(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210958814.0 (22)申请日 2022.08.09 (71)申请人 杭州中威电子股份有限公司 地址 310051 浙江省杭州市滨江区西兴街 道西兴路1819号15 -20层 (72)发明人 史故臣　李明龙　朱东昱　 (74)专利代理 机构 北京绘聚高科知识产权代理 事务所(普通 合伙) 11832 专利代理师 汪帆 (51)Int.Cl. G08G 1/0968(2006.01) G08G 1/14(2006.01) G08G 1/16(2006.01) H04L 67/10(2022.01) G06Q 10/04(2012.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的智慧停车系统及其方 法 (57)摘要 本发明属于人工智能技术领域， 公开了一种 基于机器学习的智慧停车系统及其方法， 所述的 方法包括如下步骤： 连接智慧停车系统， 获取需 要停车的用户的车辆位置； 使用车位检测模型获 取空闲停车位的车位位置； 使用任务调度模型进 行任务调度， 匹配对应的无人自动导引运输车和 目标的车位位置； 根据目标的车位位置、 匹配的 无人自动导引运输车的车辆位置以及用户的车 辆位置使用路径规划模型进行全局路径规划； 根 据全局最优路径控制无人自动导引运输车到达 用户的车辆位置并将用户的车辆运输至目标的 车位位置进行自动停车。 本发明解决了现有技术 存在的智能化程度低、 用户体验效果差、 安全性 低以及成本投入无法满足要求的问题。 权利要求书3页 说明书8页 附图1页 CN 115311883 A 2022.11.08 CN 115311883 A 1.一种基于机器学习的智慧停车系统， 其特征在于： 包括无人自动 导引运输单元、 边缘 计算单元以及后台数据中心， 所述的边缘计算单元设置有基于机器学习建立的车位检测模 型、 任务调度模型以及路径规划模型， 边缘计算单元分别与无人自动导引运输单元和后台 数据中心通信连接， 且边缘计算单元设置于车库内部， 所述的无人自动导引运输单元包括 均与边缘计算单元通信连接的若干无人自动导引运输车， 若干所述的无人自动导引运输车 分布于车库内部， 且每个无人自动导引运输车均设置有基于机器学习建立的道路标示线检 测模型和障碍物检测模型。 2.根据权利要求1所述的基于机器学习的智慧停车系统， 其特征在于： 所述的无人自动 导引运输车设置有微处理器、 道路标示线检测模块、 障碍物检测模块、 无线通信模块、 运动 摄像头、 定位模块以及车况传感器组， 所述的微处理器分别与无线通信模块、 运动摄像头、 定位模块以及车况传感器组电性连接， 所述的无线通信模块与边缘计算单元通信连接， 所 述的运动摄像头设置于无人自动导引运输车的前端， 所述的障碍物检测模块设置有障碍物 检测模型， 所述的道路标示线检测模块设置有道路标示线检测模型； 所述的车况传感器组包括A/D转换器， 均与A/D转换器电性连接的碰撞传感器、 车速传 感器、 角度传感器、 温度传感器、 湿度传感器、 压力 传感器、 电量传感器以及若干红外测距传 感器， 所述的A/D转换器与微处理器电性连接， 若干所述的红外测距传感器均匀围绕设置于 无人自动导引运输车外侧。 3.根据权利要求2所述的基于机器学习的智慧停车系统， 其特征在于： 所述的边缘计算 单元包括分别与后台数据中心和若干无人自动导引运输车通信连接的至少一个边缘计算 网关， 所述的边缘计算网关设置有主控模块、 全局摄像头、 网络模块、 存储模块、 车位检测模 块、 任务调度模块以及路径规划模块， 所述的主控模块分别与全局摄像头、 网络模块、 存储 模块、 车位检测模块、 任务调 度模块以及路径规划模块电性连接， 且主控模块分别与若干无 人自动导引运输车 的无线通信模块通信连接， 所述的网络模块与后台数据中心通信连接， 所述的全局摄像头设置于云台的顶端， 所述的云台的旋转角度和俯仰角度可调节， 且云台 与主控模块电性连接， 所述的车位检测模块设置有车位检测模型， 所述的任务调度模块设 置有任务调度模型， 所述的路径规划模块设置有路径规划模型。 4.一种基于机器学习的智慧停车方法， 基于如权利要求3所述的智慧停车系统， 其特征 在于： 包括如下步骤： 连接智慧停车系统， 获取需要停车的用户的车辆位置； 使用车位检测模型获取空 闲停车位的车位 位置； 根据用户的车辆位置和车库内空闲停车位的车位位置， 使用任务调度模型进行任务调 度， 匹配对应的无 人自动导引运输车和目标的车位 位置； 根据目标的车位位置、 匹配的无人自动 导引运输车的车辆位置以及用户的车辆位置使 用路径规划模型进行全局路径规划， 得到全局最优路径； 根据全局最优路径控制无人自动导引运输车到达用户的车辆位置并将用户的车辆运 输至目标的车位 位置进行自动停车。 5.根据权利要求4所述的基于机器学习的智慧停车方法， 其特征在于： 在无人自动导引 运输车的运输过程中， 实时进行路径修 正， 包括如下步骤： 采集无人自动导引运输车在全局最优路径行驶的实时运输视频数据， 并对实时运输视权　利　要　求　书 1/3 页 2 CN 115311883 A 2频数据进行帧截取和预处 理， 得到连续帧的实时运输图像数据； 将连续帧的实时运输图像数据输入道路标示线检测模型进行道路标示线引导， 若道路 标示线偏离无人自动导引运输车的行驶中心， 控制无人自动导引运输车自动修正行驶方向 和角度； 将实时运输视频数据输入障碍物检测模型进行障碍物规避， 若无人自动 导引运输车的 行驶方向上存在障碍物， 发出事故 警报并根据障碍物位置进行路径修 正。 6.根据权利要求5所述的基于机器学习的智慧停车方法， 其特征在于： 所述的道路标示 线检测模型和障碍物检测模型均基于P P‑YOLO‑Tiny算法建立， 包括如下步骤： 获取道路标示线数据集和障碍物数据集； 对道路标示线数据集和障碍物数据集分别进行预处理， 得到预处理后道路标示线数据 集和预处 理后障碍物数据集； 将预处理后道路标示线数据 集输入PP ‑YOLO‑Tiny模型进行优化训练， 得到道路标示线 检测模型； 将预处理后障碍物数据集输入PP ‑YOLO‑Tiny模型进行优化训练， 得到障碍物检测模 型。 7.根据权利要求6所述的基于机器学习的智慧停车方法， 其特征在于： 采用改进灰狼寻 优算法建立任务调度模型， 使用任务调度模型进行任务调度， 包括如下步骤： 初始化任务调度模型； 获取所有无人自动导引运输车完成当前运输任务的第一所需时间； 获取所有无人自动导引运输车到 达用户的车辆位置的第二所需时间； 获取用户的车辆位置 到达所有空 闲的车位 位置的第三所需时间； 将第一、 二以及三所需时间之和作为任务调度最小化目标， 将所有无人自动导引运输 车的电量作为约束条件； 根据任务调度最小化目标和约束条件， 使用任务调度模型获取匹配的无人自动 导引运 输车和目标的车位 位置。 8.根据权利要求7所述的基于机器学习的智慧停车方法， 其特征在于： 所述的改进灰狼 寻优算法由混沌序列、 非线性收敛 因子、 自适应权重因子、 动态反向策略以及贪婪保留策略 改进传统灰狼寻优算法得到， 其公式为： 式中， X(t+1)为第t+1次迭代模型输出的最优解； Xi(t+1)、 Xi(t)为最优领导者狼α， β、 δ 以及随机狼ω第t+1、 t次迭代的位置， 其中， i为指示量； Di为第i只灰狼的移动距离； A为收 敛影响系数向量； r为为[0,1]之间的随机数； a为非线性收敛因子； tanh(*)为双曲正切函 数； t、 T分别为当前迭代次数和迭代总次数； amax、 amin分别为收敛因子的最大值和最小值； λ、 k均为调节参数； W1、 W2分别为最优领导者狼和随机狼的自适应权重因子， W1＝(1‑t/T)·w， W2＝(t/T)·w， w为[0,1]之间的随机数； X'(t+1)为最优解的反向解； γ为递减惯性系数， γ权　利　要　求　书 2/3 页 3 CN 115311883 A 3