CN113534768A - 用于自动驾驶系统监控和管理的方法和系统 - Google Patents

Abstract

本公开涉及用于自动驾驶系统监控和管理的方法和系统。本文中提出了用于监控和管理车辆的自动驾驶系统(ADS)的系统和方法。更详细地，本公开提出了在车辆中辨别环境状态并且将其映射到用于安全保证的统计模型的系统。给定该数据，进一步提出对ADS中的统计模型进行更新，并且传输模型的更新而不是整个传感器数据、周围对象的轨迹或者环境的详细测量。因此，所提出的解决方案允许捕获ADS暴露于的所有事件，以更新用于车辆机队中的所有ADS的安全保证的全局模型。

Description

用于自动驾驶系统监控和管理的方法和系统

相关申请的交叉引用

本专利申请要求于2020年4月16日提交的名称为“用于自动驾驶系统监控和管理的方法和系统(METHODS AND SYSTEMS FOR AUTOMATED DRIVING SYSTEM MONITORING ANDMANAGEMENT)”的第20169897.4号欧洲专利局申请的优先权，该申请已转让给本受让人，并且通过引用明确地并入本文中。

技术领域

本公开涉及用于车辆的自动驾驶系统(ADS)，并且更具体地，本公开涉及用于监控和管理地面车辆的ADS的方法和系统。

背景技术

在过去那些年中，自主驾驶车辆的发展迅猛，并且正在探索许多不同的解决方案。越来越多的现代车辆具有先进的驾驶员辅助系统(ADAS)以提高车辆安全、更普遍地和道路安全。例如可以由自适应巡航控制(ACC)、防碰撞系统、前方碰撞预警等表示的ADAS是可以在驾驶时帮助车辆驾驶员的电子系统。为了按预期运行，ADAS可以依赖于来自诸如例如自动成像、LIDAR、雷达、图像处理、计算机视觉和/或车内联网的多个数据源的输入。

如今，ADAS以及自主驾驶(AD)都在这些领域中的许多不同的技术领域中不断发展。ADAS和AD在本文中将被称为与例如由驾驶自动化的SAE J3016级别(0-5)所定义的不同自动化级别中的全部相对应的通用术语自动驾驶系统(ADS)。

因此，在不太远的将来，ADS解决方案将在更大程度上找到它们进入现代车辆的途径。ADS可以被理解为能够被定义为其中车辆的感知、决策和操作由电子和机械而不是人类驾驶员执行的系统的各种部件的复杂组合，并且被理解为将自动化引入道路交通。这包括对车辆的操控、目的地以及对周围环境的了解。虽然自动化系统可以控制车辆，但它允许人类操作员将所有责任留给系统。ADS通常组合诸如例如雷达、LIDAR、声纳、摄像头、导航系统(例如GPS)、里程表和/或惯性测量单元(IMU)的各种传感器以感知车辆的周围环境，在此基础上高级控制系统可以解译感测信息以识别合适的导航路径以及障碍物和/或相关标志。

然而，如以上描述的ADS特征被限制为需要以高完整性起作用，以为车辆乘员及其周围环境提供足够低的风险。确保风险足够低可能需要用于统计证明的难以处理的大量数据，并且根据示例，将需要例如大约一百辆车辆连续行驶五个世纪来取得。在将ADS特征投放到公共道路上之前，有若干方法来最小化ADS特征的风险。然而，除此之外，通常认为ADS特征应在现场被监控一次，以便确保它们符合所需的安全级别。此外，由于由各种ADS特征利用的完整的传感器设置可能产生大量的数据，因此如果不是不可能的话，将所有这些数据发送到云以进行离线处理和分析可能很有挑战性。

发明内容

因此，本公开的目的是提供减轻了以上讨论的问题中的全部或至少一些的计算机可读存储介质、系统、车辆以及用于监控和管理多个车辆的ADS的方法。

因此，该解决方案的一部分涉及服务器侧解决方案，而另一部分涉及车辆侧解决方案，因为它们是相互关联的产品。

更详细地，本公开的目的是提供用于保持地面车辆的ADS在已经被开发和被验证的条件下操作的框架，并且从而试图降低车辆乘员及其周围环境的风险。术语地面车辆在本上下文中可以被理解为诸如例如汽车、公共汽车、卡车或者摩托车的道路交通车辆。

这些和其它目的通过如所附权利要求中限定的所提供的计算机可读存储介质、系统、车辆以及用于监控和管理多个车辆的ADS的方法来实现。术语示例性在本上下文中将被理解为用作实例、示例或者说明。

根据本公开的第一方面，提供了一种用于监控和管理多个地面车辆的自动驾驶系统(ADS)的方法。每个ADS具有被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，并且每个ADS与统计模型相关联，该统计模型指示与通过每个ADS的场景标识符模块可检测的多个场景有关的统计分布。该方法包括从多个地面车辆中的每一个获得数据，其中数据指示统计模型的一组局部更新的模型参数，局部更新的模型参数指示与检测到的场景相关联的统计分布。此外，该方法包括基于所获得的数据更新统计模型，并且将指示所更新的统计模型的数据传输到多个地面车辆。

因此，呈现了用于构建和维护用于保持地面车辆的ADS在已经被开发和被验证的条件下操作的框架的解决方案。更详细地，在本文中公开的解决方案提出使用在车辆中辨别环境状态并且将其映射到用于安全保证的统计模型的系统。给定该数据，进一步提出对与ADS相关联的统计模型进行更新，并且优选地仅将统计模型的更新而不是整个传感器数据、周围对象的轨迹或者环境的详细测量从车辆传输到中央系统。因此，所提出的系统允许捕获ADS暴露于的所有事件，以便更新用于车辆机队中的所有ADS的安全保证的“全局”统计模型。此外，与在车辆与集中式机队管理系统之间共享原始传感器数据相比，利用可以被用于定义ADS的操作设计域(ODD)的统计模型允许带宽有效的通信。

因此，本发明人认识到，除了确保ADS安全地执行之外，用于首先进行ADS的安全保证(即，支持ODD的要求)的统计模型也被更新并且保持有效也是极为重要的。这在交通中出现ADS期间尤其敏感，其将可能影响交通动态。统计模型的急剧变化具有违反各种安全设计假设的风险，这可能导致不安全的ADS行为。然而，由于发送原始传感器数据由于由ADS产生的大量数据而可能是不可行的，因此提出了更成本有效和带宽有效的解决方案。此外，统计模型的利用允许在设计时间和运行时间使用相同框架的协调且有效的手段，即，既用于为ADS定义ODD，又用于断言ADS在满足ODD的环境中操作。这有助于自主特征和验证过程的整体开发。此外，通过使用统计模型，提供了用于在配备ADS的车辆与中央实体之间共享关键信息的计算有效且带宽有效的手段。

操作设计域(ODD)将被理解为其中自动或半自动驾驶系统(即AD或ADAS)被设计为起作用的操作条件的描述，包括但不限于地理、道路(例如，类型、表面、几何形状、边缘和标记)、环境参数、连通性、周围对象、交通参数和速度限制。

关于术语“统计模型”，其可以被理解为ADS能够从其操作环境统计地预期的内容的描述。更详细地，从一开始就能够通过不同的分割和量化方法对一组现场数据进行建模(在本文中被称为“场景识别”)。换言之，场景识别的结果是一组场景参数，并且统计模型通过对现场数据中识别的场景进行建模来获得。因此，统计模型可以被理解为统计分布的数学表示。更详细地，环境的统计模型以统计方式对ADS能够从其周围环境预期的内容进行量化。换言之，统计模型为可能在环境内发生的所有场景(例如，超车、行人穿越、动物穿越、其它道路用户的行为等)提供概率测量。因此，为了统计地描述环境，可以将与所有场景相对应的统计分布汇集在一起以形成“全局”统计分布。

因此，可以利用统计模型来确定操作设计域(ODD)的条件和/或要求是否被满足，由此可以确定ADS有效性。

因此，根据本公开的实施例，ADS被配置用于ODD，并且统计模型包括指示地面车辆的操作环境内的地理区域的地理参数。因此，该方法进一步包括：将更新的统计模型与ODD的一组预定义要求进行比较；基于该比较确定更新的统计模型是否指示ODD的预定义要求在地理区域内未被满足；并且如果更新的统计模型指示ODD的预定义要求在地理区域内未被满足(基于该地理区域内的一个或多个场景的统计分布)，则将信号传输到多个地面车辆，该信号指示用于抑制在该地理区域内激活ADS的指令。在一些实施例中，如果更新的统计模型指示ODD的预定义要求在地理区域内未被满足，则信号可以进一步指示用于禁止车辆进入该地理区域(其中ADS是激活的)的指令。

此外，统计模型然后能够将信息馈送到设计过程中以定义ADS的不同部分需要使用哪些完整性，并且还定义ADS的ODD。因此，如果随后ADS被实现为通过这些统计模型定义的完整性，则可以认为ADS在统计上将是安全的。然而，在这种情况下，统计模型在ADS的操作期间也始终有效是至关重要的。在构建统计模型时，可能需要考虑置信度估计并且对进入ADS的安全论证和设计的所有不同值使用保守数字。与为不同值设定硬界限或范围的传统方式相比，该方法可以允许解决挑战而没有不必要的容限的设计。

根据本公开的第二方面，提供了一种(非易失性)计算机可读存储介质，该(非易失性)计算机可读存储介质存储被配置为由处理系统的一个或多个处理器执行的一个或多个程序，该一个或多个程序包括用于执行根据本文公开的实施例中的任一实施例的用于监控和管理ADS的方法的指令。就本公开的该方面而言，存在与先前讨论的本公开的第一方面类似的优点和优选特征。

根据本公开的第三方面，提供了一种用于监控和管理多个地面车辆的ADS的系统。每个ADS具有被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，并且每个ADS与统计模型相关联，该统计模型指示与通过每个ADS的场景标识符模块可检测的多个场景有关的统计分布。该系统包括：存储器，包括统计模型；和控制电路系统，被配置为从多个地面车辆中的每一个获得数据。该数据指示统计模型的一组局部更新的模型参数。局部更新的模型参数指示与检测到的场景相关联的统计分布。控制电路系统被进一步配置为：基于获得的数据更新统计模型，并且将指示全局更新的统计模型的数据传输到多个地面车辆。就本公开的该方面而言，存在与先前讨论的本公开的第一方面类似的优点和优选特征。

根据本公开的第四方面，提供了一种用于监控和管理地面车辆的ADS的方法。ADS具有被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，并且ADS与统计模型相关联，该统计模型指示与通过ADS的场景标识符模块可检测的多个场景有关的统计分布。该方法包括：获得包括关于地面车辆的周围环境的信息的传感器数据；以及通过场景标识符模块基于获得的传感器数据来检测周围环境中的场景，并且提取指示检测到的场景的一组场景参数。此外，该方法包括基于提取的该组场景参数来局部更新统计模型的一组模型参数，其中局部更新的该组模型参数指示与检测到的场景相关联的统计分布。此外，该方法包括将局部更新的该组模型参数和用于生成局部更新的该组模型参数的样本的数目传输到包括统计模型的远程实体。就本公开的该方面而言，存在与先前讨论的本公开的第一方面类似的优点和优选特征。更具体地，本公开的该方面可以被理解为在本文中提出的完整解决方案的车辆侧部分，而前三个方面涉及“后台”部分。

根据本公开的第五方面，提供了一种用于监控和管理地面车辆的ADS的系统。ADS具有被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，并且ADS与统计模型相关联，该统计模型指示与通过ADS的场景标识符模块可检测的多个场景有关的统计分布。该系统包括：存储器，包括统计模型；和控制电路系统，被配置为获得包括关于地面车辆的周围环境的信息的传感器数据。控制电路系统被进一步配置为通过场景标识符模块基于获得的传感器数据来检测周围环境中的场景，并且提取指示检测到的场景的一组场景参数。此外，控制电路系统被配置为基于提取的该组场景参数来局部更新统计模型的一组模型参数，其中局部更新的该组模型参数指示与检测到的场景相关联的统计分布。此外，控制电路系统被配置为将局部更新的该组模型参数和用于生成局部更新的模型参数的样本的数目传输到包括统计模型的远程实体。就本公开的该方面而言，存在与先前讨论的本公开的第一方面类似的优点和优选特征。

如本文中所使用的术语“非易失性”旨在描述除传播电磁信号以外的计算机可读存储介质(或者“存储器”)，但并不旨在以其它方式限制由短语计算机可读介质或存储器所涵盖的物理计算机可读存储设备的类型。例如，术语“非易失性计算机可读介质”或者“有形存储器”旨在涵盖不必永久地存储信息的存储设备类型，包括例如随机存取存储器(RAM)。以非易失性形式存储在有形的计算机可访问存储介质上的程序指令和数据可以进一步通过传输介质或者诸如电信号、电磁信号或数字信号的信号传输，该信号可以经由诸如网络和/或无线链路的通信介质传送。因此，如本文中所使用的术语“非易失性”是对介质本身的限制(即，有形的，而不是信号)，而不是对数据存储持久性的限制(例如，RAM对比ROM)。

在从属权利要求中限定了本公开的其它实施例。应强调，当在本说明书中使用时，术语“包括/包含”用于表明所陈述的特征、整体、步骤或部件的存在。它不排除一个或多个其它特征、整体、步骤、部件或其组合的存在或者添加。

本公开的这些和其它特征以及优点将在下文中参考下文描述的实施例进一步阐明。

附图说明

本公开的实施例的其它目的、特征和优点将从以下参考附图的详细描述中显现，在附图中：

图1是根据本公开的实施例的在中央计算系统中执行的用于监控和管理多个地面车辆的ADS的方法以及在地面车辆中执行的用于监控和管理ADS的方法的示意性流程图表示。

图2是根据本公开的实施例的在中央计算系统中执行的用于监控和管理多个地面车辆的ADS的方法的示意性流程图表示。

图3是根据本公开的实施例的在地面车辆中执行的用于监控和管理该地面车辆的ADS的方法的示意性流程图表示。

图4是根据本公开的实施例的用于监控和管理多个地面车辆的ADS的系统以及用于生成统计数据的系统的示意性透视图。

图5是根据本公开的实施例的包括用于监控和管理地面车辆的ADS的系统的车辆的示意性侧视图。

具体实施方式

本领域技术人员将理解，可以使用单个硬件电路、使用与编程的微处理器或通用计算机一起工作的软件、使用一个或多个专用集成电路(ASIC)和/或使用一个或多个数字信号处理器(DSP)来实施本文中所说明的步骤、服务和功能。还将理解，当就方法来描述本公开时，其也可以体现在一个或多个处理器以及联接到该一个或多个处理器的一个或多个存储器中，其中该一个或多个存储器存储一个或多个程序，该一个或多个程序在由该一个或多个处理器执行时执行本文中所公开的步骤、服务和功能。

在本文中，术语ADS或自主驾驶特征可以指例如本领域已知的和/或有待开发的任何任意的ADS、ADAS或自主驾驶特征，其中添加了可以是ADS的集成部分或部署在车辆中的外围系统/模块/特征的场景标识符模块。

操作设计域(ODD)将被理解为其中自动或半自动驾驶系统(即AD或ADAS)被设计为起作用的操作域的描述，包括但不限于地理、道路(例如，类型、表面、几何形状、边缘和标记)、环境参数、连通性、周围对象、交通参数和速度限制。

以下描述涉及其目的是确保自动驾驶系统(ADS)的安全性能的解决方案或者框架。更详细地，本发明人认识到，一旦ADS被投放到公共道路上，就应对ADS进行监控。然而，考虑到当今技术，对ADS的监控意味着将大量的传感器数据传送到中央实体，以便检查在设计时间中用于定义ODD的“环境模型”的有效性。假设ADS机队的规模在未来迅速增加，依赖于发送原始传感器数据的解决方案被认为是不可行的。另外，在一些立法中，数据不能离开国家，这增加了构建全球平台的另一障碍。到目前为止，存在一些基于度量来自动识别传感器数据的信息部分的用于减少数据量的解决方案。然而，此类解决方案对于更新用于ADS的安全保证的模型的目的可能仍然是不够的，因为更新该模型通常需要从ADS机队访问整个传感器数据。术语安全保证在本上下文中可以被理解为验证程序，其中验证ADS在已经被设计和被验证的环境中操作。

因此，本文中提出利用统计模型来得到ADS的安全保证并且将统计模型部署到机队中的所有ADS中。这使得能够使用整个传感器数据集来更新(确保对地面车辆的操作环境的最新理解的)统计模型，而不发送整个传感器数据集。更详细地，这通过使用整个传感器数据来实现，以便在每个车辆中局部地更新统计模型，并且然后将更新的统计模型(或者仅更新的参数)传送到中央系统，聚合多个局部更新，并且由此构造全局统计模型。因此，这创造了频繁地更新用于安全保证的模型而不共享传感器数据的机会，从而节省了大量的带宽，并且在由于当地立法而不能共享这样的数据的国家中尤其有利。换言之，可以根据任何数据隐私行为来聚合所需信息。换言之，通过本文中提出的方法和系统，可能使多方能够构建用于监控和管理ADS机队而无需共享“数据”的通用且稳健的机器学习模型，从而解决诸如数据隐私、数据安全、数据访问权限和对异构数据的访问的关键问题。这也可以被称为用于ADS的安全保证的模型的联合学习。

继续，图1是描绘了根据本公开的实施例的用于监控和管理多个地面车辆的自动驾驶系统(ADS)的方法100(即服务器侧)和用于监控和管理地面车辆的ADS的方法200(即车辆侧)的示意图。两种方法100、200用于提供用于保持地面车辆1的ADS在已经被开发和被验证的条件下操作的框架，并且从而降低车辆乘员及其周围环境的风险。

因此，根据本公开的实施例，图1示出了用于监控和管理多个地面车辆1的自动驾驶系统(ADS)的方法100的示意性流程图表示。更详细地，每个ADS包括被配置为监控每个对应地面车辆1的周围环境中的场景的场景标识符模块。此外，每个ADS与统计模型相关联，该统计模型指示与通过每个ADS的场景标识符模块可检测的多个场景有关的统计分布。优选地，方法100是计算机实现的方法，并且更具体地，其优选地在被配置为向多个“连接的”车辆1传输数据和从多个“连接的”车辆1接收数据的服务器侧系统2中实现。

更详细地，在线场景标识符模块被部署到每个车辆1的ADS上，以便能够基于来自其操作条件的数据来更新统计模型，并且然后与中央实体共享这种局部更新的统计模型，以便构建“全局”聚合统计模型(也可以被称为基线统计模型)。局部更新的统计模型参数可以在更新时发送，或者在存在到中央实体/服务器的可用通信路径的情况下周期性地(例如，在驾驶会话完成之后)发送。

因此，“统计模型”可以被理解为ADS能够从其操作环境统计地预期的内容的描述。更详细地，从一开始就能够通过不同的分割和量化方法对一组现场数据进行建模(在本文中被称为“场景识别”)。换言之，场景识别的结果是一组场景参数，并且统计模型通过对现场数据中识别的场景进行建模来获得。因此，统计模型可以被理解为统计分布的数学表示。更详细地，ADS的操作环境的统计模型以统计方式量化ADS能够从其周围环境预期的内容。统计模型为可能在操作环境内发生的所有场景(例如，超车、行人穿越、动物穿越、其它道路用户的行为等)提供概率测量。因此，为了统计地描述ADS的操作环境，可以将与所有场景相对应的统计分布汇集在一起以形成整个操作环境的“全局”统计分布。统计模型可以例如具有分层结构。

在示例实施方式中，统计模型然后能够将信息馈送到设计过程中以定义ADS的不同部分需要使用哪些完整性，并且附加地，统计模型可以被用于定义ADS的ODD。因此，如果随后ADS被实现为通过这些统计模型定义的完整性，则能够认为ADS在统计上将是安全的。然而，在这种情况下，统计模型在ADS的操作期间也始终有效是至关重要的。构建统计模型时，可能需要考虑置信度估计并且对进入ADS的安全论证和设计的所有不同值使用保守数字。与为不同值设定硬界限或范围的传统方式相比，该方法可以允许解决实际挑战而没有不必要的容限的设计。

优选地但不是必须地，ADS是根据驾驶自动化的SAE J3016级别的级别3或更高级别的ADS，诸如例如高速公路导航特征或交通堵塞导航特征等。在本文中，术语ADS或自主驾驶特征可以指例如本领域已知的和/或有待开发的任何任意的ADS、ADAS或自主驾驶特征，其中新添加了可以是ADS的集成部分或部署在车辆中的外围系统/模块/特征的场景标识符模块。

在本上下文中，术语“场景”是指事件、一系列事件或者情形。术语场景可以涉及任何交通情形，术语场景不排除非预期的或者异常的交通情形。在一些示例中，场景可以是与被车辆超车有关的一系列状态。在一些示例中，场景可以是与超越另一车辆有关的一系列状态。在一些示例中，场景可以是与被另一车辆拦截有关的一系列状态。在一些示例中，场景可以是与另一车辆猛烈地冲撞有关的一系列状态。在一些示例中，场景可以是所有车道中的车辆都静止的状态。更详细地，场景可以被理解为场景是对一系列场景中的若干场景之间的时间发展的描述，其中场景是指包括景物(例如，雨、雾、坑洼等)、动态元素以及所有角色和观察者自我表示的环境的快照、以及这些实体之间的关系。

继续，方法100包括从多个地面车辆1中的每一个获得101数据。获得101的传感器指示统计模型的一组局部更新的模型参数，其中局部更新的模型参数指示与检测到的场景相关联的统计分布。

换言之，方法100包括获得101b统计模型的一组局部更新的模型参数。此外，获得101b的一组局部更新的模型参数可以包括用于生成该组局部更新的模型参数的样本的数目。在一些示例中，用于生成该组局部更新的模型参数的样本的数目与传感器测量的时间单位的数目有关。在一些示例中，用于生成外部更新的一组模型的样本的数目与检测到的场景的数目有关。术语获得在本文中将被广义地解释且涵盖接收、检索、收集和获取等。

然而，在一些实施例中，方法100可以进一步包括从多个车辆获得101a一组提取的场景参数。可替代地，在一些实施例中，方法100可以包括从多个车辆获得101a该组提取的场景参数而不获得101b该组局部更新的模型参数。在一些情形下，例如在没有严格的带宽限制或数据隐私限制的情形下，获得101a该组提取的场景参数可能是有利的，因为它们与对应的模型参数相比更能说明检测到的场景。因此，场景参数将允许(由中央系统离线执行的)更深入的分析，这对于增加对统计分布的理解可能是有价值的。

此外，方法100包括基于获得101的数据来更新102统计模型。更新102统计模型的步骤可以被理解为将获得101的数据点应用于现有统计模型以生成更新的统计模型的步骤，该更新的统计模型因此随后进一步包括与ADS的操作环境内的各种场景和事件的概率有关的最新信息。例如，如果获得101的数据指示特定地理区域内超速行驶的车辆数量增加(即，明显超过“预期”)，则这将被反映在更新的统计模型中。

接下来，方法100包括将指示更新的统计模型的数据传输103到多个地面车辆1。由此，多个地面车辆被提供有最新的统计模型，使得每个车辆1的ADS被提供有用于“理解”其在各种环境中能够统计地预期的内容并且相应地适配的手段。该适配可以例如表现为抑制一个或多个ADS特征，或者调节操作容限(例如，速度限制、到领先车辆的距离、超车操纵等)。更详细地，通过利用统计模型，每个车辆的ADS可以适配特定的ADS特征(例如，高速公路导航、交通堵塞导航、自适应巡航控制等)以在不同地理区域中不同地操作，以便降低暴露于特定危险场景的风险。

例如，如果更新的统计模型指示在特定道路段上发生某些风险场景(例如，动物穿越)的概率增加，则ADS可以被配置为通过例如降低该道路段的最大允许速度或者完全抑制该道路段的完全自主特征来相应地适配。在后一种情况下，假设ADS没有能力处理此类风险场景，因此当接近该道路段时，可以向车辆的驾驶员/乘员发起切换程序。因此，可以利用统计模型来确定操作设计域的条件和/或要求是否被满足，由此可以确定ADS有效性。

此外，统计模型的利用提供了用于在设计时间和运行时间使用相同框架的协调且有效的手段，即，既用于为ADS定义ODD，又用于断言ADS在满足ODD的环境中操作。这有助于自主特征的整体开发、ADS的管理以及验证过程。此外，通过使用统计模型，提供了用于在配备ADS的车辆与中央实体之间共享关键信息的计算有效且带宽有效的手段。换句话说，与共享原始传感器数据并且对其进行处理相比，利用根据本公开的统计模型(已经被用于定义ADS的ODD的相同的统计模型)允许更高带宽效率的总体系统管理。

从另一角度(即从车辆侧)来看，图1还图示了根据本公开的实施例的用于监控和管理地面车辆1的ADS的方法200的示意性流程图表示。如所提及的，ADS包括被配置为监控每个对应地面车辆1的周围环境中的场景的场景标识符模块，并且ADS与统计模型相关联，该统计模型指示与通过ADS的场景标识符模块可检测的多个场景有关的统计分布。

方法200包括获得201包括关于车辆的周围环境的信息的传感器数据。传感器数据可以例如从车辆的感知系统和/或定位系统获得201。感知系统在本上下文中被理解为负责从诸如摄像头、LIDAR和RADAR、超声传感器的传感器上获取原始传感器数据并且将该原始数据转换成场景理解的系统。当然，传感器数据可以直接从一个或多个合适的传感器(诸如例如摄像头、LIDAR传感器、雷达、超声传感器等)接收。定位系统可以例如是诸如例如GPS单元的全球导航卫星系统(GNSS)的形式。

此外，方法200包括通过场景标识符模块基于获得的传感器数据来检测202周围环境中的场景，并且提取指示检测到的场景的一组场景参数。更详细地，在驾驶时，ADS暴露于多种不同的场景和情形。具有对这些的详细理解是有利的，以便能够构造安全且性能良好的自动驾驶系统。实现这种理解的一种方式是通过创建环境的“模型”。这些“模型”可以使用能够将ADS周围的事件和场景表征为“场景模型”并且进一步测量和量化它们的系统来创建。该系统在本文中被称为场景标识符模块，其输出不仅是所识别的场景，而且是量化的场景。量化的场景可以包括从周围交通的轨迹到雨量或不同道路特征的一切。

在一个示例情形中，该场景可以是外部车辆超越了自我车辆1。因此，场景标识符模块被配置为检测该场景并且提取指示该场景的一组场景参数。对于该示例情形，该组场景参数可以是外部车辆相对于自我车辆1的初始位置、车辆的初始速度、外部车辆的轨迹、道路几何形状、道路条件和天气条件等。此外，场景标识符模块可以进一步可操作地连接到充当缓冲器的存储器设备，该缓冲器基于获得的传感器数据随时间记录和存储一组状态。因此，场景标识符模块可以被配置为使用存储的该组状态来“检测”场景并且生成场景参数。换言之，缓冲器被用作场景标识符模块的输入，以便一旦整个场景已被“体验”就识别场景的整个演变。换言之，包括随时间变化的“当前”状态的缓冲器在整个场景/事件已经演变之后被后处理。因此，场景标识符模块可以被配置为在实际场景已经发生之后生成场景参数，以便一旦实际场景已经发生就识别该实际场景。因此，通过在周围环境中具有“观察”的缓冲器，场景标识符模块可以被配置为在车辆操作期间分析缓冲器，以便对场景进行分类和量化。

此外，方法200包括：基于提取的一组场景参数局部更新203基线统计模型的一组模型参数，以便获得局部更新的统计模型，局部更新203的该组模型参数指示与检测到的场景相关联的统计分布。因此，局部更新的统计模型可以包括由该组模型参数更新的基线统计模型的至少一部分。

方法200进一步包括：将局部更新的该组模型参数和用于生成局部更新的该组模型参数的样本的数目传输204到包括(基线)统计模型的远程实体。

因此，如所提及的，统计模型可以被用于定义ADS设计时间的ODD，并且明确定义的且最新的统计模型对于建立用于将ADS部署到公共道路上的安全情况可能是重要的。换句话说，为了了解ODD在“真实世界”中的有效位置，具有对环境的最新理解是有利的。

然而，在一些实施例中，方法200进一步包括将检测到的场景的该组提取的场景参数传输204到远程实体。除了更新的该组模型参数之外，可以传输204场景参数，或者不传输更新的该组模型参数。如所提及的，在一些情情形下，例如在没有严格的带宽限制或数据限制的情形下，获得101a该组提取的场景参数可能是有利的，因为它们与对应的模型参数相比更能说明检测到的场景。因此，场景参数将允许(由中央系统离线执行的)更深入的分析。

总之，在定义自动驾驶系统(ADS)时，很好地理解其在操作时将面临的困难可能是至关重要的。此类模型可以或者基于物理限制、理想规则，或者基于环境的统计模型。在物理模型将确保绝对安全的情况下，它们将可能产生将保持静止的ADS，并且“基于规则的”方法具有忽略在ADS的操作期间确实发生的情况的风险，并且因此可能造成相当大的安全风险。

然而，本发明人认识到，另一方面，统计模型提供了用于创建性能良好且安全的ADS的良好手段。如果这些统计模型被用于ADS的安全论证以及作为ADS的设计和实现的基础，则它们确实是正确的是至关重要的。此外，统计模型将允许在系统解决方案的不同部分中开发具有足够完整性的ADS，每个部分确保在给定统计数据的情况下，ADS根据某些安全规范将是安全的。然而，如果采用这种方法，则模型正确地反映现实是重要的。

因此，为了使统计模型准确地反映现实，重要的是使它们保持更新，尤其是在将ADS投放到可能极大地改变交通动态的公共道路上之后。本文中提出通过从机队中的多个ADS车辆进行众包来获得该数据。

然而，由于由ADS处理的信息量巨大，因此发送原始传感器数据是不可能的或者至少实际上是不可行的。如果整个驾驶将被传输以供“云”中的离线处理，则即使发送世界的中间数据表示(例如，对象级数据)也是不可行的。

因此，通过使识别的场景具有与用于构建用于安全保证的统计模型甚至以及潜在地用于构造ADS的ODD的场景相同的格式，根据可用的传输容量，提供有两个更好的选项，以使这些模型保持更新。即，从驾驶发送所有分类的和量化的场景(即，场景参数)或者利用场景参数以便在线(在车内)局部更新统计模型，并且然后仅传输更新的模型参数和用于进行更新的样本的数目。

这极大地减少了对大量带宽和存储容量的需求，以构建和维护用于ADS的安全保证的框架。在一些实施例中，只有局部更新的该组模型参数被从车辆传输到中央实体。考虑到可用的通信手段(网络容量、带宽、时延等)的当前状态，这是更具成本效益的选择。另外，由于存储要求与将模型保持在系统中所需的存储要求基本上相同，因此这种方法还确保相关数据不需要由于缺少板载存储而被丢弃。

因此，通过本文中提出的解决方案，能够利用所有“观察到的”场景和相关联的数据，而不是应用由于缺乏存储或者带宽能力而丢弃一些数据条目的某种类型的过滤/选择算法(这是一些常规已知解决方案的情况)。更详细地，如果原始传感器数据被发送，则很可能没有将驾驶会话的全部“体验”发送到“云”以供进一步处理，而是选择一些特定的数据条目，这增加了对现实世界情形做出错误结论的风险，并且因此产生对现实的拙劣反映。

在信息被“云”/后台接收之后，来自所有车辆的模型参数更新被并入(基线)统计模型中。然后，(基线)统计模型的更新可以有利地被用于以下目的中的一个或多个：

·根据更精细的统计模型更新ADS实施方式(例如，添加新特征/能力)，并且将这些更新发送到机队。

·根据更精细的统计模型减小ADS的容限，意味着ADS能够不那么谨慎地操作。

·增加ADS的验证过的完整性。

·如果发现更新的模型与用于首先实现ADS的先前的模型明显不同，则在特定地理区域中抑制ADS的激活。换言之，可以通过向机队中的ADS发送此类消息来抑制ADS的未来激活。由于该模型很可能分散在不同的使用区域(如国家或者类似地区)中，所以这种抑制优选地仅对受影响的地理区域有效。

此外，应注意，统计模型可以包括仅关于ADS的操作环境的所有(地理)区域中的一小部分(地理)区域的信息。更具体地，统计模型包括关于由ADS的ODD定义的整个操作环境的信息。然而，由于其(可能是分层的)结构，可以仅提取ADS的操作环境的所有区域中的一小部分区域的信息。因此，抑制可能不是针对所有区域中的ADS，而只是在(现在更新的)统计模型指示操作环境不再满足ODD的部分中。更详细地，ODD可以被理解为一组“静态”(在设计时间中定义)的条件/要求，而具有其统计分布的统计模型被用于判断在特定地理区域处这些条件被满足的位置。因此，可以具有用于第一地理区域或第一道路类型的一个统计分布或甚至模型，以及用于第二地理区域或第二道路类型的另一模型/分布。观看这一点的替代方式是统计模型进一步指示(一天中的)时间以及地理位置两者。因此，来自被判断为在ODD外部的模型(即，指示与ODD要求的偏差的更新的模型)的结果可能因此仅是影响其中发生该超越的时间和地理区域的结果。因此，不需要在ADS操作环境的所有区域中进行抑制，而是在统计模型指示ODD的条件未被满足的地方进行抑制就足够了。ADS的操作环境可以被理解为ADS可以在其中操作的所有环境，而操作环境是ADS正在其中操作的当前环境(即，整个操作环境的子集)。

现在将参考图2讨论与用于监控和管理多个地面车辆的ADS的方法100相关的进一步的细节，图2图示了方法100的示意性流程图表示。由于上文已经参考图1讨论了方法100的一些特征，因此为了简洁和简明起见，参考图2的公开内容将主要集中在方法100的未公开部分。换句话说，图2示出了根据本公开的实施例的由通信地连接到多个地面车辆的中央系统执行的方法100的示意性流程图，其中每个地面车辆具有ADS。

因此，该方法包括从多个配备ADS的车辆中的每一个获得101数据，其中该数据包括统计模型的一组局部更新的模型参数，其中局部更新的模型参数指示与检测到的场景相关联的统计分布。

该方法进一步包括：基于获得的数据更新102统计模型，即更新由统计模型建模的统计分布，以便说明新观察到的和量化的场景。此外，统计模型可以进一步包括指示地理区域内的时间段的时间参数。换言之，如本文中所使用的统计模型指示在特定时间段在特定地理区域处“发生”特定场景的概率。地理数据和时间数据可以被固有地纳入“统计模型”中。例如，统计模型可以具有与特定地理位置的特定场景(例如，“侵略性超车场景”)相关联的一个一般统计分布、指示“侵略性超车场景”在一天中如何分布的另一统计分布和指示“侵略性超车场景”在一周中如何分布的另一统计分布等。可替代地，通过扩展函数(其被用于定义模型)的维数，所有这些地理和时间参数可以在与“侵略性超车场景”相关联的一个统计分布中指示。

此外，方法100包括分析104更新102的统计模型，其中分析104可以根据应用而采取不同的形式。更详细地，如以上所提及的，更新102的统计模型可以被用于诸如例如验证完整性、更新ADS实施方式、更新操作容限或者由于安全考虑而进行抑制的多种目的，下面将更详细地举例说明它们中的一些。

因此，假设可以区分不同地理区域和特定时间段内的特定场景的概率，则更新的统计模型的分析104可以包括将更新102的统计模型与ODD的一组预定义要求进行比较的步骤。在更具说明性的示例中，ODD的预定义要求可以例如指定骑自行车者超越车辆的概率的阈值、“人行横道受阻”的概率的阈值。这两个示例可以被认为是“极端情况场景”，即，具有低发生概率但与识别和确认性能的高努力相关联的场景。因此，ADS的ODD的规范可能要求这两种场景以允许ADS操作的足够低的概率发生。然而，更新102的统计模型与这些预定义要求之间的比较可以相应地揭示这些“极端情况场景”的概率在特定地理区域(即特定道路段)处高于阈值，并且因此可以采取适当的措施。

因此，在一些实施例中，方法100包括基于该比较确定105更新102的统计模型是否指示ODD的预定义要求在地理区域内未被满足。然后，如果更新的统计模型指示ODD的预定义要求在地理区域内未被满足，则方法100可以进一步包括将信号传输106到多个地面车辆，该信号指示用于抑制在(受影响的)地理区域内激活ADS的指令。因此，通过所提出的方法100，能够捕获ADS暴露于的所有事件，以便更新“全局”统计模型，并且将其用于车辆机队中的所有ADS的安全保证。

此外，在一些实施例中，(车辆机队的)ADS包括一组操作容限，并且方法100进一步包括基于更新102的统计模型更新107该组操作容限。操作容限可以例如是速度限制、到领先车辆的距离、用于超越其它车辆的允许间隙尺寸等的形式。此外，方法100包括将指示ADS的更新的该组操作容限的信号传输108到多个地面车辆。换言之，ADS的更新可以遍及整个车辆机队展开。因此，由于对特定场景的各种概率的增加的了解，有可能连续地重新评估ADS的各种操作容限并且相应地适配它们。这提供了ADS操作容限的更有效的开发和动态适配，这最终提供了更好的终端产品，从而提高了用户满意度和整体的道路安全。此外，如所提及的，来自统计模型的信息可以在ADS的设计阶段用作有价值的输入，以便集中于“正确的”场景(即，ADS可能暴露于的场景)。

继续，图3是用于监控和管理地面车辆的ADS的方法200的示意性流程图表示。如前所述，ADS包括被配置为监控地面车辆的周围环境中的场景的场景标识符模块，并且ADS与统计模型相关联，该统计模型指示与通过场景标识符模块可检测的多个场景有关的统计分布。因此，图3描绘了本文中提出的框架的相互关联的车辆侧实施方式。换句话说，图3示出了根据本公开的实施例的由地面车辆的车辆控制系统执行的方法200的示意性流程图，其中地面车辆包括ADS。

因此，如前所述，方法200的特征中的一些已经参考图1进行了详细讨论，并且为了简洁和简明起见，在下文中将被省略。然而，方法200包括获得201包括关于地面车辆的周围环境的信息的传感器数据。然后，基于获得的传感器数据检测202周围环境中的场景，并且通过场景标识符模块提取指示检测到的场景的一组场景参数。此外，方法200包括基于提取的该组场景参数来局部更新203统计模型的一组模型参数。局部更新的该组模型参数指示与检测到的场景相关联的统计分布。

此外，方法200包括将局部更新的该组模型参数和用于生成局部更新的该组模型参数的样本的数目传输204到包括统计模型的远程实体。

数据的传输204可以例如在停放车辆时的驾驶会话完成之后执行。然而，一般而言，为了构造“全局”统计模型的数据的传输204以某个(预定)频率发送。例如，当ADS在新的地理区域中启动时，可能需要以比ADS已经“成熟”时更高的频率来更新中央实体处的基线统计模型。

此外，方法200包括从远程实体获得205统计模型的全局更新的一组模型参数，以及基于获得205的全局更新的该组模型参数(局部)更新206(基线)统计模型，以便获得更新的(基线)统计模型。换言之，方法200包括基于车辆暴露于的场景形成203统计模型的第一(局部)更新，并且将该数据提供给中央实体。中央实体又从车辆的整个机队接收数据，并且将其聚合以便执行随后被推广到车辆的整个机队的基线统计模型的“全局”更新。

类似地，如参考图2所讨论的，更新的(基线)统计模型可以有利地被用于一个或多个类似的目的。换言之，参考图2讨论的方法的步骤中的一些可以在车辆中局部执行而不是集中执行。这在ADS针对不同类型的车辆被不同地配置并且局部规范可以保证不同车辆中的不同措施的情况下是有利的。例如，由于不同的安全考虑，与用于汽车的ADS相比，卡车的ADS可以被配置有不同的安全容限。因此，方法200可以包括分析207更新的(基线)统计模型的步骤，其中分析207可以包括将更新的统计模型与用于ADS的ODD的一组预定义要求进行比较的步骤。

然后，可以执行检查以基于该比较确定208更新的统计模型是否指示ODD的预定义要求在特定地理区域内未被满足。因此，如果更新的统计模型指示ODD的预定义要求在特定地理区域内未被满足，则方法200进一步包括抑制209在地理区域内激活ADS的步骤。此外，作为分析207的结果，在一些实施例中，方法200包括基于更新的统计模型更新210ADS的一组操作容限。

用于执行这些功能的可执行指令可选地被包括在非易失性计算机可读存储介质中或者被配置为由一个或多个处理器执行的其它计算机程序产品中。

图4是根据本公开的实施例的用于监控和管理多个车辆1a的ADS的系统20的示意性透视图图示。配备ADS的车辆1a中的一个在受控进入的双车道(即，快车道或者高速公路)上行驶，并且ADS可以例如是高速公路导航的形式。此外，ADS包括被配置为监控配备ADS的车辆1a的周围环境中的场景的场景标识符模块。此外，ADS与统计模型相关联，该统计模型指示与通过场景标识符模块可检测的多个场景有关的统计分布。系统20包括一个或多个处理器21、存储器22和通信接口24，以及用于执行本文中所公开的方法所需的任何其它常规部件/功能。

基线模型的一种这样的统计分布由虚线正态分布表示、由附图标记31a指示，其在下文中将被称为“基线统计模型”。如本领域技术人员容易理解的，基线统计模型可以被拟合到并且指示多个这样的和/或其它的统计分布，这些统计分布指示与车辆1a的当前环境相关联的环境场景的各种统计概率。此外，除正态分布之外的其它概率分布可以被包括在基线统计模型中，在图3中图示的示例实施例中描绘的正态分布被用于以清楚和简明的方式阐明本文中提出的教导。

继续，车辆1a包括其中存储有基线统计模型(以及其任何更新)的存储器。一般而言，计算机可访问介质可以包括诸如电子、磁性或光学介质的任何有形或非易失性存储介质或者存储器介质，例如，经由总线联接到计算机系统的磁盘或CD/DVD-ROM。如本文中所使用的术语“有形”和“非易失性”旨在描述除传播电磁信号以外的计算机可读存储介质(或“存储器”)，但并不旨在以其它方式限制由短语计算机可读介质或存储器所涵盖的物理计算机可读存储设备的类型。例如，术语“非易失性计算机可读介质”或者“有形存储器”旨在涵盖不必永久地存储信息的存储设备的类型，包括例如随机存取存储器(RAM)。以非易失性形式存储在有形的计算机可访问存储介质上的程序指令和数据可以进一步通过传输介质或者诸如电信号、电磁信号或数字信号的信号传输，该信号可以经由诸如网络和/或无线链路的通信介质传送。

当车辆1a正在高速公路上行驶时，通过车辆1a的ADS的场景标识符模块检测多个场景。在图示的实施例中，场景包括超越/超过车辆1b。更详细地，场景标识符模块被配置为检测并且提取指示检测到的场景的一组场景参数，即对场景进行量化。例如，场景参数可以包括目标车辆1b的“初始”位置、目标车辆1b的轨迹、目标车辆1b的车道变化、场景期间目标车辆1b的平均速度(由从每个车辆1a-1c的前方延伸的箭头指示)、当前交通规则、其它车辆1c相对于目标车辆1b的位置、车辆1a的地理位置、周围环境中的标志、路面纹理和天气参数等。

量化的场景(即，提取的场景参数然后被用于局部更新一组模型参数)在这里以平均值(或者期望值)μ和标准偏差值σ的形式。局部更新统计模型的过程在虚线框41中示意性地图示。更详细地，场景的所提取的场景参数导致由基线统计模型31a建模的统计分布中(或者形成“全局”统计分布的子分布中的一个中)的统计数据点35。因此，基线统计模型31a的该组模型参数被局部更新，即，检测到的场景的相关联的统计分布基于提取的该组场景参数被局部更新，以便获得局部更新的统计模型32。局部更新的统计模型32表示由参数μ₁和σ₁定义的指示局部更新的统计模型32中的标准偏差大于基线统计模型31a中的标准偏差的统计分布，其可以是基线统计模型31a对于该道路段40可能不准确的指示。

此外，在所描绘的示例实施例中，基于若干测量样本35更新局部更新的统计模型32。在图示的实施例中，所描绘的统计模型指示该特定道路段40上的各种增量速度的概率。增量速度可以被理解为测量车辆1a与目标车辆1b之间的相对速度差，并且因此提供关于该道路段40的其它道路使用者的行为的信息。统计模型的该组局部更新的模型参数(例如，μ₁和σ₁)然后被传输到中央实体2，以进行在虚线框42、43中指示的进一步处理。

继续，系统20具有其上存储有统计模型的存储器22，以及被配置为从多个地面车辆1a中的每一个获得数据的控制电路21。数据包括关于统计模型的一组局部更新的模型参数的信息，如由框42中的附图标记32-34所指示的。此外，控制电路21被配置为更新如框43中所指示的统计模型31a、31b。

随着增量速度的示例，更新的基线统计模型31b指示针对道路段40存在更大的增量速度变化。假设该变化超过由ADS的ODD定义的允许变化，则控制电路21可以被进一步配置为将信号传输到多个地面车辆1a，其中该信号指示用于抑制在地理区域40内激活ADS的指令。更详细地，如果假设ADS已经被开发和被验证以供在具有双车道的受控进入的高速公路上操作，其中预期增量速度以特定概率低于预定值。然而，鉴于新获得的统计分布，能够断定受影响的道路段40及其统计模型的描述31b不满足ODD的预定义要求，因此在该道路段处的ADS的激活被至少暂时抑制。由此，能够最小化将ADS暴露于尚未被设计和被验证的情形或者场景的风险，并且因此提高了整体的道路安全。

从不同的角度来看，更新的基线统计模型31b能够被用作ADS的设计和进一步开发的有价值的输入，以便了解在ADS软件的计划更新中应优先考虑ADS的哪些部分。因此，可以加速ADS的ODD覆盖，导致更好的最终产品，并且从而提高用户满意度。

此外，如之前所提及的，“基线统计模型”31a可以被理解为指示对车辆周围的世界进行量化的统计分布的统计模型，该统计分布又被用于断言特定区域(地理区、道路部分等)满足ODD的要求。因此，即使通过使用一个单个变量的正态分布来简化图示的示例，也阐明了本公开的主题的工作原理。更详细地，用于描述车辆周围的世界以及能够从其周围环境“预期”的内容的统计模型可以具有若干参数，并且比图示的实施例更复杂。

图4中图示的场景仅仅是能够被用于阐明本文中公开的构思的若干示例中的一个。另一示例将是交通堵塞场景，其中特定地理区域已经展现出大量非法穿越交通(即，违规穿越马路)的行人。“违规穿越马路”场景的量的这种增加然后将在与该地理区域相关联的统计分布中被指示，由此在假定违规穿越马路场景的增加的量导致了与基线统计模型的偏离超过阈值的情况下，可以指示配备ADS的车辆1a抑制在该地理区域中激活交通堵塞导航。另一示例场景是多个配备ADS的车辆在特定道路部分处检测到穿越的野生动物(例如，鹿、野猪、熊等)的数目增加，导致偏离基线统计模型的统计异常。

更详细地，车辆1a可以经由例如无线链路(例如，用于传输/接收数据)连接到外部网络/实体2。相同或者一些其它无线链路可以被用于与车辆附近的其它车辆1b、1c通信或者与本地基础设施元件通信。蜂窝通信技术可以被用于诸如到外部网络的远程通信，并且如果所使用的蜂窝通信技术具有低时延，则它也可以被用于车辆、车辆到车辆(V2V)和/或车辆到基础设施(V2X)之间的通信。蜂窝无线电技术的示例是GSM、GPRS、EDGE、LTE、5G、5GNR等等，也包括未来的蜂窝解决方案。然而，在一些解决方案中，基于解决方案使用诸如无线局域网(LAN)的中短程通信技术，例如IEEE 802.11。ETSI正在制定用于车辆通信的蜂窝标准，并且例如5G由于低时延以及对高带宽和通信信道的有效处理而被认为是合适的解决方案。

此外，图5是包括用于监控和管理车辆1的自动驾驶系统(ADS)的控制系统10的车辆1的示意性侧视图。ADS包括被配置为在自我车辆1的周围环境中监控场景的场景标识符模块。此外，ADS与统计模型相关联，该统计模型指示与通过场景标识符模块可检测的多个场景有关的统计分布。车辆1进一步包括感知系统6和定位系统5。感知系统6在本上下文中将被理解为负责从诸如摄像头、LIDAR和RADAR、超声传感器的机载传感器6a、6b、6c获取原始传感器数据并且将该原始数据转换成场景理解的系统。定位系统5被配置为监控车辆的地理位置和行进方向，并且可以是诸如GPS的全球导航卫星系统(GNSS)的形式。然而，定位系统可以可替代地被实现为实时动态(RTK)GPS，以便提高准确度。

更详细地，感知系统6可以指任何公知的系统和/或功能，例如，被包括在车辆1的一个或多个电子控制模块和/或节点中，适于和/或被配置为解译与车辆1的驾驶相关的感测信息，以识别例如障碍物、车辆车道、相关标志、适当的导航路径等。因此，结合感测信息，例示的感知系统6可以适合于依赖于和获得来自诸如自动成像、图像处理、计算机视觉和/或车内联网等的多个数据源的输入。这种例示的感测信息可以例如从包括在车辆1中的和/或机载式提供在车辆1上的一个或多个可选的周围环境检测传感器6a-6c获得。周围环境检测传感器6a-6c可以由适于感测和/或感知车辆1的周围环境和/或行踪的任何任意传感器表示，并且可以例如指雷达、LIDAR、声纳、摄像头、导航系统(例如GPS)、里程表和/或惯性测量单元中的一个，或者雷达、LIDAR、声纳、摄像头、导航系统(例如GPS)、里程表和/或惯性测量单元中的一个或多个的组合。

系统10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可以被称为控制电路11或控制电路系统11。控制电路11被配置为执行存储在存储器12中的指令以执行根据本文公开的实施例中的任一实施例的用于生成用于管理车辆1的ADS的统计数据的方法。换句话说，控制设备10的存储器12能够包括用于存储计算机可执行指令的一个或多个(非易失性)计算机可读存储介质，该计算机可执行指令在由一个或多个计算机处理器11执行时例如能够使计算机处理器11执行本文中描述的技术。存储器12可选地包括诸如DRAM、SRAM、DDR RAM的高速随机存取存储器或者其它随机存取固态存储器设备；并且可选地包括诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备的非易失性存储器或者其它非易失性固态存储设备。

更详细地，存储器12具有存储在其上的统计模型，并且控制电路系统11被配置为获得包括关于地面车辆1的周围环境的信息的传感器数据。此外，控制电路系统11被配置为通过场景标识符模块基于获得的传感器数据来检测周围环境中的场景，并且提取指示检测到的场景的一组场景参数。然后，控制电路系统11被配置为基于提取的该组场景参数局部更新统计模型的一组模型参数。局部更新的该组模型参数又指示与检测到的场景相关联的统计分布，并且控制电路系统11被配置为将以下数据组中的至少一个传输到包括统计模型的远程实体。更具体地，控制电路系统11被配置为传输指示检测到的场景的所提取的该组场景参数，和/或局部更新的该组模型参数以及用于生成局部更新的模型参数的样本的数目。

以上已经参考特定实施例呈现了本公开。然而，不同于以上描述的实施例的其它实施例是可能的并且在本公开的范围内。可以在本公开的范围内提供与以上描述的方法步骤不同的方法步骤(通过硬件或者软件执行该方法)。因此，根据示例性实施例，提供了非易失性计算机可读存储介质，该非易失性计算机可读存储介质存储一个或多个程序，该一个或多个程序被配置为由车辆控制系统的一个或多个处理器执行，该一个或多个程序包括用于执行根据上面讨论的实施例中的任一实施例的方法的指令。可替代地，根据另一示例性实施例，云计算系统能够被配置为执行本文中呈现的方法中的一些方法。云计算系统可以包括在一个或多个计算机程序产品的控制下联合地执行本文中呈现的方法的分布式云计算资源。

(与系统10、20相关联的)处理器11、21可以是或者包括用于进行数据或信号处理或者用于执行存储在存储器12、22中的计算机代码的任何数目的硬件部件。系统10、20具有相关联的存储器12、22，并且存储器12、22可以是用于存储用于完成或促进本说明书中描述的各种方法的数据和/或计算机代码的一个或多个设备。存储器可以包括易失性存储器或者非易失性存储器。存储器12、22可以包括数据库部件、对象代码部件、脚本部件或者用于支持本说明书的各种活动的任何其它类型的信息结构。根据示例性实施例，任何分布式或者本地存储器设备可以与本说明书的系统和方法一起使用。根据示例性实施例，存储器12、22(例如，经由电路或者任何其它有线、无线或网络连接)可通信地连接到处理器11、21，并且包括用于执行本文中描述的一个或多个过程的计算机代码。

应理解，传感器接口13还可以提供直接或者经由车辆中的专用传感器控制电路6获取传感器数据的可能性。通信/天线接口14、24可以进一步提供经由外部网络30通过天线8将输出发送到远程位置(例如，远程操作员或者控制中心)的可能性。此外，车辆1中的一些传感器可以使用诸如CAN总线、I2C、以太网、光纤等的本地网络设置与控制系统10通信。通信接口14可以被布置为与车辆1的其它控制功能通信，并且因此也可以被视为控制接口；然而，可以提供单独的控制接口(未示出)。车辆1内的本地通信也可以是具有诸如WiFi、LoRa、Zigbee、蓝牙的协议的无线类型或者类似的中/短程技术。

因此，应理解，描述的解决方案的部分可以或者在车辆中、在位于车辆外部的系统中实施，或者在车辆内部和外部的组合中实施；例如，如已经例示的在与车辆通信的服务器中，所谓的云解决方案。实施例的不同特征和步骤可以以不同于描述的那些组合的其它组合来组合。

应注意，词语“包括”并不排除所列出的元件或者步骤之外的其它元件或者步骤的存在，并且元件之前的词语“一”并不排除多个这种元件的存在。还应注意，任何附图标记都不限制权利要求的范围，本公开可以至少部分地通过硬件和软件两者来实现，并且若干“装置”或者“单元”可以由硬件的相同项表示。

虽然附图可以示出方法步骤的特定顺序，但是步骤的顺序可以与所描绘的不同。此外，可以同时或者部分同时地执行两个或更多个步骤。这种变型将取决于选择的软件和硬件系统以及取决于设计者的选择。所有这些变型都在本公开的范围内。同样地，软件实施方式可以利用具有基于规则的逻辑和其它逻辑的标准编程技术来实现，以实现各种连接步骤、处理步骤、比较步骤和判定步骤。以上提到的和描述的实施例仅作为示例给出，并且不应限制本公开。在所附的专利实施例中要求保护的本公开范围内的其它解决方案、用途、目的和功能对于本领域技术人员应是明显的。

Claims (15)

1.一种用于监控和管理多个地面车辆的自动驾驶系统ADS的方法，每个ADS包括被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，其中，每个ADS与统计模型相关联，所述统计模型指示与通过每个ADS的所述场景标识符模块可检测的多个场景有关的统计分布，所述方法包括：

从所述多个地面车辆中的每一个获得数据，所述数据指示：

所述统计模型的一组局部更新的模型参数，所述局部更新的模型参数指示与检测到的场景相关联的统计分布；

基于所获得的数据更新所述统计模型；

将指示所更新的统计模型的数据传输到所述多个地面车辆。

2.根据权利要求1所述的方法，其中，接收的数据进一步指示用于生成每组局部更新的模型参数的样本的数目。

3.根据权利要求1和2中的任一项所述的方法，其中，所获得的数据进一步指示所述检测到的场景的一组提取的场景参数。

4.根据权利要求1和2中的任一项所述的方法，其中，所述ADS被配置用于操作设计域ODD，并且其中所述统计模型包括指示所述ADS的操作环境内的地理区域的地理参数，所述方法进一步包括：

将所更新的统计模型与所述ODD的一组预定义要求进行比较；

基于所述比较确定所更新的统计模型是否指示所述ODD的所述预定义要求在所述地理区域内未被满足；并且

如果所更新的统计模型指示所述ODD的所述预定义要求在所述地理区域内未被满足，则将信号传输到所述多个地面车辆，所述信号指示用于抑制在所述地理区域内激活所述ADS的指令。

5.根据权利要求4所述的方法，其中，所述统计模型包括在所述地理区域内指示时间段的时间参数，所述方法进一步包括：

基于所述比较确定所更新的统计模型是否指示所述ODD的所述预定义要求在所述时间段期间在所述地理区域内未被满足；并且

如果所更新的统计模型指示所述ODD的所述预定义要求在所述时间段内在所述地理区域内未被满足，则将信号传输到所述多个地面车辆，所述信号指示用于抑制在所述时间段期间在所述地理区域内激活所述ADS的指令。

6.根据权利要求1和2中的任一项所述的方法，其中，所述ADS包括一组操作容限，所述方法进一步包括：

基于所更新的统计模型更新该组操作容限；

将指示所述ADS的更新的该组操作容限的信号传输到所述多个地面车辆。

7.一种计算机可读存储介质，所述计算机可读存储介质存储被配置为由处理系统的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行根据前述权利要求中的任一项所述的方法的指令。

8.一种用于监控和管理多个地面车辆的自动驾驶系统ADS的系统，每个ADS包括被配置为监控每个对应地面车辆的周围环境中的场景的场景标识符模块，其中，每个ADS与统计模型相关联，所述统计模型指示与通过每个ADS的所述场景标识符模块可检测的多个场景有关的统计分布，所述系统包括：

存储器，包括所述统计模型；

控制电路系统，被配置为：

从所述多个地面车辆中的每一个获得数据，所述数据指示：

所述统计模型的一组局部更新的模型参数，所述局部更新的模型参数指示与检测到的场景相关联的统计分布；

基于所获得的数据更新所述统计模型；

将指示全局更新的所述统计模型的数据传输到所述多个地面车辆。

9.一种用于监控和管理地面车辆的自动驾驶系统ADS的方法，其中，所述ADS包括被配置为监控所述地面车辆的周围环境中的场景的场景标识符模块，其中，所述ADS与统计模型相关联，所述统计模型指示与通过所述场景标识符模块可检测的多个场景有关的统计分布，所述方法包括：

获得包括关于所述地面车辆的周围环境的信息的传感器数据；

通过所述场景标识符模块基于所获得的传感器数据来检测所述周围环境中的场景，并且提取指示所检测到的场景的一组场景参数；

基于提取的该组场景参数来局部更新所述统计模型的一组模型参数，局部更新的该组模型参数指示与所检测到的场景相关联的统计分布；并且

将局部更新的该组模型参数和用于生成局部更新的该组模型参数的样本的数目传输到包括所述统计模型的远程实体。

10.根据权利要求9所述的方法，进一步包括：

从所述远程实体获得所述统计模型的全局更新的一组模型参数；并且

基于所获得的全局更新的该组模型参数来局部更新所述统计模型，以便获得更新的统计模型。

11.根据权利要求9所述的方法，其中，所述ADS包括一组操作容限，所述方法进一步包括：

基于所述更新的统计模型更新所述ADS的该组操作容限。

12.根据权利要求9或10所述的方法，其中，所述ADS被配置用于操作设计域ODD，并且其中所述统计模型包括指示所述ADS的操作环境内的地理区域的地理参数，所述方法进一步包括：

将所述更新的统计模型与所述ODD的一组预定义要求进行比较；

基于所述比较确定所述更新的统计模型是否指示所述ODD的所述预定义要求在所述地理区域内未被满足；并且

如果所述更新的统计模型指示所述ODD的所述预定义要求在所述地理区域内未被满足，则抑制在所述地理区域内激活所述ADS。

13.一种计算机可读存储介质，所述计算机可读存储介质存储被配置为由车辆控制系统的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行根据权利要求9至13中的任一项所述的方法的指令。

14.一种用于监控和管理地面车辆的自动驾驶系统ADS的系统，其中，所述ADS包括被配置为监控所述地面车辆的周围环境中的场景的场景标识符模块，其中，所述ADS与统计模型相关联，所述统计模型指示与通过所述场景标识符模块可检测的多个场景有关的统计分布，所述系统包括：

存储器，包括所述统计模型；

控制电路系统，被配置为：

获得包括关于所述地面车辆的周围环境的信息的传感器数据；

通过所述场景标识符模块基于所获得的传感器数据来检测所述周围环境中的场景，并且提取指示所检测到的场景的一组场景参数；

基于提取的该组场景参数来局部更新所述统计模型的一组模型参数，局部更新的该组模型参数指示与所检测到的场景相关联的统计分布；并且

将局部更新的该组模型参数和用于生成局部更新的模型参数的样本的数目传输到包括所述统计模型的远程实体。

15.一种地面车辆，包括：

自动驾驶系统ADS，被配置为场景标识符模块，所述场景标识符模块被配置为监控所述地面车辆的周围环境中的场景；

感知系统，包括被配置为监控所述地面车辆的周围环境的至少一个传感器；

定位系统，被配置为监控所述地面车辆的地理地图位置；

根据权利要求14所述的用于生成用于监控和管理所述地面车辆的ADS的系统。

Images