一种泊车推荐方法、装置、计算机设备和存储介质与流程

本技术涉及智能驾驶，特别是涉及一种泊车推荐方法、装置、计算机设备和存储介质。

背景技术：

1、随着智能驾驶技术的发展，车辆日益增多，与车辆相关的停车技术也在日益提高。目前停车技术中的车位推荐技术包括：基于场端推荐车位和基于车端推荐车位。

2、在基于场端车位推荐的方法中，通过场端(如，地库)监控之类的设备获取可泊车位，结合当前车辆位置，根据路径距离以及路径端处(如，出口电梯)等因素推荐较近车位。然而，该方法实现成本过高，目前支持场端的停车场比较少，并且根据场端静态信息进行推荐，没有具体考虑到推荐车位的周边情况(比如，障碍物、道路宽度、旁车与推荐车位的距离等)，使得泊入车位难度大。

3、在基于车端推荐车位的方法中，实时采集数据，获取可泊车位及障碍物信息，利用车位和障碍物，进行路径规划，再根据路径长短、最大曲率、车辆换挡次数等因素，建立评价指标后，根据评价结果推荐车位。然而，该方法依赖于路径规划效率，目前主流的泊车规划方法(几何法，优化和搜索方法等)都无法满足其实时性要求。其中，几何法无法给出起点到终点的无碰撞完整轨迹，后两者的实时性(比如，极端情况下需要2s以上)无法满足用户交互需求，并且对多线程下对算力和内存的要求极高。

4、因此，基于场端推荐车位和基于车端推荐车位的方法均没有考虑乘客的主观需求(比如，驾驶员因体重、身体缺陷等原因，对侧向有安全距离要求等)，以及车辆当前客观需求(比如，车辆充电)，导致泊车完成后，用户体验不佳。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种泊车推荐方法、装置、计算机设备和存储介质。

2、第一方面，本技术提供了一种泊车推荐方法，所述方法包括：

3、响应于泊车请求，获取泊车请求中的场端影响因子和车端影响因子；

4、利用当前车辆与场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型，计算车辆到达各车位行驶轨迹的轨迹影响因子；

5、将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

6、利用预设的推荐策略从候选车位中推荐最优车位。

7、在其中一个实施例中，响应于泊车请求，获取场端影响因子和车端影响因子的步骤，包括：

8、利用车端匹配规则，筛选因子分类表；

9、根据因子分类表，接收实时的场端影响因子和车端影响因子。

10、在其中一个实施例中，根据泊车指令，利用车端匹配规则，筛选因子分类表，以确定车端影响影子和场端影响因子的步骤，包括：

11、根据泊车指令，获取车辆类型，判断车辆是否为电车，输出第一判断结果；

12、若第一判断结果中，车辆为电车，则因子分类表至少包括车辆剩余电量在内的车端影响因子，并继续判断车辆剩余电量是否低于预设充电阈值，输出第二判断结果；

13、若第二判断结果中，车辆剩余电量低于预设充电阈值，则因子分类表至少包括障碍物、充电桩设备在内的场端影响因子，否则因子分类表至少包括障碍物在内的场端影响因子。

14、在其中一个实施例中，当前车辆与场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型步骤，包括：

15、对场端空间区域进行roi网格化划分，以抽象表征场端影响因子；

16、根据行驶轨迹中的车辆与场端影响因子的距离，选择不同的网格分辨率，获取表征占用网格的关联关系，以此构建场端分布的神经网络模型。

17、在其中一个实施例中，计算车辆到达各车位行驶轨迹的轨迹影响因子的步骤，包括：

18、利用场端影响因子以及表征占用网格的关联关系，获取车辆到车位的行驶轨迹，并以此获取场端特征图；

19、将场端特征图输入至神经网络模型中，计算并输出特征真值；

20、根据特征真值以及预设的cost函数，计算车辆到达各车位行驶轨迹的轨迹影响因子。

21、在其中一个实施例中，根据特征真值以及预设的cost函数，计算车辆到达各车位行驶轨迹的轨迹影响因子的步骤，包括：

22、采用cost函数关系式(1)，计算车辆到达各车位行驶轨迹的轨迹影响因子；

23、crossnet＝ω1，netcrossentropy(f1，f1，truth)+∑i＝2，…，5ωi，net(fi-fi,truth)2 (1)

24、其中，crossnet表示交叉熵函数，ωi，net(i＝1，2，…，5)表示权重函数，ω1，netcrossentropy(f1，f1，truth)表示i＝1时，特征估值与特征真值的差异；∑i＝2，…，5ωi，net(fi-fi，truth)2表示i＝2，…，5时，对各特征估值与对应特征真值的差异幂次方求和。

25、在其中一个实施例中，将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位的步骤，包括：

26、将车辆所需的横向空间配置及充电配置输入至车位评价函数中，计算车位评价值；

27、利用车位评价函数关系式(2)计算车位评价值；

28、

29、其中，通过rankslot(f1，f2，…，f5，f6，f10)表示车位评价值；i＝1时，f1＝0，rankslot＝0，fi，const(i＝2，…，5)表示去量纲使用的标定值；fi(i＝6，…，9)表示四个车轮在终点位置与障碍物的横向距离，f10表示终点位置与最近的充电桩设备的距离；dk(k＝1，…，4)表示车辆开门所需的横向空间，d5表示通过(0，1)判断是否需要充电，ωi(i＝2，…10)表示权重系数。

30、根据车位评价值筛选候选车位，获取候选车位集合{sl，l＝1，2，…l}。

31、在其中一个实施例中，利用预设的推荐策略从候选车位中筛选推荐最优车位的步骤，包括：

32、采用推荐策略表达式(3)从候选车位中筛选推荐最优车位；

33、推荐策略表达式(3)为：l*＝argmaxlrankszot(sl)。

34、第二方面，本技术提供了泊车推荐方法，应用于车端，方法包括：

35、响应于泊车请求，获取泊车请求中的场端影响因子；

36、利用场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型，计算车辆到达各车位行驶轨迹的轨迹影响因子；

37、将车端影响因子以及轨迹影响因子输入至预设的泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

38、利用预设的推荐策略从候选车位中推荐最优车位。

39、第三方面，本技术提供了一种泊车推荐方法，应用于场端，场端与车端通信连接，方法包括：

40、响应于泊车请求，获取泊车请求中的车端影响因子；

41、基于场端分布的神经网络模型，确定车辆与当前场端影响因子在场端空间区域的位置关系，计算车辆到达各车位行驶轨迹的轨迹影响因子；

42、将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

43、利用预设的推荐策略从候选车位中推荐最优车位。

44、第四方面，本技术提供了一种泊车推荐装置，装置包括：因子探测模块、因子计算模块、车位获取模块以及车位推荐模块，其中，

45、因子探测模块用于响应于泊车请求，获取泊车请求中的场端影响因子和车端影响因子；

46、因子计算模块用于利用当前车辆与场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型，计算车辆到达各车位行驶轨迹的轨迹影响因子；

47、车位获取模块用于将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

48、车位推荐模块用于利用预设的推荐策略从候选车位中推荐最优车位。

49、第五方面，本技术提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

50、响应于泊车请求，获取泊车请求中的场端影响因子和车端影响因子；

51、利用当前车辆与场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型，计算车辆到达各车位行驶轨迹的轨迹影响因子；

52、将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

53、利用预设的推荐策略从候选车位中推荐最优车位。

54、第六方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

55、响应于泊车请求，获取泊车请求中的场端影响因子和车端影响因子；

56、利用当前车辆与场端影响因子在场端空间区域的位置关系，构建基于场端分布的神经网络模型，计算车辆到达各车位行驶轨迹的轨迹影响因子；

57、将车端影响因子和轨迹影响因子输入至预设泊车评价模型中，以利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取侯选车位；

58、利用预设的推荐策略从候选车位中推荐最优车位。

59、上述泊车推荐方法方法、装置、计算机设备和存储介质，至少具有的技术效果包括：由于采用了利用场端影响因子计算车辆到达各车位行驶轨迹的轨迹影响因子，根据车端影响因子、轨迹影响因子，利用车辆所需的横向空间配置及充电配置计算车位评价值，进而根据车位评价值获取候选车位，基于推荐策略推荐最优车位，在行驶轨迹距离、换挡次数等常规影响因子的基础上，考虑车辆所需的横向空间配置，比如，车端开门所需的横向空间，还需要考虑充电桩设备的位置，进一步保障最优车位的可信度，提升了用户体验，满足新能源车辆泊车充电的需求。