CN113799770A - 一种基于自动驾驶的数据处理方法和装置 - Google Patents

Abstract

本发明实施例提供了一种基于自动驾驶的数据处理方法和装置，方法包括：学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息，实现在泊入的目标车位无法正确识别的情况下，在泊车路线中创建目标车位信息，从而可以构建正确的泊车地图，实现停车场记忆泊车。

Description

一种基于自动驾驶的数据处理方法和装置

技术领域

本发明涉及自动驾驶技术领域，特别是涉及基于自动驾驶的数据处理方法和装置。

背景技术

在自动驾驶技术领域中，停车场记忆泊车可以帮用户将车辆从停车场入口以自动驾驶的方式泊入用户的常用车位，是自动驾驶的重要组成部分。

停车场记忆泊车依赖于泊车地图。泊车地图是在用户在停车场驾驶车辆泊入车位的过程中，基于视觉和超声波传感器识别的信息而构建的，其包含最终泊入的终点车位信息。

但有时候由于一些原因，例如传感器识别的局限，无法有效识别车位，或者目标车位本身就是不可识别的车位，如无划线且无旁车的车位等，造成最终泊入的终点车位信息无法正确的识别，导致无法正确构建泊车地图。

发明内容

鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的基于自动驾驶的数据处理方法和装置、车辆、存储介质，包括：

一种基于自动驾驶的数据处理方法，所述方法包括：

学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

可选地，所述根据所述关键特征信息，确定所述目标车位的车位属性信息，包括：

根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息。

可选地，所述根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息，包括：

将所述关键特征信息输入预先训练的数据模型；

获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

可选地，所述车位属性信息包括车位位置信息，所述结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息，包括：

确定所述泊车路线的终点位置信息和航向角信息；

结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

可选地，所述终点位置信息为所述当前车辆的后轴中点位置信息，所述车位位置信息为所述目标车位的中心点位置信息。

可选地，所述车位属性信息包括车位边界信息，所述结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息，包括：

获取预设车位尺寸信息；

根据所述车位类型信息和预设车位尺寸信息，确定所述目标车位的车位边界信息。

可选地，所述车位属性信息包括车位类型信息。

可选地，所述从所述泊车路线中，确定关键特征信息，包括：

从所述泊车路线中，确定预设长度范围的目标轨迹信息；

从所述目标轨迹信息中，确定关键特征信息。

可选地，还包括：

添加用于标识所述目标车位的车位信息为非实时识别类型的标注信息。

一种基于自动驾驶的数据处理装置，所述装置包括：

泊车路线学习模块，用于学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

关键特征信息确定模块，用于在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

目标车位创建模块，用于根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

可选地，所述目标车位创建模块包括：

确定车位类型信息和泊入模式信息子模块，用于根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

确定车位属性信息子模块，用于结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息。

可选地，所述确定车位类型信息和泊入模式信息子模块包括：

关键特征信息输入单元，用于将所述关键特征信息输入预先训练的数据模型；

车位类型信息和泊入模式信息获取单元，用于获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

可选地，所述车位属性信息包括车位位置信息，所述确定车位属性信息子模块包括：

确定终点位置信息和航向角信息单元，用于确定所述泊车路线的终点位置信息和航向角信息；

确定目标车位的车位位置信息单元，用于结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

一种车辆，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一个或多个的方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一个或多个的方法。

本发明实施例具有以下优点：

在本发明实施例中，通过学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入，在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，可以从所述泊车路线中，确定关键特征信息，进而可以根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息，实现在泊入的目标车位无法正确识别的情况下，在泊车路线中创建目标车位的车位信息，从而可以构建正确的泊车地图，实现停车场记忆泊车。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种基于自动驾驶的数据处理方法的方法的步骤流程图；

图2a是本发明一实施例提供的另一种基于自动驾驶的数据处理方法的方法的步骤流程图；

图2b是本发明一实施例提供的创建车位信息示意图；

图3是本发明一实施例提供的又一种基于自动驾驶的数据处理方法的方法的步骤流程图；

图4是本发明一实施例提供的基于自动驾驶的数据处理方法的装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。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作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。

在实际应用中，在当前车辆在停车场中进行自动驾驶过程时，当前车辆在检测到目标车位时，才可以开启自动泊车，而对于当前车辆在进入停车场，到检测到目标车位的这段路线中，无法启动自动泊车，从而无法确定该段道路上的具体情况，导致自动驾驶的安全性较差。

为了提高自动驾驶的安全性，可以对当前车辆进入停车场后到泊入目标车位的泊车路线进行学习，其学习过程可以是：在车辆驶入停车场后，进行泊车路线的学习。

具体的，可以在当前车辆行驶至指定位置时，触发泊车路线的学习，控制当前车辆行驶至可检测到目标车位的区域，然后泊入目标车位，基于对泊车路线相关场景的识别并进行记忆建模，从而可以完成泊车路线的学习。

本发明针对的是在当前车辆进入停车场，并触发泊车功能学习后，在泊车功能学习过程中，针对当前车辆无法正确识别其最终泊入的目标车位的情况，进行记忆建模的过程。

参照图1，示出了本发明一实施例提供的一种基于自动驾驶的数据处理方法的步骤流程图，具体可以包括如下步骤：

步骤101，学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

其中，指定位置可以是停车场入口，或者其他指定的位置。

在控制当前车辆从停车场的指定位置泊入目标车位的过程中，可以对沿途相关的场景信息进行识别。例如可以对沿途的车位信息、车位中的车辆信息等进行识别。

可以基于沿途识别的信息，学习当前车辆从停车场的指定位置泊入目标车位的泊车路线。可以理解，基于沿途识别的信息，进行针对泊车路线的记忆建模。

在完成泊车路线的学习后，可以根据泊车路线，控制当前车辆从停车场的指定位置驾驶至目标车位并泊入其中。

步骤102，在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

在学习泊车路线的过程中，针对当前车辆最终泊入的目标车位的学习是关键的。然而，在一些情况下，可能无法正确识别当前车辆最终泊入的目标车位。

例如由于传感器识别的局限，无法有效识别目标车位，或者目标车位本身不可识别(如无划线且无旁车的车位等)，又或者用户自己的泊车习惯(如从远处泊入目标车位、泊入角度异常等)，或者其他导致无法正确识别目标车位的情况。

在学习泊车路线的过程中，无法正确识别当前车辆最终泊入的目标车位时，可能影响学习泊车路线。为了实现学习泊车路线，可以从泊车路线中，确定关键特征信息，以可以根据关键特征信息创建目标车位的车位信息。

具体的，可以从泊车路线中，确定针对目标车位的关键特征信息。如可以截取最后预设长度范围(如20m)内的特征信息，作为关键特征信息。

作为一示例，关键特征信息可以包括前进轨迹的长度、平均曲率、行车速度、航向角变化率、倒车轨迹的长度、平均曲率、行车速度、航向角变化率等等。确定针对目标车位的关键特征信息后，可以根据关键特征信息创建目标车位的车位信息。

步骤103，根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

其中，车位属性信息可以包括车位位置信息，可以包括车位边界信息，还可以包括车位类型信息等。

在具体实现中，可以根据泊车路线的关键特征信息，确定目标车位的车位属性信息，进而可以根据车位属性信息，在泊车路线中创建目标车位的车位信息。

在本发明实施例中，通过学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入，在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，可以从所述泊车路线中，确定关键特征信息，进而可以根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息，实现在泊入的目标车位无法正确识别的情况下，在泊车路线中创建目标车位的车位信息，从而可以构建正确的泊车地图，实现停车场记忆泊车。

参照图2a，示出了本发明一实施例提供的另一种基于自动驾驶的数据处理方法的步骤流程图，具体可以包括如下步骤：

步骤201，学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

步骤202，在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

其中，关键特征信息可以包括前进轨迹的长度、平均曲率、行车速度、航向角变化率(度/米)等，还可以包括倒车轨迹的长度、平均曲率、行车速度、航向角变化率等。

步骤203，根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

其中，车位类型信息可以包括垂直车位、平行车位、斜列车位等。

泊入模式信息可以包括倒车入库、前进入库等。

在本发明一实施例中，步骤203可以包括如下子步骤：

子步骤S11，将所述关键特征信息输入预先训练的数据模型；

子步骤S12，获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

为了学习泊车路线，可以预先训练数据模型，用于根据从目标轨迹信息中获取的关键特征信息，输出目标车位的车位类型信息和泊入目标车位的泊入模式信息。

作为一示例，可以利用监督学习法，如逻辑回归、支持向量机、神经网络等算法，经过标注数据训练后，可以得到识别车位类型的模型，以及识别泊入模式的模型。

识别车位类型的模块可以根据关键特征信息输出目标车位的车位类型信息。识别泊入模式的模型可以根据关键特征信息输出泊入目标车位的泊入模式信息。

在具体实现中，在泊入目标车位却无法实时识别目标车位的情况下，可以在从泊车路线中确定针对目标车位的关键特征信息之后，将关键特征信息输入预先训练好的数据模型中，进而可以得到数据模型输出的目标车位的车位类型信息，以及当前车辆泊入目标车位的泊入模式信息。

步骤204，结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

在具体实现中，得到针对目标车位的车位类型信息，以及当前车辆泊入目标车位的泊入模式信息之后，可以采用车位类型信息或/和泊入模式信息，确定目标车位的车位属性信息，如车位位置、车位边界等。

进而，可以根据目标车位的车位属性信息，在泊车路线中创建目标车位的车位信息。这样，可以不依赖于针对目标车位的实时识别，可以根据泊车路线的轨迹信息创建虚拟目标车位。

在本发明一实施例中，所述车位属性信息可以包括车位位置信息，步骤204可以包括如下子步骤：

子步骤S21，确定所述泊车路线的终点位置信息和航向角信息；

其中，车位位置信息可以是目标车位的中心点位置信息。终点位置信息可以是当前车辆的后轴中点位置信息。航向角信息可以是当前车辆在长度方向的轴线与地面坐标系横轴(x轴)方向的夹角。

子步骤S22，结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

为了实现学习泊车路线，在无法实时识别正确的目标车位的车位信息的情况下，可以计算目标车位的车位位置信息，以可以根据车位位置信息，在泊车路线中创建目标车位的车位信息。

具体的，在得到目标车位的车位类型信息和当前车辆泊入目标车位的泊入模式信息之后，可以在泊车路线中，确定当前车辆运动轨迹的终点位置信息，以及航向角信息，进而可以结合针对目标车位的车位类型信息、当前车辆泊入目标车位的泊入模型信息、终点位置信息和航向角信息，确定在泊车路线中目标车位的车位位置信息。

作为一示例，可以根据终点位置信息和航向角信息，结合车辆轴距信息计算出车位中心点的位置，从而确定车位位置信息。

为了更好的理解本发明实施例，下面结合符合2b所示的创建车位信息示意图，进行示例性说明。

首先，在当前车辆从停车场的指定位置行驶至泊入车位并泊入的过程中，可以基于当前车辆在停车场内行驶及泊车轨迹信息进行学习，得到泊车路线，泊车路线中包括轨迹信息。

进而在当前车辆泊入目标车位且无法实时识别目标车位时，可以从泊车路线中截取尾段轨迹的轨迹信息。可以理解，从泊车路线中，确定预设长度范围的目标轨迹信息。

在确定尾段轨迹的轨迹信息后，可以从其中提取车位识别特征，即，提取关键特征信息，包括前进与倒车轨迹的长度、曲率、速度、航向角变化率等特征信息。

进一步的，可以利用机器学习算法训练的数据模型，将提取得到的车位识别特征输入数据模型中，得到数据模型输出的针对目标车位的车位类型信息和泊入模式信息，以识别目标车位的车位类型和泊入模式。

进而可以根据目标车位的车位类型、泊入模式，得到车位位置信息。具体的，可以结合车位类型、泊入模式、终点位置信息，以及航向角信息，确定车位位置信息。

在确定目标车位的车位位置信息之后，可以根据车位位置信息，在泊车路线中创建针对目标车位的车位信息。实现不依赖目标车位的实时识别，可以根据泊车路线的轨迹信息创建虚拟目标车位。

在本发明一实施例中，所述终点位置信息可以为所述当前车辆的后轴中点位置信息，所述车位位置信息可以为所述目标车位的中心点位置信息。

在本发明另一实施例中，所述车位属性信息可以包括车位边界信息，步骤204可以包括如下子步骤：

子步骤S31，获取预设车位尺寸信息；

子步骤S32，根据所述车位类型信息和预设车位尺寸信息，确定所述目标车位的车位边界信息。

在具体实现中，可以预先设置不同类型的车位对应的车位尺寸信息。进而可以根据车位类型信息，以及终点位置信息、航向角信息、泊入模式信息，确定目标车位的车位边界信息。

具体的，可以根据泊车过程终点的轨迹点的位置(即终点位置信息)和航向角(即航向角信息)，结合车辆轴距信息，计算车位中心点的位置(即车位位置信息)，进而可以根据识别出的车位类型和预设车位尺寸信息，确定目标车位的车位边界信息。从而可以在泊车路线中创建目标车位的车位信息。

作为一示例，已识别当前车辆针对目标车位的泊入模式为前进泊入，车位类型为竖直车位，则车位中心点(车位位置信息)估算为轨迹终点坐标(终点位置信息)沿终点车辆航向角方向延长半个车辆轴距的距离，其车位边界为：以中心点为质心的标准车位尺寸的矩形框(宽2.5米、长5.3米)，其长边方向为终点车辆航向角方向。

在本发明实施例中，通过学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据泊车路线，将当前车辆自动驾驶至目标车位并泊入，在学习泊车路线的过程中，当检测到已泊入目标车位，且，无法实时识别目标车位时，从泊车路线中，确定关键特征信息，根据关键特征信息，确定目标车位的车位类型信息和当前车辆泊入目标车位的泊入模式信息，结合车位类型信息和/或泊入模式信息，确定目标车位的车位属性信息，并根据车位属性信息，在泊车路线中创建目标车位的车位信息，实现在泊入的目标车位无法正确识别的情况下，在泊车路线中创建目标车位信息，从而可以构建正确的泊车地图，实现停车场记忆泊车。

参照图3，示出了本发明一实施例提供的又一种基于自动驾驶的数据处理方法的步骤流程图，具体可以包括如下步骤：

步骤301，学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

步骤302，在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定预设长度范围的目标轨迹信息；

在学习泊车路线时，可以实时记载轨迹信息。当前车辆泊入目标为且无法实时识别目标车位时，可以从泊车路线中，确定预设长度范围(如20m)的目标轨迹信息。

作为一示例，可以从泊车路线中，将泊车路线中最后20m的轨迹信息，即尾段轨迹信息，确定为目标轨迹信息。

步骤303，从所述目标轨迹信息中，确定关键特征信息；

其中，关键特征信息可以包括前进轨迹的长度、平均曲率、行车速度、航向角变化率(度/米)等，还可以包括倒车轨迹的长度、平均曲率、行车速度、航向角变化率等。

在具体实现中，为了实现学习泊车路线，在确定目标轨迹信息后，可以根据目标轨迹信息，确定关键特征信息。

步骤304，根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息；

步骤305，添加用于标识所述目标车位的车位信息为非实时识别类型的标注信息。

为了学习泊车路线，在泊车路线中创建针对目标车位的车位信息之后，可以对其添加标注信息，将其标注为非实时识别类型的目标车位的车位信息，使得可以将创建的目标车位的车位信息，与实时识别的目标车位的车位信息区分。这样，可以在下次停车时，尝试实时识别目标车位的车位信息，在实时识别成功的情况下，可以在学习泊车路线中优先使用实时识别的目标车位的车位信息。

在本发明实施例中，通过学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据泊车路线，将当前车辆自动驾驶至目标车位并泊入，在学习泊车路线的过程中，当检测到已泊入目标车位，且，无法实时识别目标车位时，从泊车路线中，确定预设长度范围的目标轨迹信息，从目标轨迹信息中，确定关键特征信息，根据关键特征信息，确定目标车位的车位属性信息，并根据车位属性信息，在所述泊车路线中创建目标车位的车位信息，添加用于标识目标车位的车位信息为非实时识别类型的标注信息，实现在泊入的目标车位无法正确识别的情况下，在泊车路线中创建目标车位信息，从而可以构建正确的泊车地图，实现停车场记忆泊车。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图4，示出了本发明一实施例提供的一种基于自动驾驶的数据处理的装置的结构示意图，具体可以包括如下模块：

泊车路线学习模块401，用于学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

关键特征信息确定模块402，用于在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

目标车位创建模块403，用于根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

在本发明一实施例中，目标车位创建模块403可以包括：

确定车位类型信息和泊入模式信息子模块，用于根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

确定车位属性信息子模块，用于结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息。

在本发明一实施例中，确定车位类型信息和泊入模式信息子模块可以包括：

关键特征信息输入单元，用于将所述关键特征信息输入预先训练的数据模型；

车位类型信息和泊入模式信息获取单元，用于获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

在本发明一实施例中，所述车位属性信息可以包括车位位置信息，确定车位属性信息子模块可以包括：

确定终点位置信息和航向角信息单元，用于确定所述泊车路线的终点位置信息和航向角信息；

确定目标车位的车位位置信息单元，用于结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

在本发明一实施例中，所述终点位置信息为所述当前车辆的后轴中点位置信息，所述车位位置信息为所述目标车位的中心点位置信息。

在本发明一实施例中，所述车位属性信息可以包括车位边界信息，确定车位属性信息子模块可以包括：

获取预设车位尺寸信息单元，用于获取预设车位尺寸信息；

确定车位边界信息单元，用于根据所述车位类型信息和预设车位尺寸信息，确定所述目标车位的车位边界信息。

在本发明一实施例中，所述车位属性信息可以包括车位类型信息。

在本发明一实施例中，关键特征信息确定模块402可以包括：

确定目标轨迹信息子模块，用于从所述泊车路线中，确定预设长度范围的目标轨迹信息；

确定关键特征信息子模块，用于从所述目标轨迹信息中，确定关键特征信息。

在本发明一实施例中，所述装置还可以包括：

添加标注信息模块，用于添加用于标识所述目标车位的车位信息为非实时识别类型的标注信息。

本发明一实施例还提供了一种电子设备，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上基于自动驾驶的数据处理的方法。

本发明一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上基于自动驾驶的数据处理的方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均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的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对所提供的基于自动驾驶的数据处理和装置、车辆、存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (15)

1.一种基于自动驾驶的数据处理方法，其特征在于，所述方法包括：

学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关键特征信息，确定所述目标车位的车位属性信息，包括：

根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息，包括：

将所述关键特征信息输入预先训练的数据模型；

获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

4.根据权利要求2或3所述的方法，其特征在于，所述车位属性信息包括车位位置信息，所述结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息，包括：

确定所述泊车路线的终点位置信息和航向角信息；

结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

5.根据权利要求4所述的方法，其特征在于，所述终点位置信息为所述当前车辆的后轴中点位置信息，所述车位位置信息为所述目标车位的中心点位置信息。

6.根据权利要求2或3所述的方法，其特征在于，所述车位属性信息包括车位边界信息，所述结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息，包括：

获取预设车位尺寸信息；

根据所述车位类型信息和预设车位尺寸信息，确定所述目标车位的车位边界信息。

7.根据权利要求2或3所述的方法，其特征在于，所述车位属性信息包括车位类型信息。

8.根据权利要求1所述的方法，其特征在于，所述从所述泊车路线中，确定关键特征信息，包括：

从所述泊车路线中，确定预设长度范围的目标轨迹信息；

从所述目标轨迹信息中，确定关键特征信息。

9.根据权利要求1所述的方法，其特征在于，还包括：

添加用于标识所述目标车位的车位信息为非实时识别类型的标注信息。

10.一种基于自动驾驶的数据处理装置，其特征在于，所述装置包括：

泊车路线学习模块，用于学习当前车辆从停车场中指定位置泊入目标车位的泊车路线，以根据所述泊车路线，将所述当前车辆自动驾驶至所述目标车位并泊入；

关键特征信息确定模块，用于在学习所述泊车路线的过程中，当检测到已泊入所述目标车位，且，无法实时识别所述目标车位时，从所述泊车路线中，确定关键特征信息；

目标车位创建模块，用于根据所述关键特征信息，确定所述目标车位的车位属性信息，并根据所述车位属性信息，在所述泊车路线中创建所述目标车位的车位信息。

11.如权利要求10所述的装置，其特征在于，所述目标车位创建模块包括：

确定车位类型信息和泊入模式信息子模块，用于根据所述关键特征信息，确定所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息；

确定车位属性信息子模块，用于结合所述车位类型信息和/或所述泊入模式信息，确定所述目标车位的车位属性信息。

12.如权利要求11所述的装置，其特征在于，所述确定车位类型信息和泊入模式信息子模块包括：

关键特征信息输入单元，用于将所述关键特征信息输入预先训练的数据模型；

车位类型信息和泊入模式信息获取单元，用于获取所述数据模型输出的所述目标车位的车位类型信息和所述当前车辆泊入所述目标车位的泊入模式信息。

13.如权利要求11或12所述的装置，其特征在于，所述车位属性信息包括车位位置信息，所述确定车位属性信息子模块包括：

确定终点位置信息和航向角信息单元，用于确定所述泊车路线的终点位置信息和航向角信息；

确定目标车位的车位位置信息单元，用于结合所述车位类型信息、所述泊入模式信息、所述终点位置信息，以及所述航向角信息，确定所述目标车位的车位位置信息。

14.一种车辆，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于自动驾驶的数据处理方法。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的基于自动驾驶的数据处理方法。

Images