自動泊車系統測試場景的提取與轉換方法研究

張勝根，張 強，楊良義，邢春鴻，黃俊富

(1.汽車噪聲振動和安全技術國家重點實驗室， 重慶 401122；2.中國汽車工程研究院股份有限公司， 重慶 401122)

近年來，國內外搭載自動泊車系統的車型大量涌現，但經有關機構測試發現，已量產車型的自動泊車系統對國內泊車環境的適應性普遍較差[1-3]。這是因為大部分自動泊車系統的開發流程中缺少能代表中國典型車位特征的測試場景。國外雖然已發布了部分泊車輔助系統的標準法規[4-6]，但這些標準法規中的測試場景是基于國外泊車環境而制定。與國內典型車位相比，國外泊車環境大部分僅包含平行車位與垂直車位，不僅缺乏斜向車位和地下停車場常見的方柱垂直車位，場景豐富度有限，而且標線車位的尺寸與國內車位也有差異。因而，國外標準法規中的泊車場景不適用于國內典型車位場景的自動泊車系統。為了提升國內自動泊車系統的性能，貫徹落實國家的制造強國戰略[7]，為汽車企業及零部件生產機構提供適應國內泊車環境的自動泊車系統測試場景具有重要意義。

現有的智能網聯汽車測試方法可歸納為2類：基于功能的測試方法和基于場景的測試方法[8]。基于功能的測試方法單一地考核智能汽車的感知、決策、規劃、執行等功能；基于場景的測試方法利用實際測試場景考核智能汽車外在的綜合性能表現[9]。國內外學者對自動泊車系統的研究大部分是從產品開發的角度進行[10-11]。從測試角度進行的研究成果有限[12-13]。在自動泊車系統產品開發中，大部分產品開發機構采用基于功能的測試方法，產品對使用環境的適應性及冗余度有限。

Wachenfeld等[14]提出智能汽車測試場景的構建方法，主要通過描述場景特征的形式構建不同的測試場景。蒙昊藍等[15]借鑒ALFUS思想，提出基于自主泊車系統測試用例構建框架的自主泊車系統測試體系。馬煜森[16]對影響自動泊車系統的因素進行分析，設計了包含車位環境要素的測試場景要素庫。閆曉雷[17]通過實地調研與問卷調查，探討了適合自動泊車系統的測試場景。上述學者研究了基于場景的測試方法，但采取的測試場景大部分是通過描述場景特征的方法來構建的[14-19]，不能有效代表國內典型泊車環境。為了客觀反映國內泊車環境，需要對現實中海量的真實場景進行適當分類和提取，選取出最具代表性的典型場景。

本文中參考基于場景的測試方法思路，使用機器視覺手段從真實泊車環境中采集泊車場景數據，聚類提取出典型車位的類型及其特征參數，對其進行統計分析，轉換成能夠代表國內典型泊車環境的自動泊車系統測試場景。

1 基于機器視覺的泊車場景數據采集

1.1 場景數據采集方案

為了獲取代表國內典型泊車環境的自動泊車系統測試場景，基于機器視覺(simultaneous localization and mapping，SLAM)算法對國內泊車位信息進行采集，采用K-Means算法對采集到的車位信息進行聚類分析，得到場景特征參數。

采集系統采用3攝像頭方案。3路高清相機分別位于車輛前、左、右、后方采集泊車位信息，記錄前、左、右視場信息。通過OBD口讀取車輛速度等數據，支持在線標記和離線回放。場景采集設備示意圖如圖1所示。

基于專家經驗選取國內不同省份典型城市的停車場，采集泊車環境數據。采集方案配置信息如表1所示。

表1 采集方案配置

使用上述采集設備及配置，采用如圖2所示的機器視覺場景數據采集流程對泊車場景數據進行采集和提取。

圖2 場景數據采集流程框圖

1.2 場景數據提取與聚類

對于泊車位信息的提取，采用智能提取算法加人工修正的方式進行，自動提取過程中應遵循4個準則。場景提取準則如表2所示。

表2 場景提取準則

基于視覺SLAM算法提取相機識別到的車位圖像及周邊障礙物信息。視覺SLAM是使用攝像頭來獲取周圍環境信息，利用圖像信息來恢復相機位姿和周圍環境的技術。在 SLAM 問題中，狀態通常包含相機位姿、路標點三維坐標等[20]。SLAM 問題可總結為一個包含運動方程和觀測方程的模型，在方程中位姿采用變換矩陣來描述，觀測方程由相機成像模型給出。

SLAM的觀測方程和運動方程為

(1)

其中：TCkw為觀測位置；uk為像素坐標系中對應的坐標；wk為成像坐標系中對應的坐標；yj為世界坐標系中的觀測點；Zk,j為路標yj對應的像素坐標；wk,j為觀測點路標yj在世界坐標系中的坐標。

在本文中，基于視覺SLAM進行泊車場景參數提取的流程如圖3所示。

圖3 數據場景采集流程框圖

泊車位長度的計算方法表示為：

(2)

其中：n為車位像素點的個數；Δyi為第i個車位像素點對應的y方向的長度；Δxi為第i個車位像素點對應的x方向的長度。

通過對攝像頭參數進行標定，反向解算出車輛所處泊位平面中泊車位的真實物理尺寸。 提取的參數涵蓋自車信息、泊車位環境信息和泊車位信息共計68個小類，信息龐大且繁雜。由于泊車參數的維度較高，故維度之間解耦分析較為困難。為了得到典型車位的特征參數，需要對這些信息做進一步處理，將68類參數采用K-Means算法進行聚類降維。

對于分類問題，通常不會提供x與y的映射關系。這種使用機器自動找出其中規律并進行分類的問題稱為聚類。K-Means算法是一種無監督學習算法，也是基于劃分的聚類算法，它能夠自動地將相同元素分為緊密關系的子集或簇[21]。

空間中數據對象與聚類中心間的歐式距離[22]為：

(3)

其中：x為數據對象；Ci為第1個聚類中心；m為數據對象的維度;xj、Cij為x和Ci的第j個屬性值。

整個數據集的誤差平方和SSE表示為：

(4)

其中：SSE值的大小表示聚類結果的好壞；k為簇的個數。

本文中研究的泊車特征參數聚類，當k值為15時，SSE的值最低(SSE=70)，故認為將68類特征參數聚類降維為15類要素時最為合適，這15類要素對泊車位信息影響最大，15類泊車位信息要素如表3所示。

表3 對泊車位信息影響最大的15類要素

2 場景分析與轉換

根據聚類降維后抓取的對泊車位信息影響最大的要素進行統計學分析。統計車位形狀的比例，得到表4所示的統計結果。

表4 車位形狀統計結果

在將相關信息轉換為自動泊車系統測試場景時應包含平行車位、垂直車位2種矩形車位和斜向車位，共3種形狀的車位。應用測試場景進行測試評價時，對于3種車位形狀的場景，其權重與統計得到的比例一致，為4∶5∶1。

對于平行車位與斜向車位，根據車位兩側是否有邊界車輛，其形式分為車位兩側有車的雙邊界平行車位與車位兩側無車的標線平行車位。對于垂直車位，存在車位兩側有車、車位一側有車而另一側有方柱(常見于地下車庫)、車位兩側無車的情形。

由上述對泊車位場景的分析，得到7種車位形式。對3種車位類型的7種車位形式進行統計，得到如表5所示的結果。

表5 不同車位形式的比例

由表5可知，在轉換測試場景時，測試場景應包含平行、垂直、斜向車位3類形狀，7種不同車位形式。

進一步分析表5發現，平行車位中，兩側有邊界車輛的雙邊界平行車位與標線車位的比例約為2∶1；雙邊界垂直車位、方柱垂直車位、標線垂直車位的比例約為3∶1∶1；雙邊界斜向車位與標線斜向車位的比例約為2∶1。

在轉換測試場景時，需遵循各種車位形式的比例，結合3種形狀的車位比例對各個場景及其所占權重進行設置。不同車位場景所占權重見表6。

表6 不同車位場景所占權重

通過上述轉換得到了測試場景中的車位類型及形式。下面進一步分析各個車位形式的特征參數。

對表3中9～12號要素(即車位四周的隔離方式)進行統計學分析發現，車位周圍的隔離方式主要有11類元素。平行泊車位四周隔離方式的統計結果如圖4所示。

圖4 平行泊車位四周隔離方式統計結果

采用同樣的方法對垂直車位與斜向車位分別進行統計可知，左右隔離方式和前隔離方式的占比由高到低依次為：白色實線、白色虛線、黃色實線、其他。后隔離方式的占比由高到低依次為：減速裝置、白色實線、臺階、其他。

根據以上統計結果轉換到實際測試場景中，各個標線車位的隔離方式如表7所示。其中，路沿石隔離指平行車位靠近馬路一側由路沿石構成的隔離方式。

對采集的車位場景的車位特征參數做進一步分析，統計標線車位的尺寸參數，得到標線平行車位、標線垂直車位、標線斜向車位的尺寸概率分布。對各個車位尺寸參數及其概率使用高斯擬合。垂直車位的車位尺寸概率分布見圖5。

表7 標線車位的隔離方式

圖5 垂直車位的車位尺寸概率分布

使用同樣的方法對標線平行車位和標線斜向車位的尺寸分布進行概率統計與高斯擬合，得到的標線車位尺寸統計結果如表8所示。

表8 標線車位的尺寸統計結果

使用同一輛采集車輛對有邊界車位的車位尺寸進行采集后，統計得到邊界車位的尺寸統計結果，見表9。

表9 邊界車位的尺寸統計結果

根據車位特征參數分析，遵循場景所占比例，轉換得到自動泊車系統測試場景及參數(表10)。

表10 自動泊車系統測試場景及參數

3 測試場景對比分析與實車測試驗證

對國內外已有的部分標準法規中的測試場景(見表11)進行對比分析可知，與國內外已有標準相比，本文研究轉換的測試場景更加豐富，包含了國內常見的地下車庫方柱車位、雙邊界斜向車位、白色標線斜向車位。而國外標準法規中缺少這3種國內常見的車位類型。

表11 不同標準中自動泊車系統測試場景分析

為了進一步驗證自動泊車系統測試場景能客觀反映不同車型的自動泊車產品性能，選取4款國內外已上市、搭載自動泊車系統的車型進行測試。4款車型涵蓋了自主國產車型與合資車型。車型信息見表12。試驗條件見表13。圖6所示為測試設備實物圖。圖7為試驗場景圖。

表12 車型信息

表13 試驗條件

圖6 試驗設備實物圖

測試車與目標車位的搜索車位橫向間距為(1.2±0.2) m，車位搜索速度為(10±2) km/h。

記錄試驗數據，并對試驗結果進行分析。根據轉換的測試場景權重，對應分配各個場景的評價總分。根據2020版i-VISTA智能泊車輔助評價規程[23]中各泊車分項評分指標對4款車型進行打分。

采用本文測試場景對4款車進行的測試結果如圖8所示。由圖8可知，針對同一款車型，7種場景的得分差異較大；針對同一場景，如雙邊界平行車位，4款車型的得分差異也較大。4款車型在不同場景下的得分統計見表14。

圖8 本文場景測試結果

表14 試驗得分結果統計

由圖8和表14可知，4款車型的總體得分不高，不同車型針對不同的場景得分有較大差異，表明本文中的測試場景對不同車型的自動泊車系統有較大的區分度。

采用已發布標準法規中的測試場景對4款車進行測試并打分。采用ISO 16787中的測試場景進行測試，測試結果見圖9。

圖9 ISO16787場景測試結果

由圖9可知，針對同一款車型，標準中具有的2種場景的得分差異較小，均接近滿分；針對同一場景，如雙邊界平行車位，4款車型的得分差異也較小。分別采用GB/T 征求意見稿、ISO 20900中的測試場景進行測試，使用同樣的評價標準對4款車型進行評價，得到的結論與ISO 16787的結論相似。以上已發布的標準法規中的測試場景對不同車型的自動泊車性能區分度較小，不能反映自動泊車產品對不同泊車場景的適應性。

根據場景測試結果進一步分析4款車型的性能表現。4款車型中得分較高的車位場景為雙邊界平行車位與雙邊界垂直車位；對于標線車位，4款車型均不得分，表明隨機選取的4款車型均不能有效識別白色標線車位。由于泊車方案采用的是單一超聲波雷達方案，為了更好地適應國內典型泊車位，建議采用超聲波雷達+攝像頭的融合方案。對比平行車位、垂直車位、斜向車位發現，4款車中僅有2款車能識別并泊入雙邊界斜向車位。該結果表明，對于有邊界車位，斜向車位得分低，有將近一半的車型不能識別斜向邊界車位，不能適應國內的典型泊車位，故建議加強對斜向車位的識別能力。

上述實車測試結果表明，所設計的自動泊車系統測試場景與已有標準法規中的測試場景相比，能更客觀地反映泊車系統對典型泊車場景的識別能力與泊車能力，區分不同自動泊車系統產品的性能優劣。

4 結論

提出了基于機器視覺的國內泊車位場景采集方案及提取方法，對提取的泊車場景要素進行聚類降維分析，得到典型泊車位的類型和特征參數。對這些特征參數進行統計學分析，按照所占比例轉換得到可用于試驗的測試場景。基于測試場景進行實車測試驗證。結果表明，所提出的測試場景與現有標準法規中的場景相比，細節更加豐富，能更全面地檢驗自動泊車系統的性能，為消費者購車、自動泊車產品的性能提升提供參考。

由于實車試驗車型的樣本數量有限，下一步將進行更多車型的測試，以充分驗證所提出的測試場景的合理性，解決國內典型泊車環境中現有車型自動泊車時存在的短板問題，為企業產品性能提升提供參考。