CN119975333A - 对几乎相同的停车位使用可重用训练结果的基于slam的增强型停车辅助 - Google Patents

Abstract

一种基于SLAM的停车辅助方法，包括确定主车辆正在进入邻近目标停车位的走廊，并确定目标停车位的训练过程的多个先前确定的训练结果中的至少一个的潜在可重用性。训练结果包括潜在停车位的训练识别数据。该方法还包括接收目标停车位的识别数据，基于目标停车位的识别数据来识别多个训练结果中的哪一个是可重用的以选择已识别的训练结果，将目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据进行比较，并将目标停车位的识别数据加载到基于SLAM的停车辅助中。

Description

对几乎相同的停车位使用可重用训练结果的基于SLAM的增强 型停车辅助

技术领域

本公开涉及一种对几乎相同的停车位使用可重用训练结果的基于同时定位和映射(SLAM)的增强型停车辅助系统和方法。

背景技术

本小节总体上呈现了本公开的背景。目前指定的发明人的工作，就其在本小节中描述的程度而言，以及在提交时可能不符合现有技术的描述的方面，既没有明确也没有暗示地被承认为针对本公开的现有技术。

基于SLAM的停车辅助可以用于引导车辆进入停车位，并且这种辅助可以以驾驶员的引导信息和/或自动停车功能增强的形式提供。然而，在某些情况下，无论停车过程是由驾驶员还是系统执行，都需要进行大量训练才能使用基于SLAM的停车辅助将车辆引导至停车位。因此，期望将基于SLAM的停车辅助的训练开销最小化。

发明内容

本公开描述了一种对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助方法，以将训练开销最小化。该方法包括确定主车辆正在进入邻近目标停车位的走廊。该方法还包括响应于确定主车辆进入邻近目标停车位的走廊而确定目标停车位的训练过程的多个训练结果的潜在可重用性。多个训练结果中的每一个都包括潜在停车位的训练识别数据。该方法还包括响应于确定目标停车位的训练过程的多个训练结果的潜在可重用性而接收目标停车位的识别数据。该方法还包括基于目标停车位的识别数据来识别多个训练结果中的哪一个是可重用的，以选择已识别的训练结果。该方法还包括将目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据进行比较，以确定目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据之间的差异是否在预设阈值内。该方法还包括响应于确定目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据之间的差异在预设阈值内，将目标停车位的识别数据加载到基于SLAM的停车辅助中。本段中描述的方法重用先前训练会话中的训练结果来将基于SLAM的停车辅助使用的计算资源最小化，而不是为每个访问的停车位执行训练会话。因此，本段中描述的方法通过利用具有几乎相同的停车位的其他停车设施的训练结果的可重用性来将车辆的基于SLAM的停车辅助的训练开销最小化，从而改进了车辆技术。

在本公开的一些方面，该方法还包括使用基于SLAM的停车辅助和目标停车位的识别数据向车辆乘员提供视觉引导以完成停车。该方法可以包括控制主车辆的运动以到达目标停车位中的目标停车位置。基于SLAM的停车辅助采用SLAM特征集对主车辆进行定位并映射。该方法还可以包括检测SLAM特征数据集的新变体并使用SLAM特征数据集的新变体调整已识别的训练结果。目标停车位的识别数据包括目标停车位的几何属性，已识别的训练结果的潜在停车位的识别数据包括已识别的训练结果的潜在停车位的几何属性。目标停车位的几何属性包括邻近目标停车位的走廊的走廊宽度、互连走廊和目标停车位的坡道的底盘坡道高度、目标停车位的车位内部宽度以及目标停车位的车位外部宽度。该方法还可以包括确定目标停车的几何属性与已识别的训练结构的潜在停车位的几何属性是否在预定几何阈值内。

本公开还描述了一种对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助系统。该系统包括车辆内部的多个传感器。该系统还包括与传感器进行通信的控制器。该控制器被编程为执行上述方法。

本公开还描述了一种有形的、非暂时性机器可读介质，其包括机器可读指令，当由处理器执行时，使得处理器执行上述方法。

根据本文提供的描述，进一步的适用领域将变得显而易见。应当理解，说明书和具体示例仅仅是为了说明的目的，而不是旨在限制本公开的范围。

当结合附图时，根据包括权利要求书和示例性实施例的详细描述，当前公开的系统和方法的上述特征和优点以及其他特征和优点是显而易见的。

附图说明

从具体实施方式和附图中将更全面地理解本公开，其中：

图1是车辆的示意图，该车辆包括一种对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助系统。

图2是图1所示车辆在停车设施内的示意图。

图3是一种用于训练对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助系统的方法的流程图。

图4是一种在实时会话期间对几乎相同的停车位使用训练会话的可重用训练结果的基于SLAM的增强型停车辅助方法的流程图。

图5是用于确定目标停车位是否与训练会话的训练结果的潜在停车位几乎相同的方法的流程图。

具体实施方式

现将详细参考附图中示出的本公开的几个示例。只要有可能，在附图和描述中使用相同或相似的附图标记来指代相同或相似的部件或步骤。

参考图1，主车辆10通常包括车身12和联接到车身12的多个车轮14。主车辆10可以是自主车辆。在所示的实施例中，主车辆10在所示的实施例中被描绘为轿车，但应当理解，也可以是使用包括卡车、轿跑车、运动型多用途车(SUV)、休闲车(RV)等的其他车辆。

系统20可以是主车辆10的一部分或与主车辆10一起工作。系统20可以被称为对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助系统，并且可以包括控制器34。该控制器34包括至少一个处理器44和非暂时性计算机可读存储设备或介质46。处理器44可以是定制的或市售的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与车辆控制器34相关联的多个处理器中的辅助处理器、基于半导体的微处理器(微芯片或芯片组形式)、宏处理器、其组合、或者通常是用于执行指令的设备。计算机可读存储设备或介质46可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储装置。KAM是持久性或非易失性存储器，其可用于在处理器44断电时存储各种操作变量。计算机可读存储设备或介质46可以使用多个存储设备来实现，例如可编程只读存储器(PROM)、电PROM(EPROM)、电可擦除PROM(EEPROM)、闪存或其他能够存储数据的电、磁、光学的或组合存储装置，其中一些数据表示可执行指令，由控制器34在控制车辆10时使用。车辆10的控制器34可以被称为车辆控制器并且可以被编程为执行如下详细描述的方法100、200和300(图3-5)。

这些指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，指令接收并处理来自传感器的信号，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并且生成控制信号以基于逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管图1中示出了单个控制器34，但是主车辆10的实施例可以包括多个控制器34，其通过合适的通信介质或通信介质的组合进行通信，并协作处理传感器信号，执行逻辑、计算、方法和/或算法，并生成控制信号以自动控制车辆10的功能。

主车辆10还包括联接到车身12的一个或多个传感器16。传感器16感测主车辆10的外部环境和/或内部环境的可观察条件。作为非限制性示例，传感器16可以包括一个或多个摄像机、一个或多个光检测和测距(LIDAR)传感器、一个或多个接近传感器、一个或多个摄像机、一个或多个超声波传感器、一个或多个热成像传感器和/或其他传感器。每个传感器16被配置为产生表示车辆10的外部环境和/或内部环境的感测到的可观察条件(即，传感器数据)的信号。

车辆10包括用户界面23，其可以是仪表板中的触摸屏。用户界面23可以包括但不限于警报器，例如提供车辆座椅或其他物体中的可听声音、触觉反馈的一个或多个扬声器27、一个或多个显示器29、一个或多个麦克风(例如，麦克风阵列)和/或适于向主车辆10的车辆用户发出通知的其他设备。用户界面23与控制器34进行电子通信并且被配置为接收车辆乘员(例如，车辆操作者或车辆乘客)的输入。例如，用户界面23可以包括被配置为接收来自人的输入的触摸屏和/或按钮。因此，控制器34被配置为经由用户界面23接收来自用户的输入。用户界面23还被配置为经由显示器29和/或扬声器27输出消息或通知。例如，用户界面23可以使用基于SLAM的停车辅助和目标停车位的识别数据向车辆乘员提供视觉引导来完成停车。

参考图1和图2，车辆10可以包括基于SLAM的停车辅助系统20。当主车辆10进入停车设施50时，系统20可以启动。系统20通过利用具有几乎相同停车位的其他停车设施的训练结果的可重用性来将基于SLAM的停车辅助的训练开销最小化。停车设施50具有多个停车位52和通向一个或多个停车位52的走廊54。坡道58将走廊54与停车位52的停车位底盘64互连。其中一个停车位52被认为是目标停车位。“目标停车位”是主车辆10的车辆乘员选择停车的停车设施50中的停车位52。因此，目标停车位邻近停车设施50的走廊54。

系统20可以用于具有机械停车系统的停车设施或具有硬周边(hard perimeters)的其他停车位。在本公开中，术语“机械停车系统”是指一种使用机械装置在有限空间内移动和存储汽车的停车系统。机械停车系统可以分为两类：半自动和全自动。半自动停车系统需要人工干预来驾驶或引导汽车进入机器，而全自动停车系统不需要任何人工辅助，可以自行将汽车从入口运输到停车位。机械停车系统旨在节省空间、减少排放、提高安全性并提高驾驶员的便利性。机械停车系统的一些示例有转盘停车系统、升降横移停车系统、货架和轨道停车系统以及塔式停车系统。转盘停车系统包括一个圆形结构，可以垂直和水平旋转汽车。升降横移停车系统是一种模块化系统，可以将汽车向上、向下、向左或向右移动以创建或进入停车位。货架和轨道停车系统是一种全自动系统，使用升降机和推车将汽车垂直和水平转移到指定的空间。塔式停车系统是一种全自动系统，可以将汽车垂直堆放在塔状结构中。

系统20使用具有硬周边的停车位的数据集作为典型用例。操作期间，系统20在基于SLAM的停车辅助的训练和实时会话中获得停车位52的识别数据。因此，系统20实时获得目标停车位52的目标识别数据。目标停车位52的识别数据可以包括停车设施50的几何属性，例如邻近目标停车位52的走廊54的走廊宽度56、互连走廊54和目标停车位的坡道58的底盘坡道高度、目标停车位52的车位内部宽度62以及目标停车位52的车位外部宽度60。基于目标停车位52的实时目标识别数据与先前训练会话的停车位的训练识别数据之间的差异来确定训练会话的训练结果的可重用性。为了便于重用训练识别数据，训练结果根据被选择为与几乎不受其他停放车辆11影响的停车位周边有关的SLAM特征点来定制。因此，系统20不再对每个被访问的停车位52执行训练会话，而是重用先前训练会话的训练结果以将基于SLAM的停车辅助使用的计算资源最小化。

图3是一种用于训练对几乎相同的停车位使用可重用训练结果的基于SLAM的增强型停车辅助系统的方法100的流程图。方法100可以被称为训练过程并且开始于框102。在框102处，控制器34使用从一个或多个传感器16(例如摄像机)和/或通过众包获得的传感器数据来确定主车辆10正在进入邻近目标停车位52的走廊54。而且，在框102处，当主车辆10进入邻近目标停车位52的走廊54时，控制器34确定当前训练会话即将发生的训练结果的潜在可重用性。作为非限制性示例，确定基于SLAM的停车辅助的训练结果的潜在可重用性的主要标准是停车设施50中的所有停车位52是否几乎相同，因为停车位52是机械停车系统的一部分或者以其他方式具有硬周边。然后，方法100继续到框104。

在框104处，控制器34使用传感器16(例如摄像机)和/或通过众包获得目标停车位52的主要识别数据。目标停车位的主要识别数据可以由目标停车位52的相关几何属性来定义。作为非限制性示例，目标停车位52的相关几何属性可以包括邻近目标停车位52的走廊54的走廊宽度56、互连走廊54和目标停车位的坡道58的底盘坡道高度、目标停车位52的车位内部宽度62、目标停车位52的车位外部宽度60、在横跨走廊54的最近相对停车位52之间的沿走廊方向的目标停车位52的偏移位置。如果使用摄像机来获取目标停车位52的主要识别数据，则当主车辆10距目标停车位52在预定距离内(例如，小于7.5米且大于3米)时，将摄像机框架组选择为具有适当空间间隔的摄像机视图框架。接下来，方法100进行到框106。

在框106处，车辆乘员将主车辆10停放在目标停车位52中被视为近乎完美的停放位置处。该近乎完美的停放位置可以是主车辆10位于目标停车位52中心的位置。设想车辆乘员可以命令主车辆10自主地停放在目标停车位52中被视为近乎完美的停放位置处。此时，摄像机(即，传感器16)应当捕获显示目标停车位52附近的外部特征的(例如，其他停放车辆11)的图像以用于后续步骤。然后，方法100继续到框108。

在框108处，控制器34建议哪些外部特征(由摄像机捕获)与不受其他停放车辆11影响的目标停车位52的硬周边相关。控制器34可以排除一些不合格的特征。然后，方法100继续到框110。在框110处，控制器34命令车辆乘员通过例如用户界面23确认控制器34在框108处建议的特征集。然后，建议并由车辆乘员确认的特征将用于实时停车会话。

图4是一种在实时会话期间对几乎相同的停车位52使用可重用训练结果的基于SLAM的增强型停车辅助方法200的流程图。方法200开始于框202。在框202处，控制器34使用从一个或多个传感器16(例如摄像机)和/或通过众包获得的传感器数据来确定主车辆10正在进入邻近目标停车位52的走廊54。此外，在框202处，当主车辆10进入目标停车位52附近的走廊54时，控制器34确定先前训练会话的训练结果的潜在可重用性。作为非限制性示例，用于确定基于SLAM的停车辅助的训练结果的潜在可重用性的主要标准是停车设施50中的所有停车位52是否几乎相同，因为停车位52是机械停车系统的一部分或者以其他方式具有硬周边。然后，方法200继续到框204。

在框204处，控制器34使用传感器16(例如摄像机)和/或通过众包获得目标停车位52的主要识别数据。目标停车位的主要识别数据可以由目标停车位52的相关几何属性来定义。作为非限制性示例，目标停车位52的相关几何属性可以包括邻近目标停车位52的走廊54的走廊宽度56、互连走廊54和目标停车位的坡道58的底盘坡道高度、目标停车位52的车位内部宽度62、目标停车位52的车位外部宽度60、在横跨走廊54的最近相对停车位52之间的沿走廊方向的目标停车位52的偏移位置。如果使用摄像机来获取目标停车位52的主要识别数据，则当主车辆10距目标停车位52预定距离内(例如，小于7.5米且大于3米)时，将摄像机框架组选择为具有适当空间间隔的摄像机视图框架。接下来，方法200进行到框206。

在框206处，控制器34基于目标停车位的识别数据来识别多个训练结果中的哪一个是可重复使用的，以选择已识别的训练结果。控制器34可以基于目标停车位52的地理位置来识别训练结果。然后，控制器34加载已识别的训练结果的潜在停车位的主要识别数据。然后，方法200进行到框208。

在框208处，控制器34将目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据进行比较，以确定目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据之间的差异是否在预设阈值内。如果目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据之间的差异不在预设阈值内，则方法200进行到框210。如果目标停车位的识别数据与已识别的训练结果的潜在停车位的识别数据之间的差异在预设阈值内，则方法200进行到框212。下面在与图5相关的描述中更详细地描述框208。

在框210处，控制器34通过例如用户界面23向车辆乘员发出通知。通知指示先前训练会话的训练结果没有与当前目标停车位52匹配。此外，如果车辆乘员授权这样的动作，则控制器34开始如上文关于方法100所述的训练会话。

在框212处，控制器34将目标停车位的识别数据加载到基于SLAM的停车辅助中。控制器34然后命令用户界面23使用基于SLAM的停车辅助和目标停车位的识别数据向车辆乘员提供视觉引导以完成停车。或者，如果主车辆10是自主车辆，则控制器34控制主车辆10的运动以到达目标停车位52中的目标停车位置。然后，方法200继续到框214。

在框214处，如果适用，控制器34检测SLAM特征数据集的新变体。接下来，控制器34使用SLAM特征数据集的新变体调整已识别的训练结果。

图5是用于确定目标停车位52是否与训练会话的训练结果的潜在停车位几乎相同的方法300的流程图。方法300详细描述了方法200的框208并且开始于框302。在框302处，控制器34选择训练会话的可能的可重用训练结果(即，已识别的训练结果)。这种可能的可重用训练结果尚未得到评估。然后，方法300继续到框304。

在框304处，控制器34确定(例如，计算)目标停车位52的相关几何属性与训练会话的已识别的训练结果的潜在停车位的几何属性之间的差异以确定差异是否在预定的几何阈值内。如果目标停车位52的相关几何属性与已识别的训练结果的潜在停车位的几何属性之间的差异不在预定几何阈值内，则方法300继续到框306。如果目标停车位52的相关几何属性与已识别的训练结果的潜在停车位的几何属性之间的差异在预定几何阈值内，则方法300继续到框308。

在框306处，控制器34检查是否存在任何尚未评估的可能的训练结果。如果存在尚未评估的一个或多个训练结果，则方法300返回到框302。如果所有训练结果都已被评估，则方法300继续到框310。控制器34输出负输出(即，否)，并且上述方法200继续到框210。

在框308处，控制器34选择与已选择的可能的可重用训练结果相关联的潜在停车位52的关键视频帧。然后，方法300继续到框310。在框312处，控制器34确定(例如，计算)实时捕获的关键视频帧与训练会话的训练结果的关键视频帧之间的关键视频帧的相关性度量，以确定图像相关性是否在预设阈值内。图像相关性度量可以是例如相位相关性、高频分量、色调和饱和度谱相关性、以及多个相关性值的某种组合等，其被适当地设计以适应相关场景。如果图像相关性度量在预设阈值内，则方法300进行到框314。在框314处，控制器34输出正输出(即，是)并且以上方法200进行到框212。如果图像相关性度量不在预设阈值内，则方法300进行到框316。

在框316处，控制器34确定是否有任何关键视频帧对(即，实时视频帧和训练回话期间的训练结果的关键帧)尚未被评估。如果存在一些尚未评估的关键视频帧对，则方法300返回到框308。如果所有关键视频帧对都已被评估，则方法300返回到框306。

虽然以上描述了示例性实施例，但并不意味着这些实施例描述了权利要求所涵盖的所有可能的形式。说明书中使用的词语是描述性的词语而不是限制性的，并且应当理解，在不脱离本公开的精神和范围的情况下可以做出各种改变。如前所述，各种实施例的特征可以组合以形成可能未明确描述或示出的当前公开的系统和方法的进一步实施例。虽然各种实施例可能已被描述为具有优点或者相对于一种或多种所需特性优于其他实施例或现有技术实现，但本领域普通技术人员认识到，可以对一种或多种特征或特性进行折衷以实现所需的整体系统属性，这取决于具体的应用和实现。这些属性可以包括但不限于成本、强度、耐用性、生命周期成本、适销性、外观、包装、尺寸、适用性、重量、可制造性、组装简易性等。因此，就一个或多个特征的实施例而言，被描述为不如其他实施例或者现有技术实施方式那么理想的实施例不超出本公开的范围并且对于特定应用来说可能是理想的。

附图为简化形式且未按精确比例绘制。仅出于方便和清楚的目的，可就附图而言，可以使用方向术语，例如顶部、底部、左、右、上、上方、在……上方、下方、在……下方、后部和前部。这些方向术语和类似的方向术语不应被解释为以任何方式限制本公开的范围。

本文描述了本公开的实施例。然而，应当理解，所公开的实施例仅仅是示例，并且其他实施例可以采取各种替代形式。附图不一定按比例绘制；某些特征可以被放大或最小化以显示特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅作为教导本领域技术人员以不同方式采用当前公开的系统和方法的代表性基础。如本领域普通技术人员将理解的，参考任一附图示出和描述的各种特征可以与一幅或多幅其他图中示出的特征组合以产生未明确示出或描述的实施例。所示特征的组合提供了典型应用的代表性实施例。然而，对于特定应用或实施方式可能需要与本公开的教导一致的特征的各种组合和修改。

本文可以根据功能和/或逻辑块组件以及各种处理步骤来描述本公开的实施例。应当理解，这样的块组件可以通过被配置为执行指定功能的多个硬件、软件和/或固件组件来实现。例如，本公开的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制装置的控制下执行各种功能。另外，本领域技术人员将理解，本公开的实施例可以结合多种系统来实践，并且本文描述的系统仅仅是本公开的示例性实施例。

简洁起见，与系统的信号处理、数据融合、信令、控制和其他功能方面(以及系统的各个操作组件)相关的技术可以不在本文中详细描述。此外，本文包含的各个图中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在替代的或附加的功能关系或物理连接。

该描述本质上仅仅是说明性的，并且决不旨在限制本公开、其应用或用途。本公开的广泛教导可以以多种形式实现。因此，虽然本公开包括特定示例，但本公开的真实范围不应受到如此限制，因为在研究附图、说明书和所附权利要求后，其他修改将变得显而易见。

Claims (10)

1.一种基于SLAM的停车辅助方法，包括：

确定主车辆正在进入邻近目标停车位的走廊；

响应于确定所述主车辆进入邻近所述目标停车位的所述走廊，确定所述目标停车位的训练过程的多个训练结果的潜在可重用性，其中，所述多个训练结果中的每一个都包括潜在停车位的训练识别数据；

响应于确定所述目标停车位的训练过程的多个训练结果的潜在可重用性，接收所述目标停车位的识别数据；

基于所述目标停车位的识别数据来识别所述多个训练结果中的哪一个训练结果是可重用的，以选择已识别的训练结果；

将所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据进行比较，以确定所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据之间的差异是否在预设阈值内；以及

响应于确定所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据之间的所述差异在预设阈值内，将所述目标停车位的识别数据加载到基于SLAM的停车辅助中。

2.根据权利要求1所述的方法，还包括使用所述基于SLAM的停车辅助和所述目标停车位的识别数据向车辆乘员提供视觉引导以完成停车。

3.根据权利要求1所述的方法，还包括控制所述主车辆的运动以到达所述目标停车位中的目标停车位置。

4.根据权利要求1所述的方法，其中，所述基于SLAM的停车辅助采用SLAM特征集来定位和映射所述主车辆，并且所述方法还包括：

检测SLAM特征数据集的新变体；以及

使用所述SLAM特征数据集的新变体调整所述已识别的训练结果。

5.根据权利要求1所述的方法，其中，所述目标停车位的识别数据包括所述目标停车位的几何属性，所述已识别的训练结果的潜在停车位的识别数据包括所述已识别的训练结果的潜在停车位的几何属性。

6.根据权利要求5所述的方法，其中所述目标停车位的几何属性包括邻近所述目标停车位的走廊的走廊宽度、互连所述走廊和所述目标停车位的坡道的底盘坡道高度、所述目标停车位的车位内部宽度以及所述目标停车位的车位外部宽度。

7.根据权利要求5所述的方法，还包括确定所述目标停车位的几何属性与所述已识别的潜在停车位的几何属性之间的差异在预设几何阈值内。

8.一种基于SLAM的停车辅助系统，包括：

多个传感器；

控制器，所述控制器与所述多个传感器进行通信，其中所述控制器被编程为：

确定主车辆正在进入邻近目标停车位的走廊；

响应于确定所述主车辆进入邻近所述目标停车位的所述走廊，确定所述目标停车位的训练过程的多个训练结果的潜在可重用性，其中，所述多个训练结果中的每一个都包括潜在停车位的训练识别数据；

响应于确定所述目标停车位的训练过程的多个训练结果的潜在可重用性，接收所述目标停车位的识别数据；

基于所述目标停车位的识别数据来识别所述多个训练结果中的哪一个训练结果是可重用的，以选择已识别的训练结果；

将所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据进行比较，以确定所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据之间的差异是否在预设阈值内；以及

响应于确定所述目标停车位的识别数据与所述已识别的训练结果的潜在停车位的识别数据之间的差异在预设阈值内，将所述目标停车位的识别数据加载到基于SLAM的停车辅助中。

9.根据权利要求8所述的系统，其中所述控制器被编程为使用所述基于SLAM的停车辅助和所述目标停车位的所述识别数据命令用户界面向车辆乘员提供视觉引导，以完成停车。

10.根据权利要求8所述的系统，其中，所述控制器被编程为控制所述主车辆的运动以到达所述目标停车位中的目标停车位置。