[发明专利]为了提供自动停车系统检测停车空间的方法和装置

说明书

本发明提供学习方法，利用与可停车空间的确定位置有关的概率分布和与上述确定位置之间的关系有关的关系线性段信息来检测上述可停车空间，其特征在于，包括：步骤(a)，学习装置执行如下流程(i)及流程(ii)，在流程(i)中，使第一卷积神经网络在停车情况图像适用第一卷积神经网络回归运算来计算与上述确定位置有关的一个以上的预算概率分布，在流程(ii)中，使第二卷积神经网络在上述停车情况图像适用第二卷积神经网络回归运算来生成预测关系线性段信息；以及步骤(b)，上述学习装置使损失层执行如下流程(i)及流程(ii)，在流程(i)中，使用第一损失来执行反向传播，由此学习上述第一卷积神经网络的参数。

技术领域

本发明涉及用于自动驾驶车辆的学习方法和学习装置，更详细地，涉及通过检测停车空间来提供自动停车系统的上述学习方法及上述学习装置以及利用其的测试方法及测试装置。

背景技术

深度卷积神经网络(Deep Convolution Neural Networks，Deep CNNs)为在深度学习领域中取得的辉煌发展的核心。在90年代，卷积神经网络用于解决字符识别问题，近来，广泛应用于机器学习(Machine Learning)领域。例如，2012年，卷积神经网络在图像识别挑战赛(ImageNet Large Scale Visual Recognition Challenge)中战胜其他竞争对象夺得冠军。之后，卷积神经网络成为机器学习领域中非常有用的工具。

近来，卷积神经网络广泛应用于自动驾驶领域。当卷积神经网络用于自动驾驶领域时，可通过输入图像的处理执行对象检测、语义(semantic)分割及空闲空间检测。

如上所述，卷积神经网络在自动驾驶领域中担当重要的作用，但是，在自动驾驶领域中，存在并未充分研究卷积神经网络的三个具体领域。其中，一个为自动停车领域。自动停车领域重要的原因如下，当停车时，虽然并不会发生威胁生命的危险事故，但是频频发生给车主带来财产损失的事故。若将卷积神经网络用于上述自动停车领域，则与利用传感器来检测停车空间的现有技术相比，经济性方面存在显著优势，但是，尚未充分进行将卷积神经网络适用于自动驾驶领域的技术研究。

发明内容

本发明的目的在于，解决上述问题。

本发明的再一目的在于，提供如下的自动停车系统，即，提供利用确定位置之间的关系信息及与确定位置有关的回归(regression)结果来检测停车空间的方法，由此，驾驶人员可以简单且轻松地停车。

并且，本发明的另一目的在于，提供如下的方法，即，构建可以执行对于确定位置的回归的卷积神经网络。

并且，本发明的还有一目的在于，提供如下的方法，即，构建可以检测确定位置之间的关系信息的卷积神经网络。

并且，本发明的又一目的在于，提供如下的方法，整合上述确定位置之间的关系信息和与上述确定位置有关的回归结果。

用于实现如上所述的本发明的目的并实现后述本发明的特征效果的本发明的特征结构如下。