CN104778850A - 确定道路模型需要更新的部分 - Google Patents

Abstract

本发明涉及确定道路模型需要更新的部分。一种用于确定由自动驾驶公路车辆使用的道路模型的哪些部分需要更新的计算机实现的方法使用从多个自动驾驶公路车辆的传感器得到的差异数据。差异数据可以表明传感器数据与道路模型之间的差异，或可以表明道路上的自动驾驶公路车辆表现不佳的部分。聚集差异数据，并且使用聚集的差异数据来识别对应于所述道路的所述聚集的差异数据超过阈值的部分的所述道路模型的那些部分，作为所述道路模型的需要更新的部分。

Description

确定道路模型需要更新的部分

相关申请的交叉引用

本申请要求2014年1月6日提交的申请号为61/923,923的美国临时专利申请的优先权，该美国临时专利申请的教导通过引用并入本文。

技术领域

本公开涉及用于自动驾驶公路车辆的道路模型，更特别地涉及确定道路模型需要更新的部分。

背景技术

自动驾驶公路车辆依靠一批传感器和表示自动驾驶公路车辆在上面行驶的道路的特征的道路模型。道路模型从在此前日期获取的道路调查数据(例如点云、地理参考图像)而得到。典型地包括车载计算机的控制系统使用传感器以获得关于环境的信息，然后可以将关于环境的信息与道路模型结合使用，来引导自动驾驶公路车辆沿着道路行驶，同时遵守交通信号并避免与行人和其他车辆碰撞。自动驾驶公路车辆可以在道路上自主导航而无需人工干预。

为了使自动驾驶公路车辆有效地运行，它依靠的道路模型必须足够最新。例如，如果现实道路上的高速公路入口匝道或出口匝道的位置已经改变，但是道路模型没有反映这个改变，则自动驾驶公路车辆可能无法导航进入或离开匝道。即使是道路与道路模型之间较不显著的改变或差异，例如车道标志线的褪色或重画，也会阻碍自动驾驶公路车辆的性能。

因此，重要的是道路模型保持最新。然而，同时，更新道路模型涉及利用载有传感器的车辆遍历相应的道路，随后处理这样获得的传感器数据。此外，因为未必知道道路的哪些部分已经改变以致需要更新道路模型的相应部分，因此必须遍历整个道路。这对于包括广泛的公路网络的道路，是非常昂贵的过程。因此，更新道路模型的成本可能阻止道路模型的管理人尽可能地保持道路模型最新。

发明内容

用于自动驾驶公路车辆的控制系统可以包括确定可以表明道路模型过时的差异数据的算法。差异数据可以通过记录道路上的自动驾驶公路车辆表现不佳的部分来获得，或者通过比较当前感测到的公路特性和与公路有关的特征与道路模型的内容来获得。控制系统可以连接至发送差异数据至处理中心用于分析的通信系统。可替选地，可以发送传感器数据至处理中心，且该处理中心可以确定差异数据。自动驾驶公路车辆可以具有用于另一目的(例如，车辆和人身安全)的通信系统，该通信系统还可以用来传送差异数据和/或传感器数据。处理中心将接收(或确定)差异数据并分析差异数据来确定显著性。分析可以寻找对于相同位置已经从多个自动驾驶公路车辆接收的差异数据的一致性。根据分析差异数据的结果，处理中心将增加用于重新获取数据的进行中的计划，该进行中的计划将用来更新道路模型，以便平衡道路模型最新的需求和生成更新的成本。

在一个方面中，一种用于确定表示现实道路的道路模型的哪些部分需要更新的计算机实现的方法，包括：维护现实道路的道路模型。所述道路模型足以使自动驾驶公路车辆的自主无人驾驶操作成为可能。所述方法还包括：从所述道路上的多个自动驾驶公路车辆接收针对所述道路上的已知位置的差异数据；以及聚集所述差异数据成聚集的差异数据。对于所述道路的至少一些部分，所述聚集的差异数据包括来自多个单独的自动驾驶公路车辆的差异数据。所述方法还包括：使用所述聚集的差异数据来识别对应于所述道路的所述聚集的差异数据超过阈值的部分的所述道路模型的那些部分，作为所述道路模型的需要更新的部分。

在另一方面中，一种用于确定表示现实道路的道路模型的哪些部分需要更新的计算机实现的方法，包括：维护现实道路的道路模型，其中所述道路模型足以使自动驾驶公路车辆的自主无人驾驶操作成为可能；以及从所述道路上的多个自动驾驶公路车辆、从由每个自动驾驶公路车辆携带的至少一个传感器接收与所述道路上的已知位置相关的传感器数据。所述传感器数据表示对应于所述道路模型中的模型特征的所述道路的至少一个特征。所述方法还包括：使用所述传感器数据来确定差异数据并聚集所述差异数据成聚集的差异数据。对于所述道路的至少一些部分，所述聚集的差异数据包括来自多个单独的自动驾驶公路车辆的差异数据。所述方法还包括：使用所述聚集的差异数据来识别对应于所述道路的所述聚集的差异数据超过阈值的部分的所述道路模型的那些部分，作为所述道路模型的需要更新的部分。

差异数据可以识别所述道路上的所述自动驾驶公路车辆经历的表现不佳的位置。

差异数据可以表示在所述道路上的已知位置处所述道路模型中的信息与来自由每个自动驾驶公路车辆携带的至少一个传感器的传感器数据之间的差异。

传感器数据可以包括图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据中的至少一个。

所述阈值可以是例如预定的固定的阈值或自适应阈值。所述阈值可以通过应用统计模型到所述差异数据而产生。

在另一方面中，一种用于提供在确定表示现实道路的道路模型的哪些部分需要更新时使用的数据的计算机实现的方法，包括：通过由在所述道路上行驶的自动驾驶公路车辆携带的数据存储设备，存储对应于所述自动驾驶公路车辆在上面行驶的所述道路的一部分的所述道路模型的至少一部分的副本。所述道路模型足以使自动驾驶公路车辆的自主无人驾驶操作成为可能。所述方法还包括：当所述自动驾驶公路车辆在所述道路上行驶时，获得来自由所述自动驾驶公路车辆携带的至少一个传感器的传感器数据。所述传感器数据表示所述道路上的已知位置处所述道路的至少一个特征并且对应于所述道路模型中的模型特征。由所述自动驾驶公路车辆携带且耦合到数据存储设备的处理器使用所述传感器数据来确定所述道路上的已知位置处的差异数据；以及发送所述差异数据用于分析。

使用传感器数据来确定所述道路上的已知位置处的差异数据，可以包括：识别所述道路上的所述自动驾驶公路车辆经历的表现不佳的位置，或者可以包括：将所述传感器数据与所述道路模型的至少一部分的副本进行比较，来确定所述传感器数据与所述道路模型之间的差异。

传感器数据可以包括图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据中的至少一个。

在其他方面中，提供了用于实现上述方法的数据处理系统和计算机程序产品。

附图说明

这些和其它特征从下面参考附图的描述将变得更明显，附图中：

图1示出用于确定表示现实道路的道路模型的哪些部分需要更新的第一种方法；

图2示出用于确定表示现实道路的道路模型的哪些部分需要更新的第二种方法；以及

图3示出可以用在实现本文描述的技术的各方面中的示例性计算机系统。

具体实施方式

现在参考图1，图1示意性地示出了用于确定表示现实道路的道路模型的哪些部分需要更新的第一种方法100。包括一个或多个计算机的道路模型管理系统102维护对现实道路106进行建模的道路模型104。重要地，道路模型104不仅仅是匹配道路至绝对位置的简单地图，例如在传统的全球导航卫星系统(globalnavigation satellite system，GNSS)应用中所使用的，而是足以使自动驾驶公路车辆的自主无人驾驶操作成为可能。道路模型104可以包括公路特性和与公路有关的特征的空间数据库。形成公路模型104的一部分的模型特征可以包括，例如但不限于：

●影响改变车道的能力的车道标志线的位置、类型和颜色(例如，博茨贴砖(Botts dot)、白色单虚线、黄色单虚线、白色单实线、黄色单实线、白色双线、黄色双线、带白色虚线的白色实线、带黄色虚线的黄色实线、不见的或难识别的标志线、等等)；

●高速公路出口的位置；

●十字路口的位置和尺寸；

●限速改变的位置；

●道路和道路边缘的物理特征；以及

●公路名称(具有固定公路名称的公路的起点和终点)。

多个自动驾驶公路车辆108自主地在公路106上驾驶。尽管人类可以存在于自动驾驶公路车辆108中，但是自动驾驶公路车辆108无需人工控制而遍历道路106。每个自动驾驶公路车辆108携带一批传感器110。尽管为了便于说明，简单地示为单个元件，但是实际上传感器110会典型地分布于自动驾驶公路车辆108。传感器110可以包括，例如但不限于：图像传感器、雷达传感器、激光雷达(LIDAR)传感器、GNSS传感器、惯性导航系统(inertial navigation system，INS)、惯性测量单元(inertial measurement unit，IMU)、加速度计、倾斜计、振动传感器、罗盘、磁力计、颜色传感器、光传感器、天气传感器和声音传感器，这些传感器可以分别产生图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据。传感器110耦合到由自动驾驶公路车辆108携带的相应的车载计算机112，车载计算机112包括耦合到数据存储设备的处理器对于本领域技术人员是显而易见的。车载计算机112还连接到相应的自动驾驶公路车辆108的车辆控制(转向、加速、制动)。在车载计算机112上运行的软件控制自动驾驶公路车辆108，并通过知道自动驾驶公路车辆108在哪以及将来自传感器110的数据的分析与道路模型104进行比较来计算驾驶策略。因此，车载计算机112是用于自动驾驶公路车辆108的控制系统。

自动驾驶公路车辆108，特别是其传感器110与计算机112，提供用于在确定道路模型104的哪些部分需要更新时使用的数据。

每个自动驾驶公路车辆108的计算机112的数据存储设备存储道路模型104的至少一部分的副本；即，道路模型104的所述至少一部分对应于自动驾驶公路车辆108在上面行驶的道路106的一部分。每个自动驾驶公路车辆108的计算机112的数据存储设备可以存储整个道路模型104的副本，或者可以例如从道路模型管理系统102周期性地获得道路模型104的一部分的副本，道路模型104的所述部分对应于自动驾驶公路车辆108在上面行驶的道路106的一部分。

当自动驾驶公路车辆108在道路上行驶时，传感器110获得表示道路106的至少一个特征的传感器数据，道路106的所述至少一个特征对应于道路模型104的模型特征。例如，如上所述，道路模型104可以表明道路的车道标志线的存在、颜色和线型作为模型特征，并且传感器110可以获得描绘道路上车道标志线的位置、颜色和线型的传感器数据。

对于每个自动驾驶公路车辆108，计算机112的处理器使用传感器数据以确定差异数据114。在一些实施方式中，计算机112将传感器数据与道路模型104的至少一部分的副本进行比较，差异数据114表示在道路106上的已知位置处传感器数据与道路模型104之间的差异。在其它实施方式中，差异数据114识别在道路上的自动驾驶公路车辆108经历的表现不佳的位置；即，传感器110不必检测传感器数据与道路模型104之间的偏差以记录差异数据114—计算机112可以简单地检测自动驾驶公路车辆108在道路106的特定部分上表现不佳。例如，自动驾驶公路车辆108可能拉到出口匝道上的右侧，导致自动驾驶公路车辆108脱离车道中心(如通过分析来自传感器110的传感器输出所检测的，传感器输出例如来自观察白色线的照相机的图像数据)。这可能是由于车道标志线的褪色或在略微不同位置的重画，或者由于公路形状因建设而改变—在自动驾驶公路车辆108上的计算机112不必知道表现不佳的原因；计算机112可以简单地报告控制策略不是最佳的或自动驾驶公路车辆108表现不稳定。如果由多个自动驾驶公路车辆108报告，则针对道路106的特定部分的差异数据可能保证重新调查道路106的该部分，要么因为已经发生了改变，要么因为在道路模型104中的相关数据需要改进。

在差异数据114表示在道路106上的已知位置处传感器数据与道路模型104之间的差异时，可以以多种方式确定差异数据114，下面描述一些非限制性的示例。

在一个示例性实现方式中，计算机112可以从道路模型预测什么是期望的未处理或轻度处理的(例如针对不同环境条件标准化的)传感器数据，然后计算预测的传感器数据和实际的传感器数据之间的偏差。计算机112可以使用传感器噪声的预定的概率模型，以便确定何时偏差显著(即，超出由噪声单独引起的偏差，达到规定的置信水平)。可以预先计算传感器数据预测并与道路模型104一起打包，或者当计算机112参考道路模型104的副本时计算传感器数据预测。例如，可以从道路模型104中表示的公路表面的类型与自动驾驶公路车辆108的特征，预测加速度计的输出并与实际的加速度计的输出进行比较—显著的偏差将显示道路模型104中表示的公路表面与道路106的实际公路表面之间的偏差。

在另一示例性实现方式中，计算机112可以从实际的传感器数据得到可与由道路模型104表示的道路特征直接比较的道路特征。例如，道路106上的车道标志线的存在、颜色和线型将从实际的传感器数据得到并与由道路模型104描绘的车道标志线的存在、颜色和线型进行比较。如果有不一致，则有不一致的简单事实连同不一致的位置一起、或者从传感器得到的特征连同特征的位置一起将被用作差异数据114。

在又一示例性实现方式中，计算机112可以从道路模型104预测不用于车辆导航的一些特征，但这些特征对确定用于车辆导航并也容易从实际的传感器数据得到的那些特征的可能的改变是有用的。这样的示例是，道路106的侧面纵剖面将捕获路边隔音板和对象的高度和从公路中心线的偏移，并且来自自动驾驶公路车辆108上的LIDAR传感器的程距数据(range data)可以被处理成实际的侧面纵剖面。可以预先计算预测的特征并与道路模型104一起存储，或者当参考道路模型104的副本时计算预测的特征。预测的、从传感器得到的数据特征将在特征的各方面与随机偏差的可能性模型进行比较(例如，剖面的公路表面部分中偏差的可能性与剖面的公路边缘部分中偏差的可能性相对)，并且实际偏差的累积可能性可以被用作差异数据114。

一旦确定差异数据114，计算机112就发送差异数据114至道路模型管理系统102。例如，如本领域中已知的，计算机112可以包括或耦合至用于无线发送和接收数据的无线通信模块。自动驾驶公路车辆可以具有用于另一目的(例如，车辆和人身安全)的通信系统，该通信系统也可以用于该通信。在优选的实施方式中，不需要任何来自操作人员的干预而确定并发送差异数据114。

道路模型管理系统102接收来自道路106上的自动驾驶公路车辆108、特别是来自车载计算机112的差异数据114，并且使用分析模块116以聚集差异数据114成聚集的差异数据118。对于道路106的至少一些部分，聚集的差异数据118包括来自多个单独的自动驾驶公路车辆108的差异数据114。换句话说，多个单独的自动驾驶公路车辆108已经沿着道路106的相同部分行驶，使得对于道路106的那些部分，有来自多个自动驾驶公路车辆108的差异数据114。道路模型管理系统102的分析模块116使用聚集的差异数据118来识别对应于道路106的聚集的差异数据超过阈值的部分的道路模型104的那些部分，作为道路模型104的需要更新的部分。换句话说，在来自现实道路106的传感器数据与用于道路106的给定部分的道路模型104之间有显著差异时，或者在有大量的自动驾驶公路车辆108针对其报告表现不佳的道路106的部分时(即表现不佳是可重复的而不是随机的)，这可能表明道路模型104的那个部分需要更新。然后这个信息可以用来派遣一个或多个调查车辆到相关位置或用来修改用于更新道路模型104的现有计划以包括最新识别的道路106的部分。该阈值可以是，例如预定的固定的阈值、自适应阈值或通过应用统计模型到差异数据114产生的阈值。

下面描述用于识别对应于道路106的聚集的差异数据超过阈值的部分的道路模型104的那些部分的技术的一些非限制性示例。

一种实现方式涉及多级评估。第一级的目标在于在定义的时间窗口内具有差异数据114的异常频繁发生的道路106与道路模型104的部分，在第二级，分析来自各种自动驾驶公路车辆108的差异数据114的一致性。第一级将减少在第二级中必须做的计算量。第二级将涉及来自不同的自动驾驶公路车辆108的差异数据114的随机偏差的确定性或概率性的模型，以便确定一致性水平对于规定的置信水平是偶然的还是真实的。

另一实现方式的目标在于在定义的时间窗口内具有差异数据的异常频繁发生的那些位置，并且，针对那些位置，命令所有的自动驾驶公路车辆108或自动驾驶公路车辆108的子集来向道路模型管理系统102发送回那些位置上的附加数据。这种命令不需要要求自动驾驶公路车辆108专程到相关位置，而可以仅仅请求自动驾驶公路车辆108在下一次它们以常规过程遍历那些位置时应该捕获并发送附加数据。附加数据可以包括一系列静止图像或视频流，所述静止图像或视频流可以自动或手动地直接与当获取用于道路模型104的数据时获取的静止图像或视频流进行比较。来自所有自动驾驶公路车辆108所有时间的静止图像或视频流、或其它描述性强的密集的数据，可能过分昂贵地发送、存储和分析，而这种来自非常少的自动驾驶公路车辆108的短时期内的数据可以是更易于管理的。

现在参考图2，图2示意性地示出了用于确定表示现实道路的道路模型的哪些部分需要更新的第二种方法200。图2中示出的方法200与图1中示出的方法100类似，除了用前缀“2”代替“1”，用相似的附图标记表示相似的特征。图2中示出的方法200与图1中示出的方法100的区别在于，代替计算和发送差异数据，车载计算机212发送、并且道路模型管理系统202接收，与道路206上的已知位置相关的来自自动驾驶公路车辆208上的传感器210的传感器数据220。传感器数据220描绘对应于道路模型204中的模型特征的道路206的至少一个特征。道路模型管理系统202的分析模块216将传感器数据220与道路模型204进行比较以识别表示道路模型204中的信息与传感器数据220之间的差异的差异数据，然后聚集差异数据成聚集的差异数据218。与图1中示出的方法100一样，在图2中示出的方法200中，道路模型管理系统202的分析模块216使用聚集的差异数据218来识别对应于道路206的聚集的差异数据超过阈值的部分的道路模型204的那些部分，作为道路模型204的需要更新的部分。可以使用与图1的上下文中描述的那些技术类似的技术。典型地，为了限制发送数据的量，仅自动驾驶公路车辆208的子集将在任何给定时间发送数据。

附图示出根据本技术的各种实施方式的系统、方法和计算机程序产品的可能实现方式的架构、功能、和操作。本文所描述的技术的各方面可以通过执行规定功能或动作的专用的基于硬件的系统、或者专用硬件和计算机指令的组合来实现。

还应当理解的是，本文所描述的技术的各方面可以通过计算机程序指令来实现。这些计算机程序指令可以被提供给通用计算机、专用计算机或其它可编程的数据处理装置的处理器，以产生机器，使得经由计算机或其它可编程的数据处理装置的处理器执行的指令，创建用于实现本文示出和描述的功能的装置。

这些计算机程序指令还可以存储在可以引导计算机的计算机可读介质、其它可编程的数据处理装置、或其它以特定方式起作用的设备中，使得存储在计算机可读介质中的指令产生包括实现本文示出和描述的功能的指令的制品。计算机程序指令还可以被加载到计算机、其它可编程的数据处理装置、或其它设备上，以使一系列操作步骤在计算机、其它可编程装置或其它设备上执行，以产生计算机实现的进程，使得在计算机或其它可编程装置上执行的指令提供用于实现在流程图和/或框图的一个块或多个块中规定的功能/动作的进程。

与可以实现本文描述的方法有关的说明性计算机系统被表示为图3中的框图。该说明性计算机系统总体上由附图标记300来表示，并且包括显示器302、键盘304A和定点设备304B的形式的输入设备、计算机306和外部设备308。尽管定点设备304B被描绘成鼠标，但是应该理解的是，还可以使用其它类型的定点设备。

计算机306可以包含一个或多个处理器或微处理器，例如中央处理单元(central processing unit，CPU)310。CPU 310执行算法计算和控制功能以执行存储在内部存储器312(优选随机存取存储器(random access memory，RAM)和/或只读存储器(read only memory，ROM))以及可能的附加存储器314中的软件。附加存储器314可以包括，例如大容量存储器、硬盘驱动器、光盘驱动器(包括CD驱动器和DVD驱动器)、磁盘驱动器、磁带驱动器(包括LTO、DLT、DAT和DCC)、闪存驱动器、程序盒式存储器和盒式接口(例如在视频游戏设备中发现的那些)、可去除存储器芯片(例如EPROM或PROM)、新兴的存储介质(例如全息照相存储器)、或本领域中已知的类似的存储介质。附加存储器314在物理上可以在计算机306内部、或如图3中示出的外部、或者两者结合。

计算机系统300还可以包括其它用于允许加载计算机程序或其它指令的类似装置。这种装置可以包括，例如，通信接口316，其允许软件和数据在计算机系统300与外部系统和网络之间传递。通信接口316的示例可以包括调制解调器、网络接口(例如以太网卡)、无线通信接口、或串行或并行通信端口。经由通信接口316传递的软件和数据是信号的形式，信号可以是电信号、声信号、电磁信号、光信号或其它能够被通信接口316接收的信号。当然，可以在单个计算机系统300上提供多个接口。

进出计算机306的输入和输出由输入/输出(input/output，I/O)接口318管理。该I/O接口318管理显示器302、键盘304A、外部设备308和计算机系统300的其他这种部件的控制。计算机306还包括图形处理单元(graphicalprocessing unit，GPU)320。GPU 320还可以用于计算目的，作为CPU 310的附件或代替CPU 310，用于数学计算。

计算机系统300的各种部件相互直接耦合或通过耦合到合适的总线而耦合。

如本文所使用的，术语“计算机系统”不限于任何特定类型的计算机系统和外围服务器、台式计算机、膝上型计算机、联网移动无线通信计算设备(例如智能手机)、平板电脑、以及其它类型的计算机系统。

如本领域技术人员应该理解的，本文描述的技术的各方面可以体现为系统、方法或计算机程序产品。相应地，本文描述的技术的各方面可以采用完全硬件实施方式的形式、完全软件实施方式(包括固件、常驻软件、微代码等)的形式、或结合软件方面和硬件方面的实施方式的形式，本文中均可以总体上称为“电路”、“模块”或“系统”。此外，目前所描述的技术的各方面可以采用体现在一个或多个携带计算机可读程序代码的计算机可读介质的计算机程序产品的形式。

当本文所描述的技术的各方面实现为计算机程序产品时，可以采用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是，例如但不限于，电子的、磁的、光学的、电磁的、红外的、或半导体的系统、装置、或设备，或前述的任何合适的组合。计算机可读存储介质的更具体的示例(非穷举列表)将包括以下：具有一根或多跟导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(compact disc read-only memory，CD-ROM)、光存储设备、磁存储设备、或前述的任何合适的组合。在本文的上下文中，计算机可读存储介质可以是能够包含或存储用于通过指令执行系统、装置或设备使用的程序或用于与指令执行系统、装置或设备连接使用的程序的任何有形介质。因此，用于实现本文描述的技术的各方面的计算机可读程序代码可以被包含在或被存储在计算机306的存储器312中、或在计算机306的外部的计算机可用介质或计算机可读介质上、或在其任意组合上。

计算机可读信号介质可以包括例如在基带中或作为载波的一部分的、具有体现在其中的计算机可读程序代码的传播的数据信号。这种传播的信号可以采用各种形式，包括但不限于，电磁的、光学的、或其任何合适的组合。计算机可读信号介质可以是任何不是计算机可读存储介质的计算机可读介质，其可以传送、传播或传输用于通过指令执行系统、装置或设备使用的程序或用于与指令执行系统、装置或设备连接使用的程序。

体现在计算机可读介质上的程序代码可以使用任何适当的介质发送，包括但不限于无线、钢缆、光纤电缆、射频、等等，或前述的任何合适的组合。可以以一种或多种编程语言(包括面向对象的编程语言和传统的过程编程语言)的任何组合编写用于执行目前所描述的技术的各方面的操作的计算机程序代码。程序代码可以作为独立的软件包在用户的计算机上完全执行、在用户的计算机上部分执行，部分在用户的计算机上且部分在远程计算机上执行，或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户的计算机，或者可以使该连接至外部计算机(例如，通过使用因特网服务提供商的因特网)。

最后，本文中所使用的术语仅用于描述特定实施方式，而并不意图限制。如本文中所使用的，单数形式“一(a)”、“一(an)”和“该(the)”也意图包括复数形式，除非上下文另外明确指出。应该进一步理解的是，术语“包括(comprises)”和/或“包括(comprising)”，当用在本说明书中时规定所陈述的特征、整数、步骤、操作、元件、和/或部件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件、部件、和/或其组合的存在或附加。

在所附权利要求中的相应的结构、材料、动作、以及所有装置或步骤加功能元件的等同物意图包括用于执行与如具体要求的其它要求的元件结合的功能的任何结构、材料或动作。已经为了说明和描述的目的呈现了说明书，但说明书并非意图穷举或限制为所公开的形式。在不脱离权利要求的范围的情况下，对于本领域的普通技术人员来说许多修改和变型将是显而易见的。选择和描述实施方式以便最好地解释本技术的原理和实际应用，以及使本领域的其它普通技术人员能够理解具有适合于预期的特定用途的各种修改的各种实施方式的技术。

一个或多个当前的优选实施方式已经通过举例的方式描述。对于本领域技术人员来说显而易见的是，在不脱离权利要求的范围的情况下可以进行许多变型和修改。但是应当理解的是，在解释权利要求时，使用计算机来实现本文所描述的实施方式是基本的。

Claims (18)

1.一种用于确定表示现实道路的道路模型的哪些部分需要更新的计算机实现的方法，所述方法包括：

维护现实道路的道路模型，所述道路模型足以使自动驾驶公路车辆的自主无人驾驶操作成为可能；

从所述道路上的多个自动驾驶公路车辆接收针对所述道路上的已知位置的差异数据；

聚集所述差异数据成聚集的差异数据，其中，对于所述道路的至少一些部分，所述聚集的差异数据包括来自多个单独的自动驾驶公路车辆的差异数据；以及

使用所述聚集的差异数据来识别对应于所述道路的所述聚集的差异数据超过阈值的部分的所述道路模型的那些部分，作为所述道路模型的需要更新的部分。

2.根据权利要求1所述的方法，其中，所述差异数据识别所述道路上的所述自动驾驶公路车辆经历的表现不佳的位置。

3.根据权利要求1所述的方法，其中，所述差异数据表示在所述道路上的已知位置处所述道路模型中的信息与来自由每个自动驾驶公路车辆携带的至少一个传感器的传感器数据之间的差异。

4.根据权利要求1所述的方法，其中，所述传感器数据包括图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据中的至少一个。

5.根据权利要求1所述的方法，其中，所述阈值是预定的固定的阈值。

6.根据权利要求1所述的方法，其中，所述阈值是自适应阈值。

7.根据权利要求1所述的方法，其中，所述阈值通过应用统计模型到所述差异数据而产生。

8.一种用于确定表示现实道路的道路模型的哪些部分需要更新的计算机实现的方法，所述方法包括：

维护现实道路的道路模型，所述道路模型足以使自动驾驶公路车辆的自主无人驾驶操作成为可能；

从所述道路上的多个自动驾驶公路车辆、从由每个自动驾驶公路车辆携带的至少一个传感器接收与所述道路上的已知位置相关的传感器数据，所述传感器数据表示对应于所述道路模型中的模型特征的所述道路的至少一个特征；

使用所述传感器数据来确定差异数据；

聚集所述差异数据成聚集的差异数据，其中，对于所述道路的至少一些部分，所述聚集的差异数据包括来自多个单独的自动驾驶公路车辆的差异数据；以及

使用所述聚集的差异数据来识别对应于所述道路的所述聚集的差异数据超过阈值的部分的所述道路模型的那些部分，作为所述道路模型的需要更新的部分。

9.根据权利要求8所述的方法，其中，所述差异数据识别所述道路上的所述自动驾驶公路车辆经历的表现不佳的位置。

10.根据权利要求8所述的方法，其中，所述差异数据表示在所述道路上的已知位置处所述道路模型中的信息与来自由每个自动驾驶公路车辆携带的所述至少一个传感器的传感器数据之间的差异。

11.根据权利要求8所述的方法，其中，所述传感器数据包括图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据中的至少一个。

12.根据权利要求8所述的方法，其中，所述阈值是预定的固定的阈值。

13.根据权利要求8所述的方法，其中，所述阈值是自适应阈值。

14.根据权利要求8所述的方法，其中，所述阈值是通过应用统计模型到所述差异数据而产生。

15.一种用于提供在确定表示现实道路的道路模型的哪些部分需要更新时使用的数据的计算机实现的方法，所述方法包括：

通过由在所述道路上行驶的自动驾驶公路车辆携带的数据存储设备，存储对应于所述自动驾驶公路车辆在上面行驶的所述道路的一部分的所述道路模型的至少一部分的副本；

所述道路模型足以使所述自动驾驶公路车辆的自主无人驾驶操作成为可能；

当所述自动驾驶公路车辆在所述道路上行驶时，获得来自由所述自动驾驶公路车辆携带的至少一个传感器的传感器数据，所述传感器数据描绘所述道路上的已知位置处所述道路的至少一个特征并且对应于所述道路模型中的模型特征；以及

由所述自动驾驶公路车辆携带且耦合到所述数据存储设备的处理器使用所述传感器数据来确定所述道路上的已知位置处的差异数据；以及

发送所述差异数据用于分析。

16.根据权利要求15所述的方法，其中，使用所述传感器数据来确定所述道路上的已知位置处的差异数据，包括：识别所述道路上的所述自动驾驶公路车辆经历的表现不佳的位置。

17.根据权利要求15所述的方法，其中，使用所述传感器数据来确定所述道路上的已知位置处的差异数据，包括：将所述传感器数据与所述道路模型的至少一部分的副本进行比较，来确定所述传感器数据与所述道路模型之间的差异。

18.根据权利要求15所述的方法，其中，所述传感器数据包括图像数据、雷达数据、LIDAR数据、GNSS数据、INS数据、IMU数据、加速度计数据、倾斜计数据、振动传感器数据、罗盘数据、磁力计数据、颜色传感器数据、天气传感器数据和声音数据中的至少一个。