本发明总体上涉及车辆，并且更加具体地涉及车辆传感器。
车辆可以配备有各种传感器。这些传感器可以用于多种目的，包括但不限于：对象追踪、碰撞检测、导航、温度感测、道路条件感测、天气感测等等。然而，传感器可能是昂贵的并且来自车辆传感器的传感器数据可受限于传感器能够从车辆的视线检测到的数据。
因此，令人期望的是在提高感测能力的同时减小车辆上的传感器的成本。此外，根据本发明的随后的详细描述和所附权利要求书，并结合附图和本发明的背景来看，本发明的其它令人期望的特征和特性将变得显而易见。
技术实现要素：
根据一个实施例，提供了一种众包虚拟传感器生成器。该众包虚拟传感器生成器可以包括但不限于服务器，该服务器包括但不限于通信系统和处理器，该通信系统配置为接收来自一个或多个参与车辆上的一个或多个传感器的参与车辆传感器数据、一个或多个参与车辆的位置以及目标车辆的位置，该处理器能够通信地耦合至通信系统，处理器配置为：基于一个或多个参与车辆的位置和目标车辆的位置来过滤该接收的参与车辆传感器数据，将过滤的参与车辆传感器数据积聚到数据专用数据集和应用专用数据集中的至少一个中，生成用于目标车辆的虚拟传感器，该虚拟传感器处理过滤的且积聚的参与车辆传感器数据以便生成关于目标车辆的位置的输出数据，以及经由通信系统将输出数据从虚拟传感器传输至目标车辆。
根据另一实施例，提供了一种车辆。该车辆可以包括但不限于通信系统和处理器，该通信系统配置为接收来自一个或多个参与车辆上的一个或多个传感器的参与车辆传感器数据以及一个或多个参与车辆的位置，该处理器能够通信地耦合至通信系统，处理器配置为：基于一个或多个参与车辆的位置和车辆的位置来过滤该接收的参与车辆传感器数据，将过滤的参与车辆传感器数据积聚到数据专用数据集和应用专用数据集中的至少一个中，以及生成用于车辆的虚拟传感器，该虚拟传感器处理过滤的且积聚的参与车辆传感器数据以便生成关于车辆的位置的输出数据。
附图说明
下文将结合如下附图对本发明进行描述，在附图中，相似的附图标记表示相似的元件，并且
图1是根据一个实施例的车辆的框图；
图2是根据一个实施例的图示了基于众包的传感器系统的框图；
图3是根据一个实施例的图示了用于操作基于众包的传感器系统的示例性方法的流程图；
图4和图5图示了根据一个实施例的对象积聚。
具体实施方式
如下详细描述在性质上仅仅是示例性的并且不意在限制本发明或者本发明的应用和使用。此外，并不意在受到在前述背景或者如下详细描述中呈现的任何理论的约束。
图1是根据一个实施例的车辆100的框图。车辆100可以是任何类型，包括但不限于：汽车、摩托车、飞行器(例如，飞机、直升机、无人机等)、船只或者类似物。车辆100包括传感器系统110，传感器系统110使用来自车辆100上的传感器的数据以及来自一个或多个其它车辆的传感器的数据，如下文进一步详细地讨论的。
传感器系统110包括至少一个处理器120。处理器120可以是中央处理单元(cpu)、图形处理单元(gpu)、物理处理单元(ppu)、专用集成电路(asic)、现场可编程门阵列(fpga)、微控制器、或者任何其它逻辑装置或者其任何组合。处理器120(在下文仅仅为了简单起见将统称为单数形式的处理器120)可以专用于传感器系统110或者可以由车辆100中的一个或多个其它系统共享。
传感器系统110还包括存储器130。存储器130可以是易失性存储器和非易失性存储器的任何组合。存储器130可以专用于传感器系统110，或者由车辆100中的一个或多个其它系统共享。此外，存储器130可以位于车辆100内、可以是远程基于云的存储器、或者其组合。存储器可以储存非暂时性计算机可读指令，该非暂时性计算机可读指令在由处理器120执行时实施传感器系统110，如下文进一步详细地讨论的。
传感器系统110进一步包括一个或多个通信系统140。通信系统140可以专用于传感器系统110，或者由车辆100中的一个或多个其它系统共享。例如，通信系统140可以是蜂窝通信系统、wi-fi通信系统、专用短程通信(dsrc)系统、蓝牙通信系统、zigbee通信系统、卫星通信系统、或者任何其它通信系统或者其组合。
传感器系统110并且尤其是传感器系统110的处理器120可以生成用于车辆100中的一个或多个控制系统150的命令。例如，控制系统150可以是制动系统、加速系统、转向系统、驾驶员警告系统(例如，视觉警告系统、警告声音生成器或者其组合)、换挡控制系统等或者其任何组合。
传感器系统110包括一个或多个车辆传感器160。车辆传感器160可以包括一个或多个雷达传感器、一个或多个光学摄像机、一个或多个红外摄像机、一个或多个光探测和测距(lidar)传感器、全球定位系统(gps)接收器、温度传感器、雨量传感器、道路条件传感器、超声传感器或者其任何组合。车辆传感器160将数据输出至处理器120，并且用于监测安全性、用于导航目的、用于监测道路条件、用于生成用于一个或多个控制系统150的命令、或者其任何组合。
传感器系统110进一步包括至少一个虚拟传感器170。与车辆传感器160一样，每个虚拟传感器170将数据提供至车辆100上的处理器120。然而，用于虚拟传感器170的数据源来自其它车辆或者其它动态或静态源上的传感器(例如，在交通灯等上的传感器)。每个虚拟传感器170可以是特定类型的传感器，诸如，雷达传感器、光学摄像机、红外摄像机、lidar传感器、gps传感器、温度传感器、雨量传感器、道路条件传感器、或者任何其它类型的车辆传感器。然而，虚拟传感器170也可以是应用虚拟传感器。应用虚拟传感器可以将来自一个或多个其它车辆的多种类型的车辆传感器的数据组合起来并且输出用于特定应用的数据。例如，虚拟传感器170可以是自动巡航控制传感器，该自动巡航控制传感器的输出是自动巡航控制模式的追随速度。自动巡航控制传感器可以使用例如来自除了车辆100之外的一个或多个其它车辆的、来自gps系统、光学摄像机、lidar传感器等的数据来确定车辆100的恰当追随速度并且将该追随速度输出至处理器120。例如，车道变换辅助传感器可以采集关于邻近车道的静态和动态信息，包括：例如，车道的可用性、条件、曲率占用数据等。
可以取决于车辆100的需要按需生成一个或多个虚拟传感器170。使用上文讨论的自动化巡航控制系统的示例，只有在用户启用车辆内的巡航控制时才能生成用于提供追随速度的虚拟传感器。每当车辆处于操作中时可以生成其它虚拟传感器，诸如，用于对象追踪或者温度感测的虚拟传感器。
虚拟传感器170可以由处理器120构造。然而，在另一实施例中，虚拟传感器170可以由服务器构造，如下文进一步详细地讨论的。在该实施例中，虚拟传感器170可以远程地处理来自其它车辆的数据并且将虚拟传感器170的输出发送至车辆100。
图2是根据一个实施例的图示了基于众包的传感器系统200的框图。基于众包的传感器系统200包括如上文所讨论的车辆100、以及一个或多个参与车辆210。参与车辆210可以按照与车辆100相似的方式使用虚拟传感器170以及使用来自参与车辆210上的其它物理传感器(下文称为参与车辆传感器220)的数据。然而，参与车辆210可替代地可以在没有使用虚拟传感器170的情况下将数据从参与车辆传感器220贡献至基于众包的传感器系统200。
在一个实施例中，例如，参与车辆210可以直接将数据从参与车辆传感器220传输至车辆100，并且车辆100的处理器120可以构造虚拟传感器170。然而，在另一实施例中，例如，参与车辆210可以将数据从参与车辆传感器220传输至服务器230。在该实施例中，服务器230可以生成虚拟传感器170并且将虚拟传感器170的输出传输至车辆100。在又其它实施例中，可以实施各个系统的组合。换言之，车辆100的处理器120可以构造一个或多个虚拟传感器，并且服务器230也可以构造用于车辆100的一个或多个虚拟传感器170。
服务器230包括处理器240、存储器250、以及一个或多个通信系统260。处理器240可以是中央处理单元(cpu)、图形处理单元(gpu)、物理处理单元(ppu)、专用集成电路(asic)、现场可编程门阵列(fpga)、微控制器、或者任何其它逻辑装置或者其任何组合。存储器250可以是易失性存储器和非易失性存储器的任何组合。存储器250可以是由车辆100使用的基于云的存储器，如上文所讨论的。存储器可以储存非暂时性计算机可读指令，该非暂时性计算机可读指令在由处理器240执行时实施基于众包的传感器系统200，如下文进一步详细地讨论的。通信系统260可以是有线通信系统或者无线通信系统的任何组合。
在一个实施例中，例如，服务器230可以将基于预约的虚拟传感器170提供至车辆。换言之，车辆100的用户可以使用来自其它参与车辆210的众包数据来预约服务以给车辆100提供附加传感器能力。服务器230可以取决于可用的数据资源(即，取决于收集相关数据的参与车辆210的数量)给车辆100提供全套虚拟传感器，或者用户可以预约一个或多个特定虚拟传感器170。
图3是根据一个实施例的图示了用于操作基于众包的传感器系统200的示例性方法300的流程图。处理器首先接收来自一个或多个参与车辆的众包传感器数据以及目标车辆(即，车辆100)的位置。(步骤310)。处理器可以是车辆100中的处理器120或者服务器230的处理器240。如上文所讨论的，车辆100可以基于从其它附近参与车辆210接收到的数据来构造虚拟传感器170，或者虚拟传感器170可以由服务器230构造。在服务器230构造虚拟传感器170的实施例中，车辆100经由通信系统140将车辆100的位置传输至服务器230。出于构造用于另一车辆的虚拟传感器的目的，车辆的处理器120也可以传输来自其传感器160以用于由服务器230使用的数据。车辆100的处理器120可以使用例如gps系统(未图示)等来确定车辆100的位置。
该接收的传感器数据可以包括传感器元数据(诸如，传感器的类型，诸如，光学摄像机、红外摄像机、雷达传感器、lidar传感器等)以及传感器的能力(诸如，传感器的分辨率、传感器的范围等)。根据预定义格式，为了简化传感器数据的处理，参与车辆210可以将传感器数据发送至车辆100和/或服务器230。该格式可以包括传感器元数据以及相应参与车辆210的时间戳和位置信息。
处理器(即，在车辆100中的处理器120或者服务器230的处理器240)然后过滤该接收的传感器数据。(步骤320)。传感器数据基于如下一个或多个被过滤：传感器数据的关联性、车辆100的传感器能力、车辆100周围的天气条件、传感器源基于过去历史的质量和可靠性、真实性和可证明性、以及车辆100的状态。过滤可以包括：基于一个或多个标准来消除传感器数据和指定传感器数据的优先权中的一个、或者其组合。当考虑到传感器数据时，可以给具有不同优先等级的该传感器数据指定不同的权重，如下文进一步详细地讨论的。
例如，传感器数据的关联性可以基于：用于传输关于车辆100的位置的传感器数据的参与车辆210的位置、用于传输关于车辆100的任何规划路径的传感器数据的参与车辆210的位置、以及与传感器数据相关联的时间戳。与车辆100无关的传感器数据被处理器过滤掉。无关的传感器数据可以包括，例如，参与车辆210，该参与车辆210可以在车辆100的用于使车辆100接收传感器数据的通信范围内，其可以取决于在交换期间使用的通信系统140的类型，或者在车辆100的预定距离内，但可以行进远离车辆100(例如，已经在车辆100后面、或者在交叉之后处于不同的方向)或者可以完全沿着不同的街道(其不是沿着车辆100的可能的规划路径)行进。例如，车辆100的可能的规划路径可以基于被输入到与车辆100相关联的导航系统中的地址、车辆的转弯信号、车辆的行进车道、行进历史(例如，工作通勤等)。
同样，可以使用与传感器数据相关联的时间戳来过滤传感器数据。例如，时间戳可以用在对象位置预测。例如，如果参与车辆210检测到对象(诸如，另一车辆)正以某一速度向前驶向车辆100，则时间戳可以用于基于其最后已知位置、最后已知速度和时间戳来预测该对象的可能的位置。如果对象的预测未来位置无关，则处理器120可以过滤掉与对象相对应的数据。时间戳还可以用于过滤掉太陈旧而不能与某些应用相关的数据。例如，可以将具有例如十至十五秒旧的时间戳的对象位置数据过滤掉，或者给其给定明显更低的优先权评级，因为其太陈旧因而对于对象位置预测不太有用。然而，完全相同的数据却可仍对于用作用于改变车辆100的路线的交通传感器的虚拟传感器有用，并且可以通过过滤器或者被给定高评级。
如上文所讨论的，处理器还可以基于车辆100的车辆传感器160的能力来过滤传感器数据。在一个实施例中，例如，处理器可以基于车辆100已经包括的传感器类型来过滤掉来自参与车辆210的传感器数据。换言之，虚拟传感器170可以用于添加车辆100并不包括的一个或多个传感器的能力。例如，如果车辆100包括光学摄像机传感器，但不包括红外摄像机传感器，则处理器可以过滤掉所有接收到的光学摄像机传感器数据(其如若不然与车辆100相关)，并且仅仅使用红外摄像机数据来生成虚拟传感器170。然而，在其它实施例中，来自与车辆传感器相同的类型的传感器的传感器数据可能不会被过滤掉。在这些实施例中，虚拟传感器170可以通过在车辆传感器160可能没有直接视线的区域上提供附加数据来补充车辆传感器160，因而提高车辆传感器160的能力。
天气事件和当日时间也可以规定如何过滤传感器数据。不同的传感器类型可能在某些环境下(例如，光学传感器在晴朗天气和大白天)表现良好，并且在其它条件下(例如，光学传感器在雾罩天气或者晚上)表现不良。因此，可以根据在车辆100的位置处的天气和当日时间来移除和/或权衡来自不同类型的传感器的传感器数据。天气数据可以基于集中天气数据(例如，来自气象服务)或者基于来自车辆100的传感器(诸如，雨量传感器、道路条件传感器等)的数据。
处理器然后将过滤的传感器积聚。(步骤330)。传感器数据可以被积聚到数据专用数据中或者被积聚到应用专用数据中或者其组合。换言之，将过滤的传感器数据分到一个或多个数据专用组、一个或多个应用专用组、或者其组合中。所积聚的数据可以被储存在车辆的存储器130或者服务器230的存储器250中以用于随后处理，如下文进一步详细地描述的。
数据专用积聚可以从特定类型的传感器采集传感器数据。例如，可以采集来自多个车辆的温度传感器的温度数据。同样，可以将例如来自参与车辆210中的多个雷达传感器的传感器数据积聚到单个雷达传感器数据源中。在该示例中，从用于感测对象的参与车辆210的角度来看，雷达传感器可能会是追踪对象。对象可以是：例如，其它车辆(参与车辆或者非参与车辆)、行人、自行车、交通/施工标志或者装备、动物等。在对象追踪的情况下，可以将由来自不同的参与车辆210的多个传感器检测到的对象积聚到单个对象中。图4和图5图示了根据一个实施例的对象积聚。对象400表示由第一参与车辆210上的第一参与传感器220追踪的对象。对象410表示由第二参与车辆210上的第二参与传感器220追踪的对象。处理器可以基于传感器数据中的对象的位置来将对象410和420关联起来。例如，如果来自相应参与传感器220的传感器数据包括重叠的对象上的数据，则处理器可以将该对象数据合并到单个对象500中，如在图5中看见的。由于对象400和410是从相应参与车辆210的角度进行感测的，所以对象的实际尺寸是未知的，这是因为参与传感器仅仅可以从单个角度来检测对象。因此，单个车辆通常假定对象具有带有平均值和协方差矩阵的高斯分布，因此具有在图4中看见的对象400和410的代表形状。例如，可以使用最小二乘估计、卡尔曼过滤、或者其它贝叶斯类过滤技术等来将对象400和410合并到单个对象500中。因此，通过积聚来自多个参与车辆210上的多个参与传感器220的数据，该积聚的数据更准确地反映实际对象。
作为图示性示例，我们假定对象的状态向量(例如，车辆的位置和速度)为x，并且其通过高斯分布来建模。高斯分布由n(μ，∑)表示，其中，μ是平均值并且∑是协方差矩阵。高斯分布可以由椭圆表示，其中，μ是中心并且∑确定椭圆形状。为了计算简单，μ和∑通常被转移至行串行矩阵[r,z]，其中，r是上三角矩阵并且∑＝r-1r-t，并且z＝rμ。用于对象400的分布可以由[r1,z1]表示，并且用于对象410的分布可以由[r2,z2]表示。可以通过应用最小二乘法来计算融合对象500以使如下二次方程式最小化：
||r1x-z1||2+||r2x-z2||2
将各个行垂直地串接成矩阵
源自三角矩阵
应用专用积聚可以采集用于特定应用的数据。应用专用积聚可以使用来自用于特定应用的不同类型的参与传感器220的数据。应用可以是：例如，自适应巡航控制、前部碰撞警告和避免、车道定中控制、车道变换控制等。例如，在自适应巡航控制应用中，可以按照与上文针对追踪车辆前方的一个或多个对象所讨论的相似方式来积聚来自一个或多个雷达传感器、lidar传感器以及视觉摄像机(红外或者光学)的对象追踪数据。所积聚的对象数据可以与gps坐标以及例如速度限制数据进行组合以便使得能够创建自适应巡航控制虚拟传感器，如下文进一步详细地讨论的。
一旦传感器数据被过滤和积聚，处理器就会创建一个或多个虚拟传感器170。(步骤340)。所创建的虚拟传感器170基于其特定目的来处理过滤的且积聚的数据。使用上文所讨论的示例，处理器可以通过处理来自参与传感器220的温度数据来创建虚拟温度传感器。例如，虚拟温度传感器可以算出该接收的温度的平均值，或者确定该接收的温度的中值温度，并且输出确定温度。例如，虚拟雷达传感器可以输出与由多个参与车辆210中的雷达传感器检测到的合并对象相对应的关于车辆100的位置的位置数据。例如，虚拟自适应巡航控制传感器可以输出参考速度以便通过处理过滤的且积聚的对象数据、速度限制数据和gps坐标来维持与车辆100前面的另一车辆的安全距离。当不具有充分数据来生成虚拟传感器170时，例如，当在车辆100的区域中没有足够的参与车辆时，处理器(在车辆100上或者在服务器230中)可以基于可用于虚拟传感器170的数据的量来减小从虚拟传感器170输出的数据的权重。
在一个实施例中，例如，虚拟传感器170可以以预定速率输出相应输出数据。车辆100或者服务器230可以以同步方式接收来自参与车辆210的传感器数据。换言之，可以以不可预测的速率接收到来的数据。因此，处理器可以针对给定输出循环过滤和积聚数据长达预定时间量，并且一旦每个循环周期以预定速率输出虚拟传感器数据，就处理该过滤和积聚数据。这允许虚拟传感器170以可预测速率输出数据，即使当来自参与车辆210上的参与传感器220的到来数据的速率是不可预测的。
处理器120接收来自车辆传感器160的传感器数据和虚拟传感器的输出(步骤350)。当服务器230在生成虚拟传感器170时，服务器230使用相应通信系统140和260将虚拟传感器170的输出传输至车辆。
车辆100的处理器120然后处理该接收的数据以便生成用于控制系统150的命令。(步骤360)。该处理和所生成的命令可以取决于所生成的虚拟传感器170、虚拟传感器170的输出、以及车辆100上的车辆传感器160的类型而发生变化。例如，虚拟自适应巡航控制传感器可以输出参考速度。因此，命令可以是用于达到或者维持参考速度的加速或者制动命令。
当车辆100包括用于与虚拟传感器170相似的目的的一个或多个车辆传感器160时，可以按照与上文所讨论的相同的方式来积聚来自车辆传感器160的数据以便进一步提高可用于车辆100的数据的质量。来自车辆传感器160的传感器数据与其协方差矩阵(例如，∑)相关联。协方差矩阵源自传感器性能规范。当积聚来自不同源头的数据时，权重(即，r)是协方差矩阵的求逆的乔里斯基因子。因此，当积聚数据时，处理器120可以基于可用数据的质量来权衡来自虚拟传感器170和车辆传感器160的传感器数据，以便提高所积聚的数据的可靠性。
尽管已经在本发明的前述详细描述中呈现了至少一个示例性方面，但应理解，存在大量变型。还应理解，示例性方面或者多个示例性方面仅仅是示例，并且其并不意在以任何方式限制本发明的范围、适用性、或者配置。相反，前述详细描述将给本技术领域中的技术人员提供方便的道路图以用于实施本发明的示例性方面。应理解，在不背离如在所附权利要求书中陈述的本发明的范围的情况下，可以对在示例性方面中描述的元件的功能和布置作出各种改变。