CN104573311A - 道路特征预测系统和方法 - Google Patents

Abstract

一种车辆系统，包括至少一个传感器和处理设备。传感器配置用于输出代表实时采集到的基础设施信息的传感器信号。处理设备配置用于根据基础设施信息预测未来道路特征，评估预测误差，调整预测范围直到预测误差在预定的精度范围内，以及依据预测的未来道路特征控制至少一个车辆子系统。一种方法，包括接收实时采集到的基础设施信息，根据基础设施信息预测未来道路特征，评估预测误差，调整预测范围直到预测误差在预定的精度范围内，以及依据预测的未来道路特征控制至少一个车辆子系统。

Description

道路特征预测系统和方法

技术领域

本发明涉及一种道路特征预测的车辆系统和方法及一种相应的永久的计算机可读介质。

背景技术

一些车辆根据不同的情况在不同的模式中操作。例如，牵引力控制系统可以在干燥、相对平坦的道路和湿的、盘山道路上有区别地操作。一些车辆能够自动地做出调整以响应道路状况的变化。

发明内容

本发明的目的在于提供一种实现道路特征预测的车辆系统和方法以及一种相应的永久性计算机可读介质。

一种车辆系统，包含：

至少一个传感器，其配置用于输出代表实时采集到的基础设施信息的传感器信号；以及

处理设备，其配置用于根据基础设施信息预测未来道路特征，评估预测误差，调整预测范围直到预测误差在预定的精度范围内，以及依据预测的未来道路特征控制至少一个车辆子系统。

进一步地，调整预测范围包括迭代地增大预测范围直到预测误差超过最大界限值和迭代地减小预测范围直到预测误差低于最小界限值。

进一步地，预定精度范围由最大界限值和最小界限值限定。

进一步地，预测范围包括在许多位置道路状况的预测。

进一步地，增加位置的数目增大预测范围，减少位置的数目减小预测范围。

进一步地，基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。

进一步地，至少一个传感器配置用于采集环境信息。

进一步地，环境信息包括地质信息、气候信息以及天气信息中的至少一个。

一种方法，包含：

接收实时采集到的基础设施信息；

根据基础设施信息预测未来道路特征；

评估预测误差；

通过计算设备调整预测范围直到预测误差在预定的精度范围内；以及

依据预测的未来道路特征控制至少一个车辆子系统。

进一步地，调整预测范围包括迭代地：

增大预测范围直到预测误差超过最大界限值；以及

减小预测范围直到预测误差低于最小界限值。

进一步地，预定精度范围由最大界限值和最小界限值限定。

进一步地，预测范围包括在许多位置道路状况的预测。

进一步地，增加位置的数目增大预测范围，减少位置的数目减小预测范围。

进一步地，基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。

进一步地，进一步包含接收环境信息。

进一步地，环境信息包括地质信息、气候信息以及天气信息中的至少一个。

一种永久性计算机可读介质，其可触知地体现使处理器执行以下操作的计算机可执行指令，包括：

接收实时采集到的基础设施信息；

根据基础设施信息预测未来道路特征；

评估预测误差；

调整预测范围直到预测误差在预定的精度范围内；以及

依据预测的未来道路特征控制至少一个车辆子系统。

进一步地，调整预测范围包括迭代地：

增大预测范围直到预测误差超过最大界限值；以及

减小预测范围直到预测误差低于最小界限值。

进一步地，预定精度范围由最大界限值和最小界限值限定。

进一步地，预测范围包括在许多位置道路状况的预测，且其中，增加位置的数目增大预测范围，减少位置的数目减小预测范围。

根据本发明的道路特征预测的车辆系统和方法以及相应的永久性计算机可读介质能够使车辆自动地做出调整以适应道路状况的变化。

附图说明

图1说明了用于预测道路特征变化的示例性车辆系统。

图2A-2C说明了可以由车辆系统预测的道路特征的例子。

图3是可以被车辆系统执行的一个示例性过程的流程图。

图4是可以被车辆系统执行的另一个示例性过程的流程图。

具体实施方式

一种示例性车辆系统包括至少一个传感器，其实时采集基础设施信息且输出代表采集到的基础设施信息的传感器信号。处理设备处理传感器信号，根据基础设施信息预测未来道路特征，以及依照预测的未来道路特征控制至少一个车辆子系统。在某些实施方式中，处理设备评估预测误差且调整预测范围直到预测误差在预定精度范围内。

图1说明了用于预测道路特征的示例性车辆系统100。该系统可以采取许多不同的形式且包括多个和/或可替代的部件和设施。虽然示出了示例性系统，但是说明的示例性部件不用于限制。实际上，可以使用附加的或可选择的部件和/或实施方式。

如在图1中所示，系统100包括传感器(共同地表示为105，包括基础设施传感器105A和环境传感器105B)、车辆子系统110以及处理设备115。系统100可以并入任何客车或商用车辆120中，例如小汽车、卡车、越野车、公共汽车、火车、船或飞机。

传感器105可以包括任意数量的配置用于产生和输出信号的设备，根据不同的道路特征该信号帮助操作车辆120。例如，基础设施传感器105A可以采集基础设施信息且环境传感器105B可以采集环境信息。传感器105可以配置用于实时采集基础设施信息和/或环境信息且也实时输出代表采集到的信息的信号。基础设施传感器105A的例子可以包括雷达传感器、激光雷达传感器、照相机、测高仪、指南针、回转仪或诸如此类。因此，基础设施信息可以包括道路粗糙度、道路曲率和道路坡度等。在一些可能的实施方式中，可以从远程服务器无线接收基础设施信息。相应地，另一种类型的基础设施传感器105A可以包括无线通信模块。通过通信模块接收到的基础设施信息的例子可以包括如道路建设指引。环境传感器的例子105B的例子可以包括太阳光传感器、雨水传感器、温度传感器等。因此，环境信息可以包括地质信息、气候信息和天气信息。一个或多个环境传感器105B可以包括配置用于从远程服务器无线接收环境信息的无线通信模块。一些传感器105可以配置用于实时提供基础设施信息和环境信息。例如，全球定位系统(GPS)传感器可以输出代表如车辆120的海拔高度以及地理信息的信号。

处理设备115可以配置用于处理传感器105信号，根据如基础设施信息、环境信息或二者预测未来道路特征，以及依据预测的未来道路特征控制至少一个子系统110。可以由处理设备115控制的子系统110的例子可以包括动力转向子系统、动力系统子系统、有源噪声控制子系统、牵引力控制子系统、稳定控制子系统等。例如，处理设备115可以引起牵引力控制子系统和稳定控制子系统以及其他有区别地在平坦、干燥的道路和盘山潮湿的道路上操作。

如以下更详细地讨论，处理设备115可以通过观察预定时段道路特征和计算每个观察到的特征的频数预测未来道路特征。处理设备115可以进一步将权重应用于每个观察到的特征。可以给定较新的特征较大的权重。就是说，处理设备115可以将较大的权重应用于当前道路特征且将较小的权重应用于之前道路特征。换言之，在预定时段，第一测量特征将被给予最小的权重，然而当前特征(即最新测量到的特征)将被给与较大的权重。计算每个观察到的特征的频数可以包括计算观察到的特征在预定时段内变化的次数。在这种方法中，处理设备115可以根据观察到的特征在预定时段内变化的次数预测未来道路特征。

这种实施方式可以使用概率性的在线学习，如马尔可夫模型，以根据先前测定的状况不断更新关于车辆120前方的未来道路状况的信息。对于不同的驾驶员、车辆和道路状况，转移概率的马尔可夫模型可以显著变化。对于大范围的状况、驾驶员和操作模式，为了保证马尔可夫模型充分描述被建模的随机过程，转移概率的车载评估以下进行描述。

在传统的马尔可夫链模型中，转移概率p_ij＝P(w^j＝w(t+1)|wⁱ＝w(t))，其中wⁱ,w^jW通过频数定义，即p_ij＝N_ij/N_i其中N_ij是具有w(t)＝wⁱ和w(t+1)＝w^j的事件数，且N_i是具有w(t)＝wⁱ和w(t+1)属于有限数的状态J中的任何一个的事件数。对于一个给定的观察N的总数，转移概率可以形式上通过平均频数进行表达，即p_ij＝(N_ij/N)/(N_i/N)。在马尔可夫链的在线学习版本中，这些平均频数用他们的以指数方式加权的补数(counterpart)取代，其具有指定给最近的观察的较大的权重。数学上，产生具有以指数方式递减的权重的(N_ij/N)的加权平均数替代的过程能够通过在时间域中应用执行指数平滑算法的低通滤波器实现：

F_ij,new   (1)

其中恒定的学习速率0<α≤1通过为旧的观察指定一组以指数方式递减的权重控制F_ij更新的速率。对于恒定的学习速率α，表达式(1)递归地产生具有单位总和正权重矢量：

W＝[(1-α)^kα(1-α)^k-1α(1-α)^k-2…α]   (2)

矢量W描述具有以指数方式递减的权重的加权平均数型集结算子(aggregating operator)，其由学习率α参数化。学习率α定义加权平均数集结算子的存储深度(memory depth)(即移动窗口的长度)。存储深度K约为学习速率的倒数，即K≈1/α。因此，(1)中的F_ij代表个别观察在权重W下的加权平均数。作为选择，对于加权的(N_i/N)变式：

F_i，new＝(1-α)F_i，old+α，如果w(t)＝wⁱ   (3)

作为所有具有w(t)＝wⁱ和w(t+1)属于有限数的状态J中的任意一个的事件的加权平均数的表示。

加权平均数可以由属于软间隔{t–K+1，t]的事件计算，其中符号“{”表明软间隔下限，其包括具有比具有相对低的贡献的t–K低的指数的值。因此，从以指数方式加权的平均数获得以指数方式加权的转移概率

p_ij＝F_ij/F_i.   (4)

等式(4)的转移概率的定义考虑到对变化的车辆120、道路和交通状况，以及驾驶的类型的连续适应。此外，通过使用矢量化学习，处理设备115能够微调更新与不同的马尔可夫状态有关的转移概率的过程。目前的状态概率矢量x和一步之前的状态概率和x+通过转移概率联系为

(x⁺)^T＝x^TP.   (5)

对于之前的t>1的步骤，查普曼 柯尔莫哥洛夫方程

(x^+t)^T＝x^TP^t.   (6)

在另一种可能的方法中，处理设备115可以做出服从于预测误差的未来道路特征预测。在这个实施方式中，处理设备115可以评估预测误差且调整预测范围直到预测误差在预定精度范围内。预测范围可以包括在车辆120很可能的路线上许多连续位置的道路特征预测。调整预测范围可以包括迭代地增加预测范围(即在不同位置的未来道路特征的数目)直到预测误差超过最大界限值且减小预测范围直到预测误差低于最小界限值。因此，增加位置的数目增大预测范围，减少位置的数目减小预测范围。最大界限值和最小界限值可以定义预定精确度范围。正如之前的方法，处理设备115可以依据预测的未来道路特征控制一个或多个车辆子系统110。

在这种方法中，使依据解决的问题是在时间k道路曲率、坡度或粗糙度测量中的任何一个的替代，且假设替代可以被建模为正弦曲线的有限总和，即

$\mathrm{\&gamma;}\left(k\right)=\underset{i=1}{\overset{\&Element;}{\mathrm{\&Sigma;}}}[A_i\sin ({\mathrm{\&omega;}}_{i}k+{\mathrm{\&phi;}}_i)+B_i\cos ({\mathrm{\&omega;}}_{i}k+{\mathrm{\&phi;}}_i)]---\left(7\right)$

其中A_i,B_i,ω_i,φ_i未知。然后替代由以下传导

γ(k+1)＝θ(k)φ(k)   (8)

其中是模型参数的矢量，以及

是目前和过去数据的矢量。下一步，使正数r为替代预测范围的宽度。然后，替代γ(k+r),由在以下状态空间形式中写入方程(7)获得。

$\left[\begin{array}{c}\mathrm{\&gamma;}(k+1)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+2)\end{array}\right]=A\left(k\right)\left[\begin{array}{c}\mathrm{\&gamma;}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+1)\end{array}\right]---\left(10\right)$

$\mathrm{\&gamma;}\left(k\right)=\left[\begin{array}{cccc}1& 0& ...& 0\end{array}\right]\left[\begin{array}{c}\mathrm{\&gamma;}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+1)\end{array}\right]---\left(11\right)$

其中

是动态替代。以及

其遵循等式(10)–(11)，在k+r的替代是

$\mathrm{\&gamma;}(k+r)=\left[\begin{array}{cccc}1& 0& ...& 0\end{array}\right]\underset{i=1}{\overset{r}{\mathrm{\&Pi;}}}A(k+i-1)\left[\begin{array}{c}\mathrm{\&gamma;}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+1)\end{array}\right].---\left(14\right)$

下一步，假设A(k)随着时间缓慢演变，以使对于i＝1,...,r来说,

A(k+i)≈A(k)   (15)

以及等式(14)可以改写为

$\mathrm{\&gamma;}(k+r)\&ap;\left[\begin{array}{cccc}1& 0& ...& 0\end{array}\right]A^r\left(k\right)\left[\begin{array}{c}\mathrm{\&gamma;}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+1)\end{array}\right].---\left(16\right)$

下一步，因为A(k)未知，A(k)的估计称为用于估计未来r步的替代，以便

$\widehat{\mathrm{\&gamma;}}(k+r)=\left[\begin{array}{cccc}1& 0& ...& 0\end{array}\right]{\hat{A}}^r\left(k\right)\left[\begin{array}{c}\mathrm{\&gamma;}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\&gamma;}(k-n+1)\end{array}\right]---\left(17\right)$

其中

以及是θ(k)的估计。

函数可以由以公式表示递归最小二乘价值函数计算

$J\left(\widehat{\mathrm{\&theta;}}\left(k\right)\right)\stackrel{\mathrm{\&Delta;}}{=}\underset{i=r+1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}^{k-i}\left|\right|\widehat{\mathrm{\&theta;}}\left(k\right)\mathrm{\&phi;}\left(i\right)-\mathrm{\&gamma;}\left(i\right)|{|}^2+{\mathrm{\&lambda;}}^k\mathrm{Tr}(\widehat{\mathrm{\&theta;}}\left(k\right)-\widehat{\mathrm{\&theta;}}\left(0\right))P^{-1}\left(0\right){(\widehat{\mathrm{\&theta;}}\left(k\right)-\widehat{\mathrm{\&theta;}}\left(0\right))}^T---\left(19\right)$

其中是正定且λ∈(0,1]是遗忘因子。等式(19)的最小元是

$\begin{array}{c}\widehat{\mathrm{\&theta;}}\left(k\right)\stackrel{\mathrm{\&Delta;}}{=}\widehat{\mathrm{\&theta;}}(k-1)+\mathrm{\&beta;}\left(k\right)[\widehat{\mathrm{\&theta;}}(k-1)\mathrm{\&phi;}(k-1)-\mathrm{\&gamma;}(k-1)][{\mathrm{\&phi;}}^T(k-1)P(k-1)\mathrm{\&phi;}(k-1)+{\mathrm{\&lambda;}]}^{-1}\\ \&CenterDot;{\mathrm{\&phi;}}^T(k-1)P(k-1),\end{array}---\left(20\right)$

其中β(k)是0或1。当β(k)＝1时，模型被更新，然而，当β(k)＝0,模型固定。P(k)由以下更新

$\begin{array}{c}P\left(k\right)\stackrel{\mathrm{\&Delta;}}{=}{\mathrm{\&lambda;}}^{-1}P(k-1)\\ -\mathrm{\&beta;}\left(k\right){\mathrm{\&lambda;}}^{-1}P(k-1)\mathrm{\&phi;}(k-1)[{\mathrm{\&phi;}}^T(k-1)P(k-1)\mathrm{\&phi;}(k-1)+\mathrm{\&lambda;}{]}^{-1}{\mathrm{\&phi;}}^T(k-1)P(k-1)\end{array}---\left(21\right)$

P(0)初始化为αI，其中α>0。

处理设备115可以进一步配置为执行强化学习。强化学习尝试解决选择一组状态转换的问题，以便最大化一些预先定义的性能指标，其是回报函数。

在替代预测的情况中，使作为时间k的函数的预测范围r(k)＝0,...,m是许可的状态的一组，其中m是最大许可的范围大小。在一些例子中，选定范围以便r尽可能的大。然而，如上所提及的，随着r增加预测精度减小。因此，回报函数可以是

$J\left(k\right)=\underset{t=k}{\overset{k+h}{\mathrm{\&Sigma;}}}\mathrm{\&gamma;}\left(k\right)R(r\left(k\right),r(k+1),e\left(k\right),e(k+1)),---\left(22\right)$

其中0≤γ(k)<1，是折扣因子，且R(·)是范围r和预测误差e的函数且是用户定义的以提供想要的范围大小和预测精度之间的平衡。下一步，强化学习用于使J(k)最大化，因此确定范围r(k)，其导致想要的范围大小和要求的精度之间的平衡。

通常，计算系统和/或设备，例如处理设备115，可以使用许多计算机操作系统中任何一个，包括但是并不限于福特操作系统，Microsoft操作系统、Unix操作系统(如加利福尼亚红木滩的甲骨文公司发布的操作系统)、纽约阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统、Linux操作系统和加利福尼亚库比蒂诺的苹果公司发布的Mac OS X和iOS操作系统以及开放手机联盟发布的安卓操作系统的版本和/或变体。计算设备的例子包括但不限于车载计算机或控制单元、计算机工作站、服务器、台式机、笔记本电脑、便携式电脑、或手持式计算机、或一些其他计算系统和/或设备。

计算设备通常包括计算机可执行的指令，其中指令可被一种或多种例如上面所列的那些计算设备执行。计算机可执行的指令可以从使用多种程序设计语言和/或技术建立的计算机程序来编译或解读，这些语言和/或技术包括但不限于Java^TM，C，C++，Visual Basic，Java Script，Perl等中单独一个或结合。通常，处理器(如微处理器)如从存储器、计算机可读介质等接收指令，并且执行这些指令，从而执行一个或多个过程，包括本发明中所述过程的一个或多个。这样的指令和其它数据可以使用多种计算机可读介质被存储和传送。

计算机可读介质(也被称为处理器可读介质)包括参与提供计算机(如计算机的处理器)可读的数据(如指令)的任何永久性(如有形的)介质。这样的介质可以采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括，例如光盘或磁盘以及其他持久存储器。易失性介质可以包括例如动态随机存取存储器(DRAM)，其典型地构成主存储器。这些指令可以通过一种或多种传输介质被传送，包括同轴电缆，铜线和光纤，包括由耦合到计算机处理器的系统总线组成的线。计算机可读介质的普遍形式包括，例如软盘(floppy disk)，柔性磁盘(flexible disk)，硬盘，磁带，其它磁性介质，CD-ROM,，DVD，其它光学介质，穿孔卡片，纸带，其它具有孔排列模式的物理介质，RAM，PROM，EPROM，FLASH-EEPROM，其它存储芯片或磁片盒，或其它计算机可读的介质。

数据库，数据储存库，或其它本发明中描述的数据存储可以包括各种类型的用于存储、访问和检索多种数据的机制，包括层次数据库，文件系统的一组文件，专用格式的应用数据库，关系数据库管理系统(RDBMS)等。每个这样的数据存储通常包括在使用例如上述提到的那些之一的计算机操作系统的计算设备内，通过网络以各种方式中的任意一种或多种进行访问。文件系统可以从计算机操作系统访问，可以包括以不同格式存储的文件。RDBMS除了使用创建、存储、编辑和执行存储过程的语言之外，通常使用结构化查询语言(SQL)，例如上述提到的PL/SQL语言。

在一些例子中，系统元件可以作为计算机可读指令(如软件)在一个或多个计算设备(如服务器，个人电脑等)上执行，在与此相关的计算机可读介质(如盘，存储器等)中存储。计算机程序产品可以包含这样的存储在计算机可读介质中用于执行在此描述的功能的指令。

图2A-2C说明了可以由处理设备115评估的示例性道路特征。在这些图中，处理设备115在许多位置或路段采集基础设施信息以预测未来道路特征。虽然为了清楚和简化起见，只示出了五个路段，但是处理设备115可以在任意数量的路段采集基础设施信息。

如图2A所示，处理设备115可以采集道路曲率信息。处理设备115可以确定在路段1、3和5曲率相对较低，且在路段2和4曲率相对较高。因此，处理设备115做出预测在车辆120的路线上道路曲率在高曲率和低曲率之间交替变化且相应地在不同的时间和位置调整一个或多个子系统110的操作模式。处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路曲率最可能改变的位置。处理设备115可以进一步考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中，且假设车辆120从路段1行进到路段5，较大的权重可以被应用于在路段5采集到的特征(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的特征(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的特征。

现在参考图2B，处理设备115可以采集道路粗糙度信息。处理设备115可以确定，在路段1、3和5粗糙度相对较低且在路段2和4粗糙度相对较高。因此，处理设备115做出预测在车辆120的路线上道路粗糙度在高粗糙度系数和低粗糙度系数之间继续交替变化且相应地在不同的时间和位置调整一个或多个子系统110的操作模式。如上所讨论的，处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路粗糙度最可能改变的位置。处理设备115可以进一步考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中，且假设车辆120从路段1行进到路段5，较大的权重可以被应用于在路段5采集到的粗糙度系数(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的粗糙度系数(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的粗糙度系数。

同样的分析可以应用于图2C所示的道路坡度。就是说，处理设备115可以确定在路段1、3和5坡度系数相对较低，且在路段2和4坡度相对较高。因此，处理设备115做出预测在车辆120的路线上道路坡度在高坡度系数和低坡度系数之间继续交替变化且相应地在不同的时间和位置调整一个或多个子系统110的操作模式。如上所讨论的，处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路坡度最可能改变的位置。当做出预测时，处理设备115可以进一步考虑地形信息，地形信息可以通过GPS传感器或其他环境传感器105A获得。处理设备115可以考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中，且假设车辆120从路段1行进到路段5，较大的权重可以被应用于在路段5采集到的坡度系数(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的坡度系数(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的坡度特征。

在一些实例中，路段可以是不同的长度。因此，处理设备115可以进一步预测下一个路段的长度且相应地控制一个或多个子系统110的操作。此外，路段可以是如此短以至于处理设备115可以决定根据当前特征而非未来或预测的道路特征操作一个或多个子系统110。例如，在之后有短的、相对直的路段跟随的长的高曲率路段的道路上，处理设备115可以确定，行动的最佳方案是保持子系统110在与高曲率有关的模式中操作，甚至当行进通过具有相对较低曲率的路段时。换言之，处理设备115可以配置用于当控制一个或多个子系统110的操作模式时，忽略某些预测。

图3是可被处理设备115执行以如预测未来道路特征的一个示例性过程300的流程图。

在框305中，处理设备115可以接收一个或多个传感器105实时采集的基础设施信息、环境信息或二者。基础设施信息可以包括道路粗糙度、道路曲率、道路坡度及道路建设指引中的一个或多个。环境信息的例子可以包括地质信息、气候信息和天气信息。

在框310中，处理设备115可以处理在框305接收到的基础设施信息和/或环境信息。处理基础设施信息和/或环境信息可以包括分别解码从基础设施传感器105A和/或环境传感器105B接收到的信号。

在框315中，处理设备115可以根据基础设施信息和/或环境信息预测未来道路特征。在一个可能的实施方式中，预测未来道路特征可以包括观察在预定时段多个道路特征中的至少一个且计算每个观察到的特征的频数。计算观察到的特征的频数可以包括计算观察到的特征在预定时段内变化的次数。因此，可以根据观察到的特征在预定时段内变化的次数预测未来道路特征。此外，当做出未来道路特征预测时，处理设备115可以将不同的权重应用于每个观察到的特征。如上所讨论的，较大的权重可以应用于当前道路特征且相对较低的权重可以应用于之前道路特征。

在框320中，处理设备115可以依照预测的未来道路特征控制至少一个子系统110，包括如果处理设备115确定预测的未来道路特征只存在相对短的时间，忽视预测的未来道路特征。过程300在框320之后可以返回至框305。

图4是可被处理设备115执行以如预测未来道路特征的另一个示例性过程400的流程图。

在框405中，处理设备115可以接收一个或多个传感器105实时采集到的基础设施信息、环境信息或二者。基础设施信息可以包括道路粗糙度、道路曲率、道路坡度及道路建设指引中的一个或多个。环境信息的例子可以包括地质信息、气候信息和天气信息。

在框410中，处理设备115可以处理在框405接收到的基础设施信息和/或环境信息。处理基础设施信息和/或环境信息可以包括分别解码从基础设施传感器105A和/或环境传感器105B分别接收到的信号。

在框415中，处理设备115可以根据基础设施信息和/或环境信息预测未来道路特征。在框415中的预测可以根据相对于预测误差的预测范围。预测范围可以包括在车辆120最可能的路线上连贯的位置许多道路特征的预测。

在框420中，处理设备115可以评估预测误差。一种评估预测误差的方式可以包括确定预先做出预测的精度。例如，处理设备115可以将特定位置预测的道路特征与在那个位置实际道路特征进行比较。对于每个位置预测误差可以是不同的，且预测误差可以随着距离车辆120位置的增加而增加。因此，处理设备115可以从最不准确的预测(即距离车辆120最远的位置的道路特征预测)确定预测误差。

在判定框425，处理设备115确定预测是否超过界限值。如果超过了界限值，过程400在框430中继续。如果预测误差没有超过界限值，过程400可以在框435中继续。

在框430中，处理设备115可以减小预测范围。一种减小预测范围的方式是减少处理设备115做出的预测数目。例如，处理设备115可以停止做出在一个或多个距离车辆120较远的位置的道路特征的预测，因为那些预测很有可能是具有最大的预测误差。在减小预测范围之后，过程400可以返回至框405。

在判定框435，处理设备115可以确定预测误差是否低于最小值。如果预测误差低于最小值，过程400可以在框440中继续。然而，如果预测误差不低于最小值，过程400可以在框445中继续。

在框440中，处理设备115可以增大预测范围。增大预测范围可以包括增加处理设备115做出的预测的数目。例如，为了增大预测范围，处理设备115可以做出在比当前预测更远位置的道路特征的预测。在预测范围增大之后，过程400可以返回至框405。

在框445，处理设备115可以依据预测的未来道路特征控制至少一个子系统110，包括如果处理设备115确定预测的未来道路特征只存在相对短的时间，忽视预测的未来道路特征。过程400在框445之后可以返回至框405。

关于本发明中所述的过程、系统、方法、启示等，应当理解的是，虽然这些过程的步骤等被描述成根据一定的有序序列发生，这些过程可以被实施为采用所述步骤以不同于本发明所述顺序的顺序执行。进一步应当理解，某些步骤可以同时执行，其它步骤可以增加，或在此所述的某些步骤可以省略。换句话说，提供本发明过程的描述目的在于说明某些实施例，而不应以任何方式被解释为限制权利要求。

因此，应当理解的是，上述描述旨在说明而不是限制。在阅读上述说明基础之上，除了提供的示例以外的许多实施例和应用是显而易见的。本发明的范围不应当参照上述说明确定，而是应该参照权利要求连同这些权利要求所享有的全部等同范围确定。可以预见和预期的是，未来的发展将会发生在本发明讨论的技术领域，本发明所公开的系统和方法将会被结合到这些未来的实施例中。总之，应当理解的是，该应用能够进行修改和变化。

在权利要求中使用的所有术语旨在被给予它们最宽泛的合理解释和如本领域中技术人员理解的其通常含义，除非在此作出意思相反的明确指示。特别是单数冠词如“一”，“该”，“所述”等的使用应被理解为叙述一个或多个所示元件，除非权利要求中表达了相反的明确限制。

提供发明摘要以允许读者快速弄清此技术公开的本质。提交该发明摘要的情况下，应理解其不用于解释或限制权利要求的范围和含义。此外，在前述具体实施方式中，能够看出，为了简化本发明的目的，不同的特征被集合在不同的实施例中。这种公开方法不应被解释为反映所要求保护的实施例需要比在每项权利要求中清楚叙述的更多的特征的意图。相反，如以下权利要求反映的那样，发明主旨在于少于单一公开的实施例的所有特征。因此，以下的权利要求在此结合到具体实施方式中，每条权利要求自身作为单独要求保护的主题。

Claims (20)

1.一种车辆系统，其特征在于，包含：

至少一个传感器，其配置用于输出代表实时采集到的基础设施信息的传感器信号；以及

处理设备，其配置用于根据基础设施信息预测未来道路特征，评估预测误差，调整预测范围直到预测误差在预定的精度范围内，以及依据预测的未来道路特征控制至少一个车辆子系统。

2.根据权利要求1所述的车辆系统，其特征在于，调整预测范围包括迭代地增大预测范围直到预测误差超过最大界限值和迭代地减小预测范围直到预测误差低于最小界限值。

3.根据权利要求2所述的车辆系统，其特征在于，预定精度范围由最大界限值和最小界限值限定。

4.根据权利要求1所述的车辆系统，其特征在于，预测范围包括在许多位置道路状况的预测。

5.根据权利要求4所述的车辆系统，其特征在于，增加位置的数目增大预测范围，减少位置的数目减小预测范围。

6.根据权利要求1所述的车辆系统，其特征在于，基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。

7.根据权利要求1所述的车辆系统，其特征在于，至少一个传感器配置用于采集环境信息。

8.根据权利要求7所述的车辆系统，其特征在于，环境信息包括地质信息、气候信息以及天气信息中的至少一个。

9.一种方法，其特征在于，包含：

接收实时采集到的基础设施信息；

根据基础设施信息预测未来道路特征；

评估预测误差；

通过计算设备调整预测范围直到预测误差在预定的精度范围内；以及

依据预测的未来道路特征控制至少一个车辆子系统。

10.根据权利要求9所述的方法，其特征在于，调整预测范围包括迭代地：

增大预测范围直到预测误差超过最大界限值；以及

减小预测范围直到预测误差低于最小界限值。

11.根据权利要求10所述的方法，其特征在于，预定精度范围由最大界限值和最小界限值限定。

12.根据权利要求9所述的方法，其特征在于，预测范围包括在许多位置道路状况的预测。

13.根据权利要求12所述的方法，其特征在于，增加位置的数目增大预测范围，减少位置的数目减小预测范围。

14.根据权利要求9所述的方法，其特征在于，基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。

15.根据权利要求9所述的方法，其特征在于，进一步包含接收环境信息。

16.根据权利要求15所述的方法，其特征在于，环境信息包括地质信息、气候信息以及天气信息中的至少一个。

17.一种永久性计算机可读介质，其特征在于，其可触知地体现使处理器执行以下操作的计算机可执行指令，包括：

接收实时采集到的基础设施信息；

根据基础设施信息预测未来道路特征；

评估预测误差；

调整预测范围直到预测误差在预定的精度范围内；以及

依据预测的未来道路特征控制至少一个车辆子系统。

18.根据权利要求17所述的永久性计算机可读介质，其特征在于，调整预测范围包括迭代地：

增大预测范围直到预测误差超过最大界限值；以及

减小预测范围直到预测误差低于最小界限值。

19.根据权利要求17所述的永久性计算机可读介质，其特征在于，预定精度范围由最大界限值和最小界限值限定。

20.根据权利要求17所述的永久性计算机可读介质，其特征在于，预测范围包括在许多位置道路状况的预测，且其中，增加位置的数目增大预测范围，减少位置的数目减小预测范围。