CN115900695A - 一种应用于车辆的智能泊车车辆定位的方法 - Google Patents
一种应用于车辆的智能泊车车辆定位的方法 Download PDFInfo
- Publication number
- CN115900695A CN115900695A CN202211231764.2A CN202211231764A CN115900695A CN 115900695 A CN115900695 A CN 115900695A CN 202211231764 A CN202211231764 A CN 202211231764A CN 115900695 A CN115900695 A CN 115900695A
- Authority
- CN
- China
- Prior art keywords
- determining
- current
- matrix
- vehicle
- jacobian matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000011159 matrix material Substances 0.000 claims abstract description 243
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种应用于车辆的智能泊车车辆定位的方法，所述方法包括：采集后轮轮速、航向角以及前轮转向角，确定第一车辆状态变量和第一系统状态方程，进而确定第一和第二雅克比矩阵；根据后轮轮速、航向角、第一雅克比矩阵和历史估计值，确定当前估计值；根据估计过程噪声、第一雅克比矩阵，确定误差协方差矩阵估计值，进而确定卡尔曼滤波增益矩阵；根据第二雅克比矩阵和历史估算误差，确定当前估算误差；根据当前估算误差、卡尔曼滤波增益矩阵、第二雅克比矩阵、当前估计值和误差协方差矩阵估计值，确定状态变量估计值和误差协方差矩阵，调整控制参数，以确定目标车辆在泊车位置，可以提高车辆定位的精确度。
Description
技术领域
本发明涉及车辆智能驾驶领域，尤其涉及一种应用于车辆的智能泊车车辆定位的方法。
背景技术
随着车辆智能驾驶技术的快速发展，智能泊车已成为不可或缺的车辆辅助功能。
然而，车辆在智能泊车时，由于车辆进行大幅度转向和车身刚度不足造成了车辆的轮距和轴距等参数的改变，致使传统航位推算算法在自动泊车过程中，无法满足对车辆进行高精度定位的需求。
发明内容
本发明提供了一种应用于车辆的智能泊车车辆定位的方法，以提高车辆定位的精确度，进而提高自动泊车的精确度，提升用户体验。
根据本发明的一方面，提供了一种应用于车辆的智能泊车车辆定位的方法，包括：
采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角；
基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程；
根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程；
根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵；
根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值；其中，所述前一时刻为当前时刻之前，且与当前时刻时长间隔为预设时长的时刻；
根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值；其中，估计过程噪声是基于预先设定的自适应因子以及所述前一时刻的历史估算误差确定的；
根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵；
根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差；
根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵；
基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置。
根据本发明的另一方面，提供了一种应用于车辆的智能泊车车辆定位的装置，包括：
目标车辆信息采集模块，用于采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角；
车辆状态信息确定模块，用于基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程；
观测变量方程确定模块，用于根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程；
雅克比矩阵确定模块，用于根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵；
当前估计值确定模块，用于根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值；其中，所述前一时刻为当前时刻之前，且与当前时刻时长间隔为预设时长的时刻；
误差协方差矩阵估计值确定模块，用于根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值；其中，估计过程噪声是基于预先设定的自适应因子以及所述前一时刻的历史估算误差确定的；
卡尔曼滤波增益矩阵确定模块，用于根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵；
当前估算误差确定模块，用于根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差；
误差协方差矩阵确定模块，用于根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵；
泊车位置确定模块，用于基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的应用于车辆的智能泊车车辆定位的方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的应用于车辆的智能泊车车辆定位的方法。
本发明实施例的技术方案，通过采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角。基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程。根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程。根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵。根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值。根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值。根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵。根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差。根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵。基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置，解决了车辆在泊车的过程中，未根据车辆轮距和轴距等参数的变化调整泊车对应的控制参数，致使估算车辆位姿不准确的问题，从而提高了泊车过程中车辆定位的精确度，进而提高自动泊车的精确度，提升用户体验。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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是根据本发明实施例一提供的一种应用于车辆的智能泊车车辆定位的方法的流程图；
图2是根据本发明实施例一提供的车辆智能泊车示意图；
图3是根据本发明实施例二提供的一种应用于车辆的智能泊车车辆定位的方法的车辆示意图；
图4是本发明实施例三提供的一种应用于车辆的智能泊车车辆定位的装置的结构示意图；
图5是实现本发明实施例四的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种应用于车辆的智能泊车车辆定位的方法的流程图，本实施例可适用于车辆智能泊车的情况，该方法可以由应用于车辆的智能泊车车辆定位的装置来执行，该应用于车辆的智能泊车车辆定位的装置可以采用硬件和/或软件的形式实现，该应用于车辆的智能泊车车辆定位的装置可配置于电子设备中。如图1所示，该方法包括：
S101、采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角。
本发明实施例所提供的技术可以应用于具备智能泊车功能的车辆中，可以将进行智能泊车的车辆确定为目标车辆。目标车辆在智能泊车过程中，目标车辆可以根据预设时长，采集相应时刻时目标车辆的各项参数信息，根据目标车辆的各项参数信息可以确定目标车辆的控制参数，根据控制参数控制目标车辆进行智能泊车。为了清楚的介绍本发明实施例的技术方案，本发明实施例以目标车辆在智能泊车的过程中，以某一时刻为例进行说明，可以将该时刻确定为当前时刻。
在本发明实施例中，采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角的方式可以为：确定目标车辆在全局坐标系下的航向角；基于速度传感器采集目标车辆的后轮轮速；确定目标车辆在车辆坐标系下的前轮转向角；其中，车辆坐标系是在全局坐标系下建立的。
具体地，如图2所示，根据目标车辆当前所在位置和目标特征位置点建立全局坐标系XOY。基于全局坐标系XOY和目标车辆当前的所在位置，在全局坐标系XOY下建立车辆坐标系X`O`Y`。基于目标车辆的车身方向和车辆宽度确定目标车辆的中心线，确定目标车辆中心线与全局坐标系X轴之间的夹角，将该夹角确定为航向角θ。通过目标车辆的速度传感器采集目标车辆后轮的后轮轮速。根据目标车辆的中心线和目标车辆的前轮角度，确定目标车辆中心线与目标车辆前轮之间的夹角，将该夹角确定为前轮转向角δ。
S102、基于后轮轮速、航向角以及前轮转向角，确定与当前时刻所对应的第一车辆状态变量和第一系统状态方程。
其中，第一车辆状态变量可以包括目标车辆的后轮中心点的位置信息、目标特征位置点在全局坐标系下的特征点坐标以及航向角等。
在本发明实施中，基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程，包括：基于后轮轮速以及航向角，确定后轮中心点的位置信息；根据位置信息、目标特征位置点在全局坐标系下的特征点坐标以及航向角，确定当前时刻的第一车辆状态变量；基于后轮轮速以及前轮转向角，确定航向角变化率；基于航向角变化率以及位置信息，确定第一系统状态方程。
其中，后轮中心点的位置信息可以是指目标车辆的两个后轮之间的后轴中心点的位置信息。目标特征位置点可以是指某个固定位置，比如停车位的交叉点和最终停车位置点等。泊车位置。航向角变化率可以是指目标车辆根据前轮当前航向角与前一时刻的航向角的增量。
具体地，根据目标车辆的后轮轮速和航向角，可以确定后轮中心点的位置信息。例如，如图2，目标车辆的后轮中心点的横坐标可以为：
x＝v*cosθ
目标车辆的后轮中心点的纵坐标可以为：
y＝v*sinθ
据中心点的位置信息、已知的目标特征位置点在全局坐标系下的特征点坐标和航向角，可以确定当前时刻的第一车辆状态变量。
例如，第一车辆状态变量可以为：
J＝[x,y,θ,xA,yA]
其中，(x,y)为目标车辆的后轮中心点的位置信息，θ为航向角，(xA,yA)为已知的目标特征位置点在全局坐标系下的特征点坐标。
根据后轮轮速v以及前轮转向角S，可以确定航向角变化率。
例如，如图2，航向角变换率
根据航向角变化率
和目标车辆的后轮中心点的位置信息，可以确定第一系统状态方程。
例如，第一系统状态方程可以为：
其中，k可以是指当前时刻，ωk为过程噪声、υk为观测噪声，T可以是指当前时刻的上一时刻与当前时刻之间的时长间隔。
S103、根据目标特征位置点以及当前时刻的后轮中心点，确定与当前时刻相对应的观测变量方程。
具体的，根据目标特征位置点和当前时刻的后轮中心点，确定目标特征位置点与当前时刻的后轮中心点之间的距离。根据目标特征位置点和当前时刻的后轮中心点，确定后轮中心点和目标特征位置点之间的直线与车辆坐标系在X`轴方向上的夹角。根据目标特征位置点与当前时刻的后轮中心点之间的距离，和后轮中心点和目标特征位置点之间的直线与车辆坐标系在X`轴方向上的夹角，确定与当前时刻相对应的观测变量方程。
在本发明实施例中，观测变量方程可以为：
其中，如图2所示，r为后轮中心点与目标特征位置点A的交点距离；φk为后轮中心点与目标特征位置点A之间的连线与车辆坐标系在X`轴方向上的夹角，ωk为过程噪声、υk为观测噪声，k表示各时刻。
S104、根据第一系统状态方程，确定第一雅克比矩阵；以及，根据观测变量方程，确定第二雅克比矩阵。
在本发明实施例中，根据第一系统状态方程，确定第一雅克比矩阵可以包括：基于第一系统状态方程求偏分，得到第一雅克比矩阵。具体地，对第一系统状态方程进行求偏分处理，可以获得第一雅克比矩阵。
例如，第一雅克比矩阵可以为：
其中，T可以是指当前时刻的上一时刻与当前时刻之间的时长间隔。
在本发明实施例中，根据观测变量方程，确定第二雅克比矩阵可以包括：基于观测变量方程求偏分，得到第二雅克比矩阵。
具体地，对观测变量方程进行求偏分处理，可以获得第二雅克比矩阵。
例如，第二雅克比矩阵可以为：
其中，Δx＝xA-x,Δy＝yA-y，r为后轮中心点与目标特征位置点A的交点距离。
S105、根据后轮轮速、航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定当前时刻的当前估计值。
其中，前一时刻可以是指在当前时刻之前且与当前时刻时长间隔为预设时长的时刻。
具体地，基于扩展卡尔曼滤波算法，根据后轮轮速、航向角、第一雅克比矩阵以及前一时刻的历史估计值，可以确定当前时刻的当前估计值。
例如，当前时刻的当前估计值可以为：
其中，u＝[v,θ]，
可以是指前一时刻的历史估计值,A可以是指目标特征位置点A的位置坐标，F可以是指第一雅克比矩阵。
S106、根据前一时刻的估计过程噪声以及第一雅克比矩阵，确定误差协方差矩阵估计值。
其中，估计过程噪声可以是指基于预先设定的自适应因子以及前一时刻的历史估算误差确定的。
具体地，根据前一时刻的估计过程噪声和第一雅克比矩阵，计算误差协方差矩阵估计值。
在本发明实施例中，确定误差协方差矩阵估计值的计算方式可以为：
其中，Fk可以为第一雅克比矩阵，Pk-1可以为前一时刻的误差协方差矩阵估计值，
为前一时刻的估计过程噪声。
S107、根据误差协方差矩阵估计值、第二雅克比矩阵以及前一时刻的观测噪声，确定卡尔曼滤波增益矩阵。
具体地，根据误差协方差矩阵估计值、第二雅克比矩阵以及前一时刻的观测噪声，计算当前时刻的卡尔曼滤波增益矩阵。
在本发明实施例中，在S107中，卡尔曼滤波增益矩阵可以为：
其中，
误差协方差矩阵估计值，
为前一时刻的观测噪声，H为第二雅克比矩阵，Kk为卡尔曼滤波增益矩阵。
S108、根据第二雅克比矩阵以及历史估算误差，确定当前时刻的当前估算误差。
具体地，根据第二雅克比矩阵以及历史估算误差，可以计算出当前时刻的当前估算误差。
在本发明实施例中，根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差，包括：基于第二雅克比矩阵和当前估计值，确定观测变量估计值；基于观测量估计值，确定当前时刻的当前估算误差。
具体地，根据第二雅克比矩阵和当前估计值，可以计算出观测变量估计值。
例如，观测变量估计值可以是：
其中，H可以是指第二雅克比矩阵，
可以是指当前估计值。
根据观测量估计值和观测变量，计算当前时刻的当前估算误差，其中观测变量可以通过将目标特征位置点A的位置坐标与后轮中心点的位置坐标，代入观测变量方程中计算获得。
例如，当前估算误差可以为：
其中，Zk可以是指观测变量，
可以是指观测变量估计值。
S109、根据当前估算误差、卡尔曼滤波增益矩阵、第二雅克比矩阵、当前估计值以及误差协方差矩阵估计值，确定当前时刻的状态变量估计值和误差协方差矩阵。
具体地，根据当前估算误差、当前估计值和卡尔曼滤波增益矩阵，计算当前时刻的状态变量估计值。根据误差协方差矩阵估计值、第二雅克比矩阵和卡尔曼滤波增益矩阵，确定误差协方差矩阵。
在本发明实施例中，状态变量估计值可以：
误差协方差矩阵可以为：
其中，
表示状态变量估计值，Pk表示误差协方差矩阵，ek表示当前估算误差，E为单位矩阵。
S110、基于状态变量估计值和误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于控制参数确定目标车辆在当前时刻的泊车位置。
具体地，根据获得的状态变量估计值和误差协方差矩阵，调整目标车辆在当前时刻对应控制参数，以使目标车辆根据控制参数确定在当前时刻的泊车位置。
本发明实施例的技术方案，通过采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角。基于后轮轮速、航向角以及前轮转向角，确定与当前时刻所对应的第一车辆状态变量和第一系统状态方程。根据目标特征位置点以及当前时刻的后轮中心点，确定与当前时刻相对应的观测变量方程。根据第一系统状态方程，确定第一雅克比矩阵；以及，根据观测变量方程，确定第二雅克比矩阵。根据后轮轮速、航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定当前时刻的当前估计值。根据前一时刻的估计过程噪声以及第一雅克比矩阵，确定误差协方差矩阵估计值。根据误差协方差矩阵估计值、第二雅克比矩阵以及前一时刻的观测噪声，确定卡尔曼滤波增益矩阵。根据第二雅克比矩阵以及历史估算误差，确定当前时刻的当前估算误差。根据当前估算误差、卡尔曼滤波增益矩阵、第二雅克比矩阵、当前估计值以及误差协方差矩阵估计值，确定当前时刻的状态变量估计值和误差协方差矩阵。基于状态变量估计值和误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于控制参数确定目标车辆在当前时刻的泊车位置，解决了车辆在泊车的过程中没有根据车辆轮距和轴距等参数的变化调整泊车对应的控制参数，致使估算车辆位姿不准确的问题，从而提高了泊车过程中车辆定位的精确度，进而提高自动泊车的精确度，提升用户体验。
在上述实施例的基础上，应用于车辆的智能泊车车辆定位的方法还包括：基于预先设置的自适应因子对误差协方差矩阵估计值和当前估算误差，确定当前时刻的过程噪声和观测噪声，以基于更新的过程噪声和观测噪声确定下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵。
具体地，根据预先设置的自适应因子和卡尔曼滤波增益矩阵，可以计算获得当前时刻的过程噪声。根据预先设置的自适应因子和估算误差，可以计算获得当前时刻的观测噪声。根据当前时刻的过程噪声和观测噪声，计算下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵。
在本发明实施例中，预先设置的自适应因子可以为：
其中，d为遗忘因子，取值范围为[0,1]。过程噪声可以为：
观测噪声可以为：
其中，Kk为卡尔曼滤波增益矩阵，q为自适应因子，ek表示当前估算误差。
本发明实施例的技术方案，通过当前时刻的过程噪声和观测噪声，可以计算下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵，基于下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵可以确定下一时刻的控制参数，以使目标车辆根据控制参数确定泊车过程中目标车辆的位置，从而提高自动泊车的精确度，提升用户体验。
实施例二
图3为本发明实施例二提供的一种应用于车辆的智能泊车车辆定位的方法的车辆示意图。本实施例作为上述实施例的一个可选实施例，确定误差协方差矩阵估计值以及卡尔曼滤波增益矩阵的方式可以参见图3所示。
S210、基于第一系统状态方程的初始值X0、第一雅克比矩阵Fk、前一时刻的历史估计值
目标特征位置点A的位置坐标，以及输入量uk(其中，u＝[v,θ])，可以获得当前时刻的当前估计值
根据初始误差协方差矩阵估计值P0，初始估计过程噪声Q0，第一雅克比矩阵Fk，可以获得误差协方差矩阵估计值
S220、根据第二雅克比矩阵H和当前估计值
可以计算出观测变量估计值
S230、根据初始误差协方差矩阵估计值P0，第二雅克比矩阵H，初始观测噪声R0，可以计算获得卡尔曼滤波增益矩阵Kk。
S240、根据观测量估计值
和观测变量Zk，计算当前时刻的当前估算误差ek。
需要说明的是，根据当前时刻的当前估算误差ek和卡尔曼滤波增益矩阵Kk，可以获得当前时刻的过程噪声Qk和当前时刻的观测噪声Rk。通过当前时刻的过程噪声和当前时刻的观测噪声，可以计算下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵，基于下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵可以确定下一时刻的控制参数。
S250、根据当前估算误差ek、卡尔曼滤波增益矩阵Kk和当前时刻的当前估计值
通过计算可以获得当前时刻的状态变量估计值
根据初始误差协方差矩阵估计值P0、第二雅克比矩阵H和卡尔曼滤波增益矩阵Kk，可以确定出误差协方差矩阵Pk。
S260、根据获得的状态变量估计值和误差协方差矩阵，调整目标车辆在当前时刻对应控制参数，以使目标车辆根据控制参数确定在当前时刻的泊车位置。
通过本发明实施例的技术方案，可确定目标车辆在各个时刻的车辆位置，解决了车辆在泊车的过程中，未根据车辆轮距和轴距等参数的变化调整泊车对应的控制参数，致使估算车辆位姿不准确的问题，从而提高了泊车过程中车辆定位的精确度，进而提高自动泊车的精确度，提升用户体验，同时提高目标车辆智能泊车的安全性。
实施例三
图4是本发明实施例三提供的一种应用于车辆的智能泊车车辆定位的装置的结构示意图。本实施例可适用于车辆自动泊车的情况，如图4所示，该装置包括：目标车辆参数信息采集模块401、车辆状态信息确定模块402、观测变量方程确定模块403、雅克比矩阵确定模块404、当前估计值确定模块405、误差协方差矩阵估计值确定模块406、卡尔曼滤波增益矩阵确定模块407、当前估算误差确定模块408、误差协方差矩阵确定模块409和泊车位置确定模块410。其中，
目标车辆参数信息采集模块401，用于采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角；车辆状态信息确定模块402，用于基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程；观测变量方程确定模块403，用于根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程；雅克比矩阵确定模块404，用于根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵；当前估计值确定模块405，用于根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值；其中，所述前一时刻为当前时刻之前，且与当前时刻时长间隔为预设时长的时刻；误差协方差矩阵估计值确定模块406，用于根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值；其中，估计过程噪声是基于预先设定的自适应因子以及所述前一时刻的历史估算误差确定的；卡尔曼滤波增益矩阵确定模块407，用于根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵；当前估算误差确定模块408，用于根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差；误差协方差矩阵确定模块409，用于根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵；泊车位置确定模块410，用于基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置。
本发明实施例的技术方案，通过采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角。基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程。根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程。根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵。根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值。根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值。根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵。根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差。根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵。基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置，解决了车辆在泊车的过程中，未根据车辆轮距和轴距等参数的变化调整泊车对应的控制参数，致使估算车辆位姿不准确的问题，从而提高了泊车过程中车辆定位的精确度，进而提高自动泊车的精确度，提升用户体验。
在上述实施例的基础上，目标车辆参数信息采集模块401，可以具体用于：确定所述目标车辆在全局坐标系下的航向角；
基于速度传感器采集所述目标车辆的后轮轮速；
确定所述目标车辆在车辆坐标系下的前轮转向角；
其中，所述车辆坐标系是在所述全局坐标系下建立的。
在上述实施例的基础上，车辆状态信息确定模块402，可以具体用于：
基于所述后轮轮速以及所述航向角，确定后轮中心点的位置信息；
根据所述位置信息、目标特征位置点在全局坐标系下的特征点坐标以及所述航向角，确定当前时刻的第一车辆状态变量；
基于所述后轮轮速以及所述前轮转向角，确定航向角变化率；
基于所述航向角变化率以及所述位置信息，确定所述第一系统状态方程。
在上述实施例的基础上，所述观测变量方程为：
其中，r为后轮中心点与所述目标特征位置点A的交点距离；φk为后轮中心点与目标特征位置点A之间的连线与车辆坐标系在X`轴方向上的夹角，ωk为过程噪声、υk为观测噪声，k表示各时刻。
在上述实施例的基础上，雅克比矩阵确定模块404，具体用于：基于所述第一系统状态方程求偏分，得到所述第一雅克比矩阵；基于所述观测变量方程求偏分，得到所述第二雅克比矩阵。
在上述实施例的基础上，所述误差协方差矩阵估计值，包括：
其中，Fk为第一雅克比矩阵，Pk-1为前一时刻的误差协方差矩阵估计值，
为前一时刻的估计过程噪声。
在上述实施例的基础上，所述卡尔曼滤波增益矩阵，可以包括：
其中，
误差协方差矩阵估计值，
为前一时刻的观测噪声，H为第二雅克比矩阵，Kk为卡尔曼滤波增益矩阵。
在上述实施例的基础上，当前估算误差确定模块408，具体用于：基于所述第二雅克比矩阵和所述当前估计值，确定观测变量估计值；基于所述观测量估计值，确定所述当前时刻的当前估算误差。
在上述实施例的基础上，状态变量估计值可以为：
误差协方差矩阵可以为：
其中，
表示状态变量估计值，Pk表示误差协方差矩阵，ek表示当前估算误差。
在上述实施例的基础上，所述应用于车辆的智能泊车车辆定位的装置，还包括：
噪声确定模块，用于基于预先设置的自适应因子对所述误差协方差矩阵估计值和所述当前估算误差，确定当前时刻的过程噪声和观测噪声，以基于更新的过程噪声和观测噪声确定下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵。
本发明实施例所提供的应用于车辆的智能泊车车辆定位的装置可执行本发明任意实施例所提供的应用于车辆的智能泊车车辆定位的方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如应用于车辆的智能泊车车辆定位的方法。
在一些实施例中，应用于车辆的智能泊车车辆定位的方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的应用于车辆的智能泊车车辆定位的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行应用于车辆的智能泊车车辆定位的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种应用于车辆的智能泊车车辆定位的方法，其特征在于，包括：
采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角；
基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程；
根据目标特征位置点以及所述当前时刻的后轮中心点，确定与所述当前时刻相对应的观测变量方程；
根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵；
根据所述后轮轮速、所述航向角、第一雅克比矩阵以及前一时刻的历史估计值，确定所述当前时刻的当前估计值；其中，所述前一时刻为当前时刻之前，且与当前时刻时长间隔为预设时长的时刻；
根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值；其中，估计过程噪声是基于预先设定的自适应因子以及所述前一时刻的历史估算误差确定的；
根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵；
根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差；
根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵；
基于所述状态变量估计值和所述误差协方差矩阵，调整与当前时刻所对应的控制参数，以基于所述控制参数确定所述目标车辆在当前时刻的泊车位置。
2.根据权利要求1所述的方法，其特征在于，所述采集当前时刻与目标车辆相对应的后轮轮速、航向角以及前轮转向角，包括：
确定所述目标车辆在全局坐标系下的航向角；
基于速度传感器采集所述目标车辆的后轮轮速；
确定所述目标车辆在车辆坐标系下的前轮转向角；
其中，所述车辆坐标系是在所述全局坐标系下建立的。
3.根据权利要求1所述的方法，其特征在于，所述基于所述后轮轮速、所述航向角以及所述前轮转向角，确定与所述当前时刻所对应的第一车辆状态变量和第一系统状态方程，包括：
基于所述后轮轮速以及所述航向角，确定后轮中心点的位置信息；
根据所述位置信息、目标特征位置点在全局坐标系下的特征点坐标以及所述航向角，确定当前时刻的第一车辆状态变量；
基于所述后轮轮速以及所述前轮转向角，确定航向角变化率；
基于所述航向角变化率以及所述位置信息，确定所述第一系统状态方程。
4.根据权利要求1所述的方法，其特征在于，所述观测变量方程为：
其中，r为后轮中心点与所述目标特征位置点A的交点距离；φk为后轮中心点与目标特征位置点A之间的连线与车辆坐标系在X`轴方向上的夹角，ωk为过程噪声、υk为观测噪声，k表示各时刻。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一系统状态方程，确定第一雅克比矩阵；以及，根据所述观测变量方程，确定第二雅克比矩阵，包括：
基于所述第一系统状态方程求偏分，得到所述第一雅克比矩阵；
基于所述观测变量方程求偏分，得到所述第二雅克比矩阵。
6.根据权利要求1所述的方法，其特征在于，所述根据所述前一时刻的估计过程噪声以及所述第一雅克比矩阵，确定误差协方差矩阵估计值，包括：
其中，Fk为第一雅克比矩阵，Pk-1为前一时刻的误差协方差矩阵估计值，
为前一时刻的估计过程噪声。
7.根据权利要求1所述的方法，其特征在于，所述根据所述误差协方差矩阵估计值、第二雅克比矩阵以及所述前一时刻的观测噪声，确定卡尔曼滤波增益矩阵，包括：
其中，
误差协方差矩阵估计值，
为前一时刻的观测噪声，H为第二雅克比矩阵，Kk为卡尔曼滤波增益矩阵。
8.根据权利要求1所述的方法，其特征在于，所述根据第二雅克比矩阵以及所述历史估算误差，确定所述当前时刻的当前估算误差，包括：
基于所述第二雅克比矩阵和所述当前估计值，确定观测变量估计值；
基于所述观测量估计值，确定所述当前时刻的当前估算误差。
9.根据权利要求1所述的方法，其特征在于，所述根据所述当前估算误差、所述卡尔曼滤波增益矩阵、第二雅克比矩阵、所述当前估计值以及误差协方差矩阵估计值，确定所述当前时刻的状态变量估计值和误差协方差矩阵，包括：
其中，
表示状态变量估计值，Pk表示误差协方差矩阵，ek表示当前估算误差。
10.根据权利要求1所述的方法，其特征在于，还包括：
基于预先设置的自适应因子对所述误差协方差矩阵估计值和所述当前估算误差处理，确定当前时刻的过程噪声和观测噪声，以基于更新的过程噪声和观测噪声确定下一时刻的误差协方差矩阵估计值以及卡尔曼滤波增益矩阵。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231764.2A CN115900695A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于车辆的智能泊车车辆定位的方法 |
| PCT/CN2023/116862 WO2024066943A1 (zh) | 2022-09-30 | 2023-09-05 | 应用于车辆的智能泊车车辆定位的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211231764.2A CN115900695A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于车辆的智能泊车车辆定位的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115900695A true CN115900695A (zh) | 2023-04-04 |
Family
ID=86486169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211231764.2A Pending CN115900695A (zh) | 2022-09-30 | 2022-09-30 | 一种应用于车辆的智能泊车车辆定位的方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115900695A (zh) |
| WO (1) | WO2024066943A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758498A (zh) * | 2023-05-08 | 2023-09-15 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
| WO2024066943A1 (zh) * | 2022-09-30 | 2024-04-04 | 中国第一汽车股份有限公司 | 应用于车辆的智能泊车车辆定位的方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007263637A (ja) * | 2006-03-28 | 2007-10-11 | Mitsubishi Electric Corp | 測位装置及び測位方法及びプログラム |
| CN109405837B (zh) * | 2018-11-14 | 2021-06-08 | 蔚来(安徽)控股有限公司 | 物体定位方法、应用和车辆 |
| CN110077392B (zh) * | 2019-03-28 | 2020-08-25 | 惠州市德赛西威汽车电子股份有限公司 | 一种自动泊车定位系统的航迹推算方法 |
| CN114413934B (zh) * | 2022-01-20 | 2024-01-26 | 北京经纬恒润科技股份有限公司 | 一种车辆定位系统校正方法和装置 |
| CN115900695A (zh) * | 2022-09-30 | 2023-04-04 | 中国第一汽车股份有限公司 | 一种应用于车辆的智能泊车车辆定位的方法 |
-
2022
- 2022-09-30 CN CN202211231764.2A patent/CN115900695A/zh active Pending
-
2023
- 2023-09-05 WO PCT/CN2023/116862 patent/WO2024066943A1/zh unknown
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024066943A1 (zh) * | 2022-09-30 | 2024-04-04 | 中国第一汽车股份有限公司 | 应用于车辆的智能泊车车辆定位的方法 |
| CN116758498A (zh) * | 2023-05-08 | 2023-09-15 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
| CN116758498B (zh) * | 2023-05-08 | 2024-02-23 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024066943A1 (zh) | 2024-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115900695A (zh) | 一种应用于车辆的智能泊车车辆定位的方法 | |
| CN113183975B (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
| CN114715196A (zh) | 一种跟随误差确定方法、装置、设备及存储介质 | |
| CN113392518A (zh) | 估计车辆重量的方法和装置 | |
| CN114312843B (zh) | 用于确定信息的方法和装置 | |
| CN117261880A (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
| CN114919661B (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
| CN116772858A (zh) | 车辆定位方法、装置、定位设备及存储介质 | |
| CN114987497A (zh) | 一种后向车道线拟合方法、装置、电子设备和存储介质 | |
| CN114834529B (zh) | 一种车辆控制方法、装置、设备和介质 | |
| CN114771283A (zh) | 一种爬行控制方法、装置、电动汽车和存储介质 | |
| CN114620074A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN117864172B (zh) | 一种自动驾驶控制方法、装置以及设备 | |
| CN117289686B (zh) | 一种参数标定方法、装置、电子设备及存储介质 | |
| CN116380056B (zh) | 惯性定位方法、装置、电子设备及存储介质 | |
| CN117864172A (zh) | 一种自动驾驶控制方法、装置以及设备 | |
| JP7351012B2 (ja) | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| CN116203601A (zh) | 位置补偿方法、装置、电子设备及存储介质 | |
| CN114735075B (zh) | 车辆转弯状态确定方法、装置、电子设备及存储介质 | |
| CN116520255A (zh) | 一种滤波方法 | |
| CN116620302A (zh) | 自动泊车位姿修正方法、装置、电子设备及存储介质 | |
| CN117346782A (zh) | 定位优化方法、装置、电子设备和存储介质 | |
| CN117725834A (zh) | 坡度估计参数优化方法、装置、电子设备及存储介质 | |
| CN115752426A (zh) | 一种航位预测方法、装置、设备及介质 | |
| CN118010049A (zh) | 轨迹规划方法、装置、电子设备及存储介质 |
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 |