可以包括提供天气相关的信息。例如，服务器720可以接收、监视、存储、更新、以及传送与天气相关的各种信息。该信息可以包括例如以报告形式、雷达信息形式、预报形式等的降水、云、和/或温度信息。
[0058]除了上面所描述的和在图中所图示的操作之外，现在将描述各种操作。应该理解的是，下面的操作不必以下面描述的精确顺序执行。相反，各个步骤可以以不同的顺序或者同时来处理，并且步骤也可以被添加或省去。
[0059]为了确定车辆的传感器的局限性并且调整该车辆的行为，计算机110可以生成该车辆的不同传感器中的每一个当前如何能够看见观察该车辆的环境的3D模型。这可以包括例如如果传感器的视场完全没有被物体阻挡则所述传感器能够看见的区域，而不包括所述传感器当前正在看见的物体和特征。给定传感器相对于该车辆的位置和定向，这些模型可以基于每个个体传感器的视场。该信息可以是预先确定的，例如在确定个体传感器模型中的每一个之前使用通用校准步骤。
[0060]例如，图8A和8B包括用于传感器311的个体3D模型800的组件。用于激光311的模型800可以包括如图8A(与图4B相同)所示出的2D传感器场411的维度以及图8B所示出的第三、垂直的维度811。因此，这些组件(411和811)的组合可以被用于生成用于激光311的3D模型800。还可以因此为物体检测组件148的传感器中的每一个生成类似的模型。
[0061]此外，个体传感器模型可以包括概率性数据，其描述在给定的传感器场内的各个点或区域检测到物体的置信度。例如，特定模型可以包括指示在给定的传感器场内检测到物体的置信度的信息。例如，一个模型可以具有在传感器场中间或在传感器某个距离之内检测到物体的更高的置信度，而在该传感器场的外部边缘具有更低的置信度。
[0062]图9A和9B是用于具有概率性数据的激光311的3D模型900的组件的示例。3D模型900的组件的阴影被示出为越靠近激光311的区域越深，在该区域检测到物体的置信度很可能更高，而离激光311较远的区域较浅，在该区域检测到物体的置信度很可能更低。
[0063]在另一个示例中，具有概率性数据的模型可以包括关于物体的尺寸和形状的非常详细的信息，所述物体很可能在模型内的特定位置内被检测到。例如，概率性数据可以描述区域，在该区域该传感器60%可能看到另一辆车辆，20%可能看到小的非金属物体等等。
[0064]个体传感器的该初始模型还可以包括利用关于天气的当前状态的信息，并且为每个个体传感器模型实时地调整形状和或概率信息。例如，基于从传感器接收到的、用于特定模型或不同传感器的数据，和/或来自从诸如服务器520的中央位置接收的实时信息的数据，可以自动地检测天气。在这方面，计算机110可以从所述传感器或从中央位置接收天气信息，并且使用该信息为所述传感器中的每一个调整3D模型的形状或其他特性。例如，如果存在大量的太阳强光或降水，则激光可能不如传感器可靠。类似地，当被用于有雾的情况下，雷达单元可能较不可靠等等。因此，示例性方法将是构建相关天气状况(例如雾的密度、雨量强度、地面湿度和反射率、日光强度和方向等)的参数化模型。此外，一种可能先验地构造这样的天气状况如何影响不同的传感器(例如，根据雾的密度减小有效的激光范围，根据日光强度和方向的激光中的盲点等)的模型，并且将这些适配的模型应用于计算所述传感器的在线视场。
[0065]接下来，所有传感器的个体模型可以被聚集以计算传感器当前能够观察哪些区域的全面的三维(3D)模型。该全面的模型可以是二进制地图，其简单地指示在其中车辆可以检测到物体的区域相对于在其中车辆的传感器不能检测到物体的区域。该信息可以已经包括了合并入个体模型的天气信息。
[0066]例如，图10是物体检测组件148的各个传感器的2D传感器场的聚集的示例。再次，尽管图10以2D示出，但是实际的组合模型可能是3D的。在该示例中，位于区域1010内的物体(相对于车辆301的位置)可以被车辆的传感器检测到，而位于区域1010外的物体则不能被检测到。
[0067]如果个体模型包括概率数据，则全面的3D模型可以也包括概率数据。在这方面，组合模型可以以各种方式组合来自个体传感器模型的检测概率。在一个示例中，3D模型的每个区域的概率可以是如通过处理个体传感器模型中的每一个的每个概率来确定的最大的检测概率。因此，如果在位置I 一个传感器模型具有10%的概率检测到小客车尺寸的物体，而在位置I另一个传感器具有20%的概率检测到小客车尺寸的物体，则在位置I检测到小客车尺寸的物体的概率可以是20%。
[0068]在另一个示例中，概率可以以更复杂的方式相组合，诸如通过具有置信度区域或阈值。图11是基于用于个体传感器的多个模型的全面的3D模型1100的另一个示例。在该示例中，个体模型中的每一个可以已经包括天气信息。全面的3D模型1100还包括3个置信度区域1110、1120和1130。如阴影所指示的，相比于区域1120 (在40%至69%之间)，区域1110可以具有在车辆的环境中检测到物体(例如大于70%)和特征的更高的置信度。类似地，相比于区域1130(在O至39%之间)，区域1120可以具有检测到物体和特征的置信度。其它全面的3D模型可以包括显著地更多或更少的置信度区域、不同类型的置信度值等。
[0069]用于多个传感器的该组合模型还可以与详细地图信息136相组合以计算传感器的阻塞和盲点。如上所述，可以用检测到物体的概率来对详细地图信息136进行编码。例如，使用车辆的当前位置，如从车辆的地理位置组件决定的，计算机110可以识别详细地图信息136的相关部分，并且将此信息与组合模型相组合。在这方面，详细地图信息136的包括检测到物体的概率的特征可以被用于调整组合模型。该组合或调整的结果可以是注释有信息的车辆的环境的模型，所述信息描述该环境的各部分是否被占用、未被占用、或未被观察到(不能被传感器检测到)。被占用的/空闲的数据可以来自实时传感器数据(例如，对来自卡车的传感器阻塞进行建模)以及之前数据(例如十字路口附近的建筑物可能阻挡所有传感器；高的草和树可能干扰激光和相机并且可能部分地阻挡(block)雷达；具有金属横梁的桥或隧道可能干扰雷达，导致具有高噪音水平的区域，其将等同于盲点)的组合。这些注释还可以包括如上面所描述的概率数据。
[0070]图12是地图信息600和全面的3D模型1100的组合的示例。在该示例中，如区域610所指示的，壁572阻塞(occlude) 了 3D模型1100的一部分。因此，用分别对应于置信度区域1100、1120、和1130的置信度值的新的置信度区域1210、1220、和1230来重新配置全面的3D模型。
[0071]因此，计算机110不必基于传感器数据重新构建环境的几何形状，因为该车辆的计算机已经具有在环境中应该看见什么以及不应该看见什么的期望。使用之前地图的另一个优势在于，该系统可以在更远的范围(在相关物体进入感测范围之前)推导出盲点和阻塞，例如，该系统可以知道其正在接近盲道十字路口，显著地早于车载传感器能够看见对阻塞负责的物体，其意味着车辆可以较早地修改其行为(例如，开始减速)并且更平缓和更安全地驱动。
[0072]组合模型和地图可以被计算机110用来做出驾驶决策并因此改善安全性。例如，如果其感测范围削弱了(例如，在雾中驾驶)则该计算机可以使得该车辆减速，如果该计算机对所述传感器对环境进行了足够的检测没有足够的信心则使该车辆复位以获得对世界的更好的视角，避免某些类型的有风险的操纵(例如，使用迎面行车道通过)。
[0073]图13的流程图1300是上面所描述的一些方面的示例，其可以由计算机110来执行。在该示例中，对于物体检测组件的多个传感器中的每一个，计算机110在块1302生成该传感器的视场的个体3D模型。在块1304，例如从传感器或从诸如计算机520的外部源接收天气信息。该天气信息可以包括例如降水、云、雾的密度、雨量强度、地