1.基于机器学习的超声波车位补偿系统,其特征在于包括模型训练策略(010)和车位宽度补偿策略(020),所述模型训练策略(010)包括样本信息输入步骤(011)、样本曲率拟合步骤(012)、样本误差值获取步骤(013)和模型训练步骤(014);
所述样本信息输入步骤(011),控制待泊车车辆根据设定的样本里程信息行驶,所述样本里程信息反映待泊车车辆在泊车数据采集过程中的行驶路线,并且获得超声测距传感器测得的若干样本距离;
所述样本曲率拟合步骤(012),根据所述样本里程信息和所述样本距离拟合得到空车位两侧车辆的曲率作为第一样本曲率和第二样本曲率;
所述样本误差值获取,获得车位实际宽度和超声波测距传感器测得的车位检测宽度作为样本检测宽度,根据所述车位实际宽度和所述样本检测宽度得到样本边缘误差值;
所述模型训练步骤(014),根据第一样本曲率、第二样本曲率和已知的样本里程信息生成样本索引信息,关联样本索引信息和样本边缘误差值以生成训练模型;
所述车位宽度补偿策略(020)包括行驶状态监测步骤(021)、实测曲率拟合步骤(022)和补偿车位宽度获取步骤(023);
所述行驶状态监测步骤(021),实时获得待泊车车辆在泊车数据采集过程中的里程信息作为实时里程信息,并且获得超声测距传感器实时测得的实时距离;
所述实测曲率拟合步骤(022),根据所述实时里程信息和所述实时距离拟合得到空车位两侧车辆的曲率作为第一实测曲率和第二实测曲率;
所述补偿车位宽度获取步骤(023),根据所述实时里程信息、所述第一实测曲率和所述第二实测曲率生成实测索引信息,根据所述实测索引信息在所述训练模型中调取对应的样本边缘误差值作为实际边缘误差值,获得超声波测距传感器测得的车位检测宽度,根据所述实际边缘误差值和所述车位检测宽度得到补偿车位宽度。
2.根据权利要求1所述的基于机器学习的超声波车位补偿系统,其特征在于,在所述实测曲率拟合步骤(022)中,根据所述实时里程信息和所述实时距离确定检测点实时位置信息,所述检测点实时位置信息反映已停放车辆弧面上被超声测距传感器测定的位置,拟合位于空车位一侧的若干所述检测点实时位置信息得到所述第一实测曲率,拟合位于空车位另一侧的若干所述检测点实时位置信息得到所述第二实测曲率。
3.根据权利要求1或2所述的基于机器学习的超声波车位补偿系统,其特征在于,在所述行驶状态监测步骤(021)中,当车辆选择泊车功能时,将待泊车车辆位置设置为原点构建全局坐标系,在待泊车车辆的长度方向上设置X轴,在垂直于待泊车车辆的长度方向上设置Y轴;
根据所述实时里程信息得到不同时刻待泊车车辆在所述全局坐标系中的坐标作为车辆实时坐标,根据所述车辆实时坐标和所述实时距离得到探测点的坐标作为探测实时坐标;
在所述实测曲率拟合步骤(022)中,计算相邻时刻的所述探测实时坐标的横坐标的差值得到坐标变化值,若所述坐标变化值的绝对值大于预设的变化阈值,则将对应时刻记为第一时刻,并且将所述第一时刻前纵坐标数值最小的所述探测实时坐标对应的时刻作为第二时刻,将第一时刻和第二时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第一实时曲率;若再次检测到坐标变化值的绝对值大于预设的变化阈值,则将对应时刻记为第三时刻,并且将所述第三时刻后纵坐标数值最小的所述探测实时坐标对应的时刻作为第四时刻,将第三时刻和第四时刻之间的所述探测实时坐标的横坐标进行曲线拟合并获得所述第二实时曲率。
4.根据权利要求3所述的基于机器学习的超声波车位补偿系统,其特征在于,所述样本里程信息包括样本车速、样本行驶角度和Y轴方向上待泊车车辆与已停放车辆之间的样本距离。
5.根据权利要求4所述的基于机器学习的超声波车位补偿系统,其特征在于,在所述样本信息输入步骤中,将样本车速、样本行驶角度、Y轴方向上待泊车车辆与已停放车辆之间的样本距离和目标车位边缘车辆的实际轮廓弧面曲率分别设定训练范围,并将训练范围进一步划分为若干训练区间并进行排列组合并重复模型训练策略。
6.根据权利要求5所述的基于机器学习的超声波车位补偿系统,其特征在于,所述样本车速限定在0~25Km/h范围内,所述样本行驶角度为与Y轴的偏差角度,所述行驶角度限定在‑5~5°。
7.根据权利要求5所述的基于机器学习的超声波车位补偿系统,其特征在于,所述Y轴方向上待泊车车辆与已停放车辆之间的样本距离限定在0~2m。
8.根据权利要求5所述的基于机器学习的超声波车位补偿系统,其特征在于,所述目标车位边缘物体的实际轮廓弧面曲率限定在0.1~1。
9.根据权利要求3所述的基于机器学习的超声波车位补偿系统,其特征在于,在所述实
2 3
测曲率拟合步骤(022)中,采用最小二乘法拟合三次多项式曲线:y=a0+a1x+a2x+a3x ,拟合后的曲线的曲率计算公式为;
其中,x为探测实时坐标的横坐标,k为曲率。
10.根据权利要求1所述的基于机器学习的超声波车位补偿系统,其特征在于,所述训练模型为C4.5决策树模型。