DRIVE Labs 系列文章

終點站：尋找車位與自動泊車

始 發 站 | 自 動 駕 駛 基 礎 功 能

第 二 站 | 基 本 路 況 感 知

第 三 站 | 讀 懂 交 通 標 志 與 信 號 燈

第 四 站 | 監 控 車 外 的 風 吹 草 動

第 五 站 | 提 高 道 路 狀 況 的 可 見 性

第 六 站 | 基 于 洞 察 的 智 能 規 劃

第 七 站 | 為 駕 乘 人 員 的 安 全 保 駕 護 航

終 點 站 | 尋 找 車 位 與 自 動 泊 車

自動駕駛汽車穿梭過大街小巷，平安經過了各類型的路口，即將到達終點。但隨著近年來汽車數量的增加，城市停車場壓力逐漸增大，能否找到合適的停車位并安全駛入也對自動駕駛汽車提出了更高要求。DRIVE Labs“常學常新”系列是 NVIDIA DRIVE 團隊推出的、以一輛自動駕駛汽車從出發到最終目的地為線索的系列文章，共分 8 期主題，將為大家詳細解析自動駕駛汽車如何一路“過關斬將”，以及 NVIDIA 技術與產品在不同場景中提供的支持，以便讀者能更好地了解自動駕駛。

本期是第八期“尋找車位與自動泊車”，將為大家介紹自動駕駛汽車如何通過深度神經網絡（DNN）和 AI 來“尋找”合適的停車位并實現自動泊車，幫助自動駕駛汽車安全、高效地完成自動駕駛旅程的最后一項任務。

上期文章主要介紹了可保護車輛不受碰撞的安全力場（Safety Force Field，SFF）、可守護駕駛員專注前方道路以實現安全行駛的 AI 軟件，以及能夠優化夜間行人檢測的主動學習方法，本期將為大家介紹可用于識別停車位的 ParkNet DNN 以及可用于提升自動泊車功能的停車標志輔助功能。話不多說，一起來看看吧！

自動駕駛克服了道路上的重重挑戰后，來到了駕駛旅程的最終一段—泊車。隨著汽車數量的增加和城市建設的限制，尋找合適的車位逐漸成為駕駛員的一大難點。NVIDIA 引入了 AI 和 DNN 以幫助自動駕駛汽車提高車位尋找能力并提升自動泊車的安全與效率水平。

ParkNet DNN 助力“尋找”開放停車位

在尋找停車位？AI 可以提供幫助

任何一個曾經在繁忙的停車場或者擁堵街區繞過圈的人都知道，尋找一個可用的停車位有的時候會很艱難。停車線標記不清、由于視野原因而難以判斷車位是否空閑以及與其他正在尋找停車位的人共同“競爭”，都會給自動駕駛汽車帶來考驗。

為了在這些環境中停車，自動駕駛汽車需要一個視覺感知系統，以在各種條件下檢測可用的停車位以及不同形狀的停車位。NVIDIA 利用在各種條件下收集的攝像頭圖像數據，借助 ParkNet DNN 進行深度神經網絡處理，來幫助自動駕駛汽車感知可用停車位（如以上視頻所示）。

ParkNet DNN 可以在各種條件下檢測開放的停車位。現實中的停車位并非都是完美的矩形，它們可能是傾斜帶有一定角度的四邊形，也可能是垂直或平行的狀態，為了解決停車位形狀和朝向的幾何多樣性，NVIDIA 訓練 ParkNet DNN 以四邊形為標準來識別停車位，包括直角四邊形（也就是長方形）、任意角度的四邊形等，以賦能自動駕駛汽車感知不同朝向的停車位。

ParkNet DNN 還能分辨停車位的“入口線”，即幫助自動駕駛汽車了解應該從多邊形的哪條線進入停車位并停車，以為后續自主泊車提供準確的信息。此外，ParkNet DNN 還能通過五個攝像頭環繞感知裝置來區分可用停車位和已被其他車輛占用的停車位。

借助 ParkNet DNN 通過五個環繞攝像頭感知裝置來進行停車位的感知。紅線表示四邊形停車位的形狀檢測。綠線表示被定義為停車位入口線的那一側

自動駕駛汽車還可將通過 ParkNet DNN 獲取的 2D 感知結果轉化為 3D 坐標以用于下一階段 — 自主泊車，以實現精確位置預估。

左圖：2D 圖像形式的 ParkNet 檢測和分類結果

右圖：將 ParkNet 檢測和分類結果轉換為 3D 坐標，并以俯視的視角進行可視化呈現

停車標志輔助功能助力優化自動代客泊車

使用停車標志輔助功能提升自動代客泊車功能

自動泊車涉及一系列復雜的感知和決策算法，傳統上依賴高精地圖來檢索停車信息。然而，地圖覆蓋率和較差或過時的本地化信息可能會限制此類系統。同時除了像物理標志這樣的明確線索外，現實中還存在著許多攜帶停車信息的隱含標志，這也會對自動停車系統帶來識別壓力。除此之外，系統還必須理解和解釋不同地區的停車規則。

因此，對自動駕駛汽車而言，配備能夠幫助其了解停車規則的復雜性并做出相應反應的停車標志輔助（PSA）系統則顯得尤為重要。以上視頻就為大家展示了 NVIDIA DRIVE AV 軟件堆棧如何利用最先進的 DNN 和計算機視覺算法來提高真實場景中自動停車的覆蓋率和魯棒性，以改善現實場景中的自動泊車。

NVIDIA DRIVE AV 軟件堆棧首先利用 WaitNet DNN、wait perception 堆棧以及 SignNet DNN 等技術實時檢測、跟蹤和分類各種停車交通標志和道路交叉口。而后，將這些感知結果輸入 PSA 系統，PSA 系統接收到檢測到的停車標志和道路交叉口后，會將對象抽象為一個“啟動停車標志”或“終點停車標志”，并形成停車帶：

• 啟動停車標志體現了新停車帶的潛在起點

• 終點停車標志表示一個或多個現有停車帶的終止位置

形成停車帶

上圖顯示了 PSA 系統如何將標志和道路交叉口抽象為停車帶。該圖顯示，單個標志可以生成多個虛擬標志。例如，中間的符號作為最左邊符號的“結束”符號，作為最右邊符號的“開始”。此外，PSA 系統還可以利用交通標志的語義將停車帶分為禁止停車、禁止停留、允許停車和未知狀態（如下圖所示）。

禁止停車區旁的汽車

下圖展示了 PSA 系統的主要功能工作流。在幀 A 中，PSA 系統能檢測到“停車區開始”標志，并創建新的停車帶。汽車行駛一段時間后，能檢測到“停車區結束”標志，該標志與該停車帶的開始標志相匹配。最后，PSA 系統將所有激活的停車帶存儲在其存儲器中，并根據停車帶所隱含的交通規則向駕駛員發出當前停車狀態的信號。

PSA 的高水平工作

基于 NVIDIA DRIVE AGX 運行的 PSA 系統僅需幾毫秒，就能夠以驚人的準確性實現復雜的決策，以幫助自動駕駛汽車提升自動泊車功能。

以上就是本期全部內容。本次的自動駕駛之旅到這里就暫告一段落了，該系列文章是以一輛自動駕駛汽車的出行為導引，為大家介紹了 NVIDIA 在自動駕駛各場景中所提供的解決方案與技術支持，希望大家喜歡！歡迎大家點擊“閱讀原文”，觀看更多 NVIDIA DRIVE Labs & Dispatch 視頻，持續關注 NVIDIA 在自動駕駛領域的技術進展。