CN112874510B - 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法 - Google Patents

Abstract

本发明提供了一种基于半监督学习的自动编码器在自动泊车中车位探测的方法。该包括以下步骤：车载超声波传感器采集车位检测数据；数据预处理模块；构建初始的半监督学习自动编码器结构；模型训练阶段；模型测试及车位边界检测坐标确定模块。所述编码器采用四种目标约束，即权重衰减约束、稀疏正则化约束、重构损失约束、标签约束。该模型在无监督学习下能获得更加独特，局部的特征；此外在有监督下能生成输出与期望输出反馈有效地提取特征从属类别，已调整优化进度。编码器能提取数据集中有效特征，并通过分类网络以较高准确率和召回率分出边界点，最终以边界点密度最高处确定车位左右边界。因此，本发明能准确确定车位边界的需求。

Description

一种基于半监督学习的自动编码器在自动泊车中车位探测的 方法

技术领域

本发明应用于自动泊车领域，涉及到车载超声波传感器数据采集和处理，人工智能，及数学建模等技术，尤其运用半监督学习的自动编码器提取超声波传感器的本质边界特征和密度平均值数学建模技术确定车位边界，是车位探测的有效方法之一，是自动泊车后续路径规划，路劲跟踪的前提。

背景技术

如今，伴随着工业4.0时代的发展，人工智能技术在各行各业都具有广泛的应用，自动化将逐渐成为社会工业发展的必然。在智能汽车领域，同样由于计算机技术的迅速发展，使得汽车不断发展成网联化，智能化，便捷化，改变着人们的出行。人工智能在智能汽车上的发展一直在进步，从目标检测，到路径规划。正是人工智能结合自动化控制技术，形成了对外界环境感知能力的不断增强，具有不断学习的能力，这也离不开车载传感器和雷达的帮助，例如，车载距离传感器，GPS,激活雷达等。

随着经济的不断发展，人均汽车拥有率逐年上升，而增长趋势可能会一直延续。尽管汽车给人们生活带来极大的便利，但是也造成了出行拥堵的问题，尤其是在路边泊车时。显然，目前存在的一个尴尬问题是较多驾驶员拥有驾驶汽车的能力，却无法成功的泊车。如今，自动泊车系统已成为全国各大汽车厂商的卖点之一后，自动泊车技术的研究热度从未消散，也帮助了众多驾驶员解决泊车的问题，间接提高了交通效率。

然而，目前在自动泊车的初始化阶段，车位检测一直困扰着该技术的成熟。目前，无法通过超声波雷达较为准确的确定车位的具体位置，即车位的左右边界坐标。这个问题阻碍了后续泊车路径规划和跟踪技术的发展。为了更好的解决这个问题，本方法提出基于半监督学习的自动编码器提取泊车雷达返回的关键特征，以密度平均值法建模，从而较为准确的确定车位的边界坐标。

发明内容

本发明的目的在于，基于半监督学习的自动编码器，实现自动泊车中的车位边界坐标检测，建立一种更加高效，准确的自动泊车模型。

为了实现上述目的，本发明实施提供的技术方案如下：一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，包括以下步骤：

S1：在自动泊车模型中，首先通过车载超声波传感器采集和车位障碍物返回的时间戳，距离横坐标，距离纵坐标，回波宽度，回波峰值，并通过CANoe连接车载OBD-II端口导出构建初始数据集；此外，计算横纵坐标的梯度和梯度变化率；

S2：训练基于半监督学习的自动编码器，该编码器包括输入层，隐藏层和输出层；输入层接收n个样本

并输入到d维输入空间中，并且每个样本由x_i＝[x_i1，x_i2，...，x_id]^T∈R^d组成；隐藏层通过编码器函数得到y_i＝f_θ(x_i)＝s(Wx_i+b)，即将输入样本x_i映射到l维的隐藏层中；f_θ代表对输入值的加权计算并激活实现非线性化；输出层，通过解码器函数得到z_i＝g_θ(y_i)＝s(W′y_i+b′)，即从z_i恢复x_i，g_θ代表对隐藏层特征的加权计算和激活实现非线性化；编码器和解码器步骤表达如下，其中隐藏层的权重和偏置表示为W，b，而W′和b′则是解码器的权重和偏置；本方法通过X＝[x₁，x₂，...，x_n]∈R^d×n，Y＝[y₁，y₂，...，y_n]∈R^|×n，及Z＝[z₁，z₂，...，z_n]∈R^d×n分别表示输入层、隐藏层、输出层的样本特征矩阵，s代表激活函数；a₁，a₂分别代表输入层和隐藏层的线性加权计算；

a₁＝Wx_i+b，y_i＝s(a₁)

a₂＝W′y_i+b′，z_i＝s(a₂)

S3：基于训练完成的自动编码器的编码器部分，提取一次车位检测的数据集合特征，样本数为n，通过自动编码器能提取较为独特，边界局部的数据本质特征，因此，可以得到一次泊车n个样本

的特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n；

S4：将S3提取的样本特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n输入到浅层网络中，对每个坐标分类，判断是否是边界点；通过密度平均值法确定车位最终边界坐标，当分类网络将一次泊车的所有点分类后，车辆得到边界点的个数，并计算连续边界点的密度，从而以密度最高的车位左右两处边界集合为车位边界坐标集合，并计算平均值，确定为最终的车位边界坐标。

进一步，通过计算横纵坐标的梯度和梯度变化率，计算梯度公式如下，其中Y_i和Y_i-1代表超声波测距传感器反射回的与障碍物的距离值，X_i和X_i-1代表车辆移动的距离差；梯度变化率计算公式如下，其中G_i和G_i-1为当前时刻梯度值，X_i和X_i-1代表车辆移动的距离差：

Grad_i＝Y_i-Y_i-1/X_i-X_i-1

V_i＝G_i-G_i-1/X_i-X_i-1

进一步，所述步骤S2中还包括：采用了无监督学习，并引入了有监督学习以建立标签对模型的约束，引入权重约束损失，在无监督学习过程中，在输入层和隐藏层引入稀疏正则化约束损失，从而通过激活少数神经网络的方法提取更加本质的特征：

对于权重约束损失，计算公式如下，其中J_wd定义的是整个权重和在输入层到隐藏层间，W_ji代表第i维，第j个的权重值：

对于稀疏正则化损失，计算公式如下，其中n表示样本数，a_j(x_i)表示关于第j个神经元对第i个样本x_i的激活值，此外，通过KL散度计算平均激活概率

和稀疏参数p之间的相似性：

对于标签约束损失，其目的是通过有监督学习，根据Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵，连接分类函数，得到分类输出，并计算与期望输出的误差，计算公式如下，其中L为实际输出标签，而T为期望输出标签：

对于重构损失约束，其目的是通过解码器将隐藏层Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵重构输入样本矩阵，得到Z＝[z₁，z₂，...，z_n]∈R^d×n，因此重构损失公式如下：

因此，引入四种目标函数约束，将帮助自动编码器提取更丰富的特征及减少网络拟合的迭代次数，最终改进的目标函数如下所示，其中λ，β和γ为三个常量系数，分别用于平衡四种约束之间的关系，即重要程度；J_sparsee代表稀疏正则化约束损失；则有：

J_LSRAE＝J_AE+λJ_wd+βJ_sparse+γJ_label。

进一步，所述通过密度平均值法确定车位最终边界坐标中，定义边界概率p_b，遍历一组泊车数据的分类结果，计算连续边界的密度，计算公式，其中c_i为第i个联系确定边界可能点集合，sum代表一次泊车总共的坐标数，则有：

进一步，所述确定为最终的车位边界坐标的过程为：以中心坐标为界，选取左右两边区域密度最大的边界集合，最后，采用平均坐标值法，计算最终车位的左右边界，其中

为水平坐标平均值，

为垂直障碍物距离，即纵坐标障碍物平均值：

进一步，本方法采集了两种不同车位的数据集，其中一组为垂直车位数据集，另一组为水平车位数据集。

本发明具有如下有益效果：

本发明基于半监督学习的自动编码器设计了自动泊车的车位检测方法，建立一种更加准确，高效的车位边界坐标确定方法。该方法不仅能充分的提取泊车数据的边界特征，还能通过特征准确分类出最终边界点，并最终以密度平均值法确立车位边界坐标。本方法为后续自动泊车的路径规划，路径跟踪做了准确的保证，从而提高了自动泊车的成功率和效率。该方法非常适合城市道路的侧方位车位，以及商场的垂直车位，具有良好的应用价值。

附图说明

图1为本发明具体实施方式中自动泊车车位检测流程图；

图2为本方面具体实施方式中采集数据的车位探测图；

图3为本发明基于半监督学习的自动编码器模型图；

图4为本发明具体实施方式中自动泊车边界坐标检测图；(a)为水平车位边界检测；(b)为垂直车位边界检测；

图5为本发明方法流程图。

具体实施方式

以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

如图5所示为本发明方法流程图，一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，包括：车载超声波传感器采集数据集；构建自动编码器模型；提取车位数据集特征，浅层分类网络确定边界坐标可能点；密度平均值法确定车位最终边界坐标。该方法适用于水平车位及垂直车位；

所述的车载超声波传感器采集数据集，本方法通过超声波传感器采集和车位障碍物返回的时间戳，距离横坐标，距离纵坐标，回波宽度，回波峰值，并通过CANoe连接车载OBD-II端口导出构建初始数据集。此外，计算横纵坐标的梯度和梯度变化率，能更好描述泊车轨迹特征，以减小泊车距离误差。

所述的构建自动编码器模型，该自动编码器包括输入层，隐藏层和输出层。此外，在目标损失函数上利用四种约束以更好的优化网络的权重和偏置，即权重衰减约束，系数正则化约束，重构损失约束，标签约束。

所述的提取自动泊车数据集特征，该方法利用训练好的编码器提取一次泊车数据的关键及丰富代表性的特征。因此，可以得到一次泊车n个样本

的特征Y＝[y₁，y₂，...，y_n]∈R^|×n；

所述的浅层分类网络确定边界坐标可能点，其特征在于，本方法选取softmax浅层分类网络。分类网络获取关键特征区分是正常障碍物返回点还是边界坐标返回点，属于二分类问题。

所述的密度平均值法确定车位最终边界坐标，当分类网络将一次泊车的所有点分类后，车辆得到边界点的个数，并计算连续边界点的密度，从而以密度最高的车位左右两处边界集合为车位边界坐标集合，并计算平均值，确定为最终的车位边界坐标。

所述的本方法适用于水平车位和垂直车位，本方法总共采集两组数据集，其中一组为垂直车位数据集，另一组为水平车位数据集。因此，本方法在两种车位上有一定适用性。

计算以返回的横纵坐标的梯度及梯度变化率，其计算公式如下，其中Y_i和Y_i-1代表超声波测距传感器反射回的与障碍物的距离值，X_i和X_i-1代表车辆移动的距离差：

Grad_i＝Y_i-Y_i-1/X_i-X_i-1

梯度变化率计算公式如下，其中G_i和G_i-1为当前时刻梯度值，X_i和X_i-1代表车辆移动的距离差：

V_i＝G_i-G_i-1/X_i-X_i-1

采集的所有数据集，由于不同的特征往往具有不同的量纲和量纲单位，这样会影响数据分析的结果，为了消除指标之间的影响，需对初始采集数据标准化处理，其计算公式如下，其中，X_max和X_min分别是样本要素的最大值和最小值：

构建的自动编码器模型，其特征在于包含输入层，隐藏层，输出层。所述输入层接收n个样本

并输入到d维输入空间中，并且每个样本由x_i＝[x_i1，x_i2，...，x_id]^T∈R^d组成；所述隐藏层，编码器函数y_i＝f_θ(x_i)＝s(Wx_i+b)将输入样本x_i映射到l维的隐藏层中；所述输出层，解码器函数z_i＝g_θ(y_i)＝s(W′y_i+b′)用于从z_i恢复x_i。编码器和解码器步骤被简洁的表达如下，其中隐藏层的权重和偏置表示为W，b，而W′和b′则是解码器的权重和偏置。本文通过X＝[x₁，x₂，...，x_n]∈R^d×n，Y＝[y₁，y2，...，y_n]∈R^|×n，及Z＝[z₁，z₂，...，z_n]∈R^d×n分别表示输入层、隐藏层、输出层的样本特征矩阵，s代表激活函数。

a₁＝Wx_i+b，y_i＝s(a₁)

a₂＝W′y_i+b′，z_i＝s(a₂)

提出的四项目标函数约束，即权重衰减约束，系数正则化约束，重构损失约束，标签约束，具体如下：

11.1.对于权重衰减损失，其目的是防止网络过拟合问题发生，计算公式如下，其中J_wd定义的是整个权重和在输入层到隐藏层间：

11.2.对于稀疏正则化损失，其目的是在无监督学习下，编码器能较好的通过少数神经元的激活获取数据的本质特征。由于数据分布的不均匀，边界点坐标比例少，模型更更应该关注车位边界处特征。因此，稀疏正则化能帮助模型提取关键局部特征，计算公式如下，其中n表示样本数，a_j(x_i)表示关于第j个神经元对第i个样本x_i的激活值，此外，通过KL散度计算平均激活概率

和稀疏参数ρ之间的相似性：

11.3.对于标签约束损失，其目的是通过有监督学习，根据Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵，连接分类函数，得到分类输出，并计算与期望输出的误差，计算公式如下，其中L为实际输出标签，而T为期望输出标签：

11.4.对于重构损失约束，其目的是通过解码器将隐藏层Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵重构输入样本矩阵，得到Z＝[z₁，z₂，...，z_n]∈R^d×n。因此重构损失公式如下：

上述密度确定边界点集合，其方法为，定义边界概率p_b，遍历一组泊车数据的分类结果，计算连续边界的密度，计算公式，其中c_f为第i个联系确定边界可能点集合，sum代表一次泊车总共的坐标数：

上述最终确定泊车车位边界坐标，其方法为，以中心坐标为界，选取左边区域密度最大的边界集合，和右边区域密度最大的集合。最后，采用平均坐标值法，计算最终车位的左右边界，其中

为水平坐标平均值，

为垂直障碍物距离，即纵坐标障碍物平均值：

参图1所示，一种基于半监督学习的自动编码器在自动泊车中车位探测的方法流程图，包含了数据集的采集，模型的训练，模型的测试，及模型的应用，以完成最终的车位探测，坐标确定。

参图2所示，超声波传感器采集的车位探测图，以水平车位为例，红色点代表实际边界坐标，黑色点代表正常障碍物坐标，以帮助更好理解车位探测原理。

参图3所示，基于半监督学习的自动编码器模型图，包括了输入层，隐藏层，输出层。此模型通过四项约束完成反向传播中的参数优化，从而使模型最终趋向拟合，以获取更加准确的特征。

参图4所示，基于训练好的编码器模型，编码器可以提取深度特征，并基于分类网络将一次泊车的数据集合判断哪些是可能的数据点，其中F代表判断为边界点的坐标，T代表模型判断为正常障碍物点的坐标。

由以上实施方式可以看出，与现有技术相比，一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，该方法能够满足如今自动泊车中车位坐标准确确定的需求。该方法不仅可应用于水平车位，同样可以应用于垂直车位，将推动自动泊车技术进一步发展。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，包括以下步骤：

S1：在自动泊车模型中，首先通过车载超声波传感器采集车位障碍物返回的时间戳，距离横坐标，距离纵坐标，回波宽度，回波峰值，并通过总线分析软件CANoe连接第二代车载诊断系统OBD-II端口导出构建初始数据集；此外，计算横纵坐标的梯度和梯度变化率；

S2：训练基于半监督学习的自动编码器，该编码器包括输入层，隐藏层和输出层；输入层接收n个样本

并输入到d维输入空间中，并且每个样本由x_i＝[x_i1，x_i2，...，x_id]^T∈R^d组成；隐藏层通过编码器函数得到y_i＝f_θ(x_i)＝s(Wx_i+b)，即将输入样本x_i映射到l维的隐藏层中；f_θ代表对输入值的加权计算并激活实现非线性化；输出层，通过解码器函数得到z_i＝g_θ(y_i)＝s(W′y_i+b′)，即从z_i恢复x_i，g_θ代表对隐藏层特征的加权计算和激活实现非线性化；编码器和解码器步骤表达如下，其中隐藏层的权重和偏置表示为W，b，而W′和b′则是解码器的权重和偏置；本方法通过X＝[x₁，x₂，...，x_n]∈R^d×n，Y＝[y₁，y₂，...，y_n]∈R^|×n，及Z＝[z₁，z₂，...，z_n]∈R^d×n分别表示输入层、隐藏层、输出层的样本特征矩阵，s代表激活函数；a₁，a₂分别代表输入层和隐藏层的线性加权计算；

a₁＝Wx_i+b，y_i＝s(a₁)

a₂＝W′y_i+b′，z_i＝s(a₂)

S3：基于训练完成的自动编码器的编码器部分，提取一次车位检测的数据集合特征，样本数为n，通过自动编码器能提取较为独特，边界局部的数据本质特征，因此，可以得到一次泊车n个样本

的特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n；

S4：将S3提取的样本特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n输入到浅层网络中，对每个坐标分类，判断是否是边界点；通过密度平均值法确定车位最终边界坐标，当分类网络将一次泊车的所有点分类后，车辆得到边界点的个数，并计算连续边界点的密度，从而以密度最高的车位左右两处边界集合为车位边界坐标集合，并计算平均值，确定为最终的车位边界坐标。

2.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，通过计算横纵坐标的梯度和梯度变化率，计算梯度公式如下，其中Y_i和Y_i-1代表超声波测距传感器反射回的与障碍物的距离值，X_i和X_i-1代表车辆移动的距离差；梯度变化率计算公式如下，其中G_i和G_i-1为当前时刻梯度值，X_i和X_i-1代表车辆移动的距离差：

Grad_i＝Y_i-Y_i-1/X_i-X_i-1

V_i＝G_i-G_i-1/X_i-X_i-1。

3.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，所述步骤S2中还包括：采用了无监督学习，并引入了有监督学习以建立标签对模型的约束，引入权重约束损失，在无监督学习过程中，在输入层和隐藏层引入稀疏正则化约束损失，从而通过激活少数神经网络的方法提取更加本质的特征：

对于权重约束损失，计算公式如下，其中J_wd定义的是整个权重和在输入层到隐藏层间，W_ji代表第i维，第j个的权重值：

对于稀疏正则化损失，计算公式如下，其中n表示样本数，a_j(x_i)表示关于第j个神经元对第i个样本x_i的激活值，此外，通过KL散度计算平均激活概率

和稀疏参数ρ之间的相似性：

对于标签约束损失，其目的是通过有监督学习，根据Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵，连接分类函数，得到分类输出，并计算与期望输出的误差，计算公式如下，其中L为实际输出标签，而T为期望输出标签：

对于重构损失约束，其目的是通过解码器将隐藏层Y＝[y₁，y₂，...，y_n]∈R^|×n样本特征矩阵重构输入样本矩阵，得到Z＝[z₁，z₂，...，z_n]∈R^d×n，因此重构损失公式如下：

因此，引入四种目标函数约束，将帮助自动编码器提取更丰富的特征及减少网络拟合的迭代次数，最终改进的目标函数如下所示，其中λ，β和γ为三个常量系数，分别用于平衡四种约束之间的关系，即重要程度；J_sparse代表稀疏正则化约束损失；则有：

J_LSRAE＝J_AE+λJ_wd+βJ_sparse+γJ_label。

4.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，所述通过密度平均值法确定车位最终边界坐标中，定义边界概率p_b，遍历一组泊车数据的分类结果，计算连续边界的密度，计算公式，其中c_i为第i个联系确定边界可能点集合，sum代表一次泊车总共的坐标数，则有：

5.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，所述确定为最终的车位边界坐标的过程为：以中心坐标为界，选取左右两边区域密度最大的边界集合，最后，采用平均坐标值法，计算最终车位的左右边界，其中

为水平坐标平均值，

为垂直障碍物距离，即纵坐标障碍物平均值：

6.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，本方法采集了两种不同车位的数据集，其中一组为垂直车位数据集，另一组为水平车位数据集。

Images