自动化车辆动作以及相关的系统和方法与流程

本公开涉及车辆中的自动化动作，并且更具体地涉及执行与车辆状况数据匹配的动作。

背景技术：

驾驶辅助技术的发展包括自适应巡航、自动停车、车道偏离警告、车道保持和疲劳驾驶提醒等功能。这些驾驶辅助功能旨在使驾驶更安全、更轻松。驾驶辅助功能可以从诸如包括光成像、检测和测距(lidar)在内的车辆传感器网络以及其他传感器来获取车辆状况数据，并且可以使用该数据来选择警告。

例如，车道偏离警告系统(ldws)在系统确定车辆偏移正常驾驶时向驾驶员提供预警。ldws可以由平视显示器(hud)、相机或其他传感器以及控制器组成。当启用ldws时，传感器(通常是位于车辆本体侧面的相机、或后视镜)和控制器连续收集数据并识别行驶车道。ldws还获得当前行驶车道内车辆的位置数据。控制器可以检测车辆何时偏移行驶车道。取决于车辆驾驶员和车辆的所确定的当前操作状态(例如，转向信号是否被使用)，控制器可以经由hud发出警报信号或警报。整个过程可以约每500毫秒连续重复。

在计算机化驾驶辅助技术之前，另一种驾驶警告系统在车道线上实施了抬高的、通常是反射性的车道标记物，从而分隔行驶车道或表示行驶车道的边缘。在车道标记物上行驶的车辆会引起振动，从而提醒驾驶员注意。

附图说明

图1是示出根据本技术的实施例的可以在其上操作一些实现方式的装置的概述的框图。

图2是示出根据本技术的实施例的可以在其中操作一些实现方式的环境的概述的框图。

图3是根据本技术的实施例配置的具有传感器网络和处理系统的部分代表性车辆的示意图。

图4是示出根据本技术的实施例的在一些实现方式中使用的过程的流程图，该一些实现方式用于从具有与车辆状况数据匹配的关键字的映射中自动进行车辆动作。

图5a是示出根据本技术的实施例的在一些实现方式中用于转换车辆状况数据并识别基于振动的车道偏离映射的过程的流程图。

图5b是示出根据本技术的实施例的在一些实现方式中用于转换车辆状况数据并识别紧急照明映射的过程的流程图。

图6a至图6c是示出根据本技术的实施例的在一些实现方式中使用的各种示例关键字-动作映射的示意图。

通过结合附图参考下面的详细说明，可以更好地理解此处介绍的技术，在附图中，相同的附图标记表示相同或功能相似的元件。

具体实施方式

本文提供了用于使车辆动作自动化的实施例，诸如基于车辆状况数据来提供车道偏离警告和/或紧急灯提醒。车辆状况数据可从车辆的一个或多个传感器(例如“车辆传感器网络”)收集，或从外部源收集，例如交通数据、天气数据、车行道映射、gps信号等。

车辆动作自动化系统可以包括将一个或多个关键字映射到一个或多个车辆动作的映射。当映射关键字与车辆状况数据匹配时，车辆动作自动化系统可使车辆执行该映射中的一个或多个动作。在一些实现方式中，映射“关键字”可以是基于规则的关键字，其针对状况类型定义一个或多个值或值范围，其中当来自对应状况类型的车辆状况数据的值等于该值或落在值范围内时，该关键字被匹配。在某些情况下这些关键字可以被定义为与运算符连接的多个状况的表达式。在一些实现方式中，映射“关键字”可以是基于模型的关键字，其包括一个或多个训练模型，该模型从车辆状况数据接收识别的值并产生对识别出的值是否与该关键字匹配的指示。在一些实现方式中，映射关键字既可以是基于规则的关键字和基于模型的关键字两者，包括规则和一个或多个模型。映射中的一个或多个动作可以包括，例如，激活警告系统，打开应急灯或其他信号系统，向其他车辆发出信号，自动控制车辆的部件(例如刹车器、加速度或转向等)。下面关于图4和图6a至图6c公开关于映射的附加信息。

在一些实现方式中，车辆动作自动化系统包括用于车道偏离动作的映射，诸如激活车道偏离的警告、使车辆减速或控制车辆的转向，以避免车道偏离。在一些实现方式中，这些车道偏离映射的关键字可以基于识别车辆在车道标记物上行驶引起的车辆中的振动模式。这些基于振动的映射可以包括具有振动模式的关键字，例如，定义振动频率和/或针对某些车辆位置(例如特定轮胎)检测到的振动频率。振动模式可以对应于已知对应于在车道轮廓上行驶的振动频率。在一些实现方式中，这些振动模式可以基于诸如车辆的配置或当前驾驶状况的因素。下面关于图5a公开了关于识别车道偏离动作的映射的附加信息。

在一些实现方式中，车辆动作自动化系统包括用于应急灯动作的映射，诸如提醒车辆驾驶员激活车辆的应急灯或自动启用车辆的应急灯。在各种实现方式中，这些应急灯映射的关键字可以包括以下车辆状况，其中：(1)道路上的车辆低于指定速度，没有处于交通，也没有处于停止信号；(2)车辆的一个或多个指定部件发生故障；或(3)车辆处于特定的天气状况。下面关于图5b公开了关于识别应急灯动作的映射的附加信息。

尽管现有的驾驶辅助功能可以在某些情况下警告驾驶员偏离车道，但是当车辆偏移行驶车道时，这些功能会发生故障，但是不会触发车道偏离警告。本文公开的技术方面可以通过使车道偏离警告更可靠来改善驾驶辅助功能的功能。特别地，单独或与基于视觉的ldws指标结合，使用具有关键字的映射作为使用振动模式进行车道偏离警告动作的机器学习模型或状况值可以提高警告的准确性和驾驶安全性。

现有的驾驶辅助功能也无法提供应急灯动作，例如建议何时激活应急灯或自动启用应急灯。本文公开的技术方面通过提供这些应急灯动作进一步改善了驾驶辅助功能的功能。特别地，使用用于应急灯动作的映射，其中映射具有使用诸如速度、车行道状况、天气状况、交通等因素的训练模型或状况值关键字，从而进一步提高警告准确性和驾驶安全性。

下面参考附图更详细地讨论几种实现方式。图1是示出可以在对其操作所公开技术的一些实现方式的装置的概述的框图。装置可以包括装置100的硬件部件，其使用关键字的映射(作为状况值或训练模型)来使车辆动作自动化，以实现新的(并改善现有的)辅助驾驶功能。装置100可以包括一个或多个输入装置120，其向处理器110(例如，(一个或多个)cpu、(一个或多个)gpu、(一个或多个)hpu等)提供输入，从而通知其动作。这些动作可以由硬件控制器来介导，该硬件控制器解译从输入装置接收的信号并使用通信协议将信息传达给处理器110。输入装置120包括例如鼠标、键盘、触摸屏、红外传感器、触摸板、可穿戴输入装置、基于相机或图像的输入装置、麦克风或其他用户输入装置。

处理器110可以在装置中包括单个处理单元或多个处理单元，或者分布在多个装置中。处理器110可以例如通过使用诸如pci总线或scsi总线之类的总线耦合到其他硬件装置。处理器110可以与用于装置(例如用于显示器130)的硬件控制器进行通信。显示器130可以用于显示文本和图形。在一些实现方式中，显示器130向用户提供图形和文本视觉反馈。在一些实现方式中，显示器130包括输入装置作为显示器的一部分，例如当输入装置是触摸屏或配备有眼睛方向监视系统时。在一些实现方式中，显示器与输入装置分开。合适的显示装置的示例是：lcd显示屏、led显示屏、投影、全息或增强现实显示器(例如，平视显示装置或头戴式装置)等。其他i/o装置140也可以耦合到处理器，例如网卡、视频卡、音频卡、usb、火线或其他外部装置、相机、打印机、扬声器、cd-rom驱动器、dvd驱动器、磁盘驱动器或蓝光装置。

在一些实现方式中，装置100还包括能够与网络节点无线或以有线方式进行通信的通信装置。通信装置可以使用例如tcp/ip协议通过网络与另一装置或服务器通信。装置100可以利用通信装置跨多个网络装置分配操作。

处理器110可以访问装置中的存储器150或跨多个装置分布。存储器包括用于易失性和非易失性存储的各种硬件装置中的一个或多个，并且可以包括只读和可写存储器。例如，存储器可以包括随机存取存储器(ram)、各种高速缓存、cpu寄存器、只读存储器(rom)和可写的非易失性存储器、例如闪速存储器、硬盘驱动器、软盘、cd、dvd、磁存储装置、磁带驱动器、装置缓冲器等。存储器不是与底层硬件分离的传播信号；因此，存储器是非暂时性的。存储器150可以包括存储程序和软件的程序存储器160，例如操作系统162、辅助驾驶系统164和其他应用程序166。存储器150还可以包括数据存储器170，其可以存储例如可以提供给程序存储器160或装置100的任何元件的车辆状况数据、已识别的状况、自动化映射、配置数据、设置、用户选项或偏好等。

一些实现方式可以与许多其他计算系统环境或配置一起操作。可适合与该技术一起使用的计算系统、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持式或膝上型装置、蜂窝电话、可穿戴电子装置、平板装置、多处理器系统、基于微处理器的系统、可编程消费电子装置、网络pc、小型计算机、大型计算机、包括上述任何系统或装置的分布式计算环境等。

图2是示出可以在其中操作所公开技术的一些实现方式的环境200的概述的框图。环境200可以包括一个或多个车辆，车辆包括计算装置205，其示例可以包括上述装置100。具有计算装置205的车辆可以使用通过网络230到一个或多个远程计算机(例如服务器计算装置)的逻辑连接，在联网环境中操作。

在一些实现方式中，服务器210可以是边缘服务器，其接收客户端请求并通过其他服务器220(例如，示出为服务器220a至220c的三个服务器)协调那些请求的实现。服务器计算装置210和220可以包括计算系统，例如上述装置100。尽管每个服务器计算装置210和220在逻辑上被显示为单个服务器，但是服务器计算装置可以各自是分布式计算环境，其包含位于相同或地理上不同的物理位置的多个计算装置。在一些实现方式中，每个服务器220对应于一组服务器。

服务器计算装置210和220可以各自充当其他服务器/客户端装置的服务器或客户端。服务器210可以连接到数据库215。服务器220a至220c可以各自连接到对应的数据库225a至225c。如上所述，每个服务器220可以对应于一组服务器，并且这些服务器中的每个可以共享数据库或者可以具有它们自已的数据库。数据库215和225可以储存(例如，存储)信息。尽管数据库215和225在逻辑上显示为单个单元，但是数据库215和225可以各自是(或可以包括)包含多个计算装置的分布式计算环境，可以位于其对应的服务器内，或者可以位于相同或地理上不同的物理位置。

网络230可以是局域网(lan)或广域网(wan)，或者可以是其他有线或无线网络。网络230可以是因特网或一些其他公共或专用网络。具有计算装置205的车辆可以通过诸如无线通信连接(例如，蜂窝网络或卫星连接)之类的网络接口连接至网络230。尽管服务器210和服务器220之间的连接被示为单独的连接，但是这些连接可以是任何合适种类的局域网、广域网、有线网络或无线网络，包括网络230或单独的公共网络或专用网络。

图3是示出具有传感器网络304至318和/或处理系统320的车辆302的示例300的局部示意图。在一些实现方式中，车辆302可以是具有计算装置205的车辆。在示例300中，车辆302的传感器网络包括振动传感器304，其中一个传感器在悬架上或以其他方式测量每个车辆轮胎处的振动。这种布置允许系统确定包括振动频率或位置之一或两者的振动模式。车辆302的传感器网络还可以包括用于车辆周围的各个区域的lidar传感器，例如后传感器306a和前传感器306b；相机，例如相机308；引擎和其他部件传感器310，其监视相关部件的功能状态；方向盘位置传感器312；天气传感器314；天线316，提供与外部计算系统的无线通信；以及速度/加速度传感器318。传感器304至318并未穷尽在各种实施方式中使用的车辆传感器网络中的传感器的类型、位置或功能。

图4是示出在一些实现方式中使用的过程400的流程图，该一些实现方式用于根据与车辆状况数据匹配的关键字的映射自动进行车辆动作。在一些实现方式中，过程400可以由具有传感器网络的车辆(例如，上述车辆205或302)的计算系统来执行。

在框402处，由车辆计算系统执行的过程400可以与车辆传感器网络接口连接以获得车辆状况数据。车辆传感器网络可以包括任何合适类型的数据收集装置，例如振动传感器、相机、激光发射器和反射检测器、天气传感器、速度传感器、加速度传感器、部件功能传感器、方向盘位置或轮胎方向传感器、指示其他车辆系统(例如，信号灯、雨刷、制动器、音响系统、环境控制器、导航系统等)的使用状态的传感器、用于网络连接的收发器等。来自车辆传感器网络的车辆状况数据可以包括振动读数、图像或视频、激光反射读数、天气数据(例如湿度读数、温度等)、速度或加速度数据、部件是否能够起作用的指示、部件起作用的水平的指示、轮胎或方向盘的角度、其他车辆系统的状态、通过网络访问的数据等。在一些实现方式中，车辆状况数据的一部分可以来自车辆传感器网络的先前记录的数据的日志。

在框404处，过程400可以将车辆状况数据转换为一个或多个识别的状况。在各种实现方式中，将车辆状况数据转换为一个或多个识别的状况可以包括以下项中的一个或多个：将车辆状况数据中的值与阈值进行比较，从车辆状况数据中提取值，对车辆状况数据进行各种分析，从车辆状况数据中的网络数据或其他外部源数据中识别状况等。使用阈值进行转换的过程可以包括将车辆状况数据的某些部分与相应的阈值进行比较，其中在满足阈值时识别状况。作为示例，当湿度读数高于相应阈值时可以设置“下雨”状况，和/或当亮度读数低于相应阈值时可以设置“夜间”状况。通过提取值进行转换的过程可以包括根据车辆状况数据记录值，例如当前速度、方向盘位置的角度或车辆部件是否正常运行。

包括分析车辆状况数据的方面的转换过程可以实现多种合适算法中的任何一种。例如，使用环境状况数据，例如图像(基于相机、红外或其他光的数据)、lidar读数、运动数据等，过程400可以执行物体识别以识别一个或多个物体，该一个或多个物体可以与轨迹和/或位置相关联，和/或可以自动映射到虚拟环境中。在一些实现方式中，代替识别特定物体，过程400可以仅识别物体在特定位置。例如，物体识别可以识别人员，其他车辆、车道边缘、车道标记物类型、停止信号、天气状况等。物体识别还可以包括确定这些物体相对于车辆在何处以及它们的预测运动(例如，它们是否停止、它们向哪个方向移动、它们以什么速度移动等)。在一些实现方式中，物体识别和后续处理可用于确定当前交通状况、车辆是否处于车行道上、车辆是否处于停止信号等。

车道标记物可以具有不同的“类型”，例如，各个车道标记物的形状、大小、材料和/或车道标记物之间的间距。在各种实现方式中，车道标记物可以是添加到车行道的塑性结节、在车行道的路面上形成的凹陷和/或对车行道的其他添加或修改。车道标记物的类型可以部分地确定由行驶在车道标记物上而产生的振动频率。在一些实现方式中，物体识别可以通过在图像中识别车道标记物的类型、间距和/或形状来确定车道标记物的类型，所述车道标记物诸如凸起的圆顶、柔性凸片、矩形棱柱、路面凹陷和/或其他类型。在一些实现方式中，车道标记物具有反射表面，并且过程400可以基于一个或多个车道标记物的反射率或反射图案来确定车道标记物的类型。在一些实现方式中，过程400可以访问一组已知的车道定界配置(例如，车道标记物)类型，并且可以选择与所确定的车道定界特征(例如，尺寸、形状、间距)最匹配的类型。

在一些实现方式中，将车辆状况数据转换为识别的状况可以包括识别车辆当前正经历的振动模式，其可以包括识别正在经历振动的车辆的振动频率和/或位置。下面关于框502和504描述用于确定振动模式的附加细节。

在一些实现方式中，将车辆状况数据转换为识别的状况可以包括从网络数据或来自另一外部源的数据中识别状况。例如，该外部源的数据可以由车辆天线例如经由小区网络或卫星信号来接收。过程400可以从该数据中确定状况，例如车辆周围区域的地图(其还可以识别车行道、停止信号位置、特定车行道的预定车道标记物类型等)、gps读数、车辆附近的天气数据、车辆所处车行道的交通数据等。

在框406处，过程400可以利用与在框406处所识别的状况相匹配的关键字数据来识别一个或多个映射。如上所述，“映射”将(a)一个或多个状况的关键字映射到(b)至少一个动作。可以基于与在框406处确定的一个或多个状况有关的映射关键字的评估来发生匹配。下面关于图6a至图6c提供了关于各种映射配置的附加细节。

在某些情况下，映射关键字可以为一种或多种状况类型指定值或值范围。当指定类型的状况与值或值范围匹配时，将匹配关键字。关键字可以是这样的值或值范围的表达式，并由运算符连接，例如等效于：“和”、“或”、“＜”、“＞”、“非”、“+”“-”、“/”、“*”等。例如，关键字可以是“not(nighttime)and(speed-10kph)/2＞15kphandin(deceleration，1.2m/s^2-2.2m/s^2)”(“非(夜间)和(速度-10kph)/2＞15kph和处于(减速，1.2m/s^2-2.2m/s^2)”)，这意味着当状况指示(1)不是夜间，(2)车辆的当前速度减去每小时10公里然后除以2大于每小时15公里，以及(3)车辆在1.2至2.2米每秒平方的范围内减速时，关键字被匹配。

在一些实现方式中，映射关键字包括训练模型，该训练模型从车辆状况数据接收识别的状况或其他值并产生关键字是否匹配的指示，即，对识别出的值是否与关键字匹配的指示。本文中所使用的“训练模型”或“模型”是指使用训练数据进行训练以对新数据项做出预测或提供概率的构造，无论新数据项是否包括在训练数据中。例如，训练数据可以包括具有各种参数和指定分类的项。新数据项可以具有模型可以用来为新数据项分配分类的参数。作为另一示例，模型可以是概率分布，其基于对大量先前识别的交通模式和减速度数据的分析，对训练数据进行分析(例如，在给定当前交通模式的情况下交通减速的可能性)得出。合适模型的示例包括：神经网络、支持向量机、决策树、决策树森林、parzen窗口、贝叶斯、聚类、强化学习、概率分布等。可以针对各种情况、数据类型、源和输出格式来配置模型。

在一些实现方式中，训练模型可以是具有多个输入节点的神经网络，这些输入节点接收车辆状况数据或识别的状况，例如作为个体值、稀疏向量、图像的直方图版本等。输入节点可以对应于各自接收输入并产生结果的功能。可以将这些结果提供给一个或多个级别的中间节点，每个中间节点基于较低级别的节点结果的组合而产生进一步的结果。在将结果传递到下一层节点之前，可以将加权因子应用于每个节点的输出。在最后一层(“输出层”)，一个或多个节点可以产生对输入进行分类的值，一旦对模型进行训练，就可以将其用作确定关键字是否已匹配的确定。例如，输出可以是0至1之间的值，与该频谱任一端的接近程度表示匹配确定的置信因子。

可以通过监督学习来训练神经网络，其中训练数据包括车辆状况数据或人在驾驶时的识别状况作为输入，而相应的人动作作为输出。在训练期间，由于将这些训练项应用于模型，因此可以将模型的输出与所需的输出进行比较(即，匹配是正确的输出，其中关键字所匹配的动作是由人采取的)。基于比较，可以修改神经网络，例如通过更改神经网络节点之间的权重或在神经网络中每个节点处使用的函数的参数来进行更改，以使得模型输出为关键字的“匹配”或“不匹配”结果提供更好的输出。尽管以上描述了神经网络的一种配置，但是除了上述特定配置之外或代替上述特定配置，可以使用其他配置。

在一些实现方式中，在模型最初被训练和部署之后，可以使用车辆状况数据和驾驶时人的动作之间的附加观察到的对应关系来更新模式的训练。在一些实现方式中，可以使用以下各项来创建附加的模型训练项：(1)人为发起的训练模型被映射到的动作；以及(2)与何时发生人为发起动作有关的车辆的至少一种状况的值。可以通过以下方式来更新模型训练：通过将至少一个状况的值提供给训练模型、并基于模型输出与人为发起的动作的比较来更新训练模型的一个或多个参数，应用每个附加模型训练项。

可以在框406处识别的一个潜在映射是(a)将特定振动模式的关键字(包括特定的振动频率和/或一个或多个特定振动位置)映射到(b)车道偏离警告动作。下文关于图5a更详细地讨论这种类型的映射。可在框406处识别出的第二潜在映射是将(a)车辆处于道路上、低于指定速度、未处于交通以及未处于停止信号的关键字映射到(b)应急灯动作，例如自动启用应急灯或向驾驶员提供通知启用应急灯。下文关于图5b更详细地讨论这种类型的映射。可在框406处识别的第三潜在映射是将(a)特定天气状况下的车辆的关键字映射到(b)应急灯动作。可在框406处识别的第四潜在映射是将(a)车辆的一个或多个指定部件中的故障状况的关键字映射到(b)应急灯动作。

在框408处，过程400可以使车辆采取在框406处识别的映射中指定的一个或多个动作。在各种实现方式中，动作可以包括自动启用、禁用或控制车辆系统，例如应急灯、前灯、雾灯、制动器、防抱死制动系统、转向、雨刷、音响系统控件、座椅位置配置、后视镜位置配置、自动驾驶模式(例如，运动模式、环保模式、恶劣天气模式等)。在一些实现方式中，动作可包括提供通知，诸如语音通知、警报、视觉通知或其任何组合中的一个或多个。在一些实现方式中，可以基于关键字匹配来修改动作。例如，关键字可以指定要匹配的多种方式或匹配级别、以及用于根据关键字匹配的方式或级别来控制相应的一个或多个动作的参数。作为更具体的示例，关键字可以指定用于紧急车辆的物体识别(例如，基于图像数据和/或警笛声)，并且还可以指定距离范围状况。当关键字匹配时(例如，在指定范围内的距离处识别了紧急车辆)，映射可以指定两个动作：第一，通过根据距紧急车辆的距离落在该范围内的量，自动减小车辆中音响系统的音量；以及第二，播放警报声。该警报向驾驶员表明，紧急车辆已接近驾驶员应查看的位置，同时根据确定的紧急车辆距离按比例自动减小声音系统的音量，使驾驶员可以在接近时较容易地识别车辆位置。

在一些实现方式中，当找到与映射到车道偏离警告动作的振动模式有关的关键字的匹配时，并且当车辆包括另一车道偏移警告系统(ldws)时，可以基于以下项的组合使车辆采取一个或多个动作：(a)一个或多个识别状况与特定振动模式的第一关键字之间的匹配、以及(b)通过ldws确定车道偏移。在一些实施方案中，部分地通过利用(i)可靠性因子和置信度分数中之一或两者加权(ii)针对ldws车道偏移检测产生的值以及针对一个或多个识别的状况与第一关键字之间的匹配产生的值中的一个或两者来执行组合。例如，使用训练模型，映射关键字可以指示车道偏移，并且训练模型输出可以表示55％的置信度分数。另外，ldws可以以85％的置信度分数指示车道偏移。这些分数可以用作加权因子，以确定车道偏移的总体结果，其中分数为(55％+85％)/2＝70％。当分数大于50％时，可以发出车道偏移，因此将采取警告措施。但是，在此示例中，映射系统的可靠性因子为90％，而ldws的可靠性因子仅为40％，这些值可以用作其他加权因子。因此，映射可以以分数(55％*90％)＝49.5％来指示车道偏移，并且ldws可以以分数(85％*40％)＝34％指示没有车道

偏移。然后，该组合是车道偏移结果，

其中分数为(49.5％+34％)/2＝41.75％。现在分数小于50％，因此不会采取警告动作。

图5a是示出在一些实现方式中用于转换车辆状况数据并识别基于振动的车道偏离映射的过程500的流程图。在一些实现方式中，过程500被执行为过程400的子过程，从而实现框404和406。

在框502处，过程500可以从车辆的车辆状况数据获得一个或多个振动信号。在一些实现方式中，这可以是在框402处获得的车辆状况数据。可以从车辆的一个或多个振动传感器获得振动信号。在一些实现方式中，可以从与车辆的每个轮胎相对应的振动接收振动信号。可以从振动信号中确定振动频率。在一些实现方式中，可以针对车辆或车辆行驶所经过的环境的详细信息来调节振动频率。例如，调整因子可以包括以下项中的一个或多个：车辆中使用的悬架的详细信息、悬架上的磨损量、车辆的重量、确定的道路状况、车辆的当前速度和/或车辆的加速度。在一些实现方式中，这些调整因子中的一个或多个可以接口连接收到的振动信号具有一个或多个预定影响，可以将其抵消以对信号进行归一化，从而抵消由于这些因素而引起的振动频率的差。过程500还可以包括执行附加调整，例如放大、应用滤波器和/或去除噪声本底。例如，过程5000可以包括滤除对于特定类型的地形(例如，砾石)或对于特定的天气状况(例如，雨)预期的振动。

在框504处，过程500可以基于振动信号来确定振动模式，如在框502中所修改的。振动模式可以包括至少一个振动频率，并且在一些实现方式中，可以包括一个或多个振动频率的位置。可以基于测量振动的传感器的位置来确定振动位置，例如，传感器附接至哪个(些)轮胎、哪个(些)冲击等。如果车辆有四个车轮，则振动频率的振动位置可以确定为以下项中的一个或多个：右前、左前、右后、左后、左、右、前、后或所有，这取决于哪个轮胎、一对轮胎或所有四个轮胎在该频率下经受振动。例如，如果仅将车辆左侧轮胎的振动的一个或两者的测量被识别为处于振动频率范围内，则可以将特定的振动频率范围内的测量振动的位置被确定为仅是车辆左侧。作为另一示例，过程500可以针对左前振动、左后振动或左侧振动做出单独的确定(如果车辆左侧上的轮胎的振动的两者的测量被确定为在振动频率范围内)。可以对车辆的右侧做出类似的确定。

在框506处，过程500可以从一组可用映射中选择具有与振动有关的关键字的下一映射。在框508处，过程500可以应用选择的映射来确定关键字是否与所识别的车辆状况匹配，识别的车辆状况包括在框504处确定的振动模式。如上所述，这可以包括：确定来自车辆状况数据的值是否与映射的关键字的值匹配，或使用具有训练模型的值。振动模式的方面可用于确定这些匹配或作为训练模型的输入。

在一些实现方式中，当车辆具有四个轮胎时，其中车辆的左侧有两个轮胎，车辆的右侧有两个轮胎，当振动模式中的振动位置被确定为仅在车辆的左侧或仅在车辆的右侧时，映射关键字可以指定存在匹配。

在一些实现方式中，映射可以基于取决于车辆是否大致笔直行进的不同的振动位置。“大致笔直”行进可以是方向盘位置在中心位置的阈值量之内例如+/-10度以内的情况。通过确定车辆一侧的两个轮胎正在经历指示在车道标记物上行驶的振动来判断车辆略微转向不同车道而同时大致笔直行进的第一情况来匹配该映射。通过确定仅车辆一侧上的前轮胎正在经历指示在车道标记物上行驶的振动的车辆正在转入不同的车道(即，并未大致笔直行进)的第二种情况下匹配该映射。更具体地，当方向盘方向指示车辆大致笔直行进时，如果正如通过车辆左侧上的轮胎的振动的两者测量在指定的振动频率范围内所指示，振动位置被确定为仅是车辆的左侧，则该关键字可以被匹配。另外，当方向盘方向指示车辆并未大致笔直行进时，如果正如通过仅前左轮胎振动测量值处于指定的振动频率范围所指示，振动位置被确定为仅是车辆的左侧，则此关键字可以被匹配。可以对车辆的右侧做出类似的确定。

在其中映射关键字包括与振动频率有关的状况的一些实现方式中，振动频率可以基于观察到的与车道标记物上行驶的车辆相对应的一个或多个振动频率。例如，振动测量值可以从在车道标记物上行驶的不同车辆配置的多次迭代中取得。可以例如使用回归分析来分析这些振动频率，以消除车辆之间的差异的影响，或者可以对这些振动频率进行分类，使得车辆特性可以被确定为在车道标记物上行驶时引起振动频率的特定变化。在一些实现方式中，还可以针对不同类型的车道标记物分别确定振动频率。

在框510处，如果在框508处应用的映射的关键字与所识别的车辆状况相匹配，则过程500继续至框512。如果不匹配，则过程500可以继续到框514。在框512处，可以将所选映射添加到一组匹配映射。可以例如在框408处通过过程400使车辆执行用于匹配映射集中的映射的动作。在框514处，过程500可以确定在使用振动模式的一组映射中是否还存在任何更多的映射。如果存在，则过程500返回框506以选择下一映射并确定其是否与车辆状况匹配。如果不存在，则过程500结束，例如，继续到框408。

图5b是示出在一些实现方式中用于转换车辆状况数据并识别基于振动的车道偏离映射的过程550的流程图。在一些实现方式中，过程550被执行为过程400的子过程，从而实现框404和406。

在框552处，过程550可以从车辆状况数据中识别车辆状况，包括车辆速度、车辆是否在交通中、车辆是否处于停止信号、车辆是否处于车行道上等。可以如以上关于框402和404所讨论的那样确定这些状况。可以在不同的实现方式中以不同的方式确定这些状况中的一个或多个。例如，可以基于识别车辆周围其他车辆的密度和速度的物体分析来确定交通状况，或者可以基于车辆的位置以及从车辆外部的源(例如，网络流量数据)获得的针对车辆位置的交通数据来确定交通状况。类似地，可以从测量车辆速度的车辆部件上的传感器，或者从确定的位置之间的差(例如，基于gps数据)除以确定的车辆位置之间的时间来确定车辆速度。作为另一示例，可以通过成像和物体识别或者基于与车行道地图相比的确定的车辆位置来确定车辆是否处于车行道上。作为最后的示例，与包括停止信号的识别的地图相比，可以基于成像和物体识别或者基于确定的车辆位置来确定车辆是否处于停止信号。

框554至560对应于应急灯动作的映射关键字中的状况。在以下的情况下该关键字被匹配：当车速低于阈值(例如，停止，已减速至低于15kph或其他合适的阈值)(如框554中所示)，车辆处于车行道上(如框556中所示)时，车辆的速度不是由于其当前正处于交通(如框558所示)，以及车辆的速度不是由于其当前正处于停止信号(如框560所示)。当速度阈值为“停止”(即0)时，可以将块554至556指定为映射关键字中的表示式，如下所示：“speed(0)androadway(tcue)andnot(intraffic)andnot(attrafficsigna])(速度(0)和车行道(真)和非(交通中)和非(在交通信号处))”。

如果车辆状况与映射关键字匹配，则过程550可以继续至框562，其发信号表示该映射是匹配的，从而导致车辆采取映射的一个或多个应急灯动作，例如自动启用应急灯或通知驾驶员以启用应急灯(例如，在框408处)。

在一些实现方式中，在框562处确定匹配之前，映射关键字可以包括一个或多个附加元素。例如，在一些实现方式中，进一步的状况可以包括：在车辆的阈值距离内存在一个或多个其他车辆、和/或在车辆的阈值距离内存在改变车道。

图6a至图6c是示出在一些实现方式中使用的动作映射600、630和660的各种代表性关键字的示意图。

示例600示出了具有关键字602和动作604的映射。关键字602定义了从已识别的车辆状况中获取值的明确的状况。可以例如使用运算符将这些状况安排为表达式。当表达式的计算结果为true(真)时，关键字是匹配的，从而导致执行动作604中的动作。

示例630示出了具有关键字632和动作634的映射。关键字632使用训练的神经网络模型，该模型接收已识别的车辆动作状况作为输入并提供指定状况是否与关键字匹配的输出。在一些实现方式中，关键字632可以包括多个训练模型(未示出)，其输出可以被组合以确定匹配。可以使用加权因子来组合模型输出，例如由模型产生的置信度和/或各个模型的预定可靠性的权重。表示匹配的模型或组合模型的输出使动作634中的动作被执行。

示例660示出了具有关键字662和动作664的映射。关键字662是混合关键字，包括状况和一个或多个训练模型。状况部分可以类似于示例600来确定匹配，并且一个或多个训练模型部分可以类似于示例630来确定匹配。然后，示例662中的关键字可以根据每个部分的确定来确定组合的匹配。该组合可以应用加权因子，例如每个部分的预定可靠性。加权因子也可以是每个部分的置信因子。训练过的模型部分的置信因子可以基于模型的输出对应于匹配或不匹配确定的接近程度。例如，每个模型都可以产生0至1的分数，并且小于0.5的分数表示不匹配，大于0.5的分数表示匹配，其中接近0会产生较高的“不匹配”置信因子而接近1会产生较高的“匹配”置信因子。虽然状况部分可以是二进制结果，但该部分的置信因子可以基于为基础识别状况确定的置信度。例如，基于物体识别的状况可以具有来自系统的置信度分数，该置信度分数指定特定物体已被系统正确识别的置信度。如果组合的匹配表示与关键字662的匹配，则这导致执行动作664中的动作。

以下是所公开技术的附加示例的非穷举列表。

1.一种用于使车辆动作自动化的方法，所述方法包括：

与车辆的车辆传感器网络接口连接以获得车辆状况数据；

将所述车辆状况数据转换为一个或多个识别的状况，其中，所述转换包括以下项中的一个或多个：

确定由所述车辆传感器网络中的一个或多个振动传感器检测到的振动模式，所述振动模式包括振动频率和一个或多个振动位置；或者

识别所述车辆在道路上、低于指定速度、以及未处于交通中或处于停止信号；以及

使所述车辆采取由一个或多个映射指定的一个或多个动作，其中，所述一个或多个映射中的每个特定映射是基于一个或多个识别的状况与来自特定映射的关键字之间的匹配来选择的，以及其中，所述每个特定映射将(a)所述特定映射的关键字映射到(b)所述特定映射的至少一个动作；

其中，所述一个或多个映射中的至少一个是：

第一映射，将(a)特定振动模式的第一关键字映射到(b)车道偏离警告动作，所述特定振动模式包括特定的振动频率和一个或多个特定振动位置；或者

第二映射，将(a)车辆处于道路上、低于指定速度、未处于交通中，以及未处于停止信号的第二关键字映射到(b)应急灯的动作。

2.根据示例1所述的方法，其中，所述一个或多个映射中的至少一个是：

第三映射，将(a)针对所述车辆处于特定天气状况下的第三关键字映射到(b)应急灯动作；或者

第四映射，将(a)所述车辆的一个或多个指定部件中的故障状况的第四关键字映射到(b)应急灯动作。

3.根据示例1所述的方法，其中，确定所述一个或多个振动位置是基于来自车辆传感器网络的车辆的每个轮胎的振动水平的测量。

4.根据示例1所述的方法，其中，识别的状况包括在来自所述传感器网络的所述车辆状况数据的一个或多个图像中描绘的一个或多个物体的识别。

5.根据示例1所述的方法，其中，所述车辆状况数据还包括从所述车辆的网络接口获得的包括天气数据或交通数据的数据。

6.根据示例1所述的方法，其中，所述特定的振动频率是观察到的与在车道标记物上行驶的车辆相对应的振动频率。

7.根据示例1所述的方法，

其中，将所述车辆状况数据转换为一个或多个识别的状况包括确定在所述车辆当前正在行进的道路上使用的车道标记物的类型；以及

其中，所述特定的振动频率是观察到的与在所述类型的车道标记物上行驶的车辆相对应的振动频率。

8.根据示例7所述的方法，其中，确定车道标记物的类型基于：

对由所述车辆传感器网络的一个或多个相机捕获的图像执行的物体识别；或者

多个车行道与车道标记物的类型之间的先前确定的对应关系，所述多个车行道包括所述车辆正在行驶的当前道路。

9.根据示例1所述的方法，其中，确定所述振动频率通过基于以下项中的一个或多个施加调整因子来执行：

所述车辆中使用的悬架的细节，

识别所述悬架的磨损量，

所述车辆的重量，

识别出的路况，

所述车辆的当前速度或加速度，或

其任意组合。

10.根据示例1所述的方法，

其中，所述一个或多个映射包括第所述一映射；

其中，所述车辆包括车道偏移警告系统(ldws)；以及

其中，使所述车辆采取一个或多个动作是基于以下的组合的：(a)一个或多个识别的状况与特定振动模式的第一关键字之间的匹配以及(b)由所述ldws确定的车道偏移。

11.根据示例10所述的方法，其中，部分地通过以下来执行组合：通过(ii)可靠性因子和置信度分数中的一个或两者对(i)针对ldws车道偏移检测产生的值以及针对一个或多个识别的状况与第一关键字之间的匹配产生的值中的一个或两者来进行加权。

12.一种存储指令的计算机可读存储介质，所述指令在由计算系统执行时使所述计算系统执行用于使车辆动作自动化的操作，所述操作包括：

与车辆的车辆传感器网络接口连接以获得车辆状况数据；

将所述车辆状况数据转换为一个或多个识别的状况，其中，所述转换包括以下项中的一个或多个：

确定由所述车辆传感器网络中的一个或多个振动传感器检测到的振动模式；

识别所述车辆在道路上、低于指定速度、以及未处于交通中或处于停止信号；

识别所述车辆环境的天气状况；或者

识别所述车辆的一个或多个部件的部件功能状态；以及

使所述车辆采取由一个或多个映射指定的一个或多个动作，其中，所述一个或多个映射中的每个特定映射是基于一个或多个识别的状况与来自特定映射的关键字之间的匹配来选择的，以及其中，所述每个特定映射将(a)所述特定映射的关键字映射到(b)所述特定映射的至少一个动作；

其中，所述一个或多个映射中的至少一个是：

第一映射，将(a)针对特定振动模式的第一关键字映射到(b)车道偏离警告动作；

第二映射，将(a)所述车辆在道路上、低于指定速度、未处于交通中、以及未处于停止信号的第二关键字映射到(b)应急灯的动作；

第三映射，将(a)针对所述车辆处于特定天气状况下的第三关键字映射到(b)应急灯动作；或者

第四映射，将(a)所述车辆的一个或多个指定部件中的故障状况的第四关键字映射到(b)应急灯动作。

13.根据示例12所述的计算机可读存储介质，

其中，一个或多个映射包括所述第二映射；

其中，所述指定速度为零；以及

其中，未处于交通中是基于所确定的车辆的位置和从所述车辆外部的网络源针对所述位置获得的交通数据来识别的。

14.根据示例12所述的计算机可读存储介质，

其中，所述一个或多个映射中的特定映射的至少一个关键字被指定为通过一个或多个运算符连接多个状况的表达式；

其中，每个状况指定一值或值范围；以及

其中，当应用识别的状况时的表达式评估为真时，所述至少一个关键字被匹配。

15.根据示例12所述的计算机可读存储介质，其中，针对所述特定映射中的至少一个的关键字定义状况类型的值或值范围，当从对应状况类型的车辆状况数据中识别出的值等于所述值或落入所述值范围内时，所述关键字被匹配。

16.根据示例12所述的计算机可读存储介质，其中，所述一个或多个动作包括以下中的一项或两项：

自动启用应急灯；以及

提供包括以下项中的一个或多个的通知：

语音通知，

警报，

视觉通知，或

其任意组合。

17.根据示例16所述的计算机可读存储介质，其中，所述车辆传感器网络包括以下项中的一个或多个：振动传感器、lidar传感器、雷达传感器、相机、部件功能传感器、压力传感器、接触传感器或其任意组合。

18.一种用于使车辆的车辆动作自动化的系统，所述系统包括：

车辆传感器网络，提供车辆状况数据；

一个或多个处理器；以及

存储指令的存储器，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行操作，所述操作包括：

将所述车辆状况数据转换为一个或多个识别的状况；以及

使所述车辆采取由一个或多个映射指定的一个或多个动作，其中，所述一个或多个映射中的每个特定映射是基于一个或多个识别的状况与来自特定映射的关键字之间的匹配来选择的，以及其中，每个特定映射将(a)所述特定映射的关键字映射到(b)所述特定映射的至少一个动作；

其中，所述一个或多个映射中的至少一个是将关键字映射到警告动作或自动车辆部件致动的映射。

19.根据示例18所述的系统，其中，所述一个或多个映射中的至少一个是将(a)所述至少一个映射的关键字映射到(b)应急灯动作的映射。

20.根据示例18所述的系统，其中，所述一个或多个映射中的至少一个是将(a)所述至少一个映射的关键字映射到(b)车道偏离警告动作的映射。

21.根据示例20所述的系统，

其中，所述至少一个映射的关键字指定特定的振动模式，以匹配所述车辆的识别的当前振动模式，其中所述特定的振动模式包括特定的振动频率范围和位置；

其中，确定所述车辆的振动模式的位置是基于从所述车辆传感器网络的对所述车辆的每个轮胎的振动水平的测量；

其中，所述车辆具有四个轮胎，其中两个轮胎在所述车辆的左侧，两个轮胎在所述车辆的右侧；

其中，仅在确定振动位置仅是所述车辆的左侧或仅是所述车辆的右侧的情况下，所述至少一个映射的关键字与所述识别的状况匹配；

其中，如果仅所述车辆的左侧上的轮胎的振动的一个或两者测量被识别为处于特定的振动频率范围中，则所述振动被确定为仅是所述车辆的左侧；以及

其中，如果仅所述车辆的右侧上的轮胎的振动的一个或两者测量被识别为处于指定的振动频率范围中，则所述振动被确定为仅是所述车辆的右侧。

22.根据示例21所述的系统，

其中，所述车辆状况数据还包括来自所述车辆传感器网络的方向盘方向；

其中，当所述方向盘方向指示所述车辆大致笔直行进时，

如果所述车辆的左侧上的轮胎的振动的两者测量都被识别为处于指定的振动频率范围中，则所述振动位置被确定为仅是所述车辆的左侧；以及

如果所述车辆的右侧上的轮胎的振动的两者测量都被识别为处于指定的振动频率范围中，则所述振动被确定为仅是所述车辆的右侧；以及

其中，当所述方向盘方向指示所述车辆未大致笔直行进时，

仅在行进方向向左并且仅所述车辆的左前轮胎的振动的测量被识别为在指定的振动频率范围中时，所述振动位置被确定为仅是车辆的左侧；以及

仅在所述行进方向向右并且仅所述车辆的右前轮胎的振动的测量被识别为在指定的振动频率范围中时，所述振动位置被确定为仅是所述车辆的右侧。

23.根据示例18所述的系统，其中，所述特定映射中的至少一个的关键字包括训练模型，所述训练模型从所述车辆状况数据中接收识别出的值并且产生对识别出的值是否与所述关键字匹配的指示。

24.根据示例23所述的系统，其中，所述操作还包括：通过应用一个或多个附加训练项来更新对所述训练模型的训练，每个训练项基于对以下内容的识别而创建：

在所述特定映射中人为发起所述训练模型所映射到的动作；以及

所述车辆的至少一种状况的值与何时发生人为发起动作有关；

其中，应用所述一个或多个附加训练项中的每一个包括将所述至少一个状况的值提供给所述训练模型，并且基于模式输出与人为发起动作的比较来更新所述训练模型的一个或多个参数。

25.一种存储指令的计算机可读存储介质，所述指令在由计算系统执行时使所述计算系统执行用于使车辆的应急灯系统自动化的操作，所述操作包括：

识别车辆状况包括以下项中的一个或多个：

识别车速，所述车辆是否在道路上行驶，所述车辆是否处于交通中，以及所述车辆是否处于停止信号；

识别所述车辆环境的天气状况；或者

识别所述车辆的一个或多个部件的部件功能状态；以及

基于确定以下项中的一个或多个，提供应急灯提醒或启用所述车辆的应急灯：

所述车辆在道路上、低于指定速度、未处于交通中以及没有处于停止信号；

所述车辆处于特定天气状况；或者

所述车辆的一个或多个指定部件处于故障功能状态。

26.根据示例25所述的计算机可读存储介质，其中，提供所述应急灯提醒或启用所述车辆的应急灯是基于确定所述车辆在路上，处于或低于指定速度，不在交通中，并且未处于停止信号。

27.根据示例26所述的计算机可读存储介质，其中，所述指定速度为零。

28.根据示例26所述的计算机可读存储介质，其中，未处于交通中是基于所确定的车辆的位置和从所述车辆外部的网络源针对所述位置获得的交通数据来确定的。

29.根据示例26所述的计算机可读存储介质，其中，未处于交通中或未处于停止信号是基于对由与所述车辆集成在一起的一个或多个相机捕获的图像的分析来确定的。

30.根据示例25所述的计算机可读存储介质，其中，提供所述应急灯提醒或启用所述车辆的应急灯是基于确定所述车辆处于特定天气状况中，所述特定天气状况包括至少指定水平的雾或至少指定水平的降水中的一个或两个。

31.根据权利要求25所述的计算机可读存储介质，其中，提供所述应急灯提醒或启用所述车辆的应急灯是基于确定所述车辆的一个或多个指定部件处于故障功能状态。

32.根据示例25所述的计算机可读存储介质，其中，提供所述应急灯提醒或启用所述车辆的应急灯包括：提供包括以下项中的一个或多个的通知：

语音通知，

警报，

视觉通知，或

其任意组合。

33.根据示例25所述的计算机可读存储介质，其中，提供所述应急灯提醒或启用所述车辆的应急灯包括：自动打开所述车辆的应急灯。

34.一种用于使车辆动作自动化的方法，所述方法包括：

识别车辆状况，包括以下项中的一个或多个：

识别车速、所述车辆是否在道路上行驶、所述车辆是否处于交通中、以及所述车辆是否处于停止信号；

识别车辆环境的天气状况；或者

识别所述车辆的一个或多个部件的部件功能状态；以及

基于确定以下项中的一个或多个，提供应急灯提醒或启用所述车辆的应急灯：

所述车辆在道路上、处于或低于指定速度、未处于交通中、以及未处于停止信号；

所述车辆处于特定天气状况；或者

所述车辆的一个或多个指定部件处于故障功能状态。

35.一种用于使车辆的车辆动作自动化的系统，所述系统包括：

车辆传感器网络，提供车辆状况数据；

一个或多个处理器；以及

存储指令的存储器，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行操作，所述操作包括：

基于所述车辆状况数据，识别包括以下项中的一个或多个的车辆状况：

识别车速、所述车辆是否在道路上行驶、所述车辆是否处于交通中、以及所述车辆是否处于停止信号；

识别所述车辆环境的天气状况；或者

识别所述车辆的一个或多个部件的部件功能状态；以及

基于确定以下项中的一个或多个，提供应急灯提醒或启用所述车辆的应急灯：

所述车辆在道路上、处于或低于指定速度、未处于交通中以及没有处于停止信号；

所述车辆处于特定天气状况；或者

所述车辆的一个或多个指定部件处于故障功能状态。

本领域技术人员将理解，在不脱离本技术的情况下，可以以各种方式改变上述附图中示出的部件和步骤或处理元件。例如，可以重新排列逻辑的次序，可以并行执行子步骤，可以省略图示的逻辑，可以包括其他逻辑等。在一些实现方式中，一个或多个所描述的部件可以执行一个或多个所描述的步骤。

在本说明书中对“实现方式”(例如，“某些实方式”、“各种实现方式”、“一个实现方式”、“实现方式”等)的引用表示结合该实现方式描述的特定特征、结构或特性被包括在本公开的至少一种实现方式中。在说明书中各处出现这些短语不一定都指代相同的实现方式，也不是与其他实现方式互斥的分离的或备选的实现方式。此外，描述了可以由一些实现方式而不是由其他实现方式展现的各种特征。类似地，描述了各种要求，这些要求可以是一些实施例的要求但不是其他实现方式的要求。

如本文所使用的，高于阈值意味着比较中的项的值高于指定的其他值，比较中的项是在具有最大值的指定的指定数量的项中，或者比较中的项具有指定的最高百分比值内的值。如本文所使用的，低于阈值意味着比较中的项的值低于指定的其他值，比较中的项是在具有最小值的指定的指定数量的项中，或者比较中的项具有指定的最低百分比值内的值。如本文所使用的，在阈值内意味着比较中的项的值在两个指定的其他值之间，比较中的项是在中间的指定数量的项中，或者比较中的项具有中间的指定的百分比范围内的值。当没有另外定义时，相对术语，例如高或不重要，可以理解为分配值并确定该值如何与既定阈值进行比较。例如，短语“选择快速连接”可以理解为表示选择具有与其阈值以上的连接速度相对应地分配值的连接。

如本文所使用的，词“或”是指一组项的任何可能的排列。例如，短语“a、b或c”是指a、b、c或其任何组合中的至少一个，例如以下中的任何一个：a；b；c；a和b；a和c；b和c；a、b和c；或诸如a和a等的任何项的倍数；b、b和c；a、a、b、c和c；等。

尽管已经以对结构特征和/或方法动作特定的语言描述了主题，但是应当理解的是，在所附权利要求中限定的主题不必受限于上面描述的特定特征或动作。为了说明的目的，本文已经描述了特定的实施例和实现方式，但是在不偏移实施例和实现方式的范围的情况下，可以进行各种修改。上面描述的特定特征和动作是作为实现以上权利要求的示例形式而公开的。因此，除了所附权利要求书外，实施例和实现方式不受限制。