普遍研究自動停車，整合產業標準、趨勢評估和系統介紹

寫在前面

自動停車系統是指車輛在無人工幹預的情況下，能夠自主尋找停車位並完成準確的泊車，同時也可以根據用戶需求移動到指定位置。這項技術的成熟將極大地緩解人們在泊車過程中的不便，例如長時間尋找停車位浪費時間，以及在尋找停車位時可能出現的車輛碰撞和摩擦等安全問題。

目前，許多科技公司和大學實驗室正在探索自動停車領域。賓士、博世等公司已建立泊車基礎設施，NVIDIA正在開發停車場自動駕駛演算法和停車位偵測方法，BMW也將自動泊車模組安裝在生產車輛上。

考慮到自動停車技術在業界的廣泛需求，我們對自動停車系統的發展狀態進行系統性的研究。包括自動停車系統的產業標準趨勢、效能評測指標、自動停車系統各個子模組設計到的技術等。

目前自動停車產業的標準趨勢

由於目前自動停車系統受到了來自工業界和學術界的廣泛關注，各國和公司都在不斷的開發自動停車技術。所以對於制定自動停車技術的標準就變的格外重要。目前已經制定的技術標準包括地理資訊、室外定位、室內空間定位、停車標準以及車輛通訊標準幾個方面的內容，具體標準匯總在如下的表格中。

自動泊車行業的相關標準

• 地理資訊和定位標準為室外空間的命名、定義和格式建立了原則和依據，此類標準包括ISO 14825、ISO 17572 和ISO TC204 177438等。
• 室內空間定位的標準化也在製定當中，包括ISO TC211以及OGC標準。
• ISO/DIS 16787 APS停車標準提出了停車所需的資訊類型，並定義了控制車輛的技術名稱。此外，該標準還定義了實施輔助停車系統所需的功能以及執行車輛的轉向控制功能。

自動停車系統的評測標準

目前自動停車系統的評測包括兩部分，分別是自動駕駛部分的評測以及自動停車部分的評測。

自動駕駛部分的評測標準

自動駕駛技術的評測遵循汽車工程協會所製定的「自動駕駛技術階段」標準，該標準將自動駕駛技術分為六個層級，依技術水準、控制主體和驅動能力進行分類。為了更方便地評估各個層級，在研發中的ISO/WD 34501和ISO/WD 34502標準被提出。 ISO/WD 34501標準適用於第三級系統中測試場景的術語和定義，而ISO/WD 34502標準則提供了測試場景的指南和安全評估過程。這些標準的製定旨在為自動駕駛技術的開發和應用提供統一的評測準則，推動自動駕駛技術的發展。

自動泊車部分的評測標準

儘管自動停車技術目前備受關注，但國際標準的製定仍處於初級階段。與自動駕駛評測標準不同，自動泊車的技術水準主要依賴開發人員的評估標準來衡量。

下表展示了交通狀況場景系統中自主停車場景的範例，停車場景根據性能等級劃分。

自動停車等級劃分

在交通狀況場景系統評估包括自動駕駛和停車兩部分場景，並且使用汽車工程協會定義的「自動駕駛技術階段「來指出自動泊車的能力。目前該系統當中包含三個層級。

• 第二級（Lv2）：稱為停車輔助系統用來幫助人們更方便的停車。在Lv2級別中，通常車輛會配有障礙物距離預警系統以及後視相機。
• 第三級（Lv3）：Lv3等級可以實現指定場景下的自動泊車。例如在車庫停車的這一類簡單的停車場景。
• 第四級（Lv4）：Lv4層級中​​可以執行Lv3層級中的所有場景。除此之外，當車輛遇到障礙物的時候，車輛可以在停止或避開障礙物後返回目的地。

自動停車系統詳解

目前自動停車系統當中主要包括三部分的內容，如下圖所示，分別是搜索駕駛過程，自動停車過程以及返回駕駛過程。我們先對每個過程做一個大致的介紹，然後再介紹每個過程目前各自的發展趨勢。

自動停車系統的工作流程

搜尋駕駛流程

##搜尋駕駛過程的最終目標就是在停車場當中汽車可以自主的找到一個停車位，所以該過程需要用到

定位、防撞以及停車位檢測技術。

定位技術介紹

在自動停車系統當中，可以使用GPS或車輛自帶的IMU感測器來確認車輛的速度和姿態並且修正車輛的位置估計誤差。但是在某些室內場景，是無法接收GPS訊號的。所以自動駕駛車輛就需要配備相機、光達以及毫米波雷達進行輔助。下圖是車輛上配備的一些感測器資訊的介紹。

自動泊車車輛配備的感測器資訊的介紹

雷射雷達感測器使用雷射來偵測物體。現在主要流行的光達主要分為16、32、64和128線的光達。其測量範圍約200米，垂直視場為30到50度。
• 相機感光元件則可以大致分成單目、雙眼以及魚眼類型。通常自動駕駛車輛配備的相機其水平視野為90到210度，垂直視野為90到180度。
• 毫米波雷達根據距離可以分割成短程雷達和長距雷達。其中，短程雷達的範圍大約到5米，水平視場為5到20度，垂直視場為10到35度。長距雷達的範圍大約可以到200米，水平和垂直視場為35到80度。

再獲得了這些不同感測器擷取到的資訊之後，就可以利用SLAM建圖技術對自動駕駛車輛周圍的環境進行重建，從而實現對車輛的定位。而SLAM建圖技術又可以分成以下兩大類

直接建圖法：追蹤感測器移動時變化的資料的強度來估計感測器的姿態。但由於該類方法容易受到光照變化的影響，無法實現重定位，導致目前的建圖方法很少基於此類方法。
• 基於特徵的建圖法：此類別方法首先從感測器資訊中獲得周圍物體的特徵點。從同一物件接收到的特徵點投影到兩個不同的感測器座標，透過計算投影點的幾何關係來估計目標的位置。

防撞技術介紹

由於自動停車系統的主要應用場景是在停車場，而停車場中會停有很多車輛，所以防碰撞技術非常重要。在防碰撞技術中，主要會使用

超音波感測器、短波雷達感測器、雷射雷達感測器以及相機感測器。聲波以及雷達感測器主要是用來實現準確的測距。相機感測器主要是利用同一物體在連續影像中位置的差異來估計深度上的距離。

停車位偵測技術

停車位偵測是在搜尋駕駛的過程中不斷執行的，通常會包括傳統的電腦視覺、深度學習以及兩種方法的混合實作。

傳統的電腦視覺主要是指定和識別停車位的形狀，如車位線檢測以及特徵點檢測，如下圖所示。

車位形狀的例子說明

得益於深度學習的快速發展，目前基於CNN網路的方法被廣泛應用於停車位偵測當中。下圖表示了用於停車位檢測的代表性卷積神經網路結構。卷積層學習輸入影像的特徵，特徵資料透過全連接層輸出。由於這是一個完全監督的學習過程，輸出由訓練資料中的標記來直接決定。

基於卷積神經網路的停車位偵測流程

#自動停車流程##如果上一步的搜尋駕駛過程找到了可用的停車位後，系統就會呼叫自動停車過程。一般來說，我們會使用路徑生成方法來實現自主停車過程。目前主流的路徑生成方法主要有基於演算法的方法以及基於強化學習的方法。

基於演算法的方法涉及計算停車位的位置和形狀的路徑以及車輛的當前位置。演算法為了計算出合適的停車路徑會涉及最優控制問題、基於網格的路徑規劃方法以及快速探索隨機樹等演算法。

基於強化學習的方法可以為自動停車模擬器中的自主停車過程產生最佳路徑。在自動泊車模擬器中，車輛會學習一個通用的停車過程。此學習方法透過重複路徑的生成過程和評估來持續獲得停車精度最高的最優路徑，如下圖所示。

自動停車的反向停車過程

返回駕駛過程

返回駕駛過程是指在自動駕駛車輛駛入停車位等待的時候，使用者可以對車輛進行調用，使其移動到使用者指定好的地方。在這個過程當中，我們需要使用到路徑追蹤技術。

目前而言，路徑追蹤技術包括追蹤行進路徑的方法以及追蹤修改路徑的方法。但這兩種方法都使用了類似的車輛控制演算法，具體可以參考論文【1-2】。其大致思路就是在考慮車輛目前位置和轉向角條件的情況下，執行沿著生成路徑移動車輛的控制指令。

結論

由於目前自動停車技術的需求逐漸增加，各國和廠商都在大力發展自動停車系統。考慮到自動停車技術的快速發展，在這篇文章中，我們總結了自動泊車系統當中的標準化趨勢、評測標準以及自動泊車各個組成系統的進行詳細的介紹，希望可以給大家帶來幫助～

原文連結：https://mp.weixin.qq.com/s/UPwW0E8LTX5V79GK12HF_Q

#

以上是普遍研究自動停車，整合產業標準、趨勢評估和系統介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章！