CN117012053A - 一种车位检测点的后优化方法、***及存储介质 - Google Patents
一种车位检测点的后优化方法、***及存储介质 Download PDFInfo
- Publication number
- CN117012053A CN117012053A CN202311267169.9A CN202311267169A CN117012053A CN 117012053 A CN117012053 A CN 117012053A CN 202311267169 A CN202311267169 A CN 202311267169A CN 117012053 A CN117012053 A CN 117012053A
- Authority
- CN
- China
- Prior art keywords
- parking
- vehicle
- data information
- spots
- point
- 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 38
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车位检测点的后优化方法、***及存储介质,所述方法包括:Q1.在同一个停车场内,采集世界坐标系下的车位点的数据信息,所述车位点的数据信息包括车位点的坐标数据信息和车位点的朝向角度数据信息,根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组,输出车位点的粗分组数据信息;Q2.基于所述车位点的粗分组数据信息,将所述车位点的坐标数据信息输入车位点同排偏移距离算法对车位点进行精分组,输出车位点的精分组数据信息。本发明不仅在感知融合得到车位数据后,提供了多车位分组优化的方法,提供了更为准确、更为合理的车位输出,而且在泊车自动驾驶***中给予路径规划等功能模块稳定、准确的车位数据支持。
Description
技术领域
本发明涉及车辆自动驾驶技术领域,尤其是涉及一种车位检测点的后优化方法、***及存储介质。
背景技术
自动驾驶中自动泊车***更新迭代迅速从L2到L4,不断升级功能更高效更安全的替代人去完成泊车功能。主要的功能发展方向如下,APA 辅助泊车,这是是生活中常见的泊车辅助***,低速巡航下利用环视相机所构成的BEV视角的图片进行车位点的检测,帮助驾驶员检测可泊入的未被占中的车位。驾驶员选择车位进行自动泊入,RPA 远程遥控泊车,此功能达到L2+的自动驾驶级别在APA的基础上添加有关车载蓝牙的应用或者4G远程手机操控,驾驶员可以不在车里远程操控泊车,AVP自动代客泊车,此功能达到L4级别的自动驾驶级别,在环视相机及超声波雷达的基础上增加前视摄像头。
自动泊车***的发展日益成熟,而是逐步发展而来的。从简单的车周超声波雷达的应用,到引入手机和车载蓝牙提供更为丰富的泊车功能,再到视觉BEV技术的引入和深度学习的发展,最后到环视相机、超声波毫米、波雷达等多传感器的融合技术发展。每一次的功能迭代都离不开车载传感器技术、算力的加速、算法以及通信技术的成熟。随着通信协议、传感器技术、基础设施愈发成熟,汽车将会更加智能。未来,汽车也许不再只是一个简单的出行的伴侣,更是一个快捷生活的开始。
泊车场景中最为重要的就是车位的检测,目前针对车位检测的优化算法主要涉及滤波算法,主要将车位点进行平滑滤波等较为简单的优化算法如KALMAN算法,没有考虑车位整体的数据特征,车位间的内在关联去优化车位数据。
现有技术中,专利(申请号:202211012090.7)公开了一种车位检测方法及其跟踪方法、车位检测装置、车位检测设备及计算机可读存储介质,该车位检测方法及其跟踪方法包括S1,获取车位的环视图片,提取所述环视图片的低层语义特征和高层语义特征 ,对所述低层语义特征和高层语义特征进行融合,获取融合特征;S2,对所述融合特征进行解码操作,获取多组分支;S3,根据所述分支进行推理以获取全部的检出车位。但是该方案中BEV下的车位检测范围小并且因为环视相机一般都是鱼眼相机,因畸变等因素必然导致检测精度的误差过大,在搜寻车位的过程中车位精度的误差导致车位整体表现的并不一致,可明显看出车位的精度导致的车位整体的混乱。
现有技术,专利(申请号:201910566090.3)公开了基于视觉的右方位空停车位与泊车过程中车位线检测方法,该方法包括以下步骤:第一步、将检测车位摄像头采集到的图像,从正常视角转换为鸟瞰图的形式,便于车位检测。第二步、图像预处理;第三步、停车位特征提取;第四步、停车位检测;第五步、坐标转换及停车位信息输出。但是该方案中并没有考虑车位与车位之间,车位与多车位之间存在的内在关系,比如现实车位都是分组进行绘制,相同类型车位排列具有特定的结构与顺序,拥有内在的逻辑关系。
发明内容
鉴于以上现有技术的不足,本发明提供了一种车位监测点的后优化方法、***及存储介质,不仅在感知融合得到车位数据后,提供了多车位分组优化的方法,提供了更为准确、更为合理的车位输出,而且在泊车自动驾驶***中给予路径规划等功能模块稳定、准确的车位数据支持。
为了实现上述目的及其他相关目的,本发明提供的技术方案如下:
一种车位检测点的后优化方法,所述方法包括:
Q1.在同一个停车场内,采集世界坐标系下的车位点的数据信息,所述车位点的数据信息包括车位点的坐标数据信息和车位点的朝向角度数据信息,根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组,输出车位点的粗分组数据信息;
Q2.基于所述车位点的粗分组数据信息,将所述车位点的坐标数据信息输入车位点同排偏移距离算法对车位点进行精分组,输出车位点的精分组数据信息;
Q3.基于所述车位点的精分组数据信息,对同一分组的所有车位的两个近车点进行直线最小二乘拟合,输出同一分组的车位的拟合直线数据信息;
Q4.基于所述同一分组的车位的拟合直线数据信息,对车位点的坐标数据信息、车位点的朝向角度数据信息和车位点的中心点坐标数据信息进行优化,输出优化后的车位点数据信息。
进一步的,在步骤Q1中,所述根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组为按照车位的朝向角度进行粗分组,同一车位类型的车位的朝向角度一致,所述车位类型包括垂直车位、水平车位和斜向车位。
进一步的,在步骤Q2中,所述车位点同排偏移距离算法包括:
Q21.根据所述车位点的坐标数据信息,得到第i个车位点宽度方向上的两个近车点坐标Pi1(Xi1,Yi1,0)和Pi2(Xi2,Yi2,0)以及第j个车位点宽度方向上的两个近车点坐标Pj1(Xj1,Yj1,0)和Pj2(Xj2,Yj2,0);
Q22.基于所述第i个车位点宽度方向上的两个近车点坐标Pi1和Pi2以及第j个车位点宽度方向上的两个近车点坐标Pj1和Pj2,建立第j个车位点的两个近车点Pj1和Pj2分别到线段Pi1和Pi2的投影距离函数dj1和dj2,
,/>,
其中,W为两个近车点坐标Pi1和Pi2的距离,L11、L12、L21和L22分别为投影距离的参数,S1和S2为距离差分因子;
Q23.基于所述投影距离函数dj1和dj2,设置预设阈值,若dj1和dj2的值都小于预设阈值,则第i个车位点和第j个车位点为同一排车位。
进一步的,所述车位点的精分组数据信息为同一分组中的车位点朝向角度一致且为同一排的车位数据信息。
进一步的,在步骤Q3中,所述对同一分组的车位的两个近车点进行直线最小拟合包括:
Q31.基于所述车位点的精分组数据信息,获取同一分组的车位点的近车点坐标数据信息;
Q32.基于所述同一分组的车位点的近车点坐标数据信息,采用最小二乘算法进行直线拟合,得到拟合直线的斜率k和截距b,
,
,
其中N为同一分组的车位点的个数,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标;
Q33.基于所述拟合直线的斜率k和截距b,得到同一分组的车位的拟合直线数据信息。
进一步的,在步骤Q4中,所述优化后的车位点数据信息包括优化后的车位点的近车点坐标和/>,
,/>,
其中,k为所述同一分组的车位的拟合直线数据信息中拟合直线的斜率,b为所述同一分组的车位的拟合直线数据信息中拟合直线的截距,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标。
进一步的,所述优化后的车位点数据信息还包括优化后的车位点的车位朝向角度θ,
,
其中,和/>为优化后的车位点的近车点坐标。
进一步的,所述优化后的车位点数据信息还包括优化后的车位点的远车点坐标和/>以及车位中心坐标/>,
,/>,
,
其中,和/>为优化后的车位点的近车点坐标,θ为优化后的车位点的车位朝向角度,L为/>和/>的之间的距离。
为了实现上述目的及其他相关目的,本发明还提供了一种车位检测点的后优化***,包括计算机设备,该计算机设备被编程或配置以执行任意一项所述车位检测点的后优化方法的步骤。
为了实现上述目的及其他相关目的,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行任意一项所述车位检测点的后优化方法的计算机程序。
本发明具有以下积极效果:
1.本发明在自动驾驶泊车场景中,泊入车位的成功率息息相关的数据之一就是车位数据,在感知融合得到车位数据后,提供了多车位分组优化的方法,提供了更为准确、更为合理的车位输出。
2.本发明从实际车位数据的角度,考虑实际场地的规律,分析了同组车位的数据特征,结构特征,内在的数学逻辑,用于多车位的分组优化方法,在交互界面中提供合理,流畅,整齐的车位展示给客户,在泊车自动驾驶***中给予路径规划等功能模块稳定、准确的车位数据支持。
附图说明
图1为本发明方法流程示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例1:如图1所示,一种车位检测点的后优化方法,所述方法包括:
Q1.在同一个停车场内,采集世界坐标系下的车位点的数据信息,所述车位点的数据信息包括车位点的坐标数据信息和车位点的朝向角度数据信息,根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组,输出车位点的粗分组数据信息;
Q2.基于所述车位点的粗分组数据信息,将所述车位点的坐标数据信息输入车位点同排偏移距离算法对车位点进行精分组,输出车位点的精分组数据信息;
Q3.基于所述车位点的精分组数据信息,对同一分组的所有车位的两个近车点进行直线最小二乘拟合,输出同一分组的车位的拟合直线数据信息;
Q4.基于所述同一分组的车位的拟合直线数据信息,对车位点的坐标数据信息、车位点的朝向角度数据信息和车位点的中心点坐标数据信息进行优化,输出优化后的车位点数据信息。
在本实施例中,在步骤Q1中,所述根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组为按照车位的朝向角度进行粗分组,同一车位类型的车位的朝向角度一致,所述车位类型包括垂直车位、水平车位和斜向车位。
在本实施例中,在步骤Q2中,所述车位点同排偏移距离算法包括:
Q21.根据所述车位点的坐标数据信息,得到第i个车位点宽度方向上的两个近车点坐标Pi1(Xi1,Yi1,0)和Pi2(Xi2,Yi2,0)以及第j个车位点宽度方向上的两个近车点坐标Pj1(Xj1,Yj1,0)和Pj2(Xj2,Yj2,0);
Q22.基于所述第i个车位点宽度方向上的两个近车点坐标Pi1和Pi2以及第j个车位点宽度方向上的两个近车点坐标Pj1和Pj2,建立第j个车位点的两个近车点Pj1和Pj2分别到线段Pi1和Pi2的投影距离函数dj1和dj2,
,/>,
其中,W为两个近车点坐标Pi1和Pi2的距离,L11、L12、L21和L22分别为投影距离的参数,S1和S2为距离差分因子;
Q23.基于所述投影距离函数dj1和dj2,设置预设阈值,若dj1和dj2的值都小于预设阈值,则第i个车位点和第j个车位点为同一排车位。
在本实施例中,所述车位点的精分组数据信息为同一分组中的车位点朝向角度一致且为同一排的车位数据信息。
实施例2:在实施例1的一种车位检测点的后优化方法的基础上,下面对本发明作进一步的说明和描述。
如图1所示,一种车位检测点的后优化方法,所述方法包括:
Q1.在同一个停车场内,采集世界坐标系下的车位点的数据信息,所述车位点的数据信息包括车位点的坐标数据信息和车位点的朝向角度数据信息,根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组,输出车位点的粗分组数据信息;
Q2.基于所述车位点的粗分组数据信息,将所述车位点的坐标数据信息输入车位点同排偏移距离算法对车位点进行精分组,输出车位点的精分组数据信息;
Q3.基于所述车位点的精分组数据信息,对同一分组的所有车位的两个近车点进行直线最小二乘拟合,输出同一分组的车位的拟合直线数据信息;
Q4.基于所述同一分组的车位的拟合直线数据信息,对车位点的坐标数据信息、车位点的朝向角度数据信息和车位点的中心点坐标数据信息进行优化,输出优化后的车位点数据信息。
在本实施例中,在步骤Q3中,所述对同一分组的车位的两个近车点进行直线最小拟合包括:
Q31.基于所述车位点的精分组数据信息,获取同一分组的车位点的近车点坐标数据信息;
Q32.基于所述同一分组的车位点的近车点坐标数据信息,采用最小二乘算法进行直线拟合,得到拟合直线的斜率k和截距b,
,
,
其中N为同一分组的车位点的个数,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标;
Q33.基于所述拟合直线的斜率k和截距b,得到同一分组的车位的拟合直线数据信息。
在本实施例中,在步骤Q4中,所述优化后的车位点数据信息包括优化后的车位点的近车点坐标和/>,
,/>,
其中,k为所述同一分组的车位的拟合直线数据信息中拟合直线的斜率,b为所述同一分组的车位的拟合直线数据信息中拟合直线的截距,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标。
在本实施例中,所述优化后的车位点数据信息还包括优化后的车位点的车位朝向角度θ,
,
其中,和/>为优化后的车位点的近车点坐标。
在本实施例中,所述优化后的车位点数据信息还包括优化后的车位点的远车点坐标和/>以及车位中心坐标/>,
,/>,
,
其中,和/>为优化后的车位点的近车点坐标,θ为优化后的车位点的车位朝向角度,L为/>和/>的之间的距离。
本发明提供了一种车位检测点的后优化***,包括计算机设备,该计算机设备被编程或配置以执行任意一项所述车位检测点的后优化方法的步骤。
本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行任意一项所述车位检测点的后优化方法的计算机程序。
本申请所提供的实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明不仅在感知融合得到车位数据后,提供了多车位分组优化的方法,提供了更为准确、更为合理的车位输出,而且在泊车自动驾驶***中给予路径规划等功能模块稳定、准确的车位数据支持。
上述具体实施方式,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种车位检测点的后优化方法,其特征在于,所述方法包括:
Q1.在同一个停车场内,采集世界坐标系下的车位点的数据信息,所述车位点的数据信息包括车位点的坐标数据信息和车位点的朝向角度数据信息,根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组,输出车位点的粗分组数据信息;
Q2.基于所述车位点的粗分组数据信息,将所述车位点的坐标数据信息输入车位点同排偏移距离算法对车位点进行精分组,输出车位点的精分组数据信息;
Q3.基于所述车位点的精分组数据信息,对同一分组的所有车位的两个近车点进行直线最小二乘拟合,输出同一分组的车位的拟合直线数据信息;
Q4.基于所述同一分组的车位的拟合直线数据信息,对车位点的坐标数据信息、车位点的朝向角度数据信息和车位点的中心点坐标数据信息进行优化,输出优化后的车位点数据信息;
在步骤Q2中,所述车位点同排偏移距离算法包括:
Q21.根据所述车位点的坐标数据信息,得到第i个车位点宽度方向上的两个近车点坐标Pi1(Xi1,Yi1,0)和Pi2(Xi2,Yi2,0)以及第j个车位点宽度方向上的两个近车点坐标Pj1(Xj1,Yj1,0)和Pj2(Xj2,Yj2,0);
Q22.基于所述第i个车位点宽度方向上的两个近车点坐标Pi1和Pi2以及第j个车位点宽度方向上的两个近车点坐标Pj1和Pj2,建立第j个车位点的两个近车点Pj1和Pj2分别到线段Pi1Pi2的投影距离函数dj1和dj2;
Q23.基于所述投影距离函数dj1和dj2,设置预设阈值,若dj1和dj2的值都小于预设阈值,则第i个车位点和第j个车位点为同一排车位。
2.根据权利要求1所述的车位检测点的后优化方法,其特征在于,在步骤Q1中,所述根据所述车位点的朝向角度数据信息对车位点进行聚类粗分组为按照车位的朝向角度进行粗分组,同一车位类型的车位的朝向角度一致,所述车位类型包括垂直车位、水平车位和斜向车位。
3.根据权利要求1所述的车位检测点的后优化方法,其特征在于,在步骤Q2中,所述建立第j个车位点的两个近车点Pj1和Pj2分别到线段Pi1Pi2的投影距离函数dj1和dj2为:
,/>,
其中,W为两个近车点坐标Pi1和Pi2的距离,L11、L12、L21和L22分别为投影距离的参数,S1和S2为距离差分因子。
4.根据权利要求1所述的车位检测点的后优化方法,其特征在于:所述车位点的精分组数据信息为同一分组中的车位点朝向角度一致且为同一排的车位数据信息。
5.根据权利要求1所述的车位检测点的后优化方法,其特征在于,在步骤Q3中,所述对同一分组的车位的两个近车点进行直线最小拟合包括:
Q31.基于所述车位点的精分组数据信息,获取同一分组的车位点的近车点坐标数据信息;
Q32.基于所述同一分组的车位点的近车点坐标数据信息,采用最小二乘算法进行直线拟合,得到拟合直线的斜率k和截距b,
,
,
其中N为同一分组的车位点的个数,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标;
Q33.基于所述拟合直线的斜率k和截距b,得到同一分组的车位的拟合直线数据信息。
6.根据权利要求5所述的车位检测点的后优化方法,其特征在于,在步骤Q4中,所述优化后的车位点数据信息包括优化后的车位点的近车点坐标和/>,
,/>,
其中,k为所述同一分组的车位的拟合直线数据信息中拟合直线的斜率,b为所述同一分组的车位的拟合直线数据信息中拟合直线的截距,(Xi1,Yi1)和(Xi2,Yi2)为第i个车位点的近车点坐标。
7.根据权利要求6所述的车位检测点的后优化方法,其特征在于,所述优化后的车位点数据信息还包括优化后的车位点的车位朝向角度θ,
,
其中,和/>为优化后的车位点的近车点坐标。
8.根据权利要求7所述的车位检测点的后优化方法,其特征在于,所述优化后的车位点数据信息还包括优化后的车位点的远车点坐标和/>以及车位中心坐标,
,/>,
,
其中,和/>为优化后的车位点的近车点坐标,θ为优化后的车位点的车位朝向角度,L为/>和/>的之间的距离。
9.一种车位检测点的后优化***,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~8中任意一项所述车位检测点的后优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述车位检测点的后优化方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267169.9A CN117012053A (zh) | 2023-09-28 | 2023-09-28 | 一种车位检测点的后优化方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267169.9A CN117012053A (zh) | 2023-09-28 | 2023-09-28 | 一种车位检测点的后优化方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117012053A true CN117012053A (zh) | 2023-11-07 |
Family
ID=88562155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267169.9A Pending CN117012053A (zh) | 2023-09-28 | 2023-09-28 | 一种车位检测点的后优化方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117012053A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100112924A (ko) * | 2009-04-10 | 2010-10-20 | 주식회사 만도 | 평행주차용 목표주차위치인식 방법 및 그 시스템 |
CN106494395A (zh) * | 2016-09-30 | 2017-03-15 | 惠州华阳通用电子有限公司 | 一种基于数据融合的自动泊车控制方法及装置 |
CN107133591A (zh) * | 2017-05-05 | 2017-09-05 | 深圳前海华夏智信数据科技有限公司 | 基于结构光的车位检测方法及装置 |
CN108986122A (zh) * | 2018-08-01 | 2018-12-11 | 重庆大学 | 室内泊车引导地图智能重构方法 |
CN110472580A (zh) * | 2019-08-16 | 2019-11-19 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
US20210390855A1 (en) * | 2020-06-12 | 2021-12-16 | Parkling Gmbh | Method for determining an occupancy status of a parking bay and for determining the occupancy statuses of several parking bays along a street |
CN114758318A (zh) * | 2022-02-21 | 2022-07-15 | 北京航空航天大学 | 一种基于全景视图的任意角度车位检测方法 |
CN115240154A (zh) * | 2022-06-29 | 2022-10-25 | 高德软件有限公司 | 停车场的点云特征提取方法、装置、设备及介质 |
CN115339436A (zh) * | 2021-05-14 | 2022-11-15 | 上海汽车集团股份有限公司 | 一种修正车位角点的方法和相关装置 |
WO2022266854A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种车位检测方法及装置 |
CN115861417A (zh) * | 2022-09-07 | 2023-03-28 | 北京地平线信息技术有限公司 | 车位重建方法、装置、电子设备和存储介质 |
CN116385999A (zh) * | 2023-02-20 | 2023-07-04 | 北京四维图新科技股份有限公司 | 一种停车位的识别方法、装置及设备 |
CN116778458A (zh) * | 2023-08-23 | 2023-09-19 | 苏州魔视智能科技有限公司 | 车位检测模型构建方法、车位检测方法、设备及存储介质 |
-
2023
- 2023-09-28 CN CN202311267169.9A patent/CN117012053A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100112924A (ko) * | 2009-04-10 | 2010-10-20 | 주식회사 만도 | 평행주차용 목표주차위치인식 방법 및 그 시스템 |
CN106494395A (zh) * | 2016-09-30 | 2017-03-15 | 惠州华阳通用电子有限公司 | 一种基于数据融合的自动泊车控制方法及装置 |
CN107133591A (zh) * | 2017-05-05 | 2017-09-05 | 深圳前海华夏智信数据科技有限公司 | 基于结构光的车位检测方法及装置 |
CN108986122A (zh) * | 2018-08-01 | 2018-12-11 | 重庆大学 | 室内泊车引导地图智能重构方法 |
CN110472580A (zh) * | 2019-08-16 | 2019-11-19 | 北京茵沃汽车科技有限公司 | 基于全景影像的检测车位的方法、装置、存储介质 |
US11002859B1 (en) * | 2020-02-27 | 2021-05-11 | Tsinghua University | Intelligent vehicle positioning method based on feature point calibration |
US20210390855A1 (en) * | 2020-06-12 | 2021-12-16 | Parkling Gmbh | Method for determining an occupancy status of a parking bay and for determining the occupancy statuses of several parking bays along a street |
CN115339436A (zh) * | 2021-05-14 | 2022-11-15 | 上海汽车集团股份有限公司 | 一种修正车位角点的方法和相关装置 |
WO2022266854A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种车位检测方法及装置 |
CN114758318A (zh) * | 2022-02-21 | 2022-07-15 | 北京航空航天大学 | 一种基于全景视图的任意角度车位检测方法 |
CN115240154A (zh) * | 2022-06-29 | 2022-10-25 | 高德软件有限公司 | 停车场的点云特征提取方法、装置、设备及介质 |
CN115861417A (zh) * | 2022-09-07 | 2023-03-28 | 北京地平线信息技术有限公司 | 车位重建方法、装置、电子设备和存储介质 |
CN116385999A (zh) * | 2023-02-20 | 2023-07-04 | 北京四维图新科技股份有限公司 | 一种停车位的识别方法、装置及设备 |
CN116778458A (zh) * | 2023-08-23 | 2023-09-19 | 苏州魔视智能科技有限公司 | 车位检测模型构建方法、车位检测方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
仇旭;朱浩;邓元望;: "基于超声波雷达的改进车位检测算法研究", 中国机械工程, no. 14, pages 113 - 119 * |
杨科;张效宇;徐维庆;: "基于卷积神经网络的环视车位检测研究", 时代汽车, no. 04, pages 6 - 9 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111081064B (zh) | 一种车载以太网的自动泊车***及自动代客泊车方法 | |
CN109733383B (zh) | 一种自适应的自动泊车方法及*** | |
CN110689761A (zh) | 一种自动泊车方法 | |
CN110126817B (zh) | 一种自适应任意点与固定点间泊车或召回的方法及*** | |
DE102019112002A1 (de) | Systeme und verfahren zur automatischen detektion von anhängereigenschaften | |
DE102018113007A1 (de) | Trajektorienplaner zum autonomen fahren mittels bézier-kurven | |
CN111319612B (zh) | 一种自动驾驶车辆用地图的自建图方法和*** | |
CN114051628B (zh) | 一种确定目标对象点云集的方法及装置 | |
CN113095216A (zh) | 停车监测方法、***、设备及存储介质 | |
US20200070822A1 (en) | Systems and methods for predicting object behavior | |
CN112912894B (zh) | 道路边界识别方法和装置 | |
CN114898322A (zh) | 行车环境识别方法、装置、车辆及存储介质 | |
CN114495045A (zh) | 感知方法、感知装置、感知***及相关设备 | |
CN112513876A (zh) | 一种用于地图的路面提取方法及装置 | |
CN116258174A (zh) | 用于检测深度神经网络推理质量的***和方法 | |
CN117111055A (zh) | 一种基于雷视融合的车辆状态感知方法 | |
CN113895429A (zh) | 一种自动泊车方法、***、终端及存储介质 | |
CN117012053A (zh) | 一种车位检测点的后优化方法、***及存储介质 | |
CN112689234A (zh) | 室内车辆定位方法、装置、计算机设备和存储介质 | |
CN116679698A (zh) | 用于车辆的自动驾驶方法、装置、车辆、设备和介质 | |
CN114954440A (zh) | 具有自主探索模式的泊车方法、泊车***及电子设备 | |
CN115402301A (zh) | 一种方便用户下车的自动泊车优化方法 | |
WO2020202636A1 (ja) | 情報処理方法、及び、情報処理システム | |
CN113135179A (zh) | 泊车检测方法、装置、设备、***及存储介质 | |
CN117496483B (zh) | 夜间图像识别方法及*** |
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 |