阅读说明：本技术 车辆道路摩擦控制 (Vehicle road friction control ) 是由 凯尔·西蒙斯 埃里克·弘泰·曾 迈克尔·哈夫纳 莫森·莱克哈尔-阿亚特 于 2020-02-11 设计创作，主要内容包括：本公开提供了“车辆道路摩擦控制”。基于根据多辆车辆中的每一辆的相应速度确定的交通速度来确定道路位置的道路摩擦。可基于所确定的道路摩擦来操作车辆。(The present disclosure provides "vehicle road friction control". Road friction for a road location is determined based on traffic speeds determined from respective speeds of each of a plurality of vehicles. The vehicle may be operated based on the determined road friction.)

车辆道路摩擦控制

技术领域

本公开大体涉及车辆操作，并且更特别地涉及车辆道路摩擦控制。

背景技术

两个相邻表面之间的摩擦(即，抵靠彼此进行的接触或滑动)通常用摩擦系数(常以希腊字母μ表示)指定。摩擦是相邻材料的经验属性，即，取决于材料的组成(例如，橡胶和沥青)，以及可涂覆或出现在相邻材料之间的其他材料(例如，冰、水、油等)的存在或不存在。

道路摩擦是道路车辆操作中的重要因素。道路摩擦，也称为表面摩擦或摩擦系数，是车辆上的轮胎与道路表面之间的牵引力的量度。作为一个示例，道路摩擦可通过确定轮胎与道路表面之间的轮胎-道路摩擦系数来测量。轮胎-道路摩擦系数的范围通常在0与1之间。轮胎-道路摩擦系数越接近于1，摩擦力(例如，牵引力)就越大。轮胎-道路摩擦系数越接近于0，道路就越滑。轮胎-道路摩擦系数通常在某种程度上随道路表面材料和/或道路表面上的任何物质(例如水、雪)变化。作为一个示例，以特定速度行进的车辆在沥青表面干燥且摩擦系数为0.7的道路上可维持牵引力，而在表面结冰且摩擦系数为0.25的道路上更有可能失去牵引力。

轮胎-道路摩擦系数可用于确定最小停车距离(即，车辆能够从当前速度减速到完全停止的最小距离)以及车辆在轮胎在道路表面上不打滑和/或滑动的情况下可行进的最大速度。表面摩擦进一步可至少部分地支配车速、转弯半径等。因此，期望能够尽可能可靠且准确地确定道路表面摩擦。

发明内容

本文公开用于预测或估计道路摩擦的改进的系统和方法。有利地，可在车辆经历所预测道路摩擦之前预测道路摩擦，例如，可在接近道路提供低摩擦(即，比正常情况更滑)的区域的车辆位于低摩擦的位置处之前向所述车辆提供对低摩擦的预测。也就是说，具有包括指定区域的计划路线的车辆可在所述车辆到达所述区域之前获得关于所述区域中的道路摩擦的信息。车辆传感器和/或来自基础设施系统的数据可提供关于所述区域中的其他车辆的速度的信息，以及关于所述区域和/或环境中的其他特性的信息。此类其他信息可包括天气条件、光照条件、行车道特性(诸如桥梁或立交桥的存在)等。与交通速度有关的数据和诸如刚刚确认的其他信息可作为输入提供给机器学习程序，所述机器学习程序接着可输出道路的位置或区域的所估计道路摩擦。所估计道路摩擦接着可作为输入提供给车辆计算机以操作车辆。

一种方法包括：基于根据多辆车辆中的每一辆的相应速度确定的交通速度来确定道路位置的道路摩擦；以及

基于所述道路摩擦来操作车辆。除交通速度外，还可基于第二数据确定所述道路摩擦，所述第二数据为以下中的一者：所述位置是否包括桥梁或立交桥、日照状态、雨情、雪情、雾情、施工条件、紧急车辆的存在或不存在、碎屑的存在或不存在或周围温度。所述第二数据可从地图获得。所述方法还可包括：确定所述交通速度是否低于阈值交通速度；以及仅在确定所述交通速度低于所述阈值交通速度时提供所述交通速度，从而基于所述交通速度来确定所述道路摩擦。区域可包括在所述车辆的计划路线上。基于所述道路摩擦来操作所述车辆可包括：控制牵引力、速度、转向、制动、车道保持或车道变更。确定所述道路摩擦可包括：作为输出从机器学习程序获得所述道路摩擦。所述机器学习程序可设置在基础设施节点计算机中。所述机器学习程序可设置在所述车辆中的计算机中。所述方法还可包括：提供包括所述道路位置的区域的所述交通速度和所述第二数据，由此提供所述区域的所述道路摩擦；其中所述区域根据道路区段的起点和终点来界定。

一种计算机包括处理器和存储器，所述存储器存储指令，所述指令能由所述处理器执行，使得所述计算机被编程为：基于根据多辆车辆中的每一辆的相应速度确定的交通速度来确定道路位置的道路摩擦；并且基于所述道路摩擦来操作车辆。所述计算机可进一步被编程为除了所述交通速度外，还基于第二数据确定所述道路摩擦，所述第二数据为以下中的一者：所述位置是否括包桥梁或立交桥、日照状态、雨情、雪情、雾情、施工条件、紧急车辆的存在或不存在、残屑的存在或不存在或周围温度。所述计算机可进一步被编程为从地图获得所述第二数据。所述计算机可进一步被编程为：确定所述交通速度是否低于阈值交通速度，并且仅在确定所述交通速度低于所述阈值交通速度时提供所述交通速度，从而基于所述交通速度来确定所述道路摩擦。区域可包括在所述车辆的计划路线上。基于所述道路摩擦来操作所述车辆可包括：控制牵引力、速度、转向、致动、车道保持或车道变更。确定所述道路摩擦可包括：作为输出从机器学习程序获得所述道路摩擦。所述机器学习程序可设置在基础设施节点计算机中。所述还可包括用于执行所述机器学习程序的编程。所述计算机可进一步被编程为提供包括所述道路位置的区域的所述交通速度，由此提供所述区域的所述道路摩擦；其中所述区域根据道路区段的起点和终点来界定。

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是示例性深度神经网络的图解。

图3是用于估计或预测道路摩擦并根据所预测道路摩擦来操作车辆的示例性过程的流程图。

图4示出用于根据所估计或预测道路摩擦来操作车辆105的示例性过程400。

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与一个或多个数据集合或基础设施节点140、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可包括用于操作车辆105的制动、推进(例如，通过控制内燃发动机、电动马达、混合动力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车辆计算机110(而非人类操作员)是否以及何时控制此类操作的编程。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可包括多于一个处理器，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多于一个处理器，所述多于一个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。位置数据可呈已知形式，例如，地理坐标(纬度和经度坐标)。

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/或无线机构进行通信。

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、人机接口(HMI)等。替代地或另外地，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(lidar)传感器115等，所述光探测和测距传感器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。替代地或另外地，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)，其提供来自车辆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是适于执行机械或电机械功能或操作—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，其可包括转向轮、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可被配置用于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，通过车辆对车辆(V2V)或车辆对基础设施(V2X)无线通信与另一车辆、基础设施节点140(通常经由直接射频通信)和/或(通常经由网络135)远程服务器145通信。模块130可包括车辆计算机110可借以通信的一个或多个机构，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机构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构时，多个拓扑)。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、IEEE 802.11、专用短程通信(DSRC)和/或广域网(WAN)，包括因特网。

网络135包括车辆计算机110可借以与基础设施节点140、中央服务器145和/或第二车辆150a通信的一个或多个机构。因此，网络135可为各种有线或无线通信机构中的一者或多者，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)通信机构的任何期望组合以及任何期望网络拓扑(或当利用多个通信机构时，多个拓扑)。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)、IEEE 802.11、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)，包括因特网。

基础设施节点140包括物理结构，诸如塔或其他支撑结构(例如，杆子、可安装到桥梁支撑件的盒子、蜂窝电话塔、道路标志支撑件等)，基础设施传感器165以及基础设施通信模块170和计算机175可安装、存储和/或容纳在所述物理结构上并且得以供电等。为了便于说明，在图1中示出一个基础设施节点140，但系统100可以并且很可能包括数十、数百或数千个节点140。基础设施节点140通常是静止的，即，固定到特定地理位置并且无法从所述位置移动。基础设施传感器165可包括诸如以上针对车辆105传感器115描述的一个或多个传感器，例如，lidar、雷达、相机、超声波传感器等。基础设施传感器165是固定的或静止的。也就是说，每个传感器165安装到基础设施节点以便具有基本不移动且不改变的视野。

由基础设施节点140提供的道路表面地图上所包括的区域，即，称为“靠近”节点140的区域的区域，通常由一个或多个节点传感器165的视野内的区域界定。如本文所用的词语“区域”应当理解为具有其直白且普通的几何含义，即，由通过三个或更多个点界定的边界来界定的区域。例如，三角形区域由连接三角形的三个顶点的边界线界定。圆形区域由边界圆界定，所述边界圆由从圆心延伸的半径的端点界定。不规则区域，即，界定为部分或完全没有规则几何形状的区域，可同样进行指定。返回本示例，靠近基础设施节点140区的域可为基本上圆形的，即，由半径界定，所述半径的长度根据节点140传感器165的范围来确定。同样，靠近车辆105的区域可为矩形区域，所述矩形区域由道路155的侧边界以及车辆105传感器115的前后感测范围界定。此外，车辆105路线上的区域可为道路155的指定区段。这种路线区域可根据区段的起点和终点以及道路155在起点与终点之间的侧边界来界定，即，具有据此指定的边界。

通信模块170和计算机175通常具有与车辆通信模块130和车辆计算机110共同的特征，并且因此将不再进行进一步描述以避免冗余。尽管为了便于说明而未示出，但是基础设施节点140还包括电源，诸如电池、太阳能电池单元和/或与电网的连接。

基础设施节点140计算机175和/或车辆105计算机110可接收传感器115、165的数据以监测一个或多个对象。在本公开的上下文中，“对象”是由车辆传感器115和/或基础设施传感器165检测到的物理结构，即，材料结构。对象可以是“移动”对象、基础设施对象或物理特征。物理特征是位置或区域的物理属性或条件，包括基础设施对象的属性或条件，诸如道路155的表面条件(例如，道路155是基础设施对象，并且物理特征可为表面覆层(诸如水或冰)、变形部(诸如坑洞等))。

“移动”对象是能够移动的对象，即使移动对象在任何给定时间可移动或实际上未在移动。车辆105、106是移动对象的示例。其他示例可包括动物、自行车、行人等。如此指定“移动”对象是为了方便与基础设施对象和物理特征(各自在以下有所论述)区分开。基础设施对象是通常有意地固定和/或保持静止的对象。例如，基础设施对象可包括道路155、桥梁或立交桥、道路标志、出口坡道、护轨、交通灯等。

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访问，所述网络135例如因特网或某一其他广域网。

基础设施节点140计算机175可包括具有描述节点140周围的区域(例如，在诸如100米、300米等的预定半径内)的地图数据的存储器或其他存储装置。例如，此类地图数据可由服务节点140的技术人员从中央服务器145接收和/或周期性地更新等等。地图数据通常包括界定固定或静止对象155(例如，道路155、人行横道、道路标记(诸如中心条纹等)的地理坐标以及物理特征(诸如湿滑位置、有指定路堤的位置、有坑洞的位置等)的地理坐标。

此外，计算机175可从节点140传感器165以及例如经由V2X通信从车辆105传感器115接收各种数据。图像数据是数字图像数据(例如，包括具有密度和颜色值的像素)，并且可由相机传感器115、165获取。lidar数据通常包括由lidar传感器115、165获取的常规lidar点云数据，即，包括在三个维度上描述点的数据，也就是说，每个点表示对象150、155、160的表面的位置。

车辆计算机110和/或节点计算机175可基本上连续地、周期性地和/或当由服务器145指示时等等从传感器115、165接收并分析数据。此外，可基于lidar传感器115、165、相机传感器115、165等的数据在例如计算机110、175中使用常规对象分类或识别技术以识别对象的类型(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。

诸如已知的各种技术可用于解译传感器115、165的数据。例如，相机和/或lidar图像数据可被提供给分类器，所述分类器包括用于利用一种或多种常规图像分类技术的编程。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培训分类器。一旦被培训，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，可应用对靠近车辆105和/或节点140的区域应用的坐标系(例如，极坐标系或笛卡尔坐标系)来指定从传感器115、165的数据识别的对象的位置和/或区域(例如，根据车辆105或节点140的坐标系，转换为全球纬度和经度地理坐标等)。又此外，计算机110、175可采用各种技术来融合来自不同传感器115、165和/或不同类型的传感器115、165的数据，例如lidar、雷达和/或光学相机的数据。

计算机110、175可根据机器学习程序来预测或估计道路摩擦。图2是示例性深度神经网络(deep neural network，DNN)200的图解。DNN 200可以是软件程序，其可加载在存储器中并且由例如计算机110、175中所包括的处理器执行。DNN 200可包括n个输入节点205，每个输入节点205接受一组输入i(即，每组输入i可包括一个或多个输入x)。DNN 200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...o_m。DNN 200包括多个层(包括数目k个隐藏层)，每个层包括一个或多个节点205。因为节点205被设计来模仿生物(例如人类)神经元，它们有时称为人工神经元205。神经元框210示出到示例性人工神经元205i的输入以及在其中进行的处理。将到每个神经元205的一组输入x₁...x_r各自乘以相应权重w_i1...w_ir，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b_i进行了调整的净输入a_i，接着将所述净输入a_i提供给激活函数f，所述激活函数f继而提供神经元205i输出y_i。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2中的箭头所示，接着可提供神经元205的输出以将其包括在到下一层中的一个或多个神经元205的一组输入中。

DNN 200可被培训为例如从车辆101CAN总线或其他网络、从节点140传感器165等接受传感器115和/或传感器165的数据作为输入，并输出所估计道路摩擦。DNN 200可用地面实况数据、即关于现实世界条件或状态的数据进行培训。权重w可通过使用例如高斯分布来初始化，并且每个节点205的偏差b可设定为零。培训DNN 200可包括：经由常规技术(诸如反向传播)加以优化来更新权重和偏差。在一个示例中，节点205的示例性初始和最终(即，培训之后的)参数(在此上下文中，参数是权重w和偏差b)如下：

<u>参数</u>	<u>初值</u>	<u>终值</u>
			w<sub>1</sub>	0.902	-0149428
w<sub>2</sub>	-0.446	-0.0102792
			w<sub>2</sub>	1.152	0.00850074
w<sub>r</sub>	0.649	0.00249599
			b<sub>i</sub>	0	0.00241266

表1

节点205的一组权重w一起作为节点205的权重向量。DNN 200的同一层中的相应节点205的权重向量可组合以形成所述层的权重矩阵。DNN 200的同一层中的相应节点205的偏差值b可组合以形成所述层的偏差向量。接着可在培训的DNN 200中使用每一层的权重矩阵和每一层的偏差向量。

在当前上下文中，用于培训DNN 200的地面实况数据通常包括指定在道路155上的区域中(例如，在车辆105的指定距离内，例如500米内)的车辆106的速度或平均速度的数据，以及关于所述区域中的环境的数据。下表2识别到DNN 200的其他可能输入：

表2

因此，可通过获得指定诸如以上的输入的数据以及与各种输入组合相关联的相应道路摩擦来培训DNN 200。有利地，可避免以下不仅由在车辆105在一定位置或区域处之前无法估计所述位置或区域的摩擦力引起和/或由仅根据所述位置或区域处的车辆106的一个或多个速度估计摩擦力引起的问题。例如，即使在道路摩擦未减小时，车辆106也可因紧急车辆、因施工、基于天气条件或周围光条件而减慢。因此，通过诸如DNN 200的机器学习程序处理此类另外的输入可提供对道路摩擦的更准确且可靠的确定。

图3是用于估计或预测道路摩擦并根据所预测道路摩擦来操作车辆的示例性过程300的流程图。过程300的框可由车辆计算机110或节点计算机175执行。

过程300开始于框305，在框305中，计算机110、175获得一定区域中的多辆车辆106中的每一辆的速度数据，所述速度数据接着被聚集以确定交通速度。此聚集的速度数据可称为交通速度，因为它表示所述区域中的两辆或更多辆车辆106的速度的平均值或其他表示形式(例如，不同于平均值的某一统计量度)。例如，计算机110可例如根据收集并报告道路155的区域的车辆速度数据的当前现有应用程序从服务器145获得车辆105路线的即将到来的区域的速度数据，例如，车辆106的平均速度。在另一示例中，节点计算机175可获得指示靠近节点140的车辆106的相应速度的传感器165的数据。计算机175接着可提供所述区域在监测速度的时间段(例如，一分钟、两分钟等)内的平均车辆106速度。应当注意，基于车辆106的平均速度等来确定交通速度无需或通常不包括确定车辆106的速度的导数，即，正或负加速度。然而，基于多辆车辆106的相应速度来确定交通速度是如以下在框320中所论述来预测一定位置的道路摩擦的单个值的先决条件，即，所预测摩擦系数是针对道路的位置或区域，而不是针对一辆或多辆特定车辆106。

接下来，在框310中，计算机110、175可确定在框305中确定的交通速度是否低于指定阈值速度。例如，指定阈值速度可基于所述区域的速度限制，例如，阈值可以是速度限制，或者可以是高于或低于速度限制的指定量，例如，百分之五或百分之十。如果交通速度不低于阈值速度，则过程300前进到以下论述的框330。否则，过程300前进到框315。

可省略框310，例如，可将以上论述的框305和以下论述的框315组合起来。甚至有可能可省略框305和310，即，可通过如本文所描述的机器学习程序来预测道路摩擦，而无需以交通速度作为输入。然而，如果交通速度处于正常速度或预期速度，则道路摩擦很可能未减小或异常，并且计算机110、175无需耗费处理循环来预测道路摩擦，如关于过程300的其余部分所描述。

在框315中，计算机110、175获得第二数据，即，不同于关于框305所描述的交通速度的用于机器学习程序的输入。此类输入可包括如以上关于表2所描述的数据。此外，计算机110、175可从传感器115、165获得例如与周围温度、降水的存在或不存在、周围光等有关的数据。同样地，可从例如以下项的地图数据和/或相机传感器115、165的数据获得关于道路155特性(即，道路155的物理特征，诸如道路155的区域是否包括桥梁)的数据：指示桥梁或其他物理特征(诸如减速带等)的存在的标志，或可使用图像辨识技术识别的此类物理特征的图像。又替代地或另外地，可从服务器145获得第二数据，其例如报告天气条件、施工区的位置或区域、紧急车辆的计划或当前路线等。

接下来，在框320中，计算机110、175将第二数据并且通常还有交通速度作为输入提供给培训的机器学习程序(例如，DNN 200)，所述培训的机器学习程序接着预测道路摩擦μ，然后在框325中提供道路摩擦μ作为输出。输出的道路摩擦接着可用于操作车辆105，例如，如关于图4所描述。

在可在框310、325中的任一个之后的框330中，计算机110、175确定过程300是否应当继续。例如，在车辆105继续操作、即继续在道路155上行驶的情况下，车辆计算机110可继续，并且可返回到框305以确定车辆105路线的第二区域或后续区域的所估计或预测道路摩擦。此外，计算机110、175可在第二或后续时间段内估计或预测一定区域的道路摩擦。如果过程300要继续，则过程300返回到框305。否则，过程300在框330之后结束。

图4示出根据如以上例如关于过程300估计或预测的道路摩擦来操作车辆105的示例性过程400。过程400可根据存储在车辆计算机110的存储器中的指令来执行。

过程400开始于框405，在框405中，车辆105在已如关于过程300所描述提供道路摩擦的区域中或位置处操作。

接下来，在方框410中，计算机110将来自过程300的道路摩擦提供给一个或多个部件125。例如，牵引力控制系统、车道保持系统、车道变更系统、速度管理等都可至少部分地基于道路摩擦来操作。例如，在道路摩擦估计低于阈值时，可完全禁用某些驾驶员辅助系统(诸如车道变更或制动辅助)，或者可使用不同校准以允许特征更妥当地操作。在另一示例中，具有可选择地形管理功能的车辆105可在低道路摩擦情况下自动切换到“雪地模式”。此外，例如，当道路摩擦估计低于阈值时，可禁用允许其中操作员的手可离开方向盘的半自动“离手”模式的车辆105特征。

接下来，在框415中，计算机110通过根据来自过程300的道路摩擦致动部件125来操作车辆105。

接下来，在框420中，计算机110确定是否继续过程400，例如，车辆105是否继续操作，是否正在向应当确定其新道路摩擦的后续区域前进等。如果过程400要继续，则过程400返回到框405。否则，过程400在框420之后结束。

如本文所用，副词“基本上”意味着形状、结构、测量结果、数量、时间等因材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。词语“基本上”应当类似地理解。

总体上，所描述的计算系统和/或装置可采用许多计算机操作系统中的任一者，包括但绝不限于以下版本和/或变型的操作系统：Ford 应用程序、AppLink/SmartDevice Link中间件、Microsoft 操作系统、Microsoft 操作系统、Unix操作系统(例如，由加州红杉海岸的Oracle公司发布的操作系统)、由纽约阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统、Linux操作系统、由加州库比蒂诺的苹果公司发布的Mac OSX和iOS操作系统、由加拿大滑铁卢的黑莓有限公司发布的BlackBerry OS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软件系统供应的 CAR信息娱乐平台。计算装置的示例包括但不限于：车载计算机、计算机工作站、服务器、台式机、笔记本电脑、膝上型计算机或手持式计算机或者某一其他计算系统和/或装置。

计算机和计算装置总体上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的或组合的Java^TM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML等。这些应用程序中的一些可在虚拟机(诸如Java虚拟机、Dalvik虚拟机等)上编译和执行。总体上，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，从而执行一个或多个过程，包括本文所描述的过程中的一个或多个。此类指令和其他数据可使用各种计算机可读介质来存储和传输。计算装置中的文件总体上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。这种介质可采用许多形式，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，包括有包括耦接到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、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储芯片或盒式磁带或者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构，包括分层数据库、文件系统中的文件集、呈专用格式的应用程序数据库、关系型数据库管理系统(relational database management system，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。文件系统可能够从计算机操作系统访问，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行所存储程序的语言(诸如以上所提及的PL/SQL语言)之外，RDBMS总体上还采用结构化查询语言(SQL)。

在一些示例中，系统元件可实现为一个或多个计算装置(例如服务器、个人计算机等)上的计算机可读指令(例如软件)，存储在与其相关联的计算机可读介质(例如磁盘、存储器等)上。计算机程序产品可包括存储在计算机可读介质上以用于执行本文所描述的功能的此类指令。

关于本文所描述的介质、过程、系统、方法、启发法等，应当理解，尽管已将此类过程等的步骤描述为根据某一有序的顺序发生，但是可通过以与本文所描述的次序不同的次序执行所描述步骤来实践此类过程。还应当理解，可同时执行某些步骤，可添加其他步骤，或者可省略本文所描述的某些步骤。换句话讲，本文对过程的描述是出于说明某些实施例的目的而提供，并且决不应当将其理解为对权利要求进行限制。

因此，应当理解，以上描述意图是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程序对于本领域的技术人员将是显而易见的。不应当参考以上描述来确定本发明的范围，而替代地应当参考所附权利要求连同此类权利要求所享有的等效物的全范围来确定本发明的范围。预期并期意图本文所论述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，应当理解，本发明能够进行修改和变化，并且仅受以下权利要求限制。

除非本文做出相反的明确指示，否则权利要求中使用的所有术语意图给出如本领域的技术人员所理解的直白且普通的含义。特别地，除非权利要求叙述相反的明确限制，否则对诸如“一个”、“该”、“所述”等的单数冠词的使用应当解读为叙述所指示要素中的一者或多者。

根据本发明，一种方法包括：基于根据多辆车辆中的每一辆的相应速度确定的交通速度来确定道路位置的道路摩擦；以及基于所述道路摩擦来操作车辆。

根据一个实施例，除了所述交通速度外，所述道路摩擦还基于第二数据来确定，所述第二数据为以下中的一者：所述位置是否包括桥梁或立交桥、日照状态、雨情、雪情、雾情、施工条件、紧急车辆的存在或不存在、碎屑的存在或不存在或周围温度。

根据一个实施例，本发明的进一步特征在于：从地图获得所述第二数据。

根据一个实施例，本发明的进一步特征在于：确定所述交通速度是否低于阈值交通速度；以及仅在确定所述交通速度低于所述阈值交通速度时提供所述交通速度，从而基于所述交通速度来确定所述道路摩擦。

根据一个实施例，所述区域包括在所述车辆的计划路线上。

根据一个实施例，基于所述道路摩擦来操作所述车辆包括：控制牵引力、速度、转向、制动、车道保持或车道变更。

根据一个实施例，确定所述道路摩擦包括：作为输出从机器学习程序获得所述道路摩擦。

根据一个实施例，所述机器学习程序设置在基础设施节点计算机中。

根据一个实施例，所述机器学习程序设置在所述车辆中的计算机中。

根据一个实施例，本发明的进一步特征在于：提供包括所述道路位置的区域的所述交通速度和所述第二数据，由此提供所述区域的所述道路摩擦；其中所述区域根据道路区段的起点和端点来界定。

根据本发明，提供一种计算机，其具有处理器和存储器，所述存储器存储指令，所述指令能由所述处理器执行，使得所述计算机被编程为：基于根据多辆车辆中的每一辆的相应速度确定的交通速度来确定道路位置的道路摩擦；以及基于所述道路摩擦来操作车辆。

根据一个实施例，所述计算机进一步被编程为除了所述交通速度外，还基于第二数据来确定所述道路摩擦，所述第二数据为以下中的一者：所述位置是否包括桥梁或立交桥、日照状态、雨情、雪情、雾情、施工条件、紧急车辆的存在或不存在、碎屑的存在或不存在或周围温度。

根据一个实施例，所述计算机进一步被编程为从地图获得所述第二数据。

根据一个实施例，所述计算机进一步被编程为确定所述交通速度是否低于阈值交通速度，并且仅在确定所述交通速度低于所述阈值交通速度时提供所述交通速度，从而基于所述交通速度来确定所述道路摩擦。

根据一个实施例，所述区域包括在所述车辆的计划路线上。

根据一个实施例，基于所述道路摩擦来操作所述车辆包括：控制牵引力、速度、转向、制动、车道保持或车道变更。

根据一个实施例，确定所述道路摩擦包括：作为输出从机器学习程序获得所述道路摩擦。

根据一个实施例，所述机器学习程序设置在基础设施节点计算机中。

根据一个实施例，本发明的进一步特征在于：用于执行机器学习程序的编程。

根据一个实施例，所述计算机进一步被编程为提供包括道路位置的区域的交通速度，由此提供所述区域的道路摩擦；其中所述区域根据道路区段的起点和终点来界定。