将车辆自动停放在停车位的制作方法
本发明涉及一种用于将车辆自动停放在停车位中的方法，包括以下步骤：
-在训练步骤中将车辆手动驶入停车位，之后
-在重放(replay)步骤中将车辆自动驶入停车位，
其中，将车辆手动驶入停车位的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将行驶轨迹存储在环境的数字地图中，以及
-将检测到的环境特征的特征描述符存储在数字地图中，
并且其中，将车辆自动驶入停车位的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将检测到的环境特征的特征描述符与存储在数字地图中的特征描述符进行匹配，以及
-根据存储在数字地图中的轨迹重新定位车辆，以便沿着存储的轨迹将车辆导航到停车位。
本发明还涉及一种用于将车辆自动停在停车位中的车辆的自动停车系统的传感器装置；以及一种非暂时性计算机可读介质，其包括存储在其上的指令，该指令在处理器上执行时，启动车辆的自动停车系统，以将车辆自动停放在停车位中。
背景技术：
申请人已经提供了一种被称为为
该系统测量车辆前后的空间，并确定退出该空间的最佳策略。驾驶员控制车辆的速度时，系统将像在停车时一样接管转向。它检测离开该空间的最佳时刻，并自动停用以使驾驶员融入交通中。
新型的自动停车系统是经家庭训练的停车。对于经家庭训练的停车，车辆的驾驶员必须针对他希望车辆随后停车遵循的特定路径来训练车辆。现代半自动汽车已经设计成可自行停车。为此，他们需要了解其环境的几何形状。经训练的停车系统使用各种传感器来记录来自环境的信息，即所谓的“地标”，其对应于行驶的、先前训练的轨迹，并且在随后的“重放”中，它们将新感测到的信息与先前存储的信息相关联，以计算出它们相对于所存储的轨迹的位置，然后用于决定如何操纵车辆，直到最终将其停在所存储的停车位位置。
如果家庭方案随时间发生重大变化，则需要重新培训。例如，如果季节变化，环境的视觉外观也可能会显着变化，因此需要重新培训。这种变化可以随着时间的流逝逐渐发生，例如叶子变色；或者瞬间发生，例如墙壁被击倒。这样的变化限制了训练系统的寿命。当前，系统的重新训练包括由用户启动训练模式并覆盖现有轨迹的手动触发。
技术实现要素：
本发明的目的是提供一种用于延长经训练的系统的寿命并减少所需重新训练的发生的方法。
这个目的由独立权利要求的主题来解决。优选实施例在从属权利要求中描述。
因此，本发明涉及一种用于将车辆自动停放在停车位中的方法，包括以下步骤：
-在训练步骤中将车辆手动驶入停车位中，之后
-在重放步骤中将车辆自动驶入停车位中，
其中，将车辆手动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将行驶轨迹存储在环境的数字地图中，以及
-将检测到的环境特征的特征描述符存储在数字地图中，
并且其中，将车辆自动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将检测到的环境特征的特征描述符与存储在数字地图中的特征描述符进行匹配，以及
-根据存储在数字地图中的轨迹重新定位车辆，以便沿着存储的轨迹将车辆导航到停车位中，
其特征在于，多次重复将车辆自动驶入停车位中的步骤，其中，将车辆自动驶入停车位中的步骤还分别包括以下子步骤：
-对于每个特征描述符，对检测到的环境特征的特征描述符与存储在数字地图中的特征描述符的匹配进行计数，以及
-如果在将车辆自动驶入停车位中这一步骤重复预定次数之后，存储在数字地图中的特征描述符的匹配次数未超过预定阈值，则删除该特征描述符。
因此，本发明的基本构思是对于每个特征描述符，对检测到的环境特征的特征描述符与存储在数字地图中的特征描述符的匹配进行计数，并且如果在将车辆自动驶入停车位中这一步骤重复预定次数之后，存储在数字地图中的特征描述符的匹配次数未超过预定阈值，则删除该特征描述符。以这种方式，数字地图在使用过程中被动态修改。
在本发明的上下文中，术语“特征描述符”涉及在数字地图中各个特征“看起来”如何的算法表示。如果在视觉上检测到特征，则特征描述符可以与环境的二维视觉图像的一部分关联。如果特征是通过超声波传感器检测到的，则特征描述符可以与由车辆的相应超声波传感器接收的超声波信号关联。此外，应当注意，本发明不要求车辆精确地沿着所存储的轨迹自动行驶。所存储的轨迹是目标信息，应在重放步骤期间收敛。
从数字地图中删除具有其特征描述符的特征可能已经通过更改不再存在的一个或多个特征而有助于避免误导自动停车。但是，如果不仅删除了这些特征，而且使车辆自动驶入停车位中的步骤还分别包括以下子步骤，则可以大大改善该方法：
-将检测到的环境特征的特征描述符存储在数字地图中。
以此方式，自动停车通过存储在实际使用期间检测到的，即在自动停车期间检测到的、而不是仅在训练期间检测到的环境的这些特征来动态地了解变化的环境。
根据本发明的优选实施例，将车辆自动驶入停车位中的步骤分别还包括以下子步骤：
-仅当特征符合预定质量度量时，才将检测到的环境特征的特征描述符存储在数字地图中。这样的质量度量例如可以是相应特征的视觉显着性，重建中的噪音，或者是否是异常值。可以设想其他这样的质量度量。
此外，根据本发明的优选实施例，在将车辆自动驶入停车位中的步骤期间存储的特征描述符的数量等于或小于删除的特征描述符的数量。以这种方式，可以确保该方法的足够的操作速度。
此外，根据本发明的优选实施例，如果检测到的环境特征的特征描述符与数字地图中存储的特征描述符匹配的次数于预定阈值，则删除存储在数字地图中的所有特征描述符和轨迹，并触发训练步骤。因此，如果环境不再以可靠的方式显示在数字地图中，则系统的用户将自动被请求执行新的训练。
根据本发明的尤其优选实施例，数字地图包括具有多个单元的空间网格，使得每个特征描述符与所述空间网格的单元相关联，其中，将车辆自动驶入停车位中的步骤分别还包括以下子步骤：
-对于所述空间网格的每个单元，对检测到的环境特征的特征描述符与存储在数字地图中的特征描述符的匹配进行计数，以及
-如果在将车辆自动驶入停车位中这一步骤重复预定次数之后，存储在数字地图中的特征描述符的匹配次数未超过预定阈值，则仅当与该特征描述符关联的单元中的匹配未超过预定阈值时，删除该特征描述符。优选地，所有单元都具有相同的尺寸。
通过识别相应特征及其在数字地图中的特征描述符实际有多可靠，使该方法更加鲁棒。在这方面，根据本发明的另一优选实施例，将特征定义为主干特征，如果在将车辆自动驶入停车位中这一步骤重复预定次数之后，该特征描述符的匹配次数超过预定阈值，并且如果与该特征描述符关联的单元中的匹配也超过预定阈值，不能在数字地图中删除所述主干特征的特征描述符。因此，在重放步骤的一些重复之后，冻结主干特征组。
此外，根据本发明的优选实施例，分别根据每个单元中的匹配对单元进行加权，并且通过识别单元的权重的偏差小于预定阈值来识别所述方法足够成熟以鲁棒地执行重放步骤的时间。然后，可以向该方法的用户通知该方法现在足够鲁棒以便可靠使用。
数字地图可以以不同的方式表示。根据本发明的优选实施例，数字地图包括与连续的时间点相关联的多个帧，所述帧是驾驶轨迹的环境的二维数字表示。在视觉表示的情况下，数字地图可以包括在沿着轨迹行驶时由相机拍摄的视频的多个帧。
此外，可以使用不同种类的传感器和检测器来检测环境的特征。特别地，可以一起使用用于自动停车的不同种类的传感器和检测器。根据本发明的优选实施例，检测到的车辆的环境特征的信息由视觉数据、超声数据和/或lidar数据表示。
本发明还涉及一种用于将车辆自动停放在停车位中的车辆的自动停车系统的传感器装置，所述传感器装置适用于包括以下步骤的方法：
-在训练步骤中将车辆手动驶入停车位中，之后
-在重放步骤中将车辆自动驶入停车位中，
其中，将车辆手动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将行驶轨迹存储在环境的数字地图中，以及
-将检测到的环境特征的特征描述符存储在数字地图中，
并且其中，将车辆自动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将检测到的环境特征的特征描述符与存储在数字地图中的特征描述符进行匹配，以及
-根据存储在数字地图中的轨迹重新定位车辆，以便沿着所存储的轨迹将车辆导航到停车位中，
其特征在于，多次重复将车辆自动驶入停车位中的步骤，其中，将车辆自动驶入停车位中的步骤还分别包括以下子步骤：
-对于每个特征描述符，对检测到的环境特征的特征描述符与存储在数字地图中的特征描述符的匹配进行计数，以及
-如果在将车辆自动驶入停车位中的步骤重复预定次数之后，存储在数字地图中的特征描述符的匹配次数未超过预定阈值，则删除该特征描述符。
本发明还涉及一种非暂时性计算机可读介质，包括存储在其上的指令，该指令在处理器上执行时会导致用于将车辆自动停放在停车位中的车辆的自动停车系统执行以下步骤：
-在训练步骤中将车辆手动驶入停车位中，之后
-在重放步骤中将车辆自动驶入停车位中，
其中，将车辆手动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将行驶轨迹存储在环境的数字地图中，以及
-将检测到的环境特征的特征描述符存储在数字地图中，
并且其中，将车辆自动驶入停车位中的步骤包括以下子步骤：
-检测与行驶轨迹相对应的车辆环境特征的信息，
-将检测到的环境特征的特征描述符与存储在数字地图中的特征描述符进行匹配，以及
-根据存储在数字地图中的轨迹重新定位车辆，以便沿着所存储的轨迹将车辆导航到停车位中，
其特征在于，多次重复将车辆自动驶入停车位中的步骤，其中，将车辆自动驶入停车位中的步骤还分别包括以下子步骤：
-对于每个特征描述符，对检测到的环境特征的特征描述符与存储在数字地图中的特征描述符的匹配进行计数，以及
-如果在将车辆自动驶入停车位中的步骤的重复预定次数之后，存储在数字地图中的特征描述符的匹配次数未超过预定阈值，则删除该特征描述符。
传感器装置和非暂时性计算机可读介质的优选实施例对应于以上进一步描述的方法的优选实施例。
附图说明
参考下文描述的实施例，本发明的这些和其他方面将变得显而易见并得以阐明。实施例中公开的各个特征单独地或组合地构成本发明的一个方面。不同实施例的特征可以从一个实施例延续到另一实施例。
在附图中：
图1示意性地示出了使用根据本发明的优选实施例的方法的情况，
图2示意性地示出了就在训练之后在其中具有空间网格和特征描述符的数字地图，以及
图3示意性地示出了就在重放之后在其中具有空间网格和特征描述符的数字地图。
具体实施方式
从图1可以示意性地看到使用根据本发明的优选实施例的方法的情况。车辆1配备有自动停车系统的传感器装置2，该自动停车系统用于将车辆1自动地停放在停车位3中的期望位置5中。可以通过轨迹7到达停车位中的该期望位置5，轨迹7以其轨迹点8示出，车辆1必须遵循该轨迹7。该轨迹7在训练步骤之后被保存在图2和3中示意性示出的数字地图9中，然后可以在随后的重放步骤中使用，以便将车辆1自动地驾驶到停车位3中的期望位置5中。
传感器装置2包括相机，该相机用于在视觉上检测沿着轨迹7的车辆1的环境。在本示例中，环境特征通过树木4和可能移入车辆1路径中的人6给出。环境的其他特征可能是建筑物的墙壁或车辆行驶所在的街道边界。
根据本发明的优选实施例，提供了一种用于更新训练轨迹并延长其有效寿命的解决方案。除非场景发生急剧变化，否则这将有助于避免手动重新训练的需要。但是，如果是这种情况，则可以使用相同的方法来自动触发重新训练车辆1停车。根据本优选实施例，该方法使用基于相机的家庭停车。
根据常规方法，系统的重新训练包括由用户启动训练模式并覆盖现有轨迹7的手动触发。如果家庭方案随时间发生重大变化，则需要重新培训。例如，如果季节变化，环境的视觉外观可能会显着变化，因此需要重新培训。这种变化可以随着时间的流逝逐渐发生，例如叶子变色；或者瞬间发生，例如当墙壁被击倒时。
根据本发明的优选实施例的方法自动识别场景并更新表示以确保训练的轨迹随时间保持有效。此方法还可以处理场景突然发生明显变化的情况。该方法自动通知驾驶员轨迹7可能无效，并要求驾驶员重新执行训练步骤，而不是简单地不能重放。
驾驶员通过驶入停车位3中并选择保存轨迹7来训练车辆1。在重放步骤中，算法识别场景并重放训练的轨迹7。在训练步骤中，系统记录场景中的特征和轨迹点8二者的数字地图9。在重放步骤中，系统将当前视图中的特征与训练的数字地图9中的特征进行匹配，并估计车辆1相对于训练的轨迹点8的位置。
这里描述的本发明的优选实施例使用传感器装置2，其将相机作为输入传感器，该相机产生具有多个视频帧的视频。然而，如上所述，该方法可以同样地应用于具有其他传感器输入的系统。如果在训练步骤中在多个视频帧中观察到给定特征，则可能具有与之关联的多个视觉描述符。
在训练步骤中，在训练的轨迹点8的数字地图9中为每个特征存储一组特征描述符。在重放阶段，找到一组新的特征，并且每个特征都有附加的特征描述符。基于特征描述符，该方法将新特征与训练的特征匹配，并且随后使用该信息来相对于训练的轨迹7重新定位车辆1。
根据本发明的优选实施例，从将持久性保留在场景上的对象(例如房屋，墙壁或雕塑)中提取的特征将始终存在，并且将它们视为保持在训练的数字地图9中的最佳对象是有效的。根据此处描述的方法，这些特征被识别并标记为主干特征。
一旦轨迹7被训练，它就可以重放。在此重放期间，将检测到的特征与训练的数字地图9相匹配。数字地图9带有空间网格，其中包含像图2和3所示的均具有相同尺寸的多个单元。由于这些特征及其位置是已知的，因此可以将它们放置在网格中，并可以量化它们位于何处，即位于哪些单元中。在一次重放之后，将对场景有大致的了解，并且可以生成具有空间网格的数字地图9，其中根据重放期间匹配的特征的数量对每个单元进行加权。为了完善对场景的描述，在用户按其正常使用情况使用该方法时，会进行多次重放，并且经过多次尝试之后，可以认为带有网格的数字地图已经成熟。可以使用规则来识别网格何时足够成熟，例如，通过在一次重放后对单元的权重的最大偏差设置阈值来确定。可以实施其他适当的措施。
本发明的该优选实施例对空间网格使用加权方法。一个这样的方法在下面描述。在训练后进行第一次重放，此时，带有场景网格的数字地图仅包含训练的特征。它们在空间上位于网格上，在图2中用“x”标识。
根据本发明的优选实施例，使用两种类型的计数器：每个单元一个计数器和每个特征一个计数器。开始时，这两种计数器都设置为0。更新计数器的逻辑是，每当每个单元中的特征匹配时，就增加该单元的计数器，并且还要增加适当的每个特征的计数器。该情况在图3中示出。在运行重放中获得的特征分别由“+”和“o”标识，其中“+”表示具有匹配的检测特征，而“o”表示没有匹配的检测特征。
第一次重放运行后，每个单元的加权过程的结果如下：从左数第一列和从上数第一行给出的单元的计数器为“2”。从左数第二列和从上数第二行给出的单元的计数器为“2”。从左数第四列和从上数第四行给出的单元的计数器为“6”。对于其他单元，没有匹配。因此，这些单元的计数器为“0”。
训练中的每个特征都有其自己的计数器，即每个特征计数器，并且每次该特征与重放中的特征匹配时都会增加该计数器。为了检测数字地图9足够成熟以能够将训练的特征分类为两组(即持久的所谓的主干特征和非持久特征即可修改特征)的时刻，该逻辑被应用于多个重放。从该时刻起，该方法继续将计数器更新到定义的最大阈值，以处理新特征的添加和过时特征的删除。但是，分类为持久特征的特征组将在此时冻结。
在下文中，描述了动态重新训练和触发重新训练。由于场景的视觉外观可能在训练和重放之间发生显着变化，因此，特征描述符也将发生显着变化，甚至将提取不同的特征集。例如，室外场景中特征的视觉性质会随着季节的变化而变化。这将使重放变得嘈杂，即，估计的车辆位置和取向的准确性会降低，或者重放可能会完全失败。对于当前情况，假定此变化将是渐进的，以便在环境中的变化导致重放失败之前，该方法将有足够的机会进行调整。
这里描述的本发明的优选实施例的方法是通过使用上述网格提供的场景的额外知识来动态地适应训练的存储数据，即特征及其特征描述符。
适应过程如下：动态删除从未或很少在重放中观察到的特征。为了使训练轨迹7适应场景，如果训练特征先前在网格中被分类为可修改特征，并且属于权重较轻的单元，则可以删除该训练特征。
将新特征动态添加到训练特征集中的过程如下：每次重放时，都可以找到在存储的特征集中未观察到的特征。这些可能是由于场景中的新对象，或者是由于属性已更改的对象。这些特征被添加到要在后续重放模式中使用的特征集中。这种动态重新训练的方法无需输入任何特定的重新训练模式，因为每次重放都会发生动态重新训练。由于内存和处理方面的限制，可以添加到训练集中的特征数量有限。根据这里描述的本发明的优选实施例，被分类为主干特征的特征都不能被删除。仅允许删除以前分类为权量轻的单元中属于非持久特征的特征。因此，在动态重新训练过程中添加的特征数量等于或小于删除的数量。
要添加的新特征可以基于定义用于重放的该特征的整体质量的一些标准来选择，例如视觉显着性，重建中的噪音，是否为异常值等。即使使用这种动态重新训练逐步调整了存储轨迹7，可能发生重放失败的情况。根据本发明的优选实施例，这种情况可以例如通过对要添加的新特征与匹配的特征的比率进行阈值比较来检测。在这种情况下，可以自动触发手动重新培训。将通知用户并要求其重新执行训练序列。系统中存储的所有信息将被重置，并且将在车辆中首次运行。
附图标记列表
1车辆
2传感器装置
3停车位
4树
5期望位置
6人
7轨迹
8轨迹点
9数字地图
- 还没有人留言评论。精彩留言会获得点赞！