CN114220290A - 一种车辆自动寻找车位和自动泊车的方法及系统 - Google Patents

Abstract

本发明公开了一种车辆自动寻找车位和自动泊车的方法及系统。所述方法包括：根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；搭建神经网络模型，将车位信息数据集输入神经网络模型进行训练，得到车位信息；将车位信息和预设位置信息进行匹配，生成临时车位位置集合；从临时车位位置集合中获取与本车距离最近的临时车位位置，生成自动导航路径；根据车载识别装置，识别临时车位位置是否为停车位，若是，将临时车位位置作为车位位置；识别车位位置是否可以停车，若是，生成自动泊车指令，并传送到车辆驱动系统进行响应。本发明能够自动寻找路边临时停车位并自动泊车，提高了寻找车位的时间和准确度，降低了泊车难度。

Description

一种车辆自动寻找车位和自动泊车的方法及系统

技术领域

本发明涉及汽车自动导航和泊车技术领域，特别是涉及一种车辆自动寻找车位和自动泊车的方法及系统。

背景技术

目前，随着经济的发展和城市的扩建，城市里的车辆也逐年增多，车辆除了能给人们带来便捷的生活之外，由于车辆的增多，也随之带来了很多问题。

由于车辆的增多，随之而来的就会出现停车难的问题，虽然现在的城市建设中也着重扩充了很多停车场，但是仍不能满足日益增长的车辆的停车需求。为此，市政单位也规划了很多路边的临时停车位，方便人们短时间的停车需求，不必在周围寻找距离过远的停车场，不方便出行。但这些停车位仍无法满足现有的停车需求，因此造成了车辆的乱停乱放，影响交通也违反了交通规则。

现有的自动寻找停车位基本都是对周围停车场位置的定位寻找，而忽略了路边的临时停车位，无法满足用户能够随时停车的需求。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于GPS卫星定位和车联网的通过获取车辆的位置信息来判定停车位置信息，能够自动寻找路边停车位并且能够自动泊车的自动寻找车位的方法、系统、计算机设备和存储介质。

第一方面，本发明提供了车辆自动寻找车位和自动泊车的方法，所述方法包括：

根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；

搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；

将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；

根据本车的GPS定位信息，从所述临时车位位置集合中获取与本车距离最近的临时车位位置，生成自动导航路径；

根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；

根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集中获取下一个所述临时车位位置。

进一步地，所述根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集的步骤包括：

获取预设区域内所有车辆的GPS定位信息，将在预设时长内所述GPS定位信息发生变化的车辆的状态记录为行驶状态；

根据所述预设时长内车辆的所述GPS定位信息没有发生变化的车辆位置，获取所述车辆位置处的红绿灯信息和交通拥堵指数，将非红灯状态且交通拥堵指数在严重拥堵以下位置的车辆的状态记录为停车状态；

根据所述停车状态的车辆位置，生成车位信息数据集。

进一步地，所述将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合的步骤包括：

获取预设区域内的停车场位置信息，使用加权K近邻算法对所述车位信息和所述停车场位置信息进行匹配，根据匹配不成功的车位信息，生成第一临时车位位置集合；

获取所有车辆的GPS定位信息，将所述GPS定位信息与所述第一临时车位位置集合进行匹配，根据匹配不成功的第一临时车位位置，生成临时车位位置集合。

进一步地，所述根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

根据车载超声波雷达和摄像装置，获取所述临时车位位置对应的停车标志，所述停车标志包括标志牌和停车线；

通过所述车载摄像装置获取所述停车标志的图像，使用YOLOV5模型对所述图像进行识别，确认所述标志牌类型，若所述标志牌为禁令标志牌，则从所述临时车位位置集合中获取下一个临时车位位置，若所述标志牌类型为停车标志牌，则识别地面的停车线，将识别出停车线的临时车位位置作为车位位置。

进一步地，所述根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

根据车载超声波雷达和摄像装置，获取所述临时车位位置的图像；

使用YOLOV5模型对所述图像进行停车线识别，将所述停车线作为停车标志，并将识别出所述停车标志的所述临时车位位置作为车位位置。

进一步地，所述根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

通过车载摄像装置拍摄所述停车标志的图像，使用YOLOV5模型对所述图像中的时间限制进行识别，若没有识别出所述时间限制，则将所述车位位置作为停车车位；

若识别出所述时间限制，将所述时间限制与当前时间进行比对，若比对成功，则将所述车位位置作为停车车位，若比对不成功，则将所述车位位置作为不可停车车位，并从所述临时车位位置集合中获取下一个所述临时车位位置。

进一步地，所述根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置的步骤还包括：

通过车载超声波雷达和车载摄像装置对所述停车车位进行测距，生成自动泊车路径；

根据车辆低速运动学模型和所述自动泊车路径，生成自动泊车指令，并通过CAN总线将所述自动泊车指令发送到车辆驱动系统进行自动泊车响应。

进一步地，所述通过车载超声波雷达和车载摄像装置对所述停车车位进行测距，生成自动泊车路径的步骤包括：

通过车载超声波雷达和车载摄像装置对停车车位的尺寸、对所述停车位置周围的障碍物、以及对所述停车位置和本车之间的距离和障碍物进行测量，其中所述障碍物包括静态障碍物和动态障碍物；

根据测量结果判定所述停车位置能否停放车辆，若是，则生成自动泊车路径；

测量所述动态障碍物运动的速度和轨迹，判定所述动态障碍物是否在自动泊车路径上，若是，则等待所述动态障碍物离开所述自动泊车路径后，重新生成所述自动泊车路径。

进一步地，所述方法还包括：

记录所有车位位置，生成车位集合；

根据本车的GPS定位信息，从所述车位集合中获取与本车距离最近的车位位置，生成自动导航路径。

第二方面，本发明提供了一种车辆自动寻找车位和自动泊车的系统，所述系统包括：

数据集生成模块，用于根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；

车位信息生成模块，用于搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；

临时车位位置集合生成模块，用于将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；

临时车位位置生成模块，用于根据本车的GPS定位信息，从所述临时车位集合中获取与本车距离最近的临时车位位置，生成自动导航路径；

车位位置生成模块，用于根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；

自动泊车模块，用于根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集中获取下一个所述临时车位位置。

上述本发明提供了一种车辆自动寻找车位和自动泊车的方法及系统。通过所述方法，克服了现有的导航系统中都是针对停车场的定位而忽略了路边临时停车位的定位，本发明不仅能够自动寻找路边临时停车位而且还能根据停车位的位置生成泊车指令，使车辆能够自动泊车，这对于汽车导航和泊车技术领域来说，是非常有意义的。

附图说明

图1是本发明实施例中车辆自动寻找车位和自动泊车的方法的流程示意图；

图2是图1中步骤S10的流程示意图；

图3是图1中步骤S30的流程示意图；

图4是图1中步骤S50的流程示意图；

图5是图1中步骤S50的另一种流程示意图；

图6是图1中步骤S60的流程示意图；

图7是图1中步骤S60的第二种流程示意图；

图8是图7中步骤S603的流程示意图；

图9是图7中步骤S604的车辆低速运动学模型的转向几何原理；

图10是本发明实施例中车辆自动寻找车位和自动泊车的方法的方法的另一种流程示意图；

图11是本发明实施例中车辆自动寻找车位和自动泊车的系统的结构示意图。

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。

请参阅图1，本发明第一实施例提出的一种自动寻找车位的方法，包括步骤S10～S60：

步骤S10，根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集。

本发明通过GPS定位和车联网，获取车辆的GPS定位信息，通过大数据分析挖掘判定停车位，首先，需要对车辆的GPS定位信息进行收集，生成相应的车位信息数据集，具体的步骤如图2所示：

步骤S101，获取预设区域内所有车辆的GPS定位信息，将在预设时长内所述GPS定位信息发生变化的车辆的状态记录为行驶状态。

在一定区域内获取所有车辆的GPS定位信息，这些区域可以为整个城市、或者行政区域、以及街道等，可以根据需求自行确定获取GPS定位信息的区域位置。在一定时间内，判定车辆的GPS定位信息是否发生了改变，从而判定该车辆是否在行驶状态，当然由于会发生交通堵塞或者停车等待信号灯的问题，因此该预设时间不能过短，一般可以取10min左右，并且为了判定更加准确，可以在短时间间隔内，进行连续测量，在连续测量时GPS定位信息都发生改变的车辆，我们将车辆状态记录为行驶状态。

步骤S102，根据所述预设时长内车辆的所述GPS定位信息没有发生变化的车辆位置，获取所述车辆位置处的红绿灯信息和交通拥堵指数，将非红灯状态且交通拥堵指数在严重拥堵以下位置的车辆的状态记录为停车状态。

对于在预设时长内GPS定位信息没有发生变化的车辆，我们还需要对其车辆状态做进一步的判定，首先，我们获取这些车辆的位置，以及该位置附近的红绿灯状态和交通拥堵指数，其中交通拥堵指数如下表1所示：

表1交通拥堵指数

由上表我们可以判定，在非红灯状态下，并且也非交通拥堵路段的车辆，在连续测量中GPS定位信息均没有发生变化的，我们将车辆状态可以记录为停车状态，即判定该车辆在停车。

步骤S103，根据所述停车状态的车辆位置，生成车位信息数据集。

在获取所有停车状态的车辆位置后，这些车辆的位置信息即可组成车位信息数据集，以供后续训练使用。

步骤S20，搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息。

对上述得到的车位信息数据集进行训练时，我们使用了神经网络模型，优选的，使用了残差神经网络ResNet，因为深度网络模型随着网络深度的增加会导致更高的错误率，因此我们选择使用了ResNet网络模型，在此我们在Keras框架下构建50层的残差卷积神经网络ResNet，具体的搭建过程和训练过程可以参考常规方法，在此不再赘述。

步骤S30，将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合。

在通过ResNet得到车位信息后，由于车位信息必然包含了停车场的位置信息，因此我们还需要将停车场等位置信息去除，具体步骤如图3所示：

步骤S301，获取预设区域内的停车场位置信息，使用加权K近邻算法对所述车位信息和所述停车场位置信息进行匹配，根据匹配不成功的车位信息，生成第一临时车位位置集合。

对于得到的车位信息，我们获取同区域内的停车场位置信息，包括露天停车场和小区停车场等，然后使用加权K近邻算法对车位信息和停车场信息进行匹配，通过算法，我们可以从车位信息中找到停车场位置，而将非停车场位置的车位信息作为第一临时车位位置，并组成第一临时车位位置集合，具体的匹配算法可以参考常用的加权K近邻算法进行操作，在此不再赘述。

步骤S302，获取所有车辆的GPS定位信息，将所述GPS定位信息与所述第一临时车位位置集合进行匹配，根据匹配不成功的第一临时车位位置，生成临时车位位置集合。

通过加权K近邻算法，我们将非停车场的车位位置提取出来，然后将这些车位位置和车辆实时的GPS定位信息确认的位置再次进行匹配，其目的是确认这些车位中哪些位置是被占用的，哪些车位是没有被占用的可以用于停车的。对于占用的位置我们不再关注，而只关注没有被占用的那些位置是否可以停车，并将这些没有被占用的位置组成临时车位位置集合。

步骤S40，根据本车的GPS定位信息，从所述临时车位位置集合中获取与本车距离最近的临时车位位置，生成自动导航路径。

根据本车的定位信息，从临时车位位置集合中得到离本车最近的临时车位位置，并自动生成导航路径，在到达该临时车位位置后，继续判定该车位是否可以停车。

步骤S50，根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置。

对于临时车位位置是否为停车位，本实施例中我们通过车载识别装置进行判定，具体的判定步骤如图4所示：

步骤S501a，根据车载超声波雷达和摄像装置，获取所述临时车位位置对应的停车标志，所述停车标志包括标志牌和停车线。

首先，我们通过智能车辆安装的车载超声波测距雷达和远红外的双目摄像装置，对临时车位位置的停车标志进行测距识别，包括交通标识牌和地面的停车线。

步骤S502a，通过所述车载摄像装置获取所述停车标志的图像，使用YOLOV5模型对所述图像进行识别，确认所述标志牌类型，若所述标志牌为禁令标志牌，则从所述临时车位位置集合中获取下一个临时车位位置，若所述标志牌类型为停车标志牌，则识别地面的停车线，将识别出停车线的临时车位位置作为车位位置。

在通过车载摄像装置拍摄到停止标志的图像后，本实施例中优选的使用了YOLOV5目标识别模型对图像进行目标识别，首先识别交通标志牌的类型，如果标志牌是禁令标志牌，如禁止驶入、禁止通行、禁止停车等等，那么该位置不是停车位，而是乱停乱放导致的误差判定，则需要获取下一个临时车位位置再继续判定。如果标志牌位停车标志，再继续识别地面上的停车线，将识别出的停车线的该临时车位位置为车位位置，并进行下一步的判定。

当然，为了更快速的识别，还有另外的车位位置识别方法，具体如图5所示：

步骤S501b，根据车载超声波雷达和摄像装置，获取所述临时车位位置的图像。

步骤S502b，使用YOLOV5模型对所述图像进行停车线识别，将所述停车线作为停车标志，并将识别出所述停车标志的所述临时车位位置作为停车位。

同样的使用车载超声波测距雷达和远红外双目摄像装置对临时车位位置进行识别拍摄，并使用YOLOV5目标识别模型对拍摄图像进行停车线识别，将识别出的停车线作为停车标志，该临时车位位置即为停车位，即作为车位位置。通过对停车标志的识别来判定该车位是否位停车位，提高了车位判定的准确性。

步骤S60，根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集中获取下一个所述临时车位位置。

对于识别出的车位位置，该位置是否可以停车还需要继续判定，具体判定步骤如图6所示：

步骤S601，通过车载摄像装置拍摄所述停车标志的图像，使用YOLOV5模型对所述图像中的时间限制进行识别，若没有识别出所述时间限制，则将所述车位位置作为停车车位。

步骤S602，若识别出所述时间限制，将所述时间限制与当前时间进行比对，若比对成功，则将所述车位位置作为停车车位，若比对不成功，则将所述车位位置作为不可停车车位，并从所述临时车位位置集合中获取下一个所述临时车位位置。

为了不影响公共交通，市政规划的很多路边停车位都有停车时间的限制，为了不违反交通规则，我们还需要对停车位是否有停车时间期限做进一步地判定，本实施例中，我们同样使用了YOLOV5目标识别目标进行时间识别判定，如果没有识别出时间，那么认为该停车位可以长时间的停车，该车位位置就是停车车位。

如果识别出了停车时间期限，则需要将该期限与当前时间做比对，如果当前时间在该时间限制范围内，则该车位是停车车位，可以进行停车操作，如果当前时间已经不在该时间限制内，那么该车位是不能停车的，我们需要返回步骤S40，从临时车位位置集合中获取下一个最近的临时车位位置。这么做的好处是，避免了在规定的停车位上，由于停车时间的限制，车辆在非停车时间内进行停车，导致的乱停乱放违反交通规则的问题。

在确认停车位置之后，要对该位置进行测距并生成自动泊车路径和自动泊车指令，具体步骤如图7所示：

步骤S603，通过车载超声波雷达和车载摄像装置对所述停车车位进行测距，生成自动泊车路径。

在我们找到可以停车的车位位置后，可以通过超声波雷达和摄像装置对车位进行测距，来判定本车能否在该车位内停车，并生成自动泊车路径，其具体的步骤如图8所示：

步骤S6031，通过车载超声波雷达和车载摄像装置对停车车位的尺寸、对所述停车位置周围的障碍物、以及对所述停车位置和本车之间的距离和障碍物进行测量，其中所述障碍物包括静态障碍物和动态障碍物；

步骤S6032，根据测量结果判定所述停车位置能否停放车辆，若是，则生成自动泊车路径；

步骤S6033，测量所述动态障碍物运动的速度和轨迹，判定所述动态障碍物是否在自动泊车路径上，若是，则等待所述动态障碍物离开所述自动泊车路径后，重新生成所述自动泊车路径。

首先，需要通过超声波雷达和摄像装置对停车位置进行尺寸的测量，以及停车位置周围障碍物的识别和测量，包括周围障碍物离停车线的距离，本车到停车位置之间的距离，在该距离上是否有障碍物等，来确定该位置能够停得下本车，停车之后能否打得开车门等，根据判定结果来确认该停车位置能否可以停车，对于可以停车的位置，会根据停车位置生成自动泊车路径。在低速倒车场景中，不考虑轮胎侧滑因素，车辆的运动轨迹仅与其前轮轴线中心点的转向角有关，而与泊车速度的大小无关，可以认为泊车的运动轨迹是由一个个圆弧组成。因此，本实施例中使用圆弧直线法生成自动泊车路径，其中，包括纵向泊车路径和横向泊车路径，可以划分为直线阶段-弧线阶段-弧线阶段-直线阶段，按照车辆前轮轴线中心点的转向角对其计算即可，在此不再做详细解释。

由于在停车过程中可能会存在行人或者车辆的移动，因此还需要对这种动态的障碍物进行判断，通过车载识别装置对动态障碍物的运行速度和运行轨迹进行测距并且预测，来判断该障碍物的移动是否在自动泊车路径上，从而判断该障碍物是否会影响车辆的自动泊车，如果会影响，那么需要等待该障碍物不在泊车路径之后，重新判定周围环境再次生成自动泊车路径，这么做的好处是防止动态障碍物离开后，周围的障碍物环境也发生变化，而导致的自动泊车路径失效的问题。

步骤S604，根据车辆低速运动学模型和所述自动泊车路径，生成自动泊车指令，并通过CAN总线将所述自动泊车指令发送到车辆驱动系统进行自动泊车响应。

在泊车过程中，车辆行驶速度较低，因此忽略汽车低俗行驶时的车轮侧向滑动，车辆位具有非完整性约束的运动系统，其运动学方程可以表示为：

式中，x和y分别位车辆后轴中点在X轴和Y轴上的坐标，v位车辆后轴中点行驶速度，θ位车身方位角，R为后轴中点处转弯半径，由Ackerman转向几何原理可知

其中，

前轴等效转角，L为车辆轴距，如图9所示。

根据车辆低速运动学模型和自动泊车路径，可以生成车辆的自动泊车指令，并且通过CAN总线将指令发送到车辆底层驱动，使得车辆可以按照指令进行自动泊车，当然这需要车辆具备相应的自动驾驶功能，在此不再赘述。

实际上，本实施例中的自动寻找车位的方法在经过长时间的应用之后，其准确度会更高，对其方法也可以做进一步的处理，如图10所示：

步骤S70，记录所有车位位置，生成车位集合。

步骤S80，根据本车的GPS定位信息，从所述车位集合中获取与本车距离最近的车位位置，生成自动导航路径。

由于在实际使用过程中，会不断的确认该临时停车位置是否是停车位置，以及该停车位置的停车时间限制是什么，对已经实际确认的车位位置进行记录，并记录其时间期限，生成车位集合，随着时间的增加，该车位集合里的数据也会随着增加，从车位集合里寻找可以停车的位置，从而使本实施例中的自动寻找车位的准确性更高，寻找速度也更加快。因此，本实施例实际上是可以一直进行进化，从而提高寻找效率和寻找精准度的自动寻找车位的方法。

本实施例提供的一种车辆自动寻找车位和自动泊车的方法方法，相比现有的导航系统中都是针对停车场的定位而忽略了路边临时停车位的定位，本发明不仅能够自动寻找路边临时停车位而且还能根据停车位的位置生成泊车指令，使车辆能够自动泊车，并且可以通过不断的自主学习，使自动寻找车位的时间和准确性不断的提高。

请参阅图11，基于同一发明构思，本发明第二实施例提出的一种车辆自动寻找车位和自动泊车的系统，包括:

数据集生成模块10，用于根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；

车位信息生成模块20，用于搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；

临时车位位置集合生成模块30，用于将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；

临时车位位置生成模块40，用于根据本车的GPS定位信息，从所述临时车位集合中获取与本车距离最近的临时车位位置，生成自动导航路径；

车位位置生成模块50，用于根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；

自动泊车模块60，用于根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集中获取下一个所述临时车位位置。

本发明实施例提出的车辆自动寻找车位和自动泊车的系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。上述车辆自动寻找车位和自动泊车的系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

综上，本发明实施例提出的一种车辆自动寻找车位和自动泊车的方法和系统，所述方法通过根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；根据本车的GPS定位信息，从所述临时车位位置集合中获取与本车距离最近的临时车位位置，生成自动导航路径；根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置。该方法通过GPS卫星定位和车联网获取车辆的位置信息来判定停车位置信息,本发明不仅能够自动寻找路边临时停车位而且还能根据停车位的位置生成泊车指令，使车辆能够自动泊车，不仅提高了寻找车位的时间和准确度，还降低了泊车难度，提高了泊车效率。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆自动寻找车位和自动泊车的方法，其特征在于，包括：

根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；

搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；

将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；

根据本车的GPS定位信息，从所述临时车位位置集合中获取与本车距离最近的临时车位位置，生成自动导航路径；

根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；

根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置。

2.根据权利要求1所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集的步骤包括：

获取预设区域内所有车辆的GPS定位信息，将在预设时长内所述GPS定位信息发生变化的车辆的状态记录为行驶状态；

根据所述预设时长内车辆的所述GPS定位信息没有发生变化的车辆位置，获取所述车辆位置处的红绿灯信息和交通拥堵指数，将非红灯状态且交通拥堵指数在严重拥堵以下位置的车辆的状态记录为停车状态；

根据所述停车状态的车辆位置，生成车位信息数据集。

3.根据权利要求1所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合的步骤包括：

获取预设区域内的停车场位置信息，使用加权K近邻算法对所述车位信息和所述停车场位置信息进行匹配，根据匹配不成功的车位信息，生成第一临时车位位置集合；

获取所有车辆的GPS定位信息，将所述GPS定位信息与所述第一临时车位位置集合进行匹配，根据匹配不成功的第一临时车位位置，生成临时车位位置集合。

4.根据权利要求1所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

根据车载超声波雷达和车载摄像装置，获取所述临时车位位置对应的停车标志，所述停车标志包括标志牌和停车线；

通过所述车载摄像装置获取所述停车标志的图像，使用YOLOV5模型对所述图像进行识别，确认所述标志牌类型，若所述标志牌为禁令标志牌，则从所述临时车位位置集合中获取下一个临时车位位置，若所述标志牌类型为停车标志牌，则识别地面的停车线，将识别出停车线的临时车位位置作为车位位置。

5.根据权利要求1所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

根据车载超声波雷达和车载摄像装置，获取所述临时车位位置的图像；

使用YOLOV5模型对所述图像进行停车线识别，将所述停车线作为停车标志，并将识别出所述停车标志的所述临时车位位置作为车位位置。

6.根据权利要求4或5任一项所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置的步骤包括：

通过车载摄像装置拍摄所述停车标志的图像，使用YOLOV5模型对所述图像中的时间限制进行识别，若没有识别出所述时间限制，则将所述车位位置作为停车车位；

若识别出所述时间限制，将所述时间限制与当前时间进行比对，若比对成功，则将所述车位位置作为停车车位，若比对不成功，则将所述车位位置作为不可停车车位，并从所述临时车位位置集合中获取下一个所述临时车位位置。

7.根据权利要求6所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集合中获取下一个所述临时车位位置的步骤还包括：

通过车载超声波雷达和车载摄像装置对所述停车车位进行测距，生成自动泊车路径；

根据车辆低速运动学模型和所述自动泊车路径，生成自动泊车指令，并通过CAN总线将所述自动泊车指令发送到车辆驱动系统进行自动泊车响应。

8.根据权利要求7所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述通过车载超声波雷达和车载摄像装置对所述停车车位进行测距，生成自动泊车路径的步骤包括：

通过车载超声波雷达和车载摄像装置对停车车位的尺寸、对所述停车位置周围的障碍物、以及对所述停车位置和本车之间的距离和障碍物进行测量，其中所述障碍物包括静态障碍物和动态障碍物；

根据测量结果判定所述停车位置能否停放车辆，若是，则生成自动泊车路径；

测量所述动态障碍物运动的速度和轨迹，判定所述动态障碍物是否在自动泊车路径上，若是，则等待所述动态障碍物离开所述自动泊车路径后，重新生成所述自动泊车路径。

9.根据权利要求1所述的车辆自动寻找车位和自动泊车的方法，其特征在于，所述方法还包括：

记录所有车位位置，生成车位集合；

根据本车的GPS定位信息，从所述车位集合中获取与本车距离最近的车位位置，生成自动导航路径。

10.一种车辆自动寻找车位和自动泊车的系统，其特征在于，所述系统包括：

数据集生成模块，用于根据预设时长和预设区域内所有车辆的GPS定位信息，生成车位信息数据集；

车位信息生成模块，用于搭建神经网络模型，将所述车位信息数据集输入所述神经网络模型进行训练，得到车位信息；

临时车位位置集合生成模块，用于将所述车位信息和预设位置信息进行匹配，生成临时车位位置集合；

临时车位位置生成模块，用于根据本车的GPS定位信息，从所述临时车位集合中获取与本车距离最近的临时车位位置，生成自动导航路径；

车位位置生成模块，用于根据车载识别装置，识别所述临时车位位置是否为停车位，若是，则将所述临时车位位置作为车位位置，若否，则将所述临时车位位置作为非车位位置，并从所述临时车位位置集合中获取下一个所述临时车位位置；

自动泊车模块，用于根据所述车载识别装置，识别所述车位位置是否可以停车，若是，则生成自动泊车指令，并将所述自动泊车指令传送到车辆驱动系统进行自动泊车响应，若否，则从所述临时车位位置集中获取下一个所述临时车位位置。

Images