CN110211420B

CN110211420B - 判断当前场景是否为停车场的方法、系统及计算机可读存储介质

Info

Publication number: CN110211420B
Application number: CN201910555870.8A
Authority: CN
Inventors: 万凯林; 梁锋华; 高享久; 盛进源; 苏斌
Original assignee: Chongqing Changan Automobile Co Ltd
Current assignee: Chongqing Changan Automobile Co Ltd
Priority date: 2019-06-25
Filing date: 2019-06-25
Publication date: 2021-11-30
Anticipated expiration: 2039-06-25
Also published as: CN110211420A

Abstract

本发明公开了一种判断当前场景是否为停车场的方法、系统及计算机可读存储介质，通过超声波信号反馈的距离值，构建2D点云环境地图；通过对距离的计算，获得车辆行驶过程中的障碍物边沿信息，得出连续障碍物的长度USS_OL；以及由障碍物构成的空间车位,得出当前环境下探测到的空间车位个数USS_SN；利用摄像头获取周围画线车位信息，并计算出画线车位个数CAR_SN；同时检测连续画线车位的边沿线，计算出连续画线车位边沿长度信息CAR_SL；对USS_OL和USS_SN进行计算，计算出USS_CON；对CAR_SL和CAR_SN进行计算，计算出CAR_CON；计算出当前场景为停车场景的概率Wt；将Wt与标定值W0进行比较，判断当前场景是否为停车场景。本发明能够准确判断当前场景是否为停车场。

Description

判断当前场景是否为停车场的方法、系统及计算机可读存储介质

技术领域

本发明属于自动泊车技术领域，具体涉及一种判断当前场景是否为停车场的方法、系统及计算机可读存储介质。

背景技术

目前泊车系统已经实现了全泊车系统的商品化搭载，正在迈向远程泊车的产业化之路。在自动泊车车位搜索功能上，仅远程泊车系统可以实现自动搜索车位功能，即远程泊车控制器通过下达指令给车辆，车辆自动驾驶在停车场中搜索车位。远程泊车系统的自动搜索车位功能主要依靠以下几种技术之一，或者是多种组合：1.差分GPS定位技术；2.高精度地图；3.智能停车场场端定位和引导；4.激光或视觉SLAM(即时定位与地图构建)技术；5.基于深度学习的可行驶区域自动驾驶车位搜索。

以上技术的思路在于：一是首先需要有停车场地图，用于规划车辆的行驶路线来实现自动搜索车位，或者是行驶至某一确定车位；二是要对车辆进行即时定位，以确定车辆在地图中的位置，用于轨迹规划和车辆控制。

由上述技术原理和思路可以看出，当前泊车系统要实现自动搜索车位功能有两个重要的技术前提，预先采集当前停车场的地图，以及可通过定位确认当前场景为停车场。

因此，对技术点1至3来说，在没有提前建立停车场地图的情况下，是无法实现自动搜索车位功能的，即在陌生的停车场环境，系统会失效。

对技术点4至5来说，技术类似于扫地机器人，通过视觉或者是激光对环境进行感知探测，建立实时场景语意地图，描绘出可行驶的区域。系统控制车辆在可行驶的区域内进行自动驾驶，同时开启车位搜索功能，以实现自动搜索车位。在一定程度上，这两个技术可以实现在任意场景的自动搜索车位功能，但是，也没有对当前场景是否为停车场进行判断，仅是判断出可行驶区域，因此会出现误开启现象，泊入非泊车位空间。

因此，有必要开发一种判断当前场景是否为停车场的方法、系统及计算机可读存储介质。

发明内容

本发明的目的是提供一种判断当前场景是否为停车场的方法、系统及计算机可读存储介质，能准确判断出当前场景是否为停车场。

本发明所述的判断当前场景是否为停车场的方法，包括以下步骤：

步骤1、利用超声波雷达和摄像头对周边环境进行探测，在车辆行驶过程中，通过超声波信号反馈的距离值，构建2D点云环境地图；通过对距离的计算，获得车辆行驶过程中的障碍物边沿信息，得出连续障碍物的长度USS_OL；以及由障碍物构成的空间车位,得出当前环境下探测到的空间车位个数USS_SN；利用摄像头获取周围画线车位信息，并计算出画线车位个数CAR_SN；同时检测连续画线车位的边沿线，计算出连续画线车位边沿长度信息CAR_SL；

步骤2、建立第一置信度计算模型，对连续障碍物长度信息USS_OL和搜索到的空间车位数信息USS_SN进行计算，计算出当前场景为停车场景的置信度USS_CON；

建立第二置信度计算模型，对连续画线车位边沿长度信息CAR_SL和搜索到的画线车位个数信息CAR_SN进行计算，计算出当前场景为停车场景的置信度CAR_CON；

步骤3、对超声波雷达和摄像头分别判断的车位场景的置信度进行权重计算，综合得出当前场景为停车场景的概率Wt；

步骤4、将Wt与标定值W0进行比较，若Wt大于W0，则判断当前场景为停车场景，否则认为当前场景不是停车场景。

进一步，所述步骤1具体为：

当超声波雷达探测到障碍物后，超声波雷达通过接收到的回波时间，利用公式

计算离障碍物的距离；其中：D为当前超声波雷达距离探测到反射声音回波的障碍物的直接距离；T_flight为超声波在空气中的飞行时间，T_flight＝T_receive-T_send，T_receive为超声波雷达接收到回波的时间，T_send为超声波雷达发送本次回波的时间；V_Sound为超声波雷达在空气中的传播速度；因此T_flight×V_Sound表示超声波雷达与障碍物之间的往返距离，除以2之后，得到直接距离D；

每计算出一个D值，就在当前基于车辆后轴中心原点的笛卡尔坐标系下，标记出一个点Piont₁(x₁,y₁),结合车辆的运动状态，不断标记出新的点Piont_n(x_n,y_n),形成2D点云信息；通过2D点云信息，判断连续障碍物边沿的长度信息USS_OL，以及空间车位个数信息USS_SN；

获取摄像头所采集的周围环境影像信息，识别出画线车位和车位线，同时计算出画线车位数CAR_SN和连续画线车位的边沿长度信息CAR_SL。

进一步，所述第一置信度计算模型为：

所述第二置信度计算模型为：

进一步，所述步骤3中，Wt的计算公式如下:

Wt＝W1*USS_CON+W2*CAR_CON；

其中：W1为障碍物停车场景的置信度权重，W2为画线停车场景的置信度权重。

进一步，所述步骤4中，当判断出前场景为停车场景时，开启自动车位搜索，否则，不开启自动车位搜索。

本发明所述的一种判断当前场景是否为停车场的系统，包括：

传感器模块，其包括12个超声波雷达和4个摄像头，用于对周边环境进行探测；

控制器，分别与各超声波雷达和各摄像头连接，接收各超声波雷达和各摄像头所采集的信息并进行处理；

所述控制器被编程以便执行如本发明所述的判断当前场景是否为停车场的方法的步骤。

本发明所述的一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序被控制器调用执行如本发明所述的判断当前场景是否为停车场的方法的步骤。

本发明具有以下优点：采用本发明所述的方法能够精准地识别出当前场景是否为停车场景，且只有在识别出当前场景为停车场景时，才开启自动搜索车位的功能，故能够有效避免在非停车场内泊车的危险。本发明在保证安全开启自动搜索车位的前提下，增强了系统的适用性，减少了误触发率。本发明采用现有全自动泊车系统的架构，无需增加额外的硬件成本和高精度地图成本。

附图说明

图1为本发明的原理框图；

图2为待识别的场景；

图3为本发明的流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

本实施例中，本发明所述的判断当前场景是否为停车场的方法，包括以下步骤：

如图1所示，本实施例中，一种判断当前场景是否为停车场的系统，硬件部分采用现有全自动泊车系统的架构，其包括传感器模块和控制器，传感器模块即为泊车系统的传感器，其包括12个超声波雷达和4个高清的摄像头，控制器即为泊车系统的泊车控制器。12颗超声波雷达通过数字I/0口直接与泊车控制器相连，4颗摄像头通过LVDS视频传输线与泊车控制器相连。泊车控制器通过CANFD和以太网，与整车网关相连，网关与车辆的其它各子系统相连。网关提供整车车辆信号给泊车控制器，泊车控制器将识别到的环境信息和控制信号发送给网关，从而实现对车辆的控制，完成泊车功能。泊车控制器被编程以便执行如本发明所述的判断当前场景是否为停车场的方法的步骤。

如图2所示，图中所示的场景，就是实际需要判断的停车场举例。本发明需要通过超声波识别以及图像识别技术，对这种停车场进行认知，判断当前车辆所处的场景是否为停车场。

车辆在行驶过程中，通过安装在车身四周的超声波雷达和摄像头不断地探测周围的障碍物、车位线等环境信息，以获取对环境的探测结果，通过下述识别过程，判断车辆当前所处场景是否为停车场景。

如图3所示，全自动泊车系统启动后，随着车辆的前行，超声波雷达和摄像头传感器同时不断地探测周边环境，具体步骤如下：

第一步，全自动泊车系统开启后，超声波雷达和摄像头对周边环境进行探测。对于超声波雷达来说，当探测到障碍物后，超声波通过接收到的回波时间，利用公式

计算离障碍物的距离。D为当前超声波雷达距离探测到反射声音回波的障碍物的直接距离。T_flight为超声波在空气中的飞行时间，T_flight＝T_receive-T_send，T_receive为超声波雷达接收到回波的时间，T_send为超声波雷达发送本次回波的时间。V_Sound为超声波雷达在空气中的传播速度。因此T_flight×V_Sound表示超声波雷达与障碍物之间的往返距离，除以2之后，得到直接距离D。

当超声波雷达每次计算出一个D值后，控制器就会在当前基于车辆后轴中心原点的笛卡尔坐标系下，标记一个点Piont₁(x₁,y₁),结合车辆的运动状态，控制器会不断的标记新的点Piont_n(x_n,y_n),从而形成2D点云信息。2D点云信息描绘了障碍物的2D轮廓，可以获得障碍物的边沿信息。控制器可以通过2D点云信息，判断连续障碍物边沿的长度信息USS_OL，以及空间车位个数信息USS_SN。

对于摄像头来说，融合泊车系统启动后，随着车辆的前行，4路高清摄像头不断地捕获周围环境的影像信息。控制器通过基于特征识别的机器学习以及深度学习的方法，对画线车位、车位线进行语义识别，同时计算出画线车位数CAR_SN和连续画线车位的边沿长度信息CAR_SL。

第二步，建立第一置信度计算模型和第二置信度计算模型，对超声波雷达和摄像头分别获得的场景感知结果进行计算。对于超声波雷达来说，判断当前场景为停车场景的置信度

该置信度为包含以USS_SN,USS_OL为变量的函数。对于摄像头来说，判断当前场景为停车场景的置信度

该置信度为包含以CAR_SN,CAR_SL为变量的函数,其中k为车位长度系数。

第三步，建立停车场景判断综合模型，确认当前场景为停车场景的概率Wt,Wt＝W1*USS_CON+W2*CAR_CON,其中：W1为障碍物停车场景的置信度权重(W1的取值要根据对停车场场景的统计和调研获得)，W1的取值范围为0＜W1≤0.5；W2为画线停车场景的置信度权重，W2＝1-W1。

第四步，判断Wt是否大于给定的W0，若大于W0，则判断当前场景为停车场景，开启自动搜索车位功能。若不大于W0，则判断当前场景不是停车场景，不开启自动搜索车位功能。其中,W0为标定参数。

Claims

1.一种判断当前场景是否为停车场的方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的判断当前场景是否为停车场的方法，其特征在于：所述步骤1具体为：

3.根据权利要求2所述的判断当前场景是否为停车场的方法，其特征在于：

所述第一置信度计算模型为：

所述第二置信度计算模型为：

其中，k为车位长度系数。

4.根据权利要求3所述的判断当前场景是否为停车场的方法，其特征在于：所述步骤3中，所述Wt的计算公式如下:

Wt＝W1*USS_CON+W2*CAR_CON；

5.根据权利要求1至4任一所述的判断当前场景是否为停车场的方法，其特征在于：所述步骤4中，当判断出前场景为停车场景时，开启自动车位搜索，否则，不开启自动车位搜索。

6.一种判断当前场景是否为停车场的系统，包括：

其特征在于：所述控制器被编程以便执行如权利要求1至5中任一所述的判断当前场景是否为停车场的方法的步骤。

7.一种计算机可读存储介质，其内存储有计算机程序，其特征在于：所述计算机程序被控制器调用执行如权利要求1至5任一所述的判断当前场景是否为停车场的方法的步骤。