CN111656145A - 车辆监测器 - Google Patents
车辆监测器 Download PDFInfo
- Publication number
- CN111656145A CN111656145A CN201880072699.9A CN201880072699A CN111656145A CN 111656145 A CN111656145 A CN 111656145A CN 201880072699 A CN201880072699 A CN 201880072699A CN 111656145 A CN111656145 A CN 111656145A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- road
- transitory computer
- segment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 517
- 238000005259 measurement Methods 0.000 claims description 220
- 230000006870 function Effects 0.000 claims description 181
- 239000000446 fuel Substances 0.000 claims description 177
- 238000004590 computer program Methods 0.000 claims description 150
- 230000001133 acceleration Effects 0.000 claims description 121
- 238000009826 distribution Methods 0.000 claims description 82
- 238000012937 correction Methods 0.000 claims description 74
- 230000005284 excitation Effects 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 58
- 238000004891 communication Methods 0.000 claims description 55
- 230000033001 locomotion Effects 0.000 claims description 52
- 230000009467 reduction Effects 0.000 claims description 51
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000036541 health Effects 0.000 claims description 41
- 238000001556 precipitation Methods 0.000 claims description 38
- 230000004044 response Effects 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 17
- 230000008447 perception Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000003213 activating effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 7
- 238000005304 joining Methods 0.000 claims description 7
- 230000002829 reductive effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 31
- 238000012545 processing Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000002457 bidirectional effect Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 239000003570 air Substances 0.000 description 8
- 230000006835 compression Effects 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 230000000670 limiting effect Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004378 air conditioning Methods 0.000 description 5
- 230000010267 cellular communication Effects 0.000 description 5
- 229920006343 melt-processible rubber Polymers 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000001704 evaporation Methods 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 4
- 235000019580 granularity Nutrition 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 238000012358 sourcing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000006096 absorbing agent Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 244000287024 Katherine wheel Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 240000000736 Amomum maximum Species 0.000 description 1
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 241001640117 Callaeum Species 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
- G01C21/3878—Hierarchical structures, e.g. layering
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/072—Curvature of the road
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
- G01C7/04—Tracing profiles of land surfaces involving a vehicle which moves along the profile to be traced
-
- 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
- B60W2552/20—Road profile, i.e. the change in elevation or curvature of a plurality of continuous road segments
-
- 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
- B60W2555/40—Altitude
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
Abstract
一种车辆监测器和用于监测车辆的方法。
Description
交叉引用
本申请要求下面的临时专利的优先权，每个临时专利以其整体并入本文：
a.申请日为2017年10月18日的美国临时专利62/573,828。
b.申请日为2017年9月10日的美国临时专利62/556,447。
c.申请日为2017年9月10日的美国临时专利62/556,445。
d.申请日为2017年9月28日的美国临时专利62/564,270。
e.申请日2017年10月23日的美国临时专利62/575,544。
f.申请日为2017年9月10日的美国临时专利62/556,444。
g.申请日为2017年9月10日的美国临时专利62/556,443。
h.申请日为2018年8月24日的美国临时专利62/722,210。
背景
高程(elevation)数据
人类驾驶员和自动驾驶车辆可以受益于关于道路的高度准确的信息。
存在对提供用于生成关于道路的高度准确的信息的有效的方法的日益增长的需要。
测量物理事件
自动驾驶车辆(AV)应用和高级驾驶辅助系统(ADAS)应用现在具有一些知识空白，其主要是由于视觉传感器的使用而使它们的解决方案变得易受攻击。
AV的主要问题之一是地图定位——给定地图，以相对高的准确度在地图上准确指出当前位置。
用于定位的初始传感器是GPS。这通常在地图上给出大致区域。有时它可以准确到几米，但有时远超过几米，且(当天空不清澈、是都市环境、或在屋顶和遮盖物下时)甚至遗漏。
在由GPS提供的粗略信息之后，当今用于定位微调的主要传感器是视觉传感器：相机、LiDAR、RADAR、IR相机。这些传感器通常将视觉图像后处理与之前映射/收集的图像数据进行比较。当工作正常时，它可能产生厘米的准确度。
主要的问题是这些传感器由于诸如以下问题在时间上并不是100％起作用：恶劣的天气、头灯失明、堵塞、场景的变化等。
在这些情况下，车辆可能不能准确地定位其本身：经度的定位和纬度的定位。
此外，当使用视觉传感器时确切定位所需的知识库非常大，因为它包含大量图像。更新数据库可能需要大量的通信和处理资源。
车辆简档
自动驾驶车辆(AV)应用和高级驾驶辅助系统(ADAS)应用基于车辆行为并基于道路状况。
车辆行为取决于大量参数，因此使车辆行为变得不可预测——即使当将大量计算和存储资源分配到对车辆行为的估计时。
存在对提供对车辆的行为的准确且有效的估计的日益增长的需要。
重量
车辆的重量可能对车辆的性能有重大影响。例如，车辆的重量影响制动距离。车辆的重量也影响燃料消耗、车辆的各种模块等等。
自动驾驶车辆(AV)应用和高级驾驶辅助系统(ADAS)应用可能受益于实时接收对车辆的重量的准确测量。
当车辆载运货物时，车辆的重量可能具有商业重要性，并且车辆的总重量提供对由车辆载运的货物的总重量的估计。
存在对提供对车辆的重量的准确估计的日益增长的需要。
抓地
防抱死制动系统或防滑制动系统(ABS)是一种汽车安全系统，其允许在机动车辆上的车轮在制动时根据驾驶员的输入保持与路面的牵引接触，防止车轮锁起来(停止转动)并避免不受控制的打滑(www.wikipedia.org)。典型的ABS系统通过释放制动器——通常通过在边际抓地力达到某一阈值时抽吸制动器——来防止车轮锁起来。制动器的抽吸是能量消耗的，并且存在对减少这种能量消耗的日益增长的需要。此外，当达到边际抓地力值时，制动有效性降低。存在对提高制动有效性的日益增长的需要。
自动驾驶车辆(AV)应用和高级驾驶辅助系统(ADAS)应用基于包括但不限于车辆参数的各种参数并基于道路状况。
道路状况和车辆参数可能随着时间的过去而变化，并且抓地力可能随着时间的过去而以不可预测的方式变化。这些抓地力变化可能影响车辆应被驾驶的方式。
存在对以快速和准确的方式确定对路径段的抓地力的日益增长的需要。
概述
高程数据和气压计噪声估计
可以提供一种用于估计路段的高度的方法，该方法可以包括：通过车辆的气压计并且在给定的行驶时段期间测量内部车辆压力以提供多个气压计测量结果；其中，所述测量发生在车辆经过该路段时；通过计算机来补偿气压计影响的车辆状况以提供多个经补偿的气压计测量结果；以及将多个经补偿的气压计测量结果与在由多个车辆执行的多个其他行驶时段期间获得的气压计信息合并，从而提供对路段的高度估计；其中，该合并可以包括执行时段恒定偏移补偿和时段间偏移补偿。
合并可以包括搜索重叠节点，其中，每个重叠节点对应于同一位置并且属于多个时段。
合并可以包括用于使可能与同一重叠节点相关的不同时段的高度估计基本上相等的结合过程。
该方法可以包括基于在结合过程期间引入的重叠节点的高度估计的变化来改变对非重叠节点的高度估计。
改变对非重叠节点的高度估计可以包括根据预定义的高度调整分布沿着时段来分布高度调整。
预定义的高度调整分布可以是均匀分布的高度调整分布。
时段恒定偏移补偿可以包括减小在重叠节点之间的高度差而不结合重叠节点。
时段间偏移补偿可以包括结合过程。
对气压计影响车辆状况的补偿可以基于由气压计和由不同于气压计的至少一个其他车辆传感器提供的信息。
至少一个其他车辆传感器可以是加速度计。
合并可以包括计算与重叠节点相关联的高度估计的统计；以及基于该统计来排除一个或更多个高度估计。
该方法可以包括将多个经补偿的气压计测量结果传输到可位于车辆外部的计算机化系统，并且其中，合并可以由该计算机化系统执行。
合并的至少一部分可以由车辆的计算机执行。
对气压计影响车辆状况的补偿可以包括对气压计测量结果进行低通滤波。
对气压计影响车辆状况的补偿可以包括确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括当由与两个点相关的气压计测量结果所反映的在两个点之间延伸的道路部分的坡度超过最大坡度阈值时确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括计算气压计影响事件对至少一个气压计测量结果的值的影响。
对气压计影响车辆的补偿可以在气压计测量结果被采用时对车辆的加速做出响应。
对气压计影响车辆的补偿可以在气压计测量结果被采用时对车辆的减速做出响应。
可以提供一种用于估计路段的高度的非暂时性计算机程序产品，该非暂时性计算机程序产品可以存储用于执行下列操作的指令：通过车辆的气压计并且在给定的行驶时段期间测量内部车辆压力以提供多个气压计测量结果；其中，所述测量发生在车辆经过该路段时；通过计算机来补偿气压计影响的车辆状况以提供多个经补偿的气压计测量结果；以及将多个经补偿的气压计测量结果与在由多个车辆执行的多个其他行驶时段期间获得的气压计信息合并，从而提供对路段的高度估计；其中，该合并可以包括执行时段恒定偏移补偿和时段间偏移补偿。
合并可以包括搜索重叠节点，其中，每个重叠节点对应于同一位置并且属于多个时段。
合并可以包括用于使可能与同一重叠节点相关的不同时段的高度估计基本上相等的结合过程。
非暂时性计算机程序产品可以存储用于基于在结合过程期间引入的重叠节点的高度估计的变化来改变对非重叠节点的高度估计的指令。
所述改变对非重叠节点的高度估计可以包括根据预定义的高度调整分布沿着时段来分布高度调整。
预定义的高度调整分布可以是均匀分布的高度调整分布。
时段恒定偏移补偿可以包括减小在重叠节点之间的高度差而不结合重叠节点。
时段间偏移补偿可以包括结合过程。
对气压计影响车辆状况的补偿可以基于由气压计和由不同于气压计的至少一个其他车辆传感器提供的信息。
至少一个其他车辆传感器可以是加速度计。
对气压计影响车辆状况的补偿可以基于气压计测量模式。
合并可以包括计算与重叠节点相关联的高度估计的统计；以及基于该统计来排除一个或更多个高度估计。
非暂时性计算机程序产品可以存储用于将多个经补偿的气压计测量结果传输到可位于车辆外部的计算机化系统的指令，并且其中，合并可以由该计算机化系统执行。
补偿合并的至少一部分可以由车辆的计算机执行。
对气压计影响车辆状况的补偿可以包括对气压计测量结果进行低通滤波。
对气压计影响车辆状况的补偿可以包括确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括当由与两个点相关的气压计测量结果所反映的在两个点之间延伸的道路部分的坡度超过最大坡度阈值时确定忽略气压计测量结果中的至少一些。
对气压计影响车辆状况的补偿可以包括计算气压计影响事件对至少一个气压计测量结果的值的影响。
对气压计影响车辆的补偿可以在气压计测量结果被采用时对车辆的加速做出响应。
对气压计影响车辆的补偿可以在气压计测量结果被采用时对车辆的减速做出响应。
测量物理事件
可以提供如在权利要求和/或说明书和/或附图中所示的方法、系统和非暂时性计算机可读介质。
可以提供一种用于测量与多个路段相关的物理事件的方法。方法可以包括：通过第一车辆传感器来测量第一组参数；其中，该测量发生在车辆可在该多个路段上行驶时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在该多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分。
所述检测到的物理事件可以选自包括以下项的组：碰撞、滑移(slip)、侧滑(skid)、旋转、纬度旋转和经度旋转。
所述检测到的物理事件可以包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
第一车辆传感器可以包括加速度计和多个车轮运动传感器。
该方法可以包括计算路段属性。
路段属性可以包括下列项中的至少一个路段属性：(i)可包括所述路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度(waviness)。
路段属性可以包括下列项中的至少三个路段属性：(i)可包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
该方法可以包括计算物理事件的位置。
该方法可以包括基于在对应于第一组参数的测量的时间点与物理事件相关联的不同车辆部件的位置来计算物理事件的位置。
该方法可以包括计算在(a)多个路段的参考地图和(b)物理事件信息之间的差异，所述参考地图可以包括关于与多个路段相关的先前检测到的物理事件的参考信息；以及其中，传输差异中的至少一些。
该方法可以包括接收或计算多个路段的参考地图，该参考地图可以包括(a)关于与多个路段相关的先前检测到的物理事件的参考信息，以及(b)与多个路段相关的参考路段属性。
该方法可以包括基于参考地图和检测到的物理事件的序列来确定车辆的定位。
该方法可以包括通过在参考地图内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定车辆的定位。
该方法可以包括通过在参考地图内搜索与强制性检测到的物理事件的序列相符的强制性物理事件的参考序列来确定车辆的定位。
参考地图可以包括基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息。
参考地图可以包括可以存储关于与多个路段相关的先前检测到的物理事件的参考信息的层。
该方法可以包括通过在该层内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定车辆的定位。
搜索可以包括扫描由基层表示的路段，以及检索关于与所扫描的路段相关的先前检测到的物理事件的参考信息。
检索可以包括应用散列函数来找出关于先前检测到的物理事件的参考信息。
参考地图可以包括：(a)基层，其可以存储关于多个路段的位置和在多个路段之间的空间关系的信息；以及(b)一个或更多个稀疏层，该一个或更多个稀疏层可以包括关于多个路段中的仅仅一些路段的附加信息；其中，一个或更多个稀疏层可以链接到基层。
该方法可以包括基于一个或更多个稀疏层和车辆的定位来生成行驶指令。
参考地图可以包括固定字段大小稀疏层和可变大小稀疏层；其中，可变大小稀疏层可以包括参考物理事件信息。
该方法可以包括接收用于更新参考地图的一部分的参考地图更新，以及更新参考地图的该部分而不更新参考地图的未更新部分。
参考地图可以包括存储关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息的私有字段，并且可以包括公共字段。
该方法还可以包括至少基于第一组参数来生成虚拟传感器信息。
该方法还可以包括通过使用图像传感器来确定车辆的横向位置。
物理事件信息可以包括检测到的物理事件的标准化幅度(normalizedmagnitudes)。
可以提供一种用于生成区域的参考地图的方法，该方法可以包括：通过通信接口从多个车辆接收(a)关于由多个车辆在属于该区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由多个车辆计算的路段属性，路段属性可以与属于该区域的路段相关；其中，多个车辆中的车辆的物理事件信息可以基于可以由车辆的第一车辆传感器感测的第一组参数；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由多个车辆所检测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图。
检测到的物理事件可以选自包括以下项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
检测到的物理事件可以包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
第一车辆传感器可以包括加速度计和多个车轮运动传感器。
路段属性可以包括下列项中的至少一个路段属性：(i)可以包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
路段属性可以包括下列项中的至少三个路段属性：(i)可以包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
参考地图可以包括(a)关于与多个路段相关的先前检测到的物理事件的参考信息，以及(b)与多个路段相关的参考路段属性。
参考地图可以包括基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息。
参考地图可以包括可以存储关于与多个路段相关的先前检测到的物理事件的参考信息的层。
参考地图可以包括：(a)基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息；以及(b)一个或更多个稀疏层，该一个或更多个稀疏层可以包括关于多个路段中的仅仅一些路段的附加信息；其中，一个或更多个稀疏层可以链接到基层。
参考地图可以包括固定字段大小稀疏层和可变大小稀疏层；其中，可变大小稀疏层可以包括参考物理事件信息。
参考地图可以包括存储关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息的私有字段，并且可以包括公共字段。
物理事件信息可以包括检测到的物理事件的标准化幅度。
可以提供一种用于测量与多个路段相关的物理事件的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：通过第一车辆传感器来测量第一组参数；其中，该测量发生在车辆可能在该多个路段上行驶时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在该多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分。
所述检测到的物理事件可以选自包括以下项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
所述检测到的物理事件可以包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
第一车辆传感器可以包括加速度计和多个车轮运动传感器。
该非暂时性计算机程序产品可以存储用于计算路段属性的指令。
路段属性可以包括下列项中的至少一个路段属性：(i)可包括所述路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度(waviness)。
路段属性可以包括下列项中的至少三个路段属性：(i)可包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
该非暂时性计算机程序产品可以存储用于计算物理事件的位置的指令。
该非暂时性计算机程序产品可以存储用于基于在对应于第一组参数的测量的时间点与物理事件相关联的不同车辆部件的位置来计算物理事件的位置的指令。
该非暂时性计算机程序产品可以存储用于执行以下操作的指令：计算在(a)多个路段的参考地图和(b)物理事件信息之间的差异，所述参考地图可以包括关于与多个路段相关的先前检测到的物理事件的参考信息；以及其中，传输差异中的至少一些。
该非暂时性计算机程序产品可以存储用于接收或计算多个路段的参考地图的指令，该参考地图可以包括(a)关于与多个路段相关的先前检测到的物理事件的参考信息，以及(b)与多个路段相关的参考路段属性。
该非暂时性计算机程序产品可以存储用于基于参考地图和检测到的物理事件的序列来确定车辆的定位的指令。
该非暂时性计算机程序产品可以存储用于通过在参考地图内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定车辆的定位的指令。
该非暂时性计算机程序产品可以存储用于通过在参考地图内搜索与强制性检测到的物理事件的序列相符的强制性物理事件的参考序列来确定车辆的定位的指令。
参考地图可以包括基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息。
参考地图可以包括可以存储关于与多个路段相关的先前检测到的物理事件的参考信息的层。
该非暂时性计算机程序产品可以存储用于通过在该层内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定车辆的定位的指令。
搜索可以包括扫描由基层表示的路段，以及检索关于与所扫描的路段相关的先前检测到的物理事件的参考信息。
检索可以包括应用散列函数来找出关于先前检测到的物理事件的参考信息。
参考地图可以包括：(a)基层，其可以存储关于多个路段的位置和在多个路段之间的空间关系的信息；以及(b)一个或更多个稀疏层，该一个或更多个稀疏层可以包括关于多个路段中的仅仅一些路段的附加信息；其中，一个或更多个稀疏层可以链接到基层。
该非暂时性计算机程序产品可以存储用于基于一个或更多个稀疏层和车辆的定位来生成行驶指令的指令。
参考地图可以包括固定字段大小稀疏层和可变大小稀疏层；其中，可变大小稀疏层可以包括参考物理事件信息。
该非暂时性计算机程序产品可以存储用于执行以下操作的指令：接收用于更新参考地图的一部分的参考地图更新，以及更新参考地图的该部分而不更新参考地图的未更新部分。
参考地图可以包括存储关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息的私有字段，并且可以包括公共字段。
该非暂时性计算机程序产品可以存储用于至少基于第一组参数来生成虚拟传感器信息的指令。
该非暂时性计算机程序产品可以存储用于通过使用图像传感器来确定车辆的横向位置的指令。
物理事件信息可以包括检测到的物理事件的标准化幅度(normalizedmagnitudes)。
可以提供一种用于生成区域的参考地图的非暂时性计算机程序产品，该非暂时性计算机程序产品存储用于执行下列操作的指令：通过通信接口从多个车辆接收(a)关于由多个车辆在属于该区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由多个车辆计算的路段属性，路段属性可以与属于该区域的路段相关；其中，多个车辆中的车辆的物理事件信息可以基于可以由车辆的第一车辆传感器感测的第一组参数；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由多个车辆所检测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图。
检测到的物理事件可以选自包括以下项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
检测到的物理事件可以包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
第一车辆传感器可以包括加速度计和多个车轮运动传感器。
路段属性可以包括下列项中的至少一个路段属性：(i)可以包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
路段属性可以包括下列项中的至少三个路段属性：(i)可以包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
参考地图可以包括(a)关于与多个路段相关的先前检测到的物理事件的参考信息，以及(b)与多个路段相关的参考路段属性。
参考地图可以包括基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息。
参考地图可以包括可以存储关于与多个路段相关的先前检测到的物理事件的参考信息的层。
参考地图可以包括：(a)基层，该基层可以存储关于多个路段的位置和在多个路段之间的空间关系的信息；以及(b)一个或更多个稀疏层，该一个或更多个稀疏层可以包括关于多个路段中的仅仅一些路段的附加信息；其中，一个或更多个稀疏层可以链接到基层。
参考地图可以包括固定字段大小稀疏层和可变大小稀疏层；其中，可变大小稀疏层可以包括参考物理事件信息。
参考地图可以包括存储关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息的私有字段，并且可以包括公共字段。
物理事件信息可以包括检测到的物理事件的标准化幅度。
可以提供一种用于测量与多个路段相关的物理事件的系统，该系统可以包括车辆计算机，该车辆计算机可以被配置成：(i)从第一车辆传感器接收第一组参数；其中，所述测量发生在所述车辆可能在该多个路段上行驶时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；(ii)检测与在多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于检测到的物理事件的物理事件信息；并且存储物理事件信息的至少一部分或帮助传输物理事件信息的至少一部分。所述帮助可以包括指示车辆的通信模块来进行传输。
可以提供一种用于生成区域的参考地图的系统，该系统可以包括：通信接口，该通信接口可以被配置成从多个车辆接收：(a)关于由多个车辆在属于该区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由多个车辆计算的路段属性，所述路段属性可以与属于该区域的路段相关；其中，多个车辆中的车辆的物理事件信息可以基于可以由车辆的第一车辆传感器感测的第一组参数；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；以及处理器，该处理器可以被配置成基于关于由多个车辆所检测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图。
车辆简档
可以提供如在说明书和/或权利要求和/或附图中所示的方法、系统和非暂时性计算机可读介质。
可以提供一种用于生成车辆简档的方法，该方法可以包括：收集车辆简档信息候选项，其中，车辆简档信息候选项可以包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的第一车辆传感器感测；以及至少基于车辆简档信息候选项来生成车辆简档；其中，车辆简档基本上包括下列项：(i)巡航数据结构，该巡航数据结构可以包括关于针对第一组道路路径和车辆参数的不同值的与车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，(ii)怠速减速度数据结构，该怠速减速度数据结构可包括关于针对第二组道路路径和车辆参数的不同值的与车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，以及(iii)加速度数据结构，该加速度数据结构可包括关于针对第三组道路路径和车辆参数的不同值的与车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息。
巡航数据结构基本上包括巡航燃料消耗参数的值。
第一组道路路径和车辆参数基本上包括车辆速度、路段坡度、车辆重量、和一个或更多个传动系统参数。
传动系统参数可以包括档位(gear)和节气门位置。
怠速减速度结构基本上包括怠速减速度距离的值。
第二组道路路径和车辆参数基本上包括起始车辆速度、路段坡度、和车辆重量。
第二组道路路径和车辆参数基本上包括起始车辆速度、路段坡度、车辆重量和一个或更多个传动系统参数。
传动系统参数可以包括档位。
巡航数据结构基本上包括加速度燃料消耗参数的值。
第三组道路路径和车辆参数基本上包括起始车辆速度、路段坡度、车辆重量、加速度距离和一个或更多个传动系统参数。
传动系统参数可以包括档位和节气门位置。
该方法可以包括基于在路径段的坡度与在(i)路径段的两端之间的高度差和(ii)路径段的水平投影的长度之间的比率之间的比较来排除车辆简档信息候选项。
该方法可以包括基于车辆简档来动态地使车辆群集。
该方法可以包括计算每个群集的群集简档。
该方法可包括至少基于可包括车辆的群集的群集简档来更新巡航数据结构、怠速减速度数据结构、和加速度数据结构中的至少一者。
该方法可以包括压缩车辆简档以生成压缩的车辆简档。
压缩可以包括计算在相关道路路径和车辆参数之间的数学关系，以及从巡航数据结构、怠速减速度数据结构、和加速度数据结构中的至少一者移除关于相关道路路径和车辆参数中的至少一者的信息。
压缩可以包括移除可以与车辆速度的子组相关的道路路径和车辆参数。
压缩可以包括使用一个或更多个道路路径和车辆参数作为关键字而不将一个或更多个道路路径和车辆参数存储在车辆简档中的任一个中。
车辆简档的生成可以包括针对第一道路路径和车辆参数的特定值推算巡航燃料消耗参数的值，其中，所述推算可以针对第一组道路路径和车辆参数的特定其他测量值对巡航燃料消耗参数的值做出响应。
该方法可包括计算针对在车辆前方的路径的建议的行驶参数，其中，该计算可至少部分地基于车辆简档、路径部分坡度和外在限制。
该计算可以包括虚拟地将路径分割成多个部分，每个部分可以包括具有基本上相同的坡度和基本上相同的外在限制的一个或更多个路径段。
该方法可以包括基于与每个部分相关的坡度和最大速度限制来为该部分找到最佳速度。
车辆简档包括巡航数据结构、怠速减速度数据结构、和加速度数据结构。
可以提供一种用于生成车辆简档的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：收集车辆简档信息候选项，其中，车辆简档信息候选项可以包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的第一车辆传感器感测；以及至少基于车辆简档信息候选项来生成车辆简档；其中，车辆简档基本上包括下列项：(i)巡航数据结构，所述巡航数据结构可以包括关于针对第一组道路路径和车辆参数的不同值的与车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，(ii)怠速减速度数据结构，所述怠速减速度数据结构可以包括关于针对第二组道路路径和车辆参数的不同值的与车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，以及(iii)加速度数据结构，所述加速度数据结构可以包括针对第三组道路路径和车辆参数的不同值的与车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息。
可以提供一种用于生成车辆简档的计算机化系统，该计算机化系统可以包括(i)收集模块，该收集模块用于收集车辆简档信息候选项，其中，车辆简档信息候选项可以包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的第一车辆传感器感测；以及(ii)计算机，该计算机用于至少基于车辆简档信息候选项来生成车辆简档；其中，车辆简档基本上包括下列项：(a)巡航数据结构，该巡航数据结构可以包括关于针对第一组道路路径和车辆参数的不同值的与车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，(b)怠速减速度数据结构，该怠速减速度数据结构可以包括关于针对第二组道路路径和车辆参数的不同值的与车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，以及(c)加速度数据结构，该加速度数据结构可以包括针对第三组道路路径和车辆参数的不同值的与车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息；以及(iii)存储器，该存储器用于存储巡航数据结构、怠速减速度数据结构、和加速度数据结构。
可以提供一种用于确定行驶时段的方法，该方法可以包括：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，车辆简档可以至少基于道路路径和车辆参数来生成；其中，道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的车辆传感器感测；以及由车辆计算机确定针对在车辆前方的路径的建议的行驶参数，其中，所述计算可以至少部分地基于车辆简档、路径部分坡度和外在限制。
该计算可以包括虚拟地将路径分割成多个部分，每个部分可以包括具有基本上相同的坡度和基本上相同的外在限制的一个或更多个路径段。
该方法可以包括基于与每个部分相关的坡度和最大速度限制来为该部分找到最佳速度。
车辆简档基本上包括巡航数据结构、怠速减速度数据结构和加速度数据结构。
车辆简档包括巡航数据结构、怠速减速度数据结构和加速度数据结构。
可以提供一种用于确定行驶时段的非暂时性计算机程序产品，其中，非暂时性计算机程序产品存储用于执行下列操作的指令：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，车辆简档可以至少基于道路路径和车辆参数来生成；其中，道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的车辆传感器感测；以及由车辆计算机确定针对在车辆前方的路径的建议的行驶参数，其中，所述计算可以至少部分地基于车辆简档、路径部分坡度和外在限制。
重量
可以提供如在权利要求和/或说明书和/或附图中所示的方法、系统和非暂时性计算机可读介质。
可以提供一种用于估算车辆的重量的方法，该方法可以包括：在学习时期期间并通过车辆传感器来获得关于车辆的行驶时段的车辆传感器测量结果，其中，车辆传感器测量结果可以包括(a)与行驶时段相关的路径的高度测量结果，(b)与行驶时段相关的燃料消耗测量结果，(c)与行驶时段相关的路段的长度测量结果；以及(d)与行驶时段相关的速度测量结果；以及基于车辆传感器测量结果来计算车辆的估算重量；其中，该计算可以基于可以指示由车辆浪费的能量的能量系数的值。
估算重量的计算还可以包括找到马达效率函数和燃料消耗误差校正函数。
该计算可以包括搜索提供与车辆的重量估计相关的至少一个分布的能量系数的值，该至少一个分布满足至少一个预定义的统计显著性标准。
估算重量的确定可以包括根据下面的等式来确定针对多个路径段中的每个路径段的重量估计：
其中，一组能量系数可以包括k1、k2、k3和k4；
其中，ame可以是所估计的马达效率函数的值；
其中，v可以是车辆在路径段的终点处的速度；
v可以是车辆在路径段的起点处的速度；
v表示车辆在路径段上行驶时的速度的至少一个值；
x可以是路径段的长度；
Δh可以是在路径段的终点和起点之间的高度差；以及
fuel可以是与路径段相关的误差校正后的燃料消耗。
该计算可以包括搜索提供与车辆的重量估计相关的至少一个分布的能量系数的值，该至少一个分布满足至少一个预定义的统计显著性标准。
预定义的统计显著性标准可以是最大统计显著性。
预定义的统计显著性标准可以是重量估计分布中的至少一个重量估计分布的最小标准偏差。
估算重量的确定可以包括针对多个路径段中的每个路径段和针对能量系数的不同值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的马达效率函数值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的燃料消耗误差校正函数值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值、针对不同的马达效率函数值和针对不同的燃料消耗误差校正函数值确定重量估计。
估算重量的确定可以包括将质量属性与每个重量估计相关联。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以对分配到每个重量估计的质量属性做出响应。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以是直方图，其中该直方图可以包括竖条区域(bin)，其中每个竖条区域可以与重量估计范围相关联，并且具有表示属于竖条区域的重量估计的质量属性的值。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以是直方图，其中直方图可以包括竖条区域，其中每个竖条区域可以与重量估计范围相关联，并且具有表示属于该竖条区域的重量估计的质量属性的总和的值。
该方法可以包括将质量属性分配到车辆传感器测量结果中的至少一些。
该方法可以包括基于与车辆在特定路径段的起点处和终点处的速度相关的差来将质量属性分配到与该特定路径段相关的车辆传感器测量结果。
该方法可以包括基于车辆在特定行驶时段期间的最大速度来将质量属性分配到与特定路径段相关的车辆传感器测量结果。
该方法可以包括忽略在车辆下倾的路径段处获得的车辆传感器测量结果。
计算可以包括应用机器学习。
可以提供一种用于估算车辆的重量的非暂时性计算机可读介质，该非暂时性计算机可读介质存储用于执行下列操作的指令：在学习时期期间获得关于车辆的行驶时段的车辆传感器测量结果，其中，车辆传感器测量结果可以包括(a)与行驶时段相关的路径的高度测量结果，(b)与行驶时段相关的燃料消耗测量结果，(c)与行驶时段相关的路段的长度测量结果；以及(d)与行驶时段相关的速度测量结果；以及基于车辆传感器测量结果来计算车辆的估算重量；其中，该计算可以基于可以指示由车辆浪费的能量的能量系数的值。
估算重量的计算还可以包括找到马达效率函数和燃料消耗误差校正函数。
该计算可以包括搜索提供与车辆的重量估计相关的至少一个分布的能量系数的值，该至少一个分布满足至少一个预定义的统计显著性标准。
估算重量的确定可以包括根据下面的等式来确定针对多个路径段中的每个路径段的重量估计：
其中，能量系数组可以包括k1、k2、k3和k4；
其中，ame可以是所估计的马达效率函数的值；
其中，v可以是车辆在路径段的终点处的速度；
v可以是车辆在路径段的起点处的速度；
v表示车辆在路径段上行驶时的速度的至少一个值；
x可以是路径段的长度；
Δh可以是在路径段的终点和起点之间的高度差；以及
fuel可以是与路径段相关的误差校正后的燃料消耗。
该计算可以包括搜索提供与车辆的重量估计相关的至少一个分布的能量系数的值，该至少一个分布满足至少一个预定义的统计显著性标准。
预定义的统计显著性标准可以是最大统计显著性。
预定义的统计显著性标准可以是重量估计分布中的至少一个重量估计分布的最小标准偏差。
估算重量的确定可以包括针对多个路径段中的每个路径段和针对能量系数的不同值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的马达效率函数值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的燃料消耗误差校正函数值确定重量估计。
估算重量的确定可以包括针对多个路径段中的每个路径段、针对能量系数的不同值、针对不同的马达效率函数值和针对不同的燃料消耗误差校正函数值确定重量估计。
估算重量的确定可以包括将质量属性与每个重量估计相关联。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以对分配到每个重量估计的质量属性做出响应。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以是直方图，其中该直方图可以包括竖条区域(bin)，其中每个竖条区域可以与重量估计范围相关联，并且具有表示属于竖条区域的重量估计的质量属性的值。
估算重量的确定可以包括将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布可以是直方图，其中直方图可以包括竖条区域，其中每个竖条区域可以与重量估计范围相关联，并且具有表示属于该竖条区域的重量估计的质量属性的总和的值。
该非暂时性计算机可读介质可以存储用于将质量属性分配到车辆传感器测量结果中的至少一些的指令。
该非暂时性计算机可读介质可以存储用于基于与车辆在特定路径段的起点处和终点处的速度相关的差来将质量属性分配到与该特定路径段相关的车辆传感器测量结果的指令。
该非暂时性计算机可读介质可以存储用于基于车辆在特定行驶时段期间的最大速度来将质量属性分配到与特定路径段相关的车辆传感器测量结果的指令。
该非暂时性计算机可读介质可以存储用于包括忽略在车辆下倾的路径段处获得的车辆传感器测量结果的指令。
计算可以包括应用机器学习。
可以提供一种用于估算车辆的重量的方法，该方法可以包括：接收可以指示由车辆浪费的能量的能量系数的值；其中，能量系数的值是至少部分地基于由车辆的车辆传感器获得的车辆传感器测量结果来计算出的，车辆传感器测量结果是在车辆的行驶时段期间被获得的；其中，车辆传感器测量结果可以包括(a)与行驶时段相关的路径的高度测量结果，(b)与行驶时段相关的燃料消耗测量结果，(c)与行驶时段相关的路段的长度测量结果；以及(d)与行驶时段相关的速度测量结果；在新行驶时段期间并通过车辆传感器来获得与新行驶时段相关的新车辆传感器测量结果；以及由车辆计算机基于能量系数的值和新车辆传感器测量结果来计算车辆的重量。
该方法可以包括接收关于车辆的马达效率函数的信息，并且其中，车辆的重量的计算还可以对车辆的马达效率函数做出响应。
关于马达效率函数的信息可以包括马达效率函数系数。
马达效率函数系数的数量可以不超过五十。
该方法可以包括接收关于车辆的燃料消耗误差校正函数的信息，并且其中，车辆的重量的计算还可以对燃料消耗误差校正函数做出响应。
关于燃料消耗误差校正函数的信息可以包括燃料消耗误差校正函数系数。
燃料消耗误差校正函数系数的数量可以不超过十。
该方法可以包括接收关于车辆的马达效率函数和车辆的燃料消耗误差校正函数的信息，并且其中，车辆的重量的计算还可以对车辆的马达效率函数和车辆的燃料消耗误差校正做出响应。
车辆的重量的计算可以实时地被执行。
该方法可以包括传输与新行驶时段相关的新车辆传感器测量结果。
该方法可以包括接收能量系数的更新值，并且其中，重量的计算可以对能量系数的更新值做出响应。
重量的计算可以包括针对新时段的新路径段计算下面的等式：
其中，能量系数组可以包括k1、k2、k3和k4；
其中，ame可以是所估计的马达效率函数的值；
其中，v2可以是车辆在新路径段的终点处的速度；
v1可以是车辆在新路径段的起点处的速度；
v表示车辆在新路径段上行驶时的速度的至少一个值；
x可以是新路径段的长度；
Δh可以是在新路径段的起点和终点之间的高度差；以及
fuel可以是与新路径段相关的误差校正后的燃料消耗。
可以提供一种用于估算车辆的重量的非暂时性计算机可读介质，该非暂时性计算机可读介质可以存储用于执行下列操作的指令：接收可以指示由车辆浪费的能量的能量系数的值；其中，能量系数的值是至少部分地基于由车辆的车辆传感器获得的车辆传感器测量结果来计算出的，车辆传感器测量结果是在车辆的行驶时段期间被获得的；其中，车辆传感器测量结果可以包括(a)与行驶时段相关的路径的高度测量结果，(b)与行驶时段相关的燃料消耗测量结果，(c)与行驶时段相关的路段的长度测量结果；以及(d)与行驶时段相关的速度测量结果；在新行驶时段期间并通过车辆传感器来获得与新行驶时段相关的新车辆传感器测量结果；以及由车辆计算机基于能量系数的值和新车辆传感器测量结果来计算车辆的重量。
该非暂时性计算机可读介质可以存储用于接收关于车辆的马达效率函数的信息的指令，并且其中，车辆的重量的计算还可以对车辆的马达效率函数做出响应。
关于马达效率函数的信息可以包括马达效率函数系数。
马达效率函数系数的数量可以不超过五十。每个档位的数量可以不超过三。
该非暂时性计算机可读介质可以存储用于接收关于车辆的燃料消耗误差校正函数的信息的指令，并且其中，车辆的重量的计算还可以对燃料消耗误差校正函数做出响应。
关于燃料消耗误差校正函数的信息可以包括燃料消耗误差校正函数系数。
燃料消耗误差校正函数系数的数量可以不超过十。
该非暂时性计算机可读介质可以存储用于接收关于车辆的马达效率函数和车辆的燃料消耗误差校正函数的信息的指令，并且其中，车辆的重量的计算还可以对车辆的马达效率函数和车辆的燃料消耗误差校正做出响应。
车辆的重量的计算可以实时地被执行。
该非暂时性计算机可读介质可以存储用于传输与新行驶时段相关的新车辆传感器测量结果的指令。
该非暂时性计算机可读介质可以存储用于接收能量系数的更新值的指令，并且其中，重量的计算可以对能量系数的更新值做出响应。
重量的计算可以包括针对新时段的新路径段计算下面的等式：
其中，能量系数组可以包括k1、k2、k3和k4；
其中，ame可以是所估计的马达效率函数的值；
其中，v2可以是车辆在新路径段的终点处的速度；
v1可以是车辆在新路径段的起点处的速度；
v表示车辆在新路径段上行驶时的速度的至少一个值；
x可以是新路径段的长度；
Δh可以是在新路径段的起点和终点之间的高度差；以及
fuel可以是与新路径段相关的误差校正后的燃料消耗。
抓地
可以提供一种用于生成与路径段相关的和与车辆相关的标准化路径段抓地力信息的方法，该方法可以包括：使用传感器来生成与车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于车轮速度信息来检测抓地事件；基于在抓地事件的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输标准化路径段抓地力信息以及(ii)存储标准化路径段抓地力信息。
该方法可以包括从计算机化系统接收由计算机化系统生成的标准化路径段抓地力信息，以及使由计算机化系统生成的标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息。
该方法可以包括基于实际路径段抓地力信息来计算车辆在经过路径段时的边际抓地力。
去标准化可以基于速度、气候偏向(climate bias)、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励(excitation)中的至少一些。
抓地事件可以从制动事件、转弯事件和高速事件中被选择出。
标准化路径段抓地力信息的确定可以包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
该方法可以包括基于标准化滑移率和标准化激励来确定标准化滑移曲线。
激励的计算可以包括选择一些车辆速度读数以及忽略在抓地事件期间获得的其他车辆速度读数。
标准化滑移率和标准化激励的计算可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
车轮速度信息的生成可以包括对车轮速度信息进行低通滤波，其中，低通滤波可以对预期车轮速度做出响应。
车轮速度信息的生成可以包括忽略短期变化。
抓地事件可以是车辆对越过小障碍物的响应，其中，小障碍物具有小于车辆的多个车轮中的每一个车轮的周长的长度。
可以提供一种用于生成与路径段和车辆相关的标准化路径段抓地信息的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：使用传感器来生成与车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于车轮速度信息来检测抓地事件；基于在抓地事件的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输标准化路径段抓地力信息以及(ii)存储标准化路径段抓地力信息。
该非暂时性计算机程序产品可以存储用于执行以下操作的指令：从计算机化系统接收由计算机化系统生成的标准化路径段抓地力信息，以及使由计算机化系统生成的标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息。
该非暂时性计算机程序产品3，可以存储用于执行以下操作的指令：基于实际路径段抓地力信息来计算车辆在经过路径段时的边际抓地力。
该非暂时性计算机程序产品3，其中，去标准化可以基于速度、气候偏向(climatebias)、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励(excitation)中的至少一些。
抓地事件可以从制动事件、转弯事件和高速事件中被选择出。
标准化路径段抓地力信息的确定可以包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
该非暂时性计算机程序产品可以存储用于基于标准化滑移率和标准化激励来确定标准化滑移曲线的指令。
激励的计算可以包括选择一些车辆速度读数以及忽略在抓地事件期间获得的其他车辆速度读数。
标准化滑移率和标准化激励的计算可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
车轮速度信息的生成可以包括对车轮速度信息进行低通滤波，其中，低通滤波可以对预期车轮速度做出响应。
车轮速度信息的生成可以包括忽略短期变化。
抓地事件可以是车辆对越过小障碍物的响应，其中，小障碍物具有小于车辆的多个车轮中的每一个车轮的周长的长度。
可以提供一种用于生成车辆简档的车辆系统，该车辆系统可以包括：传感器，所述传感器可以被配置为生成与车辆的多个车轮的速度相关的车轮速度信息；计算机车辆，其可被配置成：(i)基于车轮速度信息来检测抓地事件；以及(ii)基于在抓地事件的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及(a)通信模块和存储器模块中的至少一个，所述通信模块可被配置成传输标准化路径段抓地力信息，以及存储器模块可被配置成存储标准化路径段抓地力信息。
一种用于生成与路径段和车辆相关的标准化路径段抓地力信息的方法，该方法可以包括：使用传感器来生成与车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于车轮速度信息来检测车辆对越过小障碍物的响应；其中小障碍物具有可以小于车辆的多个车轮中的每个车轮的周长的长度；基于在车辆对越过小障碍物的响应的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输标准化路径段抓地力信息以及(ii)存储标准化路径段抓地力信息。
该方法可以包括从计算机化系统接收由计算机化系统生成的标准化路径段抓地力信息，以及使由计算机化系统生成的标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息。
该方法可以包括基于实际路径段抓地力信息来计算车辆在经过路径段时的边际抓地力。
所述去标准化可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
标准化路径段抓地力信息的确定可以包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
该方法可以包括基于标准化滑移率和标准化激励来确定标准化滑移曲线。
激励的计算可以包括选择一些车辆速度读数以及忽略在车辆对越过小障碍物的响应期间获得的其他车辆速度读数。
标准化滑移率和标准化激励的计算可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
车轮速度信息的生成可以包括对车轮速度信息进行低通滤波，其中低通滤波可以对预期车轮速度做出响应。
车轮速度信息的生成可以包括忽略短期变化。
一种用于生成与路径段和车辆相关的标准化路径段抓地力信息的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：使用传感器来生成与车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于车轮速度信息来检测车辆对越过小障碍物的响应；其中小障碍物具有可以小于车辆的多个车轮中的每个车轮的周长的长度；基于在车辆对越过小障碍物的响应的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输标准化路径段抓地力信息以及(ii)存储标准化路径段抓地力信息。
该非暂时性计算机程序产品可以存储用于从计算机化系统接收由计算机化系统生成的标准化路径段抓地力信息以及使由计算机化系统生成的标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息的指令。
该非暂时性计算机程序产品可以存储用于基于实际路径段防滑信息来计算车辆在经过路径段时的边际抓地力的指令。
去标准化可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
标准化路径段抓地力信息的确定可以包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
该非暂时性计算机程序产品可以存储用于基于标准化滑移率和标准化激励来确定标准化滑移曲线的指令。
激励的计算可以包括选择一些车辆速度读数以及忽略在车辆对越过小障碍物的响应期间获得的其他车辆速度读数。
标准化滑移率和标准化激励的计算可以基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
该非暂时性计算机程序产品，其中车轮速度信息的生成可以包括对车轮速度信息进行低通滤波，其中低通滤波可以对预期车轮速度做出响应。
该非暂时性计算机程序产品，其中车轮速度信息的生成可以包括忽略短期变化。
可以提供一种用于生成车辆简档的车辆系统，该车辆系统可以包括：传感器，其可以被配置为生成与车辆的多个车轮的速度相关的车轮速度信息；计算机车辆，其可被配置成：(i)基于车轮速度信息来检测车辆对越过小障碍物的响应；以及(ii)基于在车辆对越过小障碍物的响应的至少一部分期间获得的车辆参数来确定标准化路径段抓地力信息；以及(a)通信模块和存储器模块中的至少一个，所述通信模块可被配置成传输标准化路径段抓地力信息，以及所述存储器模块可被配置成存储标准化路径段抓地力信息。
打滑(hydroplaning)
Wikipedia.org定义了当一层水累积在车辆的车轮和路面之间导致阻止车辆对控制输入作出响应的牵引力的损失时发生由道路车辆、飞机或其他轮式车辆的轮胎产生的打滑或滑水。如果这同时发生在所有车轮上，车辆实际上变成了不受控制的雪橇。打滑是与当在道路的表面上的水仅仅充当润滑剂时不同的现象。牵引力在湿路面上即使不发生打滑也被减小。
非常难以预测何时发生打滑，且因此每当下雨时自动驾驶可能关闭。
附图简述
被考虑为本发明的主题在说明书的结论部分中被特别指出并被清楚地主张。然而，本发明——关于组织和操作方法——连同其目的、特征和优点可通过参考下面的详细描述在与附图一起被阅读时被最好地理解，其中：
图1示出了一些路段和一些时段的示例；
图2示出了表示时段的节点和边的示例；
图3示出了车辆、网络和计算机化系统的示例；
图4示出了车辆、网络和计算机化系统的示例；
图5示出了方法的示例；
图6示出了方法的示例；
图7示出了方法的示例；
图8示出了与路段的两个序列相关的高度测量结果和结合误差；
图9和图10提供了多个时段和各种高度估计过程的示例；
图11示出了方法的示例；
图12示出了方法的示例；
图13示出了方法的示例；
图14示出了参考地图的示例；
图15示出了图12的方法和图13的方法的步骤的示例；
图16和图17示出了道路、路段、街道和节点的示例；
图18示出了车辆的底部；
图19示出了校准函数；
图20示出了车辆的示例；
图21示出了一种方法；
图22示出了方法的示例；
图23示出了车辆简档的示例；
图24示出了巡航表的示例；
图25示出了怠速加速度表的示例；
图26示出了加速度表的示例；
图27示出了生成或更新车辆简档的示例；
图28示出了方法的示例；
图29示出了道路路径、最大允许速度、和车辆的建议的速度的示例；
图30示出了方法的示例；
图31示出了方法的示例；
图32示出了马达效率函数的近似的示例；
图33示出了包括四十八个系数的表；
图34示出了马达效率函数的非线性近似的示例；
图35是燃料消耗误差校正函数的近似的示例；
图36示出了与重量估计相关的分布的直方图；
图37示出了与重量估计相关的分布的直方图；
图38示出了方法的示例；
图39示出了方法的示例；
图40示出了车辆、网络和计算机化系统的示例；
图41示出了车辆、网络和计算机化系统的示例；
图42示出了车辆、网络和计算机化系统的示例；
图43示出了方法的示例；
图44示出了方法的示例；
图45示出了方法的示例；
图46示出了方法和制动简档的示例。
图47示出了方法的示例；
图48示出了方法的示例；
图49示出了方法的示例；
图50示出了车辆、网络和计算机化系统的示例；
图51示出了标准化滑移曲线的示例；
图52示出了车辆速度和车轮速度的示例；
图53示出了方法的示例；
图54示出了方法的示例；
图55示出了方法的示例；
图56示出了方法的示例；以及
图57示出了方法的示例。
附图的详细描述
在下面的详细描述中，阐述了许多具体细节，以便提供对本发明的透彻理解。然而，本领域中的技术人员将理解，可以在没有这些具体细节的情况下实践本发明。在其他实例中，没有详细描述公知的方法、过程、和部件，以便不使本发明模糊。
将认识到，为了说明的简单和清楚，在附图中示出的元素不一定按比例绘制。例如，为了清楚起见，一些元素的尺寸可以相对于其他元素被放大。此外，在被考虑为适当的情况下，参考数字可在附图当中重复以指示相对应的或类似的元素。
在说明书中对系统的任何提及应当在加以必要的变更的情况下应用于可由该系统执行的方法。
因为本发明的所示实施例在大多数情况下可以使用本领域中的技术人员已知的电子部件和电路来实现，所以为了对本发明的基本概念的理解和领会并且为了不使本发明的教导不清楚或偏离本发明的教导，细节将不在比如上所示被考虑为必要的程度更大的程度上被解释。
在说明书中对方法的任何提及应当在加以必要的变更的情况下应用于能够执行该方法的系统，并且应当在加以必要的变更的情况下应用于存储指令的非暂时性计算机可读介质，所述指令一旦由计算机执行就导致该方法的执行。
在说明书中对系统的任何提及应当在加以必要的变更的情况下应用于可由该系统执行的方法，并且应当在加以必要的变更的情况下应用于存储指令的非暂时性计算机可读介质，所述指令一旦由计算机执行就导致该方法的执行。
高程数据和气压计噪声估计
根据本发明的实施例，该方法可以包括初始误差校正过程和将气压计读数与车辆的位置相关联的定位过程。
图1示出了包括南-北路段11、15和18、东-西路段12、13、14、16和19、以及弯曲路段17的一些路段的示例。除路段14之外的所有路段都是每方向具有一个车道的双向道路，而路段14每方向具有两个车道。
有三个行驶时段，每个行驶时段由位置读数(例如GPS读数)表示，位置读数可以或可以不与路段对准。
第一行驶时段用21表示，并穿过路段12、13和路段14的左车道。
第二行驶时段用22表示，并穿过路段11、15、16、17、18和19。
第三行驶时段用23表示，并穿过路段19、18、17、16、15、13和路段14的右车道。
图2示出了表示时段的节点和边的示例。
第一时段21由节点和边的第一序列31表示。
第二时段22由节点和边的第二序列32表示。
第三时段23由节点和边的第三序列33表示。
节点和边的第一序列31、第二序列32和第三序列33分别共享表示由路段11、13、11和15形成的交叉点的重叠节点41。
重叠节点41的高度在节点和边的第一序列31和第二序列32的每一者中应该是相同的。
节点和边的第三序列33和第二序列32共享表示在这些时段之间的重叠的多个重叠节点42。
重叠节点41中的每一个重叠节点的高度在节点和边的第三序列33和第二序列32的每一个序列中应该是相同的。
应当注意，所建议的方法可以适用于其他道路网络上，并且通常用于绘制大得多的道路网络，其可以包括数百、数千以及甚至更多的道路，可以是全国性道路网络、区域性道路网络等等。
当重叠节点经历结合过程时，重叠节点可能变成结合节点。
结合点的结合过程涉及使在不同时段对结合点的高度估计相等，而不管高度估计的初始差异(结合误差)。误差随后沿着图的不同节点分布。该分布可以是任何分布，且尤其是随着距结合点的距离的增加而减少结合过程的影响的分布。
焊接操作可以考虑在多个路段之间(在节点的多个序列之间)共享的许多(在10和100,000之间的任何数量和甚至更多的)重叠节点。
结合过程可以计算结合误差(与相同重叠节点相关联的不同高度测量结果)，并试图在考虑行进(propagation)过程时(例如通过限制结合误差的行进的距离和/或通过忽略小于阈值的结合误差(在行进之前或之后))在节点之间分布结合误差。
图3示出了车辆50、网络62和计算机化系统60的示例。图4示出了车辆50、网络62和计算机化系统60的另一个示例。图4不同于图3，其还包括处理器55。
车辆50可以是任何类型的车辆。图5示出了包括气压计51、其他传感器52、车辆计算机53、空调模块/风扇54、窗口57、和通信模块58的车辆。
气压计51被示为位于车辆50的前部。气压计可以位于在车辆50内的任何位置上。可以有一个以上的气压计。
其他传感器52可以感测与车辆和/或环境条件相关的各种参数。其他传感器52可以包括加速度计、速度计、温度计、窗口状态传感器、空调模块/风扇状态传感器、发动机传感器(例如燃料消耗传感器)或任何其他传感器中的至少一个。
车辆计算机53可以监测车辆的各种部件和/或系统的状态，可以控制车辆的各种部件和/或系统，并且可以或可以不参与在说明书中示出的任何方法的执行。
通信模块58可以通过网络62与计算机化系统60通信。
通信模块58可以是短程通信模块、远距离通信模块，例如射频通信模块、卫星通信模块、蜂窝通信网络，等等。
车辆可以包括多个窗口，并且为了解释的简单，仅仅单个窗口57被示出。
车辆计算机53可以包括处理器和存储器单元。处理器可以包括硬件部件，并且可以是通用处理器、图像处理器、硬件加速器、FPGA、ASIC等。存储器单元可以是非易失性存储器。
计算机化系统60可以位于云计算环境中，可以包括一个或更多个服务器或计算机的任何组合。
包括处理、计算等(并且在本申请中示出)的任何步骤都可以由车辆计算机53、由处理器55和/或由计算机化系统60执行。
初始误差校正过程
初始误差校正过程可以涉及校正由例如驾驶本身(例如加速、减速)、道路状况(例如隆起部分、洞)的气压计影响事件、和例如打开和/或关闭一个或更多个窗口(或车辆的其他开口)、操作风扇和/或空调模块等的其他气压计影响事件引起的气压计误差。
在影响来自其他车辆的气压计读数之前执行初始误差校正过程、从而减小气压计误差的影响，这是有益的。
初始误差校正步骤可以包括通过直接或间接地感测气压计影响事件来检测气压计影响事件。所述感测可以仅考虑气压计读数(找到表征气压计影响事件(例如气压计读数的急剧变化)的气压计读数模式)，但所述感测也可以包括使用来自其他传感器(例如其他传感器52)(例如加速度计、速度传感器、燃料消耗传感器、空调和/或风扇传感器或控制模块)的读数。
气压计影响事件可以包括速度变化。例如，当车辆加速时，在行驶舱内的空气被向后压。如果气压计位于车辆的仪表板处，加速度在气压计的环境中产生负压，这可能被错误地解释为较高的高度(较低的压力读数)。另一方面，当车辆减速时，空气向前流动，这在气压计周围产生过压，这可能被错误地解释为较高的高度(较高的压力读数)。加速度和减速度可以包括线性和非线性加速度和减速度。非线性加速度可以由于转弯而产生。
气压计影响事件可以包括打开窗口。当窗口打开时，尤其在以高速度行驶时，这可能在车内部生成阵风或者由于空气吸入而生成欠压。
初始误差校正过程可以包括：学习在气压计影响事件和气压计读数之间的关系，接收关于在气压计影响事件和气压计读数之间的关系的信息，动态地更新在气压计影响事件和气压计读数之间的关系，等等。
空气压力变化以相对渐进的方式发生。除非异常状况存在，环境的空气压力应该非常渐进地改变，在可能数百米长和甚至更长的区域上保持基本上恒定。气压计读数的突然变化可以与气压计影响事件相关联。可以使用其他车辆传感器(例如加速度计、通风控制单元传感器、感测由于窗口的打开而引起的车辆的内部空间的温度的快速变化的温度传感器、可以感测与打开窗口、操作空调单元相关的声音的声传感器等等来验证或检测气压计影响事件的发生。
一旦气压计影响事件被检测到，在气压计影响事件的发生期间获得的气压计读数可被丢弃和/或可通过补偿由气压计影响事件引入的误差来进行校正。
例如，该方法可以包括检测可能导致气压计读数中的假坡度的速度变化。这些假坡度可能变平滑。假坡度可能出现在预定义的位置上(例如，在进入交叉点——尤其是相交的交叉点——之前减速以及在离开交叉点之后加速)。交叉点(尤其是相交的交叉点)的位置可以是预先知道的，且这可能有助于找出与交叉点相关的假坡度。
交叉点的位置可以从存储交叉点的位置的地图或其他数据库被获知，和/或可以从穿过交叉点的许多车辆的气压计读数中的假坡度的出现被获知。
每距离的压力变化和高度变化是相对有限的，或者至少可以被预先估计或知道。例如，道路(尤其是在非山区中)的坡度是温和的(moderate)，且表示高程变化的超过该坡度的气压计读数可被丢弃或被过滤(例如低通过滤)。低通例如大约5赫兹的低通滤波或任何其他选定频率。
定位过程
定位过程包括将车辆位置数据转换成表示道路的网络的图的节点。节点和图仅仅是道路的网络的虚拟表示的非限制性示例。
该转换可以包括例如将GPS读数映射到图的节点的列表。该映射可以包括找到在GPS读数和节点之间的最佳匹配(或次最佳匹配)。匹配可以包括找到可能匹配GPS读数的最近道路。
GPS读数仅仅是车辆位置数据的一个非限制性示例。其他传感器和/或位置模块(在车辆内或在车辆外)可以提供车辆位置数据。
定位过程通过将气压计读数与图中的节点相关联而继续，从而便于考虑来自多个车辆和在多个时间点期间的气压计读数的高度估计过程。
例如，参考图1和图2，表示行驶时段21、22和23的GPS读数应该被映射到相对应的路段以及节点和边的相对应的第一序列31、第二序列32和第三序列33。
高度估计过程可以考虑在多个时段期间获取的气压计读数。时段表示车辆在特定时间段期间沿着路径的行进。
时段可以具有最大允许长度、最大允许持续时间(时间)并可以与连续的气压计读数相关联。预定数量的气压计读数的间隙(在图中的预定数量的没有气压计读数的连续节点)可以被定义为在两个时段之间的边界。最大允许长度可从环境压力的预期变化决定。
在将气压计读数分配到图的节点之后，然后该方法可以包括估计与气压计读数不相关联的节点的气压计读数。估计可能涉及推算或任何其他估计方法。
初始误差校正过程可以在将时段的气压计读数映射到图的节点之后和/或在该映射之前被执行。
与不同节点相关联的气压计读数可以被转换成节点的高度估计。
在将气压计读数和/或高度估计分配到时段的节点之后，高度估计过程可以执行多时段高度估计过程，该多时段高度估计过程考虑在其他时段期间获得的气压计读数。
多时段高度估计过程可以是迭代过程，在该迭代过程期间，来自新时段的气压计读数与从其他时段获取的气压计读数合并。
多时段高度估计过程可以补偿：(a)时段恒定偏移——由于环境压力的变化而导致的整个路径的高程偏移(高程误差)，以及(b)时段间偏移——由于时间的变化或定义太长的时段而导致的沿着时段的环境压力的变化。
图5示出根据本发明的实施例的方法100。
方法100是高度估计过程。
方法100可以由初始化步骤110开始。
步骤110可以包括确定在新时段的节点和先前时段的节点之间的关系。
新节点是未被包括在先前的时段中的新时段的节点。
步骤110后面是步骤120，在步骤120：(a)将新节点(如果存在该新节点)的高程定义为从新时段获得的高程，以及(b)合并新时段的其他节点的高度估计。
例如，如果先前的时段包括第一时段21和第二时段22，则当估算第三时段23时，步骤120将发现重叠节点42、重叠节点41和多个新节点43。
合并可以包括补偿时段恒定偏移和时段间偏移。
可以使用下面的注释和首字母缩略词来解释步骤120的下面的示例：
AC偏移——时段间偏移。
AOA——AC偏移算法(也被称为时段间偏移算法)。
DC偏移——时段恒定偏移。
MDB——地图数据库，其保存学习和合并过程的结果：每节点高程。
DOA——DC偏移算法(也被称为时段恒定偏移算法)。
SDB——时段数据库，其保存每个时段的数据，作为学习阶段的结果。
N——在SDB中的时段的数量。
q——在DOA中的迭代次数，q＝1、2、...、N。
OLNi,q——重叠节点——在迭代#q期间，在时段Si之间的一组重叠节点{Nj}和不包括Si的时段S1、S2、...、Sq(不包括)的复位。
OLNi——重叠节点——在时段Si之间的一组重叠节点{Nj}以及在SDB中的时段的复位。
Mi,q——在OLNi,q中的节点的数量，使得j＝1、2、...、Mi,q。
Mi——在OLNi中的节点的数量。
CNj——Nj计数器——从服务器初始化开始的包括节点Nj的不同时段的数量。
TCi——总Ci——在OLNi中的所有节点的总数。
Msk——在时段Sk中的节点的总数。
P(Nj,Sk)——[P]——在节点Nj处的原始压力高度，如在时段Sk处记录的，k＝1、2、...、N，j＝1、2、...、Msk。
DCOFF(Sk)——[P]——待添加到P(Nj,Sk)的当前已知的DC-时段Sk的偏移，k＝1、2、...、N，j＝1、2、...、Msk。
OLSq,j——每节点的重叠时段——保持节点Nj的{S1,S2,...Sq}的子组。
OLSeq,j——重叠时段排除——保持节点Nj的{S1,S2,...Sq}的子组，不包括Sq本身。
OLSi——每时段的重叠时段——在列表保持一个节点Nm的{S1,S2,...Sq}的子组，节点Nm也被包括在Si中。
Mqj——子组OLSq,j的大小。
Meqj——子组OLSeq,j的大小。
dOF(OLSeq,j)——[P]——新增量DC-偏移以添加到OLSeq,j处的每个时段。
Pm(OLSq,j)——[P]——在节点Nj处的DC补偿压力高度的平均值：对于在OLSq,j中的每个Sk，P(Nj,Sk)+DCOFF(Sk)。
PNj——分配到节点Nj的压力，跟随S1、S2、...、SN-1的学习和合并。
Emin——[P]——在Pm中的最小变化(阈值)，其需要时段的DCOFF的所行进的更新。
ACOFF(Sk,Nj)——[P]——对于在Sk中的特定节点Nj，到DCOFF(Sk)的所计算的附加偏移。
MS——修改的时段——所有时段ID的列表，它们的DCOFF在DOA期间被更新。
MN——修改的时段——所有节点ID Nj的列表，它们的PNj在DOA期间被更新。
时段恒定偏移补偿
该过程旨在克服环境压力的固定变化(在时间和空间上)。这个过程可以在学习阶段之后检查在SDB中的所有新时段，并试图找到如何最好地将它们关联到彼此，以便生成地图的3D框架。
给定——SDB在学习阶段之后保存具有数据的N个时段
目标——找到DCOFF(Sk)，k＝1、2、...、N——需要添加到每个时段高程的增量，以便它最好地拟合彼此
步骤120可以包括时段恒定偏移补偿的步骤130。
步骤130可以包括设置参数的初始化步骤132：
DCOFF(Sk)，k＝1、2、...、N
Emin＝2[P]＝～20[cm]
Agg_cntr＝0。
步骤132后面可以是步骤134，该步骤134以迭代方式检查SDB，每次迭代考虑新的时段。每次迭代可以包括：
a.找到属于不同时段的重叠节点的高度估计。
b.计算在当前估算的时段和先前处理的时段的高度估计之间的高度估计误差。
c.试图减小与高度估计误差相关的属性——优选地没有结合。这可以包括例如减小总高度误差。
图9示出了具有不同高度估计的三个时段610、620和620。有三对重叠节点：
a.包括时段610的节点611和时段630的节点631的第一对。
b.包括时段610的节点612和时段620的节点621的第二对。
c.包括时段620的节点622和时段630的节点632的第三对。
每对重叠节点指同一位置，并且每对与高度估计误差相关联——在与该对节点——第一对的节点D13 641、第二对的节点D12 642、和第三对的节点D23 643——相关的高度估计之间的差。
步骤134可以包括减小总高度误差，例如，减小高度误差的总和，减小高度误差的加权和，减小高度误差的平方和，等等。
可以假设所有时段是新时段或者至少一个时段可以是新时段。
图9的底部示出了在步骤134的高度误差补偿过程之后的三个时段——时段630被降低(与时段相关的节点的高度估计被降低)以及时段620被提升(与时段相关的节点的高度估计被提高)。
更新后的高度误差D13’641’、D12’642’、和D23’643’小于高度误差D 13 641、D 12642和D23 643。
步骤134可以包括使在SDB中的每个Sq迭代，q＝1、2、...、N。
步骤134可以包括：
将Sq插到队列内
对于每个新时段，找到它的最佳DCOFF，并传播帧中的变化——
1.当队列不是空的时
2.Si＝从队列的顶部起的时段
3.找到OLNiq
4.对于在OLNiq中的每个Nj，在添加(即不包括)Si之前计算Nj的平均值P：
Pm(OLSei，j)＝(1/Mei，J)*sigma(k＝l，k＜＝Mei，j)[P(Nj，Sk)+DCOFF(Sk)]
5.计算新时段Si的偏移，使得它的重叠节点Nj离它们的Pm的偏差将被均匀地分布(或以另一种预定义的方式分布)：
Delta_DCOFF(Si)＝(1/Mi)*sigma(k＝1，k＜＝Mi)[Pm(OLSi-1，j)-P(Nj，Si)]
6.如果Delta_DCOFF(Si)＞Emin
a.DCOFF(Si)+＝Delta_DCOFF(Si)
b.行进：计算传播到地图中的小偏移：对于在OLNi中的每个Nj：
i.计算自由度dOF(OLSi，j)＝Pm(OLSi，j)-Pm(OLSi-1，j)。
ii.对于在{OLSij}中的每个Sq(不包括Si更新)：
1.Agg_DCOFF(Sq)4-＝dOF(OLSi，j)
2.Agg_cntr++
c.如果ABS(Agg_DCOFF(Sq)/Agg_cntr)＞Emin//在相当大的变化的情况下
i.DCOFF(Sq)+＝Agg_DCOFF(Sq)/Agg_cntr
ii.将Sq插到队列的终点内
结束：
更新DC-偏移：对于所有时段Si，将DCOFF(Si)插到SDB内，i＝1、2、...、N
在步骤130中，时段的所有节点可以以相同的方式被提升或降低。
步骤120还可以包括步骤140。步骤140可以包括时段间偏移补偿。
步骤140可以包括补偿环境压力的天然局部的变化，例如：
选择在覆盖具有不同环境压力的地方的意义上是太长的时段。
选择具有长持续时间的时段，在该长持续时间期间环境压力变化了。
步骤140可以包括(a)搜索(142)新时段的重叠节点，该新时段的重叠节点(i)与其他时段的节点重叠，以及(ii)使它们的高度在时段恒定偏移补偿的步骤120期间被修改；(b)执行(144)高度补偿，使得新时段的每个重叠节点和其他时段的重叠节点的高度是相等的，以及(c)根据特定误差分布来将对新时段的重叠节点的高度做出的校正分布(146)到该时段的其他节点。
图10示出了在三个重叠节点被结合(高度相等)以提供三个结合点之后的三个时段。结合可以包括采用重叠节点之一的高度(在时段常数补偿之后)，或者基于至少一个更新的重叠节点的高度来计算结合点的新重量。
非限制性假设：
a.环境压力变化是渐进的，因此AC偏移应该是渐进的。
b.可以假设环境压力的预定行为，例如，环境压力变化的统一分布
c.在每个节点处的环境压力在时间上的变化是统一分布的。因此，看每节点的值直方图，我们将得到类似高斯的结构。
目标——给定在SDB中的时段Sq，q＝1、2、...、N，它们的DCOFF(Sq)使用DOA(DC偏移算法)被更新，
针对Sq中的每个节点找到ACOFF(Sq,Nj)，使得：
a.在应用DCOFF(Sq)+ACOFF(Sq,Nj)之后，在SDB中的所有重叠节点具有相同的高度
b.“噪声”根据预定义的分布被分布，例如沿时段的均匀分布。
输出一一更新在MDB中的每个节点的高程
步骤140可以包括：
初始化——将所有时段Sq插入到SQueue中，所有时段Sq的DCOFF(Sq)已经改变
//阶段#1“结合”：计算在MDB中的OLN的高度，并对于在SQueue中的每个Si收集在NQueue中的已更新节点：
——对于在OLNi中而不是在NQueue中的每个Nj，
计算Pm(Nj)＝(1/Mi)*sigma(k＝1，k＜＝Mi)[P(Nj，Sk)+DCOFF(Sk)]
更新在MDB中的Pm(Nj)，作为Nj的高程
将Nj插入NQueue中
//阶段#2“平滑”：微调相邻于阶段#1中的“结合”节点的节点高度
当NQueue不是空的时：
从NQueue的顶部取Nj
对于在OLSij中的每个Sk
找到最接近Nj的在Sk上的相邻OLN，由{NAjk}表示
对于在{NA jk}中的每个Na
计算ACOFF1＝P(Sk，Na)+DCOFF(Sk)-Pm(Na)
计算ACOFF2＝P(Sk，Nj)+DCOFF(Sk)-Pm(Nj)
检查在Sk上位于Na和Nj之间的所有节点Nz，并改进它们的高程P(Sk，Nz)以在ACOFF1和ACOFF2之间线性地分布(或根据另一个预定义的分布)
更新在MDB中的Nz的高程。
图6示出根据本发明的实施例的方法200’。
方法200’是高度估计过程。
方法200’比方法100更有效，因为它不重新计算先前时段的每个节点的高度或高度校正参数。
方法200’可以依赖于方法100不使用的一个或更多个数据库或字段，包括但不限于下面的MDB字段：
MW_NODES——新字段P_COUNT整数——保存CNj，我们得到节点Nj的压力值的总次数——初始化为0。
MW_NODES——用字段压力替换字段ELEVATION——保存PNj——平均压力高度(而不是高程)，初始化为NotAvailable。
SQL公式/视图：使用标准公式将PRESSURE转换为ELEVATION，其中环境压力＝101300[帕斯卡](标准压力)
方法200’可以包括高程学习修改——用于定义压力预处理降噪算法，作为高程学习阶段的一部分，以在合并与新时段和先前的时段相关的数据之前运行。
不是读取与所有先前时段相关的压力并在新时段和旧时段之间生成加权平均值，方法200’存储最后的平均值PNj及其计数器CNj。Nj是第j个重叠节点。Cnj——与重叠节点关联的时段的数量。
在方法100中，可以从头开始在所有时段内执行DOA，且这后面是执行AOA以获得在节点N处的高程。另一方面，方法200’在本质上可以是更增量的：给定新时段Si，该方法使用关于先前时段的统计——例如来自MW_NODES的PNj而不是P(Nj,Sq)+DCOFF(Sq)。这样我们也考虑AOA结果。
在方法200’中，结合阶段(PNj的加权平均)现在在DOA中而不是在AOA中完成。
方法200’可以包括根据每个Nj的不同CNj来计算需要加权的Delta_DCOFF(Si)，其中Nj是在Si中的重叠节点。
方法200’可以包括使用被称为修改时段(MS)的新列表，该新列表保存其DCOFF在DOA阶段期间被更新的时段的ID。这将在AOA阶段中被使用。
方法200’可以包括添加被称为修改节点(MN)的新列表，该新列表保存其PNj在DOA阶段期间被更新的节点ID。这将在AOA阶段中被使用。
方法200’可以包括初始化步骤210’，其后面可以是将新节点(如果存在该新节点)的高程定义为从新时段获得的高程以及(b)合并新时段的其他节点的高度估计的步骤220’。
步骤220’可以包括时段恒定偏移补偿的步骤240’。
步骤240’可以包括在每个时段期间使用(232’)与先前的时段相关的统计和与新时段相关的信息。特别地，步骤240’可以包括计算新时段Si的偏移更新，使得它的重叠节点Nj离它们的PNj的偏差(通过它们的CNj加权)将被均匀地分布(或者以另一种方式分布)。
假设状态：
SDB在高程学习和高程合并阶段(DOA和AOA)之后保存具有数据的N-1个时段。
我们以前访问过的每节点Nj的PNj和CNj值在MDB中被更新。
时段SN已通过高程学习阶段(降噪和到节点的压力)
给定——在高程学习阶段之后的新时段SN
目标
更新DCOFF(Sk)，k＝1、2、...、N——需要添加到每个先前时段高程的DC偏移，使得它最好地拟合彼此
更新每个受影响的节点Nj的PNj和CNj——“结合”
步骤240’可以包括：
初始化：
为新时段设置默认DCOFF——DCOFF(SN)＝0
设置行进阈值：Emin＝2[Pascal]＝～17[cm]
以空的已修改时段和已修改节点列表开始：NM和MS＝{}
以处理新时段开始：
将SN插入队列内
处理所有已修改时段，直到没有任何东西行进为止
当队列不是空的时
让下一个时段处理：Si＝队列的顶端
为AOA指示：Si被修改——将Si添加到MS列表
找到在Si中和在SDB中的一些其他时段中存在的一组节点{Nj}——获取OLNi
分配——Mi＝sizeof(OLNi)
从MDB检索最后设置的压力和计数器：
对于在OLNsi中的每个Nj——从MW_NODES获取PNj和CNj
计算在OLNi中的节点的总数TCi＝sigma(j＝1，j＜＝Mi)[CNj]
计算对时段Si的偏移更新，使得它的重叠节点Nj离它们的PNj的偏差(通过它们的CNj加权)将被均匀地分布：
Delta_DCOFF(Si)＝
＝(1/TCi)*sigma(j＝1，j＜＝Mi)[CNj*(PNj-(P(Nj，Si)+DCOFF(Si)))]
＝(1/TCi)*sigma(j＝1，j＜＝Mi)[CNj*(PNj-P(Nj，Si))]-DCOFF(Si)
检查变化是检查变化是否明显——如果Delta_DCOFF(Si)＞Emin
更新当前处理的时段的偏移DCOFF(Si)+＝Delta_DCOFF(Si)
更新在OLNi中的节点的MDB压力——具有Si的新值的加权平均值——“结合”——对于在OLNsi中的每个Nj
PNj＝(P(Nj，Si)+DCOFF(Si)+CNj*PNj)/(1+CNj)
将节点ID添加到已修改节点列表——将节点Nj添加到MN列表
找到可能由于PNj变化而受到影响的时段——获取OLSi
行进——检查有可能变化的时段：
对于在OLSi中的每个Sk：
找到Sk和Si共有的一组节点{Nj}——获取OLNsk，si
分配：Mk，i＝sizeof(OLNsk，si)
计算OLNsk，si组的总计数——OLNsk，si--TCk，i＝sigma(j＝1，j＜＝Mk，i)[CNj]
计算Sk的组合偏移变化：
Delta_DCOFF(Sk)＝
＝(1/TCk，i)*sigma(j＝1，j＜＝Mk，i)[CNj*(PNj-(P(Nj，Sk)+DCOFF(Sk)))]＝(1/TCk，i)*
sigma(j＝1，j＜＝Mk，i)[CNj*(PNj-P(Nj，Sk))]-DCOFF(Sk)
检查这是否是对DCOFF(Sk)的相当大的变化：
如果(ABS(Delta_DCOFF(Sk))＞Emin)，则更新DCOFF：
DCOFF(Sk)+＝Delta_DCOFF(Sk)
将Sk添加到队列以检查进一步的行进——将Sk插入到队列的末端
结束：
确保SDB和MDB根据上述变化被更新
将MS和MN发送到下一个阶段——AOA
步骤240’也可以包括步骤240。步骤240可以包括时段间偏移补偿。
AC偏移算法
AC偏移算法(AOA)处理局部噪声和随着时间和空间的推移的环境空气压力变化，其可能使我们使用来学习高程(空气压力)的信号扭曲或偏斜。构想是，在DOA完成它的工作之后，重叠的时段的压力应该在同一水准上，并且任何未命中应该是上述原因的结果(局部噪声以及随着时间和空间的推移的偏斜)。
在道路网络中不能存在“奇点”的假设下，通过应用处理问题的启发式方法来降低或消除噪声——意味着单个节点(或多个节点)相对于它的邻居具有很大的坡度(意味着它的高程与它的邻居明显不同)是不可能的。
启发法检查“结合点”(即：在不同时段当中被共享且因此具有平均压力值的节点)，并试图保持道路在结合之前的形状。让我们看一个示例来理解这种方法：
符号
Si———时段i
Nj——节点j
PNj——节点Nj的最终压力
Δjk——在节点J和节点K之间的压力差的变化(实际上是在节点之间的坡度变化)
Ejk——从节点Nj到节点Nk的定向边
|Ejk|——通过边Ejk遍历到节点Nk的累积成本
Derr——误差因子(定义结合误差应该被扩展多远，默认：
)
输入
{结合点]——由DOA创建的结合点的一组节点id。
{节点}——将节点数据映射到它的id的散列。
图——包含所有结合点(在它们周围有“足够的”半径)的图——图中的每个顶点代表在道路网络中的节点，以及每个边代表一个路段，其长度(djk)和平均压力差
可以构建图，假设最大高度误差与结合点相关联(在天气条件中的最大差异下)，并且最小误差将被传播。
Allowed_Error——我们允许每个节点从单个结合点吸收的误差(作为百分比给出)输出
{脏节点}——由算法更新的所有节点的集合
数据结构
图——作为输入给出，该图便于从每个结合点横穿道路网络。注意，该图在每条边Ejk上同时存储djk和
{横向锋(Traversal Front)}——用来存储当前横穿点的DS(“波前”)
描述
对于在{结合点}中的每个节点Nj：
如果
对于每个节点Nk，Nj的邻居
将Ejk添加到{横向锋}
将Nj的压力初始化为平均压力：
当{横向锋}不是空的时：
从{横向锋}队列弹出边Ejk，其中|Ejk|最小(具有最低成本的边)。
将Ejk的源节点表示为Nj，并将目标节点表示为Nk。
如果Ekj∈{横向锋}(检查当前锋(current front)是否与另一个抵触)
计算被允许的误差——
计算在节点之间的坡度变化：
如果Δjk＜ε
从{横向锋}移除Ekj和Ejk
对于每个节点Ni，节点Nj的邻居，如果i≠k
如果它存在，从{横向锋}移除Eji。
以更新的成本将Eji添加到{横向锋}。
对于每个节点Ni，节点Nk的邻居，如果i≠j
从{横向锋}移除Eki，如果它存在。
以更新的成本将Eki添加到{横向锋}。
继续while循环的下一次迭代。
如果Δjk＜0
Δjk＝Δjk+ε
否则Δjk＝Δjk-ε
更新两个节点的压力：
将Nj和Nk添加到{脏节点}。
从{横向锋}删除Ekj和Ejk。
对于Nk的每个邻居(Ni)，除了Nj以外，以
的成本将Eki添加到{横向锋}。
对于Nj的每个邻居(Ni)，除了Nk以外，以
的成本将Eji添加到{横向锋}。
否则(如果Ekj不属于{横向锋})：
对于Nk的每个邻居(Ni)，除了Nk的父节点(Nj)以外以及如果边(Nk，Ni)的成本小于最大值
找到我们允许传递给节点Ni的误差，使得被添加到段(Nj，Ni)的误差将不大于被允许的误差
计算我们想要将Ni“拉”到Nk的目标压力：
如果
未被初始化
如果Δki＜ε(检查节点是否实际上具有较小的误差)：
继续while循环的下一次迭代。
否则——更新Ni的压力：
如果
否则
对于Ni的每个邻居(N1)，除了Nk之外：
以
的成本将Eil添加到{横向锋}
将Ni添加到{脏节点}。
返回{脏节点}
数据厍
取出用于AOA的数据
为了运行AOA，我们需要提前构建3个数据结构：
从mw_elevation_weldings表读取的{结合点}集合
由从mw_elevation_weldings和mw_nodes表读取的数据组成的节点图。
图——通过特殊的snake查询创建，从mw_topology表(边和距离)和从mw_slopes表(在节点之间的平均压力差)中读取它的数据。
使数据持久
更新mw_nodes：
对于在{脏节点}中的每个节点Nj
更新压力和avg_pressure列
如果Nj∈{结合点}
此外更新以下列：
Std_deviation
a.merge_count
高程层结合
图7示出了方法400’。方法400’包括高程层结合。方法400’可以代替方法100和200’中的任一个和/或被包括在方法100和200’中的任一个中。
方法400’还包括步骤410’和步骤420’。
步骤410’包括计算与重叠节点相关的压力值。
在该步骤中，计算所有的DOA后压力(即，由在DC阶段中移动的时段所接触的所有节点的压力)。注意，这个步骤可以容易并行化。
输入
节点到时段图——每个节点Nj∈{OLN}到通过它的时段集合的映射，例如：
No-{S1，Sm...Sn}
Nj+1-{Sx，Sy...Sz)
已更新时段——在DOA中移动的每个时段
异常值截止宽度(Cmax)
输出
散列：{node_id＝＞node}
步骤420’可以包括计算包括重叠节点的时段的数量，并且如果有足够的时段，则计算重叠节点压力值统计并且去除异常值。创建空节点散列：{脏节点}
对于在{已更新时段}的节点中的每个节点Nj：
如果
{脏节点}
计算通过节点的时段的数量(merge_count)
计算
——在节点Nj处的在通过它的所有时段当中的平均压力。
计算
——节点Nj的高程的标准偏差。
如果merge_count＞min_count
移除异常值(不在Cmax乘σ内的异常值)
找到节点的新时段计数(无异常值)
重新计算
将Nj添加到{脏节点}
步骤420’包括使合并结果持久。
应该保存结合点，使得AOA一旦被执行就能够读取它们。
输入：
{脏节点}——在节点id到节点对象之间的映射，包含变化的节点。
处理：
对于每个节点
{脏节点]
将下面的关于Nj的信息保存(更新插入)到mw_elevation_welding表：
结合信息：
结合压力
结合标准偏差
结合计数
结合点：真(如果Nj是结合点)
一般信息：
平均压力
标准偏差(包括异常值)
1.计数(包括异常值)
高程验证
通过将一个或更多个算法的结果与详细高程信息进行比较来验证一或更多种上面提到的方法，所述详细高程信息从使用勘测车辆沿着特定路线以可变的间距进行的测量中获得。
定义和假设
过滤器：
在由MW服务器定义的节点处比较坡度与坡度
使用LPF从输入高程生成坡度
在节点位置周围的尺寸60[m]的窗口的线性推算，一个用于相邻节点的MW高程值，以及第二个用于准确的高程测量——这产生两个坡度以比较坡度
假设：
误差被定义为在同一点处的原始坡度百分比和MW测量坡度百分比之间的差异。因此，误差单位是[％]
当在同一位置上合并大量时段时，误差的分布是高斯的。
所测量的误差：
a.标准偏差(σ-1)——坡度误差值[％]，70％的结果比它好。
b.σ-2——坡度误差值[％]，95％的结果比它好。
为了证明数据收敛性，我们对下面的集合测量上述项：
a.沿着路径的(随机地选择的)单个时段
b.沿着路径的(随机地选择的)4个时段
c.沿着路径的(随机地选择的)10个时段
d.我们假设10个时段的结果足够接近大数据数量
为了演示噪声消除/降低，我们测量上述项：
a.在噪声消除/降低之前
b.在噪声消除/降低之后
图8示出了与路段的两个序列相关的高度测量结果和结合误差。
重叠节点41由路段11、15、16、17和18的序列以及路段12、13和14的序列共享。
曲线511’示出了获得的关于路段11、15、16、17和18的序列高度测量结果。
曲线512’示出了获得的关于路段12、13和14的序列的高度测量结果。
在曲线511’中的重叠节点41的高度被表示为Hll 501’。
在曲线512’中的重叠节点41的高度被表示为H12 502’。
在曲线511’和512’中的重叠节点41的高度之间存在结合误差WE 531’，且因此在两条曲线中的重叠节点402的高度应该被修改，从而修改两条曲线511’和512’的整个高度测量结果。结合误差在各种节点当中被传播，从而曲线511’和512’不仅仅向上和/或向下移动，它们的形状也可以根据结合误差的传播被修正，而不管结合误差是否根据在产生结合误差的重叠节点和已更新节点之间的距离被应用于节点。
图9示出根据本发明的实施例的方法700。
方法700可以由接收或测量内部车辆压力以提供多个气压计测量结果的步骤710开始。该测量由车辆的气压计并且在车辆经过路段时的给定行驶时段期间被执行。
步骤710后面可以是由计算机补偿气压计影响车辆状况以提供多个经补偿的气压计测量结果的步骤720。
步骤720可以包括下列项中的至少一个：
a.基于由气压计和由不同于气压计的至少一个其他车辆传感器提供的信息来执行对气压计影响车辆状况的补偿。该至少一个其他车辆传感器可以或可以不是加速度计。
b.对气压计测量结果执行低通滤波。
c.确定忽略气压计测量结果中的至少一些。
d.确定忽略气压计测量结果中的至少一些。
e.当如由与两个点相关的气压计测量结果所反映的在两个点之间延伸的道路部分的坡度超过最大坡度阈值时确定忽略气压计测量结果中的至少一些。
f.计算气压计影响事件对至少一个气压计测量结果的值的影响。
g.当气压计测量结果被采用时，响应于车辆的加速度和/或加速度来执行补偿。
已经发现，忽略被怀疑为是噪声很大的和/或受气压计影响事件强烈影响的和/或否则指示不合理的坡度(与道路的坡度形成对照的坡度，例如接近90度、大约70度等的坡度)的气压计测量结果，高度估计的准确度显著增加。可以通过等待在另一时间点和/或从另一车辆等接收与相同路段相关的其他气压计测量结果来补偿与路段相关的气压计测量结果的排除。对采用的在数小时、数天、数周等内的多个气压计测量结果执行方法700将填充缺失的数据。
步骤720后面可以是由计算机补偿气压计影响车辆状况以提供多个经补偿的气压计测量结果的步骤730。
步骤730可以包括下列操作中的至少一个：
a.搜索重叠节点，其中每个重叠节点对应于同一位置并且属于多个时段。
b.执行结合过程，以用于基本上使与同一重叠节点相关的不同时段的高度估计相等。
c.基于在结合过程期间引入的重叠节点的高度估计的变化来改变非重叠节点的高度估计。
d.通过根据预定义的高度调整分布沿着时段分布高度调整来改变非重叠节点的高度估计。预定义的高度调整分布可以是任何分布——均匀或不均匀分布的高度调整分布。
e.通过减少在重叠节点之间的高度差而不结合重叠节点来执行时段恒定偏移补偿。
f.通过应用结合过程来执行时段间偏移补偿。
g.计算与重叠节点相关联的高度估计的统计；以及基于统计来排除一个或更多个高度估计。
该方法可以包括将多个经补偿的气压计测量结果传输到位于车辆外部的计算机化系统，并且其中，合并由计算机化系统执行。
合并的至少一部分由车辆的计算机执行。
方法700是非常准确的，并且使用已经安装在车辆中的简单的不准确的气压计。方法700提供准确的高度估计，即使在每路段很少的气压计测量结果被收集。
当处理在路径段上经过三次时获得的有效(未排除的)气压计测量结果时，大约1％(高达与路径段的高度相关的1％的高度误差)的准确度被达到。
当处理经过路径段七次时获得的有效(未排除的)气压计测量结果时，大约0.5％的准确度被达到。
当处理经过路径段15次时获得的有效(未排除的)气压计测量结果时，大约0.3％的准确度被达到。
这些准确度与当使用昂贵的专用设备(例如英国的牛津技术解决方案有限公司的RT 3000)时获得的高度测量结果准确度相当。
测量物理事件
图12示出了用于测量与多个路段相关的物理事件的方法10’的示例。
方法10’可以由安装在车辆中的各种部件、系统或单元执行。
方法10’可以以由第一车辆传感器测量第一组参数的步骤20’开始。测量发生在车辆在多个路段上行驶时。
测量可以以连续或非连续的方式被执行。可以每个路段在多个时间点(因此在多个位置处)执行测量。
因此，可以针对多个路段中的每个路段的多个位置来测量第一组参数。
可以以可以超过每秒10次和甚至100次测量的速率执行测量。例如，可以以任何速率且尤其是至少100赫兹的速率检测车轮速度。可使用任何其他速率。可以以任何速率且尤其是以至少100赫兹的速率读取三轴加速度计。可以以任何速率且尤其是以至少20赫兹的速率读取气压计。
第一组参数可以由不是道路图像传感器的传感器测量。道路图像传感器是专用于获取路段的图像的图像传感器。例如，道路图像传感器可以是具有主要任务为获取在车辆前方的区域的图像的相机。
从车辆可以从一个路段移动到另一个路段的意义来说，多个路段链接到彼此。路段的数量范围可以在两个和几十个、几百个和甚至几千个之间。
第一组参数可以包括车轮运动参数和车辆加速度参数。
车辆可以包括多个车轮。多个车轮可以包括驱动轮、非驱动轮或两者的组合。在2x4车辆中，两个车轮是驱动轮以及两个车轮是非驱动轮。在4x4车辆(当在4x4模式中运行时)中，所有车轮可以被视为驱动轮。
车轮运动参数可以反映车辆的所有车轮或车辆的至少一些车轮的旋转。
为了解释的简单，假设：
a.车辆包括右前轮、左前轮、右后轮和右后轮。
b.车辆具有后轮驱动配置，后轮是驱动轮。
c.所有四个车轮的车轮运动参数被监测。
这些仅仅是非限制性的假设，且该方法是可适用的而不考虑这些假设。例如，该方法可适用于任何数量的车轮、任何数量的被监测的车轮、前轮驱动配置、4x4车辆和/或任何数量的车轮和/或驱动配置。
方法10’还可以包括获得关于车辆和/或路段的附加信息的步骤30’。
附加信息可以包括车辆的位置信息和附加的车辆参数。位置信息可以包括车辆的经度位置和车辆的纬度位置——车道和甚至在车道内的位置。可以通过使用一个或更多个传感器(例如GPS(提供位置的非常粗略的估计)、图像传感器等)来计算位置信息。
附加信息可以包括对准目标的位置。对准目标可用于重置虚拟里程表误差。例如，可以基于车轮速度的积分来更新里程表。尽管如此，车轮可能打滑，可能具有与预期半径不同的实际有效半径，使得里程表可能累积距离误差。可以重置这些距离误差，并且基于在相邻对准目标之间的距离来确定实际有效半径。
车轮的实际有效半径表示当车轮完成一整圈时车辆经过的实际距离。实际有效半径可能受到车轮的空气压力、车轮的重量等的影响。
步骤20’后面可以是由车辆计算机检测与在多个路段上行驶相关的检测到的物理事件的步骤40’，其中该检测基于第一组参数。
检测到的物理事件的非限制性示例可以包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。每个物理事件可以由二进制值表示，例如，三个位可以表示碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转中的每个事件的类型。
碰撞——冲撞到比它之前的水平更高的元素。
示例：进入隆起部分(stepping into a bump)，离开坑(stepping out of apothole)。
可以通过下列项来检测碰撞：
a.驱动轮——突然的瞬时速度下降。
b.非驱动轮——突然的瞬时速度下降。
c.加速度计——X和Z指示，在高通滤波器(HPF)之后。
d.气压计——突然的高度增加。
滑移——进入比它之前的水平更低的元素。示例：进入坑内，离开隆起部分。
可以通过下列项来检测滑移：
a.驱动轮——突然的瞬时速度增加。
b.非驱动轮——轻微的瞬时速度下降。
c.加速计——X和Z指示，在HPF之后。
d.气压计——突然的高度下降。
侧滑——当在相同高度处进入更差的抓地力时的轮胎表面抓地力的损失。示例：进入冰/漏油/砂砾/水坑内，其中表面高度不改变。
可以通过下列项来检测侧滑：
a.驱动轮——突然(但不是瞬时)的速度增加
b.非驱动轮——逐渐的速度下降。下降速率随着轴摩擦而增加。
旋转——当在相同高度处进入更好的抓地力时的轮胎表面抓地力的增加。示例——离开冰/漏油/砂砾，进入更好的抓地表面，其中表面不改变高度。
可以通过下列项来检测旋转：
a.驱动轮——突然(但不是瞬时)的速度减小。
b.非驱动轮——逐渐的速度增加。增加速率随着轴摩擦而下降。
纬度旋转——车辆Y-Z平面运动、处于其稳态运动的极限(on top of its steadystate motion)。示例——一个车轮进入/越过道路中的凹坑(凹的或凸的)
可以通过下列项来检测纬度旋转：
a.驱动轮——没有明显的速度变化。
b.非驱动轮——没有明显的速度变化。
c.加速度计——在Y-Z上的不同运动向量：
纬度旋转在时间上比碰撞或滑移长。
与纬度旋转相关的加速度计读数具有比碰撞或滑移低的幅度。
经度旋转——车辆X-Z平面运动、处于其稳态运动的极限。示例——两个车轮进入/越过道路中的凹坑(凹的或凸的)。
可通过下列项来检测纬度旋转：
a.驱动轮——没有明显的速度变化。
b.非驱动轮——没有明显的速度变化。
c.加速度计——在X-Z上的不同运动向量：
经度旋转在时间上比碰撞或滑移长。
与经度旋转相关的加速度计读数具有比碰撞或滑移低的幅度。
步骤30’和40’后面可以是生成关于检测到的物理事件的物理事件信息的步骤50’。
物理事件信息可以包括物理事件及其位置。
可以基于在指示物理事件的一组第一参数被测量时的车辆的位置以及与物理事件相关联的车辆的部件的位置来计算物理事件的位置。
步骤50’后面可以是执行下列操作中的至少一个操作的步骤90’：存储、传输和处理物理事件信息。物理事件信息可以在被传输和/或存储之前被进一步处理。
步骤20’和30’后面还可以是计算路段属性的步骤60’。
虽然多个物理事件可以每路段进行检测，但路段属性表示整个路段。路段属性的示例可以包括(i)包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
可以通过对在路段的不同位置上做出的读数应用任何函数(例如统计函数——尤其是平均函数)来计算每个路段属性。
参考包括该路段的一组路段的曲率。环岛和弯道可以由一组路段表示。环岛或弯道的曲率由该一组路段的曲率表示。
一组路段的曲率可以包括属于该一组的路段的半径和数量，或者该一组路段的任何其他指示(例如总长度)。
为了以压缩的方式存储一组路段的曲率，关于该一组中的特定路段(例如第一路段)的曲率可以被存储，并且附加信息可以指示也应该与该曲率相关联的该一组路段的大小。
步骤60’后面可以是基于路段属性来生成路段信息的步骤80’。路段信息可以是路段属性的集合。
步骤80’还可以包括执行下列操作中的至少一个：存储、传输和进一步处理路段信息。路段信息在被传输和/或存储之前可以进一步被处理。
从路段信息和物理事件信息可以经历处理、存储和传输的相同过程的意义上来说，可以组合步骤80’和90’。
例如，该方法可以通过仅发送增量——在参考信息和在方法10’期间收集的信息之间的差——来减少从车辆传输的信息的数量。
例如，步骤80’和90’可以包括：
a.计算在(a)多个路段的参考地图和(b)物理事件信息之间的差异，所述参考地图包括关于与多个路段相关的先前检测到的物理事件的参考信息；并且其中传输所述差异中的至少一些差异。
b.确定是否从车辆传输差异。如果差异不明显，则它们可能不被传输。
步骤50’后面还可以是基于参考地图和物理事件信息来确定车辆的位置的步骤100’。
图13示出了用于测量与多个路段相关的物理事件的方法11’的示例。
方法11’与方法10’的不同之处在于包括步骤70’，在步骤70’中计算虚拟传感器读数——合并第一组参数以及可能的附加信息以生成在车辆中不存在的虚拟传感器的输出。虚拟传感器读数可以在步骤80’和90中的任一个中被处理和/或传输和/或存储。
方法11’与方法10’的不同之处在于包括步骤102’，步骤102’为在确定车辆的位置的步骤100’之后跟踪车辆的进度。
步骤100’和/或步骤102’可以例如通过向物理事件信息和/或向路段属性提供更准确的位置来影响步骤80’和/或90’。然而对于另一个示例，准确的位置信息可以用于计算地图增量——(a)在关于与多个路段相关的先前检测到的物理事件的参考信息和物理事件信息之间的差异，和/或(b)在参考路段属性和在步骤60期间计算的路段属性之间的差异。
方法11’与方法10’的不同之处在于包括步骤104’，步骤104’为基于车辆的位置和参考地图来生成行驶指令和/或行驶建议。行驶建议可以针对车辆的驾驶员，而行驶指令可以被馈送到车辆的各个部件，例如自动驾驶车辆模块。
例如，当车辆在下一个路段上行驶时，自动驾驶车辆模块可以将车辆的速度设置为与路段属性和将在不久的将来发生的物理事件相匹配(或基本上匹配)的值。这可能增加燃料消耗和/或减少制动器的载荷。
返回参考步骤100’——步骤100’包括基于参考地图和物理事件信息来确定车辆的位置。
参考地图包括从一个或更多个车辆和/或其他信息源获得的关于路段和物理事件的信息，包括但不限于物理事件的位置。
例如，参考地图可以包括关于与多个路段相关的先前检测到的物理事件的参考信息以及与多个路段相关的参考路段属性。
可以基于在方法10期间搜集的信息来更新参考地图。
参考地图可以是关于路段和/或与路段相关联的物理事件的信息的任何布置或集合。
参考地图可以覆盖跨越任何预定地理区域或地区的道路。
步骤100’可以包括在参考图中搜索与检测到的物理事件的序列相匹配的物理事件的参考序列。
匹配可能要求物理事件的顺序、在物理事件之间的相对距离应该彼此相等或者在可允许的误差范围内。
应该注意，物理事件可以被分类为强制性物理事件和可选的物理事件。
强制性物理事件是位于路段内的物理事件，且必须由车辆在通过路段时被感测到。例如，沿着路段的整个宽度延伸的明显的隆起部分必须被感测到。
可选的物理事件是位于路段内的物理事件，且可以或可以不由车辆在通过该路段时被感测到。例如，当行驶通过路段时可以绕过的小坑可以或可以不被感测到。
匹配可能要求强制性物理事件的顺序、在强制性物理事件之间的相对距离应该彼此相等或者在可允许的误差范围内。
物理事件可以由标准化幅度表征。在从一个车辆与另一车辆不同的参数(例如悬架、配置、重量等)被补偿的意义上来说，幅度被标准化。标准化可以涉及比较由不同车辆在经过相同路段时感测到的信息，估计车辆的重量，等等。
可以通过应用任何匹配技术(例如神经网络、深度学习、模糊逻辑等)来执行匹配过程和/或标准化过程。
可以在整个参考地图内或在参考地图的一部分内执行搜索。可以基于关于车辆的位置的估计从整个地图中选择出参考地图的部分。该估计可以由定位系统(例如但不限于全球定位系统(GPS))来提供。
GPS系统的分辨率和/或准确度通常对提供车辆的确切位置是不够的，因此即使GPS位置是已知的，该方法仍然必须使用参考地图。
图14示出了参考地图600’。
参考地图600’包括基层610’、固定层620’、固定大小稀疏层和可变大小稀疏层640’。层的数量、层的类型、每层的内容可能与图14所示的那些不同。
将使用下面的定义来说明图14-17：
a.节点——在路线中的基本元素。节点可以彼此间隔开高达预定的最大距离(例如几十米)。也可以定义节点，其中方向或坡度改变。
b.交叉点指针——与交叉点节点相关联的指针。不同的交叉点节点与相对于交叉点的不同出口相关联。
c.路线——节点的有序集合。
d.路段——由两个相邻节点定界的道路的部分。
应当注意，路段和节点可以以可互换的方式被使用，例如，关于路段的信息可以与作为路段的起点的节点或作为路段的终点的节点相关联。
基层610’可以存储关于多个路段的位置和在多个路段之间的空间关系的信息。在图14中，该信息在逐路线基础上被布置。
基层610’包括多个基本路线信息单元。每个基本路线信息单元可以包括关于属于该路线的路段的位置以及在属于该路线的路段之间的空间关系的信息。基本路线信息单元可以包括附加的基本信息，例如路段的坡度和指向(或允许检索)接下来的路线的指针(或其他检索信息)。附加的基本信息可以以各种格式(例如以路线标题)被存储。
路线标题可以包括诸如路线的方向(双向、单向的方向、单向的正向方向、反向方向)、路线速度限制、路线长度等的信息。
基层还可以存储转弯计数器——关于每驾驶员、每车辆、每一组驾驶员、每一组车辆、每时间段等做出转弯的统计。当目的地被提供或者甚至当目的地没有被提供时，转弯计数器可以帮助预测驾驶员的路径。该路径可以从导航应用(例如谷歌地图和/或Waze)被馈送到系统。
固定层620’包括关于路线的任何路段的固定大小附加参考信息的多个单元。每个单元可以包括关于每个路段的信息。
固定大小稀疏层630’和可变大小稀疏层640’包括与每条路线的每个路段不相关的信息。在这些层之间的差异在于它们的信息单元的大小——固定大小单元(属于固定大小稀疏层630’)或可变大小单元(属于可变大小稀疏层640’)。
例如，一些路段可能属于道路的线性部分，而一些路段可能属于道路的弯曲部分。曲率属性可以仅与属于道路的弯曲部分的路段相关联。此外，不是将曲率属性分配到属于道路的弯曲部分的每个路段，曲率属性可以被分配到路段之一，并且还包括关于共享相同曲率属性的其他路段的数量的信息。
固定大小稀疏层630’包括关于路线的没有一个路段或者仅仅一些路段的固定大小附加参考信息的多个单元。可以从表省略空单元(其没有持有任何信息)。
可变大小稀疏层640’包括关于路线的没有一个路段或者仅仅一些路段的可变尺寸附加参考信息的多个单元。可以从表省略空单元(其没有持有任何信息)。
因此，稀疏层(630’和640’)中的每个层中的单元的数量可以比基层610’和固定层620’的单元的数量小(且甚至小得多)。
可以通过对在基层和/或固定层中的相对应的单元的地址应用散列函数来访问可变大小稀疏层640’和/或固定大小稀疏层630’的信息单元。可以应用任何其他存储布置。可以应用任何散列冲突避免策略和/或散列冲突解决策略。例如，相同散列值的数据单元可以在彼此附近且甚至以串联的方式被存储。
每一层的每个信息单元或甚至形成信息单元的一部分的信息可能受制于访问控制策略。
例如，一些信息单元可以被标记为私有的，而其它信息单元可以被标记为公共的，并且除了私有和公共可以有更多的访问控制级别。例如，私有信息可以包括关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息，并且包括公共字段。
私有信息可以不与其他车辆共享，或可以不受制于任何其他访问控制规则。
信息单元或信息单元的一部分可以被标志、标记或以其他方式标示为与访问控制策略相关联。
物理事件信息可以被包括在可变大小附加参考信息中，因为每路段的物理事件的数量可以一个路段相对于另一路段不同。
图15示出了步骤100’。
步骤100’可以包括在参考地图中搜索与检测到的物理事件的序列相符的物理事件的参考序列的步骤110’。
步骤110’可以包括扫描基层的步骤112’和扫描在可变大小稀疏层中的链接到被扫描的基层的事件的参考序列的步骤114’。
图5和图6示出了道路、路段、路线和节点的示例。
(图17的)路线401是双向的，包括每方向一个车道，并且“覆盖”道路部分111。道线401包括由节点定界的路段。
(图17的)路线402是双向的，包括每方向一个车道，并且“覆盖”道路部分112。路线202包括路段222和322以及节点221、223及321和323。
道路部分111、112、113和115由交叉点120定界。
(图17的)路线403是双向的，包括每方向一个车道，并且“覆盖”道路部分113。路线403包括由节点定界的路段。
(图17的)路线404是双向的，包括每方向两个车道，并且“覆盖”道路部分114。路线404包括由节点定界的路段。
(图17的)路线405是双向的，包括每方向一个车道，并且“覆盖”道路部分115、道路部分116、道路部分117和道路部分118。路线405包括由节点定界的路段。道路部分117是弯曲的。道路部分117的一个车道由路段272、274、276和278以及节点271、273、275、277和279表示。道路部分117的另一车道由路段372、374、376和378以及节点371、373、375、377和379表示。
(图17的)路线409是双向的，包括每方向一个车道，并且“覆盖”道路部分119。路线409包括由节点定界的路段。
(图17的)路线409’是双向的，包括每方向一个车道，并且“覆盖”道路部分119’。路线409’包括由节点定界的路段。
道路部分118、119和119’由交叉点121定界。
只有属于道路部分117的路段具有曲率属性。曲率属性可以与(371、373、375、377和379)和/或(271、273、275、277和279)的第一个节点或最后一个节点相关联，并且附加信息可以指示共享该曲率的节点的数量(五个)。
图16示出了路段222包括障碍物，例如坑243、沿着单个车道延伸的缓冲器242、横越两个车道延伸的另一缓冲器241以及沿着单个车道延伸的滑溜路段244。
当车辆在路段222的一个车道上行驶时将经历的物理事件将由检测到的物理事件信息或由参考物理事件信息表示。
图18示出了车辆的底部，且特别是示出了在车辆的各个部件之间的空间关系，包括第一车轮W1 501的坐标(X1,Y1)、第二车轮W2 502的坐标(X1,Y1)、第三车轮W3 503的坐标(X3,Y3)和第四车轮W4 504的坐标(X4,Y4)、耦合在W1和W2之间的第一轴的中心505的坐标(X5,Y5)、以及耦合在W3和W4之间的第二轴的坐标(X6,Y6)。
物理事件可以由一个车轮经历，并且在这种情况下物理事件的位置可以归因于该车轮的位置，或者由多个车轮——例如一对前轮或一对第二车轮经历——并且这将归因于两个车轮的位置(例如当与隆起部分碰撞时)或者归因于轴的中心的位置(例如当滑移时)。
例如，对于物理事件(例如碰撞、滑移、侧滑和旋转，物理事件与遇到物理事件的每个车轮相关联。例如，如果两个前轮在大约相同的时间都遇到相同类型的物理事件，则归因于两个前轮的两个物理事件将被生成。
然而对于一个示例，纬度旋转和经度旋转可以归因于在车辆的前轮之间的轴的中间(假设车辆向前移动)。
物理事件信息可以包括事件的标准化幅度。标准化可以包括补偿一个车辆与另一车辆之间不同的参数，例如悬架、配置、重量等。
图19示出了提供标准化过程的示例的曲线700’，该标准化过程包括应用基于车辆的重量的校准因子。第一组参数中的不同参数可能受制于不同的校准因子。
标准化过程可以考虑重量、补片尺寸、速度(可以是用于摆动的主要标准化因子)、激励(加速度、减速度、曲线)、车轮基础距离(前后、左右)和悬架。
图20’示出了车辆51、网络590和计算机化系统592的示例。
车辆51可以是任何类型的车辆。
图20将车辆示为包括第一车轮Wl 501、第二车轮W2 502、第三车轮W3 503、第四车轮W4 504、第一车轮传感器WS 511、第二车轮传感器WS 512、第三车轮传感器WS 513、第四车轮传感器WS 514、加速计515、气压计516、其他传感器517、车辆计算机550、处理器552、存储器模块554、通信模块(CM)542、和人机接口(MMI)540。
MMI 540可以向驾驶员提供信息，例如行驶建议。
气压计516被示为位于车辆51的前部处。气压计可以位于车辆50内的任何位置上。可以有一个以上的气压计。
加速度计515可以是三轴加速度计。
其他传感器517可以感测与车辆和/或道路状况相关的各种参数。其他传感器517可以包括速度计、温度计、发动机传感器(例如燃料消耗传感器)或任何其他传感器中的至少一个。
车辆计算机550可以监测车辆的各个部件和/或系统的状态，可以控制车辆的各个部件和/或系统，并且可以参与或可以不参与在说明书中示出的任何方法的执行。
通信模块542可以通过网络590与计算机化系统592通信。
通信模块542可以是短程通信模块、远距离通信模块例如射频通信模块的、卫星通信模块、蜂窝通信网络等。
车辆计算机550可以包括处理器和存储器单元。处理器可以包括硬件部件，并且可以是通用处理器、图像处理器、硬件加速器、FPGA、ASIC等。存储器单元可以是非易失性存储器。
计算机化系统592可以位于云计算环境中，可以包括一个或更多个服务器或计算机的任何组合。
包括处理、计算等(并且在应用中示出)的任何步骤可以由车辆计算机550、由处理器552和/或由计算机化系统592执行。
存储器模块554可以存储参考地图。车辆的各个部件可以执行方法10’和/或方法11’。
图21示出了方法800的示例。
方法800可由可位于车辆内或车辆外的计算机化系统执行。
方法800可以由执行以下操作的步骤810开始：通过通信接口从多个车辆接收(a)关于由多个车辆在属于该区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息以及(b)由多个车辆计算的路段属性，所述路段属性与属于该区域的路段相关。
区域可以是任何预先定义的区域——它可以包括城市的一部分、整个城市、国家的一部分、整个国家、多个国家的一部分、多个国家和甚至整个地球。
可以在相同的时间或在不同的时间点从不同的车辆接收信息。来自不同车辆的信息可以指不同的路段或相同的路段。在与由不同车辆报告的信息相关的路段之间可能存在部分重叠。
所述多个车辆中的车辆的物理事件信息基于由车辆的第一车辆传感器感测的第一组参数。
第一组参数包括车轮运动参数和车辆加速度参数；其中第一车辆传感器不同于道路图像传感器。
检测到的物理事件可以包括例如碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转中的至少一个或更多个。
第一车辆传感器可以包括加速度计和多个车轮运动传感器。
路段属性可以包括下列项中的至少一个路段属性：(i)包括该路段的一组路段的曲率；(ii)路段的纵向坡度，(iii)路段的横向坡度，(iv)与路段相关的抓地力水平，(v)路段的起伏度。
检测到的物理事件信息和路段属性是非常紧凑的——它们可以包括有限大小的几个字段(每字段几个字节的大小)——并且仅仅是用于基于图像的定位所需的图像的大小的一小部分。因此，参考地图可以是非常小的，且因而节省通信资源、计算资源和存储资源，同时提供道路的高准确度的描述。
第一组参数不同于路段的视觉信息，并且可以包括不同于与路段的视觉信息相关的误差的误差。合并这些类型的信息可以减少视觉信息和在步骤810和820期间搜集的信息的误差。
基于第一组参数的物理事件的检测比执行不准确的基于视觉信息的估计准确得多。
方法800可以甚至在阻止视觉传感器操作的状况(雾、沙尘暴、暴雨等)下被使用。
信息(路段属性和/或物理事件信息)的紧凑大小易于更新信息的生成、更新信息的存储和更新信息的传输，并易于在道路状况变化之后进行跟踪。
步骤810后面可以是步骤820，在步骤820由计算机化系统基于关于由多个车辆检所测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图。
参考地图包括与该区域的路段相关的参考物理事件信息和与该区域的路段相关的参考路段属性。
参考地图可以最初被生成，且然后被更新。更新可以以连续或非连续的方式发生。更新可以由从步骤820到步骤810的箭头表示。
从其包括可以与由车辆获取的更新信息比较的参考数据的意义上来说，该地图被称为参考地图。该比较可以在参考地图更新期间和/或当车辆产生待传输到计算机化系统的增量时被执行。
增量是在路段属性和/或物理事件信息与参考地图之间的差异。
步骤820可以包括仅更新被包括在增量中的相关路段属性和/或物理事件信息。
参考地图可以是图14的参考地图，但是参考地图可以具有另外的结构并且可以存储不同的信息。
参考地图可以包括存储关于多个路段的位置和在多个路段之间的空间关系的信息的基层。
参考地图可以包括存储关于与多个路段相关的先前检测到的物理事件的参考信息的层。
参考地图可以包括：(a)基层，其存储关于多个路段的位置和在多个路段之间的空间关系的信息，以及(b)一个或更多个稀疏层，该一个或更多个稀疏层包括关于多个路段中的仅仅一些路段的附加信息；其中一个或更多个稀疏层链接到基层。
参考地图可以包括固定字段大小稀疏层和可变大小稀疏层；其中可变大小稀疏层可以包括参考物理事件信息。
参考地图可以包括存储关于与车辆相关联的或与车辆的驾驶员相关联的行驶模式的信息的私有字段，并且可以包括公共字段。
物理事件信息可以包括检测到的物理事件的标准化幅度。
车辆简档
可以提供紧凑的车辆简档。车辆简档的紧凑大小易于车辆简档的生成或更新、车辆简档的存储和车辆简档的传输。可以仅使用有限数量的计算和/或存储资源来生成和/或更新车辆简档。
车辆简档可被进一步被压缩，从而进一步减少它的存储器占用空间。
图22示出了方法900的示例。
方法900可以由收集车辆简档信息候选项的步骤910开始，其中车辆简档信息候选项包括与不同的道路路径和车辆参数相关的燃料消耗信息。至少一些道路路径和车辆参数由不同于道路图像传感器的第一车辆传感器感测。
收集可以包括通过第一车辆传感器感测道路车辆参数，通过车辆计算机、位于车辆外部的计算机化系统等接收关于所感测的参数的信息。
在提交日为2017年9月10日的美国临时专利申请序列号62/556,443和62/556,444中示出了第一车辆传感器的非限制性示例。
步骤910可以包括搜索稳定状态候选项。
稳定状态候选项是表示在车辆达到稳定状态之后且在退出稳定状态之前的信息的候选项。
在车辆保持相同的加速度一个预定时间段之后，在车辆保持相同的速度一个预定时间段之后，或者在车辆保持相同的怠速减速度一个预定时间段之后，稳定状态被获得。预定时间段可以具有任何长度，例如几秒钟，尤其是五秒钟。
与巡航的稳定状态相关的预定时间段与和加速度的稳定状态相关的预定时间段相比可以相同或可以不同。
与巡航的稳定状态相关的预定时间段与和怠速减速度的稳定状态相关的预定时间段相比可以相同或可以不同。
与怠速减速度的稳定状态相关的预定时间段与和加速度的稳定状态相关的预定时间段相比可以相同或可以不同。
加速度稳定状态可以在车辆在起始速度下时开始，且可以在车辆达到高于起始速度预定量(例如5km/h或任何其他值)的预定速度时结束。
怠速减速度稳定状态可以在车辆在起始速度下时开始，且可以在车辆达到低于起始速度特定量(例如5km/h或任何其他值)的特定速度时结束。
该特定量可以与预定量相同，或者可以不同于预定量。
怠速减速度数据结构可以存储仅起始速度、仅预定速度或者起始速度和预定速度二者。
加速度数据结构可以存储仅起始速度、仅特定速度或者起始速度和特定速度二者。
步骤910后面可以是至少基于车辆简档信息候选项来生成车辆简档的步骤920。
车辆简档可以由下列项组成、可以基本上由下列项组成、或可以包括下列项：
巡航数据结构，其包括关于针对第一组道路路径和车辆参数的不同值的与车辆恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息。
怠速减速度数据结构，其包括关于针对第二组道路路径和车辆参数的不同值的与车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息。
加速度数据结构，其包括关于针对第三组道路路径和车辆参数的不同值的与车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息。
巡航数据结构可以由下列项组成、可以基本上由下列项组成、或可以包括下列项：针对第一组道路路径和车辆参数的值的不同组合的巡航燃料消耗参数的值。
第一组道路路径和车辆参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：车辆速度、路段坡度、车辆重量、和一个或更多个传动系统参数。
传动系统参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：档位和节气门位置。
怠速减速度数据结构可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：怠速减速度距离的值。怠速减速度可以意指不涉及使用车辆的制动器的减速度。
第二组道路路径和车辆参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：起始车辆速度、路段坡度、和车辆重量。
第二组道路路径和车辆参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：起始车辆速度、路段坡度、和车辆重量以及一个或更多个传动系统参数。
传动系统参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：档位。
巡航数据结构可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：加速度燃料消耗参数的值。加速度燃料消耗参数可以是平均瞬时燃料消耗和/或每特定距离的平均燃料消耗。和/或每100公里以升为单位的燃料消耗。
第三组道路路径和车辆参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：起始车辆速度、路段坡度、车辆重量、加速度距离和一个或更多个传动系统参数。
传动系统参数可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：档位和节气门位置。
步骤920可以包括基于在路径段的坡度与在(i)路径段的两端之间的高度差和(ii)路径段的水平投影的长度之间的比率之间的比较来排除车辆简档信息候选项。
步骤920后面可以是基于车辆简档来动态地群集车辆的步骤930。
步骤930可以包括计算每个群集的群集简档。群集简档可以包括下列项、可以由下列项组成、或可以基本上由下列项组成：群集巡航数据结构、群集怠速减速度数据结构、和群集加速度数据结构。
群集巡航数据结构表示群集中的至少一些车辆的巡航数据结构。可以使用任何函数(例如但不限于统计函数、加权平均等)来计算群集巡航数据结构。
群集怠速减速度数据结构表示群集中的至少一些车辆的怠速减速度数据结构。可以使用任何函数(例如但不限于统计函数、加权平均等)来计算群集怠速减速度数据结构。
群集加速度数据结构表示群集中的至少一些车辆的加速度数据结构。可以使用任何函数(例如但不限于统计函数、加权平均等)来计算群集加速度数据结构。
步骤930包括至少基于可包括车辆的群集的群集简档来更新巡航数据结构、怠速减速度数据结构、和加速度数据数据结构中的至少一者。
步骤920和/或930后面可以是压缩车辆简档以生成压缩的车辆简档的步骤940。
压缩的车辆简档可以被存储在车辆的存储器单元中和/或在车辆外部的存储器单元中。压缩的车辆简档可以被传输到车辆和/或可以被传输到车辆外部。
步骤940可以包括下列操作中的至少一个：
计算在相关道路路径和车辆参数之间的数学关系，并且从巡航数据结构、怠速减速度数据结构、和加速度数据数据结构中的至少一者移除关于相关道路路径和车辆参数中的至少一者的信息。
移除与车辆速度的子组相关的道路路径和车辆参数。例如，确定每路段的最佳速度，且只保留与每路段的最佳速度相关的燃料消耗参数。
使用一个或更多个道路路径和车辆参数作为关键字而不将一个或更多个道路路径和车辆参数存储在车辆简档中的任一个中。因此，不同的燃料消耗参数可以存储在数据库中，并且使用一个或更多个道路路径和车辆参数(例如坡度和/或速度)作为关键字来被访问。
下面示出了计算数学估计的非限制性示例，并且该示例的至少一部分在提交日为2017年9月10日的美国临时专利申请序列号62/556,445和62/556447中被示出。
下面的部分示出坡度参数可以如何被修改以反映坡度和车辆的重量，从而从车辆简档移除重量以提供压缩的车辆简档。
下面的压缩可被应用在巡航数据结构上，其他数据结构(加速度、怠速减速度)可使用其他公式进行压缩：
下面的元素被使用：
mgΔh——燃料转变为高程势能
k2mx——表示转变为摩擦(受质量影响)的能量
k3xv2——表示转变为摩擦(反作用力)的能量
*注意对巡航稳定状态的所有计算(即，速度是恒定的，以及Tss秒的时间帧)
在等式的一侧上，以及在另一侧上，我们从发动机获得的能量：
EFuel——表示燃料能量
最后我们得到：
定义：
K2系数在每个时段结束时被给出。
x——以米为单位的总距离。在这里它按照稳定状态被确定(即x＝Vss*Tss)。
S0——以百分比为单位的稳态坡度
Δh——高程差(从坡度和x得出)
mreal——当前时段的真实估算重量
Δm＝mreal-m0——质量变化(从m0开始)
dh——高程差的有效变化，其为质量变化的结果
Snew——具有重量m0的新坡度(考虑S0和Δm)
坡度与h的关系
我们的能量等式是：
我们想要找到引起与Δm的添加相同的燃料消耗(ΔEFuel)的dh，因此我们需要对下式求解：
(m0+Δm)gΔh+(m0+Δm)k2x＝m0g(Δh+dh)+m0k2x
现在，新坡度是：
因此，我们找到将(S0，m0，Δm，k2)映射到新的有效坡度的函数。
假设路段的坡度是已知的，那么压缩可以涉及在压缩的车辆简档中仅保留与路段的坡度相关的信息。如果车辆将要经过一系列路径段，那么压缩的车辆简档可以包括仅与该一系列中的路径段的坡度相关的信息。
压缩可以考虑最大速度限制，并且在压缩期间移除关于超过最大速度限制的速度值的信息。
例如，如果在步骤950期间计算机化系统生成与在车辆前方的路径相关的建议的一个或更多个行驶参数(例如速度、节气门、和档位)，则压缩可以考虑建议的参数，并且在压缩期间移除与其他行驶参数相关的信息。
步骤920可以包括针对第一组道路路径和车辆参数的特定值推算巡航燃料消耗参数的值。推算可以针对第一组道路路径和车辆参数的特定其他测量值对巡航燃料消耗参数的值做出响应。
推算仅仅是如何基于从群集车辆群被感测和/或被采用或者以另一种方式被猜测或获得的道路路径和车辆参数来估计针对未被感测到的道路路径和车辆参数的值的燃料消耗或怠速减速度距离(根据表格)的示例。
图27示出了巡航数据结构1010可以使用默认巡航信息1010’(预编程值、或任何默认值，默认值可以基于车辆的任何参数——制造商、型号、年份——以伪随机方式被随机地生成)、群集巡航信息1010”和/或实际(测量的)巡航信息1010”来被生成和/或更新。
怠速减速度数据结构1020可使用默认怠速减速度信息1020’(预编程值、或任何默认值，默认值可基于车辆的任何参数——制造商、型号、年份——以伪随机方式被随机地生成)、群集怠速减速度信息1020”和/或实际(测量的)怠速减速度信息1020”来被生成和/或更新。
加速度数据结构1030可使用默认加速度信息1030’(预编程值、或任何默认值，默认值可基于车辆的任何参数——制造商、型号、年份——以伪随机方式被随机地生成)、群集加速度信息1030”和/或实际(测量的)加速度信息1030”来被生成和/或更新。
任何估计可以对道路路径和车辆参数的质量做出响应。质量可以以任何方式被确定。例如，较高的质量可以被分配到被测量多次的道路路径和车辆参数的值的组合，并且具有小的分布(至少比具有较低质量的另一组合的分布小)。所测量的燃料消耗和/或怠速减速度值可以具有比推算值和/或群集值的相对应的值更高的质量。
返回到图22，方法900可以包括针对在车辆前方的路径建议一个或更多个行驶参数的步骤950。步骤950至少部分地基于车辆简档、路径部分坡度和外在限制，例如最大速度限制。
方法900的至少一个步骤可以车辆计算机和/或由位于车辆外部的计算机化系统执行。在方法900的执行期间，车辆计算机和计算机化系统可以相互协作。
图23-26示出了车辆简档和车辆简档的各种数据结构的示例。
图23和图24将巡航数据结构1010示为包括关于针对第一组道路路径和车辆参数(1012)的不同值的与车辆的恒定速度运动相关联的巡航参数(例如平均瞬时燃料消耗1011)的值的巡航信息。第一组道路路径和车辆参数可以包括例如速度、路段的坡度、车辆的重量、档位、和平均节气门位置。
假设有Nv个不同的速度值(V1-Vnv)、Ns个不同的坡度值(SI-Sns)、Nw个不同的车辆重量值(Wl-Wnw)、档位位置的Ng个不同的值(Gl-Gng)、平均节气门位置的Natp个不同的值(ATP1-ATPnatp)，巡航数据结构可包括多达Nv*Ns*Nw*Ng*Natp个条目。
图24示出了三个条目——每个条目包括平均瞬时燃料消耗(AVMFC)字段{1011(1,1,1,1,1),1011(1,1,1,1,2)和1011(nv,ns,nw,ng,natp)}和相对应的相关车辆和道路路径参数字段{1012(1,1,1,1,1)},1012(1,1,1,1,2)和1012(nv,ns,nw,ng,natp)}。
图23和图25将怠速减速度数据结构1020示为包括关于针对第二组道路路径和车辆参数(1022)的不同值的与车辆的怠速减速度相关联的怠速减速度参数(例如怠速减速度距离1021)的值的怠速减速度信息。第二组道路路径和车辆参数可以包括例如起始速度(当开始怠速减速时的速度)、路径段的坡度、车辆的重量、和档位。
假设有Nv个不同的起始速度值(V1-Vnv)、Ns个不同的坡度值(SI-Sns)、Nw个不同的车辆重量值(Wl-Wnw)和档位位置的Ng个不同的值(Gl-Gng)，怠速减速度数据结构可包括多达Nv*Ns*Nw*Ng个条目。
图25示出了三个条目，每个条目包括怠速减速度距离字段(IDS){1021(1,1,1,1),1021(1,1,1,2)和1021(nv,ns,nw,ng)}和相对应的相关车辆和道路路径参数字段{1022(1,1,1,1)},1022(1,1,1,2)和1022(nv,ns,nw,ng)}。
图23和图26将加速度数据结构1030示为包括关于针对第三组道路路径和车辆参数(1032)的不同值的与车辆的恒定加速度运动相关联的加速度参数(例如累积燃料消耗1031)的值的加速度信息。第三组道路路径和车辆参数可以包括例如起始速度、路段的坡度、加速度长度、车辆的重量、档位、和平均节气门位置。
假设有Nv个不同的速度值(V1-Vnv)、Ns个不同的坡度值(SI-Sns)、不同的加速度距离(AD1-ADnad)、Nw个不同的车辆重量值(Wl-Wnw)、档位位置的Ng个不同的值(Gl-Gng)、平均节气门位置的Natp个不同的值(ATP1-ATPnatp)，加速度数据结构可包括多达Nv*Ns*Nad*Nw*Ng*Natp个条目。
图26示出了三个条目，每个条目包括累积燃料消耗(AFC)字段{1031(1,1,1,1,1,1),1031(1,1,1,1,1,2)和1031(nv,ns,nad,nw,ng,natp)}和相对应的相关车辆和道路路径参数字段{1032(1,1,1,1,1,1)},1032(1,1,1,1,1,2)和1032(nv,ns,nad,nw,ng,natp)}。
下面提供参数的值和粒度的非限制性示例：
速度或起始速度可以范围在0-140Km/h之间，粒度在1-5Km/h之间，等等。
坡度可以范围在负20和正20之间变化，粒度在0.05-2度之间，等等。
重量可以范围在最大装载车辆的1-100％之间，粒度在0.5-8％之间，等等。
档位可以在4和16之间变化，粒度为1。
平均节气门位置可以范围在最大开启节气门的1-100％之间，粒度在0.5-8％之间，等等。
平均瞬时燃料消耗可以范围在对于100Km在0至1200升之间，粒度在0.05-1％之间，等等。
平均燃料消耗可以范围在0至255升/小时之间，粒度在0.5至5升/小时之间，等等。
怠速减速度距离可以范围在0-1000米之间，分辨率(resolution)在0.5-5米之间。
范围和/或分辨率可以范围在一种数据结构到另一种数据结构之间变化。
图20示出了车辆51、网络590和计算机化系统592的示例。
车辆51可以是任何类型的车辆。
车辆51可以包括任何类型的车辆传感器。在提交日为2017年9月10日的美国临时专利申请序列号62/556,443和62/556,444中示出了车辆传感器的非限制性示例。
图20将车辆示为包括第一车轮Wl 501、第二车轮W2 502、第三车轮W3 503、第四车轮W4 504、第一车轮传感器WS 511、第二车轮传感器WS 512、第三车轮传感器WS 513、第四车轮传感器WS 514、加速计515、气压计516、其他传感器517、车辆计算机550、处理器552、存储器模块554、通信模块(CM)542和人机接口(MMI)540。
MMI 540可以向驾驶员提供信息，例如行驶建议。
气压计516被示为位于车辆51的前部处。气压计可以位于车辆50内的任何位置上。可以有一个以上的气压计。
加速度计515可以是三轴加速度计。
其他传感器517可以感测与车辆和/或道路状况相关的各种参数。其他传感器517可以包括速度计、温度计、发动机传感器(例如燃料消耗传感器)或任何其他传感器中的至少一者。
车辆计算机550可以监测车辆的各个部件和/或系统的状态，可以控制车辆的各个部件和/或系统，并且可以参与或可以不参与说在明书中示出的任何方法的执行。
通信模块542可以通过网络590与计算机化系统592通信。
通信模块542可以是短程通信模块、远距离通信模块例如射频通信模块、卫星通信模块、蜂窝通信网络等等。
车辆计算机550可以包括处理器和存储器单元。处理器可以包括硬件部件，并且可以是通用处理器、图像处理器、硬件加速器、FPGA、ASIC等。存储器单元可以是非易失性存储器。
计算机化系统592可以位于云计算环境中，可以包括一个或更多个服务器或计算机的任何组合。
包括处理、计算等(并且在应用中示出)的任何步骤可以由车辆计算机550、由处理器552和/或由计算机化系统592执行。
存储器模块554可以存储参考地图。车辆的各个部件可以执行方法900和/或1200。
图28示出了方法1200，以及图9示出了当使用方法1200时获得的所建议的行驶速度的示例。
方法1200用于针对在车辆前方的路径计算建议的行驶参数。行驶参数可以包括例如速度、节气门位置和档位。
方法1200至少部分地基于车辆简档、路径部分坡度和外在限制，例如最大速度限制、周围天气等等。
方法1200可以由将路径虚拟地分割成多个部分的步骤1210开始。每个部分可以包括基本上相同的坡度和基本上相同的外在限制的一个或更多个路径段。路径段可以是道路路径参数的原子单位。例如，路段可以例如在1米和50米长之间，但可以有其他长度。
步骤1210后面可以是基于车辆简档、所述部分的坡度和外在限制来计算未来路径的建议的行驶参数的步骤1220。
该计算可以包括基于坡度和外在限制来找到该部分的最佳速度的步骤1222。速度从其它可以被选择来提供最小燃料消耗的意义上来说可能是最佳的，可以导致最快地通过整个路径，和/或可以对任何其他约束做出响应。
该计算可以包括步骤1224，步骤1224为基于与相邻部分相关的行驶参数来估算在该部分的开始时开始固定加速周期的部分行驶简档、在最佳速度处的恒定速度部分和在该部分的末尾处的怠速减速度。
步骤1220可以以反向行进方式被执行——从路径的终点开始，并假设车辆应该在最后路段的终点处怠速。该方法然后可以尝试通过以固定的加速周期开始直到达到最佳速度且然后执行怠速减速以在最后一部分的末尾处停止车辆来检查最后一部分是否可以被行驶。这应该考虑前面部分的限制和外在限制。
反向传播可以包括基于与前面的部分和/或后面的部分相关的参数来确定通过该部分的行驶简档。
在图29中，路径包括第一部分P1 1241、第二部分P2 1242、第三部分P3 1243、第四部分P4 1244和第五部分P5 1245。
每个部分可以包括多个路径段。
第一部分P1 1241包括具有不同坡度的几个路径段，但坡度基本上是相同的。分配到第一部分P1 1241(用于计算行驶时段)的坡度被表示为坡度1 1241’，并且可以反映第一部分的路径段的任何坡度和/或高度变化。
第三部分P3 1243和第四部分P4 1244具有相同的坡度，但与不同的最大速度限制(V2与V1)相关联。
建议的速度在图9的底部处被示出。其是通过从第四部分向后反向传播期望行驶简档(梯形简档)来计算出的。
第一部分的行驶简档通过固定加速度SV1 1251开始，后面是固定速度巡航SV22152。在该示例中，第一部分包括正坡度，以及怠速减速度将以在第二部分期间不必需要加速的方式降低车辆的速度。
第二部分的行驶简档通过固定加速度SV3 1253开始，后面是固定速度巡航SV41254，并以怠速减速度SV5 1245结束。
第三部分的行驶简档通过固定速度巡航SV6 1256开始，且以怠速减速度SV7 1247结束。第三段和第四段具有负坡度，且车辆在第三段的终点处达到最大速度限制，不需要以固定加速度开始第四段。第四部分的最大速度限制低于第三部分的最大速度限制，并且在第三部分的末尾处需要相对长的怠速减速时期。
第四部分的行驶简档通过固定速度巡航SV8 1258开始，且以怠速减速度SV9 1249结束。
第五部分的行驶简档通过固定速度巡航SV10 1250开始，且以怠速减速度SV111251结束，使得在路径的终点处车辆是怠速的。
注意，该路径可以与不同的开始和结束条件相关联——例如，车辆可能在该路径的终点处不是怠速的。
重量
可以基于由车辆在各个路径段中消耗的能量并基于通过燃料消耗增益的能量来估计车辆的重量。
可以基于与发动机效率函数相关的假设和与燃料消耗测量结果相关的燃料消耗误差来估算车辆的重量。马达效率函数表示在所消耗的燃料和输出(机械)能量之间的关系。
估算过程可以以迭代的方式被执行，其中给定估算重量，可以重新估算用于计算估算重量的一个或更多个假设。相同的迭代方法可以应用于马达效率函数的估计和/或燃料消耗误差。
重量的估算过程和/或任何估计过程(其基于所估计的重量)可以以任何复杂度和/或由任何计算机化系统——由车辆计算机或车辆外服务器或计算机——完成。例如，车辆外计算机最初可以使用大量(数千或更多)测量结果来估算能量系数。车辆计算机可以接收最初估算的能量系数并使用它们(除了由车辆传感器获得的更多测量结果之外)来更新(甚至实时地)车辆的重量估计。
与特定车辆相关的能量系数、马达效率函数值和/或燃料消耗误差值的初始估计或其他估计可以基于属于同一类车辆的车辆的行为。一类车辆可以是相同型号、相同制造商和/或相同生产年份的车辆。附加地或可选地，车辆可以基于车辆的重量测量结果来被分类和/或重新分类。
估算过程可以检查能量系数的值、马达效率函数值和/或燃料消耗误差值的多个组合。
可以应用任何搜索过程。可以估算组合的整个集合，或者可以只估算组合的整个集合的一部分。
搜索过程可以考虑与路径段相关联的质量属性。质量属性可以用于过滤与路径段相关的测量结果和/或可以以另一种方式被使用。
例如，可以基于对由所消耗的燃料增益的功和能量的估算来估算车辆的重量。
可以在学习周期期间(或学习周期)估算车辆的重量。在学习周期期间，受监测的车辆经过多个路径。所述多个路径可以被分割成路径段。
可以估算每路径段通过所消耗的燃料增益的功和能量。
可以使用下面的六个分量来表示通过所消耗的燃料增益的功和能量：
a.
——燃料转变为动能
b.mgΔh——燃料转变为高程势能
c.k1x——表示转变为摩擦的能量
d.k2mx——表示转变为摩擦(受质量影响)的能量
e.k3xv2——表示转变为摩擦(反作用力)的能量
f.k4mxv2——表示转变为摩擦的能量(所涉及的重量)
在等式的一侧上，从车辆的发动机输出的能量——考虑到由发动机低效率造成的能量损失：ame·fe·fuel——表示燃料能量。
使用平衡等式(能量＝潜在增益+损耗)：
我们可以提取车辆的质量：
质量估计可以转换为重量估计(重量＝质量×g)。
能量系数值的值可以在任何范围上和在任何分辨率下被估算出。例如，kl的范围可以在0和10,000之间并且在1000(0、1000、2000、3000...)的分辨率(步长)下被估算出，以及k2、k3和k4中每一个的范围可以在0和1之间并且在0.01(0、0.01、0.02、0.03...)的分辨率下被估算出。
搜索过程可以包括计算多个路径段的重量估计。多个路径段可以包括车辆在学习周期期间经过的所有路径的所有路径段或者仅仅一些路径段。
由于一个或更多个原因，例如不足的质量，路径段可能被忽略(过滤出)。
下面提供路径分割和/或过滤出和/或分配质量属性的非限制性示例：
a.路径段可以是相对短的(在时间上)，例如低于半分钟。路径的持续时间是在需要获得足够的数据、预期至少一些变量在整个路径段期间基本上是恒定的以及在单个行驶时段内具有足够的有效路径段之间的折衷。路径段越长，质量就越高。
b.忽略其中车辆下降的路径段(或分配低质量)，从而避免制动损失，且因为在这样的路径段中，燃料从发动机被切断。
c.马达每分钟转数(RPM)——RPM差异越大(在路径段的起点和终点之间)，质量就越高。
d.向具有较大动量的路径段分配较高的质量(动量是在路径段的终点处的速度的平方与在路径段的起点处的速度的平方之间的差)。不足的动量(低于动量阈值——例如50[m^2/Sec^4])可能被忽略或被分配非常低的质量。
e.由于量化误差，忽略其中速度超过特定速度阈值(例如高于70Km/h)的路径段(或分配低质量)。
f.忽略其中总燃料消耗率低于阈值(例如，3[L/小时])的路径段(或分配低质量)。
g.向包括车辆的较陡爬坡的路径段分配更高的质量等级。
h.防止单个路径包括足以长到实现车辆的相当大的重量变化的停车。例如，如果卸载500公斤的货物持续两分钟，那么至少两分钟长的这种停车的发生可能标志着在两个路径段之间的边界。
建议的重量估算是准确的，并且可能需要有限的计算资源。建议的重量估算补偿由车辆传感器执行的测量的不准确性，并且实现使用低成本的有限准确度传感器。
图30示出了方法100”。
方法100”可以以步骤110”开始，步骤110”为根据下面的等式针对能量系数值的不同组合和针对多个路径段中的每个路径段确定重量估计(假设特定马达效率函数和特定燃料消耗误差校正函数)：
m＝(ame·fe·fuel-k_1x-k_3xv^2)/(gΔh+((〖v_2〗^2-〖v_1〗^2))/2+k_2x+k_4xv^2).
其中“ame”是所估计的马达效率函数的值，V2是车辆在路径段的终点处的速度，v1是车辆在路径段的起点处的速度，v表示车辆在路径段上行驶时的速度的至少一个值(例如平均速度)，x是路径段的长度，Δh是在路径段的终点和起点之间之间的高度差；以及，fuel是与路径段相关的误差校正后的燃料消耗。
步骤110”提供了多个重量估计。
步骤110”后面可以是分析多个重量估计以确定车辆的估算重量的步骤120”。
该分析可以包括估算能量系数值的多个组合。能量系数值的多个组合可以覆盖能量系数值的所有可能的组合，或者仅覆盖能量系数值的所有可能组合的子集。可以提供用于选择哪个组合用于估算的任何方法。
步骤120”可以包括下列操作中的至少一个：
a.对于能量系数值的(多个组合中的)每个组合：
i.计算与重量估计值相关的分布。可以通过将能量系数值的组合应用于接收的关于多个路径段的输入来提供分布。该分布可以是重量估计的分布，可以是对路径段的质量属性做出响应的分布，可以是忽略路径段的质量属性的分布，可以仅包括关于足够质量的路径段的信息，可以是表示属于与重量估计的范围相关联的竖条区域的重量估计的质量属性的值的分布，可以是属于与重量估计的范围相关联的竖条区域的重量估计的质量属性的总和的值的分布。例如，当分布是重量分布时，则该步骤可以包括使用该组合针对多个路径段中的每个路径段计算重量估计。
ii.找到一个或更多个群集(针对分布中的每个)。例如，如果车辆的重量在学习周期期间没有改变，那么它被预期接收单个群集。车辆的典型和可区别的重量(例如空的或满的)的数量可以确定群集的数量。
iii.确定群集的一个或更多个统计参数。例如统计变化、群集的宽度等。
b.从能量系数值的不同组合(其与不同分布相关联)中选择能量系数值的选定组合。该选择基于与能量系数参数的选定组合相关的分布的群集的一个或更多个统计参数。例如，能量系数值的选定组合可以提供具有在统计上最显著的群集的分布。
c.使用当使用能量系数的选定组合作为车辆的估算重量时提供的重量估计。重量估计可以是一个或更多个路径段的重量估计之一，可以表示(当使用能量系数的选定组合时)与不同路径段相关的不同重量估计(例如，是平均值、中值或任何其他表示)，等等。
步骤120”可以对路径段的质量属性做出响应。例如，重量估计的分布可以表示质量属性和/或可以忽略质量不足的路径段。
步骤120”后面可以是对车辆的估算重量做出响应的步骤130”。
步骤130”可以包括下列操作中的一个或更多个步骤：
a.更新自动驾驶车辆应用。
b.更新高级驾驶员辅助系统(ADAS)应用。
c.向车辆的驾驶员或向另一实体(例如车辆主管)报告估计重量。
d.使用车辆的估算重量来验证或更好地估计马达效率函数。
e.使用车辆的估算重量来验证或更好地估计特定燃料消耗误差校正函数。
f.将车辆分类为特定类别的车辆。
g.使用能量系数值的选定组合和由车辆获得的未来测量结果来(甚至通过车辆计算机)实时地计算车辆的未来重量。
方法100”提供了对车辆的高度准确的估计而不使用专用的和昂贵的重量传感器，例如专用车辆衡等。高度准确的重量估计大大减少了对测量车辆的重量所需的资源。该方法可以使用有约束和无约束的机器学习，并且在计算机化资源的使用方面是高度有效的。通过检查大量的测量结果和读数，该方法可以过滤出不准确项。
图31示出了车辆(例如卡车100)和车辆在学习周期期间行驶的多个路径1160”。学习周期可以持续几小时、几天、几周、几个月、几年等。
路径可以被分割成路径段。路径段可以具有不同的长度，可以具有相等的长度，等等。
图32示出了马达效率函数1100的近似1100的示例。在图32中，x轴表示RPM，以及y轴代表平均马达效率。
近似1100包括三个顶点(1101、1102和1103)和两条边1104和1105。因此，近似1100的峰值为顶点1102。边1104连接顶点1101和1102。边1105连接顶点1102和1103。
近似1100可以以紧凑的方式由马达效率函数值(例如系数a1、a2和a3)表示。系数a3可以是顶点1102的值。系数a1可以是边1105的坡度的倒数。系数a2可以是边1104的坡度的倒数。
可以使用近似的任何其他表示。
应该注意，马达效率函数可以对档位做出响应，并且马达效率函数可以由每档位一组系数来表示。
图33示出了表1150，其包括48个系数——每16个档位中的每一个档位3个系数——a1,1到a16,3。
图34示出了马达效率函数1100的非线性近似1111的示例。
图35是燃料消耗误差校正函数的近似1140的示例。
燃料消耗误差校正函数校正在燃料消耗测量结果中的误差。
图35示出了包括六个段的线性近似。这六个段具有被表示为f1、f2、f3、f4、f5和f6的起始值1141-1146。
图36示出了与重量估计相关的分布的直方图1120。
直方图包括与重量范围相关联的多个竖条区域。每个竖条区域的值是与相同重量范围相关联的路径段的质量属性的总和。
图36示出了两个不同的群集1121和1122。
图37示出了与重量估计相关的分布的直方图1130。
直方图包括与重量范围相关联的多个竖条区域。每个竖条区域的值是与相同重量范围相关联的路径段的质量属性的总和。
图37示出了两个不同的群集1131和1132。
图38示出了方法200”。
方法200”可以以步骤210”开始，步骤210”为根据下面的等式确定(i)关于能量系数值的不同组合、(ii)关于多个路径段中的每个路径段、(iii)关于不同的马达效率函数值、以及(iv)关于不同的燃料消耗误差校正函数值的重量估计：
m＝(ame·fe·fuel-k_1x-k_3xv^2)/(gΔh+((〖v_2〗^2-〖v_1〗^2))/2+k_2x+k_4xv^2).
应当注意，步骤210”可以包括确定(i)关于能量系数值的不同组合、(ii)关于多个路径段中的每个路径段、以及(iii)关于不同的马达效率函数值(给定特定燃料消耗误差校正函数)的重量估计。
可选地，步骤210”可以包括确定(i)关于能量系数值的不同组合、(ii)关于多个路径段中的每个路径段、以及(iii)关于不同的燃料消耗误差校正函数值(给定特定马达效率函数)的重量估计。
步骤210”提供了多个重量估计。
步骤210”后面可以是分析多个重量估计以确定车辆的估计重量的步骤220”。
步骤220”可以包括下列操作中的至少一个：
a.对于能量系数值的每个组合，每个燃料消耗误差校正函数值和每个马达效率函数值：
i.计算与重量估计相关的分布。可以通过将能量系数值的组合应用于接收的关于多个路径段的输入来提供分布。该分布可以是重量估计的分布，可以是对路径段的质量属性做出响应的分布，可以是忽略路径段的质量属性的分布，可以仅包括关于足够质量的路径段的信息，可以是表示属于与重量估计的范围相关联的竖条区域的重量估计的质量属性的值的分布，可以是属于与重量估计的范围相关联的竖条区域的重量估计的质量属性的总和的值的分布。
ii.找到一个或更多个群集。例如，如果车辆的重量在学习周期期间没有改变，那么预期为接收单个群集。车辆的典型和可区别的重量(例如空的或满的)的数量可以确定群集的数量。
iii.确定群集的一个或更多个统计参数，例如统计变化、群集的宽度等。
b.从能量系数值的不同组合、不同的燃料消耗误差校正函数值、和不同的马达效率函数值(与不同的分布相关联)中选择能量系数值的选定组合、燃料消耗误差校正函数值和不同的马达效率函数值。该选择基于群集的一个或更多个统计参数。例如，能量系数值的选定组合、燃料消耗误差校正函数值和不同马达效率函数值可以提供在统计上最显著的群集。
c.使用当使用能量系数的选定组合、燃料消耗误差校正函数值和不同马达效率函数值作为车辆的估算重量时提供的重量估计。重量估计可以是一个或更多个路径段的重量估计之一，可以表示(当使用能量系数的选定组合时)与不同路径段相关的不同重量估计(例如是平均值、中值或任何其他表示)等。
步骤220”可以对路径段的质量属性做出响应。例如，重量估计的分布可以表示质量属性和/或可以忽略质量不足的路径段。
步骤220”后面可以是对车辆的估算重量做出响应的步骤230”。
步骤230”可以包括下列操作中的一个或更多个步骤：
a.更新自动驾驶车辆应用。
b.更新高级驾驶员辅助系统(ADAS)应用。
c.向车辆的驾驶员或向另一实体(例如车辆主管)报告估算重量。
d.使用车辆的估算重量来验证或更好地估计马达效率函数。
e.使用车辆的估算重量来验证或更好地估计特定燃料消耗误差校正函数。
f.将车辆分类为特定类别的车辆。
图39示出了方法300”。
方法300”可以以步骤310”开始，步骤310”为在学习周期期间并通过车辆传感器获得关于车辆的行驶时段的车辆传感器测量结果。
车辆传感器测量结果可包括：与行驶时段相关的路径的高度测量结果、与行驶时段相关的燃料消耗测量结果、与行驶时段相关的路段的长度测量结果。
步骤310”后面可以是基于车辆传感器测量结果来计算车辆的估算重量的步骤320”。
该计算基于指示由车辆浪费的能量的能量系数的值。系数的非限制性示例是上面提到的k1、k2、k3和k4。
步骤320”可以包括找到马达效率函数和燃料消耗误差校正函数中的至少一者。
步骤320”可以包括搜索提供与满足至少一个预定统计显著性标准的车辆的重量估计相关的至少一个分布的能量系数的值。
预定统计显著性标准可以是最大统计显著性，可以是至少一个重量估计分布的最小标准偏差。
步骤320”可以包括下列步骤中的至少一个：
a.通过针对该组路径的多个路径段确定车辆的估算重量来估算能量系数的值。
b.根据下面的等式来确定针对多个路径段中的每个路径段的重量估计：
步骤320”可以包括下列操作中的至少一个：
a.针对多个路径段中的每个路径段以及针对能量系数的不同值确定重量估计。
b.针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的马达效率函数值确定重量估计。
c.针对多个路径段中的每个路径段、针对能量系数的不同值和针对不同的燃料消耗误差校正函数值确定重量估计。
d.针对多个路径段中的每个路径段、针对能量系数的不同值、针对不同的马达效率函数值和针对不同的燃料消耗误差校正函数值确定估计。
e.将质量属性与每个重量估计相关联。
f.将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布对分配到每个重量估计的质量属性做出响应。
g.将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布是直方图，其中直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联并且具有表示属于该竖条区域的重量估计的质量属性的值。
h.将质量属性与每个重量估计相关联，其中与车辆的重量估计相关的至少一个分布是直方图，其中直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联并且具有表示属于该竖条区域的重量估计的质量属性的总和的值。
i.向至少一些车辆传感器测量结果分配质量属性。
j.基于与在特定路径段的起点处和终点处的车辆的速度相关的差异来将质量属性分配到与特定路径段相关的车辆传感器测量结果。
k.基于车辆在特定行驶时段期间的最大速度来将质量属性分配到与特定路径段相关的车辆传感器测量结果。
l.忽略在其中车辆下降的路径段处获得的车辆传感器测量结果。
步骤320”后面可以是对车辆的估算重量做出响应的步骤330”。
方法100”、200”和300”中的任何方法可以响应于事件等被执行一次、以周期性的方式被执行、以非周期性的重复方式被执行、在任何时间被执行。例如，方法(或所述方法中的至少一个)可以每两个月(或其他时间段)被执行一次，以便补偿变化，例如车辆磨损等。
所述方法中的任一个可以接收或以其他方式获得一个或更多个实际重量测量结果，并且车辆的一个或更多个实际重量测量结果可以被考虑。
例如，对能量系数的任何组合(和/或与马达效率函数和/或燃料消耗误差校正函数相关的任何值)的选择可以考虑一个或更多个实际重量测量结果。
因此，方法100”、200”和300”中的任一个可以是受约束的或不受约束的学习过程。约束是一个或更多个实际重量测量结果。
例如，所述选择可以包括应用对一个或更多个实际重量测量结果和对至少一个预定统计显著性标准做出响应的成本函数。例如，找到能量系数的组合(和/或与马达效率函数和/或燃料消耗误差校正函数相关的任何值)，其一旦被应用就提供最接近一个或更多个实际重量测量结果并且具有最大统计显著性的群集(例如，是最窄的群集)。
方法100”、200”和300”中的任一个可能涉及应用机器学习过程——尤其是深度学习过程。
学习周期可以是测量被进行时的任何时间段，并且测量结果可以被用于估计车辆的重量。
图40示出了车辆51、网络1070和计算机化系统1080。
车辆51可以包括例如传感器1040的车辆传感器、存储器模块1030、包括处理器1010的车辆计算机1020、人机接口1050、通信模块1060和车轮W1-W4 501-504。
人机接口(MMI)1050可以包括屏幕、全息屏幕、扬声器、相机、音频系统和/或视听系统、键盘等等。
车辆51可以是任何类型的车辆。
传感器1040可以至少包括速度传感器、高度传感器、距离传感器和燃料消耗传感器。
传感器1040被配置成提供与行驶时段相关的路径的高度测量结果、(b)与行驶时段相关的燃料消耗测量结果、(c)与行驶时段相关的路段的长度测量结果。
传感器1040可以包括例如加速度计、速度计、温度计、窗口状态传感器、空调模块/风扇状态传感器、发动机传感器(例如燃料消耗传感器)或任何其他传感器中的至少一者。
车辆计算机1020可以监测车辆的各个部件和/或系统的状态，可以控制车辆的各个部件和/或系统，并且可以参与(使用处理器1010)在说明书中所示的任何方法的执行。
通信模块(CM)1060可以通过网络1070与计算机化系统1080通信。
通信模块1060可以是短程通信模块、远距离通信模块例如射频通信模块、卫星通信模块、蜂窝通信网络等。
车辆计算机1020可以包括处理器和存储器单元。处理器可以包括硬件部件，并且可以是通用处理器、图像处理器、硬件加速器、FPGA、ASIC等。存储器单元可以是非易失性存储器。
计算机化系统1080可以位于云计算环境中，可以包括一个或更多个服务器或计算机的任何组合。
包括处理、计算等(并且在应用中示出)的任何步骤可以由车辆计算机1020、由处理器1010和/或由计算机化系统1080执行。
图41示出了车辆51、网络1070和计算机化系统1080。在图12中，处理器1010不被包括在车辆计算机1030中。车辆计算机1030可以或可以不参与上面所示的任何方法的执行。
图42示出了车辆51、网络1070和计算机化系统1080。
在图42中，传感器1040包括燃料消耗传感器1041、加速计1045、气压计1046和四个轮速度传感器WS 511-514。
基于有限数量的能量系数以及马达效率函数和燃料消耗误差校正函数的紧凑表示来表征车辆在存储资源方面是高度有效的。
图43示出了方法600”。
方法600”可以由车辆计算机(位于车辆内的任何计算机)执行。
方法600”可以包括接收指示由车辆浪费的能量的能量系数的值的步骤610”；其中能量系数的值是至少部分地基于由车辆的车辆传感器获得的车辆传感器测量结果来计算的，车辆传感器测量结果是在车辆的行驶时段期间被获得的；其中车辆传感器测量结果包括(a)与行驶时段相关的路径的高度测量结果，(b)与行驶时段相关的燃料消耗测量结果，(c)与行驶时段相关的路段的长度测量结果；以及(d)与行驶时段相关的速度测量结果。
步骤610”还可以包括下列操作中的至少一个：(i)接收关于车辆的马达效率函数的信息，和(ii)接收关于车辆的燃料消耗误差校正函数的信息。
步骤610”后面可以是在新行驶时段期间并通过车辆传感器获得与新行驶时段相关的新车辆传感器测量结果的步骤620”。
步骤620”后面可以是由车辆计算机基于能量系数的值和新车辆传感器测量结果来计算车辆的重量的步骤630”。
该计算还可以对(i)关于车辆的马达效率函数的信息、和(ii)关于车辆的燃料消耗误差校正函数的信息中的至少一个做出响应。
关于马达效率函数的信息可以是紧凑的。它可以包括马达效率函数系数。在上面的文本中提供了这样的系数的各种示例。
关于燃料消耗误差校正函数的信息可以是紧凑的。它可以包括燃料消耗误差校正函数系数。在上面的文本中提供了这样的系数的各种示例。
步骤630”可以实时地(例如在几秒钟、不到一分钟、几分钟等内)被执行。
方法600”可以包括传输与新行驶时段相关的新车辆传感器测量结果。这些新测量结果可用于改进、更新和/或验证先前提供的能量系数的c值。
步骤630”可以包括通过应用下面的等式来计算针对新时段的新路径段的重量：
其中能量系数组包括k1、k2、k3和k4；
其中ame是估计的马达效率函数的值；
其中v2是车辆在新路径段的终点处的速度；
v1是车辆在新路径段的起点处的速度；
v表示车辆在新路径段上行驶时的速度的至少一个值；
x是新路径段的长度；
Δh是在新路径段的起点和终点之间的高度差；以及
fuel是与新路径段相关的误差校正后的燃料消耗。
使用很少的传感器读数和有限数量的能量系数以及马达效率函数和燃料消耗误差校正函数的紧凑表示来实时地计算车辆的真实重量就存储资源和计算机化资源方面而言是非常有效的。
抓地
可以提供一种用于确定与车辆和路径段相关的抓地力的系统、方法和计算机程序产品，该确定考虑路径的参数以及车辆的参数。
下面的一些示例假设车辆包括四个车轮。应该注意的是，车轮的数量可以不同于四个。
抓地事件是车辆所经历的事件，并且可以提供用于估计路径段的抓地力的信息。抓地事件的非限制性示例包括制动事件、车辆的转弯、越过障碍物、以及达到预定的车辆速度。为了解释的简单，下面的一些示例将参考是制动事件的抓地事件。
在下面的示例中，“标准化”涉及补偿对于特定车辆和/或可能影响特定抓地力相关测量结果的其他环境特定的参数。去标准化与标准化过程相反。
多个车辆可以经过一个路径段，并且可以计算标准化的抓地力相关信息。计算机化系统可以从多个车辆接收标准化的抓地力相关信息。
路径段可以是可能在几厘米长到几米长和甚至更长之间的路径段。沿单个路径段的抓地力可以相同或可以稍微不同。
计算机化系统可以计算标准化的路径段抓地力信息，并且可以将标准化的路径段抓地力信息传输到车辆。
可以使用群智(crowd sourcing)、位数据技术、机器学习和/或任何其他技术来计算标准化的路径段抓地力信息。
获得和处理来自多个车辆的标准化的路径段抓地力信息可以提高对路径段抓地力信息的计算的准确度。此外，获得和处理来自多个车辆的标准化的路径段抓地力信息可以有助于为没有经过该路径段的车辆提供路径段抓地力信息。
给定当前车辆参数，车辆可以监测车辆参数并且可以对标准化的路径段抓地力信息去标准化以提供可以反映路径段的抓地力参数的实际路径段抓地力信息。
路径段抓地力信息可以包括路径段的抓地力水平、残余抓地力等。
图44示出了方法2100的示例。
方法2100可以由车辆计算机(位于车辆内的计算机)、由位于车辆外部的计算机化系统、或由两者执行。由车辆计算机执行方法2100减少了从车辆传输的信息的数量。
方法2100可以由监测多个车轮的车轮速度的步骤2110开始。
可使用任何车轮传感器。特别是，可以为每个车轮分配一个车轮速度传感器。
步骤2110后面可以是计算车辆速度估计的步骤2120。该估计可以基于来自多个车轮速度传感器的车轮速度信号。
步骤2120后面可以是检测抓地事件的步骤2130。抓地事件可以通过监测车辆速度来检测，但可以通过监测一个或更多个车轮的速度来检测。
图44示出了抓地事件的三个示例——制动事件2131、高速事件2132(例如达到特定速度——例如80km/h)和转弯2133。可以检测到其他抓地事件。例如且如图53所示，抓地事件可以是越过障碍物。
步骤2130后面可以是计算激励的步骤2140以及计算滑移率的步骤2150。
滑移率可以按车轮计算，且是在车辆速度与车轮速度之间的关系。在步骤2150期间，可以对车轮速度应用高通滤波器。
步骤2140和2150后面可以是对多个车轮的激励和滑移率进行标准化以生成标准化激励和标准化滑移率的步骤2160。
标准化激励和标准化滑移率通常远离表示抓地力的损失的激励和抓地力值。例如，假设抓地力损失在20％的激励和1％的激励——标准化激励不超过一半，以及标准化滑移率低于10％。
方法2100可以涉及基于这些标准化激励和标准化滑移率来估计残余抓地力。
例如，该方法可以通过找到相关滑移曲线来估计残余抓地力，并且通过在当前抓地力和与相关抓地力曲线相关联的抓地力点的损失之间比较来计算残余抓地力。
步骤2160后面可以是基于标准化激励和标准化滑移率来确定相关滑移曲线的步骤2170。每个滑移曲线包括在滑移率值和激励值之间的映射。步骤2170将标准化激励和标准化滑移率拟合到相关滑移曲线。
步骤2170可以从N个(例如210个)可能的滑移曲线的有限组中选择相关滑移曲线，和/或可以基于有限曲线的滑移曲线来推算或以其他方式计算新的滑移曲线。
步骤2180可以包括对相关滑移曲线的确定做出响应。步骤2180可以包括存储相关滑移曲线信息(例如相关滑移曲线的索引或其他标识符)，传输相关滑移曲线，计算实际路径段抓地力信息，等等。
图45示出了步骤2120的示例。
步骤2120可以包括下列步骤：
a.接收或生成第一至第四车轮速度信号(2111-2114)。
b.预处理车轮速度信号2120。这可以包括对车轮速度读数进行低通滤波(2121)，低通滤波可以对所估计的车轮速度做出响应。
c.车轮速度处理2122。
车轮速度处理可包括下列项中的至少一个：
a.检测车轮之间的差异2123。该步骤可以包括检测例如由于空气压力的变化、轮胎健康状况的变化等引起的在车轮之间的长期(多于几个小时)差异。
b.忽略短期变化2124。短期可能是几秒钟或更短。短期变化可能导致小的滑移。忽略可以包括忽略在任何车轮的车轮速度的短期变化期间获得的所有车轮速度测量结果。
c.检测转弯2125。
d.计算经补偿的轮速读数2126。
e.基于经补偿的车轮速度读数来计算车辆速度2127。
步骤2124可以包括检测与转弯无关的在车轮速度之间的不一致。如果转弯被检测到，则在转弯期间测量的车轮速度可被处理以确定抓地力。
步骤2120可以包括保持一个因子(例如在当前车轮和参考车轮的车轮速度之间的比率)，以及沿着时间调整该因子(像具有极低通滤波器(very low pass filter)的控制回路一样)。然后，如果瞬时因子比该因子大/小多于特定量(例如5％)，则短期变化被检测到。在步骤2120之后，该方法可以非常缓和地保持更新该因子(即，使用极低通滤波器)，并且在步骤2127期间使用该因子。
步骤2127可以包括计算(在忽略车轮速度读数之后，在如步骤2124中所指示的)车轮速度，将这些因子应用于所有车轮速度(除了参考车轮之外)以提供加权车轮速度，以及然后对加权车轮速度应用函数(例如但不限于平均)以提供车辆速度。
图46示出了步骤2140的示例。
步骤2140可以包括步骤9142和/或步骤9144。
步骤2142可以包括选择与抓地事件的至少一个部分相关的车辆速度估计以提供所选择的车辆速度估计，同时忽略与抓地事件的至少一个其他部分相关的其他车辆速度估计。例如，抓地事件可能持续几秒钟，并且多个车轮速度读数可以按秒被获得(例如，每秒50到100个车轮速度读数)。
步骤2142可以包括选择一些车轮读数，同时忽略一些其他车轮读数。
可以应用任何选择规则。例如，忽略在抓地事件的开始时期期间和/或在抓地事件的结束时期期间(例如，在抓地事件的持续时间的前20％和/或抓地事件的持续时间的后15％期间)获得的车轮速度读数，忽略与特定加速度和/或减速度值相关联的车轮速度事件，等待直到加速度或减速度达到稳定状态(并选择稳定状态读数)，等等。
步骤2144可以包括基于选定车辆速度随着时间的推移的一个或更多个变化以及零个或更多个附加因素来计算激励。
所述零个或多个附加因素可用于标准化激励值。激励值可以以任何方式表示一个或更多个变化，例如在包括被选定时间段的持续时间除的选定车辆速度估计的在选定时间段期间的车辆速度的总体变化。
附加因素可以包括车辆行驶和/或制动参数、(车辆经过的)一个或更多个路径段的坡度等。
制动参数可以反映车辆的制动器被激活的方式——泵送与否、制动踏板的位置的任何变化等。例如，制动参数可以反映制动踏板的位置随着时间推移的平均或最小或最大变化中的至少一个。
不同的制动模式(例如模式2171和2172)可以导致不同的激励。坡度可以由路径段的平均或最小或最大坡度中的至少一个表示。
图47示出了步骤2160的示例。
步骤2160可以包括步骤2169。步骤2169前面可以是步骤2161、2162、2163、2164、2165、2166、2167、2167’、和2168中的至少一个。
步骤2161可以包括接收或估计气候偏向。气候偏向可以表示与气候变化(例如雨、雾、温度等)相关的抓地力的变化。气候偏向可以由气候传感器(例如湿度传感器、气压计、温度传感器等)测量，和/或可以通过在有限的时间帧(例如三十分钟到几个小时)内找到多个车辆关于同一路径段所经历的抓地力水平之间的相似差异来进行检测。
步骤2162可以包括接收或估计车轮有效补片尺寸。
步骤2164可以包括接收或估计轮胎健康状况。轮胎健康状况被预期非常缓慢地变化(除了在漏气的轮胎的情况下以外)，并且可以被表示为在长时间段内的相对恒定的偏向。
步骤2166可以包括接收或估计车辆的重量。在提交日为2017年9月10日的美国临时专利申请序列号62/556,447中示出了重量估计的非限制性示例。
步骤2167可以包括接收或估计激励。可以从步骤2140进行激励。
步骤2167’可以包括接收或估计抓地力。
步骤2168可以包括接收或估计速度。可以从步骤2120获得速度。
步骤2169可以包括标准化多个车轮的激励和滑移率以生成标准化激励和标准化滑移率。标准化可以对速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一个做出响应。
标准化可以涉及比较不同车辆在经过同一路段时感测的信息，并补偿气候偏向、车轮有效补片、轮胎健康状况、车辆的重量、激励等。
图48示出了方法2200。方法2200可以由位于车辆外部的计算机化系统、由车辆计算机、由车辆计算机和计算机化系统二者、由不同车辆的多个车辆计算机等执行。
方法2200可以包括步骤2210、2220、2230和2240中的至少一些。
步骤2210可以包括学习标准化函数和/或选择规则。例如，在步骤2169期间使用标准化函数。例如，在步骤2142期间使用选择规则。
步骤2210可以包括学习去标准化函数。去标准化函数可以与标准化函数的操作相反。步骤2210可以包括处理在行驶时段期间获得的标准化路径段抓地力信息，其中关于重量、有效补片尺寸、轮胎健康状况、激励、速度和/或气候的信息是已知的。可以使用具有重量、有效补片尺寸、轮胎健康状况、激励、速度和/或气候的不同值的行驶时段来学习标准化函数。
步骤2220可以包括接收与多个路径段相关的和与多个车辆的多个行驶时段相关的标准化滑移曲线。
步骤2230可以包括建立或更新在路径段和标准化滑移曲线之间的映射。该映射可以考虑在步骤2220期间接收的信息。步骤2230可以涉及使用群智、大数据、机器学习或任何其他技术。
步骤2230可以涉及对在步骤2220期间获得的信息取平均(或应用任何其他统计函数)。
步骤2240可以包括将映射的至少一部分分布到车辆和/或用户。当车辆位于特定区域处时，则其可以接收与该区域、一个或更多个相邻区域等相关的信息。
在车辆接收到该映射之后，则车辆可以使用该映射以及车辆和一个或更多个路径段的当前状态来提供实际路径段抓地力信息。
图49示出了方法2300。
方法2300可以包括步骤2320。步骤2320前面可以是步骤2320以及步骤2161、2162、2163、2164、2165、2166、2167、2167’和2168中的至少一个。
步骤2320可以包括对标准化滑移图去标准化以提供去标准化滑移图。去标准化是基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
步骤2320后面可以是基于去标准化滑移图和在滑移图上的相关抓地力-激励坐标来确定边际抓地力的步骤2330。
步骤2340后面可以是对边际抓地力做出响应的步骤2340。这可以包括自动驾驶车辆、通知用户车辆速度是多少、通过将抓地力水平保持在激活ABS的边际抓地力值之下来防止ABS系统工作，等等。
图50将车辆示为包括第一车轮Wl 501、第二车轮W2 502、第三车轮W3 503、第四车轮W4 504、第一车轮传感器WS 511、第二车轮传感器WS 512、第三车轮传感器WS 513、第四车轮传感器WS 514、其他传感器(例如但不限于气候传感器、一个或更多个制动传感器、一个或更多个发动机传感器、燃料消耗传感器、加速度计等中的至少一个)、车辆计算机550、处理器552、存储器模块554、通信模块(CM)542、和人机接口(MMI)540。
MMI 540可以向驾驶员提供信息，例如行驶建议。
其他传感器517可以感测与车辆和/或道路状况相关的各种参数。
车辆计算机550可以监测车辆的各个部件和/或系统的状态，可以控制车辆的各个部件和/或系统，并且可以参与或可以不参与在说明书中示出的任何方法的执行。
通信模块542可以通过网络590与计算机化系统592通信。
通信模块542可以是短程通信模块、远距离通信模块例如射频通信模块、卫星通信模块、蜂窝通信网络等。
车辆计算机550可以包括处理器和存储器单元。处理器可以包括硬件部件，并且可以是通用处理器、图像处理器、硬件加速器、FPGA、ASIC等。存储器单元可以是非易失性存储器。
计算机化系统592可以位于云计算环境中，可以包括一个或更多个服务器或计算机的任何组合。
包括处理、计算等(并且在应用中示出)的任何步骤可以由车辆计算机550、由处理器552和/或由计算机化系统592执行。
存储器模块554可以存储执行该应用的任何方法所需的任何信息和/或程序。
车辆的各个部件可以执行方法2100和/或方法2300。
图51示出了表示不同路径段条件的两个标准化滑移图2910和2920的示例。
步骤2170可以包括选择这些滑移图中的一个或者基于这些滑移图中的至少一个来生成新的滑移图。
图52示出了抓地事件、在抓地事件期间、在抓地事件之前和在抓地事件之后的车辆速度2525和车轮速度2520的示例。
可以基于车辆对小障碍物的脉冲响应来估算抓地力。可以鉴于小障碍物的通过、任何其他激励事件(例如制动事件、高速事件、转弯事件)中的一个或更多个来计算抓地力。
当车辆行驶在附着到路面上的小障碍物上时，车辆对其做出响应，好像它被激励一样。如从传感器得到的响应(也被称为脉冲响应)特性(连同其他因素)取决于在车辆和正好在小障碍物之后的路面之间的抓地力水平。
小障碍物具有下面的性质：
a.结构的——当行驶越过它时，上去或/和下来。上去下来表示小隆起部分。
b.与轮胎周长相比纵向短。
示例：
a.路面裂缝。
b.桥缝。
c.小石头。
d.木头树枝。
这种小障碍物通常对车辆施加力，该力可分为：
a.垂直加速度——由于越过小障碍物的轻“跳”。
b.水平减速度——由于“冲撞”到斜坡内。
这些力(加速度)具有瞬时性质，通常它们持续超过亚秒周期。然后，车辆经历“后效应”，其为响应周期。
当离开小障碍物时，遵循上面所述的垂直和水平加速度，车辆经历抑制周期，其中它通常返回到它的稳定状态，例如在光滑的路面上巡航。
为了检测和表征脉冲性质并接着分析响应周期，下面的传感器的输出可以被读取：
a.车轮速度。
b.制动扭矩。
c.发动机扭矩。
下列参数影响信号特性和特征：
a.车辆重量。
b.轮胎压力。
c.轮胎健康状况(硬度)。
d.车辆速度。
e.减震器。
这些传感器可以是实际传感器和/或虚拟传感器，它们的输出基于其他实际传感器的读数被计算。
传感器的读数应该被标准化，以便补偿可能影响传感器的读数的参数(例如上面提到的参数)。
例如，车辆越重，由于同样的小障碍物导致的车轮速度变化就越小。同样适用于较低的轮胎压力或软的减震器/弹簧托座。车辆越快地遇到小障碍物，则车轮速度变化就越大。
图53示出了方法2105。
方法2105可以由车辆计算机(位于车辆内的计算机)、由位于车辆外部的计算机化系统、或由两者执行。由车辆计算机执行方法2100减少了从车辆传输的信息的数量。
方法2105可以由步骤2110和2115开始。
步骤2115可以包括监测制动扭矩和发动机扭矩。
步骤2110可以包括监测多个车轮的车轮速度。
可使用任何车轮传感器。特别是，可以为每个车轮分配一个车轮速度传感器。
步骤2110后面可以是计算车辆速度估计的步骤2120。该估计可以基于来自多个车轮速度传感器的车轮速度信号。
步骤2120和步骤2115后面可以是检测抓地事件的步骤2130’。抓地事件可以包括制动事件、高速事件和转弯事件。可以使用步骤2120的输出来检测这些抓地事件。抓地事件可以通过监测车辆速度来进行检测，但可以通过监测一个或更多个车轮的速度来进行检测。
抓地事件可以包括通过小障碍物，并且车辆对通过小障碍物的脉冲响应可以基于步骤2115和2120的输出来被检测。也可以基于步骤2115的输出来检测中断事件。
图54示出了抓地事件的四个示例——制动事件2131、高速事件2132(例如达到特定速度——例如80km/h)和转弯2133以及通过小障碍物2134。
步骤2130’后面可以是计算激励的步骤2140’以及计算滑移率的步骤2150。
步骤2140’可以包括计算车辆对通过小障碍物的脉冲响应的步骤2146。
滑移率可以按车轮计算，且是在车辆速度与车轮速度之间的关系。在步骤2150期间，可以对车轮速度应用高通滤波器。
步骤2140’和2150后面可以是标准化多个车轮的激励和滑移率以生成标准化激励和标准化滑移率的步骤2160’。
步骤2160’可以包括基于以下来标准化脉冲响应：
标准化激励和标准化滑移率通常远离表示抓地力的损失的激励和抓地力值。例如，假设抓地力损失在20％的激励和1％的激励——标准化激励不超过一半，以及标准化滑移率低于10％。
方法2105可以涉及基于这些标准化激励和标准化滑移率来估计残余抓地力。
例如，该方法可以通过找到相关滑移曲线来估计残余抓地力，并且通过在当前抓地力和与相关抓地力曲线相关联的抓地力点的损失之间比较来计算残余抓地力。
步骤2160’后面可以是基于标准化激励和标准化滑移率来确定相关滑移曲线的步骤2170。每个滑移曲线包括在滑移率值和激励值之间的映射。步骤2170将标准化激励和标准化滑移率拟合到相关滑移曲线。
步骤2170可以从N个(例如210个)可能的滑移曲线的有限组中选择相关滑移曲线，和/或可以基于有限曲线的滑移曲线来推算或以其他方式计算新的滑移曲线。
步骤2180可以包括对相关滑移曲线的确定做出响应。步骤2180可以包括存储相关滑移曲线信息(例如相关滑移曲线的索引或其他标识符)，传输相关滑移曲线，计算实际路径段抓地力信息，等等。
图54示出了步骤2140’的示例。
步骤2140’可以包括步骤9142和/或步骤9144。步骤2140’包括计算车辆对通过过小障碍物的脉冲响应的步骤2146。
步骤2142可以包括选择与抓地事件的至少一个部分相关的车辆速度估计以提供所选择的车辆速度估计，同时忽略与抓地事件的至少一个其他部分相关的其他车辆速度估计。例如，抓地事件可能持续几秒钟，并且多个车轮速度读数可以每秒钟被获得(例如，每秒50到100个车轮速度读数)。
步骤2142可以包括选择一些车轮读数，同时忽略一些其他车轮读数。
可以应用任何选择规则。例如，忽略在抓地事件的开始时期和/或抓地事件的结束时期期间(例如，在抓地事件的持续时间的前20％和/或抓地事件的持续时间的后15％期间)获得的车轮速度读数，忽略与特定加速度和/或减速度值相关联的车轮速度事件，等待直到在加速度或减速度或速度达到稳定状态(并选择稳定状态读数)，等等。
步骤2144可以包括基于选定车辆速度随着时间推移的一个或更多个变化以及基于零个或更多个附加因素来计算激励。
零个或更多个附加因素可用于标准化激励值。激励值可以以任何方式表示一个或更多个变化，例如在包括被选定时间段的持续时间除的选定车辆速度估计的在选定时间段期间的车辆速度的总体变化。
附加因素可以包括车辆行驶和/或制动参数、(车辆经过的)一个或更多个路径段的坡度等。
制动参数可以反映车辆的制动器被激活的方式——泵送与否、制动踏板的位置的任何变化等。例如，制动参数可以反映制动踏板的位置随着时间推移的平均或最小或最大变化中的至少一个。
不同的制动模式(例如模式2171和2172)可以导致不同的激励。坡度可以由路径段的平均或最小或最大坡度中的至少一个表示。
图55示出了步骤2160’的示例。
步骤2160’可以包括步骤2169。步骤2169前面可以是步骤2161、2162、2163、2164、2165、2166、2167、2167’和2168中的至少一个。步骤2160’前面可以是步骤2215(也在图55中示出)。步骤2215可以属于方法2200。
步骤2161可以包括接收或估计气候偏向。气候偏向可以表示与气候变化(例如雨、雾、温度等)相关的抓地力的变化。气候偏向可以由气候传感器(例如湿度传感器、气压计、温度传感器等)测量，和/或可以通过在有限的时间帧(例如三十分钟到几个小时)内找到多个车辆关于同一路径段所经历的抓地力水平之间的相似差异来被检测。
步骤2162可以包括接收或估计车轮有效补片尺寸。
步骤9162可包括接收或估计发动机扭矩和/或制动扭矩。
步骤2164可以包括接收或估计轮胎健康状况。轮胎健康状况被预期非常缓慢地改变(除了在漏气的轮胎的情况下以外)，并且可以被表示为在长时间段内的相对恒定的偏向。
步骤2166可以包括接收或估计车辆的重量。在提交日为2017年9月10日的美国临时专利申请序列号62/556,447中示出了重量估计的非限制性示例。
步骤2167可以包括接收或估计激励。可以采用来自步骤2140的激励。
步骤2167’可以包括接收或估计抓地力。
步骤2168可以包括接收或估计速度。可以采用来自步骤2120的速度。
步骤2169可以包括标准化多个车轮的激励和滑移率以生成标准化激励和标准化滑移率。标准化可以对速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者做出响应。
标准化可以涉及比较不同车辆在经过同一路段时感测的信息，并补偿气候偏向、车轮有效补片、轮胎健康状况、车辆的重量、激励，等等。
步骤2169前面可以是接收和/或学习标准化函数和/或选择规则的步骤2215。
步骤2215可以包括进行训练阶段和/或接收在训练阶段期间学习的输出。
步骤2215可以包括对从传感器的信号提取的特征应用因子和查找表。这些因子和查找表在训练阶段被学习和建立。
给定特定的车辆类型，可在受控环境/试验场上进行一次或更多次测试以得到信号特征。
一个或更多个测试可以在预定义的小障碍物上进行，在例如下列类型的预定义的小障碍物上进行：上升、下降、隆起部分(例如小隆起部分)。
每类型可以由多个小障碍物，其中小障碍物可以彼此在步阶高度、隆起部分的长度、相对于周围环境的定向等中的至少一个方面不同。
测试可以在展示重量、速度、轮胎压力、减震器设置等的至少一个不同值的一种车辆类型中进行。
气候可以在特定测试之间变化。
小障碍物可以被定位于不同抓地力值(Mue的不同值)的附近。
在每次测试期间，读取各个传感器读数(例如车轮速度、制动扭矩和发动机扭矩)以提供车辆在经过小障碍物时的脉冲响应。
计算在传感器的信号与它们的特征、车辆参数(重量、速度、轮胎压力、减震器)和估算抓地力水平之间的关系。这个关系可以被称为标准化函数。
打滑(AP)
上面的文本和图1-55中的至少一些描述了如何计算车辆的参数(车辆DNA)和如何计算道路的参数(SurfaceDNA)。
对打滑事件的发生的任何提及可以被解释为与打滑事件的实际发生或打滑事件的所估计的(但不是实际的)发生相关。例如，当规划路径时，可以基于打滑事件的发生的可能性来选择路径的不同路段。然而对于另一个示例，当车辆感测到物理事件——其为打滑事件时，这作为实际打滑事件被处理。
特定路段的打滑事件的发生的估计可以基于该路段的所计算和/或估计的特征(例如与该路段相关的物理事件)、基于雨的所估计和/或计算的特征、以及基于车辆的所估计和/或计算的参数、以及在(i)雨的所估计的特征、(ii)路段的特征、(iii)打滑的发生、和(iv)车辆的所估计和/或计算的参数(例如轮胎健康状况)之间的映射。
可以基于在各个路段上的先前行驶时段、基于关于以各种方式检测到的打滑事件的信息等等来计算和/或学习该映射。
打滑对车辆的影响可以是各种参数(例如速度、速度的变化、车辆的重量、轮胎健康状况、路段的标称抓地力等)的函数。
打滑可以减小路段的标称抓地力，以及因此路段的修正抓地力水平应该被计算并且当在路段上行驶时应该被考虑(例如，自动确定在路段上的最大行驶速度，确定是在自主模式中还是在非自主模式中操作，等等)。可以例如通过上面提到的用于计算抓地力的任何方法(例如图44的方法2100)来计算路段的标称抓地力。归因于打滑事件的抓地力降低可以表示与当在干燥路段上驾驶车辆时预期的标准化抓地力水平相关联的以及在打滑事件发生时当在车辆内经过相同路段时测量的标准化抓地力之间的差距。
可以通过比较在特定时间窗内经过同一路段的多个车辆的抓地力的减小(例如下面描述的PWT)来检测打滑的发生。
降雨率可以由布置成根据所估计的降雨率来改变雨刮速率的自动雨刮单元来检测。可以处理多个车辆的多个自动雨刮单元的降雨率传感器的读数以排除一个或更多个降雨率传感器的一个或更多个错误读数。
打滑现象的严重性可能与车辆的速度、水位、轮胎螺纹深度和路段特征(例如微观纹理)有关。
水位可以是(i)在一段时间内在一个路段中的累积的降水量下降、(ii)表面微观纹理、(iii)在柏油路面/斜坡中的凹坑、(iv)排水和流动路径等的函数。
轮胎螺纹深度和结构也可以指轮胎健康状况。它使用上面提到的方法中的任一个方法来被估计。TAH是标量参数的名称，该标量参数可用于在通过AP事件时表示在一个轮胎到另一个轮胎之间的抓地力差异，而所有其他参数是相同的。TAH可以由轮胎螺纹深度和结构表示，因为这是对抓地力差异的主要贡献者。
可通过上面提到的方法中的任一个来估计道路路径(表面微观纹理、凹坑、斜坡、排水沟等)的参数。
定义和注释
基线可用抓地力(BAG)——[g]，附着到路段的可用抓地力属性，反映当道路在标称温度下是干燥时的标称抓地力。
降水率(PR)——[mm/h]，在特定时间在特定地理地点处的降雨率(每空间单位)，如由特定指示记录/指示的。
平均降水率(MPR)——[mm/h]，在特定路段处在特定时间点的PR的平均值。
降水窗口时间(PWT)——[min]，用于聚集MPR以确定在路面的水量的窗口时间长度。
总窗口降水量(AWP)——[mm]，在给定的时间内在给定的路段处在PWT期间降下的水的总量(每空间单位)。
打滑抓地力降低(AGD)——[g]，可用抓地力的数量。该方法可能需要在标称速度下从由于AP事件而导致的(干燥路段的)标称可用抓地力减小。
打滑事件(AP)——在车轮下的检测到的AP现象。
轮胎打滑健康状况(TAH)——由于具有给定严重性的AP事件导致的特定车辆的抓地力降低。
标准化打滑事件(NAP)——使用车辆的TAH遵循补偿程序的AP。
降低与降水(DVP)映射——描述在标称车辆速度和标称TAH处每特定路段的AWP和AGD之间的关系的映射(例如表格、方程)。
假设
a.相关降水：基本上，降水包括：雨，冰雹，雪。雨似乎是相关的。该方法可以忽略或可以不忽略其余部分。术语“雨”可以适用于任何相关的降水。
b.该方法可以假设零温度是雨的最小值。在此之下，其可以是雪。
可能存在季节相关问题：具有相同的抓地力水平的两条道路当是干燥的时在下雨时可能具有不同的抓地力降低——且这可以在下雨期间(或在测试期间，其中路段可能被弄湿)被测量。
由于雨导致的抓地力下降在具有AWP的两条道路之间可能不同。也就是说，可能是在低AWP的情况下一条道路比另一条道路差，但在高AWP高的情况下情形翻转。
重复性——该方法可以假设给定相同的AWP在大多数情况下每年在道路上的每个特定位置具有相同的AGD。
PWT。该方法可以假设由于下雨，踏板花费时间来达到最大程度。另一方面，它们由于(i)蒸发-高温、强风、低湿度、(ii)排水路径-水管、(iii)水流路径、(iv)车辆飞溅而被排出。
该方法可以将PWT设置为降水聚集在道路上时的时间窗口：(i)低于其——如果雨持续，该方法仍可在道路上聚集更多的水，(ii)高于其——“老的”降落的雨将开始排出/蒸发。
确切的时间可能与温度、风、湿度的条件有关。
每个路段的PWT可以通过监测该路段来被获知，和/或可以以任何方式来被估计。
AP识别标志：该方法可以假设在车辆中可以检测到表示在踏板上行驶/AP现象及其幅度的信号的识别标志。AP可以被称为具有模板化识别标志和可变幅度的物理事件。
这将由虚拟传感器“检测到的AP”反映，其可以通过使用感测起始速度、发动机/车轮扭矩和幅度中的至少一些的传感器来找到AP事件的发生的识别标志。
AP与速度：该方法可以假设当车辆的速度更高时，AP严重性变得更高。按照特定的AP现象(例如表面微观纹理和水位)。该方法可以定义将AGD与车辆速度相关联的映射(或者可以具有任何其他映射-包括等式)。
因此，获知每水位每路段的单个数字可能就足够了。
AP与总窗口降水(AWP)：该方法可以假设每个路段具有其自己的SurfaceDNA，其按照给定的AWP[mm]将总是生成相同的水位。因此，获知反映每AWP水位或者实际上每AWP的AGD的映射可能就足够了。
车辆中的检测。用于AP处理的第一步骤是车辆内检测——检测物理事件(具有唯一识别标志)，其为AP事件。AP事件的严重性(与抓地力水平的损失相关)可能被雨和路段参数但也被车辆影响(例如轮胎的健康状况)。
假设AP大多随着速度而增加：这就是为什么该方法可以在巡航时检测到AP，假设当在踏板上制动时，车辆可能立即失去速度，因此该现象不太严重。
如果AWP为零(即，在最后一个周期中没有雨迹象)，那么该方法可以假设不能有AP现象。
识别标志检测
可以以各种方式例如在受控测试期间和/或当在AP存在于的路段上行驶时检测AP事件的识别标志。
例如，在水中行驶的记录(试验场，在冬季期间的正常道路)。
识别标志学习过程可以包括收集数据和注释。例如，找到在水平面上的所有试驾：冬天、洒水器等；并找到与AP事件有关的在信号中的特征：加速度、车轮速度、驱动/非驱动等。
可以以各种方式例如通过运行SVM或某个其他机器学习算法并训练其以检测抓地力降低来处理数据。
生成关于抓地力降低的映射——例如按速度和/或按水深。
生成虚拟AP传感器。
一旦机器学习训练算法完成，该方法就可能有准备号的支持向量。该方法可以在车辆中实时地运行SVM算法，使用被找到的支持向量，以便检测AP事件及其严重性。
当检测到AP事件时，该方法可以将各种属性与AP事件——起始速度[km/h]、发动机扭矩/驱动轮扭矩[Nm]、AP严重性[单位更小]、轮胎打滑健康状况(TAH)[单位更小]等——相关联。
降水率虚拟传感器
为了计算在表面上的雨水量，该方法可以生成降水率虚拟传感器。
该虚拟传感器反映在它的发布的时刻和位置处的水/降雨率。
当降雨率>0时，可重复地发布(虚拟)Vsensor。
隐含地，当它没有被检测到时——该方法可以假设降雨率＝0
该方法在车辆中可以有两个潜在的传感器：
a.雨刮传感器——擦拭率。该方法可以假设驾驶员在下雨时操作雨刮。雨刮速度将随着降雨率而变化，因为驾驶员意欲使挡风玻璃变清澈。因此，该方法可以提取雨刮的速率。
b.雨传感器。在现代汽车中，在挡风玻璃后面有光学传感器，其可以(通常根据不透明度或反射)检测在挡风玻璃前面的水量。传感器返回以[％]为单位的值，代表在挡风玻璃上的水量。该方法可以读取该传感器并使用它作为降雨率传感器。
另一个源——气象站：通常，气象站位于道路环境中。该方法可以从他们的数据接近实时地检索降雨率。
为了避免雨刮由于脏的挡风玻璃而被操作的情况：该方法可以忽略与非常短的降雨周期(例如，少于一分钟)相关的指示，或者检测洒水器激活，然后忽略雨刮操作1[分钟]。
车辆速度——该方法可以假设窗口水率随着车辆速度而变得更高。因此，该方法可能应该将速度标准化(补偿速度)。
打滑层
目标是生成地图层，保存在下雨时有AP问题的位置(路段)，以及每降水率[PR]的预期严重性。该层可以被添加到数据结构600’(或可以被包括在数据结构600’中)。
输入
该映射层的主要输入是从车辆的群智到云的数据流，云包括下面的虚拟传感器：(i)AP检测Vsensor，(ii)降水率Vsensor，(iii)轮胎AP健康元数据。
此外，该方法可以从天气状况提供者接收瞬时测量的降水率：(i)每路段/地区的降水率——单位为[mm/h]。
总窗口降水量(AWP)
如上面所定义的，这是以每空间[mm]为单位的总降雨量，其聚集以产生涉水。
它在计算时间之前的时间窗口内被计算为在特定位置处的PR的积分。
窗口的大小(即，在当前时间之前的时间，该方法可能需要聚集雨水)取决于水蒸发的速率。计算涉水深度时，蒸发的水不被聚集。
蒸发速率取决于下面的参数：
a.温度——当温度较高时，水蒸发的速度就越高。
b.湿度——当湿度越低时，蒸发率就越高。
c.风——当风变得更强时，蒸发率变得更高。
上述参数是从沿道路区域的气象报告站接收的，并用于计算以[min]为单位的降水窗口时间(PWT)。当被计算时，该方法可以使用PWT来计算AWP作为在PWT上的PR(t)的积分。
打滑与降水率——映射
可以提供可以反映在PR和每路段的AP危险水平之间的关系的模型(映射)。如上所述，这反映影响AP严重性的SurfaceDNA部件(例如沥青凹坑、微观纹理、堵塞的排水沟等)。通过以[g]为单位的打滑抓地力降低(AGD)来测量AP严重性。
该方法可以假设在路段处的AP现象是以[mm]为单位的总窗口降水量(AWP)的函数。因此，该方法可以定义LUT：AGP与AWP，被表示为：降低与降水(DVP)表。
结构(示例)：
| AWP[mm] | AGD[g]-分辨率0.05[g] |
| 0～2 | |
| 2～5 | |
| 5～10 | |
| 10～20 | |
| >20 |
学习
这个过程在每个行驶时段期间被执行——特定的汽车在特定的道路上行驶几英里，将它的Vsensors传输到云。
阶段#1：AP事件
a.给定：每个车辆的TAH，AP Vsensor实例
b.每时段，遵循路由算法(地图匹配)
c.找到地图节点(路段)，AP在它们中被检测到
d.对于每个AP事件，补偿TAH：
i.通过车辆的TAH系数将AP事件幅度进行因子分解
ii.通常，当TAH是差的时，经补偿(即标准化)的AP幅度将减小
e.生成标准化AP(NAP)事件
i.标准化AP事件是具有标称幅度的AP事件
ii.即，在通过TAH因子分解之后的幅度
阶段#2：降水率(PR)
a.找到所有PR Vsensor。
b.从外部天气源生成额外的PR Vsensor实例(如果有肯定的降雨迹象)
i.建立与天气预报服务的关联
ii.按每个路段的附近区域提取PR值
iii.从该信息生成Vsensor实例(好像它被车辆检测到一样)。
c.移除在时段中的PR指示的外层/误差——太短的PR事件，罕见的PR事件——即，如果没有重新出现太长时间
合并
在接收到相同或不同车辆的几个行驶时段之后，这个过程每时间段(例如，每隔几个小时)在云中被执行，以及在那之后时段中的每个经历上述学习过程。
检查地图中的道路，然后：每道路每时间间隔检查新的学习时段：
阶段#1：PWT
a.计算降水窗口时间(PWT)-[min]
b.给定：温度、风、湿度
阶段#2：MPR
a.给定道路和时间的PWT
b.计算平均降水率(MPR)——使用在同一道路和同一时间窗口内的所有学习时段：
i.对于在同一时间帧左右在路段附近行驶的每个车辆
ii.提取在所述附近处的PR
iii.对所有PR取平均
c.移除外层
阶段#3：AWP
a.给定MPR
b.计算每路段每次的总窗口降水量(AWP)
阶段#4：DVP表
a.按：路段
b.给定：
i.该路段的AWP
ii.在路段中的标准化AP(NAP)事件(见上述阶段#)
c.处理：
i.对NAP取平均并移除外层
ii.生成降低与降水映射
1.按照AWP范围，收集在该范围内给AWP而收集的所有NAP事件
2.对NAP取平均
3.在映射表中填充AWP范围条目
4.最后，我们有描述每个特定路段的每特定PR)的相对NAP值(即，标称抓地力降低)的完整的查找表
使用——打滑预测
在雨天的群智源AP事件之后，该方法可以设法映射：
a.每路段每AWP的AP严重性
b.每车辆：TAH
i.附着到每个车辆的变量(随着时间的推移而老化)
ii.其定义如何标准化AP严重性，以便反映该特定车辆由于AP事件的特定幅度而经历的抓地力降低
现在，假设特定的车辆将要在特定的道路上行驶，该方法可能想要计算在每个路段处的最大安全速度，以便不将可用的抓地力水平降低到预定水平以下。
给定：
a.在车辆前方的每特定路段
b.AWP——在当前时间之前来自群智源或在PWT上的气象站的给定PR
c.轮胎打滑健康状况(TAH)——每特定车辆
从地图检索：
a.从与路段相关的LUT提取的每速度的抓地力降低的值
b.补偿TAH
返回：
a.在损失相当大的抓地力之前的最大安全速度
最后，车辆可以使用该特定速度作为沿这些路段巡航的最大速度。
在前面十页中说明的计算和参数是用于计算和/或预测打滑的方法的非限制性示例。
图56示出了用于驾驶车辆的方法2400，该方法可以包括下面的步骤：
a.接收或生成关于可能与多个路段相关联的雨的雨信息。步骤2402。
b.估计与多个路段中的每个路段相关联的抓地力水平降低。步骤2404。对抓地力水平降低的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段的每个路段相关的在雨信息和抓地力水平降低之间的映射。
c.基于抓地力水平降低执行行驶相关操作。步骤2406。
车辆的雨相关参数可以包括车辆的至少一个轮胎的健康状况。
估计抓地力水平降低的步骤2404可以包括估计在多个路段中的一个或更多个打滑事件的发生的步骤2405。
步骤2404可以包括估计与多个路段中的一个或更多个打滑事件的发生相关联的抓地力水平降低。
该方法可以包括验证车辆的一个或更多个打滑事件的发生的步骤2408。
验证可以包括通过车辆传感器感测车辆在多个路段上行驶时的行为以提供感测结果；以及由车辆在感测结果中搜索一个或更多个打滑识别标志。
步骤2402可以包括累积在降水时间窗口期间获得的雨感知率信息以生成雨信息。
步骤2402可以包括接收或计算每路段的降水窗口时间。
步骤2406可以包括选择性地激活用于自主地驾驶车辆的自主驾驶模块。
步骤2406可以包括下列操作中的至少一个：
a.去激活和/或激活自主驾驶模块，该自主驾驶模块可被配置为在被激活时自主地驾驶车辆。因此，对于车辆在其上具有特定值的标准化抓地力(考虑到在步骤2404期间计算的抓地力降低)的路段，可以激活自主驾驶，对于车辆具有其他值的标准化抓地力(考虑到在步骤2404期间计算的抓地力降低)的路段，可以去激活自主驾驶。应当注意，自主驾驶的激活和/或去激活可以是与多个路段——尤其是与在车辆在其上将具有有问题的抓地力水平的路段之间的距离——相关的抓地力水平的函数，因为每隔几十米开启和关闭自主驾驶可能不是有效的。给定步骤2404的结果，任何函数可以被应用并用于确定如何操作自主驾驶。应该注意，在至少一些情况下，可以通过将车辆的速度设置得足够低以允许车辆的车轮排出足够的水来避免打滑事件的发生，即使在聚集了足够的水以引起(以更高的速度)打滑的路段中也避免打滑事件的发生。因此，自主驾驶可以在有问题的路段中被应用。
b.设置车辆在多个路段中的每个路段中的速度。速度可以被设置为例如在所估计的条件(包括AP事件的可能发生)下不超过与路段相关联的最大安全速度。最大安全速度将使车辆的车轮能够排出足够的水——即使在聚集了足够的水以引起(以更高的速度)打滑的路段中。
c.向车辆的人类驾驶员发警报。这可以是任何音频/视频信息。当干燥机控制车辆时和/或甚至当车辆自主地驾驶时，警报可以被发出。该警报可以指示打滑事件的危险，通知驾驶员关于所推荐的车辆速度等。
d.在打滑事件被预期发生的路段中执行或防止速度的变化(例如加速度或减速度)。
步骤2402可以包括通过至少一个车辆传感器来估计雨感知率。
至少一个车辆传感器可以属于雨刮控制单元。
可以提供一种用于驾驶车辆的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：接收或生成关于可能与多个路段相关联的雨的雨信息；估计与多个路段中的每个路段相关联的抓地力水平降低，其中，对抓地力水平降低的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段中的每个路段相关的在雨信息和抓地力水平降低之间的映射；以及基于抓地力水平降低来执行行驶相关操作。
车辆的雨相关参数可以包括车辆的至少一个轮胎的健康状况。
对抓地力水平降低的估计可以包括估计在多个路段中的一个或更多个打滑事件的发生。
对抓地力水平降低的估计可以包括估计与多个路段中的一个或更多个打滑事件的发生相关联的抓地力水平降低。
非暂时性计算机可读介质可以包括验证车辆的一个或更多个打滑事件的发生。
验证可以包括由车辆传感器感测车辆行驶在多个路段上时的行为以提供感测结果；以及由车辆计算机在感测结果中搜索一个或更多个打滑识别标志。
非暂时性计算机可读介质可以存储用于累积在降水时间窗口期间获得的雨感知率信息以生成雨信息的指令。
行驶相关操作的执行可以包括选择性地激活用于自主地驾驶车辆的自主驾驶模块。
行驶相关操作的执行可以包括选择性地去激活可以被配置成当被激活时自主地驾驶车辆的自主驾驶模块。
行驶相关操作的执行可以包括设置车辆在多个路段中的每个路段中的速度。
非暂时性计算机可读介质可以存储用于通过至少一个车辆传感器来估计雨感知率的指令。
至少一个车辆传感器属于雨刮控制单元。
行驶相关操作的执行可以包括向车辆的人类驾驶员发警报。
可以提供一种用于驾驶车辆的车辆系统，该车辆系统可以包括：可以被配置成执行下列操作中的至少一个的传感器(例如在说明书中和/或在图3、4、20、40、41、42和50中的任一个中示出的任何传感器和/或车辆的任何雨传感器)：(a)感测车辆的行为，和(b)感测雨参数；以及计算机车辆(例如在说明书中和/或在图3、4、20、40、41、42和50中的任一个中示出的任何处理器)，其可以被配置成接收或生成关于可能与多个路段相关联的雨的雨信息；估计与多个路段中的每个路段相关联的抓地力水平降低，其中，对抓地力水平降低的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段中的每个路段相关的在雨信息和抓地力水平降低之间的映射；以及帮助基于抓地力水平降低来执行行驶相关操作。
图56示出了用于估计一个或更多个打滑事件的发生的方法2420，该方法可以包括下面的步骤：
a.接收或生成关于可能与多个路段相关联的雨的雨信息。步骤2402。
b.由车辆计算机估计在多个路段中的一个或更多个打滑事件的发生。步骤2424。对一个或更多个打滑事件的发生的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段中的每个路段相关的在雨信息和一个或更多个打滑事件的发生之间的映射。
方法2420还可以包括下列步骤中的至少一个：
a.基于对一个或更多个打滑事件的发生的估计来执行行驶相关操作的步骤2426。
b.验证车辆的一个或更多个打滑事件的发生的步骤2428。
步骤2428可以包括由车辆传感器感测车辆在多个路段上行驶时的行为以提供感测结果；以及由车辆在感测结果中搜索一个或更多个打滑识别标志。
步骤2402可以包括累积在降水时间窗口期间获得的雨感知率信息以生成雨信息。
步骤2402可以包括接收或计算每路段的降水窗口时间。
步骤2426可以包括下列操作中的至少一个：
a.去激活和/或激活可被配置为在被激活时自主地驾驶车辆的自主驾驶模块。因此，对于车辆在其中具有特定值的标准化抓地力(考虑到在步骤2404期间计算的抓地力降低)的路段，可以激活自主驾驶，对于车辆在其中具有其他值的标准化抓地力(考虑到在步骤2404期间计算的抓地力降低)的路段，可以去激活自主驾驶。应当注意，自主驾驶的激活和/或去激活可以是与多个路段——尤其是与在车辆在其中将具有有问题的抓地力水平的路段之间的距离——相关的抓地力水平的函数，因为每隔几十米开启和关闭自主驾驶可能不是有效的。给定步骤2404的结果，任何函数可以被应用并用于确定如何操作自主地驾驶。应该注意，在至少一些情况下，可以通过将车辆的速度设置得足够低以允许车辆的车轮排出足够的水来避免打滑事件的发生，即使在聚集了足够的水以引起(以更高的速度)打滑的路段中也避免打滑事件的发生。因此，自主驾驶也可以在有问题的路段中被应用。
b.设置多个路段中每个路段的车辆速度。速度可以被设置为在估计的条件下(包括可能发生的AP事件)不超过与路段相关联的最大安全速度。最大安全速度将使车辆的车轮能够排出足够的水——即使是在聚集了足够的水以导致(在更高的速度下)打滑的路段中。
c.向车辆的人类驾驶员发警报。这可以是任何音频/视频信息。当干燥机控制车辆时和/或甚至当车辆自主地驾驶时，警报可以被发出。该警报可以指示打滑事件的危险，通知驾驶员关于所推荐的车辆速度等。
d.在打滑事件被预期发生的路段中执行或防止速度的变化(例如加速度或减速度)。
可以提供一种用于估计一个或更多个打滑事件的发生的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：接收或生成关于可能与多个路段相关联的雨的雨信息；以及由车辆计算机估计多个路段中的一个或更多个打滑事件的发生，其中，对一个或更多个打滑事件的发生的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段中的每个路段相关的在雨信息和一个或更多个打滑事件的发生之间的映射。
非暂时性计算机可读介质可以包括基于对一个或更多个打滑事件的发生的估计来执行行驶相关操作。
非暂时性计算机可读介质可以包括验证车辆的一个或更多个打滑事件的发生。
验证可以包括由车辆传感器感测车辆行驶在多个路段上时的行为以提供感测结果；以及由车辆在感测结果中搜索一个或更多个打滑识别标志。
非暂时性计算机可读介质可以存储用于累积在降水时间窗口期间获得的雨感知率信息以生成雨信息的指令。
行驶相关操作的执行可以包括选择性地激活用于自主地驾驶车辆的自主驾驶模块。
行驶相关操作的执行可以包括选择性地去激活可以被配置成当被激活时自主地驾驶车辆的自主驾驶模块。
行驶相关操作的执行可以包括设置车辆在多个路段中的每个路段中的速度。
非暂时性计算机可读介质可以存储用于通过至少一个车辆传感器估计雨感知率的指令。
至少一个车辆传感器属于雨刮控制单元。
行驶相关操作的执行可以包括向车辆的人类驾驶员发警报。
可以提供一种用于驾驶车辆的车辆系统，该车辆系统可以包括：可以被配置成执行下列操作中的至少一个的传感器(例如在说明书中和/或在图3、4、20、40、41、42和50中的任一个中示出的任何传感器和/或车辆的任何雨传感器)：(a)感测车辆的行为，和(b)感测雨参数；以及计算机车辆(例如在说明书中和/或在图3、4、20、40、41、42和50中的任一个中示出的任何处理器)，其可以被配置成接收或生成关于可能与多个路段相关联的雨的雨信息；以及估计在多个路段中的一个或更多个打滑事件的发生，其中，对一个或更多个打滑事件的发生的估计可以基于雨信息、基于车辆的至少一个雨相关参数以及基于与路段中的每个路段相关的在雨信息和一个或更多个打滑事件的发生之间的映射。
车辆计算机可以被配置成帮助基于对一个或更多个打滑事件的发生的估计来执行行驶相关操作。
可以提供一种用于测量与多个路段相关的物理事件的方法，该方法可以包括：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在车辆可能行驶在多个路段上时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于检测到的物理事件的物理事件信息；以及存储或传输物理事件信息的至少一部分。物理事件可以是打滑事件。例如，图12的方法10’和图13的方法11’中的每一个都可以被修改以检测出物理事件可能是打滑事件。参考图14，关于打滑事件的信息可以被添加到数据库600’，例如到固定大小稀疏层630’或到可变大小稀疏层640’。
可以提供一种用于测量与多个路段相关的物理事件的非暂时性计算机程序产品，其中该非暂时性计算机程序产品存储用于执行下列操作的指令：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在车辆可能行驶在多个路段上时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于检测到的物理事件的物理事件信息；以及存储或传输物理事件信息的至少一部分；其中，物理事件可以包括打滑事件的发生。
可以提供一种用于测量与多个路段相关的物理事件的系统，该系统可以包括车辆计算机，其可以被配置成：(i)从第一车辆传感器接收第一组参数；其中，测量发生在车辆可能行驶在多个路段上时；其中，第一组参数可以包括车轮运动参数和车辆加速度参数；其中，第一车辆传感器不同于道路图像传感器；(ii)检测与在多个路段上的行驶相关的检测到的物理事件，其中，所述检测可以基于第一组参数；生成关于检测到的物理事件的物理事件信息；以及存储或传输物理事件信息的至少一部分；其中，物理事件可以包括打滑事件的发生。
可以提供一种用于生成区域的参考地图的方法，该方法可以包括：通过通信接口从多个车辆接收(a)关于由多个车辆在属于该区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由多个车辆计算的路段属性，路段属性可以与属于该区域的路段相关；其中多个车辆中的车辆的物理事件信息可以基于可以由车辆的第一车辆传感器感测的第一组参数；其中第一组参数可以包括车轮运动参数和车辆加速度参数；其中第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由多个车辆所检测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图；其中检测到的物理事件可以包括打滑事件的发生。参考图21的方法800，步骤810可以包括接收可以指示一个或更多个打滑事件的发生的物理事件信息。步骤820可以包括计算可以反映一个或更多个打滑事件的发生的参考地图。
可以提供一种用于生成区域的参考地图的非暂时性计算机程序产品，该非暂时性计算机程序产品存储用于执行下列操作的指令：通过通信接口从多个车辆接收(a)关于由多个车辆行驶在属于该区域的路段上时所检测到检测到的物理事件的物理事件信息，以及(b)由多个车辆计算的路段属性，路段属性可以与属于该区域的路段相关；其中多个车辆中的车辆的物理事件信息可以基于可以由车辆的第一车辆传感器感测的第一组参数；其中第一组参数可以包括车轮运动参数和车辆加速度参数；其中第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由多个车辆所检测到的检测到的物理事件的物理事件信息和由多个车辆计算的路段属性来计算参考地图；其中检测到的物理事件可以包括打滑事件的发生。
可以提供一种用于确定行驶时段的方法，该方法可以包括：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中车辆简档可以至少基于道路路径和车辆参数来被生成；其中道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的车辆传感器感测；以及由车辆计算机确定针对在车辆前方的路径的建议的行驶参数，其中，该计算可以至少部分地基于车辆简档、路径部分坡度、外在限制和与一个或更多个打滑事件相关的信息。参考图28的方法1200，步骤1220可以对可包括一个或更多个打滑事件的(实际或预期)发生的外在限制做出响应。
可以提供一种用于确定行驶时段的非暂时性计算机程序产品，该非暂时性计算机程序产品存储用于执行下列操作的指令：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中车辆简档可以至少基于道路路径和车辆参数来被生成；其中道路路径和车辆参数中的至少一些可以由不同于道路图像传感器的车辆传感器感测；以及由车辆计算机确定针对在车辆前方的路径的建议的行驶参数，其中该计算可以至少部分地基于车辆简档、路径部分坡度、和外在限制，例如一个或更多个打滑事件的方式。
术语“包括(including)”、“包括(comprising)”、“具有”、“由...组成”和“基本上由...组成”以可互换的方式被使用。例如，任何方法可以至少包括在附图中和/或在说明书中包括的步骤，只有在附图和/或说明书中包括的步骤。
在前述说明书中，参考本发明的实施例的特定示例描述了本发明。然而将明显，可以在其中进行各种修改和改变而不偏离如所附权利要求中阐述的本发明的更宽的精神和范围。
此外，在描述中和在权利要求中的术语“前”、“后”、“后部”、“顶部”、“底部”、“在...之上”、“在...之下”和诸如此类(如果有的话)用于描述性目的，且不一定用于描述永久相对位置。应当理解，这样使用的术语在适当的情况下是可互换的，使得本文所描述的本发明的实施例例如能够在除了本文所示的或以其他方式描述的那些定向之外的其它定向上操作。
如在本文讨论的连接可以是适合于例如经由中间设备从相应的节点、单元或设备传送信号或者将信号传送到相应的节点、单元或设备的任何类型的连接。因此，除非另外暗示或规定，否则连接可以例如是直接连接或间接连接。可以关于单个连接、多个连接、单向连接或双向连接来示出或描述连接。然而，不同的实施例可以改变连接的实现。例如，可以使用单独的单向连接而不是双向连接，反之亦然。此外，可以用连续地或以时间复用方式传送多个信号的单个连接代替多个连接。同样，携带多个信号的单个连接可以被分离成携带这些信号的子集的各种不同的连接。因此，用于传送信号的很多选择存在。
虽然在示例中描述了电位的特定的导电类型或极性，但将认识到，电位的导电类型和极性可以反转。
本领域中的技术人员将认识到，在各种部件之间的边界仅仅是说明性的，并且可选实施例可以合并各种部件或者对各种部件施加功能的替代分解。因此应当理解，在本文所描绘的体系结构仅仅是示例性的，以及实际上实现相同功能的许多其它体系结构可以被实现。
实现相同功能的部件的任何布置被有效地“关联”，使得期望的功能被实现。因此，在本文被组合来实现特定功能的任何两个部件可以被看作与彼此“相关联”，使得期望的功能被实现，而不考虑体系结构或中间部件。同样，这样关联的任何两个部件也可以被视为“可操作地连接”或“可操作地耦合”到彼此以实现期望的功能。
此外，本领域中的技术人员将认识到在上述操作之间的边界仅仅是说明性的。多个操作可以组合成单个操作，单个操作可以分布在附加操作中，并且操作可以在时间上至少部分地重叠地被执行。此外，替代实施例可以包括特定操作的多个实例，并且操作的顺序可以在各种其它实施例中改变。
然而，其它修改、变化和备选方案也是可能的。因此，说明书和附图在说明性意义上而不是在限制性意义上被考虑。
可以提供在任何附图和/或说明书和/或权利要求中示出的系统或设备或装置的任何部件和/或单元的任何组合。
可以提供在任何附图和/或说明书和/或权利要求中示出的任何系统和/或设备和/或装置的任何组合。
可以提供在任何附图和/或说明书和/或权利要求中示出的任何步骤、操作或方法的任何组合。
可以提供在任何附图和/或说明书和/或权利要求中示出的操作的任何组合。
可以提供在任何附图和/或说明书和/或权利要求中示出的方法的任何组合。
可以提供可以存储用于执行在任何附图和/或说明书和/或权利要求中示出的步骤、操作和/或方法的组合的指令的一个或更多个非暂时性计算机可读介质。
可以提供被构造和布置成执行在任何附图和/或说明书和/或权利要求中示出的步骤、操作和/或方法的任何组合的一个或更多个装置和/或系统和/或单元。
术语“被配置成”和“被构造成”及“被布置成”以可互换的方式被使用。
短语“可以是X”指示条件X可能被满足。这个短语也暗示条件X可能不被满足。
本领域中的技术人员将认识到，在逻辑块之间的边界仅仅是说明性的，以及可选实施例可以合并逻辑块或电路元件或者对各种逻辑块或电路元件施加功能的替代分解。因此应当理解，在本文所描绘的体系结构仅仅是示例性的，以及实际上实现相同功能的许多其它体系结构可以被实现。
实现相同功能的部件的任何布置被有效地“关联”，使得期望的功能被实现。因此，在本文被组合来实现特定功能的任何两个部件可以被看作与彼此“相关联”，使得期望的功能被实现，而不考虑体系结构或中间部件。同样，这样关联的任何两个部件也可以被视为“可操作地连接”或“可操作地耦合”到彼此以实现期望的功能。
此外，本领域中的技术人员将认识到，在上述操作之间的边界仅仅是说明性的。多个操作可以组合成单个操作，单个操作可以分布在附加操作中，并且操作可以在时间上至少部分地重叠地被执行。此外，可选实施例可以包括特定操作的多个实例，并且操作的顺序可以在各种其它实施例中改变。
此外例如，在一个实施例中，所示示例可以被实现为位于单个集成电路上或在同一设备内的电路。另选地，该示例可被实现为以合适方式与彼此互连的任何数目的单独集成电路或单独设备。
此外例如，示例或其部分可以被实现为例如以任何适当类型的硬件描述语言的物理电路的软或代码表示或者可转换成物理电路的逻辑表示。
此外，本发明不限于在不可编程硬件中实现的物理设备或单元，但也还可以在能够通过根据适当的程序代码进行操作来执行期望的设备功能的可编程设备或单元例如大型机、小型计算机、服务器、工作站、个人计算机、记事本、个人数字助理、电子游戏、汽车和其他嵌入式系统、蜂窝电话和在本申请中通常被表示为“计算机系统”的各种其他无线设备中被应用。
在权利要求中，放置在括号之间的任何参考符号不应被解释为限制权利要求。词“包括”不排除除了在权利要求中列出的那些元素或步骤之外的其他元素或步骤的存在。此外，如本文所使用的术语“一个(a)”或“一个(an)”被定义为一个或多于一个。此外，在权利要求中的引导性短语例如“至少一个”和“一个或更多个”的使用不应被解释为暗示由不定冠词“a”或“an”对另一个权利要求元素的引入将包含这样引入的权利要求元素的任何特定权利要求限制到仅包含一个这样的元素的发明，即使同一权利要求包括引导性短语“一个或更多个”或“至少一个”和不定冠词，例如“a”或“an”。同理适用于定冠词的使用。除非另有说明，术语例如“第一”和“第二”用于任意地区分开这样的术语所描述的元素。因此，这些术语不一定意欲指示这样的元素的时间或其它优先级。在相互不同的权利要求中陈述某些措施的起码事实并不指示这些措施的组合不能被有利地使用。
虽然在本文示出和描述了本发明的某些特征，但本领域中的普通技术人员现在将想到许多修改、替换、改变和等同物。因此应当理解，所附权利要求意欲涵盖如落在本发明的真实精神内的所有这样的修改和改变。
Claims (323)
1.一种用于估计路段的高度的方法，所述方法包括：
通过车辆的气压计并且在给定的行驶时段期间测量内部车辆压力以提供多个气压计测量结果；其中，所述测量发生在所述车辆经过所述路段时；
通过计算机来补偿气压计影响车辆状况以提供多个经补偿的气压计测量结果；以及
将所述多个经补偿的气压计测量结果与在由多个车辆执行的多个其他行驶时段期间获得的气压计信息合并，从而提供所述路段的高度估计；其中，所述合并包括执行时段恒定偏移补偿和时段间偏移补偿。
2.根据权利要求1所述的方法，其中，所述合并包括搜索重叠节点，其中，每个重叠节点对应于同一位置并且属于多个时段。
3.根据权利要求2所述的方法，其中，所述合并包括用于使与同一重叠节点相关的不同时段的高度估计基本上相等的结合过程。
4.根据权利要求3所述的方法，包括基于在所述结合过程期间引入的重叠节点的高度估计的变化来改变对非重叠节点的高度估计。
5.根据权利要求4所述的方法，其中，改变对所述非重叠节点的高度估计包括根据预定义的高度调整分布沿着时段来分布高度调整。
6.根据权利要求5所述的方法，其中，所述预定义的高度调整分布是均匀分布的高度调整分布。
7.根据权利要求3所述的方法，其中，所述时段恒定偏移补偿包括减小在重叠节点之间的高度差而不结合所述重叠节点。
8.根据权利要求3所述的方法，其中，所述时段间偏移补偿包括所述结合过程。
9.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况是基于由所述气压计和由不同于所述气压计的至少一个其他车辆传感器提供的信息。
10.根据权利要求9所述的方法，其中，所述至少一个其他车辆传感器是加速度计。
11.根据权利要求1所述的方法，其中，所述合并包括计算与重叠节点相关联的高度估计的统计；以及基于所述统计来排除一个或更多个高度估计。
12.根据权利要求1所述的方法，包括将所述多个经补偿的气压计测量结果传输到位于所述车辆外部的计算机化系统，并且其中，所述合并由所述计算机化系统执行。
13.根据权利要求1所述的方法，其中，所述合并的至少一部分由所述车辆的计算机执行。
14.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况包括对所述气压计测量结果进行低通滤波。
15.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况包括确定忽略所述气压计测量结果中的至少一些。
16.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况包括确定忽略所述气压计测量结果中的至少一些。
17.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况包括当由与两个点相关的气压计测量结果所反映的在所述两个点之间延伸的道路部分的坡度超过最大坡度阈值时确定忽略所述气压计测量结果中的至少一些。
18.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆状况包括计算气压计影响事件对至少一个气压计测量结果的值的影响。
19.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆在所述气压计测量结果被采用时对车辆的加速做出响应。
20.根据权利要求1所述的方法，其中，补偿所述气压计影响车辆在所述气压计测量结果被采用时对车辆的减速做出响应。
21.一种用于估计路段的高度的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于执行下列操作的指令：
通过车辆的气压计并且在给定的行驶时段期间测量内部车辆压力以提供多个气压计测量结果；其中，所述测量发生在所述车辆经过所述路段时；
通过计算机来补偿气压计影响车辆状况以提供多个经补偿的气压计测量结果；以及
将所述多个经补偿的气压计测量结果与在由多个车辆执行的多个其他行驶时段期间获得的气压计信息合并，从而提供对所述路段的高度估计；其中，所述合并包括执行时段恒定偏移补偿和时段间偏移补偿。
22.根据权利要求21所述的非暂时性计算机程序产品，其中，所述合并包括搜索重叠节点，其中，每个重叠节点对应于同一位置并且属于多个时段。
23.根据权利要求22所述的非暂时性计算机程序产品，其中，所述合并包括用于使与同一重叠节点相关的不同时段的高度估计基本上相等的结合过程。
24.根据权利要求23所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于在所述结合过程期间引入的重叠节点的高度估计的变化来改变非重叠节点的高度估计的指令。
25.根据权利要求24所述的非暂时性计算机程序产品，其中，改变所述非重叠节点的高度估计包括根据预定义的高度调整分布沿着时段来分布高度调整。
26.根据权利要求25所述的非暂时性计算机程序产品，其中，所述预定义的高度调整分布是均匀分布的高度调整分布。
27.根据权利要求26所述的非暂时性计算机程序产品，其中，所述时段恒定偏移补偿包括减小在重叠节点之间的高度差而不结合所述重叠节点。
28.根据权利要求26所述的非暂时性计算机程序产品，其中，所述时段间偏移补偿包括所述结合过程。
29.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况基于由所述气压计和由不同于所述气压计的至少一个其他车辆传感器提供的信息。
30.根据权利要求29所述的非暂时性计算机程序产品，其中，所述至少一个其他车辆传感器是加速度计。
31.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况基于气压计测量结果模式。
32.根据权利要求21所述的非暂时性计算机程序产品，其中，所述合并包括计算与重叠节点相关联的高度估计的统计；以及基于所述统计来排除一个或更多个高度估计。
33.根据权利要求21所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于将所述多个经补偿的气压计测量结果传输到位于所述车辆外部的计算机化系统的指令，并且其中，所述合并由所述计算机化系统执行。
34.根据权利要求21所述的非暂时性计算机程序产品，其中，所述补偿所述合并的至少一部分由所述车辆的计算机执行。
35.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况包括对所述气压计测量结果进行低通滤波。
36.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况包括确定忽略所述气压计测量结果中的至少一些。
37.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况包括确定忽略所述气压计测量结果中的至少一些。
38.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况包括当由与两个点相关的气压计测量结果所反映的在所述两个点之间延伸的道路部分的坡度超过最大坡度阈值时确定忽略所述气压计测量结果中的至少一些。
39.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆状况包括计算气压计影响事件对至少一个气压计测量结果的值的影响。
40.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆在所述气压计测量结果被采用时对车辆的加速做出响应。
41.根据权利要求21所述的非暂时性计算机程序产品，其中，补偿所述气压计影响车辆在所述气压计测量结果被采用时对车辆的减速做出响应。
42.一种用于测量与多个路段相关的物理事件的方法，所述方法包括：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在所述车辆行驶在所述多个路段上时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在所述多个路段上的行驶相关的检测到的物理事件，其中，所述检测基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分。
43.根据权利要求42所述的方法，其中，所述检测到的物理事件选自包括以下项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
44.根据权利要求42所述的方法，其中，所述检测到的物理事件包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
45.根据权利要求42所述的方法，其中，所述第一车辆传感器包括加速度计和多个车轮运动传感器。
46.根据权利要求42所述的方法，包括计算路段属性。
47.根据权利要求46所述的方法，其中，所述路段属性包括下列项中的至少一个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
48.根据权利要求46所述的方法，其中所述路段属性包括下列项中的至少三个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
49.根据权利要求42所述的方法，包括计算所述物理事件的位置。
50.根据权利要求42所述的方法，包括基于在对应于所述第一组参数的测量的时间点与所述物理事件相关联的不同车辆部件的位置来计算所述物理事件的位置。
51.根据权利要求42所述的方法，包括：计算在(a)所述多个路段的参考地图和(b)所述物理事件信息之间的差异，所述参考地图包括关于与所述多个路段相关的先前检测到的物理事件的参考信息；以及其中，传输所述差异中的至少一些。
52.根据权利要求42所述的方法，包括接收或计算所述多个路段的参考地图，所述参考地图包括(a)关于与所述多个路段相关的先前检测到的物理事件的参考信息，以及(b)与所述多个路段相关的参考路段属性。
53.根据权利要求52所述的方法，包括基于所述参考地图和检测到的物理事件的序列来确定所述车辆的位置。
54.根据权利要求52所述的方法，包括通过在所述参考地图内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定所述车辆的位置。
55.根据权利要求52所述的方法，包括通过在所述参考地图内搜索与强制性检测到的物理事件的序列相符的强制性物理事件的参考序列来确定所述车辆的位置。
56.根据权利要求52所述的方法，其中，所述参考地图包括基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息。
57.根据权利要求56所述的方法，其中，所述参考地图包括存储关于与所述多个路段相关的所述先前检测到的物理事件的所述参考信息的层。
58.根据权利要求57所述的方法，包括通过在所述层内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定所述车辆的位置。
59.根据权利要求58所述的方法，其中，所述搜索包括扫描由所述基层表示的路段，以及检索关于与被扫描的路段相关的先前检测到的物理事件的参考信息。
60.根据权利要求59所述的方法，其中，所述检索包括应用散列函数来找出关于先前检测到的物理事件的所述参考信息。
61.根据权利要求52所述的方法，其中，所述参考地图包括：(a)基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息；以及(b)一个或更多个稀疏层，所述一个或更多个稀疏层包括关于所述多个路段中的仅仅一些路段的附加信息；其中，所述一个或更多个稀疏层链接到所述基层。
62.根据权利要求61所述的方法，包括基于所述一个或更多个稀疏层和所述车辆的位置来生成行驶指令。
63.根据权利要求52所述的方法，其中，所述参考地图包括固定字段大小稀疏层和可变大小稀疏层；其中，所述可变大小稀疏层包括所述参考物理事件信息。
64.根据权利要求52所述的方法，包括接收用于更新所述参考地图的一部分的参考地图更新，以及更新所述参考地图的所述一部分而不更新所述参考地图的未更新的部分。
65.根据权利要求52所述的方法，其中，所述参考地图包括存储关于与所述车辆或与所述车辆的驾驶员相关联的行驶模式的信息的私有字段，并且包括公共字段。
66.根据权利要求42所述的方法，还包括至少基于所述第一组参数来生成虚拟传感器信息。
67.根据权利要求42所述的方法，还包括通过使用图像传感器来确定所述车辆的横向位置。
68.根据权利要求42所述的方法，其中，所述物理事件信息包括所述检测到的物理事件的标准化幅度。
69.一种用于测量与多个路段相关的物理事件的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在所述车辆行驶在所述多个路段上时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在所述多个路段上的行驶相关的检测到的物理事件，其中，所述检测是基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分。
70.根据权利要求69所述的非暂时性计算机程序产品，其中，所述检测到的物理事件选自包括以下列项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
71.根据权利要求69所述的非暂时性计算机程序产品，其中，所述检测到的物理事件包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
72.根据权利要求69所述的非暂时性计算机程序产品，其中，所述第一车辆传感器包括加速度计和多个车轮运动传感器。
73.根据权利要求69所述的非暂时性计算机程序产品，所述存储指令用于计算路段属性。
74.根据权利要求73所述的非暂时性计算机程序产品，其中，所述路段属性包括下列项中的至少一个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
75.根据权利要求73所述的非暂时性计算机程序产品，其中，所述路段属性包括下列项中的至少三个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
76.根据权利要求69所述的非暂时性计算机程序产品，所述存储指令用于计算所述物理事件的位置。
77.根据权利要求69所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于在对应于所述第一组参数的测量的时间点与所述物理事件相关联的不同车辆部件的位置来计算所述物理事件的位置的指令。
78.根据权利要求69所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于执行下列操作的指令：计算在(a)所述多个路段的参考地图和(b)所述物理事件信息之间的差异，所述参考地图包括关于与所述多个路段相关的先前检测到的物理事件的参考信息；以及其中，传输所述差异中的至少一些。
79.根据权利要求69所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于接收或计算所述多个路段的参考地图的指令，所述参考地图包括(a)关于与所述多个路段相关的先前检测到的物理事件的参考信息，以及(b)与所述多个路段相关的参考路段属性。
80.根据权利要求79所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述参考地图和检测到的物理事件的序列来确定所述车辆的位置的指令。
81.根据权利要求79所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于通过在所述参考地图内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定所述车辆的位置的指令。
82.根据权利要求79所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于通过在所述参考地图内搜索与强制性检测到的物理事件的序列相符的强制性物理事件的参考序列来确定所述车辆的位置的指令。
83.根据权利要求79所述的非暂时性计算机程序产品，其中，所述参考地图包括基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息。
84.根据权利要求83所述的非暂时性计算机程序产品，其中，所述参考地图包括存储关于与所述多个路段相关的所述先前检测到的物理事件的所述参考信息的层。
85.根据权利要求84所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于通过在所述层内搜索与检测到的物理事件的序列相符的物理事件的参考序列来确定所述车辆的位置的指令。
86.根据权利要求85所述的非暂时性计算机程序产品，其中，所述搜索包括扫描由所述基层表示的路段，以及检索关于与所扫描的路段相关的先前检测到的物理事件的参考信息。
87.根据权利要求85所述的非暂时性计算机程序产品，其中，所述检索包括应用散列函数来找出关于先前检测到的物理事件的所述参考信息。
88.根据权利要求79所述的非暂时性计算机程序产品，其中，所述参考地图包括(a)基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息，以及(b)一个或更多个稀疏层，所述一个或更多个稀疏层包括关于所述多个路段中的仅仅一些路段的附加信息；其中，所述一个或更多个稀疏层链接到所述基层。
89.根据权利要求88所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述一个或更多个稀疏层和所述车辆的位置来生成行驶指令的指令。
90.根据权利要求79所述的非暂时性计算机程序产品，其中，所述参考地图包括固定字段大小稀疏层和可变大小稀疏层；其中，所述可变大小稀疏层包括所述参考物理事件信息。
91.根据权利要求79所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于接收用于更新所述参考地图的一部分的参考地图更新以及更新所述参考地图的所述一部分而不更新所述参考地图的未更新的部分的指令。
92.根据权利要求79所述的非暂时性计算机程序产品，其中，所述参考地图包括存储关于与所述车辆或与所述车辆的驾驶员相关联的行驶模式的信息的私有字段，并且包括公共字段。
93.根据权利要求69所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于至少基于所述第一组参数来生成虚拟传感器信息的指令。
94.根据权利要求69所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于通过使用图像传感器来确定所述车辆的横向位置的指令。
95.根据权利要求69所述的非暂时性计算机程序产品，其中，所述物理事件信息包括所述检测到的物理事件的标准化幅度。
96.一种用于测量与多个路段相关的物理事件的系统，所述系统包括：车辆计算机，所述车辆计算机被配置成：(i)从第一车辆传感器接收第一组参数；其中，所述测量发生在所述车辆行驶在所述多个路段上时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；(ii)检测与在所述多个路段上的行驶相关的检测到的物理事件，其中，所述检测是基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或帮助传输所述物理事件信息的至少一部分。
97.一种用于生成区域的参考地图的方法，所述方法包括：通过通信接口从多个车辆接收(a)关于由所述多个车辆在属于所述区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由所述多个车辆计算的路段属性，所述路段属性与属于所述区域的路段相关；其中，所述多个车辆中的车辆的物理事件信息是基于由所述车辆的第一车辆传感器感测的第一组参数；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由所述多个车辆所检测到的检测到的物理事件的所述物理事件信息和由所述多个车辆计算的所述路段属性来计算所述参考地图。
98.根据权利要求97所述的方法，其中，所述检测到的物理事件选自包括下列项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
99.根据权利要求97所述的方法，其中，所述检测到的物理事件包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
100.根据权利要求97所述的方法，其中，所述第一车辆传感器包括加速度计和多个车轮运动传感器。
101.根据权利要求97所述的方法，其中，所述路段属性包括下列项中的至少一个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
102.根据权利要求97所述的方法，其中，所述路段属性包括下列项中的至少三个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
103.根据权利要求97所述的方法，其中，所述参考地图包括(a)关于与所述多个路段相关的先前检测到的物理事件的参考信息，以及(b)与所述多个路段相关的参考路段属性。
104.根据权利要求97所述的方法，其中，所述参考地图包括基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息。
105.根据权利要求104所述的方法，其中，所述参考地图包括存储关于与所述多个路段相关的所述先前检测到的物理事件的所述参考信息的层。
106.根据权利要求97所述的方法，其中，所述参考地图包括(a)基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息，以及(b)一个或更多个稀疏层，所述一个或更多个稀疏层包括关于所述多个路段中的仅仅一些路段的附加信息；其中，所述一个或更多个稀疏层链接到所述基层。
107.根据权利要求97所述的方法，其中，所述参考地图包括固定字段大小稀疏层和可变大小稀疏层；其中，所述可变大小稀疏层包括所述参考物理事件信息。
108.根据权利要求97所述的方法，其中，所述参考地图包括存储关于与所述车辆或与所述车辆的驾驶员相关联的行驶模式的信息的私有字段，并且包括公共字段。
109.根据权利要求97所述的方法，其中，所述物理事件信息包括所述检测到的物理事件的标准化幅度。
110.一种用于生成区域的参考地图的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于执行下列操作的指令：
通过通信接口从多个车辆接收(a)关于由所述多个车辆在属于所述区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由所述多个车辆计算的路段属性，所述路段属性与属于所述区域的路段相关；其中，所述多个车辆中的车辆的物理事件信息基于由所述车辆的第一车辆传感器感测的第一组参数；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；以及
由计算机化系统基于关于由所述多个车辆所检测到的检测到的物理事件的所述物理事件信息和由所述多个车辆计算的所述路段属性来计算所述参考地图。
111.根据权利要求110所述的非暂时性计算机程序产品，其中，所述检测到的物理事件选自包括下列项的组：碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
112.根据权利要求110所述的非暂时性计算机程序产品，其中，所述检测到的物理事件包括碰撞、滑移、侧滑、旋转、纬度旋转和经度旋转。
113.根据权利要求110所述的非暂时性计算机程序产品，其中，所述第一车辆传感器包括加速度计和多个车轮运动传感器。
114.根据权利要求110所述的非暂时性计算机程序产品，其中，所述路段属性包括下列项中的至少一个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
115.根据权利要求110所述的非暂时性计算机程序产品，其中，所述路段属性包括下列项中的至少三个路段属性：(i)包括所述路段的一组路段的曲率；(ii)所述路段的纵向坡度，(iii)所述路段的横向坡度，(iv)与所述路段相关的抓地力水平，(v)所述路段的起伏度。
116.根据权利要求110所述的非暂时性计算机程序产品，其中，所述参考地图包括：(a)关于与所述多个路段相关的先前检测到的物理事件的参考信息，以及(b)与所述多个路段相关的参考路段属性。
117.根据权利要求110所述的非暂时性计算机程序产品，其中，所述参考地图包括基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息。
118.根据权利要求117所述的非暂时性计算机程序产品，其中，所述参考地图包括存储关于与所述多个路段相关的所述先前检测到的物理事件的所述参考信息的层。
119.根据权利要求110所述的非暂时性计算机程序产品，其中，所述参考地图包括(a)基层，所述基层存储关于所述多个路段的位置和在所述多个路段之间的空间关系的信息，以及(b)一个或更多个稀疏层，所述一个或更多个稀疏层包括关于所述多个路段中的仅仅一些路段的附加信息；其中，所述一个或更多个稀疏层链接到所述基层。
120.根据权利要求110所述的非暂时性计算机程序产品，其中，所述参考地图包括固定字段大小稀疏层和可变大小稀疏层；其中，所述可变大小稀疏层包括所述参考物理事件信息。
121.根据权利要求110所述的非暂时性计算机程序产品，其中，所述参考地图包括存储关于与所述车辆或与所述车辆的驾驶员相关联的行驶模式的信息的私有字段，并且包括公共字段。
122.根据权利要求110所述的非暂时性计算机程序产品，其中，所述物理事件信息包括所述检测到的物理事件的标准化幅度。
123.一种用于生成区域的参考地图的系统，所述系统包括：通信接口，所述通信接口被配置成：从多个车辆接收(a)关于由所述多个车辆在属于所述区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由所述多个车辆计算的路段属性，所述路段属性与属于所述区域的路段相关；其中，所述多个车辆中的车辆的物理事件信息基于由所述车辆的第一车辆传感器感测的第一组参数；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；以及处理器，所述处理器被配置成基于关于由所述多个车辆所检测到的检测到的物理事件的所述物理事件信息和由所述多个车辆计算的所述路段属性来计算所述参考地图。
124.一种用于生成车辆简档的方法，所述方法包括：收集车辆简档信息候选项，其中车辆简档信息候选项包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，所述道路路径和所述车辆参数中的至少一些是由不同于道路图像传感器的第一车辆传感器感测到的；以及至少基于所述车辆简档信息候选项来生成所述车辆简档；其中，所述车辆简档基本上由下列项组成：
(i)巡航数据结构，所述巡航数据结构包括关于针对第一组道路路径和车辆参数的不同值的与所述车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，
(ii)怠速减速度数据结构，所述怠速减速度数据结构包括关于针对第二组道路路径和车辆参数的不同值的与所述车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，
(iii)加速度数据结构，所述加速度数据结构包括针对第三组道路路径和车辆参数的不同值的与所述车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息。
125.根据权利要求124所述的方法，其中，所述巡航数据结构基本上由所述巡航燃料消耗参数的值组成。
126.根据权利要求125所述的方法，其中，所述第一组道路路径和车辆参数基本上由车辆速度、路段坡度、车辆重量、和一个或更多个传动系统参数组成。
127.根据权利要求126所述的方法，其中，所述传动系统参数包括档位和节气门位置。
128.根据权利要求124所述的方法，其中，所述怠速减速度结构基本上由所述怠速减速度距离的值组成。
129.根据权利要求128所述的方法，其中，所述第二组道路路径和车辆参数基本上由起始车辆速度、路段坡度、和车辆重量组成。
130.根据权利要求128所述的方法，其中，所述第二组道路路径和车辆参数基本上由起始车辆速度、路段坡度、车辆重量和一个或更多个传动系统参数组成。
131.根据权利要求130所述的方法，其中，所述传动系统参数包括档位。
132.根据权利要求124所述的方法，其中，所述巡航数据结构基本上由所述加速度燃料消耗参数的值组成。
133.根据权利要求132所述的方法，其中，所述第三组道路路径和车辆参数基本上由起始车辆速度、路段坡度、车辆重量、加速度距离和一个或更多个传动系统参数组成。
134.根据权利要求133所述的方法，其中，所述传动系统参数包括档位和节气门位置。
135.根据权利要求124所述的方法，包括基于路径段的坡度与下述项之间的比较来排除车辆简档信息候选项：在(i)所述路径段的两端之间的高度差和(ii)所述路径段的水平投影的长度之间的比率。
136.根据权利要求124所述的方法，还包括基于所述车辆简档来使车辆动态地群集。
137.根据权利要求136所述的方法，还包括计算每个群集的群集简档。
138.根据权利要求137所述的方法，还包括至少基于包括所述车辆的群集的群集简档来更新所述巡航数据结构、所述怠速减速度数据结构、和所述加速度数据结构中的至少一者。
139.根据权利要求124所述的方法，还包括压缩所述车辆简档以生成压缩的车辆简档。
140.根据权利要求139所述的方法，其中，所述压缩包括计算在相关道路路径和车辆参数之间的数学关系，以及从所述巡航数据结构、所述怠速减速度数据结构、和所述加速度数据结构中的至少一者移除关于所述相关道路路径和车辆参数中的至少一者的信息。
141.根据权利要求139所述的方法，其中，所述压缩包括移除与车辆速度的子组相关的道路路径和车辆参数。
142.根据权利要求139所述的方法，其中，所述压缩包括使用一个或更多个道路路径和车辆参数作为关键字而不将所述一个或更多个道路路径和车辆参数存储在任何一个所述车辆简档中。
143.根据权利要求124所述的方法，其中，所述车辆简档的生成包括针对第一组道路路径和车辆参数的特定值推算所述巡航燃料消耗参数的值，其中，所述推算针对所述第一组道路路径和车辆参数的特定其他测量值对所述巡航燃料消耗参数的值做出响应。
144.根据权利要求124所述的方法，还包括计算针对在所述车辆前方的路径的建议的行驶参数，其中，所述计算至少部分地基于所述车辆简档、路径部分坡度和外在限制。
145.根据权利要求144所述的方法，其中，所述计算包括将所述路径虚拟地分割成多个部分，每个部分包括具有基本上相同的坡度和基本上相同的外在限制的一个或更多个路径段。
146.根据权利要求145所述的方法，包括基于与每个部分相关的坡度和最大速度限制来找到关于该部分的最佳速度。
147.根据权利要求124所述的方法，其中，所述车辆简档包括所述巡航数据结构、所述怠速减速度数据结构、和所述加速度数据结构。
148.一种用于生成车辆简档的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：
收集车辆简档信息候选项，其中，车辆简档信息候选项包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，所述道路路径和所述车辆参数中的至少一些是由不同于道路图像传感器的第一车辆传感器感测到的；以及
至少基于所述车辆简档信息候选项来生成所述车辆简档；其中，所述车辆简档基本上由下列项组成：
(i)巡航数据结构，所述巡航数据结构包括关于针对第一组道路路径和车辆参数的不同值的与所述车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，
(ii)怠速减速度数据结构，所述怠速减速度数据结构包括关于针对第二组道路路径和车辆参数的不同值的与所述车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，
(iii)加速度数据结构，所述加速度数据结构包括针对第三组道路路径和车辆参数的不同值的与所述车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息。
149.一种用于生成车辆简档的计算机化系统，所述计算机化系统包括：
收集模块，所述收集模块用于收集车辆简档信息候选项，其中，车辆简档信息候选项包括与不同的道路路径和车辆参数相关的燃料消耗信息；其中，所述道路路径和所述车辆参数中的至少一些是由不同于道路图像传感器的第一车辆传感器感测到的；以及
计算机，所述计算机用于至少基于所述车辆简档信息候选项来生成所述车辆简档；其中，所述车辆简档基本上由下列项组成：
巡航数据结构，所述巡航数据结构包括关于针对第一组道路路径和车辆参数的不同值的与所述车辆的恒定速度运动相关联的巡航燃料消耗参数的值的巡航信息，
怠速减速度数据结构，所述怠速减速度数据结构包括关于针对第二组道路路径和车辆参数的不同值的与所述车辆的怠速减速度相关联的怠速减速度距离值的值的怠速减速度信息，
加速度数据结构，所述加速度数据结构包括针对第三组道路路径和车辆参数的不同值的与所述车辆的恒定加速度相关联的加速度燃料消耗参数的值的加速度信息；以及
存储器，所述存储器用于存储所述巡航数据结构、所述怠速减速度数据结构、和所述加速度数据结构。
150.一种用于确定行驶时段的方法，所述方法包括：
由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，所述车辆简档至少基于道路路径和车辆参数来生成；其中，所述道路路径和所述车辆参数中的至少一些是由不同于道路图像传感器的车辆传感器感测到的；以及
由所述车辆计算机确定针对在所述车辆前方的路径的建议的行驶参数，其中，所述计算至少部分地基于所述车辆简档、路径部分坡度和外在限制。
151.根据权利要求150所述的方法，其中，所述计算包括将所述路径虚拟地分割成多个部分，每个部分包括具有基本上相同的坡度和基本上相同的外在限制的一个或更多个路径段。
152.根据权利要求150所述的方法，包括基于与每个部分相关的所述坡度和最大速度限制来找到关于该部分的最佳速度。
153.根据权利要求150所述的方法，其中，所述车辆简档基本上由巡航数据结构、怠速减速度数据结构、和加速度数据结构组成。
154.根据权利要求150所述的方法，其中，所述车辆简档包括巡航数据结构、怠速减速度数据结构、和加速度数据结构。
155.一种用于确定行驶时段的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：
由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，所述车辆简档至少基于道路路径和车辆参数来生成；其中，所述道路路径和所述车辆参数中的至少一些是由不同于道路图像传感器的车辆传感器感测到的；以及由所述车辆计算机确定针对在所述车辆前方的所述路径的建议的行驶参数，其中，所述计算至少部分地基于所述车辆简档、路径部分坡度和外在限制。
156.一种用于估算车辆的重量的方法，所述方法包括：
在学习周期期间并通过车辆传感器来获得关于所述车辆的行驶时段的车辆传感器测量结果，其中，所述车辆传感器测量结果包括：(a)与所述行驶时段相关的路径的高度测量结果，(b)与所述行驶时段相关的燃料消耗测量结果，(c)与所述行驶时段相关的路段的长度测量结果；以及(d)与所述行驶时段相关的速度测量结果；以及
基于所述车辆传感器测量结果来计算所述车辆的估算重量；其中，所述计算基于指示由所述车辆浪费的能量的能量系数的值。
157.根据权利要求156所述的方法，其中，所述估算重量的计算还包括找到马达效率函数和燃料消耗误差校正函数。
158.根据权利要求156所述的方法，其中，所述计算包括搜索提供与所述车辆的重量估计相关的至少一个分布的所述能量系数的值，所述至少一个分布满足至少一个预定义的统计显著性标准。
159.根据权利要求156所述的方法，其中，对所述估算重量的确定包括根据下面的等式来确定针对所述多个路径段中的每个路径段的重量估计：
其中，能量系数组包括k1、k2、k3和k4；
其中，ame是所估计的马达效率函数的值；
其中，v2是所述车辆在所述路径段的终点处的速度；
v1是所述车辆在所述路径段的起点处的速度；
v表示所述车辆在所述路径段上行驶时的速度的至少一个值；
x是所述路径段的长度；
Δh是在所述路径段的所述终点和所述起点之间的高度差；以及
fuel是与所述路径段相关的误差校正后的燃料消耗。
160.根据权利要求159所述的方法，其中，所述计算包括搜索提供与所述车辆的重量估计相关的至少一个分布的所述能量系数的值，所述至少一个分布满足至少一个预定义的统计显著性标准。
161.根据权利要求160所述的方法，其中，所述预定义的统计显著性标准是最大统计显著性。
162.根据权利要求160所述的方法，其中，所述预定义的统计显著性标准是重量估计分布中的至少一个的最小标准偏差。
163.根据权利要求160所述的方法，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段和针对所述能量系数的不同值确定重量估计。
164.根据权利要求160所述的方法，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值和针对不同的马达效率函数值确定重量估计。
165.根据权利要求160所述的方法，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值和针对不同的燃料消耗误差校正函数值确定重量估计。
166.根据权利要求160所述的方法，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值、针对不同的马达效率函数值和针对不同的燃料消耗误差校正函数值确定重量估计。
167.根据权利要求160所述的方法，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联。
168.根据权利要求160所述的方法，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中，与所述车辆的重量估计相关的所述至少一个分布对分配到每个重量估计的所述质量属性做出响应。
169.根据权利要求160所述的方法，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中，与所述车辆的重量估计相关的所述至少一个分布是直方图，其中，所述直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联并且具有表示属于所述竖条区域的重量估计的质量属性的值。
170.根据权利要求160所述的方法，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中，与所述车辆的重量估计相关的所述至少一个分布是直方图，其中所述直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联并且具有表示属于所述竖条区域的重量估计的质量属性的总和的值。
171.根据权利要求160所述的方法，包括将质量属性分配到所述车辆传感器测量结果中的至少一些。
172.根据权利要求160所述的方法，包括基于与所述车辆在特定路径段的起点处的和终点处的速度相关的差异来将质量属性分配到与所述特定路径段相关的车辆传感器测量结果。
173.根据权利要求160所述的方法，包括基于所述车辆在特定行驶时段期间的最大速度来将质量属性分配到与特定路径段相关的车辆传感器测量结果。
174.根据权利要求160所述的方法，包括忽略在车辆下降的路径段处获得的车辆传感器测量结果。
175.根据权利要求156所述的方法，其中，所述计算包括应用机器学习。
176.一种用于估算车辆的重量的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于执行下列操作的指令：
在学习周期期间获得关于所述车辆的行驶时段的车辆传感器测量结果，其中，所述车辆传感器测量结果包括：(a)与所述行驶时段相关的路径的高度测量结果，(b)与所述行驶时段相关的燃料消耗测量结果，(c)与所述行驶时段相关的路段的长度测量结果；以及(d)与所述行驶时段相关的速度测量结果；以及
基于所述车辆传感器测量结果来计算所述车辆的估算重量；其中，所述计算基于指示由所述车辆浪费的能量的能量系数的值。
177.根据权利要求176所述的非暂时性计算机可读介质，其中，对所述估算重量的计算还包括找到马达效率函数和燃料消耗误差校正函数。
178.根据权利要求176所述的非暂时性计算机可读介质，其中，所述计算包括搜索提供与所述车辆的重量估计相关的至少一个分布的能量系数的值，所述至少一个分布满足至少一个预定义的统计显著性标准。
179.根据权利要求176所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括根据下面的等式来确定针对所述多个路径段中的每个路径段的重量估计：
其中，能量系数组包括k1、k2、k3和k4；
其中，ame是所估计的马达效率函数的值；
其中，v2是所述车辆在所述路径段的终点处的速度；
v1是所述车辆在所述路径段的起点处的速度；
v表示所述车辆在所述路径段上行驶时的速度的至少一个值；
x是所述路径段的长度；
Δh是在所述路径段的所述终点和所述起点之间的高度差；以及
fuel是与所述路径段相关的误差校正后的燃料消耗。
180.根据权利要求179所述的非暂时性计算机可读介质，其中，所述计算包括搜索提供与所述车辆的重量估计相关的至少一个分布的能量系数的值，所述至少一个分布满足至少一个预定义的统计显著性标准。
181.根据权利要求180所述的非暂时性计算机可读介质，其中，所述预定义的统计显著性标准是最大统计显著性。
182.根据权利要求180所述的非暂时性计算机可读介质，其中，所述预定义的统计显著性标准是重量估计分布中的至少一个的最小标准偏差。
183.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段和针对所述能量系数的不同值确定重量估计。
184.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值和针对不同的马达效率函数值确定重量估计。
185.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值和针对不同的燃料消耗误差校正函数值确定重量估计。
186.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括针对所述多个路径段中的每个路径段、针对所述能量系数的不同值、针对不同的马达效率函数值和针对不同的燃料消耗误差校正函数值确定重量估计。
187.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联。
188.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中与所述车辆的重量估计相关的所述至少一个分布对分配到每个重量估计的所述质量属性做出响应。
189.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中与所述车辆的重量估计相关的所述至少一个分布是直方图，其中，所述直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联，并且具有表示属于所述竖条区域的重量估计的质量属性的值。
190.根据权利要求180所述的非暂时性计算机可读介质，其中，对所述估算重量的确定包括将质量属性与每个重量估计相关联，其中与所述车辆的重量估计相关的所述至少一个分布是直方图，其中，所述直方图包括竖条区域，其中每个竖条区域与重量估计范围相关联，并且具有表示属于所述竖条区域的重量估计的质量属性的总和的值。
191.根据权利要求180所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于将质量属性分配到所述车辆传感器测量结果中的至少一些的指令。
192.根据权利要求180所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于基于与所述车辆在特定路径段的起点处的和终点处的速度相关的差异来将质量属性分配到与所述特定路径段相关的车辆传感器测量结果的指令。
193.根据权利要求180所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于基于所述车辆在特定行驶时段期间的最大速度来将质量属性分配到与特定路径段相关的车辆传感器测量结果的指令。
194.根据权利要求180所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于忽略在所述车辆下降的路径段处获得的车辆传感器测量结果的指令。
195.根据权利要求176所述的非暂时性计算机可读介质，其中，所述计算包括应用机器学习。
196.一种用于估算车辆的重量的方法，所述方法包括：接收指示由所述车辆浪费的能量的能量系数的值；其中，至少部分地基于由所述车辆的车辆传感器获得的车辆传感器测量结果来计算所述能量系数的值，所述车辆传感器测量结果在所述车辆的行驶时段期间被获得；其中，所述车辆传感器测量结果包括：(a)与所述行驶时段相关的路径的高度测量结果，(b)与所述行驶时段相关的燃料消耗测量结果，(c)与所述行驶时段相关的所述路段的长度测量结果；以及(d)与所述行驶时段相关的速度测量结果；在新行驶时段期间并通过所述车辆传感器来获得与所述新行驶时段相关的新车辆传感器测量结果；以及由车辆计算机基于所述能量系数的值和所述新车辆传感器测量结果来计算所述车辆的重量。
197.根据权利要求196所述的方法，还包括接收关于所述车辆的马达效率函数的信息，并且其中，对所述车辆的重量的计算还对所述车辆的所述马达效率函数做出响应。
198.根据权利要求197所述的方法，其中，关于所述马达效率函数的所述信息包括马达效率函数系数。
199.根据权利要求198所述的方法，其中，马达效率函数系数的数量可以不超过五十。
200.根据权利要求196所述的方法，还包括接收关于所述车辆的燃料消耗误差校正函数的信息，并且其中，对所述车辆的重量的所述计算还对所述燃料消耗误差校正函数做出响应。
201.根据权利要求200所述的方法，其中，关于燃料消耗误差校正函数的所述信息包括燃料消耗误差校正函数系数。
202.根据权利要求201所述的方法，其中，燃料消耗误差校正函数系数的数量不超过十。
203.根据权利要求196所述的方法，还包括接收关于所述车辆的马达效率函数和所述车辆的燃料消耗误差校正函数的信息，并且其中，对所述车辆的重量的所述计算还对所述车辆的所述马达效率函数和对所述车辆的所述燃料消耗误差校正做出响应。
204.根据权利要求196所述的方法，其中，对所述车辆的重量的所述计算实时地被执行。
205.根据权利要求196所述的方法，还包括传输与所述新行驶时段相关的所述新车辆传感器测量结果。
206.根据权利要求196所述的方法，还包括接收能量系数的更新的值，并且其中，对所述重量的所述计算对能量系数的所述更新的值做出响应。
207.根据权利要求196所述的方法，其中，对所述重量的所述计算包括针对所述新时段的新路径段计算下面的等式：
其中，能量系数组包括k1、k2、k3和k4；
其中，ame是所估计的马达效率函数的值；
其中，v2是所述车辆在所述新路径段的终点处的速度；
v1是所述车辆在所述新路径段的起点处的速度；
v表示所述车辆在所述新路径段上行驶时的速度的至少一个值；
x是所述新路径段的长度；
Δh是在所述新路径段的所述起点和所述终点之间的高度差；以及
fuel是与所述新路径段相关的误差校正后的燃料消耗。
208.一种用于估算车辆的重量的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于执行下列操作的指令：接收指示由所述车辆浪费的能量的能量系数的值；其中，至少部分地基于由所述车辆的车辆传感器获得的车辆传感器测量结果来计算所述能量系数的值，所述车辆传感器测量结果是在所述车辆的行驶时段期间被获得的；其中，所述车辆传感器测量结果包括：(a)与所述行驶时段相关的路径的高度测量结果，(b)与所述行驶时段相关的燃料消耗测量结果，(c)与所述行驶时段相关的所述路段的长度测量结果；以及(d)与所述行驶时段相关的速度测量结果；在新行驶时段期间并通过所述车辆传感器来获得与所述新行驶时段相关的新车辆传感器测量结果；以及由车辆计算机基于所述能量系数的值和所述新车辆传感器测量结果来计算所述车辆的重量。
209.根据权利要求208所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于接收关于所述车辆的马达效率函数的信息的指令，并且其中，对所述车辆的重量的所述计算还对所述车辆的所述马达效率函数做出响应。
210.根据权利要求209所述的非暂时性计算机可读介质，其中，关于所述马达效率函数的所述信息包括马达效率函数系数。
211.根据权利要求210所述的非暂时性计算机可读介质，其中，马达效率函数系数的数量不超过五十。
212.根据权利要求208所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于接收关于所述车辆的燃料消耗误差校正函数的信息的指令，并且其中，对所述车辆的重量的所述计算还对所述燃料消耗误差校正函数做出响应。
213.根据权利要求212所述的非暂时性计算机可读介质，其中，关于燃料消耗误差校正函数的所述信息包括燃料消耗误差校正函数系数。
214.根据权利要求213所述的非暂时性计算机可读介质，其中，燃料消耗误差校正函数系数的数量不超过十。
215.根据权利要求208所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于接收关于所述车辆的马达效率函数和所述车辆的燃料消耗误差校正函数的信息的指令，并且其中，对所述车辆的重量的所述计算还对所述车辆的所述马达效率函数和对所述车辆的所述燃料消耗误差校正做出响应。
216.根据权利要求208所述的非暂时性计算机可读介质，其中，对所述车辆的重量的所述计算实时地被执行。
217.根据权利要求208所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于传输与所述新行驶时段相关的所述新车辆传感器测量结果的指令。
218.根据权利要求208所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于接收能量系数的更新的值的指令，并且其中，对所述重量的所述计算对能量系数的更新的值做出响应。
219.根据权利要求208所述的非暂时性计算机可读介质，其中，对所述重量的所述计算包括针对所述新时段的新路径段计算下面的等式：
其中，能量系数组包括k1、k2、k3和k4；
其中，ame是所估计的马达效率函数的值；
其中，v2是所述车辆在所述新路径段的终点处的速度；
v1是所述车辆在所述新路径段的起点处的速度；
v表示所述车辆行驶在所述新路径段上时的速度的至少一个值；
x是所述新路径段的长度；
Δh是在所述新路径段的所述起点和所述终点之间的高度差；以及
fuel是与所述新路径段相关的误差校正后的燃料消耗。
220.一种用于生成与路径段相关的和与车辆相关的标准化路径段抓地力信息的方法，所述方法包括：使用传感器来生成与所述车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于所述车轮速度信息来检测抓地事件；基于在所述抓地事件的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输所述标准化路径段抓地力信息以及(ii)存储所述标准化路径段抓地力信息。
221.根据权利要求220所述的方法，包括从计算机化系统接收由所述计算机化系统生成的标准化路径段抓地力信息，以及使由所述计算机化系统生成的所述标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息。
222.根据权利要求221所述的方法，包括基于所述实际路径段抓地力信息来计算所述车辆在经过所述路径段时的边际抓地力。
223.根据权利要求221所述的方法，其中，所述去标准化基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
224.根据权利要求220所述的方法，其中，所述抓地事件从制动事件、转弯事件和高速事件中选择。
225.根据权利要求220所述的方法，其中，对所述标准化路径段抓地力信息的确定包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
226.根据权利要求225所述的方法，包括基于所述标准化滑移率和所述标准化激励来确定标准化滑移曲线。
227.根据权利要求226所述的方法，其中，对所述激励的计算包括选择一些车辆速度读数以及忽略在所述抓地事件期间获得的其他车辆速度读数。
228.根据权利要求226所述的方法，其中，对所述标准化滑移率和标准化激励的计算是基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
229.根据权利要求220所述的方法，其中，所述车轮速度信息的生成包括对车轮速度信息进行低通滤波，其中，所述低通滤波对预期车轮速度做出响应。
230.根据权利要求220所述的方法，其中，所述车轮速度信息的生成包括忽略短期变化。
231.根据权利要求220所述的方法，其中，所述抓地事件是车辆对越过小障碍物的响应，其中，所述小障碍物具有小于所述车辆的所述多个车轮中的每个车轮的周长的长度。
232.一种用于生成与路径段相关的和与车辆相关的标准化路径段抓地力信息的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：使用传感器来生成与所述车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于所述车轮速度信息来检测抓地事件；基于在所述抓地事件的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输所述标准化路径段抓地力信息以及(ii)存储所述标准化路径段抓地力信息。
233.根据权利要求232所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于从计算机化系统接收由所述计算机化系统生成的标准化路径段抓地力信息以及使由所述计算机化系统生成的所述标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息的指令。
234.根据权利要求233所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述实际路径段抓地力信息来计算所述车辆在经过所述路径段时的边际抓地力的指令。
235.根据权利要求233所述的非暂时性计算机程序产品，其中，所述去标准化基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
236.根据权利要求232所述的非暂时性计算机程序产品，其中，所述抓地事件是从制动事件、转弯事件和高速事件中选择。
237.根据权利要求232所述的非暂时性计算机程序产品，其中，所述标准化路径段抓地力信息的所述确定包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
238.根据权利要求237所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述标准化滑移率和所述标准化激励来确定标准化滑移曲线的指令。
239.根据权利要求237所述的非暂时性计算机程序产品，其中，所述激励的计算包括选择一些车辆速度读数以及忽略在所述抓地事件期间获得的其他车辆速度读数。
240.根据权利要求237所述的非暂时性计算机程序产品，其中，所述标准化滑移率和标准化激励的计算基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一个。
241.根据权利要求232所述的非暂时性计算机程序产品，其中，所述车轮速度信息的生成包括对车轮速度信息进行低通滤波，其中，所述低通滤波对预期车轮速度做出响应。
242.根据权利要求232所述的非暂时性计算机程序产品，其中，所述车轮速度信息的生成包括忽略短期变化。
243.根据权利要求232所述的非暂时性计算机程序产品，其中，所述抓地事件是车辆对通过小障碍物的响应，其中，所述小障碍物具有小于所述车辆的多个车轮中的每个车轮的周长的长度。
244.一种用于生成车辆简档的车辆系统，所述车辆系统包括：传感器，所述传感器被配置为生成与所述车辆的多个车轮的速度相关的车轮速度信息；计算机车辆，其被配置成：(i)基于所述车轮速度信息来检测抓地事件；以及(ii)基于在所述抓地事件的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及(a)通信模块和存储器模块中的至少一个，所述通信模块被配置成传输所述标准化路径段抓地力信息，以及所述存储器模块被配置成存储所述标准化路径段抓地力信息。
245.一种用于生成与路径段相关的和与车辆相关的标准化路径段抓地力信息的方法，所述方法包括：使用传感器来生成与所述车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于所述车轮速度信息来检测所述车辆对通过小障碍物的响应；其中，所述小障碍物具有小于所述车辆的所述多个车轮中的每一个车轮的周长的长度；基于在所述车辆对通过所述小障碍物的所述响应的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输所述标准化路径段抓地力信息和(ii)存储所述标准化路径段抓地力信息。
246.根据权利要求245所述的方法，包括从计算机化系统接收由所述计算机化系统生成的标准化路径段抓地力信息，以及使由所述计算机化系统生成的所述标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息。
247.根据权利要求246所述的方法，包括基于所述实际路径段抓地力信息来计算所述车辆在经过所述路径段时的边际抓地力。
248.根据权利要求246所述的方法，其中，所述去标准化基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
249.根据权利要求245所述的方法，其中，对所述标准化路径段抓地力信息的确定包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
250.根据权利要求249所述的方法，包括基于所述标准化滑移率和所述标准化激励来确定标准化滑移曲线。
251.根据权利要求249所述的方法，其中，所述激励的计算包括选择一些车辆速度读数以及忽略在所述车辆对通过所述小障碍物的所述响应期间获得的其他车辆速度读数。
252.根据权利要求249所述的方法，其中，所述标准化滑移率和标准化激励的计算是基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
253.根据权利要求245所述的方法，其中，所述车轮速度信息的生成包括对车轮速度信息进行低通滤波，其中，所述低通滤波对预期车轮速度做出响应。
254.根据权利要求245所述的方法，其中，所述车轮速度信息的生成包括忽略短期变化。
255.一种用于生成与路径段相关的和与车辆相关的标准化路径段抓地力信息的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：使用传感器来生成与所述车辆的多个车轮的速度相关的车轮速度信息；由车辆计算机并基于所述车轮速度信息来检测所述车辆对通过小障碍物的响应；其中，小障碍物具有小于所述车辆的多个车轮中的每一个车轮的周长的长度；基于在所述车辆对通过所述小障碍物的所述响应的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及执行下列操作中的至少一个：(i)传输所述标准化路径段抓地力信息和(ii)存储所述标准化路径段抓地力信息。
256.根据权利要求255所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于从计算机化系统接收由所述计算机化系统生成的标准化路径段抓地力信息以及使由所述计算机化系统生成的所述标准化路径段抓地力信息去标准化以提供实际路径段抓地力信息的指令。
257.根据权利要求256所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述实际路径段抓地力信息来计算所述车辆在经过所述路径段时的边际抓地力的指令。
258.根据权利要求256所述的非暂时性计算机程序产品，其中，所述去标准化基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一些。
259.根据权利要求255所述的非暂时性计算机程序产品，其中，对所述标准化路径段抓地力信息的确定包括计算激励、计算滑移率以及计算标准化滑移率和标准化激励。
260.根据权利要求259所述的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于基于所述标准化滑移率和所述标准化激励来确定标准化滑移曲线的指令。
261.根据权利要求259所述的非暂时性计算机程序产品，其中，所述激励的计算包括选择一些车辆速度读数以及忽略在所述车辆对通过所述小障碍物的所述响应期间获得的其他车辆速度读数。
262.根据权利要求259所述的非暂时性计算机程序产品，其中，所述标准化滑移率和标准化激励的计算基于速度、气候偏向、车轮有效补片尺寸、轮胎健康状况、车辆的重量和激励中的至少一者。
263.根据权利要求255所述的非暂时性计算机程序产品，其中，所述车轮速度信息的生成包括对车轮速度信息进行低通滤波，其中，所述低通滤波对预期车轮速度做出响应。
264.根据权利要求255所述的非暂时性计算机程序产品，其中，所述车轮速度信息的生成包括忽略短期变化。
265.一种用于生成车辆简档的车辆系统，所述车辆系统包括：传感器，所述传感器被配置为生成与所述车辆的多个车轮的速度相关的车轮速度信息；计算机车辆，其被配置成：(i)基于所述车轮速度信息来检测所述车辆对通过小障碍物的响应；以及(ii)基于在所述车辆对通过所述小障碍物的所述响应的至少一部分期间获得的车辆参数来确定所述标准化路径段抓地力信息；以及(a)通信模块和存储器模块中的至少一个，所述通信模块被配置成传输所述标准化路径段抓地力信息，以及所述存储器模块被配置成存储所述标准化路径段抓地力信息。
266.一种用于驾驶车辆的方法，所述方法包括：
接收或生成关于与多个路段相关联的雨的雨信息；
估计与所述多个路段中的每个路段相关联的抓地力水平降低，其中，所述抓地力水平降低的估计基于所述雨信息、基于所述车辆的至少一个雨相关参数、以及基于与所述路段的每个路段相关的在所述雨信息和所述抓地力水平降低之间的映射；以及
基于所述抓地力水平降低执行行驶相关操作。
267.根据权利要求266所述的方法，其中，所述车辆的所述雨相关参数包括所述车辆的至少一个轮胎的健康状况。
268.根据权利要求266所述的方法，其中，对所述抓地力水平降低的估计包括估计在所述多个路段中的一个或更多个打滑事件的发生。
269.根据权利要求268所述的方法，其中，对所述抓地力水平降低的估计包括估计与所述多个路段中的一个或更多个打滑事件的发生相关联的所述抓地力水平降低。
270.根据权利要求268所述的方法，包括验证所述车辆的所述一个或更多个打滑事件的发生。
271.根据权利要求270所述的方法，其中，所述验证包括由车辆传感器感测所述车辆在所述多个路段上行驶时的行为以提供感测结果；以及由所述车辆在所述感测结果中搜索一个或更多个打滑识别标志。
272.根据权利要求266所述的方法，包括累积在降水时间窗口期间获得的雨感知率信息以生成所述雨信息。
273.根据权利要求266所述的方法，其中，所述行驶相关操作的所述执行包括选择性地激活用于自主地驾驶所述车辆的自主驾驶模块。
274.根据权利要求266所述的方法，其中，所述行驶相关操作的所述执行包括选择性地去激活自主驾驶模块，所述自主驾驶模块被配置为在被激活时自主地驾驶所述车辆。
275.根据权利要求266所述的方法，其中，所述行驶相关操作的所述执行包括设置所述车辆在所述多个路段中的每个路段中的速度。
276.根据权利要求266所述的方法，包括通过至少一个车辆传感器来估计雨感知率。
277.根据权利要求276所述的方法，其中，所述至少一个车辆传感器属于雨刮控制单元。
278.根据权利要求266所述的方法，其中，所述行驶相关操作的所述执行包括向所述车辆的人类驾驶员发警报。
279.一种用于驾驶车辆的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：接收或生成关于与多个路段相关联的雨的雨信息；估计与所述多个路段中的每个路段相关联的抓地力水平降低，其中，所述抓地力水平降低的所述估计基于所述雨信息、基于所述车辆的至少一个雨相关参数以及基于与所述路段中的每个路段相关的在所述雨信息和抓地力水平降低之间的映射；以及基于所述抓地力水平降低来执行行驶相关操作。
280.根据权利要求279所述的非暂时性计算机可读介质，其中，所述车辆的所述雨相关参数包括所述车辆的至少一个轮胎的健康状况。
281.根据权利要求279所述的非暂时性计算机可读介质，其中，所述抓地力水平降低的所述估计包括估计在所述多个路段中的一个或更多个打滑事件的发生。
282.根据权利要求281所述的非暂时性计算机可读介质，其中，所述抓地力水平降低的所述估计包括估计与所述多个路段中的一个或更多个打滑事件的发生相关联的所述抓地力水平降低。
283.根据权利要求281所述的非暂时性计算机可读介质，包括验证所述车辆的所述一个或更多个打滑事件的发生。
284.根据权利要求282所述的非暂时性计算机可读介质，其中，所述验证包括由车辆传感器感测所述车辆在所述多个路段上行驶时的行为以提供感测结果；以及由车辆计算机在感测结果中搜索一个或更多个打滑识别标志。
285.根据权利要求279所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于累积在降水时间窗口期间获得的雨感知率信息以生成所述雨信息的指令。
286.根据权利要求279所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括选择性地激活用于自主地驾驶所述车辆的自主驾驶模块。
287.根据权利要求279所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括选择性地去激活被配置成当被激活时自主地驾驶所述车辆的自主驾驶模块。
288.根据权利要求279所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括设置所述车辆在所述多个路段中的每个路段中的速度。
289.根据权利要求279所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于通过至少一个车辆传感器来估计雨感知率的指令。
290.根据权利要求283所述的非暂时性计算机可读介质，其中，所述至少一个车辆传感器属于雨刮控制单元。
291.根据权利要求279所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括向所述车辆的人类驾驶员发警报。
292.一种用于驾驶车辆的车辆系统，所述车辆系统包括：被配置成执行下列操作中的至少一个的传感器：(a)感测所述车辆的行为，和(b)感测雨参数；以及计算机车辆，其被配置成接收或生成关于与多个路段相关联的雨的雨信息；估计与所述多个路段中的每个路段相关联的抓地力水平降低，其中，所述抓地力水平降低的所述估计是基于所述雨信息、基于所述车辆的至少一个雨相关参数以及基于与所述路段中的每个路段相关的在所述雨信息和抓地力水平降低之间的映射；以及基于所述抓地力水平降低来帮助执行行驶相关操作。
293.一种用于估计一个或更多个打滑事件的发生的方法，所述方法包括：
接收或生成关于与多个路段相关联的雨的雨信息；以及
由车辆计算机估计在所述多个路段中的所述一个或更多个打滑事件的发生，其中，对一个或更多个打滑事件的所述发生的所述估计是基于所述雨信息、基于所述车辆的至少一个雨相关参数以及基于与所述路段中的每个路段相关的在所述雨信息和所述一个或更多个打滑事件的发生之间的映射。
294.根据权利要求293所述的方法，包括基于对所述一个或更多个打滑事件的所述发生的所述估计来执行行驶相关操作。
295.根据权利要求293所述的方法，包括验证所述车辆的所述一个或更多个打滑事件的所述发生。
296.根据权利要求295所述的方法，其中，所述验证包括由车辆传感器感测所述车辆在所述多个路段上行驶时的行为以提供感测结果；以及由所述车辆在所述感测结果中搜索一个或更多个打滑识别标志。
297.根据权利要求293所述的方法，包括累积在降水时间窗口期间获得的雨感知率信息以生成所述雨信息。
298.根据权利要求293所述的方法，其中，所述行驶相关操作的所述执行包括选择性地激活用于自主地驾驶所述车辆的自主驾驶模块。
299.根据权利要求293所述的方法，其中，所述行驶相关操作的所述执行包括选择性地去激活被配置成当被激活时自主地驾驶所述车辆的自主驾驶模块。
300.根据权利要求293所述的方法，其中，所述行驶相关操作的所述执行包括设置所述测量在所述多个路段中的每个路段中的速度。
301.根据权利要求293所述的方法，包括通过至少一个车辆传感器来估计雨感知率。
302.根据权利要求301所述的方法，其中，所述至少一个车辆传感器属于雨刮控制单元。
303.根据权利要求293所述的方法，其中，所述行驶相关操作的所述执行包括向所述车辆的人类驾驶员发警报。
304.一种用于估计一个或更多个打滑事件的发生的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：
接收或生成关于与多个路段相关联的雨的雨信息；以及
由车辆计算机估计在所述多个路段中的所述一个或更多个打滑事件的发生，其中，对一个或更多个打滑事件的所述发生的所述估计是基于所述雨信息、基于所述车辆的至少一个雨相关参数以及基于与所述路段中的每个路段相关的在所述雨信息和所述一个或更多个打滑事件的发生之间的映射。
305.根据权利要求304所述的非暂时性计算机可读介质，包括基于对所述一个或更多个打滑事件的所述发生的所述估计来执行行驶相关操作。
306.根据权利要求304所述的非暂时性计算机可读介质，包括验证所述车辆的所述一个或更多个打滑事件的所述发生。
307.根据权利要求306所述的非暂时性计算机可读介质，其中，所述验证包括由车辆传感器感测所述车辆在所述多个路段上行驶时的行为以提供感测结果；以及由车辆在所述感测结果中搜索一个或更多个打滑识别标志。
308.根据权利要求304所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于累积在降水时间窗口期间获得的雨感知率信息以生成所述雨信息的指令。
309.根据权利要求304所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括选择性地激活用于自主地驾驶所述车辆的自主驾驶模块。
310.根据权利要求304所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括选择性地去激活被配置成当被激活时自主地驾驶所述车辆的自主驾驶模块。
311.根据权利要求304所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括设置所述车辆在所述多个路段中的每个路段中的速度。
312.根据权利要求304所述的非暂时性计算机可读介质，所述非暂时性计算机可读介质存储用于通过至少一个车辆传感器来估计雨感知率的指令。
313.根据权利要求312所述的非暂时性计算机可读介质，其中，所述至少一个车辆传感器属于雨刮控制单元。
314.根据权利要求304所述的非暂时性计算机可读介质，其中，所述行驶相关操作的所述执行包括向所述车辆的人类驾驶员发警报。
315.一种用于驾驶车辆的车辆系统，所述车辆系统包括：被配置成执行下列操作中的至少一个的传感器：(a)感测所述车辆的行为，和(b)感测雨参数；以及计算机车辆，其被配置成接收或生成关于与多个路段相关联的雨的雨信息；以及估计在所述多个路段中的所述一个或更多个打滑事件的发生，其中，对一个或更多个打滑事件的所述发生的所述估计是基于所述雨信息、基于所述车辆的至少一个雨相关参数以及基于与所述路段中的每个路段相关的在所述雨信息和所述一个或更多个打滑事件的发生之间的映射。
316.根据权利要求315所述的车辆监测器，其中，所述车辆计算机被配置成基于对所述一个或更多个打滑事件的所述发生的所述估计来帮助执行行驶相关操作。
317.一种用于测量与多个路段相关的物理事件的方法，所述方法包括：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在所述车辆在所述多个路段上行驶时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在所述多个路段上的行驶相关的检测到的物理事件，其中，所述检测是基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分；其中，所述物理事件包括打滑事件的发生。
318.一种用于测量与多个路段相关的物理事件的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：通过第一车辆传感器来测量第一组参数；其中，所述测量发生在所述车辆在所述多个路段上行驶时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；由车辆计算机检测与在所述多个路段上的行驶相关的检测到的物理事件，其中，所述检测是基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或传输所述物理事件信息的至少一部分；其中，所述物理事件包括打滑事件的发生。
319.一种用于测量与多个路段相关的物理事件的系统，所述系统包括车辆计算机，所述车辆计算机被配置成(i)从第一车辆传感器接收第一组参数；其中，所述测量发生在所述车辆在所述多个路段上行驶时；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；(ii)检测与在所述多个路段上的所述行驶相关的检测到的物理事件，其中，所述检测是基于所述第一组参数；生成关于所述检测到的物理事件的物理事件信息；以及存储或帮助传输物理事件信息的至少一部分；其中，所述物理事件包括打滑事件的发生。
320.一种用于生成区域的参考地图的方法，所述方法包括：通过通信接口从多个车辆接收(a)关于由所述多个车辆在属于所述区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由所述多个车辆计算的路段属性，所述路段属性与属于所述区域的路段相关；其中，所述多个车辆中的车辆的物理事件信息是基于由所述车辆的第一车辆传感器感测的第一组参数；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由所述多个车辆所检测到的检测到的物理事件的所述物理事件信息和由所述多个车辆计算的所述路段属性来计算所述参考地图；其中，所述检测到的物理事件包括打滑事件的发生。
321.一种用于生成区域的参考地图的非暂时性计算机程序产品，所述非暂时性计算机程序产品存储用于执行下列操作的指令：通过通信接口从多个车辆接收(a)关于由所述多个车辆在属于所述区域的路段上行驶时所检测到的检测到的物理事件的物理事件信息，以及(b)由所述多个车辆计算的路段属性，所述路段属性与属于所述区域的路段相关；其中，所述多个车辆中的车辆的物理事件信息是基于由所述车辆的第一车辆传感器感测的第一组参数；其中，所述第一组参数包括车轮运动参数和车辆加速度参数；其中，所述第一车辆传感器不同于道路图像传感器；以及由计算机化系统基于关于由所述多个车辆所检测到的检测到的物理事件的所述物理事件信息和由所述多个车辆计算的所述路段属性来计算所述参考地图；其中，所述检测到的物理事件包括打滑事件的发生。
322.一种用于确定行驶时段的方法，所述方法包括：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，所述车辆简档至少基于道路路径和车辆参数来生成；其中，所述道路路径和所述车辆参数中的至少一些由不同于道路图像传感器的车辆传感器感测；以及由所述车辆计算机确定针对在所述车辆前方的路径的建议的行驶参数，其中，所述计算至少部分地基于所述车辆简档、路径部分坡度、外在限制和与一个或更多个打滑事件相关的信息。
323.一种用于确定行驶时段的非暂时性计算机程序产品，其中，所述非暂时性计算机程序产品存储用于执行下列操作的指令：由车辆计算机接收或生成车辆简档和在车辆前方的路径的部分的坡度；其中，所述车辆简档至少基于道路路径和车辆参数来生成；其中，所述道路路径和所述车辆参数中的至少一些由不同于道路图像传感器的车辆传感器感测；以及由所述车辆计算机确定针对在所述车辆前方的路径的建议的行驶参数，其中，所述计算至少部分地基于所述车辆简档、路径部分坡度、外在限制和与一个或更多个打滑事件相关的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874618.XA CN116929391A (zh) | 2017-09-10 | 2018-09-07 | 车辆监测器 |
Applications Claiming Priority (17)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762556444P | 2017-09-10 | 2017-09-10 | |
| US201762556443P | 2017-09-10 | 2017-09-10 | |
| US201762556447P | 2017-09-10 | 2017-09-10 | |
| US201762556445P | 2017-09-10 | 2017-09-10 | |
| US62/556,447 | 2017-09-10 | ||
| US62/556,443 | 2017-09-10 | ||
| US62/556,445 | 2017-09-10 | ||
| US62/556,444 | 2017-09-10 | ||
| US201762564270P | 2017-09-28 | 2017-09-28 | |
| US62/564,270 | 2017-09-28 | ||
| US201762573828P | 2017-10-18 | 2017-10-18 | |
| US62/573,828 | 2017-10-18 | ||
| US201762575544P | 2017-10-23 | 2017-10-23 | |
| US62/575,544 | 2017-10-23 | ||
| US201862722210P | 2018-08-24 | 2018-08-24 | |
| US62/722,210 | 2018-08-24 | ||
| PCT/IB2018/056844 WO2019049080A2 (en) | 2017-09-10 | 2018-09-07 | VEHICLE MONITORING DEVICE |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874618.XA Division CN116929391A (zh) | 2017-09-10 | 2018-09-07 | 车辆监测器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111656145A true CN111656145A (zh) | 2020-09-11 |
| CN111656145B CN111656145B (zh) | 2023-08-01 |
Family
ID=65634927
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880072699.9A Active CN111656145B (zh) | 2017-09-10 | 2018-09-07 | 车辆监测器 |
| CN202310874618.XA Pending CN116929391A (zh) | 2017-09-10 | 2018-09-07 | 车辆监测器 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874618.XA Pending CN116929391A (zh) | 2017-09-10 | 2018-09-07 | 车辆监测器 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3682417B1 (zh) |
| CN (2) | CN111656145B (zh) |
| WO (1) | WO2019049080A2 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3534113B1 (en) | 2017-09-13 | 2022-11-02 | ClearMotion, Inc. | Road surface-based vehicle control |
| EP3867088A4 (en) | 2018-10-19 | 2022-07-20 | Clearmotion, Inc. | METHOD AND APPARATUS FOR ADDRESSING ROAD SURFACE ASPERITIES |
| US11801726B2 (en) | 2018-11-01 | 2023-10-31 | ClearMotion, Inc. | Vehicle control based on localization and road data |
| CN113971723B (zh) * | 2021-10-25 | 2024-04-09 | 北京百度网讯科技有限公司 | 高精地图中三维地图的构建方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644568A (zh) * | 2008-08-07 | 2010-02-10 | 矢崎总业株式会社 | 坡路检测方法和坡路检测装置 |
| CN101855117A (zh) * | 2007-11-09 | 2010-10-06 | 米其林技术公司 | 根据至少一个车轮的旋转速度的测量值生成车辆对地速度估算值的系统 |
| CN105387841A (zh) * | 2014-08-20 | 2016-03-09 | 株式会社堀场制作所 | 高度检测装置、负荷驱动装置和高度检测方法 |
| CN105848981A (zh) * | 2013-12-24 | 2016-08-10 | 沃尔沃卡车集团 | 用于车辆的驾驶员辅助方法和系统 |
| US20160258749A1 (en) * | 2015-03-05 | 2016-09-08 | Apple Inc. | Altitude Estimation Using Crowd-Sourced Pressure Sensor Data |
| US20170010174A1 (en) * | 2015-07-07 | 2017-01-12 | Toyota Jidosha Kabushiki Kaisha | Mobile computer atmospheric barometric pressure system |
| CN106853829A (zh) * | 2015-12-09 | 2017-06-16 | 现代自动车株式会社 | 用于车辆的坡道起步辅助控制方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070118707A (ko) * | 2000-09-21 | 2007-12-17 | 아메리칸 캘카어 인코포레이티드 | 차량을 효과적으로 그리고 안전하게 운전하는 기술 |
| US7035733B1 (en) * | 2003-09-22 | 2006-04-25 | Navteq North America, Llc | Method and system for obtaining road grade data |
| JP2010216856A (ja) * | 2009-03-13 | 2010-09-30 | Aisin Seiki Co Ltd | 重量勾配推定装置、及びそれを用いた車両制御装置 |
| US9527515B2 (en) * | 2011-12-23 | 2016-12-27 | Zonar Systems, Inc. | Vehicle performance based on analysis of drive data |
| WO2016025895A1 (en) * | 2014-08-15 | 2016-02-18 | Qualcomm Incorporated | Mobile-assisted determination of the altitude of a mobile device |
-
2018
- 2018-09-07 WO PCT/IB2018/056844 patent/WO2019049080A2/en unknown
- 2018-09-07 EP EP18854367.2A patent/EP3682417B1/en active Active
- 2018-09-07 CN CN201880072699.9A patent/CN111656145B/zh active Active
- 2018-09-07 CN CN202310874618.XA patent/CN116929391A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101855117A (zh) * | 2007-11-09 | 2010-10-06 | 米其林技术公司 | 根据至少一个车轮的旋转速度的测量值生成车辆对地速度估算值的系统 |
| CN101644568A (zh) * | 2008-08-07 | 2010-02-10 | 矢崎总业株式会社 | 坡路检测方法和坡路检测装置 |
| CN105848981A (zh) * | 2013-12-24 | 2016-08-10 | 沃尔沃卡车集团 | 用于车辆的驾驶员辅助方法和系统 |
| CN105387841A (zh) * | 2014-08-20 | 2016-03-09 | 株式会社堀场制作所 | 高度检测装置、负荷驱动装置和高度检测方法 |
| US20160258749A1 (en) * | 2015-03-05 | 2016-09-08 | Apple Inc. | Altitude Estimation Using Crowd-Sourced Pressure Sensor Data |
| US20170010174A1 (en) * | 2015-07-07 | 2017-01-12 | Toyota Jidosha Kabushiki Kaisha | Mobile computer atmospheric barometric pressure system |
| CN106853829A (zh) * | 2015-12-09 | 2017-06-16 | 现代自动车株式会社 | 用于车辆的坡道起步辅助控制方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019049080A2 (en) | 2019-03-14 |
| EP3682417B1 (en) | 2024-01-10 |
| CN111656145B (zh) | 2023-08-01 |
| CN116929391A (zh) | 2023-10-24 |
| EP3682417A2 (en) | 2020-07-22 |
| EP3682417A4 (en) | 2021-07-14 |
| WO2019049080A3 (en) | 2019-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3560783B1 (en) | Road surface condition estimation apparatus and road surface condition estimation method | |
| EP3451312B1 (en) | Providing a confidence-based road event message | |
| US20200282999A1 (en) | Vehicle monitor | |
| US11091165B2 (en) | Method for estimating a probability distribution of the maximum coefficient of friction at a current and/or future waypoint of a vehicle | |
| JP7172619B2 (ja) | 路面状態推定装置及び路面状態推定方法 | |
| US11685431B2 (en) | Steering angle calibration | |
| US10002537B2 (en) | Learning lanes from radar sensors | |
| CN111656145B (zh) | 车辆监测器 | |
| EP3016086B1 (en) | Negative image for sign placement detection | |
| EP3441724A1 (en) | Method and apparatus for detecting false positive slippery road reports using mapping data | |
| GB2590115A (en) | Extended object tracking using radar | |
| US11142209B2 (en) | Vehicle road friction control | |
| CN103270780A (zh) | 交通工具数据系统和方法 | |
| WO2016056568A1 (ja) | 路面状態判別システム | |
| CN107194957A (zh) | 智能驾驶中激光雷达点云数据与车辆信息融合的方法 | |
| US11788859B2 (en) | Method, apparatus, and computer program product for road noise mapping | |
| WO2020159961A1 (en) | Detecting road anomalies | |
| JP2023120309A (ja) | 車両モニタ | |
| Magnusson et al. | Real-time high-resolution road condition map for the EU | |
| US11302345B2 (en) | Method, apparatus, and computer program product for vehicle localization via frequency audio features | |
| US11449543B2 (en) | Method, apparatus, and computer program product for vehicle localization via amplitude audio features | |
| Kreibich et al. | Lane-level matching algorithm based on GNSS, IMU and map data | |
| US11393489B2 (en) | Method, apparatus, and computer program product for road noise mapping | |
| US11993260B2 (en) | System and method for predicting tire traction capabilities and active safety applications | |
| Mitrovich et al. | Analysis of Friction Utilization Within a Roadway Network Using Simulated Vehicle Trajectories |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |