CN117734676B - 一种自动泊车方法、装置、设备及存储介质 - Google Patents
一种自动泊车方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117734676B CN117734676B CN202410184329.1A CN202410184329A CN117734676B CN 117734676 B CN117734676 B CN 117734676B CN 202410184329 A CN202410184329 A CN 202410184329A CN 117734676 B CN117734676 B CN 117734676B
- Authority
- CN
- China
- Prior art keywords
- target
- path
- tree
- optimal
- target tree
- 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 56
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动泊车方法、装置、设备及存储介质，涉及辅助驾驶技术领域。该方法包括：根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。通过覆盖面积筛选出最优目标树，以便参考最合适的目标树进行路径规划，确保泊车路径为全局最短路径，并提高路径规划效率。
Description
技术领域
本发明涉及辅助驾驶技术领域，特别涉及一种自动泊车方法、装置、设备及存储介质。
背景技术
自动泊车是指汽车自动泊车入位不需要人工控制，能够帮助驾驶员自动停车。目前，自动泊车使用的路径规划方法包括几何法、优化方法、图搜索方法和采样方法等。其中，几何方法能在较短时间内找到一条满足运动约束的泊车路径，但是此方法难以应对由于障碍物靠近停车位造成道路狭窄的复杂场景；优化方法的规划时间难以保证，且可能出现无解的情况；图搜索方法高度依赖于地图栅格分辨率，高分辨率对应着安全有效的路径，但同时会造成高耗时；在狭窄道路上狭窄停车位采用采样的方法，由于落在停车位上的采样点的概率比较低，所以同样会造成高耗时。因此，如何高效率精准的实现自动泊车规划是目前亟需解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种自动泊车方法、装置、设备及存储介质，能够确保泊车路径为全局最短路径，并提高路径规划效率。其具体方案如下：
第一方面，本申请公开了一种自动泊车方法，包括：
根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；
确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；
从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；
确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。
可选的，所述根据车辆对应的泊车环境生成至少两个目标树，包括：
按照直线、螺旋线、圆弧的路线轨迹顺序生成所述目标树中的非直线线路。
可选的，所述确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树，包括：
获取待停靠车位在没有障碍物情况下对应的标准目标树；
根据所述标准目标树以及各所述目标树分别对应的覆盖面积，利用预设的代价函数从所有目标树中筛选出最优目标树。
可选的，所述根据所述标准目标树以及各所述目标树分别对应的覆盖面积，利用预设的代价函数从所有目标树中筛选出最优目标树，包括：
根据所述标准目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成所述标准目标树对应的第一矩形，根据所述第一矩形的面积确定所述标准目标树对应的第一覆盖面积；
根据各所述目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成各所述目标树对应的第二矩形，根据所述第二矩形的面积确定各个目标树对应的第二覆盖面积；
根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树。
可选的，所述从所述最优目标树上选取出目标点，包括：
根据目标点在不同区域的概率划分出目标区域；
通过路径规划算法，依次计算车辆当前位置到所述目标区域内包含的局部目标树上的各点的路径，将最短路径对应的点作为所述目标点。
可选的，所述根据目标点在不同区域的概率划分出目标区域，包括：
获取所述车辆所在区域的栅格地图；所述栅格地图包括车辆位置、障碍物位置和最终停车位；
将所述栅格地图输入至深度神经网络，根据所述深度神经网络的输出得到所述栅格地图对应的高斯概率分布参数；
根据所述高斯概率分布参数划分出所述目标区域。
可选的，所述确定车辆当前位置到所述目标点的最优路径，包括：
根据路径规划算法计算出的所述目标点与车辆当前位置之间的最短路径，得到初始路径；
利用点追踪算法对所述初始路径进行路径平滑处理，得到第一处理后路径；
若所述第一处理后路径无碰撞，则将所述第一处理后路径作为所述最优路径；
若所述第一处理后路径存在碰撞，则对所述初始路径进行分段得到第一段路径和第二段路径；
利用点追踪算法分别对所述第一段路径和所述第二段路径进行路径平滑处理，得到第二处理后路径，将所述第二处理后路径作为所述最优路径。
第二方面，本申请公开了一种自动泊车装置，包括：
目标树生成模块，用于根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；
最优目标树确定模块，用于确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；
目标点确定模块，用于从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；
路径规划模块，用于确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的自动泊车方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的自动泊车方法。
本申请中，根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。可见，利用目标树进行预规划，然后通过路径规划算法进行搜索，同时通过覆盖面积筛选出最优目标树，以便参考最合适的目标树进行路径规划，确保泊车路径为全局最短路径，并提高路径规划效率。
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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种自动泊车方法流程图；
图2为一种具体的垂直车位的目标树示意图；
图3为一种具体的斜车位的目标树示意图；
图4为一种具体的平行车位的目标树示意图；
图5为本申请提供的一种具体的平行车位的目标树示意图；
图6为本申请提供的一种具体的曲率与曲线长度关系示意图；
图7为本申请提供的一种具体的待停靠车位在没有障碍物情况下对应的目标树示意图；
图8为本申请提供的一种具体的泊车环境对应的3个目标树示意图；
图9为本申请提供的一种自动泊车装置结构示意图；
图10为本申请提供的一种电子设备结构图。
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，所描述的实施例仅仅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，几何方法能在较短时间内找到一条满足运动约束的泊车路径，但是此方法难以应对由于障碍物靠近停车位造成道路狭窄的复杂场景；优化方法的规划时间难以保证，且可能出现无解的情况；图搜索方法高度依赖于地图栅格分辨率，高分辨率对应着安全有效的路径，但同时会造成高耗时；在狭窄道路上狭窄停车位采用采样的方法，由于落在停车位上的采样点的概率比较低，所以同样会造成高耗时。因此，如何高效率精准的实现自动泊车规划是目前亟需解决的技术问题。为克服上述技术问题，本申请提出一种自动泊车方法，能够确保泊车路径为全局最短路径，并提高路径规划效率。
本申请实施例公开了一种自动泊车方法，参见图1所示，该方法可以包括以下步骤：
步骤S11：根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路。
首先，对目标树的构建过程进行说明。通常将泊车场景分为3类：垂直车位、平行车位和斜停车位。如图2所示，对于垂直车位，首先车辆需要往前走一段直线，然后按照一个固定的角度旋转出停车位；以设定角度变化为-30度到30度，采样间隔为2度为例，则可以得到31条不同的线，且每一条线上会采样20个点。例如图3所示，对于斜车位，类似于垂直车位，需要往前走一段直线，然后按照固定的角度旋转出停车位，其采样区间是[0度，30度]，采样间隔位2度。例如图4所示，对于平行车位，首先车辆需要往后移动一段，然后以最大的转角往外驶出，直到整个车身1/2驶出停车位，最后以一个固定的转弯角驶出即可；以采样区间[-30度,30度]，采样间隔2度为例，考虑到平行车位可能有两个方向出，因此可得62条采样线。
根据车辆当前对应的泊车环境，泊车环境即要停靠的车位以及该车位周边的障碍物情况，生成至少两个目标树，即根据当前泊车环境能确定出一种具体的泊车场景，针对该泊车场景生成至少两个目标树，生成的目标数据之间的区别主要在于按照目标树的路线规划行驶至目标树的树根点时，还需要向后直线行驶多长距离能够停到停车位中心。可以理解的是，一个目标树表征一组路径预规划，一组路径预规划中包含多条线路，每条线路都是无障碍线路，即可以实现泊车的线路。
其中，上述根据车辆对应的泊车环境生成至少两个目标树，可以包括：按照直线、螺旋线、圆弧的路线轨迹顺序生成所述目标树中的非直线线路。现有技术中，目标树通常只由直线和圆弧组成，这会造成整体曲率不连续，进而影响到泊车舒适性，因此本实施例在直线和圆弧之间加入螺旋线使整体曲率连续。
例如图5所示，以平行车位为例，在XY坐标系下车辆配置空间的螺旋线表达式：
；
其中，、/>表示螺旋线上车辆的位置，/>表示螺旋线上车辆的姿态，k表示曲率，/>表示螺旋线上的曲率，/>表示曲率上限，/>、/>为积分函数，其具体表达式为：
、/>，/>为曲率变化率，s表示道路长度，u表示积分变量，曲率与曲线长度关系如图6所示。
由此，通过螺旋线作为直线与圆弧的过度，提高目标树内每条曲线路径的曲率连续程度，进而根据目标树确定出的路径能够提高泊车的舒适性。
步骤S12：确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树。
目标树是根据待停靠车位生成的，基于目标树的泊车需要先确定车辆到目标树上某线路上某个点的路径，然后按照该点所在路线进行泊车即可，因此，目标树覆盖的范围越大，则从当前车辆位置往目标树上搜索的时间越少，进而总体规划时间越少。所以，构造一个合适的目标树对整体规划的性能至关重要。
其中，上述确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树，可以包括：获取待停靠车位在没有障碍物情况下对应的标准目标树；根据所述标准目标树以及各所述目标树分别对应的覆盖面积，利用预设的代价函数从所有目标树中筛选出最优目标树。例如图7所示，为待停靠车位在没有障碍物情况下对应的目标树，将该目标树作为标准目标树，以待停靠车位在没有障碍物情况下对应的标准目标树为参考标准，可以理解的是，待停靠车位在没有障碍物情况下对应的标准目标树覆盖范围最大。
具体的，上述根据所述标准目标树以及各所述目标树分别对应的覆盖面积，利用预设的代价函数从所有目标树中筛选出最优目标树，可以包括：根据所述标准目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成所述标准目标树对应的第一矩形，根据所述第一矩形的面积确定所述标准目标树对应的第一覆盖面积；根据各所述目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成各所述目标树对应的第二矩形，根据所述第二矩形的面积确定各个目标树对应的第二覆盖面积；根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树。即根据目标树在横纵方向能到达的最远距离，将目标树覆盖面积转换为对应的矩形覆盖面积以便计算。
具体的，本申请提出基于代价函数的方式选择生成的最有目标树，以垂直车位为例，代价函数的形式具体可以如下所示：
；
；
表征停车位在没有障碍物时标准目标树的覆盖面积，/>表征目标树的覆盖面积。具体的，是以停车位的中心为坐标中心构建坐标系，/>、/>分别为标准目标树的纵向可达最大长度和横向可达最大长度；目标树的覆盖面积由于存在障碍物等遮挡所以不是对称的，因此需要分别计算坐标系x轴两侧的覆盖面积，/>、分别为目标树的纵向可达最大长度和横向可达最大长度，进行求和后可以得到目标树的覆盖面积。例如，一种垂直车位的具体泊车情况下，/>为2m，/>为1.5m，A1的为0.5m，A1的/>为1m，A2的/>为1m，A2的/>为1m，则通过上述代价函数，可得cost=0.75。
例如图8所示垂直车位为例，有3个目标树，这3个目标树行驶至目标树的树根点时，分别需要向后直线行驶1m、2m、3m。外虚线框为标准目标树的覆盖面积，内虚线框为目标树的覆盖面积，当停车位前方没有障碍物时，cost=0。当停车位前面存在障碍物时，随着直线距离的变化，搜索树构成的覆盖区域也会变化，进而得到的cost也会发生变化。因此选取cost最小的目标树作为最优目标树。
步骤S13：从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径。
通过路径规划算法（RRT，Rapidly-ExploringRandomTree）规划车辆当前位置到最优目标树上多个点的路径，根据规划出的路径，选择出最短路径，将最短路径对应的点作为目标点。
上述从所述最优目标树上选取出目标点，可以包括：根据目标点在不同区域的概率划分出目标区域；通过路径规划算法，依次计算车辆当前位置到所述目标区域内包含的局部目标树上的各点的路径，将最短路径对应的点作为所述目标点。可以理解的是，在一定的时间内通过RRT算法循环计算从车辆当前位置到目标树上的点搜索路径选取路径最短的路径为最终的泊车参考路径,不一定能得到全局最短路径。因此设定一个区域，该区域包含全局最短路径，使在该区域采样目标点的概率大一些，其它区域概率小一些，这样就能尽快在目标树上搜索到最优的目标点，提高路径搜索效率。
具体的，上述根据目标点在不同区域的概率划分出目标区域，可以包括：获取所述车辆所在区域的栅格地图；所述栅格地图包括车辆位置、障碍物位置和最终停车位；将所述栅格地图输入至深度神经网络，根据所述深度神经网络的输出得到所述栅格地图对应的高斯概率分布参数；根据所述高斯概率分布参数划分出所述目标区域。即根据车辆周边的栅格地图，栅格地图包含车辆的初始位置，障碍物，最终的停车位，输入神经网络计算出高斯概率分布参数(u(x,y)，σ^2(x,y))。u对应搜索范围的中心点，因此以u为中心，L为长/宽的区域内，从最优目标树上筛选出候选目标节点簇。然后通过RRT算法往候选目标簇规划出多条路径，根据路径长度，筛选出路径最小的一条。该步骤是有监督的深度学习，所以训练过程在实际规划之前已经完成，不会增加整体的泊车路径规划时间。训练的时候，将u标签为最短路径对应的目标点。其中，上述神经网络具体可以由 32通道的卷积层+池化层、以及64通道的卷积层+池化层、 平整层、全连接层1000个节点构成。
步骤S14：确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。
通过路径规划算法得到车辆当前位置与目标点之间的最短路径后，通过平滑处理确定车辆当前位置到所述目标点的最优路径。可以理解的是，由路径规划算法规划出的路径通常是折线路径不够平滑，且含有冗余的节点，需要通过平滑处理才能实现泊车舒适性。
上述确定车辆当前位置到所述目标点的最优路径，可以包括：根据路径规划算法计算出的所述目标点与车辆当前位置之间的最短路径，得到初始路径；利用点追踪算法对所述初始路径进行路径平滑处理，得到第一处理后路径；若所述第一处理后路径无碰撞，则将所述第一处理后路径作为所述最优路径；若所述第一处理后路径存在碰撞，则对所述初始路径进行分段得到第一段路径和第二段路径；利用点追踪算法分别对所述第一段路径和所述第二段路径进行路径平滑处理，得到第二处理后路径，将所述第二处理后路径作为所述最优路径。路径无碰撞是指按照该路径行驶不会与障碍物发生碰撞，路径存在碰撞是指按照该路径行驶会与障碍物发生碰撞。也即，对初始路径采用的点追踪算法，假设初始路径有N个节点；首先考虑首尾两点是否可以通过点追踪计算一条长度小于初始路径长度的无碰撞路径；如果存在，结束搜索，返回该路径为最优路径。否则，将初始路径分为两段，分别对这两段进行点追踪计算，直至返回无碰撞路径。可以理解的是，由于路径规划算法规划出的路径通常是折线路径，对初始路径进行平滑处理后得到的处理后路径在某些路径段的曲率与初始路径存在差异，即初始路径中并不会与障碍物发生碰撞，但平滑处理后的处理后路径会存在碰撞风险，此时采用分段处理，这样能够更加精细的对每段路径进行平滑处理，实现每段处理后路径均不存在碰撞，进而得到初始路径对应的平滑处理后路径。由此算出的路径满足车辆运动约束，且达到平滑的效果。
具体的，点追踪法是通过给定起始点P，目标点T，以一个固定的最优方向角/>运动0.1m到A（/>），X、Y为坐标，/>为姿态，使得最小。
；/>；/>；/>；,t=1s，R表示车辆转弯半径。
如果上述运动无碰撞，则继续下一个周期；如果存在碰撞，则增大，找到无碰撞的,同时减小/>，找到无碰撞的/>,然后取二者对应dist较小值的/>为最优方向角。
对目前目标树进行改进，并在目标树生成过程中采用直线、螺旋线、圆弧的路线轨迹保证曲率连续，最后通过点追踪法平滑路径，提高计算实时性；同时考虑曲率连续以及路径平滑，提高用户舒适性。
由上可见，本实施例中根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。可见，利用目标树进行预规划，然后通过路径规划算法进行搜索，同时通过覆盖面积筛选出最优目标树，以便参考最合适的目标树进行路径规划，确保泊车路径为全局最短路径，并提高路径规划效率。
相应的，本申请实施例还公开了一种自动泊车装置，参见图9所示，该装置包括：
目标树生成模块11，用于根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；
最优目标树确定模块12，用于确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；
目标点确定模块13，用于从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；
路径规划模块14，用于确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。
由上可见，本实施例中根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划。可见，利用目标树进行预规划，然后通过路径规划算法进行搜索，同时通过覆盖面积筛选出最优目标树，以便参考最合适的目标树进行路径规划，确保泊车路径为全局最短路径，并提高路径规划效率。
在一些具体实施例中，所述目标树生成模块11具体可以包括：
目标树生成单元，用于按照直线、螺旋线、圆弧的路线轨迹顺序生成所述目标树中的非直线线路。
在一些具体实施例中，所述最优目标树确定模块12具体可以包括：
标准目标树获取单元，用于获取待停靠车位在没有障碍物情况下对应的标准目标树；
最优目标树筛选单元，用于根据所述标准目标树以及各所述目标树分别对应的覆盖面积，利用预设的代价函数从所有目标树中筛选出最优目标树。
在一些具体实施例中，所述最优目标树筛选单元具体可以包括：
第一覆盖面积确定单元，用于根据所述标准目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成所述标准目标树对应的第一矩形，根据所述第一矩形的面积确定所述标准目标树对应的第一覆盖面积；
第二覆盖面积确定单元，用于根据各所述目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成各所述目标树对应的第二矩形，根据所述第二矩形的面积确定各个目标树对应的第二覆盖面积；
最优目标树确定单元，用于根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树。
在一些具体实施例中，所述目标点确定模块13具体可以包括：
目标区域确定单元，用于根据目标点在不同区域的概率划分出目标区域；
目标点确定单元，用于通过路径规划算法，依次计算车辆当前位置到所述目标区域内包含的局部目标树上的各点的路径，将最短路径对应的点作为所述目标点。
在一些具体实施例中，所述目标区域确定单元具体可以包括：
栅格地图获取单元，用于获取所述车辆所在区域的栅格地图；所述栅格地图包括车辆位置、障碍物位置和最终停车位；
高斯概率分布参数确定单元，用于将所述栅格地图输入至深度神经网络，根据所述深度神经网络的输出得到所述栅格地图对应的高斯概率分布参数；
目标区域划分单元，用于根据所述高斯概率分布参数划分出所述目标区域。
在一些具体实施例中，所述路径规划模块14具体可以包括：
初始路径规划单元，用于根据路径规划算法计算出的所述目标点与车辆当前位置之间的最短路径，得到初始路径；
平滑处理单元，用于利用点追踪算法对所述初始路径进行路径平滑处理，得到第一处理后路径；
最优路径确定单元，用于若所述第一处理后路径无碰撞，则将所述第一处理后路径作为所述最优路径；
分段单元，用于若所述第一处理后路径存在碰撞，则对所述初始路径进行分段得到第一段路径和第二段路径；
最优路径确定单元，用于利用点追踪算法分别对所述第一段路径和所述第二段路径进行路径平滑处理，得到第二处理后路径，将所述第二处理后路径作为所述最优路径。
进一步的，本申请实施例还公开了一种电子设备，参见图10所示，图中的内容不能被认为是对本申请的使用范围的任何限制。
图10为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的自动泊车方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括目标树在内的数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是WindowsServer、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的自动泊车方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的自动泊车方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种自动泊车方法、装置、设备及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 (10)
1.一种自动泊车方法，其特征在于，包括：
根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；
确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；
从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；
确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划；
其中，所述确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树，包括：
获取待停靠车位在没有障碍物情况下对应的标准目标树；
根据所述标准目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成所述标准目标树对应的第一矩形，根据所述第一矩形的面积确定所述标准目标树对应的第一覆盖面积；
根据各所述目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成各所述目标树对应的第二矩形，根据所述第二矩形的面积确定各个目标树对应的第二覆盖面积；
根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树。
2.根据权利要求1所述的自动泊车方法，其特征在于，所述根据车辆对应的泊车环境生成至少两个目标树，包括：
按照直线、螺旋线、圆弧的路线轨迹顺序生成所述目标树中的非直线线路。
3.根据权利要求1所述的自动泊车方法，其特征在于，所述根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树，包括：
根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，利用预设的代价函数从所有目标树中筛选出最优目标树。
4.根据权利要求1所述的自动泊车方法，其特征在于，所述从所述最优目标树上选取出目标点，包括：
根据目标点在不同区域的概率划分出目标区域；
通过路径规划算法，依次计算车辆当前位置到所述目标区域内包含的局部目标树上的各点的路径，将最短路径对应的点作为所述目标点。
5.根据权利要求4所述的自动泊车方法，其特征在于，所述根据目标点在不同区域的概率划分出目标区域，包括：
获取所述车辆所在区域的栅格地图；所述栅格地图包括车辆位置、障碍物位置和最终停车位；
将所述栅格地图输入至深度神经网络，根据所述深度神经网络的输出得到所述栅格地图对应的高斯概率分布参数；
根据所述高斯概率分布参数划分出所述目标区域。
6.根据权利要求1至5任一项所述的自动泊车方法，其特征在于，所述确定车辆当前位置到所述目标点的最优路径，包括：
根据路径规划算法计算出的所述目标点与车辆当前位置之间的最短路径，得到初始路径；
利用点追踪算法对所述初始路径进行路径平滑处理，得到第一处理后路径；
若所述第一处理后路径无碰撞，则将所述第一处理后路径作为所述最优路径。
7.根据权利要求6所述的自动泊车方法，其特征在于，所述得到第一处理后路径之后，还包括：
若所述第一处理后路径存在碰撞，则对所述初始路径进行分段得到第一段路径和第二段路径；
利用点追踪算法分别对所述第一段路径和所述第二段路径进行路径平滑处理，得到第二处理后路径，将所述第二处理后路径作为所述最优路径。
8.一种自动泊车装置，其特征在于，包括：
目标树生成模块，用于根据车辆对应的泊车环境生成至少两个目标树；一个目标树表征一组路径预规划，一组路径预规划包含多条线路；
最优目标树确定模块，用于确定每个所述目标树的覆盖面积，根据所述覆盖面积从所有目标树中筛选出最优目标树；
目标点确定模块，用于从所述最优目标树上选取出目标点，将所述目标点所在的线路作为目标线路；其中，所述目标点与车辆当前位置之间的路径为最短路径；
路径规划模块，用于确定车辆当前位置到所述目标点的最优路径，根据所述最优路径以及所述目标线路生成泊车路径规划；
其中，所述最优目标树确定模块，还用于获取待停靠车位在没有障碍物情况下对应的标准目标树；根据所述标准目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成所述标准目标树对应的第一矩形，根据所述第一矩形的面积确定所述标准目标树对应的第一覆盖面积；根据各所述目标树中线路在横向的最远线路距离和在纵向的最远线路距离，生成各所述目标树对应的第二矩形，根据所述第二矩形的面积确定各个目标树对应的第二覆盖面积；根据每个所述第二覆盖面积分别与所述第一覆盖面积的比值，从所有所述目标树中确定出最优目标树。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的自动泊车方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1至7任一项所述的自动泊车方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410184329.1A CN117734676B (zh) | 2024-02-19 | 2024-02-19 | 一种自动泊车方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410184329.1A CN117734676B (zh) | 2024-02-19 | 2024-02-19 | 一种自动泊车方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117734676A CN117734676A (zh) | 2024-03-22 |
| CN117734676B true CN117734676B (zh) | 2024-05-03 |
Family
ID=90279972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410184329.1A Active CN117734676B (zh) | 2024-02-19 | 2024-02-19 | 一种自动泊车方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117734676B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109240903A (zh) * | 2017-06-15 | 2019-01-18 | 北京京东尚科信息技术有限公司 | 一种自动评估的方法和装置 |
| CN109927716A (zh) * | 2019-03-11 | 2019-06-25 | 武汉环宇智行科技有限公司 | 基于高精度地图的自主垂直泊车方法 |
| CN111307152A (zh) * | 2020-02-18 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 一种自主泊车路径反向生成规划方法 |
| CN112703147A (zh) * | 2018-09-25 | 2021-04-23 | 三菱电机株式会社 | 用于控制车辆的移动的系统和方法 |
| CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
| WO2022198993A1 (zh) * | 2021-03-22 | 2022-09-29 | 深圳市优必选科技股份有限公司 | 一种机械臂运动规划方法、装置、可读存储介质及机械臂 |
| CN117109555A (zh) * | 2023-07-28 | 2023-11-24 | 杭州电子科技大学 | 一种适应于树林环境下的树干喷涂机器人的控制方法 |
-
2024
- 2024-02-19 CN CN202410184329.1A patent/CN117734676B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109240903A (zh) * | 2017-06-15 | 2019-01-18 | 北京京东尚科信息技术有限公司 | 一种自动评估的方法和装置 |
| CN112703147A (zh) * | 2018-09-25 | 2021-04-23 | 三菱电机株式会社 | 用于控制车辆的移动的系统和方法 |
| CN109927716A (zh) * | 2019-03-11 | 2019-06-25 | 武汉环宇智行科技有限公司 | 基于高精度地图的自主垂直泊车方法 |
| CN111307152A (zh) * | 2020-02-18 | 2020-06-19 | 中国科学院合肥物质科学研究院 | 一种自主泊车路径反向生成规划方法 |
| WO2022198993A1 (zh) * | 2021-03-22 | 2022-09-29 | 深圳市优必选科技股份有限公司 | 一种机械臂运动规划方法、装置、可读存储介质及机械臂 |
| CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
| CN117109555A (zh) * | 2023-07-28 | 2023-11-24 | 杭州电子科技大学 | 一种适应于树林环境下的树干喷涂机器人的控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于快速扩展随机树的7R机械臂避障达点运动规划;谢碧云等;机械工程学报;20120215;第48卷(第3期);第63-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117734676A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102593224B1 (ko) | 자동 주차 방법 및 장치, 전자 기기, 저장 매체 | |
| CN111301409A (zh) | 一种泊车路径规划方法、装置、车辆和存储介质 | |
| CN111768647A (zh) | 一种基于移动边缘计算的自主泊车方法和装置 | |
| CN113448335A (zh) | 路径规划方法和装置、车辆和可读存储介质 | |
| CN112444263A (zh) | 全局路径规划方法及装置 | |
| CN112284393A (zh) | 一种智能移动机器人全局路径规划方法和系统 | |
| CN112344938B (zh) | 基于指向和势场参数的空间环境路径生成及规划方法 | |
| CN115077553A (zh) | 基于栅格搜索轨迹规划方法、系统、汽车、设备及介质 | |
| CN114543815A (zh) | 基于基因调控网络的多智能体导航控制方法、设备及介质 | |
| CN114578834B (zh) | 基于目标分层双感知域的强化学习的无人车路径规划方法 | |
| CN111824131B (zh) | 一种自动泊车的方法和车辆 | |
| CN114620071A (zh) | 绕行轨迹规划方法、装置、设备及存储介质 | |
| CN117734676B (zh) | 一种自动泊车方法、装置、设备及存储介质 | |
| CN116476840B (zh) | 变道行驶方法、装置、设备及存储介质 | |
| CN112612267A (zh) | 自动驾驶的路径规划方法和装置 | |
| JP6793787B1 (ja) | 車両制御装置、駐車支援装置、車両制御方法および駐車支援方法 | |
| CN115657675A (zh) | 一种车辆运动路径生成方法、系统及存储介质 | |
| CN115097826A (zh) | 一种车辆掉头轨迹规划方法及装置 | |
| CN115014380A (zh) | 泊车路径规划方法以及装置、电子设备、存储介质 | |
| CN114404985A (zh) | 虚拟角色的路径规划方法及装置、电子设备、存储介质 | |
| CN114852058B (zh) | 自动泊车路径规划方法、装置、系统及可读存储介质 | |
| CN117842034A (zh) | 参考线生成及车辆控制方法、装置、设备、车辆及介质 | |
| CN115230683A (zh) | 车辆控制方法和装置 | |
| CN118149851A (zh) | 车辆行驶路径的规划方法、装置、计算机设备及存储介质 | |
| CN118068843A (zh) | 一种基于参考轨迹优化的AStar路径规划方法及设备 |
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 |