CN105404294A - 通过辨识车辆特征来改变自主车辆行驶 - Google Patents

Abstract

一种用于控制自主车辆的系统，具有用于获得自主车辆附近的相邻车辆的图像数据和用于识别相邻车辆的物理特征的摄像机，物理特征包括相邻车辆的制造商、型号和配置、相邻车辆的颜色和由相邻车辆运送的外露货物。该系统将识别的物理特征映射为自主车辆附近的预测的潜在路上事件，且基于预测的潜在路上事件作出行驶决定。

Description

通过辨识车辆特征来改变自主车辆行驶

技术领域

本公开内容涉及用于自动地驾驶自主车辆的系统、构件及方法。具体而言，本公开内容针对改善自主驾驶系统的行驶决定的系统、构件及方法。

背景技术

提供根据本公开内容，系统、构件和方法来自动地驾驶自主车辆。

在示范性实施例中，自主驾驶系统识别相邻车辆的物理特征，如，其相应的制造商、型号和修饰。对于各个相邻的车辆，自主驾驶系统可访问关于此类车辆的典型行驶风格(pattern)的信息，基于典型行驶风格来预测路上事件，且基于预测的路上事件作出行驶决定。这可改善自主驾驶系统驾驶自主车辆的安全性和效率。

本公开内容的附加特征将在考虑列举出如目前构想的执行本公开内容的最佳模式的示范性实施例时对于本领域的技术人员变得清楚。

附图说明

详细描述具体提到了附图，在附图中：

图1示出了根据本公开内容的具有自主驾驶系统的自主车辆，且示出了自主驾驶系统包括采集图像数据的摄像机，图像数据可用于区分不同类型的相邻车辆；

图2示出了根据本公开内容的自主车辆的侧视图和自主驾驶系统的图解视图，且示出了自主驾驶系统包括构造成获得图像数据的摄像机、构造成处理图像数据的图像处理模块、构造成识别相邻车辆的物理特征的物理特征识别模块、构造成确定具有特定物理特征的车辆的典型风格的典型风格采集模块、构造成基于确定的典型风格预测路上事件的预测模块、构造成作出行驶决定的自主车辆控制器，以及构造成驾驶自主车辆的车辆控制器；

图3A-3C示出了示例性操作模式，通过其，物理特征识别模块可识别车辆的物理特征，包括车辆类别、车辆制造商和车辆型号；

图4示出了根据本公开内容的数据库表的示例性摘录，其储存具有某些物理特征的车辆的典型行驶风格；

图5A-5C示出了根据本公开内容的自主驾驶系统可作出的行驶决定的示例性类型；

图6示出了自主车辆的备选实施例的侧视图和自主驾驶系统的备选实施例的图解视图，其包括除摄像机之外的附加传感器，包括麦克风和空气及颗粒检测器；以及

图7示出了流程图，其示出了根据本公开内容的自主驾驶系统控制车辆的示例性方法。

具体实施方式

本文提供的附图和描述可简化来示出清楚理解本文描述的装置、系统和方法相关的方面，同时为了清楚的目的，消除了在典型装置、系统和方法中出现的其它方面。普通技术人员可认识到其它元件和/或操作可为实施本文所述的装置、系统和方法期望的且/或是所需的。由于此元件和操作是本领域中公知的，且由于它们并未利于更好理解本公开内容，故此元件和操作的论述可不在本文中提供。然而，本公开内容认作是固有地包括本领域的普通技术人员将已知的所有此类元件、变型和所述方面的改型。

公开的实施例通过识别相邻车辆的物理特征如其相应的制造商、型号和配置(trim)来提供自主驾驶系统的技术问题的解决方案。对于各个相邻的车辆，自主驾驶系统可访问关于此类车辆的典型行驶风格的信息，基于典型行驶风格来预测路上事件，且基于预测的路上事件作出行驶决定。这可改善自主驾驶系统驾驶自主车辆的安全性和效率。因此，在示范性实施例中，自主驾驶系统可仅仅辨识和响应于相邻车辆的位置、速度、加速度和前进方向。相反，自主驾驶系统还可基于一个车辆接一个车辆的物理特征来在相邻车辆之间进行区分。自主驾驶系统可使用这些物理特征来识别各个相邻车辆典型的行驶风格。这可允许自主驾驶系统形成路上事件的更细化和准确的预测，且作出提供改善的安全性和效率的行驶决定。

例如，在示范性实施例中，自主驾驶系统可将自主车辆的前方行驶的车辆辨识为特定制造商、型号和配置的运动车辆。自主驾驶系统可访问指出该特定制造商、型号和配置的车辆通常攻击性地行驶(具有突然的加速和减速)的信息。自主驾驶系统然后可预测运动车辆可能突然减速。作为响应，自主驾驶系统可采用防御行驶方式，且决定减慢，增大自主行驶车辆与运动车辆之间的跟随距离，且减小事故的可能性。作为另一个实例，自主驾驶系统可将自主车辆前方行驶的车辆辨识为半挂车，且访问指出半挂车通常以较低水平的加速度较慢行驶的信息。自主驾驶系统可预测当前车道可能移动较慢，且执行变道来减少行驶时间。

在示例性实施例中，自主驾驶系统可基于其它物理特征作出行驶决定。例如，自主驾驶系统可辨识相邻车辆的颜色(例如，红色、米色等)，这影响其对典型行驶风格的评估。在又一些实施例中，自主驾驶系统可辨识相邻车辆上可见的安全风险，如，外露货物可能掉落，且作出避免安全风险的行驶决定。

举例来说，自主驾驶系统可识别在其车厢中具有外露的松散的园艺设备的皮卡车。自主驾驶系统可预测一些设备可松开且落到道路上，且作为响应而选择变道。在决定如何变道中，自主驾驶系统可识别在左边与自主车辆相邻的红色车且在右边与自主车辆相邻的米色车。自主驾驶系统可基于红色车和米色车的典型行驶风格预测红色车可能比米色车行驶更快。作为响应，自主驾驶系统可选择变为右车道作为安全备选方案。

将连同图1呈现根据本公开内容的方法的概述。具体而言，图1示出了在具有四个车道104a,104b,104c和104d的道路104上行驶的自主车辆102。若干相邻车辆106,108,110和112在自主车辆附近行驶。

自主车辆102包括自主驾驶系统200(图2中绘出，且下文更详细描述)。自主驾驶系统200包括前摄像机202和后摄像机204，其采集自主车辆102附近的图像数据。因此，例如，前摄像机202可采集相邻车辆110和112的图像数据，两个车辆都大体上位于车辆102前方。类似地，后摄像机204可采集相邻车辆106和108的图像数据，两个车辆都大体上位于车辆102后方。

自主车辆系统200使用相邻车辆106,108,110和112的图像数据来识别相邻车辆106,108,110和112的物理特征。例如，物理特征可包括车辆类别、制造商、型号和/或配置。物理特征还可包括车辆颜色、来自车辆的声音、车辆发出的气味，或车辆运送的货物。本公开内容的范围内的物理特征的其它实例包括车辆是否具有浅色窗户和车辆的车轮尺寸。更具体而言，物理特征可包括可用于区分道路上的相邻车辆的任何可观测到的特性。

例如，自主驾驶系统200可将相邻车辆106,108,110和112的车辆类别识别为物理特征，即，相邻车辆106为轿车类别，相邻车辆108为运动车辆类别，相邻车辆110为半挂车类别，以及相邻车辆112为皮卡车类别。通过附加实例，自主驾驶系统200可将相邻车辆106,108,110和112的车辆制造商、型号和/或配置识别为物理特征。因此相对制造商，自主驾驶系统200可将相邻车辆106辨识为大众™，将相邻车辆108识别为法拉利™，以及将相邻车辆112辨识为丰田™。关于型号，自主驾驶系统200可将相邻车辆106识别为捷达™，将相邻车辆108识别为特斯塔罗萨™，以及将相邻车辆112识别为坦途™。关于配置，自主驾驶系统200可将相邻车辆106辨识为SEL，以及将相邻车辆112识别为SR5。

自主驾驶系统200可识别相邻车辆106,108,110和112的另一些物理特征。例如，自主驾驶系统200可识别相邻车辆106,108,110和112的相应的颜色(例如，红色、米色、银色等)。自主驾驶系统200还可识别相邻车辆106,108,110和112上的安全风险，如，相邻车辆112上的松散的外露货物114。此外，自主驾驶系统200可辨识相邻车辆106,108,110和112发出的声音或气味，如，来自相邻车辆108的大声音乐。

继续概述，自主驾驶系统200取得关于具有识别的物理特征的车辆的典型行驶风格的信息。因此，在某些实施例中，自主驾驶系统200可取得识别的车辆类别的典型行驶风格，例如，如轿车、运动车辆、半挂车、SUV(多功能运动车辆)或皮卡车之间的典型的行驶风格。在其它实例中，自主驾驶系统200可取得车辆制造商的典型行驶风格，例如，大众™、法拉利™和丰田™的典型行驶风格。在又一些实例中，自主驾驶系统200可针对车辆型号、车辆配置或车辆颜色取得典型行驶风格。

自主驾驶系统200通过将典型行驶风格应用于道路104上的当前情况来预测路上事件。因此，例如，自主驾驶系统200可确定可为红色的法拉利™ 特斯塔罗萨™运动车辆的相邻车辆108的典型行驶风格为频繁变道且快速加速和减速。自主驾驶系统200应用该典型行驶风格至道路104上的当前条件，以预测相邻车辆108可在自主车辆102前方快速加速，且从车道104c变至车道104b，在自主车辆102与相邻车辆110之间行驶。

自主驾驶系统200然后基于预测的路上事件作出行驶决定。例如，自主驾驶系统200可减慢自主车辆102，以增大自主车辆102与相邻车辆110之间的间距。如果预测的路上事件发生，则这将提供更多空间来允许运动车辆108在自主车辆102与相邻车辆110之间安全行进。作为另一个实例，自主驾驶系统200可执行从车道104b到车道104a的变道，以便提供自主车辆102与相邻车辆112上的松散的外露货物114之间的更安全距离。

因此，自主驾驶系统200通过识别车辆的物理特征、确定具有那些物理特征的车辆的典型行驶风格和预测路上事件来作出和执行行驶决定。通过使用相邻车辆106,108,110和112的物理特征来在其相应典型行驶风格之间进行区分，自主驾驶系统200可生成路上事件的更细化和精确的预测，且更智能且熟练地作出和执行行驶决定。相反，仅基于其位置、速度和前进方向来以类似方式处理相邻车辆106,108,110和112的系统将产生不那么细化和个性化的预测，导致了不太智能的行驶决定。

结果，自主驾驶系统200提供了改善的安全性和效率。关于安全性，自主驾驶系统200可较好地预测涉及相邻车辆106,108,110和112的路上事件，且改变其行驶方式来避免引起较高可能性的事故的情形。关于效率，自主驾驶系统200可仅在需要时将其行驶方式改变为防御，如，在其确定相邻车辆可攻击性地行驶时。如果自主驾驶系统200并未考虑物理特征，则其可简单地始终防御性地行驶，因为其可假定所有相邻车辆都可呈现出发出大量警告的攻击性行驶。

将参照图2更详细描述示例性自主驾驶系统200。具体而言，图2示出了自主车辆102的侧视图，以及根据本公开内容的自主驾驶系统200的图解视图。如图所示，自主驾驶系统200包括设置在自主车辆102的顶部上的前摄像机202和后摄像机204。前摄像机202包括可采集自主车辆102的前部的图像数据的透镜(未示出)，且后摄像机204包括可采集自主车辆102后部的图像数据的透镜(未示出)。

其它实施例可使用位于不同位置处的不同数目的摄像机。例如，自主驾驶系统200可包括单个360度摄像机，或可包括安装在自主车辆102上的别处的附加的摄像机，如，在自主车辆102的客舱内，自主车辆102的前车厢和后车厢、自主车辆102的侧部上，或在自主车辆102附近的适用于采集图像数据的任何其它位置。

在示范性实施例中，前摄像机202和后摄像机204具有足以识别关注的物理特征的分辨率。如将阐释的那样，自主驾驶系统200的示范性实施例可处理图像数据来区分车辆类别、制造商、型号和/或配置。在这些类别、制造商、型号和/或配置间的区分特征应当可在自主驾驶系统200将相邻车辆考虑到其行驶决定中的任何距离处可解析。例如，在某些实施例中，位于超过50码的车辆不可考虑到行驶决定中，而位于50码内的车辆可考虑。因此，在此实例中，前摄像机202和后摄像机204应当具有足够的分辨率来解析大约50码的距离处的区分特征。然而，前摄像机202和后摄像机204的分辨率可从一个实施方式到下一个不同。

在前摄像机202和后摄像机204采集相邻车辆106,108,110和112的图像数据之后，图像数据可传送至图像处理模块206。图像处理模块206对图像数据执行预处理，以便于和改善随后的图像辨识和特征识别步骤的准确性。例如，图像处理模块206可包括滤波器，其从采集的图像数据除去噪音，调整对比度，使得加强区分特征，将图像数据转换成频域来便于随后的图像辨识等。

一方面，图像处理模块206可分离包含特定相邻车辆的图像数据帧的部分。因此，例如，图3A示出了图像数据302的分离部分，其排除了相邻车辆301周围的环境，且仅聚焦于相邻车辆301。这允许了后续处理聚焦于与相邻车辆301相关联的数据。为了从图像数据识别和分离相邻车辆，图像处理模块206可使用大体上已知的统计对象辨识和分类技术。图像处理模块206还可应用旋转、倾斜或其它三维处理来解决在以变化的角捕集的相邻车辆的图像数据。

在图像处理模块206处理图像数据之后，处理的图像数据可发送至物理特征识别模块208。物理特征识别模块208与数据库服务器210一齐工作，以执行图像辨识且识别相邻车辆106,108,110和112的物理特征。

结合图3A-3C绘出了物理特征识别模块208的示例性操作模式。具体而言，图3A示出了示例性操作模式，通过其，物理特征识别模块208辨识图像数据302中采集的车辆301的车辆类别(例如，轿车、SUV、皮卡车、运动车辆等)。

物理特征识别模块208接收图像数据302，其将已经由图像处理模块206预先处理。物理特征识别模块208然后可应用图像辨识技术来确定车辆301所属的车辆类别。数据库服务器210可包括属于各种车辆类别的许多车辆的样本图像数据和车辆类别信息。如图3A中所示，数据库服务器210包括轿车、SUV、皮卡车和运动车辆的样本图像数据和车辆类别信息，但也可包括其它车辆类别。物理特征识别模块208查询具有图像数据302的数据库服务器210。数据库服务器210应用分别算法，其大体上将图像数据302的特征与储存在数据库服务器210中的样本图像数据的特征相比较，以确定车辆301的最可能的车辆类别。适合的分类机制是大体上已知的，且在某些实施例中，可包括统计分类方案，如神经网络。

物理特征识别模块208的输出可为车辆301的物理特征。在该实例中，物理特征可为车辆301是轿车。

图3A中绘出的方法还可用于识别车辆制造商、型号和配置。鉴于绘出的数据库服务器210包括将图像数据分类成特定车辆类别的信息，故其还可包括将图像数据分类成特定车辆制造商、型号或配置的图像数据。例如，数据库服务器210可包括用于特定制造商和型号的许多车辆的样本图像数据，如，丰田™凯美瑞™、大众™捷达™等。大体上，不同制造商和型号的车辆将具有可用于在它们间区分的不同形状和特征。统计图像辨识和分类方案可用于确定给定图像数据302的最可能的车辆制造商和型号。

一旦数据库服务器210确定车辆301的车辆制造商和型号，则数据库服务器210可试图区分车辆301的配置水平。某些配置水平具有显著的特征，例如，阻流板、行李架、有差别的头灯或尾灯等。又使用统计图像辨识和分类方案，此特征可允许数据库服务器210根据配置分类特定制造商和型号的车辆。

图3B示出了物理特征识别模块208可识别物理特征的备选操作模式。在该模式中，图像处理模块206进一步预先处理图像数据302以便识别、分离和放大包含区分标识306的图像数据304。在前摄像机202和后摄像机204的分辨率可足以获得区分标识306的情况下，区分标识306可提出更可靠的图像样本来识别车辆制造商。

物理特征识别模块208这里又可使用包含区分标识306的图像数据304来查询数据库服务器210。数据库服务器210可包括用于车辆制造的许多标识类型和样式，且可使用统计图像辨识和分类技术来将区分标识306分类为属于特定的车辆制造商，在所示实例中是大众™。物理特征识别模块208的输出可为车辆301的物理特征，在该实例中，其制造商为大众™。

图3C示出了又一个备选的操作模式，通过其，物理特征识别模块208可识别物理特征。在该模式中，图像处理模块206进一步预先处理图像数据302来识别、分离和放大包含装饰车辆301的字符装饰物308的图像数据306的一部分。图像数据306可用于查询数据库服务器210。数据库服务器210可辨识图像数据306包含字符装饰物308，且可通过分类字符装饰物308的各个字母来应用文本辨识技术。文本辨识和分类技术可比一般的图像辨识和分类技术更可靠。数据库服务器210返回其处理的结果，在该实例中，本文为"捷达"的识别。因此，物理特征识别模块208的输出可为车辆301的物理特征，在该实例中，其型号为捷达™。

图3C中绘出的本文辨识备选方案也可适用于车辆配置，因为车辆配置水平通常列在车辆上作为字符装饰物。

如图所示，物理特征识别模块208可识别相邻车辆的物理特征，如，车辆类别、制造商、型号和配置。此外，物理特征识别模块208还可识别车辆的颜色。在某些实施方式中，车辆颜色可通过测量由图像处理模块206生成的预先处理的像素数据中的颜色分量来确定。例如，物理特征识别模块208可使用RGB颜色方案，且测量接收的像素数据的红色、绿色和颜色分量，以便确定车辆的颜色。

物理特征识别模块208还可识别相邻车辆是否具有任何安全风险，如外露货物。该识别可也基于图像辨识和分类技术作出。在一种实施方式中，物理特征识别模块208可将图像数据302的一部分识别为对应于可分类的车辆，且还检测到不可分类的异常数据。不可分类的异常数据在现实中例如可对应于车辆的顶部上栓住的货物、从车辆的车厢突出的货物，或在皮卡车的车厢中外露的松散货物。物理特征识别模块208可在识别到异常不可分类的数据时总结车辆在运送外露的货物。

回到图2，由物理特征识别模块208识别的特征输送至典型风格采集模块212。典型风格采集模块212使识别的物理特征与具有那些物理特征的车辆的典型行驶风格相关联。关于典型行驶风格的信息可储存在数据库214中。数据库214可包括对应于车辆的类别、制造商、型号、配置和本公开内容的范围内的任何其它物理特征的表格、行和列。数据库214的领域可包括具有那些物理特征的典型的车辆行驶风格。

典型行驶风格类型可包括：典型的速度、典型的加速度、典型的减速、典型的变道风格、典型的转向风格、相对于相邻车辆保持的典型缓冲距离，以及对相邻车辆相互作用的典型反应。这些行驶风格中的各个可基于道路类型进一步细化，例如，用于高速路行驶、用于住宅区行驶、用于乡村行驶等的典型行驶风格。这些行驶特征中的各个均还可基于道路条件进一步细化，例如，堵塞道路、中等堵塞、空旷道路等。

作为典型速度风格的实例，数据库214可包括特定车辆在空旷高速路上具有70 M.P.H.的典型速度，以及在中等堵塞的住宅区道路上具有30 M.P.H.的典型速度。作为典型加速度和典型加速的风格的实例，数据库214可包括特定车辆通常缓慢加速和减速而其它车辆快速加速和减速的信息。典型的变道风格可指出在各种道路条件下特定车辆变道多频繁，车辆变道期间的情形、特定车辆多大可能使用转向灯等。典型的转向风格可指出车辆将在各种道路条件下执行转向的可能性，例如，特定车辆将试图执行转向之前在对向交通的车之间的间隙量。典型的缓冲距离可指出特定车辆相对于相邻车辆保持好的典型跟随距离。对相邻车辆相互作用的典型响应可指出攻击性或防御性的相邻车辆如何响应于其它相邻车辆。例如，此类风格可采集到某些车辆较可能在变道期间给予合并车辆空间，而其它车辆较可能阻挡合并车辆。

典型行驶风格的信息可储存在数据库214中。图4示出了示例性数据库214的示范性摘录。数据可以以任何数目的方式在数据库214中组织，且大体上应当允许典型风格采集模块212基于特定物理特征提交查询，且可选提供其它输入，如，道路类型(高速路行驶、住宅区行驶、乡村行驶等)和行驶环境(例如，堵塞、中等堵塞、空旷等)。数据库214可通过从相关数据库场取得记录且返回典型的行驶风格来服务于查询。

在图4的实例中，可以以车辆的特定制造上("制造商X")和型号("型号B")，以及某些环境条件来查询数据库214，如，自主车辆102在中等堵塞的高速路上。数据库214可包括许多数据库表格，其中的一个数据库表格215对应于中等堵塞的高速路上的具有制造商X的车辆。数据库表格215中的一排包含型号B的典型行驶风格。这些典型行驶风格响应于查询返回。

储存在数据库214中的信息可以以多种方式收集。在一个实例中，储存在数据库214中的信息反映关于具有各种物理特征的车辆的观察到的行驶风格收集的统计。在另一个实施例中，储存在数据库214中的信息可基于假定和理解车辆通常行为有多不同来人工地输入。储存在数据库214中的信息可在一定时间内随着附加信息和统计的收集来细化。

在示范性实施例中，用于给定的相邻车辆的典型风格可由其它相邻车辆影响。例如，一个相邻车辆可为稀有的运动车辆或古董跑车。此车辆可打扰道路上的其它车辆，影响其预计的典型行驶风格。典型风格采集模块212可基于此方案来调整其输出。例如，如果一个相邻车辆为其它驾驶员的潜在打扰因素，则典型风格采集模块212可输出其它相邻车辆可能突然减速、突然变道等。

回到图2，关于典型行驶风格的信息然后可传输至预测模块216。预测模块216通过将典型的行驶风格应用于道路104上的当前条件来预测路上事件。例如，预测模块216可预测特定相邻车辆可加速、减慢、执行到特定车道的变道、执行转向、增加或减小与其它相邻车辆的跟随距离等。

在另一方面，预测模块216可取决于自主驾驶系统200可考虑的动作预测路上事件。例如，预测模块126可在自主车辆102执行变道、改变速度等的情况下预测相邻车辆的路上事件。这允许了自主驾驶系统200预测与潜在行驶决定相关联的结果，且选择行驶决定而可能具有安全且有效的结果。

预测的路上事件的实例可包括：相邻车辆将加速或减速；相邻车辆将突然加速或减速；相邻车辆将执行变道至特定车道；相邻车辆将执行转向；相邻车辆将相对于其它相邻车辆改变其缓冲距离；等。

预测的路上事件然后传输至自主车辆控制器220，其基于预测的路上事件来作出行驶决定。自主车辆控制器220可基于各种标准作出行驶决定，以便使事故可能性最小化、使行驶时间最小化，或其它。在某些实施例中，自主车辆控制器220将通过平衡这些利益来执行行驶决定。

图5A-5C示出了自主车辆控制器220可基于路上事件的预测来执行的示例性行驶决定类型。图5A示出了跟随相邻车辆402的自主车辆102，且提出了自主车辆控制器220可确定相对于相邻车辆402保持多少量的跟随距离404。在一个实例中，预测模块216可预测相邻车辆402可攻击性地行驶，具有突然加速和减速。这里，自主车辆控制器220可选择增大跟随距离404，以减小事故的可能性。在另一个实施例中，预测模块216可预测相邻车辆402将不会进行突然加速和减速。这里，自主车辆控制器220可选择加速自主车辆102、减小跟随距离404和提供提高的速度和效率。

图5B示出了道路401上在中间车道401b中的自主车辆102，且提出了自主车辆控制器220可确定是否切换至左侧车道401a或右侧车道401c。在该实例中，相邻车辆408的物理特征包括其可为运动车辆。预测模块216预测相邻车辆408可进行突然加速。相邻车辆410的物理特征包括其可为轿车。预测模块216预测相邻车辆410可能保持等速。基于这些预测的路上事件，自主车辆控制器220可决定执行到左侧车道401a的变道，并入相邻车辆410前方，相邻车辆410可为可能保持等速的轿车。这可为比执行车道变为右侧车道401b更安全的备选方案，变为右侧车道401b可涉及并入相邻车辆408前方，相邻车辆408可为可突然加速的运动车辆。

图5C示出了在十字路口412处的自主车辆102，且提出了自主车辆控制器220可确定何时执行左转弯。这里，相邻车辆418的物理特征包括其可为具有外露的货物422的皮卡车。预测模块216可预测外露的货物422可能落出相邻车辆418。基于该预测的路上事件，自主车辆控制器220可在执行转向之前决定等待，直到相邻车辆418通过十字路口412，且行驶了安全的距离。

作为另一个实例，相邻车辆414可为稀有的运动车辆。预测模块216可预测其它相邻车辆416,418和420可由稀有的运动车辆414打扰。作为响应，自主车辆控制器220可采用防御性行驶方式，以便在执行转向之前等待，直到稀有运动车辆414通过十字路口412。

图5A-C中绘出的行驶决定的类型仅为示范性的，且大体上，由自主车辆102遇到的任何类型的行驶决定都在本公开内容的范围内。

自主车辆控制器220可将对应于其行驶决定的信号传送至车辆控制器222，控制器222执行行驶决定。行驶决定可包括使车辆转向、加速或减速。在示范性实施例中，自主车辆102包括由线系统驾驶，包括由线加速、由线制动和由线转向。因此，车辆控制器222将生成电信号，其连接到自主车辆102的电加速、制动和转向模块上来执行行驶决定。

在示范性实施例中，自主驾驶系统可基于其它物理特征作出行驶决定，包括来自相邻车辆的声音或气味。图6示出了自主车辆502的备选实施例的侧视图和包括附加传感器的自主驾驶系统500的备选实施例的图解视图。具体而言，自主车辆502包括前摄像机502和后摄像机503，它们类似于结合图2描述的前摄像机202和后摄像机204。自主车辆502还包括麦克风504和空气和颗粒检测器506。这些传感器用于识别相邻车辆的附加物理特征，且设置为传感器子系统501的一部分。

麦克风504可用于检测从特定相邻车辆发出的音频。相邻车辆的典型行驶风格可由音频通知。例如，如果相邻车辆可发出表示发动机故障的声音，则自主驾驶系统500可确定相邻车辆可突然加速或靠边停车。如果相邻车辆可发出表示大声的音乐的声音，则自主驾驶系统500可确定车辆的驾驶员可被打扰，且相邻车辆可不规律地行驶。

空气和颗粒检测器506可用于例如通过嗅觉分析来测量空气成分，如同人类可如何闻到空气中的表示杂质的气味。如果确定特定的相邻车辆可排放过多排气，则自主驾驶系统500可避开该相邻车辆。空气和颗粒检测器506可为适用于化学或嗅觉分析的任何类型，以检测通常存在于道路上的空气中的杂质。

自主驾驶系统500包括数据处理子系统510，其预先处理由传感器子系统501生成的信号。例如，数据处理子系统510可对传感器子系统501传输的信号应用滤波器，以使用信号处理技术除去噪音和分离有用的数据。数据处理子系统510包括类似于图2中所示的图像处理模块206的图像处理模块511。数据处理子系统510还包括音频处理器512和空气和颗粒信号处理器518。

在某些实施方式中，音频处理器512可分离和抽取来自特定相邻车辆的音频，类似于图像处理模块206如何分离与特定相邻车辆相关联的图像数据。音频处理器512可通过实施音频波束形成算法来完成此，以分离特定声音源和获得声音源来自的何处的方向信息，以便确定哪个相邻车辆可发出特定的声音。

来自数据处理子系统510的信号传输至物理特征识别模块520，其可类似于物理特征识别模块208，但可基于图6中所示的附加传感器来辨识和识别物理特征。因此，物理特征识别模块520可从音频信号处理器512获得预先处理的音频数据，且确定相邻车辆是否发出音频。对于任何分离的音频，物理特征识别模块520可查阅数据库522，且使用大体上已知的统计音频辨识和分类技术来确定音频代表什么，例如，音乐、机械问题等。类似地，物理特征识别模块520可基于空气成分如过多排气来确定物理特征。

由物理特征识别模块520识别的特征传输至典型风格采集模块522，其以类似于上文关于图2绘出的典型风格采集模块212和数据库214的方式与数据库524一齐操作。然而，典型风格采集模块522基于从图6中绘出的附加传感器获得的物理特征来将其典型行驶风格的识别细化。

例如，相对于音频数据，典型风格采集模块522可确定具有发动机故障的车辆可经历突然减速，并入道路的最右侧车道，或在路边停车。典型风格采集模块522可确定发出大声音乐的车辆可由于受干扰的驾驶员而突然变道、突然转向和快速加速或减速来行驶。

关于典型行驶风格的信息发送至预测模块524，其以与上文结合图2所述的预测模块216相似的方式预测路上事件。然而，预测模块524可能能够基于可从图6中所示的附加传感器获得的附加数据来提供更细化和准确的预测。

预测模块524将预测的路上事件传送至自主车辆控制器525。自主车辆控制器526以与上文结合图2所述的自主车辆控制器220相似的方式基于预测的路上事件作出行驶决定。最终，自主车辆控制器526将对应于其行驶决定的信号传输至车辆控制器528，车辆控制器528执行行驶决定。车辆控制器528以与上文结合图2所述的车辆控制器222相似的方式操作。

其它类型的物理特征和对应的预测的路上事件在本公开内容的范围内。在某些实施方式中，自主车辆可包括天气传感器如用于测量风速的风速计，或用于测量降水的水分传感器。在有风条件下，自主驾驶系统可确定高底盘卡车呈现安全风险，且作出行驶决定来避开此类卡车。类似地，在下雨、下雪或结冰条件下，自主驾驶系统可评估不同车辆制造商和型号处理此情况的能力，且基于不同车辆预计如何处理来预测路上事件，例如，某些车辆将刹车、打滑、不可能很快加速等的可能性。

图7示出了流程图，其示出了示例性方法700，通过该方法700，自主驾驶系统根据本公开内容来控制车辆。在操作702中，自主驾驶系统从传感器获得数据，如，摄像机、麦克风和空气成分传感器。在操作704中，自主驾驶系统处理数据，以便改善数据质量、滤出噪音和无关数据、分离特定相邻车辆特有的数据，且另外准备数据来用于后续处理。在操作706中，自主驾驶系统对处理的数据执行辨识和物理特征识别。在该操作中，自主驾驶系统可辨识相邻车辆属于某些车辆类型，如具有某些制造商、型号或配置，如具有某些颜色，如发出某些类型的声音或气味，如代表安全风险等。

在操作708中，自主驾驶系统基于识别的特征获得相邻车辆的典型行驶风格。在操作710中，自主驾驶系统基于典型行驶风格预测路上事件。在操作712中，自主驾驶系统确定行驶决定。最终，在操作714中，自主驾驶系统控制车辆以便执行行驶决定。

上文所述的各个模块的功能，包括图像处理模块206、物理特征识别模块208、典型风格采集模块212、预测模块216和自主车辆控制器220可在以任何适合编程语言编程的软件中实施。其可适用于图6中所示的对应的模块。在示例性实施方式中，软件可以以编程语言如C或汇编语言实施，这提供了作出实时行驶决定的系统的快速执行时间的利益。C和汇编语言还有助于在微控制器上编辑和执行，使软件适用于嵌入系统，这可有益于作出实时行驶决定的车载系统。

上文所述的软件可编译和储存至存储器作为目标代码，且在车辆操作期间，可调用来用于由处理器执行。上述模块、存储器和处理器可设在单个芯片组上，使得自主驾驶系统200可设置为芯片上的单个系统。作为备选，上述模块可在单独的芯片组中提供，芯片组使用总线或其它适合的通信机构来与彼此通信。

当实施为芯片上的单个系统时，芯片可在自主车辆102中的任何便利位置上提供，如，在其它电路附近的仪表盘后方。此位置可有益于对芯片上系统提供方便接入电源，且有益于控制车辆的行驶的电子系统。

数据库服务器210和数据库214可在本地提供在储存于自主车辆102中的储存器上，或可储存在单独的服务器上。通过将数据库服务器210和数据库214储存在单独的服务器上，它们可更容易在中心管理和更新。在此情形中，自主车辆102可包括无线通信机构，如蜂窝网络连接性、宽域网无线能力，或局域无线网络能力(例如，"WiFi")。数据库服务器210和数据库214可使用任何已知的数据库环境如Oracle、DB2或SQL服务器来实施。

尽管以示例性形式以一定具体程度描述和示出了某些实施例，但将注意到的是，描述和图示仅通过举例的方式作出。可作出构造细节、组合和部分和操作布置的许多变化。因此，此类改变旨在包括在本公开内容的范围内，其保护范围由权利要求限定。

Claims (21)

1. 一种用于控制自主车辆的系统，包括：

用于获得所述自主车辆附近的相邻车辆的图像数据的一个或多个摄像机；

处理器和非暂时性数据储存器，计算机代码储存在所述非暂时性数据储存器上，所述计算机代码在所述处理器上执行时，引起所述自主驾驶系统基于获得的图像数据识别所述相邻车辆的物理特征，其中

所述物理特征包括：

　　所述相邻车辆的制造商和型号；

　　所述相邻车辆的颜色；以及

　　由所述相邻车辆运送的外露货物；

用于将识别的物理特征映射至所述自主车辆附近的预测的潜在路上事件的器件；

用于基于所述预测的潜在路上事件确定行驶决定的器件；以及

用于实施所述行驶决定的车辆控制器。

2. 根据权利要求1所述的系统，其特征在于，用于将所述识别的物理特征映射至预测的器件包括数据库，其：

使车辆的制造商和型号与那些制造商和型号的车辆的相应预计行驶风格相关联；以及

使车辆的颜色与那些颜色的车辆的相应预计行驶风格相关联。

3. 根据权利要求1所述的系统，其特征在于，

用于将所述识别的物理特征映射至预测的器件包括数据库，其使某些车辆制造商和型号与攻击性行驶风格相关联；以及

用于确定行驶决定的器件包括软件，其在确定具有一个所述攻击性行驶风格的车辆在所述自主车辆附近时采用防御性行驶方式。

4. 根据权利要求1所述的系统，其特征在于，所述计算机代码引起所述自主驾驶系统识别左侧和右侧相邻车道的车辆的物理特征；以及

所述用于确定行驶决定的器件包括软件，其通过基于所述识别的物理特征来评估哪个相邻车道更为安全而选择左侧或右侧的相邻车道来变道。

5. 一种用于自动地驾驶自主车辆的系统，包括：

用于获得关于所述自主车辆附近的至少一个相邻车辆的数据的一个或多个传感器；

处理器和非暂时性数据储存器，计算机代码储存在所述非暂时性数据储存器上，所述计算机代码在所述处理器上执行时，引起所述自主驾驶系统：

基于获得的数据识别所述相邻车辆的物理特征；

将识别的物理特征映射为所述自主车辆附近的预测的潜在路上事件；以及

基于所述预测的潜在路上事件确定行驶决定；以及

实施所述行驶决定的车辆控制器。

6. 根据权利要求5所述的系统，其特征在于，所述系统还包括数据库，所述数据库使所述物理特征与具有那些物理特征的车辆的相应预计行驶风格相关联。

7. 根据权利要求5所述的系统，其特征在于，所述物理特征包括将所述相邻车辆的类别确定为至少运动车辆、轿车、多功能运动车辆和卡车中的一者。

8. 根据权利要求7所述的系统，其特征在于，所述计算机代码引起自主驾驶系统：

预测容纳卡车的车道将移动较慢；以及

确定所述自主车辆将避免容纳所述卡车的车道。

9. 根据权利要求5所述的系统，其特征在于，所述物理特征包括所述相邻车辆的制造商和所述相邻车辆的型号中的至少一者。

10. 根据权利要求5所述的系统，其特征在于，所述计算机代码引起所述自主驾驶系统识别与所述相邻车辆相关联的物理风险的存在。

11. 根据权利要求10所述的系统，其特征在于，所述物理风险包括储存在所述相邻车辆上的外露货物。

12. 根据权利要求10所述的系统，其特征在于，所述系统还包括天气传感器来用于确定当前的天气条件，其中

所述计算机代码引起所述自主驾驶系统在给定的现有天气条件下评估所述相邻车辆的行驶风格。

13. 根据权利要求12所述的系统，其特征在于，

所述数据库使某些物理特征与攻击性行驶风格相关联，以及

所述计算机代码引起所述自主驾驶系统增大相对于具有与所述攻击性行驶风格相关联的所述物理特征的车辆的行驶距离。

14. 根据权利要求5所述的系统，其特征在于，所述计算机代码引起自主驾驶系统：

使用获得的数据预测将打扰其他驾驶员的相邻车辆，以及

响应于识别到将打扰其他驾驶员的车辆而采用防御性行驶方式。

15. 一种自主地驾驶自主车辆的方法，包括：

获得关于所述自主车辆附近的相邻车辆的数据；

识别所述相邻车辆的物理特征；

将识别的物理特征映射为所述自主车辆附近的预测的潜在路上事件；

基于所述预测的潜在路上事件确定行驶决定；以及

基于所述行驶决定控制所述车辆。

16. 根据权利要求15所述的方法，其特征在于，所述方法还包括：

将相邻车辆分类为至少运动车辆、轿车、多功能运动车辆和卡车中的一者；以及

将所述分类映射为所述相邻车辆的预计行驶行为的预测。

17. 根据权利要求15所述的方法，其特征在于，所述方法包括：

识别所述相邻车辆的车辆制造商或车辆型号；以及

将识别的车辆制造商或车辆型号映射为所述相邻车辆的预计行驶行为的预测。

18. 根据权利要求17所述的方法，其特征在于，所述方法包括基于占据相邻车道的车辆制造商或车辆型号来确定变道时间和位置。

19. 根据权利要求15所述的方法，其特征在于，所述方法包括：

识别与所述相邻车辆相关联的风险；以及

确定相对于所述风险增大行驶距离的行驶决定。

20. 根据权利要求19所述的方法，其特征在于，所述方法包括识别所述相邻车辆上的外露货物。

21. 根据权利要求19所述的方法，其特征在于，所述方法包括：

确定当前天气条件；以及

将不适于当前天气条件的相邻车辆识别为风险。