基于成本的路径确定的制作方法

基于成本的路径确定
相关联申请的交叉引用
1.本pct国际专利申请是2019年8月13日提交、名称为“基于成本的路径确定”的美国专利申请第16/539,928号的延续并要求其优先权，其全部内容通过引用并入本文。


背景技术：

2.自主和半自主车辆中的规划系统确定车辆在操作环境中要采取的行动。可以部分地基于避开环境中存在的对象来确定车辆的行动。例如，可以产生行动以绕过并排停放的车辆、改变车道以避开道路上的另一车辆等。传统的规划系统可以为车辆选择行动是基于确定该行动是风险最小的行动。然而，这种传统的规划系统可能采用以车辆为中心的环境视图，而不考虑车辆行动对环境中其他对象的影响。因此，传统的规划系统可能会对环境中操作的其他对象(例如在相同道路上行驶的其他车辆)产生负面影响。
附图说明
3.参考附图来描述详细的说明。在附图中，附图标记的最左侧数字标识该附图标记首次出现的图。在不同的图中使用相同的附图标记表示相似或相同的部件或特征。
4.图1是环境中的自主车辆的图示，其中示例性基于成本的路径确定系统可用于确定自主车辆在环境中采取的路径。
5.图2是车辆在环境中采取的各种候选行动以及与每个候选行动相关联的计算成本的图示。
6.图3是车辆在环境中的图示，其中示例性基于成本的路径确定系统可以基于行动对次要对象的影响来确定与行动相关联的成本。
7.图4是车辆在环境中的图示，其中示例性基于成本的路径确定系统可以被配置为识别遮挡区域并且部分地基于遮挡区域确定要采取的行动。
8.图5是车辆在环境中的图示，其中示例性基于成本的路径确定系统可以被配置为基于确定具有优先通行权的对象的路径被阻挡来确定要采取的行动。
9.图6是在环境中的车辆的图示，其中的车辆被配置为至少部分地基于行动奖励来确定要采取的行动。
10.图7是用于实现本文描述的技术的示例系统的框图。
11.图8描绘了用于至少部分地基于与行动相关联的成本来根据行动控制车辆的示例过程。
12.图9描绘了用于至少部分地基于与行动相关联的安全成本来根据行动控制车辆的示例过程。
13.图10描绘了用于至少部分地基于对象存在于遮挡区域中的概率来控制车辆的示例过程。
具体实施方式
14.本公开针对用于基于与行动相关联的成本来动态地确定车辆要采取的行动(例如，将行进的路径)的技术。成本可以部分地基于行动对在有车辆的环境中操作的对象(例如，另一车辆、骑自行车的人、行人等)的影响。在至少一些示例中，这样的成本可以至少部分地基于在环境中的其它对象响应于执行潜在行动的预测运动。成本可以基于安全性(例如，避免车辆和对象之间的碰撞)、舒适性(例如，没有突然移动)、进度(例如，向目的地移动)、操作规则(例如，道路规则、法律、法规、规章等)等。车辆计算系统可以确定车辆要采取的一个或多个潜在行动，并且可以计算与每个潜在行动相关联的成本。在各种示例中，可以基于与行动相关联的最优成本(例如，最低成本、最高成本、低于阈值的成本等)来选择行动。
15.车辆可以包括具有被配置为检测环境中的一个或多个对象的车辆计算系统的自主或半自主车辆。对象可以包括静态对象(例如，建筑物、桥梁、标志等)和动态对象，例如其他车辆(例如，汽车、卡车、摩托车、轻便摩托车等)、行人、骑自行车的人等。除非有相反的说明，否则本文中的术语“对象”指的是动态对象(例如，正在移动和/或能够移动，即使有片刻停止的对象)。在一些示例中，可以基于来自车辆的传感器(例如，相机、运动检测器、激光雷达、雷达、飞行时间传感器等)的传感器数据来检测对象。在一些示例中，可以基于从远程传感器接收到的传感器数据来检测对象，所述远程传感器例如是与另一车辆相关联的传感器或安装在环境中的传感器，这些传感器被配置为与多个车辆共享数据。在一些示例中，车辆计算系统可以被配置为对检测到的对象进行语义分类。分类可以包括另一车辆(例如，汽车、客货两用车、半挂车、拖拉机、公共汽车、火车等)、行人、骑自行车的人、骑马的人等。例如，车辆计算系统可能检测到两个对象，并将第一对象分类为汽车，将第二对象分类为客货两用车。
16.在各种示例中，车辆计算系统可以确定在具有检测到的对象的环境中操作时车辆可以采取的一个或多个行动。行动可以代表车辆可以采取的、通过环境的一条或多条潜在路径(例如，一条或多条车辆轨迹)。行动可以包括一个或多个参考行动(例如，车辆被配置为响应于动态操作环境而执行的一组操纵中的一个)，例如右车道改变、左车道改变、停留在车道上、前进绕过障碍物(例如，并排停放的车辆、交通锥标等)等。行动可以另外包括一个或多个子行动，例如速度变化(例如，保持速度、加速、减速等)、位置变化(例如，改变车道中的位置)等。例如，行动可以包括停留在车道中(参考行动)、和将车辆在车道中的位置从居中位置调整为工作在车道左侧(子行动)。对于另一个示例，行动可以包括从停车标志处的初始位置加速(子行动)，同时在车道上停留(第一参考行动)两(2)秒，然后向左变道(第二参考行动)。在这样的示例中，行动可以包括一个序列的行动。
17.在一些示例中，车辆计算系统可以被配置为确定车辆在车辆没有优先通行权(例如，对象有优先通行权)的情况下要采取的行动(例如，参考行动和子行动)。在一些示例中，车辆计算系统可以被配置为确定在具有优先通行权的车辆可能被阻止行使优先通行权的情况下、车辆可以安全地向前行驶的方式。例如，车辆可能跟在汽车之后接近具有四向停车标志的十字路口。然而，行人可能正在汽车前方横穿马路，从而阻止汽车行使优先通行权并从车辆前方通过。车辆计算系统可以识别阻挡汽车的行人，并且可以基于被阻挡的汽车来确定车辆要采取的一个或多个行动。第一行动可以包括停留在停车标志处(例如，保持在车
道中的位置，保持基本为零的速度)以等待具有优先通行权的汽车在车辆前面通过。第二行动可以包括保持车辆在车道中的位置，并从停车标志加速以穿过具有优先通行权的汽车前方的十字路口。
18.在各种示例中，车辆计算系统可以被配置为确定适用于环境中的车辆的参考行动和/或子行动。例如，车道变换可能不是在单车道道路上运行的车辆适用的参考行动。在另一个示例，加速可能不是限速运行的车辆适用的子行动。
19.在各种示例中，车辆计算系统可以被配置为确定每个检测到的对象在环境中的初始位置。在各种示例中，车辆计算系统可以确定与每个检测到的对象相关联的一个或多个预测轨迹，例如从与其相关联的初始位置开始。在一些示例中，可以基于传感器数据确定一个或多个预测轨迹。每个预测轨迹可以表示检测到的对象可以行驶通过环境的潜在路径。一个或多个预测轨迹可以基于对象对车辆行动的预测反应(例如，主动预测)。例如，行动可以包括车辆执行变道操作进入另一车辆当前正在行驶的车道。车辆计算系统可以确定，其他车辆的预测轨迹可以包括轻微的负加速度(减速度)以为车辆提供空间来执行车道变换。
20.在一些示例中，可以使用概率热图(例如，离散的概率分布)来确定一个或多个预测轨迹，以预测对象行为，例如在2017年11月8日提交的美国专利申请号15/807,521中描述的、其发明名称为“用于行为预测的概率热图”，其全部内容通过引用并入本文。在一些示例中，一个或多个预测轨迹可以基于环境的自上而下表示，例如通过利用在2018年10月4日提交的美国专利申请号16/151,607中描述的、其发明名称为“对自上而下场景的轨迹预测”，以及2019年7月5日提交的美国专利申请序列号16/504,147中描述的、其发明名称为“基于行动数据对自上而下场景的预测”，其全部内容通过引用并入本文。在各种示例中，可以利用树形搜索方法、时序逻辑公式和/或机器学习技术来确定一个或多个预测轨迹。
21.附加地或在替代方案中，车辆计算系统可以被配置为识别其中环境的视野(其可以包括迎面而来的车辆)可能被阻挡的遮挡区域(例如，也称为被遮盖的区域)，例如被障碍物阻挡。遮挡区域可以定义其中车辆计算系统可能检测不到对象的区域。在各种示例中，车辆计算系统可以被配置为识别与遮挡区域相关联的相关路段。在这样的示例中，该路段可以包括一个或多个车道、人行道、自行车道等，这些车道、人行道、自行车道等被配置用于对象在可能与车辆相关联的方向上动作。例如，遮挡区域可以包括道路的两条车道，其中若干个对象可以朝向车辆行进。在这样的示例中，在其中对象沿远离车辆的方向行进的道路的任何附加车道可能不包括在遮挡区域中。
22.在各种示例中，车辆计算系统可以基于相关路段确定对象将行进通过遮挡区域的概率。在一些示例中，对象将行进通过遮挡区域的概率可以基于与相关路段相关联的存储数据。存储数据可以包括随时间采集的、与相关路段相关联的传感器数据。在一些示例中，概率可以基于一天中的时间、一周中的一天、一年中的月份、季节等。在一些示例中，可以利用机器学习技术来确定概率。在这样的示例中，可以使用训练数据来训练机器学习模型，例如随时间采集的与相关路段相关联的传感器数据。基于对象可能存在的概率，车辆计算系统可以生成具有预测的对象轨迹的预测对象，以确定要采取的行动。
23.对于每个潜在的车辆行动(例如，参考行动和子行动)，车辆计算系统可以通过将车辆和对象在环境中向前预计一段时间(例如，5秒、8秒、12秒等)，来模拟未来的状态。车辆计算系统可以基于与其相关联的一个或多个预测轨迹对对象进行向前预计(例如，估计对
象的未来位置)。车辆计算系统可以基于与行动相关联的一个或多个车辆轨迹对车辆进行向前预计(例如，估计车辆的未来位置)。估计状态可以表示在未来的时间车辆的估计位置(例如，估计位置)和对象的估计位置、和/或对象的任何其他对应的运动学描述(速度、加速度、偏航、偏航率等)。在各种示例中，车辆计算系统可以在整个时间段内以预定速率(例如，10赫兹、20赫兹、50赫兹等)确定估计状态。在至少一个示例中，估计状态可以以10赫兹的速率执行(例如，在8秒的时间段内有80个估计状态)。在一些示例中，车辆计算设备可以基本上并行地以不同时间间隔确定车辆和对象的估计状态。在这样的示例中，车辆计算设备可以减少在一段时间内生成一组估计状态所需的时间。
24.车辆计算系统可以确定与每个估计状态相关联的成本，例如基于车辆和对象相对于彼此的估计位置。在一些示例中，车辆计算系统可以分析每个估计状态，并且基于一个或多个因素应用或以其他方式确定关于估计状态的成本值。在这样的示例中，估计状态的成本可以包括与每个因素相关联的成本之总和。一个或多个因素可以包括车辆和/或对象的安全性(例如，避免车辆和对象之间的碰撞)、舒适性(例如，没有突然的运动-例如，通过规定大幅度加速度应受处罚，未达到车辆和对象之间的最小距离)、进度(例如，向目的地的移动)、操作规则(例如，道路规则、法律、法规、规章等)等。
25.车辆和/或对象的安全性可以包括车辆和对象之间发生碰撞的可能性(例如，碰撞的概率)。基于车辆和对象之间的距离(例如，在5英尺、2米、0.5米等内)、交会轨迹(例如，对象的轨迹将与和行动相关联的车辆轨迹基本相交)、车辆和对象之间交会的速度(例如，每秒2米、每秒10英尺等)等，可以计算碰撞的可能性。在一些示例中，碰撞的可能性可以基于与距离和/或交会速率相关联的阈值。例如，与车辆相关联的估计状态和与对象相关联的估计位置之间的距离可以小于或等于阈值距离(例如，6英尺、2.5米等)。这样，车辆计算系统可以确定车辆和对象之间存在碰撞的可能性。再例如，与车辆相关联的轨迹和与对象相关联的轨迹可以等于或大于交会阈值速率(例如，每秒交会6英尺、2.5米、1.5米等)的速率交会。这样，车辆计算系统可以确定车辆和对象之间存在碰撞的可能性。在一些示例中，碰撞的可能性或概率可以基于实际距离和/或交会速率低于或高于阈值的量。在这样的示例中，在估计状态下，车辆和对象越接近(例如，如果彼此相距在6英寸以内，则碰撞概率为95％)和/或交会速率高于阈值的量(例如，90％的碰撞概率，且交会速率为每秒10米)，碰撞概率可能增大。在一些示例中，可以利用机器学习技术来确定碰撞概率。在这样的示例中，可以基于包括车辆和对象在环境中互动的场景的训练数据来训练机器学习模型，以确定碰撞概率。
26.在各种示例中，与安全因素相关联的成本可以基于碰撞概率。在一些示例中，如果碰撞概率大于指示可能发生碰撞的预定义阈值(例如，30％、50％等)，则成本可以包括固定成本(例如，50、75、90等)。在一些示例中，成本可以基于碰撞确定的概率。例如，车辆计算系统可以确定在估计状态下的碰撞概率是95％，并且车辆计算系统可以评估估计状态的安全因素的成本为95。
27.在各种示例中，因素可以包括对象和/或车辆的舒适性。在一些示例中，可以基于安全成本来确定舒适性成本。在一些示例中，舒适性成本可以包括安全成本的一部分(例如，50％、20％等)。在一些示例中，安全成本可以包括诸如基于碰撞概率的基本成本。在这样的示例中，为了确定估计状态的总安全成本，车辆计算系统可以将第一多项式函数(例
如，x4、x6等)应用于基本成本，并确定舒适性成本可以应用第二多项式函数(例如，x2、x3等)。例如，车辆计算系统可以确定与估计状态相关联的基本成本为4，例如基于碰撞概率。估计状态的安全成本可能是256(基本成本4)，舒适性成本可能是16(基本成本2)。再例如，车辆计算系统可以确定与估计状态相关联的安全成本是40，并且与估计状态相关联的舒适性成本是20(安全成本的50％)。
28.在一些示例中，舒适性可以包括估计的加速度(例如，正的、负的、横向的加速度等)和/或与由车辆行动引起的且与对象和/或车辆相关联的加速度变化(例如，猛撞)。例如，车辆行动可能使对象以很大的力量施加制动，从而导致-2米/秒2的加速度(例如减速)，从而避免碰撞。在一些示例中，舒适性成本可以基于与加速度相关联的值。例如，每秒2英尺的负加速度(例如，每秒-2英尺)可能导致舒适度成本为2。当然，加速度值和/或成本的示例并非旨在限制，在此可以预期其他的值和/或成本。
29.在本文列举的任何此类示例中，舒适性成本和安全成本可以基于相同的参数和/或此类参数的相同函数来确定，但是在安全至上机制(接近对象，接近对象类别、速度等)中，安全成本在重要性上大大超过舒适性成本。
30.在各种示例中，舒适性成本可以与在估计状态之一估计状态中车辆和对象的相对位置之间的距离(例如，10英尺、5英尺、2米等)相关联。在一些示例中，该距离可以包括在一段时间内车辆和对象之间的最近的接近点。当对象和车辆彼此接近到最近的接近点时，该距离可以与车辆中和/或对象中的乘客的舒适性相关联。在一些示例中，可以基于该距离来计算舒适性成本，例如通过应用基于距离的倒数的成本、或任何其他计算来表示成本随着距离减小而增加的原则。在各种示例中，舒适性成本可以与阈值距离相关联。在这样的示例中，基于车辆和对象的相对位置在彼此的阈值距离内这一事实，可以评估舒适性成本。
31.在各种示例中，舒适性成本可以与估计状态下车辆和对象之间的接近速度相关联。在这样的示例中，舒适性成本可以基于与对象轨迹和/或车辆轨迹相关联的相对速度。例如，具有每小时20英里接近速度的对象和车辆可以包括4的舒适性成本，并且具有每小时5英里接近速度的对象和车辆可以包括1的舒适性成本。在各种示例中，成本和/或距离可以基于对象的分类。例如，距离另一车辆5英尺的车辆位置可能包括1的舒适性成本，距离行人5英尺的车辆位置可能包括5的舒适性成本。
32.在各种示例中，因素可以包括对象和/或车辆向目的地移动的进度。在一些示例中，可以基于对象和/或车辆的速度变化(例如，减速、停止等)、和/或车辆从停止位置移动(例如，为避免碰撞)的延迟来计算成本。在各种示例中，进度成本可以包括与归因于估计状态的延迟基本相似的值。例如，行动可以包括在对象接近并通过交叉路口时车辆在交叉路口等待11秒。与行动相关联的进度成本可以包括十一(11)的值，尽管在此可以预期其他值。
33.在各种示例中，因素可以包括操作规则成本。操作规则成本可以基于道路规则(例如，交通部门的法律、法规、规章等)、良好驾驶规则、区域驾驶习惯(例如，常见驾驶习惯)、驾驶礼节(例如，在车道中调整位置，为另一辆车右转提供空间，不占用自行车道等)。在各种示例中，与估计状态相关联的操作规则成本可以基于被破坏和/或满足的一个或多个规则来计算。在这样的示例中，操作规则成本可以基于被破坏或未履行的规则(例如，规则、习惯、礼节等)而增加，和/或基于满足或履行的规则而减少。例如，路径可以包括车辆在交叉路口改变车道。尽管在某些环境中不违法，但在良好驾驶规则中可能不鼓励在交叉路口变
道，因此可能会招致5的处罚成本。变道可能在另一车辆的阈值距离(例如，20英尺、30英尺、10米等)内，该阈值距离被视为车道变更礼貌的最小距离。在阈值距离内的车道改变可能会导致额外的处罚成本10。因此，与估计状态相关的总操作规则成本可能是15。再例如，路径可能包括在遇到红灯停下时车辆将在车道中的位置调整到左侧。调整后的位置可以为后面的另一辆车提供空间，以便在该车辆旁边行驶并执行右转，而不必等待交通灯变绿。调整位置的礼貌行为可能会产生-3的奖励(例如，减少与估计状态相关的总成本)。
34.在一些示例中，可以按照重要性的顺序对因素进行排序。在这样的示例中，至少一个因素可以包括比其他因素权重更高的成本。在一些示例中，安全成本的权重可能高于其他因素。在这样的示例中，车辆计算系统在确定车辆要采取的行动时可以强调安全性高于其他因素。在一些示例中，初始安全成本可以乘以因子2、3、4等。在一些示例中，车辆计算系统可以将多项式函数(例如，二阶、三阶等)应用于初始安全成本。例如，车辆计算系统可以基于：α*(安全成本)2 β*(舒适性成本) γ*(进度成本) δ*(操作规则成本)，来确定与估计状态相关联的总成本。
35.在一些示例中，车辆计算系统可以基于排序将与每个因素相关联的成本乘以递减量。例如，车辆计算系统可以将安全成本乘以因子4，将舒适性成本乘以因子3，等等。在一些示例中，车辆计算系统可以基于排序将多项式函数应用于因子。例如，车辆计算系统可以基于：α*(安全成本)4 β*(舒适性成本)3 γ*(进度成本)2 δ*(操作规则成本)，来确定与估计状态相关联的总成本。
36.在一些示例中，车辆计算系统可以将对应于与行动相关联的每个估计状态的成本相加，以确定行动的总成本。在各种示例中，车辆计算系统可以计算与每个因素相关联的总成本和全部的总成本。在这样的示例中，车辆计算系统可以确定与安全性、舒适性、进度和/或与行动相关联的操作规则相关联的总成本，以及与行动相关联的全部的总成本。
37.在各种示例中，车辆计算系统可以比较与每个行动相关联的总成本并且可以基于总成本确定要采取的行动(例如，控制车辆)。在一些示例中，所选择的行动可以包括具有与其相关联的最低成本的行动。在这样的示例中，对其他对象的影响最小的安全行动可以包括低分数。在一些示例中，所选择的行动可以包括具有与其相关联的最高成本的行动。在这样的示例中，可以以负值授予处罚，并且可以以正值授予奖励，使得对其他对象影响最小的安全行动可以包括高分。
38.在各种示例中，车辆计算系统可以通过基于与每个因素单独相关联的成本对行动进行排序来确定要采取的行动。在至少一个示例中，车辆计算系统可以首先基于安全成本对行动进行排序。在这样的示例中，车辆计算系统可以选择对应于最安全行动的第一组行动，这些行动可以被处理以获得额外成本(例如，舒适性成本、进度成本等)。在一些示例中，第一组行动可以包括安全成本高于或低于预定(例如，阈值)值的行动。在一些示例中，第一组行动可以包括预定数量和/或百分比的最安全行动(例如，具有排序最低或最高的安全成本的行动，取决于成本的计算方式)。例如，第一组行动可能包括具有5个最低安全成本的行动(例如，5个最安全的行动)。再举一个示例，第一组行动可能包括具有前25％最高安全成本的行动(最安全的25％行动)。
39.在各种示例中，车辆计算系统可以针对一组行动中的每一个行动确定与一个或多个因素中的第二排序因素(例如，排序低于安全性的因素)相关联的成本。在至少一个示例
中，第二因素可以包括对象和/或车辆舒适度。在一些示例中，车辆计算系统可以基于与第二排序因素相关联的成本对该组行动进行排序。在各种示例中，车辆计算系统可以基于与第二排序因素相关联的成本来识别第二组行动。在各种示例中，第二组行动可以包括具有与第二因素相关联的最高(或最低)成本的预定数量和/或百分比的行动。例如，第二组行动可以包括第一组行动中舒适性成本最低的4个行动(例如，4个最舒适的行动)。
40.在各种示例中，车辆计算系统可以针对第二组行动中的每一个行动确定与一个或多个因素的第三排序因素相关联的成本。车辆计算系统可以对第二组行动进行排序，并且基于与第三排序因素相关联的成本来识别第三组行动，例如上述那些。车辆计算系统可以继续基于与随后排序的因素相关联的成本来确定行动组，直到考虑到每个因素。在一些示例中，车辆计算系统可以在已考虑了每个因素之后基于排序最高的行动来确定要采取的行动。在这样的示例中，车辆计算系统可以基于行动来控制车辆。
41.本文讨论的技术可以包括对自主和/或半自主车辆控制规划技术领域的改进。传统上，在自主车辆的控制规划中，车辆计算设备可以考虑要采取的多个行动并为车辆选择最谨慎的路径，例如多个行动中导致与检测到的对象保持最大距离的一个行动。最谨慎的路径，在确保车辆和其他对象安全的同时，往往会牺牲其他因素，例如进度和舒适性。然而，本文描述的技术包括车辆计算系统可以选择优化车辆的安全性、舒适性、进度和操作规则的行动的手段。因此，本文描述的技术改进了自主和/或半自主车辆的技术领域。
42.此外，如上所述，传统的控制规划技术是以车辆为中心的，因为它们不考虑行动对环境中运行的对象的影响。因此，采用传统控制规划技术的车辆计算系统可能会忽略行动可能对在环境中运行的另一个对象产生的负面影响。然而，本文描述的技术包括车辆计算系统可以选择优化被检测对象以及车辆的安全性、舒适性、进度和操作规则的行动的手段。因此，本文描述的技术改进了自主和/或半自主车辆的技术领域。
43.本文描述的技术可以以多种方式实现。下面参考以下附图提供示例实施方式。尽管在自主车辆的背景下进行了讨论，但本文描述的方法、设备和系统可以应用于各种系统(例如，传感器系统或机器人平台)，并且不限于自主车辆。在一个示例中，类似的技术可以用在驾驶员控制的车辆中，其中这种系统可以提供执行各种操纵是否安全的指示。在另一个示例中，这些技术可以在航空或航海的环境中使用，或者在使用规划技术的任何系统中使用。
44.图1是环境100中的自主车辆102的图示，其中示例性基于成本的路径确定系统可用于确定自主车辆102在环境100所采取的路径。车辆计算设备可以运行车辆102的基于成本的路径确定系统。在一些示例中，本文所述的基于成本的路径确定技术可以至少部分地由车辆计算设备的规划组件(例如图7的规划组件724)实施或与规划组件相关联地实施。
45.在各种示例中，车辆计算设备可以被配置为检测环境100中的一个或多个动态对象104(例如，对象104)，例如经由感知系统。车辆计算系统可以基于从一个或多个传感器接收的传感器数据检测对象104。在一些示例中，传感器可以包括安装在车辆102上的传感器，例如相机、运动检测器、激光雷达、无线电探测系统等。在一些示例中，传感器可以包括一个或多个远程传感器，例如安装在另一辆自主车辆上的传感器，和/或安装在环境100中的传感器106。
46.在各种示例中，车辆102可以被配置为发送数据和/或从其他自主车辆和/或传感
器106接收数据。数据可以包括传感器数据，例如关于在环境100中检测到的对象104的数据。在各种示例中，环境100可以包括用于交通监控、碰撞避免等的传感器106。在一些示例中，传感器106可以安装在环境中，以在可见性降低的区域中提供额外的可见性，例如在盲区或半盲区的交叉路口中。例如，环境100中的交叉路口可以被确定为具有盲区的交叉路口，在盲区的交叉路口中接近的车辆102可能无法感知对象104和/或在相交道路上从左侧或右侧接近的其他车辆。环境中的交叉路口因此可以包括传感器106，以向接近的车辆102提供关于位于交叉路口的道路上的对象104(例如对象104(1)和104(2))的传感器数据。在各种示例中，车辆计算系统可以接收传感器数据，并且可以确定对象104的类型(例如，对对象的类型进行分类)，例如对象104是否是汽车、卡车、公共汽车、半挂车、摩托车、轻便摩托车、自行车骑行人、行人等。
47.在各种示例中，车辆计算系统可确定在具有检测对象104的环境中操作的车辆102的一个或多个行动110。行动110可表示车辆102穿过环境100可采取的一条或多条潜在路径(例如，一条或多条车辆轨迹)。在一些示例中，可以基于检测到的对象104来确定行动110。例如，车辆计算系统可检测一个或多个对象104，例如对象104(1)和104(2)，从右侧接近交叉路口。车辆计算系统可确定：第一行动110(1)可包括保持在初始位置112，第二行动110(2)可包括从初始位置112加速，以在对象104(1)和104(2)前面通过交叉路口。
48.行动110可以包括一个或多个参考行动(例如，车辆102被配置为应对动态操作环境而执行的一组操纵中的一个)，例如右车道改变、左车道改变、保持在车道上、绕过障碍物(例如，并排停放的车辆、交通锥标等)等。行动110还可包括一个或多个子行动，例如速度变化(例如，保持速度、加速、减速等)、位置变化(例如，改变在车道中的位置)等。例如，行动110(如第二行动110(2))可包括保持在车道上(参考行动)、以及以第一加速度从初始位置112加速(子行动)，而第三行动110(3)可包括保持在车道上(参考行动)、以及以第二加速度(子行动)从初始位置112加速。例如，行动110(如行动110(4))可包括从初始位置112加速(子行动)，同时保持在车道中达两(2)秒(第一参考行动)，然后向左换车道(第二参考行动)。再举一个示例，行动110(如行动110(5))可包括以第一加速度加速(子行动)，同时向左改变车道(参考行动)，以及当被发现处在左车道中时以第二加速度加速。
49.在一些示例中，车辆计算系统可配置为确定车辆102在车辆不具有优先通行权(例如，对象104具有优先通行权)的情况下要采取的行动110(例如，参考行动和子行动)。在此类示例中，车辆计算系统可被配置为确定一种方式，通过该方式，车辆102可在比使用传统控制规划技术(例如使用最谨慎的方法)可能在更早的时间安全地前进。例如，车辆计算系统可识别行动110，例如行动110(5)，其中车辆102可在对象104(1)和104(2)前方安全通过交叉路口，而不会对对象104(1)和104(2)产生负面影响，例如通过要求对象104(1)和104(2)减速以避免与车辆102发生碰撞。因此，车辆102可被配置为向目的地安全地行进，并且比以其它方式利用最谨慎的方法可能达到的速度更快，这将会要求车辆保持在初始位置112，直到对象104(1)和104(2)在车辆102前方通过交叉路口。
50.在一些示例中，车辆计算系统可确定在交叉路口中具有优先通行权的对象104被阻止行使优先通行权。例如，车辆102可在对象104(例如汽车)之后接近有四向停车标志的交叉路口。然而，行人可能正在对象104前面穿过道路，从而阻止对象104行使优先通行权以及在车辆102之前通过交叉路口。车辆计算系统可识别阻挡对象104的行人，并可基于对象
104正被阻挡而确定车辆102要采取的一个或多个行动110。第一行动110(1)可包括停留在停车标志(例如，初始位置112)处，以等待具有优先通行权的对象104在车辆102前方通过。第二行动110(2)可包括保持车辆102在车道中的位置，并从停车标志加速，以在具有优先通行权的对象104前方通过交叉路口。
51.在各种示例中，车辆计算系统可被配置为确定适用于车辆102在环境100中的行动110(例如，参考行动和/或子行动)。例如，对于在单车道道路上行驶的车辆102，车道变更可能不是适用的参考行动。例如，对于在限速下行驶的车辆，加速可能不是适用的子行动。
52.在各种示例中，车辆计算系统可基于行动110、传感器数据和/或对象104的类型，例如分别与对象104(1)、104(2)和104(3)相关联的轨迹108(1)、108(2)和108(3)，确定一个或多个预测对象轨迹108(轨迹108)。在各种示例中，轨迹108可以基于由车辆的预测系统确定的对象的预测运动来确定。在一些示例中，与对象104相关联的轨迹108可以基于主动预测。主动预测包括确定对象104基于车辆102的潜在行动而可能具有的潜在和/或可能的反应。例如，车辆计算系统可确定与车辆102在同一道路上且以相反方向行进的对象104(例如对象104(3))可响应于车辆102在交叉路口执行车道改变而调整车道中的位置，例如执行行动110(4)或110(5)。因此，车辆计算系统可确定轨迹108(3)可包括向右的轻微偏离(相对于对象104(3)行进方向)。
53.在各种示例中，可利用一个或多个机器学习算法来确定轨迹108。在此类示例中，车辆计算系统(例如经由预测系统)可接收与对象104相关联的传感器数据，并基于传感器数据预测对象104的行为。例如，可根据对象104随时间运动的捕获图像数据对车辆计算系统进行训练，以使得车辆计算系统可识别可建议对象104可采取的未来行动(例如，轨迹108)的行为。附加地或在替代方案中，车辆计算系统可利用热图(例如，离散化概率分布)、环境的自上而下表示、树形搜索方法和/或时序逻辑公式来确定对象104的一个或多个轨迹108，例如上述通过引用合并的专利申请中所描述的那些，尽管考虑了对象的未来状态和/或不确定性的任何其他表示。
54.对于每个车辆行动110，例如行动110(1)、110(2)、110(3)、110(4)和110(5)，车辆计算系统可以通过将车辆和对象在环境中向前预计一段时间(例如5秒、8秒、12秒等)来模拟未来状态(例如，估计状态)。车辆计算系统可基于与相应行动110相关联的一个或多个预测轨迹，对对象进行向前预计(例如，估计对象104的未来位置)。例如，车辆计算系统可确定，第二行动110(2)可导致对象轨迹108(1)包括每秒1英里/小时的减速(例如，负加速度)，同时保持恒定的行进方向。车辆计算系统可基于与行动110相关联的一个或多个车辆轨迹，向前预计车辆102(例如，估计车辆的未来位置)。如图2所示，估计状态可以表示在未来的某个时间车辆102的估计位置(例如，估计的定位)和对象104的估计位置。在各种示例中，车辆计算系统可在一组估计状态(例如，表示车辆和/或对象在整个时间段内的估计位置的一组估计状态)中以预定速率(例如，10赫兹、20赫兹、50赫兹等)确定估计状态。在至少一个示例中，可以以10赫兹的速率执行估计状态(例如，在8秒的时间段内执行80个估计状态)。在一些示例中，车辆计算设备可在基本上并行的不同时间间隔确定车辆和对象的估计状态。在这样的示例中，车辆计算设备可以减少在一段时间内生成一组估计状态所需的时间。
55.在各种示例中，车辆计算系统可被配置为识别与车辆102无关的一个或多个对象104，例如104(4)。如果对象104和车辆102可能在一段时间内占据相同的空间或彼此在阈值
距离的范围内(例如，可能发生碰撞)，则对象104可能与车辆102相关。在各种示例中，可基于确定与对象104相关联的轨迹108(例如与对象104(4)相关联的轨迹108(4))不会和与行动110相关联的车辆轨迹相交和/或交会，来确定对象与车辆无关。例如，与对象104(4)相关联的轨迹108(4)包括在基本垂直于车辆102行驶方向的道路上转变方向远离车辆102。在一些示例中，可以基于确定对象104的估计位置在整个时间段(例如，一组估计状态)中将大于与车辆102的估计位置相距的阈值距离，来确定对象104与车辆102无关。基于对象104与车辆102无关的确定，可以在与行动110相关联的估计状态中忽略对象104。例如，车辆计算系统可以确定对象104(4)与车辆102无关，并且可以在估计状态中不包括与对象104(4)相关联的轨迹108(4)。通过忽略无关的对象104，例如对象104(4)，本文描述的技术可以通过提供额外的存储和处理能力来用于确定与相关对象相关联的估计位置和车辆计算系统的其他功能，从而改进车辆计算系统的功能，例如，确定与不同行动110相关联的成本、控制车辆等。
56.在各种示例中，车辆计算系统可以确定与每个估计状态相关联的成本，例如基于车辆102和对象104相对于彼此的估计位置。在一些示例中，车辆计算系统可分析每个估计状态，并基于一个或多个因素将成本值应用于估计状态。在这样的示例中，估计状态的成本可以包括与每个因素相关联的成本的总和。一个或多个因素可包括车辆102和/或对象104的安全性(例如，避免车辆102和对象104之间的碰撞)、舒适性(例如，车辆102和/或对象104没有突然的移动)、进度(例如，向车辆102和/或对象104的目的地移动)、操作规则(如道路规则、法律、法规、规章等)等。在至少一些示例中，可以相互比较单个成本(例如，在特定状态下)。
57.车辆102和/或对象104的安全性可包括车辆102和对象104之间发生碰撞的可能性(例如，碰撞概率)。可以基于车辆102和对象104之间的距离(例如，在5英尺、2米、0.5米等范围内)、交会轨迹(例如，对象104的轨迹108将基本上和与行动110相关的车辆轨迹相交)、车辆102和对象104之间的交会速率(例如，2米/秒、10英尺/秒等)等，来计算碰撞可能性。在一些示例中，碰撞的可能性可基于与该距离和/或交会速率相关联的阈值。例如，与车辆102相关联的估计状态和与对象104相关联的估计位置之间的距离可以小于或等于阈值距离(例如，6英尺、2.5米等)。因此，车辆计算系统可确定车辆与对象之间存在碰撞的可能性。再例如，与行动110相关联的车辆轨迹和轨迹108可以等于或大于阈值交会速率(例如，8英尺/秒、3米/秒、2米/秒交会等)的速率交会。因此，车辆计算系统可确定车辆102与对象104之间存在碰撞的可能性。在一些示例中，碰撞的可能性或概率可基于实际距离和/或交会速率低于或高于阈值的量。在此类示例中，碰撞概率可能会随着车辆和对象在估计状态中越靠近(例如，如果彼此之间的距离在6英寸以内，则碰撞概率为95％)、和/或交会速率高于阈值的量(例如，90％的碰撞概率，交会速率为10米/秒)而增加。在各种示例中，可使用机器学习技术确定碰撞概率。在这样的示例中，机器学习模型可以利用训练数据进行训练，训练数据包括车辆102和对象104过去曾发生或未曾发生碰撞的场景。
58.在各种示例中，与安全因素相关的成本(例如，安全成本)可基于碰撞概率。在一些示例中，如果碰撞概率大于指示可能发生碰撞的预定义阈值(例如，40％、51％等)，则成本可包括固定成本(例如，60、80、100等)。在一些示例中，固定成本可包括高于阈值的成本值，使得车辆计算系统不能选择与之相关联的行动。在此类示例中，碰撞概率可包括对车辆102
可采取的行动110的约束。在一些示例中，成本可能基于碰撞确定的概率。在一些示例中，安全成本和碰撞概率之间的相关性可以是1:1、2:1、1:2相关性等。例如，车辆计算系统可确定在估计状态下的碰撞概率为95％，且车辆计算系统可对于估计状态的安全因素评估95的成本。在一些示例中，安全成本可能包括碰撞概率的多项式函数。在一些示例中，可以基于碰撞的阈值概率来确定安全成本。在此类示例中，与阈值以下的碰撞概率相关联的安全成本可包括第一关系(例如，1:1，2:1，x2等)，与阈值以上的碰撞概率相关联的安全成本可包括第二关系(例如，10:1，x4等)。
59.在一些示例中，车辆计算设备可能不选择行动110的阈值成本值(例如，约束)可与特定的碰撞概率相关联。例如，阈值成本值可以设置为60％，使得车辆计算系统可以不选择碰撞概率为60％或更大的行动110。阈值成本值可以提供一种手段，通过该手段，车辆计算系统可以在确定车辆102要采取的行动110时将安全的重要性置于其他因素之上。
60.在各种示例中，安全成本可至少部分基于与对象104相关联的分类。例如，与车辆和摩托车之间的碰撞相比，两辆车辆之间发生碰撞的概率相同可能导致较低的安全成本。在一些示例中，在其他方面都相同的情况下，与行人碰撞的概率在重要性上可能超过与其他车辆碰撞的概率相关联的成本。在一些示例中，车辆计算系统可确定与对象相关联的安全成本，并使安全成本按照分类因素来增加(例如，针对摩托车为1.3，针对行人为1.5，等)。
61.在各种示例中，车辆计算系统可通过将确定的安全成本(例如基于碰撞概率)增加2、3、4等因子，或通过将多项式函数(例如，二次、三次等)应用于确定的安全成本，来使安全的重要性高于其他因素。例如，车辆计算系统可将二次方程应用于安全成本，例如总安全成本＝(确定的安全成本)2。
62.在各种示例中，这些因素可包括对象104和/或车辆102的舒适性。在一些示例中，对象104的舒适性可包括：例如响应于行动110，估计加速度(例如，正、负、横向的等)、和/或与对象104的轨迹108相关联的估计加速度变化(例如，颠簸)。车辆102的舒适性可包括与对应于行动110的轨迹相关联的估计加速度(横向和/或纵向的)。例如，可以预测对象104(例如对象104(1))将响应于行动110(2)，以相当大的力施行制动，导致-2米每秒2的加速(例如减速)，行动110(2)包括车辆102从初始位置112缓慢加速。在一些示例中，成本可能基于与加速相关的值。例如，2英尺每秒2的负加速度(例如，每秒-2英尺)可能会导致舒适性成本为2。在其他示例中，所考虑对象104的任何其他状态/控制可用于确定舒适性成本(例如，与其他车辆的接近程度-可计算为最近邻或次最近邻，转向速率，旋转速率，速度，道路规则的考虑-例如，要求其他对象达到的接近程度或速度限制等)。
63.在一些示例中，可基于处于估计状态的车辆102与对象104之间的距离来确定舒适性成本。在一些示例中，与行动110相关联的舒适性成本可以基于在一段时间内车辆102的估计位置和对象104的估计位置之间的最近接近点。在各种示例中，舒适性成本可基于轨迹108和与行动相关联的车辆轨迹之间的相对速度。在此类示例中，舒适性成本可与车辆102和对象104之间的接近速率相关联。例如，接近速率为30英里/小时的对象和车辆可能包括20的舒适性成本，接近速率为6英里/小时的对象和车辆可能包括2的舒适性成本。
64.在一些示例中，与舒适性成本相关联的距离和/或相对速度可以基于与对象104相关联的分类。在一些示例中，分类可和与舒适性成本相关联的距离范围相关联，使得如果车
辆102的估计位置在估计状态下处于特定范围内，则将相关舒适性成本添加到估计状态的舒适性成本中。例如，行人可以具有的第一范围是在任何方向上距离该行人为1码，相关舒适性成本为50；行人可以具有的第二范围是在任何方向上距离该行人为3码，相关舒适性成本为20。
65.在各种示例中，可至少部分地基于安全成本来确定舒适性成本。在一些示例中，舒适性成本可包括安全成本的一部分(例如，50％、20％等)。在一些示例中，安全成本可包括基本成本，例如基于碰撞概率的基本成本。在这些示例中，为了确定关于估计状态的总安全成本，车辆计算系统可以对基本成本应用第一函数(例如，x4，x6等)，并且为了确定舒适性成本，可以应用第二函数(例如，x2，x3等)。例如，车辆计算系统可确定与估计状态相关联的基本成本4，例如基于碰撞概率。估计状态的安全成本可能是256(基本成本4)，舒适性成本可能是16(基本成本2)。再例如，车辆计算系统可确定与估计状态相关联的安全成本为40，与估计状态相关联的舒适性成本为20(安全成本的50％)。在一些示例中，安全成本可包括对象状态(例如，位置、速度、加速度)、和/或对象104与车辆102之间的相对状态(例如，各自位置之间的距离、相对速度、相对加速度等)的第一函数，舒适性成本可包括对象状态、和/或对象104与车辆102之间的相对状态的第二函数。
66.在一些示例中，车辆计算系统可基于相应的加速方向来评估舒适性成本。在此类示例中，负加速度(例如减速)和/或横向加速度的成本可能包括比正加速度的成本更高。在一些示例中，车辆计算系统可将负加速度和/或横向加速度乘以系数2、3等，或对负加速度和/或横向加速度应用多项式函数(例如，二阶等)。在一些示例中，基于加速度高于阈值(例如，阈值正、负和/或横向加速度)，加速度(例如，正、负、横向)可能具有与之相关联的成本。在此类示例中，车辆计算系统可基于确定加速度等于或高于相应阈值加速度，来应用成本。在各种示例中，与加速度相关联的舒适性成本可基于确定加速度在一个或多个加速度范围中的一个范围内。在此类示例中，该范围可与舒适性成本值相关联。例如，-0.5英尺/秒2到-2英尺/秒2的第一加速范围具有的成本值可能为5，-2.1英尺/秒2到-5英尺/秒2的第二加速范围具有的成本值可能为10，而-5.1英尺/秒2到-10英尺/秒2的第三加速范围具有的成本值可能为15。
67.在各种示例中，车辆计算系统可被配置为将与对象104相关联的舒适性的重要性高于与车辆102相关联的舒适性。在此类示例中，车辆计算系统可将对象舒适性成本乘以2、3、4等的因子，或可将多项式函数应用于对象成本。在各种示例中，关于给定估计状态的总舒适性成本可包括对象舒适性成本(针对重要性进行调整或不调整)和/或车辆舒适性成本。
68.在各种示例中，该因素可包括对象104和/或车辆102向目的地移动的进度。在一些示例中，基于对象104和/或车辆102的速度变化(例如，放慢、停止、加速、减速等)、和/或车辆102从停止位置移动的延迟(例如，车辆时间延迟)以避免碰撞，可以计算成本。在各种示例中，进度成本可包括基本上类似于归因于行动110和/或估计状态的延迟秒数(例如，对象时间延迟、车辆时间延迟等)的值。在所示示例中，行动110(1)可包括当对象104接近并通过交叉路口时，车辆在交叉路口(例如停车标志)等待11秒。与行动110(1)相关联的进度成本可以包括十一(11)的值。在一些示例中，进度成本可能与延迟水平(例如，延迟时间的范围)相关联。例如，很短的延迟(例如，小于1秒等)可能导致的进度成本为1，而短延迟(例如，1-3
秒)可能导致的进度成本为2，依此类推。
69.在各种示例中，基于在环境100中操作的对象104的确定的标称速度分布图，可以计算进度成本。标称速度分布图可包括在没有车辆102的情况下对象104可行进穿过环境100的基线速度分布图。在一些示例中，标称速度分布图可以基于与环境100相关联的速度限制、在环境100中操作的对象104的已知特性，例如基于预先记录的数据等。在各种示例中，车辆计算系统可确定标称速度分布图和对象轨迹108之间的区别，以确定进度成本。在一些示例中，车辆计算系统可对该区别应用多项式函数或因素，以确定与行动相关联的进度成本。在至少一些示例中，这样的成本可至少部分基于在存在车辆102并采取潜在行动的情况下对象的预测轨迹之间的区别。
70.在各种示例中，该因素可包括操作规则成本。操作规则成本可能基于道路规则(例如，交通部门的法律、法规、规章等)、良好驾驶规则、区域驾驶习惯(例如，常见驾驶行为)、驾驶礼貌(例如，调整在车道中的位置，为另一辆车提供右转通行空间，不占用自行车道等)。在各种示例中，可基于被破坏和/或满足的一个或多个规则来计算与估计状态相关联的操作规则成本。在此类示例中，操作规则成本可基于被破坏或未实现的规则(例如，规则、习惯、礼貌等)而增加，和/或基于被满足或实现的规则而减小。例如，诸如行动110(4)的行动110可包括车辆102在交叉路口改变车道。尽管在某些环境中并非违法，但在良好驾驶规则中可能不鼓励在交叉路口的车道变更，因此可能会产生10的处罚成本。车道变更可以在另一辆车的阈值距离内，该阈值距离被视为车道变更礼节的最小距离(例如，20英尺、30英尺、10米等)。在该阈值距离内的车道变更可能会产生额外的处罚成本10。因此，与估计状态相关联的总操作规则成本可以是15。例如，行动110可包括车辆102在遇到红灯停车时将在车道中的位置调整到左侧。调整后的位置可为从后面接近车辆102的对象提供空间，以便在车辆102旁边行驶并执行右转，而无需等待灯变绿。调整位置的礼貌行为可能导致-3的奖励(例如，减少与估计状态相关联的总成本)。
71.在一些示例中，可以按照重要性顺序对该因素进行排序。在此类示例中，至少一个因素可包括权重高于其他因素的成本。如上所述，安全成本的权重可能高于其他因素。在此类示例中，车辆计算系统可在确定车辆要采取的行动时将安全的重要性置于其他因素之上。例如，车辆计算系统可使用以下等式确定与估计状态相关联的总成本：es成本＝(安全成本)2 (舒适性成本) (进度成本) (操作规则成本)(1)
72.例如，车辆计算系统可使用以下等式确定与估计状态相关联的总成本：es成本＝[2x(安全成本)] (舒适性成本) (进度成本) (操作规则成本)(2)
[0073]
在一些示例中，车辆计算系统可根据排序，将与每个因素相关联的成本乘以减少的金额。例如，车辆计算系统可以将安全成本乘以因子4，将舒适性成本乘以因子3，将进度成本乘以因子2，将操作规则成本乘以因子1。在一些示例中，车辆计算系统可基于排序对因素应用多项式函数。例如，车辆计算系统可根据以下等式确定与估计状态相关联的总成本：es成本＝ (安全成本)4 (舒适性成本)3 (进度成本)2 (操作规则成本)
ꢀꢀ
(3)
[0074]
在各种示例中，车辆计算系统可确定与估计状态相关联的成本(例如，es成本)超过阈值估计状态成本。在一些示例中，车辆计算系统可部分基于超过阈值的es成本忽略与行动相关联的数据。
[0075]
在一些示例中，车辆计算系统可对与行动相关联的一些或所有估计状态对应的成
本求和，以确定该行动的总成本。作为非限制性示例，车辆计算系统可根据以下等式确定总行动成本：总行动成本
tot
＝(es1成本) (es2成本) ... (esn成本)(4)
[0076]
另外或在替代方案中，车辆计算系统可计算与每个因素相关的总成本。在此类示例中，车辆计算系统可确定与和行动相关联的安全性、舒适性、进度和/或操作规则相关联的总成本。例如，与行动相关联的总安全成本可表示为：总安全成本
tot
＝(es1安全成本) (es2安全成本) ... (esn安全成本)(5)
[0077]
当然，可以考虑任何其他成本组合(无论是线性、非线性、加权、非加权、机器学习的等)。
[0078]
在各种示例中，车辆计算系统可比较与每个行动相关联的总成本，并可基于总成本确定要采取的行动(例如，控制车辆)。在一些示例中，所选择的行动可以包括具有与其相关联的最低成本的行动。在此类示例中，对其他对象影响最小的安全行动可能包括低分数。在一些示例中，所选择的行动可以包括具有与其相关联的最高成本的行动。在此类示例中，处罚可能被授予负值，奖励可能被授予正值，因此使得对其他对象影响最小的安全行动可能包括高分。在各种示例中，车辆计算系统可基于确定的(例如，选择的)行动来控制车辆。在一些示例中，任何超过阈值的单一成本都可能使这种轨迹不被考虑。
[0079]
图2是车辆202(例如车辆102)在环境(例如环境100)中采取的潜在行动(也称为候选行动)204、206、208和210的图示的集合200，以及与之相关联的相应成本212、214、216和218。尽管图示为四个行动，第一行动204可对应于具有第一加速度的行动110(2)，第二行动206可对应于具有第二加速度的行动110(2)，第三行动208可对应于行动110(5)，第四行动210可对应于行动110(1)，车辆计算系统可考虑更多或更少数量的行动。
[0080]
在一些示例中，行动204、206、208和/或210可被预定义和/或存储在车辆计算设备的存储器中，例如可由规划组件(例如，图7的规划组件724)访问的存储器。例如，规划组件可将行动204、206、208和/或210存储为车辆202可在具有双向停车标识的交叉路口(例如，在该路口，横穿的车辆具有优先通行权)采取的预定义行动集。在一些示例中，行动204、206、208和/或210可由规划组件基于环境(例如基于在环境中检测到的对象222(1)和222(2)的数量和/或接近度)来确定。在各种示例中，车辆计算系统可确定行动在特定时间(例如，从初始位置)是否适用于环境中的车辆。在此类示例中，车辆计算系统可访问预定行动，并确定每个预定行动是否适用于环境100。行动可适用于环境，是基于确定能够在环境中执行的行动(例如，当车辆在双车道道路的右车道上行驶时，向左换车道)、不能在环境中执行的行动(例如，当车辆在单车道道路上行驶时，变更车道等)、在逻辑上符合环境(例如，在学校区域内缓慢加速等)、在逻辑上不符合环境(例如，在接近运动场时快速加速等)，等等。
[0081]
如上所述，行动204、206、208和/或210可包括参考行动和/或子行动。参考行动可包括保持在车道中、向右换车道、向左换车道、绕过障碍物、中止障碍物绕行等。子行动可包括保持速度、加速、减速、调整在车道中的位置等。在说明性示例中，行动204包括保持在车道上(参考行动)并以第一加速度加速(子行动)，行动206包括保持在车道上(参考行动)并以第二加速度加速(子行动)。此外，在说明性示例中，行动208包括在从初始位置220加速的同时改变车道，行动210包括基本上保持在初始位置220处的位置。
[0082]
在各种示例中，对于行动204、206、208和210中的每一个，车辆计算系统可基于相
应的行动204、206、208、210，确定一个或多个预测的对象轨迹，例如轨迹108。在一些示例中，预测的对象轨迹可部分基于由车辆的一个或多个传感器和/或环境中的传感器(例如，安装在另一辆车辆上，固定在如盲区交叉路口等处)收集的传感器数据。在一些示例中，预测的对象轨迹可部分基于与对象222(1)和222(2)相关联的相应分类。例如，与被分类为汽车的对象222(1)相关联的第一预测对象轨迹可包括第一减速，第一减速与响应于车辆202行进通过对象222(1)前面的交叉路口而施加到制动器的第一压力量相对应。与被分类为半挂车卡车的对象222(1)相关联的第二预测的对象轨迹可包括第二减速，该第二减速对应于以响应于车辆202在对象222(1)前面横穿而施加到制动器的第二压力量(例如，更大压力以停止较大车辆)。
[0083]
在各种示例中，基于由车辆的预测系统确定的对象222(1)和222(2)的预测运动，可以确定预测对象轨迹。在一些示例中，与对象222(1)和222(2)相关联的预测对象轨迹可以基于主动预测。主动预测包括基于相应的行动204、206、208和210来确定对象222(1)和222(2)可能具有的潜在和/或可能的反应。例如，车辆计算系统可确定与车辆202在同一道路上且以相反方向行驶的对象222(2)可响应于车辆202在交叉路口执行车道改变(如第三行动208中所示)而调整在车道中的位置。因此，车辆计算系统可确定，预测的对象轨迹可包括向右的轻微偏离(如估计位置226(2)所示)。在各种示例中，可利用环境100的自上而下表示、热图、时序逻辑公式、树形搜索方法和/或机器学习技术来确定预测的对象轨迹，如本文并入的美国专利申请中所述的技术。
[0084]
如图2所示，对于每个行动204、206、208和210，车辆计算系统可以通过将车辆202和对象222(1)和222(2)在环境中向前预计一段时间(例如，5秒、8秒、12秒等)，来模拟未来状态(例如，估计状态)。第一估计状态可包括与对象222(1)相关联的第一估计对象位置224(1)(例如，对象位置224(1))、与对象222(2)相关联的第一估计对象位置226(1)和第一估计车辆位置228(1)，第二估计状态可以包括与对象222(1)相关联的第二估计对象位置224(2)、与对象222(2)相关联的第二估计对象位置226(2)和第二估计车辆位置228(2)，等等。基于与相应对象222(1)和222(2)相关联的预测对象轨迹，可以确定估计对象位置224(1)、224(2)、224(3)和226(1)、226(2)、226(3)。尽管图示为分别与第一对象222(1)、第二对象222(2)和车辆202相关联的三个位置：224(1)、224(2)、224(3)；226(1)、226(2)、226(3)；和228(1)、228(2)、228(3)，例如在三个估计状态的视觉表示中，在一段时间内针对对象222(1)、222(2)和车辆202，可以确定更多或更少数量的估计状态(例如，位置)。
[0085]
在各种示例中，车辆计算系统可以预定速率(例如，10赫兹、20赫兹、50赫兹等)、并在一段时间内(例如，4秒、8秒、10秒等)确定估计状态(从而确定估计对象位置224(1)、224(2)、224(3)和226(1)、226(2)、226(3)，以及估计车辆位置228(1)、228(2)，和228(3))。在至少一个示例中，可以以10赫兹的速率执行估计状态(例如，在8秒的时间段内执行80个估计状态)。在这样的示例中，可以以0.1秒的间隔确定估计位置224(1)、224(2)、224(3)、226(1)、226(2)、226(3)和228(1)、228(2)和228(3)。在一些示例中，车辆计算设备可以以基本上并行的各种不同时间间隔来确定车辆202、以及对象222(1)和222(2)的估计状态。在这样的示例中，车辆计算设备可以减少生成在一段时间内的一组估计状态所需的时间。
[0086]
如图2所示，车辆计算系统可确定与第一行动204相关联的第一成本212、与第二行动206相关联的第二成本214、与第三行动208相关联的第三成本216、与第四行动210相关联
的第四成本218。在一些示例中，车辆计算系统可基于车辆202、以及对象222(1)和222(2)的估计位置、和/或与相应行动204、206、208、210相关联的对象和车辆轨迹来确定与每个估计状态相关联的成本。在这样的示例中，成本212、214、216和218可以表示与每个估计位置相关联的成本的总和。例如，与第一成本212相关联的安全成本16可以表示针对相应的估计状态计算的每个安全成本的总成本。例如，第一估计状态可包括为0的第一安全成本，至少因为从第一估计车辆位置228(1)到与第一对象222(1)相关联的第一估计对象位置224(1)、和/或与第二对象222(2)相关联的第一估计对象位置226(1)的距离，第二估计状态可包括为2的第二安全成本，因为车辆202、以及对象222(1)和222(2)之间的相应距离随着交会轨迹变得更近；并且第三估计状态可以包括为14的第三安全成本，这是基于至少第三估计车辆位置228(3)和第三估计对象位置224(3)之间的有限距离。当然，参考本文讨论的所有成本，任何数值仅用于说明目的，仅用于描述可以对各种成本如何相互比较，而不是反映实际数字。
[0087]
如上所述，可以基于一个或多个因素来确定成本212、214、216和218。一个或多个因素可包括车辆202和/或对象222(1)和222(2)的安全性(例如，避免车辆202与对象222(1)和222(2)之间的碰撞)、舒适性(例如，车辆202和/或对象222(1)和222(2)没有急剧的移动)、进度(例如，朝向车辆202和/或对象222(1)和222(2)的目的地移动)、操作规则(例如，道路规则、法律、法规、规章等)等。
[0088]
尽管示出为与安全性、舒适性、进度和/或道路规则相关联的总成本，但是相应的因素成本可以包括相对于车辆202和/或对象222(1)和222(1)的安全性、舒适性、进度和/或道路规则。例如，第二行动206可包括车辆202从初始位置220以可能对乘客稍感不舒服的速率加速。车辆计算系统可确定乘客的不舒服可包括车辆202的舒适度成本2。此外，车辆计算系统可确定对象222(1)可具有预测的对象轨迹，该轨迹包括响应于车辆202横穿过交叉路口的轻微减速。车辆计算系统可评估对象222(1)的舒适性成本为2。结合车辆舒适性成本和对象222(1)舒适性成本，车辆计算系统可确定第二行动的总舒适性成本为4。再例如，车辆计算系统可确定第三行动208包括轻微横向加速度，使车道从右车道变为左车道。基于从初始位置220开始时的轻微横向加速度，车辆计算系统可评估车辆舒适性成本为1。此外，车辆计算系统可预测到，与对象222(2)相关联的预测轨迹可包括轻微的横向加速度，缓慢地向右边调整在车道中的位置。车辆计算系统可评估针对第三行动208的对象舒适性成本为1，从而导致总舒适性成本为2。对于又一示例，第四行动210可导致仅与车辆202相关联的成本，例如基于确定第四行动210将不会对对象222(1)和222(1)产生影响。因此，安全性、舒适性、进度和操作规则(标记为道路规则)成本与车辆相关。
[0089]
在一些示例中，相应的因素成本可包括与对象222(1)和222(2)中的一个或多个相关联的安全性、舒适性、进度和/或道路规则。在此类示例中，车辆计算系统可被配置为基于行动204、206、208或210对对象222(1)和222(2)的影响来确定要采取的行动204、206、208或210。例如，车辆计算系统可预测，对象222(1)可在响应于车辆202在第一行动中横穿过交叉路口而以第一减速度来减速。第一减速可以包括不舒适的减速，例如对于对象222(1)的操作员和/或乘客。因此，舒适性成本可以包括为6的对象舒适性成本。然而，可以预测第二行动206使对象222(1)以第二减速度来减速，第二减速度比第一减速度稍低。由于第二减速度比第一减速度低(例如，不舒适感更少)，因此对象舒适性成本可确定为4。再例如，与响应于
第一行动204的第一对象222(1)相关联的第一减速可导致第一对象222(1)到达其目的地的延迟。因此，车辆计算系统可评估进度成本为2。然而，响应于第二行动206的对象222(1)的第二减速可导致较少的延迟，从而导致1的进度成本。如上所述，进度成本值可以表示对象222(1)响应于行动204、206、208或210而延迟的秒数，或者它可以表示对应于导致进度成本为1的延迟水平(例如，非常短的延迟(例如，小于1秒等)的值，导致进度成本为2的短延迟(例如，1-3秒等)，等)。根据无行动变化和/或无车辆的情况，可以相对于一个或多个预测轨迹来确定任何一个或多个此类成本。
[0090]
操作规则成本(道路规则)可能基于道路规则(例如，交通部门的法律、法规、规章等)、良好驾驶规则、区域驾驶习惯(例如，常见驾驶行为)，驾驶礼貌(例如，调整在车道中的位置，为另一辆车提供右转通行空间，不占用自行车道等)。在各种示例中，基于被破坏和/或满足的一个或多个规则，可以计算与估计状态相关联的操作规则成本。在此类示例中，操作规则成本可基于被破坏或未实现的规则(例如，规则、习惯、礼貌等)而增加，和/或基于被满足或实现的规则而减少。在说明性示例中，基于对象222(1)在交叉路口具有优先通行权，第一行动204和第二行动206都包括操作规则成本1。基于在交叉路口内的车道改变，第三行动208包括操作规则成本6。
[0091]
在各种示例中，车辆计算系统可分别比较与每个行动204、206、208和210相关联的成本212、214、216和218，并可确定要采取的行动(例如，控制车辆)。在一些示例中，车辆计算系统可基于与行动相关联的最低成本来选择要采取的行动。在各种示例中，车辆计算系统可利用因素成本低于与该因素相关联的阈值水平，来识别行动204、206、208和210，并可从所识别的行动中选择成本最低的行动。例如，阈值安全成本可包括值10。因为第一行动204包括高于阈值安全成本的安全成本，所以车辆计算系统可以从规划考虑中忽略第一行动204。在一些示例中，车辆计算系统可将与行动204、206、208或210相关联的因素成本识别为高于阈值，并可停止与行动204、206、208或210相关联的成本值确定(例如，计算)。例如，车辆计算系统可在第三估计状态之后确定，第一行动204具有高于阈值的安全成本。基于安全成本高于阈值的确定，车辆计算系统可停止生成估计状态并确定与之相关的成本。在这样的示例中，本文描述的技术可以提供额外的计算资源，用于确定与其他(可行的)行动相关联的成本，从而改进车辆计算系统的功能。
[0092]
图3是环境300中的车辆302的图示，例如环境100中的车辆102，其中示例的基于成本的路径确定系统可以基于行动对次要对象304(2)的影响来确定与行动相关联的成本。如上所述，车辆计算系统可确定一个或多个行动，例如图1所示的行动110(1)、110(2)、110(3)、110(4)和110(5)、和/或图2所示的行动204、206、208和210。图3所示的行动包括车辆302在双向交叉路口312处从初始位置306加速，其中在交叉道路上行驶的对象304，例如主要对象304(1)和次要对象304(2)具有优先通行权。
[0093]
在各种示例中，车辆计算系统可检测对象304，例如基于由车辆的、另一车辆的和/或安装在环境中的一个或多个传感器捕获的传感器数据。在一些示例中，车辆计算系统可将对象304指定为主要对象304(1)和次要对象304(2)。基于确定次要对象304(2)跟随主要对象304(1)(例如，具有基本相似的行进方向并且位于主要对象304(1)的后面)，可以就这样来指定次要对象304(2)。在一些示例中，指定为次要对象304(2)可以是基于确定次要对象304(2)是在主要对象304(1)的阈值距离(例如，10英尺、4米等)内。在这样的示例中，可以
基于对象304的速度、与环境相关联的速度限制等来确定阈值距离。在各种示例中，指定为次要对象304(2)可基于确定次要对象304(2)被预测将以与主要对象304(1)类似的方式反应，例如响应于车辆302的行动(例如，对象之间类似的预测轨迹等)。
[0094]
在一些示例中，车辆计算系统可基于行动确定对象304的一个或多个预测轨迹。在至少一个示例中，车辆计算系统可确定主要对象304(1)的一个或多个预测轨迹、以及与主要对象304(1)相关联的预测轨迹对次要对象304(2)的影响。在各种示例中，车辆计算系统可以以指定速率(例如，5赫兹、10赫兹等)在时间段(例如，6秒、7秒、8秒等)内对车辆302和对象304在时间上进行向前预计。提供估计的车辆位置308(1)、308(2)和308(3)以及估计的对象位置310(1)、310(2)和310(3)是为了说明的目的，并且车辆计算系统可以确定更多或更少数量的估计对象位置。另外，尽管图示为与主要对象304(1)相关联的估计对象位置310(1)、310(2)和310(3)，但车辆计算系统可附加地生成次要对象304(2)的估计对象位置。
[0095]
如上所述，部分基于估计车辆位置308(1)、308(2)和308(3)、以及估计对象位置310(1)、310(2)和310(3)，车辆计算系统可以基于该行动对主要对象304(1)的影响来确定总行动成本。总行动成本可能包括与一个或多个因素(例如，安全性、舒适性、进度、操作规则等)相关的成本。在一些示例中，车辆计算系统可将与主要对象304(1)相关联的总行动成本(例如，考虑到该因素，行动对主要对象304(1)的总影响)应用于次要对象304(2)。在这样的示例中，与对象304相关联的总行动成本可能加倍。
[0096]
在一些示例中，车辆计算系统可确定与主要对象304(1)相关联的安全成本、舒适性成本、进度成本和操作规则成本，并可将部分或全部成本(安全性、舒适性、进度、操作规则)应用于次要对象304(2)。在此类示例中，选择成本可与响应于与行动相关联的主要对象304(1)预测轨迹而将影响次要对象304(2)的因素相关联，例如舒适性和进度。例如，如图所示，该行动可包括车辆302在主要对象304(1)前方横穿交叉路口。响应于该行动，车辆计算设备可确定主要对象304(1)将可能在进入交叉路口之前应用制动器来减速慢行，以避免与车辆302碰撞。基于主要对象304(1)的负加速度，车辆计算系统可确定与该行动相关联的对象舒适性成本为4，与该行动相关联的对象进度成本为2。此外，车辆计算系统可确定，主要对象304(1)的负加速度可导致次要对象304(2)也减速慢行，以避免与主要对象304(1)发生碰撞。因此，车辆计算系统可将对象舒适性成本为4和对象进度成本为2应用于次要对象304(2)，从而导致总对象舒适性成本为8、以及总对象进度成本为4。
[0097]
在各种示例中，车辆计算系统可确定，与次要对象304(2)相关联的成本包括与主要对象304(1)相关联的成本的一部分或全部的百分比(例如，50％、75％等)。使用上面的示例，主要对象304(1)可被评估为舒适性成本为4和对象进度成本为2。车辆计算系统可确定次要对象304(2)将不需要减速慢行，因此将适用对象舒适性成本为3和对象进度成本为1.5(例如，主要对象成本的75％)。在一些示例中，该百分比可以基于主要对象304(1)和次要对象304(2)之间的距离。在此类示例中，紧随其后的次要对象304(2)(例如，在2个车辆长度内、20英尺内等)可能受到更大的影响，因此可能适用更高的百分比(例如，80％、85％等)，并且，跟随在主要对象304(1)后面更大距离(例如，10米、3个车辆长度等)的次要对象304(2)可以适用较低的百分比(例如，50％、25％等)。
[0098]
在各种示例中，车辆计算系统可基于远离主要对象304(1)(例如，次要对象304(2)、第三对象等)的车辆的数量来确定该百分比。在一些示例中，车辆计算系统可确定，与
次要对象304(2)相关联的成本包括应用于主要对象304(1)的成本的第一百分比，与第三对象304(1)相关联的成本包括应用于主要对象304(1)的成本的第二百分比。在此类示例中，第二百分比可能小于第一百分比。例如，与次要对象304(2)相关联的成本可以是与主要对象304(1)相关联的成本的75％，与第三对象相关联的成本可以是与主要对象304(1)相关联的成本的50％。在一些示例中，车辆计算系统可确定，与次要对象304(2)相关联的成本包括应用于主要对象304(1)的成本的百分比，与第三对象304(1)相关联的成本包括应用于次要对象304(2)的成本的百分比。例如，与次要对象304(2)相关联的成本可以是与主要对象304(1)相关联的成本的80％，与第三对象相关联的成本可以是与次要对象304(2)相关联的成本的80％。
[0099]
图4是环境500中的车辆402的图示，例如环境100中的车辆102，其中，示例的基于成本的路径确定系统可被配置为识别遮挡区域404，并部分基于遮挡区域404确定要采取的行动。遮挡区域404可以定义一个区域，在该区域中，由于一个或多个障碍物408阻挡与遮挡区域404相关联的区域，车辆计算系统可能检测不到一个或多个对象406，例如对象104。在说明性示例中，遮挡区域404可包括被障碍物408(例如，停放的汽车)阻挡的道路410的一部分。在其他示例中，遮挡区域404可包括在其中一个或多个对象406的视野可能被遮挡的人行道、通道、自行车道或其他区域。
[0100]
在各种示例中，车辆计算系统可识别遮挡区域404的前边界412和后边界414。前边界412可包括遮挡区域404的最前端线，车辆计算系统可被配置为检测在最前端线之前的对象406。后边界414可包括遮挡区域404的最远尾部线，车辆计算系统可配置为检测在最远尾部线之后的对象406。在各种示例中，车辆计算系统可被配置为识别一个或多个被遮挡的道路区域416。被遮挡的道路区域416可以从前边界延伸到后边界414。在示例性示例中，若干个被遮挡的道路区域416各自与路段410的各个车道相关联。在其他示例中，被遮挡的道路区域416可包括被障碍物408阻挡的路段410(例如，被阻挡的道路的可行驶表面，一个被遮挡的道路区域416覆盖遮挡区域404)。
[0101]
在各种示例中，车辆计算系统可被配置为确定与路段410相关联的标识符418。标识符418可以表示与车辆计算设备在环境400中操作所使用的道路网络的一部分相关联的唯一标识符。道路网络的这些部分可以是预定义的，例如存储在车辆计算设备上的地图数据、和/或可通过远程计算设备访问的地图数据。
[0102]
在各种示例中，车辆计算系统可被配置为确定对象406可在遮挡区域404中行进的概率。在一些示例中，该概率可以基于标识符418和与之相关联的先前记录的传感器数据。在一些示例中，该概率可以基于一天中的某个时间、一周中的某一天、一年中的某个月等。在至少一个示例中，可利用机器学习技术来确定该概率。在这样的示例中，可以利用在不同时间采集的先前记录的传感器数据，来训练一个或多个机器学习模型，以确定对象406可能正在遮挡区域404中操作的概率。在各种示例中，车辆计算系统可配置为根据于2018年9月28日提交的标题为“雷达空间估计”的美国专利申请号16/147177，以及于2018年6月18日提交的标题为“遮挡感知规划”的美国专利申请号16/011436中描述的技术，来确定对象406可能在遮挡区域404中操作的概率，这两件美国专利申请均通过引用并入本文。
[0103]
在各种示例中，基于对象406可能正在遮挡区域404中操作的概率，车辆计算系统可以确定预测对象420很可能正在遮挡区域404中操作(例如，可以生成预测对象420，在行
动确定中包括与预测对象相关联的数据)。在各种示例中，车辆计算系统可基于确定对象406可能在遮挡区域404中行进的概率高于阈值概率(例如，》20％、》30％、》50％等)来生成预测对象420。在说明性示例中，车辆计算系统可确定概率高于阈值概率，并可生成在路段410的右车道中的预测对象420。
[0104]
此外，基于概率高于阈值的确定，车辆计算系统可确定一个或多个预测对象轨迹422。如上所述，预测对象轨迹422可包括预测对象420可响应于车辆402采取的行动而行进的路径和/或速度。可利用机器学习算法和/或用于确定本文所述对象轨迹的其他技术来确定预测对象轨迹422，使用与标识符418(例如，路段410)相关联的先前记录的传感器数据来训练机器学习算法。在各种示例中，车辆计算系统可确定与车辆402从初始位置424可采取的每个行动相关联的预测对象轨迹422。
[0105]
在各种示例中，车辆计算系统可基于预测对象轨迹422和/或与环境400中检测的对象406相关联的轨迹来计算与每个行动相关联的成本。在此类示例中，车辆计算设备可确定与预测对象420和/或检测的对象406相关联的安全成本、舒适性成本、进度成本和/或操作规则成本。在一些示例中，可将检测的对象406视为相对于预测对象420的次要对象，例如次要对象304(2)。在此类示例中，可使用上文关于图3所述的次要对象成本确定技术来确定与之相关联的成本。
[0106]
在各种示例中，车辆计算设备可基于与预测对象420、检测对象406和/或车辆402相关联的成本(例如，安全成本、舒适性成本、进度成本、操作规则成本等)，确定与每个行动相关联的总成本。在至少一个示例中，车辆计算系统可选择成本最低的行动供车辆采取。在一些示例中，车辆计算设备可使车辆根据该行动受到控制。
[0107]
图5是环境500中的车辆502的图示，例如环境100中的车辆102，其中，示例的基于成本的路径确定系统可被配置为基于确定具有优先通行权的对象506的路径504被阻断，来确定要采取的行动。在说明性示例中，对象506的路径504被行人508阻挡。在其他示例中，对象506的路径504可被任意数量的其他原因阻挡，例如施工区、事故、前面经过的自行车手等。如本文所述，路径504的阻挡可导致与具有基本零速度的对象506相关联的预测对象轨迹。
[0108]
在各种示例中，车辆502可以基于由车辆502的传感器和/或一个或多个远程传感器采集的传感器数据来检测环境500中的对象506，例如对象104。在一些示例中，车辆计算系统可以例如基于与环境500和/或交叉路口510相关联的道路规则来确定对象506具有优先通行权。例如，车辆计算系统可确定对象506在车辆502之前到达交叉路口510，具有四向停车标志的交叉路口，因此给予对象506以优先通行权。再例如，交叉路口可包括双向停车标志，其中要求车辆502停车，但是不要求对象506停车，因此给予对象506以优先通行权。
[0109]
在说明性示例中，车辆计算系统可检测到阻挡对象506的路径504的行人508，例如基于传感器数据。在一些示例中，行人508可包括由车辆计算系统分类为行人的第二对象。在各种示例中，车辆计算系统可基于传感器数据确定与行人508相关联的一个或多个轨迹512。在各种示例中，轨迹512可以基于各种因素来确定，例如行人508的分类、与该分类相关联的最大速度、恒定的动态运动(例如恒定的速度、行进方向等)等。在各种示例中，可利用环境500的自上而下表示(top-down representation)、热图、时序逻辑公式、树形搜索方法、机器学习技术和/或用于预测对象506和/或行人508在环境中移动的任何其他技术来确
定轨迹512，如本文所包含的美国专利申请中所述。在一些示例中，车辆计算系统可基于行人508的分类来确定轨迹512。在这样的示例中，轨迹512可以基于行人508的平均速度、行人508的最大速度等。在一些示例中，可基于行人508的一个或多个特征来确定轨迹512。这些特征可以包括肢体位置、衣服、鞋类等。例如，与穿着商务服的行人508相关联的轨迹512可以是2英里/小时，而与穿着跑步服的行人508相关联的轨迹512可以是4英里/小时(尽管这里可以使用任何值)。
[0110]
在各种示例中，基于轨迹512，车辆计算系统可确定与路径504阻挡相关联的时间延迟(例如，对象时间延迟)。对象时间延迟可包括行人横穿过路径504、横穿过与对象506相关联的车道和/或横穿过与对象506相关联的道路所需的时间。在各种示例中，车辆计算系统可部分基于对象时间延迟来确定在交叉路口510处要采取的一个或多个行动。例如，车辆计算系统可确定，车辆502可保持在初始位置514(第一行动)以等待对象506横穿过去，可在对象506前方以第一加速度加速(第二行动)，并可在对象506前方以第二加速度加速(第三行动)。
[0111]
在各种示例中，车辆计算系统可基于一个或多个因素计算与一个或多个行动的每个行动相关联的成本。如上所述，一个或多个因素可能包括安全性、舒适性、进度和/或操作规则。在说明性示例中，车辆计算系统可以确定，至少与安全性和操作规则相关联的对象506和车辆502的成本、以及与舒适性相关联的对象506的成本对于每个行动可能相同。因此，车辆计算系统可确定与对象506的进度和/或车辆502的舒适性和进度相关联的成本。
[0112]
在各种示例中，可基于对象时间延迟(例如，由于行人508导致的对象506移动的延迟)来确定与对象506相关联的进度成本。在一些示例中，车辆计算系统可确定加速通过交叉路口510并离开对象506的路径504所需的时间。在此类示例中，进度成本可与在对象506前面经过所需的时间与对象时间延迟之间的差值相关联。该差值可以表示基于车辆502行动的对象506向前运动的额外延迟。例如，具有加速度的行动可能使对象额外延迟1秒，导致对象506的进度成本为1。再例如，具有加速度的行动可能不会使对象506有额外延迟，从而导致与该行动相关联的对象506进度成本为0。
[0113]
如上所述，车辆502的舒适性成本和/或进度成本可基于从初始位置514的加速度。例如，车辆计算系统可确定与具有第一加速度的行动相关联的舒适性成本为1，进度成本为1，与具有第二加速度的第二行动相关联的第二舒适性成本为2，进度成本为1，第一加速度比第二加速度慢(例如，更舒适)。
[0114]
在各种示例中，车辆计算系统可基于一个或多个行动的每个行动的各自总成本(例如，与一个或多个因素相关联的确定成本)来确定要采取的行动。在各种示例中，车辆计算系统可以使车辆基于该行动来受控制。
[0115]
图6示出了环境600中的车辆602，例如环境100中的车辆102，其被配置为至少部分基于行动奖励来确定要采取的行动604。在各种示例中，行动奖励可以包括与行动处罚相反的结果(例如，成本增加)。在此类示例中，行动奖励可导致与行动604相关联的成本的降低。
[0116]
在一些示例中，车辆计算系统可检测环境600中的一个或多个对象606。车辆计算系统可基于从一个或多个传感器接收的传感器数据来检测对象606。在一些示例中，传感器可包括安装在车辆602上的传感器，例如照相机、运动检测器、激光雷达、无线电探测雷达等。在一些示例中，传感器可包括一个或多个远程传感器。如图6所示，车辆计算设备可检测
车辆602后面的对象606(1)，并可确定对象606(1)打算在交叉路口608处右转(例如，沿着对象路径614)，例如基于指示器610(例如，转向指示器、方向灯等)。
[0117]
在各种示例中，车辆计算系统可被配置为基于环境600和/或检测到的对象606确定要采取的一个或多个行动604。例如，接近带有停车标志612的交叉路口608的车辆602可能被要求减速至停车(基于环境600的决策)。车辆计算设备可确定车辆602可执行第一行动604(1)(包括保持在车道中的位置)，或第二行动604(2)(包括调整在车道中的位置(基于对象的决策)，同时减速至停车))。在说明性示例中，车辆计算设备可部分基于对相邻车道中检测到第二对象606(2)，来确定车道向左改变不是可行的选项。在相邻车道未被占用的其他示例中，车辆计算设备可确定车道改变可能是可行的选项。
[0118]
如上所述，车辆计算系统可基于一个或多个因素(例如，安全性、舒适性、进度、操作规则等)确定与每个行动604相关联的成本。在各种示例中，车辆计算设备可以确定，第二行动604(2)可以为对象606(1)在车道中提供足够的空间，以便在车辆602的右侧操作，从而减少对象606(1)到达与之相关的目的地所需的时间。在一些示例中，车辆计算设备可评估针对行动604(2)的进度奖励(例如，行动奖励)。在一些示例中，进度奖励可以被应用作为负成本。在此类示例中，进度奖励可导致行动604(2)的总成本的降低。车辆计算设备可基于确定行动604具有与之相关联的最低成本，来确定要采取的行动。例如，第一行动604(1)和第二行动604(2)可以具有基本相同的安全性、舒适性和/或操作规则成本。因此，由进度奖励导致的总成本的降低可导致第二行动604(2)具有与之相关联的较低成本。因此，车辆计算系统可以选择第二行动604(2)作为车辆要采取的行动604。
[0119]
在各种示例中，车辆计算系统可确定，对于行动604(1)和604(2)，安全性、舒适性和/或操作规则因素是基本相同的。在此类示例中，车辆计算系统可以不计算与安全性、舒适性和/或操作规则因素相关联的成本，而是将行动604的确定聚焦于是否将行动奖励应用于行动。因此，车辆计算系统对于行动604(2)的确定，可以基于由于调整了位置以为对象606(1)提供根据对象路径614更快前进通过交叉路口608的能力的礼貌行为、而应用于行动604(2)的行动奖励。
[0120]
图7是用于实现本文所述技术的示例系统700的框图。在至少一个示例中，系统700可以包括车辆702，例如车辆102。
[0121]
车辆702可包括一个或多个车辆计算设备704、一个或多个传感器系统706、一个或多个发射器708、一个或多个通信连接710、至少一个直接连接712和一个或多个驱动系统714。
[0122]
车辆计算设备704可以包括一个或多个处理器716和与一个或多个处理器716通信耦合的存储器718。在所示出的示例中，车辆702是自主车辆；但是，车辆702可以是任何其他类型的车辆，例如半自主车辆，或者至少具有图像捕获设备(例如，支持照相机功能的智能手机)的任何其他系统。在所示的示例中，车辆计算设备704的存储器718存储定位组件720、感知组件722、包括行动成本组件730和预测组件732的规划组件724、一个或多个系统控制器726以及一个或多个地图728。尽管出于说明目的在图7中被描绘为驻留在存储器718中，但是可以预期定位组件720、感知组件722、规划组件724、一个或多个系统控制器726、一个或多个地图728、行动成本组件730和预测组件732可以附加地或替代地可供车辆702访问(例如，存储在远离车辆702的存储器上，或可以其他方式访问存储器，例如，存储在一个或
多个计算设备736的存储器734上)。例如，存储器734可存储可由车辆702的规划组件724访问的行动成本组件738。
[0123]
在至少一个示例中，定位组件720可包括从传感器系统706接收数据以确定车辆702的位置和/或方位(例如，x、y、z位置、翻转、俯仰或偏航中的一个或多个)的功能。例如，定位组件720可以包括和/或请求/接收环境的地图，例如来自地图728，并且可以在地图内连续确定自主车辆的位置和/或方位。在一些实例中，定位组件720可利用slam(同时定位和映射)、clams(同时校准、定位和映射)、相对slam、束调整、非线性最小二乘优化等，来接收图像数据、激光雷达数据、雷达数据、imu数据、gps数据、轮式编码器数据等，以准确地确定自主车辆的位置。在一些实例中，定位组件720可向车辆702的各种组件提供数据，以确定自主车辆的初始位置，用于确定对象与车辆702的相关性，如本文所述。
[0124]
在一些示例中，感知组件722可包括执行对象检测、分割和/或分类的功能。在一些示例中，感知组件722可提供经处理的传感器数据，该传感器数据指示接近车辆702的对象(例如实体)的存在和/或该对象的分类的对象类型(例如，汽车、行人、骑自行车者、动物、建筑物、树木、路面、路缘、人行道、未知等)。在一些示例中，感知组件722可提供经处理的传感器数据，该传感器数据指示靠近车辆702的静态实体的存在和/或静态实体的分类的类型(例如，建筑物、树木、路面、路缘、人行道、未知等)。在附加或替代示例中，感知组件722可提供经处理的传感器数据，该传感器数据指示与检测对象(例如，跟踪对象)和/或对象所在环境相关联的一个或多个特征。在一些示例中，与对象相关联的特征可包括但不限于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)、方位(例如，翻转、俯仰、偏航)、对象类型(例如，分类)、对象的速度、对象的加速度、对象的范围(尺寸)等。与环境相关联的特征可能包括但不限于环境中另一对象的存在、环境中另一对象的状态、一天中的某个时间、一周中的某一天、季节、天气状况、黑暗/光线的指示等。
[0125]
一般来说，规划组件724可以确定车辆702在穿越环境所要沿着的路径。例如，规划组件724可以确定各种路线和车辆轨迹以及各种水平的细节。例如，规划组件724可以确定从第一位置(例如，当前位置)行进到第二位置(例如，目标位置)的路线。为了讨论起见，路线可能包括用于在两个位置之间行进的一系列路径点。作为非限制性示例，路径点包括街道、交叉路口、全球定位系统(gps)坐标等。此外，规划组件724可生成用于将自主车辆沿着该路线的至少一部分从第一位置引导到第二位置的指令。在至少一个示例中，规划组件724可确定如何将自主车辆从路径点序列中的第一路径点引导到路径点序列中的第二路径点。在一些示例中，指令可能是车辆轨迹或轨迹的一部分。在一些示例中，可根据移动时域技术基本上同时生成多条轨迹(例如，在技术容差范围内)，其中选择多条轨迹中的一条供车辆702导航。
[0126]
在各种示例中，路线可包括规划组件724基于行动成本从一个或多个行动中选择的行动，如本文所述。在这样的示例中，规划组件724可以包括行动成本组件730，行动成本组件730被配置为确定适用于环境的一个或多个行动。该行动可包括车辆702可执行的参考行动和子行动。在一些示例中，行动成本组件730可以接收与一个或多个行动的每个行动相关联的一个或多个预测对象轨迹。例如，预测组件732可以基于对象对执行行动的车辆702的预测反应，针对在距离车辆702的阈值距离内的对象生成一个或多个预测轨迹。在一些示例中，预测组件732可以测量对象的轨迹，并基于观察到的和预测的行为生成对象的轨迹。
在一些示例中，预测组件732可利用机器学习技术、环境的自上而下表示、热图、时序逻辑公式和/或树形搜索方法中的一种或多种，如通过引用并入本文的美国专利申请中所述，以确定预测对象轨迹。
[0127]
在各种示例中，行动成本组件730可基于一个或多个因素(例如安全性、舒适性、进度和/或操作规则)确定与每个行动相关联的成本。在一些示例中，成本可与对象相关联，例如基于与该行动相关联的预测对象轨迹和/或与车辆相关联的成本。在各种示例中，规划组件724可以基于与每个行动相关联的成本来确定要采取的行动。例如，规划组件724可选择与最低总体成本相关联的行动，并可使车辆702执行该行动。
[0128]
在各种示例中，存储在计算设备736上的行动成本组件738可被配置为执行与行动成本组件730类似的功能(例如，确定车辆702可能采取的一个或多个行动，计算与每个行动相关联的成本，等)。在一些示例中，行动成本组件738可以从预测组件732接收一个或多个预测对象轨迹。在一些示例中，行动成本组件可以从传感器系统706和/或感知组件722接收传感器数据(例如，原始的和/或经处理的传感器数据)。在这样的示例中，行动成本组件738可被配置为基于一个或多个行动，利用用于确定本文所述的预测对象轨迹的任何技术来确定一个或多个预测的对象轨迹。行动成本组件738可利用预测的对象轨迹(例如，接收的和/或确定的)来确定与每个行动相关联的成本。在一些示例中，行动成本组件738可将与每个行动相关联的成本发送到车辆计算设备704。在一些示例中，行动成本组件738可将与最低成本行动相关联的成本发送到车辆计算设备704。
[0129]
在至少一个示例中，车辆计算设备704可包括一个或多个系统控制器726，其可配置为控制车辆702的转向、推进、制动、安全、发射器、通信和其他系统。系统控制器726可以与车辆702的驱动系统714和/或其他部件的相应系统进行通信和/或控制这些系统。
[0130]
存储器718还可以包括一个或多个地图728，车辆702可以使用这些地图在环境中导航。为了便于在此讨论，地图可以是以二维、三维或n维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，例如但不限于拓扑结构(例如交叉路口)、街道、山脉、道路、地形和总的环境。在一些实例中，地图可包括但不限于：纹理信息(例如，颜色信息(例如，rgb颜色信息、lab颜色信息、hsv/hsl颜色信息)等)、强度信息(例如，激光雷达信息、雷达信息等)；空间信息(例如，投影到网格上的图像数据、单个“面元”(例如，与单个颜色和/或强度相关联的多边形))、反射率信息(例如，镜面反射度信息、逆反射率信息、brdf信息、bssrdf信息等)。在一个示例中，地图可以包括环境的三维网格。在一些示例中，可以至少部分地基于地图728来控制车辆702。也就是说，地图728可结合定位组件720、感知组件722和/或规划组件724来使用，以确定车辆702的定位、检测环境中的对象、生成路线、确定在环境中导航的行动和/或轨迹。
[0131]
在一些示例中，一个或多个地图728可存储在可经由一个或多个网络740访问的远程计算设备(例如计算设备736)上。在一些示例中，可以基于例如特征(例如，实体类型、一天中的时间、一周中的天、一年中的季节等)来存储多个地图728。存储多个地图728可能具有类似的存储器需求，但会提高访问地图中数据的速度。
[0132]
可以理解,本文讨论的组件(例如，定位组件720、感知组件722、包括行动成本组件730和预测组件732的规划组件724、一个或多个系统控制器726、一个或多个地图728)被描述为被划分而用于说明目的。然而，各种组件执行的操作可以被组合在任何其他组件中或
在任何其他组件中执行。
[0133]
在一些实例中，本文讨论的一些或所有组件的方面可包括任何模型、技术和/或机器学习技术。例如，在一些实例中，存储器718(和存储器734，下文讨论)中的组件可以被实现为神经网络。
[0134]
如本文所述，示例性神经网络是一种仿生技术，其传递输入数据通过一系列连接层以产生输出。神经网络中的每一层还可以包括另一个神经网络，或者可以包括任意数量的层(无论是否卷积)。如可在本公开的上下文中理解的，神经网络可利用机器学习，机器学习可指其中基于学习参数生成输出的这种技术的广泛类别。
[0135]
尽管在神经网络的背景下进行了讨论，但可以使用符合本公开的任何类型的机器学习。例如，机器学习技术可包括但不限于回归技术(例如，普通最小二乘回归(olsr)、线性回归、逻辑回归、逐步回归、多元自适应回归样条(mars)、本地散点平滑估计(loess))、基于实例的技术(如岭回归、最小绝对收缩和选择算子(lasso)、弹性网、最小角度回归(lars))、决策树技术(如分类和回归树(cart)、迭代二分法3(id3)、卡方自动交互检测(chaid)、决策树桩、条件决策树)、贝叶斯技术(如朴素贝叶斯、高斯朴素贝叶斯、多项式朴素贝叶斯、平均单依赖估计量(aode)、贝叶斯信念网络(bnn)、贝叶斯网络)、聚类技术(如k-均值、k-中值、期望最大化(em)、层次聚类)、关联规则学习技术(例如，感知器、反向传播、霍普菲尔德网络、径向基函数网络(rbfn))、深度学习技术(例如，深度玻尔兹曼机器(dbm)、深度信念网络(dbn)、卷积神经网络(cnn)、堆叠式自动编码器)、降低维度技术(例如，主成分分析(pca)、主成分回归(pcr)、偏最小二乘回归(plsr)、萨蒙映射、多维标度(mds)、预测寻踪、线性判别分析(lda)、混合判别分析(mda)、二次判别分析(qda)，灵活判别分析(fda))、集成技术(例如，推进、引导聚合(打包)、adaboost、叠加泛化(混合)、梯度推进机(gbm)、梯度提升回归树(gbrt)、随机森林)、svm(支持向量机)、监督学习、无监督学习、半监督学习等。附加的体系结构的示例包括诸如resnet50、resnetl0l、vgg、densenet、pointnet等神经网络。
[0136]
在至少一个示例中，传感器系统706可包括激光雷达传感器、无线电探测(雷达)传感器、超声波换能器、声纳传感器、定位传感器(例如，gps、指南针等)、惯性传感器(例如，惯性测量单元(imu)、加速计、磁强计、陀螺仪等)、相机(例如，rgb、ir、强度、深度、飞行时间等相机)、麦克风、轮式编码器、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。传感器系统706可包括这些或其他类型的传感器中每一个的多个实例。例如，激光雷达传感器可包括位于车辆702的拐角、前部、后部、侧面和/或顶部的各个激光雷达传感器。作为另一示例，相机传感器可包括布置在车辆702外部和/或内部的不同位置处的多个相机。传感器系统706可向车辆计算设备704提供输入。另外或在替代方案中，传感器系统706可以特定频率、在预定时间段之后、接近实时等方式经由一个或多个网络740向一个或多个计算设备736发送传感器数据。
[0137]
车辆702还可包括用于发射光和/或声音的一个或多个发射器708。发射器708可以包括与车辆702的乘客通信的内部音频和视觉发射器。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)、机械致动器(例如，座位安全带张紧器、座椅定位器、头枕定位器等)等。发射器708还可以包括外部发射器。作为示例而非限制，外部发射器可包括用于发信号通知行驶方向的灯或车辆行动的其他指示器(例如，指示灯、标志、光阵列等)，以及一个或多个音频发射器(例如，扬声器、扬声
器阵列、喇叭等)，用于与行人或其他附近的车辆以可听见的方式通信，其中一种或多种音频发射器包括声束控制技术。
[0138]
车辆702还可以包括一个或多个通信连接710，其能够实现车辆702与一个或多个其他本地或远程计算设备之间的通信。例如，通信连接710可以有利于与车辆702和/或驱动系统714上的其他本地计算设备的通信。而且，通信连接710可以允许车辆与其他附近的计算设备(例如，计算设备736、其他附近的车辆等)进行通信，和/或与一个或多个远程传感器系统742进行通信以接收传感器数据。
[0139]
通信连接710可以包括用于将车辆计算设备704连接到另一计算设备或网络(例如网络740)的物理和/或逻辑接口。例如，通信连接710可以支持基于wi-fi的通信(例如经由ieee 802.11标准定义的频率)、短距离无线频率(例如蓝牙)、蜂窝通信(例如，2g、3g、4g、4g lte、5g等)或任何适当的有线或无线通信协议，其使得相应的计算设备能够与其他计算设备相连接。
[0140]
在至少一个示例中，车辆702可包括一个或多个驱动系统714。在一些示例中，车辆702可具有单个驱动系统714。在至少一个示例中，如果车辆702具有多个驱动系统714，则各个驱动系统714可位于车辆702的相对端(例如，前端和后端等)。在至少一个示例中，驱动系统714可包括一个或多个传感器系统，用于检测驱动系统714的状况和/或车辆702的周围环境。作为示例而非限制，传感器系统可包括一个或多个用于感测驱动系统的轮组旋转的轮式编码器(例如，旋转编码器)、用于测量驱动模块的方位和加速度的惯性传感器(例如，惯性测量单元、加速度计、陀螺仪、磁强计等)、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环境中的对象的超声波传感器、激光雷达传感器、雷达传感器等。一些传感器(如轮式编码器)可以是驱动系统714所独有的。在某些情况下，驱动系统714上的传感器系统可以重叠或补充车辆702的相应系统(例如，传感器系统706)。
[0141]
驱动系统714可包括许多车辆系统，包括高压蓄电池、用于推进车辆的马达、将蓄电池的直流电转换为交流电以供其他车辆系统使用的逆变器、包括转向马达和转向齿条(可为电动)的转向系统，包括液压或电动致动器的制动系统、包括液压和/或气动部件的悬架系统、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、灯光(例如，用于照亮车辆外部环境的头灯/尾灯等灯光)、和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、其他电气部件，如dc/dc转换器、高电压接头、高电压缆线、充电系统、充电端口等)。此外，驱动系统714可包括驱动模块控制器，其可接收和预处理来自传感器系统的数据，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、以及与一个或多个处理器通信耦合的存储器。存储器可存储一个或多个系统以执行驱动系统714的各种功能。此外，驱动系统714还可以包括一个或多个通信连接，其使得相应的驱动模块能够与一个或多个其他本地或远程计算设备进行通信。
[0142]
在至少一个示例中，直接连接712可提供物理接口，以将一个或多个驱动系统714与车辆702的车身耦合。例如，直接连接712可允许在驱动系统714和车辆之间传输能量、流体、空气、数据等。在一些情况下，直接连接712可进一步以可释放的方式将驱动系统714固定到车辆702的车身上。
[0143]
在至少一个示例中，定位组件720、感知组件722、规划组件724、一个或多个系统控制器726、一个或多个地图728、行动成本组件730和预测组件732可如上所述处理数据(例
如，传感器数据)，并可通过一个或多个网络740发送其各自的输出到计算设备736。在至少一个示例中，定位组件720、感知组件722、规划组件724、一个或多个系统控制器726、一个或多个地图728、行动成本组件730和预测组件732可以按特定的频率、在经过预定的时间段之后、以近乎实时等方式向计算设备736发送其各自的输出。
[0144]
在一些示例中，车辆702可经由网络740向计算设备736发送传感器数据。在一些示例中，车辆702可经由网络740从计算设备736和/或远程传感器系统742接收传感器数据。传感器数据可包括原始传感器数据和/或经处理的传感器数据和/或传感器数据的表示。在一些示例中，传感器数据(原始的或经处理的)可以作为一个或多个日志文件被发送和/或接收。
[0145]
计算设备736可以包括一个或多个处理器744、以及存储行动成本组件738和传感器数据处理组件746的存储器734。在各种示例中，传感器数据处理组件746可被配置为从一个或多个远程传感器(例如，传感器系统706和/或远程传感器系统742)接收数据。在一些示例中，传感器数据处理组件746可被配置为处理数据并将处理后的数据发送到行动成本组件738，以确定与车辆702的潜在或候选行动相关联的成本。在一些示例中，传感器数据处理组件746可被配置为处理数据并将处理后的传感器数据发送到车辆计算设备704，例如供行动成本组件730和/或预测组件732使用。在一些示例中，传感器数据处理组件746可被配置为向车辆计算设备704发送原始的传感器数据。
[0146]
车辆702的处理器716和计算设备736的处理器744可以是能够执行指令以按本文所述处理数据和执行操作的任何合适的处理器。作为示例而非限制，处理器716和744可包括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存储在寄存器和/或存储器中的其他电子数据的任何其他器件或器件的任何一部分。在一些示例中，集成电路(例如asic等)、门阵列(例如fpga等)和其他硬件器件也可以被视为处理器，只要它们被配置为实施编码指令。
[0147]
存储器718和734是非暂时性计算机可读介质的示例。存储器718和734可存储操作系统和一个或多个软件应用、指令、程序和/或数据，以实现本文所述的方法和归因于各种系统的功能。在各种实现中，存储器可以使用任何合适的存储器技术来实现，例如静态随机存取存储器(sram)、同步动态ram(sdram)、非易失性/闪存型存储器、或者能够存储信息的任何其他类型的存储器。本文描述的架构、系统和各个元件可以包括许多其他逻辑的、程序化的和物理的组件，附图中所示的那些组件仅仅是与本文讨论相关的示例。
[0148]
在一些实例中，存储器718和734可至少包括工作存储器和储存存储器。例如，工作存储器可以是用于存储要由处理器716和744操作的数据的有限容量的高速存储器(例如，高速缓存)。在一些实例中，存储器718和734可以包括储存存储器，该储存存储器可以是用于长期存储数据的较大容量的低速存储器。在一些情况下，处理器716和744不能直接对存储在储存存储器中的数据进行操作，并且可能需要将数据加载到工作存储器中，以基于该数据执行操作，如本文所述。
[0149]
应当注意，尽管图7被示为分布式系统，但在替代示例中，车辆702的组件可以与计算设备736相关联，和/或计算设备736的组件可以与车辆702相关联。也就是说，车辆702可以执行与计算设备736相关联的一个或多个功能，反之亦然。
[0150]
图8-图10示出了根据本发明实施例的示例过程。这些过程被示为逻辑流程图，其
中每个操作表示可以硬件、软件或其组合来实现的操作序列。在软件的背景下，这些操作表示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，当由一个或多个处理器执行指令时执行所述操作。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、目标、组件、数据结构等。描述这些操作的顺序并非旨在被解释为限制，并且任何数量的所述操作可以按任何顺序组合和/或并行地组合，以实现这些过程。
[0151]
图8描绘了示例过程800，其用于至少部分基于与行动相关联的成本，根据该行动来控制车辆。如本文所述，过程800的一些或全部可由图7中的一个或多个组件执行。例如，过程800的一些或全部可由车辆计算设备704和/或计算设备736执行。
[0152]
在操作802，该过程可包括至少部分基于与车辆的传感器相关联的传感器数据来检测环境中的对象。传感器可包括相机、运动检测器、激光雷达、雷达、飞行时间传感器等。在一些示例中，车辆计算系统可从一个或多个远程传感器接收传感器数据，例如，安装在另一自主车辆上的传感器和/或安装在环境中的传感器。
[0153]
在各种示例中，车辆可配置为发送数据和/或从其他自主车辆和/或传感器接收数据。该数据可以包括传感器数据，例如关于在环境中检测到的对象的数据。在各种示例中，环境可包括用于交通监控、碰撞避免等的传感器。在各种示例中，车辆计算系统可接收传感器数据，并可确定对象的类型(例如，对对象类型进行分类)，例如，对象是否为轿车、卡车、公共汽车、半挂式卡车、摩托车、机动脚踏两用车、自行车骑手、行人等。
[0154]
在操作804，该过程可包括确定车辆(例如车辆102)可在环境中采取的行动。该行动可能与车辆穿过环境可能走的一条或多条潜在路径(例如，一条或多条车辆轨迹)相关联。该行动可包括一个或多个参考行动(例如，车辆被配置为响应动态操作环境而执行的一组操纵中的一个)，例如右车道变换、左车道变换、保持在车道上、绕过障碍物(例如，并排停放的车辆、交通锥标等)等。该行动还可包括一个或多个子行动，例如速度变化(例如，保持速度、加速、减速等)、位置变化(例如，改变在车道中的位置)等。例如，行动可能包括保持在车道中(参考行动)和将车辆在车道上的位置从居中的位置调整为在该车道的左侧行驶(子行动)。
[0155]
在操作806，该过程可包括至少部分基于行动来确定与对象相关联的对象轨迹(例如，预测轨迹)。可基于传感器数据确定对象轨迹。对象轨迹可以表示检测到的对象可能行进穿过环境的潜在路径。对象轨迹可基于对象对车辆行动的预测反应(例如，主动预测)。例如，行动可能包括车辆加速进入交叉路口，在该交叉路口中，另一辆车辆正从右侧接近并拥有优先通行权。车辆计算系统可确定，另一车辆的预测轨迹可包括快速的负加速度(减速)，以避免与该车辆碰撞。在各种示例中，可利用环境的自上而下表示、热图、时序逻辑公式、树形搜索方法、机器学习技术或用于确定与环境中的对象相关联的主动预测的其他手段来确定对象轨迹，如通过引用并入本文的美国专利申请中所述。在此类示例中，传感器数据、传感器数据的表示(例如，边界框、范围等)、地图、道路网络信息、以及与行动相关联的路径(所有这些可以包括一段时间内的数据序列)中的一个或多个可以被输入到机器学习模型中，机器学习模型被训练成输出所选对象的预测轨迹。在一些示例中，此类成本可相对于在不存在车辆的情况下(例如，如果车辆不存在，对象将会做什么)对象的预测轨迹的基线成本来进行计算。
[0156]
在操作808，该过程可包括至少部分基于对象轨迹来确定与行动相关联的成本。成
本可能部分基于行动对在有车辆的环境中运行的对象(例如，另一辆车、骑自行车的人、行人等)的影响。如上所述，成本可以基于一个或多个因素。这些因素可能包括安全性(例如，碰撞概率、与其他对象的距离等)、舒适性(例如，没有急剧的移动、加速)、进度(例如，向目的地移动、延迟等)、操作规则(例如，道路规则、法律、法规、规章等)等，尽管预期到任何数量的其它考虑。这些因素可能归因于车辆和/或对象。例如，行动可能会导致车辆和对象在进度上的延迟，例如由于车辆和物体减速慢行。
[0157]
在各种示例中，车辆计算系统可基于与车辆和/或对象的未来状态(例如，估计状态)相关联的成本(例如，基于相应的轨迹)来确定成本。在此类示例中，车辆计算系统可通过将车辆和对象在环境中向前预计一段时间(例如，6秒、8秒、16秒等)来确定估计状态。车辆计算系统可基于对象轨迹对对象进行向前预计(例如，估计对象的未来位置)。车辆计算系统可基于与行动相关联的一个或多个车辆轨迹对车辆进行向前预计(例如，估计车辆的未来位置)。估计状态可以表示在未来的时间该车辆的估计位置(例如，估计定位)、和该对象的估计位置。在各种示例中，车辆计算系统可在整个时间段内以预定速率(例如，10赫兹、20赫兹、50赫兹等)确定估计状态。在至少一个示例中，可以10赫兹的速率(例如，每0.1秒)执行估计状态。
[0158]
在各种示例中，车辆计算系统可确定与每个估计状态相关联的成本，例如基于车辆和对象相对于彼此的估计位置。在一些示例中，车辆计算系统可分析每个估计状态，并基于一个或多个因素将成本值应用于估计状态。在这样的示例中，估计状态的成本可以包括与每个因素相关联的成本的总和。在各种示例中，行动的成本可以包括与每个估计状态相关联的成本中每个成本的总和。
[0159]
在操作810处，该过程可包括将与该行动相关联的成本和与车辆可采取的其他行动相关联的成本进行比较(例如，可针对上述行动以类似方式计算)。在各种示例中，车辆计算系统可将行动的总成本(例如，与每个估计状态相关联的成本的总和)与和其他行动相关联的成本进行比较。在一些示例中，车辆计算设备可将与因素和/或车辆和/或对象相关联的行动的总成本(例如，安全成本、对象舒适性成本等)和与其他行动相关联的对应成本进行比较。例如，车辆计算设备可将与第一行动相关联的第一总安全成本与和第二行动相关联的第二总安全成本进行比较。在至少一些示例中，可以将与特定时间步相关联的单个和与附加行动相关联的类似瞬时成本进行比较。
[0160]
在操作812，该过程可包括确定与该行动相关联的成本是否是相对于其他行动的最低成本。在各种示例中，车辆计算系统可确定与行动相关联的总成本是否为最低成本。在一些示例中，车辆计算系统可确定与因素相关联的总成本(例如，安全成本、对象舒适性成本等)是最低成本行动。
[0161]
基于确定成本是最低成本行动(在操作812中为“是”)，该过程在操作814中，该过程可包括至少部分基于该行动使车辆受到控制。在各种示例中，基于该行动控制车辆可包括使车辆沿着与该行动相关联的一条或多条轨迹行进。
[0162]
基于确定该成本不是最低成本行动(在操作812为“否”)，该过程在操作816使车辆至少部分基于另一行动来受到控制。其他行动可能包括成本低于该行动的另一行动。其他行动可能具有与之相关的一个或多个其他车辆轨迹。
[0163]
图9描绘了示例过程900，其用于描述至少部分基于与行动相关联的安全成本、来
根据该行动控制车辆的示例过程。如本文所述，过程900的一部分或全部可由图7中的一个或多个组件执行。例如，过程900的一部分或全部可由车辆计算设备704执行。
[0164]
在操作902，该过程可包括确定车辆在环境中可采取的行动。该行动可能代表车辆可能采取的穿过环境的一条或多条潜在路径(例如，一条或多条车辆轨迹)。该行动可包括一个或多个参考行动(例如，车辆被配置为响应动态操作环境而执行的一组操纵中的一个)，例如右车道变换、左车道变换、保持在车道中、绕过障碍物(例如，并排停放的车辆、交通锥标等)等。该行动还可包括一个或多个子行动，例如速度变化(例如，保持速度、加速、减速等)、位置变化(例如，改变在车道中的位置)等。例如，行动可能包括保持在车道中(参考行动)、和将车辆在车道上的位置从居中的位置调整为在该车道的左侧操作(子行动)。这种行动可以是多个行动中的一个，在一些示例中可以基本上同时对多个行动进行评估，车辆可以在任何时刻执行。
[0165]
在操作904处，该过程可包括至少部分基于该行动(例如，指示对象在未来不同时间可继续进行的位置的预测对象轨迹)来确定与在环境中操作的对象相关联的对象轨迹。可基于传感器数据确定对象轨迹。对象轨迹可以表示被检测到的对象可能行进穿过环境的潜在路径。对象轨迹可基于对象对车辆行动的预测反应(例如，主动预测)。例如，行动可能包括车辆加速进入交叉路口，在该交叉路口中，另一车辆正从右侧接近并拥有优先通行权。车辆计算系统可确定，其它车辆的预测轨迹可包括快速的负加速度(减速)，以避免与该车辆碰撞。在各种示例中，可利用环境的自上而下表示、热图、时序逻辑公式、树形搜索方法、机器学习技术或用于确定与环境中的对象相关联的主动预测的其他手段来确定对象轨迹，如通过引用并入本文的美国专利申请中所述。参照图8提供了其示例。
[0166]
在操作906，该过程可包括至少部分基于对象轨迹来确定与行动相关联的安全成本。在各种示例中，安全成本可包括车辆与对象之间发生碰撞的可能性(例如，碰撞概率)。基于车辆和对象之间的距离(例如，在5英尺、2米、0.5米等范围内)、交会轨迹(例如，对象的轨迹基本上和与行动相关联的车辆轨迹相交)、车辆和对象之间交会的速率(例如，2米/秒、10英尺/秒等)等，可以计算碰撞的可能性。在一些示例中，碰撞的可能性可基于与该距离和/或交会速率相关联的阈值。例如，与车辆相关联的估计状态和与对象相关联的估计位置之间的距离可以小于或等于阈值距离(例如，8英尺、3米等)。因此，车辆计算系统可确定车辆与对象之间存在碰撞的可能性。再例如，与车辆相关联的轨迹和与对象相关联的轨迹可以以等于或大于阈值交会速率(例如，6英尺/秒、2.5米/秒、1.5米/秒交会等)的速率交会。因此，车辆计算系统可确定车辆与对象之间存在碰撞的可能性。在一些示例中，碰撞的可能性或概率可基于实际的距离和/或交会速率低于或高于阈值的量。在此类示例中，碰撞概率可能会随着车辆和对象在估计状态中越接近(例如，如果彼此之间的距离在6英寸以内，则碰撞概率为95％)、和/或交会速率高于阈值(例如，交会速率为10米/秒，90％碰撞概率)的量而增加。在一些示例中，可利用机器学习技术确定碰撞概率。在这样的示例中，可以训练机器学习模型，以基于训练数据(其包括车辆和对象在环境中互动的场景)来确定碰撞概率。在一些示例中，可以基于交会速率来确定安全成本(例如，3英尺/秒＝3的安全成本，3英尺/秒＝9的安全成本，等)，尽管设想了此类参数的任何其他线性和/或非线性的组合。
[0167]
在各种示例中，安全成本可能基于碰撞概率。在一些示例中，如果碰撞概率大于指示可能发生碰撞的预定义阈值(例如，30％、50％等)，则成本可包括固定成本(例如，50、75、
90等)。在一些示例中，成本可能基于碰撞确定的概率。例如，车辆计算系统可确定在估计状态下的碰撞概率为95％，并且车辆计算系统可针对估计状态的安全因素评估成本为95，尽管如上所述设想了该概率的任何线性/非线性的函数(多项式、乘积等)。
[0168]
在各种示例中，车辆计算系统可通过将确定的安全成本(例如基于碰撞概率)增加2、3、4等因子、或将多项式函数(例如，二次、三次等)应用于确定的安全成本，来使安全的重要性高于其他因素。在此类示例中，车辆计算系统可用初始值评估安全成本，例如基于碰撞的可能性，并且可通过应用阶乘和/或多项式函数来增加安全成本。例如，车辆计算系统可将二次方程应用于安全成本，例如总安全成本＝(确定的安全成本)2。
[0169]
在操作908，该过程可包括确定安全成本是否高于阈值。可将阈值定义成确保车辆的安全操作。在各种示例中，该阈值可包括与安全因素相关联的预定义的最大成本。在一些示例中，可以动态地确定阈值安全成本，例如基于在环境中检测到的对象的数量、检测到的对象的分类、操作区域(例如，学校区域、施工区域、公路、商业区等)等。例如，车辆计算系统可针对在检测到有阈值数量的行人的区域内操作的车辆，将阈值安全成本设置为5，针对在高速公路上操作的车辆则将阈值安全成本设置为10。
[0170]
基于确定安全成本高于阈值(操作908中的“是”)，在操作910，该过程可包括车辆规划考虑中忽略该行动。在各种示例中，车辆计算系统可选择另一行动来用于控制车辆。
[0171]
基于确定安全成本不高于阈值(操作908中的“否”)，在操作912，该过程可包括基于一个或多个因素确定与行动相关联的总成本。如上所述，该因素可包括与车辆和/或对象相关的安全因素、舒适性因素、进度因素和/或操作规则因素。总成本可以包括各个因素的总成本(例如，安全成本、对象进度成本等)和/或包括每个因素的行动的总成本。
[0172]
在操作914处，该过程可包括将该行动包括在车辆规划考虑中。在各种示例中，车辆计算系统可将与该行动相关联的总成本与与车辆在环境中可能采取的其他行动相关联的总成本进行比较。在各种示例中，车辆计算系统可选择在所考虑的行动中成本最低的行动。在此类示例中，车辆计算系统可以使车辆基于最低成本行动来受控制。
[0173]
图10描绘了用于至少部分基于对象存在于遮挡区域中的概率来控制车辆的示例过程1000。如本文所述，过程1000的部分或全部可由图7中的一个或多个组件执行。例如，过程1000的部分或全部可由车辆计算设备704执行。
[0174]
在操作1002，该过程可包括在车辆操作的环境中识别遮挡区域。在各种示例中，可基于从车辆的一个或多个传感器(例如，激光雷达、雷达、相机等)接收的传感器数据来识别遮挡区域。遮挡区域可定义在环境中、车辆的感知系统不能检测到对象的区域(例如，被障碍物遮住、视野被遮挡等)。在各种示例中，车辆计算系统可被配置为识别与遮挡区域相关联的相关路段。在此类示例中，该路段可包括一条或多条车道、人行道、自行车道等，并被配置用于对象在可能与车辆相关的方向上操作。如上文参照图4所示，遮挡区域可包括道路的两条车道，其中有若干个对象可朝向车辆行进。
[0175]
在操作1004，该过程可包括确定对象正在遮挡区域中操作的概率。在各种示例中，可利用机器学习技术和/或通过上述引用合并的美国专利申请号16/147177和美国专利申请号16/011436中描述的一种或多种技术来确定该概率。在各种示例中，车辆计算系统可基于相关路段确定对象正在遮挡区域中操作的概率。在一些示例中，对象将行进通过遮挡区域的概率可以基于与相关路段相关联的存储的数据。该存储的数据可包括与随时间的过去
采集的相关路段相关联的传感器数据(例如，预记录数据)。在一些示例中，该概率可以基于一天中的某个时间、一周中的某一天、一年中的某个月、季节等。在一些示例中，可利用机器学习技术确定该概率。在此类示例中，可使用训练数据来训练机器学习模型，例如与随时间的过去采集的相关路段相关联的传感器数据。基于对象可能存在的概率，车辆计算系统可生成预测对象和与之在一起的预测对象轨迹，以确定要采取的行动。
[0176]
在操作1006，该过程可包括确定该概率是否高于阈值。阈值概率可以基于环境、路段、一周中的某一天、一年中的某一周等。在各种示例中，阈值概率可包括预先定义的值。在一些示例中，可以动态地确定阈值。在此类示例中，可在车辆在环境中操作时确定阈值概率，例如基于路段、一天中的某个时间、一周中的某一天等。
[0177]
基于概率不高于阈值的确定(在操作1006处为“否”)，该过程可包括在操作1008处确定对象未在遮挡区域中操作。
[0178]
在操作1010，该过程可包括基于确定对象未在遮挡区域中操作来控制车辆。在各种示例中，车辆计算系统可基于环境中检测到的一个或多个对象确定要采取的行动，例如利用上述技术。
[0179]
基于概率高于阈值的确定(在操作1006中为“是”)，该过程可在操作1012中包括：在车辆规划考虑包括与对象相关联的数据。在各种示例中，车辆计算系统可确定与车辆可基于对象采取的一个或多个潜在行动相关联的成本，例如利用本文所述的技术。在此类示例中，车辆计算系统可基于行动成本来确定车辆要采取的行动(例如，控制规划)。在各种示例中，车辆计算系统可至少部分基于在遮挡区域中操作的对象(例如，预测的对象)来控制车辆。示例条款
[0180]
a：一种车辆，包括：传感器；一个或多个处理器；以及存储器，其存储处理器可执行指令，当由一个或多个处理器执行指令时，将车辆配置为：从传感器接收环境的传感器数据；至少部分地基于传感器数据识别环境中第一位置处的对象；确定车辆在环境中可能采取的第一行动和第二行动；确定与第一行动相关联的第一对象轨迹、和与第二行动相关联的第二对象轨迹；至少部分地基于第一对象轨迹确定与第一行动相关联的第一行动成本，其中，第一行动至少部分地基于第一安全成本、第一舒适性成本、第一进度成本或第一操作规则成本中的至少一个；至少部分基于第二对象轨迹确定与第二行动相关联的第二行动成本，其中，第二行动成本至少部分基于第二安全成本、第二舒适性成本、第二进度成本或第二操作规则成本中的至少一个；确定与第一行动相关联的第一行动成本低于与第二行动相关联的第二行动成本；以及至少部分基于确定第一行动成本低于第二行动成本，至少部分基于第一行动来控制车辆。
[0181]
b：根据段落a所述的车辆，其中：第一安全成本至少部分地基于与第一对象相关联的对象状态或第一对象与车辆之间的相对状态的第一函数；第一对象舒适性成本至少部分地基于与第一对象相关联的对象状态或第一对象与车辆之间的相对状态的第二函数；第一对象进度成本至少部分地基于对象的第一对象时间延迟；以及第一操作规则成本至少部分地基于与环境相关联的一个或多个规章。
[0182]
c：根据段落a或b所述的车辆，其中，指令进一步将车辆配置为：确定车辆在环境中可能采取的第三行动；确定与第三行动相关联的第三对象轨迹；确定与第三行动相关联的
第三成本；确定第三成本大于阈值成本；以及从控制规划考虑中忽略与第三行动相关联的数据。
[0183]
d：根据段落a至c中任一段所述的车辆，其中，指令进一步将车辆配置为：至少部分地基于传感器数据，确定环境中的遮挡区域；利用机器学习技术，确定与在遮挡区域中操作的第二对象相关联的概率；确定概率高于阈值；以及确定与第二对象相关联的预测的对象轨迹，其中，确定第一行动成本和第二行动成本还至少部分地基于与第二对象相关联的预测的对象轨迹。
[0184]
e：根据段落a至d中任一段所述的车辆，其中，至少部分地基于以下各项中的至少一项来确定第一对象轨迹和第二对象轨迹：机器学习算法；环境的自上而下表示；离散概率分布；时序逻辑公式；或者树形搜索方法。
[0185]
f：一种方法，包括：至少部分地基于传感器数据，确定环境中第一位置处的对象；确定车辆在环境中将采取的候选行动；确定与候选行动相关联的对象轨迹；至少部分地基于对象轨迹和与行动相关联的车辆的车辆轨迹，确定与候选行动相关联的行动成本；以及至少部分地基于与候选行动相关联的行动成本来控制车辆。
[0186]
g：根据段落f所述的方法，其中，确定行动成本包括以下各项中的至少一项：确定与候选行动相关联的安全成本；至少部分地基于对象轨迹，确定与候选行动相关联的舒适性成本；至少部分地基于对象轨迹，确定与候选行动相关联的进度成本；或者确定与候选行动相关联的操作规则成本。
[0187]
h：根据段落f或g中任一段所述的方法，其中，行动成本包括与对象相关联的舒适性成本，舒适性成本至少部分地基于以下各项中的至少一项：对象的正加速度；对象的负加速度；或者对象的横向加速度。
[0188]
i：根据段落f至h中任一段所述的方法，其中，行动成本包括安全成本，安全成本至少部分基于以下各项中的至少一项：确定车辆的估计车辆位置与对象的估计对象位置之间的距离；确定在一段时间内车辆的若干个估计位置和对象的若干个估计位置之间的交会速率；或者确定车辆和对象之间的碰撞概率。
[0189]
j：根据段落f至i中任一段所述的方法，其中，候选行动是第一候选行动，并且其中对象轨迹是第一对象轨迹，该方法还包括：确定车辆在环境中将采取的第二候选行动；至少部分地基于第二候选行动，确定第二对象轨迹；至少部分地基于第二对象轨迹，确定与第二候选行动相关联的安全成本；确定安全成本大于阈值安全成本；以及至少部分基于确定安全成本大于阈值安全成本，在控制规划考虑中排除与第二行动相关联的数据。
[0190]
k：根据段落f至j中任一段所述的方法，还包括：确定车辆和对象的第一估计状态，其中第一估计状态包括车辆在第一时间的第一估计位置、和对象在第一时间的第一估计位置；确定车辆和对象的第二估计状态，其中第二估计状态包括车辆在第二时间的第二估计位置、和对象在第二时间的第二估计位置；以及确定与第一估计状态相关联的第一成本和与第二估计状态相关联的第二成本，其中，确定行动成本至少部分地基于第一成本和第二成本。
[0191]
l：根据段落f至k中任一段所述的方法，其中：候选行动是第一候选行动；行动成本是第一行动成本；以及至少部分地基于第一行动成本控制车辆包括：确定车辆在环境中采取的第二候选行动；至少部分地基于第二候选行动确定第二对象轨迹；至少部分地基于第
二对象轨迹，确定与第二候选行动相关联的第二行动成本；以及确定所述第一行动成本小于第二行动成本；以及至少部分基于第一行动小于第二行动，来控制车辆遵循第一行动。
[0192]
m：根据段落f至l中任一段所述的方法，其中，对象是第一对象，该方法还包括：至少部分地基于传感器数据，确定环境中的遮挡区域，其中，确定与候选行动相关联的行动成本至少部分地基于遮挡区域。
[0193]
n：根据段落m所述的方法，其中，第二对象在遮挡区域中操作的概率至少部分地基于以下各项中的至少一项：机器学习技术；与遮挡区域相关联的路段；与遮挡区域相关联的多个车道；遮挡区域的尺寸；一天中的时间；或者一周中的一天。
[0194]
o：一种系统或设备，包括：处理器；以及存储指令的非暂时性计算机可读介质，所述指令在被执行时使处理器执行根据段落f-n中任一段所述的计算机实现的方法。
[0195]
p：一种系统或设备，包括：处理装置；以及存储装置，其耦合到处理装置，存储装置包括用于配置一个或多个设备以执行根据段落f-n中任一段所述的计算机实现的方法的指令。
[0196]
q：一种非暂时性计算机可读介质，其存储指令，所述指令在被执行时使一个或多个处理器执行操作，所述操作包括：至少部分基于传感器数据确定环境中第一位置处的对象；确定车辆在环境中将采取的候选行动；确定与候选行动相关联的对象轨迹；至少部分地基于与对象轨迹相关联的加速度、或对象轨迹和与行动相关联的车辆轨迹之间的距离中的至少一个，来确定与候选行动相关联的成本；以及至少部分地基于与候选行动相关联的成本来控制车辆。
[0197]
r：根据段落q所述的非暂时性计算机可读介质，其中，对象是主要对象，所述操作还包括：确定环境中的次要对象，其中，次要对象在环境中位于主要对象的后面，并在与主要对象相同的方向上行进；确定与主要对象相关联的第一成本，其中，第一成本至少部分基于对象响应于候选行动的加速度；以及确定与次要对象相关联的第二成本，第二成本包括第一成本的一部分，其中成本至少包括第一成本和第二成本。
[0198]
s：根据段落q或段落r所述的非暂时性计算机可读介质，其中，候选行动是第一候选行动，对象轨迹是第一对象轨迹，所述操作还包括：确定车辆在环境中将采取的第二候选行动；至少部分地基于第二候选行动，确定第二对象轨迹；至少部分地基于第二对象轨迹来确定与第二候选行动相关联的安全成本；确定安全成本大于阈值安全成本；以及在至少部分基于确定安全成本大于阈值安全成本，在控制规划考虑中排除与第二行动相关联的数据。
[0199]
t：根据段落q至s中任一段所述的非暂时性计算机可读介质，其中，候选行动是第一候选行动，对象轨迹是第一对象轨迹，所述操作还包括：确定车辆在所述环境中将采取的第二候选行动；至少部分地基于第二候选行动，确定第二对象轨迹；至少部分地基于与第二对象轨迹相关联的加速度，确定与第二行动相关联的对象舒适性成本；确定对象舒适性成本大于阈值舒适性成本；以及至少部分基于确定舒适性成本大于阈值舒适性成本，在控制规划考虑中排除与第二行动相关联的数据。
[0200]
u：根据段落q至t中任一段所述的非暂时性计算机可读介质，其中，确定成本包括以下各项中的至少一项：确定与候选行动相关联的安全成本；至少部分地基于对象轨迹，确定与候选行动相关联的舒适性成本；至少部分地基于对象轨迹，确定与候选行动相关联的
进度成本；或确定与候选行动相关联的操作规则成本。
[0201]
v：根据段落q至u中任一段所述的非暂时性计算机可读介质，其中，所述操作进一步包括：至少部分基于传感器数据，确定环境中的遮挡区域；其中，至少部分地基于遮挡区域来确定成本。
[0202]
虽然上述示例性条款是参照一个特定的实施方式来描述的，但是应当理解，在本技术文件的上下文中，示例性条款的内容也可以通过方法、设备、系统、计算机可读介质和/或其它的实施方式来实施。此外，示例a-v中的任何一个可以单独实施，也可以与示例a-v中的任何一个或多个示例组合的方式来实施。结论
[0203]
虽然说明书已经描述了所述技术的一个或多个示例，但其各种变更、添加、置换和等效物也被包含在本文描述的技术的范围内。
[0204]
在对示例的描述中，参照了构成本文一部分的附图，这些附图通过图解的方式展示了所要求保护的主题的具体示例。应当理解，可以使用其他示例，并且可以进行改变或变型，例如结构改变。此类示例、改变或变型不一定偏离关于预期权利要求主题的范围。虽然本文中的步骤可以以特定顺序呈现，但在某些情况下，这种顺序可以改变，以便在不同时间或以不同顺序提供某些输入，而不改变所描述的系统和方法的功能。所公开的过程也可以按不同的顺序执行。此外，本文中的各种计算不必按照所公开的顺序执行，并且可以容易地实现使用这些计算的替代顺序的其他示例。除了重新排序之外，这些计算还可以被分解为具有相同结果的子计算。