CN115214624B - 泊车路径的确定方法、装置、车辆及存储介质 - Google Patents
泊车路径的确定方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115214624B CN115214624B CN202210210756.3A CN202210210756A CN115214624B CN 115214624 B CN115214624 B CN 115214624B CN 202210210756 A CN202210210756 A CN 202210210756A CN 115214624 B CN115214624 B CN 115214624B
- Authority
- CN
- China
- Prior art keywords
- point
- parking
- path
- determining
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 142
- 230000008569 process Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 89
- 238000003062 neural network model Methods 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000010845 search algorithm Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 244000089486 Phragmites australis subsp australis Species 0.000 description 1
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种泊车路径的一种泊车路径的确定方法、装置、车辆及存储介质。本方法通过至少一轮路径确定过程确定泊车路径。其中，至少一轮路径确定过程中的第i轮路径确定过程包括如下步骤：获取经由预设模型预测的第i轨迹引导点；基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点；确定第i目标扩展点和泊车终点之间的第一段泊车路径；若第一段泊车路径满足预设条件，则确定泊车路径；预设条件表征第一段泊车路径上不存在障碍物。该方法能够基于第i轨迹引导点快速确定出第i目标扩展点，加快了泊车路径的确定速率。同时，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，保证了泊车路径搜索的准确性。
Description
技术领域
本申请涉及自动驾驶技术领域，更具体地，涉及一种泊车路径的确定方法、装置、车辆及存储介质。
背景技术
目前，自动泊车系统(Automatic Parking Assist，APA)中设有路径规划算法，其可以实现对泊车路径的规划，车辆按照规划出的泊车路径行驶即可完成自动泊车。
现有技术中，APA系统中的路径规划算法通常为混合A星算法。但由于混合A星算法是一种典型的启发式搜索算法，仅用传统的启发项对泊车路径进行搜索，因此存在着路径搜索速度较慢的问题。
发明内容
本申请实施例提供一种泊车路径的确定方法、装置、车辆及存储介质。
第一方面，本申请一些实施例提供一种泊车路径的确定方法。该方法包括：通过至少一轮路径确定过程确定泊车路径，泊车路径表征建议车辆从泊车起点行驶至泊车终点所经过的路径。至少一轮路径确定过程中的第i轮路径确定过程包括如下步骤，i为正整数：获取经由预设模型预测的第i轨迹引导点，第i轨迹引导点位于泊车起点至泊车终点之间的预定区域内；基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点，第i目标扩展点是满足车辆的行驶能力且行驶代价最小的轨迹点；确定第i目标扩展点和泊车终点之间的第一段泊车路径，第一段泊车路径是指满足车辆的行驶能力的路径；若第一段泊车路径满足预设条件，则确定泊车路径；预设条件表征第一段泊车路径上不存在障碍物；泊车路径包括第一段泊车路径及第二段泊车路径；第二段泊车路径为自泊车起点、并经由前i轮的各个目标扩展点的路径。
第二方面，本申请一些实施例提供一种泊车路径的确定装置。该装置包括：泊车路径确定模块。泊车路径确定模块用于通过至少一轮路径确定过程确定泊车路径，泊车路径表征建议车辆从泊车起点行驶至泊车终点所经过的路径。具体地，泊车路径确定模块包括轨迹引导点获取子模块、目标扩展点确定子模块、第一路径确定子模块和第二路径确定子模块。其中，轨迹引导点获取子模块用于获取经由预设模型预测的第i轨迹引导点，第i轨迹引导点位于泊车起点至泊车终点之间的预定区域内。目标扩展点确定子模块用于基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点，第i目标扩展点是满足车辆的行驶能力且行驶代价最小的轨迹点。第一路径确定子模块用于确定第i目标扩展点和泊车终点之间的第一段泊车路径，第一段泊车路径是指满足车辆的行驶能力的路径。第二路径确定子模块用于若第一段泊车路径满足预设条件，则确定泊车路径；预设条件表征第一段泊车路径上不存在障碍物；泊车路径包括第一段泊车路径及第二段泊车路径；第二段泊车路径为自泊车起点、并经由前i轮的各个目标扩展点的路径。
第三方面，本申请一些实施例还提供一种车辆，包括：一个或多个处理器、存储器以及一个或多个应用程序。其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于执行上述的泊车路径的确定方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序指令。其中，计算机程序指令可被处理器调用执行上述的泊车路径的确定方法。
第五方面，本申请实施例还提供一种计算机程序产品，该计算机程序产品被执行时，实现上述的泊车路径的确定方法。
本申请提供了一种泊车路径的确定方法、装置、车辆及存储介质。本申请通过至少一轮路径确定过程确定出泊车路径，其中，在第i轮的路径确定过程中，第i目标扩展点是基于第i轨迹引导点和车辆的转向角参数确定的，在第i目标扩展点和泊车终点之间的第一段泊车路径满足预设条件的情况下，确定泊车路径。在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点，加快了泊车路径的确定速率；在另一方面，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，进而保证了泊车路径搜索的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种泊车路径的确定方法的应用环境示意图。
图2示出了本申请第一实施例提供的一种泊车路径的确定方法的流程示意图。
图3示出了本申请实施例提供的一种第一段泊车路径的示意图。
图4示出了本申请实施例提供的一种泊车路径的示意图。
图5示出了本申请第二实施例提供的一种泊车路径的确定方法的流程示意图。
图6示出了本申请实施例提供的一种扩展点的示意图。
图7示出了本申请第三实施例提供的一种泊车路径的确定方法的流程示意图。
图8示出了本申请实施例提供的一种神经网络模型示意图。
图9示出了本申请实施例提供的一种神经网络模型的训练方法的流程示意图。
图10示出了本申请实施例提供的一种神经网络模型的模型训练示意图。
图11示出了本申请第五实施例提供的一种泊车路径的确定方法的流程示意图。
图12示出了本申请实施例提供的一种泊车路径的确定装置的模块框图。
图13示出了本申请实施例提供的车辆的模块框图。
图14示出了本申请实施例提供的计算机可读存储介质的模块框图。
具体实施方式
下面详细描述本申请的实施方式，实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性地，仅用于解释本申请，而不能理解为对本申请的限制。
为了使本技术领域的人员更好地理解本申请的方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请提供了一种泊车路径的确定方法、装置、车辆及存储介质。本申请通过至少一轮路径确定过程确定出泊车路径，其中，在第i轮的路径确定过程中，第i目标扩展点是基于第i轨迹引导点和车辆的转向角参数确定的，在第i目标扩展点和泊车终点之间的第一段泊车路径满足预设条件的情况下，确定泊车路径。在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点，加快了泊车路径的确定速率；在另一方面，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，保证了泊车路径搜索的准确性。
为了便于详细说明本申请方案，下面先结合附图对本申请示例中的应用环境进行介绍。请参阅图1，图1为本申请示例提供的泊车路径的确定方法的应用环境示意图，该方法应用于车辆100，车辆100是指以动力装置驱动或者牵引，供人员乘用或者用于运送物品的交通工具，其包括但不限于小轿车、中巴车、大巴车等等。在本申请中，车辆100包括车身110和控制台120。
控制台120为车辆100的控制中心，用于处理车辆100在行驶过程中所获取的数据信息，并生成用于控制车身110的控制指令。在本申请实施例中，控制台120中存储有训练完成的神经网络模型以及混合A星算法。在一方面，控制台120可以基于神经网络模型确定第i轮路径确定过程中的第i轨迹引导点，其中，第i轨迹引导点位于泊车起点至泊车终点之间的预定区域内。在另一方面，控制台120可以基于混合A星算法，根据第i轮路径确定过程中的第i轨迹引导点，确定第i目标扩展点，其中，第i目标扩展点是满足车辆100的行驶能力且行驶代价最小的轨迹点。在本申请实施例中，控制台120还用于判断第i轮路径确定过程中的第i目标扩展点和泊车终点之间的第一段泊车路径是否满足预设条件，并且在满足预设条件的情况下，确定泊车路径，其中，预设条件是指第一段泊车路径上不存在障碍物。
在一些实施例中，控制台120还用于根据至少一个训练样本对初始神经网络模型进行训练，并将训练完成的神经网络模型存储在控制台120对应的存储器中。在另一些实施例中，神经网络模型的训练过程是在与车辆100建立通信连接的服务器200中完成的。其中，服务器200可以是一台服务器，也可以是多台服务器组成的服务器集群，还可以是一个云计算服务中心。服务器200将训练完成的神经网络模型进行存储，控制台120在接收到自动泊车指令的情况下，向服务器200发送模型获取指令，并接收服务器200基于模型获取指令所发送的神经网络模型，进而基于神经网络模型确定第i轮路径确定过程中的第i轨迹引导点。
在一些实施例中，车身110还包括环视摄像头和超声波传感器。环视摄像头为广角摄像头，用于获取车辆100外界的环境图像。超声波传感器是一种将超声波信号转换成其它能量信号(例如，电信号)的传感器。在本申请实施例中，环视摄像头和超声波传感器用于检测泊车路径上是否存在障碍物。在一些实施例中，车辆100设置有12个超声波传感器和4个环视摄像头。
请参阅图2，图2示意性地示出了本申请第一实施例提供的一种泊车路径的确定方法。本方法中的泊车路径是通过至少一轮路径确定过程确定的，具体地，该方法中至少一轮路径确定过程中的第i轮路径确定过程可以包括以下步骤S210至步骤S240，其中，i为正整数。
步骤S210，获取经由预设模型预测的第i轨迹引导点。
预设模型为神经网络模型。神经网络模型是一种用于进行数据预测的数学模型，在本申请实施例中，神经网络模型用于预测第i轮路径确定过程中的第i轨迹引导点，其中，第i轨迹引导点位于泊车起点至泊车终点之间的预定区域内。具体地，神经网络模型的具体模型结构和模型训练过程在下文实施例中进行介绍。
在本申请实施例中，车辆在确定泊车起点和泊车终点的情况下，执行获取经由预设模型预测的第i轨迹引导点的步骤。
在一些实施例中，车辆将接收到自动泊车指令的时刻下的位置作为泊车起点。具体地，车辆通过关联设备接收自动泊车指令。示例性地，关联设备可以是车辆的交互装置，例如，设置有实体按键或虚拟按键的控制台；关联设备也可以是与车辆建立通信连接的智能设备，例如，智能手机或智能钥匙等等。车辆在接收到自动泊车指令的情况下，通过车辆内部的全球定位系统确定车辆的当前位置，并将该位置作为泊车起点。
在另一些实施例中，泊车起点可以是泊车路径的必经位置，例如，停车场的入口位置。示例性地，当车辆检测到用户存在泊车意图的情况下，例如车辆正在朝向停车场的方向进行行驶，并且车辆与停车场的距离小于预设距离的情况下，确定用户存在泊车意图，车辆将停车场的入口位置作为泊车起点。具体地，预设距离可以是小于200米的任意距离，例如，预设距离为100米。
在一些实施例中，泊车终点可以是默认位置，例如，车主的私人车位所在的位置。上述默认位置可以是用户主动设置的，也可以是车辆根据历史泊车记录分析得出的。当车辆检测到当前处于私人车位所在的车库时，将车主的私人车位所在的位置确定为泊车终点。
在另一些实施例中，泊车终点可以根据车辆当前所处的位置确定。作为一种实施方式，通过车辆上安装的至少一个图像采集装置(例如，环视摄像头)获取车辆所处位置的环境图像，进而基于预设的图像处理算法对环境图像进行处理，获取泊车终点。示例性地，车辆所处位置可以是某个停车场，通过环视摄像头获取到的环境图像则为停车场图像，进而基于图像处理算法(例如，车道线检测算法)获取停车场图像中的停车标志线(例如，用于标记车位的矩形框线)，最后基于停车标志线确定泊车终点。可选地，车辆在基于环境图像确定有多个泊车终点的情况下，将泊车终点所处位置在环境图像中进行标记，并将标记后的环境图像在车辆的交互装置上进行显示，以供用户进行选择环境图像上的泊车终点。可选地，车辆在基于环境图像确定有多个泊车终点的情况下，将多个泊车终点中与车辆当前位置距离最近的泊车终点确定为目标泊车终点。
这里需要说明的是，在i为1的情况下，也即在第1轮路径确定过程中，第1轨迹引导点是基于泊车起点和泊车终点确定的；在i大于1的情况下，也即在第1轮路径确定过程之后的每一轮路径确定过程中，第i轨迹引导点是基于第i-1轮中的目标扩展点和泊车终点确定的，例如，在第3轮路径确定过程中，轨迹引导点是基于第2轮中的第2目标扩展点和泊车终点确定的。具体地，获取经由神经网络模型预测的第i轨迹引导点的具体实施方式，在下文实施例中进行详细阐述。
步骤S220，基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点。
第i目标扩展点是满足车辆的行驶能力且行驶代价最小的轨迹点。在本申请中，行驶代价是基于总代价值确定的。具体地，确定总代价值的具体实施方式在下文实施例中进行详述。车辆的转向角参数包括内轮最大转角和外轮最大转角等参数。具体地，车辆的转向角参数可以通过读取存储器中的默认参数进行确定。
在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点。在另一方面，由于第i目标扩展点是基于车辆的转向角参数确定的，因此能够满足车辆的运动学特性，进而使得基于第i目标扩展点确定出的泊车路径能够满足车辆的行驶能力。具体地，确定第i目标扩展点的具体实施方式，在下文实施例中进行详细阐述。
步骤S230，确定第i目标扩展点和泊车终点之间的第一段泊车路径。
第一段泊车路径是指满足车辆的行驶能力的路径。在本申请实施例中，控制器通过判断第i目标扩展点和泊车终点之间是否可以通过Reeds Shepp曲线(RS曲线)进行连接，并且在确定第i目标扩展点和泊车终点之间可以通过RS曲线进行连接的情况下，将该RS曲线确定为第一段泊车路径。其中，RS曲线是由至少一段固定半径的圆弧和至少一段直线组成的。作为一种实施方式，基于预设的RS曲线类型表确定第i目标扩展点和泊车终点之间的目标RS曲线，在目标RS曲线满足约束条件的情况下，则确定第i目标扩展点和泊车终点之间可以通过RS曲线进行连接。其中，约束条件为目标RS曲线中每条圆弧的半径均大于或等于车辆的最小转向半径。具体地，预设的RS曲线类型表和车辆的最小转向半径可以通过读取车辆的存储器中的默认参数进行确定。
这里需要说明的是，RS曲线是满足车辆行驶能力的曲线，也即，第一段泊车路径满足车辆的行驶能力。控制器在确定第i目标扩展点和泊车终点之间无法通过RS曲线进行连接的情况下，则进行第i+1轮的路径确定过程，也即重复步骤S210至步骤S230。
步骤S240，若第一段泊车路径满足预设条件，则确定泊车路径。
预设条件表征第一段泊车路径上不存在障碍物。作为一种实施方式，在第一段泊车路径确定的情况下，基于车辆的尺寸信息(例如，车辆的长度和宽度)确定车辆的目标行驶区域，进而通过车辆的至少一个超声波传感器和至少一个环视摄像头检测目标行驶区域内是否存在障碍物(例如，墙体、柱子、其他车辆等等)。示例性地，控制器可以基于接收到的至少一个超声波传感器发出的回波信号判断目标行驶区域内是否存在障碍物；也可以基于预设的目标识别算法对至少一个环视摄像头采集到的图像进行物体识别，进而判断目标行驶区域内是否存在障碍物。请参阅图3，图3示意性地示出了本申请实施例提供的一种第一段泊车路径的示意图。在图3中，PX1为第1目标扩展点，PN为泊车终点，PX1和PN之间的弧线为第一段泊车路径，实线所框出的区域为车辆，虚线所框出的区域为车辆的目标行驶区域。在通过超声波传感器或者环视摄像头检测出车辆的目标行驶区域不存在障碍物的情况下，确定第一段泊车路径不存在障碍物。
在本申请实施例中，在第一段泊车路径不满足预设条件的情况下，则进行第i+1轮的路径确定过程，也即重复步骤S210至步骤S240，直至第一段泊车路径满足预设条件，进而获取泊车路径。
这里需要说明的是，本申请中的泊车路径包括第一段泊车路径和第二段泊车路径。其中，第二段泊车路径为自泊车起点、并经由前i轮的各个目标扩展点的路径。示例性地，以i为3为例，则对应有第1轮路径确定过程中得到的第1目标扩展点、第2轮路径确定过程中得到的第2目标扩展点和第3轮路径确定过程中得到的第3目标扩展点。第二泊车路径则对应为泊车起点和第1目标扩展点之间的第一子路径、第1目标扩展点和第2目标扩展点之间的第二子路径以及第2目标扩展点和第3目标扩展点之间的第三子路径的路径之和。请参阅图4，图4示意性地示出了本申请实施例提供的一种泊车路径的示意图。在图4中，P0为泊车起点，PX1为第1目标扩展点，PX2为第2目标扩展点，PX3为第3目标扩展点，PN为泊车终点。其中，PX3和PN之间为第一段泊车路径，P0、PX1、PX2和PX3之间为第二段泊车路径。不难发现，图4中的泊车路径是在第3轮路径确定过程中确定的。
本申请提供了一种泊车路径的确定方法。本申请通过至少一轮路径确定过程确定出泊车路径，其中，在第i轮的路径确定过程中，第i目标扩展点是基于第i轨迹引导点和车辆的转向角参数确定的，在第i目标扩展点和泊车终点之间的第一段泊车路径满足预设条件的情况下，确定泊车路径。在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点，加快了泊车路径的确定速率；在另一方面，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，保证了泊车路径搜索的准确性。
请参阅图5，图5示意性地示出了本申请第二实施例提供的一种泊车路径的确定方法。本方法中的泊车路径是通过至少一轮路径确定过程确定的，在第i轮路径确定过程中的第i轨迹引导点确定的情况下，基于第i轨迹引导点和车辆的转向角参数进而从多个扩展点中确定出第i目标扩展点。具体地，该方法中至少一轮路径确定过程中的第i轮路径确定过程可以包括以下步骤S510至步骤S560，其中，i为正整数。
步骤S510，获取经由预设模型预测的第i轨迹引导点。
步骤S520，基于第i轨迹引导点和车辆的转向角参数，确定多个扩展点。
扩展点是满足车辆的行驶能力的轨迹点。在本申请中，通过车辆的转向角参数，可以确定出车辆的最小转向半径，进而将车辆的当前位置作为路径起点，第i轨迹引导点作为路径终点，根据车辆的最小转向半径和预设的路径搜索算法，确定出多条行驶路径，每条行驶路径的终点即为扩展点。具体地，预设的路径搜索算法可以是A星算法、混合A星算法、D星算法等等。请参阅图6，图6示意性地示出了本申请实施例提供的一种扩展点的示意图。在图6中，实线所框出的区域为车辆，车辆所处的位置为第i轨迹引导点，基于第i轨迹引导点和车辆的转向角参数进行搜索，得到满足车辆的行驶能力的10条行驶路径，每条行驶路径的终点为一个扩展点。
这里需要说明的是，本申请中确定出的第i轨迹引导点仅是预测出的点，路径搜索算法不一定能够搜索到一条从当前位置行驶至第i轨迹引导点的行驶路径。但由于通过路径搜索算法搜索出的行驶路径是符合车辆行驶能力的路径，因此，通过路径搜索算法得到的扩展点和第i轨迹引导点并不一定能够重合，也即，扩展点和第i轨迹引导点不一定是相同的点。
此外，扩展点的个数(也即，行驶路径的条数)是基于车辆中处理器的运算性能确定的。处理器的运算性能越好，扩展点的个数则越多；反之，处理器的运算性能越差，扩展点的个数则越少。其中，扩展点的个数可以是大于0的任意自然数，在本申请中，扩展点的个数为10个。
步骤S530，分别获取多个扩展点的总代价值。
在本申请实施例中，总代价值是通过计算第一代价值和第二代价值确定的。其中，第一代价值表征扩展点和第i轨迹引导点之间的数据相似度，第二代价值是基于扩展点的转角参数和方向参数确定的，转角参数表征车辆从目标点行驶至扩展点的方向盘角度变化情况，方向参数表征车辆从目标点行驶至扩展点的行驶方向变化情况。具体地，步骤S530包括步骤S532至步骤S536。
步骤S532，基于扩展点的坐标以及第i轨迹引导点的坐标获取扩展点的第一代价值。
在本申请实施例中，扩展点和第i轨迹引导点可以通过位置数据和航向数据描述。其中，位置数据可以是预设坐标系中的坐标值，以预设坐标系为平面直角坐标系为例，则位置数据为该坐标系中的横坐标值和纵坐标值。航向数据可以是车辆航向角，车辆航向角用于描述车辆在不同位置处的转向信息。在本申请实施例中，扩展点的坐标包括第一横坐标值、第一纵坐标值和第一航向角，第i轨迹引导点的坐标包括第二横坐标值、第二纵坐标值和第二航向角。示例性地，扩展点可以通过点A(x1，y1，yaw1)表示，其中，x1、y1和yaw1分别为扩展点对应的第一横坐标值、第一纵坐标值和第一航向角。第i轨迹引导点可以通过点B(x2，y2，yaw2)表示，其中，x2、y2和yaw2分别为第i轨迹引导点对应的第二横坐标值、第二纵坐标值和第二航向角。具体地，步骤S532包括步骤S5322至步骤S5328。
步骤S5322，将第一横坐标值和第二横坐标值之间的差值的绝对值，确定为第一子代价值。
具体地，第一子代价值可以通过以下公式计算得出。
H1＝|x1-x2|。
其中，H1为第一子代价值，x1为第一横坐标值，x2为第二横坐标值。
步骤S5324，将第一纵坐标值和第二纵坐标值之间的差值的绝对值，确定为第二子代价值。
具体地，第二子代价值可以通过以下公式计算得出。
H2＝|y1-y2|。
其中，H2为第二子代价值，y1为第一纵坐标值，y2为第二纵坐标值。
步骤S5326，将第一航向角和第二航向角之间的差值的绝对值，确定为第三子代价值。
具体地，第三子代价值可以通过以下公式计算得出。
H3＝|yaw1-yaw2|。
其中，H3为第三子代价值，yaw1为第一航向角，yaw2为第二航向角。
步骤S5328，将第一子代价值、第二子代价值和第三子代价值的和，确定为第一代价值。
具体地，第一代价值可以通过以下公式计算得出。
H＝H1+H2+H3＝|x1-x2|+|y1-y2|+|yaw1-yaw2|。
其中，H为第一代价值。
步骤S534，基于扩展点的转角参数和方向参数，获取扩展点的第二代价值。
在本申请实施例中，在i为1的情况下，目标点为泊车起点，在i大于1的情况下，目标点为第i-1轮中的第i-1目标扩展点。具体地，转角参数和第二代价值呈正相关关系，也即，转角参数越大，则第二代价值就越大。方向参数和第二代价值呈正相关关系，也即，方向参数越大，则第二代价值就越大。
这里需要说明的是，车辆在基于路径搜索算法确定扩展点的情况下，同时也确定了车辆从目标点行驶至扩展点的行驶路径，进而基于行驶路径通过预设的方向盘转角预测算法可以确定转角参数，其中，方向盘转角预测算法可以是基于VGG模型的神经网络预测算法。在本申请实施例中，方向参数表征车辆从目标点行驶至扩展点的行驶方向的改变次数，通过获取行驶路径中的圆弧个数，并将圆弧个数确定为行驶路径的方向参数。具体地，步骤S534包括步骤S5342至步骤S5346。
步骤S5342，将转角参数和第一权重的乘积值，确定为第四子代价值。
具体地，第四子代价值可以通过以下公式计算得出。
H4＝k1*SteerAngle。
其中，H4为第四子代价值，k1为第一权重，SteerAngle为转角参数。
步骤S5344，将方向参数和第二权重的乘积值，确定为第五子代价值。
具体地，第五子代价值可以通过以下公式计算得出。
H5＝k2*DirectionChange。
其中，H5为第五子代价值，k2为第二权重，DirectionChange为方向参数。
步骤S5346，将第四子代价值和第五子代价值的和，确定为第二代价值。
具体地，第二代价值可以通过以下公式计算得出。
C＝H4+H5＝k1*SteerAngle+k2*DirectionChange。
其中，C为第二代价值。这里需要说明的是，第一权重k1和第二权重k2可以是默认值，也可以由研发人员进行调整，例如，若研发人员在期望车辆从目标点行驶至扩展点时，能够尽可能少打方向盘，则调高第一权重k1的取值，也即调高了转角参数对应的惩罚权重。若研发人员在期望车辆从目标点行驶至扩展点时，能够尽可能少改变行驶方向，则调高第二权重k2的取值，也即调高了方向参数对应的惩罚权重。
步骤S536，将第一代价值和第二代价值的和，确定为扩展点的总代价值。
具体地，总代价值可以通过以下公式计算得出。
cost＝H+C＝|x1-x2|+|y1-y2|+|yaw1-yaw2|+k1*SteerAngle+k2*DirectionChange。
步骤S540，将总代价值最小的扩展点确定为第i目标扩展点。
作为一种实施方式，可以通过预设的排序算法多个总代价值进行排序，并将总代价值最小的扩展点确定为第i目标扩展点。其中，预设的排序算法可以是冒泡排序法、选择排序法、插入排序法、希尔排序法以及归并排序法等等。
步骤S550，确定第i目标扩展点和泊车终点之间的第一段泊车路径。
步骤S560，若第一段泊车路径满足预设条件，则确定泊车路径。
步骤S550至步骤S560的具体实施过程可以参考步骤S230至步骤S240中的详细介绍，在此不再一一赘述。
本申请实施例给出了一种泊车路径的确定方法。该方法中的第i目标扩展点是基于多个扩展点和第i轨迹引导点确定的，通过获取扩展点和第i轨迹引导点之间的总代价值，并将总代价值最小的扩展点确定为第i目标扩展点。通过本方法，能够快速地从多个扩展点中确定出第i目标扩展点，加快了泊车路径的搜索速度。
请参阅图7，图7示意性地示出了本申请第三实施例提供的一种泊车路径的确定方法。本方法中的泊车路径是通过至少一轮路径确定过程确定的，其中，用于预测第i轨迹引导点的预设模型为神经网络模型，也即，第i轮路径确定过程中的第i轨迹引导点是基于神经网络模型预测得到的。具体地，该方法中至少一轮路径确定过程中的第i轮路径确定过程可以包括以下步骤S710至步骤S750，其中，i为正整数。
步骤S710，在i为1的情况下，通过神经网络模型对泊车起点和泊车终点进行处理，得到第1轨迹引导点。
神经网络模型是基于至少一个训练样本对初始神经网络模型进行训练得到的，至少一个训练样本包括训练泊车路径中的泊车起点和泊车终点，训练泊车路径标注有期望轨迹引导点。
在本申请中，训练泊车路径可以是通过采集经验丰富的驾驶员的泊车路径确定的，也可以是通过仿真算法对泊车路径进行仿真确定的。在确定训练泊车路径的情况下，也即确定了泊车路径对应的泊车起点和泊车终点，进而通过离散采样算法对训练泊车路径进行采样，进而确定至少一个期望轨迹引导点。上述训练样本的确定过程以及基于至少一个训练样本对初始神经网络模型进行训练的过程可以在车辆的控制台中进行，也可以在与车辆相关联的服务器中进行，本申请不做具体限定。神经网络模型具体的训练过程在在下文实施例中进行详细阐述。
在本申请实施例中，车辆在接收到自动泊车指令的情况下，确定出泊车起点和泊车终点，泊车起点和泊车终点的具体确定过程可以参考步骤S210中的详细介绍。具体地，泊车起点通过坐标点P0(x0，y0，yaw0)表示，其中，x0和y0分别为泊车起点P0在平面直角坐标系中的横坐标值和纵坐标值，yaw0为车辆在泊车起点P0处的车辆航向角。同样地，泊车终点通过坐标点PN(xN，yN，yawN)表示，其中，xN和yN分别为泊车终点PN在平面直角坐标系中的横坐标值和纵坐标值，yawN为车辆在泊车终点PN处的车辆航向角。
请参阅图8，图8示意性地示出了本申请实施例提供的一种神经网络模型示意图。在该神经网络模型中，模型输入层的维度为6*1，其中，模型输入层的输入数据为泊车起点P0和泊车终点PN所对应的6个参数，也即，x0、y0、yaw0、xN、yN和yawN。模型输出层的维度为3*1，其中，模型输出层的输出数据为第i轮路径确定过程中的第i轨迹引导点。例如，在i为1的情况下，模型输出层的输出数据为第1轮路径确定过程中的第1轨迹引导点，同样地，第i轨迹引导点采用x，y和yaw三个参数进行描述。模型中间层为至少一层隐藏层，其中，模型输入层、至少一层隐藏层和模型输出层之间的连接方式为全连接方式。在本申请对隐藏层的层数，以及每层隐藏层对应的节点个数不做具体限制。示例性地，在图8中，隐藏层的层数为3层，第一隐藏层的节点个数为6，第二隐藏层的节点个数为6，第三隐藏层的节点个数为4。
车辆通过读取控制器或服务器中存储的已训练完成的神经网络模型，将泊车起点和泊车终点对应的坐标作为模型的输入，进而将模型的输出确定为第1轮路径确定过程中的第1轨迹引导点的坐标值。
步骤S720，在i大于1的情况下，通过神经网络模型对第i-1轮中的第i-1目标扩展点和泊车终点进行处理，得到第i轨迹引导点。
这里需要说明的是，在i大于1的情况下，也即在第1轮路径确定过程之后的每一轮路径确定过程中，第i轨迹引导点是基于第i-1轮中的目标扩展点和泊车终点确定的。其中，第i-1轮中的目标扩展点的确定过程可以参考步骤S520至步骤S540中的详细介绍，在此不再一一赘述。
示例性地，以i等于3为例，则在第3轮路径确定过程中，车辆通过读取控制器或服务器中存储的已训练完成的神经网络模型，将第2轮中的第2目标扩展点和泊车终点对应的坐标作为模型的输入，进而将模型的输出确定为第3轮路径确定过程中的第3轨迹引导点的坐标值。
步骤S730，基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点。
步骤S740，确定第i目标扩展点和泊车终点之间的第一段泊车路径。
步骤S750，若第一段泊车路径满足预设条件，则确定泊车路径。
步骤S730至步骤S750的具体实施过程可以参考步骤S220至步骤S240中的详细介绍，在此不再一一赘述。
本申请实施例提供的一种泊车路径的确定方法，在本实施例中，具体介绍了基于神经网络模型确定第i轨迹引导点的实施方式以及神经网络模型的详细结构，为后续确定第i目标扩展点提供了参考依据，进而加快了泊车路径的搜索速度。
下面对神经网络模型的训练过程进行介绍。请参阅图9，图9示意性地示出了一种神经网络模型的训练方法。具体地，神经网络模型的训练方法可以包括步骤S910至步骤S950。
步骤S910，获取至少一个训练样本。
在本申请中，训练样本的数量可以根据神经网络模型的预测精度要求实际确定，神经网络模型的预测精度要求越高，则训练样本的数量越多。
在一些实施例中，至少一个训练样本从多个车辆的历史泊车路径中获取。比如，相关人员在泊车前开启泊车路径采集功能，通过泊车路径采集功能采集本次的泊车路径，在泊车成功后，向服务器上报泊车路径。在另一些实施例中，技术人员搭建车辆的泊车仿真环境，在泊车仿真环境中进行各种泊车路径的测试，将测试成功的泊车路径上报至服务器。服务器基于上述两种方式中的至少一项选择训练神经网络模型所需的训练样本，并在本地训练神经网络模型，或者，将选择出的训练样本发送至车辆，由车辆进行训练。
步骤S920，针对至少一个训练样本中的每个训练样本，通过初始神经网络模型得到每个训练样本对应的预测轨迹引导点。
预测轨迹引导点的数量是基于对应训练样本中期望轨迹引导点的数量确定的。具体地，预测轨迹引导点的数量等于期望轨迹引导点的数量。请再次参阅图8，在图8示出的神经网络模型中，模型输出层对应的三个数据输出通道分别和模型输入层中泊车起点对应的三个数据输入通道相连接，以用于将上一轮得到的模型输出数据(也即，上一轮的预测轨迹引导点)作为下一轮模型预测的输入数据。具体地，横坐标值对应的数据输出通道和泊车起点的横坐标值对应的数据输入通道相连接，纵坐标值对应的数据输出通道和泊车起点的纵坐标值对应的数据输入通道相连接，车辆航向角对应的数据输出通道和泊车起点的车辆航向角对应的数据输入通道相连接。
示例性地，在一次迭代过程中，以训练泊车路径的泊车起点和泊车终点作为模型输入数据，得到第一预测轨迹引导点，进而将第一预测轨迹引导点和泊车终点作为模型输入数据，得到第二预测轨迹引导点，直至预测轨迹引导点的数量等于预设数量，则完成对预测轨迹引导点的确定，其中，预设数量为期望轨迹引导点的数量。
步骤S930，获取预测轨迹引导点和期望轨迹引导点之间的误差值。
误差值可以通过误差函数确定。具体地，误差函数可以是均方误差函数、均方根误差函数以及平均绝对误差函数等函数。
在一些实施例中，训练泊车路径存在多个预测轨迹引导点和多个期望轨迹引导点。通过获取每个预测轨迹引导点和相对应的期望轨迹引导点之间的子误差值，进而将多个子误差值的和作为误差值。
步骤S940，若训练参数不符合预设的训练完成条件，则基于误差值和优化函数对初始神经网络模型进行参数优化，并从通过初始神经网络模型得到至少一个训练样本对应的预测轨迹引导点的步骤重新开始执行。
在一些实施例中，训练参数包括误差值，则训练完成条件表征误差值小于预设误差值。预设误差值根据神经网络模型的预测精度要求实际确定，神经网络模型的预测精度要求越高，则预设误差值越小，神经网络模型的预测精度要求越低，则预设误差值越大。在误差值大于或等于预设误差值的情况下，则表明神经网络模型未完成模型的训练工作，则基于误差值和优化函数对初始神经网络模型进行参数优化。其中，优化函数可以是梯度下降函数、批量梯度下降函数、随机梯度下降函数以及自适应时刻估计优化(AdaptiveMoment Estimation，Adam)函数等等，本申请对优化函数不做具体限定。在对初始神经网络模型进行参数优化完成后，再次执行步骤S920。
在另一些实施例中，训练参数包括迭代次数，则训练完成条件表征迭代次数大于或等于预设次数。预设次数根据神经网络模型的预测精度要求实际确定，神经网络模型的预测精度要求越高，则预设次数越大，神经网络模型的预测精度要求越低，则预设次数越小。在迭代次数小于预设次数的情况下，则表明神经网络模型未完成模型的训练工作，则基于误差值和优化函数对初始神经网络模型进行参数优化。其中，优化函数可以是梯度下降函数、批量梯度下降函数、随机梯度下降函数以及自适应时刻估计优化(Adaptive MomentEstimation，Adam)函数等等，本申请对优化函数不做具体限定。在对初始神经网络模型进行参数优化完成后，再次执行步骤S920。
步骤S950，若误差值符合预设的训练完成条件，则获取完成训练的神经网络模型。
在一些实施例中，训练参数包括误差值，在误差值小于预设误差值的情况下，则表明神经网络模型训练完成，此时获取训练完成的神经网络模型。
在另一些实施例中，训练参数包括迭代次数，在迭代次数大于或等于预设次数的情况下，则表明神经网络模型训练完成，此时获取训练完成的神经网络模型。
请参阅图10，图10示意性地示出了本申请实施例提供的一种模型训练示意图。图10中，以训练泊车路径的泊车起点P0和泊车终点PN作为模型的输入，以训练泊车路径对应的多个预测轨迹引导点P1、P2、…、PN-1作为模型的输出，进而基于多个预测轨迹引导点和多个期望轨迹引导点之间的误差值，对初始神经网络模型进行训练，得到训练完成的神经网络模型。
本申请实施例提供了一种神经网络模型的训练方法，基于该方法训练得到的神经网络模型，能够准确对每一轮路径确定过程中的轨迹引导点进行获取。
请参阅图11，图11示意性地示出了本申请第四实施例提供的一种泊车路径的确定方法。具体地，本方法包括步骤S1110至步骤S1140。
步骤S1110，获取泊车起点P0和泊车终点PN。
步骤S1115，基于泊车轨迹引导点模型，得到轨迹引导点PX。
其中，泊车轨迹引导点模型即为步骤S510中的神经网络模型。
步骤S1120，基于轨迹引导点，使用混合A星搜索算法进行搜索。
步骤S1125，得到搜索队列中代价最低的点PX1。
步骤S1130，判断点PX1是否能用RS曲线与泊车终点PN相连，并且路径无碰撞。
若否，则执行步骤S1135；若是，则执行步骤S1140。
步骤S1135，将点PX1赋值给泊车起点P0。
重新执行步骤S1110。
步骤S1140，输出整条泊车轨迹。
本申请提供了一种泊车路径的确定方法。本申请通过至少一轮路径确定过程确定出泊车路径，其中，在第i轮的路径确定过程中，第i目标扩展点是基于第i轨迹引导点和车辆的转向角参数确定的，在第i目标扩展点和泊车终点之间的第一段泊车路径满足预设条件的情况下，确定泊车路径。在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点，加快了泊车路径的确定速率；在另一方面，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，保证了泊车路径搜索的准确性。
请参阅图12，其示出了本申请实施例提供的一种泊车路径的确定装置1200的结构框图。该泊车路径的确定装置1200包括：泊车路径确定模块1210。泊车路径确定模块1210用于通过至少一轮路径确定过程确定泊车路径，泊车路径表征建议车辆从泊车起点行驶至泊车终点所经过的路径。具体地，泊车路径确定模块1210包括轨迹引导点获取子模块1212、目标扩展点确定子模块1214、第一路径确定子模块1216和第二路径确定子模块1218。其中，轨迹引导点获取子模块1212用于获取经由预设模型预测的第i轨迹引导点，第i轨迹引导点位于泊车起点至泊车终点之间的预定区域内。目标扩展点确定子模块1214用于基于第i轨迹引导点和车辆的转向角参数确定第i目标扩展点，第i目标扩展点是满足车辆的行驶能力且行驶代价最小的轨迹点。第一路径确定子模块1216用于确定第i目标扩展点和泊车终点之间的第一段泊车路径，第一段泊车路径是指满足车辆的行驶能力的路径。第二路径确定子模块1218用于若第一段泊车路径满足预设条件，则确定泊车路径；预设条件表征第一段泊车路径上不存在障碍物；泊车路径包括第一段泊车路径及第二段泊车路径；第二段泊车路径为自泊车起点、并经由前i轮的各个目标扩展点的路径。
在一些实施例中，目标扩展点确定子模块1214还用于基于第i轨迹引导点和车辆的转向角参数，确定多个扩展点，扩展点是满足车辆的行驶能力的轨迹点；分别获取多个扩展点的总代价值；将总代价值最小的扩展点确定为第i目标扩展点。
在一些实施例中，目标扩展点确定子模块1214还用于基于扩展点的坐标以及第i轨迹引导点的坐标获取扩展点的第一代价值；第一代价值表征扩展点和第i轨迹引导点之间的数据相似度；基于扩展点的转角参数和方向参数，获取扩展点的第二代价值；转角参数表征车辆从目标点行驶至扩展点的方向盘角度变化情况，方向参数表征车辆从目标点行驶至扩展点的行驶方向变化情况；其中，在i为1的情况下，目标点为泊车起点，在i大于1的情况下，目标点为第i-1轮中的第i-1目标扩展点；将第一代价值和第二代价值的和，确定为扩展点的总代价值。
在一些实施例中，扩展点的坐标包括第一横坐标值、第一纵坐标值和第一航向角，第i轨迹引导点的坐标包括第二横坐标值、第二纵坐标值和第二航向角。目标扩展点确定子模块1214还用于将第一横坐标值和第二横坐标值之间的差值的绝对值，确定为第一子代价值；将第一纵坐标值和第二纵坐标值之间的差值的绝对值，确定为第二子代价值；将第一航向角和第二航向角之间的差值的绝对值，确定为第三子代价值；将第一子代价值、第二子代价值和第三子代价值的和，确定为第一代价值。
在一些实施例中，目标扩展点确定子模块1214还用于将转角参数和第一权重的乘积值，确定为第四子代价值；将方向参数和第二权重的乘积值，确定为第五子代价值；将第四子代价值和第五子代价值的和，确定为第二代价值。
在一些实施例中，预设模型为神经网络模型，轨迹引导点获取子模块1212还用于在i为1的情况下，通过神经网络模型对泊车起点和泊车终点进行处理，得到第1轨迹引导点；在i大于1的情况下，通过神经网络模型对第i-1轮中的第i-1目标扩展点和泊车终点进行处理，得到第i轨迹引导点；神经网络模型是基于至少一个训练样本对初始神经网络模型进行训练得到的，至少一个训练样本包括训练泊车路径中的泊车起点和泊车终点，训练泊车路径标注有期望轨迹引导点。
在一些实施例中，泊车路径的确定装置1200还包括模型训练模块(图中未示出)。模型训练模块用于获取至少一个训练样本；针对至少一个训练样本中的每个训练样本，通过初始神经网络模型得到每个训练样本对应的预测轨迹引导点；获取预测轨迹引导点和期望轨迹引导点之间的误差值；若训练参数不符合预设的训练完成条件，则基于误差值和优化函数对初始神经网络模型进行参数优化，并从通过初始神经网络模型得到至少一个训练样本对应的预测轨迹引导点的步骤重新开始执行，训练参数包括误差值和迭代次数中的至少一项；若训练参数符合预设的训练完成条件，则获取完成训练的神经网络模型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，模块相互之间的耦合可以是电性，机械或其它形式的耦合。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本申请提供了一种泊车路径的确定装置。本申请通过至少一轮路径确定过程确定出泊车路径，其中，在第i轮的路径确定过程中，第i目标扩展点是基于第i轨迹引导点和车辆的转向角参数确定的，在第i目标扩展点和泊车终点之间的第一段泊车路径满足预设条件的情况下，确定泊车路径。在一方面，本申请中的第i目标扩展点是基于第i轨迹引导点确定的，第i轨迹引导点为第i目标扩展点的确定提供了参考依据，使得车辆能够快速地确定出第i轮路径确定过程中的第i目标扩展点，加快了泊车路径的确定速率；在另一方面，泊车路径满足车辆的行驶能力并且在泊车路径上不存在障碍物，保证了泊车路径搜索的准确性。
请参阅图13，其示出了本申请实施例还提供一种车辆1300，该车辆1300包括：一个或多个处理器1310、存储器1320以及一个或多个应用程序。其中，一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个应用程序配置用于执行上述的泊车路径的确定方法。
处理器1310可以包括一个或者多个处理核。处理器1310利用各种接口和线路连接整个电池管理系统内的各种部分，通过运行或执行存储在存储器1320内的指令、程序、代码集或指令集，以及调用存储在存储器1320内的数据，执行电池管理系统的各种功能和处理数据。可选地，处理器1310可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1310可集成中央处理器1310(Central Processing Unit，CPU)、图像处理器1310(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1310中，单独通过一块通信芯片进行实现。
存储器1320可以包括随机存储器1320(Random Access Memory，RAM)，也可以包括只读存储器1320(Read-Only Memory)。存储器1320可用于存储指令、程序、代码、代码集或指令集。存储器1320可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各种方法实施例的指令等。存储数据区还可以存储电子设备图在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参阅图14，其示出了本申请实施例还提供一种计算机可读存储介质1400，该计算机可读存储介质1400中存储有计算机程序指令1410，计算机程序指令1410可被处理器调用以执行上述实施例中所描述的方法。
计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质包括非易失性计算机可读存储介质(non-transitory computer-readable storage medium)。计算机可读存储介质1400具有执行上述方法中的任何方法步骤的计算机程序指令1410的存储空间。这些计算机程序指令1410可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。
以上，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭示如上，然而并非用以限定本申请，任何本领域技术人员，在不脱离本申请技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本申请技术方案内容，依据本申请的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本申请技术方案的范围内。
Claims (8)
1.一种泊车路径的确定方法，其特征在于，所述方法包括：
通过至少一轮路径确定过程确定泊车路径，所述泊车路径表征建议车辆从泊车起点行驶至泊车终点所经过的路径；
至少一轮所述路径确定过程中的第i轮路径确定过程包括如下步骤，i为正整数：
获取经由预设模型预测的第i轨迹引导点，所述第i轨迹引导点位于所述泊车起点至所述泊车终点之间的预定区域内；
基于所述第i轨迹引导点和所述车辆的转向角参数，确定多个扩展点，所述扩展点是满足所述车辆的行驶能力的轨迹点；
基于所述扩展点的坐标以及所述第i轨迹引导点的坐标获取所述扩展点的第一代价值；所述第一代价值表征所述扩展点和所述第i轨迹引导点之间的数据相似度；
基于所述扩展点的转角参数和方向参数，获取所述扩展点的第二代价值；所述转角参数表征所述车辆从目标点行驶至所述扩展点的方向盘角度变化情况，所述方向参数表征所述车辆从目标点行驶至所述扩展点的行驶方向变化情况；其中，在i为1的情况下，所述目标点为泊车起点，在i大于1的情况下，所述目标点为第i-1轮中的第i-1目标扩展点；
将所述第一代价值和所述第二代价值的和，确定为所述扩展点的总代价值；
将总代价值最小的所述扩展点确定为所述第i目标扩展点，所述第i目标扩展点是满足所述车辆的行驶能力且行驶代价最小的轨迹点；
确定所述第i目标扩展点和所述泊车终点之间的第一段泊车路径，所述第一段泊车路径是指满足所述车辆的行驶能力的路径；
若所述第一段泊车路径满足预设条件，则确定所述泊车路径；所述预设条件表征所述第一段泊车路径上不存在障碍物；所述泊车路径包括所述第一段泊车路径及第二段泊车路径；所述第二段泊车路径为自所述泊车起点、并经由前i轮的各个目标扩展点的路径。
2.根据权利要求1所述的方法，其特征在于，所述扩展点的坐标包括第一横坐标值、第一纵坐标值和第一航向角，所述第i轨迹引导点的坐标包括第二横坐标值、第二纵坐标值和第二航向角，所述基于所述扩展点的坐标以及所述第i轨迹引导点的坐标获取所述扩展点的第一代价值，包括：
将所述第一横坐标值和所述第二横坐标值之间的差值的绝对值，确定为第一子代价值；
将所述第一纵坐标值和所述第二纵坐标值之间的差值的绝对值，确定为第二子代价值；
将所述第一航向角和所述第二航向角之间的差值的绝对值，确定为第三子代价值；
将所述第一子代价值、所述第二子代价值和所述第三子代价值的和，确定为所述第一代价值。
3.根据权利要求1所述的方法，其特征在于，所述基于所述扩展点的转角参数和方向参数，确定第二代价值，包括：
将所述转角参数和第一权重的乘积值，确定为第四子代价值；
将所述方向参数和第二权重的乘积值，确定为第五子代价值；
将所述第四子代价值和所述第五子代价值的和，确定为所述第二代价值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述预设模型为神经网络模型，所述获取经由预设模型预测的第i轨迹引导点包括：
在i为1的情况下，通过所述神经网络模型对所述泊车起点和所述泊车终点进行处理，得到所述第1轨迹引导点；
在i大于1的情况下，通过所述神经网络模型对第i-1轮中的第i-1目标扩展点和所述泊车终点进行处理，得到所述第i轨迹引导点；
所述神经网络模型是基于至少一个训练样本对初始神经网络模型进行训练得到的，至少一个所述训练样本包括训练泊车路径中的泊车起点和泊车终点，所述训练泊车路径标注有期望轨迹引导点。
5.根据权利要求4所述的方法，其特征在于，所述神经网络模型的训练过程如下：
获取至少一个所述训练样本；
针对至少一个所述训练样本中的每个训练样本，通过所述初始神经网络模型得到每个所述训练样本对应的预测轨迹引导点；
获取所述预测轨迹引导点和所述期望轨迹引导点之间的误差值；
若训练参数不符合预设的训练完成条件，则基于所述误差值和优化函数对所述初始神经网络模型进行参数优化，并从所述通过所述初始神经网络模型得到至少一个所述训练样本对应的预测轨迹引导点的步骤重新开始执行，所述训练参数包括所述误差值和迭代次数中的至少一项；
若所述训练参数符合所述预设的训练完成条件，则获取完成训练的所述神经网络模型。
6.一种泊车路径的确定装置，其特征在于，所述装置包括：
泊车路径确定模块，用于通过至少一轮路径确定过程确定泊车路径，所述泊车路径表征建议车辆从泊车起点行驶至泊车终点所经过的路径；
所述泊车路径确定模块包括轨迹引导点获取子模块、目标扩展点确定子模块、第一路径确定子模块和第二路径确定子模块；
所述轨迹引导点获取子模块，用于获取经由预设模型预测的第i轨迹引导点，所述第i轨迹引导点位于所述泊车起点至所述泊车终点之间的预定区域内；
所述目标扩展点确定子模块，用于基于所述第i轨迹引导点和所述车辆的转向角参数，确定多个扩展点，所述扩展点是满足所述车辆的行驶能力的轨迹点；基于所述扩展点的坐标以及所述第i轨迹引导点的坐标获取所述扩展点的第一代价值；所述第一代价值表征所述扩展点和所述第i轨迹引导点之间的数据相似度；基于所述扩展点的转角参数和方向参数，获取所述扩展点的第二代价值；所述转角参数表征所述车辆从目标点行驶至所述扩展点的方向盘角度变化情况，所述方向参数表征所述车辆从目标点行驶至所述扩展点的行驶方向变化情况；其中，在i为1的情况下，所述目标点为泊车起点，在i大于1的情况下，所述目标点为第i-1轮中的第i-1目标扩展点；将所述第一代价值和所述第二代价值的和，确定为所述扩展点的总代价值；将总代价值最小的所述扩展点确定为所述第i目标扩展点，所述第i目标扩展点是满足所述车辆的行驶能力且行驶代价最小的轨迹点；
所述第一路径确定子模块，用于确定所述第i目标扩展点和所述泊车终点之间的第一段泊车路径，所述第一段泊车路径是指满足所述车辆的行驶能力的路径；
所述第二路径确定子模块，用于若所述第一段泊车路径满足预设条件，则确定所述泊车路径；所述预设条件表征所述第一段泊车路径上不存在障碍物；所述泊车路径包括所述第一段泊车路径及第二段泊车路径；所述第二段泊车路径为自所述泊车起点、并经由前i轮的各个目标扩展点的路径。
7.一种车辆，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如权利要求1-5任一项所述的方法。
8.一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中存储有计算机程序指令，所述计算机程序指令可被处理器调用执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210210756.3A CN115214624B (zh) | 2022-03-04 | 2022-03-04 | 泊车路径的确定方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210210756.3A CN115214624B (zh) | 2022-03-04 | 2022-03-04 | 泊车路径的确定方法、装置、车辆及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115214624A CN115214624A (zh) | 2022-10-21 |
| CN115214624B true CN115214624B (zh) | 2023-12-26 |
Family
ID=83606513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210210756.3A Active CN115214624B (zh) | 2022-03-04 | 2022-03-04 | 泊车路径的确定方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115214624B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
| CN111897341A (zh) * | 2020-08-05 | 2020-11-06 | 三一专用汽车有限责任公司 | 泊车路径规划方法、装置和计算机可读存储介质 |
| CN111959498A (zh) * | 2020-07-14 | 2020-11-20 | 重庆智行者信息科技有限公司 | 一种自动驾驶车辆的垂直泊车方法及其装置、车辆 |
| CN112414422A (zh) * | 2020-11-01 | 2021-02-26 | 北京航空航天大学 | 一种自动泊车的路径规划方法、装置及存储介质 |
| CN112590775A (zh) * | 2020-12-22 | 2021-04-02 | 中国第一汽车股份有限公司 | 一种自动泊车方法、装置、车辆及存储介质 |
| CN112758084A (zh) * | 2021-01-27 | 2021-05-07 | 爱驰汽车有限公司 | 泊车轨迹规划方法、装置、设备及存储介质 |
| WO2022022658A1 (zh) * | 2020-07-30 | 2022-02-03 | 北京罗克维尔斯科技有限公司 | 自动泊车控制方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8099214B2 (en) * | 2009-02-09 | 2012-01-17 | GM Global Technology Operations LLC | Path planning for autonomous parking |
-
2022
- 2022-03-04 CN CN202210210756.3A patent/CN115214624B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
| CN111959498A (zh) * | 2020-07-14 | 2020-11-20 | 重庆智行者信息科技有限公司 | 一种自动驾驶车辆的垂直泊车方法及其装置、车辆 |
| WO2022022658A1 (zh) * | 2020-07-30 | 2022-02-03 | 北京罗克维尔斯科技有限公司 | 自动泊车控制方法及装置 |
| CN111897341A (zh) * | 2020-08-05 | 2020-11-06 | 三一专用汽车有限责任公司 | 泊车路径规划方法、装置和计算机可读存储介质 |
| CN112414422A (zh) * | 2020-11-01 | 2021-02-26 | 北京航空航天大学 | 一种自动泊车的路径规划方法、装置及存储介质 |
| CN112590775A (zh) * | 2020-12-22 | 2021-04-02 | 中国第一汽车股份有限公司 | 一种自动泊车方法、装置、车辆及存储介质 |
| CN112758084A (zh) * | 2021-01-27 | 2021-05-07 | 爱驰汽车有限公司 | 泊车轨迹规划方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115214624A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200265710A1 (en) | Travelling track prediction method and device for vehicle | |
| CN114080634B (zh) | 使用锚定轨迹的代理轨迹预测 | |
| US12038753B2 (en) | Speed planning method and apparatus, electronic device and storage medium | |
| JP7086111B2 (ja) | 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法 | |
| CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
| CN108099918B (zh) | 用于确定自主车辆的命令延迟的方法 | |
| JP7256758B2 (ja) | 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位 | |
| JP6147691B2 (ja) | 駐車スペース案内システム、駐車スペース案内方法、及びプログラム | |
| JP2020001678A (ja) | 重み付け幾何学的コストを有する区分的螺旋曲線を使用した基準線平滑化方法 | |
| US11635299B2 (en) | Method and system for scene-aware interaction | |
| US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
| CN114830138A (zh) | 训练轨迹评分神经网络以准确分配分数 | |
| CN108255170A (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
| CN114323054B (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
| CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN109827586B (zh) | 自动驾驶车辆速度规划方法、装置和设备 | |
| CN111397616A (zh) | 候选充电桩确定方法、装置、设备和介质 | |
| CN113424209B (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 | |
| CN113454555A (zh) | 用于驾驶策略的轨迹预测 | |
| CN113997954A (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
| CN115649193A (zh) | 速度规划方法、装置、车辆以及存储介质 | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN112255628A (zh) | 障碍物轨迹预测方法、装置、设备和介质 | |
| JP4096384B2 (ja) | 運転行動パターン認識装置 | |
| CN114184203B (zh) | 路径规划方法、电子设备及移动装置 |
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 |