摘要：为提高自动泊车成功率及准确性,首先基于卷积神经网络(CNN)模型对输入图像进行特征提取,然后利用Transfomer模型的“编码-解码”机制对CNN提取到的图像特征平铺后进行计算推理,通过前馈神经网络得到目标预测结果,最后基于180°广角鱼眼图像进行推理识别,车位角中心点和空车位入口中心点均采用二维坐标表示,降低了输出信息的冗余,优化了模型结构。测试结果表明,该算法能够较好地适应不同车位线划线方式和不同的自然环境,目标感知的召回率达到98%,车位角中心点定位平均误差小于3 cm,满足泊车系统对车位感知的鲁棒性、实时性和准确性要求。

摘要：深度学习在自动驾驶开发中得到广泛应用,而在低算力嵌入式平台上部署高算力需求的车位识别网络及复杂的路径规划算法成为行业挑战,因此本文首先设计了轻量化车位识别网络结构,对不同场景下的车位关键点进行检测,其次基于深度搜索设计了快速泊车路径规划算法,然后基于OpenVX的框架将模型和算法部署在多核异构平台上,最终在实车平台上进行自动泊车功能验证。试验结果表明车位检出率大于98%,泊入成功率大于96%,泊车系统运行时间小于40ms,满足实时性要求。