CN111480052A - 使用预测模型解决车辆路线中的场景困难 - Google Patents

Abstract

至少基于驶过沿着路线的驾驶环境的难度等级来选择自动驾驶车辆行驶的路线。收集由一个或多个自动驾驶车辆提供的指示与行驶过一部分路线相关联的难度的车辆信号，并且将其用于预测在给定时间的最有利的驾驶路线。该信号可以指示从自动驾驶模式脱离的可能性、堵车时间过长的可能性、交通密度等。可以为路线的每个路段计算难度分数，然后将路线的所有路段的分数加在一起。该分数基于先前脱离的次数、先前请求远程协助的次数、未受保护的左转或右转的数量、是否遮挡了部分驾驶区域等。难度分数被用于计算特定路线的成本，其可以与为其它可能路线计算的成本相比较。基于这样的信息，可以选择路线。

Description

使用预测模型解决车辆路线中的场景困难

相关申请的交叉引用

本申请要求于2017年12月15日申请的美国专利申请第15/843,223号的权益，其公开内容通过引用结合于此。

背景技术

当前的导航系统考虑诸如距离和驾驶时间的因素。然而，这样的系统仅向车辆，特别是自动驾驶车辆的驾驶员和乘客提供有限的选择。这样的自动驾驶车辆可以在完全自动驾驶的模式下操作，其中乘客可以提供一些初始输入，例如搭载(pickup)或目的地位置，并且车辆将自身操纵到该位置。在其他情况下，车辆可以半自动驾驶或手动驾驶模式操作，其中，驾驶员控制车辆操纵的一些或所有方面。

发明内容

本公开的一个方面提供了一种确定自动驾驶车辆的行驶路线的方法。该方法包括在一个或多个计算设备处从一台或多台车辆接收数据，该数据提供关于一台或多台车辆所驶过路段的信息，并且该数据包括来自一台或多台车辆的一个或多个困难信号(difficulty signal)。该数据用于确定路段的难度值(difficulty value)，难度值基于来自一台或多台车辆的，指示从自动驾驶模式脱离到手动驾驶模式的困难信号。在其他示例中，困难信号可以指示请求远程操作者的协助、沿着路段的多个未受保护的转弯、自动驾驶车辆的视野被遮挡的驾驶区域的部分、阈值或异常数量的障碍物等。为起点和目的地之间的一条或多条可能路线中的每条路线计算路线成本(route cost)，其中路线成本至少基于沿着路线的路段的难度值，并且基于一条或多条可能路线中的每条路线的路线成本，确定要行驶过一条或多条可能路线中的哪条路线。在一些示例中，该方法还包括使自动驾驶车辆以所确定的路线驾驶。困难信号可以与时间特征相关。例如，计算特定路段的难度值可以包括将沿着特定路段行驶的预期日期或时间和与特定路段的困难信号相关的日期或时间进行比较。确定难度值可以包括确定遭遇与至少一个困难信号相对应的困难的概率。

在一些示例中，该方法可以进一步包括：计算路段的路段成本(segment cost)，其中，基于难度值、距离和驶过路段所需时间来计算路段成本，其中，基于沿着路线的路段的路段成本来计算路线成本。在这样的示例中，计算路段成本可以包括：基于路段的难度值来计算难度分数(difficulty score)；基于路段的距离来计算距离分数；基于驶过路段所需时间来计算时间分数；将难度分数、距离分数和时间分数加权(weighting)；以及作为加权分数的函数计算路段成本。将难度分数、距离分数和时间分数加权可以包括设置难度分数、距离分数和时间分数的系数，其中，所述系数可以被修改以调整相对权重。可以从自动驾驶车辆的乘客接收输入，并且可以基于从乘客接收的输入来调整所述系数。

本公开的另一方面提供一种用于确定自动驾驶车辆的行驶路线的系统。该系统包括一个或多个存储器，以及与一个或多个存储器通信的一个或多个处理器。一个或多个处理器可以被配置为从一台或多台车辆接收数据，该数据提供关于一台或多台车辆驶过的路段的信息并且包括来自一台或多台车辆的困难信号，并且基于该数据确定路段的难度值，难度值基于来自一台或多台车辆的指示从自动驾驶模式脱离到手动驾驶模式的困难信号。在一些示例中，困难信号可以可替代地或附加地指示请求远程操作者的协助、沿着路段的多个未受保护的转弯、自动驾驶车辆的视野被遮挡的驾驶区域的部分、路段上障碍物的数量等。一个或多个处理器可以进一步计算起点和目的地之间的一条或多条可能路线中的每条路线的路线成本，其中，路线成本至少基于沿着该路线的路段的难度值，并且基于一条或多条可能路线中每条路线的路线成本确定要行驶过一条或多条可能路线中的哪条路线。

附图说明

图1是根据示例性实施例的示例车辆的功能图。

图2是根据本公开的各方面的地图信息的示例。

图3是根据本公开的各方面的车辆的示例外部视图。

图4是根据示例性实施例的示例系统的示意图。

图5是根据本公开的各方面的图4的系统的功能图。

图6是根据本公开的各方面的示例数据结构。

图7是根据本公开的各方面的示例流程图。

图8是与图2的地图信息相关联的可能路线选项的示例。

图9是图8可能路线选项的路段示例。

图10是与图9的路段相关联的难度等级的示例表示。

图11是图8的可能路线选项的路线成本的示例计算。

具体实施方式

所述技术一般涉及使用收集的数据来改进自动驾驶车辆的系统行为。特别地，这样收集的数据可以被包括在预测模型中，并且用于基于沿路线行驶的时间、距离和难度来确定要选取的路线。

可以从许多车辆中学习度量(metrics)，这些车辆可以包括自动驾驶车辆、半自动驾驶车辆和手动驾驶车辆。收集这些度量并综合考量。这样的度量可以包括例如距离、时间和难度。难度度量考虑了诸如特定转弯的难度、是否存在任何障碍物(例如，工地)、人行横道的数量、道路是否崎岖(rough)、狭窄等因素。这些度量是从先前行程的记录中自动学习的，因此允许系统随着时间改善其自身。

这样的度量可以与特定特征相关联，例如时间特征(例如，一天中的小时、一周中的一天)、地理特征(例如，精确位置)以及概括性特征(例如，速度限制、附近的特征(例如人行横道、十字路口、学校))。例如，虽然特定转弯在早高峰时间可能很困难，但同一转弯在下午早些时候就不那么困难，而在夜晚时则难度更小。通过将这样的特征与度量相关联，可以在确定最佳路线时考虑这样的特征。

可以基于指示车辆驶过特定路段的难度的信号来确定难度度量。这样的信号可以指示从自动驾驶模式脱离的可能性、堵车(stuck)时间过长的可能性、交通密度等。根据一些示例，为每个路段计算难度分数，然后将路线的所有路段的分数相加。该分数可以基于先前脱离的次数，先前请求远程操作员协助的次数、未受保护的左转或右转的数量、驾驶区域的部分是否被遮挡(occluded)、用户抱怨、测量到的乘客不适、故障响应(车辆不能正常操作并需要停下来)等。

还可以基于完成沿着路段的行驶的预期时间量和路段的距离，计算路线的每个路段的分数。这些分数可以与难度分数整合。例如，难度分数、时间分数和距离分数全都可以用于计算路段的成本。这样的成本可以被输入到预测模型中，并用于确定最佳的路线。

在确定最佳路线时，可以使用动态权重来调整路线中的各种权衡(trade-off)，例如，在额外的驾驶距离/时间与更轻松的驾驶条件之间进行权衡。仅作为权衡的一个示例，驾驶员可能愿意驾驶更远的距离，以避免进行困难的左转。动态权重可以是例如可以根据场景(scenario)进行调整的系数。例如，在顾客在车辆中的第一个场景中，系数可以被调整得更加保守(conservative)，诸如，提供更容易但可能更长的路线。另一方面，在测试驾驶员在车辆中的第二个场景中，系数可以被调整得更具冒险性(adventurous)，诸如，提供更快速且更困难的路线。

使用上述模型，不仅可以基于时间和距离，而且可以基于难度来选择行驶路线。因为难度信息是从许多车辆日志中收集的，所以它是准确的，并且也不会给用户增加输入负担。

示例系统

如图1所示，根据本公开的一个方面的车辆100包括各种组件。尽管本公开的某些方面对于特定类型的车辆特别有用，但是车辆可以是任何类型的车辆，包括但不限于，汽车、卡车、摩托车、公共汽车、休闲车等。车辆可以具有一个或多个计算设备，诸如包含一个或多个处理器120、存储器130和典型地存在于通用计算设备中的其它组件的计算设备110。

存储器130存储一个或多个处理器120可访问的信息，包括可由处理器120执行或使用的指令134和数据132。存储器130可以是能够存储处理器可访问的信息的任何类型，包括计算设备可读介质或存储可借助电子设备读取的数据的其它介质，例如硬盘驱动器、存储卡、ROM、RAM、DVD或其它光盘，以及其它可写和只读存储器。系统和方法可以包括前述的不同组合，由此不同部分的指令和数据被存储在不同类型的介质上。

指令134可以是将由处理器直接执行(例如，机器代码)或间接执行(例如，脚本)的任何指令集。例如，指令可以作为计算设备代码存储在计算设备可读介质上。在这方面，术语“指令”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理，或者以任何其它计算设备语言存储，包括按需解释或预先编译的脚本或独立源代码模块的集合。指令的功能、方法和例程将在下面更详细地说明。

数据132可以由处理器120根据指令134来检索、存储或修改。例如，尽管所要求保护的主题不受任何特定数据结构的限制，但是该数据可以以关系数据库形式存储在计算设备寄存器中，作为具有多个不同字段和记录的表格、XML文档或平面文件。该数据也可以以任何计算设备可读的格式来格式化。

一个或多个处理器120可以是任何传统处理器，例如可商业上获得的CPU。替代地，一个或多个处理器可以是专用设备，诸如ASIC或其它基于硬件的处理器。尽管图1在功能上将计算设备110的处理器、存储器和其它元件示出为在同一块内，但是本领域普通技术人员将理解，处理器、计算设备或存储器实际上可以包括可以或可以不存储在同一物理壳体内的多个处理器、计算设备或存储器。例如，存储器可以是位于与计算设备110不同的壳体中的硬盘驱动器或其它存储介质。因此，对处理器或计算设备的引用将被理解为包括对可以或可以不并行运行的处理器或计算设备或存储器的集合的引用。

计算设备110可以包括通常与诸如处理器的计算设备和上述存储器以及用户输入150(例如，鼠标、键盘、触摸屏和/或麦克风)和各种电子显示器(例如，具有屏幕的监视器或可操作以显示信息的任何其它电子设备)结合使用的所有组件。在该示例中，车辆包括内部电子显示器152以及一个或多个扬声器154以提供信息或视听体验。就这一点而言，内部电子显示器152可以位于车辆100的舱室内，并且可以由计算设备110用来向车辆100内的乘客提供信息。

计算设备110还可以包括一个或多个无线网络连接156，以促进与其它计算设备的通信，例如下面详细描述的客户端计算设备和服务器计算设备。无线网络连接可以包括短距离通信协议，例如蓝牙、低能耗蓝牙(LE)、蜂窝连接、以及各种配置和协议，包括Internet、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或多个公司专有的通信协议的专用网络、以太网，WiFi和HTTP，以及前述各项的各种组合。

在一个示例中，计算设备110可以是自动驾驶计算系统的控制计算设备或者并入到车辆100中。自动驾驶计算系统可以能够与车辆的各种组件进行通信，以便根据存储器130的主要(primary)车辆控制代码控制车辆100的运动。例如，返回图1，计算设备110可以与车辆100的各种系统通信，例如减速系统160、加速系统162、转向系统164、信号系统166、导航系统168、定位系统170、感知系统172和动力系统174(即车辆的引擎或马达)，以便根据存储器130的指令134控制车辆100的运动、速度等。同样，尽管这些系统被示为在计算设备110的外部，但实际上，这些系统也可以并入计算设备110，作为用于控制车辆100的自动驾驶计算系统。

作为示例，计算设备110可以与减速系统160和/或加速系统162的一个或多个致动器(例如，车辆的制动器、加速器踏板和/或引擎或马达)相互作用，以便控制车辆的速度。类似地，计算设备110可以使用转向系统164的一个或多个致动器，例如方向盘、转向轴和/或齿条齿轮(rack and pinion)系统中的齿轮和齿条，以便控制车辆100的方向。例如，如果车辆100被配置为在道路上使用，例如汽车或卡车，则转向系统可以包括一个或多个致动器，以控制车轮的角度来使车辆转向。信号系统166可以由计算设备110使用，以便例如在需要时通过点亮转向信号灯或刹车灯向其他驾驶员或车辆发信号通知车辆的意图。

导航系统168可以被计算设备110使用，以便确定并遵循到达位置的路线。在这方面，导航系统168和/或数据132可以存储详细的地图信息，例如，高度详细的地图，其标识(identify)道路的形状和高度、车道线、十字路口、人行横道、限速、交通信号、建筑物、标志、实时交通信息、植被或其它此类对象和信息。

图2是包括多条道路的地理区域的地图信息200的示例。地图信息200可以包括标识特征的形状、位置和其他特点的信息，所述特征例如车道线210、212、214、交通信号灯220、222、停车标志250、251、252，以及其它未示出的特征，例如人行横道、人行道和避让标志260。地图信息200还可以包括多个道路中的每条道路的距离信息以及各种道路的规定，例如速度限制、禁止操作等。仅作为禁止操作的一个示例，在工作日(weekday)的上午8点至下午4点之间，避免车辆在红灯时右转。根据一些示例，地图信息还可以包括交通信息，例如历史交通信息。这样的交通信息可以与时间限制相关联地存储，例如，指示一天内/一周内交通更繁忙的时间。

尽管地图信息在这里被描绘为基于图像的地图，但是地图信息不必完全基于图像(例如，栅格)。例如，地图信息可包括一个或多个道路图或信息的图形网络，例如道路、车道、十字路口以及这些特征之间的连接。每个特征可以存储为图形数据，并且可以与诸如地理位置以及是否链接到其它相关特征的信息相关联，例如，停车标志可以链接到道路和十字路口等。在一些示例中，相关联的数据可以包括道路图的基于网格的索引，以允许有效地查找某些道路图特征。

定位系统170可以由计算设备110使用，以便确定车辆在地图上或在地球上的相对或绝对位置。例如，定位系统170可以包括GPS接收机，以确定设备的纬度、经度和/或海拔位置。其它定位系统，例如基于激光的定位系统、惯性辅助GPS或基于相机的定位，也可以用于识别车辆的位置。车辆的位置可以包括绝对地理位置，例如纬度、经度和海拔，以及相对位置信息，例如相对于周围其它车辆的位置，其通常可以用比绝对地理位置更小的噪声来确定。

定位系统170还可以包括与计算设备110通信的其它设备，例如加速度计、陀螺仪或另一方向/速度检测设备，以确定车辆的方向和速度或车辆的方向和速度的变化。仅作为示例，加速设备可以确定其相对于重力方向或与重力方向垂直的平面的俯仰、偏转或滚动(或它们的变化)。该设备还可以跟踪速度的增加或减少以及这样的变化的方向。如本文所述的设备的位置和朝向(orientation)数据的提供可以被自动地提供给计算设备110、其它计算设备以及前述的组合。

感知系统172还包括一个或多个组件，用于检测车辆外部的对象，例如其它车辆、道路上的障碍物、交通信号、标志、树木等。例如，感知系统172可以包括激光器、声纳、雷达、相机和/或记录可以由计算设备110处理的数据的任何其它检测设备。在车辆是诸如小型客车的乘用车的情况下，小型客车可以包括安装在车顶上或其它方便的位置处的激光器或其它传感器。例如，图3是车辆100的示例外部视图。在该示例中，车顶壳体310和圆顶壳体312可包括LIDAR传感器以及各种相机和雷达单元。另外，位于车辆100的前端的壳体320和在车辆的驾驶员和乘客侧的壳体330、332可以分别存储LIDAR传感器。例如，壳体330位于驾驶员门360的前面。车辆100还包括用于同样位于车辆100的车顶上的雷达单元和/或相机的壳体340、342。额外的雷达单元和相机(未示出)可以位于车辆100的前端和尾端，和/或沿着车顶或车顶壳体310的其它位置。

计算设备110可以通过控制各种组件来控制车辆的方向和速度。举例来说，计算设备110可以使用来自详细地图信息和导航系统168的数据完全自主地将车辆导航到目的地位置。计算设备110可以使用定位系统170来确定车辆的位置，以及使用感知系统172来检测对象并在需要时对对象做出反应以安全到达所述位置。为了这样做，计算设备110可以使车辆加速(例如，通过由加速系统162增加提供给引擎的燃料或其他能量)、减速(例如，通过由减速系统160减少提供给引擎的燃料、改变档位和/或施加制动)、改变方向(例如，通过由转向系统164转动车辆100的前轮或后轮)和发信号通知这样的改变(例如，通过点亮信号系统166的转向信号)。因此，加速系统162和减速系统160可以是传动系统(drivetrain)的一部分，传动系统包括在车辆的引擎和车辆的车轮之间的各种组件。同样，通过控制这些系统，计算设备110也可以控制车辆的传动系统，以便自主地操纵车辆。

车辆100的计算设备110还可以向其它计算设备发送信息或从其它计算设备接收信息，例如，其它车辆、控制中心、数据库、用户设备等。图4和图5分别是示例系统400的直观图和功能图，系统400包括多个计算设备410、420、430、440和经由网络460连接的存储系统450。系统400还包括车辆100以及可以被配置为与车辆100相同或相似的车辆100A、100B。尽管为简单起见仅描述了少量车辆和计算设备，但是典型的系统可以包括更多的车辆和计算设备。

如图4所示，计算设备410、420、430、440中的每一个可以包括一个或多个处理器、存储器、数据和指令。这样的处理器、存储器、数据和指令可以与计算设备110的一个或多个处理器120、存储器130、数据134和指令132类似地配置。

网络460和中间节点可以包括各种配置和协议，包括短程通信协议，例如蓝牙、蓝牙LE、因特网、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或多个公司专有的通信协议的专用网、以太网、WiFi和HTTP，以及前述的各种组合。任何能够向其它计算设备发送数据和从其它计算设备接收数据的设备(例如，调制解调器和无线接口)都可以促进这样的通信。

在一个示例中，一个或多个计算设备110可以包括具有多个计算设备的一个或多个服务器，例如，负载平衡服务器群，其与网络的不同节点交换信息，以用于从其他计算设备接收数据、处理数据、以及向其他计算设备发送数据。例如，一个或多个计算设备410可以包括一个或多个服务器计算设备，它们能够经由网络460与车辆100的计算设备110或车辆100A的类似计算设备以及计算设备420、430、440通信。例如，车辆100、100A和100B可以是车辆车队的一部分，它们可以由服务器计算设备派遣到各个位置。就这一点而言，服务器计算设备410可以用作派遣(dispatching)系统。另外，车队的车辆可以周期性地向服务器计算设备发送由车辆的各个定位系统提供的位置信息，以及下文进一步讨论的与车辆的状态有关的其它信息，并且一个或多个服务器计算设备可以跟踪车队中每辆车的位置和状态。

另外，服务器计算设备410可以使用网络460在显示器(例如，计算设备420、430、440的显示器424、434、444)上向用户(例如，用户422、432、442)发送和呈现信息。在这方面，计算设备420、430、440可以被认为是客户端计算设备。

如图4所示，每个客户端计算设备420、430、440可以是旨在由用户422、432、442使用的个人计算设备，并且具有通常与个人计算设备结合使用的所有组件，个人计算设备包括一个或多个处理器(例如，中央处理单元(CPU))、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、诸如显示器424、434、444的显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视机或可操作以显示信息的其它设备)、以及用户输入设备426、436、446(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备、以及用于将这些元件彼此连接的所有组件。

虽然客户端计算设备420、430和440中的每一个可以包括全尺寸的个人计算设备，但是它们可以替代地包括能够通过诸如因特网的网络与服务器无线地交换数据的移动计算设备。仅作为示例，客户端计算设备420可以是移动电话或诸如支持无线的PDA、平板PC、可穿戴计算设备或系统、或能够经由因特网或其它网络获得信息的上网本的设备。在另一示例中，客户端计算设备430可以是可穿戴计算设备，诸如图4中所示的腕表。作为示例，用户可以使用小键盘、键区、麦克风、利用相机的视觉信号或触摸屏等来输入信息。

与存储器130一样，存储系统450可以是能够存储服务器计算设备410可访问的信息的任何类型的计算机化存储装置，例如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写和只读存储器。另外，存储系统450可以包括分布式存储系统，其中数据存储在多个不同的存储设备上，这些存储设备可以物理地位于相同或不同的地理位置。存储系统450可以经由网络460连接到计算设备，如图4和图5所示，和/或可以直接连接到或者并入任何计算设备110、410、420、430等。

存储系统450可以存储各种类型的信息，如下面更详细描述的。该信息可以由服务器计算设备(例如，一个或多个服务器计算设备410)检索或访问，以便执行本文所描述的一些或全部特征。作为示例，存储系统450的信息可以包括来自其它车辆的关于在先前驾驶期间遭遇的困难的报告。这样的困难可以包括，例如，遮挡的传感器视野(view)、遮挡的道路、未受保护的转弯，崎岖的地形、需要驾驶员接管车辆的控制、请求协助或其它任何困难。这样的困难的报告可以与元数据相关联地存储，该元数据标识特定困难是什么以及困难发生的时间。在一些示例中，报告还可以与指示困难的严重程度的值相关联地存储。

图6仅提供了可以存储在存储系统450中的信息类型和排列的一个示例。如图所示，图表600包含多个列，列出了车辆信号标识符610、信号类型620、时戳630和位置640。应该理解，也可以列出附加信息，并且可以省略某些列。仅作为一个示例，图表600还可以针对每个信号存储相关联的难度值，其指示由驾驶环境施加的难度等级。还应该理解，图表600的列和行可以以任何顺序排序，或者可以一起使用不同的组织结构。

在示例图表600中，车辆信号识别器610可以标识车辆发送的特定信号。每个唯一信号可以具有唯一标识符。该标识符可以用于区分特定信号并有助于特定信息的识别。信号标识符可以与车辆发送的信号包括在一起、由服务器计算设备410分配、或者由来自车辆、服务器计算服务器410或其它源的信息的一些组合而组成。图表600中的信号可以来自一台车辆或来自多台不同的车辆。

信号类型620指示车辆在发送信号时遭遇的困难类型。图表600中列出了一些示例类型的困难，包括需要人类驾驶员手动接管车辆的控制、请求远程操作者的协助、延长的等待(例如，进行转弯或其它操纵)、未受保护的转弯、遮挡的传感器视野、紧急制动应用、受限的传感器视野和未受保护的车道交叉。其它示例包括用户抱怨、测量到的乘客不适、故障响应等。还可以存储指示由驾驶环境导致的驾驶困难的其它类型的信号，并且可以存储相同类型的多个信号。

时戳630可以指示信号由车辆发送的时间。该信息对于与时间相关的困难可能特别有用。例如，可以从信号中确定仅在上学日的下午2点至4点之间体验到在特定位置进行转弯的延长的等待。作为另一示例，在树叶从遮挡视野的树上落下之前，传感器视野仅在春季和夏季的月份中才被遮挡。可以使用机器学习技术来识别这种时间模式。时戳630也可以用于更新信息。例如，当确定关联的难度等级时，超过预定阈值(例如，若干个月或天)的信号可以被删除或可以归因于较低的权重。虽然所示时戳信息以“月:日:年:小时:分:秒”来表示，但是应该理解，可以使用表示时间的任何其他规定。

位置信息640可以标识发送信号的位置。在所示的示例中，位置信息由区域标识符、街道标识符和路段标识符来指示，也可以使用其它格式。区域标识符可以包括指示特定城市、州、国家或其它区域的值。街道标识符可以包括与特定道路相对应的值或其它标记，出于分析目的，特定道路被划分为路段。因此，路段标识符指示街道的特定路段。应当理解，在图表600中使用的位置格式仅是示例，并且可以使用各种其它格式中的任何一种，例如地理坐标(例如，纬度、经度、海拔)或其它描述符。

在一些示例中，存储系统450还可以存储与驶过驾驶环境的难度有关的其它信息，例如基于关于困难信号的信息的模型。例如，该模型可以是预测模型，该预测模型识别在给定时间哪些路段可能存在困难，例如需要从自动驾驶模式过渡到手动驾驶模式。

存储系统450还可以存储可以提供给客户端计算设备以显示给用户的信息。例如，存储系统450可以存储预定距离信息，其用于确定车辆可能由于给定的搭载或目的地位置而停车的区域。存储系统450还可以存储可以显示给用户的图形、图标和其它项目。

车辆100可以使用来自存储系统450的信息来确定车辆100行驶的路线。例如，给定起点和目的地，车辆100可以使用几条不同的路线。然而，一些路线可能比其它路线更难行驶。存储在存储系统450中的关于驶过驾驶环境的难度的信息可以用于确定哪条路线在给定时间将呈现最小的难度。在一些示例中，可以结合其它行驶信息，例如时间、距离、通行费等来考虑这样的难度信息。时间信息可以考虑交通、限速以及其它影响驾驶时间的信息。根据一些示例，可以对难度信息和其它行驶信息进行加权。例如，通过分别调整给予难度信息和时间信息的权重，可以适应尽管行驶时间更长但更容易行驶的偏好。通过分别调整给予距离和难度的权重，可以适应尽管存在潜在的困难条件但距离最短的偏好。

示例方法

除了在上面描述和在附图中示出的操作之外，现在将描述各种操作。应当理解，不必以下面描述的精确顺序执行以下操作。而是，可以以不同的顺序或同时地处理各个步骤，并且还可以添加或省略步骤。

图7呈现了流程图700，其示出了基于驾驶环境的难度来选择路线的示例方法。在框710中，接收到数据，该数据提供关于多个路段的信息。所述信息可以包括来自一个或多个驶过该路段的车辆的信号，例如以上结合图6所讨论的信号。该信号可以指示与驶过该路段相关联的难度，其中，这样的困难是由于驾驶环境造成的结果。这样的困难的示例包括要求手动接管、请求远程操作者的协助、未受保护的操纵、受限/遮挡/受阻(obstructed)的视野等。在一些示例中，所述困难可以由用户抱怨、测量到的乘客不适、车辆无法再正常运行并且需要靠边停车的故障响应等来以表示。乘客不适可以通过例如调查响应、乘客心率、温度或其它生理的变化、乘客乘坐位置的变化、控制调整等来测量。

在方框720中，基于接收到的信息，为多个路段中的每一个确定难度值。例如，难度值可以是分数或其它值，其可以用于将与驶过第一路段相关联的难度等级与驶过第二路段的难度等级进行比较。例如，由车辆信号指示的每种不同类型的难度可以具有值。在一些实例中，一种类型的难度的值可能高于另一种类型的值。例如，与请求远程操作者的协助相关联的难度值可以不同于与未受保护的转弯相关联的难度值。在其它示例中，难度值可以基于其它信息而变化，从而相同类型的两个信号的值不同。这些难度值可用于计算路段的难度值。例如，各种信号的难度值可以被纳入(factor in)预测模型，预测模型预测如果行驶则在路段上会遭遇的困难。这样的预测可以是时间相关的，从而预测的难度等级针对特定路段可以根据一天中的时间、一周内的时间、季节或其它时间信息而变化。对于特定路段，在特定的旅行时间可能预测会发生多个困难。因此，可以作为多个预测的困难的函数来计算难度值。

在方框730中，基于与多个路段相关联的难度值，计算在起点与目的地之间的一条或多条可能路线中的每条路线的路线成本。例如，路线成本可以是沿着路线的每个路段的难度值的总和。在一些示例中，路线成本也可以纳入其他行驶变量，例如时间、距离、交通等。

在方框740中，基于所计算的路线成本来选择自动驾驶车辆的行驶路线。因此，自动驾驶车辆的控制系统可以使车辆以所选择的路线行驶。

图8示出了在起点O与目的地D之间的多条可能的路线810、820、830的示例。路线810-830被相对于地图信息(例如图2的地图信息200)示出。

图9示出了路线810、820、830，其中，每条路线包括多个路段。例如，第一路线810包括路段1a-1h，第二路线820包括路段2a-2f，第三路线830包括路段3a-3g。可以为地图上指示的每条道路定义路段，或者仅为在起点和目的地之间的每条可能的路线定义路段。路段可以将道路或路线划分为任意数量的离散的子部分以便进行分析。例如，附加的更小的路段可以用于具有潜在困难的更细粒度的分析，而较少的较大的路段可以用于消耗更少存储器和计算资源的更快的分析。在一些示例中，路段的大小可以彼此不同。可以基于任何因素来指派路段，例如绝对距离、转弯之间的距离、估计的行驶时间等。

图10示出了可能的路线810-830，其中示出了每个路段的相对难度。在此示例中，用增加的线条粗度表示增加的难度。沿着路线810，路段1a和1b具有相对较低的难度，而路段1c具有很高的关联难度等级。这可能归因于操纵车辆进行这样的向左急转的难度。其它因素可以包括转弯时的能见度以及转弯是否未受保护。例如，在车辆进行向左急转时，如果沿着车辆转弯的道路行驶的其它车辆不必停车或避让，则转弯的难度增加。在所示示例中，路线810的其它困难路段包括路段1f。这可能归因于转弯以外的因素，例如较高的行人量、崎岖的地形、有限的能见度等。

沿着路线820，路段2a和2b也显示为具有较低的相对难度。因为这些路段对应于与路线810的路段1a和1b相同的道路部分，所以可以预期它们具有相同的难度等级。但是，路段2c-2e具有较高的关联难度等级，尽管仍低于路段1c。这样的难度可能是由于必须操纵绕过试图进行路段1c的转弯的车辆、等待进行路段2d的未受保护的左转、或者多种其它可能中的任何一种等造成的结果。路段2e的难度可能是由于其它驾驶条件造成的结果，例如受阻的视野(例如，建筑物、标志、树叶、停放的车辆或任何其它对象)、道路施工等。

沿着路线830，只有路段3c被示出具有关联难度等级。该难度等级对应于路段2c的难度等级，并且可能是相同驾驶条件造成的结果。尽管路段3d包括左转，但这样的转弯可能具有较低的关联难度等级，因为这是一个受保护的转弯，其中沿着相反方向行驶的车辆将根据停车标志251、252停车。

图11示出了可能路线810、820、830中的每条路线的路线成本的示例计算。对于每个路段，列出了归因于该路段的难度值。虽然在图10的示例中以图形方式指示难度，但在图11中由数值来表示。然而，应当理解，可以使用用于指示难度等级的任何规定。与图10一致，路线10的路段1c被指示为具有最高的关联难度等级。难度相对增加的其它路段包括路线810的路段1f，路线820的路段2c-2e和路线830的路段3c。由于路线820没有对应于h的路段，因此它们的值被设置为0。沿着路线的每个路段的值可以被求和，以得出该路线的总难度值。例如，路线810具有总难度值20，路线820具有总难度值18，而路线830具有总难度值11。因此，如果单独考虑难度，路线830可能是具有最低路线成本11的最理想的路线。但是，如上所述，在一些示例中，在计算路线成本时可以考虑其它因素，例如距离、时间等。

前述示例描述了一种确定行驶路线的有利方法，因为该方法扩展了对诸如时间和距离等因素的传统考虑，以进一步考虑驾驶/乘坐体验。因此，自动驾驶车辆的乘客可以由选择更平稳或更少危险的驾驶的选项，即使这可能要比其它路线花费更长的时间。这对于在旅途中想要阅读、工作或放松的乘客而言是特别希望的。

尽管上面描述了车辆可能遭遇的不同类型的困难的多个示例，但是应该理解，任何数量的更多类型的困难也可以被纳入路线成本计算中。例如，在特定的街道上，可能在预定的时间进行垃圾收集，例如每个星期二和星期五的上午7点至8点之间。在垃圾收集期间，缓慢移动且经常停车的垃圾车可能会成为在该街道上行驶的车辆的障碍物。此外，收集垃圾的环卫工人的出现要求在该街道上行驶的车辆的操作中格外小心。因此，来自沿这这条街道的先前或历史驾驶的困难信号可能指示超过预定阈值的障碍物(例如，垃圾车、垃圾桶、环卫工人等)的数量。难度信号还可以指示较慢的驾驶时间、增加的等待时间、增加的应用制动系统的次数、意外的操纵(例如，侧滑)等。这些困难信号中的任何一个或全部都可以用于计算特定街道在预定的垃圾收集时间期间的成本。

仅作为又一个示例，给定道路可能在学校附近。因此，在上学期间，尤其是在到校和放学的时候，可能有更多的行人在给定的道路上行走或穿越给定道路。因此，在那些学校时间，可能会出现更多数量的障碍物，需要在给定道路上行驶的车辆额外小心。来自先前行驶过给定道路的车辆的困难信号可以指示在与学校时间相对应的时间内存在这样的额外的障碍物。在一些情况下，这样的额外的障碍物可能导致脱离或请求远程操作者的协助。指示在特定时间在给定道路上存在这样的额外的障碍物的这些困难信号也可以用于计算以给定道路行驶的成本。

除非另有说明，否则前述替代示例不是相互排斥的，而是可以以各种组合来实施以实现独特的优点。由于可以在不脱离权利要求所限定的主题的情况下利用以上讨论的特征的这些和其它变型和组合，因此，前述对实施例的描述应当理解为例示而非对权利要求所限定的主题的限制。此外，提供这里所描述的示例以及表述为“诸如”、“包括”等的句子不应被解释为将权利要求的主题限制在具体的示例；而是，所述示例旨在说明许多可能的实施例中的一个。而且，不同附图中的相同的参考标号可以标识相同或相似的元素。

Claims (22)

1.一种确定自动驾驶车辆的行驶路线的方法，包括：

在一个或多个计算设备处接收来自一台或多台车辆的数据，该数据提供关于一台或多台车辆驶过的路段的信息，该数据包括一个或多个困难信号；

基于该数据确定路段的难度值，该难度值基于指示从自动驾驶模式脱离到手动驾驶模式的困难信号；

利用一个或多个计算设备，计算起点与目的地之间的一条或多条可能路线中的每条路线的路线成本，其中，所述路线成本至少基于沿着路线的路段的难度值；以及

基于一条或多条可能路线中的每条路线的路线成本，确定要行驶过一条或多条可能的路线中的哪条路线。

2.根据权利要求1所述的方法，还包括使自动驾驶车辆以所确定的路线驾驶。

3.根据权利要求1所述的方法，还包括将所述困难信号与时间特征相关联。

4.根据权利要求3所述的方法，其中，计算特定路段的难度值包括：将沿着特定路段行驶的预期日期或时间和与特定路段的困难信号相关的日期或时间进行比较。

5.根据权利要求1所述的方法，其中，确定难度值包括：确定遭遇与至少一个困难信号相对应的困难的概率。

6.根据权利要求1所述的方法，还包括将难度值输入到预测模型中。

7.根据权利要求1所述的方法，还包括：

计算路段的路段成本，其中，所述路段成本是基于难度值、距离和驶过路段所需时间来计算的；

其中，所述路线成本是基于沿着路线的路段的路段成本来计算的。

8.根据权利要求7所述的方法，其中，计算路段成本包括：

基于路段的难度值计算难度分数；

基于路段的距离计算距离分数；

基于驶过路段所需的时间计算时间分数；

将难度分数、距离分数和时间分数加权；以及

计算作为加权分数的函数的路段成本。

9.根据权利要求8所述的方法，其中，将难度分数、距离分数和时间分数加权包括：设置难度分数、距离分数和时间分数的系数，其中，所述系数可被修改以调整相对权重。

10.根据权利要求9所述的方法，还包括：

从自动驾驶车辆的乘客接收输入；以及

基于从乘客接收的输入来调整所述系数。

11.根据权利要求1所述的方法，其中，所述难度值还基于指示以下各项中的至少一项的困难信号：请求远程驾驶协助、沿着路段的未受保护的转弯的数量、自动驾驶车辆的视野被遮挡的驾驶区域的部分、或者沿着路段的障碍物的数量。

12.一种用于确定自动驾驶车辆的行驶路线的系统，包括：

一个或多个存储器；以及

一个或多个处理器，与一个或多个存储器通信，所述一个或多个处理器被配置为：

从一台或多台车辆接收数据，该数据提供关于一台或多台车辆驶过的路段的信息，该数据包括一个或多个困难信号；

基于该数据确定路段的难度值，该难度值基于来自一台或多台车辆的指示从自动驾驶模式脱离到手动驾驶模式的困难信号；

计算起点和目的地之间的一条或多条可能路线中的每条路线的路线成本，其中，所述路线成本至少基于沿着路线的路段的难度值；以及

基于一条或多条可能路线中每条路线的路线成本确定要行驶过一条或多条可能路线中的哪条路线。

13.根据权利要求12所述的系统，所述一个或多个处理器还被配置为使自动驾驶车辆以所确定的路线驾驶。

14.根据权利要求12所述的系统，所述一个或多个处理器还被配置为将所述困难信号与时间特征相关联。

15.根据权利要求14所述的系统，其中，计算特定路段的难度值包括：将沿着特定路段行驶的预期日期或时间和与特定路段的困难信号相关的日期或时间进行比较。

16.根据权利要求12所述的系统，其中，确定难度值包括：确定遭遇与至少一个困难信号相对应的困难的概率。

17.根据权利要求12所述的系统，所述一个或多个处理器还被配置为将难度值输入到预测模型中。

18.根据权利要求12所述的系统，所述一个或多个处理器还被配置为：

计算路段的路段成本，其中，所述路段成本是基于难度值、距离和驶过路段所需时间来计算的；

其中，所述路线成本是基于沿着路线的路段的路段成本来计算的。

19.根据权利要求18所述的系统，其中，计算路段成本包括：

基于路段的难度值计算难度分数；

基于路段的距离计算距离分数；

基于驶过路段所需的时间计算时间分数；

将难度分数、距离分数和时间分数加权；以及

计算作为加权分数的函数的路段成本。

20.根据权利要求19所述的系统，其中，将难度分数、距离分数和时间分数加权包括：设置难度分数、距离分数和时间分数的系数，其中，所述系数可被修改以调整相对权重。

21.根据权利要求20所述的系统，所述一个或多个处理器还被配置为：

从自动驾驶车辆的乘客接收输入；以及

基于从乘客接收的输入来调整所述系数。

22.根据权利要求12所述的系统，其中，所述难度值还基于指示以下各项中的至少一项的困难信号：请求远程驾驶协助、沿着路段的未受保护的转弯的数量、自动驾驶车辆的视野被遮挡的驾驶区域的部分、或者沿着路段的障碍物的数量。

Images