一种自适应的自动泊车方法及系统与流程

本发明涉及一种自动驾驶技术领域，具体涉及一种自动泊车或车辆召回的方法或系统。

背景技术：

随着人工智能的各项技术的发展，自动驾驶技术也不断成熟起来，用户对自动驾驶技术特别是在室内停车场中的自动停车、自动召回车辆有了进一步的需求。停车场数量很多而且用户也不会局限于在某一个停车场停车，因此自动泊车功能需要同时满足自动驾驶系统中没有在预装时对停车场进行建图的场景。

对这样的自动驾驶系统而言，怎样自适应、全方位的提供用户个性化服务是一个关键且尚未解决的问题。事实上，多种需求、多种模式，以及多场景下室内停车场自适应泊车及相应的地图匹配技术等多种因素参杂在一起，对整个泊车系统的设计、逻辑性设计以及技术选型都提出了很大的挑战。

现有的室内停车场自动泊车系统因gps信号较弱，无法依赖这些信号进行自动泊车或召回；一般只能处理限定模式，例如只能在预装系统已有地图的情况下进行自动泊车，或者只能进行泊车入库服务，无法进行车辆自动召回服务等。

技术实现要素：

有鉴于此，本申请提出了一种自适应的室内停车场泊车方法，该方法能够同时提供自动泊车入库模式以及自动从车库召回车辆的模式，通过动态语义特征匹配能够自适应的应对泊车环境中的变化，提高地图匹配的准确度和速度。除此之外，对预装泊车系统没有建图的地库及停车场提供一种在线建图功能。在上述关键要素的基础上，本发明设计的自适应泊车方法在应用层的泊车模式、与用户的交互等方面也进行了设计，并最终融合成一套室内停车场自适应泊车系统。

本发明的第一个方面，是提供一种用于代客泊车或自动召回的全局路径规划方法，其特征在于，所述方法包括以下步骤：

激活设定步骤；用户设置并激活代客泊车或自动召回功能，设定所述车辆起、止位置；其中所述起、止位置为固定点；

地图匹配步骤；所述地图匹配步骤包括：由地图匹配算法计算得到当前自动驾驶系统中是否已经存储了当前泊车或召回环境的地图；并且判断是否匹配得到当前泊车或召回环境的地图；

自学习建图步骤；以自学习建图作为所述地图；所述自学习建图包括泊车路径学习模式和/或召回路径学习模式；

判断所述自学习建图是否成功：当所述自学习建图包含用户设置的驾驶终止点并且所述自学习建图信息足够进行全局路径规划时，完成建图，进入全局路径规划步骤；判断如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能，结束自动的全局路径规划；

全局路径规划步骤；基于用户设置的自动驾驶的起始点和终止点，基于所述自学习建图生成全局路径规划。

本发明的第二个方面，是提供一种代客泊车方法，其特征在于：所述方法包括以下步骤：

步骤s101：用户设置并激活代客泊车功能，在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置为固定点；

步骤s102：地图匹配；所述地图匹配包括如下子步骤：

s1021：车辆根据所述车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

s1022：利用所述车辆的环视图像提取的语义特征与所述地图的语义特征进行匹配；

s1023：通过步骤s1021和步骤s1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前泊车环境的地图；如果已经匹配得到当前泊车环境的地图，则系统直接进入步骤s105；如果没有匹配到相应的地图，则系统进入步骤s103；

步骤s103：自学习建图作为预设的地图；所述自学习建图包括泊车路径学习模式；

步骤s104：判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤s105：全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；

步骤s106：确认泊车功能使用；

步骤s107：自主泊车驾驶，系统进入泊车驾驶状态。

优选地，所述方法还包括步骤：

步骤s108：由实时定位故障模块进行泊车过程中的故障检测；

步骤s109：由实时障碍物检测模块进行泊车过程中的障碍物检测；

步骤s110：自主驾驶功能中断；根据步骤s108的实时定位故障模块以及步骤s109的实时障碍物检测模块的故障以及障碍物检测，泊车过程中当车辆前方行驶区域遇到故障或障碍物时，系统会自动进行稳定制动，保证车辆处在一个安全的状态；

步骤s111：代客泊车完成；车辆自动行驶至目标地点完成任务，代客泊车完成后，系统会通过手机端通知驾驶员功能完成，并附带车辆位置信息。

优选地，所述步骤s103包括如下子步骤：

步骤s1031、获取目标车辆的当前位姿信息；

步骤s1032、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤s1033、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤s1034、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

优选地，所述步骤103路径规划成功后，提示用户是否进行自动泊车；泊车模式下，用户通过选择进入步骤107自主泊车驾驶或终止自动泊车功能。

本发明的第三方面，是提供一种车辆自动召回方法，其特征在于：所述方法包括以下步骤：

步骤s101.用户设置并激活自动召回功能，在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置为固定点；

步骤s102.地图匹配；所述地图匹配包括如下子步骤：

s1021.车辆根据所述车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；

s1022.利用所述车辆的环视图像提取的语义特征与所述地图的语义特征进行匹配；

s1023.通过步骤s1021和步骤s1022的地图匹配算法，所述车辆给出当前自动驾驶系统中是否已经存储了当前召回环境的地图；如果已经匹配得到当前召回环境的地图，则系统直接进入步骤s105；如果没有匹配到相应的地图，则系统进入步骤s103；

步骤s103自学习建图作为预设的地图；所述自学习建图包括召回路径学习模式；

步骤s104判断自建图是否成功；自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101；如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能；

步骤s105.全局路径规划；基于用户设置的自动驾驶的起始点和终止点，基于所述预设的地图采用动态规划的方法生成全局路径规划；

步骤s106：确认召回功能使用；

步骤s107：自主召回驾驶，系统进入召回驾驶状态。

优选地，所述步骤s103包括如下子步骤：

步骤s1031、获取目标车辆的当前位姿信息；

步骤s1032、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息；

步骤s1033、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据；

步骤s1034、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

优选地，所述步骤105路径规划成功后，提示用户是否进行自动召回；泊车模式下，用户通过可选择进入步骤107自主召回驾驶，或终止自动泊车功能。

本发明的第四方面，是提供一种车辆自动泊车系统，其特征在于，所述系统包括：

用户设定模块：激活泊车模式，并在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置为固定点；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与所述起止点地图的语义特征进行匹配；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；

自动驾驶模块：根据所述全局路径规划，所述车辆自动泊车。

本发明的第五方面，是提供一种车辆自动召回系统，其特征在于，所述系统包括：

用户设定模块：激活召回模式，并在预设的地图上，设定所述车辆起、止位置；其中所述起、止位置为固定点；

地图模块：采用已有的地图或自学建的地图作为预设的地图；

地图匹配模块：利用所述车辆的环视图像提取的语义特征与所述起止点地图的语义特征进行匹配；

全局路径规划模块：基于用户设置的自动驾驶的起始点和终止点，基于所述预设地图采用动态规划的方法生成全局路径规划；

自动驾驶模块：根据所述全局路径规划，所述车辆自动召回。

本发明的发明点在于以下几点，但不限于以下几点：

(1)能够同时提供自动泊车入库模式以及自动从车库召回车辆的模式；对于车库，特别是地下车库，因为gps等信号较弱，常规的定位方式无法实现对自动泊车和召回的精确控制，本发明采用的自建图，不依赖于外部gps等信号，仍然具备较高的自动泊车和召回精度。这是本发明的发明点之一。

(2)本发明的泊车或车辆召回系统还具备在线建图功能，以适应没有预装地图的情况；采用在线建图功能，不需要为此使用地图数据采集车在每个车库采集数据。可以认为每一辆正常行驶的车辆都是地库地图的采集车。因为每次在地库中可能行驶的路径不同，这样经过若干次有限次的行驶，采到了较为完成的图像数据，用于建图。

(3)本申请中对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的。为了能够对起止点环境图像语义特征进行自适应更新，本申请中还提出一种动态语义特征，其权重在地图匹配中次于初始语义特征。在现有技术中没有发现在自动泊车、召回这些需要高精度自动驾驶策略的环节使用地图匹配，更没有出现动态语义特征的地图匹配。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本申请实施例中一种自适应自动代客泊车方法流程图；

图2为本申请实施例中一种自适应自动召回车辆方法流程图；

图3为本申请实施例中涉及到的泊车模式和召回模式的说明图。

图4位本申请实施例中基于地图生成驾驶策略的流程图。

具体实施例

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

本申请实例提供了一种自适应的泊车方法。上述的泊车模式、在线建图功能，可以应用于室内停车场以外其它场景的泊车应用中。

下面结合附图对本申请实施例的具体实现方式进行介绍。

首先，对本申请实施例中提供的一种自适应的室内停车场泊车方法进行介绍。

图1所示为本申请实例的代客泊车系统流程图；图2为本申请实例中代客召回车辆系统流程图，代客泊车和代客召回车辆均应用于自动驾驶领域，具体方法包括：

步骤101：用户设置并激活代客泊车功能。

代客泊车激活后需要用户设置车辆行驶模式，泊车模式指车辆从指定位置自动行驶泊车入库。如图3所示从点b，即交车地点行驶至点a，即车位或车库。召回模式指车辆从车库自动行驶至驾驶员需要接车地点。从点a，即停车位或车库行驶至点b即驾驶员接车地点。这里需要说明的是，无论是点a还是点b都是固定点，这里的固定点在一些实施例中是指在激活代客泊车功能之前就已经在泊车系统中内置的，且不能更改，这是为了减少因随意选择起点或终点带来的较大的计算量。在应用层面上，这些固定点在一些实施例中可以是指停车厂内部制定的待客泊车起点以及待客泊车终点。

步骤102：地图匹配

本发明实施例中，预设的三维地图可以是高精度地图。其中，高精度地图也可以被称为高分辨率地图(highdefinitionmap，hdmap)，是一种专门服务于车辆自动驾驶的地图。hdmap中存储着交通场景中的各种交通要素，例如，道路网络数据、车道网络数据、车道线数据以及交通标志数据等数据，以辅助车辆实现自动驾驶。另外，高精度地图还可以包括先验信息，例如，道路的曲率、航向、坡度以及横坡角，以使得电子设备通过这些先验信息对车辆进行自动驾驶控制，进而提高车辆的安全性和舒适性。

本发明实例中地图主要用于产生自动驾驶策略及对用户设置的起始、终止点进行确认。

1)电子设备根据车辆初始位姿信息从预设的三维地图中确定出目标区域以及目标区域中的目标语义特征；其中，初始位姿信息至少包括车辆所在位置的经度、纬度和海拔高度、以及车辆的航向角、俯仰角和横滚角。目标区域是以车辆所在位置为圆心且以预设长度为半径的区域。本发明实例中车载终端具有多个摄像头，同一时刻拍摄到的多张目标图像并拼接成一张环视图。目标语义特征可以是：车道线、库位线、车道箭头等交通要素。终端首先环视图中提取语义特征，提取语义特征的方法可以是基于encoder-decoder模型的深度学习方法或图像分割方法。

2)利用环视图像提取的语义特征与起止点地图的语义特征进行匹配。本申请中自主泊车所提取的起止点地图的语义特征会被抽取并保存在系统中。在匹配时，直接利用环视图像提取的语义特征与保存的起止点语义特征进行匹配，无需在全局地图的语义特种中进行匹配，如此在提高匹配准确度的同时也可以大大提高匹配速度。

本申请局部地图中包括库位线、库位点和车道箭头三种图像语义特征。如果使用库位线和库位点进行匹配，可能从全局地图中匹配出多个区域与局部地图相同，此时匹配准确率较低。而对于车道箭头而言，处于不同位置的车道箭头在形态、大小、以及与周边的库位线、库位点的位置关系也不同，因此，使用车道箭头进行局部地图和全局地图的匹配，可以提高匹配成功的概率。

对于自主泊车系统，随着时间的推移，泊车环境中的语义特征会因为环境光、折旧等因素出现一些微小的变化，例如车道箭头的磨损等。这些变化有些是累积，如果不能够自适应的对地图进行更新，有可能会增加匹配失败的概率。本申请中对自主泊车起止点在自学习建图时保存的语义特征作为初始语义特征进行存储，其权重在地图匹配中是最高的。为了能够对起止点环境图像语义特征进行自适应更新，本申请中还提出一种动态语义特征，其权重在地图匹配中次于初始语义特征。动态语义特征可能是多组，其数量主要取决于自主泊车过程中提取对应的语义特征与保存的语义特征之间的差距。以起始点的语义特征为例：

step1当起始点环境图像语义特征与地图中的初始语义特征匹配置信度大于某阈值时，认为匹配成功，且不需要对动态语义特征进行更新。

step2当起始点环境图像语义特征与地图中的初始语义特征匹配置信度小于某阈值时，则采用起始点环境图像语义特征与动态语义特征进行比对，如果置信度大于某阈值则匹配成功。

step3计算起始点环境图像语义特征与地图初始语义特征以及动态语义特征之间的距离，可以采用欧式距离或者cosine距离。假设

d＝min(d0,d1,…,dn)

其中，d0为起始点环境图像语义特征与地图初始语义特征之间的距离，d1,…,dn为起始点环境图像语义特征与地图n组动态语义特征之间的距离。当d大于某阈值时，则将始点环境图像语义特征添加至态语义特征，且动态语义特征的数量变为n+1。

在地图匹配时，需要遍历所有存储的起止点环境图像的语义特征，这样可以大大提高匹配成功率以及系统的使用体验。这里使用了动态特征用于地图匹配，并且设定阈值进行判断，是基于实时自建图的基础上进行的。上述使用动态语义特征是本发明的创新点之一。

3)通过步骤1)和步骤2)的地图匹配算法，系统可以给出当前自动驾驶系统中是否已经存储了当前泊车环境的地图；如果已经匹配得到当前泊车环境的地图，则系统进入步骤103；如果没有匹配到相应的地图，则系统进入步骤104。

步骤103：全局路径规划：

基于用户设置的自动驾驶的起始点和终止点，基于已经学习的地图采用动态规划的方法生成全局路径规划。具体路径规划方法参考图4，具体流程如下：

步骤401、获取目标车辆的当前位姿信息。

本发明实施例中，目标车辆的当前位姿信息为目标车辆在当前时刻的位置信息与姿势信息，如目标车辆的当前位姿信息可以为以某个角度向前行驶等；其中，可以利用惯性测量单元(inertialmeasurementunit，imu)获取目标车辆当前时刻的imu数据，也可以利用图像(image，img)传感器获取目标车辆当前时刻的img数据，也可以利用其它传感器获取目标车辆当前时刻的其他数据，利用获取到的imu数据、img数据等计算目标车辆的当前位姿信息，这一过程可以综合多种传感器获取的传感器数据来计算目标车辆的当前位姿信息，从而得到更加可靠的目标车辆的当前位姿信息。

步骤402、根据当前位姿信息和自动驾驶电子导航地图，预测目标车辆下一时刻的估计位姿信息。

本发明实施例中，自动驾驶电子导航地图是一种具有高精度的地图。在确定该位置信息和道路类型之后，还可以执行以下步骤：

确定该位置信息在该道路中的道路倾斜角度，其中，道路倾斜角度为该位置信息在该道路中的路段与水平线之间的夹角；

当道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为向前行驶可以包括：

当道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为以上述道路倾斜角度向前行驶。

举例来说，当该位置信息在该道路中的路段与水平线之间的夹角为某角度时，如果该位置信息在该道路中的道路类型为直行道路时，预测得到目标车辆下一时刻的估计位姿信息为以该某角度向前行驶。

通过实施这种方式，预测得到的估计位姿信息还可以包括目标车辆的行驶角度信息，进一步提高了估计位姿信息的精确度。

步骤403、以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据。

本发明实施例中，估计位姿信息中可以包括目标车辆的位置信息以及目标车辆的姿态信息。

作为一种可选的实施方式，以估计位姿信息为依据，在自动驾驶电子导航地图中获取预设范围内的目标地图数据可以包括：

在自动驾驶电子导航地图中确定目标车辆的位置信息；

根据该位置信息，选取目标车辆的姿态信息所指示面向的方向预设范围的目标地图数据。

举例来说，当目标车辆的位置信息指示目标车辆位于道路a(道路a为南北向的路，道路a的一侧连接于南面，道路a的另一侧连接于北面)中，且目标车辆的姿态信息指示目标车辆面向道路a的南面时，选取道路a中该位置信息以南预设范围内的目标地图数据。其中，预设范围可以为预先设置的范围，如预设范围可以为10m，也可以为80m，也可以为其它范围，本发明实施例中不做限定。当预设范围为10m时，可以选取道路a中该位置信息以南10m内的目标地图数据。

通过实施这种可选的实施方式，不必选取自动驾驶电子导航地图中的全部地图信息进行分析，只需从中根据估计位姿信息选取更有效的预设范围内的目标地图数据，提高了分析地图数据的效率，从而提高了生成目标驾驶策略的实时性。

步骤404、结合目标地图数据以及估计位姿信息，生成用于指引用户自动驾驶的目标驾驶策略。

步骤104：自学习建图：

自学习建图部分，根据用户设定的泊车模式和召回模式也分为两种。

1)泊车路径学习模式

在一些实施例中，“泊车”是指车辆自动行驶至未来交车点。驾驶员驾驶车辆或者车辆自动驾驶至该未来交车点的地点。该未来交车点可以是该车库内置固定的泊车位。

驾驶员自驾车辆驶入室内停车场，在期望的未来交车点稍停。然后，车载端(可通过车载显示屏)先选择“自学习代客泊车”模式，之后可点击泊车路径学习“开始”图标，随即显示屏会出现“泊车路径学习进行中”提示。

驾驶员自驾车辆以低速(10km/h以下)行驶至目标车位。完成泊车行为后，点击泊车路径学习“终止”图标，随即车载端会显示出该路径下的系统学习完成进度百分数。

在单次未达到100％路径学习完成的情况下(产品功能3次之内)，驾驶员可点击“存储未完成泊车路径”对该路径做保存。

对于已完成部分泊车路径学习的停车场，驾驶员未来再次进入该停车场环境时，车载端会及时显示“历史泊车路径继续学习”图标。在驾驶员确认“继续路径学习”的情况下，自驾车辆完成之前相同泊车路径的泊车行为。在车辆停稳后，车载端会出现相应完成百分比，以及等同初次泊车路径学习的后续操作提示。

如泊车路径学习达到100％，表示学习完成后，系统会在车载端提示“泊车路径学习完成，代客泊车功能可使用”，驾驶员点击“泊车路径存储”，完成本条路径的成功存储。

2)召回路径学习模式

在一些实施例中，“召回”是指车辆从泊车位自动行驶至预先指定的地点。驾驶员在该预先指定的地点等待车辆的到来。

驾驶员在停车位启动车辆，先选择“自学习代客召回”模式，之后可点击召回路径学习“开始”图标，随即显示屏会出现“召回路径学习进行中”提示。

驾驶员自驾车辆以低速(10km/h以下)行驶至未来期望接车点，稍停，点击召回路径学习“终止”图标，车载端会显示出该路径下的系统学习完成进度百分数。

在单次未达到100％路径学习完成的情况下(产品功能3次之内)，驾驶员可点击“存储未完成召回路径”对该路径进行保存。

对于类似已完成部分召回路径学习的停车场，驾驶员未来再次从停车位启动出发前，车载端会及时显示“历史召回路径继续学习”图标。在驾驶员确认“继续路径学习”的情况下，自驾车辆完成之前相同召回路径的驾驶行为。到达原定期望街车点后，车载端会出现相应完成百分比，以及等同初次召回路径学习的后续操作提示。

如召回路径学习达到100％，表示学习完成后，系统会在车载端提示“召回路径学习完成，代客召回功能可使用”，驾驶员点击“召回路径存储”，完成本条路径的成功存储。

自学习建图成功后，进入步骤105。

上述的泊车与召回模型中使用了自建图。本领域技术人员应当理解，因为该自建图是否完成并不是确定的，因此存在自建图还不能够用于泊车或召回的情况出现。当出现上述情况时，选择结束自动泊车或召回，并且提示驾驶员注意到该自动模式的终止。在一些实施例中，对于一些停车场已经预装有建立完整的地图，则可以切换到上述模式，在一些实施例中，该建立完整的地图可以是通过实时的请求无线下载至系统中完成。

步骤105：判断自建图是否成功：

自学习建立的地图已经包含用户设置的驾驶终止点并且所建立的地图信息足够进行全局路径规划时，完成建图，系统自动返回步骤101。如果建图失败，则系统会保存没有完成学习建图的部分，并结束自学习建图功能。

步骤106：确认召回功能使用：

步骤103路径规划成功后，提示用户是否进行自动泊车。泊车模式下，用户选择“yes”则进入步骤107自动泊车状态；用户选择“no”则终止自动泊车功能。召回模式下，用户选择“yes”则进入步骤107自动召回状态；用户选择“no”则终止自动召回功能。

上述步骤105、106包括了对于自建图的使用方式。这是本发明的一个创新点，现有技术中对于停车厂一般存在泊车缺少地图资料的问题，特别是地下车库，gps定位不准，这为自动泊车带来了技术上的障碍。而采用自建图的方式，不需要为此而使用采集车，只需要日常驾驶车辆在经过几次车库的行驶后，即可完成自动泊车功能，这是本发明的一个创新点。

步骤107：自主驾驶：

系统进行自主泊车或召回时，调用步骤103生成的全局规划路径，并同时启动步骤108实时定位故障模块以及步骤109的实时障碍物检测模块。通过步骤108及步骤109的实时监测能够对泊车环境中一些突发情形及临时环境变换做出自适应的响应，保证自主驾驶的安全性。实时定位故障多发于泊车或召回环境出现临时较大的变动，导致当前获取图像中的语义特征无法与预存储的地图进行匹配。

步骤108：实时定位故障模块；

步骤109：实时障碍物检测模块；

步骤110：自主驾驶功能中断；

代客泊车车辆配备有相对高级别的障碍物检测功能和实时定位功能，泊车和召回过程中当车辆前方行驶区域遇到障碍物时，系统会自动进行稳定制动，保证车辆处在一个安全的状态下。而在特定时间内如果前方障碍物仍未离开或遇到特殊交通状况，系统会通过手机端提醒驾驶员代客泊车功能或召回功能中断。系统提示需驾驶员回到车上接管，同时车辆会自动进入到双闪状态。

步骤111：代客泊车召回完成。

正常情况下，车辆自动行驶至目标地点完成任务。如果是泊车模式，代客泊车完成后，系统会通过手机端通知驾驶员功能完成，并附带车辆位置信息。

上述的实施例是以泊车为主线进行说明的，但应该理解该过程也适应于自动召回的模式。这对于本领域技术人员而言，是可以借用的。其中如果是召回模式，车辆到达取车点后会自动进入到双闪状态，同时驾驶员会收到手机端车辆到位请接管提醒。可以理解的是，召回模式是与泊车模式相类似的，其采用与泊车相似的方式进行。这里需要说明的是，对于召回模式，无论是点a还是点b也都是固定点，这里的固定点在一些实施例中是指在激活代客召回功能之前就已经在召回系统中内置的，且不能更改，这是为了减少因随意选择起点或终点带来的较大的计算量。在应用层面上，这些固定点在一些实施例中可以是指停车厂内部制定的待客召回起点以及待客召回终点。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例中所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。