基于UWB/IMU和视觉信息融合的智能泊车定位系统及方法技术方案

本发明专利技术涉及一种基于UWB/IMU和视觉信息融合的智能泊车定位系统及方法，用于停车场的车辆定位，包括中央控制模块、UWB/IMU模块、摄像机单元、信号传输与处理模块、计算与定位显示模块、车辆轨迹分析模块和数据融合模块，中央控制模块包括车辆信息量化单元、摄像机机构阈值单元、环境误差神经网络学习模型、路径引导单元和车位引导单元。与现有技术相比，本发明专利技术在智能泊车过程中通过停车场端设备辅助，实现双模型融合定位，设计了环境误差神经网络学习模型消除误差提高精度，根据车辆数量确定摄像机偏转角度，使得停车场摄像机构动态监控停车场内每一辆行进车辆，车辆在陌生停车环境中能够实时高精度位置跟踪，通过停车场与车辆协同配合实现智能泊车过程。配合实现智能泊车过程。配合实现智能泊车过程。

【技术实现步骤摘要】
基于UWB/IMU和视觉信息融合的智能泊车定位系统及方法


[0001]本专利技术涉及车辆智能泊车定位
，尤其是涉及一种基于UWB/IMU和视觉信息融合的智能泊车定位系统及方法。

技术介绍

[0002]随着科技的持续发展以及汽车保有量的持续性增加，汽车的智能化也得到进一步的发展，其中各车厂针对车辆的泊车功能也进行了相应的智能化升级。由于智能泊车作为自动驾驶中“最后一公里”的重要一环，会优先实现商业化落地，智能泊车系统成为各车企研发的重要方向。
[0003]目前市场方案大部分主要依靠纯车端实现，如通过车载激光雷达对周围环境感知构建三维地图及车载视觉进行扫视环境获取信息以达到泊车目的。但是，由于激光雷达存在范围短板，同时价格较高，无法市场化推广，而纯视觉受环境干扰明显，同时在陌生停车场需要学习方能泊车，上述原因致使智能汽车在停车场的智能泊车商业化落地无法得到很好的推广与实现。
[0004]同时，由于汽车保有量不断增加，车位缺口不断增大，各大城市密集区域均面临停车难问题，驾驶员在高峰时段无法实现“三分钟快乐停车”，即使带有泊车的智能车辆也需要驾驶员给予相应的操作。
[0005]综上，需要对现有的泊车方案进行改进以克服纯车端智能泊车的短板。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于UWB/IMU和视觉信息融合的智能泊车定位系统及方法。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，用于停车场的车辆定位，包括中央控制模块、UWB/IMU模块、摄像机单元、信号传输与处理模块、计算与定位显示模块、车辆轨迹分析模块和数据融合模块，所述中央控制模块包括车辆信息量化单元、摄像机机构阈值单元、环境误差神经网络学习模型、路径引导单元和车位引导单元；
[0009]所述摄像机单元包括多个摄像机，用于获取停车场当前图像信息并实时跟踪目标车辆及车辆所处场景，得到运动方程，确定目标车辆的车辆位置信息，所述停车场当前图像信息包括车辆图像信息、障碍物图像信息及周围车位和车道线图像信息；
[0010]所述车辆信息量化单元用于将摄像机单元采集的图像信息量化为车辆信息，确定摄像机单元采集的当前场景下的车辆数量，并标定目标车辆；
[0011]所述摄像机机构阈值单元用于根据当前场景下的车辆数量确定摄像机单元的偏转角度阈值并控制摄像机单元执行；
[0012]所述车辆轨迹分析模块用于根据连续时刻的车辆图像信息获取目标车辆的轨迹信息，并传输到中央控制模块，供环境误差神经网络学习模型学习；
[0013]所述UWB/IMU模块用于获取目标车辆与UWB基站之间的距离以及车辆的运动信息，从而获取目标车辆在停车场全域所处虚拟坐标信息及惯性前进方向；
[0014]所述环境误差神经网络学习模型中以卷积神经网络建立环境误差感知深度学习模型，提取环境因素导致定位偏差的误差因子，帮助UWB/IMU模块及摄像机单元纠正定位精度；
[0015]所述信号传输与处理模块用于传输UWB/IMU模块和摄像机单元的数据至中央控制模块；
[0016]所述计算与定位显示模块用于根据UWB/IMU模块和摄像机单元的数据进行坐标计算及视觉位置可视化跟踪显示；
[0017]所述数据融合模块用于融合UWB/IMU模块的虚拟坐标信息和摄像机单元的目标车辆的车辆位置信息得到实时精确位置信息，并将融合结果传输到中央控制模块；
[0018]所述路径引导单元用于根据停车场当前图像信息筛选出通行车辆最少的车道信息；
[0019]所述车位引导单元用于根据停车场当前图像信息筛选出空车位。
[0020]优选地，所述环境误差神经网络学习模型中以卷积神经网络建立环境误差感知深度学习模型，提取环境因素导致定位偏差的误差因子，并逐层组合抽象生成高层特征，用来帮助UWB/IMU模块纠正定位精度；所述提取环境因素导致定位偏差的误差因子方式包括：
[0021]第n个固定UWB基站坐标U
n
＝(x
n
,y
n
,z
n
)为已知坐标；待定位的车辆在t时刻的位置记为N
t
＝(x
t
,y
t
,z
t
)；t时刻UWB基站到目标车辆的距离为：
[0022][0023]其中为此时误差因子；
[0024]将不同时刻误差因子代入用以环境误差神经网络模型学习；其中是高层特征量；为权和系数，其中v为目标车辆行驶速度；T
i+1
、T
i
对应目标车辆行进过程中某一时刻及后一时间帧记录的时间，(T
i+1
‑
T
i
)为行进的时间差；θ
i
为此时刻车辆轮转角度。
[0025]优选地，所述车辆信息量化单元用于将摄像机单元采集的图像信息量化为车辆信息，确定摄像机单元采集的当前场景下的车辆数量，并标定目标车辆，具体为：
[0026]车辆信息量化单元获取车辆图像信息，将图像信息量化成像素点所对应车辆的车型、颜色及车牌号，按顺序生成唯一字符串码存储，并为每台车辆生成车辆数字ID；车辆信息量化单元获取目标车辆当前时间帧车身图像，对车身图像进行局部图像处理，得到车身、颜色及车牌所对应的离散像素点，再转换成离散的数量值，生成对应时间内的唯一车辆数字ID，为目标车辆进行身份标定。
[0027]优选地，所述摄像机机构阈值单元用于根据当前场景下的车辆数量确定摄像机单元的偏转角度阈值并控制摄像机单元执行，具体为：
[0028]第i台高精度摄像机与停车场空间坐标(x,y,z)对应的方位角为(α
i
,β
i
,γ
i
)，(x,y,z)对应的是第i台高精度摄像机在停车场中所处的空间坐标位置，并根据此方位角采集
到视角范围内目标车辆数为N
k
，构建状态矩阵方程：
[0029][0030]其中，摄像机解析算力为R
χ
,ξ为摄像机构设定阈值，当ξ≤N
k
时，摄像机机构阈值单元发送偏转指令到摄像机，实现摄像机角度偏转。
[0031]优选地，所述UWB/IMU模块用于获取目标车辆与UWB基站之间的距离以及车辆的运动信息，从而获取目标车辆在停车场全域所处虚拟坐标信息及惯性前进方向，具体为：
[0032]UWB/IMU模块获取目标车辆与基站之间的距离：获取各个UWB基站在停车场内空间坐标，获取各个UWB基站与目标车辆之间通过脉冲信号传递的时间，计算各个基站与目标车辆之间的距离，从而可以计算得到目标车辆在停车场内虚拟坐标信息：
[0033][0034]其中，m和n用于标识不同的基站，l
m,n
表示UWB基站m和n之间的距离，t为脉冲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，用于停车场的车辆定位，包括中央控制模块、UWB/IMU模块、摄像机单元、信号传输与处理模块、计算与定位显示模块、车辆轨迹分析模块和数据融合模块，所述中央控制模块包括车辆信息量化单元、摄像机机构阈值单元、环境误差神经网络学习模型、路径引导单元和车位引导单元；所述摄像机单元包括多个摄像机，用于获取停车场当前图像信息并实时跟踪目标车辆及车辆所处场景，得到运动方程，确定目标车辆的车辆位置信息，所述停车场当前图像信息包括车辆图像信息、障碍物图像信息及周围车位和车道线图像信息；所述车辆信息量化单元用于将摄像机单元采集的图像信息量化为车辆信息，确定摄像机单元采集的当前场景下的车辆数量，并标定目标车辆；所述摄像机机构阈值单元用于根据当前场景下的车辆数量确定摄像机单元的偏转角度阈值并控制摄像机单元执行；所述车辆轨迹分析模块用于根据连续时刻的车辆图像信息获取目标车辆的轨迹信息，并传输到中央控制模块，供环境误差神经网络学习模型学习；所述UWB/IMU模块用于获取目标车辆与UWB基站之间的距离以及车辆的运动信息，从而获取目标车辆在停车场全域所处虚拟坐标信息及惯性前进方向；所述环境误差神经网络学习模型中以卷积神经网络建立环境误差感知深度学习模型，提取环境因素导致定位偏差的误差因子，帮助UWB/IMU模块及摄像机单元纠正定位精度；所述信号传输与处理模块用于传输UWB/IMU模块和摄像机单元的数据至中央控制模块；所述计算与定位显示模块用于根据UWB/IMU模块和摄像机单元的数据进行坐标计算及视觉位置可视化跟踪显示；所述数据融合模块用于融合UWB/IMU模块的虚拟坐标信息和摄像机单元的目标车辆的车辆位置信息得到实时精确位置信息，并将融合结果传输到中央控制模块；所述路径引导单元用于根据停车场当前图像信息筛选出通行车辆最少的车道信息；所述车位引导单元用于根据停车场当前图像信息筛选出空车位。2.根据权利要求1所述的一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，所述环境误差神经网络学习模型中以卷积神经网络建立环境误差感知深度学习模型，提取环境因素导致定位偏差的误差因子，并逐层组合抽象生成高层特征，用来帮助UWB/IMU模块纠正定位精度；所述提取环境因素导致定位偏差的误差因子方式包括：第n个固定UWB基站坐标U
n
＝(x
n
,y
n
,z
n
)为已知坐标；待定位的车辆在t时刻的位置记为N
t
＝(x
t
,y
t
,z
t
)；t时刻UWB基站到目标车辆的距离为：其中为此时误差因子；将不同时刻误差因子代入用以环境误差神经网络模型学习；其中是高层特征量；为权和系数，其中v为目标车辆行驶速度；
T
i+1
、T
i
对应目标车辆行进过程中某一时刻及后一时间帧记录的时间，(T
i+1
‑
T
i
)为行进的时间差；θ
i
为此时刻车辆轮转角度。3.根据权利要求1所述的一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，所述车辆信息量化单元用于将摄像机单元采集的图像信息量化为车辆信息，确定摄像机单元采集的当前场景下的车辆数量，并标定目标车辆，具体为：车辆信息量化单元获取车辆图像信息，将图像信息量化成像素点所对应车辆的车型、颜色及车牌号，按顺序生成唯一字符串码存储，并为每台车辆生成车辆数字ID；车辆信息量化单元获取目标车辆当前时间帧车身图像，对车身图像进行局部图像处理，得到车身、颜色及车牌所对应的离散像素点，再转换成离散的数量值，生成对应时间内的唯一车辆数字ID，为目标车辆进行身份标定。4.根据权利要求1所述的一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，所述摄像机机构阈值单元用于根据当前场景下的车辆数量确定摄像机单元的偏转角度阈值并控制摄像机单元执行，具体为：第i台高精度摄像机与停车场空间坐标(x,y,z)对应的方位角为(α
i
,β
i
,γ
i
)，(x,y,z)对应的是第i台高精度摄像机在停车场中所处的空间坐标位置，并根据此方位角采集到视角范围内目标车辆数为N
k
，构建状态矩阵方程：其中，摄像机解析算力为R
χ
,ξ为摄像机构设定阈值，当ξ≤N
k
时，摄像机机构阈值单元发送偏转指令到摄像机，实现摄像机角度偏转。5.根据权利要求1所述的一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，所述UWB/IMU模块用于获取目标车辆与UWB基站之间的距离以及车辆的运动信息，从而获取目标车辆在停车场全域所处虚拟坐标信息及惯性前进方向，具体为：UWB/IMU模块获取目标车辆与基站之间的距离：获取各个UWB基站在停车场内空间坐标，获取各个UWB基站与目标车辆之间通过脉冲信号传递的时间，计算各个基站与目标车辆之间的距离，从而可以计算得到目标车辆在停车场内虚拟坐标信息：其中，m和n用于标识不同的基站，l
m,n
表示UWB基站m和n之间的距离，t为脉冲传输时间；c为光速；(x,y,z)为目标车辆在停车场内虚拟坐标；UWB/IMU模块获取车辆的运动信息：通过IMU惯性模块获取加速度计数据E(ε)与陀螺仪数据E(σ)，从而获得目标车辆的惯性行进方向。6.根据权利要求1所述的一种基于UWB/IMU和视觉信息融合的智能泊车定位系统，其特征在于，所述数据融合模块用于融合UWB/IMU模块的虚拟坐标信息和摄像机单元的目标车辆的车辆位置信息，并将融合结果传输到中央控制模块，具体为：建立...

【专利技术属性】
技术研发人员：朱苏磊，鲍施锡，李天辰，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：