[發明專利]一種自動泊車的系統及方法有效
| 申請號： | 201811336760.4 | 申請日： | 2018-11-12 |
| 公開（公告）號： | CN111169468B | 公開（公告）日： | 2023-10-27 |
| 發明（設計）人： | 張家旺;汪路超;謝國富;邵艷艷 | 申請（專利權）人： | 北京魔門塔科技有限公司 |
| 主分類號： | B60W30/06 | 分類號： | B60W30/06;G06V20/58 |
| 代理公司： | 北京科領智誠知識產權代理事務所(普通合伙) 11782 | 代理人： | 陳士騫 |
| 地址： | 100083 北京市海淀區*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 自動 泊車 系統 方法 | ||
1.一種自動停車系統，其特征在于：所述系統包括道路圖像檢測模型，所述道路圖像檢測模型是經過道路樣本圖像訓練的神經網絡；
所述系統通過將待檢測圖像輸入到所述道路圖像模型中，得到道路圖像的語義信息；
所述系統還包括地圖構建模塊，所述地圖構建模塊對所述語義信息進行跟蹤，通過圖像優化方法估計車輛位姿并構建地圖；
所述系統還包括定位模塊，所述定位模塊根據當前觀測的所述語義信息與地圖匹配并進行定位；所述定位模塊包括拼接子單元，識別子單元和定位子單元；所述拼接子單元用于拼接多個圖像采集裝置在同一時刻拍攝到的多張目標圖像，以得到俯視拼接圖；所述識別子單元用于識別所述俯視拼接圖中的圖像語義特征；所述定位子單元用于基于所述圖像語義特征和輪速計進行定位。
2.根據權利要求1所述的系統，其特征在于：所述語義信息包括車道線、車位線、障礙物。
3.根據權利要求1-2中任一項所述的系統，其特征在于：所述神經網絡是RefineNet。
4.根據權利要求1-3中任一項所述的系統，其特征在于：所述定位模塊利用不同傳感器的特性采用視覺、輪速計融合的方法進行匹配定位。
5.根據權利要求1-4中任一項所述的系統，其特征在于：所述語義信息進行跟蹤具體表示為：不同時刻滿足以下關系：
其中，Pi為i時刻的車輛位姿，為i時刻的觀測到的視覺特征的位置，Xj為i時刻觀測數據在地圖中的位置。
6.利用權利要求1-5任一項所述的自動停車系統進行自動停車的方法，其特征在于所述方法包括以下步驟：
步驟S1：獲取當前實時道路圖像；
步驟S2：將所述當前實時道路圖像輸入到所述道路圖像檢測模型中，得到道路圖像的語義信息；
步驟S3：對不同時刻的所述語義信息進行跟蹤，通過圖像優化方法估計車輛位姿并構建地圖；
步驟S4：根據當前觀測的所述語義信息與地圖匹配進行定位；
步驟S5：判斷車位空閑狀況，規劃路徑自動泊車；
其中步驟S4中所述根據當前觀測的所述語義信息與地圖匹配進行定位具體包括以下步驟：
S401、拼接多個圖像采集裝置在同一時刻拍攝到的多張目標圖像，以得到俯視拼接圖；
S402、識別所述俯視拼接圖中的圖像語義特征；
S403、基于所述圖像語義特征和輪速計進行定位。
7.根據權利要求6所述的方法，所述步驟S402識別所述俯視拼接圖中的圖像語義特征具體包括，通過深度學習的神經網絡模型識別所述圖像語義特征，并且預先對所述神經網絡模型進行訓練。
所述訓練采用交叉熵來衡量網絡的預測值與實際值的差異，所述交叉熵的公式如下：
其中y為圖像元素的標記值，n為圖像的像素總數，x為輸入，a為神經元的輸出。
8.根據權利要求6-7中任一項所述的方法，其特征在于：所述步驟S4語義信息進行跟蹤具體表示為：不同時刻滿足以下關系：
其中，Pi為i時刻的車輛位姿，為i時刻的觀測到的視覺特征的位置，Xj為i時刻觀測數據在地圖中的位置。
9.根據權利要求6-9中任一項所述的方法，在所述步驟S403中，所述定位的估計方法由以下公式定義：
pi+1,λi＝arg min(||pi*Ai-pi+1*Ai+1||2+||pi+λiΔpi-pi+1||2)；
其中，Pi和Pi+1分別為i和i+1時刻的車輛位姿；λi為輪速計與圖像之間的尺度比例系數；Ai和Ai+1分別為i和i+1時刻圖像上的語義特征；ΔPi為從i到i+1時刻輪速計位姿增量；argmin(f(x))表示在f(x)取最小值時，自變量x的集合。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京魔門塔科技有限公司，未經北京魔門塔科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811336760.4/1.html，轉載請聲明來源鉆瓜專利網。
