CN115303263A - 一种基于神经网络的自动泊车方法及系统 - Google Patents

一种基于神经网络的自动泊车方法及系统 Download PDF

Info

Publication number
CN115303263A
CN115303263A CN202211061722.9A CN202211061722A CN115303263A CN 115303263 A CN115303263 A CN 115303263A CN 202211061722 A CN202211061722 A CN 202211061722A CN 115303263 A CN115303263 A CN 115303263A
Authority
CN
China
Prior art keywords
parking
neural network
vehicle
panoramic
image
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.)
Pending
Application number
CN202211061722.9A
Other languages
English (en)
Inventor
胡广珊
汪永旺
计亚坤
丁健
王翰林
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.)
Chery Automobile Co Ltd
Original Assignee
Chery Automobile 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 Chery Automobile Co Ltd filed Critical Chery Automobile Co Ltd
Priority to CN202211061722.9A priority Critical patent/CN115303263A/zh
Publication of CN115303263A publication Critical patent/CN115303263A/zh
Pending legal-status Critical Current

Links

Images

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
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/20—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/22—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle
    • B60R1/23—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view
    • B60R1/27—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view providing all-round vision, e.g. using omnidirectional cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30264—Parking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及自动驾驶的自动泊车规划技术领域，特别涉及一种基于神经网络的自动泊车方法及系统，用于提高自动泊车成功率和准确率。本发明通过摄像头获取车辆周围全景环视图像；基于全景环视图像通过深度神经网络算法获取泊车位置；基于泊车位置和车辆状态，规划出泊车路径；启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。本发明利用深度神经网络的停车检测算法提升划线停车位检测的成功率和准确率，利用神经网络借鉴驾驶员经验做路径规划，引导车辆准确高效完成泊车入库。

Description

一种基于神经网络的自动泊车方法及系统
技术领域
本发明涉及自动驾驶的自动泊车规划技术领域，特别涉及一种基于神经网络的自动泊车方法及系统。
背景技术
随着我国经济和科技迅速发展，人们的生活质量有了极大的提高，对汽车的需求也日益增多。近些年来，我国汽车保有量逐年增加，城市内能够提供泊车的车位越来越紧张，泊车的空间也越来越小，无形之中给驾驶员泊车增加了难度。更有甚者，有些停车技术不是很成熟，导致停的车超过停车位的范围，不仅造成停车位的浪费，还容易引起纠纷。因此，能够准确识别出有效的停车位，以及判断出停车不规范的停车位，并合理进行运动路径规划，这对准确的自动泊车有着重大的意义。
现有的技术自动泊车成功率和准确率还尚需提高。
发明内容
针对上述问题，本发明提供一种基于神经网络的自动泊车方法及系统，用于提高自动泊车成功率和准确率。
一种基于神经网络的自动泊车方法，所述方法包括：
通过摄像头获取车辆周围全景环视图像；
基于全景环视图像通过深度神经网络算法获取泊车位置；
基于泊车位置和车辆状态，规划出泊车路径；
启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
进一步的，所述通过摄像头获取车辆周围全景环视图像，具体包括：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
进一步的，所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
进一步的，所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
全景环视图像输入到深度神经网络的主干网络和特征金字塔中，通过一阶全卷积目标检测进行分类得到分类结果，将分类结果输入到空间注意力指导模块进行处理，并沿通道维度执行最大池化与平均池化，之后将空间注意力指导模块输出结果合并特征，输出停车位置。
进一步的，所述泊车位置和车辆状态，规划出泊车路径，具体包括：
将泊车位置、实时的方向盘转角数据和车速数据输入学习优化模型，规划得到泊车路径。
进一步的，所述学习优化模型的建立具体包括：由样本输入车身位姿，经过神经网络预处理输出方向盘转角和车速，再由样本输入的方向盘转角和车速减去神经网络处理后的方向盘转角和车速，将误差再反向传播给神经网络，对网络的权重和阈值进行迭代更新，从而得到学习优化模型。
进一步的，所述每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车，具体包括：
在全景环视图像中获取车辆的定位参数，每隔一定时间阈值检测车辆定位参数是否同时进入泊车位置内部，若满足则泊车结束，若不满足则继续执行泊车。
一种基于神经网络的自动泊车系统，包括：图像获取单元、泊车位置获取单元、规划泊车路径单元和执行泊车单元；
图像获取单元，用于通过摄像头获取车辆周围全景环视图像；
泊车位置获取单元，用于用于在全景环视图像基础上通过深度神经网络算法获取泊车位置；
规划泊车路径单元，用于基于泊车位置和车辆状态，规划出泊车路径；
执行泊车单元，用于启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
进一步的，图像获取单元，具体用于：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
进一步的，泊车位置获取单元，具体用于：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
本发明利用深度神经网络的停车检测算法提升划线停车位检测的成功率和准确率，利用神经网络借鉴驾驶员经验做路径规划，引导车辆准确高效完成泊车入库。
本发明基于深度神经网络的停车位检测算法使得自动泊车系统变得更高效、更可靠，同时在不增加额外硬件的情况下，兼容传统环视的功能。
本发明深度神经网络能够通过学习驾驶员的泊车数据，借鉴驾驶员的泊车经验，做优的路径规划，且具有很好的泛化能力，能够完成不同起点、车身起始航向角较大工况下的自动泊车。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例自动泊车方法流程图；
图2为本发明实施例自动泊车系统示意图；
图3为本发明泊车位置检测深度神经网络结构图；
图4为本发明路径规划神经网络示意图。
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。
现有技术中，有些停车技术不是很成熟，导致停的车超过停车位的范围，不仅造成停车位的浪费，还容易引起纠纷。因此，能够准确识别出有效的停车位，以及判断出停车不规范的停车位，并合理进行运动路径规划，这对准确的自动泊车有着重大的意义。
为此，本发明提出了一种基于神经网络的自动泊车方法及系统，包括一种基于神经网络的自动泊车方法和一种基于神经网络的自动泊车系统。
本发明基于神经网络进行泊车位检测和泊车轨迹规划，提升了划线停车位检测的成功率和准确率，利用神经网络借鉴驾驶员经验做路径规划，引导车辆准确高效完成泊车入库。
第一方面，如图1所示，本发明提供了一种基于神经网络的自动泊车方法，所述方法包括：
通过摄像头获取车辆周围全景环视图像；
基于全景环视图像通过深度神经网络算法获取泊车位置；
基于泊车位置和车辆状态，规划出泊车路径；
启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
具体实施时，每隔一定时间阈值通常设置在0.1－1.0秒之间，具体可根据现场情况调整。
本实施例中，所述通过摄像头获取车辆周围全景环视图像，具体包括：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
具体实施时，本发明使用4＊高清鱼眼摄像头，分别安装在汽车的前保、后牌照板上方和左右摄像头上，并结合基于车载环视摄像头的自动泊车辅助系统获取车辆周围全景环视图像。
本实施例中，所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
具体实施时，通过深度学习图像处理算法获取不同类型、不同颜色的地面划线停车位的识别和定位，在深度神经网络的停车位检测算法主干网络中引入了残差模块和注意力机制模块，大幅提升了划线停车位检测的成功率和准确率，使得自动泊车辅助系统变得更高效、更可靠。
其中残差模块是为了解决深层神经网络模型存在的梯度消失等问题，且在同等网络层数的前提下可获得更好的收敛速度。注意力机制可增强主干网络对于测试图像中停车位信息的关注程度，注意力机制将网络卷积后的结果做平均池化的操作，然后经过卷积、激活等操作后得到的结果向量与残差层的结果向量相乘最终提高网络的结果精度。
本实施例中，所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
全景环视图像输入到深度神经网络的主干网络和特征金字塔中，通过一阶全卷积目标检测进行分类得到分类结果，将分类结果输入到空间注意力指导模块进行处理，并沿通道维度执行最大池化与平均池化，之后将空间注意力指导模块输出结果合并特征，输出停车位置。
具体实施时，注意力机制能够使得网络模型更加关注停车位的相关特征。
本实施例中，所述泊车位置和车辆状态，规划出泊车路径，具体包括：
将泊车位置、实时的方向盘转角数据和车速数据输入学习优化模型，规划得到泊车路径。
具体实施时，路径规划是运用神经网络很强的非线性拟合能力，映射出任意复杂的非线性关系，从训练的数据中提取特征，使其具有较强的学习能力，从而可以很好地借鉴驾驶员的驾驶经验，应用于自动泊车的路径规划。
本实施例中，所述学习优化模型的建立具体包括：由样本输入车身位姿，经过神经网络预处理输出方向盘转角和车速，再由样本输入的方向盘转角和车速减去神经网络处理后的方向盘转角和车速，将误差再反向传播给神经网络，对网络的权重和阈值进行迭代更新，从而得到学习优化模型。
具体实施时，路径规划的神经网络的学习优化模型采用BP神经网络 (backpropagation，反向传播，简称BP)建立，对自动泊车的运动规划进行。训练BP神经网络，主要通过调整网格的参数，通过误差反向传播的方式对网络的的权重和阈值进行不断的迭代更新，从而得到较优的网络参数，以此来保证网络的性能。在训练中，BP神经网络网络隐藏层数量、传递函数、训练算法、损失函数等，均可进行调整。
本实施例中，所述每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车，具体包括：
在全景环视图像中获取车辆的定位参数，每隔一定时间阈值检测车辆定位参数是否同时进入泊车位置内部，若满足则泊车结束，若不满足则继续执行泊车。
具体实施时，在全景环视图像中将车辆使用一个矩形包围，所述矩形长度方向与车辆长轴方向平行；当矩形大小恰好包围车辆时，所述矩形为车辆定位矩形；
每隔一定时间阈值检测车辆定位矩形是否同时进入泊车位置内部，若满足则泊车结束，若不满足则继续执行泊车。
每隔一定时间阈值通常设置在0.1－1.0秒之间，具体可根据现场情况调整。
简要来说，在全景环视图像中寻找一个刚好包裹车辆的外接矩形来代表车辆本身，在全景环视图像中若代表车辆的矩形全部落入泊车位置，即代表车辆已进入正确的泊车位置。
第二方面，如图2所示，本发明提供了一种基于神经网络的自动泊车系统，包括：图像获取单元、泊车位置获取单元、规划泊车路径单元和执行泊车单元；
图像获取单元，用于通过摄像头获取车辆周围全景环视图像；
泊车位置获取单元，用于在全景环视图像基础上通过深度神经网络算法获取泊车位置；
规划泊车路径单元，用于基于泊车位置和车辆状态，规划出泊车路径；
执行泊车单元，用于启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
本实施例中，图像获取单元，具体用于：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
本实施例中，泊车位置获取单元，具体用于：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
具体实施时，本发明一种基于神经网络的自动泊车系统与一种基于神经网络的自动泊车方法实现方式一一对应，在此就不赘述。
为使本领域的技术人员能更好的理解本发明，结合附图对本发明的原理阐述如下：
本发明提供一种将神经网络技术应用于自动泊车的方法和系统，可实现高精度的停车位检测和准确的路径规划。
本系统主要由四个高清鱼眼摄像头，在自动泊车的过程中实时采集图像数据，通过引入深度神经网络的停车位检测法和神经网络借鉴驾驶员经验的路径规划，实现高精度可靠自动泊车。
自动泊车系统逻辑见图1，先开机自检，用户启动自动泊车，摄像头获取全景环视图像，通过深度神经网络算法，融合感知泊车位置，将实时的方向盘转角和车速输入学习优化模型，规划出泊车路径，启动自动泊车，每隔一定时间判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
泊车位置检测深度神经网络结构图见图3，首先摄像头图像实时输入，在主干网络和特征金字塔中，通过一阶全卷积目标检测进行分类，传入到空间注意力指导模块进行处理，注意力机制能够使得网络模型更加关注停车位的相关特征，沿通道维度执行最大池化与平均池化，并合并特征，输出停车位置。
路径规划神经网络逻辑框图见图4，虚线框部分为建立学习优化模型，包括首先完成学习优化模型的建立，由样本输入车身位姿，经过神经网络预处理输出方向盘转角和车速，再由样本输入的方向盘转角和车速减去神经网络处理后的方向盘转角和车速，将误差再反向传播给神经网络，对网络的权重和阈值进行不断的迭代更新，从而得到较优的网络参数，以保证网络的性能。虚线框下面部分为使用学习优化模型，包括将车身位姿实际输入学习优化模型，将方向盘转角和车速做后处理，然后输入到车辆控制系统。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于神经网络的自动泊车方法，其特征在于，所述方法包括：
通过摄像头获取车辆周围全景环视图像；
基于全景环视图像通过深度神经网络算法获取泊车位置；
基于泊车位置和车辆状态，规划出泊车路径；
启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
2.根据权利要求1所述的一种基于神经网络的自动泊车方法，其特征在于，
所述通过摄像头获取车辆周围全景环视图像，具体包括：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
3.根据权利要求1所述的一种基于神经网络的自动泊车方法，其特征在于，
所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
4.根据权利要求1所述的一种基于神经网络的自动泊车方法，其特征在于，
所述基于全景环视图像通过深度神经网络算法获取泊车位置，具体包括：
全景环视图像输入到深度神经网络的主干网络和特征金字塔中，通过一阶全卷积目标检测进行分类得到分类结果，将分类结果输入到空间注意力指导模块进行处理，并沿通道维度执行最大池化与平均池化，之后将空间注意力指导模块输出结果合并特征，输出停车位置。
5.根据权利要求1所述的一种基于神经网络的自动泊车方法，其特征在于，
所述泊车位置和车辆状态，规划出泊车路径，具体包括：
将泊车位置、实时的方向盘转角数据和车速数据输入学习优化模型，规划得到泊车路径。
6.根据权利要求5所述的一种基于神经网络的自动泊车方法，其特征在于，
所述学习优化模型的建立具体包括：由样本输入车身位姿，经过神经网络预处理输出方向盘转角和车速，再由样本输入的方向盘转角和车速减去神经网络处理后的方向盘转角和车速，将误差再反向传播给神经网络，对网络的权重和阈值进行迭代更新，从而得到学习优化模型。
7.根据权利要求1－6中任意一项所述的一种基于神经网络的自动泊车方法，其特征在于，
所述每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车，具体包括：
在全景环视图像中获取车辆的定位参数，每隔一定时间阈值检测车辆定位参数是否同时进入泊车位置内部，若满足则泊车结束，若不满足则继续执行泊车。
8.一种基于神经网络的自动泊车系统，其特征在于，包括：图像获取单元、泊车位置获取单元、规划泊车路径单元和执行泊车单元；
图像获取单元，用于通过摄像头获取车辆周围全景环视图像；
泊车位置获取单元，用于用于在全景环视图像基础上通过深度神经网络算法获取泊车位置；
规划泊车路径单元，用于基于泊车位置和车辆状态，规划出泊车路径；
执行泊车单元，用于启动车辆控制系统执行泊车，每隔一定时间阈值判断是否泊车结束，若结束则检测结束，否则继续执行泊车。
9.根据权利要求8所述的一种基于神经网络的自动泊车系统，其特征在于，
图像获取单元，具体用于：
通过安装在汽车的前保险杠、后牌照板上方和后牌照板左右的高清鱼眼摄像头获取车辆周围全景环视图像。
10.根据权利要求8或9中所述的一种基于神经网络的自动泊车系统，其特征在于，
泊车位置获取单元，具体用于：
基于全景环视图像通过深度神经网络图像处理算法获取不同类型、不同颜色的地面，进而获得划线停车位的识别和定位，所述停车位即泊车位置。
CN202211061722.9A 2022-08-31 2022-08-31 一种基于神经网络的自动泊车方法及系统 Pending CN115303263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211061722.9A CN115303263A (zh) 2022-08-31 2022-08-31 一种基于神经网络的自动泊车方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211061722.9A CN115303263A (zh) 2022-08-31 2022-08-31 一种基于神经网络的自动泊车方法及系统

Publications (1)

Publication Number Publication Date
CN115303263A true CN115303263A (zh) 2022-11-08

Family

ID=83864639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211061722.9A Pending CN115303263A (zh) 2022-08-31 2022-08-31 一种基于神经网络的自动泊车方法及系统

Country Status (1)

Country Link
CN (1) CN115303263A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612458A (zh) * 2023-05-30 2023-08-18 易飒(广州)智能科技有限公司 基于深度学习的泊车路径确定方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612458A (zh) * 2023-05-30 2023-08-18 易飒(广州)智能科技有限公司 基于深度学习的泊车路径确定方法与系统
CN116612458B (zh) * 2023-05-30 2024-06-04 易飒(广州)智能科技有限公司 基于深度学习的泊车路径确定方法与系统

Similar Documents

Publication Publication Date Title
CN111081064B (zh) 一种车载以太网的自动泊车系统及自动代客泊车方法
CN107745710B (zh) 一种基于机器视觉与机器学习的自动泊车方法及系统
CN110689761A (zh) 一种自动泊车方法
CN104590130A (zh) 基于图像识别的后视镜自适应调节方法
CN106926800A (zh) 多摄像头适配的车载视觉感知系统
CN106845547A (zh) 一种基于摄像头的智能汽车定位与道路标识识别系统及方法
CN107341454A (zh) 一种场景中障碍物的检测方法及装置、电子设备
CN105206109A (zh) 一种基于红外ccd的车辆雾天识别预警系统及方法
CN110930323A (zh) 图像去反光的方法、装置
CN105313773A (zh) 高清全景泊车及辅助驾驶系统
WO2022115987A1 (zh) 一种自动驾驶数据采集和闭环管理的方法及系统
CN115303263A (zh) 一种基于神经网络的自动泊车方法及系统
CN107220632B (zh) 一种基于法向特征的路面图像分割方法
CN111046723B (zh) 一种基于深度学习的车道线检测方法
CN113978453B (zh) 自动泊车方法和系统
CN113673403B (zh) 行驶环境检测方法、系统、装置、计算机设备、计算机可读存储介质及汽车
CN114495066A (zh) 一种辅助倒车的方法
CN108986249B (zh) 基于全景环视图像的车辆远程定损方法和系统
CN114620059B (zh) 一种自动驾驶方法及其系统、计算机可读存储介质
US11869253B2 (en) Vehicle environment modeling with a camera
CN207115438U (zh) 用于车载鱼眼相机的图像处理装置
Onkarappa et al. On-board monocular vision system pose estimation through a dense optical flow
CN116052116A (zh) 一种基于多源信息感知和端到端深度学习的自动泊车方法
CN115451987A (zh) 一种自动驾驶汽车的路径规划学习方法
Du et al. Validation of vehicle detection and distance measurement method using virtual vehicle approach

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