CN111629945A - 自主车辆运行管理场景 - Google Patents

Abstract

由自主车辆穿越车辆交通网络可以包括：操作场景特定运行控制评估模块实例，其中场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例，其中车辆运行场景是并道车辆运行场景或通行障碍车辆运行场景；从场景特定运行控制评估模块实例接收候选车辆控制动作；以及根据候选车辆控制动作穿越车辆交通网络的一部分。

Description

自主车辆运行管理场景

技术领域

本公开涉及自主车辆运行管理和自主驾驶。

背景技术

诸如自主车辆的车辆可以穿越(traverse)车辆交通网络的一部分。穿越车辆交通网络的一部分可以包括诸如通过车辆的传感器生成或捕获数据，诸如表示车辆的运行环境或其一部分的数据。因此，用于自主车辆运行管理的系统、方法和装置可能是有利的。

发明内容

本文公开了自主车辆运行管理的方面、特征、元素、实施方式、和实施例。

所公开的实施例的一方面是一种用于由自主车辆穿越车辆交通网络的方法。穿越车辆交通网络包括操作场景特定运行控制评估模块实例，其中场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例，其中车辆运行场景是并道车辆运行场景或通行障碍车辆运行场景，从场景特定运行控制评估模块实例接收候选车辆控制动作，以及根据候选车辆控制动作穿越车辆交通网络的一部分。

所公开的实施例的另一方面是一种自主车辆，其包括处理器，该处理器被配置为执行存储在非暂时性计算机可读介质上的指令，以操作场景特定运行控制评估模块实例，其中场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例，其中车辆运行场景是并道车辆运行场景或通行障碍车辆运行场景，从场景特定的运行控制评估模块实例接收候选车辆控制动作，以及根据候选车辆控制动作穿越车辆交通网络的一部分。

所公开的实施例的另一方面是一种用于由自主车辆穿越车辆交通网络的方法。该方法包括操作运行环境监控器以识别车辆运行场景。运行环境监控器包括并道运行环境监控器，并且响应于并道运行环境监控器确定车辆交通网络中的第一车道和车辆交通网络中的第二车道并道以沿着自主车辆的预期路径形成后续并道车道，操作运行环境监控器包括将并道车辆运行场景识别为车辆运行场景。运行环境监控器包括通行障碍运行环境监控器，并且响应于通行障碍运行环境监控器确定自主车辆的预期路径包括前向障碍，车辆交通网络省略可用的相邻车道，并且车辆交通网络包括相邻的迎面车道，操作运行环境监控器包括将通行障碍车辆运行场景识别为车辆运行场景。该方法包括，响应于从运行环境监控器接收到识别车辆运行场景的运行环境信息，实例化场景特定运行控制评估模块实例，其中场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例。响应于确定车辆运行场景是并道车辆运行场景，实例化场景特定运行控制评估模块实例包括实例化并道场景特定运行控制评估模块实例。响应于确定车辆运行场景是通行障碍车辆运行场景，实例化场景特定运行控制评估模块实例包括实例化通行障碍场景特定运行控制评估模块实例。该方法包括从场景特定运行控制评估模块实例接收候选车辆控制动作，并根据候选车辆控制动作穿越车辆交通网络的一部分。根据候选车辆控制动作穿越车辆交通网络的该部分包括，响应于确定车辆运行场景是并道车辆运行场景，从车辆交通网络中的当前车道并入后续并道车道，以及响应于确定车辆运行场景是通行障碍车辆运行场景，穿越当前车道的第一部分，在穿越当前车道的第一部分之后，穿越迎面车道的第一部分，并且在穿越迎面车道的第一部分之后，穿越当前车道的第二部分。

本文公开的方法、装置、过程、和算法的这些和其他方面、特征、元素、实施方式和实施例的变型将在下文中进一步详细描述。

附图说明

通过参考以下描述和附图中提供的示例，本文所公开的方法和装置的各个方面将变得更加明显，其中：

图1是其中可以实施本文公开的方面、特征、和元素的车辆的示例的图；

图2是车辆交通和通信系统的一部分的示例的图，在车辆交通和通信系统中可以实施本文公开的方面、特征、和元素；

图3是根据本公开的车辆交通网络的一部分的图；

图4是根据本公开的实施例的自主车辆运行管理系统的示例的图；

图5是根据本公开实施例的自主车辆运行管理的示例的流程图；

图6是根据本公开的实施例的并道场景的示例的图；

图7是根据本公开的实施例的并道场景的另一示例的图；

图8是根据本公开的实施例的并道场景的另一示例的图；和

图9是根据本公开的实施例的通行障碍场景的示例的图。

具体实施方式

诸如自主车辆或半自主车辆的车辆可以穿越车辆交通网络的一部分。车辆可以包括一个或多个传感器，并且穿越车辆交通网络可以包括传感器生成或捕获传感器数据，诸如与车辆的运行环境或其一部分对应的数据。例如，传感器数据可以包括与一个或多个外部对象(诸如行人、远程车辆、车辆运行环境内的其他对象、车辆交通网络几何结构、或其组合)对应的信息。

自主车辆可以包括自主车辆运行管理系统，该系统可以包括可以处理自主车辆的运行环境信息(诸如传感器数据)的一个或多个运行环境监控器。运行环境监控器可以包括阻塞监控器，该阻塞监控器可以确定车辆交通网络的在时空上接近自主车辆的各部分的可用性概率信息。

自主车辆运行管理系统可以包括自主车辆运行管理控制器，其可以检测与外部对象对应的一个或多个运行场景，诸如行人场景、交叉段场景、变道场景、或任何其他车辆运行场景、或车辆运行场景的组合。

自主车辆运行管理系统可以包括一个或多个场景特定(scenario-specific)运行控制评估模块。每个场景特定运行控制评估模块可以是相应运行场景的模型，诸如部分可观测马尔可夫决策过程(Partially Observable Markov Decision Process，POMDP)模型。自主车辆运行管理控制器可以响应于检测到对应的运行场景，实例化场景特定运行控制评估模块的相应实例。

自主车辆运行管理控制器可以从相应的实例化的场景特定运行控制评估模块实例接收候选车辆控制动作，可以从候选车辆控制动作中识别车辆控制动作，并且可以根据所识别的车辆控制动作控制自主车辆穿越车辆交通网络的一部分。

尽管本文参考自主车辆进行了描述，但是本文描述的方法和装置可以在能够自主或半自主运行的任何车辆中实施。尽管参考车辆交通网络进行了描述，但是本文描述的方法和装置可以包括自主车辆在车辆可导航的任何区域中运行。

图1是其中可以实施本文公开的方面、特征、和元素的车辆的示例的图。如所示出的，车辆1000包括底盘1100、动力总成1200、控制器1300、和车轮1400。尽管为了简单起见，车辆1000被示为包括四个车轮1400，但是可以使用任何其他一个或多个推进设备，诸如螺旋桨或踏板。在图1中，互连元件(诸如动力总成1200、控制器1300和车轮1400)的线指示信息(诸如数据或控制信号)、动力(诸如电功率或扭矩)、或信息和功率两者可以在各个元件之间被通信传达。例如，控制器1300可从动力总成1200接收动力，并可与动力总成1200、车轮1400、或这两者通信，以控制车辆1000，这可包括加速、减速、转向或以其他方式控制车辆1000。

如所示出的，动力总成1200包括动力源1210、变速器1220、转向单元1230、和致动器1240。可以包括动力总成的其他元件或元件组合，诸如悬架、驱动轴、轴、或排气系统。尽管被单独示出，但是车轮1400可以包括在动力总成1200中。

动力源1210可以包括发动机、电池、或其组合。动力源1210可以是可操作来提供能量(诸如电能、热能、或动能)的任何设备或设备组合。例如，动力源1210可包括发动机，诸如内燃机、电动机、或内燃机和电动机的组合，并且可操作来向车轮1400中的一个或多个提供动能作为原动力。动力源1210可以包括势能单元，诸如一个或多个干电池(诸如镍镉(NiCd)、镍锌(NiZn)、镍金属氢化物(NiMH)、锂离子(Li-ion))、太阳能电池、燃料电池、或者能够提供能量的任何其他设备。

变速器1220可以从动力源1210接收能量(诸如动能)，并且可以将能量发送到车轮1400以提供原动力。变速器1220可由控制器1300、致动器1240、或这两者控制。转向单元1230可以由控制器1300、致动器1240、或这两者控制，并且可以控制车轮1400来使车辆转向。致动器1240可以从控制器1300接收信号，并且可以致动或控制动力源1210、变速器1220、转向单元1230、或其任意组合来运行车辆1000。

如所示出的，控制器1300可以包括位置单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360、电子通信接口1370、或其任意组合。尽管被示为单个单元，但是控制器1300的元件中的任何一个或多个可以集成到任意数量的分离物理单元中。例如，用户接口1350和处理器1330可以集成在第一物理单元中，并且存储器1340可以集成在第二物理单元中。尽管在图1中未示出，控制器1300可以包括电源，诸如电池。尽管被示为单独的元件，但是位置单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360、电子通信接口1370、或其任意组合可以集成在一个或多个电子单元、电路、或芯片中。

处理器1330可以包括能够操纵或处理信号或者现在存在或以后开发的其他信息的任何设备或设备组合，包括光学处理器、量子处理器、分子处理器、或其组合。例如，处理器1330可以包括一个或多个专用处理器、一个或多个数字信号处理器、一个或多个微处理器、一个或多个控制器、一个或多个微控制器、一个或多个集成电路、一个或多个专用集成电路、一个或多个现场可编程门阵列、一个或多个可编程逻辑阵列、一个或多个可编程逻辑控制器、一个或多个状态机、或其任意组合。处理器1330可以可操作地与位置单元1310、存储器1340、电子通信接口1370、电子通信单元1320、用户接口1350、传感器1360、动力总成1200、或其任意组合耦合。例如，处理器可以经由通信总线1380可操作地与存储器1340耦合。

存储器1340可以包括任何有形的非临时性计算机可用或计算机可读介质，其能够例如包含、存储、通信传达、或运送机器可读指令或与其相关联的任何信息，以供处理器1330使用或与处理器1330结合使用。存储器1340可以是，例如，一个或多个固态驱动器、一个或多个存储器卡、一个或多个可移动介质、一个或多个只读存储器、一个或多个随机存取存储器、一个或多个磁盘(包括硬盘、软盘、光盘、磁卡或光卡)、或者适合存储电子信息的任何类型的非暂时性介质、或其任意组合。

通信接口1370可以是无线天线(如所示出的)、有线通信端口、光通信端口、或能够与有线或无线电子通信介质1500接口的任何其他有线或无线单元。尽管图1示出了经由单个通信链路通信的通信接口1370，但是通信接口可以被配置为经由多个通信链路通信。尽管图1示出了单个通信接口1370，但是车辆可以包括任意数量的通信接口。

通信单元1320可以被配置为经由有线或无线电子通信介质1500(诸如经由通信接口1370)发送或接收信号。尽管在图1中没有明确示出，但是通信单元1320可以被配置为经由任何有线或无线通信介质(诸如射频(radio frequency，RF)、紫外(ultraviolet，UV)、可见光、光纤、电缆、或其组合)来发送、接收或这两者。尽管图1示出了单个通信单元1320和单个通信接口1370，但是可以使用任意数量的通信单元和任意数量的通信接口。在一些实施例中，通信单元1320可以包括专用短程通信(dedicated short range communication，DSRC)单元、车载单元(on-board unit，OBU)、或其组合。

位置单元1310可以确定车辆1000的地理位置信息，诸如经度、纬度、海拔、行进方向、或速度。例如，位置单元可以包括全球定位系统(global positioning system，GPS)单元，诸如支持广域增强系统(Wide Area Augmentation System，WAAS)的国家海洋电子协会(National Marine-Electronics Association，NMEA)单元、无线电三角测量单元、或其组合。位置单元1310可用于获得表示例如车辆1000的当前航向、车辆1000在二维或三维中的当前位置、车辆1000的当前角度方位、或其组合的信息。

用户接口1350可以包括能够与人接口的任何单元，诸如虚拟或物理键盘、触摸板、显示器、触摸显示器、平视显示器、虚拟显示器、增强现实显示器、触觉显示器、特征跟踪设备(诸如眼睛跟踪设备)、扬声器、麦克风、摄像机、传感器、打印机、或其任意组合。如所示出的，用户接口1350可以可操作地与处理器1330耦合，或者与控制器1300的任何其他元件耦合。尽管被示为单个单元，但是用户接口1350可以包括一个或多个物理单元。例如，用户接口1350可以包括用于与人执行音频通信的音频接口和用于与人执行视觉和基于触摸的通信的触摸显示器。用户界面1350可以包括多个显示器，诸如多个物理上分离的单元、单个物理单元内的多个定义部分、或其组合。

传感器1360可包括一个或多个传感器，诸如传感器阵列，其可操作以提供可用于控制车辆的信息。传感器1360可以提供关于车辆1000的当前运行特性的信息。传感器1360可以包括例如速度传感器、加速度传感器、转向角度传感器、牵引相关传感器、制动相关传感器、方向盘位置传感器、眼睛跟踪传感器、座椅位置传感器、或任何传感器、或这些传感器的组合，其可操作为报告关于车辆1000的当前动态状况的一些方面的信息。

传感器1360可以包括一个或多个传感器，其可操作为获得关于车辆1000周围的物理环境的信息。例如，一个或多个传感器可以检测道路几何结构和特征(诸如车道线)以及障碍物(诸如固定障碍物、车辆、和行人)。传感器1360可以是或包括一个或多个摄像机、激光感测系统、红外感测系统、声学感测系统、或任何其他合适类型的车载环境感测设备、或现在已知或以后开发的设备的组合。在一些实施例中，传感器1360和位置单元1310可以是组合单元。

尽管没有单独示出，但车辆1000可以包括轨迹控制器。例如，控制器1300可以包括轨迹控制器。轨迹控制器可操作为获得描述车辆1000的当前状态和为车辆1000规划的路线的信息，并基于该信息来确定和优化车辆1000的轨迹。在一些实施例中，轨迹控制器可以输出可操作为控制车辆1000使得车辆1000遵循由轨迹控制器确定的轨迹的信号。例如，轨迹控制器的输出可以是优化的轨迹，其可以被供应给动力总成1200、车轮1400、或这两者。在一些实施例中，优化的轨迹可以是控制输入，诸如转向角集合，其中每个转向角对应于一时间点或一位置。在一些实施例中，优化的轨迹可以是一个或多个路径、直线、曲线、或其组合。

车轮1400中的一个或多个可以是可以在转向单元1230的控制下被枢转到转向角的转向轮、可以在变速器1220的控制下被扭转以推进车辆1000的推进轮、或者可以转向和推进车辆1000的转向和推进轮。

尽管未在图1中示出，但是车辆可以包括未在图1中示出的单元或元件，诸如外壳、蓝牙模块、调频(frequency modulated，FM)无线电单元、近场通信(Near FieldCommunication，NFC)模块、液晶显示器(liquid crystal display，LCD)显示单元、有机发光二极管(organic light-emitting diode，OLED)显示单元、扬声器、或其任意组合。

车辆1000可以是被自主控制以在没有直接人工干预的情况下穿越车辆交通网络的一部分的自主车辆。尽管未在图1中单独示出，但是自主车辆可以包括可以执行自主车辆路线规划、导航、和控制的自主车辆控制单元。自主车辆控制单元可以与车辆的另一单元集成。例如，控制器1300可以包括自主车辆控制单元。

自主车辆控制单元可以根据当前车辆运行参数控制或操作车辆1000以穿越车辆交通网络的一部分。自主车辆控制单元可以控制或操作车辆1000以执行定义的操作或操纵，诸如停车。自主车辆控制单元可以基于车辆信息、环境信息、表示车辆交通网络的车辆交通网络数据、或其组合，来生成从起点(诸如车辆1000的当前位置)到目的地的行进路线，并且可以控制或操作车辆1000根据该路线穿越车辆交通网络。例如，自主车辆控制单元可以将行进路线输出到轨迹控制器，并且轨迹控制器可以使用生成的路线操作车辆1000从起点行进到目的地。

图2是车辆交通和通信系统的一部分的示例的图，在车辆交通和通信系统中可以实施本文公开的方面、特征和元素。车辆交通和通信系统2000可以包括一个或多个车辆2100/2110(诸如图1所示的车辆1000)，其可以经由一个或多个车辆交通网络2200的一个或多个部分行进，并且可以经由一个或多个电子通信网络2300通信。尽管未在图2中明确示出，但是车辆可以穿越没有被表示或没有被完全包括在车辆交通网络中的区域，诸如越野区域。

电子通信网络2300可以是例如多址系统，并且可以提供车辆2100/2110和一个或多个通信设备2400之间的通信，诸如语音通信、数据通信、视频通信、消息通信、或其组合。例如，车辆2100/2110可以经由网络2300从通信设备2400接收信息，诸如表示车辆交通网络2200的信息。

在一些实施例中，车辆2100/2110可以经由有线通信链路(未示出)、无线通信链路2310/2320/2370、或者任意数量的有线或无线通信链路的组合进行通信。例如，如所示出的，车辆2100/2110可以经由地面无线通信链路2310、经由非地面无线通信链路2320、或经由其组合进行通信。地面无线通信链路2310可以包括以太网链路、串行链路、蓝牙链路、红外链路(infrared，IR)、紫外(UV)链路、或能够提供电子通信的任何链路。

车辆2100/2110可以与另一车辆2100/2110通信。例如，主车辆(host vehicle，HV)或主体车辆2100可以经由直接通信链路2370或经由网络2300从远程车辆(remotevehicle，RV)或目标车辆2110接收一个或多个自动的车辆间消息，诸如基本安全消息(basic safety message，BSM)。例如，远程车辆2110可以在定义的广播范围内(诸如300米)向主车辆广播该消息。在一些实施例中，主车辆2100可以经由第三方(诸如信号中继器(未示出)或另一远程车辆(未示出))接收消息。车辆2100/2110可以基于例如定义的间隔(诸如100毫秒)周期性地发送一个或多个自动的车辆间消息。

自动的车辆间消息可包括车辆标识信息、地理空间状态信息(诸如经度、纬度、或海拔信息)、地理空间位置精度信息、运动学状态信息(诸如车辆加速度信息、偏航角速率信息、速度信息、车辆航向信息、制动系统状态信息、油门信息、方向盘角度信息、或车辆路线信息)、或车辆运行状态信息(诸如车辆尺寸信息、前灯状态信息、转向信号信息、刮水器状态信息、发送信息、或与发送车辆状态相关的任何其他信息、或信息的组合)。例如，变速器状态信息可以指示发送的车辆的变速器是处于空档状态、停车状态、继续进行状态、还是倒车状态。

车辆2100可以经由接入点2330与通信网络2300通信。可以包括计算设备的接入点2330可以被配置为经由有线或无线通信链路2310/2340与车辆2100、与通信网络2300、与一个或多个通信设备2400、或与其组合通信。例如，接入点2330可以是基站、基站收发信台(base transceiver station，BTS)、节点B、增强型节点B(enhanced Node-B，eNode-B)、家庭节点B(Home Node-B，HNode-B)、无线路由器、有线路由器、集线器、中继站、交换机、或任何类似的有线或无线设备。虽然在图2中被示为单个单元，但是接入点可以包括任意数量的互连元件。

车辆2100可以经由卫星2350或其他非地面通信设备与通信网络2300通信。可以包括计算设备的卫星2350可以被配置为经由一个或多个通信链路2320/2360与车辆2100、与通信网络2300、与一个或多个通信设备2400、或与其组合通信。虽然在图2中被示为单个单元，但是卫星可以包括任意数量的互连元件。

电子通信网络2300可以是被配置为提供语音、数据、或任何其他类型的电子通信的任何类型的网络。例如，电子通信网络2300可以包括局域网(local area network，LAN)、广域网(wide area network，WAN)、虚拟专用网(virtual private network，VPN)、移动或蜂窝电话网络、互联网、或任何其他电子通信系统。电子通信网络2300可以通信协议，诸如传输控制协议(transmission control protocol，TCP)、用户数据报协议(user datagramprotocol，UDP)、互联网协议(internet protocol，IP)、实时传输协议(real-timetransport protocol，RTP)、超文本传输协议(HyperText Transport Protocol，HTTP)、或其组合。尽管在图2中被示为单个单元，但是电子通信网络可以包括任意数量的互连元件。

车辆2100可以识别车辆交通网络2200的一部分或条件。例如，车辆2100可包括一个或多个车载传感器2105(诸如图1中所示的传感器1360)，其可包括速度传感器、车轮速度传感器、相机、陀螺仪、光学传感器、激光传感器、雷达传感器、声波传感器、或能够确定或识别车辆交通网络2200的一部分或条件的任何其他传感器或设备、或其组合。传感器数据可以包括车道线数据、远程车辆位置数据、或这两者。

车辆2100可使用经由网络2300通信传达的信息穿越一个或多个车辆交通网络2200的一部分或多个部分，所述信息诸如表示车辆交通网络2200的信息、由一个或多个车载传感器2105识别的信息、或其组合。

尽管为了简单起见，图2示出了两个车辆2100/2110、一个车辆交通网络2200、一个电子通信网络2300、和一个通信设备2400，但是可以使用任意数量的车辆、网络、或计算设备。车辆交通和通信系统2000可以包括图2中未示出的设备、单元、或元件。尽管车辆2100被示为单个单元，但是车辆可以包括任意数量的互连元件。

尽管车辆2100被示为经由网络2300与通信设备2400通信，但是车辆2100可以经由任意数量的直接或间接通信链路与通信设备2400通信。例如，车辆2100可以经由诸如蓝牙通信链路的直接通信链路与通信设备2400通信。

在一些实施例中，车辆2100/2210可以与实体2500/2510(诸如驾驶员、操作员或车辆所有者)相关联。在一些实施例中，与车辆2100/2110相关联的实体2500/2510可以与一个或多个个人电子设备2502/2504/2512/2514(诸如智能手机2502/2512或计算机2504/2514)相关联。在一些实施例中，个人电子设备2502/2504/2512/2514可以经由直接或间接通信链路与对应的车辆2100/2110通信。尽管在图2中一个实体2500/2510被示为与一个车辆2100/2110相关联，但是任意数量的车辆可以与一个实体相关联，并且任意数量的实体可以与一个车辆相关联。

图3是根据本公开的车辆交通网络的一部分的示意图。车辆交通网络3000可以包括一个或多个不可导航区域3100(诸如建筑物)、一个或多个部分可导航区域(诸如停车区域3200)、一个或多个可导航区域(诸如道路3300/3400)、或其组合。在一些实施例中，自主车辆(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一)、半自主车辆、或实施自主驾驶的任何其他车辆可以穿越车辆交通网络3000的一部分或多个部分。

车辆交通网络3000可以包括一个或多个可导航区域或部分可导航区域3200/3300/3400之间的一个或多个交汇处3210。例如，图3所示的车辆交通网络3000的一部分包括停车区域3200和道路3400之间的交汇处3210。停车区域3200可以包括停车位3220。

车辆交通网络3000的一部分(诸如道路3300/3400)可以包括一个或多个车道3320/3340/3360/3420/3440，并且可以与一个或多个行进方向相关联，如图3中的箭头所指示。

车辆交通网络或其一部分(诸如图3所示的车辆交通网络3000的一部分)可以被被表示为车辆交通网络数据。例如，车辆交通网络数据可以被表达为元素(诸如可以存储在数据库或文件中的标记语言元素)的层次。为简单起见，本文的附图将表示车辆交通网络的一部分的车辆交通网络数据描绘为图表或地图；然而，车辆交通网络数据可以以能够表示车辆交通网络或其一部分的任何计算机可用形式来表达。车辆交通网络数据可以包括车辆交通网络控制信息，诸如行进方向信息、速度限制信息、通行费信息、坡度信息(诸如倾斜度或角度信息)、表面材料信息、美学信息、定义的危险信息、或其组合。

车辆交通网络可以与行人交通网络相关联，或者可以包括行人交通网络。例如，图3包括行人交通网络的一部分3600，其可以是行人人行道。尽管在图3中没有单独示出，但是行人可导航区域(诸如行人人行横道)可以对应于车辆交通网络的可导航区域或部分可导航区域。

车辆交通网络的一部分或多个部分的组合可以被标识为兴趣点或目的地。例如，车辆交通网络数据可以将建筑物(诸如不可导航区域3100和相邻的部分可导航停车区域3200)标识为兴趣点，车辆可以将兴趣点识别为目的地，并且车辆可以通过穿越车辆交通网络从起点行进到目的地。尽管在图3中，与不可导航区域3100相关联的停车区域3200被示为与不可导航区域3100相邻，但是目的地可以包括例如建筑物和在物理上或地理空间上不与该建筑物相邻的停车区域。

识别目的地可以包括识别目的地的位置，该位置可以是离散的唯一可识别的地理位置。例如，车辆交通网络可以包括目的地的定义位置，诸如街道地址、邮政地址、车辆交通网络地址、GPS地址、或其组合。

目的地可以与一个或多个入口相关联，诸如图3所示的入口3500。车辆交通网络数据可以包括定义的入口位置信息，诸如标识与目的地相关联的入口的地理位置的信息。

目的地可以与一个或多个停靠位置相关联，诸如图3所示的停靠位置3700。停靠位置3700可以是接近目的地的指定或未指定的位置或区域，在该位置或区域处，自主车辆可以停止、停放、或停车，从而可以执行停靠操作，诸如乘客装载或卸载。

车辆交通网络数据可以包括停靠位置信息，诸如标识与目的地相关联的一个或多个停靠位置3700的地理位置的信息。尽管未在图3中单独示出，但停靠位置信息可以标识与停靠位置3700相关联的停靠操作的类型。例如，目的地可以与用于乘客装载的第一停靠位置和用于乘客卸载的第二停靠位置相关联。尽管自主车辆可以在停靠位置处停车，但是与目的地相关联的停靠位置可以独立于与目的地相关联的停车区域，并与之不同。

图4是根据本公开实施例的自主车辆运行管理系统4000的示例的图。自主车辆运行管理系统4000可以在自主车辆中实施，诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或实施自主驾驶的任何其他车辆。

自主车辆可以穿越车辆交通网络或其一部分，这可以包括穿越不同的车辆运行场景。不同的车辆运行场景可以包括可以影响自主车辆在自主车辆的定义的时空区域或运行环境内的运行的、运行条件的任何不同可识别集合。例如，不同的车辆运行场景可以基于自主车辆可以在定义的时空距离内穿越的道路、路段、或车道的数量或基数。在另一示例中，不同的车辆运行场景可以基于可以影响自主车辆在自主车辆的定义的时空区域或运行环境内的运行的一个或多个交通控制设备。在另一示例中，不同的车辆运行场景可以基于可以影响自主车辆在自主车辆的定义的时空区域或运行环境内的运行的一个或多个可识别规则、条例或法律。在另一示例中，不同的车辆运行场景可以基于可以影响自主车辆在自主车辆的定义的时空区域或运行环境内的运行的一个或多个可识别外部对象。

为了简单和清楚，本文可以参考车辆运行场景类型或类别来描述类似的车辆运行场景。车辆运行场景的类型或类别可以指场景的已定义的模式或已定义的模式集合。例如，交叉段场景可以包括自主车辆穿越交叉段，行人场景可以包括自主车辆穿越包括一个或多个行人或者在一个或多个行人的限定接近范围内的车辆交通网络的一部分，诸如，在车辆交通网络的该部分中，行人正在穿过或靠近自主车辆的预期路径；变道场景可以包括自主车辆通过改变车道穿越车辆交通网络的一部分；并道场景可以包括自主车辆通过从第一车道并入并道车道来穿越车辆交通网络的一部分；通行障碍场景可以包括自主车辆通过经过障碍物或障碍来穿越车辆交通网络的一部分。尽管本文描述了行人车辆运行场景、交叉段车辆运行场景、变道车辆运行场景、并道车辆运行场景、和通行障碍车辆运行场景，但是可以使用任何其他车辆运行场景或车辆运行场景类型。

如图4所示，自主车辆运行管理系统4000包括自主车辆运行管理控制器4100(autonomous vehicle operational management controller，AVOMC)、运行环境监控器4200、和运行控制评估模块4300。

AVOMC 4100或自主车辆的另一单元可以控制自主车辆穿越车辆交通网络或其一部分。控制自主车辆穿越车辆交通网络可以包括监控自主车辆的运行环境、识别或检测不同的车辆运行场景、基于不同的车辆运行场景识别候选车辆控制动作、根据候选车辆控制动作中的一个或多个来控制自主车辆穿越车辆交通网络的一部分、或其组合。

AVOMC 4100可以接收、识别、或以其他方式访问表示自主车辆的运行环境或其一个或多个方面的运行环境数据。自主车辆的运行环境可以包括运行条件的不同可识别集合，这些运行条件可影响自主车辆在自主车辆的定义的时空区域内、自主车辆的识别的路线的定义的时空区域内、或其组合内的运行。例如，可以基于传感器数据、车辆交通网络数据、路线数据、或表示车辆的定义或确定的运行环境的任何其他数据或数据组合来识别可以影响自主车辆运行的运行条件。

运行环境数据可以包括自主车辆的车辆信息，诸如：指示自主车辆的地理空间位置的信息；将自主车辆的地理空间位置与表示车辆交通网络、自主车辆的路线、自主车辆的速度、自主车辆的加速状态相关联的信息；自主车辆的乘客信息；或关于自主车辆或自主车辆的运行的任何其他信息。运行环境数据可以包括表示接近自主车辆的识别的路线(诸如在沿着该识别的路线的车辆交通网络的各部分的定义的空间距离(诸如300米)内)的车辆交通网络的信息，该信息可以包括指示车辆交通网络的一个或多个方面的几何结构的信息、指示车辆交通网络的条件(诸如表面条件)的信息、或其任意组合。运行环境数据可以包括表示接近自主车辆(诸如在自主车辆的定义的空间距离(诸如300米)内)的车辆交通网络的信息，该信息可以包括指示车辆交通网络的一个或多个方面的几何结构的信息、指示车辆交通网络的条件(诸如表面条件)的信息、或其任意组合。运行环境数据可以包括表示自主车辆的运行环境内的外部对象的信息，诸如表示行人、非人类动物、诸如自行车或滑板的非机动交通设备、诸如远程车辆的机动交通设备、或者可以影响自主车辆的运行的任何其他外部对象或实体的信息。

可以在各个不同的车辆运行场景内表示自主车辆的运行环境的各方面。例如，可以在各个不同的车辆运行场景内表示外部对象的相对方位、轨迹、预期路径。在另一示例中，可以在各个不同的车辆运行场景内表示车辆交通网络的相对几何结构。

作为示例，第一不同的车辆运行场景可以对应于行人在人行横道处穿过道路，并且可以在第一不同的车辆运行场景内表示行人的相对方位和预期路径(诸如从左向右穿过或者从右向左穿过)。第二不同的车辆运行场景可以对应于行人通过乱穿马路来穿过道路，并且可以在第二不同的车辆运行场景内表示行人的相对方位和预期路径(诸如从左向右穿过或者从右向左穿过)。

自主车辆可以在运行环境内穿越多个不同的车辆运行场景，其可以是复合车辆运行场景的各个方面。自主车辆运行管理系统4000可以操作或控制自主车辆穿越不同的车辆运行场景，这些场景受制于定义的约束，诸如安全约束、法定约束、物理约束、用户可接受性约束、或者可以为自主车辆的运行定义或导出的任何其他约束、或约束的组合。

AVOMC 4100可以监控自主车辆的运行环境或其定义的各方面。监控自主车辆的运行环境可以包括识别和跟踪外部对象、识别不同的车辆运行场景、或其组合。例如，AVOMC4100可以利用自主车辆的运行环境来识别和跟踪外部对象。识别和跟踪外部对象可包括识别各个外部对象的时空位置(其可以相对于自主车辆)，识别各个外部对象的一个或多个预期路径(其可以包括识别外部对象的速度、轨迹、或这两者)。为了简单和清楚，本文对位置、预期位置、路径、预期路径等的描述可以省略对应的位置和路径指代地理空间和时间分量的明确指示；然而，除非本文明确指出，或者以其他方式从上下文中明显清楚，否则本文描述的位置、预期位置、路径、预期路径等可以包括地理空间分量、时间分量、或这两者。监控自主车辆的运行环境可以包括使用从运行环境监控器4200接收的运行环境数据。

运行环境监控器4200可以包括场景不可知监控器、场景特定监控器、或其组合。场景不可知监控器(诸如阻塞监控器4210)可以监控自主车辆的运行环境、生成表示自主车辆的运行环境的各方面的运行环境数据、并将运行环境数据输出到一个或多个场景特定监控器(AVOMC 4100)，或其组合。场景特定监控器(诸如行人监控器4220、交叉段监控器4230、变道监控器4240、并道监控器4250、或前向障碍监控器4260)可以监控自主车辆的运行环境，生成表示自主车辆的运行环境的场景特定各方面的运行环境数据，并将运行环境数据输出到一个或多个场景特定运行控制评估模块4300、AVOMC 4100，或其组合。例如，行人监控器4220可以是用于监控行人的运行环境监控器，交叉段监控器4230可以是用于监控交叉段的运行环境监控器，变道监控器4240可以是用于监控变道的运行环境监控器，并道监控器4250可以是用于并道的运行环境监控器，并且前向障碍监控器4260可以是用于监控前向障碍的运行环境监控器。使用虚线示出运行环境监控器4270，以指示自主车辆运行管理系统4000可以包括任意数量的运行环境监控器4200。

运行环境监控器4200可以接收或以其他方式访问运行环境数据，诸如由自主车辆的一个或多个传感器生成或捕获的运行环境数据、车辆交通网络数据、车辆交通网络几何结构数据、路线数据、或其组合。例如，行人监控器4220可以接收或以其他方式访问诸如传感器数据的信息，该信息可以指示、对应于、或可以以其他方式关联于自主车辆的运行环境中的一个或多个行人。运行环境监控器4200可以将运行环境数据或其一部分与运行环境或其一方面相关联，诸如与外部对象(诸如行人、远程车辆、或车辆交通网络几何结构的一方面)相关联。

运行环境监控器4200可以生成或以其他方式识别表示运行环境的一个或多个方面(诸如外部对象(诸如行人、远程车辆、或车辆交通网络几何结构的一方面))的信息，该信息可以包括过滤、抽象化、或以其他方式处理运行环境数据。运行环境监控器4200可以将表示运行环境的一个或多个方面的信息输出到AVOMC 4100，或者供AVOMC 4100访问，诸如通过将表示运行环境的一个或多个方面的信息存储在可由AVOMC 4100访问的自主车辆的存储器中(诸如图1所示的存储器1340中)、将表示运行环境的一个或多个方面的信息传送到AVOMC 4100、或者其组合。运行环境监控器4200可以将运行环境数据输出到自主车辆运行管理系统4000的一个或多个元件，诸如AVOMC 4100。尽管未在图4中示出，但场景特定运行环境监控器4220、4230、4240、4250、4260可以将运行环境数据输出到场景不可知运行环境监控器，诸如阻塞监控器4210。

行人监控器4220可以联系、关联、或以其他方式处理运行环境数据，以识别、跟踪、或预测一个或多个行人的动作。例如，行人监控器4220可以从一个或多个传感器接收诸如传感器数据的信息，该信息可以对应于一个或多个行人，行人监控器4220可以将传感器数据与一个或多个识别的行人相关联，其可以包括识别各个识别的行人中的一个或多个行人的行进方向、路径(诸如预期路径)、当前或预期速度、当前或预期加速度、或其组合，并且行人监控器4220可以向AVOMC 4100输出识别的、关联的、或生成的行人信息或者供AVOMC4100访问。

交叉段监控器4230可以联系、关联、或以其他方式处理运行环境数据，以识别、跟踪、或预测自主车辆的运行环境中的一个或多个远程车辆的动作，以识别自主车辆的运行环境中的交叉段或其一方面，以识别车辆交通网络几何结构，或其组合。例如，交叉段监控器4230可以从一个或多个传感器接收诸如传感器数据的信息，该信息可以对应于自主车辆的运行环境中的一个或多个远程车辆、自主车辆的运行环境中的交叉段或其一个或多个方面、车辆交通网络几何结构、或其组合，交叉段监控器4230可以将传感器数据与自主车辆的运行环境中的一个或多个识别的远程车辆、自主车辆的运行环境中的交叉段或其一个或多个方面、车辆交通网络几何结构、或其组合相关联，这可以包括可以识别各个识别的远程车辆中的一个或多个远程车辆的当前或预期行进方向、路径(诸如预期路径)、当前或预期速度、当前或预期加速度、或其组合，并且交叉段监控器4230可以向AVOMC 4100输出识别的、关联的或生成的交叉段信息或者供AVOMC 4100访问。

变道监控器4240可以联系、关联、或以其他方式处理运行环境数据，以识别、跟踪、或预测在自主车辆的运行环境中的一个或多个远程车辆的动作(诸如指示沿着自主车辆的预期路径的缓慢或静止的远程车辆的信息)，以识别在地理空间上对应于变道操作的自主车辆的运行环境的一个或多个方面(诸如自主车辆的运行环境中的车辆交通网络几何结构)或其组合。例如，变道监控器4240可以从一个或多个传感器接收诸如传感器数据的信息，该信息可以对应于自主车辆的运行环境中的一个或多个远程车辆、自主车辆的运行环境中的在地理空间上对应于变道操作的自主车辆的运行环境的一个或多个方面、或其组合，变道监控器4240可以将传感器数据与自主车辆的运行环境中的一个或多个识别的远程车辆、在地理空间上对应于变道操作的自主车辆的运行环境的一个或多个方面、或其组合相关联，这可以包括可以识别各个识别的远程车辆中的一个或多个的当前或预期行进方向、路径(诸如预期路径)、当前或预期速度、当前或预期加速度、或其组合，并且变道监控器4240可以向AVOMC 4100输出识别的、关联的、或生成的变道信息或者供AVOMC 4100访问。

并道监控器4250可以联系、关联、或以其他方式处理运行环境信息，以识别、跟踪、或预测自主车辆的运行环境中的一个或多个远程车辆的动作，以识别在地理空间上对应于并道操作的自主车辆的运行环境的一个或多个方面(诸如自主车辆的运行环境中的车辆交通网络几何结构)或其组合。例如，并道监控器4250可以从一个或多个传感器接收诸如传感器数据的信息，该信息可以对应于自主车辆的运行环境中的一个或多个远程车辆、自主车辆的运行环境中的在地理空间上对应于并道操作的自主车辆的运行环境的一个或多个方面、或其组合，并道监控器4250可以将传感器数据与自主车辆的运行环境中的一个或多个识别的远程车辆、在地理空间上对应于并道操作的自主车辆的运行环境的一个或多个方面、或其组合相关联，这可以包括可以识别各个识别的远程车辆中的一个或多个的当前或预期行进方向、路径(诸如预期路径)、当前或预期速度、当前或预期加速度、或其组合，并且并道监控器4250可以向AVOMC 4100输出识别的、关联的、或生成的并道信息或者供AVOMC4100访问。

前向障碍监控器4260可以联系、关联、或以其他方式处理运行环境信息，以识别在地理空间上对应于前方通行障碍操作的自主车辆的运行环境的一个或多个方面。例如，前向障碍监控器4260可以识别自主车辆的运行环境中的车辆交通网络几何结构；前向障碍监控器4260可以识别自主车辆的运行环境中的一个或多个障碍或障碍物(诸如沿着自主车辆的预期路径或沿着自主车辆的识别的路线的缓慢或静止的远程车辆)；并且前向障碍监控器4260可以识别、跟踪、或预测自主车辆的运行环境中的一个或多个远程车辆的动作。前向障碍监控器4250可以从一个或多个传感器接收诸如传感器数据的信息，该信息可以对应于自主车辆的运行环境中的一个或多个远程车辆、自主车辆的运行环境中的在地理空间上对应于前方通行障碍操作的自主车辆的运行环境的一个或多个方面、或其组合，前向障碍监控器4250可以将传感器数据与自主车辆的运行环境中的一个或多个识别的远程车辆、在地理空间上对应于前方通行障碍操作的自主车辆的运行环境的一个或多个方面、或其组合相关联，这可以包括可以识别各个识别的远程车辆中的一个或多个的当前或预期行进方向、路径(诸如预期路径)、当前或预期速度、当前或预期加速度、或其组合，并且前向障碍监控器4250可以向AVOMC 4100输出识别的、关联的、或生成的前向障碍信息或者供AVOMC 4100访问。

阻塞监控器4210可以接收表示自主车辆的运行环境或其一方面的运行环境数据。阻塞监控器4210可以确定车辆交通网络的一个或多个部分的相应可用性概率或对应的阻塞概率，该车辆交通网络的一个或多个部分诸如最接近自主车辆的车辆交通网络的各部分，其可以包括对应于自主车辆的预期路径(诸如基于自主车辆的当前路线识别的预期路径)的车辆交通网络的各部分。可用性概率或对应的阻塞概率可以指示自主车辆可以安全地穿越车辆交通网络的一部分或在其之内的空间位置(诸如不受外部对象(诸如远程车辆或行人)的阻碍)的概率或可能性。阻塞监控器4210可以连续地或周期性地确定或更新可用性概率。阻塞监控器4210可以向AVOMC 4100通信传达可用性概率或对应的阻塞概率。

AVOMC 4100可以基于由运行环境数据表示的运行环境的一个或多个方面来识别一个或多个不同的车辆运行场景。例如，AVOMC 4100可以响应于识别或基于由运行环境监控器4200中的一个或多个指示的运行环境数据来识别不同的车辆运行场景。可以基于路线数据、传感器数据、或其组合来识别不同的车辆运行场景。例如，响应于识别的路线，AVOMC4100可以诸如基于与车辆的识别的路线对应的地图数据来识别与识别的路线对应的一个或多个不同的车辆运行场景。可以基于由运行环境数据表示的运行环境的一个或多个方面来识别多个不同的车辆运行场景。例如，运行环境数据可以包括表示行人沿着自主车辆的预期路径靠近交叉段的信息，并且AVOMC 4100可以识别行人车辆运行场景、交叉段车辆运行场景、或这两者。

AVOMC 4100可以基于由运行环境数据表示的运行环境的一个或多个方面来实例化运行控制评估模块4300中的一个或多个的相应实例。运行控制评估模块4300可以包括场景特定运行控制评估模块(scenario-specific operation control evaluation module，SSOCEM)，诸如行人-SSOCEM 4310、交叉段-SSOCEM 4320、变道-SSOCEM 4330、并道-SSOCEM4340、通行障碍-SSOCEM 4350、或其组合。使用虚线示出了SSOCEM 4360，以指示自主车辆运行管理系统4000可以包括任意数量的SSOCEM 4300。例如，AVOMC 4100可以响应于识别不同的车辆运行场景来实例化SSOCEM 4300的实例。AVOMC 4100可以基于由运行环境数据表示的运行环境的一个或多个方面来实例化一个或多个SSOCEM 4300的多个实例。例如，运行环境数据可以指示自主车辆的运行环境中的两个行人，并且AVOMC 4100可以基于由运行环境数据表示的运行环境的一个或多个方面来针对每个行人实例化行人-SSOCEM 4310的相应实例。

AVOMC 4100可以将运行环境数据或其一个或多个方面传送到自主车辆的另一单元，诸如阻塞监控器4210或SSOCEM 4300的一个或多个实例。例如，AVOMC 4100可以将从阻塞监控器4210接收的可用性概率或对应的阻塞概率通信传达到SSOCEM 4300的相应实例化实例。AVOMC 4100可以将运行环境数据或其一个或多个方面存储在自主车辆的存储器(诸如图1所示的存储器1340)中。

控制自主车辆穿越车辆交通网络可以包括基于不同的车辆运行场景来识别候选车辆控制动作、根据候选车辆控制动作中的一个或多个来控制自主车辆穿越车辆交通网络的一部分、或其组合。例如，AVOMC 4100可以从SSOCEM 4300的各个实例接收一个或多个候选车辆控制动作。AVOMC 4100可以从候选车辆控制动作中识别车辆控制动作，并且可以控制车辆，或者可以将识别的车辆控制动作提供给另一车辆控制单元，以根据车辆控制动作穿越车辆交通网络。

车辆控制动作可以指示车辆控制操作或操纵，诸如加速、减速、转弯、停止、或可以由自主车辆结合穿越车辆交通网络的一部分来执行的任何其他车辆操作或车辆操作的组合。例如，“向前”车辆控制动作可以包括缓慢地向前缓步移动一小段距离，诸如几英寸或一英尺；“加速”车辆控制动作可以包括以定义的加速度或在定义范围内的加速度加速；“减速”车辆控制动作可以包括以定义的减速度或在定义范围内的减速度减速；“保持”车辆控制动作可以包括保持当前运行参数，诸如通过保持当前速度、当前路径或路线、或当前车道方位；并且“继续进行”车辆控制动作可以包括开始或恢复先前识别的运行参数集合。尽管本文描述了一些车辆控制动作，但是也可以使用其他车辆控制动作。

车辆控制动作可以包括一个或多个性能度量。例如，“停止”车辆控制动作可以包括减速度作为性能度量。在另一示例中，“继续进行”车辆控制动作可以明确地指示路线或路径信息、速度信息、加速度、或其组合作为性能度量，或者可以明确地或隐含地指示当前或先前识别的路径、速度、加速度、或其组合可以被保持。车辆控制动作可以是复合车辆控制动作，其可以包括车辆控制动作的序列、组合、或这两者。例如，“向前”车辆控制动作可以指示“停止”车辆控制动作、与定义的加速度相关联的后续“加速”车辆控制动作、以及与定义的减速度相关联的后续“停止”车辆控制动作，使得根据“向前”车辆控制动作控制自主车辆包括控制自主车辆缓慢地向前缓步移动一小段距离，诸如几英寸或一英尺。

AVOMC 4100可以将SSOCEM 4300的实例非实例化(uninstantiate)。例如，AVOMC4100可以将不同的运行条件集合识别为指示自主车辆的不同的车辆运行场景，针对不同的车辆运行场景实例化SSOCEM 4300的实例，监控运行条件，随后确定运行条件中的一个或多个已经过期或者具有低于定义的阈值的影响自主车辆运行的概率，并且AVOMC 4100可以使SSOCEM 4300的实例非实例化。

AVOMC 4100可以基于一个或多个车辆运行管理控制度量(诸如内在性度量、紧急性度量、效用度量、可接受性度量、或其组合)来实例化和非实例化SSOCEM 4300的实例。内在性度量可以指示、表示、或者基于空间、时间、或时空距离或接近度，该距离或接近度可以是车辆从车辆的当前位置穿越车辆交通网络到达与相应的所识别的车辆运行场景对应的车辆交通网络的一部分的预期距离或接近度。紧急性度量可以指示、表示或者基于空间、时间、或时空距离的度量，该度量可用于控制车辆穿越与相应的所识别的车辆运行场景对应的车辆交通网络的一部分。效用度量可以指示、表示或者基于实例化与相应的所识别的车辆运行场景对应的SSOCEM 4300的实例的预期值。可接受性度量可以是安全度量(诸如指示碰撞避免的度量)、车辆交通网络控制符合性度量(诸如指示符合车辆交通网络规则和条例的度量)、物理能力度量(诸如指示车辆的最大制动能力的度量)、用户定义的度量(诸如用户偏好)。可以使用其他度量或度量的组合。车辆运行管理控制度量可以指示定义的速率、范围、或限值。例如，可接受性度量可以指示定义的目标减速度、定义的减速度范围、或定义的最大减速度。

SSOCEM 4300可以包括相应的不同的车辆运行场景的一个或多个模型。自主车辆运行管理系统4000可以包括任意数量的SSOCEM 4300，每个SSOCEM包括相应的不同的车辆运行场景的模型。SSOCEM 4300可以包括来自一种或多种模型的一个或多个模型。例如，SSOCEM 4300可以包括部分可观测的马尔可夫决策过程(Partially Observable MarkovDecision Process，POMDP)模型、马尔可夫决策过程(Markov Decision Process，MDP)模型、经典规划模型、部分可观测的随机博弈(Partially Observable Stochastic Game，POSG)模型、分散的部分可观测的马尔可夫决策过程(Decentralized PartiallyObservable Markov Decision Process，Dec-POMDP)模型、强化学习(ReinforcementLearning，RL)模型、人工神经网络模型、或相应的不同的车辆运行场景的任何其他模型。每个不同类型的模型在准确性和资源利用方面可以有各自的特点。例如，用于定义的场景的POMDP模型可以比用于定义的场景的MDP模型具有更高的准确性和更高的资源利用率。包括在SSOCEM 4300中的模型可以被排序，诸如分级排序，诸如基于准确性排序。例如，指定的模型(诸如包括在SSOCEM 4300中的最准确的模型)可以被识别为SSOCEM 4300的主要模型，并且包括在SSOCEM 4300中的其他模型可以被识别为次要模型。

在示例中，SSOCEM 4300中的一个或多个可以包括POMDP模型，其可以是单代理模型。POMDP模型可以对不同的车辆运行场景进行建模，这可以包括使用状态集合(S)、动作集合(A)、观测值集合(Ω)、状态转移概率集合(T)、条件观测概率集合(O)、奖励函数(R)、或其组合来对不确定性进行建模。POMDP模型可以被定义或描述为元组<S，A，Ω，T，O，R>。

来自状态集合(S)的状态可以表示可能概率性地影响自主车辆在离散时间位置的运行的、自主车辆的运行环境的各个定义的方面(诸如外部对象和交通控制设备)的不同条件。可以针对每个不同的车辆运行场景来定义相应状态集合(S)。来自状态集合(S)的每个状态(状态空间)可以包括一个或多个定义的状态因子。尽管本文描述了一些模型的状态因子的一些示例，但是模型(包括本文描述的任何模型)可以包括任意数量或基数的状态因子。每个状态因子可以表示相应场景的定义的方面，并且可以具有相应的定义的值集。尽管本文描述了一些状态因子的状态因子值的一些示例，但是状态因子(包括本文描述的任何状态因子)可以包括任意数量或基数的值。

来自动作集合(A)的动作可以指示在状态集合(S)中的每个状态下的可用的车辆控制动作。可以针对每个不同的车辆运行场景定义相应的动作集合。来自动作集合(A)的每个动作(动作空间)可以包括一个或多个定义的动作因子。尽管本文描述了一些模型的动作因子的一些示例，但是模型(包括本文描述的任何模型)可以包括任意数量或基数的动作因子。每个动作因子可以表示可用的车辆控制动作，并且可以具有相应的定义的值集。尽管本文描述了一些动作因子的动作因子值的一些示例，但是动作因子(包括本文描述的任何动作因子)可以包括任意数量或基数的值。

来自观测值集合(Ω)的观测值可以指示针对状态集合(S)中每个状态的可用的可观测、可测量、或可确定的数据。可以针对每个不同的车辆运行场景定义相应的观测值集合。来自观测值集合(Ω)的每个观测值(观测空间)可以包括一个或多个定义的观测因子。尽管本文描述了一些模型的观测因子的一些示例，但是模型(包括本文描述的任何模型)可以包括任意数量或基数的观测因子。每个观测因子可以表示可用的观测值，并且可以具有相应的定义的值集。尽管本文描述了一些观测因子的观测因子值的一些示例，但是观测因子(包括本文描述的任何观测因子)可以包括任意数量或基数的值。

来自状态转移概率集合(T)的状态转移概率可以概率性地表示响应于自主车辆的动作(如由动作集合(A)表示的)的、自主车辆的运行环境(如由状态集合(S)表示的)的改变，其可以被表达为T：S×A×S→[0,1]。可以针对每个不同的车辆运行场景定义相应的状态转移概率集合(T)。尽管本文描述了一些模型的状态转移概率的一些示例，但是模型(包括本文描述的任何模型)可以包括任意数量或基数的状态转移概率。例如，状态、动作、和后续状态的每个组合可以与相应状态转移概率相关联。

来自条件观测概率集合(O)的条件观测概率可以表示响应于自主车辆的动作(如由动作集合(A)表示的)而基于自主车辆的运行环境(如由状态集合(S)表示的)进行相应观测(Ω)的概率，其可以被表达为O：A×S×Ω→[0,1]。可以针对每个不同的车辆运行场景定义相应的条件观测概率集合(O)。尽管本文描述了一些模型的状态条件观测概率的一些示例，但是模型(包括本文描述的任何模型)可以包括任意数量或基数的条件观测概率。例如，动作、后续状态、和观测的每个组合可以与相应的条件观测概率相关联。

奖励函数(R)可以确定可以针对状态和动作的每个组合累积的相应正的或负的(成本)值，该值可以表示自主车辆从对应的状态根据对应的车辆控制动作穿越车辆交通网络到达后续状态的期望值，该期望值可以表达为

为了简单和清楚，本文描述的模型的值的示例(诸如状态因子值或观测因子值)包括分类表示，诸如{开始，目标}或{短，长}。分类值可以表示定义的离散值，离散值可以是相对值。例如，表示时间方面的状态因子可以具有来自集合{短、长}的值；值“短”可以表示离散值(诸如时间距离)在定义的阈值之内或小于定义的阈值(诸如3秒)，并且值“长”可以表示离散值(诸如时间距离)至少为该定义的阈值(诸如等于或大于该定义的阈值)。可以相对于相关联的因子来定义各个分类值的定义的阈值。例如，时间因子集合{短，长}的定义的阈值可以与相对空间位置因子值相关联，并且时间因子集合{短，长}的另一定义的阈值可以与另一相对空间位置因子值相关联。尽管本文描述了因子值的分类表示，但是也可以使用其他表示或表示的组合。例如，时间状态因子值集合可以是{短(表示小于3秒的值)、4、5、6、长(表示至少7秒的值)}。

在一些实施例中，诸如实施POMDP模型的实施例，对自主车辆运行控制场景进行建模可以包括对遮挡物(occlusion)进行建模。例如，运行环境数据可以包括与自主车辆的运行环境中的一个或多个遮挡物(诸如传感器遮挡物)对应的信息，使得运行环境数据可以省略表示自主车辆的运行环境中的一个或多个被遮挡的外部对象的信息。例如，遮挡物可以是外部对象，诸如交通标志、建筑物、树、识别的外部对象、或者能够在定义的时空位置遮挡来自自主车辆的一个或多个其他运行条件(诸如外部对象)的任何其他运行条件或运行条件的组合。在一些实施例中，运行环境监控器4200可以识别遮挡物，可以识别或确定外部对象被识别的遮挡物遮挡或隐藏的概率，并且可以在输出到AVOMC 4100的运行环境数据中包括被遮挡的车辆概率信息，并且由AVOMC 4100通信传达到相应的SSOMC 4300。

自主车辆运行管理系统4000可以包括任意数量类型或任意组合类型的模型。例如，行人-SSOCEM 4310、交叉段-SSOCEM 4320、变道-SSOCEM 4330、并道-SSOCEM 4340、和通行障碍-SSOCEM 4350可以是POMDP模型。在另一示例中，行人-SSOCEM 4310可以是MDP模型，并且交叉段-SSOCEM 4320可以是POMDP模型。AVOMC 4100可以基于运行环境数据来实例化任意数量的SSOCEM 4300的实例。

实例化SSOCEM 4300实例可以包括从SSOCEM 4300中识别模型，以及实例化所识别模型的实例。例如，SSOCEM 4300可以包括用于相应的不同的车辆运行场景的主要模型和次要模型，并且实例化SSOCEM 4300可以包括将主要模型识别为当前模型并且实例化主要模型的实例。实例化模型可以包括确定求解方案或策略是否可用于该模型。实例化模型可以包括确定模型的可用求解方案或策略是被部分求解的，还是收敛并求解的。实例化SSOCEM4300可以包括实例化SSOCEM 4300的所识别模型的求解方案或策略的实例。

对模型(诸如POMDP模型)求解可以包括确定策略或求解方案，该策略或求解方案可以是最大化累积的奖励的函数，这可以通过评估定义该模型的元组(诸如<S，A，Ω，T，O，R>)的元素的可能组合来确定。策略或求解方案可以基于识别的置信状态数据来识别或输出奖励最大化或最优的候选车辆控制动作。识别的置信状态数据(可以是概率性的)可以指示当前状态数据，诸如相应模型的当前的状态值集合或者当前的状态值集合的概率，并且可以对应于相应的相对时间位置。例如，对MDP模型求解可以包括从状态集合(S)中识别状态，从动作集合(A)中识别动作，在模拟动作之后从状态集合(S)中确定在状态转移概率下的后续或后继状态。每个状态可以与对应的效用值相关联，并且对MDP模型求解可以包括确定与状态、动作、和后续状态的每个可能的组合对应的各个效用值。后续状态的效用值可以被识别为在奖励或惩罚下的最大识别效用值，其中该奖励或惩罚可以是打折的奖励或惩罚。该策略可以指示与相应状态的最大效用值对应的动作。除了基于置信状态之外，对POMDP模型求解可以类似于对MDP模型求解，其中置信状态表示相应状态的概率并且是在与生成相应状态的观测值对应的观测概率下。因此，对SSOCEM模型求解包括评估可能的状态-动作-状态转移，并基于相应的动作和观测值更新相应的置信状态，诸如使用贝叶斯规则。

图5是根据本公开实施例的自主车辆运行管理5000的示例的流程图。自主车辆运行管理5000可以在自主车辆中实施，诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或实施自主驾驶的任何其他车辆。例如，自主车辆可以实施自主车辆运行管理系统，诸如图4所示的自主车辆运行管理系统4000。

如图5所示，自主车辆运行管理5000包括实施或操作自主车辆运行管理系统(包括一个或多个模块或其组件)，这可以包括：操作自主车辆运行管理控制器(AVOMC)5100(诸如图4所示的AVOMC 4100)；操作运行环境监控器5200(诸如图4所示的运行环境监控器4300中的一个或多个)；以及操作场景特定运行控制评估模块实例(SSOCEM实例)5300(诸如图4所示的SSOCEM 4300的实例)。

在5110处，AVOMC 5100可以监控自主车辆的运行环境或其定义的各方面，以识别自主车辆的运行环境或其一方面。例如，运行环境监控器5200可以监控运行环境的场景特定的各方面，并且可以向AVOMC 5100传送表示运行环境的运行环境数据。监控自主车辆的运行环境可以包括在5110处识别和跟踪外部对象、在5120处识别不同的车辆运行场景、或其组合。例如，AVOMC 5100、运行环境监控器5200、或这两者可以基于描述运行环境的一个方面或多个方面的传感器数据、车辆数据、路线数据、车辆交通网络数据、先前识别的运行环境数据、或任何其他可用数据、或数据的组合来识别运行环境数据。

识别运行环境可以包括识别表示运行环境或其一个或多个方面的运行环境数据。运行环境数据可以包括自主车辆的车辆信息、表示接近自主车辆的车辆交通网络或其一个或多个方面的信息、表示自主车辆的运行环境内的外部对象或其一个或多个方面的信息、沿着或接近针对自主车辆识别的路线的信息、或其组合。传感器信息可以是经处理的传感器信息，诸如来自自主车辆的传感器信息处理单元的经处理的传感器信息，该传感器信息处理单元可以从自主车辆的传感器接收传感器信息，并且可以基于传感器信息生成经处理的传感器信息。

识别运行环境数据可以包括从自主车辆的传感器(诸如图1所示的传感器1360或图2所示的车载传感器2105)接收指示运行环境的一个或多个方面的信息。传感器或自主车辆的另一单元可以将传感器信息存储在自主车辆的存储器中(诸如图1所示的存储器1340)，并且AVOMC 5100从存储器中读取传感器信息。

识别运行环境数据可以包括从车辆交通网络数据中识别指示运行环境的一个或多个方面的信息。例如，AVOMC 5100可以读取或以其他方式接收指示自主车辆正在靠近交叉段或者以其他方式描述接近自主车辆(诸如在自主车辆的300米内)的车辆交通网络的几何结构或配置的车辆交通网络数据。

在5110处，识别运行环境数据可以包括从远程车辆或自主车辆外部的其他远程设备识别指示运行环境的一个或多个方面的信息。例如，自主车辆可以经由无线电子通信链路从远程车辆接收远程车辆消息，该远程车辆消息包括指示远程车辆的远程车辆地理空间状态信息、远程车辆的远程车辆运动状态信息、或这两者的远程车辆信息。

识别运行环境数据可以包括从表示自主车辆的识别的路线的路线数据中识别指示运行环境的一个或多个方面的信息。例如，AVOMC 5100可以读取或以其他方式接收表示自主车辆的识别的路线(诸如响应于用户输入而识别的路线)的车辆交通网络数据。

如在5110、5112和5210处指示的，AVOMC 5100和运行环境监控器5200可以通信以识别运行环境信息。替代地或附加地，运行环境监控器5200可以从自主车辆的另一组件(诸如从自主车辆的传感器或从另一运行环境监控器5200)接收运行环境数据，或者运行环境监控器5200可以从自主车辆的存储器读取运行环境数据。

在5120处，AVOMC 5100可以检测或识别一个或多个不同的车辆运行场景，诸如基于由在5110处识别的运行环境数据表示的运行环境的一个或多个方面。

在5130处，AVOMC 5100可以基于由运行环境数据表示的运行环境的一个或多个方面来实例化SSOCEM实例5300，诸如响应于在5120处识别不同的车辆运行场景来实例化SSOCEM实例5300。尽管在图5中示出了一个SSOCEM实例5300，但是AVOMC 5100可以基于由在5110处识别的运行环境数据表示的运行环境的一个或多个方面来实例化多个SSOCEM实例5300，每个SSOCEM实例5300对应于在5120处检测的相应的不同的车辆运行场景或者在5110处识别的不同外部对象和在5120处检测的相应的不同的车辆运行场景的组合。在5130处实例化SSOCEM实例5300可以包括向SSOCEM实例5300传送表示自主车辆的运行环境的运行环境数据，如5132处指示的。在5310处，SSOCEM实例5300可以接收表示自主车辆的运行环境或其一个或多个方面的运行环境数据。在5130处实例化SSOCEM实例5300可以包括识别不同车辆运行场景的模型(诸如主要模型或次要模型)、实例化模型的实例、识别对应于模型的求解方案或策略、实例化求解方案或策略的实例、或其组合。

运行环境监控器5200可以包括阻塞监控器(诸如图4所示的阻塞监控器4210)，其可以在5220处针对车辆交通网络的一个或多个部分确定相应的可用性概率(probabilityof availability，POA)或对应的阻塞概率，车辆交通网络的该一个或多个部分诸如接近自主车辆的车辆交通网络的各部分，其可以包括与自主车辆的预期路径(诸如基于自主车辆的当前路线识别的预期路径)对应的车辆交通网络的各部分。在5222处，阻塞监控器可以向SSOCEM实例5300传送在5220处识别的可用性概率。替代地或附加地，阻塞监控器可以将在5220处识别的可用性概率存储在自主车辆的存储器中。尽管在图5中没有明确示出，但除了向SSOCEM实例5300发送可用性概率之外，或者替代向SSOCEM实例5300发送可用性概率，阻塞监控器可以在5222处向AVOMC 5100传送在5220处识别的可用性概率。在5320处，SSOCEM实例5300可以接收可用性概率。

在5330处，SSOCEM实例5300可以生成或识别候选车辆控制动作。例如，在5330处，SSOCEM实例5300可以响应于在5310处接收到运行环境数据、在5320处接收到可用性概率数据、或这两者而生成或识别候选车辆控制动作。例如，在5310处针对不同车辆运行场景的模型实例化的求解方案或策略的实例可以基于运行环境数据、可用性概率数据、或着两者来输出候选车辆控制动作。在5332处，SSOCEM实例5300可以向AVOMC 100传送在5330处识别的候选车辆控制动作。替代地或附加地，SSOCEM实例5300可以将在5330处识别的候选车辆控制动作存储在自主车辆的存储器中。

在5140处，AVOMC 5100可以接收候选车辆控制动作。例如，在5140处，AVOMC 5100可以从SSOCEM实例5300接收候选车辆控制动作。替代地或附加地，AVOMC 5100可以从自主车辆的存储器中读取候选车辆控制动作。

在5150处，AVOMC 5100可以批准候选车辆控制动作，或者以其他方式将候选车辆控制动作识别为用于控制自主车辆穿越车辆交通网络的车辆控制动作。在5150处，批准候选车辆控制动作可以包括确定是否根据候选车辆控制动作穿越车辆交通网络的一部分。

在5160处，AVOMC 5100可以控制或可以将识别的车辆控制动作提供给另一车辆控制单元以控制自主车辆根据在5150处识别的车辆控制动作穿越车辆交通网络或其一部分。

在5170处，AVOMC 5100可以识别自主车辆的运行环境或其一方面。在5170处，识别自主车辆的运行环境或其一方面可以类似于在5110处识别自主车辆的运行环境，并且可以包括更新先前识别的运行环境数据。

在5180处，AVOMC 5100可以确定或检测不同的车辆运行场景被解析还是未被解析。例如，如上所述，AVOMC 5100可以连续地或周期性地接收运行环境信息。AVOMC 5100可以评估运行环境数据，以确定不同车辆运行场景是否已经被解析。

在5180处，AVOMC 5100可以确定与SSOCEM实例5300对应的不同的车辆运行场景未被解析，AVOMC 5100可以将在5170处识别的运行环境数据传送到SSOCEM实例5300(如5185处指示的)，并且可以省略或改变在5180的将SSOCEM实例5300非实例化。

在5180处，AVOMC 5100可以确定不同的车辆运行场景被解析，并且可以在5190处将与在5180处确定的被解析的不同车辆运行场景对应的SSOCEM实例5300非实例化。例如，AVOMC 5100可以在5120处识别形成自主车辆的不同车辆运行场景的不同的运行条件集合，可以在5180处确定运行条件中的一个或多个已经过期或者具有低于定义的阈值的影响自主车辆的运行的概率，并且可以将对应的SSOCEM实例5300非实例化。

尽管在图5中没有明确示出，但是AVOMC 5100可以在5170处连续地或周期性地重复识别或更新运行环境数据，在5180处确定不同的车辆运行场景是否被解析，并且响应于在5180处确定不同的车辆运行场景未被解析，将在5170处识别的运行环境数据发送到SSOCEM实例5300(如5185处指示的)，直到在5180处确定不同的车辆运行场景是否被解析包括确定不同的车辆运行场景被解析。

图6-图8示出了包括并道场景的示例。在并道场景中，车辆交通网络的一部分包括两个或多个车道(诸如来自第一道路的两个相邻车道或者来自第一道路的第一车道和来自第二道路的第二车道)，它们在并道交叉段相交且并道，以相对于车道的行进方向形成后续并道车道。自主车辆可以通过在并道交叉段并入后续并道车道来穿越并道场景。并道场景可以类似于变道场景，除非本文描述或以其他方式从上下文明确得出。例如，并道场景可以与定义的、固定的地理空间位置(并道交叉段)相关联，这可以基于车辆交通网络的定义的各方面，并且，对于包括并道场景的车辆运输网络的一部分的穿越，省略并入后续并道车道的车辆控制动作可能不可用。变道场景可以与相对位置相关联，并且对于包括变道场景的车辆运输网络的一部分的穿越，省略变道的车辆控制动作可能是可用的。在另一示例中，对于并道场景的远程车辆动作的概率可能不同于类似的变道场景。图6示出了并道场景的示例，其中两个相邻车道结束并且后续并道车道开始于并道交叉段。图7中示出了并道场景的示例，其中第一相邻车道结束，并且第二相邻车道在并道交叉段变成后续并道车道。图8中示出了并道场景的示例，其中第一道路的车道变成后续并道车道，并且第二道路的车道在并道交叉段处结束。其他车辆交通网络配置可用于并道场景。

图6是根据本公开实施例的包括并道场景的车辆交通网络的并道情景6000部分的示例的图。自主车辆运行管理可以包括自主车辆6100(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或者实施自主驾驶的任何其他车辆)，该自主车辆6100操作车辆运行管理系统(诸如图5所示的自主车辆运行管理系统5000)，该车辆运行管理系统包括并道-SSOCEM(诸如图5所示的并道-SSOCEM 5410)，其可以包括自主车辆运行控制场景的模型，其中该场景包括自主车辆6100沿着第一道路6200在第一车道6210中穿越靠近并道交叉段6300的车辆交通网络的一部分(并道场景)。为了简单和清楚，与图6所示的并道场景6000对应的车辆交通网络的一部分被定向为上侧朝北，并且右侧朝东。

与图6所示的并道场景6000对应的车辆交通网络的一部分包括自主车辆6100沿着第一道路6200的第一车道6210中的路段向北行进，靠近并道交叉段6300。该第一车道6210与第一道路6200的第二车道6400相邻。第一车道6210和第二车道6400在并道交叉段6300处并道，以形成第一道路6200的后续并道车道6500。尽管第一车道6210、第二车道6400、和并道车道6500被单独示出，但是第一车道6210、第二车道6400、和并道车道6500的相应部分可以在并道交叉段6300中重叠。第一远程车辆6600正穿越第二车道6400，靠近并道交叉段6300。第二远程车辆6700正在自主车辆6100前面穿越后续并道车道6500。第三远程车辆6800正在自主车辆6100后面穿越第一车道6210。

自主车辆运行管理系统可以连续地或周期性地操作，诸如在时间位置序列中的每个时间位置处。时间位置序列中的第一个、顺序最早的时间位置可以对应于运行自主车辆，这可以包括由自主车辆穿越车辆交通网络的一部分，或者接收或识别用于由自主车辆穿越车辆交通网络的识别的路线。为了简单和清楚，根据时间位置序列中的时间位置示出了自主车辆6100、第一远程车辆6600、第二远程车辆6700和第三远程车辆6800的相应地理空间位置，该时间位置对应于车辆交通网络中接近并道交叉段6300的空间位置。尽管为了简单和清楚参考时间位置序列进行了描述，但是自主车辆运行管理系统的每个单元可以以任何频率操作，各个单元的操作可以是同步的或非同步的，并且可以与一个或多个时间位置的一个或多个部分同时执行操作。为了简单和清楚，可以从本公开中省略对一个或多个时间位置(诸如本文描述的时间位置之间的时间位置)的相应描述。

自主车辆6100的自主车辆运行管理系统可以操作并道监控器(诸如图5所示的变道监控器5310)，这可以包括实例化并道监控器。并道监控器可以处理或评估表示车辆交通网络的一部分的车辆交通网络数据(诸如地图数据、传感器数据、或其组合)，车辆交通网络数据表示车辆交通网络的一部分，诸如与自主车辆6100的识别的路线对应的一部分、空间上接近自主车辆6100的一部分、或自主车辆6100的预期路径、或其组合。例如，自主车辆6100的识别的路线、自主车辆6100的预期路径、或这两者可以包括并道交叉段6300或者可以接近并道交叉段6300，并且并道监控器可以识别与自主车辆6100穿越包括并道交叉段6300的车辆交通网络的一部分对应的候选并道场景。在另一示例中，自主车辆6100的传感器可以检测与自主车辆6100的运行环境对应的信息，诸如指示沿着自主车辆的预期路径的车辆交通网络的几何结构包括并道交叉段的信息、与远程车辆6600、6700、6800中的一个或多个对应的信息、或其组合。

并道监控器可以识别或生成表示自主车辆6100的运行环境或其一方面的运行环境信息(这可以包括将传感器信息与远程车辆6600、6700、6800相关联)，并且可以将运行环境信息输出到自主车辆运行管理控制器，其中该运行环境信息可以包括：表示远程车辆6600、6700、6800的信息，识别候选并道场景的信息，或这两者。

自主车辆6100的自主车辆运行管理系统可以操作阻塞监控器(诸如图5所示的阻塞监控器5200)，这可以包括实例化阻塞监控器。阻塞监控器可以生成指示车辆交通网络的一个或多个区域或部分的相应的可用性概率或对应的阻塞概率的可用性概率信息。例如，阻塞监控器可以确定自主车辆6100的预期路径6900、第一远程车辆6600的预期路径6910、以及接近自主车辆的预期路径6900和第一远程车辆6600的预期路径6910之间的聚合点的车辆交通网络的一区域或一部分的可用性概率，该车辆交通网络的一区域或一部分可以对应于并道交叉段6300。

自主车辆运行管理控制器可以诸如基于运行环境信息表示的运行环境来检测或识别并道场景，其中运行环境信息可以包括由并道监控器输出的运行环境信息。例如，自主车辆运行管理控制器可以将候选并道场景识别为并道场景。

自主车辆运行管理控制器可以实例化一个或多个并道-SSOCEM实例，并且可以响应于检测到或识别出包括第一远程车辆6600的并道场景，向并道-SSOCEM实例传送运行环境信息或以其他方式使运行环境信息可用。此外，或者可替换地，自主车辆运行管理控制器可以响应于检测到或识别出包括第一远程车辆6600的并道场景，向一个或多个先前实例化或运行的并道-SSOCEM实例传送运行环境信息(诸如新的或更新的运行环境信息)或以其他方式使运行环境信息可用。

穿越接近并道交叉段的车辆交通网络的一部分的、可能影响穿越并道交叉段的自主车辆的运行的远程车辆(诸如远程车辆6600、6700、6800中的一个或多个)可以被识别为并道相关远程车辆。每个并道-SSOCEM实例可以对应于相应的并道相关远程车辆6600、6700、6800。

实例化或更新并道-SSOCEM实例可以包括诸如通过向相应并道-SSOCEM实例传送运行环境信息或其一部分，或者存储运行环境信息或其一部分以供相应并道-SSOCEM实例访问来向相应并道-SSOCEM实例提供运行环境信息或其一部分，诸如传感器信息或可用性概率。相应并道-SSOCEM实例可以接收或以其他方式访问与并道场景对应的运行环境信息。

并道-SSOCEM可以包括并道场景的模型，诸如并道场景的POMDP模型。并道场景的POMDP模型可以定义与并道场景对应的状态集合(S)、动作集合(A)、观测值集合(Ω)、状态转移概率集合(T)、条件观测概率集合(O)、奖励函数(R)、或其组合，其可以被表达为元组<S，A，Ω，T，O，R>。不同的并道车辆运行场景的POMDP模型可以对不确定性(可以包括感知不确定性、行为不确定性、或其组合)进行建模。对感知不确定性进行建模可以包括：对传感器不确定性进行建模；对假阳性远程车辆识别(诸如在没有远程车辆的情况下不准确地识别出远程车辆)的概率进行建模；对假阴性远程车辆识别(诸如在远程车辆存在的情况下不准确地识别出不存在远程车辆的概率，诸如对应于遮挡物的情况)进行建模；或者其组合。对行为不确定性进行建模可以包括对远程车辆动作的相应概率进行建模。

为了简单和清楚，使用第一远程车辆6600作为并道相关远程车辆来描述并道场景的模型；然而，诸如第二远程车辆6700或第三远程车辆6800的另一远程车辆可以用作并道相关远程车辆。

可以包括在并道场景的POMDP模型的状态空间(S)中的状态因子的示例可以包括：内在性状态因子

自主车辆相对位置状态因子

自主车辆未决状态因子

自主车辆相对速度状态因子

远程车辆相对位置状态因子

远程车辆相对位置未决状态因子

可用性状态因子

远程车辆相对速度状态因子

或其组合，其可以被表达为

其他状态因子可以包括在并道POMDP模型中。

内在性状态因子

可以指示自主车辆6100的当前位置和接近后续并道车道6500的并道交叉段6300的位置之间的距离(诸如空间距离、时间距离、或时空距离)，并且可以具有来自定义的值集(诸如{长，中，短，现在})的值。例如，内在性状态因子

为“长”可以指示自主车辆6100的当前位置和接近后续并道车道6500的并道交叉段6300的位置之间的距离至少为定义的长的内在性阈值(诸如等于或大于该定义的长的内在性阈值)。内在性状态因子

为“中”可以指示自主车辆6100的当前位置和接近后续并道车道6500的并道交叉段6300的位置之间的距离在定义的长的内在性阈值之内(诸如小于该定义的长的内在性阈值)，并且至少为定义的中的内在性阈值(诸如等于或大于该定义的中的内在性阈值)。内在性状态因子

为“短”可以指示自主车辆6100的当前位置和接近后续并道车道6500的并道交叉段6300的位置之间的距离在定义的中的内在性阈值之内(诸如小于该定义的中的内在性阈值)，并且至少为定义的短的内在性阈值(诸如等于或大于该定义的短的内在性阈值)，其可以对应于如图6所示的自主车辆6100靠近并道交叉段6300。内在性状态因子

为“现在”可以指示自主车辆6100的当前位置和接近后续并道车道6500的并道交叉段6300的位置之间的距离在定义的短的内在性阈值之内(诸如小于该定义的短的内在性阈值)，其可以对应于自主车辆6100穿越并道交叉段6300。

自主车辆相对位置状态因子

可以指示自主车辆6100相对于自主车辆6100的当前车道的位置(当前车道可以是第一车道6210或后续并道车道6500)，并且可以具有来自定义的值集(诸如{开始，边缘，内部，目标})的值。例如，自主车辆相对位置状态因子

为“开始”可以指示自主车辆6100相对地位于第一车道6210的中心，如所示出的。自主车辆相对位置状态因子

为“边缘”可以指示自主车辆6100相对地靠近当前车道6210的与相邻车道6400相邻的边缘，其可以对应于后续并道车道6500的中心。自主车辆相对位置状态因子

为“内部”可以指示自主车辆6100正根据并道车辆控制动作穿越并道交叉段6300。自主车辆相对位置状态因子

为“目标”可以指示自主车辆6100在后续并道车道6500的中心。

自主车辆未决状态因子

可以指示与具有自主车辆相对位置状态因子

的当前值的自主车辆6100对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。例如，自主车辆未决状态因子

为“短”可以指示与具有在定义的未决阈值之内(诸如小于定义的未决阈值)的、自主车辆相对位置状态因子

的当前值的自主车辆6100对应的未决，并且自主车辆未决状态因子

为“长”可以指示与具有超过(诸如等于或大于)定义的未决阈值的、自主车辆相对位置状态因子

的当前值的自主车辆6100对应的未决。可以相对于自主车辆相对位置状态因子

的当前值来定义未决阈值。例如，可以针对自主车辆相对位置状态因子

为“开始”而定义10秒的未决阈值，并且针对自主车辆相对位置状态因子

为“边缘”而定义3秒的未决阈值。

自主车辆相对速度状态因子

可以指示自主车辆6100相对于定义的速度参考的速度(该速度参考可以是远程车辆速度、速度限制、或这两者)，并且可以具有来自定义的值集(诸如{慢、慢-中、中、中-快、快})的值。例如，自主车辆相对速度状态因子

为“慢”可以指示远程车辆的当前速度超过自主车辆的当前速度达超过(诸如等于或大于)定义的相对速度最大差值阈值的量。自主车辆相对速度状态因子

为“慢-中”可以指示远程车辆的当前速度超过自主车辆的当前速度达在定义的相对速度最大差值阈值之内(诸如小于该相对速度最大差值阈值)并且超过(诸如等于或大于)定义的相对速度最小差值阈值的量。自主车辆相对速度状态因子

为“中”可以指示远程车辆的当前速度与自主车辆的当前速度的差在定义的相对速度最小差值阈值之内(诸如小于该相对速度最小差值阈值)，其可以对应于相等或近似相等的速度。自主车辆相对速度状态因子

为“中-快”可以指示自主车辆的当前速度超过远程车辆的当前速度达在定义的相对速度最大差值阈值之内(诸如小于该相对速度最大差值阈值)并且超过(诸如等于或大于)定义的相对速度最小差值阈值的量。自主车辆相对速度状态因子

为“快”可以指示自主车辆的当前速度超过远程车辆的当前速度达超过(诸如等于或大于)定义的相对速度最大差值阈值的量。

远程车辆相对位置状态因子

可以指示远程车辆相对于远程车辆的当前车道和自主车辆的位置，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。例如，远程车辆相对位置状态因子

为“空”可以指示并道场景省略了并道相关远程车辆。远程车辆相对位置状态因子

为“后”可以指示并道相关远程车辆相对于自主车辆6100的预期路径6900在自主车辆6100的后面，如针对第三远程车辆6800所示的。远程车辆相对位置状态因子

为“在”可以指示并道相关远程车辆与自主车辆6100相邻，如针对第一远程车辆6600所示的。远程车辆相对位置状态因子

为“前”可以指示并道相关远程车辆相对于自主车辆6100的预期路径6900在自主车辆6100的前面，如针对第二远程车辆6700所示的。

远程车辆相对位置未决状态因子

可以指示与具有远程车辆位置状态因子

的当前值的远程车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。例如，远程车辆相对位置未决状态因子

为“短”可以指示与具有在定义的远程车辆未决阈值之内(诸如小于该定义的远程车辆未决阈值)的、远程车辆相对位置状态因子

的当前值的远程车辆6600对应的未决，并且远程车辆相对位置未决状态因子

为“长”可以指示与具有超过(诸如等于或大于)定义的远程车辆未决阈值的、远程车辆相对位置状态因子

的当前值的远程车辆6600对应的未决。可以相对于远程车辆相对位置状态因子

的当前值来定义远程车辆未决阈值。例如，可以针对远程车辆相对位置状态因子

为“后”而定义10秒的远程车辆未决阈值，并且针对远程车辆相对位置状态因子

为“在”而定义3秒的远程车辆未决阈值。

可用性状态因子

或对应的阻塞状态因子可以表示指示远程车辆6600或远程车辆6100的预期路径6910当前是否阻塞自主车辆6100转移到并道车道6500的确定，并且可以具有来自定义的值集(诸如{是，否})的值。例如，可用性状态因子

为“是”可以指示远程车辆6600或远程车辆6600的预期路径6910正阻塞自主车辆6100的预期路径6900、正阻止自主车辆6100在并道交叉段6300处安全地并入并道车道6500中的概率至少为(诸如等于或大于)阻塞阈值(被阻塞的可用性状态)。可用性状态因子

为“否”可以指示远程车辆6600或远程车辆6600的预期路径6910正阻塞自主车辆6100的预期路径6900、正阻止自主车辆6100在并道交叉段6300处安全地并入并道车道6500中的概率在阻塞阈值(可用的可用性状态)内，诸如小于阻塞阈值。

远程车辆相对速度状态因子

可以指示远程车辆相对于定义的远程车辆速度参考(诸如自主车辆、另一远程车辆、速度限制、或其组合)的速度，并且可以具有来自定义的值集(诸如{慢、慢-中、中、中-快、快})的值。例如，远程车辆相对速度状态因子

为“慢”可以指示自主车辆的当前速度超过远程车辆的当前速度达超过(诸如等于或大于)定义的相对速度最大差值阈值的量。远程车辆相对速度状态因子

为“慢-中”可以指示自主车辆的当前速度超过远程车辆的当前速度达在定义的相对速度最大差值阈值之内(诸如小于该相对速度最大差值阈值)并且超过(诸如等于或大于)定义的相对速度最小差值阈值的量。远程车辆相对速度状态因子

为“中”可以指示远程车辆的当前速度与自主车辆的当前速度的差在定义的相对速度最小差值阈值之内(诸如小于该相对速度最小差值阈值)，其可以对应于相等或近似相等的速度。远程车辆相对速度状态因子

为“中-快”可以指示远程车辆的当前速度超过自主车辆的当前速度达在定义的相对速度最大差值阈值之内(诸如小于该相对速度最大差值阈值)并且超过(诸如等于或大于)定义的相对速度最小差值阈值的量。远程车辆相对速度状态因子

为“快”可以指示远程车辆的当前速度超过自主车辆的当前速度达超过(诸如等于或大于)定义的相对速度最大差值阈值的量。

可以包括在并道场景的POMDP模型的动作空间(A)中的动作因子的示例可以包括车辆控制动作动作因子(A_l)、车辆控制动作速度修正子动作因子(A_v)或这两者，其可以表达为A＝A_l×A_v。并道POMDP模型中可以包括其他动作因子。

车辆控制动作动作因子(A_l)可以表示车辆控制动作，并且可以具有来自定义的值集(诸如{保持，边缘，继续进行})的值。例如，车辆控制动作动作因子(A_l)为“保持”可以指示自主车辆根据保持车辆控制动作穿越车辆交通网络的紧接着的后续部分，其可以对应于保持自主车辆相对位置状态因子

的当前值。车辆控制动作动作因子(A_l)为“边缘”可以指示自主车辆根据边缘车辆控制动作穿越车辆交通网络的紧接着的后续部分。车辆控制动作动作因子(A_l)为“继续进行”可以指示自主车辆根据“继续进行”车辆控制动作穿越车辆交通网络的紧接着的后续部分，其可以包括并入并道车道6500中。

车辆控制动作速度修正子动作因子(A_v)可以表示由车辆控制动作动作因子(A_l)指示的、用于车辆控制动作的速度修正子，并且可以具有来自定义的值集(诸如{减速、保持、加速})的值。车辆控制动作速度修正子动作因子(A_v)为“减速”可以指示自主车辆根据与车辆控制动作动作因子(A_l)对应的车辆控制动作并通过减速(诸如减速达定义的量或减速到定义的速度)来穿越车辆交通网络的紧接着的后续部分，该定义的量或定义的速度可以根据车辆控制动作速度修正子动作因子(A_v)来指示。车辆控制动作速度修正子动作因子(A_v)为“保持”可以指示自主车辆根据与车辆控制动作动作因子(A_l)对应的车辆控制动作来穿越车辆交通网络的紧接着的后续部分并保持当前速度。车辆控制动作速度修正子动作因子(A_v)为“加速”可以指示自主车辆根据与车辆控制动作动作因子(A_l)对应的车辆控制动作并通过加速(诸如加速达定义的量或加速到定义的速度)来穿越车辆交通网络的紧接着的后续部分，该定义的量或定义的速度可以根据车辆控制动作速度修正子动作因子(A_v)来指示。

可以包括在并道场景的POMDP模型的观测空间(Ω)中的观测因子的示例可以包括内在性观测因子

自主车辆相对位置观测因子

自主车辆相对速度观测因子

远程车辆相对位置观测因子

可用性观测因子

远程车辆相对速度观测因子

或其组合，其可以被表达为

并道模块POMDP模型中可以包括其他观测因子。

内在性观测因子

可以表示从第一车道并入后续并道车道的内在性是否超过定义的内在性阈值的确定，并且可以具有来自定义的值集(诸如{是，否})的值。例如，内在性观测因子

值为“是”可以指示从第一车道并入后续并道车道的内在性在定义的内在性阈值之内(诸如小于该定义的内在性阈值)。内在性观测因子

值为“否”可以指示从第一车道并入后续并道车道的内在性至少为(诸如等于或大于)定义的内在性阈值。内在性观测因子

可以与内在性状态因子

相关联。

自主车辆相对位置观测值

可以表示指示自主车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{开始、边缘、内部、目标})的值。自主车辆相对位置观测值

可以与自主车辆相对位置状态因子

相关联。

自主车辆相对速度观测因子

可以指示自主车辆的速度变化的确定，并且可以具有来自定义的值集(诸如{降低、保持、增加})的值。自主车辆相对速度观测因子

可以与自主车辆相对速度状态因子

相关联。

远程车辆位置观测因子

可以表示指示远程车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。远程车辆位置观测因子

可以与远程车辆相对位置状态因子

相关联。

可用性观测因子

可以表示指示远程车辆6600或远程车辆6100的预期路径6910当前是否阻塞自主车辆6100转移到并道车道6500的确定，并且可以具有来自定义的值集(诸如{是，否})的值。可用性观测因子

可以与可用性状态因子

相关联。

远程车辆相对速度观测因子

可以指示远程车辆的速度变化的确定，并且可以具有来自定义的值集(诸如{降低、保持、增加})的值。远程车辆相对速度观测因子

可以与远程车辆相对速度状态因子

相关联。

来自并道场景的POMDP模型的状态转移概率(T)的状态转移概率的示例是远程车辆6600减速使得相对于远程车辆6600的轨迹的、远程车辆6600前方或前面的车辆交通网络的一部分可用于自主车辆6100穿越以转移到后续并道车道6500的概率。并道场景的POMDP模型的状态转移概率的另一示例是远程车辆6600加速使得相对于远程车辆6600的轨迹的、远程车辆6600之后或后面的车辆交通网络的一部分可用于自主车辆6100穿越以转移到后续并道车道6500的概率。并道场景的POMDP模型的状态转移概率的另一示例是自主车辆6100穿越车辆交通网络受到前向障碍(未明确示出)(诸如沿着自主车辆的预期路径并且速度在自主车辆的速度之内(诸如小于自主车辆的速度)的远程车辆)的影响的概率。并道场景的POMDP模型的状态转移概率的另一示例是远程车辆6600在自主车辆6100的前方或前面并入后续并道车道6500的概率。并道场景的POMDP模型的状态转移概率的另一示例是从第一车道并入后续并道车道的内在性超过定义的内在性阈值的概率。并道场景的POMDP模型的状态转移概率的另一示例是在相邻车道中的自主车辆6100前方的远程车辆(未明确示出)减速使得先前可用于由自主车辆6100穿越的车辆交通网络的一部分不可用于由自主车辆6100穿越的概率。

来自条件观测概率(O)的条件观测概率的示例是与可用性观测因子

对应的不确定性的概率。条件观测概率的另一示例是远程车辆被遮挡或以其他方式未被检测到(诸如由于传感器限制)的概率。条件观测概率的另一示例是远离远程车辆的位置的测量的准确性的概率。

奖励函数(R)可以确定可以针对状态和动作的每个组合累积的相应的正的或负的(成本)值，该值可以表示自主车辆从对应的状态根据对应的车辆控制动作穿越车辆交通网络到达后续状态的期望值，该期望值可以表达为

实例化并道-SSOCEM实例可以包括从并道-SSOCEM中识别并道车辆运行场景的模型的求解方案或策略。从并道-SSOCEM中识别并道车辆运行场景的模型的求解方案或策略可以包括对并道-SSOCEM模型求解。实例化并道-SSOCEM实例可以包括实例化求解方案或策略的实例。

并道-SSOCEM求解方案实例可以基于相应的建模场景和对应的运行环境信息生成候选车辆控制动作(诸如“保持”、“边缘”或“继续进行”)，并且可以将相应的候选车辆控制动作输出到自主车辆运行管理控制器，诸如通过将相应的候选车辆控制动作传送到自主车辆运行管理控制器或者存储相应的候选车辆控制动作以供自主车辆运行管理控制器访问。

自主车辆运行管理控制器可以从各个实例化的并道-SSOCEM实例接收候选车辆控制动作，并且可以基于接收到的候选车辆控制动作来识别车辆控制动作，用于在对应的时间位置控制自主车辆6100，并且可以根据识别出的车辆控制动作来控制自主车辆穿越车辆交通网络或其一部分。

自主车辆运行管理控制器可以确定一个或多个检测到的车辆运行场景是否已经过期，并且可以响应于确定并道车辆运行场景已经过期，将对应的并道-SSOCEM实例非实例化。

图7是根据本公开的实施例的包括并道场景的并道场景7000的另一示例的图。自主车辆运行管理可以包括自主车辆7100(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或者实施自主驾驶的任何其他车辆)，该自主车辆7100操作车辆运行管理系统(诸如图5所示的自主车辆运行管理系统5000)，该车辆运行管理系统包括并道-SSOCEM(诸如图5所示的并道-SSOCEM 5410)，其可以包括自主车辆运行控制场景的模型，其中该自主车辆运行控制场景包括自主车辆7100沿着第一道路7200在第一车道7210中穿越靠近并道交叉段7300的车辆交通网络的一部分(并道场景)。图7中示出的并道场景7000可以类似于图6中示出的并道场景6000，除非在本文描述或者从上下文中清楚。

与图7所示的并道场景7000对应的车辆交通网络的一部分包括自主车辆7100沿着第一道路7200的第一车道7210中的路段向北行进，靠近并道交叉段7300。该第一车道7210与第一道路7200的第二车道7220相邻。第一车道7210并入第二车道7220中，并在并道交叉段7300处结束。第二车道7220在并道交叉段7300处成为第一道路7200的后续并道车道7400。尽管第一车道7210、第二车道7220、和后续并道车道7400被单独示出，但是第一车道7210、第二车道7220、和后续并道车道7400的相应部分可以在并道交叉段7300中重叠。第一远程车辆7500正穿越第二车道7220，靠近并道交叉段7300。第二远程车辆7600正在自主车辆7100前面穿越后续并道车道7400。第三远程车辆7700正在自主车辆7100后面穿越第一车道7210。

尽管自主车辆7100被示出在第一车道7210中，但是自主车辆可以穿越第二车道7220，靠近并道交叉段7300(未示出)。尽管第一远程车辆7500在图7中被示出在第二车道7220中，但第一远程车辆可以穿越第一车道7210，靠近并道交叉段7300(未示出)。

图8是根据本公开的实施例的包括并道场景的并道场景8000的另一示例的图。自主车辆运行管理可以包括自主车辆8100(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或者实施自主驾驶的任何其他车辆)，该自主车辆8100操作车辆运行管理系统(诸如图5所示的自主车辆运行管理系统5000)，该车辆运行管理系统包括并道-SSOCEM(诸如图5所示的并道-SSOCEM 5410)，其可以包括自主车辆运行控制场景的模型，其中该自主车辆运行控制场景场景包括自主车辆8100沿着第一道路8200在第一车道8210中穿越靠近并道交叉段8300的车辆交通网络的一部分(并道场景)。图8中示出的并道场景8000可以类似于图6中示出的并道场景6000，除非在本文描述或者从上下文中清楚。

与图8所示的并道场景8000对应的车辆交通网络的一部分包括自主车辆8100沿着第一道路8200的第一车道8210中的路段向北行进，靠近并道交叉段8300。包括第二车道8410的第二道路8400在并道交叉段8300处与第一道路8100并道。第一车道8210和第二车道8410在并道交叉段8300处并道，以形成第一道路8200的后续并道车道8500。尽管第一车道8210、第二车道8400、和并道车道8500被单独示出，但是第一车道8210、第二车道8400、和并道车道8500的相应部分可以在并道交叉段8300中重叠。第一远程车辆8600正穿越第二车道8410，靠近并道交叉段8300。第二远程车辆8700正在自主车辆8100前面穿越后续并道车道8500。第三远程车辆8800正在自主车辆8100后面穿越第一车道8210。

尽管自主车辆8100被示出在第一车道8210中，但是自主车辆可以穿越第二车道8410，靠近并道交叉段8300(未示出)。尽管第一远程车辆8600在图8中被示出在第二车道8410中，但是第一远程车辆可以穿越第一车道8210，靠近并道交叉段8300(未示出)。

虽然在图6-图8中未示出，但是并道车道的道路可以包括在第一车道的行进方向上的、与远离第二车道的并道车道相邻的相邻车道，并且自主车辆可以执行变道车辆控制动作到相邻车道。

图9是根据本公开的实施例的包括通行障碍场景的通行障碍场景9000的示例的图。自主车辆运行管理可以包括自主车辆9100(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、半自主车辆、或者实施自主驾驶的任何其他车辆)，该自主车辆9100操作车辆运行管理系统(诸如图5所示的自主车辆运行管理系统5000)，该车辆运行管理系统包括通行障碍-SSOCEM(诸如图5所示的通行障碍-SSOCEM 5420)，其可以包括自主车辆运行控制场景的模型，其中该自主车辆运行控制场景包括自主车辆9100沿着第一道路9200在第一车道9210中穿越靠近障碍9300的、车辆交通网络的一部分(通行障碍场景)。为了简单和清楚，与图9所示的通行障碍场景9000对应的车辆交通网络的一部分被定向为顶侧朝北，并且右侧朝东。通行障碍场景可以类似于变道场景或并道场景，除非本文描述或从上下文明确得出。例如，通行障碍场景包括穿越车辆交通网络的迎面(oncoming)的车道的一部分。

与图9中所示的与通行障碍场景9000对应的车辆交通网络的一部分包括自主车辆9100，其沿着第一道路9200的第一车道9210的路段向北行进，靠近障碍9300，第一车道9210与迎面车道9400相邻。障碍9300可以是例如缓慢移动或静止的远程车辆(如所示出的)，或者阻碍第一车道9210的任何其他对象或障碍物，诸如建筑工地、行人、倒下的树等。迎面远程车辆9500正穿越迎面车道9400。尾随远程车辆9600正在自主车辆9100后面穿越第一车道9210。车辆交通网络的一部分使用虚线椭圆来指示，诸如当前车道9200的当前部分9700、迎面车道9400的迎面部分9710、和当前车道9200的目标部分9720。自主车辆9100的预期路径9800由虚线方向线指示。迎面远程车辆的预期路径9810、9820用虚线指示。尽管障碍9300被示为静止的，但是障碍9300可以处于运动中，并且当前部分9700、迎面部分9710和目标部分9720的位置可以是相对于自主车辆9100和障碍9300的。

自主车辆运行管理系统可以连续地或周期性地运行，诸如在时间位置序列中的每个时间位置处。时间位置序列中的第一个、顺序最早的时间位置可以对应于运行自主车辆，这可以包括由自主车辆穿越车辆交通网络的一部分，或者接收或识别用于由自主车辆穿越车辆交通网络的识别的路线。为了简单和清楚，根据时间位置序列中的时间位置示出自主车辆9100、障碍9300、迎面远程车辆9500和尾随远程车辆9600的相应的地理空间位置，其中该时间位置对应于车辆交通网络中的空间位置，如所示出的。尽管为了简单和清楚参考时间位置序列进行了描述，但是自主车辆运行管理系统的每个单元可以以任何频率操作，各个单元的操作可以是同步的或非同步的，并且可以与一个或多个时间位置的一个或多个部分同时执行操作。为了简单和清楚，可以从本公开中省略对一个或多个时间位置的相应描述，诸如本文描述的时间位置之间的时间位置。

自主车辆9100的自主车辆运行管理系统可以操作前向障碍监控器(诸如图4所示的前向障碍监控器4260)，这可以包括实例化前向障碍监控器。前向障碍监控器可以处理或评估表示车辆交通网络的一部分的车辆交通网络数据(诸如地图数据、传感器数据、或其组合)，其中车辆交通网络的一部分是诸如与自主车辆9100的识别的路线对应的一部分、空间上接近自主车辆9100的一部分、或自主车辆9100的预期路径、或其组合。例如，自主车辆9100的识别的路线、自主车辆9100的预期路径、或这两者可以包括障碍9300，或者可以接近障碍9300，并且前向障碍监控器可以识别与自主车辆9100穿越接近障碍9300的、车辆交通网络的一部分对应的候选通行障碍场景。在另一示例中，自主车辆9100的传感器可以检测与自主车辆9100的运行环境对应的信息，诸如指示沿着自主车辆的预期路径的车辆交通网络包括障碍9300的信息、与障碍9300对应的信息、与迎面远程车辆9500对应的信息、与尾随远程车辆9600对应的信息、或其组合。

前向障碍监控器可以识别或生成表示自主车辆9100的运行环境或其一个方面的运行环境信息(这可以包括将传感器信息与障碍9300、迎面远程车辆9500、尾随远程车辆9600、或其组合相关联)，并且可以将运行环境信息输出到自主车辆运行管理控制器，其中该运行环境信息可以包括：表示障碍9300、迎面远程车辆9500、尾随远程车辆9600、或其组合的信息；识别候选通行障碍场景的信息；或这两者。

自主车辆9100的自主车辆运行管理系统可以操作阻塞监控器(诸如图4所示的阻塞监控器4210)，这可以包括实例化阻塞监控器。阻塞监控器可以生成指示车辆交通网络的一个或多个区域或部分(诸如当前部分9700、迎面部分9710和目标部分9720)的相应的可用性概率或对应的阻塞概率的可用性概率信息。

自主车辆运行管理控制器可以诸如基于由运行环境信息表示的运行环境来检测或识别通行障碍场景，其中运行环境信息可以包括由前向障碍监控器输出的运行环境信息。例如，自主车辆运行管理控制器可以将候选通行障碍场景识别为通行障碍场景。

自主车辆运行管理控制器可以实例化一个或多个通行障碍-SSOCEM实例，并且可以响应于检测到或识别出通行障碍场景，向通行障碍-SSOCEM实例传送运行环境信息或以其他方式使运行环境信息可用。此外，或者可替换地，自主车辆运行管理控制器可以响应于检测到或识别出通行障碍场景，向一个或多个先前实例化的或运行的通行障碍-SSOCEM实例传送运行环境信息(诸如新的或更新的运行环境信息)或者以其他方式使运行环境信息可用。

实例化或更新通行障碍-SSOCEM实例可以包括诸如通过向相应通行障碍-SSOCEM实例传送运行环境信息或其一部分，或者存储运行环境信息或其一部分以供相应通行障碍-SSOCEM实例访问来向相应通行障碍-SSOCEM实例提供运行环境信息或其一部分，诸如传感器信息或可用性概率。相应通行障碍-SSOCEM实例可以接收或以其他方式访问与通行障碍场景对应的运行环境信息。

通行障碍-SSOCEM可以包括通行障碍场景的模型，诸如通行障碍场景的POMDP模型。通行障碍场景的POMDP模型可以定义对应于通过障碍场景的状态集合(S)、动作集合(A)、观测值集合(Ω)、状态转移概率集合(T)、条件观测概率集合(O)、奖励函数(R)、或其组合，其可以被表达为元组<S，A，Ω，T，O，R>。不同的通行障碍车辆运行场景的POMDP模型可以对不确定性(可以包括感知不确定性、行为不确定性、或其组合)进行建模。对感知不确定性进行建模可以包括：对传感器不确定性进行建模；对假阳性远程车辆识别(诸如在没有远程车辆的情况下不准确地识别出远程车辆)的概率进行建模；对假阴性远程车辆识别(诸如在远程车辆存在的情况下不准确地识别出不存在远程车辆的概率，诸如对应于遮挡物的情况)的概率进行建模；或者其组合。对行为不确定性进行建模可以包括对远程车辆动作(诸如迎面远程车辆9500的动作或尾随远程车辆9600的动作)的相应概率进行建模。

可以被包括在通行障碍场景的POMDP模型的状态空间(S)中的状态因子的示例可以包括自主车辆相对位置状态因子

自主车辆未决状态因子

前向障碍状态因子

后向可用状态因子

迎面远程车辆距离状态因子

迎面远程车辆位置未决状态因子

迎面可用状态因子

或其组合，其可被表达为

其他状态因子可以包括在通行障碍POMDP模型中。

自主车辆相对位置状态因子

可以指示自主车辆9100相对于自主车辆9100的当前车道的位置(当前车道可以是第一车道9210或迎面车道9400)，并且可以具有来自定义的值集(诸如{开始、在、边缘、内部开始、内部中间、内部结束、目标})的值。例如，自主车辆相对位置状态因子

为“开始”可以指示在靠近障碍9300之前，如所示出的，自主车辆9100相对地位于第一车道9210的中心。自主车辆相对位置状态因子

为“在”可以指示自主车辆9100相对地位于在第一车道9210的中心，如所示出的，并且正在靠近障碍9300。自主车辆相对位置状态因子

为“边缘”可以指示自主车辆9100相对地靠近当前车道9210的与迎面车道9400相邻的边缘。自主车辆相对位置状态因子

为“内部开始”可以指示自主车辆9100正在穿越相对靠近当前部分9700的迎面部分9710。自主车辆相对位置状态因子

为“内部中间”可以指示自主车辆9100正在穿越与当前部分9700和目标部分9720等距或近似等距的迎面部分9710，诸如与障碍9300相邻。自主车辆相对位置状态因子

为“内部结束”可以指示自主车辆9100正在穿越相对靠近目标部分9720的迎面部分9710。自主车辆相对位置状态因子

为“目标”可以指示自主车辆9100在目标部分9720的中心。

自主车辆未决状态因子

可以指示与具有自主车辆相对位置状态因子

的当前值的自主车辆9100对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。例如，自主车辆未决状态因子

为“短”可以指示与具有在定义的未决阈值之内(例如小于定义的未决阈值)的、自主车辆相对位置状态因子

的当前值的自主车辆9100对应的未决，并且自主车辆未决状态因子

为“长”可以指示与具有超过(诸如等于或大于)定义的未决阈值的、自主车辆相对位置状态因子

的当前值的自主车辆9100对应的未决。可以相对于自主车辆相对位置状态因子

的当前值来定义未决阈值。例如，可以针对自主车辆相对位置状态因子

为“开始”而定义10秒的未决阈值，并且针对自主车辆相对位置状态因子

为“边缘”而定义3秒的未决阈值。

前向障碍状态因子

可以表示当前车道中自主车辆前方的障碍9300相对于自主车辆的预期路径的当前状态，并且可以具有来自定义的值集(诸如{停止、慢速、正常、受阻、行人})的值。

后向可用性状态因子

可以表示当前部分9700的可用性状态，并且可以具有来自定义的值集(诸如{空、打开、关闭})的值。例如，后向可用性状态因子

值为“空”可以指示当前部分9700是空的或可用的，并且通行阻碍场景省略了尾随远程车辆。后向可用性状态因子

值为“打开”可以指示当前部分9700可用。后向可用性状态因子

值为“关闭”可以指示当前部分9700被阻塞，诸如被尾随远程车辆9600阻塞。

迎面远程车辆距离状态因子

可以表示迎面远程车辆9500与自主车辆9100的距离，并且可以具有来自定义的值集(诸如{空、远、中、近、在})的值。例如，迎面远程车辆距离状态因子

值为“空”可以指示通行障碍场景省略了迎面远程车辆。迎面远程车辆距离状态因子

值为“远”可以指示迎面远程车辆9500和自主车辆9100之间的距离超过定义的最大阈值。迎面远程车辆距离状态因子

值为“中”可以指示迎面远程车辆9500和自主车辆9100之间的距离在定义的最大阈值之内并且超过定义的最小阈值。迎面远程车辆距离状态因子

值为“近”可以指示迎面远程车辆9500和自主车辆9100之间的距离在定义的最小阈值之内。迎面远程车辆距离状态因子

值为“在”可以指示迎面远程车辆9500与自主车辆9100相邻。

迎面远程车辆位置未决状态因子

可以表示与具有迎面远程车辆距离状态因子

的当前值的迎面远程车辆9500对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。例如，迎面远程车辆位置未决状态因子

为“短”可以指示在定义的迎面远程车辆未决阈值之内(诸如小于该定义的迎面远程车辆未决阈值)的迎面远程车辆9500的当前位置的未决。迎面远程车辆位置未决状态因子

为“长”可以指示与具有超过(诸如等于或大于)定义的迎面远程车辆未决阈值的当前位置的迎面远程车辆9500对应的未决。

迎面可用性状态因子

可以表示迎面部分9710的可用性状态(对应于通过穿越迎面车道的迎面部分9710来通过当前车道中的障碍进而穿越车辆交通网络)，并且可以具有来自定义的值集(诸如{是，否})的值。例如，迎面可用性状态因子

为“是”可以指示迎面远程车辆9500或迎面远程车辆9500的预期路径9810正阻塞自主车辆9100的预期路径9900、阻止自主车辆9100通过穿越迎面部分9710来安全地通过障碍9300的概率至少为(诸如等于或大于)阻塞阈值(阻塞的可用性状态)。迎面可用性状态因子

为“否”可以指示迎面远程车辆9500或迎面远程车辆9500的预期路径9820正阻塞自主车辆9100的预期路径9900、阻止自主车辆9100通过穿越迎面部分9710来安全地通过障碍9300的概率在阻塞阈值之内(诸如小于阻塞阈值)(可用的可用性状态)。

动作空间(A)可以包括车辆控制动作动作因子(A_l)。其他观测因子可以包括在通行障碍模块POMDP模型中。车辆控制动作因子(Al)可以表示车辆控制动作，并且可以具有来自定义的值集(诸如{边缘、继续进行、恢复、保护}的值。例如，车辆控制动作动作因子(Al)为“边缘”可以指示自主车辆9100根据边缘车辆控制动作穿越车辆交通网络的紧接着的后续部分，诸如通过靠近与迎面车道9400相邻的第一车道9200的边缘，或者通过部分进入迎面车道9400(诸如进入几英寸使得自主车辆9100的一部分保持在第一车道9200中)。边缘可以减少不确定性，诸如通过改变障碍的相对方位。车辆控制动作动作因子(Al)为“继续进行”可以指示自主车辆9100根据“继续进行”车辆控制动作穿越车辆交通网络的紧接着的后续部分，这可以包括从当前部分9700穿过迎面部分9710并随后到达目标部分9720，这可以包括加速。车辆控制动作动作因子(Al)为“恢复”可以指示自主车辆9100快速返回到当前部分9700。例如，自主车辆9100可以部分或完全进入迎面车道9400，随后确定安全穿过迎面部分9710到达目标部分9720的概率在最小安全阈值之内，并且可以通过返回到当前部分9700根据“恢复”车辆控制动作来穿越车辆交通网络。车辆控制动作动作因子(A_l)为“保护”可以指示自主车辆9100执行安全或避免碰撞的车辆控制动作，诸如通过快速减速并进入远离第一车道9100的、迎面车道9400一侧的边缘(未示出)。例如，自主车辆9100可以部分穿越迎面部分9710，并且可以确定迎面远程车辆9500的预期路径9810与自主车辆9100的当前预期路径9900收敛、安全穿过迎面部分9710到达目标部分9720的概率在最小安全阈值之内、以及通过返回到当前部分9700而恢复的概率在最小安全阈值之内，并且自主车辆9100可以根据“保护”车辆控制动作来穿越车辆交通网络，以最小化碰撞的概率。

可以被包括在通行障碍场景的POMDP模型的观测空间(Ω)中的观测因子的示例可以包括自主车辆相对位置观测因子

前向障碍观测因子

后向可用性观测因子

迎面远程车辆相对位置观测因子

迎面可用性观测因子

或其组合，其可以被表达为

其他观测因子可以包括在通行障碍模块POMDP模型中。

自主车辆相对位置观测因子

可以表示指示自主车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。例如，自主车辆相对位置观测因子

为“是”可以指示自主车辆的位置从自主车辆的先前位置改变，诸如响应于根据车辆控制动作穿越车辆交通网络的一部分。自主车辆相对位置观测因子

为“否”可以指示自主车辆的位置对应于自主车辆的先前位置。自主车辆相对位置观测值

可以与自主车辆相对位置状态因子

相关联。

前向障碍观测因子

可以指示障碍的状态9300，并且可以具有来自定义的值集(诸如{停止、缓慢、正常})的值。前向障碍观测因子

可以与前向障碍状态因子

相关联。

后向可用性观测因子

可以表示当前部分9700的可用性状态，并且可以具有来自定义的值集(诸如{空、打开、关闭})的值。后向可用性观测因子

可以与后向可用性状态因子

相关联。

迎面远程车辆相对位置观测因子

可以表示指示远程车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。迎面远程车辆相对位置观测因子

可以与迎面远程车辆位置未决状态因子

相关联。

迎面可用性观测因子

可以表示迎面的部分9710的可用性状态(对应于通过穿越迎面车道的迎面部分9710来通过当前车道中的障碍进而穿越车辆交通网络)，并且可以具有来自定义的值集(诸如{是，否})的值。迎面的可用性观测因子

可以与迎面的可用性状态因子

相关联。

对于通行障碍场景的POMDP模型，来自状态转移概率(T)的状态转移概率的示例是迎面远程车辆9500的预期路径9820省略迎面车道9400的迎面部分9710并且迎面远程车辆9500的当前位置正阻塞其他迎面的车辆(未示出)穿越迎面车道9400的迎面部分9710的概率。对于通行障碍场景的POMDP模型，来自状态转移概率(T)的状态转移概率的另一示例是检测到先前未检测到的、靠近迎面车道9400的迎面部分9710的迎面车辆(未示出)的概率。对于通行障碍场景的POMDP模型，来自状态转移概率(T)的状态转移概率的另一示例是尾随远程车辆9600穿越当前车道9200的当前部分9700从而阻止自主车辆9100恢复到当前车道9200的当前部分9700的概率。对于通行障碍场景的POMDP模型，来自状态转移概率(T)的状态转移概率的另一示例是前向障碍状态因子

的改变的概率，诸如响应于前向障碍9300加速而改变。

来自条件观测概率(O)的条件观测概率的示例是与迎面远程车辆9500与自主车辆9100的相对距离对应的传感器数据的不确定性的概率。条件观测概率的另一示例是与可用性观测因子

对应的不确定性的概率。条件观测概率的另一示例是遮挡物改变的不确定性的概率，该改变对应于根据“边缘”车辆控制动作穿越车辆交通网络的一部分以改变遮挡物和外部对象的相对方位。条件观测概率的另一示例是与准确地确定前向障碍状态因子

对应的不确定性的概率。

奖励函数(R)可以确定可以针对状态和动作的每个组合累积的相应正的或负的(成本)值，该值可以表示自主车辆从对应的状态根据对应的车辆控制动作穿越车辆交通网络而到达后续状态的期望值，该期望值可以表达为

实例化通行障碍-SSOCEM实例可以包括从通行障碍-SSOCEM中识别通行障碍车辆运行场景的模型的求解方案或策略。从通行障碍-SSOCEM中识别通行障碍车辆运行场景模型的求解方案或策略可以包括对通行障碍-SSOCEM模型求解。实例化通行障碍-SSOCEM实例可以包括实例化求解方案或策略的实例。

通行阻碍-SSOCEM求解方案实例可以基于相应的建模场景和对应的运行环境信息生成候选车辆控制动作(诸如“保持”、“边缘”或“继续进行”)，并且可以将相应的候选车辆控制动作输出到自主车辆运行管理控制器，诸如通过将相应的候选车辆控制动作传送到自主车辆运行管理控制器或者存储相应的候选车辆控制动作以供自主车辆运行管理控制器访问。

自主车辆运行管理控制器可以从各个实例化的通行障碍-SSOCEM实例接收候选车辆控制动作，并且可以基于接收到的候选车辆控制动作来识别用于在对应的时间位置控制自主车辆9100的车辆控制动作，并且可以根据识别出的车辆控制动作来控制自主车辆穿越车辆交通网络或其一部分。

自主车辆运行管理控制器可以确定检测到的车辆运行场景中的一个或多个是否已经过期，并且响应于确定并道车辆运行场景已经过期，可以将对应的通行障碍-SSOCEM实例非实例化。

在一些实施方式中，穿越车辆交通网络可以包括响应于从车辆的运行环境监控器接收到识别车辆运行场景的运行环境信息，实例化场景特定运行控制评估模块实例。

在一些实施方式中，车辆运行场景可以是并道车辆运行场景，根据候选车辆控制动作穿越车辆交通网络的一部分可以包括从车辆交通网络中的第一车道并入车辆交通网络的后续并道车道，其中车辆交通网络的第一车道和第二车道并道以形成后续并道车道。

在一些实施方式中，穿越车辆交通网络可以包括响应于确定第一车道和第二车道并道以形成后续并道车道，操作运行环境监控器以识别车辆运行场景。

在一些实施方式中，场景特定运行控制评估模型可以包括内在性状态因子，该内在性状态因子表示自主车辆的当前位置和接近后续并道车道的并道交叉段的位置之间的距离。

在一些实施方式中，场景特定运行控制评估模型可以包括自主车辆相对位置状态因子，该自主车辆相对位置状态因子表示自主车辆相对于自主车辆的当前车道的位置，其中当前车道是第一车道或后续并道车道。

在一些实施方式中，场景特定运行控制评估模型可以包括自主车辆未决状态因子，该自主车辆未决状态因子表示与具有自主车辆相对位置状态因子的当前值的自主车辆对应的未决。

在一些实施方式中，场景特定运行控制评估模型可以包括自主车辆相对速度状态因子，该自主车辆相对速度状态因子表示自主车辆相对于定义的速度参考的相对速度。

在一些实施方式中，场景特定运行控制评估模型可以包括可用性状态因子，该可用性状态因子表示与通过从第一车道并入后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分的可用性状态。

在一些实施方式中，场景特定运行控制评估模型可以包括表示车辆控制动作的车辆控制动作动作因子。

在一些实施方式中，场景特定运行控制评估模型可以包括表示车辆控制动作的速度修正子的车辆控制动作速度修正子动作因子。

在一些实施方式中，场景特定运行控制评估模型可以包括内在性观测因子，该内在性观测因子表示从第一车道并入后续并道车道的内在性是否超过定义的内在性阈值的确定。

在一些实施方式中，场景特定运行控制评估模型可以包括自主车辆相对位置观测因子，该自主车辆相对位置观测因子表示指示自主车辆的位置变化的确定。

在一些实施方式中，场景特定运行控制评估模型可以包括自主车辆相对速度观测因子，该自主车辆相对速度观测因子表示指示自主车辆的速度变化的确定。

在一些实施方式中，场景特定运行控制评估模型可以包括运行环境信息，该运行环境信息可以指示车辆运行场景中的远程车辆，并且场景特定运行控制评估模型可以包括远程车辆相对位置状态因子，该远程车辆相对位置状态因子表示远程车辆相对于远程车辆的当前远程车辆车道和自主车辆的位置，其中当前远程车辆车道是第一车道、第二车道或后续并道车道。

场景特定运行控制评估模型可以包括远程车辆相对位置未决状态因子，该远程车辆相对位置未决状态因子表示与具有远程车辆相对位置状态因子的当前值的远程车辆对应的未决。

场景特定运行控制评估模型可以包括远程车辆相对速度状态因子，该远程车辆相对速度状态因子表示远程车辆相对于定义的远程车辆速度参考的相对速度。

场景特定运行控制评估模型可以包括远程车辆相对位置观测因子，该远程车辆相对位置观测因子表示指示远程车辆的位置变化的确定。

场景特定运行控制评估模型可以包括可用性观测因子，该可用性观测因子表示指示与通过从第一车道并入后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分的可用性变化的确定。

场景特定运行控制评估模型可以包括远程车辆相对速度观测因子，该远程车辆相对速度观测因子表示指示远程车辆的速度变化的确定。

场景特定运行控制评估模型可以包括远程车辆默认状态转移概率，该远程车辆默认状态转移概率指示远程车辆运行使得与通过从第一车道并入后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分可用的概率。

场景特定运行控制评估模型可以包括远程车辆向前状态转移概率，该远程车辆向前状态转移概率指示远程车辆在第二车道超过自主车辆的概率。

场景特定运行控制评估模型可以包括受阻当前车道状态转移概率，该受阻当前车道状态转移概率指示自主车辆的当前车道沿着自主车辆的预期路径被阻碍的概率。

场景特定运行控制评估模型可以包括远程车辆前向并道状态转移概率，该远程车辆前向并道状态转移概率指示远程车辆在自主车辆前方并入自主车辆的当前车道中的概率。

场景特定运行控制评估模型可以包括辅助车辆控制动作状态转移概率，该辅助车辆控制动作状态转移概率指示通过从第一车道并入后续并道车道来穿越车辆交通网络的可用距离超过最小阈值的概率。

场景特定运行控制评估模型可以包括前向远程车辆阻塞状态转移概率，该前向远程车辆阻塞状态转移概率指示在远程车辆在自主车辆前方并且在后续并道车道中的情况下，远程车辆从非阻塞变为阻塞的概率。

场景特定运行控制评估模型可以包括阻塞不确定性观测概率，该阻塞不确定性观测概率指示与通过从第一车道并入后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分的可用性的不确定性的概率。

场景特定运行控制评估模型可以包括远程车辆观测概率，该远程车辆观测概率指示远程车辆的相对位置和速度与远程车辆的确定位置和概率之间的相关性。

场景特定运行控制评估模型可以包括遮挡物观测概率，该遮挡物观测概率指示远程车辆被遮挡的概率。

在一些实施方式中，车辆运行场景可以是通行障碍车辆运行场景，并且场景特定运行控制评估模型可以包括表示自主车辆相对于当前车道的位置的自主车辆相对位置状态因子。

场景特定运行控制评估模型可以包括自主车辆相对位置未决状态因子，该自主车辆相对位置未决状态因子表示与具有自主车辆相对位置状态因子的当前值的自主车辆对应的未决。

场景特定运行控制评估模型可以包括前向障碍状态因子，该前向障碍状态因子表示当前车道中自主车辆前方的障碍的当前状态。

场景特定运行控制评估模型可以包括后向可用性状态因子，该后向可用性状态因子表示当前车道中在自主车辆后面的车辆交通网络的一部分的可用性状态。

场景特定运行控制评估模型可以包括表示车辆控制动作的车辆控制动作动作因子。

场景特定运行控制评估模型可以包括动作成功观测因子，该动作成功观测因子表示基于根据先前识别的车辆控制动作穿越车辆交通网络的预期车辆运行环境与根据先前识别的车辆控制动作穿越车辆交通网络之后的当前车辆运行环境之间的差是否在定义的阈值之内的确定。

场景特定运行控制评估模型可以包括前向障碍观测因子，该前向障碍观测因子表示指示自主车辆前方的障碍的当前状态的变化的确定。

场景特定运行控制评估模型可以包括后向可用性观测因子，该后向可用性观测因子表示指示当前车道中在自主车辆后面的车辆交通网络的一部分的可用性状态的变化的确定。

在一些实施方式中，运行环境信息可以指示车辆运行场景中迎面远程车辆在迎面车道中，并且场景特定运行控制评估模型可以包括迎面远程车辆距离状态因子，该迎面远程车辆距离状态因子表示迎面远程车辆与自主车辆的距离。

场景特定运行控制评估模型可以包括迎面远程车辆位置未决状态因子，该迎面远程车辆位置未决状态因子表示与具有迎面远程车辆距离状态因子的当前值的迎面远程车辆对应的未决。

场景特定运行控制评估模型可以包括可用性状态因子，该可用性状态因子表示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分的可用性状态。

场景特定运行控制评估模型可以包括迎面远程车辆位置观测因子，该迎面远程车辆位置观测因子表示指示迎面远程车辆的运行状态的变化的确定。

场景特定运行控制评估模型可以包括可用性观测因子，该可用性观测因子表示指示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分的可用性状态的变化的确定。

场景特定运行控制评估模型可以包括迎面远程车辆屏蔽状态转移概率，该迎面远程车辆屏蔽状态转移概率指示迎面远程车辆运行使得与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分可用的概率。

场景特定运行控制评估模型可以包括第二迎面远程车辆状态转移概率，该第二迎面远程车辆状态转移概率指示响应于另一迎面远程车辆，与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分可用的可用性从可用变为阻塞的概率。

场景特定运行控制评估模型可以包括第三迎面远程车辆状态转移概率，该第三迎面远程车辆状态转移概率表示指示迎面车辆的距离变化的概率的概率。

场景特定运行控制评估模型可以包括第四迎面远程车辆状态转移概率，该第四迎面远程车辆状态转移概率指示迎面车辆从当前阻塞状态转移到不同阻塞状态的概率。

场景特定运行控制评估模型可以包括后向可用性状态转移概率，该后向可用性状态转移概率指示当前车道中自主车辆后面的车辆交通网络的一部分的可用性从可用变为阻塞的概率。

场景特定运行控制评估模型可以包括前向障碍状态转移概率，该前向障碍状态转移概率指示当前车道中自主车辆前方的障碍的变化的概率。

场景特定运行控制评估模型可以包括阻塞不确定性观测概率，该阻塞不确定性观测概率指示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的车辆交通网络的一部分的可用性的不确定性的概率。

场景特定运行控制评估模型可以包括远程车辆观测概率，该远程车辆观测概率指示基于自主车辆和远程车辆之间的距离观测远程车辆的准确性的概率。

场景特定运行控制评估模型可以包括遮挡物解析观测概率，该遮挡物解析观测概率指示响应于根据边缘车辆控制动作穿越车辆交通网络而解析遮挡物的概率。

场景特定运行控制评估模型可以包括后向可用性观测概率，该后向可用性观测概率指示用于确定当前车道中自主车辆后面的车辆交通网络的一部分的可用性的不确定性的概率。

场景特定运行控制评估模型可以包括前向障碍观测概率，该前向障碍观测概率指示用于确定当前车道中自主车辆前方的障碍的状态的不确定性的概率。

在一些实施方式中，根据候选车辆控制动作穿越车辆交通网络的一部分可以包括：穿越当前车道的第一部分，在穿越当前车道的第一部分之后穿越迎面车道的第一部分，并且在穿越迎面车道的第一部分之后穿越当前车道的第二部分。

在一些实施方式中，穿越车辆交通网络可以包括操作运行环境监控器以识别当前车道中自主车辆前方的障碍。

在一些实施方式中，处理器可以被配置为执行存储在非暂时性计算机可读介质上的指令，以操作场景特定运行控制评估模块实例，以响应于从车辆的运行环境监控器接收到识别车辆运行场景的运行环境信息，而实例化场景特定运行控制评估模块实例。

在一些实施方式中，车辆运行场景可以是并道车辆运行场景，并且处理器可以被配置为执行存储在非暂时性计算机可读介质上的指令，以操作场景特定运行控制评估模块实例，从而通过从车辆交通网络中的第一车道并入车辆交通网络的后续并道车道来根据候选车辆控制动作穿越车辆交通网络的一部分，其中车辆交通网络的第一车道和第二车道并道以形成后续并道车道。

在一些实施方式中，车辆运行场景可以是通行障碍车辆运行场景，并且处理器可以被配置为执行存储在非暂时性计算机可读介质上的指令，以操作场景特定运行控制评估模块实例，从而通过穿越当前车道的第一部分，在穿越当前车道的第一部分之后穿越迎面车道的第一部分，并且在穿越迎面车道的第一部分之后穿越当前车道的第二部分来根据候选车辆控制动作穿越车辆交通网络的一部分。

尽管在图6-图9中没有单独示出，但是行人模块(诸如图4中示出的行人模块4310)可以包括POMDP模型。

行人POMDP模型可以定义状态空间，该状态空间包括例如自主车辆相对位置状态因子

行人阻塞状态因子

优先级状态因子

或其组合，其可以被表达为

行人POMDP模型中可以包括其他状态因子。自主车辆相对位置状态因子

可以指示自主车辆相对于自主车辆的期望路径和行人的期望路径(可以是行人的当前位置)之间的交叉点的位置，并且可以具有来自定义的值集(诸如{开始、靠近、在、交叉、目标})的值。行人阻塞状态因子

可以表示指示行人或行人的预期路径当前是否正阻塞自主车辆的确定，并且可以具有来自定义的值集(诸如{是，否})的值。行人优先级状态因子

(可以与行人阻塞状态因子

正交)，可以指示自主车辆或行人是否具有优先级，或者相反，自主车辆或行人将让路的期望是否超过定义的阈值，并且可以具有来自定义的值集合(诸如{AV，行人})的值。

行人POMDP模型可以定义包括动作因子的动作空间，该动作因子可以具有来自定义的值集(诸如{停止、边缘、走})的值。行人POMDP模型中可以包括其他动作因子。

行人POMDP模型可以定义观测空间，该观测空间包括当前位置观测因子

可用性观测因子

优先级观测因子

或其组合，其可以被表达为

行人POMDP模型中可以包括其他观测因子。当前位置观测因子

可以表示指示自主车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。可用性观测因子

可以表示指示行人当前是否正阻塞自主车辆的变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。优先级观测因子

可以表示自主车辆或行人是否具有优先级的变化的确定，并且可以具有来自定义的值集(诸如{AV，行人})的值。

行人POMDP模型可以定义状态转移(T)，该状态转移(T)包括表示响应于行人在距人行横道的定义的距离内的确定的、行人正阻塞的概率增加的概率修改子，行人可能乱跑的概率，表示行人可以在距遮挡物的定义的距离内被识别的概率增加的概率修改子，行人可能向自主车辆让路的概率，行人可能保持接近车辆交通网络的当前位置的概率，或其组合。行人POMDP模型中可以包括其他转移概率。

行人POMDP模型可以定义条件观测概率(O)，该条件观测概率(O)包括用于确定阻塞的、对行人运动的噪声检测的概率，以及接近遮挡物的未检测到的行人的概率。行人POMDP模型中可以包括其他条件观测概率。

尽管在图6-图9中没有单独示出，但是交叉段模块(诸如图4所示的交叉段模块4320)可以包括POMDP模型。

交叉段POMDP模型可以定义状态空间(S)，该状态空间(S)包括自主车辆位置状态因子

自主车辆未决状态因子

远程车辆位置状态因子

远程车辆未决状态因子

阻塞状态因子

优先级状态因子

或其组合，这可以被表达为

交叉段POMDP模型中可以包括其他状态因子。自主车辆位置状态因子

可以指示自主车辆相对于场景的位置，并且可以具有来自定义的值集(诸如{开始、靠近、在、边缘、内部、目标})的值。自主车辆未决状态因子

可以指示与具有自主车辆位置状态因子的当前值的自主车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。远程车辆位置状态因子

可以指示远程车辆相对于场景的位置，并且可以具有来自定义的值集(诸如{空、靠近、在、边缘、内部})的值。远程车辆未决状态因子

可以指示与具有远程车辆位置状态因子

的当前值的远程车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。阻塞状态因子

可以表示指示远程车辆或远程车辆的预期路径当前是否正阻塞自主车辆的确定，并且可以具有来自定义的值集(诸如{是，否})的值。优先级状态因子

可以指示具有优先级的车辆(诸如自主车辆或远程车辆)，并且可以具有来自定义的值集(诸如{AV，RV})的值。

交叉段POMDP模型可以定义包括动作因子的动作空间，该动作因子可以具有来自定义的值集(诸如{停止、边缘、走})的值。交叉段POMDP模型中可以包括其他行动因子。

交叉段POMDP模型可以定义观测空间，该观测空间包括当前位置观测因子

远程车辆位置观测因子

可用性观测因子

优先级观测因子

或其组合，其可以被表达为

交叉段POMDP模型中可以包括其他观测因子。当前位置观测因子

可以表示指示自主车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。远程车辆位置观测因子

可以表示指示远程车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。可用性观测因子

可以表示指示远程车辆当前是否正阻塞自主车辆的变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。优先级观测因子

可以表示具有优先级的车辆的变化的确定，并且可以具有来自定义的值集(诸如{AV，RV})的值。

交叉段POMDP模型可以定义状态转移T，包括远程车辆让位于自主车辆的优先级的概率、远程车辆违反优先级的概率、或者远程车辆在停车标志处停车或进行滑行停车的概率。交叉段POMDP模型中可以包括其他转移概率。

交叉段POMDP模型可以定义条件观测概率(O)。诸如检测到远程车辆穿越定义的地理空间位置的概率。交叉段POMDP模型中可以包括其他条件观测概率。

尽管在图6-图9中没有单独示出，但是变道模块(诸如图4中示出的变道模块4330)可以包括POMDP模型。

变道POMDP模型可以定义状态空间，该状态空间包括自主车辆相对位置状态因子

自主车辆未决状态因子

自主车辆相对速度状态因子

远程车辆相对位置状态因子

远程车辆未决状态因子

阻塞状态因子

远程车辆相对速度状态因子

或其组合，其可以被表达为

变道POMDP模型中可以包括其他状态因子。自主车辆相对位置状态因子

可以指示自主车辆相对于自主车辆的当前车道的位置(该当前车道可以是变道前车道或变道后(目标或目的)车道)，并且可以具有来自定义的值集(诸如{开始、边缘、内部、目标})的值。自主车辆未决状态因子

可以指示与具有自主车辆相对位置状态因子

的当前值的自主车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。自主车辆相对速度状态因子

可以指示自主车辆相对于远程车辆、速度限制、或这两者的速度，并且可以具有来自定义的值集(诸如{慢、慢-中、中、中-快、快})的值。远程车辆相对位置状态因子

可以指示远程车辆相对于远程车辆的当前车道的位置，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。远程车辆未决状态因子

可以指示与具有远程车辆位置状态因子

的当前值的远程车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。阻塞状态因子

可以表示指示远程车辆或远程车辆的预期路径当前是否正阻塞自主车辆转移到目标车道的确定，并且可以具有来自定义的值集(诸如{是，否})的值。远程车辆相对速度状态因子

可以指示远程车辆相对于自主车辆、另一远程车辆、速度限制、或其组合的速度，并且可以具有来自定义的值集(诸如{慢、慢-中、中、中-快、快})的值。

变道POMDP模型可以定义动作空间，该动作空间包括车辆控制动作动作因子(Al)、车辆控制动作速度修正子动作因子(Av)、或这两者，其可以被表达为A＝A_l×A_v。变道POMDP模型中可以包括其他动作因子。车辆控制动作因子(A_l)可以表示车辆控制动作，并且可以具有来自定义的值集(诸如{停留，边缘，走})的值。车辆控制动作速度修正子动作因子(A_v)可以表示由车辆控制动作因子(A_l)指示的用于车辆控制动作的速度修正子。

变道POMDP模型可以定义观测空间，该观测空间包括当前位置观测因子

自主车辆相对速度观测因子

远程车辆位置观测因子

可用性观测因子

远程车辆相对速度观测因子

或其组合，其可以被表达为

变道POMDP模型中可以包括其他观测因子。当前位置观测因子

可以表示指示自主车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。自主车辆相对速度观测因子

可以指示自主车辆的速度变化的确定，并且可以具有来自定义的值集(诸如{降低、保持、增加})的值。远程车辆位置观测因子

可以表示指示远程车辆的位置变化的确定，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。可用性观测因子

可以表示指示远程车辆当前是否正阻塞自主车辆的变化的确定，并且可以具有来自定义的值集(诸如{是，否})的值。远程车辆相对速度观测因子

可以指示远程车辆的速度变化的确定，并且可以具有来自定义的值集(诸如{降低、保持、增加})的值。远程车辆相对位置状态因子

可以指示远程车辆相对于远程车辆的当前车道的位置，并且可以具有来自定义的值集(诸如{空、后、在、前})的值。远程车辆未决状态因子

可以指示与具有远程车辆位置状态因子

的当前值的远程车辆对应的未决或时间段的分类，并且可以具有来自定义的值集(诸如{短，长})的值。

变道POMDP模型可以定义状态转移T，包括远程车辆以超过定义的阈值的速率加速或减速的概率、远程车辆改变车道使得远程车辆从阻塞转移到非阻塞的概率、以及自主车辆穿越车辆交通网络受到前向障碍物影响的概率。变道POMDP模型中可以包括其他转移概率。

变道POMDP模型可以定义条件观测概率(O)。诸如准确识别可用性概率的概率。变道POMDP模型中可以包括其他条件观测概率。

如本文所用，术语“计算机”或“计算设备”包括能够执行本文公开的任何方法或其任何一部分或多个部分的任何单元或单元组合。

如本文所使用的，术语“处理器”指示一个或多个处理器，诸如一个或多个专用处理器、一个或多个数字信号处理器、一个或多个微处理器、一个或多个控制器、一个或多个微控制器、一个或多个应用处理器、一个或多个专用集成电路、一个或多个专用标准产品、一个或多个现场可编程门阵列、任何其他类型或组合的集成电路、一个或多个状态机、或其任何组合。

如本文所使用的，术语“存储器”指示任何计算机可用或计算机可读的介质或设备，其可以有形地包含、存储、通信传达、或运送可以由任何处理器使用或与任何处理器结合使用的任何信号或信息。例如，存储器可以是一个或多个只读存储器(read onlymemory，ROM)、一个或多个随机存取存储器(random access memory，RAM)、一个或多个寄存器、低功率双倍数据速率(low power double data rate，LPDDR)存储器、一个或多个高速缓冲存储器、一个或多个半导体存储器设备、一个或多个磁介质、一个或多个光学介质、一个或多个磁光介质、或其任意组合。

如本文所使用的，术语“指令”可以包括用于执行本文所公开的任何方法或其任何一个或多个部分的指导或表达，并且可以用硬件、软件、或其任何组合来实现。例如，指令可被实施为存储在存储器中的信息(诸如计算机程序)，该信息可由处理器执行以执行如本文所述的任何相应的方法、算法、方面、或其组合。在一些实施例中，指令或其一部分可被实施为可以包括用于执行如本文所述的任何方法、算法、方面、或其组合的专用硬件的专用处理器或电路。在一些实施方式中，指令的各部分可以分布在单个设备上、多个设备上的多个处理器之间，这些设备可以直接通信或者通过诸如局域网、广域网、互联网、或其组合的网络通信。

如本文所用，术语“示例”、“实施例”、“实施方式”、“方面”、“特征”、或“元素”指示用作示例、实例、或说明。除非明确指示，否则任何示例、实施例、实施方式、方面、特征、或元素与其他示例、实施例、实施方式、方面、特征、或元素独立，并且可以与任何其他示例、实施例、实施方式、方面、特征、或元素结合使用。

如本文所用，术语“确定”和“识别”或其任何变型包括使用本文所示和所述的一个或多个设备来选择、确定、计算、查找、接收、确定、建立、获得、或以其他方式以任何方式识别或确定。

如本文所用，术语“或”旨在表示包含性的“或”，而不是排他性的“或”。也就是说，除非另有说明，或者从上下文中明确得出，“X包括A或B”旨在指示任何自然的包含性排列。也就是说，如果X包括A；X包括B；或X包括A和B，则“X包括A或B”在前述任何情况下都成立。此外，在本申请和所附权利要求中使用的冠词“一”和“一个”通常应被解释为意指“一个或多个”，除非另有说明或从上下文中清楚地指向单数形式。

此外，为了解释的简单，尽管本文的附图和描述可以包括步骤或阶段的顺序或串联，但是本文公开的方法的元素可以以各种次序或同时出现。此外，本文公开的方法的元素可以与本文未明确呈现和描述的其他元素一起出现。此外，并非本文描述的方法的所有元素都是实施根据本公开的方法所必需的。尽管本文以特定的组合描述了各方面、特征和元素，但是每个方面、特征或元素可以独立使用，或者在有或没有其他方面、特征和元素的情况下以各种组合使用。

已经描述了上述方面、示例和实施方式，以便允许容易理解本公开，但这不是限制性的。相反，本公开覆盖了包括在所附权利要求的范围内的各种修改和等效布置，该范围应符合最广泛的解释，以便包括法律允许的所有这些修改和等效结构。

Claims (15)

1.一种用于穿越车辆交通网络的方法，所述方法包括：

由自主车辆穿越车辆交通网络，其中，穿越车辆交通网络包括：

操作场景特定运行控制评估模块实例，其中所述场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例，其中所述车辆运行场景是并道车辆运行场景或通行障碍车辆运行场景；

从所述场景特定运行控制评估模块实例接收候选车辆控制动作；和

根据所述候选车辆控制动作穿越车辆交通网络的一部分。

2.根据权利要求1所述的方法，其中，穿越车辆交通网络包括：

响应于从车辆的运行环境监控器接收到识别车辆运行场景的运行环境信息，实例化所述场景特定运行控制评估模块实例。

3.根据权利要求2所述的方法，其中，所述车辆运行场景是所述并道车辆运行场景，并且其中根据所述候选车辆控制动作穿越车辆交通网络的一部分包括从车辆交通网络中的第一车道并入车辆交通网络的后续并道车道，其中车辆交通网络的第一车道和第二车道并道以形成所述后续并道车道。

4.根据权利要求3所述的方法，其中，穿越车辆交通网络包括：

响应于确定第一车道和第二车道并道以形成后续并道车道，操作所述运行环境监控器以识别所述车辆运行场景。

5.根据权利要求3所述的方法，其中，所述场景特定运行控制评估模型包括：

内在性状态因子，其表示自主车辆的当前位置和接近所述后续并道车道的并道交叉段的位置之间的距离；

自主车辆相对位置状态因子，其表示自主车辆相对于自主车辆的当前车道的位置，其中所述当前车道是第一车道或所述后续并道车道；

自主车辆未决状态因子，其表示与具有自主车辆相对位置状态因子的当前值的自主车辆对应的未决；

自主车辆相对速度状态因子，其表示所述自主车辆相对于定义的速度参考的相对速度；

可用性状态因子，其表示与通过从第一车道并入所述后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分的可用性状态；

车辆控制动作动作因子，其表示车辆控制动作；

车辆控制动作速度修正子动作因子，其表示所述车辆控制动作的速度修正子；

内在性观测因子，其表示从第一车道并入所述后续并道车道的内在性是否超过定义的内在性阈值的确定；

自主车辆相对位置观测因子，其表示指示自主车辆的位置变化的确定；和

自主车辆相对速度观测因子，其表示指示自主车辆的速度变化的确定。

6.根据权利要求5所述的方法，其中，所述运行环境信息指示车辆运行场景中的远程车辆，并且其中所述场景特定运行控制评估模型包括：

远程车辆相对位置状态因子，其表示远程车辆相对于远程车辆的当前远程车道和自主车辆的位置，其中所述当前远程车道是第一车道、第二车道、或后续并道车道；

远程车辆相对位置未决状态因子，其表示与具有远程车辆相对位置状态因子的当前值的远程车辆对应的未决；

远程车辆相对速度状态因子，其表示远程车辆相对于定义的远程车辆速度参考的相对速度；

远程车辆相对位置观测因子，其表示指示远程车辆的位置变化的确定；

可用性观测因子，其表示指示与通过从所述第一车道并入所述后续并道车道来穿越所述车辆交通网络对应的车辆交通网络的一部分的可用性变化的确定；

远程车辆相对速度观测因子，其表示指示远程车辆的速度变化的确定；

远程车辆默认状态转移概率，其指示远程车辆运行以使得与通过从第一车道并入所述后续并道车道来穿越所述车辆交通网络对应的车辆交通网络的一部分可用的概率；

远程车辆向前状态转移概率，其指示远程车辆在第二车道中超过自主车辆的概率；

受阻当前车道状态转移概率，其指示自主车辆的当前车道沿着自主车辆的预期路径被阻碍的概率；

远程车辆前向并道状态转移概率，其指示远程车辆在自主车辆前方并入自主车辆的当前车道的概率；

辅助车辆控制动作状态转移概率，其指示通过从第一车道并入所述后续并道车道来穿越所述车辆交通网络的可用距离超过最小阈值的概率；

前向远程车辆阻塞状态转移概率，其指示在远程车辆在自主车辆前方并且在后续并道车道中的情况下，远程车辆从非阻塞变为阻塞的概率；

阻塞不确定性观测概率，其指示与通过从第一车道并入所述后续并道车道来穿越车辆交通网络对应的车辆交通网络的一部分的可用性的不确定性的概率；

远程车辆观测概率，其指示远程车辆的相对位置和速度与远程车辆的确定位置和概率之间的相关性；和

遮挡物观测概率，其指示远程车辆被遮挡的概率。

7.根据权利要求2所述的方法，其中，所述车辆运行场景是通行障碍车辆运行场景，并且其中，所述场景特定运行控制评估模型包括：

自主车辆相对位置状态因子，其表示自主车辆相对于当前车道的位置；

自主车辆相对位置未决状态因子，其表示与具有自主车辆相对位置状态因子的当前值的自主车辆对应的未决；

前向障碍状态因子，其表示当前车道中自主车辆前方的障碍的当前状态；

后向可用性状态因子，其表示当前车道中在自主车辆后面的车辆交通网络的一部分的可用性状态；

车辆控制动作动作因子，其表示车辆控制动作；

动作成功观测因子，其表示基于根据先前识别的车辆控制动作穿越车辆交通网络的预期车辆运行环境与根据先前识别的车辆控制动作穿越车辆交通网络之后的当前车辆运行环境之间的差是否在定义的阈值之内的确定；

前向障碍观测因子，其表示指示自主车辆前方的障碍的当前状态的变化的确定；和

后向可用性观测因子，其表示指示当前车道中在自主车辆后面的车辆交通网络的一部分的可用性状态的变化的确定。

8.根据权利要求7所述的方法，其中，所述运行环境信息指示在车辆运行场景中迎面车道中的迎面远程车辆，并且其中，所述场景特定运行控制评估模型包括：

迎面远程车辆距离状态因子，其表示迎面远程车辆与自主车辆的距离；

迎面远程车辆位置未决状态因子，其表示与具有所述迎面远程车辆距离状态因子的当前值的迎面远程车辆对应的未决；

可用性状态因子，其表示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越所述车辆交通网络对应的迎面车道的相对部分的可用性状态；

迎面远程车辆位置观测因子，其表示指示所述迎面远程车辆的运行状态的变化的确定；

可用性观测因子，其表示指示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分的可用性状态的变化的确定；

迎面远程车辆屏蔽状态转移概率，其指示迎面远程车辆运行使得与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分可用的概率；

第二迎面远程车辆状态转移概率，其指示响应于另一迎面远程车辆，与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的迎面车道的相对部分可用的可用性从可用变为阻塞概率；

第三迎面远程车辆状态转移概率，其指示迎面车辆的距离变化的概率；

第四迎面远程车辆状态转换概率，其指示迎面车辆从当前阻塞状态转移到不同阻塞状态的概率；

后向可用性状态转移概率，其指示当前车道中在自主车辆后面的车辆交通网络的一部分的可用性从可用变为阻塞的概率；

前向障碍状态转移概率，其指示当前车道中自主车辆前方的障碍的变化的概率；

阻塞不确定性观测概率，其指示与通过穿越迎面车道的相对部分来通过当前车道中的障碍从而穿越车辆交通网络对应的车辆交通网络的一部分的可用性的不确定性的概率；

远程车辆观测概率，其指示基于自主车辆和远程车辆之间的距离观测远程车辆的准确性的概率；

遮挡物解析观测概率，其指示响应于根据边缘车辆控制动作穿越车辆交通网络而解析遮挡物的概率；

后向可用性观测概率，其指示用于确定当前车道中在自主车辆后面的车辆交通网络的一部分的可用性的不确定性的概率；和

前向障碍观测概率，其指示用于确定当前车道中所述自主车辆前方的障碍的状态的不确定性的概率。

9.根据权利要求7所述的方法，其中，根据所述候选车辆控制动作穿越车辆交通网络的一部分包括：

穿越当前车道的第一部分；

在穿越当前车道的第一部分之后，穿越迎面车道的第一部分；和

在穿越迎面车道的第一部分之后，穿越当前车道的第二部分。

10.根据权利要求7所述的方法，其中，穿越车辆交通网络包括：

操作运行环境监控器以识别当前车道中自主车辆前方的障碍。

11.一种自主车辆，包括：

处理器，被配置为执行存储在非暂时性计算机可读介质上的指令，以：

操作场景特定运行控制评估模块实例，其中所述场景特定运行控制评估模块实例包括车辆运行场景的场景特定运行控制评估模型的实例，其中所述车辆运行场景是并道车辆运行场景或通行障碍车辆运行场景；

从所述场景特定运行控制评估模块实例接收候选车辆控制动作；和

根据所述候选车辆控制动作穿越车辆交通网络的一部分。

12.根据权利要求11所述的自主车辆，其中，所述处理器被配置为执行存储在非暂时性计算机可读介质上的所述指令，以操作所述场景特定运行控制评估模块实例，以：

响应于从车辆的运行环境监控器接收到识别车辆运行场景的运行环境信息，实例化所述场景特定运行控制评估模块实例。

13.根据权利要求12所述的自主车辆，其中所述车辆运行场景是所述并道车辆运行场景，并且其中所述处理器被配置为执行存储在非暂时性计算机可读介质上的所述指令，以操作所述场景特定运行控制评估模块实例，以：

通过从车辆交通网络中的第一车道并入所述车辆交通网络的后续并道车道、根据所述候选车辆控制动作来穿越所述车辆交通网络的一部分，其中所述车辆交通网络的第一车道和第二车道并道以形成所述后续并道车道。

14.根据权利要求12所述的自主车辆，其中，所述车辆运行场景是通行障碍车辆运行场景，并且其中，所述处理器被配置为执行存储在非暂时性计算机可读介质上的所述指令，以通过以下方式操作所述场景特定运行控制评估模块实例，从而根据所述候选车辆控制动作穿越车辆交通网络的一部分：

穿越当前车道的第一部分；

在穿越当前车道的第一部分之后，穿越迎面车道的第一部分；和

在穿越迎面车道的第一部分之后，穿越当前车道的第二部分。

15.一种用于穿越车辆交通网络的方法，所述方法包括：

由自主车辆穿越车辆交通网络，其中穿越车辆交通网络包括：

操作运行环境监控器以识别车辆运行场景，其中：

所述运行环境监控器是并道运行环境监控器，并且响应于所述运行环境监控器确定车辆交通网络中的第一车道和车辆交通网络的第二车道并道以沿着自主车辆的预期路径形成所述后续并道车道，操作所述运行环境监控器包括将并道车辆运行场景识别为所述车辆运行场景；和

所述运行环境监控器是通行障碍运行环境监控器，并且响应于所述运行环境监控器确定自主车辆的预期路径包括前向障碍、车辆交通网络省略了可用的相邻车道、并且车辆交通网络包括相邻的迎面车道，操作所述运行环境监控器包括将通行障碍车辆运行场景识别为所述车辆运行场景；

响应于从所述运行环境监控器接收到识别车辆运行场景的运行环境信息，实例化所述场景特定运行控制评估模块实例，其中所述场景特定运行控制评估模块实例包括所述车辆运行场景的场景特定运行控制评估模型的实例，其中：

响应于确定所述车辆运行场景是并道车辆运行场景，实例化所述场景特定运行控制评估模块实例包括实例化并道场景特定运行控制评估模块实例；和

响应于确定所述车辆运行场景是通行障碍车辆运行场景，实例化所述场景特定运行控制评估模块实例包括实例化通行障碍场景特定运行控制评估模块实例；

从所述场景特定运行控制评估模块实例接收候选车辆控制动作；和

根据所述候选车辆控制动作穿越车辆交通网络的一部分，其中根据所述候选车辆控制动作穿越车辆交通网络的一部分包括：

响应于确定所述车辆运行场景是并道车辆运行场景，从车辆交通网络中的当前车道并入所述后续并道车道；和

响应于确定所述车辆运行场景是通行障碍车辆运行场景：

穿越当前车道的第一部分；

在穿越当前车道的第一部分之后，穿越迎面车道的第一部分；和

在穿越迎面车道的第一部分之后，穿越当前车道的第二部分。

Images