用于确定自主车辆的安全事件的系统和方法与流程

本公开总体上涉及自主车辆，并且更具体地涉及用于确定自主车辆的安全事件的系统和方法。

背景技术：

自主车辆是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。自主车辆使用诸如雷达、激光雷达、图像传感器等感测装置来感测其环境。自主车辆系统进一步使用来自全球定位系统(gps)技术、导航系统、车对车通信、车辆对基础设施技术和/或线控驱动系统的信息来对车辆进行导航。

车辆自动化已经被分类为从零(对应于全人为控制的非自动化)到五(对应于无人为控制的全自动化)的范围中的数值等级。各种自动驾驶员辅助系统(诸如巡航控制、自适应巡航控制以及停放辅助系统)对应于较低自动化等级，而真正的“无人驾驶”车辆对应于较高自动化等级。

自主车辆传感器获取关于自主车辆周围的对象以及关于其它环境因素的大量数据。分析和使用该数据有助于安全驾驶。因此，期望提供促进理解来自传感器和其它来源的数据以及它们如何与自主车辆的安全操作相关的系统和方法。进一步期望提供用于对与自主车辆相关的安全事件进行分类的方法和系统。另外，从以下结合附图和前面的技术领域及背景技术进行的实施方式和所附权利要求书中将更清楚地明白本发明的其它期望特征和特性。

技术实现要素：

提供了用于控制自主车辆的系统和方法。在一个实施例中，提供了一种用于执行自主车辆操作分析的方法和系统。传感器数据从传感器装置接收并且表示人工驾驶车辆的环境和操作。由一个或多个处理器基于所获取的传感器数据来确定人类事件数据。由一个或多个数据处理器接收与自主车辆的操作相关联的事件数据。由一个或多个数据处理器基于人工驾驶车辆事件和自主车辆事件相对于驾驶场景的相似度使人类事件数据与的自主车辆事件数据相关并一起发生。由一个或多个数据处理器基于相关的人工驾驶车辆事件和自主车辆事件来产生安全相关分析。

在实施例中，提供了一种用于执行自主车辆操作分析的方法和系统。传感器数据从传感器装置接收并且表示人工驾驶车辆的环境和操作。由一个或多个处理器基于所获取的传感器数据来确定人类事件数据。由一个或多个数据处理器接收与自主车辆的操作相关联的事件数据。由一个或多个数据处理器基于人工驾驶车辆事件和自主车辆事件相对于驾驶场景的相似度使人类事件数据与自主车辆事件数据相关并一起发生。由一个或多个数据处理器基于相关的人工驾驶车辆事件和自主车辆事件来产生安全相关分析。所产生的安全相关分析评估在等效驾驶场景下人工驾驶车辆与自主车辆之间的车辆安全程度。

附图说明

下文将结合以下附图描述示例性实施例，其中相同标号表示相同元件，且其中：

图1是说明根据各种实施例的自主车辆的功能框图；

图2是说明根据各种实施例的具有如图1中所示的一台或多台自主车辆的运输系统的功能框图；

图3是说明根据各种实施例的与自主车辆相关联的自主驾驶系统(ads)的功能框图；

图4是描绘根据各种实施例的安全事件处理系统的功能框图；

图5和6是说明用于人类车辆操作与自主车辆操作之间的安全事件比较的车辆传感器数据的处理的功能框图；

图7是说明使用人工神经网络来将人类车辆操作与自主车辆操作之间的安全事件相关的功能框图；以及

图8是描绘涉及硬制动安全相关事件的操作场景的流程图。

具体实施方式

具体实施方式本质上仅仅是示例性的，而不旨在限制应用和用途。另外，不存在被任何前述的技术领域、背景技术、发明内容或具体实施方式中提出的任何明确的或暗示的理论约束的意图。如本文所使用，术语“模块”是指单独地或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(asic)、现场可编程门阵列(fpga)、电子电路、处理器(共享、专用或成组)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其它合适部件。

本公开的实施例在本文可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本公开的实施例可以采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其它控制装置的控制下执行多种功能)。另外，本领域技术人员将明白的是，本公开的实施例可以结合任何数量的系统来实践，并且本文所述的系统仅仅是本公开的示例性实施例。

为了简明起见，本文可以不详细描述与信号处理、数据传输、信令、控制、机器学习、图像分析以及该系统(和该系统的单独操作部件)的其它功能方面有关的常规技术。另外，本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。

参考图1，根据各种实施例，总体上示为100的用于执行自主车辆控制的系统与车辆10相关联。通常，系统100提供对车辆10的周围环境的点云形式的三维图像的低级处理以确定用于控制车辆10的周围对象的速度。

如图1中所描绘，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且大致上包围车辆10的部件。车身14和底盘12可以共同形成框架。车轮16到18各自在车身14的相应拐角附近旋转地联接到底盘12。

在各种实施例中，车辆10是自主车辆，并且系统100和/或其部件被结合到自主车辆10(在下文中被称为自主车辆10)中。自主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。在所说明的实施例中，车辆10被描绘为乘用车，但是应当明白的是，也可以使用包括摩托车、卡车、运动型多用途车辆(suv)、休闲车辆(rv)、船舶、飞行器等任何其它车辆。

在示例性实施例中，自主车辆10对应于汽车工程师协会(sae)“j3016”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语，四级系统指示“高度自动化”，其指代自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式，即使人类驾驶员对干预请求没有做出适当响应。另一方面，五级系统指示“全自动化”，其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能的驾驶模式。然而，应当明白的是，根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外，根据本实施例的系统可以与利用导航系统和/或其它系统提供路线引导和/或实施的任何自主车辆或其它车辆结合使用。

如所示，自主车辆10通常包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34以及通信系统36。推进系统20在各种实施例中可以包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输到车轮16和18。根据各种实施例，变速器系统22可以包括分级传动比自动变速器、无级变速器或其它适当的变速器。

制动系统26被配置为向车轮16和18提供制动转矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统，和/或其它适当的制动系统。

转向系统24影响车轮16和/或18的位置。虽然为了说明目的而被描绘为包括方向盘25，但是在本公开的范围内预期的一些实施例中，转向系统24可以不包括方向盘。

传感器系统28包括感测自主车辆10的外部环境和/或内部环境的可观察状况的一个或多个感测装置40a到40n。感测装置40a到40n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机、热像仪、超声波传感器和/或其它传感器。致动器系统30包括一个或多个致动器装置42a到42n，其控制一个或多个车辆特征，诸如但不限于推进系统20、变速器系统22、转向系统24以及制动系统26。在各种实施例中，自主车辆10还可以包括图1中未说明的内部和/或外部车辆特征，诸如各种车门、行李箱以及诸如无线电、音乐、照明、触摸屏显示部件(诸如与导航系统连接中所使用的部件)等驾驶室特征。

数据存储装置32存储用于自动控制自主车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的限定地图。在各种实施例中，限定地图可以由远程系统预定义并且从远程系统获取(关于图2进一步详细描述)。例如，限定地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆10并存储在数据存储装置32中。路线信息也可以被存储在数据装置32内-即，一组路段(在地理上与一个或多个限定地图相关联)，其一起限定了用户可以从起始位置(例如，用户的当前位置)行驶到目标位置所采取的路线。同样在各种实施例中，数据存储装置32存储用于处理三维点云的处理算法和数据以逐帧地确定周围环境中的对象的速度。如将明白的是，数据存储装置32可以为控制器34的一部分，与控制器34分开，或作为控制器34的一部分以及单独系统的一部分。

控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以为任何定制的或商业上可用的处理器、中央处理单元(cpu)、图形处理单元(gpu)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片集的形式)、它们的任何组合或通常用于执行指令的任何装置。计算机可读存储装置或介质46可以包括例如只读存储器(rom)、随机存取存储器(ram)和保活存储器(kam)中的易失性和非易失性存储装置。kam是一种持久或非易失性存储器，其可以在处理器44断电时用于存储各种操作变量。计算机可读存储装置或介质46可以使用诸如prom(可编程只读存储器)、eprom(电prom)、eeprom(电可擦除prom)、闪速存储器或能够存储数据的任何其它电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施，其中的某些数据表示由控制器34用于控制自主车辆10的可执行指令。

指令可以包括一个或多个单独的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器44执行时接收并处理来自传感器系统28的信号，执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法，并且产生控制信号，其被传输到致动器系统30以基于逻辑、计算、方法和/或算法来自动地控制自主车辆10的部件。虽然图1中仅示出了一个控制器34，但是自主车辆10的实施例可以包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法且产生控制信号以自动控制自主车辆10的特征的任意数量的控制器34。在一个实施例中，如下面详细讨论的，控制器34被配置用于处理车辆10的周围环境的点云形式的三维成像数据以逐帧地确定速度以用于自主地控制车辆。

通信系统36被配置为向和从其它实体48(诸如但不限于其它车辆(“v2v”通信)、基础设施(“v2i”通信)、远程运输系统和/或用户装置(关于图2更详细描述)无线地传送信息。在示例性实施例中，通信系统36是被配置为经由使用ieee802.11标准的无线局域网(wlan)或通过使用蜂窝数据通信来进行通信的无线通信系统。然而，诸如专用短程通信(dsrc)信道等附加或替代通信方法也被认为在本公开的范围内。dsrc信道是指专门为汽车使用以及对应的一组协议和标准而设计的单向或双向短程到中程无线通信信道。

现在参考图2，在各种实施例中，关于图1描述的自主车辆10可以适用于在某个地理区域(例如，城市、学校或商业园区、购物中心、游乐园、活动中心等)的出租车或班车系统的背景下或可以只需由远程系统管理。例如，自主车辆10可以与基于自主车辆的远程运输系统相关联。图2说明了总体上以50示出的操作环境的示例性实施例，该操作环境包括基于自主车辆的远程运输系统(或简称为“远程运输系统”)52，其与关于图1所描述的一台或多台自主车辆10a到10n相关联。在各种实施例中，操作环境50(其全部或部分可对应于图1中所示的实体48)进一步包括经由通信网络56与自主车辆10和/或远程运输系统52进行通信的一个或多个用户装置54。

通信网络56根据需要支持在由操作环境50支持的装置、系统和部件之间(例如，经由有形的通信链路和/或无线通信链路)的通信。例如，通信网络56可以包括无线载波系统60，诸如蜂窝电话系统，其包括多个蜂窝塔(未示出)、一个或多个移动交换中心(msc)(未示出)以及将无线载波系统60与陆地通信系统连接所需要的任何其它联网部件。每个蜂窝塔都包括发送和接收天线以及基站，其中来自不同蜂窝塔的基站直接或经由诸如基站控制器等中间设备连接到msc。无线载波系统60可以实施任何合适的通信技术，包括(例如)诸如cdma(例如，cdma2000)、lte(例如，4glte或5glte)、gsm/gprs或其它当前或正涌现的无线技术等数字技术。其它蜂窝塔/基站/msc布置是可能的并且可以结合无线载波系统60使用。例如，基站和蜂窝塔可以共同位于相同站点处或它们可以远离彼此，每个基站可以负责单个蜂窝塔或单个基站可以服务于各个蜂窝塔，且各个基站可以联接到单个msc，这里仅列举几种可能布置。

除包括无线载波系统60外，可以包括呈卫星通信系统64的形式的第二无线载波系统来提供与自主车辆10a到10n进行的单向或双向通信。这可以使用一个或多个通信卫星(未示出)和上行链路传输站(未示出)来进行。单向通信可以包括(例如)卫星无线电服务，其中节目内容(新闻、音乐等)是由传输站接收、封装上传并且然后发送到卫星，从而向用户广播该节目。双向通信可以包括(例如)使用卫星以在车辆10与站之间中继电话通信的卫星电话服务。除了或代替无线载波系统60，可以利用卫星电话。

可以进一步包括陆地通信系统62，其为连接到一个或多个陆线电话的常规陆基电信网络并且将无线载波系统60连接到远程运输系统52。例如，陆地通信系统62可以包括诸如用于提供硬接线电话、分组交换数据通信和因特网基础设施的公共交换电话网(pstn)。一段或多段陆地通信系统62可以通过使用标准有线网络、光纤或其它光学网络、电缆网络、电力线、其它无线网络(诸如无线局域网(wlan))或提供宽带无线接入(bwa)的网络或其任何组合来实施。另外，远程运输系统52不需要经由陆地通信系统62连接，反而可以包括无线电话设备使得其可以直接与无线网络(诸如无线载波系统60)通信。

虽然在图2中仅示出了一个用户装置54，但是操作环境50的实施例可以支持任意数量的用户装置54，包括由一个人拥有、操作或以其它方式使用的多个用户装置54。由操作环境50支持的每个用户装置54可以使用任何合适的硬件平台来实施。就此而言，用户装置54可以任何常见外形规格来实现，包括但不限于：台式计算机；移动计算机(例如，平板计算机、膝上型计算机或上网本计算机)；智能电话；视频游戏装置；数字媒体播放器；家庭娱乐设备的部件；数码相机或视频摄影机；可穿戴计算装置(例如，智能手表、智能眼镜、智能服装)；等。由操作环境50支持的每个用户装置54被实现为具有执行本文描述的各种技术和方法所需的硬件、软件、固件和/或处理逻辑的计算机实施的或基于计算机的装置。例如，用户装置54包括可编程装置形式的微处理器，该微处理器包括存储在内部存储器结构中并且被施加来接收二进制输入以创建二进制输出的一个或多个指令。在一些实施例中，用户装置54包括能够接收gps卫星信号并且基于那些信号产生gps坐标的gps模块。在其它实施例中，用户装置54包括蜂窝通信功能性使得该装置通过通信网络56使用一个或多个蜂窝通信协议(如本文所讨论)执行语音和/或数据通信。在各种实施例中，用户装置54包括可视显示器，诸如触摸屏图形显示器或其它显示器。

远程运输系统52包括一个或多个后端服务器系统(未示出)，该后端服务器系统可以为基于云的、基于网络的或常驻在由远程运输系统52服务的特定校园或地理位置。远程运输系统52可以由现场顾问、自动顾问、人工智能系统或它们的组合来人工操作。远程运输系统52可以与用户装置54和自主车辆10a到10n进行通信以安排乘车、派遣自主车辆10a到10n等。在各种实施例中，远程运输系统52存储诸如用户认证信息、车辆标识符、简档记录、生物测量数据、行为模式以及其它相关用户信息等账户信息。在一个实施例中，如下面进一步详细描述的，远程运输系统52包括路线数据库53，其存储与导航系统路线有关的信息，包括沿着各种路线的道路的车道标记，以及特定路段是否受已经被一台或多台自主车辆10a到10n检测到的建筑区域或其它可能的危险或障碍影响以及受影响程度。

根据典型的用例工作流程，远程运输系统52的注册用户可以经由用户装置54创建乘车请求。乘车请求通常将指示乘客希望的乘车位置(或当前gps位置)、期望目的地位置(其可以表示预定义的车辆停靠点和/或用户指定的乘客目的地)以及乘车时间。远程运输系统52接收乘车请求、处理该请求，并且在指定的乘车地点且在适当的时间派遣自主车辆10a到10n中的选定车辆来让乘客乘车(当一台车辆可用时和如果一台车辆可用)。运输系统52还可以向用户装置54产生并发送适当配置的确认消息或通知，以使乘客知道车辆正在途中。

如可以明白的是，本文公开的主题提供了可以被认为是标准或基线的自主车辆10和/或基于自主车辆的远程运输系统52的某些增强的特征和功能。为此，自主车辆和基于自主车辆的远程运输系统可以被修改、增强或以其它方式补充以提供下面更详细描述的附加特征。

根据各种实施例，控制器34实施如图3中所示的自主驾驶系统(ads)70。即，利用控制器34的合适软件和/或硬件部件(例如，处理器44和计算机可读存储装置46)来提供与车辆10结合使用的自主驾驶系统70。

在各种实施例中，自主驾驶系统70的指令可以由功能或系统组织。例如，如图3中所示，自主驾驶系统70可以包括传感器融合系统74、定位系统76、引导系统78以及车辆控制系统80。如可以明白的是，在各种实施例中，由于本公开不限于本示例，所以可以将指令组织(例如，组合、进一步划分等)为任何数量的系统。

在各种实施例中，传感器融合系统74合成并处理传感器数据并且预测对象的存在、位置、分类和/或路径以及车辆10的环境的特征。在各种实施例中，传感器融合系统74可以结合来自多个传感器(包括但不限于相机、激光雷达、雷达和/或任何数量的其它类型的传感器)的信息。

定位系统76处理传感器数据以及其它数据以确定车辆10相对于环境的位置(例如，相对于地图的本地位置、相对于道路车道的精确位置、车辆航向、速度等)。引导系统78处理传感器数据以及其它数据以确定车辆10遵循的路径。车辆控制系统80根据所确定的路径产生用于控制车辆10的控制信号。

在各种实施例中，控制器34实施机器学习技术以辅助控制器34的功能性，诸如特征检测/分类、障碍减少、路线穿越、绘图、传感器集成、地面实况确定等。

例如，如在100处关于图4更详细地示出并且继续参考图3，安全事件处理系统102产生人类驾驶安全事件与自主车辆安全事件之间的结构化比较104。比较104允许在人工驾驶车辆事件与自主车辆事件之间进行客观的安全性能评估，尽管这些类型的事件之间存在固有的完全不同的本质。安全事件处理系统102可以为许多不同类型的事件产生比较104，诸如将不安全的硬制动人类安全事件与相似的自主车辆操作事件进行比较以及执行每个事件的方式。

系统102通过对传感器数据108和自主车辆相关驾驶数据110执行安全事件相关操作106来产生比较104。例如，相关操作106可以涉及筛选传感器数据108和自主车辆相关驾驶数据，以识别仅包含由人工驾驶车辆112和自主车辆执行的右转弯的这种驾驶数据的部分并且确定与每次右转弯相关联的安全级别。比较104包括确定的自主车辆的安全水平相对于确定的人工驾驶车辆的安全水平的表现如何。相关操作106还可以更精确地聚焦于将基于人类的右转弯中与自主车辆执行的右转弯中对应的那些方面相关联。作为说明，在人类正在操作车辆的情况下，当车辆向前爬行以进行右转弯时，操作员的注意力可以转移到道路的右侧。操作人员可能不会注意到有人穿行街道。当操作人员在这种场景下注意到穿行者时，车辆太靠近人并且操作人员猛烈地制动，由此产生硬制动事件以便避开穿行者。安全事件处理系统102将在自主车辆相关驾驶数据110中识别由自主车辆执行的相应右转弯(例如，通过识别接近交叉路口的自主车辆并执行右转弯操纵)。在这种情况下，自主车辆将避免这种情况，因为它通过其传感器在车辆周围进行“360°”监控。在这种情况下，安全事件处理系统102处理来自涉及人工驾驶车辆112的情况的传感器数据108，并且将该传感器数据与自主车辆在如在自主车辆驾驶数据110中表示的等效驾驶情景中响应的方式相关联，即，自主车辆在没有发生不安全的硬制动事件的情况下执行右转弯，因此，比较104将表明与自主车辆相关联的安全级别优于人工驾驶车辆112在该情况下的安全级别。应注意，人工驾驶车辆可以是完全由人类操作并且配备有传感器以提供传感器数据108的任何类型的车辆。这种人工驾驶车辆可以是在手动模式中操作的自主车辆或不具有以自主模式操作的能力的车辆。

图5在200处描绘了安全事件处理系统102的操作流程。在该操作场景中，在202处捕获人类事件数据。用于捕获人类事件数据202的输入可以包括来自车辆传感器堆叠的驾驶数据。车辆的传感器堆叠包含不同程度的细节或操作区域的传感器信息层，诸如车辆在地图上的位置的位置信息、车辆传感器在视觉上捕获的内容，以及车辆相对于其环境内的对象所进行的内容。这还可以涉及识别与自主车辆相关联的运动触发器204，诸如车辆横向和纵向g力和加加速度测量值。作为说明，由车辆的人工操作引起的硬制动事故可以被横向和纵向g力和加加速度测量值识别为不满足安全操作阈值。

过程框202分析运动触发器204以便识别人类事件数据206。使用从运动触发器204捕获的人类事件数据206来识别安全事件。所捕获的人类事件数据206成为用于与自主车辆事件进行比较的对象。

在一个示例实施例中，所捕获的人类事件数据206可以表达为随时间(例如，t0、t1、t2、...tn)变化的一系列测量值。每个时间点都可以与特定测量集相关联，过程框208可以使用该特定测量集来识别最可能与时间序列相关联的特定类型的安全事件。作为示例，时间序列可以示出在发生硬制动的特定时间间隔内的制动测量值，而另一个时间序列可以示出随时间大幅波动的操纵相关测量值(例如，主动操纵事件)。将时间序列数据值与车辆驾驶模型进行比较，该车辆驾驶模型提供关于硬制动事件类似于什么或者主动操纵事件类似于什么的参数和约束。作为另一个示例，事件可以包括特定的操纵，诸如围绕并排停靠车辆的操纵、在严重拥堵的四路停车标志交叉路口右转弯等。这些示例说明可能发生许多不同类型的安全事件，诸如硬制动事件、主动操纵事件、在拥堵区域中驾驶等。

过程框208进一步检查关于安全相关阈值或其它标准的时间序列数据，并且确定是否发生过度制动、操纵或其它类型活动。在过度制动场景中，过程框208将该过度制动表征为不安全的硬制动事件。在过度操纵场景中，过程框206将事件数据表征为不安全的操纵类型的事件，以便在传感器数据指示有人在车辆的路上时避开人。在产生安全事件和类型的分类210之后，过程框212以图6中所示的方式将安全事件数据210与自主车辆驾驶数据相关。

图6描绘了当将人类安全事件数据与自主驾驶数据相关时，过程框212可以使用诸如接管数据214等自主车辆相关数据。接管人类驾驶员控制自主车辆，诸如人类驾驶员感到被迫踩下制动器等。

过程框212基于人类事件分类数据210与接管数据214之间的相关程度产生相关数据216。相关数据216用作人类车辆安全相关数据与自主车辆安全相关数据之间的结构化比较。例如，可以认为比较是结构化的，因为人工操作的驾驶数据和自主车辆操作的驾驶数据各自被分解成时间序列数据集，然后将与时间序列数据相关联的驾驶动作进行比较以确定每个驾驶动作的安全级别以及一个驾驶动作是否满足或超过另一个驾驶动作的安全级别。换句话说，结构化比较将人类事件(如最初在堆叠运行的车辆上表示的)表征为自主车辆的等效驾驶场景。在一个示例性实施例中，相关可以由指定人类车辆事件和自主车辆事件相关程度的不同类别来表达。在该示例中，两个事件的低级别相关可以被称为“相似”并且暗示两个数据元素的相同概念域(例如，两个事件与涉及左转弯的等效驾驶场景等有关)。最高级别的相关可以称为“相同”，其不仅包括相同的概念，而且包括基于相似的周围车辆定向和速度、道路几何形状等的等效驾驶情况。其它指定可以用作中间类别以指示附加相关级别，由此提供更大级别的分辨率。更进一步地，应当理解的是，可以利用其它相关级别指示符，诸如来自神经网络的数字输出。可以基于已经包含人类驾驶数据和自主驾驶数据以及它们对应的人类车辆和自主车辆相关值的训练数据来训练神经网络。神经网络的输入层将接收人类驾驶数据和自主驾驶数据，在训练期间调整权重以预测适当的相关值。

输出相关数据216通过指示人类驾驶数据中的哪些驾驶模式对应于自主驾驶数据中的相同或相似的驾驶模式来建立用于将自主车辆事件与人类事件进行比较的基线。一旦建立了基线，就可以使用符合安全类型的人类操作的情况来确定类似的自主车辆活动的安全性。作为说明，表示在拥堵的交叉路口内的优秀人类驾驶员成功左转弯的传感器数据可以描述对于自主车辆成功左转弯可以是什么。

过程框218产生性能度量220，以用于量化自主车辆的性能与相似驾驶事件下人工驾驶车辆相比更安全的程度。性能度量220进一步指示从运动学行为角度来看人类驾驶操作表现的方式。例如，性能度量220可以描述从运动行为角度来看由操作人员执行的拥堵交叉路口中的成功左转弯将会表现出的内容。在数学上基于道路几何形状描述成功左转弯以及人类在转弯期间如何引导车辆可以构成性能度量220的输出的一部分。更进一步地，性能度量220可以从安全角度指示人类胜过自主车辆的事件内的区域。这些信息有助于评估增强或降低自主车辆安全性的车辆操作，诸如操作人员为了避免碰撞或危险情况所做的操作。通常，性能度量220指示在相似事件中自主车辆与人类之间的故障之间的重叠以及它们不重叠的区域(例如，人类表现不好但自主车辆表现好的情况)。这仅仅基于车辆是否在速度限制内行驶而构成对分析安全程度的改进。

过程框218还可以基于相关数据216产生安全度量222。安全度量222提供关于自主车辆操作相对于相应的人类驾驶事件以更安全的方式操作的情况的附加说明。附加说明可以包括安全度量222，其提供对于特定安全事件类别，人工驾驶车辆比自主车辆性能更好的频率的统计分析以及指示与驾驶性能的平均值的标准偏差。总的来说，安全度量222和性能度量可以帮助调整自主车辆的控制，使得车辆可以以更安全的方式操作。

图7说明了过程框212通过使用诸如人工神经网络230等技术来执行接管数据与人类事件数据之间的相关操作。人工神经网络230可以由输入层、一个或多个隐藏层和输出层结构化。输入层可以设置有一个或多个输入节点以接收与人类安全事件和类型的分类有关的信息。

为了接收接管数据214，可以使用附加的一组输入节点。人工神经网络230内的一个或多个隐藏层有助于识别分类数据210与接管数据214之间的相互关系。因为相互关系本质上可以是非线性的，所以人工神经网络可以更好地识别两个数据集之间的相互关系。人工神经网络230的节点可以使用许多不同类型的激活函数，诸如s形激活函数、逻辑激活函数等。人工神经网络230的输出层揭示分类数据210中的哪些人类事件与接管数据214具有相对较高程度的相关。训练数据232(已经确定的分类数据210与接管数据214之间的相关)有助于建立将一层中的节点互连到人工神经网络230的后续层的权重。

图8描绘了用于获取人类事件与自主车辆驾驶事件的结构化比较以进行安全制动相关评估的操作场景的示例。在该操作场景中，获取大量传感器数据300以进行处理。大量传感器数据300是捕获和存储车辆已经采用或正在计划在特定时间窗口内采用的所有车辆传感器数据、相机数据和动作等的结果。

该操作场景中的传感器数据300不仅包括横向和纵向g力和加加速度测量值，而且包括关于对象和车辆环境中的其它因素的传感器读数。过程框302确定哪些对象(例如，其它车辆、街道标志等)足够靠近车辆以保证继续评估。由过程框302进行的这种评估允许对车辆周围的其它车辆、人和其它对象进行“360°”评估。

过程框304基于传感器数据300捕获人类事件数据。这可以包括为不同类型的传感器数据创建多个时间序列，并且将时间序列与由过程框302产生的对象信息相互关联。

在该操作场景中，在过程框306处针对制动相关事件分析捕获的人类事件数据。例如，过程框306可以针对传感器读数分析是否已经对制动器施加过大的力，由此导致硬制动情况。虽然在该操作场景中分析了与制动相关的传感器数据，但是应当理解的是，可以评估许多其它类型的传感器数据，诸如与操纵相关的传感器数据。以主动方式操纵可以指示不安全的情况，诸如操作人员主动地操纵车辆以避免人太靠近汽车。

过程框308通过检查由过程框304和306执行的评估来识别安全事件。例如，过程框308分析来自过程框304的环境传感器信息和来自过程框306的制动相关传感器数据，以确定往返于停靠标志的加速度/减速度是否在预先规定的安全限制内。例如，操作人员可能必须在制动器上施加过量的压力(如过程框306所确定的)，以便避开通过过程框304在环境内检测到的人类。过程框308将这识别为涉及人类驾驶员和硬制动场景的不安全事件。

过程框312将硬制动人类安全事件310与在接管数据中表示的相似类型的事件相关。该相关可以基于具有传感器数据模式的接管数据，该传感器数据模式接近人类相关安全事件的模式并且由机器学习技术(诸如人工神经网络)识别。该相关分析可以包括评估在自主车辆下人和其它车辆是否的位置与在人工驾驶车辆下传感器数据300中表达的位置相似。

过程框312的相关结果是结构化比较314，其将人类安全事件与相应的自主车辆安全事件相互关联。在该制动相关的操作场景中，结构化比较314可以将人类硬制动事件与接管数据中的相似事件相互关联。作为说明，用于场景的结构化比较314可以确定在并排停放车辆周围的人类驾驶员发生硬制动情况，而在相似情况下，自主车辆没有发生人类接管。在这种情况下，两个安全事件的比较表明自主车辆以更安全的方式操作。这可能是由于自主车辆由于其传感器的连续操作而以更大的信息操作。以此方式，结构化比较314提供了用于在人工驾驶车辆与自主车辆之间建立性能和安全度量的客观基础。

其它操作场景可以涉及不同类型的驾驶场景。例如，情景可以涉及分析和关联人类安全事件与加速/减速往返于停靠点、在交叉路口转弯、变道、狭窄的道路(例如，所有的空间仅一次性通过一辆汽车的小巷或道路)中的让路行为等的接管数据。

安全相关分析不仅包括将不安全人类事件与自主车辆事件相关联的目的的比较，而且包括其它类型的比较。例如，人工驾驶车辆安全事件可以与自主车辆操作相关，以确定构成自主车辆领域中的安全驾驶活动的内容。作为说明，人类在拥堵的交通中安全地执行右转弯可以与相似的自主车辆活动相关。性能度量可以使用这种相关来衡量自主车辆的操作的安全性。

虽然前述详细描述中已经提出了至少一个示例性实施例，但是应当明白的是，存在许多变化。还应当明白的是，示例性实施例或多个示例性实施例仅仅是示例并且不旨在以任何方式限制本公开的范围、实用性或配置。例如，可以在人工驾驶车辆和自主车辆是相同车辆或不同车辆的情况下执行本文描述的系统和方法。前文详细描述将给本领域一般技术人员提供用于实施示例性实施例或多个示例性实施例的便捷指引。应当理解的是，在不脱离所附权利要求和其合法等同物的范围的情况下，可以对元件的功能和布置作出各种改变。