JP2021501091A - Vehicle monitor - Google Patents

Vehicle monitor Download PDF

Info

Publication number
JP2021501091A
JP2021501091A JP2020535322A JP2020535322A JP2021501091A JP 2021501091 A JP2021501091 A JP 2021501091A JP 2020535322 A JP2020535322 A JP 2020535322A JP 2020535322 A JP2020535322 A JP 2020535322A JP 2021501091 A JP2021501091 A JP 2021501091A
Authority
JP
Japan
Prior art keywords
vehicle
information
road
parameters
program product
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020535322A
Other languages
Japanese (ja)
Other versions
JP7297764B2 (en
JP2021501091A5 (en
Inventor
ミズラヒ、ボアズ
アドラー、ヤロン
シャピラ、スタニスラフ
マツキ、イーガル
ローゼンバーグ、アビブ
Original Assignee
タクタイル モビリティ リミテッド
タクタイル モビリティ リミテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by タクタイル モビリティ リミテッド, タクタイル モビリティ リミテッド filed Critical タクタイル モビリティ リミテッド
Priority claimed from PCT/IB2018/056844 external-priority patent/WO2019049080A2/en
Publication of JP2021501091A publication Critical patent/JP2021501091A/en
Publication of JP2021501091A5 publication Critical patent/JP2021501091A5/ja
Priority to JP2023098001A priority Critical patent/JP2023120309A/en
Application granted granted Critical
Publication of JP7297764B2 publication Critical patent/JP7297764B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

車両モニタおよび車両をモニタする方法【選択図】 図１Vehicle monitor and method of monitoring the vehicle [Selection diagram] Fig. 1

Description

相互参照
[001] 本出願は以下の仮特許出願からの優先権を主張するものであり、各仮特許出願は、その全体が本明細書に組み込まれる。
a. 米国仮特許出願第６２／５７３，８２８号 出願日２０１７年１０月１８日。
b. 米国仮特許出願第６２／５５６，４４７号 出願日２０１７年 ９月１０日。
c. 米国仮特許出願第６２／５５６，４４５号 出願日２０１７年 ９月１０日。
d. 米国仮特許出願第６２／５６４，２７０号 出願日２０１７年 ９月２８日。
e. 米国仮特許出願第６２／５７５，５４４号 出願日２０１７年１０月２３日。
f. 米国仮特許出願第６２／５５６，４４４号 出願日２０１７年 ９月１０日。
g. 米国仮特許出願第６２／５５６，４４３号 出願日２０１７年 ９月１０日。
h. 米国仮特許出願第６２／７２２，２１０号 出願日２０１８年 ８月２４日。 Cross-reference
[001] This application claims priority from the following provisional patent applications, and each provisional patent application is incorporated herein by reference in its entirety.
US Provisional Patent Application No. 62 / 573,828 Filing date October 18, 2017.
b. US Provisional Patent Application No. 62 / 556,447 Filing date September 10, 2017.
c. US Provisional Patent Application No. 62 / 556,445 Filing date September 10, 2017.
d. US Provisional Patent Application No. 62 / 564,270 Filing date September 28, 2017.
e. US Provisional Patent Application No. 62 / 575,544 Filing date October 23, 2017.
f. US Provisional Patent Application No. 62 / 556,444 Filing date September 10, 2017.
g. US Provisional Patent Application No. 62 / 556,443 Filing date September 10, 2017.
h. US Provisional Patent Application No. 62 / 722,210 Filing date August 24, 2018.

背景
[002] 高度データ
[003] 人間の運転者および自律車両は、道路に関する非常に正確な情報から利益を得ることができる。
[004] 道路に関する高度に正確な情報を生成するための効率的な方法を提供する必要性が高まっている。
[005] 物理事象の測定
[006] 今日、自律車両（Autonomous Vehicles: AV）アプリケーションおよび高度運転者支援システム（Advanced Driver Assistance Systems: ADAS）アプリケーションは、いくつかの知識ギャップを有し、これらの知識ギャップは、主に視覚センサの使用に起因して、それらのソリューションを脆弱にする。
[007] AVの主な問題の１つは、地図の位置特定であり、地図が与えられると、地図上の現在位置を比較的高い精度で正確に特定する。
[008] 位置特定に使用される最初のセンサはGPSである。これは、通常、地図上の一般的な領域を与える。時にはそれは数メートルほど正確であることがあるが、時にはそれより遠く、さらには（空が晴れていない場合、都市環境、または屋根や覆いの下では）欠けていることさえある。
[009] GPSによって提供されるおおよその情報に従い、位置特定の微調整のために今日使用される主なセンサは、カメラ、LiDAR、RADAR、IRカメラの視覚センサである。これらのセンサは、通常、視覚画像後処理を、以前にマッピング／収集された画像データと比較する。精密に加工する場合、センチメートルの精度をもたらすことがある。
[0010] 主な問題は悪天候、ヘッドライトによる失明、通信妨害、シーンの変化などの問題のために、これらのセンサが１００％の時間機能していないことである。
[0011] このような場合、車両は、縦方向および横方向に正確に位置を特定することができない。
[0012] さらに、視覚センサを使用する場合、正確なポジショニングのために必要とされる知識ベースは、多数の画像を含むので、非常に大きい。データベースを更新するには、膨大な通信および処理リソースが必要になる場合がある。
[0013] 車両プロファイル
[0014] ＡＶ(Autonomous Vehicles)アプリケーションおよびＡＤＡＳ(Advanced Driver Assistance Systems)アプリケーションは、車両挙動および道路条件に基づいている。
[0015] 車両挙動は、膨大な数のパラメータに依存し、したがって、車両挙動の推定に膨大な計算資源および記憶資源を割り当てる場合であっても、車両挙動を予測不能にする。
[0016] 車両の挙動の正確で効果的な推定値を提供する必要性が高まっている。
[0017] 重量
[0018] 車両の重量は、車両の性能に重大な影響を及ぼす可能性がある。例えば、車両の重量は制動距離に影響を及ぼす。また、車両の重量は、燃料消費、車両の様々なモジュールの製品などに影響を及ぼす。
[0019] 自律車両(AV)アプリケーションおよび先進運転支援システム（ADAS）アプリケーションは、車両の重量の正確な測定値をリアルタイムで受信することから利益をうることができる。
[0020] 車両の重量は車両が商品を搬送しているときに商業的に重要であり、車両の総重量は、車両によって搬送される商品の総重量の推定値を提供する。
[0021] 車両の重量の正確な推定値を提供する必要性が高まっている。
[0022] グリップ
[0023] アンチロックブレーキシステムまたはアンチスキッド（横滑り）ブレーキシステム（ABS）は、自動車の車輪がドライバーの入力に応じて路面と牽引接触を維持しながら、車輪がロックアップ（回転の停止）し、制御不能なスキッドを回避することを可能にする自動車安全システムである（www.wikipedia.org）。典型的なABSシステムは、ブレーキを解除することによって、通常は限界グリップが特定の閾値に達したときにブレーキをポンピングすることによって、車輪がロックアップするのを防止する。ブレーキのポンピングはエネルギーを消費し、このエネルギー消費を低減する必要性が高まっている。さらに、限界グリップ値に達すると、ブレーキ効果は減少する。ブレーキ効果を改善する必要性が高まっている。
[0024] 自律車両（AV）アプリケーションおよび高度運転者支援システム（ADAS）アプリケーションは、車両パラメータおよび道路条件を含むがこれらに限定されない様々なパラメータに基づく。
[0025] 道路条件および車両パラメータは経時的に変化してもよく、グリップは予測されない方法で経時的に変化してもよい。これらのグリップの変化は、車両が運転されるべき方法に影響を及ぼし得る。
[0026] 経路区間の把持を迅速かつ正確に決定する必要性が高まっている。 background
[002] Altitude data
[003] Human drivers and autonomous vehicles can benefit from highly accurate information about roads.
[004] There is an increasing need to provide an efficient way to generate highly accurate information about roads.
[005] Measurement of physical events
[006] Today, Autonomous Vehicles (AV) applications and Advanced Driver Assistance Systems (ADAS) applications have several knowledge gaps, which are primarily visual sensors. Make those solutions vulnerable due to the use of.
[007] One of the main problems with AV is the location of a map, which, given a map, pinpoints the current position on the map with relatively high accuracy.
[008] The first sensor used for locating is GPS. This usually gives a general area on the map. Sometimes it is as accurate as a few meters, but sometimes it is farther away and even lacking (in urban environments, or even under roofs and covers) when the sky is not clear.
[009] According to the approximate information provided by GPS, the main sensors used today for positioning fine-tuning are the visual sensors of cameras, LiDAR, RADAR, IR cameras. These sensors typically compare visual image post-processing with previously mapped / collected image data. When machined with precision, it can result in centimeter accuracy.
[0010] The main problem is that these sensors are not functioning for 100% of the time due to problems such as bad weather, blindness due to headlights, jamming, and scene changes.
[0011] In such a case, the vehicle cannot be accurately positioned in the vertical and horizontal directions.
[0012] Moreover, when using a visual sensor, the knowledge base required for accurate positioning is very large as it contains a large number of images. Updating the database can require enormous communication and processing resources.
[0013] Vehicle profile
[0014] AV (Autonomous Vehicles) applications and ADAS (Advanced Driver Assistance Systems) applications are based on vehicle behavior and road conditions.
[0015] Vehicle behavior relies on a huge number of parameters, thus making vehicle behavior unpredictable, even when a huge amount of computational and storage resources are allocated to estimate vehicle behavior.
[0016] There is an increasing need to provide accurate and effective estimates of vehicle behavior.
[0017] Weight
[0018] The weight of the vehicle can have a significant impact on the performance of the vehicle. For example, the weight of the vehicle affects the braking distance. In addition, the weight of the vehicle affects fuel consumption, products of various modules of the vehicle, and the like.
[0019] Autonomous Vehicle (AV) and Advanced Driver Assistance Systems (ADAS) applications can benefit from receiving accurate measurements of vehicle weight in real time.
[0020] The weight of the vehicle is of commercial importance when the vehicle is carrying goods, and the gross vehicle weight provides an estimate of the total weight of goods carried by the vehicle.
[0021] There is an increasing need to provide accurate estimates of vehicle weight.
[0022] Grip
An anti-lock braking system or anti-skid braking system (ABS) allows the wheels to lock up (stop rotation) while the wheels of the vehicle maintain traction contact with the road surface in response to the driver's input. A car safety system that allows you to avoid uncontrollable skids (www.wikipedia.org). A typical ABS system prevents the wheels from locking up by releasing the brakes, usually by pumping the brakes when the critical grip reaches a certain threshold. Brake pumping consumes energy, and there is an increasing need to reduce this energy consumption. Furthermore, when the limit grip value is reached, the braking effect decreases. There is an increasing need to improve the braking effect.
[0024] Autonomous Vehicle (AV) and Advanced Driver Assistance Systems (ADAS) applications are based on a variety of parameters, including but not limited to vehicle parameters and road conditions.
Road conditions and vehicle parameters may change over time, and grip may change over time in unpredictable ways. These changes in grip can affect how the vehicle should be driven.
[0026] There is an increasing need to determine the grip of the route section quickly and accurately.

概要
[0027] 高度データと気圧計ノイズ推定
[0028] 道路区間（セグメント）の高さを推定するための方法を提供することができる。この方法は、車両の気圧計によって、および所与のドライブセッション中に、複数の気圧計測定値を提供するために車両内圧力を測定することと、車両が道路区間を通過する間に測定が行われることと、複数の補正された気圧計測定値を提供するために気圧計に影響を及ぼす車両状態をコンピュータによって補正（補償）することと、複数の補正された気圧計測定値を複数の車両によって実行された複数の他のドライブセッション中に取得された気圧計情報と併合することによって、道路区間の高さ推定値を提供することと、併合は、セッション定数オフセット補正およびセッション間オフセット補正を実行することと、を含む方法である。
[0029] 併合は重複（オーバーラップ）するノードを検索することを含み、ここで、各重複するノードは同じロケーション（位置）に対応し、複数のセッションに属する。
[0030] 併合は、同じ重複ノードに関連し得る異なるセッションの高さ推定値を実質的に等しくするための関連付けプロセスを含むことができる。
[0031] この方法は、関連付けプロセス中に導入された重複ノードの高さ推定値の変化に基づいて、重複していないノードの高さ推定値を変更することを含むことができる。
[0032] 重複しないノードの高さ推定値の変更は、所定の高さ調整分布（調整配分）に従ってセッションに沿って高さ調整を配分することを含むことができる。
[0033] 所定の高さ調整分布は、均一に分布された高さ調整分布であってもよい。
[0034] セッション定数オフセット補正は、重複するノードを関連付けすることなく、重複するノード間の高さの差を低減することを含むことができる。
[0035] セッション間オフセット補正は、関連付けプロセスを含むことができる。
[0036] 気圧計に影響を及ぼす車両状態の補正は、気圧計および気圧計とは異なる少なくとも１つの他の車両センサによって提供される情報に基づくことができる。
[0037] 少なくとも１つの他の車両センサは、加速度計であってもよい。
[0038] 併合は、重複するノードに関連する高さ推定値の統計値を計算することと、統計値に基づいて１つまたは複数の高さ推定値を拒否することとを含むことができる。
[0039] この方法は、複数の補正された気圧計測定値を、車両の外側に配置されたコンピュータ化されたシステムに送信することを含むことができ、併合は、コンピュータ化されたシステムによって実行することができる。
[0040] 併合の少なくとも一部は、車両のコンピュータによって実行されてもよい。
[0041] 気圧計に影響を及ぼす車両状態を補正することは、気圧計測定値をローパスフィルタリングすることを含むことができる。
[0042] 気圧計に影響を及ぼす車両状態を補正することは、気圧計測定値の少なくともいくつか（一部）を無視するように決定するステップを含むことができる。
[0043] 気圧計に影響を及ぼす車両状態を補償することは、気圧計測定値の少なくともいくつかを無視するように決定するステップを含むことができる。
[0044] 気圧計に影響を及ぼす車両状態の補正することは、２つの地点に関連する気圧計測定値によって反映されるように、２つの地点間に延在する道路部分の勾配が最大勾配閾値を超える場合に、気圧計測定値の少なくともいくつかを無視することを決定することを含むことができる。
[0045] 気圧計に影響を及ぼす車両状態を補正することは、少なくとも１つの気圧計測定値の値に対する気圧計影響事象の効果を計算することを含むことができる。
[0046] 車両に影響を及ぼす気圧計の補正は、気圧計測定が行われたときに車両の加速に応答することができる。
[0047] 車両に影響を及ぼす気圧計の補正は、気圧計測定が行われたときの車両の減速に応答することができる。
[0048] 道路区間の高さを推定するための非一時的コンピュータプログラム製品が提供されてもよい。非一時的コンピュータプログラム製品は、車両の気圧計によって、および所与のドライブセッション中に、複数の気圧計測定値を提供するために車両内部圧力を測定するための命令を格納してもよく、測定は車両が道路区間を通過する間に行われ、コンピュータによって、気圧計に影響を及ぼす車両状態を補正して、複数の補正された気圧計測定値を提供し、複数の補正された気圧計測定値を複数の車両によって実行された複数の他のドライブセッション中に取得された気圧計情報と併合し、それによって、道路区間の高さ推定値を提供し、併合は、セッション一定オフセット補正およびセッション間オフセット補正を実行することを含んでもよい。
[0049] 併合は重複するノードを検索することを含み、ここで、各重複するノードは同じ位置に対応し、複数のセッションに属する。
[0050] 併合は、同じ重複ノードに関連する異なるセッションの高さ推定値を実質的に等しくするための関連付けプロセスを含むことができる。
[0051] 非一時的コンピュータプログラム製品は、関連付けプロセス中に導入された重複ノードの高さ推定値の変化に基づいて、重複しないノードの高さ推定値を変更するための命令を記憶することができる。
[0052] 重複しないノードの高さ推定値の変更は、所定の高さ調整分布に従ってセッションに沿って高さ調整を分配することを含むことができる。
[0053] 所定の高さ調整分布は、均一に分布された高さ調整分布であってもよい。
[0054] セッション定数オフセット補正は、重複するノードを関連付けすることなく、重複するノード間の高さの差を低減することを含むことができる。
[0055] セッション間オフセット補正は、関連付けプロセスを含むことができる。
[0056] 車両状態に影響を与える気圧計の補償（補正）は、気圧計および気圧計とは異なる少なくとも１つの他の車両センサによって提供される情報に基づいてもよい。
[0057] 少なくとも１つの他の車両センサは、加速度計であってもよい。
[0058] 気圧計に影響を及ぼす車両状態の補償は、気圧計測定値パターンに基づくことができる。
[0059] 併合は、重複するノードに関連する高さ推定値の統計値を計算することと、統計値に基づいて１つまたは複数の高さ推定値を拒否することとを含むことができる。
[0060] 非一時的コンピュータプログラム製品は、複数の補償された気圧計測定値を、車両の外部に配置することができるコンピュータ化されたシステムに送信するための命令を格納することができ、併合は、コンピュータ化されたシステムによって実行することができる。
[0061] 併合の少なくとも一部を補償することは、車両のコンピュータによって実行されてもよい。
[0062] 車両状態に影響する気圧計の補償は、気圧計測定値をローパスフィルタリングすることを含むことができる。
[0063] 気圧計に影響を及ぼす車両状態を補償（補正）することは、気圧計測定値の少なくともいくつかを無視するように決定するステップを含むことができる。
[0064] 気圧計に影響を及ぼす車両状態を補償（補正）することは、気圧計測定値の少なくとも一部を無視するように決定するステップを含むことができる。
[0065] 気圧計に影響を及ぼす車両状態の補償（補正）は、２つの地点に関連する気圧計測定値によって反映されるように、２つの地点間に延在する道路部分の勾配が最大勾配閾値を超える場合に、気圧計測定値の少なくともいくつかを無視するように決定することを含むことができる。
[0066] 気圧計に影響を及ぼす車両状態を補償（補正）することは、少なくとも１つの気圧計測定値の値に対する気圧計影響事象の効果を計算することを含むことができる。
[0067] 気圧計に影響を及ぼす車両の補償（補正）は、気圧計測定が行われたときに車両の加速度に応答することができる。
[0068] 気圧計に影響を与える車両の補償（補正）は、気圧計測定が行われたときの車両の減速に応答することができる。
[0069] 物理事象（PHYSICAL EVENTS）の測定
[0070] 特許請求の範囲および／または明細書および／または図面に示すように、方法、システム、および非一時的コンピュータ可読媒体を提供することができる。
[0071] 複数の道路区間に関連する物理事象を測定する方法は、第１の車両センサによって第１のパラメータセットを測定するステップを含んでもよく、測定は車両が複数の道路区間を走行している間に行われ、第１のパラメータセットは車両の車輪運動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、車両コンピュータによって、複数の道路区間を走行することに関連する検出物理事象を検出するステップを含んでおり、検出は第１のパラメータセットに基づいてもよく、検出された物理事象に関する物理事象情報を生成するステップを含んでおり、物理事象情報の少なくとも一部を記憶または送信するステップを含んでもよい。
[0072] 検出された物理事象は、衝突、スリップ、横滑り（スキッド）、スピン、緯度スピン（縦スピン）および経度スピン（横スピン）からなる群から選択されてもよい。
[0073] 検出された物理事象は、衝突、スリップ、横滑り（スキッド）、スピン、緯度スピン（縦スピン）及び経度スピン（横スピン）を含むことができる。
[0074] 第１の車両センサは、加速度計および複数の車輪運動センサを含むことができる。
[0075] この方法は、道路区間属性を計算することを含むことができる。
[0076] 道路区間属性は、（i）道路区間を含むことができる道路区間のグループの曲率、（ii）道路区間の長手方向傾斜（縦方向勾配）、（iii）道路区間の横方向傾斜（横方向勾配）、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含むことができる。
[0077] 道路区間属性は、（i）道路区間を含むことができる道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つのセグメント属性を含むことができる。
[0078] この方法は、物理事象の位置を計算することを含むことができる。
[0079] この方法は、第１のパラメータセットの測定に対応する時点における物理事象に関連する異なる車両構成要素の位置に基づいて物理事象の位置を計算することを含むことができる。
[0080] 本方法は、（a）複数の道路区間に関連する以前に検出物理事象に関する参照情報を含む複数の道路区間の参照マップ（基準マップ）と（b）物理事象情報との間の差を計算することを含み、差のうちの少なくともいくつかを送信することを含むことができる。
[0081] この方法は、複数の道路区間の参照マップを受信または計算することを含むことができ、参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含むことができる。
[0082] この方法は、参照マップと検出された物理事象の順番とに基づいて車両の位置を決定することを含むことができる。
[0083] この方法は、検出された物理事象の順番（シーケンス）に適合する物理事象の参照シーケンス（参照順番）を参照マップ内で検索することによって車両の位置を決定することを含むことができる。
[0084] この方法は、参照マップ内で、必須の検出物理事象のシーケンスに適合する必須の物理事象の参照シーケンスを検索することによって、車両の位置を決定することを含むことができる。
[0085] 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶することができる基本レイヤ（基本層）を含むことができる。
[0086] 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を格納することができるレイヤを含むことができる。
[0087] この方法は、検出された物理事象のシーケンスに適合する物理事象の参照シーケンスを層内で検索することによって車両の位置を決定することを含むことができる。
[0088] 検索は、基本レイヤによって表される道路区間をスキャンすることと、スキャンされた道路区間に関連する以前に検出された物理事象に関する参照情報を取り出す（読み出す）こととを含むことができる。
[0089] 検索は、以前に検出された物理事象に関する参照情報を見つけるためにハッシュ関数を適用することを含み得る。
[0090] 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間のうちのいくつかのみに関する追加情報を含むことができる１つまたは複数のスパースレイヤ（疎層）を含むことができ、１つまたは複数のスパースレイヤは、基本レイヤにリンクすることができる。
[0091] この方法は、１つまたは複数のスパースレイヤおよび車両の位置に基づいて、運転指示（ドライブ命令）を生成するステップを含んでもよい。
[0092] 参照マップは、固定フィールドサイズスパースレイヤおよび可変サイズスパースレイヤを含むことができ、可変サイズスパースレイヤは、参照物理事象情報を含むことができる。
[0093] この方法は、参照マップの一部を更新するための参照マップ更新を受信し、参照マップの更新されていない部分を更新することなく、参照マップの一部を更新することを含むことができる。
[0094] 参照マップは、車両または車両の運転者に関連付けられた運転パターンに関する情報を記憶するプライベートフィールドを含むことができ、パブリックフィールドを含むことができる。
[0095] この方法は、少なくとも第１のパラメータセットに基づいて仮想センサ情報を生成するステップをさらに含むことができる。
[0096] この方法は、さらに、画像センサを使用することによって、車両の横方向位置を決定することを含むことができる。
[0097] 物理事象情報は、検出された物理事象の正規化された大きさを含むことができる。
[0098] 領域の参照マップを生成するための方法が提供されてもよく、この方法は、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを通信インターフェースによって受信することを含んでもよく、道路区間属性はこの領域に属する道路区間に関連付けられてもよく、複数の車両の車両の物理事象情報は車両の第１の車両センサによって感知されてもよい第１のパラメータセットに基づいてもよく、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、コンピュータ化されたシステムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算すること、を含んでもよい。
[0099] 検出された物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択されてもよい。
[00100] 検出された物理事象は、衝突、スリップ、横滑り、スピン、緯度スピン及び経度スピンを含むことができる。
[00101] 第１の車両センサは、加速度計及び複数の車輪運動センサを含むことができる。
[00102] 道路区間属性は、（i）道路区間を含むことができる道路区間のグループの曲率、（ii）道路区間の長手方向傾斜（縦勾配）、（iii）道路区間の横方向傾斜（横勾配）、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含むことができる。
[00103] 道路区間属性は、（i）道路区間を含むことができる道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つのセグメント属性を含むことができる。
[00104] 参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含むことができる。
[00105] 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶することができる基本レイヤ（基本層）を含むことができる。
[00106] 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を格納することができるレイヤ（層）を含むことができる。
[00107] 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間の道路区間のうちのいくつかのみに関する追加情報を含むことができる１つまたは複数のスパースレイヤ（疎層）を含むことができ、１つまたは複数のスパースレイヤは、基本レイヤにリンクすることができる。
[00108] 参照マップは、固定フィールドサイズスパースレイヤおよび可変サイズスパースレイヤを含むことができ、可変サイズスパースレイヤは、参照物理事象情報を含むことができる。
[00109] 参照マップは、車両または車両の運転者に関連付けられた運転パターンに関する情報を記憶するプライベートフィールドと、パブリックフィールドを含むことができる。
[00110] 物理事象情報は、検出された物理事象の正規化された大きさを含むことができる。
[00111] 複数の道路区間に関連する物理事象を測定するための非一時的コンピュータプログラム製品であって、第１の車両センサによって第１のパラメータセットを測定するための命令を格納し、測定は車両が複数の道路区間を走行している間に行われ、第１のパラメータセットは車両の車輪運動パラメータおよび車両加速度パラメータを含み、第１の車両センサは道路画像センサとは異なり、車両コンピュータによって、複数の道路区間を走行することに関連する検出物理事象を検出し、検出物理事象に関する物理事象情報を生成し、物理事象情報の少なくとも一部を格納または送信する、非一時的コンピュータプログラム製品を提供することができる。
[00112] 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択されてもよい。
[00113] 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピン及び経度スピンを含むことができる。
[00114] 第１の車両センサは、加速度計及び複数の車輪運動センサを含むことができる。
[00115] 非一時的コンピュータプログラム製品は、道路区間属性を計算するための命令を記憶することができる。
[00116] 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜（縦勾配）、（iii）道路区間の横方向傾斜（横勾配）、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含むことができる。
[00117] 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つの区間属性を含むことができる。
[00118] 非一時的コンピュータプログラム製品は、物理事象の位置を計算する命令を記憶することができる。
[00119] 非一時的コンピュータプログラム製品は、第１のパラメータセットの測定に対応する時点における物理事象に関連する異なる車両構成要素の位置に基づいて物理事象の位置を計算するための命令を記憶することができる。
[00120] 非一時的コンピュータプログラム製品は、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報を含む複数の道路区間の参照マップと、（b）物理事象情報との間の差を計算するし、その差のうちの少なくともいくつかを送信するための命令を格納することができる。
[00121] 非一時的コンピュータプログラム製品は、複数の道路区間の参照マップを受信または計算するための命令を格納することができ、参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含むことができる。
[00122] 非一時的コンピュータプログラム製品は、参照マップおよび検出された物理事象の順番（シーケンス）に基づいて車両の位置を決定するための命令を記憶することができる。
[00123] 非一時的コンピュータプログラム製品は、検出された物理事象の順番（シーケンス）に適合する物理事象の参照シーケンスを参照マップ内で検索することによって車両の位置を決定するための命令を記憶することができる。
[00124] 非一時的コンピュータプログラム製品は、一連の必須の検出物理事象に適合する必須の物理事象の参照シーケンスを参照マップ内で検索することによって車両の位置を決定するための命令を記憶することができる。
[00125] 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶することができる基本レイヤ（基本層）を含むことができる。
[00126] 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を格納することができるレイヤを含むことができる。
[00127] 非一時的コンピュータプログラム製品は、検出された物理事象の順番（シーケンス）に適合する物理事象の参照シーケンス（参照順番）をレイヤ内で検索することによって車両の位置を決定するための命令を記憶することができる。
[00128] 検索は、基本レイヤによって表される道路区間をスキャンすることと、スキャンされた道路区間に関連する以前に検出された物理事象に関する参照情報を取り出すこととを含むことができる。
[00129] 検索は、以前に検出された物理事象に関する参照情報を見つけるためにハッシュ関数を適用することを含み得る。
[00130] 参照マップは、（a）基本レイヤが複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶することができ、（b）複数の道路区間の道路区間のうちのいくつかのみに関する追加情報を含むことができる１つまたは複数のスパースレイヤ（疎層）を含むことができ、１つまたは複数のスパースレイヤは、基本レイヤにリンクすることができる。
[00131] 非一時的コンピュータプログラム製品は、１つまたは複数のスパースレイヤおよび車両の位置に基づいて運転命令を生成するための命令を記憶することができる。
[00132] 参照マップは、固定フィールドサイズスパースレイヤおよび可変サイズスパースレイヤを含むことができ、可変サイズスパースレイヤは、参照物理事象情報を含むことができる。
[00133] 非一時的コンピュータプログラム製品は、参照マップの一部を更新し、参照マップの非更新部分を更新せずに参照マップの一部を更新する参照マップ更新を受信するための命令を記憶することができる。
[00134] 参照マップは、車両または車両の運転者に関連付けられた運転パターンに関する情報を記憶するプライベートフィールドと、パブリックフィールドを含むことができる。
[00135] 非一時的コンピュータプログラム製品は、少なくとも第１のパラメータセットに基づいて仮想センサ情報を生成することをさらに含むことができる。
[00136] 非一時的コンピュータプログラム製品は、画像センサを使用することによって車両の横方向位置を決定することをさらに含むことができる。
[00137] 物理事象情報は、検出された物理事象の正規化された大きさを含むことができる。
[00138] 領域の参照マップを生成するための非一時的コンピュータプログラム製品が提供されてもよく、この非一時的コンピュータプログラム製品は、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを、通信インターフェースによって、複数の車両から受信し、道路区間属性は領域に属する道路区間に関連付けられ、複数の車両内の１つの車両の物理事象情報はその車両の第１の車両センサによって感知され得る第１のパラメータセットに基づいてもよく、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、コンピュータ化されたシステムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算するための命令を格納する。
[00139] 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択されてもよい。
[00140] 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピン及び経度スピンを含むことができる。
[00141] 第１の車両センサは、加速度計及び複数の車輪運動センサを含むことができる。
[00142] 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の縦勾配、（iii）道路区間の横勾配、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含むことができる。
[00143] 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つのセグメント属性を含むことができる。
[00144] 参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含むことができる。
[00145] 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶することができる基本レイヤを含むことができる。
[00146] 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を格納することができるレイヤを含むことができる。
[00147] 参照マップは、（a）基本レイヤが複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶することができ、（b）複数の道路区間の道路区間のうちのいくつかのみに関する追加情報を含むことができる１つまたは複数のスパースレイヤを含むことができ、１つまたは複数のスパースレイヤは、基本レイヤにリンクすることができる。
[00148] 参照マップは、固定フィールドサイズスパースレイヤおよび可変サイズスパースレイヤを含むことができ、可変サイズスパースレイヤは、参照物理事象情報を含むことができる。
[00149] 参照マップは、車両または車両の運転者に関連する運転パターンに関する情報を記憶するプライベートフィールドと、パブリックフィールドを含むことができる。
[00150] 物理事象情報は、検出された物理事象の正規化された大きさを含むことができる。
[00151] 複数の道路区間に関連する物理事象を測定するためのシステムが提供されてもよく、このシステムは、（i）第１の車両センサから第１のパラメータセットを受信するように構成され、測定は車両が複数の道路区間上を走行している間に行われ、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なっていて、（ii）複数の道路区間上の走行に関連する検出物理事象を検出するように構成されてもよく、検出は第１のパラメータセットに基づいてもよく、検出物理事象に関する物理事象情報を生成し、物理事象情報の少なくとも一部を記憶または送信することを支援するように構成された車両コンピュータを含んでもよい。支援することは、車両の通信モジュールに送信するように指示することを含むことができる。
[00152] 領域の参照マップを生成するためのシステムが提供されてもよく、このシステムは、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを複数の車両から受信するように構成された通信インターフェースを含み、道路区間属性は領域に属する道路区間に関連付けられてもよく、複数の車両のうちの１つの車両の物理事象情報は車両の第１の車両センサによって感知されてもよい第１のパラメータセットに基づいてもよく、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なっており、複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて参照マップを計算するように構成されたプロセッサを含むことができる。
[00153] 車両プロファイル
[00154] 本明細書および／または特許請求の範囲および／または図面に示すような方法、システム、および非一時的コンピュータ可読媒体を提供することができる。
[00155] 車両プロファイルを生成する方法を提供することができ、その方法は、車両プロファイル情報候補を収集することと、少なくとも、車両プロファイル情報候補に基づいて車両プロファイルを生成することを含み、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含み、道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知されることができ、車両プロファイルは、（i）第１の組（セット）の道路経路と車両パラメータの異なる値に関する車両の等速移動に関連する巡行燃料消費パラメータの値に関する巡行情報を含む巡行データ構造と、（ii）第２の組（セット）の道路経路および車両パラメータの異なる値に関する車両のアイドル減速に関連するアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、（iii）第３の組（セット）の道路経路および車両パラメータの異なる値に対する車両の一定加速度に関連付けられた加速燃料消費パラメータの値に関する加速情報を含むことができる加速度データ構造と、を含むことができる。
[00156] 巡行データ構造は、基本的に巡行燃料消費パラメータの値からなる。
[00157] 第１のセットの道路経路および車両パラメータは、基本的に、車両速度、道路区間勾配、車両重量、および１つまたは複数のトランスミッションシステムパラメータからなる。
[00158] そのトランスミッションシステムパラメータは、ギア及びスロットル位置を含むことができる。
[00159] アイドル減速構造は、基本的に、アイドル減速距離の値からなる。
[00160] 第２のセットの道路経路および車両パラメータは、基本的に、始動車両速度、道路区間勾配、および車両重量から構成される。
[00161] 第２のセットの道路経路および車両パラメータは、本質的に、始動車両速度、道路区間勾配、および車両重量と、１つまたは複数のトランスミッションシステムパラメータとからなる。
[00162] そのトランスミッションシステムパラメータは、ギアを含むことができる。
[00163] 巡行データ構造は、本質的に、加速燃料消費パラメータの値からなる。
[00164] 第３のセットの道路経路および車両パラメータは、本質的に、始動車両速度、道路区間勾配、車両重量、加速距離、および１つまたは複数のトランスミッションシステムパラメータからなる。
[00165] そのトランスミッションシステムパラメータは、ギア及びスロットル位置を含むことができる。
[00166] 本方法は、経路区間の勾配と、（i）経路区間の２つの端部間の高さの差と（ii）経路区間の水平投影した長さの比との比較に基づいて車両プロファイル情報候補を拒絶するステップを含むことができる。
[00167] この方法は、車両プロファイルに基づいて車両を動的にクラスタ化（クラスタリング）することを含むことができる。
[00168] この方法は、各クラスタについてクラスタプロファイルを計算することを含むことができる。
[00169] この方法には、車両を含む可能性があるクラスタの少なくとも１つのクラスタプロファイルに基づいて、巡行データ構造、アイドル減速データ構造、および加速データ構造のうちの少なくとも１つを更新することを含んでもよい。
[00170] 本方法は、車両プロファイルを圧縮して、圧縮車両プロファイルを生成することを含んでもよい。
[00171] 圧縮は、従属道路経路と車両パラメータとの間の数学的関係を計算することと、巡行データ構造、アイドル減速データ構造、および加速度データ構造のうちの少なくとも１つから、従属道路経路および車両パラメータのうちの少なくとも１つに関する情報を除去することとを含むことができる。
[00172] 圧縮は、道路経路と、車両速度のサブグループに関連し得る車両パラメータとを除去することを含み得る。
[00173] 圧縮は、１つまたは複数の道路経路および車両パラメータを車両プロファイルのいずれか１つに記憶することなく、１つまたは複数の道路経路および車両パラメータをキーとして使用することを含むことができる。
[00174] 車両プロファイルの生成は、第１のセットの道路経路および車両パラメータの特定の値に対する巡行燃料消費パラメータの値を外挿することを含むことができ、外挿は、第１の組の道路経路および車両パラメータの特定の他の測定値に対する巡行燃料消費パラメータの値に応答することができる。
[00175] 本方法は、車両に先行する経路のために推奨される運転パラメータを計算することを含むことができ、計算は、少なくとも部分的に、車両プロファイル、経路部分の勾配、および外因性制約に基づいてよい。
[00176] 計算は、経路を部分に仮想的に区間化することを含み、各部分は、実質的に同じ傾斜および実質的に同じ外因性制約の１つまたは複数の経路区間を含むことができる。
[00177] この方法は、部分に関連する勾配および最大速度制限に基づいて、各部分の最適速度を見つけることを含むことができる。
[00178] 車両プロファイルは、巡行データ構造、アイドル減速データ構造、および加速度データ構造からなる。
[00179] 車両プロファイルを生成するための非一時的コンピュータプログラム製品が提供されてもよく、この非一時的コンピュータプログラム製品は、車両プロファイル情報候補を収集するための命令を記憶し、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含み、その道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知され、少なくとも車両プロファイル情報候補に基づいて車両プロファイルを生成するための命令を記憶し、車両プロファイルは（i）第１の組（セット）の道路経路および車両パラメータの異なる値に関する車両の等速移動に関連付けられた巡行燃料消費パラメータの値に関する巡行情報を含む巡行データ構造と、（ii）第２のセットの道路経路および車両パラメータの異なる値に関する車両のアイドル減速に関連付けられたアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、（iii）第３のセットの道路経路および車両パラメータの異なる値に対する車両の一定加速度に関連する加速度燃料消費パラメータの値に関する加速度情報を含む加速データ構造と、を含むことができる。
[00180] 車両プロファイルを生成するためのコンピュータ化されたシステムを提供することができ、このコンピュータ化されたシステムは、（i）車両プロファイル情報候補を収集するための収集モジュールであって、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含むことができ、その道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知することができる収集モジュールと、（ii）少なくとも車両プロファイル情報候補に基づいて車両プロファイルを生成するためのコンピュータとを含み、車両プロファイルは（a）第１のセットの道路経路および車両パラメータの異なる値に対する車両の等速移動に関連付けられた巡航燃料消費パラメータの値に関する巡航情報を含む巡航データ構造と、（b）第２のセットの道路経路および車両パラメータの異なる値に対する車両のアイドル減速に関連付けられたアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、（c）第３のセットの道路経路および車両パラメータの異なる値に対する車両の一定加速度に関連付けられた加速度燃料消費パラメータの値に関する加速度情報を含む加速データ構造と、（iii）巡航データ構造、アイドル減速データ構造、および加速度データ構造を記憶するためのメモリと、を含むことができる。
[00181] ドライブセッションを決定するための方法が提供されてもよく、その方法は、車両コンピュータによって、車両プロファイルと車両に先行する経路の部分の勾配を受信または生成することを含んでもよく、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成されてもよく、道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる車両センサによって感知されてもよく、車両コンピュータによって、車両に先行する経路の推奨走行パラメータを決定し、計算は少なくとも部分的に、車両プロファイル、経路部分勾配、および外因性制約に基づくことができる。
[00182] 計算は、経路を部分に仮想的に区間化することを含み、各部分は、実質的に同じ傾斜および実質的に同じ外因性制約の１つまたは複数の経路区間を含むことができる。
[00183] 本方法は、各部分に関連する勾配および最大速度制限に基づいて、各部分に対する最適速度を見つけることを含んでもよい。
[00184] 車両プロファイルは、実質的に、巡航データ構造、アイドル減速データ構造、および加速度データ構造から構成される。
[00185] 車両プロファイルは、巡行データ構造、アイドル減速データ構造、および加速度データ構造からなる。
[00186] ドライブセッションを決定するための非一時的コンピュータプログラム製品が提供されてもよく、この非一時的コンピュータプログラム製品は、車両コンピュータによって、車両プロファイルおよび車両に先行する経路の部分の勾配を受信または生成するための命令を格納し、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは、道路画像センサとは異なる車両センサによって感知されてもよく、車両コンピュータによって、車両に先行する経路の推奨走行パラメータを決定し、計算は少なくとも部分的に、車両プロファイル、経路部分勾配、および外因性制約に基づいてもよい。
[00187] 重量
[00188] 特許請求の範囲および／または明細書および／または図面に示すように、方法、システム、および非一時的コンピュータ可読媒体を提供することができる。
[00189] 車両の重量を評価するための方法が提供されてもよく、この方法は、学習期間中に、車両センサによって、車両のドライブセッションに関する車両センサ測定値を取得することを含んでもよく、車両センサ測定値は（a）ドライブセッションに関連する経路の高さ測定値と、（b）ドライブセッションに関連する燃料消費測定値と、（c）ドライブセッションに関連する道路区間の長さ測定値と、（d）ドライブセッションに関連する速度測定値とを含み、車両センサ測定値に基づいて車両の評価された重量を計算することを含んでもよく、計算することは車両によって浪費されるエネルギーを示すエネルギー係数の値に基づいて行うことができる。
[00190] 評価重量の計算は、モータ効率関数および燃料消費誤差補正関数を見つけることをさらに含むことができる。
[00191] 計算は、車両の重量推定値に関連する少なくとも１つの分布（配分）を提供するエネルギー係数の値を検索することを含み、少なくとも１つの分布（配分）は、少なくとも１つの所定の統計的有意性基準を満たす。
[00192] 評価重量の決定は、以下の式に従って、複数の経路区間の各経路区間についての重量推定値を決定することを含むことができる。
ここで、エネルギー係数の群（グループ）は、k１、k２、k３およびk４を含むことができ、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点における車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。
[00193] 計算は、車両の重量推定値に関連する少なくとも１つの分布（配分）を提供するエネルギー係数の値を検索することを含んでもよく、少なくとも１つの分布（配分）は少なくとも１つの所定の統計的有意性基準を満たす。
[00194] 所定の統計的有意性基準は、最大の統計的有意性であってもよい。
[00195] 所定の統計的有意性基準は、重量推定分布の少なくとも１つの最小標準偏差であってもよい。
[00196] 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値について、重量推定値を決定することを含んでもよい。
[00197] 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、および異なるモータ効率関数値について、重量推定値を決定することを含むことができる。
[00198] 評価重量の決定は、エネルギー係数の異なる値に対して、および異なる燃料消費誤差補正関数値に対して、複数の経路区間の各経路区間に対する重量推定値を決定することを含むことができる。
[00199] 評価重量の決定は、エネルギー係数の異なる値に対して、異なるモータ効率関数値に対して、および異なる燃料消費誤差補正関数値に対して、複数の経路区分の各経路区分に対する重量推定値を決定することを含むことができる。
[00200] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含むことができる。
[00201] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布は、各重量推定値に割り当てられた品質特性に応答することができる。
[00202] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムとすることができ、ヒストグラムはビンを含むことができ、各ビンは重量推定範囲に関連付けることができ、ビンに属する重量推定値の品質特性を表す値を有する。
[00203] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムとすることができ、ヒストグラムはビンを含むことができ、各ビンは重量推定範囲に関連付けることができ、ビンに属する重量推定値の品質特性の合計を表す値を有する。
[00204] 本方法は、車両センサ測定値のうちの少なくともいくつかに品質特性を割り当てることを含んでもよい。
[00205] 本方法は、特定の経路区間の始点および終点における車両の速度に関連する差に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てることを含むことができる。
[00206] この方法は、特定のドライブセッション中の車両の最大速度に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てることを含むことができる。
[00207] この方法は、車両が下降した経路区間で得られた車両センサ測定値を無視することを含むことができる。
[00208] 計算は、機械学習を適用することを含むことができる。
[00209] 車両の重量を評価するための非一時的コンピュータ可読媒体を提供することができ、この非一時的コンピュータ可読媒体は、学習期間中に車両のドライブセッションに関する車両センサ測定値を取得するための命令を格納し、車両センサ測定値は（a）ドライブセッションに関連する経路の高さ測定値、（b）ドライブセッションに関連する燃料消費測定値、（c）ドライブセッションに関連する道路区間の長さ測定値、および（d）ドライブセッションに関連する速度測定値を含み、車両センサ測定値に基づいて車両の評価重量を計算し、計算は、車両によって浪費されるエネルギーを示すことができるエネルギー係数の値に基づいて行われる命令を格納することができる。
[00210] 評価重量の計算は、モータ効率関数および燃料消費誤差補正関数を見つけることをさらに含むことができる。
[00211] 計算は、車両の重量推定に関連する少なくとも１つの分布を提供するエネルギー係数の値を検索することを含み、少なくとも１つの分布は、少なくとも１つの所定の統計的有意性基準を満たしてもよい。
[00212] 評価重量の決定は、以下の式に従って、複数の経路区間の各経路区間についての重量推定値を決定することを含むことができる。
ここで、エネルギー係数の群は、k１、k２、k３、およびk４を含み、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点における車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。
[00213] 計算は、車両の重量推定値に関連する少なくとも１つの分布を提供するエネルギー係数の値を検索することを含み、少なくとも１つの分布は、少なくとも１つの所定の統計的有意性基準を満たす。
[00214] 所定の統計的有意性基準は、最大の統計的有意性であってもよい。
[00215] 所定の統計的有意性基準は、重量推定分布の少なくとも１つの最小標準偏差であってもよい。
[00216] 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値について、重量推定値を決定することを含んでもよい。
[00217] 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値と異なるモータ効率関数値について、重量推定値を決定することを含んでもよい。
[00218] 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値と異なる燃料消費誤差補正関数値について、重量推定値を決定することを含んでもよい。
[00219] 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値と異なるモータ効率関数値と異なる燃料消費誤差補正関数値について、重量推定値を決定することを含んでもよい。
[00220] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含むことができる。
[00221] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含むことができ、車両の重量推定値に関連する少なくとも１つの分布は、各重量推定値に割り当てられた品質特性に応答することができる。
[00222] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含むことができ、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムである、ヒストグラムはビンを含むことができ、各ビンは重量推定範囲に関連付けることができ、ビンに属する重量推定値の品質特性を表す値を有する。
[00223] 評価重量の決定は、品質特性を各重量推定値に関連付けることを含むことができ、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムとすることができ、ヒストグラムはビンを含むことができ、各ビンは重量推定範囲に関連付けることができ、ビンに属する重量推定値の品質特性の合計を表す値を有する。
[00224] 非一時的コンピュータ可読媒体は、車両センサ測定値の少なくともいくつかに品質特性を割り当てるための命令を記憶することができる。
[00225] 非一時的コンピュータ可読媒体は、特定の経路区間の始点および終点における車両の速度に関連する差に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てるための命令を記憶することができる。
[00226] 非一時的コンピュータ可読媒体は、特定のドライブセッション中の車両の最大速度に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てるための命令を記憶することができる。
[00227] 非一時的コンピュータ可読媒体は、車両が降下した経路区間で得られた車両センサ測定値を無視するための命令を記憶することができる。
[00228] 計算は、機械学習を適用することを含むことができる。
[00229] 車両の重量を評価するための方法が提供されてもよく、この方法は、少なくとも部分的に車両の車両センサによって取得された車両センサ測定値に基づいて計算され車両によって浪費されるエネルギー係数の値を受信し、新しいドライブセッション中に車両センサによって新しいドライブセッションに関連する新しい車両センサ測定値を取得し、エネルギー係数と新しい車両センサ測定値の値に基づいて車両コンピュータにより車両の重量を計算する方法であって、車両センサ測定値は、車両のドライブセッション中に取得され、（a）ドライブセッションに関連する経路の高さ測定値、（b）ドライブセッションに関連する燃料消費測定値、（c）ドライブセッションに関連する道路区間の長さ測定値、（d）ドライブセッションに関連する速度測定値と、を含む。
[00230] 本方法は、車両のモータ効率関数に関する情報を受信することを含むことができ、車両の重量の計算は、車両のモータ効率関数にさらに応答することができる。
[00231] モータ効率関数に関する情報は、モータ効率関数係数を含むことができる。
[00232] モータ効率関数係数の数は、５０を超えなくともよい。
[00233] 本方法は、車両の燃料消費誤差補正関数に関する情報を受信することを含み、車両の重量の計算は、燃料消費誤差補正関数にさらに応答することができる。
[00234] 燃費誤差補正機能に関する情報は、燃費誤差補正機能係数を含んでもよい。
[00235] 燃料消費量誤差補正関数係数の数は、１０を超えなくともよい。
[00236] この方法は、車両のモータ効率関数および車両の燃料消費誤差補正関数に関する情報を受信することを含み、車両の重量の計算は、車両のモータ効率関数および車両の燃料消費誤差補正にさらに応答することができる。
[00237] 車両の重量の計算は、リアルタイムで実行されてもよい。
[00238] この方法は、新しいドライブセッションに関連する新しい車両センサ測定値を送信することを含むことができる。
[00239] 本方法は、エネルギー係数の更新値を受け取ることを含むことができ、重量の計算は、エネルギー係数の更新値に応答することができる。
[00240] 重量の計算は、新しいセッションの新しい経路区間について、以下の式を計算することを含むことができる。
ここで、エネルギー係数の群は、k1、k2、k3およびk4を含み、
ameは、推定されたモータ効率関数の値であり、
v2は、新たな経路区間の終点における車両の速度であり、
v1は、新しい経路区間の開点における車両の速度であり、
vは、新しい経路区間を走行するときの車両の速度の少なくとも１つの値を表し、
xは、新しい経路区間の長さであり、
Δhは、新しい経路区間の終点と始点との間の高さの差であり、
fuelは、新しい経路区間に関連する誤差修正燃料消費である。
[00241] 車両の重量を評価するための非一時的コンピュータ可読媒体が提供されてもよく、この非一時的コンピュータ可読媒体は、少なくとも部分的に車両の車両センサによって取得された車両センサ測定値に基づいて計算され車両によって浪費されるエネルギー係数の値を受信し、新しいドライブセッション中に車両センサによって新しいドライブセッションに関連する新しい車両センサ測定値を取得し、エネルギー係数の値と車両の車両センサによって取得された車両センサ測定値に少なくとも部分的に基づいて計算され、車両センサ測定値は、車両のドライブセッション中に取得され、（a）ドライブセッションに関連する経路の高さ測定値、（b）ドライブセッションに関連する燃料消費測定値、（c）ドライブセッションに関連する道路区間の長さ測定値、および（d）ドライブセッションに関連する速度測定値、を含み、エネルギー係数および新しい車両センサ測定値の値に基づいて車両コンピュータによって車両の重量を計算してもよい。
[00242] 非一時的コンピュータ可読媒体は、車両のモータ効率関数に関する情報を受信するための命令を格納することができ、車両の重量の計算は、車両のモータ効率関数にさらに応答することができる。
[00243] モータ効率関数に関する情報は、モータ効率関数係数を含んでもよい。
[00244] モータ効率関数係数の数は、５０を超えない。１ギア当たりの数は、３を超えない。
[00245] 非一時的コンピュータ可読媒体は、車両の燃料消費誤差補正機能に関する情報を受信するための命令を格納することができ、車両の重量の計算は、燃料消費誤差補正機能にさらに応答することができる。
[00246] 燃費誤差補正機能に関する情報は、燃費誤差補正機能係数を含んでもよい。
[00247] 燃料消費量誤差補正関数係数の数は、１０を超えない。
[00248] 非一時的コンピュータ可読媒体は、車両のモータ効率関数および車両の燃料消費誤差補正関数に関する情報を受信するための命令を格納することができ、車両の重量の計算は、車両のモータ効率関数および車両の燃料消費誤差補正にさらに応答することができる。
[00249] 車両の重量の計算は、リアルタイムで実行されてもよい。
[00250] 非一時的コンピュータ可読媒体は、新しいドライブセッションに関連する新しい車両センサ測定値を送信するための命令を記憶することができる。
[00251] 非一時的コンピュータ可読媒体は、エネルギー係数の更新された値を受信するための命令を格納することができ、重量の計算は、エネルギー係数の更新された値に応答することができる。
[00252] 重量の計算は、新しいセッションの新しい経路区間について、以下の式を計算することを含むことができる。
ここで、エネルギー係数の群は、k1、k2、k3およびk4を含むことができ、
ameは、推定されたモータ効率関数の値であり、
v2は、新たな経路区間の終点における車両の速度であり、
v1は、新しい経路区間の始点における車両の速度であり、
vは、新しい経路区間を走行するときの車両の速度の少なくとも１つの値を表し、
xは、新しい経路区間の長さであり、
Δhは、新しい経路区間の終点と始点の間の高さの差であり、
fuelは、新しい経路区間に関連する誤差補正された燃料消費量である。
[00253] グリップ
[00254] 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための方法を提供することができ、この方法は、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するステップと、車両コンピュータによって車輪速度情報に基づいてグリップイベントを検出するステップと、グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するステップと、（i）正規化経路区間グリップ情報を送信するステップと、（ii）正規化経路区間グリップ情報を記憶するステップとのうちの少なくとも１つを実行するステップとを含むことができる。
[00255] この方法は、コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化された経路区間グリップ情報を受信するステップと、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するステップとを含むことができる。
[00256] この方法は、実際の経路区間グリップ情報に基づいて、経路区間を通過するときの車両の限界グリップを計算することを含むことができる。
[00257] 非正規化は、少なくとも、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および加振（励振）に基づいてもよい。
[00258] グリップイベントは、ブレーキングイベント、ターンイベント、および高速イベントから選択されてもよい。
[00259] 正規化された経路区間グリップ情報の決定は、励振を計算すること、スリップ率を計算すること、および正規化されたスリップ率および正規化された励振を計算することを含むことができる。
[00260] 本方法は、正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するステップを含んでもよい。
[00261] 励振の計算は、いくつかの車両速度読取り値を選択することと、グリップイベント中に得られた他の車両速度読み取り値を無視することとを含むことができる。
[00262] 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両重量、および励振のうちの少なくとも１つに基づくことができる。
[00263] 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含むことができ、ローパスフィルタリングは、期待される車輪速度に応答することができる。
[00264] 車輪速度情報の生成は、短期変動を無視することを含んでもよい。
[00265] グリップイベントは、小さい障害物上の通過に対する車両の応答であってもよく、小さい障害物は車両の複数の車輪のそれぞれの周囲よりも短い長さを有する。
[00266] 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための非一時的コンピュータプログラム製品を提供することができ、この非一時的コンピュータプログラム製品は、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するための命令と、車両コンピュータによって、車輪速度情報に基づいてグリップイベントを検出するための命令と、グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するための命令と、（i）正規化経路区間グリップ情報を送信するための命令と（ii）正規化経路区間グリップ情報を格納するための命令のうちの少なくとも１つを実行する命令とを格納する。
[00267] 非一時的コンピュータプログラム製品は、コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信し、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するための命令を格納することができる。
[00268] 非一時的コンピュータプログラム製品３は、実際の経路区間グリップ情報に基づいて経路区間を通過するときの車両の限界グリップを計算するための命令を記憶することができる。
[00269] 非一時的コンピュータプログラム製品３において、非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づくことができる。
[00270] グリップイベントは、ブレーキングイベント、ターンイベント、および高速イベントから選択されてもよい。
[00271] 正規化経路区間グリップ情報の決定は、励振を計算すること、スリップ率を計算すること、および正規化スリップ率および正規化励振を計算することを含むことができる。
[00272] 非一時的コンピュータプログラム製品は、正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するための命令を記憶することができる。
[00273] 励振の計算は、いくつかの車両速度読み取り値を選択することと、グリップイベントの間に得られた他の車両速度読み取り値を無視することとを含むことができる。
[00274] 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康、車両の重量、および励振のうちの少なくとも１つに基づいてもよい。
[00275] 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含むことができ、ローパスフィルタリングは、期待車輪速度に応答することができる。
[00276] 車輪速度情報の生成は、短期変動を無視することを含んでもよい。
[00277] グリップイベントは、小さな障害物の上の通路に対する車両の応答であってもよく、小さな障害物は車両の複数の車輪のそれぞれの周囲よりも短い長さを有する。
[00278] 車両プロファイルを生成するための車両システムが提供されてもよく、この車両システムは、車両の複数の車輪の速度に関連する車輪速度情報を生成するように構成されたセンサと、（i）車輪速度情報に基づいてグリップイベントを検出し、（ii）グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて、正規化経路区間グリップ情報を決定するように構成されたコンピュータ車両と、（a）正規化経路区間グリップ情報を送信するように構成された通信モジュールと正規化経路区間グリップ情報を格納するように構成されたメモリモジュールとのうちの少なくとも１つを備える。
[00279] 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための方法であって、この方法は、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するステップと、車両コンピュータによって車輪速度情報に基づいて小障害物上の通過に対する車両の応答を検出するステップと、車両の複数の車輪のそれぞれの周囲よりも短い長さを有する小障害物上の通過に対する車両の応答の少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するステップと、（i）正規化経路区間グリップ情報を送信するステップと（ii）正規化経路区間グリップ情報を記憶するステップの内の少なくとも１つを実行するステップと、を含む。
[00280] この方法は、コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信するステップと、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するステップとを含むことができる。
[00281] この方法は、実際の経路区間グリップ情報に基づいて、経路区間を通過するときの車両の限界グリップを計算することを含むことができる。
[00282] 非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づくことができる。
[00283] 正規化経路区間グリップ情報を決定するステップは、励振を計算すること、スリップ率を計算すること、および正規化スリップ率および正規化励振を計算することを含むことができる。
[00284] 本方法は、正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するステップを含んでもよい。
[00285] 励振の計算は、いくつかの車両速度読み取り値を選択することと、小さい障害物を通過する車両の応答中に得られた他の車両速度読み取り値を無視することとを含むことができる。
[00286] 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両重量、および励振のうちの少なくとも１つに基づくことができる。
[00287] 車輪速度情報の生成は、車両速度情報のローパスフィルタリングを含むことができ、ローパスフィルタリングは、期待車輪速度に応答することができる。
[00288] 車輪速度情報の生成は、短期変動を無視することを含んでもよい。
[00289] 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための非一時的コンピュータプログラム製品であって、この非一時的コンピュータプログラム製品は、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するための命令と、車両コンピュータによって車輪速度情報に基づいて小障害物上の通過に対する車両の応答を検出するための命令と、車両の複数の車輪のそれぞれの周囲よりも短い長さを有する小障害物上の通過に対する車両の応答の少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するための命令と、（i）正規化経路区間グリップ情報を送信することと（ii）正規化経路区間グリップ情報を格納するための命令のうちの少なくとも１つを実行する命令と、を含む。
[00290] 非一時的コンピュータプログラム製品は、コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信し、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するための命令を格納することができる。
[00291] 非一時的コンピュータプログラム製品は、実際の経路区間グリップ情報に基づいて経路区間を通過するときの車両の限界グリップを計算するための命令を記憶することができる。
[00292] 非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づくことができる。
[00293] 正規化経路区間グリップ情報の決定は、励振を計算すること、スリップ率を計算すること、および正規化スリップ率および正規化励振を計算することを含むことができる。
[00294] 非一時的コンピュータプログラム製品は、正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するための命令を記憶することができる。
[00295] 励振の計算は、いくつかの車両速度読み取り値を選択することと、小さい障害物を通過する車両の応答中に得られた他の車両速度読み取り値を無視することとを含むことができる。
[00296] 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくとも１つに基づいてもよい。
[00297] 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含むことができ、ローパスフィルタリングは、期待車輪速度に応答することができる。
[00298] 車輪速度情報の生成は、短期変動を無視することを含むことができる。
[00299] 車両プロファイルを生成するための車両システムが提供されてもよく、この車両システムは、車両の複数の車輪の速度に関連する車輪速度情報を生成するように構成されたセンサと、（i）車輪速度情報に基づいて小さな障害物上の通過に対する車両の応答を検出し、（ii）小さな障害物上の通過に対する車両の応答の少なくとも一部の間に取得された車両パラメータに基づいて、正規化経路区間グリップ情報を決定するように構成されたコンピュータ車両と、（a）正規化経路区間グリップ情報を送信するように構成された通信モジュールと正規化経路区間グリップ情報を格納するように構成されたメモリモジュールのうちの少なくとも１つと、を備える。
[00300] アクアプレーニング
[00301] Ｗｉｋｉｐｅｄｉａ．ｏｒｇは、道路車両、飛行機または他の車輪車両のタイヤによるアクアプレーニングまたはハイドロプレーニングを、水の層が車輪と路面の間に形成され、制御入力に対する車両の応答を妨げる摩擦の喪失につながる場合に発生させると定義している。すべての車輪に同時に起こると、実質的には、車は制御不能のそりとなる。アクアプレーニングは、道路面の水が単に潤滑剤として作用する場合とは異なった現象である。アクアプレーニングが起こっていなくても、湿った舗装では摩擦が減少する。
[00302] アクアプレーニングがいつ起こるかを予測することは非常に困難であり、したがって、雨が降るときはいつでも自律運転を停止することができる。 Overview
[0027] Altitude data and barometer noise estimation
[0028] A method for estimating the height of a road section (segment) can be provided. This method measures the pressure inside the vehicle by the vehicle's barometer and to provide multiple barometer measurements during a given drive session, and the measurement is performed while the vehicle passes through the road section. Being able to use a computer to correct (compensate for) vehicle conditions that affect the barometer to provide multiple corrected barometer measurements, and to perform multiple corrected barometer measurements by multiple vehicles. Providing height estimates for road sections by merging with barometer information acquired during multiple other drive sessions, and merging performs session constant offset correction and intersession offset correction. It is a method that includes that.
[0029] Consolidation involves searching for overlapping nodes, where each overlapping node corresponds to the same location and belongs to multiple sessions.
[0030] The merge can include an association process for making the height estimates of different sessions that may be related to the same overlapping node substantially equal.
[0031] This method may include changing the height estimates of non-overlapping nodes based on changes in the height estimates of overlapping nodes introduced during the association process.
Changing the height estimates of non-overlapping nodes can include allocating height adjustments along a session according to a predetermined height adjustment distribution (adjustment distribution).
The predetermined height adjustment distribution may be a uniformly distributed height adjustment distribution.
[0034] Session constant offset correction may include reducing height differences between overlapping nodes without associating overlapping nodes.
Inter-session offset correction may include an association process.
Correction of vehicle conditions affecting the barometer can be based on information provided by the barometer and at least one other vehicle sensor that is different from the barometer.
[0037] At least one other vehicle sensor may be an accelerometer.
[0038] Consolidation can include calculating statistics for height estimates associated with overlapping nodes and rejecting one or more height estimates based on the statistics.
[0039] This method can include sending multiple corrected barometric pressure readings to a computerized system located outside the vehicle, and the merging is performed by the computerized system. be able to.
[0040] At least part of the merger may be performed by the vehicle's computer.
Correcting vehicle conditions that affect the barometer can include low-pass filtering barometer measurements.
Correcting vehicle conditions that affect the barometer can include determining to ignore at least some (part) of the barometer measurements.
Compensating for vehicle conditions affecting the barometer can include deciding to ignore at least some of the barometer measurements.
[0044] Compensation for vehicle conditions affecting the barometer is such that the slope of the road portion extending between the two points sets the maximum slope threshold, as reflected by the barometer measurements associated with the two points. If so, it can include deciding to ignore at least some of the barometer measurements.
Correcting vehicle conditions affecting a barometer can include calculating the effect of a barometer effect event on the value of at least one barometer measurement.
Barometer corrections that affect the vehicle can respond to vehicle acceleration when barometer measurements are taken.
Barometer corrections that affect the vehicle can respond to the deceleration of the vehicle when barometer measurements are taken.
[0048] A non-temporary computer program product for estimating the height of a road section may be provided. Non-temporary computer program products may store instructions for measuring vehicle internal pressure to provide multiple barometer measurements by the vehicle barometer and during a given drive session. Is performed while the vehicle is passing through a road section, and a computer corrects the vehicle condition affecting the barometer to provide multiple corrected barometer measurements and multiple corrected barometer measurements. Merges with barometer information acquired during multiple other drive sessions performed by multiple vehicles, thereby providing height estimates for road sections, and the merger is session constant offset correction and intersession offset. It may include performing a correction.
Consolidation involves searching for duplicate nodes, where each duplicate node corresponds to the same location and belongs to multiple sessions.
[0050] The merge can include an association process to make the height estimates of different sessions associated with the same overlapping node substantially equal.
[0051] Non-temporary computer program products may store instructions to change the height estimates of non-overlapping nodes based on changes in the height estimates of overlapping nodes introduced during the association process. it can.
[0052] Changing the height estimates of non-overlapping nodes can include distributing height adjustments along the session according to a predetermined height adjustment distribution.
[0053] The predetermined height adjustment distribution may be a uniformly distributed height adjustment distribution.
[0054] Session constant offset correction can include reducing height differences between overlapping nodes without associating overlapping nodes.
[0055] Inter-session offset correction can include an association process.
[0056] Compensation (correction) for a barometer that affects vehicle condition may be based on information provided by the barometer and at least one other vehicle sensor that is different from the barometer.
[0057] At least one other vehicle sensor may be an accelerometer.
Compensation for vehicle conditions affecting the barometer can be based on the barometer measurement pattern.
[0059] Consolidation can include calculating statistics for height estimates associated with overlapping nodes and rejecting one or more height estimates based on the statistics.
[0060] Non-temporary computer program products can store instructions for sending multiple compensated barometric pressure readings to a computerized system that can be located outside the vehicle, and the merger , Can be run by a computerized system.
Compensation for at least part of the merger may be performed by the vehicle's computer.
Compensation for barometers affecting vehicle conditions can include low-pass filtering barometer measurements.
Compensating (correcting) the vehicle condition affecting the barometer can include a step of determining to ignore at least some of the barometer measurements.
Compensating (correcting) vehicle conditions that affect the barometer may include determining to ignore at least some of the barometer measurements.
[0065] Compensation (correction) for vehicle conditions affecting the barometer is the maximum slope threshold for the slope of the road portion extending between the two points, as reflected by the barometer measurements associated with the two points. Can include deciding to ignore at least some of the barometer measurements if above.
Compensating (correcting) the vehicle condition affecting the barometer can include calculating the effect of the barometer effect event on the value of at least one barometer measurement.
Vehicle compensation (correction) affecting the barometer can respond to vehicle acceleration when barometer measurements are taken.
Vehicle compensation (correction) affecting the barometer can respond to the deceleration of the vehicle when the barometer measurement is made.
[0069] Measurement of physical events (PHYSICAL EVENTS)
[0070] The methods, systems, and non-transitory computer-readable media can be provided, as shown in the claims and / or specifications and / or drawings.
[0071] A method of measuring a physical event associated with a plurality of road sections may include the step of measuring a first parameter set by a first vehicle sensor, the measurement of which the vehicle travels on the plurality of road sections. While being done, the first parameter set may include vehicle wheel motion parameters and vehicle acceleration parameters, where the first vehicle sensor, unlike the road image sensor, travels on multiple road sections by vehicle computer. Includes a step of detecting a detected physical event, the detection may be based on a first set of parameters, and includes a step of generating physical event information about the detected physical event. May include the step of storing or transmitting at least a portion of the.
[0072] The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin (longitudinal spin) and longitude spin (horizontal spin).
Detected physical events can include collisions, slips, skids, spins, latitude spins (longitudinal spins) and longitude spins (horizontal spins).
[0074] The first vehicle sensor can include an accelerometer and a plurality of wheel motion sensors.
[0075] This method can include calculating road section attributes.
[0076] Road section attributes are (i) the curvature of a group of road sections that can include the road section, (ii) the longitudinal slope of the road section (longitudinal slope), (iii) the lateral slope of the road section (iii). Can include at least one road section attribute of (lateral slope), (iv) grip level associated with the road section, and (v) swell of the road section.
[0077] Road section attributes are (i) curvature of a group of road sections that can include road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, (iv) road sections. Grip levels associated with, (v) can include at least three segment attributes of the swell of the road section.
[0078] This method can include calculating the location of a physical event.
[0079] The method can include calculating the position of a physical event based on the position of different vehicle components associated with the physical event at a time corresponding to the measurement of the first parameter set.
[0080] The method is the difference between (a) a reference map (reference map) of multiple road sections containing reference information about previously detected physical events related to multiple road sections and (b) physical event information. Can include calculating, and can include sending at least some of the differences.
[0081] This method may include receiving or calculating a reference map of multiple road sections, which may include (a) reference information about previously detected physical events associated with the multiple road sections. And (b) reference road section attributes related to multiple road sections.
[0082] This method can include determining the position of the vehicle based on a reference map and the order of detected physical events.
[0083] This method can include determining the position of a vehicle by searching within a reference map for a reference sequence (reference order) of physical events that matches the order (sequence) of detected physical events. ..
[0084] The method can include determining the position of the vehicle by searching the reference map for a reference sequence of essential physical events that matches the sequence of essential detected physical events.
[0085] The reference map can include a basic layer (basic layer) that can store information about the location of the plurality of road sections and the spatial relationship between the plurality of road sections.
[0086] A reference map can include layers that can store reference information about previously detected physical events associated with multiple road sections.
[0087] The method can include determining the position of the vehicle by searching within the layer for a reference sequence of physical events that matches the sequence of detected physical events.
The search can include scanning the road section represented by the base layer and retrieving (reading) reference information about previously detected physical events associated with the scanned road section. ..
[0089] The search may include applying a hash function to find reference information about previously detected physical events.
The reference map is (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between the multiple road sections, and (b) additional information about only some of the multiple road sections. Can include one or more sparse layers (sparse layers), the one or more sparse layers can be linked to a base layer.
[0091] The method may include the step of generating driving instructions (drive instructions) based on the position of one or more sparse layers and vehicles.
[0092] The reference map can include a fixed field size sparse layer and a variable size sparse layer, which can contain reference physical event information.
[0093] This method includes receiving a reference map update to update a part of the reference map and updating a part of the reference map without updating the unupdated part of the reference map. Can be done.
[0094] The reference map can include private fields that store information about the vehicle or driving patterns associated with the vehicle driver, and can include public fields.
[0095] This method can further include the step of generating virtual sensor information based on at least the first parameter set.
[0096] The method can further include determining the lateral position of the vehicle by using an image sensor.
[0097] The physical event information can include the normalized magnitude of the detected physical event.
[0098] A method for generating a reference map of a region may be provided, in which (a) a physical event relating to a physical event detected by multiple vehicles when traveling on a road section belonging to the region. It may include receiving information and (b) road section attributes calculated by multiple vehicles through a communication interface, the road section attributes may be associated with road sections belonging to this area, and of multiple vehicles. The vehicle's physical event information may be based on a first set of parameters that may be sensed by the vehicle's first vehicle sensor, the first parameter set may include vehicle wheel movement parameters and vehicle acceleration parameters. Unlike the road image sensor, one vehicle sensor is based on physical event information about a detected physical event detected by a plurality of vehicles by a computerized system and road section attributes calculated by the plurality of vehicles. It may include calculating a reference map.
[0099] The detected physical event may be selected from the group consisting of collisions, slips, skidding, spins, latitude spins and longitude spins.
[00100] Detected physical events can include collisions, slips, skidding, spins, latitude spins and longitude spins.
[00101] The first vehicle sensor can include an accelerometer and a plurality of wheel motion sensors.
[00102] Road section attributes are (i) the curvature of a group of road sections that can include the road section, (ii) the longitudinal slope of the road section (vertical slope), (iii) the lateral slope of the road section (horizontal). It can include at least one road section attribute of (slope), (iv) grip level associated with the road section, and (v) swell of the road section.
[00103] Road section attributes are (i) curvature of a group of road sections that can include road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, (iv) road sections. Grip levels associated with, (v) can include at least three segment attributes of the swell of the road section.
[00104] The reference map can include (a) reference information about previously detected physical events associated with multiple road sections and (b) reference road section attributes associated with multiple road sections.
[00105] The reference map can include a basic layer (basic layer) that can store information about the location of a plurality of road sections and the spatial relationship between the plurality of road sections.
[00106] A reference map can include layers that can store reference information about previously detected physical events associated with multiple road sections.
[00107] The reference map is only a basic layer that stores information on (a) the location of multiple road sections and the spatial relationships between the multiple road sections, and (b) only some of the road sections of the plurality of road sections. It can contain one or more sparse layers (sparse layers) that can contain additional information about, and one or more sparse layers can be linked to the base layer.
[00108] The reference map can include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer can contain reference physical event information.
[00109] The reference map can include private fields and public fields that store information about the vehicle or the driving pattern associated with the vehicle driver.
[00110] The physical event information can include the normalized magnitude of the detected physical event.
[00111] A non-temporary computer program product for measuring physical events related to a plurality of road sections, which stores an instruction for measuring a first parameter set by a first vehicle sensor, and the measurement is performed. Performed while the vehicle is traveling on multiple road sections, the first parameter set includes the vehicle's wheel motion parameters and vehicle acceleration parameters, and the first vehicle sensor, unlike the road image sensor, is by the vehicle computer. A non-temporary computer program product that detects detected physical events related to traveling on multiple road sections, generates physical event information about the detected physical events, and stores or transmits at least a portion of the physical event information. Can be provided.
[00112] The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin.
[00113] Detected physical events can include collisions, slips, skidding, spins, latitude spins and longitude spins.
[00114] The first vehicle sensor can include an accelerometer and a plurality of wheel motion sensors.
[00115] Non-temporary computer program products can store instructions for calculating road section attributes.
[00116] Road section attributes are (i) curvature of a group of road sections including road sections, (ii) longitudinal slope of road sections (longitudinal slope), (iii) lateral slope of road sections (horizontal slope), It can include (iv) the grip level associated with the road section, and (v) at least one road section attribute of the swell of the road section.
[00117] Road section attributes relate to (i) curvature of a group of road sections including road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, (iv) road sections. Grip level, (v) can include at least three section attributes of the swell of the road section.
[00118] Non-temporary computer program products can store instructions for calculating the location of physical events.
[00119] The non-temporary computer program product stores instructions for calculating the position of a physical event based on the position of different vehicle components associated with the physical event at the time corresponding to the measurement of the first parameter set. be able to.
[00120] Non-temporary computer program products include (a) a reference map of multiple road sections containing reference information for previously detected physical events related to multiple road sections, and (b) physical event information. You can calculate the difference between them and store instructions to send at least some of the differences.
[00121] Non-temporary computer program products can store instructions for receiving or calculating reference maps for multiple road sections, which are (a) previously detected associated with multiple road sections. It can include reference information about the physical events that have been made and (b) reference road section attributes related to multiple road sections.
[00122] Non-temporary computer program products can store instructions for locating a vehicle based on a reference map and the sequence of detected physical events.
[00123] Non-temporary computer program products store instructions for locating a vehicle by searching within a reference map for a reference sequence of physical events that match the sequence of detected physical events. be able to.
[00124] A non-temporary computer program product stores instructions for locating a vehicle by searching within a reference map for a reference sequence of essential physical events that fits into a set of mandatory detected physical events. Can be done.
[00125] The reference map can include a basic layer (basic layer) that can store information about the location of a plurality of road sections and the spatial relationship between the plurality of road sections.
[00126] A reference map can include layers that can store reference information about previously detected physical events associated with multiple road sections.
[00127] A non-temporary computer program product is an instruction for determining the position of a vehicle by searching within a layer for a reference sequence (reference order) of physical events that matches the order (sequence) of detected physical events. Can be memorized.
[00128] The search can include scanning the road section represented by the base layer and retrieving reference information about previously detected physical events related to the scanned road section.
[00129] The search may include applying a hash function to find reference information about previously detected physical events.
[00130] In the reference map, the basic layer can (a) store information on the position of a plurality of road sections and the spatial relationship between the plurality of road sections, and (b) of the road sections of the plurality of road sections. It can contain one or more sparse layers (sparse layers) that can contain additional information about only a few, and one or more sparse layers can be linked to the base layer.
[00131] Non-temporary computer program products can store instructions for generating driving instructions based on the position of one or more sparse layers and vehicles.
[00132] The reference map can include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer can contain reference physical event information.
[00133] The non-temporary computer program product updates part of the reference map and remembers instructions to receive a reference map update that updates part of the reference map without updating the non-updated part of the reference map. can do.
[00134] The reference map can include private fields and public fields that store information about the vehicle or the driving pattern associated with the vehicle driver.
[00135] Non-temporary computer program products can further include generating virtual sensor information based on at least a first set of parameters.
[00136] Non-temporary computer program products can further include determining the lateral position of the vehicle by using image sensors.
[00137] The physical event information can include the normalized magnitude of the detected physical event.
[00138] A non-temporary computer program product for generating a reference map of a region may be provided, the non-temporary computer program product being used when traveling on a road section belonging to (a) a region. The physical event information about the physical event detected by the vehicle and (b) the road section attribute calculated by the multiple vehicles are received from multiple vehicles by the communication interface, and the road section attribute is set to the road section belonging to the area. The physical event information of one vehicle associated and in a plurality of vehicles may be based on a first parameter set that can be sensed by the vehicle's first vehicle sensor, the first parameter set being the vehicle wheel movement parameters and The first vehicle sensor, unlike the road image sensor, may include vehicle acceleration parameters and is calculated by a computerized system with physical event information about detected physical events detected by multiple vehicles and by multiple vehicles. Stores instructions for calculating reference maps based on road section attributes.
[00139] The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin.
[00140] Detected physical events can include collisions, slips, skidding, spins, latitude spins and longitude spins.
[00141] The first vehicle sensor can include an accelerometer and a plurality of wheel motion sensors.
The road section attributes are (i) the curvature of the group of road sections including the road section, (ii) the vertical slope of the road section, (iii) the horizontal slope of the road section, and (iv) the grip level associated with the road section. , (V) Can include at least one road section attribute of the swell of the road section.
[00143] Road section attributes relate to (i) curvature of a group of road sections including road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, and (iv) road sections. Grip levels, (v) can include at least three segment attributes of the swell of the road section.
[00144] The reference map can include (a) reference information about previously detected physical events related to the plurality of road sections and (b) reference road section attributes related to the plurality of road sections.
The reference map can include a basic layer that can store information about the location of multiple road sections and the spatial relationships between the multiple road sections.
[00146] A reference map can include layers that can store reference information about previously detected physical events associated with multiple road sections.
[00147] In the reference map, the basic layer can (a) store information on the positions of a plurality of road sections and the spatial relationship between the plurality of road sections, and (b) of the road sections of the plurality of road sections. It can contain one or more sparse layers that can contain additional information about only a few, and one or more sparse layers can be linked to the base layer.
[00148] The reference map can include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer can contain reference physical event information.
[00149] The reference map can include private fields and public fields that store information about driving patterns related to the vehicle or the driver of the vehicle.
[00150] Physical event information can include the normalized magnitude of the detected physical event.
[00151] A system may be provided for measuring physical events associated with multiple road sections, the system being configured to (i) receive a first set of parameters from a first vehicle sensor. The measurement is made while the vehicle is traveling on multiple road sections, the first parameter set may include vehicle wheel movement parameters and vehicle acceleration parameters, and the first vehicle sensor is what is a road image sensor. It is different and (ii) may be configured to detect detected physical events related to travel on multiple road sections, the detection may be based on a first set of parameters, and physical events related to the detected physical events. It may include a vehicle computer configured to generate information and assist in storing or transmitting at least a portion of physical event information. Assistance can include instructing the vehicle's communications module to transmit.
[00152] A system for generating a reference map of the region may be provided, which is (a) the physics of the detected physical event detected by multiple vehicles while traveling on a road section belonging to the region. A communication interface configured to receive event information and (b) road section attributes calculated by multiple vehicles from multiple vehicles may be included, and the road section attributes may be associated with a road section belonging to the area. , The physical event information of one of the vehicles may be based on a first parameter set that may be sensed by the vehicle's first vehicle sensor, the first parameter set being the vehicle wheel movement parameters and The first vehicle sensor may include vehicle acceleration parameters and is different from the road image sensor, with physical event information about detected physical events detected by multiple vehicles and road section attributes calculated by multiple vehicles. Can include processors configured to calculate the reference map based on.
[00153] Vehicle profile
[00154] The methods, systems, and non-transitory computer-readable media as set forth herein and / or the claims and / or drawings can be provided.
[00155] A method of generating a vehicle profile can be provided, the method comprising collecting vehicle profile information candidates and at least generating a vehicle profile based on the vehicle profile information candidates. Information candidates include fuel consumption information related to different road routes and vehicle parameters, and at least some of the road routes and vehicle parameters can be sensed by a first vehicle sensor that is different from the road image sensor and the vehicle. The profile includes (i) a cruise data structure containing cruise information on the values of the cruise fuel consumption parameters associated with constant velocity movement of the vehicle for different values of road routes and vehicle parameters in the first set, and (ii). An idle deceleration data structure containing idle deceleration information on idle deceleration distance values related to vehicle idle deceleration for different values of road routes and vehicle parameters in a second set, and (iii) a third set. It can include an acceleration data structure that can include acceleration information about the value of the acceleration fuel consumption parameter associated with the constant acceleration of the vehicle for different values of road routes and vehicle parameters.
[00156] The cruise data structure basically consists of the values of the cruise fuel consumption parameters.
[00157] The first set of road routes and vehicle parameters basically consist of vehicle speed, road section gradient, vehicle weight, and one or more transmission system parameters.
[00158] The transmission system parameters can include gear and throttle positions.
[00159] The idle deceleration structure basically consists of the value of the idle deceleration distance.
[00160] The second set of road routes and vehicle parameters basically consist of the starting vehicle speed, the road section gradient, and the vehicle weight.
[00161] The second set of road routes and vehicle parameters essentially consist of the starting vehicle speed, road section gradient, and vehicle weight and one or more transmission system parameters.
[00162] The transmission system parameters can include gears.
[00163] The cruise data structure essentially consists of the values of the accelerated fuel consumption parameters.
[00164] The third set of road routes and vehicle parameters essentially consists of starting vehicle speed, road section gradient, vehicle weight, acceleration distance, and one or more transmission system parameters.
[00165] The transmission system parameters can include gear and throttle positions.
[00166] The method is based on a comparison of the slope of the route section with (i) the height difference between the two ends of the route section and (ii) the ratio of the horizontally projected lengths of the route section. It can include a step of rejecting profile information candidates.
[00167] This method can include dynamically clustering vehicles based on vehicle profile.
[00168] This method can include calculating a cluster profile for each cluster.
[00169] This method involves updating at least one of a cruise data structure, an idle deceleration data structure, and an acceleration data structure based on at least one cluster profile of a cluster that may contain vehicles. It may be included.
[00170] The method may include compressing the vehicle profile to generate a compressed vehicle profile.
[00171] Compression is the calculation of the mathematical relationship between a dependent road route and vehicle parameters, and from at least one of the cruise data structure, idle deceleration data structure, and acceleration data structure, the dependent road route and It can include removing information about at least one of the vehicle parameters.
[00172] Compression may include removing road routes and vehicle parameters that may be associated with vehicle speed subgroups.
[00173] Compression may include using one or more road routes and vehicle parameters as keys without storing one or more road routes and vehicle parameters in any one of the vehicle profiles. it can.
[00174] Vehicle profile generation can include extrapolating the values of the cruise fuel consumption parameters for a particular value of the road route and vehicle parameters of the first set, the extrapolation of the first set. It is possible to respond to the values of the cruise fuel consumption parameters for certain other measurements of road routes and vehicle parameters.
[00175] The method can include calculating recommended driving parameters for the route preceding the vehicle, the calculation of which, at least in part, is the vehicle profile, the slope of the route portion, and the extrinsic constraints. May be based on.
[00176] The calculation involves virtually partitioning the route into parts, each part of which can include one or more route sections with substantially the same slope and substantially the same exogenous constraints. ..
[00177] This method can include finding the optimum velocity for each part based on the gradient and maximum speed limits associated with the part.
[00178] The vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
[00179] A non-temporary computer program product for generating a vehicle profile may be provided, which stores instructions for collecting vehicle profile information candidates and stores vehicle profile information candidates. Contains fuel consumption information related to different road routes and vehicle parameters, at least some of the road routes and vehicle parameters are sensed by a first vehicle sensor different from the road image sensor and at least a vehicle profile information candidate. The instructions for generating a vehicle profile based on it are stored, and the vehicle profile is (i) the cruising fuel consumption parameters associated with the constant velocity movement of the vehicle with respect to the different values of the road route and vehicle parameters of the first set. A cruise data structure containing cruise information about the values of, and (ii) idle deceleration data containing idle deceleration information about idle deceleration distance values associated with vehicle idle deceleration for different values of the second set of road routes and vehicle parameters. It can include (iii) a third set of road routes and an acceleration data structure that includes acceleration information about the values of the acceleration fuel consumption parameters associated with the constant acceleration of the vehicle for different values of the vehicle parameters.
[00180] A computerized system for generating a vehicle profile can be provided, the computerized system being (i) a collection module for collecting vehicle profile information candidates, the vehicle profile. Information candidates can include fuel consumption information related to different road routes and vehicle parameters, and at least some of the road routes and vehicle parameters can be sensed by a first vehicle sensor that is different from the road image sensor. It includes a collection module capable of (ii) at least a computer for generating a vehicle profile based on vehicle profile information candidates, and the vehicle profile is (a) a vehicle for different values of road routes and vehicle parameters in the first set. A cruising data structure containing cruising information about the values of the cruising fuel consumption parameters associated with constant velocity travel, and (b) idle deceleration associated with vehicle idle deceleration for different values of the second set of road routes and vehicle parameters. It contains an idle deceleration data structure containing idle deceleration information on distance values and (c) acceleration information on the value of the acceleration fuel consumption parameter associated with the constant acceleration of the vehicle for different values of the third set of road routes and vehicle parameters. It can include an acceleration data structure and (iii) a cruise data structure, an idle deceleration data structure, and a memory for storing the acceleration data structure.
[00181] A method for determining a drive session may be provided, which method may include receiving or generating a vehicle profile and a gradient of a portion of the path preceding the vehicle by a vehicle computer, the vehicle. The profile may be generated based on at least the road route and vehicle parameters, at least some of the road route and vehicle parameters may be sensed by a vehicle sensor different from the road image sensor, and by the vehicle computer to the vehicle. Determining recommended driving parameters for the preceding route, the calculation can be based, at least in part, on the vehicle profile, route partial slope, and extrinsic constraints.
[00182] The calculation involves virtually partitioning the route into parts, each part of which can include one or more route sections with substantially the same slope and substantially the same exogenous constraints. ..
[00183] The method may include finding the optimum speed for each part based on the gradient and maximum speed limits associated with each part.
[00184] The vehicle profile is substantially composed of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
The vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
[00186] A non-temporary computer program product for determining a drive session may be provided, which receives the vehicle profile and the gradient of a portion of the path preceding the vehicle by the vehicle computer. Or store instructions to generate, the vehicle profile is generated based on at least the road route and vehicle parameters, and at least some of the road route and vehicle parameters are sensed by a vehicle sensor different from the road image sensor. The vehicle computer may also determine recommended travel parameters for the route preceding the vehicle, and the calculation may be at least partially based on the vehicle profile, route partial slope, and extrinsic constraints.
[00187] Weight
[00188] As shown in the claims and / or specifications and / or drawings, methods, systems, and non-transitory computer-readable media can be provided.
[00189] A method for assessing vehicle weight may be provided, which method may include obtaining vehicle sensor measurements for a vehicle drive session by vehicle sensors during a learning period. Vehicle sensor measurements are (a) path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) road section length measurements associated with the drive session. And (d) the speed measurements associated with the drive session, which may include calculating the evaluated weight of the vehicle based on the vehicle sensor measurements, which calculates the energy wasted by the vehicle. This can be done based on the indicated energy coefficient values.
[00190] The calculation of the evaluated weight can further include finding the motor efficiency function and the fuel consumption error correction function.
[00191] The calculation involves searching for the value of the energy factor that provides at least one distribution (distribution) associated with the vehicle weight estimate, where at least one distribution (distribution) is at least one predetermined statistic. Meet the significance criteria.
[00192] The determination of the evaluated weight can include determining the weight estimate for each route section of the plurality of route sections according to the following equation.
Here, the group of energy coefficients can include k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section.
[00193] The calculation may include searching for the value of the energy factor that provides at least one distribution (allocation) associated with the vehicle weight estimate, where at least one distribution (allocation) is at least one predetermined. Meet the statistical significance criteria.
[00194] A given statistical significance criterion may be the maximum statistical significance.
[00195] A given statistical significance criterion may be at least one minimum standard deviation of the weight estimation distribution.
[00196] Determining the evaluated weight may include determining weight estimates for each route section of a plurality of path sections and for different values of energy coefficients.
[00197] Determining the evaluated weight can include determining weight estimates for each path section of the plurality of path sections, for different values of energy coefficients, and for different motor efficiency function values.
[00198] Determining the evaluated weight may include determining a weight estimate for each path section of multiple path sections for different values of energy coefficients and for different fuel consumption error correction function values. it can.
[00199] Evaluated weight determination is weight estimation for each route segment of multiple route segments for different values of energy coefficients, for different motor efficiency function values, and for different fuel consumption error correction function values. It can include determining the value.
The determination of the evaluated weight can include associating quality characteristics with each weight estimate.
[00201] The determination of the evaluated weight involves associating a quality characteristic with each weight estimate, and at least one distribution associated with the vehicle weight estimate responds to the quality characteristic assigned to each weight estimate. Can be done.
[00202] Determining the assessed weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate can be a histogram, and the histogram can include bins. , Each bin can be associated with a weight estimation range and has a value representing the quality characteristics of the weight estimates belonging to the bin.
[00203] Determining the assessed weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate can be a histogram, and the histogram can include bins. , Each bin can be associated with a weight estimation range and has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin.
[00204] The method may include assigning quality characteristics to at least some of the vehicle sensor measurements.
[00205] The method can include assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on differences related to vehicle speed at the start and end points of the particular route section.
[00206] This method can include assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on the maximum speed of the vehicle during a particular drive session.
[00207] This method can include ignoring vehicle sensor measurements obtained in the path section where the vehicle descends.
[00208] Calculations can include applying machine learning.
[00209] A non-temporary computer-readable medium for assessing vehicle weight can be provided to obtain vehicle sensor measurements for a vehicle drive session during the learning period. The vehicle sensor measurements are (a) path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) road sections associated with the drive session. Includes length measurements, and (d) speed measurements associated with drive sessions, calculates the vehicle's assessed weight based on vehicle sensor measurements, and the calculation is energy that can indicate the energy wasted by the vehicle. It can store instructions that are made based on the value of the coefficient.
[00210] The calculation of the evaluated weight can further include finding the motor efficiency function and the fuel consumption error correction function.
[00211] The calculation involves searching for the value of the energy factor that provides at least one distribution related to vehicle weight estimation, where at least one distribution meets at least one predetermined statistical significance criterion. May be good.
[00212] The determination of the evaluated weight can include determining the weight estimate for each route section of the plurality of route sections according to the following equation.
Here, the group of energy coefficients includes k 1 , k 2 , k 3 , and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section.
[00213] The calculation involves searching for a value of the energy factor that provides at least one distribution associated with the vehicle weight estimate, at least one distribution meeting at least one predetermined statistical significance criterion. ..
[00214] The predetermined statistical significance criterion may be the maximum statistical significance.
[00215] A given statistical significance criterion may be at least one minimum standard deviation of the weight estimation distribution.
[00216] Determining the evaluated weight may include determining weight estimates for each route section of the plurality of path sections and for different values of energy coefficients.
[00217] Determining the evaluated weight may include determining weight estimates for each path section of the plurality of path sections, and for different values of energy coefficients and different motor efficiency function values.
[00218] Determining the evaluated weight may include determining weight estimates for each path section of the plurality of path sections, and for different values of energy coefficients and different fuel consumption error correction function values.
[00219] Determining the evaluated weight includes determining weight estimates for each path section of a plurality of path sections, and for different values of energy coefficients and different motor efficiency function values and different fuel consumption error correction function values. It may be.
[00220] The determination of the evaluated weight can include associating quality characteristics with each weight estimate.
The determination of the evaluated weight can include associating a quality characteristic with each weight estimate, and at least one distribution associated with the vehicle weight estimate will be assigned to the quality characteristic assigned to each weight estimate. Can respond.
[00222] The determination of the evaluated weight can include associating a quality characteristic with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram can include bins. , Each bin can be associated with a weight estimation range and has a value representing the quality characteristic of the weight estimate belonging to the bin.
[00223] The determination of the evaluated weight can include associating a quality characteristic with each weight estimate, at least one distribution associated with the vehicle weight estimate can be a histogram, and the histogram contains bins. Each bin can be associated with a weight estimation range and has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin.
[00224] A non-transient computer-readable medium can store instructions for assigning quality characteristics to at least some of the vehicle sensor measurements.
[00225] A non-transient computer-readable medium is an instruction to assign quality characteristics to vehicle sensor measurements associated with a particular route section based on differences related to vehicle speed at the start and end points of the particular route section. Can be memorized.
[00226] A non-transient computer-readable medium can store instructions for assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on the maximum speed of the vehicle during a particular drive session. ..
[00227] The non-temporary computer-readable medium can store instructions for ignoring vehicle sensor measurements obtained in the path section where the vehicle descended.
[00228] The calculation can include applying machine learning.
[00229] A method for assessing the weight of a vehicle may be provided, which method is at least partially calculated based on vehicle sensor measurements obtained by the vehicle's vehicle sensor and is wasted energy by the vehicle. Receives the value of the coefficient, gets the new vehicle sensor readings associated with the new drive session by the vehicle sensor during the new drive session, and uses the vehicle computer to determine the weight of the vehicle based on the energy coefficient and the new vehicle sensor measurements. A method of calculation, vehicle sensor measurements are obtained during a vehicle drive session, (a) path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, Includes (c) road section length measurements associated with the drive session and (d) speed measurements associated with the drive session.
[00230] The method can include receiving information about the vehicle's motor efficiency function, and the calculation of the vehicle weight can further respond to the vehicle's motor efficiency function.
Information about the motor efficiency function can include motor efficiency function coefficients.
[00232] The number of motor efficiency function coefficients does not have to exceed 50.
The method includes receiving information about the fuel consumption error correction function of the vehicle, and the calculation of the weight of the vehicle can further respond to the fuel consumption error correction function.
[00234] The information regarding the fuel consumption error correction function may include the fuel consumption error correction function coefficient.
[00235] The number of fuel consumption error correction function coefficients does not have to exceed 10.
[00236] This method includes receiving information about the vehicle motor efficiency function and the vehicle fuel consumption error correction function, and the calculation of the vehicle weight further includes the vehicle motor efficiency function and the vehicle fuel consumption error correction. Can respond.
[00237] The calculation of vehicle weight may be performed in real time.
[00238] This method can include transmitting new vehicle sensor measurements associated with a new drive session.
[00239] The method can include receiving an updated value of the energy factor, and the weight calculation can respond to the updated value of the energy factor.
[00240] Weight calculation can include calculating the following equation for a new path segment in a new session.
Here, the group of energy coefficients includes k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the new route section,
v 1 is the speed of the vehicle at the opening of the new route section,
v represents at least one value of the vehicle's speed when traveling on a new route section.
x is the length of the new route section,
Δh is the height difference between the end and start points of the new route section.
fuel is the error-corrected fuel consumption associated with the new route section.
[00241] A non-temporary computer-readable medium for assessing the weight of a vehicle may be provided, which non-temporary computer-readable medium is at least partially to vehicle sensor measurements obtained by the vehicle's vehicle sensor. Receives the value of the energy coefficient calculated based on and wasted by the vehicle, gets the new vehicle sensor measurement value associated with the new drive session by the vehicle sensor during the new drive session, by the value of the energy coefficient and the vehicle sensor of the vehicle Calculated based at least in part on the acquired vehicle sensor measurements, the vehicle sensor measurements were acquired during the vehicle's drive session and are (a) path height measurements associated with the drive session, (b). Energy factor and new vehicle sensor measurements, including fuel consumption measurements related to drive sessions, (c) road section length measurements related to drive sessions, and (d) speed measurements related to drive sessions. The weight of the vehicle may be calculated by the vehicle computer based on the value of.
[00242] A non-transient computer-readable medium can store instructions for receiving information about the vehicle's motor efficiency function, and the vehicle weight calculation can further respond to the vehicle's motor efficiency function. ..
[00243] Information about the motor efficiency function may include motor efficiency function coefficients.
[00244] The number of motor efficiency function coefficients does not exceed 50. The number per gear does not exceed 3.
[00245] A non-temporary computer-readable medium can store instructions for receiving information about the vehicle's fuel consumption error correction function, and the vehicle weight calculation further responds to the fuel consumption error correction function. Can be done.
[00246] The information regarding the fuel consumption error correction function may include the fuel consumption error correction function coefficient.
[00247] The number of fuel consumption error correction function coefficients does not exceed 10.
[00248] A non-temporary computer-readable medium can store instructions for receiving information about the vehicle's motor efficiency function and the vehicle's fuel consumption error correction function, and the calculation of vehicle weight is the vehicle's motor efficiency. It can further respond to function and vehicle fuel consumption error correction.
[00249] Vehicle weight calculations may be performed in real time.
[00250] A non-transient computer-readable medium can store instructions for transmitting new vehicle sensor measurements associated with a new drive session.
[00251] Non-transient computer-readable media can store instructions for receiving updated values of energy factors, and weight calculations can respond to updated values of energy factors.
[00252] Weight calculation can include calculating the following equation for a new route section of a new session.
Here, the group of energy coefficients can include k 1 , k 2 , k 3 and k 4 ,
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the new route section,
v 1 is the speed of the vehicle at the start of the new route section,
v represents at least one value of the vehicle's speed when traveling on a new route section.
x is the length of the new route section,
Δh is the height difference between the end and start points of the new route section.
fuel is the error-corrected fuel consumption associated with the new route section.
[00253] Grip
[00254] A method can be provided for generating route section and vehicle-related normalized route section grip information, which method uses sensors to provide wheels related to the speed of multiple wheels of the vehicle. The step of generating speed information, the step of detecting the grip event based on the wheel speed information by the vehicle computer, and the step of determining the normalized route section grip information based on the vehicle parameters acquired during at least a part of the grip event. A step of executing at least one of (i) a step of transmitting the normalized route section grip information and (ii) a step of storing the normalized route section grip information can be included.
[00255] This method involves receiving from a computerized system the normalized route segment grip information generated by the computerized system and the normalized route interval generated by the computerized system. It can include a step of denormalizing the grip information and providing the actual route section grip information.
[00256] This method can include calculating the limit grip of the vehicle as it passes through the route section, based on the actual route section grip information.
[00257] The denormalization may be at least based on speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00258] The grip event may be selected from a braking event, a turn event, and a high speed event.
[00259] Determining the normalized path segment grip information can include calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation. ..
[00260] The method may include determining a normalized slip curve based on normalized slip ratio and normalized excitation.
[00261] The excitation calculation can include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the grip event.
[00262] Normalized slip ratio and normalized excitation calculations can be based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00263] The generation of wheel speed information can include low-pass filtering of wheel speed information, which can respond to the expected wheel speed.
[00264] The generation of wheel speed information may include ignoring short-term fluctuations.
[00265] The grip event may be the vehicle's response to passage over a small obstacle, which has a shorter length than each perimeter of the vehicle's wheels.
[00266] A non-temporary computer program product for generating normalized route section grip information associated with a route section and a vehicle can be provided, which uses a sensor to provide a vehicle. Obtained between at least a portion of a grip event and a command to generate wheel speed information related to the speed of multiple wheels and a command to detect a grip event based on the wheel speed information by the vehicle computer. To store the instruction to determine the normalized route section grip information based on the vehicle parameters, (i) the instruction to transmit the normalized route section grip information, and (ii) the normalized route section grip information. Stores instructions that execute at least one of the instructions in.
[00267] A non-temporary computer program product receives from a computerized system the canonical path segment grip information generated by the computerized system and the normalized path segment generated by the computerized system. The grip information can be denormalized to store instructions for providing the actual route section grip information.
[00268] The non-temporary computer program product 3 can store an instruction for calculating the limit grip of the vehicle when passing through the route section based on the actual route section grip information.
[00269] In non-temporary computer program product 3, denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00270] The grip event may be selected from a braking event, a turn event, and a high speed event.
[00271] The determination of the normalized path segment grip information can include calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation.
[00272] Non-temporary computer program products can store instructions for determining a normalized slip curve based on normalized slip ratio and normalized excitation.
[00273] The excitation calculation can include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the grip event.
[00274] Normalized slip ratio and normalized excitation calculations may be based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00275] The generation of wheel speed information can include low-pass filtering of wheel speed information, which can respond to the expected wheel speed.
[00276] The generation of wheel speed information may include ignoring short-term fluctuations.
[00277] The grip event may be the vehicle's response to a passage over a small obstacle, which has a shorter length than each perimeter of the vehicle's wheels.
[00278] A vehicle system for generating a vehicle profile may be provided, which is a sensor configured to generate wheel speed information related to the speed of multiple wheels of the vehicle, and (i). A computer vehicle configured to detect grip events based on wheel speed information and (ii) determine normalized path section grip information based on vehicle parameters acquired during at least part of the grip event. And (a) at least one of a communication module configured to transmit the normalized path segment grip information and a memory module configured to store the normalized path segment grip information.
[00279] A method for generating route section and vehicle-related normalized route section grip information, which uses sensors to provide wheel speed information related to the speed of multiple wheels of the vehicle. A step to generate, a step of detecting the vehicle's response to passage on a small obstacle based on wheel speed information by a vehicle computer, and a small obstacle having a length shorter than the circumference of each of the multiple wheels of the vehicle. The step of determining the normalized route section grip information based on the vehicle parameters acquired during at least a part of the vehicle's response to the passage of, and (i) the step of transmitting the normalized route section grip information and (ii). Includes a step of executing at least one of the steps of storing the normalized path segment grip information.
[00280] This method involves receiving from a computerized system the normalized path segment grip information generated by the computerized system and the normalized path segment grip information generated by the computerized system. Can be denormalized to include a step that provides actual route section grip information.
[00281] This method can include calculating the limit grip of the vehicle as it passes through the route section, based on the actual route section grip information.
[00282] Denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00283] The step of determining the normalized path segment grip information can include calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation.
[00284] The method may include determining a normalized slip curve based on normalized slip ratio and normalized excitation.
[00285] Excitation calculations may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the response of vehicles passing through small obstacles. it can.
[00286] Normalized slip ratio and normalized excitation calculations can be based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00287] The generation of wheel speed information can include low-pass filtering of vehicle speed information, which can respond to the expected wheel speed.
[00288] The generation of wheel speed information may include ignoring short-term fluctuations.
[00289] A non-temporary computer program product for generating normalized route section grip information associated with a route section and a vehicle, which is a non-temporary computer program product that uses sensors to multiple vehicles. Instructions for generating wheel speed information related to wheel speed, instructions for the vehicle computer to detect the vehicle's response to passage over small obstacles based on the wheel speed information, and multiple wheels of the vehicle. Instructions for determining normalized path section grip information based on vehicle parameters acquired during at least part of the vehicle's response to passage over small obstacles that are shorter than their surroundings, and ( It includes (i) transmitting the normalized route interval grip information and (ii) an instruction to execute at least one of the instructions for storing the normalized route interval grip information.
[00290] The non-temporary computer program product receives the normalized path segment grip information generated by the computerized system from the computerized system, and the normalized route interval generated by the computerized system. The grip information can be denormalized to store instructions for providing the actual route section grip information.
[00291] The non-temporary computer program product can store instructions for calculating the limit grip of the vehicle as it traverses the route section based on the actual route section grip information.
[00292] Denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00293] The determination of the normalized path segment grip information can include calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation.
[00294] Non-temporary computer program products can store instructions for determining a normalized slip curve based on normalized slip ratio and normalized excitation.
[00295] The excitation calculation may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the response of the vehicle passing through a small obstacle. it can.
[00296] Normalized slip ratio and normalized excitation calculations may be based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[00297] The generation of wheel speed information can include low-pass filtering of wheel speed information, which can respond to the expected wheel speed.
[00298] The generation of wheel speed information can include ignoring short-term fluctuations.
[00299] A vehicle system for generating a vehicle profile may be provided, in which the vehicle system includes a sensor configured to generate wheel speed information related to the speed of multiple wheels of the vehicle, and (i). ) Detects the vehicle's response to passage over small obstacles based on wheel speed information, and (ii) based on vehicle parameters acquired during at least part of the vehicle's response to passage over small obstacles. A computer vehicle configured to determine the normalized route section grip information, (a) a communication module configured to transmit the normalized route interval grip information, and configured to store the normalized route interval grip information. It comprises at least one of the stored memory modules.
[00300] Aquaplaning
[00301] Wikipedia. Org is when aquaplaning or hydroplaning by the tires of a road vehicle, airplane or other wheel vehicle leads to loss of friction when a layer of water is formed between the wheels and the road surface, hindering the vehicle's response to control inputs. It is defined to be generated. When happening on all wheels at the same time, the car becomes virtually an uncontrollable sled. Aquaplaning is a different phenomenon than when water on the road surface simply acts as a lubricant. Friction is reduced on damp pavement, even without aquaplaning.
[00302] It is very difficult to predict when aquaplaning will occur, so autonomous driving can be stopped whenever it rains.

図面の簡単な説明
[00303] 本発明と見なされる主題は、本明細書の最後の部分において特に指摘され、明確に特許請求される。しかしながら、本発明は、その目的、特徴、および利点と共に、構成および動作方法の両方に関して、添付の図面と共に読まれるときに、以下の詳細な説明を参照することによって最も良く理解され得る。
[00304] 図１は、いくつかの道路区間およびいくつかのセッションの例を示す。 [00305] 図２は、セッションを表すノード及びエッジの一例を示す図である。 [00306] 図３は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00307] 図４は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00308] 図５は、方法の一例を示す。 [00309] 図６は、方法の一例を示す。 [00310] 図７は、方法の一例を示す。 [00311] 図８は、道路区間の２つのシーケンスに関する高さ測定値、および関連付け誤差を示す。 [00312] 図９および図１０は、複数のセッションおよび様々な高さ推定プロセスの例を提供する。 [00312] 図９および図１０は、複数のセッションおよび様々な高さ推定プロセスの例を提供する。 [00313] 図１１は、方法の一例を示す。 [00314] 図１２は、方法の一例を示す。 [00315] 図１３は、方法の一例を示す。 [00316] 図１４は、参照マップの一例を示す図である。 [00317] 図１５は、図１２の方法および図１３の方法のステップの一例を示す。 [00318] 図１６および図１７は、道路、道路区間、道路およびノードの例を示す。 [00318] 図１６および図１７は、道路、道路区間、道路およびノードの例を示す。 [00319] 図１８は、車両の底部を示す。 [00320] 図１９は、較正関数を示す。 [00321] 図２０は、車両の一例を示す図である。 [00322] 図２１は、方法を示す。 [00323] 図２２は、方法の一例を示す。 [00324] 図２３は、車両プロファイルの一例を示す図である。 [00325] 図２４は、巡行テーブルの一例を示す図である。 [00326] 図２５は、アイドル加速度テーブルの一例を示す図である。 [00327] 図２６は、加速度テーブルの一例を示す図である。 [00328] 図２７は、車両プロファイルの生成または更新の一例を示す図である。 [00329] 図２８は、方法の一例を示す。 [00330] 図２９は、車両の道路経路、最大許容速度、および推奨速度の一例を示す図である。 [00331] 図３０は、方法の一例を示す。 [00332] 図３１は、方法の一例を示す。 [00333] 図３２は、モータ効率関数の近似の一例を示す図である。 [00334] 図３３は、４８個の係数を含むテーブルを示す。 [00335] 図３４は、モータ効率関数の非線形近似の例を示す。 [00336] 図３５は、燃料消費誤差補正関数の近似例である。 [00337] 図３６は、重量推定に関連する分布のヒストグラムを示す。 [00338] 図３７は、重量推定に関連する分布のヒストグラムを示す。 [00339] 図３８は、方法の一例を示す。 [00340] 図３９は、方法の一例を示す。 [00341] 図４０は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00342] 図４１は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00343] 図４２は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00344] 図４３は、方法の一例を示す。 [00345] 図４４は、方法の一例を示す。 [00346] 図４５は、方法の一例を示す。 [00347] 図４６は、方法とブレーキプロファイルの一例を示す。 [00348] 図４７は、方法の一例を示す。 [00349] 図４８は、方法の一例を示す。 [00350] 図４９は、方法の一例を示す。 [00351] 図５０は、車両、ネットワーク、およびコンピュータ化されたシステムの一例を示す。 [00352] 図５１は、正規化スリップ曲線の一例を示す図である。 [00353] 図５２は、車速および車輪速の一例を示す図である。 [00354] 図５３は、方法の一例を示す。 [00355] 図５４は、方法の一例を示す。 [00356] 図５５は、方法の一例を示す。 [00357] 図５６は、方法の一例を示す。 [00358] 図５７は、方法の一例を示す。 A brief description of the drawing
[00303] The subject matter considered to be the invention is specifically noted and explicitly claimed in the last part of the specification. However, the present invention, as well as its purpose, features, and advantages, can be best understood by reference to the following detailed description, both in terms of configuration and method of operation, when read with the accompanying drawings.
[00304] Figure 1 shows examples of some road sections and some sessions. [00305] FIG. 2 is a diagram showing an example of a node and an edge representing a session. [00306] FIG. 3 shows an example of a vehicle, network, and computerized system. [00307] FIG. 4 shows an example of a vehicle, network, and computerized system. [00308] FIG. 5 shows an example of the method. [00309] FIG. 6 shows an example of the method. [00310] FIG. 7 shows an example of the method. FIG. 8 shows height measurements and association errors for two sequences of road sections. [00312] FIGS. 9 and 10 provide examples of multiple sessions and various height estimation processes. [00312] FIGS. 9 and 10 provide examples of multiple sessions and various height estimation processes. [00313] FIG. 11 shows an example of the method. [00314] FIG. 12 shows an example of the method. [00315] FIG. 13 shows an example of the method. [00316] FIG. 14 is a diagram showing an example of a reference map. [00317] FIG. 15 shows an example of the steps of the method of FIG. 12 and the method of FIG. [00318] FIGS. 16 and 17 show examples of roads, road sections, roads and nodes. [00318] FIGS. 16 and 17 show examples of roads, road sections, roads and nodes. [00319] FIG. 18 shows the bottom of the vehicle. [00320] FIG. 19 shows a calibration function. [00321] FIG. 20 is a diagram showing an example of a vehicle. [00322] FIG. 21 shows a method. [00323] FIG. 22 shows an example of the method. [00324] FIG. 23 is a diagram showing an example of a vehicle profile. [00325] FIG. 24 is a diagram showing an example of a cruise table. [00326] FIG. 25 is a diagram showing an example of an idle acceleration table. [00327] FIG. 26 is a diagram showing an example of an acceleration table. [00328] FIG. 27 is a diagram showing an example of generating or updating a vehicle profile. [00329] FIG. 28 shows an example of the method. [00330] FIG. 29 is a diagram showing an example of a vehicle's road route, maximum permissible speed, and recommended speed. [00331] FIG. 30 shows an example of the method. [00332] FIG. 31 shows an example of the method. [00333] FIG. 32 is a diagram showing an example of approximation of the motor efficiency function. [00334] FIG. 33 shows a table containing 48 coefficients. [00335] FIG. 34 shows an example of a non-linear approximation of the motor efficiency function. [00336] FIG. 35 is an approximate example of the fuel consumption error correction function. [00337] FIG. 36 shows a histogram of the distribution associated with weight estimation. [00338] FIG. 37 shows a histogram of the distribution associated with weight estimation. [00339] FIG. 38 shows an example of the method. [00340] FIG. 39 shows an example of the method. [00341] FIG. 40 shows an example of a vehicle, network, and computerized system. [00342] FIG. 41 shows an example of a vehicle, network, and computerized system. [00343] FIG. 42 shows an example of a vehicle, network, and computerized system. [00344] FIG. 43 shows an example of the method. [00345] FIG. 44 shows an example of the method. [00346] FIG. 45 shows an example of the method. [00347] FIG. 46 shows an example of the method and brake profile. [00348] FIG. 47 shows an example of the method. [00349] FIG. 48 shows an example of the method. [00350] FIG. 49 shows an example of the method. [00351] FIG. 50 shows an example of a vehicle, network, and computerized system. [00352] FIG. 51 is a diagram showing an example of a normalized slip curve. [00353] FIG. 52 is a diagram showing an example of vehicle speed and wheel speed. [00354] FIG. 53 shows an example of the method. [00355] FIG. 54 shows an example of the method. [00356] FIG. 55 shows an example of the method. [00357] FIG. 56 shows an example of the method. [00358] FIG. 57 shows an example of the method.

図面の詳細な説明
[00359] 以下の詳細な説明では、本発明の完全な理解を提供するために多くの具体的な詳細について述べる。しかしながら、当業者には、本発明がこれらの特定の詳細なしに実施され得ることが理解されるのであろう。他の例では周知の方法、手順、および構成要素は本発明を曖昧にしないように詳細には説明されていない。
[00360] 説明を簡単かつ明確にするために、図に示される要素は必ずしも一定の縮尺で描かれていないことが理解されるのであろう。例えば、いくつかの要素の寸法は明確にするために、他の要素に対して誇張されていることがある。さらに、適切であると考えられる場合、参照番号は対応するまたは類似の要素を示すために、図面の間で繰り返され得る。
[00361] 本明細書におけるシステムへのいかなる言及も、システムによって実行され得る方法に必要な変更を加えて適用されるべきである。
[00362] 本発明の図示された実施形態はほとんどの場合、当業者に知られている電子構成要素および回路を使用して実施することができるので、本発明の基礎となる概念の理解および理解のために、また本発明の教示を曖昧にしたり、逸らしたりしないようにするために、上で示したように必要と考えられるものよりも大幅に詳細を説明することはしない。
[00363] 本明細書における方法へのいかなる言及も、その方法を実行することができるシステムに準用されるべきであり、コンピュータによって一旦実行されるとその方法の実行に帰着する命令を記憶する非一時的コンピュータ可読媒体に準用されるべきである。
[00364] 本明細書におけるシステムへのいかなる言及も、システムによって実行することができる方法に準用されるべきであり、コンピュータによって一旦実行されると方法の実行に帰着する命令を記憶する非一時的コンピュータ可読媒体に準用されるべきである。
[00365] 高度データと気圧計ノイズ推定
[00366] 本発明の一実施形態によれば、この方法は、初期誤り訂正処理と、気圧計の読み取り値を車両の位置に関連付ける位置特定プロセスとを含むことができる。
[00367] 図１は、南北道路区間１１、１５、１８、東西道路区間１２、１３、１４、１６、１９、および湾曲道路区間１７を含むいくつかの道路区間の例を示す。道路区間１４を除く全ての道路区間は方向毎に１つの車線を有する双方向道路であり、道路区間１４は方向毎に２つの車線を有する。
[00368] ３つのドライブセッションがあり、各ドライブセッションは、道路区間と位置合わせされてもされなくてもよいＧＰＳ読み取り値などの位置読み取り値によって表される。
[00369] 第１のドライブセッションは２１で示され、道路区間１２、１３および道路区間１４の左車線を通過する。
[00370] 第２のドライブセッションは２２で示され、道路区間１１、１５、１６、１７、１８、１９を通過する。
[00371] 第３のドライブセッションは２３で示され、道路区間１９、１８、１７、１６、１５、１３および道路区間１４の右車線を通過する。
[00372] 図２は、セッションを表すノードとエッジの例を示している。
[00373] 第１のセッション２１は、ノードとエッジ３１の第１シーケンス（順番）によって表される。
[00374] 第２のセッション２２は、ノードとエッジ３２の第２シーケンス（順番）によって表される。
[00375] 第３のセッション２３は、ノードとエッジ３３の第３シーケンス（順番）によって表される。
[00376] ノードとエッジ３１、３２、３３の第１、第２、および第３のシーケンスは、それぞれ、道路区間１１、１３、１１、および１５によって形成されるジャンクションを表す重なり合うノード（重複ノード）４１を共有する。
[00377] 重複ノード４１の高さは、ノードとエッジ３１、３２の第１、第２のシーケンスのそれぞれにおいて同じでなければならない。
[00378] ノードとエッジ３３、３２の第３、第２のシーケンスは、これらのセッション間の重複を表す複数の重複ノード４２を共有する。
[00379] 重複ノード４１の各々の高さは、ノードとエッジ３３、３２の第３、第２のシーケンスの各々において同じでなければならない。
[00380] 提案された方法は、他の道路ネットワークに適用可能であり、通常、数百、数千、さらにはそれ以上の道路を含むことができるはるかに大きな道路ネットワークをマッピングするために使用され、全国的な道路ネットワーク、地域的な道路ネットワークなどであることに留意されたい。
[00381] 重複ノードは、重複ノードが関連付けプロセスを受けるときに、関連付けノードとなり得る。
[00382] 関連付けポイントの関連付けプロセスは、高さ推定値の初期差（関連付け誤差）にもかかわらず、異なるセッションにおける関連付けポイントの高さ推定値を等しくすることを含む。この誤差は、グラフの異なるノードに沿って配分（分布）される。その配分（分布）は、任意の配分（分布）であってよく、特に、関連付け点からの距離の増分で関連付けプロセスの影響を低減する分布であってよい。
[00383] 関連付け作業は、複数の道路区間間（ノードの複数のシーケンス間）で共有される多くの（１０〜１０万以上の任意の数の）重複ノードを考慮に入れることができる。
[00384] 関連付けプロセスは、関連付け誤差（同じ重複ノードに関連する異なる高さ測定値）を計算し、伝播プロセスを考慮しながら、例えば、関連付け誤差の伝播距離を制限することによって、および／または閾値よりも小さい関連付け誤差（伝播前または伝播後）を無視することによって、ノード間で関連付け誤差を分配しようと試みることができる。
[00385] 図３は、車両５０、ネットワーク６２、およびコンピュータ化されたシステム６０の例を示す。図４は、車両５０、ネットワーク６２、およびコンピュータ化されたシステム６０の別の例を示す。図４は、プロセッサ５５をさらに含むことによって図３と異なる。
[00386] 車両５０は、任意のタイプの車両とすることができる。図５は、気圧計５１、他のセンサ５２、車両コンピュータ５３、空調モジュール／ファン５４、窓５７、および通信モジュール５８を含む車両を示す。
[00387] 気圧計５１は、車両５０の前部に配置されているように示されている。気圧計は、車両５０内の任意の位置に配置することができる。１つ以上の気圧計があってもよい。
[00388] 他のセンサ５２は、車両および／または周囲条件に関連する様々なパラメータを感知することができる。他のセンサ５２は、加速度計、速度計、温度計、窓状態センサ、空気状態モジュール／ファン状態センサ、エンジンセンサ（燃料消費センサなど）、または任意の他のセンサのうちの少なくとも１つを含むことができる。
[00389] 車両コンピュータ５３は、車両の様々な構成要素および／またはシステムの状態を監視することができ、車両の様々な構成要素および／またはシステムを制御することができ、本明細書に示す方法のいずれかの実行に関与することも、関与しないこともできる。
[00390] 通信モジュール５８は、ネットワーク６２を介してコンピュータシステム６０と通信することができる。
[00391] 通信モジュール５８は、近距離通信モジュール、無線周波数通信モジュールなどの長距離通信モジュール、衛星通信モジュール、セルラー通信ネットワークなどとすることができる。
[00392] 車両は複数のウィンドウを含むことができ、説明を簡単にするために、単一のウィンドウ５７のみが示されている。
[00393] 車両コンピュータ５３は、プロセッサおよびメモリユニットを含むことができる。プロセッサはハードウェアコンポーネントを含むことができ、汎用プロセッサ、画像プロセッサ、ハードウェアアクセラレータ、ＦＰＧＡ、ＡＳＩＣなどとすることができる。メモリユニットは、不揮発性メモリであってもよい。
[00394] コンピュータシステム６０は、クラウドコンピューティング環境内に配置され、１つまたは複数のサーバ、またはコンピュータの任意の組合せを含むことができる。
[00395] 処理、計算等を含む任意のステップ（本出願に示されている）は、車両コンピュータ５３、プロセッサ５５、および／またはコンピュータシステム６０によって実行することができる。
[00396] 初期誤り訂正処理
[00397] 初期誤り訂正処理は、運転自体（例えば、加速、減速）、道路状態（例えば、隆起、穴）、および１つまたは複数の窓の開閉（または車両の他の開口部）、ファンおよび／または空気状態モジュールの動作などの他の気圧計に影響を及ぼす事象などの気圧計に影響を及ぼす事象（イベント）から生じる気圧計誤り（誤差）を訂正することを含むことができる。
[00398] 他の車両からの気圧計読み取り値に影響を及ぼす前に初期誤り訂正処理を実行し、それによって気圧計誤差の影響を低減することが有益である。
[00399] 初期誤り訂正ステップは、気圧計に影響を及ぼす事象を直接的または間接的に感知することによって、気圧計に影響を及ぼす事象を検出することを含むことができる。感知は、気圧計の読み取り値（気圧計の読み取り値の急激な変化など、気圧に影響を及ぼす事象を特徴付ける気圧計読み取りパターンを見つけること）のみを考慮することができるが、感知は、加速度計、速度センサ、燃料消費センサ、空調および／またはファンセンサまたは制御モジュールなどの他のセンサ（他のセンサ５２など）からの読み取り値を使用することも含むことができる。
[00400] 気圧計に影響を及ぼす事象は、速度変化を含むことができる。例えば、車両が加速すると、キャビン内の空気は後方に押される。気圧計が車両のダッシュボードに配置されている場合、加速度によって気圧計の環境に圧力減少が発生する。この圧力減少は、誤って高度が高い（圧力測定値が低い）と解釈されることがある。一方、車両が減速すると、空気が前方に移動し、気圧計の周囲に圧力増加を生じさせ、これは、誤って、より高い高度（より高い圧力の読み）と解釈される可能性がある。加速及び減速は、線形及び非線形の加速及び減速を含むことができる。非線形加速度は、ターンから生じることがある。
[00401] 気圧計に影響を及ぼす事象は、ウィンドウを開くことを含むことができる。窓が開いているとき、特に高速走行時には、車両内部に突風が発生したり、空気の吸引により低圧になったりすることがある。
[00402] 初期誤り訂正処理は、気圧計影響事象（気圧計に影響を及ぼす事象）と気圧計読み取り値との間の関係を学習すること、気圧計影響事象と気圧計読み取り値との間の関係に関する情報を受信すること、気圧計影響事象と気圧計読み取り値との間の関係を動的に更新することなどを含むことができる。
[00403] 空気圧の変化は、比較的緩やかに生じる。異常な状態が存在しない限り、環境の空気圧は非常に徐々に変化し、長さ数百メートル、さらにはそれ以上の領域にわたって実質的に一定に維持されるべきである。気圧計の読み取り値の急激な変化は、気圧計影響事象に関連する可能性がある。気圧計影響事象の発生は、加速度計、通気制御ユニットセンサ、窓の開放に起因する車両の内部空間の温度の急速な変化を感知する温度センサ、窓の開放に関連する音を感知することができる音響センサ、空調ユニットの動作などの他の車両センサを使用して検証または検出することができる。
[00404] 一旦、気圧計影響事象が検出されると、気圧計影響事象の発生中に得られた気圧計の読み取り値は、廃棄されてもよく、および／または気圧計影響事象によって導入された誤差を補正することによって訂正されてもよい。
[00405] 例えば、本方法は、気圧計の読み取り値に偽の傾斜をもたらす可能性がある速度変化を検出することを含むことができる。これらの偽の傾斜は、平滑化されてもよい。偽の傾斜は事前定義された位置に現れることがある（たとえば、ジャンクション（特に交差したジャンクション）に入る前に減速し、ジャンクションを出た後に加速する）。ジャンクション（特に交差したジャンクション）の位置は事前に分かっていてもよく、これはジャンクションに関連する偽の傾斜の位置を特定するのに役立ち得る。
[00406] ジャンクションの位置は、ジャンクションの位置を記憶するマップまたは他のデータベースから学習されてもよく、および／またはジャンクションを通過する多くの車両の気圧計読取値における偽の傾斜の出現から学習されてもよい。
[00407] 距離当たりの圧力の変化および高さの変化は、比較的制限されているか、または少なくとも事前に推定または知られていてもよい。例えば、道路の傾斜は、特に非山岳地帯では穏やかであり、傾斜を超える高度変化を表す気圧計の読み取り値は廃棄するか、またはフィルタリング（例えば、ローパスフィルタリング）することができる。ローパスフィルタリングは、例えば、約５ヘルツまたは任意の他の選択された周波数を通過させる。
[00408] ロケーションプロセス
[00409] ロケーションプロセスは、車両ロケーションデータを、道路のネットワークを表すグラフのノードに変換することを含む。ノードとグラフは、単に道路ネットワークの仮想表現の非限定的な例である。
[00410] 変換は、例えば、ＧＰＳ読み取り値をグラフのノードのリストにマッピングすることを含むことができる。マッピングは、ＧＰＳ読み取り値とノードとの間の最良の一致（または準最適一致）を見つけることを含むことができる。一致は、ＧＰＳ読み取り値と一致し得る最も近い道路を見つけることを含むことができる。
[00411] ＧＰＳ読み取り値は、車両位置データの非限定的な例に過ぎない。他のセンサおよび／またはロケーションモジュール（車両内または車両なし）が、車両ロケーションデータを提供することができる。
[00412] ロケーションプロセスは、気圧計の読み取り値をグラフのノードに関連付けることによって継続し、それによって、複数の時点の間に複数の車両からの気圧計の読み取り値を考慮する高さ推定プロセスを容易にする。
[00413] 例えば、図１及び図２を参照すると、ドライブセッション２１、２２及び２３を表すＧＰＳ読み取り値は、対応する道路区間と、ノードとエッジ３１、３２及び３３の対応する第１、第２及び第３のシーケンスとにマッピングされるべきである。
[00414] 高さ推定プロセスは、複数のセッションの間に取得された気圧計の読み取り値を考慮することができる。セッションは、ある期間中の経路に沿った車両の伝播を表す。
[00415] セッションは、最大許容長、最大許容持続期間（時間）を有することができ、連続的な気圧計の読み取りに関連付けることができる。予め定義された数の気圧計読み取り値のギャップ（気圧計読み取り値のないグラフ内の所定数の連続するノード）は、２つのセッション間の境界として定義されてもよい。最大許容長は、予想される周囲圧力の変化から決めることができる。
[00416] 気圧計読み取り値をグラフのノードに割り当てた後、本方法は、気圧計読み取り値に関連付けられていないノードの気圧計読み取り値を推定することを含むことができる。推定は、外挿または任意の他の推定方法を含むことができる。
[00417] 初期誤り訂正プロセスは、セッションの気圧計読み取り値をグラフのノードにマッピングした後、および／またはマッピングの前に実行することができる。
[00418] 異なるノードに関連する気圧計の読み取り値は、ノードの高さ推定値に変換することができる。
[00419] セッションのノードに気圧計読み取り値および／または高さ推定値を割り当てた後、高さ推定プロセスは、他のセッション中に取得された気圧計読み取り値を考慮するマルチセッション高さ推定プロセスを実行することができる。
[00420] マルチセッション高さ推定プロセスは、新しいセッションからの気圧計読み取り値が他のセッションから取得された気圧計読み取り値と併合される反復プロセスであってもよい。
[00421] マルチセッション高さ推定プロセスは、（a）セッション定数オフセット、すなわち、周囲圧力の変化による経路全体の高度シフト（高度誤差）、および（b）セッション間オフセット、すなわち、時間の変化によるセッションに沿った周囲圧力の変化、または長すぎるセッションを定義することを補償することができる。
[00422] 図５は、本発明の一実施形態による方法１００を示す。
[00423] 方法１００は、高さ推定プロセスである。
[00424] 方法１００は、初期化ステップ１１０によって開始することができる。
[00425] ステップ１１０は、新しいセッションのノードと前のセッションのノードとの間の関係を決定することを含み得る。
[00426] 新しいノードは、前のセッションに含まれていなかった新しいセッションのノードである。
[00427] ステップ１１０の後には、（a）新しいセッションから得られた高度として新しいノード（存在する場合）の高度を定義し、（b）新しいセッションの他のノードの高さ推定値を併合するステップ１２０が続く。
[00428] 例えば、前のセッションが第１および第２のセッション２１および２２を含み、次いで第３のセッション２３を評価するとき、ステップ１２０は、重複ノード４２、重複ノード４１および複数の新しいノード４３を見出す。
[00429] 併合は、セッション定数オフセットおよびセッション間オフセットを補償（補正）することを含むことができる。
[00430] 以下のステップ１２０の例は、以下の注釈及び頭字語を用いて説明され得る。
AC offset−セッション間オフセット
AOA−ACオフセットアルゴリズム(セッション間オフセットアルゴリズムとも呼ばれる)
DC Offset−セッション定数オフセット
MDB−マップデータベース、Learn and Merge（学習併合）プロセスの結果を保持する：ノードごとの高度
DOA−DCオフセットアルゴリズム（セッション定数オフセットアルゴリズムとも呼ばれる）
SDB−セッションデータベース、Learn（学習）段階の結果として各セッションのデータを保持する
N−SDBのセッション数
q−DOAの反復#、q=１,２,...,N
OLNi,q −反復#qの間の重複ノード、セッションSiと残りのセッションS1,S2,…,Sq（Siを除く）の間の重複ノードのグループ{Nj}
OLNi −重複ノード、セッションSiとSDBの残りのセッションの間の重複ノードのグループ{Nj}
Mi,q−OLNi,qのノード数、j=１,２,...,Mi,qとなるように
Mi−OLNiのノード数
CNj −Nj カウンタ、異なるセッションの数、Server initから、ノードNjを含む
TCi− 総Ci OLNi内のすべてのノードの総数
MSk−セッションSk内のノードの総数
P(Nj、Sk)−[P] −ノードNjでの最初の圧力の高さ、セッションSkで記録される、k=１,２,..,N、j=１,２,...,MSk
DCOFF（Sk)−[P]−セッションSk（k=１,２,...,N）の現在の既知のDCオフセット、P(Nj、Sk）、j=１,２,...,MSk に追加される、
OLSq,j −OverLapping Sessions per Node ノードごとの重複セッション −ノードNjを保持するサブグループ{S1、S2、..、Sq｝
OLSeq,j −OverLapping Sessions Excluding 重複セッション除外、ノードNjを保持するサブグループ｛S1、S2、..、Sq｝（Sq 自体を除く）
OLSi −OverLapping Sessions per Session セッションごとの重複セッション、Siにも含まれるノードNmを少なくとも１つ保持するサブグループ｛S1、S2、..、Sq｝
Mqj−サブグループOLSq, jのサイズ
Meqj−サブグループOLSeq, jのサイズ
dOF（OLSeq, j)−[P] − OLSeqj でセッションごとに追加される新しいインクリメンタルDCオフセット
Pm（OLSq, j)−[P] − DCの平均−ノードNjでのDC補償圧力高さ: P(Nj,Sk)+DCOFF(Sk),OLSq, j のSkごとに対して
PNj−ノードNjに割り当てられた圧力、S1、S2, ...,SN-1のLearn and Merge（学習併合）後
Emin −[P] − Pm の最小変更（閾値）、セッションのDCOFFの伝搬されたアップデートを必要とする
ACOFF（Sk, Nj)−[P] − Sk 内の特定のノードNj のDCOFF(Sk)への計算された追加オフセット
MS−修正セッション（Modified Sessions）、DOA中にDCOFFが更新されたすべてのセッションIDのリスト
MN−修正ノード（Modified Nodes）、DOA中にPNj が更新されたすべてのノードID Nj のリスト
[00431] セッション定数オフセット補正
[00432] このプロセスは、周囲圧力の（時間および空間における）固定された変化を克服することを目的とする。このプロセスは、学習段階の後、SDB内のすべての新しいセッションに渡り、マップの３Dフレームを生成するために、それらを互いに最もよく相関させる方法を見つけようと試みることができる。
[00433] 前提−学習段階後にデータを含むN個のセッションをSDBが保持する
[00434] 目標−DCOFF(Sk）、k=１、２, ...,N−互いに最適になるように、各セッションの高度に追加する必要がある差分を検索する
[00435] ステップ１２０は、セッション定数オフセット補正のステップ１３０を含むことができる。
[00436] ステップ１３０は、パラメータを設定する初期化ステップ１３２を含むことができる:
DCOFF（Sk)= ０、k=１,２,...,N
Emin= ２[P]= 〜２０［cm］
Agg_cntr = ０.
[00437] ステップ１３２の後に、SDBを反復的に進めるステップ１３４が続くことができ、各反復は新しいセッションを考慮に入れる。各反復は、以下を含んでもよい。
a. 異なるセッションに属する重複ノードの高さ推定値を見つける。
b. 現在評価されているセッションの高さ推定値と以前に処理されたセッションの高さ推定値との間の高さ推定誤差を計算する。
c. 好ましくは関連付けせずに、高さ推定誤差に関連する属性を減らそうとする。これは、例えば、全体的な高さ誤差を低減することを含むことができる。
[00438] 図９は、異なる高さ推定値を有する３つのセッション６１０、６２０、および６２０を示す。重複するノードには３つのペアがある。
a. セッション６１０のノード６１１とセッション６３０のノード６３１を含む第１のペア。
b. セッション６１０のノード６１２およびセッション６２０のノード６２１を含む第２のペア。
c. セッション６２０のノード６２２およびセッション６３０のノード６３２を含む第３のペア。
[00439] 重複ノードの各ペアは同じ位置を指し、各ペアは高さ推定誤差、すなわち、第１のペアのD１３ ６４１、第２のペアのD１２ ６４２、および第３のペアD２３ ６４３に関連する高さ推定間の差に関連する。
[00440] ステップ１３４は、全体的な高さ誤差を低減すること、例えば、高さ誤差の合計を低減すること、高さ誤差の重み付けされた合計を低減すること、高さ誤差の二乗の合計を低減することなどを含むことができる。
[00441] すべてのセッションが新しいセッションであるか、少なくとも１つのセッションが新しいセッションであると想定される場合がある。
[00442] 図９の下部は、ステップ１３４の高さ誤差補正プロセス−セッション６３０が低下し（セッションに関連するノードの高さ推定値が低下した）、セッション６２０が上昇した（セッションに関連するノードの高さ推定値が増加した）後の３つのセッションを示す。
[00443] 更新された高さ誤差D１３' ６４１'、D１２' ６４２'、およびD２３' ６４３'は、高さ誤差D１３ ６４１、D１２ ６４２、およびD２３ ６４３よりも小さい。
[00444] ステップ１３４は、SDB内の各Sq、q=１,２,...,Nの反復を含み得る。
[00445] ステップ１３４は:
Sqをキューに挿入
新しいセッションごとに、その最良のDCOFFを見つけ、フレーム内の変更を伝播する−
1. While Queue not empty
2. Si = session from top of Queue
3. Find OLNiq
4. For each Nj in OLNiq Calculate mean P of Nj, prior to adding (i.e. excluding) Si: Pm(OLSei,j) = (1/Mei,J)*sigma(k=1, k<=Mei,j)[P(Nj, Sk)+DCOFF(Sk)]
5. Calculate offset for the new session Si, so that deviation of its overlapping nodes Nj from their Pm will be evenly distributed (or distributed in another predefined manner): Delta_DCOFF(Si) = (1/Mi)*sigma(k=1,k<=Mi)[Pm(OLSi-1,j)-P(Nj,Si)]
6. If Delta_DCOFF(Si) > Emin
a. DCOFF(Si) += Delta_DCOFF(Si)
b. Propagation: Calculate the small offset to propagate into the map: for each Nj in OLNi
i.Calculate dOF(OLSi,j) = Pm(OLSi,j) - Pm(OLSi-1,j).
ii. For each Sq in {OLSi,j} excluding Si update:
1. Agg_DCOFF(Sq) += dOF(OLSi,j)
2. Agg_cntr++
c. If ABS(Agg_DCOFF(Sq)/ Agg_cntr) > Emin // in case of substantial change
i.DCOFF(Sq) += Agg_DCOFF(Sq)/ Agg_cntr
ii.Insert Sq into end of Queue
End:
Update DC-Offsets: Insert DCOFF(Si) into SDB, for all session Si, i=1,2,..,N

[00446] ステップ１３０において、セッションの全てのノードは、同様の方法で上昇又は下降されてもよい。
[00447] ステップ１２０は、ステップ１４０も含むことができる。ステップ１４０は、セッション間オフセット補正を含むことができる。
[00448] ステップ１４０は、以下のような、周囲圧力の局所的な性質による変化を補償（補正）することを含むことができる:
[00449] 異なる周囲圧力の場所をカバーするという意味で長すぎるセッションを選択する。
[00450] 周囲圧力が変化した期間が長いセッションを選択する。
[00451] ステップ１４０は、（a）（i）他のセッションのノードと重複し、（ii）セッション定数オフセット補正のステップ１２０の間にそれらの高さが修正された、新しいセッションの重複ノードを検索するステップ１４２と、（b）新しいセッションの各重複ノードと他のセッションの重複ノードの高さが等しくなるように高さ補正を実行するステップ１４４と、（c）新しいセッションの重複ノードの高さに対して行われた訂正を、セッションの他のノードに所定のエラー配分にしたがって分配するステップ１４６とを含むことができる。
[00452] 図１０は、３つの重複ノードが３つの関連付け点を提供するために関連付けされた（高さ等化された）後の３つのセッションを示す。関連付けは、（セッション定数補正の後に）重複ノードのうちの１つの高さを採用すること、または少なくとも１つの更新された重複ノードの高さに基づいて関連付け点の新しい重みを計算することを含むことができる。
[00453] 非限定的な仮定:
a. 周囲圧力の変化は段階的であり、したがって、ACオフセットは段階的であるべきである。
b. 周囲圧力の所定の挙動は例えば、周囲圧力変化の統一された配分であると仮定することができる。
c. 時間変化における各ノードの周囲圧力は、統一的に配分される。したがって、ノード当たりの値ヒストグラムを見ると、ガウスのような構造が得られる。
[00454] 目標−前提 Sq、q=１,２,...,N、SDB内のセッション、DOA(DC オフセットアルゴリズム)を使用して更新したDCOFF（Sq）と共に
[00455] Sq 内のノードごとにACOFF（Sq, Nj）を検索する:
a. DCOFF（Sq)+ ACOFF(Sq, Ni） を適用すると、SDB内の全重複ノードの高さが同じになる。
b. 「ノイズ」は、所定の配分、例えばセッションに沿った均一な配分に従って配分される。
[00456] 出力− MDB内の各ノードの高度を更新
[00457] ステップ１４０は、以下を含む。
Init - Insert into SQueue, all sessions Sq, that their DCOFF(Sq) has changed

// stage#1 “Welding”: calculate height of OLN in MDB, and collect updated nodes in NQueue
for each Si in SQueue:
-For each Nj in OLNi and not in NQueue
Calculate Pm(Nj) = (1/Mi)*sigma(k=1, k<=Mi)[P(Nj,Sk) + DCOFF(Sk)]
Update Pm(Nj) in MDB, as the elevation for Nj
Insert Nj into NQueue
[00458] // stage#2 “Smoothing”: fine tune nodes height adjacent to “welded” nodes from stage#1 // ステージ#２「平滑化」:ステージ#１からの「関連付け」ノードに隣接するノード高さを微調整する。
while NQueue not empty:
Take Nj from top of NQueue
For each Sk in OLSij
Find an adjacent OLN on Sk, closest to Nj. Denoted by: {NA jk}
For each Na in {NA jk}
Calculate ACOFF1 = P(Sk,Na) + DCOFF(Sk) − Pm(Na)
Calculate ACOFF2 = P(Sk,Nj) + DCOFF(Sk) − Pm(Nj)
Go over all nodes Nz on Sk, located between Na and Nj, and refine their elevation P(Sk, Nz) to be linearly distributed (or according to another predefined distribution) between ACOFF1 and ACOFF2
Update elevation of Nz in MDB

[00459] 図６は、本発明の一実施形態による方法２００'を示す。
[00460] 方法２００'は、高さ推定プロセスである。
[00461] 方法２００'は、前のセッションの各ノードの高さまたは高さ補正パラメータを再計算しないので、方法１００より効率的である。
[00462] 方法２００'は、以下のMDBフィールドを含むがこれらに限定されない、方法１００によって使用されなかった１つまたは複数のデータベースまたはフィールドに依拠することができる。
MW_NODES − new field P_COUNT integer - holds CNj, total number of times we got pressure value for Node Nj - init to 0.
MW_NODES − replace field ELEVATION with field PRESSURE - holds PNj - average pressure height (instead of elevation), init to NotAvailable.
SQL formula/view: convert PRESSURE to ELEVATION using the standard formula, where ambient pressure = 101300[Pascal] (standard pressure)
[00463] 方法２００'は、新しいセッションおよび前のセッションに関連するデータの併合の前に実行するために、高度（高さ）学習段階の一部として、圧力前処理雑音低減アルゴリズムを定義するための高度（高さ）学習修正を含むことができる。
[00464] 以前のすべてのセッションに関連する圧力を読み、新しいセッションと以前のセッションの間で加重平均を生成する代わりに、方法２００' は、最後の平均PNjとそのカウンタCNjを保存する。Njはj番目の重複ノードである。Cnj−重複しているノードに関連付けられているセッションの数。
[00465] 方法１００では、DOAは最初からすべてのセッションにわたって実行され、これに続いてノードNで高度を得るためにAOAが実行される。一方、方法２００'は、本質的によりインクルメンタルに行われるかもしれない。新しいセッションSiとすると、この方法は、以前のセッションに関する統計を使用する。例えば、P（Nj、Sq）+DCOFF（Sq）の代わりにMW_NODESからのPNjなどである。このようにして、AOA結果も考慮に入れる。
[00466] 方法２００'では、関連付け段階（PNjの加重平均）がAOAではなくDOAで行われる
[00467] 方法２００' には、Delta_DCOFF（Si） の計算を含めることができ、− 各Njの異なるCNj に従って重み付けする必要がある。NjはSiの重複ノードである。
[00468] 方法２００'は、DCOFFがDOA段階中に更新されたセッションのIDを保持する、Modified Sessions(MS)（修正セッション）と呼ばれる新しいリストを使用することを含むことができる。これはAOA段階で使用される。
[00469] 方法２００'は、DOA段階の間にPNjが更新されたノードのIDを保持する修正ノード（MN）と呼ばれる新しいリストを追加することを含むことができる。これはAOA段階で使用される。
[00470] 方法２００'は、初期化ステップ２１０'に続くステップ２２０'を含み、（そのようなものが存在する場合）新しいセッションから得られる高度のような新しいノードの高度を定義し、（b）新しいセッションの他のノードの高さの推定を統合する。
[00471] ステップ２２０'は、セッション定数オフセット補正のステップ２４０'を含むことができる。
[00472] ステップ２４０'は、各セッション中に（２３２'）を使用すること、前のセッションに関連する統計、および新しいセッションに関連する情報を含むことができる。特に、−ステップ２４０'は、新しいセッションSiのためのオフセット更新の計算を含み、それらのCNjによって加重された、それらのPNjからのその重複ノードNjの偏差が、均等に配分する（または別の方法で配分する）ようにすることができる。
[00473] 想定ステータス:
SDBは、高度（高さ）学習および高度（高さ）併合段階（DOAおよびAOAの両方）の後にデータを持つN−１ セッションを保持する。
以前にアクセスした各ノードNj ごとのPNjと CNj 値は、MDBで更新される。
セッションSNは、高度（高さ）学習段階（ノードへのノイズ低減と圧力）を通過した。
[00474] 前提−高度（高さ）学習段階の後の新しいセッションSN
[00475] 目標
DCOFF（Sk）、k=１、２, ...,N−直前の各セッションの高度に追加する必要があるDCオフセットをアップデートし、互いに最適になるようにする
影響を受けるノードNjごとにPNjとCNj を更新− 「関連付け」
[00476] ステップ２４０'は、以下を含む。
Init:
Set default DCOFF for the new session - DCOFF(SN) = 0
Set propagation threshold: Emin = 2[Pascal] = ~17[cm]
Start with empty Modified Session and Modified Nodes list: NM and MS = {}
Start with processing the new session:
Insert SN into Queue
Process all modified sessions, until nothing to propagate
While Queue not empty
Get the next session to process: Si = top of Queue
Indicate for AOA that Si was modified - Add Si to MS list
Find the group of nodes {Nj} that exist in Si and in some other Session in SDB - Get OLNi
Assign - Mi = sizeof(OLNi)
Retrieve last set Pressure and Counters from MDB:
For each Nj in OLNSi - Get PNj and CNj from MW_NODES
Calculate total count of Nodes in OLNi TCi = sigma(j = 1, j <= Mi)[CNj]
Calculate offset update for session Si, so that deviation of its overlapping nodes Nj from their PNj, weighted by their CNj, will be evenly distributed:
Delta_DCOFF(Si) =
= (1 / TCi) * sigma(j = 1, j <= Mi)[CNj * (PNj − (P(Nj,Si) + DCOFF(Si)))]
= (1 / TCi) * sigma(j = 1, j <= Mi)[CNj * (PNj − P(Nj,Si))] − DCOFF(Si)
Check if change is substantial - if Delta_DCOFF(Si) > Emin
update offset of current processed session DCOFF(Si) += Delta_DCOFF(Si)
update MDB pressures for Nodes in OLNi - weighted average with the new value of Si - “welding” - for each Nj in OLNSi
PNj = (P(Nj,Si) + DCOFF(Si) + CNj * PNj) / (1 + CNj)
Add Node ID to Modified Nodes list - Add Nj to MN list
Find the sessions that might be affected due to PNj change - Get OLSi
Propagation - Go over the Sessions with potential to change:
For each Sk in OLSi:
Find the group of nodes {Nj}, common to Sk and Si -Get OLNSk,Si
Assign: Mk,i = sizeof(OLNSk,Si)
Calculate total count of the group OLNSk,Si-- TCk,i = sigma(j = 1, j <= Mk,i)[CNj]
Calculate the combined offset change for Sk:
Delta_DCOFF(Sk) =
= (1 / TCk,i) * sigma(j = 1, j <= Mk,i)[CNj * (PNj − (P(Nj,Sk) + DCOFF(Sk)))] = (1 / TCk,i) * sigma(j = 1, j <= Mk,i)[CNj * (PNj − P(Nj,Sk))] - DCOFF(Sk)
Check if this is a substantial change to DCOFF(Sk):
If (ABS (Delta_DCOFF(Sk)) > Emin) Update the DCOFF:
DCOFF(Sk) += Delta_DCOFF(Sk)
Add Sk to queue to check for furthur propagation - Insert Sk into end of Queue
End:
上記の変更に従って、SDBおよびMDBが更新されていることを確認する。
MSとMNを次のステージに送る−AOA
[00477] ステップ２４０'は、ステップ２４０を含むこともできる。ステップ２４０は、セッション間オフセット補正を含むことができる。
[00478] ACオフセットアルゴリズム
[00479] ACオフセットアルゴリズム（AOA）は、高度（気圧）を学習するために使用する信号を歪ませたり歪ませたりした可能性のある、時間と空間にわたる局所的な騒音と環境空気圧の変化を扱う。理念は、DOAがその仕事を終えた後、重複セッションの圧力が平準化されるべきであり、いかなるミスも上記の理由（時間および空間にわたる局所的なノイズおよびスキュー）の結果であるべきであるということである。
[00480] 雑音は、道路網内に「特異である」点が存在し得ないという仮定の下で問題にアプローチするヒューリスティックアプローチを適用することによって低減またはキャンセルされ、これは単一のノード（または複数のノード）がその隣接ノードに関して非常に大きな勾配を有することが不可能であることを意味する（すなわち、その高度がその隣接ノードのとは著しく異なることを意味する）。
[00481] 発見的問題解決法（ヒューリスティック）で、「関連付け点」（すなわち、異なるセッションにわたって共有され、したがって平均圧力値を有するノード）を検査し、関連付け前に道路が有していた形状を維持しようと試みる。このアプローチを理解するための例を見てみよう:
表記
Si − セッションi
Nj − ノードj
PNj − ノードの最終圧力Nj
− DOA後のノードNj の平均圧力（非関連付け点については、その元の圧力+ DCオフセット）
PNjSk − セッションSkにおけるノードNj の圧力（DCオフセットを無視）
Δjk − ノードJとノードKとの間の圧力差の変化（事実上、ノード間の勾配変化）
− ノードNj とNk の間のすべてのセッションにわたる平均圧力差は、両方ともに現れる。
Ejk − ノードNj からノードNk への有向エッジ
|Ejk| − エッジEjk を通ってノードNk に移動する累積コスト
dNj,Nk − Nj からNk までの運転距離
Derr − 誤差因子（関連付け誤差がどれだけ広がるべきかを定義する、デフォルト: 1m/1km）
[00482] 入力
{Welding Points} − DOAによって作成された関連付け点のノードidの集合
{Nodes} − ノードデータをそのIdにマッピングするハッシュ。
Graph − その周囲に「十分である」半径を有するすべての関連付け点を含むグラフであり、グラフ内の各頂点は道路ネットワーク内のノードを表し、各エッジは、その長さ（djk）および平均圧力差（
）を有する道路区間を表す。グラフは、最大高さ誤差が関連付け点（気象条件における最大差の下で）および伝播される最小誤差に関連すると仮定して構築されてもよい。
[00483] Allowed_Error − 各ノードが単一の関連付け点から吸収することを可能にする誤差（百分率で与えられる）出力
[00484] {Dirty Notes} − アルゴリズムによって更新されたすべてのノードの集合
[00485] データ構造
[00486] Graph − 入力として与えられると、グラフは、各関連付け点から道路網を横切ることを容易にする。グラフには、各エッジのdjkと
を格納していることに注意されたい。
[00487] {Traversal Front} − 現在の横断点（「波面(wave front)」）を記憶するために使用されるDS
[00488] 説明

[00489] データベース
[00490] AOAのデータを取得する
[00491] AOAを実行するためには、３つのデータ構造を事前に構築する必要がある:
{Welding Points}セット、mw_elevation_weldingsテーブルから読み取られる。
{Nodes}マップ、mw_elevation_weldingsテーブルとmw_nodesテーブルから読み取られたデータで構成される。
Graph − mw_topologyテーブル（エッジと距離）、およびmw_slopesテーブル（ノード間の平均圧力差）からデータを読み取る特別なスネーククエリによって作成される。
[00492] データの永続

[00493] 高度層関連付け
[00494] 図７は、方法４００'を示す。方法４００'は、高度層関連付けを含む。方法４００'は、方法１００および２００'のいずれか一方に取って代わってもよく、および／または方法１００および２００'のいずれか一方に含まれてもよい。
[00495] 方法４００'は、ステップ４１０'およびステップ４２０'を含むことができる。
[00496] ステップ４１０'は、重複ノードに関連する圧力値を計算することを含む。
[00497] このステップでは、DOA後圧力のすべてが計算される（すなわち、DCステージで移動したセッションによってタッチされたすべてのノードの圧力）。なお、このステップは、容易に並列化することができる。
[00498] 入力
[00499] ノードのセッションへのマッピング− 各ノードNj∈{OLN}のそれを通過するセッションの集合にマッピングする。たとえば、
No − {Sl, Sm...Sn}
Nj+1 − {Sx, Sy...Sz}
Updated Sessions −DOAないで移動したすべてのセッション
[00500] 外れ値カットオフ幅（Cmax）
[00501] 出力
[00502] ハッシュ:{node_id => node}
[00503] ステップ４２０'は、重複ノードを含むセッションの数を計算し、十分なセッションがある場合、重複ノード圧力値統計を計算し、異常値を除去することを含むことができる。空のノードハッシュの作成: {Dirty Nodes}
[00504]

[00505] ステップ４２０'は、永続的な統合結果を含む。
[00506] 関連付け点は、AOAが一旦実行されるとそれらを読み取ることができるように、保存されるべきである。
[00507] 入力:
{Dirty Nodes}−ノードオブジェクトへのノードID間のマッピング、変更されたノードを含む。
[00508] プロセス:
ノードNj∈{ Dirty Nodes }ごとに
mw_elevation_weldingsテーブルにNjついての次の情報を保存（upsert）する:
関連付け情報:
関連付け圧力
関連付け標準偏差
関連付け回数
関連付けポイント:真（Njが関連付け点の場合）
一般情報:
平均圧力
標準偏差（外れ値を含む）
1. カウント（異常値を含む）
[00509] 高度検証
[00510] 上述の方法のうちの１つまたは複数は、１つまたは複数のアルゴリズムの結果を、調査車両を使用して、可変ピッチで、特定の経路に沿って行われた測定から得られた詳細な高度（標高）情報と比較することによって検証された。
[00511] 定義と仮定
[00512] フィルタ:
MW Serverで定義されたノードの傾きと傾きを比較する
LPFを使用して、入力高度から勾配を生成する
ノード位置の周りのサイズ６０［m］のウィンドウの線形外挿、隣接ノードのMW高度値のためのもの、および正確な高度測定のための第２のものは、勾配を比較するための２つの勾配をもたらす
[00513] 仮定:
誤差は、元の傾きパーセンテージと、同じポイントで測定されたMWの傾きパーセンテージとの差として定義される。したがって、エラー単位は［%］である。
誤差の分布はガウス分布である。これは、同じ場所で大量のセッションを併合する場合である。
[00514] 測定誤差:
a. 標準偏差（Sigma−１)− 結果の７０%がそれより良好である勾配誤差値［%］
b. Sigma−２−勾配エラー値［%］ 結果の９５% がそれよりも優れている
[00515] データ収束を実証するために、以下の集合について上記を測定する:
a. パスに沿った単一セッション（ランダムに選択）
b. パスに沿った４セッション（ランダムに選択）
c. パスに沿った１０セッション（ランダムに選択）
d. 我々は、１０セッションの結果がビッグデータ数に十分近いと仮定する。
[00516] ノイズキャンセリング／リダクションを実証するために、上記を測定する:
a. ノイズキャンセル／リダクション前
b. ノイズキャンセリング／リダクション後
[00517] 図８は、道路区間の２つのシーケンスに関連する高さ測定値と、関連付け誤差とを示す。
[00518] 重複ノード４１は、道路区間１１、１５、１６、１７、１８のシーケンスと、道路区間１２、１３、１４のシーケンスとによって共有される。
[00519] 曲線５１１'は、道路区間１１、１５、１６、１７及び１８のシーケンスについて得られた高さ測定値を示す。
[00520] 曲線５１２'は、道路区間１２、１３、１４のシーケンスについて得られた高さ測定値を示している。
[00521] 曲線５１１'における重複ノード４１の高さは、H１１ ５０１'で示される。
[00522] 曲線５１２'における重複ノード４１の高さは、H１２ ５０２'で示される。
[00523] 曲線５１１'および５１２'における重複ノード４１の高さの間に関連付け誤差WE ５３１'があり、したがって、両方の曲線における重複ノード４０２の高さが修正されるべきであり、それによって、両方の曲線５１１'および５１２'の高さ測定値全体が修正される。関連付け誤差は、種々のノード間で伝播され、それによって、曲線５１１'および５１２'は上向きおよび／または下向きに移動されるだけでなく、それらの形状は関連付け誤差の伝播に応じて修正されてもよく、または関連付け誤差が関連付け誤差を生成した重複ノードと更新されたノードとの間の距離の関数としてノードに適用されるかどうかに応じて修正されてもよい。
[00524] 図９は、本発明の一実施形態による方法７００を示す。
[00525] 方法７００は、複数の気圧計測定値を提供するために、内部車両圧力を受信または測定するステップ７１０によって開始することができる。測定は、車両の気圧計によって、および車両が道路区間を通過する間の所与のドライブセッション中に実行される。
[00526] ステップ７１０の後に、複数の補償（補正）された気圧計測定値を提供するために、コンピュータによって、気圧計に影響を及ぼす車両状態を補償（補正）するステップ７２０が続くことができる。
[00527] ステップ７２０は、以下のうちの少なくとも１つを含むことができる:
a. 気圧計および気圧計とは異なる少なくとも１つの他の車両センサによって提供される情報に基づいて、気圧計に影響を及ぼす車両状態のための補償（補正）を行う。少なくとも１つの他の車両センサは、加速度計であってもなくてもよい。
b. 気圧計測定値のローパスフィルタリングを実行する。
c. 気圧計測定値の少なくともいくつかを無視することを決定する。
d. 気圧計測定値の少なくともいくつかを無視することを決定する。
e. ２つの地点に関連する気圧計測定値によって反映されるように、２つの地点の間に広がる道路部分の勾配が最大勾配閾値を超えるときに、気圧計測定値のうちの少なくともいくつかを無視することを決定する。
f. 少なくとも１つの気圧計測定値の値に気圧計影響事象の効果を計算する。
g. 気圧計の測定が行われたときに、車両の加速度および／または加速度に応答して補償（補正）を実行する。
[00528] 非常にノイズの多い、および／または気圧計影響事象によって強く影響される、および／または別に不合理な勾配（道路の勾配に反する勾配、例えば、９０度、約７０度に近い勾配など）を示すと疑われる気圧計測定値を無視すると、高さ推定値の精度が劇的に向上することが分かっている。道路区間に関連する気圧計測定値の拒絶は、同じ道路区間に関連する他の気圧計測定値を、別の時点で、および／または別の車両などから受信するのを待つことによって補償（補正）することができる。数時間、数日、数週間などにわたる複数の気圧計測定にわたる方法７００の実行は、欠落データを埋める。
[00529] ステップ７２０の後に、複数の補償された気圧計測定値を提供するために、コンピュータによって、気圧計に影響を及ぼす車両状態を補償するステップ７３０が続くことができる。
[00530] ステップ７３０はのうちの少なくとも１つを含むことができる:
a. 重複ノードの検索、各重複ノードは同じ場所に対応し、複数のセッションに属する。
b. 同じ重複ノードに関連する異なるセッションの高さ推定値を実質的に等しくするための関連付けプロセスを実行する。
c. 関連付けプロセス中に導入された重複ノードの高さ推定値の変化に基づいて、重複していないノードの高さ推定値を変化させる。
d. 予め定義された高さ調整分布に従ってセッションに沿って高さ調整を分配することによって、重なり合わないノードの高さ推定値を変更する。所定の高さ調整分布は、任意の分布、均等または不均等な分布高さ調整分布とすることができる。
e. 重複ノードを関連付けすることなく、重複ノード間の高さの差を低減することによって、セッション定数オフセット補正を実行する。
f. 関連付けプロセスを適用することによってセッション間オフセット補正を実行する。
g. 重複ノードに関連する高さ推定値の統計値を計算し、統計値に基づいて１つまたは複数の高さ推定値を拒絶する。
[00531] この方法は、複数の補償された気圧計測定値を、車両の外側に位置するコンピュータ化されたシステムに送信するステップを含むことができ、併合は、コンピュータ化されたシステムによって実行される。
[00532] 併合の少なくとも一部は、車両のコンピュータによって実行される。
[00533] 方法７００は、非常に正確であり、車両に既に設置されている単純な不正確な気圧計を使用する。方法７００は、道路区間当たりの気圧測定値がわずかしか収集されなかった場合でも、正確な高さ推定を提供する。
[00534] 約１パーセントの精度（経路区間の高さに関連する１パーセントまでの高さ誤差）は、経路区間を３回通過するときに得られた有効な（拒絶されない）気圧計測定値を処理するときに達成された。
[00535] 約０．５パーセントの精度は、経路区間を７回通過するときに得られた有効な（拒絶されていない）気圧計測定値を処理するときに達成された。
[00536] 約０．３パーセントの精度は、経路区間を１５回通過するときに得られた有効な（拒絶されてない）気圧計測定値を処理するときに達成された。
[00537] これらの精度は、英国のOxford Technical Solutions Ltd.のRT３０００のような高価な専用装置を使用した場合に得られる高さ測定精度に匹敵する。
[00538] 物理事象の測定
[00539] 図１２は、複数の道路区間に関連する物理事象を測定するための方法１０'の一例を示す。
[00540] 方法１０'は、車両に設置された様々な構成要素、システム、またはユニットによって実行されてもよい。
[00541] 方法１０'は、第１の車両センサによって第１のパラメータセットを測定するステップ２０'から開始することができる。測定は、車両が複数の道路区間を走行している間に行われる。
[00542] 測定は、連続的または非連続的な方法で実行されてもよい。この測定は、道路区間ごとに複数の時点（複数の位置の使用）で実行することができる。
[00543] したがって、第１のパラメータセットは、複数の道路区間の道路区間当たりの複数の位置について測定されてもよい。
[00544] 測定は、毎秒１０回、さらには１００回の測定を超える速度で実行されてもよい。例えば、車輪速度は、任意の速度、特に少なくとも１００ヘルツの速度で検出することができる。任意の他のレートを使用することができる。３軸加速度計は、任意の速度で、特に少なくとも１００ヘルツの速度で読み取ることができる。気圧計は、任意の速度で、特に少なくとも２０ヘルツの速度で読み取ることができる。
[00545] 第１のパラメータセットは、道路画像センサではないセンサによって測定することができる。道路画像センサは、道路区間の画像を取得するための専用のイメージセンサである。例えば、道路画像センサは、車両の前方の領域の画像を取得する主要なタスクを有するカメラであってもよい。
[00546] 複数の道路区間は、車両が１つの道路区間から他の道路区間に移動することができるという意味で、互いにリンクされている。道路区間の数は、２、数十、数百、さらには数千の間の範囲であってもよい。
[00547] 第１のパラメータセットは、車両ホイール移動パラメータ及び車両加速度パラメータを含むことができる。
[00548] 車両は、複数の車輪を含んでもよい。複数の車輪は、駆動輪、非駆動輪、または両方の組み合わせを含んでもよい。２×４車両では、２つの車輪は駆動輪であり、２つの車輪は非駆動輪である。４×４車両（４×４モードで動作する場合）では、すべての車輪を駆動輪とみなすことができる。
[00549] 車輪運動パラメータは、車両の全ての車輪又は車両の少なくとも幾つかの車輪の回転を反映することができる。
[00550] 説明を簡単にするために、以下を仮定する。
a. 車両は、前部右輪、前部左輪、後部右輪および後部右輪を含むものとする。
b. 車両は、後輪駆動構成を有し、後輪は駆動輪である。
c. ４つの車輪すべての車輪運動パラメータが監視される。
[00551] これらは、単に非限定的な仮定であり、本方法は、これらの仮定にかかわらず適用可能である。例えば、本方法は、４×４車両上の任意の数の車輪、任意の数の監視される車輪、前輪駆動構成、および／または任意の数の車輪および／または駆動構成に適用可能である。
[00552] 方法１０'は、また、車両および／または道路区間に関する追加情報を取得するステップ３０'を含んでもよい。
[00553] 追加情報は、車両の位置情報と、追加の車両パラメータとを含むことができる。位置情報は、車両の経度位置、および車両の緯度位置、すなわち車線、さらには車線内の位置を含むことができる。位置情報は、GPS(位置の非常に大まかな推定値を提供する）、画像センサなどの１つまたは複数のセンサを使用することによって計算することができる。
[00554] 追加情報は、位置合わせターゲットの位置を含むことができる。位置合わせターゲットは、仮想走行距離計誤差をリセットするために使用されてもよい。例えば、走行距離計は、車輪速度の積分に基づいて更新することができる。それにもかかわらず、車輪は滑ることがあり、予想されるものとは異なる実際の有効半径を有することがあり、その結果、走行距離計は距離誤差を蓄積することがある。これらの距離誤差はリセットされてもよく、実際の有効半径は隣接する位置合わせターゲット間の距離に基づいて決定される。
[00555] 車輪（ホイール）の実際の有効半径は、車両ホイールがフルターンを完了したときに車両が通過する実際の距離を表す。実際の有効半径は、ホイールの空気圧、ホイールの重量などの影響を受ける可能性がある。
[00556] ステップ２０'の後に、車両コンピュータによって、複数の道路区間上の走行に関連する検出物理事象を検出するステップ４０'が続くことができ、検出は第１のパラメータセットに基づく。
[00557] 検出物理事象の非限定的な例には、衝突、スリップ、横滑り、スピン、緯度スピン、および経度スピンが含まれ得る。各物理事象は２進値によって表すことができ、例えば、３ビットは、衝突、スリップ、横滑り、スピン、緯度スピン、および経度スピンからの各事象のタイプを表すことができる。
[00558] 衝突−前のレベルよりも高いエレメントにぶつかる。
例:隆起に踏み入れる、穴から踏み出す。
[00559] 衝突は、以下によって検出することができる:
a. 駆動輪−急激な瞬間的な速度低下。
b. 非駆動輪−急激な瞬間的な速度低下。
c. 加速度計−XおよびZの表示、ハイパスフィルタ（HPF）に続く。
d. 気圧計−急激な高さの増加。
[00560] スリップ−前のレベルより低いエレメントに踏み入れる。例:穴に踏み入れる、隆起から踏み出す。
[00561] スリップは、次のようにして検出することができる:
a. 駆動輪−急激な瞬間的な速度上昇。
b. 非駆動輪−わずかな瞬間速度低下。
c. 加速度計−XおよびZの表示、HPFに続く。
d. 気圧計−急激な高さの減少。
[00562] 横滑り−同じ高さでより悪いグリップに入ったときのタイヤ表面グリップの損失。例:氷／油のこぼれ／砂利／水たまりへの踏み込み、表面高さは変化しない。
[00563] スリップは、次のようにして検出することができる:
a. 駆動輪−急激な（ただし、瞬間的ではない）速度上昇
b. 非駆動輪−徐々に速度が低下する。落下速度は、軸摩擦と共に増加する。
[00564] スピン−同じ高さでより良好なグリップを入力するときのタイヤ表面グリップの利得。
例−氷／油のこぼれ／砂利から、表面の高さが変わらない良好なグリップ表面への脱出。
[00565] スピンは、以下の式によって検出することができる:
a. 駆動輪−急激な（しかし瞬間的ではない）速度低下。
b. 非駆動輪−緩やかな速度増加。増加率は軸摩擦と共に低下する。
[00566] 緯度スピン−車両のY−Z平面運動、その定常運動の上で。例−１つの車輪で道路のへこみ（凹または凸）に乗り込む／乗り越える。
[00567] 緯度スピンは、以下の式によって検出することができる:
a. 駆動輪−明確な速度変化はない。
b. 非駆動輪−明確な速度変化はない。
c. 加速度計−Y−Z上の別個の動きベクトル:
[00568] 緯度スピンは、衝突またはスリップよりも時間的に長い。
[00569] 緯度スピンに関連する加速度計の読み取り値は、衝突またはスリップよりも小さい。
[00570] 緯度スピン−定常状態の動きに加えて、車両のX−Z平面の動き。例−２つの車輪を備えた道路のへこみ（凹または凸）への踏み込み／乗り越え。
[00571] 緯度スピンは、以下の式によって検出することができる:
a. 駆動輪−明確な速度変化なし。
b. 非駆動輪−明確な速度変化はない。
c. 加速度計−X−Z上の別個の動きベクトル
[00572] 経度スピンは、衝突またはスリップよりも時間が長い。
[00573] 経度スピンに関連する加速度計の読み取り値は、衝突またはスリップよりも小さい。
[00574] ステップ３０'および４０'の後に、検出された物理事象に関する物理事象情報を生成するステップ５０'を続けることができる。
[00575] 物理事象情報には、物理事象とその場所が含まれる場合がある。
[00576] 物理事象の位置は、物理事象を示す第１のパラメータのセットが測定された時点における車両の位置と、物理事象に関連する車両の構成要素の位置とに基づいて計算されてもよい。
[00577] ステップ５０'の後に、物理事象情報の記憶、送信、および処理のうちの少なくとも１つを実行するステップ９０'を続けることができる。物理事象情報は送信および／または記憶される前に、さらに処理されてもよい。
[00578] ステップ２０'および３０'の後に、道路区間属性を計算するステップ６０'を続けることもできる。
[00579] 道路区間毎に複数の物理事象が検出され得るが、道路区間属性は道路区間全体を表す。道路区間属性の例は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりを含むことができる。
[00580] 各道路区間属性は、道路区間の異なる位置で行われた読み取り値に任意の関数（統計関数、特に平均化関数など）を適用することによって計算することができる。
[00581] 道路区間を含む道路区間のグループの曲率を参照する。迂回および湾曲した曲がりは、道路区間のグループによって表すことができる。回り道またはカーブした曲がりの曲率は、道路区間のグループの曲率によって表される。
[00582] 道路区間のグループの曲率は、グループに属する道路区間の半径および数、または道路区間のグループの任意の他の指示（総長など）を含むことができる。
[00583] 道路区間のグループの曲率を圧縮された方法で記憶するために、曲率はグループの特定の道路区間（例えば、第１の道路区間）に関連して記憶されてもよく、追加情報は、曲率にも関連付けられるべき道路区間のグループのサイズを示してもよい。
[00584] ステップ６０'の後に、道路区間属性に基づいて道路区間情報を生成するステップ８０'を続けることができる。道路区間情報は、道路区間属性の集合であってもよい。
[00585] ステップ８０'はまた、道路区間情報を記憶し、送信し、さらに処理することのうちの少なくとも１つを実行することを含むことができる。道路区間情報は、送信および／または記憶される前に更に処理されてもよい。
[00586] ステップ８０'及び９０'は、道路区間情報及び物理事象情報が処理、記憶及び送信の同じプロセスを経ることができるという意味で組み合わされてもよい。
[00587] 例えば、この方法は、参照情報と方法１０'中に収集された情報との間の違い−差分のみを送信することによって、車両から送信される情報の量を低減することができる。
[00588] 例えば、ステップ８０'及び９０'は、以下を含むことができる:
a. （a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報を含む、複数の道路区間の参照マップと、（b）物理事象情報との間の差分を計算し、差分のうちの少なくともいくつかを送信する。
b. 車両から差分を送信するかどうかを決定する。差が有意でない場合、それらは送信されないことがある。
[00589] ステップ５０'の後には、参照マップおよび物理事象情報に基づいて車両の位置を決定するステップ１００'も続くことができる。
[00590] 図１３は、複数の道路区間に関連する物理事象を測定する方法１１'の一例を示す。
[00591] 方法１１'は、仮想センサ読み取り値を計算するステップ７０'を含む点で方法１０'と異なり、第１のパラメータセットと、おそらくは車両内に存在しない仮想センサの出力を生成するための追加の情報とを併合する。仮想センサ読み取り値は、ステップ８０'および９０のいずれか一方で処理および／または送信および／または記憶されてもよい。
[00592] 方法１１'は、車両の位置を決定するステップ１００'の後に車両の進行を追跡するステップ１０２'を含む点で、方法１０'とは異なる。
[00593] ステップ１００'および／またはステップ１０２'は例えば、物理事象情報および／または道路区間属性により正確な位置を提供することによって、ステップ８０'および／または９０'に影響を及ぼすことができる。さらに別の例では、正確な位置情報を使用して、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と物理事象情報との間の差、および／または（b）ステップ６０中に計算された参照道路区間属性と道路区間属性との間の差−マップデルタを計算することができる。
[00594] 方法１１'は、車両の位置および参照マップに基づいて運転指示および／または運転提案を生成するステップ１０４'を含む点で、方法１０'とは異なる。運転提案は車両の運転者に向けることができ、一方、運転指示は、自律車両モジュールなどの車両の様々な構成要素に供給することができる。
[00595] 例えば、自律車両モジュールは、車両が次の道路区間を走行するときに、道路区間属性および近い将来に発生する物理事象に一致する（または実質的に一致する）値に車両の速度を設定することができる。これは、燃料消費を増大させ、および／またはブレーキの負荷を減少させることができる。
[00596] 再びステップ１００'を参照すると、ステップ１００'は、参照マップ及び物理事象情報に基づいて車両の位置を決定することを含む。
[00597] 参照マップは、１つまたは複数の車両から取得された情報、および／または道路区間および物理事象に関する他の情報源（物理事象の位置を含むが、これに限定されない）を含む。
[00598] 例えば、参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、複数の道路区間に関連する参照道路区間属性とを含むことができる。
[00599] 参照マップは、方法１０の間に収集された情報に基づいて更新され得る。
[00600] 参照マップは、道路区間および／または道路区間に関連する物理事象に関する情報の任意の配置または集合とすることができる。
[00601] 参照マップは、あらかじめ定義された地理的領域またはエリアにわたる道路をカバーすることができる。
[00602] ステップ１００'は、検出された物理事象のシーケンスに一致する物理事象の参照シーケンスを参照マップ内で検索することを含んでもよい。
[00603] 一致は、物理事象の順序、物理事象間の相対距離が互いに等しいこと、または許容可能なエラー範囲内にあることを必要とし得る。
[00604] 物理事象は、強制的な物理事象および任意の物理事象に分類されてもよいことに留意されたい。
[00605] 強制的な物理事象は、道路区間内に位置し、道路区間を通過するときに車両によって感知されなければならない物理事象である。例えば、道路区間の全幅に沿って伸びる著しい隆起を検知しなければならない。
[00606] 任意の物理事象は、道路区間内に位置し、道路区間を通過するときに車両によって感知されてもされなくてもよい物理事象である。例えば、道路区間を走行するときにバイパスされ得る小さな穴は、感知されてもされなくてもよい。
[00607] この一致は、強制的な物理事象の順序、強制的な物理事象間の相対距離が互いに等しいこと、または許容可能なエラー範囲内にあることを必要とし得る。
[00608] 物理事象は、正規化された大きさによって特徴付けることができる。大きさは、サスペンション、構成、重量など、車両ごとに異なるパラメータが補償（補正）されるという意味で正規化される。正規化は同じ道路区間を通過するときに異なる車両によって感知された情報を比較し、車両の重量を推定することなどを含むことができる。
[00609] 一致プロセスおよび／または正規化プロセスは、ニューラルネットワーク、深層学習、ファジー論理などの任意の一致技法を適用することによって実行することができる。
[00610] 検索は、参照マップ全体または参照マップの一部内で実行することができる。参照マップの一部は、車両の位置に関する推定値に基づいて、マップ全体から選択されてもよい。推定値は、限定されるものではないが、全地球測位システム（GPS）のような位置システムによって提供されてもよい。
[00611] GPSシステムの分解能および／または精度は、通常、車両の正確な位置を提供するのに十分ではなく、したがって、GPS位置が知られている場合でも、方法は依然として参照マップを使用しなければならない。
[00612] 図１４は、参照マップ６００'を示す。
[00613] 参照マップ６００'は、基本層６１０'、固定層６２０'、固定サイズ疎層、および可変サイズ疎層６４０'を含む。層の数、層のタイプ、各層の内容は、図１４に示すものとは異なっていてもよい。
[00614] 図１４〜１７は、以下の定義を用いて例示される:
a. ノード − ウェイ（Ｗａｙ）の基本要素。ノードは所定の最大距離（例えば、数十メートル）まで互いに離間されてもよい。方向または勾配が変化しているノードを定義することもできる。
b. ジャンクションポインタ − ジャンクションノードに関連するポインタ。異なるジャンクションノードは、ジャンクションからの異なる出口に関連付けられる。
c. ウェイ（Ｗａｙ） − ノードの順序付きコレクション。
d. 道路区間−２つの隣接するノードによって区切られる道路の一部。
[00615] 道路区間およびノードは、交換可能な方法で使用されてもよく、例えば、道路区間に関する情報は、道路区間を開始するか、または道路区間を終了するノードに関連付けられてもよいことに留意されたい。
[00616] 基本層６１０'は、複数の道路区間の位置及び複数の道路区間間の空間的関係に関する情報を記憶することができる。図１４では、この情報が基礎となるように配置されている。
[00617] 基本層６１０'は、複数の基本ウェイ情報ユニットを含む。各基本ウェイ情報ユニットは、ウェイに属する道路区間の位置に関する情報と、ウェイに属する道路区間間の空間的関係とを含むことができる。基本ウェイ情報ユニットは、道路区間の勾配、および次のウェイを指し示す（または検索を可能にする）ポインタ（または他の検索情報）などの追加の基本情報を含むことができる。追加の基本情報は、方法ヘッダなど、様々な形式で格納することができる。
[00618] ウェイヘッダは、ウェイの方向−双方向、単方向−順方向、および単方向−逆方向、ウェイ速度制限、ウェイ長などの情報を含むことができる。
[00619] 基本層は、ターンカウンタ、すなわち、運転者毎、車両毎、運転者グループ毎、車両グループ毎、期間毎、及びどのターンが行われたか等の統計を記憶することもできる。ターンカウンタは、デスティネーションが提供されている場合、またはデスティネーションが提供されていない場合でも、運転者の経路の予測に役立つ。経路は、Google地図および／またはWazeなどのナビゲーションアプリケーションからシステムに供給されてもよい。
[00620] 固定層６２０'は、道路の任意の道路区間に関する固定サイズの追加参照情報の複数のユニットを含む。各ユニットは、各道路区間に関する情報を含むことができる。
[00621] 固定サイズ疎層６３０'および可変サイズ疎層６４０'は、各ウェイの各道路区間に関連付けられていない情報を含む。これらの層間の差は、それらの情報ユニットのサイズ、すなわち固定サイズユニット（固定サイズ疎層６３０'に属する）または可変サイズユニット（可変サイズ疎層６４０'に属する）にある。
[00622] 例えば、一部の区間は、道路の直線部分に属し、一部の道路区間は、道路の曲線部分に属する場合がある。曲率属性は、道路の湾曲部分に属する道路区間にのみ関連付けられてもよい。さらに、道路の湾曲部分に属する各道路区間に曲率属性を割り当てる代わりに、曲率属性を道路区間のうちの１つに割り当てることができ、同じ曲率属性を共有する他の道路区間の数に関する情報も含むことができる。
[00623] 固定サイズ疎層６３０'は、道路の道路区間がないか、または道路区間のみに関する固定サイズ追加参照情報の複数のユニットを含む。（情報を持たない）空のユニットは、テーブルから省略されてもよい。
[00624] 可変サイズ疎層６４０'は、ウェイの道路区間がないか、または道路区間のみに関する可変サイズ追加参照情報の複数のユニットを含む。（情報を持たない）空のユニットは、テーブルから省略されてもよい。
[00625] 従って、疎層（６３０'及び６４０'）の各々におけるユニットの数は、基本層６１０'及び固定層６２０'のユニットの数よりも少なくてもよい（更にはるかに少なくてもよい）。
[00626] 可変サイズ疎層６４０'および／または固定サイズ疎層６３０'の情報ユニットは、基本層および／または固定層内の対応するユニットのアドレスにハッシュ関数を適用することによってアクセスされ得る。任意の他の記憶装置を適用することができる。ハッシュ衝突回避ポリシーおよび／またはハッシュ衝突解決ポリシーが適用されることがある。たとえば、同じハッシュ値のデータユニットは、連結された方法であっても、互いに近くに格納できる。
[00627] 各層の各情報単位、または情報単位の一部を形成する情報でさえ、アクセス制御ポリシーに従うことができる。
[00628] 例えば、ある情報ユニットはプライベートにタグ付けされ、他の情報ユニットはパブリックとしてタグ付けされ、プライベートおよびパブリックよりも多くのアクセス制御レベルが存在し得る。例えば、個人情報は、車両または車両の運転者に関連する運転パターンに関する情報を含み、パブリックフィールドを含む。
[00629] プライベート情報は、他の車両と共有されなくてもよく、または他のアクセス制御規則に従われてもよい。
[00630] 情報ユニットまたは情報ユニットの一部には、フラグが設定されたり、タグが付けられたり、アクセスコントロールポリシーに関連付けられているとマークされたりする場合がある。
[00631] 道路区間当たりの物理事象の数は、道路区間ごとに異なり得るので、物理事象情報は可変サイズ追加参照情報に含まれてもよい。
[00632] 図１５は、ステップ１００'を示す。
[00633] ステップ１００'は、検出された物理事象のシーケンスに適合する物理事象の参照シーケンスを参照マップ内で検索するステップ１１０'を含むことができる。
[00634] ステップ１１０'は、基本層をスキャンするステップ１１２'と、スキャンされた基本層にリンクされた可変サイズ疎層内のイベントの参照シーケンスをスキャンするステップ１１４'とを含むことができる。
[00635] 図５および図６は、道路、道路区間、ウェイおよびノードの例を示す。
[00636] ウェイ４０１（図１７の）は双方向であり、方向ごとに１つのレーンを含み、道路部分１１１を「カバー」する。ウェイ４０１は、ノードによって区切られた道路区間を含む。
[00637] ウェイ４０２（図１７の）は双方向であり、方向ごとに１つのレーンを含み、道路部分１１２を「カバー」する。ウェイ２０２は、道路区間２２２および３２２と、ノード２２１、２２３および３２１および３２３とを含む。
[00638] 道路部分１１１、１１２、１１３、１１５は、ジャンクション１２０によって区切られている。
[00639] ウェイ４０３（図１７の）は、双方向であり、方向ごとに１つのレーンを含み、道路部分１１３を「カバー」する。ウェイ４０３は、ノードによって区切られた道路区間を含む。
[00640] ウェイ４０４（図１７の）は、双方向であり、方向ごとに２つのレーンを含み、道路部分１１４を「カバー」する。ウェイ４０４は、ノードによって区切られた道路区間を含む。
[00641] ウェイ４０５（図１７の）は、双方向であり、方向ごとに１つのレーンを含み、道路部分１１５、道路部分１１６、道路部分１１７、および道路部分１１８を「カバー」する。ウェイ４０５は、ノードによって区切られた道路区間を含む。道路部分１１７は湾曲している。道路部分１１７の１つのレーンは、道路区間２７２、２７４、２７６および２７８と、ノード２７１、２７３、２７５、２７７および２７９とによって表される。道路部分１１７の別のレーンは、道路区間３７２、３７４、３７６、３７８、およびノード３７１、３７３、３７５、３７７、３７９によって表される。
[00642] ウェイ４０９（図１７の）は、双方向であり、方向ごとに１つのレーンを含み、道路部分１１９を「カバー」する。ウェイ４０９は、ノードによって区切られた道路区間を含む。
[00643] ウェイ４０９'（図１７の）は、双方向であり、方向ごとに１つのレーンを含み、道路部分１１９'を「カバー」する。ウェイ４０９'は、ノードによって区切られた道路区間を含む。
[00644] 道路部分１１８、１１９、１１９'は、ジャンクション１２１によって画定されている。
[00645] 道路部分１１７に属する道路区間のみが曲率属性を有する。曲率属性は（３７１、３７３、３７５、３７７および３７９）および／または（２７１、２７３、２７５、２７７および２７９）の最初または最後のノードに関連付けられてもよく、追加情報はこの曲率を共有するノードの数（５つ）を示してもよい。
[00646] 図１６は、道路区間２２２が穴２４３、単一レーンに沿って延在する隆起２４２、両方のレーンを横切って延在する別の隆起２４１、および単一レーンに沿って延在する滑りやすい道路セクション２４４などの障害物を含むことを示す。
[00647] 道路区間２２２のレーンのうちの１つを走行するときに車両が経験する物理事象は、検出された物理事象情報によって、または参照物理事象情報によって表される。
[00648] 図１８は、車両の底部を示し、特に、第１の車輪W１ ５０１の座標（X１,Y１）、第２の車輪W２ ５０２の座標（X１,Y１）、第３の車輪W３ ５０３の座標（X３,Y３）、第４の車輪W４ ５０４の座標（X４,Y４）、W１とW２との間に結合された第１の車軸の中心５０５の座標（X５,Y５）、およびW３とW４との間に結合された第２の車軸の座標（X６,Y６）を含む車両の様々な構成要素間の空間関係を示す。
[00649] 物理事象は１つの車輪によって経験されてもよく、この場合、物理事象の位置はその車輪の位置に起因してもよく、または複数の車輪（例えば、一対の前輪または一対の第２の車輪）によって起因してもよく、それは、両方の車輪の位置に起因してもよく（例えば、隆起と衝突する場合）、または軸の中心の位置に起因してもよい（例えば、スライドする場合）。
[00650] 衝突、スリップ、横滑り、およびスピンなどの物理事象の例では、物理事象に遭遇する各ホイールに物理事象が関連付けられる。例えば、両方の前輪がほぼ同時に同じタイプの物理事象に遭遇した場合、２つの前輪に対する２つの物理事象属性が生成される。
[00651] さらに別の例では、緯度スピンおよび経度スピンが（車両が前方に移動すると仮定して）車両の前輪間のアクセルの中央に起因し得る。
[00652] 物理事象情報は、イベントの正規化された大きさを含んでもよい。正規化は、サスペンション、構成、重量など、車両ごとに異なるパラメータを補償することを含むことができる。
[00653] 図１９は、車両の重量に基づく較正係数を適用することを含む正規化プロセスの一例を提供する曲線７００'を示す。第１のパラメータセットの異なるパラメータは、異なる較正係数を受けることができる。
[00654] 正規化プロセスは、重量、パッチサイズ、速度（スイングの主要な正規化ファクタであり得る）、励振（加速度、減速度、曲線）、ホイールベース距離（前後、左右）、およびサスペンションを考慮に入れることができる。
[00655] 図２０'は、車両５１、ネットワーク５９０、およびコンピュータ化されたシステム５９２の例を示す。
[00656] 車両５１は、どのような種類の車両であってもよい。
[00657] 図２０は、車両を、第１の車輪W１ ５０１、第２の車輪W２ ５０２、第３の車輪W３ ５０３、第４の車輪W４ ５０４、第１の車輪センサWS ５１１、第２の車輪センサWS ５１２、第３の車輪センサWS ５１３、第４の車輪センサWS ５１４、加速度計５１５、気圧計５１６、他のセンサ５１７、車両コンピュータ５５０、プロセッサ５５２、メモリモジュール５５４、通信モジュール（CM）５４２、およびマンマシンインターフェース（MMI）５４０を含むものとして示す。
[00658] MMI５４０は、運転提案などの情報を運転者に提供することができる。
[00659] 気圧計５１６は、車両５１の前部に位置するように示されている。気圧計は、車両５０内の任意の位置に配置することができる。１つ以上の気圧計があってもよい。
[00660] 加速度計５１５は、３軸加速度計であってもよい。
[00661] 他のセンサ５１７は、車両および／または道路状態に関連する様々なパラメータを感知することができる。他のセンサ５１７は、速度計、温度計、エンジンセンサ（燃料消費センサなど）、または任意の他のセンサのうちの少なくとも１つを含むことができる。
[00662] 車両コンピュータ５５０は、車両の様々な構成要素および／またはシステムの状態を監視することができ、車両の様々な構成要素および／またはシステムを制御することができ、本明細書に示す方法のいずれかの実行に関与することも、関与しないこともできる。
[00663] 通信モジュール５４２は、ネットワーク５９０を介してコンピュータ化システム５９２と通信することができる。
[00664] 通信モジュール５４２は、近距離通信モジュール、無線周波数通信モジュールなどの長距離通信モジュール、衛星通信モジュール、セルラー通信ネットワークなどとすることができる。
[00665] 車両コンピュータ５５０は、プロセッサおよびメモリユニットを含むことができる。プロセッサはハードウェアコンポーネントを含むことができ、汎用プロセッサ、画像プロセッサ、ハードウェアアクセラレータ、FPGA、ASICなどとすることができる。メモリユニットは、不揮発性メモリであってもよい。
[00666] コンピュータ化システム５９２は、クラウドコンピューティング環境内に配置することができ、１つまたは複数のサーバまたはコンピュータの任意の組合せを含むことができる。
[00667] 処理、計算等（および本出願に示されているようなもの）を含む任意のステップは、車両コンピュータ５５０、プロセッサ５５２、および／またはコンピュータ化システム５９２によって実行することができる。
[00668] メモリノジュール５５４は、参照マップを記憶することができる。車両の様々な構成要素は、方法１０'および／または方法１１'を実行することができる。
[00669] 図２１は、方法８００の一例を示す。
[00670] 方法８００は、車両内または車両外部に配置され得るコンピュータ化されたシステムによって実行されてもよい。
[00671] 方法８００は、通信インターフェースによって、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを複数の車両から受信するステップ８１０によって開始することができ、道路区間属性は、領域に属する道路区間に関連付けられる。
[00672] 領域は、あらかじめ定義された任意の領域であってもよく、それは都市の一部、都市全体、国の一部、国全体、複数の国の一部、複数の国、さらには世界全体を含んでもよい。
[00673] その情報は、異なる車両から同時に、または異なる時点で受信されてもよい。異なる車両からの情報は、異なる道路区間又は同じ道路区間を参照することができる。異なる車両によって報告される情報に関連する道路区間間に部分的な重複が存在することがある。
[00674] 複数の車両のうちの１つの車両の物理事象情報は、車両の第１の車両センサによって感知される第１のパラメータセットに基づく。
[00675] 第１のパラメータセットは、車両ホイール移動パラメータ及び車両加速度パラメータを含み、第１の車両センサは、道路画像センサとは異なる。
[00676] 検出された物理事象は、例えば、少なくとも１つ以上の衝突、スリップ、横滑り、スピン、緯度スピン、及び経度スピンを含むことができる。
[00677] 第１の車両センサは、加速度計および複数の車輪運動センサを含むことができる。
[00678] 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含むことができる。
[00679] 検出された物理事象情報および道路区間属性は、非常にコンパクトであり、それらは、制限されたサイズ（フィールド当たり数バイトの大きさ）の少数のフィールドを含むことができ、画像ベースのロケーションに使用される画像に必要とされるサイズのほんの一部である。したがって、参照マップは、非常に小さくてもよく、したがって、道路の非常に正確な記述を提供しながら、通信資源、計算資源、および記憶資源を節約する。
[00680] 第１のパラメータセットは、道路区間の視覚情報とは異なり、道路区間の視覚情報に関連する誤差とは異なる誤差を含むことができる。これらのタイプの情報を併合することにより、視覚情報と、ステップ８１０および８２０の間に収集された情報との両方の誤差を低減することができる。
[00681] 第１のパラメータセットに基づく物理事象の検出は、不正確な視覚情報に基づく推定を実行するよりもはるかに正確である。
[00682] 方法８００は、視覚センサが動作するのを妨げる条件（霧、砂嵐、大雨など）の下でも使用することができる。
[00683] 情報（道路区間属性および／または物理事象情報）のコンパクトなサイズは、更新された情報の生成、更新された情報の記憶、および更新された情報の送信を容易にし、道路状態の変化後の追跡を容易にする。
[00684] ステップ８１０の後に、コンピュータ化されたシステムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算するステップ８２０が続くことができる。
[00685] 参照マップは、領域のセグメントに関連する参照物理事象情報と、領域の道路区間に関連する参照道路区間属性とを含む。
[00686] 参照マップは、最初に生成され、その後更新されてもよい。更新は、連続的に又は非連続的に行うことができる。更新は、ステップ８２０からステップ８１０への矢印によって表すことができる。
[00687] そのマップは、車両によって取得された更新された情報と比較することができる参照データを含むという意味で、参照マップと呼ばれる。比較は参照マップ更新中に、および／または車両がコンピュータ化されたシステムに送信されるデルタを生成するときに実行されてもよい。
[00688] デルタは、道路区間属性および／または物理事象情報と参照マップとの間の差である。
[00689] ステップ８２０は、デルタに含まれる関連する道路区間属性および／または物理事象情報のみを更新することを含むことができる。
[00690] 参照マップは、図１４の参照マップであってもよいが、参照マップは別の構造を有してもよく、異なる情報を記憶してもよい。
[00691] 参照マップは、複数の道路区間の位置及び複数の道路区間間の空間的関係に関する情報を記憶する基本層を含むことができる。
[00692] 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を格納する層を含むことができる。
[00693] 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶する基本層と、（b）複数の道路区間の道路区間のいくつかのみに関する追加情報を含む１つまたは複数の疎層とを含むことができ、１つまたは複数の疎層は基本層にリンクされる。
[00694] 参照マップは、固定フィールドサイズ疎層および可変サイズ疎層を含むことができ、可変サイズ疎層は、参照物理事象情報を含むことができる。
[00695] 参照マップは、車両または車両の運転者に関連する運転パターンに関する情報を記憶するプライベートフィールドを含むことができ、パブリックフィールドを含むことができる。
[00696] 物理事象情報は、検出された物理事象の正規化された大きさを含むことができる。
[00697] 車両プロファイル
[00698] コンパクトな車両プロファイルを提供することができる。車両プロファイルのコンパクトなサイズは、更新された車両プロファイルの生成、車両プロファイルの保存、および車両プロファイルの送信を容易にする。車両プロファイルは、限られた量の計算リソースおよび／またはメモリリソースのみを使用して生成および／または更新されてもよい。
[00699] 車両プロファイルは、さらに圧縮され、それによって、そのメモリ占有面積をさらに減少させることができる。
[00700] 図２２は、方法９００の一例を示す。
[00701] 方法９００は、車両プロファイル情報候補を収集するステップ９１０によって開始することができ、車両プロファイル情報候補は、異なる道路経路および車両パラメータに関連する燃料消費情報を含む。道路経路および車両パラメータの少なくともいくつかは、道路画像センサとは異なる第１の車両センサによって感知される。
[00702] 収集することは、第１の車両センサによって道路経路車両パラメータを感知すること、車両コンピュータによって感知されたパラメータに関する情報を受信すること、車両の外部に位置するコンピュータ化されたシステムなどを含むことができる。
[00703] 第１の車両センサの非限定的な例は、２０１７年９月１０日に出願された米国仮特許出願第６２／５５６，４４３号および第６２／５５６４４４号に例示されている。
[00704] ステップ９１０は、定常状態候補を検索することを含むことができる。
[00705] 定常状態候補は、車両が定常状態に達した後、定常状態から出る前の情報を表す候補である。
[00706] 車両が所定の期間同じ加速度を維持した後、車両が所定の期間同じ速度を維持した後、または車両が所定の期間同じアイドル減速を維持した後に、定常状態が得られる。所定の期間は、任意の長さ、例えば数秒、特に５秒とすることができる。
[00707] 巡航のための定常状態に関連する所定の期間は、加速のための定常状態に関連する所定の期間と同じであってもよいし、異なっていてもよい。
[00708] 巡航のための定常状態に関連する所定の期間は、アイドル減速のための定常状態に関連する所定の期間と同じであってもよいし、異なっていてもよい。
[00709] アイドル減速のための定常状態に関連する所定の期間は、加速のための定常状態に関連する所定の期間と同じであってもよいし、異なっていてもよい。
[00710] 加速定常状態は、車両が開始速度にあるときに開始することができ、車両が開始速度を所定量（例えば、５km／h、または任意の他の値）だけ上回る所定の速度に達したときに終了することができる。
[00711] アイドル減速定常状態は、車両が開始速度にあるときに開始することができ、車両が開始速度よりも特定量（例えば、５km／h、または任意の他の値）だけ低いある速度に達したときに終了することができる。
[00712] 特定量は、所定量と同じであってもよいし、所定量と異なっていてもよい。
[00713] アイドル減速データ構造は、開始速度のみ、所定の速度のみ、または開始速度と所定の速度の両方を記憶することができる。
[00714] 加速度データ構造は、開始速度のみ、特定の速度のみ、または開始速度と特定の速度の両方を記憶することができる。
[00715] ステップ９１０の後に、少なくとも車両プロファイル情報候補に基づいて車両プロファイルを生成するステップ９２０が続くことができる。
[00716] 車両プロファイルは、以下から構成されてもよく、本質的に構成されてもよく、または以下を含んでもよい:
[00717] 道路経路および車両パラメータの第１のセットの異なる値に対する車両の等速移動に関連する巡航燃料消費パラメータの値に関する巡航情報を含む巡航データ構造。
[00718] 車両のアイドル減速に関連するアイドル減速距離値の値に関するアイドル減速情報を、道路経路および車両パラメータの第２のセットの異なる値に対して含むアイドル減速データ構造。
[00719] 道路経路および車両パラメータの第３のセットの異なる値に対する車両の一定の加速度に関連する加速度燃料消費パラメータの値に関する加速度情報を含む加速度データ構造。
[00720] 巡航データ構造は、道路経路及び車両パラメータの第１のセットの値の異なる組み合わせに対する巡航燃料消費パラメータの値から構成されてもよく、本質的に構成されてもよく、又はその値を含んでもよい。
[00721] 第１のセットの道路経路および車両パラメータは、車両速度、道路区間勾配、車両重量、および１つまたは複数の伝送システムパラメータを含むことができ、これらから構成することができ、またはこれらから本質的に構成することができる。
[00722] 変速機システムパラメータは、ギアおよびスロットル位置を含むことができ、ギアおよびスロットル位置から構成することができ、またはギアおよびスロットル位置から本質的に構成することができる。
[00723] アイドル減速データ構造は、アイドル減速距離の値を含んでもよく、それから構成されてもよく、または本質的にそれから構成されてもよい。アイドル減速は、車両のブレーキの使用を伴わない減速を意味し得る。
[00724] 第２のセットの道路経路および車両パラメータは、始動車両速度、道路区間勾配、および車両重量を含むことができ、これらから構成することができ、またはこれらから本質的に構成することができる。
[00725] 第２のセットの道路経路および車両パラメータは、始動車両速度、道路区間勾配、および車両重量、ならびに１つまたは複数の変速機システムパラメータを含むことができ、それらから構成することができ、またはそれらから本質的に構成することができる。
[00726] 変速機システムパラメータは、ギアを含んでもよく、ギアから構成されてもよく、またはギアから本質的に構成されてもよい。
[00727] 巡行データ構造は、加速燃料消費パラメータの値を含んでもよく、それから構成されてもよく、または本質的にそれから構成されてもよい。加速燃料消費パラメータは、ある距離当たりの平均瞬間燃料消費および／または平均燃料消費であってもよい。そして／または１００キロメートルあたりのリットルでの燃料消費でもよい。
[00728] 第３のセットの道路経路および車両パラメータは、始動車両速度、道路区間勾配、車両重量、加速距離、および１つまたは複数の変速機システムパラメータを含むことができ、これらから構成することができ、またはこれらから本質的に構成することができる。
[00729] 変速機システムパラメータは、ギアおよびスロットル位置を含むことができ、ギアおよびスロットル位置から構成することができ、またはギアおよびスロットル位置から本質的に構成することができる。
[00730] ステップ９２０は、経路区間の勾配と、（i）経路区間の２つの端部間の高さの差と（ii）経路区間の水平投影の長さの比との比較に基づいて、車両プロファイル情報候補を拒絶することを含むことができる。
[00731] ステップ９２０の後に、車両プロファイルに基づいて車両を動的にクラスタリングするステップ９３０を続けることができる。
[00732] ステップ９３０は、各クラスタについてクラスタプロファイルを計算することを含むことができる。クラスタプロファイルは、クラスタ巡航データ構造、クラスタアイドル減速データ構造、およびクラスタ加速データ構造を含むことができ、それらから構成することができ、またはそれらから本質的に構成することができる。
[00733] クラスタ巡航データ構造は、クラスタの車両の少なくとも一部の巡航データ構造を表す。クラスタ巡航データ構造は、統計関数、加重平均などの任意の関数を使用して計算することができるが、これらに限定されるものではない。
[00734] クラスタアイドル減速データ構造は、クラスタの車両の少なくとも一部のアイドル減速データ構造を表す。クラスタアイドル減速データ構造は、統計関数、加重平均などの任意の関数を使用して計算することができるが、これらに限定されるものではない。
[00735] クラスタ加速度データ構造は、クラスタの車両の少なくとも一部の加速度データ構造を表す。クラスタ加速度データ構造は、統計関数、加重平均などの任意の関数を使用して計算することができるが、これらに限定されるものではない。
[00736] ステップ９３０は、巡行データ構造、アイドル減速データ構造、及び加速データ構造のうち少なくとも１つを含む可能性のあるクラスタプロファイルに基づいて更新することを含んでいる。
[00737] ステップ９２０および／または９３０の後に、車両プロファイルを圧縮して圧縮車両プロファイルを生成するステップ９４０が続くことができる。
[00738] 圧縮車両プロファイルは、車両のメモリユニットおよび／または車両の外部のメモリユニットに記憶されてもよい。圧縮車両プロファイルは、車両に送信されてもよく、および／または車両の外部に送信されてもよい。
[00739] ステップ９４０は、以下のうちの少なくとも１つを含むことができる:
[00740] 従属道路経路と車両パラメータとの間の数学的関係を計算し、巡航データ構造、アイドル減速データ構造、および加速度データ構造のうちの少なくとも１つから、従属道路経路および車両パラメータのうちの少なくとも１つに関する情報を除去すること。
[00741] 車両速度のサブグループに関連する道路経路と車両パラメータの削除。例えば、経路区間当たりの最適速度を決定し、経路区間当たりの最適速度に関連する燃料消費パラメータのみを維持する。
[00742] １つまたは複数の道路経路および車両パラメータを、車両プロファイルのいずれか１つに格納することなく、キーとして使用。したがって、異なる燃料消費パラメータをデータベースに記憶することができ、１つまたは複数の道路経路および車両パラメータ（勾配および／または速度など）をキーとして使用してアクセスされる。
[00743] 数学的推定値を計算する非限定的な例が以下に示され、この例の少なくとも一部が、２０１７年９月１０日に出願された米国仮特許出願第６２／５５６，４４５号および第６２／５５６４４７号に示されている。
[00744] 以下のセクションは、勾配パラメータが車両の勾配および重量を反映するようにどのように修正され、それによって車両プロファイルから重量を除去して圧縮車両プロファイルを提供するかを示す。
[00745] 巡行データ構造に以下の圧縮を適用することができ、他のデータ構造（加速、アイドル減速）は、他の公式を使用して圧縮することができる:
[00746] 以下の要素を使用する:
[00747] mgΔh −燃料が高度ポテンシャルエネルギーに転換される。
[00748] m(v2 2-v1 2)/2 −燃料が運動エネルギーに転換される。
[00749] k2mx −摩擦（質量の影響）に転換されたエネルギー
[00750] k3xv2 −摩擦（抗力）に転換されたエネルギーを表す。
[00751] *巡行定常状態（すなわち、速度は一定であり、Tss秒の時間フレームである）のためのすべての計算に留意されたい。
[00752] 方程式の一方では、エネルギーはエンジンから出て行き、他方では:
[00753] EFuel −燃料エネルギーを表す。
[00754] 最後に、以下を得る:
[00755]
[00756] 定義:
[00757] K2−係数は、各セッションの終わりに与えられる。
[00758] x−合計距離（メートル）。ここでは、定常状態（すなわち、定常状態x=Vss*Tss）ごとに決定される。
[00759] S0 −パーセントで表した定常状態勾配
[00760] Δh −高度差（傾きとxから得られる）
[00761] m0 = (FW-EW)/2（VCTあたり）
[00762] mreal −現在のセッションの実際の推定ウェイト
[00763] Δm = mreal − m0 −質量変化（m0 から）
[00764] dh − 質量変化の結果である高度差の有効な変化
[00765] Snew −重み付きm0の新しい勾配（S0とΔmを考慮）
[00766] 勾配の関係とh
[00767]
[00768]
[00769] 勾配とエネルギー方程式の関係は次の通りである:
[00770]
[00771] Δmの追加と同じ燃料消費（ΔEFuel）を引き起こすdhを見つけたいので、解く必要がある:
[00772] (m0+Δm)gΔh+(m0+Δm)k2x = m0g(Δh+dh)+m0k2x
[00773] ΔmgΔh +Δmk2x = m0gdh -> dh = Δm/m0 (Δh +k2x/g)
[00774] ここで、新しい勾配は以下である:
[00775]
[00776] そこで、新しい有効勾配にマッピング(S0,m0,Δm,k2 )する関数を見いだした。
[00777] 道路区間の勾配が既知であると仮定すると、圧縮は、圧縮された車両プロファイルにおいて、道路区間の勾配に関連する情報のみを維持することを含むことができる。車両が経路区間のシーケンスを通過しようとしている場合、圧縮車両プロファイルは、シーケンスの経路区間の勾配のみに関連する情報を含むことができる。
[00778] 圧縮は最大速度限界を考慮に入れ、圧縮中に、最大速度限界を超える速度値に関する情報を除去することができる。
[00779] 例えば、ステップ９５０中に、コンピュータ化されたシステムが、車両の前方にある経路に関連する１つまたは複数の推奨運転パラメータ（速度、スロットル、およびギアなど）を生成した場合、圧縮は推奨パラメータを考慮に入れ、圧縮中に、他の運転パラメータに関連する情報を除去することができる。
[00780] ステップ９２０は、第１の道路経路及び車両パラメータの特定の値に対する巡行燃料消費パラメータの値を外挿することを含むことができる。外挿は、第１のセットの道路経路及び車両パラメータの特定の他の測定値に対する巡航燃料消費パラメータの値に応答することができる。
[00781] 外挿は、クラスタ車両クラスタから感知および／または取得された、または別の方法で推測または取得された道路経路および車両パラメータに基づいて感知されなかった道路経路および車両パラメータの値について、燃料消費またはアイドル減速距離（テーブルに依存する）をどのように推定するかの一例にすぎない。
[00782] 図２７は、巡行データ構造１０１０がデフォルト巡行情報１０１０'（予めプログラムされた値、または任意のデフォルト値、そのデフォルト値は車両−製造業者、モデル、年の任意のパラメータに基づいて擬似ランダムにランダムに生成されてもよい）、クラスタ巡行情報１０１０”、および／または実際の（測定された）巡行情報１０１０”を使用して生成および／または更新されてもよいことを示す。
[00783] アイドル減速度データ構造１０２０は、デフォルトアイドル減速度情報１０２０'（予めプログラムされた値、または任意のデフォルト値、そのデフォルト値は車両−製造業者、モデル、年の任意のパラメータに基づいて擬似ランダムにランダムに生成されてもよい）を使用して生成および／または更新することができ、デフォルト値は、車両の任意のパラメータ−製造業者、モデル、年）、クラスタアイドル減速度情報１０２０”、および／または実際の（測定された）アイドル減速度情報１０２０”を使用しておよび／または更新されてもよい。
[00784] 加速度データ構造１０３０は、デフォルト加速度情報１０３０'（予めプログラムされた値、または任意のデフォルト値、そのデフォルト値は車両−製造業者、モデル、年の任意のパラメータに基づいて擬似ランダムにランダムに生成されてもよい）、クラスタ加速度情報１０３０”、および／または実際の（測定された）加速度情報１０３０”を使用して生成および／または更新されてもよい。
[00785] 任意の推定値は、道路経路および車両パラメータの品質に反応することができる。品質は、任意の方法で決定することができる。例えば、複数回測定され、小さい配分（少なくともより低い品質を有する他の組み合わせの配分よりも小さい）を有する道路経路及び車両パラメータの値の組み合わせに、より高い品質を割り当てることができる。測定された燃料消費および／またはアイドル減速度値は、外挿値および／またはクラスタ値の対応する値よりも高い品質を有し得る。
[00786] 図２２に戻って参照すると、方法９００は、車両の前方にある経路のための１つまたは複数の運転パラメータを提案するステップ９５０を含むことができる。ステップ９５０は、少なくとも部分的に、車両プロファイル、経路部分の勾配、および最大速度制限などの外因性制約に基づく。
[00787] 方法９００の少なくとも１つのステップは、車両コンピュータによって、および／または車両の外側に位置するコンピュータ化されたシステムによって実行され得る。車両コンピュータおよびコンピュータ化されたシステムは、方法９００の実行中に互いに協働することができる。
[00788] 図２３〜２６は、車両プロファイルおよび車両プロファイルの様々なデータ構造の例を示す。
[00789] 図２３および図２４は、第１のセットの道路経路および車両パラメータ（１０１２）の異なる値に対する、車両の一定速度移動に関連するクルーズパラメータ（平均瞬間燃料消費１０１１など）の値に関する巡行情報を含むものとしての巡行データ構造１０１０を示す。第１のセットの道路経路及び車両パラメータは、例えば、速度、経路区間の勾配、車両の重量、ギア、及び平均スロットル位置を含むことができる。
[00790] Nvの異なる速度値（V１−Vnv）、Nsの異なる勾配値（S１−Sn）、Nwの異なる自動車重量値（W１−Wnw）、Ngの異なるギア位置値（G１−Gng）、Natpの異なる平均スロットル位置値（ATP１−ATPnatp）があると仮定すると、巡行データ構造はNv * Ns * Nw * Ng * Natpエントリまで含めることができる。
[00791] 図２４は、３つのエントリを示し、各エントリは、平均瞬間燃料消費（AVMFC）フィールド｛１０１１（１,１,１,１,１）、１０１１（１,１,１,１,２）および１０１１（nv、ns、nw、ng、natp）｝と、対応する関連車両および道路経路パラメータフィールド｛１０１２（１,１,１,１,１,１）、１０１２（１,１,１,１,１,２）、１０１２（nv、ns、nw、ng、natp）｝とを含む。
[00792] 図２３および図２５は、アイドル減速データ構造１０２０を、第２のセットの道路経路および車両パラメータ（１０２２）の異なる値に対する、車両のアイドル減速に関連するアイドル減速パラメータ（アイドル減速距離１０２１など）の値に関するアイドル減速情報を含むものとして示す。道路経路及び車両パラメータの第２のセットは、例えば、開始速度（アイドル減速を開始するときの速度）、経路区間の勾配、車両及びギアの重量を含むことができる。
[00793] Nv個の異なる開始速度値（V１−Vnv）、Ns個の異なる勾配値（S１−Sns）、Nw個の異なる車両重量値（W１−Wnw）、およびNg個の異なるギア位置値（G１−Gng）があると仮定すると、アイドル減速データ構造は、Nv * Ns * Nw * Ng個までのエントリを含むことができる。
[00794] 図２５は３つのエントリを示し、各エントリは、アイドル減速距離フィールド(IDS){１０２１（１,１,１,１）、１０２１（１,１,１,２）及び１０２１（nv、ns、nw、ng）｝と、対応する関連車両及び道路パラメータフィールド｛１０２２（１,１,１,１）、１０２２（１,１,１,２）及び１０２２（nv、ns、nw、ng）｝とを含む。
[00795] 図２３および図２６は、第３のセットの道路経路および車両パラメータ（１０３２）の異なる値についての、車両の一定の加速度移動に関連する加速度パラメータ（累積燃料消費１０３１など）の値に関する加速度情報を含むものとして、加速度データ構造１０３０を示す。第３のセットの道路経路及び車両パラメータは、例えば、開始速度、経路区間の勾配、加速度長さ、車両の重量、ギア、及び平均スロットル位置を含むことができる。
[00796] Nvの異なる速度値（V１−Vnv）、Nsの異なる勾配値（S１−Sns）、Nadの異なる加速距離（AD１−ADnad）、Nwの異なる車両重量値（W１−Wnw）、Ngの異なるギア位置値（G１−Gng）、Nat個の異なる平均スロットル位置値（ATP１−ATPnatp）があると仮定すると、加速データ構造は、Nv * Ns * Nad * Nw * Ng * Natpまでのエントリを含むことができる。
[00797] 図２６は、３つのエントリを示し、各エントリは、累積燃料消費（AFC）フィールド｛１０３１（１,１,１,１,１,１）、１０３１（１,１,１,１,１,２）および１０３１（nv、ns、nad、nw、ng、natp）｝と、対応する関連車両および道路経路パラメータフィールド｛１０３２（１,１,１,１,１,１）、１０３２（１,１,１,１,１,２）、１０３２（nv、ns、nad、nw、ng、natp）｝とを含む。
[00798] パラメータの値および粒度の非限定的な例を以下に示す:
[00799] 速度または開始速度は、０〜１４０Km／hの範囲で、粒度は１〜５Km／hなどであってもよい。
[00800] 勾配は、０．０５〜２度の間の粒度などで、マイナス２０とプラス２０の間の範囲であってもよい。
[00801] 重量は、０．５〜８パーセントの間の粒度なでで最大積載車両の１〜１００パーセントの範囲であってもよい。
[00802] ギアは、４〜１６の範囲であり、粒度は１である。
[00803] 平均スロットル位置は、０．５〜８パーセントの間の粒度などで最大開放スロットルの１〜１００パーセントの間の範囲であってもよい。
[00804] 平均瞬間燃料消費量は、０．０５〜１パーセントの粒度などで、０〜１２００リットル〜１００kmの範囲であってもよい。
[00805] 平均燃料消費量は、０〜２５５リットル／時の範囲であってもよく、粒度は０．５〜５リットル／時などであってもよい。
[00806] アイドル減速距離は、０．５〜５メートルの解像度で、０〜１０００メートルの範囲とすることができる。
[00807] 範囲および／または解像度は、１つのデータ構造と別のデータ構造との間で変化し得る。
[00808] 図２０は、車両５１、ネットワーク５９０、およびコンピュータ化されたシステム５９２の例を示す。
[00809] 車両５１は、どのような種類の車両であってもよい。
[00810] 車両５１は、任意のタイプの車両センサを含むことができる。車両センサの非限定的な例は、２０１７年９月１０日に出願された米国仮特許出願第６２／５５６，４４３号および第６２／５５６４４４号に例示されている。
[00811] 図２０は、車両を、第１の車輪W１ ５０１、第２の車輪W２ ５０２、第３の車輪W３ ５０３、第４の車輪W４ ５０４、第１の車輪センサWS ５１１、第２の車輪センサWS ５１２、第３の車輪センサWS ５１３、第４の車輪センサWS ５１４、加速度計５１５、気圧計５１６、他のセンサ５１７、車両コンピュータ５５０、プロセッサ５５２、メモリモジュール５５４、通信モジュール（CM）５４２、およびマンマシンインターフェース（MMI）５４０を含むものとして示す。
[00812] MMI ５４０は、運転提案などの情報を運転者に提供することができる。
[00813] 気圧計５１６は、車両５１の前部に位置するように示されている。気圧計は、車両５０内の任意の位置に配置することができる。１つ以上の気圧計があってもよい。
[00814] 加速度計５１５は、３軸加速度計であってもよい。
[00815] 他のセンサ５１７は、車両および／または道路状態に関連する様々なパラメータを感知することができる。他のセンサ５１７は、速度計、温度計、エンジンセンサ（燃料消費センサなど）、または任意の他のセンサのうちの少なくとも１つを含むことができる。
[00816] 車両コンピュータ５５０は、車両の様々な構成要素および／またはシステムの状態を監視することができ、車両の様々な構成要素および／またはシステムを制御することができ、本明細書に示す方法のいずれかの実行に関与することも、関与しないこともできる。
[00817] 通信モジュール５４２は、ネットワーク５９０を介してコンピュータ化システム５９２と通信することができる。
[00818] 通信モジュール５４２は、近距離通信モジュール、無線周波数通信モジュールなどの長距離通信モジュール、衛星通信モジュール、セルラー通信ネットワークなどとすることができる。
[00819] 車両コンピュータ５５０は、プロセッサおよびメモリユニットを含むことができる。プロセッサは、ハードウェアコンポーネントを含むことができ、汎用プロセッサ、画像プロセッサ、ハードウェアアクセラレータ、FPGA、ASICなどとすることができる。メモリユニットは、不揮発性メモリであってもよい。
[00820] コンピュータ化システム５９２は、クラウドコンピューティング環境内に配置することができ、１つまたは複数のサーバまたはコンピュータの任意の組合せを含むことができる。
[00821] 処理、計算等（および本出願に示されている）を含む任意のステップは、車両コンピュータ５５０、プロセッサ５５２、および／またはコンピュータ化システム５９２によって実行することができる。
[00822] メモリノジュール５５４は、参照マップを記憶することができる。車両の様々な構成要素は、方法９００および／または１２００を実行することができる。
[00823] 図２８は、方法１２００を図示し、図９は、方法１２００を使用するときに得られる推奨される運転速度の例を図示する。
[00824] 方法１２００は、車両の前方にある経路に対する推奨運転パラメータを計算するためのものである。運転パラメータは、例えば、速度、スロットル位置、及びギアを含むことができる。
[00825] 方法１２００は、少なくとも部分的に、車両プロファイル、経路部分の傾斜、および最大速度制限、周囲気象などの外因性制約に基づく。
[00826] 方法１２００は、経路を部分に仮想的にセグメント化するステップ１２１０から開始することができる。各部分は、実質的に同じ傾斜および実質的に同じ外因性制約の１つまたは複数の経路区間を含むことができる。経路区間は、道路経路パラメータの微小単位であってもよい。道路区間は、例えば、１〜５０メートルの長さであってもよいが、他の長さを有する可能性がある。
[00827] ステップ１２１０の後には、車両プロファイルおよび部分の勾配と外因性制約に基づいて、将来の経路のための推奨される運転パラメータを計算するステップ１２２０が続くことができる。
[00828] この計算は、勾配および外因性制約に基づいて、その部分の最適速度を見つけるステップ１２２２を含むことができる。速度は、最小の燃料消費を提供するように選択されてもよく、経路全体にわたって最も速い通過をもたらしてもよく、および／または任意の他の制約に応答してもよいという意味で最適であってもよい。
[00829] この計算は、隣接する部分に関連する駆動パラメータに基づいて、その部分の開始時に固定加速期間を開始する部分運転プロファイル、最適速度での一定速度部分、およびその部分の終了時のアイドル減速を評価するステップ１２２４を含むことができる。
[00830] ステップ１２２０は、パットの終わりから始まり、車両が最後の区間の終わりにアイドル状態になると仮定して、バックプロパゲーティング方式で実行することができる。次いで、方法は、最適な速度に達するまで固定された加速期間で開始し、次いで、最後の部分の終わりで車両を停止させるためにアイドル減速を実行することによって、最後の部分を運転することができるかどうかを検査することを試みることができる。これは、前の部分の限界および外因性制約を考慮に入れるべきである。
[00831] バックプロパゲーティングは、先行部分および／または後続部分に関連するパラメータに基づいて、部分を通る運転プロファイルを決定することを含むことができる。
[00832] 図２９において、経路は、第１の部分P１ １２４１と、第２の部分P２ １２４２と、第３の部分P３ １２４３と、第４の部分P４ １２４４と、第５の部分P５ １２４５とを含む。
[00833] 各部分は、複数の経路区間を含むことができる。
[00834] 第１の部分P１ １２４１は、異なる勾配を有する経路区間をほとんど含まないが、勾配は実質的に同じである。（ドライブセッションを計算するための）第１の部分P１ １２４１に割り当てられた勾配は、勾配１ １２４１'と示され、第１の部分の経路区間の任意の勾配および／または高さの変化を反映することができる。
[00835] 第３の部分P３ １２４３および第４の部分P４ １２４４は同じ勾配を有するが、異なる最大速度限界V２対V１に関連する。
[00836] 提案された速度は、図９の下部に示されており、所望の運転プロファイル（台形形状プロファイル）を第４の部分から後方に逆伝播（バックプロパゲート）させることによって計算された。
[00837] 第１の部分の運転プロファイルは、固定加速度SV１ １２５１によって開始され、その後、固定速度巡航SV２ ２１５２が続く。この例では第１の部分が正の勾配を含み、アイドル減速は第２の部分の間に不必要な加速を必要とするように車両の速度を減少させる。
[00838] 第２の部分の運転プロファイルは、固定加速度SV３ １２５３から始まり、その後に固定速度巡航SV４ １２５４が続き、アイドル減速度SV５ １２４５で終わる。
[00839] 第３の部分の駆動プロファイルは、固定速度巡航SV６ １２５６から始まり、アイドル減速SV７ １２４７で終わる。第３および第４の区間は、負の勾配を有し、車両は第３の部分の終わりに最大速度限界に達し、ここでは、固定された加速度で第４の部分を開始する必要はない。第４の部分の最大速度限界は、第３の部分の最大速度限界よりも低く、比較的長いアイドル減速期間が第３の部分の終わりに必要とされる。
[00840] 第４の部分の運転プロファイルは、固定速度巡航SV８ １２５８によって開始し、アイドル減速SV９ １２４９で終了する。
[00841] 第５の部分の運転プロファイルは、固定速度巡航SV１０ １２５０によって開始し、アイドル減速SV１１ １２５１で終了し、その結果、経路の終わりで、車両は動いていない。
[00842] 経路は、異なる開始条件および終了条件に関連付けられてもよく、例えば、車両は、経路の終了時にアイドル（動いていない）状態でなくてもよいことに留意されたい。
[00843] 重量
[00844] 車両の重量は、様々な経路区間において車両によって消費されるエネルギーと、燃料消費によって得られるエネルギーとに基づいて評価することができる。
[00845] 車両の重量は、モータ効率関数に関連する仮定および燃料消費測定に関連する燃料消費誤差に基づいて評価することができる。モータ効率関数は、消費燃料と出力（機械的）エネルギーとの関係を表す。
[00846] 評価プロセスは、評価重量を計算するために使用された１つまたは複数の仮定が評価重量が与えられた場合に再評価され得る反復的な方法で実行され得る。同じ反復アプローチを、モータ効率関数の推定および／または燃料消費誤差に適用することができる。
[00847] 重量の評価プロセスおよび／または任意の推定プロセス（推定重量に基づく）は、任意の複雑さで、および／または任意のコンピュータ化されたシステムによって、車両コンピュータまたは車外サーバまたはコンピュータのいずれかによって行うことができる。例えば、車外コンピュータは、まず、膨大な数（数千以上）の測定値を使用してエネルギー係数を評価することができる。車両コンピュータは、最初に評価されたエネルギー係数を受信し、それらを（車両センサによって得られたより多くの測定値に加えて）使用して、車両の重量推定値を（リアルタイムでさえ）更新することができる。
[00848] エネルギー係数、モータ効率関数値、および／または特定の車両に関連する燃料消費誤差値の初期推定値または他の推定値は、同じクラスの車両に属する車両の挙動に基づくことができる。車両のクラスは、同じモデル、同じ製造業者、および／または同じ製造年の車両であってもよい。追加的に又は代替的に、車両は、車両の重量測定値に基づいて分類および／または再分類されてもよい。
[00849] 評価プロセスは、エネルギー係数の値、モータ効率関数値、および／または燃料消費誤差値の複数の組み合わせを調べることができる。
[00850] 任意の検索プロセスを適用することができる。組み合わせのセット全体が評価されてもよいし、組み合わせのセット全体の一部のみが評価されてもよい。
[00851] 検索プロセスは、経路区間に関連する品質特性を考慮に入れることができる。品質特性は、経路区間に関連する測定値をフィルタリングするために使用されてもよく、および／または別の方法で使用されてもよい。
[00852] 例えば、車両の重量は、燃料消費によって得られる仕事とエネルギーの評価に基づいて評価することができる。
[00853] 車両の重量は、学習期間（または学習期間）中に評価されてもよい。学習期間中、被監視車両は複数の経路を通過する。複数の経路は、経路区間に区間化することができる。
[00854] 燃料消費によって得られる仕事とエネルギーは、それぞれの経路区間ごとに推定することができる。
[00855] 燃料消費による仕事とエネルギーは、次の６つの要素で表すことができる:
a. m(v2 2-v1 2)/2 −燃料が運動エネルギーに転換される
b. mgΔh −燃料が高度ポテンシャルエネルギーに転換される
c. k1x − 摩擦に転換されたエネルギーを表す
d. k2mx − 摩擦（重量の影響）に転換されたエネルギーを表す
e. k3xv2 −摩擦（抗力）に転換されたエネルギーを表す
f. k4mxv2 −摩擦（重量を含む）に転換されたエネルギーを表す
[00856] 式の側では、車両のエンジンから出力されるエネルギー、エンジンの非効率性によるエネルギー損失を考慮に入れる：ame・fe・fuel −燃料エネルギーを表す。
[00857] 平衡方程式（エネルギー＝ポテンシャル利得+損失）を用いる:
ame・fe・fuel = m(v2 2-v1 2)/2 + mgΔh + k1x + k2mx + k3xv2 + k4mxv2
[00858] 車両の質量を抽出することができる:
[00859] 質量推定値は、重量推定値（重量=質量×g）に変換することができる。
[00860] エネルギー係数値の値は、任意の範囲にわたって、任意の分解能で評価することができる。例えば、k１は、０〜１万の範囲であってもよく、１０００（０、１０００、２０００、３０００...）の分解能（ステップ）で評価されてもよく、k２、k３およびk４のそれぞれは０〜１の範囲であってもよく、０．０１（０、０．０１、０．０２、０．０３...）の分解能で評価されてもよい。
[00861] 検索プロセスは、複数の経路区間についての重量推定値を計算することを含むことができる。複数の経路区間は、学習期間中に車両が通過したすべての経路のすべての経路区間、または経路区間のいくつかのみを含むことができる。
[00862] 経路区間は、不十分な品質などの１つまたは複数の理由のために無視（フィルタ除去）することができる。
[00863] 経路区間および／または品質特性のフィルタリングおよび／または割り当ての非限定的な例を以下に示す。
a. 経路区間は、（時間的に）比較的短くてもよく、例えば、半分（０．５分）未満であってもよい。経路の持続時間は、少なくともいくつかの変数が経路区間全体の間実質的に一定であり、単一のドライブセッション内に十分な有効経路区間を有することを期待して、十分なデータを得る必要性との間のトレードオフである。経路区間が長ければ長いほど、品質は高くなる。
b. 車両が降下した経路区間を無視する（または低品質を割り当てる）ことにより、制動損失を回避し、そのような経路区間では燃料がエンジンから遮断されるためである。
c. モータ回転数／分（RPM）−RPM差（経路区間の開始と終了との間）が大きいほど、品質が高くなる。
d. より大きな運動量を有する経路区間に、より高い品質を割り当てる（運動量は、経路区間の終わりにおける速度の二乗と経路区間の始まりにおける速度の二乗との間の差である）。（５０［m^２／秒^４］のような運動量閾値未満の）不十分な運動量は、無視され得るか、または非常に低い品質を割り当てられ得る）。
e. 速度が特定の速度しきい値（たとえば、約７０Km／hを超える）を超えた経路区間を無視する（または低品質を割り当てる）。これは、量子化誤差によるものである。
f. 全燃料消費率が閾値（例えば３［L／時］）を下回る経路区間を無視する（または低品質を割り当てる）。
g. 車両のより急な上昇を含む経路区間に、より高い品質レベルを割り当てる。
h. 車両の実質的な重量変化を可能にするのに十分な長さの停止を１つの経路に含めないようにする。例えば、５００キログラムの物品を降ろすことが２分間続く場合、少なくとも２分の長さであるそのような停止の発生は、２つの経路区間の間の境界をマークすることができる。
[00864] 提案された重量評価は正確であり、限られた計算資源を必要とすることがある。提案された重量評価は、車両センサによって実行される測定の不正確さを補償（補正）し、低コストの限られた精度のセンサを使用することを可能にする。
[00865] 図３０は、方法１００”を示す。
[00866] 方法１００”は、以下の式に従って、エネルギー係数値の異なる組み合わせに対する、および複数の経路区間の各経路区間に対する（特定のモータ効率関数および特定の燃料消費誤差補正関数を仮定した）重量推定値を決定するステップ１１０”から開始することができる。
[00867] ここで、「ame」は推定モータ効率関数の値であり、v2は経路区間の終点における車両の速度であり、v1は経路区間の始点における車両の速度であり、vは経路区間上を走行するときの車両の速度の少なくとも１つの値（例えば、平均速度）を表し、xは経路区間の長さであり、Δhは経路区間の終点と始点との間の高さの差であり、fuelは、経路区間に関連する誤差補正燃料消費量である。
[00868] ステップ１１０”は、複数の重量推定値を提供する。
[00869] 車両の推定重量を決定するために複数の重量推定値を分析するステップ１２０”は、ステップ１１０”の後に続くことができる。
[00870] 分析は、エネルギー係数値の複数の組合せを評価することを含むことができる。エネルギー係数値の複数の組み合わせは、エネルギー係数値の全ての可能な組み合わせ、又はエネルギー係数値の全ての可能な組み合わせのサブセットのみをカバーすることができる。どの組み合わせを評価するかを選択する任意の方法を提供することができる。
[00871] ステップ１２０”は、以下のうちの少なくとも１つを含むことができる。
a. （複数の組み合わせのうちの）エネルギー係数値の各組み合わせについて:
i.重量推定に関連する分布（配分）を計算する。分布（配分）は、エネルギー係数値の組み合わせを、複数の経路区間について受信された入力に適用することによって提供されてもよい。分布（配分）は重量推定値の分布（配分）とすることができ、経路区間の品質特性に応答する分布と（配分）することができ、経路区間の品質特性を無視する分布（配分）とすることができ、十分な品質の経路区間に関する情報のみを含むことができ、重量推定値の範囲に関連するビンに属する重量推定値の品質特性を表す値の分布とすることができ、重量推定値の範囲に関連するビンに属する重量推定値の品質特性の合計の値の分布とすることができる。例えば、分布が重量分布である場合、このステップは、複数の経路区間の各経路区間について、組合せを使用して重量推定値を計算することを含むことができる。
ii.１つ以上のクラスタを見つける（分布のそれぞれについて）。例として、車両の重量が学習期間中に変更されなかった場合、単一のクラスタを受信することが期待される。車両の典型的で区別可能な重量の数（エンプティまたはフルの場合）は、クラスタの数を決定することができる。
iii.クラスタの１つまたは複数の統計パラメータを決定する。例えば、統計的変動、クラスタの幅などである。
b. エネルギー係数値の異なる組み合わせ（異なる分布（配分）に関連する）の中から、エネルギー係数値の選択された組み合わせを選択する。選択は、エネルギー係数パラメータの選択された組合せに関連する分布のクラスタの１つまたは複数の統計パラメータに基づく。例えば、エネルギー係数値の選択された組み合わせは、最も統計的に有意なクラスタを有する分布（配分）を提供することができる。
c. エネルギー係数の選択された組合せを車両の評価された重量として使用するときに提供される重量推定値を使用する。重量推定値は、１つまたは複数の経路区間の重量推定値のうちの１つとすることができ、（エネルギー係数の選択された組合せを使用する場合に）異なる経路区間に関連する異なる重量推定値を表す（例えば、平均、中央値、または任意の他の表現とすることができる）などとすることができる。
[00872] ステップ１２０”は、経路区間の品質特性に反応することができる。例えば、重量推定値の分布は品質特性を表すことができ、および／または不十分な品質の経路区間を無視することができる。
[00873] ステップ１２０”の後に、車両の評価された重量に応答するステップ１３０”が続く。
[00874] ステップ１３０”は、１つ以上のステップを含むことができる。
a. 自律車両アプリケーションの更新。
b. 先進運転支援システム（Advanced Driver Assistance Systems (ADAS)）アプリケーションの更新。
c. 推定された重量を車両の運転者または別のエンティティ（車両管理者など）に報告する。
d. 評価された車両重量を用いて、モータ効率関数を検証またはより良好に推定する。
e. 車両の評価された重量を使用して、特定の燃料消費誤差補正関数を検証またはより良好に推定する。
f. 車両を特定のクラスの車両に分類する。
g. エネルギー係数値の選択された組合せと、車両によって得られた将来の測定値とを使用して、車両の将来の重量をリアルタイムで（車両コンピュータによっても）計算する。
[00875] 方法１００”は、専用の車両スケール等のような専用の高価な重量センサを使用することなく、車両の高精度な推定を提供する。高度に正確な重量推定は、車両の重量の測定に必要な資源を劇的に減少させる。この方法は、制約された機械学習および制約されていない機械学習を使用することができ、コンピュータ化されたリソースの使用に関して非常に効率的である。膨大な数の測定値および読み取り値をチェックすることによって、本方法は、不正確さを除去することができる。
[00876] 図３１は、車両（トラック１００など）と学習期間中に車両が走行する複数の経路１１６０”を示す。学習期間は、数時間、数日、数週間、数ヶ月、数年などにわたることができる。
[00877] 経路は、経路区間に区間化することができる。経路区間は、異なる長さであってもよく、等しい長さであってもよい。
[00878] 図３２は、モータ効率関数１１００の近似１１００の一例を示す。図３２において、x軸はRPMを表し、y軸は平均モータ効率を表す。
[00879] 近似１１００は、３つの頂点（１１０１、１１０２、および１１０３）と、２つのエッジ１１０４および１１０５とを含む。近似１１００のピークは頂点１１０２である。エッジ１１０４は、頂点１１０１および１１０２をリンクする。エッジ１１０５は、頂点１１０２および１１０３をリンクする。
[00880] 近似１１００は、係数a1、a2およびa3のようなモータ効率関数値によって、コンパクトな方法で表されてもよい。係数a3は、頂点１１０２の値とすることができる。係数a1は、エッジ１１０５の傾きの逆数であってもよい。係数a2は、エッジ１１０４の傾きの逆数とすることができる。
[00881] 近似の任意の他の表現を使用することができる。
[00882] モータ効率関数はギアに反応することができ、モータ効率関数は、ギア当たりの係数のセットによって表すことができることに留意されたい。
[00883] 図３３は、４８個の係数を含むテーブル１１５０を示し、１６個のギアのうちのそれぞれ１つにつき３つの係数、すなわち、a1,1からa16,3を含む。
[00884] 図３４は、モータ効率関数１１００の非線形近似１１１１の例を示す。
[00885] 図３５は、燃料消費誤差補正関数の概算１１４０の一例である。
[00886] 燃料消費誤差補正関数は、燃料消費量測定値の誤差を訂正する。
[00887] 図３５は、６つの区間を含む線形近似を示す。６つの区間は、f１、f２、f３、f４、f５およびf６ １１４１〜１１４６で示される開始値を有する。
[00888] 図３６は、重量推定に関連する分布のヒストグラム１１２０を示す。
[00889] ヒストグラムは、重量範囲に関連する複数のビンを含む。各ビンの値は、同じ重量範囲に関連する経路区間の品質特性の合計である。
[00890] 図３６は、２つの別個のクラスタ１１２１および１１２２を示す。
[00891] 図３７は、重量推定に関連する分布のヒストグラム１１３０を示す。
[00892] ヒストグラムは、重量範囲に関連する複数のビンを含む。各ビンの値は、同じ重量範囲に関連する経路区間の品質特性の合計である。
[00893] 図３７は、２つの別個のクラスタ１１３１および１１３２を示す。
[00894] 図３８は、方法２００”を示す。
[00895] 方法２００”は、以下の式に従って、（i）エネルギー係数値の異なる組み合わせについて、（ii）複数の経路区間の各経路区間について、（iii）異なるモータ効率関数値について、および（iv）異なる燃料消費誤差補正関数値について、重量推定値を決定するステップ２１０”から開始することができる。
[00896] ステップ２１０”は、（i）エネルギー係数値の異なる組み合わせについて、（ii）複数の経路区間の各経路区間について、および（iii）異なるモータ効率関数値（特定の燃料消費誤差補正関数が与えられる）について、重量推定値を決定することを含み得ることに留意されたい。
[00897] 代替的に、ステップ２１０”は、（i）エネルギー係数値の異なる組み合わせについて、（ii）複数の経路区間の各経路区間について、および（iii）異なる燃料消費誤差補正関数値（特定のモータ効率関数が与えられる）について、重量推定値を決定することを含むことができる。
[00898] ステップ２１０”は、複数の重量推定値を提供する。
[00899] 車両の推定重量を決定するために複数の重量推定値を分析するステップ２２０”は、ステップ２１０”の後に続くことができる。
[00900] ステップ２２０”は、以下のうちの少なくとも１つを含むことができる:
a. エネルギー係数値の組み合わせ毎に、各燃料消費誤差補正関数値と各モータ効率関数値とが設定される。
i.重量推定に関連する分布（配分）を計算する。分布は、エネルギー係数値の組み合わせを、複数の経路区間について受信された入力に適用することによって提供されてもよい。分布は重量推定値の分布とすることができ、経路区間の品質特性に反応する分布とすることができ、経路区間の品質特性を無視する分布とすることができ、十分な品質の経路区間に関する情報のみを含むことができ、重量推定値の範囲に関連するビンに属する重量推定値の品質特性を表す値の分布とすることができ、重量推定値の範囲に関連するビンに属する重量推定値の品質特性の合計の値の分布とすることができる。
ii.１つ以上のクラスタを見つける。例として、車両の重量が学習期間中に変更されなかった場合、単一のクラスタを受信することが期待される。車両の典型的で区別可能な重量の数（エンプティまたはフルの場合）は、クラスタの数を決定することができる。
iii.クラスタの１つまたは複数の統計パラメータを決定する。例えば、統計的変動、クラスタの幅などである。
b. 異なる組み合わせのエネルギー係数値、異なる燃料消費誤差補正関数値、および異なるモータ効率関数値（異なる分布に関連する）から、選択された組み合わせのエネルギー係数値、燃料消費誤差補正関数値、および異なるモータ効率関数値を選択する。選択は、クラスタの１つまたは複数の統計パラメータに基づく。例えば、エネルギー係数値、燃料消費誤差補正関数値、及び異なるモータ効率関数値の選択された組み合わせは、最も統計的に重要なクラスタを提供することができる。
c. エネルギー係数、燃料消費誤差補正関数値、および異なるモータ効率関数値の選択された組合せを使用するときに提供される重量推定値を、車両の評価重量として使用する。重量推定値は、１つまたは複数の経路区間の重量推定値のうちの１つとすることができ、（エネルギー係数の選択された組合せを使用する場合に）異なる経路区間に関連する異なる重量推定値を表す（例えば、平均、中央値、または任意の他の表現とすることができる）などとすることができる。
[00901] ステップ２２０”は、経路区間の品質特性に反応することができる。例えば、重量推定値の分布は品質特性を表すことができ、および／または不十分な品質の経路区間を無視することができる。
[00902] ステップ２２０”の後に、車両の評価された重量に応答するステップ２３０”が続く。
[00903] ステップ２３０”は、１つ以上のステップを含むことができる:
a. 自律車両アプリケーションの更新。
b. Advanced Driver Assistance Systems (ADAS)アプリケーションの更新。
c. 推定された重量を車両の運転者または別のエンティティ（車両管理者など）に報告する。
d. 評価された車両の重量を使用して、モータ効率関数を検証するか、またはより良く推定する。
e. 車両の評価された重量を使用して、特定の燃料消費誤差補正関数を検証またはより良好に推定する。
f. 車両を特定のクラスの車両に分類する。
[00904] 図３９は、方法３００”を示す。
[00905] 方法３００”は、車両センサによって車両のドライブセッションに関する車両センサ測定値を学習期間中に取得するステップ３１０”によって開始することができる。
[00906] 車両センサ測定値は、ドライブセッションに関連する経路の高さ測定値、ドライブセッションに関連する燃料消費量測定値、ドライビングセッションに関連する道路区間の長さ測定値を含むことができる。
[00907] ステップ３１０”の後に、車両センサ測定値に基づいて車両の評価重量を計算するステップ３２０”が続く。
[00908] 計算は、車両によって浪費されたエネルギーを示すエネルギー係数の値に基づいている。係数の非限定的な例は、上述のk１、k２、k３、およびk４である。
[00909] ステップ３２０”は、モータ効率関数および燃料消費量誤差補正関数のうちの少なくとも１つを見つけることを含んでもよい。
[00910] ステップ３２０”は、少なくとも１つの事前定義された統計的有意性基準を満たす車両の重量推定に関連する少なくとも１つの分布を提供するエネルギー係数の値を検索することを含み得る。
[00911] 所定の統計的有意性基準は、最大統計的有意性であってもよく、重量推定分布の少なくとも１つの最小標準偏差であってもよい
[00912] ステップ３２０”は、以下のステップのうちの少なくとも１つを含むことができる。
a. 経路のセットの複数の経路区間について、車両の評価された重量を決定することによって、エネルギー係数の値を評価する。
b. 以下の式に従って、複数の経路区間の各経路区間の重量推定値を決定する。
[00913] ステップ３２０”は、以下の少なくとも１つを含んでもよい。
a. 複数の経路区間の各経路区間について、およびエネルギー係数の異なる値について、重量推定値を決定する。
b. エネルギー係数の異なる値および異なるモータ効率関数値についての、複数の経路区間の各経路区間の重量推定値を決定する。
c. エネルギー係数の異なる値および異なる燃料消費誤差補正関数値についての、複数の経路区間の各経路区間の重量推定値を決定する。
d. エネルギー係数の異なる値、異なるモータ効率関数値、および異なる燃料消費誤差補正関数値に対する、複数の経路区間の各経路区間の推定値を決定する。
e. 品質特性を各重量推定値に関連付ける。
f. 品質特性を各重量推定値に関連付け、車両の重量推定値に関連する少なくとも１つの分布は、各重量推定値に割り当てられた品質特性に反応する。
g. 品質特性を各重量推定値に関連付け、車両の重量推定値に関連する少なくとも１つの分布は、ヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定の品質特性を表す値を有する。
h. 品質特性を各重量推定値に関連付け、車両の重量推定値に関連する少なくとも１つの分布は、ヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定の品質特性の合計を表す値を有する。
i. 車両センサ測定値の少なくともいくつかに品質特性を割り当てる。
j. 品質特性を、特定の経路区間の開始時および終了時における車両の速度に関連する差に基づいて、特定の経路区間に関連する車両センサ測定値に割り当てる。
k. 特定のドライブセッション中の車両の最大速度に基づいて、特定の経路区間に関連する車両センサ測定に品質特性を割り当てる。
l. 車両が下降した経路区間で得られた車両センサ測定値を無視する。
[00914] ステップ３２０”の後に、車両の評価された重量に応答するステップ３３０”が続く。
[00915] 方法１００”、２００”および３００”の任意の方法は、イベントなどに応答して、周期的に、周期的ではない反復的な方法で、いつでも、１回実行されてもよい。例えば、方法（または方法のうちの少なくとも１つ）は、車両の摩耗などの変化を補償するために、２ヶ月（または他の期間）ごとに実行されてもよい。
[00916] 方法のいずれか１つは、１つまたは複数の実際の重量測定値を受信するか、さもなければ取得することができ、車両の１つまたは複数の実際の重量測定値を考慮に入れることができる。
[00917] たとえば、エネルギー係数の任意の組み合わせ（および／またはモータ効率関数および／または燃料消費誤差補正関数に関連する任意の値）の選択は、１つまたは複数の実際の重量測定値を考慮に入れることができる。
[00918] したがって、方法１００”、２００”および３００”のいずれか１つは、制約付きまたは非制約付き学習プロセスとすることができる。制約は、１つ以上の実際の重量測定である。
[00919] 例えば、選択は、１つ以上の実際の重量測定値及び少なくとも１つの所定の統計的有意性基準に反応するコスト関数を適用することを含んでもよい。例えば、エネルギー係数（および／または、モータ効率関数および／または燃料消費誤差補正関数に関連する任意の値）の組み合わせを見つけると、一旦適用されると、１つまたは複数の実際の重量測定値に最も近く、最大の統計的有意性を有するクラスタ（例えば、最も狭いクラスタ）が得られる。
[00920] 任意の１つまたは方法１００”、２００”および３００”は、機械学習プロセス、特に深層学習プロセスを適用することを含むことができる。
[00921] 学習期間は、測定が行われる任意の期間とすることができ、測定値は、車両の重量を推定するために使用することができる。
[00922] 図４０は、車両５１と、ネットワーク１０７０と、コンピュータ化されたシステム１０８０とを示す。
[00923] 車両５１は、センサ１０４０などの車両センサ、メモリモジュール１０３０、プロセッサ１０１０を含む車両コンピュータ１０２０、マンマシンインターフェース１０５０、通信モジュール１０６０、および車輪W１〜W４ ５０１〜５０４を含むことができる。
[00924] マンマシンインターフェース（MMI）１０５０は、スクリーン、ホログラフィックスクリーン、スピーカ、カメラ、オーディオシステムおよび／またはオーディオビジュアルシステム、キーボードなどを含むことができる。
[00925] 車両５１は、どのような種類の車両であってもよい。
[00926] センサ１０４０は、少なくとも速度センサ、高さセンサ、距離センサ、および燃料消費センサを含むことができる。
[00927] センサ１０４０は、ドライブセッションに関連する経路の高さ測定値、（b）ドライブセッションに関連する燃料消費測定値、（c）ドライブセッションに関連する道路区間の長さ測定値を提供するように構成される。
[00928] センサ１０４０は例えば、加速度計、速度計、温度計、窓状態センサ、空気状態モジュール／ファン状態センサ、エンジンセンサ（燃料消費センサなど）、または任意の他のセンサのうちの少なくとも１つを含むことができる。
[00929] 車両コンピュータ１０２０は、車両の様々な構成要素および／またはシステムの状態を監視することができ、車両の様々な構成要素および／またはシステムを制御することができ、本明細書に示す方法のいずれかの実行に（プロセッサ１０１０を使用して）関与することができる。
[00930] 通信モジュール１０６０は、ネットワーク１０７０を介してコンピュータ化システム１０８０と通信することができる。
[00931] 通信モジュール１０６０は、近距離通信モジュール、無線周波数通信モジュールなどの長距離通信モジュール、衛星通信モジュール、セルラー通信ネットワークなどとすることができる。
[00932] 車両コンピュータ１０２０は、プロセッサおよびメモリユニットを含むことができる。プロセッサはハードウェアコンポーネントを含むことができ、汎用プロセッサ、画像プロセッサ、ハードウェアアクセラレータ、ＦＰＧＡ、ＡＳＩＣなどとすることができる。メモリユニットは、不揮発性メモリであってもよい。
[00933] コンピュータ化システム１０８０は、クラウドコンピューティング環境に配置され、１つまたは複数のサーバまたはコンピュータの任意の組合せを含むことができる。
[00934] 処理、計算等（及び本出願に示されている）を含む任意のステップは、車両コンピュータ１０２０、プロセッサ１０１０、および／またはコンピュータ化システム１０８０によって実行することができる。
[00935] 図４１は、車両５１と、ネットワーク１０７０と、コンピュータ化されたシステム１０８０とを示す。図１２では、プロセッサ１０１０は車両コンピュータ１０３０に含まれていない。車両コンピュータ１０３０は、上述の方法のいずれかの実行に関与しても、関与しなくてもよい。
[00936] 図４２は、車両５１と、ネットワーク１０７０と、コンピュータ化されたシステム１０８０とを示す。
[00937] 図４２では、センサ１０４０が燃料消費センサ１０４１と、加速度計１０４５と、気圧計１０４６と、４輪速度センサWS５１１〜５１４とを含む。
[00938] 限られた数のエネルギー係数と、モータ効率関数および燃料消費誤差補正関数のコンパクトな表現とに基づいて車両を特徴付けることは、ストレージ資源の点で非常に効率的である。
[00939] 図４３は、方法６００”を示す。
[00940] 方法６００”は、車両コンピュータ（車両内に配置された任意のコンピュータ）によって実行することができる。
[00941] 方法６００”は、車両によって浪費されるエネルギーを示すエネルギー係数の値を受信するステップ６１０”を含むことができ、エネルギー係数の値は、少なくとも部分的に車両の車両センサによって取得された車両センサ測定値に基づいて計算され、車両センサ測定値は車両のドライブセッション中に取得され、車両センサ測定値は、（a）ドライブセッションに関連する経路の高さ測定値と、（b）ドライブセッションに関連する燃料消費測定値と、（c）ドライブセッションに関連する道路区間の長さ測定値と、（d）ドライブセッションに関連する速度測定値とを含む。
[00942] ステップ６１０”はまた、（i）車両のモータ効率関数に関する情報を受信すること、および（ii）車両の燃料消費誤差補正関数に関する情報を受信することのうちの少なくとも１つを含むことができる。
[00943] ステップ６１０”の後には、新しいドライブセッション中に、および車両センサによって、新しいドライブセッションに関連する新しい車両センサ測定値を取得するステップ６２０”が続くことができる。
[00944] ステップ６２０”の後には、エネルギー係数の値および新しい車両センサ測定値に基づいて、車両コンピュータによって車両の重量を計算するステップ６３０”が続くことができる。
[00945] 計算は、（i）車両のモータ効率関数に関する情報、および（ii）車両の燃料消費誤差補正関数に関する情報のうちの少なくとも１つに応答することもできる。
[00946] モータ効率関数に関する情報は、コンパクトであってもよい。これは、モータ効率関数係数を含むことができる。そのような係数の様々な例は、上記の本文で提供される。
[00947] 燃費誤差補正機能に関する情報は、コンパクトであってもよい。これは、燃料消費誤差補正関数係数を含むことができる。そのような係数の様々な例は、上記の本文で提供される。
[00948] ステップ６３０”は、リアルタイムで、例えば、数秒以内、１分未満、数分以内などに実行されてもよい。
[00949] 方法６００”は、新しいドライブセッションに関連する新しい車両センサ測定値を送信することを含んでもよい。これらの新しい測定は、エネルギー係数の以前に提供されたc値を精緻化、更新、および／または検証するために使用されてもよい。
[00950] ステップ６３０”は、以下の式を適用することによって、新しいセッションの新しい経路区間の重量を計算することを含むことができる。
ここで、エネルギー係数の群は、k1、k2、k3およびk4から構成される。
ameは推定モータ効率関数の値である。
v2は、新たな経路区分の終点における車両の速度である。
v1は、新しい経路区間の始点の車両の速度である。
vは、新しい経路区間を走行するときの車両の速度の少なくとも１つの値を表す。
xは、新しい経路区間の長さである。
Δhは、新しい経路区間の終点と始点の間の高さの差である。
fuelは、新しい経路区間に関連する誤差補正燃料消費である。
[00951] 少ないセンサ読取値と限られた数のエネルギー係数を用いて、車両の実重量をリアルタイムで計算し、モータ効率関数と燃料消費誤差補正関数をコンパクトに表現することは、ストレージ資源とコンピュータ化資源の点で非常に効率的である。
[00952] グリップ
[00953] 車両および経路区間に関連するグリップを決定するためのシステム、方法、およびコンピュータプログラム製品を提供することができ、この決定は、経路のパラメータならびに車両のパラメータを考慮に入れる。
[00954] 以下の例のいくつかは、車両が４つの車輪を含むと仮定する。なお、車輪の数は４つと異なっていてもよい。
[00955] グリップイベントは、車両が受けるイベントであり、経路区間のグリップの推定のための情報を提供することができる。グリップイベントの非限定的な例には、ブレーキングイベント、車両のターン（旋回）、障害物の通過、および所定の車両速度への到達が含まれる。説明を簡単にするために、以下の実施例のいくつかは、ブレーキングイベントであるグリップイベントに言及する。
[00956] 以下の例では、「正規化」が特定の車両および／または特定のグリップ関連測定に影響を及ぼす可能性がある他の状況に固有のパラメータを補償（補正）することを含む。非正規化は、正規化プロセスを逆にする。
[00957] 複数の車両は、経路区間を通過することができ、正規化されたグリップ関連情報を計算することができる。コンピュータ化されたシステムは、複数の車両から正規化されたグリップ関連情報を受信することができる。
[00958] 経路区間は、長さ数センチメートルから長さ数メートルの間、さらにはそれ以上であり得る経路の区間（セグメント）であり得る。単一の経路区間に沿ったグリップは、同じであってもよいし、わずかにずれていてもよい。
[00959] コンピュータ化されたシステムは、正規化経路区間グリップ情報を計算することができ、正規化経路区間グリップ情報を車両に送信することができる。
[00960] 正規化経路区間グリップ情報は、クラウドソーシング、ビットデータ技術、機械学習、および／または任意の他の技術を使用して計算され得る。
[00961] 複数の車両から正規化経路区間グリップ情報を取得し、処理することにより、経路区間グリップ情報の計算の精度を高めることができる。さらに、複数の車両から正規化された経路区間グリップ情報を取得し、処理することは、経路区間を通過しなかった車両の経路区間グリップ情報を提供することを支援することができる。
[00962] 車両は車両パラメータを監視することができ、現在の車両パラメータが与えられると、正規化経路区間グリップ情報を非正規化して、経路区間のグリップパラメータを反映することができる実際の経路区間グリップ情報を提供することができる。
[00963] 経路区間グリップ情報は、経路区間のグリップレベル、残留グリップなどを含むことができる。
[00964] 図４４は、方法２１００の一例を示す。
[00965] 方法２１００は、車両コンピュータ（車両内に位置するコンピュータ）によって、車両の外部に位置するコンピュータ化されたシステムによって、またはその両方によって実行することができる。車両コンピュータによる方法２１００の実行は、車両から送信される情報量を低減する。
[00966] 方法２１００は、複数の車両車輪の車輪速度を監視するステップ２１１０によって開始することができる。
[00967] 任意の車輪センサを使用することができる。特に、車輪ごとに車輪速度センサを割り当てることができる。
[00968] ステップ２１１０の後に、車両速度推定値を計算するステップ２１２０が続くことができる。推定値は、複数の車輪速度センサからの車輪速度信号に基づくことができる。
[00969] ステップ２１２０の後に、グリップイベントを検出するステップ２１３０が続くことができる。グリップイベントは車両速度を監視することによって検出することができるが、１つまたは複数の車輪の速度を監視することによって検出することができる。
[00970] 図４４はグリップイベントの３つの例、すなわち、ブレーキングイベント２１３１、高速イベント２１３２（例えば、ある速度、例えば、８０km／hに達する）、およびターン（旋回）２１３３を示す。他のグリップイベントが検出されてもよい。例えば、図５３に示すように、グリップイベントは障害物を通過することができる。
[00971] ステップ２１３０の後に、励振を計算するステップ２１４０と、スリップ率を計算するステップ２１５０とが続く。
[00972] スリップ率は車輪毎に計算することができ、車速と車輪速度との間の関係である。ステップ２１５０の間、車輪速度にハイパスフィルタを適用することができる。
[00973] ステップ２１４０および２１５０の後に、複数の車両ホイールの励振およびスリップ率を正規化し、正規化された励振および正規化されたスリップ率を生成するステップ２１６０が続くことができる。
[00974] 正規化励振および正規化スリップ率は、通常、グリップの損失を表す励振およびグリップ値からはるかに離れている。例えば、グリップが２０パーセントの励振及び１の励振で失われると仮定すると、正規化励振は半分を超えず、正規化スリップ率は１０パーセント未満である。
[00975] 方法２１００は、これらの正規化励振および正規化スリップ率に基づいて、残留グリップを推定することを含んでもよい。
[00976] 例えば、本方法は関連するスリップ曲線を見つけることによって残留グリップを推定し、現在のグリップと関連するグリップ曲線に関連するグリップ損失点とを比較することによって残留グリップを計算することができる。
[00977] ステップ２１６０の後に、正規化励振および正規化スリップ率に基づいて、関連するスリップ曲線を決定するステップ２１７０が続くことができる。各スリップ曲線は、スリップ率値と励振値との間のマッピングを含む。ステップ２１７０は、正規化励振および正規化スリップ率を、関連するスリップ曲線に適合させる。
[00978] ステップ２１７０は、Ｎ（例えば、２１０）個の可能なスリップ曲線の有限グループから関連するスリップ曲線を選択することができ、および／または有限曲線のスリップ曲線に基づいて新しいスリップ曲線を外挿するか、または別の方法で計算することができる。
[00979] ステップ２１８０は、関連するスリップ曲線の決定に応答することを含むことができる。ステップ２１８０は、関連するスリップ曲線情報（関連するスリップ曲線のインデックスまたは他の識別子など）を記憶すること、関連するスリップ曲線を送信すること、実際の経路区間グリップ情報を計算することなどを含むことができる。
[00980] 図４５は、ステップ２１２０の例を示す。
[00981] ステップ２１２０は、以下のステップを含むことができる。
a. 第１〜第４車輪速度信号（２１１１〜２１１４）の受信または生成。
b. 車輪速度信号２１２０を前処理する。これはローパスフィルタリング車輪速度読み取り値（２１２１）を含んでもよく、ローパスフィルタリングは推定車輪速度に応答してもよい。
c. 車輪速度処理２１２２。
[00982] 車輪速度処理は、以下のうちの少なくとも１つを含むことができる。
a. 車輪間差検知。２１２３。このステップは例えば、空気圧の変化、タイヤの健康状態の変化などによる、車輪間の長期（数時間を超える）差を検出することを含むことができる。
b. 短期変動を無視する２１２４。短期間は、数秒以下であってもよい。短期変動は、小さなスリップに引き起こされ得る。無視することは、任意の車輪の車輪速度の短期変動中に得られた全ての車輪速度測定値を無視することを含むことができる。
c. ターンを検出する。２１２５。
d. 補償（補正）された車輪速度の読み取り値を計算する。２１２６。
e. 補償された車輪速度の読み取り値に基づいて車両速度を計算する。２１２７。
[00983] ステップ２１２４は、ターンに関連しない車輪速度間の不一致を検出するステップを含んでもよい。ターンが検出された場合、ターン中に測定された車輪速度は、グリップを決定するために処理されてもよい。
[00984] ステップ２１２０は、ファクタ（例えば、現在の車輪の車輪速度と基準車輪の車輪速度との間の比）を維持し、このファクタを時間に沿って調整すること（非常にローパスフィルタを有する制御ループのように）を含んでもよい。次に、瞬間ファクタがこのファクタよりもある量（例えば、５パーセント）以上大きい／小さい場合、短期変動が検出される。ステップ２１２０に続いて、本方法はファクタを非常に穏やかに更新し続け（すなわち、非常にローパスフィルタを使用して）、ステップ２１２７中にファクタを使用することができる。
[00985] ステップ２１２７は、（ステップ２１２４に示すように、車輪速度の読み取り値を無視した後に）車輪速度を計算し、（基準車輪を除く）すべての車輪速度に係数を適用して、重み付けされた車輪速度を提供し、次に、重み付けされた車輪速度に関数（例えば、これに限定されないが、平均化）を適用して、車両速度を提供することを含むことができる。
[00986] 図４６は、ステップ２１４０の一例を示す。
[00987] ステップ２１４０は、ステップ９１４２および／またはステップ９１４４を含むことができる。
[00988] ステップ２１４２は、グリップイベントの少なくとも１つの他の部分に関連する他の車両速度推定値を無視しながら、選択された車両速度推定値を提供するために、グリップイベントの少なくとも１つの部分に関連する車両速度推定値を選択することを含んでもよい。例えば、グリップイベントは数秒続き、複数の車輪速度読み取り値（例えば、毎秒５０から１００までの車輪速度読み取り値）が毎秒得られる。
[00989] ステップ２１４２は、いくつかの他の車輪読み取り値を無視しながら、車輪読み取り値のいくつかを選択することを含むことができる。
[00990] 任意の選択規則を適用することができる。グリップイベントの開始期間中および／またはグリップイベントの終了期間中（例えば、グリップイベントの持続時間の最初の２０パーセントおよび／またはグリップイベントの持続時間の最後の１５パーセント中）に得られる車輪速度読取値を無視する例として、特定の加速値および／または減速値に関連する車輪速度イベントを無視し、加速減速度または速度が定常状態に達するまで待機する（および定常状態読取値を選択する）などが挙げられる。
[00991] ステップ２１４４は、時間にわたる選択された車両速度の１つまたは複数の変化に基づいて、およびゼロまたは複数の追加ファクタに基づいて、励振を計算することを含んでもよい。
[00992] ゼロまたはそれ以上の追加ファクタを使用して、励振値を正規化することができる。励振値は任意の方法における１つ以上の変化を表すことができ、例えば任意の方法とは、選択された期間の持続時間で割った選択された車両速度推定値を含む、選択された期間中の車両速度の全体的な変化のようなものである。
[00993] 追加ファクタは、車両の運転および／またはブレーキングパラメータ、（車両が通過した）１つまたは複数の経路区間の勾配などを含むことができる。
[00994] ブレーキングパラメータは、車両のブレーキが作動された方法、すなわち、ポンピングまたはポンピングされていない方法、ブレーキペダルの位置のいかなる変化などを反映することができる。例えば、ブレーキングパラメータは、ブレーキペダルの位置の経時的な変化の平均値または最小値または最大値のうちの少なくとも１つを反映することができる。
[00995] 異なるブレーキングパターン（例えば、パターン２１７１および２１７２）は、異なる励振をもたらし得る。勾配は、経路区間の平均勾配または最小勾配または最大勾配のうちの少なくとも１つによって表すことができる。
[00996] 図４７は、ステップ２１６０の一例を示す。
[00997] ステップ２１６０は、ステップ２１６９を含むことができる。ステップ２１６９の前に、ステップ２１６１、２１６２、２１６３、２１６４、２１６５、２１６６、２１６７、２１６７'、および２１６８のうちの少なくとも１つを実行することができる。
[00998] ステップ２１６１は、気候バイアスを受信することまたは推定することを含んでもよい。気候バイアスは、雨、霧、温度などの気候変化に関連するグリップの変化を表すことができる。気候バイアスは、気候センサ（湿度センサ、気圧計、温度センサなど）によって測定されてもよく、および／または、制限された時間フレーム（例えば、３０分〜数時間）内に同じ経路区間に関して複数の車両が経験するグリップレベル間の同様の差を見つけることによって検出されてもよい。
[00999] ステップ２１６２は、ホイール有効パッチサイズを受信または推定することを含むことができる。
[001000] ステップ２１６４は、タイヤの健康状態を受信又は推定することを含むことができる。タイヤの健康状態は、（平坦なタイヤの場合を除いて）非常にゆっくりと変化することが予想され、長期間にわたって比較的一定のバイアスとして表すことができる。
[001001] ステップ２１６６は、車両の重量を受信または推定することを含むことができる。重量推定値の非限定的な例は、２０１７年９月１０日に出願された米国仮特許出願第６２／５５６，４４７号に示されている。
[001002] ステップ２１６７は、励振を受信することまたは推定することを含んでもよい。励振は、ステップ２１４０から行うことができる。
[001003] ステップ２１６７'は、グリップを受け取ること、または推定することを含むことができる。
[001004] ステップ２１６８は、速度を受信することまたは推定することを含んでもよい。速度は、ステップ２１２０から得ることができる。
[001005] ステップ２１６９は、正規化励振および正規化スリップ率を生成するために、複数の車両車輪の励振およびスリップ率を正規化することを含むことができる。正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくとも１つに反応することができる。
正規化は、同じ道路区間を通過するときに異なる車両によって感知された情報を比較すること、および気候バイアス、ホイール有効パッチ、タイヤの健康状態、車両の重量、励振などを補償（補正）することを含むことができる。
[001006] 図４８は、方法２２００を示す。方法２２００は、車両の外側に配置されたコンピュータ化されたシステムによって、車両コンピュータによって、車両コンピュータとコンピュータ化されたシステムの両方によって、異なる車両の複数の車両コンピュータなどによって実行され得る。
[001007] 方法２２００は、ステップ２２１０、２２２０、２２３０、および２２４０のうちの少なくともいくつかを含むことができる。
[001008] ステップ２２１０は、正規化関数および／または選択規則を学習することを含むことができる。正規化関数は例えば、ステップ２１６９の間に使用される。選択規則は例えば、ステップ２１４２の間に使用される。
[001009] ステップ２２１０は、非正規化関数を学習することを含むことができる。非正規化関数は、正規化関数の動作を逆にすることができる。ステップ２２１０は、ドライブセッション中に取得された正規化経路区間グリップ情報を処理することを含み得、ここで、重量、有効パッチサイズ、タイヤの健康、励振、速度および／または気候に関する情報が既知である。正規化関数は、重量、有効パッチサイズ、タイヤの健康状態、励振、速度、および／または気候の異なる値を有するドライブセッションを使用して学習することができる。
[001010] ステップ２２２０は、複数の経路区間および複数の車両の複数のドライブセッションに関連する正規化されたスリップ曲線を受信することを含むことができる。
[001011] ステップ２２３０は、経路区間と正規化されたスリップ曲線との間のマッピングを構築または更新することを含むことができる。マッピングは、ステップ２２２０中に受信された情報を考慮に入れることができる。ステップ２２３０は、クラウドソーシング、ビッグデータ、機械学習、または任意の他の技法を使用することを含むことができる。
[001012] ステップ２２３０は、ステップ２２２０の間に得られた情報を平均化すること（または任意の他の統計関数を適用すること）を含み得る。
[001013] ステップ２２４０は、マッピングの少なくとも一部を車両および／またはユーザに配信することを含むことができる。車両が特定の領域に位置する場合、車両は、その領域、１つまたは複数の隣接する領域などに関連する情報を受信することができる。
[001014] 車両がマッピングを受信した後、車両は、マッピングと、車両および１つまたは複数の経路区間の現在の状態とを使用して、実際の経路区間グリップ情報を提供することができる。
[001015] 図４９は、方法２３００を示す。
[001016] 方法２３００は、ステップ２３２０を含むことができる。ステップ２３２０の前には、ステップ２３２０と、ステップ２１６１、２１６２、２１６３、２１６４、２１６５、２１６６、２１６７、２１６７'および２１６８のうちの少なくとも１つとがあってもよい。
[001017] ステップ２３２０は、正規化されたスリップグラフを非正規化して、非正規化されたスリップグラフを提供することを含むことができる。非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくとも一部に基づいている。
[001018] ステップ２３２０の後に、非正規化されたスリップグラフと、スリップグラフ上の関連するグリップ励起座標とに基づいて、限界グリップを決定するステップ２３３０が続くことができる。
[001019] ステップ２３４０の後に、限界グリップに応答するステップ２３４０が続くことができる。これは、車両を自動的に運転すること、車両速度をユーザに知らせること、ABSを作動させる限界グリップ値未満にグリップレベルを維持することによって、ABSシステムが作動するのを防止すること、等を含むことができる。
[001020] 図５０は、車両を、第１の車輪W１ ５０１、第２の車輪W２ ５０２、第３の車輪W３ ５０３、第４の車輪W４ ５０４、第１の車輪センサWS ５１１、第２の車輪センサWS ５１２、第３の車輪センサWS ５１３、第４の車輪センサWS ５１４、他のセンサ（気候センサのうちの少なくとも１つ、１つまたは複数のブレーキセンサ、１つまたは複数のエンジンセンサ、燃料消費センサ、加速度計など）、車両コンピュータ５５０、プロセッサ５５２、メモリモジュール５５４、通信モジュール（CM）５４２、およびマンマシンインターフェース（MMI）５４０を含むものとして示す。
[001021] MMI ５４０は、運転提案などの情報を運転者に提供することができる。
[001022] 他のセンサ５１７は、車両および／または道路状態に関連する様々なパラメータを感知することができる。
[001023] 車両コンピュータ５５０は、車両の様々な構成要素および／またはシステムの状態を監視することができ、車両の様々な構成要素および／またはシステムを制御することができ、本明細書に示す方法のいずれかの実行に関与することも、関与しないこともできる。
[001024] 通信モジュール５４２は、ネットワーク５９０を介してコンピュータ化システム５９２と通信することができる。
[001025] 通信モジュール５４２は、近距離通信モジュール、無線周波数通信モジュールなどの長距離通信モジュール、衛星通信モジュール、セルラー通信ネットワークなどとすることができる。
[001026] 車両コンピュータ５５０は、プロセッサおよびメモリユニットを含むことができる。プロセッサはハードウェアコンポーネントを含むことができ、汎用プロセッサ、画像プロセッサ、ハードウェアアクセラレータ、FPGA、ASICなどとすることができる。メモリユニットは、不揮発性メモリであってもよい。
[001027] コンピュータ化システム５９２は、クラウドコンピューティング環境内に配置することができ、１つまたは複数のサーバまたはコンピュータの任意の組合せを含むことができる。
[001028] 処理、計算等（および本出願に示されている）を含む任意のステップは、車両コンピュータ５５０、プロセッサ５５２、および／またはコンピュータ化システム５９２によって実行することができる。
[001029] メモリモジュール５５４は、本出願の方法のいずれかを実行するために必要とされる任意の情報および／またはプログラムを記憶することができる。
[001030] 車両の様々な構成要素は、方法２１００および／または方法２３００を実行することができる。
[001031] 図５１は、異なる経路区間条件を表す２つの正規化されたスリップグラフ２９１０および２９２０の例を示す。
[001032] ステップ２１７０は、これらのスリップグラフのうちの１つを選択すること、またはこれらのスリップグラフのうちの少なくとも１つに基づいて新しいスリップグラフを生成することを含むことができる。
[001033] 図５２は、グリップイベントの前およびグリップイベントの後の、グリップイベント中のグリップイベント、車両速度２５２５および車輪速度２５２０の例を示す。
[001034] グリップは、小さい障害物に対する車両のインパルス応答に基づいて評価することができる。グリップは、小さな障害物の通過、任意の他の励振イベント（ブレーキングイベント、高速イベント、ターンイベントなど）のうちの１つまたは複数を考慮して計算することができる
[001035] 車両が路面に取り付けられた小さな障害物の上を走行するとき、車両は、あたかも励振されたかのようにそれに応答する。センサから得られる応答（インパルス応答とも呼ばれる）特性は、（他の要因の中でも）小さい障害物の直後の車両と路面との間のグリップレベルに依存する。
[001036] 小さな障害物には次のような性質がある。
a. 構造上−その上を走るときにステップアップまたはステップダウンする。ステップアップとそれに続くステップダウンは、小さな衝突を表すことができる。
b. タイヤ外周に比べて長手方向に短い。
[001037] 例:
a. 舗装亀裂
b. 橋のつなぎ目
c. 小石
d. 小枝
[001038] この小さな障害物は、通常、以下の方へ分離可能な力を車両に加える。
a. 垂直方向の加速−小さな障害物をわずかに「ジャンプする」ことによる。
b. 水平方向の減速−斜面への「衝突」による。
[001039] これらの力（加速度）は瞬間的な性質のものであり、通常はサブ秒の期間にわたって持続する。そして、応答期間である「アフターエフェクト」を経る。
[001040] 上述の垂直及び水平加速に続いて、小さな障害物から踏み出すとき、車両は拘束期間を経て、通常、その定常状態に戻り、例えば、滑らかな表面を巡航する。
[001041] インパルス（力積）の性質を検出し、特性化し、応答周期を分析するために、以下のセンサの出力を読み取ることができる。
a. 車輪速度
b. ブレーキトルク
c. エンジントルク
[001042] 以下のパラメータは、信号の特性および特徴に影響を及ぼす。
a. 車両重量
b. タイヤの圧力
c. タイヤの健康状態（剛性）
d. 車両速度
e. ダンパー
[001043] これらのセンサは、それらの出力が他の実際のセンサの読み取り値に基づいて計算される実際のセンサおよび／または仮想センサであってもよい。
[001044] センサの読み取り値は、センサの読み取り値に影響を及ぼす可能性があるパラメータ（上述したものなど）を補償（補正）するために正規化されるべきである。
[001045] 例えば、車両が重いほど、同じ小さな障害物による車輪速度の変化は小さくなる。タイヤ空気圧が低い場合や、ダンパー／サスペンションが柔らかい場合も同様である。車両が小さな障害物に速く遭遇するほど、車輪速度の変化は大きくなる。
[001046] 図５３は、方法２１０５を示す。
[001047] 方法２１０５は、車両コンピュータ（車両内に位置するコンピュータ）によって、車両の外部に位置するコンピュータ化されたシステムによって、またはその両方によって実行することができる。車両コンピュータによる方法２１００の実行は、車両から送信される情報量を低減する。
[001048] 方法２１０５は、ステップ２１１０および２１１５によって開始することができる。
[001049] ステップ２１１５は、ブレーキトルクおよびエンジントルクを監視することを含むことができる。
[001050] ステップ２１１０は、複数の車両車輪の車輪速度を監視するステップを含んでもよい。
[001051] 任意の車輪センサを使用することができる。特に、車輪ごとに車輪速度センサを割り付けることができる。
[001052] ステップ２１１０の後に、車両速度推定値を計算するステップ２１２０が続くことができる。推定値は、複数の車輪速度センサからの車輪速度信号に基づいてもよい。
[001053] ステップ２１２０およびステップ２１１５の後に、グリップイベントを検出するステップ２１３０'を続けることができる。グリップイベントは、ブレーキングイベント、高速度イベント、およびターンイベントを含むことができる。これらのグリップイベントは、ステップ２１２０の出力を使用して検出することができる。グリップイベントは、車両速度を監視することによって検出することができるが、１つまたは複数の車輪の速度を監視することによって検出することができる。
[001054] グリップイベントは、小さな障害物の通過を含むことができ、小さな障害物の通過に対する車両のインパルス応答は、ステップ２１１５および２１２０の出力に基づいて検出することができる。ブレーキングイベントは、ステップ２１１５の出力に基づいて検出されてもよい。
[001055] 図５４は、グリップイベントの４つの例、すなわち、ブレーキングイベント２１３１、高速度イベント２１３２（例えば、ある速度、例えば、８０km／hに達する）およびターン２１３３、ならびに小さな障害物の通過２１３４を示す。
[001056] ステップ２１３０'の後に、励振を計算するステップ２１４０'と、スリップ率を計算するステップ２１５０とが続く。
[001057] ステップ２１４０'は、小さい障害物を通過する車両のインパルス応答を計算するステップ２１４６を含むことができる。
[001058] スリップ率は、車輪ごとに計算することができ、車速と車輪速度との関係である。ステップ２１５０の間、車両速度にハイパスフィルタを適用することができる。
[001059] ステップ２１４０'および２１５０の後に、正規化励振および正規化スリップ率を生成するために、複数の車両車輪の励振およびスリップ率を正規化するステップ２１６０'が続き得る。
[001060] ステップ２１６０'は、インパルス応答を正規化することを含み得る。
[001061] 正規化励振および正規化スリップ率は、通常グリップの喪失を表す励振およびグリップ値から遠く離れている。例えば、グリップが２０パーセントの励振及び１の励振で失われると仮定すると、正規化励振は半分を超えず、正規化スリップ率は１０パーセント未満である。
[001062] 方法２１０５は、これらの正規化励振および正規化スリップ率に基づいて残留グリップを推定することを含むことができる。
[001063] 例えば、本方法は関連するスリップ曲線を見つけることによって残留グリップを推定し、現在のグリップと関連するグリップ曲線に関連するグリップ点の損失との間を比較することによって残留グリップを計算することができる。
[001064] ステップ２１６０'の後に、正規化励振および正規化スリップ率に基づいて、関連するスリップ曲線を決定するステップ２１７０が続くことができる。各スリップ曲線は、スリップ率値と励振値との間のマッピングを含む。ステップ２１７０は、正規化された励振および正規化されたスリップ率を、関連するスリップ曲線に適合させる。
[001065] ステップ２１７０は、N（例えば、２１０）個の可能なスリップ曲線の有限グループから関連するスリップ曲線を選択することができ、および／または有限曲線のスリップ曲線に基づいて新しいスリップ曲線を外挿するか、または別の方法で計算することができる。
[001066] ステップ２１８０は、関連するスリップ曲線の決定に応答することを含むことができる。ステップ２１８０は、関連するスリップ曲線情報（関連するスリップ曲線のインデックスまたは他の識別子など）を記憶すること、関連するスリップ曲線を送信すること、実際の経路区間グリップ情報を計算することなどを含むことができる。
[001067] 図５４は、ステップ２１４０'の一例を示す。
[001068] ステップ２１４０'は、ステップ９１４２および／またはステップ９１４４を含むことができる。ステップ２１４０'は、小さい障害物を通過する車両のインパルス応答を計算するステップ２１４６を含む。
[001069] ステップ２１４２は、グリップイベントの少なくとも１つの他の部分に関連する他の車両速度推定値を無視しながら、選択された車両速度推定値を提供するために、グリップイベントの少なくとも１つの部分に関連する車両速度推定値を選択することを含むことができる。例えば、グリップイベントは数秒続き、複数の車輪速度読み取り値が毎秒得られる（例えば、毎秒５０から１００の車輪速度読み取り値）。
[001070] ステップ２１４２は、いくつかの他の車輪読み取り値を無視しながら、車輪読み取り値のいくつかを選択することを含むことができる。
[001071] 任意の選択規則を適用することができる。例えば、グリップイベントの開始期間中および／またはグリップイベントの終了期間中（例えば、グリップイベントの持続時間の最初の２０パーセント中および／またはグリップイベントの持続時間の最後の１５パーセント中）に得られる車輪速度読取値を無視する、特定の加速値および／または減速値に関連する車輪速度イベントを無視する、加速減速度または速度が定常状態に達するまで待機する（および定常状態読取値を選択する）などが挙げられる。
[001072] ステップ２１４４は、時間にわたる選択された車両速度の１つまたは複数の変化に基づいて、およびゼロまたは複数の追加ファクタに基づいて、励振を計算することを含んでもよい。
[001073] ゼロまたはそれ以上の追加のファクタを使用して、励振値を正規化することができる。励振値は任意の方法で、例えば、選択された車両速度推定値を含む選択された期間中の車両速度の全体的な変化を、選択された期間の持続時間で割ったもので、１つまたは複数の変化を表すことができる。
[001074] 追加ファクタは、車両の運転および／またはブレーキングパラメータ、（車両が通過した）１つまたは複数の経路区間の勾配などを含むことができる。
[001075] ブレーキングパラメータは、車両のブレーキが作動された方法、すなわち、ポンピングまたはポンピングされていない方法、ブレーキペダルの位置のいかなる変化などを反映することができる。例えば、ブレーキングパラメータは、時間の経過に伴うブレーキペダルの位置の平均または最小または最大の変化のうちの少なくとも１つを反映することができる。
[001076] 異なるブレーキングパターン（例えば、パターン２１７１および２１７２）は、異なる励振をもたらし得る。勾配は、経路区間の平均勾配または最小勾配または最大勾配のうちの少なくとも１つによって表すことができる。
[001077] 図５５は、ステップ２１６０'の一例を示す。
[001078] ステップ２１６０'は、ステップ２１６９を含むことができる。ステップ２１６９の前に、ステップ２１６１、２１６２、２１６３、２１６４、２１６５、２１６６、２１６７、２１６７'、および２１６８のうちの少なくとも１つを実行することができる。ステップ２１６０'の前に、ステップ２２１５（図５５にも示されている）を行うことができる。ステップ２２１５は、方法２２００に属することができる。
[001079] ステップ２１６１は、気候バイアスを受信または推定することを含むことができる。気候バイアスは、雨、霧、温度などの気候変化に関連するグリップの変化を表すことができる。気候バイアスは気候センサ（湿度センサ、気圧計、温度センサなど）によって測定されてもよく、および／または、制限された時間フレーム（例えば、３０分〜数時間）内に同じ経路区間に関して複数の車両が経験するグリップレベル間の同様の差を見つけることによって検出されてもよい。
[001080] ステップ２１６２は、ホイール有効パッチサイズを受信または推定することを含むことができる。
[001081] ステップ９１６２は、エンジントルクおよび／またはブレーキトルクを受け取ることまたは推定することを含んでもよい。
[001082] ステップ２１６４は、タイヤの健康状態を受信又は推定することを含むことができる。タイヤの健康状態は、（平坦なタイヤの場合を除いて）非常にゆっくりと変化することが予想され、長期間にわたって比較的一定のバイアスとして表すことができる。
[001083] ステップ２１６６は、車両の重量を受信または推定することを含むことができる。重量推定値の非限定的な例は、２０１７年９月１０日に出願された米国仮特許出願第６２／５５６，４４７号に示されている。
[001084] ステップ２１６７は、励振を受信または推定することを含み得る。励振は、ステップ２１４０から行うことができる。
[001085] ステップ２１６７'は、グリップを受け取ること、または推定することを含むことができる。
[001086] ステップ２１６８は、速度を受信または推定することを含むことができる。速度は、ステップ２１２０から得ることができる。
[001087] ステップ２１６９は、正規化励振および正規化スリップ率を生成するために、複数の車両車輪の励振およびスリップ率を正規化することを含むことができる。正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくとも１つに応答することができる。
[001088] 正規化は、同じ道路区間を通過するときに異なる車両によって感知された情報を比較すること、および気候バイアス、ホイール有効パッチ、タイヤの健康状態、車両の重量、励振などを補償（補正）することを含むことができる。
[001089] ステップ２１６９の前に、正規化関数および／または選択規則を受信および／または学習するステップ２２１５を行うことができる。
[001090] ステップ２２１５は、トレーニング段階を実行すること、および／またはトレーニング段階中に学習された出力を受信することを含むことができる。
[001091] ステップ２２１５は、センサの信号から抽出された特徴上にファクタおよびルックアップテーブルを適用することを含んでもよい。これらのファクタおよびルックアップテーブルは、トレーニング段階中に学習され、構築される。
[001092] 特定の車両タイプが与えられると、制御された環境／性能試験場で１つ以上の試験を実施して、信号特徴を導出することができる。
[001093] １つまたは複数の試験は、以下のタイプ:ステップアップ、ステップダウン、バンプ（例えば、小さなバンプ）の事前定義された小さな障害物のような、事前定義された小さな障害物に対して実施することができる。
[001094] タイプごとに複数の小さな障害物が存在してもよく、小さな障害物は、ステップの高さ、バンプの長さ、周囲に対する配向などのうちの少なくとも１つだけ、互いに異なる場合がある。
[001095] 試験は、重量、速度、タイヤ空気圧、ダンパー設定などの少なくとも１つの異なる値を示す１つの車両タイプで行うことができる。
[001096] 特定の試験の間に気候が変化することがある。
[001097] 小さな障害物は、異なるグリップ値（Mueの異なる値）の近傍内に配置されてもよい。
[001098] 各試験中に、種々のセンサ読取り値（例えば、車輪速度、ブレーキトルク、及びエンジントルク）が読み取られ、小さな障害物を通過するときの車両のインパルス応答を提供する。
[001099] センサの信号とその特徴、車両パラメータ（重量、速度、タイヤ空気圧、ダンパー）及び推定グリップレベルとの間の関係が計算される。この関係は、正規化関数と呼ぶことができる。
[001100] アクアプレーニング（AP）
[001101] 上記の本文および図１〜５５の少なくともいくつかは、車両（車両DNA）のパラメータを計算する方法、および道路（表面DNA）のパラメータを計算する方法を記載している。
[001102] アクアプレーニング事象の発生に関するいかなる言及も、アクアプレーニング事象の実際の発生、またはアクアプレーニング事象の推定された（しかし実際ではない）発生に関連すると解釈することができる。例えば、経路を計画する場合、経路の異なる道路区間は、アクアプレーニング事象の発生の可能性に基づいて選択されてもよい。さらに別の例では、車両がアクアプレーニング事象である物理事象を感知した場合、これは実際のアクアプレーニング事象として扱われる。
[001103] 特定の道路区間のアクアプレーニング事象の発生の推定は、道路区間の計算されたおよび／または推定された特性（例えば、道路区間に関連する物理事象）、雨の推定されたおよび／または計算された特性、及び車両の推定されたおよび／または計算されたパラメータ、並びに（i）雨の推定された特性、（ii）道路区間の特性、（iii）アクアプレーニングの発生、及び（iv）車両の推定されたおよび／または計算されたパラメータ（例えばタイヤの健康状態）間のマッピングに基づくことができる。
[001104] マッピングは、様々な道路区間上の以前のドライブセッション、様々な方法で検出されたアクアプレーニング事象に関する情報などに基づいて計算および／または学習することができる。
[001105] 車両に対するアクアプレーニングの効果は、速度、速度の変化、車両の重量、タイヤの健康状態、道路区間の公称グリップ等のような様々なパラメータの関数とすることができる。
[001106] アクアプレーニングは、道路区間の公称グリップを減少させ、したがって、道路区間の修正されたグリップレベルが計算されるべきであり、道路区間上を走行するときに考慮されるべきである（例えば、道路区間上の最大走行速度を自動的に決定すること、自律モードで動作するか非自律モードで動作するかを決定することなどのために）。道路区間の公称グリップは、例えば、グリップを計算するための上述の方法のいずれか（例えば、図４４の方法２１００）によって計算することができる。アクアプレーニング事象に起因するグリップ劣化は、乾燥した道路区間上を車両が走行するときに期待される正規化グリップレベルと、アクアプレーニング事象が発生したときに車両内の同じ道路区間を通過するときに測定される正規化グリップとの間のギャップを表すことができる。
[001107] アクアプレーニングの発生は、特定の時間枠内で同じ道路区間を通過する複数の車両のグリップの減少を比較することによって検出されてもよい（例えば、後述するPWT）。
[001108] 雨量は、推定雨量の関数としてワイパー速度を変化させるように構成された自動ワイパーユニットによって検出することができる。複数の車両の複数の自動ワイパーユニットの降雨率センサの読み取り値は、１つ以上の降雨率センサの１つ以上の誤った読み取り値を拒絶するように処理されてもよい。
[001109] アクアプレーニング現象の深刻度は、車両の速度、水位、タイヤ溝の深さ、およびマイクロテクスチャのような道路区間の特性に関連する可能性がある。
[001110] 水位は、（i）区間内のある期間における累積降水量、（ii）表面マイクロテクスチャ、（iii）タールマック内のへこみ／傾斜、（iv）排水路および流路などの関数であってもよい。
[001111] タイヤ溝の深さおよび構造は、タイヤの健康状態と呼ばれることもある。これは、上述の方法のいずれかを用いて推定される。TAHはAPイベントを通過するときに、１つのタイヤと別のタイヤとの間のグリップ差を表すために使用することができるスカラーパラメータの名前であり、他のすべてのパラメータは同じである。TAHは、グリップ差の主要な原因であるので、タイヤ溝の深さ及び構造によって表すことができる。
[001112] 道路経路のパラメータ（表面マイクロテクスチャ、へこみ、傾斜、排水路など）は、上記のいずれかの方法によって推定することができる。
[001113] 定義と注釈
[001114] ベースライン利用可能グリップ（Baseline Available Grip、BAG）−［g］道路が公称温度で乾燥しているときのその公称グリップを反映する、道路区間に付属する利用可能なグリップ属性。
[001115] 降水率（Precipitation Rate、PR）−［mm/h］降雨率（単位空間当たり）、特定の時間における特定の地理的地点特定の指標によって記録／表示される。
[001116] 平均降雨率（MPR）−［mm/h］特定の時点における特定の道路区間におけるPRの平均降雨率。
[001117] 降水量ウィンドウ時間（PWT）−［min］MPRを集計して路面上の水量を求めるためのウィンドウ時間の長さである。
[001118] 総ウィンドウ降水量(AWP)−[mm]特定の時間に特定の道路区間でPWT中に落下した水の総量（単位空間あたり）
[001119] アクアプレーニンググリップ低下(Aquaplaning Grip Degradation、AGD)−［g］利用可能なグリップの量。この方法は、公称速度で、AP事象による（乾燥した道路区間の）公称利用可能グリップから減少させる必要がある場合がある。
[001120] アクアプレーニング事象（AP）−車両下でAP現象を検出した。
[001121] タイヤアクアプレーニング健康状態(Tire Aquaplaning Health、(TAH)−所定の重大度を有するAP事象による特定の車両のグリップ劣化。
[001122] 正規化アクアプレーニング事象(NAP)−車両のTAHを使用したAP追従補償手順。
[001123] 低下Vs.降水量（Degradation Vs. Precipitation、DVP）マッピング−公称車速と公称TAHにおける特定の道路区間当たりのAWPとAGDの関係を記述するマッピング（例として、テーブル、方程式）である。
[001124] 前提条件
a. 関連降水量:基本的に降水量には雨、ひょう、雪が含まれる。雨は関連性があると思われる。この方法は残りを無視してもよいし、無視しなくてもよい。雨という用語は、関連する降水量に適用することができる。
b. この方法は、降雨に対してゼロ温度が最小であると仮定することができる。それ以下では雪かもしれない。
[001125] 季節に関連した問題があるかもしれない:乾燥時に同じグリップレベルを有する２つの道路は、雨のときに異なるグリップ低下を有するかもしれない−これは雨の間（または道路区間が濡れるかもしれない試験の間）に測定されることができる。
[001126] 雨によるグリップ低下は、AWPを有する２つの道路間で異なる可能性がある。すなわち、低いAWPでは１つの道路は他の道路よりも悪いが、高いAWPでは反転するかもしれない。
[001127] 再現性−この方法は、ほとんどの場合、同じAWPが与えられると、毎年、道路上の各特定の位置が同じAGDを有すると仮定することができる。
[001128] PWT。この方法は、雨のためにパドルが満杯になるのに時間がかかると仮定することができる。一方、（i）蒸発−高温、強風、低湿度、（ii）排水路配水管、（iii）水流路、（iv）車両飛散により排水される。
[001129] 本方法は、PWTを、降水が道路上で集まる時間ウィンドウであるように設定することができる:(i)それより下では−本方法が雨が続く場合に道路上でさらに多くの水を集めることができる、（ii）それより上では−「古い」降雨が排水／蒸発を開始する。
[001130] 正確な時間は、温度、風、湿度の状態に関係する場合がある。
[001131] 各道路区間のPWTは、道路区間を監視することによって学習することができ、および／または任意の方法で推定することができる。
[001132] APシグネチャ:この方法は、車両内で、パドル／AP現象での運転を表す信号のシグネチャ、およびその大きさを検出できると仮定することができる。APは、テンプレート化されたシグネチャおよび可変の大きさを有する物理事象と呼ばれ得る。
[001133] これは、開始速度、エンジン／車輪トルク、およびマグニチュードの少なくとも一部を感知するセンサを使用することによって、APイベントの発生のシグネチャを見つけることができる仮想センサ「AP検出」によって反映される。
[001134] AP Vs. Speed:本方法は、車両の速度が高いほど、APの重大度が高くなると仮定することができる。特定のAP現象（例えば、表面マイクロテクスチャおよび水位）ごと。この方法は、AGDを車両速度に関連付けるマッピングを定義することができる（または式を含む任意の他のマッピングを有することができる）。
[001135] したがって、水位当たりの道路区間当たりの単一数を学習すれば十分である。
[001136] AP Vs.総ウィンドウ降水量（AWP）:この方法は、各道路区間が所与のAWP[mm]ごとに常に同じ水位を生成するそれ自体の表面DNAを有すると仮定することができる。したがって、AWP当たりの水位、または実際にはAWP当たりのAGDを反映するマッピングを学習すれば十分であろう。
[001137] 車内での検知。AP処理のための第１のステップは、車両検出である−APイベントである（固有のシグネチャを有する）物理事象を検出する。APイベントの重大度（グリップレベルの損失量に関連する）は、雨及び道路区間パラメータによって影響されてもよいが、車両（例えば、タイヤの健康状態）によっても影響されてもよい。
[001138] 仮定−APは主に速度とともに増加する：これは、この方法が巡行中にAPを検出する可能性があるからである。パドルでブレーキをかけると車両がすぐに速度を失う可能性があるため、現象はそれほど深刻ではないと仮定する。
[001139] AWPがゼロである（すなわち、最後の期間に雨の兆候がない）場合、本方法は、AP現象が存在し得ないと仮定し得る。
[001140] シグネチャ検出
[001141] APイベントのシグネチャは様々な方法で、例えば、制御されたテスト中に、および／またはAPが存在する道路区間上を走行するときに検出され得る。
[001142] 例−水内（性能試験場、冬季の通常道路）走行の記録
[001143] シグネチャ学習プロセスはデータを収集し、注釈を付けることを含むことができる。例として、水面上のすべてのテストドライブ（冬季、スプリンクラーなど）を見つけ、信号の特徴（加速度、車輪速度、駆動／非駆動など）を見つける。
[001144] データは、例えば、SVMまたは他の何らかの機械学習アルゴリズムを実行し、それを訓練してグリップ低下を検出することによって、様々な方法で処理することができる。
[001145] グリップ低下のためのマッピングを生成する。例えば、速度毎および／または水深毎。
[001146] 仮想APセンサを生成する。
[001147] 機械学習訓練アルゴリズムが完了すると、この方法は、ベクトルをサポート（Supporting Vectors）する準備ができている。この方法は、リアルタイムで車両内でSVMアルゴリズムを実行し、見つかったサポートベクトルを使用して、APイベントおよびその重大度を検出することができる
[001148] APイベントが検出されると、本方法は、様々な属性を、APイベント、すなわち、開始速度［km/h］、エンジントルク／駆動輪トルク［Nm］、AP重大度［無単位］、タイヤアクアプレーニングヘルス（TAH）−［無単位］などに関連付けることを発行することができる。
[001149] 降雨率仮想センサ
[001150] 表面上の水雨量を計算するために、本方法は、降雨率仮想センサを生成することができる。
[001151] この仮想センサは、その発行の瞬間および場所における水／雨の割合を反映する。
[001152] このVsensor（仮想）は、降雨率＞０のときに繰り返し発行されてもよい。
[001153] 暗黙のうちに、それが検出されない場合、この方法は降雨率＝０と仮定することができる。
[001154] この方法は、車両内に２つの潜在的なセンサを有することができる。
a. ワイパーセンサー−拭き取り速度。この方法は、運転者が雨が降ったときにワイパーを操作すると仮定することができる。ドライバーはフロントガラスをクリアしようとするため、ワイパーの速度は降雨率によって変わる。したがって、この方法は、ワイパー率を抽出することができる。
b. 雨センサ。現代の車両では、フロントガラスの後ろに光学センサがあり、フロントガラスの前の水の量を検出する（通常、不透明度または反射に応じて）。センサは、フロントガラス上の水の量を表す［%］単位の値を返す。この方法はこのセンサを読み取り、それを降雨率センサとして使用することができる。
[001155] 別のソース−気象ステーション:通常、気象ステーションは道路環境に配置される。本方法はリアルタイムに近い、それらのデータから降雨率を取り出すことができる。
[001156] フロントガラスが汚れているためにワイパーが操作される状況を回避するために、本方法は非常に短い雨期間（例えば、１分未満）に関連する表示を無視するか、または散水器の作動を検出し、その後、ワイパーの操作を１分間について無視することができる。
[001157] 車両速度−この方法は、窓水量が車両速度と共に高くなると仮定することができる。したがって、この方法は、速度を正規化（補償）すべきである。
[001158] アクアプレーニング層
[001159] 目標は、雨が降っているときにAP問題を有する位置（道路区間）と、降雨率［PR］当たりの予想される重大度とを保持する地図層を生成することである。この層は、データ構造６００'に追加されてもよい（または含まれてもよい）。
[001160] 入力
[001161] このマッピング層の主な入力は、(i)AP検出Vsensor、（ii）降雨率Vsensor、（iii）タイヤAP健康状態メタデータという以下の仮想センサを含む、車両群からクラウドへのデータのストリームである。
[001162] さらに、この方法は、気象条件提供者から瞬間的に測定された降雨率を受け取ることができる:(i)道路区間／面積（［mm/h］の単位）当たりの降雨率。
[001163] 送ウィンドウ降水量（AWP）
[001164] 上で定義したように、これは、パドルを生成するために集められた面積当たりの［mm］単位の降雨量である。
[001165] それは、計算の時間に先行する時間ウィンドウにわたる、特定の位置におけるPRの積分として計算される。
[001166] ウィンドウのサイズ（すなわち、この方法が雨を集める現時点より前の時間）は、水の蒸発速度に依存する。蒸発水(Evaporated water)は、パドル深さを計算するために凝集されるべきでない。
[001167] 蒸発速度は、以下のパラメータに依存する。
a. 温度−温度が高いほど、水の蒸発速度は高くなる。
b. 湿度−湿度が低いほど、蒸発速度は高くなる。
c. 風−風が強くなるにつれて、蒸発速度は高くなる。
[001168] 上記のパラメータは、道路沿いの気象レポートステーションから受信され、降水量ウィンドウ時間（PWT）を［min］で計算するために使用される。計算される場合、本方法は、PWTを使用して、PWTに対するPR（t）の積分としてAWPを計算することができる。
[001169] アクアプレーニングVs.降水率マッピング
[001170] 各道路区間のPRとAPハザードレベルとの間の関係を反映することができるモデル（マッピング）を提供することができる。上述のように、これは、APの重大度に影響を及ぼす表面DNA成分（例えば、アスファルトへこみ、マイクロテクスチャ、排水の遮断など）を反映する。AP重大度は、アクアプレーニンググリップ低下（AGD）（［g］の単位）によって測定される。
[001171] 本方法は、道路区間におけるAP現象が総ウィンドウ降水量（AWP）単位［mm］の関数であると仮定することができる。したがって、この方法は、LUT: AGP Vs.AWPを定義することができ、以下のように示される:低下Vs.降水量（DVP）テーブル。
[001172] 構造（例）:
[001173] 学習
[001174] このプロセスは、各ドライブセッションにわたって実行され、特定の道路上を数マイル走行する特定の車両はそのVsensorをクラウドに送信する。
[001175] ステージ#１: APイベント
a. 所与:各車両のTAH、AP Vsensorインスタンス
b. セッションごとに、ルーティングアルゴリズム（マップマッチング）に従う。
c. APが検出された地図ノード（道路区間）を見つける。
d. 各APイベントについて、TAHを補償（補正）する:
i.車両のTAHによりAPイベントの大きさを因子化する。
ii.通常、TAHが悪い場合、補償された（すなわち、正規化された)APの大きさは減少する。
e. 正規化AP(NAP)イベントの生成
i.正規化APイベントは、名目上の大きさを有するAPイベントである。
ii.すなわち、TAHによる因子化後の大きさ
[001176] ステージ#２:降雨率（PR）
a. すべてのPR Vsensorを検索する。
b. 外部気象源から追加のPR Vsensorsインスタンスを生成する（雨が陽性の場合）。
i.気象レポートサービスとの接続の確立
ii.各道路区間周辺のPR値を抽出
iii.（車両によって検出されたかのように）この情報からVsensorインスタンスを生成する。
c. セッション中のPR表示のレイヤ外れ／エラーの削除−短すぎるPRイベント、まれなPRイベント−長すぎて繰り返さない場合
[001177] 併合
[001178] この手順は、クラウド内で、同じ車両または異なる車両のいくつかのドライブセッションの受信に続いて、期間ごとに（例えば、数時間ごとに）実行され、その後、セッションのそれぞれが、上述の学習手順を実行した。
[001179] 地図上の道路を移動し、道路ごとに、時間隔ごとに、新しい学習セッションを移動する。
[001180] ステージ#１: PWT
a. 降水量ウィンドウ時間（PWT）［min］を計算する。
b. 所与条件：温度、風、湿度
[001181] ステージ#２: MPR
a. 道路と時間のPWTが与えられる。
b. 平均降水量（MPR）を計算する−同じ道路と同じ時間ウィンドウで学習したすべてのセッションを使用する:
i.各車両が、同じ時間フレームの周りの道路区間の近傍を走行する場合
ii.周辺のPRを抽出する。
iii.すべてのPRを平均する。
c. 層を除去する。
[001182] ステージ#３: AWP
a. MPRが与えられる
b. 総ウィンドウ降水量(AWP)−道路区間当たり時間当たりを計算する。
[001183] ステージ#４: DVPテーブル
a. 道路区間当たり
b. 所与:
i.区間のAWPP
ii.区間内の正規化されたAP(NAP)イベント（上記のステージ#を参照）
c. プロセス
i.NAPを平均し層を除去
ii.低下Vs.降水マッピングの生成
1. AWP範囲ごとに、その範囲内のAWPが与えられた場合に収集されたすべてのNAPイベントを収集する。
2. NAPを平均化する。
3. マッピングテーブルにAWP範囲エントリを入力する。
4. 最終的に、各道路区間についての相対的なNAP値（すなわち、特定のPR当たりの公称グリップ低下）を記述する完全なルックアップテーブルを有する。
[001184] 使用−アクアプレーニング予測
[001185] 雨の日のクラウドソーシングAPイベントに続き、この方法は、マップすることを管理してもよい:
a. 道路区間毎AWP毎のAP重大度
b. 車両当たり: TAH
i.各車両に付加される変数（経年変化）
ii.これは、APイベントの特定の大きさのためにこの特定の車両が経験するグリップ低下を反映するように、AP重大度をどのように正規化するかを定義する。
[001186] ここで、特定の車両が特定の道路上を走行しようとしていると仮定すると、本方法は利用可能なグリップレベルを所定のレベル未満に低減しないように、各道路区間における最大安全速度を計算することを望む場合がある。
[001187] 所与:
a. 車両前方の特定の道路区間当たり
b. AWP−現在時刻以前にPWT経由でクラウドソーシングまたは天候ステーションからPRが与えられる。
c. タイヤアクアプレーニング健康状態 (TAH)− 特定の車両ごと
[001188] 地図から読み出し:
a. 速度当たりの、道路区間に関連するLUTから抽出されたグリップ低下の値
b. TAHで補償（補正）
[001189] リターン：
a. グリップを実質的に失う前の最大安全速度
[001190] 最終的に、車両は、この特定の速度を、これらの道路区間に沿った最大速度巡航として使用することができる。
[001191] 前の日焼けページに示された計算およびパラメータは、アクアプレーニングを計算および／または予測するための方法の非限定的な例である。
[001192] 図５６は、車両を運転するための方法２４００を図示し、この方法は、以下のステップを含んでもよい。
a. 複数の道路区間に関連付けられ得る雨に関する雨情報を受信または生成するステップ。ステップ２４０２。
b. 複数の道路区間の各道路区間に関連するグリップレベル低下を推定するステップ。ステップ２４０４。グリップレベル低下の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、道路区間の各道路区間に関連する、雨情報とグリップレベル低下との間のマッピングとに基づくことができる。
c. グリップレベル低下に基づいて、運転に関連した操作を実行する。ステップ２４０６。
[001193] 車両の雨関連パラメータは、車両の少なくとも１つのタイヤの健康状態を含むことができる。
[001194] グリップレベル低下を推定するステップ２４０４は、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定するステップ２４０５を含むことができる。
[001195] ステップ２４０４は、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生に関連するグリップレベル低下を推定することを含むことができる。
[001196] この方法は、車両による１つまたは複数のアクアプレーニング事象の発生を検証するステップ２４０８を含むことができる。
[001197] 検証は、車両センサによって、複数の道路区間を走行するときの車両の挙動を感知して感知結果を提供することと、車両によって、感知結果内の１つまたは複数のアクアプレーニングシグネチャを検索することとを含むことができる。
[001198] ステップ２４０２は、降雨時間帯の間に取得された雨認知率情報を累積して雨情報を生成することを含むことができる。
[001199] ステップ２４０２は、道路区間ごとの降水量ウィンドウ時間を受信または計算することを含んでもよい。
[001200] ステップ２４０６は、車両を自律的に運転するために、自律運転モジュールを選択的に起動するステップを含んでもよい。
[001201] ステップ２４０６は、以下のうちの少なくとも１つを含むことができる。
a. 起動されると、車両を自律的に運転するように構成され得る自律運転モジュールを停止および／または起動する。したがって、車両がある値の正規化されたグリップ（ステップ２４０４中に計算されたグリップ低下を考慮に入れて）を有する道路区間に対して自律走行を起動することができ、車両が他の値の正規化されたグリップ（ステップ２４０４中に計算されたグリップ低下を考慮に入れて）を有する道路区間に対して自律走行を停止することができる。自律走行の起動および／または停止は、複数の道路区間、特に車両が問題のあるグリップレベルを有する道路区間間の距離に関連するグリップレベルの関数であってもよく、それは数十メートル毎に自律走行をオンおよびオフにすることが効率的でない可能性があるためであることに留意されたい。ステップ２４０４の結果が与えられると、自律走行をどのように動作させるかを決定するために、任意の関数を適用し、使用することができる。少なくともいくつかの場合において、アクアプレーニング事象の発生は、（より高速で）アクアプレーニングを引き起こすのに十分な水が集められた道路区間においてさえ、車両の車輪が十分な水を排出することを可能にするのに十分に低くなるように車両の速度を設定することによって回避することができることに留意されたい。したがって、自律走行は、問題のある道路区間にも適用され得る。
b. 複数の道路区間のそれぞれにおける車両の速度を設定する。その速度は、推定された条件（APイベントの可能な発生を含む）の下で、道路区間に関連する最大安全速度を超えないように設定されてもよい。最大安全速度は、車両の車輪が（より高速で）アクアプレーニングを引き起こすのに十分な水が集まった道路区間においてさえ、十分な水を排出することを可能にする。
c. 車両の人間の運転者に警告する。これは、任意のオーディオ／ビジュアルメッセージである可能性がある。この警告は乾燥機が車両を制御しているとき、および／または車両が自律的に運転されているときにも発せられることがある。警告はアクアプレーニング事象の危険性を示し、推奨される車両速度などを運転者に知らせることができる。
d. アクアプレーニング事象が発生すると予想される道路区間で速度の変化（例えば、加速または減速）を実行または防止する。
[001202] ステップ２４０２は、少なくとも１つの車両センサによって雨認知率を推定することを含むことができる。
[001203] 少なくとも１つの車両センサは、ワイパー制御ユニットに属していてもよい。
[001204] 車両を運転するための非一時的コンピュータプログラム製品が提供されてもよく、非一時的コンピュータプログラム製品は、複数の道路区間に関連付けられてもよい雨に関する雨情報を受信または生成するための命令と、複数の道路区間の各道路区間に関連付けられたグリップレベル低下を推定するための命令と、グリップレベル低下の推定は雨情報と、車両の少なくとも１つの雨関連パラメータと、雨情報とグリップレベル低下との間の道路区間の各道路区間に関連するマッピングとに基づいてもよく、グリップレベル低下に基づいて運転関連動作を実行する命令とを記憶する。
[001205] 車両の雨関連パラメータは、車両の少なくとも１つのタイヤの健康状態を含むことができる。
[001206] グリップレベル低下の推定は、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定することを含むことができる。
[001207] グリップレベル低下の推定は、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生に関連するグリップレベル低下を推定することを含むことができる。
[001208] 非一時的コンピュータ可読媒体は、車両による１つまたは複数のアクアプレーニング事象の発生を検証することを含むことができる。
[001209] 検証は、車両センサによって、複数の道路区間を走行するときの車両の挙動を感知して感知結果を提供することと、車両コンピュータによって、感知結果内の１つまたは複数のアクアプレーニングシグネチャを検索することとを含むことができる。
[001210] 非一時的コンピュータ可読媒体は、降雨時間帯の間に取得された雨認知率情報を累積して雨情報を生成するための命令を記憶することができる。
[001211] 運転関連動作の実行は、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含むことができる。
[001212] 運転関連動作の実行は、自動運転モジュールを選択的に停止にすることを含むことができ、自律運転モジュールは起動されたときに、車両を自律的に運転するように構成することができる。
[001213] 運転関連動作の実行は、複数の道路区間のそれぞれに車両の速度を設定することを含むことができる。
[001214] 非一時的コンピュータ可読媒体は、少なくとも１つの車両センサによって雨認知率を推定するための命令を記憶することができる。
[001215] 少なくとも１つの車両センサは、ワイパー制御ユニットに属する。
[001216] 運転関連動作の実行は、車両の運転者に警告することを含むことができる。
[001217] 車両を駆動するための車両システムを備えることができ、車両システムは、（a）車両の挙動を感知すること、（b）雨パラメータを感知することから少なくとも１つを行うように構成されたセンサ（明細書および／または図３、４、２０、４０、４１、４２および５０のいずれか１つに図示されたいずれかのセンサおよび／または車両の雨センサのような）、および、複数の道路区間に関連付けられた雨に関する雨情報を受信または生成し、複数の道路区間のそれぞれの読み取られた区間に関連付けられたグリップレベル低下を推定するように構成されたコンピュータ車両（明細書および／または図３、４、２０、４０、４１、４２および５０のいずれか１つに図示されたいずれかのプロセッサのような）と、を備え、グリップレベル低下の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、雨情報とグリップレベル低下との間のマッピングに基づいており、グリップレベル低下に基づいて運転関連動作の実行を支援する。
[001218] 図５６は、１つまたは複数のアクアプレーニング事象の発生を推定するための方法２４２０を示し、この方法は、以下のステップを含むことができる。
a. 複数の道路区間に関連付けられ得る雨に関する雨情報を受信または生成するステップ。ステップ２４０２。
b. 車両コンピュータによって、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定する。ステップ２４２４。１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、雨情報と１つまたは複数のアクアプレーニング事象の発生との間の、道路区間の各道路区間に関連するマッピングと、に基づくことができる。
[001219] 方法２４２０は、また以下のうちの少なくとも１つを含むことができる。
a. １つまたは複数のアクアプレーニング事象の発生の推定に基づいて運転関連動作を実行するステップ２４２６。
b. 車両による１つまたは複数のアクアプレーニング事象の発生を検証するステップ２４２８。
[001220] ステップ２４２８は、車両センサによって、複数の道路区間を走行するときの車両の挙動を感知して感知結果を提供するステップと、車両によって、感知結果内の１つまたは複数のアクアプレーニングシグネチャを検索するステップとを含むことができる。
[001221] ステップ２４０２は、降雨時間帯中に取得された雨認知率情報を累積して雨情報を生成することを含むことができる。
[001222] ステップ２４０２は、道路区間ごとの降水量ウィンドウ時間を受信または計算することを含んでもよい。
[001223] ステップ２４２６は、以下のうちの少なくとも１つを含むことができる。
a. 起動されると、車両を自律的に運転するように構成され得る自律駆動モジュールを停止および／または起動すること。したがって、車両が特定の値の正規化グリップ（ステップ２４０４中に計算されたグリップ低下を考慮に入れて）を有する道路区間について自律運転を起動することができ、車両が他の値の正規化グリップ（ステップ２４０４中に計算されたグリップ低下を考慮に入れて）を有する道路区間について自律運転を停止することができる。自律走行の起動および／または停止は、複数の道路区間、特に車両が問題のあるグリップレベルを有する道路区間間の距離に関連するグリップレベルの関数であってもよく、それは数十メートル毎に自律走行をオンおよびオフにすることが効率的でない可能性があるためであることに留意されたい。ステップ２４０４の結果が与えられると、自律走行をどのように動作させるかを決定するために、任意の関数を適用し、使用することができる。少なくともいくつかの場合において、アクアプレーニング事象の発生は、（より高速で）アクアプレーニングを引き起こすのに十分な水が集められた道路区間においてさえ、車両の車輪が十分な水を排出することを可能にするのに十分に低くなるように車両の速度を設定することによって回避することができることに留意されたい。したがって、自律運転は、問題のある道路区間にも適用することができる。
b. 複数の道路区間のそれぞれにおける車両の速度を設定すること。速度は、推定された条件（APイベントの可能な発生を含む）の下で、道路区間に関連する最大安全速度を超えないように設定されてもよい。最大安全速度は、車両の車輪が（より高速で）アクアプレーニングを引き起こすのに十分な水が集められた道路区間においてさえ、十分な水を排出することを可能にする。
c. 車両の人間の運転者に警告すること。これは、任意のオーディオ／ビジュアルメッセージである可能性がある。この警告は、運転者が車両を制御しているとき、および／または車両が自律的に運転されているときにも発せられることがある。警告はアクアプレーニング事象の危険性を示し、推奨される車両速度などを運転者に知らせることができる。
d. アクアプレーニング事象が発生すると予想される道路区間で、速度の変化（例えば、加速または減速）を実施または防止すること。
[001224] １つまたは複数のアクアプレーニング事象の発生を推定するための非一時的コンピュータプログラム製品が提供されてもよく、非一時的コンピュータプログラム製品は、複数の道路区間に関連付けられてもよい雨に関する雨情報を受信または生成するための命令と、車両コンピュータによって、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定するための命令とを記憶し、１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報、車両の少なくとも１つの雨関連パラメータ、および複数の道路区間の各道路区間に関連する、雨情報と１つまたは複数のアクアプレーニング事象の発生との間のマッピングに基づいてもよい。
[001225] 非一時的コンピュータ可読媒体は、１つまたは複数のアクアプレーニング事象の発生の推定に基づいて運転関連動作を実行することを含むことができる。
[001226] 非一時的コンピュータ可読媒体は、車両による１つまたは複数のアクアプレーニング事象の発生を検証することを含むことができる。
[001227] 検証は、車両センサによって、複数の道路区間を走行するときの車両の挙動を感知して感知結果を提供することと、車両によって、感知結果内の１つまたは複数のアクアプレーニングシグネチャを検索することとを含むことができる。
[001228] 非一時的コンピュータ可読媒体は、降雨時間帯の間に取得された雨認知率情報を累積して雨情報を生成するための命令を記憶することができる。
[001229] 運転関連動作の実行は、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含むことができる。
[001230] 運転関連動作の実行は、起動すると、車両を自律的に運転するように構成された自律運転モジュールを選択的に停止にすることを含むことができる。
[001231] 運転関連動作の実行は、複数の道路区間のそれぞれにおいて車両の速度を設定することを含むことができる。
[001232] 非一時的コンピュータ可読媒体は、少なくとも１つの車両センサによって雨認知率を推定するための命令を記憶することができる。
[001233] 少なくとも１つの車両センサは、ワイパー制御ユニットに属する。
[001234] 運転関連動作の実行は、車両の運転者に警告することを含むことができる。
[001235] 車両を運転するための車両システムが提供されてもよく、この車両システムは、（a）車両の挙動を感知し、（b）雨パラメータを感知することの少なくとも１つを実行するように構成されたセンサ（明細書および／または図３、４、２０、４０、４１、４２および５０のうちのいずれか１つに示されるセンサおよび／または車両の雨センサなど）、および、複数の道路区間に関連付けられてもよい雨に関する雨情報を受信または生成し、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定するように構成されてもよいコンピュータ車両（明細書および／または図３、４、２０、４０、４１、４２および５０のうちのいずれか１つに示されるプロセッサのような）と、を備え、１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報、車両の少なくとも１つの雨関連パラメータ、および複数の道路区間の各道路区間に関連し、雨情報と１つ以上のアクアプレーニング事象の発生との間のマッピングと、に基づいてもよい。
[001236] 車両コンピュータは、１つまたは複数のアクアプレーニング事象の発生の推定に基づいて、運転関連動作の実行を支援するように構成され得る。
[001237] 複数の道路区間に関連する物理事象を測定する方法は、第１の車両センサによって第１のパラメータセットを測定することを含むことができ、測定は車両が複数の道路区間を運転している間に行われることができ、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含むことができ、第１の車両センサは道路画像センサとは異なり、また車両コンピュータによって、複数の道路区間の運転に関連する検出物理事象を検出することを含み、検出は第１のパラメータセットに基づくことができ、また検出物理事象に関する物理事象情報を生成することを含み、また物理事象情報の少なくとも１つを記憶または送信することを含む。物理事象は、アクアプレーニング事象であってもよい。例として、図１２の方法１０'および図１３の方法１１'の各々は、物理事象を検出するために修正されてもよく、アクアプレーニング事象であってもよい。図１４を参照すると、アクアプレーニング事象に関する情報をデータベース６００'に追加することができ、例えば、固定サイズの疎層６３０'または可変サイズの疎層６４０'に追加することができる。
[001238] 複数の道路区間に関連する物理事象を測定するための非一時的コンピュータプログラム製品が提供されてもよく、その非一時的コンピュータプログラム製品は、第１の車両センサによって第１のパラメータセットを測定するための命令を記憶し、測定は、車両が複数の道路区間を走行している間に行われてもよく、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、また車両コンピュータによって複数の道路区間を走行することに関連する検出物理事象を検出するための命令を記憶し、検出は第１のパラメータセットに基づくことができ、検出物理事象に関する物理事象情報を生成し、物理事象情報の少なくとも部分を記憶または送信する命令を記憶し、物理事象はアクアプレーニング事象の発生を含んでもよい。
[001239] 複数の道路区間に関連する物理事象を測定するためのシステムが提供されてもよく、このシステムは、（i）第１の車両センサから第１のパラメータセットを受信するように構成されてもよく、測定は車両が複数の道路区間上を走行している間に行われ、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、（ii）複数の道路区間上の走行に関連する検出物理事象を検出するように構成されてもよく、検出は第１のパラメータセットに基づいてもよく、また検出物理事象に関する物理事象情報を生成し、物理事象情報の少なくとも一部を格納または送信することを支援するように構成されてもよく、物理事象はアクアプレーニング事象の発生を含んでもよい、車両コンピュータを含んでもよい。
[001240] 領域の参照マップを生成する方法を提供することができ、この方法は、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを通信インターフェースによって受信することを含むことができ、道路区間属性は領域に属する道路区間に関連付けされ、複数の車両の１つの車両の物理事象情報は領域に属する道路区間に関連付けることができ、複数の車両の１つの車両の物理事象情報は車両の第１の車両センサによって感知することができる第１のパラメータセットに基づくことができ、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含むことができ、第１の車両センサは道路画像センサとは異なり、また複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて、参照マップをコンピュータ化システムによって計算することを含み、検出物理事象はアクアプレーニング事象の発生を含むことができる。図２１の方法８００を参照すると、ステップ８１０は、１つまたは複数のアクアプレーニング事象の発生を示すことができる物理事象情報を受信することを含むことができる。ステップ８２０は、１つまたは複数のアクアプレーニング事象の発生を反映することができる参照マップを計算することを含むことができる。
[001241] 領域の参照マップを生成するための非一時的コンピュータプログラム製品が提供されてもよく、この非一時的コンピュータプログラム製品は、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された物理事象に関する物理事象情報と、（b）複数の車両によって計算された道路区間属性とを、通信インターフェースによって、複数の車両から受信するための命令を格納し、道路区間属性は領域に属する道路区間に関連付けられてもよく、複数の車両の１つの車両の物理事象情報は車両の第１の車両センサによって感知されてもよい第１のパラメータセットに基づいてもよく、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含んでもよく、第１の車両センサは道路画像センサとは異なり、またコンピュータ化されたシステムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算するための命令を格納し、検出物理事象はアクアプレーニング事象の発生を含むことができる。
[001242] ドライブセッションを決定するための方法が提供されてもよく、この方法は、車両コンピュータによって、車両プロファイル、および車両に先行する経路の部分の勾配を受信または生成することを含んでもよく、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成されてもよく、また道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる車両センサによって感知することを含んでもよく、また車両コンピュータによって、車両に先行する経路の提案された走行パラメータを決定することを含んでもよく、計算は車両プロファイル、経路部分勾配、外因性制約、および１つ以上のアクアプレーニング事象の発生に関連する情報に少なくとも部分的に基づいてもよいことを含む。外因性制約は、１つ以上のアクアプレーニング事象の発生を含み得る。図２８の方法１２００を参照すると、ステップ１２２０は、外因性制約に反応することができ、１つまたは複数のアクアプレーニング事象の発生（実際のまたは予想される）を含むことができる。
[001243] ドライブセッションを決定するための非一時的コンピュータプログラム製品が提供されてもよく、この非一時的コンピュータプログラム製品は、車両コンピュータによって、車両プロファイル、および車両に先行する経路の部分の勾配を受信または生成するための命令であって、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる車両センサによって感知される命令と、車両コンピュータによって、車両に先行する経路の提案された走行パラメータを決定し、計算は車両プロファイル、経路部分勾配、外因性制約、および１つまたは複数のアクアプレーニング事象の発生などに少なくとも部分的に基づいてもよい。
[001244] 用語「含む」、「備える」、「有する」、「からなる」、および「本質的にからなる」は、交換可能な方法で使用される。例示的な方法では、少なくとも図面および／または明細書に含まれるステップ、図面および／または明細書に含まれるステップのみを含むことができる。
[001245] 前述の明細書において、本発明は、本発明の実施形態の特定の例を参照して説明されてきた。しかし、添付の発明のより広い精神および範囲から逸脱することなく、様々な修正および変更を行うことができることは明らかであろう。
[001246] さらに、明細書および特許請求の範囲における用語「前方」、「後方」、「後ろ」、「頂部」、「底部」、「上方」、「下方」などは、もしあれば、説明の目的のために使用され、必ずしも恒久的な相対位置を説明するために使用されるわけではない。理解されるべき点は、これらの用いられる用語が本願明細書に記載された実施形態を例えば図示された方向又は本願明細書に記載された方向以外の他の方向で動作させるような適切な環境下で相互に交換可能であることである。
[001247] 本明細書で説明する接続は、例えば中間デバイスを介して、それぞれのノード、ユニット、またはデバイスから、またはそれらに信号を転送するのに適した任意のタイプの接続であってもよい。したがって、暗示または別段の記載がない限り、接続は例えば、直接接続または間接接続であってもよい。接続は、単一の接続、複数の接続、単方向接続、または双方向接続を参照して図示または説明することができる。しかしながら、異なる実施形態は、接続の実装を変えることができる。例えば、双方向接続ではなく、別個の単方向接続を使用することができ、逆もまた同様である。また、複数の接続は複数の信号を直列に、または時間多重方式で転送する単一の接続と置き換えることができる。同様に、複数の信号を搬送する単一の接続は、これらの信号のサブセットを搬送する様々な異なる接続に分離されてもよい。したがって、信号を転送するための多くのオプションが存在する
[001248] 特定の導電型または電位の極性が実施例で説明されているが、導電型および電位の極性が逆であってもよいことが理解されるのであろう。
[001249] 当業者は様々な構成要素間の境界が単に例示的なものであり、代替実施形態が様々な構成要素を併合するか、または様々な構成要素に機能性の代替分解を課し得ることを認識するのであろう。したがって、本明細書に示されるアーキテクチャは単に例示的なものであり、実際には、同じ機能を達成する多くの他のアーキテクチャを実装することができることを理解されたい。
[001250] 同じ機能性を達成するための構成要素の任意の配置は所望の機能性が達成されるように、効果的に「関連付けられ」。したがって、本明細書で組み合わされた任意の２つの構成要素はアーキテクチャまたは中間構成要素にかかわらず、所望の機能性が達成されるように、互いに「関連付けられ」ていると見ることができる。同様に、そのように関連付けられた任意の２つの構成要素は所望の機能性を達成するために、互いに「動作可能に接続され」、または「動作可能に結合され」ていると見ることもできる。
[001251] さらに、当業者は、上述の動作間の境界が単に例示的であることを認識するのであろう。複数のオペレーションは単一のオペレーションに組み合わされてもよく、単一のオペレーションは追加のオペレーションに分散されてもよく、オペレーションは時間的に少なくとも部分的に重複して実行されてもよい。さらに、代替実施形態は特定の動作の複数のインスタンスを含むことができ、動作の順序は、様々な他の実施形態で変更することができる。
[001252] しかしながら、他の修正、変形及び代替も可能である。したがって、明細書および図面は、限定的な意味ではなく、例示的な意味で見なされるべきである。
[001253] 図および／または明細書および／または特許請求の範囲のいずれかに示される、システムまたはデバイスまたは装置の任意の構成要素および／またはユニットの任意の構成要素の任意の組み合わせが提供されてもよい。
[001254] 任意の図面および／または明細書および／または特許請求の範囲に示される任意のシステムおよび／またはデバイスおよび／または装置の任意の組み合わせが提供されてもよい。
[001255] 図および／または明細書および／または特許請求の範囲のいずれかに示されるステップ、動作および／または方法の任意の組み合わせが提供されてもよい。
[001256] 図および／または明細書および／または特許請求の範囲のいずれかに示される動作の任意の組み合わせが提供されてもよい。
[001257] 図および／または明細書および／または特許請求の範囲のいずれかに示される方法の任意の組み合わせが提供されてもよい。
[001258] 図および／または明細書および／または特許請求の範囲のいずれかに示されるステップ、動作および／または方法の組合せを実行するための命令を記憶することができる１つまたは複数の非一時的コンピュータ可読媒体を提供することができる。
[001259] 図および／または明細書および／または特許請求の範囲のいずれかに示されるステップ、動作および／または方法の任意の組合せを実行するように構成および配置される１つまたは複数の装置および／またはシステムおよび／またはユニットが提供され得る。
[001260] 構成され（configured）、形成され（constructed）、配置される（arranged）用語は、互換性のある方法で使用される。
[001261] 語句「Xであってもよい」は、条件Xが満たされてもよいことを示す。この句は、条件Xが満たされないことも示唆する。
[001262] 当業者は論理ブロック間の境界が単に例示的なものであり、代替の実施形態が論理ブロックまたは回路要素を併合するか、または様々な論理ブロックまたは回路要素に機能の代替の分解を課し得ることを認識するのであろう。したがって、本明細書に示されるアーキテクチャは単に例示的なものであり、実際には、同じ機能を達成する多くの他のアーキテクチャを実装することができることを理解されたい。
[001263] 同じ機能性を達成するための構成要素の任意の配置は所望の機能性が達成されるように、効果的に「関連付けられる」。したがって、特定の機能性を達成するために本明細書で組み合わされる任意の２つの構成要素はアーキテクチャまたは中間構成要素に関係なく、所望の機能性が達成されるように、互いに「関連付けられる」と見ることができる。同様に、そのように関連付けられる任意の２つの構成要素は所望の機能性を達成するために、互いに「動作可能に接続される」または「動作可能に結合される」と見ることもできる。
[001264] さらに、当業者は、上述の動作間の境界が単に例示的であることを認識するのであろう。複数のオペレーションは単一のオペレーションに組み合わされてもよく、単一のオペレーションは追加のオペレーションに分散されてもよく、オペレーションは時間的に少なくとも部分的に重複して実行されてもよい。さらに、代替実施形態は特定の動作の複数のインスタンスを含むことができ、動作の順序は、様々な他の実施形態で変更することができる。
[001265] また、例えば、一実施形態では、図示された実施例が単一の集積回路上または同じデバイス内に配置された回路として実装されてもよい。あるいは、これらの例が任意の数の別個の集積回路として、または適切な方法で互いに相互接続された別個のデバイスとして実装されてもよい。
[001266] また、例えば、例、またはその一部は、任意の適切なタイプのハードウェア記述言語などで、物理回路のソフト表現またはコード表現、あるいは物理回路に変換可能な論理表現として実装され得る。
[001267] また、本発明は、非プログラマブルハードウェアに実装された物理的デバイスまたはユニットに限定されず、メインフレーム、ミニコンピュータ、サーバ、ワークステーション、パーソナルコンピュータ、ノートパッド、パーソナルデジタルアシスタント、電子ゲーム、自動車および他の埋め込みシステム、携帯電話、ならびに本出願では一般に「コンピュータシステム」と呼ばれる様々な他のワイヤレスデバイスなど、適切なプログラムコードに従って動作することによって所望のデバイス機能を実行することができるプログラマブルデバイスまたはユニットに適用することもできる。
[001268] 特許請求の範囲において、括弧の間に付された引用符号は、当該クレームを限定するものと解釈してはならない。「備える（comprising）」という語は、請求項に列挙されたもの以外の他の要素又はステップの存在を排除するものではない。さらに、ここでいう「a」又は「an」という用語は一つ又は複数を意味するものであり、また、クレーム中の「少なくとも１つ」及び「１又は複数」のような導入句の使用は、同じクレームが「１又は複数」又は「少なくとも１つ」の導入句、及び「a」又は「an」のような不明確な物品を含む場合であっても、不明確な物品による他のクレーム要素の導入がこのような導入されたクレーム要素を含む特定の請求項を、一つの当該要素のみを含む発明に限定することを意味するものと解すべきではなく、また、明確な物品の使用についても同様である。特に示されない限り、「第１」及び「第２」のような語は、これらの語が表す要素間を任意に区別するために用いられる。従って、これらの語は必ずしも要素間の時間的又は他の優先順位を示すものではない。特定の手段が相互に異なる請求項に記載されているという単なる事実は、これらの手段の組み合わせが有利に使用されることができないことを示すものではない。
[001269] 本発明の特定の特徴が本明細書に例示され、説明されてきたが、多くの修正、置換、変更、および均等物が、当業者には今や思い浮かぼう。従って、特許請求の範囲は、そのような修正及び変更全てを本発明の技術思想及び技術的範囲に含まれるものとして保護することを意図していることを理解されたい。

 Detailed description of the drawing
[00359] The following detailed description describes many specific details in order to provide a complete understanding of the present invention. However, those skilled in the art will appreciate that the present invention can be practiced without these particular details. In other examples, well-known methods, procedures, and components are not described in detail so as not to obscure the invention.
[00360] For the sake of simplicity and clarity, it will be understood that the elements shown in the figure are not necessarily drawn to a certain scale. For example, the dimensions of some elements may be exaggerated relative to others for clarity. In addition, reference numbers may be repeated between drawings to indicate corresponding or similar elements, where deemed appropriate.
[00361] Any reference to a system herein should be applied with any necessary changes to the methods that may be performed by the system.
[00362] Understanding and understanding the underlying concepts of the invention, as the illustrated embodiments of the invention can most often be practiced using electronic components and circuits known to those of skill in the art. For the sake of, and in order not to obscure or divert the teachings of the present invention, we will not explain in much more detail than would be necessary as shown above.
[00363] Any reference to a method herein should be applied mutatis mutandis to a system capable of performing that method and remembering instructions that, once executed by a computer, result in the execution of that method. It should be applied mutatis mutandis to temporary computer-readable media.
[00364] Any reference to a system herein should apply mutatis mutandis to a method that can be performed by the system and is non-transient to remember instructions that, once executed by a computer, result in the execution of the method. It should be applied mutatis mutandis to computer-readable media.
[00365] Altitude data and barometer noise estimation
[00366] According to one embodiment of the invention, the method can include initial error correction processing and a positioning process that associates barometer readings with the position of the vehicle.
[00367] FIG. 1 shows examples of several road sections including north-south road sections 11, 15, 18, east-west road sections 12, 13, 14, 16, 19, and curved road sections 17. All road sections except the road section 14 are two-way roads having one lane for each direction, and the road section 14 has two lanes for each direction.
[00368] There are three drive sessions, each of which is represented by a position reading, such as a GPS reading, which may or may not be aligned with the road section.
[00369] The first drive session is indicated by 21 and passes through the left lanes of road sections 12, 13 and 14.
[00370] The second drive session is indicated by 22, passing through road sections 11, 15, 16, 17, 18, and 19.
[00371] The third drive session is indicated by 23 and passes through the right lane of road sections 19, 18, 17, 16, 15, 13 and road section 14.
[00372] FIG. 2 shows an example of a node and an edge representing a session.
[00373] The first session 21 is represented by a first sequence (order) of nodes and edges 31.
[00374] The second session 22 is represented by a second sequence (order) of nodes and edges 32.
[00375] The third session 23 is represented by a third sequence (order) of nodes and edges 33.
[00376] The first, second, and third sequences of nodes and edges 31, 32, 33 are overlapping nodes (overlapping nodes) that represent junctions formed by road sections 11, 13, 11, and 15, respectively. Share 41.
[00377] The height of the overlapping node 41 must be the same in each of the first and second sequences of the node and the edges 31 and 32.
[00378] The third and second sequences of nodes and edges 33, 32 share a plurality of overlapping nodes 42 that represent duplication between these sessions.
[00379] The height of each of the overlapping nodes 41 must be the same for each of the third and second sequences of nodes and edges 33, 32.
[00380] The proposed method is applicable to other road networks and is typically used to map much larger road networks that can contain hundreds, thousands, or even more roads. Note that it is a national road network, a regional road network, etc.
[00381] A duplicate node can be an association node when the duplicate node undergoes an association process.
[00382] The association point association process involves equalizing the height estimates of the association points in different sessions, despite the initial difference in height estimates (association error). This error is distributed (distributed) along the different nodes of the graph. The distribution (distribution) may be any distribution (distribution), in particular a distribution that reduces the impact of the association process by increasing the distance from the association point.
[00383] The association work can take into account many overlapping nodes (any number of 100,000 to 100,000 or more) shared between multiple road sections (between multiple sequences of nodes).
[00384] The association process calculates the association error (different height measurements associated with the same overlapping node), taking into account the propagation process, for example, by limiting the propagation distance of the association error, and / or the threshold. Attempts can be made to distribute the association error among the nodes by ignoring the smaller association error (before or after propagation).
[00385] FIG. 3 shows an example of a vehicle 50, a network 62, and a computerized system 60. FIG. 4 shows another example of a vehicle 50, a network 62, and a computerized system 60. FIG. 4 differs from FIG. 3 by further including the processor 55.
[00386] The vehicle 50 can be any type of vehicle. FIG. 5 shows a vehicle including a barometer 51, another sensor 52, a vehicle computer 53, an air conditioning module / fan 54, a window 57, and a communication module 58.
[00387] The barometer 51 is shown to be located at the front of the vehicle 50. The barometer can be placed at any position in the vehicle 50. There may be one or more barometers.
[00388] The other sensor 52 can sense various parameters related to the vehicle and / or ambient conditions. The other sensor 52 includes at least one of an accelerometer, a speedometer, a thermometer, a window state sensor, an air state module / fan state sensor, an engine sensor (such as a fuel consumption sensor), or any other sensor. be able to.
[00389] The vehicle computer 53 can monitor the state of various components and / or systems of the vehicle and can control various components and / or systems of the vehicle, the methods described herein. It may or may not be involved in the execution of either.
[00390] The communication module 58 can communicate with the computer system 60 via the network 62.
[00391] The communication module 58 can be a short-range communication module, a long-range communication module such as a radio frequency communication module, a satellite communication module, a cellular communication network, or the like.
[00392] The vehicle can include multiple windows, and for simplicity of explanation, only a single window 57 is shown.
[00393] The vehicle computer 53 may include a processor and a memory unit. The processor can include hardware components and can be general purpose processors, image processors, hardware accelerators, FPGAs, ASICs and the like. The memory unit may be a non-volatile memory.
[00394] The computer system 60 is located within a cloud computing environment and may include one or more servers, or any combination of computers.
[00395] Any step (shown in this application), including processing, calculations, etc., can be performed by the vehicle computer 53, the processor 55, and / or the computer system 60.
[00396] Initial error correction processing
[00397] The initial error correction process includes driving itself (eg, acceleration, deceleration), road conditions (eg, bumps, holes), and opening and closing of one or more windows (or other openings in the vehicle), fans and / Or can include correcting barometer errors (errors) resulting from events that affect the barometer, such as events that affect other barometers, such as the operation of the air condition module.
[00398] It is beneficial to perform initial error correction processing before affecting barometer readings from other vehicles, thereby reducing the effects of barometer error.
[00399] The initial error correction step can include detecting an event affecting the barometer by directly or indirectly sensing the event affecting the barometer. Sensation can only consider barometer readings (finding barometer reading patterns that characterize events that affect barometric pressure, such as sudden changes in barometer readings), but sensing is an accelerometer. The use of readings from other sensors such as speed sensors, fuel consumption sensors, air pressure and / or fan sensors or control modules (such as other sensors 52) can also be included.
[00400] Events affecting the barometer can include velocity changes. For example, as the vehicle accelerates, the air in the cabin is pushed backwards. When the barometer is located on the dashboard of the vehicle, acceleration causes a pressure drop in the barometer's environment. This pressure reduction can be mistakenly interpreted as high altitude (low pressure readings). On the other hand, as the vehicle slows down, the air moves forward, creating a pressure increase around the barometer, which can be mistakenly interpreted as a higher altitude (higher pressure reading). Acceleration and deceleration can include linear and non-linear acceleration and deceleration. Non-linear acceleration can result from turns.
[00401] Events affecting the barometer can include opening windows. When the windows are open, especially when driving at high speeds, gusts may occur inside the vehicle or the pressure may drop due to air suction.
[00402] The initial error correction process is to learn the relationship between the barometer effect event (event affecting the barometer) and the barometer reading, and between the barometer effect event and the barometer reading. It can include receiving information about the relationship, dynamically updating the relationship between barometer impact events and barometer readings, and so on.
[00403] Changes in air pressure occur relatively slowly. Unless anomalous conditions are present, the air pressure in the environment should change very slowly and remain substantially constant over areas of hundreds of meters in length and beyond. Rapid changes in barometer readings may be associated with barometer-affected events. The occurrence of barometer-affected events can include accelerometers, ventilation control unit sensors, temperature sensors that detect rapid changes in the temperature of the vehicle's internal space due to window opening, and sounds associated with window opening. It can be verified or detected using other vehicle sensors such as acoustic sensors, the operation of air conditioning units, etc.
[00404] Once a barometer impact event is detected, barometer readings obtained during the occurrence of the barometer impact event may be discarded and / or introduced by the barometer impact event. It may be corrected by correcting the error.
[00405] For example, the method can include detecting velocity changes that can result in false tilts in barometer readings. These false slopes may be smoothed. False slopes can appear in predefined positions (eg, slow down before entering a junction (especially at intersecting junctions) and accelerate after exiting the junction). The location of junctions (especially intersecting junctions) may be known in advance, which can help identify the location of false slopes associated with the junction.
[00406] Junction locations may be learned from maps or other databases that store junction locations and / or from the appearance of false tilts in barometer readings of many vehicles passing through the junction. You may.
[00407] Changes in pressure and height per distance may be relatively limited, or at least pre-estimated or known. For example, road slopes are mild, especially in non-mountainous areas, and barometer readings that indicate altitude changes beyond the slope can be discarded or filtered (eg, lowpass filtering). Lowpass filtering passes, for example, about 5 hertz or any other selected frequency.
[00408] Location process
[00409] The location process involves transforming vehicle location data into nodes in a graph that represent a network of roads. Nodes and graphs are simply non-limiting examples of virtual representations of road networks.
[00410] The transformation can include, for example, mapping GPS readings to a list of nodes in the graph. The mapping can include finding the best match (or suboptimal match) between the GPS reading and the node. Matching can include finding the closest road that can match GPS readings.
[00411] GPS readings are only a non-limiting example of vehicle position data. Other sensors and / or location modules (in-vehicle or no vehicle) can provide vehicle location data.
[00412] The location process continues by associating barometer readings with the nodes of the graph, thereby providing a height estimation process that considers barometer readings from multiple vehicles during multiple time points. make it easier.
[00413] For example, referring to FIGS. 1 and 2, the GPS readings representing drive sessions 21, 22 and 23 are the corresponding road sections and the corresponding first, second, nodes and edges 31, 32 and 33. And should be mapped to the third sequence.
[00414] The height estimation process can take into account barometer readings obtained during multiple sessions. A session represents the propagation of a vehicle along a route during a period of time.
[00415] A session can have a maximum permissible length, a maximum permissible duration (hours), and can be associated with continuous barometer readings. A predefined number of barometer reading gaps (a predetermined number of consecutive nodes in a graph without barometer readings) may be defined as the boundary between two sessions. The maximum permissible length can be determined from the expected change in ambient pressure.
[00416] After assigning barometer readings to nodes in the graph, the method can include estimating barometer readings for nodes that are not associated with barometer readings. Estimates can include extrapolation or any other estimation method.
[00417] The initial error correction process can be performed after and / or before mapping the barometer readings of the session to the nodes of the graph.
[00418] Barometer readings associated with different nodes can be converted to node height estimates.
[00419] After assigning barometer readings and / or height estimates to session nodes, the height estimation process is a multi-session height estimation process that takes into account barometer readings obtained during other sessions. Can be executed.
[00420] The multi-session height estimation process may be an iterative process in which barometer readings from a new session are merged with barometer readings taken from other sessions.
The multi-session height estimation process involves (a) session constant offsets, i.e., altitude shifts (altitude errors) of the entire path due to changes in ambient pressure, and (b) inter-session offsets, i.e. sessions due to changes in time. It can compensate for changes in ambient pressure along, or to define sessions that are too long.
[00422] FIG. 5 shows method 100 according to an embodiment of the present invention.
[00423] Method 100 is a height estimation process.
[00424] Method 100 can be initiated by initialization step 110.
[00425] Step 110 may include determining the relationship between the node of the new session and the node of the previous session.
[00426] A new node is a node in a new session that was not included in the previous session.
[00427] After step 110, (a) define the altitude of the new node (if any) as the altitude obtained from the new session, and (b) merge the height estimates of the other nodes in the new session. Step 120 follows.
[00428] For example, when the previous session includes first and second sessions 21 and 22, and then the third session 23 is evaluated, step 120 involves overlapping nodes 42, overlapping nodes 41 and a plurality of new nodes 43. Find out.
[00429] Merge can include compensating (correcting) session constant offsets and inter-session offsets.
[00430] The following example of step 120 may be explained with the following annotations and acronyms.
AC offset-inter-session offset
AOA-AC offset algorithm (also known as inter-session offset algorithm)
DC Offset-Session constant offset
MDB-Map database, holds the results of the Learn and Merge process: Advanced per node
DOA-DC offset algorithm (also called session constant offset algorithm)
SDB-Session database, holds data for each session as a result of the Learn stage
Number of N-SDB sessions
Iteration of q−DOA #, q = 1,2, ..., N
OLNi, q − Duplicate node between iteration # q, session SiAnd the rest of the session S1, S2,…, Sq(SiGroup of overlapping nodes between (excluding) {Nj}
OLNi − Duplicate node, session SiAnd a group of duplicate nodes between the remaining sessions of SDB {Nj}
Mi, q−OLNi, qNumber of nodes, j = 1,2, ..., Mi, qTo be
Mi−OLNiNumber of nodes
CNj −Nj Includes node Nj from counter, number of different sessions, Server init
TCi− Total Ci OLNiTotal number of all nodes in
MSk− Session SkTotal number of nodes in
P (Nj, Sk) − [P] − Node NjFirst high pressure at, session SkRecorded in, k = 1,2, .., N, j = 1,2, ..., MSk
DCOFF (Sk) − [P] − Session SkCurrent known DC offset of (k = 1,2, ..., N), P (N)j, Sk), J = 1,2, ..., MSk Will be added to
OLSq, j − OverLapping Sessions per Node Duplicate sessions per node − Node NjSubgroup that holds {S1, S2, .., Sq}
OLSeq, j − OverLapping Sessions Excluding Duplicate session exclusion, node NjSubgroup that holds {S1, S2, .., Sq} (Sq Except for itself)
OLSi − OverLapping Sessions per Session Duplicate sessions per session, node N also included in SimSubgroup holding at least one {S1, S2, .., Sq}
Mqj− Subgroup OLSq, jSize
Meqj− Subgroup OLSeq, jSize
dOF (OLSeq, j) − [P] − OLSeqj New incremental DC offset added per session in
Pm(OLSq, j) − [P] − DC average − Node NjDC Compensated Pressure Height at: P (N)j, Sk) + DCOFF (Sk), OLSq, j SkFor every
PNj− Node NjPressure assigned to, S1, S2, ..., SN-1After Learn and Merge
Emin − [P] − Pm Requires minimum change (threshold) of session, propagated update of session DCOFF
ACOFF (Sk, Nj) − [P] − Sk Specific node N inj DCOFF (Sk) Calculated additional offset
MS-Modified Sessions, a list of all session IDs whose DCOFF was updated during DOA
MN-Modified Nodes, P during DOANj All updated node IDs Nj List of
[00431] Session constant offset correction
[00432] This process aims to overcome fixed changes (in time and space) in ambient pressure. After the learning phase, this process can attempt to find the best way to correlate them with each other in order to generate 3D frames of the map across all new sessions in the SDB.
[00433] Assumption-SDB holds N sessions containing data after the learning stage
[00434] Goal-DCOFF (Sk), K = 1, 2, ..., N-Search for the differences that need to be added to the altitude of each session so that they are optimal for each other.
[00435] Step 120 can include step 130 of session constant offset correction.
[00436] Step 130 may include initialization step 132 for setting parameters:
DCOFF (Sk) = 0, k = 1,2, ..., N
Emin= 2 [P] = ~ 20 [cm]
Agg_cntr = 0.
[00437] Step 132 can be followed by step 134, which iteratively advances the SDB, and each iteration takes into account a new session. Each iteration may include:
Find height estimates for overlapping nodes that belong to different sessions.
b. Calculate the height estimation error between the currently evaluated session height estimate and the previously processed session height estimate.
c. Attempts to reduce the attributes associated with height estimation errors, preferably without association. This can include, for example, reducing the overall height error.
[00438] FIG. 9 shows three sessions 610, 620, and 620 with different height estimates. There are three pairs of overlapping nodes.
A first pair that includes node 611 in session 610 and node 631 in session 630.
b. A second pair containing node 612 of session 610 and node 621 of session 620.
c. A third pair that includes node 622 for session 620 and node 632 for session 630.
[00439] Each pair of overlapping nodes points to the same position, and each pair is associated with a height estimation error, ie, the first pair D13 641, the second pair D12 642, and the third pair D23 643. Related to the difference between height estimates.
[00440] Step 134 reduces the overall height error, eg, reduces the total height error, reduces the weighted total height error, the sum of the squares of the height error. Can be included, such as reducing.
[00441] It may be assumed that all sessions are new sessions or at least one session is a new session.
[00442] At the bottom of FIG. 9, the height error correction process in step 134-session 630 decreased (session-related node height estimates decreased) and session 620 increased (session-related nodes). The three sessions after (the height estimate of) has increased) are shown.
[00443] The updated height errors D13'641', D12'642', and D23'643' are smaller than the height errors D13 641, D12 642, and D23 643.
[00444] Step 134 is for each S in the SDB.qCan include iterations of, q = 1,2, ..., N.
[00445] Step 134 is:
SqQueue
For each new session, find the best DCOFF and propagate the changes in the frame-
1. While Queue not empty
2. Si = session from top of Queue
3.Find OLNiq
4. For each Nj in OLNiqCalculate mean P of Nj, prior to adding (i.e. excluding) Si: Pm(OLSei, j) = (1 / Mei, J) * sigma (k = 1, k <= Mei, j) [P (Nj, Sk) + DCOFF (Sk)]]
5. Calculate offset for the new session Si, so that deviation of its overlapping nodes Nj from their Pm will be evenly distributed (or distributed in another predefined manner): Delta_DCOFF (S)i) = (1 / Mi) * sigma (k = 1, k <= Mi) [Pm(OLSi-1, j)-P (Nj, Si)]]
6.If Delta_DCOFF (Si)> Emin
a.DCOFF (Si) + = Delta_DCOFF (Si)
b.Propagation: Calculate the small offset to propagate into the map: for each Nj in OLNi
i.Calculate dOF (OLS)i, j) = Pm (OLS)i, j) --Pm (OLS)i-1, j).
ii. For each Sq in {OLSi, j} excluding Si update: update:
1.Agg_DCOFF (Sq) + = dOF (OLS)i, j)
2.Agg_cntr ++
c.If ABS (Agg_DCOFF (S)q) / Agg_cntr)> Emin // in case of substantial change
i.DCOFF (Sq) + = Agg_DCOFF (Sq) / Agg_cntr
ii.Insert Sq into end of Queue
End:
Update DC-Offsets: Insert DCOFF (Si) into SDB, for all session Si, i = 1,2, .., N

[00446] In step 130, all nodes of the session may be raised or lowered in a similar manner.
[00447] Step 120 can also include step 140. Step 140 can include inter-session offset correction.
[00448] Step 140 can include compensating (correcting) changes due to the local nature of ambient pressure, such as:
[00449] Select a session that is too long in the sense that it covers locations with different ambient pressures.
[00450] Select a session with a long period of change in ambient pressure.
[00451] Step 140 duplicates nodes in a new session, (a) (i) overlapping nodes in another session, and (ii) their heights being modified during step 120 of session constant offset correction. Step 142 to search, (b) step 144 to perform height correction so that the height of each overlapping node in the new session is equal to the height of the overlapping node in the other session, and (c) the height of the overlapping node in the new session. The corrections made to the above can be included with step 146 to distribute to the other nodes of the session according to a predetermined error distribution.
[00452] FIG. 10 shows three sessions after the three overlapping nodes have been associated (height equalized) to provide three association points. The association involves adopting the height of one of the overlapping nodes (after session constant correction) or calculating the new weight of the association point based on the height of at least one updated overlapping node. be able to.
[00453] Non-limiting assumptions:
The change in ambient pressure is gradual and therefore the AC offset should be gradual.
b. A given behavior of ambient pressure can be assumed, for example, to be a unified distribution of ambient pressure changes.
c. The ambient pressure of each node over time is distributed uniformly. Therefore, looking at the value histogram per node, we get a Gauss-like structure.
[00454] Goal-Premise Sq, Q = 1,2, ..., N, session in SDB, DCOFF (S) updated using DOA (DC offset algorithm)q) With
[00455] Sq ACOFF (S) for each node inq, Nj) Search:
a. DCOFF (Sq) + ACOFF (Sq, Ni) Makes all duplicate nodes in the SDB the same height.
b. “Noise” is distributed according to a given distribution, eg, a uniform distribution along the session.
[00456] Output-Update altitude of each node in MDB
[00457] Step 140 includes:
Init --Insert into SQueue, all sessions Sq, that their DCOFF (Sq) has changed

// stage # 1 “Welding”: calculate height of OLN in MDB, and collect updated nodes in NQueue
for each Si in SQueue:
-For each Nj in OLNi and not in NQueue
Calculate Pm (Nj) = (1 / Mi) * sigma (k = 1, k <= Mi) [P (Nj, Sk) + DCOFF (Sk)]
Update Pm (Nj) in MDB, as the elevation for Nj
Insert Nj into NQueue
[00458] // stage # 2 “Smoothing”: fine tune nodes height adjacent to “welded” nodes from stage # 1 // Stage # 2 “Smoothing”: Node height adjacent to the “association” node from stage # 1. Fine-tune the node.
while NQueue not empty:
Take Nj from top of NQueue
For each Sk in OLSij
Find an adjacent OLN on Sk, closest to Nj. Denoted by: {NA jk}
For each Na in {NA jk}
Calculate ACOFF1 = P (S)k, Na) + DCOFF (Sk) − Pm(Na)
Calculate ACOFF2 = P (S)k, Nj) + DCOFF (Sk) − Pm(Nj)
Go over all nodes Nz on Sk, located between Na and Nj, and refine their elevation P (S)k, Nz) to be linearly distributed (or according to another predefined distribution) between ACOFF1 and ACOFF2
Update elevation of Nz in MDB

[00459] FIG. 6 shows method 200'according to an embodiment of the present invention.
[00460] Method 200'is a height estimation process.
[00461] Method 200'is more efficient than method 100 because it does not recalculate the height or height correction parameters of each node in the previous session.
[00462] Method 200'can rely on one or more databases or fields not used by Method 100, including but not limited to the following MDB fields.
MW_NODES − new field P_COUNT integer --holds CNj, total number of times we got pressure value for Node Nj --init to 0.
MW_NODES − replace field ELEVATION with field PRESSURE --holds PNj --average pressure height (instead of elevation), init to Not Available.
SQL formula / view: convert PRESSURE to ELEVATION using the standard formula, where ambient pressure = 101300 [Pascal] (standard pressure)
[00463] Method 200'is to define a pressure preprocessing noise reduction algorithm as part of an advanced (height) learning phase to be performed prior to merging data associated with the new and previous sessions. Altitude (height) learning modifications can be included.
[00464] Instead of reading the pressure associated with all previous sessions and generating a weighted average between the new session and the previous session, method 200'is the last average P.NjAnd its counter CNjTo save. Nj is the jth duplicate node. Cnj-Number of sessions associated with duplicate nodes.
[00465] In method 100, DOA is performed from the beginning over all sessions, followed by AOA to obtain altitude at node N. On the other hand, method 200'may be performed more incrementally in nature. Given the new session Si, this method uses statistics about the previous session. For example, P (Nj, Sq) + DCOFF (Sq) Instead of P from MW_NODESNjAnd so on. In this way, the AOA results are also taken into account.
[00466] In method 200', the association stage (P)NjWeighted average) is done in DOA instead of AOA
[00467] Method 200'has Delta_DCOFF (S)i) Can be included-each NjDifferent CNj Must be weighted according to. NjIs SiIs a duplicate node of.
[00468] Method 200'can include using a new list called Modified Sessions (MS), where DCOFF holds the identities of the sessions updated during the DOA phase. It is used in the AOA stage.
[00469] Method 200'is P during the DOA stage.NjCan include adding a new list called a modified node (MN) that holds the ID of the updated node. It is used in the AOA stage.
[00470] Method 200'includes step 220' following initialization step 210' and defines the altitude of the new node, such as the altitude obtained from the new session (if such exists), (b). ) Integrate height estimates for other nodes in the new session.
[00471] Step 220'can include step 240' of session constant offset correction.
[00472] Step 240'can include the use of (232') during each session, statistics related to the previous session, and information related to the new session. In particular-step 240'is the new session SiIncludes offset update calculations for those CNjWeighted by their PNjIts duplicate node N fromjDeviations can be evenly distributed (or otherwise distributed).
[00473] Assumed status:
The SDB holds N-1 sessions with data after advanced (height) learning and advanced (height) merging stages (both DOA and AOA).
Each previously accessed node Nj Every PNjAnd CNj The value is updated in MDB.
Session SNHas passed the altitude (height) learning stage (noise reduction and pressure on the node).
[00474] Assumption-New session S after the altitude (height) learning phaseN
[00475] Goal
DCOFF (Sk), K = 1, 2, ..., N-Update the DC offsets that need to be added to the altitude of each previous session so that they are optimal for each other.
Affected node NjEvery PNjAnd CNj Update- "Associate"
[00476] Step 240'includes:
Init:
Set default DCOFF for the new session --DCOFF (S)N) = 0
Set propagation threshold: Emin = 2 [Pascal] = ~ 17 [cm]
Start with empty Modified Session and Modified Nodes list: NM and MS = {}
Start with processing the new session:
Insert SN into Queue
Process all modified sessions, until nothing to propagate
While Queue not empty
Get the next session to process: Si = top of Queue
Indicate for AOA that Si was modified --Add Si to MS list
Find the group of nodes {Nj} that exist in Si and in some other Session in SDB --Get OLNi
Assign --Mi = sizeof (OLN)i)
Retrieve last set Pressure and Counters from MDB:
For each Nj in OLNSi--Get PNj and CNj from MW_NODES
Calculate total count of Nodes in OLNi TCi = sigma (j = 1, j <= Mi) [CNj]
Calculate offset update for session Si, so that deviation of its overlapping nodes Nj from their PNj, weighted by their CNj, will be evenly distributed:
Delta_DCOFF (Si) =
= (1 / TCi) * sigma (j = 1, j <= Mi) [CNj * (PNj − (P (N)j, Si) + DCOFF (Si)))]
= (1 / TCi) * sigma (j = 1, j <= Mi) [CNj * (PNj − P (Nj, Si))] − DCOFF (Si)
Check if change is substantial --if Delta_DCOFF (S)i)> Emin
update offset of current processed session DCOFF (Si) + = Delta_DCOFF (Si)
update MDB pressures for Nodes in OLNi --weighted average with the new value of Si ―― “Welding” ―― for each Nj in OLNSi
PNj = (P (N)j, Si) + DCOFF (Si) + CNj * PNj) / (1 + CNj)
Add Node ID to Modified Nodes list --Add Nj to MN list
Find the sessions that might be affected due to PNj change --Get OLSi
Propagation --Go over the Sessions with potential to change:
For each Sk in OLSi:
Find the group of nodes {Nj}, common to Sk and Si-Get OLNSk, Si
Assign: Mk, i = sizeof (OLN)Sk, Si)
Calculate total count of the group OLNSk, Si--TCk, i = sigma (j = 1, j <= Mk, i) [CNj]
Calculate the combined offset change for Sk::
Delta_DCOFF (Sk) =
= (1 / TCk, i) * sigma (j = 1, j <= Mk, i) [CNj * (PNj − (P (N)j, Sk) + DCOFF (Sk)))] = (1 / TCk, i) * sigma (j = 1, j <= Mk, i) [CNj * (PNj − P (Nj, Sk))] --DCOFF (Sk)
Check if this is a substantial change to DCOFF (Sk):
If (ABS (Delta_DCOFF (S)k))> Emin) Update the DCOFF:
DCOFF (Sk) + = Delta_DCOFF (Sk)
Add Sk to queue to check for furthur propagation --Insert Sk into end of Queue
End:
Make sure the SDB and MDB are updated according to the above changes.
Send MS and MN to the next stage-AOA
[00477] Step 240'can also include step 240. Step 240 can include inter-session offset correction.
[00478] AC offset algorithm
[00479] The AC Offset Algorithm (AOA) detects local noise and changes in environmental air pressure over time and space that may have distorted or distorted the signals used to learn altitude (barometric pressure). deal with. The idea is that the pressure of overlapping sessions should be leveled after the DOA finishes its work, and any mistakes should be the result of the above reasons (local noise and skew over time and space). That's what it means.
[00480] Noise is reduced or canceled by applying a heuristic approach that approaches the problem under the assumption that there can be no "unique" points in the road network, which is a single node (or or). This means that it is impossible for a node) to have a very large gradient with respect to its neighbors (ie, its altitude is significantly different from that of its neighbors).
[00481] A heuristic method of discovery that inspects "association points" (ie, nodes that are shared over different sessions and therefore have average pressure values) and retain the shape that the road had before the association. Try to try. Let's look at an example to understand this approach:
Notation
Si− Session i
Nj − Node j
PNj − Node final pressure Nj
− Node N after DOAj Average pressure (original pressure + DC offset for unrelated points)
PNjSk − Session SkNode N inj Pressure (ignoring DC offset)
Δjk − Change in pressure difference between node J and node K (in effect, change in gradient between nodes)
− Node Nj And Nk The average pressure difference over all sessions between is both present.
Ejk− Node Nj From node Nk Directed edge to
| Ejk| − Edge EjkThrough node Nk Cumulative cost to move to
dNj, Nk − Nj From Nk Driving distance to
Derr -Error factor (defines how wide the association error should be, default: 1m / 1km)
[00482] Input
{Welding Points} − A set of node ids of association points created by DOA
{Nodes} − A hash that maps node data to its Id.
Graph-A graph containing all associated points with "sufficient" radii around it, where each vertex in the graph represents a node in the road network and each edge is its length (d).jk) And average pressure difference (
) Represents a road section. The graph may be constructed assuming that the maximum height error is associated with the association point (under the maximum difference in meteorological conditions) and the minimum error propagated.
[00483] Allowed_Error-Error (percentage) output that allows each node to absorb from a single association point
[00484] {Dirty Notes} − A set of all nodes updated by the algorithm
[00485] Data structure
[00486] Graph-Given as an input, the graph facilitates crossing the road network from each association point. The graph shows the d for each edgejkWhen
Note that it stores.
[00487] {Traversal Front} − DS used to remember the current crossing point (“wave front”)
[00488] Description

[00489] Database
[00490] Get AOA data
[00491] In order to perform AOA, three data structures need to be pre-built:
Read from the {Welding Points} set, mw_elevation_weldings table.
It consists of a {Nodes} map, data read from the mw_elevation_weldings table and the mw_nodes table.
Created by a special snake query that reads data from the Graph-mw_topology table (edge and distance) and the mw_slopes table (average pressure difference between nodes).
[00492] Persistence of data

[00493] Altitude layer association
[00494] FIG. 7 shows method 400'. Method 400'includes altitude layer association. The method 400'may replace one of the methods 100 and 200'and / or may be included in either of the methods 100 and 200'.
[00495] Method 400'can include step 410' and step 420'.
[00496] Step 410'includes calculating the pressure value associated with the overlapping node.
[00497] In this step, all post-DOA pressures are calculated (ie, the pressures of all nodes touched by the session moved in the DC stage). Note that this step can be easily parallelized.
[00498] Input
[00499] Mapping Nodes to Sessions-Maps each node Nj ∈ {OLN} to a set of sessions passing through it. For example
No o − {Sl, Sm... Sn}
Nj + 1 − {Sx, Sy... Sz}
Updated Sessions-All sessions moved without DOA
[00500] Outlier cutoff width (Cmax)
[00501] Output
[00502] Hash: {node_id => node}
[00503] Step 420'can include calculating the number of sessions containing overlapping nodes and, if there are sufficient sessions, calculating overlapping node pressure value statistics and removing outliers. Creating an empty node hash: {Dirty Nodes}
[00504]

[00505] Step 420'includes a permanent integration result.
[00506] The association points should be saved so that they can be read once the AOA is performed.
[00507] Input:
{Dirty Nodes} -Maps between node IDs to node objects, including modified nodes.
[00508] Process:
For each node Nj ∈ {Dirty Nodes}
N in the mw_elevation_weldings tablejSave (upsert) the following information about:
Association information:
Associated pressure
Association standard deviation
Number of associations
Association point: True (N)jIf is an association point)
general information:
Average pressure
Standard deviation (including outliers)
1. Count (including outliers)
[00509] Advanced verification
[00510] One or more of the methods described above obtained the results of one or more algorithms from measurements made along a particular path at variable pitch using a survey vehicle. It was verified by comparing with detailed altitude (elevation) information.
[00511] Definition and assumption
[00512] Filter:
Compare the slopes of nodes defined in MW Server
Use LPF to generate a gradient from the input altitude
The linear extrapolation of a window of size 60 [m] around the node position, the one for the MW altitude value of the adjacent node, and the second one for accurate altitude measurement are two for comparing gradients. Bring a gradient
[00513] Assumption:
The error is defined as the difference between the original slope percentage and the MW slope percentage measured at the same point. Therefore, the error unit is [%].
The error distribution is the Gaussian distribution. This is the case when merging a large number of sessions at the same location.
[00514] Measurement error:
Standard deviation (Sigma-1) -Gradient error value [%] where 70% of the results are better
b. Sigma-2-gradient error value [%] 95% of the results are better than that
[00515] To demonstrate data convergence, measure the above for the following set:
Single session along the path (randomly selected)
b. 4 sessions along the path (randomly selected)
c. 10 sessions along the path (randomly selected)
d. We assume that the result of 10 sessions is close enough to the number of big data.
[00516] Measure the above to demonstrate noise canceling / reduction:
a. Before noise cancellation / reduction
b. After noise canceling / reduction
[00517] FIG. 8 shows the height measurements associated with the two sequences of road sections and the association error.
[00518] The overlapping node 41 is shared by the sequences of road sections 11, 15, 16, 17, and 18 and the sequences of road sections 12, 13, and 14.
Curve 511'shows height measurements obtained for sequences of road sections 11, 15, 16, 17 and 18.
[00520] Curve 512'shows height measurements obtained for sequences of road sections 12, 13 and 14.
[00521] The height of the overlapping node 41 on the curve 511'is indicated by H11 501'.
[00522] The height of the overlapping node 41 on the curve 512'is indicated by H12 502'.
[00523] There is an association error WE 531'between the heights of the overlapping nodes 41 on the curves 511'and 512', so the height of the overlapping nodes 402 on both curves should be corrected thereby. The entire height readings for both curves 511'and 512'are corrected. The association error is propagated between the various nodes so that not only the curves 511'and 512' are moved upwards and / or downwards, but their shape is modified according to the propagation of the association error. Well, or may be modified depending on whether the association error is applied to the node as a function of the distance between the duplicate node that generated the association error and the updated node.
[00524] FIG. 9 shows method 700 according to an embodiment of the present invention.
[00525] Method 700 can be initiated by step 710 to receive or measure internal vehicle pressure to provide multiple barometric pressure measurements. Measurements are performed by the vehicle's barometer and during a given drive session while the vehicle passes through a road section.
[00526] Step 710 can be followed by step 720 of compensating (correcting) the vehicle condition affecting the barometer by computer to provide a plurality of compensated (corrected) barometer measurements.
[00527] Step 720 can include at least one of the following:
Compensation (correction) for vehicle conditions affecting the barometer is made based on the information provided by the barometer and at least one other vehicle sensor different from the barometer. The at least one other vehicle sensor may or may not be an accelerometer.
b. Perform low-pass filtering of barometric pressure readings.
c. Decide to ignore at least some of the barometric pressure readings.
d. Decide to ignore at least some of the barometric pressure readings.
e. Ignore at least some of the barometric pressure readings when the slope of the road section extending between the two points exceeds the maximum slope threshold, as reflected by the barometric pressure readings associated with the two points. Decide that.
f. Calculate the effect of the barometer effect event on the value of at least one barometer measurement.
g. Perform compensation in response to vehicle acceleration and / or acceleration when barometer measurements are taken.
[00528] Very noisy and / or strongly influenced by barometer-affected events and / or otherwise unreasonable slopes (gradients against road slopes, such as slopes near 90 degrees, about 70 degrees, etc. It has been found that ignoring barometer measurements that are suspected to indicate) dramatically improves the accuracy of height estimates. Rejection of barometric pressure measurements related to a road section is compensated (corrected) by waiting for other barometric pressure readings related to the same road section to be received at another time and / or from another vehicle, etc. be able to. Execution of Method 700 over multiple barometer measurements over hours, days, weeks, etc. fills in missing data.
[00529] Step 720 can be followed by step 730, which compensates for vehicle conditions affecting the barometer, by computer to provide a plurality of compensated barometer measurements.
[00530] Step 730 may include at least one of:
Search for duplicate nodes, each duplicate node corresponds to the same location and belongs to multiple sessions.
b. Perform an association process to make the height estimates of different sessions associated with the same duplicate node substantially equal.
c. Change the height estimates of non-overlapping nodes based on the changes in height estimates of overlapping nodes introduced during the association process.
d. Change the height estimates of non-overlapping nodes by distributing the height adjustments along the session according to a predefined height adjustment distribution. The predetermined height adjustment distribution can be any distribution, even or uneven distribution height adjustment distribution.
e. Perform session constant offset correction by reducing the height difference between overlapping nodes without associating them.
f. Perform inter-session offset correction by applying the association process.
g. Calculate the height estimates associated with the duplicate node and reject one or more height estimates based on the statistics.
[00531] This method can include sending multiple compensated barometric pressure readings to a computerized system located outside the vehicle, the merger being performed by the computerized system. ..
[00532] At least part of the merger is performed by the vehicle's computer.
[00533] Method 700 is very accurate and uses a simple inaccurate barometer already installed in the vehicle. Method 700 provides accurate height estimates, even if only a small amount of barometric pressure measurements per road section are collected.
[00534] Approximately 1 percent accuracy (height error up to 1 percent related to the height of the path section) processes valid (non-rejected) barometric pressure readings obtained when passing through the path section three times. Achieved when you do.
[00535] Approximately 0.5 percent accuracy was achieved when processing valid (non-rejected) barometric pressure readings obtained when traversing the path section seven times.
[00536] Approximately 0.3 percent accuracy was achieved when processing valid (non-rejected) barometric pressure readings obtained when traversing the path section 15 times.
[00537] These accuracy is comparable to the height measurement accuracy obtained when using an expensive specialized device such as the RT3000 from Oxford Technical Solutions Ltd. in the United Kingdom.
[00538] Measurement of physical events
[00539] FIG. 12 shows an example of a method 10'for measuring physical events associated with a plurality of road sections.
[00540] Method 10'may be performed by various components, systems, or units installed in the vehicle.
[00541] Method 10'can start with step 20', which measures the first parameter set by the first vehicle sensor. The measurement is made while the vehicle is traveling on multiple road sections.
[00542] Measurements may be performed in a continuous or discontinuous manner. This measurement can be performed at multiple time points (use of multiple locations) per road section.
[00543] Therefore, the first parameter set may be measured for a plurality of positions per road section of a plurality of road sections.
[00544] Measurements may be performed at speeds exceeding 10 or even 100 measurements per second. For example, the wheel speed can be detected at any speed, especially at least 100 hertz. Any other rate can be used. The 3-axis accelerometer can read at any speed, especially at least 100 hertz. The barometer can read at any speed, especially at least 20 hertz.
[00545] The first parameter set can be measured by a sensor that is not a road image sensor. The road image sensor is a dedicated image sensor for acquiring an image of a road section. For example, the road image sensor may be a camera that has the primary task of acquiring an image of the area in front of the vehicle.
[00546] A plurality of road sections are linked to each other in the sense that a vehicle can move from one road section to another. The number of road sections may range from two, tens, hundreds, or even thousands.
[00547] The first parameter set can include vehicle wheel movement parameters and vehicle acceleration parameters.
[00548] The vehicle may include a plurality of wheels. The wheels may include driving wheels, non-driving wheels, or a combination of both. In a 2x4 vehicle, the two wheels are the driving wheels and the two wheels are the non-driving wheels. In a 4x4 vehicle (when operating in 4x4 mode), all wheels can be considered as driving wheels.
[00549] Wheel motion parameters can reflect the rotation of all wheels of the vehicle or at least some of the wheels of the vehicle.
[00550] For the sake of simplicity, the following is assumed.
Vehicles shall include front right wheels, front left wheels, rear right wheels and rear right wheels.
b. The vehicle has a rear wheel drive configuration, with the rear wheels being the drive wheels.
c. Wheel motion parameters for all four wheels are monitored.
[00551] These are merely non-limiting assumptions and the method is applicable regardless of these assumptions. For example, the method is applicable to any number of wheels, any number of monitored wheels, front-wheel drive configurations, and / or any number of wheels and / or drive configurations on a 4x4 vehicle.
[00552] Method 10'may also include step 30'to obtain additional information about the vehicle and / or road section.
[00553] Additional information may include vehicle position information and additional vehicle parameters. The position information can include the longitude position of the vehicle and the latitude position of the vehicle, that is, the lane and even the position within the lane. Location information can be calculated by using one or more sensors such as GPS (which provides a very rough estimate of location), image sensors, and so on.
[00554] Additional information can include the position of the alignment target. The alignment target may be used to reset the virtual odometer error. For example, the odometer can be updated based on the integral of wheel speed. Nevertheless, the wheels can slip and have an actual effective radius that is different from what is expected, and as a result the odometer can accumulate distance error. These distance errors may be reset and the actual effective radius is determined based on the distance between adjacent alignment targets.
[00555] The actual effective radius of a wheel represents the actual distance the vehicle will pass when the vehicle wheel completes a full turn. The actual effective radius can be affected by wheel pressure, wheel weight, and so on.
[00556] Step 20'can be followed by step 40', in which the vehicle computer detects a detection physical event associated with traveling on a plurality of road sections, the detection being based on the first parameter set.
[00557] Non-limiting examples of detected physical events may include collisions, slips, skidding, spins, latitude spins, and longitude spins. Each physical event can be represented by a binary value, for example, 3 bits can represent the type of each event from collision, slip, skid, spin, latitude spin, and longitude spin.
[00558] Collision-Collision with an element higher than the previous level.
Example: Step into a ridge, step out of a hole.
[00559] Collisions can be detected by:
Drive wheels-Sudden momentary slowdown.
b. Non-driving wheels-rapid momentary slowdown.
c. Accelerometer-X and Z display, followed by high pass filter (HPF).
d. Barometer-Rapid increase in height.
[00560] Slip-Step into an element below the previous level. Example: Step into a hole, step out of a ridge.
[00561] Slips can be detected as follows:
Drive wheels-rapid momentary speed increase.
b. Non-driving wheels-slight momentary slowdown.
c. Accelerometer-X and Z indications, followed by HPF.
d. Barometer-Sudden decrease in height.
[00562] Sideslip-Loss of tire surface grip when entering a worse grip at the same height. Example: Ice / oil spill / gravel / stepping into a puddle, surface height does not change.
[00563] Slips can be detected as follows:
Drive wheels-rapid (but not instantaneous) speed increase
b. Non-driving wheels-gradual slowdown. The falling speed increases with axial friction.
[00564] Spin-Gain of tire surface grip when entering a better grip at the same height.
Example-Escape from ice / oil spills / gravel to a good grip surface where the surface height does not change.
[00565] Spin can be detected by the following equation:
Drive wheels-rapid (but not instantaneous) slowdown.
b. Non-driving wheels-moderate speed increase. The rate of increase decreases with axial friction.
[00566] Latitude spin-on the YZ plane motion of the vehicle, its steady motion. Example-Get on / over a dent (concave or convex) on the road with one wheel.
[00567] Latitude spin can be detected by the following equation:
Drive wheels-no obvious speed change.
b. Non-driving wheels-no obvious speed change.
c. Separate motion vectors on accelerometer-Y-Z:
[00568] Latitude spins are longer in time than collisions or slips.
[00569] Accelerometer readings associated with latitude spins are less than collisions or slips.
[00570] Latitude spin-In addition to steady-state movement, the movement of the vehicle in the XZ plane. Example-Treading / over a dent (concave or convex) on a road with two wheels.
[00571] Latitude spins can be detected by the following equation:
Drive wheels-no obvious speed change.
b. Non-driving wheels-no obvious speed change.
c. Separate motion vectors on accelerometer-X-Z
[00572] Longitude spins are longer than collisions or slips.
[00573] Accelerometer readings associated with longitude spins are less than collisions or slips.
[00574] Steps 30'and 40'can be followed by step 50', which generates physical event information about the detected physical event.
[00575] Physical event information may include physical events and their locations.
[00576] The position of a physical event may be calculated based on the position of the vehicle at the time the first set of parameters indicating the physical event was measured and the position of the vehicle components associated with the physical event. ..
[00577] Step 50'can be followed by step 90', which performs at least one of the storage, transmission, and processing of physical event information. Physical event information may be further processed before being transmitted and / or stored.
[00578] Steps 20'and 30'can also be followed by step 60', which calculates road section attributes.
[00579] Although multiple physical events can be detected for each road section, the road section attribute represents the entire road section. Examples of road section attributes are (i) curvature of a group of road sections including road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, (iv) grips associated with road sections. Levels, (v) can include swells in road sections.
[00580] Each road section attribute can be calculated by applying an arbitrary function (statistical function, especially averaging function, etc.) to readings made at different locations in the road section.
[00581] See the curvature of a group of road sections, including road sections. Detours and curved turns can be represented by groups of road sections. The curvature of a detour or curved bend is represented by the curvature of a group of road sections.
[00582] The curvature of a group of road sections can include the radius and number of road sections belonging to the group, or any other indication of the group of road sections (such as the president).
[00583] In order to store the curvature of a group of road sections in a compressed manner, the curvature may be stored in relation to a particular road section of the group (eg, a first road section), with additional information. , May indicate the size of a group of road sections that should also be associated with curvature.
[00584] Step 60'can be followed by step 80', which generates road section information based on the road section attributes. The road section information may be a set of road section attributes.
[00585] Step 80'can also include performing at least one of storing, transmitting, and further processing road section information. Road section information may be further processed before being transmitted and / or stored.
[00586] Steps 80'and 90'may be combined in the sense that road section information and physical event information can go through the same process of processing, storing and transmitting.
[00587] For example, this method can reduce the amount of information transmitted from the vehicle by transmitting only the difference-difference between the reference information and the information collected during method 10'.
[00588] For example, steps 80'and 90'can include:
Calculate and difference between (b) physical event information and a reference map of multiple road sections, including (a) reference information for previously detected physical events related to multiple road sections. Send at least some of them.
b. Decide whether to send the difference from the vehicle. If the differences are not significant, they may not be sent.
[00589] Step 50'can also be followed by step 100', which determines the position of the vehicle based on the reference map and physical event information.
[00590] FIG. 13 shows an example of a method 11'for measuring a physical event related to a plurality of road sections.
[00591] Method 11'is different from method 10' in that it includes step 70'to calculate virtual sensor readings, for generating a first parameter set and the output of a virtual sensor that is probably not present in the vehicle. Merge with additional information. Virtual sensor readings may be processed and / or transmitted and / or stored in either step 80'and 90.
[00592] The method 11'is different from the method 10' in that it includes a step 100'to determine the position of the vehicle followed by a step 102'to track the progress of the vehicle.
[00593] Step 100'and / or step 102'can affect steps 80'and / or 90', for example by providing more accurate location with physical event information and / or road section attributes. In yet another example, accurate location information is used to (a) the difference between reference and physical event information about previously detected physical events associated with multiple road sections, and / or (b). ) The difference between the reference road section attribute and the road section attribute calculated during step 60-the map delta can be calculated.
[00594] Method 11'is different from method 10' in that it includes step 104'to generate driving instructions and / or driving suggestions based on the vehicle's position and reference map. Driving proposals can be directed to the driver of the vehicle, while driving instructions can be supplied to various components of the vehicle, such as autonomous vehicle modules.
[00595] For example, the autonomous vehicle module sets the speed of a vehicle to a value that matches (or substantially matches) the road section attributes and physical events that occur in the near future as the vehicle travels on the next road section. Can be set. This can increase fuel consumption and / or reduce braking load.
[00596] With reference to step 100'again, step 100' includes determining the position of the vehicle based on the reference map and physical event information.
[00597] The reference map includes information obtained from one or more vehicles and / or other sources of information about road sections and physical events, including, but not limited to, the location of the physical event.
[00598] For example, a reference map can include reference information about previously detected physical events associated with a plurality of road sections and reference road section attributes associated with the plurality of road sections.
[00599] The reference map can be updated based on the information collected during method 10.
[00600] The reference map can be any arrangement or set of information about road sections and / or physical events associated with the road sections.
[00601] A reference map can cover roads across a predefined geographic area or area.
[00602] Step 100'may include searching within the reference map for a reference sequence of physical events that matches the sequence of detected physical events.
[00603] Matching may require the order of physical events, the relative distances between physical events to be equal to each other, or within an acceptable error range.
[00604] It should be noted that physical events may be classified into compulsory physical events and arbitrary physical events.
[00605] A compulsory physical event is a physical event that is located within a road section and must be detected by the vehicle as it passes through the road section. For example, a significant uplift extending along the entire width of a road section must be detected.
[00606] Any physical event is a physical event that is located within a road section and may or may not be detected by a vehicle as it passes through the road section. For example, small holes that can be bypassed when traveling on a road section may or may not be detected.
[00607] This match may require that the order of coercive physical events, the relative distances between coercive physical events be equal to each other, or be within an acceptable error range.
[00608] Physical events can be characterized by normalized magnitude. The size is normalized in the sense that different parameters such as suspension, configuration, and weight are compensated (corrected) for each vehicle. Normalization can include comparing information sensed by different vehicles as they pass through the same road section, estimating vehicle weight, and so on.
[00609] The matching process and / or normalization process can be performed by applying any matching technique such as neural networks, deep learning, fuzzy logic, etc.
[00610] The search can be performed on the entire reference map or within a portion of the reference map. Part of the reference map may be selected from the entire map based on estimates of vehicle position. Estimates may be provided by a location system such as the Global Positioning System (GPS), but not limited to.
[00611] The resolution and / or accuracy of the GPS system is usually not sufficient to provide the exact position of the vehicle, so even if the GPS position is known, the method still has to use a reference map. Must be.
[00612] FIG. 14 shows a reference map 600'.
[00613] Reference map 600'includes base layer 610', fixed layer 620', fixed size sparse layer, and variable size sparse layer 640'. The number of layers, the type of layers, and the content of each layer may differ from those shown in FIG.
[00614] Figures 14-17 are illustrated using the following definitions:
a. Node-The basic element of a way. The nodes may be separated from each other up to a predetermined maximum distance (eg, tens of meters). You can also define nodes whose direction or gradient is changing.
b. Junction pointer-Pointer associated with the junction node. Different junction nodes are associated with different exits from the junction.
c. Way-An ordered collection of nodes.
d. Road section-Part of the road separated by two adjacent nodes.
[00615] Road sections and nodes may be used in an interchangeable manner, for example, information about a road section may be associated with a node that starts or ends the road section. Please note.
[00616] The basic layer 610'can store information regarding the positions of a plurality of road sections and the spatial relationship between the plurality of road sections. In FIG. 14, this information is arranged as a basis.
[00617] The basic layer 610'includes a plurality of basic way information units. Each basic way information unit can include information about the location of road sections belonging to the way and spatial relationships between the road sections belonging to the way. The basic way information unit can include additional basic information such as the slope of the road section and a pointer (or other search information) pointing to (or allowing search for) the next way. Additional basic information can be stored in various formats, such as method headers.
[00618] The way header can include information such as way direction-bidirectional, unidirectional-forward, and unidirectional-reverse, way speed limit, way length, and the like.
[00619] The basic layer can also store turn counters, that is, statistics such as by driver, by vehicle, by driver group, by vehicle group, by period, and which turn was taken. The turn counter helps predict the driver's route, whether or not a destination is provided. Routes may be supplied to the system from navigation applications such as Google Maps and / or Waze.
[00620] Fixed layer 620'contains a plurality of units of fixed size additional reference information for any road section of the road. Each unit can contain information about each road section.
[00621] Fixed size sparse layer 630'and variable size sparse layer 640' contain information not associated with each road section of each way. The difference between these layers lies in the size of their information units, i.e. fixed size units (belonging to fixed size sparse layer 630') or variable size units (belonging to variable size sparse layer 640').
[00622] For example, some sections may belong to the straight part of the road and some road sections may belong to the curved part of the road. The curvature attribute may only be associated with a road section that belongs to a curved portion of the road. In addition, instead of assigning a curvature attribute to each road section that belongs to a curved part of the road, the curvature attribute can be assigned to one of the road sections, and information about the number of other road sections that share the same curvature attribute. Can include.
[00623] Fixed size sparse layer 630'contains a plurality of units of fixed size additional reference information for no road section of a road or only for a road section. Empty units (which have no information) may be omitted from the table.
[00624] The variable size sparse layer 640'contains a plurality of units of variable size additional reference information regarding no road section of the way or only the road section. Empty units (which have no information) may be omitted from the table.
[00625] Therefore, the number of units in each of the sparse layers (630'and 640') may be less (and much less) than the number of units in the base layer 610'and the fixed layer 620'. ..
[00626] The information units of the variable size sparse layer 640'and / or the fixed size sparse layer 630'can be accessed by applying a hash function to the addresses of the corresponding units in the base layer and / or the fixed layer. Any other storage device can be applied. Hash collision avoidance and / or hash collision resolution policies may be applied. For example, data units with the same hash value can be stored close to each other, even in a concatenated way.
[00627] Each piece of information at each layer, or even the information that forms part of that unit, can comply with access control policies.
[00628] For example, one information unit is tagged as private and another information unit is tagged as public, and there can be more access control levels than private and public. For example, personal information includes information about driving patterns related to the vehicle or the driver of the vehicle and includes public fields.
[00629] Private information may not be shared with other vehicles or may be subject to other access control rules.
[00630] Information units or parts of information units may be flagged, tagged, or marked as associated with an access control policy.
[00631] Since the number of physical events per road section may vary from road section to road section, the physical event information may be included in the variable size additional reference information.
[00632] FIG. 15 shows step 100'.
[00633] Step 100'can include step 110' searching within the reference map for a reference sequence of physical events that matches the sequence of detected physical events.
[00634] Step 110'can include step 112', which scans the base layer, and step 114', which scans the reference sequence of events in the variable size sparse layer linked to the scanned base layer.
[00635] FIGS. 5 and 6 show examples of roads, road sections, ways and nodes.
[00636] Way 401 (FIG. 17) is bidirectional, includes one lane per direction, and "covers" road portion 111. Way 401 includes road sections separated by nodes.
[00637] Way 402 (FIG. 17) is bidirectional, includes one lane per direction, and "covers" road portion 112. The way 202 includes road sections 222 and 322 and nodes 221 and 223 and 321 and 323.
[00638] Road sections 111, 112, 113, 115 are separated by a junction 120.
[00639] Way 403 (FIG. 17) is bidirectional, includes one lane per direction, and "covers" road portion 113. Way 403 includes road sections separated by nodes.
[00640] Way 404 (FIG. 17) is bidirectional, includes two lanes in each direction, and "covers" road portion 114. Way 404 includes road sections separated by nodes.
[00641] Way 405 (FIG. 17) is bidirectional and includes one lane per direction to "cover" road portion 115, road portion 116, road portion 117, and road portion 118. Way 405 includes road sections separated by nodes. The road portion 117 is curved. One lane of road portion 117 is represented by road sections 272, 274, 276 and 278 and nodes 271, 273, 275, 277 and 279. Another lane of road portion 117 is represented by road sections 372, 374, 376, 378, and nodes 371, 373, 375, 377, 379.
[00642] Way 409 (FIG. 17) is bidirectional, includes one lane per direction, and "covers" road portion 119. Way 409 includes road sections separated by nodes.
[00643] Way 409'(FIG. 17) is bidirectional, includes one lane per direction, and "covers" road portion 119'. Way 409'includes road sections separated by nodes.
[00644] Road sections 118, 119, 119'are defined by junction 121.
[00645] Only the road section belonging to the road portion 117 has the curvature attribute. Curvature attributes may be associated with the first or last node of (371, 373, 375, 377 and 379) and / or (271, 273, 275, 277 and 279), with additional information on nodes sharing this curvature. The number of (5) may be indicated.
[00646] FIG. 16 shows a road section 222 extending along a hole 243, a ridge 242 extending along a single lane, another ridge 241 extending across both lanes, and a single lane. Indicates that it contains obstacles such as slippery road section 244.
[00647] The physical event experienced by the vehicle when traveling in one of the lanes of the road section 222 is represented by the detected physical event information or by the reference physical event information.
[00648] FIG. 18 shows the bottom of the vehicle, in particular the coordinates of the first wheel W1 501 (X1, Y1), the coordinates of the second wheel W2 502 (X1, Y1), and the third wheel W3 503. Coordinates (X3, Y3), coordinates of the fourth wheel W4 504 (X4, Y4), coordinates of the center 505 of the first axle coupled between W1 and W2 (X5, Y5), and W3 and W4. The spatial relationship between the various components of the vehicle, including the coordinates of the second axle (X6, Y6) coupled to and from, is shown.
[00649] The physical event may be experienced by one wheel, in which case the position of the physical event may be due to the position of that wheel, or multiple wheels (eg, a pair of front wheels or a pair of second wheels). It may be due to the position of both wheels (eg, when colliding with a ridge), or it may be due to the position of the center of the axis (eg, sliding). If).
[00650] In examples of physical events such as collisions, slips, skidding, and spins, a physical event is associated with each wheel that encounters the physical event. For example, if both front wheels encounter the same type of physical event at about the same time, two physical event attributes for the two front wheels are generated.
[00651] In yet another example, latitude spin and longitude spin can be attributed to the center of the accelerator between the front wheels of the vehicle (assuming the vehicle moves forward).
[00652] The physical event information may include the normalized magnitude of the event. Normalization can include compensating for different parameters for each vehicle, such as suspension, configuration, and weight.
[00653] FIG. 19 shows a curve 700'providing an example of a normalization process involving applying a calibration factor based on vehicle weight. Different parameters of the first parameter set can receive different calibration factors.
[00654] The normalization process considers weight, patch size, velocity (which can be the main normalization factor for the swing), excitation (acceleration, deceleration, curve), wheelbase distance (front and back, left and right), and suspension. Can be put in.
[00655] Figure 20'shows an example of a vehicle 51, a network 590, and a computerized system 592.
[00656] The vehicle 51 may be any type of vehicle.
[00657] FIG. 20 shows the vehicle as a first wheel W1 501, a second wheel W2 502, a third wheel W3 503, a fourth wheel W4 504, a first wheel sensor WS 511, a second wheel. Sensor WS 512, 3rd wheel sensor WS 513, 4th wheel sensor WS 514, Accelerator 515, Atmosphere 516, Other sensors 517, Vehicle computer 550, Processor 552, Memory module 554, Communication module (CM) 542 , And Man-Machine Interface (MMI) 540.
[00658] The MMI 540 can provide the driver with information such as driving suggestions.
[00659] The barometer 516 is shown to be located in front of the vehicle 51. The barometer can be placed at any position in the vehicle 50. There may be one or more barometers.
[00660] The accelerometer 515 may be a 3-axis accelerometer.
[00661] Another sensor 517 can sense various parameters related to vehicle and / or road conditions. The other sensor 517 may include at least one of a speedometer, a thermometer, an engine sensor (such as a fuel consumption sensor), or any other sensor.
[00662] The vehicle computer 550 can monitor the state of various components and / or systems of the vehicle and can control various components and / or systems of the vehicle, the methods described herein. It may or may not be involved in the execution of either.
[00663] The communication module 542 can communicate with the computerized system 592 via the network 590.
[00664] The communication module 542 can be a short-range communication module, a long-range communication module such as a radio frequency communication module, a satellite communication module, a cellular communication network, or the like.
[00665] The vehicle computer 550 may include a processor and a memory unit. Processors can include hardware components, such as general purpose processors, image processors, hardware accelerators, FPGAs, ASICs, and so on. The memory unit may be a non-volatile memory.
[00666] The computerized system 592 can be located within a cloud computing environment and can include any combination of one or more servers or computers.
Any step, including processing, calculations, etc. (and as shown in this application), can be performed by vehicle computer 550, processor 552, and / or computerized system 592.
[00668] The memory nodule 554 can store a reference map. Various components of the vehicle can perform method 10'and / or method 11'.
[00669] FIG. 21 shows an example of Method 800.
[00670] Method 800 may be performed by a computerized system that may be located inside or outside the vehicle.
[00671] Method 800 is calculated by (a) physical event information about detected physical events detected by a plurality of vehicles while traveling on a road section belonging to a region, and (b) a plurality of vehicles by a communication interface. The road section attribute can be started by step 810 of receiving the road section attribute from a plurality of vehicles, and the road section attribute is associated with the road section belonging to the area.
[00672] A territory may be any predefined territory, which may be part of a city, whole city, part of a country, whole country, part of multiple countries, multiple countries, or even the world. It may include the whole.
[00673] The information may be received from different vehicles at the same time or at different times. Information from different vehicles can refer to different road sections or the same road section. There may be partial overlap between road sections related to the information reported by different vehicles.
[00674] The physical event information of one of the plurality of vehicles is based on the first parameter set sensed by the first vehicle sensor of the vehicle.
[00675] The first parameter set includes vehicle wheel movement parameters and vehicle acceleration parameters, and the first vehicle sensor is different from the road image sensor.
[00676] Detected physical events can include, for example, at least one collision, slip, skid, spin, latitude spin, and longitude spin.
[00677] The first vehicle sensor can include an accelerometer and a plurality of wheel motion sensors.
[00678] Road section attributes relate to (i) curvature of a group of road sections including road sections, (ii) longitudinal slopes of road sections, (iii) lateral slopes of road sections, and (iv) road sections. It can include at least one road section attribute of grip level, (v) road section swell.
[00679] The detected physical event information and road section attributes are very compact and they can contain a small number of fields of limited size (a few bytes per field) and are image-based. It is only part of the size required for the image used for the location. Therefore, the reference map can be very small, thus saving communication, computational, and storage resources while providing a very accurate description of the road.
[00680] The first parameter set can include errors that are different from the visual information of the road section and that are different from the errors associated with the visual information of the road section. By merging these types of information, it is possible to reduce the error between the visual information and the information collected during steps 810 and 820.
[00681] Detection of physical events based on the first parameter set is much more accurate than performing estimates based on inaccurate visual information.
[00682] Method 800 can also be used under conditions that prevent the visual sensor from operating (fog, sandstorm, heavy rain, etc.).
[00683] The compact size of information (road section attributes and / or physical event information) facilitates the generation of updated information, the storage of updated information, and the transmission of updated information, resulting in changes in road conditions. Facilitates later tracking.
[00684] After step 810, a computerized system calculates a reference map based on physical event information about detected physical events detected by multiple vehicles and road section attributes calculated by multiple vehicles. Step 820 can be followed.
[00685] The reference map includes reference physical event information related to the segment of the region and reference road section attributes related to the road section of the region.
[00686] The reference map may be generated first and then updated. The update can be continuous or discontinuous. Updates can be represented by arrows from step 820 to step 810.
[00687] The map is called a reference map in the sense that it contains reference data that can be compared with the updated information obtained by the vehicle. The comparison may be performed during the reference map update and / or when the vehicle generates a delta to be sent to the computerized system.
[00688] A delta is the difference between road section attributes and / or physical event information and a reference map.
[00689] Step 820 may include updating only the relevant road section attributes and / or physical event information contained in the delta.
[00690] The reference map may be the reference map of FIG. 14, but the reference map may have a different structure and may store different information.
[00691] A reference map can include a basic layer that stores information about the location of multiple road sections and the spatial relationships between the multiple road sections.
[00692] A reference map can include a layer that stores reference information about previously detected physical events associated with multiple road sections.
[00693] Reference maps relate only to (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between multiple road sections, and (b) only some of the road sections of multiple road sections. It can include one or more sparse layers containing additional information, and the one or more sparse layers are linked to the base layer.
[00694] The reference map can include fixed field size sparse layers and variable size sparse layers, which can contain reference physical event information.
[00695] The reference map can include a private field that stores information about the vehicle or driving patterns associated with the driver of the vehicle, and can include a public field.
[00696] The physical event information can include the normalized magnitude of the detected physical event.
[00697] Vehicle profile
[00698] A compact vehicle profile can be provided. The compact size of the vehicle profile facilitates the generation of updated vehicle profiles, the storage of vehicle profiles, and the transmission of vehicle profiles. Vehicle profiles may be generated and / or updated using only a limited amount of computational and / or memory resources.
[00699] The vehicle profile can be further compressed, thereby further reducing its memory occupancy.
[00700] FIG. 22 shows an example of Method 900.
[00701] Method 900 can be initiated by step 910 of collecting vehicle profile information candidates, which include fuel consumption information associated with different road routes and vehicle parameters. At least some of the road routes and vehicle parameters are sensed by a first vehicle sensor that is different from the road image sensor.
[00702] Collecting includes sensing road route vehicle parameters by a first vehicle sensor, receiving information about parameters sensed by a vehicle computer, computerized systems located outside the vehicle, etc. Can include.
[00703] Non-limiting examples of the first vehicle sensor are exemplified in US Provisional Patent Applications Nos. 62 / 556,443 and 62/556444 filed on September 10, 2017.
[00704] Step 910 can include searching for steady state candidates.
[00705] Steady state candidates are candidates that represent information after a vehicle has reached a steady state and before it leaves the steady state.
[00706] Steady state is obtained after the vehicle maintains the same acceleration for a predetermined period of time, after the vehicle maintains the same speed for a predetermined period of time, or after the vehicle maintains the same idle deceleration for a predetermined period of time. The predetermined period can be of any length, for example a few seconds, especially 5 seconds.
[00707] The predetermined period associated with steady state for cruising may be the same as or different from the predetermined period associated with steady state for acceleration.
[00708] The predetermined period associated with steady state for cruising may be the same as or different from the predetermined period associated with steady state for idle deceleration.
[00709] The predetermined period associated with the steady state for idle deceleration may be the same as or different from the predetermined period associated with the steady state for acceleration.
[00710] Acceleration steady state can start when the vehicle is at the starting speed and the vehicle reaches a predetermined speed that exceeds the starting speed by a predetermined amount (eg, 5 km / h, or any other value). You can exit when you do.
[00711] The idle deceleration steady state can be started when the vehicle is at the starting speed, at a speed where the vehicle is a certain amount (eg, 5km / h, or any other value) lower than the starting speed. You can exit when you reach it.
[00712] The specific amount may be the same as or different from the predetermined amount.
[00713] The idle deceleration data structure can store only the start speed, only the predetermined speed, or both the start speed and the predetermined speed.
[00714] The acceleration data structure can store only the starting speed, only the specific speed, or both the starting speed and the specific speed.
[00715] Step 910 can be followed by at least step 920, which generates a vehicle profile based on vehicle profile information candidates.
[00716] The vehicle profile may consist of, essentially, or include:
[00717] A cruising data structure containing cruising information on the values of cruising fuel consumption parameters associated with constant velocity movement of the vehicle for different values of the first set of road routes and vehicle parameters.
An idle deceleration data structure that includes idle deceleration information about the values of idle deceleration distance values associated with vehicle idle deceleration for different values in a second set of road routes and vehicle parameters.
[00719] Acceleration data structure containing acceleration information about the value of the acceleration fuel consumption parameter associated with the constant acceleration of the vehicle for different values of the third set of road routes and vehicle parameters.
[00720] The cruising data structure may consist of the values of the cruising fuel consumption parameters for different combinations of values of the first set of road routes and vehicle parameters, or may be composed essentially of the values. It may be included.
[00721] The first set of road routes and vehicle parameters can include, can consist of, or consist of vehicle speed, road section gradient, vehicle weight, and one or more transmission system parameters. It can be essentially constructed from.
[00722] Transmission system parameters can include gear and throttle positions and can consist of gear and throttle positions, or can essentially consist of gear and throttle positions.
[00723] The idle deceleration data structure may include a value for the idle deceleration distance, may be constructed from it, or may be constructed essentially from it. Idle deceleration can mean deceleration without the use of vehicle brakes.
[00724] The second set of road routes and vehicle parameters can include, can be composed of, or can be constructed essentially from the starting vehicle speed, road section gradient, and vehicle weight. it can.
[00725] The second set of road routes and vehicle parameters can include and consist of starting vehicle speed, road section gradient, and vehicle weight, as well as one or more transmission system parameters. , Or can be constructed essentially from them.
[00726] Transmission system parameters may include gears, may consist of gears, or may consist essentially of gears.
[00727] The cruise data structure may include, consist of, or essentially consist of the values of the accelerated fuel consumption parameters. The accelerated fuel consumption parameter may be the average instantaneous fuel consumption and / or the average fuel consumption per distance. And / or fuel consumption in liters per 100 kilometers.
[00728] A third set of road routes and vehicle parameters can include and consist of starting vehicle speed, road section gradient, vehicle weight, acceleration distance, and one or more transmission system parameters. Can, or can be essentially constructed from these.
[00729] Transmission system parameters can include gear and throttle positions and can consist of gear and throttle positions, or can essentially consist of gear and throttle positions.
[00730] Step 920 is based on a comparison of the slope of the route section with (i) the height difference between the two ends of the route section and (ii) the ratio of the length of the horizontal projection of the route section. It can include rejecting vehicle profile information candidates.
[00731] Step 920 can be followed by step 930, which dynamically clusters the vehicles based on the vehicle profile.
[00732] Step 930 can include calculating a cluster profile for each cluster. The cluster profile can include, can include, or can be composed of cluster cruise data structures, cluster idle deceleration data structures, and cluster acceleration data structures.
[00733] The cluster cruising data structure represents the cruising data structure of at least a portion of the vehicles in the cluster. The cluster cruise data structure can be calculated using any function such as statistical function, weighted average, etc., but is not limited thereto.
[00734] The cluster idle deceleration data structure represents an idle deceleration data structure for at least a portion of the vehicles in the cluster. The cluster idle deceleration data structure can be calculated using any function, such as, but not limited to, statistical functions, weighted averages, and so on.
[00735] The cluster acceleration data structure represents the acceleration data structure of at least a part of the vehicles in the cluster. The cluster acceleration data structure can be calculated using any function such as statistical function, weighted average, etc., but is not limited thereto.
[00736] Step 930 includes updating based on a cluster profile that may include at least one of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
[00737] Step 920 and / or 930 can be followed by step 940, which compresses the vehicle profile to generate a compressed vehicle profile.
[00738] The compressed vehicle profile may be stored in a memory unit of the vehicle and / or a memory unit outside the vehicle. The compressed vehicle profile may be transmitted to the vehicle and / or to the outside of the vehicle.
[00739] Step 940 can include at least one of the following:
[00740] Calculate the mathematical relationship between the subordinate road route and the vehicle parameters and from at least one of the cruise data structure, idle deceleration data structure, and acceleration data structure of the subordinate road route and vehicle parameters. Remove information about at least one.
[00741] Removal of road routes and vehicle parameters associated with vehicle speed subgroups. For example, the optimum speed per route section is determined and only the fuel consumption parameters related to the optimum speed per route section are maintained.
[00742] Use one or more road routes and vehicle parameters as keys without storing them in any one of the vehicle profiles. Therefore, different fuel consumption parameters can be stored in the database and accessed using one or more road routes and vehicle parameters (such as gradient and / or speed) as keys.
[00743] Non-limiting examples of calculating mathematical estimates are shown below, at least some of which are filed on September 10, 2017, US Provisional Patent Application No. 62 / 556,445. And 62/556447.
[00744] The following section shows how the slope parameters are modified to reflect the slope and weight of the vehicle, thereby removing the weight from the vehicle profile to provide a compressed vehicle profile.
[00745] The following compressions can be applied to cruise data structures, and other data structures (acceleration, idle deceleration) can be compressed using other formulas:
[00746] Use the following elements:
[00747] mgΔh − Fuel is converted to high potential energy.
[00748] m (v2 2-v1 2) / 2-Fuel is converted to kinetic energy.
[00749] k2mx − Energy converted to friction (effect of mass)
[00750] k3xv2 -Represents energy converted into friction (drag).
[00751] * Steady state of cruise (ie, velocity is constant, TssNote all calculations for (which is a time frame of seconds).
[00752] On one side of the equation, energy leaves the engine, on the other hand:
[00753] EFuel-Represents fuel energy.
[00754] Finally, we get:
[00755]
[00756] Definition:
[00757] K2-The coefficient is given at the end of each session.
[00758] x-total distance (meters). Here, the steady state (ie, steady state x = V)ss* Tss) Is determined.
[00759] S0 -Steady state gradient expressed as a percentage
[00760] Δh − Altitude difference (obtained from slope and x)
[00761] m0 = (FW-EW) / 2 (per VCT)
[00762] mreal− Actual estimated weight for the current session
[00763] Δm = mreal − M0 − Mass change (m0 From)
[00764] dh − Effective change in altitude difference as a result of mass change
[00765] Snew− Weighted m0New gradient (S0And Δm)
[00766] Gradient relationship and h
[00767]
[00768]
[00769] The relationship between the gradient and the energy equation is as follows:
[00770]
[00771] Same fuel consumption as adding Δm (ΔEFuel) I want to find the dh that causes it, so I need to solve it:
[00772] (m0+ Δm) gΔh + (m0+ Δm) k2x = m0g (Δh + dh) + m0k2x
[00773] ΔmgΔh + Δmk2x = m0gdh-> dh = Δm / m0 (Δh + k2x / g)
[00774] Where the new gradient is:
[00775]
[00776] So, map to the new effective gradient (S)0, m0, Δm, k2 ) I found a function to do.
[00777] Assuming that the slope of the road section is known, compression can include maintaining only information related to the slope of the road section in the compressed vehicle profile. If the vehicle is going through a sequence of route sections, the compressed vehicle profile can contain information related only to the slope of the route section of the sequence.
[00778] Compression takes into account the maximum velocity limit and can remove information about velocity values that exceed the maximum velocity limit during compression.
[00779] For example, during step 950, if the computerized system produces one or more recommended driving parameters (such as speed, throttle, and gear) related to the path in front of the vehicle, the compression will be Taking into account the recommended parameters, information related to other operating parameters can be removed during compression.
[00780] Step 920 may include extrapolating the values of the cruise fuel consumption parameters for the particular values of the first road route and vehicle parameters. Extrapolation can respond to the values of the cruise fuel consumption parameters for certain other measurements of the road route and vehicle parameters of the first set.
[00781] Extrapolation is for road route and vehicle parameter values that are not detected based on the road route and vehicle parameters sensed and / or obtained from the cluster vehicle cluster or otherwise inferred or obtained. It is just an example of how to estimate fuel consumption or idle deceleration distance (depending on the table).
[00782] In FIG. 27, the cruise data structure 1010 is simulated based on the default cruise information 1010'(pre-programmed value, or any default value, which default value is based on any parameter of vehicle-manufacturer, model, year. Randomly randomly generated), cluster cruise information 1010 ", and / or actual (measured) cruise information 1010" may be used to generate and / or update.
[00783] The idle deceleration data structure 1020 provides default idle deceleration information 1020'(pre-programmed value, or any default value, which default value is based on any parameter of vehicle-manufacturer, model, year. Can be generated and / or updated using pseudo-randomly randomly generated), the default value is any parameter of the vehicle-manufacturer, model, year), cluster idle deceleration information 1020 " , And / or may be updated using the actual (measured) idle deceleration information 1020 ”.
[00784] The acceleration data structure 1030 is a pseudo-randomly randomized default acceleration information 1030'(pre-programmed value, or any default value, the default value being pseudo-randomly based on any parameter of vehicle-manufacturer, model, year. It may be generated and / or updated using the cluster acceleration information 1030 "and / or the actual (measured) acceleration information 1030".
[00785] Any estimate can respond to the quality of road routes and vehicle parameters. Quality can be determined in any way. For example, higher quality can be assigned to a combination of road route and vehicle parameter values that are measured multiple times and have a smaller distribution (at least smaller than the distribution of other combinations with lower quality). The measured fuel consumption and / or idle deceleration values can have higher quality than the corresponding values of the extrapolated and / or cluster values.
[00786] With reference back to FIG. 22, method 900 can include step 950, which proposes one or more driving parameters for the route in front of the vehicle. Step 950 is, at least in part, based on extrinsic constraints such as vehicle profile, road slope, and maximum speed limits.
[00787] At least one step of Method 900 may be performed by a vehicle computer and / or by a computerized system located outside the vehicle. The vehicle computer and the computerized system can cooperate with each other during the execution of Method 900.
[00788] Figures 23-26 show examples of vehicle profiles and various data structures of vehicle profiles.
[00789] FIGS. 23 and 24 cruise on the values of cruise parameters (such as average instantaneous fuel consumption 1011) associated with constant speed movement of the vehicle for different values of road routes and vehicle parameters (1012) in the first set. The cruise data structure 1010 as containing information is shown. The road route and vehicle parameters of the first set can include, for example, speed, slope of the route section, vehicle weight, gear, and average throttle position.
[00790] Different speed values of Nv (V1-Vnv), different gradient values of Ns (S1-Sn), different vehicle weight values of Nw (W1-Wnw), different gear position values of Ng (G1-Gng), Natp Assuming that there are different average throttle position values (ATP1-ATPnatp), the cruise data structure can include up to Nv * Ns * Nw * Ng * Natp entries.
[00791] FIG. 24 shows three entries, each entry having an average instantaneous fuel consumption (AVMFC) field {1011 (1,1,1,1,1,1), 1011 (1,1,1,1,2). ) And 1011 (nv, ns, nw, ng, napt)} and the corresponding related vehicle and road route parameter fields {1012 (1,1,1,1,1,1,1), 1012 (1,1,1,1, 1,1,2), 1012 (nv, ns, nw, ng, napt)} and so on.
[00792] FIGS. 23 and 25 show the idle deceleration data structure 1020 with idle deceleration parameters (idle deceleration distance 1021) related to vehicle idle deceleration for different values of the road path and vehicle parameters (1022) of the second set. Etc.) to include idle deceleration information about the value. A second set of road routes and vehicle parameters can include, for example, the starting speed (the speed at which idle deceleration begins), the slope of the route section, the weight of the vehicle and gears.
[00793] Nv different starting speed values (V1-Vnv), Ns different gradient values (S1-Sns), Nw different vehicle weight values (W1-Wnw), and Ng different gear position values (Ng) Assuming there is G1-Gng), the idle deceleration data structure can contain up to Nv * Ns * Nw * Ng entries.
[00794] FIG. 25 shows three entries, each of which is the idle deceleration distance field (IDS) {1021 (1,1,1,1), 1021 (1,1,1,2) and 1021 (nv, ns, nw, ng)} and the corresponding related vehicle and road parameter fields {1022 (1,1,1,1), 1022 (1,1,1,2) and 1022 (nv, ns, nw, ng) } And is included.
[00795] FIGS. 23 and 26 relate to the values of acceleration parameters (such as cumulative fuel consumption 1031) associated with constant acceleration movement of the vehicle for different values of the third set of road routes and vehicle parameters (1032). The acceleration data structure 1030 is shown as including the acceleration information. A third set of road routes and vehicle parameters can include, for example, starting speed, slope of the route section, acceleration length, vehicle weight, gear, and average throttle position.
[00796] Different speed values of Nv (V1-Vnv), different gradient values of Ns (S1-Sns), different acceleration distances of Nad (AD1-ADnad), different vehicle weight values of Nw (W1-Wnw), Ng Assuming different gear position values (G1-Gng), Nat different average throttle position values (ATP1-ATPnatp), the acceleration data structure contains entries up to Nv * Ns * Nad * Nw * Ng * Natp. be able to.
[00797] FIG. 26 shows three entries, each of which is a cumulative fuel consumption (AFC) field {1031 (1,1,1,1,1,1,1), 1031 (1,1,1,1,1,). 1,2) and 1031 (nv, ns, nad, nw, ng, napt)} and the corresponding related vehicle and road route parameter fields {1032 (1,1,1,1,1,1,1), 1032 (1) , 1,1,1,1,2), 1032 (nv, ns, nad, nw, ng, napt)}.
[00798] Non-limiting examples of parameter values and granularity are shown below:
[00799] The speed or starting speed may be in the range 0-140 Km / h and the particle size may be 1-5 Km / h or the like.
[00800] The gradient may be in the range between -20 and +20, such as a particle size between 0.05 and 2 degrees.
[00801] Weight may range from 1 to 100 percent of the maximum loaded vehicle with a particle size between 0.5 and 8 percent.
[00802] Gears range from 4 to 16 and have a particle size of 1.
[00803] The average throttle position may range from 1 to 100 percent of the maximum open throttle, such as a particle size between 0.5 and 8 percent.
[00804] The average instantaneous fuel consumption may be in the range of 0 to 1200 liters to 100 km, such as with a particle size of 0.05 to 1 percent.
[00805] The average fuel consumption may be in the range of 0 to 255 liters / hour, and the particle size may be in the range of 0.5 to 5 liters / hour.
[00806] The idle deceleration distance can range from 0 to 1000 meters with a resolution of 0.5 to 5 meters.
[00807] Ranges and / or resolutions can vary between one data structure and another.
[00808] FIG. 20 shows an example of a vehicle 51, a network 590, and a computerized system 592.
[00809] The vehicle 51 may be any type of vehicle.
[00810] The vehicle 51 may include any type of vehicle sensor. Non-limiting examples of vehicle sensors are illustrated in US Provisional Patent Applications 62 / 556,443 and 62/556444 filed on September 10, 2017.
[00811] FIG. 20 shows the vehicle as a first wheel W1 501, a second wheel W2 502, a third wheel W3 503, a fourth wheel W4 504, a first wheel sensor WS 511, a second wheel. Sensor WS 512, 3rd wheel sensor WS 513, 4th wheel sensor WS 514, Accelerator 515, Atmosphere 516, Other sensors 517, Vehicle computer 550, Processor 552, Memory module 554, Communication module (CM) 542 , And Man-Machine Interface (MMI) 540.
[00812] The MMI 540 can provide the driver with information such as driving suggestions.
[00813] The barometer 516 is shown to be located in front of the vehicle 51. The barometer can be placed at any position in the vehicle 50. There may be one or more barometers.
[00814] The accelerometer 515 may be a 3-axis accelerometer.
[00815] Other sensors 517 can sense various parameters related to vehicle and / or road conditions. The other sensor 517 may include at least one of a speedometer, a thermometer, an engine sensor (such as a fuel consumption sensor), or any other sensor.
[00816] The vehicle computer 550 can monitor the state of various components and / or systems of the vehicle and can control various components and / or systems of the vehicle, the methods described herein. It may or may not be involved in the execution of either.
[00817] The communication module 542 can communicate with the computerized system 592 via the network 590.
[00818] The communication module 542 can be a short-range communication module, a long-range communication module such as a radio frequency communication module, a satellite communication module, a cellular communication network, or the like.
[00819] The vehicle computer 550 may include a processor and a memory unit. The processor can include hardware components and can be general purpose processors, image processors, hardware accelerators, FPGAs, ASICs, and the like. The memory unit may be a non-volatile memory.
[00820] The computerized system 592 can be deployed within a cloud computing environment and can include any combination of one or more servers or computers.
[00821] Any step, including processing, calculations, etc. (and shown in this application), can be performed by the vehicle computer 550, processor 552, and / or computerized system 592.
[00822] The memory nodule 554 can store a reference map. Various components of the vehicle can perform methods 900 and / or 1200.
[00823] FIG. 28 illustrates the method 1200, and FIG. 9 illustrates an example of recommended operating speeds obtained when using the method 1200.
[00824] Method 1200 is for calculating recommended driving parameters for a route in front of the vehicle. Driving parameters can include, for example, speed, throttle position, and gear.
[00825] The method 1200 is based, at least in part, on extrinsic constraints such as vehicle profile, slope of the route portion, and maximum speed limits, ambient weather.
[00826] Method 1200 can be started from step 1210, which virtually segments the route into parts. Each portion can include one or more path sections with substantially the same slope and substantially the same exogenous constraints. The route section may be a minute unit of road route parameters. The road section may be, for example, 1 to 50 meters long, but may have other lengths.
[00827] Step 1210 can be followed by step 1220, which calculates recommended driving parameters for future routes based on vehicle profile and partial gradient and extrinsic constraints.
[00828] This calculation can include step 1222 to find the optimum velocity for that part based on the gradient and extrinsic constraints. The speed is optimal in the sense that it may be chosen to provide the least fuel consumption, may result in the fastest passage across the route, and / or may respond to any other constraint. You may.
[00829] This calculation is based on the drive parameters associated with the adjacent part, a partial driving profile that starts a fixed acceleration period at the start of that part, a constant speed part at optimum speed, and an idle at the end of that part. Step 1224 for evaluating deceleration can be included.
[00830] Step 1220 can be performed in a backpropagating manner, assuming that the vehicle is idle at the end of the last section, starting at the end of the putt. The method can then start with a fixed acceleration period until the optimum speed is reached and then drive the last part by performing an idle deceleration to stop the vehicle at the end of the last part. You can try to check if you can. This should take into account the limitations and extrinsic constraints of the previous part.
[00831] Backpropagating can include determining the driving profile through the parts based on the parameters associated with the preceding and / or succeeding parts.
[00832] In FIG. 29, the route includes a first portion P1 1241, a second portion P2 1242, a third portion P3 1243, a fourth portion P4 1244, and a fifth portion P5 1245. Including.
[00833] Each part can include a plurality of route sections.
[00834] The first portion, P1 1241, contains few path sections with different gradients, but the gradients are substantially the same. The gradient assigned to the first part P1 1241 (for calculating the drive session) is shown as gradient 1 1241'and reflects any gradient and / or height change in the path section of the first part. can do.
[00835] The third portion P3 1243 and the fourth portion P4 1244 have the same gradient but are associated with different maximum velocity limits V2 vs. V1.
[00836] The proposed speed is shown at the bottom of FIG. 9 and was calculated by backpropagating the desired driving profile (trapezoidal profile) backwards from the fourth portion.
The operating profile of the first part is initiated by the fixed acceleration SV1 1251 followed by the fixed speed cruising SV2 2152. In this example, the first part contains a positive gradient and the idle deceleration reduces the speed of the vehicle so that it requires unnecessary acceleration during the second part.
The operating profile of the second part begins with a fixed acceleration SV3 1253, followed by a fixed speed cruising SV4 1254, and ends with an idle deceleration SV5 1245.
[00839] The drive profile of the third part begins with fixed speed cruising SV6 1256 and ends with idle deceleration SV7 1247. The third and fourth sections have a negative slope, the vehicle reaches the maximum speed limit at the end of the third part, where it is not necessary to start the fourth part with a fixed acceleration. The maximum speed limit of the fourth part is lower than the maximum speed limit of the third part, and a relatively long idle deceleration period is required at the end of the third part.
The operating profile of the fourth part begins with a fixed speed cruise SV8 1258 and ends with an idle deceleration SV9 1249.
The driving profile of the fifth part begins with a fixed speed cruise SV10 1250 and ends with an idle deceleration SV11 1251, so that at the end of the route, the vehicle is not moving.
[00842] It should be noted that the route may be associated with different start and end conditions, for example, the vehicle may not be idle (not moving) at the end of the route.
[00843] Weight
[00844] The weight of a vehicle can be evaluated based on the energy consumed by the vehicle on various route sections and the energy obtained by fuel consumption.
[00845] Vehicle weight can be evaluated based on assumptions related to motor efficiency functions and fuel consumption errors related to fuel consumption measurements. The motor efficiency function represents the relationship between fuel consumption and output (mechanical) energy.
[00846] The evaluation process can be performed in an iterative manner in which one or more assumptions used to calculate the evaluation weight can be re-evaluated given the evaluation weight. The same iterative approach can be applied to the estimation of the motor efficiency function and / or the fuel consumption error.
[00847] The weight evaluation process and / or any estimation process (based on estimated weight) is either a vehicle computer or an out-of-vehicle server or computer, with any complexity and / or by any computerized system. Can be done by. For example, an out-of-vehicle computer can first evaluate an energy factor using a huge number (thousands or more) of measurements. The vehicle computer receives the initially evaluated energy factors and uses them (in addition to the more measurements obtained by the vehicle sensors) to update the vehicle weight estimates (even in real time). Can be done.
[00848] Initial estimates or other estimates of energy factors, motor efficiency function values, and / or fuel consumption error values associated with a particular vehicle can be based on the behavior of vehicles belonging to the same class of vehicles. Vehicle classes may be vehicles of the same model, same manufacturer, and / or same year of manufacture. Additional or alternative, vehicles may be classified and / or reclassified based on vehicle weight measurements.
[00849] The evaluation process can examine multiple combinations of energy coefficient values, motor efficiency function values, and / or fuel consumption error values.
[00850] Any search process can be applied. The entire set of combinations may be evaluated, or only a portion of the entire set of combinations may be evaluated.
[00851] The search process can take into account the quality characteristics associated with the route segment. Quality characteristics may be used to filter measurements associated with the route segment and / or may be used in another way.
[00852] For example, the weight of a vehicle can be assessed based on the assessment of work and energy gained from fuel consumption.
[00853] The weight of the vehicle may be evaluated during the learning period (or learning period). During the learning period, the monitored vehicle passes through multiple routes. A plurality of routes can be sectioned into route sections.
[00854] The work and energy gained by fuel consumption can be estimated for each route section.
[00855] Work and energy from fuel consumption can be represented by six factors:
a. m (v2 2-v1 2) / 2-Fuel is converted to kinetic energy
b. mgΔh − Fuel is converted to high potential energy
c. k1x − Represents the energy converted into friction
d. k2mx − Represents energy converted to friction (effect of weight)
e. k3xv2 − Represents energy converted to friction (drag)
f. kFourmxv2 − Represents energy converted to friction (including weight)
On the side of the equation [00856], the energy output from the engine of the vehicle, the energy loss due to engine inefficiency is taken into account: ame, fe, fuel-represents fuel energy.
[00857] Using the equilibrium equation (energy = potential gain + loss):
ame ・ fe ・ fuel = m (v2 2-v1 2) / 2 + mgΔh + k1x + k2mx + k3xv2 +kFourmxv2
[00858] The mass of the vehicle can be extracted:
[00859] The mass estimate can be converted to a weight estimate (weight = mass × g).
[00860] The value of the energy coefficient value can be evaluated with any resolution over any range. For example, k1 may be in the range 0-10,000, evaluated with a resolution (step) of 1000 (0, 1000, 2000, 3000 ...), and each of k2, k3, and k4 It may be in the range of 0 to 1, and may be evaluated with a resolution of 0.01 (0, 0.01, 0.02, 0.03 ...).
[00861] The search process can include calculating weight estimates for multiple route sections. The plurality of route sections may include all route sections of all routes taken by the vehicle during the learning period, or only some of the route sections.
[00862] The route section can be ignored (filtered out) for one or more reasons, such as poor quality.
[00863] Non-limiting examples of filtering and / or allocation of route intervals and / or quality characteristics are shown below.
The route section may be relatively short (in time), for example less than half (0.5 minutes). The duration of the route needs to be adequately dataed in the hope that at least some variables are substantially constant throughout the route interval and have sufficient effective route intervals within a single drive session. It is a trade-off between sex. The longer the route section, the higher the quality.
b. By ignoring (or assigning low quality) the route section on which the vehicle descended, braking loss is avoided and fuel is shut off from the engine on such route sections.
c. The greater the motor speed / minute (RPM) -RPM difference (between the start and end of the path section), the higher the quality.
d. Assign higher quality to path sections with greater momentum (momentum is the difference between the square of velocity at the end of the path section and the square of velocity at the beginning of the path section). Insufficient momentum (below the momentum threshold, such as 50 [m ^ 2 / sec ^ 4]) can be ignored or assigned a very low quality).
e. Ignore (or assign low quality) route sections where the speed exceeds a certain speed threshold (eg, above about 70 Km / h). This is due to the quantization error.
f. Ignore (or assign low quality) route sections where the total fuel consumption is below the threshold (eg 3 [L / hour]).
g. Assign higher quality levels to route sections that include steeper climbs of vehicles.
h. Do not include stops long enough in one path to allow for substantial weight changes in the vehicle. For example, if the unloading of 500 kilograms of goods lasts for 2 minutes, the occurrence of such a stop, which is at least 2 minutes long, can mark the boundary between the two pathway sections.
[00864] The proposed weight assessment is accurate and may require limited computational resources. The proposed weight assessment compensates (corrects) the inaccuracy of measurements performed by vehicle sensors, making it possible to use low cost, limited accuracy sensors.
[00865] FIG. 30 shows the method 100 ”.
[00866] Method 100 ”is based on the following equation, for different combinations of energy coefficient values, and for each path section of multiple path sections (assuming a particular motor efficiency function and a particular fuel consumption error correction function). You can start with step 110 ”to determine the estimate.
[00867] where "ame" is the value of the estimated motor efficiency function, v2Is the speed of the vehicle at the end of the route section, v1Is the speed of the vehicle at the start point of the route section, v represents at least one value (eg, average speed) of the speed of the vehicle when traveling on the route section, x is the length of the route section, Δh Is the height difference between the end and start points of the route section, and fuel is the error-corrected fuel consumption associated with the route section.
[00868] Step 110 ”provides a plurality of weight estimates.
[00869] Step 120 ", which analyzes a plurality of weight estimates to determine the estimated weight of the vehicle, can follow step 110".
[00870] The analysis can include evaluating multiple combinations of energy coefficient values. The plurality of combinations of energy coefficient values can cover only a subset of all possible combinations of energy coefficient values or all possible combinations of energy coefficient values. Any method of choosing which combination to evaluate can be provided.
[00871] Step 120 "can include at least one of the following:
For each combination of energy coefficient values (out of multiple combinations):
i. Calculate the distribution associated with weight estimation. The distribution may be provided by applying a combination of energy coefficient values to the input received for multiple path sections. The distribution (distribution) can be the distribution (distribution) of the weight estimate, and can be the distribution (distribution) that responds to the quality characteristics of the route section, and the distribution (distribution) that ignores the quality characteristics of the route section. It can contain only information about the route section of sufficient quality, and can be a distribution of values representing the quality characteristics of the weight estimates belonging to the bins associated with the range of weight estimates, weight estimation. It can be a distribution of the sum of the quality characteristics of the weight estimates belonging to the bin related to the range of values. For example, if the distribution is a weight distribution, this step can include calculating weight estimates using a combination for each route section of a plurality of route sections.
ii. Find one or more clusters (for each of the distributions). As an example, if the weight of the vehicle is not changed during the learning period, it is expected to receive a single cluster. The number of typical and distinguishable weights of a vehicle (if empty or full) can determine the number of clusters.
iii. Determine one or more statistical parameters for the cluster. For example, statistical variation, cluster width, etc.
b. Select the selected combination of energy coefficient values from different combinations of energy coefficient values (related to different distributions). The selection is based on one or more statistical parameters of the cluster of distributions associated with the selected combination of energy coefficient parameters. For example, selected combinations of energy coefficient values can provide a distribution with the most statistically significant clusters.
c. Use the weight estimates provided when using the selected combination of energy factors as the evaluated weight of the vehicle. The weight estimate can be one of the weight estimates for one or more path sections, and different weight estimates related to different path sections (when using selected combinations of energy coefficients). Can be represented by (eg, mean, median, or any other representation).
[00872] Step 120 ”can react to the quality characteristics of the route section. For example, the distribution of weight estimates can represent the quality characteristics and / or ignore the path sections of inadequate quality. Can be done.
[00873] Step 120 "follows step 130" in response to the evaluated weight of the vehicle.
[00874] Step 130 ”can include one or more steps.
Autonomous vehicle application updates.
b. Advanced Driver Assistance Systems (ADAS) application updates.
c. Report the estimated weight to the vehicle driver or another entity (such as the vehicle manager).
d. Validate or better estimate the motor efficiency function using the evaluated vehicle weight.
e. Use the evaluated weight of the vehicle to validate or better estimate a particular fuel consumption error correction function.
f. Classify vehicles into specific classes of vehicles.
g. Calculate the future weight of the vehicle in real time (also by the vehicle computer) using the selected combination of energy coefficient values and future measurements obtained by the vehicle.
[00875] Method 100 ”provides a highly accurate estimate of the vehicle without the use of a dedicated and expensive weight sensor such as a dedicated vehicle scale or the like. A highly accurate weight estimate is the weight of the vehicle. It dramatically reduces the resources required for measurement. This method allows the use of constrained and unconstrained machine learning and is very efficient with respect to the use of computerized resources. By checking a huge number of measurements and readings, the method can eliminate inaccuracies.
[00876] FIG. 31 shows a vehicle (such as a truck 100) and a plurality of routes 1160 "that the vehicle travels during the learning period. The learning period spans hours, days, weeks, months, years, and so on. be able to.
[00877] Routes can be segmented into route sections. The route sections may be of different lengths or of equal length.
[00878] FIG. 32 shows an example of an approximation 1100 of the motor efficiency function 1100. In FIG. 32, the x-axis represents RPM and the y-axis represents average motor efficiency.
[00879] Approximation 1100 includes three vertices (1101, 1102, and 1103) and two edges 1104 and 1105. The peak of approximation 1100 is apex 1102. Edge 1104 links vertices 1101 and 1102. Edge 1105 links vertices 1102 and 1103.
[00880] Approximation 1100 is a coefficient a1, A2And a3It may be expressed in a compact way by a motor efficiency function value such as. Coefficient a3Can be the value of vertex 1102. Coefficient a1May be the reciprocal of the slope of the edge 1105. Coefficient a2Can be the reciprocal of the slope of the edge 1104.
[00881] Any other representation of the approximation can be used.
Note that the motor efficiency function can react to gears and the motor efficiency function can be represented by a set of coefficients per gear.
[00883] FIG. 33 shows a table 1150 containing 48 coefficients, with 3 coefficients for each of the 16 gears, i.e. a.1,1From a16,3including.
[00884] FIG. 34 shows an example of a non-linear approximation 1111 of the motor efficiency function 1100.
[00885] FIG. 35 is an example of the approximate 1140 fuel consumption error correction function.
[00886] The fuel consumption error correction function corrects the error of the fuel consumption measurement value.
[00887] FIG. 35 shows a linear approximation involving six intervals. The six sections have starting values indicated by f1, f2, f3, f4, f5 and f6 1141-1146.
[00888] FIG. 36 shows a histogram 1120 of the distribution associated with weight estimation.
[00889] The histogram contains multiple bins associated with the weight range. The value for each bin is the sum of the quality characteristics of the route sections associated with the same weight range.
[00890] FIG. 36 shows two separate clusters 1121 and 1122.
[00891] FIG. 37 shows a histogram 1130 of the distribution associated with weight estimation.
[00892] The histogram contains multiple bins associated with the weight range. The value for each bin is the sum of the quality characteristics of the route sections associated with the same weight range.
[00893] FIG. 37 shows two separate clusters 1131 and 1132.
[00894] FIG. 38 shows the method 200 ".
[00895] Method 200 ”forms (i) for different combinations of energy coefficient values, (ii) for each path section of multiple path sections, (iii) for different motor efficiency function values, and (iv) according to the following equations: ) For different fuel consumption error correction function values, it is possible to start from step 210 ”to determine the weight estimate.
[00896] Step 210 ”is (i) for different combinations of energy coefficient values, (ii) for each path section of multiple path sections, and (iii) different motor efficiency function values (specific fuel consumption error correction functions). It should be noted that for (given), it may include determining a weight estimate.
[00897] Alternatively, step 210 "is (i) for different combinations of energy coefficient values, (ii) for each path section of multiple path sections, and (iii) different fuel consumption error correction function values (specific). For (given a motor efficiency function), it can include determining a weight estimate.
[00898] Step 210 ”provides a plurality of weight estimates.
[00899] Step 220 ", which analyzes a plurality of weight estimates to determine the estimated weight of the vehicle, can follow step 210".
[00900] Step 220 "can include at least one of the following:
Each fuel consumption error correction function value and each motor efficiency function value are set for each combination of energy coefficient values.
i. Calculate the distribution associated with weight estimation. The distribution may be provided by applying a combination of energy coefficient values to the input received for multiple path sections. The distribution can be a distribution of weight estimates, a distribution that responds to the quality characteristics of the route section, a distribution that ignores the quality characteristics of the route section, and is related to a route section of sufficient quality. Only information can be included and the distribution of values representing the quality characteristics of the weight estimates belonging to the bins associated with the range of weight estimates can be the weight estimates belonging to the bins associated with the range of weight estimates. It can be the distribution of the total value of the quality characteristics of.
ii. Find one or more clusters. As an example, if the weight of the vehicle is not changed during the learning period, it is expected to receive a single cluster. The number of typical and distinguishable weights of a vehicle (if empty or full) can determine the number of clusters.
iii. Determine one or more statistical parameters for the cluster. For example, statistical variation, cluster width, etc.
b. From different combinations of energy coefficient values, different fuel consumption error correction function values, and different motor efficiency function values (related to different distributions), selected combinations of energy coefficient values, fuel consumption error correction function values, and different Select the motor efficiency function value. The selection is based on one or more statistical parameters of the cluster. For example, selected combinations of energy coefficient values, fuel consumption error correction function values, and different motor efficiency function values can provide the most statistically important clusters.
c. Use the weight estimates provided when using selected combinations of energy factors, fuel consumption error correction function values, and different motor efficiency function values as the vehicle's evaluated weight. The weight estimate can be one of the weight estimates for one or more path sections, and different weight estimates related to different path sections (when using selected combinations of energy coefficients). Can be represented by (eg, mean, median, or any other representation).
[00901] Step 220 ”can react to the quality characteristics of the route section, for example, the distribution of weight estimates can represent the quality characteristics and / or ignore the poor quality path sections. Can be done.
[00902] Step 220 "follows step 230" in response to the evaluated weight of the vehicle.
[00903] Step 230 ”can include one or more steps:
Autonomous vehicle application updates.
b. Advanced Driver Assistance Systems (ADAS) application updates.
c. Report the estimated weight to the vehicle driver or another entity (such as the vehicle manager).
d. Use the evaluated vehicle weight to verify or better estimate the motor efficiency function.
e. Use the evaluated weight of the vehicle to validate or better estimate a particular fuel consumption error correction function.
f. Classify vehicles into specific classes of vehicles.
[00904] FIG. 39 shows the method 300 ".
[00905] Method 300 "can be initiated by step 310" in which the vehicle sensor acquires vehicle sensor measurements for a vehicle drive session during the learning period.
[00906] Vehicle sensor measurements can include path height measurements associated with a drive session, fuel consumption measurements associated with a drive session, and road section length measurements associated with a driving session.
[00907] Step 310 "follows step 320" to calculate the evaluated weight of the vehicle based on the vehicle sensor measurements.
[00908] The calculation is based on the value of the energy factor, which indicates the energy wasted by the vehicle. Non-limiting examples of coefficients are k1, k2, k3, and k4 described above.
[00909] Step 320 "may include finding at least one of a motor efficiency function and a fuel consumption error correction function.
[00910] Step 320 ”may include searching for energy coefficient values that provide at least one distribution associated with vehicle weight estimation that meets at least one predefined statistical significance criterion.
[00911] A given statistical significance criterion may be the maximum statistical significance or at least one minimum standard deviation of the weight estimation distribution.
[00912] Step 320 ”can include at least one of the following steps:
Evaluate the value of the energy factor by determining the evaluated weight of the vehicle for multiple route sections of the set of routes.
b. Determine the weight estimate for each route section of multiple route sections according to the following equation.
[00913] Step 320 ”may include at least one of the following:
Determine weight estimates for each route section of multiple path sections and for values with different energy factors.
b. Determine the weight estimates for each path section of multiple path sections for different values of energy coefficients and different motor efficiency function values.
c. Determine the weight estimates for each route section of multiple route sections for different values of energy coefficients and different fuel consumption error correction function values.
d. Determine the estimates for each path section of multiple path sections for different values of energy coefficients, different motor efficiency function values, and different fuel consumption error correction function values.
e. Associate quality characteristics with each weight estimate.
f. A quality characteristic is associated with each weight estimate, and at least one distribution associated with the vehicle weight estimate responds to the quality characteristic assigned to each weight estimate.
g. Associate quality characteristics with each weight estimate, at least one distribution associated with vehicle weight estimates is a histogram, the histogram contains bins, each bin is associated with a weight estimate range, and the weight belonging to the bin It has a value that represents the estimated quality characteristic.
h. Associate quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram contains bins, each bin is associated with a weight estimate range, and the weight belonging to the bin It has a value that represents the sum of the estimated quality characteristics.
i. Assign quality characteristics to at least some of the vehicle sensor measurements.
j. Assign quality characteristics to vehicle sensor measurements associated with a particular route section based on differences related to vehicle speed at the start and end of a particular route section.
k. Assign quality characteristics to vehicle sensor measurements associated with a particular route section based on the maximum speed of the vehicle during a particular drive session.
l. Ignore vehicle sensor measurements obtained in the path section where the vehicle descended.
[00914] Step 320 "follows step 330" in response to the evaluated weight of the vehicle.
[00915] Any of the methods 100 ", 200" and 300 "may be performed once at any time, in response to an event or the like, in a cyclical, non-periodic, iterative manner. , The method (or at least one of the methods) may be performed every two months (or other period) to compensate for changes such as vehicle wear.
[00916] Any one of the methods may receive or otherwise obtain one or more actual weight measurements, taking into account one or more actual weight measurements of the vehicle. You can put it in.
[00917] For example, the selection of any combination of energy coefficients (and / or any value associated with the motor efficiency function and / or fuel consumption error correction function) takes into account one or more actual weight measurements. You can put it in.
[00918] Thus, any one of the methods 100 ", 200" and 300 "can be a constrained or unconstrained learning process. The constraint is one or more actual weight measurements.
[00919] For example, the selection may include applying a cost function that responds to one or more actual weight measurements and at least one predetermined statistical significance criterion. For example, if a combination of energy factors (and / or any value associated with the motor efficiency function and / or fuel consumption error correction function) is found and applied, it will be applied to one or more actual weight measurements. The closest cluster with the greatest statistical significance (eg, the narrowest cluster) is obtained.
[00920] Any one or method 100 ", 200" and 300 "can include applying a machine learning process, especially a deep learning process.
[00921] The learning period can be any period during which the measurements are made and the measurements can be used to estimate the weight of the vehicle.
[00922] FIG. 40 shows a vehicle 51, a network 1070, and a computerized system 1080.
[00923] The vehicle 51 can include a vehicle sensor such as a sensor 1040, a vehicle computer 1020 including a memory module 1030, a processor 1010, a man-machine interface 1050, a communication module 1060, and wheels W1-W4 501-504.
[00924] The man-machine interface (MMI) 1050 can include screens, holographic screens, speakers, cameras, audio systems and / or audiovisual systems, keyboards and the like.
[00925] The vehicle 51 may be any type of vehicle.
[00926] The sensor 1040 can include at least a speed sensor, a height sensor, a distance sensor, and a fuel consumption sensor.
[00927] Sensor 1040 provides path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) road section length measurements associated with the drive session. It is configured as follows.
[00928] The sensor 1040 is, for example, at least one of an accelerometer, a speedometer, a thermometer, a window state sensor, an air state module / fan state sensor, an engine sensor (such as a fuel consumption sensor), or any other sensor. Can be included.
[00929] The vehicle computer 1020 can monitor the state of various components and / or systems of the vehicle and can control various components and / or systems of the vehicle, as described herein. Can be involved (using processor 1010) in any of the executions of.
[00930] The communication module 1060 can communicate with the computerized system 1080 via the network 1070.
[00931] The communication module 1060 can be a short-range communication module, a long-range communication module such as a radio frequency communication module, a satellite communication module, a cellular communication network, or the like.
[00932] The vehicle computer 1020 may include a processor and a memory unit. The processor can include hardware components and can be general purpose processors, image processors, hardware accelerators, FPGAs, ASICs and the like. The memory unit may be a non-volatile memory.
[00933] The computerized system 1080 is located in a cloud computing environment and may include any combination of one or more servers or computers.
[00934] Any step, including processing, calculations, etc. (and shown in this application), can be performed by the vehicle computer 1020, processor 1010, and / or computerized system 1080.
[00935] FIG. 41 shows a vehicle 51, a network 1070, and a computerized system 1080. In FIG. 12, the processor 1010 is not included in the vehicle computer 1030. The vehicle computer 1030 may or may not be involved in performing any of the methods described above.
[00936] FIG. 42 shows a vehicle 51, a network 1070, and a computerized system 1080.
[00937] In FIG. 42, the sensor 1040 includes a fuel consumption sensor 1041, an accelerometer 1045, a barometer 1046, and a four-wheel speed sensor WS511-514.
[00938] Characterizing a vehicle based on a limited number of energy coefficients and a compact representation of the motor efficiency function and the fuel consumption error correction function is very efficient in terms of storage resources.
[00939] FIG. 43 shows the method 600 ".
[00940] Method 600 "can be performed by a vehicle computer (any computer located in the vehicle).
[00941] Method 600 "can include step 610" of receiving an energy coefficient value indicating the energy wasted by the vehicle, the energy coefficient value being obtained, at least in part, by the vehicle sensor of the vehicle. Calculated based on vehicle sensor measurements, vehicle sensor measurements are taken during the vehicle drive session, and vehicle sensor measurements are (a) path height measurements associated with the drive session and (b) drive. Includes session-related fuel consumption measurements, (c) road section length measurements related to drive sessions, and (d) speed measurements associated with drive sessions.
[00942] Step 610 ”also includes at least one of (i) receiving information about the vehicle's motor efficiency function and (ii) receiving information about the vehicle's fuel consumption error correction function. Can be done.
[00943] Step 610 "can be followed by step 620" during the new drive session and by the vehicle sensor to obtain new vehicle sensor measurements associated with the new drive session.
[00944] Step 620 "can be followed by step 630" in which the vehicle weight is calculated by the vehicle computer based on the energy factor values and the new vehicle sensor measurements.
[00945] The calculation can also respond to at least one of (i) information about the vehicle's motor efficiency function and (ii) information about the vehicle's fuel consumption error correction function.
[00946] Information about the motor efficiency function may be compact. It can include motor efficiency function coefficients. Various examples of such coefficients are provided in the text above.
[00947] Information about the fuel economy error correction function may be compact. It can include the fuel consumption error correction function factor. Various examples of such coefficients are provided in the text above.
[00948] Step 630 "may be performed in real time, for example, within seconds, less than a minute, minutes, and so on.
[00949] Method 600 ”may include transmitting new vehicle sensor measurements associated with a new drive session. These new measurements refine, update, refine the previously provided c-value of the energy factor. And / or may be used to verify.
[00950] Step 630 ”can include calculating the weight of a new route section of a new session by applying the following equation.
Here, the group of energy coefficients is k1, K2, K3And kFourConsists of.
ame is the value of the estimated motor efficiency function.
v2Is the speed of the vehicle at the end of the new route segment.
v1Is the speed of the vehicle at the start of the new route section.
v represents at least one value of the speed of the vehicle when traveling on a new route section.
x is the length of the new route section.
Δh is the height difference between the end and start points of the new route section.
fuel is the error-corrected fuel consumption associated with the new route section.
[00951] Using a small number of sensor readings and a limited number of energy coefficients, calculating the actual weight of a vehicle in real time and expressing the motor efficiency function and fuel consumption error correction function compactly is a storage resource and a computer. It is very efficient in terms of chemical resources.
[00952] Grip
[00953] Systems, methods, and computer program products for determining the grip associated with the vehicle and route section can be provided, which determination takes into account the parameters of the route as well as the parameters of the vehicle.
[00954] Some of the examples below assume that the vehicle contains four wheels. The number of wheels may be different from four.
[00955] A grip event is an event received by a vehicle and can provide information for estimating grip on a route section. Non-limiting examples of grip events include braking events, vehicle turns, passing obstacles, and reaching a given vehicle speed. For simplicity, some of the examples below refer to grip events, which are braking events.
[00956] In the following example, "normalization" involves compensating (correcting) parameters specific to a particular vehicle and / or other circumstances that may affect a particular grip-related measurement. Denormalization reverses the normalization process.
[00957] Multiple vehicles can pass through the route section and can calculate normalized grip-related information. The computerized system can receive normalized grip-related information from multiple vehicles.
[00958] The route section can be a section (segment) of the route that can be between a few centimeters in length and a few meters in length, and even more. The grips along a single path section may be the same or may be slightly offset.
[00959] The computerized system can calculate the normalized route section grip information and can transmit the normalized route section grip information to the vehicle.
[00960] Normalized path segment grip information can be calculated using crowdsourcing, bit data technology, machine learning, and / or any other technology.
[00961] By acquiring and processing the normalized route section grip information from a plurality of vehicles, the accuracy of calculation of the route section grip information can be improved. Further, acquiring and processing the normalized route section grip information from a plurality of vehicles can support providing the route section grip information of the vehicles that did not pass through the route section.
[00962] The vehicle can monitor the vehicle parameters, and given the current vehicle parameters, the actual route section can denormalize the normalized route section grip information to reflect the grip parameters of the route section. Grip information can be provided.
[00963] The route section grip information can include the grip level of the route section, the residual grip, and the like.
[00964] FIG. 44 shows an example of the method 2100.
[00965] Method 2100 can be performed by a vehicle computer (a computer located inside the vehicle), by a computerized system located outside the vehicle, or both. Execution of method 2100 by the vehicle computer reduces the amount of information transmitted from the vehicle.
[00966] Method 2100 can be initiated by step 2110, which monitors the wheel speeds of a plurality of vehicle wheels.
[00967] Any wheel sensor can be used. In particular, a wheel speed sensor can be assigned to each wheel.
[00968] Step 2110 can be followed by step 2120 to calculate the vehicle speed estimate. Estimates can be based on wheel speed signals from multiple wheel speed sensors.
[00969] Step 2120 can be followed by step 2130 to detect a grip event. Grip events can be detected by monitoring the speed of the vehicle, but can also be detected by monitoring the speed of one or more wheels.
[00970] FIG. 44 shows three examples of grip events: braking event 2131, high speed event 2132 (eg, reaching a certain speed, eg 80 km / h), and turn (turn) 2133. Other grip events may be detected. For example, as shown in FIG. 53, the grip event can pass through obstacles.
[00971] Step 2130 is followed by step 2140 for calculating excitation and step 2150 for calculating slip ratio.
[00972] The slip ratio can be calculated for each wheel and is the relationship between vehicle speed and wheel speed. A high-pass filter can be applied to the wheel speed during step 2150.
[00973] Steps 2140 and 2150 can be followed by step 2160, which normalizes the excitation and slip ratios of the plurality of vehicle wheels to produce normalized excitation and normalized slip ratios.
[00974] Normalized excitation and normalized slip ratios are usually far from the excitation and grip values that represent grip loss. For example, assuming that grip is lost at 20 percent excitation and 1 excitation, the normalized excitation does not exceed half and the normalized slip ratio is less than 10 percent.
[00975] Method 2100 may include estimating residual grip based on these normalized excitation and normalized slip ratios.
[00976] For example, the method can estimate the residual grip by finding the relevant slip curve and calculate the residual grip by comparing the current grip with the grip loss point associated with the associated grip curve. ..
[00977] Step 2160 can be followed by step 2170 to determine the relevant slip curve based on normalized excitation and normalized slip ratio. Each slip curve contains a mapping between slip rate and excitation values. Step 2170 adapts the normalized excitation and normalized slip ratio to the relevant slip curve.
[00978] Step 2170 can select the relevant slip curve from a finite group of N (eg 210) possible slip curves and / or remove the new slip curve based on the finite curve slip curve. It can be inserted or calculated in another way.
[00979] Step 2180 can include responding to the determination of the relevant slip curve. Step 2180 includes storing relevant slip curve information (such as the index or other identifier of the relevant slip curve), transmitting the relevant slip curve, calculating the actual path section grip information, and the like. Can be done.
[00980] FIG. 45 shows an example of step 2120.
[00981] Step 2120 can include the following steps:
Reception or generation of first to fourth wheel speed signals (2111 to 2114).
b. Preprocess the wheel speed signal 2120. It may include a lowpass filtering wheel speed reading (2121) and the lowpass filtering may respond to an estimated wheel speed.
c. Wheel speed processing 2122.
[00982] Wheel speed processing can include at least one of the following:
Wheel-to-wheel difference detection. 2123. This step can include detecting long-term (more than a few hours) differences between wheels due to, for example, changes in air pressure, changes in tire health, and so on.
b. Ignore short-term fluctuations 2124. The short period may be a few seconds or less. Short-term fluctuations can be caused by small slips. Ignoring can include ignoring all wheel speed measurements obtained during short-term fluctuations in wheel speed of any wheel.
c. Detect a turn. 2125.
d. Calculate the reading of the compensated (corrected) wheel speed. 2126.
e. Calculate vehicle speed based on compensated wheel speed readings. 2127.
[00983] Step 2124 may include detecting discrepancies between wheel speeds that are not related to turns. If a turn is detected, the wheel speed measured during the turn may be processed to determine grip.
[00984] Step 2120 maintains a factor (eg, the ratio between the wheel speed of the current wheel to the wheel speed of the reference wheel) and adjusts this factor over time (has a very low pass filter). (Like a control loop) may be included. Second, if the instantaneous factor is greater than or less than a certain amount (eg, 5 percent) above this factor, short-term fluctuations are detected. Following step 2120, the method continues to update the factor very gently (ie, using a very lowpass filter), and the factor can be used during step 2127.
[00985] Step 2127 is weighted by calculating the wheel speed (after ignoring the wheel speed readings, as shown in step 2124) and applying a coefficient to all wheel speeds (except the reference wheel). It can include providing the wheel speed and then applying a function (eg, but not limited to, averaging) to the weighted wheel speed to provide the vehicle speed.
[00986] FIG. 46 shows an example of step 2140.
[00987] Step 2140 can include step 9142 and / or step 9144.
[00988] Step 2142 is to provide the selected vehicle speed estimate while ignoring other vehicle speed estimates associated with at least one other part of the grip event. It may include selecting a vehicle speed estimate associated with. For example, the grip event lasts for a few seconds and multiple wheel speed readings (eg, wheel speed readings from 50 to 100 per second) are obtained per second.
[00989] Step 2142 can include selecting some of the wheel readings, ignoring some other wheel readings.
[00990] Any selection rule can be applied. Wheel speed readings obtained during the start and / or end of the grip event (eg, during the first 20% of the duration of the grip event and / or during the last 15% of the duration of the grip event). An example of ignoring is ignoring the wheel speed event associated with a particular acceleration and / or deceleration value and waiting for acceleration deceleration or speed to reach steady state (and selecting a steady state reading). Can be mentioned.
[00991] Step 2144 may include calculating excitation based on one or more changes in selected vehicle speed over time, and on the basis of zero or more additional factors.
[00992] Excitation values can be normalized using additional factors of zero or more. The excitation value can represent one or more changes in any method, eg, any method is during a selected period, including a selected vehicle speed estimate divided by the duration of the selected period. It's like an overall change in vehicle speed.
[00993] Additional factors can include vehicle driving and / or braking parameters, gradients of one or more path sections (passed by the vehicle), and the like.
[00994] Braking parameters can reflect how the vehicle's brakes are applied, i.e. pumped or unpumped, any changes in the position of the brake pedal, and so on. For example, the braking parameter can reflect at least one of a mean, a minimum, or a maximum of changes in the position of the brake pedal over time.
[00995] Different braking patterns (eg, patterns 2171 and 2172) can result in different excitations. The gradient can be represented by at least one of the average gradient or the minimum gradient or the maximum gradient of the route section.
[00996] FIG. 47 shows an example of step 2160.
[00997] Step 2160 can include step 2169. Prior to step 2169, at least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167', and 2168 can be performed.
[00998] Step 2161 may include receiving or estimating climate bias. Climate bias can represent changes in grip associated with climate change such as rain, fog, and temperature. Climate bias may be measured by climate sensors (humidity sensors, barometers, temperature sensors, etc.) and / or multiple within a limited time frame (eg, 30 minutes to several hours) for the same path segment. It may be detected by finding similar differences between the grip levels experienced by the vehicle.
[00999] Step 2162 may include receiving or estimating the wheel effective patch size.
[001000] Step 2164 can include receiving or estimating the health of the tire. Tire health is expected to change very slowly (except for flat tires) and can be expressed as a relatively constant bias over a long period of time.
[001001] Step 2166 may include receiving or estimating the weight of the vehicle. A non-limiting example of weight estimates is shown in US Provisional Patent Application No. 62 / 556,447 filed on September 10, 2017.
[001002] Step 2167 may include receiving or estimating excitation. Excitation can be performed from step 2140.
[001003] Step 2167'can include receiving or estimating a grip.
[001004] Step 2168 may include receiving or estimating speed. The speed can be obtained from step 2120.
[001005] Step 2169 can include normalizing the excitation and slip rates of a plurality of vehicle wheels in order to generate normalized excitation and normalized slip rates. Normalization can respond to at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Normalization compares information sensed by different vehicles as they pass the same road section, and compensates (corrects) climate bias, wheel effective patches, tire health, vehicle weight, excitation, etc. Can be included.
[001006] FIG. 48 shows method 2200. Method 2200 may be performed by a computerized system located outside the vehicle, by a vehicle computer, by both the vehicle computer and the computerized system, by multiple vehicle computers of different vehicles, and the like.
[001007] Method 2200 can include at least some of steps 2210, 2220, 2230, and 2240.
[001008] Step 2210 can include learning normalization functions and / or selection rules. The normalization function is used, for example, during step 2169. The selection rule is used, for example, during step 2142.
[001009] Step 2210 can include learning a denormalized function. Denormalized functions can reverse the behavior of normalized functions. Step 2210 may include processing the normalized path segment grip information acquired during the drive session, where information on weight, effective patch size, tire health, excitation, speed and / or climate is known. is there. Normalization functions can be learned using drive sessions with different values for weight, effective patch size, tire health, excitation, speed, and / or climate.
[001010] Step 2220 can include receiving normalized slip curves associated with multiple drive sessions for multiple route sections and multiple vehicles.
[001011] Step 2230 can include building or updating the mapping between the path interval and the normalized slip curve. The mapping can take into account the information received during step 2220. Step 2230 can include using crowdsourcing, big data, machine learning, or any other technique.
[001012] Step 2230 may include averaging the information obtained during step 2220 (or applying any other statistical function).
[001013] Step 2240 may include delivering at least a portion of the mapping to the vehicle and / or user. If the vehicle is located in a particular area, the vehicle may receive information related to that area, one or more adjacent areas, and the like.
[001014] After the vehicle receives the mapping, the vehicle can use the mapping and the current state of the vehicle and one or more route sections to provide the actual route section grip information.
[001015] FIG. 49 shows Method 2300.
[001016] Method 2300 can include step 2320. Prior to step 2320, there may be step 2320 and at least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167'and 2168.
[001017] Step 2320 may include denormalizing the normalized slip graph to provide a denormalized slip graph. Denormalization is based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[001018] Step 2320 can be followed by step 2330 to determine the critical grip based on the denormalized slip graph and the associated grip excitation coordinates on the slip graph.
[001019] Step 2340 can be followed by step 2340 in response to the critical grip. It automatically drives the vehicle, informs the user of the vehicle speed, keeps the grip level below the limit grip value that activates the ABS, and prevents the ABS system from operating, etc. Can include.
[001020] FIG. 50 shows the vehicle as a first wheel W1 501, a second wheel W2 502, a third wheel W3 503, a fourth wheel W4 504, a first wheel sensor WS 511, a second wheel. Sensor WS 512, 3rd wheel sensor WS 513, 4th wheel sensor WS 514, other sensors (at least one of the climate sensors, one or more brake sensors, one or more engine sensors, fuel Consumption sensors, accelerometers, etc.), vehicle computer 550, processor 552, memory module 554, communication module (CM) 542, and man-machine interface (MMI) 540.
[001021] The MMI 540 can provide the driver with information such as driving suggestions.
[001022] Another sensor 517 can sense various parameters related to vehicle and / or road conditions.
[001023] The vehicle computer 550 can monitor the state of various components and / or systems of the vehicle and can control various components and / or systems of the vehicle, the methods described herein. It may or may not be involved in the execution of either.
[001024] The communication module 542 can communicate with the computerized system 592 via the network 590.
[001025] The communication module 542 can be a short-range communication module, a long-range communication module such as a radio frequency communication module, a satellite communication module, a cellular communication network, or the like.
[001026] The vehicle computer 550 may include a processor and a memory unit. Processors can include hardware components, such as general purpose processors, image processors, hardware accelerators, FPGAs, ASICs, and so on. The memory unit may be a non-volatile memory.
[001027] The computerized system 592 can be located within a cloud computing environment and can include any combination of one or more servers or computers.
[001028] Any step, including processing, calculations, etc. (and shown in this application), can be performed by the vehicle computer 550, processor 552, and / or computerized system 592.
[001029] The memory module 554 may store any information and / or program required to perform any of the methods of the present application.
[001030] Various components of the vehicle can perform methods 2100 and / or method 2300.
[001031] FIG. 51 shows examples of two normalized slip graphs 2910 and 2920 representing different route section conditions.
[001032] Step 2170 can include selecting one of these slip graphs or generating a new slip graph based on at least one of these slip graphs.
[001033] FIG. 52 shows examples of grip events, vehicle speed 2525 and wheel speed 2520 during the grip event before and after the grip event.
[001034] Grips can be evaluated based on the vehicle's impulse response to small obstacles. Grip can be calculated taking into account one or more of the passage of small obstacles, any other excitation event (braking event, high speed event, turn event, etc.)
[001035] When the vehicle travels over a small obstacle mounted on the road surface, the vehicle responds as if it were excited. The response (also called impulse response) characteristics obtained from the sensor depend on the grip level between the vehicle and the road surface immediately after a small obstacle (among other factors).
[001036] Small obstacles have the following properties:
Structurally-step up or down when running over it. A step-up followed by a step-down can represent a small collision.
b. Shorter in the longitudinal direction than the outer circumference of the tire.
[001037] Example:
a. Pavement cracks
b. Bridge joints
c. Pebbles
d. twigs
[001038] This small obstacle usually exerts a separable force on the vehicle in the following directions:
Vertical acceleration-by slightly "jumping" small obstacles.
b. Horizontal deceleration-due to a "collision" on the slope.
[001039] These forces (accelerations) are of a momentary nature and usually last for a period of subseconds. Then, the response period "after effects" is passed.
[001040] Following the vertical and horizontal acceleration described above, when stepping out of a small obstacle, the vehicle usually returns to its steady state after a period of restraint, for example cruising on a smooth surface.
[001041] The output of the following sensors can be read to detect and characterize the nature of the impulse and analyze the response period.
a. Wheel speed
b. Brake torque
c. Engine torque
[001042] The following parameters affect the characteristics and characteristics of the signal.
Vehicle weight
b. Tire pressure
c. Tire health (rigidity)
d. Vehicle speed
e. Damper
[001043] These sensors may be real sensors and / or virtual sensors whose outputs are calculated based on the readings of other real sensors.
[001044] Sensor readings should be normalized to compensate (correct) parameters that may affect sensor readings (such as those mentioned above).
[001045] For example, the heavier the vehicle, the smaller the change in wheel speed due to the same small obstacle. The same applies when the tire pressure is low or when the damper / suspension is soft. The faster the vehicle encounters a small obstacle, the greater the change in wheel speed.
[001046] FIG. 53 shows method 2105.
[001047] Method 2105 can be performed by a vehicle computer (a computer located inside the vehicle), by a computerized system located outside the vehicle, or both. Execution of method 2100 by the vehicle computer reduces the amount of information transmitted from the vehicle.
[001048] Method 2105 can be initiated by steps 2110 and 2115.
[001049] Step 2115 may include monitoring brake torque and engine torque.
[001050] Step 2110 may include a step of monitoring the wheel speeds of a plurality of vehicle wheels.
[001051] Any wheel sensor can be used. In particular, a wheel speed sensor can be assigned to each wheel.
[001052] Step 2110 can be followed by step 2120 to calculate the vehicle speed estimate. Estimates may be based on wheel speed signals from multiple wheel speed sensors.
[001053] Step 2120 and step 2115 can be followed by step 2130'to detect grip events. Grip events can include braking events, high speed events, and turn events. These grip events can be detected using the output of step 2120. Grip events can be detected by monitoring the speed of the vehicle, but can also be detected by monitoring the speed of one or more wheels.
[001054] The grip event can include the passage of a small obstacle, and the impulse response of the vehicle to the passage of a small obstacle can be detected based on the outputs of steps 2115 and 2120. Braking events may be detected based on the output of step 2115.
[001055] FIG. 54 shows four examples of grip events: braking event 2131, high speed event 2132 (eg, reaching a certain speed, eg 80 km / h) and turn 2133, and passage of small obstacles 2134. Is shown.
[001056] Step 2130'is followed by step 2140'to calculate the excitation and step 2150 to calculate the slip ratio.
[001057] Step 2140'can include step 2146 calculating the impulse response of a vehicle passing through a small obstacle.
[001058] The slip ratio can be calculated for each wheel and is the relationship between vehicle speed and wheel speed. A high-pass filter can be applied to the vehicle speed during step 2150.
[001059] Steps 2140'and 2150 may be followed by steps 2160'to normalize the excitation and slip ratios of a plurality of vehicle wheels in order to generate normalized excitation and normalized slip ratios.
[001060] Step 2160'may include normalizing the impulse response.
[001061] The normalized excitation and normalized slip ratios are far from the excitation and grip values, which usually represent loss of grip. For example, assuming that grip is lost at 20 percent excitation and 1 excitation, the normalized excitation does not exceed half and the normalized slip ratio is less than 10 percent.
[001062] Method 2105 can include estimating residual grip based on these normalized excitations and normalized slip ratios.
[001063] For example, the method estimates the residual grip by finding the relevant slip curve and calculates the residual grip by comparing the current grip with the loss of grip points associated with the associated grip curve. be able to.
[001064] Step 2160'can be followed by step 2170 to determine the relevant slip curve based on normalized excitation and normalized slip ratio. Each slip curve contains a mapping between slip rate and excitation values. Step 2170 adapts the normalized excitation and the normalized slip ratio to the associated slip curve.
[001065] Step 2170 can select the relevant slip curve from a finite group of N (eg 210) possible slip curves and / or remove the new slip curve based on the finite curve slip curve. It can be inserted or calculated in another way.
[001066] Step 2180 can include responding to the determination of the relevant slip curve. Step 2180 includes storing relevant slip curve information (such as the index or other identifier of the relevant slip curve), transmitting the relevant slip curve, calculating the actual path section grip information, and the like. Can be done.
[001067] FIG. 54 shows an example of step 2140'.
[001068] Step 2140'can include step 9142 and / or step 9144. Step 2140'includes step 2146 to calculate the impulse response of a vehicle passing through a small obstacle.
[001069] Step 2142 is at least one part of the grip event to provide the selected vehicle speed estimate, ignoring other vehicle speed estimates associated with at least one other part of the grip event. Can include selecting vehicle speed estimates related to. For example, the grip event lasts for a few seconds and multiple wheel speed readings are obtained per second (eg, 50 to 100 wheel speed readings per second).
[001070] Step 2142 may include selecting some of the wheel readings, ignoring some other wheel readings.
[001071] Any selection rule can be applied. For example, wheels obtained during the start of the grip event and / or during the end of the grip event (eg, during the first 20% of the duration of the grip event and / or during the last 15% of the duration of the grip event). Ignore speed readings, ignore wheel speed events associated with specific acceleration and / or deceleration, wait for acceleration deceleration or speed to reach steady state (and select steady state readings), etc. Can be mentioned.
[001072] Step 2144 may include calculating excitation based on one or more changes in selected vehicle speed over time, and based on zero or more additional factors.
[001073] Excitation values can be normalized using additional factors of zero or more. The excitation value can be any method, eg, the overall change in vehicle speed during the selected period, including the selected vehicle speed estimate, divided by the duration of the selected period, one or more. It can represent multiple changes.
[001074] Additional factors can include vehicle driving and / or braking parameters, gradients of one or more path sections (passed by the vehicle), and the like.
[001075] Braking parameters can reflect how the vehicle's brakes are applied, i.e. pumped or unpumped, any change in the position of the brake pedal, and so on. For example, the braking parameter can reflect at least one of an average or minimum or maximum change in the position of the brake pedal over time.
[001076] Different braking patterns (eg, patterns 2171 and 2172) can result in different excitations. The gradient can be represented by at least one of the average gradient or the minimum gradient or the maximum gradient of the route section.
[001077] FIG. 55 shows an example of step 2160'.
[001078] Step 2160'can include step 2169. Prior to step 2169, at least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167', and 2168 can be performed. Prior to step 2160', step 2215 (also shown in FIG. 55) can be performed. Step 2215 can belong to method 2200.
[001079] Step 2161 can include receiving or estimating climate bias. Climate bias can represent changes in grip associated with climate change such as rain, fog, and temperature. Climate bias may be measured by climate sensors (humidity sensors, barometers, temperature sensors, etc.) and / or multiple vehicles for the same route section within a limited time frame (eg, 30 minutes to several hours). May be detected by finding similar differences between the grip levels experienced by.
[001080] Step 2162 may include receiving or estimating the wheel effective patch size.
[001081] Step 9162 may include receiving or estimating engine torque and / or braking torque.
[001082] Step 2164 can include receiving or estimating the health of the tire. Tire health is expected to change very slowly (except for flat tires) and can be expressed as a relatively constant bias over a long period of time.
[001083] Step 2166 may include receiving or estimating the weight of the vehicle. A non-limiting example of weight estimates is shown in US Provisional Patent Application No. 62 / 556,447 filed on September 10, 2017.
[001084] Step 2167 may include receiving or estimating excitation. Excitation can be performed from step 2140.
[001085] Step 2167'can include receiving or estimating a grip.
[001086] Step 2168 can include receiving or estimating speed. The speed can be obtained from step 2120.
[001087] Step 2169 can include normalizing the excitation and slip rates of a plurality of vehicle wheels in order to generate normalized excitation and normalized slip rates. Normalization can respond to at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
[001088] Normalization compares information sensed by different vehicles as they pass through the same road section, and compensates (corrects) climate bias, wheel effective patches, tire health, vehicle weight, excitation, etc. ) Can be included.
[001089] Prior to step 2169, step 2215 may be performed to receive and / or learn the normalization function and / or selection rule.
[001090] Step 2215 can include performing the training phase and / or receiving the output learned during the training phase.
[001091] Step 2215 may include applying factors and look-up tables on features extracted from sensor signals. These factors and look-up tables are learned and built during the training phase.
[001092] Given a particular vehicle type, one or more tests can be performed in a controlled environment / performance test site to derive signal features.
[001093] One or more tests are of the following types: for predefined small obstacles, such as step-ups, step-downs, bumps (eg, small bumps). Can be carried out.
[001094] There may be multiple small obstacles for each type, and the small obstacles may differ from each other by at least one of step height, bump length, orientation with respect to the perimeter, etc. ..
[001095] The test can be performed on one vehicle type that exhibits at least one different value such as weight, speed, tire pressure, damper settings, etc.
[001096] Climate may change during certain tests.
[001097] Small obstacles may be placed in the vicinity of different grip values (different values of Mue).
[001098] During each test, various sensor readings (eg, wheel speed, brake torque, and engine torque) are read to provide the vehicle's impulse response when passing through small obstacles.
[001099] The relationship between the sensor signal and its characteristics, vehicle parameters (weight, speed, tire pressure, damper) and estimated grip level is calculated. This relationship can be called a normalization function.
[001100] Aquaplaning (AP)
[001101] The text above and at least some of FIGS. 1-55 describe how to calculate vehicle (vehicle DNA) parameters and how to calculate road (surface DNA) parameters.
[001102] Any reference to the occurrence of an aquaplaning event can be construed as relating to the actual occurrence of an aquaplaning event or the presumed (but not actual) occurrence of an aquaplaning event. For example, when planning a route, road sections with different routes may be selected based on the likelihood of an aquaplaning event occurring. In yet another example, if the vehicle senses a physical event that is an aquaplaning event, it is treated as an actual aquaplaning event.
[001103] Estimates of the occurrence of aquaplaning events in a particular road section include calculated and / or estimated characteristics of the road section (eg, physical events associated with the road section), estimated and / or rain. Calculated characteristics and estimated and / or calculated parameters of vehicles, and (i) estimated characteristics of rain, (ii) characteristics of road sections, (iii) occurrence of aquaplaning, and (iv) It can be based on mappings between estimated and / or calculated parameters of the vehicle (eg tire health).
[001104] Mappings can be calculated and / or learned based on previous driving sessions on different road sections, information about aquaplaning events detected in different ways, and so on.
[001105] The effect of aquaplaning on a vehicle can be a function of various parameters such as speed, speed changes, vehicle weight, tire health, nominal grip on road sections, and so on.
[001106] Aquaplaning reduces the nominal grip of the road section and therefore the modified grip level of the road section should be calculated and taken into account when traveling on the road section (eg). , To automatically determine the maximum speed on a road section, to determine whether to operate in autonomous mode or non-autonomous mode, etc.). The nominal grip of the road section can be calculated, for example, by any of the methods described above for calculating grip (eg, method 2100 in FIG. 44). Gap degradation due to aquaplaning events is the normalized grip level expected when the vehicle travels on a dry road section and when passing through the same road section in the vehicle when an aquaplaning event occurs. It can represent the gap between the normalized grip being measured.
[001107] The occurrence of aquaplaning may be detected by comparing the decrease in grip of multiple vehicles passing through the same road section within a particular time frame (eg, PWT described below).
[001108] Rainfall can be detected by an automatic wiper unit configured to vary the wiper speed as a function of estimated rainfall. The readings of the precipitation rate sensors of the plurality of automatic wiper units of the plurality of vehicles may be processed so as to reject one or more false readings of one or more rainfall rate sensors.
[001109] The severity of the aquaplaning phenomenon can be related to road section characteristics such as vehicle speed, water level, tire groove depth, and microtexture.
[001110] Water level is a function of (i) cumulative precipitation over a period of time within a section, (ii) surface microtexture, (iii) dents / slopes in tarmac, (iv) drainage channels and channels, etc. You may.
[001111] The depth and structure of the tire groove is sometimes referred to as the health of the tire. This is estimated using any of the methods described above. TAH is the name of a scalar parameter that can be used to represent the grip difference between one tire and another when passing through an AP event, all other parameters being the same. TAH is a major cause of grip differences and can be represented by the depth and structure of the tire groove.
[001112] Road route parameters (surface microtexture, dents, slopes, drainage channels, etc.) can be estimated by any of the above methods.
[001113] Definitions and annotations
[001114] Baseline Available Grip (BAG)-[g] Available grip attributes attached to a road section that reflect that nominal grip when the road is dry at nominal temperature.
[001115] Precipitation Rate (PR)-[mm / h] Precipitation rate (per unit space), recorded / displayed by a specific geographical point specific index at a specific time.
[001116] Average Precipitation Rate (MPR)-[mm / h] The average rainfall rate of PR in a specific road section at a specific time point.
[001117] Precipitation window time (PWT)-[min] The length of the window time for totaling the MPR to obtain the amount of water on the road surface.
[001118] Total Window Precipitation (AWP) − [mm] Total amount of water (per unit space) that fell during PWT on a specific road section at a specific time.
[001119] Aquaplaning Grip Degradation (AGD)-[g] Amount of grip available. This method may need to be reduced from the nominal available grip (on dry road sections) due to AP events at nominal speed.
[001120] Aquaplaning Event (AP) -AP phenomenon was detected under the vehicle.
[001121] Tire Aquaplaning Health (TAH) -Grip deterioration of a particular vehicle due to an AP event of a given severity.
[001122] Normalized Aquaplaning Event (NAP) -AP follow-up compensation procedure using the vehicle's TAH.
[001123] Degradation Vs. Precipitation (DVP) Mapping-A mapping (eg, table, equation) that describes the relationship between nominal vehicle speed and AWP and AGD per particular road section at nominal TAH.
[001124] Prerequisites
Related Precipitation: Precipitation basically includes rain, hail and snow. Rain seems to be relevant. This method may or may not ignore the rest. The term rain can be applied to the associated precipitation.
b. This method can be assumed to have a minimum zero temperature for rainfall. Below that, it may be snow.
[001125] There may be season-related issues: two roads with the same grip level during dryness may have different grip reductions during rain-this may cause rain (or road sections to get wet). Can be measured during the test).
[001126] Grip reduction due to rain can differ between two roads with AWP. That is, at low AWP one road is worse than the other, but at high AWP it may reverse.
[001127] Reproducibility-In most cases, this method can be assumed to have the same AGD at each particular location on the road each year given the same AWP.
[001128] PWT. This method can be assumed that it takes time for the paddle to fill up due to rain. On the other hand, it is drained by (i) evaporation-high temperature, strong wind, low humidity, (ii) drainage pipe, (iii) water channel, and (iv) vehicle scattering.
[001129] The method can set the PWT to be a time window in which precipitation collects on the road: (i) Below-more on the road if the method continues to rain. Water can be collected, (ii) above- "old" rainfall begins drainage / evaporation.
[001130] The exact time may be related to temperature, wind, and humidity conditions.
[001131] The PWT for each road section can be learned by monitoring the road section and / or estimated in any way.
[001132] AP Signature: It can be assumed that this method can detect in the vehicle the signature of the signal representing driving in the paddle / AP phenomenon, and its magnitude. APs can be referred to as physical events with templated signatures and variable magnitude.
[001133] This is reflected by the virtual sensor "AP Detection" which can find the signature of the occurrence of an AP event by using sensors that sense at least a portion of the starting speed, engine / wheel torque, and magnitude. To.
[001134] AP Vs. Speed: The method can assume that the higher the vehicle speed, the higher the severity of the AP. For each specific AP phenomenon (eg surface microtexture and water level). This method can define a mapping that associates the AGD with the vehicle speed (or can have any other mapping, including an equation).
[001135] Therefore, it is sufficient to learn the single number per road section per water level.
[001136] AP Vs. Total Window Precipitation (AWP): This method can be assumed to have its own surface DNA, where each road section always produces the same water level for each given AWP [mm]. .. Therefore, it may be sufficient to learn a mapping that reflects the water level per AWP, or in fact the AGD per AWP.
[001137] Detection in the car. The first step for AP processing is vehicle detection-detecting a physical event (having a unique signature) that is an AP event. The severity of the AP event (related to the amount of grip level loss) may be influenced by rain and road section parameters, but also by the vehicle (eg, tire health).
[001138] Assumption-AP increases primarily with speed: this is because this method may detect AP during cruising. We assume that the phenomenon is not so serious, as braking with a paddle can quickly cause the vehicle to lose speed.
[001139] If the AWP is zero (ie, there are no signs of rain in the last period), the method can assume that the AP phenomenon cannot exist.
[001140] Signature detection
[001141] AP event signatures can be detected in a variety of ways, for example during controlled testing and / or when traveling on road sections where APs are present.
[001142] Example-Record of driving in water (performance test site, normal road in winter)
[001143] The signature learning process can include collecting and annotating data. As an example, find all test drives on the surface of the water (winter, sprinklers, etc.) and find signal characteristics (acceleration, wheel speed, driven / undriven, etc.).
[001144] The data can be processed in a variety of ways, for example by running an SVM or some other machine learning algorithm and training it to detect grip loss.
[001145] Generate a mapping for reduced grip. For example, by velocity and / or by water depth.
[001146] Generate a virtual AP sensor.
[001147] Once the machine learning training algorithm is complete, the method is ready to support Vectors. This method can run the SVM algorithm in the vehicle in real time and use the support vectors found to detect AP events and their severity.
[001148] When an AP event is detected, the method sets various attributes to the AP event: start speed [km / h], engine torque / drive wheel torque [Nm], AP severity [no unit]. , Tire Aquaplaning Health (TAH)-[No credit] etc. can be issued.
[001149] Precipitation rate virtual sensor
[001150] To calculate the amount of water rainfall on a surface, the method can generate a rainfall rate virtual sensor.
[001151] This virtual sensor reflects the water / rain ratio at the moment and location of its issuance.
[001152] This Vsensor (virtual) may be issued repeatedly when the rainfall rate> 0.
[001153] Implicitly, if it is not detected, this method can assume that the rainfall rate = 0.
[001154] This method can have two potential sensors in the vehicle.
Wiper sensor-wiping speed. This method can be assumed that the driver operates the wiper when it rains. The speed of the wiper depends on the rate of rainfall as the driver tries to clear the windshield. Therefore, this method can extract the wiper rate.
b. Rain sensor. In modern vehicles, there is an optical sensor behind the windshield that detects the amount of water in front of the windshield (usually depending on opacity or reflection). The sensor returns a value in [%] that represents the amount of water on the windshield. This method can read this sensor and use it as a precipitation rate sensor.
[001155] Another source-weather station: Usually the weather station is located in a road environment. This method can extract the rainfall rate from those data, which is close to real time.
[001156] To avoid situations where the wiper is operated due to dirty windshields, this method ignores indications associated with very short rain periods (eg less than 1 minute) or sprinklers. The operation of the wiper can be detected and then the wiper operation can be ignored for 1 minute.
[001157] Vehicle speed-This method can assume that the amount of window water increases with vehicle speed. Therefore, this method should normalize (compensate) the speed.
[001158] Aquaplaning layer
[001159] The goal is to generate a map layer that holds the locations (road sections) that have AP problems when it is raining and the expected severity per rainfall rate [PR]. This layer may be added (or included) to the data structure 600'.
[001160] Input
[001161] The main inputs of this mapping layer are vehicle-to-cloud data, including the following virtual sensors: (i) AP detection Vsensor, (ii) rainfall rate Vsensor, and (iii) tire AP health metadata: Stream.
[001162] In addition, this method can receive instantaneously measured rainfall rates from weather condition providers: (i) Precipitation rates per road section / area (in [mm / h]).
[001163] Forwarding Window Precipitation (AWP)
[001164] As defined above, this is the amount of rainfall in [mm] units per area collected to generate the paddle.
[001165] It is calculated as the integral of PR at a particular position over a time window that precedes the time of calculation.
[001166] The size of the window (ie, the time before this method collects rain) depends on the rate of water evaporation. Evaporated water should not be agglomerated to calculate paddle depth.
[001167] The evaporation rate depends on the following parameters.
Temperature-The higher the temperature, the faster the rate of water evaporation.
b. Humidity-The lower the humidity, the higher the rate of evaporation.
c. Wind-The stronger the wind, the higher the rate of evaporation.
[001168] The above parameters are received from the weather reporting station along the road and are used to calculate the Precipitation Window Time (PWT) in [min]. When calculated, the method can use PWT to calculate AWP as an integral of PR (t) with respect to PWT.
[001169] Aquaplaning Vs. Precipitation rate mapping
[001170] It is possible to provide a model (mapping) that can reflect the relationship between the PR of each road section and the AP hazard level. As mentioned above, this reflects surface DNA components that affect the severity of APs (eg, asphalt dents, microtextures, drainage blockages, etc.). AP severity is measured by aquaplaning grip reduction (AGD) (in [g]).
[001171] This method can assume that the AP phenomenon in the road section is a function of the total window precipitation (AWP) unit [mm]. Therefore, this method can define a LUT: AGP Vs. AWP and is shown as follows: Decreased Vs. Precipitation (DVP) table.
[001172] Structure (example):
[001173] Learning
[001174] This process is performed over each drive session, and a particular vehicle traveling several miles on a particular road sends its Vsensor to the cloud.
[001175] Stage # 1: AP Event
a. Given: TAH, AP Vsensor instance for each vehicle
b. Follow the routing algorithm (map matching) for each session.
c. Find the map node (road section) where the AP was detected.
d. Compensate (correct) TAH for each AP event:
i. Factor the magnitude of the AP event by the TAH of the vehicle.
ii. Usually, when TAH is bad, the size of the compensated (ie, normalized) AP decreases.
e. Generate Normalized AP (NAP) Events
i. A normalized AP event is an AP event with a nominal magnitude.
ii. That is, the size after factorization by TAH
[001176] Stage # 2: Precipitation rate (PR)
Find all PR Vsensors.
b. Generate additional PR Vsensors instances from external weather sources (if rain is positive).
i. Establishing a connection with the weather reporting service
ii. Extract the PR value around each road section
iii. Generate a Vsensor instance from this information (as if detected by the vehicle).
c. Off-layer / error removal of PR display during session-too short PR event, rare PR event-too long to not repeat
[001177] Merge
[001178] This procedure is performed in the cloud at intervals (eg, every few hours) following the reception of several drive sessions for the same or different vehicles, after which each of the sessions is described above. Executed the learning procedure of.
[001179] Move the roads on the map and move new learning sessions by road and by time interval.
[001180] Stage # 1: PWT
Calculate the precipitation window time (PWT) [min].
b. Given conditions: temperature, wind, humidity
[001181] Stage # 2: MPR
Given a road and time PWT.
b. Calculate Average Precipitation (MPR) -Use all sessions learned on the same road and in the same time window:
i. When each vehicle travels in the vicinity of a road section around the same time frame
ii. Extract the surrounding PR.
iii. Average all PRs.
c. Remove the layer.
[001182] Stage # 3: AWP
a. MPR is given
b. Total Window Precipitation (AWP) -Calculate per hour per road section.
[001183] Stage # 4: DVP table
a. Per road section
b. Given:
i. Section AWPP
ii. Normalized AP (NAP) events within the interval (see stage # above)
c. Process
average i.NAP and remove layers
ii. Decrease Vs. Precipitation mapping generation
1. For each AWP range, collect all NAP events collected given an AWP within that range.
2. Average the NAP.
3. Enter the AWP range entry in the mapping table.
4. Finally, we have a complete look-up table that describes the relative NAP value for each road section (ie, the nominal grip reduction per particular PR).
[001184] Use-Aquaplaning Prediction
[001185] Following a crowdsourcing AP event on a rainy day, this method may manage to map:
AP severity per road section and per AWP
b. Per vehicle: TAH
i. Variables added to each vehicle (aging)
ii. This defines how to normalize the AP severity to reflect the grip loss experienced by this particular vehicle due to the particular magnitude of the AP event.
[001186] Assuming that a particular vehicle is traveling on a particular road, the method will increase the maximum safe speed in each road section so as not to reduce the available grip level below a given level. You may want to calculate.
[001187] Given:
a. Per specific road section in front of the vehicle
b. AWP-PR is given by crowdsourcing or weather stations via PWT before the current time.
c. Tire Aquaplaning Health (TAH) -per specific vehicle
[001188] Read from map:
Grip reduction value extracted from LUTs associated with road sections per speed
b. Compensation (correction) with TAH
[001189] Return:
Maximum safe speed before virtually losing grip
[001190] Ultimately, the vehicle can use this particular speed as the maximum speed cruising along these road sections.
[001191] The calculations and parameters shown on the previous tan page are non-limiting examples of methods for calculating and / or predicting aquaplaning.
[001192] FIG. 56 illustrates a method 2400 for driving a vehicle, which method may include the following steps.
a. Steps to receive or generate rain information about rain that can be associated with multiple road sections. Step 2402.
b. The step of estimating the grip level drop associated with each road section of multiple road sections. Step 2404. Estimates of grip level reduction can be based on rain information, at least one rain-related parameter of the vehicle, and the mapping between rain information and grip level reduction associated with each road section of the road section.
c. Perform driving-related operations based on reduced grip levels. Step 2406.
[001193] Vehicle rain-related parameters can include the health of at least one tire of the vehicle.
[001194] Step 2404, which estimates the decrease in grip level, can include step 2405, which estimates the occurrence of one or more aquaplaning events in a plurality of road sections.
[001195] Step 2404 can include estimating the decrease in grip level associated with the occurrence of one or more aquaplaning events in multiple road sections.
[001196] This method can include step 2408 to verify the occurrence of one or more aquaplaning events by the vehicle.
[001197] Verification is that the vehicle sensor senses the behavior of the vehicle when traveling on multiple road sections and provides the detection result, and the vehicle detects one or more aquaplaning signatures in the detection result. Can include searching.
[001198] Step 2402 can include accumulating rain recognition rate information acquired during the rainfall time zone to generate rain information.
[001199] Step 2402 may include receiving or calculating the precipitation window time for each road section.
[001200] Step 2406 may include the step of selectively activating the autonomous driving module in order to drive the vehicle autonomously.
[001201] Step 2406 can include at least one of the following:
When activated, it stops and / or activates an autonomous driving module that may be configured to drive the vehicle autonomously. Therefore, the vehicle can initiate autonomous driving for a road section that has a normalized grip of one value (taking into account the grip reduction calculated during step 2404), and the vehicle of another value. Autonomous driving can be stopped for a road section having a normalized grip (taking into account the grip reduction calculated during step 2404). The activation and / or stop of autonomous driving may be a function of grip level related to the distance between multiple road sections, especially road sections where the vehicle has a problematic grip level, which is autonomous every tens of meters. Note that turning the run on and off may not be efficient. Given the result of step 2404, any function can be applied and used to determine how autonomous driving behaves. In at least some cases, the occurrence of an aquaplaning event allows the wheels of a vehicle to drain sufficient water, even on road sections where sufficient water has been collected to cause (faster) aquaplaning. Note that this can be avoided by setting the speed of the vehicle so that it is low enough to be. Therefore, autonomous driving can also be applied to problematic road sections.
b. Set the speed of the vehicle in each of the multiple road sections. The speed may be set so as not to exceed the maximum safe speed associated with the road section under the estimated conditions (including the possible occurrence of AP events). The maximum safe speed allows the wheels of the vehicle to drain enough water, even on road sections where there is enough water to cause aquaplaning (at higher speeds).
c. Warn the human driver of the vehicle. This can be any audio / visual message. This warning may also be issued when the dryer controls the vehicle and / or when the vehicle is driving autonomously. Warnings indicate the danger of aquaplaning events and can inform the driver of recommended vehicle speeds and the like.
d. Perform or prevent speed changes (eg acceleration or deceleration) in road sections where aquaplaning events are expected to occur.
[001202] Step 2402 can include estimating the rain perception rate by at least one vehicle sensor.
[001203] At least one vehicle sensor may belong to the wiper control unit.
[001204] A non-temporary computer program product for driving a vehicle may be provided, for receiving or generating rain information about rain that may be associated with multiple road sections. And the command to estimate the grip level drop associated with each road section of multiple road sections, and the grip level drop estimate includes rain information, at least one rain-related parameter of the vehicle, and rain information. It may be based on the mapping associated with each road section of the road section between the grip level drop and stores the instruction to execute the driving related action based on the grip level drop.
[001205] Vehicle rain-related parameters can include the health of at least one tire of the vehicle.
[001206] Estimating the decrease in grip level can include estimating the occurrence of one or more aquaplaning events in multiple road sections.
[001207] Estimating grip level reduction can include estimating grip level reduction associated with the occurrence of one or more aquaplaning events in multiple road sections.
[001208] Non-transient computer-readable media can include verifying the occurrence of one or more aquaplaning events by a vehicle.
[001209] Verification is that the vehicle sensor senses the behavior of the vehicle when traveling on multiple road sections and provides the detection result, and the vehicle computer detects one or more aquaplaning signatures in the detection result. Can include searching for.
[001210] The non-temporary computer-readable medium can store instructions for accumulating rain recognition rate information acquired during the rain time zone to generate rain information.
[001211] Execution of a driving-related operation can include selectively activating an autonomous driving module for autonomously driving a vehicle.
Execution of driving-related actions can include selectively stopping the autonomous driving module, which can be configured to autonomously drive the vehicle when activated. it can.
[001213] Execution of a driving-related operation can include setting the speed of a vehicle for each of a plurality of road sections.
[001214] A non-temporary computer-readable medium can store instructions for estimating rain awareness by at least one vehicle sensor.
[001215] At least one vehicle sensor belongs to the wiper control unit.
[001216] The execution of a driving-related action can include warning the driver of the vehicle.
[001217] A vehicle system for driving a vehicle can be provided, the vehicle system being configured to do at least one from (a) sensing vehicle behavior and (b) sensing rain parameters. Sensors (such as any of the sensors illustrated in the specification and / or any one of FIGS. 3, 4, 20, 40, 41, 42 and 50 and / or the vehicle rain sensor), and. A computer vehicle configured to receive or generate rain information about rain associated with multiple road sections and to estimate the grip level drop associated with each read section of the multiple road sections (specification and specification and / Or such as any of the processors illustrated in any one of FIGS. 3, 4, 20, 40, 41, 42 and 50), and the estimated grip level drop is provided with rain information and the vehicle. It is based on the mapping between at least one rain-related parameter and the rain information and the grip level drop, and assists in the execution of driving-related actions based on the grip level drop.
[001218] FIG. 56 shows a method 2420 for estimating the occurrence of one or more aquaplaning events, which method can include the following steps:
a. Steps to receive or generate rain information about rain that can be associated with multiple road sections. Step 2402.
b. The vehicle computer estimates the occurrence of one or more aquaplaning events in multiple road sections. Step 2424. An estimate of the occurrence of one or more aquaplaning events is the road between the rain information and at least one rain-related parameter of the vehicle and the rain information and the occurrence of one or more aquaplaning events. It can be based on the mapping associated with each road section of the section.
[001219] Method 2420 can also include at least one of the following:
Step 2426 to perform driving-related actions based on an estimate of the occurrence of one or more aquaplaning events.
b. Step 2428 to verify the occurrence of one or more aquaplaning events by the vehicle.
[001220] Step 2428 is a step of detecting the behavior of the vehicle when traveling on a plurality of road sections by a vehicle sensor and providing a detection result, and one or more aquaplaning signatures in the detection result depending on the vehicle. Can include steps to search for.
[001221] Step 2402 can include accumulating rain recognition rate information acquired during the rainfall time zone to generate rain information.
[001222] Step 2402 may include receiving or calculating the precipitation window time for each road section.
[001223] Step 2426 can include at least one of the following:
When activated, stopping and / or activating an autonomous drive module that may be configured to drive the vehicle autonomously. Therefore, autonomous driving can be initiated for road sections where the vehicle has a specific value of normalized grip (taking into account the grip reduction calculated during step 2404), and the vehicle can activate other values of normalized grip. Autonomous driving can be stopped for road sections with (taking into account the grip reduction calculated during step 2404). The activation and / or stop of autonomous driving may be a function of grip level related to the distance between multiple road sections, especially road sections where the vehicle has a problematic grip level, which is autonomous every tens of meters. Note that turning the run on and off may not be efficient. Given the result of step 2404, any function can be applied and used to determine how autonomous driving behaves. In at least some cases, the occurrence of an aquaplaning event allows the wheels of a vehicle to drain sufficient water, even on road sections where sufficient water has been collected to cause (faster) aquaplaning. Note that this can be avoided by setting the speed of the vehicle so that it is low enough to be. Therefore, autonomous driving can also be applied to problematic road sections.
b. Set the speed of the vehicle in each of the multiple road sections. The speed may be set so as not to exceed the maximum safe speed associated with the road section under the estimated conditions (including the possible occurrence of AP events). The maximum safe speed allows the wheels of the vehicle to drain sufficient water, even on road sections where sufficient water has been collected to cause aquaplaning (at higher speeds).
c. Warn the human driver of the vehicle. This can be any audio / visual message. This warning may also be issued when the driver is in control of the vehicle and / or when the vehicle is being driven autonomously. Warnings indicate the danger of aquaplaning events and can inform the driver of recommended vehicle speeds and the like.
d. Implement or prevent speed changes (eg acceleration or deceleration) on road sections where aquaplaning events are expected to occur.
[001224] A non-temporary computer program product for estimating the occurrence of one or more aquaplaning events may be provided, and the non-temporary computer program product may be associated with multiple road sections. One or more aquaplaning memorizes instructions for receiving or generating rain information about, and instructions for estimating the occurrence of one or more aquaplaning events in multiple road sections by a vehicle computer. Estimating the occurrence of an event is a mapping between rain information, at least one rain-related parameter of the vehicle, and the occurrence of one or more aquaplaning events associated with each road section of multiple road sections. May be based on.
[001225] Non-transient computer-readable media can include performing driving-related actions based on estimates of the occurrence of one or more aquaplaning events.
[001226] Non-transient computer-readable media can include verifying the occurrence of one or more aquaplaning events by a vehicle.
[001227] Verification is that the vehicle sensor senses the behavior of the vehicle when traveling on multiple road sections and provides the detection result, and the vehicle detects one or more aquaplaning signatures in the detection result. Can include searching.
[001228] The non-temporary computer-readable medium can store instructions for accumulating rain recognition rate information acquired during the rainfall time zone to generate rain information.
[001229] Execution of a driving-related operation can include selectively activating an autonomous driving module for autonomously driving a vehicle.
[001230] Execution of a driving-related operation can include selectively stopping an autonomous driving module configured to drive the vehicle autonomously upon activation.
[001231] Execution of a driving-related operation can include setting the speed of a vehicle in each of a plurality of road sections.
[001232] A non-temporary computer-readable medium can store instructions for estimating rain perception rates by at least one vehicle sensor.
[001233] At least one vehicle sensor belongs to the wiper control unit.
[001234] The execution of a driving-related action can include warning the driver of the vehicle.
[001235] A vehicle system for driving a vehicle may be provided, which performs at least one of (a) sensing vehicle behavior and (b) sensing rain parameters. Sensors configured in (such as the sensor shown in the specification and / or any one of FIGS. 3, 4, 20, 40, 41, 42 and 50 and / or the vehicle rain sensor), and a plurality. Computer vehicles (specifications and / /) that may be configured to receive or generate rain information about rain that may be associated with a road section and to estimate the occurrence of one or more aquaplaning events across multiple road sections. Or with (such as the processor shown in any one of FIGS. 3, 4, 20, 40, 41, 42 and 50), and the estimation of the occurrence of one or more aquaplaning events is rain. It may be based on information, at least one rain-related parameter of the vehicle, and a mapping between rain information and the occurrence of one or more aquaplaning events associated with each road section of multiple road sections.
[001236] The vehicle computer may be configured to assist in performing driving-related actions based on an estimate of the occurrence of one or more aquaplaning events.
[001237] A method of measuring a physical event associated with a plurality of road sections can include measuring a first set of parameters with a first vehicle sensor, the measurement in which the vehicle drives the plurality of road sections. Can be done while the first parameter set can include vehicle wheel movement parameters and vehicle acceleration parameters, the first vehicle sensor is different from the road image sensor, and by vehicle computer, multiple It involves detecting a detected physical event related to driving a road section, the detection can be based on a first set of parameters, also includes generating physical event information about the detected physical event, and of the physical event information. Includes storing or transmitting at least one. The physical event may be an aquaplaning event. As an example, each of Method 10'in FIG. 12 and Method 11' in FIG. 13 may be modified to detect a physical event or may be an aquaplaning event. With reference to FIG. 14, information about aquaplaning events can be added to database 600', for example to fixed size sparse layer 630' or variable size sparse layer 640'.
[001238] A non-temporary computer program product for measuring physical events associated with a plurality of road sections may be provided, the non-temporary computer program product being provided with a first parameter set by a first vehicle sensor. The instructions for measuring the vehicle may be stored and the measurement may be performed while the vehicle is traveling on multiple road sections, and the first parameter set may include vehicle wheel movement parameters and vehicle acceleration parameters. , The first vehicle sensor is different from the road image sensor and also stores instructions for detecting detected physical events related to traveling on multiple road sections by the vehicle computer, and the detection is in the first parameter set. It can be based on generating physical event information about the detected physical event, storing instructions to store or transmit at least a portion of the physical event information, and the physical event may include the occurrence of an aquaplaning event.
[001239] A system for measuring physical events associated with multiple road sections may be provided, which system is configured to (i) receive a first set of parameters from a first vehicle sensor. The measurement may be made while the vehicle is traveling on a plurality of road sections, the first parameter set may include vehicle wheel movement parameters and vehicle acceleration parameters, and the first vehicle sensor may be a road image. Unlike sensors, (ii) may be configured to detect detected physical events associated with travel on multiple road sections, the detection may be based on a first set of parameters, and may be related to detected physical events. It may be configured to generate physical event information and assist in storing or transmitting at least a portion of the physical event information, the physical event may include the occurrence of an aquaplaning event, or may include a vehicle computer. ..
[001240] A method of generating a reference map of a region can be provided with (a) physical event information about physical events detected by multiple vehicles when traveling on a road section belonging to the region. , (B) It can include receiving road section attributes calculated by multiple vehicles through a communication interface, the road section attributes are associated with the road sections belonging to the area, and the physics of one vehicle of multiple vehicles. Event information can be associated with road sections belonging to an area, and the physical event information of one vehicle of multiple vehicles can be based on a first set of parameters that can be sensed by the first vehicle sensor of the vehicle. The first parameter set can include vehicle wheel movement parameters and vehicle acceleration parameters, the first vehicle sensor is different from the road image sensor, and also includes physical event information about detected physical events detected by multiple vehicles. Detected physical events can include the occurrence of aquaplaning events, including calculating a reference map by a computerized system based on road section attributes calculated by multiple vehicles. With reference to method 800 in FIG. 21, step 810 can include receiving physical event information that can indicate the occurrence of one or more aquaplaning events. Step 820 can include calculating a reference map that can reflect the occurrence of one or more aquaplaning events.
[001241] A non-temporary computer program product for generating a reference map of a region may be provided, the non-temporary computer program product being used when traveling on a road section belonging to (a) a region. The communication interface stores commands for receiving physical event information about physical events detected by a vehicle and (b) road section attributes calculated by multiple vehicles from multiple vehicles, and the road section attributes are It may be associated with a road section belonging to an area, and the physical event information of one vehicle of a plurality of vehicles may be based on a first parameter set which may be sensed by a first vehicle sensor of the vehicle, first. The parameter set may include vehicle wheel movement parameters and vehicle acceleration parameters, where the first vehicle sensor is different from the road image sensor and is the physics of the detected physical event detected by multiple vehicles by a computerized system. It stores instructions for calculating a reference map based on event information and road section attributes calculated by multiple vehicles, and the detected physical event can include the occurrence of an aquaplaning event.
[001242] A method for determining a drive session may be provided, which method may include receiving or generating a vehicle profile and a gradient of a portion of the path preceding the vehicle by a vehicle computer. The vehicle profile may be generated based on at least the road route and vehicle parameters, and may include at least some of the road route and vehicle parameters sensed by a vehicle sensor different from the road image sensor, and the vehicle. The computer may include determining the proposed driving parameters of the route preceding the vehicle, the calculation of which is information related to the vehicle profile, route partial gradient, extrinsic constraints, and the occurrence of one or more aquaplaning events. Includes that it may be at least partially based on. Extrinsic constraints can include the occurrence of one or more aquaplaning events. With reference to method 1200 in FIG. 28, step 1220 can respond to exogenous constraints and can include the occurrence (actual or expected) of one or more aquaplaning events.
[001243] A non-temporary computer program product for determining a drive session may be provided, which uses the vehicle computer to determine the vehicle profile and the slope of the portion of the path preceding the vehicle. An instruction to receive or generate, the vehicle profile is generated based on at least the road route and vehicle parameters, and at least some of the road route and vehicle parameters are sensed by a vehicle sensor different from the road image sensor. The instructions and the vehicle computer determine the proposed driving parameters for the route preceding the vehicle, and the calculations are at least part of the vehicle profile, route partial gradient, extrinsic constraints, and the occurrence of one or more aquaplaning events. May be based on the target.
[001244] The terms "including," "providing," "having," "consisting of," and "consisting of essentially" are used in an interchangeable manner. In the exemplary method, at least the steps included in the drawings and / or the specification, and only the steps contained in the drawings and / or the specification can be included.
[001245] In the aforementioned specification, the present invention has been described with reference to specific examples of embodiments of the present invention. However, it will be clear that various modifications and changes can be made without departing from the broader spirit and scope of the attached invention.
[001246] Further, the terms "front", "rear", "rear", "top", "bottom", "upper", "lower", etc. in the specification and claims are described, if any. It is used for purposes and not necessarily to describe a permanent relative position. It should be understood that these used terms operate in a suitable environment such that the embodiments described herein operate in, for example, directions other than those shown or described herein. It is interchangeable below.
[001247] The connections described herein may be any type of connection suitable for transferring signals from or to each node, unit, or device, eg, via an intermediate device. .. Thus, unless implied or otherwise stated, the connection may be, for example, a direct connection or an indirect connection. Connections can be illustrated or described with reference to single connections, multiple connections, unidirectional connections, or bidirectional connections. However, different embodiments can change the implementation of the connection. For example, a separate unidirectional connection can be used instead of a bidirectional connection, and vice versa. Also, multiple connections can be replaced with a single connection that transfers multiple signals in series or in a time-multiplexed manner. Similarly, a single connection carrying multiple signals may be separated into a variety of different connections carrying a subset of these signals. Therefore, there are many options for transferring signals.
[001248] Although certain conductive or potential polarities have been described in the Examples, it will be appreciated that the conductive and potential polarities may be reversed.
[001249] Those skilled in the art may appreciate that the boundaries between the various components are merely exemplary and that the alternative embodiment merges the various components or imposes an alternative decomposition of functionality on the various components. You will recognize that. Therefore, it should be understood that the architectures presented herein are merely exemplary and in practice many other architectures that achieve the same functionality can be implemented.
[001250] Any arrangement of components to achieve the same functionality is effectively "associated" so that the desired functionality is achieved. Thus, any two components combined herein, regardless of architecture or intermediate components, can be seen as being "associated" with each other to achieve the desired functionality. Similarly, any two components so associated can also be seen as "operably connected" or "operably coupled" to each other to achieve the desired functionality. ..
[001251] Moreover, one of ordinary skill in the art will recognize that the boundaries between the above actions are merely exemplary. Multiple operations may be combined into a single operation, a single operation may be distributed among additional operations, and operations may be performed at least partially overlapping in time. Further, the alternative embodiment can include multiple instances of a particular operation, and the order of the operations can be changed in various other embodiments.
[001252] However, other modifications, modifications and alternatives are possible. Therefore, the specification and drawings should be viewed in an exemplary sense, not in a limiting sense.
[001253] Any combination of any component of a system or device or device and / or any component of a unit, as shown in any of the figures and / or the specification and / or claims, is provided. May be good.
[001254] Any system and / or device and / or any combination of devices as shown in any drawing and / or specification and / or claims may be provided.
[001255] Any combination of steps, actions and / or methods shown in the figures and / or in the specification and / or claims may be provided.
[001256] Any combination of actions shown in the figures and / or in the specification and / or in the claims may be provided.
[001257] Any combination of methods set forth in the figures and / or in the specification and / or in the claims may be provided.
[001258] One or more non-temporary instructions for performing a combination of steps, actions and / or methods set forth in any of the figures and / or the specification and / or claims. A computer-readable medium can be provided.
[001259] One or more devices configured and arranged to perform any combination of steps, operations and / or methods set forth in the figures and / or in the specification and / or claims. / Or systems and / or units may be provided.
[001260] The terms configured, constructed, and arranged are used in a compatible manner.
[001261] The phrase "may be X" indicates that condition X may be satisfied. This phrase also suggests that condition X is not met.
[001262] Those skilled in the art will appreciate that the boundaries between logic blocks are merely exemplary and alternative embodiments merge logic blocks or circuit elements, or alternative decomposition of functions into various logic blocks or circuit elements. You will recognize that you can impose it. Therefore, it should be understood that the architectures presented herein are merely exemplary and in practice many other architectures that achieve the same functionality can be implemented.
[001263] Any arrangement of components to achieve the same functionality is effectively "associated" so that the desired functionality is achieved. Thus, any two components combined herein to achieve a particular functionality are "associated" with each other so that the desired functionality is achieved, regardless of architecture or intermediate components. You can see it. Similarly, any two components so associated can also be viewed as "operably connected" or "operably combined" with each other to achieve the desired functionality.
[001264] Moreover, one of ordinary skill in the art will recognize that the boundaries between the above actions are merely exemplary. Multiple operations may be combined into a single operation, a single operation may be distributed among additional operations, and operations may be performed at least partially overlapping in time. Further, the alternative embodiment can include multiple instances of a particular operation, and the order of the operations can be changed in various other embodiments.
[001265] Also, for example, in one embodiment, the illustrated examples may be implemented as circuits arranged on a single integrated circuit or within the same device. Alternatively, these examples may be implemented as any number of separate integrated circuits or as separate devices interconnected with each other in an appropriate manner.
[001266] Also, for example, examples, or parts thereof, may be implemented as soft or code representations of physical circuits, or logical representations convertible into physical circuits, such as in any suitable type of hardware description language. ..
[001267] The invention is also limited to physical devices or units mounted on non-programmable hardware, including mainframes, minicomputers, servers, workstations, personal computers, notepads, personal digital assistants, and electronic games. Programmable to perform desired device functions by operating according to appropriate program code, such as automobiles and other embedded systems, mobile phones, and various other wireless devices commonly referred to in this application as "computer systems". It can also be applied to devices or units.
[001268] In the claims, quotation marks in parentheses shall not be construed as limiting the claim. The term "comprising" does not preclude the existence of other elements or steps other than those listed in the claims. Furthermore, the term "a" or "an" here means one or more, and the use of introductory phrases such as "at least one" and "one or more" in a claim , Even if the same claim contains an introductory phrase of "one or more" or "at least one", and an unclear article such as "a" or "an", another claim by an unclear article. The introduction of an element should not be construed as limiting a particular claim containing such introduced claim element to an invention comprising only one such element, and with respect to the use of a definite article. Is the same. Unless otherwise indicated, words such as "first" and "second" are used to arbitrarily distinguish between the elements represented by these words. Therefore, these terms do not necessarily indicate temporal or other priorities between elements. The mere fact that the particular means are described in different claims does not indicate that the combination of these means cannot be used in an advantageous manner.
[001269] Although certain features of the present invention have been exemplified and described herein, many modifications, substitutions, modifications, and equivalents are now apparent to those skilled in the art. Therefore, it should be understood that the claims are intended to protect all such modifications and modifications as being included in the technical idea and technical scope of the present invention.

Claims (323)

道路区間の高さを推定する方法であって、
車両の気圧計によって所与のドライブセッション中に、車両が道路区間を通過する間に車両の内部圧力を測定し、複数の気圧計測定値を提供し、
コンピュータによって、気圧計に影響を及ぼす車両状態を補正して、複数の補正された気圧計測定値を提供し、
複数の補正された気圧計測定値を、複数の車両によって実行された複数の他のドライブセッション中に取得された気圧計情報と併合し、それによって道路区間の高さ推定値を提供し、併合は、セッション定数オフセット補正およびセッション間オフセット補正を実行することを含む、方法。 A method of estimating the height of a road section
During a given drive session by the vehicle's barometer, it measures the vehicle's internal pressure while the vehicle passes through a road section and provides multiple barometer measurements.
The computer compensates for vehicle conditions that affect the barometer and provides multiple corrected barometer measurements.
Combines multiple corrected barometer measurements with barometer information acquired during multiple other drive sessions performed by multiple vehicles, thereby providing road section height estimates, which merges. A method that includes performing session constant offset correction and intersession offset correction. 併合は、重複するノードを検索することを含み、各重複ノードは、同じロケーションに対応し、複数のセッションに属する、請求項１に記載の方法。 The method of claim 1, wherein merging involves searching for duplicate nodes, where each duplicate node corresponds to the same location and belongs to a plurality of sessions. 併合は、同じ重複ノードに関連する異なるセッションの高さ推定値を実質的に等しくするための関連付けプロセスを含む、請求項２に記載の方法。 The method of claim 2, wherein the merging comprises an associating process for making the height estimates of different sessions associated with the same overlapping node substantially equal. 関連付けプロセス中に導入された重複ノードの高さ推定値の変化に基づいて、重複しないノードの高さ推定値を変更することを含む、請求項３に記載の方法。 The method of claim 3, comprising changing the height estimates of non-overlapping nodes based on changes in the height estimates of overlapping nodes introduced during the association process. 重複しないノードの高さ推定値の変更は、所定の高さ調整配分に従ってセッションに沿って高さ調整を配分することを含む、請求項４に記載の方法。 The method of claim 4, wherein changing the height estimates of non-overlapping nodes comprises allocating height adjustments along a session according to a predetermined height adjustment distribution. 所定の高さ調整配分は、均一に配分した高さ調整配分である、請求項５に記載の方法。 The method according to claim 5, wherein the predetermined height adjustment distribution is a uniformly distributed height adjustment distribution. セッション定数オフセット補正は、重複ノードを関連付けすることなく、重複ノード間の高さの差を低減することを含む、請求項３に記載の方法。 The method of claim 3, wherein the session constant offset correction comprises reducing the height difference between the overlapping nodes without associating the overlapping nodes. セッション間オフセット補正は、関連付けプロセスを含む、請求項３に記載の方法。 The method of claim 3, wherein the inter-session offset correction comprises an association process. 気圧計に影響を及ぼす車両状態を補正することは、気圧計および気圧計とは異なる少なくとも１つの他の車両センサによって提供される情報に基づく、請求項１に記載の方法。 The method of claim 1, wherein correcting a vehicle condition affecting a barometer is based on information provided by the barometer and at least one other vehicle sensor different from the barometer. 少なくとも１つの他の車両センサは、加速度計である請求項９に記載の方法。 The method of claim 9, wherein the at least one other vehicle sensor is an accelerometer. 併合は、重複ノードに関連する高さ推定値の統計値を計算することと、統計値に基づいて１つまたは複数の高さ推定値を拒絶することとを含む、請求項１に記載の方法。 The method of claim 1, wherein the merging comprises calculating statistics of height estimates associated with overlapping nodes and rejecting one or more height estimates based on the statistics. .. 複数の補正された気圧計測定値を、車両の外部に配置されたコンピュータ化されたシステムに送信することを含み、併合は、コンピュータ化されたシステムによって実行される、請求項１に記載の方法。 The method of claim 1, wherein the merging is performed by a computerized system, comprising transmitting a plurality of corrected barometric pressure readings to a computerized system located outside the vehicle. 併合の少なくとも一部が、車両のコンピュータによって実行される、請求項１に記載の方法。 The method of claim 1, wherein at least part of the merger is performed by the computer of the vehicle. 気圧計に影響を及ぼす車両状態を補正することは、気圧計測定値をローパスフィルタリングすることを含む、請求項１に記載の方法。 The method of claim 1, wherein correcting the vehicle condition affecting the barometer comprises low-pass filtering the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、気圧計の測定値の少なくともいくつかを無視することを決定することを含む、請求項１に記載の方法。 The method of claim 1, wherein correcting the vehicle condition affecting the barometer comprises determining to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、気圧計の測定値の少なくともいくつかを無視することを決定することを含む、請求項１に記載の方法。 The method of claim 1, wherein correcting the vehicle condition affecting the barometer comprises determining to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、２つの地点に関連する気圧計測定値によって反映されるように、２つの地点間に延在する道路部分の勾配が最大勾配閾値を超える場合に、気圧計測定値のうちの少なくともいくつかを無視することを決定することを含む、請求項１に記載の方法。 Correcting vehicle conditions that affect the barometer is when the slope of the road section extending between the two points exceeds the maximum slope threshold, as reflected by the barometer measurements associated with the two points. The method of claim 1, comprising deciding to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、少なくとも１つの気圧計測定値の値に対する気圧計に影響を及ぼす事象の効果を計算することを含む、請求項１に記載の方法。 The method of claim 1, wherein correcting the vehicle condition affecting the barometer comprises calculating the effect of an event affecting the barometer on the value of at least one barometer measurement. 車両に影響を及ぼす気圧計を補正することは、気圧計の測定が行われたときに車両の加速に応答する、請求項１に記載の方法。 The method of claim 1, wherein correcting the barometer affecting the vehicle responds to the acceleration of the vehicle when the barometer measurement is made. 車両に影響を及ぼす気圧計を補正することは、気圧計の測定が行われたときに車両の減速に応答する、請求項１に記載の方法。 The method of claim 1, wherein correcting the barometer affecting the vehicle responds to the deceleration of the vehicle when the barometer measurement is made. 道路区間の高さを推定するための非一時的コンピュータプログラム製品であって、
車両の気圧計によって所与のドライブセッション中に、車両が道路区間を通過する間に車両の内部圧力を測定し、複数の気圧計測定値を提供するための命令と、
コンピュータによって、気圧計に影響を及ぼす車両状態を補正して、複数の補正された気圧計測定値を提供するための命令と、
複数の補正された気圧計測定値を複数の車両によって実行された複数の他のドライブセッション中に取得された気圧計情報と併合し、それによって道路区間の高さ推定値を提供するための命令と、を記憶し、併合は、セッション定数オフセット補正およびセッション間オフセット補正を実行することを含む、非一時的コンピュータプログラム製品。 A non-temporary computer program product for estimating the height of road sections
Instructions for measuring the vehicle's internal pressure and providing multiple barometer measurements while the vehicle passes through a road section during a given drive session by the vehicle's barometer,
Instructions to use a computer to correct vehicle conditions affecting the barometer and provide multiple corrected barometer measurements,
Instructions for merging multiple corrected barometer measurements with barometer information acquired during multiple other drive sessions performed by multiple vehicles, thereby providing road section height estimates. A non-temporary computer program product that remembers, merges, and includes performing session constant offset correction and intersession offset correction. 併合は、重複するノードを検索することを含み、各重複ノードは、同じロケーションに対応し、複数のセッションに属する、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein merging involves searching for duplicate nodes, where each duplicate node corresponds to the same location and belongs to multiple sessions. 併合は、同じ重複ノードに関連する異なるセッションの高さ推定値を実質的に等しくするための関連付けプロセスを含む、請求項２２に記載の非一時的コンピュータプログラム製品。 22. The non-temporary computer program product of claim 22, wherein merging comprises an association process for making height estimates of different sessions associated with the same overlapping node substantially equal. 関連付けプロセス中に導入された重複ノードの高さ推定値の変化に基づいて、重複しないノードの高さ推定値を変更する命令を記憶する、請求項２３に記載の非一時的コンピュータプログラム製品。 23. The non-temporary computer program product of claim 23, which stores an instruction to change the height estimates of non-overlapping nodes based on changes in the height estimates of overlapping nodes introduced during the association process. 重複しないノードの高さ推定値の変更は、所定の高さ調整配分に従ってセッションに沿って高さ調整を配分することを含む、請求項２４に記載の非一時的コンピュータプログラム製品。 24. The non-temporary computer program product of claim 24, wherein changing the height estimates of non-overlapping nodes comprises allocating height adjustments along a session according to a predetermined height adjustment distribution. 所定の高さ調整配分は、均一に配分した高さ調整配分である、請求項２５に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 25, wherein the predetermined height adjustment distribution is a uniformly distributed height adjustment distribution. セッション定数オフセット補正は、重複ノードを関連付けすることなく、重複ノード間の高さの差を低減することを含む、請求項２６に記載の非一時的コンピュータプログラム製品。 26. The non-temporary computer program product of claim 26, wherein session constant offset correction comprises reducing height differences between overlapping nodes without associating overlapping nodes. セッション間オフセット補正は、関連付けプロセスを含む、請求項２６に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 26, wherein the inter-session offset correction comprises an association process. 気圧計に影響を及ぼす車両状態を補正することは、気圧計および気圧計とは異なる少なくとも１つの他の車両センサによって提供される情報に基づく、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting a vehicle condition affecting a barometer is based on information provided by the barometer and at least one other vehicle sensor different from the barometer. 少なくとも１つの他の車両センサは、加速度計である、請求項２９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 29, wherein the at least one other vehicle sensor is an accelerometer. 気圧計に影響を及ぼす車両状態を補正することは、気圧計測定値パターンに基づく、請求項２１に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 21, wherein correcting a vehicle condition that affects a barometer is based on a barometer measurement pattern. 併合は、重複ノードに関連する高さ推定値の統計値を計算することと、統計値に基づいて１つまたは複数の高さ推定値を拒絶することとを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-consolidation of claim 21, wherein merging involves calculating statistics for height estimates associated with overlapping nodes and rejecting one or more height estimates based on the statistics. Temporary computer program product. 複数の補正された気圧計測定値を、車両の外部に配置されたコンピュータ化されたシステムに送信するための命令を記憶し、併合は、コンピュータ化されたシステムによって実行される、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The merging is performed by a computerized system that stores instructions for transmitting a plurality of corrected barometric pressure readings to a computerized system located outside the vehicle. Non-temporary computer program products. 併合の少なくとも一部が、車両のコンピュータによって実行される、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein at least a portion of the merger is performed by the vehicle computer. 気圧計に影響を及ぼす車両状態を補正することは、気圧計測定値をローパスフィルタリングすることを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting vehicle conditions affecting the barometer includes low-pass filtering the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、気圧計の測定値の少なくともいくつかを無視することを決定することを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting a vehicle condition affecting a barometer determines to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、気圧計の測定値の少なくともいくつかを無視することを決定することを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting a vehicle condition affecting a barometer determines to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、２つの地点に関連する気圧計測定値によって反映されるように、２つの地点間に延在する道路部分の勾配が最大勾配閾値を超える場合に、気圧計測定値のうちの少なくともいくつかを無視することを決定することを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 Compensating for vehicle conditions that affect the barometer is when the slope of the road section extending between the two points exceeds the maximum slope threshold, as reflected by the barometer measurements associated with the two points. The non-temporary computer program product of claim 21, comprising deciding to ignore at least some of the barometer measurements. 気圧計に影響を及ぼす車両状態を補正することは、少なくとも１つの気圧計測定値の値に対する気圧計に影響を及ぼす事象の効果を計算することを含む、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program of claim 21, wherein correcting a vehicle condition affecting a barometer comprises calculating the effect of an event affecting the barometer on the value of at least one barometer measurement. Product. 車両に影響を及ぼす気圧計を補正することは、気圧計の測定が行われたときに車両の加速に応答する、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting a barometer affecting the vehicle responds to vehicle acceleration when barometer measurements are taken. 車両に影響を及ぼす気圧計を補正することは、気圧計の測定が行われたときに車両の減速に応答する、請求項２１に記載の非一時的コンピュータプログラム製品。 21. The non-temporary computer program product of claim 21, wherein correcting the barometer affecting the vehicle responds to the deceleration of the vehicle when the barometer measurement is made. 複数の道路区間に関連する物理事象を測定するための方法であって、車両が複数の道路区間を走行している間に道路画像センサとは異なる第１の車両センサによって、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを測定し、車両コンピュータによって第１のパラメータセットに基づいて複数の道路区間を走行することに関連する検出物理事象を検出し、検出物理事象について物理事象情報を生成し、物理事象情報の少なくとも一部を記憶または送信する、方法。 A method for measuring physical events associated with multiple road sections, with vehicle wheel movement parameters and vehicle wheel movement parameters by a first vehicle sensor that is different from the road image sensor while the vehicle is traveling on multiple road sections. A first parameter set including vehicle acceleration parameters is measured, a vehicle computer detects detected physical events related to traveling on a plurality of road sections based on the first parameter set, and physical event information about the detected physical events. A method of generating and storing or transmitting at least a portion of physical event information. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択される、請求項４２に記載の方法。 42. The method of claim 42, wherein the detected physical event is selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンを含む、請求項４２に記載の方法。 42. The method of claim 42, wherein the detected physical event comprises a collision, slip, skid, spin, latitude spin and longitude spin. 第１の車両センサは、加速度計および複数の車輪運動センサを含む、請求項４２に記載の方法。 42. The method of claim 42, wherein the first vehicle sensor comprises an accelerometer and a plurality of wheel motion sensors. 道路区間属性を計算することを含む、請求項４２に記載の方法。 42. The method of claim 42, comprising calculating road section attributes. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含む、請求項４６に記載の方法。 Road section attributes are (i) curvature of the group of road sections including the road section, (ii) longitudinal slope of the road section, (iii) lateral slope of the road section, (iv) grip level associated with the road section, (V) The method of claim 46, comprising at least one road section attribute of the swell of the road section. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つの区間属性を含む、請求項４６に記載の方法。 Road section attributes are (i) curvature of the group of road sections including the road section, (ii) longitudinal slope of the road section, (iii) lateral slope of the road section, (iv) grip level associated with the road section, (V) The method of claim 46, comprising at least three section attributes of the swell of the road section. 物理事象の位置を計算することを含む、請求項４２に記載の方法。 42. The method of claim 42, comprising calculating the location of a physical event. 第１のパラメータセットの測定に対応する時点における物理事象に関連する異なる車両構成要素の位置に基づいて、物理事象の位置を計算することを含む、請求項４２に記載の方法。 42. The method of claim 42, comprising calculating the position of a physical event based on the position of a different vehicle component associated with the physical event at a time corresponding to the measurement of the first parameter set. （a）複数の道路区間に関連する以前に検出物理事象に関する参照情報を含む複数の道路区間の参照マップと（b）物理事象情報との間の差を計算することを含み、差のうちの少なくともいくつかを送信する、請求項４２に記載の方法。 Of the differences, including (a) calculating the difference between a reference map of multiple road sections containing reference information about previously detected physical events related to multiple road sections and (b) physical event information. 42. The method of claim 42, wherein at least some are transmitted. 複数の道路区間の参照マップを受信または計算することを含み、参照マップは、（a）複数の道路区間に関連する以前に検出物理事象についての参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含む、請求項４２に記載の方法。 Including receiving or calculating reference maps for multiple road sections, the reference maps are (a) reference information about previously detected physical events related to multiple road sections and (b) related to multiple road sections. 42. The method of claim 42, comprising with reference road section attributes. 参照マップと検出物理事象の順番に基づいて車両の位置を決定することを含む、請求項５２に記載の方法。 52. The method of claim 52, comprising locating the vehicle based on a reference map and the order of the detected physical events. 検出物理事象の順番に適合する物理事象の参照順番を参照マップ内で検索することによって車両の位置を決定することを含む、請求項５２に記載の方法。 52. The method of claim 52, comprising determining the position of the vehicle by searching the reference map for a reference order of physical events that match the order of the detected physical events. 必須の検出物理事象の順番に適合する必須の物理事象の参照順番を参照マップ内で検索することによって車両の位置を決定することを含む、請求項５２に記載の方法。 52. The method of claim 52, comprising determining the position of the vehicle by searching the reference map for a reference order of mandatory physical events that fits the order of mandatory detected physical events. 参照マップは、複数の道路区間の位置及び複数の道路区間間の空間的関係に関する情報を記憶する基本層を含む、請求項５２に記載の方法。 52. The method of claim 52, wherein the reference map includes a basic layer that stores information about the location of the plurality of road sections and the spatial relationships between the plurality of road sections. 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を記憶する層を含む、請求項５６に記載の方法。 56. The method of claim 56, wherein the reference map includes a layer that stores reference information about previously detected physical events associated with a plurality of road sections. 検出物理事象の順番に適合する物理事象の参照順番を層内で検索することによって車両の位置を決定することを含む、請求項５７に記載の方法。 57. The method of claim 57, comprising determining the position of the vehicle by searching within the layer for a reference order of physical events that match the order of the detected physical events. 検索することは、基本層によって表される道路区間をスキャンし、スキャンされた道路区間に関連する以前に検出された物理事象についての参照情報を読み出すことを含む、請求項５８に記載の方法。 58. The method of claim 58, wherein the search comprises scanning the road section represented by the base layer and retrieving reference information about previously detected physical events associated with the scanned road section. 検索することは、ハッシュ関数を適用して、以前に検出された物理事象についての参照情報を探し出すことを含む、請求項５９に記載の方法。 59. The method of claim 59, wherein the search comprises applying a hash function to seek out reference information about previously detected physical events. 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間のいくつかのみに関する追加情報を含む１つまたは複数の疎層と、を含み、１つまたは複数の疎層は、基本層にリンクされている、請求項５２に記載の方法。 A reference map may be one or more that contains (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between the multiple road sections, and (b) additional information about only some of the multiple road sections. 52. The method of claim 52, wherein one or more sparse layers, including a plurality of sparse layers, are linked to a base layer. １つまたは複数の疎層および車両の位置に基づいて、ドライブ命令を生成することを含む、請求項６１に記載の方法。 61. The method of claim 61, comprising generating drive instructions based on the location of one or more sparse layers and vehicles. 参照マップは、固定フィールドサイズ疎層と可変サイズ疎層とを含み、可変サイズ疎層は、参照物理事象情報を含む、請求項５２に記載の方法。 52. The method of claim 52, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, wherein the variable size sparse layer contains reference physical event information. 参照マップの一部を更新するための参照マップ更新を受信し、参照マップの更新されていない部分を更新することなく、参照マップの一部を更新する、請求項５２に記載の方法。 52. The method of claim 52, wherein a reference map update for updating a portion of the reference map is received and a portion of the reference map is updated without updating an unupdated portion of the reference map. 参照マップは、車両または車両の運転者に関連付けられた運転パターンについての情報を記憶するプライベートフィールドと、パブリックフィールドを含む、請求項５２に記載の方法。 52. The method of claim 52, wherein the reference map comprises a private field that stores information about the vehicle or the driving pattern associated with the vehicle driver, and a public field. 少なくとも第１のパラメータセットに基づいて仮想センサ情報を生成することをさらに含む、請求項４２に記載の方法。 42. The method of claim 42, further comprising generating virtual sensor information based on at least the first parameter set. 画像センサを使用することによって、車両の横方向位置を決定することをさらに含む、請求項４２に記載の方法。 42. The method of claim 42, further comprising determining the lateral position of the vehicle by using an image sensor. 物理事象情報は、検出された物理事象の正規化された大きさを含む、請求項４２に記載の方法。 42. The method of claim 42, wherein the physical event information includes a normalized magnitude of the detected physical event. 複数の道路区間に関連する物理事象を測定するための非一時的コンピュータプログラム製品であって、車両が複数の道路区間を走行している間に道路画像センサとは異なる第１の車両センサによって、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを測定し、車両コンピュータによって第１のパラメータセットに基づいて複数の道路区間を走行することに関連する検出物理事象を検出し、検出物理事象について物理事象情報を生成し、物理事象情報の少なくとも一部を記憶または送信する、ための命令を記憶する非一時的コンピュータプログラム製品。 A non-temporary computer program product for measuring physical events related to multiple road sections, by a first vehicle sensor different from the road image sensor while the vehicle is traveling on multiple road sections. A first set of parameters including vehicle wheel movement parameters and vehicle acceleration parameters is measured, and a vehicle computer detects detected physical events related to traveling on multiple road sections based on the first parameter set, and the detected physics. A non-temporary computer program product that stores instructions for generating physical event information about an event and storing or transmitting at least a portion of the physical event information. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択される、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, wherein the detected physical event is selected from the group consisting of collisions, slips, skids, spins, latitude spins and longitude spins. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンを含む、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, wherein the detected physical event includes collision, slip, skid, spin, latitude spin and longitude spin. 第１の車両センサは、加速度計と複数の車輪運動センサとを含む、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. 道路区間属性を計算するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 69, which stores an instruction for calculating a road section attribute. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含む、請求項７３に記載の非一時的コンピュータプログラム製品。 Road section attributes are (i) curvature of a group of road sections including road sections, (ii) longitudinal slope of road sections, (iii) lateral slopes of road sections, (iv) grip levels associated with road sections, (V) The non-temporary computer program product of claim 73, comprising at least one road section attribute of the road section swell. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つの道路区間属性を含む、請求項７３に記載の非一時的コンピュータプログラム製品。 Road section attributes are (i) curvature of a group of road sections including road sections, (ii) longitudinal slope of road sections, (iii) lateral slopes of road sections, (iv) grip levels associated with road sections, (V) The non-temporary computer program product of claim 73, comprising at least three road section attributes of the road section swell. 物理事象の位置を計算するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 69, which stores an instruction for calculating the position of a physical event. 第１のパラメータセットの測定に対応する時点における物理事象に関連する異なる車両構成要素の位置に基づいて、物理事象の位置を計算するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 29. The non-temporary claim 69, which stores an instruction to calculate the position of a physical event based on the position of different vehicle components associated with the physical event at the time corresponding to the measurement of the first parameter set. Computer program product. （a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報を含む複数の道路区間の参照マップと（b）物理事象情報との間の差を計算し、差のうちの少なくともいくつかを送信するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 Calculate the difference between (a) a reference map of multiple road sections containing reference information about previously detected physical events related to multiple road sections and (b) physical event information, and at least of the differences. The non-temporary computer program product according to claim 69, which stores instructions for transmitting some. 複数の道路区間の参照マップを受信または計算し、参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含むための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 Receives or calculates reference maps for multiple road sections, which are (a) reference information about previously detected physical events related to multiple road sections and (b) references related to multiple road sections. The non-temporary computer program product according to claim 69, which stores instructions for including road section attributes. 参照マップおよび検出物理事象の順番に基づいて車両の位置を決定するための命令を記憶する、請求項７９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 79, which stores instructions for locating a vehicle based on a reference map and the order of detected physical events. 検出物理事象の順番に適合する物理事象の参照順番を参照マップ内で検索することによって車両の位置を決定するための命令を記憶する、請求項７９に記載の非一時的コンピュータプログラム製品。 29. The non-temporary computer program product of claim 79, which stores instructions for locating a vehicle by searching the reference map for a reference order of physical events that match the order of detected physical events. 必須の検出物理事象の順番に適合する必須の物理事象の参照順番を参照マップ内で検索することによって車両の位置を決定するための命令を記憶する、請求項７９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program of claim 79, which stores instructions for locating a vehicle by searching the reference map for a reference order of mandatory physical events that match the order of mandatory detection physical events. Product. 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶する基本層を含む、請求項７９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 79, wherein the reference map comprises a basic layer that stores information about the location of a plurality of road sections and the spatial relationships between the plurality of road sections. 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を記憶する層を含む、請求項８３に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 83, wherein the reference map comprises a layer that stores reference information about previously detected physical events associated with a plurality of road sections. 検出物理事象の順番に適合する物理事象の参照順番を層内で検索することによって車両の位置を決定するための命令を記憶する、請求項８４に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 84, which stores instructions for locating a vehicle by searching within a layer for a reference order of physical events that match the order of detected physical events. 検索することは、基本層によって表される道路区間をスキャンし、スキャンされた道路区間に関連する以前に検出された物理事象についての参照情報を読み出すことを含む、請求項８５に記載の非一時的コンピュータプログラム製品。 The non-temporary according to claim 85, wherein the search comprises scanning the road section represented by the base layer and retrieving reference information about previously detected physical events associated with the scanned road section. Computer program product. 検索することは、ハッシュ関数を適用して、以前に検出された物理事象についての参照情報を探し出すことを含む、請求項８５に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 85, wherein searching comprises applying a hash function to seek out reference information about previously detected physical events. 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間のいくつかのみに関する追加情報を含む１つまたは複数の疎層と、を含み、１つまたは複数の疎層は、基本層にリンクされている、請求項７９に記載の非一時的コンピュータプログラム製品。 A reference map may be one or more that contains (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between the multiple road sections, and (b) additional information about only some of the multiple road sections. The non-temporary computer program product of claim 79, wherein the sparse layer, including the sparse layer, is linked to a base layer. １つまたは複数の疎層および車両の位置に基づいて、ドライブ命令を生成するための命令を記憶する、請求項８８に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 88, which stores instructions for generating drive instructions based on the location of one or more sparse layers and vehicles. 参照マップは、固定フィールドサイズ疎層と可変サイズ疎層とを含み、可変サイズ疎層は、参照物理事象情報を含む、請求項７９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 79, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, wherein the variable size sparse layer contains reference physical event information. 参照マップの一部を更新するための参照マップ更新を受信し、参照マップの更新されていない部分を更新することなく、参照マップの一部を更新するための命令を記憶する、請求項７９に記載の非一時的コンピュータプログラム製品。 Claim 79, which receives a reference map update for updating a portion of the reference map and stores an instruction to update a portion of the reference map without updating the unupdated portion of the reference map. The listed non-temporary computer program products. 参照マップは、車両または車両の運転者に関連付けられた運転パターンについての情報を記憶するプライベートフィールドと、パブリックフィールドを含む、請求項７９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 79, wherein the reference map includes a private field that stores information about the vehicle or the driving pattern associated with the vehicle driver, and a public field. 少なくとも第１のパラメータセットに基づいて仮想センサ情報を生成するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, which stores instructions for generating virtual sensor information based on at least a first set of parameters. 画像センサを使用することによって車両の横方向位置を決定するための命令を記憶する、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, which stores instructions for determining the lateral position of a vehicle by using an image sensor. 物理事象情報は、検出物理事象の正規化された大きさを含む、請求項６９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 69, wherein the physical event information includes a normalized magnitude of the detected physical event. 複数の道路区間に関連する物理事象を測定するためのシステムであって、（i）道路画像センサとは異なる第１の車両センサから、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを受信し、測定は車両が複数の道路区間上を走行している間に行われ、（ii）複数の道路区間上の走行に関連する検出された物理事象を第１のパラメータセットに基づいて検出し、検出された物理事象について物理事象情報を生成し、物理事象情報の少なくとも一部を記憶または送信することを支援するように構成された車両コンピュータを備えるシステム。 A system for measuring physical events related to a plurality of road sections, from a first vehicle sensor different from (i) a road image sensor, to a first parameter set including vehicle wheel movement parameters and vehicle acceleration parameters. Is received and measurements are taken while the vehicle is traveling on multiple road sections: (ii) Detected physical events related to driving on multiple road sections based on the first parameter set. A system comprising a vehicle computer configured to detect, generate physical event information for a detected physical event, and assist in storing or transmitting at least a portion of the physical event information. 領域の参照マップを生成するための方法であって、通信インターフェースによって、複数の車両から、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と（b）複数の車両によって計算された道路区間属性とを受信することを含み、道路区間属性は当該領域に属する道路区間に関連付けられ、複数の車両の内の１つの車両の物理事象情報は、当該車両の第１の車両センサによって感知される第１のパラメータセットに基づいており、第１のパラメータセットは、車両ホイール移動パラメータおよび車両加速度パラメータを含み、第１の車両センサは道路画像センサとは異なり、コンピュータ化されたシステムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と、複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算する、方法。 A method for generating a reference map of a region, which is a physical event related to a detected physical event detected by a plurality of vehicles by a communication interface when traveling on a road section belonging to the region (a). Including receiving information and (b) road section attributes calculated by multiple vehicles, the road section attributes are associated with the road section belonging to the area and the physical event information of one vehicle among the multiple vehicles. Is based on a first parameter set sensed by a first vehicle sensor of the vehicle, the first parameter set includes vehicle wheel movement parameters and vehicle acceleration parameters, and the first vehicle sensor is a road image. A method of calculating a reference map based on physical event information about detected physical events detected by multiple vehicles and road section attributes calculated by multiple vehicles by a computerized system, unlike sensors. .. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択される、請求項９７に記載の方法。 97. The method of claim 97, wherein the detected physical event is selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンを含む、請求項９７に記載の方法。 97. The method of claim 97, wherein the detected physical event comprises a collision, slip, skid, spin, latitude spin and longitude spin. 第１の車両センサは、加速度計および複数の車輪運動センサを含む、請求項９７に記載の方法。 The method of claim 97, wherein the first vehicle sensor comprises an accelerometer and a plurality of wheel motion sensors. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含む、請求項９７に記載の方法。 Road section attributes are (i) curvature of the group of road sections including the road section, (ii) longitudinal slope of the road section, (iii) lateral slope of the road section, (iv) grip level associated with the road section, (V) The method of claim 97, comprising at least one road section attribute of the road section swell. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つの区間属性を含む、請求項９７に記載の方法。 Road section attributes are (i) curvature of the group of road sections including the road section, (ii) longitudinal slope of the road section, (iii) lateral slope of the road section, (iv) grip level associated with the road section, (V) The method of claim 97, comprising at least three section attributes of the swell of the road section. 参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含む、請求項９７に記載の方法。 28. The reference map is set forth in claim 97, which comprises (a) reference information about previously detected physical events associated with the plurality of road sections and (b) reference road section attributes associated with the plurality of road sections. Method. 参照マップは、複数の道路区間の位置及び複数の道路区間間の空間的関係に関する情報を記憶する基本層を含む、請求項９７に記載の方法。 The method of claim 97, wherein the reference map comprises a basic layer that stores information about the location of the plurality of road sections and the spatial relationships between the plurality of road sections. 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を記憶する層を含む、請求項１０４に記載の方法。 10. The method of claim 104, wherein the reference map includes a layer that stores reference information about previously detected physical events associated with a plurality of road sections. 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間のいくつかのみに関する追加情報を含む１つまたは複数の疎層とを含み、１つまたは複数の疎層は、基本層にリンクされている、請求項９７に記載の方法。 A reference map may be one or more that contains (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between the multiple road sections, and (b) additional information about only some of the multiple road sections. 97. The method of claim 97, wherein one or more sparse layers, including a plurality of sparse layers, are linked to a base layer. 参照マップは、固定フィールドサイズ疎層と可変サイズ疎層とを含み、可変サイズ疎層は、参照物理事象情報を含む、請求項９７に記載の方法。 The method of claim 97, wherein the reference map comprises a fixed field size sparse layer and a variable size sparse layer, wherein the variable size sparse layer contains reference physical event information. 参照マップは、車両または車両の運転者に関連付けられた運転パターンに関する情報を記憶するプライベートフィールドと、パブリックフィールドを含む、請求項９７に記載の方法。 97. The method of claim 97, wherein the reference map comprises a private field that stores information about the vehicle or the driving pattern associated with the vehicle driver, and a public field. 物理事象情報は、検出された物理事象の正規化された大きさを含む、請求項９７に記載の方法。 The method of claim 97, wherein the physical event information includes a normalized magnitude of the detected physical event. 領域の参照マップを生成するための非一時的コンピュータプログラム製品であって、
通信インターフェースによって、複数の車両から、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と（b）複数の車両によって計算された道路区間属性を受信する命令であって、道路区間属性は当該領域に属する道路区間に関連付けられ、複数の車両の内の１つの車両の物理事象情報は当該車両の道路画像センサとは異なる第１の車両センサによって感知される第１のパラメータセットに基づいており、第１のパラメータセットは車両ホイール移動パラメータおよび車両加速度パラメータを含む命令と、
コンピュータ化システムによって、複数の車両によって検出された検出物理事象に関する物理事象情報と複数の車両によって計算された道路区間属性とに基づいて、参照マップを計算する命令と、を記憶する非一時的コンピュータプログラム製品。 A non-temporary computer program product for generating a reference map of an area.
Through the communication interface, physical event information on detected physical events detected by multiple vehicles when traveling on a road section belonging to the area from multiple vehicles and (b) road sections calculated by multiple vehicles. A first vehicle that is a command to receive an attribute, the road section attribute is associated with a road section belonging to the area, and the physical event information of one vehicle among a plurality of vehicles is different from the road image sensor of the vehicle. Based on a first set of parameters sensed by the sensor, the first set of parameters includes instructions including vehicle wheel movement parameters and vehicle acceleration parameters.
A non-temporary computer that stores instructions to calculate a reference map based on physical event information about detected physical events detected by multiple vehicles and road section attributes calculated by multiple vehicles by a computerized system. Program product. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンからなる群から選択される、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the detected physical event is selected from the group consisting of collisions, slips, skids, spins, latitude spins and longitude spins. 検出物理事象は、衝突、スリップ、横滑り、スピン、緯度スピンおよび経度スピンを含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the detected physical event includes a collision, slip, skid, spin, latitude spin and longitude spin. 第１の車両センサは、加速度計および複数の車輪運動センサを含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 110, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも１つの道路区間属性を含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 Road section attributes are (i) curvature of a group of road sections including road sections, (ii) longitudinal slope of road sections, (iii) lateral slopes of road sections, (iv) grip levels associated with road sections, (V) The non-temporary computer program product according to claim 110, which comprises at least one road section attribute of a road section swell. 道路区間属性は、（i）道路区間を含む道路区間のグループの曲率、（ii）道路区間の長手方向傾斜、（iii）道路区間の横方向傾斜、（iv）道路区間に関連するグリップレベル、（v）道路区間のうねりのうちの少なくとも３つの区間属性を含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 Road section attributes are (i) curvature of the group of road sections including the road section, (ii) longitudinal slope of the road section, (iii) lateral slope of the road section, (iv) grip level associated with the road section, (V) The non-temporary computer program product according to claim 110, which comprises at least three section attributes of a road section swell. 参照マップは、（a）複数の道路区間に関連する以前に検出された物理事象に関する参照情報と、（b）複数の道路区間に関連する参照道路区間属性とを含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 13. The reference map of claim 110, wherein the reference map comprises (a) reference information about previously detected physical events associated with the plurality of road sections and (b) reference road section attributes associated with the plurality of road sections. Non-temporary computer program product. 参照マップは、複数の道路区間の位置および複数の道路区間間の空間的関係に関する情報を記憶する基本層を含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the reference map comprises a basic layer that stores information about the location of a plurality of road sections and the spatial relationships between the plurality of road sections. 参照マップは、複数の道路区間に関連する以前に検出された物理事象に関する参照情報を記憶する層を含む、請求項１１７に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 117, wherein the reference map comprises a layer that stores reference information about previously detected physical events associated with a plurality of road sections. 参照マップは、（a）複数の道路区間の位置および複数の道路区間間の空間関係に関する情報を記憶する基本層と、（b）複数の道路区間のいくつかのみに関する追加情報を含む１つまたは複数の疎層とを含み、１つまたは複数の疎層は、基本層にリンクされている、請求項１１０に記載の非一時的コンピュータプログラム製品。 A reference map may be one or more that contains (a) a basic layer that stores information about the location of multiple road sections and spatial relationships between the multiple road sections, and (b) additional information about only some of the multiple road sections. The non-temporary computer program product of claim 110, wherein one or more sparse layers are linked to a base layer, including a plurality of sparse layers. 参照マップは、固定フィールドサイズ疎層と可変サイズ疎層とを含み、可変サイズ疎層は、参照物理事象情報を含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the reference map comprises a fixed field size sparse layer and a variable size sparse layer, wherein the variable size sparse layer contains reference physical event information. 参照マップは、車両または車両の運転者に関連付けられた運転パターンに関する情報を記憶するプライベートフィールドと、パブリックフィールドを含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the reference map comprises a private field that stores information about the vehicle or the driving pattern associated with the vehicle driver, and a public field. 物理事象情報は、検出物理事象の正規化された大きさを含む、請求項１１０に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 110, wherein the physical event information includes a normalized magnitude of the detected physical event. 領域の参照マップを生成するためのシステムであって、複数の車両から、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と（b）複数の車両によって計算された道路区間属性とを受信するように構成された通信インターフェースと、複数の車両によって検出された検出物理事象に関する物理事象情報と複数の車両によって計算された道路区間属性とに基づいて参照マップを計算するように構成されたプロセッサと、を備え、道路区間属性は当該領域に属する道路区間に関連付けられ、複数の車両の内の１つの車両の物理事象情報は、当該車両の第１の車両センサによって感知される第１のパラメータセットに基づいており、第１のパラメータセットは、車両ホイール移動パラメータおよび車両加速度パラメータを含み、第１の車両センサは道路画像センサとは異なる、システム。 A system for generating a reference map of a region, which includes physical event information on detected physical events detected by multiple vehicles when traveling on a road section belonging to (a) region from multiple vehicles and (b). ) A communication interface configured to receive road section attributes calculated by multiple vehicles, physical event information about detected physical events detected by multiple vehicles, and road section attributes calculated by multiple vehicles. It comprises a processor configured to calculate a reference map based on, road section attributes are associated with a road section belonging to the area, and physical event information of one of the vehicles is the vehicle. Based on the first parameter set sensed by the first vehicle sensor of, the first parameter set includes the vehicle wheel movement parameter and the vehicle acceleration parameter, the first vehicle sensor is different from the road image sensor. ,system. 車両プロファイルを生成するための方法であって、車両プロファイル情報候補を収集するステップであって、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含み、その道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知されるステップと、少なくとも、車両プロファイル情報候補に基づいて、車両プロファイルを生成するステップとを含み、車両プロファイルは、
(i) 第１の組の道路経路と車両パラメータの異なる値に対して車両の等速移動に関連付けられた巡行燃料消費パラメータの値に関する巡行情報を含む巡行データ構造と、
(ii) 第２の組の道路経路と車両パラメータの異なる値に対して車両のアイドル減速に関連付けられたアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、
(iii) 第３の組の道路経路と車両パラメータの異なる値に対して車両の一定加速に関連付けられた加速燃料消費パラメータの値に関する加速情報を含む加速データ構造と、を含む、方法。 A method for generating a vehicle profile, which is a step of collecting vehicle profile information candidates, the vehicle profile information candidate includes fuel consumption information related to different road routes and vehicle parameters, the road route and vehicle parameters. At least some of the steps include a step sensed by a first vehicle sensor different from the road image sensor, and at least a step of generating a vehicle profile based on the vehicle profile information candidate.
(i) A cruise data structure containing cruise information on the values of the cruise fuel consumption parameters associated with the constant velocity movement of the vehicle for different values of the first set of road routes and vehicle parameters.
(ii) An idle deceleration data structure containing idle deceleration information about idle deceleration distance values associated with vehicle idle deceleration for different values of the second set of road routes and vehicle parameters.
(iii) A method comprising a third set of road routes and an acceleration data structure containing acceleration information on the values of acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of vehicle parameters. 巡行データ構造は、基本的に巡行燃料消費パラメータの値からなる、請求項１２４に記載の方法。 The method of claim 124, wherein the cruise data structure basically comprises the values of the cruise fuel consumption parameters. 第１の組の道路経路と車両パラメータは、基本的に、車両速度、道路区間勾配、車両重量、および１つまたは複数のトランスミッションシステムパラメータからなる、請求項１２５に記載の方法。 The method of claim 125, wherein the first set of road routes and vehicle parameters basically comprises vehicle speed, road section gradient, vehicle weight, and one or more transmission system parameters. トランスミッションシステムパラメータは、ギアおよびスロットル位置を含む、請求項１２６に記載の方法。 The method of claim 126, wherein the transmission system parameters include gear and throttle positions. アイドル減速構造は、基本的に、アイドル減速距離の値からなる、請求項１２４に記載の方法。 The method according to claim 124, wherein the idle deceleration structure basically comprises a value of an idle deceleration distance. 第２の組の道路経路および車両パラメータは、基本的に、始動車両速度、道路区間勾配、および車両重量からなる、請求項１２８に記載の方法。 The method of claim 128, wherein the second set of road routes and vehicle parameters basically comprises a starting vehicle speed, a road section gradient, and a vehicle weight. 第２の組の道路経路および車両パラメータは、基本的に、始動車両速度、道路区間勾配、および車両重量と、１つまたは複数のトランスミッションシステムパラメータとからなる、請求項１２８に記載の方法。 28. The method of claim 128, wherein the second set of road routes and vehicle parameters basically comprises a starting vehicle speed, a road section gradient, and a vehicle weight and one or more transmission system parameters. トランスミッションシステムパラメータは、ギアを含む、請求項１３０に記載の方法。 The method of claim 130, wherein the transmission system parameters include gears. 巡航データ構造は、基本的に、加速燃料消費パラメータの値からなる、請求項１２４に記載の方法。 The method of claim 124, wherein the cruising data structure basically comprises the values of the accelerated fuel consumption parameters. 第３の組の道路経路および車両パラメータは、基本的に、始動車両速度、道路区間勾配、車両重量、加速距離、および１つまたは複数のトランスミッションシステムパラメータからなる、請求項１３２に記載の方法。 13. The method of claim 132, wherein the third set of road routes and vehicle parameters basically comprises the starting vehicle speed, road section gradient, vehicle weight, acceleration distance, and one or more transmission system parameters. トランスミッションシステムパラメータは、ギアおよびスロットル位置を含む、請求項１３３に記載の方法。 13. The method of claim 133, wherein the transmission system parameters include gear and throttle positions. 経路区間の勾配と、（i）経路区間の２つの端部間の高さの差と（ii）経路区間の水平投影の長さの比との比較に基づいて、車両プロファイル情報候補を拒絶することを含む、請求項１２４に記載の方法。 Reject vehicle profile information candidates based on comparison of the slope of the route section, (i) the height difference between the two ends of the route section, and (ii) the ratio of the horizontal projection length of the route section. 124. The method of claim 124. 車両プロファイルに基づいて車両を動的にクラスタ化することをさらに含む、請求項１２４に記載の方法。 The method of claim 124, further comprising dynamically clustering the vehicles based on the vehicle profile. 各クラスタについてクラスタプロファイルを計算することをさらに含む、請求項１３６に記載の方法。 The method of claim 136, further comprising calculating a cluster profile for each cluster. 車両を含むクラスタの少なくとも１つのクラスタプロファイルに基づいて、巡航データ構造、アイドル減速データ構造、加速度データ構造のうちの少なくとも１つを更新することをさらに含む、請求項１３７に記載の方法。 137. The method of claim 137, further comprising updating at least one of a cruise data structure, an idle deceleration data structure, and an acceleration data structure based on at least one cluster profile of a cluster including vehicles. 車両プロファイルを圧縮して、圧縮車両プロファイルを生成することをさらに含む、請求項１２４に記載の方法。 The method of claim 124, further comprising compressing the vehicle profile to generate a compressed vehicle profile. 圧縮は、従属道路経路と車両パラメータとの間の数学的関係を計算することと、巡航データ構造、アイドル減速データ構造、および加速度データ構造のうちの少なくとも１つから、従属道路経路および車両パラメータのうちの少なくとも１つに関する情報を除去することと、を含む、請求項１３９に記載の方法。 Compression is the calculation of the mathematical relationship between the subordinate road route and the vehicle parameters, and from at least one of the cruise data structure, idle deceleration data structure, and acceleration data structure of the subordinate road route and vehicle parameters. 139. The method of claim 139, comprising removing information about at least one of them. 圧縮は、道路経路および車両速度のサブグループに関連する車両パラメータを除去することを含む、請求項１３９に記載の方法。 139. The method of claim 139, wherein compression comprises removing vehicle parameters associated with road routes and vehicle speed subgroups. 圧縮は、車両プロファイルのいずれか１つに１つ以上の道路経路および車両パラメータを記憶することなく、１つ以上の道路経路および車両パラメータをキーとして使用することを含む、請求項１３９に記載の方法。 139. Claim 139, wherein compression comprises using one or more road routes and vehicle parameters as keys without storing one or more road routes and vehicle parameters in any one of the vehicle profiles. Method. 車両プロファイルを生成することは、第１の組の道路経路および車両パラメータの特定の値に対する巡航燃料消費パラメータの値を外挿することを含み、外挿することは、第１の組の道路経路および車両パラメータの特定の他の測定値に対する巡航燃料消費パラメータの値に応答する、請求項１２４に記載の方法。 Generating a vehicle profile involves extrapolating the values of the cruise fuel consumption parameters for a particular value of the first set of road routes and vehicle parameters, and extrapolating means extrapolating the values of the first set of road routes. And the method of claim 124, which responds to the value of the cruise fuel consumption parameter with respect to certain other measurements of the vehicle parameter. 車両に先行する経路のための推奨される運転パラメータを計算することをさらに含み、計算は、少なくとも部分的に、車両プロファイル、経路部分の勾配、および外因性制約に基づいている、請求項１２４に記載の方法。 24. The calculation further comprises calculating the recommended driving parameters for the route preceding the vehicle, the calculation being at least partially based on the vehicle profile, the slope of the route portion, and the extrinsic constraints. The method described. 計算は、経路を部分に仮想的に区間化することを含み、各部分は、実質的に同じ傾斜および実質的に同じ外因性制約の１つまたは複数の経路区間を含む、請求項１４４に記載の方法。 24. The calculation comprises virtually partitioning the routes into parts, wherein each part comprises one or more route sections with substantially the same slope and substantially the same exogenous constraints. the method of. 部分に関連する勾配および最大速度限界に基づいて、各部分の最適速度を見つけることを含む、請求項１４５に記載の方法。 145. The method of claim 145, comprising finding the optimum speed for each part based on the gradient and maximum speed limits associated with the parts. 車両プロファイルは、巡行データ構造と、アイドル減速データ構造と、加速度データ構造とからなる、請求項１２４に記載の方法。 The method of claim 124, wherein the vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure. 車両プロファイルを生成するための非一時的コンピュータプログラム製品であって、
車両プロファイル情報候補を収集するステップであって、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含み、その道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知されるステップと、
少なくとも、車両プロファイル情報候補に基づいて、車両プロファイルを生成するステップのための命令を記録し、車両プロファイルは、
(i) 第１の組の道路経路と車両パラメータの異なる値に対して車両の等速移動に関連付けられた巡行燃料消費パラメータの値に関する巡行情報を含む巡行データ構造と、
(ii) 第２の組の道路経路と車両パラメータの異なる値に対して車両のアイドル減速に関連付けられたアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、
(iii) 第３の組の道路経路と車両パラメータの異なる値に対して車両の一定加速に関連付けられた加速燃料消費パラメータの値に関する加速情報を含む加速データ構造と、を含む、非一時的コンピュータプログラム製品。 A non-temporary computer program product for generating vehicle profiles
A step of collecting vehicle profile information candidates, the vehicle profile information candidates include fuel consumption information related to different road routes and vehicle parameters, and at least some of the road routes and vehicle parameters are with road image sensors. The steps sensed by a different first vehicle sensor,
At a minimum, based on the vehicle profile information candidates, record the instructions for the step of generating the vehicle profile, and the vehicle profile
(i) A cruise data structure containing cruise information on the values of the cruise fuel consumption parameters associated with the constant velocity movement of the vehicle for different values of the first set of road routes and vehicle parameters.
(ii) An idle deceleration data structure containing idle deceleration information on idle deceleration distance values associated with vehicle idle deceleration for different values of the second set of road routes and vehicle parameters.
(iii) A non-temporary computer comprising a third set of road routes and an acceleration data structure containing acceleration information on the values of the acceleration fuel consumption parameters associated with the constant acceleration of the vehicle for different values of the vehicle parameters. Program product. 車両プロファイルを生成するためのコンピュータ化されたシステムであって、
車両プロファイル情報候補を収集するモジュールであって、車両プロファイル情報候補は異なる道路経路および車両パラメータに関連する燃料消費情報を含み、その道路経路および車両パラメータのうちの少なくともいくつかは道路画像センサとは異なる第１の車両センサによって感知される収集モジュールと、
少なくとも車両プロファイル情報候補に基づいて車両プロファイルを生成するためのコンピュータと、を備え、車両プロファイルは、
第１の組の道路経路と車両パラメータの異なる値に対して車両の等速移動に関連付けられた巡行燃料消費パラメータの値に関する巡行情報を含む巡行データ構造と、
第２の組の道路経路と車両パラメータの異なる値に対して車両のアイドル減速に関連付けられたアイドル減速距離値に関するアイドル減速情報を含むアイドル減速データ構造と、
第３の組の道路経路と車両パラメータの異なる値に対して車両の一定加速に関連付けられた加速燃料消費パラメータの値に関する加速情報を含む加速データ構造と、巡行データ構造と、アイドル減速データ構造と、加速データ構造を記憶するメモリとを含む、コンピュータ化されたシステム。 A computerized system for generating vehicle profiles,
A module that collects vehicle profile information candidates, which include fuel consumption information related to different road routes and vehicle parameters, and at least some of the road routes and vehicle parameters are with road image sensors. A collection module sensed by a different first vehicle sensor,
The vehicle profile comprises at least a computer for generating a vehicle profile based on vehicle profile information candidates.
A cruise data structure containing cruise information on the values of the cruise fuel consumption parameters associated with the constant velocity movement of the vehicle for different values of the first set of road routes and vehicle parameters.
A second set of idle deceleration data structures containing idle deceleration information about idle deceleration distance values associated with vehicle idle deceleration for different values of road routes and vehicle parameters.
An acceleration data structure, a cruise data structure, and an idle deceleration data structure that include acceleration information about the values of the acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of the road route and vehicle parameters of the third set. A computerized system, including a memory that stores accelerated data structures. ドライブセッションを決定する方法であって、
車両コンピュータによって、車両プロファイルおよび車両に先行する経路の部分の勾配を受信または生成するステップであって、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは、道路画像センサとは異なる車両センサによって感知されるステップと、
車両コンピュータによって、車両に先行する経路の推奨運転パラメータを決定するステップであって、計算は少なくとも部分的に、車両プロファイル、経路部分勾配、および外因性制約に基づくステップと、を含む方法。 How to determine a drive session
A step in which the vehicle computer receives or generates a vehicle profile and a gradient of a portion of the route preceding the vehicle, the vehicle profile is generated based on at least the road route and vehicle parameters, and at least of the road route and vehicle parameters. Some are steps sensed by a vehicle sensor that is different from the road image sensor,
A method in which a vehicle computer determines recommended driving parameters for a route preceding a vehicle, wherein the calculation includes, at least in part, a step based on the vehicle profile, route partial gradient, and extrinsic constraints. 計算は、経路を部分に仮想的に区間化することを含み、各部分は、実質的に同じ傾斜および実質的に同じ外因性制約の１つまたは複数の経路区間を含む、請求項１５０に記載の方法。 25. The calculation comprises virtually partitioning the routes into parts, wherein each part comprises one or more route sections with substantially the same slope and substantially the same exogenous constraints. the method of. 各部分に関連する勾配および最大速度限界に基づいて、各部分の最適速度を見つけることを含む、請求項１５０に記載の方法。 150. The method of claim 150, comprising finding the optimum speed for each part based on the gradient and maximum speed limits associated with each part. 車両プロファイルは、巡航データ構造、アイドル減速データ構造、および加速度データ構造から実質的に構成される、請求項１５０に記載の方法。 The method of claim 150, wherein the vehicle profile is substantially composed of a cruising data structure, an idle deceleration data structure, and an acceleration data structure. 車両プロファイルは、巡行データ構造、アイドル減速データ構造、および加速度データ構造からなる、請求項１５０に記載の方法。 The method of claim 150, wherein the vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure. ドライブセッションを決定するための非一時的コンピュータプログラム製品であって、
車両コンピュータによって、車両プロファイルおよび車両に先行する経路の部分の勾配を受信または生成するステップであって、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは、道路画像センサとは異なる車両センサによって感知されるステップと、車両コンピュータによって、車両に先行する経路の推奨運転パラメータを決定するステップであって、計算は少なくとも部分的に、車両プロファイル、経路部分勾配、および外因性制約に基づくステップと、を含む命令を記憶する非一時的コンピュータプログラム製品。 A non-temporary computer program product for determining drive sessions
A step in which the vehicle computer receives or generates a vehicle profile and a gradient of a portion of the route preceding the vehicle, the vehicle profile is generated based on at least the road route and vehicle parameters, and at least of the road route and vehicle parameters. Some are steps sensed by a vehicle sensor that is different from the road image sensor, and some are determined by the vehicle computer to determine recommended driving parameters for the route ahead of the vehicle, the calculation of which is at least partially the vehicle profile. A non-temporary computer program product that stores instructions, including path partial gradients, and steps based on extrinsic constraints. 車両の重量を評価する方法であって、
学習期間中車両センサによって、車両のドライブセッションに関する、（a）ドライブセッションに関連する経路の高さ測定値と（b）ドライブセッションに関連する燃料消費測定値と（c）ドライブセッションに関連する道路区間の長さ測定値と（d）ドライブセッションに関連する速度測定値とを含む車両センサ測定値を取得し、
車両センサ測定値に基づいて車両の評価重量を計算し、計算は車両によって浪費されるエネルギーを示すエネルギー係数の値に基づいて行う、方法。 It ’s a way to evaluate the weight of a vehicle.
During the training period, vehicle sensors will use (a) path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) roads associated with the drive session for the vehicle's drive session. Obtain vehicle sensor measurements, including section length measurements and (d) speed measurements associated with a drive session.
A method in which the evaluated weight of a vehicle is calculated based on vehicle sensor measurements, and the calculation is based on the value of an energy factor that indicates the energy wasted by the vehicle. 評価重量を計算することは、モータ効率関数および燃料消費誤差補正関数を見つけることをさらに含む、請求項１５６に記載の方法。 156. The method of claim 156, wherein calculating the valuation weight further comprises finding a motor efficiency function and a fuel consumption error correction function. 計算は、車両の重量推定に関連する少なくとも１つの配分を提供するエネルギー係数の値を検索することを含み、少なくとも１つの配分は、少なくとも１つの所定の統計的有意性基準を満たす、請求項１５６に記載の方法。 The calculation comprises searching for the value of the energy factor that provides at least one allocation associated with vehicle weight estimation, wherein at least one allocation meets at least one predetermined statistical significance criterion, claim 156. The method described in. 評価重量の決定は、以下の式に従って、複数の経路区間の各経路区間についての重量推定値を決定することを含む、請求項１５６に記載の方法。

ここで、エネルギー係数の群は、k1、k2、k3およびk4から構成され、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点の車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。 156. The method of claim 156, wherein determining the valuation weight comprises determining a weight estimate for each of the plurality of route sections according to the following equation.

Here, the group of energy coefficients is composed of k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section. 計算は、車両の重量推定に関連する少なくとも１つの配分を提供するエネルギー係数の値を検索することを含み、少なくとも１つの配分は、少なくとも１つの所定の統計的有意性基準を満たす、請求項１５９に記載の方法 The calculation comprises searching for the value of the energy factor that provides at least one allocation associated with vehicle weight estimation, wherein at least one allocation meets at least one predetermined statistical significance criterion, claim 159. Method described in 所定の統計的有意性基準は、最大統計的有意性である、請求項１６０に記載の方法。 The method of claim 160, wherein the predetermined statistical significance criterion is maximum statistical significance. 所定の統計的有意性基準は、重量推定分布の少なくとも１つの最小標準偏差である、請求項１６０に記載の方法。 The method of claim 160, wherein the predetermined statistical significance criterion is at least one minimum standard deviation of the weight estimation distribution. 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値について、重量推定値を決定することを含む、請求項１６０に記載の方法。 The method of claim 160, wherein determining the valuation weight comprises determining a weight estimate for each route section of the plurality of path sections and for different values of energy coefficients. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、および異なる運動効率関数値について、重量推定値を決定することを含む、請求項１６０に記載の方法。 The method of claim 160, wherein determining the weight to be evaluated comprises determining weight estimates for each of the plurality of pathway sections, for different values of energy coefficients, and for different kinetic efficiency function values. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、および異なる燃料消費誤差補正関数値について、重量推定値を決定することを含む、請求項１６０に記載の方法。 The method of claim 160, wherein determining the valuation weight comprises determining weight estimates for each of the plurality of pathway sections, for different values of energy coefficients, and for different fuel consumption error correction function values. .. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、異なるモータ効率関数値について、および異なる燃料消費誤差補正関数値について、重量推定値を決定することを含む、請求項１６０に記載の方法。 Determining the evaluated weight involves determining weight estimates for different path sections of the plurality of path sections, for different values of energy coefficients, for different motor efficiency function values, and for different fuel consumption error correction function values. The method of claim 160. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含む、請求項１６０に記載の方法。 The method of claim 160, wherein determining the evaluated weight comprises associating a quality characteristic with each weight estimate. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布は各重量推定値に割り当てられた品質特性に応答する、請求項１６０に記載の方法。 The determination of the evaluated weight involves associating a quality characteristic with each weight estimate, wherein at least one distribution associated with the vehicle weight estimate responds to the quality characteristic assigned to each weight estimate, claim 160. The method described. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定値の品質特性を表す値を有する、請求項１６０に記載の方法。 Determining the evaluated weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram contains bins, and each bin is associated with a weight estimate range. The method of claim 160, which has a value representing the quality characteristic of a weight estimate belonging to a bottle. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定値の品質特性の合計を表す値を有する、請求項１６０に記載の方法。 Determining the evaluated weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram contains bins, and each bin is associated with a weight estimate range. The method of claim 160, which has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin. 車両センサ測定値の少なくともいくつかに品質特性を割り当てることを含む、請求項１６０に記載の方法。 The method of claim 160, comprising assigning quality characteristics to at least some of the vehicle sensor measurements. 特定の経路区間の始点および終点における車両の速度に関連する差に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てることを含む、請求項１６０に記載の方法。 The method of claim 160, comprising assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on differences associated with vehicle speed at the start and end points of the particular route section. 特定のドライブセッション中の車両の最大速度に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てることを含む、請求項１６０に記載の方法。 The method of claim 160, comprising assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on the maximum speed of the vehicle during a particular drive session. 車両が下降した経路区間で得られた車両センサ測定値を無視することを含む、請求項１６０に記載の方法。 The method of claim 160, comprising ignoring vehicle sensor measurements obtained in a route section in which the vehicle descends. 計算は、機械学習を適用することを含む、請求項１５６に記載の方法。 156. The method of claim 156, wherein the calculation comprises applying machine learning. 車両の重量を評価するための非一時的コンピュータ可読媒体であって、
学習期間中車両センサによって、車両のドライブセッションに関する、（a）ドライブセッションに関連する経路の高さ測定値と（b）ドライブセッションに関連する燃料消費測定値と（c）ドライブセッションに関連する道路区間の長さ測定値と（d）ドライブセッションに関連する速度測定値とを含む車両センサ測定値を取得し、
車両センサ測定値に基づいて車両の評価重量を計算し、計算は車両によって浪費されるエネルギーを示すエネルギー係数の値に基づいて行われる、ための命令を記憶する、非一時的コンピュータ可読媒体。 A non-transitory computer-readable medium for assessing vehicle weight,
During the training period, vehicle sensors will use (a) path height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) roads associated with the drive session for the vehicle's drive session. Obtain vehicle sensor measurements, including section length measurements and (d) speed measurements associated with a drive session.
A non-temporary computer-readable medium that stores instructions for calculating the assessed weight of a vehicle based on vehicle sensor measurements and the calculation is based on the value of an energy factor that indicates the energy wasted by the vehicle. 評価重量を計算することは、モータ効率関数および燃料消費誤差補正関数を見つけることをさらに含む、請求項１７６に記載の非一時的コンピュータ可読媒体。 The non-temporary computer-readable medium of claim 176, wherein calculating the valuation weight further comprises finding a motor efficiency function and a fuel consumption error correction function. 計算は、車両の重量推定に関連する少なくとも１つの分布を提供するエネルギー係数の値を検索することを含み、少なくとも１つの分布は、少なくとも１つの所定の統計的有意性基準を満たす、請求項１７６に記載の非一時的コンピュータ可読媒体。 The calculation comprises searching for values of energy coefficients that provide at least one distribution related to vehicle weight estimation, wherein at least one distribution meets at least one predetermined statistical significance criterion, claim 176. Non-temporary computer-readable medium described in. 評価重量の決定は、以下の式に従って、複数の経路区間の各経路区間についての重量推定値を決定することを含む、請求項１７６に記載の非一時的コンピュータ可読媒体。

ここで、エネルギー係数の群は、k1、k2、k3およびk4から構成され、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点の車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。 The non-transitory computer-readable medium according to claim 176, wherein the determination of the evaluation weight includes determining the weight estimate for each route section of the plurality of route sections according to the following equation.

Here, the group of energy coefficients is composed of k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section. 計算は、車両の重量推定に関連する少なくとも１つの分布を提供するエネルギー係数の値を検索することを含み、少なくとも１つの分布は、少なくとも１つの所定の統計的有意性基準を満たす、請求項１７９に記載の非一時的コンピュータ可読媒体。 The calculation comprises searching for values of energy coefficients that provide at least one distribution related to vehicle weight estimation, wherein at least one distribution meets at least one predetermined statistical significance criterion, claim 179. Non-temporary computer-readable medium described in. 所定の統計的有意性基準は、最大の統計的有意性である、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium according to claim 180, wherein the predetermined statistical significance criterion is the maximum statistical significance. 所定の統計的有意性基準は、重量推定分布の少なくとも１つの最小標準偏差である、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, wherein the predetermined statistical significance criterion is at least one minimum standard deviation of the weight estimation distribution. 評価重量の決定は、複数の経路区間の各経路区間について、およびエネルギー係数の異なる値について、重量推定値を決定することを含む、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, wherein determining the valuation weight comprises determining a weight estimate for each route section of the plurality of path sections and for different values of energy coefficients. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、および異なるモータ効率関数値について、重量推定値を決定することを含む、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transient according to claim 180, wherein determining the valuation weight comprises determining weight estimates for each of the plurality of path sections, for different values of energy coefficients, and for different motor efficiency function values. Computer-readable medium. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、および異なる燃料消費誤差補正関数値について、重量推定値を決定することを含む、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-commercial claim 180, wherein determining the valuation weight comprises determining weight estimates for each of the plurality of path sections, for different values of energy coefficients, and for different fuel consumption error correction function values. Temporary computer-readable medium. 評価重量の決定は、複数の経路区間の各経路区間について、エネルギー係数の異なる値について、異なるモータ効率関数値について、および異なる燃料消費誤差補正関数値について、重量推定値を決定することを含む、請求項１８０に記載の非一時的コンピュータ可読媒体。 Determining the evaluated weight involves determining weight estimates for different path sections of multiple path sections, for different values of energy coefficients, for different motor efficiency function values, and for different fuel consumption error correction function values. The non-temporary computer-readable medium according to claim 180. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含む、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, wherein determining the evaluated weight comprises associating quality characteristics with each weight estimate. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布は各重量推定値に割り当てられた品質特性に応答する、請求項１８０に記載の非一時的コンピュータ可読媒体。 The determination of the evaluated weight includes associating a quality characteristic with each weight estimate, wherein at least one distribution associated with the vehicle weight estimate responds to the quality characteristic assigned to each weight estimate, claim 180. The non-temporary computer-readable medium described. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定値の品質特性を表す値を有する、請求項１８０に記載の非一時的コンピュータ可読媒体。 Determining the evaluated weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram contains bins, and each bin is associated with a weight estimate range. The non-temporary computer-readable medium according to claim 180, which has a value representing the quality characteristic of a weight estimate belonging to a bin. 評価重量の決定は、品質特性を各重量推定値に関連付けることを含み、車両の重量推定値に関連する少なくとも１つの分布はヒストグラムであり、ヒストグラムはビンを含み、各ビンは重量推定範囲に関連付けられ、ビンに属する重量推定値の品質特性の合計を表す値を有する、請求項１８０に記載の非一時的コンピュータ可読媒体。 Determining the evaluated weight involves associating quality characteristics with each weight estimate, at least one distribution associated with the vehicle weight estimate is a histogram, the histogram contains bins, and each bin is associated with a weight estimate range. The non-temporary computer-readable medium of claim 180, which has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin. 車両センサ測定値の少なくともいくつかに品質特性を割り当てるための命令を記憶する、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, which stores instructions for assigning quality characteristics to at least some of the vehicle sensor measurements. 特定の経路区間の始点および終点における車両の速度に関連する差に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てるための命令を記憶する、請求項１８０に記載の非一時的コンピュータ可読媒体。 180. The non-communicable claim 180, which stores instructions for assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on differences related to vehicle speed at the start and end points of the particular route section. Temporary computer-readable medium. 特定のドライブセッション中の車両の最大速度に基づいて、特定の経路区間に関連する車両センサ測定値に品質特性を割り当てるための命令を記憶する、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, which stores instructions for assigning quality characteristics to vehicle sensor measurements associated with a particular route section based on the maximum speed of the vehicle during a particular drive session. 車両が下降した経路区間で得られた車両センサ測定値を無視するための命令を記憶する、請求項１８０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 180, which stores an instruction for ignoring vehicle sensor measurements obtained in a route section in which the vehicle descends. 計算は、機械学習を適用することを含む、請求項１７６に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 176, wherein the calculation comprises applying machine learning. 車両の重量を評価するための方法であって、少なくとも部分的に車両の車両センサによって取得された車両センサ測定値に基づいて計算され車両によって浪費されるエネルギー係数の値を受信し、新しいドライブセッション中に車両センサによって新しいドライブセッションに関連する新しい車両センサ測定値を取得し、エネルギー係数と新しい車両センサ測定値の値に基づいて車両コンピュータにより車両の重量を計算する方法であって、車両センサ測定値は、車両のドライブセッション中に取得され、車両センサ測定値は、（a）ドライブセッションに関連する経路の高さ測定値と（b）ドライブセッションに関連する燃料消費測定値と（c）ドライブセッションに関連する道路区間の長さ測定値と（d）ドライブセッションに関連する速度測定値とを含む方法。 A method for assessing vehicle weight that receives, at least in part, the value of the energy factor wasted by the vehicle, calculated based on the vehicle sensor measurements obtained by the vehicle's vehicle sensor, and a new drive session. A method of obtaining a new vehicle sensor measurement associated with a new drive session by a vehicle sensor during and calculating the weight of the vehicle by a vehicle computer based on the energy coefficient and the value of the new vehicle sensor measurement, which is a vehicle sensor measurement. Values are acquired during the vehicle's drive session, and vehicle sensor measurements are (a) path height measurements associated with the drive session and (b) fuel consumption measurements associated with the drive session and (c) drive. A method that includes a length measurement of the road section associated with the session and (d) a speed measurement associated with the drive session. 車両のモータ効率関数に関する情報を受信するステップをさらに含み、車両の重量の計算は、車両のモータ効率関数にさらに応答する、請求項１９６に記載の方法。 196. The method of claim 196, further comprising receiving information about a vehicle motor efficiency function, wherein the calculation of vehicle weight further responds to the vehicle motor efficiency function. モータ効率関数に関する情報は、モータ効率関数係数を含む、請求項１９７に記載の方法。 197. The method of claim 197, wherein the information about the motor efficiency function includes a motor efficiency function coefficient. 多数のモータ効率関数係数が５０を超えない、請求項１９８に記載の方法。 198. The method of claim 198, wherein a large number of motor efficiency function coefficients do not exceed 50. 車両の燃料消費誤差補正関数に関する情報を受信することをさらに含み、車両の重量の計算は、燃料消費誤差補正関数にさらに応答する、請求項１９６に記載の方法。 196. The method of claim 196, further comprising receiving information about the fuel consumption error correction function of the vehicle, the calculation of the weight of the vehicle further responding to the fuel consumption error correction function. 燃料消費誤差補正関数に関する情報は、燃料消費誤差補正関数係数を含む、請求項２００に記載の方法。 The method of claim 200, wherein the information regarding the fuel consumption error correction function includes a fuel consumption error correction function coefficient. 燃料消費誤差補正関数係数の数が１０を超えない、請求項２０１に記載の方法。 The method according to claim 201, wherein the number of fuel consumption error correction function coefficients does not exceed 10. 車両のモータ効率関数および車両の燃料消費誤差補正関数に関する情報を受信することをさらに含み、車両の重量の計算は、車両のモータ効率関数および車両の燃料消費誤差補正関数にさらに応答する、請求項１９６に記載の方法。 The claim further comprises receiving information about the vehicle motor efficiency function and the vehicle fuel consumption error correction function, and the calculation of the vehicle weight further responds to the vehicle motor efficiency function and the vehicle fuel consumption error correction function. 196. 車両の重量の計算は、リアルタイムで実行される、請求項１９６に記載の方法。 The method of claim 196, wherein the calculation of vehicle weight is performed in real time. 新しいドライブセッションに関連する新しい車両センサ測定値を送信することをさらに含む、請求項１９６に記載の方法。 196. The method of claim 196, further comprising transmitting new vehicle sensor measurements associated with a new drive session. エネルギー係数の更新された値を受信することをさらに含み、重量の計算は、エネルギー係数の更新された値に応答する、請求項１９６に記載の方法。 196. The method of claim 196, further comprising receiving an updated value of the energy factor, the weight calculation responding to the updated value of the energy factor. 重量の計算は、新しいセッションの新しい経路区間について、以下の式を計算することを含む、請求項１９６に記載の方法。

ここで、エネルギー係数の群は、k1、k2、k3およびk4から構成され、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点の車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。 The method of claim 196, wherein the calculation of weight comprises calculating the following equation for a new route section of a new session.

Here, the group of energy coefficients is composed of k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section. 車両の重量を評価するための非一時的コンピュータ可読媒体であって、少なくとも部分的に車両の車両センサによって取得された車両センサ測定値に基づいて計算され車両によって浪費されるエネルギー係数の値を受信し、新しいドライブセッション中に車両センサによって新しいドライブセッションに関連する新しい車両センサ測定値を取得し、エネルギー係数と新しい車両センサ測定値の値に基づいて車両コンピュータにより車両の重量を計算する、ための命令を記憶し、車両センサ測定値は、車両のドライブセッション中に取得され、車両センサ測定値は、（a）ドライブセッションに関連する経路の高さ測定値と（b）ドライブセッションに関連する燃料消費測定値と（c）ドライブセッションに関連する道路区間の長さ測定値と（d）ドライブセッションに関連する速度測定値とを含む、非一時的コンピュータ可読媒体。 A non-temporary computer-readable medium for assessing vehicle weight that receives values of energy coefficients that are at least partially calculated based on vehicle sensor measurements obtained by the vehicle's vehicle sensors and wasted by the vehicle. And to get the new vehicle sensor measurements associated with the new drive session by the vehicle sensor during the new drive session and to calculate the weight of the vehicle by the vehicle computer based on the energy coefficient and the new vehicle sensor measurement values. The instructions are stored and vehicle sensor measurements are acquired during the vehicle drive session, where vehicle sensor measurements are (a) path height measurements associated with the drive session and (b) fuel associated with the drive session. A non-temporary computer-readable medium that includes consumption measurements and (c) road section length measurements associated with a drive session and (d) speed measurements associated with a drive session. 車両のモータ効率関数に関する情報を受信するための命令を記憶し、車両の重量の計算が、車両のモータ効率関数にさらに応答する、請求項２０８に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 208, wherein the non-transitory computer-readable medium of claim 208 stores instructions for receiving information about the vehicle's motor efficiency function and the calculation of the vehicle's weight further responds to the vehicle's motor efficiency function. モータ効率関数に関する情報は、モータ効率関数係数を含む、請求項２０９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 209, wherein the information about the motor efficiency function comprises a motor efficiency function coefficient. モータ効率関数係数の数が５０を超えない、請求項２１０に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 210, wherein the number of motor efficiency function coefficients does not exceed 50. 車両の燃料消費誤差補正関数に関する情報を受信するための命令を記憶し、車両の重量の計算は、燃料消費誤差補正関数にさらに応答する、請求項２０８に記載の非一時的コンピュータ可読媒体。 The non-temporary computer-readable medium of claim 208, which stores instructions for receiving information about a vehicle fuel consumption error correction function and the calculation of vehicle weight further responds to the fuel consumption error correction function. 燃料消費誤差補正関数に関する情報は、燃料消費誤差補正関数係数を含む、請求項２１２に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 212, wherein the information regarding the fuel consumption error correction function includes a fuel consumption error correction function coefficient. 燃料消費誤差補正関数係数の数が１０を超えない、請求項２１３に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium according to claim 213, wherein the number of fuel consumption error correction function coefficients does not exceed 10. 車両のモータ効率関数および車両の燃料消費誤差補正関数に関する情報を受信するための命令を記憶し、車両の重量の計算は、車両のモータ効率関数および車両の燃料消費誤差補正にさらに応答する、請求項２０８に記載の非一時的コンピュータ可読媒体。 Memorize instructions for receiving information about the vehicle's motor efficiency function and vehicle's fuel consumption error correction function, and the vehicle weight calculation further responds to the vehicle's motor efficiency function and vehicle's fuel consumption error correction, billing. Item 208. Non-temporary computer-readable medium. 車両の重量の計算は、リアルタイムで実行される、請求項２０８に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 208, wherein the calculation of vehicle weight is performed in real time. 新しいドライブセッションに関連する新しい車両センサ測定値を送信するための命令を記憶する、請求項２０８に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 208, which stores instructions for transmitting new vehicle sensor measurements associated with a new drive session. エネルギー係数の更新された値を受信するための命令を記憶し、重量の計算はエネルギー係数の更新された値に応答する、請求項２０８に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 208, wherein the instruction for receiving an updated value of the energy factor is stored and the weight calculation responds to the updated value of the energy factor. 重量の計算は、新しいセッションの新しい経路区間について、以下の式を計算することを含む、請求項２０８に記載の非一時的コンピュータ可読媒体:

ここで、エネルギー係数の群は、k1、k2、k3およびk4から構成され、
ameは、推定されたモータ効率関数の値であり、
v2は、経路区間の終点における車両の速度であり、
v1は、経路区間の始点の車両の速度であり、
vは、経路区間上を走行するときの車両の速度の少なくとも１つの値を表し、
xは、経路区間の長さであり、
Δhは、経路区間の終点と始点の間の高さの差であり、
fuelは、経路区間に関連する誤差補正燃料消費である。 The non-transitory computer-readable medium of claim 208, wherein the weight calculation comprises calculating the following equation for a new path segment of a new session:

Here, the group of energy coefficients is composed of k 1 , k 2 , k 3 and k 4 .
ame is the value of the estimated motor efficiency function
v 2 is the speed of the vehicle at the end of the route section
v 1 is the speed of the vehicle at the start of the route section
v represents at least one value of the vehicle's speed when traveling on the route section.
x is the length of the route section
Δh is the height difference between the end and start points of the route section.
fuel is the error-corrected fuel consumption associated with the route section. 経路区間および車両に関連する正規化経路区間グリップ情報を生成する方法であって、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するステップと、車両コンピュータによって車輪速度情報に基づいてグリップイベントを検出するステップと、グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するステップと、（i）正規化経路区間グリップ情報を送信するステップと（ii）正規化経路区間グリップ情報を記憶するステップとのうちの少なくとも１つを実行するステップとを含む方法。 A method of generating normalized route section grip information related to a route section and a vehicle, in which a sensor is used to generate wheel speed information related to the speed of multiple wheels of the vehicle, and wheels by a vehicle computer. The step of detecting the grip event based on the speed information, the step of determining the normalized route section grip information based on the vehicle parameters acquired during at least a part of the grip event, and (i) the normalized route section grip. A method comprising the step of transmitting information and (ii) performing at least one of the steps of storing the normalized path segment grip information. コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信するステップと、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するステップとを含む、請求項２２０に記載の方法。 The step of receiving the normalized path segment grip information generated by the computerized system from the computerized system and the denormalization of the normalized path segment grip information generated by the computerized system are actually performed. 220. The method of claim 220, comprising the step of providing the route section grip information of. 実際の経路区間グリップ情報に基づいて、経路区間を通過するときの車両の限界グリップを計算することを含む、請求項２２１に記載の方法。 221. The method of claim 221 comprising calculating the limit grip of a vehicle as it passes through a route section based on actual route section grip information. 非正規化は、少なくとも、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振に基づく、請求項２２１に記載の方法。 The method of claim 221 where denormalization is at least based on speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. グリップイベントは、ブレーキングイベント、ターンイベント、および高速イベントから選択される、請求項２２０に記載の方法。 The method of claim 220, wherein the grip event is selected from a braking event, a turn event, and a high speed event. 正規化経路区間グリップ情報を決定するステップは、励振を計算するステップと、スリップ率を計算するステップと、正規化スリップ率および正規化励振を計算するステップとを含む、請求項２２０に記載の方法。 28. The method of claim 220, wherein the step of determining the normalized path segment grip information includes a step of calculating excitation, a step of calculating slip ratio, and a step of calculating normalized slip ratio and normalized excitation. .. 正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定することを含む、請求項２２５に記載の方法。 225. The method of claim 225, comprising determining a normalized slip curve based on normalized slip ratio and normalized excitation. 励振の計算は、いくつかの車両速度読み取り値を選択することと、グリップイベント中に取得された他の車両速度読み取り値を無視することとを含む、請求項２２６に記載の方法。 The method of claim 226, wherein the calculation of excitation comprises selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during a grip event. 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量および励振のうちの少なくとも１つに基づいている、請求項２２６に記載の方法。 The method of claim 226, wherein the calculation of normalized slip ratio and normalized excitation is based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation. .. 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含み、ローパスフィルタリングは、期待される車輪速度に応答する、請求項２２０に記載の方法。 The method of claim 220, wherein the generation of wheel speed information comprises low-pass filtering of the wheel speed information, wherein the low-pass filtering responds to the expected wheel speed. 車輪速度情報の生成は、短期変動を無視することを含む、請求項２２０に記載の方法。 The method of claim 220, wherein the generation of wheel speed information comprises ignoring short-term fluctuations. グリップイベントは、小さな障害物の上の通過に対する車両の応答であり、小さな障害物は、車両の複数の車輪のそれぞれの周囲よりも短い長さを有する、請求項２２０に記載の方法。 The method of claim 220, wherein the grip event is the response of the vehicle to passing over a small obstacle, the small obstacle having a length shorter than the perimeter of each of the plurality of wheels of the vehicle. 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための非一時的コンピュータプログラム製品であって、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するための命令と、車両コンピュータによって車輪速度情報に基づいてグリップイベントを検出するための命令と、グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて正規化経路区間グリップ情報を決定するための命令と、（i）正規化経路区間グリップ情報を送信するための命令と（ii）正規化経路区間グリップ情報を格納するための命令のうちの少なくとも１つを実行する命令を記憶する、非一時的コンピュータプログラム製品。 A non-temporary computer program product for generating normalized route section grip information related to a route section and vehicle that uses sensors to generate wheel speed information related to the speed of multiple wheels of the vehicle. The instruction for detecting the grip event based on the wheel speed information by the vehicle computer, and the normalized route section grip information are determined based on the vehicle parameters acquired during at least a part of the grip event. And (i) an instruction for transmitting the normalized route interval grip information and (ii) an instruction for executing at least one of the instructions for storing the normalized route interval grip information. Non-temporary computer program product. コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信し、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するための命令を記憶する、請求項２３２に記載の非一時的コンピュータプログラム製品。 Receives the normalized path segment grip information generated by the computerized system from the computerized system, denormalizes the normalized path segment grip information generated by the computerized system, and the actual path. 232. The non-temporary computer program product of claim 232, which stores instructions for providing interval grip information. 実際の経路区間グリップ情報に基づいて経路区間を通過するときの車両の限界グリップを計算するための命令を記憶する、請求項２３３に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 233, which stores an instruction for calculating the limit grip of a vehicle as it traverses a route section based on actual route section grip information. 非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づく、請求項２３３に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 233, wherein denormalization is based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. グリップイベントは、ブレーキングイベント、ターンイベント、および高速イベントから選択される、請求項２３２に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 232, wherein the grip event is selected from a braking event, a turn event, and a high speed event. 正規化経路区間グリップ情報の決定は、励振を計算することと、スリップ率を計算することと、正規化スリップ率および正規化励振を計算することとを含む、請求項２３２に記載の非一時的コンピュータプログラム製品。 The non-temporary aspect of claim 232, wherein determining the normalized path segment grip information includes calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation. Computer program product. 正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するための命令を記憶する、請求項２３７に記載の非一時的コンピュータプログラム製品。 237. The non-temporary computer program product of claim 237, which stores an instruction for determining a normalized slip curve based on a normalized slip ratio and a normalized excitation. 励振の計算は、いくつかの車両速度読み取り値を選択することと、グリップイベント中に取得された他の車両速度読み取り値を無視することとを含む、請求項２３７に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program of claim 237, wherein the excitation calculation comprises selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the grip event. Product. 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくとも１つに基づく、請求項２３７に記載の非一時的コンピュータプログラム製品。 The non-temporary calculation according to claim 237, wherein the calculation of the normalized slip ratio and the normalized excitation is based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. Computer program product. 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含み、ローパスフィルタリングは、期待される車輪速度に応答する、請求項２３２に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 232, wherein the generation of wheel speed information includes low-pass filtering of wheel speed information, wherein low-pass filtering responds to the expected wheel speed. 車輪速度情報の生成は、短期変動を無視することを含む、請求項２３２に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 232, wherein the generation of wheel speed information comprises ignoring short-term fluctuations. グリップイベントは、小さい障害物の上の通過に対する車両の応答であり、小さい障害物は、車両の複数の車輪のそれぞれの周囲よりも小さい長さを有する、請求項２３２に記載の非一時的コンピュータプログラム製品。 The non-temporary computer of claim 232, wherein the grip event is the vehicle's response to passage over a small obstacle, the small obstacle having a length less than the perimeter of each of the plurality of wheels of the vehicle. Program product. 車両プロファイルを生成するための車両システムであって、車両の複数の車輪の速度に関連する車輪速度情報を生成するように構成されたセンサと、（i）車輪速度情報に基づいてグリップイベントを検出し、（ii）グリップイベントの少なくとも一部の間に取得された車両パラメータに基づいて、正規化経路区間グリップ情報を決定するように構成されたコンピュータ車両と、（a）正規化経路区間グリップ情報を送信するように構成された通信モジュールと正規化経路区間グリップ情報を記憶するように構成されたメモリモジュールとのうちの少なくとも１つと、を備える車両システム。 A vehicle system for generating vehicle profiles, sensors configured to generate wheel speed information related to the speed of multiple wheels of the vehicle, and (i) detect grip events based on wheel speed information. And (ii) a computer vehicle configured to determine normalized route section grip information based on vehicle parameters acquired during at least part of the grip event, and (a) normalized route section grip information. A vehicle system comprising at least one of a communication module configured to transmit and a memory module configured to store normalized path segment grip information. 経路区間および車両に関連する正規化経路区間グリップ情報を生成する方法であって、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するステップと、車両コンピュータによって車輪速度情報に基づいて小さい障害物の上の通過に対する車両の応答を検出するステップと、車両の複数の車輪のそれぞれの周囲よりも短い長さを有する小さい障害物の上の通過に対する車両の応答の少なくとも一部の間に取得される車両パラメータに基づいて正規化経路区間グリップ情報を決定するステップと、（i）正規化経路区間グリップ情報を送信するステップと（ii）正規化経路区間グリップ情報を記憶するステップとのうちの少なくとも１つを実行するステップと、を含む方法。 A method of generating normalized route section grip information related to a route section and a vehicle, in which a sensor is used to generate wheel speed information related to the speed of multiple wheels of the vehicle, and wheels by a vehicle computer. The step of detecting the vehicle's response to a passage over a small obstacle based on speed information and the response of the vehicle to a passage over a small obstacle having a length shorter than the circumference of each of the multiple wheels of the vehicle. The steps of determining the normalized route section grip information based on the vehicle parameters acquired during at least a part, (i) the step of transmitting the normalized route section grip information, and (ii) the normalized route section grip information. A method comprising a step of performing at least one of a memorized step. コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信するステップと、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するステップとを含む、請求項２４５に記載の方法。 The step of receiving the normalized path segment grip information generated by the computerized system from the computerized system and the denormalization of the normalized path segment grip information generated by the computerized system are actually performed. 245. The method of claim 245, comprising the step of providing the route section grip information of. 実際の経路区間グリップ情報に基づいて、経路区間を通過するときの車両の限界グリップを計算することを含む、請求項２４６に記載の方法。 246. The method of claim 246, which comprises calculating the limit grip of a vehicle as it passes through a route section based on actual route section grip information. 非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づく、請求項２４６に記載の方法。 The method of claim 246, wherein the denormalization is based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. 正規化経路区間グリップ情報を決定するステップは、励振を計算するステップと、スリップ率を計算するステップと、正規化スリップ率および正規化励振を計算するステップとを含む、請求項２４５に記載の方法。 The method of claim 245, wherein the step of determining the normalized path segment grip information includes a step of calculating excitation, a step of calculating slip ratio, and a step of calculating normalized slip ratio and normalized excitation. .. 正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定することを含む、請求項２４９に記載の方法。 249. The method of claim 249, comprising determining a normalized slip curve based on a normalized slip ratio and normalized excitation. 励振を計算するステップは、いくつかの車両速度読み取り値を選択するステップと、小さい障害物の上を通過することに対する車両の応答中に取得された他の車両速度読み取り値を無視するステップとを含む、請求項２４９に記載の方法。 The steps to calculate the excitation include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response to passing over small obstacles. 249. The method of claim 249. 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量および励振のうちの少なくとも１つに基づいている、請求項２４９に記載の方法。 The method of claim 249, wherein the calculation of normalized slip ratio and normalized excitation is based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation. .. 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含み、ローパスフィルタリングは、期待される車輪速度に応答する、請求項２４５に記載の方法。 245. The method of claim 245, wherein the generation of wheel speed information comprises low-pass filtering of the wheel speed information, wherein the low-pass filtering responds to the expected wheel speed. 車輪速度情報の生成は、短期変動を無視することを含む、請求項２４５に記載の方法。 245. The method of claim 245, wherein the generation of wheel speed information comprises ignoring short-term fluctuations. 経路区間および車両に関連する正規化経路区間グリップ情報を生成するための非一時的コンピュータプログラム製品であって、センサを使用して、車両の複数の車輪の速度に関連する車輪速度情報を生成するための命令と、車両コンピュータによって車輪速度情報に基づいて小さい障害物の上の通過に対する車両の応答を検出するための命令と、車両の複数の車輪のそれぞれの周囲よりも短い長さを有する小さい障害物の上の通過に対する車両の応答の少なくとも一部の間に取得される車両パラメータに基づいて正規化経路区間グリップ情報を決定するための命令と、（i）正規化経路区間グリップ情報を送信するための命令と（ii）正規化経路区間グリップ情報を格納するための命令とのうちの少なくとも１つを実行する命令と、を記憶するための非一時的コンピュータプログラム製品。 A non-temporary computer program product for generating normalized route section grip information related to route sections and vehicles that uses sensors to generate wheel speed information related to the speed of multiple wheels of the vehicle. A small command for detecting the vehicle's response to passing over a small obstacle based on wheel speed information by the vehicle computer, and a small length that is shorter than the perimeter of each of the multiple wheels of the vehicle. Send instructions to determine normalized route segment grip information based on vehicle parameters acquired during at least part of the vehicle's response to passing over obstacles, and (i) send normalized route segment grip information. A non-temporary computer program product for storing at least one of an instruction to execute and (ii) an instruction to store the normalized path segment grip information. コンピュータ化されたシステムから、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を受信し、コンピュータ化されたシステムによって生成された正規化経路区間グリップ情報を非正規化して、実際の経路区間グリップ情報を提供するための命令を記憶する、請求項２５５に記載の非一時的コンピュータプログラム製品。 Receives the normalized path segment grip information generated by the computerized system from the computerized system, denormalizes the normalized path segment grip information generated by the computerized system, and the actual path. The non-temporary computer program product of claim 255, which stores instructions for providing interval grip information. 実際の経路区間グリップ情報に基づいて経路区間を通過するときの車両の限界グリップを計算するための命令を記憶する、請求項２５６に記載の非一時的コンピュータプログラム製品。 25. The non-temporary computer program product of claim 256, which stores an instruction for calculating the limit grip of a vehicle as it traverses a route section based on actual route section grip information. 非正規化は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量、および励振のうちの少なくともいくつかに基づく、請求項２５６に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 256, wherein the denormalization is based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. 正規化経路区間グリップ情報を決定する命令は、励振を計算することと、スリップ率を計算することと、正規化スリップ率および正規化励振を計算する命令とを含む、請求項２５５に記載の非一時的コンピュータプログラム製品。 25. The non-claims of claim 255, wherein the instructions for determining the normalized path segment grip information include calculating the excitation, calculating the slip ratio, and calculating the normalized slip ratio and the normalized excitation. Temporary computer program product. 正規化スリップ率および正規化励振に基づいて正規化スリップ曲線を決定するための命令を記憶する、請求項２５９に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 259, which stores an instruction for determining a normalized slip curve based on a normalized slip ratio and a normalized excitation. 励振の計算は、いくつかの車両速度読み取り値を選択することと、小さな障害物の上の通過に対する車両の応答中に得られる他の車両速度読み取り値を無視することとを含む、請求項２５９に記載の非一時的コンピュータプログラム製品。 The calculation of excitation includes selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response to passing over small obstacles, claim 259. Non-temporary computer program products described in. 正規化スリップ率および正規化励振の計算は、速度、気候バイアス、ホイール有効パッチサイズ、タイヤの健康状態、車両の重量および励振のうちの少なくとも１つに基づく、請求項２５９に記載の非一時的コンピュータプログラム製品。 The non-temporary calculation of the normalized slip ratio and the normalized excitation is based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation, according to claim 259. Computer program product. 車輪速度情報の生成は、車輪速度情報のローパスフィルタリングを含み、ローパスフィルタリングは、期待される車輪速度に応答する、請求項２５５に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product according to claim 255, wherein the generation of wheel speed information includes low-pass filtering of wheel speed information, wherein low-pass filtering responds to the expected wheel speed. 車輪速度情報の生成は、短期変動を無視することを含む、請求項２５５に記載の非一時的コンピュータプログラム製品。 The non-temporary computer program product of claim 255, wherein the generation of wheel speed information comprises ignoring short-term fluctuations. 車両プロファイルを生成するための車両システムであって、車両の複数の車輪の速度に関連する車輪速度情報を生成するように構成されたセンサと、（i）車輪速度情報に基づいて小さな障害物の上の通過に対する車両の応答を検出し、（ii）小さな障害物の上の通過に対する車両の応答の少なくとも一部の間に取得された車両パラメータに基づいて、正規化経路区間グリップ情報を決定するように構成されたコンピュータ車両と、（a）正規化経路区間グリップ情報を送信するように構成された通信モジュールと正規化経路区間グリップ情報を格納するように構成されたメモリモジュールのうち少なくとも１つと、を備える車両システム。 A vehicle system for generating vehicle profiles, sensors configured to generate wheel speed information related to the speed of multiple wheels of the vehicle, and (i) small obstacles based on the wheel speed information. Detects the vehicle's response to passing over, and (ii) determines normalized route section grip information based on vehicle parameters acquired during at least part of the vehicle's response to passing over small obstacles. And at least one of a computer vehicle configured to (a) a communication module configured to transmit normalized path segment grip information and a memory module configured to store normalized path segment grip information. Vehicle system with. 車両を運転するための方法であって、
複数の道路区間に関連する雨に関する雨情報の受信または生成するステップと、
複数の道路区間の各読み取り区間に関連するグリップレベル低下を推定するステップであって、グリップレベル低下の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報とグリップレベル低下との間のマッピングとに基づいて行われるステップと、
グリップレベル低下に基づいて運転関連動作を実行するステップと、含む方法。 It ’s a way to drive a vehicle,
Steps to receive or generate rain information about rain related to multiple road sections,
A step of estimating the grip level drop associated with each read section of a plurality of road sections, the estimation of the grip level drop includes rain information, at least one rain-related parameter of the vehicle, and each road of the plurality of road sections. Steps that are based on the mapping between rain information and reduced grip level related to the section,
Steps to perform driving-related actions based on reduced grip level and methods to include. 車両の雨関連パラメータは、車両の少なくとも１つのタイヤの健康状態を含む、請求項２６６に記載の方法。 266. The method of claim 266, wherein the vehicle rain-related parameters include the health status of at least one tire of the vehicle. グリップレベル低下の推定は、複数の道路区間における１つ以上のアクアプレーニング事象の発生を推定することを含む、請求項２６６に記載の方法。 266. The method of claim 266, wherein the estimation of grip level reduction comprises estimating the occurrence of one or more aquaplaning events in a plurality of road sections. グリップレベル低下の推定は、複数の道路区間における１つ以上のアクアプレーニング事象の発生に関連するグリップレベル低下を推定することを含む、請求項２６８に記載の方法。 268. The method of claim 268, wherein estimating grip level reduction comprises estimating grip level reduction associated with the occurrence of one or more aquaplaning events in a plurality of road sections. 車両による１つ以上のアクアプレーニング事象の発生を検証するステップを含む、請求項２６８に記載の方法。 268. The method of claim 268, comprising the step of verifying the occurrence of one or more aquaplaning events by the vehicle. 検証するステップは、複数の道路区間を走行するときの車両の挙動を車両センサによって感知し、感知結果を提供するステップと、感知結果内の１つまたは複数のアクアプレーニングシグネチャを車両によって検索するステップとを含む、請求項２７０に記載の方法。 The verification step is a step of detecting the behavior of the vehicle when traveling on multiple road sections by a vehicle sensor and providing a detection result, and a step of searching the vehicle for one or more aquaplaning signatures in the detection result. 270. The method of claim 270. 降雨時間帯の間に得られた雨認知率情報を累積して雨情報を生成するステップを含む、請求項２６６に記載の方法。 The method of claim 266, comprising the step of accumulating rain recognition rate information obtained during a rain time zone to generate rain information. 運転関連動作の実行は、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含む、請求項２６６に記載の方法。 266. The method of claim 266, wherein performing a driving-related operation comprises selectively activating an autonomous driving module for autonomously driving the vehicle. 運転関連動作の実行は、起動すると、車両を自律的に運転するように構成された自律運転モジュールを選択的に停止することを含む、方法。 Execution of a driving-related operation comprises, upon activation, selectively stopping an autonomous driving module configured to drive the vehicle autonomously. 運転関連動作の実行は、複数の道路区間のそれぞれにおける車両の速度を設定することを含む、請求項２６６に記載の方法。 266. The method of claim 266, wherein performing a driving-related operation comprises setting the speed of a vehicle in each of a plurality of road sections. 少なくとも１つの車両センサによって雨認知率を推定することを含む、請求項２６６に記載の方法。 266. The method of claim 266, comprising estimating the rain awareness rate by at least one vehicle sensor. 少なくとも１つの車両センサは、ワイパー制御ユニットに属する、請求項２７６に記載の方法。 276. The method of claim 276, wherein the at least one vehicle sensor belongs to the wiper control unit. 運転関連動作の実行は、車両の運転者に警告することを含む、請求項２６６に記載の方法。 266. The method of claim 266, wherein performing a driving-related operation comprises warning the driver of the vehicle. 車両を運転するための非一時的コンピュータプログラム製品であって、複数の道路区間に関連する雨に関する雨情報を受信または生成する命令と、複数の道路区間の各読み取り区間に関連するグリップレベル低下を推定する命令と、グリップレベル低下に基づいて運転関連動作を実行する命令と、を記憶し、グリップレベル低下の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報とグリップレベル低下との間のマッピングとに基づいている、非一時的コンピュータプログラム製品。 A non-temporary computer program product for driving a vehicle that provides instructions to receive or generate rain information about rain associated with multiple road sections and a grip level drop associated with each read section of multiple road sections. It stores the command to estimate and the command to perform driving-related actions based on the grip level drop, and the grip level drop estimate includes rain information, at least one rain-related parameter of the vehicle, and multiple road sections. A non-temporary computer program product based on the mapping between rain information and reduced grip levels associated with each road section. 車両の雨関連パラメータは、車両の少なくとも１つのタイヤの健康状態を含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein the vehicle rain-related parameters include the health status of at least one tire of the vehicle. グリップレベル低下を推定する命令は、複数の道路区間における１つ以上のアクアプレーニング事象の発生を推定するステップを含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein the instruction for estimating grip level reduction comprises the step of estimating the occurrence of one or more aquaplaning events in a plurality of road sections. グリップレベル低下の推定は、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生に関連するグリップレベル低下を推定することを含む、請求項２８１に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 281, wherein the estimation of grip level reduction comprises estimating grip level reduction associated with the occurrence of one or more aquaplaning events in a plurality of road sections. 車両による１つまたは複数のアクアプレーニング事象の発生を検証する命令を含む、請求項２８１に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 281 comprising instructions for verifying the occurrence of one or more aquaplaning events by a vehicle. 検証する命令は、複数の道路区間を走行するときの車両の挙動を車両センサによって感知し、感知結果を提供することと、感知結果内の１つまたは複数のアクアプレーニングシグネチャを車両コンピュータによって検索することとを含む、請求項２８２に記載の非一時的コンピュータ可読媒体。 The instruction to verify is that the vehicle sensor detects the behavior of the vehicle when traveling on multiple road sections and provides the detection result, and the vehicle computer searches for one or more aquaplaning signatures in the detection result. 282, the non-transitory computer-readable medium according to claim 282. 降雨時間帯の間に得られた雨認知率情報を累積して雨情報を生成するための命令を記憶する、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium according to claim 279, which stores an instruction for accumulating rain recognition rate information obtained during a rain time zone to generate rain information. 運転関連動作の実行は、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein performing a driving-related operation comprises selectively activating an autonomous driving module for autonomously driving the vehicle. 運転関連動作を実行することは、起動すると、車両を自律的に運転するように構成された自律運転モジュールを選択的に停止することを含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein performing a driving-related operation comprises, upon activation, selectively stopping an autonomous driving module configured to drive the vehicle autonomously. 運転関連動作を実行することは、複数の道路区間の各々において車両の速度を設定することを含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein performing a driving-related operation comprises setting the speed of a vehicle in each of a plurality of road sections. 少なくとも１つの車両センサによって雨認知率を推定するための命令を記憶する、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, which stores instructions for estimating rain awareness by at least one vehicle sensor. 少なくとも１つの車両センサは、ワイパー制御ユニットに属する、請求項２８３に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 283, wherein the at least one vehicle sensor belongs to the wiper control unit. 運転関連動作を実行することは、車両の運転者に警告することを含む、請求項２７９に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 279, wherein performing a driving-related operation warns the driver of the vehicle. 車両を運転するための車両システムであって、（a）車両の挙動を感知することと（b）雨パラメータを感知することから少なくとも１つ行うように構成されたセンサと、複数の道路区間に関連付けられた雨に関する雨情報を受信または生成し、複数の道路区間のそれぞれの読み取られた区間に関連付けられたグリップレベル低下を推定するように構成されたコンピュータ車両と、を備え、グリップレベル低下の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報とグリップレベル低下との間のマッピングとに基づいており、グリップレベル低下に基づいて運転関連動作を実行することを支援する、車両システム。 A vehicle system for driving a vehicle, with sensors configured to do at least one from (a) detecting vehicle behavior and (b) detecting rain parameters, and multiple road sections. A computer vehicle that is configured to receive or generate rain information about the associated rain and estimate the grip level drop associated with each read section of multiple road sections. The estimation is based on rain information, at least one rain-related parameter of the vehicle, and the mapping between rain information and grip level reduction associated with each road section of multiple road sections, resulting in grip level reduction. A vehicle system that assists in performing driving-related actions based on. １つまたは複数のアクアプレーニング事象の発生を推定するための方法であって、
複数の道路区間に関連付けられる雨に関する雨情報を受信または生成するステップと、
複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を車両コンピュータによって推定するステップとを含み、１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報と１つまたは複数のアクアプレーニング事象の発生との間のマッピングと、に基づいている、方法。 A method for estimating the occurrence of one or more aquaplaning events.
Steps to receive or generate rain information about rain associated with multiple road sections,
Estimating the occurrence of one or more aquaplaning events includes rain information and at least one rain of the vehicle, including the step of estimating the occurrence of one or more aquaplaning events on multiple road sections by a vehicle computer. A method based on relevant parameters and a mapping between rain information and the occurrence of one or more aquaplaning events associated with each road section of multiple road sections. １つまたは複数のアクアプレーニング事象の発生の推定に基づいて運転関連動作を実行するステップを含む、請求項２９３に記載の方法。 293. The method of claim 293, comprising performing a driving-related operation based on an estimate of the occurrence of one or more aquaplaning events. 車両による１つまたは複数のアクアプレーニング事象の発生を検証するステップを含む、請求項２９３に記載の方法。 293. The method of claim 293, comprising verifying the occurrence of one or more aquaplaning events by the vehicle. 検証するステップは、複数の道路区間を走行するときの車両の挙動を車両センサによって感知して感知結果を提供するステップと、感知結果内の１つまたは複数のアクアプレーニングシグネチャを車両によって検索するステップとを含む、請求項２９５に記載の方法。 The verification step is to detect the behavior of the vehicle when traveling on multiple road sections by a vehicle sensor and provide a detection result, and to search for one or more aquaplaning signatures in the detection result by the vehicle. 295. The method of claim 295. 降雨時間帯の間に得られた雨認知率情報を累積して雨情報を生成することを含む、請求項２９３に記載の方法。 The method according to claim 293, which comprises accumulating rain recognition rate information obtained during a rain time zone to generate rain information. 運転関連動作を実行するステップは、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含む、請求項２９３に記載の方法。 293. The method of claim 293, wherein the step of performing a driving-related operation comprises selectively activating an autonomous driving module for autonomously driving the vehicle. 運転関連動作を実行するステップは、起動された時、車両を自律的に運転するように構成される自律運転モジュールを選択的に停止することを含む、請求項２９３に記載の方法。 293. The method of claim 293, wherein the step of performing a driving-related operation comprises selectively stopping an autonomous driving module configured to autonomously drive the vehicle when activated. 運転関連動作を実行するステップは、複数の道路区間のそれぞれに車両の速度を設定することを含む、請求項２９３に記載の方法。 293. The method of claim 293, wherein the step of performing a driving-related operation comprises setting the speed of the vehicle for each of the plurality of road sections. 少なくとも１つの車両センサによって雨認知率を推定することを含む、請求項２９３に記載の方法。 293. The method of claim 293, comprising estimating the rain awareness rate by at least one vehicle sensor. 少なくとも１つの車両センサは、ワイパー制御ユニットに属する、請求項３０１に記載の方法。 The method of claim 301, wherein the at least one vehicle sensor belongs to the wiper control unit. 運転関連動作の実行は、車両の運転者に警告することを含む、請求項２９３に記載の方法。 293. The method of claim 293, wherein performing a driving-related operation comprises warning the driver of the vehicle. １つまたは複数のアクアプレーニング事象の発生を推定するための非一時的コンピュータプログラム製品であって、
複数の道路区間に関連する雨に関する雨情報を受信または生成するための命令と、
車両コンピュータによって、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定する命令と、を記憶し、１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報と１つまたは複数のアクアプレーニング事象の発生との間のマッピングと、に基づいている、非一時的コンピュータプログラム製品。 A non-temporary computer program product for estimating the occurrence of one or more aquaplaning events.
Instructions for receiving or generating rain information about rain associated with multiple road sections,
The vehicle computer stores instructions for estimating the occurrence of one or more aquaplaning events in multiple road sections, and the estimation of the occurrence of one or more aquaplaning events includes rain information and at least the vehicle. A non-temporary computer program product based on one rain-related parameter and the mapping between rain information and the occurrence of one or more aquaplaning events associated with each road section of multiple road sections. .. １つまたは複数のアクアプレーニング事象の発生の推定に基づいて、運転関連動作を実行することを含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 30. The non-transitory computer-readable medium of claim 304, comprising performing a driving-related operation based on an estimate of the occurrence of one or more aquaplaning events. 車両による１つまたは複数のアクアプレーニング事象の発生を検証することを含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 304, comprising verifying the occurrence of one or more aquaplaning events by a vehicle. 検証することは、複数の道路区間を走行するときの車両の挙動を車両センサによって感知し、感知結果を提供することと、感知結果内の１つまたは複数のアクアプレーニングシグネチャを車両によって検索することとを含む、請求項３０６に記載の非一時的コンピュータ可読媒体。 To verify is to detect the behavior of the vehicle when traveling on multiple road sections by the vehicle sensor and provide the detection result, and to search the vehicle for one or more aquaplaning signatures in the detection result. 306, the non-transitory computer-readable medium according to claim 306. 降雨時間帯の間に得られた雨認知率情報を累積して雨情報を生成するための命令を記憶する、請求項３０４に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium according to claim 304, which stores an instruction for accumulating rain recognition rate information obtained during a rain time zone to generate rain information. 運転関連動作の実行は、車両を自律的に運転するための自律運転モジュールを選択的に起動することを含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 304, wherein performing a driving-related operation comprises selectively activating an autonomous driving module for autonomously driving the vehicle. 運転関連動作の実行は、起動すると、車両を自律的に運転するように構成された自律運転モジュールを選択的に停止する命令を含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 30. The non-temporary computer-readable medium of claim 304, wherein the execution of a driving-related operation comprises, upon activation, an instruction to selectively stop an autonomous driving module configured to autonomously drive the vehicle. 運転関連動作の実行は、複数の道路区間の各々において車両の速度を設定することを含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 30. The non-transitory computer-readable medium of claim 304, wherein performing a driving-related operation comprises setting the speed of a vehicle in each of a plurality of road sections. 少なくとも１つの車両センサによって雨認知率を推定するための命令を記憶する、請求項３０４に記載の非一時的コンピュータ可読媒体。 30. The non-transitory computer-readable medium of claim 304, which stores instructions for estimating rain awareness by at least one vehicle sensor. 少なくとも１つの車両センサは、ワイパー制御ユニットに属する、請求項３１２に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 312, wherein the at least one vehicle sensor belongs to the wiper control unit. 運転関連動作の実行は、車両の運転者に警告することを含む、請求項３０４に記載の非一時的コンピュータ可読媒体。 The non-transitory computer-readable medium of claim 304, wherein performing a driving-related operation comprises warning the driver of the vehicle. 車両を運転するための車両システムであって、（a）車両の挙動を感知し（b）雨パラメータを感知することから少なくとも１つ実行するように構成されたセンサと、複数の道路区間に関連する雨に関する雨情報を受信または生成し、複数の道路区間における１つまたは複数のアクアプレーニング事象の発生を推定するように構成されたコンピュータ車両とを備え、１つまたは複数のアクアプレーニング事象の発生の推定は、雨情報と、車両の少なくとも１つの雨関連パラメータと、複数の道路区間の各道路区間に関連する、雨情報と１つまたは複数のアクアプレーニング事象の発生との間のマッピングと、に基づいている、車両システム。 A vehicle system for driving a vehicle, associated with multiple road sections and sensors configured to (a) sense the behavior of the vehicle and (b) detect at least one of the rain parameters. Occurrence of one or more aquaplaning events, including a computer vehicle configured to receive or generate rain information about the rain to be performed and to estimate the occurrence of one or more aquaplaning events on multiple road sections. The estimation is based on the mapping between rain information and at least one rain-related parameter of the vehicle and the occurrence of rain information and one or more aquaplaning events associated with each road section of multiple road sections. Based on the vehicle system. 車両コンピュータは、１つまたは複数のアクアプレーニング事象の発生の推定に基づいて運転関連動作の実行を支援するように構成される、請求項３１５に記載の車両モニタ。 315. The vehicle monitor of claim 315, wherein the vehicle computer is configured to assist in performing driving-related actions based on an estimate of the occurrence of one or more aquaplaning events. 複数の道路区間に関連する物理事象を測定するための方法は、道路画像センサとは異なる第１の車両センサによって、車両が複数の道路区間を走行している間に、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを測定し、車両コンピュータによって、第１のパラメータセットに基づいて複数の道路区間を走行することに関連する検出物理事象を検出し、検出物理事象に関する物理事象情報を生成し、物理事象情報の少なくとも一部を記憶または送信する方法であって、物理事象はアクアプランニングイベントの発生を含む方法。 A method for measuring physical events associated with multiple road sections is to use a first vehicle sensor, which is different from the road image sensor, to use vehicle wheel movement parameters and vehicle while the vehicle is traveling on multiple road sections. A first parameter set including acceleration parameters is measured, and a vehicle computer detects detected physical events related to traveling on a plurality of road sections based on the first parameter set, and physical event information regarding the detected physical events. A method of generating and storing or transmitting at least a portion of physical event information, wherein the physical event involves the occurrence of an aqua planning event. 複数の道路区間に関連する物理事象を測定するための非一時的コンピュータプログラム製品であって、道路画像センサとは異なる第１の車両センサによって、車両が複数の道路区間を走行している間に、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを測定し、車両コンピュータによって、第１のパラメータセットに基づいて複数の道路区間を走行することに関連する検出物理事象を検出し、検出物理事象に関する物理事象を生成し、物理事象情報の少なくとも一部を記憶または送信するための命令を記憶し、物理事象はアクアプランニングイベントの発生を含む非一時的コンピュータプログラム製品。 A non-temporary computer program product for measuring physical events related to multiple road sections, while the vehicle is traveling on multiple road sections by a first vehicle sensor that is different from the road image sensor. , A first set of parameters including vehicle wheel movement parameters and vehicle acceleration parameters is measured, and a vehicle computer detects detected physical events related to traveling on multiple road sections based on the first parameter set. A non-temporary computer program product that generates a physical event related to a detected physical event, stores instructions for storing or transmitting at least part of the physical event information, and the physical event contains the occurrence of an aqua planning event. 複数の道路区間に関連する物理事象を測定するためのシステムであって、（i）道路画像センサとは異なる第１の車両センサから、車両ホイール移動パラメータおよび車両加速度パラメータを含む第１のパラメータセットを受信するように構成され、測定は車両が複数の道路区間上を走行している間に行われ、（ii）第１のパラメータセットに基づいて複数の道路区間上の走行に関連する検出物理事象を検出するように構成され、検出物理事象に関する物理事象情報を生成するように構成され、物理事象の少なくとも一部を送信することを記憶または支援するように構成され、物理事象はアクアプレーニング事象の発生を含む、車両コンピュータを含むシステム。 A system for measuring physical events related to a plurality of road sections, from a first vehicle sensor different from (i) a road image sensor, to a first parameter set including vehicle wheel movement parameters and vehicle acceleration parameters. The measurement is made while the vehicle is traveling on multiple road sections, and (ii) the detection physics associated with traveling on multiple road sections based on the first parameter set. It is configured to detect an event, to generate physical event information about the detected physical event, to remember or assist in transmitting at least a portion of the physical event, and the physical event is an aquaplaning event. A system that includes a vehicle computer, including the occurrence of. 領域の参照マップを生成する方法であって、通信インターフェースによって複数の車両から、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と（b）複数の車両によって計算され領域に属する道路区間に関連する道路区間属性とを受信し、複数の車両によって検出された検出物理事象に関する物理事象情報と複数の車両によって計算された道路区間属性とに基づいて参照マップをコンピュータ化システムによって計算する方法であって、複数の車両のうちの１の車両の物理事象情報は、車両の道路画像センサとは異なる第１の車両センサによって感知される車両ホイール移動パラメータと車両加速度パラメータを含む第１のパラメータセットに基づいており、検出物理事象は、アクアプレーニング事象の発生を含む方法。 A method of generating a reference map of an area, in which physical event information about a detected physical event detected by multiple vehicles when traveling on a road section belonging to the area (a) from multiple vehicles by a communication interface and ( b) Receives road section attributes calculated by multiple vehicles and related to road sections belonging to the area, physical event information on detected physical events detected by multiple vehicles, and road section attributes calculated by multiple vehicles. A method of calculating a reference map by a computerized system based on the above, in which the physical event information of one of a plurality of vehicles is detected by a first vehicle sensor different from the road image sensor of the vehicle. A method based on a first set of parameters that includes wheel movement parameters and vehicle acceleration parameters, where the detected physical event involves the occurrence of an aquaplaning event. 領域の参照マップを生成するための非一時的コンピュータプログラム製品であって、通信インターフェースによって複数の車両から、（a）領域に属する道路区間上を走行するときに複数の車両によって検出された検出物理事象に関する物理事象情報と（b）複数の車両によって計算され領域に属する道路区間に関連する道路区間属性とを受信し、複数の車両によって検出された検出物理事象に関する物理事象情報と複数の車両によって計算された道路区間属性とに基づいて参照マップをコンピュータ化システムによって計算するための命令を記憶し、複数の車両のうちの１の車両の物理事象情報は、車両の道路画像センサとは異なる第１の車両センサによって感知される車両ホイール移動パラメータと車両加速度パラメータを含む第１のパラメータセットに基づいており、検出物理事象は、アクアプレーニング事象の発生を含む、非一時的コンピュータプログラム製品。 A non-temporary computer program product for generating a reference map of an area, detection physics detected by multiple vehicles via a communication interface and (a) detected by multiple vehicles when traveling on a road section belonging to the area. Receives physical event information about the event and (b) road section attributes related to the road section that belongs to the area calculated by multiple vehicles, and is detected by multiple vehicles Physical event information about the physical event and multiple vehicles The instruction for calculating the reference map by the computerized system based on the calculated road section attribute is stored, and the physical event information of one of the plurality of vehicles is different from the road image sensor of the vehicle. A non-temporary computer program product that is based on a first set of parameters that includes vehicle wheel movement parameters and vehicle acceleration parameters sensed by one vehicle sensor, where the detected physical event involves the occurrence of an aquaplaning event. ドライブセッションを決定するための方法であって、車両コンピュータによって、車両プロファイルと、車両に先行する経路の部分の勾配とを受信または生成するステップであって、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは、道路画像センサとは異なる車両センサによって感知されるステップと、車両コンピュータによって、車両に先行する経路についての提案された走行パラメータを決定するステップであって、計算は少なくとも部分的に、車両プロファイルと、経路部分勾配と、外因性制約と、１つまたは複数のアクアプレーニング事象に関連する情報に基づくステップと、を含む方法。 A method for determining a drive session, in which the vehicle computer receives or generates a vehicle profile and a gradient of a portion of the route preceding the vehicle, the vehicle profile being at least in the road route and vehicle parameters. Generated based on, at least some of the road routes and vehicle parameters are steps that are sensed by a vehicle sensor that is different from the road image sensor, and the vehicle computer provides suggested driving parameters for the route that precedes the vehicle. A method of determining, at least in part, a method in which the calculation includes a vehicle profile, a road partial gradient, an extrinsic constraint, and a step based on information related to one or more aquaplaning events. ドライブセッションを決定するための非一時的コンピュータプログラム製品であって、車両コンピュータによって、車両プロファイルと、車両に先行する経路の部分の勾配とを受信または生成するための命令であって、車両プロファイルは少なくとも道路経路および車両パラメータに基づいて生成され、道路経路および車両パラメータのうちの少なくともいくつかは、道路画像センサとは異なる車両センサによって感知される命令と、車両コンピュータによって、車両に先行する経路についての提案された走行パラメータを決定するための命令であって、計算は少なくとも部分的に、車両プロファイルと、経路部分勾配と、外因的制約と、１つまたは複数のアクアプレーニング事象に関連する情報に基づく命令と、を記憶する非一時的コンピュータプログラム製品。
A non-temporary computer program product for determining a drive session, which is an instruction by a vehicle computer to receive or generate a vehicle profile and a slope of a portion of a path preceding the vehicle. Generated based on at least road routes and vehicle parameters, at least some of the road routes and vehicle parameters are for instructions sensed by a vehicle sensor different from the road image sensor and the route ahead of the vehicle by the vehicle computer. Is an instruction to determine the proposed driving parameters of the calculation, at least in part, to the vehicle profile, the route partial gradient, the extrinsic constraints, and the information related to one or more aquaplaning events. A non-temporary computer program product that stores instructions based on it.
JP2020535322A 2017-09-10 2018-09-07 vehicle monitor Active JP7297764B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023098001A JP2023120309A (en) 2017-09-10 2023-06-14 vehicle monitor

Applications Claiming Priority (15)

Application Number Priority Date Filing Date Title
US201762556444P 2017-09-10 2017-09-10
US201762556443P 2017-09-10 2017-09-10
US201762556447P 2017-09-10 2017-09-10
US201762556445P 2017-09-10 2017-09-10
US62/556,443 2017-09-10
US62/556,447 2017-09-10
US62/556,445 2017-09-10
US62/556,444 2017-09-10
US201762564270P 2017-09-28 2017-09-28
US62/564,270 2017-09-28
US201762573828P 2017-10-18 2017-10-18
US62/573,828 2017-10-18
US201862722210P 2018-08-24 2018-08-24
US62/722,210 2018-08-24
PCT/IB2018/056844 WO2019049080A2 (en) 2017-09-10 2018-09-07 Vehicle monitor

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023098001A Division JP2023120309A (en) 2017-09-10 2023-06-14 vehicle monitor

Publications (3)

Publication Number Publication Date
JP2021501091A true JP2021501091A (en) 2021-01-14
JP2021501091A5 JP2021501091A5 (en) 2021-10-14
JP7297764B2 JP7297764B2 (en) 2023-06-26

Family

ID=74097811

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020535322A Active JP7297764B2 (en) 2017-09-10 2018-09-07 vehicle monitor
JP2023098001A Pending JP2023120309A (en) 2017-09-10 2023-06-14 vehicle monitor

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023098001A Pending JP2023120309A (en) 2017-09-10 2023-06-14 vehicle monitor

Country Status (1)

Country Link
JP (2) JP7297764B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359609A (en) * 2021-12-30 2022-04-15 西北工业大学 Vehicle load information mining method and device and electronic equipment

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5292085A (en) * 1976-01-30 1977-08-03 Yamaha Motor Co Ltd Control circuit in anti-skid apparatus
JP2005145155A (en) * 2003-11-12 2005-06-09 Nsk Ltd Stability control apparatus
JP2009234454A (en) * 2008-03-27 2009-10-15 Honda Motor Co Ltd Control device of variable damping force damper
JP2011016483A (en) * 2009-07-10 2011-01-27 Toyota Motor Corp Road surface information acquisition device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5292085A (en) * 1976-01-30 1977-08-03 Yamaha Motor Co Ltd Control circuit in anti-skid apparatus
JP2005145155A (en) * 2003-11-12 2005-06-09 Nsk Ltd Stability control apparatus
JP2009234454A (en) * 2008-03-27 2009-10-15 Honda Motor Co Ltd Control device of variable damping force damper
JP2011016483A (en) * 2009-07-10 2011-01-27 Toyota Motor Corp Road surface information acquisition device

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359609A (en) * 2021-12-30 2022-04-15 西北工业大学 Vehicle load information mining method and device and electronic equipment

Also Published As

Publication number Publication date
JP7297764B2 (en) 2023-06-26
JP2023120309A (en) 2023-08-29

Similar Documents

Publication Publication Date Title
EP3451312B1 (en) Providing a confidence-based road event message
EP3441724B1 (en) Method and apparatus for detecting false positive slippery road reports using mapping data
US20200282999A1 (en) Vehicle monitor
US20230400567A1 (en) Extended Object Tracking Using RADAR
US10967869B2 (en) Road surface condition estimation apparatus and road surface condition estimation method
EP3016086B1 (en) Negative image for sign placement detection
US11069229B2 (en) Probe based variable speed sign value
US10650670B2 (en) Method and apparatus for publishing road event messages
JP7172619B2 (en) Road surface condition estimation device and road surface condition estimation method
US10066961B2 (en) Methods and systems for predicting driving conditions
EP3682417B1 (en) Method and apparatus for evaluating a weight of the vehicle
US11142209B2 (en) Vehicle road friction control
US20200156652A1 (en) Method, apparatus, and system for assessing safety and comfort systems of a vehicle
US10684622B2 (en) Vehicle dynamics monitor for autonomous vehicle
US20240083458A1 (en) Using simulations to identify differences between behaviors of manually-driven and autonomous vehicles
JP2023120309A (en) vehicle monitor
US20220207389A1 (en) Estimation reliability of hazard warning from a sensor
US20240053167A1 (en) System and method for road feature detection
US20210405641A1 (en) Detecting positioning of a sensor system associated with a vehicle

Legal Events

Date Code Title Description
RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20200929

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210906

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210906

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221024

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221206

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230303

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230428

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230516

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230614

R150 Certificate of patent or registration of utility model

Ref document number: 7297764

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150