精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协...精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协同的地下停车场全域感知方法,该方法将地下停车场的全域感知问题转化为大规模图模型的构建与优化问题。通过输入场端激光雷达、摄像头的传感器信息以及智能网联车的感知数据,以车辆位姿为节点,建立多种边约束关系。为了提高感知精度,本文提出了一种融合车道级地图信息的大规模图模型方法,通过将停放车辆作为半静态信息约束,并结合车道级地图信息构建横向约束,在求解过程中引入滑动窗口以减小图模型的规模,最终以地图形式输出感知结果供车端使用。通过仿真实验和在占地面积为2 500 m^(2)以上的地下停车场场景中进行实地实验,结果表明,该方法显著提升了在复杂停车场环境下的感知能力,实现了地下停车场的全域感知。展开更多
文摘精确的环境感知是实现自主代客泊车(automated valet parking,AVP)功能的基础,传统的AVP系统主要依赖于单车的感知,但随着场端智能技术的不断发展,车端与场端之间协同交互成为自主代客泊车落地的必然趋势。本文提出了一种基于V2X车场协同的地下停车场全域感知方法,该方法将地下停车场的全域感知问题转化为大规模图模型的构建与优化问题。通过输入场端激光雷达、摄像头的传感器信息以及智能网联车的感知数据,以车辆位姿为节点,建立多种边约束关系。为了提高感知精度,本文提出了一种融合车道级地图信息的大规模图模型方法,通过将停放车辆作为半静态信息约束,并结合车道级地图信息构建横向约束,在求解过程中引入滑动窗口以减小图模型的规模,最终以地图形式输出感知结果供车端使用。通过仿真实验和在占地面积为2 500 m^(2)以上的地下停车场场景中进行实地实验,结果表明,该方法显著提升了在复杂停车场环境下的感知能力,实现了地下停车场的全域感知。
