【技术实现步骤摘要】
泊车方法、泊车装置、计算设备和存储介质
[0001]本专利技术涉及自动泊车
,具体地,涉及一种泊车方法
、
泊车装置
、
计算设备和存储介质
。
技术介绍
[0002]随着融合泊车
、
记忆泊车等越来越多的车位识别和自动泊车技术得到很大的提高,越来越多的厂商更加愿意使用和青睐自动泊车技术产品
。
当用户选择任意一个检测到的待泊车位时,如何保证本车辆能够居中停靠在所选中的待泊车位内变得越来越重要,直接影响自动泊车产品的性能和质量
。
[0003]对于自动泊车,现有技术中通常根据以下内容进行处理
。
选择一个待泊车位,使用被选择的待泊车位进行航迹推算来跟踪其与车辆的相对位置,规划路径进行泊车
。
待泊车位与车辆的相对位置的更新始终是使用航迹推算来做的,这个可能会导致更新的车位位置与实际场景的车位位置有误差,最终泊车完成后,车辆不能居中停靠待泊车位中,甚至出现车轮压线的情况
。
尤其是在车辆在狭小空间泊车或者是路面不平滑(有限速带等)情况下,车辆调整步数过多,航迹推算得到的车位与实际场景车位出入更多,车辆更加不能居中停靠
。
技术实现思路
[0004]本专利技术实施例的目的是提供一种泊车方法
、
泊车装置
、
计算设备和存储介质
。
[0005]第一方面,本专利技术实施例提供一种泊车方法,该泊车方法包括:基于航迹 ...
【技术保护点】
【技术特征摘要】
1.
一种泊车方法,其特征在于,该泊车方法包括:基于航迹推算,确定待泊车位的当前帧推算车位信息;基于所述待泊车位的全景图像,确定所述待泊车位的当前帧检测车位信息;以及基于所述当前帧推算车位信息和所述当前帧检测车位信息,确定继续进行所述航迹推算使用的下一帧基础车位信息,以进行泊车
。2.
根据权利要求1所述的泊车方法,其特征在于,基于所述当前帧推算车位信息和所述当前帧检测车位信息确定继续进行所述航迹推算使用的下一帧基础车位信息包括:基于所述当前帧推算车位信息和所述当前帧检测车位信息,确定当前帧推算车位和当前帧检测车位的重合程度,其中,所述当前帧推算车位对应于所述当前帧推算车位信息,所述当前帧检测车位对应于所述当前帧检测车位信息;以及基于所确定的重合程度,确定所述下一帧基础车位信息
。3.
根据权利要求2所述的泊车方法,其特征在于,基于所确定的重合程度确定所述下一帧基础车位信息包括:在所确定的重合程度未超过预设重合条件的情况下,将所述当前帧推算车位信息确定为所述下一帧基础车位信息;以及在所确定的重合程度超过预设重合条件的情况下,将所述当前帧检测车位信息确定为所述下一帧基础车位信息
。4.
根据权利要求2所述的泊车方法,其特征在于,所述重合程度基于交并比而被确定
。5.
根据权利要求1‑4中任一项所述的泊车方法,其特征在于,所述当前帧推算车位信息
、
所述当前帧检测车位信息和所述下一帧基础车位信息包括车位角点的坐标信息
。6.
根据权利要求1所述的泊车方法,其特征在于,基于所述待泊车位的全景图像确定所述待泊车位的当前帧检测车位信息包括:基于预设深度学习模型对所述全景图像进行检测,确定所述当前帧检测车位信息
。7.
根据权利要求6所述的泊车方法,其特征在于,在所述当前帧检测车位信息包括车位角点的坐标信息的情况下,所述预设深度学习模型包括深度学习车位实例分割模型和
/
或深度学习车位角点检测模型
。8.
根据权利要求7所述的泊车方法,其特征在于,在所述预设深度学习模型包括所述深度学习车位实例分割模型和所述深度学习车位角点检测模型的情况下,基于预设深度学习模型对所述全景图像进行检测确定所述当前帧检测车位信息包括:若仅所述深度学习车位实例分割模型能够基于所述全景图像检测到所述待泊车位,则将第一当前帧检测车位信息确定为所述当前帧检测车位信息,其中,所述第一当前帧检测车位信息基于所述深度学习车位实例分割模型对所述全景图像进行检测而被确定;和
/
或若仅所述深度学习车位角点检测模型能够基于所述全景图像检测到所述待泊车位,则将第二当前帧检测车...
【专利技术属性】
技术研发人员:曹建收,杨波,王东虎,王学忠,刘春霞,
申请(专利权)人:北京茵沃汽车科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。