CN113251962B - 基于机器学习的超声波车位补偿系统 - Google Patents

基于机器学习的超声波车位补偿系统 Download PDF

Info

Publication number
CN113251962B
CN113251962B CN202110338127.4A CN202110338127A CN113251962B CN 113251962 B CN113251962 B CN 113251962B CN 202110338127 A CN202110338127 A CN 202110338127A CN 113251962 B CN113251962 B CN 113251962B
Authority
CN
China
Prior art keywords
sample
parking space
vehicle
real
curvature
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
CN202110338127.4A
Other languages
English (en)
Other versions
CN113251962A (zh
Inventor
吕敏
丁智
李超
王继贞
田锋
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.)
Inbo Supercomputing Nanjing Technology Co Ltd
Original Assignee
Inbo Supercomputing Nanjing 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 Inbo Supercomputing Nanjing Technology Co Ltd filed Critical Inbo Supercomputing Nanjing Technology Co Ltd
Priority to CN202110338127.4A priority Critical patent/CN113251962B/zh
Publication of CN113251962A publication Critical patent/CN113251962A/zh
Application granted granted Critical
Publication of CN113251962B publication Critical patent/CN113251962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/08—Systems for measuring distance only
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于机器学习的超声波车位补偿系统，包括模型训练策略和车位宽度补偿策略。超声波车位是通过检测两个物体之间的区域来实现的，而物体的轮廓形状将影响车位检测。本发明通过提取车位边缘周围的超声波探头数据(边缘的探头数据就是车位两侧物体的轮廓)，来检测这些车位边缘探头数据之间的变化趋势来判断是否是一个弧面以及弧面的形状，根据弧面的形状计算出车位需要补偿值。同一个车位边缘弧面形状会和目标车辆速度、行驶角度、离车位的横向距离有直接关系，因此需要在上述不同条件下采集样本数据并通过决策树训练出模型，部署模型后的车位检测将直接通过模型获取到需要补偿的车位边缘误差值。

Description

基于机器学习的超声波车位补偿系统
技术领域
本发明涉及超声车位补偿技术领域，尤其是涉及一种基于机器学习的超声波车位补偿系统。
背景技术
倒车雷达所采用的超声测距传感器一般采用大波束角设计，旨在扩大探测范围，但同时也产生了干扰信号，增加了虚警概率。待泊车车辆侧面设有超声测距传感器，在通过超声测距传感器测定两侧均已停放车辆的空车位的车位宽度时，待泊车车辆需要从其中一辆已停放车辆的外侧行驶到另外一辆已停放车辆的外侧(可将这个过程定义为泊车数据采集过程)，并在泊车数据采集过程中实时获得超声测距传感器测得的与已停放车辆之间的距离信息，根据采集到的距离信息来计算空车位的宽度。但超声波车位检测中，由于超声波分辨率低，不能够输出物体的真实位置，特别是遇到有弧面的物体时，检测物体的边缘极为不准确(如图1所示，ΔX为检测物体边缘的误差值，ΔY为距离物体的横向距离)。而目前市面上车辆两侧都是有弧面的，因此当检测到空车位(两侧有车)的时候，会导致检测出来的空车位宽度比实际车位的宽度要窄很多(如图2所示)，车位位置和尺寸计算误差大，真实有效车位的检测率低。
发明内容
本发明的目的在于提供了一种可根据已停放在空车位两侧的车辆的具体情况和待泊车车辆的具体情况智能化得到超声测距传感器测定空车位宽度的测量误差值，从而计算得到非常接近空车位真实宽度的基于机器学习的超声波车位补偿系统。
为实现上述目的，本发明采取的技术方案为：基于机器学习的超声波车位补偿系统，包括模型训练策略和车位宽度补偿策略，所述模型训练策略包括样本信息输入步骤、样本曲率拟合步骤、样本误差值获取步骤和模型训练步骤；
所述样本信息输入步骤，控制待泊车车辆根据设定的样本里程信息行驶，所述样本里程信息反映待泊车车辆在泊车数据采集过程中的行驶路线，并且获得超声测距传感器测得的若干样本距离；
所述样本曲率拟合步骤，根据所述样本里程信息和所述样本距离拟合得到空车位两侧车辆的曲率作为第一样本曲率和第二样本曲率；
所述样本误差值获取步骤，获得车位实际宽度和超声波测距传感器测得的车位检测宽度作为样本检测宽度，根据所述车位实际宽度和所述样本检测宽度得到样本边缘误差值；
所述模型训练步骤，根据第一样本曲率、第二样本曲率和已知的样本里程信息生成样本索引信息，关联样本索引信息和样本边缘误差值以生成训练模型；
所述车位宽度补偿策略包括行驶状态监测步骤、实测曲率拟合步骤和补偿车位宽度获取步骤；
所述行驶状态监测步骤，实时获得待泊车车辆在泊车数据采集过程中的里程信息作为实时里程信息，并且获得超声测距传感器实时测得的实时距离；
所述实测曲率拟合步骤，根据所述实时里程信息和所述实时距离拟合得到空车位两侧车辆的曲率作为第一实测曲率和第二实测曲率；
所述补偿车位宽度获取步骤，根据所述实时里程信息、所述第一实测曲率和所述第二实测曲率生成实测索引信息，根据所述实测索引信息在所述训练模型中调取对应的样本边缘误差值作为实际边缘误差值，获得超声波测距传感器测得的车位检测宽度，根据所述实际边缘误差值和所述车位检测宽度得到补偿车位宽度。
超声波车位是通过检测两个物体之间的区域来实现的，而物体的轮廓形状将影响车位检测。提取车位边缘周围的超声波探头数据(边缘的探头数据就是车位两侧物体的轮廓)，检测这些车位边缘探头数据之间的变化趋势来判断是否是一个弧面以及弧面的形状，根据弧面的形状计算出车位需要补偿值。同一个车位边缘弧面形状会和目标车辆速度、行驶角度、离车位的横向距离有直接关系，因此需要在不同车速、行驶角度、横向距离和车位边缘物体的轮廓弧面情况下采集样本数据，样本数据为(边缘弧面曲率、当前车速、行驶角度、横向距离、实际车位补偿值)，通过决策树训练出模型，部署模型后的车位检测将直接通过模型获取到需要补偿的车位边缘误差值。
本发明通过事先设定车辆泊车时超声测距传感器测定空车位宽度所会面临的条件(边缘弧面曲率、当前车速、行驶角度、横向距离)，并且准确测定实际车位补偿值，将这些样本数据输入模型，对样本数据进行特征属性分类，得到训练成熟的模型。在实际采用本发明方法计算边缘误差值时，将采集的测量条件(待泊车车辆的里程信息和对应时刻超声测距传感器测得的距离信息)输入到训练成熟的模型中，快速得到对应的边缘误差值，进而得到补偿车位宽度。本发明方法所需计算量小，且测定的结果非常接近车位真实宽度。
作为优选，在所述实测曲率拟合步骤中，根据所述实时里程信息和所述实时距离确定检测点实时位置信息，所述检测点实时位置信息反映已停放车辆弧面上被超声测距传感器测定的位置，拟合位于空车位一侧的若干所述检测点实时位置信息得到所述第一实测曲率，拟合位于空车位另一侧的若干所述检测点实时位置信息得到所述第二实测曲率。只需要设置一个超声测距传感器即可获得空车位两侧的已停放车辆的弧面的曲率。且该超声测距传感器一直处于固定的位置和设置角度(垂直于车辆行驶方向)，根据该超声测距传感器测定的距离信息计算曲率，所涉及的计算量和计算难度远小于设置多个超声测距传感器的方案。再者在泊车数据采集过程中，该超声测距传感器一直以较小的时间间隔获得距离信息，拟合得到的曲率非常接近真实值。
作为优选，在所述行驶状态监测步骤中，当车辆选择泊车功能时，将待泊车车辆位置设置为原点构建全局坐标系，在待泊车车辆的长度方向上设置X轴，在垂直于待泊车车辆的长度方向上设置Y轴；
根据所述实时里程信息得到不同时刻待泊车车辆在所述全局坐标系中的坐标作为车辆实时坐标，根据所述车辆实时坐标和所述实时距离得到探测点的坐标作为探测实时坐标；
在所述实测曲率拟合步骤中，计算相邻时刻的所述探测实时坐标的横坐标的差值得到坐标变化值，若所述坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第一时刻，并且将所述第一时刻前纵坐标数值最小的所述探测实时坐标对应的时刻作为第二时刻，将第一时刻和第二时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第一实测曲率；若再次检测到坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第三时刻，并且将所述第三时刻后纵坐标数值最小的所述探测实时坐标对应的时刻作为第四时刻，将第三时刻和第四时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第二实测曲率。通过设置全局坐标系的方式，将实时里程信息和实时距离进行数据简化，只保留对曲率计算有用的x轴方向上的数据，在不降低计算准确率的前提下减少了计算量。且将只需计算对边缘误差值有影响的靠近空车位一侧的曲率，不仅减少了计算量还提高了实时边缘误差值的精确度。
作为优选，所述样本里程信息包括样本车速、样本行驶角度和Y轴方向上待泊车车辆与已停放车辆之间的样本距离。限定了样本里程信息的数据类型，简化了样本里程信息所需模拟的数据量。
作为优选，在所述样本信息输入步骤中，将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率分别设定训练范围，并将训练范围进一步划分为若干训练区间并进行排列组合并重复模型训练策略。将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率限定为实际泊车可能会遇到的情况，排除不符合实际场景的条件，减少训练的计算量且提高模型的合理性。将上述条件均细分为不同区间，并进行随机的排列组合，得到丰富的训练样本，确保实际测定时待泊车车辆所面临的条件，模型已经训练过，得到补偿车位宽度的准确度高。
作为优选，将车速、行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的距离和目标车位边缘车辆的轮廓弧面曲率分别设定训练范围，并将训练范围进一步划分为若干训练区间，将不同训练区间的车速、行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的距离和目标车位边缘车辆的轮廓弧面曲率进行排列组合并重复模型训练策略。将车速、行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的距离和目标车位边缘车辆的轮廓弧面曲率限定为实际泊车可能会遇到的情况，排除不符合实际场景的条件，减少训练的计算量且提高模型的合理性。将上述条件均细分为不同区间，并进行随机的排列组合，得到丰富的训练样本，确保实际测定时待泊车车辆所面临的条件，模型已经训练过，得到补偿车位宽度的准确度高。
作为优选，所述样本车速限定在0～25Km/h范围内，所述样本行驶角度为与Y轴的偏差角度，所述样本行驶角度限定在-5～5°。
作为优选，所述Y轴方向上待泊车车辆与已停放车辆之间的样本距离限定在0～2m。
作为优选，所述目标车位边缘车辆的实际轮廓弧面曲率限定在0.1～1。
作为优选，在所述实测曲率拟合步骤中，采用最小二乘法拟合三次多项式曲线：y＝a0+a1x+a2x2+a3x3，拟合后的曲线的曲率计算公式为；
Figure GDA0003571965270000071
其中，x为探测实时坐标的横坐标，k为曲率。根据超声波传感器测定的距离信息得到的探测点的坐标数据为点数据，通过最小二乘法来拟合这些离散的点，拟合了之后就可以根据曲线来补线。并且通过最小化误差的平方来寻求数据的最佳函数匹配，从而使得拟合出的曲线弧度与车辆的实际边缘弧度偏差度极小，提高计算得到的曲率的精确度。
作为优选，所述训练模型为C4.5决策树模型进行训练。C4.5决策树模型具有可读性，计算量小，分类速度快。
与现有技术相比，本发明的有益效果为：本发明通过事先设定车辆泊车时超声测距传感器测定空车位宽度所会面临的条件(如边缘弧面曲率、当前车速、行驶角度、横向距离)，并且准确测定实际车位补偿值，将这些样本数据输入模型，对样本数据进行特征属性分类，得到训练成熟的模型。在实际采用本发明方法计算边缘误差值时，将采集的测量条件(待泊车车辆的里程信息和对应时刻超声测距传感器测得的距离信息)输入到训练成熟的模型中，快速得到对应的边缘误差值，进而得到补偿车位宽度。本发明方法所需计算量小，且测定的结果非常接近车位真实宽度。
附图说明
图1为背景技术超声波传感器检测误差示意图；
图2为检测车位与实际车位偏差说明示意图；
图3为全局坐标系构建说明示意图；
图4为模型训练策略流程图；
图5为车位宽度补偿策略流程图；
图6为弧面曲率拟合步骤中数据采集点说明示意图；
图7为检测车位的修正效果说明示意图；
图8为本发明基于机器学习的超声波车位补偿系统原理图。
附图标记说明如下：010、模型训练策略；011、样本信息输入步骤；012、样本曲率拟合步骤；013、样本误差值获取步骤；014、模型训练步骤；020、车位宽度补偿策略；021、行驶状态监测步骤；022、实测曲率拟合步骤；023、补偿车位宽度获取步骤。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底部”和“顶部”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
实施例1：
如图8所示，基于机器学习的超声波车位补偿系统，包括模型训练策略010和车位宽度补偿策略020，所述模型训练策略010包括样本信息输入步骤011、样本曲率拟合步骤012、样本误差值获取步骤013和模型训练步骤014；
如图4和图8所示，所述样本信息输入步骤011，控制待泊车车辆根据设定的样本里程信息行驶，所述样本里程信息反映待泊车车辆在泊车数据采集过程中的行驶路线，并且获得超声测距传感器测得的若干样本距离；
所述样本曲率拟合步骤012，根据所述样本里程信息和所述样本距离拟合得到空车位两侧车辆的曲率作为第一样本曲率和第二样本曲率；
所述样本误差值获取步骤013，获得车位实际宽度和超声波测距传感器测得的车位检测宽度作为样本检测宽度，根据所述车位实际宽度和所述样本检测宽度得到样本边缘误差值；
所述模型训练步骤014，根据第一样本曲率、第二样本曲率和已知的样本里程信息生成样本索引信息，关联样本索引信息和样本边缘误差值以生成训练模型；
如图5和图8所示，所述车位宽度补偿策略020包括行驶状态监测步骤021、实测曲率拟合步骤022和补偿车位宽度获取步骤023；
所述行驶状态监测步骤021，实时获得待泊车车辆在泊车数据采集过程中的里程信息作为实时里程信息，并且获得超声测距传感器实时测得的实时距离；
所述实测曲率拟合步骤022，根据所述实时里程信息和所述实时距离拟合得到空车位两侧车辆的曲率作为第一实测曲率和第二实测曲率；
如图7和图8所示，所述补偿车位宽度获取步骤023，根据所述实时里程信息、所述第一实测曲率和所述第二实测曲率生成实测索引信息，根据所述实测索引信息在所述训练模型中调取对应的样本边缘误差值作为实际边缘误差值，获得超声波测距传感器测得的车位检测宽度，根据所述实际边缘误差值和所述车位检测宽度得到补偿车位宽度。
实施例2：
与实施例1的不同之处在于，所述样本里程信息包括样本车速、样本行驶角度和Y轴方向上待泊车车辆与已停放车辆之间的样本距离。限定了样本里程信息的数据类型，简化了样本里程信息所需模拟的数据量。
具体地，在所述样本信息输入步骤011中，将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率分别设定训练范围，并将训练范围进一步划分为若干训练区间并进行排列组合并重复模型训练策略010。将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率限定为实际泊车可能会遇到的情况，排除不符合实际场景的条件，减少训练的计算量且提高模型的合理性。将上述条件均细分为不同区间，并进行随机的排列组合，得到丰富的训练样本，确保实际测定时待泊车车辆所面临的条件，模型已经训练过，得到补偿车位宽度的准确度高。
具体地，训练样本数据的采集将在限定条件下进行采集。
1、目标车辆的速度限定在0-25Km/h内，分为5个区间：[(0,5),(5,10),(10,15),(15,20),(20,25)]。
2、目标车辆离目标车位的横向距离限定在0-2米内，分为4个区间：[(0,0.5),(0.5,1.0),(1.0,1.5),(1.5,2.0)]。
3、目标车辆行驶角度限定在-5-5度内，分为4个区间：[(-5,-3),(-3,0),(0,3),(3,5)]。
4、目标车位边缘车辆的轮廓弧面曲率k限定0.1-1内，在分为10个区间[(0.1,0.2),(0.2,0.3),(0.3,0.4),(0.4,0.5),(0.5,0.6),(0.6,0.7),(0.7,0.8),(0.8,0.9),(0.9,1.0)]。
5、目标车位实际宽度：垂直车位固定为2.5m，水平车位固定6m；实际测量的车位补偿值为在1-4中的限定区间条件下检测的车位和实际目标车位的差值。补偿值分为10个值：0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9。
将样本数据送入决策树(选择C4.5类型决策树)中进行训练。
在所述实测曲率拟合步骤022中，根据所述实时里程信息和所述实时距离确定检测点实时位置信息，所述检测点实时位置信息反映已停放车辆弧面上被超声测距传感器测定的位置，拟合位于空车位一侧的若干所述检测点实时位置信息得到所述第一实测曲率，拟合位于空车位另一侧的若干所述检测点实时位置信息得到所述第二实测曲率。只需要设置一个超声测距传感器即可获得空车位两侧的已停放车辆的弧面的曲率。且该超声测距传感器一直处于固定的位置和设置角度(垂直于车辆行驶方向)，根据该超声测距传感器测定的距离信息计算曲率，所涉及的计算量和计算难度远小于设置多个超声测距传感器的方案。再者在泊车数据采集过程中，该超声测距传感器一直以较小的时间间隔获得距离信息，拟合得到的曲率非常接近真实值。
具体地，如图3所示，在所述行驶状态监测步骤021中，当车辆选择泊车功能时，将待泊车车辆位置设置为原点构建全局坐标系，在待泊车车辆的长度方向上设置X轴，在垂直于待泊车车辆的长度方向上设置Y轴；
根据所述实时里程信息得到不同时刻待泊车车辆在所述全局坐标系中的坐标作为车辆实时坐标，根据所述车辆实时坐标和所述实时距离得到探测点的坐标作为探测实时坐标；
如图6所示，在所述实测曲率拟合步骤022中，计算相邻时刻的所述探测实时坐标的横坐标的差值得到坐标变化值，若所述坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第一时刻T1，并且将所述第一时刻前纵坐标数值最小的所述探测实时坐标对应的时刻作为第二时刻T2，将第一时刻T1和第二时刻T2之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第一实测曲率；若再次检测到坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第三时刻T3，并且将所述第三时刻T3后纵坐标数值最小的所述探测实时坐标对应的时刻作为第四时刻T4，将第三时刻T3和第四时刻T4之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第二实测曲率。通过设置全局坐标系的方式，将实时里程信息和实时距离进行数据简化，只保留对曲率计算有用的x轴方向上的数据，在不降低计算准确率的前提下减少了计算量。且将只需计算对边缘误差值有影响的靠近空车位一侧的曲率，不仅减少了计算量还提高了实时边缘误差值的精确度。
具体地，在所述实测曲率拟合步骤022中，采用最小二乘法拟合三次多项式曲线：y＝a0+a1x+a2x2+a3x3，拟合后的曲线的曲率计算公式为；
Figure GDA0003571965270000131
其中，x为探测实时坐标的横坐标，k为曲率。根据超声波传感器测定的距离信息得到的探测点的坐标数据为点数据，通过最小二乘法来拟合这些离散的点，拟合了之后就可以根据曲线来补线。并且通过最小化误差的平方来寻求数据的最佳函数匹配，从而使得拟合出的曲线弧度与车辆的实际边缘弧度偏差度极小，提高计算得到的曲率的精确度。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于机器学习的超声波车位补偿系统，其特征在于包括模型训练策略(010)和车位宽度补偿策略(020)，所述模型训练策略(010)包括样本信息输入步骤(011)、样本曲率拟合步骤(012)、样本误差值获取步骤(013)和模型训练步骤(014)；
所述样本信息输入步骤(011)，控制待泊车车辆根据设定的样本里程信息行驶，所述样本里程信息反映待泊车车辆在泊车数据采集过程中的行驶路线，并且获得超声测距传感器测得的若干样本距离；
所述样本曲率拟合步骤(012)，根据所述样本里程信息和所述样本距离拟合得到空车位两侧车辆的曲率作为第一样本曲率和第二样本曲率；
样本误差值获取步骤(013)，获得车位实际宽度和超声波测距传感器测得的车位检测宽度作为样本检测宽度，根据所述车位实际宽度和所述样本检测宽度得到样本边缘误差值；
所述模型训练步骤(014)，根据第一样本曲率、第二样本曲率和已知的样本里程信息生成样本索引信息，关联样本索引信息和样本边缘误差值以生成训练模型；
所述车位宽度补偿策略(020)包括行驶状态监测步骤(021)、实测曲率拟合步骤(022)和补偿车位宽度获取步骤(023)；
所述行驶状态监测步骤(021)，实时获得待泊车车辆在泊车数据采集过程中的里程信息作为实时里程信息，并且获得超声测距传感器实时测得的实时距离；
所述实测曲率拟合步骤(022)，根据所述实时里程信息和所述实时距离拟合得到空车位两侧车辆的曲率作为第一实测曲率和第二实测曲率；
所述补偿车位宽度获取步骤(023)，根据所述实时里程信息、所述第一实测曲率和所述第二实测曲率生成实测索引信息，根据所述实测索引信息在所述训练模型中调取对应的样本边缘误差值作为实际边缘误差值，获得超声波测距传感器测得的车位检测宽度，根据所述实际边缘误差值和所述车位检测宽度得到补偿车位宽度。
2.根据权利要求1所述的基于机器学习的超声波车位补偿系统，其特征在于，在所述实测曲率拟合步骤(022)中，根据所述实时里程信息和所述实时距离确定检测点实时位置信息，所述检测点实时位置信息反映已停放车辆弧面上被超声测距传感器测定的位置，拟合位于空车位一侧的若干所述检测点实时位置信息得到所述第一实测曲率，拟合位于空车位另一侧的若干所述检测点实时位置信息得到所述第二实测曲率。
3.根据权利要求1或2所述的基于机器学习的超声波车位补偿系统，其特征在于，在所述行驶状态监测步骤(021)中，当车辆选择泊车功能时，将待泊车车辆位置设置为原点构建全局坐标系，在待泊车车辆的长度方向上设置X轴，在垂直于待泊车车辆的长度方向上设置Y轴；
根据所述实时里程信息得到不同时刻待泊车车辆在所述全局坐标系中的坐标作为车辆实时坐标，根据所述车辆实时坐标和所述实时距离得到探测点的坐标作为探测实时坐标；
在所述实测曲率拟合步骤(022)中，计算相邻时刻的所述探测实时坐标的横坐标的差值得到坐标变化值，若所述坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第一时刻，并且将所述第一时刻前纵坐标数值最小的所述探测实时坐标对应的时刻作为第二时刻，将第一时刻和第二时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第一实测曲率；若再次检测到坐标变化值的绝对值大于预设的变化阈值，则将对应时刻记为第三时刻，并且将所述第三时刻后纵坐标数值最小的所述探测实时坐标对应的时刻作为第四时刻，将第三时刻和第四时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第二实测曲率。
4.根据权利要求3所述的基于机器学习的超声波车位补偿系统，其特征在于，所述样本里程信息包括样本车速、样本行驶角度和Y轴方向上待泊车车辆与已停放车辆之间的样本距离。
5.根据权利要求4所述的基于机器学习的超声波车位补偿系统，其特征在于，在所述样本信息输入步骤中，将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率分别设定训练范围，并将训练范围进一步划分为若干训练区间并进行排列组合并重复模型训练策略。
6.根据权利要求5所述的基于机器学习的超声波车位补偿系统，其特征在于，所述样本车速限定在0～25Km/h范围内，所述样本行驶角度为与Y轴的偏差角度，所述行驶角度限定在-5～5°。
7.根据权利要求5所述的基于机器学习的超声波车位补偿系统，其特征在于，所述Y轴方向上待泊车车辆与已停放车辆之间的样本距离限定在0～2m。
8.根据权利要求5所述的基于机器学习的超声波车位补偿系统，其特征在于，所述目标车位边缘车辆的实际轮廓弧面曲率限定在0.1～1。
9.根据权利要求3所述的基于机器学习的超声波车位补偿系统，其特征在于，在所述实测曲率拟合步骤(022)中，采用最小二乘法拟合三次多项式曲线：y＝a0+a1x+a2x2+a3x3，拟合后的曲线的曲率计算公式为；
Figure FDA0003571965260000041
其中，x为探测实时坐标的横坐标，k为曲率。
10.根据权利要求1所述的基于机器学习的超声波车位补偿系统，其特征在于，所述训练模型为C4.5决策树模型。
CN202110338127.4A 2021-03-29 2021-03-29 基于机器学习的超声波车位补偿系统 Active CN113251962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110338127.4A CN113251962B (zh) 2021-03-29 2021-03-29 基于机器学习的超声波车位补偿系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110338127.4A CN113251962B (zh) 2021-03-29 2021-03-29 基于机器学习的超声波车位补偿系统

Publications (2)

Publication Number Publication Date
CN113251962A CN113251962A (zh) 2021-08-13
CN113251962B true CN113251962B (zh) 2022-07-05

Family

ID=77181256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110338127.4A Active CN113251962B (zh) 2021-03-29 2021-03-29 基于机器学习的超声波车位补偿系统

Country Status (1)

Country Link
CN (1) CN113251962B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115384518B (zh) * 2022-10-28 2023-01-31 杭州枕石智能科技有限公司 基于超声波雷达的侧边车位定位方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108136987A (zh) * 2015-10-22 2018-06-08 日产自动车株式会社 停车位检测方法及装置
CN108149990A (zh) * 2016-12-02 2018-06-12 比亚迪股份有限公司 自动泊车车位探测方法和探测系统以及车辆
CN108423068A (zh) * 2018-03-05 2018-08-21 耐世特汽车系统（苏州）有限公司 一种自动泊车系统及车位识别方法
CN109712427A (zh) * 2019-01-03 2019-05-03 广州小鹏汽车科技有限公司 一种车位检测方法及装置
CN110853399A (zh) * 2019-10-12 2020-02-28 惠州市德赛西威智能交通技术研究院有限公司 一种基于超声波传感器车位检测系统的车位识别补偿方法
KR20200101534A (ko) * 2019-02-01 2020-08-28 주식회사 만도 주차 공간 검출 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108136987A (zh) * 2015-10-22 2018-06-08 日产自动车株式会社 停车位检测方法及装置
CN108149990A (zh) * 2016-12-02 2018-06-12 比亚迪股份有限公司 自动泊车车位探测方法和探测系统以及车辆
CN108423068A (zh) * 2018-03-05 2018-08-21 耐世特汽车系统（苏州）有限公司 一种自动泊车系统及车位识别方法
CN109712427A (zh) * 2019-01-03 2019-05-03 广州小鹏汽车科技有限公司 一种车位检测方法及装置
KR20200101534A (ko) * 2019-02-01 2020-08-28 주식회사 만도 주차 공간 검출 장치 및 방법
CN110853399A (zh) * 2019-10-12 2020-02-28 惠州市德赛西威智能交通技术研究院有限公司 一种基于超声波传感器车位检测系统的车位识别补偿方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于超声波传感器的车位边缘误差分析及补偿;苏松恺;《上海汽车》;20190831;第37-42页 *

Also Published As

Publication number Publication date
CN113251962A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN106671974B (zh) 一种用于智能泊车系统的车位检测方法
CN109752701B (zh) 一种基于激光点云的道路边沿检测方法
CN105404844B (zh) 一种基于多线激光雷达的道路边界检测方法
CN103487034B (zh) 一种基于立式标靶的车载单目摄像头测距测高方法
CN103499337B (zh) 一种基于立式标靶的车载单目摄像头测距测高装置
CN112381781B (zh) 基于3d点云的胶路缺陷检测方法
CN108759823B (zh) 基于图像匹配的指定道路上低速自动驾驶车辆定位及纠偏方法
CN110031829A (zh) 一种基于单目视觉的目标精准测距方法
CN206248039U (zh) 一种车辆超限检测系统
CN112711027B (zh) 一种基于激光雷达点云数据的隧道内横向定位方法
CN108089024A (zh) 一种车辆速度检测系统及方法
CN113251962B (zh) 基于机器学习的超声波车位补偿系统
CN104005324B (zh) 一种路面构造信息的检测系统
CN114758504A (zh) 一种基于滤波校正的网联车超速预警方法及系统
CN106324635B (zh) 一种基于卫星导航定位的车辆直线行驶检测方法及装置
CN113494915A (zh) 一种车辆横向定位方法、装置及系统
CN103914993A (zh) 一种基于磁场传感器的智能停车检测方法
CN112859054A (zh) 一种车载多线激光雷达外参数自动检测系统及检测方法
CN111830519A (zh) 多传感器融合的测距方法
CN111664801A (zh) 一种基于高斯曲率的光学靶标点投影规划方法
US20050177336A1 (en) Method for identifying object constellations using distance signals
CN111539278A (zh) 一种用于目标车辆的检测方法及系统
CN112991734B (zh) 一种视觉车位的车位状态检测系统
CN113837295A (zh) 一种超声波传感器自动泊车的余弦相似关系计算方法
CN113869409A (zh) 一种超声波传感器自动泊车的长宽比例相似度计算方法

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