基于超声波的库位重定位算法

---

概述

基于超声的垂直车位检测存在许多技术瓶颈，比如超声波的更新频率和探测开角，都是影响检测精度的关键因素。另外由于车辆头部形状多样，没有车辆侧面平整。以及传感器本身性能限制和探测环境的复杂性，很难实现车位一次性精确检测。因此本文提出一种库位检测的思路，结合超声波的三角定位算法，进一步提高超声波车位定位的精度。

过程描述

首先车辆先通过超声波传感器进行第一次停车位检测，确定停车位的大概位置，规划控制算法会控制车辆进入倒车入库状态。在入库的过程中，进行前车车头边沿的重新检测，并通过尾部超声波进行后车右前角的检测。当车辆离后车距离达到30~40cm时，车辆停止。通过后置的短距超声波，使用三角定位算法实现，进行后车边沿数据的采集。等待数据量足够时，一般可以设定200个数据点左右。停止超声数据的推送，开始进行边沿算法的计算，从而实现垂直车位的二次定位。

---

信号处理

---

数据滤波

传感器状态滤波

由于传感器本身会输出一些状态信号，第一步可以先使用传感器输出的状态信号，进行一级数据的滤波。

---

Level值

超声波的Level值反应了声波的回波强度，因此可以使用回波强度的大小，去滤除一部分无效信号，比如回波为0值数据。这些数据反应了未探测到障碍物，或者是障碍物的特殊结构反射了声波，特殊的材料吸收了声波。
比如某些车型的车头设计有很大的进气栅格，这种结构就会减少反射声波的强度，从而导致强度降低。

当超声波探测到车辆边沿时，此时由于很多回波反射方向变化，所以传感器接收到的强度变低。

通过一系列的滤波操作，可以得出以下图形。其中蓝色是滤波前的原始数据，黄色是滤波后的数据。可以从下图看出，通过滤波操作可以滤除一些无效信号点。

---

边沿检测

概述

对原始数据进行处理后，可以得到一组有效的超声信号，基于这组数据，可以进行车辆边沿的检测。

距离疏密程度

由于所有的坐标点都已经转化到了地面坐标系下，所以只需要进行x方向的疏密度分析。从下图可知，在车辆边沿处，点比较稀疏，有的地方存在很长一段距离无数据点。这种情况一般是车头处存在镂空的结构，或者声波发生了散射，导致声波强度减小。所以在确定车辆边沿点时，需设置一个疏密距离阀值，当距离值大于阀值时，才认为该点是边界的跳变点。

数据分布

对于后车的边沿定位，使用的是车辆后方的短距传感器，该传感器使用三角定位原理，确定后车边沿的坐标值。可以从图中看出，图片左侧数据点描绘的是后车的边沿，可以通过数据的分布情况，及集中程度，确定最有可能车辆边沿的值。

如下图所示，是对上图x轴做了数值分布分析，可以看出，大部分点的x轴坐标都分布于区域5中，所以最后取区域5中的点作为可信的坐标点。