1.本公开涉及使用递归自组织地图用于虚拟行道估测的系统和方法。
背景技术：2.道路标记的行道检测是许多自主交通工具的部分。行道偏离警告系统可用于许多商用交通工具中。然而，商用警告系统依赖于小的视觉提示，并且具有许多误报检测。此类系统意在辅助人类驾驶员，而不是完全自主的。即使在自主交通工具市场中正在开发更准确的行道检测器的情况下，行道检测器也仍然不考虑以下情形：其中，道路标记是清晰的，但条件使得难以在那些行道内正常驾驶。此外，在自主交通工具不能够检测道路标记或者遭遇意外情况时，交通工具可不具有合理驾驶行为的模型。
3.所期望的是用于虚拟行道估测的系统和/或技术，其通过学习其它交通工具的行为而确定可驾驶行道。
技术实现要素：4.本文提供了虚拟行道估测系统。虚拟行道估测系统包括存储器装置、传感器和计算机。存储器装置被配置成存储对应于交通工具前方的道路的部分的道路地图。传感器被配置成观测横穿道路的部分的多个邻近交通工具的多个轨迹。计算机被配置成：将递归自组织地图初始化为多个点，所述多个点被布置成与道路地图对准的二维网格；响应于多个轨迹，训练递归自组织地图中的多个点；响应于对于多个轨迹而训练的点，生成有向图，所述有向图包含通过道路地图的一个或更多个虚拟行道；以及响应于有向图中的一个或更多个虚拟行道，生成控制信号，所述控制信号控制交通工具导航通过道路的部分。
5.在虚拟行道估测系统的一个或更多个实施例中，递归自组织地图的训练一次一个地使用多个轨迹。
6.在虚拟行道估测系统的一个或更多个实施例中，递归自组织地图的递归层在训练结束时包含多个点的多个权重。
7.在虚拟行道估测系统的一个或更多个实施例中，递归自组织地图的网格层在训练结束时包含多个轨迹。
8.在虚拟行道估测系统的一个或更多个实施例中，计算机进一步被配置成在训练期间从多个轨迹选择随机轨迹。
9.在虚拟行道估测系统的一个或更多个实施例中，计算机进一步被配置成隔离随机轨迹的第一点。
10.在虚拟行道估测系统的一个或更多个实施例中，计算机进一步被配置成在训练期间将第一点应用到递归自组织地图。
11.在虚拟行道估测系统的一个或更多个实施例中，计算机进一步被配置成隔离随机轨迹的第二点，并且在训练期间将第二点应用到递归自组织地图。
12.在虚拟行道估测系统的一个或更多个实施例中，递归自组织地图是具有来自当前
时间步骤的输入层的自组织地图，并且输入层是来自先前时间步骤的输出层，并且自组织地图实施神经网络，其中，输出层被布置成二维网格。
13.本文提供了用于虚拟行道估测的方法。所述方法包括：读取对应于交通工具前方的道路的部分的道路地图；使用交通工具的计算机，将递归自组织地图初始化为多个点，所述多个点被布置成与道路地图对准的二维网格；以及使用交通工具的传感器，观测横穿道路的部分的多个邻近交通工具的多个轨迹。所述方法进一步包括：响应于多个轨迹，训练递归自组织地图中的多个点；响应于对于多个轨迹而训练的点，生成有向图，所述有向图包含通过道路地图的一个或更多个虚拟行道；以及响应于有向图中的一个或更多个虚拟行道，控制动力装置，以导航交通工具通过道路的部分。
14.在所述方法的一个或更多个实施例中，递归自组织地图的训练一次一个地使用多个轨迹。
15.在所述方法的一个或更多个实施例中，递归自组织地图的递归层在训练结束时包含多个点的多个权重。
16.在所述方法的一个或更多个实施例中，递归自组织地图的网格层在训练结束时包含多个轨迹。
17.在所述方法的一个或更多个实施例中，训练包括从多个轨迹选择随机轨迹。
18.在所述方法的一个或更多个实施例中，训练包括移除随机轨迹的第一点。
19.在所述方法的一个或更多个实施例中，训练包括将第一点应用到递归自组织地图。
20.在所述方法的一个或更多个实施例中，训练包括移除随机轨迹的第二点，并且将第二点应用到递归自组织地图。
21.在所述方法的一个或更多个实施例中，递归自组织地图包括具有来自当前时间步骤的输入层的自组织地图，并且输入层是来自先前时间步骤的输出层。
22.在所述方法的一个或更多个实施例中，自组织地图实施神经网络，其中，输出层被布置成二维网格。
23.本文提供了交通工具。交通工具包括存储器装置、传感器、计算机和动力装置。存储器装置被配置成存储对应于交通工具前方的道路的部分的道路地图。传感器被配置成观测横穿道路的部分的多个邻近交通工具的多个轨迹。计算机被配置成：将递归自组织地图初始化为多个点，所述多个点被布置成与道路地图对准的二维网格；响应于多个轨迹，训练递归自组织地图中的多个点；响应于对于多个轨迹而训练的点，生成有向图，所述有向图包含通过道路地图的一个或更多个虚拟行道；以及响应于有向图中的一个或更多个虚拟行道，生成控制信号，所述控制信号控制交通工具导航通过道路的部分。动力装置被配置成响应于控制信号而推进交通工具。
24.本文还提出了以下技术方案。
25.1. 虚拟行道估测系统，包括：存储器装置，被配置成存储对应于交通工具前方的道路的部分的道路地图；传感器，被配置成观测横穿所述道路的部分的多个邻近交通工具的多个轨迹；以及计算机，被配置成：将递归自组织地图初始化为多个点，所述多个点被布置成与所
述道路地图对准的二维网格；响应于所述多个轨迹，训练所述递归自组织地图中的所述多个点；响应于对于所述多个轨迹而训练的点，生成有向图，所述有向图包含通过所述道路地图的一个或更多个虚拟行道；以及响应于所述有向图中的所述一个或更多个虚拟行道，生成控制信号，所述控制信号控制所述交通工具导航通过所述道路的部分。
26.2. 根据技术方案1所述的虚拟行道估测系统，其中，所述递归自组织地图的训练一次一个地使用所述多个轨迹。
27.3. 根据技术方案2所述的虚拟行道估测系统，其中，所述递归自组织地图的递归层在训练结束时包含所述多个点的多个权重。
28.4. 根据技术方案3所述的虚拟行道估测系统，其中，所述递归自组织地图的网格层在训练结束时包含所述多个轨迹。
29.5. 根据技术方案2所述的虚拟行道估测系统，其中，所述计算机进一步被配置成在训练期间从所述多个轨迹选择随机轨迹。
30.6. 根据技术方案5所述的虚拟行道估测系统，其中，所述计算机进一步被配置成隔离所述随机轨迹的第一点。
31.7. 根据技术方案6所述的虚拟行道估测系统，其中，所述计算机进一步被配置成在训练期间将所述第一点应用到所述递归自组织地图。
32.8. 根据技术方案7所述的虚拟行道估测系统，其中，所述计算机进一步被配置成隔离所述随机轨迹的第二点，并且在训练期间将所述第二点应用到所述递归自组织地图。
33.9. 根据技术方案1所述的虚拟行道估测系统，其中，所述递归自组织地图包括具有来自当前时间步骤的输入层的自组织地图，并且所述输入层是来自先前时间步骤的输出层，并且所述自组织地图实施神经网络，其中，所述输出层被布置成所述二维网格。
34.10. 用于虚拟行道估测的方法，包括：读取对应于交通工具前方的道路的部分的道路地图；使用所述交通工具的计算机，将递归自组织地图初始化为多个点，所述多个点被布置成与所述道路地图对准的二维网格；以及使用所述交通工具的传感器，观测横穿所述道路的部分的多个邻近交通工具的多个轨迹；响应于所述多个轨迹，训练所述递归自组织地图中的所述多个点；响应于对于所述多个轨迹而训练的点，生成有向图，所述有向图包含通过所述道路地图的一个或更多个虚拟行道；以及响应于所述有向图中的所述一个或更多个虚拟行道，控制动力装置，以导航所述交通工具通过所述道路的部分。
35.11. 根据技术方案10所述的方法，其中，所述递归自组织地图的训练一次一个地使用所述多个轨迹。
36.12. 根据技术方案11所述的方法，其中，所述递归自组织地图的递归层在训练结束时包含所述多个点的多个权重。
37.13. 根据技术方案12所述的方法，其中，所述递归自组织地图的网格层在训练结束时包含所述多个轨迹。
38.14. 根据技术方案11所述的方法，其中，所述训练包括从所述多个轨迹选择随机
轨迹。
39.15. 根据技术方案14所述的方法，其中，所述训练包括移除所述随机轨迹的第一点。
40.16. 根据技术方案15所述的方法，其中，所述训练包括将所述第一点应用到所述递归自组织地图。
41.17. 根据技术方案16所述的方法，其中，所述训练包括：移除所述随机轨迹的第二点；以及将所述第二点应用到所述递归自组织地图。
42.18. 根据技术方案10所述的方法，其中，所述递归自组织地图包括具有来自当前时间步骤的输入层的自组织地图，并且所述输入层是来自先前时间步骤的输出层。
43.19. 根据技术方案18所述的方法，其中，所述自组织地图实施神经网络，其中，所述输出层被布置成所述二维网格。
44.20. 交通工具，包括：存储器装置，被配置成存储对应于所述交通工具前方的道路的部分的道路地图；传感器，被配置成观测横穿所述道路的部分的多个邻近交通工具的多个轨迹；计算机，被配置成：将递归自组织地图初始化为多个点，所述多个点被布置成与所述道路地图对准的二维网格；响应于所述多个轨迹，训练所述递归自组织地图中的所述多个点；响应于对于所述多个轨迹而训练的点，生成有向图，所述有向图包含通过所述道路地图的一个或更多个虚拟行道；以及响应于所述有向图中的所述一个或更多个虚拟行道，生成控制信号，所述控制信号控制所述交通工具导航通过所述道路的部分；以及动力装置，被配置成响应于所述控制信号而推进所述交通工具。
45.当结合所附附图时，根据用于执行本公开的最佳模式的以下详细描述，本公开的上文的特征和优点以及其它特征和优点将容易地显而易见。
附图说明
46.图1是示出了实施自主驾驶系统的交通工具的示意性平面图。
47.图2是根据自主驾驶系统的示例性实施例的计算机中的软件的示意图。
48.图3是根据自主驾驶系统的示例性实施例的估测方法的流程图。
49.图4是根据自主驾驶系统的示例性实施例的围绕地图管理器的环境的示意图。
50.图5是根据自主驾驶系统的示例性实施例的道路的部分的示意性平面图。
51.图6是根据自主驾驶系统的示例性实施例的训练序列的流程图。
52.图7是根据自主驾驶系统的示例性实施例的处理方法的流程图。
具体实施方式
53.本公开的实施例通过观测在相同道路上行进的其它交通工具的过往轨迹而执行用于自主交通工具的虚拟行道估测系统。虚拟行道可被限定为对于移动交通工具行进的可选路径。可选路径可用于其中道路上的行道标记不清晰的情况下，或者用于导致交通工具绕过行道行进的默认交通规则的意外道路条件（例如，在道路中的障碍物）。
54.系统总体上使用递归自组织地图（som），其将一个或多个所观测交通工具轨迹作
为输入，并且呈有向图的形式呈现平均轨迹。通过使用递归自主组织地图，系统可寻获可驾驶行道，并且捕获临时数据，诸如，速度、方向和行道改变偏好。
55.有向图的节点可表示沿着轨迹的实体坐标。有向图的有向边缘可捕获其中节点被观测的序列次序。有向图随后可用于基于图像的技术中，以引导自主交通工具的移动，和/或预测其它交通工具在未来的轨迹。
56.参考图1，显示了示出交通工具90的示意性平面图。交通工具90总体上包括多个轮92a-92d和自主驾驶系统100。自主驾驶系统100总体上包括传感器102、存储器装置104、计算机106和动力装置108。
57.信号（例如，sen）可由传感器102生成，并且被传输到计算机106。传感器信号sen可携带关于交通工具90前方的道路的部分中的邻近交通工具的信息。信号（例如，cmd）可在计算机106和动力装置108之间交换。命令信号cmd可将命令传送到动力装置108，以至少控制交通工具90的速度、转向和制动操作。信号（例如，data）可在计算机106和动力装置108之间交换。数据信号data可在动力装置108和计算机106之间传输涉及动力装置108的操作的数据。信号（例如，mem）可在计算机106和存储器装置104之间交换。存储器信号mem可传送限定由交通工具90使用的区域中的道路的信息。在各种实施例中，信息可包括实体道路（或者表面）的道路地图。可实施其它类型的信息，以满足特定应用的设计标准。
58.交通工具90可被实施为汽车（或者车辆）。在各种实施例中，交通工具90可包括但不限于客运交通工具、卡车、自主交通工具、燃气交通工具、电动交通工具、混合动力交通工具和/或摩托车。可实施其它类型的交通工具90，以满足特定应用的设计标准。
59.轮92a-92d可实施负重轮。轮92a-92d总体上是操作性的，以提供交通工具90围绕地面的移动。在各种实施例中，每个轮92a-92d可包括被安装在轮缘上的轮胎。轮92a-92d可用于提供交通工具90和交通工具90位于其上的地面之间的牵引。
60.自主驾驶系统100可实施适于自主、半自主和/或驾驶员辅助操作的动力装置和相关联的电子器件。自主驾驶系统100总体上是操作性的，以读取对应于交通工具90前方（或围绕交通工具90）的道路的部分（或部段）的道路地图，并且将递归自主组织地图初始化为多个点，所述多个点被布置成与道路地图对准的二维网格。在各种实施例中，道路地图可在交通工具90的行进方向上是从几十英尺到几百英尺的范围。道路地图可在交通工具90前方和/或交通工具90后方延伸。道路地图也可为从几十英尺宽到大约一百英尺宽的范围。道路地图可在交通工具90左侧和/或交通工具90右侧延伸。
61.自主驾驶系统100可进一步是操作性的，以观测横穿由道路地图表示的道路的部分的一个或更多个邻近交通工具的一个或更多个轨迹，并且响应于轨迹而训练递归自组织地图中的点。响应于沿着轨迹的点，可由自主驾驶系统100生成有向图，所述有向图包含通过道路地图的一个或更多个虚拟行道。随后，响应于有向图中的虚拟行道，自主驾驶系统100可导航交通工具90穿越对应于道路地图的道路。
62.传感器102可实施光学传感器和/或射频传感器。传感器102总体上是操作性的，以感测邻近交通工具移动通过交通工具90将横穿的道路的部分的移动。在各种实施例中，传感器102可实施被配置成观测交通工具90前方的邻近交通工具的一个或更多个摄像头。在一些实施例中，传感器102可实施被配置成追踪邻近交通工具的雷达装置。在其它实施例中，传感器102可为被配置成收集由邻近交通工具生成的交通工具标识的收发器。每个交通
工具标识可识别特定邻近交通工具和相应位置。交通工具标识可以交通工具对于交通工具的方式被收集，和/或通过无线网络（例如，蜂窝网络）从数据库收集。在各种实施例中，传感器102可进一步是操作性的，以感测并且报告被绘制在道路上的行道边界（当可检测时）。
63.存储器装置104可实施非暂时性存储装置。存储器装置104总体上是操作性的，以存储并且将道路地图信息呈现到计算机106。道路地图信息可经由存储器信号mem呈现到计算机106。被存储在存储器装置104中的道路地图信息可经由存储器信号mem时常更新，以考虑道路中的变化。
64.计算机106可实施一个或更多个电子控制单元。计算机106总体上是操作性的，以从传感器102收集传感器信息，从存储器装置104读取读道路地图的局部部分，并且确定可用于交通工具90的一个或更多个虚拟行道。计算机106可将虚拟行道编码到有向图中。在一个或更多个实施例中，随后计算机106可使用有向图中的虚拟行道信息，以自主地导航交通工具90穿越对应于道路地图的道路、半自主地辅助导航交通工具90，和/或提供用于横穿道路的驾驶员辅助。
65.动力装置108可实施交通工具90的发动机、变速器和动力传动系。动力装置108总体上是操作性的，以响应于从计算机106接收的信号cmd中的一个或更多个命令而推进并且转向交通工具90。动力装置108可在信号data中将操作信息提供返回到计算机106。
66.参考图2，根据自主驾驶系统100的示例性实施例，显示了计算机106中的软件的示例性架构的示意图。计算机106中的软件总体上包括硬件抽象层120、高级认知系统122和传感器抽象层124。传感器抽象层124可包括地图管理器126。命令信号cmd、数据信号data和传感器信号sen可联接到硬件抽象层120。存储器信号mem可联接到地图管理器126。
67.硬件抽象层120总体上是操作性的，以提供到计算机106中的信息接收和离开计算机106的信息发送。硬件抽象层120可负责接收来自传感器102的信号sen中的传感器数据。硬件抽象层120可经由信号cmd和信号data与动力装置108交换命令和数据。
68.高级认知系统122总体上是操作性的，以提供自主、半自主和/或驾驶员辅助判定过程。高级认知系统122可从传感器抽象层124接收有向图中的虚拟行道。高级认知系统122可基于虚拟行道而确定将采取的动作，将动作翻译成命令，并且将命令呈现到硬件抽象层120，用于随后传输到动力装置108。
69.传感器抽象层124总体上是操作性的，以利用来自传感器102的传感器数据和来自动力装置108的动力装置数据，以确定交通工具90位于何处以及哪些其它交通工具在附近。传感器抽象层124可将有向图呈现到高级认知系统122，以辅助导航判定。
70.地图管理器126总体上是操作性的，以基于从存储器装置104接收的道路地图数据和由传感器102观测的邻近交通工具的轨迹而生成递归自组织地图。地图管理器126可从递归自组织地图确定可用于交通工具90的一个或更多个虚拟行道。虚拟行道可被格式化为呈现到高级认知系统122的有向图。
71.自组织地图总体上限定将高维输入数据聚类成空间组织表示的方式。自组织地图通常被实施为神经网络，其具有用于引入数据的输入层和以二维网格布置的输出层。输出神经元可从表示输出神经元的簇中心的输入神经元接收权重值。对于每个训练迭代，来自训练数据集的随机点可被选择成到网络的输入。之后，对于每个输出值的值可被计算成输入的加权和，其中，最大值的神经元被标记为神经元u。可在训练期间更新权重。对于迭代s，
前往对于下一迭代s+1的输出神经元v的权重的向量可根据u和v之间的邻域函数、学习速率和前往u的权重和前往v的权重的向量之间的距离的乘积而增加。在多次迭代之后，输出神经元的权重的值移位，以表示输入数据的分布。例如，在被布置成环的二维数据点上训练自组织地图可使输出神经元的权重神经元移位，以覆盖该空间。
72.递归自组织地图总体上允许在单个表示内聚类空间和时间数据。递归自组织地图可捕获输出簇之间的序列关系。递归自组织地图包括具有额外输入层的规则自组织地图，所述额外输入层是来自先前时间步骤的输出层的副本。每个输出神经元的值可被计算成仅来自当前输入的输出和仅来自先前时间步骤处的地图的副本的输出的加权组合。来自时间t的当前输入的权重可被指示为x（t），并且来自先前时间步骤的地图的副本的权重可被指示为y（t）。两组权重可使用与规则自组织地图中相同的学习规则而被单独地训练。训练迭代可总体上如先前地执行，但是其中输入数据以寻获其的原始时间序列呈现。因此，x（t）权重如先前地执行聚类，并且y（t）权重编码从序列中的一个簇移动到下个的转变概率。
73.参考图3，根据自主驾驶系统100的示例性实施例，显示了估测方法140的示例性实施方式的流程图。估测方法（或者过程）140可由自主驾驶系统100实施。估测方法140总体上包括步骤142、步骤144、步骤146和步骤148。
74.在步骤142中，传感器102可观测其它交通工具驾驶通过所关注区域的路径。所关注区域总体上是交通工具90将行进通过的道路地图。基于观测，在步骤144中，计算机106可初始化并且训练叠加在所关注区域上的递归自组织地图。在训练中的每个时间步骤期间，可利用当前输入向量152和先前时间步骤处的地图154的副本而更新当前地图150。一旦更新，则当前地图150随后成为下个时间步骤中的地图154。时间步骤继续用于多次迭代，而新的输入向量152被添加到当前地图150中。
75.在步骤146中，计算机106可确定所关注区域中的一个或更多个虚拟行道。虚拟行道总体上是由先前横穿所关注区域的其它交通工具使用的可驾驶行道。一旦确定虚拟行道，则计算机106可在步骤148中生成有向图。有向图可包括每个虚拟行道中的空间点。有向图随后可由计算机106使用，以进行导航判定，用于感知、预测和/或规划。
76.参考图4，根据自主驾驶系统100的示例性实施例，显示了围绕地图管理器126的示例性环境160的示意图。环境160总体上包括地图管理器126、感知功能164、高级规划器功能166、递归自组织地图168、道路地图170、假设器和译码器功能172、计算机矩阵变换功能174、行道中心推断功能176、路线生成功能178和内部地图表示功能180。
77.感知功能164总体上是操作性的，以向地图管理器126提供实时数据和更新数据。实时数据可包括但不限于由传感器102获得的行道边界、邻近交通工具轨迹和/或邻近交通工具标识。更新数据可包括对于存储器装置104中存储的道路数据的地图更新。
78.高级规划器功能166总体上是操作性的，以向地图管理器126提供路线起点和路线终点。根据由外部操作者限定的最终目标目的地而生成点，并且所述点还可包括在空间上广泛分离的一系列航路点，例如，交叉口，其适于到达目标目的地。
79.递归自组织地图168可提供所关注区域和虚拟行道的动态地图。虚拟行道总体上基于所观测的邻近交通工具轨迹和/或交通工具标识。
80.道路地图170可为被存储在存储器装置104中的电子地图，并且表示交通工具90在其上移动的道路。道路地图170的区段可由地图管理器126读取作为初始化递归自组织地图
168的部分。
81.假设器和译码器功能172可为操作性的，以基于从地图管理器126接收的有向图中的数据而生成导航判定。有向图中的数据可包括但不限于虚拟行道、行道边界、行道中心、道路符号位置和当前光状态。
82.计算机矩阵变换功能174可为操作性的，以生成更新的交通工具标识。更新可基于从传感器102接收的交通工具标识和道路地图170中限定的行道线。更新的交通工具标识可呈现到内部地图表示功能180。
83.行道中心推断功能176总体上是操作性的，以基于递归自组织地图168而确定行道中心信息。行道中心信息可考虑地图更新。行道中心信息可被传输到内部地图表示功能180。
84.路线生成功能178总体上是操作性的，以基于从高级规划器功能166接收的路线信息而识别交通工具90的当前位置和行进方向。当前位置和行进方向总体上允许地图管理器126确定道路地图170的部分，以从存储器装置104访问。
85.内部地图表示功能180总体上是操作性的，以训练递归自组织地图168。内部地图表示功能180也可为操作性的，以生成有向图，其具有虚拟行道、行道边界、行道中心、道路符号位置和当前光状态等。有向图可呈现到假设器和译码器功能172，以辅助导航交通工具90。
86.参考图5，根据自主驾驶系统100的示例性实施例，显示了道路200的示例性部分的示意性平面图。道路200可示出在南北道路和东西道路之间的交叉口。道路200总体上包括南行行道202、交叉口北部的中心行道204、北行行道206、西行行道208、东行行道210和交叉口南部的中心（或左转）行道212。道路200可用于解释如何训练递归自组织地图168。在示例中，中心行道204不是官方地存在为北行行道，并且将不是用于自主交通工具的选项。当进行左转时，仅根据道路地图170操作的自主交通工具通常将等待来自北部和南部两者的交通中的间隙，这在交通高峰时间可为困难的。通过观测使用中心行道204的其它车辆，递归自组织地图可产生虚拟行道，以表示共同和/或新寻获的移动选项。
87.参考图6，根据自主驾驶系统100的示例性实施例，显示了训练序列220的示例性实施方式的流程图。训练序列220可由计算机106实施。训练序列220总体上包括初始条件222、迭代条件224、进一步迭代条件226和最终条件228。
88.在初始条件222中，地图管理器126可沿着预期路线使点的统一网格与从存储器装置104接收的道路地图170对准。网格可为均匀间隔点的二维网格。网格点在示例中被示出为多个（例如，60个）黑点，其被标记为0-59。在初始条件222下，交通工具90总体上停驻在网格边缘的外部或网格边缘处。在示例中，交通工具90可在前往交叉口的东行行道210中。
89.交通工具90可观测沿着与交通工具90预期遵循的大约相同路线行进通过对应于道路地图170的道路的部分的其它交通工具。所述观测可用于产生所观测轨迹的训练数据集。在示例中，其它两个交通工具先前从东行行道80左转到北行行道206中。地图管理器126可从所述观测提取两个所观测轨迹，一个交通工具使用中心行道204左转，并且另一个使用来自公众地图数据的常规北行行道206。
90.总体上在交通工具90到达交叉口之前进行观测，或者在交通工具90到达交叉口之前或当交通工具90到达交叉口时从数据库获得观测。地图管理器126可使递归自组织地图
上的两条先前轨迹的空间坐标重叠。两条轨迹的空间坐标被示出为白色方形。所观测轨迹中的最右侧轨迹总体上显示直接到北行行道206中的左转。所观测轨迹中的最左侧轨迹显示左转到中心行道204中并且随后移动到北行行道206中。
91.地图管理器126可基于所观测轨迹而训练递归自组织地图168。训练总体上交替地基于两条轨迹，以观测次序输入轨迹的离散点坐标。迭代条件224总体上示出了在递归自组织地图168的多次（例如，10次）迭代之后的点。若干点（黑点）可在迭代期间移动朝向最接近的所观测离散点坐标（白色方形）。
92.如果点不足以与所观测坐标会聚（或者重叠或者覆盖），和/或已经执行预定数量的迭代，则地图管理器126可继续迭代点。进一步迭代条件226总体上示出了在递归自组织地图168的多次（例如，20次）迭代之后的点。在最终条件228中，递归自组织地图168可使点会聚到沿着两条所观测轨迹的离散点。在示例中，最右侧轨迹可包括点56、57、52、47、41、34、28、22、16、9和3。最左侧轨迹可包括点56、51、45、39、33、27、21、15、9和3。
93.在训练期间，地图管理器126可检查递归权重y（x），以查看输出节点之间的转变。y（x）权重可用于产生最终有向图中的有向边缘。对于y（x）中的每个非零权重，可对于对应节点添加有向边缘。此后，由有向边缘连接的一组节点可返回作为虚拟行道的最终图像表示（被显示为白色方形）。
94.随后有向图可用于规划技术中。例如，dijkstra算法可利用有向图，以计算对于交通工具90最初采用最左侧轨迹到中心行道204中的判定，而不是直接转弯到北行行道206中。图中的有向边缘可为涉及周围交通量的给定压力分数。在存在有来自南部的接近车辆的情况下，对于在北行行道206中的边缘的压力分数可更高，导致交通工具90选择中心行道204。
95.参考图7，根据自主驾驶系统100的示例性实施例，显示了处理方法240的示例性实施方式的流程图。处理方法（或者过程）240可由自主驾驶系统100实施。处理方法240总体上包括步骤242、步骤244、步骤246、步骤248和步骤250。步骤246总体上包括步骤252、步骤254、步骤256和步骤258。
96.在步骤242中，对于递归自组织地图168的数据可由传感器102、存储器装置104和计算机106收集。递归自组织地图168可在步骤244中由地图管理器126初始化。初始化可包括在道路地图170上生成与二维区域对准的初始网格。在初始化期间也可设定训练会话的数量。
97.递归自组织地图168的训练可在步骤246中由地图管理器126执行。在训练结束时，可最终化递归自组织地图168。在最终递归自组织地图168中的网格层可覆盖所观测轨迹的离散点坐标。递归层可包括对于递归自组织地图168的权重。在步骤250中，由地图管理器126从网格层产生具有虚拟行道的有向图。
98.作为步骤246中的训练的部分，地图管理器126可在步骤252中检查训练是否正在进行或完成。如果训练完成，则处理方法240可继续步骤248。如果训练保持正在进行，则处理方法240可继续步骤254。
99.在步骤254中，地图管理器126可从所观测轨迹的集合中随机选择轨迹。在步骤256中可执行检查，以确定点是否保持选定轨迹。如果一个或更多个点保持，则选定轨迹的第一点（或终点）（例如，x、y）可被隔离（或者被移除）。隔离的点可被应用作为到递归自组织地图
168的输入。训练等式在步骤258中可被应用到递归自组织地图168。此后，训练步骤246可返回到步骤256，以检查选定轨迹中的附加点。
100.训练步骤246可继续围绕步骤256和步骤258，直到已经考虑了选定轨迹中的点。步骤256可返回到步骤246，以确定是否应该考虑附加的所观测轨迹。如果更多的所观测轨迹保持待考虑，则训练步骤246可循环围绕步骤246-258，直到所观测轨迹已经被处理。
101.本公开的各种实施例可辅助自主交通工具的规划和判定进行过程。总体上存在有许多优点，以使用递归自组织地图，用于虚拟行道估测。例如，递归自组织地图可利用另一交通工具的一个观测或者大观测数据集而训练。以单个观测的训练可快速完成，用于真实驾驶情况下的在线学习。递归自组织地图也可利用更大的数据集，诸如，来自交通摄像头和/或众包数据库的俯视视频片段，以产生更准确和全面的估测。
102.所得到的有向图格式可与在有向图上操作的许多路径规划算法兼容。这节省了计算时间，因为虚拟行道已经处于不需要转换技术的可用格式。此外，连同虚拟行道的空间信息，自组织地图的递归部分可编码关于行进方向的时间信息。
103.本公开的实施例可处理不确定条件，诸如，事故或者模糊的视觉标记。当发生此类条件时，交通工具90可模仿周围交通工具的移动，作为对于合理行为的起点。随着时间，这允许交通工具90获得经验和技巧，以处理未由系统设计者预知的困难情况。由许多车辆收集的观测也形成众包数据库，其支持自主驾驶系统的改进的未来迭代。
104.对于虚拟行道估测使用递归自组织地图总体上在单个地图管理器126内处理对于自主交通工具的多个标准，而不执行用于在表示之间转换的工作。在各种实施例中，系统通过检测其它交通工具并且追踪那些交通工具的运动而解决难以检测行道标记的问题。系统也可固有地处理其中此类行道标记与情况无关并且正常交通规则被覆写（例如，失速车辆堵塞行道）的情况。此外，对于自主驾驶的当前模块化方法包括收集地图信息、假设其它机构的移动以及判定利用哪些输出数据的阶段。系统的基于图像的格式总体上是用于表示基于地图的数据（诸如，虚拟行道）的有用格式，并且可用作商业应用中对于许多不同路径规划技术的基础。
105.虽然已经详细描述了用于执行本公开的最佳模式，但本公开所属领域技术人员将理解的是，用于实践本公开的各种可选设计和实施例在所附权利要求的范围内。