|
文章：Computer Vision in Automated Parking Systems: Design, Implementation and Challenges 作者：Markus Heimbergera , Jonathan Horganb , Ciaran Hughesb , John McDonaldb , Senthil Yogamani 编辑：点云PCL 欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。 公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。侵权或转载联系微信cloudpoint9527。 摘要 自动泊车即在低速场景下有限停车场场景中进行的自动驾驶，是完全自动驾驶系统的关键产品。从较早一代的驾驶员辅助系统，包括碰撞警告、行人检测等方面的角度来看，它也是一个重要的里程碑。本文讨论了从计算机视觉算法的角度设计和实施自动泊车系统，设计一个低成本的具有功能安全性的系统具有挑战性，原型与最终产品之间存在巨大差距，以便处理所有边缘情况。我们演示了相机系统如何对处理各种自动泊车用例至关重要，同时为基于主动距离测量传感器（如超声波和雷达）的系统增加健壮性。实现自动泊车用例的关键视觉模块包括3D重建、停车位标记识别、自由空间和车辆/行人检测。详细介绍了重要的自动泊车用例，并演示了如何结合视觉模块以构建强大的泊车系统。 介绍 汽车摄像头的使用始于为驾驶员提供单一视角的摄像头系统。然而，在过去的五年中，随着处理能力的提高，使计算机视觉功能的高级实时处理成为可能，使用汽车摄像头的数量和可实现的高级驾驶辅助系统的数量迅速增加。一些示例包括倒车保护、车道偏离警告、前碰撞警告，或者用于更全面深度估计车辆前方环境的立体摄像头。下一级的高级系统需要在某些场景中实现自动驾驶，比如高速公路或停车场情景。目前的系统在最好的情况下也只能达到Level 3，商业部署主要用于高速公路驾驶。在本文中，我们关注Level 2或Level 3类型的自动泊车系统。当然由于没有完美的算法，而且在某些场景中使用的传感器可能存在局限性，因此存在风险。自动泊车是在更受限制的环境中部署自动驾驶的良好商业起点。首先，它涉及低速操控，低碰撞风险。其次，它是一个更受控制的环境，场景变化较少且边缘情况较少。在真实世界中稳定部署自动泊车并分析性能统计数据是迈向更高级别的自主性的重要一步。第一代停车系统使用超声波或雷达进行半自动化。最近，摄像头开始加强它们的功能，提供更强大和多功能的解决方案。 在本文中，我们将摄像头视为泊车系统的重要组成部分，扩展了其他传感器的功能或提供了成本较低的替代方案。设计泊车系统存在许多挑战。由于功能安全性、事故风险和消费者舒适度等方面的要求很高，因此精度要求比较高，泊车设备的基础设施相对较少，可能有动态交互物体，如车辆、行人、动物等。不同的环境条件也可能发挥重要作用。例如，低光条件和恶劣的天气如雨、雾可能会显著影响准确性和检测范围。商业因素也会限制低功率嵌入式系统上可用的计算能力。另一方面，停车场景在可能性集方面受到更多限制，与完全自动驾驶相比。车速较低，为决策提供了足够的处理时间。摄像头的运动受到限制，具有明确定义的感兴趣区域。基础设施可能提供帮助，尤其是为了找到和导航到空的停车位。虽然在这项工作中我们没有讨论任何基础设施支持，但作者认为这将是自动停车解决方案的重要组成部分。自动泊车可以指的是管理汽车在机械停车场中的停放位置的智能基础设施，通常是多层或嵌入在汽车中的智能电子系统。  基于摄像头的高级驾驶辅助系统（ADAS）应用及其各自的视野 内容概述 硬件模块 ECU系统和接口电子设备 一般有两种类型的摄像头系统，一个是独立的摄像头，配备一个紧密集成在摄像头外壳中的小型嵌入式系统。这对于像后视摄像头这样的小型应用已经足够了。但是，对于更复杂的应用，摄像头通常通过附加的接口电子设备连接到强大的外部 SOC（系统芯片）。  环视图摄像头网络的示例图像，展示近场感应和广泛的视野。 如图2所示，对于具有4个摄像头输入的典型环视图系统，空间上分离的摄像头必须连接到中央 ECU。与其他系统相比，视频的数据带宽要求很高，这给 SOC 带来了许多挑战和限制。传感器的原始数字输出通常是10/12位，但 SOC 的视频输入端口可能只支持8位。这需要外部 ISP（图像信号处理器）来将深度压缩为8位，图像分辨率和帧速率这样的简单因素可能会使系统要求翻倍，SOC和摄像头之间的连接通常通过双绞线或同轴电缆进行有线连接。图5说明了所使用的两种备用方法。  视觉系统的框图 相机 相机通常包括成像传感器、光学系统和可选的ISP硬件。
SOC 嵌入式系统的SOC选择的典型设计约束是性能（MIPS、利用率、带宽）、成本、功耗、散热、高到低端可扩展性和可编程性。与手持设备不同，功耗不是主要的标准，因为它由汽车电池供电。散热只在某一阈值之上才重要，并可能通过更好的散热器增加成本。可编程性通过OpenCL等软件框架进行抽象，不是成本的主要因素。因此，对于ADAS，最终的主要因素最终归结为成本和性能。由于处理器的多样性，这通常是一个难以做出的决策。通常，通过MIPS来比较处理器并不有用，因为利用率在很大程度上取决于算法的性质。因此，基于供应商库和估算的给定应用程序列表的基准分析对于选择适当的SOC至关重要。一个混合架构，结合了完全可编程、半可编程和硬编码的处理器，可能是一个良好的分摊风险选择。 自动泊车使用案例 泊车动作概述 自动泊车系统已经在市场上有一段时间了，从最初的自动平行泊车开始，近年来发展到包括垂直停车在内。泊车系统已经发展超越了只控制转向的驾驶辅助系统，实现了横向和纵向控制的部分自动化。泊车辅助系统的挑战在于可靠准确地检测停车位，以允许最少独立移动的停车动作。自动停车系统的目标是向驾驶员提供一个坚固、安全、舒适，尤其是有用的功能，可以节省时间、实现准确、无碰撞的停车。市场上目前的系统仅依赖于范围传感器数据，通常是超声波，用于检测停车位、重新测量和在自动停车过程中避免碰撞。虽然这些系统已经在现场证明非常成功，并且正在继续在市场上推广，不过它们具有一些固有的局限性，如果没有其他传感器技术的帮助，这些局限性是无法解决的。在自动泊车开始之前，泊车系统必须首先搜索、识别并准确定位车辆周围的有效停车位。目前的系统通常依赖驾驶员来启动搜索模式，停车位可以以不同的形式出现，如下面的使用案例所述。  突出了使用计算机视觉与传统超声波停车系统融合的好处。(a) 增加了检测性能和范围，(b) 超声波无法实现的环境检测（车道标线）。 自动停车系统包括以下关键步骤：
使用摄像头进行泊车的好处
 突出显示计算机视觉与传统超声波停车系统融合的好处。(a) 增加的检测性能和范围， (b) 超声波无法实现的环境检测（车道标记） 停车场景的分类 自动停车系统可分为四种主要停车用例
此外，摄像头系统增强了其他功能的可靠性，包括：
 停车场景分类 - (a) 平行倒车停车, (b) 垂直倒车停车, (c) 垂直前进停车, (d) 模糊不明确停车, 和 (e) 带有道路标线的斜向停车。 视觉应用
 3D重建的重投影和俯视图
 停车位标记识别示例
 使用泊车摄像头对行人进行分类和跟踪
 （a）显示了使用基于图像的分割从场景的其余部分分割出的道路，（b）显示了基于（a）中道路分割的基于径向单元的可行驶空间
自动泊车系统  摄像头泊车系统设计决策流程 自动停车系统的规格受到多种因素的影响，包括相机像素分辨率、硬件选择、用例要求以及计算机视觉算法性能等。
使用摄像头的全自动泊车系统的应用。 总结 自动驾驶是技术领域的快速增长领域，许多高端汽车已经开始配备自动停车功能。这导致传感器的改进和计算能力的大幅增加，这可以产生更强大和准确的系统。由于成本低且相对于其他传感器而言拥有丰富语义信息，摄像头传感器将继续发挥重要作用。本文专注于摄像头传感器的优点以及它如何实现停车用例，详细讨论了一个使用四个鱼眼摄像头的自动停车系统的系统实现，该系统提供了车辆周围的360度视图。介绍了系统的各个方面，包括嵌入式系统组件、需要处理的泊车用例以及解决这些用例的视觉算法。由于重点放在计算机视觉方面，暂时省略了传感器融合、轨迹控制和运动规划的细节。 资源 自动驾驶及定位相关分享 【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法 自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源） 更多文章可查看：点云学习历史文章大汇总 SLAM及AR相关分享 以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除 扫描二维码 关注我们 让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入知识星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。 |
|
|
