阅读说明：本技术 车辆载荷预测 (Vehicle load prediction ) 是由 大卫·迈克尔·赫尔曼 大卫·A·赫尔曼 农西奥·德西亚 大卫·约瑟夫·奥里斯 尼古拉斯·亚历 于 2019-07-16 设计创作，主要内容包括：本公开提供了“车辆载荷预测”。可以利用车辆传感器数据来检测车辆外部的物体。可以至少部分地基于对所述物体进行分类来预测所述车辆的载荷。可以基于所述预测的载荷来致动车辆部件。(The present disclosure provides "vehicle load prediction". Vehicle sensor data may be utilized to detect objects external to the vehicle. The load of the vehicle may be predicted based at least in part on classifying the object. A vehicle component may be actuated based on the predicted load.)

车辆载荷预测

技术领域

本公开总体上涉及车辆装载和操作。

背景技术

车辆重量连同乘员和/或货物重量可以影响车辆的操作。为了确定车辆是否装载超出安全容量和/或以符合车辆的高效和/或有效操作的方式装载，可以使用车辆中的传感器来测量车辆载荷，例如，重量传感器、悬架传感器等。然而，此类车辆传感器需要将物品放置在车辆中以便测量载荷。此外，此类传感器测量车辆的局部部分上的载荷，而不是测量与一个或一组物品相关联的载荷。

发明内容

本文中公开了一种方法，所述方法包括：利用车辆传感器数据来检测车辆外部的物体；至少部分地基于对所述物体进行分类来预测所述车辆的载荷；以及基于所述预测的载荷来致动车辆部件。

所述方法还可以包括：基于对所述物体进行分类，确定所述车辆是否能够接受所述预测的载荷。

所述方法还可以包括：在车辆传感器视野内指定所述物体待被检测到的位置。

所述方法还可以包括：在确定所述车辆无法接受所述预测的载荷后，向用户传输消息。

所述方法还可以包括：根据所述物体的重量和体积中的至少一者来预测所述载荷。

所述方法还可以包括：除了对所述物体进行分类之外还基于用户数据来预测所述载荷。

所述方法还可以包括，所述用户数据包括位置、目的地、装载历史和用户指定的货物物体数量中的一者或多者。

所述方法还可以包括：部分地基于所述物体的估计的大小来预测所述载荷。

所述方法还可以包括：部分地基于来自货源的数据来预测所述载荷。

所述方法还可以包括，所述传感器数据包括图像、激光雷达数据、重量传感器数据和车辆悬架数据中的至少一者。

一种计算机包括处理器和存储器，所述存储器存储指令，所述指令能够由所述处理器执行以：利用车辆传感器数据来检测车辆外部的物体；至少部分地基于对所述物体进行分类来预测所述车辆的载荷；以及基于所述预测的载荷来致动车辆部件。

所述计算机存储器还可以存储用于基于对所述物体进行分类来确定所述车辆是否能够接受所述预测的载荷的指令。

所述计算机存储器还可以存储用于在车辆传感器视野内指定所述物体待被检测到的位置的指令。

所述计算机存储器还可以存储用于在确定所述车辆无法接受所述预测的载荷后向用户传输消息的指令。

所述计算机存储器还可以存储用于根据所述物体的重量和体积中的至少一者来预测所述载荷的指令。

所述计算机存储器还可以存储用于除了对所述物体进行分类之外还基于用户数据来预测所述载荷的指令。

所述计算机可以包括，所述用户数据包括位置、目的地、装载历史和用户指定的货物物体数量中的一者或多者。

所述计算机存储器还可以存储用于部分地基于所述物体的估计的大小来预测所述载荷的指令。

所述计算机存储器还可以存储用于部分地基于来自货源的数据来预测所述载荷的指令。

所述计算机可以包括，所述传感器数据包括图像、激光雷达数据、重量传感器数据和车辆悬架数据中的至少一者。

附图说明

图1是包括用于预测载荷的系统的车辆的示例图。

图2是用于基于预测的载荷而致动车辆部件的示例过程。

图3是用于估计车辆外部的乘客和/或货物的重量并且响应于预测的重量而致动车辆的示例过程。

图4是用于监测货物装载到车辆中的示例性过程。

具体实施方式

可以基于预测或估计的由将一个或多个物体放置在车辆101中或上引起的载荷(例如，估计的总重量测量)而致动车辆部件120。提供物体的重量测量(在当前背景下，所述重量测量包括人类乘客和动物以及包装和其他无生命物体)允许确定关于车辆101是否具有足够的容量来运输物体。

系统100可以基于各种因素来确定载荷，例如估计的或预测的重量测量，所述各种因素包括来自感测车辆101外部(例如，在车辆传感器110的视野内的路沿上)的一个或多个物体的车辆传感器数据。所述因素可以替代地或另外地包括用户历史、用户请求和用户位置中的一者或多者。用户历史可以包括来自用户的过去行程的数据，诸如乘客的数量、每个乘客的重量、货物的物品数量、货物的重量和货物的尺寸。用户请求可以包括诸如路线的起点和目的地的数据。用户位置或本文中提及的其他位置是通常由全球定位系统(GPS)中使用的地理坐标指定的地球表面上的物理位置。用户位置数据(例如，地理坐标)可以与起点的分类和/或目的地的分类相关联。作为示例，系统100可以确定请求源于被分类为长途运输枢纽(诸如机场或火车站)的位置的路线的用户可能有行李。此外，所述分类可以提供指定关于典型行李尺寸和/或重量的数据，即，图像识别可以识别行李类型，所述行李类型然后在存储的数据中与长度、宽度、高度、典型包装重量等相关联。

当车辆101到达路线起点时，车辆传感器110可以检测车辆101外部的物体(或多个物体)，并且估计载荷，例如预测物体的重量测量。车辆计算机105可以被编程为基于可以包括预测的载荷的因素、可能地结合其他因素而允许物体装载在车辆101中以便在所述路线上运输，所述其他因素诸如路线距离、路线地形、基于重量的道路限制、沿着路线的路面(例如，可以考虑预测的道路摩擦和/或悬架振动)，以及环境条件，诸如环境温度、降水等。

图1示出了用于预测由一个或多个物体引起的车辆101载荷并且基于预测的载荷而致动一个或多个车辆101部件120的示例系统100。系统100包括车辆计算机105、车辆部件120、车辆传感器110、收集的数据115和数据存储装置106。车辆计算机105被编程为从一个或多个车辆传感器110接收收集的数据115，所述收集的数据涉及描述被指定用于在车辆101中或上运输的一个或多个物体的各种度量。

例如，所述度量可以包括关于车辆101外部，例如，不接触车辆101且在指定距离内(例如，五米、十米等)和/或在车辆传感器110的视野内的物体的数据115，例如，乘客的数量、物体的数量、物体的总预测重量、包括在总预测重量中的一个或多个物体中的每一者的相应预测重量等。此外，可以基于地理坐标而预测预期载荷。例如，数据存储装置106或一些其他数据存储装置可以存储地理坐标和相应地理坐标的预期载荷(例如，预期载荷的重量和/或尺寸)。例如，如果地理坐标是杂货店的位置，则数据存储装置106可以包括当车辆101在所述地理坐标(即，在这个示例中，杂货店)接用户时通常包括在车辆101载荷中的杂货的重量和尺寸。

可从车辆传感器110获得的其他度量可以包括对车辆系统和车辆部件120(例如，转向系统、动力传动系统、制动系统、内部感测、外部感测等)的测量。车辆计算机105可以被编程为从安装了所述车辆计算机的车辆101(有时被称为“主车辆”)收集数据115，和/或可以被编程为收集关于第二车辆(即，除车辆101外的车辆，例如，“目标车辆”)的数据115和/或例如经由专用短程通信(DSRC)服务等等从第二车辆接收数据。另外地，车辆计算机105可以例如经由蜂窝网络或其他无线网络从远程服务器接收数据115。

车辆计算机105通常被编程用于在控制器局域网(CAN)总线等上通信。车辆计算机105还可以具有到车载诊断连接器(OBD-II)的连接。经由CAN总线、OBD-II和/或其他有线或无线机制，车辆计算机105可以向车辆101中的各种装置传输消息和/或从各种装置接收消息，所述各种装置例如控制器、致动器、车辆传感器110等。替代地或另外地，在车辆计算机105实际上包括多个装置的情况下，CAN总线等可以用于在本公开中表示为车辆计算机105的装置之间的通信。另外，车辆计算机105可以被编程为用于与网络125通信，如下文所描述，所述网络可以包括各种有线和/或无线联网技术，例如蜂窝、

有线和/或无线分组网络等。

车辆101可以包括多个车辆部件120。在这种背景下，每个车辆部件120包括适于执行诸如移动车辆101、使车辆101减慢或停止、使车辆101转向等机械功能或操作的一个或多个硬件部件。车辆部件120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，其可以包括方向盘、转向齿条等中的一者或多者)、制动部件、可移动座椅等。可以响应于预测的载荷而致动车辆部件120中的一者。作为示例，诸如车门锁的车辆部件120可以基于预测的载荷而将车辆101锁上或解锁。作为其他示例，可以打开车辆101的掀背车盖或行李厢盖，可以致动驻车制动器，或者如果载荷超过车辆101的容量，则可以致动车辆动力传动系统、制动器和/或转向，以使车辆从接载位置移动而不执行接载。

除了车辆传感器110之外或代替车辆传感器110，多种装置可以提供收集的数据115。例如，车辆101中的各种控制器，例如电子控制单元(ECU)可以经由任何数量的车辆101(包括主车辆和/或目标车辆)的CAN总线来提供与车辆速度、加速度、系统和/或部件功能等相关的数据115，例如，来自与ECU通信的车辆传感器110的数据115。此外，车辆传感器110等、GPS设备等可以被包括在车辆101中并且被配置为例如经由有线或无线连接直接向车辆计算机105提供数据115的装置。车辆传感器110可以包括诸如相机、雷达、激光雷达、声纳等传感器的机构，所述机构可以被部署来确定环境数据115，例如，以测量车辆101与其他车辆或物体之间的距离、在车辆101的轨迹附近的物体的种类、路况、道路和交通标志的位置等。车辆传感器110可以被部署来识别物体并确定物体的重量测量，例如，如下文参考图3解释。

收集的数据115可以包括在车辆101中收集的各种数据。上面提供了收集的数据115的示例，并且此外，数据115通常使用一个或多个传感器110来收集，并且可以另外包括在车辆计算机105中由其计算出的数据。通常，收集的数据115可以包括可以由车辆传感器110收集和/或根据此类数据计算出的任何数据。

数据存储装置106可以是任何已知的类型，例如，硬盘驱动器、固态驱动器、服务器或者任何易失性或非易失性介质。数据存储装置106可以存储从车辆传感器110发送的收集的数据115。

系统100还包括网络125、服务器130、第二数据存储装置135和用户装置150。网络125可以是各种有线或无线通信机制中的一种或多种，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组合，以及任何期望的网络拓扑(或当使用多个通信机制时的多个拓扑)。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IEEE 802.11等)、局域网(LAN)和/或广域网(WAN)，包括互联网。

服务器130可以被配置为确定一个或多个车辆101的适当动作，并且向车辆计算机105提供指导以相应地进行。服务器130可以是一个或多个计算机服务器，每一者通常包括至少一个处理器和至少一个存储器，所述存储器存储能够由处理器执行的指令，所述指令包括用于执行本文所述的各种步骤和过程的指令。服务器130可以包括或通信地耦合到第二数据存储装置135，以用于存储收集的数据115、如本文所述的与***相关的记录等。此外，服务器130可以存储与特定车辆101和另外地在某一地理区域中操作的一个或多个其他车辆101相关的数据、相对于特定道路、城市等的地理区域内的交通状况、天气状况等。服务器130可以被配置为向特定车辆101和/或其他车辆101提供警告。

用户装置150可以是包括处理器和存储器的各种计算装置中的任一者，例如智能电话、平板电脑、个人数字助理等。用户装置150可以使用诸如网络125和

的各种有线和/或无线技术与服务器130和/或车辆计算机105通信。

图2示出了用于基于预测的载荷来致动车辆部件120的过程200。

当服务器130接收来自用户装置150的请求时，过程200可以在框205中开始。用户请求是从用户装置150到服务器130的请求车辆101进行行程(即，车辆101将一个或多个乘客和/或一个或多个货物物品从路线起点运输到路线目的地)的消息。用户请求包括数据，诸如用户标识、路线起点、路线目的地、乘客数量、每个乘客的重量、货物的物品数量，以及每个货物的重量、尺寸和内容物，以及安排的接载时间。例如，在用户装置150上运行的智能电话应用等可以请求用户提供关于前述值中的一者或多者的输入，所述输入然后可以传输到服务器130。在最低程度，通常要求用户请求包括用户识别信息(例如，登录ID、密码、个人识别号、诸如面部或指纹识别的生物标识符等中的一者或多者)以及起点和目的地。

接下来，在框210中，服务器130确定满足用户请求的车辆容量。通常，基于用户请求中的数据，服务器130可以确定预测的总(即，合计)物体重量，即，乘客和/或货物，以及替代地或另外地乘客的数量和/或货物物品的数量，并且可能地还有货物物品的相应体积或尺寸(例如，长度、宽度、高度尺寸，例如可以基于图像分析而从中预测货物物品将占用的长方体体积)。对乘客和/或货物的重量预测可以由服务器130用作选择具有容纳乘客和/或货物的容量的车辆101的参数，例如，作为车辆101响应于运输乘客和/或货物的请求的最低要求载荷容量。预测的乘客数量同样可以充当服务器130选择具有足够数量的乘客座椅的车辆101的参数。此外，相应货物物品的预测的尺寸和/或体积和/或货物物品的合计的一组尺寸和/或体积可以充当服务器130选择具有足够货物空间的车辆101的参数。

此外，服务器130可以被编程为估计车辆101将乘客和/或货物从路线起点运输到路线目的地所需的能量和/或燃料消耗。例如，车辆101的预期燃料消耗可以根据车辆101的存储的预期里程等、根据地形的类型(例如，丘陵或平坦)和操作环境(例如，城市还是公路)以及路线的距离来确定。此外，服务器130可以存储车辆101基于货物和/或乘客的载荷(例如，重量)而随时间或距离推移的预期燃料和/或能量消耗的调整因子。使用通过调整因子调整的车辆101对于路线的预期燃料和/或能量消耗，可以确定车辆101将乘客和/或货物从路线起点运输到路线目的地所需的估计能量和/或燃料消耗。服务器130然后可以使用估计的能量和燃料消耗作为选择车辆101的参数，例如，可以选择满足乘客和/或货物要求的可用的最燃料/能量有效的车辆101。

服务器130可以基于用户历史中的数据而预测当前行程的乘客数量和每个乘客的重量，如下文进一步解释。用户历史可以存储在可供服务器130访问的第二数据存储装置135中，并且可以包括关于用户的过去行程的数据，诸如乘客数量、乘客标识符(诸如，乘客的姓名和/或基本上唯一的文字数字式标识符)以及每个乘客的重量。作为示例，服务器130可以从过去的行程检索乘客数量以预测当前行程预期的乘客数量。服务器130可以根据各种技术来预测乘客数量，诸如使用过去行程的乘客数量的平均值，或者使用过去行程的乘客数量的众数(即，过去行程中具有最高出现率的乘客数量)。此外，服务器130可以识别最频繁地与请求用户一起乘坐(例如，高于请求用户的乘坐的阈值，诸如50％)的乘客，并且然后可以使用先前存储或确定的此类乘客的重量来预测乘客数量(包括请求用户)和/或总预测乘客重量。

另外地和/或替代地，服务器130可以从例如存储在用户装置150中或由用户输入提供的用户请求接收乘客数量和每个乘客的重量。在这种情况下，服务器130可以将在用户请求中接收到的乘客数量用作预测的乘客数量，并且服务器130可以将在用户请求中接收到的每个乘客的重量用作每个乘客的预测重量和/或用来确定总预测乘客重量。

服务器130可以基于用户历史中的数据来预测货物的物品数量、重量和/或尺寸，如下文进一步解释。用户历史还可以包括来自用户的过去行程的数据，诸如与每个乘客相关联的货物的物品数量、重量和尺寸、过去的路线，以及与每条路线相关联的货物物品数量、货物的重量和尺寸。服务器130可以根据各种技术来预测货物的物品数量、重量和尺寸，诸如使用过去行程的货物物品数量的平均值或众数(即，过去行程中具有最高出现率的货物物品数量)来预测货物的物品数量；使用过去行程的货物重量的平均值或众数(即，过去行程中具有最高出现率的货物重量)来预测货物重量；以及使用过去行程的货物尺寸的平均值或众数(即，过去行程中具有最高出现率的货物尺寸)来预测货物尺寸。

另外地和/或替代地，服务器130可以通过识别用户历史中的乘客和与乘客相关联的货物的一种或多种类型来预测货物的物品数量、重量和尺寸。货物的类型是描述货物中所包括的物体的种类的类别。服务器130可以存储指示对于相应类型的货物而言的预期载荷容量和/或货物类型的其他装载要求的数据。作为示例，服务器130可以确定其用户历史表明乘客频繁地利用自行车出行的乘客可能需要具有自行车托架的车辆101。服务器130可以基于用户历史中的过去路线和沿着所述过去路线运输的货物类型来预测货物的物品数量、重量和尺寸。作为示例，服务器130可以确定在运输枢纽处上车的其用户历史表明乘客频繁地带着单个随身携带的行李出行的乘客需要具有容纳单个随身携带的行李的货物容量的车辆101。

另外地和/或替代地，服务器130可以从用户请求接收货物的物品数量、重量和尺寸。在这种情况下，服务器130可以将用户请求中的货物的物品数量、重量和尺寸用作货物的预测的物品数量、重量和尺寸。

此外，服务器130可以使用用户位置数据来预测货物的物品数量、重量和尺寸。用户位置数据可以是指路线的起点、目的地和/或距离(即，将沿着路线从起点行进到目的地的距离)。作为示例，服务器130可以存储指定与货物相关联的位置的类型或类别的数据，以及此类物品的可能尺寸和/或重量的范围。例如，服务器130可以确定指定的行程起点或目的地(例如，诸如机场、火车站等的运输枢纽、家居装饰店、杂货店等)需要指定的货物容量。

作为另一示例，除了接收路线起点之外，服务器130可以接收路线起点处的其中用户购买物品的货源(例如，零售店、仓库等)的标识，以及货源处的用户账号或其他标识符。服务器130可以经由网络125与商店通信，并且服务器130可以请求预期在货源处装载到车辆101中的物品数量、物品的重量和尺寸。服务器130可以将从货源接收到的物品数量、物品的重量和尺寸用作货物的预测的物品数量、重量和尺寸。

接下来，在判定框215中，服务器130判定服务器130是否有足够的数据来预测车辆容量。作为示例，在乘客的重量不在用户历史中并且不在用户请求中的情况下，服务器130可以得出服务器130没有足够的数据来预测车辆容量的结论。如果服务器130具有足够的数据，则过程200进行到框230；否则，过程200进行到框220。

在框220中，通过用户装置150，服务器130可以从用户请求和接收附加数据以预测车辆容量。作为示例，如果服务器130缺失乘客的重量，则服务器130可以从用户请求乘客的重量。作为另一示例，服务器130可以使用用户位置数据来预测货物物品数量并且可以请求用户验证预测的货物物品数量在预定范围内是否准确。服务器130可以使用附加数据来更新服务器130当前用来预测车辆容量的数据。

接下来，在框225中，服务器130可以使用更新的数据来重新确定预测的车辆容量。作为示例，更新的数据中的乘客数量可以与服务器130先前预测的乘客数量不同，并且服务器130可以用在更新的数据中接收到的乘客数量来替换预测的乘客数量。替代地并作为另一示例，更新的数据可以与服务器130用来预测车辆容量的数据没有不同，并且在这种情况下，服务器130可以不改变预测的车辆容量。

在框230中，服务器130识别具有预测的车辆载荷容量和用于提供运输的燃料/电荷的可用车辆101。服务器130可以搜索第二数据存储设备135以获得至少具有用于容纳预期乘客数量的乘客座椅数量、预测的总乘客和/或货物重量不会超过的重量限制以及用于容纳预测的货物尺寸的足够货物空间的可用车辆101。此外，如上所述，服务器130可以确定车辆101对于所请求的路线的估计燃料和/或能量消耗，包括考虑到预期载荷。服务器130还可以使用这个确定来选择具有用于所请求的路线的足够量的车辆和/或电气电荷的车辆101。

接下来，在框235中，服务器130将识别的车辆101分派到路线起点。服务器130可以通过网络125与识别的车辆101的车辆计算机105通信，从而指示车辆计算机105将车辆101致动并行驶到路线起点。过程200结束。

图3示出了用于估计车辆101外部的乘客和/或货物重量并且响应于预测的重量而致动车辆101的示例性过程300。过程300可以在框305中开始，其中车辆计算机105检测车辆101外部的乘客和/或货物。可以基于诸如来自相机传感器110的面部识别的生物识别和诸如乘客图像的先前存储的数据来确认乘客的身份。车辆传感器110基于行人与车辆101的接近度和行人彼此之间的接近度来检测乘客。例如，相对于发出针对服务的请求的识别用户的行人距离、取向和运动可以用来识别同伴乘客。此外，用户可能倾向于与其他乘客(例如，一家人)一起出行。在此类情况下，车辆101可以具有关于这些个人的生物信息以基于确认他们身份的传感器110数据而正确地关联请求服务的个人和他或她的同伴乘客。

车辆传感器110可以使用来自相机的图像和来自激光雷达的数据115来检测乘客数量。车辆传感器110可以基于货物与乘客的接近度或基于3D姿态估计的传统技术来检测货物。例如，乘客可能正携载、推动或握持货物。车辆计算机105可以使用来自相机的图像、来自激光雷达的3-D扫描和诸如深度学习物体检测算法的机器学习算法来确定货物物品数量、货物体积和货物类型。此外，如果乘客正携载货物(例如，双肩背包)，那么可以使用3D姿态估计和步态分析来从相机和3D传感器110测量(例如，激光雷达)估计物体重量。在一些情况下，可以定位乘客，但归因于固定或移动的物体，看不到客户周围的区域。在这样的情况下，对乘客货物总数、体积和估计的重量的确定可以是无定论的或未知的。在这样的示例中，基于历史客户或位置数据，计算机105可以预测货物的存在，即使它未通过传感器110数据检测到也是如此。替代地或另外地，计算机105可以更新车辆101路径规划以行进到一个或多个传感器110能查看先前闭塞的空间的位置。

在框310中，车辆计算机105可以例如使用来自相机的图像和/或来自激光雷达传感器的数据115来预测每个乘客和每个货物物品的重量，例如，使用从此类数据115估计人或货物物品的大小的技术；例如，已知用于基于对二维图像的分析来估计物体的重量或质量的技术。车辆计算机105可以对每个货物物品应用步态分析以确定物品的重量，即，车辆计算机105可以通过分析携载物品和/或将物品装载到车辆101中的人的步态来确定货物物品的重量。此外，车辆计算机105可以使用来自相机的图像和/或来自激光雷达传感器的数据115来确定每个货物物品的尺寸。进一步替代地或另外地，计算机105可以接收来自货源的数据，如上文关于服务器130所述，并且使用此类数据来预测将要由车辆101携载的货物和/或乘客的大小，例如尺寸和/或重量。

另外或另外地，在框315中，车辆计算机105确定乘客和/或货物的总重量，如下文解释。车辆计算机105通常合计乘客和/或货物的重量以确定总重量。车辆计算机105合计货物的尺寸以确定货物的总尺寸。作为示例，车辆计算机105可以合计货物的尺寸，使得货物的最终总高度、重量和深度不超过货物空间的高度、重量和深度。

在判定框320中，车辆计算机105判定总重量是否超过车辆101的载荷容量。车辆计算机105确定是否已经满足以下条件：车辆101中的乘客座椅数量将容纳车辆传感器110检测到的乘客数量，车辆传感器110所预测的乘客和/或货物的估计重量之和不超过车辆101的载荷容量，以及车辆101的货物空间可以容纳车辆传感器110检测到的货物。如果满足所述条件，则过程300进行到框355。如果不满足所述条件，则过程300进行到框325。

在框325中，车辆计算机105可以与用户交互，从而例如经由用户装置150和/或车辆101人机界面(HMI)请求来自用户的输入和接收来自用户的附加数据。所述数据可以包括乘客数量、每个乘客的重量、货物的物品数量、每个货物物品的重量等。替代地，计算机105可以请求图像或3D测量(诸如，立体图像)或使用由用户装置150获取的RGB-D图像。车辆计算机105可以请求每个乘客和每个货物物品置于车辆101外部的预定位置，例如，在一个或多个车辆101传感器110的视野内，例如，以便由相机成像和/或由车辆101的激光雷达传感器110扫描。车辆计算机105可以用附加数据115更新车辆计算机105中的数据115。车辆计算机105中的更新的数据115可以包括更新的乘客数量、每个乘客和/或货物的更新的重量以及货物的更新的尺寸。

可以从相机传感器110图像数据确定乘客的物理位置。例如，图像分析可以确定车辆是否为空或者是否存在一个或多个乘客。如果存在乘客，那么可以识别根据图像数据确定乘客将定位的车辆101的区域，接着可以使用面部识别以及移动识别来确定车辆101中的物体是人还是一些其他物体。

在框330中，车辆计算机105合计要上车辆101的乘客和/或货物的更新的重量，以确定更新的总重量。车辆计算机105基于货物的更新的尺寸来确定货物的总尺寸。安全系数等或用来估计重量的模型或者重量估计可以被配置为过度预测重量而不是过小预测重量，即，以便保守地假设物体重量大于它实际上可能的重量。例如，用于重量估计的神经网络模型可以实施在训练网络期间使用的双线性损失函数，以便与过度预测相比，过度惩罚对重量的过小预测的错误。

在判定框335中，车辆计算机105判定总重量是否超过车辆的载荷容量，并且鉴于货物对车辆性能101的影响，判定车辆有没有足够的燃料和/或电能行进到目的地。车辆计算机105确定是否已经满足以下条件：车辆101中的乘客座椅数量将容纳检测到的乘客数量，乘客和/或货物的估计重量之和不超过车辆101的载荷容量，有足够的燃料和/或电能行进到目的地，以及车辆101的货物空间可以容纳要装载的货物。如果满足所述条件，则过程300进行到框355。如果不满足所述条件，则过程300进行到框340。

在框340中，车辆计算机105可以向用户通知尚未满足所述条件中的至少一者。车辆计算机105可以通过用户装置150来通知用户，例如，通过用户装置150上的应用，或者通过来自车辆101扬声器的音频消息或车辆101上的面向外部的显示器。

在框345中，车辆计算机105可以通过致动车辆101来防止用户上车辆101，例如，车辆计算机105可以致动车门锁。作为示例，车辆计算机105可以指示车门锁将车辆101锁上。作为另一示例，替代地或另外地，计算机105可以致动车辆101从它的当前位置行驶，例如，车辆101可以返回到调度中心，或者根据来自服务器130的指令，可以行进到新的路线起点，即，不同乘客和/或货物的不同接载位置。

在框350中，车辆计算机105可以向用户装置输出消息，所述消息推荐用户请求具有足够车辆容量的另一车辆101。车辆计算机105可以将预测的数据上传到服务器130，并且服务器130可以识别具有足够车辆容量的第二可用车辆101。服务器130可以向用户告知第二可用车辆101。过程300结束。

在框355中，车辆计算机105可以通过致动车辆101来允许乘客和/或货物上车辆101，例如，车辆计算机105可以致动车门锁以使车辆101解锁并且打开车门。过程300结束。

图4示出了用于监测货物的装载的示例性过程400。过程400可以在车辆计算机105通过致动车辆101来允许乘客和/或货物上车辆101时开始，例如，车辆计算机105可以致动车门锁以使车辆101解锁并且打开车门。过程400执行直到车辆计算机105致动车辆101为止，例如，车辆计算机105可以致动车辆101以行驶到路线目的地，或者车辆计算机105可以向用户装置150输出消息，所述消息推荐用户请求另一车辆101。

在框405中，在货物装载到车辆101中时，车辆计算机105可以监测车辆101的重量变化、总重量(即，装载在车辆101内的乘客和/或货物的重量之和)的重量分布、车辆101的重心，以及当车辆101行驶时货物在货物空间中移位的风险。车辆计算机105在乘客上车辆101和/或货物装载到车辆101中时通过从诸如激光雷达、立体相机和霍尔效应传感器的车辆传感器110接收数据115来监测车辆101的重量变化，如下文解释。

激光雷达传感器可以在车辆101被装载时检测车辆101的高度的落差。激光雷达传感器可以将车辆101周围的区域在车辆101被装载之前和车辆101被装载时的三维扫描输出到车辆计算机105。三维扫描在车辆101被装载之前和被装载时的变化可以指示激光雷达传感器的视角变化和车辆101的高度落差或倾斜。激光雷达传感器可以将数据115输出到车辆计算机105，从而指示落差的高度。立体相机可以将车辆101周围的区域在车辆101被装载之前和车辆101被装载时的三维图像输出到车辆计算机105。三维图像在车辆101被装载之前和被装载时的变化(诸如可以经由传统图像分析技术获得)可以指示车辆101的高度落差。例如，计算机105可以被编程为测量匹配像素位置的“视差”以获得视差的图像。可以基于相机传感器110的校准根据传统技术来确定距相机传感器110的距离。

车辆传感器110(例如，霍尔效应传感器)可以监测车辆悬架系统的高度，即，车辆悬架系统距地面(即，在其上支撑车辆101的车轮的地球表面)的一个或多个点的间隙。车辆计算机105可以从各种车辆传感器110接收数据115，由所述数据可以确定车辆101高度的变化和倾斜，并且可以例如基于来自传感器110中的一者的数据115或者将来自多个车辆传感器110的数据115融合(例如，平均)来计算车辆落差测量值。车辆计算机105可以包括将相应车辆落差测量值(或其范围)与车辆101中的相应重量载荷(或其范围)相关联的查找表等，并且车辆计算机105可以通过访问查找表中的车辆落差测量值来计算车辆101中的总重量。

车辆计算机105可以通过从诸如座椅传感器、座椅安全带传感器、车舱内相机、激光雷达传感器和悬架行驶高度传感器的车辆传感器110接收数据115来监测总重量的重量分布和重心。

座椅安全带传感器可以向车辆计算机105输出数据115，所述数据指示当座椅安全带被扣住时座椅被占用，并且座椅传感器可以向车辆计算机105输出数据115，所述数据指示相关座椅中的乘客的重量。车辆计算机105可以将来自座椅安全带传感器与座椅传感器的输出数据115与车辆中的相关座椅的位置进行比较，以确定重量分布和重心。

车辆计算机105可以基于相应乘客和相应货物物品的重量对每个乘客和/或每个货物物品进行分类，并且车辆计算机105可以通过接收来自车舱内相机的图像、外部物体跟踪以及监测车辆101高度落差和倾斜来跟踪车辆101内的每个乘客和每个货物物品的位置。车辆计算机105可以基于每个乘客和/或每个货物物品的重量以及每个乘客和/或每个货物物品在车辆101内的位置来确定重量分布和重心。

激光雷达传感器可以检测在车辆101被装载时车辆101相对于例如由三个或更多个车辆101车轮接触地面的点限定的水平面或者地平线的高度的落差和/或角度的变化，并且向车辆计算机105输出数据115，所述数据指示高度的落差和角度的变化，如下文讨论。如先前解释，激光雷达传感器可以将车辆101周围的区域在车辆101被装载之前和车辆101被装载时的三维扫描输出到车辆计算机105。三维扫描在车辆101被装载之前和被装载时的变化可以指示激光雷达传感器的视角变化和车辆101的高度落差。

定位在车辆101上的不同位置的激光雷达传感器可以输出对于车辆101的高度落差的不同测量值。车辆计算机105可以接收对于车辆101的高度落差的不同测量值，并且可以根据激光雷达传感器的高度落差的差异和激光雷达传感器之间的距离来确定车辆101相对于地平线或水平面(例如，由三个或更多个车辆101车辆接触地面的点限定的平面)的角度。

悬架行驶高度传感器测量悬架系统的各个点与地面之间的距离，并且可以向车辆101输出数据115，所述数据指示在悬架系统上的各种点处悬架系统与地面之间的距离。车辆计算机105可以将来自各种车辆传感器110的输出数据115进行组合，以确定在载有乘客和/或货物的情况下车辆101的重量分布和重心。例如，车辆101可以具有磁悬架/自适应悬架，并且悬架行程传感器110可以在各种车辆101位置使用，例如，前拐角和后拐角，以确定车辆101载荷和/或载荷(例如，重量)如何分布。在其他示例中，可以使用来自除车辆101外的车辆的相机传感器110图像并且然后执行“前后”图像处理，以将“库存卸载车辆”与当前车辆101装载位置进行比较。车辆门槛板和/或保险杠与地面表面相比较之间的距离可以经由图像处理进行估计，以确定车辆101载荷和重量分布估计，例如，计算机105存储器中的表等可以存储对于车辆101保险杠、门槛板等距地面的相应距离的载荷和/或分布值。

车辆计算机105可以通过从诸如内部相机的内部传感器110接收数据115来确定当车辆101在行驶时货物可能在车辆101内移位，从而导致车辆101的重心变化。内部相机可以向车辆计算机105发送图像，从而表明货物如何布置。作为示例，车辆计算机105可以接收表明车辆101的货物空间中的货物的图像，并且车辆计算机105可以根据以下项来计算货物移位的风险：货物的物品数量、货物的重量、货物与支撑货物的货物空间的表面之间的摩擦系数、当货物物品装载在彼此的顶部上时货物之间的摩擦、货物的尺寸和重心、货物的硬度，以及当车辆101在运动时基于规划的路线和关于加速度范围的历史数据以及路线的对应方向的车辆101的指定加速度范围。在一些示例中，计算机105可以因为上述计算而监测用于固持可能有掉落或移位风险的物体的约束件的使用，并且推荐用户使用此类约束件。在其他情况下，可以提示用户将松散物体(例如，手提箱)放置在储存容器中以减轻在高度减速事件(例如，紧急制动)下损坏的风险。这可以经由内部相机传感器110和基于图像数据的物体跟踪来完成。计算机105可以监测放置到车辆101中的物品并且通过图像分析来确认使用约束件固定物品，如果物品或物体在相机传感器110的视野内的话。此外，计算机101可以例如经由用户装置150和/或车辆101HMI请求用户或(经由车辆对车辆通信)另一车辆提供约束件的图像以确认车辆101中的物体或物品被适当地约束。车辆101可以另外地或替代地配备智能附接点，以在车辆101被装载以及运动时监测约束件上的工作载荷，例如，具有传感器110的附接点以检测是否连接了约束件和/或约束件上的张力，以便检测对移位的物品的不当约束或者约束件的超载或附接点工作载荷极限。进一步替代地或另外地，车辆101可以通过拖车传感器或通过车辆101传感器(例如，相机)来监测车辆101的挂接装置上的载荷，以检测拖车落差高度和倾斜。

在判定框410中，车辆计算机105判定是否已经满足以下条件：乘客和/或货物的总重量不超过车辆101的载荷容量，车辆101的重量分布在车辆101的车轮之间是可接受的，车辆101的重心在预定范围内，以及在车辆101移动时货物移位的风险在预定范围内。如果满足所述条件，则过程400进行到框430。如果不满足所述条件，则过程400进行到框415。此外，计算机105可以检测低于车辆101的最大载荷容量的可接受总重量以及检测到的载荷的适当重量分布，并且基于检测到的载荷和/或重量分布而采取行动。例如，车辆101可以被装载成使得它可以不沿着某些低重量载荷限制桥梁行进，或者它可以避开具有某些坡度的道路，使得计算机105可以修改路径和运动规划。例如，车辆101可以修改其本身与前一车辆之间的间隔，以考虑到货物载荷对车辆101的停止距离的影响。

在框415中，车辆计算机105可以例如经由用户装置150请求每个乘客从乘客的当前座椅移动到车辆101内的另一座椅和/或货物在车辆101的货物空间中重新布置的用户输入。

在判定框420中，车辆计算机105判定是否已经满足以下条件：乘客和/或货物的总重量不超过车辆101的载荷容量，车辆101的重量分布在车辆101的车轮之间是均衡的，车辆101的重心在预定范围内，以及在车辆101移动时货物移位的风险在预定范围内。如果满足所述条件，则过程400进行到框430。如果不满足所述条件，则过程400进行到框425。

在框425中，车辆计算机105可以向用户通知尚未满足所述条件中的至少一者。车辆计算机105可以通过用户装置150来通知用户，例如，通过用户装置150上的应用。车辆计算机105可以通过不致动车辆101来防止车辆101行驶。车辆计算机105可以向用户装置150输出消息，所述消息推荐用户请求具有足够车辆容量的另一车辆101。车辆计算机105可以将测量到的数据115上传到服务器130，并且服务器130可以识别具有足够车辆容量的第二可用车辆101。服务器130可以向用户告知第二可用车辆101。过程400结束。

在框430中，车辆计算机105可以致动车辆101以行驶到路线目的地。过程400结束。

如本文所使用，修饰形容词的副词“基本上”意指形状、结构、测量、值、计算等可能偏离精确描述的几何形状、距离、测量、值、计算等，因为材料、加工、制造、数据采集器测量、计算、处理时间、通信时间等存在缺陷。

计算机105通常各自包括可以由一个或多个计算装置(诸如上面标识的那些计算装置)执行并用于实施上述过程的框或步骤的指令。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来编译或解译，所述编程语言和/或技术包括但不限于单独或组合的Python、Java^TM、C、C++、Visual Basic、Java Script、Perl、HTML等。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，包括本文所描述的过程中的一个或多个过程。此类指令和其他数据可以使用各种计算机可读介质存储和传输。计算机105中的文件通常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的集合。

计算机可读介质包括参与提供可以由计算机读取的数据(例如，指令)的任何介质。此类介质可以采用许多形式，包括但不限于，非易失性介质、易失性介质等。非易失性介质包括例如光盘或磁盘以及其他永久性存储器。易失性介质包括通常构成主存储器的动态随机存取存储器(DRAM)。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、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带，或者计算机可以从中读取的任何其他介质。

关于本文所描述的介质、过程、系统、方法等，应当理解，虽然此类过程等的步骤已被描述为按照某一有序的序列发生，但是此类过程可以通过以本文所描述的顺序以外的顺序执行所描述的步骤来实践。还应理解，可以同时执行某些步骤，可以添加其他步骤或者可以省略本文所述的某些步骤。例如，在过程400中，可以省略一个或多个步骤，或者可以以与所示不同的顺序执行步骤。换句话说，本文对系统和/或过程的描述是出于说明某些实施方案的目的而提供的，并且绝不应当被解释为限制所公开的主题。

因此，应理解，包括以上描述和附图以及所附权利要求的本公开旨在是说明性的而非限制性的。在阅读以上描述之后，除了所提供的示例之外的许多实施例和应用对于本领域技术人员而言将是显而易见的。不应参考以上描述来确定本发明的范围，而是应参考附加到本发明和/或被包括在基于本发明的非临时专利申请中的权利要求以及享有此类权利要求的权利的等效物的完整范围来确定。本文所讨论的领域中预期并意图将出现未来发展，并且所公开的系统和方法将合并到此类未来实施例中。总而言之，应当理解，所公开的主题能够进行修改和变化。

除非另有说明，或者上下文另有要求，否则修饰名词的冠词“一个”应理解为一个或多个。短语“基于”涵盖部分地或全部地基于。

根据本发明，一种方法包括：利用车辆传感器数据来检测车辆外部的物体；至少部分地基于对所述物体进行分类来预测所述车辆的载荷；以及基于所述预测的载荷来致动车辆部件。

根据实施例，本发明的特征还在于，基于对所述物体进行分类，确定所述车辆是否能够接受所述预测的载荷。

根据实施例，本发明的特征还在于，在车辆传感器视野内指定所述物体待被检测到的位置。

根据实施例，本发明的特征还在于，在确定所述车辆无法接受所述预测的载荷后，向用户传输消息。

根据实施例，本发明的特征还在于，根据所述物体的重量和体积中的至少一者来预测所述载荷。

根据实施例，本发明的特征还在于，除了对所述物体进行分类之外还基于用户数据来预测所述载荷。

根据实施例，所述用户数据包括位置、目的地、装载历史和用户指定的货物物体数量中的一者或多者。

根据实施例，本发明的特征还在于，部分地基于所述物体的估计的大小来预测所述载荷。

根据实施例，本发明的特征还在于，部分地基于来自货源的数据来预测所述载荷。

根据实施例，所述传感器数据包括图像、激光雷达数据、重量传感器数据和车辆悬架数据中的至少一者。

根据本发明，提供了一种计算机，所述计算机具有处理器和存储器，所述存储器存储指令，所述指令能够由所述处理器执行以：利用车辆传感器数据来检测车辆外部的物体；至少部分地基于对所述物体进行分类来预测所述车辆的载荷；以及基于所述预测的载荷来致动车辆部件。

根据实施例，所述存储器还存储用于基于对所述物体进行分类来确定所述车辆是否能够接受所述预测的载荷的指令。

根据实施例，所述存储器还存储用于在车辆传感器视野内指定所述物体待被检测到的位置的指令。

根据实施例，所述存储器还存储用于在确定所述车辆无法接受所述预测的载荷后向用户传输消息的指令。

根据实施例，所述存储器还存储用于根据所述物体的重量和体积中的至少一者来预测所述载荷的指令。

根据实施例，所述存储器还存储用于除了对所述物体进行分类之外还基于用户数据来预测所述载荷的指令。

根据实施例，所述用户数据包括位置、目的地、装载历史和用户指定的货物物体数量中的一者或多者。

根据实施例，所述存储器还存储用于部分地基于所述物体的估计的大小来预测所述载荷的指令。

根据实施例，所述存储器还存储用于部分地基于来自货源的数据来预测所述载荷的指令。

根据实施例，所述传感器数据包括图像、激光雷达数据、重量传感器数据和车辆悬架数据中的至少一者。