NVIDIA DRIVE Labs 系列視頻以工程為重點，介紹自動駕駛車輛所面對的各類挑戰以及 NVIDIA DRIVE 團隊如何應對這些挑戰。

自動停車涉及一系列復雜的感知和決策算法，傳統上依賴高清（ HD ）地圖來檢索停車信息。

然而，地圖覆蓋率和較差或過時的本地化信息可能會限制此類系統。除此之外，系統還必須理解和解釋不同地區的停車規則。

在本篇 DRIVE Labs 文章中，NVIDIA 展示了基于 AI 的實時感知如何幫助將自動停車擴展到全球各個地區。

自動泊車系統概述

對停車規則的理解和解釋可能會比表面上看起來更加微妙。

可以覆蓋有效區域內的不同停車規則。例如，“禁止停車”可以覆蓋“禁止泊車”

此外，非停車相關標志可以推斷停車規則。例如，在德國，任何公共汽車站標志 15 米范圍內都不允許停車。在美國，停車標志前 30 英尺內停車是違法的。

最后，除了像物理標志這樣的明確線索外，還有攜帶停車信息的隱含標志。例如，在許多地區，交叉口表示上一個活動停車規則的結束。

基于高級算法的停車標志輔助（ PSA ）系統對于自動車輛了解停車規則的復雜性并做出相應反應至關重要。

傳統的 PSA 系統僅依賴高清地圖的輸入。然而， NVIDIA DRIVE AV 軟件堆棧利用最先進的深度神經網絡（ DNN ）和計算機視覺算法來提高真實場景中自動停車的覆蓋率和魯棒性。這些技術可以實時檢測、跟蹤和分類各種停車交通標志和道路交叉口。

WaitNet DNN 檢測交通標志和十字路口。

wait perception 堆棧跟蹤單個標志和交點，通過三角測量提供 3D 位置。

SignNet DNN 標識交通標志類型。

然后，來自模塊的結果被輸入 PSA 系統，該系統使用這些數據來確定汽車是否在停車帶內，限制條件是什么，以及汽車是否允許在該區域內停車或停車。

停車標志輔助系統概述

PSA 系統接收到檢測到的停車標志和道路交叉口后，將對象抽象為一個 啟動停車標志 或 終點停車標志 。這種抽象級別允許系統在全球范圍內擴展。

啟動停車標志 標志著新停車帶的潛在開始， 終點停車標志 可能會關閉一個或多個現有停車帶。圖 1 和圖 2 顯示了停車帶是如何形成的。

圖 1 ：形成停車帶

圖 1 將標志和道路交叉口抽象為停車帶。該圖顯示，單個標志可以生成多個虛擬標志。例如，中間的符號作為最左邊符號的“結束”符號，作為最右邊符號的“開始”。

圖 2 ：禁止停車區旁的汽車

除了形成停車帶外， PSA 系統還利用標志的語義將停車帶分為禁止停車、禁止停留、允許停車和未知狀態。然后，可以將此信息提供給駕駛員或任何自動停車系統。

圖 3 ：PSA 的高水平工作

圖 3 顯示了 PSA 系統的主要功能工作流。在幀 A 中，檢測到“停車區開始”標志，并創建新的停車帶。汽車行駛一段時間后，檢測到“停車區結束”標志，該標志與該停車帶的開始標志相匹配。

最后， PSA 系統將所有激活的停車帶存儲在其存儲器中，并根據停車帶所隱含的交通規則向駕駛員發出當前停車狀態的信號。

結論

PSA 系統在 NVIDIA DRIVE AGX 上運行僅幾毫秒，就可以以驚人的準確性實現復雜的決策。它還兼容任何使用實時攝像頭傳感器輸入的僅感知自動車輛堆棧。

NVIDIA 目前的 SignNet DNN 支持歐洲 20 多個停車標志，包括公共汽車停車標志、禁止停車標志和禁止停車標志，覆蓋范圍不斷擴大。我們還將光學字符識別（ OCR ）和自然語言處理（ NLP ）模塊添加到系統中，以處理符號上書寫文本攜帶的復雜信息。