CN107010063A - 基于感知的速度限制估算和学习 - Google Patents

Abstract

本文公开了用于估算速度限制的系统、方法和装置。一种用于估算速度限制的系统包括一个或多个感知传感器、判别部件、估算器部件和通知部件。一个或多个感知传感器被配置为生成关于车辆附近的区域的感知数据。判别部件被配置为基于感知数据来检测一个或多个环境属性。估算器部件被配置为基于环境属性来确定估算的速度限制。通知部件被配置为提供估算的速度限制给车辆的自动驾驶系统或驾驶员辅助系统。

Description

基于感知的速度限制估算和学习

技术领域

本发明总体上涉及用于自动驾驶或用于辅助驾驶员的方法、系统和装置，并且更具体地涉及用于确定或估算速度限制的方法、系统和装置。

背景技术

机动车为商业、政府和私营实体提供运输的重要部分。由于机动车的高成本和价值以及对乘客和驾驶员的潜在危害，所以驾驶员安全性和碰撞或事故的避免是极其重要的。为了增加安全性并且减小财产损失的风险，许多道路具有针对车辆的速度限制，该速度限制可以通过执法机构强制执行。

发明内容

根据本发明，提供一种系统，包含：

一个或多个感知传感器，该一个或多个感知传感器被配置为生成关于车辆附近的区域的感知数据；

判别部件，该判别部件被配置为基于感知数据来检测一个或多个环境属性；

估算器部件，该估算器部件被配置为基于环境属性来确定估算的速度限制；以及

通知部件，该通知部件被配置为提供估算的速度限制给车辆的自动驾驶系统或驾驶员辅助系统。

根据本发明的一个实施例，其中一个或多个环境属性包含车辆附近的区域中的道路、结构或对象的一个或多个物理属性或特征。

根据本发明的一个实施例，其中属性部件检测一个或多个环境属性，一个或多个环境属性包含以下中的一个或多个：

道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率。

根据本发明的一个实施例，其中估算器部件被配置为基于估算模型来确定估算的速度限制，其中估算模型将一个或多个环境属性中的至少一个与速度限制或调节速度限制的指示相关联。

根据本发明的一个实施例，其中一个或多个感知传感器包含摄像机并且其中属性部件被配置为处理来自摄像机的图像以确定一个或多个环境属性。

根据本发明的一个实施例，进一步包含判别的速度部件，判别的速度部件被配置为确定高可信速度限制。

根据本发明的一个实施例，进一步包含学习部件，学习部件被配置为基于高可信速度限制来更新估算模型以更新一个或多个环境属性和估算的速度限制之间的关联。

根据本发明的一个实施例，其中判别的速度限制部件基于由第三方提供的数据来确定高可信速度限制。

根据本发明的一个实施例，其中由第三方提供的数据包含由一个或多个传感器检测的道路标志、由系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

根据本发明，提供一种用于速度限制的机器学习的方法，方法包含：

接收来自一个或多个感知传感器的感知数据；

接收用于对应于感知数据的位置的判别的速度限制的指示；

基于感知数据来识别一个或多个环境属性，其中属性包含道路、结构或道路附近的对象的一个或多个物理属性或特征；以及

将一个或多个环境属性与估算模型内判别的速度限制的值相关联。

根据本发明的一个实施例，其中一个或多个环境属性包含以下中的一个或多个：

道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率。

根据本发明的一个实施例，其中对应于感知数据的位置包含第一位置，其中方法进一步包含：

接收用于第二位置的感知数据；以及

基于估算模型来确定用于第二位置的估算的速度限制。

根据本发明的一个实施例，其中一个或多个感知传感器包含摄像机并且感知数据包含由摄像机捕获的图像，其中识别一个或多个环境属性包含处理图像以确定一个或多个环境属性。

根据本发明的一个实施例，其中判别的速度限制被接收在由第三方提供的数据中。

根据本发明的一个实施例，其中由第三方提供的数据包含由一个或多个传感器检测的道路标志、由系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

根据本发明，提供计算机可读存储介质，计算机可读存储介质存储指令，指令在通过一个或多个处理器执行时使处理器：

处理感知数据以基于感知数据来检测车辆附近的区域的一个或多个环境属性；

基于环境属性来估算用于车辆附近的区域的速度限制；以及

通知车辆的自动驾驶系统或驾驶员估算的速度限制。

根据本发明的一个实施例，其中指令进一步使处理器确定以下中的一个或多个：

用于至少阈值时间或距离的判别的速度限制还没有确定；以及

用于当前道路或当前道路的区域的判别的速度限制还没有确定。

根据本发明的一个实施例，其中一个或多个环境属性包含车辆附近的区域中道路、结构或对象的一个或多个物体属性或特征。

根据本发明的一个实施例，其中感知数据包含来自摄像机的图像并且其中处理感知数据包含处理来自摄像机的图像以确定一个或多个环境属性。

根据本发明的一个实施例，其中指令进一步使处理器确定用于区域的高可信速度限制并且基于高可信速度限制来更新估算模型以更新一个或多个环境属性和估算的速度限制之间的关联。

附图说明

本发明的非限制性和非穷尽性的实施方式将参照下面的附图进行描述，其中贯穿各个视图，相同的附图标记指代相同的部件，除非另有说明。相对于下面的说明书和附图，本发明的优点将变得更好理解，其中：

图1是示出了包括自动驾驶/辅助系统的车辆控制系统的实施方式的示意性框图；

图2示出了示例道路环境的透视图；

图3示出了另一个示例道路环境的透视图；

图4示出了又一示例道路环境的透视图；

图5是示出了示例道路环境的俯视图的示意图；

图6是根据一个实施方式示出了速度部件的示例部件的示意性框图；

图7是根据一个实施方式示出了用于速度限制估算的模型的示意性框图；

图8是根据一个实施方式示出了用于速度限制估算和机器学习的模型的示意性框图；

图9是根据一个实施方式示出了用于确定是否使用估算的速度限制或判别的速度限制的方法的示意性框图；以及

图10是根据一个实施方式示出了用于确定速度限制的方法的示意性框图。

具体实施方式

尽管速度限制经常出现在道路上，但是这些法定的速度限制(或者，简单地说，速度限制)对驾驶员不总是立即显而易见的。作为一示例，考虑到一经进入州际公路，在一个人看见速度限制标志之前可能是数英里。作为另一个示例，在居住区域内可能没有标牌速度限制，但“城镇”速度限制可能仍然生效。在这些情况下，人类驾驶员可以预期使用估算速度限制的判定。在某些情况下，车辆可以通过自动驾驶系统(或其他“虚拟驾驶员”)来控制，该自动驾驶系统使用传感器来控制车辆，该传感器检测环境。在某些情况下，速度限制信息可以通过地图、电子地平线或速度限制标志用于自动驾驶系统或虚拟驾驶员。在其它情况下，自动驾驶系统或虚拟驾驶员可以没有速度限制信息，并且可能需要估算合理的速度限制。然而，如果车辆驾驶系统或人类驾驶员错误地估算速度限制，则可能有车辆的事故或违反速度限制的增加的风险。

本申请公开了用于估算速度限制的系统、方法和装置。在一个实施例中，速度限制可以基于房屋、混凝土中央路栏、车道标志线，路缘、或振动带的存在、车道的数量、车道宽度或道路上或道路附近的其它环境属性来估算。例如，估算的速度限制可以用作驾驶员或自动驾驶系统的“健康检查”，以确保车辆大约以正确的速度行驶。在一个实施例中，用于法定的速度限制的估算可以通过使用感知传感器来确定。感知传感器是感测环境的那些，比如摄像机、雷达系统、光探测和测距(LIDAR)系统、超声波系统或任何其它图像或测距检测系统。例如，系统可以将瞬时感知传感器信息映射到合理的速度限制。在感知传感器是摄像机的情况下，估算器处理来自摄像机的一个或多个图像以确定合理的速度限制。例如，对象识别或模式识别可以针对感知数据执行以检测或识别环境属性。在一个实施例中，神经网络或图形模型可以用来将速度值映射到像素。例如，空间的区域可以标记为35英里每小时(MPH)、40MPH、45MPH、55MPH等。应当理解的是，尽管美国主要使用英里每小时，但是本发明也适用于米制速度单位。因此，在不脱离本发明的范围的前提下，本发明预期根据其中车辆可以使用且操作的位置来估算且调节速度限制。

在一个实施例中，估算算法可以是硬编码的或者可以使用人工智能学习且更改。例如，估算器可以使用可以保持不变且可以基于车辆的驾驶历史或经验更新的一组参数。在一个实施例中，估算系统可以实施在线学习算法。例如，学习算法可以使用ab估算的输出和已知的速度限制以更新用来估算速度限制的参数。已知的速度限制可以从驾驶历史、地图、速度、标志或其它源获得。在一个实施例中，当在判别的法定速度限制中有高可信(例如，基于标志、地图或提供具有高精确度水平的速度限制的其它源)时，学习算法更新估算参数。在一个实施例中，系统或方法可以通过神经网络或机器学习算法馈送图像以学习环境的什么方面对应于已知的速度限制。例如，实施例可能够训练控制器或系统来以给定速度行驶，而不需要将那样的速度信息与数据库或其它已知的数据源进行比较，比如在GPS信号或系统是非功能的或错误的情况下。

在下面的公开内容中，参照附图，附图形成公开内容的一部分并且在附图中通过例证的方式示出可以实践本发明的特定实施方式。应当理解的是，在不脱离本发明的范围的前提下，可以利用其他实施方式并且可以进行结构变化。说明书中引用“一个实施例”、“实施例”，“示例实施例”等表示所描述的实施例可以包括特定特征、结构或特性，但每个实施例可能未必包括特定特征、结构或特性。另外，这样的短语未必是指代同样的实施例。此外，当特定特征、结构或特性关于实施例进行描述时，可以主张的是，关于无论是否明确描述的其他实施例，影响这样的特征、结构或特性在本领域技术人员的知识的范围内。

本文所公开的系统、装置和方法的实施方式可以包含或利用专用或通用计算机，该专用或通用计算机包括计算机硬件，例如，一个或多个处理器和系统存储器，如下面更详细讨论的。在本发明的范围内的实施方式还可以包括用于承载或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。承载计算机可执行指令的计算机可读介质是传输介质。因此，通过示例的方式，而非限制，本发明的实施方式可以包含至少两种明显不同种类的计算机可读介质：计算机存储介质(装置)和传输介质。

计算机存储介质(装置)包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦可编程只读存储器(EEPROM)、只读光盘存储器(CD-ROM)、固态驱动器(“SSD”)(例如，基于RAM)、闪速存储器、相变存储器(“PCM”)、其他类型的存储器、其它光盘存储器、磁盘存储器或其它磁性存储装置、或者可以被用来存储以计算机可执行指令或数据结构的形式的所需的程序代码手段并且可以由通用或专用计算机访问的任何其它介质。

本文所公开的装置、系统和方法的实施方式可以通过计算机网络进行通信。“网络”被定义为允许电子数据在计算机系统和/或模块和/或其他电子装置之间传输的一个或多个数据链路。当信息通过网络或另一通信连接(硬线连接、无线、或硬线连接或无线的组合)被传送或提供到计算机时，计算机适当地将该连接视为传输介质。传输介质可以包括可以被用来承载以计算机可执行指令或数据结构的形式的所需的程序代码手段并且可以由通用或专用计算机来访问的网络和/或数据链路。上述的组合也应该被包括在计算机可读介质的范围之内。

计算机可执行指令包含例如指令和数据，当在处理器执行时，该指令和数据使通用计算机、专用计算机、或专用处理装置执行某些功能或功能组。计算机可执行指令可以是例如二进制、比如汇编语言的中间格式指令、或甚至源代码。尽管本发明主题已经以针对结构特征和/或方法论动作的语言进行了描述，但是应当理解的是，在所附权利要求中定义的发明主题不一定限制于所描述的特征或上述动作。相反地，所描述的特征和动作被公开作为实施权利要求的示例形式。

本领域技术人员将领会的是，本发明可以在网络计算环境中通过许多类型的计算机系统配置来实践，包括内置式计算机、个人计算机、台式计算机、便携式计算机、消息处理器、手持式装置、多处理器系统、基于微处理器或可编程的消费者电子产品、网络个人电脑(PC)、小型计算机、大型计算机、移动电话、个人数字助理(PDA)、平板电脑、寻呼机、路由器、交换机、各种存储装置等等。本发明也可以在本地和远程计算机系统都执行任务的分布式系统环境中实践，本地和远程计算机系统通过网络链接(或者通过硬线数据链路、无线数据链路或者通过硬线和无线数据链路的组合)。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置中。

此外，在适当情况下，本文所描述的功能可以在下列一种或多种中执行：硬件、软件、固件、数字部件或模拟部件。例如，一个或多个专用集成电路(ASIC)可以被编程为执行本文所描述的系统和程序中的一个或多个。在整个下面的说明书和权利要求书中，某些术语被用来指代特定的系统部件。本领域技术人员将领会的是，部件可以通过不同的名称来称呼。本文献不旨在区分名称不同但作用相同的部件。

现在参照附图，图1示出了包括自动驾驶/辅助系统102的车辆控制系统100。自动驾驶/辅助系统102可以用来自动化或控制车辆的操作或用来提供辅助给人类驾驶员。例如，自动驾驶/辅助系统102可以控制制动、转向、加速、灯、警报、驾驶员通知、无线电或车辆的任何其它的辅助系统中的一个或多个。在另一个示例中，自动驾驶/辅助系统102可能无法提供驾驶(例如，转向、加速或制动)的任何控制，但可以提供通知和警报以在安全驾驶方面辅助人类驾驶员。自动驾驶/辅助系统102包括速度部件104，该速度部件104可以估算当前位置的速度限制(例如，基于在当前位置的传感器数据)并且可以通知或警告人类驾驶员或自动驾驶/辅助系统102估算的速度限制。例如，当没有速度限制的清楚指示存在时，人类驾驶员或自动驾驶/辅助系统102可以使用估算的速度限制作为引导。

车辆控制系统100还包括用于检测附近对象的存在或确定父本车辆(例如，包括车辆控制系统100的车辆)的位置的一个或多个传感器系统/装置。例如，车辆控制系统100可以包括一个或多个雷达系统106、一个或多个LIDAR系统108、一个或多个摄像机系统110、全球定位系统(GPS)112和/或一个或多个超声波系统114。车辆控制系统100可以包括用于存储用于导航和安全性的相关或有用的数据(比如驾驶历史、地图数据或其他数据)的数据存储器116。车辆控制系统100还可以包括用于与移动或无线网络、其它车辆、基础设施或任何其它通信系统无线通信的收发器118。车辆控制系统100可以包括控制车辆的驾驶的各个方面(比如电动马达、开关或其它致动器)以控制制动、加速、转向等等的车辆控制致动器120。车辆控制系统100还可以包括一个或多个显示器122、扬声器124或其它装置以使给驾驶员或乘客的通知可以被提供。显示器122可以包括抬头显示器、仪表板显示器或指示器、显示屏幕或可以被车辆的驾驶员或乘客看见的任何其它可视指示器。扬声器124可以包括车辆的音响系统的一个或多个扬声器或者可以包括专用于驾驶员通知的扬声器。

应当领会的是，图1的实施例仅通过示例的方式给出。在不脱离本发明的范围的前提下，其它实施例可以包括更少的或附加的部件。此外，所示的部件可以被结合或被包括在其它部件内，而非限制。例如，速度部件104可以与自动驾驶/辅助系统102分开并且数据存储器116可以被包括为自动驾驶/辅助系统102的一部分和/或速度部件104的一部分。

雷达系统106可以包括本领域中已知的任何雷达系统。雷达系统106操作和性能通常很好理解。通常，雷达系统106通过发送无线电信号和检测离开对象的反射来操作。在地面应用中，雷达可以被用来检测物理对象，比如其他车辆、停车障碍物或停车挡块、风景(比如树木、悬崖、岩石、山丘等等)、道路边缘、标志、建筑物或其他对象。雷达系统106可以使用反射的无线电波来确定关于物理对象或材料的大小、形状、距离、表面纹理或其他信息。例如，雷达系统106可以扫描区域以获得关于特定范围和雷达系统106的视角内的对象的数据。在一个实施例中，雷达系统106被配置为生成来自车辆附近的区域——比如车辆附近或周围的一个或多个区域——的感知信息。例如，雷达系统106可以获取关于紧邻或靠近车辆的地面或竖直区域的区域的数据。雷达系统106可以包括许多广泛市售的雷达系统之一。在一个实施例中，雷达系统106可以将包括二维或三维地图或模型的感知数据提供给自动驾驶/辅助系统102，用于参考或处理。

LIDAR系统108可以包括本领域中已知的任何LIDAR系统。LIDAR系统的操作原理和性能通常很好理解。通常，LIDAR系统108通过发射可见波长或红外波长激光并检测离开对象的激光的反射来操作。在地面应用中，激光可以被用于检测物理对象，例如其他车辆、停车障碍物或停车挡块、风景(例如树木、悬崖、岩石、山丘等等)、道路边缘、标志、建筑物或其他对象。LIDAR系统108可以使用反射的激光来确定关于物理对象或材料的大小、形状、距离、表面纹理、或其他信息。例如，LIDAR系统108可以扫描区域以获得特定范围和LIDAR系统108的视角内的数据或对象。例如，LIDAR系统108可以获取关于紧邻或靠近车辆的地面或竖直区域的区域的数据。LIDAR系统108可以包括许多广泛市售的LIDAR系统之一。在一个实施例中，LIDAR系统108可以提供包括检测到的对象或表面的二维或三维模型或地图的感知数据。

摄像机系统110可以包括一个或多个摄像机，比如可见光波长摄像机或红外摄像机。摄像机系统110可以提供视频馈送或周期性图像，该视频馈送或周期性图像可以被处理用于对象检测、道路识别和定位、或其他检测或定位。在一个实施例中，摄像机系统110可以包括两个或更多个摄像机，其可以被用来提供视野范围内对象的测距(例如，检测距离)。

GPS系统112是可以基于卫星或无线电塔信号来提供车辆的地理位置的定位系统的一个实施例。GPS系统112是已知的并且在本领域中广泛可用的。尽管GPS系统112可以提供非常准确的定位信息，但是GPS系统112通常提供关于车辆与其他对象之间的距离的很少的信息或不提供关于车辆与其他对象之间的距离的信息。相反地，它们仅提供位置，该位置然后可以与其它数据(比如地图)比较以确定与其他对象、道路、或关注的位置的距离。

超声波系统114可以用来使用超声波检测对象或检测车辆和对象之间的距离。例如，超声波系统114可以从保险杠上或保险杆附近的位置或车辆的侧板位置发射超声波。超声波——其可以通过空气行驶短距离——可以从其他对象反射并且通过超声波系统114检测。基于发射和反射的超声波的接收之间的时间量，超声波系统114能够检测保险杠或侧板和任何其它对象之间的精确距离。由于其较短的范围，超声波系统114可以更有利于在停车期间检测对象或在驾驶期间检测即将来临的碰撞。

在一个实施例中，雷达系统106、LIDAR系统108、摄像机系统110和超声波系统114可以检测车辆附近的环境属性。例如，系统106-110和114可以检测车道的数量、车道宽度、路肩宽度、道路表面曲率、道路方向曲率、振动带、车道标志、十字路口的存在、道路标志、桥、天桥、障碍物、路中护栏、路缘、或关于道路的任何其它细节。作为另外的示例，系统106-110和114可以检测环境属性，该环境属性包括关于道路附近的结构、对象或表面的信息，比如私人车道的存在、停车场、停车场出口/入口、人行道、走道、树木、栅栏、建筑物、停放的车辆(道路上或道路附近)、门、标志、停车带、或任何其他结构或对象。

数据存储器116存储地图数据、驾驶历史和其他数据，其他数据可以包括用于自动驾驶/辅助系统102的其他导航数据、设置或操作指令。地图数据可以包括道路、停车场、停车位、或车辆可以被驱动或停放的其他地方的位置数据，比如GPS位置数据。例如，道路的位置数据可以包括特定车道的位置数据，比如车道方向、合并车道、公路或高速公路车道、出口车道或任何其他车道或道路的分支。位置数据也可以包括用于停车场中的每个停车位或用于沿着道路的停车位的位置。在一个实施例中，地图数据包括关于道路或停车位置上或附近的一个或多个结构或对象的位置数据。例如，地图数据可以包括关于GPS标志位置、桥位置、建筑物或其他结构位置等等的数据。在一个实施例中，地图数据可以包括精度在几米精度范围内或亚米精度范围内的准确位置数据。地图数据还可以包括用于陆地车辆可以行驶的路径、土路、或其他道路或路径的位置数据。

驾驶历史(或驱动历史)可以包括车辆的过去的行程或停车位置的位置数据。例如，驾驶历史可以包括用于进行的先前的行程或路径的GPS位置数据。作为另一个示例，驾驶历史可以包括关于车道线、标志、道路边界线或道路上或道路附近的其他对象或特征的距离或相对位置数据。距离或相对位置数据可以基于GPS数据、雷达数据、LIDAR数据、摄像机数据或在车辆进行的先前或过去的行程期间收集到的其他传感器数据来确定。在一个实施例中，自动驾驶/辅助系统102被配置为将车辆进行的任何行程或驾驶的驾驶数据记录到数据存储器116并且将在车辆进行的任何行程或驾驶期间的驾驶数据记录到数据存储器116。

收发器118被配置为从一个或多个其它数据或信号源接收信号。收发器118可以包括被配置为根据多种通信标准和/或使用多种不同的频率进行通信的一个或多个无线电。例如，收发器118可以从其他车辆接收信号。从另一个车辆接收信号在此指代车辆-对-车辆(V2V)通信。在一个实施例中，收发器118也可以被用来将信息传送到其它车辆，以潜在辅助它们定位车辆或对象。在V2V通信期间，收发器118可以接收来自其他车辆的有关其位置、其他交通、事故、道路条件、停车障碍物或停车挡块的位置或可以辅助车辆和/或自动驾驶/辅助系统102准确或安全驾驶的任何其他细节的信息。

收发器118可以接收来自固定位置处的其他信号源的信号。基础设施收发器可以被定位在特定地理位置并且可以传送带时间戳的其特定地理位置。因此，自动驾驶/辅助系统102能够基于时间戳来确定距基础设施收发器的距离，并且然后基于基础设施收发器的位置来确定其位置。在一个实施例中，从固定位置处的装置或塔接收或发送位置数据在此指代车辆-对-基础设施(V2X)通信。在一个实施例中，术语V2X通信也可以包含V2V通信。

在一个实施例中，收发器118可以通过移动网络或蜂窝连接来发送和接收位置数据。例如，随着车辆沿着道路行驶，收发器118可以接收特定区域的更新的位置数据。同样地，收发器118可以接收已沿着道路在该位置行驶的或已停放在停车场的该停车位上的父本车辆或其他车辆的历史驾驶数据。例如，收发器118可以接收表示可以使用雷达系统106、LIDAR系统108、摄像机系统110、GPS系统112、或超声波系统114可检测到的标志、停车障碍物或停车挡块或其它对象的位置的数据。如果收发器118能够接收来自三个或更多个基础设施收发器的信号，则自动驾驶/辅助系统102能够三角测量其地理位置。

在一个实施例中，收发器118可以发送且接收表示道路、道路的部分、城镇、或地理区域速度限制的数据。在一个实施例中，收发器118可以接收通过权威来源(比如特定参照、网址、服务器、或发送器)提供的判别的速度限制。在一个实施例中，判别的速度限制可以是具有高的正确的可能性并且通过自动驾驶/辅助系统102或速度部件104解释为高可信法定的速度限制的速度限制。

在一个实施例中，自动驾驶/辅助系统102被配置为控制父本车辆的驾驶或导航。例如，自动驾驶/辅助系统102可以控制车辆控制致动器120以驾驶到道路上的路径、停车场、私人车道或其它位置。例如，该自动驾驶/辅助系统102可以确定路径和速度以基于由部件106-118的任意一个提供的信息或感知数据来驾驶。

在一个实施例中，速度部件104被配置为基于由部件106-118收集或提供的数据来确定估算的速度限制。在一个实施例中，速度部件104基于通过雷达系统106、LIDAR系统108、摄像机系统110和/或超声波系统114捕获的感知数据来确定估算的速度限制。

图2-4是示出了包含由摄像机系统110捕获的图像的感知数据的线图。速度部件104可以处理视图以识别感知数据(例如，图像、LIDAR数据、雷达数据、超声波数据、或其它感知数据)中描绘的环境属性。图2是居住街道环境200的透视图。在一个实施例中，速度部件104可以识别环境属性，该环境属性包括值或对象，比如道路宽度202、一个或多个房屋204、一个或多个树木206、一个或多个停车带208、一个或多个路缘210、一个或多个私人车道212、人行道214、或居住街道环境200的其它属性。例如，速度部件104可以使用一个或多个图像处理算法(比如边缘发现、签名匹配等等)来检测对象或特征的边缘并且识别居住街道环境200的对象或特征。例如，速度部件104可以基于确定车辆当前处在居住环境来确定速度限制。例如，速度部件104可以根据特定街道环境200的属性来确定居住环境中速度限制是25MPH或35MPH，或更小。

道路宽度202可以包括路面的边缘、路缘、标色水线等等之间的距离。道路宽度202通常可以但不总是与较高的速度限制正向对应。例如，更窄的道路可以具有较低的速度限制，而较宽的道路可以具有较高的速度限制。房屋204可以包括可能对应于住房或家的结构或周围环境。例如，车库门、走道、人行道214、周期性建筑物或结构细节和通常对应于家的建筑的存在可以用来确定所识别的结构是房屋204。树木206可以基于颜色、叶的显著模式、高度、树枝、运动等等来检测。停车带208可以基于道路附近的位置、道路和人行道214之间的布置等等来检测。路缘210可以基于颜色、高度、道路附近的位置、道路和其它表面特征之间的位置等等来检测。私人车道212可以基于停车带208的缺乏、类似的颜色和延伸到道路的纹理、车库门的存在、停放的车辆等等中的一个或多个的存在来识别。人行道214可以基于颜色、表面平滑度或纹理、道路附近的位置、附近的地形之间的对比度、行人的存在等等来检测。

所讨论的特征或属性202-214仅通过示例的方式给出。例如，附加属性——其可以在居住环境中被检测——可以包括停放在街道上或街道附近的车辆、行人的存在、儿童、动物、宠物、居住景观特征比如花卉和灌木或任何其它方面。在某些情况下，机器学习算法可以基于图像或感知数据来识别附加特征或属性。例如，从道路到表面的距离、标志的缺乏、门牌号的存在、邮箱、配色方案或任何其它环境属性可以通过速度学习算法来识别，该速度学习算法可以未被特别地编码或被人识别。

图3是商业或工业街道环境300的透视图。在一个实施例中，速度部件104可以识别环境属性，其包括值或对象，比如车道或道路标志线302、车道宽度304、车道的数量、车道标志线的颜色——以确定交通的方向或双向交通、水沟306、路缘308、停车带310、人行道312、大型标志314、十字路口或交叉路316、大型或商业建筑318、车辆320、树木322、灌木324等等的存在。例如，速度部件104可以基于确定车辆当前处在商业、工业或其他街道环境来确定速度限制。例如，速度部件104可以基于环境属性来确定商业或工业环境中的速度限制是35MPH或45MPH，或更小。

道路标志线302可以基于与道路表面的对比色、形状(例如，长的且瘦的)、道路上的存在等等来识别。道路标志线302可以用来确定车道宽度304、车道的数量、车道方向、和/或单向或双向交通的存在。水沟306可以基于颜色、斜坡、道路附近的位置或路缘308等等来检测。标志314可以基于大小、刻字大小和样式、照明、形状等等来检测或识别。十字路口或交叉路316可以基于相对于道路的位置、宽度等等来检测。商业、工业或公共建筑物，比如建筑物318，可以基于大小、建筑学、风格、建筑物大小、标牌、接近道路或停车场等等来检测。在一个实施例中，对象或特征302-324的存在，和它们相对于道路的位置关系可以用来确定道路处在商业环境中或者道路具有特定速度限制。

图4是州际公路街道环境400的透视图。在一个实施例中，速度部件104可以识别环境属性，该环境属性包括值或对象，比如道路边界标志线402(例如，标色水线)、车道标志线404、右路肩宽度406、振动带408、左路肩宽度410、树木412和灌木414、标志416、路灯418等等。例如，速度部件104可以基于确定车辆当前处在州际公路环境来确定速度限制。例如，速度部件104可以确定州际公路上的速度限制是55或65MPH，或更大。在一个实施例中，道路的曲率也可以被检测以确定降低的或暂时降低的速度限制生效。

道路边界标志线402和车道标志线404的存在和颜色可以用来确定一个或多个车道的行驶方向、车道的数量等等。例如，如果附图中描绘的最左侧的道路边界标志线402是黄色的，则速度部件104可以确定州际公路街道环境400中所有三个车道在相同的方向上行驶。作为另一个示例，如果两个道路边界标志线402是白色的并且一排车道标志线404是黄色的，则速度部件104可以确定车辆处在双向交通环境。路肩406和振动带408的大小可以表示较高的速度限制(比如美国的55MPH、65MPH、或75MPH)是可用的。此外，左路肩410的存在和大小、树木412和灌木414的数量和建筑物的缺乏也可以表示较高的速度限制是可用的。标志416(比如街道标志)的大小、形状和措辞，即使表示没有速度限制，但也可以表示道路是州际公路。

上面所讨论的环境属性仅通过示例的方式给出。例如，任何附加环境属性可以影响速度限制。在一个实施例中，学校区域标志、闪光灯等等的存在可以表示需要较慢的速度限制。在一个实施例中，锥形交通路标、建筑障碍物等等的存在也可以表示降低的速度限制。在一个实施例中，速度部件104可以使用环境属性作为表示特定速度限制和/或分区环境(例如，居住、工业、商业、荒地、公路、高速公路、州际公路、学校区域等)的加权因素。在一个实施例中，图形模型可以用来结合存在、存在的缺乏、或车辆的当前环境的值，以确定当前估算的速度。

尽管本文中的一些示例相对于摄像机图像给出，但是其它的传感器数据也可以用来获取感知数据并且确定当前道路或行驶环境的属性。例如，在一个实施例中，LIDAR系统108、雷达系统106和/或超声波系统114可以收集关于环境的信息并且可以通过速度部件104处理以估算当前速度限制。

图5是道路500的示意性俯视图，其中车辆502在道路上行驶。车辆502可以包括图1的系统100。在一个实施例中，一个或多个传感器(比如车辆的摄像机系统110)可以具有由虚线表示的观察区域504。观察区域504仅是说明性的并且可以在任何方向或所有方向上围绕车辆502延伸。车辆502或车辆502的速度部件104可以接收观察区域504内来自对象、表面等等的感知数据并且估算当前速度限制。在一个实施例中，某些对象或环境属性的存在或缺乏可以基于关于观察区域504收集的数据被车辆502确定。

在一个实施例中，车辆502可以处理感知数据以检测另一车辆508、标志510或512、交叉路514、或相对于图2-4或在本发明的其他地方所讨论的任何其他环境属性的存在。基于检测到的对象或属性，车辆502能够确定估算的速度限制或实际的速度限制。例如，标志512可以是声明道路500的实际的速度限制的速度限制标志。如果已知的速度限制可以被检测或识别，则车辆502可以使用针对机器学习或估算模型的训练的感知数据以提供这样的已知速度限制信息给车辆502。术语“已知的速度限制”也可以在本文中指代为高可信速度限制、判别的速度限制、或实际的法定速度限制。在一个实施例中，标志512可以不是速度限制标志并且可以被欢迎标志、道路识别标志、或任何其他标志代替。尽管已知的速度限制或判别的速度限制可以不从标志得到，但是标志上的信息可以与其它环境属性结合使用以确定估算的速度限制。例如，标志可以包括道路标识符，该道路标识符可以表示道路是否是州际公路、城市道路、国道、荒道、私有道路、或任何其他类型的道路。道路标识符可以与交叉路514或其他环境属性的存在结合使用以估算车辆502的当前速度限制。

除了感知数据之外，车辆502可以从存储的地图、存储的驾驶历史或从无线信号获取信息。例如，基础设施发射机506被示出在道路附近，该基础设施发射机506可以提供特定定位、环境属性细节或其他信息给车辆。作为另外的示例，车辆502可以从其他车辆(比如车辆508)或从无线通信网络(比如无线通信网络)接收信息。

图6是根据一个实施例示出了速度部件104的部件的示意性框图。速度部件104包括感知数据部件602、属性部件604、估算器部件606、通知部件608、判别的速度部件610和学习部件612。部件602-612仅通过例证的方式给出并且可以不全部被包括在所有实施例中。事实上，一些实施例可以仅包括部件602-612的两个或更多个的一个或任意组合。部件602-612的一些可以位于速度部件104的外部，比如自动驾驶/辅助系统102内或其它地方。

感知数据部件602被配置为从生成关于车辆附近的区域的感知数据的一个或多个感知传感器接收感知数据。感知数据可以包括由摄像机系统110、雷达系统106、LIDAR系统108和超声波系统114中的一个或多个生成的数据。在一个实施例中，一个或多个感知传感器包括摄像机并且感知数据部件602接收通过摄像机捕获的图像。

属性部件604被配置为处理感知数据以基于感知数据来检测车辆附近的区域的一个或多个环境属性。例如，属性部件可以执行对象识别、模式识别、对象或表面边缘检测或其它识别以检测、计算、识别或者以其它方式确定环境属性。在一个实施例中，属性包括车辆附近的区域中的道路、结构或对象的一个或多个物理属性或特征。例如，属性可以包括道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率中的一个或多个。同样地，属性可以包括中断的和/或周期性建筑物、私人车道、走道、停放在私人车道的车辆等等的存在。属性部件604可以检测本文所讨论的任何属性或可以通过机器学习算法发现或识别的附加属性。

在一个实施例中，感知数据可以包括由一个或多个摄像机捕获的图像或视频。属性部件604可以处理图像或视频以确定或识别一个或多个环境属性。在一个实施例中，例如，属性部件604可以仅基于一个或多个图像来确定环境中的属性。同样地，属性部件604可以仅基于来自摄像机系统110、LIDAR系统108、雷达系统106和超声波系统114中的一个或多个的传感器数据来确定属性。

估算器部件606被配置为基于环境属性来确定估算的速度限制。例如，估算器部件606可以基于由属性部件604确定的环境属性来确定车辆附近的区域的估算的速度限制。在一个实施例中，估算器部件606被配置为基于估算模型或图形模型来确定估算的速度限制。估算模型或图形模型可以将一个或多个环境属性中的至少一个与速度限制或调节速度限制的指示相关联。例如，某些属性可以与增加的速度限制正向相关，而其它的属性可以与增加的速度限制负向相关。作为另一个示例，某些属性的第一组合可以表示特定速度限制，而其他属性的组合——其可以包括与第一组合共同的属性——可以表示不同的速度限制。同样地，图形模型可以被遍历以达到估算的速度限制。

在一个实施例中，估算器部件606可以确定当前环境的速度限制的可能范围。在一个实施例中，估算器部件606可以确定在所确定的范围的下端的速度限制以限制车辆将超过法定速度限制的机会。另一方面，估算器部件606可以确定上端的速度限制以减少驱动时间。

通知部件608被配置为提供估算的速度限制的指示给车辆502的人类驾驶员或自动驾驶系统，比如102。例如，如果人类驾驶员正在驾驶车辆502，则估算的速度限制的可视或可听通知可以在车辆502的驾驶室内提供。在一个实施例中，通知部件608可以通过发送信号或消息提供表示估算的速度限制的指示给自动驾驶系统102。在一个实施例中，通知部件608提供估算的速度限制是估算值而不是实际的速度限制的指示。基于估算的速度限制和/或它是估算值的指示，人类驾驶员或自动驾驶系统102能够确定适当的驾驶路线、速度等等。例如，人类驾驶员或自动驾驶系统102可以确定估算值太低或太高并且相应地更改实际的驾驶速度。在一个实施例中，通知部件608可以提供估算的速度限制给学习部件612或判别的速度部件610。

判别的速度部件610被配置为试图确定具有高可信的已知的或实际的速度限制。例如，判别的速度部件610可以基于可信的源或速度限制的可信的指示——比如速度限制标志(使用摄像机或其他传感器检测)、地图、提供预测的驾驶辅助的电子地平线系统、来自其他第三方系统或网络的数据等等——来确定速度限制。电子地平线系统可以为特征——比如夜视、曲线测速预警、交通标志检测、道路速度限制等——提供地图数据。

在一个实施例中，判别的速度部件610被配置为基于由第三方提供的信息来确定判别的速度限制。例如，由第三方提供的数据可以包括由一个或多个传感器检测的道路标志、由系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和/或通过移动网络接收的数据。在一个实施例中，判别的速度部件610可以响应于确定GPS位置、地图位置或其他位置而基于车辆的当前位置来确定判别的速度限制。在一个实施例中，判别的速度部件610可以基于由一个或多个传感器收集的感知数据来确定高可信速度限制。例如，判别的速度部件610可以对由摄像机系统110捕获的标志的图像执行光学字符识别以识别该标志是速度限制标志并且确定标牌速度。

在一个实施例中，判别的速度部件610可以追踪道路上的时间或距离或变化的量，以确定高可信速度限制是否对于车辆的当前位置是已知的。例如，判别的速度部件610可以确定用于至少阈值时间或距离的判别的速度限制还没有确定。作为另一个实例，判别的速度部件610可以确定用于当前道路或当前道路的区域的判别的速度限制还没有确定。

在一个实施例中，判别的速度部件610可能无法确定一段时间内的当前速度限制。在此一段时间期间，车辆驾驶系统或车辆辅助系统102可以基于感知数据来估算速度限制并且基于估算的速度限制来控制驾驶或通知驾驶员估算的速度限制。在稍后的点，判别的速度部件610可以确定判别的速度限制并且在没有判别的速度限制是已知的一段时间期间确定判别的速度限制对应于车辆502的位置。判别的速度限制可以被存储在由判别的速度部件610以后访问的驾驶历史中，以便使判别的速度限制能够在随后的行程上更快地确定。同样地，判别的速度限制可以用来通过速度部件104训练速度限制估算。

学习部件612被配置为执行机器学习以更新机器学习算法、模型、功能或数据库。在一个实施例中，学习部件612被配置为基于高可信速度限制来更新估算模型以更新或形成一个或多个环境属性和估算的速度限制之间的关联。例如，数据库或模型可以存储或表示环境属性和估算的速度极限之间的多个关联。基于环境属性的存在，特定速度限制可以通过数据库、图形模型或任何其他数据结构或算法来表示。在一个实施例中，学习部件612可以检测与具有判别的速度限制的区域相关联的感知数据中的多个环境属性并且将环境属性与判别的速度限制相关联。环境属性和速度限制可以通过分组或通过任何其他方法与加权平均相关联。例如，给定的一组环境属性可以表示具有第一百分比或置信度的第一速度限制并且还表示具有第二百分比或置信度的第二速度限制。估算器部件606可以选择最高的百分比或最高置信度值，或者可以选择两个中较低的(或如果有多于两个则选择中间或其它值)作为估算的速度限制。

在一个实施例中，学习部件612可以使用速度限制图像或甚至在车辆使用之前的其他感知数据来训练，以使速度部件104具有速度限制估算的基本理解。根据一个实施例，在车辆的进一步使用期间，学习部件612可以在车辆被驱动通过已知的和未知的速度限制区域时基于收集的数据、速度限制、数据下载或任何其它方法来更新学习算法或模型以提高速度限制估算的性能或准确性。

图7是根据一个实施例示出了用于速度限制估算的模型的示意性框图。感知数据——包括摄像机数据、雷达数据、LIDAR数据和超声波数据中的一个或多个——可以被提供给速度限制估算器(比如速度部件104和/或估算器部件)。速度限制估算器至少部分地或仅仅基于感知数据来估算速度限制，并且提供估算的速度限制给自动驾驶系统、驾驶辅助系统等等。

图8是根据一个实施例示出了用于速度限制估算和机器学习的模型的示意性框图。感知数据——包括摄像机数据、雷达数据、LIDAR数据和超声波数据中的一个或多个——可以被提供给速度限制估算器(如速度部件104和/或估算器部件)。速度限制估算器至少部分地或仅仅基于感知数据来估算速度限制，并且提供估算的速度限制给自动驾驶系统、驾驶辅助系统等等。如果高可信速度限制或判别的速度限制是可用的，则学习算法可以基于当前感知数据和当前判别的速度限制来更新速度限制估算器(比如数据库、模型、功能、或地图)。

图9是示出了用于确定使用估算的速度限制还是使用判别的速度限制(或已知的速度限制)的方法的示意性流程图。在902，方法900开始并且速度部件104确定高可信速度限制是否可用。例如，速度部件104可以确定法定的速度限制是否可以基于感知的标牌速度限制(速度限制标志)、地图、电子地平线系统或高可信的其他来源或判别的速度限制来确定。如果没有高可信速度限制，则速度部件104基于来自一个或多个感知传感器的数据来估算速度限制。如果有高可信速度限制，则高可信速度限制可以使用并且估算器(比如估算器部件606)基于高可信速度限制和对应于高可信速度限制的区域的任何可用的感知数据来训练。

现在参照图10，示出了用于确定速度限制的方法1000的示意性流程图。方法1000可以通过自动驾驶/辅助系统或速度部件——比如图1的自动驾驶/辅助系统102或图1或6速度部件104——来执行。例如，方法1000可以使用图9中的感知传感器对应于估算速度限制。

方法1000作为属性部件604开始，在1002，基于感知数据来检测一个或多个环境属性。估算器部件606在1004基于环境属性来确定估算的速度限制。通知部件608在1006提供估算的速度限制给车辆的自动驾驶系统或驾驶员辅助系统。

示例

下面的示例涉及另外的实施例。

示例1是包括一个或多个感知传感器、属性部件、估算器部件和通知部件的系统。一个或多个感知传感器被配置为生成关于车辆附近的区域的感知数据。属性部件被配置为基于感知数据来检测一个或多个环境属性。估算器部件被配置为基于环境属性来确定估算的速度限制。通知部件被配置为提供估算的速度限制给车辆的自动驾驶系统或驾驶员辅助系统。

在示例2中，示例1中的一个或多个环境属性包括车辆附近的区域中道路、结构或对象的一个或多个物理属性或特征。

在示例3中，示例1-2的任意一个中的属性部件检测一个或多个环境属性，该环境属性包括道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率中的一个或多个。

在示例4中，示例1-3的任意一个中的估算器部件被配置为基于估算模型来确定估算的速度限制，其中估算模型将一个或多个环境属性中的至少一个与速度限制或调节速度限制的指示相关联。

在示例5中，示例1-4的任意一个中的一个或多个感知传感器包括摄像机，并且其中属性部件被配置为处理来自摄像机的图像以确定一个或多个环境属性。

在示例6中，示例1-5的任意一个进一步包括被配置为确定高可信速度限制的判别的速度部件。

在示例7中，示例6进一步包括被配置为基于高可信速度限制来更新估算模型以更新或形成一个或多个环境属性和估算的速度限制之间的关联。

在示例8中，示例6-7的任意一个中的判别的速度限制部件进一步基于由第三方提供的数据来确定高可信速度限制。

在示例9中，示例6-8的任意一个中由第三方提供的数据包括由一个或多个传感器检测的道路标志、由系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

示例10是用于速度限制的机器学习的方法。方法包括从一个或多个感知传感器接收感知数据。方法包括接收对应于感知数据的位置的判别的速度限制的指示。方法包括基于感知数据来识别一个或多个环境属性，其中属性包含道路、结构或道路附近的对象的一个或多个物理属性或特征。方法包括将一个或多个环境属性与估算模型中的判别的速度限制相关联。

在示例11中，示例10中的一个或多个环境属性包括道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率中的一个或多个。

在示例12中，对应于示例10-11的任意一个中的感知数据的位置包括第一位置，其中方法进一步包括接收用于第二位置的感知数据并且基于估算模型来确定用于第二位置的估算的速度限制。

在示例13中，示例10-12的任意一个中的一个或多个感知传感器包括摄像机并且感知数据包含通过摄像机捕获的图像，其中识别一个或多个环境属性包含处理图像以确定一个或多个环境属性。

在示例14中，示例10-13中任意一个中的判别的速度限制被接收在由第三方提供的数据中。

在示例15中，示例14中由第三方提供的数据包括由一个或多个传感器检测的道路标志、由系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

示例16是存储指令的计算机可读存储介质，该指令在通过一个或多个处理器执行时使处理器处理感知数据以基于感知数据来检测车辆附近的区域的一个或多个环境属性。该指令使处理器基于环境属性来估算用于车辆附近的区域的速度限制。该指令使处理器通知车辆的自动驾驶系统或驾驶员估算的速度限制。

在示例17中，示例16中的指令进一步使处理器确定用于至少阈值时间或距离的判别的速度限制还没有确定和用于当前道路或当前道路的区域的判别的速度限制还没有确定中的一个或多个。

在示例18中，示例16-17的任意一个中的一个或多个环境属性包括车辆附近的区域中的道路、结构或对象的一个或多个物理属性或特征。

在示例19中，示例16-18的任意一个中的感知数据包括来自摄像机的图像并且其中处理感知数据包括处理来自摄像机的图像以确定一个或多个环境属性。

在示例20中，示例16-19的任意一个中的指令进一步使处理器确定用于区域的高可信速度限制并且基于高可信速度限制来更新估算模型以更新一个或多个环境属性和估算的速度限制之间的关联。

应当注意的是，以上所讨论的传感器实施例可以包含计算机硬件、软件、固件或其任何组合以执行其功能的至少一部分。例如，传感器可以包括被配置为在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电子电路。本文提供这些示例装置是为了说明的目的，并不旨在进行限制。本发明的实施例可以在另外类型的装置中实施，如相关领域技术人员将已知的。

本发明的实施例涉及包含存储在任何计算机可用介质上的这样的逻辑(例如，以软件的形式)的计算机程序产品。这样的软件，当在一个或多个数据处理设备中执行时，使装置如本文所描述的那样操作。

尽管以上已经描述了本发明的各种实施例，但是应当理解的是，它们已仅通过示例的方式呈现，而非限制。对相关领域的技术人员来说将显而易见的是，形式和细节的各种改变可以在不脱离本发明的精神和范围的前提下进行。因此，本发明的广度和范围不应该被上述示例性实施例中的任意一个限制，而是应该仅根据下面的权利要求书及其等同物来限定。为了说明和描述的目的，前面的描述已被呈现。它不旨在是穷尽或将本发明限制为所公开的精确形式。鉴于以上教导，许多修改和变化是可能的。此外，应该注意的是，上述替代实施方式中的任意一个或全部可以以任意所需的组合使用以形成本发明的附加混合实施方式。

此外，尽管本发明的特定实施方式已被描述和说明，但是本发明不被限于所描述和所说明的特定的形式或部件的设置。本发明的范围由所附的权利要求、本申请中和不同申请中所提交的任何未来的权利要求及其等同物来限定。

Claims (20)

1.一种系统，包含：

一个或多个感知传感器，所述一个或多个感知传感器被配置为生成关于车辆附近的区域的感知数据；

判别部件，所述判别部件被配置为基于所述感知数据来检测一个或多个环境属性；

估算器部件，所述估算器部件被配置为基于所述环境属性来确定估算的速度限制；以及

通知部件，所述通知部件被配置为提供所述估算的速度限制给所述车辆的自动驾驶系统或驾驶员辅助系统。

2.根据权利要求1所述的系统，其中所述一个或多个环境属性包含所述车辆附近的所述区域中的道路、结构或对象的一个或多个物理属性或特征。

3.根据权利要求1所述的系统，其中所述属性部件检测一个或多个环境属性，所述一个或多个环境属性包含以下中的一个或多个：

道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率。

4.根据权利要求1所述的系统，其中所述估算器部件被配置为基于估算模型来确定所述估算的速度限制，其中所述估算模型将所述一个或多个环境属性中的至少一个与速度限制或调节速度限制的指示相关联。

5.根据权利要求1所述的系统，其中所述一个或多个感知传感器包含摄像机并且其中所述属性部件被配置为处理来自所述摄像机的图像以确定所述一个或多个环境属性。

6.根据权利要求1所述的系统，进一步包含判别的速度部件，所述判别的速度部件被配置为确定高可信速度限制。

7.根据权利要求6所述的系统，进一步包含学习部件，所述学习部件被配置为基于所述高可信速度限制来更新估算模型以更新所述一个或多个环境属性和估算的速度限制之间的关联。

8.根据权利要求6所述的系统，其中所述判别的速度限制部件基于由第三方提供的数据来确定所述高可信速度限制。

9.根据权利要求6所述的系统，其中由第三方提供的所述数据包含由所述一个或多个传感器检测的道路标志、由所述系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

10.一种用于速度限制的机器学习的方法，所述方法包含：

接收来自一个或多个感知传感器的感知数据；

接收用于对应于所述感知数据的位置的判别的速度限制的指示；

基于所述感知数据来识别一个或多个环境属性，其中所述属性包含道路、结构或所述道路附近的对象的一个或多个物理属性或特征；以及

将所述一个或多个环境属性与估算模型内所述判别的速度限制的值相关联。

11.根据权利要求10所述的方法，其中所述一个或多个环境属性包含以下中的一个或多个：

道路的路肩的大小、道路上车道的数量、房屋的存在、建筑物的存在、停放的车辆的存在、混凝土中央路栏的存在、车道标志线、路缘、振动带、车道宽度和道路曲率。

12.根据权利要求10所述的方法，其中对应于所述感知数据的所述位置包含第一位置，其中所述方法进一步包含：

接收用于第二位置的感知数据；以及

基于所述估算模型来确定用于所述第二位置的估算的速度限制。

13.根据权利要求10所述的方法，其中所述一个或多个感知传感器包含摄像机并且所述感知数据包含由所述摄像机捕获的图像，其中识别所述一个或多个环境属性包含处理所述图像以确定所述一个或多个环境属性。

14.根据权利要求10所述的方法，其中所述判别的速度限制被接收在由第三方提供的数据中。

15.根据权利要求14所述的方法，其中由第三方提供的所述数据包含由所述一个或多个传感器检测的道路标志、由所述系统存储的地图数据、车辆-对-车辆通信、基础设施-对-车辆通信和通过移动网络接收的数据。

16.计算机可读存储介质，所述计算机可读存储介质存储指令，所述指令在通过一个或多个处理器执行时使所述处理器：

处理感知数据以基于所述感知数据来检测车辆附近的区域的一个或多个环境属性；

基于所述环境属性来估算用于所述车辆附近的所述区域的速度限制；以及

通知所述车辆的自动驾驶系统或驾驶员所述估算的速度限制。

17.根据权利要求16所述的计算机可读存储介质，其中所述指令进一步使所述处理器确定以下中的一个或多个：

用于至少阈值时间或距离的判别的速度限制还没有确定；以及

用于当前道路或所述当前道路的区域的判别的速度限制还没有确定。

18.根据权利要求16所述的计算机可读存储介质，其中所述一个或多个环境属性包含所述车辆附近的所述区域中道路、结构或对象的一个或多个物体属性或特征。

19.根据权利要求16所述的计算机可读存储介质，其中所述感知数据包含来自摄像机的图像并且其中处理所述感知数据包含处理来自所述摄像机的图像以确定所述一个或多个环境属性。

20.根据权利要求16所述的计算机可读存储介质，其中所述指令进一步使所述处理器确定用于所述区域的高可信速度限制并且基于所述高可信速度限制来更新估算模型以更新所述一个或多个环境属性和估算的速度限制之间的关联。