径规划成功后，提示用户是否进行自动泊车；泊车模式下，用户通过选择进入步骤107自主泊车驾驶或终止自动泊车功能。

本发明的第三方面，是提供一种车辆自动召回方法，其特征在于：所述方法包括以下步骤：

步骤S101：用户设置并激活自动召回功能，在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

步骤S102：地图匹配；所述地图匹配包括如下子步骤：

S1021：车辆根据车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

S1022：利用所述车辆的环视图像提取的语义特征与所述地图的目标语义特征进行匹配；

S1023：通过步骤S1021和步骤S1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前召回环境的地图；如果已经匹配得到当前召回环境的地图，则系统直接进入步骤S105；如果没有匹配到相应的地图，则系统进入步骤S103；

步骤S103：自学习建图作为预设的地图；所述自学习建图包括召回路径学习模式；

步骤S104：判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤S105：全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

步骤S106：确认召回功能使用；

步骤S107：自主召回驾驶，系统进入召回驾驶状态。

优选的，所述方法还包括步骤：

步骤S108：由实时定位故障模块进行泊车过程中的故障检测；

步骤S109：由实时障碍物检测模块进行泊车过程中的障碍物检测；

步骤S110：自主驾驶功能中断；根据步骤S108的实时定位故障模块以及步骤S109的实时障碍物检测模块的故障以及障碍物检测，召回过程中当车辆前方行驶区域遇到故障或障碍物时，系统会自动进行稳定制动，保证车辆处在一个安全的状态；

步骤S111：代客召回完成；车辆自动行驶至目标地点完成任务，车辆到达取车点后会自动进入到双闪状态，同时驾驶员会收到手机端车辆到位请接管提醒。

优选的，所述步骤S103包括如下子步骤：

步骤S1031、获取目标车辆的当前位姿信息；

步骤S1032、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤S1033、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤S1034、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

优选的，所述步骤105路径规划成功后，提示用户是否进行自动召回；泊车模式下，用户通过可选择进入步骤107自主召回驾驶，或终止自动泊车功能。

本发明的第四方面，是提供一种车辆自动泊车系统，其特征在于，所述系统包括：

用户设定模块：激活泊车模式，并在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；优选的，车辆起点位置为任意位置；车辆止位置为固定位置；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与所述起止点地图的语义特征进行匹配；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

自动驾驶模块：根据所述全局路径规划，所述车辆自动泊车。

本发明的第五方面，是提供一种车辆自动召回系统，其特征在于，所述系统包括：

用户设定模块：激活召回模式，并在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；优选的，车辆起点位置为固定位置；车辆止位置为任意位置；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与所述起止点地图的语义特征进行匹配；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

自动驾驶模块：根据所述全局路径规划，所述车辆自动召回。

本发明的发明点在于以下几点，但不限于以下几点：

(1)能够同时提供自动泊车入库模式以及自动从车库召回车辆的模式；对于车库，特别是地下车库，因为GPS等信号较弱，常规的定位方式无法实现对自动泊车和召回的精确控制，本发明采用的自建图，不依赖于外部GPS等信号，仍然具备较高的自动泊车和召回精度。这是本发明的发明点之一。

(2)本发明的泊车或车辆召回系统还具备在线建图功能，以适应没有预装地图的情况；采用在线建图功能，不需要为此使用地图数据采集车在每个车库采集数据。可以认为每一辆正常行驶的车辆都是地库地图的采集车。因为每次在地库中可能行驶的路径不同，这样经过若干次有限次的行驶，采到了较为完成的图像数据，用于建图。

(3)本申请中对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的。为了能够对起止点环境图像语义特征进行自适应更新，本申请中还提出一种动态语义特征，其权重在地图匹配中次于初始语义特征。在现有技术中没有发现在自动泊车、召回这些需要高精度自动驾驶策略的环节使用地图匹配，更没有出现动态语义特征的地图匹配。

(4)针对任意点至固定点或固定点到任意点的路径规划会带来计算量增大的问题，采用静态的驾驶路径与动态路径规划二者结合的方式来完成当前驾驶的全局规划路径。该方式能够大大降低系统在线运行时的复杂程度和计算量。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本申请实施例中一种自适应任意点至固定点自动代客泊车方法流程图；

图2为本申请实施例中一种自适应固定点至任意点自动召回车辆方法流程图；

图3为本申请实施例中涉及到的泊车模式和召回模式的说明图。

图4位本申请实施例中基于地图生成驾驶策略的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

本申请实例提供了一种自适应任意点至固定点的泊车方法和一种自适应固定点至任意点的车辆召回方法。本申请提供的泊车、召回模式，可以应用于室内停车场以外其它场景的泊车应用中。这里所称的任意点可以是驾驶员临时指定的停车点，即该停车点对于系统在车辆行驶之前以及行驶中接到指定任意点之前并不清楚。

下面结合附图对本申请实施例的具体实现方式进行介绍。

首先，对本申请实施例中提供的一种自适应任意点至固定点的室内停车场自动驾驶方法进行介绍。

图1所示为本申请实例的代客泊车系统流程图；图2为本申请实例中代客召回车辆系统流程图，代客泊车和代客召回车辆均应用于自动驾驶领域，具体方法包括：

步骤101：用户设置并激活代客泊车功能。

代客泊车激活后需要用户设置车辆行驶模式，主要分为泊车模式和召回模式。泊车模式指车辆从指定位置自动行驶泊车入库。如图3所示从任意点B，即交车地点行驶至固定点A，即车位或车库。召回模式指车辆从车库自动行驶至驾驶员需要接车地点。从固定点A，即停车位或车库行驶至任意点B即驾驶员接车地点。

步骤102：地图匹配

本发明实施例中，预设的三维地图可以是高精度地图。其中，高精度地图也可以被称为高分辨率地图(High Definition Map，HD Map)，是一种专门服务于车辆自动驾驶的地图。HD Map中存储着交通场景中的各种交通要素，例如，道路网络数据、车道网络数据、车道线数据以及交通标志数据等数据，以辅助车辆实现自动驾驶。另外，高精度地图还可以包括先验信息，例如，道路的曲率、航向、坡度以及横坡角，以使得电子设备通过这些先验信息对车辆进行自动驾驶控制，进而提高车辆的安全性和舒适性。

本发明实例中地图主要用于产生自动驾驶策略及对用户设置的起始、终止点进行确认。

1)电子设备根据车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；其中，初始位姿信息至少包括车辆所在位置的经度、纬度和海拔高度、以及车辆的航向角、俯仰角和横滚角。目标区域是以车辆所在位置为圆心且以预设长度为半径的区域。本发明实例中车载终端具有多个摄像头，同一时刻拍摄到的多张目标图像并拼接成一张环视图。目标语义特征可以是：车道线、库位线、车道箭头等交通要素。终端首先环视图中提取语义特征，提取语义特征的方法可以是基于Encoder-Decoder模型的深度学习方法或图像分割方法。

2)利用环视图像提取的语义特征与起止点地图的语义特征进行匹配。本申请中自主泊车所提取的起止点地图的语义特征会被抽取并保存在系统中。在匹配时，直接利用环视图像提取的语义特征与保存的起止点语义特征进行匹配，无需在全局地图的语义特征中进行匹配，如此在提高匹配准确度的同时也可以大大提高匹配速度。

本申请局部地图中包括库位线、库位点和车道箭头三种图像语义特征。如果使用库位线和库位点进行匹配，可能从全局地图中匹配出多个区域与局部地图相同，此时匹配准确率较低。而对于车道箭头而言，处于不同位置的车道箭头在形态、大小、以及与周边的库位线、库位点的位置关系也不同，因此，使用车道箭头进行局部地图和全局地图的匹配，可以提高匹配成功的概率。

对于自主泊车或召回系统,泊车位环境相对比较稳定。但随着时间的推移，泊车环境中的语义特征会因为环境光、折旧等因素出现一些微小的变化，例如车道箭头的磨损等。这些变化有些是累积的，如果不能够自适应的对地图进行更新，有可能会增加匹配失败的概率。本申请中对自主泊车泊车位点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的。为了能够对泊车位环境图像语义特征进行自适应更新，本申请中还提出一种动态语义特征，其权重在地图匹配中次于初始语义特征。动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距。

Step1当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新。

Step2当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功。

Step3计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，可以采用欧式距离或者cosine距离。假设

d＝min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离。当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1。

在地图匹配时，需要遍历所有存储的泊车位环境图像的语义特征，这样可以大大提高匹配成功率以及系统的使用体验，上述提高匹配成功率的措施是本发明的创新点之一。

3)通过步骤1)和步骤2)的地图匹配算法，系统可以给出当前自动驾驶系统中是否已经存储了当前泊车环境的地图；如果已经匹配得到当前泊车环境的地图，则系统进入步骤103；如果没有匹配到相应的地图，则系统进入步骤104。

步骤103：全局路径规划

基于用户设置的自动驾驶的起始点和终止点，基于已经学习的地图采用动态规划的方法生成全局路径规划。具体路径规划方法参考图4，具体流程如下：

步骤401、获取目标车辆的当前位姿信息。

本发明实施例中，目标车辆的当前位姿信息为目标车辆在当前时刻的位置信息与姿势信息，如目标车辆的当前位姿信息可以为以某个角度向前行驶等；其中，可以利用惯性测量单元(Inertial Measurement Unit，IMU)获取目标车辆当前时刻的IMU数据，也可以利用图像(Image，IMG)传感器获取目标车辆当前时刻的IMG数据，也可以利用其它传感器获取目标车辆当前时刻的其他数据，利用获取到的IMU数据、IMG数据等计算目标车辆的当前位姿信息，这一过程可以综合多种传感器获取的传感器数据来计算目标车辆的当前位姿信息，从而得到更加可靠的目标车辆的当前位姿信息。

步骤402、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息。

本发明实施例中，自动驾驶电子导航地图是一种具有高精度的地图。在确定该位置信息和道路类型之后，还可以执行以下步骤：

确定该位置信息在该道路中的道路倾斜角度，其中，道路倾斜角度为该位置信息在该道路中的路段与水平线之间的夹角；

当道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为向前行驶可以包括：

当道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为以上述道路倾斜角度向前行驶。

举例来说，当该位置信息在该道路中的路段与水平线之间的夹角为某角度时，如果该位置信息在该道路中的道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为以该某角度向前行驶。

通过实施这种方式，预测得到的估计位姿信息还可以包括目标车辆的行驶角度信息，进一步提高了估计位姿信息的精确度。

步骤403、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据。

本发明实施例中，估计位姿信息中可以包括目标车辆的位置信息以及目标车辆的姿态信息。

作为一种可选的实施方式，以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据可以包括：

在自动驾驶电子导航地图中确定目标车辆的位置信息；

根据该位置信息，选取目标车辆的姿态信息所指示面向的方向预设范围的目标地图数据。

举例来说，当目标车辆的位置信息指示目标车辆位于道路A(道路A为南北向的路，道路A的一侧连接于南面，道路A的另一侧连接于北面)中，且目标车辆的姿态信息指示目标车辆面向道路A的南面时，选取道路A中该位置信息以南预设范围内的目标地图数据。其中，预设范围可以为预先设置的范围，如预设范围可以为10m，也可以为80m，也可以为其它范围，本发明实施例中不做限定。当预设范围为10m时，可以选取道路A中该位置信息以南10m内的目标地图数据。

通过实施这种可选的实施方式，不必选取自动驾驶电子导航地图中的全部地图信息进行分析，只需从中根据估计位姿信息选取更有效的预设范围内的目标地图数据，提高了分析地图数据的效率，从而提高了生成目标驾驶策略的实时性。

步骤404、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

以上是本申请中基本的自动泊车全局路径规划方法。在固定点至固定点的泊车模式中，全局路径规划一般只需要执行一次。所规划的路径存储至系统中供后续直接调用，而不需要每次泊车时都进行重新的路径规划。本申请中任意点至固定点的泊车路径规划通常需要每次都进行在线的全局路径规划，此时驾驶路径称为动态路径。由于路径规划与路径长度呈现指数关系，因此计算量非常大。此外在本申请中动态路径规划中重复路径非常多，导致重复规划。

由于驾驶路径起始点中有一点是固定点，因此在用户驾驶路线上必然存在重复性较多的路径节点，基于此本发明实例也提出一种动态和静态结合的路径规划方式，即系统中始终存储并不断完善一条静态的驾驶路径。动态路径规划只完成与静态驾驶路径不重合的部分。通过二者的结合完成当前驾驶的全局规划路径。该方式能够大大降低系统在线运行时的复杂程度和计算量，这也是本发明的一个优点。

具体方法为，系统在线建立并不断完善两条全局自动驾驶路径，分为泊车路径和召回路径。步骤为：

1)泊车模式

a)根据用户设定的起点坐标及泊车位置，结合地图搜索确认静态驾驶路径中是否有可重复利用的已经规划的驾驶路径。如果有则进入b)，如果没有则进入c)。这里的静态驾驶路径可以是指在地图中可重复路径的端点到固定点之间的路径。这里的动态路径可以是指在全局路径中除静态路径外的路径。b)在任意点至固定点的泊车中，可重复利用的规划路径都是以泊车位为终止点的路径。融合动态和静态泊车路径时，需要先确定可重复路径的端点，如图3所示，即确定M2点，确定此次自动驾驶的静态路径。即从M2位置以后的路径规划是可以利用的之前规划好的路径规划，然后调用在线路径规划产生起始点坐标至M2点的驾驶路径，并将动态路径与静态路径融合生成此次泊车的全局路径。动态路径规划需要考虑M2点的位姿，这样将动态的路径与静态路径融合时可以达到更优的效果。进入d)。

c)调用在线全局路径规划产生本次泊车的动态驾驶路径，然后进入d)。

d)静态路径除了存储完整的驾驶路径之外，还存储了驾驶路径上的一些关键节点。这些关键节点主要在融合动态路径和静态路径起到匹配和连接的作用。路径规划完成后，系统对静态路径和当前驾驶路径进行匹配，寻找动态路径中可以延长静态路径的关键节点，将此节点以及对应的路径更新至静态路径中。

2)召回模式

a)根据用户设定的接车位置及泊车位置，结合地图搜索确认静态驾驶路径中是否有可重复利用的已规划的驾驶路径。如果有则进入b)，如果没有则进入c)。

b)在固定点至任意点的车辆召回中，可重复利用规划路径都是以泊车位为起始点的驾驶路径。融合动态和静态泊车路径时，需要先确定可重复路径的端点，如图3所示，即确定M1点，确定可重复利用的静态驾驶路径。调用在线路径规划产生M1点至接车地点的驾驶路径，并将静态的路径与动态路径融合生成此次车辆召回的驾驶路径。动态路径规划需要考虑M1点的位姿，以便静态路径与动态路径融合达到更优的效果。进入d)。

c)调用在线全局路径规划产生本次车辆召回的动态驾驶路径，然后进入d)。

d)对静态路径和动态路径进行匹配，寻找动态路径中可以延长静态路径的关键节点，将关键节点以及对应的路径更新至静态路径中。

步骤104：自学习建图

自学习建图部分，根据用户设定的泊车模式和召回模式也分为两种。

1)泊车路径学习模式

驾驶员自驾车辆驶入室内停车场，在期望的未来交车点稍停。然后，车载端(可通过车机显示屏)先选择“自学习代客泊车”模式，之后可点击泊车路径学习“开始”图标，随即显示屏会出现“泊车路径学习进行中”提示。

驾驶员自驾车辆以低速(10km/h以下)行驶至目标车位。完成泊车行为后，点击泊车路径学习“终止”图标，随即车机端会显示出该路径下的系统学习完成进度百分数。

在单次未达到100％路径学习完成的情况下(产品功能3次之内)，驾驶员可点击“存储未完成泊车路径”对该路径做保存。

对于已完成部分泊车路径学习的停车场，驾驶员未来再次进入该停车场环境时，车机端会及时显示“历史泊车路径继续学习”图标。在驾驶员确认“继续路径学习”的情况下，自驾车辆完成之前相同泊车路径的泊车行为。在车辆停稳后，车机端会出现相应完成百分比，以及等同初次泊车路径学习的后续操作提示。

如泊车路径学习达到100％，表示学习完成后，系统会在车机端提示“泊车路径学习完成，代客泊车功能可使用”，驾驶员点击“泊车路径存储”，完成本条路径的成功存储。

2)召回路径学习模式

驾驶员在停车位启动车辆，先选择“自学习代客泊车”模式，之后可点击召回路径学习“开始”图标，随即显示屏会出现“召回路径学习进行中”提示。

驾驶员自驾车辆以低速(10km/h以下)行驶至未来期望接车点，稍停，点击召回路径学习“终止”图标，车机端会显示出该路径下的系统学习完成进度百分数。

在单次未达到100％路径学习完成的情况下(产品功能3次之内)，驾驶员可点击“存储未完成召回路径”对该路径进行保存。

对于类似已完成部分召回路径学习的停车场，驾驶员未来再次从停车位启动出发前，车机端会及时显示“历史召回路径继续学习”图标。在驾驶员确认“继续路径学习”的情况下，自驾车辆完成之前相同召回路径的驾驶行为。到达原定期望街车点后，车机端会出现相应完成百分比，以及等同初次召回路径学习的后续操作提示。

如召回路径学习达到100％，表示学习完成后，系统会在车机端提示“召回路径学习完成，代客泊车召回功能可使用”，驾驶员点击“召回路径存储”，完成本条路径的成功存储。

自学习建图成功后，进入步骤105。

步骤105：判断自建图是否成功

自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101。如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能。

步骤106：确认泊车功能使用

步骤103路径规划成功后，提示用户是否进行任意点至固定点的自动泊车。泊车模式下，用户选择“Yes”则进入步骤107自动泊车状态；用户选择“No”则终止自动泊车功能。召回模式下，用户选择“Yes”则进入步骤107自动召回状态；用户选择“No”则终止自动召回功能。

步骤107：自主驾驶

系统进行自主泊车或召回时，调用步骤103生成的全局规划路径，并同时启动步骤108实时定位故障模块以及步骤109的实时障碍物检测模块。通过步骤108及步骤109的实时监测能够对泊车环境中一些突发情形及临时环境变换做出自适应的响应，保证自主驾驶的安全性。实时定位故障多发于泊车或召回环境出现临时较大的变动，导致当前获取图像中的语义特征无法与预存储的地图进行匹配。

步骤110：自主驾驶功能中断

代客泊车车辆配备有相对高级别的障碍物检测功能和实时定位功能，泊车和召回过程中当车辆前方行驶区域遇到障碍物时，系统会自动进行稳定制动，保证车辆处在一个安全的状态下。而在特定时间内如果前方障碍物仍未离开或遇到特殊交通状况，系统会通过手机端提醒驾驶员代客泊车功能或召回功能中断。系统提示需驾驶员回到车上接管，同时车辆会自动进入到双闪状态。

步骤111：代客泊车完成

正常情况下，车辆自动行驶至目标地点完成任务。如果是泊车模式，代客泊车完成后，系统会通过手机端通知驾驶员功能完成，并附带车辆位置信息。

如果是召回模式，车辆到达取车点后会自动进入到双闪状态，等待驾驶员介入，同时驾驶员会收到手机端车辆到位请接管提醒。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例中所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

Claims (10)

1.一种用于代客泊车或自动召回的全局路径规划方法，其特征在于，所述方法包括以下步骤：

激活设定步骤；用户设置并激活代客泊车或自动召回功能，设定车辆在地库中的起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

地图匹配步骤；所述地图匹配步骤包括：由地图匹配算法计算得到当前自动驾驶系统中是否已经存储了当前泊车或召回环境的地图；并且判断是否匹配得到当前泊车或召回环境的地图；

自学习建图步骤；以自学习建图作为所述地图；所述自学习建图包括泊车路径学习模式和/或召回路径学习模式；

判断所述自学习建图是否成功：当所述自学习建图包含用户设置的驾驶终止点并且所述自学习建图信息足够进行全局路径规划时，完成建图，进入全局路径规划步骤；判断如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能，结束全局路径规划；其中，对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的，为了能够对起止点环境图像语义特征进行自适应更新，利用动态语义特征进行匹配，其权重在地图匹配中次于初始语义特征，动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距；地图匹配过程如下：

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新；

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功；

计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，采用欧式距离或者cosine距离，假设

d=min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离；当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1；

全局路径规划步骤；基于用户设置的自动驾驶的起始点和终止点，基于所述自学习建图生成全局路径规划；其中所述全局路径规划包括动态和静态相结合的路径规划方式。

2.一种代客泊车方法，其特征在于，所述方法包括以下步骤：

步骤S101：用户设置并激活代客泊车功能，在预设的地图上，设定车辆在地库中的起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

步骤S102：地图匹配；所述地图匹配包括如下子步骤：

S1021：车辆根据所述车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

S1022：利用所述车辆的环视图像提取的语义特征与所述地图的目标语义特征进行匹配；其中，对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的，为了能够对起止点环境图像语义特征进行自适应更新，利用动态语义特征进行匹配，其权重在地图匹配中次于初始语义特征，动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距；地图匹配过程如下：

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新；

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功；

计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，采用欧式距离或者cosine距离，假设

d=min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离；当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1；

S1023：通过步骤S1021和步骤S1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前泊车环境的地图；如果已经匹配得到当前泊车环境的地图，则系统直接进入步骤S105；如果没有匹配到相应的地图，则系统进入步骤S103；

步骤S103：自学习建图作为预设的地图；所述自学习建图包括泊车路径学习模式；

步骤S104：判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤S105：全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；其中所述全局路径规划包括动态和静态相结合的路径规划方式；

步骤S106：确认泊车功能使用；

步骤S107：自主泊车驾驶，系统进入泊车驾驶状态。

3.根据权利要求2所述的泊车方法，其特征在于：所述步骤S103包括如下子步骤：

步骤S1031：获取目标车辆的当前位姿信息；

步骤S1032：根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤S1033：以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤S1034：结合所述目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

4.根据权利要求2或3所述的泊车方法，其特征在于：所述步骤S103路径规划成功后，提示用户是否进行自动泊车；泊车模式下，用户通过选择进入步骤S107自主泊车驾驶或终止自动泊车功能。

5.一种车辆自动召回方法，其特征在于：所述方法包括以下步骤：

步骤S101：用户设置并激活自动召回功能，在预设的地图上，设定所述车辆在地库中的起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；

步骤S102：地图匹配；所述地图匹配包括如下子步骤：

S1021：车辆根据车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

S1022：利用所述车辆的环视图像提取的语义特征与所述地图的目标语义特征进行匹配；

S1023：通过步骤S1021和步骤S1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前召回环境的地图；如果已经匹配得到当前召回环境的地图，则系统直接进入步骤S105；如果没有匹配到相应的地图，则系统进入步骤S103；其中，对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的，为了能够对起止点环境图像语义特征进行自适应更新，利用动态语义特征进行匹配，其权重在地图匹配中次于初始语义特征，动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距；地图匹配过程如下：

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新；

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功；

计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，采用欧式距离或者cosine距离，假设

d=min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离；当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1；

步骤S103：自学习建图作为预设的地图；所述自学习建图包括召回路径学习模式；

步骤S104：判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤S105：全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

步骤S106：确认召回功能使用；

步骤S107：自主召回驾驶，系统进入召回驾驶状态。

6.根据权利要求5所述的召回方法，其特征在于：所述方法还包括步骤：

步骤S108：由实时定位故障模块进行泊车过程中的故障检测；

步骤S109：由实时障碍物检测模块进行泊车过程中的障碍物检测；

步骤S110：自主驾驶功能中断；根据步骤S108的实时定位故障模块以及步骤S109的实时障碍物检测模块的故障以及障碍物检测，召回过程中当车辆前方行驶区域遇到故障或障碍物时，系统会自动进行稳定制动，保证车辆处在一个安全的状态；

步骤S111：代客召回完成；车辆自动行驶至目标地点完成任务，车辆到达取车点后会自动进入到双闪状态，同时驾驶员会收到手机端车辆到位请接管提醒。

7.根据权利要求5或6所述的召回方法，其特征在于：所述步骤S103包括如下子步骤：

步骤S1031、获取目标车辆的当前位姿信息；

步骤S1032、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤S1033、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤S1034、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

8.根据权利要求6所述的召回方法，其特征在于：所述步骤S105路径规划成功后，提示用户是否进行自动召回；泊车模式下，用户通过可选择进入步骤S107自主召回驾驶，或终止自动泊车功能。

9.一种车辆自动泊车系统，其特征在于，所述系统包括：

用户设定模块：激活泊车模式，并在预设的地图上，设定所述车辆在地库中的起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；车辆起位置为任意位置；车辆止位置为固定位置；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与起止点地图的语义特征进行匹配；其中，对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的，为了能够对起止点环境图像语义特征进行自适应更新，利用动态语义特征进行匹配，其权重在地图匹配中次于初始语义特征，动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距；地图匹配过程如下：

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新；

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功；

计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，采用欧式距离或者cosine距离，假设

d=min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离；当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

自动驾驶模块：根据所述全局路径规划，所述车辆自动泊车。

10.一种车辆自动召回系统，其特征在于，所述系统包括：

用户设定模块：激活召回模式，并在预设的地图上，设定所述车辆在地库中的起、止位置；其中所述起、止位置中的一个位置为用户选择的任意位置；另一位置为固定位置；车辆起位置为固定位置；车辆止位置为任意位置；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与起止点地图的语义特征进行匹配；其中，对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的，为了能够对起止点环境图像语义特征进行自适应更新，利用动态语义特征进行匹配，其权重在地图匹配中次于初始语义特征，动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距；地图匹配过程如下：

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新；

当泊车位环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用泊车位环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功；

计算泊车位环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，采用欧式距离或者cosine距离，假设

d=min(d0,d1,…,dn)

其中，d0为泊车位环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为泊车位环境图像语义特征与地图n组动态语义特征之间的距离；当d大于某阈值时，则将泊车位环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；所述全局路径规划包括动态和静态相结合的路径规划方式；

自动驾驶模块：根据所述全局路径规划，所述车辆自动召回。

Images