CN117409561A - 运营天气管理 - Google Patents
运营天气管理 Download PDFInfo
- Publication number
- CN117409561A CN117409561A CN202310860073.7A CN202310860073A CN117409561A CN 117409561 A CN117409561 A CN 117409561A CN 202310860073 A CN202310860073 A CN 202310860073A CN 117409561 A CN117409561 A CN 117409561A
- Authority
- CN
- China
- Prior art keywords
- weather
- vehicles
- fleet
- vehicle
- alert
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 32
- 238000007726 management method Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 19
- 230000008447 perception Effects 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 10
- 238000013439 planning Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000002411 adverse Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 230000001953 sensory effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Abstract
本文公开了用于运营天气管理的系统、方法和计算机程序产品实施例。例如,方法包括在地理区域内运营自主车辆车队,该自主车辆车队执行一项或多项任务。方法还包括接收包括对恶劣天气的预测的天气警报,该天气警报包括恶劣天气的预计开始时间和预计持续时间。方法还包括分析天气警报以确定车队中的车辆要执行的措施,其中措施包括停在地理区域中的附近位置或返回运营基地。方法还包括响应于分析向车队中的车辆发送使每个车辆执行至少一项措施的天气公告。
Description
相关申请的交叉引用
本申请要求2022年7月14日提交的临时专利申请号为63/389,112的美国临时申请的优先权。
背景技术
自主车辆(AV)可以结合各种传感器来感知其周围环境,如热像仪、雷达、激光雷达、声纳、GPS、里程计和惯性测量单元。先进控制系统解释感官信息,以识别适当的导航路径、障碍物和相关标志,并且在很少或没有人工输入的情况下操作AV。然而,在恶劣天气期间操作时,AV传感器的能力可能会降低。例如,摄像机图像可能会失真,激光雷达范围可能会减小。但是,在即将发生的天气事件出现的第一时间,使自主车辆车队空转将导致资源的低效使用和收入损失,尤其是对于运营大型AV车队进行拼车、送货或其他服务的实体来说。面对潜在的天气事件,需要更有效的方法来管理自主车辆。
本文描述了旨在解决上述问题和/或其他问题的方法和系统。
发明内容
与现有方案相关的至少一些问题将被本文中包括的独立权利要求的主题所解决。附加的有利方面在从属权利要求中进行了讨论。
在第一组实施例中,公开了一种管理自主车辆车队的方法。该方法包括在地理区域内运营自主车辆车队,该自主车辆车队执行一项或多项任务。该方法还包括接收包括对恶劣天气的预测的天气警报,该天气警报包括恶劣天气的预计开始时间和预计持续时间。该方法还包括分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中一项或多项措施包括停在地理区域中的附近位置或返回运营基地。该方法还包括响应于分析向自主车辆车队中的一个或多个车辆发送使得一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告(weather advisory)。
在其他实施例中,一种用于在地理区域内运营自主车辆车队(自主车辆车队执行一项或多项任务)的系统包括存储器和至少一个处理器,该处理器连接到存储器并配置为随时间的推移接收多个天气警报。多个天气警报中的每一个包括对恶劣天气的预测,并且每个天气警报包括恶劣天气的预计开始时间和预计持续时间。至少一个处理器还被配置为通过多个天气警报来跟踪与自主车辆车队的运营天气管理相关的一个或多个指标。对于多个警报中的每一个,处理器还被配置为分析天气警报和被跟踪的一个或多个指标,以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中一项或多项措施包括停在地理区域中的附近位置或者返回运营基地。至少一个处理器还被配置为响应于分析向自主车辆车队中的一个或多个车辆发送使得一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告。
在其他实施例中,公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质存储指令,指令在由至少一个计算设备执行时将使至少一个计算设备执行操作。操作包括在地理区域内运营自主车辆车队(自主车辆车队执行一项或多项任务)。操作还包括接收包括对恶劣天气的预测的天气警报,天气警报包括恶劣天气的预计开始时间和预计持续时间。操作还包括分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中一项或多项措施包括停在地理区域中的附近位置或返回运营基地。操作还包括响应于分析向自主车辆车队的一个或多个车辆发送使得一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告。
上述方法可以体现在包括处理器和包含编程指令的存储器的系统中,当执行这些编程指令时,将使处理器实现上述动作。各种实施例还包括包含这样的编程指令的计算机程序产品以及包含该计算机程序产品的存储器。
附图说明
本文中包含的附图构成说明书的一部分。
图1示出了根据本公开各方面的示例自主车辆系统。
图2示出了用于管理AV车队的示例环境。
图3示出了车队管理的示例流程图。
图4示出了车队管理的另一个示例流程图。
图5示出了示例天气公告格式。
图6示出了车队管理的另一示例流程图。
图7示出了根据本公开各方面用于车辆的示例架构。
图8是用于实现各种实施例的示例计算机系统。
图9是示出自主车辆的示例子系统的框图。
在附图中,相似的附图标记总体上表示相同或相似的元件。此外,通常情况下,附图标记最左边的数字表示附图标记首次出现的附图。
具体实施方式
本文描述了用于在面临潜在天气事件时管理自主车辆(AV)车队的系统、装置、设备、方法和/或计算机程序产品实施例和/或上述任何一些的组合和子组合。AV车队可以执行各种任务,包括(但不限于)拼车或送货任务、车辆测试任务、测绘任务、人员培训任务等(包括任何或所有这些类型任务的组合)。商业任务可以包括雇佣短途或长途运送乘客或货物(如餐食)。车辆测试任务可以包括测试新的或改进的传感器和/或传感器配置、新的或改进的软件算法等。人员培训任务可以包括获得或保持与例如操作AV相关的经验或资格的任务。资格可能包括,例如,参加一种或多种类型的AV任务的证书,例如车辆测试任务。其他任务可以包括测绘任务,包括获得可以操作AV的地理区域的传感器数据,或者建模训练任务,例如,获得用于训练(或进一步训练)一个或多个机器学习模型以提高机器学习模型的预测能力的传感器数据。
然而,在恶劣天气期间,AV的能力可能会降低,因此,其执行指定任务的能力可能受到影响。例如,传感器(或AV感知系统的其他组件)可能会受到雨雪的负面影响,从而降低AV感知环境中对象的能力。在某些情况下,这种能力的降低可能需要AV进入低风险操作模式和/或完全停止直到其能力恢复(例如,直到感知系统恢复到足够的功能水平)。需要完全停止(例如,进入最小风险条件以避免负面结果)可能会对AV的任务计划产生不利影响。任务期间的长时间延误,例如在运送热饭(或其他时间敏感的货物)或运送人类乘客时,可能会造成特别的不便和/或以其他方式阻碍任务的目的。另一方面,在天气事件出现的第一时间,先发制人地缩减AV车队的运营可能会对车队执行预定任务的总体能力产生不利影响。面对潜在的天气事件,有效管理AV车队需要一种平衡,以减少反应过度和反应不足的负面影响。
本公开包括在面对潜在天气事件时有效管理AV车队的系统和方法,还包括持续收集信息以进一步优化在面对潜在天气事件时反应过度和反应不足之间的平衡的系统和办法。
本文中使用的单数形式“一”、“一个”和“该”包括复数形式,除非上下文另有明确规定。除非另有定义,否则本文中使用的所有技术和科学术语具有本领域普通技术人员通常理解的含义。本文中使用的术语“包含”是指“包括但不限于”。
在本文中,术语“车辆”是指能够承载一名或多名乘客和/或货物并由任何形式的能量提供动力的任何移动形式的运输工具。术语“车辆”包括但不限于轿车、卡车、货车、火车、自主车辆、飞机、无人机等。“自主车辆”(或“AV”)是指具有处理器、编程指令和传动系部件的车辆,传动系部件可由处理器控制,无需人工操作。自主车辆可以是完全自主的,对于大多数或所有驾驶条件和功能,不需要人工操作,或者自主车辆可以是半自主的,在某些条件下或对于某些操作,可能需要人工操作,或者人工操作可以超驰车辆的自主系统并承担车辆的控制。
与本文相关的附加术语的定义包含在具体实施方式的末尾。
图1示出了根据本公开各方面的示例系统100。系统100包括以半自主或自主方式沿着道路行驶的车辆102。车辆102在本文中也被称为AV 102。AV 102可以包括但不限于陆地车辆(如图1所示)、飞机或船只。如上所述,除非特别指出,否则本公开不一定限于AV实施例,并且在一些实施例中可以包括非自主车辆。
AV 102总体上被配置为检测其附近的对象。对象可以包括但不限于车辆103、骑车人114(例如自行车、电动滑板车、摩托车等的骑车人)和/或行人116。
如图1所示,AV 102可以包括传感器系统111、车载计算设备113、通信接口117和用户接口115。自主车辆系统100还可以包括在车辆中包括的某些部件(例如,如图2中所示),这些部件可以由车载计算设备113使用各种通信信号和/或命令来控制,例如,加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
传感器系统111可以包括一个或多个传感器,例如但不限于,激光雷达系统、雷达系统、LADAR(激光探测与测距)系统、声纳系统、一个或多个摄像机(例如,可见光谱摄像机、红外摄像机、单目摄像机、立体摄像机、深度摄像机等)、温度传感器、位置传感器(例如,全球定位系统(GPS)等)等。该系统还可以包括不直接检测对象的其他传感器,例如定位传感器、燃料传感器、湿度传感器、占用传感器和检测车辆运动的传感器(例如,惯性测量单元(IMU)等)。由这些传感器捕获的数据可以包括描述对象在AV 102的周围环境内的位置的信息、关于环境本身的信息、关于AV 102的运动的信息、关于车辆的路线的信息等。当AV 102在表面上行进时,至少一些传感器可以收集与该表面有关的数据。本文可将此类数据可互换地称为“感知数据”或“对象检测数据”。
AV 102还可以通过通信网络108将传感器系统111收集的传感器数据传送到远程计算设备110(例如,云处理系统)。远程计算设备110可以配置有一个或多个服务器来处理本文中描述的技术的一个或多个过程。远程计算设备110还可以被配置为通过网络108向/从AV 102传送数据/指令,向/从服务器和/或数据库112传送数据/指令。
如果对象检测系统是激光雷达或雷达系统,则对象检测系统可以被配置为发射脉冲104,以检测位于AV 102一距离或距离范围内的对象。发射的脉冲104可以是来自激光雷达系统的光脉冲、来自声纳系统的声脉冲、来自LADAR系统的激光脉冲、或者可从对象检测系统获得的其他类型的脉冲。发射的脉冲104可以入射在一个或多个对象(例如车辆103、自行车114或行人116)上,并被反射回激光雷达系统。入射在系统上的反射脉冲106可以被处理以确定该对象103、114、116到AV 102的距离。在光脉冲的情况下,可以使用被定位和配置为接收反射回激光雷达系统的光的光电检测器或光电检测器阵列来检测反射脉冲。在雷达系统的情况下,雷达发射器发射射频能量,并且诸如天线的雷达检测器在能量从对象反射回来之后检测能量。将检测到的对象数据从对象检测系统传送到车载计算设备,例如图1的车载计算设备113。AV 102还可以通过通信网络108将对象检测数据传送到远程计算设备110。
应该注意的是,对象检测系统可以包括在AV 102以外的系统中,例如但不限于其他车辆(自主或有人驾驶的车辆)、机器人、卫星等。
网络108可以包括一个或多个有线或无线网络。例如,网络108可以包括蜂窝网络(例如,长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一种类型的下一代网络等)。网络还可以包括公用陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如,公共交换电话网络(PSTN))、专用网络、自组织网络、内联网、互联网、基于光纤的网络、云计算网络等,和/或这些或其他类型的网络的组合。
AV 102可以检索、接收、显示和编辑从本地应用程序生成的或通过网络108从数据库112传递的信息。数据库112可以被配置为存储和提供原始数据、索引数据、结构化数据、地图数据、程序指令或已知的其他配置。
通信接口117可以被配置为允许AV 102和外部系统之间的通信,例如,外部设备、传感器、其他车辆、服务器、数据存储器、数据库等。通信接口117可以使用任何现在或以后已知的协议、保护方案、编码、格式、封装等,例如但不限于Wi-Fi、红外链路、蓝牙、移动网络(例如3G、4G、5G等)等。用户接口系统115可以是在AV 102内实现的外围设备的一部分,包括例如键盘、触摸屏显示设备、麦克风和扬声器等。车辆还可以经由通信接口117在诸如已知为车辆-车辆、车辆-对象或其它V2X通信链路的通信链路上接收状态信息、描述信息或关于其环境中的设备或对象的其它信息。术语“V2X”是指车辆与车辆在其环境中可能遇到或影响的任何对象之间的通信。
潜在的不利天气可能会给管理自主车辆车队带来独特的挑战。在一些示例中,车队在地理区域(例如自主车辆获准运营的大都市区域的公共街道)内运营。在一些示例中,车队被限制在例如私人拥有的公园或其他娱乐区域的街道内运营。在任何时间点,车队中的车辆都可能在地理区域内执行各种任务。任务可以与提高车队(或个别车辆)的能力有关。任务可以包括测试新的或改进的机器学习或其他软件系统,或测试改进的传感器和/或感知系统。任务还可以包括获取用于创建或更新地理区域(或该区域内的一个或多个区域)的地图的数据。在一些示例中,任务包括将乘客和/或货物从一个地方运送到另一个地方——无论是短途运送,如在城市内或甚至在较小的区域内,如在主题公园内——还是长途运送,如城际卡车运输。在后一种情况下,车队可以在大陆地理区域内运营。
恶劣天气可能会对AV的能力产生负面影响,例如干扰AV传感器和/或感知系统。这种能力的降低可能需要AV减速或停止,例如,假设最小风险条件(MRC)直到AV恢复能力(例如,随着恶劣天气减弱)。在最坏的情况下,AV可能会因为其感知系统的性能下降到合理的工作阈值以下而突然减速或停止,例如停在道路中间。这可能会对AV的预定任务造成干扰,并可能对正在进行的特定任务(例如运送乘客或热餐、短命放射性同位素或其他对时间敏感的货物)产生巨大影响。为了避免干扰正在进行的任务,AV车队管理者可以在他们意识到即将到来的恶劣天气时终止任务,并在潜在恶劣天气的威胁持续存在时避免执行新任务。然而,过于谨慎的做法可能会导致错过经济机会和/或AV车队的整体利用效率低下。只有当恶劣天气的风险超过阈值时才会“禁用(ground)”运营的AV车队的折中方案(middleground)可以合理地权衡正在进行的任务中断的风险与错失机会的风险。此外,通过不断收集关于车队管理有效性的相关信息,可以随着时间的推移不断(或定期)完善参数,从而提高效率。
图2示出了用于AV 102的车队210(102a-f)的示例环境200。车队210可以包括汽车、机器人车辆、无人机或其他能够自主或半自主运行并且可以被远程监控的车辆。AV 102可以包括运输乘客的出租车、运输货物的运输车辆、执行测试、培训和/或测绘的车辆等。在一些示例中,AV 102包括准备在必要时承担对车辆102的控制的操作人员。操作人员可以经过培训和/或可以拥有适当的证书或资格来履行操作人员的职责。在一些示例中,车队管理者和/或操作人员从远程运营基地220监视AV 102。示例环境200包括可能影响AV 102的能力的天气条件230。天气条件可以包括即将到来的降水230a(例如,降雨、雨夹雪和/或降雪的威胁)或正在进行的降水(active precipitation)230b。
在某些示例中,车队管理是根据离散的预定时间段执行的,例如,为了方便操作人员和/或车队管理者。例如,一天可以包括AV 102运营的早班和下午班。车队可以驻扎在一个或多个集中位置。例如,例如在城市间执行货物的长途递送的AV可以在几个城市中的每个城市中具有运营基地220。在小地理区域中运营的AV,例如在游乐园周围运送乘客的AV,可以仅具有单个运营基地220。在一些示例中,整个车队210在每个轮班开始时从集中的运营基地220开始,并且在每个轮班结束时返回到集中的运营基地220。车队210可以具有在每个预定的时间段(例如,轮班)期间执行的相关联的一组任务。这些任务可以包括面向客户的任务,例如雇佣运送乘客或货物。这些任务还可以包括与开发相关的任务,例如进行测绘、软件或硬件(例如传感器)测试和/或培训活动。这些任务的持续时间可能很短,因此在轮班期间可能会执行几个任务,或者这些任务可能会持续整个轮班,例如测试新软件或长途运输货物。任务可以具有完成任务的执行的相关估计持续时间。例如,运送乘客或运输货物到要求的目的地的任务可以包括基于接送点和对路线的了解以及这些点之间的可能的交通状况估计的持续时间。
在恶劣天气条件230b期间,AV的能力可能会降低。例如,传感器(或AV感知系统的其他组件)可能会受到降雨降雪的负面影响,从而降低AV感知环境中对象的能力。因此,恶劣天气230b可能阻碍AV 102执行其任务的能力。此外,天气可能变得足够恶劣,以超过AV102设计的工作条件。在这种情况下,AV 102可能需要操作人员来承担控制。如果没有操作人员可用(例如,如果所有远程操作人员已经在协助其他AV 102),则AV 102可能被迫暂停运营,直到条件改善。突然或不受管理地停止运营可能会造成各种困难。例如,停止的AV102可能阻碍环境中其他车辆103的行进。此外,在将付费客户运送到目的地的过程中停止AV 102可能会给客户带来严重不便。为了避免这种负面后果,车队管理者可以在恶劣天气230b开始之前主动指示车队210以有序的方式停止运营。例如,车队管理者可能会收到恶劣天气即将来临的警报(或其他形式的早期指示)。警报可以来自政府服务,例如美国国家气象局,和/或可以来自几种商业天气警报来源中的任何一种,例如,提供天气警报订阅服务的服务,或提供恶劣天气(如降雨、雨夹雪、降雪等)预警的其他来源。警报可以是一条或多条消息的形式,包括有关预测的恶劣天气的信息,包括天气类型(例如降雨,雨夹雪,降雪,雷阵雨,飓风,龙卷风等)、恶劣天气的预计严重程度和/或持续时间,在恶劣天气持续期间最有可能受到影响的一个或多个区域等。警报还可以包括上述任何和所有情况的概率。例如,警报可以包括地理区域内几个区域中的每个区域将受到恶劣天气和/或受到阈值强度的恶劣天气影响的概率。警报可以通过短信、电子邮件或其他形式的通信发送给车队管理者。在某些示例中,天气警报被广播给多个接收者。例如,天气警报可以被广播给天气警报服务的所有订阅者,或者在天气警报提供商的阈值距离内的所有通信设备。在一些示例中,车队管理者通过天气警报提供商的网页或车队管理者可访问的其他论坛接收天气警报。车队管理者可以监控或定期询问论坛是否存在指示潜在恶劣天气的天气警报。
频繁和/或过早缩减运营可能会导致经济机会的丧失。因此,所公开的车队管理的集中式和系统化方法平衡了对恶劣天气230b的威胁反应过度的负面影响(例如,经济机会的丧失)与对恶劣天气230b的指示反应不足的不当负面后果。此外,所公开的车队管理的集中式和系统化方法包括在规模上(例如,在经历基本相似的天气条件230的整个车队210或多个车队210上)持续收集与车队管理的有效性相关的信息,以允许车队管理方法的改进。
图3示出了描绘用于处理天气警报302的方法的示例流程图300。如上所述,天气警报302可以来自商业订阅服务或政府警报系统,并且可以包括消息或相关消息组形式的信息。警报302可以指示恶劣天气的预测概率(和/或随时间的推移的概率分布)、预测强度(和/或者随时间的推移的强度分布)以及恶劣天气的类型(例如,降雨、降雪、雨夹雪、冰雹等)。天气警报302还可以包括地理信息,例如,非常局部的天气事件的预测范围或区域,例如雷阵雨、龙卷风等等。车队管理者可以分析该信息和其他因素以确定是否应当针对车队210采取措施。例如,每种类型的恶劣天气都可以具有相关的阈值,例如概率、强度或可能会在足以保证行动的程度上损害车队210的能力的其他因素或因素的组合的阈值。例如,雨夹雪或冻雨30%的概率可能足以损害恶劣天气地理区域中的AV 102,但可能需要相对较高的降雪或大降雨概率才能让车队管理者采取措施。如果恶劣天气类型的概率和/或强度不能满足一个或多个阈值,则车队管理者可以决定不采取任何措施。然而,如果满足一个或多个阈值(或值的组合),则车队管理者可以将阈值应用于天气警报302,以确定车队正在运营的地理区域中足够严重的恶劣天气时间段的可能开始时间,并且可以确定恶劣天气的可能持续时间。在分析天气警报302以确定预计开始时间和持续时间之后,车队管理者可以向一个或多个车辆发送使得这些车辆采取适当的措施的命令(例如,以天气公告的形式)。
此外,通过分析天气警报302,车队管理者可以确定预测哪些车辆102会受到影响。例如,通过分析天气警报302中包括的地理信息,车队管理者可以确定车队210的哪些车辆102预测将受到恶劣天气的影响,即,在恶劣天气的预测时间(和/或在预计持续时间内),哪些车辆102预计处于预测的恶劣天气的地理区域内。在这种情况下,车队管理者可以仅向预计将受到影响的特定车辆102发送命令。类似地,车队管理者可以确定只有某些类型的车辆102或者只有正在执行某些类型的任务的车辆可能受到恶劣天气的影响(例如,由于部署在特定类型车辆102上的感知系统的性质,或者由于特定类型任务的感知要求,等等)。
在步骤304,方法包括确定恶劣天气230b开始的预测时间是否在开始阈值时间段内,例如在当前时间的十(10)分钟内。其他开始阈值(包括大于或小于十分钟)也在本公开的范围内。如果恶劣天气230b在至少开始阈值时间段内未被预测为开始(或者恶劣天气230a在至少开始阈值时间段内未被预测为达到阈值强度水平),则车队管理者可以指示车队210返回运营基地220。也就是说,如果车队中的车辆102能够在其能力受损之前到达运营基地,那么车队管理者可以命令车辆102返回运营基地。开始阈值时间段可以基于车队210中的车辆102返回运营基地220的估计时间,例如,从自运营基地220部署的车队210中的车辆102的历史数据中得出。在一些示例中,开始阈值时间段是在车队管理者接收到警报302时车队中的每个AV 102从其在现场的位置返回到运营基地220的最大(或平均)估计时间。因此,如果估计每个AV 102(或者,例如,大多数AV 102)能够在恶劣天气230b开始之前返回运营基地220,则车队管理者可以向车队210发送指示车队中的车辆102返回运营基地220的天气公告(402,图4)。如下面更详细地描述的,天气公告402可以包括关于预测天气的信息,并且可以包括车辆102在该情况下要遵循的专用指令(例如,代替标准运营指令)。然而,如果恶劣天气230b开始的预测时间低于开始阈值(例如,如果没有AV 102或只有少量AV 102可能能够在恶劣天气230a开始之前返回运营基地220),则车队管理者可以向车队210发送指示车队中的车辆102在恶劣天气230b的持续时间内前往(例如,停在)现场306中的合适位置的天气公告402。
合适位置可以包括任何安全位置,并且最好可以包括配置为容纳静止车辆的位置,如停车位、停车场、甲板等。合适位置可以是当AV 102接收到天气公告402时AV 102正在运行的道路一侧的公共停车位。在一些示例中,合适位置是AV 102接送乘客和/或货物的专用位置。例如,AV 102可以执行类似于公共汽车服务的客运任务,包括沿着预定路线的专用站点。在该示例中,AV 102可以响应于接收到天气公告402而进行到下一个合适的站点。在其他示例中,AV 102维护(或可以访问)映射信息,包括关于适合长时间停车的附近位置的信息(例如,对于下面公开的阈值持续时间)。在一些情况下,映射信息可以进一步包括用于评估附近停车位置的可用性的装置,例如,通过访问停车场运营商的数据库。在一些情况下,映射数据可以用于识别附近适合停车的开放空间。用于确定适合在恶劣天气持续期间保持停车的附近位置的其他方法也在本公开的范围内。
在步骤304,车队管理者可以根据即将到来的恶劣天气230b的预测强度和类型来决定是否发送天气公告402。例如,如果预测强度足够低(例如,小于强度阈值),则AV 102感测环境中的对象的能力可能不受恶劣天气230b的影响或仅受恶劣天气的轻微影响。在这种情况下,车队管理者可以无视天气警报302,或者以其他方式进行,就好像没有接收到天气警报302一样。车队管理者可以考虑的其他因素包括轮班中剩余的时间长度或其他可能导致车队管理者发送指示整个车队210返回运营基地220而不是停在现场的天气公告402的这种“边缘情况”。将整个车队210召回运营基地220可以避免在车辆102(在运营基地220处)准备好开始后续轮班的正常轮班间时间段期间将一个或多个车辆停放在现场。换言之,随着轮班结束的临近,车队管理者可能会更加谨慎,以避免车队210中的一些或全部不可用于轮班活动的低效性。在一些示例中,即使恶劣天气的预测概率和/或强度较低,但车队管理者在轮班(或其他有意义的事件,例如预定的作业中断)结束的阈值时间段内接收到天气警报302,车队管理者也可以发送使得整个车队210返回运营基地220的天气公告402。
在步骤308,方法包括确定恶劣天气230b持续时间的预测时间是否低于持续时间阈值,例如六十(60)分钟。其他持续时间阈值(包括大于或小于60分钟的持续时间)也在本公开的范围内。如果预测恶劣天气230b不会持续(例如,继续高于影响车队的阈值可能性)至少阈值持续时间,车队管理者可以在步骤306指示车队210的一个或多个车辆102在恶劣天气230a的持续时间内前往现场中的合适位置,而不是返回运营基地220。通过指示车队210停放在现场,车队210将被更好地定位以在恶劣天气230b减弱后返回作业(例如,节省了从运营基地220返回现场所需的时间)。如同在开始阈值的情况下一样,持续时间阈值也可以从自运营基地220部署的车队210的历史数据中得出,并且还可以随着时间的推移随着附加历史信息的收集而被微调。然而,如果恶劣天气230b的持续时间的预测时间高于持续时间阈值,则在步骤310,车队管理者可以向车队210中的每个AV 102发送指示每个AV 102返回运营基地220的天气公告402。
图4示出了描述用于处理天气公告402的方法的示例流程图400。在该示例中,车队管理者向AV 102发送待处理的天气公告402。在其他示例中,一些或全部处理可以在发送天气公告402之前由车队管理者执行。如上所述,天气公告402可以包括在恶劣天气230b的持续时间内前往现场中的合适位置的指令或者返回运营基地220的指令。天气公告402可以包括附加信息,例如预报开始时间、持续时间、强度和/或预报恶劣天气230b的其他特征。天气公告402可以包括应当给予该公告优先处理的指示。例如,天气公告402可以被标记为紧急,使得它在AV 102接收到的其他公告之前被处理。在步骤404,方法包括确定AV 102当前是否正在执行面向客户的任务。如果AV当前正在执行面向客户的任务,或者如果AV 102被配置为接受面向客户的任务,则AV 102可以首先停止服务。也就是说,AV 102可以拒绝接受运输乘客或货物的新请求。在一些示例中,车队管理者将结合发送天气公告402使AV 102停止服务,例如在发送天气公告402之前不久或之后不久使AV 102停止服务。也就是说,车队管理者可以代表AV 102拒绝接受运输乘客或货物的新请求。
如果没有(例如,如果AV 102正在执行测绘、训练或其他任务,该任务可以在不影响客户和/或乘客的情况下立即终止或暂停),则在步骤412,方法包括例如由AV 102执行天气公告402中提供的指令。然而,如果AV 102正在执行面向客户的任务,例如运送乘客或递送货物,则方法包括在步骤406估计完成当前任务的剩余时间。如果完成任务的时间小于完成时间阈值(例如,五分钟),则方法包括在步骤410完成当前任务,之后在步骤412执行天气公告402中提供的指令。然而,如果完成当前任务的估计时间大于完成时间阈值,则方法包括在步骤408,终止当前正在进行的任务,之后在步骤412执行天气公告402中提供的指令。终止任务可以包括将乘客送到附近的接送点。例如,AV 102可以访问包括已知和/或指定的接送点的位置的数据库或其他形式的映射信息。终止任务可以包括识别附近接送点,并在执行天气公告402的指令之前重新安排AV 102的路线以前往接送点并让乘客下车。在一些示例中,映射信息包括关于指定的接送点的信息,并且还包括在需要时可以用作临时接送点的其他已知位置的信息。例如,如果AV 102的路线控制器估计AV 102将无法在短时间内行进到指定的接送点,则方法可以包括从一组其他已知位置中选择临时接送点,使得AV102可能能够在短时间内行进到临时接送点。无论面向客户的任务是完成还是中止/终止,当正在执行面向客户的任务的AV 102接收到天气公告402时,AV 102可以首先向客户指示其当前不在服务中。也就是说,AV 102可以拒绝执行额外的面向客户的任务的提议,直到天气公告402已经失效为止。
在一些示例中,天气公告(402,图4)包括标准格式的相关信息,例如,使得AV 102可以更容易地处理天气公告402并执行相关命令。图5示出了用于天气公告402的示例格式500。示例格式500包括与车队管理相关的字段(例如,字段1-3),包括车队管理者的组织名称、车队210服务的地理区域以及车队或子车队的组织名称(例如,在多个车队210在同一个(或重叠)地理区域内运营的情况下)。示例格式500还包括提供关于预测天气的信息的字段。如图所示,字段4将该公告标识为天气公告402。字段5和6提供了额外的细节,例如预测天气的紧急程度或响应和严重程度。字段7提供文本消息,例如适合于显示在AV 102的显示屏上,使得AV 102的乘员可以被告知由AV 102接收的公告402的性质。如图所示,字段8包括AV 102要执行的命令。如上所述,车队管理者可以命令一个或多个AV 102返回到终端或运营基地220,或者例如在不首先返回到运营基地220的情况下将其停在现场中合适的附近位置。
图6示出了描绘用于使天气公告402失效的方法的示例流程图600。在步骤602,车队管理者可以接收天气公告402应当失效的指示。在一些示例中,指示是来自天气服务的警报,例如,来自提供恶劣天气警报302的同一服务的“解除警报”通知。在其他示例中,车队管理者基于缺乏最近的恶劣天气警报302来推断指示,例如,在恶劣天气的持续时间期间缺乏额外的天气警报。作为一个非限制性示例,原始恶劣天气警报302可以包括25分钟的预测恶劣天气持续时间。在该示例中,在从恶劣天气的预计开始已经过去了25分钟之后,如果车队管理者还没有接收到任何进一步的天气警报302,那么车队管理者可以推断天气公告402应当失效。天气公告402应当失效的其他指示也在本公开的范围内。在步骤604,车队管理者可以核实恶劣天气是否已经结束。例如,车队管理者可以运行配置为检测恶劣天气的“侦察车”。例如,侦察车可以感测环境参数,例如温度、湿度、能见度等,并向车队管理者提供测量结果。侦察车可以特别配备有传感器来检测这些参数(以及其他参数),或者侦察车可以使用标准传感器来感测参数。例如,启动挡风玻璃雨刷器的雨水传感器也可以提供关于恶劣天气是否已经停止的信息。车队管理者可以在天气公告402失效之前派遣一个或多个侦察车来侦察地理区域的部分。在一些示例中,已经被命令停放在现场的车辆102中的一个或多个可以被命令充当侦察车。例如,车队管理者可以从其停放位置派遣一个或多个车辆102,以巡逻与其停放位置相邻的地理区域的部分。车队管理者可以基于车辆102的停放位置来选择充当侦察车的车辆102(例如,以在整个地理区域中快速获得足够的样本覆盖)。如上所述,还可以基于AV 102感知恶劣天气是否已经停止的特定能力来选择AV 102。在一些示例中,车队管理者可以运行一个或多个侦察车达阈值时间段(例如三十分钟)和/或超过地理区域的阈值覆盖区域(例如25%),以便确定天气公告402应当失效。更长和更短的阈值时间段以及更大和更小的阈值覆盖量都在本公开的范围内。在步骤606,在车队管理者已经以足够高的置信水平确定天气公告402应当失效之后,车队管理者可以向车队210的车辆102发送指示车辆102返回正常运营的消息(诸如后续公告)。恢复正常运营可以包括完成在原始天气公告402时正在进行的任何任务和/或恢复接受运送乘客或货物的请求。在一些示例中,确定天气公告402应当失效包括没有接收到额外的天气警报或以其他方式确定在阈值时间段内没有预测到(或不可能有)额外的恶劣天气。
如上所述,分析天气警报以确定车队210中的一个或多个车辆102是否应该执行措施可以包括将参数与阈值进行比较。例如,当恶劣天气的概率低于概率阈值时,车队管理者可以忽略天气警报302。为了随着时间的推移改进系统,车队管理者可以跟踪与运营天气管理相关的指标。车队管理者可以使用跟踪的指标来了解运营天气管理在平衡过度反应和反应不足的负面影响方面的有效性。车队管理者可以进一步使用跟踪的指标来改善平衡,例如,通过调整一个或多个阈值。在一些示例中,指标被连续跟踪,并且被连续地或周期性地应用于配置为预测改进的阈值以供后续使用的机器学习或优化模型。
下表显示了可以跟踪的指标的示例列表,按类别分隔。
天气公告期间禁用天气事件的比率和没有天气公告的情况下禁用天气事件的比率分别反映了真阳性(发布了天气公告,实际发生了恶劣天气)和假阴性(没有发布天气公告,但实际发生了恶劣天气)的比率。可以从这些指标推断出假阳性和真阴性的比率。其他指标可以用于微调确定是指示车辆102停在现场还是返回运营基地的过程,和/或微调用于确定是指示车辆102停在现场还是返回运营基地的阈值。
指标也可用于评估各种天气警报来源的准确性。也就是说,可以分别跟踪每个天气警报来源的指标(特别是假阳性和假阴性的比率)。如上所述,天气警报来源可以包括政府来源、商业来源和免费提供的订阅服务。车队管理者可以使用分别跟踪的指标来剔除不太可靠的天气警报来源,例如与假阳性和/或假阴性更一致的来源。可替换地或附加地,车队管理者可以使用分别跟踪的指标来微调每个天气警报来源的一个或多个阈值,以从多个天气警报来源创建恶劣天气的集合概率。
图7示出了根据本公开各方面的用于车辆的示例系统架构700。图1的车辆102和/或103可以具有与图7所示相同或相似的系统架构。因此,以下对系统架构700的讨论对于理解图1的车辆102、103是足够的。然而,其他类型的车辆被认为在本文中所描述的技术的范围内,并且可以包含如结合图7所描述的或多或少的元件。作为非限制性示例,空中车辆可以不包含制动器或齿轮控制器,但可以包括海拔高度传感器。在另一个非限制性示例中,基于水的车辆可以包括深度传感器。本领域技术人员将理解,基于已知的车辆类型,可以包括其他推进系统、传感器和控制器。
如图7所示,车辆的系统架构700包括发动机或马达702和用于测量车辆各种参数的各种传感器704-718。在具有燃料动力发动机的燃气动力或混合动力车辆中,传感器可以包括例如发动机温度传感器704、电池电压传感器706、发动机每分钟转数(“RPM”)传感器708和节气门位置传感器710。如果车辆是电动或混合动力车辆,则车辆可以具有电动马达,并且相应地包括传感器,例如电池监测系统712(用于测量电池的电流、电压和/或温度)、马达电流传感器714和马达电压传感器716、以及马达位置传感器718,例如解析器和编码器。
这两种类型的车辆都有的操作参数传感器包括,例如:位置传感器736,例如加速度计、陀螺仪和/或惯性测量单元;速度传感器738;以及里程计传感器740。车辆还可以具有时钟742,系统使用该时钟742来确定操作期间的车辆时间。时钟742可以被编码到车载计算设备中,它可以是单独的设备,或者可以有多个时钟。
车辆还可以包括各种传感器,这些传感器用于收集有关车辆行驶环境的信息。这些传感器可以包括,例如:定位传感器760(例如,全球定位系统(“GPS”)设备);对象检测传感器,例如一个或多个摄像机762;激光雷达系统764;和/或雷达和/或声纳系统766。传感器还可以包括环境传感器768,例如降水传感器和/或环境温度传感器。对象检测传感器可以使车辆能够在任何方向上检测在车辆的给定距离范围内的对象,而环境传感器收集关于车辆行驶区域内的环境条件的数据。
在操作过程中,信息从传感器传送到车辆车载计算设备720。车载计算设备720可以使用图8的计算机系统来实现。车辆车载计算设备720分析由传感器捕获的数据,并且可选地基于分析结果控制车辆的操作。例如,车辆车载计算设备720可以经由制动控制器722控制制动;经由转向控制器724控制方向;经由节气门控制器726(在燃气动力车辆中)或马达速度控制器728(例如在电动车辆中的电流水平控制器)控制速度和加速度;控制差速齿轮控制器730(在具有变速器的车辆中);和/或控制其他控制器。辅助设备控制器734可以被配置为控制一个或多个辅助设备,例如测试系统、辅助传感器、由车辆运输的移动设备等。
地理位置信息可以从位置传感器760传送到车载计算设备720,然后车载计算设备可以访问与位置信息相对应的环境地图,以确定环境的已知固定特征,例如街道、建筑物、停车标志和/或停/走信号。从摄像机762捕获的图像和/或从诸如激光雷达系统764之类的传感器捕获的对象检测信息从这些传感器传送到车载计算设备720。对象检测信息和/或捕获的图像由车载计算设备720处理,以检测车辆附近的对象。用于基于传感器数据和/或捕获的图像进行对象检测的任何已知或以后已知的技术都可以用于本文中公开的实施例中。
激光雷达信息从激光雷达系统764传送到车载计算设备720。此外,所捕获的图像从(一个或多个)摄像机762传送到车辆车载计算设备720。激光雷达信息和/或捕获的图像由车辆车载计算设备720处理,以检测车辆附近的对象。车辆车载计算设备720进行对象检测的方式包括本公开中详细描述的这种能力。
此外,系统架构700可以包括车载显示设备754,车载显示设备可以生成并输出接口,在该接口上,传感器数据、车辆状态信息或由本文中描述的过程生成的输出被显示给车辆的乘员。显示设备可以包括以音频格式呈现这种信息的音频扬声器或者单独的设备可以是以音频格式呈现这种信息的音频扬声器。
车载计算设备720可以包括路线控制器732和/或可以与路线控制器732通信,该路线控制器为自主车辆生成从起始位置到目的地位置的导航路线。路线控制器732可以访问地图数据存储器以识别车辆可以行驶以从起始位置到达目的地位置的可行路线和路段。路线控制器732可以对可行路线进行评分并识别到达目的地的优选路线。例如,路线控制器732可以生成使路线期间行进的欧几里得距离或其他成本函数最小化的导航路线,并且可以进一步访问可以影响在特定路线上行进所花费的时间量的交通信息和/或估计。根据实现方式,路线控制器732可以使用各种路由方法生成一个或多个路线,例如Dijkstra算法、Bellman-Ford算法或其他算法。路线控制器732还可以使用交通信息来生成反映路线的预期条件(例如,一周中的当前日期或一天中的当前时间等)的导航路线,使得为高峰时段期间的行程而生成的路线可以不同于为深夜行程而生成的路线。路线控制器732还可以生成到目的地的多于一条的导航路线,并且将这些导航路线中的多于一个发送给用户以供用户从各种可行路线中进行选择。
在各种实施例中,车载计算设备720可以确定车辆周围环境的感知信息。基于由一个或多个传感器提供的传感器数据和所获得的位置信息,车载计算设备720可以确定车辆周围环境的感知信息。感知信息可以表示普通驾驶员在车辆周围环境中将感知到的情况。感知数据可以包括与车辆环境中的一个或多个对象有关的信息。例如,车载计算设备720可以处理传感器数据(例如,激光雷达或雷达数据、摄像机图像等),以便识别车辆环境中的对象和/或特征。对象可以包括交通信号、道路边界、其他车辆、行人和/或障碍物等。车载计算设备720可以使用任何现在或以后已知的对象识别算法、视频跟踪算法和计算机视觉算法(例如,在多个时间段内逐帧迭代地跟踪对象)来确定感知。
在一些实施例中,对于环境中的一个或多个已识别对象,车载计算设备720还可以确定对象的当前状态。状态信息可以包括但不限于每个对象的以下信息:当前位置;当前速度和/或加速度、当前航向;当前姿态;当前形状、大小或占地面积(footprint);类型(例如:车辆、行人、自行车、静止对象或障碍物);和/或其他状态信息。
车载计算设备720可以执行一个或多个预测和/或预报操作。例如,车载计算设备720可以预测一个或多个对象的未来位置、轨迹和/或动作。例如,车载计算设备720可以至少部分地基于感知信息(例如,每个对象的状态数据,包括如下所述确定的估计形状和姿态)、位置信息、传感器数据和/或描述对象、车辆、周围环境的过去和/或当前状态和/或它们的关系的任何其他数据来预测对象的未来位置、轨迹和/或动作。例如,如果对象是车辆并且当前驾驶环境包括十字路口,则车载计算设备720可以预测对象是否可能直线向前移动或转弯。如果感知数据指示十字路口没有红绿灯,则车载计算设备720还可以预测车辆是否必须在进入十字路口之前完全停车。
在各种实施例中,车载计算设备720可以确定自主车辆的运动计划。例如,车载计算设备720可以基于感知数据和/或预测数据来确定自主车辆的运动计划。具体地,给定关于邻近对象的未来位置的预测和其他感知数据,车载计算设备720可以确定相对于对象的未来位置最佳地导航自主车辆的AV 102的运动计划。
在一些实施例中,车载计算设备720可以接收预测并做出关于如何应对车辆环境中的对象和/或行为者的决定。例如,对于特定的行为者(例如,具有给定速度、方向、转弯角度等的车辆),车载计算设备720基于例如交通状况、地图数据、自主车辆的状态等来决定是否超车、让行、停车和/或通过。此外,车载计算设备720还轨迹车辆在给定路线上行驶的路径以及驾驶参数(例如,距离、速度和/或转弯角度)。也就是说,对于给定对象,车载计算设备720决定如何应对该对象并确定如何实现。例如,对于给定对象,车载计算机设备720可以决定通过该对象,并可以确定是从对象的左侧还是右侧通过(包括速度等运动参数)。车载计算设备720还可以评估检测到的对象与车辆之间发生碰撞的风险。如果风险超过可接受的阈值,则可以确定在自主车辆遵循规定的车辆轨迹和/或在一段时间(例如,N毫秒)内执行一个或多个动态生成的紧急机动的情况下是否可以避免碰撞。如果可以避免碰撞,则车载计算设备720可以执行一个或多个控制指令以执行谨慎的机动(例如,稍微减速、加速、变道或转弯)。相反,如果不能避免碰撞,则车载计算设备720可以执行一个或多个控制指令以执行紧急机动(例如,制动和/或改变行驶方向)。
如上所述,生成关于自主车辆运动的规划和控制数据以供执行。车载计算设备720可以例如经由制动控制器来控制制动;经由转向控制器来控制方向;经由节气门控制器(在燃气动力车辆中)或马达速度控制器(例如电动车辆中的电流水平控制器)来控制速度和加速度;控制差速齿轮控制器(在配备变速器的车辆中);和/或控制其他控制器。
例如,可以使用一个或多个计算机系统来实现各种实施例,例如图8所示的计算机系统800。计算机系统800可以是能够执行本文中描述的功能的任何计算机。
计算机系统800包括一个或多个处理器(也称为中央处理单元或CPU),例如处理器804。处理器804连接到通信基础设施或总线802。可选地,处理器804中的一个或多个可以各自是图形处理单元(GPU)。在一个实施例中,GPU是这样一种处理器,其是被设计为处理数学密集型应用的专用电子电路。GPU可以具有并行结构,该并行结构对于大数据块的并行处理是有效的,例如计算机图形应用、图像、视频等共有的数学密集型数据。
计算机系统800还包括用户输入/输出设备816,例如监视器、键盘、指示设备等,它们通过用户输入/输接口808与通信基础设施802通信。
计算机系统800还包括主存储器或主要存储器806,例如随机存取存储器(RAM)。主存储器806可以包括一个或多个级别的高速缓存。主存储器806中存储有控制逻辑(即计算机软件)和/或数据。
计算机系统800还可以包括一个或多个副存储设备或存储器810。副存储器810可以包括例如硬盘驱动器812和/或可移动存储设备或驱动器814。可移动存储驱动器814可以是外部硬盘驱动器、通用串行总线(USB)驱动器、诸如小型闪存卡或安全数字存储器的存储卡、软盘驱动器、磁带驱动器、光盘驱动器、光存储设备、磁带备份设备和/或任何其他存储设备/驱动器。
可移动存储驱动器814可以与可移动存储单元818交互。可移动存储单元818包括其上存储有计算机软件(控制逻辑)和/或数据的计算机可用或可读存储设备。可移动存储单元818可以是外部硬盘驱动器、通用串行总线(USB)驱动器、诸如小型闪存卡或安全数字存储器的存储卡、软盘、磁带、光盘、DVD、光存储盘和/或任何其他计算机数据存储设备。可移动存储驱动器814以公知的方式从可移动存储单元818读取和/或向其写入。
根据示例实施例,副存储器810可以包括用于允许计算机系统800访问计算机程序和/或其他指令和/或数据的其他装置、工具或其他方法。这样的装置、工具或其他方法可以包括例如可移动存储单元822和接口820。可移动存储单元822和接口820的示例可以包括程序卡盒和卡盒接口(例如在视频游戏设备中发现的)、可移动存储芯片(例如EPROM或PROM)和相关插座、记忆棒和USB端口、存储卡和相关存储卡插槽、和/或任何其他可移动存储单元和相关接口。
计算机系统800还可以包括通信或网络接口824。通信接口824使计算机系统800能够与远程设备、远程网络、远程实体等的任何组合(单独地和共同地由附图标记828表示)进行通信和交互。例如,通信接口824可以允许计算机系统800通过通信路径826与远程设备828进行通信,该通信路径可以是有线和/或无线的,并且可以包括LAN、WAN、因特网等的任何组合。控制逻辑和/或数据可以经由通信路径826传输到计算机系统800和从计算机系统800传输。
在一些实施例中,包括其上存储有控制逻辑(软件)的有形非暂时性计算机可用或可读介质的有形非暂时性设备或制品在本文中也被称为计算机程序产品或程序存储设备。这包括但不限于计算机系统800、主存储器806、副存储器810和可移动存储单元818和822,以及体现上述任意组合的有形制造品。当由一个或多个数据处理设备(例如计算机系统800)执行这样的控制逻辑时,使得这样的数据处理设备如本文中所描述的那样操作。
基于本公开中包含的教导,对于相关领域的技术人员来说,如何使用除图8所示之外的数据处理设备、计算机系统和/或计算机架构来制作和使用本公开的实施例将是显而易见的。特别地,实施例可以使用除本文中描述的那些之外的软件、硬件和/或操作系统实现来操作。
图9显示了可以与上述讨论相关的车辆子系统的高级概述。这种系统内的特定组件将在本文中针对图7的讨论中进行描述。子系统的某些组件可以体现在作为车辆车载计算系统901的一部分的处理器硬件和计算机可读编程指令中。
子系统可包括感知系统902,该感知系统包括传感器,该传感器捕获关于车辆周围存在的移动行为者和其他对象的信息。示例传感器包括摄像机、激光雷达传感器和雷达传感器。这种传感器捕获的数据(如数字图像、激光雷达点云数据或雷达数据)被称为感知数据。感知数据可以包括表示环境中的一个或多个对象的数据。感知系统可以包括一个或多个处理器,以及具有编程指令的计算机可读存储器和/或经过训练的人工智能模型,在车辆行驶期间,经过训练的人工智能模型将处理感知数据以识别对象,并将分类标签和唯一标识符分配给在场景中检测到的每个对象。分类标签可以包括车辆、骑车人、行人、建筑物等类别。识别对象和将分类标签分配给对象的方法在本领域是公知的,并且可以使用任何合适的分类过程,例如对场景中检测到的对象进行边界框预测并使用卷积神经网络或其他计算机视觉模型的方法。一些这样的过程在下列文件中有描述:“Yurtsever等人,自动驾驶调查:常见做法和新兴技术”(arXiv,2020年4月2日)(“Yurtsever et al.,ASurvey ofAutonomous Driving:Common Practices and Emerging Technologies”(arXiv April 2,2020))。
如果车辆是AV,则车辆的感知系统902可以向车辆的预测系统903传递感知数据。预测系统(也可以称为预报系统)将包括处理器和计算机可读编程指令,其被配置为处理从感知系统接收到的数据并预测感知系统检测到的其他行为者的行为。
在AV中,车辆的感知系统以及车辆的预测系统将向车辆的运动规划系统904和运动控制系统905传递数据和信息,以便接收系统可以评估这些数据并启动对这些数据的任何数量的反应运动。运动规划系统904和控制系统905包括和/或共享一个或多个处理器和计算机可读编程指令,计算机可读编程指令被配置为处理从其他系统接收到的数据,确定车辆的轨迹,并向车辆硬件输出命令以根据所确定的轨迹移动车辆。这样的命令可以使车辆硬件采取的示例措施包括使车辆的制动控制系统致动,使车辆的加速控制子系统增加车辆的速度,或者使车辆的转向控制子系统使车辆转向。各种运动规划技术是众所周知的,例如在下文中描述的:Gonzalez等人,“自主车辆运动规划技术综述”,发表在IEEE智能交通系统汇刊,第17卷,第4期(2016年4月)(Gonzalez et al.,“A Review of Motion PlanningTechniques for Automated Vehicles,”published in IEEE Transactions onIntelligent Transportation Systems,vol.17,no.4(April 2016).)。
在非AV实施例中,例如在由操作人员驾驶的车辆中,运动规划系统904可以体现在处理器硬件和计算机可读硬件中,它们是车辆所包含的电子设备的一部分,例如仪表板导航系统或操作人员的移动电子设备。在这种情况下,电子设备可以经由显示器、音频扬声器或两者输出由运动规划系统规划的轨迹。此外,感知系统902的一些部分可以包括经由无线通信从远程服务器接收某些感知数据(例如天气数据)的电子设备的收发器。
车辆的车载计算系统901将与远程服务器906进行通信。远程服务器906是与车辆的车载计算系统901通信的外部电子设备,在车辆行驶时通过无线连接通信,或者在车辆停放在停靠设施或服务设施时通过有线或无线连接通信。远程服务器906可以接收车辆在行驶期间收集的数据,例如感知数据和操作数据。远程服务器906还可以向车辆传输数据或其他信息,例如软件更新、高清(HD)地图更新、机器学习模型更新和其他信息。
本文中公开的不同实施例的特征可以自由组合。例如,来自方法实施例的一个或多个特征可以与任何系统或产品实施例相结合。类似地,来自系统或产品实施例的特征可以与本文中公开的任何方法实施例相结合。
与本公开相关的术语包括:
“电子设备”或“计算设备”是指包括处理器和存储器的设备。每个设备可以具有其自己的处理器和/或存储器,或者可以与其他设备共享处理器和/或者存储器,如在虚拟机或容器布置中。存储器将包含或接收编程指令,该编程指令在由处理器执行时使电子设备根据编程指令执行一个或多个操作。
术语“存储器”、“存储器设备”、“数据存储器”、“数字存储设备”等均指存储计算机可读数据、编程指令或两者的非暂时性设备。除非另有特别说明,否则术语“存储器”、“存储器设备”、“数据存储器”、“数字存储设备”等旨在包括单个设备实施例、多个存储器设备一起或共同存储一组数据或指令的实施例以及这些设备内的单个扇区。计算机程序产品是存储有编程指令的存储器设备。
术语“处理器”和“处理设备”是指被配置为执行编程指令的电子设备的硬件组件。除非另有特别说明,否则单数术语“处理器”或“处理设备”旨在包括单个处理设备实施例和多个处理设备一起或共同执行过程的实施例。
术语“车辆”是指能够承载一名或多名乘客和/或货物并由任何形式的能量提供动力的任何移动形式的运输工具。术语“车辆”包括但不限于轿车、卡车、货车、火车、自主车辆、飞机、无人机等。“自主车辆”(或“AV”)是指具有处理器、编程指令和传动系部件的车辆,传动系部件可由处理器控制,无需人工操作。自主车辆可以是完全自主的,对于大多数或所有驾驶条件和功能,不需要人工操作,或者可以是半自主的,在某些条件下或对于某些操作,可能需要人工操作,或者人工操作可以超驰车辆的自主系统并承担车辆的控制。
车辆的“运行”是指操作车辆并使车辆在现实世界中移动的行为。运行可以发生在公共的不受控制的环境中,如城市或郊区街道、高速公路或开放道路。运行也可以发生在受控环境中,例如测试跑道。
在本文中,术语“通信链路”和“通信路径”是指第一设备向一个或多个其他设备发送通信信号和/或从一个或多个其他设备接收通信信号的有线或无线路径。如果设备能够通过通信链路发送和/或接收数据,则设备是“通信连接的”。“电子通信”是指通过一个或多个信号在两个或更多个电子设备之间传输数据,不论是通过有线网络还是无线网络,不论是直接传输还是通过一个或者多个中间设备间接传输。术语“无线通信”是指两个设备之间的通信,其中通信路径的至少一部分包括无线传输的信号,但不一定要求整个通信路径是无线的。
“机器学习模型”或“模型”是指一组算法例程和参数,这些例程和参数可以基于一组输入特征预测现实世界过程的输出(例如,对象轨迹的预测、患者的诊断或治疗、基于用户搜索查询的适当推荐等),而无需明确编程。软件例程的结构(例如,子例程的数量及其之间的关系)和/或参数的值可以在训练过程中确定,训练过程可以使用正在建模的现实世界过程的实际结果。这样的系统或模型被理解为必然植根于计算机技术,事实上,在没有计算技术的情况下无法实现或甚至无法存在。虽然机器学习系统利用各种类型的统计分析,但机器学习系统与统计分析的区别在于无需显式编程即可学习,并且植根于计算机技术。
典型的机器学习流水线可以包括从样本数据集(称为“训练集”)构建机器学习模型,对照一个或多个额外的样本数据集评估模型(称为“验证集”和/或“测试集”)以决定是否保留模型并对模型的好坏进行基准测试,以及在“生产”中使用该模型根据应用程序服务捕获的实时输入数据进行预测或决策。训练集、验证集和/或测试集以及机器学习模型通常很难获得,应该保密。本公开描述了用于提供保护数据集以及机器学习模型的隐私和完整性的安全机器学习流水线的系统和方法。
本文中所使用的术语“推断”和“推理”通常是指根据通过事件或数据捕获的一个或多个观察结果对系统、组件、环境、用户的状态进行推理或推断的过程。例如,推理可以用于识别情景或行为,也可以用于生成状态的概率分布。推理可以是概率性的。例如,基于对数据或事件的考虑来计算感兴趣状态上的概率分布。推理还可以指用于从一组事件或数据中组成更高级事件的技术。这样的推理可以导致从一组观察到的事件或存储的事件数据构建新的事件或新的行为,不论这些事件是否在时间上密切相关,以及这些事件和数据是否来自一个或多个事件和数据源。
术语“对象”是指由车辆感知系统检测到或由模拟系统模拟的对象,旨在包括静止对象和移动(或潜在移动)行为者,除非使用“行为者”或“静止对象”这一术语另有明确说明。
在本文中,当使用“第一”和“第二”等术语来修饰名词时,这种使用只是为了将一个项目与另一个项目区分开来,除非特别说明,否则不需要顺序。此外,“垂直”和“水平”、或“前部”和“后部”等相对位置的术语在使用时,旨在彼此相对,而不必是绝对的,并且仅指与这些术语相关联的设备的一个可能位置,这取决于设备的方向。
应当理解,具体实施方式部分而不是任何其他部分旨在用于解释权利要求。其他部分可以提出发明人所设想的一个或多个但不是所有的示例性实施例,因此,不旨在以任何方式限制本公开或所附权利要求。
虽然本公开描述了示例领域和应用的示例实施例,但应理解,本公开不限于所公开的示例。其他实施例及其修改是可能的,并且在本公开的范围和精神内。例如,在不限制本段的一般性的情况下,实施例不限于图中所示和/或本文中所描述的软件、硬件、固件和/或实体。此外,实施例(无论是否明确描述)对于本文中描述的示例之外的领域和应用具有显著的实用性。
在本文中,借助于说明特定功能和关系的实现的功能构建块描述了实施例。为了便于描述,这些功能构建块的边界在本文中被任意定义。只要适当地执行指定的函数和关系(或其等价物),就可以定义替代边界。此外,替代实施例可以使用不同于本文中描述的顺序的顺序来执行功能块、步骤、操作、方法等。
本文公开的不同实施例的特征可以自由组合。例如,来自方法实施例的一个或多个特征可以与任何系统或产品实施例相结合。类似地,来自系统或产品实施例的特征可以与本文公开的任何方法实施例相结合。
本文中使用“一个实施例”、“实施例”和“示例实施例”或类似短语表明,所描述的实施例可以包括特定的特征、结构或特性,但不一定每个实施例都包括特定的特性、结构或特征。此外,这样的短语不一定指的是相同的实施例。此外,当结合实施例描述特定的特征、结构或特性时,将这种特征、结构、或特性结合到其他实施例中将在相关领域的技术人员的知识范围内,不论在本文中是否明确提及或描述。此外,可以使用表述“耦接”和“连接”及其派生词来描述一些实施例。这些术语不一定是彼此的同义词。例如,可以使用术语“连接”和/或“耦接”来描述一些实施例,以指示两个或更多个元件彼此直接物理或电接触。然而,术语“耦接”也可以指两个或更多个元件彼此不直接接触,但仍然相互合作或交互。
如上所述,本文公开了用于准备用于服务的自主车辆车队的系统、方法和计算机程序产品实施例。系统实施例包括准备用于服务的自主车辆车队。计算机程序实施例包括编程指令,例如存储在存储器中的编程指令,以使处理器执行本文中描述的数据管理方法。系统实施例还包括处理器,该处理器被配置为例如通过编程指令来执行本文中描述的方法。更一般地,系统实施例包括系统,该系统包括用于执行本文中描述的任何方法的步骤的装置。
在各种实施例中,方法包括管理自主车辆车队的方法。该方法包括在地理区域内运营自主车辆车队,该自主车辆车队执行一项或多项任务。该方法还包括接收包括对恶劣天气的预测的天气警报,该天气警报包括恶劣天气的预计开始时间和预计持续时间。该方法还包括分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中所述一项或多项措施包括停在地理区域中的附近位置或返回运营基地。该方法还包括响应于该分析向自主车辆车队中的一个或多个车辆发送使一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告。
本公开的实施方式可以包括以下可选特征中的一个或多个。附近位置可以包括指定的接送区域。在一些示例中,分析包括确定距离预计开始时间的开始时间段小于开始阈值或者预计持续时间小于持续时间阈值,并且发送使得一个或多个车辆中的每一个停在附近位置的天气公告。开始阈值可以基于一个或多个车辆返回运营基地的估计时间。在一些示例中,分析包括确定开始时间段不小于开始阈值并且预计持续时间不小于持续时间阈值,并且发送使得一个或多个车辆中的每一个返回运营基地的天气公告。在一些示例中,天气警报还包括与对恶劣天气的预测相关联的地理信息,并且分析基于该地理信息。在一些示例中,地理信息包括恶劣天气的预测范围,并且一个或多个车辆包括在恶劣天气的预计持续时间期间预计处于预测范围内的车辆。在一些示例中,天气警报还包括预测的天气类型和/或强度,并且分析基于预测的天气类型和/或强度。在一些示例中,该方法还包括,在预计持续时间之后,通过向一个或多个车辆发送使一个或多个车辆恢复执行一个或多个任务的指令来使天气公告失效。在一些示例中,该方法还包括,在使天气公告失效之前,派遣一个或多个侦察车辆来核实恶劣天气是否已经结束。该方法还可以包括通过多个天气警报来跟踪与自主车辆车队的运营天气管理相关的一个或多个指标。分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施可以包括分析天气警报和被跟踪的一个或多个指标来确定一项或多项措施。
在其他实施例中,一种用于在地理区域内运营自主车辆车队(执行一项或多项任务的自主车辆车队)的系统包括存储器和至少一个处理器,该处理器连接到存储器并配置为随时间的推移接收多个天气警报。多个天气警报中的每一个包括对恶劣天气的预测,并且每个天气警报包括恶劣天气的预计开始时间和预计持续时间。至少一个处理器还被配置为通过多个天气警报来跟踪与自主车辆车队的运营天气管理相关的一个或多个指标。对于多个警报中的每一个,处理器还被配置为分析天气警报和被跟踪的一个或多个指标,以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中一项或多项措施包括停在地理区域中的附近位置或者返回运营基地。至少一个处理器还被配置为响应于分析向自主车辆车队中的一个或多个车辆发送使一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告。
本公开的实施方式可以包括以下可选特征中的一个或多个。在一些实例中,其中至少一个处理器还被配置为在预计持续时间之后派遣一个或多个侦察车辆以核实恶劣天气是否已经结束,并且在核实恶劣天气已经结束之后,通过向一个或多个车辆发送使一个或多个车辆恢复执行一项或多项任务的指令来使天气公告失效。
在其他实施例中,公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质存储指令,指令在由至少一个计算设备执行时将使至少一个计算机设备执行操作。操作包括在地理区域内运营自主车辆车队,该自主车辆车队执行一项或多项任务。操作还包括接收包括对恶劣天气的预测的天气警报,该天气警报包括恶劣天气的预计开始时间和预计持续时间。操作还包括分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中一项或多项措施包括停在地理区域中的附近位置或返回运营基地。操作还包括响应于分析向自主车辆车队中的一个或多个车辆发送使一个或多个车辆中的每一个执行一项或多项措施中的至少一项的天气公告。
本公开的实施方式可以包括以下可选特征中的一个或多个。在一些示例中,操作还包括通过多个天气警报跟踪与自主车辆车队的运营天气管理相关的一个或多个指标,并且分析天气警报以确定自主车辆车队中的一个或多个车辆要执行的一项或多项措施包括分析天气警报和被跟踪的一个或多个指标以确定一项或多项措施。在一些示例中,至少一个处理器还被配置为,在预计持续时间之后,派遣一个或多个侦察车辆以核实恶劣天气是否已经结束,并且在核实恶劣天气已经结束之后,通过向一个或多个车辆发送使一个或多个车辆恢复执行一项或多项任务的指令来使天气公告失效。在一些示例中,操作还包括通过多个天气警报跟踪与自主车辆车队的运营天气管理相关的一个或多个指标,并且分析天气警报以确定自主车辆车队的一个或多个车辆要执行的一项或多项措施包括分析天气警报和被跟踪的一个或多个指标以确定一项或多项措施。操作还可以包括在预计持续时间之后派遣一个或多个侦察车辆来核实恶劣天气是否已经结束,并且在核实恶劣天气已经结束之后,通过向一个或多个车辆发送使一个或多个车辆恢复执行一项或多项任务的指令来使天气公告失效。在一些示例中,分析包括确定距离预计开始时间的开始时间段小于开始阈值或者预计持续时间小于持续时间阈值,并且发送使一个或多个车辆中的每一个停在附近位置处的天气公告。开始阈值可以基于一个或多个车辆返回运营基地的估计时间。在一些示例中,分析包括确定开始时间段不小于开始阈值并且预计持续时间不小于持续时间阈值,并且发送使一个或多个车辆中的每一个返回运营基地的天气公告。在一些示例中,天气警报还包括与对恶劣天气的预测相关联的地理信息,并且分析基于该地理信息。
本公开的广度和范围不应受到上述任何示例实施例的限制,而应仅根据以下权利要求及其等同物进行限定。
Claims (20)
1.一种管理自主车辆车队的方法,包括:
在地理区域内运营自主车辆车队,所述自主车辆车队执行一项或多项任务;
接收包括对恶劣天气的预测的天气警报,所述天气警报包括所述恶劣天气的预计开始时间和预计持续时间;
分析所述天气警报以确定所述自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中所述一项或多项措施包括停在所述地理区域中的附近位置或返回运营基地;以及
响应于所述分析,向所述自主车辆车队中的所述一个或多个车辆发送使得所述一个或多个车辆中的每一个执行所述一项或多项措施中的至少一项的天气公告。
2.根据权利要求1所述的方法,其中:
所述分析包括确定距离所述预计开始时间的开始时间段小于开始阈值或者所述预计持续时间小于持续时间阈值;以及
发送使得所述一个或多个车辆中的每一个停在所述附近位置的所述天气公告。
3.根据权利要求2所述的方法,其中所述开始阈值基于所述一个或多个车辆返回所述运营基地的估计时间。
4.根据权利要求2所述的方法,其中:
所述分析包括确定所述开始时间段不小于所述开始阈值并且所述预计持续时间不小于所述持续时间阈值;以及
发送使得所述一个或多个车辆中的每一个返回到所述运营基地的所述天气公告。
5.根据权利要求1所述的方法,其中:
所述天气警报还包括与对所述恶劣天气的预测相关联的地理信息;以及
所述分析基于所述地理信息。
6.根据权利要求5所述的方法,其中:
所述地理信息包括所述恶劣天气的预测范围;以及
所述一个或多个车辆包括在所述恶劣天气的所述预计持续时间期间预计处于所述预测范围内的车辆。
7.根据权利要求1所述的方法,其中:
所述天气警报还包括预测天气类型和/或强度;以及
所述分析基于所述预测天气类型和/或强度。
8.根据权利要求1所述的方法,其中所述附近位置包括指定的接送区域。
9.根据权利要求1所述的方法,还包括,在所述预计持续时间之后,通过向所述一个或多个车辆发送使得所述一个或多个车辆恢复执行所述一项或多项任务的指令来使所述天气公告失效。
10.根据权利要求9所述的方法,还包括,在使所述天气公告失效之前,派遣一个或多个侦察车辆以核实所述恶劣天气是否已经结束。
11.根据权利要求9所述的方法,还包括通过多个天气警报来跟踪与所述自主车辆车队的运营天气管理相关的一个或多个指标;以及
其中分析所述天气警报以确定所述自主车辆车队中的所述一个或多个车辆要执行的一项或多项措施包括分析所述天气警报和被跟踪的所述一个或多个指标以确定所述一项或多项措施。
12.一种用于在地理区域内运营自主车辆车队的系统,所述自主车辆车队执行一项或多项任务,所述系统包括:
存储器;和
至少一个处理器,所述处理器连接到所述存储器并且被配置为:
随着时间的推移接收多个天气警报,所述多个天气警报中的每一个包括对恶劣天气的预测,每个天气警报包括所述恶劣天气的预计开始时间和预计持续时间;
通过所述多个天气警报来跟踪与所述自主车辆车队的运营天气管理相关的一个或多个指标;
对于所述多个天气警报中的每一个:
分析所述天气警报和被跟踪的所述一个或多个指标以确定所述自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中
所述一项或多项措施包括停在所述地理区域中的附近位置或返回运营基地;以及
响应于所述分析,向所述自主车辆车队中的所述一个或多个车辆发送使得所述一个或多个车辆中的每一个执行所述一项或多项措施中的至少一项的天气公告。
13.根据权利要求12所述的系统,其中所述至少一个处理器还被配置为,在所述预计持续时间之后:
派遣一个或多个侦察车辆以核实所述恶劣天气是否已经结束;和
在核实所述恶劣天气已经结束之后,通过向所述一个或多个车辆发送使得所述一个或多个车辆恢复执行所述一项或多项任务的指令来使所述天气公告失效。
14.一种存储指令的非暂时性计算机可读介质,所述指令在由至少一个计算设备执行时将使所述至少一个计算设备执行以下操作:
在地理区域内运营自主车辆车队,所述自主车辆车队执行一项或多项任务;
接收包括对恶劣天气的预测的天气警报,所述天气警报包括所述恶劣天气的预计开始时间和预计持续时间;
分析所述天气警报以确定所述自主车辆车队中的一个或多个车辆要执行的一项或多项措施,其中所述一项或多项措施包括停在所述地理区域中的附近位置或返回运营基地;以及
响应于所述分析,向所述自主车辆车队中的所述一个或多个车辆发送使得所述一个或多个车辆中的每一个执行所述一项或多项措施中的至少一项的天气公告。
15.根据权利要求14所述的非暂时性计算机可读介质,其中:
所述操作还包括通过多个天气警报来跟踪与所述自主车辆车队的运营天气管理相关的一个或多个指标;以及
分析所述天气警报以确定所述自主车辆车队中的所述一个或多个车辆要执行的所述一项或多项措施包括分析所述天气警报和被跟踪的所述一个或多个指标以确定所述一项或多项措施。
16.根据权利要求14所述的非暂时性计算机可读介质,其中所述操作还包括:
在所述预计持续时间之后,派遣一个或多个侦察车辆以核实所述恶劣天气是否已经结束;和
在核实所述恶劣天气已经结束之后,通过向所述一个或多个车辆发送使得所述一个或多个车辆恢复执行所述一项或多项任务的指令来使所述天气公告失效。
17.根据权利要求14所述的非暂时性计算机可读介质,其中:
所述分析包括确定距离所述预计开始时间的开始时间段小于开始阈值或者所述预计持续时间小于持续时间阈值;以及
发送使得所述一个或多个车辆中的每一个停在所述附近位置的所述天气公告。
18.根据权利要求17所述的非暂时性计算机可读介质,其中所述开始阈值基于所述一个或多个车辆返回所述运营基地的估计时间。
19.根据权利要求17所述的非暂时性计算机可读介质,其中:
所述分析包括确定所述开始时间段不小于所述开始阈值并且所述预计持续时间不小于所述持续时间阈值;以及
发送使得所述一个或多个车辆中的每一个返回所述运营基地的所述天气公告。
20.根据权利要求14所述的非暂时性计算机可读介质,其中:
所述天气警报还包括与对所述恶劣天气的预测相关联的地理信息;以及
所述分析基于所述地理信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/389,112 | 2022-07-14 | ||
US18/161,231 US20240017744A1 (en) | 2022-07-14 | 2023-01-30 | Operational weather management |
US18/161,231 | 2023-01-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117409561A true CN117409561A (zh) | 2024-01-16 |
Family
ID=89498904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860073.7A Pending CN117409561A (zh) | 2022-07-14 | 2023-07-13 | 运营天气管理 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409561A (zh) |
-
2023
- 2023-07-13 CN CN202310860073.7A patent/CN117409561A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10514697B2 (en) | Vehicle remote assistance mode | |
US9175966B2 (en) | Remote vehicle monitoring | |
US9558408B2 (en) | Traffic signal prediction | |
CN110573978A (zh) | 用于自驾交通工具的动态传感器选择 | |
US20150106010A1 (en) | Aerial data for vehicle navigation | |
US20220105959A1 (en) | Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area | |
CN111902782A (zh) | 集中式共享自主运载工具操作管理 | |
US11618444B2 (en) | Methods and systems for autonomous vehicle inference of routes for actors exhibiting unrecognized behavior | |
CN112498349A (zh) | 用于紧急车道改变的操纵计划 | |
US11656093B2 (en) | Method and system for navigating vehicle to pickup / drop-off zone | |
US11880203B2 (en) | Methods and system for predicting trajectories of uncertain road users by semantic segmentation of drivable area boundaries | |
US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
US20230324188A1 (en) | Autonomous vehicle fleet scheduling to maximize efficiency | |
US11886202B2 (en) | Method and system for switching between local and remote guidance instructions for autonomous vehicles | |
US20240017744A1 (en) | Operational weather management | |
CN117409561A (zh) | 运营天气管理 | |
US20240054822A1 (en) | Methods and systems for managing data storage in vehicle operations | |
US20230303117A1 (en) | Method and system for assessing whether a vehicle is likely to leave an off-road parking area | |
US20240075923A1 (en) | Systems and methods for deweighting veering margins based on crossing time | |
US20240011781A1 (en) | Method and system for asynchronous negotiation of autonomous vehicle stop locations | |
US20230234617A1 (en) | Determining perceptual spatial relevancy of objects and road actors for automated driving | |
US20240025440A1 (en) | State estimation and response to active school vehicles in a self-driving system | |
US20240025441A1 (en) | State Estimation and Response to Active School Vehicles in a Self-Driving System | |
US20230419271A1 (en) | Routing field support to vehicles for maintenance | |
US20240101106A1 (en) | Systems and methods for scene understanding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |