CN110758379A - 一种斜列泊车位检测方法、装置以及自动泊车方法和*** - Google Patents
一种斜列泊车位检测方法、装置以及自动泊车方法和*** Download PDFInfo
- Publication number
- CN110758379A CN110758379A CN201810847085.5A CN201810847085A CN110758379A CN 110758379 A CN110758379 A CN 110758379A CN 201810847085 A CN201810847085 A CN 201810847085A CN 110758379 A CN110758379 A CN 110758379A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- parking space
- characteristic point
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种斜列泊车位检测方法、装置以及自动泊车方法和***,其中,斜列泊车位检测方法包括:在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位;获得设定时间内待泊车车辆与第一参考车辆和第二参考车辆上多个反射点之间的多个雷达测距值;形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;根据二维数据图像生成二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出三个特征点的坐标和目标斜列泊车位与基准线的夹角;计算目标斜列泊车位的宽度。本发明可以自动搜索符合泊车条件的斜列车位,运用深度神经网络提高斜列车位特征点的准确度和鲁棒性,解决以往只能处理平行车位和垂直车位的不足。
Description
技术领域
本发明涉及汽车电子技术领域,尤其涉及一种斜列泊车位检测方法、装置以及自动泊车方法和***。
背景技术
目前自动泊车领域主要开展的是平行车位与垂直车位的泊车算法研究,对于角度不确定的斜列车位,由于特征点的提取复杂许多,需要泊车之前利用传感器探知该车位的倾斜角度和车位,而受限于传感器获得的信息有限,很难通过常规算法提取车位角度信息,人工智能深度学习技术作为近年来才开始热门的技术,目前缺乏在自动泊车领域的应用。
已知的一种基于超声波传感器和步进电机齿轮机构的倾斜车位探测方案,该方案中安装在车辆侧方的超声波雷达位置并不固定,通过步进电机可以动态调节超声波探头的朝向位置,通过调整位置后的超声波来探测车位的宽度。但是,该方案由于雷达采用可旋转角度的安装方法,出于乘用车量产角度的考虑,这种雷达安装方案成本高,对外造型的影响以及结构稳定性的影响较大,无法量产应用。
另一种自动泊车算法解决了侧方位停车时前后车辆车身有一定倾斜角的情况。但是,该方案的适用对象是侧方位泊车,所推算的倾斜角度也仅用于修正参考点的坐标,无法用来推算斜列泊车位。
发明内容
本发明所要解决的技术问题在于,提供一种斜列泊车位检测方法、装置以及自动泊车方法和***,实现对可变角度的斜列泊车位角度、车位宽度的检测。
为了解决上述技术问题,本发明提供一种斜列泊车位检测方法,包括:
步骤S11,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S12,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S13,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S14,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S15,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
其中,所述第一参考车辆所在第一参考泊车位、所述目标斜列泊车位和所述第二参考车辆所在第二参考泊车位按照与待泊车车辆的距离,由近至远以相同斜率沿所述基准线排列。
其中,所述二维数据图像包含三个特征点信息以及所述目标斜列泊车位的倾斜角,其中,第一特征点用于标识所述第一参考车辆与所述基准线形成的交点,第二特征点用于标识所述第二参考车辆与所述基准线形成的交点,第三特征点用于标识所述第一参考车辆和所述目标斜列泊车位相接处与所述基准线垂直相交形成的交点,所述目标斜列泊车位的倾斜角是所述目标斜列泊车位与所述基准线所成夹角。
其中,所述步骤S14具体包括:
在所述二维数据图像上选取预定范围生成二维灰度图,将该二维灰度图作为泊车深度神经网络的输入;
采用两个独立的泊车深度神经网络处理所述二维灰度图的数据,一个泊车深度神经网络输出第一特征点、第二特征点和第三特征点,另一个泊车深度神经网络输出所述目标斜列泊车位与所述基准线的夹角。
其中,在所述二维数据图像上选取预定范围生成二维灰度图,具体是在所述二维数据图像上选取横向范围为10m、纵向范围为4m,采用10cm×10cm为一个像素的方式生成分辨率为100×40的二维灰度图。
其中,所述泊车深度神经网络的训练过程包括:
根据实时采集得到的多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
在所述二维数据图像上选取预定范围生成二维灰度图,将该二维灰度图作为泊车深度神经网络的输入;同时将三个特征点的坐标值和所述目标斜列停车位的倾斜角作为标注值输入所述泊车深度神经网络;
采用两个独立的泊车深度神经网络处理所述二维灰度图的数据,一个泊车深度神经网络输出第一特征点、第二特征点和第三特征点,另一个泊车深度神经网络输出所述目标斜列泊车位与所述基准线的夹角。
其中,每一泊车深度神经网络包括依次相接的第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
其中,所述目标斜列泊车位的宽度按照下述公式计算:
a1d=(ac-ab/ sin2θ)×sinθ
其中,a1d为所述目标斜列泊车位的宽度,ac为所述第一特征点与所述第二特征点的距离,ab为所述第一特征点与所述第三特征点的距离,θ为所述目标斜列泊车位与所述基准线的夹角。
其中,所述检测方法还包括:
在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶过程中,实时获取车辆前方的超声波雷达的测距信息,以进行避障检测和控制,当遇到障碍物则停车,待障碍物消失后再启动继续向前。
本发明还提供一种斜列泊车位检测装置,包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
本发明还提供一种自动泊车方法,包括:
步骤S21,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S22,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S23,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S24,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S25,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
步骤S26,根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
本发明还提供一种自动泊车***,包括:
斜列泊车位检测装置,其进一步包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度;
自动泊车控制装置,用于根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
本发明实施例的有益效果在于:可以在固定超声波雷达安装位置的前提下,可以自动搜索符合泊车条件的斜列车位,运用深度学***行车位和垂直车位的不足,丰富了自动泊车产品的功能性和应用场景,有利于推动斜列泊车位自动泊车产品的加速面世。
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是本发明实施例一一种斜列泊车位检测方法的流程示意图。
图2是本发明实施例一中利用超声波搜索目标斜列泊车位的示意图。
图3是本发明实施例一中雷达数据转换绘图示意图。
图4是本发明实施例一中泊车深度神经网络分层示意图。
图5是本发明实施例一中目标斜列泊车位宽度计算示意图。
图6是本发明实施例三一种自动泊车方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种斜列泊车位检测方法,包括:
步骤S11,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S12,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S13,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S14,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S15,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
请结合图2所示,本实施例中,待泊车车辆共安装有12个超声波雷达,安装在车辆前侧和后侧各4个一般距离雷达,安装在车辆左右两侧各2个长距离雷达,其中,侧方前雷达的探测方向朝向车头方向倾斜一定角度,侧方后雷达的探测方向朝向车辆后方倾斜一定角度,安装高度优选为50厘米。图2中的r5、r6和r11、r12为长距离雷达,测距需满足在4.5米以上,波束角优选在60度左右。侧方前雷达水平方向前倾斜角需满足1/2×水平波束角,侧方后雷达水平方向后倾斜角需满足1/2×水平波束角,使得侧方前后两个长距离雷达(r5、r6、r11、r12)的测距边沿跟车辆行驶方向垂直,即雷达探头的中心方向位于侧向偏前或偏后30度左右(以波束角为60度为例),避免接收到打地回波。各雷达均采用车规雷达探头,探头末端与车身平齐,不突出车身外形。
步骤S11中,驾驶员确认待泊车车辆正前方20米范围内,在多个沿基准线L0以相同斜率排列的斜列泊车位中存在可以进行泊车的泊车位,将其作为目标斜列泊车位。本实施例中,基准线L0为水平线。具体如图2所示,目标斜列泊车位A0位于第一参考车辆A1和第二参考车辆A2之间,并且按照待泊车车辆行驶方向(图2所示为从右至左),第一参考车辆A1、目标斜列泊车位A0、第二参考车辆A2由近及远依次排列。可以理解地,按照斜列泊车位的通常布置,这些斜列泊车位的斜率均相同。
步骤S12中,控制待泊车车辆沿基准线L0朝向目标斜列泊车位A0行驶设定距离,车身侧方前雷达r5发出超声波,在第一参考车辆A1和/或第二参考车辆A2反射回来,获得相应的雷达测距值,将其与其时的车辆行驶距离(可由轮速脉冲积分得到)匹配组成数据对,通过一定时间的积累,可以通过步骤S13绘制得到如图3所示的以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像,该图像中包含了特征点a、b、c以及目标斜列泊车位的倾斜角θ。第一特征点a用于标识第一参考车辆A1与基准线L0形成的交点,第二特征点c用于标识第二参考车辆A2与基准线L0形成的交点,第三特征点b用于标识第一参考车辆A1和目标斜列泊车位A0相接处B与基准线L0垂直相交形成的交点。
需要说明的是,前述雷达测距值即雷达的回波距离,等于发射点到反射点的最小距离,由此,如图2所示,第一参考车辆A1与基准线L0形成的交点实际指第一参考车辆A1上最接近基准线L0的点,其可以利用第一参考车辆A1所在的第一参考泊车位与基准线L0的交点来作为第一特征点a;同样地,第二参考车辆A2与基准线L0形成的交点实际指第二参考车辆A2上最接近基准线L0的点,其可以利用第二参考车辆A2所在的第二参考泊车位与基准线L0的交点来作为第二特征点c。第一参考车辆A1与目标斜列泊车位A0相接处B可以采用第一参考车辆A1所在第一参考泊车位右前方(如果第一参考泊车位是以与图2所示轴对称排列,则为第一参考泊车位左前方)替代,其与基准线L0垂直相交形成的交点即第三特征点。如果将图3中各点顺序连线可以看出,第一特征点a和第二特征点c为曲线下凸的顶点,即最接近横轴的点,其代表的含义是:当待泊车车辆沿基准线L0朝向目标斜列泊车位A0行驶过程中,与待泊车车辆的距离最短(雷达测距值最小)。此外,第三特征点b为第一特征点a所在曲线的边界点,表明由于即将接近目标斜列泊车位A0,目标斜列停车位A0上无车导致没有雷达发射面而接收不到雷达回波,直至车辆继续向前行驶从第二参考车辆A2上重新接收到雷达回波,因此第三特征点b作为第一参考车辆A1边界点,也可用于目标斜列泊车位的起点。
可以理解地,图2所示的斜列泊车位与基准线L0所成夹角(由于斜列泊车位的形状均为矩形或近似矩形,该夹角实际上也相当于斜列泊车位的长边与基准线L0之间的夹角)为锐角,因此是将第一参考泊车位的左前方与基准线L0的交点作为第一特征点a,将第二参考泊车位的左前方与基准线L0的交点作为第二特征点c;如果斜列泊车位与基准线L0所成夹角θ为钝角,则是将第一参考泊车位的右前方与基准线L0的交点作为第一特征点a,将第二参考泊车位的右前方与基准线L0的交点作为第二特征点c。目标斜列泊车位的倾斜角θ也即目标斜列泊车位A0与基准线L0所成的夹角。并且,此处的“前方”是指相对于待泊车车辆更靠近,并非特指参考车辆车身的前方,例如参考车辆如果是以车身尾部朝向基准线L0停放,则更接近基准线L0的为参考车辆车身的后方。
步骤S14中,泊车深度神经网络为已经训练好的深度神经网络,如图3所示的二维数据图像,选取横向范围为10m、纵向范围为4m,采用10cm×10cm为一个像素的方式生成100×40的二维灰度图,将该二维灰度图作为泊车深度神经网络的输入,即为100×40。而输出包含4个参数,即三个特征点a、b、c的坐标,范围为0-100的取值,真实坐标则通过叠加原点坐标得到;另外一个参数是目标斜列泊车位的倾斜角θ,通过图3中椭圆框中的数据得到目标斜列泊车位的映射,范围为25-70度,去掉偏移值设置为0-45度输出。此处的原点坐标指的是图像上左下角的点此时对应的全局坐标下移动的距离,而大地坐标系的原点是车辆按下泊车按钮时车辆的位置。图3中椭圆框中的数据对应的是超声波雷达打到车辆侧边(具体是第二参考车辆A2)的回波距离值(即雷达测距值),具体真实的映射基于采集数据时实测的车辆倾斜角度,作为训练样本的groud truth(即标定过的真实数据)。深度学习的思路就是对于复杂的映射关系不做具体设定,而用训练样本训练神经网络的内部参数。
泊车深度神经网络的训练过程是:首先,同样是根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像,生成预定大小的二维灰度图作为泊车深度神经网络的输入,同时将三个特征点的坐标值和目标斜列停车位的倾斜角作为泊车深度神经网络的另一路输入,由泊车深度神经网络进行训练。该泊车深度神经网络为有监督学***化处理,最后由输出层输出结果,即三个特征点的坐标和目标斜列泊车位的倾斜角。
泊车深度神经网络经训练后,每次进行斜列车位检测时,均依据前述步骤S11-S14输出第一特征点a、第二特征点c、第三特征点b和目标斜列泊车位A0与基准线L0的夹角θ。
步骤S15对目标斜列泊车位的宽度的计算方法如图5所示,ab与ac为深度神经网络输出的值,为已知量,aa1线段的长度为aa1=ab/sin2θ,a1d线段为目标斜列泊车位A0的宽度,a1d=a1c×sinθ=(ac-aa1)×sinθ,代入aa1线段之后,得到a1d=(ac-ab/ sin2θ)×sinθ。
本实施例的检测方法可以检测出不同倾斜角度的斜列泊车位,尤其在倾斜角度在30-60度之间更为准确有效,因此在安装超声波雷达方面可以固定安装,无需因斜列泊车位倾斜角度的变换而转动安装,节省了成本和工时。
此外,在待泊车车辆沿基准线L0朝向目标斜列泊车位A0行驶过程中,还将实时获取车辆前方的超声波雷达(R1、R2、R3、R4)的测距信息,以进行避障检测和控制。当遇到障碍物则停车,等到障碍物消失后再启动,继续向前。
相应于本发明实施例一的斜列泊车位检测方法,本发明实施例二提供一种斜列泊车位检测装置,包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
通过本发明实施例一的检测方法,可以推算出目标斜列车位的车位宽度和车位倾斜角,在给定的坐标系下还可根据第一特征点a、第二特征点c和第三特征点b获得目标斜列泊车位的坐标位置,而这些信息对于斜列车位的泊车路径规划非常重要。
由此,如图6所示,本发明实施例三提供一种自动泊车方法,包括:
步骤S21,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S22,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S23,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S24,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S25,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
步骤S26,根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
相应地,本发明实施例四提供一种自动泊车***,包括:
斜列泊车位检测装置,其进一步包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度;
自动泊车控制装置,用于根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
通过上述说明可知,本发明实施例的有益效果在于,可以在固定超声波雷达安装位置的前提下,可以自动搜索符合泊车条件的斜列车位,运用深度学***行车位和垂直车位的不足,丰富了自动泊车产品的功能性和应用场景,有利于推动斜列泊车位自动泊车产品的加速面世。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (12)
1.一种斜列泊车位检测方法,其特征在于,包括:
步骤S11,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S12,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S13,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S14,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S15,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
2.根据权利要求1所述的检测方法,其特征在于,所述第一参考车辆所在第一参考泊车位、所述目标斜列泊车位和所述第二参考车辆所在第二参考泊车位按照与待泊车车辆的距离,由近至远以相同斜率沿所述基准线排列。
3.根据权利要求1所述的检测方法,其特征在于,所述二维数据图像包含三个特征点信息以及所述目标斜列泊车位的倾斜角,其中,第一特征点用于标识所述第一参考车辆与所述基准线形成的交点,第二特征点用于标识所述第二参考车辆与所述基准线形成的交点,第三特征点用于标识所述第一参考车辆和所述目标斜列泊车位相接处与所述基准线垂直相交形成的交点,所述目标斜列泊车位的倾斜角是所述目标斜列泊车位与所述基准线所成夹角。
4.根据权利要求3所述的检测方法,其特征在于,所述步骤S14具体包括:
在所述二维数据图像上选取预定范围生成二维灰度图,将该二维灰度图作为泊车深度神经网络的输入;
采用两个独立的泊车深度神经网络处理所述二维灰度图的数据,一个泊车深度神经网络输出第一特征点、第二特征点和第三特征点,另一个泊车深度神经网络输出所述目标斜列泊车位与所述基准线的夹角。
5.根据权利要求4所述的检测方法,其特征在于,在所述二维数据图像上选取预定范围生成二维灰度图,具体是在所述二维数据图像上选取横向范围为10m、纵向范围为4m,采用10cm×10cm为一个像素的方式生成分辨率为100×40的二维灰度图。
6.根据权利要求3所述的检测方法,其特征在于,所述泊车深度神经网络的训练过程包括:
根据实时采集得到的多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
在所述二维数据图像上选取预定范围生成二维灰度图,将该二维灰度图作为泊车深度神经网络的输入;同时将三个特征点的坐标值和所述目标斜列停车位的倾斜角作为标注值输入所述泊车深度神经网络;
采用两个独立的泊车深度神经网络处理所述二维灰度图的数据,一个泊车深度神经网络输出第一特征点、第二特征点和第三特征点,另一个泊车深度神经网络输出所述目标斜列泊车位与所述基准线的夹角。
7.根据权利要求6所述的检测方法,其特征在于,每一泊车深度神经网络包括依次相接的第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层。
8.根据权利要求1所述的检测方法,其特征在于,所述目标斜列泊车位的宽度按照下述公式计算:
a1d=(ac-ab/ sin2θ)×sinθ
其中,a1d为所述目标斜列泊车位的宽度,ac为所述第一特征点与所述第二特征点的距离,ab为所述第一特征点与所述第三特征点的距离,θ为所述目标斜列泊车位与所述基准线的夹角。
9.根据权利要求1所述的检测方法,其特征在于,还包括:
在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶过程中,实时获取车辆前方的超声波雷达的测距信息,以进行避障检测和控制,当遇到障碍物则停车,待障碍物消失后再启动继续向前。
10.一种斜列泊车位检测装置,其特征在于,包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度。
11.一种自动泊车方法,其特征在于,包括:
步骤S21,在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
步骤S22,控制待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
步骤S23,根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
步骤S24,根据所述二维数据图像生成预定大小的二维灰度图作为泊车深度神经网络的输入,经泊车深度神经网络处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
步骤S25,根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度;
步骤S26,根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
12.一种自动泊车***,其特征在于,包括:
斜列泊车位检测装置,其进一步包括:
确定单元,用于在多个沿基准线排列的斜列泊车位中确定目标斜列泊车位,所述目标斜列泊车位位于第一参考车辆和第二参考车辆之间;
获取单元,用于在待泊车车辆沿所述基准线朝向所述目标斜列泊车位行驶设定距离时,获得设定时间内待泊车车辆与所述第一参考车辆和所述第二参考车辆上多个反射点之间的多个雷达测距值,每一雷达测距值与一车辆行驶距离相对应;
绘图单元,用于根据所述多个雷达测距值和多个车辆行驶距离,形成以车辆行驶距离为横坐标、雷达测距值为纵坐标的二维数据图像;
泊车深度神经网络单元,用于根据输入的由所述二维数据图像生成的预定大小的二维灰度图,处理后分别输出第一特征点、第二特征点、第三特征点的坐标和所述目标斜列泊车位与所述基准线的夹角;
计算单元,用于根据所述第一特征点与所述第二特征点之间的距离、所述第一特征点与所述第三特征点之间的距离、以及所述目标斜列泊车位与所述基准线的夹角,计算所述目标斜列泊车位的宽度;
自动泊车控制装置,用于根据所述目标斜列泊车位的宽度、与所述基准线的夹角,以及所述第一特征点、所述第二特征点和所述第三特征点的坐标规划自动泊车路线,并按照所述自动泊车路线执行自动泊车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847085.5A CN110758379B (zh) | 2018-07-27 | 2018-07-27 | 一种斜列泊车位检测方法、装置以及自动泊车方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847085.5A CN110758379B (zh) | 2018-07-27 | 2018-07-27 | 一种斜列泊车位检测方法、装置以及自动泊车方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110758379A true CN110758379A (zh) | 2020-02-07 |
CN110758379B CN110758379B (zh) | 2020-11-13 |
Family
ID=69328363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810847085.5A Active CN110758379B (zh) | 2018-07-27 | 2018-07-27 | 一种斜列泊车位检测方法、装置以及自动泊车方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110758379B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114537A (zh) * | 2020-02-18 | 2020-05-08 | 威马智慧出行科技(上海)有限公司 | 自动泊车倒车入库控制方法、电子设备及汽车 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111942372A (zh) * | 2020-07-27 | 2020-11-17 | 广州汽车集团股份有限公司 | 一种自动泊车方法及*** |
CN112455430A (zh) * | 2020-12-02 | 2021-03-09 | 苏州优达斯汽车科技有限公司 | 无车位线的斜列车位的检测方法、泊车方法及泊车*** |
CN112874510A (zh) * | 2021-02-02 | 2021-06-01 | 江苏大学 | 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法 |
CN113238237A (zh) * | 2021-07-12 | 2021-08-10 | 天津天瞳威势电子科技有限公司 | 一种库位探测方法及装置 |
CN113525337A (zh) * | 2020-03-31 | 2021-10-22 | 本田技研工业株式会社 | 驻车位辨识***及包括该驻车位辨识***的驻车辅助*** |
CN113829994A (zh) * | 2020-06-08 | 2021-12-24 | 广州汽车集团股份有限公司 | 基于车外鸣笛声的预警方法、装置、汽车及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102574544A (zh) * | 2009-08-05 | 2012-07-11 | 罗伯特·博世有限公司 | 用于受支持地泊入泊车位中的方法和装置 |
KR20150028492A (ko) * | 2013-09-06 | 2015-03-16 | 현대모비스 주식회사 | 조향 휠 제어 방법 및 이를 위한 시스템 |
DE102017006585A1 (de) * | 2017-07-12 | 2018-03-01 | Daimler Ag | Verfahren zur Korrektur eines Radwinkels gelenkter Räder eines Fahrzeugs |
CN107776570A (zh) * | 2017-09-19 | 2018-03-09 | 广州汽车集团股份有限公司 | 全自动泊车方法及全自动泊车*** |
CN108254752A (zh) * | 2017-12-20 | 2018-07-06 | 广州汽车集团股份有限公司 | 一种斜列停车位检测方法、装置以及自动泊车方法和*** |
-
2018
- 2018-07-27 CN CN201810847085.5A patent/CN110758379B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102574544A (zh) * | 2009-08-05 | 2012-07-11 | 罗伯特·博世有限公司 | 用于受支持地泊入泊车位中的方法和装置 |
KR20150028492A (ko) * | 2013-09-06 | 2015-03-16 | 현대모비스 주식회사 | 조향 휠 제어 방법 및 이를 위한 시스템 |
DE102017006585A1 (de) * | 2017-07-12 | 2018-03-01 | Daimler Ag | Verfahren zur Korrektur eines Radwinkels gelenkter Räder eines Fahrzeugs |
CN107776570A (zh) * | 2017-09-19 | 2018-03-09 | 广州汽车集团股份有限公司 | 全自动泊车方法及全自动泊车*** |
CN108254752A (zh) * | 2017-12-20 | 2018-07-06 | 广州汽车集团股份有限公司 | 一种斜列停车位检测方法、装置以及自动泊车方法和*** |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114537A (zh) * | 2020-02-18 | 2020-05-08 | 威马智慧出行科技(上海)有限公司 | 自动泊车倒车入库控制方法、电子设备及汽车 |
CN113525337B (zh) * | 2020-03-31 | 2024-05-03 | 本田技研工业株式会社 | 驻车位辨识***及包括该驻车位辨识***的驻车辅助*** |
US11842548B2 (en) | 2020-03-31 | 2023-12-12 | Honda Motor Co., Ltd. | Parking space recognition system and parking assist system including the same |
CN113525337A (zh) * | 2020-03-31 | 2021-10-22 | 本田技研工业株式会社 | 驻车位辨识***及包括该驻车位辨识***的驻车辅助*** |
CN113829994B (zh) * | 2020-06-08 | 2023-11-21 | 广州汽车集团股份有限公司 | 基于车外鸣笛声的预警方法、装置、汽车及介质 |
CN113829994A (zh) * | 2020-06-08 | 2021-12-24 | 广州汽车集团股份有限公司 | 基于车外鸣笛声的预警方法、装置、汽车及介质 |
CN111898732B (zh) * | 2020-06-30 | 2023-06-20 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111942372A (zh) * | 2020-07-27 | 2020-11-17 | 广州汽车集团股份有限公司 | 一种自动泊车方法及*** |
CN112455430A (zh) * | 2020-12-02 | 2021-03-09 | 苏州优达斯汽车科技有限公司 | 无车位线的斜列车位的检测方法、泊车方法及泊车*** |
CN112874510B (zh) * | 2021-02-02 | 2022-09-16 | 江苏大学 | 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法 |
CN112874510A (zh) * | 2021-02-02 | 2021-06-01 | 江苏大学 | 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法 |
CN113238237B (zh) * | 2021-07-12 | 2021-10-01 | 天津天瞳威势电子科技有限公司 | 一种库位探测方法及装置 |
CN113238237A (zh) * | 2021-07-12 | 2021-08-10 | 天津天瞳威势电子科技有限公司 | 一种库位探测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110758379B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110758379B (zh) | 一种斜列泊车位检测方法、装置以及自动泊车方法和*** | |
JP3822770B2 (ja) | 車両用前方監視装置 | |
CN107632308B (zh) | 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法 | |
US10705220B2 (en) | System and method for ground and free-space detection | |
CN110573905B (zh) | 障碍物检知装置 | |
RU2668459C1 (ru) | Устройство оценки положения и способ оценки положения | |
JP7059888B2 (ja) | 支援制御システム | |
AU2012314067B2 (en) | Localising transportable apparatus | |
JP2501010B2 (ja) | 移動ロボットの誘導装置 | |
CN110211420B (zh) | 判断当前场景是否为停车场的方法、***及计算机可读存储介质 | |
CN110379178B (zh) | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 | |
JP2020525809A (ja) | 両眼画像に基づき高解像度地図を更新するためのシステムおよび方法 | |
KR102056147B1 (ko) | 자율주행차량을 위한 거리 데이터와 3차원 스캔 데이터의 정합 방법 및 그 장치 | |
WO2020133415A1 (en) | Systems and methods for constructing a high-definition map based on landmarks | |
CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
CN114724110A (zh) | 目标检测方法及设备 | |
CN112781599A (zh) | 确定车辆的位置的方法 | |
CN112946660A (zh) | 一种基于多波束前视声呐的同时定位与建图方法 | |
CN116129669A (zh) | 一种基于激光雷达的车位测评方法、***、设备及介质 | |
CN115151836A (zh) | 用于探测车辆周围环境中的移动对象的方法和机动车辆 | |
JP2023118751A (ja) | 自己位置推定装置 | |
KR101734726B1 (ko) | 주차공간 탐지 방법 및 이를 실행하는 장치 | |
CN111539305A (zh) | 一种地图构建方法及***、车辆及存储介质 | |
CN215641826U (zh) | 一种基于车载超声传感器的车辆实时定位***及车辆 | |
CN114103933B (zh) | 障碍物定位方法、泊车控制方法、装置和车辆 |
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 |