一种多传感器融合的智能泊车系统和方法

技术领域

本发明涉及汽车驾驶领域，涉及驾驶(辅助)系统，尤其涉及到多传感器融合的智能泊车(辅助)系统的泊车位检测及自主泊车路径规划实践方法。

背景技术

近年来，随着技术的发展，自动驾驶成为一个备受关注的且极富挑战性的领域。其中，在泊车场景下的自动驾驶功能是一个很重要的探索方向，自主泊车系统是自动驾驶系统的一个分支，有助于解决在大型停车场中找车位难、停车难的问题。在泊车过程中的感知信息依赖于传感器的数据采集和处理，利用得到的感知信息来实现车位寻找、障碍物检测等功能。

现有技术的缺陷和不足：

目前，市面上常见的泊车系统主要利用超声波传感器来对周围环境进行感知，寻找合适的车位，存在车位检测准确率较低，且仅能识别水平和垂直车位，无法识别斜车位、立体车位等，同时，仅依赖于超声波超感器对于周围环境的感知能力不足，对于各种障碍物无法检测出其具体的类别，可适用的泊车场景较单一、条件较严苛，实际用户的体验效果不佳。

因此，本专利提出一种基于多传感器融合的泊车方案，通过利用环视摄像头、超声波、毫米波雷达等多种传感器信息，其中，摄像头传感器数据感知范围较广、数据信息量大，超声波及毫米波雷达传感器受天气、照明等影响较小，行为决策与路径规划模型根据多传感器融合的感知信息进行决策，实现自主泊车功能，为泊车场景下的自动驾驶功能提供了更加安全的保障信息。

发明内容

为了实现本发明以上发明目的，本发明是通过以下技术方案实现的：

一种多传感器融合的智能泊车(辅助)系统，包括：传感器子系统和信号处理子系统；所述传感器子系统，设置在车辆的周身，用于采集所述车辆周边的环境信息；所述信号处理子系统，根据不同所述传感器子系统提供的所述环境信息，进行信息融合，从中确定不同形状的泊车位的空间信息和位置信息，并确定自主泊车路径规划。

值得一提的是，所谓辅助系统，是辅助驾驶员进行驾驶操作，给驾驶员一定的输出信息反馈，但本发明创造涉及的技术方案完全可以达到车载智能系统自动完成自主泊车功能，包括在泊车之前对扫描泊车环境所进行的预准备，比如对环境及环境中事物的“认识和理解”。

进一步所述的智能泊车系统，所述传感器子系统至少包括多路高清摄像头和多路雷达定位探测器；所述高清摄像头，用于确定所述环境信息中的视觉信息(视觉信息中的目标物包含那些没有空间厚度的划线和图标等)；所述雷达定位探测器，用于确定所述环境信息中的点云信息(尤其是目标物的点云数据：空间信息和位置信息——包括车位线、车道线、中心车道线、障碍物(停滞车辆)和/或静止车辆边界线的类别和位置)。

进一步所述的智能泊车系统，所述高清摄像头包括RGB摄像头、鱼眼摄像头和/或广角摄像头；比如四路所述鱼眼摄像头分别设置在所述车辆的前端、后端、左端和右端；六路所述广角摄像头分别设置在所述车辆的前端、后端，以及左前端和左后端(各设置一路)、右前端和右后端(各设置一路)；所述雷达定位探测器包括激光雷达、毫米波雷达和/或超声波雷达，比如多路所述激光雷达、毫米波雷达和/或超声波雷达被设置在所述车辆的周身，其扫描范围相互有交集。

请注意上述“比如”只为说明某一种场景下的传感器布置的数量和种类，并非对所用传感器数量和种类及布置位置的限定。

进一步所述的智能泊车系统，所述信号处理子系统包括：原始目标检测组件和目标融合检测组件；所述原始目标检测组件，用以将所述高清摄像头获取的多路图像中确定同一目标物的ID号；所述目标融合检测组件，用以融合不同所述目标物及其各自的空间信息和位置信息，并生成自主泊车路径规划。

进一步所述的智能泊车系统，所述原始目标检测组件进一步包括：图形目标检测模块、关系检测模块、ID号标记模块、标记合并模块和标记过滤预处理模块；

所述图形目标检测模块，用于从所述环境信息识别出行人、车辆、障碍物等不同所述目标物的所述2D空间信息和位置信息；

所述关系检测模块，用于对不同所述目标物分别进行关系检测，得到每帧图像中的不同所述目标物之间的从属关系或行为关系；

所述ID号标记模块，用于对不同所述目标物进行标记；

所述标记合并模块，用于从多路所述高清摄像头获取的相邻帧图像中，对不同所述目标物进行重识别和重标记；

所述标记过滤预处理模块，用于对得到的所述目标物的数据进行卡尔曼滤波，得到更平滑和稳定的感知数据。

进一步所述的智能泊车系统，所述目标融合检测组件进一步包括：点云目标检测模块、多传感器融合模块和路径规划模块；

所述点云目标检测模块，用于从所述环境信息识别出行人、车辆、障碍物等不同目标物的所述点云信息(所述3D空间信息和位置信息)；

所述多传感器融合模块，用于以时间和/或空间为同步依据，将所述高清摄像头获取的多路图像中确定同一目标物的所述视觉信息进一步融入所述点云信息(3D空间数据)，得到感知融合结果；

所述路径规划模块，用于将所述感知融合结果换算成所述自主泊车路径规划。

进一步所述的智能泊车系统，同形状的所述泊车位包括：平行泊车位、垂直泊车位或斜列泊车位。

进一步所述的智能泊车系统，所述高清摄像头，获取所述平行泊车位的视觉信息；所述雷达定位探测组件，获取所述平行泊车位的所述空间信息和位置信息，以及所述平行泊车位相邻空间上的目标物的点云信息；所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；所述路径规划模块，则根据融合信息生成所述平行泊车位的所述自主泊车路径规划。

进一步所述的智能泊车系统，所述高清摄像头，获取所述垂直泊车位的视觉信息；所述雷达定位探测组件，获取所述垂直泊车位的所述空间信息和位置信息，以及所述垂直泊车位相邻空间上的目标物的点云信息；所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；所述路径规划模块，则根据融合信息生成所述垂直泊车位的所述自主泊车路径规划。

进一步所述的智能泊车系统，所述高清摄像头，获取所述斜列泊车位的视觉信息；所述雷达定位探测组件，获取所述斜列泊车位的所述空间信息和位置信息，以及所述斜列泊车位相邻空间上的目标物的点云信息；所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；所述路径规划模块，则根据融合信息生成所述斜列泊车位的所述自主泊车路径规划。

进一步所述的智能泊车系统，所述自主泊车路径规划交付智能泊车控制系统，由所述智能泊车控制系统进行执行所述自主泊车。

一种多传感器融合的智能泊车(辅助)方法，包括以下步骤：根据设置在车辆周身的不同传感器子系统提供的所述车辆周边的环境信息，信号处理子系统进行信息融合，从中确定不同形状的泊车位的空间信息和位置信息，并确定自主泊车路径规划。

进一步所述的智能泊车方法，所述传感器子系统至少包括多路高清摄像头和多路雷达定位探测器；所述高清摄像头确定所述环境信息中的目标物；所述雷达定位探测器确定所述目标物的空间信息和位置信息。

进一步所述的智能泊车方法，所述信号处理子系统包括：原始目标检测组件和目标融合检测组件；

所述原始目标检测组件将所述高清摄像头获取的多路图像中确定同一目标物的ID号；

所述目标融合检测组件融合不同所述目标物及其各自的空间信息和位置信息，并生成所述自主泊车路径规划。

进一步所述的智能泊车方法，所述原始目标检测组件进一步包括：图形目标检测模块、关系检测模块、ID号标记模块、标记合并模块和标记过滤预处理模块；

所述图形目标检测模块从所述环境信息识别出行人、车辆、障碍物等不同所述目标物的所述2D空间信息和位置信息；

所述关系检测模块对不同所述目标物分别进行关系检测，得到每帧图像中的不同所述目标物之间的从属关系或行为关系；

所述ID号标记模块对不同所述目标物进行标记；

所述标记合并模块从多路所述高清摄像头获取的相邻帧图像中，对不同所述目标物进行重识别和重标记；

所述标记过滤预处理模块对得到的所述目标物的数据进行卡尔曼滤波，得到更平滑和稳定的感知数据。

进一步所述的智能泊车方法，所述目标融合检测组件进一步包括：点云目标检测模块、多传感器融合模块和路径规划模块；

所述点云目标检测模块从所述环境信息识别出行人、车辆、障碍物等不同目标物的所述点云信息(所述3D空间信息和位置信息)；

所述多传感器融合模块以时间和/或空间为同步依据，将所述高清摄像头获取的多路图像中确定同一目标物的视觉信息进一步融入所述点云信息(3D空间数据)，得到感知融合结果；

所述路径规划模块将所述感知融合结果换算成所述自主泊车路径规划。

进一步所述的智能泊车方法，所述高清摄像头获取平行泊车位的所述视觉信息；

所述雷达定位探测组件获取所述平行泊车位的所述空间信息和位置信息，以及所述平行泊车位相邻空间上的目标物的点云信息；

所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；

所述路径规划模块根据融合信息生成所述平行泊车位的所述自主泊车路径规划。

进一步所述的智能泊车方法，所述高清摄像头获取垂直泊车位的所述视觉信息；

所述雷达定位探测组件获取所述垂直泊车位的所述空间信息和位置信息，以及所述垂直泊车位相邻空间上的目标物的点云信息；

所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；

所述路径规划模块根据融合信息生成所述垂直泊车位的所述自主泊车路径规划。

进一步所述的智能泊车方法，所述高清摄像头获取斜列泊车位的所述视觉信息；

所述雷达定位探测组件获取所述斜列泊车位的所述空间信息和位置信息，以及所述斜列泊车位相邻空间上的目标物的点云信息；

所述信号处理子系统融合所述视觉信息、点云信息、空间信息和位置信息；

所述路径规划模块根据融合信息生成所述斜列泊车位的所述自主泊车路径规划。

进一步所述的智能泊车方法，所述自主泊车路径规划交付智能泊车控制系统进行执行自主泊车。

本发明及实施例基于多传感器融合的智能泊车(辅助)系统和方法，主要有以下几个优点：

(1)通过充分利用不同传感器的优势，进行数据融合，得到更加精确、识别范围更加宽广的感知信息，对于车辆的行驶轨迹预测和车身控制给出非常关键的视觉信息；

(2)充分利用环视摄像头的感知信息，对得到的信息进行关系检测、ReID、卡尔曼滤波等后处理，得到更加丰富的视觉信息；

(3)通过利用丰富的多传感器融合信息，可以满足多种复杂场景的泊车需求，并不局限与垂直车位、水平车位等，可实现斜车位、立体车位等不同泊车场景的泊车功能。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及较佳实施例，对本申请的技术方案，进行清楚和完整的描述。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明：

图1为本发明第一实施例各传感器在车身位置及探测范围示意图；

图2为本发明第二实施例信号处理子系统下各模块工作流示意图；

图3为本发明第三实施例多传感器融合的智能泊车实现方法步骤图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，以下说明和附图对于本发明是示例性的，并且不应被理解为限制本发明。以下说明描述了众多具体细节以方便对本发明理解。然而，在某些实例中，熟知的或常规的细节并未说明，以满足说明书简洁的要求。本发明的原理图请参考图1所示，本发明的具体判断系统及方法参见下述实施例：

实施例一

下述如图1所示传感器子系统(单元)包括(高清)摄像头和雷达定位探测组件，再进一步，(高清)摄像头包括前视摄像头和多个环视(鱼眼/广角) 摄像头；雷达定位探测组件包括多个超声波雷达和多个毫米波雷达。

1、传感器单元(子系统)：

传感器单元包括：位于车辆前侧、后侧、左侧、右侧的四个鱼眼(广角) 摄像头和车头的前视摄像头、位于车辆两侧的共4个超声波测距传感器和位于车辆头尾的共8个超声波测距传感器，以及位于车身四角上的四个毫米波雷达和前向主毫米波雷达。其中，四个摄像头的安装位置应保证四个摄像头采集到的图片覆盖到车辆四周360度区域，而且相邻两摄像头采集到的图片有重叠区域。超声波测距传感器可以是左、右侧各布置一个，也可以是左、右侧分别布置多个。在实施例中，将前摄像头布置在车辆前方格栅处，左右摄像头布置在左右后视镜处，后摄像头布置在车辆后背门上；在左右后视镜处分别安装一个超声波测距传感器；毫米波雷达置于车身四周。

2、环视图生成模块

(1)矫正畸变

为了获得较大的视野范围，本发明中位于车身四周的四个摄像头使用鱼眼广角摄像头。鱼眼摄像头采集到的图像存在着较大的畸变，首先需要对其进行校正畸变。

在实施例2中，只考虑摄像机的径向畸变和切向畸变，根据标定得到的摄像机畸变参数，利用下式对四个摄像头采集到的图像分别进行校正畸变：

(2)生成四幅鸟瞰图

对矫正畸变后的四幅图像分别进行逆投影变换，将其转换为俯视效果的鸟瞰图。

(3)对鸟瞰图进行环视拼接

由逆透视变换得到四幅俯视效果的鸟瞰图，通过将重叠区域进行对齐，可以将四幅鸟瞰图拼接为环视图，在这个过程中，需设定环视图的视野范围，当前使用的视野范围为自车前方可见5米，车尾后侧可见5米，车身两侧可见范围为4.3米。

1)摄像机模型

摄像机成像模型描述的是物体的成像过程，即任意一点在三维世界坐标系中的坐标到该点所成的像的坐标之间的数学映射关系。

①世界坐标系到摄像机坐标系的变换关系

②摄像机坐标系到图像坐标系的变换关系

2)逆透视投影变换

根据某点在三维世界坐标系中的坐标(Xw,Yw,Zw)可以计算得到该点在图像坐标系中的坐标(x,y)，反之则不能。但是如果已知某点三维坐标中的某一维，则可以根据该点图像坐标系中的坐标(x,y)，计算出该点三维坐标的另两维。逆透视变换就是指：建立图像坐标系中的点与三维世界坐标系中已知平面上的点的位置对应关系。

建立如下坐标系：选取车辆几何中心点竖直向下投影在地面上的点为坐标原点Ow；Yw轴方向平行于车辆后轴方向，指向车辆左侧为正；Xw垂直于Yw轴，指向车辆前方为正；垂直于地面向上为Zw轴正方向。将此坐标系作为世界坐标系。现假定Zw＝0，即假定图像中的所有点在三维世界坐标系中都位于地面上，利用四个摄像机的内参矩阵和外参矩阵，对四个摄像机采集到的图像分别进行逆透视变换，得到俯视效果的鸟瞰图。

3)拼接生成环视图

通过逆透视变换，得到四幅俯视效果的鸟瞰图，相邻摄像头得到的鸟瞰图会有部分重合区域，通过对齐重叠区域，可以将四幅鸟瞰图拼接为环视图。

首先，设定环视图的视野范围。这也就确定了鸟瞰图的缩放因子；

然后，确定拼缝。选取四幅鸟瞰图两两之间的重叠区域内的四条直线作为拼缝。

最后，将四幅鸟瞰图沿着拼缝的位置剪裁、拼接。

3、泊车位检测模块

泊车位检测模块包括泊车位线检测子模块、可行驶区域检测子模块、障碍物检测子模块。泊车位线检测子模块利用地面泊车位线检测泊车位；停滞车辆检测子模块利用停滞车辆检测泊车位；泊车位输出子模块根据泊车位线检测子模块和停滞车辆检测子模块的检测结果，最终确定出泊车位。

(1)车位线检测子模块

本专利通过利用深度学习算法来识别拼接图中的车位线、车道线、中心车道线等地面标注。

1)数据标注

利用安装有四路鱼眼摄像头的车辆在不同的停车场内进行视频录制，按照上述环视图生成模块对四路鱼眼视频进行环视拼接，得到一个俯视视角的视频，对该视频进行拆帧处理，得到海量的环视图像；使用人工手动的多边形标注工具，对图像中的车位线、车道线等进行分类标注，最终得到环视图像及其对应的标签图像；

2)设计识别网络模型

本专利采用监督学习策略，利用深度学习算法，设计了一个轻量级且满足识别精度需求的卷积神经网络模型，该卷积神经网络模型通过利用多层卷积网络提取具有可区分性的视觉特征的视觉因子，对环视图中的车位线等信息进行识别。深度卷积神经网络不仅在处理图像上有其独特的局部感知和参数共享等优点，利用海量标注数据有监督的学习网络模型，其自适应和鲁棒性能也是一大优点。

3)模型的训练与迭代

将得到的环视图像及其对应的标签送入设计好的卷积神经网络中，调整模型训练的学习率、优化方式、训练次数等参数，最终使模型收敛到最优值，得到最优的模型；将采集的未标注的俯视图像送入训练好的模型中，检查图像的识别效果，对于效果较差的图像再根据实际情况进行模型的调优和迭代。

4)直线后处理

由于泊车位线有缺损或者地面存在阴影等，可能检测出许多杂乱线段。因此需要利用泊车位线满足的约束条件，对检测出的直线进行处理，以保留库位线对应的线段，删除其他杂乱线段。泊车位线满足的约束条件包括：泊车位线对边互相平行、邻边互相垂直、标准泊车位的尺寸、泊车位线的线宽等，可以选取其中的一条或者几条约束条件对直线进行处理。以上算法提供了直线后处理的一种方法，在其他实施例中也可以选取不同的约束条件。

(2)可行驶区域检测

利用视觉系统以及超声波雷达系统进行场景动态目标以及可行驶区域检测。视觉系统进行可行驶区域检测是利用深度学习算法与海量的标注数据，训练得到一个可行驶区域检测模型，通过利用该模型，在行驶过程中输出车辆的可行驶区域。

(3)障碍物检测子模块

1)障碍物检测可利用视觉信息、超声波传感器、毫米波雷达信息；

2)对于视觉检测障碍物，利用深度学习方法及海量的标注数据，学习一个障碍物检测模型，利用该模型对四路鱼眼图像中的障碍物(包括车、人、椎桶等)进行识别；

3)对于超声波传感器及毫米波雷达，超声波传感器主要感知近距离的障碍物和测距，毫米波雷达主要感知较远距离的障碍物和测距；

4)通过融合视觉、超声波及毫米波雷达的障碍物检测结果，按障碍物和车辆之间的距离远近，分远、中、近三档在自动泊车过程中实时显示车辆周围障碍物，当近档障碍物和车辆之间的距离小于预设阈值时发出声音告警以提示操作者进行避障操作。

4、人机接口

人机接口包括输出模块和输入模块。输出模块用以显示环视图和检测到的库位，可以通过触摸屏、平视显示器(HUD)等实现。输入模块用以接受驾驶员输入的各种指令，可以通过触摸屏、语音指令、转向灯、车内按钮等实现。

如果叠加显示在环视图上的泊车位不正确或者不符合驾驶员的意愿，驾驶员可以通过人机接口的输入模块调整泊车位的位置和(或)方向。在驾驶员改变泊车位的位置和(或)方向后，将新的泊车位四个角点坐标输出到智能泊车系统的路径规划模块。

实现步骤如下：

(1)获取本车的前后左右四路鱼眼摄像头采集鱼眼图像；

(2)将采集到的鱼眼图像输入到目标检测网络中，得到行人、车辆、障碍物等不同目标物的类别和位置信息；

(3)对四路鱼眼图像中的目标物分别进行关系检测，得到每帧图像中的不同目标物之间的从属或行为关系，

(4)对每路摄像头的信息进行ReID，即实现每路摄像头的相邻帧的(目标) 重识别，再对四路摄像头数据进行ReID，实现跨摄像头的重识别。

(5)对得到的摄像头数据进行卡尔曼滤波，得到更平滑和稳定的摄像头感知数据；

(6)利用本车的超声波和毫米波数据分别送入感知算法中，得到对应的识别结果；

(7)将所得到的摄像头、超声波、毫米波等不同传感器的识别结果进行时间、空间同步，得到最终的融合识别结果。

(8)将所得到的感知融合结果送给预测和路径规划模型，进行车辆的控制，实现自主泊车。

实施例二

传信息处理子系统还包括原始目标检测组件和目标融合检测组件，再进一步，原始目标检测组件包括图形目标检测模块、关系检测模块、ID号标记模块、标记合并模块和标记过滤(预处理)模块；目标融合检测组件包括点云目标检测模块、多传感器融合模块和路径规划模块。

下述如图2所示

(1)获取本车的至少前后左右四路鱼眼摄像头采集鱼眼图像及超声波传感器和毫米波雷达的点云数据；

(2)图形目标检测模块将摄像头采集到的鱼眼图像输入到卷积神经网络中，ID号标记模块使用目标检测算法得到行人、车辆、障碍物等不同目标的类别和位置信息；

(3)关系检测模块对四路鱼眼图像中的目标分别进行视觉关系检测，对于每张图像中识别出的n个目标，通过利用图卷积神经网络学习算法，构建这n 个目标之间的“主-谓-宾”关系，得到每帧图像中的不同目标之间的从属或行为关系，如图像中的某个车轮从属于某辆汽车，某个行人骑在自行车上等视觉关系；

(4)标记合并模块对每路摄像头的识别信息进行目标重识别，通过利用投影位置、颜色直方图及面积交并比等评估指标，来计算得到前后两帧图像中某一目标是否为同一目标的置信度，即实现每路摄像头获取的相邻帧数据的目标重识别，其中投影位置、颜色直方图及面积交并比等评估指标可以设置不同权重；

(5)同样，标记过滤(预处理)模块利用投影位置、颜色直方图及面积交并比等评估指标，再对同一帧的四路摄像头数据进行目标重识别，实现跨摄像头的目标重识别；

(6)时间同步模块将点云目标检测模块得到的超声波和毫米波雷达的点云数据与摄像头数据进行时间同步，毫米波雷达因频率高，触发响应速度快，因此，以毫米波雷达作为主传感器进行时间同步；

(7)超声波传感器和毫米波雷达作为测距传感器主要承担在泊车过程中的不同远近距离的测距功能，其中，超声波传感器作为近距离测距传感器，毫米波雷达作为远距离测距传感器；

(8)此外，由于超声波传感器与毫米波雷达的感知频率更高，在视觉传感器即摄像头未探测到某障碍物时，超声波和毫米波雷达作为频率更高的传感器，能够将检测到的障碍物信息及时反馈给控制系统，进行避障；

(8)多传感器融合模块将所得到的视觉信息和点云信息进行融合，得到更加丰富的感知信息；

(9)路径规划模块将所得到的感知融合结果送给预测和路径规划模型，进行车辆的控制，实现自主泊车。

实施例三

如图3所示，多传感器融合的智能泊车系统方法步骤如下：

S01:获取(本)车辆的环视摄像头、超声波、毫米波雷达等不同传感器的感知信息；

S02:将不同传感器数据分别送入识别算法中，得到不同传感器的感知结果；

S03:对不同传感器的感知结果进行后处理，得到时间、空间同步的识别结果；

S04:将感知结果送给决策模块，实现车辆的泊车过程。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。