基于车辆行为确定驾驶环境的改变.pdf

提供一种确定驾驶环境相对于先前存储的关于驾驶环境的信息是否已改变的方法和设备。该设备可包括自主驾驶计算机系统(144)，其被配置为检测驾驶环境中的一个或多个车辆(604-610)，并且确定那些被检测车辆的对应轨迹(704-710)。自主驾驶计算机系统(144)然后可将确定的轨迹(704-710)与驾驶环境中的假想车辆的预期轨迹进行比较。基于该比较，自主驾驶计算机系统(144)可相对于先前存储的关于驾驶环境的信息来确定驾驶环境是否已改变和/或驾驶环境已改变的概率。

1.  一种设备，包括：
传感器，所述传感器被配置为检测驾驶环境中的第一车辆；
计算机可读存储器，所述计算机可读存储器存储：
驾驶环境的详细地图信息，所述详细地图信息包括关于所述第一车辆行驶的道路的信息；以及
所述第一车辆的第一状态信息，所述第一状态信息识别所述第一车辆的位置、速度或行使方向中的至少一个；以及
与所述计算机可读存储器和所述传感器通信的处理器，所述处理器被配置为：
从所述传感器接收传感器信息，所述传感器信息基于已检测到所述驾驶环境中的所述第一车辆；
基于所接收的传感器信息来确定所述第一状态信息；
基于所述第一状态信息来确定第一轨迹；
基于所述详细地图信息来确定预期轨迹；以及
通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定所述驾驶环境已改变。

2.  根据权利要求1所述的设备，其中，所述处理器进一步被配置为：
通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定偏离度量值；
其中，当所述偏离度量值超过偏离度量阈值时，所述处理器确定所述驾驶环境已改变。

3.  根据权利要求2所述的设备，其中，所确定的偏离度量值包括表示所确定的第一轨迹与所确定的预期轨迹之间的最大差异的最大偏离度量值。

4.  根据权利要求2所述的设备，其中，所确定的偏离度量值包括平均带符号偏离度量值，所述平均带符号偏离度量值表示所确定的第一轨迹与所确定的预期轨迹之间的差异的大小和方向。

5.  根据权利要求1所述的设备，其中，所确定的第一轨迹包括平均轨迹，所述平均轨迹在预定时间段上取平均。

6.  根据权利要求1所述的设备，其中，所确定的预期轨迹基于与所述详细地图信息相对应的道路的中心线。

7.  根据权利要求1所述的设备，其中，所述计算机可读存储器进一步存储：
概率模型，所述概率模型基于从所确定的第一轨迹与所确定的预期轨迹的比较而确定的至少一个偏离度量值来限定所述驾驶环境相对于所述详细地图信息已改变的概率；
概率函数，所述概率函数基于所述概率模型来确定所述驾驶环境相对于所述详细地图信息已改变的概率；并且
其中，所述处理器进一步被配置为：
基于所述概率函数来确定所述驾驶环境相对于所述详细地图信息已改变的概率。

8.  根据权利要求7所述的设备，其中，所述概率模型是多个概率模型中的一个；并且
所述处理器进一步被配置为基于第一地理位置从所述多个概率模型选择所述概率模型。

9.  根据权利要求1所述的设备，其中：
所确定的第一轨迹包括多个轨迹，所述多个轨迹中的每一个轨迹对应于所述驾驶环境中的一个车辆；并且
所述处理器进一步被配置为基于至少一个合并因素将所述多个轨 迹合并为所确定的第一轨迹。

10.  根据权利要求9所述的设备，其中，所述处理器进一步被配置为：
确定所述多个轨迹的合并轨迹质量值，所述合并轨迹质量值表示所确定的第一轨迹的质量；并且
基于所确定的合并轨迹质量值进一步确定所述驾驶环境相对于所述详细地图信息已改变的概率。

11.  一种方法，包括：
利用自主车辆的传感器来检测驾驶环境中的第一车辆；
利用与所述传感器通信的处理器来接收基于已检测到所述驾驶环境中的所述第一车辆的传感器信息；
利用所述处理器基于所接收的传感器信息来确定第一状态信息，所述第一状态信息识别所述第一车辆的位置、速度或行驶方向中的至少一个；
利用所述处理器基于所述第一状态信息来确定第一轨迹；
利用所述处理器基于详细地图信息来确定预期轨迹，所述详细地图信息包括关于所述第一车辆行驶的所述驾驶环境的信息；以及
利用所述处理器通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定所述驾驶环境已改变。

12.  根据权利要求11所述的方法，进一步包括：
利用所述处理器通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定偏离度量值；以及
利用所述处理器来在所述偏离度量值超过偏离度量阈值时确定所述驾驶环境已改变。

13.  根据权利要求12所述的方法，其中，所确定的偏离度量值包括表示所确定的第一轨迹与所确定的预期轨迹之间的最大差异的最大 偏离度量值。

14.  根据权利要求12所述的方法，其中，所确定的偏离度量值包括平均带符号偏离度量值，所述平均带符号偏离度量值表示所确定的第一轨迹与所确定的预期轨迹之间的差异的大小和方向。

15.  根据权利要求11所述的方法，其中，所确定的第一轨迹包括平均轨迹，所述平均轨迹在预定时间段上取平均。

16.  根据权利要求11所述的方法，其中，所确定的预期轨迹基于与所述详细地图信息相对应的道路的中心线。

17.  根据权利要求11所述的方法，进一步包括：
利用所述处理器基于概率函数来确定所述驾驶环境相对于所述详细地图信息已改变的概率，其中：
所述概率函数基于概率模型来确定所述驾驶环境相对于所述详细地图信息已改变的概率；并且
所述概率模型基于从所确定的第一轨迹与所确定的预期轨迹的比较而确定的至少一个偏离度量值来限定所述驾驶环境相对于所述详细地图信息已改变的概率。

18.  根据权利要求17所述的方法，其中：
所述概率模型是多个概率模型中的一个；并且
所述方法进一步包括：
利用所述处理器基于第一地理位置从所述多个概率模型来选择概率模型。

19.  根据权利要求11所述的方法，其中：
所确定的第一轨迹包括多个轨迹，所述多个轨迹中的每一个轨迹对应于所述驾驶环境中的一个车辆；并且
所述方法进一步包括：
利用所述处理器基于至少一个合并因素来将所述多个轨迹合并为所确定的第一轨迹。

20.  根据权利要求19所述的方法，进一步包括：
利用所述处理器确定所述多个轨迹的合并轨迹质量值，所述合并轨迹质量值表示所确定的第一轨迹的质量；以及
利用所述处理器基于所确定的合并轨迹质量值来确定所述驾驶环境相对于所述详细地图信息已改变的概率。

基于车辆行为确定驾驶环境的改变
相关申请的交叉引用
本申请是2012年9月27日提交的美国专利申请No.13/628,905的连续申请，其公开内容以引用方式并入本文。
背景技术
自主车辆可使用各种计算系统来帮助将乘客从一个地点运输到另一地点。另外，自主车辆可能需要来自诸如引航员、驾驶员或乘客的操作者的初始输入或连续输入。例如自动驾驶系统的其它自主系统只有在该系统已被启用时才可使用，其允许操作者从手动模式(在该模式下由操作者对自主车辆的移动实行高度控制)切换到自主模式(在该模式下自主车辆基本上自己驾驶)到介于二者间的模式。
自主车辆可配备有各种类型的传感器，以便检测其环境中的对象。例如，自主车辆可包括从自主车辆的环境扫描并记录数据的诸如激光、声纳、雷达、相机的传感器以及其它传感器。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是自主车辆的安全操作的关键功能。
为了对环境信赖且精确地导航，自主车辆可依赖于先前存储的环境(例如，道路、高速路等)的电子表示。环境的电子表示可被视为“地图”，其识别诸如车道标记、车道边沿、k-轨道式混凝土护栏、分道线、道路中间隔离带、交通安全锥标的特征以及其它此类特征。自主车辆可存储复杂环境和简单环境二者的地图。
然而，有时候这些先前存储的地图可能过时或不正确。例如，环境中可能存在施工或者道路上发生事故。结果，道路的车道可能相对 于它们在先前存储的地图中先前指示的位置发生移位。在这些情况下，自主车辆必须能够识别道路中何时发生这些改变。
发明内容
公开了一种设备和方法。在一个实施例中，所述设备包括：传感器，其被配置为检测驾驶环境中的第一车辆；以及计算机可读存储器，其存储驾驶环境的详细地图信息以及所述第一车辆的第一状态信息，所述详细地图信息包括关于所述第一车辆行驶的道路的信息，所述第一状态信息识别所述第一车辆的位置、速度或行驶方向中的至少一个。所述设备还可包括与所述计算机可读存储器和所述传感器通信的处理器。所述处理器可被配置为从所述传感器接收传感器信息，所述传感器信息基于检测到所述驾驶环境中的所述第一车辆；基于所接收的传感器信息确定所述第一状态信息；基于所述第一状态信息确定第一轨迹；基于所述详细地图信息确定预期轨迹；以及通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定所述驾驶环境已改变。
在所述设备的另一实施例中，所述处理器还被配置为通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定偏离度量值，其中，当所述偏离度量值超过偏离度量阈值时，所述处理器确定所述驾驶环境已改变。
在所述设备的另一实施例中，所确定的偏离度量值包括表示所确定的第一轨迹与所确定的预期轨迹之间的最大差异的最大偏离度量值。
在所述设备的另一实施例中，所确定的偏离度量值包括平均带符号偏离度量值，所述平均带符号偏离度量值表示所确定的第一轨迹与所确定的预期轨迹之间的差异的大小和方向。
在所述设备的另一实施例中，所确定的第一轨迹包括平均轨迹， 所述平均轨迹在预定时间段上取平均。
在所述设备的另一实施例中，所确定的预期轨迹基于与所述详细地图信息相对应的道路的中心线。
在所述设备的另一实施例中，所述计算机可读存储器还存储：概率模型，其基于从所确定的第一轨迹与所确定的预期轨迹的比较而确定的至少一个偏离度量值来限定所述驾驶环境相对于所述详细地图信息改变的概率；以及概率函数，其基于所述概率模型来确定所述驾驶环境相对于所述详细地图信息改变的概率。另外，所述处理器还可被配置为基于所述概率函数来确定所述驾驶环境相对于所述详细地图信息改变的概率。
在所述设备的另一实施例中，所述概率模型是多个概率模型中的一个，并且所述处理器还可被配置为基于第一地理位置从所述多个概率模型选择概率模型。
在所述设备的另一实施例中，所确定的第一轨迹包括多个轨迹，所述多个轨迹中的每一个轨迹对应于所述驾驶环境中的一个车辆，并且所述处理器还可被配置为基于至少一个合并因素将所述多个轨迹合并为所确定的第一轨迹。
在所述设备的另一实施例中，所述处理器还可被配置为：确定所述多个轨迹的合并轨迹质量值，所述合并轨迹质量值表示所确定的第一轨迹的质量；并且基于所确定的合并轨迹质量值确定所述驾驶环境相对于所述详细地图信息改变的概率。
在所述方法的一个实施例中，所述方法可包括：利用自主车辆的传感器来检测驾驶环境中的第一车辆；以及利用与所述传感器通信的处理器来接收基于检测到所述驾驶环境中的所述第一车辆的传感器信 息。所述方法还可包括利用所述处理器来基于所接收的传感器信息确定第一状态信息，所述第一状态信息识别所述第一车辆的位置、速度或行驶方向中的至少一个。所述方法还可包括利用所述处理器来基于所述第一状态信息确定第一轨迹；以及利用所述处理器来基于详细地图信息确定预期轨迹，所述详细地图信息包括关于所述第一车辆所行驶的所述驾驶环境的信息。所述方法还可包括利用所述处理器，通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定所述驾驶环境已改变。
在所述方法的另一实施例中，所述方法可包括：利用所述处理器，通过将所确定的预期轨迹与所确定的第一轨迹进行比较来确定偏离度量值；以及当所述偏离度量值超过偏离度量阈值时利用所述处理器来确定所述驾驶环境已改变。
在所述方法的另一实施例中，所确定的偏离度量值包括表示所确定的第一轨迹与所确定的预期轨迹之间的最大差异的最大偏离度量值。
在所述方法的另一实施例中，所确定的偏离度量值包括平均带符号偏离度量值，所述平均带符号偏离度量值表示所确定的第一轨迹与所确定的预期轨迹之间的差异的大小和方向。
在所述方法的另一实施例中，所确定的第一轨迹包括平均轨迹，所述平均轨迹在预定时间段上取平均。
在所述方法的另一实施例中，所确定的预期轨迹基于与所述详细地图信息相对应的道路的中心线。
在所述方法的另一实施例中，所述方法包括利用所述处理器基于概率函数来确定所述驾驶环境相对于所述详细地图信息已改变的概 率，其中，所述概率函数基于概率模型来确定所述驾驶环境相对于所述详细地图信息已改变的概率，并且所述概率模型基于从所确定的第一轨迹与所确定的预期轨迹的比较而确定的至少一个偏离度量值来限定所述驾驶环境相对于所述详细地图信息已改变的概率。
在所述方法的另一实施例中，所述概率模型是多个概率模型中的一个，并且所述方法还包括利用所述处理器基于第一地理位置从所述多个概率模型选择概率模型。
在所述方法的另一实施例中，所确定的第一轨迹包括多个轨迹，所述多个轨迹中的每一个轨迹对应于所述驾驶环境中的一个车辆。所述方法还可包括利用所述处理器基于至少一个合并因素将所述多个轨迹合并为所确定的第一轨迹。
在所述方法的另一实施例中，所述方法可包括：利用所述处理器来确定所述多个轨迹的合并轨迹质量值，所述合并轨迹质量值表示所确定的第一轨迹的质量；以及利用所述处理器基于所确定的合并轨迹质量值来确定所述驾驶环境相对于所述详细地图信息已改变的概率。
附图说明
附图并非旨在按比例绘制。在附图中，示出于各个图中的每个相同或接近相同的组件由相似的标号来表示。为了清晰起见，在每一个附图中可能没有标记每一个组件。附图中：
图1示出根据本公开的多方面的基于跟踪一个或多个车辆来确定驾驶环境是否已改变的自主车辆的示例。
图2示出根据本公开的多方面的自主车辆的内部的示例。
图3示出根据本公开的多方面的自主车辆上的一个或多个传感器的置放的示例。
图4A-4D示出根据本公开的多方面的自主车辆上的各种传感器的近似传感器场的各种视图。
图5示出依据本公开的多方面的可由自主车辆存储的详细地图信息的示例。
图6示出根据本公开的多方面的检测驾驶环境中的一个或多个车辆的自主车辆的示例。
图7示出根据本公开的多方面的确定驾驶环境中的被检测车辆的轨迹的自主车辆的示例。
图8A-8B示出根据本公开的多方面的利用轨迹来确定驾驶环境是否已改变的示例。
图9示出根据本公开的多方面的检测驾驶环境中的一个或多个车辆的自主车辆的另一示例。
图10示出根据本公开的多方面的对从图9检测的一个或多个车辆的确定的轨迹进行比较的自主车辆的示例。
图11示出根据本公开的多方面的对从图9检测的一个或多个车辆的合并轨迹进行比较的自主车辆的示例。
图12示出根据本公开的多方面的基于一个或多个被检测车辆来确定驾驶环境是否已改变的逻辑流程的第一示例。
图13示出根据本公开的多方面的基于一个或多个被检测车辆来确定驾驶环境是否已改变的逻辑流程的第二示例。
具体实施方式
本公开提供了用于确定先前存储的地图何时不准确的系统和方法。具体地，本公开提供了一种自主车辆，其评估驾驶环境(例如，道路、高速路、公园路、街道等)中的一个或多个被检测车辆的行为以确定自主车辆所存储的驾驶环境的地图何时或者是否准确。
在一个实施例中，自主车辆可监视并跟踪驾驶环境中的一个或多个车辆的位置并且确定所述一个或多个车辆的轨迹。利用地图差异(discrepancy)算法，自主车辆然后可比较确定的车辆轨迹与基于先前存储的地图中识别的车道的预期车辆轨迹。当自主车辆观察到一个或多个车辆以与基于先前存储的地图的预期行为不匹配的方式一致地移 动时，自主车辆可识别出地图不再可靠(即不准确)。
例如，在施工区域，驾驶环境中的车道可移位以适应施工作业。在此示例中，车流可基于新建立的临时车道向右或向左移位，各种车辆的轨迹可能不再遵循驾驶环境的先前车道(即，存储在自主车辆的地图中的车道)。当自主车辆观察并识别出车流移位(例如，通过监视车辆轨迹的一致变化)时，自主车辆可断定先前存储的地图不准确。当自主车辆识别出先前存储的地图不准确时，自主车辆可停止依赖于其先前存储的地图信息。相反，自主车辆可依赖于另一机制来操纵通过改变的驾驶环境，例如通过从地图提供商服务器检索地图或者请求自主车辆中的乘客来控制。
图1示出基于确定的被检测车辆的轨迹来确定驾驶环境是否已改变的设备102。在一个实施例中，所述设备可包括自主车辆104。自主车辆104可被配置为在没有人驾驶员的帮助的情况下自主地操作，例如驾驶。此外，自主车辆104可被配置为在自主车辆104自主操作的同时检测各种车辆并且确定被检测车辆的轨迹。
尽管本公开的某些方面结合特定类型的车辆尤其有用，但是自主车辆104可以是任何类型的车辆，包括(但不限于)汽车、卡车、摩托车、公共汽车、船只、飞机、直升机、剪草机、休闲车、游乐园车辆、农机具、施工设备、有轨电车、高尔夫球车、火车和手推车。
在一个实施例中，自主驾驶计算机系统144可包括处理器106和存储器108。自主驾驶计算机系统144还可包括通用计算机中典型存在的其它组件。
存储器108可存储处理器106可访问的信息，例如可由处理器106执行或以其它方式使用的指令110和数据112。存储器108可以是操作以存储处理器106可访问的信息的任何类型的存储器，包括计算机可 读介质或者存储可借助于电子装置读取的数据的其它介质。存储器108的示例包括但不限于硬盘驱动器、存储卡、只读存储器(“ROM”)、随机存取存储器(“RAM”)、数字视频盘(“DVD”)或者其它光盘，以及其它可写和只读存储器。系统和方法可包括上述项的不同组合，由此指令和数据的不同部分被存储在不同类型的介质上。
指令110可以是可由处理器106直接(例如机器代码)或间接(例如脚本)执行的任何指令集。例如，指令110可作为计算机代码存储在计算机可读介质上。在这方面，本文中术语“指令”和“程序”可互换使用。指令110可以以目标代码格式存储以便于处理器106直接处理，或者以包括根据需求解释或预先编译的脚本或独立源代码模块集合的任何其它计算机语言来存储。在下面更详细地说明了指令110的功能、方法和例程。
依据指令110，可通过处理器106来检索、存储或修改数据112。例如，尽管所公开的实施例不受任何特定数据结构的限制，但是数据112可存储在计算机寄存器中，作为具有多个不同字段和记录的表存储在关系数据库中，存储在XML文档、平面文件中，或者以任何计算机可读格式来存储。仅作为进一步的示例，图像数据可被存储为由像素网格组成的位图，其依据压缩或未压缩格式、无损(例如BMP)或有损(例如JPEG)格式和基于位图或向量(例如SVG)的格式以及用于绘制图形的计算机指令来存储。数据112可包括足以识别相关信息的任何信息，例如数字、描述文本、专有代码、对存储在同一存储器的其它区域或不同存储器(包括其它网络位置)中的数据的引用或者通过函数来使用以计算相关数据的信息。
处理器106可以是任何传统处理器，包括精简指令集计算(“RISC”)处理器、复杂指令集计算(“CISC”)处理器或上述的组合。替选地，处理器可以是诸如专用集成电路(“ASIC”)的专用装置。
尽管图1在功能上将处理器106、存储器108以及自主驾驶计算机系统144的其它元件示出为在同一块内，但是本领域普通技术人员将理解，处理器106和存储器108实际上可包括可以或可以不存储在同一物理外壳内的多个处理器和存储器。例如，存储器108可以是位于与自主驾驶计算机系统144不同的外壳中的硬盘驱动器或其它存储介质。
因此，对处理器或计算机的引用将被理解为包括对可以或可以不并行操作的处理器或计算机或存储器集合的引用。诸如转向组件和减速组件的一些组件可每个具有仅执行与该组件的特定功能有关的计算的其自己的处理器，而不是使用单个处理器来执行本文所述的动作。
在本文所述的各种实施例中，处理器106可位于远离自主车辆104的地方，并且可与自主车辆10无线通信。在其它方面，本文所述的一些过程在设置在自主车辆104内的处理器上执行，其它由远程处理器执行，包括采取执行单个操纵所需的动作。
自主驾驶计算机系统144可包括通常结合计算机使用的所有组件，例如中央处理单元(CPU)、存储诸如互联网浏览器或其它软件应用的数据112和指令的存储器(例如，RAM和内部硬盘驱动器)、电子显示器122(例如具有屏幕的监视器、小型液晶显示器(“LCD”)触摸屏或者可操作以显示信息的任何其它电子装置)、一个或多个用户输入装置(例如鼠标、键盘、触摸屏和/或麦克风)以及用于收集关于人的状态和期望的明确(例如手势)或隐含(例如“人睡着了”)信息的各种传感器(例如视频相机)。
车辆还可包括地理位置组件136，其与自主驾驶计算机系统144通信以确定自主车辆104的地理位置。例如，地理位置组件136可包括全球定位系统(“GPS”)接收器以确定自主车辆104的纬度、经度 和/或海拔位置。也可使用诸如基于激光器的定位系统、惯性辅助GPS或基于相机的定位的其它位置系统来识别车辆的位置。自主车辆104的位置可包括诸如纬度、经度和海拔的绝对地理位置以及诸如相对于即刻围绕它的其它车辆的位置的相对位置信息，可利用比绝对地理位置小的噪声来确定。
地理位置组件136还可包括与自主驾驶计算机系统144通信的其它装置，例如用于确定车辆的方向和速度或其改变的加速度计、陀螺仪或另一方向/速度检测装置138。仅作为示例，地理位置组件136可确定其相对于重力方向或与其垂直的平面的俯仰、偏航或滚转(或其改变)。地理位置组件136还可跟踪速度的增加或减小以及这些改变的方向。如本文所阐述的位置和取向数据可被自动提供给用户、自主驾驶计算机144、车辆中央处理器126、其它计算机及其组合。
自主驾驶计算机系统144可通过控制各种组件来控制自主车辆104的方向和速度。作为示例，如果自主车辆104在完全自主模式下操作，则自主驾驶计算机系统144可使得自主车辆104经由加速系统130加速(例如，通过增加提供给引擎的燃料或其它能源)、经由制动系统128减速(例如，通过减少供应给引擎的燃料或者通过施加制动)以及改变方向(例如，通过使两个前轮转向)。自主驾驶计算机系统144在控制加速系统130和/或制动系统128时还可控制诸如信令系统130的一个或多个系统。
自主驾驶计算机系统144还可控制一个或多个状态指示器118，其可将自主车辆104及其组件的状态传达给乘客。例如，自主车辆104可配备有电子显示器122以用于显示与车辆的总体状态、特定传感器有关的信息或者关于或来自自主驾驶计算机系统144的信息。电子显示器122可显示车辆的周围的计算机生成的图像，包括例如自主驾驶计算机系统144、自主车辆104本身、道路、路口的状态以及其它对象和信息。
自主驾驶计算机系统144可使用视觉或听觉提示来指示它是否正从一个或多个传感器获得有效数据、它是否正部分地或完全地控制自主车辆104的方向或速度或这二者，例如是否存在任何错误等。另外，自主驾驶计算机系统144还可具有指示此刻是人还是自动系统在控制车辆的外部指示器，其可由人、其它计算机或这二者来读取。
自主驾驶计算机系统144还可与自主车辆104的其它组件通信。例如，自主驾驶计算机系统144可与车辆中央处理器126通信。自主驾驶计算机系统144还可从自主车辆104的各种系统发送和接收信息。与各种系统的通信可包括与制动系统128、加速系统130、信令系统132和车辆导航系统134通信。与这些系统的通信可有利于自主车辆104的移动、速度等的控制。另外，在启用时，自主驾驶计算机系统144可控制自主车辆104的这些功能中的一些或全部，因此是完全或部分自主的。将理解，尽管各种系统和自主驾驶计算机系统144被示出为在自主车辆104内，但是这些系统和组件可在自主车辆104外部或者物理上分离开较大距离。
自主车辆104可包括用于检测在其外部的物体的组件，所述物体例如其它车辆、道路中的障碍物、交通信号、标志、树等。检测系统可包括激光器、声呐、雷达、相机或者任何其它检测装置。例如，如果自主车辆104是小型客车，该小型客车可包括安装在顶部或其它便利位置的激光器。在一方面，激光器可通过绕其轴线旋转并改变其俯仰来测量自主车辆104与面向自主车辆104的物体表面之间的距离。自主车辆104还可包括各种雷达检测单元，例如用于自适应巡航控制系统的那些。雷达检测单元可位于汽车的前部和后部以及前保险杠的任一侧。在另一示例中，各种相机可按照彼此已知的距离安装在自主车辆104上。这样，可使用来自不同图像的视差来计算距通过一个或多个相机捕获的各种物体的距离。这些传感器可帮助车辆对其环境作出响应以使乘客以及环境中的物体或人的安全性最大化。
除了上述传感器以外，自主驾驶计算机系统144还可使用来自非自主车辆中的传感器的输入。例如，这些传感器可包括胎压传感器、引擎温度传感器、制动热传感器、刹车片状态传感器、胎面传感器、燃料传感器、油位和质量传感器、空气质量传感器(用于检测温度、湿度或空气中的颗粒)等。
由这些传感器提供的数据可被自主驾驶计算机系统144实时地处理。在这种情况下，传感器可连续更新它们的输出以反映在一定时间范围内或上、以及连续地或根据需求感测的环境。传感器可将更新的输出提供给自主驾驶计算机系统144以使得它能够响应于感测的环境而确定自主车辆104的当前方向或速度是否应该被修改。
自主车辆104还可包括用于使用上述传感器中的一个或多个来检测车辆并确定被检测车辆的轨迹的持久数据。例如，数据112可包括限定一个或多个驾驶环境的详细地图信息114。详细地图信息114可包括识别道路的形状和高度、车道线、路口、人行横道、速度限制、交通信号、建筑物、标志、实时交通信息或者其它这样的对象和信息的各种地图。详细地图信息114还可包括与各种路段相关联的明确速度限制信息。速度限制数据可手动输入，或者使用例如光学字符识别从先前拍摄的速度限制标志的图像扫描。另外，详细地图信息114可包括包含上面列出的一个或多个对象(例如，人行横道、路口、车道线等)的三维地形地图。
详细地图信息136还可包括识别车道标识的位置、高度和形状的车道标识信息。车道标识可包括诸如实或虚双或单车道线、实或虚车道线、反光标识等的特征。给定车道可与左和右车道线或者限定车道边界的其它车道标识相关联。因此，大多数车道可由一条车道线的左沿和另一条车道线的右沿界定。
为了确定被检测车辆的轨迹，自主驾驶计算机系统144可监视与详细地图信息114相对应的驾驶环境中的车辆。例如，自主驾驶计算机系统114可检测并跟踪路口处、各种类型的道路上以及其它这样的驾驶环境中的车辆。又如，自主驾驶计算机系统114可检测并跟踪进入和/或离开公路的车辆，例如经由入口匝道进入高速路、经由出口匝道离开高速路以及其它这样的行为的车辆。自主驾驶计算机系统144可收集、处理并存储该信息作为车辆数据116的一部分。
另外，自主驾驶计算机系统114可参照详细地图信息114以确定各种车辆轨迹。更具体地，自主驾驶计算机系统114可交叉参照被检测车辆的位置与详细地图信息114中的位置。基于该交叉参照，自主驾驶计算机系统114然后可基于其检测的位置确定被检测车辆所采取的轨迹。例如，如果自主驾驶计算机系统114检测高速路上的车辆，例如摩托车、轻型货车或其它车辆，则自主驾驶计算机系统114可交叉参照被检测车辆的位置并例如通过在车辆沿着高速路继续行驶时跟踪车辆的位置来确定被检测车辆的轨迹。由自主驾驶计算机系统114记录的位置可作为车辆数据116的一部分被存储，并且可在确定被检测车辆的轨迹时使用。
在监视各种驾驶环境中的车辆时，数据112可包括限定用于对车辆进行分类的一个或多个参数的车辆数据116。车辆的分类可包括诸如“客车”、“自行车”、“摩托车”的分类以及其它此类分类。由车辆数据116限定的参数可通知自主驾驶计算机系统144通过给定传感器检测的车辆的类型。例如，当通过一个或多个相机传感器、一个或多个激光传感器等检测车辆时，车辆数据116可包括限定车辆的类型的参数。
可通过车辆检测算法124来识别车辆，处理器106可使用该车辆检测算法124来基于诸如车辆的大小(自行车大于面包箱，小于汽车)、车辆的速度(自行车往往不会快于每小时40英里或慢于每小时0.1英里)的各种特性以及其它此类特性对车辆进行分类。另外，可基于车 辆的特定属性来对车辆进行分类，所述特定属性例如出现于车辆上的牌照、保险杠贴纸或徽标上所包含的信息。
车辆数据116还可包括当车辆被检测时通过自主驾驶计算机系统144收集的状态、位置和/或轨迹信息。自主驾驶计算机系统144可收集关于被检测车辆的状态和/或位置信息，以帮助确定车辆轨迹。被检测车辆的车辆轨迹可限定当车辆在给定驾驶环境中时所具有的方向和速度。车辆轨迹还可限定被检测车辆在该驾驶环境中时所具有的过去位置、方向和速度。如下所述，可从自主驾驶计算机系统144所记录的状态信息取得被检测车辆的车辆轨迹。
状态信息可包括关于被检测车辆的特性。状态信息的示例包括但不限于被检测车辆的速度、车辆所行驶的路径、车辆所行驶的驾驶环境、车辆的任何方向或取向改变或者其它这样的状态信息。状态信息还可与详细地图信息114的一段或多段相关联，以进一步精化被检测车辆的状态。例如，如果被检测车辆被检测为正在高速路上(由详细地图信息114限定)，则收集的状态信息可识别出被检测车辆在高速路中行驶，并且可进一步识别被检测车辆的方向、关于被检测车辆的各种位置信息或改变(例如，被检测车辆的起初开始车道、被检测车辆的结束车道)以及其它这样的状态信息。
由自主驾驶计算机系统144收集的状态信息可用于确定被检测车辆的轨迹。如先前所述，基于检测到的被检测车辆的位置和速度，自主驾驶计算机系统144可取得被检测车辆的轨迹。如下所述，可将确定的该车辆轨迹与预期车辆轨迹(可作为详细地图信息114的一部分存储或者从详细地图信息114取得)进行比较，以确定驾驶环境是否已改变。在一个实施例中，指令110可包括地图差异算法146，该算法便利自主驾驶计算机系统144确定驾驶环境是否已改变的确定。
自主车辆104可收集关于被检测车辆的状态信息，而不管自主车 辆104是在自主模式还是非自主模式下操作。因此，无论自主车辆104是自行操作还是有驾驶员，自主车辆104均可收集状态和对象信息以确定上述车辆轨迹。
自主车辆104还可经由网络140与地图提供商服务器142通信。网络140可被实现为任何组合或类型的网络。例如，网络140可以是诸如互联网的广域网(“WAN”)、局域网(“LAN”)、个域网(“PAN”)中的一个或多个或者WAN、LAN和PAN的组合。此外，网络140可涉及使用一个或多个诸如简单对象访问协议(“SOAP”)的有线协议、诸如802.11a/b/g/n、蓝牙或WiMAX的无线协议、诸如TCP或UDP的传输协议、诸如IP的互联网层协议、诸如HTTP的应用级协议、上述任何协议的组合、或者任何其它类型的协议。
自主车辆104可与地图提供商服务器142通信以获得驾驶环境的地图。例如，当自主车辆104确定先前存储的地图(例如，详细地图信息114)不准确时，自主车辆104可向地图提供商服务器142请求驾驶环境的地图。从地图提供商服务器142接收的地图可以是驾驶环境的最新地图，其包括由自主车辆104检测的驾驶环境的改变。另外，接收的地图可更换详细地图信息114的一部分，例如驾驶环境附近或周围的预定地理区域(例如，两平方英里区域或其它类似区域)。通过向地图提供商服务器142请求详细地图信息114的更换部分，而非完整更换详细地图信息114，自主车辆114节省了网络带宽和传送时间。
在一个实施例中，地图提供商服务器142可包括多个计算机，例如负载平衡服务器群，其与网络的不同节点交换信息以用于从自主驾驶计算机系统144接收、处理和发送包括详细地图信息114和/或车辆数据116的数据。地图提供商服务器142可类似于自主驾驶计算机系统144来配置(即，具有处理器106、存储器108、指令110和数据112)。
图2示出根据本公开的多方面的自主车辆104的内部的示例。自 主车辆102可包括非自主车辆的所有特征，例如：转向设备，例如方向盘210；导航显示设备，例如导航显示器215；以及齿轮选择器设备，例如变速杆220。车辆104还可具有各种用户输入设备，例如变速杆220、触摸屏217或按钮输入219，以用于激活或去激活一个或多个自主驾驶模式以及用于使驾驶员或乘客290能够将诸如导航目的地的信息提供给自主驾驶计算机106。
自主车辆104还可包括一个或多个附加显示器。例如，自主车辆104可包括用于显示与自主车辆102或其计算机的状态有关的信息的显示器225。在另一示例中，自主车辆104可包括诸如状态栏230的状态指示设备，以指示车辆104的当前状态。在图2的示例中，状态栏230显示“D”和“2mph”，指示自主车辆104目前处于驾驶模式并且正以每小时2英里移动。在这方面，自主车辆104可在电子显示器上显示文本，照亮自主车辆104的部分，例如方向盘210，或者提供各种其它类型的指示。
图3示出自主车辆104的一个示例以及其一个或多个传感器的置放。自主车辆104可包括例如分别安装在自主车辆104的前部和顶部的激光器302和304。激光器302可具有大约150米的范围、三十度的垂直视场以及大约三十度的水平视场。激光器304可具有大约50-80米的范围、三十度的垂直视场以及360度的水平视场。激光器302-304可向自主车辆104提供范围和强度信息，处理器106可使用所述信息来识别各种物体的位置和距离。在一方面，激光器302-304可通过绕其轴线旋转并改变其俯仰来测量车辆与面向车辆的物体表面之间的距离。
自主车辆104还可包括各种雷达检测单元，例如用于自适应巡航控制系统的那些。雷达检测单元可位于汽车的前部和后部以及前保险杠的任一侧。如图3的示例中所示，自主车辆104包括位于车辆的侧面(仅示出一个侧面)、前部和后部的雷达检测单元306-312。这些雷 达检测单元306-312中的每一个对于大约18度的视场可具有大约200米的范围，以及对于大约56度的视场可具有大约60米的范围。
在另一示例中，各种相机可安装在自主车辆104上。相机可安装在预定距离处，使得可使用来自两个或更多个相机的图像的视差来计算距各种对象的距离。如图3所示，自主车辆104可包括安装在靠近后视镜(未示出)的挡风玻璃318下面的两个相机314-316。
相机314可包括大约200米的范围和大约30度的水平视场，而相机316可包括大约100米的范围和大约60度的水平视场。
每个传感器可与特定传感器场相关联，在该传感器场中传感器可用于检测对象。图4A是各种传感器的近似传感器场的俯视图。图4B基于激光器302和304的视场分别描绘了这些传感器的近似传感器场402和404。例如，传感器场402包括用于大约150米的大约30度水平视场，传感器场404包括用于大约80米的360度水平视场。
图4C基于雷达检测单元306-312的视场分别描绘了这些传感器的近似传感器场406-420。例如，雷达检测单元306包括传感器场406和408。传感器场406包括用于大约200米的大约18度水平视场，传感器场408包括用于大约80米的大约56度水平视场。
类似地，雷达检测单元308-312包括传感器场410/414/418和传感器场412/416/420。传感器场410/414/418包括用于大约200米的大约18度水平视场，传感器场412/416/420包括用于大约80米的大约56度水平视场。传感器场410和414延伸穿过图4A和图4C的边沿。
图4D基于相机314-316的视场分别描绘了这些传感器的近似传感器场422-424。例如，相机314的传感器场422包括用于大约200米的大约30度视场，相机316的传感器场424包括用于大约100米的大约 60度视场。
通常，自主车辆104可包括声纳装置、立体相机、定位相机、激光器和雷达检测单元，其每个具有不同的视场。对于大约6米的最大距离，声纳可具有大约60度水平视场。立体相机可具有与大约50度水平视场、大约10度垂直视场和大约30米最大距离的重叠区域。定位相机可具有大约75度的水平视场、大约90度的垂直视场和大约10米的最大距离。激光器可具有大约360度的水平视场、大约30度的垂直视场和100米的最大距离。雷达可具有近光束60度、远光束30度的水平视场和200米的最大距离。因此，自主车辆104可利用传感器的任何布置方式来配置，这些传感器中的每一个可捕获一个或多个原始图像，所述原始图像由对象检测器130用来检测自主车辆104附近和周围的各种对象。
图5示出可表示自主车辆104的驾驶环境的详细地图502的一部分的示例。自主车辆104可基于检测到的自主车辆104的位置来检索或参照详细地图502。详细地图502可作为详细地图信息114的一部分被存储。
详细地图502还可表示诸如高速路、公园路等的道路的区段，并且可包括车道信息，例如关于实车道线504、虚车道线506、508、和双实车道线510的信息。这些车道线可限定车道512和514。每个车道可与中心轨道线(centerline rail)516、518相关联，该中心轨道线可指示车辆在相应车道中通常应该行驶的方向。例如，车辆在沿着车道514驾驶时可遵循中心轨道线518。在此示例中，车道512可由右车道线504和左车道线506界定，车道514由右车道线506和左车道线510界定。车道512的边沿是边沿520、522，而车道514的边沿是边沿524、526。
在图5所示的示例中，详细地图信息114可被描绘为基于图像的 地图。然而，详细地图信息114无需全部或完全基于图像(例如，基于光栅)。例如，详细地图信息114可包括一个或多个道路图或者诸如道路、车道、路口以及这些特征之间的连接的信息的图网。每个特征可被存储为图数据，并且可与诸如地理位置以及它是否链接到其它相关特征的信息相关联，例如，停车标志可链接到道路和路口等。在一些示例中，关联的数据可包括道路图的基于网格的索引，以允许对某些道路图特征进行有效查找。
详细地图信息114可在预定时间被载入自主车辆104的存储器108中。在一个实施例中，详细地图信息114可每日被载入自主车辆104的存储器108中。替选地或者另外，详细地图信息114可在其它预定时间(例如，每月或每周)被载入存储器108中。
另外，如先前所述，可从地图提供商服务器142传送或从地图提供商服务器142接收详细地图信息114。从地图提供商服务器142接收详细地图信息114还可包括接收更新的详细地图信息，该更新的详细地图信息包括自详细地图信息114最后被传送给自主驾驶计算机系统144起发生的驾驶环境的任何改变。在一个实施例中，当自主驾驶计算机系统144检测到与详细地图信息114相对应的驾驶环境的改变时，可从地图提供商服务器142传送或从地图提供商服务器142接收详细地图信息114。
返回参照图1，指令110可包括用于确定驾驶环境相对于其在详细地图信息114中的对应表示是否已改变的各种算法。如先前所述，自主驾驶计算机系统144可利用车辆检测算法124和地图差异算法146来确定是否已发生这样的改变。
车辆检测算法124可便利自主驾驶计算机系统144对车辆的检测。图6示出驾驶环境中的自主车辆104的示例602。在示例602中，被检测车辆604-610和自主车辆104正在与图5的详细地图502相对应的驾 驶环境中行驶。为了对比，详细地图502以点线示出，而自主车辆104和被检测车辆604-610以实线示出。此外，示例602示出了自详细地图502被提供给自主车辆104起已发生了驾驶环境的改变(即，车道已向右移位)。车道的移位由自主车辆604-610附近的车辆604-610正在相对于详细地图502的车道偏离中心行驶的事实来证明。
自主驾驶计算机系统144可基于车辆检测算法124以及安装到自主车辆104的各种传感器302-316来检测并跟踪驾驶环境中的若干车辆604-610。在示例602中，车辆604-610中的每一个正在与自主车辆104相同的方向上行驶，但是它们距自主车辆104的距离可变化。
例如，自主驾驶计算机系统144可使用一个或多个相机314-316来检测第一车辆604，使用雷达检测单元310和/或激光传感器304来检测第二车辆606，使用雷达检测单元310和/或激光传感器304来检测第三车辆608，并且使用雷达检测单元312和/或激光传感器304来检测第四车辆610。其它传感器也可用于检测车辆604-610，例如激光传感器302用于检测第一车辆604。如先前所述，自主驾驶计算机系统144可通过将关于被检测车辆604-610的车辆类型和状态信息(例如位置、方向、速度以及其它这样的状态信息)存储在存储器108中作为车辆数据116的一部分，来跟踪车辆604-610。
此外，尽管图6中未示出，自主驾驶计算机系统144还可检测并跟踪在相反方向上行驶的车辆。例如，自主驾驶计算机系统144可例如通过使用激光传感器304、激光传感器302、雷达检测单元308、相机传感器314-316中的一个或多个或者安装到自主车辆104的传感器的任何其它组合，来检测并跟踪在自主车辆104的对向上行驶的车辆。
在跟踪车辆604-610时，自主驾驶计算机系统144可跟踪车辆604-610中的一个或多个达预定时间段、直至发生预定条件、或者这二者的组合。在跟踪车辆604-610达预定时间段的情况下，自主驾驶计算 机系统144可跟踪车辆达任何时间段，包括但不限于几秒、几分钟、几小时、或者任何其它时间段。预定条件的示例包括看不见被跟踪车辆、被跟踪车辆远离自主车辆104移动预定距离(例如，移出一个或多个传感器的范围)、自主驾驶计算机系统144确定它已收集了关于被跟踪车辆的足够状态信息、或者其它这样的预定条件。在确定对于被跟踪车辆是否已收集了足够状态信息的情况下，自主驾驶计算机系统144可确定它是否已收集足以确定被跟踪车辆的轨迹的状态信息。
在跟踪车辆604-610中的一个或多个之后，自主驾驶计算机系统144可确定被跟踪车辆604-610的对应轨迹。图7示出已确定了被跟踪车辆604-610的轨迹704-710的自主驾驶计算机系统144的示例702。如图7所示，自主驾驶计算机系统144可能已确定了与第一车辆604相对应的第一轨迹704、与第二车辆606相对应的第二轨迹706、与第三车辆608相对应的第三轨迹708以及与第四车辆610相对应的第四轨迹710。通常，轨迹704-710可表示对应车辆604-610在驾驶环境中行驶的路径以及它们相对于详细地图信息114的位置。
轨迹704-710可包括微小的横向移位，因为通常将理解车辆通常不会以绝对直线行驶。这些微小的横向移位通常是由于人驾驶员的校正引起的(例如，驾驶员略微向右或向左转方向盘，以保持车辆以相对笔直的路径行驶)。可基于收集的对应车辆604-610的状态信息来确定轨迹704-710中的每一个。在一个实施例中，轨迹可包括对应车辆的位置信息(例如，一系列纬度和经度点)，其中所述位置信息与一个或多个时间戳(例如，相对时间戳或绝对时间戳)相关联。另外，可基于检测到的对应车辆的位置将轨迹取得为插值的一系列位置。
另外，可基于诸如距离、时间或者其它这样的因素的一个或多个条件来确定轨迹704-710。例如，自主驾驶计算机系统144可基于具有对应车辆的足够距离信息(例如，100英尺、300米、两英里或者其它距离信息)来确定轨迹704-710。又如，自主驾驶计算机系统144可在 监视对应车辆达足够时间量(例如，两分钟、十分钟、一小时等)之后确定轨迹704-710。自主驾驶计算机系统144还可基于这些条件的组合和/或变型来确定轨迹704-710。
返回图7的示例，自主驾驶计算机系统144然后可使用轨迹704-710来确定是否已发生驾驶环境的改变。例如，自主驾驶计算机系统144可从轨迹704-710确定单独或合并的平均轨迹，将该平均轨迹与详细地图信息144进行比较，然后确定平均轨迹中是否存在一致偏置。该一致偏置可指示发生了详细地图信息144的改变(例如，一条或多条车道移位)。
在一个实施例中，自主驾驶计算机系统144可使用单独的轨迹704-710来确定是否已发生任何改变。图8A和图8B示出自主驾驶计算机系统144使用单独的轨迹704-710来确定驾驶环境是否已改变的示例802-804。在示例802-804中，自主车辆计算机系统144分别对确定的轨迹704-710取平均，以生成对应的平滑轨迹806-812。平滑轨迹可缺少存在于确定的轨迹704-710中的某些横向移位(例如，振荡)。平滑轨迹806-812可用于确定对应车辆604-610的轨迹中是否存在相对于详细地图信息114的一致偏置。尽管自主驾驶计算机系统144可使用平滑轨迹806-812来确定详细地图信息114是否不准确，但是自主驾驶计算机系统114还可使用未平滑(即，原始)轨迹704-710来进行该确定。
为了确定详细地图信息114是否不准确，自主驾驶计算机系统144可识别假想车辆的一个或多个预期轨迹。在一个实施例中，预期轨迹可以基于从详细地图信息114选择的车道的中心线。例如，参照图5，车道514的预期轨迹(例如，图8A的轨迹814)可基于中心轨道线518，车道512的预期轨迹(例如，图8B的轨迹816)可基于中心轨道线516。在另一实施例中，预期轨迹可基于来自驾驶环境中的一个或多个车辆的先前观测和跟踪的经验数据。
然后可将平滑轨迹806-808与一个或多个预期轨迹814-816进行比较。自主驾驶计算机系统144可通过将对应车辆604、610的位置信息与自主车辆104的位置信息进行比较来确定将哪一预期轨迹与平滑轨迹806-808进行比较。由于自主驾驶计算机系统144可能对自主车辆104正在哪一车道行驶已有推测(即使该推测不准确)，所以车辆604、610的位置信息与自主车辆104的位置信息的比较结果可指示车辆是否正在与自主车辆104相同的车道或不同的车道内行驶。
在将平滑轨迹与一个或多个预期轨迹进行比较时，自主驾驶计算机系统144可确定一组或多组偏离值。这些偏离值可通过将一个或多个预期轨迹与一个或多个确定的轨迹(即，平滑和/或未平滑轨迹)进行比较来确定。
例如，如图8A所示，第一组偏离值818可对应于沿着平滑轨迹806(或未平滑/原始轨迹706)的一个或多个位置与沿着预期轨迹814的对应的一个或多个位置之间的距离差。第二组偏离值820可对应于沿着平滑轨迹808的一个或多个位置与沿着预期轨迹814的对应的一个或多个位置之间的距离差。第一组偏离值818和/或第二组偏离值820可通过任何距离类型(例如，毫米、厘米、英尺、码、英寸等)来测量。
在第二示例804中，自主驾驶计算机系统144可通过将平滑轨迹810、812与第二预期轨迹816进行比较来获得偏离值822-824。第三组偏离值822可对应于沿着平滑轨迹810的一个或多个位置与沿着预期轨迹816的对应的一个或多个位置之间的距离差，第四组偏离值824可对应于沿着平滑轨迹812的一个或多个位置与沿着预期轨迹816的对应的一个或多个位置之间的距离差。
尽管图8A-8B示出各涉及两个轨迹(这里，轨迹806-808和轨迹 810-812)的示例，但是自主驾驶计算机系统144可确定更多或更少的轨迹以用于与预期轨迹进行比较。例如，自主驾驶计算机系统144可被配置为确定阈值数量的轨迹以用于与预期轨迹进行比较。所述阈值数量的轨迹可以是任何数量的轨迹，例如一个、两个、十个或者任何其它数量。另外，所述数量的轨迹可包括独特轨迹(其中每个轨迹对应于唯一车辆)或非独特轨迹(其中不同轨迹可对应于同一车辆)的任何组合。
在将确定的轨迹与预期轨迹进行比较时，自主驾驶计算机系统144可获得用于确定驾驶环境是否已改变、因此详细地图信息114是否不准确的各种度量。这些度量可包括例如最大偏离度量、平均偏离度量和平均带符号偏离度量。
最大偏离度量可指示确定的轨迹与预期轨迹之间的最大差异。参照示例802-804，第二组偏离值820和第四组偏离值824可每个包括用于比较的各组轨迹(即，轨迹806-808和轨迹810-812)的最大偏离值。
平均偏离度量可指示确定的轨迹与预期轨迹之间的平均差异。例如，平均偏离802可通过单独或组合对第一组偏离值818和第二组偏离值820取平均来确定。类似地，示例804的平均偏离可通过单独或组合对第三组偏离值822和第四组偏离值824取平均来确定。
平均带符号偏离度量可指示确定的轨迹与预期轨迹之间的差异为负(即，轨迹横向向左移位)、为正(即，轨迹横向向右移位)、还是为中性(即，轨迹没有移位)。像平均偏离一样，示例802的平均带符号偏离可基于确定单独或组合第一组偏离值818和第二组偏离值820的带符号平均来确定。也可对示例804进行类似确定。
可使用上述度量中的一个或多个来确定驾驶环境中是否发生改变以及改变的程度。例如，可将最大偏离度量和/或平均偏离度量与阈值 偏离度量进行比较，以指示是否实际已发生改变。在最大偏离度量和/或平均偏离度量超过阈值偏离度量的情况下，自主车辆计算机系统144可确定驾驶环境中已存在改变。此外，平均带符号偏离度量可指示驾驶环境中的改变的程度和方向。
例如，参照图8A，平均带符号偏离度量可为正，因为平滑轨迹806-808被示出为在预期轨迹814的右侧。类似地，图8B的平均带符号偏离度量可为正，因为平滑轨迹810-812也在预期轨迹816的右侧。另外，平均带符号偏离度量的大小可向自主驾驶计算机系统144指示驾驶环境的改变量。因此，基于这些度量中的一个或多个，自主驾驶计算机系统144可确定驾驶环境是否已改变。
另外，自主驾驶计算机系统144可借助概率函数，该概率函数提供了驾驶环境已改变的概率值(或置信值)。概率函数可参照一个或多个概率模型来确定驾驶环境是否已改变。作为输入，概率函数可接受诸如最大偏离度量、平均偏离度量、平均带符号偏离度量等的上述偏离度量中的一个或其组合。
自主驾驶计算机系统144还可存储一个或多个概率模型，例如高速路的概率模型、公园路的概率模型等等，自主驾驶计算机系统144可基于自主车辆104的位置或驾驶环境来选择在概率函数中使用哪一个概率模型。这样，与基于将偏离度量值与对应阈值进行比较来确定驾驶环境是否已改变(例如，如果偏离度量大于阈值，则为是；如果偏离度量不大于阈值，则为否)相比，概率函数可提供驾驶环境是否已改变的粒度更高的确定(例如，83％)。
除了依赖于为单独的轨迹确定的度量以外，自主车辆计算机系统144可为对应车辆在距自主车辆104预定距离或距离阈值内的轨迹确定度量。自主车辆计算机系统144还可为合并的轨迹确定度量。这些方法参照图9-11来描述。
在一个实施例中，自主车辆104可检测在自主车辆104的前方行驶的一个或多个车辆以及在自主车辆104的后方行驶的一个或多个车辆。图9示出自主车辆104在比图6所示的驾驶环境车流更密集的驾驶环境中的示例。为了简单，在图9中使用图5的详细地图502。
尽管图9示出自主车辆104可检测分别在前方和后方行驶的车辆904-908和车辆910-914，但是自主车辆104还可检测在不同的车道中行驶的车辆(例如，车辆916-922中的任何车辆)或者在不同方向行驶的车辆，例如相对于自主车辆104在对向行驶的车辆。
基于检测和监视其它车辆，自主驾驶计算机系统144可确定对应原始轨迹(未示出)。如先前所述，自主驾驶计算机系统144可基于存储的车辆数据116(例如，车辆的位置、方向、速度以及其它这样的车辆数据116)来确定原始轨迹。这些原始轨迹可被分别取平均以生成平滑轨迹。图10示出车辆的原始轨迹已被取平均以生成对应平滑轨迹1004-1016的示例1002。
示例1002示出平滑轨迹1004-1016距自主车辆104的横向距离。为了参照，第一平滑轨迹1004可对应于车辆904，第二平滑轨迹1006可对应于车辆908，第三平滑轨迹1008可对应于车辆910，第四平滑轨迹1012可对应于车辆906，第五平滑轨迹1014可对应于车辆914，第六平滑轨迹1016可对应于车辆912。平滑轨迹1010可对应于自主车辆104。
像8A和8B的示例一样，在图10的示例中，自主驾驶计算机系统144可基于平滑轨迹与先前存储的详细地图信息114(例如，详细地图502的部分)的比较来确定偏离度量值。具体地，自主驾驶计算机系统144可基于平滑轨迹1004-1016与预期轨迹1026的比较来确定偏离度量值1018-1024。在一个实施例中，预期轨迹1026可以是自主驾 驶计算机系统144估计自主车辆104所行驶的车道的中心轨道线518。在其它实施例中，自主驾驶计算机系统144可使用从在驾驶环境中行驶的车辆的经验数据取得的预期轨迹。
自主车辆104可基于与平滑轨迹相对应的车辆与自主车辆104之间的距离来确定在确定偏离度量值时使用平滑轨迹1004-1016中的哪些。参照图9，自主车辆104可以能够检测车辆904-914。然而，由于随着车辆与自主车辆104之间的距离增加，车辆的车辆数据(例如，速度、方向、类型等)可能变得不太可靠，所以自主驾驶计算机系统144可采用各种距离阈值，例如距离阈值924-926，以确定在确定偏离度量值1018-1024时使用哪些车辆轨迹。
距离阈值可以是任何距离度量，例如米、英尺、码、英寸、厘米等。在一个实施例中，前距离阈值924和后距离阈值926可为150英尺。尽管未示出，自主车辆104还可具有横向距离阈值，例如左横向距离阈值和右横向距离阈值。自主车辆104可采用距离阈值的任何组合来限制在确定偏离度量值时使用哪些车辆轨迹。
如先前所述，自主车辆104可基于从平滑轨迹与预期轨迹的比较确定的偏离度量值来确定进一步的偏离度量值。如先前所述，进一步的偏离度量可包括一个或多个最大偏离度量(例如，每个单独的轨迹的最大偏离度量或者一组轨迹的最大偏离度量)、一个或多个平均偏离度量以及一个或多个平均带符号偏离度量。这些偏离度量可具有对应阈值(即，最大偏离度量阈值、平均偏离度量阈值和平均带符号偏离度量阈值)，自主驾驶计算机系统144使用所述阈值来确定驾驶环境是否已改变。
类似地，如参照图8A-8B所述，自主驾驶计算机系统144还可使用概率函数和一个或多个概率模型来确定驾驶环境是否已改变。在这方面，自主驾驶计算机系统144可基于驾驶环境或自主车辆104的位 置来选择概率模型。自主驾驶计算机系统144然后可向概率函数提供选择的概率模型、最大偏离度量、平均偏离度量和/或平均带符号偏离度量。概率函数的结果可指示驾驶环境相对于详细地图信息114已改变的概率。
如上所述，另外地或替选地，自主驾驶计算机系统144可使用合并轨迹来确定驾驶环境是否相对于详细地图信息114已改变。在图11中，自主驾驶计算机系统144已确定第一合并轨迹1104和第二合并轨迹1106。合并轨迹1104、1106可表示两个或更多个平滑轨迹1004-1016的平均或者由自主驾驶计算机系统144检测的车辆的两个或更多个原始轨迹的平均。
更具体地，合并轨迹中包括哪一轨迹或哪些轨迹可基于每个平滑(或原始)轨迹与自主车辆104的轨迹的关系或者每个轨迹的对应车辆与自主车辆104之间的关系。例如，被确定为在自主车辆的左侧的轨迹可被合并成一个合并轨迹，被确定为在自主车辆的右侧的轨迹可被合并成另一个合并轨迹。可针对被确定为在其它车道中的轨迹、针对被确定为来自对向车流的轨迹执行类似分组、或者其它类似分组。
例如，参照图10，自主驾驶计算机系统144已确定了平滑轨迹1004-1008每个在自主车辆104的轨迹1010的左侧。类似地，自主驾驶计算机系统144已确定了平滑轨迹1012-1016每个在自主车辆104的轨迹1010的右侧。因此，在一个实施例中，平滑轨迹1004-1008可被合并成单个合并轨迹(即，合并轨迹1104)，平滑轨迹1012-1016可被合并成另一单个合并轨迹(即，合并轨迹1106)。
在合并轨迹的另一实施例中，可基于共享重叠部分的轨迹的部分来合并平滑轨迹。由于有时候车辆以相对笔直的线(例如，在高速路等上)行驶，所以预期多于一个车辆将具有相似或近似相同的轨迹。例如，参照图9，可预期车辆904和车辆910将具有相似的轨迹。又如， 可预期车辆906和车辆912将具有相似的轨迹。因此，车辆904和车辆910的轨迹可存在重叠(或者在例如三或四厘米的容差内)的部分，并且车辆906和车辆912的轨迹可存在重叠(或者也在例如三或四厘米的容差内)的部分。基于检测到这些轨迹的部分重叠，自主驾驶计算机系统144可将这些轨迹合并。基于重叠的部分合并轨迹可包括合并完整轨迹、仅合并那些轨迹的重叠部分(例如，两个车辆可具有相似轨迹，但是那些车辆中的一个可改变车道)或其组合。
返回参照图11，自主驾驶计算机系统144然后可通过将合并轨迹与预期轨迹1026进行比较来确定偏离度量值1108-1110。如参照图10所述，预期轨迹1026可基于车辆所行驶的车道的中心轨道线518、来自其它车辆的先前监视和观测的经验数据或者其组合。基于确定的偏离度量值1108-1110，自主驾驶计算机系统144还可确定一个或多个最大偏离度量值(例如，每个单独的轨迹1108-1110的最大偏离度量值或者一组轨迹1108-1110的最大偏离度量值)、一个或多个平均偏离度量值、一个或多个平均带符号偏离度量值、驾驶环境已改变的概率值等。
另外，基于合并轨迹(例如，轨迹1104-1106)确定驾驶环境是否相对于详细地图信息114已改变的挑战之一在于，可能从基础的平滑或原始轨迹向合并轨迹中引入外部误差。因此，自主驾驶计算机系统144可确定指示合并轨迹的质量的合并轨迹质量值。可能改变合并轨迹质量值的因素可包括合并所使用的轨迹的数量、个体轨迹的噪声、个体轨迹的准确度以及其它这样的因素。增加所使用的个体轨迹的数量、使用相对干净(例如，噪声少)的个体轨迹以及使用相对准确的轨迹可生成较大的合并轨迹质量值(例如，100中的值80)。相比之下，所使用的个体轨迹的较少数量、个体轨迹中的噪声以及使用相对不准确的轨迹可生成较低的合并轨迹质量值(例如，100中的值20)。在一个实施例中，合并轨迹质量值可以是乘数，其对一个或多个确定的度量值和/或概率值进行缩放以考虑合并轨迹的质量。
因此，除了基于合并轨迹确定一个或多个最大偏离度量值、一个或多个平均偏离度量值、一个或多个平均带符号偏离度量值和/或概率值以用于确定驾驶环境是否相对于详细地图信息114已改变以外，自主驾驶计算机系统144还可在合并一个或多个轨迹时确定合并轨迹质量值。
图12示出根据本公开的多方面的基于确定的一个或多个被检测车辆的轨迹来确定驾驶环境是否已改变的逻辑流程1202的第一示例。最初，自主驾驶计算机系统144可检测并跟踪驾驶环境中的一个或多个车辆(方框1204)。自主驾驶计算机系统144可通过使用安装在自主车辆104上的一个或多个传感器(例如，激光传感器302-304、雷达检测单元306-312、相机314-316或者这些传感器的组合)来检测一个或多个车辆。
自主驾驶计算机系统144然后可存储关于被检测车辆的状态信息作为车辆数据116。如先前所述，关于被检测车辆的状态信息可包括车辆速度、车辆方向、车辆类型、自主车辆104与被检测车辆之间的距离以及其它这样的状态信息。
从被检测车辆的状态信息，自主驾驶计算机系统144可确定对应被检测车辆的一个或多个原始轨迹(方框1206)。原始轨迹可包括在给定时间范围内对应车辆的位置、速度和方向信息。自主驾驶计算机系统144然后可从原始轨迹确定平均或平滑轨迹(方框1208)。在一个实施例中，自主驾驶计算机系统144可通过对该时间范围内的原始轨迹的位置信息(整体或其部分)取平均来确定平滑轨迹。
自主驾驶计算机系统144然后可从平均的一个或多个轨迹确定一个或多个偏离度量值(方框1210)。如先前所述，可通过将平均轨迹与从详细地图信息114确定或获得的预期轨迹进行比较来确定偏离度量值。在一个实施例中，预期轨迹可以是自主驾驶计算机系统144确 定被检测车辆所行驶的车道的中心线。
自主驾驶计算机系统144然后可确定是否相对于详细地图信息114已发生驾驶环境的改变。例如，自主驾驶计算机系统144可将一个或多个确定的度量值与对应度量阈值进行比较。如果一个或多个确定的度量值超过其预定阈值，则自主驾驶计算机系统144可确定驾驶环境已改变。
另外，自主驾驶计算机系统144可利用概率函数来确定驾驶环境相对于详细地图信息144已改变的概率。在一个实施例中，自主驾驶计算机系统144可选择与自主车辆104的驾驶环境相对应的概率模型(方框1212)。选择的概率模型也可对应于详细地图信息144。自主驾驶计算机系统144然后可使用一个或多个确定的度量和选择的概率模型作为概率函数的输入。概率函数然后可得出驾驶环境已改变的概率(方框1214)。
尽管图12中未示出，但是自主驾驶计算机系统144可基于确定的驾驶环境已改变的概率来采取一个或多个动作。在一个实施例中，可建立与所述一个或多个动作相对应的一个或多个概率阈值，当超过这些概率阈值中的一个或多个时，自主驾驶计算机系统144可执行这些动作。
例如，第一概率阈值(例如，50％)可与显示警告的动作相对应。因此，当驾驶环境已改变的概率等于或超过该第一阈值时，自主驾驶计算机系统144可显示驾驶环境可能已改变的警告。在另一示例中，第二概率阈值(例如，75％)可与自主驾驶计算机系统144更新详细地图信息(例如，通过与地图提供商服务器142通信)的动作相对应。因此，当驾驶环境已改变的概率等于或超过该第二阈值时，自主驾驶计算机系统144可向地图提供商服务器142请求更新的详细地图信息。另外，如果满足或超过该第二概率阈值，则自主驾驶计算机系统114 还可显示关于确定的驾驶环境(例如，已超过第一概率阈值)的改变的警告。
参照图13，它是基于确定的一个或多个车辆的轨迹来确定驾驶环境是否已改变的逻辑流程1302的另一示例。在图13中，自主驾驶计算机系统144可基于一个或多个合并轨迹来确定驾驶环境相对于详细地图信息144是否已改变。
类似于图12的逻辑流程1202，图13的逻辑流程1302可包括检测驾驶环境中的一个或多个车辆(方框1304)，从被检测车辆确定一个或多个原始轨迹(方框1306)，然后从确定的原始轨迹确定一个或多个平均轨迹(也为方框1306)。
随后，自主驾驶计算机系统144可将一个或多个轨迹合并成一个或多个合并轨迹(方框1308)。如先前所述，合并轨迹可表示一个或多个确定的轨迹(包括原始轨迹、估计的轨迹或这二者的组合)的平均。
更具体地，自主驾驶计算机系统144可基于一个或多个合并因素来合并确定的轨迹。这些因素可包括轨迹与自主车辆104或自主车辆的轨迹的关系、轨迹的质量(例如，其准确度、噪声、持续时间等)以及其它这样的因素。
在将一个或多个确定的轨迹合并成一个或多个合并轨迹之后，自主驾驶计算机系统144然后可确定一个或多个偏离度量值(方框1310)。自主驾驶计算机系统144还可确定指示一个或多个合并轨迹的质量的一个或多个合并轨迹质量值(方框1312)。如先前所述，合并轨迹质量值可以是对偏离度量、驾驶环境已改变的概率值或其组合中的一个或多个进行缩放的乘数。
自主驾驶计算机系统144然后可确定相对于详细地图信息114是否已发生驾驶环境的改变。例如，自主驾驶计算机系统144可将一个或多个确定的度量值与对应度量阈值进行比较。如果一个或多个确定的度量值超过其对应阈值，则自主驾驶计算机系统144可确定驾驶环境已改变。
另外，自主驾驶计算机系统144可选择用于确定驾驶环境是否已改变的概率模型(方框1314)。概率模型可与自主车辆104的位置、驾驶环境、详细地图信息144或其组合相关联。如先前所述，自主驾驶计算机系统144可为不同的驾驶环境存储变化的概率模型。
最后，自主驾驶计算机系统144然后可确定驾驶环境已改变的概率(方框1316)。在一个实施例中，自主驾驶计算机系统144可通过将确定的偏离度量值、合并轨迹质量值和/或选择的概率模型传递给概率函数来确定驾驶环境是否已改变。概率函数的结果可指示驾驶环境已改变的概率。如先前所述，可在自主驾驶计算机系统144中建立与诸如显示警告、请求更新详细地图信息等的动作对应的一个或多个概率阈值，自主驾驶计算机系统144可基于概率函数的结果与这些概率阈值中的一个或多个的比较来执行这些动作中的一个或多个。
这样，自主驾驶计算机系统144确定驾驶环境相对于先前存储的详细地图信息114是否已改变。由于自自主驾驶计算机系统144中最后更新详细地图信息以来驾驶环境可能改变，所以自主驾驶计算机系统144可依赖于监视周围车辆的行为来确定是否已发生改变。另外，自主驾驶计算机系统144可监视周围车辆的一致行为改变以确定驾驶环境是否已改变。具体地，自主驾驶计算机系统144可确定周围车辆的一个或多个轨迹，然后可将这些轨迹与假想车辆的预期轨迹进行比较。在确定的轨迹与预期轨迹之间存在由各种类型的偏离度量指示的一致差异的情况下，自主驾驶计算机系统144可确定驾驶环境是否已改变。
尽管参照特定实施例描述了本公开的多方面，但是将理解，这些实施例仅是本公开的原理和应用的例示。因此将理解，在不脱离由所附权利要求书限定的本公开的精神和范围的情况下，可对例示实施例进行众多修改并且可以想到其它布置。另外，尽管某些操作和功能按照特定顺序示出，但是除非明确另外指出，否则它们可按照不同的顺序执行。
工业实用性
本发明享有广泛的工业实用性，包括但不限于车辆导航和检测系统。