CN111746504A - 记忆泊车方法、***、装置及计算机可读存储介质 - Google Patents
记忆泊车方法、***、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111746504A CN111746504A CN201910241986.4A CN201910241986A CN111746504A CN 111746504 A CN111746504 A CN 111746504A CN 201910241986 A CN201910241986 A CN 201910241986A CN 111746504 A CN111746504 A CN 111746504A
- Authority
- CN
- China
- Prior art keywords
- parking
- original
- route
- parking space
- vehicle
- 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 90
- 239000003550 marker Substances 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 19
- 230000009471 action Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 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)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种记忆泊车方法、装置、***以及计算机可读存储介质。本申请记忆泊车方法在驾驶员首次泊车过程中通过车载视频***生成原始泊车位地图,并记录原始泊车轨迹。当车辆再次驶入该车位附近准备泊车时,确定当前视频图像与原始泊车位地图匹配,然后在所述视频图像中搜寻泊车位,车载处理器基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线,最后沿巡航阶段路线和泊车路线控制车辆泊车。本申请实施方式在不同时段分别完成生成原始泊车位地图、搜寻泊车位和优化路线等动作,计算资源占用较少,采用普通的车载处理器也能够快速、准确的实现泊车控制,保证自动泊车成功率的同时有效降低了成本。
Description
技术领域
本申请涉及智能驾驶领域,尤其涉及一种辅助驾驶的记忆泊车方法,以及执行上述方法的记忆泊车***和记忆泊车装置以及计算机可读存储介质。
背景技术
记忆式无人泊车***采用车载处理器自主学习驾驶员在泊车过程中行驶的既定路线,当车辆再次驶入该场地,***能够自动识别记忆路段的周边环境,并计算出车身所处的位置与角度,从而在接受到泊车命令后自主行驶到记忆过的停车路线上,并最终泊入停车位。因此,如何让***在记忆环境中始终准确定位车辆的位置,是保证车辆能够安全泊入停车位的关键。
现有的记忆泊车***,为了提高泊车成功率,使用基于卫星信号的GPS、RTK等技术进行定位,但是这些定位方式严重受到场景限制,在地下封闭环境、城市峡谷或民居小区等复杂场景下泊车容易失败。在封闭环境中,现有方案主要依靠激光雷达等传感器监控车辆与周围障碍物的距离与角度,但激光雷达价格昂贵而且在封闭复杂环境下也无法保证一直正常工作。其次还有记忆泊车方案在特定场景安装感应器,使车辆能够通过接收智能基础设施的指挥信号确保车辆安全行驶,但是该方案需要对特定场景投入额外建设而且受到严格的场景使用限制。
发明内容
本申请提出一种多场景下均达到快速、准确泊车的记忆泊车方法,且成本较低,具体包括如下技术方案:
一种记忆泊车方法,包括:
生成原始泊车位地图及原始泊车轨迹;
将实时采集的视频图像与所述原始泊车位地图进行匹配;
若匹配成功,则在所述视频图像中搜寻泊车位;
基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
沿所述巡航阶段路线和所述泊车路线控制车辆泊车。
本申请记忆泊车方法,在驾驶员首次泊车过程中通过车载视频***生成原始泊车位地图,并记录原始泊车轨迹。当车辆再次驶入该车位准备泊车时,确定实时采集的视频图像与原始泊车位地图匹配,然后在所述视频图像中搜寻泊车位,车载处理器基于所述原始泊车轨迹和搜寻到的所述泊车位优化所述巡航阶段路线和泊车路线,最后沿所述泊车路线控制车辆泊车。本申请记忆泊车方法在不同时段分别完成生成原始泊车位地图、搜寻泊车位和优化路线等动作,计算资源占用较少,采用普通的车载处理器也能够快速、准确的实现泊车控制,保证自动泊车成功率的同时有效降低了成本。
其中,所述沿所述巡航阶段路线和泊车路线控制车辆泊车,还包括:
实时检测所述泊车路线上的障碍物。
对障碍物的检测能够保证车辆顺利停入泊车位,避免碰撞。
其中,所述沿所述巡航阶段路线和泊车路线控制车辆泊车,包括:
监测所述泊车路线是否存在障碍物;
若存在障碍物,则设定临时绕行路线并控制车辆避开所述障碍物再回到所述泊车路线;
沿所述泊车路线的剩余路线继续控制车辆泊车。
通过设定临时绕行路线,可以有效避开障碍物。且车辆重新回到泊车路线后继续泊车,避免了重新设定泊车路线的计算量。
其中,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,包括:
比对实时采集的视频图像与原始泊车位地图的差异;
将比对得到的差异结果更新至所述原始泊车位地图中。
实时更新原始泊车位地图,可以防止由于长时间下原始泊车位环境缓慢变化导致的定位精度降低或者失效。
其中,所述比对实时采集的视频图像与原始泊车位地图的差异还包括下述触发条件:
确定到所述实时采集的视频图像的世界时与所述生成原始泊车地图的世界时的差值超过时间差阈值,或确定到沿所述巡航阶段路线或所述泊车路线泊车失败。
当时间间隔足够长,或泊车失败时,可以认为原始泊车位地图相对于现有原始泊车位的环境发生了较大变化,因此需要对原始泊车地图进行更新。
其中,所述生成原始泊车位地图及原始泊车轨迹,包括:
基于视频图像进行特征点匹配,形成3D点云;
基于视频图像进行目标检测,确定标志物;
将所述3D点云与所述标志物结合形成所述原始泊车位地图;
基于所述原始泊车位地图记录所述原始泊车轨迹。
将3D点云和标志物结合识别,有利于提高原始泊车位地图的精确度。
其中,所述生成原始泊车位地图及原始泊车轨迹,包括:
结合车载里程计形成所述3D点云和所述标志物。
结合车载里程计有利于更快的定位出车辆的坐标和偏角。
其中,所述基于所述原始泊车轨迹和搜寻到的所述泊车位优化所述巡航阶段路线和所述泊车路线,包括:
结合所述车载里程计优化所述巡航阶段路线和所述泊车路线。
结合车载里程计有利于更快的定位出车辆的坐标和偏角。
其中,在所述视频图像中搜寻泊车位,包括:
检测所述原始泊车轨迹对应到的原始泊车位是否可使用;
若所述原始泊车轨迹对应到的原始泊车位被占用,则在所述原始泊车位周围预设距离范围内重新搜索泊车位。
重新搜索泊车位,可以提高本申请记忆泊车方法的智能化能力,通过平移轨迹的方式实现泊车。
本申请还涉及一种记忆泊车***,包括:
地图生成模块,用于生成原始泊车位地图及原始泊车轨迹;
实时定位模块,用于将实时采集的视频图像与原始泊车位地图进行匹配;
车位检测模块,用于在匹配成功后,在所述视频图像中搜寻泊车位
路径规划模块,用于基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
路径跟踪模块,用于沿所述巡航阶段路线和泊车路线控制车辆泊车。
本申请记忆泊车***通过各个模块之间的配合工作,可以实施上述的记忆泊车方法,从而在车辆泊车的过程中实现自动泊车功能,具备较高的精度和准确率。车辆在装配此***后拓宽了自动泊车的适用场景,同时减少了***的计算量,可以采用价格较为低廉的车载处理器即能实现功能。
其中,本申请记忆泊车***还包括有超声波模块,用于检测障碍物。
其中,记忆泊车***还包括有地图更新模块,用于实时更新原始泊车位地图。
其中,所述原始泊车位地图中包括有原始泊车位,所述车位检测模块用于在汽车驶入所述原始泊车位预设范围内后搜寻所述泊车位。
本申请还涉及一种记忆泊车装置,包括处理器、输入装置、输出装置和存储装置。所述处理器、所述输入装置、所述输出装置和所述存储装置相互连接,其中,所述存储装置用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述的记忆泊车方法。
本申请还涉及一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可读存储介质中存储的所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行上述的记忆泊车方法。
本申请记忆泊车装置以及计算机可读存储介质,同样可以实施上述的记忆泊车方法,从而在车辆泊车过程中实现有效的自动泊车动作,具备较高的精度和准确率。车辆在装配此***后拓宽了自动泊车的适用场景,同时减少了***的计算量,可以采用价格较为低廉的车载处理器即能实现功能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1本申请实施例提供的一种记忆泊车方法的流程图;
图2是图1所示记忆泊车方法中步骤S50的子步骤的流程图;
图3是图2所示记忆泊车方法中步骤S51的子步骤的流程图;
图4是图1所示记忆泊车方法另一实施例的流程图;
图5是图1所示记忆泊车方法中步骤S10的子步骤的流程图;
图6是图5所示记忆泊车方法中步骤S10另一实施例的子步骤的流程图;
图7是图1所示记忆泊车方法中步骤S30的子步骤的流程图;
图8是本申请记忆泊车方法在路径学习阶段的逻辑示意图;
图9是本申请记忆泊车方法在记忆泊车阶段的逻辑示意图;
图10是本申请实施例提供的一种记忆泊车***的示意图;
图11是本申请实施例提供的一种记忆泊车***另一实施例的示意图;
图12是本申请实施例提供的一种记忆泊车装置的示意图;
图13是本申请实施例提供的一种计算机可读存储介质与处理器的连接示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参看图1,图1是本申请实施例提供的一种记忆泊车方法的流程图。在本申请实施例中,所述记忆泊车方法至少包括以下步骤:
S10、生成原始泊车位地图及原始泊车轨迹;
具体的,基于车载视频***,在驾驶员驾驶车辆泊车的过程中,车载处理器对视频图像中与原始泊车位相关的、可用于原始泊车位定位的标志物进行特征点提取,并基于车载视频***的内参和外参的标定对特征点进行定位,从而得到对应该原始泊车位的原始泊车位地图。可以用于对原始泊车位进行定位的标志物诸如树木、指向箭头、车位框线等物体。通常的,这些物体相对于原始泊车位是静止不动的物体,因此在基于这些物体对车位进行定位后,下一次车辆再进入该车位附近,能够通过对标志物的比对来确定该车位是否为原始泊车位。进一步,因为标志物与原始泊车位的对应关系通常不变,而车载处理器提取标志物的特征点对原始泊车位进行的定位,因此原始泊车位地图不容易受到天气、环境、光照等因素的影响,提高了本方法的环境适应能力。
同时,驾驶员在驾驶车辆泊车的过程中,视频图像为动态图像,各个标志物在动态图像中的特征点坐标也处于变化状态。通过对标志物在视频图像中的变化轨迹,可以对应到驾驶员泊车过程中车辆的行驶轨迹,以及最终的泊车停驻位置。由此,车载处理器在生成原始泊车位地图的过程中,还可以同时记录驾驶员的原始泊车轨迹。
在本步骤中,车载处理器通过生成原始泊车位地图和原始泊车轨迹,可以在驾驶员相对原始泊车位进行泊车的过程中进行路径学习。在将路径学习的结果进行保存后,形成了针对原始泊车位的泊车记忆,后续再次行驶到原始泊车位附件时,保存的路径学习结果可用于辅助再次泊车。
另外,车载视频***可以为车载环视视频***,也可以为车载流媒体后视镜***等任意车载视频***。只要该视频***能够观测到原始泊车位,并同时观测到原始泊车位周边的环境图像,都可以应用本申请记忆泊车方法来进行泊车辅助。
S20、将实时采集的视频图像与所述原始泊车位地图进行匹配;
在生成原始泊车位地图和原始泊车轨迹之后,当驾驶员再次驾车行驶到原始泊车位附近并准备泊车时,车载处理器会从视频图像中再次提取标志物,并基于标志物的特征点坐标与原始泊车位地图中对应的标志物特征点进行匹配判定。当实时采集的视频图像中的特征点与原始泊车位地图中的特征点匹配程度达到预设阈值时,可以确定到视频图像与原始泊车位地图匹配,即车辆再次驶入了存在泊车记忆的原始泊车位附近。
考虑到外部环境的变化可能性,车载处理器对视频图像和原始泊车位地图中标志物的匹配判定不需要完全一致。只需要达到一定的匹配度,即实时视频图像中的特征点与原始泊车位地图中的特征点匹配达到预设阈值之后,就可以确定视频图像与原始泊车位地图相互匹配。因为车载视频***在对原始泊车位进行标志物检测的时候,可以提取到大量的标志物目标。且在车辆巡航阶段和泊车的过程中,各个标志物目标之间的相对位置、各标志物目标相对于原始泊车位的位置均为变化状态,因此车载处理器对原始泊车位的匹配可以找到大量的参照物,避免了将相似车位识别为原始泊车位的干扰,可以较为准确的定位到原始泊车位。即使两个场景极其相似,在泊车动作开展一段时间之后,车载处理器也会在运动中发现两个场景之间的差异,因此较难出现车位匹配错误的现象。
S30、若匹配成功,则在所述视频图像中搜寻泊车位;
具体的,在确定车辆再次驶入原始泊车位范围之后,车载处理器需要基于视频图像对泊车位进行搜寻,找到原始泊车位地图中的泊车位。该泊车位可以理解为车辆通过路径学习确定到的可用于泊车停驻位置。在车载处理器中,泊车位可以描述为车辆几何中心在原始泊车位地图中的具体坐标。
S40、基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
当车辆再次进入原始泊车位范围之后,车载处理器需要基于车辆的实时定位和姿态,以及泊车位的坐标,来规划出巡航阶段路线和泊车路线。巡航阶段路线为车辆基于原始泊车轨迹驶入可以开始泊车的位置时的路线,泊车路线为车辆重开始泊车的位置进入泊车位的路线。巡航阶段路线和泊车路线均需要参考原始泊车轨迹来规划。驾驶员在之前泊车驾驶的过程中,可能存在方向盘连续大幅度变动、轮胎与路面反复转向摩擦等对车辆造成损伤的操作。这使得原始泊车轨迹可能并非最佳的巡航阶段路线或泊车路线。基于原始泊车轨迹和搜寻到的泊车位,车载处理器可以对泊车路线进行优化,获得更平滑的泊车路线,避免车辆的连续大幅度转向,使得车辆能以更合理的路线驶入泊车位。
S50、沿所述巡航阶段路线和所述泊车路线控制车辆泊车。
车载处理器在规划出优化的巡航阶段路线和泊车路线之后,根据泊车路线的结果来给车辆发送各种控制信号,包括速度、档位、方向盘转角、刹车命令等,保证车辆始终沿着规划出的泊车轨迹安全行驶到可开始泊车的位置,并从该可以开始泊车的位置驶入泊车位内,实现自动泊车功能。
本申请记忆泊车方法,首先通过车载视频***进行路径学习。通过驾驶员驶入原始泊车位的动作,生成原始泊车位地图并记录原始泊车轨迹。当车辆再次驶入原始泊车位范围内时,需要先确定到视频图像与原始泊车位地图匹配,然后在所述视频图像中搜寻泊车位。车载处理器基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线,最后沿所述巡航阶段路线和泊车路线控制车辆泊车。本申请记忆泊车方法在不同时段分别完成生成原始泊车位地图、搜寻泊车位和优化巡航阶段路线和泊车路线等动作。具体的,在路径学习阶段,车载处理器只需要完成原始泊车位地图的生成,并通过原始路径的生成来获得原始泊车轨迹。然后,在确定到车辆再次驶入原始泊车位范围内之后,通过视频图像搜寻泊车位。在确定到泊车位之后,基于原始泊车轨迹来优化巡航阶段路线和泊车路线。这三个占用车载处理器运算资源的动作分开在不同的时间进行,使得本申请记忆泊车方法对车载处理器运算能力的要求相对较小,采用相对较低成本的处理器也能达到快速、准确实现自动泊车的需求。且本申请因为在原始泊车位地图中采用标志物的相对位置来定位原始泊车位,不易受到环境天气、光照等外界因素的影响,而具备了较高的环境适应能力。
需要提出的是,本申请记忆泊车方法,不需要驾驶员对车辆进行操控就可以自动完成,因此泊车阶段可以实现无人驾驶。因此,驾驶员可以在驾驶座上启动本申请记忆泊车方法,也可以下车后通过移动终端发送指令等方式来控制车辆自动完成记忆泊车。本申请并不限制车辆在记忆泊车过程中驾驶员的具***置,或驾驶员启动记忆泊车功能的方式,现有技术中通过实体按键启动、或通过移动终端发送指令、通过与远程服务器的通信发送指令等启动方式都属于本申请记忆泊车方法所要求保护的范围。
一种实施例参见图2,图2是本申请记忆泊车方法步骤S50的子流程图。在本申请实施例中,步骤S50沿所述巡航阶段路线和所述泊车路线控制车辆泊车,还包括:
S51、实时检测所述泊车路线上的障碍物。
具体的,车辆在进入原始泊车位范围之内以后,与第一次停驻于原始泊车位的时间间隔可能较长。因此在此期间,原始泊车位周围的环境可能发生变化,因此优化出的泊车路线并不一定能适应原始泊车位周围环境,特别是泊车位范围内的环境变化。由此,可以采用超声波传感器来对泊车位进行障碍物检测,避免因为原始泊车位周围环境变化而在泊车路线上出现新的障碍物,在车辆沿泊车路线自动泊车的过程中发生碰撞。该新的障碍物应为原始泊车位地图中没有记录的障碍物。而采用超声波传感器的成本低廉,相对于激光传感器、重新通过视频图像建立新的车位地图等方式都更加经济,且可靠性同样较高。
一种实施例参见图3,图3是本申请记忆泊车方法步骤S51的子流程图。在本申请实施例中,在实时检测泊车路线上的障碍物同时,步骤S51实时检测所述泊车路线上的障碍物,还包括:
S511、监测所述泊车路线是否存在障碍物;
S512、若存在障碍物,则设定临时绕行路线并控制车辆避开所述障碍物再回到所述泊车路线;
具体的,通过超声波传感器在泊车过程中的监测,可以确定到泊车路线上是否存在障碍物。当确定存在障碍物时,超声波传感器会将检测到障碍物的信号发送给车载处理器。车载处理器在接该信号后需要根据障碍物的方位和距离,来规划出一条临时绕行路线以避开障碍物。随后车载处理器会对车辆发出控制指令,避开该障碍物进行绕行。
S513、沿所述泊车路线的剩余路线继续控制车辆泊车。
具体的,临时路线的规划并非重新设计泊车路线,而是针对检测得到的障碍物,来设计绕开该障碍物的临时绕行路线。当障碍物得以避开之后,车载处理器会控制车辆重新回到泊车路线中,继续沿泊车路线行驶并泊车。由此,临时绕行路线的距离较短,车载处理器的运算量也相对较小,且此时车载处理器已经完成了巡航阶段路线和泊车路线的规划、泊车位的搜寻工作,因此临时路线的规划避开了车载处理器的繁忙运算阶段,合理规划了运算时间,本申请记忆泊车方法的最大运算量依然得以控制。
一种实施例参见图4,图4是本申请记忆泊车方法另一实施例的流程图。在本申请实施例中,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,包括:
S61、比对实时采集的视频图像与原始泊车位地图的差异;
S62、将比对得到的差异结果更新至所述原始泊车位地图中。
具体的,因为车辆在两次驶入原始泊车位范围之间,原始泊车位周围的环境可能发生变化。通常这种变化是不可逆的,例如树木等标志物的生长使得关键点位移、道路标识线等标志物因为各种原因造成部分残缺等情况。对于这种不可逆的环境变化,需要在原始泊车位地图中进行更新,以保持原始泊车位地图对原始泊车位描述的准确度。采用的方法即为根据最新采集到的视频图像与原始泊车位地图进行对比,寻找出与原始泊车位以及标志物相关的差异,再结合对比得到的差异结果来更新原始泊车位地图,使得更新后的原始泊车位地图能匹配到原始泊车位周围环境的变化情况,避免原始泊车位地图精度降低或者失效。
一种实施例,步骤S61“比对实时采集的视频图像与原始泊车位地图的差异”还可以包括下述触发条件:确定到所述实时采集的视频图像的世界时距离所述生成原始泊车地图的世界时超过时间差阈值,或确定到沿所述巡航阶段路线或所述泊车路线泊车失败。可以理解的,当两次在原始泊车位处泊车的时间间隔足够长,或车辆沿泊车路线行驶泊车但失败时,可以认为泊车位中出现了新的障碍物,原始泊车位地图相对于现有原始泊车位的环境发生了较大变化,因此需要对原始泊车地图进行更新。而在两次泊车的世界时间间隔较短的情况下,车辆沿泊车路线可以顺利驶入泊车位时,可以认为原始泊车位地图与现有的环境差异较小,因此出于节约***资源的角度,可以暂停对原始泊车位地图的更新。
一种实施例参见图5,图5是本申请记忆泊车方法步骤S10的子流程图。在本申请实施例中,在生成原始泊车位地图及原始泊车轨迹时,步骤S10包括:
S11、基于视频图像进行特征点匹配,形成3D点云;
S12、基于视频图像进行目标检测,确定标志物;
S13、将所述3D点云与所述标志物结合形成所述原始泊车位地图;
具体的,步骤S10为本申请记忆泊车方法的路径学习阶段。在本阶段中,车载处理器通过接收视频***采集到的图像,分别做两方面的处理:提取视频图像中的特征点,并对特征点进行匹配,形成3D点云。可以理解的,基于同一3D点云的多个特征点,可以理解为同一标志物的特征点集合。另一方面,车载处理器还在视频图像中通过机器学习,识别检测出视频图像中的标志物。例如树木、路标、停车位框线等。目前车载处理器的语义识别能力可以较为准确的查找出视频图像中的上述标志物。可以理解的,标志物需要是固定标志物,对于原始泊车位周围环境中的变化标志物,如原始泊车位旁停驻的汽车、原始泊车位旁地面上放置的临时物品等,车载处理器可以对其筛除,以控制总体的运算量。
随后,车载处理器会将检测得到的标志物与3D点云进行结合,得到对应各个标志物的多个关键点集合,并通过多个关键点集合来描述各个标志物,从而定义出原始泊车位以及其周围的环境信息,形成可用于后续记忆泊车参照的原始泊车位地图。原始泊车位地图会保存在存储器中,等待下次车辆驶入原始泊车位范围内后调取并规划泊车路线。
S14、基于所述原始泊车位地图记录所述原始泊车轨迹。
具体的,在获得原始泊车位地图之后,可以基于原始泊车位地图来记录原始泊车轨迹。将驾驶员的泊车动作通过线段的方式进行存储。前述中提到,原始泊车轨迹用于后续记忆泊车时作为基础线路,判断驾驶员的泊车意图,并经过平滑处理后形成泊车路线。将3D点云和标志物结合识别,有利于提高原始泊车位地图的精确度,同时也获得了更精确的原始泊车轨迹。
一种实施例参见图6,图6是图5另一实施例的流程图,在本实施例中,所述生成原始泊车位地图及原始泊车轨迹包括:
S11a、基于视频图像并结合车载里程计进行特征点匹配,形成3D点云;
S12a、基于视频图像并结合车载里程计进行目标检测,确定标志物;
S13a、将所述3D点云与所述标志物结合形成所述原始泊车位地图;
S14a、基于所述原始泊车位地图记录所述原始泊车轨迹。
具体的,在本实施例中,所述3D点云的生成和所述标志物的识别,都需要结合车载里程计来进行。在生成原始泊车位地图的过程中,车载处理器需要借助视频***相机的内参和外参标定来定位标志物的关键点坐标。而内参和外参标定与车辆自身的坐标与偏角存在对应关系。车载里程计可以通过检测车内传感器数据,如车辆速度、档位信息、陀螺仪信息等计算出车辆在整个泊车过程中的运动轨迹,因此车载里程计可以提供车辆在原始泊车位地图中的坐标与偏角信息,不需要车载处理器根据视频图像再进行车辆自身坐标和偏角的结算,有助于加快车载处理器的数据处理速度,达到实时的坐标输出效果。
相应的,一种实施例,在步骤S40基于所述原始泊车轨迹和搜寻到的所述泊车位优化泊车路线时,也可以结合车载里程计来优化泊车路线。因为车辆在再次驶入原始泊车位范围内时,车辆启动自动泊车的位置和方位相对于原始泊车轨迹来说不可能做到完全一致。此时也可以借助车载里程计来提供车辆的实时坐标和夹角,并依据此信息来规划泊车路线。即车辆不需要完全处于原始泊车轨迹的路线上,可以稍微偏离原始泊车轨迹,也能够达到更快的定位出车辆的坐标和偏角,结合车辆的实时位置和原始泊车轨迹来拟合出泊车路线的效果。
一种实施例参见图7,图7是本申请记忆泊车方法步骤S30的子流程图。在本申请实施例中,在所述视频图像中搜寻泊车位时,分为两种情况:确定到所述原始泊车轨迹对应到的原始泊车位可使用;或确定到所述原始泊车轨迹对应到的原始泊车位被占用。因此,步骤S30包括:
S31、检测所述原始泊车轨迹对应到的原始泊车位是否可使用;
S32、若所述原始泊车轨迹对应到的原始泊车位被占用,则在所述原始泊车位周围预设距离范围内重新搜索泊车位。
具体的,车辆在重新驶入原始泊车位范围之后,存在原始泊车位被其它车辆占用的可能。此时如果基于原始泊车轨迹进行泊车,无法将车辆驶入原始泊车位中。因此,可以通过车载视频***自动在原始泊车位附近重新搜索泊车位,并通过平移轨迹的方式来结合原始泊车轨迹实现自动泊车。本申请记忆泊车方法可以通过预设距离值,指令车载处理器在该预设距离值范围之内重新搜索泊车位。预设距离值可以设定为5m,通常这个距离之内会存在与原始泊车位并排的相邻泊车位,通过简单的平移计算,就能够在原始泊车轨迹的基础上拟合出平滑的泊车路线,达到自动泊车的功能。
基于上述各实施例,可以梳理出如图8所示的本申请记忆泊车方法在路径学习阶段的逻辑示意图,以及如图9所示的本申请记忆泊车方法在记忆泊车阶段的逻辑示意图。可见,本申请记忆泊车方法,在路径学习阶段,分别通过3D点云和标志物的识别,得到原始泊车位地图,以及原始泊车轨迹。而在记忆泊车阶段,本申请记忆泊车方法基于泊车位的搜寻,以及障碍物的检测,得以根据优化出的泊车路线将车辆驶入泊车位。
请参看图10,图10是本申请实施例提供的一种记忆泊车***100的示意图。在本申请实施例中,所述记忆泊车***具体包括:
地图生成模块101,用于生成原始泊车位地图及原始泊车轨迹;
实时定位模块102,用于将实时采集的视频图像与原始泊车位地图进行匹配;
车位检测模块103,用于在匹配成功后,在所述视频图像中搜寻泊车位;
路径规划模块104,用于基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
路径跟踪模块105,用于沿所述巡航阶段路线和泊车路线控制车辆泊车。
可以理解地,本申请记忆泊车***100可用于执行上述的记忆泊车方法。具体的,地图生成模块101通过采集到的原始泊车位周围的视频图像,来生成原始泊车位地图以及记录原始泊车轨迹。当车辆再次驶入原始泊车位附近范围之后,实时定位模块102确定到实时采集的视频图像与原始泊车位地图匹配。车位检测模块103在视频图像中搜寻到泊车位,路径规划模块104基于原始泊车轨迹和搜寻到的泊车位优化出巡航阶段路线和泊车路线,最后由路径跟踪模块105控制车辆泊车。
车位检测模块103是为了在路径学习阶段更准确的记住原始泊车位的位置,并在回放时更准确的找到目标车位。车位检测模块103没有任何规划车辆巡航阶段路径或泊车路径的功能。在找到泊车位前,车位检测模块103即使通过对视频图像的搜寻发现泊车位也不会发出信号,且回放的时候也只在原始泊车位附近,即原始泊车位预设范围内才会开启搜寻泊车位的功能。有了车位检测模块103,即使车辆在到达目标车位前位置有所偏差,也能比较准确的驶入泊车位,而不会受到巡航阶段路线的影响。巡航阶段路线主要依靠记忆的原始泊车路线,而泊车路线是根据车位检测模块103的检测结果自行规划的泊车路径。
本申请记忆泊车***100在采用了上述的记忆泊车方法后,可使得车辆在泊车的过程中实现自动泊车,具备较高的精度和准确率。车辆在装配本申请记忆泊车***100后拓宽了自动泊车的适用场景,同时本申请记忆泊车***100的计算量较小,可以采用价格较为低廉的车载处理器即能实现功能。
一种可选的实施例请参见图11,本申请记忆泊车***100还包括有超声波模块106。超声波模块106用于在沿所述巡航阶段路线和泊车路线控制车辆泊车时,实时检测所述泊车路线上的障碍物。
一种可选的实施例,记忆泊车***100还包括有地图更新模块107。地图更新模块107用于沿所述巡航阶段路线和泊车路线控制车辆泊车时,比对实施采集的视频图像与原始泊车位地图的差异;
地图更新模块107还用于将比对得到的差异结果更新至所述原始泊车位地图中。
一种可选的实施例,地图更新模块107在对原始泊车位地图进行更新时,还包括如下触发条件:
确定到所述实时采集的视频图像世界时距离所述生成原始泊车地图的世界时超过时间差阈值,或确定到沿所述巡航阶段路线或所述泊车路线泊车失败。
一种可选的实施例,沿所述巡航阶段路线和泊车路线控制车辆泊车,超声波模块106监测所述泊车路线是否存在障碍物;
路径规划模块104用于在存在障碍物后设定临时绕行路线,路径跟踪模块105用于控制车辆避开所述障碍物再回到所述泊车路线;
路径跟踪模块105用于控制车辆沿所述泊车路线的剩余路线继续泊车。
一种可选的实施例,生成原始泊车位地图及原始泊车轨迹时,地图生成模块101基于视频图像进行特征点匹配,形成3D点云;
地图生成模块101还基于视频图像进行目标检测,确定标志物;
地图生成模块101用于将所述3D点云与所述标志物结合形成所述原始泊车位地图;
地图生成模块101还基于所述原始泊车位地图记录所述原始泊车轨迹。
一种可选的实施例,生成原始泊车位地图及原始泊车轨迹时,地图生成模块101还结合车载里程计形成所述3D点云和所述标志物。
一种可选的实施例,基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线时,路径规划模块104还用于结合所述车载里程计优化所述巡航阶段路线和泊车路线。
一种可选的实施例,在所述视频图像中搜寻泊车位时,车位检测模块103用于检测所述原始泊车轨迹对应到的原始泊车位是否可使用;
车位检测模块103还用于在所述原始泊车位被占用后,在所述原始泊车位周围预设距离范围内重新搜索泊车位。
需要说明的是,图10和图11中的各个操作的实现还可以对应参照上述的方法实施例的相应描述。
请参看图12,本申请还涉及一种记忆泊车装置200。如图12所示,所述记忆泊车装置包括处理器201、输入装置202、输出装置203和存储装置204,所述处理器201、输入装置202、输出装置203和存储装置204相互连接,其中,所述存储装置204用于存储计算机程序,所述计算机程序包括程序指令,所述处理器201被配置用于调用所述程序指令,执行上所述的记忆泊车方法。
具体的,处理器201调用存储装置204中存储的程序指令,执行以下操作:
生成原始泊车位地图及原始泊车轨迹;
将实时采集的视频图像与原始泊车位地图进行匹配;
若匹配成功,则在所述视频图像中搜寻泊车位;
基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
沿所述巡航阶段路线和泊车路线控制车辆泊车。
存储装置204可以包括易失性存储装置(volatile memory),例如随机存取存储装置(random-access memory,RAM);存储装置204也可以包括非易失性存储装置(non-volatile memory),例如快闪存储装置(flash memory),固态硬盘(solid-state drive,SSD)等;存储装置204还可以包括上述种类的存储装置的组合。
处理器201可以是中央处理器(central processing unit,CPU)。该处理器201还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,执行以下操作:
实时检测所述泊车路线上的障碍物。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,执行以下操作:
监测所述泊车路线是否存在障碍物;
若存在障碍物,则设定临时绕行路线并控制车辆避开所述障碍物再回到所述泊车路线;
沿所述泊车路线的剩余路线继续控制车辆泊车。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,执行以下操作:
比对实时采集的视频图像与原始泊车位地图的差异;
将比对得到的差异结果更新至所述原始泊车位地图中。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在生成原始泊车位地图及原始泊车轨迹时,执行以下操作:
基于视频图像进行特征点匹配,形成3D点云;
基于视频图像进行目标检测,确定标志物;
将所述3D点云与所述标志物结合形成所述原始泊车位地图;
基于所述原始泊车位地图记录所述原始泊车轨迹。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,结合车载里程计生成原始泊车位地图及原始泊车轨迹。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,结合车载里程计并基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线。
在一种实施方式中,处理器201调用存储装置204存储的程序指令,在所述视频图像中搜寻泊车位时,执行以下操作:
检测所述原始泊车轨迹对应到的原始泊车位是否被占用;
若所述原始泊车轨迹对应到的原始泊车位被占用,则在所述原始泊车位周围预设距离范围内重新搜索泊车位。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
请参见图13,图13提供了一个或多个包含计算机可执行指令的非易失性计算机可读存储介质300,当所述计算机可读存储介质300中存储的所述计算机可执行指令301被一个或多个处理器201执行时,使得所述处理器201执行上述的记忆泊车方法。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (15)
1.一种记忆泊车方法,其特征在于,包括:
生成原始泊车位地图及原始泊车轨迹;
将实时采集的视频图像与所述原始泊车位地图进行匹配;
若匹配成功,则在所述视频图像中搜寻泊车位;
基于所述原始泊车轨迹和搜寻到的所述泊车位优化巡航阶段路线和泊车路线;
沿所述巡航阶段路线和所述泊车路线控制车辆泊车。
2.根据权利要求1所述的方法,其特征在于,所述沿所述巡航阶段路线和泊车路线控制车辆泊车,还包括:
实时检测所述泊车路线上的障碍物。
3.根据权利要求2所述的方法,其特征在于,所述沿所述巡航阶段路线和泊车路线控制车辆泊车,包括:
监测所述泊车路线是否存在障碍物;
若存在障碍物,则设定临时绕行路线并控制车辆避开所述障碍物再回到所述泊车路线;
沿所述泊车路线的剩余路线继续控制车辆泊车。
4.根据权利要求1所述的方法,其特征在于,在沿所述巡航阶段路线和泊车路线控制车辆泊车时,还包括:
比对实时采集的视频图像与原始泊车位地图的差异;
将比对得到的差异结果更新至所述原始泊车位地图中。
5.根据权利要求4所述的方法,其特征在于,所述比对实时采集的视频图像与原始泊车位地图的差异还包括下述触发条件:
确定到所述实时采集的视频图像的世界时与所述生成原始泊车地图的世界时的差值超过时间差阈值,或确定到沿所述巡航阶段路线或所述泊车路线泊车失败。
6.根据权利要求1所述的方法,其特征在于,所述生成原始泊车位地图及原始泊车轨迹,包括:
基于视频图像进行特征点匹配,形成3D点云;
基于视频图像进行目标检测,确定标志物;
将所述3D点云与所述标志物结合形成所述原始泊车位地图;
基于所述原始泊车位地图记录所述原始泊车轨迹。
7.根据权利要求6所述的方法,其特征在于,所述生成原始泊车位地图及原始泊车轨迹,包括:
结合车载里程计形成所述3D点云和所述标志物。
8.根据权利要求1所述的方法,其特征在于,所述基于所述原始泊车轨迹和搜寻到的所述泊车位优化所述巡航阶段路线和所述泊车路线,包括:
结合所述车载里程计优化所述巡航阶段路线和所述泊车路线。
9.根据权利要求1所述的方法,其特征在于,在所述视频图像中搜寻泊车位,包括:
检测所述原始泊车轨迹对应到的原始泊车位是否可使用;
若所述原始泊车轨迹对应到的原始泊车位被占用,则在所述原始泊车位周围预设距离范围内重新搜索泊车位。
10.一种记忆泊车***,其特征在于,包括:
地图生成模块,用于生成原始泊车位地图及原始泊车轨迹;
实时定位模块,用于确定视频图像与原始泊车位地图匹配;
车位检测模块,用于在所述视频图像中搜寻泊车位
路径规划模块,用于基于所述原始泊车轨迹和搜寻到的所述泊车位优化泊车路线;
路径跟踪模块,用于沿所述泊车路线控制车辆泊车。
11.根据权利要求10所述记忆泊车***,其特征在于,所述记忆泊车***还包括有超声波模块,用于检测障碍物。
12.根据权利要求10所述记忆泊车***,其特征在于,所述记忆泊车***还包括有地图更新模块,用于实时更新原始泊车位地图。
13.根据权利要求10所述记忆泊车***,其特征在于,所述原始泊车位地图中包括有原始泊车位,所述车位检测模块用于在汽车驶入所述原始泊车位预设范围内后搜寻所述泊车位。
14.一种记忆泊车装置,其特征在于,包括处理器、输入装置、输出装置和存储装置,所述处理器、所述输入装置、所述输出装置和所述存储装置相互连接,其中,所述存储装置用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1至9中任一项所述的记忆泊车方法。
15.一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,其特征在于,当所述计算机可读存储介质中存储的所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行权利要求1至9中任一项所述的记忆泊车方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241986.4A CN111746504B (zh) | 2019-03-27 | 2019-03-27 | 记忆泊车方法、***、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241986.4A CN111746504B (zh) | 2019-03-27 | 2019-03-27 | 记忆泊车方法、***、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111746504A true CN111746504A (zh) | 2020-10-09 |
CN111746504B CN111746504B (zh) | 2022-05-13 |
Family
ID=72672289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241986.4A Active CN111746504B (zh) | 2019-03-27 | 2019-03-27 | 记忆泊车方法、***、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111746504B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112249006A (zh) * | 2020-12-21 | 2021-01-22 | 成都宜泊信息科技有限公司 | 固定泊位的自动泊车方法、***、电子设备及存储介质 |
CN112874511A (zh) * | 2021-02-07 | 2021-06-01 | 奇瑞汽车股份有限公司 | 汽车的自动驾驶控制方法、装置及计算机存储介质 |
CN113034933A (zh) * | 2021-03-05 | 2021-06-25 | 深圳市新天能科技开发有限公司 | 一种汽车精确停靠站方法和*** |
CN113276841A (zh) * | 2021-06-16 | 2021-08-20 | 上海追势科技有限公司 | 一种可自动开启的自动泊车方法 |
CN113506464A (zh) * | 2021-05-29 | 2021-10-15 | 上海追势科技有限公司 | 一种可记忆自主泊车的方法 |
CN113525352A (zh) * | 2021-06-21 | 2021-10-22 | 上汽通用五菱汽车股份有限公司 | 车辆的泊车方法、车辆及计算机可读存储介质 |
CN113619571A (zh) * | 2021-09-06 | 2021-11-09 | 惠州市德赛西威汽车电子股份有限公司 | 一种提升智能学习泊车精度的方法 |
CN113903189A (zh) * | 2021-10-15 | 2022-01-07 | 广州小鹏自动驾驶科技有限公司 | 泊车地图的车位更新方法、装置及设备 |
US20220364880A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Map updating method and apparatus, device, server, and storage medium |
EP4116955A1 (en) * | 2021-07-08 | 2023-01-11 | Guangzhou Xiaopeng Autopilot Technology Co., Ltd. | Mapping method and device, generation method and device, and mapping system of parking map |
CN115743100A (zh) * | 2023-01-10 | 2023-03-07 | 禾多科技(北京)有限公司 | 泊车路线信息生成方法、装置、设备和计算机可读介质 |
WO2024022260A1 (zh) * | 2022-07-29 | 2024-02-01 | 地平线(上海)人工智能技术有限公司 | 巡航路线地图的生成方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033978A (zh) * | 2007-01-30 | 2007-09-12 | 珠海市智汽电子科技有限公司 | 智能汽车辅助导航和自动兼辅助驾驶*** |
DE102009029553A1 (de) * | 2009-09-17 | 2011-03-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erfassung der Orientierung einer Parklücke für ein Fahrzeug |
CN105916758A (zh) * | 2014-01-15 | 2016-08-31 | 罗伯特·博世有限公司 | 用于车辆的自主泊车的方法、用于执行所述方法的驾驶员辅助设备以及具有所述驾驶员辅助设备的车辆 |
CN107741234A (zh) * | 2017-10-11 | 2018-02-27 | 深圳勇艺达机器人有限公司 | 一种基于视觉的离线地图构建及定位方法 |
CN108010375A (zh) * | 2017-12-08 | 2018-05-08 | 杨奎军 | 基于云端无线传输的智能巡航机器人反向寻车***及方法 |
CN109466546A (zh) * | 2018-11-20 | 2019-03-15 | 广州小鹏汽车科技有限公司 | 自动泊车方法及*** |
-
2019
- 2019-03-27 CN CN201910241986.4A patent/CN111746504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033978A (zh) * | 2007-01-30 | 2007-09-12 | 珠海市智汽电子科技有限公司 | 智能汽车辅助导航和自动兼辅助驾驶*** |
DE102009029553A1 (de) * | 2009-09-17 | 2011-03-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erfassung der Orientierung einer Parklücke für ein Fahrzeug |
CN105916758A (zh) * | 2014-01-15 | 2016-08-31 | 罗伯特·博世有限公司 | 用于车辆的自主泊车的方法、用于执行所述方法的驾驶员辅助设备以及具有所述驾驶员辅助设备的车辆 |
CN107741234A (zh) * | 2017-10-11 | 2018-02-27 | 深圳勇艺达机器人有限公司 | 一种基于视觉的离线地图构建及定位方法 |
CN108010375A (zh) * | 2017-12-08 | 2018-05-08 | 杨奎军 | 基于云端无线传输的智能巡航机器人反向寻车***及方法 |
CN109466546A (zh) * | 2018-11-20 | 2019-03-15 | 广州小鹏汽车科技有限公司 | 自动泊车方法及*** |
Non-Patent Citations (1)
Title |
---|
吴金华: "《地图学》", 31 August 2011, 地质出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112249006A (zh) * | 2020-12-21 | 2021-01-22 | 成都宜泊信息科技有限公司 | 固定泊位的自动泊车方法、***、电子设备及存储介质 |
CN112874511A (zh) * | 2021-02-07 | 2021-06-01 | 奇瑞汽车股份有限公司 | 汽车的自动驾驶控制方法、装置及计算机存储介质 |
CN113034933A (zh) * | 2021-03-05 | 2021-06-25 | 深圳市新天能科技开发有限公司 | 一种汽车精确停靠站方法和*** |
CN113506464A (zh) * | 2021-05-29 | 2021-10-15 | 上海追势科技有限公司 | 一种可记忆自主泊车的方法 |
CN113276841A (zh) * | 2021-06-16 | 2021-08-20 | 上海追势科技有限公司 | 一种可自动开启的自动泊车方法 |
CN113525352A (zh) * | 2021-06-21 | 2021-10-22 | 上汽通用五菱汽车股份有限公司 | 车辆的泊车方法、车辆及计算机可读存储介质 |
EP4116955A1 (en) * | 2021-07-08 | 2023-01-11 | Guangzhou Xiaopeng Autopilot Technology Co., Ltd. | Mapping method and device, generation method and device, and mapping system of parking map |
US20220364880A1 (en) * | 2021-07-13 | 2022-11-17 | Beijing Baidu Netcom Science Technology Co., Ltd. | Map updating method and apparatus, device, server, and storage medium |
EP4047317A3 (en) * | 2021-07-13 | 2023-05-31 | Beijing Baidu Netcom Science Technology Co., Ltd. | Map updating method and apparatus, device, server, and storage medium |
CN113619571A (zh) * | 2021-09-06 | 2021-11-09 | 惠州市德赛西威汽车电子股份有限公司 | 一种提升智能学习泊车精度的方法 |
CN113619571B (zh) * | 2021-09-06 | 2024-02-06 | 惠州市德赛西威汽车电子股份有限公司 | 一种提升智能学习泊车精度的方法 |
CN113903189A (zh) * | 2021-10-15 | 2022-01-07 | 广州小鹏自动驾驶科技有限公司 | 泊车地图的车位更新方法、装置及设备 |
CN113903189B (zh) * | 2021-10-15 | 2023-10-31 | 广州小鹏自动驾驶科技有限公司 | 泊车地图的车位更新方法、装置及设备 |
WO2024022260A1 (zh) * | 2022-07-29 | 2024-02-01 | 地平线(上海)人工智能技术有限公司 | 巡航路线地图的生成方法、装置、电子设备和存储介质 |
CN115743100A (zh) * | 2023-01-10 | 2023-03-07 | 禾多科技(北京)有限公司 | 泊车路线信息生成方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111746504B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111746504B (zh) | 记忆泊车方法、***、装置及计算机可读存储介质 | |
JP6997868B2 (ja) | 道路標識検出方法、非一時的コンピュータ可読媒体及び道路標識検出システム | |
CN108628324B (zh) | 基于矢量地图的无人车导航方法、装置、设备及存储介质 | |
CN112721952B (zh) | 一种l3级自动驾驶汽车的复杂路段行驶控制方法、装置、汽车及计算机存储介质 | |
JP2019039831A (ja) | 自動運転装置 | |
US11345365B2 (en) | Control device, getting-into/out facility, control method, and storage medium | |
CN112224198A (zh) | 车位泊出方法、装置、车辆及存储介质 | |
CN112650210A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN112224199A (zh) | 遥控泊车控制方法、装置、车辆及存储介质 | |
EP4026756B1 (en) | Automated valet parking system, control method for an automated valet parking system, and autonomous driving vehicle | |
CN112172793A (zh) | 泊车路径规划方法、装置、车辆及存储介质 | |
CN116022126A (zh) | 自主学习泊车方法、电子设备及存储介质 | |
CN116080683A (zh) | 接驾方法、装置、车辆及存储介质 | |
CN115973164A (zh) | 车辆领航辅助驾驶方法、介质和装置 | |
US11919527B2 (en) | Autonomous driving system and abnormality determination method | |
CN114954440A (zh) | 具有自主探索模式的泊车方法、泊车***及电子设备 | |
CN112224197B (zh) | 倒车检测泊车位的方法、装置、车辆及存储介质 | |
CN113104053A (zh) | 一种自动掉头循迹方法及无人车 | |
CN113734150A (zh) | 一种泊车控制方法、装置、控制设备及汽车 | |
CN115050203B (zh) | 地图生成装置以及车辆位置识别装置 | |
EP4046883B1 (en) | Automated valet parking system, control method of automated valet parking system, and autonomous driving vehicle | |
US12030483B2 (en) | Automated valet parking system, control method of automated valet parking system, and autonomous driving vehicle | |
CN116279437B (zh) | 用于记忆泊车的控制***、车辆及控制方法 | |
US20240140425A1 (en) | Systems and methods for virtually hitching and aligning a following vehicle to a lead vehicle | |
CN113460039B (zh) | 泊车控制方法、车辆及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |