CN113619571B - 一种提升智能学习泊车精度的方法 - Google Patents

Abstract

本发明涉及一种提升智能学习泊车精度的方法，包括：S10.车辆行驶到起始点后，启动无人智能学习泊车功能，并通过VSLAM获取车辆位置信息；S20.获取车辆巡航路线，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标；S30.将获取的实时车位坐标与地图存储车位的坐标进行匹配对比，将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。本发明通过将实时车位与地图存储车位进行匹配，利用自主泊车的实时车位搜索功能，消除因由于不同时期同一个位置的特征点存在的差异，导致VSLAM匹配存在的误差，避免可能带来剐蹭、侵占车位等问题。

Description

一种提升智能学习泊车精度的方法

技术领域

本发明涉及智能泊车技术领域，特别是涉及一种提升智能学习泊车精度的方法。

背景技术

当前汽车ADAS领域，已有无人智能学习泊车功能，无人智能学习泊车是什么？

无人智能学习泊车就是人为驾驶从某个(下车点，图一中的Start Point)指定地点，行驶一条路径到指定停车位前(图一中的Parking Point)，再行驶到另一个(取车点，图一中的Pickup Point)指定地点，通过安装在车辆四周的环视摄像头，保存整条路径中的图像特征点与停车位信息，并存储成为一张地图；当用户行驶到下车点时，只需要下车并通过手机app激活无人智能学习泊车功能，无人智能学习泊车功能即可根据地图数据与安装在车辆四周的环视摄像头实时图像进行匹配定位，找到车辆所在地图中的位置，将车辆按照地图中的轨迹行驶停车位前，将车辆泊入到记忆中的车位位置，用户可以直接从下车点离开，不需要进入地库；当用户需要用车时，只需要使用手机app激活无人智能学习泊车功能，无人智能学习泊车功能即可将车辆泊出车位，根据地图数据与安装在车辆四周的环视摄像头实时图像进行匹配定位，找到车辆所在地图中的位置，将车辆按照地图中的轨迹行驶至取车点，用户可直接前往取车点。

无人智能学习泊车目前市场上基本使用了VSLAM技术来解析图像特征点，通过将实时图像特征点与学习地图中的特征点进行匹配，但由于不同时期同一个位置的特征点会有差异，也不可能每次都停在丝毫不差的位置上，所以这个定位存在了30cm左右的误差，这个误差在Start Point到Parking Point以及Parking Point到Pickup Point的行驶路径上影响并不会很大，但是在Parking Point位置进行泊车到车位的过程中，30cm左右的误差，会导致车辆压到了隔壁车位的车位线，或者剐蹭到隔壁车辆、柱子等风险；想要提高定位精度、降低定位误差，需要增加成本提高芯片算力。

发明内容

本发明为克服上述现有技术中在汽车电子芯片性能并不是很高的情况下，无人智能学习泊车使用VSLAM进行图像定位存在了30cm左右的误差，定位精度低，误差大，影响泊车的效果，会带来剐蹭、侵占车位等问题，提供一种提升智能学习泊车精度的方法。

为解决上述技术问题，本发明的技术方案如下：

一种提升智能学习泊车精度的方法，包括步骤：

S10.车辆行驶到起始点后，启动无人智能学习泊车功能，并通过VSLAM获取车辆位置信息；

S20.获取车辆巡航路线，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标；

S30.将获取的实时车位坐标与地图存储车位的坐标进行匹配对比，将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。

进一步的，作为优选技术方案，步骤S10具体包括：

用户驾驶车辆到起始点位置后，以车辆起始点位置建立全局坐标系，将车辆前进方向定义为Y轴正方向，将与车辆前进方向呈垂直方向向右定义为X轴正方向；

启动无人智能学习泊车功能，通过VSLAM匹配车辆起始点位置并周期性获取车辆在全局坐标系下的实时位置信息。

进一步的，作为优选技术方案，步骤S20具体包括：

通过移动终端APP启动无人自主泊车，并从地图中获取车辆巡航路线以及存储车位的坐标；

启动车位自动搜索功能，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标。

进一步的，作为优选技术方案，获取的实时车位坐标为在相对坐标系下的坐标值；

所述相对坐标系为以车辆当前位置的中心为原点所建立的，将车辆前进方向定义为Y’轴正方向，将与车辆前进方向呈垂直方向向右定义为X’轴正方向。

进一步的，作为优选技术方案，步骤S30具体包括：

根据车辆的实时位置信息，通过坐标转换将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标；

将每个实时车位坐标与地图存储车位的坐标进行匹配对比；

将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。

进一步的，作为优选技术方案，实时车位坐标与地图存储车位的坐标进行匹配对比具体包括：

将实时车位坐标与地图存储车位的坐标的四个角点坐标分别进行差运算，当四个角点坐标的差值均小于第一预设阈值时，将实时车位坐标与地图存储车位的的坐标的长和宽分别进行差运算，当长和宽的差值均小于第二预设阈值时，则判断当前实时车位为泊车车位进行泊车。

进一步的，作为优选技术方案，将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标具体为：

假设，实时车位坐标为(A(X’,Y’),B(X’,Y’),C(X’,Y’),D(X’,Y’))，车辆的实时位置为(g，h，θ)，通过以下公式将实时车位坐标的四个角点坐标分别进行转换：

X＝g+X’cos(θ)-Y’sin(θ)

Y＝h+X’sin(θ)+Y’cos(θ)

转化后的实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))。

进一步的，作为优选技术方案，实时车位坐标与地图存储车位的坐标进行匹配具体为：

假设，实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))，地图存储车位的坐标为(A(X,Y),B(X,Y),C(X,Y),D(X,Y))，将其进行匹配为：

|AX–A'X|<i，|AY–A'Y|<i；

且|BX–B'X|<i，|BY–B'Y|<i；

且|CX–C'X|<i，|CY–C'Y|<i；

且|DX–D'X|<i，|DY–D'Y|<i；

且|((AX-BX)^2+(AY-BY)^2)-((A'X–B'X)^2+(AY-BY)^2)|<j；

且|((BX-CX)^2+(BY-CY)^2)-((B'X–C'X)^2+(BY-CY)^2)|<j；

其中，i为第一预设阈值，j为第二预设阈值。

进一步的，作为优选技术方案，第一预设阈值的设置范围为0-1m：第二预设阈值的设置范围为0-0.5m。

进一步的，作为优选技术方案，还包括：当车辆巡航到停车位置时都没有匹配到泊车车位，则使用地图存储车位进行泊车。

与现有技术相比，本发明技术方案的有益效果是：

本发明基于现有自主泊车功能的车位搜索方法，在无人智能学习泊车功能上进行车位搜索，通过将搜索到的实时车位地图存储车位进行匹配，最终匹配到可以泊车的实时车位，从而消除因由于不同时期同一个位置的特征点存在的差异，导致VSLAM匹配存在的误差，避免可能带来剐蹭、侵占车位等问题。

附图说明

图1为本发明背景技术说明示意图。

图2为本发明步骤流程图。

图3为本发明车位示意图。

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的；相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易被本领域技术人员理解，从而对本发明的保护范围作出更为清楚的界定。。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制。

此外，若有“第一”、“第二”等术语仅用于描述目的，主要是用于区分不同的装置、元件或组成部分(具体的种类和构造可能相同也可能不同)，并非用于表明或暗示所指示装置、元件或组成部分的相对重要性和数量，而不能理解为指示或者暗示相对重要性。

实施例1

本实施例公开一种提升智能学习泊车精度的方法，如图2所示，包括步骤：

S10.车辆行驶到起始点后，启动无人智能学习泊车功能，并通过VSLAM获取车辆位置信息。

本步骤具体包括：

用户驾驶车辆到起始点位置后，即图1中的Start Point位置，此时，以车辆当前位置，即，以车辆起始点位置建立全局坐标系(XOY)，该全局坐标系将车辆中心点定义为坐标原点O，将车辆前进方向定义为Y轴正方向，将与车辆前进方向呈垂直方向向右定义为X轴正方向。

启动无人智能学习泊车功能，通过VSLAM匹配车辆起始点位置，即通过VSLAM对车辆当前位置进行定位，定位成功后，无人智能学习泊车功能可以通过VSLAM周期性获取车辆在全局坐标系下的实时位置信息，即，周期性获取到车辆中心在全局坐标系下的定位值(g、h，θ)，θ为车辆当前前进方向与Y轴的夹角。

S20.获取车辆巡航路线，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标。

本步骤具体包括：

车辆定位成功后，用户通过移动终端APP启动无人自主泊车，并从地图中获取车辆巡航路线以及存储车位的坐标，开始巡航；

车辆在巡航过程中，即从图1中的Start Point位置处，自动巡航到parking Point位置处，在此巡航过程中，启动车位自动搜索功能，车辆通过车位自动搜索功能搜索实时车位并获取实时车位坐标。

同时，步骤S10中的无人智能学习泊车功能可以通过VSLAM周期性获取车辆在全局坐标系下的实时位置信息，是在车辆在巡航过程中获取的。

在本步骤中，获取的实时车位坐标为在相对坐标系下的坐标值；即，是以车辆当前位置的中心为原点，车辆前进方向为Y’轴正方向，与车辆前进方向呈垂直方向向右为X’轴正方向所建立的相对坐标系。

S30.将获取的实时车位坐标与地图存储车位的坐标进行匹配对比，将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。

在本步骤中，由于获取的实时车位坐标为在相对坐标系下的坐标值，而地图存储车位的坐标为在全局坐标系下的坐标值，故此，需要先根据车辆的实时位置信息，通过坐标转换将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标，处于同一坐标系下的实时车位和地图存储车位如图3所示。

在本步骤中，将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标具体为：

假设，实时车位坐标为(A(X’,Y’),B(X’,Y’),C(X’,Y’),D(X’,Y’))，车辆的实时位置为(g，h，θ)，通过以下公式将实时车位坐标的四个角点坐标分别进行转换：

X＝g+X’cos(θ)-Y’sin(θ)

Y＝h+X’sin(θ)+Y’cos(θ)

转化后的实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))。

在本步骤中，当获取的实时车位为多个时，每个实时车位均需要通过上述转换公式进行转换。

然后将转换后的每个实时车位坐标与地图存储车位的坐标进行匹配对比。

将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。

上述步骤具中将转换后的实时车位坐标与地图存储车位的坐标进行匹配对比具体包括：

将实时车位坐标与地图存储车位的坐标的四个角点坐标分别进行差运算，当四个角点坐标的差值均小于第一预设阈值时，将实时车位坐标与地图存储车位的的坐标的长和宽分别进行差运算，当长和宽的差值均小于第二预设阈值时，则判断当前实时车位为泊车车位进行泊车。

实时车位坐标与地图存储车位的坐标进行匹配具体为：

假设，实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))，地图存储车位的坐标为(A(X,Y),B(X,Y),C(X,Y),D(X,Y))，将其进行匹配为：

|AX–A'X|<i，|AY–A'Y|<i；

且|BX–B'X|<i，|BY–B'Y|<i；

且|CX–C'X|<i，|CY–C'Y|<i；

且|DX–D'X|<i，|DY–D'Y|<i；

且|((AX-BX)^2+(AY-BY)^2)-((A'X–B'X)^2+(AY-BY)^2)|<j；

且|((BX-CX)^2+(BY-CY)^2)-((B'X–C'X)^2+(BY-CY)^2)|<j；

其中，i为第一预设阈值，j为第二预设阈值。

在本实施例中，第一预设阈值的设置范围为0-1m，优选的，第一预设阈值的设置范围为0-0.5m；第二预设阈值的设置范围为0-0.5m，优选的，第二预设阈值的设置范围为0-0.3m。

在本步骤中，需要将每个搜索到的实时车位进行匹配对比，直到匹配到满足第一预设阈值和第二预设阈值的车位，使用这个车位进行泊车。

S40.当车辆巡航到停车位置时都没有匹配到泊车车位，则使用地图存储车位进行泊车。

本步骤具体为：当车辆巡航到停车位置处，即图1所示的parking Point位置处都没有匹配到泊车车位，则使用地图存储车位进行泊车。

在本发明中，该方法是基于定位的模糊车位匹配方法的原理，在无人智能学习泊车功能的泊入巡航阶段，即：Start Point到Parking Point，开启车位搜索功能，通过车位搜索功能搜索出沿途的所有实时车位，并将沿途的实时车位坐标(以实时车辆中心为原点，车辆前进方向为Y’轴正方向，与车辆前进方向呈垂直方向向右为X’轴正方向所建立的相对坐标系)转换为无人智能学习泊车全局坐标系下的坐标(以Start Point时刻车辆中心为原点，车辆前进方向为Y轴正方向，垂直与车辆前进方向向右为X轴正方向所建立的全局坐标系)，将转换后的实时车位坐标与地图中存储的车位的坐标进行一一匹配比对，最终得到满足车位四个角点均在第一预设阈值范围内，同时是所有车位中最接近存储车位的一个车位，这样，最终要泊入的车位可以将VSLAM匹配图像定位引起的误差去除，使用实时车位搜索得到的实时车位坐标进行泊车。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种提升智能学习泊车精度的方法，其特征在于，包括步骤：

S10.车辆行驶到起始点后，启动无人智能学习泊车功能，并通过VSLAM获取车辆位置信息；

S20.获取车辆巡航路线，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标；

S30.将获取的实时车位坐标与地图存储车位的坐标进行匹配对比，将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车；

其中，步骤S30具体包括：

根据车辆的实时位置信息，通过坐标转换将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标；

将获取的实时车位坐标与地图存储车位的坐标的四个角点坐标分别进行差运算，当四个角点坐标的差值均小于第一预设阈值时，将实时车位坐标与地图存储车位的坐标的长和宽分别进行差运算，当长和宽的差值均小于第二预设阈值时，则判断当前实时车位为泊车车位进行泊车；

将匹配结果满足预设阈值的实时车位确定为泊车车位进行泊车。

2.根据权利要求1所述的一种提升智能学习泊车精度的方法，其特征在于，步骤S10具体包括：

用户驾驶车辆到起始点位置后，以车辆起始点位置建立全局坐标系，将车辆前进方向定义为Y轴正方向，将与车辆前进方向呈垂直方向向右定义为X轴正方向；

启动无人智能学习泊车功能，通过VSLAM匹配车辆起始点位置并周期性获取车辆在全局坐标系下的实时位置信息。

3.根据权利要求1所述的一种提升智能学习泊车精度的方法，其特征在于，步骤S20具体包括：

通过移动终端APP启动无人自主泊车，并从地图中获取车辆巡航路线以及存储车位的坐标；

启动车位自动搜索功能，车辆在巡航过程中通过车位自动搜索功能搜索实时车位并获取实时车位坐标。

4.根据权利要求3所述的一种提升智能学习泊车精度的方法，其特征在于，获取的实时车位坐标为在相对坐标系下的坐标值；

所述相对坐标系为以车辆当前位置的中心为原点所建立的，将车辆前进方向定义为Y’轴正方向，将与车辆前进方向呈垂直方向向右定义为X’轴正方向。

5.根据权利要求1所述的一种提升智能学习泊车精度的方法，其特征在于，将获取的实时车位坐标转换为与地图存储车位的坐标处于同一坐标系下的坐标具体为：

假设，实时车位坐标为(A(X’,Y’),B(X’,Y’),C(X’,Y’),D(X’,Y’))，车辆的实时位置为(g，h，θ)，通过以下公式将实时车位坐标的四个角点坐标分别进行转换：

X＝g+X’cos(θ)-Y’sin(θ)

Y＝h+X’sin(θ)+Y’cos(θ)

转化后的实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))。

6.根据权利要求1所述的一种提升智能学习泊车精度的方法，其特征在于，实时车位坐标与地图存储车位的坐标进行匹配具体为：

假设，实时车位坐标为(A’(X,Y),B’(X,Y),C’(X,Y),D’(X,Y))，地图存储车位的坐标为(A(X,Y),B(X,Y),C(X,Y),D(X,Y))，将其进行匹配为：

|AX–A'X|<i，|AY–A'Y|<i；

且|BX–B'X|<i，|BY–B'Y|<i；

且|CX–C'X|<i，|CY–C'Y|<i；

且|DX–D'X|<i，|DY–D'Y|<i；

且|((AX-BX)^2+(AY-BY)^2)-((A'X–B'X)^2+(AY-BY)^2)|<j；

且|((BX-CX)^2+(BY-CY)^2)-((B'X–C'X)^2+(BY-CY)^2)|<j；

其中，i为第一预设阈值，j为第二预设阈值。

7.根据权利要求6所述的一种提升智能学习泊车精度的方法，其特征在于，第一预设阈值的设置范围为0-1m：第二预设阈值的设置范围为0-0.5m。

8.根据权利要求1所述的一种提升智能学习泊车精度的方法，其特征在于，还包括：当车辆巡航到停车位置时都没有匹配到泊车车位，则使用地图存储车位进行泊车。