具有集成高斯过程的道路建模的制作方法

具有集成高斯过程的道路建模


背景技术：

1.许多现代交通工具包括高级驾驶员辅助系统(adas)，adas系统包括诸如可以依赖于道路模型来正确执行的自适应巡航控制(acc)和自动紧急制动(aeb)等功能。为了实现这些功能，许多交通工具包括分析交通工具周围环境以创建基于网格的道路模型或参数化道路模型的感知系统，然而，这些模型通常无法提供用于稳健地表示道路几何形状的灵活性。此外，一些道路模型可能效率低下，并且无法足够快地处理大量数据以支持驾驶，从而导致到作用于输出的交通工具子系统的输出延迟，这可能导致交通工具执行不安全或不稳定的驾驶行为。


技术实现要素：

2.本文档描述了具有集成(ensemble)高斯过程的道路建模。使用至少一个高斯过程回归(gpr)在第一时刻对道路进行建模。基于从一个或多个交通工具系统接收的检测的样本集来确定核函数。基于核函数，为至少一个gpr中的每一个gpr确定与特定纵向位置相关联的相应平均横向位置及其不确定度。聚合至少一个gpr中的每一个gpr的相应平均横向位置及其不确定度，以确定与特定纵向位置相关联的组合横向位置。然后输出包括与特定纵向位置相关联的组合横向位置及其不确定度的道路模型。以此方式，可以确定鲁棒且计算高效的道路模型，以有助于提高交通工具的安全性和性能。
3.下面描述的各方面包括：一种使用至少一个gpr在第一时刻对道路进行建模的方法。方法开始于：基于从一个或多个交通工具系统接收的检测的样本集，在第一时刻确定至少一个gpr的核函数。然后使用核函数为至少一个gpr中的每一个gpr确定与特定纵向位置相关联的相应平均横向位置，然后聚合该相应平均横向位置，以确定组合横向位置。然后输出包括与特定纵向位置相关联的组合横向位置的道路模型，以帮助执行交通工具功能。在各方面中，描述了一种系统，该系统包括至少一个处理器和计算机可读存储介质，计算机可读存储介质在由至少一个处理器执行时，配置或使处理器用于执行如上所述的具有集成高斯过程的道路建模的各方面。系统可以安装到交通工具上，并且旨在输出道路模型，以帮助执行交通工具的交通工具功能。系统可以被配置和实现为任何数量的处理器或计算机可读存储介质。处理器和计算机可读存储介质可以是分离但通信耦合的元件或单个元件，诸如片上系统(soc)。
4.本发明内容介绍了与具有集成高斯过程的道路建模相关的简化概念，在具体实施方式和附图中进一步描述该简化概念。本发明内容并非旨在标识出要求保护的主题的必要特征，也并非旨在用于确定要求保护的主题的范围。
附图说明
5.参考以下附图在本文档中描述了具有集成高斯过程的道路建模的一个或多个方面的细节。贯穿附图通常使用相同的数字来引用相似的特征和组件：图1示出了其中可以实现具有集成高斯过程的道路建模的示例环境；
图2示出了实现具有集成高斯过程的道路建模的示例交通工具；图3示出了实现具有集成高斯过程的道路建模的道路感知系统的示例流程图；图4示出了根据具有集成高斯过程的道路建模的检测划分模块的示例；图5示出了根据具有集成高斯过程的道路建模的递归更新方案的示例；图6示出了根据具有集成高斯过程的道路建模的gpr聚合模块的示例实现；图7示出了视觉检测和轨迹检测的示例；图8示出了根据位置和航向数据确定的伪检测的示例；图9示出了根据具有集成高斯过程的道路建模的包括高置信度阈值和低置信度阈值的示例道路模型输出；图10示出了根据具有集成高斯过程的道路建模的另一道路建模输出；图11示出了实现具有集成高斯过程的道路建模的道路感知系统的示例方法；图12示出了根据具有集成高斯过程的道路建模来执行主动学习的示例方法；以及图13示出了输出根据具有集成高斯过程的道路建模的道路模型的详细示例方法。
具体实施方式
概述
6.道路感知系统是用于高级驾驶员辅助系统的重要技术。高级驾驶员辅助系统的功能(诸如自适应巡航控制和自动紧急制动)通常依赖于道路模型来正确运行。此外，一些安全标准要求道路模型不仅要对车道进行建模，还要确定模型中的不确定度。在许多道路建模过程中，会创建道路模型来对道路进行建模，该道路模型确定网格的占用率或确定一组参数化函数。然而，这些过程往往无法捕获复杂的道路几何形状，从而有效地实现高级驾驶员辅助系统中的某些交通工具功能；它们不提供利用来自各种源的可能有助于道路建模的数据(例如，视觉系统、雷达跟踪和地图数据)的机制。
7.相比之下，本文档描述了使用集成高斯过程的计算高效且准确的道路建模。例如，这些技术可以利用高斯过程回归(gpr)来基于高斯过程高效且有效地对道路进行建模。具体而言，可以利用将道路建模问题划分成多个更小的道路建模问题的分区架构，以总体上增加道路模型的效率。这种效率增益在一定程度上是通过融合从不同传感器系统收集的数据(例如，视觉、轨迹和地图数据)来实现的。此外，所描述的技术允许未来的测量利用先前模型的发现，以提高道路建模的总体效率和准确度。
8.与当前的模型相比，高斯过程的统计性质允许从每次测量轻松且有效地确定不确定度。结果，根据本文所描述的技术操作的道路模型可以提供不确定度值，该不确定度值可以由道路模型本身和下游组件(诸如轨迹规划)使用，以实现安全和舒适的交通工具操作。这种方法的统计性质还允许对道路建模系统的输入进行调整，以提供以很少的计算时间为代价的准确结果。这在高级驾驶员辅助系统中尤为重要，因为延迟的输出或不准确的结果可能会导致不安全或不舒适的驾驶行为，从而对交通工具乘员或周围乘客造成伤害。
9.本节仅描述了所描述的技术、装置和系统如何利用集成高斯过程来确定道路模型的一些方面。本文公开了具有集成高斯过程的道路建模的附加细节、示例和实现。示例环境
10.图1示出了其中可以实现具有集成高斯过程的道路建模的示例环境100。在所描绘
的环境100中，道路感知系统106被安装到交通工具102或被集成在交通工具102内。交通工具102可以在道路120上行驶，道路120可以包括一个或多个车道。
11.尽管示出为汽车，但交通工具102可以表示其他类型的机动交通工具(例如，摩托车、公共汽车、牵引车、半挂车卡车、或者施工装备)。通常，制造商可以将道路感知系统106安装到可以在道路120上行驶的任何移动平台。
12.在所描绘的实现中，道路感知系统106的一部分被安装至交通工具102的后视镜中，以具有道路120的视场。道路感知系统106可以从交通工具102的任何外表面投射视场。例如，交通工具制造商可以将道路感知系统106的至少一部分集成到侧视镜、保险杠、车顶、车门、挡风玻璃、格栅(grill)、引擎盖、后备箱或其中视场包括道路120的任何其他内部或外部位置。通常，交通工具制造商可以设计道路感知系统106的位置以提供充分包含交通工具102可能行驶于其上的道路120的特定视场。
13.交通工具102包括一个或多个传感器104，以向道路感知系统106的一个或多个处理器(未在图1中示出)提供输入数据。传感器104可以包括相机、雷达系统、全球定位系统(gps)、全球导航卫星系统(gnss)、激光雷达系统或者它们的任何组合。相机可以拍摄道路120的静止图像或者视频。雷达系统或激光雷达系统可以使用电磁信号来检测道路120中的对象或道路120的特征。gps或gnss可以确定交通工具102的位置和/或航向(heading)。交通工具102可以包括附加传感器以向道路感知系统106提供与道路120及其车道有关的输入数据。道路感知系统106还可以使用交通工具对外界(v2x)或蜂窝通信技术来从外部源(例如，附近的交通工具、附近的基础设施、因特网)获得输入数据。
14.道路感知系统106可以估计与沿着道路120或车道的一个或多个距离相关联的中心线和方差。在各方面中，中心线可以表示在道路120或车道内行驶的交通工具的适当路径(例如，交通工具的中心将行驶的位置)。方差可以表示与特定纵向值(例如，沿着交通工具行驶方向的位置)处的中心线测量相关联的不确定度。以此方式，可以针对每个中心线值或在沿中心线的每个位置处确定方差。方差可以用于确定中心线测量的置信度，例如，高置信度或低置信度。这可以包括任意数量的统计操作或阈值化以确定置信度。中心线点处的方差或置信度确定可以与道路模型一起输出，以供交通工具子系统作用于其上。例如，一个或多个基于交通工具的系统114可以在导航道路模型预测高置信度或低方差的区域时表现得更信任，但是可以在导航低置信度或高方差区域时表现得更加谨慎或搜索更多数据。
15.道路感知系统106包括高斯过程模块108、主动学习模块110和输出模块112。高斯过程模块108可以利用多个gpr来执行高斯函数并确定道路120或车道的拓扑。在各方面中，这包括依赖于各种检测来合成多个gpr，以确定中心线信息或关于在各个点处的道路120的其他信息。例如，高斯过程模块108可以用于聚合来自不同信息源的检测，诸如传感器104(例如，雷达测量、来自相机系统的视觉测量)或先前知识(例如，来自地图数据库、由传感器104收集的先前数据)。高斯过程模块108还可以计算与每个车道段相关联的不确定度或质量值。
16.主动学习模块110可以标识可以向单个gpr或整个道路模型提供最多信息增益的检测。例如，主动学习模块110可以确定：添加来自检测池的特定检测可以最大程度地改进gpr，因此可以将该检测添加到由模型使用的检测中。以此方式，主动学习模块110可以在对整体效率或速度几乎没有影响的情况下提高道路模型的准确度。
17.输出模块112可以控制道路模型的输出，例如，以将输出发送到基于交通工具的系统114。这可以包括确定与道路建模的元素相关联的置信度值。在各方面中，输出模块112将高斯过程模块108的确定解析成有用的道路模型。
18.交通工具102还包括可以使用来自道路感知系统106的数据以在道路120上操作交通工具102的一个或多个基于交通工具的系统114。基于交通工具的系统114可以包括辅助驾驶系统116和自主驾驶系统118(例如，自动巡航控制(acc)系统、自动紧急制动(aeb)系统、交通堵塞辅助(tja)系统、车道居中辅助(lca)系统、和公路上的l3/l4自主驾驶(l3/l4)系统)。通常，基于交通工具的系统114使用道路感知系统106所提供的道路感知数据来执行功能。例如，辅助驾驶系统116可以提供自动巡航控制，并监测交通工具102正在其上行驶的道路120中的对象(例如，由交通工具102上的另一系统检测到的对象)的存在。作为另一示例，辅助驾驶系统116可以在交通工具102穿过道路120上的交通工具102正在其中行驶的车道的车道标记时提供警报。
19.自主驾驶系统118可以将交通工具102移动到道路120上的特定位置，同时避免与由交通工具102上的其他系统(例如，雷达系统、激光雷达系统)所检测到的对象发生碰撞。由道路感知系统106提供的道路感知数据可以提供与车道的位置和车道的位置的不确定度有关的信息，从而使自主驾驶系统118能够执行车道改变或操纵交通工具102。示例交通工具
20.图2示出了实现具有集成高斯过程的道路建模的示例交通工具102。交通工具102包括道路感知系统106，道路感知系统106可以包括一个或多个处理器202和计算机可读存储介质(crm)204。
21.作为非限制性示例，处理器202可以包括片上系统(soc)、应用处理器(ap)、中央处理单元(cpu)、发动机控制单元(ecu)或图形处理单元(gpu)。处理器202可以是用同质核结构或异质核结构来实现的单核处理器或多核处理器。处理器202可以包括被实现为基于硬件的逻辑、电路系统、处理核等的基于硬件的处理器。在一些方面中，处理器202和道路感知系统106的其他组件的功能是经由集成处理、通信和/或控制系统(例如，片上系统)来提供的，该集成处理、通信和/或控制系统(例如，片上系统)可以实现交通工具102的其中体现出系统的各种操作。
22.本文所描述的crm 204包括任何非瞬态crm。crm 204可以包括可用于存储道路感知系统106的设备数据(未示出)的任何合适的存储器或存储设备，诸如随机存取存储器(ram)、静态ram(sram)、动态ram(dram)、非易失性ram(nvram)、只读存储器(rom)、或闪存。crm204可以包括易失性存储器或非易失性存储器的任何组合。处理器202可以执行存储在crm 204上的任意数量的计算机可执行指令。在一些实现中，处理器202与crm 204一起实现，例如，作为片上系统。在其他实现中，处理器202在crm 204的外部，但是通过数据总线(例如，总线218)通信地耦合到crm 204。
23.处理器202执行存储在crm 204内的计算机可执行指令。作为示例，处理器202可以执行高斯过程模块108来定义gpr、将它们的模型聚合成道路120的准确模型、并确定与道路模型相关联的不确定度。高斯过程模块108可以通过例如从存储在crm 204中的高清晰度地图中提取检测和/或使用来自传感器104的数据跟踪它们，来确定可以用于对道路120的车道进行建模的gpr。高斯过程模块108还可以使用高斯过程固有的统计方法来确定与模型相
关联的方差。高斯过程模块108可以被分为子模块，每个子模块处理gpr确定和聚合过程的不同职责，例如，检测划分模块206、经训练的gpr模块208和gpr聚合模块210。
24.检测划分模块206可以在crm 204内实现，并存储要由处理器202执行的计算机可执行指令。当由处理器202执行时，检测划分模块206可以允许用于实现道路模型的生成的检测被划分为多个子集。在方面中，每个gpr可以作用于相应的子集。在一些实现中，检测可以按照某些标准进行划分，例如，基于检测类型、位置、可靠性或任何其他可行方法将检测分组为子集。
25.类似地，经训练的gpr模型208可以由处理器202执行，以确定一个或多个gpr的参数。为了定义每个gpr，可以基于检测的样本集来确定核函数的参数。在各方面中，检测的样本集是从各种信息源(例如，传感器104和地图信息)收集的。一旦核函数的参数被确定，每个gpr可以作用于如通过执行检测划分模块206所确定的检测的特定划分。可以迭代地执行经训练的gpr模型208，以使得gpr在每个后续时间步长处针对收集到的新检测进行更新。以此方式，gpr可以利用先前迭代的发现来降低复杂性，同时在后续迭代中保持准确性。
26.gpr聚合模块210可以在crm 204中实现，使得当由处理器202执行时，处理器202将多个gpr聚合成单个道路模型。也就是说，gpr聚合模块210可以执行聚合功能。在各方面中，执行些该聚合功能不仅能够确定道路模型，而且能够确定与道路模型相关联的不确定度值。gpr聚合可以允许多个专家对最终的道路模型做出贡献，从而允许容易地集成来自各种信息源的数据。
27.为了改善将一项检测包含进检测集内所获得的信息量，以及为了提高道路建模过程的总体效率，处理器202可以执行在crm 204中实现的主动学习模块110的计算机可执行指令。主动学习模块110可以包括改进查询模块212，改进查询模块212确定要包括在特定迭代的检测集中的一个或多个最有效的检测。可以从可能的检测池中查询检测，并且可以选择与最多信息增益相关联的检测。以此方式，主动学习模块110可以确保准确性和复杂性两者在道路建模过程期间得到增强。
28.如图所示的道路感知系统106还包括在crm 204中实现的输出模块112，输出模块112可以由处理器202执行以将高斯过程模块108的确定解析成有用的道路模型。例如，输出模块112可以包括指示通过聚合gpr确定的道路信息或中心线的道路模型输出214。输出模块112还可以解析置信度输出216，置信度输出216指示与道路模型输出214相关联的不确定度。输出模块112可以将道路模型输出214或置信度输出216传送至基于交通工具的系统接口222，该基于交通工具的系统接口222促进道路感知系统106和基于交通工具的系统114之间的通信。基于交通工具的系统接口222可以控制沿着总线224的数据通信，以使得道路感知数据(例如，道路模型)沿着总线224从道路感知系统106提供给基于交通工具的系统114。
29.基于交通工具的系统114可以包括任何数量的如图1中所描述的系统。作为更多非限制性示例，如图所示的基于交通工具的系统114包括自主控制系统220-1、交通工具安全系统220-2、定位系统220-3、多传感器跟踪器220-4、交通工具对交通工具通信系统220-5、以及乘员接口220-6。用于提供检测的传感器104可以由一个或多个基于交通工具的系统114维护，并且传感器数据可以通过基于交通工具的系统接口222提供给道路感知系统106。尽管未示出，但是基于交通工具的系统接口222可以包括用于处理与基于交通工具的系统114的不同系统的通信的单独接口，例如，基于交通工具的系统接口222可以包括传感器接
口和自主控制接口。
30.下文更详细地描述了高斯过程模块108、主动学习模块110、输出模块112和它们的相应子组件的这些和其他操作。示例系统
31.图3示出了实现具有集成高斯过程的道路建模的道路感知系统106的示例流程图。流程图示出了图1的道路感知系统106的示例操作。道路感知系统106利用集成高斯过程来确定道路模型。
32.道路感知系统106可以使用各种形式的证据作为从基于交通工具的系统接口222接收的输入302。作为非限制性示例，输入302可以包括主状态304、视觉检测306、轨迹检测308或地图检测310。主状态304可以标识交通工具的当前状态，以确定要在道路建模过程中进行的适当测量。例如，主状态304可以指示交通工具的位置、速度、航向或当前目的，以允许感知系统106确定什么信息在道路建模过程中可能是最重要的。在各方面中，这可以包括确定交通工具的航向，以使得可以在适当的相对方向上对道路进行建模。在一些实现中，当交通工具以更高的速度行驶时，道路建模可以在更远的距离处发生，因为高速可以指示将比交通工具以更慢的速度行驶的情况更快地到达更远的位置。通常，主状态304中提供的任何信息都可以用于确定感知系统106的重要区域。尽管未示出，但输入302可以包括先验知识，诸如存储在crm(例如，crm 204)中并且根据道路上的先前情况确定的先前道路建模信息。
33.输入302还可以包括来自视觉检测系统的视觉检测306。视觉检测306的一个示例可以是指示检测到的道路的车道边界的相机图像，从中可以将中心线确定为与每个车道边界等距的点。视觉检测306可以随时间由位于交通工具的内部或外部之上或周围的任何适当传感器捕获。在一些实现中，视觉传感器可以安装到交通工具的前部(例如，安装在侧视镜的前向部分上)，以提供足够的车道边界的视野。
34.输入302还可以包括从交通工具的适当传感器系统确定的轨迹检测308。例如，轨迹检测308可以从交通工具的雷达系统或激光雷达系统确定。雷达系统或激光雷达系统可以作用于由它们各自的传感器设备收集的信息，以检测视场中的对象并创建可以用于确定轨迹检测308的跟踪。在一个示例中，轨迹检测308可以从在与交通工具相同的道路上行驶的前方远处的交通工具生成。在一些方面中，前方远处的交通工具可能正在与交通工具相同的车道上行驶。跟踪可以指示前方远处的交通工具的路径，并且感知系统106可以利用所指示的路径作为交通工具的适当路径。由此，通过从跟踪创建轨迹检测308，交通工具可以确定关于道路或中心线的信息。
35.感知系统106还可以依赖于从道路或周围区域的地图确定的地图检测310形式的数据。例如，地图可以包括在道路感知系统106的crm 204或交通工具的存储器中包括的高清晰度地图、从与道路感知系统106进行通信的地图或导航服务检索到的地图、或从移动电话或与道路感知系统106通信耦合的其他设备获得到的地图。尽管未示出，但是道路感知系统106可以依赖于任何其他适当的测量，例如，从位于交通工具外部的传感器(例如，嵌入道路中，与标志或标记集成，位于交通工具102附近的另一交通工具上)获得的数据或测量。
36.高斯过程模块108然后可以执行以分配道路感知系统106，以使用由输入302提供的信息和证据的多个源为道路开发道路模型。检测划分模块206可以从作为输入302提供的
检测集中创建一个或多个子集。可以从输入302的全部或输入302的部分确定子集。在一些示例中，通过基于类型、位置、可靠性或任何其他适当方法对检测进行分类来创建子集。每个子集可以具有与其他子集相同或不同的预定大小。附加地，每个子集可以被划分为一个或多个子集。
37.在一些实现中，主动学习模块110用于提高包括在每个子集中的检测的有效性。在各方面中，改进查询模块212查询检测池(例如，来自输入302)，并确定为gpr提供最多信息增益的检测。例如，视觉检测306可以在沿着道路的一部分的任何点处进行，因为它们依赖于在相机图像中捕获的连续车道边界，因此改进查询模块212可以基于将从子集中包含的检测获得多少信息来确定检测的最佳位置。主动学习模块110可以使用用于确定最佳检测的多种方法。例如，可以基于期望改进的原理或下置信度界限的远离来选择检测。在一个或多个子集内未选择的任何检测可以被丢弃或保留在输入302中，以用于未来的迭代。关于图4更详细地讨论了检测划分模块。
38.一旦划分，每个子集可以被提供给经训练的gpr模块208，其中每个子集可以被单独的gpr作用，以确定单独的高斯过程模型。例如，每个gpr可以由核函数的参数来定义。通常，任何核函数都可以用于创建道路模型。核函数的参数可以被定义为使得对数-边缘似然最大化。在一些实例中，对数-边缘似然可以表示为gpr中的每一个gpr的对数-边缘似然的总和。gpr可以通过两种方法中的一种来进行训练，即分割训练或统一训练。在分割训练中，每个子集可以用于训练单独的gpr。结果，对于每个gpr，核函数的参数集可以是不同的。通过将检测划分成子集，可以大大减小每个训练集的大小，从而降低训练gpr的时间复杂度。相比之下，统一训练利用在所有gpr中通用的核函数的单个参数集。在统一训练中，将对数-边缘似然表示为每个gpr的对数-边缘似然的总和可能是合适的。以这种方式，在每个gpr中使用的检测数量可以被减少到与分割训练的情况类似，从而大大降低了复杂度。
39.道路感知系统106可以以离散的时间间隔来动态地更新道路模型和相应不确定度。信息更新的时间间隔可以取决于在准确度与计算工作负载之间的权衡。在一些实现中，基于交通工具的系统可以根据道路状况、驾驶环境、交通工具的速度和由主状态304提供的其他考虑，来动态地改变时间间隔。在一些实例中，所确定的gpr可以使用先前迭代基线312来利用先前迭代的发现。例如，在先前迭代中确定的核函数的先前参数集可以用作当前迭代的基线(例如，初始值)。以此方式，gpr可以在对计算效率影响最小的情况下不断提高准确度。类似地，gpr的当前迭代可以利用在先前迭代中捕获的检测。结果是，具有集成高斯过程的道路建模的迭代性质允许准确且计算高效的道路建模。关于图5更详细地讨论了经训练的gpr模块208。
40.gpr中的每一个可以由gpr聚合模块210聚合。在各方面中，聚合通过任何数量的方法发生，这些方法的非限制性示例包括广义鲁棒贝叶斯委员会机器、专家乘积(poe)、广义poe、贝叶斯委员会机器(bcm)或鲁棒bcm。在一些实现中，使用广义鲁棒贝叶斯委员会机器是因为当样本数量趋近于无穷大时，它会收敛到潜在的真实预测分布。对于沿着道路的每个纵向位置，经聚合的道路模型可以提供横向值。此外，由于gpr聚合的统计性质，可以为由道路模型提供的每个横向值确定不确定度值。在各方面中，横向值可以定义沿着车道的中心线的点，并且不确定度值可以与该横向值相关联。关于图6更详细地描述了gpr聚合模块210。
41.可以向输出模块112提供道路模型数据，包括经建模的中心线或不确定度。在一些实现中，仅将道路模型数据的确定值提供给输出模块112，并且不利用或提供不确定度。在这种情况下，道路模型输出214可以由输出模块112产生，并且可以指示在当前迭代或时间间隔确定的中心线。在其他实现中，不确定度可以与道路模型数据一起提供。在各方面中，这允许与道路模型输出214一起产生置信度输出216。包括在道路模型输出214内的每个值可以包括不确定度。以这种方式，将根据由道路模型确定的中心线值提供不确定度值。不确定度值可以通过利用标准偏差的任何统计方法、各种统计距离或任何其他适当的方法来确定。
42.在另一实现中，根据道路模型确定高置信度和低置信度阈值。置信度阈值可以基于由各种gpr确定的相应横向位置之间的统计距离。例如，高置信度或低置信度阈值可以基于gpr的相应中心线值(例如，在相同或相似的纵向位置处)之间的mahalanobis距离或hausdorff距离。这样，可以根据使用置信度输出216确定的高、中和低置信度部分，使用使用来自道路模型输出214的值来输出道路模型。
43.基于交通工具的系统接口222可以接收道路模型，并且控制道路模型至任何基于交通工具的系统的输出。在各方面中，基于交通工具的系统接口220充当感知系统和基于交通工具的系统之间的中介。如先前所讨论的，基于交通工具的系统可以作用于通过基于交通工具的系统接口222提供的道路模型，以执行交通工具功能。
44.图4示出了根据具有集成高斯过程的道路建模的检测划分模块206-1(例如，检测划分模块206的示例)的示例。如图所示，提供了检测402的集合。这些检测402可以是如上所述的多种类型，并且包括跨多个位置收集的数据。在该示例中，检测分为三类：先前检测404、轨迹检测308和视觉检测306。在一些实现中，这些可以用作提供给各个gpr的子集。例如，可以使用三个gpr来确定道路模型，每个gpr作用于先前检测404、轨迹检测308和视觉检测306中的相应一个。通过按检测类型划分检测402，gpr可能更适合于处理每个检测集，因为集合中的所有检测都可以是类似的形式。尽管针对特定检测类型示出了检测集，但是可能有任何数量的划分来创建任何数量的集合组合。具体地，检测类型可以添加到如图所示的集合，或从如图所示的集合中排除。此外，不依赖于检测类型的其他划分也是可能的。例如，可以基于与交通工具的距离、检测的可靠性或任何其他方法来划分检测402。
45.在一些实现中，可以基于与交通工具的距离来划分检测402。在各方面中，这允许与高斯过程相关联的噪声值在不同范围内变化。这可能是有益的，因为一般而言，随着与传感器距离的增加，检测的误差可能会增加。因此，通过按距离对检测402进行分类，gpr中噪声的固有添加允许考虑传感器误差。在其他实现中，异方差的gpr可以用于处理跨距离变化的传感器误差。
46.在检测划分模块206-1中，检测402被划分成子集，然后子集被划分成附加子集。具体地，先前检测404被划分成子集406-1至子集406-n，轨迹检测308被划分成子集408-1至子集408-n，并且视觉检测306被划分成子集410-1至子集410-n。检测402可以被递归地划分任意次数。附加地，可以根据不同级别的不同标准来划分子集。例如，检测402可以首先被划分成检测类型，然后每个检测类型可以基于距离被划分，或者反之亦然。检测402的每个子集可以与任何其他子集中具有相同或不同的大小。在一些实现中，每个子集包括相同预定义数量的子集。在各方面中，并非来自检测402的所有检测都可以用于形成子集。例如，检测
402中的一些检测可能在划分期间未被使用。未被使用的检测可以被道路感知系统丢弃或保留直到可以使用它们的未来迭代。
47.为了提高将检测包括在子集中的有效性，可以使用主动学习来从检测集中确定要包括的一个或多个最佳。在各方面中，主动学习允许模型包括在提高道路模型的准确度方面具有最大影响的检测。主动学习在应用于视觉检测306时可能特别有利，因为视觉检测306可以在沿道路的任何点处确定。这是因为视觉检测306可以提供车道标记的多项式表示。由此，可以根据多项式表示在沿道路的任何点处确定检测。提供了两种用于从检测池中确定一个或多个最佳检测的方法。在各方面中，一个或多个最佳检测是为模型提供最多信息增益的检测。
48.在第一方法中，可以基于期望改进的原理来选择一个或多个最佳检测。在该实现中，可以选择检测，以使得提高gpr的准确度的检测被包括在子集中。控制预期改进的原理的等式可以分解如下：ei(x,grp)＝e
grp
[max(0,μ
gpr
(x
best
)-y(x)]其中y(x)是由车道边界的多项式表示所提供的中心线，x是检测的纵向值，e是高斯分布的平均值，μ
gpr
(*)是gpr给出的平均函数。在各方面中，最大化期望改进的x值是最佳检测的纵向值。
[0049]
在第二方法中，可以基于下置信度界限的原理来选择一个或多个最佳检测。在该实现中，可以选择具有纵向值x的检测来最大化以下等式中定义的下置信度界限：lcb(x)＝2σ
grp
(x)-μ
gpr
(x)其中x是检测的纵向值，σ
grp
(x)是gpr给出的标准偏差，μ
gpr
(*)是gpr给出的平均函数。在各方面中，最大化下置信度界限的x值是最佳检测的纵向值。
[0050]
尽管主动学习可以特别好地与视觉检测306一起工作，但是也可以对其他类型的检测执行主动学习。例如，轨迹检测308可以与主动学习一起使用，并且可能的x值可以被限制到进行轨迹检测308的纵向位置。替代地，可以使用轨迹检测308中的每一个的航向和位置将轨迹检测308外推到任何值。在这种情况下，一个或多个最佳检测的可能的x值可能不需要限制，因为检测可以被外推到任何值。虽然轨迹检测308被用作示例，但是该过程可以用于任何类型的检测，并且不限于轨迹检测308。关于图8进一步描述了伪检测(例如，检测外推)的确定。
[0051]
图5示出了根据具有集成高斯过程的道路建模的递归更新方案的示例。递归更新方案可以由高斯过程模块208-1(例如，高斯过程模块208的示例)执行。在504处，高斯过程模块208在时刻t-1接收测量。在各方面中，测量包括如图4中详述的检测的子集。在502处，gpr可以基于在时刻t-1接收的测量在时刻t-1被定义。例如，任何数量的本领域普通技术人员已知的核函数可以用于定义能够确定道路模型的gpr。核函数的参数可以通过以下两种方式之一来确定：分割训练或统一训练。
[0052]
在分割训练中，数据的每个子集可以用于训练标准gpr。gpr可以被划分为标准回归问题，定义为：y＝f(x)+ε其中ε近似等于并且σ
ε
表示噪声。在一些实现中，噪声可以基于与传感器数据相关联的不确定度而变化。例如，位于距交通工具更大距离的传感器数据或检测可以
具有更大的不确定度，并因此具有更大的噪声值。然而，对于单个gpr内的所有检测，预期噪声是相等的。由此，根据与交通工具的距离对检测进行分组可以允许为每个gpr提供更具代表性的噪声值。
[0053]
给定训练数据集以及测试输入x
*
，预测输出f
*
表示为高斯分布。平均值和协方差由以下等式给出：分布。平均值和协方差由以下等式给出：其中k是核函数，k
*
＝k(x,x
*
)，k
**
＝k(x
*
,x
*
)，k＝(x,x)。注意，核函数可以是许多适当的核函数中的任何一个。k表示与观测的样本集(y)相对应的核矩阵。核的参数可以通过最大化由下式给出的对数-边缘似然来训练：
[0054]
在分割训练的情况下，每个gpr使用基于为该gpr划分的检测子集的单独参数集进行训练。通过对每个gpr中使用的检测进行划分，每个核矩阵的大小都被减小，从而通过分而治之的策略降低了操作的时间复杂度。在各方面中，这允许高斯过程适用于实时应用，诸如道路建模。
[0055]
相比之下，统一训练使用参数集的单个集合。通过引入数据子集的独立性假设，可以利用统一训练方法。根据这一假设，对数-边缘似然可以表示为第k个gpr中的每一个gpr的对数-边缘似然的总和。具体地，对数-边缘似然变为：其中注意，通过将核矩阵划分为第k个gpr的较小子集，矩阵的总体大小以及矩阵乘法都会减小。以这种方式，使用独立性假设的统一训练允许有效地求解核函数的参数。
[0056]
除了准确和高效之外，具有集成高斯过程的道路建模还允许将检测划分成稍后被无缝地聚合的子集。结果，方法提供了使用多种类型的传感器数据执行道路建模的固有能力。此外，这些技术允许在后续迭代中利用在先前时间步长处做出的确定。在506处，引入时刻t的测量，并且在508处针对时间t确定经更新的gpr。在各方面中，gpr的后续迭代可以利用先前迭代的发现。例如，时刻t的gpr可以利用时刻t-1的gpr作为基线。具体地，在时刻t-1确定的核参数可以用作用于确定时刻t的核参数的起始点。以这样的方式，每次迭代可以在对运行时间复杂度的损害最小的情况下提高模型的准确度。一旦针对特定时刻确定了核函数的参数，就可以聚合gpr中的每一个以产生包括在道路模型中的聚合值。
[0057]
图6示出了根据具有集成高斯过程的道路建模的gpr聚合模块210-1(例如，gpr聚合模块210的示例)的示例实现600。示例实现600包括使用各种信息源收集的检测604的集合。如图所示，检测604在gpr 602之间被划分。具体而言，检测被划分为子集，其中gpr 602-1对检测608-1和检测608-2进行操作，gpr 602-2对检测610-1和检测610-2进行操作，gpr 602-n对检测612-1和检测612-2进行操作。
[0058]
gpr 602中的每一个都通过统一训练或分割训练来训练。gpr 602各自基于提供给gpr的相应检测子集创建模型。一旦gpr 602被训练，可以将每个模型提供给gpr聚合模块210-1以聚合相应的gpr 602。在各方面中，gpr 602可以使用专家乘积(poe)、广义poe、贝叶斯委员会机器(bcm)、鲁棒bcm或广义鲁棒bcm中的任何一者来聚合。在一些实现中，广义鲁棒bcm由于其在样本数量趋近于无穷大时的收敛性而被使用。广义鲁棒bcm可以用于聚合来自不同gpr的信息。因此，后验分布如下所示：其中dc是具有全局数据分配的主专家，d
+k
＝{dc,dk}是包含第k个专家和分配给主专家的数据的数据集。βk(x
*
)允许第k个专家在x
*
.处的贡献。对于给定的纵向值x
*
.，横向值可以用具有均值和标准偏差的正态分布来描述：可以用具有均值和标准偏差的正态分布来描述：可以用具有均值和标准偏差的正态分布来描述：其中βk被定义为pc(f
*
|dc,x
*
)和p
+k
(f
*
|x
*
,d
+k
)之间的差分熵的差异。
[0059]
在各方面中，当通过执行gpr聚合模块210-1来聚合gpr 602时，确定道路模型606。道路模型数据606可以指示由gpr 602确定的车道或道路的中心线。道路模型数据606可以用于确定道路的道路模型。在一些实现中，道路模型包括根据聚合确定的不确定度值。在各方面中，不确定度值可以根据在gpr聚合期间确定的标准偏差来确定。如图所示，可以为道路模型数据606中的每个点确定不确定度。
[0060]
图7示出了视觉检测306和轨迹检测308的示例。如图所示，交通工具102沿着道路120-1(例如，道路120的示例)行驶。示出了多个检测类型，包括视觉检测306和轨迹检测308。在方面中，视觉检测306是基于车道边界702(例如，车道边界702-1和车道边界702-2)来确定的。在各方面中，视觉检测306-1(例如，视觉检测306的示例)是基于车道边界702确定的中心线。中心线可以被确定为使得沿着中心线定义的视觉检测306-1与车道边界702-1和车道边界702-2等距。在各方面中，记录视觉检测306。
[0061]
图7中还示出了轨迹检测308。在各方面中，轨迹检测308是基于能够生成跟踪的雷达系统或激光雷达系统来确定的。在一些实现中，轨迹检测308可以包括定位和航向数据两者。例如，所示出的轨迹检测308(例如，轨迹检测308-1、轨迹检测308-2、轨迹检测308-3、轨迹检测308-4和轨迹检测308-5)包括位置数据(示出为圆圈)和航向数据(示出为箭头)。通常，轨迹检测308的定位数据指示检测在道路120-1上的位置，而航向数据指示在该方向上的行进方向。虽然示出为包括定位和航向数据两者，但用于确定道路模型的检测可以仅包括定位数据或仅包括航向数据。此外，可以省略所描绘的检测，或者可以添加附加检测，诸如地图检测。
[0062]
图8示出了根据位置和航向数据确定的伪检测802的示例。如图所示，交通工具102
沿着道路120-2(道路120的示例)行驶，道路120-2使用视觉检测306-2(视觉检测306的示例)和轨迹检测308(例如，轨迹检测308-6和轨迹检测308-7)来建模。在各方面中，轨迹检测308包括由圆圈指示的定位数据和由箭头指示的航向数据。在一些实现中，定位数据和航向数据的使用可以允许伪检测802(例如，伪检测802-1、伪检测802-2、伪检测802-3)的外推。例如，通过从轨迹检测308-6沿着航向扩展点来确定伪检测802。使用轨迹检测308-6的航向数据扩展的点变成伪检测802。在一些实现中，伪检测802可以被添加到检测集中，以像从传感器系统收集的任何其他检测一样被对待。这样做的一个优点是，可以从位于距交通工具102最远距离处的最后一个检测外推出附加的伪检测802。以此方式，可以扩展检测范围。确定伪检测802在使用主动学习的情况下可能是特别有利的，因为可以外推除视觉检测之外的检测，以确定一个或多个最佳检测。以此方式，可以放宽从检测池中确定一个或多个最佳检测的条件，因为可以使用来自其他点的数据在任何点处创建伪检测802。
[0063]
伪检测802也可以基于与纵轴的航向角用正弦和余弦来定义。例如，伪检测802的位置可以在横轴上定义为先前检测(例如，轨迹检测308-6)的横向位置加上伪检测(例如，伪检测802-1、伪检测802-2、伪检测802-3)和先前检测之间的距离乘以与纵轴的航向角的正弦。类似地，纵向位置可以定义为先前检测(例如，轨迹检测308-6)的纵向位置加上伪检测(例如，伪检测802-1、伪检测802-2、伪检测802-3)和先前检测之间的距离乘以与纵轴的航向角的余弦。
[0064]
在一些实现中，航向数据不用于确定伪检测802。例如，可以通过沿着两个后续检测(例如，轨迹检测308-6和轨迹检测308-7)之间的最短连接添加点来创建伪检测802。在各方面中，可以通过假设每个后续检测由线连接来确定伪检测802。这再次可以允许检测池支持用于主动学习的更多值。还应注意，尽管根据轨迹检测308进行了描述，但是伪检测802可以根据任何类型的检测来确定。
[0065]
图9示出了根据具有集成高斯过程的道路建模的包括高置信度阈值和低置信度阈值的示例道路模型输出900。如图所示，输出900包括高置信度纵向位置902(rh)和低置信度纵向位置904(rl)。交通工具102正在对道路120-3建模，道路120-3是道路120的示例，交通工具102正在道路120-3上行驶。在各方面中，高置信度纵向位置902和低置信度纵向位置904分为三个区间：高置信度区间906、中置信度区间908和低置信度区间910。具体地，高置信度区间906指示以高准确度或低不确定度报告道路模型从高置信度纵向位置902到交通工具102的部分的区间。中置信度区间908是位于高置信度纵向位置902和低置信度纵向位置904之间的道路模型的区间。在一些实现中，以一定的准确度和一定的不确定度报告中置信度区间908。由此，交通工具102可能需要在穿过中置信度区间908处的道路120-3之前对中置信度区间908进行进一步建模。低置信度区间910可以包括道路模型的比低置信度纵向位置904更远离交通工具102的一部分。例如，低置信度区间910可以与以低准确度和高不确定度报告的道路的一部分相对应。在一些实现中，交通工具102在穿过低置信度区间910处的道路120-3之前可能需要道路建模的一次或多次迭代。
[0066]
道路建模输出900可以以多种不同的方式确定，例如，可以使用检测之间的各种统计距离来确定高置信度纵向位置902和低置信度纵向距离904。在一些实现中，hausdorff距离用于确定高置信度纵向位置902的位置，以使得来自比高置信度纵向位置902更接近交通工具102的纵向位置处的各种gpr的所有检测具有小于高置信度阈值的hausdorff距离。此
外，可以设置低置信度阈值，并且可以确定低置信度纵向位置904，以使得在比低置信度纵向位置904更接近交通工具102的纵向位置处的道路模型具有小于低置信度阈值的hausdorff距离。在各方面中，低置信度阈值和高置信度阈值可以是任何预定值。通常，低置信度阈值高于高置信度阈值，因为较高的阈值允许在不超过阈值的情况下的更大的测量不确定度。在各方面中，高置信度纵向位置902和低置信度纵向位置904由两个因素确定。第一，不同传感器的一致分数(consensus score)。第二，道路建模与给定道路建模的似然。具体地，为了使用hausdorff距离来确定高置信度纵向位置902，可以使用以下等式：其中c(zs)是来自不同测量源的所有比较对的组合，t
hh
是高置信度阈值，d(r；cz)是hausdorff距离。类似地，可以通过以下等式使用hausdorff距离来确定低置信度纵向位置904：其中t
l
是低置信度阈值。注意，可以在道路建模过程的每个时间间隔处确定高置信度纵向位置902和低置信度纵向位置904。
[0067]
在一些实现中，mahalanobis距离用于确定高置信度纵向位置902和低置信度纵向位置904。例如，可以使用以下等式来确定使用mahalanobis距离的高置信度纵向位置902：其中zf是给定纵向距离r的融合测量，m0是道路模型，t
hm
是高置信度阈值。类似地，可以通过以下等式使用mahalanobis距离来确定低置信度纵向位置904：其中t
lm
是低置信度阈值。
[0068]
在一些实现中，可以使用hausdorff距离和mahalanobis距离两者。例如，可以采用上述等式中的每一个的最小纵向值来确定高置信度纵向位置902和低置信度纵向位置904。具体地，以下等式可以用于高置信度纵向位置902：类似地，以下等式可以用于低置信度纵向位置904：在各方面中，当使用多个统计距离(例如，hausdorff距离和mahalanobis距离)时，对于与每个统计差异相关联的计算，相应的低置信度阈值和高置信度阈值可以是相同或不同的。
[0069]
在一些实现中，高置信度纵向位置902或低置信度纵向位置904不是基于统计距离，而是基于在gpr聚合中确定的标准偏差。在图6的描述中详细描述了标准偏差确定。
[0070]
图10示出了根据具有集成高斯过程的道路建模的另一道路建模输出1000。如图所示，交通工具102正在对道路120-4(道路120的示例)进行建模，交通工具102正在道路120-4上行驶。道路建模输出1000包括与道路模型的部分相关联的不确定度1002。例如，与不确定度1002-2相比，不确定度1002-1与道路模型的不同部分相关联。在一些实现中，不确定度1002是根据作为聚合过程的一部分生成的并且在图6中详细描述的标准偏差来确定的。在
其他实现中，不确定度1002是根据图9中所讨论的统计差异来确定的。
[0071]
不确定度1002可以用于在交通工具102穿过道路120-4时影响交通工具102的行为。例如，在道路120-4的道路建模输出1000包括大的不确定度1002的位置处，交通工具可以降低速度。替代地或附加地，交通工具可以减少用于收集道路模型的迭代的时间间隔，以允许在交通工具102必须穿过道路120-3的该部分之前收集关于具有高不确定度的位置的更多信息。此外，交通工具102可以通知交通工具的驾驶员在穿过道路120-3的具有高不确定度1002的部分时执行导航操作。作为这些操作的结果，提供不确定度测量作为道路建模输出1000的元素可以为依赖于道路建模输出1000的基于交通工具的系统提供更多信息，从而允许更安全和更舒适的驾驶行为。示例方法
[0072]
通常，可以执行任何方法中所描述的操作，但是不一定限于本文所示操作的顺序或组合。此外，一个或多个操作中的任何一个可以被重复、组合或重组以提供其他操作。为了便于解释，相对于图1的元素对方法进行描述。
[0073]
图11示出了实现具有集成高斯过程的道路建模的道路感知系统的示例方法1100。在1102处，处理器执行高斯过程模块108的计算机可读指令，以在第一时刻确定至少一个gpr的核函数。在各方面中，确定核函数包括确定至少一个gpr的核函数的参数集。核参数可以通过统一或分割训练来训练。由此，gpr可以各自具有相应的核参数，或gpr可以全部利用单个参数集。在各方面中，gpr中的每一个可以利用不同的检测集来确定核参数。以此方式，可以将较大的问题分成较小的问题集，这些较小的问题集利用分而治之的策略来保持计算效率。
[0074]
在1104处，处理器执行高斯过程模块108的计算机可执行指令，以确定与至少一个gpr的每个gpr的纵向位置相关联的相应平均横向位置。例如，可以针对道路120上的纵向位置确定横向位置值。每个gpr可以对不同的检测子集进行操作，因此，不同的gpr可以提供特定纵向位置的平均横向位置的不同的估计。在一些实现中，每个gpr利用特定类型的检测、在特定纵向范围集内的检测或在特定准确度范围内的检测。以此方式，可以在单个gpr内处理具有类似结构的易于比较的检测，并且可以在稍后进行聚合以无缝地处理从不同源收集的数据。
[0075]
在1106处，聚合至少一个gpr中的每一个的相应平均横向位置，以确定与特定纵向位置相关联的组合横向位置。在各方面中，高斯过程模块108包括计算机可执行指令，该计算机可执行指令在由处理器执行时，使处理器用于使用任何数量的统计过程来执行聚合过程，例如，广义鲁棒贝叶斯委员会机器、专家乘积(poe)、广义poe、贝叶斯委员会机器(bcm)或鲁棒bcm。在一些实现中，使用广义鲁棒贝叶斯委员会机器是因为当样本数量趋近于无穷大时，它会收敛到潜在的真实预测分布。通过确定来自多个gpr值，然后聚合这些值，可以从多个传感器源确定道路模型，同时保持准确度和计算效率。此外，聚合可以提供用于确定与对应于特定纵向值的每个横向值相关联的不确定度的统计方法。由此，道路模型可以包括与道路模型相关联的值和与这些值相关联的不确定度两者。
[0076]
在1108处，通过执行输出模块112输出道路120在第一时刻的道路模型。在各方面中，道路模型被输出到基于交通工具的系统114，以辅助交通工具功能的执行，例如，自主或辅助驾驶功能。在一些实现中，道路120的道路模型包括与纵向位置相关联的组合横向位置
和不确定度。在其他实现中，仅输出与沿着道路120的纵向位置相关联的组合横向位置。在各方面中，道路模型包括分别与沿着道路120的多个纵向位置相关联的多个横向位置，以充分地对道路120进行建模。
[0077]
图12示出了根据具有集成高斯过程的道路建模来执行主动学习的示例方法1200。在各方面中，通过执行主动学习模块110的计算机可执行指令来执行主动学习。在各方面中，在1202处，从检测池中确定一个或多个最佳检测。在一些实现中，在执行道路建模过程的后续迭代之前利用主动学习。替代地或附加地，主动学习可以用于在第一迭代期间将检测分类为子集。通常，一个或多个最佳检测与提供最多信息增益的检测相对应。具体地，一个或多个最佳检测可以使用期望改进的原理或下置信度界限的原理来确定。主动学习可以确保添加到数据集的检测是最有用的检测，从而保持或提高准确度和计算效率。
[0078]
在1204处，在第二时刻确定至少一个gpr的核函数。在各方面中，基于在1202处通过主动学习确定的子集，通过核参数确定核函数。在一些实现中，第二时刻的核函数可以通过利用第一时刻确定的核参数来确定。以此方式，可以迭代地利用gpr来在后续时刻不断地更新道路模型。例如，在先前迭代中确定的核函数参数可以充当后续迭代中的基线。此外，来自先前迭代的检测可以用于确定后续迭代的核参数。以此方式，道路模型的准确度可以以对计算效率的最小回归继续提高。
[0079]
在1206处，确定与每个gpr的纵向位置相关联的经更新的相应平均横向位置。在各方面中，经更新的相应平均横向位置基于由在第二时刻确定的核参数定义的在第二时刻的核函数。在1208处，聚合与纵向位置相关联的经更新的相应平均横向位置，以产生与纵向位置相关联的经更新的组合横向位置。在各方面中，道路模型表示与相应纵向位置相关联的组合横向位置。聚合可以再次包括确定与每个横向位置相关联的不确定度。在1210处，通过执行输出模块112输出道路120在第二时刻的道路模型。在各方面中，道路模型被输出到交通工具102的基于交通工具的系统114，并且当与第一时刻的道路模型进行比较时，该道路模型包括关于道路120的更多信息或更准确的信息。在一些实现中，道路模型包括组合横向位置和相关联的不确定度。
[0080]
图13示出了输出根据具有集成高斯过程的道路建模的道路模型的详细示例方法1108。在各方面中，方法1108通过执行输出模块112的计算机可执行指令来执行。在1302处，将每个gpr的横向位置进行比较。在各方面中，比较包括确定gpr之间的不同统计差异。方法1108可以可选地继续至1304、1306或两者。
[0081]
在1304处，将高置信度纵向位置确定为最小纵向位置，其中在最小纵向位置处的至少一对gpr之间的hausdorff距离大于或等于高置信度阈值。在各方面中，高置信度阈值被定义为取决于应用的任何值。例如，当期望较高的置信度或要实现高安全系数时，高置信度阈值可以较低。附加地，或者代替高置信度纵向位置，将低置信度纵向位置确定为最小纵向位置，其中在最小纵向位置处的至少一对gpr之间的hausdorff距离大于或等于低置信度阈值。通常，低置信度阈值大于高置信度阈值，因为较高的置信度允许在不超过阈值的情况下的更大不确定度。
[0082]
在1306处，将高置信度纵向位置确定为最小纵向位置，其中在最小纵向位置处的至少一对gpr之间的mahalanobis距离大于或等于高置信度阈值。在各方面中，高置信度阈值被定义为取决于应用的任何值，并且可以与在1304处定义的高置信度阈值不同。与在
1304处执行的操作类似，可以将低置信度纵向位置确定为最小纵向位置，其中在最小纵向位置处的至少一对gpr之间的mahalanobis距离大于或等于低置信度阈值。再次，低置信度阈值可以与1304处的低置信度阈值相同或不同。
[0083]
在执行了1304处的操作和1306处的操作两者的实现中，可以确定最小低置信度纵向位置或最小高置信度纵向位置。在各方面中，这是通过在1304处和1306处确定的位置之间执行最小操作来完成的。
[0084]
在1308处，输出道路在第一时刻的道路模型，该道路模型包括与纵向位置或高置信度纵向位置相关联的组合横向位置。在一些实现中，道路模型可以包括低置信度纵向位置。由此，道路模型可以包括高置信度部分、中置信度部分和低置信度部分，高置信度部分、中置信度部分和低置信度部分分别被定义为道路模型的、从交通工具102至高置信度纵向位置的部分、从高置信度纵向位置至低置信度纵向位置的部分、以及从低置信度纵向位置至距离交通工具102的任何进一步的纵向位置的部分。以此方式，所公开的具有集成高斯过程的道路建模允许输出包括具有相关联的不确定度的准确值的道路模型。附加示例
[0085]
示例1.一种方法，方法包括：使用至少一个高斯过程回归(gpr)在第一时刻对道路进行建模，建模包括：基于从一个或多个交通工具系统接收的检测的样本集，在第一时刻确定至少一个gpr的核函数；基于在第一时刻的核函数，确定至少一个gpr中的每一个gpr的相应平均横向位置，相应平均横向位置与特定纵向位置相关联；聚合至少一个gpr中的每一个gpr的相应平均横向位置，以确定与特定纵向位置相关联的组合横向位置；以及输出道路在第一时刻的道路模型，道路模型包括与特定纵向位置相关联的组合横向位置。
[0086]
示例2.如先前示例中任一项所述的方法，其中确定与特定纵向位置相关联的组合横向位置包括：确定与纵向位置相关联的方差；以及输出道路在第一时刻的道路模型进一步包括与纵向位置相关联的方差。
[0087]
示例3.如先前示例中任一项所述的方法，进一步包括：使用至少一个高斯过程回归(gpr)在第二时刻对道路进行建模，建模包括：基于从一个或多个交通工具系统接收的经更新的检测集和在第一时刻的核函数，在第二时刻确定至少一个gpr的核函数；基于在第二时刻的核函数，确定至少一个gpr中的每一个gpr的经更新的相应平均横向位置，经更新的相应平均横向位置与至少一个gpr的纵向位置相关联；聚合至少一个gpr中的每一个gpr的经更新的相应平均横向位置，以确定与纵向位置相关联的经更新的组合横向位置；以及输出道路在第二时刻的道路模型，道路模型包括与纵向位置相关联的经更新的组合横向位置。
[0088]
示例4.如先前示例中任一项所述的方法，其中方法进一步包括：对于至少一个gpr，确定来自检测池的一个或多个最佳检测，检测池中的每一个检测包括纵向位置和横向位置，一个或多个最佳检测与提供最多信息增益的检测相对应，其中来自检测池的一个或多个最佳检测包括在检测的样本集内。
[0089]
示例5.如先前示例中任一项所述的方法，其中提供最多信息增益的检测包括：确定为导致至少一个gpr的相应平均横向位置的最大变化的纵向位置，相应平均横向位置与纵向位置相关联。
[0090]
示例6.如先前示例中任一项所述的方法，其中提供最多信息增益的检测包括：基
于与纵向位置相关联的相应平均横向位置和与纵向位置相关联的相应方差确定为具有最大下置信度界限的纵向位置。
[0091]
示例7.如先前示例中任一项所述的方法，其中在第一时刻确定至少一个gpr的核函数包括确定导致最大对数-边缘似然的核参数。
[0092]
示例8.如先前示例中任一项所述的方法，其中在第一时刻确定至少一个gpr的核函数包括：将检测的样本集划分为一个或多个检测子集；以及确定导致与一个或多个检测子集中的每一个检测子集相关联的每一个对数-边缘似然的最大总和的核参数。
[0093]
示例9.如先前示例中任一项所述的方法，其中将检测的样本集划分为一个或多个检测子集是基于检测类型的。
[0094]
示例10.如先前示例中任一项所述的方法，其中在第一时刻确定至少一个gpr的核函数进一步基于高斯噪声值。
[0095]
示例11.如先前示例中任一项所述的方法，其中聚合至少一个gpr中的每一个gpr的相应平均横向位置，以确定与特定纵向位置相关联的组合横向位置包括使用以下各项中的至少一项：广义鲁棒贝叶斯委员会机器；专家乘积；广义专家乘积；贝叶斯委员会机器；或者鲁棒贝叶斯委员会机器。
[0096]
示例12.如先前示例中任一项所述的方法，其中输出道路在第一时刻的道路模型包括将道路模型输出到基于交通工具的系统，以帮助基于交通工具的系统执行交通工具功能。
[0097]
示例13.如先前示例中任一项所述的方法，其中检测的样本集包括位置数据和航向数据。
[0098]
示例14.如先前示例中任一项所述的方法，其中检测的样本集中的至少一个检测是从交通工具的视觉检测系统接收并且基于检测到的道路上的车道边界的视觉检测。
[0099]
示例15.如先前示例中任一项所述的方法，其中检测的样本集中的至少一个检测是从交通工具的雷达系统接收的轨迹检测，并且基于由雷达系统确定的雷达跟踪。
[0100]
示例16.如先前示例中任一项所述的方法，其中检测的样本集中的至少一个检测是从交通工具的测绘系统接收并且基于道路的道路地图的轨迹检测。
[0101]
示例17.如先前示例中任一项所述的方法，其中检测的样本集包括多个检测类型。
[0102]
示例18.如先前示例中任一项所述的方法，其中输出道路在第一时刻的道路模型包括：对于至少一个gpr中的每一对gpr，将与纵向位置相关联的平均横向位置进行比较；确定高置信度纵向位置，其中与比高置信度纵向位置小的纵向位置相关联的平均横向位置的每个比较小于高置信度阈值，确定高置信度纵向位置包括：确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于高置信度阈值；或者确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于高置信度阈值；以及输出与在比高置信度纵向位置小的纵向位置处的纵向位置相关联的组合横向位置作为高置信度位置。
[0103]
示例19.如先前示例中任一项所述的方法，其中输出道路在第一时刻的道路模型进一步包括：确定低置信度纵向位置，其中与比低置信度纵向位置小的纵向位置相关联的横向位置的每个比较小于低置信度阈值，确定低置信度纵向位置包括：确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于
低置信度阈值；或者确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于低置信度阈值；以及输出与在比低置信度纵向位置小的纵向位置和大于或等于高置信度纵向位置的纵向位置处的纵向位置相关联的组合横向位置作为中置信度位置；以及输出与在大于或等于低置信度纵向位置的纵向位置处的纵向位置相关联的组合横向位置作为低置信度。
[0104]
示例20.一种方法，方法包括：使用至少一个高斯过程回归(gpr)对道路进行建模，建模包括：对于至少一个gpr中的gpr，确定来自检测池的一个或多个最佳检测，检测池中的每一个检测包括纵向位置和横向位置，一个或多个最佳检测与最多信息增益相对应；使用至少一个gpr中的gpr和一个或多个最佳检测，确定与纵向位置相关联的相应平均横向位置；使用聚合函数，确定与纵向位置相关联的组合横向位置，组合横向位置至少基于使用一个或多个最佳检测确定的相应平均横向位置；以及输出道路的道路模型，道路模型包括与纵向位置相关联的组合横向位置。
[0105]
示例21.如先前示例中任一项所述的方法，其中与最多信息增益相关联的检测包括：确定为导致至少一个gpr的相应平均横向位置的最大变化的纵向位置，相应平均横向位置与纵向位置相关联。
[0106]
示例22.如先前示例中任一项所述的方法，其中与最多信息增益相关联的检测包括：基于与纵向位置相关联的相应平均横向位置和与纵向位置相关联的相应方差确定为具有最大下置信度界限的纵向位置。
[0107]
示例23.一种系统，系统包括：至少一个处理器，至少一个处理器被配置成用于使用至少一个高斯过程回归(gpr)在第一时刻对道路进行建模，至少一个处理器被配置成用于通过以下方式在第一时刻对道路进行建模：基于从一个或多个交通工具系统接收的检测的样本集，在第一时刻确定一个或多个gpr的核函数；基于核函数，确定一个或多个gpr中的每一个gpr的相应平均横向位置，相应平均横向位置与纵向位置相关联；聚合至少一个gpr中的每一个gpr的相应平均横向位置，以确定与纵向位置相关联的组合横向位置；以及输出道路在第一时刻的道路模型，道路模型包括与纵向位置相关联的组合横向位置。
[0108]
示例24.如先前示例中任一项所述的系统，其中至少一个处理器被配置用于：通过确定与纵向位置相关联的方差来确定与纵向位置相关联的组合横向位置；以及输出道路在第一时刻的道路模型，以包括与纵向位置相关联的方差。
[0109]
示例25.如先前示例中任一项所述的系统，其中至少一个处理器被进一步配置用于：使用至少一个高斯过程回归(gpr)在第二时刻对道路进行建模，至少一个处理器被配置成用于通过以下方式在第二时刻对道路进行建模：基于从一个或多个交通工具系统接收的经更新的检测集和在第一时刻的核函数，在第二时刻确定至少一个gpr的核函数；基于在第二时刻的核函数，确定至少一个gpr中的每一个gpr的经更新的相应平均横向位置，经更新的相应平均横向位置与至少一个gpr的纵向位置相关联；聚合至少一个gpr中的每一个gpr的经更新的相应平均横向位置，以确定与纵向位置相关联的经更新的组合横向位置；以及输出道路在第二时刻的道路模型，道路模型包括与纵向位置相关联的经更新的组合横向位置。
[0110]
示例26.如先前示例中任一项所述的系统，其中至少一个处理器被进一步配置用于：对于至少一个gpr，确定来自检测池的一个或多个最佳检测，检测池中的每一个检测包
括纵向位置和横向位置，一个或多个最佳检测与提供最多信息增益的检测相对应；以及将来自检测池的一个或多个最佳检测包括在所述检测的样本集内。
[0111]
示例27.如先前示例中任一项所述的系统，其中至少一个处理器被进一步配置成用于聚合至少一个gpr中的每一个gpr的相应平均横向位置，以确定与纵向位置相关联的组合横向位置包括使用以下各项中的至少一项：广义鲁棒贝叶斯委员会机器；专家乘积；广义专家乘积；贝叶斯委员会机器；或者鲁棒贝叶斯委员会机器。
[0112]
示例28.如先前示例中任一项所述的系统，其中至少一个处理器被进一步配置成用于通过以下方式输出道路在第一时刻的道路模型：对于至少一个gpr中的每一对gpr，将与纵向位置相关联的平均横向位置进行比较；确定高置信度纵向位置，其中与比高置信度纵向位置小的纵向位置相关联的平均横向位置的每个比较小于高置信度阈值，至少一个处理器被配置成用于通过以下方式确定高置信度纵向位置：确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于高置信度阈值；或者确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于高置信度阈值；以及输出与在比高置信度纵向位置小的纵向位置处的纵向位置相关联的组合横向位置作为高置信度位置。
[0113]
示例29.如先前示例中任一项所述的系统，其中至少一个处理器被进一步配置成用于通过以下方式输出道路在第一时刻的道路模型：确定低置信度纵向位置，其中与比低置信度纵向位置小的纵向位置相关联的横向位置的每个比较小于低置信度阈值，至少一个处理器被配置成用于通过以下方式确定低置信度纵向位置：确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于低置信度阈值；或者确定最小纵向位置，其中在最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于低置信度阈值；以及输出与在比低置信度纵向位置小的纵向位置和大于或等于高置信度纵向位置的纵向位置处的纵向位置相关联的组合横向位置作为中置信度位置；以及输出与在大于或等于低置信度纵向位置的纵向位置处的纵向位置相关联的组合横向位置作为低置信度。
[0114]
示例30.如先前示例中任一项所述的系统，其中：系统安装在交通工具上；并且至少一个处理器被配置用于：响应于输出道路在第一时刻的道路模型，执行道路在第一时刻的道路模型，以执行交通工具的功能。
[0115]
示例31.一种系统，系统包括处理器，处理器被配置成用于执行先前示例中任一项的方法。
[0116]
示例32.一种系统，系统包括用于执行先前示例中任一项的方法的装置。
[0117]
示例33.一种非瞬态计算机可读存储介质，非瞬态计算机可读存储介质包括指令，指令在被执行时使处理器用于执行任何先前示例中任一项的方法。结语
[0118]
虽然在前述描述中描述并且在附图中示出了本公开的各种实施例，但应当理解，本公开不限于此，而是可以在接下来的权利要求的范围内以各种方式实施为实践。根据前述描述，将显而易见的是，可以做出各种更改而不偏离由接下来的权利要求所限定的本公开内容的精神和范围。
[0119]
除非上下文另有明确规定，否则“或”和语法上相关的术语的使用表示无限制的非
排他性替代方案。如本文所使用的，引述一列项目中的“至少一者”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、和a-b-c，以及具有多个相同元素的任何组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c、和c-c-c，或者a、b和c的任何其他排序)。

技术特征：
1.一种方法，所述方法包括：通过以下方式使用至少一个高斯过程回归(gpr)在第一时刻对道路进行建模：基于从一个或多个交通工具系统接收的检测的样本集，在所述第一时刻确定所述至少一个gpr的核函数；基于在所述第一时刻的所述核函数，确定所述至少一个gpr中的每一个gpr的相应平均横向位置，所述相应平均横向位置与特定纵向位置相关联；聚合所述至少一个gpr中的每一个gpr的所述相应平均横向位置，以确定与所述特定纵向位置相关联的组合横向位置；以及输出所述道路在所述第一时刻的道路模型，所述道路模型包括与所述特定纵向位置相关联的所述组合横向位置。2.如权利要求1所述的方法，其特征在于，确定与所述特定纵向位置相关联的组合横向位置包括：确定与所述纵向位置相关联的方差；以及输出所述道路在所述第一时刻的道路模型进一步包括与所述纵向位置相关联的所述方差。3.如权利要求1所述的方法，进一步包括：通过以下方式使用所述至少一个高斯过程回归(gpr)在第二时刻对所述道路进行建模：基于从一个或多个交通工具系统接收的经更新的检测集和在所述第一时刻的所述核函数，在所述第二时刻确定所述至少一个gpr的核函数；基于在所述第二时刻的所述核函数，确定所述至少一个gpr中的每一个gpr的经更新的相应平均横向位置，所述经更新的相应平均横向位置与至少一个gpr的纵向位置相关联；聚合所述至少一个gpr中的每一个gpr的所述经更新的相应平均横向位置，以确定与所述纵向位置相关联的经更新的组合横向位置；以及输出所述道路在所述第二时刻的道路模型，所述道路模型包括与所述纵向位置相关联的所述经更新的组合横向位置。4.如权利要求1所述的方法，其特征在于，所述方法进一步包括：对于所述至少一个gpr，确定来自检测池的一个或多个最佳检测，所述检测池中的每一个检测包括纵向位置和横向位置，所述一个或多个最佳检测与提供最多信息增益的检测相对应，其中来自所述检测池的所述一个或多个最佳检测包括在所述检测的样本集内。5.如权利要求4所述的方法，其特征在于，提供所述最多信息增益的所述检测包括：确定为导致所述至少一个gpr的相应平均横向位置的最大变化的纵向位置，所述相应平均横向位置与所述纵向位置相关联。6.如权利要求4所述的方法，其特征在于，提供所述最多信息增益的所述检测包括：基于与所述纵向位置相关联的相应平均横向位置和与所述纵向位置相关联的相应方差确定为具有最大下置信度界限的纵向位置。7.如权利要求1所述的方法，其特征在于，在所述第一时刻确定所述至少一个gpr的核函数包括确定导致最大对数-边缘似然的核参数。
8.如权利要求1所述的方法，其特征在于，在所述第一时刻确定所述至少一个gpr的核函数包括：将所述检测的样本集划分为一个或多个检测子集；以及确定导致与所述一个或多个检测子集中的每一个检测子集相关联的每一个对数-边缘似然的最大总和的核参数。9.如权利要求8所述的方法，其特征在于，将所述检测的样本集划分为一个或多个检测子集是基于检测类型的。10.如权利要求1所述的方法，其特征在于，在所述第一时刻确定所述至少一个gpr的所述核函数进一步基于高斯噪声值。11.如权利要求1所述的方法，其特征在于，聚合所述至少一个gpr中的每一个gpr的所述相应平均横向位置，以确定与所述特定纵向位置相关联的组合横向位置包括使用以下各项中的至少一项：广义鲁棒贝叶斯委员会机器；专家乘积；广义专家乘积；贝叶斯委员会机器；或者鲁棒贝叶斯委员会机器。12.如权利要求1所述的方法，其特征在于，输出所述道路在所述第一时刻的所述道路模型包括将所述道路模型输出到基于交通工具的系统，以帮助所述基于交通工具的系统执行交通工具功能。13.如权利要求1所述的方法，其特征在于，所述检测的样本集包括位置数据和航向数据。14.如权利要求1所述的方法，其特征在于，所述检测的样本集中的至少一个检测是从交通工具的视觉检测系统接收并且基于检测到的所述道路上的车道边界的视觉检测。15.如权利要求1所述的方法，其特征在于，所述检测的样本集中的至少一个检测是从交通工具的雷达系统接收的轨迹检测，并且基于由所述雷达系统确定的雷达跟踪。16.如权利要求1所述的方法，其特征在于，所述检测的样本集中的至少一个检测是从交通工具的测绘系统接收并且基于所述道路的道路地图的地图检测。17.如权利要求1所述的方法，其特征在于，所述检测的样本集包括多个检测类型。18.如权利要求1所述的方法，其特征在于，输出所述道路在所述第一时刻的所述道路模型包括：对于所述至少一个gpr中的每一对gpr，将与纵向位置相关联的平均横向位置进行比较；确定高置信度纵向位置，其中与比所述高置信度纵向位置小的纵向位置相关联的所述平均横向位置的每个比较小于高置信度阈值，确定高置信度纵向位置包括：确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于所述高置信度阈值；或者确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于所述高置信度阈值；以及
输出与在比所述高置信度纵向位置小的纵向位置处的所述纵向位置相关联的所述组合横向位置作为高置信度位置。19.如权利要求18所述的方法，其特征在于，输出所述道路在所述第一时刻的所述道路模型进一步包括：确定低置信度纵向位置，其中与比所述低置信度纵向位置小的纵向位置相关联的所述横向位置的每个比较小于低置信度阈值，确定低置信度纵向位置包括：确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于所述低置信度阈值；或者确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于所述低置信度阈值；以及输出与在比所述低置信度纵向位置小的纵向位置和大于或等于所述高置信度纵向位置的纵向位置处的所述纵向位置相关联的所述组合横向位置作为中置信度位置；以及输出与在大于或等于所述低置信度纵向位置的纵向位置处的所述纵向位置相关联的所述组合横向位置作为低置信度。20.一种方法，所述方法包括：使用至少一个高斯过程回归(gpr)对道路进行建模，所述建模包括：对于所述至少一个gpr中的gpr，确定来自检测池的一个或多个最佳检测，所述检测池中的每一个检测包括纵向位置和横向位置，所述一个或多个最佳检测与最多信息增益相对应；使用所述至少一个gpr中的所述gpr和所述一个或多个最佳检测，确定与纵向位置相关联的相应平均横向位置；使用聚合函数，确定与所述纵向位置相关联的组合横向位置，所述组合横向位置至少基于使用所述一个或多个最佳检测确定的所述相应平均横向位置；以及输出所述道路的道路模型，所述道路模型包括与所述纵向位置相关联的所述组合横向位置。21.如权利要求20所述的方法，其特征在于，与所述最多信息增益相关联的所述检测包括：确定为导致所述至少一个gpr的相应平均横向位置的最大变化的纵向位置，所述相应平均横向位置与所述纵向位置相关联。22.如权利要求20所述的方法，其特征在于，与所述最多信息增益相关联的所述检测包括：基于与纵向位置相关联的相应平均横向位置和与所述纵向位置相关联的相应方差确定为具有最大下置信度界限的纵向位置。23.一种系统，所述系统包括：至少一个处理器，所述至少一个处理器被配置成用于使用至少一个高斯过程回归(gpr)在第一时刻对道路进行建模，所述至少一个处理器被配置成用于通过以下方式在所述第一时刻对所述道路进行建模：基于从一个或多个交通工具系统接收的检测的样本集，在所述第一时刻确定所述一个或多个gpr的核函数；
基于所述核函数，确定所述一个或多个gpr中的每一个gpr的相应平均横向位置，所述相应平均横向位置与纵向位置相关联；聚合所述至少一个gpr中的每一个gpr的所述相应平均横向位置，以确定与所述纵向位置相关联的组合横向位置；以及输出所述道路在所述第一时刻的道路模型，所述道路模型包括与所述纵向位置相关联的所述组合横向位置。24.如权利要求23所述的系统，其特征在于，所述至少一个处理器被配置成：通过确定与所述纵向位置相关联的方差来确定与所述纵向位置相关联的组合横向位置；以及输出所述道路在所述第一时刻的道路模型，以包括与所述纵向位置相关联的所述方差。25.如权利要求23所述的系统，其特征在于，所述至少一个处理器被进一步配置成用于：使用所述至少一个高斯过程回归(gpr)在第二时刻对所述道路进行建模，所述至少一个处理器被配置成用于通过以下方式在所述第二时刻对所述道路进行建模：基于从一个或多个交通工具系统接收的经更新的检测集和在所述第一时刻的所述核函数，在所述第二时刻确定所述至少一个gpr的核函数；基于在所述第二时刻的所述核函数，确定所述至少一个gpr中的每一个gpr的经更新的相应平均横向位置，所述经更新的相应平均横向位置与至少一个gpr的纵向位置相关联；聚合至少一个gpr中的每一个gpr的所述经更新的相应平均横向位置，以确定与所述纵向位置相关联的经更新的组合横向位置；以及输出所述道路在所述第二时刻的道路模型，所述道路模型包括与所述纵向位置相关联的所述经更新的组合横向位置。26.如权利要求23所述的系统，其特征在于，所述至少一个处理器被进一步配置成用于：对于所述至少一个gpr，确定来自检测池的一个或多个最佳检测，所述检测池中的每一个检测包括纵向位置和横向位置，所述一个或多个最佳检测与提供最多信息增益的检测相对应；以及将来自所述检测池的所述一个或多个最佳检测包括在所述检测的样本集内。27.如权利要求23所述的系统，其特征在于，所述至少一个处理器被进一步配置成用于聚合所述至少一个gpr中的每一个gpr的所述相应平均横向位置，以确定与所述纵向位置相关联的组合横向位置包括使用以下各项中的至少一项：广义鲁棒贝叶斯委员会机器；专家乘积；广义专家乘积；贝叶斯委员会机器；或者鲁棒贝叶斯委员会机器。28.如权利要求23所述的系统，其特征在于，所述至少一个处理器被进一步配置成用于通过以下方式输出所述道路在所述第一时刻的所述道路模型：
对于所述至少一个gpr中的每一对gpr，将与纵向位置相关联的平均横向位置进行比较；确定高置信度纵向位置，其中与比所述高置信度纵向位置小的纵向位置相关联的所述平均横向位置的每个比较小于高置信度阈值，所述至少一个处理器被配置成用于通过以下方式确定所述高置信度纵向位置：确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于所述高置信度阈值；或者确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于所述高置信度阈值；以及输出与在比所述高置信度纵向位置小的纵向位置处的所述纵向位置相关联的所述组合横向位置作为高置信度位置。29.如权利要求28所述的系统，其特征在于，所述至少一个处理器被进一步配置成用于通过以下方式输出所述道路在所述第一时刻的所述道路模型：确定低置信度纵向位置，其中与比所述低置信度纵向位置小的纵向位置相关联的所述横向位置的每个比较小于低置信度阈值，所述至少一个处理器被配置成用于通过以下方式确定所述低置信度纵向位置：确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的hausdorff距离大于或等于所述低置信度阈值；或者确定最小纵向位置，其中在所述最小纵向位置处的至少一对gpr的平均横向位置之间的mahalanobis距离大于或等于所述低置信度阈值；以及输出与在比所述低置信度纵向位置小的纵向位置和大于或等于所述高置信度纵向位置的纵向位置处的所述纵向位置相关联的所述组合横向位置作为中置信度位置；以及输出与在大于或等于所述低置信度纵向位置的纵向位置处的所述纵向位置相关联的所述组合横向位置作为低置信度。30.如权利要求23所述的系统，其特征在于：所述系统安装在交通工具上；并且所述至少一个处理器被配置用于：响应于输出所述道路在所述第一时刻的所述道路模型，执行所述道路在所述第一时刻的所述道路模型，以执行所述交通工具的功能。

技术总结
本文档描述了具有集成高斯过程的道路建模。使用至少一个高斯过程回归(GPR)在第一时刻对道路进行建模。基于从一个或多个交通工具系统接收的检测的样本集来确定核函数。基于核函数，为至少一个GPR中的每一个GPR确定与特定纵向位置相关联的相应平均横向位置。聚合至少一个GPR中的每一个GPR的相应平均横向位置，以确定与特定纵向位置相关联的组合横向位置。然后输出包括与特定纵向位置相关联的组合横向位置的道路模型。以此方式，可以确定鲁棒且计算高效的道路模型，以有助于提高交通工具的安全性和性能。全性和性能。全性和性能。


技术研发人员：贾斌
受保护的技术使用者：安波福技术有限公司
技术研发日：2022.12.22
技术公布日：2023/6/28