CN109313445B - 车辆驾驶和自动驾驶的促进 - Google Patents

Abstract

通过包括以下等的动作来促进与车辆的控制相关的行驶。生成所述车辆的有限组的候选轨迹，所述候选轨迹自给定时刻起在所述车辆的位置处开始。所述候选轨迹基于所述车辆的状态以及自所述车辆的位置和所述给定时刻起的所述车辆和环境的可能行为。基于与所述候选轨迹相关联的成本，从所述候选轨迹中选择推定最佳轨迹。所述成本包括与违反车辆行驶规则相关联的成本。所选择的推定最佳轨迹用于促进与所述车辆的控制相关的行驶。

Description

车辆驾驶和自动驾驶的促进

背景

该描述涉及促进车辆驾驶和车辆自动驾驶。

人们对车辆的传统驾驶和使用技术进行车辆的自动驾驶存在机会和风险。许多危险与如何根据车辆状态和包括其它车辆及障碍物的环境状态来驾驶车辆的方式有关。

通常，驾驶车辆的人类驾驶员能够控制其行驶，以使车辆安全且可靠地行进至例如与其它车辆和行人共享的道路网络上的目的地，同时遵守适用的道路规则。对于自动驾驶车辆，可以基于实时传感器数据、地理数据(诸如地图)、监管/规范数据(道路规则)和历史信息(例如交通模式)生成一系列控制动作，使车辆能够以此方式行进。

出于安全和其它原因，监控车辆的人类驾驶员的表现可能是有用的。

我们使用的术语-自动驾驶车辆广义地包括：例如被设计用于将乘客或物体或两者从一个或多个上车位置运送至一个或多个下车位置的任何运动设备，而无需通过人类行驶员直接控制或监督，例如，无需人类行驶员能够随时接管控制责任。自动驾驶车辆的一些示例为自动驾驶道路车辆、自动驾驶越野车辆、自动驾驶轿车、自动驾驶公共汽车、自动驾驶货车或卡车、无人机或航空器等。

我们使用的术语-监管数据(或有时，术语-行驶规则)广义地包括例如法规、法律以及管理设备使用者的行为模式的正式或非正式规则，该设备使用者诸如包括车辆驾驶员的道路使用者。这些包括道路规则以及以类似的精度和深度描述的最佳实践和乘客或行驶员偏好。我们使用的术语-历史信息广义地包括在可能作为位置、一天的某时、一周的某天、季节和天气数据、其它相关特征或它们的组合的函数的每种情况下，例如包括行人和骑行人员的道路使用者的行为模式的统计数据。

发明内容

通常，在一方面，通过包括以下的动作来促进与车辆的控制相关的行驶。生成所述车辆的有限组的候选轨迹，所述候选轨迹自给定时刻起在所述车辆的位置处开始。所述候选轨迹基于所述车辆的状态以及自所述车辆的位置和所述给定时刻起的所述车辆和环境的可能行为。基于与所述候选轨迹相关联的成本，从所述候选轨迹中选择推定最佳轨迹。所述成本包括与违反车辆行驶规则相关联的成本。所选择的推定最佳轨迹用于促进与所述车辆的控制相关的行驶。

实施方式可以包括以下特征中的两个或更多个中的一个或任何组合。与所述车辆的控制相关的行驶的促进包括：应用与所述推定最佳轨迹相关联的反馈控制策略以控制所述车辆的元件。每个轨迹表示从所述给定时刻处的所述车辆的状态到稍后时刻处的所述车辆状态的时间转换。对于在所述给定时刻之后的连续时间中的每个时刻，生成所述车辆的后续的有限组的候选轨迹，所述候选轨迹自后续时刻起在所述车辆的位置处开始。后续的有限组的候选轨迹基于所述车辆的状态以及在所述后续时刻处自所述车辆的位置起的所述车辆和所述环境的可能行为。

一个或多个约束被应用于所述有限组的候选轨迹。一个或多个约束的应用包括：将标签归属于所述有限组的候选轨迹中的每个候选轨迹。每个所述标签包括逻辑谓语，所述逻辑谓语表示基于所述候选轨迹的所述车辆的特性。基于一个或多个约束，从有限组中在某些情况下排除至少一个候选轨迹，或者不排除候选轨迹。排除包括：应用以下约束中的一个约束，即包括硬约束的约束和能够静态(即，以不依赖于时间的方式)解译的约束。

所述候选轨迹表示为有向图的边缘。所述推定最佳轨迹的选择包括：通过有向图确定最小成本路径，在所述有向图中，候选轨迹包括边缘。

所述环境包括车辆。所述车辆的有限组的候选轨迹的生成包括：应用表示所述车辆对自所述车辆的位置和所述给定时刻起的给定的控制策略的预期响应的模型。所述控制策略包括确定控制所述车辆的命令的反馈功能。

所述成本表示为以正式语言表示的成本规则。所述成本规则包括优先和加权规则。每个所述成本表示为值的数组，每个值对应于：(a)成本规则的优先级和具有该优先级的成本规则的违反成本的总和；或者(b)所述候选轨迹的函数。

在给定时间段内监控所述车辆的实际轨迹。对于所述给定时间段，将所述车辆的所述实际轨迹与所述推定最佳轨迹进行比较。与车辆的控制相关的行驶的促进包括：监控驾驶员的表现。报告所述驾驶员的表现的监控结果。基于一个或多个表现指标来评估驾驶员的表现。所述一个或多个表现指标包括安全指标。所述一个或多个表现指标包括舒适指标。所述一个或多个表现指标包括环境指标。评定发生事故的可能性。评定违反车辆行驶规则的可能性。与驾驶员的表现相关的信息显示在车载显示器上。与驾驶员的表现相关的信息被无线传输到远离所述车辆的接收器。

与车辆的控制相关的行驶的促进包括：自动驾驶所述车辆。所述车辆的行驶规则包括能适用于所述车辆的驾驶员的道路规则。

通常，在一方面，通过包括以下的动作来促进与车辆的控制相关的行驶。自给定时刻起生成所述车辆的有限组的候选轨迹。所述有限组的候选轨迹属于所述车辆的所有可能轨迹的轨迹空间。根据约束评定每个所述候选轨迹。基于与所述候选轨迹相关联的成本，从所述有限组的候选轨迹中选择推定最佳轨迹。所述车辆的所有可能轨迹的空间被生成的有限组的候选轨迹充分覆盖，使得推定最优策略任意地接近最优策略。所选择的推定最佳轨迹用于促进与所述车辆的控制相关的行驶。

实施方式可以包括以下特征中的两个或更多个中的一个或任何组合。有限组的候选项的生成包括：应用可能非确定性的进程。与所述车辆的控制相关的行驶的促进包括：应用与所述推定最佳轨迹相关联的反馈控制策略以控制所述车辆的元件。每个轨迹表示从给定时刻处的所述车辆的状态到稍后时刻处的所述车辆状态的时间转换。对于在所述给定时刻之后的连续时间中的每个时刻，生成所述车辆的后续的有限组的候选轨迹，所述候选轨迹自后续时刻起在所述车辆的位置处开始。后续的有限组的候选轨迹基于所述车辆的状态以及在所述后续时刻处自所述车辆的位置起的所述车辆和所述环境的可能行为。

一个或多个约束被应用于所述有限组的候选轨迹。一个或多个约束的应用包括：将标签归属于所述有限组的候选轨迹中的每个候选轨迹。每个所述标签包括逻辑谓语，所述逻辑谓语表示基于所述候选轨迹的所述车辆的特性。基于一个或多个约束，从有限组中在某些情况下排除至少一个候选轨迹，或者不排除候选轨迹。候选轨迹的排除包括：应用以下约束中的一个约束，即包括硬约束的约束和能够静态解译的约束。

所述候选轨迹表示为有向图的边缘。所述推定最佳轨迹的选择包括：通过有向图确定最小成本路径，在所述有向图中，候选轨迹包括边缘。

所述环境包括车辆。所述车辆的有限组的候选轨迹的生成包括：应用表示所述车辆对自所述车辆的位置和给定时刻起的给定的控制策略的预期响应的模型。所述控制策略包括确定控制所述车辆的命令的反馈功能。

所述成本表示为以正式语言表示的成本规则。所述成本规则包括优先和加权规则。每个所述成本表示为值的数组，每个值对应于：(a)成本规则的优先级和具有该优先级的成本规则的违反成本的总和；或者(b)所述候选轨迹的函数。

在给定时间段内监控所述车辆的实际轨迹。对于所述给定时间段，将所述车辆的所述实际轨迹与所述推定最佳轨迹进行比较。与车辆的控制相关的行驶的促进包括：监控驾驶员的表现。报告所述驾驶员的表现的监控结果。基于一个或多个表现指标来评估驾驶员的表现。所述一个或多个表现指标包括安全指标。所述一个或多个表现指标包括舒适指标。所述一个或多个表现指标包括环境指标。评定发生事故的可能性。

与车辆的控制相关的行驶的促进包括：监控驾驶员的表现。与车辆的控制相关的行驶的促进包括：自动驾驶所述车辆。

通常，在一方面，自动车辆包括可控设备，所述可控设备构造成：使得所述车辆以与控制策略及成本规则一致的方式沿着广域轨迹遍历最佳轨迹的至少一部分，所述成本规则适用于连续的广域状态之间的相应转换。控制器根据所述广域轨迹向所述可控设备提供命令。源提供关于广域状态在连续时刻处的信息。计算元件迭代地更新：(a)一组广域状态，每个所述广域状态表示至少部分基于有关广域状态的信息的车辆状态、车辆环境状态和环境中的至少一个其它物体的状态的组合；以及(b)一组广域轨迹，每个所述广域轨迹表示一个所述广域状态与另一个所述广域状态之间的时间转换。更新的每次迭代包括：针对一个或多个所述广域状态中的每个所述广域状态以及对应的车辆控制策略，模拟从所述广域状态到后续的广域状态的候选轨迹。若模拟的候选轨迹不违反约束，则将轨迹添加到该广域轨迹组，以形成更新的广域轨迹组。若需要，则将新的广域状态添加到与由模拟的候选轨迹表示的转换对应的广域状态组，以形成更新的广域状态组。通过更新的广域状态组和更新的广域轨迹组来确定最小成本路径。所述确定包括：将成本规则应用于广域轨迹的相应的转换。将表示沿着所述最小成本路径从当前广域状态到下一广域状态的下一转换的信息传递到所述控制器，用于所述车辆的自动控制。

这些和其它方面、特征以及实施方式可以表示为方法、装置、系统、部件、程序产品、开展业务的方法、用于执行功能的机构或步骤以及其它方式。

根据包括权利要求书的以下描述，这些和其它方面、特征以及实施方式将变得清楚可见。

附图说明

图1是用于生成自动车辆的控制动作的系统的框图。

图2是车辆的框图。

图3是生成控制动作的进程的流程图。

图4是广域模型进程的示意图。

图5是模拟器进程的框图。

图6是具体化进程的框图。

图7是示意图。

图8是车辆的示意图。

图9是框图。

图10是计算机系统的框图。

图11是评定进程的流程图。

图12是执行进程的流程图。

图13是交通场景的示意图。

图14是候选轨迹的示意图。

图15是驾驶员表现系统的框图。

图16是驾驶员表现系统中的处理的示意图。

图17是图示最佳轨迹的生成的示意图。

此处，我们描述了一种系统和技术，可用于监控人类驾驶员的表现，以促进自动驾驶车辆的行驶并执行其它有用的功能。

如图1所示，在涉及促进自动驾驶道路车辆10的行驶的实施方式中，例如，可以在没有直接人为控制或监督输入的情况下驾驶自动驾驶道路车辆通过环境12，同时避免与障碍物14(诸如其它车辆、行人、骑行人员和环境因素)发生碰撞，并遵守行驶规则(例如，在该情况下例如为道路规则)16。为了实现这种自动驾驶，自动驾驶道路车辆(或更具体而言，与车辆相关联、例如附接到车辆的计算机系统或数据处理装备18)通常首先构造广域模型20。

粗略而言，广域模型表示车辆的环境，例如构造成使用：来自地理定位设备、地图、地理信息系统或它们的组合的数据；以及检测其它车辆、骑行人员、行人或其它障碍物的传感器。为了构造广域模型，例如车辆上的计算机系统从安装到车辆(我们有时称之为“自动车辆”)的各种传感器22(例如，激光雷达(LIDAR)、单目或立体摄像机、雷达(RADAR))收集数据，之后分析该数据，以确定环境中相关物体(障碍物)的位置和运动特性(我们有时称之为障碍物信息24)。我们使用的术语-相关物体广义地包括例如其它车辆、骑行人员、行人、动物、杆、路缘、交通路标和栅栏。(环境中也可能存在诸如较小的路边碎片和植被之类的不相关的物体。)自动驾驶车辆也可以依赖于由车对车通信26收集的障碍物信息。

给定广域模型，自动驾驶车辆上的计算机系统采用算法进程28来自动生成并执行通过环境朝向指定目标32的轨迹30。我们使用的术语-轨迹广义地包括例如从一个地方到另一个地方，例如从上车位置到下车位置的路径或路线。在一些实施方式中，轨迹可以包括从一个广域状态到后续的广域状态的每个转换序列。

指定目标通常由另一算法进程34提供，该算法进程34例如依赖于关于乘客目的地的乘客提供的信息35。我们使用的目标一词广义地包括例如自动驾驶车辆要达到的目的，诸如临时下车位置、最终下车位置或目的地等。我们使用的术语-乘客广义地包括：例如，由自动驾驶车辆运送的一个或多个人；或者确定将由自动驾驶车辆运送的物体的目的地的当事人等。

自动生成的轨迹应当理想地至少具有以下特性：

1)其应当是可行的，这意味着车辆可以在车辆的当前或预期的运行速度下以合理的精确度跟随轨迹；

2)其应当无碰撞，这意味着当车辆沿着轨迹行驶时，其不会与任何物体碰撞；并且

3)其应当遵守预定规则组，该预定规则组可以包括：当地的行驶规则或道路规则；通用驾驶惯例17；一般乘客或特定乘客的驾驶偏好19；或者这些因素的任何两个或多个的组合。这些以及可能的其它类似因素有时通常被称为行驶规则(我们有时将行驶规则称为驾驶规则)。当不存在符合所有预定驾驶规则的轨迹，则轨迹应最小化违规的严重性和程度。

在与其它独立主体21共享环境(例如道路)的背景下，自动轨迹生成应当满足上述三个特性，这些独立主体21包括在它们自己的意愿下独立运动的车辆、行人和骑行人员。

自动轨迹生成还应当系统地确保：在涉及若干相关驾驶规则或存在多个障碍物的复杂场景；不存在符合所有驾驶规则的轨迹的场景；或者两种或多种此类条件的组合的场景中，对自动车辆正确地执行驾驶规则。

此处，我们描述了用于基于实时传感器数据和历史信息来生成控制动作的系统和技术，其使得自动驾驶道路车辆能够安全且可靠地行进到例如与其它车辆及行人共享的道路网络上的目的地，同时遵守适用的驾驶规则。

如图2所示，系统50包括以下基本元件：

1.传感器52，其能够测量或推断自动车辆状态54和状况56的特性，诸如车辆的位置、线性和角度的速度和加速度以及航向。此类传感器包括但不限于例如：GPS；测量车辆线性加速度和角速度的惯性测量单元；各个车轮速度传感器和各个车轮滑移率的获得评估传感器；各个车轮制动压力或制动扭矩传感器；发动机扭矩或各个车轮扭矩传感器；方向盘角度和角速率传感器；以及它们的组合。

2.传感器58，其能够测量车辆环境12的特性。此类传感器包括但不限于例如：可见光、红外或热光谱中的激光雷达、雷达、单目或立体摄像机；超声波传感器；飞行时间(TOF)深度传感器；温度和雨量传感器；以及它们的组合。可以处理来自此类传感器的数据以产生关于其它车辆、行人、骑行人员，机车、客车、推车和其它运动物体的类型、位置、速度和评估的未来运动的信息。来自此类传感器的数据还可以用于识别和解译诸如静态障碍物(例如为杆、标志、路缘、交通标志、桶、道路分隔物和树木)、道路标记和道路标志之类的相关的物体和特征。这种类型的传感器通常可用于具有驾驶员辅助能力或高度自动驾驶能力的车辆(例如，自动驾驶车辆)。

3.设备60，其能够传达其它车辆的状态和状况的测量或推断的或者测量和推断的特性，诸如其它车辆的位置、线性和角度的速度和加速度以及航向。这些设备包括：车对车(V2)和车对基础设施(V2I)通信设备；以及用于通过点对点或自组织(ad-hoc)网络或两者进行无线通信的设备。这些设备可以在电磁频谱(包括无线电和光通信)或其它媒介(例如，声学通信)上运行。

4.数据源62，其提供关于环境的历史、实时或预测(或它们中的任意两个或多个)数据，该数据包括交通拥堵更新和天气状况。该数据可以存储在车辆上的内存存储单元60上，或者通过无线通信从远程数据库62传输到车辆。

5.数据源64，其提供从GIS数据库绘制的道路地图，该道路地图可能包括：道路几何特性的高精度地图；描述道路网络连接特性的地图；描述道路物理性质(例如机动车道和非机动车道的数量、车道宽度、车道交通方向、车道标记类型和位置)的地图；以及描述道路特征的空间位置的地图，该道路特征诸如为人行横道、各种类型的交通标志(例如，停止、让道(yield))和各种类型的交通信号(例如，红黄绿指示灯、闪烁的黄色或红色指示灯、右转或左转箭头)。该数据可以存储在车辆上的内存存储单元65上，或者通过无线通信从远程数据库67传输到车辆。

6.数据源66，其提供关于先前在一天的类似时刻沿着给定路段行进的车辆的驾驶特性(例如，典型的速度和加速度曲线)的历史信息。该数据可以存储在车辆上的内存存储单元上，或者通过无线通信从远程数据库传输到车辆。

7.计算机系统18(数据处理器)，其位于车辆上，能够执行例如本申请所述的算法69。算法等对由上述源提供的数据进行处理，并且(除了以下讨论的其它结果之外)计算预测的最佳轨迹61，该最佳轨迹61包括当前场景中的安全驾驶动作，该安全驾驶动作可以执行较短的未来时间范围(该时间范围例如可以是例如2-5秒左右，但在一些情况下，时间范围可以更短(例如，几分之一秒)或更长(例如几十秒、几分钟或很多分钟)。(如下所述，算法还可以(例如，在某些未来时间)将车辆的实际行进轨迹动作与该最佳轨迹或人类驾驶员的可比较存储轨迹的数据库进行比较，作为评定驾驶员表现的手段。)

8.车辆上的显示设备70，其连接到计算机系统，以向乘客(或者在后面讨论的人类驾驶车辆的情况下，向驾驶员)提供各种信息，该信息例如关于：车辆的行驶、状态或状况；车辆的轨迹；地图；从一个或多个传感器获得的信息；关于障碍物的信息；各种类型的警报；其它信息；以及它们的任意两个或多个的组合。(在人类驾驶车辆的情况下，该警报可以包括例如与良好驾驶表现、不良驾驶表现或两者相关的警报。此外，若需要或有用的话，可以向驾驶员以及授权和认证使用者提供关于驾驶员的行为及其驾驶表现的质量的报告。)

9.无线通信设备72，其用于将数据从远程数据库传输到车辆并将数据传输到远程数据库。所传输的数据可以携带各种信息，包括例如：车辆的行驶、状态或状况；车辆的轨迹；最佳轨迹；与地图相关的信息；从一个或多个传感器获得的信息；关于障碍物的信息；各种类型的警报；其它信息；以及它们中的任意两个或多个的组合。无线通信设备还可以用于直接或间接地向可信任的接收者传输驾驶数据或驾驶员表现的描述(例如，通过电子邮件或文本消息)。

10.车辆10，其具有特征和功能(例如，致动器)，被装配成接收和执行对应于来自计算机系统的控制动作(例如，转向、加速、减速、档位选择)和辅助功能(例如，转向指示器激活)的命令76。我们使用的术语-命令广义地包括例如传递给车辆的行驶特征和功能的任何指令、方向、任务、请求、呼叫或它们的组合。我们使用的术语-控制动作广义地包括例如：必要的、有用的、或者与使车辆沿着轨迹的至少一部分前行或执行一些其它行驶相关联的任何动作、激活或致动。

11.内存65，计算机系统可以在车辆上访问该内存，以存储例如上述数据和信息。

图7和图8图示了系统中的一些感测、计算组件、地图资源及其逻辑和物理位置。

如图3所示(并且还参照图9)，我们现在描述一种方法，用于在执行时间在线生成一组或一系列控制动作82(例如，可响应于控制动作的车辆的特征和功能)，该控制动作82由致动器87使用并基于实时传感器数据11和监管数据。在一些实施方式中，该方法至少包括在车辆12中的计算机系统18上运行的以下关键进程：

A.广域模型进程84，其对例如由车载传感器87和数据源89收集的数据86；以及通过车对车或车对基础设施通信设备接收的数据进行分析，以生成表征自动车辆及其环境的量的评估(以及与评估相关联的相关统计)。粗略而言，广域模型可以基于输入数据评估自动车辆和环境的状态。广域模型自给定时刻起产生的评估被称为自该时刻起的广域状态88。

表示为广域状态的一部分的量包括但不限于以下统计：自动车辆的当前位置、速度和加速度；附近其它车辆、行人、骑行人员、机车、客车、推车和其它运动物体或障碍物的类型、位置、速度和当前意图；附近静态障碍物(例如，杆、标志、路缘、交通标记锥和桶、道路分隔物、树木)的位置和类型；以及道路标记、道路标志和交通信号的位置、类型和信息内容。广域状态还可以包括关于道路物理特性的信息，诸如机动车道和非机动车道的数量；车道宽度；车道交通方向；车道标记类型和位置；以及诸如人行横道、交通标志和交通信号的空间位置。广域状态88包含自动车辆和附近车辆的状态的概率评估，包括最大似然估计、误差协方差和关注变量的充分统计。

如图4所示，当在给定时刻执行广域模型进程84时，从所有可用的车辆传感器和数据源捕获并处理数据，以计算自该时刻起的以下一些或全部量83：

1.自动车辆在全球坐标系中的位置和航向。这些量可以使用GPS系统直接测量或通过已知技术计算(例如，如[最优滤波,Brian D.O.Anderson,John B.Moore,Dover,2005]所述，来自GPS、IMU(惯性测量单元)、车轮速度传感器以及诸如激光雷达之类的可能的其它传感器的组合信息)。

2.自动车辆的线性和角度的速度和加速度。可以使用IMU系统直接测量这些量。

3.自动车辆的转向角。该量可以通过标准汽车传感器直接测量。

4.停止标志、让道标志、限速标志以及与自动车辆当前行进方向相关的其它交通标志的位置。这些量可以使用商用设备或通过已知技术测量，这些已知技术诸如在以下文献中有所描述：[De La Escalera、Arturo、Luis E.Moreno、Miguel Angel Salichs和JoséMaríaArmingol,“道路交通标志检测和分类。”，电气和电子工程师协会工业电子学报(IEEETransactions on Industrial Electronics)，44,第6(1997)期：848-859；Bahlmann、Claw、Ying Zhu、Visvanathan Ramesh、Martin Pellkofer和Thorstea Koehler，“一种用于使用颜色、形状和运动信息进行交通标志的检测、跟踪和识别的系统。”，电气和电子工程师协会智能车辆研讨会论文集，(2005)：第255-260页；Maldonado-Bascón、Saturnino、SergioLafuente-Arroyo、Pedro Gil-Jimenez、Hilario Gómez-Moreno和Francisco López-Ferreras，“基于支持向量机的道路标志检测与识别”，关于智能交通系统的电气和电子工程师协会学报，8，第2(2007)期：第264-278页；

Andreas、Mohan ManubhaiTrivedi和Thomas B.Moeslund，“基于视觉的智能驾驶员辅助系统交通标志检测与分析：展望与调查。”，关于智能交通系统的电气和电子工程师协会学报，13，第4(2012)期：第1484-1497页；Franke、Uwe、Dariu Gavrila、Steffen

Frank Lindner、Frank Paetzold和Christian

“自动驾驶进入市中心。”，电气和电子工程师协会智能系统及其应用，第6(1998)期；第40-48页。])。这些量也可以从包括该信息的商用地图数据(例如，来自诸如

的专业地图提供者)收集，或者从已被手动注释以包括该信息的商用地图收集。若从地图数据收集到该信息，则可以将其存储在车辆上的内存存储单元65上，或者通过如前所述的远程数据库传输到车辆。

5.可驾驶路面的边界、划分各个行车道的标记(包括这些标记的位置和类型)和未铺砌轨道的识别边缘。这些量可以使用商用传感器或通过已知技术测量，这些已知技术诸如在以下文献中有所描述：(He、Yinghua、Hong Wang和Bo Zhang.“城市交通场景中基于颜色的道路检测。”，关于智能交通系统的电气和电子工程师协会学报，5.4(2004)：309-318；Wang、Yue、Eam Khwang Teoh和Dinggang Shen，“使用B-Snake进行车道检测和跟踪。”，图像和视觉计算22.4(2004)：269-280；Kim、ZuWhan，“在具有挑战性的场景下进行粗略的车道检测和跟踪。”，关于智能交通系统的电气和电子工程师协会学报，9，第1(2008)期：第16-26页。])。这些量也可以从第4项所述的商用地图数据中收集。

6.与自动车辆当前行进方向相关的交通信号的状态(例如，红色/黄色/绿色/箭头)。这些量可以通过商用设备或已知技术测量，这些已知技术诸如在以下文献中有所描述：([Lindner、Frank、Ulrich Kressel和Stephan Kaelberer，“粗略的交通信号识别。”，电气和电子工程师协会智能车辆研讨会论文集，2004；Fairfield,Nathaniel和ChrisUrmson，“交通灯映射和检测。”，机器人与自动化国际会议论文集(ICRA)，2011；Shen、Yehu、Umit Ozguner、Keith Redmill和Jilin Liu，“用于智能车辆的粗略的基于视频的交通灯检测算法。”，电气和电子工程师协会智能车辆研讨会论文集，2009，第521-526页。])。

7.人行横道、停止线和其它道路特征的位置。这些量可以从第4项所述的商用地图数据中收集。

8.与自动车辆当前行进车道相关的其它车辆、行人，骑行人员、机车、客车、推车和其它运动物体的位置和速度。这些量可以使用商用设备(例如，[Mobileye 560.http://www.mobileye.com/products/；奥托立夫立体视觉相机(Autoliv Stereo-visioncamera).https://www.autoliv.com/ProductsAndInnovations/ActiveSafetySystems/Pages/Visi onSystems.aspx；德尔福电子扫描雷达(Delphi Electronically ScanningRadar)http://delphi.com/manufacturers/auto/safety/active/electronically-scanning-radar；Ibeo LUX http://www.autonomoustuff.com/ibeo-lux-standard.html])测量，或者使用已知技术测量，这些已知技术诸如在以下文献中有所描述：([Premebida、Cristiano、

Monteiro、Urbano Nunes和Paulo Peixoto，“用于行人和车辆检测和跟踪的基于激光雷达和视觉的方法。”电气和电子工程师协会智能交通系统会议论文集，2007，第1044-1049页；Wang、Chieh-Chih、Charles Thorpe、SebastianThrun、Martial Hebert和Hugh Durrant-Whyte，“同步定位、映射和运动物体跟踪。”国际机器人研究期刊(The International Journal of Robotics Research)26，第9(2007)期：第889-916页；Premebida、Cristiano、Oswaldo Ludwig和Urbano Nunes，“基于激光雷达和视觉的行人检测系统。”现场机器人期刊(Journal of Field Robotics)26第9(2009)期：第696-711页；Yilmaz、Alper、Omar Javed和Mubarak Shah，“物体跟踪：一项调查。”ACM计算调查38.4(2006)：13；Gavrila、Dariu M.和Vasanth Philomin，“‘智能’车辆的实时物体检测。”，第七届电气和电子工程师协会国际计算机视觉会议论文集，第1卷，第87-93页，1999年。])。

9.可驾驶路面上的静态障碍物(例如杆、标志、路缘、交通标志锥和桶、道路分隔物、树木)的位置。这些量可以使用商用设备(例如，[Mobileye 560.http://www.mobileye.com/products/；奥托立夫立体视觉相机(Autoliv Stereo-visioncamera).https://www.autoliv.com/ProductsAndInnovations/ActiveSafetySystems/Pages/Visi onSystems.aspx；德尔福电子扫描雷达(Delphi Electronically ScanningRadar)http://delphi.com/manufacturers/auto/safety/active/electronically-scanning-radar；Ibeo LUX http://www.autonomoustuff.com/ibeo-lux-standard.html])测量，或者使用已知技术测量，这些已知技术诸如在以下文献中有所描述：([Premebida、Cristiano、

Monteiro、Urbano Nunes和Paulo Peixoto，“用于行人和车辆检测和跟踪的基于激光雷达和视觉的方法。”电气和电子工程师协会智能交通系统会议论文集，2007，第1044-1049页；Wang、Chieh-Chih、Charles Thorpe、SebastianThrun、Martial Hebert和Hugh Durrant-Whyte，“同步定位、映射和运动物体跟踪。”，国际机器人研究期刊(The International Journal of Robotics Research)26，第9(2007)期，第889-916页；Premebida、Cristiano、Oswaldo Ludwig和Urbano Nunes，“基于激光雷达和视觉的行人检测系统。”，现场机器人期刊(Journal of Field Robotics)26第9(2009)期，第696-711页；Yilmaz、Alper、Omar Javed和Mubarak Shah，“物体跟踪：一项调查。”，ACM计算调查38.4(2006)：13；Gavrila、Dariu M.和Vasanth Philomin，“‘智能’车辆的实时物体检测。”，第七届电气和电子工程师协会国际计算机视觉会议论文集，第1卷，第87-93期，1999年；Golovinskiy、Aleksey、Vladimir G.Kim和Thomas Funkhouser，“基于形状的城市环境中三维点云的识别”，第十二届国际计算机视觉会议论文集，第2154-2161页，2009年。])。

10.当前的天气状况，例如是下雪还是下雨，以及是否足够冷以使路面上存在冰。可以使用标准汽车雨水和温度传感器直接测量或推断这些量。

11.关于先前在一天的类似时刻沿着路段行进的车辆的驾驶特性(例如，典型的速度和加速度曲线)的历史信息。该数据可以存储在车辆上的内存存储单元上，或者使用无线通信从远程数据库传输到车辆。

此处描述的系统可以在没有以上列出的完整量的情况下有用地起作用。以上1至11所述的所有计算量可以存储在车辆上的内存单元中。

B.模拟器进程90(也在图5中示出)，其将广域状态88(例如，广域模型的输出形式的数据结构)作为输入，并且采用已知的自动车辆对给定选择的反馈控制策略96(例如，基于关于环境的信息来计算转向、制动和油门命令的功能)的响应的数值或分析模拟模型，以评估或预测轨迹98(即，按时间索引的一系列状态)，若从广域模型接收的广域状态的给定时刻处开始并且接受给定的选择反馈控制策略，则物理自动车辆将遵循该轨迹98。换言之，模拟器进程使用现有模型来模拟给定广域状态的自动车辆的广域轨迹，现有模型为自动车辆将如何对确定转向、制动和油门命令的给定选择的反馈控制策略进行响应的模型。

对于给定的车辆，可以存在大量且宽范围的反馈控制策略，每个反馈控制策略可以基于时间和环境的状态来管理发送到自动车辆的功能设备的命令。不同的反馈控制策略可以产生以在给定广域状态下开始的车辆的不同行为，并且车辆将对不同的反馈控制策略作出不同的响应。我们使用的术语“控制策略”广义地包括：例如，基于传感器信息计算的任何控制律；例如，若车位于所需路径的左侧，则控制策略可以布置成使车向右移动；或者若车正在接近另一车辆，则控制策略将使车减速(如在自适应巡航控制系统中所做的那样)。可以使用任何广义范围的反馈公式及其组合，诸如雅可比、反馈线性化、反推、滑动模式和模型预测控制。模拟器进程还包含其它物体的模型，诸如其它车辆、骑行人员和行人，并且可以以类似的方式预测它们的轨迹。

广域状态所包含的信息使得模拟器进程能够通过环境丰富地评估自动车辆和其它物体的预期运动(即，例如，预测作为独立主体集合的一部分的车的运动(而不是空集中的车辆))。模拟器进程的输出102是评估的广域轨迹98，即，按时间索引的广域状态序列，每个广域状态序列将导致到后续广域状态的转换。

模拟器进程可以作为服务进程运行，该服务进程响应于来自包括或指向给定广域状态的其它进程的请求，并且基于该给定广域状态请求预测自动车辆或一些其它物体的广域轨迹。

C.贴标机进程110，其从给定的一组逻辑谓语112中选择应用于特定广域状态(由广域模型生成)或车辆的预测广域轨迹的特定转换的那些逻辑谓语114(由模拟器生成)。我们使用的术语-逻辑谓语包括例如表达式，当实际值被替换为该表达式一部分的未知量时，可以对该表达式进行求值以产生逻辑结果。谓语的示例包括“自动车辆在右车道”、“自动车辆发生碰撞”、“自动车辆在车辆X后方”、“自动车辆的速度超过所示极限”以及“自动车辆停止”。更具体而言，例如，若车辆的位置和航向是(x，y，theta)＝(13.5，-1.39,0.34)，则车辆在右车道。

贴标机进程还可以生成应用于给定(时空)轨迹的标签116或符号序列，例如，按时间索引的状态序列。该标签序列是与沿着给定轨迹的状态子序列相关联的非重复标签的最大(例如，最长的有限序列)有序列表，并且对应于描述在车辆活动背景下车辆的物理行为的逻辑轨迹118(例如，“自动车辆在对车辆X超车后，从左车道转换到右车道，之后在交叉路口停止”)。逻辑轨迹是指例如表示为逻辑类型语句的轨迹，其描述例如自动车辆的行驶或行为。

贴标机进程可以充当：服务器进程，其作为广域状态或广域轨迹的一部分的转换输入，并且由模拟器进程生成；以及潜在标签列表(与转换相关)或逻辑谓语(与状态相关)，其编码自动车辆相对于其它车辆和环境的关注的特性。贴标机进程将谓语组119与每个输入广域状态相关联，该谓语组119在该特定的广域状态下评估为真。贴标机进程将关联到沿着广域轨迹选择的广域状态的任意子序列的最大非重复标签序列与每个输入广域轨迹相关联。可以使用已知的分析和数值方法分配标签和谓语。

D.还参照图6，具体化进程112，其逐步构造候选反馈控制策略的有向图114，其将导致自动车辆以及附近车辆和环境的相应的有限组行为。图中的每个边缘对应于有限时间跨度广域轨迹的一段，并且由将被执行以生成轨迹边缘的特定反馈控制策略限定。图中的每个顶点或节点对应于广域状态，并且表示待选择的新反馈控制策略的决策点。因此，每个广域轨迹包括连续时间的广域状态序列，并且表示沿着对应于一系列行为的轨迹的连续广域状态之间的转换，该一系列行为对应于特定系列的反馈控制策略。

在运行时(当驾驶自动车辆时)或在模拟中(当预测车辆的轨迹时)，反馈控制策略96根据由车载传感器获得的测量以及观察到的车辆和环境的先前实际轨迹，产生时空轨迹的边缘的具体实例。

有向图的根是初始化300作为广域模型进程84的输出的广域状态88。在每次迭代(即，在每个连续时间步长)中，具体化进程接收当前广域状态的评估并更新有向图。通过首先选择310当前有向图的一个或多个顶点并且为这些顶点中的每个顶点选择320反馈控制策略来实现这一点，其将对应于在下一个时间步长从该顶点到下一个顶点的转换。

之后，具体化进程针对具体化进程已选择的每对(广域状态、反馈控制策略)调用模拟进程330。之后，将每对的模拟进程的输出的预测轨迹的转换馈送到贴标机进程340，该贴标机进程340产生用于转换的标签序列。若由此获得的(标记的)转换不违反342可以静态解译的任何硬约束(例如，与固定物体碰撞)，则从对应于初始广域状态的顶点开始将其作为新边缘添加350到有向图。若任何转换的端点与已在有向图中的顶点的广域状态不匹配，则将这些状态作为新顶点添加到有向图。否则，将每个边缘连接到匹配广域状态的顶点。

有若干已知方式来选择用于有向图的图形展开的顶点和反馈控制策略(例如，PRM*、RRT、RRT*)。这些算法已知是(1)概率上完整的(即，若存在的话，它们很有可能可以找到有效的解)；(2)渐近上最优的(即，如(1)所暗示的那样，它们最终会产生接近任意最佳解的解)；以及(3)计算上高效的(即，它们需要O(log n)运算将顶点添加到具有n个顶点的图中。)。也可以使用具有这些特征的其它算法。

在一些实施方式中，具体化进程具有以下特性：

完整性和渐近最优性：使x表示广域状态，使u表示控制动作(转向、油门、刹车等)，并使T表示有限的时间间隔。对于J＝∫_rγ(x(t)，u(t))dt形式的任何加性成本函数，其中，γ(x,u)≥0，以及在任何闭合曲线S上的∫_sγ(x(t(s))，u(t(s)))ds＞0，使J[n]为n迭代之后的有向图上的最小成本路径的成本。之后，若随着n趋近无穷大的J[n]的极限与满足相同边界条件的x和u的所有可行轨迹的J的全局下确界相同，则具体化方法渐近最优(并因此完成)。(粗略而言，若底层随机几何图形渗透并连接，则具体化方法符合此标准；在以下文献中提供了额外信息：S.Karaman和E.Frazzoli.用于最佳运动规划的基于采样的算法.机器人研究内部期刊,30(7):846–894,2011年6月。

效率：为了保持计算效率，在树中存在n个顶点的情况下，执行具体化进程的每个迭代的成本不应超过O(log n)。

为自动车辆生成控制动作的一个方面是规划满足许多约束并最小化特定成本的轨迹。在一些已知系统中，这是通过制定大的优化问题之后基于成本和约束尝试从初始猜测开始收敛于良好轨迹来完成的。由于这等于试图在可能承受数千个约束的无限维空间(轨迹空间)中进行搜索，因此，已知系统具有：用于简化系统或约束组策略；或者用于实施简化搜索的附加约束的策略。

在我们此处描述的方法中，具体化进程快速生成许多候选轨迹，例如每秒几百个。每秒200可能是一个典型值，但速率可能大于或小于200。算法运行得越快，解的质量就越好。完成具体化进程，以确保生成将任意接近最佳轨迹的轨迹的能力。

E.亦如图11所示，评估过程130，其分配并更新与由具体化进程创建的有向图中的每个边缘相关联的成本132，并使用分配给边缘的成本来计算通过有向图的最小成本路径。成本评估基于模拟器和贴标机进程的输出，其提供：广域状态88中车辆未来状态以及附近车辆和障碍物的未来状态的预测的物理轨迹和评估；以及描述了自动车辆逻辑轨迹的标签序列121。

之后，评定过程针对以形式语言表达的一组优先和加权规则(包括适用的驾驶规则或行驶规则)140，来评估各个边缘的组合物理和逻辑轨迹，该形式语言诸如为线性时序逻辑(LTL)、计算树逻辑(CTL*)或μ演算。为了方便起见，我们使用LTL。

出于优先级的目的，若任何违反B的行为优先于任何违反A的行为(在该情况下A具有更高的优先级)，则为两个规则，例如A和B预分配不同的优先级。例如，“不与其它车辆碰撞”形式的规则具有比“保持在最右边的车道”形式的规则更高的优先级。若违反规则A的程度与违反规则B的程度“相当”，则两个规则被分配相同的优先级和可能不同的权重；例如，“保持在最右边的车道”和“保持设定的巡航速度”(为了在更慢的车辆在前方行驶时保持巡航速度，车辆可以决定移动到左车道以便对更慢的车辆超车)。根据相关法规体系中规定的行驶规则和使用者/操作者的偏好，对规则进行优先级排序和加权。

众所周知，LTL具有足够的表达能力来表示离散时间转换系统上的所有所谓的omega正则表达式(例如本文所述的有向图)，包括所有驾驶规则。另外，已知的计算机算法可以将任何LTL公式自动转换成等效的有限状态自动机，从而消除了软件开发过程中的常见错误和复杂性的来源。

在每次迭代(即，在每个时间步长)中，评定进程从其根开始，并基于最新的广域状态和响应于对模拟和贴标机进程的新呼叫(服务请求)而收到的输出，对自该时间步长起的由具体化进程构造的有向图中的所有边缘的成本进行更新。

在一些实施方式中，评定进程执行以下步骤。有向图的根被初始化为由广域模型进程84返回的最新广域状态88。之后，例如通过对每个边缘呼叫模拟器和贴标机进程，根据最佳优先顺序(或保证有向图的完全覆盖的其它顺序)更新有向图中的边缘。对于每个边缘的每个关注的公式(例如，对于每个行驶规则)，从贴标机进程得到的标签序列用于更新相应的有限状态自动机的状态。更新后的状态将添加到为边缘端部处的有向图顶点存储的信息中。沿着给定路径的公式(表示为LTL公式的行驶规则)的违规成本与需要从该公式的有限状态自动机在路径中的标记广域轨迹中移除以接受转换的标签的数量成比例。每个边缘的成本是包含若干数字条目的数组，每个数字条目对应于规则优先级，并且与违反该优先级的规则的程度成比例，或与车辆轨迹的函数成比例(例如，路径长度、转弯角度、燃料消耗等)，或与两者的组合成比例。评定进程的最后步骤是根据更新的广域轨迹更新每个边缘的成本。评定进程的结果是所有边缘的成本已更新的有向图。

作为评定进程的步骤的特征，每个边缘的成本可能受到事件的统计、概率或最坏情况评估的影响，该事件例如为：自动车辆与其它车辆或障碍物碰撞；自动车辆违反驾驶规则；或者与车辆行驶有关的其它事件。

在一些实施方式中，给定候选轨迹组，评定过程可以根据以可由若干分量组成的成本编码的标准快速找到哪一个是最佳的。成本可以表示为(10.1，2，0)的形式的数组，其中每个分量给出特定标准的成本。例如，第一分量可以是路径长度，第二分量可以是要越过的车道边界的数量，第三分量可以是预期碰撞的数量。按照词典顺序比较成本，在词典顺序中，例如，在后条目具有比在先条目更高的优先级。例如，具有成本(25，4，0)的轨迹被认为优先于具有成本(10，2，1)的轨迹，因为后者将导致碰撞，即使后者更短。具有成本(12，0，0)的轨迹将优先于两者。该概念允许系统系统地计算满足车辆所能满足的所有驾驶规则的轨迹(允许一些最小的违规)，从而在必须违反某些规则时提供可预测且舒适的性能降级而不是例如中止。

直观而言，我们所描述的内容可以用以下术语来考虑。首要问题之一在于NP复杂性级别。这些问题在于，给定产生一些候选解的一些数据库或非确定性(N)进程，很容易检查候选项是否实际上是一个解(容易＝多项式时间)。具体化进程是上述技术的“非确定性”部分：其是一个每秒产生大量(数百或数千)候选解的数据库，有效地覆盖所有可能解的空间。评定进程会快速地检查这些候选项。

之后，执行进程(如下所述)选择最佳候选项并将其馈送至控制器进程，同时监控其执行。

F.亦如图12所示，执行进程150，其根据在评定进程中分配的更新成本，在由具体化进程创建的图上选择更新的边缘和顶点的最小成本路径152。对应于最小成本路径的下一转换的反馈控制策略被提供给控制器进程170(以下描述)以供执行。执行进程还监视控制器进程，以正确执行与最小成本路径相对应的反馈控制策略。在控制器进程完成反馈控制策略的执行并接受新执行的任何时候，执行进程通过将最小成本路径的第一边缘的目标顶点设定为有向图的新根来更新有向图，并将沿着从新根开始的路径无法到达的所有顶点和边缘从有向图中移除。

G.控制器进程170，其实施由执行进程提供的每个反馈控制策略。如前所述，给定由广域模型进程84提供的广域状态信息，每个反馈控制策略提供控制输入(例如，转向角、加速度和制动命令；以及诸如转向指示器激活之类的辅助命令)，以实现车辆的期望行为。控制器进程订阅来自广域模型进程84的消息和来自执行进程150的消息。广域模型进程消息包含关于车辆状态和环境(附近车辆等)状态的最新信息。执行进程消息包含控制器要执行的反馈控制策略的描述。基于广域状态和在给定反馈控制策略中指定的命令，控制器进程确定待发送到车载致动器的输入控制信号(例如，转向角、油门设定、刹车设定等)。用于计算控制车辆运动的反馈控制策略的已知方法的示例包括：

R.Wallace、A.Stentz、C.E.Thorpe、H.Maravec、W.Whittaker和T.Kanade，“机器人道路跟踪中的优先结果”，国际人工智能联合会议(IJCAI)，第1089–1095页，1985年。O.Amidi和C.E.Thorpe，“集成移动机器人控制，”Fibers’91，波士顿，马萨诸塞州，第504–523页，国际光学与光子学会，1991年.B.d’Andréa Novel,G.Campion和G.Bastin,“通过状态反馈线性化控制非完整轮式移动机器人，”国际机器人研究期刊，第14卷，第6期，第543–559页，1995年。Y.Kanayama、Y.Kimura、F.Miyazaki和T.Noguchi，“一种用于自主移动机器人的稳定跟踪控制方法，”，国际机器人与自动化会议(International Conference onRobotics and Automation)，第384-389页，电气和电子工程师协会，1990年。Z.-P.Jiang和H.Nijmeijer，“移动机器人的跟踪控制：反步法(backstepping)的案例研究，”，自动化(Automatica)，第33卷，第7期，第1393-1399页，1997年。A.Ollero和O.Amidi，“移动机器人的预测路径跟踪。应用于卡耐基梅隆大学(CMU)Navlab”，第五届先进机器人国际会议，第91卷，第1081-1086页，1991年。P.Falcone、M.Tufo、F.Borrelli、J.Asgari和H.E.Tseng，“一种针对自动系统中的集成车辆动力学控制问题的线性时变模型预测控制方法”，第46届决策与控制会议，第2980-2985页，电气和电子工程师协会，2007年。

J.P.Hespanha等人，“具有参数化建模不确定性的欠驱动自动驾驶车辆的轨迹跟踪和路径跟随”，自动控制学报，第52卷，第8期，第1362-1379页，2007年。A.P.Aguiar、J.P.Hespanha和P.V.Kokotovic′，“非最小相位系统的路径跟随消除了性能限制，”，自动控制，电气和电子工程师协会学报，第50卷，第2期，第234-239页，2005年。H.K.Khalil和J.Grizzle，非线性系统，第3卷，新泽西州普伦蒂斯霍尔(Prentice hall New Jersey)，1996年。A.L.Rankin、C.D.Crane III、D.G.Armstrong II、A.D.Nease和H.E.Brown，“用于场地特征的自动路径规划导航系统，”，航空航天/国防传感与控制，第176-186页，国际光学与光子学会，1996年。J.Wit,C.D.Crane和D.Armstrong，“自动地面车辆路径跟踪”，机器人系统期刊，第21卷，第8期，第439-449页，2004年。C.E.Garcia、D.M.Prett和M.Morari，“模型预测控制：理论与实践-一项调查，”，自动化，第25卷，第3期，第335-348页，1989年。E.F.Camacho和C.B.Alba，模型预测控制，施普林格科学与商业媒体(Springer Science&Business Media)，2013年。D.Q.Mayne、J.B.Rawlings、C.V.Rao和P.O.Scokaert，“约束模型预测控制：稳定性和最优性，”，自动化，第36卷，第6期，第789-814页，2000年。

执行进程监视控制器进程以正确执行。若自动车辆的实际轨迹从规划的最佳轨迹偏离超过阈值量(例如，设定为指示失去控制、违反规则或碰撞的不可接受的风险)(或者若其它车辆进行意料外的行为)，则触发紧急规程，并重新初始化有向图。若控制器进程之后未执行反馈控制策略或准备接受新的反馈控制策略，则执行进程计算有向图上的最小成本路径并将其馈送给控制器进程。之后，执行进程首先将有向图的根移动到最小成本路径中第一边缘的端点，并从有向图中删除任何不能从新根到达的顶点和边缘。之后反复进行执行进程。

在一些实施方式中，为了基于实时传感器数据和历史信息来生成一系列控制动作，广域模型进程、具体化进程、评定进程、执行进程和控制进程可以同时且异步地执行(即，不具有相同的“时钟”；对于例如评定进程的每次迭代，可以进行具体化进程的若干次迭代。)。可以对其它进程的请求执行模拟器和贴标机进程。广域模型进程和控制进程可以分别在由可用传感器的采样频率、可用致动器带宽和车辆动力学带宽确定的速率(即，它们连续迭代)下运行。广域模型进程和控制进程使用已知的方法进行评估、感知和控制。具体化进程、评定进程和执行进程根据可用的计算资源尽可能频繁地迭代(在尽力而为的基础上)，但在可能比广域模型进程和控制进程更低的速率下迭代。

可以通过已知的进程间和线程间消息传递机制来实施进程之间的通信，包括例如共享内存和发布/订阅协议。

图10示出了可以用于车辆10的计算机系统的典型部件及其关系。

驾驶员表现监控

在以上讨论中，我们已描述了以下的系统，在该系统中，在一系列时间步长的每个时间步长确定最佳轨迹，并且执行与最佳轨迹的当前片段相对应的反馈控制，以控制车辆的行驶，从而努力使其穿越最佳轨迹。随着时间的推移，自动驾驶车辆遵循最佳轨迹到达目的地。

上述进程中的至少一些进程也可以用于不同的背景，在其中一个背景下，车辆由人驾驶，并且在一系列时间步长的每个时间步长，可以对该驾驶员在一段时间内的表现进行回顾性分析，该表现由应用于被驾驶车辆的实际轨迹的指标与应用于在该时间段内确定的最佳轨迹的指标的比较表示。除此以外，该分析还可用于监控驾驶员的表现，并为驾驶员和其它主体提供有用的信息。

即，如图16所示，最佳轨迹信息220和实际轨迹信息222可用于观察、确定、分析和报告车辆的驾驶员226的表现等。

我们使用的术语“驾驶员表现”广义地包括例如，人在行驶期间如何控制车辆的任何方面，包括例如相对于标准、模型或示例、以及用于表征驾驶员表现的各种指标和因素中的一个或多个的人的控制的质量、有效性或风格(或它们的组合)的绝对值。

在一些实施方式中，为了评估驾驶员表现，位于车辆10(其可以是在驾驶员暂时控制下的自动驾驶车辆，或非自动驾驶车辆)上的计算机系统18通过分析预测的“最佳轨迹”220和车辆的实际轨迹222来计算表现指标224。我们使用的术语“最佳轨迹”广义地包括例如车辆的任何理想的、期望的或有用的航线或路线，并且在一些情况下，考虑到各种适当因素中的一种或多种因素，该路线将是最佳路线。

在一些示例中，所计算的表现指标可用于激活转向或制动控制动作228或两者，其旨在以计算机控制的方式修正车辆的运动以确保车辆安全。另外，该指标还可用于评定驾驶员的驾驶表现、引起事故的可能性或违反交通法的可能性等。

基于指标的分析，可以在车载显示器上向驾驶员显示与良好或不良驾驶表现中的任一个或两者相关的警报230。关于驾驶员行为的报告232也可以以推送模式或者在授权和认证使用者的请求下无线传输到接收者(例如，可信任接收者)。这些使用者可以包括以下任何一种或两种或多种的组合：驾驶员、家庭成员(监控孩子获得驾驶技能的父母)、社交网络(例如，年轻驾驶员相互之间“竞争”他们的安全或“生态友好”水平)，租赁车辆运营商或保险机构等。

如先前针对图4所述，并且如图16所示，当执行广域模型进程84时，从所有可用的车辆传感器和数据源242捕获并处理数据240，以计算以下量83中的一些或全部。

出于驾驶员表现的目的，在车辆行驶时的每个时间步长k处计算每个量。在计算量时分离连续时刻的间隔可以象征性地在0.2到2秒的范围内。

1.量244在以上与广域模型相关的部分中提到。

2.使用以下已知技术在可构造的时间范围T(例如，从当前时间步长k到未来时间步长k+T的时间段)预测所有运动物体(例如，车辆、骑行人员、行人等)的未来位置246：[Aoude、Georges、Joshua Joseph、Nicholas Roy和Jonathan How，“使用贝叶斯非参数可达性树的移动主体轨迹预测。(Mobile agent trajectory prediction using Bayesiannonparametric reachability trees.)”，美国航空航天学会信息技术@航天论文集(Proceedings of AIAA Infotech@Aerospace)(2011)：1587-1593；Demiris、Yiannis，“预测机器人和多主体系统中的意图。(Prediction of intent in robotics and multi-agent systems.)”认知处理(Cognitive Processing)，8，第3(2007)期：151-158；Morris、Brendan Tran和Mohan Manubhai Trivedi，“从实时视频中学习、建模和分类车辆轨迹模式。(Learning,modeling,and classification of vehicle track patterns from livevideo.)”，关于智能交通系统的电气和电子工程师协会学报,9.3(2008)：425-437。]。所有运动物体的未来位置存储在车辆上的内存单元65中。时间范围T可以是在2-5秒(或者如前所述更多或更少)的典型合理范围内的时间段。

3.如图14所示，在计算机18上运行的进程202(先前讨论的关于自动驾驶车辆的类型)生成自动车辆在可构造的时间范围内T可以通过环境的候选轨迹204(例如，时间参数化路径)。生成的候选轨迹存储在车辆上的存储器单元中。

该候选轨迹的生成可以通过各种已知技术来实现，包括依赖于状态格子的技术、图搜索技术、或利用诸如概率道路地图或快速探索随机树之类的随机规划方法的技术[S.M.LaValle，规划算法(Planning algorithms)，剑桥大学出版社，剑桥，英国，2006年。L.E.Kavraki、P.Svestka、J.C.Latombe和M.H.Overmars，用于高维构造空间中路径规划的概率路线图(Probabilistic roadmaps for path planning in high-dimensionalconfiguration spaces)，关于机器人和自动化的电气和电子工程师协会学报(IEEETransactions on Robotics and Automation)，12(4)：566–580，1996。J.C.Latombe，机器人运动规划(Robot Motion Planning)，克鲁沃学术出版社(Kluwer AcademicPublishers)，波士顿，马萨诸塞州，1991年。J.T.Betts，轨迹优化数值方法综述(Survey ofnumerical methods for trajectory optimization)，美国航空航天学会指导、控制和动力学期刊(AIAA Journal of Guidance,Control,and Dynamics)，21(2)：193–207，1998年3-4月。S.Karaman和E.Frazzoli，用于优化运动规划的基于采样的算法(Sampling-basedalgorithms for optimal motion planning)，机器人研究内部期刊,30(7):846–894,2011年6月。]。该规划方法通常在生成候选轨迹时考虑障碍物相对于车辆的位置，从而不考虑将导致与障碍物碰撞的候选轨迹。

然而，在候选轨迹生成进程期间，还期望考虑由道路标记、交通信号、交通标志和相关行驶规则引起的驾驶行为约束，使得生成的候选轨迹可能不仅没有无碰撞，而且不违反行驶规则。以上描述了满足这些特性的轨迹生成方法。

4.候选自动车辆轨迹根据其质量或可取性进行评估和排序。更确切而言，根据一组表现指标来评估每个候选轨迹，该候选轨迹可以包括但不限于以下中的任一个或多个：

a.通过分析以下两个或多个中的一个或任意组合来确定的驾驶员安全：

i.安全指标(a)，其计算为多个事件，对于该多个事件，候选轨迹将导致自动车辆未能在由停止信号或标志支配的区域中完全停止。

ii.安全指标(b)，其计算为多个事件，对于该多个事件，当位于由让道信号或标志支配的区域时，候选轨迹将导致自动车辆未能让道于其它车辆、骑车人员、行人或其它动态障碍物。

iii.安全指标(c)，其计算为多个事件，对于该多个事件，当人行横道存在行人或骑行人员时，候选轨迹将导致自动车辆在人行横道处未能让道。

iv.安全指标(d)，其计算为多个事件，对于该多个事件，候选轨迹将导致自动车辆与1中识别的静态或动态障碍物的任何部分、或者任何其它物体或道路特征发生碰撞。

v.安全指标(e)，其计算为多个事件，对于该多个事件，候选轨迹将导致自动车辆跨过不间断的车道标记或离开可行驶的路面。

vi.安全指标(f)，其计算为多个事件，对于该多个事件，候选轨迹将导致自动车辆在交叉路口处未能适当地服从优先级。

vii.安全指标(g)，其计算为多个事件，对于该多个事件，候选轨迹将导致自动车辆未能适当地服从i至vi中未描述的行驶规则。

viii.安全指标(h)，其根据沿着候选轨迹的给定点处的最大车辆速度与候选轨迹上的同一点处的最大速度极限之间的百分比差的最大值计算。

ix.安全指标(i)，其计算为：沿着候选轨迹的车头间距与前方车辆的比率的最小值的倒数；以及给定点处的自动车辆速度与候选轨迹上的同一点处的前方车辆的速度之间的差值。该指标也被称为“碰撞时间”[LaValle2006]。

x.安全指标(j)，其计算为多个事件，对于该多个事件，候选轨迹将使得自动车辆超过跨过相邻行进车道的预定数量的转换，并因此表现出“迂回”行为。

xi.安全指标(k)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大横向加速度(计算为轨迹上给定点处的车辆速度的平方除以给定轨迹上同一点处的曲率半径)与给定当前环境状况的最大可允许横向加速度的比率。

xii.安全指标(l)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大纵向加速度(计算为轨迹上给定点处纵向速度的时间导数)与给定当前环境状况的最大可允许纵向加速度的比率。

b.通过分析以下一个或任意两个或多个来确定的乘客舒适度：

i.纵向舒适度指标(a)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大纵向加速度(计算为轨迹上给定点处纵向速度的时间导数)与所选择的最大舒适纵向加速度值的比率。

ii.纵向舒适度指标(b)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大纵向加加速度(计算为轨迹上给定点处纵向加速度的时间导数)与所选择的最大舒适纵向加加速度值的比率。

iii.横向舒适度指标(a)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大横向加速度(计算为轨迹上给定点处的车辆速度的平方除以给定轨迹上同一点处的曲率半径)与所选择的最大舒适横向加速度值的比率。

iv.横向舒适度指标(b)，其计算为：自动车辆为了精确跟踪候选轨迹所需的最大横向加加速度(计算为轨迹上给定点处横向速度的时间导数)与所选择的最大舒适横向加加速度值的比率。

c.通过分析以下一个或多个来确定的环境影响：

i.燃料消耗指标(a)，其被计算为给定候选轨迹的长度除以所有候选轨迹的最小长度。

ii.燃料消耗指标(b)，其被计算为：精确跟踪候选轨迹所需的估计燃料消耗(基于车辆数据和预定义模型计算)与当前行进时间下行驶路线的基准燃料消耗水平的比率，其基于来自驾驶员数据库和预定义模型的数据计算。

iii.车辆磨损指标，其被计算为：自动车辆将在候选轨迹上经受的车辆磨损(基于车辆数据和预定义模型计算)与行驶路线和时间的基准磨损水平的比率，其基于来自驾驶员数据库和预定义模型的数据计算。

(注意，这些指标在某些情况下与用于识别自动驾驶车辆的最佳轨迹的成本不同。)

在一些实施方式中，通过分析a至c中描述的定量指标的某种组合(例如，加权和)来确定的最佳轨迹250被识别为被认为是最期望的轨迹。通常，具有所有表现指标的加权和的最小值的候选轨迹被认为是最佳轨迹。最佳轨迹及其相关联的表现指标值存储在车辆上的内存单元中。

上述特定指标计算旨在具有代表性并且不是特定驾驶员表现特征的唯一有用指标。可以使用最佳轨迹的其它定义，并且可以通过其它计算来确定最佳轨迹。

上述第1至4部分中的计算以规律的持续时间(“时间步长”)0.2-2秒的短暂间隔重复。在一些情况下，可以以小于或大于所示范围的间隔重复。在每个时间步长k进行计算的结果包括：从时刻k处的车辆位置到时刻k+T处的车辆位置的最佳轨迹。

参照图13和图15的左侧，在每个时间步长k，系统还知晓并记录自动车辆的实际位置以及车辆的环境中的其它车辆、骑车人员、行人和其它障碍物的实际运动特征。这些信息一起构成了在时间段T期间自动车辆的实际轨迹等。

如图15的右侧所示，使用上述表现指标回顾性地分析在每个时刻k+T针对时刻k与时刻k+T之间的每个时间步长描述的所有上述数据，该数据表示自动车辆的已知实际行进轨迹和环境中的其它车辆、骑车人员、行人和其它障碍物的实际运动特征。在该分析中，实际的自动车辆轨迹(非最佳候选轨迹)是分析的对象。这导致在时刻k与时刻k+T之间的时间间隔内分析驾驶员的实际表现。

之后，可以将上述驾驶员在时刻k与时刻k+T之间的时间间隔内的实际表现的表现指标与上述针对时刻k与时刻k+T之间的最佳轨迹的表现指标进行单独比较。可以使用各种方法来量化驾驶员的表现，包括但不限于以下两个或多个中的一个或任意组合：

1.可以将驾驶员实际表现的各个指标与最佳轨迹的相同指标进行比较。

a.若指标的百分比差超过可构造的百分比(即，阈值表现水平)，则该特定标准中的驾驶员的驾驶表现被标记为差。

b.若指标的百分比差小于可构造的百分比(即，阈值表现水平)，则该特定标准中的驾驶员的驾驶表现被标记为好。

2.可以将驾驶员实际表现的所有指标的总和与最佳轨迹的所有指标的总和进行比较。

a.若相加的指标的百分比差超过可构造的百分比(即，阈值表现水平)，则将驾驶员在时刻k到时刻k+T之间的时间间隔内的总体驾驶表现标记为差。

a.若相加的指标的百分比差小于可构造的百分比(即，阈值表现水平)，则将驾驶员在时刻k到时刻k+T之间的时间间隔内的总体驾驶表现标记为好。

由此，可以以考虑关于交通和环境状况的相关信息的方式评定人类驾驶员的表现。

各种其它标准、计算和分析及其组合可以形成关于人类驾驶员表现的一个或多个结论的基础。

在一些实施方式中，车载显示器向驾驶员提供与由先前描述的方法识别的良好和不良驾驶表现相关的警报。对于与上述指标相关并且从上述各个表现指标分析获得的特定识别的驾驶错误，可以在车载显示器上显示针对差(或好)驾驶表现或两者的警告(或称赞)。

在显示的一些实施方式中，当提交特定的识别的驾驶错误时，可以显示易于理解的例如为红色的图标或其它指示符。例如，若驾驶员未能在让道标志处让道，则可以在车载显示器上显示红色让道标志。

同样，可以在与上述总表现指标分析相关的车载显示器上显示一般的“我如何驾驶？”指示符。在显示的一个实施方式中，当驾驶表现好时可以显示笑脸，而当驾驶表现差时显示愁脸，当驾驶表现可变时显示可变的表情。

计算出的驾驶员表现指标也可以无线传输到集中式数据存储库。另一个进程将这些指标分配给认证授权的使用者。

可以使用各种计算机系统、硬件、固件、传感器、网络、软件和设备来实现我们所述的系统和技术。

例如，我们提到的内存可以存储处理器使用的程序指令和数据。内存可以是：随机存取内存和只读内存的合适组合，并且可以托管合适的程序指令(例如，固件或操作软件)；以及构造和操作数据，并且可以被组织为文件系统或其它。存储的程序指令可以包括用于认证一个或多个使用者的一个或多个认证进程。存储在面板的内存中的程序指令可以存储允许网络通信和建立连接到数据网络的软件部件。软件部件例如可以包括互联网协议(IP)堆栈以及用于各种接口的驱动器部件。适于建立连接和跨网络通信的其它软件部件对于本广域普通技术人员来说是清楚可见的。

存储在内存中的程序指令以及构造数据可以控制系统的整体运行。服务器计算机系统可以包括一个或多个处理设备(例如，微处理器)、网络接口和内存。

我们已描述的全部或部分进程和各种修改可以至少部分地使用计算机程序产品来实现，即，有形地体现在作为计算机的一个或多个有形物理硬件存储设备和/或用于由数据处理装置执行或控制其运行的机器可读存储设备的计算机程序，该数据处理装置例如为可编程处理器、计算机或多个计算机。计算机程序可由任何形式的编程语言写成，包括编译语言或解释型语言，并且其可以任何形式利用，包括作为独立程序或作为模块、部件、子程序或合适在计算环境中使用的其它单元。计算机程序可以部署成在一个计算机上或在一个站点的多个计算机上执行，或者分布在多个站点上并通过网络互连。

与实施进程相关联的动作可以由执行一个或多个计算机程序的一个或多个可编程处理器执行，以执行校准进程的功能。全部或部分进程可以实施为专用逻辑电路，例如FPGA(现场可编程门阵列)和/或ASIC(专用集成电路)。

作为示例，适于执行计算机程序的处理器包括通用和专用微处理器，以及任何类型的数字计算机的任何一个或多个处理器。通常，处理器将从只读存储区域或随机存取存储区域或两者接收指令和数据。计算机(包括服务器)的元件包括：用于执行指令的一个或多个处理器；以及用于存储指令和数据的一个或多个存储区域设备。通常，计算机还将包括或可操作地耦合以从一个或多个机器可读存储介质接收数据和/或将数据传输到一个或多个机器可读存储介质，该机器可读存储介质诸如为用于存储数据的大容量存储设备，例如磁盘、磁光盘或光盘。

适于实现计算机程序指令和数据的有形物理硬件存储设备包括所有形式的非易失性存储器，作为示例，该非易失性存储器包括：半导体存储区域设备，例如EPROM、EEPROM和闪存存储区域设备；磁盘，例如内部硬盘或可移动磁盘；磁光盘；以及CD-ROM和DVD-ROM盘和易失性计算机内存，例如RAM，该RAM诸如为静态和动态RAM、例如为闪存的可擦除内存。

另外，图中描绘的处理不一定需要所示的特定顺序或连续顺序来实现期望的结果。另外，可以从所描述的进程中设置其它动作，或者可以消除动作，并且可以向所描述的系统添加或移除其它部件。同样，图中描绘的动作可以由不同的实体执行或合并。

我们已描述的实施例的元件可以组合以形成以上没有具体阐述的其它实施例。可以将元件排除在进程、计算机程序、网页等以外，而不会对其运行产生不利影响。此外，各种单独的元件可以组合成一个或多个单独的元件以执行所述功能。

其它实施方式也在随后的权利要求书的范围内。

Claims (20)

1.一种车辆驾驶方法，其特征在于，包括：

通过动作在环境内朝目的地自动驾驶车辆，所述动作包括：

生成所述车辆的有限组的候选轨迹，所述候选轨迹自给定时刻起在所述车辆的位置处开始，所述候选轨迹各自基于在连续时刻处的广域状态的序列和所述序列的连续广域状态之间的转换，每个所述广域状态包括自所述车辆的所述位置和对应时刻起的车辆状态和环境状态，所述环境状态包括另一车辆、骑行人员、行人或另一障碍物中的至少一个的状态；

基于与所述候选轨迹相关联的成本，从所述候选轨迹中选择推定最佳轨迹，所述成本包括与违反车辆行驶规则相关联的成本，其中，与给定轨迹相关联的成本是基于和轨迹的连续广域状态之间的两个以上的转换的序列相关联的成本来评估的；以及

基于所选择的推定最佳轨迹，命令所述车辆的致动器参与控制动作，以在所述环境内朝向所述目的地自动驾驶所述车辆。

2.如权利要求1所述的方法，其特征在于，促进与车辆的控制相关的操作包括：应用与所述推定最佳轨迹相关联的反馈控制策略以控制所述车辆的元件，所述反馈控制策略的应用基于车辆状态和环境状态。

3.如权利要求1所述的方法，其特征在于，包括：对所述有限组的候选轨迹应用一个或多个约束，基于所述连续时刻处的广域状态的序列来应用所述约束。

4.如权利要求1所述的方法，其特征在于，所述推定最佳轨迹与所述车辆的速度及方向相关联，并且选择推定最佳轨迹包括：通过有向图确定最小成本路径，在所述有向图中，所述候选轨迹包括边缘，所述最小成本路径的成本包括与违反约束相关联的惩罚。

5.如权利要求1所述的方法，其特征在于，生成所述车辆的有限组的候选轨迹包括：应用表示所述车辆对自所述车辆的所述位置和所述给定时刻起的给定的控制策略的预期响应的模型，所述模型表示所述环境的元件对给定的控制策略的响应和自环境车辆的元件的位置起所述车辆的预期响应。

6.如权利要求1所述的方法，其特征在于，与给定的轨迹相关联的成本基于与车辆状态和环境状态之间的相互作用相关联的成本，并且成本表示为以正式语言表示的成本规则，所述正式语言能够表达所述成本规则，所述成本规则在轨迹的两个以上的广域状态的序列上在一段时间内解译。

7.如权利要求1所述的方法，其特征在于，与给定的轨迹相关联的成本基于与车辆状态和环境状态之间的相互作用相关联的成本。

8.如权利要求1所述的方法，其特征在于，所选择的推定最佳轨迹与所述车辆的速度及方向相关联。

9.如权利要求1所述的方法，其特征在于，所述环境状态包括自对应时刻起其它车辆、行人和障碍物的状态。

10.一种车辆驾驶方法，其特征在于，包括：

对通过动作在环境内朝目的地驾驶的车辆的驾驶表现进行评估，所述动作包括：

生成所述车辆的有限组的候选轨迹，所述候选轨迹自给定时刻起在所述车辆的位置处开始，所述候选轨迹各自基于在连续时刻处的广域状态的序列和所述序列的连续广域状态之间的转换，每个所述广域状态包括自所述车辆的所述位置和对应时刻起的车辆状态和环境状态，所述环境包括另一车辆、行人、骑行人员或其它障碍物中的至少一个；

基于与所述候选轨迹相关联的成本，从所述候选轨迹中选择推定最佳轨迹，所述成本包括与违反车辆行驶规则相关联的成本，所述候选轨迹考虑了所述环境的元件的位置；

监控给定时间段内所述车辆的实际轨迹；以及

将所述车辆的所述实际轨迹与所述推定最佳轨迹进行比较，作为驾驶表现的指示。

11.如权利要求10所述的方法，其特征在于，所述驾驶表现包括人类驾驶员的表现。

12.如权利要求11所述的方法，其特征在于，包括：基于一个或多个表现指标来评估驾驶员的表现。

13.一种车辆驾驶方法，其特征在于，包括：

通过动作在环境内朝目的地自动驾驶车辆，所述动作包括：

自给定时刻起生成所述车辆的有限组的候选轨迹，所述有限组的候选轨迹属于所述车辆的所有可能轨迹的轨迹空间；

评定每个所述候选轨迹的成本，所述成本包括以下一项或多项：长度、转弯角度或其它几何相关成本；加速度、加加速度，控制工作或其它动态成本；以及违反规则或约束或其它逻辑成本，所述成本包括总排序，根据所述总排序来选择具有最小成本的推定最佳轨迹；

基于与所述候选轨迹相关联的成本，从所述有限组的候选轨迹中选择推定最佳轨迹，所选择的推定最佳轨迹与所述车辆的速度及方向相关联；

所述车辆的所有可能轨迹的空间被生成的有限组的候选轨迹充分覆盖，使得推定最佳轨迹包括任意地接近实际最佳轨迹的近似；以及

基于所选择的推定最佳轨迹，命令所述车辆的致动器参与控制动作，以在所述环境内朝向所述目的地驾驶所述车辆。

14.如权利要求13所述的方法，其特征在于，包括：对所述有限组的候选轨迹应用一个或多个约束。

15.如权利要求13所述的方法，其特征在于，生成所述车辆的有限组的候选轨迹包括：应用表示所述车辆和所述环境对自所述车辆的位置和给定时刻起的给定的控制策略的预期响应的模型。

16.一种车辆驾驶方法，其特征在于，包括：

对通过动作在环境内朝目的地驾驶的车辆的驾驶表现进行评估，所述动作包括：

自给定时刻起生成所述车辆的有限组的候选轨迹，所述有限组的候选轨迹属于所述车辆的所有可能轨迹的轨迹空间；

评定每个所述候选轨迹的成本；

基于与所述候选轨迹相关联的成本，从所述有限组的候选轨迹中选择推定最佳轨迹，

所述车辆的所有可能轨迹的空间被生成的有限组的候选轨迹充分覆盖，使得推定最佳轨迹包括任意地接近最佳轨迹的近似；

监控给定时间段内所述车辆的实际轨迹；以及

将所述车辆的所述实际轨迹与所述推定最佳轨迹进行比较，作为驾驶表现的指示，

其中，所述成本包括与违反车辆行驶规则相关联的成本。

17.如权利要求16所述的方法，其特征在于，评估驾驶表现包括：监控人类驾驶员的表现。

18.如权利要求16所述的方法，其特征在于，包括：基于一个或多个表现指标来评估驾驶员的表现。

19.如权利要求16所述的方法，其特征在于，包括：评定发生事故的可能性。

20.一种车辆驾驶装置，其特征在于，包括：

自动驾驶车辆，所述自动驾驶车辆包括：

可控设备，所述可控设备构造成：使得所述车辆以与控制策略及成本规则一致的方式沿着广域轨迹遍历最佳轨迹的至少一部分，所述成本规则适用于连续的广域状态之间的转换的序列；

控制器，所述控制器根据所述广域轨迹向所述可控设备提供命令；

关于在连续时刻处的广域状态的信息源；以及

计算元件，所述计算元件用于

迭代地更新：(a)一组广域状态，每个所述广域状态表示至少部分基于有关广域状态的信息的车辆状态、车辆环境状态和环境中的至少一个其它物体的状态的组合；以及(b)一组广域轨迹，每个所述广域轨迹表示时间转换的序列，每个转换为一个所述广域状态与另一个所述广域状态之间的转换，

更新的每次迭代包括：

针对一个或多个所述广域状态中的每个所述广域状态以及对应的车辆控制策略，模拟从所述广域状态到后续的广域状态的候选轨迹；

若模拟的候选轨迹不违反约束，则将轨迹添加到广域轨迹组，以形成更新的广域轨迹组；

若需要，则将新的广域状态添加到与由模拟的候选轨迹表示的转换对应的广域状态组，以形成更新的广域状态组；

通过更新的广域状态组和更新的广域轨迹组来确定最小成本路径，所述确定包括将成本规则应用于每个所述广域轨迹的两个以上的连续转换的序列；以及

将表示沿着所述最小成本路径从当前广域状态到下一广域状态的下一转换的信息传递到所述控制器，用于所述车辆的自动控制，

其中，所述成本规则包括与违反车辆行驶规则相关联的成本规则。

Images