[发明专利]一种基于半监督学习的自动编码器在自动泊车中车位探测的方法

权利要求书

1.一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，包括以下步骤：

S1：在自动泊车模型中，首先通过车载超声波传感器采集车位障碍物返回的时间戳，距离横坐标，距离纵坐标，回波宽度，回波峰值，并通过总线分析软件CANoe连接第二代车载诊断系统OBD-II端口导出构建初始数据集；此外，计算横纵坐标的梯度和梯度变化率；

S2：训练基于半监督学习的自动编码器，该编码器包括输入层，隐藏层和输出层；输入层接收n个样本并输入到d维输入空间中，并且每个样本由x_i＝[x_i1，x_i2，...，x_id]^T∈R^d组成；隐藏层通过编码器函数得到y_i＝f_θ(x_i)＝s(Wx_i+b)，即将输入样本x_i映射到l维的隐藏层中；f_θ代表对输入值的加权计算并激活实现非线性化；输出层，通过解码器函数得到z_i＝g_θ(y_i)＝s(W′y_i+b′)，即从z_i恢复x_i，g_θ代表对隐藏层特征的加权计算和激活实现非线性化；编码器和解码器步骤表达如下，其中隐藏层的权重和偏置表示为W，b，而W′和b′则是解码器的权重和偏置；本方法通过X＝[x₁，x₂，...，x_n]∈R^d×n，Y＝[y₁，y₂，...，y_n]∈R^|×n，及Z＝[z₁，z₂，...，z_n]∈R^d×n分别表示输入层、隐藏层、输出层的样本特征矩阵，s代表激活函数；a₁，a₂分别代表输入层和隐藏层的线性加权计算；

a₁＝Wx_i+b，y_i＝s(a₁)

a₂＝W′y_i+b′，z_i＝s(a₂)

S3：基于训练完成的自动编码器的编码器部分，提取一次车位检测的数据集合特征，样本数为n，通过自动编码器能提取较为独特，边界局部的数据本质特征，因此，可以得到一次泊车n个样本的特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n；

S4：将S3提取的样本特征矩阵Y＝[y₁，y₂，...，y_n]∈R^|×n输入到浅层网络中，对每个坐标分类，判断是否是边界点；通过密度平均值法确定车位最终边界坐标，当分类网络将一次泊车的所有点分类后，车辆得到边界点的个数，并计算连续边界点的密度，从而以密度最高的车位左右两处边界集合为车位边界坐标集合，并计算平均值，确定为最终的车位边界坐标。

2.根据权利要求1所述的一种基于半监督学习的自动编码器在自动泊车中车位探测的方法，其特征在于，通过计算横纵坐标的梯度和梯度变化率，计算梯度公式如下，其中Y_i和Y_i-1代表超声波测距传感器反射回的与障碍物的距离值，X_i和X_i-1代表车辆移动的距离差；梯度变化率计算公式如下，其中G_i和G_i-1为当前时刻梯度值，X_i和X_i-1代表车辆移动的距离差：

Grad_i＝Y_i-Y_i-1/X_i-X_i-1

V_i＝G_i-G_i-1/X_i-X_i-1。