CN110390832B - 自动代客泊车方法 - Google Patents

自动代客泊车方法 Download PDF

Info

Publication number
CN110390832B
CN110390832B CN201910556427.2A CN201910556427A CN110390832B CN 110390832 B CN110390832 B CN 110390832B CN 201910556427 A CN201910556427 A CN 201910556427A CN 110390832 B CN110390832 B CN 110390832B
Authority
CN
China
Prior art keywords
vehicle
parking
information
path
parking space
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.)
Active
Application number
CN201910556427.2A
Other languages
English (en)
Other versions
CN110390832A (zh
Inventor
唐竞
林长波
罗文�
熊禹
吴祖亮
冼伯明
周翔
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.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor Co Ltd
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 Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN201910556427.2A priority Critical patent/CN110390832B/zh
Publication of CN110390832A publication Critical patent/CN110390832A/zh
Application granted granted Critical
Publication of CN110390832B publication Critical patent/CN110390832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space

Abstract

本发明公开了一种自动代客泊车方法，属汽车制造技术领域，该方法采用装在车辆上的环视摄像头、前向摄像头、雷达和处理器；一方面，处理器将前向摄像头的信息分别进行像素直方图和神经网络处理，并得到确定车辆行驶边界的车辆待行区域的车道线信息和确定车道保持的车辆周边障碍物分布信息；另一方面，处理器对车位是否空闲进行判定后对车辆周边图像信息进行标准停车线特征匹配，当符合水平车位匹配值时控制车辆以非线性约束轨迹路径规划进行泊车；当车位符合垂直车位匹配值时控制车辆以关键点规避路径规划进行泊车。本发明可以解决现有代客泊车存在的泊车不规范导致停车间距过大，致使停车场运转效率差，停车位利用率低的问题。

Description

自动代客泊车方法
技术领域
本发明涉及汽车制造技术领域，尤其是一种自动代客泊车的方法。
背景技术
随着城市汽车保有量的逐年提高，受停车场车位的限制，停车难的问题越来越凸显，因而，代客泊车服务也越来越得到人们的睛睐。现有的代客泊车采用的是半自动泊车的方法，即人为将车辆开到空车位位置，按照车辆反馈的泊车信息步骤进行半自动泊车。因此，存在停车场内泊车不规范导致停车间距过大，致使停车场运转效率差，停车位利用率低的问题。
发明内容
本发明提供一种自动代客泊车方法，该方法可以解决现有代客泊车存在的泊车不规范导致停车间距过大，致使停车场运转效率差，停车位利用率低的问题。
为了解决上述问题，本发明所采用的技术方案是：这种自动代客泊车方法，包括装在车辆上用于摄取车辆周边图像信息的环视摄像头、用于摄取车辆前方图像信息的前向摄像头、用于采集车辆周边障碍物位置信息的雷达以及接收和处理这些信息的处理器；
其代客泊车方法是：一方面，处理器将车辆前方图像信息分别进行像素直方图和神经网络处理，并将经过像素直方图处理后获得的拟合车道线信息与经过神经网络处理后获得的车道线信息进行融合得到车辆待行区域的车道线信息，以此确定车辆行驶边界；同时，将经过神经网络处理后获取的目标障碍物信息与车辆周边障碍物的位置信息进行融合处理，得到车辆周边障碍物分布信息，以此确定车道保持；另一方面，处理器对车辆周边障碍物信息进行车位是否空闲的判定，当判定车位是空闲时，控制器将实时的车辆周边图像信息根据其内建立的匹配式不断地进行标准停车线特征匹配，当车位符合水平车位匹配值时控制车辆以其内预设的非线性约束轨迹路径规划进行泊车；当车位符合垂直车位匹配值时控制车辆以其内预设的关键点规避路径规划进行泊车。
上述技术方案中，更具体的技术方案还可以是：所述拟合车道线信息与所述车道线信息融合处理的方法是：将车道线信息与拟合车道线信息进行空间匹配对准，并选取所需的空间匹配值部分，即获得确定车辆行驶边界的车辆待行区域的车道线信息。
进一步的：所述目标障碍物信息与所述车辆周边障碍物的位置信息融合处理的方法是：将障碍物位置信息映射至目标障碍物信息上，使目标障碍物信息赋予位置信息，即获得确定车道保持的车辆周边障碍物分布信息。
进一步的：所述标准停车线特征匹配，包括水平标准停车线特征匹配和垂直标准停车线特征匹配；其匹配的方法是：控制器根据其内建立的匹配式：δ＝x*γ不断地与其内预设的水平标准停车线特征图像和垂直标准停车线特征图像分别进行卷积并分别输出水平车位匹配值和垂直车位匹配值。
进一步的：所述非线性约束轨迹路径规划的方法是：首先根据已知车辆的起始点位置、最小转弯半径、最终停车点位置以及碰撞点位置，确定车辆从起始时避开碰撞点所要走的避撞圆弧路径的圆心位置和半径、车辆入库后的摆头停车圆弧路径的圆心位置和半径以及连接在避撞圆弧路径与摆头停车圆弧路径之间的中间行驶路径与避撞圆弧路径连接点的位置以及中间行驶路径与摆头停车圆弧路径连接点的位置，然后根据确定好的相应的圆心位置和半径画出避撞圆弧路径，根据确定好的连接点画出中间行驶路径，根据确定好的相应的圆心位置和半径画出摆头停车圆弧路径，即得。
进一步的：所述关键点规避路径规划的方法是：根据已知车辆的初始位置和姿势、最小转弯半径以及碰撞角点位置，确定车辆从起始时调转车头使车辆以平行于车库行驶时所要走的调头圆弧路径的圆心位置、避开碰撞角点所要走的避撞路径的关键点位置，连接在调头圆弧路径与避撞路径之间的待入库路径与调头圆弧路径连接点的位置、待入库路径与避撞路径连接点的位置、避撞路径与入库路径连接点的位置以及最终停车点位置，然后根据确定好的圆心位置画出调头圆弧路径，根据确定好的相应的连接点位置画出待入库路径，根据确定好的关键点位置画出避撞路径，根据确定好的相应的连接点位置和最终停车点位置画出入库路径，即得。
进一步的：所述车辆前方图像信息经过神经网络处理后输出目标局部特征信息，目标局部特征信息经过softmax分类器后输出车道线信息和目标障碍物信息；所述神经网络的处理方法是：首先采集停车场的车道线、车辆以及行人局部特征的训练集与样本集；然后将训练集输入神经网络，由损失函数监督自学习，不断地迭代卷积层和池化层，直到其输出值与样本集对比的差值最小，即得。
由于采用了上述技术方案，本发明与现有技术相比具有如下有益效果：
1、由于本发明的方法一方面，将前向摄像头获取的车辆前方图像信息经过处理后确定了车辆的行驶边界；另一方面，将环视摄像头获取的车辆周边图像信息经过处理后规划泊车路径，使得车辆能规范的泊入停车位，因此停车间距小，停车场运转效率高，停车位利用率也高。
2、由于将车道线信息与拟合车道线信息进行空间匹配对准，并选取所需的空间匹配值部分，可避免单纯将前向摄像头获取的前方信息经过像素直方图提取后的拟合车道线的干扰噪音较大的问题，保证了车辆行驶边界确定的清晰和精准。
3、将障碍物位置信息映射至目标障碍物信息上，使目标障碍物信息赋予位置信息，能使前向摄像头获取的前方信息经过神经网络处理后的目标障碍物信息不仅能表明该障碍物是什么，而且能表明该障碍物的距离位置，较好地确定了车辆周围障碍物的位置及信息；进一步提高了车道保持的准确性。
4、由于处理器对车辆周边障碍物信息进行车位是否空闲的判定，当判定车位是空闲时，控制器将车辆周边图像信息根据其内建立的δ＝x*γ匹配式，不断地与其内预设的水平标准停车线特征图像和垂直标准停车线特征图像分别进行卷积并分别输出水平车位匹配值和垂直车位匹配值，可避免由于雷达只能感应障碍物，而单纯依靠障碍物信息来识别车位存在的只能识别空余车位两旁同时有车辆的情形，能清晰地辨别车位线，提高了车位的辨别能力。
5、由于当车位符合水平车位匹配值时控制车辆以其内预设的非线性约束轨迹路径规划进行泊车，得到的泊车轨迹曲率连续，降低了转向电机的工作负荷与轮胎磨损，且无需大量实验，节省时间提高了效率。
6、由于当车位符合垂直车位匹配值时控制车辆以其内预设的关键点规避路径规划进行泊车，当泊车空间足够大时，通过关键点规避路径规划能求得1条轨迹曲线可使车辆无碰撞的进入车位，当泊车空间狭小时，通过关键点规避路径规划任能求得轨迹曲线，虽然该曲线不是连续的，但能保证车辆无碰撞地进入车位。
7、由于车辆前方图像信息经过神经网络处理，能较好地适应不同的环境，且识别前方障碍物的能力强，识别障碍物的数量多，且识别效率高。
附图说明
图1是本发明实施例的信息处理图。
图2是本发明实施例的非线性约束轨迹路径规划示意图。
图3是本发明实施例的关键点规避路径规划示意图。
具体实施方式
下面结合附图实施例对本发明作进一步详述：
图1所示的种自动代客泊车方法，包括装在车辆上用于摄取车辆周边图像信息的环视摄像头、用于摄取车辆前方图像信息的前向摄像头、用于采集车辆周边障碍物位置信息的雷达以及接收和处理这些信息的处理器；
其代客泊车方法是：一方面，处理器将前向摄像头获取的车辆前方图像信息分别进行像素直方图和神经网络处理，并将经过像素直方图处理提取像素值大于200的部分后获得的拟合车道线信息与经过神经网络处理后获得的车道线信息进行融合得到车辆待行区域的车道线信息，以此确定车辆行驶边界；同时，将经过神经网络处理后获取的目标障碍物信息与雷达获取的车辆周边障碍物的位置信息进行融合处理，得到车辆周边障碍物分布信息，并判断车辆周边障碍物是否存在，若是，则车辆停止行驶，若否，则车道保持，以此确定车道保持；另一方面，处理器对雷达获取的车辆周边障碍物信息进行车位是否空闲的判定，当判定车位是空闲时，控制器将环视摄像头实时获取的车辆周边图像信息根据其内建立的匹配式，不断地进行标准停车线特征匹配，即控制器根据其内建立的匹配式：δ＝x*γ，不断地与其内预设的水平标准停车线特征图像和垂直标准停车线特征图像分别进行卷积并分别输出水平车位匹配值和垂直车位匹配值；式中δ为车位匹配值，x为环视摄像头实时获取的车辆周边图像信息，γ为标准停车线特征图像；水平标准停车位尺寸为宽5.3米，长2.5米；当车辆周边图像信息与水平标准停车线特征图像卷积后输出的水平车位匹配值δ水平＞0.95时，说明符合水平车位设定值且车位空余，此时控制器控制车辆以其内预设的非线性约束轨迹路径规划进行泊车；当0.95≥δ水平＞0.6时，说明符合水平车位设定值且车位没空余；当δ水平≤0.6时，说明不符合水平车位设定值。垂直标准停车位尺寸为宽2.5米，长5.3米，当车辆周边图像信息与垂直标准停车线特征图像卷积后输出的垂直车位设定值δ垂直＞0.95时，说明符合垂直车位设定值且车位空余，此时控制器控制车辆以其内预设的关键点规避路径规划进行泊车；当0.95≥δ垂直＞0.6时，说明符合垂直车位设定值且车位没空余；当δ垂直≤0.6时，说明不符合垂直车位设定值。
其中：
车辆前方图像信息经过神经网络处理后输出目标局部特征信息，目标局部特征信息经过softmax分类器后输出车道线信息和目标障碍物信息；神经网络的处理方法是：首先采集停车场的车道线、车辆以及行人局部特征的训练集与样本集；然后将训练集输入神经网络，由损失函数监督自学习，不断地迭代卷积层和池化层，直到其输出值与样本集对比的差值最小，即完成；
卷积层的计算式为：
Figure BDA0002107015460000051
式中
Figure BDA0002107015460000052
为当前迭代层输入的局部特征，i为输入局部特征中的第i个，j为输入局部特征的个数，Mj为最初输入到神经网络的局部特征，|为层数，
Figure BDA0002107015460000053
为上一迭代层输入的局部特征，
Figure BDA0002107015460000054
为卷积核矩阵，
Figure BDA0002107015460000055
为偏置矩阵；
池化层的计算式为：
Figure BDA0002107015460000056
式中
Figure BDA0002107015460000057
为当前迭代层输入的局部特征，downO为一个下局部特征采样函数；
损失函数的计算式为：
Figure BDA0002107015460000058
Figure BDA0002107015460000059
式中
Figure BDA00021070154600000510
为损失函数，c为类别总数，N为训练样本总数，
Figure BDA00021070154600000511
为第n个样本对应的前向传播输出的第k类；
Figure BDA00021070154600000512
为第n个样本中对应样本的第k类；
tθ(x)为拟合函数，
Figure BDA00021070154600000513
为拟合参数，T为θ的倒置标识，I为一次前向传播输出的个数，i为一次前向传播输出的第i个，xi为一次前向传播的第i个输出；
对损失函数求偏导，
Figure BDA00021070154600000514
当tθ(x)→y时，损失函数最小。
拟合车道线信息与车道线信息融合处理的方法是：将车道线信息与拟合车道线信息进行空间匹配对准，并选取所需的空间匹配值ρ＞0.9的部分，即获得确定车辆行驶边界的车辆待行区域的车道线信息；
目标障碍物信息与车辆周边障碍物的位置信息融合处理的方法是：将障碍物位置信息映射至目标障碍物信息上，使目标障碍物信息赋予位置信息，即获得确定车道保持的车辆周边障碍物分布信息；
如图2所示的非线性约束轨迹路径规划的方法是：根据已知车辆的起始点位置P3、最小转弯半径Rmin、最终停车点位置P以及碰撞点位置O2，来确定车辆从起始时避开碰撞点所要走的避撞圆弧路径L3的圆心位置O3和半径R3、车辆入库后的摆头停车圆弧L1路径的圆心位置O1和半径R1以及连接在避撞圆弧路径L3与摆头停车圆弧路径L1之间的中间行驶路径L2与避撞圆弧路径L2连接点的位置P2，中间行驶路径L2与摆头停车圆弧路径L1连接点的位置P1；然后根据确定好的O3和R3画出避撞圆弧路径L3，根据确定好的P1和P2画出中间行驶路径L2，根据确定好的O1和R1画出摆头停车圆弧路径L1，即得。
具体确定如下：
首先设定：避撞圆弧路径的圆心位置为O3，避撞圆弧路径的半径为R3，摆头停车圆弧路径的圆心位置为O1，摆头停车圆弧路径的半径为R1，中间行驶路径与避撞圆弧路径的连接点位置为P2，中间行驶路径与摆头停车圆弧路径的连接点位置为P1，
以水平车位的左下角点为原点建立空间坐标系，
则：
Figure BDA0002107015460000061
RI＝Rmin；
式中:P为最终停车点位置，Xp为P点横坐标，Yp为P点纵坐标，θp为车辆第一次到达P点时车辆相对于水平转动的角度，Rmin为车辆最小转弯半径；
由于
Figure BDA0002107015460000062
为保证车辆入库时不与O2点碰撞，有R2＝0.5B，
则：
Figure BDA0002107015460000071
Figure BDA0002107015460000072
α＝π/2-β-γ
Figure BDA0002107015460000073
R3＝(d-R2cosα)/(1-cosα)
式中：O2为碰撞点位置，γ为O1O2连线与水平之间的夹角，
Figure BDA0002107015460000074
为O1的横坐标，
Figure BDA0002107015460000075
为O1的纵坐标，
Figure BDA0002107015460000076
为碰撞点横坐标，
Figure BDA0002107015460000077
为碰撞点纵坐标；β为车辆与O1和O2之间的角度，|O1O2|表示圆心O1圆心O2的绝对距离，通过几何关系得到
Figure BDA0002107015460000078
R2为车辆以O2为圆心对应的转弯半径，B为车辆宽度；α为车辆入库航向角；d为车辆于起始点时，车身与水平车位的竖直距离；
由于
Figure BDA0002107015460000079
Figure BDA00021070154600000710
则：
Figure BDA00021070154600000711
式中：P3为车辆的起始点位置，
Figure BDA00021070154600000712
为车辆入库时避撞圆弧路径的圆心横坐标。
如图3所示关键点规避路径规划，为根据已知车辆的初始位置和姿势、最小转弯半径r、以及碰撞角点位置来确定车辆从起始时调转车头使车辆以平行于车库行驶时所要走的调头圆弧路径的圆心位置O4、避开碰撞角点所要走的避撞路径的关键点位置Rv3、Rv4，连接在调头圆弧路径与避撞路径之间的待入库路径与调头圆弧路径连接点的位置Rv1、待入库路径与避撞路径连接点的位置Rv2、避撞路径与入库路径连接点的位置Rv5以及最终停车点位置Rv6；然后根据确定好的O4画出调头圆弧路径，根据确定好Rv1、Rv2画出待入库路径，根据确定好的Rv3、Rv4画出避撞路径，根据确定好的Rv5、Rv6画出入库路径，即得。
具体确定如下：
首先设定：调头圆弧路径的圆心位置为O4，
待入库路径与调头圆弧路径的连接点的位置为Rv1，
待入库路径与避撞路径连接点的位置为Rv2，
避撞路径的关键点的位置为Rv3、Rv4，
避撞路径与入库路径连接点的位置为Rv5，
最终停车点的位置为Rv6，
Rv2与Rv3构成的圆弧的圆心位置为O5，
Rv3与Rv4构成的圆弧的圆心位置为O6，
Rv1与Rv4构成的圆弧的圆心位置为O7，
首先以垂直车位的右上角点为原点建立空间坐标系，
则
Figure BDA0002107015460000081
由于垂直泊车中关键点形成的矩阵R＝[RV0 RV1 RV2 RV3 RV4 RV5 RV6 Ra]，
则
Figure BDA0002107015460000091
式中：RV0为车辆的初始位置和姿势，Ra为碰撞角点位置，PX0为车辆初始位置和姿势的横坐标，PY0为车辆初始位置和姿势的纵坐标，θ0为车辆初始位置和姿势的转向角度；
由于RV2与RV3构成的圆弧满足
Figure BDA0002107015460000092
则(PX2-PXa)2+(PY0+r(1-cosθ0)+r-PYa)2＝ra 2
Figure BDA0002107015460000093
Figure BDA0002107015460000094
式中ra为以Ra为圆心对应的半径，PXa为碰撞角点的横坐标，PYa为碰撞角点的纵坐标；D为车位宽度，DB为车辆宽度，r为车辆最小转弯半径；
由于RV3为RV3、RV4构成的圆弧与RV2、RV3构成的圆弧的切点，RV4、RV3构成的圆弧与RV1与RV4构成的圆弧的切点均满足：
Figure BDA0002107015460000095
则
Figure BDA0002107015460000096
Figure BDA0002107015460000097
Figure BDA0002107015460000098
式中RY5为关键点RV5的横坐标，
由于
Figure BDA0002107015460000099
令O2O3连线与O4O3连线之间的夹角为θ2，有
Figure BDA0002107015460000101
则PX5+r-2rcosθ3＝PX2-2rsinθ1
Figure BDA0002107015460000102
Figure BDA0002107015460000103
Figure BDA0002107015460000104
式中θ1为O2O3连线与垂直方向的夹角，d为O5、O7之间的距离，L为车辆长度，lr为后悬长度。
本发明使得车辆能规范的泊入停车位，因此停车间距小，停车场运转效率高，停车位利用率也高。

Claims (5)

1.一种自动代客泊车方法，其特征在于：包括装在车辆上用于摄取车辆周边图像信息的环视摄像头、用于摄取车辆前方图像信息的前向摄像头、用于采集车辆周边障碍物位置信息的雷达以及接收和处理这些信息的处理器；
其代客泊车方法是：一方面，处理器将车辆前方图像信息分别进行像素直方图和神经网络处理，并将经过像素直方图处理后获得的拟合车道线信息与经过神经网络处理后获得的车道线信息进行融合得到车辆待行区域的车道线信息，以此确定车辆行驶边界；同时，将经过神经网络处理后获取的目标障碍物信息与车辆周边障碍物的位置信息进行融合处理，得到车辆周边障碍物分布信息，以此确定车道保持；另一方面，处理器对车辆周边障碍物信息进行车位是否空闲的判定，当判定车位是空闲时，控制器将实时的车辆周边图像信息根据其内建立的匹配式不断地进行标准停车线特征匹配，当车位符合水平车位匹配值时控制车辆以其内预设的非线性约束轨迹路径规划进行泊车；当车位符合垂直车位匹配值时控制车辆以其内预设的关键点规避路径规划进行泊车；所述非线性约束轨迹路径规划的方法是：首先根据已知车辆的起始点位置、最小转弯半径、最终停车点位置以及碰撞点位置，确定车辆从起始时避开碰撞点所要走的避撞圆弧路径的圆心位置和半径、车辆入库后的摆头停车圆弧路径的圆心位置和半径以及连接在避撞圆弧路径与摆头停车圆弧路径之间的中间行驶路径与避撞圆弧路径连接点的位置以及中间行驶路径与摆头停车圆弧路径连接点的位置，然后根据确定好的相应的圆心位置和半径画出避撞圆弧路径，根据确定好的连接点画出中间行驶路径，根据确定好的相应的圆心位置和半径画出摆头停车圆弧路径，即得；所述关键点规避路径规划的方法是：根据已知车辆的初始位置和姿势、最小转弯半径以及碰撞角点位置，确定车辆从起始时调转车头使车辆以平行于车库行驶时所要走的调头圆弧路径的圆心位置、避开碰撞角点所要走的避撞路径的关键点位置，连接在调头圆弧路径与避撞路径之间的待入库路径与调头圆弧路径连接点的位置、待入库路径与避撞路径连接点的位置、避撞路径与入库路径连接点的位置以及最终停车点位置，然后根据确定好的圆心位置画出调头圆弧路径，根据确定好的相应的连接点位置画出待入库路径，根据确定好的关键点位置画出避撞路径，根据确定好的相应的连接点位置和最终停车点位置画出入库路径，即得。
2.根据权利要求1所述的自动代客泊车方法，其特征在于：所述拟合车道线信息与所述车道线信息融合处理的方法是：将车道线信息与拟合车道线信息进行空间匹配对准，并选取所需的空间匹配值部分，即获得确定车辆行驶边界的车辆待行区域的车道线信息。
3.根据权利要求1或2所述的自动代客泊车方法，其特征在于：所述目标障碍物信息与所述车辆周边障碍物的位置信息融合处理的方法是：将障碍物位置信息映射至目标障碍物信息上，使目标障碍物信息赋予位置信息，即获得确定车道保持的车辆周边障碍物分布信息。
4.根据权利要求3所述的自动代客泊车方法，其特征在于：所述标准停车线特征匹配，包括水平标准停车线特征匹配和垂直标准停车线特征匹配；其匹配的方法是：控制器根据其内建立的匹配式：
Figure 135704DEST_PATH_IMAGE001
不断地与其内预设的水平标准停车线特征图像和垂直标准停车线特征图像分别进行卷积并分别输出水平车位匹配值和垂直车位匹配值。
5.根据权利要求4所述的自动代客泊车方法，其特征在于：所述车辆前方图像信息经过神经网络处理后输出目标局部特征信息，目标局部特征信息经过softmax分类器后输出车道线信息和目标障碍物信息；所述神经网络的处理方法是：首先采集停车场的车道线、车辆以及行人局部特征的训练集与样本集；然后将训练集输入神经网络，由损失函数监督自学习，不断地迭代卷积层和池化层，直到其输出值与样本集对比的差值最小，即得。
CN201910556427.2A 2019-06-25 2019-06-25 自动代客泊车方法 Active CN110390832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910556427.2A CN110390832B (zh) 2019-06-25 2019-06-25 自动代客泊车方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910556427.2A CN110390832B (zh) 2019-06-25 2019-06-25 自动代客泊车方法

Publications (2)

Publication Number Publication Date
CN110390832A CN110390832A (zh) 2019-10-29
CN110390832B true CN110390832B (zh) 2022-03-22

Family

ID=68285995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910556427.2A Active CN110390832B (zh) 2019-06-25 2019-06-25 自动代客泊车方法

Country Status (1)

Country Link
CN (1) CN110390832B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796892A (zh) * 2019-11-06 2020-02-14 重庆市城投金卡信息产业(集团)股份有限公司 停车场停车诱导方法及其系统
CN110969892A (zh) * 2019-11-06 2020-04-07 重庆市城投金卡信息产业(集团)股份有限公司 停车场管理方法及其系统
CN111524347B (zh) * 2020-04-13 2022-05-06 东风柳州汽车有限公司 一种预介入的远程遥控泊车控制方法
CN111942372B (zh) * 2020-07-27 2022-02-22 广州汽车集团股份有限公司 一种自动泊车方法及系统
CN111976720B (zh) * 2020-08-12 2023-03-14 东风柳州汽车有限公司 自主式代客泊车方法、装置、设备及存储介质
CN112419776B (zh) * 2020-10-16 2023-04-18 爱驰汽车（上海）有限公司 自主泊车方法、装置、汽车及计算设备
CN112912895B (zh) * 2021-01-29 2022-07-22 华为技术有限公司 一种检测方法、装置和车辆
CN112937557B (zh) * 2021-03-09 2022-08-12 东风汽车集团股份有限公司 一种基于曲率控制的代客泊车路径规划方法及系统
CN114013428A (zh) * 2021-11-29 2022-02-08 江苏大学 一种基于分子间作用力的泊车路径动态规划方法
CN114419930B (zh) * 2022-03-30 2022-07-05 智能网联汽车(山东)协同创新研究院有限公司 汽车物联网智能信息处理系统
CN115171420B (zh) * 2022-05-30 2024-01-30 东风柳州汽车有限公司 车辆停取控制方法、装置、设备及存储介质
CN115223387B (zh) * 2022-06-08 2024-01-30 东风柳州汽车有限公司 泊车控制系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108423067A (zh) * 2017-02-15 2018-08-21 联创汽车电子有限公司 水平泊车控制方法及控制系统
CN107776570B (zh) * 2017-09-19 2020-09-01 广州汽车集团股份有限公司 全自动泊车方法及全自动泊车系统
CN108482366A (zh) * 2018-03-23 2018-09-04 重庆长安汽车股份有限公司 基于车辆自动驾驶的代客泊车系统及方法
CN109720342B (zh) * 2019-01-16 2020-09-01 杭州湘滨电子科技有限公司 一种垂直泊车的路径规划设计方法
CN109866761B (zh) * 2019-03-05 2020-07-10 重庆长安汽车股份有限公司 自动泊车路径规划方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN110390832A (zh) 2019-10-29

Similar Documents

Publication Publication Date Title
CN110390832B (zh) 自动代客泊车方法
CN110689761B (zh) 一种自动泊车方法
CN111081064B (zh) 一种车载以太网的自动泊车系统及自动代客泊车方法
CN113246985B (zh) 混行条件下快速路匝道智能网联车辆合流变道控制方法
WO2019214163A1 (zh) 一种代客泊车方法及装置
Suhr et al. Sensor fusion-based vacant parking slot detection and tracking
CN110045736B (zh) 一种基于无人机的弯道障碍物避让方法
CN105620489A (zh) 驾驶辅助系统及车辆实时预警提醒方法
CN110775057B (zh) 基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法
CN110696819B (zh) 一种自动泊车路径规划方法及系统
CN112009462B (zh) 一种前向自动泊车方法及装置
US11042759B2 (en) Roadside object recognition apparatus
CN111516676A (zh) 一种自动泊车方法、系统、汽车及计算机可读存储介质
CN112002125B (zh) 一种垂直车位融合识别方法及系统
CN114932902A (zh) 一种基于车联网技术的鬼探头预警避让方法及系统
CN111145569A (zh) 一种道路监测、车辆行驶控制方法、装置及车路协同系统
CN112070050A (zh) 一种基于多传感器融合的车位识别方法
CN115123202A (zh) 一种基于最优路径规划的目标车位选取方法及系统
CN109814115B (zh) 一种垂直泊车的角度识别校正方法
CN111547047B (zh) 一种平行车位自动泊车方法及装置
KR101424636B1 (ko) 자동 후진 주차시스템
CN114512019B (zh) 一种智能停车识别群控方法及系统
CN211044536U (zh) 基于标签定位识别的自动巡线停车系统
CN113978453B (zh) 自动泊车方法和系统
CN109583432A (zh) 一种基于图像识别的汽车盲区智能预警方法

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