自主驾驶卡车路由的运动模型

相关申请的交叉引用

本申请要求于2019年12月30日提交的美国临时申请No.62/954,870的提交日期的权益，其全部公开内容通过引用合并于此。

技术领域

本公开涉及以自主驾驶模式操作载具的方法。

背景技术

自主载具(autonomous vehicle)，诸如不需要人类驾驶员的载具，可用于帮助将诸如货物、牲畜或其他物品的拖车(例如，拖曳)货物从一个地点运输到另一地点。其他类型的铰接式载具也可以运输货物或乘客。这样的载具可以以没有任何载具乘客输入的完全自主模式进行操作，或者可以以人员提供一些驾驶输入的部分自主模式进行操作。一个或多个传感器可用于检测环境中附近的物体，并且载具在以自主模式驾驶时可使用来自传感器的信息。根据载具的尺寸和形状以及道路的配置，对于载具转弯或执行另一驾驶操作可能是挑战性的。载具重量或尺寸限制以及载具如何自主操纵的其他限制可能会使此类操作进一步复杂化。这些问题可能会阻止载具选取特定路线，可能会延迟货物交付、增加交通量、并给自主载具和其他道路使用者带来其他物流(logistical)问题。

发明内容

本技术涉及使用货运卡车或其他载具的详细运动学模型结合路标和其他信息来确定路线对于载具是否可行。这可以包括评估驾驶规则的分级集合，并确定在给定当前驾驶条件下是否违反任何规则。本技术的各方面涉及确定卡车进行给定转弯或其他驾驶操作的理想轨迹(和成本)，以及确定从出发点到目的地的整体路线。

根据一个方面，提供一种以自主驾驶模式操作载具的方法。所述方法包括：由载具的一个或多个处理器从载具的一个或多个传感器接收载具周围环境的传感器数据；由一个或多个处理器确定对于给定驾驶操纵的多个可能路径，以遵循沿着路线规划的轨迹；由一个或多个处理器基于接收的传感器数据和多个可能路径，根据载具的运动学模型，确定每个可能路径的运动学可行性(kinematic feasibility)；由一个或多个处理器基于运动学可行性和存储规则的分级来选择给定的可能路径之一，存储规则的分级与车道指示器、物理道路组成部分(component)或载具的限制中的一个或多个相关联；以及根据运动学可行性和存储规则的分级，使载具以自主驾驶模式执行选择的驾驶操作以遵循给定路径。

可以根据每个可能路径，根据载具的扫掠体积(swept volume)确定运动学可行性。扫掠体积可以包括载具的一个或多个铰接部分。

存储规则的分级可以对不同的车道线类型、路缘构造或路肩类型中的一个或多个进行排序。基于存储规则的分级选择给定路径可以包括基于一个或多个规则的预期违反对路径进行排序。确定每个可能路径的运动学可行性可以包括评估与该路径相关的操纵成本。例如，评估操纵成本可以包括评估转弯数量、遮挡、天气限制、邻域类型或时间限制中的一个或多个。评估操纵成本可以替代地或附加地包括分析错过转弯、错过出口或错过车道变更的成本。

选择给定路径还可以基于对一个或多个可能路径载具拥堵(becoming stuck)的可能性。所述方法还可以包括：在选择的驾驶操作之前预先规划何时变更车道。

根据另一方面，提供一种确定载具以自主驾驶模式操作的整体路线的方法。所述方法包括：由计算系统的一个或多个处理器获得至少一张地图，该地图包括载具以自主驾驶模式操作的整体路线的起点和终点之间的路线图信息；由一个或多个处理器确定整体路线的任何路段载具是否受限；由一个或多个处理器基于确定任何路段载具是否受限来确定沿着整体路线的初始轨迹；由一个或多个处理器对初始轨迹确定对载具的给定驾驶操纵的多个可能路径；由一个或多个处理器基于多个可能路径，根据载具的运动学模型确定每个可能路径的运动学可行性；由一个或多个处理器基于运动学可行性和规则的分级来选择给定的可能路径之一，规则的分级与车道指示器、物理道路组成部分或载具的限制中的一个或多个相关联；由一个或多个处理器基于给定路径生成载具的最终轨迹；以及将最终轨迹存储在存储器中。

在一个示例中，所述方法还包括：将最终轨迹传输到以自动驾驶模式操作的载具。确定每个可能路径的运动学可行性可以包括评估时间限制或法律限制中的至少一个。评估时间限制可以包括：评估在时间限制发生之前载具将能够执行驾驶动作的可能性。

确定每个可能路径的运动学可行性可以包括评估与该路径相关联的操纵成本。例如，操纵成本基于转弯数量、遮挡、天气限制、邻域类型或时间限制中的一个或多个。替代地或附加地，操纵成本可以包括载具拥堵的可能性。

规则的分级可以包括与沿道路的物品或物体有关的规则的集合。物品或物体可以包括不同车道线类型、路缘构造或路肩类型中的一个或多个。基于规则的分级选择给定路径可以包括基于分级中的一个或多个规则的预期违反对路径进行排序。

所述方法还可以包括：从已经沿整体路线驾驶的一个或多个其他载具接收关于限制或操纵成本的信息。在此，接收信息包括：接收关于给定载具采取或尝试的动作的信息。在此，接收信息包括：接收由给定载具观察到的关于由不同载具采取的动作的信息。

附图说明

图1A-图1B示出与技术方面一起使用的示例牵引车拖车布置。

图1C-图1D示出与技术方面一起使用的示例铰接式巴士布置。

图2A示出根据本公开的方面的自主载具控制系统的系统图。

图2B示出根据本公开的方面的拖车的系统图。

图3A是根据本公开的方面的用于载具的传感器覆盖范围的示例。

图3B是根据本公开的方面的用于载具的传感器覆盖范围的另一示例。

图4A至图4C示出根据本公开的各方面的转向示例。

图5A至图5C示出根据本公开的各方面的自遮挡示例。

图6A-图6F示出根据本公开的各方面的路缘构造。

图7示出根据本公开的各方面的道路边缘构造。

图8A-图8C示出根据本公开的各方面的转向选项。

图9A-图9D示出根据本公开的各方面的示例路线规划场景。

图10A-图10B示出根据本公开的各方面的示例系统。

图11示出根据本公开的各方面的方法。

图12示出根据本公开的各方面的另一种方法。

具体实施方式

本技术涉及全自主或半自主载具，包括货运载具(例如，牵引车拖车)和其他铰接式载具(例如，巴士)、建筑或农用载具、以及乘用载具(例如，轿车和小型货车)。车载传感器(诸如激光雷达传感器、雷达和相机)用于检测载具环境中的物体。这些传感器还可以检测载具的实时姿态(pose)，包括任何铰接组件，诸如拖车。

图1A-图1B示出示例载具100，诸如牵引车拖车卡车(tractor-trailer truck)。卡车可以包括例如单个拖车、双重拖车或三重拖车，或者可以是另一辆中型或重型卡车，诸如商业重量等级为4至8。如图所示，卡车包括牵引单元102和单个货运单元或拖车104。根据要运输的货物的类型，拖车104可以是完全封闭的，敞开的(诸如平坦的底座)，或者是部分敞开的。牵引单元102包括引擎和转向系统(未示出)以及用于驾驶员和任何乘客的驾驶室106。在完全自主的布置中，驾驶室106可以不配备座椅或手动驾驶组件，因为在车载驾驶操作中可能没有人员在场。

拖车104包括称为主销108的挂接点(hitching point)。主销108通常形成为实心钢轴，其构造成可枢转地(pivotally)附接到牵引单元102。特别地，主销108附接到拖车联接器(coupling)109，称为第五轮，安装在驾驶室的后方。对于双重拖车或三重拖车，第二拖车和/或第三拖车可能与主拖车有简单的挂钩连接。或者，替代地，根据本公开的一方面，每个拖车可以具有其自己的主销。在这种情况下，至少第一拖车和第二拖车可以包括布置成联接(couple)至下一拖车的第五轮型结构。

如图所示，牵引车可以具有沿其布置的一个或多个传感器单元110、112。例如，一个或多个传感器单元110可以设置在驾驶室106的车顶或顶部上，并且一个或多个侧传感器单元112可以设置在驾驶室106的左侧和/或右侧上。传感器单元还可以沿着驾驶室106的其他区域放置，诸如沿着前保险杠或引擎盖区域，位于驾驶室的后部，与第五轮相邻，在底盘下方等。拖车104还可以具有沿着例如拖车104的侧板、前、后、车顶和/或底盘布置的一个或多个传感器单元114。图1C-图1D示出另一种类型的铰接式载具120的示例，诸如铰接式巴士。与牵引车-拖车100一样，铰接式巴士120可以包括沿载具的不同区域设置的一个或多个传感器单元。

例如，如下文进一步讨论的，每个传感器单元可以在一个壳体内包括一个或多个传感器，诸如激光雷达、雷达、相机(例如，光学或红外)、声学(例如，麦克风或声纳式传感器)、惯性传感器(例如，加速度计、陀螺仪等)或其他传感器。

示例系统

图2A示出具有载具的各种组件和系统的框图200，诸如被配置为以完全自主或半自主操作模式操作的卡车、农用设备、建筑设备或铰接式巴士。例如，对于以部分或完全自主驾驶模式操作的载具可能会发生不同程度的自主。美国国家公路交通安全管理局和汽车工程师协会已经确定了不同的级别，以指示载具控制驾驶的程度。例如，级别0没有自主，并且驾驶员做出所有与驾驶相关的决定。最低的半自主模式，级别1，包括一些驾驶辅助功能，诸如巡航控制。级别2具有某些驾驶操作的部分自主，而级别3涉及有条件自主，可以使驾驶员座位上的人按需(as warranted)进行控制。相比之下，级别4是高度自主级别，载具能够在某些特定条件下驾驶而无需辅助。级别5是完全自主模式，其中，载具能够在任何情况下驾驶而无需辅助。本文描述的架构、组件、系统和方法可以在半自主或完全自主模式中的任何一种下操作，例如，级别1-5，在此被称为“自主”驾驶模式。因此，对自主驾驶模式的提及包括部分自主和完全自主两者。

如图2A的框图所示，载具包括一个或多个计算设备的控制系统，诸如包含一个或多个处理器204、存储器206和通常存在于通用计算设备中的其他组件的计算设备202。控制系统可以构成例如牵引单元(tractor unit)的电子控制单元(ECU)。存储器206存储一个或多个处理器204可访问的信息，包括可由处理器204执行或使用的指令208和数据210。存储器206可以是能够存储处理器可访问的信息的任何类型，包括计算设备可读介质。存储器是非暂时性介质，诸如硬盘驱动器、存储卡、光盘、固态设备、磁带存储器等。系统可以包括前述的不同组合，从而指令和数据的不同部分被存储在不同类型的介质上。

指令208可以是将由处理器直接执行(诸如机器代码)或间接执行(诸如脚本)的任何指令集。例如，指令可以作为计算设备代码存储在计算设备可读介质上。对此，术语“指令”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理，或者以任何其他计算设备语言存储，包括脚本或独立源代码模块的集合，这些脚本或集合按需进行解释或预先编译。数据210可以由一个或多个处理器204根据指令208来检索、存储或修改。例如，数据210可以包括载具的模型，诸如用于牵引车和拖车或其他铰接式组件的运动学模型。分级的驾驶规则，例如遵守政府驾驶规则，车道指示符和/或一般的“道路规则”，也可以存储在存储器中。地图数据，诸如详细的路线图，也可以存储在存储器中。当根据所存储的数据以自主驾驶模式操作时，计算系统能够控制载具的整体操作。

一个或多个处理器204可以是任何常规处理器，诸如市售的CPU。替代地，一个或多个处理器可以是专用设备，诸如ASIC或其他基于硬件的处理器，FPGA等。尽管图2A在功能上将计算设备202的处理器、存储器和其他元件示出为在同一块内，但是这样的设备实际上可以包括可以或可以不存储在相同物理壳体内的多个处理器、计算设备或存储器。类似地，存储器206可以是位于不同于处理器204的壳体中的硬盘驱动器或其他存储介质。因此，对处理器或计算设备的引用将被理解为包括对可以并行操作或可以不并行操作的处理器或计算设备或存储的集合的引用。

在一个示例中，计算设备202可以形成结合到载具100或120中的自主驾驶计算系统。自主驾驶计算系统可以能够与载具的各种组件进行通信，以便执行路线规划和驾驶操作。例如，计算设备202可以与载具的各种系统通信，诸如包括减速系统212(用于控制载具的制动)、加速系统214(用于控制载具的加速)、转向系统216(用于控制车轮的方位和载具的方向)、信号系统218(用于控制转向信号)、导航系统220(用于将载具导航到某个位置或周围物体)和定位系统222(用于确定载具的位置)的驱动系统。规划器模块211可以是自主驾驶计算机系统的一部分，并且用于基于运动学模型、分级规则和/或地图数据来规划到一个或多个目的地的路线。

计算设备202还可操作地联接到感知系统224(用于检测载具环境中的物体)、动力系统226(例如，电池和/或汽油或柴油动力引擎)和变速器系统230，以便在不要求或不需要来自载具乘客的连续或周期性输入的自主驾驶模式下，根据存储器206的指令208控制载具的运动、速度等。车轮/轮胎228中的一些或全部联接到变速器系统230，并且计算设备202可能能够接收关于轮胎压力、平衡和可能影响自主模式驾驶的其他因素的信息。

计算设备202可以通过控制各种组件来控制载具的方向和速度。例如，计算设备202可以使用来自地图信息和导航系统220的数据完全自主地将载具导航到目的地位置。计算设备202可以在需要时使用定位系统222来确定载具的位置，并且使用感知系统224检测到并对物体做出响应，以便安全到达位置。为此，计算设备202可以使载具加速(例如，通过增加由加速系统214提供给引擎的燃料或其他能量)、减速(例如，通过减少提供给引擎的燃料、改变档位(例如，通过变速器系统230)、和/或通过减速系统212施加制动)、改变方向(例如，通过转向系统216转动载具的前轮或其他车轮)，并发出信号表示这样的信号(例如，通过致动信号系统218的转向信号)。因此，加速系统214和减速系统212可以是动力传动系统或其他变速器系统230的一部分，包括在载具的引擎和载具的车轮之间的各种组件。同样，通过控制这些系统，计算设备202还可以控制载具的变速器系统230，以便自主地操纵载具。

作为示例，计算设备202可以与减速系统212和加速系统214交互以便控制载具的速度。类似地，转向系统216可以由计算设备202使用以控制载具的方向。例如，如果载具被配置为在道路上使用，诸如牵引车-拖车卡车或工程载具，则转向系统216可以包括控制牵引单元的车轮的角度以使载具转向的组件。计算设备202可以在需要时使用信号系统218以便用信号将载具的意图通知其他驾驶员或载具，例如，通过照亮转向信号灯或制动灯。

导航系统220可以由计算设备202使用，以确定并遵循到达位置的路线。对此，导航系统220和/或数据210可以存储地图信息，例如计算设备202可以用来导航或控制载具的高度详细的地图。作为示例，这些地图可以识别道路、车道标记、交叉路口、人行横道、路缘、速度限制、交通信号灯、建筑物、标志、实时交通信息、植被的形状和高度，或其他此类对象和信息。车道标记可以包括诸如实线或虚线的双或单车道线，实线或虚线的自行车或公交车道线，反光标志等特征。给定的车道可以与左右车道线或定义车道边界的其他车道标记相关联。因此，大多数车道可以由一个车道线的左边缘和另一车道线的右边缘来界定。

感知系统224还包括一个或多个传感器或其他组件，用于检测载具外部的物体，例如其他载具、道路上的障碍物、交通信号、路缘、标志、树木等。例如，感知系统224可以包括一个或多个光检测和测距(激光雷达)传感器、声学(例如，麦克风或声纳)设备、雷达单元、相机(例如，光学和/或红外)、惯性传感器(例如，陀螺仪或加速度计)、压力传感器和/或记录可由计算设备202处理的数据的任何其他检测设备。感知系统224的传感器可以检测物体及其特征，诸如位置、方位、大小、形状、类型(例如，载具、行人、自行车、植被等)、前进方向和移动速度等。来自传感器(例如，激光雷达点云)的原始数据和/或上述特征可以由感知系统本地处理，也可以在由感知系统224生成时，将其周期性地或连续地发送给计算设备202以进行进一步处理。计算设备202可以使用来自定位系统222的信息来确定载具的位置和感知系统224，以检测和分类物体，并在需要时对物体做出响应以安全地到达位置，包括规划路线更改和/或修改驾驶操作。

如图2A所示，感知系统224包括一个或多个传感器组件(assembly)232。每个传感器组件232可以包括至少部分地容纳在壳体中的一个或多个传感器。在一个示例中，传感器组件232可以被布置为集成在卡车、农用设备、建筑设备、巴士等上的侧视镜中的传感器塔。传感器组件232也可以定位在牵引单元102上或拖车104上的不同位置，如以上关于图1A-图1B所指出的，或者在如图1C-图1D所示的载具的铰接部件上。计算设备202可以与位于载具上任何地方的传感器组件通信。每个组件可以具有一个或多个类型的传感器，诸如上述传感器。

图2A中还示出通信系统234。通信系统234可以包括一个或多个无线连接，以促进与其他计算设备(诸如载具内的乘客计算设备)和载具外部的计算设备(例如，在道路上的其他附近载具或远程服务器系统)的通信。无线连接可以包括诸如Bluetooth

图2A还示出用于牵引单元和拖车之间的连接性的联接系统238。例如，联接系统238可以包括一个或多个动力和/或气动连接以及在牵引单元处的第五轮，用于在拖车处连接至主销。

图2B示出拖车的示例框图240。如图所示，系统包括一个或多个计算设备的ECU242，诸如包含一个或多个处理器244、存储器246和通常在通用计算设备中存在的其他组件的计算设备。存储器246存储一个或多个处理器244可访问的信息，包括可由处理器244执行或使用的指令248和数据250。来自图2A的处理器、存储器，指令和数据的描述适用于图2B的这些元件。

ECU 242被配置为从拖车单元或巴士或其他类型的载具的铰接单元接收信息和控制信号。ECU 242的车载处理器244可以与拖车或其他铰接单元的各种系统进行通信，包括减速系统252(用于控制拖车的制动)、信号系统254(用于控制转向信号)和定位系统256(以帮助确定拖车的位置)。ECU 242还可以通过一个或多个传感器(例如，激光雷达、雷达、相机或上述任何其他传感器)可操作地联接到感知系统258，用于检测拖车(或铰接单元)环境中的物体。

电力系统260(例如，电池电源)向拖车(或铰接单元)上的本地组件提供电力。拖车的一些或所有车轮/轮胎262可以联接到减速系统252，并且处理器244可能能够接收关于轮胎压力、平衡、方位、车轮速度和其他可能影响自主模式中的驾驶的信息，并将信息中继到牵引单元的处理系统。减速系统252、信号系统254、定位系统256、感知系统258、动力系统260和车轮/轮胎262可以诸如以上关于图2A所述的方式操作。感知系统258包括一个或多个传感器组件264，其可以与传感器组件232相同或相似，因为它们包括至少部分地容纳在壳体中的一个或多个传感器。

拖车还包括一组起落架266以及联接系统268。当与牵引单元分离时，起落架为拖车提供支撑结构。可以是图2A的联接系统236的一部分的联接系统268在拖车和牵引单元之间提供连接。联接系统268可以包括连接部分270(例如，用于动力和/或气动链路)，以提供与可能或可能不能够以自主模式操作的传统拖车单元的向后兼容性。联接系统还可以包括被配置成与牵引单元的第五轮连接的主销272，尽管对于其他类型的铰接单元也可以采用另一种类型的机械联接。

虽然关于牵引车-拖车布置描述了图2A-图2B的组件和系统，但是如上所述，该技术可以与其他类型的铰接式载具一起使用，诸如图1C-图1D的铰接巴士120。另外，本文描述的技术也可以用配置成以完全自主或半自主操作模式操作的其他类型的载具来实现。这可以包括乘用载具，例如汽车、摩托车、休闲车等。

示例实现方式

考虑到上述和附图中示出的结构和构造，现在将描述各种实现方式。

如上所述，技术的各方面涉及结合地图(例如，路线图)和其他信息来使用载具的详细运动学模型来确定路线可行性。确定可行性可以包括评估载具的驾驶规则的分级集合，以及确定一个或多个规则可以在给定驾驶情况下被破坏或调整。这可以包括相对于彼此重新确定某些规则的优先级，选择要遵循的“道路规则”等。一方面涉及确定载具采取特定驾驶动作的理想轨迹。另一方面涉及确定从出发点到目的地的路线。

自动驾驶载具，诸如能够在没有人为操作的情况下执行驾驶动作的具有4级或5级自主的载具(参见，例如，图1A-图1D，图2A-图2B)，具有独特的要求和能力。例如，人类卡车驾驶员可能篡改或破坏道路规则以例如通过在双线上驾驶来转弯或进行占据两个车道的转弯。相反，自动驾驶卡车可以被配置为明确地遵循驾驶规则、张贴的标牌和其他规则。然而，在某些情况或条件下，严格遵守这些规则可能使自主载具做出某些驾驶动作非常具有挑战性，甚至是不可能的，或者可能对载具或其他道路使用者造成危险。因此，该技术的各方面采用了一种智能方法，利用载具运动学模型的知识和其他信息来确定是否偏离默认驾驶方法。这样的智能方法可以使用启发式和学习的信息，其可以评估涉及当前条件(例如，交通和天气条件)的权衡。载具的控制系统可以根据载具模型使用此信息，例如，致动(actuate)驱动系统执行特定的操纵，或者让规划器模块选择替代路线。

采用从一个或多个传感器获得的信息，使得载具可以以自主模式操作。每个传感器或传感器类型可以具有不同的范围、分辨率和/或视场(FOV)。

例如，传感器可以包括具有不同范围和/或FOV的激光雷达。在一个示例中，长距离激光雷达单元的范围可能超过25-250米，以检测高速公路等上的其他道路使用者，而作为与载具相邻的近距离传感系统的一部分，短距离激光雷达单元的范围不超过1-25米。替代地，短距离激光雷达通常可以覆盖距载具最多3-10米的距离，而长距离激光雷达可以覆盖超过100米的距离。在另一个示例中，长距离在10-200米之间，而短距离在0-20米之间。在另一示例中，长距离超过80米，而短距离低于50米。介于10-100米之间的中间范围可以被长距离激光雷达或短距离激光雷达中的一者或两者覆盖，或者也可以被传感器系统中包括的中距离激光雷达覆盖。在一种场景下，可以在单个壳体中的长距离和短距离激光雷达之间设置中距离激光雷达。除了这些激光雷达以外或者代替这些激光雷达，可以布置一组相机，例如以提供前向、侧面和后向图像。替代地或附加地，还可以布置一组雷达传感器以提供前向、侧面和后向数据。其他传感器可以包括惯性传感器，诸如陀螺仪、加速度计等。不同类型的传感器可以共存于一个传感器组件中，并且不同的传感器组件可以布置在载具上的不同位置处，以提供载具的环境的全面视图。

激光雷达、相机和雷达传感器及其视场的示例在图3A和图3B中显示。在图3A的示例300中，一个或多个激光雷达单元可以位于车顶传感器壳体302中，其他激光雷达单元位于侧面传感器壳体304中。特别地，车顶传感器壳体302可以被配置为提供360°FOV。一对传感器壳体304可以沿着驾驶室的侧门或四分之一面板位于牵引单元驾驶室的任一侧，例如被集成到侧视镜组件中，或者沿着驾驶室车顶的一侧或两侧横向延伸。在一种场景下，长距离激光雷达可以沿着传感器壳体302和304的顶部或上部区域定位。长距离激光雷达可以被配置为在载具的引擎罩上方进行查看。短距离激光雷达可以位于传感器壳体302和304的其他部分。短距离激光雷达可以被感知系统用来确定物体(诸如，其他载具、行人、自行车、路缘或其他障碍物等)是否位于载具前部或侧面附近，并且在确定如何驾驶或转弯时要考虑该信息。全部两种类型的激光雷达可以共处在壳体中，例如沿着共同的竖直轴线对准。

如图3A所示，车顶传感器壳体302中的激光雷达可以具有FOV 306。在此，如区域308所示，载具的拖车或其他铰接部分可以提供信号返回(signal return)，并且可以部分或完全挡住后向视图。牵引单元左侧和右侧的长距离激光雷达具有视场310。这些视场可以覆盖载具侧面和前方的重要区域。如图所示，在载具前方可能存在其视场的重叠区域312。重叠区域312例如通过提供更详细的点云信息向感知系统提供与牵引单元正前方的非常重要区域有关的附加信息。这种冗余还具有安全性。如果长距离激光雷达传感器之一的性能下降，则冗余仍将允许以自主模式操作。左侧和右侧的短距离激光雷达可以具有不同的(例如，较小的)视场314，例如以检测紧靠牵引车侧面的物体。在附图中为了清楚，在不同视场之间示出空隙；但是实际上覆盖范围可能没有间断。传感器组件的具体位置和视野仅是示例性的，并且可以根据例如载具的类型、载具的尺寸，FOV要求等而不同。

图3B示出在车顶壳体中以及在牵引车拖车载具的两侧上的雷达传感器和相机传感器中的一者(或两者)的示例性配置320。在此，在传感器壳体302和304中的每一个中可以存在多个雷达和/或相机传感器。如图所示，在车顶壳体中可以存在具有前视场322、侧视场324和后视场326的传感器。与区域308一样，拖车可能会影响传感器检测载具后方物体的能力。传感器壳体304中的传感器可以具有面向前方的视场328(以及侧面和/或后方视场)。如同以上关于图3A所讨论的激光雷达一样，图3B的传感器可以被布置为使得相邻的视场重叠，诸如由重叠区域330所示。在此的重叠区域类似地可以提供冗余和增强的分辨率，并且如果一个传感器的性能下降，则具有相同的好处。

这些传感器用于收集有关载具周围外部环境的信息，包括其他物体、道路状况、天气状况等。传感器信息还可用于获得有关载具本身的姿态和其他信息，诸如相对于牵引车准确的拖车位置。车载控制系统能够将接收的传感器信息和载具的运动学模型与地理数据(例如，地图)结合使用，以规划路线或选择对载具操纵最优化的轨迹。

关于实时自主驾驶，载具的控制系统能够确定载具是否可以转弯或采取其他驾驶动作(例如，在桥下行驶或沿着居民区行驶)的运动学可行性。鉴于规划的轨迹，这是基于载具的扫掠体积(例如，拖拉机+拖车，巴士的驾驶室+铰接单元等)完成的。图4A和图4B示出卡车左转弯的两个可选方案。如图4A的视图400所示，如果卡车正在从左车道402L左转，则基于卡车的尺寸、车道配置和其他因素，卡车可能需要在驶入左车道404L之前至少部分进入右车道404R。这可以涉及在车道404之间越过虚线车道线，如虚线406所示。相反，如图4B的视图410所示，如果卡车在右车道402R中，则它可以操纵使得它变成车道404L，而无需先进入车道404R，或者避免越过车道404之间的虚线车道，如虚线412所示。在另一个示例中，与一辆大型拖车相比，两个或更多个较小的拖车执行特定的驾驶动作(例如，急(tight)转弯)更可行。在此，如图4C的视图420所示，卡车可能能够更急地转向到车道404L，如虚线422所示。

车载系统可以通过基于详细的运动学模型正向模拟(forward simulating)载具(例如，牵引车+拖车)的几何形状来评估驾驶选项，以确定载具是否会与物体碰撞、越过车道线、过分靠近其他道路使用者等。此评估还可以扩展以结合路线和/或地图信息。虽然地图信息可以是基于图像的(例如，光栅图像)，但是替代地或附加地，其可以包括信息的一个或多个道路图或图形网络，诸如道路、车道、交叉路口以及这些特征之间的连接。每个特征可以作为图形数据存储在存储器中。这些特征可以与诸如地理位置以及它们是否链接到其他相关特征的信息相关联。例如，停车标志或交通信号灯可以链接到道路和交叉路口等。在一些示例中，关联数据可以包括道路图的基于网格的索引，以允许高效地查找某些道路图特征。

可以基于在感知系统的FOV中被观察到或估计被遮挡到来评估运动学模型，从而预先计算转弯能力的得分。这些处理可以对规划路线上的当前和即将发生的驾驶操作实时完成。例如，基于先前的经验(例如，先前由载具或另一道路使用者在同一交叉路口处的驾驶)，系统可以识别一致或持续的遮挡(与来自经过载具的临时遮挡等相反)，并在相关时将它们考虑在内。

图5A和图5B示出图4A和图4B的卡车分别变成车道404L的示例。因为在车道402R中的卡车可以比在车道402L中的卡车转弯不那么急(sharp)，所以拖车的自遮挡(self-occlusion)可能更少。例如，如图5C所示，较短的虚线502示出来自激光雷达传感器的发射束(或来自雷达传感器的无线电波)被载具的一部分(例如，拖车的前表面或侧面)阻挡，如区域504所示。规划器模块可以布置路线路段，使得载具位于与左车道相对的右车道中，以便最小化这样的自遮挡。

另外，载具或后端系统可以基于各种限制(成本)提前进行离线评估，例如，将区域封锁(block off)为载具无法驾驶(例如，没有向右转弯)或可能被限制为驾驶动作的子集(例如，仅从最右边的车道向左转弯)的区域(places)。作为确定整体路线的一部分，上面提到的用于离散驾驶动作的方案可以应用于从起点到目的地的一般路由问题，而不管地图的一部分是否由于不可行驶而被封锁封闭或被约束。

系统还可以考虑其他成本。例如，一个成本可能是一天中的时间。在此，可以允许在深夜向左转弯，但在高峰时段不可以。另一个成本可能是跨越车道线。这可能涉及越过沿相同方向行进的相邻车道之间的车道线，或越过逆行(oncoming)车道。在此，前者可能在任何时候都是允许的，而后者在非高峰时间情况下可能是允许的。

进一步的成本可能涉及是否要驶过路缘或其他道路特征。(取决于路缘高度，例如，根据道路图和/或感知系统检测)。图6A-图6F示出不同路缘构造的各种示例600、610、620、630、640和650的截面图。例如，在示例600中，道路602邻接垂直路缘604，该垂直路缘604邻近诸如草坪区域606的路肩。在此，垂直路缘604可以超过阈值高度，诸如3-6英寸或更大。在这种情况下，与路缘高度相关联的成本可能使得载具不得驶过(drive over)路缘。类似地，在示例610中，道路612邻接在草坪区域616附近的挤压的沥青路缘614或其他护堤。在此，根据路缘614相对于道路612和/或草坪区域616的高度，系统可以确定路缘614是否可以被驶过。

相反，在示例620中，道路622邻接路缘624，路缘624的高度低于阈值高度(例如，不超过3英寸)。在此，假设路缘高度低于阈值并且邻近路缘的草坪区域626也满足阈值标准(例如，低坡度，通常与路缘对齐)，如果需要执行特定的驾驶操纵(例如，左转或右转)，系统可以确定载具能够驶过路缘。如示例630中所示，道路632和路缘634可以是大体上平坦的。草坪区域636也可以与路缘634对齐。在此，系统可以标记道路图或确定路缘634可以在任何情况下不受限制地驶过。

图6E和图6F示出另外两个路缘布置，其中可以在沿道路的一部分行驶之前和/或期间评估驶过路缘的成本。如示例640中所示，路缘644的至少一部分通常与道路642对齐。草坪区域646可以与路缘的另一部分对齐，例如，如图所示升高到道路上方。相比之下，如示例650中所示，虽然路缘654的一部分与道路652大致对齐，而路缘另一部分与草坪区域656大致对齐，但是此处道路652升高到草坪区域656上方。这些示例中，系统可以确定载具可以驶过部分或全部路缘。当确定有多少路缘可以被驶过时，可以考虑道路和草地的相对高度和/或路缘的间距。如上所述，路线的此部分的道路图可以包括有关路缘高度、俯仰等的信息。可以根据载具的运动学模型、货物重量和位置以及其他因素(例如，是否观察到其他载具越过路缘)评估此信息。

与路缘构造类似，在路线规划和驾驶决策期间要考虑的另一个成本约束是路边是硬表面还是软表面。图7示出弯曲道路的示例700。例如，基于载具的运动学模型，可以由车载或非车载系统确定载具具有两个路径选项，沿着如虚线的702所示的道路的边缘或侧面行驶，或者沿着如虚线704所示的车道中心行驶。系统可以选择沿着车道中心的路径，例如，当道路侧面有草坪或泥土表面或是陡坡时，即使在道路有急弯的情况下，这可能是比较困难的路径。相反，例如当邻近道路的路肩区域706是砾石或铺砌的并且通常与道路表面齐平时，系统可以选择沿着道路侧面的路径。

另一个成本是邻居类型，诸如载具将要在居民区还是工业区行驶。这可以包括考虑可能限制载具重量或大小、道路尺寸/构造等的任何相关区域(zoning)要求。

除了提前规划的路线之外，这些成本中的任何一个都可能与离散的实时驾驶决策有关。尽管上面已经解释了一些具体示例，但是通常可以评估的成本包括但不限于燃料消耗、所需转弯次数(例如，对于特定操纵或路线路段)、区域要求和载具是否需要倒车、诸如预期到达时间或总行程时间的时间。其他成本可以包括：如果转弯，重新安排载具的路线有多困难；错过出口坡道或车道变更；由于遮挡或其他可见性限制，某些操作是否可能受到限制；以及基于传感器在载具上的位置是否可以执行(或不允许)不同的操纵。进一步的成本包括天气因素(例如，如果它们影响传感器的可视性)，以及检测低悬垂物(例如，桥梁或立交桥的高度要求)或植被(例如，树枝在道路上方延伸的树木)。此外，可能存在与路线路段或整体路线相关联的限制相关的成本，诸如与时间有关的限制、重量或大小限制、安全限制(例如，不允许运输有害物质)等。兴趣点或其他节点之间的穿越时间的历史模型，或各种载具类型或配置的操纵难度也可能具有相关的成本。例如，给定的转弯对于小型货车而言可能更容易，对于牵引车而言更困难，而对于牵引车-拖车而言则不可行。另一个成本可能与称重站相关，包括是否允许载具避开开放称重站。这些路线约束可以被编码或覆盖在诸如道路图的地图上。

路线评估可以包括操纵成本的等级，例如，某些类型的转弯得分更高或更低。例如，这可以包括评估完全不离开车道的转弯、稍微偏离车道(例如，小于0.5-1.0米)的转弯以及偏离主要车道(例如，2-3米或以上)的转弯。该评估可以包括如下所述的载具(例如，牵引车和拖车)的扫掠体积分析。如果操纵涉及拖车与路缘或邻近道路的区域重叠，则这也可能降低得分。不同的道路类型可能具有不同的成本。例如，与在高速公路或主要林荫大道上驾驶卡车相比，卡车驾驶通过停车场的成本可能更高。操纵成本或给定操纵估计的成功可能性可能会因交通状况、一天中的时间、天气等因素而不同。给定操纵的难易程度可能是计算成本中的另一个因素。另外，不同的成本可能与不同类型的车道偏离相关联。因此，可以为车道驶入沿相同的行驶方向的另一车道分配第一成本，为越过逆行车道分配第二成本，为进入自行车道分配第三成本，为驶过路肩分配第四成本。与每种车道类型相关联的成本可能会有所不同，例如，取决于上面列出的因素。

更具体地，使用运动学模型和其他信息，系统可以对给定的操纵来预测载具的扫掠体积。这用于确定如何最好地执行特定的驾驶操作(例如，在可能需要进行多个转弯操纵时左转)或确定特定路线在运动学上是否可行。例如，路线可以与扫掠体积一起叠加在地图上。车载规划器或非车载系统可以计算地图上不同可能路线的其他代理和障碍物。然后可以为可能的路径确定一组曲线，并对扫掠体积执行几何计算以确定与其他物体的潜在重叠。如上所述，在地图上可能会有由于法律限制(例如，重量等级或一天中的时间)或物理限制(例如，道路宽度、低悬垂的树枝)而导致载具无法行驶的区域。然后，系统可以为每个路径预先计算得分，并选择合适的路线。

对于牵引车拖车(或其他铰接式载具)，可以采用不同的方案来将拖车包括在载具运动模型的轨迹评估中。特别地，一种方案是为牵引车和每个拖车构建单独的轨迹评估(“链接”)，在预计的(projected)驾驶操作期间对所有链接进行全面评估，然后合并所有评估的结果。另一种方案是为轨迹中的每个链接构建一个单独的路段集合，在驾驶操作的不同部分对其进行迭代，然后合并结果。又一种方案是利用牵引车和拖车运动之间的相似性。可以采用多边形图元(primitive)，计算与载具轨迹的多边形(例如，其他道路使用者)的位置关系。特别地，多边形图元可用于确定沿轨迹的载具将与多边形重叠的所有间隔，这将指示操纵失败的区域。另外，多边形图元可用于计算载具和多边形之间的横向距离的所有局部最小值，包括它们位于何处以及在哪一侧或轨迹上。通过预先计算轨迹，可以大大加快此处理，尤其是在查询多个多边形的邻近度时。这种预计算可以采取路段序列的形式，这些路段代表轨迹中的间隔，其中，链接(牵引车或拖车)的运动可以通过直线精确地近似。另外，相邻的路段可以包括关于如何连接它们以实现更准确的重叠的预计算。在一种场景下，每个链接可能具有自己的路段序列。这利用了这样的事实，即拖车与在拖车点具有可转向前轴的载具遵循相同的路径类。

这种运动学模型方案可以解决的一种经常遇到的轨迹情况进行转向。如果转弯很急或难以停留在行驶车道内，则载具可能会转两次弯或大幅度摆开然后再切入。在这种情况下，此类操纵可能涉及驶过白色虚线车道，例如驶入沿相同方向行进的相邻车道。图8A示出具有不同可能路径的左转场景的示例800。在此示例中，点划线表示载具转弯路线的合法限制，诸如不得越过进入对向交通的车道。与图4A的示例类似，转入左车道的实线路径在运动学上是不可行的，因为转弯对于载具来说太急了。相反，变为右车道的虚线路径可能是运动学上唯一可行的选项。

其他操纵可能涉及驶过双黄线，例如，越过图8A的点划线进入对向交通的车道。尽管这可能会侵犯转弯的法律限制，但是它可能是允许载具转弯的唯一可行选择，例如，如果右车道由于双泊(double-parked)车而被挡住。

图8B示出不同的场景810，其中载具需要左转弯，并且可以转向两条或更多条街道的选项。在这种情况下，如实线路径所示，第一条街道对于运动学上可行的转弯可能太窄(例如，由于街道宽度、停放的汽车等)。因此，如虚线路径所示，载具可以选择转向不具有第一条街道运动学约束的下一条街道。在此，有关街道宽度的信息可能会与道路图相关联，而有关停放的汽车和其他临时障碍物的信息可能会被载具的传感器检测到。

图8C示出另一种场景820。在此，交叉路口看起来可能为载具提供不同的选项，例如，直行、右行或左行。然而，道路限制或运动学限制可能要求消除某些路线选项。如虚线的路径所示，在运动学上很难向右转而不越过进入逆行车道。如虚线路径所示，由于桥上的重量限制，载具可能不允许直行。因此，如实线所示，对载具唯一可行的选项可能是左转。

在一种场景下，规则的分级集合可以指示例如：(i)只要在与载具的阈值横向距离(例如，2-3米)内相邻车道中没有载具，每当转弯时，载具都可以沿相同行进方向驶过车道之间的白色虚线。它还可能指示(ii)只有在距卡车前方的阈值距离(例如，50-76米)内没有对向交通时，载具才能驶过双黄线。分级还可以指示(iii)载具可以驶过路缘的一部分，但仅当距载具的预计扫掠体积一定距离(例如，4-5米)内没有其他载具或其他物体时并且确定路缘高度不超过10cm(例如，通过道路图和/或传感器数据)或满足其他条件(例如，以上关于图6A至图6E讨论的那些条件)时。在此，分析可以评估载具重量、货物分配等因素，以确保驶过路缘不会造成安全问题。例如，车载规划器系统或后端系统可以寻求找到运动学上的最优路径。然而，在这种情况下，分级可以指定系统必须首先确定(i)在尝试(ii)之前是否提供可行的转向选项，并且类似地，在分析(iii)之前评估(ii)。因此，可以看出，评估规则的分级集合可以包括评估与车道指示器、道路的物理部分(例如，路缘)以及其他因素相关联的驾驶操作。替代地或附加地，评估可以包括重新确定不同规则的优先级。

如上所述，一种类型的成本约束可能涉及时间约束。在此，系统能够根据一天中的时间(和其他因素)给某些操纵的成本施加权重。例如，在非高峰时间，在交叉路口，载具可以在较少车流时采取某些措施。因此，如果载具在夜间行进，则要转弯的主要车道偏离(例如，越过双黄线)的权重与在繁忙时间在繁忙的交叉路口进行相同转弯的权重可能会有所不同。例如，根据载具尺寸或类型，与非峰值操纵相关联的成本可以小于与在高峰时间期间执行的操纵相关联的成本。因此，用于牵引车-拖车的高峰操纵的成本可能高于小轿车的相同高峰操纵的成本。此外，系统可以考虑例如在基于时间的限制被制定之前，特定操纵是否可以完成或者在一定时间范围内经过的给定路线路段。例如，如果在上午7点至上午9点之间没有左转弯限制，载具是否会到达交叉路口并能够在上午6:59前转弯？如果没有，则需要规划一条替代路线

实时驾驶的操纵选择的另一个方面涉及道路上的社交环境。这包括向其他道路使用者提供转弯或车道变更的高级警告。例如，规划器模块可以预先规划在特定转弯之前、在退出高速公路之前等，何时变更车道的策略。因此，如果出口在1英里内出现，或者当前车道正在结束或在接下来的1500英尺处与另一车道合并，则系统需要选择何时变更车道或在到达出口坡道之前减速。这可以包括决定何时激活载具上的不同指示器，以使其他道路使用者知道操纵情况。

与路线规划和操纵选择有关的另一个问题是载具可能拥堵。预测拥堵情况的可能性可用于选择(或不选择)给定的操纵或路线。它还可能影响其他驾驶决策。这可能包括走得更慢，以免错过转弯，因为后面几英里可能不会有下一个转弯。它还可能涉及比平时更主断的(assertive)方式强制车道变更，例如以比平常更小(例如，减少10％)的前方跟车距离开始车道变更，以确保载具能够驶出高速公路或确保以安全的方式正确并道。为避免拥堵情况的其他路线决策包括：提前移出高速公路出口车道，以避免以后无法变更车道；评估车道的“狭窄度”，优先选择“更宽”车道；避免使用单向道路；以及识别沿规划路线的掉头点的可用性。然而，尽管选择了驾驶决策，但是在驾驶时载具可能拥堵。此时，载具可能停车并联系远程协助。这可以涉及远程用户接管部分或全部驾驶控制，以执行载具自身不能采取的操纵(例如，在狭窄街道上倒车)。

整体路线规划的示例在图9A-图9D中示出。图9A示出第一示例900，其中，路由系统确定从起始位置904到目的地906的最佳路线902。正方形节点指示起始位置和目的地之间的不同点，并且这些点之间的箭头指示可能的路线路段。如图9B的示例910所示，每个可能的路线路段具有与其相关联的成本值。基于最小化路线成本的确定示出了路径912。某些路段，诸如虚线箭头914，可以是载具受限的(例如，由于卡车重量或尺寸限制)。在该示例中，与该路段相关联的成本可以被设置为任意高度，或者以其他方式指示该特定路段不可用。

图9C示出示例920，其中，路径922不仅考虑到了不可用路线路段，诸如路段924，而且考虑到了对于载具在运动学上可能困难或不可行的路段(例如，在高峰时间急转弯到狭窄街道上)，诸如线段926。如图所示，路径922避免了无法使用的路段和运动学上具有挑战性的路段，因此不通过地图(例如，线路图)的任何受限部分。

在图9D的示例930中，规划系统将成本和运动可行性考虑在内以选择路径932。在此，避免了路段924，因为载具受限。相反，路段926可能在运动学上具有挑战性，但是是允许的。然而，例如由于增加的距离、额外的时间等，其他路线路段可能具有与它们相关联的更高的成本。因此，在这种情况下，系统可以选择路段926，即使它涉及运动学上具有挑战性的驾驶操纵。

关于限制和成本的信息可以从已经沿路线路段行驶的其他载具获得。这可以包括有关卡车、巴士或其他载具采取(或尝试)的动作的信息，或其他载具沿其路线观察到的信息。该信息可以与车队中的其他载具和/或与后端系统共享，该后端系统将汇总来自不同载具的信息以创建默认路线。

信息共享的一个示例在图10A和图10B中示出。特别地，图10A和图10B分别是示例系统的示意图和功能图1000和1050，该示例系统包括经由网络1012连接的多个计算设备1002、1004、1006、1008和存储系统1010。该系统还包括载具1014和1016，可以是与图1A-图1B和图1C-图1D的载具100和120相同或相似地配置的载具。载具1014和/或载具1016可以是载具车队的一部分。例如，载具1014是被配置成操作自主驾驶模式的货运载具。尽管为简单起见仅示出了少量的载具和计算设备，但是典型的系统可能包括很多，诸如几十个或几百个。

如图9B所示，计算设备1002、1004、1006和1008中的每一个可以包括一个或多个处理器、存储器、数据和指令。这样的处理器、存储器、数据和指令可以被类似于以上关于图2A所描述的那样配置。

各种计算设备和载具可以通过一个或多个网络(诸如网络1012)进行通信。网络1012和中间节点可包括各种配置和协议，包括短距离通信协议(例如Bluetooth

在一个示例中，计算设备1002可以包括具有多个计算设备的一个或多个服务器计算设备，例如负载平衡服务器农场或基于云的系统，其为了接收，处理数据以及与其他计算设备进行数据传输与网络的不同节点交换信息。例如，计算设备1002可以包括能够经由网络1012与载具1014和/或1016的计算设备以及计算设备1004、1006和1008通信的一个或多个服务器计算设备。例如，载具1014和/或1016可以是可以由服务器计算设备调度到各个位置的载具车队的一部分，并且它们可以接收要在操纵和/或路线规划中使用的更新的运动学模型。对此，计算设备1002可以用作调度服务器计算系统，该调度服务器计算系统可以用于将载具调度到不同的位置，以便拾取和运送货物或提供其他服务。服务器计算设备1002还可以使用网络1012与其他计算设备之一的用户或载具的人通信，诸如以半自主驾驶模式操作的载具的驾驶员。对此，计算设备1004、1006和1008可以被认为是客户端计算设备。

如图10A所示，每个客户端计算设备1004、1006和1008可以是旨在供相应用户1018使用的个人计算设备，并且具有通常与个人计算设备结合使用的所有组件，个人计算设备包括一个或多个处理器的(例如，中央处理单元(CPU))、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视机，或其他设备(在诸如可用于显示信息的智能手表显示器)和用户输入设备(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。

尽管客户端计算设备可以各自包括全尺寸的个人计算设备，但是它们可以替代地包括能够通过诸如互联网的网络与服务器无线交换数据的移动计算设备。仅仅作为示例，客户端计算设备1006和1008可以是移动电话或能够通过互联网或其他网络获得信息的设备，诸如具有无线功能的PDA、平板电脑、可穿戴计算设备(例如，智能手表)或上网本。

在一些示例中，客户端计算设备1004可以是管理员或操作员使用的远程协助工作站，与以自主模式操作的载具、领头载具的驾驶员、或乘客通信，如下文进一步讨论的。尽管在图10A-图10B中仅示出单个远程协助工作站1004，但是给定系统中可以包括任何数量的这样的工作站。此外，尽管工作站1004被描述为台式计算机，但是工作站1004可以包括各种类型的个人计算设备，诸如膝上型计算机、上网本、平板计算机等。

存储系统1010可以是能够存储服务器计算设备1002可访问的信息的任何类型的计算机存储，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、闪存驱动器和/或磁带驱动器。另外，存储系统1010可以包括分布式存储系统，其中数据存储在物理上可以位于相同或不同地理位置的多个不同存储设备上。如图10A-图10B所示，存储系统1010可以经由网络1012连接到计算设备和/或可以直接连接到或合并到任何计算设备中。

存储系统1010可以存储各种类型的信息。例如，除了用于不同类型载具的运动学模型之外，存储系统1010还可以存储将由载具(例如，载具1014或1016)使用的自主载具控制软件，以自主驾驶模式操作此类载具，如上所述。该信息可以由服务器计算设备(诸如一个或多个服务器计算设备1002)检索或访问，以执行本文所述的一些或全部特征，包括路线规划。例如，存储系统1010可以存储实时状态信息、从一个或多个载具接收的传感器数据、道路图数据(例如，包括轨迹信息)、对不同管辖区的驾驶规则信息、对车队中不同载具的详细运动学模型等。

图11示出以自主驾驶模式操作载具的方法1100。在框1102，该方法包括由载具的一个或多个处理器从载具的一个或多个传感器接收载具周围环境的传感器数据。在框1104，一个或多个处理器确定用于给定驾驶操纵的多个可能路径，以遵循沿着路线规划的轨迹。在框1106，一个或多个处理器基于接收的传感器数据和多个可能路径，根据载具的运动学模型，确定每个可能路径的运动学可行性。在框1108，一个或多个处理器基于运动学可行性和存储规则的分级来选择给定的可能路径之一，该存储规则的分级与车道指示器、物理道路组成部分或载具的限制中的一个或多个相关联。在框1110，该方法包括根据运动学可行性和存储规则的分级，使载具以自主驾驶模式执行选择的驾驶操作以遵循给定路径。

图12示出确定载具以自主驾驶模式操作的整体路线的方法1200。在框1202，计算系统的一个或多个处理器获得至少一张地图，该地图包括载具以自主驾驶模式操作的整体路线的起点和终点之间的路线图信息。在框1204，一个或多个处理器确定整体路线的任何路段载具是否受限。在框1206，一个或多个处理器基于确定任何路段载具是否受限来确定沿着整体路线的初始轨迹。在框1208，一个或多个处理器对初始轨迹确定对载具的给定驾驶操纵的多个可能路径。在框1210，一个或多个处理器基于多个可能路径，根据载具的运动学模型确定每个可能路径的运动学可行性。在框1212，一个或多个处理器基于运动学可行性和规则的分级来选择给定的可能路径之一。规则的分级与车道指示器、物理道路组成部分或载具的限制中的一个或多个相关联。在框1214，一个或多个处理器基于给定路径生成载具的最终轨迹。在框1216，最终轨迹被存储在存储器中，例如用于稍后传输到载具。

通过上述方法，车载计算机系统可以基于载具的运动学模型、地图数据和其他信息做出实时驾驶决策。例如，车载系统可以选择某些操纵时，评估道路规则的分级集合。上述方法还使后端系统能够生成可以与车队的一个或多个载具共享的预先规划的路线。路线可以被更新或修改以选择运动学上挑战性较小或最具成本效益的驾驶操作。

除非另有说明，否则上述可选示例不是互相排斥的，而是可以以各种组合实现以达到独特的优点。由于可以在不脱离权利要求所限定的主题的情况下利用以上讨论的特征的这些和其他变形以及组合，因此，实施例的前述描述应当通过说明的方式而不是通过权利要求所限定的主题的方式来进行。另外，本文描述的示例的提供以及用短语表达为“诸如”、“包括”等的条款不应解释为将权利要求的主题限制于特定示例。此外，在不同附图中的相同附图标记可以标识相同或相似的元件。除非本文另外明确指出，否则这些处理或其他操作可以以不同的顺序或同时执行。