开环与闭环混合路径规划系统与方法

背景技术

现代车辆至少有一台车载计算机，并具有互联网/卫星连接。在这些车载计算机上运行的软件监测和/或控制车辆的操作。车辆还包括单目或立体摄像机和/或激光雷达探测器，用于检测其附近的对象。摄像机捕捉场景的图像。激光雷达探测器产生激光雷达数据集，在多个不同的时间测量从车辆到对象的距离。这些图像和距离测量可以用于检测和跟踪对象的运动，对对象的轨迹进行预测，并基于对象的预测轨迹规划车辆的行驶路径。车辆在穿过道路时应向打算穿过道路的对象(例如行人和其他动物)让行。

典型的车辆分层路径规划系统通常具有路径规划器系统，其规划从给定起点开始的轨迹以供路径跟随器系统跟随。路径规划问题经常被周期性地重复，使得可以随着从车辆的感知/跟踪/预测系统得到新信息而更新计划，并且还可以考虑路径跟随/物理车辆系统中使其不能完全跟随规划的行驶路径的误差。路径规划问题可以从两个起点生成路径规划：(1)估计的车辆的实际车辆状态(例如，位置/速度/加速度/其他信息)；以及(2)由先前的轨迹所描述的车辆的预期车辆状态(例如位置/速度/加速度/其他信息)。

方法(1)在本文中被称为闭环规划，因为路径规划器系统通过将状态反馈结合在其规划中来对车辆的估计状态进行“闭环”。如果路径规划器系统是隐藏的(即，生成计划需要相当长的时间)，则闭环规划过程可以从计划发布执行时车辆可能处于的状态开始。一种说明性的闭环规划方法在以下文件中进行了描述：2020年10月15日递交并于2022年4月21日以专利公开号2022/0121201公开的专利申请序列号为17/071,140的美国申请(“‘140申请”)。这些专利文件的全部内容通过引用合并于此。所有闭环规划方法的共同点是：测量值告知车辆状态(位置/速度/加速度)的估计值，从车辆状态的估计值开始规划。

方法(2)在本文中被称为开环规划，因为路径规划器系统在识别其初始规划状态时不利用来自车辆实际状态的反馈(测量)。先前的轨迹包括车辆的规划空间路径，包括随着时间的推移，车辆应该沿着该路径走多远。

然后将路径规划器系统生成的计划(轨迹)发布到路径跟随器系统。路径跟随器系统向车辆平台发布纵向和横向命令(例如，纵向扭矩请求和/或方向盘角度请求)，试图沿着轨迹准确地引导车辆。路径跟随器系统：(a)相对于轨迹估计车辆的状态(其中估计状态和期望状态(由轨迹所描述)之间的误差称为控制误差)；和(b)利用闭环控制器来发出命令以试图减小控制误差。路径跟随器系统通常将以比路径规划器系统更高的频率(例如，更频繁)执行。

开环规划方法和闭环规划方法都有其优点(或优势)和缺点(或不足)。关于开环规划，当车辆没有完全遵循发布的轨迹时，会产生控制误差。这是因为估计的车辆状态和预期的车辆状态不同。则生成的轨迹将从车辆状态偏移，路径跟随器系统通过闭环控制策略来努力减小由此产生的控制误差。通常预计由于干扰车辆不会完全遵循发布的轨迹。干扰可能包括：外部干扰，例如：阵风、湿滑路面；以及车型不匹配，例如：车辆动力总成的表现不完全符合预期。

开环规划方法的优点包括允许产生控制误差的能力，这激励路径跟随器系统增加对车辆平台的驱动请求，以最大限度地减小这种控制误差。如果控制误差是由干扰引起的，则路径跟随器系统将努力纠正或“克服”这种干扰。这在控制理论中被称为“干扰鲁棒性”。如果观察到意外的大控制误差，则很明显车辆无法沿着期望路径行驶。然后可以执行缓解策略，例如安全地停止车辆。

由于路径跟随器系统有责任对上述干扰保持鲁棒性，因此路径规划器无需考虑这些干扰。这在车辆系统的设计验证过程中尤其重要。换句话说，对这些干扰的鲁棒性只需要在软件堆栈的路径跟随器级别进行测试。路径规划堆栈可以在不考虑这些干扰的情况下进行验证，这大大减少了验证负担。路径规划和以下系统的验证可以单独处理。

开环规划方法的缺点包括当控制误差变得足够大时，车辆的规划路径和车辆实际实现的路径之间存在显著差异。这可能是有问题的，因为规划的路径可能会避免与其他对象(道路边界、静态障碍物、动态障碍物)相交，但车辆将执行的实际路径可能会与这些其他对象相交。

如果控制误差变得足够大，那么遵循开环规划轨迹可能是不可行的。例如，如果车辆正在转弯但遇到意想不到的冰并开始滑行，最好的做法可能是规划在直行时停止，而不是继续尝试进行不可行的转弯。由于开环规划器没有根据估计的实际车辆状态进行规划，因此无法生成此类应急计划。

关于闭环规划，闭环规划器生成在车辆估计状态下启动的计划(轨迹)。换言之，当路径跟随器开始作用时，闭环规划通过尝试将轨迹放置在车辆将处于的状态来明确地将控制误差降至最低。如果干扰导致车辆偏离先前发布的轨迹，闭环规划器发布的下一条轨迹将“移动”到接近车辆的当前状态。

闭环规划方法的优点包括始终在接近车辆实际状态的情况下启动轨迹。实际上，轨迹是对车辆实际将如何沿着轨迹行驶的最佳猜测。这样，如果闭环规划轨迹避免了与物体(道路边界、静态障碍物、动态障碍物)的冲突，那么车辆在遵循路径时也将有可能避免这种冲突。如果非常大的干扰(例如，在意想不到的冰上滑动)将车辆推离预期路径，则闭环规划将在给定车辆实际状态的情况下继续提供最可行的路径。这将使车辆能够从这种干扰事件中正常恢复。

闭环规划方法的缺点包括最小化控制误差，而不论路径跟随器和车辆平台相对于规划的路径如何执行。通过这种方式，路径跟随器不能单独拒绝干扰。在拒绝此类干扰时，路径规划器是反馈回路的一部分。这意味着，如果干扰将推动车辆离开规划的路径并朝向障碍物，路径规划器必须越来越多地规划引导车辆远离障碍物的“僵硬(stiff)”路径。这样，仅验证路径跟随器对干扰的鲁棒性是不够的。在这种情况下，必须测试完整的路径规划和路径跟随软件堆栈。这大大增加了软件堆栈的设计验证负担，因为路径规划器根据情景做出不同的响应(例如，与干扰将车辆推向空地相比，如果干扰将车辆推向障碍物，它的反应将更加僵硬)。路径规划器和路径跟随器的联合验证的组合性质可能是棘手的。在不产生控制误差的情况下，确定路径跟随器和车辆平台是否如预期那样执行是复杂的。例如，没有直接的指标来了解车辆是否意外向左偏置。

本文描述了旨在解决上述问题和/或其他问题的方法和系统。

发明内容

本公开涉及用于车辆路径规划的实施系统和方法。该方法包括：通过计算设备执行以下操作：基于传感器数据估计车辆的当前状态；生成表示估计的车辆的当前状态与由先前发布的轨迹所描述的车辆的期望状态之间的差的控制误差；将控制误差与阈值进行比较；当控制误差低于阈值时，使用开环路径规划方法来为车辆生成第一计划，或者当控制误差高于阈值时，使用闭环路径规划方法来为车辆生成第二计划；以及使车辆执行第一计划或第二计划。

实施系统可以包括：处理器；以及包括编程指令的非暂时性计算机可读存储介质，编程指令被配置为使处理器实施用于操作自动化系统的方法。上述方法还可以由计算机程序产品来实施，该计算机程序产品包括存储器和被配置为使处理器执行操作的编程指令。

附图说明

本文中包含的附图构成说明书的一部分。

图1是说明性系统的示意图。

图2是用于车辆的说明性架构的示意图。

图3是说明性计算设备的示意图。

图4提供了说明性车辆轨迹规划过程的框图。

图5提供了根据开环和闭环混合方法进行车辆路径规划的说明性方法的流程图。

图6提供了说明性开环路径规划过程的流程图。

图7提供了用于得出关于车辆进行正常操作是否可接受的结论的说明性方法的流程图。

图8提供了说明性闭环路径规划过程的流程图。

图9提供了用于车辆路径规划的说明性方法的流程图。

在附图中，相似的附图标记通常表示相同或相似的元件。此外，通常情况下，附图标记最左边的数字表示附图标记首次出现的附图。

具体实施方式

如上所述，开环车辆轨迹规划方法和闭环车辆轨迹规划方法有优点也有缺点。本发明的方案提供了一种开环/闭环混合技术，该技术改进了自主车辆(AV)的轨迹规划，同时获得了两种方法的优点并避免了两种方法的缺点。这允许更简单的车辆设计验证策略，因为开环规划方法的优点可以被利用。本发明的方案提高了AV检测何时由于干扰而未按预期执行的能力并且在检测到这种情况时以舒适、安全且有效的方式停止。因此，与使用开环规划器或闭环规划器的传统自主车辆相比，AV更能克服意外干扰(例如，冰块和/或爆胎)。

本发明的方案总体上涉及用于改进车辆轨迹规划的实施系统和方法。方法包括：获取传感器数据和发布的车辆轨迹；基于传感器数据来估计车辆的当前状态；生成控制误差，控制误差表示估计的车辆的当前状态与由先前发布的轨迹所描述的车辆的期望状态之间的差；将控制误差与阈值进行比较；当控制误差低于阈值时，使用开环路径规划方法来为车辆生成第一计划，或者当控制误差高于阈值时，使用闭环路径规划方法来为车辆生成第二计划；和/或使车辆执行第一计划或第二计划。

在一些场景中，方法还包括通过计算设备执行以下操作：基于车辆受到的干扰的特性得出车辆进行正常操作可接受还是不可接受的结论。当干扰包括(i)导致异常大的控制误差(即，控制误差大于预期值一预定义的量)的临时严重干扰和/或(ii)导致车辆无法实现标称性能的持续干扰时，计算设备可以得出进行正常操作不可接受的结论。当计算设备得出车辆进行正常操作不可接受的结论时，第二计划可以旨在使车辆停止。

当干扰包括影响车辆性能但车辆性能预计将在给定的时间内恢复到标称值的临时轻度干扰时，计算设备可以得出进行正常操作可接受的结论。本文使用的术语“标称值”和“标称性能”是指设备设计运行的运行水平。本文使用的短语“恢复到标称值”指的是运行转变成或以其他方式返回设备设计运行的水平。术语“临时轻度干扰”是指持续有限时间或小于预定义的持续时间(例如，小于或等于30秒)的干扰。临时轻度干扰可与持续轻度干扰区分开来。术语“持续轻度干扰”是指持续时间较长(例如，超过30秒)的干扰。临时轻度干扰可包括但不限于侧阵风。持续轻度干扰可以包括但不限于轮胎气压低。轻度干扰不包括严重干扰。严重干扰可能导致异常大的控制误差(即，控制误差大于预期值一预定义的量)和/或导致车辆无法实现标称性能。严重干扰可能是临时的，也可能是持续的。临时严重干扰是指在有限的时间内(例如，小于或等于30秒)出现的干扰。持续严重干扰是指持续较长时间(例如，超过30秒)的干扰。临时严重干扰可以包括但不限于冰块。持续严重干扰可以包括但不限于轮胎爆胎。第二计划可以被配置为当计算设备得出车辆进行正常操作可接受的结论时，使车辆在停止或不停止的情况下继续行驶。

本发明的方案的上述混合方法实现了开环和闭环规划生成方法二者的优点，同时避免了这些方法的缺点。最终的结果是一种路径规划架构，它对标称或短持续时间的干扰具有鲁棒性，对严重或长持续时间的干扰具有鲁棒性(同时允许通过停止车辆来进行其检测和缓解)，并且比闭环规划系统更容易验证。

本文中使用的单数形式“一”、“一个”和“该”包括复数形式，除非上下文另有明确规定。除非另有定义，否则本文中使用的所有技术和科学术语与本领域普通技术人员通常理解的含义相同。在本文中使用的术语“包含”是指“包括但不限于”。与本文相关的附加术语的定义包含在具体实施方式的末尾。

“电子设备”或“计算设备”是指包括处理器和存储器的设备。每个设备可以具有其自己的处理器和/或存储器，或者处理器和/或者存储器可以与如虚拟机或容器布置中的其他设备共享。存储器将包含或接收编程指令，该编程指令在由处理器执行时使电子设备根据编程指令执行一个或多个操作。

术语“存储器”、“存储器设备”、“数据存储”、“数据存储设备”等均指存储计算机可读数据、编程指令或两者的非暂时性设备。除非另有特别说明，否则术语“存储器”、“存储器设备”、“数据存储”、“数据存储设备”等旨在包括单个设备实施例、多个存储器设备一起或共同存储一组数据或指令的实施例、以及这些设备内的单个扇区。

术语“处理器”和“处理设备”是指被配置为执行编程指令的电子设备的硬件组件。除非另有特别说明，否则单数术语“处理器”或“处理设备”旨在包括单个处理设备实施例和多个处理设备一起或共同执行过程的实施例。

术语“车辆”是指能够承载一名或多名乘客和/或货物并由任何形式的能量提供动力的任何移动形式的运输工具。术语“车辆”包括但不限于轿车、卡车、货车、火车、自主车辆、半自主车辆、手动操作车辆、遥控车辆、船只、飞机、无人机等。“自主车辆”(或“AV”)是指具有处理器、编程指令和传动系部件的车辆，传动系部件可由处理器控制，无需人工操作。自主车辆可以是完全自主的，对于大多数或所有的驾驶条件和功能，不需要人工操作，或者，自主车辆可以是半自主的，在某些条件下或对于某些操作，可能需要人工操作，或者人工操作可以超驰车辆的自主系统并且可以承担车辆的控制。

在本文中，当使用“第一”和“第二”等术语来修饰名词时，这种使用只是为了区分一个物品和另一个物品，除非特别说明，否则不旨在要求顺序。此外，“垂直”和“水平”或“前部”和“后部”等相对位置的术语在使用时，旨在相对于彼此而言，而不必是绝对的，并且仅指与这些术语相关联的取决于设备方位的设备的一个可能位置。

值得注意的是，本文在自主车辆的背景下描述了本发明的方案。然而，本发明的方案并不局限于自主车辆应用。本发明的方案可以用于其他应用，例如机器人应用(例如控制关节臂的运动)和/或系统性能应用。

图1示出了根据本公开各方面的示例系统100。系统100包括车辆102，车辆102以半自主或自主的方式沿着道路行驶。车辆102在本文中也被称为AV 102。AV 102可以包括但不限于陆地车辆(如图1所示)、飞机、船只、潜艇、航天器、无人机和/或铰接臂(例如，在自由端具有夹具)。如上所述，除非特别指出，否则本公开不一定局限于AV实施例，并且在一些实施例中它可以包括非自主车辆。

AV 102通常被配置为检测其附近的对象103、114、116。对象可以包括但不限于车辆103、骑车人114(例如自行车、电动滑板车、摩托车等的骑车人)和/或行人116。

如图1所示，AV 102可以包括传感器系统118、车载计算设备122、通信接口120和用户界面124。AV 102还可以包括包括在车辆中的某些部件(例如，如图2中所示)，这些部件可以由车载计算设备122使用各种通信信号和/或命令来控制，例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。

如图2所示，传感器系统118可以包括一个或多个传感器，这些传感器被连接到AV102和/或被包括在AV 102内。例如，这样的传感器可以包括但不限于激光雷达系统、无线电探测和测距(RADAR，下文称为雷达)系统、激光探测和测距(LADAR)系统、声音导航和测距(SONAR，下文称为声纳)系统、摄像机(例如，可见光谱摄像机、红外摄像机等)、温度传感器、位置传感器(例如，全球定位系统(GPS)等)、定位传感器、燃料传感器、运动传感器(例如，惯性测量单元(IMU)、轮速传感器等)、湿度传感器、占用传感器和/或其他。传感器通常被配置为生成传感器数据。传感器数据可以包括描述对象在AV 102的周围环境内的位置的信息、关于环境本身的信息、关于AV 102的运动的信息、关于车辆的路线的信息和/或其他。当AV102在表面(例如，道路)上行进时，至少一些传感器可以收集与表面有关的数据。

如将更详细描述的，AV 102可以配置有激光雷达系统(例如，图2的激光雷达系统264)。激光雷达系统可以被配置为发射光脉冲104，以检测位于AV 102的距离或距离范围内的对象。光脉冲104可以入射在一个或多个对象(例如，AV 103)上，并被反射回激光雷达系统。入射到激光雷达系统上的反射光脉冲106可以被处理以确定该对象到AV 102的距离。在一些情况下，可以使用光电探测器或光电探测器阵列来检测反射光脉冲106，该光电探测器或光电探测器阵列被定位和配置为接收反射回激光雷达系统的光。激光雷达信息，例如检测到的对象数据，从激光雷达系统传送到车载计算设备122。AV 102还可以通过网络108将激光雷达数据传送到远程计算设备110(例如，云处理系统)。计算设备110可以配置有一个或多个服务器来处理本文所述技术的一个或多个过程。计算设备110还可以被配置为通过网络108传送去往/来自AV 10的数据/指令、传送去往/来自服务器和/或数据库112的数据/指令。

应该注意的是，用于收集与表面有关的数据的激光雷达系统可以包括在AV 102以外的系统中，例如但不限于其他车辆(自主或被驾驶的)、机器人、卫星等。

网络108可以包括一个或多个有线或无线网络。例如，网络108可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一种类型的下一代网络等)。网络还可以包括公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如，公共交换电话网络(PSTN))、专用网络、自组织网络、内联网、互联网、基于光纤的网络、云计算网络等，和/或这些或其他类型的网络的组合。

AV 102可以检索、接收、显示和编辑从本地应用程序生成的或通过网络108从数据库112传递的信息。数据库112可以被配置为存储和提供原始数据、索引数据、结构化数据、地图数据、程序指令或已知的其他配置。

通信接口120可被配置为允许AV 102和外部系统之间的通信，外部系统例如是外部设备、传感器、其他车辆、服务器、数据存储、数据库等。通信接口120可以使用任何现在或以后已知的协议、保护方案、编码、格式、封装等，例如但不限于Wi-Fi，红外链路、蓝牙等。用户界面124可以是在AV 102内实现的外围设备的一部分，包括例如键盘、触摸屏显示设备、麦克风和扬声器等。车辆还可以经由通信接口120在诸如已知为车辆对车辆、车辆对对象或其他V2X通信链路的通信链路上接收关于其环境中的设备或对象的状态信息、描述信息或其他信息。术语“V2X”是指车辆与车辆在其环境中可能遇到或影响的任何对象之间的通信。

如上所述，AV 102可以检测其附近的对象103、114、116。使用由传感器系统118生成的传感器数据(例如，由车载激光雷达检测器生成的激光雷达数据集)来促进这样的对象检测。传感器数据由AV 102的车载计算设备122和/或由远程计算设备110处理，以在给定传感器的情况下获取对象的一个或多个预测轨迹。对象的预测轨迹然后可以用于生成AV 102的轨迹。然后，车载计算设备可以使AV 103遵循该轨迹。

图2示出了根据本公开各方面的用于车辆的系统架构200。图1的车辆102和/或103可以具有与图2所示相同或相似的系统架构。因此，以下对系统架构200的讨论足以理解图1的车辆102、103。然而，其他类型的车辆被认为在本文所描述的技术的范围内，并且可以包含如结合图2所描述的更多或更少的元件。作为非限制性示例，空中车辆可以不包括制动器或挡位控制器，但可以包括海拔高度传感器。在另一个非限制性示例中，基于水的车辆可以包括深度传感器。本领域技术人员将理解，基于已知的车辆类型，可以包括其他推进系统、传感器和控制器。

如图2所示，系统架构200包括发动机或马达202和用于测量车辆各种参数的各种传感器204-218。在具有燃料动力发动机的燃气动力或混合动力车辆中，传感器可以包括例如发动机温度传感器204、电池电压传感器206、发动机每分钟转数(RPM)传感器208和节气门位置传感器210。如果车辆是电动或混合动力车辆，那么车辆可以具有电动马达，并且相应地将具有电池监测系统212(用于测量电池的电流、电压和/或温度)、马达电流传感器214和马达电压传感器216、以及马达位置传感器218(例如解析器和编码器218)之类的传感器。

这两种类型的车辆通用的操作参数传感器包括，例如：位置传感器236，例如加速度计、陀螺仪和/或惯性测量单元；速度传感器238；以及里程计传感器240。车辆还可以具有时钟242，系统使用该时钟来确定操作期间的车辆时间。时钟242可以被编码到车载计算设备220中，它可以是单独的设备，或者可以有多个时钟。

车辆还将包括各种传感器，这些传感器用于收集有关车辆行驶环境的信息。这些传感器可以包括，例如，定位传感器260(例如，GPS设备)；对象检测传感器(例如一个或多个摄像机262)；激光雷达传感器系统264；和/或雷达和/或声纳系统266。传感器还可以包括环境传感器268，例如降水传感器和/或环境温度传感器。对象检测传感器可以使车辆能够在任何方向上在车辆的给定距离范围内检测对象，而环境传感器收集关于车辆行驶区域内的环境条件的数据。

在操作过程中，信息从传感器传递到车辆车载计算设备220。车辆车载计算设备220可以使用图4的计算机系统来实现。车辆车载计算设备220分析由传感器捕获的数据，并且可选地基于分析结果控制车辆的操作。例如，车辆车载计算设备220可以通过制动控制器222控制制动；经由转向控制器224控制方向；经由节气门控制器226(在燃气动力车辆中)或马达速度控制器228(例如电动车辆中的电流水平控制器)控制速度和加速度；控制差速齿轮控制器230(在具有变速器的车辆中)；和/或控制其他控制器。辅助设备控制器254可以被配置为控制一个或多个辅助设备，例如测试系统、辅助传感器、由车辆运输的移动设备等。

地理位置信息可以从位置传感器260传送到车辆车载计算设备220，然后车载计算设备可以访问与位置信息相对应的环境地图，以确定环境的已知固定特征，例如街道、建筑物、停止标志和/或停/走信号。从摄像机262捕获的图像和/或从诸如激光雷达系统264之类的传感器捕获的对象检测信息从这些传感器传送到车辆车载计算设备220。对象检测信息和/或捕获的图像由车辆车载计算设备220处理，以检测车辆附近的对象。用于基于传感器数据和/或捕获的图像进行对象检测的任何已知或将要已知的技术都可以用于本文公开的实施例中。

激光雷达信息从激光雷达系统264传送到车辆车载计算设备220。此外，所捕获的图像从摄像机262传送到车辆车载计算设备220。激光雷达信息和/或捕获的图像由车辆车载计算设备220处理，以检测车辆附近的对象。车辆车载计算设备220进行对象检测的方式包括本公开中详细描述的这种功能。

此外，系统架构200可以包括车载显示设备270，车载显示设备可以生成并输出接口，在该接口上，传感器数据、车辆状态信息或由本文中描述的过程生成的输出被显示给车辆的乘员。显示设备可以包括以音频格式呈现这种信息的音频扬声器，或者单独的设备可以是以音频格式呈现这种信息的音频扬声器。

车辆车载计算设备220可以包括路由控制器232和/或可以与路由控制器232通信，路由控制器232为自主车辆生成从起始位置到目的地位置的导航路线。路由控制器232可以访问地图数据存储以识别车辆可以行驶以从起始位置到达目的地位置的可能路线和路段。路由控制器232可以对可能的路线进行评分，并识别到达目的地的优选路线。例如，路由控制器232可以生成导航路线，该导航路线使路线期间行进的欧几里得距离或其他成本函数最小化，并且还可以访问可能影响在特定路线上行进所花费的时间量的交通信息和/或估计。根据实现方式，路由控制器232可以使用各种路由方法生成一个或多个路线，例如Dijkstra算法、Bellman-Ford算法或其他算法。路由控制器232还可以使用交通信息来生成反映路线的预期条件的导航路线(例如，一周中的当前日期或一天中的当前时间等)，使得为高峰时段的行程而生成的路线可以不同于为深夜的行程而生成的路线。路由控制器232还可以生成到目的地的一条以上的导航路线，并且将这些导航路线中的一条以上的路线发送给用户以供用户从各种可能的路线中进行选择。

在一些场景中，车辆车载计算设备220可以确定车辆周围环境的感知信息。基于由一个或多个传感器提供的传感器数据和所获取的位置信息，车辆车载计算设备220可以确定车辆周围环境的感知信息。感知信息可以表示普通驾驶员在车辆周围环境中将感知到的东西。感知数据可以包括与车辆环境中的一个或多个对象有关的信息。例如，车辆车载计算设备220可以处理传感器数据(例如，激光雷达数据、雷达数据、摄像机图像等)，以便识别车辆环境中的对象和/或特征。对象可以包括但不限于交通信号、道路边界、其他车辆、行人和/或障碍物。车辆车载计算设备220可以使用任何现在或以后已知的对象识别算法、视频跟踪算法和计算机视觉算法(例如，在多个时间段内逐帧迭代地跟踪对象)来确定感知。

在这些或其他场景中，车辆车载计算设备220还可以为环境中的一个或多个识别的对象确定对象的当前状态。状态信息可以包括但不限于每个对象的：当前位置；当前速度；加速度；当前航向；当前姿势；当前形状、尺寸和/或占地面积；对象类型或分类(例如，车辆、行人、自行车、静态对象或障碍物)；和/或其他状态信息。

车辆车载计算设备220可以执行一个或多个预测和/或预报操作。例如，车辆车载计算设备220可以预测一个或多个对象的未来位置、轨迹和/或动作。例如，车辆车载计算设备220可以至少部分地基于感知信息(例如，每个对象的状态数据，包括如下所述确定的估计形状和姿态)、定位信息、传感器数据、和/或描述对象、车辆、周围环境和/或它们的关系的过去和/或当前状态的任何其他数据预测对象的未来位置、轨迹和/或动作。例如，如果对象是车辆并且当前驾驶环境包括交叉口，则车辆车载计算设备220可以预测对象是否可能直线向前移动或转弯。如果感知数据指示交叉口没有红绿灯，则车辆车载计算设备220还可以预测车辆是否必须在进入交叉口之前完全停止。

在这些或其他场景中，车辆车载计算设备220可以确定车辆的运动规划。例如，车辆车载计算设备220可以基于感知数据和/或预测数据来确定车辆的运动规划。具体地，给定关于邻近对象的未来位置的预测和其他感知数据，车辆车载计算设备220可以确定车辆的运动规划，该运动规划相对于对象在其未来位置处最佳地导航车辆。

在这些或其他场景中，车辆车载计算设备220可以接收预测并做出关于如何处理车辆环境中的对象和/或行动者的决定。例如，对于特定的行动者(例如，具有给定速度、方向、转弯角度等的车辆)，车辆车载计算设备220基于例如交通状况、地图数据、自主车辆的状态等来决定是否超车、让行、停止和/或通过。此外，车辆车载计算设备220还规划车辆在给定路线上行驶的路径，以及驾驶参数(例如，距离、速度和/或转弯角度)。也就是说，对于给定的对象，车辆车载计算设备220决定如何处理该对象并确定具体如何操作。例如，对于给定对象，车辆车载计算机设备220可以决定通过该对象，并可以确定是从对象的左侧还是右侧通过(包括速度等运动参数)。车辆车载计算设备220还可以评估检测到的对象与车辆之间发生碰撞的风险。如果风险超过可接受的阈值，则可以确定在车辆遵循定义的车辆轨迹和/或在一段时间(例如，N毫秒)内执行一个或多个动态生成的紧急机动的情况下是否可以避免碰撞。如果可以避免碰撞，则车辆车载计算设备220可以执行一个或多个控制指令以执行谨慎的机动(例如，稍微减速、加速、变道或转弯)。相反，如果不能避免碰撞，则车辆车载计算设备220可以执行一个或多个控制指令以执行紧急机动(例如，制动和/或改变行进方向)。

如上所述，生成关于车辆运动的规划和控制数据以供执行。车辆车载计算设备220可以例如经由制动控制器控制制动；经由转向控制器控制方向；经由节气门控制器(在燃气动力车辆中)或马达速度控制器(例如电动车辆中的电流水平控制器)控制速度和加速度；经由差速齿轮控制器控制换挡(在配备变速器的车辆中)；和/或经由其他控制器控制其他操作。

例如，可以使用一个或多个计算机系统(例如图3所示的计算机系统300)来实施本发明的方案。计算机系统300可以是能够执行本文所描述的功能的任何计算机。图1的车载计算设备122、图1的计算设备110、图1中的机器人设备152、图1的移动通信设备156和/或图2所示的车辆车载计算设备220可以与计算系统300相同或相似。因此，对计算系统300的讨论足以理解图1-2的设备110、122、152、156和220。

计算系统300可以包括比图3中所示的部件更多或更少的部件。然而，所示的部件足以公开实现本发明的方案的说明性方案。图3的硬件架构表示被配置为操作车辆的代表性计算系统的一种实现方式，如本文所述。这样，图3的计算系统300实现本文所描述的方法的至少一部分。

计算系统300的一些或所有部件可以实现为硬件、软件和/或硬件和软件的组合。硬件包括但不限于一个或多个电子电路。电子电路可以包括但不限于无源部件(例如电阻器和电容器)和/或有源部件(例如放大器和/或微处理器)。无源和/或有源部件可以被适配、布置和/或编程为执行本文所述的方法、过程或功能中的一个或多个。

计算机系统300包括一个或多个处理器(也称为中央处理单元或CPU)，例如处理器304。处理器304连接到通信基础设施或总线302。一个或多个处理器304中的每一个可以是图形处理单元(GPU)。在某些情况下，GPU是一种处理器，是专门用于处理数学密集型应用程序的电子电路。GPU可以具有并行结构，该并行结构对于大数据块的并行处理是有效的，例如计算机图形应用、图像、视频等常见的数学密集型数据。

计算机系统300还包括用户输入/输出设备316，例如监视器、键盘、指示设备等，它们通过用户输入/输出接口308与通信基础设施302通信。计算机系统300还包括主存储器或主要存储器306，例如随机存取存储器(RAM)。主存储器306可以包括一个或多个级别的高速缓存。主存储器306中存储有控制逻辑(即计算机软件)和/或数据。

计算机系统300可以提供一个或多个副存储设备或存储器310。副存储器310可以包括例如硬盘驱动器312和/或可移动存储设备或驱动器314。可移动存储驱动器314可以是外部硬盘驱动器、通用串行总线(USB)驱动器、诸如小型闪存卡或安全数字存储器的存储卡、软盘驱动器、磁带驱动器、光盘驱动器、光存储设备、磁带备份设备和/或任何其他存储设备/驱动器。

可移动存储驱动器314可以与可移动存储单元318相互作用。可移动存储单元318包括计算机可用的或可读的存储设备，其上存储有计算机软件(控制逻辑)和/或数据。可移动存储单元318可以是外部硬盘驱动器、通用串行总线(USB)驱动器、诸如小型闪存卡或安全数字存储器的存储卡、软盘、磁带、光盘、DVD、光存储盘和/或任何其他计算机数据存储设备。可移动存储驱动器314以公知的方式从可移动存储单元314读取和/或向可移动存储设备314写入。

在一些场景中，副存储器310可以包括用于允许计算机系统300访问计算机程序和/或其他指令和/或数据的其他装置、工具或其他方法。这样的装置、工具或其他方法可以包括，例如，可移动存储单元322和接口320。可移动存储单元322和接口320的示例可以包括程序卡盒和卡盒接口(例如在视频游戏设备中发现的)、可移动存储芯片(例如EPROM或PROM)和相关插座、记忆棒和USB端口、存储卡和相关存储卡槽、和/或任何其他可移动存储单元和相关接口。

计算机系统300还可以包括通信或网络接口324。通信接口324使计算机系统300能够与远程设备、远程网络、远程实体等的任何组合(单独地和共同地由参考数字328参考)进行通信和交互。例如，通信接口324可以允许计算机系统300通过通信路径326与远程设备328通信，通信路径326可以是有线和/或无线的，并且可以包括LAN、WAN、互联网等的任何组合。控制逻辑和/或数据可以经由通信路径326传输到计算机系统300和从计算机系统300传输。

在一些场景中，包括存储有控制逻辑(软件)的有形的非暂时性计算机可用或可读介质的有形的非暂时性装置或制造品在本文中也被称为计算机程序产品或程序存储设备。这包括但不限于计算机系统300、主存储器306、副存储器310和可移动存储单元318和322，以及体现上述任意组合的有形制造品。当由一个或多个数据处理设备(例如计算机系统300)执行这样的控制逻辑时，使得这样的数据处理设备如本文所述地操作。

基于本公开中包含的教导，对于相关领域的技术人员来说，如何使用除图3所示之外的数据处理设备、计算机系统和/或计算机架构来制造和使用本发明的方案将是显而易见的。特别地，本发明的方案可以使用不同于本文所述的软件、硬件和/或操作系统实现来操作。

图4提供了有助于理解根据本发明的方案如何实现AV的运动或移动的框图。在框402-412中执行的所有操作都可以由车辆(例如，图1的AV 102)的车载计算设备(例如，图1的车载计算设备122和/或图2的车载计算设备220)执行。

在框402中，检测AV(例如，图1的AV 102)的位置。该检测可以基于从AV的定位传感器(例如图2的定位传感器260)输出的传感器数据来进行。该传感器数据可以包括但不限于GPS数据。检测到的AV的位置然后被传递到框406。

在框404中，在AV附近(例如，＜100+米)检测对象(例如，图1的车辆103)。该检测是基于从AV的摄像机(例如，图2的摄像机262)和/或AV的激光雷达系统(例如，图2的激光雷达系统264)输出的传感器数据进行的。例如，执行图像处理以检测图像中特定类别的对象(例如，车辆、骑车人或行人)的实例。图像处理/对象检测可以根据任何已知或将要已知的图像处理/对象检测算法来实现。

此外，在框404中为对象确定预测轨迹。在框404中，基于对象的类别、长方体几何形状、长方体航向和/或地图518的内容(例如，人行道位置、车道位置、车道行进方向、驾驶规则等)来预测对象的轨迹。随着讨论的进行，长方体几何形状和航向的确定方式将变得显而易见。此时，应当注意，使用各种类型的传感器数据(例如，2D图像、3D激光雷达点云)和矢量图418(例如，车道几何形状)来确定长方体几何形状和/或航向。基于长方体几何形状和航向预测对象轨迹的技术可以包括例如预测对象在与长方体的航向相同方向的线性路径上移动。预测的对象轨迹可以包括但不限于以下轨迹：由对象的实际速度(例如，1英里/小时)和实际行进方向(例如，向西)定义的轨迹；由对象的实际速度(例如，1英里/小时)和对象的另一个可能的行进方向(例如，在朝向AV的方向上，从对象的实际行进方向南、西南或X(例如，40°)度)定义的轨迹；由对象的另一可能速度(例如，2-10英里/小时)和对象的实际行进方向(例如，向西)定义的轨迹；和/或由对象的另一可能速度(例如，2-10英里/小时)和对象的另一可能行进方向(例如，在朝向AV的方向上，从对象的实际行进方向向南、西南或X(例如，40°)度)定义的轨迹。可能的行进速度和/或可能的行进方向可以针对与对象处于同一类别和/或子类别中的对象预先定义。再次需要注意的是，长方体定义了对象的完整范围和对象的航向。航向定义了对象前部指向的方向，因此提供了对象实际和/或可能行进方向的指示。

将指定对象的预测轨迹、长方体几何形状/航向的信息420提供给框406。在一些场景中，对象的分类也被传递到框406。在框406中，使用来自框402和404的信息来生成车辆轨迹。例如，使用长方体确定车辆轨迹的技术可以包括确定AV的轨迹，当对象在AV前面时，该轨迹将经过对象，长方体的航向与AV移动的方向一致，并且长方体具有大于阈值的长度。本发明的方案并不局限于这种情况的细节。可以基于来自框402的定位信息、来自框404的对象检测信息和/或地图信息414(其预先存储在车辆的数据存储中)来确定车辆轨迹420。地图信息414可以包括但不限于图1的道路地图160的全部或一部分。车辆轨迹420可以表示平滑路径，该平滑路径不具有将会给乘客带来不适的突然变化。例如，车辆轨迹由沿着道路的给定车道的行驶路径定义，在该道路的给定车道中，在给定的时间量内没有预测到对象行驶。车辆轨迹420随后被提供给框408。

在框408中，基于车辆轨迹420生成转向角和速度命令。转向角和速度命令被提供给用于车辆动力学控制的框410，即，转向角和速度命令使AV遵循车辆轨迹408。

图5提供了根据开环和闭环混合方法的用于车辆路径规划的说明性方法500的流程图。方法500可以至少部分地由车辆(例如，图1的车辆102)的车载计算设备(例如，图1的车载计算设备122和/或图2的车载计算设备220)和/或另一计算设备(如图1的服务器110和/或3的计算机系统300)执行。

方法500从502开始，继续到504，在504，计算设备获取由车辆的传感器(例如，图1的传感器系统118和/或图2的236-240、260-268)生成的传感器数据。传感器数据可以包括但不限于运动传感器数据(例如，车轮速度数据和/或IMU数据)、车辆位置数据、环境数据等。

在506，计算设备处理传感器数据以获取车辆的当前状态的估计。车辆的当前状态可以包括以两到六个自由度表示的一个或多个估计状态子值。估计状态子值可以包括但不限于车辆位置(例如，x坐标和y坐标)、方位(或横摆)、横摆率、俯仰率、侧倾率、纵向速度、横向速度、垂直速度、旋转速度、纵向加速度、横向加速度、竖直加速度、角加速度、沿着路径行进的纵向距离、横向偏移(即，车辆和空间路径之间的横向距离)、航向偏移(即车辆和空间路径之间的横摆偏移)和/或车辆部件状态(例如，致动器位置和/或电池电荷水平)。

接下来在508，计算设备从车载计算设备(例如图2的车载计算设备220)的数据存储(例如图3的存储器306和/或310)中获取先前发布的车辆轨迹。在510，计算设备使用先前发布的轨迹来生成控制误差。控制误差表示车辆的估计状态与由先前发布的轨迹所描述的车辆的期望状态之间的差。可以通过比较车辆的估计的当前状态值和车辆的期望状态值来生成控制误差。例如，估计的车辆纵向速度与期望的车辆纵向速度进行比较，估计的车辆纵向加速度与期望的车辆纵向加速度进行比较，沿路径行进的估计纵向距离与沿路径行进的期望纵向距离进行比较，估计的横向偏移可以可选地与期望的横向偏移进行比较，估计的车辆位置与期望的车辆位置进行比较，估计的横摆与期望的横摆进行比较，估计的横摆率与期望的横摆率进行比较，和/或估计的车辆方位与期望的车辆方位进行比较。本发明的方案不限于该示例的细节。例如，比较操作可以指定欧几里得/笛卡尔距离和/或Frenet坐标系中的差。

控制误差可以包括单个误差值E或一组误差值[e

C＝((w

其中w

在512，计算设备将控制误差与标称阈值thr

|v

其中v

如[512:是]所示，当控制误差值E等于或大于标称阈值、组合控制误差值C等于或大于标称阈值和/或该组控制误差值e

在图6中示出了示例性的开环路径规划过程600。过程600通常包括：(604)获取由先前发布的轨迹所描述的车辆的预期状态；(606)在车辆的预期状态下启动开环路径规划算法；(608)通过评估与车辆和周围环境有关的传感器数据和其他信息，使用路径规划算法为车辆生成新计划；以及(610)输出新计划。新计划可以包括车辆的全部或部分状态演变。部分状态演变可以包括例如由x坐标、y坐标、横摆角和速度定义的轨迹。全部状态演变可以包括，例如，以两到三个自由度表示的动态状态和/或车辆部件状态(例如，致动器位置和/或电池电荷水平)。

返回参考图5，一旦从开环路径规划过程中输出了新路径，方法500继续执行522-524。522-524涉及：用新计划替换当前计划；并使车辆执行新计划。新计划可以根据车辆轨迹规划过程执行(例如，上面关于图4描述的过程400)。例如，轨迹可以根据新计划生成，并用于移动或操纵车辆。随后，执行526，在526，方法500结束或执行其他操作(例如，返回504)。

如[512:否]所示，当控制误差值E低于标称阈值，组合控制误差值C低于标称阈值和/或该组控制误差值e

当计算设备得出结论车辆进行正常操作是可接受的[516:是]时，则在518中使用闭环路径规划方法为车辆生成新的运动计划。当计算设备得出结论车辆进行正常操作是不可接受的[516:否]时，则在518中使用闭环路径规划方法为车辆生成新的停止计划。在518、520中可以使用任何已知的或将要已知的闭环路径规划方法。在518和520中，在使用延迟补偿的情况下，新计划应该在估计的当前车辆状态或估计的未来车辆状态下启动。在518中生成的新的运动计划可以使车辆停止，也可以不使车辆停止；而在520中生成的新的停止计划应当使车辆以舒适、安全且有效的方式停止。

图8中示出了示例性闭环路径规划过程800。过程800总体上包括：(804)获取传感器数据；(806)基于传感器数据和/或先前发布的轨迹来估计当前时间或未来时间的车辆状态；(808)将估计的车辆状态作为初始车辆状态提供给闭环路径规划算法；(810)通过评估与车辆和周围环境有关的传感器数据和其他信息来生成新的运动或停止计划；以及(812)输出新的运动或停止计划。新计划可以包括车辆的全部或部分状态演变。部分状态演变可以包括例如由x坐标、y坐标、横摆角和速度定义的轨迹。全部状态演变可以包括，例如，以两到三个自由度表示的动态状态和/或车辆部件状态(例如，致动器位置和/或电池电荷水平)。‘140申请(上文引用)教导了闭环路径规划过程，其中在未来时间估计车辆状态。‘140申请的全部内容通过引用结合于此。

返回参考图5，一旦从闭环路径规划过程输出了新的运动或停止计划，方法500就继续到522-524。522-524涉及：用新的运动或停止计划替换当前计划；以及使车辆执行新的运动或停止计划。可以根据车辆轨迹规划过程(例如，上面关于图4描述的过程400)来执行新的运动或停止计划。例如，轨迹可以根据新的运动或停止计划生成，并用于移动或操纵车辆。随后，执行526，在526，方法500结束或者执行其他操作(例如，返回504)。

现在将提供更详细的讨论来解释计算设备如何做出516的决定。516的过程还涉及当控制误差值等于或高于标称阈值时，确定车辆进行正常操作是否可接受。516的过程从702开始，并继续到704和/或706，704和706可以如图7所示并行执行或串行执行(未示出)。704的操作在本文中被称为瞬时升级操作，其中不仅在给定时间存在超过标称阈值的控制误差，而且还存在对实际或预测故障或其他问题(例如，转弯时实际或预测的轮胎爆胎或检测到的冰块)的肯定检测。706的操作在本文中被称为累积升级操作，其中不仅在一段时间内存在超过标称阈值的控制误差，而且还存在对实际故障或其他问题(例如，轮胎爆胎)的肯定检测。

704的瞬时升级操作涉及确定车辆是否受到了严重干扰，从而导致异常大的控制误差。严重干扰可以包括临时严重干扰。该确定可以通过对照一个或多个自由阈值检查控制误差来进行。自由阈值可以包括但不限于具有大于标称阈值的值的阈值。这个更大的阈值可以被称为严重阈值。例如，在纵向速度的情况下，将相应的控制误差值与严重阈值进行比较。这种比较由以下数学方程(3)定义：

|v

其中V

706的累积升级操作涉及确定车辆是否已受到路径跟随器不鲁棒的持续干扰。持续干扰可包括持续轻度干扰和/或持续严重干扰。在这种情况下，车辆的性能不会在短时间内恢复到标称值。当车辆的平台动力传动系统发生故障，使得其仅达到所请求的纵向命令的50％，和/或轮胎具有显著低的压力，导致车辆在特定方向上偏置时，可能会发生这种情况。706的确定可以通过监测在连续规划器执行周期内达到标称控制误差阈值的失败频率来进行。例如，如果车辆在最近的Y个规划周期中在X个规划周期内未能避免超过标称阈值，则这表明标称性能存在持续干扰。X和Y可以是大于零的任何整数(例如X＝4和Y＝10)。在这样的场景[706：是]中，计算设备得出进行正常操作不可接受的结论，如708所示。在这种情况下，根据闭环规划方法生成新的停止计划。停止车辆的决定可以是封闭的，因为在未来的路径规划执行周期中，只有停止计划可以由路径规划器生成，直到车辆安全停止并达到继续行驶的标准状态。

当计算设备(i)确定车辆未受到导致异常大的控制误差的严重干扰[704:否]并且(ii)确定车辆受到导致未能实现标称性能的持续干扰[706:否]时，该过程继续到710。在这种情况下，计算设备将车辆视为受到影响性能的临时干扰，车辆性能预计很快会恢复到标称值。临时干扰可包括但不限于临时轻度干扰。当大阵风横向或纵向推动车辆时，和/或小砾石块导致制动临时减少时，可能会发生这种情况。在这种情况下，车辆进行正常操作可以是可接受的。因此，在712中，计算设备得出车辆进行正常操作可接受的结论，在正常操作中，根据闭环路径规划方法生成新的运动路径。新的运动路径可能会也可能不会导致车辆停止。随后，执行714，在714，过程结束或执行其他操作(例如，继续图5的518或520)。

现在参考图9，提供了用于车辆路径规划的说明性方法900的流程图。方法900从902开始，并继续到904，在904，通过计算设备(例如，图1的车载计算设备122、图2的车载计算设备220、图1的服务器110和/或图3的计算机系统300)获取传感器数据和车辆(例如图1的车辆102)的发布的轨迹。在906，计算设备执行操作以基于传感器数据来估计车辆的当前状态。这里可以使用用于使用传感器数据来估计车辆的当前状态的任何已知或将要已知的技术。在908，使用估计的当前状态来确定控制误差。控制误差表示车辆的估计的当前状态与由先前发布的轨迹所描述的车辆的期望状态之间的差。在910，将控制误差与阈值进行比较。当控制误差低于阈值时，使用开环路径规划方法为车辆生成第一计划，如912所示。当控制误差高于阈值时，使用闭环路径规划方法为车辆生成第二计划，如914所示。接下来在916，使车辆执行第一计划或第二计划。随后，执行918，在918，方法900结束或执行其他操作。

在一些场景中，第二计划可以被配置为当计算设备得出车辆进行正常操作不可极受的结论时，使车辆停止。第二计划可以被配置为当计算设备得出车辆进行正常操作可接受的结论时，使车辆在停止或不停止的情况下继续行驶。在914，可以基于车辆受到的干扰的特性得出车辆进行正常操作可接受还是不可接受的结论。当干扰包括(i)导致异常大的控制误差的临时严重干扰和/或(ii)导致车辆无法实现标称性能的持续干扰时，计算设备可以在914中得出进行正常操作不可接受的结论。当干扰包括影响车辆性能的临时干扰但车辆性能预计将在给定的时间内恢复到标称值时，计算设备可以在914中得出进行正常操作可接受的结论。临时干扰不包括导致异常大的控制误差的临时严重干扰和导致车辆无法达到标称性能的持续干扰。

上述方法的实施系统可以包括：处理器；以及包括编程指令的非暂时性计算机可读存储介质，编程指令被配置为使处理器实施用于操作自动化系统的方法。上述方法还可以通过计算机程序产品来实施，该计算机程序产品包括存储器和编程指令，编程指令被配置为使处理器执行操作。

应当理解，具体实施方式部分而不是任何其他部分旨在用于解释权利要求。其他部分可以阐述发明人所设想的一个或多个但不是所有的示例性实施例，因此不旨在以任何方式限制本公开或所附权利要求。

虽然本公开针对示例性领域和应用描述了示例性实施例，但应理解，本公开不限于此。其他实施例及其修改是可能的，并且在本公开的范围和精神内。例如，在不限制本段的一般性的情况下，实施例不限于图中所示和/或本文所述的软件、硬件、固件和/或实体。此外，实施例(无论是否在本文中明确描述)对于本文所描述的示例之外的领域和应用具有显著的实用性。

本文借助于说明特定功能及其关系的实现的功能构建块描述了实施例。为了便于描述，这些功能构建块的边界在本文中被任意定义。只要适当地执行指定的功能和关系(或其等价物)，就可以定义替代边界。此外，替代实施例可以使用不同于本文所述的次序来执行功能块、步骤、操作、方法等。

本文中对“一个实施例”、“实施例”和“示例实施例”或类似短语的引用表明，所描述的实施例可以包括特定的特征、结构或特性，但每个实施例不一定包括特定的特性、结构或特征。此外，这样的短语不一定指的是相同的实施例。此外，当结合实施例描述特定的特征、结构或特性时，将这种特征、结构、或特性结合到其他实施例中将在相关领域的技术人员的知识范围内，无论这里是否明确提及或描述。此外，可以使用表达式“耦接的”和“连接的”及其派生词来描述一些实施例。这些术语不一定是彼此的同义词。例如，可以使用术语“耦接的”和/或“连接的”来描述一些实施例，以指示两个或更多个元件彼此直接物理或电接触。然而，术语“耦接接的”也可以指两个或更多个元件彼此不直接接触，但仍然相互合作或互动。

本公开的广度和范围不应受到上述任何示例性实施例的限制，而应仅根据以下权利要求及其等效物进行定义。