近年来,随着电动车辆及无线充电技术的快速发展,采用无线充电方式对电动车辆进行电量补给成了未来电动车辆发展的一个必然趋势。而无线充电效率较低,尤其是在车载接收装置与地面发射装置之间出现错位时,是制约电动车辆无线充电产业发展的一个重要因素。主要体现在车辆对位存在盲区,驾驶员无法观察置于车辆底盘的无线充电接收装置和地面发射装置是否对位准确等信息;停车场环境复杂,传统机器视觉图像特征检测的算法对车位特征点的实时检测存在鲁棒性较差、检测速度较慢、对环境要求较高,以及检测结果类别模糊等不足。针对上述问题,本文借鉴了基于机器学习/深度学习方法在分类、识别、目标检测等领域应用的成功经验,提出了基于深度学习的方法对车位特征检测与车辆位姿估计,为实现无线充电车辆精准对位提供重要的技术借鉴。主要研究内容和取得的研究成果包括以下几个方面:1、研究了多种极端场景下,基于深度学习的无线充电车位特征角点检测算法。采集车位图像数据并标注数据样本,基于YOLOv3-tiny设计卷积神经网络对车位特征进行训练和测试,提取出车位各特征角点的类别信息和位置信息。通过实验证明了检测特征点类别和图像坐标信息的正确性。2、针对实际应用场景仅存在极少特征点的条件,研究了稀疏点的相机位姿估计方法,应用深度学习和P4P方法实现了3和4个特征点条件下的相机位姿估计。基于对上述稀疏点相机位姿估计误差的对比分析结果,并考虑无线充电车辆精准对位应用场景的实际情况,形成了针对该应用的两步式车辆位姿估计方案,即当车辆无法检测到4个特征点信息时,首先采用深度学习的3点稀疏位姿估计,一旦系统检测到特征点数量满足P4P方法条件时,则采用P4P方法进行位姿估计,以实现特征点不足情况下的车辆位姿的有效估计。3、搭建了实验测试系统,对摄像机采集到的车位图像经过车位特征点检测后,输出车位各特征角点的类别信息和像素位置信息,对该信息经过车辆位姿估计系统,输出相机的位姿信息,间接的估计得到车辆相对车位的位姿信息。实验结果表明该方案可以实现车辆位姿的估计,证明了本文所提出的多极端环境下,基于深度学习的方法预测车位信息和对车辆位姿估计的可行性和正确性。