用于运载工具的系统、方法和存储介质

技术领域

本申请涉及路面条件引导的决策制定和预测。

背景技术

运载工具驾驶的表面可以沿运载工具路径而变化。例如，沿着运载工具路径的路面可以包括沥青、混凝土、岩石等。这些表面还可以在诸如天气条件(例如，雨、雪、雨夹雪等)等的不同条件下动态改变。

发明内容

根据本发明的一个方面，一种用于运载工具的系统，包括：至少一个传感器；存储有计算机可执行指令的至少一个计算机可读介质；至少一个处理器，其被配置为与所述至少一个传感器通信，并且执行所述计算机可执行指令，所述执行进行操作，所述操作包括：从所述至少一个传感器接收与沿着所述运载工具要行驶的路径的表面相关联的传感器数据；使用表面分类器基于所述传感器数据来确定所述表面的分类；基于所述表面的分类来确定所述表面的可驾驶性属性；基于所述表面的可驾驶性属性来规划在所述表面附近或在所述表面上驾驶的情况下的所述运载工具的行为；以及基于所规划的行为来控制所述运载工具。

根据本发明的另一方面，一种用于运载工具的方法，包括：从所述运载工具的至少一个传感器接收与沿着运载工具要行驶的路径的表面相关联的传感器数据；使用表面分类器基于所述传感器数据来确定所述表面的分类；基于所述表面的分类来确定所述表面的可驾驶性属性；基于所述表面的可驾驶性属性来规划在所述表面附近或在所述表面上驾驶的情况下的所述运载工具的行为；以及基于所规划的行为来控制所述运载工具。

根据本发明的又一方面，一种非暂时性计算机可读存储介质，其包括用于由第一装置的至少一个处理器执行的至少一个程序，所述至少一个程序包括指令，所述指令在由所述至少一个处理器执行时使得所述第一装置进行上述方法。

附图说明

图1示出具有自主能力的自主运载工具的示例。

图2示出示例“云”计算环境。

图3示出计算机系统。

图4示出自主运载工具的示例架构。

图5示出感知模块能够使用的输入和输出的示例。

图6示出LiDAR系统的示例。

图7示出操作中的LiDAR系统。

图8示出LiDAR系统的操作的附加细节。

图9示出规划模块的输入和输出之间的关系的框图。

图10示出路径规划中所使用的有向图。

图11示出控制模块的输入和输出的框图。

图12示出控制器的输入、输出和组件的框图。

图13A、图13B和图13C示出用于表面引导的决策制定的示例系统的框图。

图14示出示例方法的流程图。

具体实施方式

在以下描述中，为了解释的目的，阐述了许多具体细节，以便提供对本发明的透彻理解。然而，本发明可以在没有这些具体细节的情况下实施将是明显的。在其它实例中，众所周知的构造和装置是以框图形式示出的，以避免不必要地使本发明模糊。

在附图中，为了便于描述，示出了示意要素(诸如表示装置、模块、指令块和数据要素的那些要素)的具体排列或次序。然而，本领域技术人员应当理解，附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外，在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素，也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在一些实施例中与其它要素结合。

此外，在附图中，连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示意要素之间的连接、关系或关联，没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说，一些要素之间的连接、关系或关联未在附图中示出，以便不使本公开内容模糊。此外，为了便于例示，使用单个连接要素来表示要素之间的多个连接、关系或关联。例如，如果连接要素表示信号、数据或指令的通信，本领域技术人员应理解，这种要素表示影响通信可能需要的一个或多个信号路径(例如，总线)。

现在将详细参考实施例，其示例在附图中例示出。在以下的详细描述中，阐述了许多具体细节，以便提供对所描述的各种实施例的透彻理解。然而，对于本领域的普通技术人员来说将明显的是，可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下，没有详细描述众所周知的方法、程序、组件、电路和网络，以便不会不必要地使实施例的方面模糊。

下面描述的若干特征各自可以彼此独立地使用，也可以与其它特征的任何组合一起使用。然而，任何个别特征可能不能解决以上所讨论的任何问题，或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题，但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信息。本文根据以下概要描述实施例：

1.总体概述

2.系统概述

3.自主运载工具架构

4.自主运载工具输入

5.自主运载工具规划

6.自主运载工具控制

7.表面引导的决策制定

总体概述

运载工具的行为基于影响安全性和可驾驶性的动态改变的路面和条件而适应性调整。例如，使用传感器测量结果来对路面进行识别和分类。基于路面类别，运载工具可以确定该表面的可驾驶性属性，并且可以做出适当的规划决策。附加地，基于表面的可驾驶性属性，运载工具可以预测正在该表面上驾驶的其它运载工具的行为，并且相应地可以主动地调整其行为。通过这种方式，运载工具可以在危险条件下表现出与人类驾驶员类似的行为，诸如在正下雪或下雨时跟随道路上现有的踪迹、避开流冰区、降低速率、车道内偏斜、或者改变车道以避开道路上的障碍物。

基于动态改变的路面和条件来适应性调整运载工具的行为改进了运载工具的安全性和可靠性，特别是在危险环境中驾驶的情况下。另外，认识到其它运载工具的行为基于动态改变的路面和条件而改变，这改进了预测其它运载工具的行为的准确性。这进而降低了碰撞的可能性并且改进了运载工具的可靠性和安全性。

系统概述

图1示出具有自主能力的自主运载工具100的示例。

如本文所使用的，术语“自主能力”是指一种功能、特征或设施，该功能、特征或设施使运载工具能够部分地或完全地操作，而无需实时的人类干预，包括但不限于完全自主运载工具、高度自主运载工具和有条件自主运载工具。

如本文所使用的，自主运载工具(AV)是一种具有自主能力的运载工具。

如本文所使用的，“运载工具”包括货物或人员的运输方式。例如，小汽车、公共汽车、火车、飞机、无人机、卡车、船只、舰艇、潜水器、飞船等。无人驾驶的小汽车是运载工具的示例。

如本文所使用的，“轨迹”是指将AV从第一时空地点导航到第二时空地点的路径或路线。在实施例中，第一时空地点被称为初始地点或起始地点，第二时空地点被称为目的地、最终地点、目标、目标位置或目标地点。在一些示例中，轨迹由一个或多个路段(例如，道路的数段)组成，并且各路段由一个或多个块(例如，车道或交叉口的一部分)组成。在实施例中，时空地点对应于真实世界地点。例如，时空地点是上车或下车地点，以使人员或货物上车或下车。

如本文所使用的，“(一个或多个)传感器”包括一个或多个硬件组件，用于检测与传感器周围环境有关的信息。一些硬件组件可包括感测组件(例如，图像传感器、生物特征传感器)、传输和/或接收组件(例如，激光或射频波发射器和接收器)、电子组件(诸如，模数转换器)、数据存储装置(诸如，RAM和/或非易失性存储器)、软件或固件组件和数据处理组件(诸如，专用集成电路)、微处理器和/或微控制器。

如本文所使用的，“场景描述”是一种数据结构(例如，列表)或数据流，其包括由AV运载工具上的一个或多个传感器检测到的一个或多个分类或标记的对象，或由AV外部的源提供的一个或多个分类或标记的对象。

如本文所使用的，“道路”是一个可以被运载工具穿过的物理区域，并且可以对应于已命名的通道(例如，城市街道、州际高速公路等)或可对应于未命名的通道(例如，房屋或办公楼内的行车道、停车场的一段、空置停车场的一段、乡村区域的污物通道等)。因为有些运载工具(例如，四轮驱动的小卡车、越野车(SUV)等)能够穿过各种不特别适合运载工具行驶的物理区域，因此“道路”可以是任何市政当局或其它政府或行政机构没有正式定义为一条通道的物理区域。

如本文所使用的，“车道”是道路的可被运载工具穿越的部分。有时基于车道标记来识别车道。例如，车道可对应于车道标记之间的大部分或全部空间，或仅对应于车道标记之间的部分空间(例如，小于50％)。例如，具有相距很远的车道标记的道路可能容纳两个或两个以上的运载工具，使得一个运载工具可以在不穿过车道标记的情况下超过另一个运载工具，因此可被解释为车道比车道标记之间的空间窄，或车道之间有两个车道。在没有车道标记的情况下，也可以对车道进行解释。例如，可以基于环境的物理特征(例如，农村地区的岩石和沿着大道的树木、或者例如在欠发达地区应避免的自然障碍物)来定义车道。也可以独立于车道标记或物理特征来解释车道。例如，可以基于原本缺少将会被解释为车道边界的特征的在区域中无障碍物的任意路径来解释车道。在示例情景中，AV可以解释通过田野或空地的无障碍物部分的车道。在另一示例情景中，AV可以解释通过不具有车道标记的宽(例如，足够两个或更多个车道宽)道路的车道。在该情景中，AV可以将与车道有关的信息通信至其它AV，使得其它AV可以使用相同的车道信息来协调AV之间的路径规划。

术语“空中下载(OTA)客户端”包括任何AV，或者嵌入在AV中、耦接至AV或与AV进行通信的任何电子装置(例如，计算机、控制器、IoT装置、电子控制单元(ECU))。

术语“空中下载(OTA)更新”意味着对使用专有和/或标准化的无线通信技术递送至OTA客户端的软件、固件、数据或配置设置或者它们的任何组合的任何更新、改变、删除或添加，其中该专有和/或标准化的无线通信技术包括但不限于：蜂窝移动通信(例如，2G、3G、4G、5G)、无线电无线区域网络(例如，WiFi)和/或卫星因特网。

术语“边缘节点”是指耦接至网络的一个或多个边缘装置，这些装置提供与AV进行通信所用的门户并且可以与其它边缘节点和基于云的计算平台进行通信，以调度OTA更新并将OTA更新递送至OTA客户端。

术语“边缘装置”是指实现边缘节点并提供向企业或服务提供商(如VERIZON、AT&T)核心网的物理无线接入点(AP)的装置。边缘装置的示例包括但不限于：计算机、控制器、发送器、路由器、路由交换机、综合接入装置(IAD)、多路复用器、城域网(MAN)和广域网(WAN)接入装置。

“一个或多个”包括由一个要素执行的功能、由多个要素例如以分布式的方式执行的功能、由一个要素执行的若干功能、由若干要素执行的若干功能、或上述的任何组合。

还将理解的是，尽管在一些情况下，术语“第一”、“第二”等在本文中是用来描述各种要素的，但这些要素不应受到这些术语的限制。这些术语仅用于区分一个要素与另一个要素。例如，在未背离各种所描述的实施例的范围的情况下，第一触点可被称为第二触点，并且类似地，第二触点可被称为第一触点。第一触点和第二触点两者都是触点，但它们不是相同触点。

在本文所描述的各种实施例的说明书中使用的术语仅用于描述特定实施例的目的，而不是意在限制。如在所描述的各种实施例的说明书和所附权利要求书中所使用的，单数形式“a”、“an”和“the”也意在包括复数形式，除非上下文另有明确说明。还将理解的是，如本文所使用的“和/或”是指并且包括一个或多个相关清单项目的任何和所有可能的组合。还将理解的是，当在本说明书中使用术语“包括”、“包含”、“具备”和/或“具有”时，具体说明存在所陈述的特征、整数、步骤、操作、要素和/或组件，但并不排除存在或添加一个或多个其它特征、整数、步骤、操作、要素、组件、和/或其群组。

如本文所使用的，取决于上下文，术语“如果”可选地被理解为意指“当”或“在当时”或“响应于确定为”或“响应于检测到”。类似地，取决于上下文，短语“如果已确定”或“如果[所陈述的条件或事件]已被检测到”可选地被理解为意指“在确定时”或“响应于确定为“或”在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。

如本文所使用的，AV系统是指AV以及支持AV操作的硬件、软件、存储的数据和实时生成的数据的阵列。在实施例中，AV系统并入在AV内。在实施例中，AV系统跨若干地点分布。例如，AV系统的一些软件是在类似于下面关于图2描述的云计算环境200的云计算环境上实现的。

一般而言，本文件描述了适用于任何具有一种或多种自主能力的运载工具的技术，包括完全自主运载工具、高度自主运载工具和有条件自主运载工具，诸如分别为所谓的第5级、第4级和第3级运载工具(见SAE国际标准J3016：道路上机动车自动驾驶系统相关术语的分类和定义，通过引用将其全部内容并入本文件，用于了解运载工具自主权等级的更多详细信息)。本文件所描述的技术也适用于部分自主运载工具和驾驶员辅助运载工具，诸如所谓的第2级和第1级运载工具(见SAE国际标准J3016：道路上机动车自动驾驶系统相关术语的分类和定义)。在实施例中，一个或多个第1级、第2级、第3级、第4级和第5级运载工具系统可基于对传感器输入的处理，在某些操作条件下自动执行某些运载工具操作(例如，转向、制动和使用地图)。本文件中所描述的技术可以使从完全自主运载工具到人类操作的运载工具范围内的任何级别的运载工具受益。

自主运载工具与需要人类驾驶员的运载工具相比存在优势。一个优势是安全性。例如，在2016年，美国经历了600万起汽车事故、240万人受伤、40000人死亡和1300万辆运载工具碰撞事故，估计社会成本为9100亿美元多。从1965年到2015年，每行驶1亿英里的美国交通事故死亡人数已从约6人减少到约1人，部分是由于运载工具中所部署的附加安全措施。例如，认为与将发生碰撞有关的额外半秒的警告减轻了60％的前后碰撞。然而，被动安全特征(例如，安全带、安全气囊)在改进该数字方面有可能已达到它们的极限。因而，诸如运载工具的自动控制等的主动安全措施是改进这些统计数据的可能的下一步。由于在95％的碰撞中认为人类驾驶员是造成严重碰撞前事件的原因，因此自动驾驶系统例如通过以下操作，有可能实现更好的安全结果：比人类更好地可靠地识别和避免紧急情况；做出比人类更好的决策，比人类更好地遵守交通法规，并且比人类更好地预测将来事件；并且比人类更好地可靠地控制运载工具。

参考图1，AV系统120使运载工具100沿着轨迹198操作，穿过环境190至目的地199(有时称为最终地点)，同时避开对象(例如，自然障碍物191、运载工具193、行人192、骑车者和其它障碍物)和遵守道路规则(例如，操作规则或驾驶偏好)。

在实施例中，AV系统120包括用于从计算机处理器146接收操作命令并对其进行操作的装置101。使用术语“操作命令”来表示使得运载工具进行动作(例如，驾驶机动动作)的可执行指令(或指令集)。操作命令可以非限制性地包括用于使运载工具开始向前移动、停止向前移动、开始向后移动、停止向后移动、加速、减速、进行左转和进行右转的指令。在实施例中，计算机处理器146与下面参考图3描述的处理器304相似。装置101的示例包括转向控制器102、制动器103、挡位、加速踏板或其它加速控制机构、挡风玻璃雨刮器、侧门锁、窗控器和转向指示器。

在实施例中，AV系统120包括用于测量或推断运载工具100的状态或条件的属性的传感器121，这些属性诸如是AV的位置、线速度和角速度及线加速度和角加速度、以及航向(例如，运载工具100的前端的方向)。传感器121的示例是GPS、测量运载工具线加速度和角速率两者的惯性测量单元(IMU)、用于测量或估计轮滑移率的轮速率传感器、轮制动压力或制动扭矩传感器、引擎扭矩或轮扭矩传感器以及转向角度和角速率传感器。

在实施例中，传感器121还包括用于感测或测量AV的环境的属性的传感器。例如，可见光、红外或热(或两者兼有)光谱的单目或立体摄像机122，LiDAR 123，RADAR，超声波传感器，飞行时间(TOF)深度传感器，速率传感器，温度传感器，湿度传感器和降水传感器。

在实施例中，AV系统120包括数据存储单元142和存储器144，用于存储与计算机处理器146相关联的机器指令或由传感器121收集的数据。在实施例中，数据存储单元142与以下关于图3描述的ROM 308或存储装置310类似。在实施例中，存储器144与下面描述的主存储器306类似。在实施例中，数据存储单元142和存储器144存储有关环境190的历史、实时和/或预测性信息。在实施例中，存储的信息包括地图、驾驶性能、交通拥堵更新或天气条件。在实施例中，与环境190有关的数据从远程数据库134通过通信信道传输到运载工具100。

在实施例中，AV系统120包括通信装置140，用于将对其它运载工具的状态和条件(诸如位置、线速度和角速度、线加速度和角加速度、以及线航向和角航向)测量或推断的属性传送到运载工具100。这些装置包括运载工具到运载工具(V2V)和运载工具到基础设施(V2I)通信装置以及用于通过点对点或自组织(ad hoc)网络或两者进行无线通信的装置。在实施例中，通信装置140跨电磁频谱(包括无线电和光通信)或其它介质(例如，空气和声介质)进行通信。运载工具对运载工具(V2V)、运载工具对基础设施(V2I)通信(以及在一些实施例中为一种或多种其它类型的通信)的组合有时被称为运载工具对所有事物(V2X)通信。V2X通信通常符合一个或多个通信标准，用于与自主运载工具进行的和在自主运载工具之间的通信。

在实施例中，通信装置140包括通信接口。例如，有线、无线、WiMAX、Wi-Fi、蓝牙、卫星、蜂窝、光、近场、红外或无线电接口。通信接口将数据从远程数据库134传输到AV系统120。在实施例中，远程数据库134嵌入在如图2中所描述的云计算环境200中。通信装置140将从传感器121收集的数据或与运载工具100操作有关的其它数据传输到远程数据库134。在实施例中，通信装置140向运载工具100传输与遥操作有关的信息。在一些实施例中，运载工具100与其它远程(例如，“云”)服务器136通信。

在实施例中，远程数据库134还存储和传输数字数据(例如，存储诸如道路和街道地点的数据)。这些数据存储在运载工具100上的存储器144中，或者通过通信信道从远程数据库134传输到运载工具100。

在实施例中，远程数据库134存储和传输与以前在一天中类似时间沿着轨迹198行驶的运载工具的驾驶属性有关的历史信息(例如，速率和加速度分布)。在一个实现中，这种数据能够存储在运载工具100上的存储器144中，或者通过通信信道从远程数据库134传输到运载工具100。

位于运载工具100上的计算机处理器146基于实时传感器数据和先验信息两者以算法方式生成控制动作，允许AV系统120执行其自主驾驶能力。

在实施例中，AV系统120包括耦接到计算机处理器146的计算机外围设备132，用于向运载工具100的用户(例如，乘员或远程用户)提供信息和提醒并接收来自该用户的输入。在实施例中，外围设备132类似于下面参考图3讨论的显示器312、输入装置314和光标控制器316。耦接是无线的或有线的。任意两个或更多个的接口装置能够集成到单个装置中。

在实施例中，AV系统120接收并强制执行例如由乘员指定的或者存储在与乘员相关联的简档中的乘员的隐私级别。乘员的隐私级别确定了如何许可使用存储在乘员简档中的以及/或者存储在云服务器136上且与乘员简档相关联的、与乘员相关联的特定信息(例如，乘员舒适度数据、生物测量数据等)。在实施例中，隐私级别指定了一旦搭乘完成则被删除的与乘员相关联的特定信息。在实施例中，隐私级别指定了与乘员相关联的特定信息，并且标识被授权访问该信息的一个或多个实体。被授权访问信息的所指定的实体的示例可以包括其它AV、第三方AV系统、或者可以潜在地访问该信息的任何实体。

可以在一个或多个粒度级别指定乘员的隐私级别。在实施例中，隐私级别标识要存储或共享的特定信息。在实施例中，隐私级别适用于与乘员相关联的所有信息，使得乘员可以指定不存储或共享她的个人信息。被许可访问特定信息的实体的指定也可以在各种粒度级别指定。被许可访问特定信息的各种实体集例如可以包括其它AV、云服务器136、特定第三方AV系统等。

在实施例中，AV系统120或云服务器136确定AV 100或另一实体是否可访问与乘员相关联的某些信息。例如，试图访问与特定时空地点有关的乘员输入的第三方AV系统必须例如从AV系统120或云服务器136获得授权，以访问与乘员相关联的信息。例如，AV系统120使用乘员的指定隐私级别来确定是否可以将与时空地点有关的乘员输入呈现给第三方AV系统、AV 100或另一AV。这使得乘员的隐私级别能够指定允许哪些其它实体接收与乘员的动作有关的数据或与乘员相关联的其它数据。

图2示出示例“云”计算环境。云计算是一种服务交付模式，用于使得能够方便、按需地在网络上访问可配置计算资源(例如网络、网络带宽、服务器、处理、内存、存储、应用程序、虚拟机和服务)的共享池。在典型的云计算系统中，一个或多个大型云数据中心容纳用于交付云所提供的服务的机器。现在参考图2，云计算环境200包括通过云202互连的云数据中心204a、204b和204c。数据中心204a、204b和204c为连接到云202的计算机系统206a、206b、206c、206d、206e和206f提供云计算服务。

云计算环境200包括一个或多个云数据中心。一般而言，云数据中心(例如图2中所示的云数据中心204a)是指构成云(例如图2中所示的云202或云的特定部分)的服务器的物理排列。例如，服务器在云数据中心中物理排列成房间、组、行和机架。云数据中心有一个或多个区域，其中包括一个或多个服务器房间。每个房间有一行或多行服务器，并且每行包括一个或多个机架。每个机架包括一个或多个单独的服务器节点。在一些实现中，区域、房间、机架和/或行中的服务器基于数据中心设施的物理基础设施要求(包括电力、能源、热力、热源和/或其它要求)被排列成若干组。在实施例中，服务器节点类似于图3中描述的计算机系统。数据中心204a具有许多分布在多个机架上的计算系统。

云202包括云数据中心204a、204b和204c以及用于连接云数据中心204a、204b和204c并有助于促进计算系统206a-f对云计算服务的访问的网络和网络资源(例如，网络设备、节点、路由器、交换机和网络电缆)。在实施例中，该网络表示一个或多个本地网络、广域网或通过使用地面或卫星连接部署的有线或无线链路耦接的网际网络的任意组合。通过网络交换的数据使用多种网络层协议(诸如，因特网协议(IP)、多协议标签交换(MPLS)、异步传输模式(ATM)、帧中继(Frame Relay)等)进行传输。此外，在网络表示多个子网络的组合的实施例中，在每个底层子网络上使用不同的网络层协议。在一些实施例中，网络表示一个或多个互连网际网络(诸如公共因特网等)。

计算系统206a-f或云计算服务消费者通过网络链路和网络适配器连接到云202。在实施例中，计算系统206a-f被实现为各种计算装置，例如服务器、台式机、膝上型计算机、平板电脑、智能手机、物联网(IoT)装置、自主运载工具(包括小汽车、无人机、航天飞机、火车、公共汽车等)和消费电子产品。在实施例中，计算系统206a-f在其它系统中实现或作为其它系统的一部分实现。

图3示出计算机系统300。在实现中，计算机系统300是一种专用计算装置。专用计算装置被硬连线以执行这些技术，或包括诸如一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)的被持久编程为执行上述技术的数字电子装置，或能够包括一个或多个通用硬件处理器，这些硬件处理器经编程以根据固件、存储器、其它存储器、或者组合中的程序指令执行这些技术。这种专用的计算装置还能够将定制的硬线逻辑、ASIC或FPGA与定制的编程相结合来完成这些技术。在各种实施例中，专用计算装置是台式计算机系统、便携式计算机系统、手持装置、网络装置或包含硬线和/或程序逻辑以实现这些技术的任何其它装置。

在实施例中，计算机系统300包括总线302或用于传达信息的其它通信机制、以及与总线302耦接以处理信息的处理器304。处理器304是例如通用微处理器。计算机系统300还包括主存储器306，诸如随机存取存储器(RAM)或其它动态存储装置，该主存储器306耦接到总线302以存储信息和指令，该信息和指令由处理器304执行。在一个实现中，主存储器306用于在执行要由处理器304执行的指令期间存储临时变量或其它中间信息。当这些指令存储在处理器304可访问的非暂时性存储介质中时，使计算机系统300变成一个专用机器，该机器被定制以执行指令中指定的操作。

在实施例中，计算机系统300还包括只读存储器(ROM)308或耦接到总线302的其它静态存储装置，用于存储处理器304的静态信息和指令。提供诸如磁盘、光盘、固态驱动器或三维交叉点存储器的存储装置310，并且该存储装置310耦接到总线302以存储信息和指令。

在实施例中，计算机系统300通过总线302耦接到诸如阴极射线管(CRT)、液晶显示器(LCD)、等离子体显示器、发光二极管(LED)显示器或用于向计算机用户显示信息的有机发光二极管(OLED)显示器的显示器312。包括字母数字键和其它键的输入装置314耦接到总线302，用于向处理器304传送信息和命令选择。另一种类型的用户输入装置是光标控制器316，诸如鼠标、轨迹球、触控显示器或光标方向键，用于将方向信息和命令选择传送到处理器304，并用于控制光标在显示器312上的移动。这种输入装置通常具有两个轴(第一轴(例如，x轴)和第二轴(例如，y轴))上的两个自由度，这两个轴允许装置指定平面上的位置。

根据一个实施例，本文的技术由计算机系统300响应于处理器304执行主存储器306中包含的一个或多个指令的一个或多个序列而执行。这些指令从诸如存储装置310的另一存储介质读入主存储器306。执行主存储器306中包含的指令序列使处理器304执行本文所描述的过程步骤。在替代实施例中，使用硬连线电路代替或与软件指令结合使用。

如本文所使用的术语“存储介质”是指存储数据和/或指令的任何非暂时性介质，这些数据和/或指令使机器以特定方式操作。这种存储介质包括非易失性介质和/或易失性介质。非易失性介质例如包括诸如存储装置310的光盘、磁盘、固态驱动器或三维交叉点存储器。易失性介质包括动态存储器，诸如主存储器306。存储介质的常见形式包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其它磁数据存储介质、CD-ROM、任何其它光数据存储介质、任何具有孔型的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NV-RAM、或任何其它存储芯片或存储盒。

存储介质有别于传输介质，但可以与传输介质相结合使用。传输介质参与存储介质之间的信息传输。例如，传输介质包括同轴电缆、铜线和光纤，其包括具备总线302的电线。传输介质也可以采取声波或光波的形式，诸如在无线电波和红外数据通信过程中产生的声波或光波。

在实施例中，各种形式的介质涉及将一个或多个指令的一个或多个序列承载到处理器304以供执行。例如，这些指令最初是在远程计算机的磁盘或固态驱动器上执行的。远程计算机将指令加载到其动态存储器中，并使用调制解调器通过电话线路发送指令。计算机系统300的本地调制解调器接收电话线路上的数据，并使用红外发射器将数据转换为红外信号。红外检测器接收红外信号中承载的数据，并且适当的电路将数据放置在总线302上。总线302将数据承载到主存储器306，处理器304从主存储器306检索并执行指令。主存储器306接收的指令能够可选地在处理器304执行之前或之后存储在存储装置310上。

计算机系统300还包括耦接到总线302的通信接口318。通信接口318提供耦接到连接至本地网络322的网络链路320的双向数据通信。例如，通信接口318是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或用以提供与相应类型电话线路的数据通信连接的调制解调器。作为另一示例，通信接口318是局域网(LAN)卡，用于提供与兼容LAN的数据通信连接。在一些实现中，无线链路也被实现。在任何这种实现中，通信接口318发送和接收承载表示各种类型的信息的数字数据流的电、电磁或光信号。

网络链路320通常通过一个或多个网络向其它数据装置提供数据通信。例如，网络链路320通过本地网络322提供与主计算机324或与由因特网服务提供商(ISP)326运营的云数据中心或设备的连接。ISP 326又通过现在通常称为“因特网”328的世界范围分组数据通信网络来提供数据通信服务。本地网络322和因特网328两者都使用承载数字数据流的电、电磁或光信号。通过各种网络的信号以及网络链路320上并通过通信接口318的信号是传输介质的示例形式，其中这些信号承载了进出计算机系统300的数字数据。在实施例中，网络320包含上述云202或云202的一部分。

计算机系统300通过(一个或多个)网络、网络链路320和通信接口318发送消息和接收包括程序代码的数据。在实施例中，计算机系统300接收用于处理的代码。接收到的代码在接收到时由处理器304执行，和/或存储在存储装置310中，或存储在其它非易失性存储装置中以便以后执行。

自主运载工具架构

图4示出用于自主运载工具(例如，图1所示的运载工具100)的示例架构400。架构400包括感知模块402(有时称为感知电路)、规划模块404(有时称为规划电路)、控制模块406(有时称为控制电路)、定位模块408(有时称为定位电路)和数据库模块410(有时称为数据库电路)。各模块在运载工具100的操作中发挥作用。共同地，模块402、404、406、408和410能够是图1所示的AV系统120的一部分。在一些实施例中，模块402、404、406、408和410中的任何模块是计算机软件(例如，计算机可读介质上所存储的可执行代码)和计算机硬件(例如，一个或多个微处理器、微控制器、专用集成电路[ASIC]、硬件存储器装置、其它类型的集成电路、其它类型的计算机硬件、或者这些硬件中的任何或所有的组合)的组合。模块402、404、406、408和410各自有时被称为处理电路(例如，计算机硬件、计算机软件、或者这两者的组合)。模块402、404、406、408和410中的任何或全部的组合也是处理电路的示例。

在使用中，规划模块404接收表示目的地412的数据，并且确定表示运载工具100为了到达(例如，抵达)目的地412而可以行驶的轨迹414(有时称为路线)的数据。为了使规划模块404确定表示轨迹414的数据，规划模块404从感知模块402、定位模块408和数据库模块410接收数据。

感知模块402使用例如也如图1所示的一个或多个传感器121来识别附近的物理对象。将对象分类(例如，分组成诸如行人、自行车、汽车、交通标志等的类型)，并且将包括经分类的对象416的场景描述提供至规划模块404。

规划模块404还从定位模块408接收表示AV位置418的数据。定位模块408通过使用来自传感器121的数据和来自数据库模块410的数据(例如，地理数据)以计算位置来确定AV位置。例如，定位模块408使用来自GNSS(全球导航卫星系统)传感器的数据和地理数据来计算AV的经度和纬度。在实施例中，定位模块408所使用的数据包括具有行车道几何属性的高精度地图、描述道路网络连接属性的地图、描述行车道物理属性(诸如交通速率、交通量、运载工具和自行车车道的数量、车道宽度、车道交通方向、或车道标记类型和地点，或者它们的组合)的地图、以及描述道路特征(诸如十字路口、交通标志或各种类型的其它行驶信号等)的空间地点的地图。在实施例中，高精度地图是通过将数据经由自动或手动注释添加到低精度地图所构建的。

控制模块406接收表示轨迹414的数据和表示AV位置418的数据，并且以将使得运载工具100行驶轨迹414到达目的地412的方式来操作AV的控制功能420a～420c(例如，转向、油门、制动、点火)。例如，如果轨迹414包括左转，则控制模块406将以如下方式操作控制功能420a～420c：转向功能的转向角度将使得运载工具100左转，并且油门和制动将使得运载工具100在进行转弯之前暂停并等待经过的行人或运载工具。

自主运载工具输入

图5示出感知模块402(图4)所使用的输入502a-502d(例如，图1中所示的传感器121)和输出504a-504d(例如，传感器数据)的示例。一个输入502a是LiDAR(光检测和测距)系统(例如，图1所示的LiDAR 123)。LiDAR是使用光(例如，诸如红外光等的一道光)来获得与其视线中的物理对象有关的数据的技术。LiDAR系统产生LiDAR数据作为输出504a。例如，LiDAR数据是用于构造环境190的表示的3D或2D点(也称为点云)的集合。

另一输入502b是RADAR(雷达)系统。RADAR是使用无线电波来获得与附近的物理对象有关的数据的技术。RADAR可以获得与不在LiDAR系统的视线内的对象有关的数据。RADAR系统产生RADAR数据作为输出504b。例如，RADAR数据是用于构造环境190的表示的一个或多个射频电磁信号。

另一输入502c是照相机系统。照相机系统使用一个或多个照相机(例如，使用诸如电荷耦接器件[CCD]等的光传感器的数字照相机)来获取与附近的物理对象有关的信息。照相机系统产生照相机数据作为输出504c。照相机数据通常采用图像数据(例如，诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。在一些示例中，照相机系统具有例如为了立体影像(立体视觉)的目的的多个独立照相机，这使得照相机系统能够感知深度。尽管照相机系统所感知的对象在这里被描述为“附近”，但这是相对于AV而言的。在一些实施例中，照相机系统被配置为“看见”远处的(例如，AV前方的远至1公里或更远的)对象。因此，在一些实施例中，照相机系统具有为了感知遥远的对象而优化的诸如传感器和镜头等的特征。

另一输入502d是交通灯检测(TLD)系统。TLD系统使用一个或多个照相机来获得与交通灯、街道标志和提供视觉导航信息的其它物理对象有关的信息。TLD系统产生TLD数据作为输出504d。TLD数据经常采用图像数据(例如，诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。TLD系统与包含照相机的系统的不同之处在于：TLD系统使用具有宽视场(例如，使用广角镜头或鱼眼镜头)的照相机，以获得与尽可能多的提供视觉导航信息的物理对象有关的信息，使得运载工具100能够访问这些对象所提供的所有相关导航信息。例如，TLD系统的视角为约120度或更大。

在一些实施例中，使用传感器融合技术来组合输出504a-504d。因而，将个体输出504a-504d提供至运载工具100的其它系统(例如，提供至如图4所示的规划模块404)，或者可以采用相同类型的单个组合输出或多个组合输出(例如，使用相同组合技术或组合相同输出或者这两者)或不同类型的单个组合输出或多个组合输出(例如，使用不同的各个组合技术或组合不同的各个输出或者这两者)的形式，将组合输出提供至其它系统。在一些实施例中，使用早期融合技术。早期融合技术的特征在于：在将一个或多个数据处理步骤应用到组合输出之前，将输出组合。在一些实施例中，使用后期融合技术。后期融合技术的特征在于：在将一个或多个数据处理步骤应用到个体输出之后，将输出组合。

图6示出LiDAR系统602的示例(例如，图5所示的输入502a)。LiDAR系统602从发光器606(例如，激光发射器)发射光604a-604c。LiDAR系统所发射的光通常不在可见光谱中；例如，经常使用红外光。所发射的光604b中的一些光遇到物理对象608(例如，运载工具)并且反射回到LiDAR系统602。(从LiDAR系统发射的光通常不会穿透物理对象，例如，实心形式的物理对象。)LiDAR系统602还具有用于检测反射光的一个或多个光检测器610。在实施例中，与LiDAR系统相关联的一个或多个数据处理系统生成表示LiDAR系统的视场614的图像612。图像612包括表示物理对象608的边界616的信息。这样，图像612用于确定AV附近的一个或多个物理对象的边界616。

图7示出操作中的LiDAR系统602。在该图所示的情境中，运载工具100接收采用图像702的形式的照相机系统输出504c和采用LiDAR数据点704的形式的LiDAR系统输出504a两者。在使用中，运载工具100的数据处理系统将图像702与数据点704进行比较。特别地，在数据点704中也识别在图像702中识别出的物理对象706。这样，运载工具100基于数据点704的轮廓和密度来感知物理对象的边界。

图8示出LiDAR系统602的操作的附加细节。如上所述，运载工具100基于LiDAR系统602所检测到的数据点的特性来检测物理对象的边界。如图8所示，诸如地面802等的平坦对象将以一致的方式反射从LiDAR系统602发射的光804a-804d。换句话说，由于LiDAR系统602使用一致的间隔发射光，因此地面802将以相同的一致间隔将光反射回到LiDAR系统602。在运载工具100在地面802上行驶时，在没有东西阻挡道路的情况下，LiDAR系统602将继续检测到由下一个有效地面点806反射的光。然而，如果对象808阻挡道路，则LiDAR系统602所发射的光804e-804f将以与预期一致方式不一致的方式从点810a-810b反射。根据该信息，运载工具100可以确定存在对象808。

路径规划

图9示出(例如，如图4所示的)规划模块404的输入和输出之间的关系的框图900。一般而言，规划模块404的输出是从起点904(例如，源地点或初始地点)到终点906(例如，目的地或最终地点)的路线902。路线902通常由一个或多个路段定义。例如，路段是指要在街道、道路、公路、行车道或适合汽车行驶的其它物理区域的至少一部分上行驶的距离。在一些示例中，例如，如果运载工具100是诸如四轮驱动(4WD)或全轮驱动(AWD)小汽车、SUV或小卡车等的能够越野的运载工具，则路线902包括诸如未铺面路径或开阔田野等的“越野”路段。

除路线902之外，规划模块还输出车道级路线规划数据908。车道级路线规划数据908用于在特定时间基于路线902的路段的条件来驶过这些路段。例如，如果路线902包括多车道公路，则车道级路线规划数据908包括轨迹规划数据910，其中运载工具100可以使用该轨迹规划数据910以例如基于出口是否临近、多个车道中的一个或多个车道是否存在其它运载工具、或者在几分钟或更少时间的过程中变化的其它因素来从这多个车道中选择某车道。类似地，在一些实现中，车道级路线规划数据908包括路线902的某路段特有的速率约束912。例如，如果该路段包括行人或非预期交通，则速率约束912可以将运载工具100限制到比预期速率慢的行驶速率，例如基于该路段的限速数据的速率。

在实施例中，向规划模块404的输入包括(例如，来自图4所示的数据库模块410的)数据库数据914、当前地点数据916(例如，图4所示的AV位置418)、(例如，用于图4所示的目的地412的)目的地数据918和对象数据920(例如，如图4所示的感知模块402所感知的经分类的对象416)。在一些实施例中，数据库数据914包括规划时所使用的规则。规则是使用形式语言(例如，使用布尔逻辑)指定的。在运载工具100所遇到的任何给定情形中，这些规则中的至少一些规则将适用于该情形。如果规则具有基于运载工具100可用的信息(例如，与周围环境有关的信息)所满足的条件，则该规则适用于给定情形。规则可以具有优先级。例如，“如果公路是高速公路，则移动到最左侧车道”这一规则与“如果出口在一英里内临近，则移动到最右侧车道”相比可以具有更低的优先级。

图10示出在路径规划中(例如，由规划模块404(图4))使用的有向图1000。一般而言，如图10所示的有向图那样的有向图1000用于确定任何起点1002和终点1004之间的路径。在现实世界中，分隔起点1002和终点1004的距离可能相对较大(例如，在两个不同的都市区域中)，或者可能相对较小(例如，毗邻城市街区的两个交叉口或多车道道路的两条车道)。

在实施例中，有向图1000具有表示起点1002和终点1004之间的运载工具100可能占用的不同地点的节点1006a-1006d。在一些示例中，例如，在起点1002和终点1004表示不同的都市区域时，节点1006a-1006d表示道路的路段。在一些示例中，例如，在起点1002和终点1004表示相同道路上的不同地点时，节点1006a-1006d表示该道路上的不同位置。这样，有向图1000包括不同粒度级别的信息。在实施例中，具有高粒度的有向图也是具有更大规模的另一有向图的子图。例如，起点1002和终点1004相距远(例如，相距许多英里)的有向图的大部分信息处于低粒度，并且该有向图是基于所存储的数据，但该有向图还包括用于该有向图中的表示运载工具100的视场中的物理地点的一部分的一些高粒度信息。

节点1006a-1006d不同于无法与节点重叠的对象1008a-1008b。在实施例中，在粒度低时，对象1008a-1008b表示汽车不能穿过的地区，例如无街道或道路的区域。在粒度高时，对象1008a-1008b表示运载工具100的视场中的物理对象，例如其它汽车、行人、或运载工具100不能与之共用物理空间的其它实体。在实施例中，对象1008a-1008b的一部分或全部是静态对象(例如，不改变位置的对象，诸如街灯或电线杆等)或动态对象(例如，能够改变位置的对象，诸如行人或其它小汽车等)。

节点1006a-1006d通过边1010a-1010c连接。如果两个节点1006a-1006b通过边1010a连接，则运载工具100可以在一个节点1006a和另一节点1006b之间行驶，例如，而不必在到达另一节点1006b之前行驶到中间节点。(当提到运载工具100在节点之间行驶时，意味着运载工具100在由相应节点表示的两个物理位置之间行驶。)边1010a-1010c通常是双向的，从某种意义上，运载工具100从第一节点行驶到第二节点，或者从第二节点行驶到第一节点。在实施例中，边1010a-1010c是单向的，从某种意义上，运载工具100可以从第一节点行驶到第二节点，然而运载工具100不能从第二节点行驶到第一节点。在边1010a-1010c表示例如单向街道，街道、道路或公路的单独车道，或者由于法律或物理约束因而仅能沿一个方向穿过的其它特征的情况下，边1010a-1010c是单向的。

在实施例中，规划模块404使用有向图1000来识别由起点1002和终点1004之间的节点和边组成的路径1012。

边1010a-1010c具有关联成本1014a-1014b。成本1014a-1014b是表示在运载工具100选择该边的情况下将花费的资源的值。典型的资源是时间。例如，如果一个边1010a所表示的物理距离是另一边1010b所表示的物理距离的两倍，则第一边1010a的关联成本1014a可以是第二边1010b的关联成本1014b的两倍。影响时间的其它因素包括预期交通、交叉口的数量、限速等。另一典型的资源是燃料经济性。两个边1010a-1010b可以表示相同的物理距离，但例如由于道路条件、预期天气等，因此一个边1010a与另一边1010b相比需要更多的燃料。

在规划模块404识别起点1002和终点1004之间的路径1012时，规划模块404通常选择针对成本优化的路径，例如，在将边的个体成本相加到一起时具有最小总成本的路径。

自主运载工具控制

图11示出(例如，如图4所示的)控制模块406的输入和输出的框图1100。控制模块根据控制器1102而操作，该控制器1102例如包括：与处理器304类似的一个或多个处理器(例如，诸如微处理器或微控制器或这两者等的一个或多个计算机处理器)；与主存储器306、ROM 308和存储装置310类似的短期和/或长期数据存储装置(例如，存储器，随机存取存储器或闪速存储器或这两者)；以及存储器中所存储的指令，这些指令在(例如，由一个或多个处理器)执行时执行控制器1102的操作。

在实施例中，控制器1102接收表示期望输出1104的数据。期望输出1104通常包括速度，例如速率和航向。期望输出1104例如可以基于从(例如，如图4所示的)规划模块404接收到的数据。根据期望输出1104，控制器1102产生可用作油门输入1106和转向输入1108的数据。油门输入1106表示例如通过接合转向踏板或接合另一油门控件来接合运载工具100的油门(例如，加速控制)以实现期望输出1104的大小。在一些示例中，油门输入1106还包括可用于接合运载工具100的制动器(例如，减速控制)的数据。转向输入1108表示转向角度，例如AV的转向控制(例如，方向盘、转向角致动器或用于控制转向角度的其它功能)应被定位成实现期望输出1104的角度。

在实施例中，控制器1102接收在调整提供至油门和转向的输入时使用的反馈。例如，如果运载工具100遇到诸如山丘等的干扰1110，则运载工具100的测量速率1112降至低于期望输出速率。在实施例中，任何测量输出1114均被提供至控制器1102，使得例如基于测量速率和期望输出之间的差分1113来进行所需的调整。测量输出1114包括测量位置1116、测量速度1118(包括速率和航向)、测量加速度1120和运载工具100的传感器可测量的其它输出。

在实施例中，例如通过诸如照相机或LiDAR传感器等的传感器预先检测与干扰1110有关的信息，并且该信息被提供至预测性反馈模块1122。然后，预测性反馈模块1122将控制器1102可用于相应地调整的信息提供至控制器1102。例如，如果运载工具100的传感器检测到(“看见”)山丘，则控制器1102可以使用该信息来准备在适当时间接合油门，以避免显著减速。

图12示出控制器1102的输入、输出和组件的框图1200。控制器1102具有影响油门/制动器控制器1204的操作的速率分析器1202。例如，速率分析器1202根据例如由控制器1102接收到并由速率分析器1202处理后的反馈，来指示油门/制动器控制器1204使用油门/制动器1206进行加速或进行减速。

控制器1102还具有影响方向盘控制器1210的操作的横向跟踪控制器1208。例如，横向跟踪控制器1208根据例如由控制器1102接收到并由横向跟踪控制器1208处理后的反馈，来指示方向盘控制器1210调整转向角致动器1212的位置。

控制器1102接收用于确定如何控制油门/制动器1206和转向角致动器1212的若干输入。规划模块404提供控制器1102例如选择运载工具100开始操作时的航向并确定在运载工具100到达交叉口时穿过哪个道路路段所使用的信息。定位模块408例如将描述运载工具100的当前地点的信息提供至控制器1102，使得控制器1102可以确定运载工具100是否处于基于正控制油门/制动器1206和转向角致动器1212的方式而预期的地点。在实施例中，控制器1102接收来自其它输入1214的信息，例如从数据库、计算机网络等接收到的信息。

表面引导的决策制定

图13A、图13B和图13C示出用于表面引导的决策制定的示例系统的框图。这些系统被配置为对沿着运载工具(例如，图1所示的运载工具100)的路径的表面进行分类。这些系统还被配置为基于表面的分类来控制运载工具。系统的组件可以位于运载工具上或远离运载工具。在一些示例中，使用与图3中所描述的计算机系统300类似的计算机系统来实现一个或多个组件。另外地或可选地，一个或多个组件可以在与图2中所描述的云计算环境200类似的云计算环境上实现。注意，系统仅出于例示目的来示出，因为系统可以在不脱离本公开的范围的情况下包括附加组件和/或移除一个或多个组件。此外，系统的各种组件可以以任何方式布置和连接。尽管以下讨论在对沿着运载工具路径的一个表面进行分类的情况下描述了系统，但是这些系统可以同时地或连续地对沿着运载工具路径的多于一个表面进行分类。

图13A示出被配置为使用已知表面信息来对沿着运载工具路径的表面进行分类的示例系统1300。如图13A所示，系统1300包括传感器1302(例如，与图1的传感器121相同或相似的传感器)、表面分类器1304、运动规划器1306(例如，与图4、图9和图10中所描述的规划模块404相同或类似的运动规划器)、以及控制器1308(例如，与图4、图11和图12中所描述的控制模块406相同或相似的控制器)。

在实施例中，传感器1302被配置为捕获与沿着运载工具路径的表面相关联的传感器数据。在一些示例中，传感器1302和所捕获的传感器数据分别与图5的输入502a-502d和输出504a-504d相同或相似。除其它示例外，可能的传感器数据包括图像数据、地点数据(例如，GPS坐标、空间地点或三角测量数据)、感知传感器数据、天气数据(例如，温度、湿度、降水)、轮旋转传感器数据、IMU(例如，陀螺仪和/或加速度计)数据、几何数据(例如，形状、仰角、尺寸等)和点云等。表面可以是沿着运载工具路径的任意部分。例如，表面是沿着运载工具路径的该运载工具的至少一个轮预计行驶的部分。在图13A所示的示例中，传感器1302被配置为将传感器数据发送到表面分类器1304。

在实施例中，表面分类器1304被配置为使用已知表面信息来基于所捕获的传感器数据对表面进行分类。已知表面信息包括已知表面分类和已知分类的已知属性(例如，先前基于运载工具在已知表面上移动而生成的传感器测量结果、传感器测量结果的范围和/或针对路面条件的先前标记数据等)。在一个示例中，使用已知表面信息来训练表面分类器1304以对表面进行分类。可以使用诸如监督学习等的机器学习算法来训练表面分类器1304。在监督学习中，将关注的输入和相应的输出提供至表面分类器1304。表面分类器1304基于表面分类器1304的输出与预期输出的比较来调整其函数(例如，在神经网络的情况下，与两个或更多个不同层的两个或更多个节点相关联的一个或多个权重)，以在提供有后续输入的情况下提供期望输出。监督学习算法的示例包括深度神经网络、相似性学习、线性回归、随机森林、k近邻、支持向量机和决策树。

在另一示例中，表面分类器1304通过将传感器数据与已知表面分类的属性进行比较来对表面进行分类。在该示例中，如果表面分类器1304识别了传感器数据和已知表面分类的属性之间的阈值相似性，则表面分类器1304利用该表面分类对表面进行分类。阈值相似性是传感器读数和已知属性之间的大于预定阈值的相似性的度量(例如，传感器读数和已知属性的相似性大于90％)。例如，k近邻算法可以用于将传感器数据与已知表面分类的属性进行比较。

在另一示例中，表面分类器1304使用回归来量化路面。在该示例中，在表面分类器1304将表面分类为具有特定属性之后，表面分类器1304可以量化表面具有该属性的程度。例如，表面可以被分类为“结冰”，然后可以按0-10的分级使用回归来估计“冰”的程度。可选地，可以使用回归来直接估计摩擦系数。回归可以以与分类类似的方式来训练。例如，可以使用监督学习。更具体地，训练数据由用地面真实属性(例如，摩擦系数、水深等)标记的路面组成。示例回归模型包括(深度)神经网络、线性回归和支持向量机(SVM)。

在实施例中，表面分类是基于表面成分或表面属性。除其它示例外，表面成分是制造材料(例如，沥青、混凝土、焦油、砖)或天然存在的要素(例如，雨、雪、沙、岩石)。如此，可能的表面分类包括沥青表面、混凝土表面、焦油表面、砖表面、雨表面、雪表面、沙表面、岩石表面等。表面属性是表面的形状、运载工具是否能够驶过表面(例如，障碍物)、摩擦系数或具有相对于阈值的值的表面的任意属性。如此，可以基于表面的形状、是否为障碍物、或者表面是否具有大于、等于或小于阈值的属性值来对表面进行分类。临时表面(例如，诸如雪或雨等的临时自然要素)的表面分类包括时间描述。例如，雪表面是根据其已经存在的时间长度来进行分类(例如，新近的积雪、一天的积雪等)。

在一些场景下，表面分类器1304确定为不能基于已知表面信息来确定表面的分类(例如，表面分类器1304不能用与表面相似的属性来识别已知表面分类)。在这些场景中，表面分类器1304将表面分类为未知表面。如图13A所示，表面分类器1304将表面分类提供给运动规划器1306。在一些示例中，表面分类器1304还将与表面相关联的传感器数据提供给运动规划器1306。

在实施例中，运动规划器1306被配置为基于表面分类来确定运载工具行为。在示例中，运动规划器1306首先基于表面分类来确定表面的可驾驶性属性。可驾驶性属性可以包括影响运载工具驶过表面的方式的物理特性。除其它属性外，示例可驾驶性属性包括摩擦力、牵引力、道路抓地力、阻力、滚动阻力和障碍等。如果表面分类是系统1300已知的，则运动规划器1306从与该已知表面分类相关联的可驾驶性属性的数据库获得可驾驶性属性。在一些示例中，运动规划器1306还生成表面地图，该表面地图包括(例如，基于传感器数据生成的)表面的几何描述的列表和/或表面的可驾驶性属性的分布。

在实施例中，运动规划器1306基于表面的可驾驶性属性来确定运载工具行为。在一个示例中，运动规划器1306基于已知运载工具行为(例如，历史运载工具行为)来确定运载工具行为。更具体地，运动规划器1306基于与已知表面分类或具有相似可驾驶性属性的表面相关联的已知运载工具行为来确定运载工具行为。示例运载工具行为包括：跟随(例如，下雨或下雪的表面上的)现有的踪迹、避开某些表面(例如，避开流冰区)、调整运载工具速率或扭矩、在车道内偏斜、改变车道、以及定义新的中央车道(例如以增加被雪或雨部分覆盖的路面上的摩擦力)。在表面分类未知的示例中，运动规划器1306确定预防性的运载工具行为(例如，如果可能，则降低速率并避开表面)。一旦运动规划器1306确定了运载工具行为，运动规划器1306就将所确定的运载工具行为提供给控制器1308。然后，控制器1308基于所确定的运载工具行为来控制运载工具。

图13B示出示例系统1310，该示例系统1310被配置为使用已知表面信息和来自运载工具控制器的反馈来对沿着运载工具路径的表面进行分类。如图13B所示，与系统1300相同，系统1310包括传感器1302、运动规划器1306和控制器1308。然而，与表面分类器1304不同，系统1310的表面分类器1312接收来自控制器1308的反馈。

在实施例中，除了使用已知表面信息来对表面进行分类之外，表面分类器1312还使用来自控制器1308的反馈。使用反馈来生成新的表面分类或细化已知表面分类。该反馈包括在运载工具在表面附近(例如，在阈值距离内)或正在表面上驾驶的情况下所捕获的传感器测量结果。在表面具有已知分类的示例中，表面分类器1312使用反馈来更新分类的属性(即，更新分类的输出)。另外，在表面具有未知分类的示例中，表面分类器1312使用反馈来生成新的表面分类。表面分类器1312包括反馈，该反馈作为新的表面分类的属性。例如，新的表面分类包括反馈，该反馈作为用于识别新的表面分类的标记。表面分类器1312使用新的表面分类和/或更新的表面分类来对表面进行分类(例如，使用以上关于表面分类器1304所述的技术)。

图13C示出示例系统1320，该示例系统1320被配置为使用已知表面信息、来自运载工具控制器的反馈、运载工具队列之间的共享数据以及来自外部源的数据来对沿着运载工具的路径的表面进行分类。系统1320还被配置为基于表面分类来预测表面附近或正在表面上驾驶的一个或多个其它运载工具的运载工具行为。该系统还被配置为使用所捕获的其它运载工具的行为来估计路面(例如，打滑的运载工具可以指示滑的表面)，并确定适当的驾驶行为。此外，系统1320被配置为基于表面分类和/或一个或多个其它运载工具的预测行为来控制运载工具的行为。如图13C所示，与图13A的系统1300和图13B的系统1310相同，系统1320包括传感器1302、运动规划器1306和控制器1308。系统1320还包括表面分类器1322、共享动态表面地图1324、外部源1326和运动预测器1328。

在实施例中，除了捕获与沿着运载工具路径的表面相关联的数据之外，传感器1302还被配置为捕获指示表面附近或正在表面上驾驶的其它运载工具的行为的传感器数据。如图13C所示，将所捕获的其它运载工具的行为提供给运动预测器1328。如下所述，使用所捕获的其它运载工具的行为来训练运动预测器1328，以预测沿着运载工具路径的表面附近或正在该表面上驾驶的一个或多个其它运载工具的行为。

在实施例中，共享动态表面地图1324是在运载工具的队列之间共享的数据库(例如，包括地图的数据库)。共享动态表面地图1324接收来自队列中的运载工具的信息，并在数据库中共享该信息。例如，共享动态表面地图1324从诸如运载工具控制器1308等的运载工具控制器接收表面属性反馈和运载工具行为反馈。表面属性反馈包括在运载工具在表面附近或正在表面上驾驶的情况下所捕获的传感器测量结果。运载工具行为反馈包括指示在运载工具在表面附近或正在表面上驾驶的情况下的运载工具轨迹和/或运载工具驾驶设置(例如，速率或扭矩)的信息。在一些示例中，共享动态表面地图1324接收与临时表面(例如，临时放置在路面中的开口上的金属板、和/或格栅路面等)相关联的信息。在这样的示例中，共享动态表面地图1324将信息计划为在指定量的时间之后期满。信息期满所经过的时间量可以与表面的类型相关联(例如，取决于表面的类型)(例如，与第一临时表面(例如，金属板)相关联的信息可以在数天内期满，而与第二临时表面(例如，格栅路面)相关联的信息可以在数天或数周内期满)。如图13C所示，表面分类器1322接收来自共享动态表面地图1324的已知表面信息(例如，已知表面属性和表面分类)。表面分类器1322使用已知表面信息来对表面进行分类。此外，运动预测器1328接收来自共享动态表面地图1324的运载工具行为反馈。运动预测器1328使用运载工具行为反馈来预测其它运载工具的行为。

在实施例中，外部源1326包括用于提供与沿着运载工具路径的表面相关联的信息的数据库。例如，外部源1326包括用于提供沿着运载工具路径的区域的天气信息和构造信息的天气数据库和/或构造数据库。如图13C所示，表面分类器1322接收来自外部源的数据。表面分类器1322使用该数据对表面进行分类。

在实施例中，表面分类器1322被配置为接收来自传感器1302的传感器数据、来自控制器1308的反馈、来自共享动态表面地图1324的共享数据和/或来自外部源1326的外部数据。在示例中，使用来自控制器1308的反馈、来自共享动态表面地图1324的共享数据和/或来自外部源1326的外部数据来训练表面分类器1322，以(例如，使用以上关于表面分类器1304和表面分类器1312所述的技术)对表面进行分类。例如，使用数据来生成新的表面分类或细化已知表面分类。使用表面分类来基于从传感器1302接收到的传感器数据对表面进行分类。

在实施例中，表面分类器1322接收指示表面附近或正在表面上行驶的另一运载工具的行为的传感器数据。在本实施例中，表面分类器1322使用运载工具行为来对另一运载工具正驾驶的表面进行分类。例如，如果运载工具正在打滑或滑动，则表面分类器1322确定为该表面是滑的表面。如下所述，可以使用表面分类来确定运载工具行为，例如，基于表面分类来确定最高速率。如图13C所示，表面分类器1322将表面分类提供给运动规划器1306和运动预测器1328。

在实施例中，运动预测器1328被配置为基于从表面分类器1322接收到的表面的分类来预测表面附近或正在表面上行驶的另一运载工具的行为。在一个示例中，使用已知运载工具行为、从共享动态表面地图1324接收到的其它运载工具行为反馈和/或从传感器1302接收到的所捕获的其它运载工具的运载工具行为来训练运动预测器1328以预测其它运载工具的行为。更具体地，运动预测器1328可以实现诸如监督学习和增强学习等的一个或多个机器学习算法。在这样的示例中，可以使用已知运载工具行为、其它运载工具行为反馈和/或所捕获的其它运载工具的运载工具行为来训练运动预测器1328。在另一示例中，运动预测器1328通过将观察到的运载工具在表面附近或正在表面上驾驶的情况下如何表现与运载工具在历史上曾如何表现进行比较来预测另一运载工具的行为。如图13C所示，运动预测器1328将预测的运载工具行为提供给运动规划器1306。

在实施例中，运动规划器1306被配置为基于从表面分类器1322接收到的表面分类和/或从运动预测器1328接收到的预测的运载工具行为来确定运载工具行为。更具体地，运动规划器1306基于表面分类和表面的可驾驶性属性来确定运载工具行为。然后，运动规划器1306基于表面的可驾驶性属性和/或表面附近或正在表面上驾驶的另一运载工具的预测的运载工具行为来确定运载工具行为。作为示例，运动规划器1306确定使得运载工具在下雪期间在其它运载工具的踪迹上驾驶的运载工具行为(例如，使摩擦力最大化并且使失去控制的风险最小化)。作为另一示例，运动规划器1306基于具有相同或类似的可驾驶性属性的表面上的历史运载工具行为来确定运载工具行为。作为又一示例，运动规划器1306确定跟随或避开正对表面起作用的另一运载工具的运载工具行为。在一些示例中，运动规划器1306还确定与大于同当前运载工具行为相关联的当前安全或性能值的安全或性能值相关联的运载工具行为。运动规划器1306向控制器1308提供运载工具运动。

在实施例中，控制器1308之后基于所确定的运载工具行为来控制运载工具。如图13C所示，控制器1308还将反馈发送到表面分类器1322。此外，控制器1308将表面属性反馈和/或运载工具行为反馈发送到共享动态表面地图1324。在一些示例中，控制器1308将运载工具行为反馈发送到运动规划器1306。

图14示出用于表面引导的决策制定的处理1400的流程图。例如，该处理可以由图13A的系统1300、图13B的系统1310或图13C的系统1320执行。从运载工具的至少一个传感器(例如，照相机、[图6、图7和图8所述的]LiDAR、雷达或地点传感器)接收(1402)与沿着运载工具要行驶的路径的表面相关联的传感器数据(例如，表面的图像、表面的扫描、或表面的地点)。

使用表面分类器基于传感器数据来确定(1404)表面的分类(例如，表面的类型或表面上的材料，诸如雪、冰、沙、化学品[例如，油或油漆]、鹅卵石、岩石、沙土或改变表面的可驾驶性的任意其它材料等)。基于表面的分类来确定(1406)表面的可驾驶性属性(诸如，摩擦力、牵引力、道路抓地力、阻力、滚动阻力、障碍等)。

在1408处，基于表面的可驾驶性属性来规划正在表面附近或在表面上驾驶的情况下的运载工具的行为。该行为的示例包括：确定考虑可驾驶性属性的运动，基于具有相同或类似的可驾驶性属性的表面上的先前运载工具(运载工具或另一运载工具)运动来确定运动，基于表面上驾驶的另一运载工具的预测的运动来确定运动，在下雪或下雨的情况下跟随道路上的现有踪迹，避开流冰区，降低速率，在车道内偏斜，改变车道以避开障碍物，定义新的中央车道(基线)路径，以增加部分被雪覆盖的路面上的摩擦力、在受损路段降低速率/扭矩、跟随或避开正对表面起作用的另一运载工具。在1410处，基于运载工具的行为来控制运载工具。

在一些实现中，基于表面分类来确定表面的可驾驶性属性涉及生成表面地图，该表面地图包括以下至少之一：表面的几何描述的列表和运载工具的路径上的可驾驶性属性的分布。

在一些实现中，表面分类包括已知表面，并且基于表面分类来确定表面的可驾驶性属性涉及从数据库获得与已知表面相关联的可驾驶性属性。

在一些实现中，表面分类是未知表面，并且基于表面分类来确定表面的可驾驶性属性涉及：从数据库确定未知表面的标签中所包括的传感器测量结果，其中传感器测量结果是与未知表面相关联的历史传感器测量结果；以及基于传感器测量结果来确定未知表面的可驾驶性属性。

在一些实现中，历史传感器测量结果由运载工具测量或从另一运载工具接收到。

在一些实现中，基于表面的可驾驶性属性来规划正在表面附近或表面上驾驶的情况下的运载工具的行为涉及：基于可驾驶性属性来确定与大于同当前运载工具运动相关联的当前安全或性能值的安全或性能值相关联的运载工具运动。

在一些实现中，表面是第一表面，并且基于表面的可驾驶性属性来规划正在表面附近或表面上驾驶的情况下的运载工具的行为涉及：确定在具有与第一表面的可驾驶性属性类似的属性的第二表面上进行的历史运载工具运动。

在一些实现中，运载工具是第一运载工具，并且基于表面的可驾驶性属性来规划正在表面附近或表面上驾驶的情况下的运载工具的行为涉及：检测第一运载工具附近的第二运载工具；基于表面的可驾驶性属性来确定第二运载工具的预期运动；以及基于第二运载工具的预期运动来确定第一运载工具的行为。

在一些实现中，表面分类器从至少一个传感器接收在运载工具驶过表面的情况下所进行的传感器测量结果。

在一些实现中，表面分类是已知表面分类，并且处理1400还涉及基于传感器测量结果来更新与表面分类相关联的分类器。

在一些实现中，表面分类是未知表面，并且其中处理1400还涉及将传感器测量结果添加到与未知表面相关联的标签。

在一些实现中，处理1400还涉及从共享动态数据库接收路面分类信息和已知表面属性信息其中至少之一。

在一些实现中，运载工具是第一运载工具，并且方法1400还涉及使用至少一个传感器来捕获正在表面上驾驶的第二运载工具的运动。

在一些实现中，处理1400还涉及向共享动态数据库发送以下至少之一：在运载工具在表面上驾驶的情况下的表面属性反馈和运载工具运动反馈。

在先前描述中，已经参考许多具体细节描述了本发明的实施例，这些具体细节可因实现而不同。因此，说明书和附图应被视为说明性的，而非限制性意义的。本发明范围的唯一且排他的指示、以及申请人期望是本发明范围的内容是以授权公告权利要求书的具体形式从本申请发布的权利要求书的字面和等同范围，包括任何后续修正。本文中明确阐述的用于被包括在此类权利要求中的术语的任何定义应当以此类术语如在权利要求书中所使用的意义为准。另外，当在先前的说明书或所附权利要求书使用术语“还包括”时，该短语的下文可以是附加的步骤或实体、或先前所述的步骤或实体的子步骤/子实体。