CN111859778B - 泊车模型的生成方法和装置、电子设备和存储介质 - Google Patents
泊车模型的生成方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111859778B CN111859778B CN202010497884.1A CN202010497884A CN111859778B CN 111859778 B CN111859778 B CN 111859778B CN 202010497884 A CN202010497884 A CN 202010497884A CN 111859778 B CN111859778 B CN 111859778B
- Authority
- CN
- China
- Prior art keywords
- parking
- data
- sample set
- target
- track
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 112
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 description 19
- 238000011217 control strategy Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2300/00—Purposes or special features of road vehicle drive control systems
- B60Y2300/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2300/00—Purposes or special features of road vehicle drive control systems
- B60Y2300/10—Path keeping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了泊车模型的生成方法和装置、电子设备和存储介质,涉及自主泊车领域。具体实现方案为:获取多个泊车样本集合;针对每个泊车样本集合,根据泊车样本集合构建针对目标车辆的泊车巡航空间,并在泊车巡航空间中提取泊车样本集合对应的第一泊车轨迹;识别每个第一泊车轨迹上的异常位置,从对应的泊车样本集合中删除异常位置的泊车行驶数据,以获取泊车样本集合中用于构建泊车模型的目标样本数据;利用目标样本数据对泊车模型进行训练,以生成目标泊车模型,解决了构建泊车模型时数据不准的问题,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及自主泊车技术领域,具体涉及一种泊车模型的生成方法和装置、电子设备和存储介质。
背景技术
随着社会的发展和人们生活水平的提高,人们对自动泊车的需求日益增强,尤其是在例如家和公司等车位固定的场景,更希望自动泊车能够给自己带来最后一公里的自由。
相关技术中,在训练泊车模型时,通常使用即时采集的数据,即,无需提前采集高精地图,而是使用实时采集的路况信息直接作为模型训练的样本,但是,由于实时采集的数据还容易包含特殊的路况信息以及行驶轨迹,例如对临时出现的行人和其他车辆进行避让等,因此,容易存在数据异常,导致学习后的控制策略无法保证自主泊车的安全性,影响用户体验。
发明内容
本公开提供了一种泊车模型的生成方法和装置、电子设备和存储介质。
根据本公开的一方面,提供了一种泊车模型的生成方法,包括,
获取多个泊车样本集合,其中,每个所述泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据;
针对每个所述泊车样本集合,根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,其中,所述泊车巡航空间用于标识所述目标车辆从所述预设点行驶至所述目标泊车位的虚拟空间;
识别每个所述第一泊车轨迹上的异常位置,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,以获取所述泊车样本集合中用于构建泊车模型的目标样本数据;
利用所述目标样本数据对所述泊车模型进行训练,以生成目标泊车模型。
根据本公开的另一方面,提供了一种泊车模型的生成的装置,包括:
获取模块,用于获取多个泊车样本集合,其中,每个所述泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据;
提取模块,用于针对每个所述泊车样本集合,根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,其中,所述泊车巡航空间用于标识所述目标车辆从所述预设点行驶至所述目标泊车位的虚拟空间;
识别模块,用于识别每个所述第一泊车轨迹上的异常位置,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,以获取所述泊车样本集合中用于构建泊车模型的目标样本数据;
生成模块,用于利用所述目标样本数据对所述泊车模型进行训练,以生成目标泊车模型。
根据本公开的第三方面,提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的泊车模型的生成方法。
根据本公开的第四方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述第一方面所述的泊车模型的生成方法。
根据本公开的第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的泊车模型的生成方法的步骤。
根据本申请的技术解决了构建泊车模型时数据不准的问题,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为根据本申请一个实施例的泊车模型的生成方法的流程示意图;
图2为根据本申请另一个实施例的泊车模型的生成方法的流程示意图;
图3为根据本申请又一个实施例的泊车模型的生成方法的流程示意图;
图4为根据本申请再一个实施例的泊车模型的生成方法的流程示意图;
图5为根据本申请一个实施例的泊车模型的生成装置的方框示意图;
图6为根据本申请另一个实施例的泊车模型的生成装置的方框示意图;
图7为根据本申请另一个实施例的泊车模型的生成装置的方框示意图;
图8为用来实现本申请实施例的泊车模型的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本申请实施例的泊车模型的生成方法和装置、服务器和存储介质。
图1为根据本申请一个实施例的泊车模型的生成方法的流程示意图。其中,需要说明的是,本实施例的泊车模型的生成方法的执行主体为泊车模型的生成装置,泊车模型的生成装置具体可以为服务器,或者硬件设备中的软件等。
如图1所示,本申请的泊车模型的生成方法,包括以下步骤:
在步骤101中,获取多个泊车样本集合。
其中,每个泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据。
需要说明的是,在同一地点,即在预设点与目标泊车点均相同时,用于生成泊车模型的样本集合应当为多个。应当理解的是,在训练模型中,若采用单一的样本数据进行训练,则训练后的模型仅包含样本数据的泊车行驶数据,使得在使用训练后的模型进行自动泊车时只能按照单一样本的泊车行驶数据进行自动泊车,无法满足目标车辆较多姿态下仍能自动泊车的目的。因此,需要将获取多个泊车样本集合作为初始数据,以满足样本多样性的需求,从而使得使用多个泊车样本集合训练后的泊车模型,在目标车辆处于多种姿态下均能够获取较佳的自动泊车控制策略。
可选的,还可对泊车样本数据的个数设置冗余量,例如,当用于建模的泊车样本集合数为N时,可获取N+5个泊车样本集合,即,增加5个泊车样本的冗余量,以进一步确保获取到的泊车样本集合的数量满足训练需求。
其中,预设点可为对目标车辆进行泊车的起始点,例如停车场入口、车库内行车道的固定位置等,目标泊车点可为用户常用的泊车点,其中,当用户使用该泊车点的次数满足预设泊车次数时,可将该泊车点作为目标泊车点,其中,预设次数可与前述样本数据相同,即,可将泊车次数满足样本需求的泊车点作为目标泊车点。
泊车行驶数据可包括目标车辆周围的图像数据、车辆行驶的轨迹数据、用户对目标车辆进行行驶控制的控制数据以及车辆受控后产生的姿态数据中的一个或多个。
应当理解的是,由于本申请应用于对相对固定车位,即,用户常用停车位的自动泊车模型的构建,因此,用户通常使用的泊车预设点和目标泊车点的数据可通过日常行驶反复获得,在用户从预设点驾驶车辆至目标泊车点的过程中,持续采集用户驾驶目标车辆的泊车行驶数据,其中,用户驾驶目标车辆从预设点行驶至目标泊车点即为一个泊车样本集合。
在获取泊车样本集合时,可通过对目标车辆的位置进行识别,当目标车辆从非目标泊车点行驶到预设点时启动对泊车样本集合的采集,或者根据用户的启动指令启动对泊车样本集合的采集,应当理解的是,对泊车样本集合采集的频率可根据用户的行驶需求设定,本申请对此不进行限定。
在步骤102中,针对每个泊车样本集合,根据泊车样本集合构建针对目标车辆的泊车巡航空间,并在泊车巡航空间中提取泊车样本集合对应的第一泊车轨迹。
其中,泊车巡航空间用于标识目标车辆从预设点行驶至目标泊车位的虚拟空间。
可选的,可对每个泊车样本集合进行建模,例如三维建模等,用以构建出从预设点行驶至目标泊车位的空间信息,其中,泊车巡航空间中可包括但不限于停车标识、行驶标识、减速带标识、车道线标识以及固定障碍物(例如停车场中的水泥立柱)等。也就是说,根据泊车样本集合构建出的目标车辆的泊车巡航空间,是用于投射当前第一泊车轨迹的与实际空间相同或相似的虚拟空间。
进一步地,第一泊车轨迹可为目标目标车辆从预设点行驶至目标泊车点的泊车行驶轨迹,可选取目标车辆上任一点的移动坐标作为第一泊车轨迹,例如目标车辆车身中心位置的移动坐标形成的轨迹,或者目标车辆任一轮胎行驶的轨迹。
应当理解的是,由于目标车辆进行一次从预设点行驶至目标泊车点的泊车行驶过程,因此,每个泊车样本集合中则包含有一条与之对应的第一泊车轨迹。
在步骤103中,识别每个第一泊车轨迹上的异常位置,从对应的泊车样本集合中删除异常位置的泊车行驶数据,以获取泊车样本集合中用于构建泊车模型的目标样本数据。
需要说明的是,泊车过程中通常会遇到突发状况,例如避让行人、其他车辆等,此时,第一泊车轨迹中会出现明显与泊车动作无关的轨迹位置,由于这些避让过程与常规的泊车轨迹无关,不适宜作为自动泊车的参考数据,因此,需要将这些与泊车轨迹无关的轨迹位置进行删除,并将剩余的轨迹数据,即真正用于泊车的轨迹数据,作为用于构建泊车模型的目标样本数据。
应当理解的是,由于例如行人和其他车辆等需要避让的特殊路况,非泊车过程中常态化事件,而且,每次特殊路况的发生时间和发生位置均不可预知,因此,在本申请选取用于构建泊车模型的目标样本数据时,需要将这些异常位置数据进行删除,而在自动泊车过程中,可根据自动泊车程序中的避让策略对特殊路况进行避让。
在步骤104中,利用目标样本数据对泊车模型进行训练,以生成目标泊车模型。
可选的,采用深度学习模型对目标样本数据对泊车模型进行训练。
其中,目标泊车模型用于提供从预设点行驶至目标泊车点的车辆控制数据,以使目标车辆到达预设点时可根据目标泊车模型提供的车辆控制数据进行自动泊车。
由此,本申请的泊车模型的生成方法,解决了构建泊车模型时数据不准的问题,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型,使得使用本申请提出的泊车模型的生成方法得到的泊车模型时,得到的泊车控制策略更具安全性和可靠性。
下面结合图2来描述本申请另一个实施例的泊车模型的生成方法。
如图2所示,在图1实施例的基础上,本申请实施例的泊车模型的生成方法,包括以下步骤:
在步骤201中,获取多个泊车样本集合。
需要说明的是,由于在本申请实施例中目标泊车点为固定泊车点,因此,容易产生较多泊车样本集合,但部分泊车样本集合由于时间跨度较大或具有较多错误数据,不适宜作为构建泊车模型的样本集合,因此,需要对目标车辆采集到的多个候选泊车样本集合进行筛选,以获取适宜的多个泊车样本集合。
应当理解的是,在筛选多个泊车样本集合时,需要保证被筛选出的多个泊车样本集合的数量超出实际需要的数量,超出的数量可以不少于5个,以保证进行泊车轨迹筛选时的冗余量。
作为一种可能的实现方式,获取多个候选泊车样本集合,以及每个候选泊车样本集合的生成时刻,根据生成时刻,从所有的候选泊车样本集合中筛选出多个泊车样本集合。
也就是说,可根据候选泊车样本集合的生成时间对候选泊车样本集合进行筛选,举例来说,候选泊车样本集合的生成时刻过早,例如候选泊车样本集合为6个月前的数据,则由于其过于久远,驾驶员泊车技术会随时间有较大改变,因此认为该候选泊车样本集合不适宜被筛选为泊车样本集合。
可选的,在本申请实施例中,可按照生成时刻为6个月内,且一个月至少有个,一天最多不能超过2个的标准,从候选泊车样本集合中筛选出多个泊车样本集合。
作为另一个可能的实现方式,获取多个候选泊车样本集合,并获取每个候选泊车样本集合中图像的帧数,获取帧数与参考帧的差值大于或等于第一预设值的第一候选泊车样本集合,并从多个候选泊车样本集合中删除第一候选泊车样本集合。
也就是说,为了保证构建泊车模型的样本集合是完整的,需要对候选泊车样本集合中图像的帧数进行筛选,具体地,获取多个候选泊车样本集合,并获取每个候选泊车样本集合中图像的帧数,然后获取帧数与参考帧的差值,其中,参考帧可为进行一次泊车行驶常规的图像帧数的合理范围,若任一候选泊车样本集合的帧数与参考帧的差值大于或等于第一预设值,则说明该候选泊车样本集合泊车过程中进行了大量非泊车操作,或者车载相机故障未将整个泊车过程的图像全部采集,因此,需要将该候选泊车样本结合从多个候选泊车样本集合中删除。
其中,参考帧可根据预设点至目标泊车点的距离进行推算获取,也可根据大量其他用户的行驶数据获取。
作为又一个可能的实现方式,获取多个候选泊车样本集合,并根据每个候选泊车样本集合,获取目标车辆从预设点行驶至目标泊车点过程中出现的倒车次数,获取倒车次数与参考倒车次数的差值大于或等于第二预设值的第二候选泊车样本集合,并从多个候选泊车样本集合中删除第二候选泊车样本结合。
应当理解的是,若目标车辆在泊车过程中出现大量倒车动作,则说明当前驾驶员的泊车动作不熟练,将该驾驶员的泊车数据作为泊车样本集合进行训练,则会严重影响训练后自动泊车的效果,因此,需要将具有较多倒车动次数的样本集合进行删除。
具体地,获取多个候选泊车样本集合,并获取每个候选泊车样本集合中,目标车辆从预设点行驶至目标泊车点过程中出现的倒车次数,并获取倒车次数与参考倒车次数的差值,其中,参考倒车次数可设置为1或2,即,在泊车过程中因车身姿态的不同进行较少次数的调节,若识别到倒车次数与参考倒车次数的差值大于或等于第二预设值的第二泊车样本集合,则从多个候选泊车样本集合中删除第二候选泊车样本集合。
由此,本申请的泊车模型的生成方法通过对候选泊车样本集合的筛选,能够使得构建泊车模型的样本集合数据质量更高,从初始样本数据开始即提高降噪效果。
应当理解的是,上述多种对泊车样本集合进行筛选的方式可同时使用一种或多种,从而在泊车样本集合较多时筛选出较为适宜的少量泊车样本集合,有效提高后期建模效率。
在步骤202中,针对每个泊车样本集合,根据泊车样本集合构建针对目标车辆的泊车巡航空间,并在泊车巡航空间中提取泊车样本集合对应的第一泊车轨迹。
需要说明的是,关于步骤202的介绍可参见步骤102中的相关记载,此处不再赘述。
在步骤203中,获取目标车辆从预设点行驶至目标泊车点的参考泊车轨迹。
需要说明的是,参考泊车轨迹可为目标车辆通常使用的行驶轨迹,例如,当目标泊车点处于与停车场入口对角的位置时,用户可能通常习惯于先直行后转弯以达到目标泊车点,也可能习惯于先转弯后直行以达到目标泊车点;或者参考泊车轨迹可为用户手动规划的泊车轨迹等。
也就是说,可根据参考泊车轨迹的性质不同,采用不同的方式获取参考泊车轨迹。
其中,在参考泊车轨迹为目标车辆通常使用的行驶轨迹时,由于参考泊车轨迹为目标车辆通常使用的行驶轨迹,因此需要从采集到的泊车样本中的第一泊车轨迹中选取参考泊车轨迹。进一步地,可通过判断第一轨迹之间的相似度来确定第一泊车轨迹是否为常用的行驶轨迹,即,若一个第一轨迹与其他轨迹相似,则说明目标车辆在该次泊车过程中行驶的路线与其他泊车过程所行驶的路线相同,如果一个第一轨迹与其他轨迹不相似,则说明目标车辆在该次泊车过程中行驶的路线与其他泊车过程所行驶的路线不同。
因此,作为一个可行实施例,获取任意两个第一泊车轨迹之间的相似度,根据相似度,从所有的第一泊车轨迹中选取出一条泊车轨迹作为参考泊车轨迹。
具体地,可按照一定顺序将获取到的多个泊车样本集合对应的第一泊车轨迹依次作为候选泊车轨迹,并将候选泊车轨迹依次与其他泊车样本集合对应的第一泊车轨迹进行比较获取候选泊车轨迹与其他第一泊车轨迹之间的相似度,对任一候选泊车轨迹的多个相似度进行相加求平均得到候选泊车轨迹的相似度平均值,然后在将相似度平均值最大的候选泊车轨迹作为第一泊车轨迹。由此,根据第一泊车轨迹的相似度获取的参考泊车轨迹更符合用户的实际驾驶习惯。
举例来说,当泊车样本集合为5个时,可分别获取5个泊车样本集合对应的第一泊车轨迹,即,第一泊车样本集合对应的第一泊车轨迹、第二泊车样本集合对应对的第一泊车轨迹、第三泊车样本集合对应的第一泊车轨迹、第四泊车样本集合对应的第一泊车轨迹和第五泊车样本集合对应的第一泊车轨迹,然后先将第一泊车样本集合对应的第一泊车轨迹分别于第二泊车样本集合对应对的第一泊车轨迹、第三泊车样本集合对应的第一泊车轨迹、第四泊车样本集合对应的第一泊车轨迹和第五泊车样本集合对应的第一泊车轨迹计算相似度,并将获取到的四个相似度进行相加求平均,以获取第一泊车样本集合对应的第一泊车轨迹的相似度平均值,然后依次获取第二泊车样本集合对应对的第一泊车轨迹、第三泊车样本集合对应的第一泊车轨迹、第四泊车样本集合对应的第一泊车轨迹和第五泊车样本集合对应的第一泊车轨迹的相似度平均值,最后对比五个相似度平均值的大小,并将相似度平均值最大的第一泊车轨迹作为最终的参考泊车轨迹。
又如,可在获取候选泊车轨迹与其他第一泊车轨迹之间的相似度后,将获取到的多个相似度与预设相似度阈值进行比较,当候选泊车轨迹与其他第一泊车轨迹之间的相似度大于预设相似度阈值时,则记录次数加1,然后获取每个候选泊车轨迹的记录次数,将记录次数最大的候选泊车轨迹作为参考泊车轨迹。
在参考泊车轨迹可用户手动规划的泊车轨迹时,用户可在已采集到的样本集合对应的第一泊车数据中选取参考泊车轨迹,或者由用户根据实际的泊车巡航空间额外规划参考泊车轨迹。
在另一个可行实施例中,展示每个泊车巡航空间以及每个第一泊车轨迹,监控泊车轨迹选取操作,确定监控到的选取操作所选取的第一泊车轨迹,并作为参考泊车轨迹。
也就是说,在根据泊车样本集合构建针对目标车辆的泊车巡航空间并提取第一泊车轨迹之后,可向用户展示针对每个泊车样本集合构建的泊车巡航空间和第一泊车轨迹,以使用户能够通过观看展示而选择适合作为参考泊车轨迹的第一泊车轨迹,从而对该适合作为参考泊车轨迹的第一泊车轨迹进行选取操作,监控用户对泊车轨迹的选取操作,确定监控到的选取操作所选取的第一泊车轨迹,并将该第一泊车轨迹作为参考泊车轨迹,使得经过用户选择的参考泊车轨迹更符合用户的喜好,基于用户选择的参考泊车轨迹进行其他操作而生成的目标泊车模型更符合用户的喜好。
在一个又可行实施例中,获取目标泊车点所属泊车区域的设计数据/地图数据,根据设计数据/地图数据、预设点和目标泊车点,为目标车辆规划一条泊车轨迹作为参考泊车轨迹。
其中,设计数据和/或地图数据可为基于构建停车场时所采用的设计图纸等,标注有自预设点至目标泊车点之间各处尺寸大小以及行车标记信息的数据。
也就是说,可通过相应的权限或网络获取到目标泊车点所属泊车区域的设计数据和/或地图数据,然后根据设计数据/地图数据规划一条自预设点至目标泊车点最适合的泊车轨迹,并将其作为参考泊车轨迹。其中,最适合的泊车轨迹可包括例如路线最短、行车障碍最少等条件。
由此,通过用户手动规划的泊车轨迹时能够使得参考泊车轨迹更科学。
在步骤204中,将每个第一泊车轨迹与参考泊车轨迹进行比对,以获取每个第一泊车轨迹上异常位置。
应当理解的是,异常位置可为与参考泊车轨迹中位置相异的轨迹,具体地,由于参考泊车轨迹系在无异常情况下的最优或最符合用户喜欢等的标准泊车轨迹,因此,仅需要将每个第一泊车轨迹与参考泊车轨迹进行比对,如果第一泊车轨迹上的位置与参考泊车轨迹中的位置相同或在允许的误差范围内,则确定该位置为正常轨迹,如果第一泊车轨迹上的位置偏离参考泊车轨迹较大,即,第一泊车轨迹上的位置与参考泊车轨迹上的位置超过误差允许范围,则确定该位置为异常位置,基于此,对每个第一泊车轨迹与参考泊车轨迹进行比对,即可获取每个第一泊车轨迹上的异常位置。
在步骤205中,从第一泊车轨迹对应的泊车样本集合中删除各自的异常位置的泊车行驶数据。
在步骤206中,利用目标样本数据对泊车模型进行训练,以生成目标泊车模型。
由此,能够先获取参考泊车轨迹从而将每个第一泊车轨迹与参考泊车轨迹进行比对以识别出异常位置,进行而将异常位置进行删除,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型,使得基于本公开提出的泊车模型的生成方法进行学习得到的泊车控制策略更具安全性和可靠性。
需要说明的是,在步骤204将每个第一泊车轨迹与参考泊车轨迹进行比对,以获取每个第一泊车轨迹上异常位置之后,可能出现多个第一泊车轨迹上的异常位置均为同一位置的情况,也就是说,参考泊车轨迹上的该位置对应的多个第一泊车轨迹均为异常位置,泊车行驶数据均需要删除。但是,若将被确定为异常位置的多个第一泊车轨迹中的泊车行驶数据都删除,将会使得参考泊车轨迹上的该位置无用于训练的泊车行驶数据,即用于后续训练的样本数据出现空间上的缺失,进一步会导致训练后的模型容易出现控制策略不完整的情况,即,对应于样本数据空间缺失区域的控制策略也相应的发生缺失,因此,需要对异常位置的泊车行驶数据进行筛选,以确保进行训练数据空间上的连续性。
作为一个可行实施例,如图3所示,本申请实施例的泊车模型的生成方法还可以包括以下步骤:
在步骤301中,识别参考泊车轨迹上的任一位置对应的多个第一泊车轨迹上的位置是否均为异常位置。
也就是说,可将参考泊车轨迹上的每个位置依次与多个第一泊车轨迹上各位置的泊车行驶数据进行比对,如果任一第一泊车轨迹上某一位置确定为异常位置,则进一步判断其他多个第一泊车轨迹上该位置是否也为异常位置。
举例来说,采集到5个泊车样本集合,则有对应的五个第一轨迹,先对第一泊车样本集合对应的第一泊车轨迹与参考泊车轨迹进行比对,获取第一泊车轨迹中的异常位置,并获取异常位置的坐标数据,然后对第二泊车样本集合对应的第一泊车轨迹、第三泊车样本集合对应的第一泊车轨迹、第四泊车样本集合对应的第一泊车轨迹和第五泊车样本集合对应的第一泊车轨迹中该坐标位置是否为异常位置进行判断,如果第二泊车样本集合对应的第一泊车轨迹、第三泊车样本集合对应的第一泊车轨迹、第四泊车样本集合对应的第一泊车轨迹和第五泊车样本集合对应的第一泊车轨迹中该坐标位置也都被确定为异常位置,则确定参考泊车轨迹上该位置对应的多个第一泊车轨迹均为异常位置,如果有任一泊车轨迹在该位置未被确定为异常位置,则确认该位置存在非异常位置。
其中,若任一位置内存在非异常位置,则执行如下步骤302。
在步骤302中,如果任一位置存在非异常位置,从第一泊车轨迹对应的泊车样本集合中分别删除各自的异常位置的泊车行驶数据。
也就是说,在参考泊车轨迹上任一位置对应的多个第一泊车轨迹中还存在非异常位置,则可将其它第一泊车轨迹中异常位置的泊车行驶数据删除,即,从第一泊车轨迹对应的泊车样本集合中分别删除各自的异常位置的泊车行驶数据。
举例俩说,对于前述5个第一泊车轨迹而言,如果参考泊车轨迹中的某一位置的对应位置,在第一泊车样本集合对应的第一泊车轨迹、第二泊车样本集合对应的第一泊车轨迹、第三泊车样本结合对应的第一泊车轨迹以及第四泊车样本集合对应的第一泊车轨迹中均为异常位置,仅在第五泊车样本集合对应的第一泊车轨迹中为非异常位置,则仍可将第一泊车样本集合对应的第一泊车轨迹、第二泊车样本集合对应的第一泊车轨迹、第三泊车样本结合对应的第一泊车轨迹以及第四泊车样本集合对应的第一泊车轨迹中的异常位置的泊车行驶数据均删除,即,仅保留第五泊车样本集合对应的第一泊车轨迹中的泊车行驶数据。
若任一位置均为异常位置,作为一个可行实施例,可执行如下步骤303-305。
在步骤303中,如果任一位置均为异常位置,获取每个第一泊车轨迹与参考泊车轨迹在异常位置上的差异信息。
在步骤304中,根据差异信息,确定异常位置上与参考泊车轨迹差异最小的一个泊车样本集合。
在步骤305中,保留差异最小的一个泊车样本集合中的异常位置对应的泊车行驶数据,并删除其他泊车样本集合中的异常位置对应的泊车行驶数据。
也就是说,当每个第一泊车轨迹在某一位置均为异常位置时,则进一步获取每个第一泊车轨迹与参考泊车轨迹在异常位置上的差异信息,其中,差异信息可为第一泊车轨迹与参考泊车轨迹之间的水平距离,然后对获取到的多个水平距离进行比较,获取水平距离最小的差异信息并进一步确定该差异信息对应的泊车样本集合,保留差异最小的一个泊车样本集合中的异常位置对应的泊车行驶数据,并删除其他泊车样本集合中的异常位置对应的泊车行驶数据。
应当理解的是,如果差异最小的泊车样本集合为多个,可随机选取任一个泊车样本集合进行保留,也可选取存在异常位置数量最少的泊车样本集合进行保留。
或者,在任一位置均为异常位置时,作为另一个可行实施例,可执行如下步骤306-307。
在步骤306中,如果任一位置均为异常位置,从参考泊车轨迹对应的泊车样本结合中提取异常位置的参考泊车行驶数据。
在步骤307中,利用参考泊车行驶数据,替换每个泊车样本集合中异常位置的泊车行驶数据。
也就是说,在识别到某一位置对应的每个第一泊车轨迹中的该位置均为异常位置时,则将每个第一泊车轨迹中的异常位置的泊车行驶数据均进行删除,此时,该位置无通过采集获取到的泊车行驶数据,然后,利用参考泊车轨迹中的参考泊车行驶数据作为泊车样本集合中异常位置的泊车行驶数据进行使用。
由此,本申请实施例的泊车模型的生成方法能够根据异常位置的情况对第一轨迹上的泊车行驶数据进行选择性删除或替换,使得进行模型训练的数据具有连贯性,从而使经过训练的泊车模型更准确。
图4为本申请另一个实施例的泊车模型的生成方法。本公开实施例的泊车模型的生成方法,泊车行驶数据中包括图像数据和车身姿态信息,前述实施例中步骤102或202的步骤根据泊车样本集合构建针对目标车辆的泊车巡航空间,并在泊车巡航空间中提取泊车样本集合对应的第一泊车轨迹,如图4所示,具体包括以下步骤:
在步骤401中,根据泊车样本集合中的图像数据和车身姿态数据,获取目标车辆中车载相机的空间坐标数据。
其中,车载相机为具有间隔或连续进行图像采集功能的图像采集装置。可选的,目标车辆可设置至少一个车载相机,当车载相机为360度全景镜头时,可在目标车辆顶部设置一个车载相机,或者在目标车辆四周各设置一个或多个车载相机。
具体地,在本申请实施例中,可将例如预设点或目标泊车点作为世界坐标系的原点构建世界坐标系,并获取车载相机的空间坐标数据,其中,随着目标车辆的行驶,车载相机的空间坐标数据不断变化,即,可通过车载相机的空间坐标数据获取目标车辆的行驶轨迹。
应当理解的是,众所周知,视觉图像具有例如近大远小等多种与图像采集位置相关的特性,因此,对于同一目标处于不同位置的车载相机拍摄到的图像数据也不相同,另外,车身姿态数据可至少包括车辆的转向信息和车辆的加速度信息,即,即使同一车载相机在不同车辆姿态和加速度下拍摄到的图像数据也可能不能。因此,可根据车载相机的空间坐标数据和车身姿态数据对图像数据中的图像信息进行校正。
在步骤402中,根据车载相机的空间坐标数据构成泊车巡航空间。
也就是说,随着目标车辆的泊车行驶,车载相机的姿态与位置也随着目标车辆的移动而逐渐改变,其采集到的图像数据逐渐增多,通过将图像数据在世界坐标系下进行拼接能够得到目标车辆的泊车巡航空间。
在步骤403中,从泊车巡航空间中提取水平坐标数据,生成第一泊车轨迹。
其中,水平坐标数据可根据任一车载相机的空间坐标数据提取,即,将车载相机的水平坐标的轨迹作为目标车辆的第一泊车轨迹。
作为一个可行实施例,由于构建泊车巡航空间采用的是车载相机的空间坐标,而且图像数据中还可能包含从预设点至目标泊车点之间设置的例如行车标记、停车标记等图像信息,因此,在从泊车样本集合中删除异常位置的泊车行驶数据时,仅需要从泊车样本集合中删除异常位置的车身姿态数据,保留图像数据,以尽可能的在构建巡航空间时的信息完整。
进一步地,作为一个可行实施例,在利用目标样本数据对泊车模型进行训练生成目标泊车模型之后,还可继续对目标车辆的行驶状态进行监控,在目标车辆处于预设点至目标泊车点之间的任一位置时,可采集目标车辆的姿态数据并输入至目标泊车模型,以通过目标泊车模型获取对目标车辆进行自动泊车的控制策略,从而使目标车辆能够从当前位置自动泊入目标泊车点,同时,还可对当前受目标泊车模型输出的控制策略控制的目标车辆的图像数据和车身姿态信息进行采集,以作为最新的泊车样本数据对泊车模型进行训练。应当理解的是,目标模型输出的控制策略为使目标车辆的姿态与目标姿态相同,也就是说,根据目标车辆在预设点至目标泊车点之间的任一位置的车身姿态信息,能够目标泊车模型获取到下一时刻目标车辆的目标位置轨迹,进而得到从当年位置达到目标位置轨迹的目标车身姿态,以及用于将当前车身姿态改变为目标车身姿态的车辆控制策略。
图5为根据本申请一个实施例的泊车模型的生成装置的方框示意图。
如图5所示,泊车模型的生成转置10,包括:获取模块11、提取模块12、识别模块13和生成模块14。
其中,获取模块11,用于获取多个泊车样本集合,其中,每个所述泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据。
提取模块12,用于针对每个所述泊车样本集合,根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,其中,所述泊车巡航空间用于标识所述目标车辆从所述预设点行驶至所述目标泊车位的虚拟空间。
识别模块13,用于识别每个所述第一泊车轨迹上的异常位置,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,以获取所述泊车样本集合中用于构建泊车模型的目标样本数据。
生成模块14,用于利用所述目标样本数据对所述泊车模型进行训练,以生成目标泊车模型。
在一些实施例中,如图6所示,识别模块13,包括:
第一获取单元131,用于获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹。
第二获取单元132,用于将每个所述第一泊车轨迹与所述参考泊车轨迹进行比对,以获取每个所述第一泊车轨迹上所述异常位置。
数据处理单元133,用于从所述第一泊车轨迹对应的所述泊车样本集合中删除各自的所述异常位置的所述泊车行驶数据。
在一些实施例中,所述数据处理单元133,包括:
第一识别子单元,用于识别多个所述第一泊车轨迹上的任一位置是否均为所述异常位置。
第一删除子单元,用于在所述任一位置存在非所述异常位置时,从所述第一泊车轨迹对应的所述泊车样本集合中分别删除各自的所述异常位置的所述泊车行驶数据。
在一些实施例中,所述数据处理单元133,包括:
第一获取子单元,用于在所述任一位置均为所述异常位置时,获取每个所述第一泊车轨迹与所述参考泊车轨迹在所述异常位置上的差异信息;
第一确定子单元,用于根据所述差异信息,确定在所述异常位置上与所述参考泊车轨迹差异最小的一个泊车样本集合;以及
第二删除子单元,用于保留所述差异最小的一个泊车样本集合中的所述异常位置对应的所述泊车行驶数据,并删除其他所述泊车样本集合中的所述异常位置对应的所述泊车行驶数据。
在一些实施例中,所述数据处理单元133,包括:
第二获取子单元,用于在所述任一位置均为所述异常位置时,从所述参考泊车轨迹对应的所述泊车样本集合中提取所述异常位置的参考泊车行驶数据;
第三删除子单元,用于利用所述参考泊车行驶数据,替换每个所述泊车样本集合中所述异常位置的所述泊车行驶数据。
在一些实施例中,所述第一获取单元131,包括:
第一获取组件,用于获取任意两个所述第一泊车轨迹之间的相似度。
第一选取组件,用于根据所述相似度,从所有的所述第一泊车轨迹中选取出一条泊车轨迹作为所述参考泊车轨迹。
在一些实施例中,所述第一获取单元131,包括:
第一显示组件,用于展示每个所述泊车巡航空间以及每个所述第一泊车轨迹。
第二选取组件,用于监控泊车轨迹选取操作,确定监控到的所述选取操作所选取的所述第一泊车轨迹,并作为所述参考泊车轨迹。
在一些实施例中,所述第一获取单元131,包括:
第二获取组件,用于获取所述目标泊车点所属泊车区域的设计数据/地图数据。
第三选取组件,根据所述设计数据/地图数据、所述预设点和所述目标泊车点,为所述目标车辆规划一条泊车轨迹作为所述参考泊车轨迹。
在一些实施例中,如图7所示,所述提取模块12,包括:
第一获取子模块121,用于根据所述泊车样本集合中的所述图像数据和所述车姿态数据,获取所述目标车辆中车载相机的空间坐标数据;
第一构造子模块122,用于根据所述车载相机的空间坐标数据构成所述泊车巡航空间;以及
第一生成子模块123,用于从所述泊车巡航空间中提取水平坐标数据,生成所述第一泊车轨迹。
在一些实施例中,所述数据处理单元133,包括:
从所述泊车样本集合中删除所述异常位置的所述车身姿态数据,保留所述图像数据。
在一些实施例中,所述获取模块11,包括:
第二获取子模块,用于获取多个候选泊车样本集合,以及每个所述候选泊车样本集合的生成时刻;
第一筛选子模块,用于根据所述生成时刻,从所有的所述候选泊车样本集合中筛选出所述多个泊车样本集合。
在一些实施例中,获取模块11,获取模块,包括:
第二获取子模块,用于获取多个候选泊车样本集合,并获取每个所述候选泊车样本集合中图像的帧数;
第二筛选子模块,用于获取所述帧数与参考帧数的差值大于或者等于第一预设值的第一候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第一候选泊车样本集合。
在一些实施例中,所述获取模块11,包括:
第三获取子模块,用于获取多个候选泊车样本集合,并根据每个所述候选泊车样本集合,获取所述目标车辆从所述预设点行驶至所述目标泊车点过程中出现的倒车次数;
第三筛选子模块,用于获取所述倒车次数与参考倒车次数的差值大于或者等于第二预设值的第二候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第二候选泊车样本集合。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请提出的泊车模型的生成装置,解决了构建泊车模型时数据不准的问题,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型,使得基于本公开提出的泊车模型的生成方法进行学习得到的泊车控制策略更具安全性和可靠性。
根据本申请的实施例,本申请还提供了一种服务器和一种可读存储介质。
如图8所示,是根据本申请实施例的泊车模型的生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的泊车模型的生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的泊车模型的生成方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的泊车模型的生成方法对应的程序指令/模块(例如,附图5所示的获取模块11、提取模块12、识别模块13和生成模块14)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的泊车模型的生成方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据泊车模型的生成方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至泊车模型的生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
泊车模型的生成方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与泊车模型的生成方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的所述的泊车模型的生成方法的步骤。
根据本申请的技术解决了构建泊车模型时数据不准的问题,有效对构建目标泊车模型的泊车数据进行降噪,从而能够构建出结果更准确、信赖度更高的泊车模型,使得基于本公开提出的泊车模型的生成方法进行学习得到的泊车控制策略更具安全性和可靠性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (28)
1.一种泊车模型的生成方法,包括:
获取多个泊车样本集合,其中,每个所述泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据;
针对每个所述泊车样本集合,根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,其中,所述泊车巡航空间用于标识所述目标车辆从所述预设点行驶至目标泊车位的虚拟空间;
识别每个所述第一泊车轨迹上的异常位置,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,以获取所述泊车样本集合中用于构建泊车模型的目标样本数据,其中,获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹;将每个所述第一泊车轨迹与所述参考泊车轨迹进行比对,以获取每个所述第一泊车轨迹上所述异常位置;
利用所述目标样本数据对所述泊车模型进行训练,以生成目标泊车模型。
2.根据权利要求1所述的泊车模型的生成方法,其中,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,包括:
从所述第一泊车轨迹对应的所述泊车样本集合中删除各自的所述异常位置的所述泊车行驶数据。
3.根据权利要求2所述的泊车模型的生成方法,其中,所述从所述第一泊车轨迹对应的所述泊车样本集合中删除各自的所述异常位置的所述泊车行驶数据,还包括:
识别所述参考泊车轨迹上的任一位置对应的多个所述第一泊车轨迹上的位置是否均为所述异常位置;
如果所述任一位置存在非所述异常位置,从所述第一泊车轨迹对应的所述泊车样本集合中分别删除各自的所述异常位置的所述泊车行驶数据。
4.根据权利要求3所述的泊车模型的生成方法,还包括:
如果所述任一位置均为所述异常位置,获取每个所述第一泊车轨迹与所述参考泊车轨迹在所述异常位置上的差异信息;
根据所述差异信息,确定在所述异常位置上与所述参考泊车轨迹差异最小的一个泊车样本集合;以及
保留所述差异最小的一个泊车样本集合中的所述异常位置对应的所述泊车行驶数据,并删除其他所述泊车样本集合中的所述异常位置对应的所述泊车行驶数据。
5.根据权利要求3所述的泊车模型的生成方法,还包括:
如果所述任一位置均为异常位置,从所述参考泊车轨迹对应的所述泊车样本集合中提取所述异常位置的参考泊车行驶数据;
利用所述参考泊车行驶数据,替换每个所述泊车样本集合中所述异常位置的所述泊车行驶数据。
6.根据权利要求3所述的泊车模型的生成方法,其中,所述获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹,包括:
获取任意两个所述第一泊车轨迹之间的相似度;
根据所述相似度,从所有的所述第一泊车轨迹中选取出一条泊车轨迹作为所述参考泊车轨迹。
7.根据权利要求3所述的泊车模型的生成方法,其中,所述获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹,还包括:
展示每个所述泊车巡航空间以及每个所述第一泊车轨迹;以及
监控泊车轨迹选取操作,确定监控到的所述选取操作所选取的所述第一泊车轨迹,并作为所述参考泊车轨迹。
8.根据权利要求3所述的泊车模型的生成方法,其中,所述获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹,包括:
获取所述目标泊车点所属泊车区域的设计数据/地图数据;以及
根据所述设计数据/地图数据、所述预设点和所述目标泊车点,为所述目标车辆规划一条泊车轨迹作为所述参考泊车轨迹。
9.根据权利要求1或2所述的泊车模型的生成方法,其中,所述泊车行驶数据中包括图像数据和车身姿态数据,其中,所述根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,包括:
根据所述泊车样本集合中的所述图像数据和所述车身姿态数据,获取所述目标车辆中车载相机的空间坐标数据;
根据所述车载相机的空间坐标数据构成所述泊车巡航空间;以及
从所述泊车巡航空间中提取水平坐标数据,生成所述第一泊车轨迹。
10.根据权利要求9所述的泊车模型的生成方法,其中,所述从所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,包括:
从所述泊车样本集合中删除所述异常位置的所述车身姿态数据,保留所述图像数据。
11.根据权利要求1所述的泊车模型的生成方法,其中,所述获取多个泊车样本集合,包括:
获取多个候选泊车样本集合,以及每个所述候选泊车样本集合的生成时刻;
根据所述生成时刻,从所有的所述候选泊车样本集合中筛选出所述多个泊车样本集合。
12.根据权利要求9所述的泊车模型的生成方法,其中,所述获取多个泊车样本集合,包括:
获取多个候选泊车样本集合,并获取每个所述候选泊车样本集合中图像的帧数;
获取所述帧数与参考帧数的差值大于或者等于第一预设值的第一候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第一候选泊车样本集合。
13.根据权利要求1或11所述的泊车模型的生成方法,其中,所述获取多个泊车样本集合,包括:
获取多个候选泊车样本集合,并根据每个所述候选泊车样本集合,获取所述目标车辆从所述预设点行驶至所述目标泊车点过程中出现的倒车次数;
获取所述倒车次数与参考倒车次数的差值大于或者等于第二预设值的第二候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第二候选泊车样本集合。
14.一种泊车模型的生成装置,包括:
获取模块,用于获取多个泊车样本集合,其中,每个所述泊车样本集合中包括目标车辆从预设点行驶至目标泊车点的泊车行驶数据;
提取模块,用于针对每个所述泊车样本集合,根据所述泊车样本集合构建针对所述目标车辆的泊车巡航空间,并在所述泊车巡航空间中提取所述泊车样本集合对应的第一泊车轨迹,其中,所述泊车巡航空间用于标识所述目标车辆从所述预设点行驶至目标泊车位的虚拟空间;
识别模块,用于识别每个所述第一泊车轨迹上的异常位置,从对应的所述泊车样本集合中删除所述异常位置的所述泊车行驶数据,以获取所述泊车样本集合中用于构建泊车模型的目标样本数据,所述识别模块包括第一获取单元和第二获取单元,所述第一获取单元,用于获取所述目标车辆从所述预设点行驶至所述目标泊车点的参考泊车轨迹;
所述第二获取单元,用于将每个所述第一泊车轨迹与所述参考泊车轨迹进行比对,以获取每个所述第一泊车轨迹上所述异常位置;
生成模块,用于利用所述目标样本数据对所述泊车模型进行训练,以生成目标泊车模型。
15.根据权利要求14所述的泊车模型的生成装置,其中,所述识别模块,还包括:
数据处理单元,用于从所述第一泊车轨迹对应的所述泊车样本集合中删除各自的所述异常位置的所述泊车行驶数据。
16.根据权利要求15所述的泊车模型的生成装置,其中,所述数据处理单元,包括:
第一识别子单元,用于识别所述参考泊车轨迹上的任一位置对应的多个所述第一泊车轨迹上的位置是否均为所述异常位置;
第一删除子单元,用于在所述任一位置存在非所述异常位置时,从所述第一泊车轨迹对应的所述泊车样本集合中分别删除各自的所述异常位置的所述泊车行驶数据。
17.根据权利要求16所述的泊车模型的生成装置,其中,所述数据处理单元,包括:
第一获取子单元,用于在所述任一位置均为所述异常位置时,获取每个所述第一泊车轨迹与所述参考泊车轨迹在所述异常位置上的差异信息;
第一确定子单元,用于根据所述差异信息,确定在所述异常位置上与所述参考泊车轨迹差异最小的一个泊车样本集合;以及
第二删除子单元,用于保留所述差异最小的一个泊车样本集合中的所述异常位置对应的所述泊车行驶数据,并删除其他所述泊车样本集合中的所述异常位置对应的所述泊车行驶数据。
18.根据权利要求16所述的泊车模型的生成装置,其中,所述数据处理单元,包括:
第二获取子单元,用于在所述任一位置均为所述异常位置时,从所述参考泊车轨迹对应的所述泊车样本集合中提取所述异常位置的参考泊车行驶数据;
第三删除子单元,用于利用所述参考泊车行驶数据,替换每个所述泊车样本集合中所述异常位置的所述泊车行驶数据。
19.根据权利要求16所述的泊车模型的生成装置,其中,所述第一获取单元,包括:
第一获取组件,用于获取任意两个所述第一泊车轨迹之间的相似度;
第一选取组件,用于根据所述相似度,从所有的所述第一泊车轨迹中选取出一条泊车轨迹作为所述参考泊车轨迹。
20.根据权利要求16所述的泊车模型的生成装置,其中,所述第一获取单元,包括:
第一显示组件,用于展示每个所述泊车巡航空间以及每个所述第一泊车轨迹;以及
第二选取组件,用于监控泊车轨迹选取操作,确定监控到的所述选取操作所选取的所述第一泊车轨迹,并作为所述参考泊车轨迹。
21.根据权利要求16所述的泊车模型的生成装置,其中,所述第一获取单元,包括:
第二获取组件,用于获取所述目标泊车点所属泊车区域的设计数据/地图数据;以及
第三选取组件,根据所述设计数据/地图数据、所述预设点和所述目标泊车点,为所述目标车辆规划一条泊车轨迹作为所述参考泊车轨迹。
22.根据权利要求14或15所述的泊车模型的生成装置,其中,所述泊车行驶数据中包括图像数据和车身姿态数据,其中,所述提取模块,包括:
第一获取子模块,用于根据所述泊车样本集合中的所述图像数据和所述车身姿态数据,获取所述目标车辆中车载相机的空间坐标数据;
第一构造子模块,用于根据所述车载相机的空间坐标数据构成所述泊车巡航空间;以及
第一生成子模块,用于从所述泊车巡航空间中提取水平坐标数据,生成所述第一泊车轨迹。
23.根据权利要求22所述的泊车模型的生成装置,其中,所述识别模块,包括:
从所述泊车样本集合中删除所述异常位置的所述车身姿态数据,保留所述图像数据。
24.根据权利要求14所述的泊车模型的生成装置,其中,所述获取模块,包括:
第二获取子模块,用于获取多个候选泊车样本集合,以及每个所述候选泊车样本集合的生成时刻;
第一筛选子模块,用于根据所述生成时刻,从所有的所述候选泊车样本集合中筛选出所述多个泊车样本集合。
25.根据权利要求22所述的泊车模型的生成装置,其中,所述获取模块,包括:
第二获取子模块,用于获取多个候选泊车样本集合,并获取每个所述候选泊车样本集合中图像的帧数;
第二筛选子模块,用于获取所述帧数与参考帧数的差值大于或者等于第一预设值的第一候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第一候选泊车样本集合。
26.根据权利要求14或24所述的泊车模型的生成装置,中,所述获取模块,包括:
第三获取子模块,用于获取多个候选泊车样本集合,并根据每个所述候选泊车样本集合,获取所述目标车辆从所述预设点行驶至所述目标泊车点过程中出现的倒车次数;
第三筛选子模块,用于获取所述倒车次数与参考倒车次数的差值大于或者等于第二预设值的第二候选泊车样本集合,并从所述多个候选泊车样本集合中删除所述第二候选泊车样本集合。
27.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-13中任一项所述的泊车模型的生成方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-13中任一项所述的泊车模型的生成方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010497884.1A CN111859778B (zh) | 2020-06-04 | 2020-06-04 | 泊车模型的生成方法和装置、电子设备和存储介质 |
US17/247,968 US11741690B2 (en) | 2020-06-04 | 2021-01-04 | Method for generating parking model, electronic device, and storage medium |
EP21164359.8A EP3920089A1 (en) | 2020-06-04 | 2021-03-23 | Method, device and storage medium for generating a parking model |
KR1020210071410A KR102529361B1 (ko) | 2020-06-04 | 2021-06-02 | 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체 |
JP2021093963A JP7262513B2 (ja) | 2020-06-04 | 2021-06-04 | 駐車モデルの生成方法及び装置、電子機器及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010497884.1A CN111859778B (zh) | 2020-06-04 | 2020-06-04 | 泊车模型的生成方法和装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859778A CN111859778A (zh) | 2020-10-30 |
CN111859778B true CN111859778B (zh) | 2021-12-28 |
Family
ID=72985477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010497884.1A Active CN111859778B (zh) | 2020-06-04 | 2020-06-04 | 泊车模型的生成方法和装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11741690B2 (zh) |
EP (1) | EP3920089A1 (zh) |
JP (1) | JP7262513B2 (zh) |
KR (1) | KR102529361B1 (zh) |
CN (1) | CN111859778B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112572419B (zh) * | 2020-12-22 | 2021-11-30 | 英博超算(南京)科技有限公司 | 一种提高代客泊车启动安全性的车周盲区监控系统 |
CN112896150A (zh) * | 2021-02-07 | 2021-06-04 | 中国第一汽车股份有限公司 | 一种泊车状态下的紧急停车方法、装置、存储介质及系统 |
US11631327B2 (en) * | 2021-06-30 | 2023-04-18 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for learning driver parking preferences and generating parking recommendations |
CN114489714A (zh) * | 2021-12-24 | 2022-05-13 | 北京百度网讯科技有限公司 | 一种车载数据处理方法、装置、电子设备及存储介质 |
CN114528365A (zh) * | 2022-02-21 | 2022-05-24 | 北京百度网讯科技有限公司 | 高速公路停车区域的识别方法及装置、电子设备和介质 |
WO2023178608A1 (zh) * | 2022-03-24 | 2023-09-28 | 之江实验室 | 一种基于多源异构信息网络的目的地推荐方法及系统 |
CN114842666B (zh) * | 2022-03-29 | 2023-10-31 | 广州小鹏自动驾驶科技有限公司 | 停车数据的处理方法、装置、电子设备及存储介质 |
CN114670819B (zh) * | 2022-04-07 | 2023-08-25 | 广州小鹏自动驾驶科技有限公司 | 泊车路线列表生成方法、装置、设备及存储介质 |
CN115080683B (zh) * | 2022-08-24 | 2022-11-25 | 天津所托瑞安汽车科技有限公司 | 车辆行程处理方法、设备和存储介质 |
CN115562038B (zh) * | 2022-11-01 | 2023-08-29 | 南栖仙策(南京)高新技术有限公司 | 一种反馈控制系统变化的预警方法、装置、设备及介质 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8825265B1 (en) * | 2012-03-16 | 2014-09-02 | Google Inc. | Approach for consolidating observed vehicle trajectories into a single representative trajectory |
CN104608766B (zh) * | 2014-12-29 | 2016-10-12 | 李德毅 | 智能车利用泊车记忆棒自动泊车的方法及系统 |
US10395003B2 (en) * | 2016-04-21 | 2019-08-27 | Toyota Jidosha Kabushiki Kaisha | Wind simulation device |
US20170344855A1 (en) * | 2016-05-24 | 2017-11-30 | Agt International Gmbh | Method of predicting traffic collisions and system thereof |
US20180194344A1 (en) * | 2016-07-29 | 2018-07-12 | Faraday&Future Inc. | System and method for autonomous vehicle navigation |
JP6865018B2 (ja) | 2016-11-08 | 2021-04-28 | 日産自動車株式会社 | 駐車支援方法および駐車支援装置 |
WO2018119423A1 (en) * | 2016-12-22 | 2018-06-28 | Surround. Io Corporation | Method and system for providing artificial intelligence analytic (aia) services for performance prediction |
IT201700073722A1 (it) * | 2017-06-30 | 2018-12-30 | Magneti Marelli Spa | "Procedimento di pianificazione di percorso per il calcolo di manovre di parcheggio ottimale per veicoli stradali e sistema corrispondente" |
JP6735715B2 (ja) | 2017-08-08 | 2020-08-05 | 日立オートモティブシステムズ株式会社 | 車両制御装置 |
CN107697065B (zh) * | 2017-10-16 | 2019-08-27 | 北方工业大学 | 一种面向一般停车场景的自动泊车控制方法 |
US10836379B2 (en) * | 2018-03-23 | 2020-11-17 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
JP7272756B2 (ja) | 2018-05-09 | 2023-05-12 | トヨタ自動車株式会社 | 停止位置設定装置 |
US11117569B2 (en) | 2018-06-27 | 2021-09-14 | Baidu Usa Llc | Planning parking trajectory generation for self-driving vehicles using optimization method |
CN111179585B (zh) * | 2018-11-09 | 2021-12-07 | 上海汽车集团股份有限公司 | 自动驾驶车辆的场地测试方法及装置 |
CN109733383B (zh) * | 2018-12-13 | 2021-07-20 | 初速度(苏州)科技有限公司 | 一种自适应的自动泊车方法及系统 |
CA3028601C (en) * | 2018-12-18 | 2021-10-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for determining driving path in autonomous driving |
CN109606384B (zh) * | 2018-12-29 | 2021-04-20 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置、设备和存储介质 |
CN109708654A (zh) * | 2018-12-29 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 一种路径规划方法和路径规划系统 |
CN110329245A (zh) * | 2019-06-26 | 2019-10-15 | 浙江吉利控股集团有限公司 | 一种自动泊车方法、装置、设备和车辆 |
CN110348341A (zh) * | 2019-06-26 | 2019-10-18 | 纵目科技(上海)股份有限公司 | 一种记忆泊车系统、方法、终端和存储介质 |
CN110745136B (zh) * | 2019-09-20 | 2021-05-07 | 中国科学技术大学 | 一种驾驶自适应控制方法 |
US20210162985A1 (en) * | 2019-12-03 | 2021-06-03 | Hyundai Motor Company | System for assisting parking a vehicle and method for the same |
CN111196271A (zh) * | 2020-01-21 | 2020-05-26 | 北京百度网讯科技有限公司 | 自动泊车方法、装置、设备及存储介质 |
US11604075B2 (en) * | 2020-03-30 | 2023-03-14 | Woven Planet North America, Inc. | Systems and methods for deriving planned paths for vehicles using path priors |
-
2020
- 2020-06-04 CN CN202010497884.1A patent/CN111859778B/zh active Active
-
2021
- 2021-01-04 US US17/247,968 patent/US11741690B2/en active Active
- 2021-03-23 EP EP21164359.8A patent/EP3920089A1/en not_active Withdrawn
- 2021-06-02 KR KR1020210071410A patent/KR102529361B1/ko active IP Right Grant
- 2021-06-04 JP JP2021093963A patent/JP7262513B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP7262513B2 (ja) | 2023-04-21 |
JP2021131910A (ja) | 2021-09-09 |
CN111859778A (zh) | 2020-10-30 |
US11741690B2 (en) | 2023-08-29 |
KR20210076886A (ko) | 2021-06-24 |
EP3920089A1 (en) | 2021-12-08 |
US20210380095A1 (en) | 2021-12-09 |
KR102529361B1 (ko) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859778B (zh) | 泊车模型的生成方法和装置、电子设备和存储介质 | |
CN111091591B (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
CN111797187B (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
CN111428663B (zh) | 红绿灯状态的识别方法、装置、电子设备和存储介质 | |
CN111959497A (zh) | 自动泊车方法和装置、电子设备、存储介质 | |
CN111731283B (zh) | 自动驾驶车辆碰撞风险识别方法、装置以及电子设备 | |
CN111959495B (zh) | 车辆的控制方法、装置及车辆 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
US20190374151A1 (en) | Focus-Based Tagging Of Sensor Data | |
CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
EP3345127A1 (en) | Method and system for monitoring driving behaviors | |
CN111291650A (zh) | 自动泊车辅助的方法及装置 | |
CN110794844B (zh) | 自动驾驶方法、装置、电子设备及可读存储介质 | |
CN111723768A (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
CN111967301A (zh) | 定位导航方法、装置、电子设备和存储介质 | |
US11403947B2 (en) | Systems and methods for identifying available parking spaces using connected vehicles | |
CN110986945B (zh) | 基于语义高度地图的局部导航方法和系统 | |
CN111292531A (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
CN111553319A (zh) | 用于获取信息的方法和装置 | |
CN113091757B (zh) | 地图生成方法和装置 | |
CN112581533A (zh) | 定位方法、装置、电子设备及存储介质 | |
CN113815627A (zh) | 用于确定车辆乘员的命令的方法和系统 | |
CN111540010A (zh) | 一种道路监测的方法、装置、电子设备及存储介质 | |
CN113792106A (zh) | 道路的状态更新方法、装置、电子设备及存储介质 | |
CN111959526A (zh) | 基于无人车的控制方法、装置、无人车和电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211026 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |