基于位置的车辆操作的制作方法

本公开总体上涉及车辆导航系统。
背景技术：
：汽车工程师协会(sae)限定了多个级别的车辆自动化。在级别0至2处，人类驾驶员通常在没有车辆帮助的情况下监测或控制大部分驾驶任务。例如，在级别0(“无自主”)处，人类驾驶员负责所有车辆操作。在级别1(“驾驶员辅助”)处，车辆有时会辅助转向、加速或制动，但驾驶员仍然负责绝大多数的车辆控制。在级别2(“部分自动化”)处，车辆可在某些情况下在人的监督下控制转向、加速和制动，但不需要人的直接干预。在级别3至5处，车辆承担更多驾驶相关任务。在级别3(“有条件自动驾驶”)处，车辆可在某些情况下处置转向、加速和制动，以及监测驾驶环境。然而，级别3要求驾驶员偶尔地进行干预。在级别4(“高自动驾驶”)处，车辆可处置与级别3相同的任务，但并不依赖于驾驶员干预某些驾驶模式。在级别5(“完全自动化”)处，车辆可以处理几乎所有的任务而无需驾驶员进行任何干预。技术实现要素：一种方法，其包括：在标识的映射图区域中操作车辆；基于包括所述映射图区域和在所述映射图区域中检测到的一个或多个当前环境条件的输入，从第一分类器获得输出，指定所述映射图区域当前可用于感测以支持所述车辆的无输入操作的第一概率；然后，当且仅当所述第一概率指示所述映射图区域当前可用于感测以支持所述车辆的无输入操作时，基于包括所述映射图区域和所述一个或多个当前环境条件的输入，从第二分类器获得输出，指定所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域的第二概率；以及然后，当且仅当所述第二概率指示所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域时，在所述映射图区域中以无输入模式操作所述车辆。所述方法还可以包括向远程服务器提供一个或多个当前环境条件以用于更新第一分类器和第二分类器。所述方法还可以包括向远程服务器提供检测到的最小风险操纵事件以用于更新第一分类器和第二分类器。所述方法还可以包括在检测到最小风险操纵事件时结束无输入模式。第一分类器和第二分类器可以针对不同的环境条件包括不同的权重。除了一个或多个当前环境条件之外，第一分类器和第二分类器还可以接受车辆状态数据作为输入。除了一个或多个当前环境条件之外，第一分类器和第二分类器可以接受一种类型的传感器作为输入。第一分类器和第二分类器可以是来自训练后的神经网络的输出。一个或多个环境条件可以是一个且仅一个环境条件。一个或多个环境条件可以包括以下项中的至少一者：空气温度、风速、风向、环境光的量、存在或不存在降水、降水率、或者存在或不存在影响能见度的大气遮挡。一种计算机，其包括处理器和存储器，所述存储器存储能够由所述处理器执行的指令，使得所述计算机被编程为：在标识的映射图区域中操作车辆；基于包括所述映射图区域和在所述映射图区域中检测到的一个或多个当前环境条件的输入，从第一分类器获得输出，指定所述映射图区域当前可用于感测以支持所述车辆的无输入操作的第一概率；然后，当且仅当所述第一概率指示所述映射图区域当前可用于感测以支持所述车辆的无输入操作时，基于包括所述映射图区域和所述一个或多个当前环境条件的输入，从第二分类器获得输出，指定所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域的第二概率；以及然后，当且仅当所述第二概率指示所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域时，在所述映射图区域中以无输入模式操作所述车辆。所述指令还可以包括向远程服务器提供一个或多个当前环境条件以用于更新第一分类器和第二分类器的指令。所述指令还可以包括向远程服务器提供检测到的最小风险操纵事件以用于更新所述第一分类器和所述第二分类器的指令。所述指令还可以包括在检测到最小风险操纵事件时结束无输入模式的指令。第一分类器和第二分类器可以针对不同的环境条件包括不同的权重。除了一个或多个当前环境条件之外，第一分类器和第二分类器还可以接受车辆状态数据作为输入。除了一个或多个当前环境条件之外，第一分类器和第二分类器可以接受一种类型的传感器作为输入。第一分类器和第二分类器可以是来自训练后的神经网络的输出。一个或多个环境条件可以是一个且仅一个环境条件。一个或多个环境条件可以包括以下项中的至少一者：空气温度、风速、风向、环境光的量、存在或不存在降水、降水率、或者存在或不存在影响能见度的大气遮挡。附图说明图1是示出示例性车辆导航和控制系统的图解。图2示出了示例环境条件映射图。图3是示例深度神经网络的示图。图4是用于操作车辆的示例性过程的流程图。图5是用于训练分类器的示例性过程的流程图。具体实施方式图1是示例性车辆控制系统100的框图。系统100包括车辆105，所述车辆105为陆地车辆，诸如汽车、卡车等。车辆105包括车辆计算机110、车辆传感器115、用以致动各种车辆部件125的致动器120、以及车辆通信模块130。经由网络135，通信模块130允许车辆计算机110与中央服务器145和/或一个或多个第二车辆106通信。车辆计算机110包括处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储可由车辆计算机110执行以用于执行包括如本文所公开的各种操作的指令。车辆计算机110可以自主模式、半自主模式或非自主(手动)模式来操作车辆105。出于本公开的目的，自主模式被定义为其中车辆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。车辆计算机110可以包括编程以操作车辆105的制动、推进(例如，通过控制内燃发动机、电动马达、混合发动机等中的一者或多者来控制车辆的加速度)、转向、气候控制、内部灯和/或外部灯等中的一者或多者，以及确定和人类操作员相比车辆计算机110是否会控制并且何时控制此类操作。另外，车辆计算机110可被编程为确定人类驾驶员是否以及何时控制此类操作。车辆计算机110可包括一个以上处理器，或者例如经由如以下进一步描述的车辆105通信模块130而通信地耦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(例如动力传动系统控制器、制动控制器、转向控制器等)中。此外，车辆计算机110可经由车辆105通信模块130与使用全球定位系统(gps)的导航系统通信。作为一个示例，车辆计算机110可请求并接收车辆105的位置数据。位置数据可以是已知的形式，例如地理坐标(纬度坐标和经度坐标)。车辆计算机110总体上被布置用于依靠车辆105通信模块130并且还利用车辆105内部有线和/或无线网络(例如车辆105中的总线等，诸如控制器局域网(can)等)和/或其他有线和/或无线机制进行通信。计算机110可以包括编程为在一种或多种辅助模式下操作车辆105，辅助模式是车辆105的操作模式，其还可以被称为无输入模式，因为在此类模式下，计算机110控制转向、制动和加速或速率控制中的一者或多者，否则例如在默认的情况下可由人类驾驶员的输入进行控制。例如，对于其中车辆105的计算机110可以至少部分基于来自传感器115的数据控制车辆105的速度(例如，相对于加速器和制动器无输入的自适应巡航控制系统)和/或车辆105的转向(例如，免手动(hands-free)驾驶系统)的辅助模式，当前存在一定的技术并且可能开发出其他技术。经由车辆105通信网络，车辆计算机110可向车辆105中的各种装置传输消息和/或从所述各种装置接收消息，所述各种装置例如车辆传感器115、致动器120、车辆部件125、人机界面(hmi)等。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105通信网络可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，如以下所提及，各种控制器和/或车辆传感器115可向车辆计算机110提供数据。车辆传感器115可包括诸如已知的用于向车辆计算机110提供数据的各种装置。例如，车辆传感器115可包括设置在车辆105的顶部、车辆105前挡风玻璃后方、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115提供车辆105周围的对象和/或条件(包括道路155上的对象和/或条件)的相对位置、大小和形状。作为另一示例，固定到车辆105保险杠的一个或多个雷达传感器115可提供数据以提供对象(可能地包括第二车辆106)等相对于车辆105的位置的范围和速率。替代地或另外，车辆传感器115还可例如包括一个或多个相机传感器115(例如，前视、侧视等)，所述相机传感器提供来自车辆105的内部和/或外部的视野的图像。车辆105致动器120经由如已知那样可根据适当控制信号致动各种车辆子系统的电路、芯片、马达或者其他电子和或机械部件来实现。致动器120可用于控制部件125，包括车辆105的制动、加速和转向。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，其可包括方向盘、转向齿条等中的一者或多者)、制动部件(如以下所描述)、驻车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。另外，车辆计算机110可以被配置为经由车辆对车辆通信模块或接口130与车辆105外部的装置通信，例如，经由车辆对车辆(v2v)或车辆对基础设施(v2x)无线通信到另一个车辆、到路边基础设施节点和/或(通常经由网络135)远程服务器145。模块130可包括车辆计算机110可借以通信的一个或多个机制，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(或者当利用多个通信机制时的拓扑)。经由模块130提供的示例性通信包括提供数据通信服务的蜂窝、ieee802.11、专用短程通信(dsrc)和/或广域网(wan)，包括互联网。网络135包括一个或多个机制，通过所述一个或多个机制，车辆计算机110可以与基础设施节点、中央服务器145和/或第二车辆106通信。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(或当利用多种通信机制时的拓扑)。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，使用蓝牙、蓝牙低功耗(ble)、ieee802.11、车辆对车辆(v2v)诸如专用短程通信(dsrc)等)、局域网(lan)和/或广域网(wan)，包括互联网。服务器145可以是被编程为提供诸如本文所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，服务器145可经由网络135(例如互联网或某一其他广域网)进行访问。车辆计算机110可以基本上连续地、周期性地和/或在由服务器145指示时等接收并且分析来自传感器115的数据。此外，可在例如计算机110中基于激光雷达传感器115、相机传感器115等数据使用常规的对象分类或标识技术，以标识对象的类型，例如车辆、人、岩石、坑洞、自行车、摩托车等，以及对象的物理特征。可以使用诸如已知的各种技术来解译传感器115数据。例如，可将相机和/或激光雷达图像数据提供给分类器，所述分类器包括进行编程以利用一种或多种常规图像分类技术。例如，分类器可使用机器学习技术，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，分类器就可接受图像作为输入，然后针对图像中的一个或多个相应感兴趣区域中的每一个提供一个或多个对象的指示或相应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)可以被应用来指定从传感器115数据标识的对象的位置和/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，计算机110可以采用各种技术来融合(即，结合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。车辆105的计算机110可以使用来自传感器115的数据以确定计算机110是否可在没有原本会由车辆105的乘员提供的输入的情况下操作车辆105。例如，计算机110可以确定操作车辆105，而不需要乘员将手放在车辆105的方向盘上(或其他转向控制)。计算机110可以例如从基于路段的映射图作为输入的现有算法接收关于无输入操作的可用性的确定，并且使用最可能的路径在映射图上定位车辆105，以预览具有免手动驾驶可用性的下一个即将到来的路段。图2示出了示例环境条件映射图200。映射图200可以存储在车辆计算机110的存储器和/或服务器145的存储器中。例如，服务器145可以周期性地(例如，每小时)存储并更新环境条件映射图200。在本上下文中，“环境条件”是可以通过定量或数字测量来描述的周围环境的特征或属性，例如空气温度、风速和/或方向、环境光的量(例如，以流明计)、存在或不存在一种或多种类型的降水(例如，表示相应存在或不存在雨、雪、雨夹雪等的(一个或多个)二进制值)、降水率(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)、存在或不存在会影响能见度的大气遮挡，例如雾、烟、烟雾、能见度级别(例如，在0到1的范围内，0表示无能见度，1表示无遮挡能见度)等。在本上下文中，“映射图”是一组数据，其可以被称为映射图数据，其指定在相应位置(例如，纬度和经度地理坐标)处的物理特征(例如，道路、高速公路、桥梁、建筑物、湖泊、池塘、河流等)。计算机110、145可以存储常规上已知的映射图数据，例如用于在车辆105的导航系统等中使用。环境条件映射图200包括刚才描述的常规映射图数据，并且另外在映射图上的多个相应参考位置205中的每一个相应参考位置处指定一个或多个环境条件，即环境条件数据。例如，图2示出了具有多个点的映射图200(为了便于说明，其中仅一个点用附图标记205标记)，所述点中的每个都用作参考位置205。因此，环境条件映射图200可以包括指定多个环境条件的数据，指定的环境条件中的每个被指定为与参考位置205相关。也就是说，环境条件映射图200可以包括针对每个参考位置205指定的零个、一个或多个环境条件。每个参考位置205可以被限定为映射图200中包括的正方形或其他区域的质心。在图2的示例中，参考位置205彼此等距，并且因此在映射图200上限定了彼此大小相等的正方形区域。然后，为参考位置205指定的环境条件可以被认为是为映射图区域(例如正方形区域)指定的，对于所述映射图区域，参考位置205是质心。此外，对于每个参考位置205，映射图200可以包括由位置205限定的区域可用于或不可用于无输入操作的规范。例如，映射图200可以包括具有已知由于各种因素(例如，道路坡度、弯道的数量或程度、缺少车道标记、诸如隧道或桥梁的结构等)而不适于无输入操作的路段的区域。道路和/或路段(包括高速公路、道路、城市街道等)是可以被包括在映射图数据中的物理特征。在本上下文中，路段被限定为指定映射图区域内的路段或道路部分，例如，如刚刚描述的相对于参考位置205限定的映射图区域。计算机110可以被编程为实现两个概率分类器以评估路段。分类器可以包括如下所述的深度神经网络。第一分类器可以确定环境条件正在影响车辆105传感器115的操作的概率，例如，传感器115数据的完整性或清晰度(或其缺乏)是环境条件的结果而不是传感器115中的缺陷或故障(也就是说，换句话说，而不是传感器115由于某种原因不能正常工作)的概率。换句话说，第一分类器可以确定参考位置205的映射图区域中的道路是否可用于免手动驾驶，即，在给定环境条件和诸如车辆105状态的其他因素的情况下，传感器115数据是否可用于无输入驾驶。例如，假设传感器115提供指示包括降水在内的环境条件的数据，假设降水是雨，并且指定雨的量。还假设在这些环境条件下，预期传感器115不能确定道路车道标记。在所述示例中，第一概率分类器然后应提供包括这些环境条件的路段可用于无输入操作的相对低的概率。另一个方面，如果第一概率分类器提供包括一组环境条件(例如，没有降水、高级别的环境光)的路段可用于无输入操作的相对高的概率，则如果计算机110不能从传感器115数据标识车道标记，则计算机110可以确定车辆105中的一个或多个传感器115正在经历缺陷或故障。在等式1a中示出了第一分类器的简单版本。也就是说，在给定路段中的一组一个或多个环境条件env的情况下，第一分类器可以确定路段seg不可用于无输入操作的当前确定negcur的概率p，∑negprev_env是在给定一组环境条件env的情况下，路段可用于无输入操作的先前否定确定的数目(典型地，如所指示的总和)(即，路段不可用于无输入操作的先前确定的数目)，并且除以在给定一组环境条件env的情况下对其进行无输入操作的可用性确定的通过的路段的先前行程∑tripspr_env的总数。等式1a示出了第一分类器的简单版本，即不对一组环境条件env中的不同环境条件进行加权或区分而只是简单地确定指定的一组环境条件env存在的确定概率negcur的版本。在等式1b中示出了第一分类器的高级版本。等式1b，第一分类器的高级版本，考虑在通过路段的先前记录的行程期间存在的一个或多个具体环境条件。例如，第一环境条件可以是降水的类型和/或量，第二环境条件可以是风速和/或风向，第三环境条件可以是环境光的量或范围，第四环境条件可以是存在或不存在雾等。可以训练分类器以针对相应的环境条件开发权重。例如，可在其中处开发权重。第二分类器可以确定当前环境条件正在影响车辆计算机110是否可在无输入操作已经开始之后并且在无输入操作正在进行时在没有一个或多个乘员输入的情况下继续在映射图区域的路段中操作车辆105的概率。换句话说，第二分类器可以确定在当前时间在路段中最小风险操纵事件mrm的概率。最小风险操纵事件可由不充分或受损的传感器115数据(例如，降水、雾等)产生，可能会影响相机传感器115检测道路车道标记的能力。然而，即使当传感器115的数据基本上完整且可靠时，也可能发生最小风险操纵事件，例如，当湿滑的条件导致较差的道路牵引力时，当道路车道标记根本不存在时等。因此，即使第一分类器指示路段可用于无输入操作，也期望实现第二分类器以确定路段中最小风险操纵事件的概率。最小风险操纵事件在本公开中被限定为这种事件，其中车辆105计算机110在没有用户输入的情况下，基于传感器115数据改变一个或多个车辆部件120的控制源，和/或响应于标识的风险或危险控制一个或多个车辆部件120。例如，最小风险操纵可以是车辆105的乘员提供输入以超越计算机110的操作的事件，例如，通过将手放在方向盘上以控制转向(也称为“硬接管事件”)。例如，在级别3系统中的最小风险操纵(参考上面讨论的级别)可以是靠边停车和闪光灯，对于级别2系统，可以是将控制返回给车辆105的操作员等。在本上下文中训练分类器的示例可以包括标记被确定为具有各种类型的感测结果的示例场景，例如，在良好条件下感测到的良好条件、在恶劣条件下感测到的良好条件等，由此可以对结果进行聚类(可能使用主成分分析或局部线性嵌入来减少维度)以寻找整体图案。替代地，基于手动标记的规则可以用于确定一对感测结果和真实环境条件是否意味着传感器误差或者对于无输入驾驶来说确实不合适的条件。在等式2a中示出了第二分类器的简单版本。也就是说，在路段中的给定的一组一个或多个环境条件env的情况下，第二分类器可以确定当前时间的最小风险操纵事件mrm的概率(即，路段在当前时间适合于无输入操作的概率)。∑mrmpr_env是在给定一组环境条件env的情况下先前最小风险操纵事件hto的数量(典型地，如所指示的总和)，并且除以在给定一组环境条件env的情况下对其进行无输入操作的可用性确定的通过的路段的先前行程∑tripspr_env的总数。在等式2b中示出了第二分类器的高级版本。等式2b，第二分类器的高级版本，如同第一分类器的高级版本一样，考虑包括可能针对在通过路段的先前记录行程期间存在的一个或多个具体环境条件中的每个具体环境条件而提供不同的相应权重。第一分类器和第二分类器甚至可以比上面示出的更高级或更详细。例如，在分类器中可以包括存在或不存在具体类型的传感器115，即，一些传感器115可以比其他传感器在各种环境条件下更可靠和/或表现得更好或更差。例如，红外传感器115在夜间，即在较暗的环境光条件下，可能比依赖于可见光的相机传感器115表现得更好。此外，可在分类器中考虑车辆状态信息，例如，车辆速度、四轮驱动或全轮驱动而不是两轮驱动的可用性等。可以根据机器学习程序来开发概率分类器。图3是示例性深度神经网络(dnn)300的图示。例如，dnn300可以是可以被加载在存储器中并且由包括在计算机110、175中的处理器执行的软件程序。dnn300可以包括n个输入节点305，每个输入节点接受一组输入i(即，每组输入i可以包括一个或多个输入x)。dnn300可包括m个输出节点(其中m和n可以是但通常不是相同数目)，其提供多组输出o1...om。dnn300包括多个层，其中包括k个隐藏层，每个层包括一个或多个节点305。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。神经元框310示出了示例性人工神经元305i的输入和处理。将到每个神经元305的一组输入x1...xr各自乘以相应权重wi1...wir，接着在输入函数∑中对加权输入进行求和以提供可能地以偏差bi进行了调整的净输入ai，接着将所述净输入提供给激活函数f，所述激活函数继而提供神经元305i输出yi。应理解，在dnn300中使用的权重不同于上面讨论的可由dnn300产生的概率分类器中的权重。激活函数f可以是通常基于经验分析选择的各种合适的函数。如图3中的箭头所示，然后可以提供神经元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。dnn300可以被训练成接受传感器115数据作为输入，例如从一个或多个车辆105的can总线或其他网络收集的数据,并且输出各种环境条件的估计权重，例如，如上面讨论的分类器中示出的。dnn300可以用地面实况数据即关于现实世界条件或状态的数据训练。例如，可以通过使用高斯分布初始化权重w，并且可以将每个节点305的偏置b设置为零。训练dnn300可以包括经由传统技术诸如具有优化的反向传播更新权重和偏置。在一个示例中，节点305的示例性初始和最终(即，训练之后的)参数(在这种背景下的参数是权重w和偏置b)如下：参数初值终值w10.902-0149428w2-0.446-0.0102792w21.1520.00850074wr0.6490.00249599bi00.00241266表1节点305的一组权重w一起是节点305的权重矢量。可以组合dnn300的相同层中的相应节点305的权重矢量以形成所述层的权重矩阵。可以组合dnn300的相同层中的相应节点305的偏置值b以形成所述层的偏置矢量。然后，可以在训练的dnn300中使用每层的权重矩阵和每层的偏置矢量。在本上下文中，用于训练dnn300的地面实况数据通常包括各种环境条件和车辆状态(例如，速度)，对于参考位置205，下面的表2标识了对dnn300的可能输入：表2因此，可以通过获得指定诸如上述输入连同与输入的各种组合相关联的相应环境条件的数据来训练dnn300。例如，有可能标记具有各种类型的感测结果的环境条件的组合(在良好条件下感测到的良好条件，在不良条件下感测到的良好条件等)，并且将这些组合聚类在几个空间中(例如，用主成分分析或局部线性嵌入来减少维度)以标识整体图案。替代地，作为进一步的示例，基于手动标记的规则可以确定一对感测结果和真实的环境条件是否意味着传感器误差或者对于无输入驾驶来说确实不合适的条件。下面讨论的图5示出了用于训练dnn300以获得分类器(诸如本文所描述的第一分类器和第二分类器)的示例过程500。图400是用于操作车辆105的示例性过程400的流程图，包括相对于参考位置205映射图区域确定车辆105的操作模式。过程400可以使用如上所描述的映射图200。映射图200可以从远程服务器145基本上实时地访问，和/或可以下载并且存储在计算机110本地的存储器中。可在计算机110启动时根据计算机110中的指令(例如当车辆105通电时)和/或根据用户输入来发起过程400。作为过程400的非限制性总结，在进一步详细描述具体过程框之前，过程400可以包括：操作车辆105并且标识车辆105正在其中操作的映射图200区域(框405)；基于包括映射图区域和当前环境条件的输入，从第一分类器获得输出，指定映射图区域当前可用于感测以支持车辆的无输入操作的第一概率(框410)；然后，当且仅当所述第一概率指示所述映射图区域当前可用于感测以支持车辆的无输入操作时，基于包括映射图区域和当前环境条件的输入，从第二分类器获得输出，指定所述车辆将在没有最小风险操纵事件的情况下穿越映射图区域的第二概率(框415)；以及然后，当且仅当第二概率指示车辆将在没有最小风险操纵事件的情况下穿越映射图区域时，在映射图区域中以无输入模式(即，辅助模式)操作车辆(框420)。过程400还可以包括：当在无输入模式下操作时，检测到最小风险操纵事件已经发生(框425)；并且在检测到最小风险操纵事件时和/或在确定车辆105已经离开映射图200区域时(框430)，向诸如服务器435的云服务器提供关于映射图200区域的穿越的数据(框435)。过程400可以以框405开始，在框405中，车辆105计算机110标识车辆105当前正在其中操作的映射图区域。也就是说，计算机110可以从gps传感器115接收地理位置等(例如，地理坐标的纬度、经度对)。然后，在确定最靠近接收到的地理位置的参考位置205时，计算机110可以标识包括车辆105正在其上操作的路段的当前映射图区域。此外，尽管未在图4中示出，但是过程400可以包括计算机110检查映射图200中的当前参考位置205的数据，以确定当前映射图区域(即当前路段)是否包括在映射图区域中无输入操作是可能的规范。过程400可以暂停，直到到达下一个路段，或者可以并且如果确定当前路段包括在包括所述路段的映射图区域中不可能进行无输入操作的规范。接下来，在框410中，计算机110将参考位置205连同一个或多个环境条件以如上所描述的简单或高级版本输入到第一分类器，并且基于传感器115能够在给定当前环境条件的情况下可靠地感测车辆105周围的环境的第一分类器输出的概率，从第一分类器获得当前映射图区域中正在穿越的路段是否可用于无输入操作的确定作为输出。例如，被编程为使车辆105转向的计算机110通常将确定路径，通常以可转向路径多项式的形式，并且将确定可转向路径多项式中的置信度。如果置信度超过预定阈值，则计算机110还将典型地被编程为允许免手动操作；所述阈值还可以用于评估第一分类器的输出。如果确定是否定的，例如，第一分类器的输出低于置信度阈值，则过程400前进到框435。如果确定是肯定的，即，基于传感器115的可靠性概率，当前正在穿越的路段(即，车辆105的当前映射图区域)可用于无输入操作，例如，第一分类器的输出高于置信度阈值，则过程400前进到框415。在框415中，计算机110将参考位置205连同一个或多个环境条件以如上所描述的简单或高级版本输入到第二分类器，并且从第二分类器获得当前路段上(即，在车辆105的当前映射图区域中)的最小风险操纵事件(mrm)的概率作为输出。车辆105制造商可以建立阈值，在所述阈值处，最小风险操纵事件被认为是可能的，并且所述阈值可以低于一些方法的50％概率，例如5％、10％等。此外，可以基于当前映射图区域的当前条件下的可用数据的量来调整概率，例如，如果概率基于较少的数据(例如，车辆105的较少量的穿越)，则阈值可能较低。如果最小风险操纵事件是可能的，则过程400前进到框435；但是如果最小风险操纵事件是不可能的，则过程400前进到框420。在框420中，计算机110在辅助模式(即，无输入操作，诸如用户可能不提供转向输入的模式)下操作车辆105，例如，可以将手从车辆105的方向盘移开。在框420之后，在框425中，计算机110确定是否已经发生最小风险操纵。如果是，则过程400前进到框435。否则，在框430中，计算机110例如基于如上所描述的地理位置数据以确定车辆105是否已经离开当前路段，即，已经从第一映射图区域行进到第二映射图区域。如果是这样，则过程400前进到框435。否则，过程400在框420中继续。也就是说，当车辆105在辅助模式下操作时，计算机105可以顺序地、基本上并行地或者以不同的顺序或定时执行框425、430，以确定是否已经发生最小风险操纵事件和/或车辆105已经离开当前路段。在可以跟随框410、415、425、430中的任一个的框435中，计算机110向远程服务器145(有时被称为云服务器145，因为它通常经由广域网或云网络135来访问)提供当前或刚刚离开的路段(即映射图区域)的数据。提供给服务器145的路段的数据包括如上所描述的环境条件数据，即，当车辆105正在穿越路段时由传感器115检测到的数据，以及指定车辆105是否在路段中以辅助模式操作的数据，以及如果车辆确实在路段中以辅助模式操作时，在路段中是否存在最小风险操纵事件的数据。在框435之后，在框440中，计算机110确定过程400是否要继续。例如，车辆105可以断电或停止，可以接收用户输入以结束无输入操作等，于是过程400可以结束。替代地或另外，在框440的当前迭代之前的框435的迭代是从框410、415、425中的任一个到达的情况下，计算机110可在车辆105移动的同时暂停过程400，直到车辆105已经离开当前段，即，从在框410、415、425被执行的同时被穿越的路段移动到新的路段，即，从第一映射图区域移动到第二映射图区域。同样地，如上所描述的，当车辆105正在穿越在映射图200中被指定为不可用于无输入操作的路段时，过程400可以暂停。如果并且当过程400要继续而不是在框440之后结束时，则过程400返回到框405。图5是用于训练诸如dnn300的机器学习程序以获得诸如上文讨论的第一分类器和第二分类器的分类器的示例性过程500的流程图。可在诸如远程服务器145的计算机处执行过程500。在框505中，远程服务器145从一个或多个车辆105接收数据，例如，如上文关于过程400所描述的，当车辆105穿越路段时或之后，车辆105可以提供关于路段的数据，路段的数据包括环境条件数据和/或其他数据，诸如当日时间、关于车辆105的信息，诸如速度等，其中标签是关于当车辆105穿越路段时是否发生最小风险操纵的数据。远程服务器145可以从映射图200中的四个一个或多个区域的车辆105收集此类数据。在框510中，在框505中接收的数据可以用于训练上述第一分类器和/或第二分类器。典型地，数据用于训练用于指定映射图区域的分类器，即，由车辆105在其中获得数据的映射图区域。可以如上所描述的训练分类器。在框515中，可以提供分类器以供使用。例如，分类器可以被包括在映射图200的数据中，即，被指定用于相对于映射图200中的参考位置205限定的区域。在框515之后，过程500结束。如本文所使用的，词语“基本上”意味着，由于材料、加工、制造、数据传输、计算速度等中的缺陷，形状、结构、测量值、数量、时间等可能偏离精确描述的几何形状、距离、测量值、数量、时间等。应类似地理解词语“基本上”。通常，所描述的计算系统和/或装置可以采用许多计算机操作系统中的任一者，包括但决不限于以下版本和/或变型：ford应用、applink/smartdevicelink中间件、microsoft操作系统、microsoft操作系统、unix操作系统(例如，由加利福尼亚州红木海岸的甲骨文公司发布的操作系统)、由纽约州阿蒙克市的国际商业机器公司发布的aixunix操作系统、linux操作系统、由加利福尼亚州库比蒂诺的苹果公司发布的macosx和ios操作系统、由加拿大滑铁卢的黑莓有限公司发布的blackberryos、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软件系统公司提供的car信息娱乐平台。计算装置的示例包括但不限于：车载式车辆计算机、计算机工作站、服务器、台式计算机、笔记本计算机、膝上型计算机或手持式计算机或某一其他计算系统和/或装置。计算机和计算装置一般包括计算机可执行指令，其中所述指令可由一个或多个计算装置(诸如以上列出的那些)执行。计算机可执行指令可以由使用各种编程语言和/或技术创建的计算机程序编译或解译，所述编程语言和/或技术包括但不限于单独或组合的javatm、c、c++、matlab、simulink、stateflow、visualbasic、javascript、perl、html等。这些应用中的一些可以在虚拟机(诸如java虚拟机、dalvik虚拟机等)上编译和执行。一般来说，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，并且执行这些指令，由此执行一个或多个过程，包括本文所述的过程中的一者或多者。可以使用各种计算机可读介质来存储和传输此类指令和其他数据。计算装置中的文件一般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集合。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，包括构成耦合到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、软磁盘、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、纸带、任何其他具有孔图案的物理介质、ram、prom、eprom、flash-eeprom、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。数据库、数据存储库或本文所描述的其他数据存储装置可包括用于存储、访问和检索各种数据的各种机制，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、关系型数据库管理系统(rdbms)等。每个此类数据存储装置总体上包括在采用计算机操作系统(诸如以上所提及那些的一种)的计算装置内，并且经由网络以各种方式中的任一种或多种来访问。文件系统可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、编辑和执行存储过程的语言之外，rdbms通常还使用结构化查询语言(sql)，诸如上文提及的pl/sql语言。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、存储在与之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以用于执行本文所述的功能的此类指令。关于本文所述的介质、过程、系统、方法、启发等，应理解，尽管此类过程等的步骤已被描述为根据某一有序的顺序发生，但是可以通过以与本文所描述的次序不同的次序执行所述步骤来实践此类过程。还应理解，可同时执行某些步骤，可添加其他步骤，或可省略本文所述的某些步骤。换句话说，本文对过程的描述是出于说明某些实施例的目的而提供，而绝不应将其解释为对权利要求进行限制。因此，应理解，以上描述意图为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。不应参考以上描述来确定本发明的范围，而应改为参考所附权利要求连同此类权利要求有权得到的等效物的全部范围来确定本发明的范围。预期并期望本文所讨论的技术未来将有所发展，并且所公开的系统和方法将并入此类未来实施例中。总之，应理解，本发明能够进行修改和变化，并且仅受所附权利要求限制。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。具体地说，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“所述(the)”、“所述(said)”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。根据本发明，一种方法包括：在标识的映射图区域中操作车辆；基于包括所述映射图区域和在所述映射图区域中检测到的一个或多个当前环境条件的输入，从第一分类器获得输出，指定所述映射图区域当前可用于感测以支持所述车辆的无输入操作的第一概率；然后，当且仅当所述第一概率指示所述映射图区域当前可用于感测以支持所述车辆的无输入操作时，基于包括所述映射图区域和所述一个或多个当前环境条件的输入，从第二分类器获得输出，指定所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域的第二概率；以及然后，当且仅当所述第二概率指示所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域时，在所述映射图区域中以无输入模式操作所述车辆。根据实施例，上述发明的特征还在于向远程服务器提供一个或多个当前环境条件以用于更新第一分类器和第二分类器。根据实施例，上述发明的特征还在于向远程服务器提供检测到的最小风险操纵事件以用于更新第一分类器和第二分类器。根据实施例，上述发明的特征还在于，在检测到最小风险操纵事件时结束无输入模式。根据实施例，第一分类器和第二分类器针对不同的环境条件包括不同的权重。根据实施例，除了一个或多个当前环境条件之外，第一分类器和第二分类器还接受车辆状态数据作为输入。根据实施例，除了一个或多个当前环境条件之外，第一分类器和第二分类器还接受一种类型的传感器作为输入。根据实施例，第一分类器和第二分类器是来自训练后的神经网络的输出。根据实施例，所述一个或多个环境条件是一个且仅一个环境条件。根据实施例，一个或多个环境条件包括以下项中的至少一者：空气温度、风速、风向、环境光的量、存在或不存在降水、降水率、或者存在或不存在影响能见度的大气遮挡。根据本发明，提供一种计算机，其具有：处理器和存储器，所述存储器存储能够由所述处理器执行的指令，使得所述计算机被编程为：在标识的映射图区域中操作车辆；基于包括所述映射图区域和在所述映射图区域中检测到的一个或多个当前环境条件的输入，从第一分类器获得输出，指定所述映射图区域当前可用于感测以支持所述车辆的无输入操作的第一概率；然后，当且仅当所述第一概率指示所述映射图区域当前可用于感测以支持所述车辆的无输入操作时，基于包括所述映射图区域和所述一个或多个当前环境条件的输入，从第二分类器获得输出，指定所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域的第二概率；以及然后，当且仅当所述第二概率指示所述车辆将在没有最小风险操纵事件的情况下穿越所述映射图区域时，在所述映射图区域中以无输入模式操作所述车辆。根据实施例，上述发明的特征还在于向远程服务器提供一个或多个当前环境条件以用于更新第一分类器和第二分类器的指令。根据实施例，上述发明的特征还在于向远程服务器提供检测到的最小风险操纵事件以用于更新第一分类器和第二分类器的指令。根据实施例，上述发明的特征还在于在检测到最小风险操纵事件时结束无输入模式的指令。根据实施例，第一分类器和第二分类器针对不同的环境条件包括不同的权重。根据实施例，除了一个或多个当前环境条件之外，第一分类器和第二分类器还接受车辆状态数据作为输入。根据实施例，除了一个或多个当前环境条件之外，第一分类器和第二分类器还接受一种类型的传感器作为输入。根据实施例，第一分类器和第二分类器是来自训练后的神经网络的输出。根据实施例，所述一个或多个环境条件是一个且仅一个环境条件。根据实施例，一个或多个环境条件包括以下项中的至少一者：空气温度、风速、风向、环境光的量、存在或不存在降水、降水率、或者存在或不存在影响能见度的大气遮挡。当前第1页12