停车控制方法、装置、计算机设备和存储介质

技术领域

本申请涉及自动驾驶及人工智能技术领域，特别是涉及一种停车控制方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着工业技术发展，目前无人驾驶车辆技术已逐渐成熟，在无人车辆使用过程中，包含对无人车辆的停车过程，为确保无人车辆的驾驶安全，需要提高无人车辆停靠进车位的准确度。目前对无人车辆停入车位的方法通常是通过手动设计规则实现车辆停车。然而，通过手动设计规则的方式控制车辆停入车位，在复杂环境下无法快速将车辆停入车位，导致停车效率降低。

因此，目前对无人车辆的停车控制方法存在效率低的缺陷。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高效率的停车控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种停车控制方法，所述方法包括：

获取车辆相对于目标车位的初始位姿信息；

将所述初始位姿信息输入经训练的停车控制模型，由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息；所述车轮控制信息包括所述车辆的车轮的转向角度控制信息和对应的行驶距离控制信息；所述目标位姿信息表征满足所述目标车位对应的停车条件的位姿信息；所述停车控制模型基于真实停车轨迹数据和模拟停车轨迹数据训练得到；

根据所述当前车轮控制信息中的所述车轮控制信息，控制所述车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息；

返回执行所述由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息的步骤，直至所述车辆驶入所述目标车位。

在其中一个实施例中，所述获取车辆相对于目标车位的初始位姿信息，包括：

获取所述车辆在目标坐标系中的位置信息以及朝向信息；所述目标坐标系基于所述目标车位建立；

根据所述位置信息和所述朝向信息，得到所述车辆相对于所述目标车位的所述初始位姿信息。

在其中一个实施例中，所述将所述初始位姿信息输入经训练的停车控制模型，由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息，包括：

将所述初始位姿信息输入经训练的所述停车控制模型，由所述停车控制模型根据所述初始位姿信息确定对应的当前位置信息和当前朝向信息，并根据所述当前位置信息和所述当前朝向信息，生成指向所述目标车位的所述转向角度控制信息和所述行驶距离控制信息。

在其中一个实施例中，所述返回执行所述由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息的步骤，直至所述车辆驶入所述目标车位，包括：

根据所述新的初始位姿信息确定所述车辆对应的新的当前位置信息和新的当前朝向信息；

返回所述由所述停车控制模型根据所述当前位置信息和当前朝向信息，生成指向所述目标车位的转向角度控制信息和行驶距离控制信息的步骤，直至所述车辆对应的新的当前位置信息和新的当前朝向信息满足所述目标位姿信息时，确定所述车辆驶入所述目标车位。

在其中一个实施例中，所述方法还包括：

获取所述真实停车轨迹数据和所述模拟停车轨迹数据；

根据所述真实停车轨迹数据和所述模拟停车轨迹数据，对待训练的所述停车控制模型进行监督训练，在所述监督训练完成时得到具有初始模型参数的所述停车控制模型；

生成预设停车仿真环境，基于所述预设停车仿真环境确定所述车辆对应的目标车位样本和所述车辆相对于所述目标车位样本的初始位姿信息样本；

将所述初始位姿信息样本输入所述停车控制模型，由所述停车控制模型基于所述初始位姿信息样本和目标位姿信息样本，输出指向所述目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息；所述目标位姿信息样本表征满足所述目标车位样本对应的停车条件的位姿信息；

根据所述转向角度控制预测信息和对应的所述行驶距离控制预测信息，在所述预设仿真停车环境中控制所述车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息样本；

返回执行所述将所述初始位姿信息样本输入所述停车控制模型的步骤，直至所述车辆满足预设停止生成条件时，基于多个所述转向角度控制预测信息和对应的所述行驶距离控制预测信息得到所述车辆对应的车轮控制预测信息序列；

根据所述车轮控制预测信息序列、所述目标车位样本和预设强化学习算法，调整所述初始模型参数，直至满足预设训练结束条件时，得到经训练的所述停车控制模型。

在其中一个实施例中，获取所述模拟停车轨迹数据的步骤，包括：

获取所述目标车位样本以及所述车辆对应的至少一个转弯半径样本；

将所述目标车位样本输入预设运动学模型，由所述预设运动学模型基于所述目标车位样本和所述至少一个所述转弯半径样本，生成至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息，根据所述至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息输出所述车辆对应的所述模拟停车轨迹数据。

在其中一个实施例中，所述由所述停车控制模型基于所述初始位姿信息样本和目标位姿信息样本，输出指向所述目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息，包括：

基于所述初始位姿信息样本，确定所述车辆对应的当前位置预测信息和当前朝向预测信息；

根据所述当前位置预测信息和所述当前朝向预测信息，生成指向所述目标车位样本的所述转向角度控制预测信息和所述行驶距离控制预测信息。

在其中一个实施例中，所述返回执行所述将所述初始位姿信息样本输入所述停车控制模型的步骤，直至所述车辆满足预设停止生成条件时，基于多个所述转向角度控制预测信息和对应的所述行驶距离控制预测信息得到所述车辆对应的车轮控制预测信息序列，包括：

根据所述新的初始位姿信息样本确定所述车辆对应的新的当前位置预测信息和新的当前朝向预测信息；

返回所述根据所述当前位置预测信息和所述当前朝向预测信息，生成指向所述目标车位样本的所述转向角度控制预测信息和所述行驶距离控制预测信息的步骤，直至所述车辆对应的所述新的当前位置预测信息和所述新的当前朝向预测信息满足所述目标位姿信息样本时，得到所述车辆对应的至少一个所述转向角度控制预测信息和对应的至少一个所述行驶距离控制预测信息；

根据至少一个所述转向角度控制预测信息和至少一个所述行驶距离控制预测信息，输出对应的所述车轮控制预测信息序列。

在其中一个实施例中，所述根据所述车轮控制预测信息序列、所述目标车位样本和预设强化学习算法，调整所述初始模型参数，直至满足预设训练结束条件时，得到经训练的所述停车控制模型，包括：

针对每组所述转向角度控制预测信息和所述行驶距离控制预测信息，获取在所述预设仿真停车环境中所述车辆基于所述转向角度控制预测信息和所述行驶距离控制预测信息移动后，对应的当前位置预测信息和当前朝向预测信息；

根据所述当前位置预测信息、所述当前朝向预测信息、所述转向角度控制预测信息和所述行驶距离控制预测信息的加权和，得到该组所述转向角度控制预测信息和所述行驶距离控制预测信息对应的奖励函数值；

根据预设调整条件，获取多组所述转向角度控制预测信息和所述行驶距离控制预测信息对应的多个所述奖励函数值；其中，所述预设调整条件包括所述车辆的所述当前位置预测信息和所述当前朝向预测信息满足所述目标位姿信息样本，或所述车辆的所述当前位置预测信息和所述当前朝向预测信息满足预设停车失败条件；

根据多个所述奖励函数值的加权和调整所述初始模型参数，直至满足预设训练结束条件时，得到经训练的所述停车控制模型。

第二方面，本申请提供了一种停车控制装置，所述装置包括：

获取模块，用于获取车辆相对于目标车位的初始位姿信息；

输入模块，用于将所述初始位姿信息输入经训练的停车控制模型，由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息；所述车轮控制信息包括所述车辆的车轮的转向角度控制信息和对应的行驶距离控制信息；所述目标位姿信息表征满足所述目标车位对应的停车条件的位姿信息；所述停车控制模型基于真实停车轨迹数据和模拟停车轨迹数据训练得到；

控制模块，用于根据所述当前车轮控制信息中的所述车轮控制信息，控制所述车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息；

输出模块，用于返回执行所述由所述停车控制模型根据所述初始位姿信息和目标位姿信息，输出所述车辆对应的当前车轮控制信息的步骤，直至所述车辆驶入所述目标车位。

第三方面，本申请提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。

上述停车控制方法、装置、计算机设备、存储介质和计算机程序产品，通过基于真实停车轨迹数据和模拟停车轨迹数据训练得到停车控制模型，通过停车控制模型根据车辆相对于目标车位的初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息，根据当前车轮控制信息中包含转向角度控制信息和对应的行驶距离控制信息的车轮控制信息，控制车辆以相应的转向角度行驶相应的距离驶入目标车位。相较于传统的通过手动设计规则实现停车，本方案通过利用真实和模拟多种形式的轨迹数据训练模型，利用模型结合初始位姿信息和目标位姿信息，输出对车辆的车轮角度和行驶距离等控制信息，并逐步控制车辆驶入目标车位，提高了停车的效率。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中停车控制方法的流程示意图；

图2为一个实施例中模型训练步骤的流程示意图；

图3为一个实施例中模拟轨迹数据生成步骤的示意图；

图4为一个实施例中停车控制装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种车辆通行控制方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，包括以下步骤S202至步骤S206。其中：

步骤S202，获取车辆相对于目标车位的初始位姿信息。

其中，倒车入库是一项复杂的驾驶任务，本方案通过强化学习，使车辆能够自主进行倒车入库，减少对驾驶员的依赖。其中，上述车辆可以是需要进行停车控制的车辆，例如无人驾驶的智能汽车等，终端可以是上述车辆中的车载终端，目标车位可以是上述车辆需要停靠至的车位。上述车辆可以是在上述目标车位外的车辆，并且上述车辆可以以任意位姿作为初始位姿信息。其中，上述初始位姿信息表示终端控制车辆驶入目标车位时，车辆起始的位姿信息。其中，位姿信息包括车辆的位置和朝向等信息。其中，车辆的位置可以是车辆相对于上述目标车位的位置，朝向可以是车辆的车头朝向，例如终端可以以目标车位对应的中轴线作为正向，并通过车辆中轴线与目标车位的中轴线的夹角，得到车辆的朝向。

其中，上述车辆的位姿信息可以随着终端控制车辆的移动而改变。并且，终端为确保可以控制车辆准确停入目标车位，车辆的位姿信息可以是车辆相对于目标车位的位姿信息。

在一个实施例中，获取车辆相对于目标车位的初始位姿信息，包括：获取车辆在目标坐标系中的位置信息以及朝向信息；目标坐标系基于目标车位建立；根据位置信息和朝向信息，得到车辆相对于目标车位的初始位姿信息。

本实施例中，终端可以以上述目标车位为基础，确定上述车辆的位姿信息，其中，位姿信息包括车辆的初始位姿信息。例如，位姿信息包括车辆的位置信息和朝向信息，终端可以将车辆后车轴中心的位置作为车辆的位置信息，并向车辆的车头朝向作为车辆的朝向信息。上述车辆的位姿信息和目标车位的位姿信息可以被统称为状态，并且，目标车位也可以具有对应的位置信息和朝向信息。其中。目标车位的位置可以通过目标车位的入口中点表示，目标车位的朝向可以通过目标车位的中轴线的朝向表示。为提高终端控制车辆进入停车位的准确度，并简化算法流程，终端可以以目标车位为原点建立目标坐标系，并获取上述车辆在上述目标坐标系中的位置信息和朝向信息，从而终端可以根据上述位置信息和朝向信息，得到车辆相对于目标车位的位姿信息。

具体地，上述状态中，车辆的位姿信息可以表示为（x，y，φ)，目标车位的位置和朝向可以表示为(x

其中，由于上述目标车位的位置固定不变，为提高车辆进入目标车位的准确度，以及简化算法步骤，终端可以将上述车辆的位置信息和朝向信息简化为车辆在目标车位的坐标系下的位姿信息，具体表示为(x

步骤S204，将初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息；每个车轮控制信息包括车辆的车轮的转向角度控制信息和对应的行驶距离控制信息；目标位姿信息表征满足目标车位对应的停车条件的位姿信息；停车控制模型基于真实停车轨迹数据和模拟停车轨迹数据训练得到。

其中，终端可以预先对待训练的停车控制模型进行训练，得到经训练的停车控制模型。终端可以利用上述停车控制模型，结合上述初始位姿信息和目标位姿信息，输出用于控制车辆驶入目标车位的当前车轮控制信息。其中，上述目标位姿信息表示满足目标车位对应的停车条件的位姿信息，包括车辆在目标车位中的位置信息的要求和车辆在目标车位中的朝向信息的要求等条件。其中，终端可以基于真实停车轨迹数据和模拟停车轨迹数据训练上述待训练的停车控制模型，从而得到经训练的停车控制模型。

其中，终端可以将上述初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息和目标位姿信息，逐步确定车辆驶入目标车位时，车辆的车轮在每次移动时对应的控制信息，进而在每次移动时输出车辆对应的当前车轮控制信息。每个车轮控制信息包括车辆的车轮的转向角度控制信息和对应的行驶距离控制信息。

其中，转向角度控制信息表示车辆在一次移动中车轮相对于车身正前方旋转的角度，行驶距离控制信息表示车辆在一次移动中车轮移动的距离。即上述车辆可以通过一次或多次移动实现停入目标车位，具体如何移动可以基于上述多个当前车轮控制信息得到。另外，由于上述初始位姿信息是相对于目标车位的位姿信息，停车控制模型可以基于初始位姿信息得到目标车位的相关信息，例如目标车位的位置和朝向等，进而终端通过停车控制模型，利用目标车位的位置和朝向等信息确定目标位姿信息。即终端通过使用车轮角度和行驶距离作为决策动作，将入库过程建模为圆弧轨迹序列，每次决策是选择圆弧的过程，使得决策步骤减少，降低相邻两次决策动作变化带来的不稳定性。

步骤S206，根据当前车轮控制信息中的车轮控制信息，控制车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息；

其中，终端可以基于车轮控制信息中的转向角度控制信息和对应的行驶距离控制信息，控制车辆以相应的转向角度行驶相应的距离逐步驶入目标车位。例如，在停车控制模型每次输出当前车轮控制信息后，终端按照当前车轮控制信息中的转向角度控制信息控制上述车辆的车轮的旋转角度，根据该车轮控制信息中的行驶距离控制信息控制上述车辆以上述转向角度控制信息行驶的距离，例如后退的距离。终端可以根据车辆按照上述当前车轮控制信息行驶后的位置信息和朝向信息，得到车辆对应的新的初始位姿信息。

步骤S208，返回执行由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息的步骤，直至车辆驶入目标车位。

其中，终端执行完成一次车轮控制信息后，可以继续获取停车控制模型输出的下一个车轮控制信息，直至终端完成控制车辆驶入目标车位的过程。在具体应用时，车辆基于自身传感器或其他第三方获取自身相对于目标车位的位姿，并根据训练好的停车控制模型进行决策和控制车辆。

上述停车控制方法中，通过基于真实停车轨迹数据和模拟停车轨迹数据训练得到停车控制模型，通过停车控制模型根据车辆相对于目标车位的初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息，根据当前车轮控制信息中包含转向角度控制信息和对应的行驶距离控制信息的车轮控制信息，控制车辆以相应的转向角度行驶相应的距离驶入目标车位。相较于传统的通过手动设计规则实现停车，本方案通过利用真实和模拟多种形式的轨迹数据训练模型，利用模型结合初始位姿信息和目标位姿信息，输出对车辆的车轮角度和行驶距离等控制信息，并逐步控制车辆驶入目标车位，提高了停车的效率。

在一个实施例中，将初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息，包括：将初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息确定对应的当前位置信息和当前朝向信息，并根据当前位置信息和当前朝向信息，生成指向目标车位的转向角度控制信息和行驶距离控制信息；另外，返回执行由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息的步骤，直至车辆驶入目标车位，包括：根据新的初始位姿信息确定车辆对应的新的当前位置信息和新的当前朝向信息；返回由停车控制模型根据当前位置信息和当前朝向信息，生成指向目标车位的转向角度控制信息和行驶距离控制信息的步骤，直至车辆对应的新的当前位置信息和新的当前朝向信息满足目标位姿信息时，确定车辆驶入目标车位。

本实施例中，终端可以利用停车控制模型，输出控制驶入目标车位的当前车轮控制信息。其中，停车控制模型可以是一种预设决策算法，用于为车辆的每一步移动中车轮的角度和行驶的距离做出决策。例如，终端将上述初始位姿信息输入经训练的停车控制模型，由停车控制模型基于初始位姿信息确定车辆的当前位置信息和当前朝向信息。其中，上述当前位置信息和当前朝向信息均可以是相对于目标车位的相关信息，终端可以根据上述当前位置信息和当前朝向信息，通过预设决策算法，生成指向目标车位的转向角度控制信息和行驶距离控制信息。

其中，终端通过上述停车控制模型得到上述转向角度控制信息和行驶距离控制信息后，可以基于转向角度控制信息和行驶距离控制信息，确定车辆对应的新的初始位姿信息，并基于新的初始位姿信息确定新的当前位置信息和新的当前朝向信息。例如，终端通过获取车辆基于上述转向角度控制信息和行驶距离控制信息进行移动后的新状态，进而基于新状态得到车辆对应的新的当前位置信息和新的当前朝向信息。

其中，终端通过停车控制模型生成上述转向角度控制信息和行驶距离控制信息，车辆基于这些控制信息进行相应行驶后，车辆不一定驶入目标车位，因此终端可以在确定上述车辆对应的新的当前位置信息和新的当前朝向信息后，返回由停车控制模型根据当前位置信息和当前朝向信息，生成指向目标车位的转向角度控制信息和行驶距离控制信息的步骤，并进行下一次转向角度控制信息和行驶距离控制信息的生成，直至车辆对应的新的当前位置信息和新的当前朝向信息满足目标位姿信息时，确定车辆驶入目标车位。其中，每个转向角度控制信息和对应的行驶距离控制信息表示每次移动中车辆车轮的行驶策略。从而终端可以通过停车控制模型，根据多个转向角度控制信息和对应的多个行驶距离控制信息，输出车辆对应的多个当前车轮控制信息。例如，终端通过停车控制模型将每组转向角度控制信息和对应的行驶距离控制信息作为一个车轮控制信息，并按照每次输出的车辆控制信息控制车辆进行相应的移动。

具体地，上述预设决策算法可以是PPO（Proximal Policy Optimization，近端策略优化）算法，PPO算法是一种基于策略梯度的通过直接学习策略函数来近似最优策略的强化学习算法。终端可以通过停车控制模型，结合PPO算法预测车辆每一步移动时的状态s，并基于状态s生成下一步的动作a。其中，状态s包括车辆相对于目标车位的当前位置信息和当前朝向信息，动作a包括车辆的转向角度控制信息和对应的行驶距离控制信息。其中，转向角度控制信息和对应的行驶距离控制信息可以基于联合高斯概率密度分布得到，终端在停车控制模型中基于上述位姿信息得到转向角度控制信息和对应的行驶距离控制信息对应的联合高斯概率密度分布，并根据上述联合高斯概率密度分布的均值等信息，确定对应的转向角度控制信息和对应的行驶距离控制信息。终端输入初始姿态信息到停车控制模型后，停车控制模型可以得到车辆的初始状态s

当终端通过停车控制模型检测到下一个状态s

终端还可以通过停车控制模型检测车辆当前位置信息和当前朝向信息是否满足目标姿态信息，确定车辆是否可以驶入目标车位。例如，终端通过停车控制模型，检测上述车辆的当前位置信息与目标车位的位置误差是否小于预设位置阈值，且当前朝向信息与目标车位的朝向信息的误差是否小于预设朝向阈值，若是，则确定车辆已经停入目标车位，进而输入上述车辆停车控制信息序列；若否，则认为预测失败，并进行下一次的预测。

通过本实施例，终端可以在停车控制模型（预设决策算法）中基于车辆的位姿信息，输出当前车轮控制信息，基于多次输出的当前车轮控制信息控制车辆驶入目标车位，提高了控制车辆停车的效率。

在一个实施例中，还包括：获取真实停车轨迹数据和模拟停车轨迹数据；根据真实停车轨迹数据和模拟停车轨迹数据，对待训练的停车控制模型进行监督训练，在监督训练完成时得到具有初始模型参数的停车控制模型；生成预设停车仿真环境，基于预设停车仿真环境确定车辆对应的目标车位样本和车辆相对于目标车位样本的初始位姿信息样本；将初始位姿信息样本输入停车控制模型，由停车控制模型基于初始位姿信息样本和目标位姿信息样本，输出指向目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息；目标位姿信息样本表征满足目标车位样本对应的停车条件的位姿信息；根据转向角度控制预测信息和对应的行驶距离控制预测信息，在预设仿真停车环境中控制车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息样本；返回执行将初始位姿信息样本输入停车控制模型的步骤，直至车辆满足预设停止生成条件时，基于多个转向角度控制预测信息和对应的行驶距离控制预测信息得到车辆对应的车轮控制预测信息序列；根据车轮控制预测信息序列、目标车位样本和预设强化学习算法，调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型。

本实施例中，终端可以利用真实停车轨迹数据和模拟停车轨迹数据训练待训练的停车控制模型。终端可以预先获取真实停车轨迹数据和模拟停车轨迹数据。其中，真实停车轨迹数据可以是通过在车辆中设置高精度的传感器，使用精度较高的传感器收集专家在倒车入库过程中的行驶轨迹数据集。模拟停车轨迹数据可以是通过运动学模型模拟生成的轨迹数据集。

在一个实施例中，获取模拟停车轨迹数据的步骤，包括：获取目标车位样本以及车辆对应的至少一个转弯半径样本；将目标车位样本输入预设运动学模型，由预设运动学模型基于目标车位样本和至少一个转弯半径样本，生成至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息，根据至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息输出车辆对应的模拟停车轨迹数据。

本实施例中，终端可以通过预设运动学模型模拟出停车轨迹数据。终端可以获取上述车位样本以及车辆对应的至少一个转弯半径样本，并将目标车位样本输入预设运动学模型，由预设运动学模型基于目标车位样本和至少一个转弯半径样本，生成至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息，根据至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息，其中，基于至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息可以生成指向目标车位样本的至少一个圆弧轨迹，这些圆弧轨迹的表示车辆基于固定的转向角度进行行驶得到的轨迹，且车辆的车轮的转向角度可以基于上述至少一个转弯半径样本得到，上述各个转弯半径样本的数值均大于车辆的车轮对应的最小转弯半径。从而终端可以得到预设运动学模型输出的车辆对应的模拟停车轨迹数据。其中，上述模拟停车轨迹数据中还可以包括圆弧数大于一的轨迹，终端基于模拟停车轨迹数据中轨迹的圆弧数，确定轨迹数据对应的阶数，例如具有n个圆弧的轨迹数据，可以被称为n阶轨迹数据。其中，n属于自然数。上述圆弧数可以基于车辆的车轮转向的次数确定，例如车辆的车轮每改变一次角度，上述运动学模型生成的轨迹数据中圆弧数可以增加一个。

终端得到上述真实停车轨迹数据和模拟停车轨迹数据后，可以基于真实停车轨迹数据和模拟停车轨迹数据对待训练的停车控制模型进行监督训练，并得到监督训练完成时具有初始模型参数的停车控制模型。其中，上述初始模型参数可以通过上述监督训练得到。上述监督训练可以是一种状态转移过程，终端利用真实停车轨迹数据和模拟停车轨迹数据，确定车辆的初始位姿信息样本，并基于初始位姿信息样本生成对应的转向角度控制预测信息和对应的行驶距离控制预测信息，从而终端基于转向角度控制预测信息和对应的行驶距离控制预测信息确定新的位姿预测信息，终端基于上述初始位姿信息样本对应的新的位姿信息样本与上述新的位姿预测信息的比较，调整停车控制模型的模型参数，直至满足预设监督训练结束条件时，得到具有初始模型参数的停车控制模型。其中，预设监督训练结束条件可以包括在预设训练次数内，上述新的位姿预测信息与新的位姿信息样本的相似度大于或等于预设相似度阈值，或训练次数达到上述预设训练次数。

终端还可以对具有初始模型参数的停车控制模型进行基于预设停车仿真环境的训练。例如，终端生成预设停车仿真环境，预设停车仿真环境中包括目标车位样本和车辆的初始位姿信息样本，基于预设停车仿真环境确定车辆对应的目标车位样本和车辆相对于目标车位样本的初始位姿信息样本。其中，预设停车仿真模型中首次生成的初始位姿信息样本可以是随机生成的。终端将初始位姿信息样本输入具有初始模型参数的停车控制模型，由停车控制模型基于初始位姿信息样本和目标位姿信息样本，通过停车控制模型（预设决策算法）生成指向目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息。其中，上述停车控制模型可以通过预设决策算法多次生成转向角度控制预测信息和对应的行驶距离控制预测信息，直至满足预设停止预测条件。其中，预设停止预测条件包括停车成功对应的条件和停车失败对应的条件。停车成功对应的条件包括车辆最终的位姿预测信息满足目标位姿信息样本；停车失败对应的条件包括车辆最终的位姿预测信息不满足目标位姿信息样本。

终端可以通过停车控制模型输出指向目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息。其中，目标位姿信息样本表征满足目标车位样本对应的停车条件的位姿信息。并且终端还可以根据转向角度控制预测信息和对应的行驶距离控制预测信息，在预设仿真停车环境中控制车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息样本；返回执行将初始位姿信息样本输入停车控制模型的步骤，重复获取停车控制模型输出的转向角度控制预测信息和转向角度控制预测信息对应的行驶距离控制预测信息，直至车辆满足预设停止生成条件时，基于多个转向角度控制预测信息和对应的行驶距离控制预测信息得到车辆对应的车轮控制预测信息序列。

终端可以根据车轮控制预测信息序列、目标车位样本和预设强化学习算法，调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型。其中，终端可以基于转向角度控制预测信息和对应的行驶距离控制预测信息构建环境奖励函数，则上述预设训练结束条件包括在预设训练次数内，上述环境奖励函数的数值在预设函数值范围内，或上述对预设决策算法的训练次数大于或等于预设次数阈值。

具体地，模型训练的过程可以如图2所示，图2为一个实施例中模型训练步骤的流程示意图。终端可以收集专家倒车入库的轨迹得到真实停车轨迹数据，即为轨迹数据集D1，该过程可以是利用专家经验进行轨迹数据采集的过程。其中，终端可以记录专家在停车过程中修改方向盘转角时车辆相对于停车位的位姿信息s、修改后的车轮角度a和行驶的距离d，则上述真实停车轨迹数据为每次停车时（s，a，d）的序列形成的集合。

并且，终端还可以利用预设运动学模型生成模拟停车轨迹数据。其中，利用预设运动学模型生成轨迹的示意图可以如图3所示，图3为一个实施例中模拟轨迹数据生成步骤的示意图。其中，上述车辆的预设运动学模型为阿克曼转向模型，在车辆倒车入库过程中，当前轮转动角度固定时，车辆的行驶轨迹为按照某圆心的圆弧运动。整个入库过程可以简化为求解一系列的圆弧轨迹，使得车辆能够由初始位姿，沿这些圆弧轨迹行驶之后，能够到达终止状态，即停车位的位置。其中，最小转弯半径可以是车辆的车轮对应的最小转弯半径。再如图2所示，由于车辆行驶轨迹在前轮转角固定的情况下为圆弧曲线，终端可以以停车位为起点产生半径大于车辆最小转弯半径的圆弧曲线，如图2中的300所示。其中，圆弧曲线上的点与对应的切线的方向作为车辆的初始位姿信息样本，则该圆弧即为一阶可行轨迹。如图2中的302所示，终端以停车位为起点产生圆弧曲线，并在曲线上某个点产生与当前曲线相切的另一个圆弧曲线，两段圆弧的半径均大于车辆最小转弯半径，则第二段圆弧上的点与对应的切线的方向作为车辆的初始位姿信息样本，则该两端圆弧即可构成二阶可行轨迹；重复此步骤可以继续得到三阶、四阶等轨迹，终端可以将生成的初始位姿信息样本和轨迹数据，构成轨迹数据集D2，即上述模拟停车轨迹数据。

其中，终端还可以搭建仿真环境，用于对停车控制模型（预设决策算法）进行仿真训练。其中，仿真环境模拟了车辆在倒车入库过程中的运动情况和噪声。本实施例中，仿真环境主要涉及的状态转移为车辆的运动过程。具体地，当车辆在t时刻位于状态s

；其中，α为预设常数。

终端检测到车辆在误差允许范围内达到目标车位所在位置，例如车辆的位置与车位的位置的误差小于10厘米，且朝向与目标车位一致时，认为车辆完成停车，仿真环境结束；若终端检测到车辆的位置超出预设允许范围，例如超出了目标车位前5米*5米的方形范围，终端认为停车失败，结束仿真环境。

上述预设决策算法可以是PPO算法，终端可以利用上述仿真环境对包含PPO算法的停车控制模型进行训练，进而得到经训练的停车控制模型。其中，PPO算法是一种代表性的强化学习算法，能够通过将策略参数化，并利用梯度下降等方法优化策略本身。对于无人车辆入库过程的控制，终端可以按一定方式进行离散化，并建模为MDP (Markov DecisionProcess，马尔可夫决策过程)，通过利用PPO算法进行训练，能够得到足够优秀的策略，实现倒车入库过程的智能控制。

通过上述实施例，终端可以通过利用真实停车轨迹数据和模拟停车轨迹数据，对停车控制模型进行包括监督训练和仿真训练等训练，形成经训练的停车控制模型，基于停车控制模型控制车辆进行倒车停车，提高了控制车辆停车的效率。

在一个实施例中，由停车控制模型基于初始位姿信息样本和目标位姿信息样本，输出指向目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息，包括：基于初始位姿信息样本，确定车辆对应的当前位置预测信息和当前朝向预测信息；根据当前位置预测信息和当前朝向预测信息，生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息。另外，上述返回执行将初始位姿信息样本输入停车控制模型的步骤，直至车辆满足预设停止生成条件时，基于多个转向角度控制预测信息和对应的行驶距离控制预测信息得到车辆对应的车轮控制预测信息序列，包括：根据新的初始位姿信息样本确定车辆对应的新的当前位置预测信息和新的当前朝向预测信息；返回根据当前位置预测信息和当前朝向预测信息，生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息的步骤，直至车辆对应的新的当前位置预测信息和新的当前朝向预测信息满足目标位姿信息样本时，得到车辆对应的至少一个转向角度控制预测信息和对应的至少一个行驶距离控制预测信息；根据至少一个转向角度控制预测信息和至少一个行驶距离控制预测信息，输出对应的车轮控制预测信息序列。

本实施例中，终端可以利用初始位姿信息样本和目标位姿信息样本，对停车控制模型（预设决策算法）进行训练。其中，终端可以通过停车控制模型，基于上述初始位姿信息样本，确定车辆对应的当前位置预测信息和当前朝向预测信息。其中，当前位置预测信息和当前朝向预测信息均可以是相对于目标车位样本的预测信息。终端通过停车控制模型，根据当前位置预测信息和当前朝向预测信息，通过预设决策算法生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息。

终端通过预先生成预设停车仿真环境，在上述仿真环境中利用上述转向角度控制预测信息和行驶距离控制预测信息确定车辆对应的新的当前位置预测信息和新的当前朝向预测信息，并返回根据当前位置预测信息和当前朝向预测信息，通过预设决策算法生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息的步骤，直至预设停车仿真环境中的车辆对应的新的当前位置预测信息和新的当前朝向预测信息满足目标位姿信息样本时，得到车辆对应的至少一个转向角度控制预测信息和对应的至少一个行驶距离控制预测信息。即终端通过停车控制模型（预设决策算法），结合预设停车仿真环境，生成至少一个包含转向角度控制预测信息和对应的行驶距离控制预测信息的车轮控制预测信息。终端通过停车控制模型根据至少一个转向角度控制预测信息和至少一个行驶距离控制预测信息，输出对应的车轮控制预测信息序列。即终端通过停车控制模型（预设决策算法），可以多次生成上述车轮控制预测信息，终端在每次生成车轮控制预测信息后，基于该车轮控制预测信息在预设停车仿真环境中控制车辆进行相应的移动，从而通过多次移动逐步在预设停车仿真环境中完成对车辆的仿真停车，直至通过预设决策算法确定停车成功或停车失败时完成一次预测。

具体地，上述预设决策算法可以是PPO算法，终端利用上述构建的仿真环境对停车控制模型中的PPO算法进行训练。其中，终端可以预先构建包含PPO算法的神经网络模型，即上述停车控制模型。其中，停车控制模型可以是多层全连接网络或基于长短期记忆网络构建。上述网络模型的输入为环境的状态。其中，状态s为车辆的位姿信息(x,y, φ)和目标车位样本的位置信息和朝向信息(x

通过本实施例，终端可以通过对停车控制模型（预设决策算法）进行训练，得到经训练的停车控制模型，终端基于停车控制模型输出的停车控制信息序列控制车辆进行停车，提高了控制车辆停车的效率。

在一个实施例中，根据车轮控制预测信息序列、目标车位样本和预设强化学习算法，调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型，包括：针对每组转向角度控制预测信息和行驶距离控制预测信息，获取在预设仿真停车环境中车辆基于转向角度控制预测信息和行驶距离控制预测信息移动后，对应的当前位置预测信息和当前朝向预测信息；根据当前位置预测信息、当前朝向预测信息、转向角度控制预测信息和行驶距离控制预测信息的加权和，得到该组转向角度控制预测信息和行驶距离控制预测信息对应的奖励函数值；根据预设调整条件，获取多组转向角度控制预测信息和行驶距离控制预测信息对应的多个奖励函数值；其中，预设调整条件包括车辆的当前位置预测信息和当前朝向预测信息满足目标位姿信息样本，或车辆的当前位置预测信息和当前朝向预测信息满足预设停车失败条件；根据多个奖励函数值的加权和调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型。

本实施例中，上述停车控制模型输出的每组转向角度控制预测信息和行驶距离控制预测信息，都会使车辆进入一个新的状态，例如新的初始位姿信息样本，即停车控制模型会得到车辆对应的新的位姿信息，为确保新的位姿信息是在停入车位的预期最优路线上，需要通过环境奖励函数，结合停车控制模型基于预设决策算法生成的停车控制预测信息序列，对预设决策算法的参数进行调整。

其中，对于每组转向角度控制预测信息和行驶距离控制预测信息，终端可以获取在预设仿真停车环境中车辆基于转向角度控制预测信息和行驶距离控制预测信息移动后，对应的当前位置预测信息和当前朝向预测信息。终端可以基于根据当前位置预测信息、当前朝向预测信息、转向角度控制预测信息和行驶距离控制预测信息构建环境奖励函数，例如基于当前位置预测信息、当前朝向预测信息、转向角度控制预测信息和行驶距离控制预测信息的加权和，得到该组转向角度控制预测信息和行驶距离控制预测信息对应的奖励函数值，该损失函数可以是上述环境奖励函数。其中当前位置预测信息表示车辆在上述基于预设停车仿真环境的训练过程中，车辆在基于目标车位样本建立的坐标系中的位置；当前朝向预测信息表示车辆在上述基于预设停车仿真环境的训练过程中，车辆相对于目标车位样本的朝向角度的偏差角度。

终端可以根据预设调整条件，获取多组转向角度控制预测信息和行驶距离控制预测信息对应的多个奖励函数值。其中，预设调整条件表示需要对上述预设决策算法进行调整的条件，预设调整条件包括车辆的当前位置预测信息和当前朝向预测信息满足目标位姿信息样本，或车辆的当前位置预测信息和当前朝向预测信息满足预设停车失败条件。其中，预设停车失败条件可以是终端基于停车控制模型当前输出的转向角度控制预测信息和行驶距离控制预测信息，预测到车辆超出了停车允许的范围，例如超过了停车位前5米*5米的方形范围等条件。

其中，终端可以根据多个奖励函数值的加权和调整初始模型参数，并重复上述基于预设决策算法生成停车控制预测信息序列的过程，直至满足预设训练结束条件时，得到经训练的停车控制模型。其中，预设训练结束条件包括但不限于在预设训练次数内，上述多个奖励函数值的加权和大于或等于预设函数阈值，或训练次数大于或等于预设训练次数。

具体地，上述基于预设决策算法生成转向角度控制预测信息和行驶距离控制预测信息的过程，可以是仿真过程。上述预设决策算法可以是PPO算法，终端基于上述仿真环境，对停车控制模型中的PPO算法进行训练，例如，终端预先生成预设仿真停车环境，终端基于车辆当前位置预测信息和当前朝向预测信息进行若干步仿真，终端随机选择车辆初始时刻相对于目标车位样本的初始位姿信息，并执行若干步仿真，记录每次仿真时，车辆的状态和PPO算法的决策动作，以及执行动作后，车辆的新状态和环境奖励，从而得到车轮控制预测信息序列，即轨迹。终端基于上述轨迹和环境奖励，对PPO算法进行策略更新。

其中，上述状态包括车辆的当前位置预测信息和当前朝向预测信息，动作包括转向角度控制预测信息和行驶距离控制预测信息。每当仿真环境中产生一个状态s

其中，每次生成转向角度控制预测信息和行驶距离控制预测信息后，对应的环境奖励r

终端还可以将多个环境奖励值（奖励函数值）进行累积，基于累积的值对预设决策算法进行调整。例如，终端将一个车轮控制预测信息序列中的各个r

通过本实施例，终端基于环境奖励值对预设决策算法进行训练和调整，得到包含预设决策算法的停车控制模型，使得停车控制模型生成的多个当前车轮控制信息满足最优的停车轨迹，基于停车控制模型控制车辆进行停车，提高了控制车辆停车的效率。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的停车控制方法的停车控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个停车控制装置实施例中的具体限定可以参见上文中对于停车控制方法的限定，在此不再赘述。

在一个示例性的实施例中，如图4所示，提供了一种停车控制装置，包括：获取模块500、输入模块502、控制模块504和输出模块506，其中：

获取模块500，用于获取车辆相对于目标车位的初始位姿信息。

输入模块502，用于将初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息；车轮控制信息包括车辆的车轮的转向角度控制信息和对应的行驶距离控制信息；目标位姿信息表征满足目标车位对应的停车条件的位姿信息；停车控制模型基于真实停车轨迹数据和模拟停车轨迹数据训练得到。

控制模块504，用于根据当前车轮控制信息中的车轮控制信息，控制车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息；

输出模块506，返回执行由停车控制模型根据初始位姿信息和目标位姿信息，输出车辆对应的当前车轮控制信息的步骤，直至车辆驶入目标车位。

在一个实施例中，上述获取模块500，用于获取车辆在目标坐标系中的位置信息以及朝向信息；目标坐标系基于目标车位建立；根据位置信息和朝向信息，得到车辆相对于目标车位的初始位姿信息。

在一个实施例中，上述输入模块502，用于将初始位姿信息输入经训练的停车控制模型，由停车控制模型根据初始位姿信息确定对应的当前位置信息和当前朝向信息，并根据当前位置信息和当前朝向信息，生成指向目标车位的转向角度控制信息和行驶距离控制信息。

在一个实施例中，上述输出模块502，用于根据新的初始位姿信息确定车辆对应的新的当前位置信息和新的当前朝向信息；返回由停车控制模型根据当前位置信息和当前朝向信息，生成指向目标车位的转向角度控制信息和行驶距离控制信息的步骤，直至车辆对应的新的当前位置信息和新的当前朝向信息满足目标位姿信息时，确定车辆驶入目标车位。

在一个实施例中，上述装置还包括训练模块，用于获取真实停车轨迹数据和模拟停车轨迹数据；根据真实停车轨迹数据和模拟停车轨迹数据，对待训练的停车控制模型进行监督训练，在监督训练完成时得到具有初始模型参数的停车控制模型；生成预设停车仿真环境，基于预设停车仿真环境确定车辆对应的目标车位样本和车辆相对于目标车位样本的初始位姿信息样本；将初始位姿信息样本输入停车控制模型，由停车控制模型基于初始位姿信息样本和目标位姿信息样本，输出指向目标车位样本的转向角度控制预测信息和对应的行驶距离控制预测信息；目标位姿信息样本表征满足目标车位样本对应的停车条件的位姿信息；根据转向角度控制预测信息和对应的行驶距离控制预测信息，在预设仿真停车环境中控制车辆以相应的转向角度行驶相应的距离，得到新的初始位姿信息样本；返回执行将初始位姿信息样本输入停车控制模型的步骤，直至车辆满足预设停止生成条件时，基于多个转向角度控制预测信息和对应的行驶距离控制预测信息得到车辆对应的车轮控制预测信息序列；根据车轮控制预测信息序列、目标车位样本和预设强化学习算法，调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型。

在一个实施例中，上述训练模块，用于获取目标车位样本以及车辆对应的至少一个转弯半径样本；将目标车位样本输入预设运动学模型，由预设运动学模型基于目标车位样本和至少一个转弯半径样本，生成至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息，根据至少一个模拟转向角度控制信息和对应的至少一个模拟行驶距离控制信息输出车辆对应的模拟停车轨迹数据。

在一个实施例中，上述训练模块，用于基于初始位姿信息样本，确定车辆对应的当前位置预测信息和当前朝向预测信息；根据当前位置预测信息和当前朝向预测信息，生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息。

在一个实施例中，上述训练模块，用于根据新的初始位姿信息样本确定车辆对应的新的当前位置预测信息和新的当前朝向预测信息；返回根据当前位置预测信息和当前朝向预测信息，生成指向目标车位样本的转向角度控制预测信息和行驶距离控制预测信息的步骤，直至车辆对应的新的当前位置预测信息和新的当前朝向预测信息满足目标位姿信息样本时，得到车辆对应的至少一个转向角度控制预测信息和对应的至少一个行驶距离控制预测信息；根据至少一个转向角度控制预测信息和至少一个行驶距离控制预测信息，输出对应的车轮控制预测信息序列。

在一个实施例中，上述训练模块，用于针对每组转向角度控制预测信息和行驶距离控制预测信息，获取在预设仿真停车环境中车辆基于转向角度控制预测信息和行驶距离控制预测信息移动后，对应的当前位置预测信息和当前朝向预测信息；根据当前位置预测信息、当前朝向预测信息、转向角度控制预测信息和行驶距离控制预测信息的加权和，得到该组转向角度控制预测信息和行驶距离控制预测信息对应的奖励函数值；根据预设调整条件，获取多组转向角度控制预测信息和行驶距离控制预测信息对应的多个奖励函数值；其中，预设调整条件包括车辆的当前位置预测信息和当前朝向预测信息满足目标位姿信息样本，或车辆的当前位置预测信息和当前朝向预测信息满足预设停车失败条件；根据多个奖励函数值的加权和调整初始模型参数，直至满足预设训练结束条件时，得到经训练的停车控制模型。

上述停车控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种停车控制方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的停车控制方法。

在一个实施例中，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上述的停车控制方法。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的停车控制方法。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。