侧风风险确定的制作方法

1.本公开总体上涉及车辆传感器，并且更具体地涉及车辆的风速度和方向传感器。


背景技术：

2.诸如自主或半自主车辆等车辆通常包括各种传感器。传感器可以置于车辆的各个部分(例如，车顶、车辆发动机盖、后车门等)上或置于其中。一些传感器检测外部世界，所述传感器例如雷达传感器、扫描激光测距仪、光探测和测距(激光雷达)装置以及图像处理传感器(诸如相机)。车辆的操作可以依赖于在车辆正在进行操作时获取关于车辆的环境的准确且及时的数据。


技术实现要素：

3.一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由所述处理器执行以基于对象相对于车辆的检测到的移动确定针对一定位置的实时的风数据。所述实时的风数据包括风速和风向。所述指令还包括用于以下操作的指令：在从远程计算机接收到所述位置的存储的风数据时，基于所述实时的风数据和所述存储的风数据来确定侧风风险。所述指令还包括用于致动车辆部件来补偿所述侧风风险的指令。
4.所述指令还可以包括用于将所述侧风风险和所述实时的风数据提供给所述远程计算机的指令。
5.所述远程计算机可以包括第二处理器和第二存储器。所述第二存储器可以存储可由所述第二处理器执行以基于所述侧风风险和所述实时的风数据来更新所述存储的风数据的指令。
6.所述指令还可以包括用于以下操作的指令：将所述车辆上的一个或多个传感器获得的图像数据输入到机器学习程序，并且获得所述实时的风数据作为来自所述机器学习程序的输出。
7.所述指令还可以包括用于另外基于区域的天气数据来确定所述实时的风数据的指令，其中所述位置在所述区域内。
8.所述指令还可以包括用于另外基于所述车辆的转向数据来确定所述实时的风数据的指令。
9.所述指令还可以包括用于另外基于所述车辆的速度来确定所述侧风风险的指令。
10.所述指令还可以包括用于另外基于所述对象相对于地面的定向来确定所述实时的风数据的指令。
11.所述指令还可以包括用于将所述车辆的位置数据提供给所述远程计算机的指令。
12.所述指令还可以包括用于基于光流成像来确定所述对象的移动的指令。
13.一种方法包括基于对象相对于车辆的检测到的移动确定针对一定位置的实时的风数据。所述实时的风数据包括风速和风向。所述方法还包括：在从远程计算机接收到所述位置的存储的风数据时，基于所述实时的风数据和所述存储的风数据来确定侧风风险。所
述方法还包括致动车辆部件来补偿所述侧风风险。
14.所述方法还可以包括将所述侧风风险和所述实时的风数据提供给所述远程计算机。
15.所述方法还可以包括：基于所述侧风风险和所述实时的风数据，在所述远程计算机中更新所述存储的风数据。
16.所述方法还可以包括：将所述车辆上的一个或多个传感器获得的图像数据输入到机器学习程序，并且获得所述实时的风数据作为来自所述机器学习程序的输出。
17.所述方法还可以包括另外基于区域的天气数据来确定所述实时的风数据，其中所述位置在所述区域内。
18.所述方法还可以包括另外基于所述车辆的转向数据来确定所述实时的风数据。
19.所述方法还可以包括另外基于所述车辆的速度来确定所述侧风风险。
20.所述方法还可以包括另外基于所述对象相对于地面的定向来确定所述实时的风数据。
21.所述方法还可以包括将所述车辆的位置数据提供给所述远程计算机。
22.所述方法还可以包括基于光流成像来确定所述对象的移动。
23.本文还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一者。本文还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。
附图说明
24.图1是示出用于车辆的示例性车辆控制系统的框图。
25.图2是示出根据图1的系统操作车辆的图示。
26.图3是深度神经网络的示例性图示。
27.图4是用于确定侧风风险的示例性过程的流程图。
具体实施方式
28.侧风可以作用在车辆上，例如，致使车辆偏离规划路径和/或致使车辆消耗能量来维持规划路径。车辆计算机可以从远程计算机接收车辆正在行驶的区域的所存储的风数据。即使数据可从远程计算机(例如，提供车辆正在行驶的区域的包括关于风速和方向的数据等当前天气数据的服务器)获得，车辆计算机也可能无法确定具有足够车辆操作特异性的区域内的车辆位置的风数据。因此，有利地，如本文所述，车辆计算机可以被编程为基于传感器数据来确定车辆的位置(即，车辆周围和车辆传感器的视场内的环境)的实时的风数据。然后，车辆计算机可以基于实时的风数据以及可能还有存储的风数据来确定侧风风险，并且可以基于侧风风险来致动车辆部件。基于侧风风险致动车辆部件可以补偿来自侧风的作用在车辆上的力，这可以防止侧风导致车辆偏离规划路径。
29.参考图1至图2，示例性车辆控制系统100包括车辆105。车辆105中的车辆计算机110从传感器115接收数据。车辆计算机110被编程为基于对象205相对于车辆105的检测到的移动确定针对一定位置的实时的风数据。实时的风数据包括风速和风向。车辆计算机110还被编程为：在从远程服务器计算机140接收到位置的存储的风数据时，基于实时的风数据
和存储的风数据来确定侧风风险。车辆计算机110还被编程为致动车辆部件125以补偿侧风风险。
30.现在转到图1，车辆105包括车辆计算机110、传感器115、用于致动各种车辆部件125的致动器120以及车辆通信模块130。通信模块130允许车辆计算机110例如经由消息传递或广播协议(诸如专用短程通信(dsrc)、蜂窝和/或可以支持车辆对车辆、车辆对基础设施、车辆对云通信等的其他协议)和/或经由分组网络135与服务器140和/或其他车辆进行通信。
31.车辆计算机110包括诸如已知的处理器和存储器。所述存储器包括一种或多种形式的计算机可读介质，并且存储指令，所述指令可由车辆计算机110执行以用于执行包括如本文所公开的各种操作。车辆计算机110还可以包括协同操作以执行车辆105操作(包括本文所述的操作)的两个或更多个计算装置。此外，车辆计算机110可以是具有如上所述的处理器和存储器的通用计算机，和/或可以包括专用电子电路，所述专用电子电路包括针对特定操作而制造的asic，例如，用于处理传感器数据和/或传送传感器数据的asic。在另一个示例中，车辆计算机110可以包括fpga(现场可编程门阵列)，所述fpga是被制造为可由用户配置的集成电路。通常，在电子设计自动化中使用诸如vhdl(超高速集成电路硬件描述语言)的硬件描述语言来描述诸如fpga和asic的数字和混合信号系统。例如，asic是基于制造前提供的vhdl编程而制造的，而fpga内部的逻辑部件可以基于例如存储在电连接到fpga电路的存储器中的vhdl编程来配置。在一些示例中，处理器、asic和/或fpga电路的组合可以包括在车辆计算机110中。
32.车辆计算机110可以自主模式、半自主模式或非自主(或手动)模式来操作车辆105。出于本公开的目的，自主模式被限定为其中车辆105的推进、制动和转向中的每一者都由车辆计算机110控制的模式；在半自主模式中，车辆计算机110控制车辆105的推进、制动和转向中的一者或两者；在非自主模式中，人类操作员控制车辆105的推进、制动和转向中的每一者。
33.车辆计算机110可以包括编程以操作车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合动力发动机等中的一者或多者来控制车辆105的加速)、转向、变速器、气候控制、内部灯和/或外部灯、喇叭、车门等中的一者或多者，以及确定车辆计算机110(而非人类操作员)是否以及何时控制此类操作。
34.车辆计算机110可以包括一个以上处理器或例如经由如下面进一步描述的车辆通信网络(诸如，通信总线)通信地联接到所述一个以上处理器，所述一个以上处理器例如包括在车辆105中所包括的用于监测和/或控制各种车辆部件125的电子控制器单元(ecu)等中，例如变速器控制器、制动控制器、转向控制器等。车辆计算机110通常被布置用于在车辆通信网络上进行通信，所述车辆通信网络可以包括车辆105中的总线，诸如控制器局域网(can)等，和/或其他有线和/或无线机制。
35.经由车辆105网络，车辆计算机110可以向车辆105中的各种装置(例如，传感器115、致动器120、ecu等)传输消息和/或从各种装置接收消息(例如，can消息)。替代地或另外，在车辆计算机110实际上包括多个装置的情况下，车辆通信网络可以用于在本公开中表示为车辆计算机110的装置之间的通信。此外，如下文所提及，各种控制器和/或传感器115可以经由车辆通信网络向车辆计算机110提供数据。
36.车辆105传感器115可以包括诸如已知的用于向车辆计算机110提供数据的多种装置。例如，传感器115可以包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的光探测和测距(激光雷达)传感器115等，所述传感器提供车辆105周围的一个或多个对象205的相对位置、大小和形状。作为另一个示例，固定到车辆105保险杠的一个或多个雷达传感器115可以提供数据来提供一个或多个对象205相对于车辆105的位置的位置。替代地或另外，传感器115还可以例如包括相机传感器115(例如，前视、侧视等)，所述相机传感器提供来自车辆105周围的区域200的图像。在本公开的上下文中，对象205是具有质量并可以通过可以由传感器115检测到的物理现象(例如，光或其他电磁波或声音等)来表示的物理(即，物质)物品。因此，车辆105以及包括如下面所讨论的其他物品都落在本文的“对象”的定义内。
37.车辆计算机110被编程为基本上连续地、周期性地和/或在服务器140指示时等从一个或多个传感器115接收数据。所述数据可以例如包括车辆105的位置。位置数据指定地面上的一个或多个点并可以为已知形式，例如经由已知的使用全球定位系统(gps)的导航系统获得的地理坐标，诸如纬度和经度坐标。另外或替代地，数据可以包括对象205(例如，车辆、标志、树、旗帜、杂物等)相对于车辆105的位置。作为一个示例，数据可以是车辆105周围的环境的图像数据。在此示例中，图像数据可以包括一个或多个对象205。本文中的图像数据是指数字图像数据，例如，包括具有强度和色彩值的像素，其可以由相机传感器115获取，所述相机传感器可以检测可见光、红外辐射、紫外光等。传感器115可以安装到车辆105中或其上的任何合适的位置，例如，在车辆105的保险杠上、在车辆105的车顶上等，以收集车辆105周围的环境的图像。
38.车辆105致动器120经由可以根据如已知的适当控制信号来致动各种车辆子系统的电路、芯片或其他电子和/或机械部件来实施。致动器120可以用于控制部件125，包括车辆105的制动、加速和转向。
39.在本公开的上下文中，车辆部件125是适于执行机械或机电功能或操作(诸如使车辆105移动、使车辆105减速或停止、使车辆105转向等)的一个或多个硬件部件。部件125的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，其可以包括方向盘、转向齿条等中的一者或多者)、悬架部件125(例如，其可以包括阻尼器(例如，减震器或滑柱)、衬套、弹簧、控制臂、球头节、连杆等中的一者或多者)、制动部件、停车辅助部件、自适应巡航控制部件、自适应转向部件、一个或多个被动约束系统(例如，安全气囊)、可移动座椅等。
40.另外，车辆计算机110可被配置用于经由车辆对车辆通信模块130或接口与车辆105外部的装置通信，例如，通过车辆对车辆(v2v)或车辆对基础设施(v2x)无线通信(蜂窝和/或dsrc等)与另一车辆和/或服务器140(通常经由直接射频通信)通信。通信模块130可以包括车辆105的计算机110可以通过其进行通信的一种或多种机制，诸如收发器，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望网络拓扑(或当利用多种通信机制时的多种拓扑)。经由通信模块130提供的示例性通信包括提供数据通信服务的蜂窝、蓝牙、ieee 802.11、专用短程通信(dsrc)和/或包括互联网的广域网(wan)。
41.网络135表示车辆计算机110可借助其来与远程计算装置(例如，服务器140、另一
个车辆计算机等)进行通信的一种或多种机制。因此，网络135可以是各种有线或无线通信机制中的一者或多者，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或利用多种通信机制时的多种拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用低功耗(ble)、ieee802.11、车辆对车辆(v2v)诸如专用短程通信(dsrc)等)、局域网(lan)和/或包括互联网的广域网(wan)。
42.服务器140可以是被编程为提供诸如本文公开的操作的常规计算装置，即，包括一个或多个处理器和一个或多个存储器。此外，可以经由网络135(例如，因特网、蜂窝网络和/或某一其他广域网)来访问服务器140。
43.现在转向图2，车辆105被示出为在示例性区域200中操作。区域200是具有例如通过地理围栏限定的边界的地理区域。在这种示例中，地理围栏根据地理坐标指定区域200的周界，所述地理坐标例如诸如在全球定位系统(gps)中使用的指定限定区域200的边界(即，周界)的线。车辆计算机110然后可以基于车辆105的指示车辆105在地理围栏内的位置数据确定车辆105在区域200内。车辆计算机110可以被编程为例如经由网络135将车辆105的位置数据传输到远程服务器计算机140。
44.车辆计算机110可以例如生成规划路径以在区域200中(例如沿着一条或多条道路)操作车辆105。替代地，服务器150可以生成规划路径并且例如经由网络135将规划路径提供给车辆计算机110。如本文所使用的，“路径”是点集合，例如，所述点集合可以被指定为相对于车辆坐标系的坐标和/或地理坐标，车辆计算机110被编程为通过常规导航和/或路径规划算法来确定所述点集合。可以根据一个或多个路径多项式来指定路径。路径多项式是描述车辆在地面上的运动的三次或更少次的多项式函数。车辆在道路上的运动由多维状态矢量描述，所述多维状态矢量包括车辆位置、定向速度和加速度，包括x、y、z中的位置、横摆、俯仰、侧倾、横摆率、俯仰率、侧倾率、航向速度和航向加速度，其例如可以通过将多项式函数拟合到车辆运动矢量中所包括的相对于地面的连续2d位置来确定。
45.此外，例如，路径多项式p(x)是将路径预测为由多项式方程描绘的线的模型。路径多项式p(x)通过确定横向坐标p来预测针对预定的即将到来的距离x(例如，以米为单位进行测量)的路径：
46.p(x)＝a0+a1x+a2x2+a3x3ꢀꢀꢀꢀ
(1)
47.其中a0是偏移量，即，在即将到来的距离x处路径与车辆105的中心线之间的横向距离，a1是路径的航向角，a2是路径的曲率，并且a3是路径的曲率变化率。
48.当在区域200中操作时，车辆计算机110可以接收区域200中的车辆105周围的环境的传感器115的数据，例如图像数据。图像数据可以包括车辆105周围的在区域200中的一个或多个对象205。例如，对象分类或识别技术可以在例如车辆计算机110中基于激光雷达传感器115、相机传感器115等数据使用以识别对象的类型(例如，车辆、挂车、旗帜、树、交通信号灯、树叶等)以及对象的物理特征。
49.可以使用诸如已知的各种技术来解译传感器115数据和/或基于传感器115数据来对对象进行分类。例如，可以将相机和/或激光雷达图像数据提供给分类器，所述分类器包括用于利用一种或多种常规图像分类技术的编程。例如，分类器可以使用机器学习技术，其中将已知表示各种对象的数据提供给机器学习程序以用于训练分类器。一旦被训练，分类
器就可以接受车辆传感器115数据(例如，图像)作为输入，随后针对图像中的一个或多个相应的感兴趣区域中的每一者提供对一个或多个对象的识别和/或分类(例如，可移动的或不可移动的)或相应的感兴趣区域中不存在对象的指示作为输出。此外，应用于接近车辆105的区域的坐标系(例如，极坐标或笛卡尔坐标)可以被使用来指定从传感器115数据识别的对象的位置和/或区域(例如，根据车辆105坐标系，被转换为全球纬度和经度地理坐标等)。此外，车辆计算机110可以采用各种技术来融合(即，并入到公共坐标系或参考系中)来自不同传感器115和/或多种类型的传感器115的数据，例如激光雷达、雷达和/或光学相机数据。
50.车辆计算机110被编程为确定针对车辆105的位置的实时的风数据。车辆计算机110可以例如基于对象205的移动(如下面所讨论)、对象205的定向(如下面所讨论)、车辆部件125数据(如下面所讨论)或天气数据(如下面所讨论)中的一者确定针对车辆105的位置的实时的风数据。例如，车辆计算机110可以确定实时的风数据是基于对象205(例如，旗帜、挂车、树、树叶、交通信号灯等)的移动确定的实时的风数据，如下面所讨论。
51.替代地，车辆计算机110可以通过组合基于对象205的移动、对象205的定向、车辆部件125数据和天气数据中的至少两者确定的实时的风数据(例如，通过求平均和/或使用某个其他统计度量)来确定实时的风数据。也就是说，实时的风数据可以是基于对象205的移动、对象205的定向、车辆部件125数据和天气数据中的任何组合确定的实时的风数据的例如平均值、加权和、加权乘积等函数。例如，实时的风数据可以是基于对象205的移动、对象205的定向、车辆部件125数据和天气数据中的每一者确定的实时的风数据的函数。
[0052][0053]
其中r(速度，方向)是实时的风数据，m(速度，方向)是基于对象205的移动确定的实时的风数据，o(速度，方向)是基于对象205的定向确定的实时的风数据，c(速度，方向)是基于车辆部件125数据确定的实时的风数据，w(速度，方向)是基于天气数据确定的实时的风数据，并且w1、w2、w3和w4是例如在0与1之间的权重。权重w1、w2、w3、w4可以基于区域200的在诸如当日时间、当年时间等特定条件下的对风数据的经验测试来预先确定。
[0054]
如上所述，车辆计算机110可以基于一个或多个对象205相对于车辆105的移动确定针对一定位置的实时的风数据。在识别对象205时(如上面所讨论)，车辆计算机110可以例如基于传感器115数据(例如，图像数据)来确定对象205相对于车辆105的移动。例如，车辆计算机110可以经由光流成像技术基于来自一个或多个传感器115的图像数据生成光流图像。光流图像包括通过计算光流确定的图像数据，其测量两个或更多个图像之间的图像像素位置数据的变化。光流被定义为由获取对象205的图像的传感器115与对象205之间的相对运动引起的对象205的视在运动。通过在第一图像中定位图像特征并将位置与第二图像中对应图像特征的位置进行比较来执行光流计算。图像特征可以是可能位于两个或更多个图像中的像素数据的任何布置。例如，由像素值的变化产生的边(例如对象205的边)可以用于识别图像特征。两个图像之间的图像特征位置的变化是两个图像的获取与现实世界环境中图像特征的位置之间的传感器115的六轴姿态(位置和定向)变化的函数。
[0055]
一种用于确定图像特征位置的技术是在第一图像中选择具有第一位置的像素的连续区域，然后将所述选定区域用作核心以确定第二图像中具有最高相关系数的第二位置。在第二图像中具有最高相关系数的第二位置被认为对应于第一位置。光流的确定取决
于选择从第一图像到第二图像基本不改变外观但是由于对象205在第一图像和第二图像之间移动而改变位置的图像区域。可以选择获取第一图像和第二图像之间的时间，以最小化由于视角和遮挡的变化而引起的图像区域外观的变化，同时最大化由于对象205的移动而引起的区域位置变化。获取第一图像和第二图像之间的时间步长可以是任何合适数量的帧，其中帧时间步长是获取单个图像所需的时间长度。
[0056]
然后，车辆计算机110可以将传感器115数据(例如，图像数据，诸如光流图像、雷达数据、激光雷达数据等)输入到神经网络(诸如深度神经网络(dnn))中(参见图3)，所述神经网络可以被训练为接受用于对象205(例如，旗帜、挂车、树叶、树、交通信号等)的移动的图像数据作为输入并生成识别针对车辆105的位置的实时的风数据的输出。
[0057]
如上所述，车辆计算机110可以基于对象205相对于地面(例如道路)的定向确定实时的风数据。车辆计算机110可以基于传感器115数据(例如，图像数据)来确定对象205的定向。例如，车辆计算机110可以例如使用图像处理技术从图像确定与地面正交地延伸的轴线与对象205的与所述轴线和地面相交的纵向轴线之间的角度。车辆计算机110可以基于角度来确定实时的风数据。
[0058]
车辆计算机110可以基于从所述轴线到对象205的纵向轴线确定的角度的方向来确定风向。例如，当角度的方向是顺时针方向时，即在车辆105前方的对象205的图像中的轴线的左侧时，车辆计算机110可以确定风向从车辆105的右侧到车辆105的左侧。作为另一个示例，当角度的方向是逆时针方向时，即在车辆105前方的对象205的图像中的轴线的右侧时，车辆计算机110可以确定风向从将车辆105的左侧到车辆105的右侧。
[0059]
车辆计算机110可以基于角度的大小来确定风速。例如，车辆计算机110可以从例如存储在查找表等中的多个风速中选择对应于角度大小的风速。查找表可以存储在车辆计算机110的存储器中。风速可以例如通过对由各种风速引起的各种对象的移动进行多次测量来以经验确定。
[0060]
如上所述，车辆计算机110可以基于车辆部件125传感器115数据来确定实时的风数据。例如，车辆105可以包括收集指定一个或多个车辆部件125的性能的数据的各种传感器115。然后，传感器115可以例如经由车辆网络将车辆部件125的数据提供给车辆计算机110。
[0061]
车辆计算机110可以基于车辆部件125的数据来确定实时的风数据。例如，车辆计算机110可以从方向盘传感器接收指定方向盘角度的转向数据。车辆计算机110然后可以基于方向盘角度来确定实时的风数据。例如，车辆计算机110可以将方向盘角度与中性位置(即，使车辆105沿直线操作的方向盘的位置)进行比较以确定方向盘角度方向(例如，顺时针或逆时针)和相对于中性位置的方向盘角度大小。
[0062]
车辆计算机110可以基于方向盘角度方向(即，方向盘的旋转方向)来确定实时的风向。车辆计算机110可以确定风的方向与方向盘角度方向相同。也就是说，车辆计算机110可以确定风将车辆105推离规划路径，这使方向盘旋转。例如，当方向盘角度相对于中性位置为顺时针时，车辆计算机110可以确定实时的风向是从车辆105的左侧到右侧。作为另一个示例，当方向盘角度相对于中性位置为逆时针时，车辆计算机110可以确定实时的风向是从车辆105的右侧到左侧。
[0063]
车辆计算机110可以基于方向盘角度大小来确定实时的风速。例如，车辆计算机
110可以从例如存储在查找表等中的多个风速中选择对应于方向盘角度大小的实时的风速。查找表可以存储在车辆计算机110的存储器中。实时的风速可以例如通过对由各种风速引起的方向盘旋转进行多次测量来以经验确定。
[0064]
如上所述，车辆计算机110可以基于区域200的天气数据来确定实时的风数据。例如，车辆计算机110可以例如经由网络135从远程服务器计算机140接收区域200的天气数据。天气数据可以是已知形式，例如环境气温、环境湿度、降水信息、预报、风速等。也就是说，除了周围环境中的其他物理现象之外，例如气温、环境光的量、是否存在降水、降水类型(例如雪、雨等)、降水量(例如每单位时间接收的降水量或降水深度，例如，每分钟或每小时的降雨量)、是否存在可能影响可见度的大气遮挡物(例如雾、烟、灰尘、烟雾)、可见度水平(例如，从0到1的范围，0表示没有可见度，且1表示无遮挡的可见度)等，天气数据还可以指定风速和风向。
[0065]
作为另一个示例，车辆计算机110可以例如使用图像处理技术来分析图像数据，以实时地确定区域200的天气数据。在这种示例中，车辆计算机110然后可以将区域200的实时天气数据提供给远程服务器计算机140。例如，车辆计算机110可以例如经由网络135将实时天气数据传输到远程服务器计算机140。然后，远程服务器计算机140可以基于众包数据来更新区域200的天气数据(如下面所讨论)。也就是说，远程服务器计算机140可以组合(例如，通过求平均和/或使用某个其他统计度量)实时天气数据和存储的天气数据(例如，风速)中所包括的度量。然后，远程服务器计算机140可以将更新的天气数据存储在例如远程服务器计算机140的存储器中。
[0066]
车辆计算机110可以从远程服务器计算机140接收区域220的存储的风数据。也就是说，在接收到车辆105的位置时，远程服务器计算机140可以通过例如经由网络135将存储的风数据传输到车辆计算机110作为响应。远程服务器计算机140可以将从在所述位置处操作的多个车辆接收的风数据存储在例如远程服务器计算机140的存储器中。也就是说，所存储的风数据可以是众包数据。众包数据意味着多个车辆彼此独立地提供风数据，然后组合(例如，通过求平均和/或使用某个其他统计度量)结果。
[0067]
在确定实时的风数据后，车辆计算机110可以基于实时的风数据和存储的风数据来确定侧风风险。如本文所使用的，“侧风风险”是车辆计算机110可以用来确定作用在车辆105上的侧风的严重性的数字，通常是标量值，例如，在0和1之间。侧风是基本上平行于车辆105的横向轴线(即，基本上与车辆105的行驶方向正交)的风向。
[0068]
车辆计算机110可以基于实时的风数据和存储的风数据来确定实时的风向是否表示侧风。例如，车辆计算机110可以使用贝叶斯的条件概率定理来基于实时的风向和存储的风向来确定侧风的概率。
[0069][0070]
其中p(实时风|存储风)表示在给出存储的风向的情况下实时的风向是否表示侧风的概率，p(存储风)表示存储的风向表示侧风的概率，并且p(存储风|实时风)表示在给出实时风向的情况下存储的风向是否表示侧风的概率。
[0071]
然后，车辆计算机110可以将p(侧风)与例如存储在车辆计算机110的存储器中的概率阈值进行比较。概率阈值可以例如通过对区域200进行许多风向测量来以经验确定。当
p(侧风)小于或等于概率阈值时，车辆计算机110确定实时的风向不表示侧风。在这种示例中，车辆计算机110可以确定侧风风险为空，例如，0。当p(侧风)大于或等于概率阈值时，车辆计算机110确定实时的风向表示侧风。
[0072]
在确定实时的风数据表示侧风后，车辆计算机110可以基于实时的风速来确定侧风风险。例如，车辆计算机110可以从例如存储在查找表等中的多个侧风风险中选择对应于实时风速的侧风风险。下面示出示例性查找表(参见表1)。查找表可以存储在车辆计算机110的存储器中。侧风风险可以以经验确定，例如，通过经由图像数据检测对象并用dnn 300处理图像数据，以在满足存储的数据测试时确定与侧风速度直接相关的侧风风险。
[0073]
侧风风险风速阈值0.1风速≤每小时5英里(mph)0.25mph《风速≤10mph0.310mph《风速≤15mph0.415mph《风速≤20mph0.520mph《风速≤25mph0.625mph《风速≤30mph0.730mph《风速≤35mph0.835mph《风速≤40mph0.940mph《风速≤45mph1.045mph《风速
[0074]
表1
[0075]
表1示出了侧风风险可以至少部分地与实时风速成比例。也就是说，随着实时风速的增加，侧风风险可能增加。在这种示例中，车辆计算机110可以将实时的风速与至少一个风险阈值(例如存储在车辆计算机110的存储器中)进行比较。然后，车辆计算机110可以基于实时的风速小于或等于至少一个风险阈值来确定一个侧风风险(例如，0.4)，或基于实时的风速大于至少一个风险阈值来确定另一个侧风阈值(例如，0.5)。
[0076]
替代地，车辆计算机110可以基于车辆105的速度和实时的风速来确定侧风风险。车辆计算机110可以基于传感器115数据(例如车轮转速传感器数据)来确定车辆105的速度。车辆计算机110可以将侧风风险确定为车辆速度和实时风速的函数，例如加权和、加权乘积等。
[0077]cr
＝w
5vs
+w6msꢀꢀ
(4)
[0078]
其中cr是侧风风险，vs是车辆速度，rs是实时的风速，并且w5和w6是权重，例如，在0与1之间。权重w5、w6可以是基于对以各种速度操作并经受各种侧风速度的车辆的侧向移动的经验测试来预先确定的，例如，通过相对于风洞中的风向以各种角度定位车辆并使用例如惯性测量单元(imu)、激光计量等来确定车辆在经受各种风速时在风洞中的移动。
[0079]
作为另一个示例，车辆计算机110可以将多个查找表存储在例如车辆计算机110的存储器中，每个查找表与一个相应的车辆105速度相关联。查找表中的每一个包括对应于指定的车辆105速度的实时风速的多个侧风风险。在确定车辆105的速度后，车辆计算机110可以选择与车辆105的速度相关联的查找表。替代地，车辆计算机110然后可以基于实时的风速和查找表来确定侧风风险。
[0080]
在确定侧风风险后，车辆计算机110可以致动人机界面(hmi)，所述hmi包括向用户输出消息的输出装置，诸如扬声器和显示器(例如触摸屏显示器)。hmi联接到车辆通信网络并且可以向/从车辆计算机110和其他车辆子系统发送和/或接收消息。hmi可以输出指定侧风风险和/或给定侧风风险下对车辆用户的建议动作的提示。提示可以是音频提示，例如指定侧风风险的消息或音调，或者是视觉提示，例如指定侧风风险的视觉消息或灯。
[0081]
另外或替代地，车辆计算机110可以致动一个或多个车辆部件125来补偿侧风风险。例如，车辆计算机110可以在存在侧风的情况下向方向盘施加扭矩来旋转方向盘以将车辆105维持在规划路径上。另外或替代地，车辆计算机110可以致动制动器以降低车辆105的速度，这可以降低侧风风险。在这种示例中，车辆计算机110可以致动制动器，直到侧风风险低于例如存储在车辆计算机110的存储器中的指定数字。车辆计算机110可以基于对应于侧风风险值的查找表(例如存储在车辆计算机110的存储器中)来致动一个或多个车辆部件125来补偿侧风风险。也就是说，查找表可以指定一个或多个车辆部件125的致动，包括通常与车辆速度或速度范围组合的与每个侧风风险值相关联的致动量，例如方向盘扭矩、制动力等。在确定侧风风险后，车辆计算机110可以确定一个或多个车辆部件125基于指定针对所确定的侧风风险和当前车辆105速度的部件125的致动量的查找表来进行致动。
[0082]
然后，车辆计算机110可以例如经由网络135将实时的风数据和侧风风险提供给远程服务器计算机140。远程服务器计算机140然后可以基于众包数据(如上所讨论)更新所存储的风数据。也就是说，远程服务器计算机140可以组合(例如，通过求平均和/或使用某个其他统计度量)实时的风数据和侧风风险与存储的天气数据。然后，远程服务器计算机140可以将更新的风数据存储在例如远程服务器计算机140的存储器中。
[0083]
图3是示例性深度神经网络(dnn)300的图示，所述dnn可以被训练为基于来自车辆105的传感器115数据来识别针对一定位置的实时的风数据。例如，dnn 300可以是可加载到存储器中并由计算机中所包括的处理器执行的软件程序。在示例性实施方式中，dnn 300可包括但不限于卷积神经网络(cnn)、r-cnn(基于区域的cnn)、快速的r-cnn和更快的r-cnn。dnn包括多个节点，并且所述节点被布置成使得dnn 300包括输入层、一个或多个隐藏层以及输出层。dnn 300的每一层可以包括多个节点305。尽管图3示出了三(3)个隐藏层，但是应理解，dnn 300可以包括更多的或更少的隐藏层。输入层和输出层还可以包括一(1)个以上的节点305。
[0084]
节点305有时被称为人工神经元305，因为它们被设计成模拟生物(例如人类)神经元。每个神经元305的一组输入(由箭头表示)各自乘以相应的权重。然后，可以将经加权输入在输入函数中求和，以在可能通过偏差进行调整的情况下提供净输入。然后，可将净输入提供给激活函数，所述激活函数进而为连接的神经元305提供输出。所述激活函数可以是通常基于经验分析而选择的各种合适的函数。如图3中的箭头所示，接着可以提供神经元305输出以包括在下一层中的一个或多个神经元305的一组输入中。
[0085]
作为一个示例，dnn 300可以通过地面实况数据(即，关于真实世界状况或状态的数据)进行训练。例如，dnn 300可以通过地面实况数据进行训练和/或由远程计算机150的处理器用附加数据进行更新。例如，可以通过使用高斯分布初始化权重，并且可将每个节点305的偏差设置为零。训练dnn 300可以包括经由合适技术(诸如反向传播与优化)来更新权重和偏差。地面实况数据可以包括但不限于指定图像内的对象(例如，车辆、行人等)的数据
或指定物理参数的数据。例如，地面实况数据可以是表示对象和对象标签的数据。在另一个示例中，地面实况数据可以是表示对象(例如，车辆)以及对象(例如，车辆)相对于另一个对象(例如，行人、另一个车辆等)的相对角度和/或速度的数据。
[0086]
在操作期间，车辆计算机110可以获得包括车辆105周围的环境中的一个或多个对象205的传感器115数据(如上文所讨论)，并且将传感器115数据提供给dnn 300。dnn 300基于所接收的输入来输出预测。dnn 300输出是针对车辆105的位置的预测的风状态，例如风速和风向。
[0087]
图4是用于在操作车辆105时确定侧风风险的示例性过程400的图示。过程400在框405中开始。过程400可以由车辆105中所包括的车辆计算机110来执行，所述车辆计算机执行存储在其存储器中的程序指令。
[0088]
在框405中，车辆计算机110从一个或多个传感器115和/或从远程服务器计算机140接收数据。例如，车辆计算机110可以例如从传感器115、导航系统等接收车辆105的位置数据。另外，车辆计算机110可以例如从一个或多个图像传感器115接收图像数据。图像数据可以包括关于车辆105周围的环境的数据，例如一个或多个对象205、另一个车辆、行人等。过程400在框410中继续。
[0089]
在框410中，车辆计算机110识别一个或多个对象205。车辆计算机110可以基于传感器115数据来识别对象205。例如，车辆计算机110可以将图像数据输入到分类器中，所述分类器被训练为输出对象205的类型的标识，例如，挂车、旗帜、树、交通信号灯、树叶等，如上面所讨论。过程400在框415中继续。
[0090]
在框415中，车辆计算机110确定针对位置的实时的风数据。车辆计算机110可以基于对象205相对于车辆105的移动、对象205相对于地面的定向、车辆部件125数据和天气数据中的至少一者来确定针对位置的实时的风数据，如上面所讨论。例如，车辆计算机110可以确定实时的风数据是基于对象205的移动、对象205的定向、车辆部件125数据或天气数据中的一者确定的实时的风数据。
[0091]
替代地，车辆计算机110可以组合基于对象205的移动、对象205的定向、车辆部件125数据和天气数据中的至少两者确定的实时的风数据(例如，通过求平均和/或使用某个其他统计度量)以确定实时的风数据。也就是说，实时的风数据可以是基于对象205的移动确定的实时的风数据、基于对象205的定向确定的风数据、基于车辆部件125数据确定的风数据、由天气数据指定的风数据或其任何组合的例如平均值、加权和、加权乘积等函数。
[0092]
车辆计算机110可以基于传感器115数据来确定对象205的移动。例如，车辆计算机110可以例如使用光流成像技术从第一图像和第二图像生成光流图像，如上面所讨论。然后，车辆计算机110可以将光流图像输入到dnn 300中。在这种示例中，dnn 300输出针对位置的实时的风数据。
[0093]
车辆计算机110可以基于传感器115数据(例如，图像数据)来确定对象205的定向，如上面所讨论。也就是说，车辆计算机110确定与地面正交地延伸的轴线与对象205的与所述轴线和地面相交的纵向轴线之间的角度的方向和大小。然后，车辆计算机110可以基于角度的方向和大小来确定实时的风数据，例如，实时的风速和实时的风向，如上面所讨论。
[0094]
车辆计算机110可以例如经由车辆通信网络从收集指定一个或多个车辆部件125的性能的数据的各种传感器115接收车辆部件125数据。例如，车辆计算机110可以通过将方
向盘角度与中性位置进行比较来确定风速和风向，如上面所讨论。
[0095]
车辆计算机110可以例如经由网络135从远程服务器计算机140接收区域200的天气数据，即，提供周围环境的物理测量结果的数据。天气数据通常包括常规值，例如环境气温、环境湿度、降水信息、预报等。除了周围环境中的其他物理现象之外，天气数据还可以指定区域200的风数据。过程400在框420中继续。
[0096]
在框420中，车辆计算机110例如经由网络135从远程服务器计算机140接收所存储的风数据。远程服务器计算机140可以基于众包数据确定所存储的风数据，如上所讨论。所述过程400在框425中继续。
[0097]
在框425中，车辆计算机110确定实时的风数据是否表示侧风。如上所述，侧风是大致平行于车辆105的横向轴线的风流。例如，车辆计算机110可以使用贝叶斯定理来基于实时的风数据和存储的风数据确定侧风的概率。如果车辆计算机110确定实时的风数据表示侧风，则过程400在框430中继续。否则，过程400结束。
[0098]
在框430中，车辆计算机110确定侧风风险。例如，车辆计算机110可以基于实时的风速和查找表来确定侧风风险，如上所讨论。替代地，车辆计算机110可以基于实时的风速和车辆105的速度来确定侧风风险。例如，车辆计算机110可以组合实时的风速和车辆105的速度(例如，通过求平均和/或某个其他统计度量)，如上面所讨论。也就是说，侧风风险可以是实时的风速和车辆105的速度的函数。过程400在框435中继续。
[0099]
在框435中，车辆计算机110基于侧风风险来致动一个或多个车辆部件125。也就是说，车辆计算机110可以例如根据查找表等致动一个或多个车辆部件125来补偿侧风，如上面所讨论。例如，车辆计算机110可以致动hmi，例如扬声器、触摸屏显示器等，其包括指定侧风风险的提示，例如音频和/或视觉提示。另外或替代地，车辆计算机110可以致动转向部件125和/或制动部件125以将车辆105维持在规划路径上。过程400在框440中继续。
[0100]
在框440中，车辆计算机110然后可以将实时的风数据和侧风风险提供给远程服务器计算机。例如，车辆计算机110可以经由网络135将实时的风数据和侧风风险传输到远程服务器计算机140。远程服务器计算机140然后可以基于实时的风数据和侧风风险更新所存储的风数据，如上所讨论。在框440之后，过程400结束。
[0101]
如本文所使用，副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。
[0102]
通常，所描述的计算系统和/或装置可采用多个计算机操作系统中的任一者，包括但绝不限于以下版本和/或变型：福特应用、applink/smart device link中间件、微软操作系统、微软操作系统、unix操作系统(例如，由加州红杉海岸的oracle公司发布的操作系统)、由纽约阿蒙克市的international business machines公司发布的aix unix操作系统、linux操作系统、由加州库比蒂诺的苹果公司发布的mac osx和ios操作系统、由加拿大滑铁卢的黑莓有限公司发布的blackberry os以及由谷歌公司和开放手机联盟开发的android操作系统、或由qnx software systems供应的car信息娱乐平台。计算装置的示例包括但不限于车载第一计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或某一其他计算系统和/或
装置。
[0103]
计算机和计算装置通常包括计算机可执行指令，其中所述指令可能能够由一个或多个计算装置(诸如以上所列出的那些)执行。可以从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于java
tm
、c、c++、matlab、simulink、stateflow、visual basic、java script、perl、html等。这些应用中的一些可以在诸如java虚拟机、dalvik虚拟机等虚拟机上编译和执行。通常，处理器(例如，微处理器)例如从存储器、计算机可读介质等接收指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一者或多者。此类指令和其他数据可以使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。
[0104]
存储器可以包括计算机可读介质(也称为处理器可读介质)，所述计算机可读介质包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可以采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(dram)。此类指令可以由一种或多种传输介质传输，所述一种或多种传输介质包括同轴电缆、铜线和光纤，包括构成联接到ecu的处理器的系统总线的电线。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡片、纸带、具有孔图案的任何其他物理介质、ram、prom、eprom、快闪eeprom、任何其他存储器芯片或盒式磁带、或者计算机可从其读取的任何其他介质。
[0105]
数据库、数据存储库或本文所述的其他数据存储装置可以包括用于存储、访问和检索各种数据的各种机构，包括分层数据库、文件系统中的文件集、呈专用格式的应用数据库、关系数据库管理系统(rdbms)等。每个此类数据存储装置通常包括在采用计算机操作系统(诸如以上所提到的那些操作系统中的一个操作系统)的计算装置内，并且经由网络以多种方式中的任一种或多种方式来访问。文件系统可以从计算机操作系统访问，并且可以包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述pl/sql语言)之外，rdbms还通常采用结构化查询语言(sql)。
[0106]
在一些示例中，系统元件可以被实施为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上的用于执行本文所描述的功能的此类指令。
[0107]
关于本文描述的介质、过程、系统、方法、启发等，应当理解，尽管此类过程等的步骤已被描述为按照某一有序的顺序发生，但是可以通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应当理解，可以同时执行某些步骤，可以添加其他步骤，或者可以省略本文描述的某些步骤。换句话说，本文对过程的描述出于说明某些实施例的目的而提供，并且决不应被解释为限制权利要求。
[0108]
因此，应当理解，以上描述旨在是说明性的而非限制性的。在阅读以上描述时，除了所提供的示例之外的许多实施例和应用对于本领域的技术人员将是明显的。本发明的范围不应参考以上描述来确定，而应参考所附权利要求连同这些权利要求赋予的等效物的全
部范围来确定。设想并预期未来的发展将在本文讨论的技术中发生，并且所公开的系统和方法将并入到此类未来实施例中。总之，应当理解，本发明能够进行修改和变化，并且仅受所附权利要求的限制。
[0109]
除非本文做出明确的相反指示，否则权利要求中使用的所有术语意图给出如本领域技术人员所理解的普通和一般的含义。具体地，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。
[0110]
根据本发明，提供了一种系统，其具有第一计算机，所述第一计算机包括处理器和存储器，所述存储器存储可由所述处理器执行以进行以下操作的指令：基于对象相对于车辆的检测到的移动，确定针对一定位置的实时的风数据，其中所述实时的风数据包括风速和风向；在从远程计算机接收到所述位置的存储的风数据后，基于所述实时的风数据和所述存储的风数据来确定侧风风险；以及致动车辆部件来补偿所述侧风风险。
[0111]
根据一个实施例，所述指令还包括用于将所述侧风风险和所述实时的风数据提供给所述远程计算机的指令。
[0112]
根据一个实施例，所述远程计算机包括第二处理器和第二存储器，所述第二存储器存储可由所述第二处理器执行以基于所述侧风风险和所述实时的风数据来更新所述存储的风数据的指令。
[0113]
根据一个实施例，所述指令还包括用于以下操作的指令：将所述车辆上的一个或多个传感器获得的传感器数据输入到机器学习程序，并且获得所述实时的风数据作为来自所述机器学习程序的输出。
[0114]
根据一个实施例，所述指令还包括用于另外基于区域的天气数据来确定所述实时的风数据的指令，其中所述位置在所述区域内。
[0115]
根据一个实施例，所述指令还包括用于另外基于所述车辆的转向数据来确定所述实时的风数据的指令。
[0116]
根据一个实施例，所述指令还包括用于另外基于所述车辆的速度来确定所述侧风风险的指令。
[0117]
根据一个实施例，所述指令还包括用于另外基于所述对象相对于地面的定向来确定所述实时的风数据的指令。
[0118]
根据一个实施例，所述指令还包括用于将所述车辆的位置数据提供给所述远程计算机的指令。
[0119]
根据一个实施例，所述指令还包括用于基于光流成像来确定所述对象的移动的指令。
[0120]
根据本发明，一种方法包括：基于对象相对于车辆的检测到的移动，确定针对一定位置的实时的风数据，其中所述实时的风数据包括风速和风向；在从远程计算机接收到所述位置的存储的风数据后，基于所述实时的风数据和所述存储的风数据来确定侧风风险；以及致动车辆部件来补偿所述侧风风险。
[0121]
根据一个实施例，上述发明的特征还在于：将所述侧风风险和所述实时的风数据提供给所述远程计算机。
[0122]
根据一个实施例，上述发明的特征还在于：基于所述侧风风险和所述实时的风数据，在所述远程计算机中更新所述存储的风数据。
[0123]
根据一个实施例，上述发明的特征还在于：将所述车辆上的一个或多个传感器获得的图像数据输入到机器学习程序，并且获得所述实时的风数据作为来自所述机器学习程序的输出。
[0124]
根据一个实施例，上述发明的特征还在于：另外基于区域的天气数据来确定所述实时的风数据，其中所述位置在所述区域内。
[0125]
根据一个实施例，上述发明的特征还在于：另外基于所述车辆的转向数据来确定所述实时的风数据。
[0126]
根据一个实施例，上述发明的特征还在于：另外基于所述车辆的速度来确定所述侧风风险。
[0127]
根据一个实施例，上述发明的特征还在于：另外基于所述对象相对于地面的定向来确定所述实时的风数据。
[0128]
根据一个实施例，上述发明的特征还在于：将所述车辆的位置数据提供给所述远程计算机。
[0129]
根据一个实施例，上述发明的特征还在于：基于光流成像来确定所述对象的移动。