停车场寻车方法及装置、存储介质及电子设备与流程

1.本公开涉及车辆定位技术领域，具体而言，涉及一种停车场寻车方法及装置、计算机可读存储介质及电子设备。


背景技术：

2.随着经济的发展，停车场的面积也越来越大，用户在停车，再次找到车辆的难度也随之增大，因此，停车场寻车技术也变得越来越受关注。
3.相关技术的停车场寻车技术大部分基于gps(global positioning system，全球定位系统)信号来实现，但是停车场通常设置于地下，gps信号较弱，导致路线规划精度较低，寻车难度较大。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种停车场寻车方法、停车场寻车装置、计算机可读介质和电子设备，进而至少在一定程度上提高寻车路线的精度，降低寻车难度。
6.根据本公开的第一方面，提供一种停车场寻车方法，包括：获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线；获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；基于所述位移实时更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。
7.根据本公开的第二方面，提供一种停车场寻车装置，包括：信息获取模块，用于获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；路线确定模块，用于根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息确定用户当前位置和车辆目标位置和寻车路线；位移确定模块，用于获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；位置更新模块，用于基于所述位移实更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。
8.根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法。
9.根据本公开的第四方面，提供一种电子设备，其特征在于，包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的方法。
10.本公开的一种实施例所提供的停车场寻车方法，获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；根据车辆位置标识信息、用户当前位置标识信息和
停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线；获取用户终端的运动惯性数据，并根据运动惯性数据确定用户在预设时间内的位移；基于位移实时更新用户当前位置和寻车路线，直至用户当前位置和车辆目标位置的距离小于预设距离。相较于现有技术，一方面，通过惯性数据来获取位移，不需要gps，防止了由于gps信号较弱导致对用户的运动轨迹计算精度较差而引发的寻车困难，另一方面，通过停车场地图和车辆位置标识信息以及用户当前标识信息来确定寻车路线，无需采用gps信号获取位置，通过停车场地图直接规划寻车路线，得到的寻车路线精度更高，在没有gps信号的情况下也能够帮助用户寻找车辆，提升了用户体验。
11.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
12.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
13.图1示出了可以应用本公开实施例的一种示例性系统架构的示意图；
14.图2示意性示出本公开示例性实施例中一种停车场寻车方法的流程图；
15.图3示意性示出本公开示例性实施例中一种停车场地图；
16.图4示意性示出本公开示例性实施例中一种停车场地图中的寻车路线；
17.图5示意性示出本公开示例性实施例中一种获取位移的流程图；
18.图6示意性示出本公开示例性实施例中一种训练得到位移确定模型的流程图；
19.图7示意性示出本公开示例性实施例中一种真值位移与参考位移的对比图；
20.图8示意性示出本公开示例性实施例中另一种获取位移的流程图；
21.图9示意性示出本公开示例性实施例中一种位移确定模型的内部结构图；
22.图10示意性示出本公开示例性实施例中一种获取目标特征的流程图；
23.图11示意性示出本公开示例性实施例中另一种获取目标特征的流程图；
24.图12示意性示出本公开示例性实施例中另一种位移确定模型的内部结构图
25.图13示意性示出本公开示例性实施例中一种更新位移的流程图；
26.图14示意性示出本公开示例性实施例中一种当前行走路径图；
27.图15示意性示出本公开示例性实施例中一种新路径范围图；
28.图16示出本公开示例性实施例中一种路径与不可行走区域重合有部分重合的示意图；
29.图17示出本公开示例性实施例中一种路径与不可行走区域重合有完全重合的示意图；
30.图18示意性示出本公开示例性实施例中停车场地图装置的组成示意图；
31.图19示出了可以应用本公开实施例的一种电子设备的示意图。
具体实施方式
32.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
33.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
34.在相关技术中，手机作为人们随身携带的物品，其搭载的gps，wifi和imu等传感器可以提供位置与运动信息，在停车场场景下，结合手机传感器的信息，可以实现反向寻车的功能。相关技术中通常包括如下几种方式，例如，结合手机mems(micro-electro-mechanical system，微电子系统)数据和gps信号的方式确定停车位置的方法，在无gps的地下停车场时，该方案通过采集手机的磁力计，加速度和陀螺仪数据输出行走的轨迹，然后人走到停车场出入口可以接收到gps信号时再对行走的轨迹进行回溯纠正。当人再次进入停车场时，依靠进入时的gps位置载入离车的轨迹，指明停车的方向。
35.但是，上述方法使用手机数据输出行人轨迹的方法为传统解算，包括步长估计。航向估计和位置推算。这类方法对不同人群的适应性差，性别体重差异大时，步长的估计误差过大。并且这类方法对手机的姿态有一定要求，它需要检测加速度曲线的波峰确定步伐，当手机处于摆臂这类复杂的运动时，传统航位推算算法适应性差，轨迹误差严重；其次，需要依靠出入口的gps信号纠正航位轨迹，但对于地下车库场景，一般人会直接由车库进入室内商场，全程都处于室内场景下，gps的信号处于微弱或无法接收的状态，导致航位轨迹无法回溯修正。
36.基于上述缺点，本公开提供一种停车场寻车方法，图1示出了可以实现上述停车场寻车方法的系统架构的示意图，该系统架构100可以包括终端110与服务器120。其中，终端110可以是智能手机、平板电脑、台式电脑、笔记本电脑等终端设备，服务器120泛指提供本示例性实施方式中停车场寻车相关服务的后台系统，可以是一台服务器或多台服务器形成的集群。终端110与服务器120之间可以通过有线或无线的通信链路形成连接，以进行数据交互。
37.在一种实施方式中，可以由终端110执行上述停车场寻车方法。例如，用户使用终端110获取车辆位置标识信息、用户当前位置标识信息和停车场地图信息，由终端110对车辆位置标识信息、用户当前位置标识信息和停车场地图信息进行处理，输出寻车路线，并更新用户当前位置和寻车路线。
38.在一种实施方式中，可以由服务器120可以执行上述停车场寻车方法。例如，用户使用终端110车辆位置标识信息、用户当前位置标识信息和停车场地图信息后，终端110将该车辆位置标识信息、用户当前位置标识信息和停车场地图信息上传至服务器120，由服务器120对车辆位置标识信息、用户当前位置标识信息和停车场地图信息进行处理，向终端110返回寻车路线，并更新用户当前位置和寻车路线。
39.由上可知，本示例性实施方式中的停车场寻车方法的执行主体可以是上述终端110或服务器120，本公开对此不做限定。
40.下面结合图2对本示例性实施方式中的停车场寻车方法进行说明，图2示出了该停车场寻车方法的示例性流程，可以包括：
41.步骤s210，获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；
42.步骤s220，根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线；
43.步骤s230，获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；
44.步骤s240，基于所述位移实时更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。
45.基于上述方法，第一方面，通过惯性数据来获取位移，不需要gps，防止了由于gps信号较弱导致对用户的运动轨迹计算精度较差而引发的寻车困难，另一方面，通过停车场地图和车辆位置标识信息以及用户当前标识信息来确定寻车路线，无需采用gps信号获取位置，通过停车场地图直接规划寻车路线，得到的寻车路线精度更高，在没有gps信号的情况下也能够帮助用户寻找车辆，提升了用户体验。
46.下面对图2中的每个步骤进行具体说明。
47.参考图2，在步骤s210中，获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息。
48.在本公开的一种示例实施方式中，在用户将车辆停放在停车位时，可以由用户输入车辆位置标识信息，其中，车辆位置标识信息包括停车场中用户车辆停放的车位的标号，也可以是用户停放车辆的车位周边距离较近的车位的标号，在本示例实施方式中不做具体限定。
49.用户在驾驶车辆时，移动终端可以检测自身状态，来判断用户是否停车，举例而言，通过系统层面对手机活动的监测，如退出导航界面，并借助运动识别方法判断手机取下支架及用户下车的动作，判断用户已离开车体，此时，移动终端可以弹出车辆位置标识信息输入框，以使得用户输入车辆位置标识信息。在另一种示例实施方式中，也可以是用户在下车时，自发的打开寻车功能，在寻车功能的车辆标识信息获取界面输入车辆标识信息。
50.用户在触发寻车功能时，移动终端生成用户单枪位置标识信息获取界面，移动终端接收由用户输入的用户当前位置标识信息，其中，当前位置标识信息可以是距离用户最近的车位的编号。
51.在本示例实施方式中，在用户退出导航界面时，移动终端获取当行目的地，根据所述导航目的地确定停车场，并加载停车场地图信息，其中，停车场地图信息可以通过导航软件获取，也可以首先获取用户的历史停车记录，根据历史通车记录获取常用的停车场位置，并在移动终端的存储库中存储常用的停车场地图信息，在加载地图时不需要使用gps定位，能够提升加载速度。
52.在步骤s220中，根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线。
53.在本公开的一种示例实施方式中，可以首先根据上述车辆位置标识信息、用户当
前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置，具体的，根据车辆位置标识信息确定车辆在停车场地图中的车辆目标位置。然后根据用户当前位置标识信息确定用户在停车场中的用户当前位置。
54.在得到用户当前位置之后和车辆目标位置之后，可以根据停车场地图信息规划寻车路线，参照图3所示，停车场地图信息中包括车位、墙壁、出入口等，可以首先确定停车场中的可行走区域，参照图4所示，然后在可行走区域中规划处用户当前位置和车辆目标位置之间的最短路线作为上述寻车路线。
55.在步骤s230中，获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移。
56.在本示例实施方式中，参照图5所示，上述步骤可以包括步骤s510至步骤s520。
57.在步骤s510中，获取位移确定模型。
58.在本示例实施方式中，位移确定模型用于根据用户的运动惯性数据确定用户在预设时间内的位移，参照图6所示，在获取位移确定模型事，可以包括步骤s610至步骤s630。
59.在步骤s610中，获取初始模型和训练数据，所述训练数据包括多个参考运动惯性数据和所述参考运动惯性数据对应的真值位移。
60.在本示例实施方式中，初始模型可以包括卷积神经网络模块、至少一个transformer模块和全连接层。训练数据可以包括多个参考运动惯性数据和多个参考运动惯性数据和各参考运动数据对应的真值位移。
61.在步骤s620中，将所述参考运动惯性数据输入至所述初始模型得到参考位移。
62.在本示例实施方式中，可以将上述参考运动惯性数据输入至上述初始模型中得到参考位移，具体的，将参考运动惯性数据中的加速度数据和陀螺仪数据六个自由度的数据输入至上述初始模型中，各参考运动惯性数据对应的参考位移。
63.在步骤s630中，基于所述参考位移和所述真值位移训练所述初始模型，得到所述位移确定模型。
64.在本示例实施方式中，可以首先计算上述参考位移和真值位移的误差，举例而言，假设参考运动惯性数据采样频率为f(50-200hz)，网络以t秒的参考运动惯性数据为输入，将对应到t秒的3维的真值轨迹均分为n等份，其中n≤tf,并且网络的输出也为n等份的位移。均分的n值越大，网络输出的位移的频率越高。本案设计的均方误差如下：
[0065][0066]
其中p
1:k
和分别表示真值位移和参考位移第1份到第k份的和。
[0067]
在得到上述误差之后，可以基于上述误差训练初始模型得到位移确定模型。
[0068]
在本公开的一种示例实施方式中，在得到上述位移确定模型之后，可以对上述位移确定模型进行验证，把输入的参考运动惯性数据转换到真值的坐标系下，一般其z轴与重力方向平行。使用真值位移的旋转对输入网络的参考运动惯性数据转换，去除重力加速度本身的影响，剩余的加速度即为用户本身的加速度以及噪声。将网络输出的平移按时间顺序依次相加起来，即可得到理想旋转下的平移输出。具体的对比图像如7所示，在对位移确定模型进行验证之后，将验证通过的位移确定模型输出，用于基于运动惯性数据确定预设
时间内的位移。
[0069]
在步骤s520中，将预设时间内的所述运动惯性数据输入至所述位移确定模型得到预设时间内的位移。
[0070]
在本示例实施方式中，上述运动惯性数据可以包括磁力数据、加速度数据以及陀螺仪数据，参照图8所示，上述步骤可以包括步骤s810至步骤s830。
[0071]
在步骤s810中，根据所述停车场地图信息和所述磁力数据建立预设坐标系。
[0072]
在本示例实施方式中，首先可以根据上述停车场地图信息中的方位信心，然后利用方向信息你和上述磁力数据建立预设坐标系，其中，上述预设坐标系可以是东北天坐标系，也可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
[0073]
在步骤s820中，将所述加速度数据以及陀螺仪数据转换到所述预设坐标系下。
[0074]
在本示例实时方式中，运动惯性数据中包括磁力数据、加速度数据和陀螺仪数据，可以根据上述磁力数据确定上述运动惯性数据的方位，并根据上述运动惯性数据的方位将上述运动惯性数据转换至上述预设坐标系。举例而言，上述将上述磁力数据标识的正北方向与上述预设坐标系中的正北方向对其，且运功惯性数据的重力方向与上述预设坐标系的“天”方向相反以完成将加速度数据以及陀螺仪数据转换到所述预设坐标系下。
[0075]
具体的，可以通过旋转算法结合磁力数据输出东北天坐标系下的全部朝向，旋转算法可以包括互补滤波，madgwick算法和ekf姿态融合算法等，也可以根据用用户需求进行自定义，在本示例实施方式中不做具体限定。
[0076]
在一种示例实施方式中，运动惯性数据中的加速度ab和陀螺仪wb，通过旋转算法输出的全局旋转可转到东北天坐标系下，转换公式如下：
[0077][0078][0079]aw
，ww表示东北天坐标系下的加速度数据和陀螺仪数据，表示运动惯性数据原始坐标系到东北天坐标系的转换。
[0080]
在步骤s830中，将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移。
[0081]
在本公开的一种示例实施方式中，参照图9所示，上述位移确定模型可以包括卷积神经网络模块、transformer模块和全连接层，所述transformer模块包括第一转换层和第二转换层，参照图10所示，上述将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移可以包括步骤s1010至步骤s1040。
[0082]
在步骤s1010中，将所述加速度数据以及陀螺仪数据输入至所述卷积神经网络模块得到第一特征。
[0083]
在本示例实施方式中，参照图9所示，可以将上述加速度数据和陀螺仪数据输入至上述卷积神经模块得到第一特征，具体的，可以首先通过下采样层输入至卷积神经模块，卷积神经模块中可以包括7x7卷积层、3x3的最大池化层，以及四个基础残差模块和上采样层，其中，基础残差模块可以包括基础模块包含2个3x3的空间卷积和一个残差网络连接。
[0084]
需要说明的是，上述卷积神经网络的具体结构还可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
[0085]
在步骤s1020中，对所述加速度数据以及陀螺仪数据进行位置编码之后输入至所述第一转换层得到第二特征。
[0086]
在本示例实施方式中，可以首先对上述加速度数据和陀螺仪数据进行时间编码和位置编码，在完成时间编码和位置编码之后，将输入至上述第一转换层得到第二特征，参照图9所示，上述第一转换层可以包括第一多头注意力网络和第一归一化层以及第一残差网络；第一残差网络连接在第一多头注意力网络和第一归一化层之间，能够利用空间先验信息。
[0087]
在步骤s1030中，通过第二转换层对第一特征和第二特征进行处理得到目标特征。
[0088]
在本示例实施方式中，参照图9所示，上述第二转换层可以包括第二多头注意力网络和第二归一化层以及第二残差网络，参照图11所示，上述通过第二转换层对第一特征和第二特征进行处理得到目标特征可以包括步骤s1110至步骤s1130。
[0089]
在步骤s1110中，基于所述第一特征计算第二转换层的k矩阵和v矩阵；
[0090]
在步骤s1120中，基于所述第二特征计算第二转换层的q矩阵；
[0091]
在步骤s1130中，通过第二转换层对所述k矩阵、v矩阵和q矩阵利用进行处理确定所述目标特征。
[0092]
在本示例实施方式中，可以将上述第一特征作为上述第二转换层中的多头注意力网络的k矩阵和v矩阵，将上述第二特征作为上述多头注意力网络的q矩阵。
[0093]
将上述k矩阵、v矩阵和q矩阵输入至上述第二得到目标特征，在一种示例实施方式总，可以将第二转换层的输出结果经过后处理模型得到目标特征，其中后处理模块可以包括前馈层和第三归一化层以及第三残差网络，第三残差网络设置与上述前馈层和第三归一化层之前。
[0094]
在一种示例实施方式中，参照图12所示，上述transformer模块还可以包括更多转换层，可以将上述卷积神经模块的输出作为第n个转换层的k矩阵、v矩阵，将第n-1个转接层的输出作为第n个转换层的q矩阵，将最后一个转换层的输出经过后处理层的结果作为上述目标特征。其中，n是大于等于2的正整数。
[0095]
在步骤s1040中，通过全连接层对所述目标特征进行处理得到所述位移。
[0096]
在本示例实施方式中，将上述目标特征输入至上述全连接层即可得到上述位移。
[0097]
采用卷积神经模块和transformer模块对运动惯性数据进行处理能够同时考虑局部信息和全局信息，能够提升得到位移的精度。
[0098]
在步骤s240中，基于所述位移实时更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。
[0099]
在本示例实施方式中，假设上述位移确定模型的输入的运动惯性数据的时间长度为t秒，输出的平移按分成n段，分别记为m1，m2，......，mn，上一时刻i用户位置为pi，在经过了k秒后，用户现在的位置为p
i+k
，其中所以平移的更新可以用下式表示：
[0100][0101]
在一种示例实施方式中，根据磁力数据确定用户的朝向信息，所述朝向信息用于指引用户沿所述寻车路线移动，并在用户行走时，基于上述位移实时生成用户行走路线，将
用户行走路线与上述寻车路线进行差异化显示，防止用户行走重复的道路，能够提升巡查效率。
[0102]
在一种示例实施方式中，参照图13所示，上述停车场寻车方法还包括步骤s1310至步骤s1320。
[0103]
在步骤s1310中，响应所述位移与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数。
[0104]
在步骤s1320中，基于所述校正参数更新所述位移。
[0105]
在公开的一种示例实施方式中，可以判断上述位移是否与上述停车场信息中的不可行走区域重合，其中上述不可行走区域可以包括停车场中的车位以及墙壁等，具体的，确定上述位移的可偏移角数值的设值可以由旋转算法的精度确定，精度越高，可偏移角数值范围越小。以上一位置为起点，圆心角为α，半径为当前更新位移长度的扇形区域认为是轨迹的备选更新区域；然后对更新的轨迹线段作前向的跟踪测试，判断上述位移是否与上述停车场信息中的不可行走区域重合。
[0106]
其中上述可偏移角参照图14和图15所示，若根据上述位移生成的路径与上述不可行走区域重合时，则上述校正参数可以为零；
[0107]
参照图14和图16所示，若根据上述位移生成的路径与上述不可行走区域重合有部分重合，但是备选更新区域中还存在可行走区域，此时可以根据重合比例确定校正参数。
[0108]
参照图14和图17所示，若备选更新区域完全在不可行走区域，则阐述更新轨迹，退回至上一时刻，重新对上述用户当前位置进行更新。
[0109]
其中，上述校正参数可以根据上述重合比例确定，上述重合比例越大，则上述校正参数越大，根据校正参数更新上述用户当前位置的具体方式可以采用如下公式：
[0110]
p
t+1
＝pi+r
θ
p
△
t
[0111]
其中，pi，p
t+1
分别表示上一时刻和当前时刻的位置，r
θ
表示修正角的旋转形式，p
△
t
为基于模型输出计算的位置变化量。
[0112]
在一种示例实施方式中，移动终端还可以实现对车辆喇叭的控制，在用户当前位置和车辆目标位置的距离小于预设距离，移动终端可以控制车辆的喇叭发出声音，以使得用户能够根据上述喇叭寻找车辆。其中，上述预设距离可以是3米，也可以是2米、2.5米、4米、5米等，还可以根据用户需求进行自定义，在本示例实施方式中不做具体限定。
[0113]
综上所述，本示例性实施方式中，一方面，通过惯性数据来获取位移，不需要gps，防止了由于gps信号较弱导致对用户的运动轨迹计算精度较差而引发的寻车困难，另一方面，通过停车场地图和车辆位置标识信息以及用户当前标识信息来确定寻车路线，无需采用gps信号获取位置，通过停车场地图直接规划寻车路线，得到的寻车路线精度更高，在没有gps信号的情况下也能够帮助用户寻找车辆，提升了用户体验。再一方面，通过卷积神经模块和transformer模块对运动惯性数据进行处理能够同时考虑局部信息和全局信息，能够提升得到位移的精度。进一步，通过车辆和移动终端之间的交互，能够在用户接近车辆时，控制车辆喇叭发出声响，提升用户的寻找车辆的效率，提升了用户体验。
[0114]
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0115]
进一步的，参考图18所示，本示例的实施方式中还提供一种停车场寻车装置1800，包括信息获取模块1810、路线确定模块1820、位移确定模块30和位置更新模块1840。其中：
[0116]
信息获取模块1810可以用于获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息。
[0117]
路线确定模块1820可以用于根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息确定用户当前位置和车辆目标位置和寻车路线。
[0118]
位移确定模块1830可以用于获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移。
[0119]
在一种示例实施方式中，位移确定模块1830可以被配置为获取位移确定模型；将预设时间内的所述运动惯性数据输入至所述位移确定模型得到预设时间内的位移。
[0120]
在一种示例实施方式中，所述运动惯性数据包括磁力数据、加速度数据以及陀螺仪数据，将预设时间内的所述运动惯性数据输入至所述位移确定模型得到预设时间内的位移，上述位移确定模块1830还可以被配置为获取初始模型和训练数据，所述训练数据包括多个参考运动惯性数据和所述参考运动惯性数据对应的真值位移；将所述参考运动惯性数据输入至所述初始模型得到参考位移；基于所述参考位移和所述真值位移训练所述初始模型，得到所述位移确定模型。
[0121]
在一种示例实施方式中，上述位移确定模块1830还可以被配置为根据所述停车场地图信息和所述磁力数据建立预设坐标系；将所述加速度数据以及陀螺仪数据转换到所述预设坐标系下；将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移。
[0122]
其中，所述位移确定模型包括卷积神经网络模块、transformer模块和全连接层，所述transformer模块包括第一转换层和第二转换层，所述将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移，包括：将所述加速度数据以及陀螺仪数据输入至所述卷积神经网络模块得到第一特征；对所述加速度数据以及陀螺仪数据进行位置编码之后输入至所述第一转换层得到第二特征；通过第二转换层对第一特征和第二特征进行处理得到目标特征；通过全连接层对所述目标特征进行处理得到所述位移。
[0123]
在一种示例实施方式中，所述通过第二转换层对第一特征和第二特征进行处理得到目标特征包括：基于所述第一特征计算第二转换层的k矩阵和v矩阵；基于所述第二特征计算第二转换层的q矩阵；通过第二转换层对所述k矩阵、v矩阵和q矩阵利用进行处理确定所述目标特征。
[0124]
位置更新模块1840可以用于基于所述位移实更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。
[0125]
停车场寻车装置1800还可以包括校正模块，校正模块可以用于响应所述位移与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数；基于所述校正参数更新所述位移。
[0126]
其中，所述响应所述位移与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数，包括：根据所述用户当前位置和所述位于确定待行走区域；响应所述待行走区域与所述停车场地图信息中的不可行走区域重合，基于
所述位移和所述停车场地图信息生成校正参数。
[0127]
停车场寻车装置1800还可以包括显示模块，显示模块用户基于所述位移生成用户行走路线；对所述行走路线和所述寻车路线进行差异化显示。
[0128]
停车场寻车装置1800还可以包括朝向确定模块，朝向确定模块可以用于根据所述磁力数据确定用户的朝向信息，所述朝向信息用于指引用户沿所述寻车路线移动。
[0129]
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明，未披露的细节内容可以参见方法部分的实施方式内容，因而不再赘述。
[0130]
本公开的示例性实施方式还提供一种用于执行上述停车场寻车方法的电子设备，该电子设备可以是上述终端110或服务器120。一般的，该电子设备可以包括处理器与存储器，存储器用于存储处理器的可执行指令，处理器配置为经由执行可执行指令来执行上述停车场寻车方法。
[0131]
下面以图19中的移动终端1900为例，对该电子设备的构造进行示例性说明。本领域技术人员应当理解，除了特别用于移动目的的部件之外，图19中的构造也能够应用于固定类型的设备。
[0132]
如图19所示，移动终端1900具体可以包括：处理器1901、存储器1902、总线1903、移动通信模块1904、天线1、无线通信模块1905、天线2、显示屏1906、摄像模块1907、音频模块1908、电源模块1909与传感器模块1910。
[0133]
处理器1901可以包括一个或多个处理单元，例如：处理器1901可以包括ap(application processor，应用处理器)、调制解调处理器、gpu(graphics processing unit，图形处理器)、isp(image signal processor，图像信号处理器)、控制器、编码器、解码器、dsp(digital signal processor，数字信号处理器)、基带处理器和/或npu(neural-network processing unit，神经网络处理器)等。本示例性实施方式中的停车场寻车方法可以由ap、gpu或dsp来执行，当方法涉及到神经网络相关的处理时，可以由npu来执行。
[0134]
处理器1901可以通过总线1903与存储器1902或其他部件形成连接。
[0135]
存储器1902可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器1901通过运行存储在存储器1902的指令，执行移动终端1900的各种功能应用以及数据处理。存储器1902还可以存储应用数据，例如存储图像，视频等文件。
[0136]
移动终端1900的通信功能可以通过移动通信模块1904、天线1、无线通信模块1905、天线2、调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块1904可以提供应用在移动终端1900上2g、3g、4g、5g等移动通信解决方案。无线通信模块1905可以提供应用在移动终端1900上的无线局域网、蓝牙、近场通信等无线通信解决方案。
[0137]
显示屏1906用于实现显示功能，如显示用户界面、图像、视频等。摄像模块1907用于实现拍摄功能，如拍摄图像、视频等。音频模块208用于实现音频功能，如播放音频，采集语音等。电源模块209用于实现电源管理功能，如为电池充电、为设备供电、监测电池状态等。传感器模块1910可以包括深度传感器19101、压力传感器19102、陀螺仪传感器19103、气压传感器19104等，以实现相应的感应检测功能。
[0138]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完
全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0139]
本公开的示例性实施方式还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
[0140]
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0141]
在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0142]
此外，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0143]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
[0144]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

技术特征：
1.一种停车场寻车方法，其特征在于，包括：获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线；获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；基于所述位移实时更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。2.根据权利要求1所述的方法，其特征在于，所述运动惯性数据包括磁力数据，所述方法还包括：根据所述磁力数据确定用户的朝向信息，所述朝向信息用于指引用户沿所述寻车路线移动。3.根据权利要求1所述的方法，其特征在于，获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移包括：获取位移确定模型；将预设时间内的所述运动惯性数据输入至所述位移确定模型得到预设时间内的位移。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：获取初始模型和训练数据，所述训练数据包括多个参考运动惯性数据和所述参考运动惯性数据对应的真值位移；将所述参考运动惯性数据输入至所述初始模型得到参考位移；基于所述参考位移和所述真值位移训练所述初始模型，得到所述位移确定模型。5.根据权利要求3所述的方法，其特征在于，所述运动惯性数据包括磁力数据、加速度数据以及陀螺仪数据，将预设时间内的所述运动惯性数据输入至所述位移确定模型得到预设时间内的位移，包括：根据所述停车场地图信息和所述磁力数据建立预设坐标系；将所述加速度数据以及陀螺仪数据转换到所述预设坐标系下；将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移。6.根据权利要求5所述的方法，其特征在于，所述位移确定模型包括卷积神经网络模块、transformer模块和全连接层，所述transformer模块包括第一转换层和第二转换层，所述将转换至所述预设坐标系下的加速度数据以及陀螺仪数据输入至所述位移确定模型得到预设时间内的位移，包括：将所述加速度数据以及陀螺仪数据输入至所述卷积神经网络模块得到第一特征；对所述加速度数据以及陀螺仪数据进行位置编码之后输入至所述第一转换层得到第二特征；通过第二转换层对第一特征和第二特征进行处理得到目标特征；通过全连接层对所述目标特征进行处理得到所述位移。7.根据权利要求6所述的方法，其特征在于，所述通过第二转换层对第一特征和第二特征进行处理得到目标特征包括：
基于所述第一特征计算第二转换层的k矩阵和v矩阵；基于所述第二特征计算第二转换层的q矩阵；通过第二转换层对所述k矩阵、v矩阵和q矩阵利用进行处理确定所述目标特征。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：响应所述位移与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数；基于所述校正参数更新所述位移。9.根据权利要求8所述的方法，其特征在于，所述响应所述位移与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数，包括：根据所述用户当前位置和所述位于确定待行走区域；响应所述待行走区域与所述停车场地图信息中的不可行走区域重合，基于所述位移和所述停车场地图信息生成校正参数。10.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述位移生成用户行走路线；对所述行走路线和所述寻车路线进行差异化显示。11.一种停车场寻车装置，其特征在于，包括：信息获取模块，用于获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；路线确定模块，用于根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息确定用户当前位置和车辆目标位置和寻车路线；位移确定模块，用于获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；位置更新模块，用于基于所述位移实更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至10中任一项所述的停车场寻车方法。13.一种电子设备，其特征在于，包括：一个或多个处理器；以及存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至10中任一项所述的停车场寻车方法。

技术总结
本公开涉及车辆定位技术领域，具体涉及一种停车场寻车方法及装置、计算机可读存储介质及电子设备，方法包括：获取车辆位置标识信息、用户当前位置标识信息以及停车场地图信息；根据所述车辆位置标识信息、用户当前位置标识信息和所述停车场地图信息，确定用户当前位置和车辆目标位置和寻车路线；获取用户终端的运动惯性数据，并根据所述运动惯性数据确定用户在预设时间内的位移；基于所述位移实时更新所述用户当前位置和所述寻车路线，直至所述用户当前位置和车辆目标位置的距离小于预设距离。本公开实施例的技术方案提高寻车路线的精度，降低寻车难度。低寻车难度。低寻车难度。


技术研发人员：邓翔宇 李姬俊男
受保护的技术使用者：OPPO广东移动通信有限公司
技术研发日：2023.03.23
技术公布日：2023/6/27