检测公路天气状况的方法和系统与流程

分案说明

本申请属于申请日为2013年9月19日的中国发明专利申请no.201380058663.2的分案申请。

相关申请交叉引用

本申请是2012年9月20日提交的美国专利申请no.13/623,397的继续申请，是2012年9月20日提交的美国专利申请no.13/623,422的继续申请，其全部公开内容在此援引加入进来。

背景技术：

自动车辆使用各种计算系统来帮助乘客从一个位置运送到另一位置。一些自动车辆可能需要来自诸如飞行员、驾驶员或乘客的操作者的初始输入或连续输入。其他自动系统，例如自动驾驶系统，可能只在系统已接合(engage)时使用，其允许操作员从手动模式(其中操作者对车辆的运动实施高度控制)切换为自动模式(其中车辆基本上自己驾驶)到位于其间的模式。

这样的车辆通常配备有各种类型的传感器以便检测周围物体。例如，自动车辆可以包括激光、声纳、雷达、相机以及扫描和记录来自车辆周围的数据的其他设备。来自一个或多个这些设备的传感器数据可以用于检测物体及其相应的特性(位置、形状、航向、速度等等)。这个检测和识别是自动车辆安全操作的关键功能。

技术实现要素：

本公开的一个方面提供一种方法。所述方法包括随着车辆沿着道路驾驶，接收为所述道路收集的激光数据，其中，所述激光数据包括多个激光数据点，所述多个激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定与所述道路内的位置相关联的所述多个激光数据点的平均亮度；将所述平均亮度和与干燥天气状况下所述道路的所述预期平均亮度相关联的阈值相比较；当所述平均亮度低于所述阈值时，识别所述道路为潮湿的指示；由处理器基于所述道路为潮湿的所述指示而估计所述道路的驾驶状况；以及由所述处理器使用所述估计为所述车辆做出驾驶决策。

在一个示例中，干燥天气状况下所述道路的预期平均亮度基于所述道路的表面的组成成分。在另一示例中，所述方法还包括：确定所述道路的亮度值的分布；将所确定的分布和用于干燥状况的预期分布相比较；当所确定的分布已相对于用于干燥状况的预期分布朝向亮度标度的较暗端迁移时，识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括检测所述多个激光数据点中不指示位于接近所述车辆的后部的特定结构的激光数据点的云；当检测到所述云时，识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：从所述多个激光数据点检测所述道路中的移动物体；检测所述多个激光数据点中不指示位于接近所述移动物体的特定结构的激光数据点的云；当检测到所述云时，识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：访问指示所述道路的预期海拔的所述道路的详细地图信息；从与接近所述道路的预期表面的位置数据相关联的所接收到的激光数据点中识别激光数据点的云；将所述云的所述激光数据点与所述预期道路表面之上的第一阈值和所述预期道路表面之下的第二阈值相比较；当所述云的所述激光数据点包括所述第一阈值之上的至少一个激光数据点和所述第二阈值之下的至少一个激光数据点时，识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：随着所述车辆沿着所述道路驾驶，接收从相机捕捉的图像；基于所述图像识别所述道路为潮湿的附加指示；以及其中，所述道路为潮湿的所述附加指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：从与所述车辆相关联的降水传感器接收降水数据；以及基于所述降水数据识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，估计所述驾驶状况包括使用贝叶斯估计。在另一示例中，所述方法还包括：访问指示所述道路的预期海拔的所述道路的详细地图信息；确定所述道路一部分的平均海拔；基于所述道路一部分的平均海拔是否是比预期海拔大至少第二阈值来识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：通过网络从服务器接收所述车辆的当前位置的天气信息；基于天气相关信息识别所述道路为潮湿的第二指示；以及其中，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。

本公开的另一方面提供一种系统。所述系统包括：存储器，所述存储器存储干燥天气状况下道路的预期平均亮度；以及处理器。所述处理器被配置为：随着车辆沿着所述道路驾驶，接收为道路收集的激光数据，其中，所述激光数据包括多个激光数据点，所述多个激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定与所述道路内的位置相关联的所述多个激光数据点的平均亮度；将所述平均亮度和与干燥天气状况下所述道路的预期平均亮度相关联的阈值相比较；当所述平均亮度低于所述阈值时，识别所述道路为潮湿的指示；基于所述道路为潮湿的指示而估计所述道路的驾驶状况；以及使用所述估计为所述车辆做出驾驶决策。

在一个示例中，干燥天气状况下所述道路的预期平均亮度基于所述道路的表面的组成成分。在另一示例中，所述处理器还被配置为确定所述道路的亮度值的分布；将所确定的分布和用于干燥状况的预期分布相比较；当所确定的分布已相对于用于干燥状况的预期分布朝向亮度标度的较暗端迁移时，识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：检测所述多个激光数据点中不指示位于接近所述车辆的后部的特定结构的激光数据点的云；当检测到云时，识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：从所述多个激光数据点检测所述道路中的移动物体；检测所述多个激光数据点中不指示位于接近所述移动物体的特定结构的激光数据点的云；当检测到所述云时，识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：访问指示所述道路的预期海拔的所述道路的详细地图信息；从与接近所述道路的预期表面的位置数据相关联的所接收到的激光数据点中识别激光数据点的云；将所述云的所述激光数据点与所述预期道路表面之上的第一阈值和所述预期道路表面之下的第二阈值相比较；当所述云的所述激光数据点包括所述第一阈值之上的至少一个激光数据点和所述第二阈值之下的至少一个激光数据点时，识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：随着所述车辆沿着所述道路驾驶，接收从相机捕捉的图像；基于所述图像识别所述道路为潮湿的附加指示；以及，所述道路为潮湿的所述附加指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：从与所述车辆相关联的降水传感器接收降水数据；基于所述降水数据识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，当估计所述驾驶状况时，所述处理器被配置为使用贝叶斯估计。在另一示例中，所述处理器还被配置为：访问指示所述道路的预期海拔的所述道路的详细地图信息；确定所述道路一部分的平均海拔；基于所述道路一部分的平均海拔是否是比预期海拔大至少第二阈值来识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：通过网络从服务器接收所述车辆的当前位置的天气信息；基于天气相关信息识别所述道路为潮湿的第二指示；以及，所述道路为潮湿的所述第二指示被所述处理器用来估计所述驾驶状况。

本公开的一个方面提供一种方法。所述方法包括随着车辆沿着道路驾驶，接收为所述道路收集的激光数据，其中，所述激光数据包括多个激光数据点，所述多个激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定与所述道路内的位置相关联的所述多个激光数据点的平均亮度；将所述平均亮度和与干燥天气状况下所述道路的预期平均亮度相关联的阈值相比较；当所述平均亮度高于所述阈值时，识别所述道路至少部分被雪覆盖的指示；由处理器基于所述道路至少部分被雪覆盖的指示而估计所述道路的驾驶状况；以及由所述处理器使用所述估计为所述车辆做出驾驶决策。

在一个示例中，所述方法还包括：确定所述道路的亮度值的分布；将所确定的分布和用于干燥状况的预期分布相比较；当所确定的分布已相对于用于干燥状况的预期分布朝向亮度标度的较亮端迁移时，识别所述道路至少部分被雪覆盖的第二指示；以及，所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，详细地图信息进一步包括超越道路的区域的预期平均亮度，并且所述方法还包括接收从超越道路的一个或多个区域收集的第二激光数据，其中，所述第二激光数据包括多个第二激光数据点，所述多个第二激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定第二多个激光数据点的平均亮度；当多个激光数据点的平均亮度是高于超越道路的区域的预期平均亮度的阈值时，识别下雪状况的指示；以及该下雪状况的指示被所述处理器用于估计驾驶状况。在另一示例中，所述方法还包括：随着所述车辆沿着所述道路驾驶，接收从相机捕捉的图像；基于所述图像识别下雪道路状况的指示；以及，该下雪道路状况的指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：从与所述车辆相关联的降水传感器接收降水数据；基于所述降水数据识别下雪道路状况的指示；以及，该下雪道路状况的指示被所述处理器用来估计所述驾驶状况。在另一示例中，估计所述驾驶状况包括使用贝叶斯估计。在另一示例中，访问所述道路的详细地图信息包括识别道路的预期海拔，并且所述方法还包括确定所述道路的平均海拔；当道路的平均海拔是大于预期海拔的至少阈值时，识别道路至少部分被雪覆盖的附加指示；以及，第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述方法还包括：通过网络从服务器接收所述车辆的位置的天气相关信息；基于天气相关信息来识别潮湿天气状况的指示；以及，基于所述天气相关信息的该潮湿道路状况的指示被用来估计所述驾驶状况。

本公开的另一方面提供一种包括处理器的系统。所述处理器被配置为：随着车辆沿着道路驾驶，接收为道路收集的激光数据，其中，所述激光数据包括多个激光数据点，所述多个激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定与所述道路内的位置相关联的所述多个激光数据点的平均亮度；将所述平均亮度和与干燥天气状况下所述道路的预期平均亮度相关联的阈值相比较；当所述平均亮度高于所述阈值时，识别所述道路至少部分被雪覆盖的指示；基于所述道路至少部分被雪覆盖的指示而估计所述道路的驾驶状况；以及使用所述估计为所述车辆做出驾驶决策。

在一个示例中，所述处理器还被配置为：确定所述道路的亮度值的分布；将所确定的分布和用于干燥状况的预期分布相比较；当所确定的分布已相对于用于干燥状况的预期分布朝向亮度标度的较亮端迁移时，识别所述道路至少部分被雪覆盖的第二指示；以及，所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，详细地图信息进一步包括超越道路的区域的预期平均亮度，并且所述处理器还被配置为接收从超越道路的一个或多个区域收集的第二激光数据，其中，所述第二激光数据包括多个第二激光数据点，所述多个第二激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定第二多个激光数据点的平均亮度；当多个激光数据点的平均亮度是高于超越道路的区域的预期平均亮度的阈值时，识别下雪状况的指示；以及该下雪状况的指示被所述处理器用于估计驾驶状况。在另一示例中，所述处理器还被配置为：随着所述车辆沿着所述道路驾驶，接收从相机捕捉的图像；基于所述图像来识别下雪道路状况的指示；以及，该下雪道路状况的指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：从与所述车辆相关联的降水传感器接收降水数据；基于所述降水数据来识别下雪道路状况的指示；以及，该下雪道路状况的指示被所述处理器用来估计所述驾驶状况。在另一示例中，当估计所述驾驶状况时，所述处理器还被配置为使用贝叶斯估计。在另一示例中，访问所述道路的详细地图信息包括识别道路的预期海拔，并且所述处理器还被配置为确定所述道路的平均海拔；当道路的平均海拔是大于预期海拔的至少阈值时，识别道路至少部分被雪覆盖的附加指示；以及，第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，所述处理器还被配置为：通过网络从服务器接收所述车辆的位置的天气相关信息；基于天气相关信息识别潮湿天气状况的指示；以及，基于所述天气相关信息的该潮湿道路状况的指示被用来估计所述驾驶状况。

本公开的进一步方面提供一种非瞬时、有形的计算机可读存储介质，其上存储程序的计算机可读指令。所述指令当被处理器执行时，使得处理器执行一种方法。所述方法包括：随着车辆沿着道路驾驶，接收为所述道路收集的激光数据，其中，所述激光数据包括多个激光数据点，所述多个激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定与所述道路内的位置相关联的所述多个激光数据点的平均亮度；将所述平均亮度和与干燥天气状况下所述道路的预期平均亮度相关联的阈值相比较；当所述平均亮度高于所述阈值时，识别所述道路至少部分被雪覆盖的指示；基于所述道路至少部分被雪覆盖的指示而估计所述道路的驾驶状况；以及使用所述估计来为所述车辆做出驾驶决策。

在一个示例中，所述方法还包括：确定所述道路的亮度值的分布；将所确定的分布和用于干燥状况的预期分布相比较；当所确定的分布已相对于用于干燥状况的预期分布朝向亮度标度的较亮端迁移时，识别所述道路至少部分被雪覆盖的第二指示；以及其中，所述第二指示被所述处理器用来估计所述驾驶状况。在另一示例中，详细地图信息进一步包括超越道路的区域的预期平均亮度，并且其中所述方法还包括接收从超越道路的一个或多个区域收集的第二激光数据，其中，所述第二激光数据包括多个第二激光数据点，所述多个第二激光数据点的每个数据点具有与之相关联的位置和亮度信息；确定第二多个激光数据点的平均亮度；当多个激光数据点的平均亮度是高于超越道路的区域的预期平均亮度的阈值时，识别下雪状况的指示；以及该下雪状况的指示被所述处理器用于估计驾驶状况。在另一示例中，访问所述道路的详细地图信息包括识别道路的预期海拔，并且所述方法还包括确定所述道路的平均海拔；当道路的平均海拔是大于预期海拔的至少阈值时，识别道路至少部分被雪覆盖的附加指示；以及，所述第二指示被所述处理器用来估计所述驾驶状况。

附图说明

图1是根据本公开的多个方面的系统的功能图。

图2是根据本公开的多个方面的自动车辆的内部。

图3a是根据本公开的多个方面的自动车辆的外部。

图3b是根据本公开的多个方面的系统的示意图。

图3c是根据本公开的多个方面的系统的功能图。

图4是根据本公开的多个方面的地图信息的图。

图5是根据实现的激光数据的图。

图6是根据实现的激光数据的另一图。

图7是根据实现的流程图。

图8是根据实现的道路的图。

图9a是根据实现的道路与数据的图。

图9b是根据实现的示例数据的图形。

图10是根据实现的另一流程图。

图11a和11b是车辆和数据点云的视图。

图12是根据实现的进一步的流程图。

图13是根据实现的激光数据的图。

图14是根据实现的流程图。

图15a是根据实现的道路的另一图。

图15b是根据实现的示例数据的图形。

图16是根据实现的另一流程图。

图17是根据实现的道路的进一步的图。

图18是根据实现的进一步的流程图。

图19是根据实现的进一步的流程图。

图20是根据实现的示例数据的图。

图21是根据实现的流程图。

图22是根据实现的另一流程图。

具体实施方式

在本公开的一个方面中，包括沿着道路收集的数据点的激光扫描数据可以由计算机接收。激光扫描数据可包括指示激光周围的物体的位置和亮度、道路特征等等的数据点，所述激光周围包括道路，并且在一些示例中还包括超越道路边界的世界。该信息可以用于识别一个或多个公路天气状况，如下详细所述。此外，从相机捕捉的图像可以由计算机接收。像激光数据，图像可以包括有关包括道路的相机的周围的信息。图像可以随后用于识别公路天气状况的指示。来自降水传感器的数据可以由计算机接收，并且可以用来识别公路天气状况的指示。天气相关信息可以由计算机通过网络从服务器接收。天气相关信息可以用来识别公路天气状况的指示。所识别的指示可以随后用来估计道路的驾驶状况。该估计可以用来做出驾驶决策，如下面更详细所述。

如图1中所示，根据本公开的一个方面的自动驾驶系统100包括具有各种组件的车辆101。尽管本公开的特定方面结合特定类型的车辆特别有用，但车辆可以是任何类型的车辆，包括但不限于，汽车、卡车、摩托车、公交车、船、飞机、直升飞机、剪草机、娱乐车辆、游乐场车辆、有轨电车、高尔夫球车、火车以及手推车。车辆可以具有一个或多个计算机，诸如计算机110，包含处理器120、存储器130和通常在通用计算机中存在的其他组件。

存储器130存储处理器120可访问的信息，包括指令132和数据134，其可以由处理器120执行或使用。存储器130可以是能够存储可由处理器访问的信息的任何类型的存储器，包括计算机可读介质，或者存储可借助电子设备读取的数据的其他介质，诸如硬盘驱动器、存储器卡、rom、ram、dvd或其他光盘，以及其他可写和只读存储器。系统和方法可包括前述的不同组合，由此指令和数据的不同部分存储在不同类型的媒介上。

指令132可以是由处理器直接执行(诸如机器代码)或间接执行(诸如脚本)的任何指令集合。例如，指令可以存储为计算机可读介质上的计算机代码。在此，术语“指令”和“程序”可以在此互换使用。指令可以以对象代码格式存储以由处理器直接处理，或者以任何其他计算机语言，包括按需要被解释或者预先编译的独立源代码模块的脚本或集合。指令的功能、方法和例程在下面更详细解释。

数据134可以由处理器120根据指令132检索、存储或修改。例如，尽管系统和方法不受任何特定数据结构限制，数据可以存储在计算机寄存器中、关系数据库中，作为具有多个不同字段和记录的表、xml文档或平面文件。数据还可以被格式化为任何计算机可读格式。进一步通过仅仅示例的方式，图像数据可以存储为位图以及用于绘制图形的计算机指令，所述位图由根据压缩或未压缩、无损(例如bmp)或有损(例如jpeg)、位图或基于矢量(例如svg)存储的像素的网格组成。数据可以包括足够识别相关信息的任何信息，所述相关信息诸如数目、描述性文本、专有代码、对存储在相同存储器或不同存储器(包括其他网络位置)的其他区域中的数据的参考或被用以计算相关数据的功能所使用的信息。

处理器120可以是任何常规处理器，诸如可商用的cpu。可替换地，处理器可以是专用设备，诸如asic。尽管图1功能性图示了处理器、存储器和计算机110的其他元件为在相同块中，应该理解，处理器和存储器可以实际上包括多个处理器和存储器，其可以存储或不存储在相同物理外壳内。例如，存储器可以是硬盘驱动器或其他存储媒介，其位于与计算机110不同的外壳中。因此，对处理器或计算机的引用将被理解为包括对可以并行操作或不并行操作的处理器或计算机或存储器的集合的引用。并不是使用单一处理器来执行这里所述的步骤，一些组件，诸如转向组件和减速组件，可以每个都具有其自己的处理器，其只执行与该组件的特定功能相关的计算。

在这里所述的各种方面中，处理器可以位于远离车辆并且与车辆无线通信。在其他方面，一些这里所述的处理是在置于车辆内的处理器上执行的，而其他是由远程处理器执行的，包括执行单一操纵所必需采取的步骤。

计算机110可以包括通常结合计算机使用的所有组件，诸如中央处理单元(cpu)、存储数据134和指令的诸如web浏览器的存储器(例如，ram和内部硬盘驱动器)、电子显示器142(例如，具有屏幕的监视器、小lcd触摸屏或可操作用于显示信息的任何其他电气设备)、用户输入140(例如，鼠标、键盘、触摸屏和/或麦克风)、以及用于收集有关个人的状态和需要的显式(例如，手势)或隐式(例如，“人在睡觉”)信息的各种传感器(例如视频摄像机)。

在一个示例中，计算机110可以是并入到车辆101中的自动驾驶计算系统。图2描绘了自动车辆内部的示例性设计。自动车辆可以包括非自动车辆的所有特征，例如：转向装置，诸如方向盘210；导航显示装置，诸如导航显示器215；以及挡位选择器装置，诸如换挡杆220。车辆还可以具有各种用户输入设备，诸如换挡杆220、触摸屏217或按钮输入219，用于激活或去激活一个或多个自动驾驶模式以及用于使得驾驶员或乘客290提供诸如导航目的地的信息给自动驾驶计算机110。

车辆101还可以包括一个或多个附加显示器。例如，车辆可以包括显示器225用于显示关于自动车辆或其计算机的状态的信息。在另一示例中，车辆可包括状态指示装置，诸如状态栏230，来指示车辆101的当前状态。在图2的示例中，状态栏230显示“d”和“2mph”，指示车辆现在处于驾驶模式且以每小时2英里的速度移动。这里，车辆可以在电子显示器上显示文本，照亮车辆101的一些部分，诸如方向盘210，或者提供各种其他类型的指示。

自动驾驶计算系统可能能够与车辆的各种组件通信。例如，转到图1，计算机110可以与车辆的常规中央处理器160通信并且可以从车辆101的各种系统，例如刹车180、加速182、信号184和导航186系统，发送和接收信息，以便控制车辆101的移动、速度等等。此外，当接合时，计算机110可以控制车辆101的这些功能中的一些或全部并且因此完全或仅仅部分自动。将理解，尽管各种系统和计算机110示出在车辆101内，但这些元件可能在车辆101外部或物理上分隔较大距离。

车辆还可包括与计算机110通信的地理位置组件144，用于确定设备的地理位置。例如，位置组件可包括gps接收机以确定设备的经度、纬度和/或高度位置。还可以使用其他位置系统，诸如基于激光的定位系统、惯性辅助gps或基于摄像机的定位，来识别车辆的位置。车辆的位置可包括绝对地理位置，诸如经度、纬度和高度，以及相对位置信息，诸如相对于就在其周围的其他汽车的位置，通常可以以比绝对地理位置更小的噪声来确定。

车辆还可包括与计算机110通信的其他特征，诸如加速计、陀螺仪或另一方向/速度检测设备146以确定车辆的方向和速度或者其变化。仅仅举例来说，设备146可以确定其相对于重力方向或与之垂直平面的俯仰、偏转或滚转(或其变化)。设备还可追踪速度的增加或降低以及该变化的方向。这里所阐述的设备的位置和定向数据的提供可以自动提供给用户、计算机110、其他计算机和前述的组合。

计算机可以通过控制各种组件来控制车辆的方向和速度。举例来说，如果车辆以完全自动模式操作，则计算机110可以使得车辆加速(例如，通过增加燃料或提供给发动机的其他能量)、减速(例如，通过减少供应给发动机的燃料以及实施刹车)及改变方向(例如，通过转动前两个车轮)。

车辆还可以包括用于检测车辆外部的物体和状况，诸如其他车辆、道路中障碍物、交通信号、标志、树木等等的组件148。检测系统可以包括激光器、声纳、雷达、相机、降水传感器、或记录可由计算机110处理的数据的任何其他检测设备。例如，如果车辆是小型乘客车辆，汽车可以包括安装在车顶或其他方便位置的激光器。如图3a中所示，车辆101可以包括小型乘客车辆。在此示例中，车辆101传感器可以包括激光器310和311，分别安装在车辆的前部和顶部。激光器可以包括可商用激光器，诸如velodynehdl-64或其他型号。激光器可以包括一个以上的激光束；例如，velodynehdl-64激光器可以包括64束。在一个示例中，激光器310的束可以具有150米的范围、三十度垂直视场和三十度水平视场。激光器311的束可以具有50-80米的范围、三十度垂直视场和360度水平视场。激光器可以向车辆提供范围和亮度信息，计算机可以使用上述信息来识别车辆周围的各种物体的位置和距离。在一个方面中，激光器可以通过在其轴上旋转并变化其俯仰而测量车辆和面向车辆的物体表面之间的距离。

如上所述，车辆还可包括一个或多个相机。相机可以安装在预定距离处使得来自2个或更多相机的图像的视差可用于计算出到各种物体的距离。如图3a中所示，车辆300可以包括2个相机320-321，其安装在挡风玻璃330之下靠近后视镜(未示出)。在一个示例中，相机320可以包括200米的范围和30度水平视场，而相机321可以包括100米范围和60度水平视场。

车辆还可以包括一个或多个降水传感器。在一个示例中，如同典型车辆，降水传感器340可以安装在挡风玻璃330下或并入到挡风玻璃330中。降水传感器还可安装在各种其他位置，诸如在或接近前灯的位置等等。在一个示例中，降水传感器可以包括一组一个或多个红外发光二极管(led)和光电探测器，诸如光电二极管。led所发射的光可以由挡风玻璃反射回光电二极管。光电二极管接收到的光越少，车辆之外的降水越多。反射光的量或降水的检测量的某些其他指标可以传递到计算机110。

上述的传感器可以允许车辆了解并潜在响应其于环境以便最大化乘客以及环境中物体或人的安全。应该理解，车辆类型、传感器的数目和类型、传感器位置、传感器视场和传感器的传感器场仅仅是示例性的。也可以利用各种其他配置。

除了上述的传感器以外，计算机还可使用来自典型的非自动车辆的传感器的输入。例如，这些传感器可以包括胎压传感器、发动机温度传感器、刹车热量传感器、刹车垫状态传感器、轮胎胎面传感器、燃料传感器、油位和质量传感器、空气质量传感器(用于检测空气中的温度、湿度或微粒)等等。

许多这些传感器提供由计算机实时处理的数据，也就是，传感器可以连续更新其输出以反映在时间范围处或内所感测到的环境，并且连续或按需提供该经更新的输出给计算机，使得计算机可以确定车辆的当前方向或速度是否应该响应于所感测的环境而修改。

除了各种传感器所提供的处理数据之外，计算机可以依赖于在之前时间点获得的环境数据并且预期留存而不管车辆存在于该环境中。例如，转到图1，数据134可以包括详细地图信息136，例如识别道路的形状和海拔、十字路口、人行横道、限速、交通信号、建筑物、标志、实时交通信息、或其他这样的物体和信息的高度详细地图。在一些示例中，详细地图信息可以包括描述预期亮度的数据或激光亮度数据值，用于不同段道路。

详细地图信息136还可以包括车道标记信息，其识别车道标记的位置、海拔和形状。车道标记可以包括诸如实线或双虚线或单车道线、实线或虚车道线、反射镜等等的特征。给定车道可以与左车道线和右车道线或限定车道边界的其他车道标记相关联。因此，大多数车道可以由一个车道线的左边缘和另一车道线的右边缘来定界。

图4描绘了详细地图400，其包括道路的相同示例部分(以及激光器范围之外的信息)。道路部分的详细地图包括诸如实车道线410、虚车道线420、440和双实车道线430的信息。这些车道线限定车道450和460。每个车道与指示车辆应该通常在相应的车道中行进的方向的路轨455、465相关联。例如，当沿着车道460驾驶时车辆可以跟从路轨465。在这个示例中，车道450由右车道线410和左车道线420来定界，并且车道460由右车道线420和左车道线430来定界。车道450的边缘是边缘470、472，而车道460的边缘是边缘474、476。

此外，尽管详细地图信息在此被描绘为基于图像的地图，但地图信息不需要完全是基于图像的(例如，光栅)。例如，详细地图信息可以包括一个或多个道路图形或诸如公路、车道、十字路口和这些特征之间的连接的信息的图形网络。每个特征可以存储为图形数据并且可以与诸如地理位置以及其是否链接到其他相关特征的信息相关联，例如停止标志可能链接到路面和十字路口等等。在一些示例中，相关联的数据可以包括基于网格的道路图形的索引以允许对特定道路图形特征的有效查找。

计算机110还可从其他计算机接收信息或传送信息到其他计算机。例如，计算机110所存储的地图信息可以从其他计算机接收或传送，和/或，从车辆101的传感器收集的传感器数据可以传送到另一计算机以如这里所述地进行处理。如图3b和3c中所示，来自计算机110的数据可以经由网络传送到计算机320以进一步处理。网络，以及中间节点，可以包括各种配置和协议，包括因特网、万维网、内联网、虚拟专用网络、广域网、局域网、使用专属于一个或多个公司的通信协议的专用网络、以太网、wifi和http、和以上的各种组合。这样的通信可以由能够发射数据到和来自其他计算机的任何设备促进，所述其他计算机诸如调制解调器和无线接口。在另一示例中，数据可以通过将其存储在可以由计算机110和320访问或连接到计算机110和320的存储器上而传送。

在一个示例中，计算机320可以包括具有多个计算机的服务器，例如负载平衡服务器群，其与网络的不同节点交换信息以便接收、处理和传送来自计算机110的数据。服务器可以类似于计算机110配置，具有处理器330、存储器350、指令360和数据370。

在一个示例中，服务器320的数据370可以包括提供天气相关信息。例如，服务器320可以接收、监视、存储、更新和发射各种关于天气的信息。该信息可以包括例如以报告、雷达信息、预报形式的降水、云和/或温度信息等等。

除了上述和图中图示的操作以外，现在将描述各种操作。应该理解，下面的操作不必以下述精确顺序执行。而是，各种步骤可以以不同顺序或同时处理，且步骤还可以增添或省略。

包括一个或多个传感器的车辆可以沿着道路驾驶。例如，传感器可以包括激光器。激光器可以是外接传感器，其附接到典型车辆上或自动驾驶系统的一部分上，诸如车辆101。图5描绘了对应于图4的详细地图信息的道路500的部分上的车辆101。在这个示例中，道路包括实车道线510、虚车道线520和540、双车道线530和车道550和560。

随着车辆的激光器继续移动，车辆可以收集数据点，其包括来自若干方向和/或不同时间的相同位置(点或区域)的范围和亮度信息。例如，每个数据点可以包括表示激光器从中接收光的物体的反射率的亮度值以及位置信息。例如，诸如车道标记的高反射性表面将与比诸如柏油路、水泥或其他道路表面的较小反射性表面更大的亮度值相关联。类似地，吸收更多光的较暗的物体(黑、海军蓝、棕等等)将与比将反射更多光的更浅的彩色物体(白、奶油、银等等)低得多的亮度值相关联。此时，当物体是湿的时，其可能实际上变得更暗并且因此不会增加物体的亮度值，水分可能降低亮度值。

在一些示例中，亮度值可以被度量，例如从0到250，其中0是非常暗而250是非常亮。因此，更具反射性、更亮的表面可能与接近250的亮度值相关联，而更不具反射性、更暗的表面可能与接近0的亮度值相关联。

例如，激光扫描数据可以由计算机110(或计算机320)接收和处理以生成地理位置坐标。这些地理位置坐标可以包括gps经度和纬度坐标(x,y)，以及海拔分量(z)，或者可以与其他坐标系相关联。这个处理的结果是一组数据点。这个组中的每个数据点可以包括表示激光器从中接收光的物体的反射率的亮度值以及位置信息：(x,y,z)。

图6描绘了接近十字路口的车辆101的示例性图像600。图像是从由车辆的激光器对车辆的周围的单360度扫描而收集的激光扫描数据中生成的，例如使用收集激光器的所有束的数据点。白线表示激光器如何“看见”其周围。当多个束的数据点一起考虑时，数据点可以指示车辆的周围中其他项的形状和三维(3d)位置(x,y,z)。例如，激光扫描数据可以指示诸如人610、车辆620和路边630的各种物体的轮廓、形状和距车辆101的距离。

除了识别车辆周围的物体和道路特征之外，计算机110还可以检测天气状况的指示，其可能影响计算机110安全控制车辆101的能力(“公路天气状况”)。这些公路天气状况可包括诸如潮湿或结冰状况、下雪状况、起雾状况等等的状况。

在本公开的一些方面，计算机110可以检测潮湿道路状况的指示。在一个示例中，计算机可以检查道路的激光数据点的平均亮度并且将其与阈值相比较以识别道路是否潮湿的指示。例如，如上所述，道路上覆盖潮湿或结冰区域的水可能降低道路的亮度。因此，潮湿道路可能具有比干燥道路(诸如水泥、柏油路、砖块等等)多少更低的平均亮度值，以及其他预期道路特征，诸如出现在地图信息中的车道标记等等。

当确定激光数据点的平均亮度时，可以检查与道路或道路的某些部分相关联或者道路或道路的某些部分内的所有激光数据点和亮度值。例如，车辆可以检查与在该车辆的车道中直接在该车辆之前的区域相关联的数据点、在与该车辆的当前车道相同的大致方向上移动交通的所有车道、与该车辆的激光器视场相关联的道路内的所有数据点等。如果某些百分比的所检查的激光数据点具有低于特定阈值的亮度值，则计算机可以确定道路是潮湿的。例如，如上所述使用0到250的标度，如果道路中有1000个激光数据点且这1000点中至少850点(或至少85％的这些激光数据点)具有低于阈值10的亮度，则道路非常暗。如上所述，较低的亮度值可以指示道路为潮湿的高概率。也可使用其他阈值和百分比，例如，基于道路的预期亮度或组成成分。此时，用于柏油路的阈值可以低于用于水泥或砖块道路的阈值。

图7的流程图700是计算机110可以如何使用道路的平均亮度以及阈值来识别道路为潮湿的指示的示例。在这个示例中，在块710，随着车辆沿着道路驾驶，计算机110接收为道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置和亮度信息。在块720，计算机110根据所接收到的激光数据来确定平均亮度。在块730，将这个平均亮度与道路的阈值相比较。当平均亮度低于阈值时，在块740，计算机随后识别道路为潮湿的指示。

在另一示例中，计算机可以检查道路亮度的变化以识别道路是否潮湿的指示。例如，计算机110可以计算沿着道路一部分的亮度值的标准偏差或分布。在干燥状况期间，亮度值的分布可以接近高斯模型，中心在用于干燥道路的预期亮度值周围。例如，无论道路位于哪里，在干燥状况下，亮度值将被预期聚集在类似值周围。如果亮度值的分布已从接近预期用于干燥状况的亮度朝向更低亮度迁移，则计算机可以确定道路较暗。这可以指示道路为潮湿，例如，如果道路包括道路的潮湿区域，诸如水坑或潮湿轮胎轨迹。

图8是具有各种潮湿状况指标的道路500的一个示例。在这个示例中，车道550包括来自之前或现在降雨的一些水坑810和812。在另一车辆驾驶通过这些水坑之后，车辆可能留下潮湿轮胎轨迹820。图9a描绘了与图4的道路500的详细地图信息相比较的来自图8的示例的处理过的激光数据点的示例。在这个示例中，特征910、912和920分别表示水坑810、812和轨迹820的激光数据点的一般位置。这些特征910、912和920可以与具有亮度值的激光数据点相关联，所述亮度值具有多少低于车道550剩余部分的平均亮度值。转到图9b，图形960描绘了对干燥状况所预期的亮度值的分布965的示例。图形970描绘了诸如图9a的示例中的亮度值的分布975的示例。在这个示例中，分布(以箭头980的方向)已经朝向亮度标度的0或较暗端迁移。如上所述，计算机110可以使用该迁移来确定道路为潮湿，或者至少包括一些潮湿区域。

图10的流程图1000是计算机110可以如何使用道路亮度的变化来识别道路为潮湿的指示的示例。在这个示例中，在块1010，随着车辆沿着道路驾驶，计算机110接收为该道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置和亮度信息。在块1020，计算机110处理激光数据以识别道路的亮度值的分布。在块1030，将该亮度值的分布随后与干燥天气状况下道路亮度值的预期分布相比较。当亮度值的分布已从干燥天气状况下道路亮度值的预期分布朝向亮度标度的较暗端迁移时，在块1040，计算机随后识别道路为潮湿的指示。

在进一步示例中，计算机可以通过检测车辆轮胎是否激起水花来识别道路为潮湿的指示。例如，当道路表面潮湿使得自动车辆的轮胎激起水花时，计算机110可以检测车轮之后的随机激光点。此时，计算机110可以检测直接位于车辆101的后轮胎1120和/或保险杆1130之后的随机数据点的云1110、1112，如图11a和11b中所示。由于移动的水，云内数据点的位置和数目可以不断变化。因此，来自水的数据点的云将不具有确定性结构，而固态物体的一部分，诸如车辆的后端，将与限定清楚得多的表面的数据点相关联。在其他车辆之后也可以观察到类似的数据点云。这样的观察可以指示，正在下雨或地面确实潮湿。

图12的流程图1200是计算机110可以如何检查激光数据点的云来识别道路为潮湿的指示的示例。在这个示例中，在块1210，随着车辆沿着道路驾驶，计算机110接收为该道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置信息。在块1220，计算机110检查激光数据以识别不指示特定结构的数据点的变化云。这些数据点还可以与车辆101或在道路中检测到的另一移动物体相关联。当识别出云时，在块1230，计算机随后识别道路为潮湿的指示。

在另一示例中，激光数据点的位置可以由计算机110使用来识别道路为潮湿的指示。例如，当道路非常潮湿时，诸如当存在深水坑的情况下，水可能具有玻璃一样的外观。此时，一些水可能充当镜子反射激光而一些激光可能穿过水而被道路表面所反射。如图13的示例中所示，激光可以碰撞潮湿道路表面并在水坑区域中返回激光数据点云1310。某些这些激光数据点可以出现在地面1320之上或之下。因此，计算机110可以观察在预期道路表面之上和之下的物体。假定数据点通常将在详细地图信息中的道路的预期表面略微之上和之下检测到，距离阈值1330和1340，诸如道路表面之上和之下15-20cm，可被用来从与一滩水相关联的云中识别与干燥道路表面相关联的数据点的云。因此，由于图13的数据点1310的云包括上阈值1330和下阈值1340的数据点，数据点可以与水坑相关联。计算机110可以使用这样的指示来确定道路为潮湿。

图14的流程图1400是计算机110可以如何使用激光数据点的云来识别道路为潮湿的指示的另一示例。在这个示例中，在块1410，随着车辆沿着道路驾驶，计算机110接收为该道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置信息。在块1420，计算机110识别接近道路的预期表面(如从详细地图136中确定)的激光数据点的云。在块1430，将该云的激光数据点与位于道路预期表面之上的第一阈值以及位于道路预期表面之下的第二阈值相比较。当云包括第一阈值之上的至少一个激光数据点和第二阈值之下的至少一个激光数据点时，在块1440，计算机随后识别道路为潮湿的指示。

如上指示，除了识别道路为潮湿的指示以外，计算机110还可以识别下雪状况的指示，诸如当道路至少部分被雪覆盖时。例如，由于雪的颜色和反射率，其可以具有比道路表面更高的亮度。如上所述，在干燥状况期间，亮度值的分布可能接近高斯模型，中心在干燥(无雪覆盖)道路的预期亮度值周围。例如，无论道路位于哪里，在干燥状况下，亮度值将被预期聚集在类似值周围。因此，如果亮度值的分布已从接近预期用于干燥状况的亮度朝向更高亮度迁移，则计算机可以确定道路较亮。这可能指示道路至少部分被雪覆盖。

图15是具有下雪状况的道路500的示例。在这个示例中，道路500在一些区域1510、1512略微被雪和/或冰覆盖。转到图15b，图形1560描绘了干燥状况预期的亮度值的分布1565的示例，例如，当道路没有部分被雪覆盖时。图形1570描绘了在诸如图15a的示例中的亮度值的分布1575的示例。在这个示例中，分布(在箭头1580方向上)已朝向250或亮度标度的较亮端迁移。如上所述，计算机110可以使用该迁移来确定道路有雪，或者至少包括一些被雪覆盖的区域。

图16的流程图1600是计算机110可以如何使用道路亮度的变化来识别道路至少部分被雪覆盖的指示的示例。在这个示例中，在块1610，随着车辆沿着道路驾驶，计算机110接收为道该路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置和亮度信息。在块1620，计算机110处理激光数据以识别道路亮度值的分布。在块1630，将亮度值的这个分布随后与干燥天气状况下的道路的亮度值的预期分布相比较。当亮度值的分布已从干燥天气状况下的道路的亮度值的预期分布朝向亮度标度的较暗端迁移时，在块1640，计算机随后识别道路至少部分被雪覆盖的指示。

在另一示例中，计算机110可以使用道路的平均亮度来识别道路至少部分被雪覆盖的指示。例如，如图17中所示，整个道路500被雪和/或冰1710所覆盖。由于这些表面覆盖物可以比道路表面更具反射性，雪或冰可能使得从道路收集的激光亮度数据比表面道路或来自详细地图信息的预期高至少阈值。此外，这个阈值可以基于道路表面的组成成分(柏油路、水泥、砖块等等)。例如，如果道路的平均亮度比道路(或该类型道路)的预期亮度大至少阈值或标准偏差数，则该信息可以指示道路具有雪或冰的覆盖物。

图18的流程图1800是计算机110可以如何使用道路的平均亮度以及阈值来识别道路至少部分被雪覆盖的指示的示例。在这个示例中，在块1810，随着车辆沿着道路驾驶，计算机110接收为该道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置和亮度信息。在块1820，计算机110从所接收到的激光数据确定平均亮度。在块1830，将该平均亮度与道路的阈值相比较。当该平均亮度大于阈值时，在块1840，计算机随后识别道路至少部分被雪覆盖的指示。

在另一示例中，计算机110可以使用世界的平均亮度，换句话说还包括道路之外的区域，来识别有雪状况的指示。积雪通常会先在道路边界外堆积，之后才在道路中堆积。例如，道路(诸如超越车道边界、路肩、路边等等)之外地面上的雪也可能比道路、路肩、路边、人行道更浅色、更亮并且更为高反射性。高反射性的白雪可能导致从这些区域收集的激光亮度数据比来自详细地图信息的预期显著更高。此外，如果道路之外的世界的平均亮度比在详细地图信息中限定的预期亮度大至少某一阈值或标准偏差数，则这可指示世界具有至少一些雪覆盖物，其可能也在道路上收集(或者已经开始收集)。

图19的流程图1900是计算机110可以如何使用道路的平均亮度以及阈值来识别道路为潮湿的指示。在这个示例中，在块1910，随着车辆沿着道路驾驶，计算机110接收为该道路以及该道路的边界之外区域收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置和亮度信息。在块1920，计算机110从所接收到的激光数据确定道路的边界之外区域的平均亮度。在块1930，将这个平均亮度与为区域预期的阈值(例如，根据详细地图136)相比较。当该平均亮度大于阈值时，在块1940，计算机随后识别有雪状况的指示。

除了或替代考虑明亮度或亮度值，计算机110还可以检查道路的海拔或高度以及阈值来识别公路天气状况的指示。例如，如果道路表面的海拔被检测到高于来自详细地图136的预期，这可能指示雪或洪水在道路上的积聚。此时，计算机110可以使用由包括激光器、雷达、声纳、多个相机等等的各种车辆的传感器为道路区域提供或生成的数据来确定道路表面的位置。该信息随后可以与来自详细地图信息的道路该特定区域的预期海拔相比较。如果道路的平均高度是在预期海拔以上至少某一阈值或标准偏差数，则这可能指示道路有洪水或具有积雪的覆盖物。

图20是该海拔差的示例。表面2010表示道路500的截面的地面表面的预期海拔或位置。表面2020表示阈值海拔或位置，高于其将指示公路天气状况。数据点2032是从激光器、声纳、雷达、相机数据中一个或多个确定的道路位置的三维投影。表面2030表示道路500的截面的平均检测表面。在这个示例中，道路500的截面的道路表面的平均检测海拔或位置大于阈值表面2020.因此，图20的示例指示道路有洪水或具有积雪的覆盖物。

图21的流程图2100是计算机110可以如何使用道路的平均海拔以及阈值来识别道路被雪覆盖或潮湿的指示的示例。在这个示例中，在块2110，随着车辆沿着道路驾驶，计算机110接收为该道路收集的激光数据。如上所述，激光数据包括多个激光数据点，其具有位置信息。在块2120，计算机110从所接收到的激光数据确定道路的平均海拔。在块2130，计算机访问详细地图信息以识别道路的预期海拔。在块2140，将该平均海拔与道路预期海拔之上的阈值相比较。当该平均海拔大于阈值时，在块2150，计算机随后识别道路为潮湿的指示。

除了下雪和潮湿公路天气状况之外，计算机110还可以检测诸如雾的其他公路天气状况的指示。例如，车辆的雷达传感器可很好地穿透雾，但是激光却不能。如果计算机110在某些阈值时间段内观察在特定距离处的激光障碍，但没有雷达目标，计算机110可以识别道路有雾的指示。

在另一示例中，除了或替代激光数据，计算机110可以依赖于相机信息来识别公路天气状况，诸如潮湿或下雪公路状况。例如，还可以从相机图像中确定明亮度、道路的明亮度以及世界的明亮度的变化。类似于上面关于激光亮度数据所述的示例，相机320-21所捕捉的图像可以被处理以确定由相机捕捉的道路的明亮度或反射率是否大于来自详细地图信息的预期某一阈值或标准偏差数。如果是，这些相机图像可指示道路潮湿、结冰、下雪等等。在另一示例中，相机图像可用来确定车辆101的相机范围内的其他车辆的轮胎是否激起水花。如果是，则这些相机图像可指示道路潮湿。

除了相机和激光器以外，来自诸如上述的降水传感器的其他传感器的信息，也可以由计算机110用来识别公路天气状况的指示。如上所述，降水传感器可能向计算机110提供有关降水的当前信息，例如，通过识别在光电探测器接收到的反射光的量或降水的检测量的某些其他指标。与明亮度、海拔和亮度信息一样，来自一个或多个降水传感器的数据还可用于识别公路天气状况的指示，诸如当前降水。

明亮度、亮度、海拔和当前降水信息还可与从计算机320接收的天气信息组合。所接收到的天气信息可用于识别公路天气状况，例如，如果在车辆101正驾驶(或很快将驾驶)的区域中刚刚降水过或者当前正在降水，则计算机110可以确定道路可能潮湿、结冰等等。

如上所述，计算机110可以与计算机320发送和接收信息。此时，计算机320可以向计算机110提供以报告、雷达信息、预报等等形式的降水、云和/或温度信息。这个信息可以周期性接收，例如每几分钟、小时或按需，或者可以有请求时提供给计算机110。例如，如果计算机110识别公路天气状况，诸如在上述示例中，则计算机110可以通过网络发射包括有关车辆101的当前位置的信息的请求到计算机320。响应于该请求，计算机320可以向计算机110提供车辆101的当前位置的相关的天气相关信息。在另一示例中，计算机110可以简单地周期性发送上述请求。在另一示例中，当变得相关时，计算机320可以广播信息到特定地理区域内的自动车辆。这在天气相关信息正提供严重天气警告等等时可能尤其有用。

各种所识别的公路天气状况的指示可以被计算机110处理为一组输入以便估计车辆延其行驶的道路的驾驶状况。在一个示例中，可以使用贝叶斯估计来确定道路表面的当前状态。此时，车辆可以确定是否当前正在降水或者是否已经降水(降雨、雨夹雪、降雪等等)以及该天气如何影响道路的状况(水坑、潮湿、结冰、被雪覆盖、混合等等)。

该估计随后可以由计算机110用来进行各种驾驶决策。例如，如果公路天气状况存在，则计算机110可以使用该估计来进行更知情的确定以便车辆101的安全操纵。例如，计算机110可以继续导航车辆110，但是也增加车辆101和道路上其他物体之间的距离，对车辆101减速，离开特定道路，或者移动至特定车道。例如，计算机101可以移动至预期更少受到公路天气状况影响的中心车道或边车道。在另一示例中，在特定状况下，特定驾驶特征可以被禁用或更改。例如，如果在下雨，则车辆的车道改变和穿过功能可被禁用。类似地，如果在下雨或下雪，则刹车配置可能被调整，诸如周期性施加刹车来保持其有效。

除了进行驾驶决策或作为对其的替换方案，公路天气状况和/或公路表面状况被确定为极端或危险时，计算机110可以发送警告给驾驶员。警告可以请求驾驶员对车辆101采取控制。警告可以是听觉信号、视觉信号、触觉或触感和/或引起驾驶员注意的任何其他信号。该警告还可以请求驾驶员对车辆采取控制。在这个示例中，在警告驾驶员之后，计算机110可以从驾驶员接收输入。例如，驾驶员可以通过转动方向盘、施加刹车、应用加速计、按下紧急关闭等等来对车辆101采取控制。如果计算机110没有从驾驶员接收到输入(或者足够输入)，则计算机110可以导航车辆101到道路侧边(即，把车辆开到路边)，降低车辆101的速度，或者使车辆101完全停下来。

图22的流程图2200提供了如上所述的计算机110所执行的步骤中的一些的示例。应该理解，这里讨论的步骤仅仅是示例；步骤可能以不同顺序发生，步骤可以被添加，步骤可以被省略。在这个示例中，在块2202，包括沿着道路收集的数据点的激光扫描数据被接收。如上所述，激光扫描数据可以包括数据点，其指示激光周围的物体的位置和亮度、道路特征等等，所述激光周围包括道路，且在一些示例中，包括超越道路边界的世界。在块2204，该信息被用于识别一个或多个公路天气状况(例如，参见图7、9、12、14、16、18、19和21的流程图以及上面的各种示例)。在块2206，从相机捕捉的图像被接收。像激光数据一样，图像可以包括有关相机周围的信息，所述相机周围包括道路。在块2208，图像随后被用于识别公路天气状况的指示。在块2210，来自降水传感器的数据被接收，并且在块2212被用于识别公路天气状况的指示。在块2214，通过网络从服务器接收天气相关信息。此外，在块2216，天气相关信息被用于识别公路天气状况的指示。在块2218，所识别的指示随后用于估计道路的驾驶状况。在块2220，将该估计用于做出驾驶决策，如上所述。

因为可以利用上述特征的这些或其他变型和组合而不背离权利要求所限定的主题，前面对示例性实现的描述应该被视为图示方式，而非对权利要求所限定的主题的限制的方式。还应理解，这里描述的示例的提供(以及表达为“诸如”、“例如”、“包括”等用词的条款)不应该被解释为将所要求保护的主题限制为特定示例；而是，这些示例仅仅想要说明许多可能方面中的一些。

工业适用性

本发明享有广泛的工业适用性，包括但不限于，结合操纵车辆而检测公路天气状况。