基於乘員注意的自主控制的製作方法

2023-06-13 20:23:16 3

本發明涉及車輛
技術領域：
，並且更具體地涉及基於乘員注意的自主控制。
背景技術：
：近年來，已經看到所謂的自主或半自主車輛，即乘用車等的發展，該車輛包括編程以運載我們的一個或多個車輛操作的計算機。這樣的車輛的範圍從具有有限的控制制動和轉向(例如，當前存在的車道保持技術)的能力的半自主車輛到完全自主的車輛，例如現在已知的，其中，車輛計算機可以做出所有車輛操作決策，例如所有關於推進、制動和轉向的決策。當人類操作者請求對一個或多個車輛部件的控制時，在完全和半自主車輛中出現挑戰。例如，在自主車輛中，如果操作者使轉向裝置、制動器或加速踏板移動，則車輛計算機可能缺乏足夠的信息來決策是否更好地將控制返回給駕駛員或繼續自主控制。在該示例中，車輛計算機可能缺少信息以確定操作者在睡著或醉酒時已經碰到踏板或方向盤，孩子或其他乘客在轉彎中途已經碰到方向盤等。另一方面，例如在完全自主的車輛中，控制車輛操作的計算機可能不具有用於控制和操作車輛的足夠的數據。例如，條件或故障可以妨礙傳感器清楚地檢測周圍環境，這可能導致車輛計算機提供使車輛沿危險方向轉向的指令。在其他情況下，條件可以在「灰色區域」中，使得難以清楚地確定車輛計算機和/或操作者是否可以安全地操作一些或所有車輛部件。因此，在決策如何分擔與車輛乘員操作車輛的責任的車輛計算機中出現困難。這個問題由於真實世界駕駛包括具有高變化性、不確定性和模糊性的許多不同事件的事實而加劇。技術實現要素：根據本發明，提供一種用於控制車輛的方法，包含以下步驟：從多個源接收表示車輛、車輛操作者和車輛周圍的環境的方面的信號；至少部分地基於信號來產生警覺性因子和準備狀態因子；和至少部分地基於警覺性因子和準備狀態因子來在自主控制水平之間轉換車輛的控制。根據本發明的一個實施例，水平包括自主控制水平、半自主控制水平和手動控制水平。根據本發明的一個實施例，自主控制水平包含由車輛操作者對車輛轉向、制動和推進中的每一個的少量控制或不進行控制，半自主控制水平包括由車輛操作者對車輛轉向裝置、制動器和推進器中的至少一個的部分或全部控制，以及手動控制水平包括由車輛操作者對車輛轉向、制動和推進中的每一個的部分或全部控制。根據本發明的一個實施例，部件警覺性因子和準備狀態因子各自從一個或多個車輛子系統確定。根據本發明的一個實施例，方法進一步包含：當警覺性因子和準備狀態因子中的一個超過第一閾值時，從自主控制水平中的第一水平變換到自主控制水平的第二水平。根據本發明的一個實施例，第一閾值是第一警覺性閾值，方法進一步包含當警覺性因子超過第一警覺性閾值並且準備狀態因子超過第一準備狀態閾值時，從自主控制水平中的第一水平變換到自主控制水平中的第二水平。根據本發明的一個實施例，方法進一步包含根據警覺性因子和準備狀態因子致動車輛轉向裝置、制動器和推進器中的至少一個。根據本發明的一個實施例，方法進一步包含至少部分地基於關於車輛操作者的數據來產生警覺性因子和準備狀態因子。根據本發明的一個實施例，關於車輛操作者的數據包括面部識別、眼睛運動、面部表情、言語、手位置、座椅位置、制動響應時間、加速器響應時間和轉向響應時間中的至少一個。根據本發明的一個實施例，方法進一步包含基於警覺性因子和準備狀態因子在多個車輛子系統中的每一個車輛子系統的自主控制水平之間轉換。根據本發明，提供一種自主車輛，包含：多個車輛控制子系統；多個傳感器和接收器，傳感器和接收器用於從多個源接收表示車輛、至少一個車輛操作者、控制子系統和車輛周圍環境的方面的信號；和至少一個控制器，控制器被編程為至少部分地基於信號來產生警覺性因子和準備狀態因子；其中至少一個控制器被編程為至少部分地基於警覺性因子和準備狀態因子來在自主控制水平之間轉換車輛的控制。根據本發明的一個實施例，水平包括自主控制水平、半自主控制水平和手動控制水平。根據本發明的一個實施例，自主控制水平包含由車輛操作者對車輛轉向、制動和推進中的每一個的少量控制或不進行控制，半自主控制水平包括由車輛操作者對車輛轉向裝置、制動器和推進器中的至少一個的部分或全部控制，以及手動控制水平包括由車輛操作者對車輛轉向、制動和推進中的每一個的部分或全部控制。根據本發明的一個實施例，控制器被編程為從一個或多個車輛子系統確定部件警覺性因子和準備狀態因子中的每一個。根據本發明的一個實施例，控制器被編程為當警覺性因子和準備狀態因子中的一個超過第一閾值時，從自主控制水平中的第一水平變換到自主控制水平中的第二水平。根據本發明的一個實施例，第一閾值是第一警覺性閾值，並且控制器被編程為當警覺性因子超過第一警覺性閾值和準備狀態因子超過第一準備狀態閾值時，從自主控制水平中的第一水平變換到自主控制水平中的第二水平。根據本發明的一個實施例，控制器被編程為根據警覺性因子和準備狀態因子致動車輛轉向裝置、制動器和推進器中的至少一個。根據本發明的一個實施例，控制器被編程為至少部分地基於關於車輛操作者的數據來產生警覺性因子和準備狀態因子。根據本發明的一個實施例，關於車輛操作者的數據包括面部識別、眼睛運動、面部表情、言語、手位置、座椅位置、制動響應時間、加速器響應時間和轉向響應時間中的至少一個。根據本發明的一個實施例，控制器被編程為基於警覺性因子和準備狀態因子在多個車輛子系統中的每一個車輛子系統的自主控制水平之間轉換。附圖說明圖1是車輛控制系統的框圖；圖2是可以在圖1的系統的環境中實現的處理子系統的示意圖；圖3是可以在圖1的系統的環境中實現以確定警覺性因子和準備狀態因子的另一處理子系統的示意圖；圖4是可以在圖1的系統的環境中實現以確定自主置信因子的另一處理子系統的示意圖；圖5a-5c示出了收集數據和確定數據的置信度的數據收集器的示例集合；圖6a-6c示出了收集數據和確定數據的置信度的數據收集器的另一示例集合；圖7a示出了將來自部件子系統的數據處理成自主置信因子的框圖；圖7b是圖4的處理子系統的示意圖；圖7c示出了示例車輛和數據收集器的示例範圍；圖8a是由圖4的處理子系統收集和處理以確定自主置信因子的數據表；圖8b-8c示出了來自圖8a的圖表的數據；圖9是可以在圖1的系統的環境中實現以確定危險因子的另一處理子系統的示意圖；圖10是可以用於確定動作概率因子的示例概率陣列的示意圖；圖11示出了多個方向概率陣列，該每個方向概率陣列指示潛在的車輛軌跡；圖12是可以在圖1的系統的環境中實現以確定組合方向概率陣列的另一處理子系統的示意圖；圖13是可以在圖1的系統的環境中實現以確定動作概率因子的另一處理子系統的示意圖；圖14是用於實現車輛的操作控制的示例性過程的示意圖；圖15是用於基於警覺性因子和準備狀態因子實現車輛的操作控制的另一示例性過程的示意圖；圖16是用於基於動作概率因子實現車輛的操作控制的另一示例性過程的示意圖；圖17是用於基於自主置信因子實現車輛的操作控制的另一示例性過程的示意圖；圖18是用於基於危險因子實現車輛的操作控制的另一示例性過程的示意圖。具體實施方式引言圖1是示例性自主車輛系統100的框圖，系統100包括設置有一個或多個傳感器數據收集器110的車輛101，所述傳感器數據收集器110收集例如與車輛101的操作、接近車輛101的環境、車輛101操作者有關的所收集的數據115。車輛101中的計算設備105通常接收所收集的數據115，並且還包括程序編制，例如作為存儲在計算設備105的存儲器中並且可由計算設備105的處理器執行的一組指令，由此一些或全部操作可以自主地或半自主地進行，即沒有人類控制和/或有限的人類幹預。計算設備105被編程為識別允許的控制狀態，即，一個或多個車輛部件的手動控制和/或計算機控制。此外，計算機105可以被編程為識別車輛操作的多個可能模式中的一個。計算機105可以獲取可以用於評估多個操作因子的所收集的數據115，每個操作因子是根據大體上當前所收集的數據115隨時間變化的值。操作因子在下面詳細解釋，並且可以包括例如駕駛員警覺性因子、駕駛員準備狀態因子、駕駛員行動概率因子、自主置信因子和/或危險因子。操作因子可以被組合，例如經受可以根據當前條件以及車輛101和/或類似車輛101的操作歷史對操作因子加權的模糊邏輯分析。基於操作因子，計算機105被編程為輸出車輛101控制決策，並且根據控制決策來操作一個或多個車輛101部件。例如，車輛101計算機105可以基於操作因子輸出指定車輛101操作的模式(例如自主、半自主或手動)的控制規則，其中自主模式意味著與車輛推進、轉向和制動相關的所有操作由計算機105控制，半自主意味著上述操作的子集由計算機105控制，並且一些操作留給操作員控制，並且手動意味著前述操作留給車輛乘員控制。類似地，在另一個示例中，計算機105可以確定允許的人工操作者控制的級別，例如(1)計算機101沒有控制轉向裝置、制動器或推進器，(2)由計算機105控制制動器，3)由計算機105控制制動器和推進器，(4)由計算機105控制制動器、推進器和轉向裝置，以及(5)組合控制，例如由計算機控制制動器、推進器和轉向裝置但是乘員可以施加力以克服計算機105致動制動器或加速踏板位置和/或方向盤位置。下面討論車輛操作模式的其他示例，例如不同級別的自主操作。示例性系統元件車輛101包括車輛計算機105，車輛計算機105通常包括處理器和存儲器，該存儲器包括一種或多種形式的計算機可讀介質，並且存儲可由處理器執行以執行各種操作(包括如本文所公開的)的指令。例如，計算機105通常包括並且能夠執行選擇車輛101的自主操作模式、調整車輛101的自主操作模式、改變車輛101的自主操作模式等的指令。如下面進一步解釋的，計算機105通常還包括用於確定自主或半自主控制——即，根據計算機105中的程序編制控制的一組部件和/或由人類操作者控制的一組部件——的級別的指令，以及在車輛101處於完全或半自主模式的情況下一些或所有車輛101部件的指令。例如，計算機105可以包括操作一個或多個車輛制動器、推進器(例如，通過控制內燃發動機、電動馬達、變速器擋位、點火提前、可變進氣和排氣凸輪、燃料比等來控制車輛101的加速度)、轉向裝置、氣候控制、內部和/或外部燈等，以及確定計算機105是否與人類操作者相對的控制這樣的操作以及計算機105何時控制這樣的操作。計算機105可以包括或例如經由如下面進一步描述的車輛101通信總線通信地連接到多於一個計算設備，例如，控制器或包括在車輛101中的用於監視和/或控制的各種車輛部件——例如發動機控制單元(ecu)、變速器控制單元(tcu)等——的類似部件。計算機105通常配置為用於在車輛101中的網絡上通信，例如控制器區域網(can)總線等。計算機105還可以具有到車載診斷連接器(obd-ii)的連接。通過can總線和/或其他有線或無線通信介質(有時，如已知的，通常稱為「車輛總線」或「車輛通信總線」)，計算機105可以在車輛中向包括數據收集器110的各種設備傳送消息和/或從包括數據收集器110的各種設備接收消息，各種設備例如是控制器、致動器、傳感器等。可選地或附加地，在計算機105實際上包含多個設備的情況下，can總線等可用於在本公開中表示為計算機105的設備之間的通信。此外，如下所述，各種控制器等(例如ecu、tcu等)可以經由車輛101網絡(例如can總線等)向計算機105提供數據115。另外，計算機105可以配置為經由網絡120與一個或多個遠程計算機125通信，如下所述，網絡120可以包括各種有線和/或無線聯網技術，例如蜂窩、藍牙、有線和/或無線分組網絡等。此外，計算機105通常包括用於例如從一個或多個數據收集器110和/或諸如交互式語音響應(ivr)系統、包括觸控螢幕等的圖形用戶界面(gui)等的人機界面(hmi)接收數據的指令。如已經提到的，通常包括在存儲在計算機105中並由計算機105執行的指令中的是用於在沒有人類操作者幹預的情況下操作一個或多個車輛101部件(例如制動器、轉向裝置、推進器等)的程序編制。使用在計算機105中接收的數據，例如從數據收集器110、伺服器125等所收集的數據115，計算機105可以在沒有駕駛員操作車輛101的情況下進行各種確定和/或控制各種車輛101部件和/或操作。例如，計算機105可以包括調節車輛101的操作行為(例如速度、加速度、減速度、轉向等)以及戰術行為(例如車輛之間的距離和/或車輛之間的時間量、車輛之間的車道變化最小間隙、左轉穿過路徑最小值、到達特定位置的時間、穿越十字路口(沒有信號燈)的十字路口最小到達時間等)的程序編制。此外，計算機105可以基於例如車輛101路線、路線上的路點等數據115做出戰略確定。車輛101包括多個車輛子系統107。車輛子系統107控制車輛101的各種部件，例如推進車輛101的推進子系統107，使車輛101停止的制動器子系統107，使車輛101轉彎的轉向裝置子系統107等。子系統107可以各自由例如特定控制器108和/或直接由計算設備105致動。控制器108是被編程以控制特定車輛子系統107的計算裝置，例如，控制器108可以是諸如已知的可能包括如本文所述的附加程序編制的電子控制單元(ecu)，例如發動機控制單元、變速器控制單元、制動器控制模塊等。控制器108可以通信地連接到計算機105並從計算機105接收指令，以根據指令致動子系統。例如，控制器108可以從計算設備105接收指令，以使用來自人類操作者的部分輸入或沒有輸入來操作車輛子系統107，例如推進器、制動器等。車輛101可以包括多個控制器108。數據收集器110可以包括已知通過車輛通信總線提供數據的各種設備。例如，如上所述，車輛中的各種控制器可以作為數據收集器110操作，以經由can總線提供所收集的數據115，例如與車輛速度、加速度等相關的所收集的數據115。此外，傳感器或類似器件、全球定位系統(gps)設備等可以包括在車輛中並且配置為數據收集器110，以例如通過有線或無線連接將數據直接提供給計算機105。數據收集器110可以包括車輛101中或車輛101上的傳感器，以提供關於車輛101乘員的所收集的數據115。例如，一個或多個攝像機數據收集器110可以被定位成提供對駕駛員座椅中的車輛101乘員的眼睛和/或面部的監控。麥克風數據收集器110可以被定位成捕獲車輛101乘員的語音。方向盤傳感器、加速踏板傳感器、制動踏板傳感器和/或座椅傳感器數據收集器110可以以已知方式定位，以提供關於操作者的手和/或腳是否與上述各種車輛101部件接觸和/或是否將壓力施加到各種車輛101部件的信息。此外，計算機105可以收集與操作者對車輛101人機界面(hmi)的使用——例如操作者活動的級別——相關的所收集的數據115，例如每個時間段的輸入的數量、操作者活動的類型，例如，觀看電影、收聽無線電節目等。數據收集器110還可以包括傳感器等，例如中程和長程傳感器，用於檢測靠近車輛101的對象(例如其他車輛、道路障礙物等)並且可能還從靠近車輛101的對象(例如其他車輛、道路障礙物等)獲取信息，以及車輛101外部的其他條件。例如，傳感器數據收集器110可以包括諸如無線電、雷達、雷射雷達、聲納、攝像機或其他圖像捕獲設備的機構，該機構可以被部署以檢測周圍特徵，例如道路特徵、其他車輛等，和/或獲取與車輛101的操作相關的其他所收集的數據115，例如測量車輛101和其他車輛或對象之間的距離、檢測其他車輛或對象、和/或檢測道路狀況，例如彎道、坑窪、凹陷、隆起、坡度變化等。作為另一個示例，gps數據115可以與二維(2d)和/或三維(3d)高解析度數字地圖數據和/或稱為「電子地平線數據(例如存儲在計算機105的存儲器中的數據)」的基本數據組合。基於與以已知方式的航位推算相關的數據115和/或諸如已知的可能使用gps數據115的某些其他同時定位和映射(slam)和/或定位計算，數字地圖數據115可以用作用於計算機105的相關數據以在確定車輛101路徑或支持路徑規劃器時使用，以及在用於戰術駕駛決策的其他決策過程中使用。計算機105的存儲器通常存儲所收集的數據115。所收集的數據115可以包括在車輛101中從數據收集器110收集的各種數據，此外，數據115可以另外包括在計算機105中從中計算出的數據。一般來說，所收集的數據115可以包括可以由收集設備110收集和/或從諸如原始傳感器110數據115值——例如原始雷達或雷射雷達數據115值、例如從原始雷達數據115計算出的對象160的距離的派生數據值、例如由發動機控制器或車輛101中的一些其它控制和/或監測系統提供的測量數據值——這樣的數據計算的任何數據。一般來說，各種類型的原始數據115可以是所收集的例如圖像數據115、與反射光或聲音相關的數據115、指示環境光的量、溫度、速度、加速度、橫擺等的數據115。因此，一般來說，所收集的數據115可以包括與車輛101操作和/或性能相關的各種數據115，以及特別與車輛101的運動相關的數據。例如，除了所獲取的與其他車輛、道路特徵等相關的數據115，所收集的數據115可以包括關於車輛101速度、加速度、制動、車道變化和/或車道使用(例如，在特定道路和/或諸如洲際公路的道路類型)、在相應速度或速度範圍內與其它車輛的平均距離的數據，和/或與車輛101操作相關的其他數據115。另外，可以例如使用車輛到車輛通信從遠程伺服器125和/或一個或多個其他車輛101提供所收集的數據115。已知用於車輛到車輛通信的各種技術，包括硬體、通信協議等。例如，可以根據專用短程通信(dsrc)等發送和接收車輛到車輛消息。眾所周知，dsrc是在5.9ghz頻帶中由美國政府特別分配的頻譜中的短至中等範圍內的相對低功率操作。在任何情況下，車輛到車輛消息中的信息可以包括所收集的數據115，例如發射車輛101的位置(例如，根據諸如緯度和經度的地理坐標)、速度、加速度、減速度等。此外，發射車輛101可以提供其他數據115，諸如一個或多個目標160的位置、速度等。伺服器125可以是一個或多個計算機伺服器，每個通常包括至少一個處理器和至少一個存儲器，該存儲器存儲可由處理器執行的指令，包括用於執行本文所述的各種步驟和過程的指令。伺服器125可以包括或通信地連接到數據存儲器130，用於存儲從一個或多個車輛101接收的所收集的數據115。另外地或替代地，伺服器可提供供車輛計算機105使用的數據115。通常，來自不同源(例如，經由伺服器125的數據存儲器130、其他車輛101和/或車輛101中的數據收集器110)的數據115的組合可以被合成和/或組合以提供警報、消息和/或自主操作的基礎。例如，車輛101可以從第二車輛和/或伺服器125接收關於由第二車輛檢測到的道路中的對象的信息。因此，計算機105可以進一步被編程為使用其自己的操作歷史和/或由其他車輛101記錄的歷史，用於做出關於自主操作的確定。計算設備105可以基於操作因子使用模糊邏輯處理器22來確定控制信號。操作因子通常開始為脆性輸入(crispinput)23，即二進位值0或1，但不在0和1之間。模糊處理器22然後應用模糊器24，即將脆性輸入23轉換成可以具有應用於脆性輸入的模糊邏輯的輸入的一組指令，以創建模糊輸入，即0和1之間的值。例如，模糊器24可以應用權重來將二進位操作因子轉換為0和1之間的各種實數。計算設備105然後使用推理引擎25(即一組指令)、基於模糊化的因子推斷控制決策輸出，以及使用規則庫26(即推理引擎25遵循的推斷控制決策輸出的一組規則)確定控制決策輸出。模糊處理器22然後應用解模糊器27，即將模糊控制決策輸出(其是0和1之間的值)轉換成脆性輸出決策28的一組指令。脆性輸出決策28可以是以下四個決策中的一個：完全人類操作員控制、完全虛擬操作員控制、共享人類和虛擬操作員控制、以及利用虛擬輔助的人類控制，如上所述。計算設備105然後將脆性輸出決策28作為歷史數據保存在數據存儲器106中，並且基於脆性輸出決策28致動一個或多個車輛101部件。模糊化數據的示例在下面的表1中示出。從左邊開始的第一列示出了模糊化輸入，即在0和1之間的數據。中間的第二列示出了應用於模糊化輸入的模糊權重。模糊權重可以是任何值，包括超過1的值。右邊的最後一列示出了模糊化輸出，即輸入乘以模糊權重。然後將輸出相加在一起以產生模糊化和。模糊化和除以加權和(即模糊權重的和)，以產生在0和1之間的結果因子。模糊化輸入模糊權重模糊化輸出0.8702.4102.0970.0930.1070.0100.9537.4177.0690.3471.0360.3600.8924.0093.5760.2690.2250.0610.8626.0505.2410.3680.7150.2630.3210.5330.171加權和22.503模糊化和18.848因子0.838表1操作因子如上所述，操作因子是基於加權的所收集的數據115的數值，其涉及計算機105的能力和/或人類操作者控制車輛101的能力。每個操作因子涉及特定方面的計算機105的能力和/或人類操作者控制車輛的能力。示例性操作因子在以下段落中討論。警覺性因子(al)操作因子的一個示例是操作者警覺性因子。如上所述，各種傳感器數據收集器110可收集關於車輛101操作者的數據115。該數據115可以用於確定操作者警覺性因子。例如，諸如已知的圖像識別技術可以用於例如基於人的眼睛、面部表情等確定人是否醒著、睡著、清醒、醉酒等。同樣，麥克風數據收集器110可以提供可以使用已知技術進行分析的數據115，以基於人的聲音來確定該人是否受藥物或酒精的影響。作為另一個示例，方向盤傳感器110可以用於確定人的手是否在方向盤上或方向盤附近，同樣也適用於踏板和/或加速度傳感器110。來自一個或多個前述數據收集器或其他數據收集器110的所收集的數據115可以用於確定操作者警覺性因子，例如，歸一化到0和1之間的數值範圍的警覺性水平，其中0表示操作者具有零警覺性，例如，無意識，並且1表示操作者完全警覺並且能夠取得對車輛101的控制。準備狀態因子(re)操作因子的另一示例是操作者準備狀態因子。無論操作者是否警覺，操作者可能由於各種原因(例如，因為操作者正在觀看電影，並且操作者的座椅沒有適當地定位為取得對車輛101的控制)而未準備好取得對車輛101的控制。因此，指示座椅位置、制動器響應時間、加速器響應時間、轉向裝置響應時間中的至少一種、指示車輛101hmi的狀態、眼睛位置和活動、語音聚焦等的傳感器數據收集器110可用於提供數據115以確定操作者準備狀態因子。例如，座椅位置(例如相對於車輛地板的座椅角度)可以指示操作者是否準備狀態好取得對車輛101的控制，例如，接近垂直於車輛底板的座椅角度可以指示操作者準備狀態好取得控制。座椅角度可以與預定座椅角度閾值進行比較，以指示操作者是否準備狀態好取得對車輛101的控制。操作者準備狀態因子可以被歸一化為從零到一的數值範圍。概率因子(pr)操作因子的另一示例是操作者動作概率因子。該操作因子指示例如從0到1的數值範圍被歸一化的以控制車輛101的意圖執行駕駛員動作的概率。例如，如果車輛根據計算機105的控制沿著直道以直線行駛，並且人類操作者嘗試轉動車輛101方向盤，則操作者動作概率因子可以與確定操作者動作是否是有意的相關。因此，指示即將到來的道路特徵(例如，曲線、障礙物、其他車輛等)的所收集的數據115可以用於確定操作者動作概率因子。此外，操作者的歷史可以與操作者動作概率因子相關。例如，如果操作者具有碰到方向盤的歷史，則當方向盤輕微移動時，可以減少操作者動作概率因子。在任何情況下，可以在隱馬爾可夫(markov)模型或諸如已知的其他概率建模的環境中進行歷史數據的使用。所收集的數據115可以確定動作概率因子pr。計算機105可以評估關於車輛101操作的數據115，即內部數據，以及來自周圍環境的數據115，即外部數據。自主置信因子(ac)操作因子的另一個示例是自主置信因子。例如，從0到1的數值範圍歸一化的該因子提供計算機105正確地評估車輛101周圍的環境的置信度的指示。例如，計算機105可以接收包括圖像、雷達、雷射雷達、車輛到車輛通信等的數據115，用於指示行駛有車輛101的道路的特徵、潛在障礙物等。計算機105可以評估數據的質量，例如如已知的圖像質量、檢測到的對象的清晰度、數據的精確度、數據的準確性、數據的完整性等，以確定自主置信因子。可以對所收集的數據115進行加權以確定自主置信因子。自主置信因子是特定系統在線並且向計算機105提供足夠的數據以支持自主操作的置信度的度量。危險因子(pe)操作因子的另一個示例是危險因子。危險因子是對象將與車輛101碰撞的可能性和在對象將碰撞的情況下損害的嚴重性的組合。例如，與小對象(例如灌木)碰撞的高可能性可能具有比與大對象(例如另一車輛101)碰撞的小可能性更低的危險因子。危險因子通常是根據基於所收集的數據115檢測到的場景的確定的風險而選擇的預定值，例如，基於從0到1的歸一化數值範圍。與各種場景相關聯的一個或多個危險因子可以被存儲在例如計算機105的存儲器106中的查找表等中。例如，所收集的數據115可以指示以超過每小時50公裡的速度與另一車輛的即將到來的正面碰撞，因此可以指示高危險因子，例如，危險因子為1。在另一種場景下，當車輛101以相對低的速度(例如，每小時30公裡)行駛時，可檢測到車輛101前方的道路上的坑窪，因此可以指示相對低的危險因子，例如危險因子為0.25。以任何速度吹在車輛101前面的塑膠袋或樹葉可以指示低的危險因子，例如危險因子為0.10。計算機105可以基於周圍對象來確定危險因子。數據115可以包括來自數據收集器110的用於指示在車輛101周圍的預定距離範圍內的對象的數量的輸入。對象可以包括車輛101具有與之碰撞的風險的對象，並且危險因子可以測量與對象碰撞的風險以及不同對象的碰撞之間的相對傷害。計算機105可以使用模糊邏輯等來確定危險因子，例如評估檢測到的對象的類型、與對象相關聯的傷害或損害的風險等。計算機105還可以確定動態因子，如已知的，動態因子是車輛101與檢測到的對象碰撞的概率。動態因子可以使用數據115以已知的方式確定。操作因子的評價所收集的數據115可以在確定操作因子時以不同的方式進行加權，然後，如上所述，當與其他操作因子組合以做出車輛101控制確定時，操作因子本身可以被加權。一般來說，計算設備105和控制器108可以單獨地使用操作因子中的任何一個或者可以組合兩個或更多個因子，例如本文公開的五個因子，以確定車輛101的自主控制。例如，計算設備105可以僅使用自主置信因子ac來確定虛擬操作者是否能夠自主地控制車輛101。自主置信因子ac的值可導致對自主選擇性地控制某些車輛101子系統的車輛101的控制確定。警覺性因子和準備狀態因子在下面的表2中示出了確定兩個操作因子(警覺性因子(al)和準備狀態因子(re))的示例。表2如表2所示，可以使用各種輸入來確定n個不同的部件操作因子al和re。例如，表2示出了可用於確定部件操作因子al1至al7和re1至re7的七個輸入，即，在本示例中，n＝7。然後，可以使用部件操作因子來確定總體操作因子，如下面進一步解釋的，計算機105可以使用總體操作因子來做出控制確定，例如是否允許用戶控制車輛101和/或允許用戶控制的級別。因此，繼續上述示例，可以通過評估輸入數據以得出原始操作因子ali或rei(例如，基於輸入數據指示用戶警覺性或準備狀態的換算值)來確定每個ali和rei。例如，可以分析圖像數據——例如，用戶的凝視方向、眼睛是否睜開或閉上、面部表情等——以確定用戶操作車輛101的警覺性水平和/或準備狀態。同樣地，用戶訪問諸如氣候控制娛樂系統、導航系統和/或其他輸入之類的車輛控制的預定時間段內(例如5分鐘、10分鐘等)的次數可以用於確定用戶的操作車輛101的警覺性水平和/或準備狀態。一般來說，可以確定單個或部件原始操作因子ali(raw)和rei(raw)，並且將其歸一化為從0到1的數值範圍。原始因子ali(raw)和rei(raw)可以被確定為二進位值，例如，指示用戶未警覺或未準備好的零，以及指示用戶警覺或準備好的一，然後乘以適當的權重以得到加權部件操作因子ali和rei。應用這樣的權重可以是模糊化步驟，即如下面進一步討論的模糊邏輯分析中的第一步驟。進一步繼續本示例，操作因子al1和re1至aln和ren可以被組合，例如求和或平均，以得到總體因子aloverall和reoverall。然後可以將總體因子與預定閾值進行比較，以確定用戶取得對車輛101的控制的警覺性和/或準備狀態。例如，可以將aloverall與第一預定警覺性閾值進行比較，並且如果aloverall超過第一警覺性閾值，則計算機105可以確定用戶具有足夠的警覺性來取得對所有車輛101操作——例如制動、推進和轉向——的控制。可以執行與第一預定準備狀態閾值的類似比較。此外，計算機105可以被編程為在確定允許用戶取得對車輛101的完全控制之前要求滿足第一警覺性閾值和第一準備狀態閾值。此外，除了第一警覺性閾值和準備狀態閾值之外，計算機105可以被編程為考慮第二、第三等警覺性閾值和/或準備狀態閾值，並且允許基於與這些閾值的比較來改變車輛101的用戶控制水平。例如，如果aloverall和reoverall分別超過第二警覺性閾值和第二準備狀態閾值，則即使不滿足第一閾值，計算機105也可以允許用戶取得對某些車輛101部件的控制，例如制動器和加速器，而不是轉向裝置。在第三警覺性閾值和準備狀態閾值處，即使不滿足第二閾值，計算機105也可以允許用戶取得對較小的一組車輛101部件的控制，例如僅是制動器。如果不滿足第三閾值，則可以允許用戶不進行控制，或者可以允許用戶例如向轉向裝置、制動器等提供輸入以與計算機105作出的決策協作。這樣的決策制定如下面進一步描述。應當理解的是，雖然關於兩個操作因子al和re提供的上述示例，但是上述示例可以擴展為包括其他操作因子，例如操作者動作概率因子、自主置信因子和危險因子，如上文所述。圖3示出了用於確定警覺性和準備狀態因子的示例系統30。計算設備105從多個源(例如駕駛員眼睛和面部監測子系統、交互式顯示器和控制臺按鈕、語音輸入、方向盤傳感器、加速踏板傳感器、制動踏板傳感器和座椅傳感器)收集輸入操作者數據。源可以包括例如諸如已知的多個子系統，例如，交互式顯示器和控制臺按鈕可以提供來自氣候控制子系統、音頻控制子系統、導航子系統和遠程信息處理子系統的數據。然後使用幾個輸入來確定部件操作因子ali和rei，例如上面表2中所述的七個部件因子。然後，可以將部件操作因子相加到警覺性因子al和準備狀態因子re。然後，如上所述，計算設備105可以將因子al、re與預定閾值進行比較，並且基於因子al、re是否超過閾值來調整車輛子系統的操作。子系統30包括通常來自人類操作者的多個輸入31。輸入31包括例如操作者眼睛和面部監控、交互式顯示器、控制臺按鈕、語音輸入、方向盤傳感器、加速踏板傳感器、制動踏板傳感器和座椅傳感器。輸入31產生數據115。然後可以將數據115提供給多個子系統，包括例如駕駛員面部監視器子系統32a、儀錶板和組合儀表子系統32b、氣候子系統32c、音頻控制子系統32d、導航/全球定位子系統32e、遠程信息處理子系統32f、語音子系統32g、電動助力轉向系統(epas)子系統32h、動力傳動系統控制子系統32k、制動器控制子系統321、車身控制子系統32m、乘員分類子系統32n和約束控制子系統32p。子系統32a-32p使用數據115來產生單獨的準備狀態因子rei和警覺性因子ali，如上所述。然後將個性化的因子乘以加權因子以產生因子33a-33g。例如，駕駛員面部監視器子系統32a使用數據115來確定警覺性和準備狀態因子33a，子系統32b-32f使用數據115來確定警覺性因子和準備狀態因子33b，子系統32g確定因子33c，epas子系統32h確定因子33d，動力傳動系統控制子系統32k確定因子33e，制動器控制子系統321確定因子33f，以及子系統32m-32p確定因子33g。然後，可以將因子33a-33g相加到全局警覺性和準備狀態因子34中。然後將全局警覺性和準備狀態因子34與相應的警覺性和準備狀態閾值35進行比較。根據警覺性因子和準備狀態因子中沒有一個、一個或兩者超過相應的閾值35，計算設備105然後指示控制器108使車輛101子系統以不同水平的自主控制或手動控制——即，利用由計算機105控制的推進、轉向和制動中的每一個的完全自主控制，或者利用少於由計算機105控制的所有這些車輛系統的半自主控制，或全手動控制——進行操作。例如，如果警覺性因子al超過閾值，則計算設備105可以允許全部操作者對車輛101子系統的控制。動作概率因子為了確定動作概率因子pr，計算機105可以基於內部和外部數據確定概率陣列，例如描述車輛101位置和速度的概率的概率陣列，以及描述在給定速度下位於某一位置的潛在危險的概率陣列。概率陣列是車輛101將基於當前車輛101狀態(即當前速度、當前轉向角度、當前加速度等)將其位置、方向、速度或加速度中的一個改變一定量(例如改變其方向一角度θ)的一組概率。然後將多個改變(例如，多個角度θ的改變)的概率收集到單個陣列中；該陣列是「概率陣列」。概率陣列可以表示為一組矢量，如圖7-8所示，其中矢量的長度指示危險因子的大小，並且矢量的方向指示軌跡中的變化。方向概率陣列表示車輛101在未來基於多個輸入(例如，速度、加速度、道路狀況、轉向角度、穩定性界限、附近車輛和/或對象等)將改變其軌跡的方向分量的概率。在一個示例中，基於車輛軌跡的方向概率陣列可以繪製車輛101的未來軌跡相對於當前軌跡的概率分布。用於下標k(表示時間tk)的方向概率陣列pd，k，θ的示例，其中軌跡相對於當前軌跡移動這裡以度為單位測量的角度θ。當θ＝0並且正θ相對於軌跡是逆時針時，當前軌跡如下表3所示進行定義：θpd，k，θθpd，k，θ-600.000000600.000000-40.08216540.082944-30.10211030.103680-20.10938020.109150-10.11531010.11306000.118580表3例如，軌跡將改變-3度的概率為0.102110，或約10％。概率可以基於內部和外部數據而改變，例如，如果在相鄰的左車道中檢測到另一車輛101，則負角度軌跡的概率可以低於正角度軌跡的概率。在另一示例中，如果計算機105檢測到車輛101正前方的對象，則軌跡中小角度變化的概率可能低於軌跡中大角度變化的概率。圖10示出了可以用於確定動作概率因子af的多個示例性概率陣列。第一概率陣列60a是如上所述的方向概率陣列的示例，並且繪製車輛101將從其當前方向以角度θ來改變其方向的可能性。第二概率陣列60b是加速度概率陣列的示例。這裡，該陣列繪製車輛101將從其當前加速度改變其加速度的可能性。在陣列中心的概率pa，k，0表示加速度將不改變的概率，隨著加速度的負變化被繪製在中心的左側以及隨著加速度的正變化被繪製在中心的右側。第三概率陣列60c是速度概率陣列的示例，繪製車輛101將增加或減小其速度的概率。這裡，中心概率pv，k，0表示車輛101將不改變其速度的概率，隨著速度的負變化被繪製在中心的左側以及隨著速度的正變化被繪製在中心的右側。第四概率陣列60d是位置概率陣列的示例，繪製車輛101將改變其位置的概率。這裡，車輛完全不改變其位置的概率pp，k，0在最左邊，隨著位置變化的增加被繪製在右測。也就是說，在圖上繼續向右指示車輛101位置中更大變化的概率。圖11示出了用於各種車輛101狀態的更多示例方向概率陣列。例如，概率陣列70a示出了車輛101向左移7度的概率陣列。在另一示例中，概率陣列70e示出了車輛101向右移15度。當車輛101沿遠離直線的方向移動時，概率陣列通常移動以增加朝向該方向的方向改變的概率。也就是說，移向右的車輛101可能具有將其方向改變為右側的較高概率。類似地，概率陣列70b(其是車輛101直行的示例)可具有圍繞中心等間隔的概率。示例性概率陣列70b、70c和70d示出了分別以增加的速度(這裡分別是20英裡每小時(mph)、50mph和80mph)直行的車輛的概率陣列。隨著速度增加，概率陣列通常變窄，即，車輛101將保持筆直或少量改變的概率大於車輛101將大量改變其方向的概率。因為改變車輛101的方向需要車輛101前進動量的變化，具有較高前進動量的較高速度的車輛101可能不太可能對它們的方向進行大的改變。概率陣列70f和70g是在對象可以改變車輛101將改變方向的概率的情況下生成的概率陣列的示例。示例性概率陣列70f示出了當對象(例如另一車輛101)在相鄰的左車道中時車輛101將改變其方向的一組概率。這裡，由於對象在車輛101的正左側，因此車輛101將向左改變其方向(並且可能與對象碰撞)的概率可能小於車輛101將保持筆直或者改變其方向向右的概率。類似地，概率陣列70g是當在車輛101的正前方存在非移動對象時的概率陣列的示例。這裡，如果車輛101不改變其方向，則車輛101將與對象碰撞，因此車輛101將不改變其方向的概率為0，如由缺少指向陣列中心的箭頭所示。因為對象在車輛101正前方，所以車輛101將其方向改變為左側或右側的概率基本上相同，同時大的方向變化比小變化更可能，如圖離中心較遠的較長的箭頭所示。圖12示出了用於確定從多個數據源計算的多個方向概率陣列的子系統80。除了上述基於車輛的方向概率陣列之外，計算機105可以基於某些數據115計算幾個其他概率陣列。一個這樣的概率陣列是基於對象的概率陣列84，其使用通過例如攝像機、雷射雷達、雷達等收集的有關車輛101周圍的對象的數據115，以基於周圍對象確定車輛101方向的變化的概率陣列。數據115通過各種車輛101子系統——例如光學攝像機子系統42a、紅外攝像機子系統42b、雷射雷達子系統42c、雷達子系統42d、超聲子系統42e、遠程信息處理子系統32f、路線識別子系統82b、全球定位子系統32e和車輛101控制子系統42k——收集。來自子系統42a-42e、32f的數據115被發送到信號處理子系統23以處理數據115並且開發基於對象圖的方向概率陣列計算84。例如，如果在相鄰的左車道存在另一車輛101，則向左移動的概率遠低於向右移動的概率。另一方向概率陣列可以是基於路線的方向概率陣列85。基於路線的方向概率陣列使用來自例如遠程信息處理子系統32f、導航系統、路線識別子系統82a、全球定位系統32e等，以基於預期車輛101路線確定改變車輛101方向的可能性。例如，如果路線包括左轉彎或者在道路中存在即將到來的彎道，則基於路線的方向概率陣列可以示出在轉彎或即將到來的彎道的方向上改變車輛101方向的增加的概率。另一方向概率陣列可以是基於車輛的方向概率陣列86，其使用來自車輛控制子系統42k的數據來確定車輛101的方向概率陣列86。另一方向概率陣列可以是存儲在例如數據存儲器106和/或伺服器125中的歷史方向概率陣列87。歷史方向概率陣列可以是由計算機105保存的先前計算的方向概率陣列。計算設備105可以將方向概率陣列84-87組合成組合方向概率陣列88。圖13示出了用於收集多個概率陣列以控制車輛101子系統的子系統90。可以用加速度概率陣列92、速度概率陣列93和位置概率陣列94收集方向概率陣列88，並將方向概率陣列88發送到控制器108。根據在控制器108中執行的程序編制，概率陣列88、92、93、94然後可以與預定的安全狀態陣列95進行比較，即，與安全狀態陣列95的偏差可以指示預期的操作可能是不安全的。預定安全狀態陣列95包括用於由例如虛擬操作者確定的方向、加速度、速度和位置的概率陣列，以預測車輛101的安全操作。概率陣列88、92、93、94和預定的安全狀態陣列95之間的差異可用於計算動作概率因子pr。控制器108可以包括與危險因子pe相關的數據115，以確定概率因子pr並確定車輛101子系統的自主控制水平，即車輛控制動作96。自主置信因子為了確定自主置信因子ac，可以為多個子系統——包括(1)光學攝像機、(2)紅外攝像機、(3)雷射雷達、(4)雷達、(5)超聲波傳感器、(6)高度計、(7)遠程信息處理系統、(8)全球定位系統和(9)車輛101部件——中的每一個確定特定自主置信因子aci。這裡，下標i指的是對應於本示例中的9個子系統之一的參考數字，並且通常可以表示任何數量的子系統的列表中的條目。每個子系統的特定自主置信因子可以具有對應的預定加權因子di，如上面對於警覺性和準備狀態因子所描述的。對於不同的子系統，加權因子可以不同，例如，雷射雷達可以具有比光學攝像機更高的加權因子，原因在於雷射雷達可以更魯棒和/或具有更高的精密度和準確度。子系統的自主置信因子可以與加權因子組合以確定全局自主置信因子：然後可以將全局自主置信因子ac與預定閾值進行比較，以允許完全操作者控制、完全自主控制或部分自主控制中的一個。例如，當全局自主置信因子低於第一閾值時，計算機105可以允許某些子系統的自主控制，即，車輛101可以以部分自主控制操作。計算機105可以允許自主控制的子系統可以是具有最高置信因子的子系統。在另一個示例中，當全局自主置信因子低於第二閾值，第二閾值低於第一閾值時，計算機105可以允許完全操作者控制並停止車輛101的自主控制。計算機105可以被編程有指示自主操作每個特定系統所需的置信因子的多個閾值。圖4示出了用於確定自主置信因子ac的示例性子系統40。子系統包括多個部件子系統42a-42k，每個部件子系統收集來自多個源41——例如外部環境、外部數據存儲器和來自車輛部件的信號——的數據。每個部件子系統42a-42k然後可以確定部件自主因子aci，部件自主因子aci被發送到控制器108，控制器108應用乘以部件自主因子aci的特定部件加權因子di。加權因子di的具體值可以根據部件自主因子aci的值而變化。例如，如下面的表4所示，計算機105可以包括用於加權因子di的查找表。如已知的，根據數據的預期值和/或歷史值對所收集的數據115進行歸一化。然後，計算機105基於例如查找表來確定加權因子di。然後將歸一化的數據乘以加權因子di以得到置信因子43a-43k。然後，部件因子43a-43k被計算設備105用作模糊邏輯處理器22中的脆性輸入23。表4如已知的，計算機105可以被編程以利用模糊邏輯確定自主置信因子ac。具體地，如上所述，計算機105可以在模糊化器24中對數據115進行模糊化，例如，可以如上所述應用權重以將數據115轉換為在零和一之間的各種實數，以確定子系統的置信因子，而不僅僅依賴於來自子系統的置信因子的和。基於模糊化數據，計算機105可以應用一組預定規則，例如推斷引擎25可以使用規則庫26來評估模糊化數據，如圖4所示。當數據115在應用規則26之後在解模糊器27中被解模糊化時，計算機105可以使用脆性輸出28來確定全局自主置信因子ac。至少部分地基於全局自主置信因子ac，計算設備105可以指示控制器108在自主模式或手動模式下致動多個車輛子系統中的至少一個。圖5a示出了檢測對象(這裡是行人)的示例車輛101。車輛101使用數據收集器110來確定車輛101前方的對象。這裡，對象被清楚地識別為行人，如下所述，原因在於信號置信度高。圖5b示出了來自數據收集器110——例如，光學攝像機系統42a、熱傳感器、雷射雷達系統42c和超聲系統42e——的原始傳感器輸入。縱軸是信號的置信度值，範圍從0到100，並且橫軸表示相對於車輛101的運動方向的角度，數據收集器110沿著該方向收集數據115。例如，超聲系統42e的原始傳感器輸入值從-100到100的角度接近100，表示來自超聲系統42e的信號的質量的高置信度。圖5c示出了處理並轉換成置信區域、模糊複合值和脆性輸出的圖5b的信號。處理圖5b的信號，如下面在圖7a中解釋的，並且置信度值被分配給處理的信號，以產生模糊複合值信號曲線，如圖5c中的虛線所示。如圖5c所示，當模糊複合值低於第一閾值時，脆性輸出為0，限定了沒有置信度的區域。當模糊複合值高於第一閾值並低於第二閾值時，在該示例中，脆性輸出為50，並且限定了不確定區域。當模糊複合值高於第二閾值時，脆性輸出為100，限定了高置信區。圖5c示出了具有大的高置信區域的信號，因此計算機105可以依賴於由數據收集器110收集的數據115並識別接近的對象。結果是，圖5a-5c的示例的自主置信因子ac可以是高的。圖6a示出了由於由數據收集器110收集的數據115的質量低而感測不太好定義的對象的另一示例車輛101。圖6b示出了原始數據收集器110輸入低於圖5b中所示的輸入，指示信號的置信度較低。圖6c示出了較低置信度，因為信號的模糊複合值較低，脆性輸出保持在50，因此圖6c僅示出了不確定區域，並且沒有高置信度區域。因此，計算機105可能不能確定地識別接近的對象，如圖6a所示為非結晶形狀。作為結果，圖6a-6c的自主置信因子可以低於圖5a-5c的自主置信度ac因子。圖7b和圖7a示出了子系統40和將來自部件子系統42a-42k、32e-32f的數據115處理成自主置信因子ac。子系統40將所收集的數據115饋送到噪聲降低處理，其中根據已知的噪聲降低方法清潔數據115。減少噪聲增加了數據115的質量和自主置信因子ac。子系統40然後對數據115應用信號歸一化處理。可以根據若干數值範圍和單元收集數據115，這取決於特定的部件子系統42a-42k、32e-32f。例如，高度計系統42f收集關於在例如垂直地面上方的數米的數據115，並且超聲系統42e可以將數據115收集為三維和/或極坐標中的長度。因為來自這些部件子系統42a-42k、32e-32f的原始數據115可能不能被組合，所以子系統40應用已知信號歸一化處理以允許將數據115組合成自主置信因子ac。然後，如上所述，子系統40應用權重43a-43k。權重43a-43k可以通過例如應用於條件加權查找表的操作條件來確定。每個部件子系統42a-42k、32e-32f具有由查找表確定的應用於子系統的個性化權重43a-43k。然後聚集數據115並將數據115發送到模糊過程22以確定由控制器108用來控制車輛101的自主置信因子ac。圖7c示出了從車輛101周圍收集數據115的示例數據收集器110。數據11由例如自適應巡航控制(acc)子系統使用以計劃車輛101在例如接下來的200米上的移動。每個數據收集器110具有由收集器110可以檢測的角度和沿著該角度的距離定義的特定收集區域。例如，在車輛101的前部和後部示出的雷射雷達子系統42c掃過145度的視角和150米的距離。因此，兩個雷射雷達子系統42c不與它們的可檢測視圖重疊。類似地，光學攝像機42a從車輛101的前部延伸出，與前雷射雷達42c重疊。位於車輛101的後部的側面雷達42d掃過150度的視角和80米的距離。因為側面雷達42d彼此相對地位於車輛的後方，所以側面雷達42d的檢測區域將不僅彼此重疊，而且與後部雷射雷達42c重疊。因此，各種數據收集器110將與其他數據收集器110重疊，並且車輛101周圍的某些區域將具有比其他區域更多的覆蓋。如圖7b所示，車輛101前方的區域被雷射雷達42c和光學照攝像機42a覆蓋，而車輛101的側面僅被側面雷達42d覆蓋。由數據收集器110收集的數據115的置信度和加權可以基於數據115被收集的位置以及其他數據收集器110是否覆蓋相同區域來調整。圖8a示出了表示由數據收集器110中的一個收集並被轉換為質量因子的數據的示例圖表，如上面在表4中所述。數據115可以作為一系列離散信號d1...dn收集並且組合成原始複合值信號dk。然後將原始信號dk濾波為濾波信號，然後將其歸一化。如上所述的質量因子(即加權因子)然後被應用於歸一化信號以產生合格信號(即，部件因子)。圖8b示出了來自圖8a的圖表的原始信號和濾波信號的示例圖表。縱軸表示信號的值，並且橫軸表示信號值的時間。如實線所示的原始信號dk具有幾個尖峰和較大的波動，這可能導致較不準確的置信因子。如虛線所示的濾波信號更平滑並且可以更容易地由子系統40處理以確定自主置信因子ac。濾波信號通常跟蹤原始信號的形狀。圖8c示出了來自圖8a的圖表的歸一化輸出和合格輸出的示例圖表。縱軸表示輸出的值，橫軸表示輸出的時間。如實線所示的歸一化輸出是被歸一化為信號的最小值和最大值的濾波信號，如上所述。合格輸出是歸一化輸出乘以由例如查找表確定的質量因子。因為質量因子可能隨時間而改變，所以合格輸出可能與歸一化輸出相比在形狀上不同。這裡，歸一化輸出在經過的時間內保持大致相同，而合格輸出開始下降，然後上升。合格輸出在這裡可以指示所收集的數據的置信度隨時間上升，並且置信因子ac可以在車輛101的操作期間改變。危險因子確定危險因子pe的示例顯示於下表5中：表5第一行(「動態」)指示動態因子，即，主車輛和對象(例如，另一車輛、樹、騎自行車者、道路標誌、坑窪或一片灌木)之間的碰撞的概率。每行指示特定對象和為每個碰撞概率確定的危險因子。隨著碰撞變得更可能，危險因子增加。例如，與樹碰撞的概率為0.6導致危險因子為0.5，而與道路標誌碰撞的概率為0.1導致危險因子為0.2。該對象可以由數據收集器110(例如，雷達)確定，並且概率可以由計算機105以已知的方式確定。基於危險因子，計算機105可以推薦在手動和自主操作狀態之間切換，如表6所示：表6這裡，基於概率和特定對象，計算機105可以確定是否允許操作者控制(d)或自主控制(av)。表6中的確定至少部分地基於危險因子，但是當確定控制時可以考慮其他因子和對象。例如，與騎自行車者和道路標誌的碰撞的概率為0.5都具有0.6的危險因子，但是表6產生了對於騎自行車者的av和對於道路標誌的d的確定。如果存在具有不同危險因子和/或控制的多個對象，則可以在計算機105中仲裁該確定。為了繼續上述示例，如果騎自行車者和道路標誌的動態因子都是0.5，則計算機105可以確定允許基於道路標誌的操作者控制、但是基於騎自行車者的自主控制。然後，計算機105可以在這兩個確定之間進行仲裁，例如選擇自主控制。圖9示出了用於確定危險因子的子系統50。對象檢測子系統50a從數據收集器110和伺服器125獲取數據115以檢測附近的對象，例如其他車輛101、騎自行車者、灌木等。在檢測到對象時，對象識別子系統50b識別對象以確定用於對象的特定動態和危險因子。對象識別子系統50b將所識別的對象發送到模糊邏輯處理器50c和動態因子子系統50d。模糊邏輯處理器50c從由對象識別子系統50b和動態因子子系統50d識別的對象確定危險因子pe，如上所述。模糊邏輯處理器50c可以使用多個數據115源和技術——包括例如歷史數據115、已知的模糊邏輯方法、車載學習技術、來自伺服器125的涉及交通的外部數據115等——來確定危險因子pe。模糊邏輯處理器50c可以向控制器108中的一個提供危險因子pe，以確定車輛101的自主控制。圖2示出了收集數據115並輸出車輛101的控制決策輸出的系統100。計算設備105從數據收集器110收集數據115並計算操作因子。計算設備105然後使用操作因子作為脆性輸入23用到模糊處理器22中以實現模糊邏輯分析。計算設備105然後應用模糊器24，即將脆性輸入23轉換成可以具有應用於它們的模糊邏輯的輸入的一組指令，以創建模糊輸入。例如，模糊器24可以應用權重來將二進位操作因子轉換為零和一之間的各種實數。計算設備105然後基於模糊化因子和存儲在數據存儲器106中的規則庫26使用推斷引擎25來推斷控制決策輸出。規則庫26基於例如加權的操作因子確定控制決策輸出。計算設備105然後應用解模糊器27，即將模糊控制決策輸出轉換成脆性輸出決策28的一組指令。如上所述，脆性輸出決策28可以是四個決策中的一個：完全人類操作員控制、完全虛擬操作員控制、共享人類和虛擬操作者控制、以及利用虛擬輔助的人類控制。計算設備105然後將脆性輸出決策28作為歷史數據保存在數據存儲器106中，並且基於脆性輸出決策28致動一個或多個車輛101部件。示例性過程流程圖14是用於基於上述操作因子實現自主車輛101的控制的示例性過程200的示意圖。過程200在框205中開始，其中車輛101進行駕駛操作，並且計算機105從車輛101操作接收數據115和/或接收關於車輛101用戶(例如坐在駕駛員座位上的人)的數據。車輛101可以部分地或完全自主地操作，即，部分或完全由計算機105控制的方式，計算機105可以配置為根據所收集的數據115操作車輛101。例如，所有車輛101操作(例如轉向、制動、速度等)可以由計算機105控制。還有可能的是，在框205中，車輛101可以以部分或半自主(即部分手動)的方式操作，其中一些操作(例如制動)可以由駕駛員手動控制，而其他操作(例如包括轉向)可以由計算機105控制。同樣地，計算機105可以控制車輛101何時改變車道。此外，可能的是，可以在車輛101的駕駛操作開始之後的某一點開始過程200，例如當車輛乘員通過計算機105的用戶界面手動啟動時。在任何情況下，數據收集器110向計算機105提供所收集的數據115。例如，攝像機數據收集器110可收集圖像數據115，發動機控制單元可提供每分鐘轉速(rpm)數據115，速度傳感器110可提供速度數據115、以及其他種類的數據，例如雷達、雷射雷達、聲學等數據115。此外，如上所述，關於車輛101用戶的數據(例如對於因子al和re和/或其他操作因子)可以被獲取並提供給計算機105。接下來，在框210中，計算機105確定一個或多個操作因子，例如警覺性因子al、準備狀態因子re、自主置信因子ac、動作概率因子pr和危險因子pe，如上所述。計算機105可以僅確定因子中的一個，例如，如圖4所示的自主置信因子，或者如圖3所示的因子的組合(例如警覺性因子al和準備狀態因子re的組合)。接下來，在框215中，計算機105基於在框210中確定的操作因子對車輛101進行控制決策。也就是說，計算機105確定允許的自主控制水平，通常範圍從非自主控制(完全手動控制)到完全自主控制(根據來自計算機105的指令執行與制動、推進和轉向有關的所有操作)。如上所述，在非自主控制水平和完全自主控制水平之間，其他水平是可能的，例如，第一水平的自主控制可以包括完全自主控制，第二水平的自主控制可以包括計算機105控制制動器和推進器但不控制轉向裝置，第三水平的自主控制可以包括計算機105控制制動器但不控制加速器或轉向裝置，以及非自主控制(第四級)可以包括計算機105不控制制動器、加速器或轉向裝置中的任一個。可以根據實現模糊邏輯分析的程序設計來進行控制決策。例如，可以如上所述確定操作因子，然後將操作因子提供給計算機105用於向模糊邏輯分析的輸入。也就是說，可以為一個或多個操作因子(例如自主置信因子、操作者警覺性因子、操作者準備狀態因子、操作者動作概率因子和危險因子)提供零或一的脆性輸入，以及然後可以對這些輸入進行模糊化，例如，可以如上所述應用權重以將二進位操作因子轉換為零和一之間的各種實數。此外，可以向計算機105提供其他數據用於控制決策。例如，關於車輛101操作的數據，諸如車輛101速度、來自碰撞檢測系統的風險分析(例如，碰撞可能在預計的時間段內(例如5秒、10秒等)即將來臨的數據或無碰撞臨近的數據)、車輛101方向盤角度、關於車輛101前方的道路的數據(例如，存在可能影響車輛101及其操作的坑窪、隆起或其它因素)等。在任何情況下，推理引擎可以使用規則庫來評估模糊化的操作因子和/或其他數據。例如，閾值可以應用於如上所述的操作因子。此外，推理引擎可以應用規則以根據各種車輛101的操作數據設置閾值，例如，閾值可以根據車輛101周圍的環境條件(例如，存在白天或黑暗，存在降水，降水類型，正在行駛的道路類型等)、車輛101的速度、即將發生的碰撞的風險、道路障礙物(例如坑窪)的可能性等而變化。也可以考慮各種操作者狀態，例如，操作員酒醉的確定可以超馳操作者準備狀態的所有其他確定，例如，操作者準備狀態因子可以被設置為零，和/或可以僅允許完全自主控制。在任何情況下，框215的結果是控制決策，例如，由計算機105確定在車輛101中允許的自主控制水平，例如從完全自主控制到非自主控制。接下來，在框220中，計算機105實施方框215中的控制決策輸出。也就是說，計算機105被編程為如上所述致動一個或多個車輛101部件，並且在方框215的控制決策之後，根據指示的自主控制水平執行車輛101的操作。例如，在完全的自主控制水平下，計算機105通過控制車輛101的推進器、制動器和轉向裝置中的每一個來實施方框215的控制決策。如上所述，計算機105可以通過不控制這些部件或控制這些部件中的一些來實施控制決策。此外，如果作出部分或完全自主地操作車輛101的決策，但是自主置信因子低於預定閾值和/或由於某種其它原因確定不可能進行自主操作，則計算機105可以被編程為停止車輛101，例如，執行將車輛101行駛到路肩並停放、駛離公路等的操縱。接下來，在框225中，計算機105確定過程200是否應當繼續。例如，如果存在例如車輛101點火開關關斷，變速器選擇器被置於「駐車」等自主駕駛操作，則過程200可以結束。在任何情況下，如果過程200不應當繼續，則過程200在框225之後結束。否則，過程200前進到框205。圖15示出了用於基於警覺性因子al和準備狀態因子re來實施車輛101的控制的過程300。過程300在框305中開始，其中車輛101進行駕駛操作，並且計算機105接收來自車輛101操作的數據115和/或接收關於車輛101用戶(例如，坐在駕駛員座位的人)的數據115。可能的是，在車輛101的駕駛操作開始之後，例如當車輛乘員通過計算機105的用戶界面手動啟動時，過程300可以在某一點開始。數據收集器110向計算機105提供所收集的數據115。例如，攝像機數據收集器110可以收集圖像數據115，發動機控制單元可以提供rpm數據115，速度傳感器110可以提供速度數據115，以及其他種類數據(例如雷達、雷射雷達、聲學等數據115)。此外，可以獲取關於車輛101用戶(例如，用於如上所述的因子al和re)的數據，並將數據提供給計算機105。接下來，在框310中，計算設備105確定用於多個輸入的部件警覺性因子ali，如上所述並在表2中示出。接下來，在框315中，計算設備105確定用於多個輸入的部件準備狀態事實rei，如上所述並在表2中示出。接下來，在框320中，計算設備105將加權因子應用於部件警覺性和準備狀態因子。加權因子可以通過例如如上所述對部件警覺性和準備狀態因子進行加權的模糊邏輯處理器來確定。接下來，在框325中，計算設備105將部件因子求和為相應的全局警覺性因子和準備狀態因子al、re。全局警覺性因子和準備狀態因子可以用於確定車輛101和乘員的總體警覺性和準備狀態。接下來，在框330中，計算設備105將警覺性和準備狀態因子al、re與相應的警覺性和準備狀態閾值進行比較。閾值可以是預定的並且存儲在數據存儲器106中。可以基於例如特定乘員操作車輛101的能力來確定閾值，如上所述。因子al、re可以與定義不同級別的自主操作的幾個預定閾值進行比較。接下來，在框335中，計算設備105基於因子和閾值實施控制決策。也就是說，計算機105被編程為如上所述致動一個或多個車輛101部件，並且在計算設備105的控制決策時，根據指示的自主控制水平執行車輛101的操作。例如，如果警覺性因子高於最高警覺性閾值，則計算設備可以實施允許車輛101的完全手動控制的控制決策。接下來，在框340中，計算機105確定過程300是否應當繼續。例如，如果存在例如車輛101點火開關關斷，變速器選擇器被置於「駐車」等的自主駕駛操作，則過程300可以結束。如果過程300不應當繼續，則過程300在框340之後結束。否則，過程300前進到框305。圖16示出了用於基於動作概率因子pr實施車輛101的控制的過程400。該過程在框405中開始，其中計算機105接收來自車輛101操作的數據115和/或接收關於車輛101用戶和/或關於目標對象的數據115。數據115可以包括來自例如光學攝像機子系統、紅外攝像機子系統、雷射雷達、雷達、遠程信息處理子系統、路線識別子系統等的源這樣的數據115。接下來，在框410中，計算機105基於數據115確定方向概率陣列。如上所述，方向概率陣列指示車輛101從其當前軌跡移動角度θ的可能性。方向概率陣列可以包括如圖12所示的部件方向概率陣列，包括基於對象的方向概率陣列、基於路線的方向概率陣列、基於車輛的方向概率陣列和歷史數據。如上所述，部件方向概率陣列可以組合成總方向概率陣列。接下來，在框415中，如上所述，計算機105確定車輛101加速度、速度和位置的概率陣列。幾個概率陣列預測車輛101的狀態，並且可以組合以確定全局概率陣列。接下來，在框420中，計算機105將概率陣列收集並確定動作概率因子pr。計算機105可以將概率陣列中的一個或多個與預定「安全」狀態中的概率陣列和與危險因子相關的數據115中的至少一個進行比較，以確定動作概率因子。接下來，在框425中，計算機105將概率因子pr與預定閾值進行比較。根據概率因子pr是否超過閾值，計算機105可以允許或強制車輛101子系統的自主控制。接下來，在框430中，計算機105基於動作概率因子和閾值實施控制決策。也就是說，計算機105被編程為如上所述致動一個或多個車輛101部件，並且在計算設備105的控制決策時，根據指示的自主控制水平執行車輛101的操作。例如，如果動作概率因子低於概率因子閾值，則計算設備可以實施允許車輛101的完全手動控制的控制決策。接下來，在框435中，計算機105確定過程400是否應該繼續。例如，如果存在例如車輛101點火開關關斷，變速器選擇器被置於「駐車」等的自主駕駛操作，則過程400可以結束。如果過程400不應當繼續，則過程400在框435之後結束。否則，過程400前進到框405。圖17示出了用於基於自主置信因子ac實施車輛101的控制的過程500。過程500在框505開始，其中計算機105從多個源(例如，光學攝像機子系統、紅外攝像機子系統等)收集數據115。接下來，在框510中，計算機105基於數據115確定多個車輛101部件的部件置信因子。如上所述，計算機可以確定多個車輛101部件中的每一個的置信因子，指示該部件可以在自主模式下操作的置信度。接下來，在框515中，計算機將加權應用於部件置信因子。如已知的，加權可以由模糊邏輯處理器確定。加權允許計算機105考慮具有比其他車輛101部件的置信因子更大的權重的某些車輛101部件的置信因子。例如，當計算機105確定雷射雷達子系統中的置信度對於車輛101的自主操作比高度計子系統的置信度更重要時，雷射雷達子系統可以具有比高度計子系統更高的權重。接下來，在框520中，計算機105將部件自主置信因子求和為全局自主置信因子ac。接下來，在框525中，計算機105將全局自主置信因子ac與預定閾值進行比較。預定閾值可以基於車輛101在自主模式下操作車輛101子系統中的至少一個的置信度來選擇。計算機105可以將全局自主置信因子與若干預定閾值進行比較。接下來，在框530中，計算機105基於與預定閾值的比較來實施控制決策。例如，如果全局自主置信因子高於第一閾值，則計算機105可以在自主模式下操作所有車輛101子系統。在另一示例中，如果全局自主置信因子低於第一閾值但高於第二閾值，則計算機105可以自主地選擇性地操作某些車輛101子系統。接下來，在框535中，計算機105確定過程500是否應當繼續。例如，如果存在例如車輛101點火開關關斷，變速器選擇器被置於「駐車」等的自主駕駛操作，則過程500可結束。如果過程500不應繼續，則過程500在框535之後結束。否則，過程500前進到框505。圖18示出了用於基於危險因子pe實施車輛101的控制的過程600。過程600在框605中開始，其中計算機105從多個源(例如，車輛101子系統、周圍對象等)收集數據115。接下來，在框610中，計算機105識別具有與車輛101碰撞的可能性的對象。接下來，在框615中，計算機105確定對象的動態因子。如上所述，動態因子是對象將與車輛101碰撞的可能性。接下來，在框620中，計算機105基於動態因子和對象確定危險因子pe。例如，如上表5所示，多個對象中的每一個對於特定動態因子具有唯一的危險因子。計算機105可以使用如表5的查找表來確定危險因子pe。危險因子考慮了與對象碰撞的可能性和對象在碰撞時將導致的傷害；例如，即使在相同的動態因子下，用於灌木的危險因子可以低於護欄的危險因子。接下來，在框625中，計算機105將危險因子pe與閾值進行比較。閾值可以基於與對象碰撞的風險和對象在碰撞時將造成的損壞來確定是否以自主模式操作車輛101和/或特定車輛101子系統。接下來，在框630中，計算機105基於危險因子和閾值實施控制決策。計算機105可以使用諸如表6的查找表來確定是否自主地操作車輛101。例如，如果對象是騎自行車者，則危險因子0.5將指示車輛101的自主控制，而如果對象是另一車輛101，則指示車輛101的手動控制。接下來，在框635中，計算機105確定過程600是否應當繼續。例如，如果存在例如車輛101點火開關關斷，變速器選擇器被置於「駐車」等的自主駕駛操作，則過程600可以結束。如果過程600不應當繼續，則過程600在框635之後結束。否則，過程600前進到框605。結論如本文所使用的，副詞「基本上」是指形狀、結構、測量、數量、時間等可以偏離精確描述的幾何形狀、距離、測量、數量、時間等，其原因在於材料、機械加工、製造等的缺陷。諸如本文討論的那些計算設備通常各自包括可由一個或多個計算設備(諸如上面所確定的那些計算設備)執行的，並且用於執行上述處理的框或步驟的指令。例如，上面討論的過程框體現為計算機可執行指令。計算機可執行指令可以從使用各種程式語言和/或技術——包括但不限於單獨或組合的javatm、c、c++、程序設計基礎(visualbasic)、程序腳本(javascript)、腳本語言(perl)、超文本標記語言(html)等——創建的電腦程式編譯或解釋。一般來說，處理器(例如，微處理器)例如從存儲器、計算機可讀介質等接收指令，並執行這些指令，從而執行一個或多個過程，包括一個或多個本文所述的過程。這樣的指令和其他數據可以使用各種計算機可讀介質存儲和傳輸。計算設備中的文件通常是存儲在諸如存儲介質、隨機存取存儲器等的計算機可讀介質上的數據的集合。計算機可讀介質包括參與提供可以由計算機讀取的數據(例如，指令)的任何介質。這樣的介質可以採取許多形式，包括但不限於非易失性介質、易失性介質等。非易失性介質包括例如光碟或磁碟和其他持久性存儲器。易失性介質包括通常構成主存儲器的動態隨機存取存儲器(dram)。計算機可讀介質的常見形式包括例如軟盤、撓性盤、硬碟、磁帶、任何其它磁介質、光碟只讀存儲器(cdrom)、數字視盤(dvd)、任何其他光學介質、穿孔卡、紙帶、任何具有孔圖案的其他物理介質、隨機存取存儲器(ram)、可編程只讀存儲器(prom)、可擦除可編程只讀存儲器(eprom)、閃速電可擦除可編程只讀存儲器(flasheeprom)、任何其它存儲器晶片或盒、或計算機可以從其讀取的任何其它介質。在附圖中，相同的附圖標記表示相同的元件。此外，這些元件中的一些或全部可以改變。關於本文所述的介質、過程、系統、方法等，應當理解的是，儘管這些過程等的步驟已經被描述為根據某個有序序列發生，但是這樣的過程可以用所描述的步驟以不同於本文描述的順序的順序執行。還應當理解的是，某些步驟可以同時執行，可以添加其他步驟，或者可以省略本文描述的某些步驟。換句話說，本文中的過程的描述是為了說明某些實施例的目的而提供的，並且不應被解釋為限制所要求保護的發明。因此，應當理解的是，上述描述旨在是說明性的而不是限制性的。在閱讀上述描述之後，除了所提供的示例之外的許多實施例和應用對於本領域技術人員將是顯而易見的。本發明的範圍應當不是參考上面的描述來確定，而是應當參考所附權利要求以及這些權利要求所賦予的等同物的全部範圍來確定。預設和預期在本文中討論的技術中將會出現未來的發展，並且所公開的系統和方法將併入在這些未來的實施例中。總之，應當理解的是，本發明能夠進行修改和變化，並且僅由所附權利要求限制。權利要求中使用的所有術語旨在賦予其本領域技術人員所理解的普通含義，除非在此作出相反的明確指示。特別地，使用諸如「一」、「該」、「所述」等單數冠詞應被理解為列舉一個或多個所指示的元件，除非權利要求陳述了相反的明確限制。當前第1頁12