CN111806464A

CN111806464A - 异常拖车行为的检测

Info

Publication number: CN111806464A
Application number: CN202010258005.XA
Authority: CN
Inventors: C.博文
Original assignee: Waymo LLC
Current assignee: Waymo LLC
Priority date: 2019-04-03
Filing date: 2020-04-03
Publication date: 2020-10-23
Anticipated expiration: 2040-04-03
Also published as: US11226623B2; EP3927591A4; WO2020205938A1; EP3927591A1; CN111806464B; US20200319638A1; US20220155784A1

Abstract

该技术涉及确定以自主驾驶模式操作的车辆是否正在经历异常状况，例如由于轮胎压力的丢失、机械故障或者货物的移位或丢失。将车辆的实际当前姿态与车辆的预期姿态进行比较，其中预期姿态基于车辆的模型。如果识别出姿态差异，那么从与姿态差异相关联的信息中确定异常状况。然后车辆能够基于异常状况的性质采取校正动作。校正动作可以包括进行实时驾驶改变、修改计划的路线、向远程操作中心发出警报，或与一个或多个其它车辆通信。

Description

异常拖车行为的检测

背景技术

可以使用自主汽车(诸如不要求人类驾驶员的车辆)来协助将货运乘客从一个地点运送到另一个地点。此类车辆可以在完全自主模式或人可以提供一些驾驶输入的部分自主模式下操作。为了以自主模式操作，车辆可以采用各种车载传感器来检测外部环境的特征，并使用接收到的传感器信息来执行各种驾驶操作。但是，车辆的状况会影响在自驾驶模式下有效操作的能力。

发明内容

该技术涉及确定以自驾驶模式操作的车辆的异常状况，并基于异常状况的性质实现校正动作。例如，货运车辆的异常状况可以是拖车结构(诸如漏气轮胎)的问题，或者是由于重量分布或其它问题而引起的货运本身的问题。如下面所讨论的，该技术的各方面包括针对检测到的姿态来评估预期的车辆姿态以识别姿态差异，以及根据与姿态差异相关联的信息来确定异常状况。

根据该技术的一个方面，一种车辆被构造为以自主驾驶模式操作。该车辆包括驾驶系统、感知系统和控制系统。该驾驶系统包括转向子系统、加速子系统和减速子系统，以在自主驾驶模式下控制车辆的驾驶。感知系统包括多个传感器，其中多个传感器中的每一个沿着车辆(或者在外部或者在内部)定位。控制系统可操作地连接到驾驶系统和感知系统。该控制系统具有一个或多个计算机处理器，该计算机处理器被配置为：基于车辆的模型确定车辆的预期姿态；从感知系统接收传感器数据；基于从感知系统接收到的传感器数据，引导在自主驾驶模式下操作的驾驶系统；将接收到的传感器数据与车辆的预期姿态进行比较；基于接收到的传感器数据与预期姿态之间的比较，检测姿态差异；基于检测到的姿态差异，确定车辆的异常状况；以及响应于异常状况而实现校正动作。

在一个示例中，异常状况是漏气轮胎、部件机械故障、货物移位或货物丢失。在此，控制系统被配置为根据货物的类型实现校正动作。

在另一个示例中，多个传感器包括(i)激光雷达、雷达或相机传感器中的至少一个，并且特定于车辆的信息是姿态信息；或(ii)声学传感器或压力传感器中的至少一个。在这种情况下，声学传感器被配置为检测车辆的一个或多个轮胎的音频信息，并且压力传感器被配置为检测或者轮胎的轮胎压力或者货物的负荷分布。特定于车辆的信息可以包括来自声学传感器的指示轮胎状态的声学信息或来自压力传感器的指示瞬时轮胎压力或货物负荷分布中的至少一个的压力信息中的至少一个。

在另一个示例中，车辆是具有牵引车单元的卡车，该牵引车单元包括可调整地耦合到拖车的耦合系统。根据一个场景，车辆还包括拖车。根据另一个场景，检测到的姿态差异是拖车从相对于牵引车单元的预测朝向的移位。

在又一个示例中，车辆的模型是存储在控制系统的存储器中的运动学模型。在另外的示例中，多个传感器中的每一个被配置为检测车辆周围环境中的物体。并且在另一个示例中，多个传感器中的每一个被配置为检测关于车辆的特定于车辆的信息。

根据该技术的另一方面，提供了一种以自主驾驶模式操作车辆的方法。该方法包括：基于车辆的模型，由车辆的一个或多个处理器确定车辆的预期姿态；由车辆的感知系统的一个或多个传感器在自主驾驶模式下的操作期间获得传感器数据；由一个或多个处理器从感知系统接收获得的传感器数据；由一个或多个处理器基于接收到的传感器数据来引导车辆的驾驶系统；由一个或多个确定处理器根据接收到的传感器数据来确定车辆的实际姿态；由一个或多个处理器将实际姿态与预期姿态进行比较；由一个或多个处理器基于比较实际姿态与预期姿态来检测姿态差异；由一个或多个处理器基于检测到的姿态差异来确定车辆的异常状况；以及响应于异常状况而实现校正动作。

在一个示例中，异常状况是漏气轮胎、部件机械故障、货物移位或货物丢失。在此，实现校正动作或者根据货物的类型被执行，或者包括将与异常状况相关的信息传输到或者另一个车辆或者远程协助服务。

在另一个示例中，特定于车辆的信息是姿态信息。在另外的示例中，获得传感器数据包括检测车辆的一个或多个轮胎的音频信息或者检测或者轮胎压力或者货物的负荷分布中的至少一个。在又一个示例中，特定于车辆的信息包括指示轮胎状态的声学信息或指示瞬时轮胎压力或货物负荷分布中的至少一个的压力信息中的至少一个。

根据另一个示例，检测姿态差异包括检测车辆的拖车从相对于车辆的牵引车单元的预测朝向的移位。

在另外的示例中，车辆的模型是运动学模型。在这种情况下，该方法还可以包括从车辆的车载存储系统检索运动学模型。

在另一个示例中，传感器数据指示车辆周围环境中的物体。在又一个示例中，传感器数据指示关于车辆的特定于车辆的信息。

附图说明

图1A-B图示了被配置用于与该技术的各方面一起使用的示例货运型车辆。

图2A-B是根据该技术的各方面的示例货运型车辆的系统的框图。

图3图示了用于根据本公开各方面的货运型车辆的示例传感器视场。

图4A-C图示了根据该技术各方面的示例低轮胎压力场景。

图5A-B图示了根据该技术各方面的示例货物丢失场景。

图6A-B图示了根据该技术各方面的示例货物移位场景。

图7A-B图示了根据该技术各方面的位置变化的示例。

图8A-B图示了根据该技术各方面的路线计划修改的示例。

图9A-B图示了根据该技术各方面的示例系统。

图10图示了根据该技术各方面的示例方法。

具体实施方式

该技术的特征包括评估以自驾驶模式下操作的车辆的实际和预期姿态信息，并基于姿态之间的任何差异来确定异常状况是否与车辆相关联。仅作为示例，异常状况可以是由于漏气轮胎、由于破坏或损坏的部件(例如，制动器)引起的机械故障、货物移位或丢失，或其它因素。利用这些信息，车辆的车载计算机系统可以采取实时校正动作、修改计划的路线、向远程操作中心发出警报和/或与车队中的其它车辆通信。

车辆系统示例

图1A-B图示了示例货运车辆100，诸如牵引车-拖车卡车。图1A是侧视图，而图1B是俯视图。卡车可以包括例如单、双或三重拖车，或者可以是另一种中型或重型卡车，诸如商业重量等级为4至8。如图所示，卡车包括牵引车单元102和单个货物单元或拖车104。取决于要运输的货物的类型，拖车104可以是完全封闭的、敞开的(诸如平床)，或者是部分敞开的。在这个示例中，牵引车单元102包括发动机和转向系统(未示出)以及用于驾驶员和任何乘客的驾驶室106。在完全自主布置中，由于可能不需要人，因此驾驶室106可以不配备座椅或手动驾驶部件。

拖车104包括被称为主销108的挂接点。主销108通常形成为实心钢轴，该实心钢轴被构造为可枢转地附接到牵引车单元102。特别地，主销108附接到安装在驾驶室106的后方的称为第五轮的拖车耦合器110。对于双或三牵引车-拖车，第二和/或第三拖车可以具有与主拖车的简单挂钩。或者，每个拖车可以具有自己的主销。在这种情况下，至少第一和第二拖车可以包括被布置为耦合到下一拖车的第五轮型结构。

如图所示，牵引车和/或拖车可以具有沿着其部署的一个或多个传感器单元112、114和116。例如，一个或多个传感器单元112可以部署在驾驶室106的车顶或顶部，并且一个或多个侧面传感器单元114可以部署在例如驾驶室106的左侧和/或右侧。在一些情况下，此类传感器单元可以位于后视镜的顶部、底部、与其邻近或代替后视镜。传感器单元还可以沿着驾驶室106的其它区域定位，诸如沿着前保险杠或引擎盖区域、在与第五轮相邻的驾驶室的后部、在底盘下方等。拖车104还可以具有沿着其部署的一个或多个传感器单元116，例如沿着拖车104的侧板、前、后、车顶和/或底盘。

举例来说，每个传感器单元可以包括一个或多个传感器，诸如激光雷达、雷达、相机(例如，光学或红外)、声学(例如，麦克风或声纳型传感器)、压力(例如，压电或机械)、惯性(例如，加速度计、陀螺仪等)或其它传感器(例如，定位传感器，诸如GPS传感器)。轮胎附近的声学传感器(例如，在靠近轮轴或轮毂的车辆底盘上)可以在车辆沿着道路自主行驶时检测轮胎的声音。声音的改变可以指示不同的路面类型、漏气轮胎或压力不足，或其它情况。压力传感器可以被用于检测瞬时轮胎压力或货物的重量分布。虽然本公开的某些方面对于具体类型的车辆可以特别有用，但车辆可以是任何类型的车辆，包括但不限于卡车和其它货运车辆、公共汽车、汽车、摩托车、休闲车辆等。

对于在部分或完全自主驾驶模式下操作的车辆，会发生不同程度的自主性。美国国家公路交通安全管理局和汽车工程师协会已经识别出不同的级别，以指示车辆多多或多少地控制驾驶。例如，级别0没有自动化，并且驾驶员做出所有与驾驶相关的决定。最低的半自主模式，级别1，包括一些驾驶协助，诸如巡航控制。级别2具有某些驾驶操作的部分自动化，而级别3涉及有条件自动化，其可以使驾驶员座位上的人能够按需进行控制。相比之下，级别4是高度自动化级别，其中车辆能够在选定的条件下无需协助即可驾驶。并且级别5是完全自主模式，其中车辆能够在任何情况下都无需协助即可驾驶。本文所述的体系架构、部件、系统和方法可以在半自主或全自主模式中的任何一种模式下运行，例如，级别1-5，其在本文中被称为自主驾驶模式。因此，提及自主驾驶模式可以包括部分和完全自主。

图2A图示了具有示例性车辆(诸如货运车辆100)的各种部件和系统的框图200，以在自主驾驶模式下操作。如图所示，框图200包括具有一个或多个计算设备202的控制系统。该控制系统可以构成货运车辆100的牵引车单元的电子控制单元(ECU)。计算设备202包含一个或多个处理器204、存储器206和通常在通用计算设备中存在的其它部件。存储器206存储一个或多个处理器204可访问的信息，包括可由(一个或多个)处理器204执行或以其它方式使用的指令208和数据210。例如，数据210可以包括车辆的模型，诸如牵引车和(一个或多个)拖车的运动学模型。当根据车辆模型在自主驾驶模式下操作时，该计算系统能够控制车辆的整体操作。

存储器206存储处理器204可访问的信息，包括可由处理器204执行或以其它方式使用的指令208和数据210。存储器206可以是能够存储处理器可访问的信息的任何类型，包括计算设备可读介质。存储器是非暂态介质，诸如硬盘驱动器、存储卡、光盘、固态存储器等。系统可以包括前述的不同组合，从而指令和数据的不同部分存储在不同类型的介质上。

指令208可以是要由处理器直接执行(诸如机器代码)或间接执行(诸如脚本)的任何指令集。例如，指令可以作为计算设备代码存储在计算设备可读介质上。在那方面，术语“指令”、“模块”和“程序”在本文中可以互换使用。指令可以以用于供处理器直接处理的目标代码格式，或者以任何其它计算设备语言(包括按需解释或预先编译的脚本或独立源代码模块的集合)存储。数据210可以由一个或多个处理器204根据指令208来检索、存储或修改。在一个示例中，存储器206中的一些或全部可以是事件数据记录器或其它安全数据存储系统，其被配置为存储车辆诊断、检测到的传感器数据、每个车辆的校准参数和/或每个拖车的校准参数，这些数据可以在车上或是远程的，具体取决于实施方式。

处理器204可以是市售的CPU。可替代地，每个处理器可以是专用设备，诸如ASIC或其它基于硬件的处理器。虽然图2A在功能上将计算设备202的处理器、存储器和其它元件示为在同一方框内，但是此类设备实际上可以包括可以或可以不存储在同一物理壳体内的多个处理器、计算设备或存储器。类似地，存储器206可以是位于与(一个或多个)处理器204的壳体不同的壳体中的硬盘驱动器或其它存储介质。因而，对处理器或计算设备的引用将被理解为包括对可以或可以不并行操作的处理器或计算设备或存储器的集合的引用。

在一个示例中，计算设备202可以形成结合到车辆100中的自主驾驶计算系统。自主驾驶计算系统可以能够与车辆的各种部件通信。例如，计算设备202可以与车辆的各种系统通信，诸如包括减速系统212(用于控制车辆的制动)、加速系统214(用于控制车辆的加速)、转向系统216(用于控制车轮的朝向和车辆的朝向)、信令系统218(用于控制转弯信号)、导航系统220(用于将车辆导航到某个地点或物体周围)和定位系统222(用于确定车辆的位置，例如，包括车辆的姿态)的驾驶系统。自主驾驶计算系统可以根据导航系统220、定位系统222和/或系统的其它部件采用计划器模块223，例如，用于确定从起点到目的地的路线、用于选择路线的中间区段，或用于根据沿着路线的当前或预期环境条件对各种驾驶方面进行修改。

计算设备202还可操作地耦合到感知系统224(用于检测车辆环境中的物体)、动力系统226(例如，电池和/或汽油或柴油动力发动机)和变速器系统(transmission system)230，以便在不要求或需要来自车辆乘客的连续或周期性输入的自主驾驶模式下根据存储器206的指令208控制车辆的移动、速度等。车轮/轮胎228中的一些或全部耦合到变速器系统230，并且计算设备202可以能够接收关于轮胎压力、平衡和可能影响在自主模式下的驾驶的其它因素的信息。虽然异常检测可以由计算设备202和/或感知系统224执行，但是它可以可替代地在分开的部件(诸如异常检测系统231)上执行。异常检测系统可以包括一个或多个处理器(未示出)。

计算设备202可以例如经由计划器模块223通过控制各种部件来控制车辆的方向和速度。举例来说，计算设备202可以使用来自地图信息和导航系统220的数据完全自主地将车辆导航到目的地地点。当需要安全地到达地点时，计算设备202可以使用定位系统222来确定车辆的地点，并且可以使用感知系统224来检测物体并对其响应。为了做到这一点，计算设备202可以使车辆加速(例如，通过增加由加速系统214提供给发动机的燃料或其它能量)、减速(例如，通过减少供应给发动机的燃料、改变档位，和/或通过由减速系统212施加制动)、改变方向(例如，通过由转向系统216转动车辆100的前轮或其它车轮)和发信号通知此类改变(例如，通过点亮信令系统218的转弯信号)。因此，加速系统214和减速系统212可以是传动系统或其它类型的变速器系统230的一部分，传动系统或其它类型的变速器系统230包括在车辆的发动机与车辆的车轮之间的各种部件。同样，通过控制这些系统，计算设备202还可以控制车辆的变速器系统230，以便自主地操纵车辆。

导航系统220可以由计算设备202使用，以便确定并遵循到达地点的路线。在这方面，导航系统220和/或存储器206可以存储地图信息，例如，计算设备202可以用来导航或控制车辆的高度详细的地图。作为示例，这些地图可以识别道路、车道标记、十字路口、人行横道、限速、交通信号灯、建筑物、标志、实时交通信息、植被或其它此类物体和信息的形状和高度。车道标记可以包括诸如实线或虚线的或双或单车道线、实线或虚线的车道线、反射器等特征。给定车道可以与左和/或右车道线或其它定义车道边界的车道标记相关联。因此，大多数车道可以由一条车道线的左边缘和另一条车道线的右边缘界定。

感知系统224包括一个或多个传感器组件232，用于检测车辆外部的物体。检测到的物体可以是其它车辆、道路上的障碍物、交通信号、标志、树木等。仅作为示例，感知系统224的传感器组件232可以各自包括一个或多个光检测和测距(激光)传感器、雷达单元、相机(例如、光学成像设备,带有或不带有中性密度(ND)过滤器)、定位传感器(例如，陀螺仪、加速度计和/或其它惯性部件)、红外传感器、声学传感器(例如，麦克风或声纳换能器)和/或记录数据的任何其它检测设备，这些数据可以由计算设备202处理。感知系统224的此类传感器可以检测车辆外部的物体及其特点，诸如地点、朝向、尺寸、形状、类型(例如，车辆、行人、骑自行车的人等)、航向、相对于车辆的移动速度等。此外，传感器还可以检测道路状况，如死水、冰或坑洼。

感知系统224还可以包括车辆内的其它传感器，以检测车辆内的物体和状况，诸如拖车或乘客厢中的。例如，此类传感器可以检测例如货物、乘客、宠物等，以及车辆内或其部件内和/或车辆外的状况，诸如温度、湿度等。还有，感知系统224的传感器可以测量车轮228的旋转速率、由减速系统312进行的制动的量或类型、压力、对准，以及与车辆本身的装备相关联的其它因素。取决于车辆配置，牵引车的主销的纵向位置可以是可调整的。可以布置一个或多个传感器以检测主销的具体纵向位置。

来自传感器的原始数据和上面提到的特点可以由感知系统224处理和/或随着感知系统224生成数据而周期性地或连续地发送给计算设备202以进行进一步处理。计算设备202可以使用定位系统222来确定车辆的地点，并且可以使用感知系统224在需要安全地到达该地点时来检测物体并对其响应(例如，经由计划器模块223进行的调整)。此外，计算设备202可以执行个体传感器、特定传感器组件中的所有传感器或不同传感器组件或其它物理壳体中的传感器之间的校准。

如上所述，感知系统224的一个或多个传感器可以结合到传感器组件或壳体中。在一个示例中，这些可以集成到车辆上的侧视镜中，例如，作为集成在卡车、农场装备、建筑装备等上的侧视镜中的传感器塔。在另一个示例中，其它传感器可以是车顶-顶部壳体112或其它传感器壳体或单元114和/或116的一部分。计算设备202可以与位于车辆上或沿着车辆分布的传感器组件通信。传感器组件232也可以位于牵引车单元102或拖车104上的不同地点，如上面关于图1A-B所述。计算设备202可以与位于牵引车单元102和拖车104两者上的传感器组件通信。每个组件可以具有诸如上述传感器的一种或多种类型的传感器。

在图2A中还示出了用于牵引车单元和拖车之间的连接性的耦合系统234。耦合系统234可以包括在牵引车单元处的一个或多个动力和/或气动连接236和第五轮238，用于连接到拖车的主销。

通信系统240也被示为车辆系统200的一部分。例如，通信系统240还可以包括一个或多个无线配置，以促进与其它计算设备(诸如车辆内的乘客计算设备、车辆外部的计算设备(诸如在道路上在车辆附近的另一个车辆中)和/或远程服务器系统)的通信。此类连接可以包括短距离通信协议，诸如Bluetooth^TM、Bluetooth^TM低能耗(LE)、蜂窝连接，以及各种配置和协议，包括互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用一个或多个公司专有的通信协议的专用网络、以太网、WiFi和HTTP，以及上述各项的各种组合。

图2B图示了基于拖车的子系统的示例框图250，诸如可能包括在图1A-B的拖车104中的。如图所示，该系统包括一个或多个计算设备的ECU 252，诸如包含一个或多个处理器254、存储器256和通常在通用计算设备中存在的其它部件的计算设备。存储器256存储一个或多个处理器254可访问的信息，包括可由(一个或多个)处理器254执行或以其它方式使用的指令258和数据260。来自图2A的处理器、存储器、指令和数据的描述适用于图2B的这些元件。

ECU 252被配置为从拖车单元接收信息和控制信号。ECU 252的车载处理器254可以与拖车的各种系统(包括减速系统262、信令系统264和定位系统266)通信。ECU 252还可以可操作地耦合到具有一个或多个传感器的感知系统268，该传感器用于检测拖车环境中的物体，以及动力系统270(例如，电池电源)以向本地部件提供电力。拖车的车轮/轮胎272中的一些或全部可以耦合到减速系统262，并且处理器254可以能够接收关于轮胎压力、平衡、温度、车轮速度和其它可能影响自主模式的驾驶中的驾驶的信息，并将该信息中继到牵引车单元的处理系统。减速系统262、信令系统264、定位系统266、感知系统268、动力系统270和车轮/轮胎272可以以诸如以上关于图2A描述的方式操作。

拖车还包括起落架274的集合以及耦合系统276。起落架在与牵引车单元解耦时为拖车提供支撑结构。可以是耦合系统234的一部分的耦合系统276提供拖车和牵引车单元之间的连接性。因此，耦合系统276可以包括连接区段278(例如，用于动力和/或气动连杆)。如图所示，耦合系统276还包括被构造为与牵引车单元的第五轮的连接性的主销280。

示例实施方式

考虑到上述和附图中所示的结构和配置，现在将根据该技术的方面来描述各个方面。

如上所述，各种传感器可以位于车辆周围的不同地方(参见图1A-B)，以从外部环境和/或车辆本身的不同部分搜集数据。某些传感器可以在外部环境中具有不同的视场(FOV)，这取决于它们在车辆周围的放置以及它们被设计为搜集的信息的类型。例如，不同的激光雷达传感器可以被用于与车辆相邻(例如，小于2-10米)的物体的近距离(短距离)检测，而其它传感器可以被用于车辆前方一百米(或更多或更少)的物体的远距离(长距离)检测。也可以采用中距离激光雷达。多个雷达单元可以朝着车辆的前方或后方定位，以进行长距离物体检测。并且相机可以被布置为提供车辆周围的良好可见度。取决于配置，某些类型的传感器可以包括具有重叠视场的多个传感器。可替代地或附加地，其它传感器可以提供冗余的360°视场。除了检测车辆外部的环境中的物体外，这些传感器还可以被用于确定车辆的实际姿态，包括例如拖车相对于货运车辆的牵引车单元的朝向。

图3提供了与传感器相关的传感器视场的一个示例300，诸如图1B中所示的。如图3的示例300中所示，车顶传感器壳体302中的(一个或多个)激光雷达可以具有FOV 304。在此，如区域306所示，车辆的拖车或其它铰接部分可以提供信号返回，并且可以部分或完全地阻挡外部环境的后视图。牵引车单元左侧和右侧308a、308b上的长距离激光雷达具有FOV310a和310b。这些可以沿着车辆的侧面和前部覆盖重要区域。如图所示，在车辆前方可以存在其视场的重叠区域312。重叠区域312为感知系统提供了关于位于牵引车单元的正前方的非常重要的区域的附加信息。这种冗余性也具有安全性方面。如果长距离激光雷达传感器之一的性能下降，那么冗余性仍将允许以自主模式操作。车辆左侧和右侧的短距离激光雷达具有较小的FOV 314a和314b。两种类型的激光雷达可以共同位于一个壳体中。在附图中为了清楚起见，在不同视场之间示出了空格；但是，实际上覆盖范围不会中断。传感器组件的具体放置和视场仅是示例性的，并且可以取决于例如车辆的类型、车辆的尺寸、FOV要求等而不同。

示例场景

如上所述，该技术的各方面涉及相对于车辆的外部环境评估关于车辆的实际和预期信息，以确定异常的操作状况。原因可以是漏气轮胎、机械故障、货物丢失或移位，或某个其它原因。这种信息可以被用于管理或更改当前的驾驶操作。它也可以被用于修改或重新计划路线的即将到来的部分，并且还可以将这种情况和车辆维修的潜在需求告知远程设施。

与轿车和小型货车之类的较小型车辆相比，大型自驾驶车辆(诸如牵引车-拖车卡车和其它货车车辆)更容易受到异常问题(诸如漏气轮胎和货物移位)的影响。拖车或大型车辆的整体移动可以取决于重量分布和/或漏气轮胎沿着车辆在什么位置。因此，确定存在异常状况以及该状况所引起的状况可能对如何尽可能安全地操作车辆以及是否可能警告其它车辆或远程协助服务具有重大影响。

如图2A中所示，车载计算系统可以存储车辆模型(诸如牵引车-拖车车辆的运动学或动态模型)。运动学模型是几何模型，并且可以被用于以速度不变的方式预测或描述车辆运动。但是，可以采用动力学模型，例如考虑取决于速度的因素(例如，阻力和滑移)。可以对车辆模型进行校准以考虑实际情况和驾驶情况。例如，它可能会考虑到路的形状(例如，笔直或弯曲)、倾斜或下坡角度、表面类型(例如，沥青、混凝土或砾石)、坑洼等。牵引车单元和挂车与拖车彼此的位置关系是模型的一部分。为了增强的准确性，可以以每个车辆或每个拖车为基础上对车辆模型进行校准。当选择驾驶路线或以其它方式以自主驾驶模式控制车辆时，车辆模型可以被诸如图2A的计划器模块223之类的计划子系统采用。它也可以被计算系统的另一个部分采用，例如，当采取校正动作时(例如，紧急制动或换道以避开障碍)。

该系统采用车辆模型来确定车辆在沿着道路的区域在特定时间点的预期姿态。牵引车和/或拖车的感知系统被用于检测沿着该道路区域在该特定时间点的车辆的实际姿态。可以将检测到的信息(包括车辆的姿态及其沿着道路的位置)与基于车辆模型预期的信息进行比较。如果基于模型的预期与检测到的信息不匹配或偏离超出某个阈值量，那么可以使用各种技术来确定车辆行为偏离的原因以及是否存在异常情况。响应于此，车载计算机系统可以使得采取校正动作。

车载系统可以采用启发法(heuristic)或机器学习(ML)模型来确定行为的原因。具体启发法的示例是在相似条件下(例如，雨、风、拖车负荷等)在同一条道路上保持其它类似类型的自驾驶车辆的历史，并从中确定可以相对于标称车辆模型预期多少变化。然后，系统可以检查实际拖车位置是否超过这个变化某个固定阈值Δ(例如，2-20厘米，或更大或更小)，所述变化在某个固定时间间隔(例如，至少0.5-5秒)内持续存在，以避免由于如坑洼或颠簸之类的临时道路状况而引起误报。

另一种方法将是在系统操作期间在线学习拖车的运动学或动力学模型的参数，诸如在自动驾驶模式下。这个模型将取决于场景，考虑路况、天气和/或拖车负荷等。这个模型还可以包括被表述为运动中的噪声的预期变化，例如采用连续时间随机处理(例如，维纳处理)。在这种情况下，系统可以将确定是否存在异常的问题作为假设检验。一种方法是使用p值阈值，该阈值将与测试实际拖车运动是否超出模型预测的变量取决于估计的法向变量的距离对应。

可以使用分布式数据搜集处理来获得车辆模型。例如，来自自主和/或手动操作的整个车辆车队的驾驶数据可以被用来在车外且不是实时地训练模型。在此，系统可以将来自任何给定车辆的传感器数据与这个模型进行比较，以检测异常。一旦确定发生了异常，系统就可以将来自当前感兴趣的车辆的数据与先前在其它车辆上观察到的异常进行比较，以识别异常的性质并确定正确的响应。为了不断地收集训练示例，来自每个车辆的传感器日志可能会实时传输到一个或多个中央服务器，或者在具体地点批量上传，以便进行整理和处理。这个处理可以是全自动的或涉及感兴趣的情况的一些手动识别。该处理的输出将是根据所有这些数据估计的动力学模型。在一个场景中，该模型可以在每个车辆上使用，其中该模型可以基于以下输入中的任何一个、组合或全部来预测车辆和拖车的可能运动(理想情况下是其自身的不确定性)：

a)车辆上命令的控制，

b)传感器数据(例如，速度、路况、天气和地点)，

c)特定于车辆的校准参数，

d)在短期存储器(LSTM)或类似模型(以允许长期异常的检测)中的历史记录。

可以采取类似的方法来学习模型，该模型可以确切地识别发生了什么异常。为此，将在发生异常时收集传感器日志并基于异常的性质进行标记。学习模型的输入将与上述相同，再加上观察到的车辆和拖车的运动，现在的输出将是异常的可能性质和严重性。存在对这个通用方案的其它变体。例如，可以训练模型，该模型可以同时预测异常发生的时间和类型。或者，代替确定原因和严重性，模型可以直接从预定义的选项集合中输出适当的响应。此外，轻量级模型可以快速且廉价地确定何时适于采用用于完整处理的更昂贵(例如，资源密集型)、可能是车外的模型。

量化车辆模型在不同情况下的准确性也可以有所帮助。这将有助于系统检测车辆何时遇到异常，而不仅仅是模型可能不准确的情况。系统可以量化模型在统计上的准确性，例如利用置信区间集合或其它值。可替代地或附加地，可以启发式地(heuristically)评估准确性。例如，如果确定模型在湿滑坡度上具有相对较低的准确性，那么系统可以确定忽略或忽视这种情况下的较大差异。

可以得益于此类分析的一种异常行为场景涉及漏气轮胎或低压力轮胎。图4A-C图示了针对漏气轮胎402的一个示例400。如图4A-B中所示，漏气的轮胎是位于货车左侧的后轮胎。图4C是示出拖车如何可以以角度(θ)倾斜到漏气轮胎侧的放大图，该角度可以为1-5°或更大或更小。在一种情况下，如果这个角度超过阈值Δ，那么可以采取校正动作。

例如，轮胎压力的部分或全部丢失可能导致车辆运动突然移位，然后由于车辆左侧或右侧的平坦而可能以某个横向偏移漂移。这可以在几厘米至10-20厘米或更多或更少的数量级上。可能足够显著以至于肯定要采取校正动作的与预测或估计姿态的差异量取决于几个因素。例如，在当前环境条件下，系统预期多少变化(Δ)？如果路面潮湿，那么可以预期更多变化。另一个因素是实际检测到的拖车姿态有多准确？这可以受到传感器的数量、类型和放置以及它们相应的准确性的影响。另一个因素是校正动作的预期成本。举例来说，如果将相机定位成使得其能够看到问题，那么该系统可能能够将一个或多个短视频传输到远程协助服务以评估情况。取决于评估结果，可以采取或推迟采取校正动作，直到车辆到达其预定目的地或服务设施。但是，如果不可能获得实时或接近实时的响应，那么车载系统可以选择要采取什么动作。可替代地，如果姿态变化超过默认阈值(例如，横向变化大于10厘米，或更多或更少)，那么立即停车(pullover)或改变路线可能是合适的。例如，如果车辆确定拖车在标称范围外行驶，那么它可以更改路线以避开陡峭的斜坡或高曲率的道路，以更好地维持安全裕度。

在这个场景中，如果车载计算机系统确定移位或漂移会对当前驾驶操作产生不利影响，或者可能影响即将发生的操作，那么系统可以使车辆减速、改变车道、立即停车、绕道行驶到服务区域，或采取某种其它动作。

其它场景涉及货物位移。图5A-B图示了货物从车辆上掉落的示例500。例如，管道、原木或其它物体可以通过一个或多个带子502(图5A)堆叠并保持在适当的位置。如果带子失效，那么一些或所有物体会断裂并从车辆上掉落，如在图5B中所看到的。在此，取决于货物的尺寸、重量、分布等，这会影响车辆操作。掉落的货物会造成车辆的姿态(特别是拖车的姿态)的移位。并且一旦货物不在了，车辆的整体质量就会减小。这会减小轮胎的动量和摩擦力。总体效果是，在货物丢失后，拖车路径的曲率将更匹配牵引车的路径。在此，例如除了停车以便剩余的货物得以固定之外，校正动作还可以包括向相关方(例如，安全驾驶员、货物经销商、警察和/或负责道路的公共工程部门等)通知丢失的货物的地点。

另一种位移情况涉及货物的移位。在此，货物可能沿着拖车向前或向后滑动。可替代地或附加地，它也可以从一侧移位到另一侧。图6A-B图示了横向货物移位的示例600。虽然车辆运载的货物的总质量不会改变，但其重量分布会改变，这会影响驾驶操作。例如，货物的横向移位会造成拖车的对应横向移位和/或倾斜。向后移位的货物会增加轮胎的摩擦力和惯性矩。因此，与牵引车的路径相比，拖车的路径的曲率会更大(例如，使得拖车越过车道线)。向钱移位的货物将产生相反的效果。在此，货物的质心将移位到更靠近第五轮/主销连接处，这可以通过压力传感器或其它车载传感器(诸如陀螺仪)检测到。

车载计算机系统可以使用其对当前(和计划的)驾驶行为的了解来确定何时最有可能货物移位，例如，基于鉴于即将到来的道路构造和相关的环境因素(例如，潮湿的表面、强风等)的加速、制动或转弯。系统可以基于货物的类型、情况的严重性或其它因素来选择校正(或预期)动作。例如，如果有可能损坏货物，那么可以在下一站或最后一站进行检查。并且，如果确定货物移位足够显著以至于影响燃油经济性，那么车辆可以立即采取动作，例如，通过降低速度或在另一个辆卡车后方牵引(drafting)、请求在方便时(例如在下一个预定的加油或货物卸载站等)重新分布货物。

图7A和7B图示了可能由于丢失或移位的货物而引起的车辆位置变化的两个示例。在图7A的示例700中，当车辆转弯时，系统可以预期相对较小的转弯半径。但是，由于货物的问题，实际观察到的转弯半径可以更大，从而导致偏差Δ₁。在图7B的示例710中，当车辆沿着道路行驶时，系统可以预期拖车沿着与牵引车成一直线的第一轨迹移动。在此，由于丢失或移位的货物，实际观察到的拖车轨迹可以更宽或与牵引车的轨迹不符，从而导致偏差Δ₂。

系统还可以基于接收到的传感器数据来预测沿着路线的即将到来的区段的操纵问题的可能性。这种预测还可以考虑其它信息，诸如接收到的天气数据、测得的温度和/或湿度信息、来自车载地图的地形数据等，以及其它车辆如何驾驶通过或沿着道路的特定路段。

这样的示例在图8A-B中示出。特别地，图8A图示了在第一时间点800期间沿着高速公路的车道行驶的诸如图1A的牵引车-拖车100之类的车辆。计划器模块可能已经计划车辆留在(stay in)如直线箭头802所示的车道上。但是，在这个示例中，车辆的系统可以确定存在陡峭的下坡(例如，下降10°或更大)，并且还可以确定存在将不利地影响以这种陡峭角度下的驾驶的车辆的异常状况(例如，货物移位)。在这种情况下，如图8B中的时间点810所示，计划器模块更改路径，如带角度的箭头812所示，从而使车辆的驾驶系统停下(pull over)。

由于与预期位置、朝向和/或速度的偏差，可能会出现指示车辆状况异常的差异。仅作为示例，如果在实际与预期纵向位置之间存在至少10-50厘米的差，那么系统可以标记纵向位置的差异。类似地，如果实际与预期横向位置之间存在至少5-30厘米的差，那么系统可以标记横向位置差异。在另一个示例中，如果车辆(牵引车或拖车)的朝向偏离了大于大约1-5度，那么这可以指示朝向差异。并且在另外的示例中，如果速度相差大于大约1-3m/s，那么也可以将其标记为与异常状况相关联的差异。此类差异值和范围仅仅是示例性的，并且可以更高或更低。

此类确定的结果可以反馈到计划器模块或车辆控制系统的另一个部分，并可以以多种方式被使用。例如，取决于异常状况的类型，系统可以调整沿着路线的给定部分在轨迹生成中使用的容许减速(或加速)的量。如果在车辆前方或后方检测到汽车或其它物体(例如，经由激光雷达、雷达、相机或其它传感器)，那么可以将额外的超车量(headway)结合到驾驶计划中。还可以执行先发制人的制动以避免潜在的碰撞情况。制动曲线和/或期望的停止点也可以根据以上信息来选择。

系统的其它方面可以涉及立即的校正动作和路线重新计划。立即的校正动作可以包括短期或长期制动。并且计划器模块可以对路线进行调整，以避开或最小化打滑或牵引车相对于拖车成折角(jackknifing)的可能性。例如，车辆可以如图8B中所示改变车道或停车，或者可以采取避开即将到来的丘陵或道路的弯曲部分的替代路线。在其它示例中，路线重新计划可以包括采取高速公路上更近或更远的出口、改变目的地地点(例如，下车点)等。还有，车辆可以行驶得更慢，诸如低于标示的速度5-10mph或更多，以更好地解决异常状况。在又一个示例中，知道哪些轮胎漏气或压力不足将有助于进行操纵计划。在此，控制系统(例如，计划器模块)可以指示转向系统进行调整，以使车辆以最小化损坏或压力不足的轮胎的影响的方式行驶。

除了将异常状况信息用于车辆的操作之外，这个信息还可以与其它车辆共享，诸如作为车队的一部分的车辆。图9A和9B图示了这种情况的一个示例。特别地，图9A是示意图900，而图9B是示例系统的功能图950，该示例系统包括经由网络916连接的多个计算设备902、904、906、908和存储系统910。该系统还包括车辆912和914，它们可以被配置为与图1A-B的车辆100相同或相似。车辆912和/或车辆914可以是车辆的车队的一部分。虽然为简单起见仅描绘了少数车辆和计算设备，但是典型的系统可以包括显著更多的车辆和计算设备。

如图9B中所示，计算设备902、904、906和908中的每一个可以包括一个或多个处理器、存储器、数据和指令。此类处理器、存储器、数据和指令可以类似于以上关于图2A所描述的那样配置。

各种计算设备和车辆可以经由一个或多个网络(诸如网络916)通信。网络916和中间节点(intervening nodes)可以包括各种配置和协议，包括短距离通信协议(诸如Bluetooth^TM、Bluetooth LE^TM)、互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用一个或多个公司专有的通信协议的专用网络、以太网、WiFi和HTTP，以及上述的各种组合。能够与其它计算设备往返传输数据的任何设备(诸如调制解调器和无线接口)都可以促进这种通信。

在一个示例中，计算设备902可以包括具有多个计算设备的一个或多个服务器计算设备，例如负载平衡服务器场，其与网络的不同节点交换信息以用于接收、处理和与其它计算设备往返传输数据。例如，计算设备902可以包括能够经由网络916与车辆912和/或914的计算设备以及计算设备904、906和908通信的一个或多个服务器计算设备。例如，车辆912和/或914可以是可以由服务器计算设备调度到不同地点的车辆的车队的一部分。就这一点而言，计算设备902可以用作调度服务器计算系统，该调度服务器计算系统可以被用于将车辆调度到不同地点，以便搭载和运送货物或搭载并放下乘客。此外，服务器计算设备902可以使用网络916来向其它计算设备之一的用户或车辆的乘客传输并呈现信息。就这一点而言，计算设备904、906和908可以被认为是客户端计算设备。

如图9A中所示，每个客户端计算设备904、906和908可以是旨在由相应用户918使用的个人计算设备，并且具有通常与个人计算设备结合使用的所有部件，该个人计算设备包括一个或多个处理器(例如，中央处理单元(CPU))、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视机或其它设备、诸如可操作以显示信息的智能手表)，以及用户输入设备(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的摄像头、扬声器、网络接口设备以及用于将这些元件彼此连接的所有部件。

虽然客户端计算设备可以各自包括全尺寸的个人计算设备，但是它们可以可替代地包括能够通过诸如互联网之类的网络与服务器无线交换数据的移动计算设备。仅作为示例，客户端计算设备906和908可以是移动电话、或诸如启用无线功能的PDA、平板电脑、可穿戴计算设备(例如，智能手表)或能够经由互联网或其它网络获得信息的上网本的设备。

在一些示例中，客户端计算设备904可以是管理员或操作者用来与被调度车辆的乘客通信的远程协助工作站。虽然在图9A-9B中仅示出了单个远程协助工作站904，但是在给定系统中可以包括任何数量的此类工作站。而且，虽然将操作工作站描绘为台式计算机，但是操作工作站可以包括各种类型的个人计算设备(诸如便携式计算机、上网本、平板计算机等)。

存储系统910可以是能够存储服务器计算设备1202可访问的信息的任何类型的计算机化存储装置，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、闪存驱动器和/或带驱动器。此外，存储系统910可以包括分布式存储系统，其中数据存储在物理地可以位于相同或不同地理地点的多个不同存储设备上。如图9A-B中所示，存储系统910可以经由网络916连接到计算设备，和/或可以直接连接到或结合到任何计算设备中。

存储系统910可以存储各种类型的信息。例如，存储系统910还可以存储将由诸如车辆912或914之类的车辆使用的自主车辆控制软件，以在自主驾驶模式下操作此类车辆。它可以存储车队中每种类型的车辆的车辆模型信息。存储系统910还可以存储地图信息、路线信息、天气信息等。这种信息可以与车辆912和914共享，例如以帮助通过(一个或多个)车载计算机系统进行实时路线计划和牵引力分析。远程协助工作站904可以访问所存储的信息并使用它来协助单个车辆或车队的操作。举例来说，领头车辆可以检测其自身或另一个车辆的异常状况，并将关于该状况的信息发送到远程协助工作站904。进而，远程协助工作站904可以将信息传播给车队中的其它车辆，从而它们可以更改其路线或采取其它校正动作。

在有乘客或远程协助人员(例如，安全驾驶员)的情况下，车辆或远程协助工作站可以直接或间接地与该人的客户计算设备通信。在此，例如，可以向乘客或远程协助人员提供有关当前驾驶操作、响应于情况而对路线的改变等的信息。然后，乘客或远程协助人员可以向车辆提供指示和/或接管驾驶操作的部分或全部。

图10图示了根据以上讨论的示例性操作方法1000。例如，在方框1002处，车辆的一个或多个处理器基于车辆的模型来确定车辆的预期姿态。车辆模型可以是存储在车载存储器中的运动学模型。可替代地，模型可以被远程存储，例如，存储在远程协助服务的服务器上。

在方框1004处，车辆的感知系统的一个或多个传感器在以自主驾驶模式操作期间获得传感器数据。传感器数据指示(i)车辆周围环境中的物体或(ii)特定于车辆的信息中的至少之一。举例来说，特定于车辆的信息可以包括姿态信息、指示轮胎状态的声学信息和/或指示瞬时轮胎压力或货物负载分布中的至少一个的压力信息。

在方框1006处，由一个或多个处理器接收由感知系统获得的传感器数据。在方框1008处，一个或多个处理器基于接收到的传感器数据来引导车辆的驾驶系统。在方框1010处，根据接收到的传感器数据来确定车辆的实际姿态。

在方框1012处，将实际姿态与预期姿态进行比较。在方框1014处，基于所比较的实际姿态与期望姿态，一个或多个处理器检测姿态差异。例如，差异可以反映距另一个物体的相对距离、朝向(例如，偏航)、行进方向等的变化(差量delta)。在方框1016处，一个或多个处理器基于检测到的姿态差异来确定车辆的异常状况。

在一个示例中，在系统确定存在异常状况之前，变化可能需要超过阈值。在这种情况下，阈值可以是例如与预期基线的百分比偏差(例如，2-5％或更多或更少)、物理距离或角度差量(例如，大于5-20厘米或超过1-5°)或某个其它因素。因此，可以确定异常状况的一种方式是通过变化超过阈值。变化也可以以其它方式使用，诸如在具有与特定异常状况相关的不同值的查找表中。其它方面可以采用启发法或机器学习方法或其它模型来确定异常状况已经发生。然后，在方框1018处，响应于异常状况而采取校正动作。

除非另有说明，否则前述替代示例不是互相排斥的，而是可以以各种组合实现以实现独特的优点。由于可以在不脱离权利要求定义的主题的情况下利用以上讨论的特征的这些和其它变体以及组合，因此，对实施例的前述描述应当通过说明的方式而不是通过对权利要求定义的主题的限制的方式来进行。此外，本文描述的示例的提供以及用“诸如”、“包括”等短语表达的条款不应当被解释为将权利要求的主题限制到具体示例；更确切地说，这些示例仅旨在说明许多可能的实施例之一。另外，在不同附图中的相同附图标记可以识别相同或相似的元件。除非本文另外明确指出，否则这些处理或其它操作可以以不同的此序或同时执行。

Claims

1.一种被配置为在自主驾驶模式下操作的车辆，包括：

驾驶系统，包括转向子系统、加速子系统和减速子系统，以在所述自主驾驶模式下控制所述车辆的驾驶；

感知系统，包括多个传感器，所述多个传感器中的每一个传感器沿着所述车辆定位；以及

控制系统，可操作地连接到所述驾驶系统和所述感知系统，所述控制系统具有一个或多个计算机处理器，所述计算机处理器被配置为：

基于所述车辆的模型，确定所述车辆的预期姿态；

从所述感知系统接收传感器数据；

基于从所述感知系统接收到的所述传感器数据，在自主驾驶模式下操作时，引导所述驾驶系统；

将所述接收到的传感器数据与所述车辆的所述预期姿态进行比较；

基于所述接收到的传感器数据与所述预期姿态之间的比较，检测姿态差异；

基于检测到的姿态差异，确定所述车辆的异常状况；以及

响应于所述异常状况，实现校正动作。

2.如权利要求1所述的车辆，其中所述异常状况是漏气轮胎、部件机械故障、货物移位或货物丢失。

3.如权利要求2所述的车辆，其中所述控制系统被配置为根据所述货物的类型实现所述校正动作。

4.如权利要求1所述的车辆，其中所述多个传感器包括：

激光雷达、雷达或摄像传感器中的至少一个，并且特定于车辆的信息是姿态信息；或者

声学传感器或压力传感器中的至少一个，所述声学传感器被配置为检测所述车辆的一个或多个轮胎的音频信息，并且所述压力传感器被配置为检测轮胎压力或者货物的负荷分布。

5.如权利要求4所述的车辆，其中所述特定于车辆的信息包括以下中的至少一个：来自所述声学传感器的指示轮胎状态的声学信息、或来自所述压力传感器的指示瞬时轮胎压力或货物负荷分布中的至少一个的压力信息。

6.如权利要求1所述的车辆，其中所述车辆是具有牵引车单元的卡车，所述牵引车单元包括可调整地耦合到拖车的耦合系统。

7.如权利要求6所述的车辆，其中所述车辆还包括所述拖车。

8.如权利要求6所述的车辆，其中所述检测到的姿态差异是所述拖车从相对于所述牵引车单元的预测朝向的移位。

9.如权利要求1所述的车辆，其中所述车辆的模型是存储在所述控制系统的存储器中的运动学模型。

10.如权利要求1所述的车辆，其中所述多个传感器中的每一个传感器被配置为检测所述车辆周围环境中的物体。

11.如权利要求1所述的车辆，其中所述多个传感器中的每一个传感器被配置为检测关于车辆的特定于车辆的信息。

12.一种在自主驾驶模式下操作车辆的方法，该方法包括：

基于所述车辆的模型，由所述车辆的一个或多个处理器确定所述车辆的预期姿态；

由所述车辆的感知系统的一个或多个传感器在所述自主驾驶模式下的操作期间获得传感器数据；

由所述一个或多个处理器从所述感知系统接收所述获得的传感器数据；

由所述一个或多个处理器基于接收到的传感器数据来引导所述车辆的驾驶系统；

由所述一个或多个确定处理器根据所述接收到的传感器数据来确定所述车辆的实际姿态；

由所述一个或多个处理器将所述实际姿态与所述预期姿态进行比较；

由所述一个或多个处理器基于比较所述实际姿态与所述预期姿态来检测姿态差异；

由所述一个或多个处理器基于所述检测到的姿态差异，确定所述车辆的异常状况；以及

响应于所述异常状况，实现校正动作。

13.如权利要求12所述的方法，其中异常状况是漏气轮胎、部件机械故障、货物移位或货物丢失。

14.如权利要求13所述的方法，其中实现校正动作是：

根据所述货物的类型被执行；或者

包括将与所述异常状况相关的信息传输到或者另一辆车辆或者远程协助服务。

15.如权利要求12所述的方法，其中特定于车辆的信息是姿态信息。

16.如权利要求12所述的方法，其中获得所述传感器数据包括检测所述车辆的一个或多个轮胎的音频信息、或者检测轮胎压力或者货物的负荷分布中的至少一个。

17.如权利要求12所述的方法，其中特定于车辆的信息包括指示轮胎状态的声学信息、或者指示瞬时轮胎压力或货物负荷分布中的至少一个的压力信息中的至少一个。

18.如权利要求12所述的方法，其中检测所述姿态差异包括检测所述车辆的拖车从相对于所述车辆的牵引车单元的预测朝向的移位。

19.如权利要求12所述的方法，其中所述车辆的模型是运动学模型。

20.如权利要求19所述的方法，还包括从所述车辆的车载存储系统中检索所述运动学模型。

21.如权利要求12所述的方法，其中所述传感器数据指示所述车辆周围环境中的物体。

22.如权利要求12所述的方法，其中传感器数据指示关于所述车辆的特定于车辆的信息。