CN109891346B - 用于自主车辆控制系统的位置特定辅助 - Google Patents

用于自主车辆控制系统的位置特定辅助 Download PDF

Info

Publication number
CN109891346B
CN109891346B CN201780067720.1A CN201780067720A CN109891346B CN 109891346 B CN109891346 B CN 109891346B CN 201780067720 A CN201780067720 A CN 201780067720A CN 109891346 B CN109891346 B CN 109891346B
Authority
CN
China
Prior art keywords
autonomous vehicle
condition
control system
route
vehicle control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780067720.1A
Other languages
English (en)
Other versions
CN109891346A (zh
Inventor
S·L·林克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BlackBerry Ltd
Original Assignee
BlackBerry Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BlackBerry Ltd filed Critical BlackBerry Ltd
Publication of CN109891346A publication Critical patent/CN109891346A/zh
Application granted granted Critical
Publication of CN109891346B publication Critical patent/CN109891346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/029—Adapting to failures or work around with other constraints, e.g. circumvention by avoiding use of failed parts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0018—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions
    • B60W60/00186—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions related to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0022—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement characterised by the communication link
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/029—Adapting to failures or work around with other constraints, e.g. circumvention by avoiding use of failed parts
    • B60W2050/0292—Fail-safe or redundant systems, e.g. limp-home or backup systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/54—Audio sensitive means, e.g. ultrasound
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/14—Cruise control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Navigation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

提供位置特定辅助的系统和方法被提供。在车辆的环境中被感测到的地理位置处的条件可以被标识，使得在没有位置特定辅助的情况下，第一自主车辆控制系统不能对该条件进行感知、解释和/或作出反应。该地理位置处的路线可以在经验数据库中被发现，其是先前由第二自主车辆控制系统所确定的和/或当相同的条件存在于地理位置处时由人员驾驶的车辆所跟随的。可以使得车辆跟随从数据库中检索到的路线。

Description

用于自主车辆控制系统的位置特定辅助
技术领域
本公开涉及控制系统，具体地，涉及自主车辆控制系统。
背景技术
自主车辆可以是能够感测其环境并且在没有人类输入的情况下导航的车辆。导航可以包括响应于自主车辆检测到的对象来确定引导车辆的位置。
在美国，国家公路交通安全管理局(NHTSA)在2013年发布了针对自动车辆分类的正式分类系统。NHTSA自动车辆分类包括：0级：驾驶员始终完全控制车辆；1级：个别的车辆控制是自动化的，诸如电子稳定控制或自动制动；等级2：至少两个控制可以一致地自动化，诸如自适应巡航控制与车道保持相结合；3级：在某些条件下，驾驶员可以完全放弃对所有安全关键功能的控制。当条件需要驾驶员重新控制时，车辆会感测到这一点，并且为驾驶员提供“足够舒适的过渡时间”去这样做；等级4：车辆针对整个行程执行所有安全关键功能，其中驾驶员未被期望在任何时间控制车辆。由于该车辆将从开始到停止控制所有功能(包括所有停车功能)，它可以包括无人的车辆。在该分类系统下，自主车辆包括级别2、3和/或4的自动车辆。
附图说明
参考以下附图和描述可以更好地理解实施例。图中的组件不一定按比例绘制。此外，在附图中，相同的附图标记在不同视图中表示相应的部件。
图1图示了自主车辆控制系统接收位置特定辅助的示例场景；
图2图示了向自主车辆控制系统提供位置特定辅助的示例系统的逻辑的流程图；以及
图3图示了向自主车辆控制系统提供位置特定辅助的系统的示例。
具体实施方式
自主车辆可以使用详细地图，详细地图可以体现为纬度、经度和高度数据库，或者可以使用其他坐标或位置系统。详细地图有助于路线计算和指导系统。自主车辆的控制可能更加苛刻，因为与沿任何路由控制和操纵车辆所需的数据量和决策量相比，路由是琐碎的。自主车辆控制系统可以尝试辨别与静态条件(例如，道路、车道、坡道和其他结构)和动态条件(例如，运动中的车辆、行人和其他瞬态条件)二者相关的数据。一个问题可能是明显静态条件(诸如道路)在某些情况下可能未被表征和/或随着时间的推移而没有保持静态。例如，路面变化(例如，重新铺设、碎片溢出和积雪)、路面的外观变化(例如，潮湿与干燥、雪、雪犁(snow plowed)和雪跟踪(snow tracked))、位置变化(例如，建筑、事故)、车道变化(例如，建筑和障碍物)。自主车辆控制系统可以通过跟踪GPS(全球定位卫星)或其他位置数据(例如，坐标、速度)来推断这样的变化(例如，交通拥堵、道路封闭)，但是在自主车辆需要比路线效率指标更多的信息时，情况将会出现。例如，路线回避可能不是选项，并且驾驶通过新的/变化的条件的能力可能是期望的。突然切换到人类驾驶员也可能是不期望的。
在这种情况下，关于道路或路径的改变状态以及如何解释新状态的实时数据可以被收集并被提供给其路线包括该道路或路径的车辆。这样的数据可以是在空间和/或视觉信息的背景下，其可以与车辆在给定感测输入(例如，相机和/或雷达)时遇到的相匹配。
视觉和雷达系统可被用于控制各个特征，诸如自适应巡航控制、前向碰撞预防、以及车道偏离。传感器可以被分配给功能并被定制以满足各个控制模块内的功能。在一些自主车辆控制系统中，所有或多个传感器被带到单个控制模块，该控制模块同时执行多个功能。用于向自主车辆控制系统提供位置特定辅助的系统可以例如在车辆运动时收集视觉(例如，相机)和空间(例如，立体相机、来自运动相机、雷达和激光雷达的结构)数据，并将这些信息发送到远程计算设备用于处理。自主车辆控制系统可以使用所收集的视觉和空间传感器数据以用于关于车辆当前和未来行为的实时决策。
图1示出了自主车辆控制系统接收位置特定辅助的示例场景。一般而言，为了导航区域108，自主车辆控制系统可以对由一个或多个传感器112感测的车辆102的环境110进行感知、解释和/或作出反应。在图1所图示的场景中，如果车辆102遇到地理位置106处的条件104，则自主车辆控制系统可以接收位置特定辅助，否则(1)防止自主车辆控制系统导航区域108和/或(2)使得自主车辆控制系统在导航区域108时具有的置信水平下降到阈值水平以下。
地理位置106处的条件104可以是在没有位置特定辅助的情况下(1)防止自主车辆控制系统导航区域108和/或(2)使得自主车辆控制系统在导航区域108时具有的置信水平降至阈值水平以下的任何条件。可选地或附加地，条件104可以是在没有位置特定辅助来导航区域108时，自主车辆控制系统能够感知、解释和/或作出反应的情况之外的任何条件。条件104的示例可以包括雪覆盖车道标记、施工期间无标记车道、旗帜人员、车祸、横跨道路所有车道的化学品泄漏、安装在没有交叉路口或其他没有需要停车标志的结构的道路旁的停车标志、无法辨认的标牌。条件104可以包括错误、非法、冲突和/或要被忽略的数据模式。例如，来自道路附近的结构的眩光可能使得传感器112返回错误信息。条件104可以由从一个或多个传感器112获得的视觉和/或空间数据表示。
表示条件104的视觉和/或空间数据可能未被自主车辆控制系统正确地感知或解释。因此，在一些情况下，自主车辆控制系统可能不知道条件104实际上是什么，而是条件104包括它以视觉和/或空间数据为形式的表示。因为自主车辆控制系统很可能能够对普通条件进行感知、解释和/或作出反应，条件104可以是非寻常的条件。然而，条件104不一定必须是非寻常的。
如果遇到条件104，位置特定辅助可以被提供给自主车辆控制系统。通过当在地理位置106处检测到条件104时发现(并且然后跟随)人员先前跟随的路线114，位置特定辅助可以被提供。例如，在人员驾驶的车辆上的一个或多个传感器检测到地理位置106处的条件104之后，人员可能已经沿着路线114驾驶车辆。人员驾驶的车辆可以是与由自主车辆控制系统控制的车辆102不同的车辆。或者，人员驾驶的车辆可以是与现在由自主车辆控制系统控制的车辆102相同的车辆。无论如何，用于人员驾驶的车辆的系统可以已经确定检测到的条件104是这样的条件：自主车辆控制系统将(至少没有位置特定辅助)(1)防止自主车辆控制系统导航区域108和/或(2)使得自主车辆控制系统在导航区域108时具有的置信水平下降到阈值水平以下。在一些示例中，用于人员驾驶的车辆的系统可以尚未做出这样的确定。
人员驾驶的车辆和/或用于人员驾驶的车辆的系统可以使得关于路线114、检测到的条件104和地理位置106的信息可供随后由要接收位置特定辅助的自主车辆控制系统使用。可以通过例如车辆到万物(V2X)通信使该信息可用。V2X通信可以是涉及车辆作为消息的来源或目的地的任何通信。V2X通信的示例可以包括车辆到车辆(V2V)、车辆到基础设施(V2I)(例如，道路基础设施，其可以与或可以不与蜂窝基础设施同地协作)、车辆到网络(V2N)(例如，后端和/或因特网)和车辆到行人(V2P)通信。例如，可以通过从车辆102向远程处理设备传送关于路线114、检测到的条件104和地理位置106的信息来使信息可用。可选地或另外地，通过将信息存储在人员驾驶的车辆的存储器中，可以使得信息由人员驾驶的车辆的自主车辆控制系统随后使用。
如上所述，可以通过当在地理位置106处检测到条件104时发现并跟随人员驾驶的车辆先前所跟随的路线114，来提供位置特定辅助。可以通过在由用于人员驾驶的车辆的系统提供的信息数据库中搜索条件104和条件104的地理位置106来发现路线114。可选地或附加地，可以通过在由多个车辆提供的信息数据库中搜索条件104和条件104的地理位置106来发现路线114。
如果与条件104和条件104的地理位置106的匹配被发现，则自主车辆控制系统可以指导车辆102跟随路线114。
在一些示例中，信息数据库中与条件、条件的相应地理位置以及人员驾驶的车辆所跟随的路线有关的条目可能到期。换言之，如果人员驾驶的车辆在很久以前跟随了路线114(换言之，数据库中的对应条目已经到期)，则该路线可能不会被跟随和/或发现。或者，路线可以被跟随，但仅限于人类批准这样做。例如，如果路线在预定时间段或阈值时间段之外被跟随，则路线可以到期。
可选地或附加地，在一些示例中，仅在先前跟随路线114的人员被信任和/或路线114被信任的情况下，路线114可以被跟随。
可以使用任何信任机制来形成信任。例如，人员可以被预先认为为受信任的驾驶员。作为另一示例，如果在地理位置106处存在条件104的情况下最低数目的人员先前跟随了路线114，则可以信任路线114。
图2图示了向自主车辆控制系统提供位置特定辅助的示例系统的逻辑的流程图。操作可以包括比图2中所图示的操作更多、不同或更少的操作。可以以与图2中所图示不同的顺序执行操作。
操作可以在以下情况下开始：条件104在地理位置106处被标识(210)，条件104在车辆102的环境110中被感测到，并且在没有位置特定辅助的情况下防止自主车辆控制系统导航包括地理位置106的区域108和/或使得自主车辆控制系统在导航区域108时具有的置信水平下降到阈值水平以下。例如，可以通过从自主车辆控制系统接收条件104防止自主车辆控制系统导航包括地理位置106的区域108的指示，来标识(210)条件104。可选地或附加地，可以通过确定条件104(没有位置特定辅助)防止自主车辆控制系统导航区域108和/或使置信水平下降到阈值水平以下来标识(210)条件104。
当条件104存在于地理位置106处时由人员驾驶的车辆先前所跟随的路线114可以被发现(220)。例如，通过搜索条件和地理位置的数据库以与地理位置106处的条件104匹配，路线114可以被发现(220)。
在路线114被发现之后，可以使得(230)车辆102跟随先前由人员驾驶的车辆跟随的路线114。操作可以通过例如等待车辆102遇到需要位置特定辅助以便进一步导航的附加条件而结束。
图3图示了向自主车辆控制系统308提供位置特定辅助的系统300的示例。系统300可以包括处理器302和存储器304。存储器304可以包括位置特定辅助模块306和位置特定条件的数据库312。
处理器302可以与存储器304通信。在一些示例中，处理器302还可以与诸如一个或多个传感器112的附加元件通信。处理器302的示例可以包括通用处理器、中央处理单元、微控制器、服务器、专用集成电路(ASIC)、数字信号处理器、现场可编程门阵列(FPGA)、数字电路和/或模拟电路。
处理器302可以是可操作以执行逻辑的一个或多个设备。逻辑可以包括在存储器304或其他存储器中实现的计算机可执行指令或计算机代码，当由处理器302执行时，使得处理器302执行由逻辑实现的特征。计算机代码可以包括能够与处理器302一起执行的指令。
存储器304可以是用于存储和检索数据的任何设备或其任何组合。存储器304可以包括非易失性和/或易失性存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)和/或闪存。可选地或附加地，存储器304可以包括光学、磁(硬盘驱动器)或任何其他形式的数据存储设备。
位置特定辅助模块306可以是被配置有系统300的逻辑的任何模块，以向自主车辆控制系统308提供位置特定辅助。
位置特定条件的数据库312可以是任何类型的数据存储结构。例如，数据库312可以包括与条件、条件的相应地理位置和/或当自主车辆控制系统不能导航包括条件的区域时人员驾驶的车辆所跟随的路线有关的信息。例如，数据库312可以包括描述图1中所图示的条件104、地理位置106和路线114的信息。
自主车辆控制系统308可以是被配置为在没有人类输入的情况下导航区域(诸如图1中所图示的区域108)的任何控制系统。自主车辆控制系统308可以被配置为在没有人类输入的情况下对一个或多个传感器112感测的车辆102的环境110进行感知、解释和/或作出反应。自主车辆控制系统308可以被配置为在没有人类输入的情况下操纵车辆102。自主车辆控制系统308可以被配置为基于人工智能学习模型310来确定如何操纵和/或以其他方式控制车辆。
人工智能学习模型310的示例可以包括神经网络、深度学习神经网络和/或被配置为基于训练数据来检测模式的任何其他机器学习结构。人工智能学习模型310一旦被训练，就可以检测道路条件、对象和/或任何其他条件。可以利用训练数据训练人工智能模型310以检测、标识和/或分类检测到的对象。例如，对象可以由模型310标识为符号，并且然后被分类为停止符号。作为另一示例，对象可以由模型310标识为人类，然后被分类为不是人类的图片。模型310可以是全局的，因为模型310可以已经被训练以覆盖广泛且全面的预期驾驶环境和/或条件。可选地或附加地，通过利用来自特定地理地区或区域内的环境(诸如图1中所图示的区域108)的数据来训练模型310，模型310可以被局部化。可选地或附加地，模型310可以具有时间分量，使得模型310可以具有时间限制(诸如在开始时间和停止时间之间)的有用性。模型310可以包括一个或多个机器学习结构，每个机器学习结构被配置为基于训练数据来检测模式。
在一些示例中，自主车辆控制系统308无法导航区域108(或其置信水平下落到低于阈值水平)可以通过接收和/或获取克服该无法导航的第二学习模型314(一个或多个学习模式)来解决。换言之，位置特定辅助可以通过自主车辆控制系统308接收和/或获取第二学习模型314而被提供。在一些情况下，第二学习模型314可以具有时间分量，以便限制自主车辆控制系统308可以使用第二学习模型314的时间框架。自主车辆控制系统308的人工智能学习模型310(第一学习模型310)可以包括用于管理车道位置的全局模型，其中模型310检测车道标记和/或其他相关对象。然而，在一些示例中，必须通过基于模型310检测非典型对象和/或非典型位置中的对象(诸如图1中的条件104)(如以下示例：树、邮箱和/或地理位置106特有的任何其他对象)来计算针对车辆102跟随的路径，从而确定车道位置。第二学习模型314可以包括学习模型，该学习模型附加地或特别地利用条件104、条件104的地理位置106、和/或人员驾驶车辆跟随的路线114进行训练。可选地或附加地，第二学习模型314可以包括学习模型，该学习模型附加地或特别地利用位置特定条件的数据库312中的信息进行训练。如果车辆在区域108中，则自主车辆控制系统308可以通过应用第二学习模型314来导航区域108。如果车辆离开区域108，则自主车辆控制系统308可以通过应用第一学习模型310来导航。可选地或附加地，如果第二学习模型314具有时间分量，则自主车辆控制系统308可以通过在自主车辆控制系统308可以使用第二学习模型314的时间框架之外应用第一学习模型310来导航。
用于提供位置特定辅助的系统300可以生成第二学习模型314。可选地或附加地，自主车辆控制系统308或任何其他系统可以生成第二学习模块。
在一些示例中，第二学习模型314可以具有比第一学习模型310更高的计算需求。为了类比人类遇到的情况，考虑了人类在非典型情况下(诸如在暴风雪期间和/或在暴风雪过后立即地)驾驶。在暴风雪期间，人类可以相对于地标判断车道位置和/或将车道位置与现有车轮轨迹相关联。认知强度可以相对高，直到人类遇到“更容易”的条件，诸如犁过的道路(plowed road)，其仍然可能没有可见的车道标记，但是犁过的道路可能具有更“容易”识别的边界。在非典型情况期间第二学习模型314可以被应用，但是一旦车辆102遇到自主车辆控制系统308的标准能力内的条件，则第一学习模型310就可以被应用。
如果第二学习模型314具有计算需求，则自主车辆控制系统308可以使车辆102减速以给自己应用第二学习模型314的时间。可选地或附加地，位于车辆102中的单独系统或位于远程计算设备中的通信网络上的系统可以应用第二学习模型314。
每个组件可包括附加的、不同的或更少的组件。例如，位置特定辅助模块306可以包括多个模块。类似地，存储器304可以包括多个模块。可选地或附加地，存储器304可以不包括与条件、条件的相应地理位置和/或人员驾驶的车辆跟随的路线有关的信息的数据库312。位置特定信息的数据库312可以被包括在例如远程计算设备中。
系统300可以用附加的、不同的或更少的组件来实现。例如，系统300可以包括用于与其他车辆、自主车辆控制系统308和/或远程计算设备进行通信的通信硬件(未示出)。例如，远程计算设备可以包括与条件、条件的相应地理位置和/或人员驾驶的车辆跟随的路线有关的信息的数据库312。在一些示例中，提供位置特定辅助的系统300可以被包括在自主车辆控制系统308中，或者可以包括自主车辆控制系统308。
在一些示例中，远程计算设备可以根据由远程计算设备确定的可变学习模型集合来处理数据。变化可以基于天气、交通密度、同一道路上的收集器的数目以及其他条件。将收集的数据与记录车辆的物理性(physics)(诸如其地理位置)相关联使得能够远程处理并确定现有道路条件与预期标准或先前遇到的条件的差异。例如，由于远程设备系统可能更大的计算能力，远程设备中的系统可能能够将比车辆102中的自主车辆控制系统308更多种的学习模型应用于相同的输入数据。例如，第二学习模型314可以是被用于标识和/或分类意外条件的更大学习模型集合的一部分。可选地或附加地，第一学习模型310可以是远程设备中的学习模型集合的一部分。远程设备中的第一学习模型310可被用于验证自主车辆控制系统308中的第一学习模型310正在正确地操作。在一些示例中，远程设备中的系统可以生成全局和/或局部(静态或时间)学习模型更新，其被传播到车辆中的自主车辆控制系统308。
系统300可以以许多不同方式实现。诸如位置特定辅助模块306的每个模块可以是硬件或硬件和软件的组合。例如，每个模块可以包括专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电路、数字逻辑电路、模拟电路、分立电路的组合、门或任何其他类型的硬件或其组合。可选地或附加地，每个模块可以包括存储器硬件，诸如存储器304的一部分，例如其包括能够与处理器302或其他处理器一起执行以实现模块的一个或多个特征的指令。当模块中的任何一个模块包括存储器的、包含能够与处理器一起执行的指令的部分时，模块可以包括或不包括处理器。在一些示例中，每个模块可以仅仅是存储器304的一部分或其他物理存储器的一部分，其包括能够与处理器302或其他处理器一起执行的指令，以实现对应模块的特征而无需包括任何其他硬件的模块。因为即使当所包括的硬件包括软件时，每个模块也至少包括一些硬件，所以每个模块可以可互换地称为硬件模块，诸如位置特定辅助模块硬件模块。
存储在计算机可读存储介质中的一些特征被示出(诸如，作为计算机可执行指令实现的逻辑或存储器中的数据结构)。系统300的全部或部分及其逻辑和数据结构可以存储在一种或多种类型的计算机可读存储介质上、分布于一种或多种类型的计算机可读存储介质、或读自一种或多种类型的计算机可读存储介质。计算机可读存储介质的示例可包括硬盘、软盘、CD-ROM、闪存驱动器、高速缓存、易失性存储器、非易失性存储器、RAM、闪存或任何其他类型的计算机可读存储媒体或存储媒体。计算机可读存储介质可以包括任何类型的非暂时性计算机可读介质，诸如CD-ROM、易失性存储器、非易失性存储器、ROM、RAM或任何其他合适的存储设备。
系统300的处理能力可以被分布在多个实体之间(诸如多个处理器和存储器之间)，其可选地包括多个分布式处理系统。例如，系统300的一个或多个组件可以被包括在远程服务器中、云中、和/或网络附加存储(NAS)上。参数、数据库和其他数据结构可以被单独存储和管理，可以被合并到单个存储器或数据库中，可以以许多不同的方式在逻辑上和物理上被组织，并且可以用不同类型的数据结构(诸如链表、哈希表或隐式存储机制)来实现。诸如程序或电路的逻辑可以在多个程序之间被组合或分开，分布于若干存储器和处理器上。
图1中图示出的车辆102被示为汽车。然而，车辆102可以包括但不限于汽车、公共汽车、卡车、拖拉机、摩托车、自行车、三轮车、四轮车或其他自行车、船舶、潜艇、船或其他船只、直升机、无人驾驶飞机、飞机或其他飞机、火车、有轨电车或其他有轨车辆，航天飞机或其他航天器，以及任何其他类型的车辆，无论是当现已有的还是以后出现的。
地理位置106可以包括GPS坐标。可选地或附加地，地理位置106可以包括地理位置106的任何其他指示。地理位置106可以包括点、区域或甚至体积。
图1中图示出的区域108包括一段道路。然而，要由车辆102导航的区域108可以是任何其他类型的区域或空间。例如，区域108可以包括无人机要导航的大气空间的一部分。
短语“人类驾驶”或“人员驾驶”意味着人类控制。例如，人员驾驶的车辆可包括汽车、卡车、摩托车、船、飞机、直升机、无人机或任何其他类型的车辆。当控制车辆时，人类可以在或可以不在人员驾驶的车辆中。
车辆102的环境110可以是车辆102前方的区域(例如，在行进方向上)。可选地或附加地，环境110可以包括车辆102周围的任何区域，诸如右侧、左侧、后侧、上方和/或下方。车辆102的环境110可以包括在车辆102上的传感器范围内的区域。
一个或多个传感器112的示例可以包括相机、麦克风、立体相机、运动相机、雷达和/或激光雷达。可选地或附加地，一个或多个传感器112可以包括任何其他类型的传感器。
路线114可以包括路由或路径的指示。可选地或附加地，路线可以包括速度、加速度和/或路由或遍历路由的方式的任何其他物理特性。当路线114被跟随时，这可能意味着在一些示例中速度、加速度和/或其他物理特性被再现。
如上所述，可以通过当在地理位置106处检测到条件104时发现并跟随人员驾驶的车辆先前跟随的路线114，来提供位置特定辅助。可选地或附加地，位置特定辅助可以通过当在地理位置106处检测到条件104时发现并跟随第二自主车辆控制系统所确定的路线114来被提供。来自不同制造商的不同自主车辆控制系统(甚至来自单个制造商的不同版本)可能具有不同的能力。结果，即使第一自主车辆控制系统308无法或不能足够确信地发现路线114，路线114也可以由第二自主车辆控制系统来确定。数据库312例如可以包括与条件、条件的相应地理位置、和/或当这些车辆遇到条件时由第二自主车辆控制系统控制的车辆所跟随的路线相关的信息。可选地或附加地，数据库312可以包括与条件、条件的相应地理位置、和/或当自主车辆控制系统不能导航包括条件的区域时人员驾驶的车辆所跟随的路线相关的信息。
如果路线114能够由第二自主车辆控制系统确定但不能由第一自主车辆控制系统308确定，则针对第一自主车辆控制系统308的学习模型的更新的需要或者针对通过第二学习模型314的局部支持的需要可以被标识。随着系统的老化，它们依赖全局学习模型的能力可能会受到侵蚀，因为它们的反应对于更近期的系统而言会变得易出故障：例如，较旧系统在面对条件104时可能会采取规避操作，但是较新系统可能会将条件104识别为良性或适中的风险。即使较旧系统不知道较旧系统的导航能力存在任何问题，较旧系统也可能对其他系统构成风险。较旧系统可以被周围的本地车辆识别为风险。控制周围的本地车辆的较新系统可以接收更新以改善其处理较旧系统的能力。
无论所描述的特定实施方式如何，所有讨论本质上是示例性的，而不是限制性的。例如，尽管实施方式的所选方面、特征或组件被描绘为存储在存储器中，但是系统或系统的全部或一部分可以存储在其他计算机可读存储介质上、分布在其他计算机可读存储介质上或从其他计算机可读存储介质读取，例如，二级存储设备，诸如硬盘、闪存驱动器、软盘和CD-ROM。此外，各种模块和屏幕显示功能仅是这种功能的一个示例，并且包含类似功能的任何其他配置都是可能的。
可以在计算机可读存储介质上提供用于实现上述过程、方法和/或技术的相应逻辑、软件或指令。可以响应于存储在计算机可读介质中或存储在其上的一组或多组逻辑或指令来执行附图中示出或本文描述的功能、动作或任务。功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独或组合操作的软件、硬件、集成电路、固件、微代码等来执行。同样，处理策略可以包括多处理、多任务处理、并行处理等。在一些示例中，指令存储在可移动媒体设备上以供本地或远程系统读取。在其他示例中，逻辑或指令存储在远程位置以通过计算机网络或通过电话线传输。在其他示例中，逻辑或指令存储在给定计算机、中央处理单元(“CPU”)、图形处理单元(“GPU”)或系统内。
此外，尽管上文描述了特定组件，但本文描述的方法、系统和制品可包括附加的、更少的或不同的组件。例如，处理器可以实现为微处理器、微控制器、专用集成电路(ASIC)、离散逻辑或其他类型的电路或逻辑的组合。类似地，存储器可以是DRAM、SRAM、闪存或任何其他类型的存储器。标志、数据、数据库、表格、实体和其他数据结构可以单独存储和管理，可以合并到单个存储器或数据库中，可以是分布式的，或者可以以许多不同的方式在逻辑上和物理上组织。组件可以独立操作或者是相同程序或装置的一部分。组件可以驻留在单独的硬件上，诸如单独的可移动电路板、或共享公共硬件、诸如用于实现来自存储器的指令的相同存储器和处理器。程序可以是单个程序的一部分、单独的程序、或分布在多个存储器和处理器上。
可以说第二动作是“响应于”第一动作，而不管第二动作是直接地还是间接地来自第一动作。第二动作可以在比第一动作晚的多的时间发生，并且仍然响应于第一动作。类似地，即使在第一动作和第二动作之间发生介于中间的动作，并且即使一个或多个介入中间的动作直接使得第二动作被执行，也可以说第二动作响应于第一动作。例如，如果第一动作设置标志则第二动作可以响应于第一动作，并且每当设置标志时第三动作稍后启动第二动作。
为了阐明使用并以此方式向公众提供告知，短语“<A>、<B>、......和<N>中的至少一个”或“<A>、<B>、......<N>或其组合中的至少一个”或“<A>、<B>、......和/或<N>”由申请人在最广泛的意义上定义，取代上文或下文中的任何其他隐含定义，除非申请人明确声明相反，申请人的意思是指从包括A、B、......和N的组中选择的一个或多个要素。换言之，这些短语是指要素A、B、......或N中的一个或多个的任何组合，包括单独的任何一种要素或与一种或多种其他要素组合的一种要素，其还可以组合包括未列出的其他要素。
虽然已经描述了各种实施例，但是对于本领域普通技术人员来说显而易见的是，更多的实施例和实施方式是可能的。因此，这里描述的实施例是示例，而不是唯一可能的实施例和实施方式。
本公开的主题还可以涉及以下方面：
1.一种提供位置特定辅助的系统，系统包括：
处理器，被配置为：
标识地理位置处的条件，条件在车辆的环境中被感测到，并且第一自主车辆控制系统在没有位置特定辅助的情况下不能导航通过该条件；
发现地理位置处的路线，该路线是以下各项中的至少一项：由第二自主车辆控制系统所确定的，或者当所述条件存在于所述地理位置处时由人员驾驶的车辆所跟随的；以及
使得所述车辆跟随所述路线。
2.根据方面1的系统，其中路线经由利用训练数据来训练的学习模型的应用而被发现，该训练数据包括与在地理位置处被标识的条件相匹配的条件。
3.根据方面1到2中的任一方面的系统，其中利用训练数据来训练的学习模型仅在有限的时间框架内是可用的。
4.根据方面1到3中的任一方面的系统，其中如果第一自主车辆控制系统指示第一自主车辆控制系统在没有位置特定辅助的情况下不能对条件进行感知、解释和/或作出反应中的至少一种，则在没有位置特定辅助的情况下第一自主车辆控制系统不能导航通过该条件。
5.根据方面1到4中的任一方面的系统，其中响应于第一自主车辆控制系统在没有位置特定辅助的情况下不能对该条件进行感知、解释或作出反应中的至少一种的确定，该条件被标识。
6.根据方面1到5中的任一方面的系统，其中如果地理位置处的路线是以下各项中的至少一项，则该路线被发现：由第二自主车辆控制系统所确定的，或者在该条件被标识时的阈值时间段内由人员驾驶的车辆所跟随的。
7.根据方面1到6中的任一方面的系统，还包括利用位置特定条件的数据库来训练的第二学习模型，该数据库填充有来自人员驾驶的车辆或由第二自主车辆控制系统控制的车辆中的至少一种车辆的数据，其中处理器被配置为基于第二学习模型对在该地理位置处被标识的条件的应用来发现该路线。
8.一种自主车辆，该车辆包括：
处理器，被配置为：
标识地理位置处的条件，该条件在车辆环境中被感测到，并且第一自主车辆控制系统在没有位置特定辅助的情况下不能导航通过该条件；
发现地理位置处的路线，该路线是以下各项中的至少一项：由第二自主车辆控制系统所确定的，或者当该条件存在于地理位置处时由人员驾驶的车辆所跟随的；以及
使得车辆跟随先前由第二自主车辆控制系统所确定的路线和/或由人员驾驶的车辆所跟随的路线。
9.根据方面8的自主车辆，其中经由搜索条件和地理位置的数据库以与地理位置处的条件匹配，该路线被发现。
10.根据方面9的自主车辆，其中所述数据库在相对于所述车辆远程定位的服务器上。
11.根据方面8到10中的任一方面的自主车辆，其中如果第一自主车辆控制系统指示第一自主车辆控制系统在没有位置特定辅助的情况下不能对条件进行感知、解释和/或作出反应中的至少一种，则在没有位置特定辅助的情况下第一自主车辆控制系统不能导航通过该条件。
12.根据方面8到11的任一方面的自主车辆，其中响应于第一自主车辆控制系统在没有位置特定辅助的情况下不能对该条件进行感知、解释或作出反应中的至少一种的确定，该条件被识别。
13.根据方面8到12的任一方面的自主车辆，其中如果所述地理位置处的所述路线在所述条件被识别时的阈值时间段内由人员驾驶的车辆跟随，所述路线被发现。
14.根据方面8到13的任一方面的自主车辆，包括条件、地理位置和路线的数据库，该数据库填充有来自人员驾驶的车辆的数据，其中处理器被配置为经由该数据库的搜索来发现该路线。
15.一种方法，包括：
标识地理位置处的条件，该条件在在车辆环境中被感测到，并且该条件在没有位置特定辅助的情况下由以下各项中的至少一项来确定：
防止第一自主车辆控制系统导航包括该地理位置的区域，或者
使得第一自主车辆控制系统在导航该区域时具有的置信水平下降到低于阈值水平；
发现该地理位置处的路线，该路线是以下各项中的至少一项：由第二自主车辆控制系统所确定的，或者当条件存在于地理位置处时由人员驾驶的车辆所跟随的；以及
使得车辆跟随该地理位置处的该路线。
16.根据方面15的方法，其中发现该路线包括搜索条件和地理位置的数据库以与地理位置处的条件匹配。
17.根据方面16的方法，其中所述数据库在相对于所述车辆远程定位的服务器上。
18.根据方面15到17中的任一方面的方法，其中标识该条件包括从自主车辆控制系统接收该条件是以下各项中的一项的指示：防止第一自主车辆控制系统导航包括该地理位置的区域，或者使得置信水平下降到低于阈值水平。
19.根据方面15到18中的任一方面的方法，其中标识该条件包括确定条件在没有位置特定辅助的情况下防止自主车辆控制系统导航包括该地理位置的区域。
20.根据方面15到19中的任一方面的方法，其中发现路线包括发现在阈值时间段内由人员驾驶的车辆先前跟随的、地理位置处的路线。
21.一种计算机可读存储介质，包括计算机可执行指令，计算机可执行指令能够由处理器执行，计算机可执行指令包括：
可执行以标识地理位置处的条件的指令，该条件在车辆的环境中被感测到，并且在没有位置特定辅助的情况下，该条件是以下各项中的至少一项：
防止第一自主车辆控制系统导航包括地理位置的区域，或者
使得第一自主车辆控制系统在导航区域时具有的置信水平下降到低于阈值水平；
可执行以发现地理位置处的路线的指令，路线是以下各项中的至少一项：由第二自主车辆控制系统所确定的，或者当条件存在于地理位置处时由人员驾驶的车辆所跟随的；以及
可执行以使得车辆跟随路线的指令。

Claims (14)

1.一种提供位置特定辅助的系统，所述系统包括：
处理器，被配置为：
利用第一自主车辆控制系统基于第一人工智能学习模型来确定如何导航第一车辆，所述第一人工智能学习模型由来自所述第一车辆的至少一个传感器的第一传感器数据提供；
响应于所述第一自主车辆控制系统基于所述第一人工智能学习模型来确定如何导航所述第一车辆通过在地理位置处存在的条件的失败，接收第二人工智能学习模型，所述第二人工智能学习模型可用于预定时间框架，所述第二人工智能学习模型利用第二传感器数据进行训练，当所述条件存在于所述地理位置处并且通过所述条件的路线由第二自主车辆控制系统确定和/或由人员驾驶的车辆所跟随时，所述第二传感器数据被收集；
基于所述第二人工智能学习模型在所述预定时间框架内应用于第三传感器数据，来发现所述路线，所述第三传感器数据在所述地理位置处的所述第一车辆的环境中被感测；以及
使得所述第一车辆跟随所述路线。
2.根据权利要求1所述的系统，其中如果所述地理位置处的所述路线在所述条件被标识时的阈值时间段内，则所述路线被发现。
3.根据权利要求1所述的系统，其中所述第二人工智能学习模型利用位置特定条件的数据库而被训练，所述数据库填充有来自人员驾驶的车辆或由所述第二自主车辆控制系统控制的车辆中的至少一种车辆的数据。
4.一种自主车辆，所述自主车辆包括：
处理器，被配置为：
确定由于在所述自主车辆的环境中感测到的地理位置处的条件，第一自主车辆控制系统基于第一人工智能学习模型不能使所述自主车辆导航通过所述条件；
响应于所述第一自主车辆控制系统不能使所述自主车辆导航通过在所述地理位置处的所述条件的确定，接收第二人工智能学习模型，所述第二人工智能学习模型仅可用于预定时间框架，所述第二人工智能学习模型利用当所述条件存在于所述地理位置处并且通过所述条件的路线由第二自主车辆控制系统确定和/或由人员驾驶的车辆所跟随时收集的信息进行训练；
基于所述第二人工智能学习模型，发现所述地理位置处的所述路线；以及
使得所述自主车辆跟随先前由所述第二自主车辆控制系统所确定的所述路线和/或由所述人员驾驶的车辆所跟随的所述路线。
5.根据权利要求4所述的自主车辆，其中经由搜索条件和地理位置的数据库以与所述地理位置处的所述条件匹配，所述路线被发现。
6.根据权利要求5所述的自主车辆，其中所述数据库在相对于所述自主车辆远程定位的服务器上。
7.根据权利要求4所述的自主车辆，其中如果所述第一自主车辆控制系统指示所述第一自主车辆控制系统不能对所述条件进行感知、解释或作出反应中的至少一种，则所述第一自主车辆控制系统不能导航通过所述条件。
8.根据权利要求4所述的自主车辆，其中响应于所述第一自主车辆控制系统不能对所述条件进行感知、解释或作出反应中的至少一种的确定，所述条件被标识。
9.根据权利要求4所述的自主车辆，其中如果所述地理位置处的所述路线在所述条件被标识时的预定时间段内由所述人员驾驶的车辆跟随，所述路线被发现。
10.根据权利要求4所述的自主车辆，包括条件、地理位置和路线的数据库，所述数据库填充有来自人员驾驶的车辆的数据，其中所述处理器被配置为基于所述条件的匹配经由所述数据库的搜索来发现所述路线。
11.一种用于提供位置特定辅助的方法，包括：
确定地理位置处的条件，所述条件在车辆的环境中被感测到，所述条件防止基于第一人工智能学习模型的第一自主车辆控制系统导航包括所述地理位置的区域，和/或所述条件使得所述第一自主车辆控制系统在导航所述区域时的置信水平下降到低于阈值水平；
接收可用于预定时间框架的第二人工智能学习模型，所述第二人工智能学习模型利用当所述条件存在于所述地理位置处并且通过所述条件的路线由第二自主车辆控制系统确定和/或由人员驾驶的车辆所跟随时收集的传感器数据进行训练；
基于所述第二人工智能学习模型的应用来发现所述地理位置处的所述路线；以及
使得所述车辆跟随通过所述条件的所述地理位置处的所述路线。
12.根据权利要求11所述的方法，其中所述确定包括从所述第一自主车辆控制系统接收以下指示：所述条件防止所述第一自主车辆控制系统导航包括所述地理位置的所述区域和/或使得所述置信水平下降到低于所述阈值水平。
13.根据权利要求11所述的方法，其中发现所述路线包括发现在阈值时间段内由所述人员驾驶的车辆先前跟随的、所述地理位置处的所述路线。
14.一种非暂时性计算机可读存储介质，包括计算机可执行指令，所述计算机可执行指令能够由至少一个处理器执行以：
确定地理位置处的条件，所述条件在车辆的环境中被感测到，所述条件防止基于第一人工智能学习模型的第一自主车辆控制系统导航包括所述地理位置的区域，和/或所述条件使得所述第一自主车辆控制系统在导航所述区域时的置信水平下降到低于阈值水平；
接收可用于预定时间框架的第二人工智能学习模型，所述第二人工智能学习模型利用当所述条件存在于所述地理位置处并且通过所述条件的路线由第二自主车辆控制系统确定和/或由人员驾驶的车辆所跟随时收集的传感器数据进行训练；
基于所述第二人工智能学习模型的应用来发现所述地理位置处的所述路线；以及
使得所述车辆跟随通过所述条件的所述路线。
CN201780067720.1A 2016-09-20 2017-09-19 用于自主车辆控制系统的位置特定辅助 Active CN109891346B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/271,170 US10133273B2 (en) 2016-09-20 2016-09-20 Location specific assistance for autonomous vehicle control system
US15/271,170 2016-09-20
PCT/US2017/052268 WO2018057513A1 (en) 2016-09-20 2017-09-19 Location specific assistance for autonomous vehicle control system

Publications (2)

Publication Number Publication Date
CN109891346A CN109891346A (zh) 2019-06-14
CN109891346B true CN109891346B (zh) 2022-06-03

Family

ID=59968954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780067720.1A Active CN109891346B (zh) 2016-09-20 2017-09-19 用于自主车辆控制系统的位置特定辅助

Country Status (6)

Country Link
US (1) US10133273B2 (zh)
EP (1) EP3299921B1 (zh)
JP (1) JP7046957B2 (zh)
KR (1) KR102446518B1 (zh)
CN (1) CN109891346B (zh)
WO (1) WO2018057513A1 (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015225157A1 (de) * 2015-12-14 2017-06-14 Robert Bosch Gmbh Verfahren zum Übertragen, Empfangen und Verarbeiten von Datenwerten, sowie eine Übertragungs- und Empfangsvorrichtung
US20170253237A1 (en) * 2016-03-02 2017-09-07 Magna Electronics Inc. Vehicle vision system with automatic parking function
US10073463B2 (en) * 2017-01-16 2018-09-11 Nio Usa, Inc. Snow plow mode for autonomous driving
US10829149B1 (en) * 2017-03-01 2020-11-10 Zoox, Inc. Steering control for vehicles
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US11392133B2 (en) 2017-06-06 2022-07-19 Plusai, Inc. Method and system for object centric stereo in autonomous driving vehicles
US11042155B2 (en) 2017-06-06 2021-06-22 Plusai Limited Method and system for closed loop perception in autonomous driving vehicles
US10007269B1 (en) * 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
DE102017212835A1 (de) * 2017-07-26 2019-01-31 Robert Bosch Gmbh Steuerungssystem für ein autonomes Fahrzeug
JP6704890B2 (ja) * 2017-11-08 2020-06-03 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
CN108820042B (zh) * 2018-05-25 2020-04-10 东软集团股份有限公司 一种自动驾驶方法及装置
CN108810155B (zh) * 2018-06-19 2020-11-03 中国科学院光电研究院 一种车联网车辆位置信息可信度评价方法及系统
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
DE102018216182B4 (de) 2018-09-21 2021-01-14 Volkswagen Aktiengesellschaft Verfahren zum Bereitstellen einer Fahrwegsvorgabe
US11205093B2 (en) 2018-10-11 2021-12-21 Tesla, Inc. Systems and methods for training machine models with augmented data
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
JP7103201B2 (ja) * 2018-12-20 2022-07-20 トヨタ自動車株式会社 情報処理システム、プログラム、及び情報処理方法
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11150664B2 (en) 2019-02-01 2021-10-19 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
WO2021040060A1 (ko) * 2019-08-23 2021-03-04 엘지전자 주식회사 차량용 전자 장치 및 그의 동작 방법
CN112572461B (zh) * 2019-09-30 2022-10-21 阿波罗智能技术(北京)有限公司 控制车辆的方法、装置、设备和存储介质
EP3819888B1 (en) * 2019-11-05 2023-12-27 Valeo Comfort and Driving Assistance Vehicle system of a vehicle for detecting and validating an event using a deep learning model
JP7214011B2 (ja) * 2019-12-13 2023-01-27 三菱電機株式会社 自動運転及び運転支援システム、自動運転支援装置、自動運転及び運転支援方法、自動運転支援方法、及び自動運転支援プログラム
US11551456B2 (en) 2020-06-17 2023-01-10 Ford Global Technologies, Llc Enhanced infrastructure
TWM609758U (zh) * 2020-10-01 2021-04-01 白聖弘 車輛事故軌跡標記裝置
EP4202586A1 (en) * 2021-12-21 2023-06-28 Waymo Llc User interface for recommending remote assistance actions
GB2617324A (en) * 2022-03-31 2023-10-11 Cambridge Animal Tech Ltd Animal condition monitoring
EP4439519A1 (en) * 2023-03-31 2024-10-02 Volvo Car Corporation Method for operating a vehicle being configured for driving in an autonomous drive mode, method for controlling a vehicle being subject to an interrupted autonomous drive mode, method for providing a driving record by a vehicle, data processing apparatus, computer program, computer-readable storage medium, and traffic system

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040107042A1 (en) * 2002-12-03 2004-06-03 Seick Ryan E. Road hazard data collection system and method
JP2005062854A (ja) * 2003-07-28 2005-03-10 Toyota Mapmaster:Kk 道路地図更新方法
US8139109B2 (en) 2006-06-19 2012-03-20 Oshkosh Corporation Vision system for an autonomous vehicle
US9932033B2 (en) * 2007-05-10 2018-04-03 Allstate Insurance Company Route risk mitigation
US20090140887A1 (en) 2007-11-29 2009-06-04 Breed David S Mapping Techniques Using Probe Vehicles
US8478499B2 (en) 2010-06-07 2013-07-02 Ford Global Technologies, Llc System and method for vehicle speed monitoring using historical speed data
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US9771070B2 (en) * 2011-12-09 2017-09-26 GM Global Technology Operations LLC Method and system for controlling a host vehicle
DE102012201896A1 (de) 2012-02-09 2013-08-14 Robert Bosch Gmbh Fahrerassistenzverfahren und Fahrerassistenzsystem für verschneite Straßen
US8718861B1 (en) * 2012-04-11 2014-05-06 Google Inc. Determining when to drive autonomously
US9008890B1 (en) * 2013-03-15 2015-04-14 Google Inc. Augmented trajectories for autonomous vehicles
US8849494B1 (en) * 2013-03-15 2014-09-30 Google Inc. Data selection by an autonomous vehicle for trajectory modification
DE102013205840A1 (de) * 2013-04-03 2014-10-09 Robert Bosch Gmbh Automatisches Befahren einer Strecke
US9147353B1 (en) 2013-05-29 2015-09-29 Allstate Insurance Company Driving analysis using vehicle-to-vehicle communication
JP6260114B2 (ja) * 2013-05-31 2018-01-17 株式会社デンソー 走行路情報生成装置
EP2821307B1 (en) * 2013-07-03 2016-09-28 Volvo Car Corporation A vehicle system, a vehicle and a method for autonomous road irregularity avoidance
US9528834B2 (en) 2013-11-01 2016-12-27 Intelligent Technologies International, Inc. Mapping techniques using probe vehicles
KR20150066303A (ko) * 2013-12-06 2015-06-16 한국전자통신연구원 운전자의 주행 패턴을 반영하는 자율 주행 장치 및 그 방법
US9037337B1 (en) * 2013-12-13 2015-05-19 Lenovo Enterprise Solutions (Singapore) Pte. Ltd. Secondary sources of navigation data for improved control of an automonous vehicle
US20150166069A1 (en) * 2013-12-18 2015-06-18 Ford Global Technologies, Llc Autonomous driving style learning
US9511764B2 (en) * 2014-02-28 2016-12-06 Ford Global Technologies, Llc Semi-autonomous mode control
US9720410B2 (en) * 2014-03-03 2017-08-01 Waymo Llc Remote assistance for autonomous vehicles in predetermined situations
US9465388B1 (en) * 2014-03-03 2016-10-11 Google Inc. Remote assistance for an autonomous vehicle in low confidence situations
US9547989B2 (en) * 2014-03-04 2017-01-17 Google Inc. Reporting road event data and sharing with other vehicles
US9365213B2 (en) * 2014-04-30 2016-06-14 Here Global B.V. Mode transition for an autonomous vehicle
JP6326968B2 (ja) 2014-05-26 2018-05-23 日産自動車株式会社 運転支援システム及び運転支援方法
JP2015230573A (ja) * 2014-06-05 2015-12-21 アルパイン株式会社 車両運転支援装置、方法およびプログラム
JP6326990B2 (ja) 2014-06-10 2018-05-23 株式会社デンソー 車両用運転支援装置
US9766625B2 (en) 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
JP6375754B2 (ja) * 2014-07-25 2018-08-22 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
KR20160013713A (ko) * 2014-07-28 2016-02-05 현대자동차주식회사 자율주행차량의 전역경로 생성장치 및 방법
US9663112B2 (en) * 2014-10-09 2017-05-30 Ford Global Technologies, Llc Adaptive driver identification fusion
US9459626B2 (en) * 2014-12-11 2016-10-04 Here Global B.V. Learning signs from vehicle probes
JP6176263B2 (ja) * 2015-01-19 2017-08-09 トヨタ自動車株式会社 自動運転装置
EP3845427A1 (en) * 2015-02-10 2021-07-07 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US9494439B1 (en) * 2015-05-13 2016-11-15 Uber Technologies, Inc. Autonomous vehicle operated with guide assistance of human driven vehicles
US9587952B1 (en) * 2015-09-09 2017-03-07 Allstate Insurance Company Altering autonomous or semi-autonomous vehicle operation based on route traversal values
US20170074667A1 (en) * 2015-09-14 2017-03-16 Michael H. Laur Seasonal navigation system for automated vehicles
US9969329B2 (en) * 2015-09-16 2018-05-15 Sony Corporation System and method for generation of a preventive alert
US9840252B2 (en) * 2015-12-03 2017-12-12 International Business Machines Corporation System and method for vehicle assisted response to road conditions
DE102015225242A1 (de) * 2015-12-15 2017-06-22 Volkswagen Aktiengesellschaft Verfahren und System zur automatischen Steuerung eines Folgefahrzeugs mit einem Scout-Fahrzeug
US9956956B2 (en) * 2016-01-11 2018-05-01 Denso Corporation Adaptive driving system
US9625264B1 (en) * 2016-01-20 2017-04-18 Denso Corporation Systems and methods for displaying route information
US10239529B2 (en) * 2016-03-01 2019-03-26 Ford Global Technologies, Llc Autonomous vehicle operation based on interactive model predictive control
US9791857B2 (en) * 2016-03-10 2017-10-17 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for monitoring and alerting vehicle occupant to operating efficiencies of autonomous driving assistance systems
US20170329331A1 (en) * 2016-05-16 2017-11-16 Magna Electronics Inc. Control system for semi-autonomous control of vehicle along learned route

Also Published As

Publication number Publication date
EP3299921A1 (en) 2018-03-28
KR102446518B1 (ko) 2022-09-22
EP3299921B1 (en) 2021-08-11
WO2018057513A1 (en) 2018-03-29
KR20190058520A (ko) 2019-05-29
US10133273B2 (en) 2018-11-20
US20180081362A1 (en) 2018-03-22
JP2019536690A (ja) 2019-12-19
CN109891346A (zh) 2019-06-14
JP7046957B2 (ja) 2022-04-04

Similar Documents

Publication Publication Date Title
CN109891346B (zh) 用于自主车辆控制系统的位置特定辅助
US20200216064A1 (en) Classifying perceived objects based on activity
KR102544948B1 (ko) 모션 그래프 구성 및 차선 레벨 루트 계획
US12112535B2 (en) Systems and methods for effecting map layer updates based on collected sensor data
US11513518B2 (en) Avoidance of obscured roadway obstacles
US11814046B2 (en) Estimating speed profiles
US12060083B2 (en) Planning with dynamic state a trajectory of an autonomous vehicle
WO2018175808A1 (en) Dynamic sensor selection for self-driving vehicles
CN113196291A (zh) 自动选择用于注释的数据样本
US20240075927A1 (en) Estimating speed profiles
CN115079687A (zh) 用于自主运载工具的系统、方法和存储介质
CN115552198A (zh) 使用无人机数据产生用于自主车辆导航的高清地图
US12091016B2 (en) Vehicle route modification to improve vehicle location information
US20230221128A1 (en) Graph Exploration for Rulebook Trajectory Generation
CN115220439A (zh) 用于运载工具的系统和方法以及存储介质
US20240123975A1 (en) Guided generation of trajectories for remote vehicle assistance
US20240042993A1 (en) Trajectory generation utilizing diverse trajectories
US11926342B2 (en) Autonomous vehicle post-action explanation system
KR20210109615A (ko) 활동에 기초한 인지된 대상체 분류
US12122417B2 (en) Discriminator network for detecting out of operational design domain scenarios
US20240051568A1 (en) Discriminator network for detecting out of operational design domain scenarios
US20240051581A1 (en) Determination of an action for an autonomous vehicle in the presence of intelligent agents
US20240059302A1 (en) Control system testing utilizing rulebook scenario generation
EP4389551A1 (en) A computer-implemented method for managing an operational design domain s expansion for an automated driving system
Kumpakeaw et al. Semantic road maps for autonomous vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20200616

Address after: Ontario, Canada

Applicant after: BlackBerry Ltd.

Address before: Ontario, Canada

Applicant before: 2236008 Ontario Inc.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant