[发明专利]一种用于自动驾驶车辆的泊车车位检测方法

说明书

本发明公开了一种用于自动驾驶车辆的泊车车位检测方法，首先建立泊车场景局部点云地图，然后筛选可泊车区域，在可泊车区域内提取地面点云，将地面点云转化为强度图片，之后在强度图片中运行车位标线检测算法，最终计算车位相对于车身的相对坐标并输出。本发明不受光照条件变化影响，在弱光条件仍可正常工作；而且整个算法部分运算量较小，可以实时的运行在低功耗低成本的ARM处理器上，整个系统的成本低；同时，本发明使用激光雷达数据中的反射强度信息检测泊位标线，输出的车位坐标基于三维点云空间中的泊位标线，更加准确和稳定。

技术领域

本发明属于自动驾驶领域，特别涉及一种用于自动驾驶车辆的泊车车位检测方法。

背景技术

近年来随着传感器性能的提升，以及多传感器融合算法的不断演进，自动驾驶技术取得了巨大的进步。从传统的基于单目视觉的车道偏离预警到目前基于神经网络车道线提取的车道保持，从过去的基于轮速计和单目视觉的定速巡航到今天的基于毫米波雷达和视觉传感器融合的自适应巡航控制。近些年来，针对自动驾驶车辆的自动泊车功能的研究和开发一直是学术界和工业界的热点话题。在自动泊车功能的开发过程中，如何准确的识别出泊车车位是目前科研人员和工程师面临的众多难点中的首要挑战。目前，自动驾驶车辆主要通过四种方法识别泊车车位。

第一种，基于车顶360度环视摄像头或者车身多个摄像头拼接出车辆周边的地面图像，通过预先训练完成的卷积神经网络模型识别图像中的车位标线。这种方案，使用了一个或多个摄像头，具有车本低廉的优势。但是，由于该方案过度依赖摄像头输出的图像信息，导致识别结果易受光照变化影响，在弱光照条件下无法工作。且由于使用了360环视摄像头或者多摄像头拼接图像，在获得地面的平面图像时需要经过非线性转化，使得车辆自动泊车过程中车位检测的结果会包含误差。同时，由于卷积神经网络的计算需要使用专业计算设备（图形加速卡，npu等），而当前能够提供较高帧率泊车车位输出的专业计算设备普遍具有较高的功耗，不适合自动驾驶这种对功耗敏感的应用场景。

第二种，通过安装于车身的多个摄像头生成泊车场景的局部半稠密点云地图，通过立体点云空间中的点云占据情况，判断出可供泊车的泊位。该方案完全使用摄像头，成本低廉，对于车位线不清晰，及无车位线泊车车位具有明显的优势。但是，与第一种方案相同，都具有识别结果易受光照变化影响，在弱光照条件下无法工作的缺点。同时，由于生成的半稠密点云地图中不包含泊车位标线语义信息（只能识别出可供泊车的空间，无法准确给出泊位标线的位置），较难完成完全自动的泊车入位控制（准确进入泊位线限制的泊车区域）。

第三种，通过安装于车顶或者车身侧面的激光雷达生成泊车场景的局部稠密点云地图，通过立体点云空间中的点云占据情况，判断出可供泊车的泊位。相比于前两种方案，这种方案由于使用了激光雷达，完全不受光线变化以及光线强弱的影响，在照明不良的地下停车场依然能够正常工作。同时由于激光雷达输出的数据中包含点云深度信息，使得自动驾驶的计算单元不需消耗算力计算点云的深度（第二种方案）。但是，与第二种方案相同，由于生成的点云地图中不包含泊车位标线语义信息，只能识别出可供泊车的空间，无法准确给出泊位标线的位置，较难完成完全自动的泊车入位控制，即难以准确进入泊位线限制的泊车区域。

第四种，通过在地下停车场和车身布设一定数量的无线位置传感器，V2X基站和泊位空闲感知传感器，通过V2X网络向自动驾驶车辆发送车辆在停车场局部地图坐标系下的位置和空闲车位的位置。该方案具有泊位坐标输出准确，不受光照条件影响的优点。但是，由于使用了数量可观的传感器和V2X基站，停车场建设一次性投入成本大幅增加，后期设备维护也是一笔成本。同时，由于使用了大量的位置传感器，停车场建设时需要对于每个传感器位置坐标的校准，校准过程繁琐、复杂，后期停车场扩建还需要对原有位置传感器网络进行扩容。

所以，开发一种不受光照影响、对于自动驾驶计算单元算力要求较低、能够准确输出泊位的位置、价格合理的泊位检测方案是当前自动驾驶车辆自动泊车功能开发过程中面临的主要问题。

发明内容