CN112124304B - 一种库位定位方法、装置及车载设备 - Google Patents

一种库位定位方法、装置及车载设备 Download PDF

Info

Publication number
CN112124304B
CN112124304B CN202011330907.6A CN202011330907A CN112124304B CN 112124304 B CN112124304 B CN 112124304B CN 202011330907 A CN202011330907 A CN 202011330907A CN 112124304 B CN112124304 B CN 112124304B
Authority
CN
China
Prior art keywords
library
library position
actual
determining
line
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
CN202011330907.6A
Other languages
English (en)
Other versions
CN112124304A (zh
Inventor
李超
周天翔
王曦
程士庆
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.)
Tianjin Tiantong Weishi Electronic Technology Co ltd
Original Assignee
Tianjin Tiantong Weishi Electronic Technology 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 Tianjin Tiantong Weishi Electronic Technology Co ltd filed Critical Tianjin Tiantong Weishi Electronic Technology Co ltd
Priority to CN202011330907.6A priority Critical patent/CN112124304B/zh
Publication of CN112124304A publication Critical patent/CN112124304A/zh
Application granted granted Critical
Publication of CN112124304B publication Critical patent/CN112124304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种库位定位方法、装置及车载设备，应用于汽车技术领域，该方法首先获取库位图片、车辆当前位姿以及库位地图，然后根据库位图片确定实际库位的库位类型以及在库位长度方向上的库位中心线，进一步根据库位类型和车辆的当前位姿在库位地图中确定参考库位，并生成车辆由当前位姿至参考库位的泊车轨迹线，最终，将各实际库位中库位中心线与泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。本方法结合库位图片、车辆位姿，以及库位地图等多方面的定位信息实现目标停车库位的定位，与现有技术中依靠单一定位信息定位停车库位的方法相比，能够有效提高库位定位精度，有助于提高自动泊车的成功率。

Description

一种库位定位方法、装置及车载设备
技术领域
本发明属于汽车技术领域，尤其涉及一种库位定位方法、装置及车载设备。
背景技术
在自动泊车技术中，库位位置的准确性对自动泊车的精确度有着直接的影响。目前常用的库位定位方法中，比较成熟的有基于超声波实现的库位定位方法、基于高精度相位差分技术实现的库位定位方法，以及基于摄像头采集图像实现的库位定位方法等。
发明人研究发现，现有定位方法实现库位定位的定位条件较为单一，库位定位精度不高，影响自动泊车过程的精确度，甚至造成泊车失败。
发明内容
有鉴于此，本发明的目的在于提供一种库位定位方法、装置及车载设备，结合实际库位的库位图片、车辆位姿以及库位地图多方面信息完成库位定位，有效提高库位定位精度，有助于提高自动泊车的成功率，具体方案如下：
第一方面，本发明提供的库位定位方法，包括：
获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图；
根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线；
基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位；
生成所述车辆由所述当前位姿至所述参考库位的泊车轨迹线；
将各所述实际库位中所述库位中心线与所述泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。
可选的，所述根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线，包括：
调用预训练的库位识别模型，其中，所述库位识别模型以库位图片为训练样本，以所述库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到；
将所述实际库位的库位图片输入所述库位识别模型，得到各所述实际库位的库位类型和库位边界线；
根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线。
可选的，所述库位边界线包括人工库位线和物理边缘线，所述根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线，包括：
针对每一所述实际库位，在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线；
基于所述两条目标库位边界线确定所述实际库位的在库位长度方向上的库位中心线。
可选的，所述当前位姿包括当前姿态和当前位置，所述基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位，包括：
在所述库位地图中，将以所述当前位置为中心、以预设距离为半径范围内的库位作为初选库位；
基于所述库位类型和所述当前姿态，确定所述车辆的预期入库方向；
将所述初选库位中满足所述预期入库方向且库位内不存在障碍物的初选库位作为候选库位；
依据预设库位选择规则，在所述候选库位中确定参考库位。
可选的，所述依据预设库位选择规则，在所述候选库位中确定参考库位，包括：
在预设时长内检测库位选择指令；
若在所述预设时长内检测到所述库位选择指令，将所述库位选择指令选定的候选库位作为参考库位；
若在所述预设时长内未检测到所述库位选择指令，将所述候选库位中距离所述当前位置最近的候选库位作为参考库位。
可选的，所述在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线，包括：
判断所述实际库位的人工库位线中是否包括两条在库位长度方向上的人工库位线；
若所述实际库位的人工库位线中包括两条在库位长度方向上的人工库位线，将所述在库位长度方向上的两条人工库位线作为目标库位边界线；
若所述实际库位的人工库位线中不包括两条在库位长度方向上的人工库位线，基于所述实际库位的物理边缘线确定所述目标库位边界线。
可选的，还包括：基于所述目标停车库位，修正所述泊车轨迹线。
第二方面，本发明提供一种库位定位装置，包括：
获取单元，用于获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图；
第一确定单元，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线；
第二确定单元，用于基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位；
生成单元，用于生成所述车辆由所述当前位姿至所述参考库位的泊车轨迹线；
第三确定单元，用于将各所述实际库位中所述库位中心线与所述泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。
可选的，所述第一确定单元，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线时，具体包括：
调用预训练的库位识别模型，其中，所述库位识别模型以库位图片为训练样本，以所述库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到；
将所述实际库位的库位图片输入所述库位识别模型，得到各所述实际库位的库位类型和库位边界线；
根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线。
第三方面，本发明提供一种车载设备，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现本发明第一方面任一项所提供的库位定位方法的步骤。
上述本发明提供的库位定位方法，首先获取库位图片、车辆当前位姿以及库位地图，然后根据库位图片确定实际库位的库位类型以及在库位长度方向上的库位中心线，进一步根据库位类型和车辆的当前位姿在库位地图中确定参考库位，并生成车辆由当前位姿至参考库位的泊车轨迹线，最终，将各实际库位中库位中心线与泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。本发明提供的库位定位方法，结合库位图片、车辆位姿，以及库位地图等多方面的定位信息实现目标停车库位的定位，与现有技术中依靠单一定位信息定位停车库位的方法相比，能够有效提高库位定位精度，有助于提高自动泊车的成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种库位定位方法的流程图；
图2是本发明实施例提供的神经网络的架构示意图；
图3是本发明实施例提供的一种库位定位装置的结构框图；
图4是本发明实施例提供的另一种库位定位装置的结构框图；
图5是本发明实施例提供的一种车载设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的一种库位定位方法的流程图，该方法可应用于车载电子设备，该车载电子设备可选如行车记录仪、辅助驾驶系统控制器等具有数据处理能力，能够运行预设程序的车载电子设备，显然，该车载电子设备在某些情况下也可选用网络侧的服务器实现；参照图1，本发明实施例提供的库位定位方法的流程，可以包括：
S100、获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图。
可以想到的是，对于包括至少一个实际库位的库位图片的获取，可以基于现有技术中的多种方法实现，作为最为常用的一种方式，可以通过车载后视摄像头获取，即通过车载后视摄像头采集车辆后侧的库位图片。因为大多数泊车场景中，都是车尾先进入库位，因此，通过后视摄像头采集库位图片，也是最为便捷的一种实现方式。当然，还可以采用现有技术中的其他方式采集库位图片，本发明对于包括至少一个实际库位的库位图片的具体获取方式不做限定。当然，库位图片也可以是在一段视频中截取的某一帧图片。
进一步的，基于现有技术中的车辆定位以及导航需求，车身上往往还设置有多种车载传感器，比如GPS定位设备。惯性导航设备、激光雷达设备、以及方向盘转角传感器、车速传感器、加速度传感器、陀螺仪等多种车载传感器，基于这些现有技术中的车载传感器可以准确的确定车辆的当前位姿，即车辆的当前位置和当前姿态，其中，在本方案中，对于车辆的当前姿态主要指车辆的当前朝向。获取车辆的当前位姿的大致做法是：根据GPS航向角和车辆的方向盘转角、档位推导出车辆的行驶方向，基于陀螺仪数据推导出车辆的角度，根据GPS位置、车辆的速度和加速度推导车辆的行驶距离，根据车辆的行驶距离、行驶方向以及车辆的角度得到当前车辆的位姿。对于基于现有车载传感器确定车辆当前位姿的具体方法，可以参照现有技术实现，此处不再详述。
作为解决现有技术问题的关键条件之一，本发明实施例提供的库位定位方法还需要获取预标记多个库位的库位地图。可以想到的是，库位地图中预标记的库位，不仅记录有各个库位的位置坐标，同时还包括各个库位地图的尺寸、边界外形等信息，通过库位地图可以大致确定某一区域内的库位设置情况。
可选的，本发明实施例还提供一种准备库位地图的方法，其大致过程为：地图绘制车辆上提前安装高精度GPS设备、惯性导航设备以及激光雷达设备，其中，惯性导航设备用于获取车辆位姿信息，激光雷达设备可以精确的扫描出位置信息，以及路面的宽度，红绿灯的高度等信息，而高精度GPS设备则可以准确的确定车辆位置。
进一步的，地图绘制车辆沿指定区域内的道路行驶，记录行驶路径，以及行驶路径中的路面信息、红绿灯信息等，最终建立高精度地图。对于高精度地图的建立，还可以参照现有技术实现，此处不再详述。在得到高精度地图之后，即可在高精度地图上标注库位的库位位置，以及库位尺寸等信息，更为重要的是，还可以在高精度地图中为每个库位点标记唯一序号，即库位编号，最终得到库位地图。
S110、根据库位图片确定实际库位的库位类型以及在库位长度方向上的库位中心线。
可选的，为了基于库位图片确定实际库位的库位类型和在库位长度方向上的库位中心线，本发明实施例提供一种预训练的库位识别模型，该库位识别模型以库位图片为训练样本，以库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到。对于库位识别模型的具体训练过程将在后续内容中展开，此处暂不赘述。
在得到库位图片之后，将所得库位图片输入库位识别模型之中，即可得到库位图片中包括的各个库位的库位类型和库位边界线。
其中，结合实际应用中的库位设置情况，库位类型主要包括垂直库位、侧向库位、60°垂直库位，以及60°侧向库位，当然，还可以包括其他类型的库位，此处不再一一列举。更为重要的是，在实际应用中，车载后视摄像头的采集范围是有限的，同一库位图片中的实际库位往往对应相同的库位类型，本发明实施例提供的库位定位方法也是在此前提下展开的。而对于库位边界线，则可以细分为人工库位线和物理边缘线两种情况。其中，人工库位线指实际生活中采用人工方式画出来的库位线，通常情况下由白色涂料绘制，而物理边缘线则主要指库位的呈凸起状态的边缘，比如马路牙子、土渍边缘，以及石块、砖瓦边缘等限制库位尺寸的物理边界。
由于库位识别模型只能输出各个实际库位的库位类型和库位边界线，因此，基于库位识别模型得到库位边界线之后，还需要进一步基于库位识别模型输出的各实际库位的库位边界线确定各实际库位在库位长度方向上的库位中心线。
在实际的泊车入库场景中，车辆入库后，车身的长度方向将与库位的长度方向几近于平行状态，相应的，车身的长度方向将于库位的宽度方向几近于垂直状态。本发明实施例中主要应用的库位边界线就是指库位长度方向的两条库位边界线。在得到各个实际库位的库位边界线之后，首先需要在实际库位对应的四条库位边界线中（这四条库位边界线有可能是四条人工库位线，也可能同时包括人工库位线和物理边缘线），确定在库位长度方向上的两条目标库位边界线，并进一步基于两条目标库位边界线确定实际库位的在库位长度方向上的库位中心线。首先，判断实际库位的人工库位线中是否包括两条在库位长度方向上的人工库位线，如果实际库位的人工库位线中包括两条在库位长度方向上的人工库位线，将在库位长度方向上的两条人工库位线作为目标库位边界线；相反的，如果实际库位的人工库位线中不包括两条在库位长度方向上的人工库位线，则基于实际库位的物理边缘线确定目标库位边界线。
确定各实际库位的库位中心线的具体过程如下：
经过前述库位识别模型处理后，所得的库位边界线属于实例分割点列，需要分别将人工库位线与物理边缘线进行预处理操作，具体做法是所得库位边界线对应的实例分割点列进行采样后，通过滑动窗口进行过滤，最后进行最小二乘法的直线拟合，同时记录各条库位边界线的起始和终止位置。对于此步骤中述及的预处理操作过程，具体的实现过程可以参照现有技术实现，本发明对此不做限定。
进一步的，确定库位边界线中在库位长度方向上的两条目标库位边界线，并进一步针对每一实际库位的库位边界线，基于库位边界线的类型划分为库位线检测结果L和边缘检测结果E。其中，库位线检测结果L中记录的目标库位边界线属于人工库位线，边缘检测结果E中记录的目标库位边界线属于物理边缘线。
针对每一实际库位，判断库位线检测结果L中是否同时存在两条目标库位边界线，如果是，将直接库位线检测结果L作为最终的结果；相反的，库位线检测结果L中并未同时存在两条目标库位边界线，则需要按照下述步骤进行进一步的处理。
判断边缘线检测结果E中是否为空，即边缘线检测结果E中没有目标库位边界线，如果为空，则直接将库位线检测结果L作为最终结果，如果不为空，从边缘线检测结果E中选择库位线检测结果L中对应的库位边界线，并对两个检测结果中的对应的库位边界线进行拟合，拟合直线的起始位置和终止位置，如果拟合结果中起始位置和终止位置离车辆位置的距离均大于10米，则将库位线检测结果L作为最终结果，否则选择边缘线检测结果E为最终结果。需要说明的是，对于库位线检测结果L和边缘线检测结果E中对应库位边界线的拟合过程，可以参照现有技术实现，本发明对此不做限定。
经过上述处理后，再次判断是否能够得到实际库位的两条目标库位边界线，如果是，则基于上述最终的检测结果直接生成相应实际库位的库位中心线。如果仍然不能得到实际库位的两条目标库位边界线，可以获取相应库位的历史检测识别结果，将历史识别结果对应的库位边界线更新到检测结果中，并进一步计算库位中心线，然后再判别基于历史识别结果计算得到的库位中心线与历史记录的该实际库位的库位中心线的偏离量，如果所得偏离量小于预设值，则将计算得到的库位中心线作为最终结果；相反的，如果所得偏离量不小于预设值，确定无法得到实际库位的库位中心线，退出当前定位过程。
可以想到的是，上述库位中心线的确定过程，适用于库位图片中包括的全部实际库位，在实际应用中，可以分别针对库位图片中包括的每一个实际库位，采用上述方法确定库位中心线。
S120、基于库位类型和车辆的当前位姿，在库位地图预标记的多个库位中确定参考库位。
得到库位类型后，需要进一步结合库位类型和车辆的当前位姿，在库位地图预标记的多个库位中确定参考库位。
可选的，首先在区域范围上减小库位地图中待选库位的数量。具体做法是，在库位地图中，将以车辆的当前位置为中心、以预设距离为半径范围内的库位作为初选库位，从而排除半径范围以外的库位。
进一步的，基于前述步骤确定的库位类型和车辆的当前姿态，确定车辆的预期入库方向，比如，如果车辆行驶方向直接对应实际库位的物理边缘线，说明此时车辆不可能越过物理边缘线泊入库位，则可以将位于车头方向且物理边缘线靠近车头的初选库位排除，从而进一步缩小范围。
在实际应用中，库位内虽然没有车辆泊入，但有可能存在其他障碍物，因此，还需要进一步排除存在障碍物的初选库位。可选的，可以通过车载超声波检测各初选库位内外的障碍物信息，直接将库位内存在影响泊车入库的初选库位删除，最后，将初选库位中满足预期入库方向且库位内不存在障碍物的初选库位作为候选库位，以便进一步依据预设库位选择规则，在候选库位中确定参考库位。
在经过前述筛选步骤后，可以确定数量较少的候选库位，对于在候选库位中如何确定最终的参考库位，本发明实施例给出一种可选的实现方式。具体的，在预设时长内检测驾驶员输入的库位选择指令，如果在预设时长内检测到库位选择指令，则以驾驶员的实际选择为准，将库位选择指令选定的候选库位作为参考库位；相反的，如果在预设时长内没有检测到库位选择指令，则基于车辆的当前位置，确定车辆与各候选库位之间的距离，并将各候选库位中距离车辆的当前位置最近的候选库位作为参考库位。
S130、生成车辆由当前位姿至参考库位的泊车轨迹线。
可选的，对于生成车辆由当前位姿至参考库位的泊车轨迹线的具体实现方法，可以参照现有技术中的自动泊车系统实现，本发明对此不做限定。
S140、将各实际库位中库位中心线与泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。
经过前述操作步骤，已经得到库位图片中各个实际库位的库位中心线，在本步骤中需要针对每一个实际库位，计算该实际库位的库位中心线与前述泊车轨迹线之间的偏差。具体的，可以采用如下公式计算：
其中，a代表在预设坐标系中库位中心线起始点的纵向坐标值；
b代表在预设坐标系中库位中心线终止点的纵向坐标值；
D（x）代表库位中心线上的点到前述泊车轨迹线的最短距离。
在得到各实际库位的库位中心线相对于泊车轨迹线的偏差之后，将各实际库位中库位中心线与泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。
可选的，还可以进一步基于目标停车库位修正前述步骤得到泊车轨迹线，比如，每隔0.1米从库位中心线的起始到终止点位置取点，计算点的横向值与轨迹路径线对应点的纵向的横向值的均值，作为泊车轨迹线修正后的位置，修正后的泊车轨迹线以供自动泊车过程中使用。
综上所述，本发明提供的库位定位方法，结合库位图片、车辆位姿，以及库位地图等多方面的定位信息实现目标停车库位的定位，与现有技术中依靠单一定位信息定位停车库位的方法相比，能够有效提高库位定位精度，有助于提高自动泊车的成功率。
进一步的，本发明实施例提供的库位定位方法，主要依赖于车辆自身设置的传感器设备以及图像采集设备实现，可以在不增加任何设备的情况下进行精确的库位定位，可以有效的降低定位成本。
可选的，下面对库位识别模型对应的神经网络以及训练样本的准备过程进行简要介绍。
可选的，利用车载后视摄像头采集库位点视频，之后切割采集得到的库位点视频，记录切割的开始帧号和结束帧号，命名为“视频名_开始帧号_结束帧号”。
进一步的，筛选库位点视频里包含实际库位的图片，帧号扩展为5位数字，图片名命名格式为“场景名_视频名_开始帧号_结束帧号_图片帧号”，同时，关联库位点视频和库位图片，生成关联列表便于以后查找。
得到库位图片之后，库位图片进行库位类型标注, 并对人工库位线和物理边缘线进行区分和标记。具体的，对明显的库位线（白线或黄线，约5到50厘米宽度）进行图像标注，从库位线的一端的中心点位置按顺序到另一端中心点位置连成一条线，保证这条线位于库位线的中心位置，同时对人工库位线赋予唯一的序号标签；对与物理边缘线，针对明显接近库位边界一侧的凸起边缘进行图像标注，标注规则为：从边缘的一端按顺序到另一端位置连线一条线，保证线紧贴边缘处，同时对物理边缘线赋予唯一的序号标签。经过这些处理，即可最终得到训练样本
对于神经网络，本实施例中选用U-Net网络，以此网络训练库位识别模型。具体的，并使用开源的mmcv库，Backbone使用的是XceptionV4网络，Neck使用的是XceptionV4Neck网络，输出网络有检测人工库位线的Line、检测物理边缘线的EdgeLine，以及检测库位类型的CaseClass三个输出，具体的网络结构见图2所示。
基于上述搭建好的网络结构，导入训练样本，对神经网络中的参数进行修正，最终得到库位识别模型。对于模型的具体训练过程，可以参照现有技术实现，本发明对此不做限定。
下面对本发明实施例提供的库位定位装置进行介绍，下文描述的库位定位装置可以认为是为实现本发明实施例提供的库位定位方法，在中央设备中需设置的功能模块架构；下文描述内容可与上文相互参照。
可选的，参见图3，图3是本发明实施例提供的一种库位定位装置的结构框图，该装置包括：
获取单元10，用于获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图；
第一确定单元20，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线；
第二确定单元30，用于基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位；
生成单元40，用于生成所述车辆由所述当前位姿至所述参考库位的泊车轨迹线；
第三确定单元50，用于将各所述实际库位中所述库位中心线与所述泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位。
可选的，所述第一确定单元20，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线时，具体包括：
调用预训练的库位识别模型，其中，所述库位识别模型以库位图片为训练样本，以所述库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到；
将所述实际库位的库位图片输入所述库位识别模型，得到各所述实际库位的库位类型和库位边界线；
根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线。
可选的，所述库位边界线包括人工库位线和物理边缘线，所述第一确定单元20，用于根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线，具体包括：
针对每一所述实际库位，在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线；
基于所述两条目标库位边界线确定所述实际库位的在库位长度方向上的库位中心线。
可选的，，所述当前位姿包括当前姿态和当前位置，所述第二确定单元30，用于基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位，具体包括：
在所述库位地图中，将以所述当前位置为中心、以预设距离为半径范围内的库位作为初选库位；
基于所述库位类型和所述当前姿态，确定所述车辆的预期入库方向；
将所述初选库位中满足所述预期入库方向且库位内不存在障碍物的初选库位作为候选库位；
依据预设库位选择规则，在所述候选库位中确定参考库位。
可选的，所述第二确定单元30，用于依据预设库位选择规则，在所述候选库位中确定参考库位，具体包括：
在预设时长内检测库位选择指令；
若在所述预设时长内检测到所述库位选择指令，将所述库位选择指令选定的候选库位作为参考库位；
若在所述预设时长内未检测到所述库位选择指令，将所述候选库位中距离所述当前位置最近的候选库位作为参考库位。
可选的，所述第一确定单元20，用于在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线，具体包括：
判断所述实际库位的人工库位线中是否包括两条在库位长度方向上的人工库位线；
若所述实际库位的人工库位线中包括两条在库位长度方向上的人工库位线，将所述在库位长度方向上的两条人工库位线作为目标库位边界线；
若所述实际库位的人工库位线中不包括两条在库位长度方向上的人工库位线，基于所述实际库位的物理边缘线确定所述目标库位边界线。
可选的，参见图4，图4是本发明实施例提供的另一种库位定位装置，在图3所示实施例的基础上，该装置还包括：
修正单元60，用于基于所述目标停车库位，修正所述泊车轨迹线。
参见图5，图5为本发明实施例提供的车载设备的结构框图，参见图5所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图3所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；
处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300，存储有应用程序，可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
其中，处理器100具体用于执行存储器内的应用程序，以实现上述所述的库位定位方法的任一实施例。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种库位定位方法，其特征在于，包括：
获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图；
根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线；
基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位；
生成所述车辆由所述当前位姿至所述参考库位的泊车轨迹线；
将各所述实际库位中所述库位中心线与所述泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位；
其中，所述当前位姿包括当前姿态和当前位置，所述基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位，包括：
在所述库位地图中，将以所述当前位置为中心、以预设距离为半径范围内的库位作为初选库位；
基于所述库位类型和所述当前姿态，确定所述车辆的预期入库方向；
将所述初选库位中满足所述预期入库方向且库位内不存在障碍物的初选库位作为候选库位；
依据预设库位选择规则，在所述候选库位中确定参考库位。
2.根据权利要求1所述的库位定位方法，其特征在于，所述根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线，包括：
调用预训练的库位识别模型，其中，所述库位识别模型以库位图片为训练样本，以所述库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到；
将所述实际库位的库位图片输入所述库位识别模型，得到各所述实际库位的库位类型和库位边界线；
根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线。
3.根据权利要求2所述的库位定位方法，其特征在于，所述库位边界线包括人工库位线和物理边缘线，所述根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线，包括：
针对每一所述实际库位，在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线；
基于所述两条目标库位边界线确定所述实际库位的在库位长度方向上的库位中心线。
4.根据权利要求1所述的库位定位方法，其特征在于，所述依据预设库位选择规则，在所述候选库位中确定参考库位，包括：
在预设时长内检测库位选择指令；
若在所述预设时长内检测到所述库位选择指令，将所述库位选择指令选定的候选库位作为参考库位；
若在所述预设时长内未检测到所述库位选择指令，将所述候选库位中距离所述当前位置最近的候选库位作为参考库位。
5.根据权利要求3所述的库位定位方法，其特征在于，所述在所述实际库位的人工库位线以及物理边缘线中，确定在库位长度方向上的两条目标库位边界线，包括：
判断所述实际库位的人工库位线中是否包括两条在库位长度方向上的人工库位线；
若所述实际库位的人工库位线中包括两条在库位长度方向上的人工库位线，将所述在库位长度方向上的两条人工库位线作为目标库位边界线；
若所述实际库位的人工库位线中不包括两条在库位长度方向上的人工库位线，基于所述实际库位的物理边缘线确定所述目标库位边界线。
6.根据权利要求5所述的库位定位方法，其特征在于，还包括：基于所述目标停车库位，修正所述泊车轨迹线。
7.一种库位定位装置，其特征在于，包括：
获取单元，用于获取包括至少一个实际库位的库位图片、车辆的当前位姿，以及预标记多个库位的库位地图；
第一确定单元，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线；
第二确定单元，用于基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位；
生成单元，用于生成所述车辆由所述当前位姿至所述参考库位的泊车轨迹线；
第三确定单元，用于将各所述实际库位中所述库位中心线与所述泊车轨迹线的偏差小于预设偏差阈值的实际库位，确定为目标停车库位；
其中，所述当前位姿包括当前姿态和当前位置，所述第二确定单元，用于基于所述库位类型和所述车辆的当前位姿，在所述库位地图预标记的多个库位中确定参考库位时，具体包括：
在所述库位地图中，将以所述当前位置为中心、以预设距离为半径范围内的库位作为初选库位；
基于所述库位类型和所述当前姿态，确定所述车辆的预期入库方向；
将所述初选库位中满足所述预期入库方向且库位内不存在障碍物的初选库位作为候选库位；
依据预设库位选择规则，在所述候选库位中确定参考库位。
8.根据权利要求7所述的库位定位装置，其特征在于，所述第一确定单元，用于根据所述库位图片确定所述实际库位的库位类型以及在库位长度方向上的库位中心线时，具体包括：
调用预训练的库位识别模型，其中，所述库位识别模型以库位图片为训练样本，以所述库位图片中预标记的库位类型、库位边界线为标签，训练神经网络得到；
将所述实际库位的库位图片输入所述库位识别模型，得到各所述实际库位的库位类型和库位边界线；
根据各所述实际库位的库位边界线，分别确定各所述实际库位的在库位长度方向上的库位中心线。
9.一种车载设备，其特征在于，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现权利要求1-6任一项所述的库位定位方法的步骤。
CN202011330907.6A 2020-11-24 2020-11-24 一种库位定位方法、装置及车载设备 Active CN112124304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011330907.6A CN112124304B (zh) 2020-11-24 2020-11-24 一种库位定位方法、装置及车载设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011330907.6A CN112124304B (zh) 2020-11-24 2020-11-24 一种库位定位方法、装置及车载设备

Publications (2)

Publication Number Publication Date
CN112124304A CN112124304A (zh) 2020-12-25
CN112124304B true CN112124304B (zh) 2021-02-05

Family

ID=73852279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011330907.6A Active CN112124304B (zh) 2020-11-24 2020-11-24 一种库位定位方法、装置及车载设备

Country Status (1)

Country Link
CN (1) CN112124304B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380068A (zh) * 2021-04-26 2021-09-10 安徽域驰智能科技有限公司 一种基于描述障碍物轮廓的泊车车位生成方法
CN113213054B (zh) * 2021-05-12 2023-05-30 深圳市海柔创新科技有限公司 取放货装置的调整方法、装置、设备、机器人及仓储系统
CN115479592A (zh) * 2022-08-30 2022-12-16 浙江国自机器人技术股份有限公司 库位标定方法、装置、系统、电子装置和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100974704B1 (ko) * 2007-04-30 2010-08-06 현대자동차주식회사 자동차의 주차 안내 방법
CN106585627B (zh) * 2016-11-07 2019-03-05 纵目科技（上海）股份有限公司 泊车辅助系统及汽车
CN110466502B (zh) * 2018-05-11 2020-12-08 广州汽车集团股份有限公司 一种代客泊车方法和装置
CN111016918B (zh) * 2018-10-10 2021-08-17 上海汽车集团股份有限公司 一种库位检测方法、装置和模型训练装置
CN109927716B (zh) * 2019-03-11 2020-11-10 武汉环宇智行科技有限公司 基于高精度地图的自主垂直泊车方法
CN110562244A (zh) * 2019-08-07 2019-12-13 武汉乐庭软件技术有限公司 一种基于目标停车位出库的自动泊车轨迹规划方法

Also Published As

Publication number Publication date
CN112124304A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112124304B (zh) 一种库位定位方法、装置及车载设备
EP3699048B1 (en) Travelling track prediction method and device for vehicle
CN111063202B (zh) 一种基于电子地图的智能泊车管理方法
US10885358B2 (en) Method for detecting traffic signs
CN102208036B (zh) 车辆位置检测系统
EP2372304B1 (en) Vehicle position recognition system
US8085984B2 (en) Image recognizing apparatus and method, and position determining apparatus, vehicle controlling apparatus and navigation apparatus using the image recognizing apparatus or method
EP1686537B1 (en) Image recognition apparatus and image recognition method
JP6045888B2 (ja) 車載画像処理装置
JP4923520B2 (ja) 車両位置推定装置、車両用走行支援装置及び車両位置推定方法
JP4902575B2 (ja) 道路標示認識装置、および道路標示認識方法
US11092442B2 (en) Host vehicle position estimation device
JP2006208223A (ja) 車両位置認識装置及び車両位置認識方法
US11042759B2 (en) Roadside object recognition apparatus
CN112455430A (zh) 无车位线的斜列车位的检测方法、泊车方法及泊车系统
JP4775658B2 (ja) 地物認識装置・自車位置認識装置・ナビゲーション装置・地物認識方法
CN112781600A (zh) 一种车辆导航方法、装置及存储介质
CN111539305B (zh) 一种地图构建方法及系统、车辆及存储介质
JP5549468B2 (ja) 地物位置取得装置、方法およびプログラム
CN117859041A (zh) 用于在泊车空间中支持车辆功能的方法和辅助装置和机动车
JP2021114059A (ja) リスク判定システム、リスク判定プログラム
JP2021128769A (ja) 渋滞検出システム
JP3646572B2 (ja) 道路状況判定装置
WO2023054655A1 (ja) 先行車両判定システム
JP3081788B2 (ja) 局地的位置把握装置

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