使用路面和周围区域照明的存在来检测被遮挡对象的制作方法

使用路面和周围区域照明的存在来检测被遮挡对象


背景技术：

1.在自主驾驶模式(autonomous driving mode)下操作的自动驾驶车辆(self-driving vehicle)可以将乘客、货物或其他物品从一个位置运输到另一个位置。在许多情况下，可能难以确定沿着道路的另一车辆或其他对象的存在，特别是当没有到其他对象的视线时。这在夜间和其他低能见度条件下可能特别成问题。自动驾驶车辆不能有效地确定其他道路用户的存在可能限制车辆采取某些驾驶动作或以其他方式改变其驾驶行为的能力。


技术实现要素：

2.该技术涉及用于自动驾驶车辆的检测另一车辆或其他道路用户在附近的方法，即使当上述其他对象被遮挡或环境状况差时也是如此。由自动驾驶车辆的感知系统检测其他对象对周围区域中的一个或更多个区域的照明，例如通过其前灯。该照明能够包括离开道路、标牌或其他对象的反射。自动驾驶车辆能够确定这种照明是由车辆或其他道路用户引起的，还是来自周围环境中的对象(例如，路灯、停车灯等)。照明信息以及关于不同类型的车辆和其他对象的信息能够由自动驾驶车辆评估，例如以识别车辆的类型、车辆的位置或消除其他车辆的行进方向的歧义。因此，自动驾驶车辆可以修改其操作(驾驶)行为以考虑其他对象的存在。
3.根据一个方面，提供了一种在自主驾驶模式下操作车辆的方法。该方法包括：由车辆的感知系统的一个或更多个传感器从车辆周围的外部环境获得照明传感器数据；由车辆的一个或更多个处理器基于获得的照明传感器数据检测被遮挡对象存在于外部环境中；由一个或更多个处理器识别(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个；并且，基于(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个，一个或更多个处理器在自主驾驶模式下控制车辆的操作。
4.在一个示例中，该方法还包括一个或更多个处理器基于(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个来推断对象的行为。
5.在另一示例中，检测或识别包括在多个照明源之间进行区分以确定外部环境中的一个或更多个道路用户的存在。这里，在多个照明源之间进行区分可以包括识别至少一个固定照明源和至少一个移动照明源。至少一个固定照明源可以是路灯、停车灯、标牌或停放的车辆。至少一个移动照明源可以是客运车、卡车、摩托车、自行车或急救车辆。
6.在另一示例中，检测或识别包括对多组照明传感器数据进行相关以确定光的来源。这里，可以从车辆的感知系统的不同传感器获得多组照明传感器数据。对象的一个或更多个特性可以包括位置、相对于道路的方位、尺寸、形状、前进方向或相对于车辆的移动速度中的至少一个。
7.在另一示例中，该方法还包括：在控制车辆的操作之前，消除对象的行进方向的歧义。在另一示例中，检测被遮挡对象存在于外部环境中包括评估获得的照明传感器数据以确定所检测的光量是否具有一个或更多个特性。这里，一个或更多个特性可以包括最小亮
度量、特定带中的波长或由特定类型的照明设备发射的光中的至少一个。
8.在又一示例中，检测包括将获得的照明传感器数据与车辆周围的外部环境的环境照明的基线映射进行比较。在这种情况下，基线映射可以包括识别外部环境中的一个或更多个静止照明对象的位置。
9.根据另一方面，提供了一种被配置为在自主驾驶模式下操作的车辆。车辆包括驾驶系统，该驾驶系统包括转向子系统、加速子系统和减速子系统，以在自主驾驶模式下控制车辆的驾驶。它也包括感知系统，该感知系统包括被配置为检测车辆外部的环境中的对象的一个或更多个传感器。感知系统被配置为从外部环境获得照明传感器数据。车辆也包括被配置为确定车辆的当前位置的定位系统以及包含一个或更多个处理器的控制系统。控制系统可操作地耦接到驾驶系统、感知系统和定位系统。控制系统被配置为：基于获得的照明传感器数据，检测被遮挡对象存在于外部环境中；识别(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个；以及基于(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个来控制车辆在自主驾驶模式下的操作。
10.在示例中，控制系统还被配置为基于(i)对象的类型或(ii)对象的一个或更多个特性中的至少一个来推断对象的行为。检测或识别可以包括在多个照明源之间进行区分以确定外部环境中的一个或更多个道路用户的存在。检测或识别可以可替代地或附加地包括对多组照明传感器数据进行相关以确定光的来源。
11.在另一示例中，控制系统还被配置为消除对象的行进方向的歧义。并且在又一示例中，检测包括将获得的照明传感器数据与车辆周围的外部环境的环境照明的基线映射进行比较。
附图说明
12.图1a-图1b示出了根据本技术的各方面的示例自动驾驶车辆。
13.图1c-图1d示出了被配置为与本技术的各方面一起使用的示例货运车辆。
14.图2示出了根据本技术的各方面的自动驾驶车辆的组件。
15.图3a-图3b是根据本技术的各方面的示例货运车辆的系统的框图。
16.图4a-图4g示出了根据本技术的各方面的升高的车顶传感器装配(assembly)的视图。
17.图5a-图5b示出了根据本技术的各方面的示例性场景。
18.图6a-图6f示出了根据本技术的各方面的照明场景。
19.图7a-图7b示出了根据本技术的各方面的附加场景。
20.图8a-图8b示出了根据本技术的各方面的示例系统。
21.图9示出了根据本技术的各方面的示例方法。
具体实施方式
22.在自动驾驶模式下操作车辆涉及评估关于车辆的外部环境的信息。例如，这能够包括确定在道路的一侧是否存在诸如建筑物、树木、标牌、停放的汽车等的静态对象，以及确定是否存在沿着道路的附近路段移动的车辆或其他道路用户。在某些场景中，诸如密集的城市区域或其中自动驾驶车辆在夜间不具有来往交通的未被遮挡的视图(未被遮挡的视
线)的其他情况中，对其他道路用户的检测可能是非常具有挑战性的。在许多情况下，自动驾驶车辆可能需要向外推到道路上以从其车载传感器获取更好的交通视图。然而，进入交通路径本身可能是危险的，特别是在对附近的迎面而来的车辆做出反应的时间有限的情况下。
23.在夜间、恶劣天气或其他低能见度情况下，车辆通常打开其前灯(或雾灯、停车灯或日间行驶灯)以照亮路面和附近对象。另外，在某些情况下可以使用远光而不是近光。根据本技术的一个方面，自动驾驶车辆的视觉系统能够检测照亮路面的这种灯。该信号能够被用作车载计算机系统的规划模块的输入，例如以预测或预期来自沿着道路被照明的方向的一个或更多个车辆，即使这样的车辆不在自动驾驶车辆的感知系统的视线中。如下面进一步讨论的，这能够包括估计车辆的速度、消除行进方向的歧义、在车灯与路灯或其他固定照明之间进行区分等。
24.示例车辆系统
25.图1a示出了诸如小型货车或运动型多用途车(suv)的示例乘用车100的透视图。图1b示出了另一示例乘用车150(诸如轿车)的透视图。乘用车可以包括用于获得关于车辆的外部环境的信息的各种传感器。例如，车顶壳体单元(车顶舱装配)102可以包括激光雷达(lidar)传感器以及各种相机(例如，光学或红外)、雷达单元、声学传感器(例如，麦克风或声纳型传感器)、惯性(例如，加速度计、陀螺仪等)或其他传感器(例如，诸如gps传感器的定位传感器)。位于车辆100的前端处的壳体104以及位于车辆的驾驶员侧和乘客侧上的壳体106a、106b每个可以并入激光雷达、雷达、相机和/或其他传感器。例如，壳体106a可以沿着车辆的侧围版位于驾驶员侧门的前方。如图所示，乘用车100也包括用于雷达单元、激光雷达和/或相机的壳体108a、108b，其也朝向车辆的后车顶部分定位。额外的lidar、radar单元和/或相机(未示出)可以沿着车辆100位于其他地方。例如，箭头110指示传感器单元(未示出)可以沿着车辆100的后部定位，诸如在保险杠上或邻近保险杠。取决于车辆类型和传感器壳体配置(或多个)，声学传感器可以被布置在车辆周围的任何或所有这些壳体中。
26.箭头114指示如图所示的车顶舱102包括耦接到车顶的基部。并且，箭头116指示车顶舱102也包括在基部上方升高的上部。基部和上部中的每一个可以容纳不同的传感器单元，传感器单元被配置为获得关于车辆周围环境中的对象和状况的信息。车顶舱102和其他传感器壳体也可以沿着图1b的车辆150来布置。作为示例，每个传感器单元可以包括上述类型的一个或更多个传感器，诸如激光雷达、雷达、相机(例如，光学或红外)、声学(例如，无源麦克风或有源发声声纳型传感器)、惯性(例如，加速度计、陀螺仪等)或其他传感器(例如，诸如gps传感器的定位传感器)。
27.图1c-图1d示出了示例货运车辆150，诸如牵引车-挂车式卡车。卡车可以包括例如单挂车、双挂车或三挂车，或者可以是另一种中型或重型卡车，例如商业重量级别4至8。如图所示，卡车包括牵引车单元152和单个货物单元或挂车154。取决于待运输的货物的类型，挂车154可以是完全封闭的、开放的(诸如平板)或部分开放的。在该示例中，牵引车单元152包括发动机和转向系统(未示出)以及用于驾驶员和任何乘客的驾驶室156。
28.挂车154包括被称为主销的挂接点158。主销158通常被形成为实心钢轴，其被配置为枢转地附接到牵引车单元152。具体地，主销158附接到挂车联接160，其中，挂车联接160被称为拖车接轮(fifth-wheel)，其被安装在驾驶室的后方。对于双牵引车-挂车或三牵引
车-挂车，第二挂车和/或第三挂车可以具有到领路挂车的简单挂钩连接。或者，可替代地，每个挂车可以具有其自己的主销。在这种情况下，至少第一挂车和第二挂车可以包括被布置成耦接到下一个挂车的拖车接轮型结构。
29.如图所示，牵引车可以具有沿其布置的一个或更多个传感器单元162、164。例如，一个或更多个传感器单元162可以被布置在驾驶室156的车顶或顶部，并且一个或更多个侧部传感器单元164可以被布置在驾驶室156的左侧和/或右侧。传感器单元也可以沿着驾驶室156的其他区域定位，诸如沿着前保险杠或发动机罩区域、在驾驶室的后部、邻近拖车接轮、在底盘下面等。挂车154也可以具有沿其布置的一个或更多个传感器单元166，例如沿着挂车154的侧面板、前部、后部、车顶和/或起落架。
30.与图1a-图1b的乘用车的传感器单元一样，货运车辆的每个传感器单元可以包括一个或更多个传感器，诸如lidar、radar、相机(例如，光学或红外)、声学(例如，麦克风或声纳型传感器)、惯性(例如，加速度计、陀螺仪等)或其他传感器(例如，诸如gps传感器的定位传感器)。
31.虽然本公开的某些方面结合特定类型的车辆可能特别有用，但是车辆可以是不同类型的车辆，包括但不限于汽车、摩托车、货运车辆、公共汽车、休闲车辆、急救车辆、建筑设备等。
32.对于在部分或完全自主驾驶模式下操作的车辆，可能发生不同程度的自主。美国国家公路交通安全管理局和汽车工程师协会已经标识了不同的级别来指示车辆控制驾驶的程度有多大或多小。例如，级别0没有自动化，并且驾驶员做出所有的驾驶相关决测。最低的半自主模式级别1包括一些驾驶辅助，例如巡航控制。在这个级别，车辆可以在严格的驾驶员信息系统中操作，而不需要对车辆进行任何自动控制。这里，能够采用车辆的车载传感器、它们之间的相对位置知识以及它们交换数据的方式来实现如本文所讨论的技术的各方面。级别2具有某些驾驶操作的部分自动化，而级别3涉及条件自动化，其能够使得驾驶员座椅中的人能够根据需要进行控制。相比之下，级别4是高自动化级别，其中车辆能够在选择条件下无需辅助来驾驶。此外，级别5是完全自主模式，其中车辆能够在所有情况下无需辅助来驾驶。本文描述的架构、组件、系统和方法能够以半自主模式或全自主模式中的任何一种(例如，级别1-5)起作用，其在本文中被称为自主驾驶模式。因此，对自主驾驶模式的引用包括部分自动和全自动。
33.图2示出了在自主驾驶模式下操作的示例性车辆(诸如乘用车100或150)的具有各种组件和系统的框图200。如图所示，框图200包括一个或更多个计算设备202，诸如包含一个或更多个处理器204、存储器206和通常存在于通用计算设备中的其他组件的计算设备。存储器206存储可由一个或更多个处理器204访问的信息，包括可以由处理器(或多个)204执行或以其他方式使用的指令208和数据210。当在自主驾驶模式下操作时，计算系统可以控制车辆的整体操作。
34.存储器206存储可由处理器204访问的信息，包括可以由处理器204执行或以其他方式使用的指令208和数据210。例如，存储器可以包括用于执行例如被遮挡车辆检测的照明相关信息。存储器206可以是能够存储可由处理器访问的信息的任何类型，包括计算设备可读介质。存储器是非暂时性介质，诸如硬盘驱动器、存储卡、光盘、固态等。系统可以包括前述的不同组合，由此指令和数据的不同部分存储在不同类型的介质上。
35.指令208可以是由处理器(或多个)直接(诸如机器代码)或间接(诸如脚本)执行的任何指令集。例如，指令可以作为计算设备代码存储在计算设备可读介质上。在这方面，术语“指令”、“模块”和“程序”在本文中可以互换使用。指令可以以目标代码格式被存储以供处理器直接处理，或者以任何其他计算设备语言存储，包括按需解释或预先编译的脚本或独立源代码模块的集合。数据210可以由一个或更多个处理器204根据指令208检索、存储或修改。在一个示例中，存储器206中的一些或全部可以是事件数据记录器或被配置为存储车辆诊断和/或检测到的传感器数据的其他安全数据存储系统，其取决于实现可以为车载或远程。
36.处理器204可以是任何常规处理器，诸如市售的cpu。可替代地，每个处理器可以是专用设备，诸如asic或其他基于硬件的处理器。尽管图2在功能上将计算设备202的处理器、存储器和其他元件示出为在同一块内，但是这样的设备实际上可以包括可存储或可不存储在相同的物理壳体内的多个处理器、计算设备或存储器。类似地，存储器206可以是位于与处理器204的壳体不同的壳体中的硬盘驱动器或其他存储介质。因此，对处理器或计算设备的引用将被理解为包括对可以并行操作或可以不并行操作的处理器或计算设备或存储器的集合的引用。
37.在一个示例中，计算设备202可以形成并入车辆100中的自主驾驶计算系统。自主驾驶计算系统可以能够与车辆的各种组件通信。例如，计算设备202可以与车辆的各种系统通信，包括驾驶系统，其包括减速系统212(用于控制车辆的制动)、加速系统214(用于控制车辆的加速度)、转向系统216(用于控制车轮的方位和车辆的方向)、信令系统218(用于控制转向信号)、导航系统220(用于将车辆导航到某个位置或对象周围)和定位系统222(用于确定车辆的位置，例如，包括车辆的姿势，例如，沿着道路的位置和方位或者车辆底盘相对于坐标系的俯仰、偏航和滚转)。自主驾驶计算系统可以根据导航系统220、定位系统222和/或系统的其他组件采用规划器模块223，例如，用于确定从起点到目的地的路线，或者用于鉴于当前或预期的牵引状况对各种驾驶方面进行修改。
38.计算设备202也可操作地耦接到感知系统224(用于检测车辆环境中的对象)、电力系统226(例如，电池和/或燃气或柴油动力发动机)和传动系统230，以便在不要求或不需要来自车辆乘客的连续或周期性输入的自主驾驶模式下根据存储器206的指令208控制车辆的移动、速度等。车轮/轮胎228中的一些或全部耦接到传送系统230，并且计算设备202可以能够接收关于轮胎压力、平衡和可能影响自主模式下的驾驶的其他因素的信息。
39.计算设备202可以例如经由规划器模块223通过控制各种组件来控制车辆的方向和速度。作为示例，计算设备202可以使用来自地图信息和导航系统220的数据完全自主地将车辆导航到目的地位置。计算设备202可以使用定位系统222来确定车辆的位置，并且使用感知系统224来在需要安全地到达位置时检测并响应对象。为了这样做，计算设备202可以使得车辆加速(例如，通过由加速系统214增加提供给发动机的燃料或其他能量)、减速(例如，通过减少供应给发动机的燃料、改变档位和/或通过由减速系统212施加制动)、改变方向(例如，通过由转向系统216转动车辆100的前轮或其他车轮)，并且发信号通知这种改变(例如，通过点亮信令系统218的转向信号)。因此，加速系统214和减速系统212可以是动力传动系或其他类型的传动系统230的一部分，其中，传动系统230包括车辆的发动机与车辆的车轮之间的各种组件。再次，通过控制这些系统，计算设备202也可以控制车辆的传动
系统230，以便自主地操纵车辆。
40.导航系统220可以由计算设备202使用，以便确定并遵循到位置的路线。在这方面，导航系统220和/或存储器206可以存储地图信息，例如，计算设备202可以用于导航或控制车辆的高度详细的地图。作为示例，这些地图可以标识道路的形状和海拔、车道标记、交叉路口、人行横道、速度限制、交通信号灯、建筑物、标志、实时交通信息、植被或其他这样的对象和信息。车道标记可以包括诸如实线或虚线的双车道线或单车道线、实线或虚线的车道线、反射器等特征。给定车道可以与左车道线和/或右车道线或限定车道边界的其他车道标记相关联。因此，大多数车道可以由一条车道线的左边缘和另一条车道线的右边缘界定。
41.感知系统224包括用于检测车辆外部的对象的传感器232。检测到的对象可以是其他车辆、道路中的障碍物、交通信号、标志、树木等。传感器232也可以检测天气状况的某些方面，诸如道路上的雪、雨或喷水、或水坑、冰或其他材料。
42.仅作为示例，感知系统的传感器可以包括光检测和测距(lidar)传感器、雷达单元、相机(例如，光学成像设备，具有或不具有中性密度滤光器(nd)滤光器)、定位传感器(例如，陀螺仪、加速度计和/或其他惯性组件)、红外传感器和/或记录可以由计算设备202处理的数据的任何其他检测设备。感知系统224也可以包括例如沿着车顶舱102和/或其他传感器装配壳体布置的一个或更多个麦克风或其他声学阵列。麦克风可以能够检测跨宽频带(例如，50hz到25khz)的声音，以便检测各种类型的噪声，例如喇叭鸣声、轮胎尖叫声、制动器致动等。
43.感知系统224的这种传感器可以检测车辆外部的对象及其特性，诸如位置、相对于道路的方位(姿势)、尺寸、形状、类型(例如，车辆、行人、骑自行车者等)、前进方向、相对于车辆的移动速度等，以及车辆周围的环境状况。感知系统224也可以包括车辆内的其他传感器，以检测车辆内(例如乘客舱中)的对象和状况。例如，这样的传感器可以检测例如一个或更多个人、宠物、包裹等，以及车辆内部和/或外部的状况，诸如温度、湿度等。感知系统224的更进一步的传感器232可以测量车轮228的旋转速率、减速系统212的制动量或制动类型，以及与车辆本身的设备相关联的其他因素。
44.当数据由感知系统224生成时，由传感器获得的原始数据能够由感知系统224处理和/或周期性地或连续地发送到计算设备202以用于进一步处理。计算设备202可以使用定位系统222来确定车辆的位置，并且使用感知系统224来在需要安全到达位置时检测并响应对象，例如，经由规划器模块223进行的调整，包括操作中的调整以处理遮挡和其他问题。另外，计算设备202可以执行各个传感器、特定传感器装配中的所有传感器、或者不同传感器装配或其他物理壳体中的传感器之间的验证或校准。
45.如图1a-图1b所示，感知系统224的某些传感器可以并入一个或更多个传感器装配或壳体中。在一个示例中，这些可以集成到车辆周围的前周界传感器装配、后周界传感器装配或侧周界传感器装配中。在另一示例中，其他传感器可以是车顶壳体(车顶舱)102的一部分。计算设备202可以与位于车辆上或以其他方式沿着车辆分布的传感器装配通信。每个装配可以具有一种或更多种类型的传感器，诸如上述那些传感器。
46.返回到图2，计算设备202可以包括通常与计算设备结合使用的所有组件，诸如上述处理器和存储器以及用户接口子系统234。用户接口子系统234可以包括一个或更多个用户输入236(例如，鼠标、键盘、触摸屏和/或麦克风)和一个或更多个显示设备238(例如，具
有屏幕的监视器或可操作以显示信息的任何其他电气设备)。在这方面，内部电子显示器可以位于车辆的车厢(未示出)内，并且可以由计算设备202使用以向车辆内的乘客提供信息。诸如扬声器240的其他输出设备也可以位于乘用车内。
47.车辆也可以包括通信系统242。例如，通信系统242也可以包括一个或更多个无线配置，以促进与其他计算设备(诸如车辆内的乘客计算设备、车辆外部(诸如在道路上的其他附近车辆中)的计算设备和/或远程服务器系统)的通信。网络连接可以包括短程通信协议，诸如bluetooth
tm
、bluetooth
tm
低功耗(le)、蜂窝连接，以及各种配置和协议，包括互联网、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或更多个公司专有的通信协议的专用网络、以太网、wifi和http，以及前述的各种组合。
48.图3a示出具有车辆(例如，图1c-图1d的车辆150)的各种组件和系统的框图300。作为示例，车辆可以是卡车、农用设备或建筑设备，被配置为以一种或更多种自主操作模式操作。如框图300所示，车辆包括一个或更多个计算设备的控制系统，诸如包含一个或更多个处理器304、存储器306和与上面关于图2讨论的组件202、204和206类似或等同的其他组件的计算设备302。例如，存储器可以包括用于执行例如被遮挡车辆检测的照明相关信息。
49.控制系统可以构成货运车辆的牵引车单元的电子控制单元(ecu)。与指令208一样，指令308可以是由处理器直接(诸如机器代码)或间接(诸如脚本)执行的任何指令集。类似地，数据310可以由一个或更多个处理器304根据指令308检索、存储或修改。
50.在一个示例中，计算设备302可以形成并入车辆150中的自主驾驶计算系统。类似于上面关于图2讨论的布置，框图300的自主驾驶计算系统可以能够与车辆的各种组件通信，以便执行路线规划和驾驶操作。例如，计算设备302可以与车辆的各种系统通信，诸如包括减速系统312、加速系统314、转向系统316、信令系统318、导航系统320和定位系统322的驾驶系统，每个系统可以如上面关于图2所讨论的那样起作用。
51.计算设备302也可操作地耦接到感知系统324、电力系统326和传动系统330。车轮/轮胎228中的一些或全部耦接到传动系统230，并且计算设备202可以能够接收关于轮胎压力、平衡、旋转速率和可能影响自主模式下的驾驶的其他因素的信息。与计算设备202一样，计算设备302可以通过控制各种组件来控制车辆的方向和速度。作为示例，计算设备302可以使用来自地图信息和导航系统320的数据完全自主地将车辆导航到目的地位置。类似于上面针对图2描述的方式，计算设备302可以采用规划器模块323结合定位系统322、感知系统324和其他子系统来在需要安全地到达位置时检测并响应对象。
52.类似于感知系统224，感知系统324也包括一个或更多个传感器或其他组件，诸如上述用于检测车辆外部的对象、车辆内部的对象或状况和/或某些车辆设备(诸如车轮和减速系统312)的操作的那些传感器或其他组件。例如，如图3a所示，感知系统324包括一个或更多个传感器装配332。每个传感器装配232包括一个或更多个传感器。在一个示例中，传感器装配332可以被布置为集成到卡车、农用设备、建筑设备等上的侧视镜中的感应塔(sensor tower)。如上面关于图1c-图1d所述，传感器装配332也可以位于牵引车单元152或挂车154上的不同位置处。计算设备302可以与位于牵引车单元152和挂车154两者上的传感器装配通信。每个装配可以具有诸如上述那些传感器的一种或更多种类型的传感器。
53.图3a中也示出了用于牵引车单元与挂车之间的连接的耦接系统334。耦接系统334可以包括一个或更多个动力和/或气动连接(未示出)，以及牵引车单元处的拖车接轮336，
用于连接到挂车处的主销。等同于通信系统242的通信系统338也被示出为车辆系统300的一部分。
54.类似于图2，在该示例中，货运卡车或其他车辆也可以包括用户接口子系统339。用户接口子系统339可以位于车辆的驾驶室内，并且可以由计算设备202使用以向车辆内的乘客(诸如能够在手动驾驶模式下驾驶卡车的卡车驾驶员)提供信息。
55.图3b示出了挂车(诸如图1c-图1d的挂车154)的系统的示例框图340。如图所示，该系统包括一个或更多个计算设备的ecu 342，诸如包含一个或更多个处理器344、存储器346和通常存在于通用计算设备中的其他组件的计算设备。存储器346存储可由一个或更多个处理器344访问的信息，包括可以由处理器344执行或以其他方式使用的指令348和数据350。对来自图2和图3a的处理器、存储器、指令和数据的描述适用于图3b的这些元件。
56.ecu 342被配置为从挂车单元接收信息和控制信号。ecu 342的车载处理器344可以与挂车的各种系统通信，包括减速系统352、信令系统354和定位系统356。ecu 342也可以可操作地耦接到感知系统358，其中，一个或更多个传感器被布置在传感器装配364中，用于检测挂车环境中的对象。ecu342也可以与电力系统360(例如，电池电源)可操作地耦接，以向本地组件提供电力。挂车的一些或所有车轮/轮胎362可以耦接到减速系统352，并且处理器344可以能够接收关于轮胎压力、平衡、车轮速度和可能影响自主模式下的驾驶的其他因素的信息，并将该信息中继到牵引车单元的处理系统。减速系统352、信令系统354、定位系统356、感知系统358、电力系统360和车轮/轮胎362可以以诸如上面关于图2和图3a所述的方式操作。
57.挂车也包括一组起落架366以及耦接系统368。起落架可以在与牵引车单元分离时为挂车提供支撑结构。耦接系统368可以作为耦接系统334的一部分，其提供挂车与牵引车单元之间的连接。因此，耦接系统368可以包括连接部分370(例如，用于与牵引车单元的通信、动力和/或气动链接)。耦接系统也包括被配置为用于与牵引车单元的拖车接轮连接的主销372。
58.示例实现
59.图4a-图4g示出了如图1a-图1b所示的车顶舱装配300的一个示例。如上所述，车顶舱装配可以包括lidar传感器以及各种相机(例如，光学或红外)、雷达单元、声学传感器(例如，麦克风或声纳型传感器)、惯性(例如，加速度计、陀螺仪等)或其他传感器(例如，诸如gps传感器的定位传感器)。在所示的示例中，车顶舱装配400包括布置成更靠近车顶的基部402和坐落于基部上方并远离车顶的上部404。这些部分中的每一个可以包括上述类型的各种传感器套件、本地处理系统(例如，用于处理来自传感器的原始数据)和其他装备，诸如用于清洁各种传感器的擦拭器或其他清洁系统。仅作为示例，基部402的前侧406可以包括图像传感器(例如，光学相机)和/或雷达传感器，被布置为用于当车辆在自主模式下驾驶时检测车辆前方的对象。
60.升高的上部404可以包括以不同层或配置布置的不同类型的传感器，诸如圆顶型或层饼型布置的一部分。作为示例，一系列图像传感器(例如，光学相机)可以以圆形或其他配置布置在上部的第一部分408中，诸如提供车辆周围的重叠的视场。并且，上部的第二部分410可以包括一个或更多个lidar单元或其他传感器，可以被配置为旋转360
°
或以其他方式提供车辆周围的全视场。在该示例中，第一部分408被安装在基部402的上表面上，并且第
二部分410被布置在第一部分308的顶部上。
61.如图4a-图4g所示，车顶舱装配400也包括一对支腿或其他支撑构件412。例如如图1a和1b所示，支撑构件412被固定到基部402的底表面，并且被配置为沿着车辆的车顶的左侧和右侧连接。支撑构件412被布置为使得基部402的底表面不搁置在车顶上或不直接接触车顶。车顶舱装配400还可以包括管道构件414，使得电力、数据和/或流体管道可以在车辆与车顶舱装配400之间游走(run)。前支撑构件412可以邻近或沿着车辆框架的左/右a柱固定，而后支撑构件412可以邻近或沿着车辆框架的左/右c(或d)柱固定。
62.将车顶舱装配提升到车顶上方允许将一些特征并入装配的底部。例如，能够沿着底部，例如，邻近支撑构件包括一个或更多个排水口(未示出)。也能够提供一个或更多个进气口(未示出)，例如用作车顶舱装配的有源或无源冷却系统的一部分。
63.图5a示出了一个场景500，其中，自动驾驶车辆502停在具有停车标志的第一路段504处，第一路段504与第二路段506相交。在这种场景下，另一车辆508正在沿着第二路段506向东行进。如图所示，一对车辆510a、510b沿着第二路段506的侧面停放。车辆502通过阴影区域被示出为具有关于其感知系统的一个或更多个传感器的视场512。然而，由于车辆510a和510b的存在，车辆508被遮挡并且不在视场512内。
64.图5b示出了另一场景520，其中，自动驾驶车辆522由于与第二路段526相交的第一路段524处的交通信号灯而停车。在这种场景下，另一车辆528正在沿着第二路段526向东行进。如图所示，卡车530也正在沿着第二路段506向东移动，同时另一车辆532正在沿着第二路段526向西行进。车辆522通过阴影区域被示出为具有关于其感知系统的一个或更多个传感器的视场534。然而，由于存在与车辆528一起向东移动的卡车530，所以车辆528被遮挡并且不在视场534内。
65.如上所述，在夜间、恶劣天气或其他低能见度情况下，车辆通常打开其前灯、雾灯或其他照明装置以照亮道路表面和附近的对象。这样的照明可以从道路、其他对象(例如，卡车的侧面、建筑物、玻璃门或窗、街道标志等)反射，并且能够由自动驾驶车辆的传感器检测到。这种检测到的信号能够被用作自动驾驶车辆的车载计算机系统的规划模块(例如，图2的223或图3a的323)的输入，例如以指示一个或更多个被遮挡车辆的存在。车载系统可以能够估计车辆的速度，消除行进方向的歧义，并且在车灯与路灯或其他固定照明之间进行区分。这使得规划器模块或车载系统的另一部分能够做出驾驶决策，诸如等待被遮挡的车辆通过、改变车道、制动等。
66.图6a示出了基于图5a的布置的第一场景600。如这里所示，车辆508打开其前灯，从而在路段506上创建光束图案602。这里，当车辆508被停放的汽车510a和510b从视场512遮挡的同时，如由车辆502前方的阴影区域所指示的，自动驾驶车辆502的一个或更多个传感器具有另一视场604。点划线区域606指示其中视场604能够检测光束图案602的至少一部分的区域。这能够例如经由光学相机传感器来完成。这里，因为车辆510a和510b可以被确定为没有移动和/或它们的前灯没有打开，所以光束图案602的检测到的一部分的存在能够被自动驾驶车辆用作道路上存在从其视线被遮挡的另一对象的信号。光束图案602的检测到的一部分的尺寸或形状，单独地或与来自信号的其他信息(例如，光的强度、光的波长(或多个)、多普勒效应等)结合，可以用于指示被遮挡车辆的存在、其近似速度、对象类型、行进方向和/或能够由自动驾驶车辆用于实时做出驾驶决策的其他信息。
67.图6b示出了基于图5b的布置的第二场景610。类似于场景610，车辆528打开其灯，从而在路段526上创建光束图案612。这里，不仅车辆528被遮挡在自动驾驶车辆522的视线外，而且卡车530也打开其灯，在路段526上创建光束图案614。在这种场景下，自动驾驶车辆522具有前视场616。在这种情况下，点划线区域618指示视场616能够检测光束图案612的至少一部分的区域。在该示例中，视场616也可以涵盖来自卡车530的光束图案614的一部分。虽然光束图案614可以被预期来自卡车530，特别是在夜间或在不良能见度条件(例如，阴天、雾、雪、沙尘暴等)下，但是由于车辆528的视线遮挡，可能无法预期光束图案612的检测到的部分。类似于场景600，光束图案612的检测到的部分的尺寸或形状，单独地或与来自信号的其他信息(例如，光的强度、光的波长(或多个)、多普勒效应等)结合，可以用于指示被遮挡车辆的存在、其近似速度、对象类型、行进方向和/或能够由自动驾驶车辆用于实时做出驾驶决策的其他信息。该方法也可以包括使用关于光束图案614和检测到的卡车530的信息来识别车辆528相对于卡车的位置和/或速度。作为示例，来自卡车的光束图案的角度可以不同于来自其他车辆的光束图案的角度，这能够指示道路表面上方的海拔的差异，并且因此指示车辆的不同高度。
68.图6c-图6d示出了另一场景620。在这种场景下，自动驾驶车辆622正在交叉路口等待。如图6c所示，自行车624在邻近建筑物626的交叉街道上，但是图6d中的自动驾驶车辆由于建筑物而无法看到自行车。然而，在这种场景下，自行车624具有灯，例如具有相对窄的光束图案628的卤素灯或led灯。该光束图案628可以由具有视场630的自动驾驶车辆的一个或更多个传感器(例如，光学成像设备)检测。在这种情况下，点划线区域632指示视场630能够检测光束图案628的至少一部分的区域。类似于上述场景，光束图案628的检测到的部分632的尺寸或形状，单独或与来自信号的其他信息(例如，光的强度、光的波长(或多个)等)结合，可以被用于指示被遮挡对象的存在、其近似速度、对象类型、行进方向和/或能够由自动驾驶车辆用于实时做出驾驶决定的其他信息。在这种情况下，系统可以确定对象仅具有单个灯。它可以使用其他信息，包括光的亮度或光束图案628的扫掠路径，如弓形虚线634所示，来识别对象是自行车(或小型摩托车或摩托车)，例如这是因为扫掠路径是由对象的前轮的枢转引起的。诸如灯是否频闪或以其他方式闪烁的附加信息也可以帮助确定它是什么类型的对象(例如，骑自行车的人和骑摩托车的人，这是因为自行车的灯可能比摩托车的灯闪烁开关更可能频闪)。
69.除了检测来自沿着(或邻近)道路的车辆和其他移动对象的发射光之外，自动驾驶车辆的感知系统也可以检测来自静止对象的光。例如，如图6c所示，路灯636可以向人行道或交叉路口附近的其他区域提供照明，交通灯638可以提供不同颜色的光以指示停车、避让和前进，并且理发店旋转彩柱639可以闪烁或提供邻近道路的其他光图案。在这种场景下，取决于感知系统的传感器的布置和类型(或多个)，自动驾驶车辆可以检测这样的环境照明。
70.因为这样的环境照明可能影响识别被遮挡的感兴趣对象，所以识别环境照明的原因(或多个)可以用于在感知系统数据的分析期间忽略或丢弃这样的照明。这能够包括识别对象是否是静止对象，以及光源相对于道路的方位(例如，基本上垂直地向下指向，诸如路灯636，以倾斜角度向下指向，诸如交通灯638，或者从远离道路源照亮道路，诸如理发店旋转彩柱639)。也能够包括确定光源的灯泡类型(例如，用于路灯636的紧凑型荧光灯、金属卤
化物灯或高压钠灯，用于交通灯638的白炽灯或led灯，用于理发店旋转彩柱639的led灯或霓虹灯等)。这样的光的波长(或多个)也可以被考虑到评估中。
71.该信息中的任何一个或全部可以被用于创建环境照明的基线映射，例如在一天中的一个或更多个时间(例如，傍晚、夜间或白天)期间、在不同的天气条件下等。该基线可以被存储在由自动驾驶车辆维护或上传到自动驾驶车辆的数据库中。例如，它能够用作由自动驾驶车辆使用的高度详细的地图中的层或覆盖层。地图信息可以标识静止照明对象的位置。在一个示例中，环境照明的基线映射可以由所使用的远程系统策划，该远程系统能够将这样的信息传播到一队自动驾驶车辆。通过评估这样的信息，系统能够将静态场景与变化的照明进行比较，这能够被用作存在正在移动的潜在对象的标志。这可以包括在路灯或闪光灯(例如，来自建筑标志)与可能正在移动的其他灯之间进行区分。由于移动对象将导致尺寸和形状改变的光或点亮区域，因此能够使用这样的差异来识别被遮挡的道路用户的存在。
72.出于多种原因，识别照明源可能是具有挑战性的。如图6e的场景650所示，自动驾驶车辆652可能遇到来自不同道路用户的光束图案，诸如(i)来自骑自行车者(其被建筑物656阻挡在视线视野外)的光束图案654、(ii)来自汽车的交叉光束图案658、以及(iii)来自从相反方向接近交叉路口的摩托车手(其被树叶662阻挡在视线视野外)的相反光束图案660。此外，道路表面上的水、冰或另一物品664，或者雾、薄雾、烟、灰尘等可以反射、漫射和/或散射光。如果光从其他表面反射，则系统能够使用光线跟踪来估计光源可能位于其中的这种光。例如，如果感知系统正在从光从其反弹的墙壁接收数据，并且其形状和尺寸正在改变，则车辆的车载系统能够将其与存储的地图结合使用，以进行光可能源自何处的估计。
73.图6f的场景670中所示的另一种情况是由于环境中的车辆或其他对象而导致的来自被遮挡对象的光的反射。例如，自动驾驶车辆672被示出为正在道路上向西行驶，而卡车674正自向南方向左转以沿着道路向东行驶。车辆676在卡车674后面，并且在交叉路口的拐角处对于自动驾驶车辆672被建筑物遮挡。这里，来自车辆676的光束图案678可以被卡车674部分地阻挡，以及部分地反射，如虚线680所示。由自动驾驶车辆672的感知系统观察到的该反射可以指示车辆676的存在。可替代地或附加地，由被遮挡对象发射的光可以从环境中的其他对象(诸如乘用车的窗户或相邻建筑物的窗户)、从标牌(例如，停车或让步标牌)等反射。在一个示例中，自动驾驶车辆672可以使用这样的信息来改变它如何接近交叉路口、它可能在交叉路口等待多长时间以及它如何前进通过交叉路口。例如，自动驾驶车辆可以改变其减速速率以更缓慢地接近交叉路口。它可以在交叉路口处等待比初始计划更长的时间(例如，再长10-25％)，以便确定是否接收到关于被遮挡对象的更多信息。并且，当前进通过交叉路口时，车辆672可以改变其向前牵引的方式，以便从其感知系统获得更多信息。
74.图7a-图7b示出了环境本身影响到其他道路用户的视线视野的附加场景。图7a的视图700示出了乘用车702正在一个方向上沿山坡向上行进并且卡车704在山顶处沿相反方向方位的场景。在该示例中，卡车704被示出为在卡车前方的区域中具有传感器视场706。这里，如果乘用车702开启其近光束，则它们仅可以照射可能不在视场706中或者可能以其他方式难以检测的道路的一部分(由光束图案708示出)。然而，如果乘用车702开启其远光束，则取决于环境状况(例如，空气中的雾、灰尘或颗粒)，则它们可以照射道路的其他部分(由光束图案710示出)，这在视场706内是容易检测到的，如点划线区域712所示。
75.图7b的视图720示出了卡车722正在一个方向上沿着弯曲道路行进并且乘用车724在相反方向上行驶的场景。在该示例中，卡车722被示出为在卡车前方的区域中具有传感器视场726。这里，乘用车724的灯照亮由光束图案728示出的弯曲道路的一部分，其在视场726内，如点划线区域730所示。取决于道路和附近的环境，也可以在分析中检测和使用其他反射。例如，在森林道路上，树木可能被接近的车辆的前灯照亮。并且，车道线本身或道路中的反射组件能够点亮并反射来自另一车辆的光。
76.关于自动驾驶车辆周围的附近环境的照明信息本身可能足以识别被遮挡车辆或其他道路用户(例如，骑自行车者或慢跑者)的存在。然而，由自动驾驶车辆的其他传感器获得的数据和/或关于环境的其他信息能够被用于增强评估过程。作为示例，由车载传感器检测到的声学信息可以是路面上的轮胎、喇叭鸣响的声音、制动等。lidar和/或雷达传感器可以为光学传感器提供补充的视场。自动驾驶车辆周围的局部区域的地图可以包括关于静态光发射器的信息，诸如路灯、停车灯、人行道的闪光器等。其也可以包括关于道路本身的海拔、坡度、曲率和其他数据。并且，也能够考虑关于环境照明量、天气(雨、雪、雾、温度、湿度等)和自动驾驶车辆的周围环境的其他方面的环境数据。
77.车载处理系统(例如，图2的计算设备200或图3a的计算设备302)能够单独地使用照明信息或与任何其他信号一起使用照明信息来检测被遮挡对象的存在。在一个示例中，系统可以比较在特定区域中检测到的光量，并将其与预期的光量(例如，基线光量)进行比较。如果检测到的光量超过预期的光量，则可以确定存在被遮挡对象。在另一示例中，如果检测到的光量具有一个或更多个特性(例如，最小亮度量、特定带中的波长、由特定种类的灯或特定类型的照明设备发射的光)，则也可以确定存在被遮挡对象。可替代地，系统可以生成存在被遮挡车辆的可能性。例如，基于所分析的信息，系统可以指示存在另一车辆的85％的可能性。结合确定对象的存在或其存在的可能性，系统可以估计对象的速度和/或前进(行进方向)。这能够包括消除行进方向的歧义(例如，东行与西行)。可替代地或附加地，系统也可能够确定对象在道路的哪一侧(或车道)上。
78.对象识别/分类可以由车载计算设备(或多个)结合对其他对象的存在的识别来执行，以确定对象的类型和/或对象的一个或更多个特性。作为示例，每个车辆可以维护不同类型的道路用户对象(例如，轿车、卡车、摩托车、轻便摩托车、自行车、急救车辆、工程车辆、农用设备、行人或慢跑者等)、静态环境对象(例如，路灯、停车灯、广告牌和其他照明标志、反射标志(诸如停车和避让标志)等)和/或与这些对象相关联的照明信息(诸如光源的类型(例如，白炽灯、卤素灯、led、霓虹灯)、光源的波长和强度信息、光源到地面的相对高度、对象通常具有两个或更多个光源(例如，汽车、卡车)还是只有一个光源(例如，自行车、摩托车、小型摩托车、慢跑者)、这样的光是连续的还是典型的脉冲亮灭)等的数据库或其他记录。包括关于不同类型的急救车辆(例如，救护车、消防车、警车等)的信息也可能是特别有益的，这是因为检测这些车辆类型可能特别重要，使得自动驾驶车辆能够根据需要采取校正动作(例如，驶过、减速、改变车道等)。在一个场景中，系统比较接收到的传感器信号(例如，沿着道路的照明的检测)，并将其与数据库中的照明和其他信息进行比较，以便识别对象的类型。
79.对象识别/分类可以包括在不同光源之间进行区分和/或在不同光源之间进行相关，以识别被遮挡对象(或多个)的类型(或多个)。例如，不同的光源可以包括多个道路用
户、来自路灯或停车灯的照明、以及来自一个或更多个其他对象(诸如车窗、建筑物窗或车身面板(例如，大型卡车的车身面板))的反射。这里，系统可以在评估中标记或排除来自某些源的光(例如，来自头顶路灯或停车灯的光)。系统也可以对来自一个或更多个反射表面的光进行相关，例如使用三角测量或三边测量技术来确定反射光的来源(或多个)。
80.一旦感兴趣对象已经被分类或以其他方式被识别，系统就能够使用该信息来推断所识别的对象的行为，以增强或以其他方式修改自动驾驶车辆的当前驾驶行为，或两者。作为示例，返回到图6a的场景600，自动驾驶车辆502可以以高可能性(例如，75％确定性或更高)确定由其感知系统检测到的光束图案602的部分来自以30mph向东行驶的乘用车(不是摩托车)。使用路段的地图信息和检测到的交叉街道上停车标志的存在，自动驾驶车辆可以推断乘用车将保持其当前速度并在5-10秒内通过交叉路口。基于此，自动驾驶车辆可以改变徐徐移动到交叉路口的驾驶规划，而是在前进通过交叉路口之前等待额外的时间量。
81.在另一示例中，鉴于场景670，西行的自动驾驶车辆672检测到卡车674正向东转到道路上。基于由虚线680示出的反射并且可能通过直接观察到光束图案678，自动驾驶车辆672可以确定在卡车后面存在被交叉路口的角落上的建筑物遮挡的轿车。这里，自动驾驶车辆可以评估交通灯(未示出)的状态和被遮挡的轿车的估计速度，以预测轿车将停在灯处还是跟随卡车通过交叉路口。自动驾驶车辆可以基于此确定是否执行制动或被动减速操作和/或采取其他正确动作。对于交叉路口，系统可以估计在自动驾驶车辆的盲点中是否存在红灯/停车标志跑步者或任何车辆。在一个示例中，这能够通过将可能以高速率移动的假车辆/对象注入数据集中来测试。灯的存在能够被用于使这样的测试更准确，而不是假设有摩托车手以高速率(例如，所公布的速度限制的2-3倍)沿着道路下行。使用来自灯的信息，系统可以估计是否可能存在以xmph朝向它驶来的车辆，或者甚至估计可能存在的车辆的数量。
82.虽然行为的检测、分类或其他识别和推断都可以由自动驾驶车辆的车载处理系统执行，但是在另一示例中，可以执行车外处理。例如，后端系统可以对多个自动驾驶车辆执行车队管理操作，并且可以能够与车队中的一些或所有自动驾驶车辆实时直接通信。后端系统可以具有比单独的自动驾驶车辆更多的可用于其的处理资源。因此，在一些情况下，后端系统可以能够实时地快速分类和推断照明对象的行为，并将该信息中继给自动驾驶车辆，使得其可以采取正确动作或以其他方式修改其规划的驾驶操作。
83.在一些示例中，可以在照明和其他信息上训练可以包括神经网络的机器学习模型，例如用于确定对象类型。这可以针对具有和不具有其他附近对象(例如，道路上的汽车或其他车辆、相邻建筑物、植被、道路分隔器等)的不同类型的驾驶环境进行，包括高速公路、城市、郊区和农村地面街道、隧道、桥梁等。训练可以基于所收集的现实世界数据，例如具有单个环境或不同环境中的特定类型的照明(例如，根据照明类型、位置类型、环境状况(诸如雾、一天中的时间、温度等)来标记)。由此，可以开发一个或更多个基于光的模型，并在自动驾驶车辆的实时信号评估中、在后端系统的事实(例如，后处理)评估之后、或在这两者中使用该一个或更多个基于光的模型。作为示例，模型结构可以是深度网络，其中，能够通过自动机器学习(例如，使用神经架构搜索(nas)类型模型)来搜索确切的结构和参数。
84.基于此，车载系统(例如，车辆的自主驾驶系统的规划器模块和/或导航系统)能够利用模型(或多个)来评估检测到的光，确定被遮挡对象在道路上的可能性，并决定是否改
变自动驾驶车辆的规划驾驶操作。信息也能够被用在强化学习过程中。仅作为示例，强化学习过程可以示出，当在夜间在十字路口上检测到一对前灯时，车辆应该在转弯或前进通过交叉路口之前等待至少最少秒数(例如，2-5秒)。
85.如上所述，该技术适用于各种类型的自动驾驶车辆，包括乘用车、公共汽车、摩托车、急救车辆、rv、建筑车辆和大型卡车或其他载货车辆。除了将照明信息用于单独自动驾驶车辆的操作之外，该信息还可以与其他自动驾驶车辆(诸如作为车队的一部分的车辆)共享。
86.这种情况的一个示例在图8a和图8b中示出。特别地，图8a和图8b分别是包括经由网络816连接的多个计算设备802、804、806、808和存储系统810的示例系统800的示意图和功能图。系统800还包括被配置为在自主驾驶模式下操作的车辆812和814，其可以被配置为分别与图1a-b和图1c-d的车辆100和150相同或类似。车辆812和/或车辆814可以是车队的一部分。尽管为了简单起见仅描绘了几个车辆和计算设备，但是典型的系统可以包括明显更多的车辆和计算设备。
87.如图8b所示，计算设备802、804、806和808中的每一个可以包括一个或更多个处理器、存储器、数据和指令。这样的处理器、存储器、数据和指令可以与上面关于图2或图3a描述的处理器、存储器、数据和指令类似地配置。
88.各种计算设备和车辆可以经由一个或更多个网络(诸如网络816)直接或间接地通信。网络816和中间节点可以包括各种配置和协议，包括短程通信协议，诸如bluetooth
tm
、bluetooth le
tm
、互联网、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或更多个公司专有的通信协议的专用网络、以太网、wifi和http，以及前述的各种组合。这种通信可以由能够向其他计算设备发送数据和从其他计算设备发送数据的任何设备(诸如调制解调器和无线接口)来促进。
89.在一个示例中，计算设备802可以包括具有多个计算设备的一个或更多个服务器计算设备，例如，负载平衡服务器群，其与网络的不同节点交换信息，以用于从其他计算设备接收数据、处理数据以及向其他计算设备发送数据。例如，计算设备802可以包括能够经由网络816与车辆812和/或814的计算设备以及计算设备804、806和808通信的一个或更多个服务器计算设备。例如，车辆812和/或814可以是能够由服务器计算设备调度到各个位置的自动驾驶车辆的车队的一部分。在这方面，计算设备802可以用作调度服务器计算系统，其能够用于将车辆调度到不同的位置，以便接载乘客和让乘客下车，或者接载和递送货物。另外，服务器计算设备802可以使用网络816来向其他计算设备之一的用户或车辆的乘客发送和呈现信息。在这方面，计算设备804、806和808可以被认为是客户端计算设备。
90.如图8a所示，每个客户端计算设备804、806和808可以是旨在由相应用户818使用的个人计算设备，并且具有通常与个人计算设备结合使用的所有组件，包括一个或更多个处理器(例如，中央处理单元(cpu))、存储数据和指令的存储器(例如，ram和内部硬盘驱动器)、显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视或可操作以显示信息的诸如智能手表显示器的其他设备)、以及用户输入设备(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。
91.尽管客户端计算设备中的每个可以包括全尺寸个人计算设备，但是它们可以替代
地包括能够通过诸如互联网的网络与服务器无线地交换数据的移动计算设备。仅作为示例，客户端计算设备806和808可以是移动电话或设备，诸如支持无线的pda、平板pc、可穿戴计算设备(例如，智能手表)或能够经由互联网或其他网络获得信息的上网本。
92.在一些示例中，客户端计算设备804可以是由管理员或操作者用于与调度车辆的驾驶员通信的远程辅助工作站。尽管在图8a-图8b中仅示出了单个远程辅助工作站804，但是在给定系统中可以包括任何数量的这样的工作站。此外，尽管操作工作站被描绘为台式计算机，但是操作工作站可以包括各种类型的个人计算设备，诸如膝上型计算机、上网本、平板计算机等。作为示例，技术人员或其他用户可以使用远程协助工作站来帮助确定观察到的照明源、对源进行分类和/或识别自动驾驶车辆的适当响应。可以将该评估的结果提供给观察到的照明附近的一个或更多个车辆。另外，这也可以是用于获得标记数据的过程，以：1)评估该方法的准确性；和2)训练所涉及的任何网络。
93.存储系统810可以是能够存储可由服务器计算设备802访问的信息的任何类型的计算机化存储器，诸如硬盘驱动器、存储卡、rom、ram、dvd、cd-rom、闪存驱动器和/或磁带驱动器。另外，存储系统810可以包括分布式存储系统，其中，数据存储在多个不同的存储设备上，这些存储设备可以物理地位于相同或不同的地理位置。存储系统810可以经由网络816连接到计算设备(如图8a-b所示)和/或可以直接连接到或并入任何计算设备中。
94.存储系统810可以存储各种类型的信息。例如，存储系统810还可以存储自动车辆控制软件，该自动车辆控制软件将由诸如车辆812或814的车辆使用，以在自主驾驶模式下操作这样的车辆。存储系统810还可以存储驾驶员特定或标称驾驶模型，以及照明和/或车辆模型和用于不同类型照明的训练数据。可以根据需要与特定车辆或车队共享模型信息。当获得附加驾驶信息时，它可以实时地、周期性地或离线地更新。存储系统810还能够包括地图信息、路线信息、天气信息等。该信息可以与车辆812和814共享，作为示例，用于例如当在特定车辆的外部环境中检测到来自潜在被遮挡对象的光时，在所述特定车辆的实时驾驶期间帮助车载计算机系统进行行为分析。
95.图9示出了根据上述讨论的用于在自主驾驶模式下操作车辆的示例性操作方法900。在框902处，该方法包括由车辆的感知系统的一个或更多个传感器从车辆周围的外部环境获得照明传感器数据。在框904处，处理器基于获得的照明传感器数据检测被遮挡对象存在于外部环境中。在框906处，处理器识别下述中的至少一个：(i)对象的类型或(ii)对象的一个或更多个特性。并且，在框908处，基于下述中的至少一个：(i)对象的类型或(ii)对象的一个或更多个特性，处理器控制车辆在自主驾驶模式下的操作，例如通过改变制动、减速或加速曲线，通过改变车道或车道内的位置，通过改变通过交叉路口的规划进度等。
96.尽管已经参考特定实施例描述了本文的技术，但是将理解，这些实施例仅仅是对本技术的原理和应用的说明。因此，将理解，在不脱离由所附权利要求限定的本技术的精神和范围的情况下，可以对说明性实施例进行许多修改，并且可以设计其他布置。