CN110225852B - 用于自主车辆的反馈 - Google Patents

Abstract

控制器在行驶期间接收传感器数据并将其提供给服务器系统。乘客还以总体评级、行驶异常标记和道路异常标记中的一些或全部的形式提供关于行驶的反馈。传感器数据和反馈被输入到训练算法，诸如深度强化学习算法，所述深度强化学习算法更新人工智能(AI)模型。然后，更新的模型被传播到一个或多个自主车辆的控制器，然后所述控制器使用更新的AI模型执行自主导航和碰撞避免。

Description

用于自主车辆的反馈

背景技术

技术领域

本发明涉及操作自主车辆。

发明背景

自主车辆变得越来越重要，并在日常基础上得到利用。在自主车辆中，控制器依靠传感器来检测周围的障碍物和路面。控制器实施逻辑，所述逻辑使得能够控制转向、制动和加速以到达目的地并避免碰撞。

本文公开的系统和方法提供了用于实施自主车辆的控制逻辑的改进方法。

发明内容

在本发明的一个方面，一种方法包括：从自主车辆的乘客接收一个或多个输入；从所述自主车辆接收传感器数据；并且根据所述一个或多个输入和所述传感器数据更新所述自主车辆的控制逻辑以获得更新的控制逻辑。

自主车辆的控制逻辑可以实施人工智能(AI)模型。

在一些实施例中，更新所述自主车辆的控制逻辑包括根据所述一个或多个输入和所述传感器数据使用深度强化学习算法来更新所述AI模型。

在一些实施例中，所述一个或多个输入包括驾驶异常的报告。在一些实施例中，所述一个或多个输入包括车道偏离的报告。在一些实施例中，所述一个或多个输入包括转弯期间的偏离的报告。

在一些实施例中，接收所述一个或多个输入包括从所述乘客的移动装置接收所述一个或多个输入。在一些实施例中，接收所述一个或多个输入包括接收用户对在所述移动装置上显示的映射图上的一个或多个位置的选择以及对应于道路异常和驾驶异常中的至少一者的所述一个或多个位置的指示。

在一些实施例中，所述传感器数据包括光检测和测距(LIDAR)传感器、无线电检测和测距(雷达)传感器以及一个或多个相机中的至少一者的输出。

在一些实施例中，所述方法还包括：由所述自主车辆的控制器接收一个或多个传感器的输出；并且由所述控制器使用根据所述更新的控制逻辑处理的所述输出自主地驾驶所述自主车辆。

还公开并要求保护相对应的系统。

附图说明

为了易于理解本发明的优点，将通过参考附图中所示的特定实施例来呈现对上面简要描述的本发明的更具体的描述。在理解这些附图仅描绘了本发明的典型实施例并且因此不被认为是对其范围的限制之后，将通过使用附图来用附加的特性和细节来描述和解释本发明，在附图中：

图1是实施根据本发明的实施例的系统的部件的示意性框图；

图2是适合于实施根据本发明的实施例的方法的示例计算装置的示意性框图；

图3是根据本发明的实施例的用于基于乘客反馈来更新控制逻辑的方法的过程流程图；

图4示出了根据本发明的实施例的用于接收乘客反馈的界面。

具体实施方式

参考图1，本文公开的方法可以使用所示的系统100来执行。如本文更详细地讨论的，控制器102可以针对容纳控制器102的车辆执行自主导航和碰撞避免。车辆可以具有本领域已知的任何车辆的所有结构和特征，包括车轮、联接到车轮的传动系、联接到传动系的发动机、转向系统、制动系统和本领域已知的包括在车辆中的其他系统。

控制器102可以从一个或多个外部传感器104接收一个或多个输出。例如，一个或多个相机106a可以安装到车辆100，并将图像流输出到控制器102。外部传感器104可以包括传感器，诸如超声波传感器106b、雷达(无线电检测和测距)传感器106c、LIDAR(光检测和测距)传感器106d、声纳(声音导航和测距)传感器106e等。

控制器102可以执行自主操作模块108，自主操作模块108接收外部传感器104的输出。自主操作模块108可以包括障碍物识别模块110a、碰撞预测模块110b和决策模块110c。障碍物识别模块110a分析外部传感器的输出并识别潜在的障碍物，包括人、动物、车辆、建筑物、路缘以及其他物体和结构。特别地，障碍物识别模块110a可以识别传感器输出中的车辆图像。

碰撞预测模块110b基于车辆100的当前轨迹或当前预期路径预测哪些障碍物图像可能与车辆100碰撞。碰撞预测模块110b可以评估与由障碍物识别模块110a识别的物体碰撞的可能性。决策模块110c可以做出停止、加速、转弯等的决策，以避免障碍物。碰撞预测模块110b预测潜在碰撞的方式和决策模块110c采取行动以避免潜在碰撞的方式可以根据自主车辆领域中已知的任何方法或系统。

决策模块110c可以控制车辆的轨迹以导航到期望的目标，同时避免障碍物。例如，决策模块110c可以激活控制车辆100的方向和速度的一个或多个执行器112。例如，执行器112可以包括转向执行器114a、加速器执行器114b和制动执行器114c。执行器114a-114c的配置可以根据自主车辆领域中已知的这种执行器的任何实施方式。

在实施例中，障碍物识别模块110a、碰撞预测模块110b和决策模块110c中的一些或全部的上述功能可以由人工智能(AI)模型116实施。AI模型116可以是机器学习模型，诸如深层神经网络(DNN)、贝叶斯机器学习模型等。在一些实施例中，由GOOGLE提供的深度强化学习算法可以用于生成AI模型116。

控制器102可以与服务器系统118进行数据通信。例如，控制器102可以与一个或多个蜂窝通信塔120进行数据通信，所述蜂窝通信塔120通过网络122(诸如局域网(LAN)、广域网(WAN)、互联网或任何其他无线或有线网络连接)与服务器系统118进行数据通信。

服务器系统118可以托管或访问数据库124。数据库124可以存储行驶(ride)报告126。行驶报告126可以包括用户反馈128a。如下所描述的，反馈128a可以是在行驶期间或之后从乘客接收的反馈。例如，自主操作模块108可以包括反馈模块110d，乘客通过所述反馈模块110d提供反馈，如根据下面描述的方法所描述的。行驶报告126还可以包括用于每次行驶的传感器数据128b，诸如用于外部传感器104中的一些或全部的传感器数据中的一些或全部。

如下文所描述的，用户可以借助于诸如移动电话、平板计算机可穿戴计算机的移动装置130来提供反馈。本文归属于移动装置130的功能也可以由台式计算机或膝上型计算机或任何其他类型的计算装置来执行。在一些实施例中，移动装置130可以直接与服务器118通信或者通过控制器102或一些其他中间计算装置进行通信。

如下文更详细描述的，数据库124还可以包括一定版本的AI模型116。如下所描述的，AI模型116可以由服务器系统118响应于行驶报告126来更新。更新的AI模型116可以被传输到一个或多个车辆的控制器102，以替换控制器访问的先前版本的AI模型116。

图2是示出示例计算装置200的框图。计算装置200可以被用来执行各种程序，诸如本文所讨论的那些程序。控制器102、服务器系统118和移动装置130可以具有计算装置200中的一些或全部属性。

计算装置200包括全部都联接至总线212的一个或多个处理器202、一个或多个存储器装置204、一个或多个接口206、一个或多个大容量存储装置208、一个或多个输入/输出(I/O)装置210和显示装置230。处理器202包括执行存储在存储器装置204和/或大容量存储装置208中的指令的一个或多个处理器或控制器。处理器202还可以包括各种类型的计算机可读介质，诸如高速缓冲存储器。

存储器装置204包括各种计算机可读介质，诸如易失性存储器(诸如，随机存取存储器(RAM)214)和/或非易失性存储器(诸如，只读存储器(ROM)216)。存储器装置204还可以包括可重写ROM，诸如快闪存储器。

大容量存储装置208包括各种计算机可读介质，诸如磁带、磁盘、光盘、固态存储器(诸如，快闪存储器)等。如图2中所示的，特定大容量存储装置是硬盘驱动器224。各种驱动器也可以包括在大容量存储装置208中，以支持从各种计算机可读介质进行读取和/或写入各种计算机可读介质。大容量存储装置208包括可移除介质226和/或不可移除介质。

I/O装置210包括允许将数据和/或其他信息输入到计算装置200中或从计算装置200检索数据和/或其他信息的各种装置。示例I/O装置210包括光标控制装置、键盘、小键盘、传声器、监视器或其他显示装置、扬声器、打印机、网络接口卡、调制解调器、透镜、CCD或其他图像捕获装置等。

显示装置230包括能够向计算装置200的一个或多个用户显示信息的任何类型的装置。显示装置230的示例包括监视器、显示终端、视频投影装置等。

接口206包括允许计算装置200与其他系统、装置或计算环境交互的各种接口。示例接口206包括任何数量的不同网络接口220，诸如到局域网(LAN)、广域网(WAN)、无线网络和互联网的接口。其他接口包括用户接口218和外围装置接口222。接口206还可以包括一个或多个外围接口，诸如用于打印机、定点装置(鼠标、跟踪板等)、键盘等的接口。

总线212允许处理器202、存储器装置204、接口206、大容量存储装置208、I/O装置210和显示装置230彼此通信以及与联接到总线212的其他装置或部件通信。总线212表示几种类型的总线结构中的一个或多个，诸如系统总线、PCI总线、IEEE 1394总线、USB总线等。

出于说明的目的，虽然程序和其他可实行程序部件在本文中被示出为离散的框，但是应理解，所述程序和部件可以在各种时间驻留在计算装置200的不同存储部件中，并且由处理器202实行。替代地，本文所描述的系统和程序可以用硬件或硬件、软件和/或固件的组合来实施。例如，可以编程一个或多个专用集成电路(ASIC)以执行本文描述的系统和过程中的一者或多者。

参考图3，所示的方法300可以由服务器系统118与乘客的移动装置130和乘客已经行驶或正在行驶的自主车辆的控制器102协作来执行。

方法300可以包括在移动装置130上向客户呈现302界面，用于从乘客接收关于行驶的反馈。用于填充界面的数据可以由服务器系统118传输到移动装置130。例如，控制器102可以向服务器系统118或直接向移动装置130传输行驶的数据。行驶的数据可以包括行驶的路线和一个或多个车辆信号，诸如在行驶期间从外部传感器104获得的信号。

控制器102或服务器系统118还可以定义界面，并将其提供给移动装置130进行显示，诸如以网页的形式。替代地，控制器102或服务器系统118可以向在移动装置130上执行的应用程序提供定义界面的数据，然后所述应用程序在移动装置130上呈现界面。

在又一实施例中，用于定义界面的数据由控制器102直接提供给移动装置130，诸如通过无线网络连接。

图4示出了示例界面。所述界面可以包括映射图400，映射图400示出了街道、地标、街道和地标的标签以及本领域已知的可以包括在映射图中的任何其他信息。如本领域中已知的，所述映射图可以叠加在由映射图表示的区域的卫星图像上。

界面可以包括界面要素404，用户可以选择界面要素404以便提供行驶的评级，例如正评级或负评级、值从1至N的选择，其中N表示没有问题，1表示行驶质量差。

界面可以包括叠加在映射图上的行驶期间车辆路径的渲染402。界面可以接收用户输入，所述用户输入指定在行驶期间发生异常的位置406、408。在一些实施例中，界面可以接收异常类型的乘客指定。例如，界面要素410可以使乘客能够标记行驶异常的位置。例如，在选择界面要素410之后，路径102上的后续选择可以被解释为行驶异常的用户指定。界面还可以接收行驶异常类型的用户指定，即乘客感觉到的车辆的自主动作未被很好地执行，诸如偏离车道、转弯太快或偏离适当的路径等。

界面可以包括界面要素412，所述界面要素412使得乘客能够指定路径映射图400上的选定点对应于道路异常，例如坑洞、关闭车道、道路建设、堵塞道路、事故等。

再次参考图3，方法300可以包括由服务器系统118接收304通过在步骤302处呈现的界面的反馈，诸如上面关于图4的界面描述的反馈中的一些或全部。方法300还包括由服务器系统118接收306传感器数据。这可以包括对于外部传感器104中的一些或全部，通过所述传感器在整个行驶过程中接收一组传感器读数。因此，步骤306可以包括接收从一个或多个相机106a接收的一组图像、超声波传感器106b的输出流、来自雷达106c的雷达读数、来自LIDAR传感器106d的一组点云、以及来自声纳传感器106e的一组声纳读数中的一些或全部。

在一些实施例中，在步骤306处，可以从控制器102接收车辆100在整个行驶过程中的GPS(全球定位系统)坐标，例如时间点和所述时间点的GPS坐标。

在一些实施例中，在步骤306处接收的数据可以包括决策模块110c的输出，即由决策模块110c调用的动作，诸如执行器112的激活。在步骤306处接收的数据可以包括描述行驶期间由障碍物识别模块110a检测到的障碍物的位置和/或相对速度以及行驶期间由碰撞预测模块110b识别的预测碰撞的位置的数据。

方法300还可以包括根据步骤304的反馈和步骤306的传感器数据两者来训练308模型。例如，模型可以是AI模型116。各种机器学习模型使得能够使用附加训练数据来重复训练模型。例如，AI模型116可以是深度强化学习模型，诸如由GOOGLE提供的模型。

在这种情况下，训练308模型可以包括使用传感器数据作为输入并且决策模块110c的决策作为输出。在一些实施例中，步骤308可以包括使用数十、数百或甚至数千个数据集训练模型，其中每个数据集包括来自一次行驶的步骤304和306的数据。反馈体现为乘客的总体评级以及关于特定行驶异常的反馈。如深度强化学习模型领域中已知的，可以基于所述反馈来训练所述模型，以促进被乘客高度评级的动作，即高度评级且平安无事的行驶，并减少出现在低评级行驶中或被乘客标记为异常的动作的发生。

在一个示例中，如果在行驶的特定区段期间，乘客感觉到控制器100使车辆采取激进的转弯，则乘客将通过以评级的形式的反馈来通知服务器系统118，如上所描述的。可以从多个乘客(包括经过同一转弯并提供反馈的多个乘客)接收反馈。如果从所述区域周围的多个乘客接收到较低的评级，即服务器系统118将使用所述反馈和在所述异常周围记录的传感器数据来训练模型116。通过一段时间内的多个这种数据集，深度强化学习有助于实现使某种累积奖励最大化的解决方案。因此，如果系统接收到上述转弯的各种较低等级，则使用这种方法，模型116将学习在转弯处的异常，并且潜在地改变控制策略，这在某种情况下可能意味着更保守的转弯或者甚至完全不同的路线。

在另一示例中，乘客采取的每次行驶可以表示为一系列状态-动作对，其中车辆的状态对应于传感器值，并且动作对应于控制输出(例如，转向角)。然后，可以在诸如Deep-Q网络的深度强化学习方案中使用具有相对应状态-动作序列的新评级中的每一批。随着新的评级被累积，网络将收敛在增加由乘客给出的评级的控制策略上。

在训练之后，被训练的AI模型116然后可以用于更新310一个或多个车辆的控制器102。例如，通过网络122和一个或多个蜂窝天线120或通过到控制器102的有线连接将更新的AI模型传输到控制器102。然后，这些车辆的控制器102可以使用更新的AI模型116执行障碍物避免和自主导航。

在以上公开中，已经参考了附图，所述附图形成了本发明的一部分，并且其中通过所示的方式示出可以实践本公开的具体实施方式。应理解，在不脱离本公开的范围的情况下，可以利用其他实施方式并且可以进行结构改变。说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用表示所描述的实施例可以包括特定特征、结构或特性，但是每个实施例可能未必包括特定的特征、结构或特性。而且，这种短语不一定是指同一实施例。此外，当结合实施例描述特定特征、结构或特性时，所服从的是，无论是否明确描述，结合其他实施例影响这些特征、结构或特性在本领域技术人员的知识范围内。

本文公开的系统、装置和方法的实施方式可以包括或利用专用或通用计算机，其包括计算机硬件，诸如像本文所讨论的一个或多个处理器和系统存储器。本公开范围内的实施方式还可以包括用于携载或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。此类计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携载计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本公开的实施方式可以包括至少两种截然不同的计算机可读介质：计算机存储介质(装置)和传输介质。

计算机存储介质(装置)包括RAM、ROM、EEPROM、CD-ROM、固态驱动器(“SSD”)(例如，基于RAM)、快闪存储器、相变存储器(“PCM”)、其他类型的存储器、其他光盘存储装置、磁盘存储装置或其他磁存储装置、或可用于存储呈计算机可执行指令或数据结构的形式的期望的程序代码手段并可以由通用或专用计算机访问的任何其他介质。

本文公开的装置、系统和方法的实施方式可以通过计算机网络进行通信。“网络”被定义为能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当信息通过网络或另一通信连接(硬连线、无线或硬连线或无线的组合)传递或提供给计算机时，计算机正确地将连接视为传输介质。传输介质可以包括网络和/或数据链路，所述网络和/或数据链路可以用于携载呈计算机可执行指令或数据结构的形式的期望的程序代码手段，并且可以由通用或专用计算机访问。上述的组合也应包括在计算机可读介质的范围内。

例如，计算机可执行指令包括在处理器上执行时致使通用计算机、专用计算机或专用处理装置执行特定功能或功能组的指令和数据。计算机可执行指令可以是诸如二进制代码、诸如汇编语言的中间格式指令、或者甚至源代码。尽管用结构特征和/或方法动作专用的语言描述了本主题，但应理解，所附权利要求书中限定的主题不必限于以上描述的特征或动作。而是，所描述的特征和动作被公开为实施权利要求的示例形式。

本领域技术人员将理解，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践，所述计算机系统配置包括内置式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器的或可编程的消费电子装置、网络PC、小型计算机、大型计算机、移动电话、PDA、平板电脑、寻呼机、路由器、交换机、各种存储装置等等。本公开还可以在分布式系统环境中实践，其中通过网络链接(通过硬连线数据链路、无线数据链路或者通过硬连线和无线数据链路的组合)的本地和远程计算机系统两者都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置两者中。

此外，在适当的情况下，可以在以下中的一个或多个中执行本文描述的功能：硬件、软件、固件、数字部件或模拟部件。例如，可以编程一个或多个专用集成电路(ASIC)以执行本文描述的系统和过程中的一者或多者。在整个说明书和权利要求中使用某些术语来指代特定的系统部件。如本领域技术人员应理解的，可以通过不同的名称来指代部件。本文件不意图区分名称不同但功能相同的部件。

应注意，上面讨论的传感器实施例可以包括计算机硬件、软件、固件或其任何组合以执行其功能的至少一部分。例如，传感器可以包括被配置成在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。这些示例装置在本文中被提供用于说明的目的，并且不意图是限制性的。如相关领域的技术人员将知道的，本公开的实施例可以在另外的类型的装置中实施。

本公开的至少一些实施例涉及计算机程序产品，其包括存储在任何计算机可用介质上的这种逻辑(例如，以软件的形式)。这种软件当在一个或多个数据处理装置中执行时使装置如本文所描述的进行操作。

虽然上面已经描述了本公开的各种实施例，但是应理解，它们仅以示例的方式呈现并且不是限制。对于相关领域的技术人员明显的是，在不脱离本公开的精神和范围的情况下，可以在其中进行形式和细节方面的各种改变。因此，本公开的广度和范围不应受任何上述示例性实施例的限制，而应仅根据以下权利要求及其等同物来限定。已经出于说明和描述的目的呈现了前面的描述。其并非意图穷举或将本公开限制于所公开的精确形式。鉴于上述教导，许多修改和变化都是可能的。此外，应注意，任何或全部的上述替代性实施方式都可能以期望的任何组合使用，以形成本公开的附加混合实施方式。

Claims (20)

1.一种用于自主车辆的反馈的方法，其包括由计算机系统：

从自主车辆的第一乘客接收第一输入，所述第一输入表示与所述第一乘客的第一行驶过程的第一区段的第一反馈；

从自主车辆的第二乘客接收第二输入，所述第二输入表示与所述第二乘客的第二行驶过程的第二区段的第二反馈，其中所述第一行驶过程的第一区段和第二行驶过程的第二区段包括同一地点；

从所述自主车辆接收与所述同一地点相关的传感器数据；和

根据所述第一输入、所述第二输入和所述传感器数据更新所述自主车辆的控制逻辑以获得更新的控制逻辑。

2.如权利要求1所述的方法，其中所述自主车辆的所述控制逻辑实施人工智能(AI)模型。

3.如权利要求2所述的方法，其中更新所述自主车辆的控制逻辑包括根据所述第一输入、所述第二输入和所述传感器数据使用深度强化学习算法来更新所述人工智能模型。

4.如权利要求1所述的方法，其中所述第一输入、所述第二输入包括驾驶异常的报告。

5.如权利要求1所述的方法，其中所述第一输入、所述第二输入包括车道偏离的报告。

6.如权利要求1所述的方法，其中所述第一输入、所述第二输入包括转弯期间的偏离的报告。

7.如权利要求1所述的方法，其中接收所述第一输入、所述第二输入包括从所述第一乘客、所述第二乘客的移动装置接收所述第一输入、所述第二输入。

8.如权利要求7所述的方法，其中接收所述第一输入、所述第二输入包括接收用户对在所述移动装置上显示的映射图上的一个或多个位置的选择以及对应于道路异常和驾驶异常中的至少一者的所述一个或多个位置的指示。

9.如权利要求1所述的方法，其中所述传感器数据包括光检测和测距传感器、无线电检测和测距传感器以及一个或多个相机中的至少一者的输出。

10.如权利要求1所述的方法，其还包括：

由所述自主车辆的控制器接收一个或多个传感器的输出；和

由所述控制器使用根据所述更新的控制逻辑处理的所述输出自主地驾驶所述自主车辆。

11.一种用于自主车辆的反馈的系统，其包括一个或多个处理装置和一个或多个存储器装置，所述一个或多个存储器装置可操作地联接到所述一个或多个处理装置，所述一个或多个存储器装置存储可执行代码，所述可执行代码有效地使所述一个或多个处理装置：

从自主车辆的第一乘客接收第一输入，所述第一输入表示与所述第一乘客的第一行驶过程的第一区段的第一反馈；

从自主车辆的第二乘客接收第二输入，所述第二输入表示与所述第二乘客的第二行驶过程的第二区段的第二反馈，其中所述第一行驶过程的第一区段和第二行驶过程的第二区段包括同一地点；

从所述自主车辆接收与所述同一地点相关的传感器数据；和

根据所述第一输入、所述第二输入和所述传感器数据更新所述自主车辆的控制逻辑以获得更新的控制逻辑。

12.如权利要求11所述的系统，其中所述自主车辆的所述控制逻辑实施人工智能(AI)模型。

13.如权利要求12所述的系统，其中所述可执行代码还有效地使所述一个或多个处理器通过根据所述第一输入、所述第二输入和所述传感器数据使用深度强化学习算法更新所述人工智能模型来更新所述自主车辆的控制逻辑。

14.如权利要求11所述的系统，其中所述第一输入、所述第二输入包括驾驶异常的报告。

15.如权利要求11所述的系统，其中所述第一输入、所述第二输入包括车道偏离的报告。

16.如权利要求11所述的系统，其中所述第一输入、所述第二输入包括转弯期间的偏离报告。

17.如权利要求11所述的系统，其中所述可执行代码还有效地使所述一个或多个处理器通过从所述第一乘客、所述第二乘客的移动装置接收所述第一输入、所述第二输入。

18.如权利要求17所述的系统，其中通过接收用户对在所述移动装置上显示的映射图上的一个或多个位置的选择以及对应于道路异常和驾驶异常中的至少一者的所述一个或多个位置的指示，所述可执行代码有效地使所述一个或多个处理器接收所述第一输入、所述第二输入。

19.如权利要求11所述的系统，其中所述传感器数据包括光检测和测距传感器、无线电检测和测距传感器以及一个或多个相机中的至少一者的输出。

20.如权利要求11所述的系统，其中所述自主车辆包括控制器，所述控制器被编程为：

接收一个或多个传感器的输出；和

使用根据更新的控制逻辑处理的输出自主地驾驶所述自主车辆。

Images