CN109643118A - 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 - Google Patents

Abstract

除其他事情外，接收标识或定义车辆的环境的与功能相关的特征的信息。生成同与功能相关的特征相对应的与功能相关的信息。

Description

基于关于车辆的环境的与功能相关的信息来影响车辆的功能

相关申请的交叉引用

本申请要求2016年7月1日提交的美国申请序列号15/200,035和2016年7月1日提交的美国申请序列号15/200,050的权益，以上美国申请中的每一个的公开内容通过引用以其整体并入本文。

背景技术

本说明书涉及基于车辆的环境的与功能相关的特性来影响车辆的功能。

在旅程中的部分期间或在整个旅程期间，自主车辆可以安全驾驶而无需人为干预。

自主车辆包括传感器、致动器、计算机、和通信设备，以实现对通过环境的路线的自动生成和跟踪。一些自主车辆具有无线双向通信能力，该无线双向通信能力用于：与可由人类监测器操纵的远程定位的命令中心通信、访问存储在云服务中的数据和信息、以及与紧急服务通信。

如图1中所示的，在自主车辆10的典型使用中，可以以各种方式标识期望的目标位置12(例如，目的地地址或街道交叉路口)。可以由乘坐者(例如，可以是车辆的所有者或者移动即服务(mobility-as-a-service)“智能出租车(robo-taxi)”应用中的乘客)指定目标位置。目标位置可以由算法(例如，该算法可以在云中的中央服务器上运行，并且被委以优化自主车辆车队的位置的任务，目的是在乘坐者招呼智能出租车时最小化乘坐者的等待时间)提供。在一些情况下，目标位置可以由过程(例如，由于车辆上检测到的医疗紧急情况而将最近的医院标识为目标位置的紧急过程)提供。

在给定期望的目标位置的情况下，选路算法20确定通过环境的从车辆的当前位置16到目标位置12的路线14。我们有时称这个过程为“路线规划”。在一些实施方式中，路线是道路、街道、和公路(highway)的一系列经连接的段(我们有时将其称为道路段或简称段)。

选路算法通常通过分析道路网络信息来操作。道路网络信息通常是关于道路网络的结构、类型、连接性、和其他相关信息的数字表示。道路网络通常被表示为一系列经连接的道路段。道路网络信息除了标识道路段之间的连接性之外，还可以包含关于每个道路段的物理和概念属性的附加信息，该附近信息包括但不限于地理位置、道路名称或数量、道路长度和宽度、速度限制、行驶方向、车道边缘边界类型、以及关于道路段的任何特殊信息，所述任何特殊信息诸如是否为公交车道、是仅右转弯车道还是仅左转弯车道、是否是公路、小道路或土道路的部分、该道路段是否允许停车或站立、以及其他属性。

选路算法通常标识从当前位置到目标位置的一个或多个候选路线22。通常通过采用标识最小化指定成本的路线的算法(诸如，A*、D*、Dijkstra算法等)来完成从候选路线中标识最好或最佳的路线14。该成本通常根据一个或多个标准，所述一个或多个标准通常包括沿着候选路线行驶的距离、在考虑速度限制时沿候选路线行驶的预期时间、交通状况、以及其他因素。选路算法可以标识要被呈现给乘坐者(或其他人，例如，在远程位置处的操作员)的一个或多个良好路线，以供选择或批准。在一些情况下，可以简单地将一个最佳路线提供给车辆轨迹规划和控制模块28，车辆轨迹规划和控制模块28具有沿着最佳路线朝向目标(我们有时称为目标位置或仅仅称为目标)引导车辆的功能。

如图2中所示的，道路网络信息31通常被存储在数据库30中，数据库30被维持在集中式可访问服务器32上，并且可以以高频率(例如，1Hz或更高)更新数据库30。可以按需访问(例如，由车辆34请求)网络信息，或者由服务器将网络信息推送给车辆。

道路网络信息可以具有与道路网络信息相关联的时间信息，所述时间信息用于实现对交通规则、停车规则或与时间有关的其他影响(例如，例如在标准营业时间期间或在周末期间不允许停车的道路段)的描述，或所述时间信息用于包括关于在一天中的特定时间(例如，在高峰时间段期间)沿着道路段的预期行驶时间的信息。

发明内容

通常，在一个方面中，接收关于车辆的环境的与功能相关的特征的信息，其中已经结合车辆的位置标识所述与功能相关的特征。基于所标识的与功能相关的特征，来影响车辆的功能的执行，以改变该功能的性能特性。

实施方式可包括以下特征中的一项或者以下特征中的两项或更多项的组合。与功能相关的特征包括地理区域。与功能相关的特征包括道路特征。功能包括软件过程。功能包括运动规划。功能包括轨迹跟踪。该功能包括致动器控制。功能包括决策制定。功能包括感知处理。功能包括对车辆的定位。功能包括在车辆上车载地(on-board)记录传感器数据。通过从一个功能切换到另一功能来影响功能的执行。通过改变功能的操作来影响功能的执行。对功能的执行的影响是基于参数设置的。从两个或更多个不同的参数设置组中选择参数设置。对功能的执行的影响是基于现有信息的。现有信息包括模拟模型。现有信息包括两个或更多个模拟模型。从数据库接收关于与功能相关的特征的信息。

通常，在一方面中，接收标识或定义车辆环境的与功能相关的特征的信息。生成同与功能相关的特征相对应的与功能相关的信息。

实施方式可包括以下特征中的一项或者以下特征中的两项或更多项的组合。从自动过程接收信息。从与用户接口交互的用户接收信息。从自动过程和与用户接口交互的用户的组合接收信息。与功能相关的信息包括与功能相关的特征相对应的位置。与功能相关的信息包括与功能相关的特征相对应的地理区域。与功能相关的特征包括道路特征。当车辆在与功能相关的特征附近行驶时接收信息。将所生成的与功能相关的信息存储在数据库中。数据库包括道路网络信息数据库，该道路网络信息数据库包括关于道路段的信息。通过通信网络将与功能相关的信息馈送到道路网络信息被累积的位置。

这些和其他的方面、特征、实施方式、以及优势、以及它们的组合可以被表达为方法、系统、部件、装置、程序产品、经营商业的方法、用于执行功能的装置或步骤、以及以其他方式被表达。

根据以下描述和权利要求，其他方面、特征、实施方式和优势将变得显而易见。

发明内容

图1至图5是框图。

图6至图9示出各场景。

如图3中所示的，在我们在此描述的技术和系统的一些实施方式中，道路网络信息数据库30不仅存储关于道路网络的道路段的性质的信息，还存储关于环境48的特征的信息42，该环境48的特征与车辆46(例如，自主车辆)的功能44相关。在某些情况下，车辆的功能是由软件过程执行的功能。

我们有时将该信息广泛地称为“与功能相关的信息”，并将车辆的功能广泛地称为“车辆功能”。这种与功能相关的信息不仅可以用于选择路线，还可以用于管理、控制、影响、通知、或以其他方式(从广义上讲)“影响”车辆的功能和性能。在一些实施方式中，与功能相关的信息用于通过修改车辆上的软件过程的类型、结构或性能(或它们的组合)来影响车辆功能。

我们在此引入术语“与功能相关的特征”52，我们将该术语广泛地用于包括例如车辆的环境的可以与一个或多个车辆功能相关的任何位置或地理区域或其他特征。针对与功能相关的特征52的身份或位置或边界或其他标识信息是与功能相关的信息的一部分，该与功能相关的信息被存储在道路网络信息数据库或类似数据库中。

参考图4A和图4B，作为示例，考虑自我驾驶车辆(我们有时同义地使用术语“自主”和“自我驾驶”)，该自我驾驶车辆使用用于运动规划的特定软件过程62。能够高度自动驾驶的车辆(例如，自主车辆)依赖于运动规划过程(例如，算法过程)，该运动规划过程用于自动地生成和执行通过环境朝向指定的短期目标的轨迹64。我们广泛地使用术语“轨迹”来包括例如从一个地点到另一地点的任何路径。为了区分由运动规划过程生成的轨迹64与由路线规划过程生成的路线66，我们注意到轨迹是通过车辆的最近周围环境(例如，距离规模通常在几米到几百米的量级)的路径。轨迹被专门设计成不与阻挡物碰撞，并且通常具有与以下相关的期望特性：路径长度、乘坐质量、所需行驶时间、不违反道路规则、遵守驾驶习惯、或其他因素，以及它们的组合。我们有时可互换地使用术语“轨迹”和“路径”，并且有时将它们中的任何一个称为运动规划过程的“输出”或“结果”。我们注意到，各种运动规划过程可能表现出不同的属性，包括它们能够生成轨迹的频率、它们生成的轨迹类型(包括轨迹的密度和复杂性)、以及其他因素。

如图6中还示出的，考虑如下的自主车辆：使用第一运动规划软件过程68以启用在拥挤的停车场中的导航，以及使用第二运动规划软件过程70以启用在快速移动的高速公路上的导航。数据库中的与功能相关的信息可以包括：与停车场的地理区域相关联的所定义的与功能相关的特征、以及与高速公路的地理区域相关联的另一所定义的与功能相关的特征。随后可以由特征响应软件过程72利用自我驾驶汽车的维持其自身地理位置的精确估计74的能力，以连续地标识数据库中的任何与功能相关的信息，该与功能相关的信息标识与车辆的当前位置相匹配的特征。一旦被标识，过程72可以选择适当的运动规划软件过程(例如，过程68或过程70)，或者可以以其他方式自动地修改车辆上的运动规划软件过程的结构或性能，以致使车辆以适合于以下的方式行进：在该示例中，适合于与停车场功能相关的特征或与高速公路功能相关的特征。

与功能相关的特征可以包括车辆的环境的各种不同类型的特征。

例如，与功能相关的特征可以与物理道路结构相关联，所述物理道路结构诸如是，仅举几例地，人行横道、交叉路口区、铁路越过(crossing)区域；高速公路、收费公路、公路和其他高速行驶区；二级公路；停车场；允许车辆通行的行人区；指定的学区；驾驶道、路肩或故障车道；收费站；加油站或电动汽车充电站；出租车站；汽车租赁场；机场到达/离开层(level)；建筑区；具有已知的车辆到车辆(v2v)能力或车辆到基础设施(v2i)能力的区域；指定的自主车辆行驶区域(例如，只允许自主车辆通行的指定行驶车道或道路区域)；驾驶通道(例如，用于银行自动柜员或快餐)或洗车处。

与功能相关的特征可以与可驾驶的区域相关联，所述可驾驶的区域诸如是，道路的各部分、停车场、未铺砌的可驾驶的区域、或其他可驾驶的表面。

除了标识或定义要由数据库中的与功能相关的信息所表示的不同类型的与功能相关的特征之外，还可以标识或定义与功能相关的特征的子特征54(图3)。例如，如果二级道路是一种类型的与功能相关的特征，则二级道路的不同车道标记(例如，涂绘的车道线和标记点(Botts dots))可以被标识为数据库中的这种子特征。

可以基于到感兴趣的对象或道路特征的地理接近度来标识或定义与功能相关的子特征。例如，可以在数据库中将二级道路中的在停止或避让标志附近的部分标识为具有到感兴趣的对象或道路特征的接近度的子特征。

可以在数据库中将与功能相关的特征中位于不同地理地点并且因此与不同的驾驶规则或习惯相关联的各不同部分标识为位于对应的地理地点中。例如，类型“地理区域”的实例可以被定义为描述与功能相关的特征的地理范围的2D多边形(诸如，2D坐标的有序组，以及2D坐标有效的唯一地图标识符)。类型“道路特征”的实例(诸如，特定交通标志或交通标志组)可以由2D坐标组以及2D坐标有效的唯一地图标识符来定义。

以下是可以基于与功能相关的特征信息来调用或修改(即，影响)自我驾驶车辆的车辆功能(例如，软件过程)的示例性方式。

运动规划过程

如更早所提及并且也如图7中所示的，自我驾驶车辆使用被称为运动规划过程的软件过程来生成候选轨迹(例如，时间参数化的路径)，在可配置的时间范围T期间，自我车辆可遵循该候选轨迹来通过环境。所生成的候选轨迹被存储在车辆上的存储器单元45(图3)中。这种候选轨迹的生成可以通过各种已知技术来实现，所述已知技术包括依赖于状态格子(state lattices)的技术、图搜索技术、约束或无约束优化、或者利用诸如概率道路图或快速搜索随机树之类的随机规划方法的技术。这种运动规划方法通常在生成候选轨迹时考虑阻挡物相对于车辆的位置，使得将导致与一个或多个阻挡物碰撞的候选轨迹被排除在考虑之外。在运动规划过程中的每个时间步k处进行的计算的结果包括从时间k处的自我车辆的位置到时间k+T处的车辆的位置的期望的或有时是最佳的轨迹64。

某些运动规划过程可以表现出性能特性63(图4A和图4B)，性能特性63根据操作环境(例如，根据环境的与功能相关的特征)而变化。因此，如更早所表明的，可能期望能够将特定运动规划过程(诸如，图4A和4B中所示的过程68和70)与特定类型的与功能相关的特征相关联，使得当自我车辆进入或离开与功能相关的特征或在与功能相关的特征之间转换时，自我车辆对应地改变其运动规划过程。

例如，某个运动规划过程(过程A)可以能够快速地生成表现出很小路径曲率的候选轨迹，因此可以非常适合用于在高速公路上以高速驾驶的运动规划，其中由于高的车辆行驶速度，安全地遵循高曲率轨迹是不可能的。另一运动规划过程(过程B)可能需要更大的计算量并且因此以比过程A更低的更新速率操作，但是可以能够生成复杂的(例如，涉及高的路径曲率或多点转弯)轨迹，并且因此可以非常适合用于在停车场和驾驶道中以低速驾驶的运动规划。

换句话说，管理运动规划过程的最有效操作可取决于对将要行驶的与功能相关的特征的特性作出响应。

因此，基于运动规划过程A和运动规划过程B的已知属性(性能特性)，可能期望将过程A用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征，而将过程B用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征。

用于给定运动规划过程的参数设置

各种类型的运动规划过程通常依赖于影响运动规划过程的性能特性和输出的用户选择的参数设置71(图4A和图4B)。

结果，使用给定参数设置的给定运动规划过程的输出可能更适合于(并因此通过某个度量导致性能改善)特定的与功能相关的特征的属性。因此，可能期望将用于给定运动规划过程的不同的参数组与对应的不同的与功能相关的特征相关联。

例如，基于被称为快速探索随机树(RRT)的一类算法，采用参数组A的某个运动规划过程倾向于沿着预定义的标称路线偏置RRT算法树增长。与不倾向于朝向任何特定路线偏置RRT算法树增长的采用参数组B的相同运动规划过程相比，这种方法可以在不需要复杂操纵的驾驶场景中表现出更好的性能特性(例如，更快地其质量超过某个用户定义的阈值的运动路径)。

在一些情况下，基于被称为状态格子的一类算法使用参数组A的某个运动规划过程，在空间和时间两者上定义粗略间隔的格子，因此仅启用粗略的车辆操纵并且能够极其快速地标识候选运动轨迹。与在空间和时间两者上都定义精细间隔的格子并因此以附加的计算时间为代价启用精细的操纵的使用参数组B的相同规划过程相比，这种方法可以在一系列高速驾驶场景中表现出更好的性能特性(例如，更快地标识其质量超过某个用户定义的阈值的运动路径)。

因此，基于能够采用参数组A或参数组B的运动规划过程的已知属性，可能期望安排参数组A用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征，安排参数组B用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征。在一些实施方式中，可以由单个给定的运动规划过程采用两个不同的参数组。在一些情况下，可以由两个不同的运动规划过程或单个过程的两个单独的实例采用两个不同的参数组。

还可以调整运动规划过程参数设置以影响常见的车辆操作设置，诸如，行驶速度、标称和最大纵向和横向加速度和减速度、以及其他设置。

运动规划过程现有信息的使用

各种类型的运动规划过程可以利用在发起运动规划过程时或在规划运动之前的时间被提供或可用的各种类型的信息(“现有信息”)。这种现有信息79(图4A和图4B以及也如图8中所示的)可用于影响运动规划过程的性能特性、或输出、或性能特性和输出两者。与运动规划过程不使用现有信息时相比，使用现有信息可以产生如下的来自给定运动规划过程的输出，该输出更适合于(并因此通过某个度量导致性能改善)特定类型的与功能相关的特征的属性。因此，可能期望将现有信息与不同类型的与功能相关的特征相关联。

例如，在给出关于自我车辆的当前位置和目标位置、以及对道路网络的属性的了解的信息(例如，与功能相关的信息42)的情况下，在假设路线没有阻挡物的情况下，计算从当前位置到目标位置的标称路径是可能的。随后可以将该标称路径作为现有信息提供给运动规划过程，这可以减少规划过程上的计算在某些场景中的路径的负担。标称路径还可以考虑与适用的与功能相关的特征相关联的其他信息，诸如，标称行驶速度，其影响车辆可以在指定精度内遵循的路径曲率。

在一些情况下，在了解被存储在数据库中的道路网络的属性的情况下，计算在道路网络上的起始位置和目标位置的集合之间的多个标称路径是可能的。随后可以将标称路径的该集合作为现有信息提供给运动规划过程，这可以减少规划过程上的计算在某些场景中的运动规划的负担。因为使用运动规划过程来计算时，复杂的操纵可能具有挑战性或耗时，而作为现有信息的标称路径的呈现可以减少计算负担，因此这种类型的现有信息在需要复杂操纵的场景(诸如，停车场)中尤其有用。

轨迹跟踪过程

还如图4A和图4B中所示的，自我驾驶车辆通常使用被称为轨迹跟踪(或路径跟踪)过程102的软件过程来计算输入水平组(例如，转向(steer)、制动、和节气门的力(effort)水平)104，以使车辆在指定精度内遵循(我们有时说跟踪)由运动规划过程62提供的轨迹或路径68。可以通过各种已知技术生成这种输入水平，所述已知技术包括模型预测控制(MPC)、纯追踪(pure pursuit)、模糊逻辑、神经网络(包括卷积神经网络和类似的“深度学习”方法)、以及其他技术。在轨迹跟踪过程中的每个时间步k处完成的计算的结果包括旨在在当前时间步处应用的输入水平组，并且还可以包括旨在从当前时间到未来时间k+T应用的输入组。

某些轨迹跟踪过程可以表现出根据操作环境(例如，与车辆的位置相关联的与功能相关的特征)而变化的性能特性。因此，可能期望将不同的轨迹跟踪过程与对应的不同的与功能相关的特征相关联，使得当自我车辆进入或离开与功能相关的特征或在与功能相关的特征之间转换时，它也在不同的轨迹跟踪过程的执行之间转换。

例如，基于纯追踪算法的某个轨迹跟踪过程(过程A)105可以快速地生成适合用于跟踪表现出小的路径曲率的路径的输入水平组，因此可以非常适合于在公路上以高速驾驶，对于在公路上以高速驾驶，安全地遵循高曲率轨迹是不可能的。相比之下，基于MPC的另一轨迹跟踪过程(过程B)107可能需要更大的计算量并且因此以比过程A更低的更新速率操作，但是可以生成适合用于跟踪复杂的(例如，涉及高的路径曲率或多点转弯)轨迹的输入水平组，并且因此可非常适合用于在停车场和驾驶道中以低速驾驶。

因此，基于轨迹跟踪过程A和轨迹跟踪过程B的已知属性(例如，性能特性)，可能期望将过程A用于跟踪在与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征中的路径，将过程B用于跟踪在与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征中的路径。

对轨迹跟踪过程参数设置的调整

各种类型的轨迹跟踪过程通常依赖于用户选择的参数设置112，用户选择的参数设置112影响作为轨迹跟踪过程的输出的性能特性和输入水平。结果，来自使用给定参数设置的给定轨迹跟踪过程的输出可能更适合于(并因此通过某个度量产生更好的性能)特定类型的与功能相关的特征的属性。因此，可能期望将用于单个轨迹跟踪过程的不同的参数组与不同类型的与功能相关的特征相关联。

例如，与使用包括小的前瞻距离并且导致高曲率轨迹的精确跟踪的参数组B的相同的轨迹跟踪过程相比，基于纯追踪算法并使用包括大的“前瞻(look ahead)距离”的参数组A的某个轨迹跟踪过程可以在不需要高曲率操纵的驾驶场景中更精确地跟踪轨迹。

在一些情况下，基于被称为MPC的一类算法并且使用参数组A的某个轨迹跟踪过程可以定义成本函数，该成本函数弱地惩罚(penalizes)来自由运动规划过程所提供的轨迹的偏差。虽然该方法可以产生粗略操纵，但是也可以生成具有相对小的幅度变化率并且对乘客而言舒适的转向输入。相比之下，使用参数组B的相同轨迹跟踪过程(其定义了严重地惩罚来自由运动规划过程所提供的轨迹的偏差并因此导致精确操纵的成本函数)可以产生具有相对大的幅度变化率并且对乘客而言较不舒适的转向输入。

因此，基于使用不同的参数组(诸如，参数组A或参数组B)时的轨迹跟踪过程的已知属性，可能期望使得使用参数组A的过程用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征的路径，并且使得使用参数组B的过程用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征的路径。

致动器控制过程

还如图4A和图4B中所示的，自我驾驶车辆使用被称为致动器控制过程的软件过程120来计算致动器输入122的组(例如，对调节由转向、制动和节气门所施加的力的致动器的电子命令)，以使得每个致动器达到由轨迹跟踪过程所提供的输入水平。可以通过各种已知技术生成这种致动器输入组，所述已知技术包括MPC、比例-积分-微分控制技术族、神经网络(包括卷积神经网络和类似的“深度学习”方法)、和其他技术、以及他们的组合。在致动器控制过程中的每个时间步k处完成的计算的结果包括旨在在当前时间步处应用的致动器输入组，并且还可以包括旨在从当前时间到未来时间k+T中应用的致动器输入组。

某些致动器控制过程可以表现出性能特性121，性能特性121根据车辆操作状况和环境状况而变化。因此，可能期望将不同的致动器控制过程与对应的不同的与功能相关的特征相关联。随后，自我车辆在与功能相关的特征之间的转换可以导致不同的对应致动器控制过程的执行之间的转换。车辆操作状况的变化可以包括例如车辆速度的变化、发动机节气门水平的变化、所选择的传动齿轮的变化等。环境状况的变化可能包括例如，道路表面摩擦水平、道路俯仰和滚动(pitch and roll)、道路粗糙度水平、是否正在下雨或下雪或者最近是否已近下雨或下雪、道路上是否存在泥浆或水坑以及其他的。

例如，当发动机RPM水平相对高时，某个节气门致动器控制过程(过程A)123可以产生对期望的节气门输入水平的精确跟踪，并且因此可以非常适合于涉及在公路上以高速行驶的场景。当发动机RPM水平相对低时，另一节气门致动器控制过程(过程B)125可以产生对期望的节气门输入水平的精确跟踪，并且因此可以非常适合于涉及跟踪复杂的(例如，涉及高路径曲率或多点转弯)轨迹的场景，诸如，在停车场和驾驶道中以低速驾驶。

在一些情况下，当车辆速度水平相对高并且抵抗转弯的车轮“摩擦(scrubbing)”扭矩因此相对低时，某个转向致动器控制过程(过程A)可以产生对期望的转向输入水平的精确跟踪，并且因此可以非常适合于涉及在公路上以高速驾驶的场景。当车辆速度相对低并且抵抗转弯的车轮“摩擦”扭矩因此相对高时，另一转向致动器控制过程(过程B)125可以产生对期望的转向输入水平的精确跟踪，并且因此可以非常适合于涉及跟踪复杂的(例如，涉及高路径曲率或多点转弯)轨迹的场景，诸如，在停车场和驾驶道中以低速驾驶。

因此，在示例和其他示例中，基于致动器控制过程A和致动器控制过程B的已知属性，可能期望将过程A用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征，并且将过程B用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关的与功能相关的特征。

致动器控制过程参数设置

还如图4A和图4B中所示的，各种类型的致动器控制过程通常依赖于影响致动器控制过程的性能特性和输出的用户选择的参数设置124。结果，来自使用给定参数设置的给定致动器控制过程的输出可能更适合于(并因此通过某个度量产生更好的性能)特定类型的与功能相关的特征的属性。因此，可能期望将用于给定致动器控制过程的不同的参数组与不同对应类型的与功能相关的特征相关联。

例如，当发动机RPM水平相对高时，基于比例-微分算法、使用参数组A的某个节气门致动器控制过程可以更精确地跟踪期望的节气门输入水平，并且因此可以非常适合于涉及在公路上以高速行驶的场景。当发动机RPM水平相对低时，基于比例-微分算法、使用参数组B的相同的节气门致动器控制过程可以更精确地跟踪期望的节气门输入水平，并且因此可以非常适合于涉及跟踪复杂的(例如，涉及高路径曲率或多点转弯)轨迹的场景，诸如，在停车场和驾驶道中以低速驾驶。

在一些情况下，当车辆速度水平相对高并且抵抗转弯的车轮“摩擦”扭矩因此相对低时，使用具有相对低的比例增益的参数组A的某个转向致动器控制过程可以更精确地跟踪期望的转向输入水平，并且因此可以非常适合于涉及在公路上以高速驾驶的场景。当车辆速度相对低并且抵抗转弯的车轮“摩擦”扭矩因此相对高时，使用具有相对高的比例增益的参数组B的相同的转向致动器控制过程可以更精确地跟踪期望的转向输入水平，并且因此可以非常适合于涉及跟踪复杂的(例如，涉及高路径曲率或多点转弯)轨迹的场景，诸如，在停车场和驾驶道中以低速驾驶。

因此，基于采用参数组A和采用参数组B的致动器控制过程的已知属性，可能期望将参数组A应用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征，并且将参数组B应用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征。

致动器控制过程现有信息

各种类型的致动器控制过程可以利用现有信息128，现有信息128通常为在发起该过程时提供的模型的形式，并且可以影响致动器控制过程的性能特性和输出。与致动器控制过程不利用现有信息相比，当致动器控制过程利用现有信息时，这可能导致来自给定致动器控制过程的输出更适合于(并因此通过某个度量产生更好的性能)特定的与功能相关的特征的属性。因此，可能期望将被包含在模型中的现有信息与对应的不同的与功能相关的特征相关联。

例如，在给定关于自我车辆的当前位置的信息和了解数据库中可用的道路网络的属性的情况下，生成与沿着特定道路段行驶相关联的标称速度通常是可能的。基于此，通过使用不同复杂度的模型来推断是否可以精确地预测由给定致动器输入引起的车辆运动(包括纵向运动和偏航(例如，转向引起的运动)两者)可能是可能的。不同复杂度的模型的示例包括运动学(kinematic)模型和升序的动态模型，以上模型考虑诸如纵向车轮滑动、车辆翻滚和侧向打滑之类的效果。

利用被包含在模型中的现有信息的控制过程通常可以被称为“基于模型的控制过程”。当在控制过程中所使用的特定模型精确地表示由模型所描述的物理关系时，基于模型的控制过程通常更好地工作。因此，可能期望将特定类型的与功能相关的特征与如下的现有模型相关联：预期在车辆在特定的与功能相关的特征中的操作期间精确地表示由模型所描述的物理关系。

不同的决策制定过程

还如图4A和图4B中所示的，自我驾驶车辆使用被称为决策制定过程130的软件过程来计算一个或一序列导航决策132。这种导航决策通常可以与期望的高水平或更远程的目标(诸如，目标位置、轨迹、或航点)(由用户或自动化过程或两者的组合来定义)相关联，所有的所述期望的高水平或更远程的目标都可能具有相关联的时间分量(例如，将在下午6点之前到达Joe酒馆的目标)。导航决策的示例包括：在公路上改变行驶车道的决策，在二级道路上对行驶速度的选择，在拥挤的四路停止交叉路口处对应发起运动的瞬间的确定，在环形交叉口对应发起复杂的合并操纵的瞬间的确定，以及其他的。可以通过各种已知的技术生成这种导航决策，所述已知的技术包括有限状态机、决策树、模糊逻辑、形式逻辑和其他技术。在决策制定过程中的每个时间步k处完成的计算的结果可以包括一组期望的目标位置、轨迹、或航点，所有的期望的目标位置、轨迹、或航点都可以具有相关联的时间分量。

某些决策制定过程可能表现出根据操作环境(例如，与功能相关的特征)而变化的性能特性。因此，可能期望将不同的决策制定过程与不同类型的与功能相关的特征相关联，使得当自我车辆在与功能相关的特征之间转换时，在不同的决策制定过程的执行之间进行对应的转换。

例如，基于有限状态机的某个决策制定过程(过程A)133可以在可能决策的决策空间很小的场景中快速地计算期望的导航决策，并且因此非常适合于决策空间主要涉及确定车辆的适当行驶速度和车道的涉及在公路上驾驶的场景。基于形式逻辑的另一决策制定过程(过程B)可以在可能决策的空间很大的场景中计算期望的导航决策，并且因此可以非常适合于涉及在拥挤的城市中心驾驶的场景。对于在拥挤的城市中心驾驶，决策制定过程必须遵守规则组，该规则组不仅要管理车辆，还要管理行人和骑自行车者，并且车辆必须顺利通过(negotiate)交叉路口。对应的决策空间不仅与车辆的适当行驶速度和车道相关，而且还与根据其他道路使用者的复杂动作的动作的时间顺序相关。

因此，基于决策制定过程A和决策制定过程B的已知属性，可能期望将过程A用于与公路、高速公路、收费公路和其他高速行驶区相关联的类型的与功能相关的特征，将过程B用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的类型的与功能相关的特征。

决策制定过程参数设置

各种类型的决策制定过程通常依赖于影响决策制定过程的性能特性和输出的用户选择的参数设置140。这可以导致来自使用给定参数设置的给定的决策制定过程的输出更适合于(并因此通过某个度量产生更好的性能)特定类型的与功能相关的特征的属性。因此，可能期望将用于给定决策制定过程的不同的参数组与不同的与功能相关的特征相关联。

例如，基于有限状态机的、使用限制可允许的决策的广度的参数组A的某个决策制定过程可能非常适合于涉及在公路上以高速驾驶的场景，在该场景中，可能决策的空间很小并且主要涉及确定车辆的适当的行驶速度和车道。使用扩展可允许的决策的广度的参数组B的相同决策制定过程可能非常适合于在拥挤的城市中心中驾驶。在城市中心中，可能决策的空间很大，并且决策制定过程必须遵守规则组，该规则组不仅要管理车辆，还要管理行人和骑自行车者。车辆还必须顺利通过与如下决策空间相对应的交叉路口，该决策空间不仅与车辆的适当行驶速度和车道相关，而且还与根据其他道路使用者的复杂动作的动作的时间顺序相关。

因此，基于使用参数组A和使用参数组B的决策制定过程的已知属性(特性139)，可能期望将采用参数组A的过程用于与公路、高速公路、收费公路和其他高速行驶区相关联的类型的与功能相关的特征，并且将采用参数组B的过程用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的类型的与功能相关的特征。

参数组还可以调整车辆的独断(assertiveness)水平，定义不同区域的道路规则或文化规范，包括但不限于在交叉路口等待的时间以及当地法是否允许在右侧超车。

感知过程参数设置的调整

还如图4A和图4B中所示的并且也如图9中所示的，自我驾驶车辆使用被称为感知过程141的软件过程来分析从一个或多个传感器144(例如，激光雷达、雷达、超声、视频、惯性测量传感器、车轮测距传感器等)收集的数据142，以计算各种数据产品146，其目的是生成描述与车辆驾驶有关的信息(例如，当前的位置和速度和估计的未来的位置和速度、物体的类型/类别等)的“世界模型”148。典型的数据产品的示例包括经标识的车辆、行人、骑自行车者、静态物体、车道标记、铁路越过区(crossings)、标志(包括标志位置和内容两者)、交通灯(包括交通灯类型和状态)和其他的、以及它们的组合。可以通过分析由单个传感器收集的数据或者通过分析由多个传感器在传感器融合(或数据融合)过程中收集的数据来计算这些数据产品。在感知过程中的每个时间步k处完成的计算的结果可以包括在当前的时间处的世界模型，以及从当前时间到未来时间k+T的世界模型的估计演变。

各种类型的感知过程通常依赖于影响感知过程的性能特性和输出146的用户选择的参数设置150。结果，来自使用给定参数设置的给定感知过程的输出可能更适合于(并因此通过某个度量产生更好的性能)特定的与功能相关的特征的属性。因此，可能期望将用于给定感知过程的不同的参数组与不同的与功能相关的特征相关联。

例如，在某个道路基础设施诸如经由导致无效测量而影响传感器读数的质量的地理区域中，使用参数组A的某个对象检测感知过程可以使雷达(或另一传感器类型)在传感器融合感知过程中的重要性打折扣。

在某些情况下，采用参数组A的某个传感器融合感知过程可非常适合于涉及在公路上驾驶的需要远程检测车辆以便给出足够的用于对紧急情况作出反应的反应时间的场景，该参数组A出于检测远程处的车辆的目的而十分重视远程雷达数据，代价是不能对车辆位置进行精确估计。在一些情况下，采用参数组B的相同的传感器融合感知过程可非常适合于在其中需要对车辆进行精确的近程检测的拥挤的城市中心中驾驶，该参数组B出于精确地检测近程处的车辆位置的目的而十分重视近程激光雷达数据，代价是不能对在较远范围处的车辆进行精确的检测。

在一些实例中，使用可调谐的雷达传感器、采用参数组A的感知过程可非常适合于涉及在公路上驾驶的需要对车辆进行远程检测以便给出足够的用于对紧急情况作出反应的反应时间的场景，该参数组A出于检测远程处的车辆的目的而对雷达传感器进行调整以利用窄视野收集远程处的数据，代价是不能检测到更宽广环境中的车辆。相比之下，使用可调谐的雷达传感器、采用参数组B的相同的感知过程可非常适合于在其中需要对车辆进行精确的近程检测的拥挤的城市中心中驾驶，该参数组B出于检测近程处的但在更广泛环境中的车辆的目的而对雷达传感器进行调整以利用宽视野收集近程处的数据。

因此，在各种示例中，基于当使用参数组A时和当使用参数组B时的感知过程的已知属性，可能期望将利用参数组A的过程用于与公路、高速公路、收费公路和其他高速行驶区相关联的与功能相关的特征，并且将利用参数组B的过程用于与停车场、驾驶道、允许车辆通行的行人区、以及需要复杂操纵的其他低速行驶区相关联的与功能相关的特征。

在一些实施方式中，当检测到的车辆和行人位于描述可驾驶的道路表面和附近缓冲区的与功能相关的特征之外时，可以完全忽略能够检测到车辆和行人的某个感知过程的输出，因为这种车辆和行人(例如，停在远处停车场中的车辆、或行走在远离道路的人行道上的行人)被认为与驾驶任务无关。

因此，如图5中所示的，通常，车辆功能42可以包括软件过程和车辆的任何其他驾驶或操作或其他功能。车辆功能42中的每一个可以具有与特征相关的功能替代202。这些可以由例如不同的软件过程、单个过程的不同实例、或过程的不同操作模式、或它们的组合来表示。与特征相关的功能替代具有与其性能相关的特性204。给定的功能替代的不同特性可以表明它对于某些与功能相关的特征或某些类型的与功能相关的特征特别有用。基于车辆在给定时间处的的位置估计74，并且基于数据库30中可用的与功能相关的信息，功能标识过程212可以连续地标识环境48中的与车辆的操作有关的与功能相关的特征52。若干不同的过程可以利用关于特征标识过程所提供的与功能相关的特征的信息。

例如，功能选择器212可以使用关于功能替代的与特征相关的性能特性204的信息以及所标识的特征信息来在与特征相关的功能替代中进行选择或者以各种其他方式改变或影响车辆功能的操作。

而且，例如，现有信息过程208可以使用关于所标识的特征的信息来生成、更新或修改现有信息，并随后将其提供给当前活跃的车辆功能。

而且，例如，管理参数设置组206并将所选择的组提供给与特征相关的功能替代的过程可以响应于所标识的与功能相关的特征而操作。

可以通过与功能相关的信息生成过程10基于在环境48中的已知的、所观察的或经标识的与功能相关的特征和子特征52、54来生成数据库30中的与功能相关的信息42，与功能相关的信息生成过程10可以是手动的、半自动的、自动的或它们的组合。

不同的定位过程

还如图4A和图4B中所示的，自我驾驶车辆使用被称为定位过程162的软件过程来分析从一个或多个传感器164(例如，激光雷达、雷达、超声、视频、惯性测量传感器、GPS、车轮测距传感器等)或感知过程141收集的数据166，以将各种数据输入166与先前记录的数据(通常被处理成车载地存储在车辆上的“地图”)168的数据库进行比较，其目的是生成车辆在当前时间处的精确的位姿(pose)估计170。

示例数据输入包括车道标记信息、道路路缘、来自雷达和激光雷达的原始或经处理的传感器读数、最近的GPS位姿、以及来自测距和惯性测量传感器的相对车辆运动估计。这些数据输入通常在定位过程中被组合成基于滤波过程(例如，卡尔曼或粒子滤波过程)的概率状态估计，以计算在当前时间处车辆相对于地图的位姿。

不同的定位过程可以利用不同的数据输入。例如，由于众所周知的多路径和其他错误，例如缺乏卫星可用性，GPS精度在城市地区中可能是差的。类似地，车道标记信息在某些区域可能不可用。

因此，基于定位过程A和定位过程B的已知属性，可能期望将过程A用于与公路相关联的类型的与功能相关的特征，并且将过程B用于与城市设置相关联的类型的与功能相关的特征。

在车辆上车载地记录传感器数据

不同的地理区域可能对可由自我驾驶车辆所收集的数据施加限制。例如，隐私法可能因州或国家而异，并且不允许在车辆上车载地收集视频数据。

因此，基于对相关当地法或政策的现有了解，可能期望不允许或限制在车辆上和车辆外的对与不同区域(包括但不限于国家、州和社区)相关联的各类型的与功能相关的特征的传感器数据记录或存储的持续时间。

在与功能相关的特征之间的转换

给定的地理区域可能与两个或更多个功能相关的特征相关联。在该场景中，如果每个与功能相关的特征将会导致以相互矛盾或相互冲突的方式修改(或影响)车辆上的软件过程的结构或性能，则可以出于影响过程的目的而采用仲裁方法使一个与功能相关的特征优先于其他与功能相关的特征，或同时运行多个过程并在多个过程的输出之间进行选择、切换、或以其他方式对多个过程的输出进行合并。

在实践中，当自我车辆参与在与不同功能相关的特征相关联的地理区域之间的转换时，必须注意确保与相应的不同的与功能相关的特征相关联的不同软件过程(或给定软件过程的不同操作模式)之间的转换不会导致车辆行为的突然变化。这种突然变化可能导致对乘客而言不舒服或不安全或者对外部观察者而言不寻常的车辆运动。可以采用各种方法来确保以车辆操作保持安全、稳定和稳健的方式来完成不同软件过程(或给定软件过程的不同操作模式)之间的转换，该方式包括一些示例性方法中的一个或多个：

1.将同与功能相关的特征相关联的各相应的软件过程(或软件过程的操作模式)的输出进行比较，并通过对输出的值使用滤波方法(例如，平均滤波器、低通滤波器、指数移动平均滤波器)来确保软件过程输出之间的平滑转换；

2.允许在同与功能相关的特征相关联的各相应的软件过程的输出之间进行转换，并通过仅在输出之间的差异小于预定义的阈值时允许转换来确保软件过程输出之间的平滑转换；

3.通过在同与功能相关的特征相关联的各相应的软件过程参数设置之间平滑地转换，来确保软件过程输出之间的平滑转换；

4.允许在同与功能相关的特征相关联的各相应的软件过程的输出之间进行转换，但是通过滞后功能来确保输出不会以高频率来回切换(潜在地由于车辆的位置估计中存在高频噪声)。

可以在物理车辆或模拟过程中的任一个或两者的操作期间使用关于与功能相关的特征的信息，在模拟过程中，分析车辆和环境的模型(在选定的保真度水平下)以研究或预测在用户定义的场景范围中的车辆操作性能特性。可以对在操作期间的车辆(以产生对未来操作性能的基于模型的预测能力)或者对位于办公室或云端的计算资源执行这种模拟过程。

在某些场景中，可以利用远程操作员(被称为“遥操作员(teleoperator)”)进行的某些功能或所有功能来控制或管理车辆。我们广泛使用术语遥操作员来包括位于远离车辆并通过无线通信链路接收足够的信息(例如，由前向视频相机所捕获的视频反馈)以提供致动器输入水平、导航决策、或其他车辆操作命令的任何人或软件过程。在车辆处于遥操作员控制的场景中，车辆可以被认为实际上位于与可能导致影响以上所描述的过程中的一个或多个的与功能相关的特征内。

与功能相关的信息的生成

如更早所描述的，与功能相关的信息42可以被包括在道路网络信息数据库或类似的数据库中，并且可以包含可以被用于修改(影响)诸如自主车辆之类的车辆的操作或性能(诸如，用于影响与这种操作性能相关联的软件过程的操作)的信息(诸如，地理相关的信息)。如以下所描述的，可以通过若干方式生成与功能相关的信息，该方式包括通过使用手动、半自动或自动过程。由这些过程中的任一个(或它们的任何组合)所生成的与功能相关的信息可以被存储在位于自动车辆上或位于云服务器上的存储器单元中的数据库中，并且可以由已经访问了该通信网络的多个自动车辆通过无线通信来访问。

与功能相关的信息的手动生成

可以由被称为手动地图标注(labeling)过程的软件过程生成与功能相关的信息。这种过程需要人类用户使用各种可能的输入设备和用户接口来标识或定义不同的与功能相关的特征，并将几何区域和与这些区域相关的道路网络信息与不同的与功能相关的特征相关联。

手动地图标注过程可以在显示屏幕上向用户呈现道路网络的视觉表示，包括道路网络的覆盖有道路网络中存在的行驶车道的连接性的图形表示的鸟瞰图。用户随后可以利用不同尺寸的几何形状来“绘制”或界定与公路、停车场、驾驶道、收费站或作为地理区域的其他道路特征相关联的与功能相关的特征。

可以在不位于车辆上的计算机处理器上运行手动地图标注过程，或者可以在位于车辆上的计算机处理器上、或不位于车辆上和位于车辆上两者的计算机处理器上运行手动地图标注过程。在手动地图标注过程在位于自主车辆上的计算机处理器上运行的应用中，车辆乘客或其他人类用户可以通过用户接口手动地标识一个或多个不同的物理道路结构或地理区域的存在和边界。随后可以通过手动的地图标注过程来生成与有区别的(distinct)物理道路结构或地理区域相关联的与功能相关的特征。

作为这种过程的示例，当自动车辆进入停车场时，车辆乘客可以采用车辆中的用户接口来指示车辆已进入停车场。替代地，车辆到基础设施的通信过程可以向车辆发送用于指示车辆已进入停车场的消息。随后可以通过手动地图标注过程来生成针对与停车场相关联的类型的与功能相关的特征的与功能相关的信息，并且随后可以自动地调整各种软件过程以优化车辆性能以便在停车场中操作。

与功能相关的信息的半自动生成

可以使用被称为半自动地图标注过程的软件过程来定义与功能相关的特征。该过程可以使用一个或多个有监督或无监督的分类算法，来基于对与结构相关联的特性视觉特征、几何特征或其他特征的分析，自动地标识有区别的物理道路结构，该其他特征包括从观察到的交通流和从由手动驱动的车辆或自动车辆收集的数据中导出的特征。这种分类算法包括例如支持向量机、神经网络(包括卷积神经网络和类似的“深度学习”方法)以及其他的。

随后可以向人类用户呈现经分类的物理道路结构，并询问人类用户以接受、标注、修改或拒绝该分类。如果人类用户接受或修改分类，则将与特定物理道路结构相关联的与功能相关的特征分配给与道路结构相关联的一个或多个地理区域。这种方法有望提高与功能相关的特征定义的效率，因为由机器快速且自动地执行该标注过程中的一部分。

可以在不位于车辆上的计算机处理器上运行半自动地图标注过程，或者可以在位于车辆上的计算机处理器上运行半自动地图标注过程。在半自动地图标注过程在位于车辆上的计算机处理器上运行的应用中，分析由车载地位于车辆上的传感器所收集的数据(该数据潜在地与存储在位于车辆上的存储器上或云端的数据一致)，以标识与有区别的与功能相关的特征相关联的有区别的物理道路结构的存在。随后可以向车辆乘客或其他人类用户呈现经分类的物理道路结构，并询问车辆乘客或其他人类用户以接受、标注、修改或拒绝该分类。

作为这种过程的示例，可以分析由安装在车辆上的视觉传感器所收集的数据，以检测与交通锥相关联的几何和颜色特征，从而指示可能存在建筑区。当标识出这种建筑区时，可以使用车辆中的显示器上的视觉提示、听觉提示或一些其他提示来询问车辆乘客或远程车辆监视器以确认附近道路包含建筑区。如果乘客或远程监视器肯定地回答，则可以通过半自动地图标注过程来将针对与建筑区相关联的类型的与功能相关的特征的与功能的相关信息同与检测到的锥相关联的一个或多个地理区域进行关联，并且随后可以自动地调整各种软件过程以优化车辆性能以便在建筑区中操作。

与功能相关的特征的自动生成

可以使用被称为自动地图标注过程的软件过程来定义与功能相关的特征。该过程可以使用一个或多个有监督或无监督的分类算法，来基于对与结构相关联的独特视觉特征、几何特征或其他特征的分析，自动地标识有区别的物理道路结构或地理区域，该其他特征包括从观察到的交通流和从由手动驱动的车辆或自动车辆所收集的数据中导出的特征。这种分类算法包括例如支持向量机、神经网络(包括卷积神经网络和类似的“深度学习”方法)以及其他的。随后将针对与有区别的物理道路结构相关联的与功能相关的特征的与功能相关的信息自动分配给与道路结构相关联的地理区域(多个)。这种方法有望大大提高与功能相关的特征定义的效率，因为所有的标注过程都是由机器快速执行的，但必须注意确保用于自动标识的算法是高度精确的，因为分类过程的错误分类可能导致错误的与功能相关的特征分配。

可以在不位于车辆上的计算机处理器上运行自动地图标注过程，或者也可以在位于车辆上的计算机处理器上运行自动地图标注过程。在自动地图标注过程在位于车辆上的计算机处理器上运行的应用中，分析由位于车辆上的传感器所收集的数据(该数据潜在地与存储在车辆上的存储器上或云端的数据一致)，以标识与有区别的与功能相关的特征相关联的有区别的物理道路结构的存在。随后基于与这些道路结构相关联的几何区域(多个)自动地定义与功能相关的特征。

作为这种过程的示例，可以分析由安装在自动车辆上的视觉传感器所收集的数据，以检测与未铺砌的道路相关联的颜色和纹理特征。当标识出未铺砌的道路时，可以通过半自动地图标注过程将与未铺砌的道路相关联的与功能相关的特征同与未铺砌的道路相关联的地理区域(多个)进行关联，并且随后可以自动地调整各种软件过程以优化车辆性能以便在未铺砌的道路上操作。

其他实施方式也在下述权利要求书的范围内。

Claims (30)

1.一种方法，包括

接收标识或定义车辆的环境的与功能相关的特征的信息，以及

生成与所述与功能相关的特征相对应的与功能相关的信息。

2.如权利要求1所述的方法，其特征在于，从自动过程接收所述信息。

3.如权利要求1所述的方法，其特征在于，从与用户接口交互的用户接收所述信息。

4.如权利要求1所述的方法，其特征在于，从自动过程和与用户接口交互的用户的组合接收所述信息。

5.如权利要求1所述的方法，其特征在于，所述与功能相关的信息包括与所述与功能相关的特征相对应的位置。

6.如权利要求1所述的方法，其特征在于，所述与功能相关的特征包括与所述与功能相关的特征相对应的地理区域。

7.如权利要求1所述的方法，其特征在于，所述与功能相关的特征包括道路特征。

8.如权利要求1所述的方法，其特征在于，当所述车辆在所述与功能相关的特征附近行驶时接收所述信息。

9.如权利要求1所述的方法，其特征在于，包括将所生成的与功能相关的信息存储在数据库中。

10.如权利要求1所述的方法，其特征在于，所述数据库包括道路网络信息数据库，所述道路网络信息数据库包括关于道路段的信息。

11.如权利要求1所述的方法，其特征在于，包括通过通信网络将所述与功能相关的信息馈送到道路网络信息被累积的位置。

12.一种方法，包括

基于所接收的关于车辆的环境的与功能相关的特征的信息，其中已经结合所述车辆的位置而标识出所述与功能相关的特征，基于所标识的与功能相关的特征来影响车辆的功能的执行以改变所述功能的性能特性。

13.如权利要求12所述的方法，其特征在于，所述与功能相关的特征包括地理区域。

14.如权利要求12所述的方法，其特征在于，所述与功能相关的特征包括道路特征。

15.如权利要求12所述的方法，其特征在于，所述功能包括软件过程。

16.如权利要求12所述的方法，其特征在于，所述功能包括运动规划。

17.如权利要求12所述的方法，其特征在于，所述功能包括轨迹跟踪。

18.如权利要求12所述的方法，其特征在于，所述功能包括致动器控制。

19.如权利要求12所述的方法，其特征在于，所述功能包括决策制定。

20.如权利要求12所述的方法，其特征在于，所述功能包括感知处理。

21.如权利要求12所述的方法，其特征在于，所述功能包括对所述车辆的定位。

22.如权利要求12所述的方法，其特征在于，所述功能包括在所述车辆上车载地记录传感器数据。

23.如权利要求12所述的方法，其特征在于，通过从一个功能切换到另一功能来影响所述功能的所述执行。

24.如权利要求12所述的方法，其特征在于，通过改变功能的操作来影响所述功能的所述执行。

25.如权利要求12所述的方法，其特征在于，对所述功能的所述执行的影响是基于参数设置的。

26.如权利要求25所述的方法，其特征在于，从两个或更多个不同的参数设置组中选择所述参数设置。

27.如权利要求25所述的方法，其特征在于，对所述功能的所述执行的所述影响是基于现有信息的。

28.如权利要求27所述的方法，其特征在于，所述现有信息包括模拟模型。

29.如权利要求27所述的方法，其特征在于，所述现有信息包括两个或更多个模拟模型。

30.如权利要求12所述的方法，其特征在于，包括从数据库接收关于所述与功能相关的特征的所述信息。