CN112839853B

CN112839853B - 响应式车辆控制

Info

Publication number: CN112839853B
Application number: CN201980067082.2A
Authority: CN
Inventors: A·K·阿克拉; J·胡德塞克
Original assignee: Zoox Inc
Current assignee: Zoox Inc
Priority date: 2018-10-15
Filing date: 2019-10-15
Publication date: 2023-08-22
Anticipated expiration: 2039-10-15
Also published as: US20210026363A1; US11755020B2; EP3867117A2; WO2020081565A3; JP7425052B2; US10816987B2; JP2022504979A; WO2020081565A2; CN112839853A; US20200117200A1

Abstract

本发明描述了一种车辆和用于控制车辆的方法，以用于控制诸如自动驾驶车辆的车辆的加速度确定。在示例中，识别车辆环境中的物体，并且确定每个物体将影响车辆行驶的概率。还可以确定用于响应于每个物体的各个加速度。还可基于概率来确定每个加速度的加权因子。可以基于加权因子和加速度来确定控制加速度。

Description

响应式车辆控制

相关申请的交叉引用

该PCT国际专利申请要求于2018年10月15日提交的序列号为16/160,594的美国专利申请的优先权，其公开内容通过引用并入本申请。

背景技术

计划系统利用与环境中的物体(例如，动态行为主体)相关联的信息来确定相对于那些物体的动作。例如，一些现有系统在确定物体可能进入车辆的行驶路径时控制车辆减速和/或停止。但是，常规模型可能高估或低估了物体的行为，这可能会导致突然的加速或减速，从而使骑车人的行驶变得不愉快。例如，当在环境中行驶时确定动作或反应时，常规系统可能不考虑与多个物体相关联的概率，从而导致低于最佳效率和/或乘客舒适度和满意度。

附图说明

参照附图描述详细描述。在附图中，附图标记的最左边的数字标识该附图标记首次出现的附图。在不同附图中使用相同的附图标记表示相似或相同的组件或特征。

图1是示出在如本文所述的环境中的响应式车辆控制的示例实施方式的示意图。

图2是示出了如本文所述的用于响应式车辆控制的示例计算系统的框图。

图3是示出了如本文所述的用于使用响应式车辆控制在环境中导航车辆的示例方法的流程图。

具体实施方式

本文描述的技术针对环境中的车辆(例如，自动驾驶车辆)的响应式控制。例如，在本文描述的实施方式中，可以通过考虑车辆环境中的多个不同的物体(例如，动态障碍物，包括但不限于行人，动物，骑自行车的人，卡车，摩托车，其他车辆等)以及这些物体的预测动作来确定沿计划路径的车辆的控制(例如，加速度，转向角，扭矩等)。例如，可以以对多个物体中的每个物体的多个离散反应的加权平均值的加速度来控制车辆。

作为非限制性示例，自动驾驶车辆的计算设备可以接收传感器数据并确定环境中的一个或多个物体和/或环境中的一个或多个物体的属性。例如，计算设备可以针对每个检测到的物体确定物体将影响行驶的概率，例如，物体将进入车辆的行驶路径的概率。例如，概率可以由预测系统使用物体分类、预测模型等来确定。

该计算设备还可以响应于不同事件来确定自动驾驶车辆的加速度。例如，计算设备可以将第一加速度计算为在没有任何其他物体的情况下自动驾驶车辆将沿行驶路径行驶的加速度。在一些示例中，第一加速度可以是获得或维持期望速度(例如，速度限制)的加速度，或第一加速度可以是维持与领航车辆的距离的加速度。该计算设备还可以响应于检测到的物体来计算加速度。例如，计算设备可以确定如果检测到的附加车辆并入到自动驾驶车辆前方的交通中，则自动驾驶车辆将以第二加速度行进，或如果检测到的行人横穿道路，则确定自动驾驶车辆将以第二加速度行进。因此，在一些示例中，计算设备可以计算与检测到的物体一样多的加速度。

在一些示例中，自动驾驶车辆的计算设备还可以为每个确定的加速度确定加权因子。例如，第一加速度可以具有固定的加权因子，例如，因为该加速度可以是默认或优选的加速度。每个第二加速度的加权因子可以基于每个事件将发生的概率。继续以检测到的可能横穿马路的行人为例，与响应于该行人的第二加速度相关联的加权因子可以是行人横穿马路的概率的函数。

在一些实施方式中，可以使用加权因子将用于自动驾驶车辆的控制加速度确定为每个确定的加速度的加权平均值。因此，例如，在确定控制加速度时可以考虑每个物体。而且，由于加权因子可以是事件概率的函数，所以可以对物体进行相对加权。

本文描述的系统和技术不同于先前的系统，因为先前的系统仅基于事件发生的可能性来选择控制加速度。例如，在先前的系统中，如果示例行人在自动驾驶车辆前横过的可能性超过阈值，则该车辆将响应于该事件的第二加速度用作控制加速度。替代地，如果该行人过马路的可能性低于阈值，则忽略该行人(和响应加速度)。因此，与常规系统不同，当确定控制加速度时，本公开的方面可以包括更多事件。这种包含可导致乘客乘更平稳，并增加环境中自动驾驶车辆和/或物体的安全性。

本文描述的技术针对于利用传感器和感知数据来使诸如自动驾驶车辆的车辆能够增加与穿越环境相关联的安全水平，同时避开环境中的物体，还提供令人愉快的乘坐体验。本文描述的技术可以利用语义和/或概率信息来确定沿驾驶路径的车辆加速度(和/或其他控制)，以使得与现有的导航技术相比，车辆可以以更有效的方式和/或增加乘客的舒适度相对于那些物体行驶。例如，本文描述的技术可以提供对现有预测和导航技术的技术改进。除了提高传感器数据可用来确定车辆加速度的精度外，本文所述的技术可通过例如更准确地确定车辆可操作以到达预期目的地的安全速度来提供更平稳的行驶并改善安全结果。本文所述的技术还可以减少与车辆相关联的部件磨损和能量需求。例如，现有技术可能更剧烈地制动和/或加速，从而在车辆部件上施加附加和不必要的压力。

图1-3提供了与本文描述的技术相关联的附加细节。

图1是示出通过如本文所述的环境的车辆的响应式控制的示例实施方式的示意图。更具体地，图1示出了车辆102在其中运行的示例环境100。在所示的示例中，车辆102在环境100中行驶，尽管在其他示例中，车辆102可以是静止的和/或停在环境100中。一个或多个物体或代理也位于环境100中。例如，图1示出了两个附加车辆104a，104b(统称为“附加车辆104”)和行人106。尽管未示出，但是任何数量和/或类型的物体，包括静止物体(例如，路标，已停放车辆，消防栓，建筑物，路缘石等)，和/或动态物体(例如，行人，动物，骑自行车的人，卡车，摩托车，其他车辆等)可以附加或替代地存在于环境100中。

车辆102可以是配置为根据美国国家公路交通安全管理局发布的5级分类进行操作的自动驾驶车辆，该级别描述了一种能够在整个行程中执行所有对安全至关重要的功能的车辆，而驾驶员(或乘员)在任何时候都不希望控制该车辆。在这样的示例中，由于车辆102可以被配置为控制从开始到停止的所有功能，包括所有停车功能，所以它可以是空的。这仅是示例，并且本文描述的系统和方法可以被结合到任何地面、空中或水上车辆中，包括从需要始终由驾驶员手动控制的车辆到部分或完全自主控制的车辆。下面描述与车辆102相关联的附加细节。

在图1的示例中，车辆102可以与一个或多个传感器系统108相关联。所述一个或多个传感器系统108可以生成传感器数据110，该传感器数据110可以被与车辆102相关联的一个或多个车辆计算设备112利用，以识别一个或多个物体，例如，附加车辆104和/或行人106。所述一个或多个传感器系统108可以包括但不限于光检测和测距(LIDAR)传感器，无线电检测和测距(RADAR)传感器，超声换能器，声音导航和测距(SONAR)传感器，位置传感器(例如，全球定位系统(GPS)，指南针等)，惯性传感器(例如，惯性测量单元，加速度计，磁力计，陀螺仪等)，渡越时间传感器，相机(例如，RGB，IR，强度，深度等)，车轮编码器，麦克风，环境传感器(例如，温度传感器，湿度传感器，光传感器，压力传感器等)等。

在至少一个示例中，一个或多个车辆计算设备112可以包括感知系统，该感知系统可以至少部分地基于从传感器系统108接收的传感器数据110来执行物体检测，分割和/或分类。例如，感知系统可以基于由传感器系统108生成的传感器数据110在环境100中检测附加车辆104和/或行人106。附加地，感知系统可以确定附加车辆104和/或行人106的范围(例如，高度，重量，长度等)，附加车辆104和/或行人106的姿态(例如，x坐标，y坐标，z坐标，俯仰，滚转，偏航)和/或附加车辆104和/或行人106的附加属性。所述一个或多个传感器系统108可以连续生成传感器数据110(例如，近乎实时地)，其可以被感知系统(和/或车辆计算设备112的其他系统)利用。

所述一个或多个车辆计算设备112还可以包括加速度确定系统114，如本文中进一步描述的，加速度确定系统114可以确定车辆102将以其行进的控制加速度。控制加速度可以是车辆102可以在其中安全地行驶经过环境100的车辆102的加速度，例如，相对于附加车辆104，行人106和/或其他物体。在一些实施方式中，控制加速度可以是沿行驶路径118的加速度，该行驶路径118可以由车辆计算设备112确定为车辆102可以沿其行驶经过环境100的路径。在一些情况下，并且如本文中进一步描述的，计划器系统可以至少部分地基于从传感器系统108接收的传感器数据110和/或感知系统做出的任何确定来确定行驶路径。例如，计划系统可以将行驶路径118确定为相对于附加车辆104和行人106安全地在环境中导航的路线，如感知系统所识别的。

更具体地，图1示出了车辆102通常沿箭头120的方向行驶经过环境100的情况。车辆102在具有第一车道124和第二车道126的道路122上行驶。车辆102处于第一车道124中，在第一附加车辆104a的后面，并且在该示例中，可以以与第一附加车辆104a相对相同的速度行驶。例如，可以控制车辆102以与第一附加车辆104a的后方保持相对恒定的距离。例如，所述一个或多个车辆计算设备112可以接收指示第一附加车辆104a的位置和/或运动的传感器数据110，并且生成用于维持预定距离的控制。在本公开的示例中，控制的至少一部分可以包括车辆102的加速度，例如，由加速度确定系统114确定的控制加速度。因此，如果传感器数据110指示车辆102与第一附加车辆104a之间的距离正在减小，则所述一个或多个车辆计算设备112可以产生减速的控制。

在图1所示的示例中，除了使用关于第一附加车辆104a的信息之外，加速度确定系统114还可以包括关于环境中的附加物体的信息，包括但不限于第二附加车辆104b和/或行人106，以确定车辆102的控制加速度。在一些实施方式中，加速度确定系统114还可以考虑物体信息128，该物体信息128可以包括关于语义分类和/或概率模型的信息。在本文所述的实施方式中，所述一个或多个车辆计算设备112使用传感器数据110和/或代理信息128，可以确定关于环境100中的物体的信息，该环境可以包括第一附加车辆104a，第二附加车辆104b，行人106和/或附加物体。例如，并且如将在本文中进一步描述的，所述一个或多个车辆计算设备112可以使用加速度确定系统114来考虑关于每个物体的信息，包括物体信息128，以至少部分地基于这些概率来确定每个物体将进入驾驶路径118的概率并确定车辆102的控制加速度。

进一步参考图1，第二附加车辆104b可以在第二车道126中行驶，并且可以采取许多动作。例如，第二附加车辆104b可沿第一车辆轨迹130a行进，其将第二附加车辆104b保持在第二车道126中。例如，第二附加车辆104b可遵循第一车辆轨迹130a以超车第一附加车辆或被车辆102超车。在其他示例中，第二附加车辆104b可以沿第二车辆轨迹130b行进，第二附加车辆可以沿第二车辆轨迹130b从第二车道126改变为第一车道124。沿第二车辆轨迹130b，第二附加车辆104b可以尝试例如，通过在第一附加车辆104a的后面且在车辆102的前面并入而并入到第一车道124中。类似地，行人106可以采取许多动作中的任何一个。例如，行人106可以沿第一行人轨迹132a行进，例如，大体沿道路的侧面，或可以沿第二行人轨迹132b行进，例如，行人106将沿第二行人轨迹转向第一车道124。可以理解，如果所述一个或多个车辆计算设备112确定第二附加车辆104b将沿第一车辆轨迹130a行进并且行人106将沿第一行人轨迹132a行进，则可以通过忽略第一附加车辆104a和行人106来控制车辆102，例如，以如上所述将车辆102保持在与第一附加车辆104a相距预定距离处。替代地，车辆计算设备112应当确定第二附加车辆104b可能沿第二车辆轨迹130b行进和/或行人106可能沿第二行人轨迹132b行进到例如行驶路径118中，可以控制车辆102减速，例如，以允许第二附加车辆40b进入第一车道124和/或相对于行人106继续谨慎进行。

如本文中进一步描述的，所述一个或多个车辆计算设备112可以被配置为确定与沿第一车辆轨迹130a或第二车辆轨迹130b行进的第二附加车辆104b相关联的概率以及与沿第一行人轨迹132a或第二行人轨迹132b行进的行人106相关联的概率。基于这些概率，加速度确定系统114可以确定车辆102的加速度，该加速度考虑了第一附加车辆104a，第二附加车辆104b和行人106。在环境100中检测和识别出附加物体的情况下，在确定控制加速度时也可以考虑那些物体。因此，根据与环境中的多个物体有关的信息，控制车辆102沿行驶路径加速。在一些实施方式中，关于物体的语义信息可以用于确定轨迹(例如，轨迹130a，130b，132a，132b)，各个物体遵循这些轨迹的可能性，车辆可能遵循这些轨迹的速度和/或加速度等。因此，在图1中，行人106可以与第一分类相关联，并且附加车辆104可以与一个或多个第二分类相关联。此外，在所述一个或多个第二分类内的车辆可以进一步被分类为静态的(例如，在停放的车辆的情况下)或动态的(例如，在附加车辆104a，104b的情况下)。在另外的示例中，关于物体的概率信息也可以或可替代地用于确定附加车辆104和/或行人遵循轨迹的可能性。例如，可能存在与移动的行人106和/或移动的附加车辆104a，104b的动作相关联的一些不确定性，例如，因为行人106或附加车辆104a，104b的驾驶员可能改变路线。概率信息还可用于解决例如与所述一个或多个传感器系统108相关联的传感器误差。

在图1的示例中，第一和第二车辆轨迹130a，130b以及第一和第二行人轨迹132a，132b仅出于说明的目的而示出。第二附加车辆104b和/或行人106可以沿任何数量的轨迹进行。实际上，例如，使用感知系统、计划系统和/或加速度确定系统114的所述一个或多个车辆计算设备112可以考虑环境100中的物体的任何数量的轨迹。在一些实施方式中，所述一个或多个车辆计算设备112可以确定每个物体的单个概率，例如，该物体将干扰车辆102的行驶的概率，并且可以使用概率来加权与相对于每个物体的导航相关联的加速度。例如，概率可以是与具有影响车辆102的行驶的最高概率的(多个轨迹或动作中的)一个轨迹或动作相关联的概率。在一些常规示例中，如果确定第二附加车辆104b将要切换车道的概率(例如，通过遵循第二车辆轨迹130b)超过阈值概率，则车辆将以预定速率减速，例如，为了与并入的第二附加车辆104b保持安全距离，使其能够自然安全地并入。替代地，在这些常规系统中，如果第二附加车辆104b将要切换车道的概率被确定为低于阈值概率，则所述一个或多个车辆计算设备112将忽略第二附加车辆104b，并产生控制以保持与第一个附加车辆104a的距离。因此，采用二进制方法的常规系统(例如，制动以允许第二附加车辆104b完全并入或不理会第二附加车辆104b并加速以跟随第一附加车辆104a)经常导致突然的加速和减速，特别是当第二附加车辆104b在第二车道126中漂移或进行类似的非正统操纵时。相反，在本文进一步详述的实施方式中，可以使用每个物体可能影响或进入行驶路径118的概率来加权响应加速度，并且可以对加权后的加速度求平均以确定用于控制车辆102的加速度。

图1示出了使用加速度确定技术在环境中导航的单个示例。也可以考虑其他示例。例如，尽管图1示出了两个可能的事件，例如潜在地并入的车辆和附近的行人，但是也考虑了附加事件。例如，则可以根据本文所述的技术来考虑例如从车道或相交的街道进入道路122的车辆拉链式并入到高速公路上等。可能影响车辆102沿行驶路径118的行进的任何物体或事件都可以用于考虑控制加速度。本文将进一步讨论其他几个示例。

图2是示出了示例系统200的框图，该示例系统用于通过本文所述的环境来实现对车辆的响应式控制。在至少一个示例中，系统200可以包括车辆202，其可以与以上参考图1描述的车辆102相同。车辆202可以包括一个或多个车辆计算设备204，一个或多个传感器系统206(可以是一个或多个传感器系统108)，一个或多个发射器208，一个或多个通信连接210，至少一个直接连接212以及一个或多个驱动模块214。在至少一个示例中，所述一个或多个车辆计算设备204可以对应于以上参考图1描述的所述一个或多个车辆计算设备112。

所述一个或多个车辆计算设备204可以包括一个或多个处理器216和与所述一个或多个处理器216通信耦合的存储器218。在所示的示例中，车辆202是自动驾驶车辆；然而，车辆202可以是任何其他类型的车辆。在所示的示例中，所述一个或多个车辆计算设备204的存储器218存储定位系统220，感知系统222，预测系统224，计划系统226，加速度确定系统228以及一个或多个系统控制器230。尽管示出了这些系统和组件，并且将在下面进行描述，但是为了便于理解，作为单独的组件，各种系统和控制器的功能可以与所讨论的不同地被赋予属性。作为非限制性示例，归属于感知系统222的功能可以由定位系统220和/或预测系统224执行。可以利用更少或更多的系统和组件来执行本文所述的各种功能。此外，尽管出于说明性目的在图2中描绘为驻留在存储器218中，但是可以预期，定位系统220，感知组件222，预测系统224，计划系统226，加速度确定组件228和/或一个或多个系统控制器230可以附加地或替代地可被车辆202访问(例如，存储在远离车辆202的存储器上，或可通过其访问的存储器)。

还如图2所示，存储器218可以包括地图存储器232和/或物体信息存储器234。地图存储器232可以存储一个或多个地图，并且物体信息存储器234可以存储物体信息128。地图可以是以二维或三维模型建模的任意数量的数据结构，这些数据结构能够提供有关环境的信息，例如但不限于拓扑(例如，交叉路口)，街道，山脉，道路，地形和一般环境。如本文中进一步讨论的，物体信息128可以是关于物体的任何信息，包括但不限于对于解释传感器数据以分类或以其他方式理解环境中的物体有用的信息。作为非限制性示例，物体信息128可以包括用于识别、分类和/或以其他方式理解环境100中的物体的信息。

在至少一个示例中，定位系统220可以包括从所述一个或多个传感器系统206接收数据以确定车辆202的位置和/或方向(例如，x，y，z位置，滚转，俯仰或偏航)。例如，定位系统220可以包括和/或请求/接收环境的地图(例如，从地图存储器232)，并且可以连续地确定车辆202在地图内的位置和/或方位。在一些情况下，定位系统220可以利用SLAM(同时定位和映射)，CLAMS(同时进行校准，定位和映射)，相对SLAM，束调整，非线性最小二乘法优化，差分动态编程等接收图像数据，LIDAR数据，雷达数据，IMU数据，GPS数据，车轮编码器数据等，以准确地确定自动驾驶车辆的位置。在一些情况下，定位系统220可以将数据提供给车辆202的各个组件，以确定自动驾驶车辆的初始位置，以产生用于在环境中行驶的候选轨迹。

在某些情况下，感知系统222可以包括执行物体检测，分割和/或分类的功能。在一些示例中，感知系统222可以提供经处理的传感器数据，该传感器数据指示存在与车辆202接近的物体，例如，附加车辆104a，104b和/或行人106。感知系统222还可将实体的分类确定为实体类型(例如，汽车，行人，骑自行车的人，动物，建筑物，树木，路面，路缘，人行道，未知等)。例如，感知系统222可以将传感器数据与物体信息数据库234中的物体信息128进行比较以确定分类。在另外的和/或替代的示例中，感知系统222可以提供经处理的传感器数据，该传感器数据指示与检测到的物体和/或物体所处的环境相关联的一个或多个特征。在一些示例中，与物体相关联的特征可以包括但不限于x位置(全局和/或局部位置)，y位置(全局和/或局部位置)，z位置(全局和/或局部位置)，取向(例如，滚转，俯仰，偏航)，物体类型(例如，分类)，物体的速度，物体的加速度，物体的范围(大小)等。与环境相关联的特征可以包括但不限于环境中另一个物体的存在，环境中另一个物体的状态，一天中的时间，一周中的一天，季节，天气状况，指示黑暗/明亮等。

预测系统224可以访问来自一个或多个传感器系统206的传感器数据，来自地图存储器232的地图数据，以及在一些示例中，从感知系统222输出的感知数据(例如，已处理的传感器数据)。在至少一个示例中，预测系统224可以至少部分地基于传感器数据，地图数据和/或感知数据来确定与物体相关联的特征。如上所述，特征可以包括物体的范围(例如，高度，重量，长度等)，物体的姿态(例如，x坐标，y坐标，z坐标，俯仰，滚转，偏航)，物体的速度，物体的加速度和物体的行进方向(例如，航向)。此外，预测系统224可以被配置为确定物体与附近的行驶车道之间的距离，当前行驶车道的宽度，与人行横道的接近度，一个或多个语义特征，一个或多个交互式特征等。

预测系统224还可以分析物体的特征以预测物体的未来动作。例如，预测系统224可以预测车道变化，减速度，加速度，转弯，方向变化等。预测系统224可以将预测数据发送到加速度确定系统228，以使得加速度确定系统228可以使用该预测数据来确定适当的加速度，以沿诸如行驶路径118的行驶路径来控制车辆202。例如，预测系统224可以生成指示物体将进入行驶路径118和/或以其他方式干扰车辆202的当前路径和/或轨迹的可能性的预测数据。在一些示例中，预测数据可以是物体将进入行驶路径118的数值概率，例如，从0到1.0，以及关于物体的加速度和/或速度的信息。在一些示例中，当确定物体可能影响行驶时，预测系统224可以向物体和/或乘客(或当车辆202不完全自主时的驾驶员)提供指示(例如，经由一个或多个发射器208的音频和/或视觉警报)。

通常，计划系统226可以确定车辆202可以沿其穿越环境的路径，例如，行驶路径118。例如，计划系统226可以确定各种路线和轨迹以及各种细节水平。计划系统226可以确定从第一位置(例如，当前位置)到第二位置(例如，目标位置)行进的路线。为了便于讨论，路线可以是在两个位置之间行驶的一系列路标。作为非限制性示例，路标包括街道，十字路口，全球定位系统(GPS)坐标等。此外，计划系统226可以生成用于沿从第一位置到第二位置的路线的至少一部分引导自动驾驶车辆的指令。在至少一个示例中，计划系统226可以确定如何将自动车辆从路标序列中的第一路标引导到路标序列中的第二路标。在一些示例中，指令可以是轨迹或轨迹的一部分。在一些示例中，可以根据滚动时域方法基本上同时(例如，在技术公差内)生成多个轨迹，其中选择多个轨迹之一供车辆202导航。因此，在本文描述的示例实施方式中，计划系统226可以生成车辆可以沿其导航的轨迹，这些轨迹沿行驶路径118。

加速度确定系统228被配置为确定沿行驶路径(例如，行驶路径118)将要控制车辆202的加速度。尽管在存储器218中被示为单独的区块，但是在一些示例和实施方式中，加速度确定系统228可以是计划系统226的一部分。加速度确定系统228可以访问来自一个或多个传感器系统206的传感器数据，来自地图存储器232的地图数据，来自物体信息存储器234的物体信息，和/或来自一个或多个定位系统220的输出，感知系统222和/或预测系统224(例如，处理后的数据)。通过非限制性示例，加速度确定系统228可以访问(例如，检索或接收)环境中的每个物体将影响车辆202的行驶的概率。例如，并且如上所述，预测系统224可以为每个物体确定物体将进入行驶路径118的概率(例如，从0.0到1.0的数值)，并将那些概率提供给加速度确定系统228。加速度确定系统228可以使用这些概率来确定控制车辆202的加速度。例如，参考图1，加速度确定系统228可以接收(或检索)第二附加车辆104b将改变车道的第一概率，例如，进入车辆102前面的第一车道124，以及行人106将进入道路122的第二概率。在至少一些示例中，这样的预测系统224还可以为物体可能采取的每个潜在动作分配唯一的概率。作为非限制性示例，这样的概率可以包括物体将改变车道的第一概率和物体将沿其当前路线继续的第二概率。

加速度确定系统228可以确定哪些物体包括在其加速度确定中，和/或哪些物体从其加速度确定中排除。例如，加速度确定系统228可以排除或忽略关于物体的信息，所述物体具有干扰车辆的行驶的低于阈值的概率。考虑到图1，如果传感器数据110指示第二附加车辆104b具有指示右转弯的转弯信号，并且存在即将到来的具有可用右转弯的交叉路口，第二附加车辆沿干扰轨迹(如第二车辆轨迹130b)继续行驶的可能性可能相对较低。然后，在该示例情况下，预测系统224可以确定第二附加车辆具有行驶进入行驶路径118的概率为0.1。因为概率相对较低，所以在该示例中，加速度确定系统228可以完全忽略第二附加车辆104b(尽管在其他示例中，第二附加车辆104b可以具有低的加权因子，如本文中进一步讨论的)。虽然不是限制性的，但是加速度确定系统228可以排除关于具有小于约0.4的概率的物体(和/或与此类物体的潜在动作相关联的阈值)的信息，尽管可以使用更高或更低的阈值。此外，尽管该示例将加速度确定系统228描述为识别哪些物体包括在加速度确定中，但是在其他实现中，加速度确定系统228可以仅接收(或检索)关于满足或超过阈值概率的物体的信息。

加速度确定系统228还可以确定与每个物体相关联的加速度。以图1为例，加速度确定系统228可以确定在第二附加车辆104b进入第一车道124的情况下将控制车辆102的第一加速度(例如，可以是减速度)。加速度确定系统228还可以确定在行人106走到道路122上的情况下车辆102将被控制的第二加速度。可以基于许多因素来确定第一加速度和第二加速度，这些因素包括但不限于关于物体的语义信息，关于物体的概率信息，车辆102到物体的相对距离，物体相对于车辆102的速度，物体的分类，与物体相关联的模型，包括预定模型和建模几乎是实时进行的。在这样的示例中，加速度确定系统228可以输出与每个检测到的物体(和/或具有大于阈值的相关概率的物体)相关联的唯一加速度，以与检测到的物体安全地相互作用。作为非限制性示例，加速度确定系统228可以输出与车辆104a相关联的第一加速度，与第二车辆104b相关联的第二加速度以及与行人106相关联的第三加速度。

除了确定加速度之外，加速度确定系统228还可以确定每个加速度的加权因子。加权因子可以基于物体将如上所述进入车辆路径118的概率。例如，第二附加车辆104b进入第一车道124的概率可以高于行人106走进道路122的概率，并且相应地，与第一加速度相关联的加权因子可以大于与第二加速度相关联的加权因子。例如，加权因子可以是概率的函数，例如，线性函数，指数函数或其他高阶函数等。在其他示例中，加权因子可以至少部分地基于物体的类型或分类。例如，与行人，动物和/或其他物体类型相比，道路上的其他车辆可能具有更低或更高的加权因子。此外，可以至少部分地基于与物体相关联的置信度来确定加权因子。在一些实施方式中，加速度确定系统228还可以确定与在没有任何物体的情况下车辆102将以其行进的加速度相关联的加权因子。在图1的示例中，这种加速度可以是用于跟随第一附加车辆104a的加速度。在其他示例中，加速度可以是达到和/或维持期望速度例如，速度限制所必需的加速度。

使用关于物体的信息，用于相对于那些和/或其他物体进行导航的一个或多个加速度和/或与事件的概率相关联的加权因子，加速度确定系统228可以确定控制车辆102，202的加速度，例如，控制加速度。例如，加速度确定系统228可以将加速度确定为所考虑的所有物体的加速度的加权平均值。因此，在图1的示例中并且继续上面的讨论，加速度确定系统114可以计算第一加速度(例如，响应于第二附加车辆104b进入第一车道124的加速度)、第二加速度(例如，响应于行人106走近道路122的加速度)、以及用于跟随第一附加车辆104a的加速度的加权平均值。该加权平均方法不同于常规系统，在常规系统中，例如，可以选择加速度之一，因为它具有最高的概率，并被应用于控制车辆102，这可能导致突然的加速度和制动。

在一些示例中，加速度确定系统228可以通过优化等式(1)来确定加速度：

其中，{a_min,a_max}是活动集的并集。

等式(1)通常表示用于确定控制加速度a_x*(t)的优化(例如，在时间t的纵向x方向上将在环境中控制车辆的加速度)。通过优化等式(1)确定的控制加速度可以提供与每个候选加速度的最小偏差(例如，对于n个活动子目标(active subgoals)中的每一个，这些子目标可以是物体或事件，例如，行人104或与行人104或车辆104b相关联的切入事件或与车辆104b相关联的切入事件)。在等式(1)中，总和项通常包括项R_S，其代表相应事件的加权因子(例如，保持与第一附加车辆104a，第二附加车辆104b改变车道的距离，行人106进入道路122等的距离)，而a_S代表事件的加速度。等式(1)使用加速度之间的差的L2范数，例如，a_x(t)和a_s。当使用L2范数并且没有任何约束时，等式(1)的优化可以是每个加速度值的加权平均值，例如，由加权因子加权。尽管等式(1)被示为使用L2范数，但是也可以使用其他功能。例如，可以使用L1范数或L-无穷范数，指数，多项式等。在其他示例中，优化可以包括硬约束，例如，加速度必须大于或小于某个预定加速度的规则。

等式(1)还可以包括项R_t(a_x(t)-a_x*(t-1))²，其可以是由因子R_t加权的平滑项，其考虑了先前时间步长中的加速度(子目标，其中与先前控制加速度的偏差会受到惩罚，从而促进平稳控制)。在本文描述的实施方式中，求和项可以考虑高于阈值概率的所有事件。如所阐述的，等式(1)还可能要求控制加速度在某些最小和最大加速度之间。例如，等式可能要求加速度落在最小加速度和最大加速度之间的范围内。作为简要示例，在车辆102可能因停车标志而停车的情况下，a_max可以是确保车辆102及时停车的最大加速度。但是，如果存在其他事件，则该技术可以选择较小的a_x(例如，最小加速度a_min)。由于在等式(1)中考虑了每个事件，所以本文描述的技术考虑了事件之间的重叠(例如，a_min和a_max值)，且可能默认为最保守的情况。因此，对于每个事件，a_{x_min}＝min(a_{x_min},a_{x_event_min})和a_{x_max}＝min(a_{x_max},a_{x_event_max})。等式(1)可能要求最终a_x*(t)在此范围内。例如，与在优化问题上放置明确的约束相比，使用此范围可能会减少计算负荷，这可能需要迭代求解器。

由于环境的变化性质，例如，由于车辆和动态物体在移动，新物体可能进入环境等，因此用于控制车辆的加速可以基本上连续地执行，例如，以固定的迭代进行。例如，等式(1)可以例如以大约0.5秒到大约3秒的间隔近实时地求解。对于每次迭代，例如随着那些物体/事件将影响车辆102的行进的概率改变时，可以考虑添加、减少和/或不同的物体和/或事件的数量。此外，每个迭代加速度确定可以基于当前信息，例如，环境的当前状态，和/或基于对环境100的未来预测。例如，对车辆102的控制可以基于前瞻性决策视野。在一些实施方式中，例如，实现预测系统224，计划系统226和/或加速度确定系统228的一个或多个车辆计算设备202可以考虑在决策范围内的离散时间，该离散时间可以小于1秒到几秒钟或更长时间。在每个离散时间步长处，一个或多个车辆计算设备204可以基于关于环境中的静态物体的信息(例如，基于这样的物体将保持静态的假设以及例如由预测系统224确定的动态实体的预测)来确定对车辆的反应。因此，在每个时间步长处，一个或多个车辆计算设备204，例如，计划系统226，可以评估车辆的位置，其他动态物体的位置以及静态物体的位置。然后，加速度确定系统228可以考虑在这些时间步长的每个处的反应(例如，沿驾驶路径118行驶的加速度)，以确定车辆202的控制加速度。加速度确定的功能的另外的示例在本文中包括以下结合图3的进一步描述。

尽管加速度确定系统228被图示为与计划系统226分离，但是加速度确定系统228的功能中的一项或多项可以由计划系统226执行。在一些实施例中，加速度确定系统228可以是计划系统226的一部分。

在至少一个示例中，定位系统220，感知系统222，预测系统224，计划系统226和/或加速度确定系统228可以如上所述处理传感器数据，并且可以通过一个或多个网络236将它们各自的输出发送到一个或多个计算设备238。在至少一个示例中，定位系统220，感知系统222，预测系统224和/或计划系统226可以在经过预定时间段之后，以近实时等方式，以特定的频率将它们各自的输出发送到所述一个或多个计算设备238。

在至少一个示例中，一个或多个车辆计算设备204可以包括一个或多个系统控制器230，其可以被配置为控制车辆202的转向，推进，制动，安全，发射器，通信和其他系统。这些系统控制器230中的一个或多个可以通信于和/或控制一个或多个驱动模块214和/或车辆202的其他组件的对应系统。例如，系统控制器230可以使车辆例如以由加速度确定系统228确定的加速度沿由计划系统226确定的驾驶路径穿越。

在至少一个示例中，一个或多个传感器系统206可以包括LIDAR传感器，RADAR传感器，超声换能器，SONAR传感器，位置传感器(例如，GPS，指南针等)，惯性传感器(例如，惯性测量单元，加速度计，磁力计，陀螺仪等)，相机(例如，RGB，UV，IR，强度，深度等)，麦克风，车轮编码器，环境传感器(例如，温度传感器，湿度传感器，光线传感器，压力传感器等)等。所述一个或多个传感器系统306可以包括这些或其他类型的传感器中的每一个的多个实例。例如，LIDAR传感器可以包括位于车辆202的拐角，前，后，侧面和/或顶部的单独的LIDAR传感器。作为另一个示例，相机传感器可以包括多个相机，这些相机设置在围绕车辆202的外部和周围的各个位置。所述一个或多个传感器系统206可向车辆计算设备204提供输入。附加地或替代地，在经过预定的时间段之后，接近实时等，所述一个或多个传感器系统306可以经由所述一个或多个网络236以特定的频率将传感器数据发送到所述一个或多个计算设备238。

车辆202还可包括用于发射光和/或声音的一个或多个发射器208。在该示例中，所述一个或多个发射器208包括内部音频和视觉发射器以与车辆202的乘客通信。作为示例而非限制，内部发射器可以包括扬声器，灯，标志，显示屏，触摸屏，触觉发射器(例如，振动和/或力反馈)，机械执行器(例如，安全带张紧器，座椅定位器，头枕定位器等)等。在该示例中，所述一个或多个发射器208还包括外部发射器。作为示例而非限制，外部发射器可以包括：与行人，其他驾驶员，附近的其他车辆等视觉通信的光发射器(例如，指示灯，标志，灯阵列等)；行人，其他驾驶员，附近的其他车辆等声音通信的一个或多个音频发射器(例如，扬声器，扬声器阵列，喇叭等)。在至少一个示例中，所述一个或多个发射器208可以被设置在围绕车辆202的外部和/或内部的各个位置处。

车辆202还可包括一个或多个通信连接210，其使得能够在车辆202与一个或多个其他本地或远程计算设备之间进行通信。例如，所述一个或多个通信连接210可以促进与车辆202和/或驱动模块214上的一个或多个其他本地计算设备的通信。而且，一个或多个通信连接310可以允许车辆与一个或多个其他附近的计算设备(例如，其他附近的车辆，交通信号等)进行通信。所述一个或多个通信连接210还使车辆202能够与远程遥操作计算设备或其他远程服务通信。

所述一个或多个通信连接210可以包括用于将一个或多个车辆计算设备204连接到另一计算设备或网络(诸如，一个或多个网络232)的物理和/或逻辑接口。例如，所述一个或多个通信连接210可以启用基于Wi-Fi的通信，诸如经由IEEE 802.11标准定义的频率，诸如的短程无线频率，或使相应的计算设备能够与一个或多个其他计算设备对接的任何合适的有线或无线通信协议。

在至少一个示例中，车辆202可以包括一个或多个驱动模块214。在一些示例中，车辆202可以具有单个驱动模块214。在至少一个示例中，如果车辆202具有多个驱动模块214，则单个驱动模块214可以定位在车辆202的相对端(例如，前部和后部等)上。在至少一个示例中，所述一个或多个驱动模块214可以包括一个或多个传感器系统，以检测所述一个或多个驱动模块214和/或车辆202的周围环境的状况。作为示例而非限制，所述一个或多个传感器系统206可以包括用于以感测驱动模块的车轮的旋转的一个或多个车轮编码器(例如，旋转编码器)，惯性传感器(例如，惯性测量单元，加速度计，陀螺仪，磁力计等)以测量驱动模块的位置和加速度，相机或其他图像传感器，用于以声学方式检测驱动模块周围的物体的超声传感器，LIDAR传感器，RADAR传感器等。一些传感器，例如，车轮编码器，对于驱动模块214可能是唯一的。在一些情况下，驱动模块214上的传感器系统可以重叠或补充车辆202的相应系统(例如，一个或多个传感器系统206)。

所述一个或多个驱动模块214可以包括许多车辆系统，包括高压电池，用于驱动车辆202的电动机，将来自电池的直流电转换成交流电以供其他车辆系统使用的逆变器，转向系统，其包括转向电动机和转向齿条(可以是电动的)，包括液压或电动执行器的制动系统，包括液压和/或气动组件的悬架系统，用于分配制动力以减轻牵引力损失并保持控制的稳定性控制系统，HVAC系统，照明设备(例如，用于照亮车辆外部环境的照明，例如，前/尾灯)，以及一个或多个其他系统(例如，冷却系统，安全系统，车载充电系统，其他电气组件，例如，DC/DC转换器，高压结，高压电缆，充电系统，充电端口等)。附加地，所述一个或多个驱动模块214可以包括驱动模块控制器，该驱动系统控制器可以接收和预处理来自一个或多个传感器系统的数据并控制各种车辆系统的操作。在一些示例中，驱动模块控制器可以包括一个或多个处理器以及与该一个或多个处理器通信耦合的存储器。存储器可以存储一个或多个模块以执行所述一个或多个驱动模块214的各种功能。此外，所述一个或多个驱动模块214还包括一个或多个通信连接，该一个或多个通信连接使得各个驱动模块能够与一个或多个其他本地或远程计算设备通信。

如上所述，车辆202可以经由一个或多个网络236将传感器数据发送到一个或多个计算设备238。在一些示例中，车辆202可以将原始传感器数据发送至一个或多个计算设备238。在其他示例中，车辆202可以将处理后的传感器数据和/或传感器数据的表示发送至一个或多个计算设备238(例如，从定位系统220，感知系统222，预测系统224和/或计划系统226输出的数据)。在一些示例中，车辆202可以经过一段预定的时间后，接近实时等，以特定频率将传感器数据发送至特定处的一个或多个计算设备238。

一个或多个计算设备238可以从车辆202和/或一个或多个其他车辆和/或数据收集设备接收(原始或处理的)传感器数据，并且可以基于传感器数据和其他信息来确定驾驶包络。在至少一个示例中，一个或多个计算设备238可以包括一个或多个处理器240和与一个或多个处理器240通信耦合的存储器242。在所示的示例中，一个或多个计算设备238的存储器242存储，例如，加速度确定组件244和代理信息存储器246。在至少一个示例中，物体信息存储器246可以对应于物体信息存储器234和/或物体信息存储器128。

加速度确定组件244可以对应于上述加速度确定系统228。例如，加速度确定组件244可以处理数据以确定车辆202沿驾驶路径行进的加速度。例如，可以在一个或多个计算设备238处确定加速度，并且例如，经由网络236将加速度传递回车辆202。此外，加速度确定组件244可以执行如上所述的并且归因于定位系统220，感知系统222，预测系统224和/或计划系统226的一个或多个操作。

车辆202的一个或多个处理器216和计算设备238的一个或多个处理器244可以是能够执行指令以处理数据并执行本文所述的操作的任何合适的处理器。作为示例而非限制，处理器216和240可以包含一个或多个中央处理单元(CPU)，图形处理单元(GPU)或处理电子数据以将该电子数据转换为可以存储在寄存器和/或存储器中的其他电子数据的任何其他设备或设备的一部分。在一些示例中，只要集成电路(例如，ASIC等)，门阵列(例如，FPGA等)和其他硬件设备被配置为实现编码的指令，它们也可以被认为是处理器。

存储器218和242是非暂时性计算机可读介质的示例。存储器218和242可以存储操作系统和一个或多个软件应用程序，指令，程序和/或数据，以实现本文描述的方法以及归因于各种系统的功能。在各种实施方式中，可以使用任何合适的存储器技术来实现该存储器，例如，静态随机存取存储器(SRAM)，同步动态RAM(SDRAM)，非易失性/闪存类型的存储器或能够存储信息的任何其他类型的存储器。本文描述的体系结构，系统和单个元件可以包括许多其他逻辑，程序和物理组件，附图中示出的那些仅仅是与本文的讨论有关的示例。

虽然将图2图示为分布式系统，但在替代示例中，车辆202的组件可以与一个或多个计算设备238相关联和/或一个或多个计算设备238的组件可以与车辆202相关联。即，车辆202可以执行与一个或多个计算设备238相关联的一个或多个功能，反之亦然。此外，尽管将各种系统和组件图示为离散系统，但是这些图示仅是示例，并且更多或更少的离散系统可以执行本文所述的各种功能。

图3是示出了如本文所述的涉及加速度确定的示例方法的流程图。具体地，图3示出了一种方法300，其中环境中的物体被用来确定车辆沿驾驶路径的加速度。为了方便和易于理解，参考图1和2中所示的车辆102和/或202描述了图3中所示的方法。然而，图3所示的方法不限于使用车辆102、202执行，并且可以使用本申请中描述的任何其他车辆以及本文所述之外的其他车辆来实施。此外，本文所述的车辆102、202不限于执行图3所示的方法。

方法300被示为逻辑流程图中的框的集合，其表示可以以硬件，软件或其组合来实现的一系列操作。在软件的上下文中，框代表存储在一个或多个计算机可读存储介质上的计算机可执行指令，该计算机可执行指令在由一个或多个处理器执行时执行所陈述的操作。通常，计算机可执行指令包括执行特定功能或实现特定抽象数据类型的例程，程序，对象，组件，数据结构等。描述操作的顺序不旨在被理解为限制，并且可以以任何顺序和/或并行地组合任意数量的所描述的框以实现处理。在一些实施例中，可以完全省略该过程的一个或多个框。而且，方法300可以全部或部分地与其他方法结合。

图3是示出了如本文所述的用于确定要在环境中沿计划路径行进的加速度的示例性方法300的流程图。

在302处，方法300可以包括确定经过环境的计划路径。例如，如上所述，车辆202可以包括一个或多个计算设备204或与之相关联，该一个或多个计算设备204包括计划系统226。计划系统226可以从一个或多个传感器系统206，定位系统220，感知系统222，预测系统224，地图232和/或其他来源来确定车辆穿越环境100的行驶路径118。

在304处，方法300可以包括确定沿计划路径的第一加速度。在图1所示和上面讨论的示例中，车辆计算设备112可以确定车辆102应在第一附加车辆104a之后保持预定距离。来自传感器系统108的传感器数据110可以用于确定姿态，位置，速度，加速度和/或关于第一附加车辆104a的其他信息，并且加速度确定系统114可以确定需要的加速度，以保持预定距离。例如，当第一附加车辆104a加速远离车辆102时，加速度确定系统114可以生成命令以与第一附加车辆104a一起加速。类似地，当第一附加车辆104a制动时，加速度确定系统114可以生成使车辆102减速的命令。尽管该示例考虑在车辆102与第一附加车辆104a之间保持预定距离，但是可以想到进行修改。作为非限制性示例，代替车辆102与第一附加车辆104a之间的单个预定距离，要保持的距离可以基于第一附加车辆104a的速度而变化。例如，可以控制车辆102以相对较高的速度保持在第一附加车辆104a之后的较大距离，并且以相对较慢的速度保持较小的距离。在其他实施方式中，可以独立于第一附加车辆104a来确定车辆的加速度。例如，当第一附加车辆104a不存在或超过阈值速度时，车辆102可被控制为沿行驶路径118以速度限制或某一其他速度行驶。

在306处，方法300可以包括接收指示环境中的物体的传感器数据。如上所述，车辆202可以包括一个或多个传感器系统206，该一个或多个传感器系统206能够生成关于包括附加车辆104和行人106的物体的传感器数据。在至少一个示例中，一个或多个传感器系统206可以包括LIDAR传感器，RADAR传感器，超声换能器，SONAR传感器，位置传感器(例如，GPS，指南针等)，惯性传感器(例如，惯性测量单元，加速度计，磁力计，陀螺仪等)，相机(例如，RGB，IR，强度，深度等)，麦克风，车轮编码器，环境传感器(例如，温度传感器，湿度传感器，光传感器，压力传感器等)等。一个或多个传感器系统206可以向一个或多个车辆计算设备204提供输入，并且一个或多个车辆计算设备204的一个或多个系统可以利用该输入。例如，一个或多个车辆计算设备204可以接收输入以供定位系统220，感知系统222，预测系统224，计划系统226和/或加速度确定系统228处理。如上所述，在至少一个示例中，车辆202可以经由一个或多个网络236将传感器数据发送到一个或多个计算设备238。在一些示例中，车辆202可以将原始传感器数据发送到一个或多个计算设备238。在其他示例中，车辆202可以将处理后的传感器数据和/或传感器数据的表示发送到一个或多个计算设备238(例如，从定位系统220，感知系统222，预测系统224和/或计划系统226输出的数据)。在一些示例中，车辆202可以在经过预定时间段之后，接近实时等，以特定频率将传感器数据发送到一个或多个计算设备238。基于传感器数据，车辆计算设备204可以例如，经由图像处理、视觉检测、分类和/或分割，LIDAR检测、分割和/或分类和/或其他过程来识别物体。除了本文讨论的示例物体之外，技术还可以确定关于环境和/或环境中的特征的附加细节。

在308处，方法300可以包括针对每个物体确定物体将影响计划路径的概率。如上所述，预测系统224可以使用由一个或多个传感器系统206生成的传感器数据，物体信息234和/或附加信息来确定每个物体将影响车辆102的行驶的可能性。所述概率可以是例如在0与1.0之间的数值概率，其可以是物体将影响计划路径的多个概率之中的最高概率。例如，每个物体或物体可以采取任何数量的动作。然而，所有那些动作中的仅一个子集实际上将影响车辆102的行驶。本文所述的技术可以从具有最高影响行驶的概率的动作的那个子集中识别动作，并在308处使用所述概率。在一些示例中，可以至少部分基于关于每个物体的信息来确定概率，该信息可以包括与物体相关联的物理特征，包括但不限于物体的范围(例如，身高，体重，长度等)，物体的姿态(例如，x坐标，y坐标，z坐标，俯仰，滚转，偏航)，物体的速度，物体的加速度，物体的行驶方向(行进)，语义分类等，如本文所述。附加地或替代地，这样的特征可以包括相对于传感器的取向(例如，哪个方向面对行人)，距地图特征的距离(例如，人行横道的起点，人行横道的终点，人行横道的侧面，交界处的起点，交界处的终点，交界处的侧面等)，语义特征(例如，人行横道标志，交通信号灯等)，执行意图的可行性(例如，路口的交叉能力等)等。在一些示例中，可以在框306处使用来自定位系统，计划器系统，预测系统和/或感知系统中的一个或多个的数据来确定特征。特征还可以包括一个或多个物体的预测轨迹和/或动作过程。在至少一个示例中，车辆可以分析传感器数据和/或地图数据以确定与物体相关联的事件(例如，切入事件，人行横道事件等)。预测系统224然后可以确定事件发生的概率。在图1的上下文中，308可以包括确定第一附加车辆104a将改变车道的概率，以及确定行人将进入道路122的概率。

在310处，方法300可以包括针对每个物体确定概率是否等于或大于阈值概率。在一些实施方式中，当确定用于车辆202的加速度和/或由物体采取的潜在动作时，一个或多个车辆计算设备204可以确定应当考虑某些识别出的物体，而应当忽略其他物体。例如，一些物体可能影响行驶的可能性很低，以至于加速度确定系统228可能不会考虑它们来确定控制加速度。使用图1的示例，如果第二附加车辆104b基本上位于车辆102旁边，而不是在车辆102之前，则一个或多个车辆计算设备112、204可以确定存在相对较低的(即，低于第二阈值)第二附加车辆104b将改变车道的概率。在这种情况下，尽管识别出第二附加车辆104b，但是车辆计算设备112、204在确定加速度时可以不考虑第二附加车辆104b。类似地，远离车辆102，在车辆102后面，预期不移动的其他物体，例如，停放的汽车，建筑物等，可能具有足够低的移动概率，以致在确定加速度时可能不会考虑它们。在一些示例中，可以包括这样的物体。作为非限制性示例，系统可以考虑到进入行驶车道的停放的汽车的相关概率。在示例中，考虑物体的阈值概率可以是任何阈值，例如，非零阈值。在一些示例中，当概率在0至1.0的范围内时，阈值可以在大约0.1与大约0.5之间。

如果在310处确定物体将进入计划路径的概率低于阈值，则在312处，方法300可以包括在确定控制加速度时忽略物体。例如，由于物体(和/或物体的预测动作)低于阈值概率，因此为了确定行进的加速度而有效地忽略了物体。以这种方式，尽管物体被识别为在环境100中，但是可能不需要控制车辆102，例如，响应于该物体而加速或减速车辆102。如上所述，一个或多个传感器系统206可以感测与环境中的大量物体有关的信息，但是可以认为那些物体中只有某些物体可能在车辆202穿越环境时影响加速度。例如，物体可能具有相对较低的影响车辆102行驶的概率，因此可以基于它们相对于车辆202的位置，基于它们相对于车辆202的速度等被排除在外。如将意识到的，每个物体。

替代地，如果在框310处确定物体将影响沿计划路径的行进的概率达到或超过阈值，则方法300可以进行至框314。在314处，方法300可以包括确定用于对物体做出反应的第二加速度。在一些示例中，第二加速度可以是在存在物体进入车辆102的行驶路径118的极端可能性(例如，虚拟确定性)的情况下车辆102将被控制的加速度。因此，再次参考图1的示例，第二加速度可以是如果第二附加车辆104b从第二车道126改变为第一车道和/或行人106进入道路122时将控制车辆102的加速度(可以是减速度或零加速度)。如上所述，在一些常规系统中，可以在确定物体(例如，第二附加车辆104b和/或行人106)将要进入行驶路径118的概率高于阈值之后，按照第二加速度来控制车辆。

在316处，方法300可以包括确定用于第一加速度的第一加权因子和用于第二加速度的第二加权因子。例如，一个或多个车辆计算设备204(例如，执行加速度确定系统228)可以将第一加权因子确定为预定的静态加权因子，并且将第二加权因子确定为在308确定的概率的函数。通过非限制性示例，第一加权因子可以是10的加权因子，而第二加权因子可以从1到10变化，这取决于物体影响行进(例如，进入驾驶路径118)的概率。例如，加权因子可以与概率线性成比例。如本文所述，概率和加权因子之间的其他关系，以及用于加权因子的其他值和标度也可以被使用，且是本公开所预期的。加权因子可以基于应用以及基于物体与加速度的期望关系而变化。此外，加权因子可以基于物体的类型而变化。例如，行人的权重可以与车辆的权重不同，其可以与其他物体和/或事件的权重不同。

在318处，方法300可以包括基于第一加权因子，第一加速度，第二加权因子和第二加速度来确定第三加速度。例如，如本文所述，加速度确定系统228可以使用第一加权因子，第一加速度，第二加权因子和第二加速度来执行优化。优化可以在考虑加权因子的同时将第三加速度确定为与每个候选加速度(例如，第一加速度和第二加速度)的最小偏差。上述等式(1)使用L2范数，因此，第三加速度可以是第一和第二加速度的加权平均值。尽管在方法300的示例中仅使用单个第二加速度，但是应当理解，在确定控制加速度时也可以考虑附加物体。

在320处，方法300可以包括根据第三加速度来控制车辆。如上所述，一个或多个车辆计算设备204可以包括一个或多个系统控制器230，其可以被配置为控制车辆202的转向，推进，制动，安全，发射器，通信和其他系统。一个或多个这些系统控制器230可以与一个或多个驱动模块214和/或车辆202的其他组件的相应系统通信和/或控制它们。在至少一个示例中，一个或多个系统控制器228可以接收加速度作为轨迹的组成部分，并且可以与驱动模块214和/或车辆202的其他组件的对应系统进行通信和/或控制，从而导致车辆202沿轨迹导航。

现在将参考图1描述方法300的示例。具体地，在302处，例如，使用计划系统的一个或多个车辆计算设备112可以确定经过环境100的车辆路径118。在304处，一个或多个车辆计算设备112(例如，使用计划系统和/或加速度确定系统114)可以确定第一加速度，第一加速度可以是用于在第一车道124中保持与第一附加车辆104a的预定距离的加速度。在该示例中，加速度可以是0.5m/s²。在306处，一个或多个车辆计算设备可以接收传感器数据110，该传感器数据110指示至少第二附加车辆104b和行人106的存在。传感器数据110还可以包括关于车辆104b和/或行人的信息，包括速度，加速度，姿态，物体类型，物体分类和/或其他信息。在308处，一个或多个车辆计算设备112(例如，使用预测系统)还可确定第二附加车辆104b将进入车辆路径118的第一概率和行人将进入车辆路径118的第二概率。例如，第一概率可以是0.6，第二概率可以是0.15。

在310处，一个或多个车辆计算设备112可以确定第二概率低于阈值，例如，0.4，并且因此，在312处，在确定加速度时可以忽略行人。同样在310处，一个或多个车辆计算设备112可以确定(与第二附加车辆104b相关联的)第一概率超过0.4阈值。因此，在314处，一个或多个车辆计算设备112可以确定用于对第二附加车辆104b做出反应的第二加速度。第二加速度可以是如果第二附加车辆104b实际上正在执行到第一车道124的车道改变时车辆102将继续行驶的加速度。在该示例中，第二加速度可以是0.0m/s²。然后，在316处，一个或多个车辆计算设备112可以确定用于第一加速度的第一加权因子和用于第二加速度的第二加权因子。第一加权因子可以是固定的，例如，在该示例中为整数10，并且第二加权因子可以基于在308处计算的第一概率。在该示例中，第二加权因子可以是5。在318处，一个或多个车辆计算设备112(例如，使用加速度确定系统114)可以基于第一加速度，第一加权因子，第二加速度和第二加权因子来确定用于控制车辆102的加速度。例如，可以将加速度确定为优化，例如，以上讨论的等式(1)的优化。在一些示例中，并且因为优化可以使用L2损失函数，所以控制加速度可以是0.33m/s²，这是两个加速度的加权平均值(例如，(0.5m/s²*10+0.0m/s²*5)/15＝0.33m/s²)。在320处，车辆102被控制为以0.33m/s²加速。

在常规系统中，与第二附加车辆104b改变车道相关联的概率0.6可能已经导致车辆102被控制为以第二加速度(0.0m/s²)立即行进，而不是在加速第一附加车辆104a之后加速。然而，如果在下一个时间间隔，第二概率已经减小到某个阈值以下，例如，0.5，则车辆102可以快速加速(甚至比0.5m/s²的第一加速更快)以返回到第一附加车辆104a后面的预定距离。相反，根据本文所述的技术，与第二附加车辆104b相关联的概率的类似变化不会导致困扰传统系统的加速度发生急剧变化。

应当理解，随着车辆在环境中移动，环境中的物体在不断变化。因此，方法300可以迭代地执行。例如，可以近实时地，例如，以大约0.5秒至大约3秒的间隔来确定环境中的物体的状态，包括那些物体将进入车辆102的行驶路径的概率。此外，当物体相对于车辆改变位置，速度，姿态等时，例如，可以包括先前从加速度确定中排除的物体，并且可以排除先前包括的物体，例如，当与那些物体相关联的概率改变时。

尽管在图3中未示出，但是在一些实施方式中，本文描述的技术可以确定事件很可能发生，从而车辆将对该事件做出反应。例如，在图3中的310处，确定物体将影响计划路径的概率是否达到或超过阈值。在一些实施方式中，该阈值可以是第一阈值，并且另一个框可以包括确定所述概率是否满足或超过第二更高的概率。在这样的示例中，如果概率达到或超过第二概率，则本文所述的技术可以确定物体很有可能会影响计划路径，并因此确定根据第二加速度来控制车辆以对物体做出反应。因此，当物体很可能影响沿计划路径的行驶时，车辆可以仅对该物体做出反应，例如，而无需优化步骤。在一些示例中，第二阈值可以是0.8，0.9或某个其他概率值。

可以在计算机可执行指令或软件(例如，程序模块)的上下文中实现本文所述的各种技术，所述计算机可执行指令或软件例如，存储在计算机可读存储中并由一个或多个计算机或其他设备(例如，图中所示)的处理器执行。通常，程序模块包括例程，程序，对象，组件，数据结构等，并定义用于执行特定任务或实现特定抽象数据类型的操作逻辑。

其他架构可以用于实现所描述的功能，并且旨在落入本公开的范围内。此外，尽管出于讨论的目的在上面定义了具体的职责分配，但是可以根据情况以不同的方式分配和划分各种功能和职责。

类似地，可以以各种方式并且使用不同的手段来存储和分发软件，并且可以以许多不同的方式来改变上述的特定软件存储和执行配置。因此，实现上述技术的软件可以分布在各种类型的计算机可读介质上，而不限于具体描述的存储器的形式。

示例条款

A：一种车辆，包括：一个或多个设置在车辆上的传感器；一个或多个处理器；以及存储器，用于存储处理器可执行指令，所述指令当由一个或多个处理器执行时，能够将车辆配置为：确定车辆经过环境的计划路径；确定车辆沿计划路径的第一加速度；从一个或多个传感器接收传感器数据，该传感器数据包括关于环境中的物体的信息；至少部分地基于传感器数据，确定物体将影响车辆沿计划路径行驶的概率达到或超过阈值概率；确定车辆沿计划路径的第二加速度，第二加速度是对物体影响车辆沿计划路径行驶做出响应的车辆的加速度；确定与第一加速度相关联的第一加权因子；确定与第二加速度相关联的第二加权因子；至少基于第一加速度，第二加速度，第一加权因子和第二加权因子，确定车辆沿计划路径的第三加速度，第三加速度不同于第一加速度和第二加速度；以及控制车辆按照第三加速度沿计划路径加速。

B：示例A的车辆，其中，所述指令当由所述一个或多个处理器执行时，进一步将车辆配置为：其中，第二加权因子至少部分地基于所述概率或物体的分类。

C：示例A或B的车辆，其中，第一加权因子是固定的加权因子，第二加权因子是概率的函数。

D：示例A至C中任一项的车辆，其中，阈值概率是第一阈值，并且所述指令当由所述一个或多个处理器执行时，还配置车辆以：确定概率达到或超过第一阈值；且确定概率等于或低于比第一阈值高的第二阈值。

E：示例A至D中任一项的车辆，其中，所述指令当由所述一个或多个处理器执行时，进一步将车辆配置为以下至少之一：响应于确定所述概率低于第一阈值，控制车辆以第一加速度沿计划路径加速；或响应于确定所述概率高于第二阈值，控制车辆以第二加速度沿计划路径加速。

F：示例A至E中任一项的车辆，其中，第一权重至少部分地基于以下至少之一：与设置有计划路径的道路相关联的速度限制，计划路径中第二物体的速度，第二物体的加速度，或第二物体与车辆之间的距离。

G：示例A至F中任一项的车辆，其中，物体是第一物体，概率是第一概率，并且指令当由一个或多个处理器执行时，还配置车辆以：识别环境中的第二物体；确定第二物体将进入车辆的计划路径的第二概率；确定车辆沿计划路径的第四加速度，第四加速度是响应于第二物体进入车辆的计划路径的车辆的加速度；以及至少部分地基于第二概率确定与第四加速度相关联的第三加权因子，其中，进一步至少部分地基于第四加速度和第三加权因子来确定第三加速度。

H：一种示例方法包括：确定车辆经过环境的计划路径；确定车辆沿计划路径的第一加速度；至少部分地基于从车辆上的传感器获取的传感器数据，识别环境中的物体；至少部分地基于物体确定车辆沿计划路径的第二加速度；确定物体将影响车辆的计划路径的概率；至少基于第一加速度，第二加速度和概率，确定车辆沿计划路径的第三加速度，第三加速度不同于第一加速度和第二加速度；以及控制车辆以第三加速沿计划路径加速。

I：示例H的方法，还包括：确定与第一加速度相关联的第一加权因子；以及确定与第二加速度相关联的第二加权因子，其中第三加速度至少部分地基于使用第一加速度，第二加速度，第一加权因子和第二加权因子执行的优化。

J：示例H或I的方法，其中，第二加权因子是概率的线性函数或高阶函数中的至少一个。

K：示例H至J中任一项的方法，还包括：确定概率等于或大于第一阈值；以及确定所述概率等于或低于比第一阈值高的第二阈值。

L：示例H至K中任一项的方法，其中，物体是第一物体，概率是第一概率，所述方法还包括：识别环境中的第二物体；确定第二物体将影响车辆的计划路径的第二概率；确定车辆沿计划路径的第四加速度，第四加速度是响应于第二物体影响车辆的计划路径的车辆的加速度；以及至少部分地基于第二概率，确定与第四加速度相关联的第三加权因子，其中，进一步使用第四加速度和第三加权因子来执行优化。

M：示例H至L中任一项的方法，还包括：确定第一物体的第一分类，其中第二加权因子至少部分地基于第一分类；以及确定第二物体的第二分类，其中第三加权因子至少部分地基于第二分类。

N：具有一组指令的示例性非暂时性计算机可读介质，所述指令在被执行时使一个或多个处理器执行以下操作：确定车辆经过环境的计划路径；确定车辆沿计划路径的第一加速度；至少部分地基于从车辆上的传感器获取的传感器数据，识别环境中的物体；至少部分地基于物体，确定车辆沿计划路径的第二加速度；确定物体将影响车辆的计划路径的概率；至少基于第一加速度，第二加速度和概率，确定车辆沿计划路径的第三加速度，第三加速度不同于第一加速度和第二加速度；以及控制车辆以第三加速沿计划路径加速。

O：示例N的非暂时性计算机可读介质，该操作还包括：确定与第一加速度相关联的第一加权因子；以及确定与第二加速度相关联的第二加权因子，其中第三加速度至少部分基于使用由第一加权因子加权的第一加速度和由第二加权因子加权的第二加速度执行的优化。

P：示例N或示例O的非暂时性计算机可读介质，其中，第二加权因子至少部分地基于概率值，物体的分类或车辆的速度。

Q：示例N至示例P中任一项的非暂时性计算机可读介质，该操作还包括：确定概率等于或大于第一阈值；以及确定所述概率等于或低于比第一阈值高的第二阈值。

R：示例N至示例Q中任一项的非暂时性计算机可读介质，其中，物体是第一物体，概率是第一概率，该操作还包括：识别所述环境中的第二物体；确定第二物体将影响车辆的计划路径的第二概率；至少部分地基于第二概率低于第一阈值，从确定第三加速度中排除第二物体；以及至少部分地基于第二概率等于或高于第一阈值：至少部分地基于第二物体来确定车辆的第四加速度；以及基于第二概率确定第三加权因子，其中，确定第三加速度还至少部分基于第四加速度和第三加权因子。

S：示例N至R中任一项的非暂时性计算机可读介质，其中，第一权重至少部分地基于以下至少之一：与设置有计划路径的道路相关联的速度限制，计划路径中第二物体的速度，第二物体的加速度，或第二物体与车辆的距离。

T：示例N至S中任一项的非暂时性计算机可读介质，其中，确定第三加速度还包括：预测未来时间段内车辆和物体的一个或多个位置，确定未来时间段内在多个时间步长处的加速度，以及基于所述加速度来确定第三加速度。

结论

尽管已经描述了本文描述的技术的一个或多个示例，但是其各种改变，添加，置换和等同物也包括在本文描述的技术的范围内。

在示例的描述中，参考形成其一部分的附图，其通过说明的方式示出了所要求保护的主题的特定示例。应当理解，可以使用其他示例，并且可以进行诸如结构改变的改变或替换。这样的示例，改变或变更不一定相对于预期的所要求保护的主题偏离范围。尽管此处的步骤可以按一定顺序显示，但在某些情况下，可以更改顺序，以便在不更改所描述系统和方法功能的情况下，可以在不同时间或以不同顺序提供某些输入。所公开的过程也可以以不同的顺序执行。另外，本文描述的各种计算不必以所公开的顺序执行，并且使用计算的替代顺序的其他示例可以容易地实现。除了重新排序外，在某些情况下，计算还可以分解为具有相同结果的子计算。

Claims

1.一种车辆，包括：

传感器；

一个或多个处理器；以及

存储处理器可执行指令的存储器，所述指令当由所述一个或多个处理器执行时，将车辆配置为：

确定车辆经过环境的计划路径；

确定车辆沿计划路径的第一加速度；

从传感器接收传感器数据，传感器数据包括关于环境中的物体的信息；

至少部分地基于传感器数据，确定所述物体将影响车辆沿计划路径行驶的概率达到或超过阈值概率；

确定车辆沿计划路径的第二加速度，第二加速度是车辆对所述物体影响车辆沿计划路径行驶做出响应的加速度；

至少基于第一加速度和第二加速度，确定车辆沿计划路径的第三加速度，第三加速度不同于第一加速度和第二加速度；以及

控制车辆按照第三加速度沿计划路径加速。

2.根据权利要求1所述的车辆，其中，所述指令将所述一个或多个处理器进一步配置为：

确定与第一加速度相关联的第一加权因子；以及

确定与第二加速度相关联的第二加权因子，

其中，确定第三加速度进一步至少部分地基于第一和第二加权因子，以及

其中，第二加权因子至少部分地基于所述概率或所述物体的分类。

3.根据权利要求2所述的车辆，其中，第一加权因子是固定的加权因子，且第二加权因子是所述概率的函数。

4.根据权利要求1至3中任一项所述的车辆，其中，阈值概率是第一阈值，并且所述指令当由所述一个或多个处理器执行时，将车辆进一步配置为：

确定所述概率达到或超过第一阈值；以及

确定所述概率等于或低于比第一阈值高的第二阈值。

5.根据权利要求4所述的车辆，其中，所述指令当由所述一个或多个处理器执行时，将车辆进一步配置为以下至少之一：

响应于确定所述概率低于第一阈值，控制车辆以第一加速度沿计划路径加速；或

响应于确定所述概率高于第二阈值，控制车辆以第二加速度沿计划路径加速。

6.根据权利要求2或3所述的车辆，其中，所述物体是第一物体，且第一加权因子至少部分基于以下至少之一：与布置计划路径的道路相关联的速度限制，计划路径中第二物体的速度，第二物体的加速度，或第二物体与车辆之间的距离。

7.根据权利要求2或3所述的车辆，其中，所述物体是第一物体，所述概率是第一概率，并且所述指令当由所述一个或多个处理器执行时，将车辆进一步配置为：

识别环境中的第二物体；

确定第二物体将进入车辆的计划路径的第二概率；

确定车辆沿计划路径的第四加速度，第四加速度是车辆对第二物体进入车辆的计划路径做出响应的加速度；以及

至少部分地基于第二概率，确定与第四加速度相关联的第三加权因子，

其中，至少部分地基于第四加速度和第三加权因子，进一步确定第三加速度。

8.一种用于控制车辆的方法，包括：

确定车辆经过环境的计划路径；

确定车辆沿计划路径的第一加速度；

至少部分地基于从与车辆相关联的传感器获取的传感器数据，识别环境中的物体；

至少部分地基于所述物体，确定车辆沿计划路径的第二加速度；

确定所述物体将影响车辆的计划路径的概率；

至少基于第一加速度、第二加速度和所述概率，确定车辆沿计划路径的第三加速度，第三加速度不同于第一加速度和第二加速度；以及

控制车辆以第三加速度沿计划路径加速。

9.根据权利要求8所述的方法，还包括：

确定与第一加速度相关联的第一加权因子；以及

确定与第二加速度相关联的第二加权因子，

其中，第三加速度至少部分地基于使用第一加速度、第二加速度、第一加权因子和第二加权因子执行的优化。

10.根据权利要求9所述的方法，其中，使用由第一加权因子加权的第一加速度和由第二加权因子加权的第二加速度来执行优化。

11.根据权利要求9或权利要求10所述的方法，其中，第二加权因子至少部分地基于所述概率的值、所述物体的分类、或车辆的速度。

12.根据权利要求8至10中任一项所述的方法，其中，确定第三加速度还包括：预测未来时间段内车辆和所述物体的一个或多个位置，确定未来时间段内在多个时间步长处的加速度，以及基于未来时间段内在多个时间步长处的加速度确定第三加速度。

13.根据权利要求8至10中任一项所述的方法，还包括：

确定所述概率等于或大于第一阈值；以及

确定所述概率等于或低于比第一阈值高的第二阈值。

14.根据权利要求8至10中任一项所述的方法，其中，所述物体是第一物体且所述概率是第一概率，所述方法还包括：

识别环境中的第二物体；

确定第二物体将影响车辆的计划路径的第二概率；

确定车辆沿计划路径的第四加速度，第四加速度是车辆对第二物体影响车辆的计划路径做出响应的加速度；以及

其中，使用第四加速度和第三加权因子来进一步执行优化。

15.根据权利要求14所述的方法，还包括：

确定第一物体的第一分类，其中，第二加权因子至少部分地基于第一分类；以及

确定第二物体的第二分类，其中，第三加权因子至少部分地基于第二分类。