计算机实现的方法、运载工具和存储介质与流程

1.本说明书涉及用于预测运载工具及其组件的健康状况的技术。


背景技术：

2.运载工具可以包括产生与基本运载工具参数(诸如速率、发动机温度或里程等)有关的数据的传感器。一些运载工具包括嵌入式计算机，这些嵌入式计算机处理该数据并输出信息(例如，故障诊断码)，以向驾驶员提醒运载工具的潜在问题。
附图说明
3.图1示出具有自主能力的自主运载工具的示例。
4.图2例示示例“云”计算环境。
5.图3例示计算机系统。
6.图4示出自主运载工具的示例架构。
7.图5示出感知模块可以使用的输入和输出的示例。
8.图6示出lidar系统的示例。
9.图7示出操作中的lidar系统。
10.图8示出lidar系统的操作的附加细节。
11.图9示出规划模块的输入和输出之间的关系的框图。
12.图10示出路径规划中所使用的有向图。
13.图11示出控制模块的输入和输出的框图。
14.图12示出控制器的输入、输出和组件的框图。
15.图13示出环境中的运载工具的示例。
16.图14示出预测性维护模块的输入、输出和组件的框图。
17.图15示出预测性维护模块的操作的框图。
18.图16示出用于预测运载工具的维护需求的示例处理的流程图。
具体实施方式
19.在以下描述中，为了解释的目的，阐述了许多具体细节，以便提供对本发明的透彻理解。然而，本发明可以在没有这些具体细节的情况下实施将是明显的。在其它实例中，众所周知的构造和装置是以框图形式示出的，以避免不必要地使本发明模糊。
20.在附图中，为了便于描述，示出了示意要素(诸如表示装置、模块、指令块和数据要素的那些要素)的具体排列或次序。然而，本领域技术人员应当理解，附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外，在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素，也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在一些实施例中与其它要素结合。
21.此外，在附图中，连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示
意要素之间的连接、关系或关联，没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说，一些要素之间的连接、关系或关联未在附图中示出，以便不使本公开内容模糊。此外，为了便于例示，使用单个连接要素来表示要素之间的多个连接、关系或关联。例如，如果连接要素表示信号、数据或指令的通信，本领域技术人员应理解，这种要素表示影响通信可能需要的一个或多个信号路径(例如，总线)。
22.现在将详细参考实施例，其示例在附图中例示出。在以下的详细描述中，阐述了许多具体细节，以便提供对所描述的各种实施例的透彻理解。然而，对于本领域的普通技术人员来说将明显的是，可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下，没有详细描述众所周知的方法、程序、组件、电路和网络，以便不会不必要地使实施例的方面模糊。
23.下面描述的若干特征各自可以彼此独立地使用，也可以与其它特征的任何组合一起使用。然而，任何个别特征可能不能解决以上所讨论的任何问题，或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题，但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信息。本文根据以下概要描述实施例：
24.1.总体概述
25.2.系统概述
26.3.自主运载工具架构
27.4.自主运载工具输入
28.5.自主运载工具规划
29.6.自主运载工具控制
30.7.运载工具健康状况的预测性分析
31.总体概述
32.运载工具(诸如自主运载工具等)利用车载传感器收集与影响运载工具的电气和机械组件的操作健康状况的事件有关的数据。例如，运载工具使用车载麦克风和照相机来检测能对运载工具组件造成物理损坏的低烈度撞击(low acuity impact)，诸如与道路碎石或低悬垂植被的碰撞等。作为另一示例，运载工具将照相机和惯性测量单元(imu)与高清地图数据结合使用以检测能增加运载工具组件上的磨损的崎岖地形(例如，坑洼、未铺设道路或快速坡度变化)。使用预测性分析来评估运载工具所经历的事件，以估计运载工具组件的健康状况。可以基于运载工具组件的所估计的健康状况来生成为运载工具特制的维护计划表。在实施例中，在运载工具组件的所估计的健康状况降至低于特定阈值时，对运载工具进行导航(例如，到维护中心)。
33.这些技术的优点中的一些优点包括运载工具安全性和寿命提高。例如，通过使用运载工具传感器来更准确地预测运载工具组件的健康状况，可以主动地修理故障组件以避免进一步的运载工具损坏并提高运载工具安全性。另外，可以使用与运载工具传感器所检测到的事件有关的信息来识别道路网络的问题区域并通知运载工具路线选择。此外，通过使用运载工具的特制维护计划表，减少了不必要的维护访问。
34.系统概述
35.图1示出具有自主能力的自主运载工具100的示例。
36.如本文所使用的，术语“自主能力”是指一种功能、特征或设施，该功能、特征或设施使运载工具能够部分地或完全地操作，而无需实时的人类干预，包括但不限于完全自主运载工具、高度自主运载工具和有条件自主运载工具。
37.如本文所使用的，自主运载工具(av)是一种具有自主能力的运载工具。
38.如本文所使用的，“运载工具”包括货物或人员的运输方式。例如，小汽车、公共汽车、火车、飞机、无人机、卡车、船只、舰艇、潜水器、飞船等。无人驾驶的小汽车是运载工具的示例。
39.如本文所使用的，“轨迹”是指将av从第一时空地点导航到第二时空地点的路径或路线。在实施例中，第一时空地点被称为初始地点或起始地点，第二时空地点被称为目的地、最终地点、目标、目标位置或目标地点。在一些示例中，轨迹由一个或多个路段(例如，道路的数段)组成，并且各路段由一个或多个块(例如，车道或交叉口的一部分)组成。在实施例中，时空地点对应于真实世界地点。例如，时空地点是上车或下车地点，以使人员或货物上车或下车。
40.如本文所使用的，“(一个或多个)传感器”包括一个或多个硬件组件，用于检测与传感器周围环境有关的信息。一些硬件组件可包括感测组件(例如，图像传感器、生物特征传感器)、传输和/或接收组件(例如，激光或射频波发射器和接收器)、电子组件(诸如，模数转换器)、数据存储装置(诸如，ram和/或非易失性存储器)、软件或固件组件和数据处理组件(诸如，专用集成电路)、微处理器和/或微控制器。
41.如本文所使用的，“场景描述”是一种数据结构(例如，列表)或数据流，其包括由av运载工具上的一个或多个传感器检测到的一个或多个分类或标记的对象，或由av外部的源提供的一个或多个分类或标记的对象。
42.如本文所使用的，“道路”是一个可以被运载工具穿过的物理区域，并且可以对应于已命名的通道(例如，城市街道、州际高速公路等)或可对应于未命名的通道(例如，房屋或办公楼内的行车道、停车场的一段、空置停车场的一段、乡村区域的污物通道等)。因为有些运载工具(例如，四轮驱动的小卡车、越野车(suv)等)能够穿过各种不特别适合运载工具行驶的物理区域，因此“道路”可以是任何市政当局或其它政府或行政机构没有正式定义为一条通道的物理区域。
43.如本文所使用的，“车道”是道路的可被运载工具穿越的部分。有时基于车道标记来识别车道。例如，车道可对应于车道标记之间的大部分或全部空间，或仅对应于车道标记之间的部分空间(例如，小于50％)。例如，具有相距很远的车道标记的道路可能容纳两个或两个以上的运载工具，使得一个运载工具可以在不穿过车道标记的情况下超过另一个运载工具，因此可被解释为车道比车道标记之间的空间窄，或车道之间有两个车道。在没有车道标记的情况下，也可以对车道进行解释。例如，可以基于环境的物理特征(例如，农村地区的岩石和沿着大道的树木、或者例如在欠发达地区应避免的自然障碍物)来定义车道。也可以独立于车道标记或物理特征来解释车道。例如，可以基于原本缺少将会被解释为车道边界的特征的在区域中无障碍物的任意路径来解释车道。在示例情景中，av可以解释通过田野或空地的无障碍物部分的车道。在另一示例情景中，av可以解释通过不具有车道标记的宽(例如，足够两个或更多个车道宽)道路的车道。在该情景中，av可以将与车道有关的信息通信至其它av，使得其它av可以使用相同的车道信息来协调av之间的路径规划。
44.术语“空中下载(ota)客户端”包括任何av，或者嵌入在av中、耦接至av或与av进行通信的任何电子装置(例如，计算机、控制器、iot装置、电子控制单元(ecu))。
45.术语“空中下载(ota)更新”意味着对使用专有和/或标准化的无线通信技术递送至ota客户端的软件、固件、数据或配置设置或者它们的任何组合的任何更新、改变、删除或添加，其中该专有和/或标准化的无线通信技术包括但不限于：蜂窝移动通信(例如，2g、3g、4g、5g)、无线电无线区域网络(例如，wifi)和/或卫星因特网。
46.术语“边缘节点”是指耦接至网络的一个或多个边缘装置，这些装置提供与av进行通信所用的门户并且可以与其它边缘节点和基于云的计算平台进行通信，以调度ota更新并将ota更新递送至ota客户端。
47.术语“边缘装置”是指实现边缘节点并提供向企业或服务提供商(如verizon、at&t)核心网的物理无线接入点(ap)的装置。边缘装置的示例包括但不限于：计算机、控制器、发送器、路由器、路由交换机、综合接入装置(iad)、多路复用器、城域网(man)和广域网(wan)接入装置。
[0048]“一个或多个”包括由一个要素执行的功能、由多个要素例如以分布式的方式执行的功能、由一个要素执行的若干功能、由若干要素执行的若干功能、或上述的任何组合。
[0049]
还将理解的是，尽管在一些情况下，术语“第一”、“第二”等在本文中是用来描述各种要素的，但这些要素不应受到这些术语的限制。这些术语仅用于区分一个要素与另一个要素。例如，在未背离各种所描述的实施例的范围的情况下，第一触点可被称为第二触点，并且类似地，第二触点可被称为第一触点。第一触点和第二触点两者都是触点，但它们不是相同触点。
[0050]
在本文所描述的各种实施例的说明书中使用的术语仅用于描述特定实施例的目的，而不是意在限制。如在所描述的各种实施例的说明书和所附权利要求书中所使用的，单数形式“a”、“an”和“the”也意在包括复数形式，除非上下文另有明确说明。还将理解的是，如本文所使用的“和/或”是指并且包括一个或多个相关清单项目的任何和所有可能的组合。还将理解的是，当在本说明书中使用术语“包括”、“包含”、“具备”和/或“具有”时，具体说明存在所陈述的特征、整数、步骤、操作、要素和/或组件，但并不排除存在或添加一个或多个其它特征、整数、步骤、操作、要素、组件、和/或其群组。
[0051]
如本文所使用的，取决于上下文，术语“如果”可选地被理解为意指“当”或“在当时”或“响应于确定为”或“响应于检测到”。类似地，取决于上下文，短语“如果已确定”或“如果[所陈述的条件或事件]已被检测到”可选地被理解为意指“在确定时”或“响应于确定为“或”在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。
[0052]
如本文所使用的，av系统是指av以及支持av操作的硬件、软件、存储的数据和实时生成的数据的阵列。在实施例中，av系统并入在av内。在实施例中，av系统跨若干地点分布。例如，av系统的一些软件是在类似于下面关于图2描述的云计算环境200的云计算环境上实现的。
[0053]
一般而言，本文件描述了适用于任何具有一种或多种自主能力的运载工具的技术，包括完全自主运载工具、高度自主运载工具和有条件自主运载工具，诸如分别为所谓的第5级、第4级和第3级运载工具(见sae国际标准j3016：道路上机动车自动驾驶系统相关术语的分类和定义，通过引用将其全部内容并入本文件，用于了解运载工具自主权等级的更
多详细信息)。本文件所描述的技术也适用于部分自主运载工具和驾驶员辅助运载工具，诸如所谓的第2级和第1级运载工具(见sae国际标准j3016：道路上机动车自动驾驶系统相关术语的分类和定义)。在实施例中，一个或多个第1级、第2级、第3级、第4级和第5级运载工具系统可基于对传感器输入的处理，在某些操作条件下自动执行某些运载工具操作(例如，转向、制动和使用地图)。本文件中所描述的技术可以使从完全自主运载工具到人类操作的运载工具范围内的任何级别的运载工具受益。
[0054]
自主运载工具与需要人类驾驶员的运载工具相比存在优势。一个优势是安全性。例如，在2016年，美国经历了600万起汽车事故、240万人受伤、40000人死亡和1300万辆运载工具碰撞事故，估计社会成本为9100亿美元多。从1965年到2015年，每行驶1亿英里的美国交通事故死亡人数已从约6人减少到约1人，部分是由于运载工具中所部署的附加安全措施。例如，认为与将发生碰撞有关的额外半秒的警告减轻了60％的前后碰撞。然而，被动安全特征(例如，安全带、安全气囊)在改进该数字方面有可能已达到它们的极限。因而，诸如运载工具的自动控制等的主动安全措施是改进这些统计数据的可能的下一步。由于在95％的碰撞中认为人类驾驶员是造成严重碰撞前事件的原因，因此自动驾驶系统例如通过以下操作，有可能实现更好的安全结果：比人类更好地可靠地识别和避免紧急情况；做出比人类更好的决策，比人类更好地遵守交通法规，并且比人类更好地预测将来事件；并且比人类更好地可靠地控制运载工具。
[0055]
参考图1，av系统120使av 100沿着轨迹198操作，穿过环境190至目的地199(有时称为最终地点)，同时避开对象(例如，自然障碍物191、运载工具193、行人192、骑车者和其它障碍物)和遵守道路规则(例如，操作规则或驾驶偏好)。
[0056]
在实施例中，av系统120包括用于从计算机处理器146接收操作命令并对其进行操作的装置101。使用术语“操作命令”来表示使得运载工具进行动作(例如，驾驶机动动作)的可执行指令(或指令集)。操作命令可以非限制性地包括用于使运载工具开始向前移动、停止向前移动、开始向后移动、停止向后移动、加速、减速、进行左转和进行右转的指令。在实施例中，计算处理器146与下面参考图3描述的处理器304相似。装置101的示例包括转向控制器102、制动器103、挡位、加速踏板或其它加速控制机构、挡风玻璃雨刮器、侧门锁、窗控器和转向指示器。
[0057]
在实施例中，av系统120包括用于测量或推断av 100的状态或条件的属性的传感器121，这些属性诸如是av的位置、线速度和角速度及线加速度和角加速度、以及航向(例如，av 100的前端的方向)。传感器121的示例是gps、测量运载工具线加速度和角速率两者的惯性测量单元(imu)、用于测量或估计轮滑移率的轮速率传感器、轮制动压力或制动扭矩传感器、引擎扭矩或轮扭矩传感器以及转向角度和角速率传感器。
[0058]
在实施例中，传感器121还包括用于感测或测量av的环境的属性的传感器。例如，可见光、红外或热(或两者兼有)光谱的单目或立体摄像机122，lidar 123，radar，超声波传感器，飞行时间(tof)深度传感器，速率传感器，温度传感器，湿度传感器和降水传感器。
[0059]
在实施例中，av系统120包括数据存储单元142和存储器144，用于存储与计算机处理器146相关联的机器指令或由传感器121收集的数据。在实施例中，数据存储单元142与以下关于图3描述的rom 308或存储装置310类似。在实施例中，存储器144与下面描述的主存储器306类似。在实施例中，数据存储单元142和存储器144存储有关环境190的历史、实时
和/或预测性信息。在实施例中，存储的信息包括地图、驾驶性能、交通拥堵更新或天气条件。在实施例中，与环境190有关的数据从远程数据库134通过通信信道传输到av100。
[0060]
在实施例中，av系统120包括通信装置140，用于将对其它运载工具的状态和条件(诸如位置、线速度和角速度、线加速度和角加速度、以及线航向和角航向)测量或推断的属性传送到av 100。这些装置包括运载工具到运载工具(v2v)和运载工具到基础设施(v2i)通信装置以及用于通过点对点或自组织(ad hoc)网络或两者进行无线通信的装置。在实施例中，通信装置140跨电磁频谱(包括无线电和光通信)或其它介质(例如，空气和声介质)进行通信。运载工具对运载工具(v2v)、运载工具对基础设施(v2i)通信(以及在一些实施例中为一种或多种其它类型的通信)的组合有时被称为运载工具对所有事物(v2x)通信。v2x通信通常符合一个或多个通信标准，用于与自主运载工具进行的和在自主运载工具之间的通信。
[0061]
在实施例中，通信装置140包括通信接口。例如，有线、无线、wimax、wi-fi、蓝牙、卫星、蜂窝、光、近场、红外或无线电接口。通信接口将数据从远程数据库134传输到av系统120。在实施例中，远程数据库134嵌入在如图2中所描述的云计算环境200中。通信接口140将从传感器121收集的数据或与av 100操作有关的其它数据传输到远程数据库134。在实施例中，通信接口140向av 100传输与遥操作有关的信息。在一些实施例中，av 100与其它远程(例如，“云”)服务器136通信。
[0062]
在实施例中，远程数据库134还存储和传输数字数据(例如，存储诸如道路和街道地点的数据)。这些数据存储在av 100上的存储器144中，或者通过通信信道从远程数据库134传输到av 100。
[0063]
在实施例中，远程数据库134存储和传输与以前在一天中类似时间沿着轨迹198行驶的运载工具的驾驶属性有关的历史信息(例如，速率和加速度分布)。在一个实现中，这种数据可以存储在av 100上的存储器144中，或者通过通信信道从远程数据库134传输到av 100。
[0064]
位于av 100上的计算装置146基于实时传感器数据和先验信息两者以算法方式生成控制动作，允许av系统120执行其自主驾驶能力。
[0065]
在实施例中，av系统120包括耦接到计算装置146的计算机外围设备132，用于向av 100的用户(例如，乘员或远程用户)提供信息和提醒并接收来自该用户的输入。在实施例中，外围设备132类似于下面参考图3讨论的显示器312、输入装置314和光标控制器316。耦接是无线的或有线的。任意两个或更多个的接口装置可以集成到单个装置中。
[0066]
在实施例中，av系统120接收并强制执行例如由乘员指定的或者存储在与乘员相关联的简档中的乘员的隐私级别。乘员的隐私级别确定了如何许可使用存储在乘员简档中的以及/或者存储在云服务器136上且与乘员简档相关联的、与乘员相关联的特定信息(例如，乘员舒适度数据、生物测量数据等)。在实施例中，隐私级别指定了一旦搭乘完成则被删除的与乘员相关联的特定信息。在实施例中，隐私级别指定了与乘员相关联的特定信息，并且标识被授权访问该信息的一个或多个实体。被授权访问信息的所指定的实体的示例可以包括其它av、第三方av系统、或者可以潜在地访问该信息的任何实体。
[0067]
可以在一个或多个粒度级别指定乘员的隐私级别。在实施例中，隐私级别标识要存储或共享的特定信息。在实施例中，隐私级别适用于与乘员相关联的所有信息，使得乘员
可以指定不存储或共享她的个人信息。被许可访问特定信息的实体的指定也可以在各种粒度级别指定。被许可访问特定信息的各种实体集例如可以包括其它av、云服务器136、特定第三方av系统等。
[0068]
在实施例中，av系统120或云服务器136确定av 100或另一实体是否可访问与乘员相关联的某些信息。例如，试图访问与特定时空地点有关的乘员输入的第三方av系统必须例如从av系统120或云服务器136获得授权，以访问与乘员相关联的信息。例如，av系统120使用乘员的指定隐私级别来确定是否可以将与时空地点有关的乘员输入呈现给第三方av系统、av 100或另一av。这使得乘员的隐私级别能够指定允许哪些其它实体接收与乘员的动作有关的数据或与乘员相关联的其它数据。
[0069]
图2例示示例“云”计算环境。云计算是一种服务交付模式，用于使得能够方便、按需地在网络上访问可配置计算资源(例如网络、网络带宽、服务器、处理、内存、存储、应用程序、虚拟机和服务)的共享池。在典型的云计算系统中，一个或多个大型云数据中心容纳用于交付云所提供的服务的机器。现在参考图2，云计算环境200包括通过云202互连的云数据中心204a、204b和204c。数据中心204a、204b和204c为连接到云202的计算机系统206a、206b、206c、206d、206e和206f提供云计算服务。
[0070]
云计算环境200包括一个或多个云数据中心。一般而言，云数据中心(例如图2中所示的云数据中心204a)是指构成云(例如图2中所示的云202或云的特定部分)的服务器的物理排列。例如，服务器在云数据中心中物理排列成房间、组、行和机架。云数据中心有一个或多个区域，其中包括一个或多个服务器房间。每个房间有一行或多行服务器，并且每行包括一个或多个机架。每个机架包括一个或多个单独的服务器节点。在一些实现中，区域、房间、机架和/或行中的服务器基于数据中心设施的物理基础设施要求(包括电力、能源、热力、热源和/或其它要求)被排列成若干组。在实施例中，服务器节点类似于图3中描述的计算机系统。数据中心204a具有许多分布在多个机架上的计算系统。
[0071]
云202包括云数据中心204a、204b和204c以及用于连接云数据中心204a、204b和204c并有助于促进计算系统206a-f对云计算服务的访问的网络和网络资源(例如，网络设备、节点、路由器、交换机和网络电缆)。在实施例中，该网络表示一个或多个本地网络、广域网或通过使用地面或卫星连接部署的有线或无线链路耦接的网际网络的任意组合。通过网络交换的数据使用多种网络层协议(诸如，因特网协议(ip)、多协议标签交换(mpls)、异步传输模式(atm)、帧中继(frame relay)等)进行传输。此外，在网络表示多个子网络的组合的实施例中，在每个底层子网络上使用不同的网络层协议。在一些实施例中，网络表示一个或多个互连网际网络(诸如公共因特网等)。
[0072]
计算系统206a-f或云计算服务消费者通过网络链路和网络适配器连接到云202。在实施例中，计算系统206a-f被实现为各种计算装置，例如服务器、台式机、膝上型计算机、平板电脑、智能手机、物联网(iot)装置、自主运载工具(包括小汽车、无人机、航天飞机、火车、公共汽车等)和消费电子产品。在实施例中，计算系统206a-f在其它系统中实现或作为其它系统的一部分实现。
[0073]
图3例示计算机系统300。在实现中，计算机系统300是一种专用计算装置。专用计算装置被硬连线以执行这些技术，或包括诸如一个或多个专用集成电路(asic)或现场可编程门阵列(fpga)的被持久编程为执行上述技术的数字电子装置，或可包括一个或多个通用
硬件处理器，这些硬件处理器经编程以根据固件、存储器、其它存储器、或者组合中的程序指令执行这些技术。这种专用的计算装置还可以将定制的硬线逻辑、asic或fpga与定制的编程相结合来完成这些技术。在各种实施例中，专用计算装置是台式计算机系统、便携式计算机系统、手持装置、网络装置或包含硬线和/或程序逻辑以实现这些技术的任何其它装置。
[0074]
在实施例中，计算机系统300包括总线302或用于传达信息的其它通信机制、以及与总线302耦接以处理信息的硬件处理器304。硬件处理器304是例如通用微处理器。计算机系统300还包括主存储器306，诸如随机存取存储器(ram)或其它动态存储装置，该主存储器306耦接到总线302以存储信息和指令，该信息和指令由处理器304执行。在一个实现中，主存储器306用于在执行要由处理器304执行的指令期间存储临时变量或其它中间信息。当这些指令存储在处理器304可访问的非暂时性存储介质中时，使计算机系统300变成一个专用机器，该机器被定制以执行指令中指定的操作。
[0075]
在实施例中，计算机系统300还包括只读存储器(rom)308或耦接到总线302的其它静态存储装置，用于存储处理器304的静态信息和指令。提供诸如磁盘、光盘、固态驱动器或三维交叉点存储器的存储装置310，并且该存储装置310耦接到总线302以存储信息和指令。
[0076]
在实施例中，计算机系统300通过总线302耦接到诸如阴极射线管(crt)、液晶显示器(lcd)、等离子体显示器、发光二极管(led)显示器或用于向计算机用户显示信息的有机发光二极管(oled)显示器的显示器312。包括字母数字键和其它键的输入装置314耦接到总线302，用于向处理器304传送信息和命令选择。另一种类型的用户输入装置是光标控制器316，诸如鼠标、轨迹球、触控显示器或光标方向键，用于将方向信息和命令选择传送到处理器304，并用于控制光标在显示器312上的移动。这种输入装置通常具有两个轴(第一轴(例如，x轴)和第二轴(例如，y轴))上的两个自由度，这两个轴允许装置指定平面上的位置。
[0077]
根据一个实施例，本文的技术由计算机系统300响应于处理器304执行主存储器306中包含的一个或多个指令的一个或多个序列而执行。这些指令从诸如存储装置310的另一存储介质读入主存储器306。执行主存储器306中包含的指令序列使处理器304执行本文所描述的过程步骤。在替代实施例中，使用硬连线电路代替或与软件指令结合使用。
[0078]
如本文所使用的术语“存储介质”是指存储数据和/或指令的任何非暂时性介质，这些数据和/或指令使机器以特定方式操作。这种存储介质包括非易失性介质和/或易失性介质。非易失性介质例如包括诸如存储装置310的光盘、磁盘、固态驱动器或三维交叉点存储器。易失性介质包括动态存储器，诸如主存储器306。存储介质的常见形式包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其它磁数据存储介质、cd-rom、任何其它光数据存储介质、任何具有孔型的物理介质、ram、prom和eprom、flash-eprom、nv-ram、或任何其它存储芯片或存储盒。
[0079]
存储介质有别于传输介质，但可以与传输介质相结合使用。传输介质参与存储介质之间的信息传输。例如，传输介质包括同轴电缆、铜线和光纤，其包括具备总线302的电线。传输介质也可以采取声波或光波的形式，诸如在无线电波和红外数据通信过程中产生的声波或光波。
[0080]
在实施例中，各种形式的介质涉及将一个或多个指令的一个或多个序列承载到处理器304以供执行。例如，这些指令最初是在远程计算机的磁盘或固态驱动器上执行的。远
程计算机将指令加载到其动态存储器中，并使用调制解调器通过电话线路发送指令。计算机系统300的本地调制解调器接收电话线路上的数据，并使用红外发射器将数据转换为红外信号。红外检测器接收红外信号中承载的数据，并且适当的电路将数据放置在总线302上。总线302将数据承载到主存储器306，处理器304从主存储器306检索并执行指令。主存储器306接收的指令可以可选地在处理器304执行之前或之后存储在存储装置310上。
[0081]
计算机系统300还包括耦接到总线302的通信接口318。通信接口318提供耦接到连接至本地网络322的网络链路320的双向数据通信。例如，通信接口318是综合业务数字网(isdn)卡、电缆调制解调器、卫星调制解调器或用以提供与相应类型电话线路的数据通信连接的调制解调器。作为另一示例，通信接口318是局域网(lan)卡，用于提供与兼容lan的数据通信连接。在一些实现中，无线链路也被实现。在任何这种实现中，通信接口318发送和接收承载表示各种类型的信息的数字数据流的电、电磁或光信号。
[0082]
网络链路320通常通过一个或多个网络向其它数据装置提供数据通信。例如，网络链路320通过本地网络322提供与主计算机324或与由因特网服务提供商(isp)326运营的云数据中心或设备的连接。isp 326又通过现在通常称为“因特网”328的世界范围分组数据通信网络来提供数据通信服务。本地网络322和因特网328两者都使用承载数字数据流的电、电磁或光信号。通过各种网络的信号以及网络链路320上并通过通信接口318的信号是传输介质的示例形式，其中这些信号承载了进出计算机系统300的数字数据。在实施例中，网络320包含上述云202或云202的一部分。
[0083]
计算机系统300通过(一个或多个)网络、网络链路320和通信接口318发送消息和接收包括程序代码的数据。在实施例中，计算机系统300接收用于处理的代码。接收到的代码在接收到时由处理器304执行，和/或存储在存储装置310中，或存储在其它非易失性存储装置中以便以后执行。
[0084]
自主运载工具架构
[0085]
图4示出用于自主运载工具(例如，图1所示的av 100)的示例架构400。架构400包括感知模块402(有时称为感知电路)、规划模块404(有时称为规划电路)、控制模块406(有时称为控制电路)、定位模块408(有时称为定位电路)和数据库模块410(有时称为数据库电路)。各模块在av 100的操作中发挥作用。共同地，模块402、404、406、408和410可以是图1所示的av系统120的一部分。在一些实施例中，模块402、404、406、408和410中的任何模块是计算机软件(例如，计算机可读介质上所存储的可执行代码)和计算机硬件(例如，一个或多个微处理器、微控制器、专用集成电路[asic]、硬件存储器装置、其它类型的集成电路、其它类型的计算机硬件、或者这些硬件中的任何或所有的组合)的组合。模块402、404、406、408和410各自有时被称为处理电路(例如，计算机硬件、计算机软件、或者这两者的组合)。模块402、404、406、408和410中的任何或全部的组合也是处理电路的示例。
[0086]
在使用中，规划模块404接收表示目的地412的数据，并且确定表示av100为了到达(例如，抵达)目的地412而可以行驶的轨迹414(有时称为路线)的数据。为了使规划模块404确定表示轨迹414的数据，规划模块404从感知模块402、定位模块408和数据库模块410接收数据。
[0087]
感知模块402使用例如也如图1所示的一个或多个传感器121来识别附近的物理对象。将对象分类(例如，分组成诸如行人、自行车、汽车、交通标志等的类型)，并且将包括经
分类的对象416的场景描述提供至规划模块404。
[0088]
规划模块404还从定位模块408接收表示av位置418的数据。定位模块408通过使用来自传感器121的数据和来自数据库模块410的数据(例如，地理数据)以计算位置来确定av位置。例如，定位模块408使用来自gnss(全球导航卫星系统)传感器的数据和地理数据来计算av的经度和纬度。在实施例中，定位模块408所使用的数据包括具有行车道几何属性的高精度地图、描述道路网络连接属性的地图、描述行车道物理属性(诸如交通速率、交通量、运载工具和自行车车道的数量、车道宽度、车道交通方向、或车道标记类型和地点，或者它们的组合)的地图、以及描述道路特征(诸如十字路口、交通标志或各种类型的其它行驶信号等)的空间地点的地图。在实施例中，高精度地图是通过将数据经由自动或手动标注添加到低精度地图所构建的。
[0089]
控制模块406接收表示轨迹414的数据和表示av位置418的数据，并且以将使得av 100行驶轨迹414到达目的地412的方式来操作av的控制功能420a～420c(例如，转向、油门、制动、点火)。例如，如果轨迹414包括左转，则控制模块406将以如下方式操作控制功能420a～420c：转向功能的转向角度将使得av 100左转，并且油门和制动将使得av 100在进行转弯之前暂停并等待经过的行人或运载工具。
[0090]
自主运载工具输入
[0091]
图5示出感知模块402(图4)所使用的输入502a-502d(例如，图1中所示的传感器121)和输出504a-504d(例如，传感器数据)的示例。一个输入502a是lidar(光检测和测距)系统(例如，图1所示的lidar 123)。lidar是使用光(例如，诸如红外光等的一道光)来获得与其视线中的物理对象有关的数据的技术。lidar系统产生lidar数据作为输出504a。例如，lidar数据是用于构造环境190的表示的3d或2d点(也称为点云)的集合。
[0092]
另一输入502b是radar(雷达)系统。radar是使用无线电波来获得与附近的物理对象有关的数据的技术。radar可以获得与不在lidar系统的视线内的对象有关的数据。radar系统502b产生radar数据作为输出504b。例如，radar数据是用于构造环境190的表示的一个或多个射频电磁信号。
[0093]
另一输入502c是照相机系统。照相机系统使用一个或多个照相机(例如，使用诸如电荷耦接器件[ccd]等的光传感器的数字照相机)来获取与附近的物理对象有关的信息。照相机系统产生照相机数据作为输出504c。照相机数据通常采用图像数据(例如，诸如raw、jpeg、png等的图像数据格式的数据)的形式。在一些示例中，照相机系统具有例如为了立体影像(立体视觉)的目的的多个独立照相机，这使得照相机系统能够感知深度。尽管照相机系统所感知的对象在这里被描述为“附近”，但这是相对于av而言的。在使用中，照相机系统可被配置为“看见”远处的(例如，av前方的远至1公里或更远的)对象。因此，照相机系统可以具有为了感知遥远的对象而优化的诸如传感器和镜头等的特征。
[0094]
另一输入502d是交通灯检测(tld)系统。tld系统使用一个或多个照相机来获得与交通灯、街道标志和提供视觉导航信息的其它物理对象有关的信息。tld系统产生tld数据作为输出504d。tld数据经常采用图像数据(例如，诸如raw、jpeg、png等的图像数据格式的数据)的形式。tld系统与包含照相机的系统的不同之处在于：tld系统使用具有宽视场(例如，使用广角镜头或鱼眼镜头)的照相机，以获得与尽可能多的提供视觉导航信息的物理对象有关的信息，使得av 100能够访问这些对象所提供的所有相关导航信息。例如，tld系统
的视角可以为约120度或更大。
[0095]
在一些实施例中，使用传感器融合技术来组合输出504a-504d。因而，将个体输出504a-504d提供至av 100的其它系统(例如，提供至如图4所示的规划模块404)，或者可以采用相同类型的单个组合输出或多个组合输出(例如，使用相同组合技术或组合相同输出或者这两者)或不同类型的单个组合输出或多个组合输出(例如，使用不同的各个组合技术或组合不同的各个输出或者这两者)的形式，将组合输出提供至其它系统。在一些实施例中，使用早期融合技术。早期融合技术的特征在于：在将一个或多个数据处理步骤应用到组合输出之前，将输出组合。在一些实施例中，使用后期融合技术。后期融合技术的特征在于：在将一个或多个数据处理步骤应用到个体输出之后，将输出组合。
[0096]
图6示出lidar系统602的示例(例如，图5所示的输入502a)。lidar系统602从发光器606(例如，激光发射器)发射光604a-604c。lidar系统所发射的光通常不在可见光谱中；例如，经常使用红外光。所发射的光604b中的一些光遇到物理对象608(例如，运载工具)并且反射回到lidar系统602。(从lidar系统发射的光通常不会穿透物理对象，例如，实心形式的物理对象。)lidar系统602还具有用于检测反射光的一个或多个光检测器610。在实施例中，与lidar系统相关联的一个或多个数据处理系统生成表示lidar系统的视场614的图像612。图像612包括表示物理对象608的边界616的信息。这样，图像612用于确定av附近的一个或多个物理对象的边界616。
[0097]
图7示出操作中的lidar系统602。在该图所示的情境中，av 100接收采用图像702的形式的照相机系统输出504c和采用lidar数据点704的形式的lidar系统输出504a两者。在使用中，av 100的数据处理系统将图像702与数据点704进行比较。特别地，在数据点704中也识别在图像702中识别出的物理对象706。这样，av 100基于数据点704的轮廓和密度来感知物理对象的边界。
[0098]
图8示出lidar系统602的操作的附加细节。如上所述，av 100基于lidar系统602所检测到的数据点的特性来检测物理对象的边界。如图8所示，诸如地面802等的平坦对象将以一致的方式反射从lidar系统602发射的光804a-804d。换句话说，由于lidar系统602使用一致的间隔发射光，因此地面802将以相同的一致间隔将光反射回到lidar系统602。在av 100在地面802上行驶时，在没有东西阻挡道路的情况下，lidar系统602将继续检测到由下一个有效地面点806反射的光。然而，如果对象808阻挡道路，则lidar系统602所发射的光804e-804f将以与预期一致方式不一致的方式从点810a-810b反射。根据该信息，av 100可以确定存在对象808。
[0099]
路径规划
[0100]
图9示出(例如，如图4所示的)规划模块404的输入和输出之间的关系的框图900。一般而言，规划模块404的输出是从起点904(例如，源地点或初始地点)到终点906(例如，目的地或最终地点)的路线902。路线902通常由一个或多个路段定义。例如，路段是指要在街道、道路、公路、行车道或适合汽车行驶的其它物理区域的至少一部分上行驶的距离。在一些示例中，例如，如果av 100是诸如四轮驱动(4wd)或全轮驱动(awd)小汽车、suv或小卡车等的能够越野的运载工具，则路线902包括诸如未铺面路径或开阔田野等的“越野”路段。
[0101]
除路线902之外，规划模块还输出车道级路线规划数据908。车道级路线规划数据908用于在特定时间基于路线902的路段的条件来驶过这些路段。例如，如果路线902包括多
车道公路，则车道级路线规划数据908包括轨迹规划数据910，其中av 100可以使用该轨迹规划数据910以例如基于出口是否临近、多个车道中的一个或多个车道是否存在其它运载工具、或者在几分钟或更少时间的过程中变化的其它因素来从这多个车道中选择某车道。类似地，在一些实现中，车道级路线规划数据908包括路线902的某路段特有的速率约束912。例如，如果该路段包括行人或非预期交通，则速率约束912可以将av 100限制到比预期速率慢的行驶速率，例如基于该路段的限速数据的速率。
[0102]
在实施例中，向规划模块404的输入包括(例如，来自图4所示的数据库模块410的)数据库数据914、当前地点数据916(例如，图4所示的av位置418)、(例如，用于图4所示的目的地412的)目的地数据918和对象数据920(例如，如图4所示的感知模块402所感知的经分类的对象416)。在一些实施例中，数据库数据914包括规划时所使用的规则。规则是使用形式语言(例如，使用布尔逻辑)指定的。在av 100所遇到的任何给定情形中，这些规则中的至少一些规则将适用于该情形。如果规则具有基于av 100可用的信息(例如，与周围环境有关的信息)所满足的条件，则该规则适用于给定情形。规则可以具有优先级。例如，“如果公路是高速公路，则移动到最左侧车道”这一规则与“如果出口在一英里内临近，则移动到最右侧车道”相比可以具有更低的优先级。
[0103]
图10示出在路径规划中(例如，由规划模块404(图4))使用的有向图1000。一般而言，如图10所示的有向图那样的有向图1000用于确定任何起点1002和终点1004之间的路径。在现实世界中，分隔起点1002和终点1004的距离可能相对较大(例如，在两个不同的都市区域中)，或者可能相对较小(例如，毗邻城市街区的两个十字路口或多车道道路的两条车道)。
[0104]
在实施例中，有向图1000具有表示起点1002和终点1004之间的av 100可能占用的不同地点的节点1006a-1006d。在一些示例中，例如，在起点1002和终点1004表示不同的都市区域时，节点1006a-1006d表示道路的路段。在一些示例中，例如，在起点1002和终点1004表示相同道路上的不同地点时，节点1006a-1006d表示该道路上的不同位置。这样，有向图1000包括不同粒度级别的信息。在实施例中，具有高粒度的有向图也是具有更大规模的另一有向图的子图。例如，起点1002和终点1004相距远(例如，相距许多英里)的有向图的大部分信息处于低粒度，并且该有向图是基于所存储的数据，但该有向图还包括用于该有向图中的表示av 100的视场中的物理地点的一部分的一些高粒度信息。
[0105]
节点1006a-1006d不同于无法与节点重叠的对象1008a-1008b。在实施例中，在粒度低时，对象1008a-1008b表示汽车不能穿过的地区，例如无街道或道路的区域。在粒度高时，对象1008a-1008b表示av 100的视场中的物理对象，例如其它汽车、行人、或av 100不能与之共用物理空间的其它实体。在实施例中，对象1008a-1008b的一部分或全部是静态对象(例如，不改变位置的对象，诸如街灯或电线杆等)或动态对象(例如，能够改变位置的对象，诸如行人或其它小汽车等)。
[0106]
节点1006a-1006d通过边1010a-1010c连接。如果两个节点1006a-1006b通过边1010a连接，则av 100可以在一个节点1006a和另一节点1006b之间行驶，例如，而不必在到达另一节点1006b之前行驶到中间节点。(当提到av 100在节点之间行驶时，意味着av 100在由相应节点表示的两个物理位置之间行驶。)边1010a-1010c通常是双向的，从某种意义上，av 100从第一节点行驶到第二节点，或者从第二节点行驶到第一节点。在实施例中，边
1010a-1010c是单向的，从某种意义上，av 100可以从第一节点行驶到第二节点，然而av100不能从第二节点行驶到第一节点。在边1010a-1010c表示例如单向街道，街道、道路或公路的单独车道，或者由于法律或物理约束因而仅能沿一个方向穿过的其它特征的情况下，边1010a-1010c是单向的。
[0107]
在实施例中，规划模块404使用有向图1000来识别由起点1002和终点1004之间的节点和边组成的路径1012。
[0108]
边1010a-1010c具有关联成本1014a-1014b。成本1014a-1014b是表示在av100选择该边的情况下将花费的资源的值。典型的资源是时间。例如，如果一个边1010a所表示的物理距离是另一边1010b所表示的物理距离的两倍，则第一边1010a的关联成本1014a可以是第二边1010b的关联成本1014b的两倍。影响时间的其它因素包括预期交通、十字路口的数量、限速等。另一典型的资源是燃料经济性。两个边1010a-1010b可以表示相同的物理距离，但例如由于道路条件、预期天气等，因此一个边1010a与另一边1010b相比需要更多的燃料。
[0109]
在规划模块404识别起点1002和终点1004之间的路径1012时，规划模块404通常选择针对成本优化的路径，例如，在将边的个体成本相加到一起时具有最小总成本的路径。
[0110]
自主运载工具控制
[0111]
图11示出(例如，如图4所示的)控制模块406的输入和输出的框图1100。控制模块根据控制器1102而操作，该控制器1102例如包括：与处理器304类似的一个或多个处理器(例如，诸如微处理器或微控制器或这两者等的一个或多个计算机处理器)；与主存储器306、rom 308和存储装置310类似的短期和/或长期数据存储装置(例如，存储区域随机存取存储器或闪速存储器或这两者)；以及存储器中所存储的指令，这些指令在(例如，由一个或多个处理器)执行时执行控制器1102的操作。
[0112]
在实施例中，控制器1102接收表示期望输出1104的数据。期望输出1104通常包括速度，例如速率和航向。期望输出1104例如可以基于从(例如，如图4所示的)规划模块404接收到的数据。根据期望输出1104，控制器1102产生可用作油门输入1106和转向输入1108的数据。油门输入1106表示例如通过接合转向踏板或接合另一油门控件来接合av 100的油门(例如，加速控制)以实现期望输出1104的大小。在一些示例中，油门输入1106还包括可用于接合av100的制动器(例如，减速控制)的数据。转向输入1108表示转向角度，例如av的转向控制(例如，方向盘、转向角致动器或用于控制转向角度的其它功能)应被定位成实现期望输出1104的角度。
[0113]
在实施例中，控制器1102接收在调整提供至油门和转向的输入时使用的反馈。例如，如果av 100遇到诸如山丘等的干扰1110，则av 100的测量速率1112降至低于期望输出速率。在实施例中，任何测量输出1114均被提供至控制器1102，使得例如基于测量速率和期望输出之间的差分1113来进行所需的调整。测量输出1114包括测量位置1116、测量速度1118(包括速率和航向)、测量加速度1120和av 100的传感器可测量的其它输出。
[0114]
在实施例中，例如通过诸如照相机或lidar传感器等的传感器预先检测与干扰1110有关的信息，并且该信息被提供至预测性反馈模块1122。然后，预测性反馈模块1122将控制器1102可用于相应地调整的信息提供至控制器1102。例如，如果av 100的传感器检测到(“看见”)山丘，则控制器1102可以使用该信息来准备在适当时间接合油门，以避免显著减速。
[0115]
图12示出控制器1102的输入、输出和组件的框图1200。控制器1102具有影响油门/制动器控制器1204的操作的速率分析器1202。例如，速率分析器1202根据例如由控制器1102接收到并由速率分析器1202处理后的反馈，来指示油门/制动器控制器1204使用油门/制动器1206进行加速或进行减速。
[0116]
控制器1102还具有影响方向盘控制器1210的操作的横向跟踪控制器1208。例如，横向跟踪控制器1208根据例如由控制器1102接收到并由横向跟踪控制器1208处理后的反馈，来指示方向盘控制器1210调整转向角致动器1212的位置。
[0117]
控制器1102接收用于确定如何控制油门/制动器1206和转向角致动器1212的若干输入。规划模块404提供控制器1102例如选择av 100开始操作时的航向并确定在av 100到达十字交叉路口时穿过哪个道路路段所使用的信息。定位模块408例如将描述av 100的当前地点的信息提供至控制器1102，使得控制器1102可以确定av 100是否处于基于正控制油门/制动器1206和转向角致动器1212的方式而预期的地点。在实施例中，控制器1102接收来自其它输入1214的信息，例如从数据库、计算机网络等接收到的信息。
[0118]
运载工具健康状况的预测分析
[0119]
图13示出环境1302(例如，环境190)中的运载工具1300(例如，av 100)的示意图。通常，当运载工具1300在环境1302内操作时，运载工具1300遇到导致其组件(例如，电气和机械组件)的健康状况劣化的各种磨损和损耗源。这些源中的各源均在不同程度上影响不同运载工具组件的健康状况。例如，运载工具1300的利用(诸如通过驾驶运载工具或使运载工具怠速等)对运载工具的发动机和制动器以及其它组件造成磨损。作为另一示例，环境1302中的崎岖地形(包括快速坡度变化、坑洼和未铺设道路)对运载工具1300的悬架和轮胎造成磨损。其它磨损和损耗源包括但不限于环境1302内的大气条件(例如，温度、湿度、降水)、运载工具1300和环境1302内的对象之间的撞击(例如，与道路碎石、低悬垂植被、空降对象、路缘等的撞击)、运载工具1300的内部利用(例如，由驾驶员、乘员或进入运载工具的对象引起的运载工具的舱室中的组件的折旧)、由运载工具1300的人或计算机实现的驾驶员进行的驾驶行为。
[0120]
随着时间的推移，各种磨损和损耗源可导致运载工具1300的组件劣化到失修状态。此时，需要修理或更换组件，以确保运载工具操作安全并防止对运载工具造成进一步损坏。为了防止组件劣化得超过其使用寿命，运载工具制造商基于平均或预期磨损和损耗来为组件提供维护计划表。然而，这些维护计划表并未考虑特定运载工具或其组件实际经历的磨损和损耗。
[0121]
图14示出预测性维护模块1402的输入、输出和组件的框图1400。通常，预测性维护模块1402处理在运载工具(例如，运载工具1300)处捕获到的传感器数据以检测对运载工具的一个或多个组件的健康状况具有潜在影响的事件。预测性维护模块1402将与所检测到的事件相关联的数据与运载工具或其它运载工具(或这两者)的历史数据结合使用以确定运载工具的组件的一部分或全部的健康状况。基于所确定的健康状况信息，预测性维护模块1402生成表示运载工具的预测维护需求的预测性维护计划表。在实施例中，将预测性维护计划表提供到运载工具的控制电路，该控制电路根据该预测性维护计划表或运载工具组件的健康状况或这两者来将运载工具导航到维护中心、安全停车地点或其它地点。以这种方式，预测性维护模块1402通过基于运载工具所经历的实际磨损和损耗特制运载工具维护，
来在减少不必要的维护访问的同时提高运载工具安全性和寿命。
[0122]
如图14所示，预测性维护模块1402包括：事件检测器1404，用于检测对运载工具的一个或多个组件具有潜在影响的事件；预测性模型1406，用于基于与所检测到的事件相关联的数据来预测运载工具的组件的健康状况；以及维护计划表生成器1408，用于基于运载工具组件的预测健康状况来生成运载工具的维护计划表。预测性维护模块1402及其组件(例如，事件检测器1404、预测性模型1406和维护计划表生成器1408)可以由运载工具系统(例如，av系统120)、(一个或多个)远程服务器(例如，远程服务器136)或它们的组合等来实现。在实施例中，预测性维护模块1402及其组件通过以下来实现：与处理器304类似的一个或多个处理器(例如，诸如微处理器或微控制器或这两者等的一个或多个计算机处理器)；与主存储器306、rom 308和存储装置310类似的短期和/或长期数据存储装置(例如，存储区域随机存取存储器或闪速存储器或这两者)；以及存储器中所存储的指令，这些指令在(例如，由一个或多个处理器)执行时执行各个组件的操作。
[0123]
在操作中，事件检测器1404从运载工具1300的一个或多个传感器(例如，传感器121)接收传感器数据1410。通常，传感器数据1410包括与运载工具1300或其周围环境1302有关的任何测量得到的或推断得到的信息。事件检测器1404还接收运载工具1300所穿过的道路网络的一部分的高清(hd)地图数据1412。hd地图数据1410包括与道路网络的属性(例如，道路的几何形状、车道的数量、车道标记)和沿着道路网络的特征(例如，人行横道、交通标志、地标)有关的高精度信息。
[0124]
事件检测器1404处理传感器数据1410和hd地图数据1412以检测运载工具1300所经历的对一个或多个运载工具组件具有潜在影响的事件1414。在该上下文中，术语“事件”指运载工具从任何源经历的磨损和损耗(或潜在磨损和损耗)实例。以下说明提供事件检测器1404所检测到的事件1414的各种示例。然而，以下示例不应被解释为限制性的，因为在一些实施例中，事件检测器1404可被配置为检测替代或附加事件。
[0125]
在实施例中，事件检测器1404检测崎岖地形事件1414。崎岖地形事件1414包括这样的实例：运载工具1300撞到坑洼，在不平或未铺设道路上驾驶，经历快速坡度变化，在减速带上驾驶，或者由于道路的物理特征而以其它方式经历高于平均的应变或应力。为了检测崎岖地形事件1414，事件检测器1404处理来自诸如加速度计、惯性测量单元(imu)或照相机等的传感器的hd地图数据1412和/或传感器数据1410，以使崎岖地形可视化或者检测指示崎岖地形的撞击或振动。在实施例中，事件检测器1404使用传感器数据1410或hd地图数据1412或这两者来识别崎岖地形事件1414的参数，诸如崎岖地形的类型(例如，坑洼、不平道路、未铺设道路、快速坡度变化、减速带等)以及/或者运载工具的可能受崎岖地形影响的组件(例如，所有轮、前轮、后轮、右前轮等)等。
[0126]
在实施例中，事件检测器1404检测低烈度撞击事件1414。低烈度撞击事件1414包括运载工具1300与道路碎石、低悬垂植被、路缘、空降对象(例如，小岩石)或道路的另一对象或特征碰撞的实例。在实施例中，低烈度撞击事件1414仅包括与运载工具1300的轻微撞击，诸如对运载工具施加小于阈值的力、使得撞击不会导致运载工具气囊展开或以其它方式禁用运载工具的撞击等。为了检测低烈度撞击事件1414，事件检测器1404处理来自诸如加速度计、imu、麦克风或照相机等的传感器的hd地图数据1412和/或传感器数据1410，以登记与对象的轻微撞击。在实施例中，事件检测器1404使用传感器数据1410或hd地图数据
1412或这两者来识别低烈度撞击事件1414的参数，诸如低烈度撞击的类型(例如，对运载工具造成撞击的对象的类型)以及/或者运载工具的可能受该撞击影响的组件(例如，挡风玻璃、底盘、运载工具本体的一部分、轮等)等。
[0127]
在实施例中，事件检测器1404检测大气事件1414。大气事件1414包括在环境1302中存在可能影响运载工具组件的健康状况的降水、烟、高温或低温、高湿度或低湿度、或者其它天气条件的实例。为了检测大气事件1414，事件检测器1404处理来自例如降水传感器、温度传感器、湿度传感器或照相机等的传感器数据1410，以检测运载工具周围的环境内的大气条件。在实施例中，事件检测器1404使用传感器数据1410来识别大气事件1414的参数，诸如大气事件的类型(例如，降水类型、温度、湿度等)以及/或者这种事件的长度或暴露级别等。
[0128]
在实施例中，事件检测器1404检测内部折旧事件1414。内部折旧事件1414包括这样的实例：运载工具1300内的人或对象对运载工具的内部造成磨损和损耗，诸如食物或饮料在运载工具内洒出、重物在运载工具内移动、或者乘员使用或损坏运载工具的内部等。为了检测内部折旧事件1414，事件检测器1404处理来自诸如内部麦克风或照相机(具有适当隐私保护)等的传感器的传感器数据1410以识别对运载工具的内部的磨损和损耗的实例。在实施例中，事件检测器1404使用传感器数据1410来识别内部折旧事件1414的参数，诸如内部折旧的类型(例如，洒出、撕坏、重物的移位等)以及/或者运载工具的可能受内部折旧影响的组件(例如，地板、座椅、仪表板等)等。
[0129]
在实施例中，事件检测器1404检测利用事件1414。利用事件1414包括驾驶运载工具1300、使运载工具1300怠速、或以其它方式使用运载工具1300的实例。为了检测利用事件1414，事件检测器1404处理来自诸如加速度计、imu或照相机等的传感器的传感器数据1410，以检测运载工具的使用。在实施例中，事件检测器1404使用传感器数据1410来识别利用事件的参数，诸如利用的类型(例如，驾驶、怠速、电池/配件模式等)以及/或者利用的时间、距离或其它长度等。
[0130]
在实施例中，事件检测器1404检测驾驶事件1414。驾驶事件1414包括这样的实例：运载工具1300的人或计算机实现的驾驶员进行对运载工具的组件造成高于平均的应变或应力的机动动作。为了检测驾驶事件1414，事件检测器1404处理hd地图数据1412和/或来自诸如加速度计、imu或照相机等传感器的传感器数据1410，以使驾驶事件可视化或检测驾驶事件的惯性标志性特性。在实施例中，事件检测器1404使用传感器数据1410或hd地图数据1412或这两者来识别驾驶事件1414的参数，诸如驾驶事件的类型(例如，硬制动、硬加速或急转弯等)。
[0131]
在检测到一个或多个事件1414之后，事件检测器1404将与各事件1414相关联的数据提供到预测性模型1406。在实施例中，与事件1414相关联的数据包括来自事件1414之前、期间和/或之后的原始或经处理数据(或这两者)。例如，与事件1414相关联的数据可以包括在事件之前、期间或之后捕获到的原始传感器数据1410或hd地图数据1412或这两者。作为另一示例，与事件1414相关联的数据可以包括通过处理传感器数据1410或hd地图数据1412所产生的数据，诸如指示事件或事件的参数(包括事件1414的类型(例如，低敏感度撞击事件、崎岖地形事件、由于减速带引起的崎岖地形事件等)、可能受事件1414影响的组件、或这两者)的数据以及其它数据等。
[0132]
预测性模型1406处理与事件1414相关联的数据以预测运载工具组件的一部分或全部的健康状况1416。术语“健康状况”是指运载工具组件的磨损和损耗的程度，其中较低的健康状况指示运载工具组件的磨损和损耗较大。通常，预测性模型1406使用预测性分析(诸如预测性建模、机器学习、回归或它们的组合等)以及其它统计和分析技术，以预测运载工具组件的健康状况1416。在实施例中，预测性模型1406处理将与事件相关联的数据和对运载工具组件的结果影响进行相关的训练数据或其它历史数据，以便学习或以其它方式建立与事件(或事件的组合)相关联的数据及其对运载工具组件的健康状况的影响之间的相关性。术语“相关性”是指与事件相关联的数据及其对运载工具组件的健康状况的影响之间的任何联系或关系，而不管这样的联系或关系是明确确定的还是隐含地用于预测运载工具组件的健康状况。然后，预测性模型1406可以利用相关性信息来处理与各事件1414相关联的数据，以预测运载工具组件的健康状况1416。
[0133]
在实施例中，预测性模型1406被配置为学习或以其它方式建立与事件检测器1404所检测到的各事件1414(或事件的组合)相关联的数据和对(一个或多个)运载工具组件的健康状况的结果影响之间的相关性。例如，预测性模型1406可以确定为崎岖地形事件1414与运载工具的轮胎、悬架和动力传动系统组件上的磨损增加相关，其中更崎岖的地形(例如，对运载工具施加更大力的地形)与更大磨损相关。更具体地，预测性模型1406可以确定为特定类型的崎岖地形事件1414(例如，用右前轮在坑洼上驾驶)与例如运载工具的右前轮胎、右前悬架和动力传动系统组件上的磨损增加相关。基于该相关性，预测性模型1406可以根据与崎岖地形事件1414相关联的数据来预测运载工具组件(诸如轮胎、悬架或动力传动系统组件等)的健康状况1416。
[0134]
在实施例中，预测性模型1406确定为低烈度撞击事件1414与被撞击区域的划痕、凹痕或其它损坏相关，并且基于相关性和与低烈度撞击事件1414相关联的数据来预测被撞击区域中的运载工具组件的健康状况1416。在实施例中，预测性模型1406根据大气事件的类型确定为大气事件1414与例如水损坏、锈累积或电池寿命降低以及其它影响相关。基于该相关性，预测性模型1406可以根据与大气事件1414相关联的数据来预测诸如机架、电池或发动机组件等的运载工具组件的健康状况1416。在实施例中，预测性模型1406确定为内部折旧事件1414与被折旧区域的撕坏、划痕或其它损坏相关，并且基于相关性和与内部折旧事件1414相关联的数据来预测被折旧区域中的运载工具组件的健康状况1416。在实施例中，预测性模型1406确定为利用事件1414与运载工具的发动机、轮胎、变速器和其它组件的磨损相关，其中利用延长与磨损更大相关。基于该相关性，预测性模型1406可以根据与利用事件1414相关联的数据来预测运载工具组件的健康状况1416。在实施例中，预测性模型1406根据驾驶事件的类型确定为驾驶事件1414与运载工具组件的磨损增加相关，其中具有侵略性的驾驶行为(例如，硬加速、急转弯和硬制动等)对某些运载工具组件造成更大磨损。基于该相关性，预测性模型1406可以根据与驾驶事件1414相关联的数据来预测运载工具组件的健康状况1416。
[0135]
使用相关性信息，预测性模型1406预测运载工具组件的健康状况1416。例如，预测性模型1406累积与运载工具随着时间的推移所经历的事件1414相关联的数据，并将该数据存储在数据库1418中。有时(诸如响应于事件1414的检测、来自运载工具或远程服务器的信号、或者另一触发等)，预测性模型1406利用相关性信息处理与各事件1414(或事件的组合)
相关联的数据，以预测运载工具组件的健康状况1416。在实施例中，预测性模型1406将与急性事件1414相关联的数据连同相关性一起处理，以预测由急性事件引起的运载工具组件的健康状况1416的变化。术语“急性事件”用于指运载工具所经历的单个事件。在实施例中，预测性模型1406利用相关性信息处理与运载工具所经历的多个事件1414相关联的数据，以预测运载工具组件的总体健康状况1416。将与事件1414或运载工具组件的预测健康状况1416或这两者相关联的数据存储在数据库1418中，使得可以更新运载工具组件的预测健康状况1416以考虑到将来的事件1414。以这种方式，预测性模型1406预测多个事件对运载工具组件的总体健康状况1416的累积影响。
[0136]
通常，预测性模型1406可以用各种方式表示运载工具组件的健康状况1416。在实施例中，将运载工具组件的健康状况1416以相对于其总健康状况的方式(例如，健康、75％健康等)来表示。在实施例中，将运载工具组件的健康状况1416表示为距离故障的预期时间(例如，距离故障有100英里、距离故障有8个操作小时、直到故障为止有44个崎岖地形事件等)。在实施例中，从是否需要更换运载工具组件(例如，需要更换、不需要更换)方面表示运载工具组件的健康状况1416。不论如何表示运载工具组件的健康状况1416，健康状况1416都可以由数值或非数值描述符来表示。在实施例中，如以下参考图15所述，预测性模型1406被配置为(例如，从运载工具、运载工具的用户、运载工具的服务商等)接收与运载工具组件的更换或修理有关的信息，并且可以在对运载工具组件的健康状况1416的后续预测中考虑该信息。
[0137]
在预测运载工具组件的一部分或全部的健康状况1416之后，预测性模型1406将预测健康状况信息提供到维护计划表生成器1408。通常，维护计划表生成器1408处理预测健康状况信息以确定维护需求并生成运载工具的维护计划表1420。在实施例中，维护计划表生成器1408将运载工具组件的预测健康状况1416与一个或多个阈值进行比较，以确定是否需要由维护人员或系统来更换、修理或以其它方式检查特定组件。在实施例中，维护计划表生成器1408所使用的阈值是特定于特定运载工具组件、特定运载工具或特定运载工具类型(例如，运载工具品牌、型号、类别等)、或者它们的组合等。在实施例中，选择各阈值，使得在确定为需要更换、修理或以其它方式检查运载工具的组件时该组件仍正在运行(functioning)，以使得运载工具能够安全地导航到维护中心。
[0138]
使用所确定的维护需求，维护计划表生成器1408使得运载工具导航到维护中心、或者生成运载工具的维护计划表1420或这两者。在实施例中，维护计划表1420指定需要修理、更换或以其它方式检查的运载工具组件以及用于这种动作的推荐时间范围。维护计划表1420还可以包括运载工具组件的健康状况1416的指示以及其它信息。在实施例中，维护计划表生成器1408将维护计划表1420提供到运载工具的控制模块1422(例如，控制模块406)。控制模块1422(单独或与架构400的其它组件组合)根据维护计划表1420将运载工具导航到维护中心或其它地点。例如，如果维护计划表1420指示需要立即更换运载工具的轮胎，则控制模块1422可以使得运载工具导航到用于更换轮胎的适当维护中心。作为另一示例，如果维护计划表1420指示运载工具的电池应在下周内进行检查，则控制模块1422可以独自或者与运载工具的用户、远程操作员或维护中心的代表等协商来安排到适当维护中心的行程。控制模块1422可以在安排的时间自动地将运载工具导航到维护中心。在实施例中，例如，如果确定为运载工具需要立即停车以防止对运载工具的损坏或对其乘员的伤害，则
控制模块1420使运载工具靠边停车或以其它方式将运载工具导航到安全停车区域。
[0139]
在实施例中，维护计划表生成器1408基于多个组件的预测健康状况信息来生成维护计划表1420。例如，如果基于从预测性模型1406接收到的信息确定为运载工具在约2000英里内需要新轮胎和在约5000英里内需要新电池，则维护计划表生成器1408可以将维护项目组合在所生成的维护计划表1420中以使运载工具在道路上保持更长时间。在实施例中，维护计划表生成器1408在生成维护计划表时，除了考虑预测健康状况信息之外还考虑诸如修理的严重性(或延迟修理的严重性)等的信息。
[0140]
在实施例中，将维护计划表1420提供到其它实体，诸如运载工具的用户、运载工具的远程操作员、维护人员或他们的组合等。例如，(例如，使用耦接到计算装置146的显示器312或其它计算机外设132)在运载工具内显示维护计划表1420以供运载工具的用户查看维护计划表1420。在实施例中，运载工具的用户可以(例如，使用输入装置314)与所显示的维护计划表1420交互以选择维护项目，并使得运载工具导航到维护中心以对所选择的项目进行修理。可以类似地将维护计划表1420提供到远离运载工具的计算装置，以供显示并在安全时将运载工具控制到维护中心。
[0141]
图15示出诸如图14所示的预测性维护模块1402等的预测性维护模块的操作的框图1500。最初，预测性模型1502(例如，图14中的预测性模型1406)从多个运载工具1510a、1510b、
…
、1510n(统称为运载工具1510)接收传感器数据1504a、1504b、
…
、1504n(统称为传感器数据1504)、hd地图数据1506a、1506b、
…
、1506n(统称为地图数据1506)、维护和修理数据1508a、1508b、
…
、1508n(统称为维护和修理数据1508)、以及其它训练或历史数据。预测性模型1502处理所接收到的数据以学习或以其它方式建立数据及其对运载工具组件的健康状况的影响之间的相关性。例如，如果运载工具1510的维护和修理数据1508表明运载工具的悬架被更换，则预测性模型1502可以处理在悬架更换之前的传感器数据1504和hd地图数据1506，以建立数据及其对运载工具的悬架的影响之间的相关性。在实施例中，预测性模型1502或单独的事件检测器(未示出)对从运载工具1510接收到的数据进行预处理以识别各运载工具所经历的事件，并且预测性模型1502对经预处理的数据进行处理以学习或以其它方式建立与事件相关联的数据及其对运载工具组件的健康状况的影响之间的相关性。
[0142]
使用相关性信息和从运载工具1510接收到的数据，预测性模型1502预测各运载工具1510的组件的健康状况。维护计划表生成器1512(例如，图14中的维护计划表生成器1408)使用预测健康状况信息来针对各运载工具1510生成预测性维护计划表。在实施例中，将预测性维护计划表提供到相应运载工具1510的控制模块，以根据维护计划表将运载工具导航到维护中心或其它地点。在运载工具被维修之后，将维护和修理数据1514提供回到预测性模型1502以重新训练或以其它方式改进与运载工具所经历的事件相关联的数据及其对运载工具组件的健康状况的影响之间的相关性。预测性模型1502还使用维护和修理数据1514来在后续预测中说明对运载工具组件的修理。随着时间的推移，根据预测性维护计划表所服务的运载工具1510成为基于各运载工具经历的实际磨损和损耗来维护的运载工具的优化队列1516的一部分。在实施例中，将优化车队1516中的运载工具1510的维护和修理数据1514与根据例如由运载工具制造商提供的维护计划表或者其它维护计划表所服务的控制组1522中的运载工具1520a、1520b、
…
、1520n(统称为运载工具1520)的维护和修理数据1518进行比较。以这种方式，可以将诸如优化队列1516中的运载工具1510的拥有成本和
使用寿命等的度量与控制组1522中的运载工具1520的这些度量进行比较。
[0143]
这里描述的预测性技术具有生成运载工具的预测性维护计划表之外的应用。在实施例中，反向使用从运载工具接收到的信息(例如，传感器数据、hd地图数据等)和由预测性模型(例如，预测性模型1406)建立的相关性以识别对运载工具维护造成巨大影响的地理区域。在实施例中，该信息用于基于风险的路线选择，诸如通过为运载工具选择最小化对运载工具组件的健康状况的影响的路线、或者基于运载工具的健康状况来优先将队列中的哪些运载工具发送到高影响区域等。例如，如果已知城市的区域具有导致劣化的崎岖道路，则可以为运载工具选择避开崎岖道路的路线，或者队列操作员可以优先发送超过使用寿命的运载工具在崎岖道路上行驶(或者具有健康的组件的运载工具，使得运载工具可以耐受崎岖道路)。在实施例中，使用与对运载工具维护造成巨大影响的区域有关的信息来生成识别需要修理或维护的道路或其它基础设施的基础设施报告。该基础设施报告可被提供到例如政府官员，以辅助确定基础设施改善的优先顺序。
[0144]
图16示出用于预测运载工具的维护需求的示例处理1600的流程图。在实施例中，运载工具是图1所示的av 100，并且处理1600由运载工具的处理器或者与运载工具进行通信的远程计算机系统(诸如图3所示的处理器304等)来进行。
[0145]
处理器使用运载工具的一组传感器收集(1602)与一段时间内的一组事件相关联的第一传感器数据。处理器还使用该组传感器收集(1604)与该一段之后的急性事件(例如，运载工具所经历的单个事件)相关联的第二传感器数据。在实施例中，运载工具的一组传感器(例如，传感器121)包括照相机、麦克风、imu、lidar、radar和gps至少之一。在实施例中，至少部分地基于hd地图数据单独或结合传感器数据来识别事件至少之一。在实施例中，事件和急性事件包括崎岖地形事件、低烈度撞击事件、大气条件事件、内部折旧事件、利用事件或驾驶事件等至少之一。在实施例中，处理传感器数据以识别事件的参数，诸如事件的类型或可能受事件影响的运载工具组件或这两者等。例如，传感器数据或hd地图数据或这两者用于识别崎岖地形事件的参数，例如崎岖地形的类型(例如，坑洼、不平道路、未铺设道路、快速坡度变化、减速带等)和运载工具的可能受崎岖地形影响的组件(例如，所有轮、前轮、后轮、右前轮等)。
[0146]
处理器基于第一传感器数据和第二传感器数据以及第一传感器数据和第二传感器数据与运载工具的组件之间的相关性来确定(1606)运载工具的组件的健康状况。在实施例中，确定运载工具的组件的健康状况包括：利用预测性模型来处理与一组事件(或者事件或事件的参数)相关联的第一传感器数据和与急性事件(或者急性事件或急性事件的参数)相关联的第二传感器数据中的各数据。预测性模型被配置为将相关性应用于第一传感器数据和第二传感器数据以确定运载工具的组件的健康状况。在实施例中，相关性包括与特定事件(或事件的组合)相关联的数据和对运载工具组件的健康状况的相应影响之间的已学习或已知关系。在实施例中，相关性是特定于运载工具或运载工具类型(例如，运载工具品牌、模型、类别等)的。在实施例中，随着时间的推移，使用事件数据、维护和修理数据或其它训练数据来重新训练或以其它方式改善相关性。例如，由处理器接收与对运载工具组件的维护有关的信息，并且由处理器至少部分地基于第一传感器数据和第二传感器数据以及与对运载工具组件的维护有关的信息来调整相关性。
[0147]
在实施例中，运载工具的组件包括运载工具的任何电气或机械组件(包括一组传
感器)。在实施例中，响应于收集第一传感器数据而将与一段时间内的一组事件有关的第一传感器数据传输到远程计算机系统，并且确定运载工具的组件的健康状况包括将与急性事件相关联的第二传感器数据传输到远程计算机系统、并且从远程计算机系统接收该组件的健康状况的指示。
[0148]
响应于确定为组件的健康状况不满足预定义阈值，处理器使用控制电路对运载工具进行导航(1608)。在实施例中，如图16中的虚线所示，该步骤是可选的。在实施例中，响应于确定为运载工具组件的健康状况不满足预定义阈值，处理器使用运载工具的控制电路使运载工具导航到维护中心、安全停车地点或另一地点。在实施例中，选择预定义阈值，使得在将运载工具导航到维护中心、停车地点或其它地点时，运载工具的组件仍正在运行。在实施例中，对运载工具导航包括：利用控制电路使运载工具自行驾驶并自行导航到维护中心。在实施例中，基于组件的健康状况来生成运载工具的维护计划表。在实施例中，至少部分地基于组件的健康状况来确定运载工具沿着道路网络的路线。
[0149]
在先前描述中，已经参考许多具体细节描述了本发明的实施例，这些具体细节可因实现而不同。因此，说明书和附图应被视为说明性的，而非限制性意义的。本发明范围的唯一且排他的指示、以及申请人期望是本发明范围的内容是以发布权利要求书的具体形式从本技术发布的权利要求书的字面和等同范围，包括任何后续修正。本文中明确阐述的用于被包括在此类权利要求中的术语的任何定义应当以此类术语如在权利要求书中所使用的意义为准。另外，当在先前的说明书或所附权利要求书使用术语“还包括”时，该短语的下文可以是附加的步骤或实体、或先前所述的步骤或实体的子步骤/子实体。