JP2023120309A - vehicle monitor - Google Patents

Abstract

To provide an efficient method for generating accurate information about heights regarding roads.SOLUTION: A method for estimating heights of road segments includes: measuring, by a barometer of a vehicle and during a given driving session, inner vehicle pressure to provide multiple barometer measurements while the vehicle passes over the road segments; compensating, by a computer, for barometer-affecting vehicle conditions to provide multiple compensated barometer measurements; and merging the multiple compensated barometer measurements with barometer information obtained during multiple other driving sessions that have been executed by multiple vehicles, thereby providing height estimates of the road segments, where the merging includes performing session constant offset compensation and inter-session offset compensation.SELECTED DRAWING: Figure 3

Description

CROSS-REFERENCES This application claims priority from the following provisional patent applications, each of which is incorporated herein in its entirety.
U.S. Provisional Patent Application No. 62/573,828 filed Oct. 18, 2017.
U.S. Provisional Patent Application No. 62/556,447 filed September 10, 2017.
U.S. Provisional Patent Application No. 62/556,445 filed September 10, 2017.
U.S. Provisional Patent Application No. 62/564,270 filed September 28, 2017.
U.S. Provisional Patent Application No. 62/575,544 filed Oct. 23, 2017.
U.S. Provisional Patent Application No. 62/556,444 filed September 10, 2017.
U.S. Provisional Patent Application No. 62/556,443 filed September 10, 2017.
U.S. Provisional Patent Application No. 62/722,210 filed August 24, 2018.

Background Altitude Data Human drivers and autonomous vehicles can benefit from highly accurate information about roads.
There is a growing need to provide efficient methods for generating highly accurate information about roads.
Measuring Physical Events Today, Autonomous Vehicle (AV) and Advanced Driver Assistance Systems (ADAS) applications have several knowledge gaps, and these knowledge gaps are primarily visual The use of sensors makes those solutions vulnerable.
One of the main problems with AVs is map localization: given a map, pinpointing the current position on the map with a relatively high degree of accuracy.
The first sensor used for position determination is GPS. This usually gives a general area on the map. Sometimes it can be as accurate as a few meters, sometimes farther than that, or even lacking (in urban environments, or under roofs and covers, if the sky is not clear).
According to the approximate information provided by GPS, the main sensors used today for localization fine-tuning are cameras, LiDAR, RADAR, visual sensors of IR cameras. These sensors typically compare visual image post-processing with previously mapped/collected image data. Precision machining can result in centimeter accuracy.
The main problem is that these sensors are not working 100% of the time due to problems such as bad weather, headlight blindness, communication jams, and scene changes.
In such cases, the vehicle cannot precisely locate longitudinally and laterally.
Furthermore, when using visual sensors, the knowledge base required for accurate positioning is very large as it contains a large number of images. Updating a database can require extensive communication and processing resources.
Vehicle profiles AV (Autonomous Vehicles) and ADAS (Advanced Driver Assistance Systems) applications are based on vehicle behavior and road conditions.
Vehicle behavior depends on a vast number of parameters, thus making vehicle behavior unpredictable, even when devoting enormous computational and storage resources to estimating vehicle behavior.
There is an increasing need to provide accurate and effective estimates of vehicle behavior.
The weight of a heavy vehicle can have a significant impact on vehicle performance. For example, vehicle weight affects braking distance. The weight of the vehicle also affects fuel consumption, product of the various modules of the vehicle, and the like.
Autonomous vehicle (AV) and advanced driver assistance system (ADAS) applications can benefit from receiving accurate measurements of vehicle weight in real time.
The weight of a vehicle is of commercial importance when the vehicle is carrying goods, and the total weight of the vehicle provides an estimate of the total weight of the goods carried by the vehicle.
There is an increasing need to provide accurate estimates of vehicle weight.
A grip anti-lock braking system or anti-skid braking system (ABS) allows the wheels of a vehicle to maintain traction contact with the road surface in response to driver input, while the wheels lock up (stop spinning) and cause loss of control. (www.wikipedia.org). A typical ABS system prevents the wheels from locking up by releasing the brakes, usually by pumping the brakes when the limit grip reaches a certain threshold. Pumping the brakes consumes energy and there is an increasing need to reduce this energy consumption. Furthermore, the braking effect decreases when the limit grip value is reached. There is an increasing need to improve braking effectiveness.
Autonomous vehicle (AV) and advanced driver assistance system (ADAS) applications are based on various 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 grip changes can affect the way the vehicle is to be driven.
There is an increasing need to quickly and accurately determine the grip of a path segment.

ここで、エネルギー係数の群（グループ）は、ｋ_１、ｋ_２、ｋ_３およびｋ_４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、
ｖ_２は、経路区間の終点における車両の速度であり、
ｖ_１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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
計算は、機械学習を適用することを含むことができる。
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。
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。
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。
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、ｋ_１、ｋ_２、ｋ_３、およびｋ_４を含み、
ａｍｅは、推定されたモータ効率関数の値であり、
ｖ_２は、経路区間の終点における車両の速度であり、
ｖ_１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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
計算は、機械学習を適用することを含むことができる。
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。
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。
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。
モータ効率関数係数の数は、５０を超えなくともよい。
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。
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。
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。
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。
車両の重量の計算は、リアルタイムで実行されてもよい。
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。
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。
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、ｋ_１、ｋ_２、ｋ_３およびｋ_４を含み、
ａｍｅは、推定されたモータ効率関数の値であり、
ｖ_２は、新たな経路区間の終点における車両の速度であり、
ｖ_１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。
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。
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。
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。
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。
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。
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。
燃料消費量誤差補正関数係数の数は、１０を超えない。
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。
車両の重量の計算は、リアルタイムで実行されてもよい。
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。
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。
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、ｋ_１、ｋ_２、ｋ_３およびｋ_４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、
ｖ_２は、新たな経路区間の終点における車両の速度であり、
ｖ_１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。
グリップ
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
アクアプレーニング
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。
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。 Summary Altitude Data and Barometer Noise Estimation A method can be provided for estimating the height of a road segment. The method consists of measuring the pressure inside the vehicle by means of the vehicle's barometer and during a given driving session to provide a plurality of barometer readings, and the measurements being made while the vehicle traverses the road segment. computer correcting (compensating) for vehicle conditions affecting the barometer to provide a plurality of corrected barometer readings; and performing the plurality of corrected barometer readings by a plurality of vehicles. providing height estimates for road segments by merging with barometer information obtained during multiple other driving sessions, the merging performing session constant offset correction and inter-session offset correction; and
Merging involves searching for overlapping nodes, where each overlapping node corresponds to the same location and belongs to multiple sessions.
Merging can include an association process to substantially equalize height estimates of different sessions that may be associated with the same duplicate node.
The method may include modifying height estimates of non-overlapping nodes based on changes in height estimates of overlapping nodes introduced during the association process.
Modifying height estimates for non-overlapping nodes can include distributing height adjustments along the session according to a predetermined height adjustment distribution (adjustment distribution).
The predetermined height adjustment distribution may be a uniformly distributed height adjustment distribution.
Session constant offset correction can include reducing height differences between overlapping nodes without associating the overlapping nodes.
Inter-session offset correction can include an association process.
Corrections for vehicle conditions affecting the barometer may be based on information provided by the barometer and at least one other vehicle sensor different from the barometer.
At least one other vehicle sensor may be an accelerometer.
Merging can include calculating statistics of height estimates associated with duplicate nodes and rejecting one or more height estimates based on the statistics.
The method may include transmitting a plurality of corrected barometer measurements to a computerized system located outside the vehicle, and the merging may be performed by the computerized system. .
At least part of the merging may be performed by the vehicle's computer.
Correcting for vehicle conditions affecting the barometer may include low-pass filtering the barometer measurements.
Correcting for vehicle conditions that affect the barometer may include determining to ignore at least some (some) of the barometer measurements.
Compensating for vehicle conditions affecting the barometer may include determining to ignore at least some of the barometer measurements.
Correcting for vehicle conditions that affect the barometer when the slope of the road section extending between the two points exceeds a maximum slope threshold, as reflected by the barometer measurements associated with the two points. , determining to ignore at least some of the barometer measurements.
Correcting for vehicle conditions affecting the barometer can include calculating the effect of the barometer-affecting event on the value of the at least one barometer measurement.
Barometer corrections affecting the vehicle can be responsive to vehicle acceleration when the barometer measurements are taken.
Barometer corrections affecting the vehicle can be responsive to vehicle deceleration when the barometer measurements are taken.
A non-transitory computer program product may be provided for estimating the height of a road segment. The non-transitory computer program product may store instructions for measuring internal vehicle pressure by means of the vehicle's barometer and during a given driving session to provide multiple barometer readings. is performed while the vehicle traverses a section of road, the computer corrects for vehicle conditions affecting the barometer to provide a plurality of corrected barometer readings, and provides a plurality of corrected barometer readings. It is merged with barometer information obtained during multiple other driving sessions performed by multiple vehicles, thereby providing a road segment height estimate, the merging being a session constant offset correction and an intersession offset It may include performing a correction.
Merging involves searching for duplicate nodes, where each duplicate node corresponds to the same location and belongs to multiple sessions.
Merging can include an association process to substantially equalize height estimates of different sessions associated with the same duplicate node.
The non-transitory computer program product can store instructions for changing height estimates of non-overlapping nodes based on changes in height estimates of duplicate nodes introduced during the association process.
Modifying height estimates for non-overlapping nodes may include distributing height adjustments along the session according to a predetermined height adjustment distribution.
The predetermined height adjustment distribution may be a uniformly distributed height adjustment distribution.
Session constant offset correction can include reducing height differences between overlapping nodes without associating the overlapping nodes.
Inter-session offset correction can include an association process.
Barometer compensation (correction) affecting vehicle state may be based on information provided by the barometer and at least one other vehicle sensor different from the barometer.
At least one other vehicle sensor may be an accelerometer.
Compensation for vehicle conditions affecting the barometer can be based on the barometer reading pattern.
Merging can include calculating statistics of height estimates associated with duplicate nodes and rejecting one or more height estimates based on the statistics.
The non-transitory computer program product can store instructions for transmitting a plurality of compensated barometer readings to a computerized system that can be located external to the vehicle, and the merging is performed by the computerized system. can be run by a system designed for
Compensating for at least part of the merging may be performed by the vehicle's computer.
Compensating for barometers that affect vehicle conditions may include low-pass filtering barometer measurements.
Compensating for vehicle conditions affecting the barometer may include determining to ignore at least some of the barometer measurements.
Compensating for vehicle conditions affecting the barometer may include determining to ignore at least a portion of the barometer measurements.
Compensation (correction) for vehicle conditions affecting the barometer if the slope of the road section extending between the two points exceeds the maximum slope threshold, as reflected by the barometer readings associated with the two points. may include determining to ignore at least some of the barometer measurements.
Compensating for vehicle conditions affecting the barometer can include calculating the effect of the barometer-affecting event on the value of at least one barometer measurement.
A vehicle compensation (correction) affecting the barometer can be responsive to vehicle acceleration when the barometer measurement is made.
A vehicle compensation (correction) affecting the barometer can be responsive to vehicle deceleration when the barometer measurement is taken.
Measuring PHYSICAL EVENTS Methods, systems, and non-transitory computer-readable media may be provided as set forth in the claims and/or the specification and/or drawings.
A method of measuring a physical event associated with a plurality of road segments may include measuring a first set of parameters with a first vehicle sensor, the measuring while a vehicle travels the plurality of road segments. wherein the first set of parameters may include wheel motion parameters and vehicle acceleration parameters of the vehicle, the first vehicle sensors being different from road image sensors and being associated with driving a plurality of road segments by the vehicle computer; detecting a detected physical event, the detecting may be based on a first set of parameters, including generating physical event information about the detected physical event, wherein at least one of the physical event information is Storing or transmitting the portion may also be included.
The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitudinal spin (longitudinal spin) and longitude spin (lateral spin).
Detected physical events can include collisions, slips, skids, spins, latitudinal spins (longitudinal spins) and longitude spins (lateral spins).
The first vehicle sensor may include an accelerometer and multiple wheel motion sensors.
The method may include calculating road segment attributes.
The road segment attributes are (i) the curvature of the group of road segments that can contain the road segment, (ii) the longitudinal slope of the road segment (longitudinal slope), (iii) the lateral slope of the road segment (lateral slope ), (iv) a grip level associated with the road segment, and (v) undulation of the road segment.
Road segment attributes are associated with (i) the curvature of a group of road segments that may contain the road segment, (ii) the longitudinal slope of the road segment, (iii) the lateral slope of the road segment, and (iv) the road segment. It may include at least three segment attributes of grip level, (v) undulation of the road segment.
The method can include calculating the position of the physical event.
The method may include calculating the position of the physical event based on positions of different vehicle components associated with the physical event at times corresponding to the measurements of the first set of parameters.
The method calculates a difference between (a) a reference map (reference map) of a plurality of road segments containing reference information about previously detected physical events associated with the plurality of road segments and (b) physical event information. and transmitting at least some of the differences.
The method may include receiving or calculating a reference map of a plurality of road segments, the reference map comprising (a) reference information regarding previously detected physical events associated with the plurality of road segments; b) reference road segment attributes associated with multiple road segments;
The method may include determining the position of the vehicle based on the reference map and the sequence of detected physical events.
The method may include determining the position of the vehicle by searching in a reference map for a reference sequence of physical events that matches the sequence of detected physical events.
The method may include determining the position of the vehicle by searching within a reference map for a reference sequence of required physical events that matches the sequence of required detected physical events.
The reference map can include a base layer (base layer) that can store information about the locations of road segments and the spatial relationships between the road segments.
The reference map may include layers that may store reference information regarding previously detected physical events associated with multiple road segments.
The method may include determining the position of the vehicle by searching within the layer for a reference sequence of physical events that matches the detected sequence of physical events.
The search may include scanning the road segment represented by the base layer and retrieving (reading) reference information regarding previously detected physical events associated with the scanned road segment.
Searching may include applying a hash function to find reference information about previously detected physical events.
The reference map includes (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments. can contain one or more sparse layers (sparse layers), and one or more sparse layers can be linked to the base layer.
The method may include generating driving instructions based on the one or more sparse layers and the position of the vehicle.
A reference map may include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer may include reference physical event information.
The method may include receiving a reference map update to update a portion of the reference map and updating the portion of the reference map without updating portions of the reference map that have not been updated.
The reference map can include private fields that store information about driving patterns associated with the vehicle or the driver of the vehicle, and can include public fields.
The method may further include generating virtual sensor information based on at least the first set of parameters.
The method may further include determining the lateral position of the vehicle by using the image sensor.
Physical event information may include normalized magnitudes of detected physical events.
A method may be provided for generating a reference map of a region, the method comprising: (a) physical event information relating to physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; (b) receiving by a communication interface road segment attributes calculated by the plurality of vehicles, the road segment attributes being associated with road segments belonging to the region; The event information may be based on a first set of parameters that may be sensed by a first vehicle sensor of the vehicle, the first set of parameters may include a vehicle wheel displacement parameter and a vehicle acceleration parameter; The sensor differs from road image sensors in that a computerized system creates a reference map based on physical event information about detected physical events detected by multiple vehicles and road segment attributes calculated by multiple vehicles. calculating.
The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin.
Detected physical events can include collisions, slips, skids, spins, latitude spins, and longitude spins.
The first vehicle sensor may include an accelerometer and multiple wheel motion sensors.
The road segment attributes are: (i) the curvature of the group of road segments that may contain the road segment, (ii) the longitudinal slope of the road segment (vertical slope), (iii) the lateral slope of the road segment (horizontal slope), (iv) a grip level associated with the road segment; and (v) undulation of the road segment.
Road segment attributes are associated with (i) the curvature of a group of road segments that may contain the road segment, (ii) the longitudinal slope of the road segment, (iii) the lateral slope of the road segment, and (iv) the road segment. It may include at least three segment attributes of grip level, (v) undulation of the road segment.
The reference map may include (a) reference information regarding previously detected physical events associated with the plurality of road segments, and (b) reference road segment attributes associated with the plurality of road segments.
The reference map can include a base layer (base layer) that can store information about the locations of road segments and the spatial relationships between the road segments.
A reference map may include layers that may store reference information regarding previously detected physical events associated with multiple road segments.
The reference map has (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments of the road segments. , and one or more sparse layers may be linked to the base layer.
A reference map may include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer may include reference physical event information.
The reference map may include private fields that store information about driving patterns associated with the vehicle or the driver of the vehicle, and public fields.
Physical event information may include normalized magnitudes of detected physical events.
A non-transitory computer program product for measuring physical events associated with a plurality of road segments, the non-transitory computer program product storing instructions for measuring a first set of parameters by a first vehicle sensor, the measurements being performed by a plurality of vehicles. the first set of parameters includes vehicle wheel motion parameters and vehicle acceleration parameters; providing a non-transitory computer program product that detects detected physical events associated with driving a segment of road, generates physical event information about the detected physical events, and stores or transmits at least a portion of the physical event information; can be done.
The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin.
Detected physical events can include collisions, slips, skids, spins, latitude spins and longitude spins.
The first vehicle sensor may include an accelerometer and multiple wheel motion sensors.
A non-transitory computer program product may store instructions for calculating road segment attributes.
The road segment attributes are (i) the curvature of the group of road segments containing the road segment, (ii) the longitudinal slope of the road segment (vertical slope), (iii) the lateral slope of the road segment (horizontal slope), (iv) a grip level associated with the road segment; (v) undulation of the road segment.
The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; (v) may include at least three segment attributes of the swell of the road segment;
A non-transitory computer program product can store instructions for calculating the location of a physical event.
A non-transitory computer program product can store instructions for calculating the position of a physical event based on the positions of different vehicle components associated with the physical event at a time corresponding to the measurement of the first set of parameters. .
The non-transitory computer program product comprises: (a) a reference map of a plurality of road segments containing reference information regarding previously detected physical events associated with the plurality of road segments; and (b) a difference between the physical event information. and store instructions for transmitting at least some of the differences.
The non-transitory computer program product may store instructions for receiving or calculating a reference map of a plurality of road segments, the reference map including: (a) previously detected physics associated with the plurality of road segments; and (b) reference road segment attributes associated with the plurality of road segments.
A non-transitory computer program product can store instructions for determining the position of the vehicle based on the reference map and the sequence of physical events detected.
A non-transitory computer program product can store instructions for determining the position of a vehicle by searching in a reference map for a reference sequence of physical events that match the sequence of detected physical events. .
A non-transitory computer program product can store instructions for determining the position of a vehicle by searching in a reference map for a reference sequence of required physical events that match a set of required detected physical events.
The reference map can include a base layer (base layer) that can store information about the locations of road segments and the spatial relationships between the road segments.
The reference map may include layers that may store reference information regarding previously detected physical events associated with multiple road segments.
A non-transitory computer program product stores instructions for determining the position of a vehicle by searching in layers for a reference sequence of physical events that matches the sequence of detected physical events. be able to.
The search may include scanning the road segment represented by the base layer and retrieving reference information regarding previously detected physical events associated with the scanned road segment.
Searching may include applying a hash function to find reference information about previously detected physical events.
The reference map (a) allows the base layer to store information about the locations of the multiple road segments and the spatial relationships between the multiple road segments, and (b) only some of the road segments of the multiple road segments. One or more sparse layers can be included that can contain additional information about , and one or more sparse layers can be linked to the base layer.
The non-transitory computer program product may store instructions for generating maneuvering instructions based on one or more sparse layers and vehicle position.
A reference map may include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer may include reference physical event information.
A non-transitory computer program product may store instructions for receiving reference map updates that update portions of a reference map and update portions of the reference map without updating non-updated portions of the reference map. can.
The reference map may include private fields that store information about driving patterns associated with the vehicle or the driver of the vehicle, and public fields.
The non-transitory computer program product can further include generating virtual sensor information based on at least the first set of parameters.
The non-transitory computer program product may further include determining the lateral position of the vehicle by using the image sensor.
Physical event information may include normalized magnitudes of detected physical events.
A non-transitory computer program product may be provided for generating a reference map of a region, the non-transitory computer program product being (a) detected by a plurality of vehicles when traveling on a road segment belonging to the region; and (b) road segment attributes calculated by the plurality of vehicles from the plurality of vehicles by a communication interface, the road segment attributes being associated with road segments belonging to the region, Physical event information for a vehicle in the plurality of vehicles may be based on a first set of parameters sensed by a first vehicle sensor of the vehicle, the first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter. , wherein the first vehicle sensor is different from the road image sensor and the computerized system stores physical event information about detected physical events detected by the plurality of vehicles and road segment attributes calculated by the plurality of vehicles. Stores instructions for computing a reference map based on
The detected physical event may be selected from the group consisting of collision, slip, skid, spin, latitude spin and longitude spin.
Detected physical events can include collisions, slips, skids, spins, latitude spins and longitude spins.
The first vehicle sensor may include an accelerometer and multiple wheel motion sensors.
The road segment attributes include (i) the curvature of the group of road segments containing the road segment, (ii) the vertical slope of the road segment, (iii) the lateral slope of the road segment, (iv) the grip level associated with the road segment, (v ) at least one road segment attribute of undulation of the road segment.
The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; (v) may include segment attributes of at least three of the swells of the road segment;
The reference map may include (a) reference information regarding previously detected physical events associated with the plurality of road segments, and (b) reference road segment attributes associated with the plurality of road segments.
A reference map can include a base layer that can store information about the locations of road segments and the spatial relationships between the road segments.
The reference map may include layers that may store reference information regarding previously detected physical events associated with multiple road segments.
The reference map (a) allows the base layer to store information about the locations of the multiple road segments and the spatial relationships between the multiple road segments, and (b) only some of the road segments of the multiple road segments. One or more sparse layers can be included that can contain additional information about , and one or more sparse layers can be linked to the base layer.
A reference map may include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer may include reference physical event information.
The reference map may include private fields that store information about driving patterns associated with the vehicle or the driver of the vehicle, and public fields.
Physical event information may include normalized magnitudes of detected physical events.
A system may be provided for measuring physical events associated with a plurality of road segments, the system configured to (i) receive a first set of parameters from a first vehicle sensor, the measurements comprising: While the vehicle is traveling over a plurality of road segments, the first set of parameters may include vehicle wheel displacement parameters and vehicle acceleration parameters, the first vehicle sensor being different from the road image sensor. , (ii) configured to detect a detected physical event associated with driving over a plurality of road segments, the detection being based on the first set of parameters, and generating physical event information about the detected physical event; and may include a vehicle computer configured to assist in storing or transmitting at least a portion of the physical event information. Assisting may include instructing a communication module of the vehicle to transmit.
A system may be provided for generating a reference map of a region, the system comprising: (a) physical event information relating to detected physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; , (b) a communication interface configured to receive road segment attributes calculated by the plurality of vehicles from the plurality of vehicles, the road segment attributes being associated with road segments belonging to the region; Physical event information for one of the vehicles may be based on a first set of parameters that may be sensed by a first vehicle sensor of the vehicle, the first set of parameters being a vehicle wheel displacement parameter and a vehicle acceleration parameter. wherein the first vehicle sensor is different from the road image sensor and based on physical event information about the detected physical event detected by the plurality of vehicles and road segment attributes calculated by the plurality of vehicles A processor configured to compute the reference map can be included.
Vehicle Profile Methods, systems, and non-transitory computer-readable media may be provided as illustrated herein and/or in the claims and/or drawings.
A method of generating a vehicle profile can be provided, the method comprising collecting candidate vehicle profile information and generating at least a vehicle profile based on the candidate vehicle profile information, the candidate vehicle profile information comprising: including fuel consumption information associated with different road routes and vehicle parameters, at least some of the road routes and vehicle parameters being sensed by a first vehicle sensor different from the road image sensor, the vehicle profile comprising: (i) a cruise data structure containing cruise information about values of cruise fuel consumption parameters associated with uniform vehicle travel for different values of the first set of road routes and vehicle parameters; (iii) an idle deceleration data structure containing idle deceleration information related to idle deceleration distance values associated with a set of road routes and different values of vehicle parameters; and (iii) a third set of road routes. and an acceleration data structure that can include acceleration information regarding the value of an acceleration fuel consumption parameter associated with constant acceleration of the vehicle for different values of the vehicle parameter.
The cruise data structure basically consists of the values of the cruise fuel consumption parameters.
The first set of road route and vehicle parameters basically consists of vehicle speed, road segment grade, vehicle weight, and one or more transmission system parameters.
The transmission system parameters may include gear and throttle position.
The idle deceleration structure basically consists of an idle deceleration distance value.
A second set of road route and vehicle parameters basically consists of starting vehicle speed, road segment grade and vehicle weight.
The second set of road route and vehicle parameters consists essentially of starting vehicle speed, road segment grade and vehicle weight, and one or more transmission system parameters.
The transmission system parameters can include gears.
The cruise data structure consists essentially of values for acceleration fuel consumption parameters.
A third set of road route and vehicle parameters consists essentially of starting vehicle speed, road segment grade, vehicle weight, acceleration distance, and one or more transmission system parameters.
The transmission system parameters may include gear and throttle position.
The method provides candidate vehicle profile information based on a comparison of the slope of the route segment, (i) the difference in height between two ends of the route segment, and (ii) the ratio of the horizontally projected length of the route segment. can include the step of rejecting the
The method may include dynamically clustering vehicles based on vehicle profiles.
The method can include computing a cluster profile for each cluster.
The method may include updating at least one of the cruise data structure, the idle deceleration data structure, and the acceleration data structure based on the cluster profile of at least one of the clusters that may include the vehicle. .
The method may include compressing the vehicle profile to generate a compressed vehicle profile.
Compression comprises computing a mathematical relationship between the secondary road route and the vehicle parameters; and removing information about at least one of the.
Compression may include removing road paths and vehicle parameters that may be associated with subgroups of vehicle speed.
Compression can include using one or more road route and vehicle parameters as keys without storing the one or more road route and vehicle parameters in any one of the vehicle profiles.
Generating the vehicle profile may include extrapolating values of the cruising fuel consumption parameter for particular values of the first set of road routes and vehicle parameters, the extrapolation comprising the first set of road routes and The value of the cruise fuel consumption parameter may be responsive to certain other measurements of vehicle parameters.
The method may include calculating recommended driving parameters for a route preceding the vehicle, the calculation based, at least in part, on the vehicle profile, the slope of the route segment, and the extrinsic constraints. good.
The computation includes virtually segmenting the path into segments, each segment may include one or more path segments of substantially the same slope and substantially the same extrinsic constraint.
The method may include finding an optimum speed for each portion based on the slope and maximum speed limit associated with the portion.
A vehicle profile consists of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
A non-transitory computer program product may be provided for generating a vehicle profile, the non-transitory computer program product storing instructions for collecting candidate vehicle profile information, the candidate vehicle profile information for different roads. fuel consumption information associated with a route and vehicle parameters, at least some of which road route and vehicle parameters are sensed by a first vehicle sensor different from the road image sensor; storing instructions for generating a profile, the vehicle profile relating to (i) a first set of road paths and values of cruising fuel consumption parameters associated with constant velocity movement of the vehicle for different values of vehicle parameters; (ii) a cruise data structure containing cruise information; and (ii) an idle deceleration data structure containing idle deceleration information related to idle deceleration distance values associated with vehicle idle decelerations for different values of a second set of road routes and vehicle parameters; (iii) an acceleration data structure containing acceleration information relating to values of acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of a third set of road paths and vehicle parameters;
A computerized system can be provided for generating a vehicle profile, the computerized system comprising: (i) a collection module for collecting candidate vehicle profile information, the candidate vehicle profile information being: A collection module that can include fuel consumption information associated with different road routes and vehicle parameters, at least some of which road routes and vehicle parameters can be sensed by a first vehicle sensor that is different from the road image sensor. and (ii) a computer for generating a vehicle profile based at least on the candidate vehicle profile information, the vehicle profile comprising: (a) constant velocity movements of the vehicle for different values of the first set of road routes and vehicle parameters; and (b) a second set of road routes and idle deceleration distance values associated with vehicle idle deceleration for different values of vehicle parameters. an idle deceleration data structure containing idle deceleration information; and (c) an acceleration data structure containing acceleration information relating to the value of an acceleration fuel consumption parameter associated with constant acceleration of the vehicle for different values of a third set of road paths and vehicle parameters. and (iii) memory for storing a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
A method may be provided for determining a drive session, which method may include receiving or generating, by a vehicle computer, a vehicle profile and a slope of a portion of a route preceding the vehicle, the vehicle profile being at least may be generated based on the road route and vehicle parameters, at least some of the road route and vehicle parameters may be sensed by vehicle sensors different from the road image sensors, and the vehicle computer may determine the route ahead of the vehicle; and the calculation can be based, at least in part, on the vehicle profile, the route segment grade, and the extrinsic constraints.
The computation includes virtually segmenting the path into segments, each segment may include one or more path segments of substantially the same slope and substantially the same extrinsic constraint.
The method may include finding an optimum speed for each portion based on the slope and maximum speed limit associated with each portion.
A vehicle profile essentially consists of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
A vehicle profile consists of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
A non-temporal computer program product may be provided for determining a drive session, the non-temporal computer program product receiving or generating, by the vehicle computer, the vehicle profile and the slope of the portion of the route preceding the vehicle. a vehicle profile is 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; A vehicle computer determines recommended driving parameters for a route ahead of the vehicle, and the calculations may be based, at least in part, on vehicle profile, route segment grade, and extrinsic constraints.
Methods, systems, and non-transitory computer-readable media may be provided as set forth in the claims and/or the specification and/or drawings.
A method may be provided for estimating the weight of a vehicle, the method may include obtaining vehicle sensor measurements for a driving session of the vehicle with a vehicle sensor during a learning period, the vehicle sensor measurements The values are (a) height measurements of the route associated with the drive session, (b) fuel consumption measurements associated with the drive session, (c) length measurements of the road segment associated with the drive session, and ( d) speed measurements associated with the driving session and may include calculating an estimated weight of the vehicle based on the vehicle sensor measurements, the calculating an energy factor indicative of energy wasted by the vehicle; can be done based on the value of
Calculating the estimated weight may further include finding a motor efficiency function and a fuel consumption error correction function.
The calculation includes retrieving energy coefficient values that provide at least one distribution (distribution) associated with the vehicle weight estimate, the at least one distribution (distribution) having at least one predetermined statistical significance. It meets the criteria.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments according to the following equation.

where 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,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg.
The calculation may include retrieving energy coefficient values that provide at least one distribution (distribution) associated with the vehicle weight estimate, the at least one distribution (distribution) having at least one predetermined statistical significance. meet gender criteria.
The predetermined statistical significance criterion may be maximum statistical significance.
The predetermined statistical significance criterion may be at least one minimum standard deviation of the weight estimate distribution.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments, for different values of the energy factor, and for different motor efficiency function values.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments for different values of the energy factor and for different fuel consumption error correction function values.
Determining the evaluation weight determines weight estimates for each path segment of the plurality of path segments for different values of the energy factor, for different motor efficiency function values, and for different fuel consumption error correction function values. can include doing
Determining the evaluation weight can include associating a quality characteristic with each weight estimate.
Determining the evaluated weight may include associating a quality characteristic with each weight estimate, and the at least one distribution associated with the vehicle weight estimate may be responsive to the quality characteristic assigned to each weight estimate.
Determining the evaluation weight includes associating a quality characteristic with each weight estimate, the at least one distribution associated with the vehicle weight estimate may be a histogram, the histogram may include bins, each bin can be associated with a weight estimate range and has values representing quality characteristics of the weight estimates belonging to the bin.
Determining the evaluation weight includes associating a quality characteristic with each weight estimate, the at least one distribution associated with the vehicle weight estimate may be a histogram, the histogram may include bins, each bin can be associated with a weight estimate range and has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin.
The method may include assigning a quality characteristic to at least some of the vehicle sensor measurements.
The method may include assigning a quality characteristic to vehicle sensor measurements associated with a particular route segment based on differences associated with vehicle speeds at the start and end of the particular route segment.
The method may include assigning a quality characteristic to vehicle sensor measurements associated with a particular route segment based on the maximum speed of the vehicle during a particular driving session.
The method may include ignoring vehicle sensor measurements obtained on route segments on which the vehicle has descended.
Computing can include applying machine learning.
A non-transitory computer-readable medium can be provided for assessing the weight of a vehicle, the non-transitory computer-readable medium having instructions for obtaining vehicle sensor measurements for a driving session of the vehicle during a learning period. stored, 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 segment length measurements associated with the drive session. and (d) a speed measurement associated with the driving session to calculate the rated weight of the vehicle based on the vehicle sensor measurements, the calculation being an energy factor value that can indicate the energy dissipated by the vehicle. can store instructions to be performed based on
Calculating the estimated weight may further include finding a motor efficiency function and a fuel consumption error correction function.
The calculation may include retrieving energy coefficient values that provide at least one distribution associated with the vehicle weight estimate, wherein the at least one distribution satisfies at least one predetermined statistical significance criterion.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments according to the following equation.

where 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,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg.
The calculation includes retrieving energy coefficient values that provide at least one distribution associated with the vehicle weight estimate, the at least one distribution satisfying at least one predetermined statistical significance criterion.
The predetermined statistical significance criterion may be maximum statistical significance.
The predetermined statistical significance criterion may be at least one minimum standard deviation of the weight estimate distribution.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor.
Determining the evaluation weight may include determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor and different motor efficiency function values.
Determining the estimated weight may include determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor and different fuel consumption error correction function values.
Determining the estimated weight may include determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor, different motor efficiency function values, and different fuel consumption error correction function values.
Determining the evaluation weight can include associating a quality characteristic with each weight estimate.
Determining the evaluated weight may include associating a quality characteristic with each weight estimate, wherein at least one distribution associated with the vehicle weight estimate is responsive to the quality characteristic assigned to each weight estimate. can be done.
Determining the evaluated weight may include associating a quality characteristic with each weight estimate, wherein the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram may include bins, each bin can be associated with a weight estimate range and has values representing quality characteristics of the weight estimates belonging to the bin.
Determining the rated weight can include associating a quality characteristic with each weight estimate, and the at least one distribution associated with the vehicle weight estimates can be a histogram, and the histogram can include bins. , each bin can be associated with a weight estimate range and has a value representing the sum of the quality characteristics of the weight estimates belonging to the bin.
A non-transitory computer-readable medium can store instructions for assigning quality characteristics to at least some of the vehicle sensor measurements.
A non-transitory computer readable medium stores instructions for assigning a quality characteristic to vehicle sensor measurements associated with a particular route segment based on differences associated with vehicle speeds at the start and end of the particular route segment. be able to.
A non-transitory computer-readable medium can store instructions for assigning quality characteristics to vehicle sensor measurements associated with particular route segments based on maximum vehicle speed during particular driving sessions.
A non-transitory computer readable medium may store instructions for ignoring vehicle sensor measurements obtained on route segments on which the vehicle has descended.
Computing can include applying machine learning.
A method may be provided for estimating the weight of a vehicle, the method calculating a coefficient of energy wasted by the vehicle value calculated based at least in part on vehicle sensor measurements obtained by vehicle sensors of the vehicle. , obtain new vehicle sensor measurements associated with the new drive session by the vehicle sensors during the new drive session, and calculate the weight of the vehicle by the vehicle computer based on the values of the energy factor and the new vehicle sensor measurements. wherein the vehicle sensor measurements are obtained during a driving session of the vehicle and include (a) path height measurements associated with the driving session, (b) fuel consumption measurements associated with the driving session, and (c) (d) speed measurements associated with the drive session;
The method can include receiving information about a motor efficiency function of the vehicle, and the calculation of the weight of the vehicle can be further responsive to the motor efficiency function of the vehicle.
The information regarding the motor efficiency function can include motor efficiency function coefficients.
The number of motor efficiency function coefficients need not exceed fifty.
The method may include receiving information regarding a fuel consumption error correction function of the vehicle, and the calculation of the weight of the vehicle may be further responsive to the fuel consumption error correction function.
The information regarding the fuel consumption error correction function may include a fuel consumption error correction function coefficient.
The number of fuel consumption error correction function coefficients need not exceed ten.
The method includes receiving information about a vehicle motor efficiency function and a vehicle fuel consumption error correction function, wherein the vehicle weight calculation is further responsive to the vehicle motor efficiency function and the vehicle fuel consumption error correction function. can be done.
The vehicle weight calculation may be performed in real time.
The method may include transmitting new vehicle sensor measurements associated with the new driving session.
The method can include receiving an updated energy factor, and the weight calculation can be responsive to the updated energy factor.
Calculating the weight can include calculating the following formula for the new route leg of the new session.

where 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,
_v2 is the velocity of the vehicle at the end of the new route segment,
_v1 is the speed of the vehicle at the opening of the new route segment,
v represents at least one value of the speed of the vehicle when traveling the new route segment;
x is the length of the new route segment,
Δh is the difference in height between the end and start of the new route segment,
fuel is the error corrected fuel consumption associated with the new route leg.
A non-transitory computer-readable medium may be provided for estimating the weight of a vehicle, the non-transitory computer-readable medium being calculated based at least in part on vehicle sensor measurements obtained by vehicle sensors of the vehicle. receive the value of the energy factor dissipated by the vehicle, obtain new vehicle sensor measurements associated with the new drive session by the vehicle sensors during the new drive session, and obtain the value of the energy factor and the value of the energy dissipated by the vehicle sensors of the vehicle calculated based at least in part on vehicle sensor measurements obtained during a driving session of the vehicle and comprising: (a) height measurements of a path associated with the driving session; (c) a road segment length measurement associated with the drive session; and (d) a speed measurement associated with the drive session; The weight of the vehicle may be calculated by the vehicle computer based on.
The non-transitory computer readable medium can store instructions for receiving information about a motor efficiency function of the vehicle, and the calculation of the weight of the vehicle can be further responsive to the motor efficiency function of the vehicle.
The information regarding the motor efficiency function may include motor efficiency function coefficients.
The number of motor efficiency function coefficients does not exceed fifty. The number per gear does not exceed 3.
The non-transitory computer readable medium can store instructions for receiving information regarding a fuel consumption error correction function of the vehicle, and the vehicle weight calculation can be further responsive to the fuel consumption error correction function.
The information regarding the fuel consumption error correction function may include a fuel consumption error correction function coefficient.
The number of fuel consumption error correction function coefficients does not exceed ten.
The non-transitory computer readable medium can store instructions for receiving information regarding a vehicle motor efficiency function and a vehicle fuel consumption error correction function, wherein the vehicle weight calculation is performed using the vehicle motor efficiency function and the vehicle fuel consumption error correction function. fuel consumption error correction.
The vehicle weight calculation may be performed in real time.
A non-transitory computer-readable medium can store instructions for transmitting new vehicle sensor measurements associated with a new driving session.
The non-transitory computer-readable medium can store instructions for receiving an updated value of the energy factor, and the weight calculation can be responsive to the updated value of the energy factor.
Calculating the weight can include calculating the following formula for the new route leg of the new session.

where 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,
_v2 is the velocity of the vehicle at the end of the new route segment,
v ₁ is the vehicle speed at the start of the new route segment,
v represents at least one value of the speed of the vehicle when traveling the new route segment;
x is the length of the new route segment,
Δh is the difference in height between the end and start of the new route segment,
fuel is the error-corrected fuel consumption associated with the new route leg.
A method can be provided for generating grip path segments and normalized path segment grip information associated with a vehicle, the method using sensors to generate wheel speed information related to the speed of a plurality of wheels of the vehicle. , detecting a grip event based on wheel speed information by the vehicle computer, and determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the grip event. and performing at least one of (i) transmitting the normalized path segment grip information; and (ii) storing the normalized path segment grip information.
The method comprises the steps of: receiving from a computerized system normalized path segment grip information generated by the computerized system; and denormalizing to provide actual path segment grip information.
The method may include calculating the vehicle's critical grip as it traverses the route segment based on the actual route segment grip information.
Denormalization may be based at least on speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Grip events may be selected from braking events, turn events, and high speed events.
Determining normalized path segment grip information may include calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation.
The method may include determining a normalized slip curve based on the normalized slip ratio and the normalized excitation.
Calculating the excitation may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during gripping events.
The 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.
Generating wheel speed information may include low-pass filtering the wheel speed information, and the low-pass filtering may be responsive to expected wheel speeds.
Generating wheel speed information may include ignoring short term variations.
A grip event may be the vehicle's response to passing over a small obstacle, the small obstacle having a length less than the circumference of each of the vehicle's wheels.
A non-transitory computer program product can be provided for generating normalized route segment grip information associated with a route segment and a vehicle, the non-transitory computer program product using a sensor to detect a plurality of motions of the vehicle. Instructions for generating wheel speed information related to the speed of the wheels; instructions for detecting, by the vehicle computer, a grip event based on the wheel speed information; and vehicle captured during at least a portion of the grip event. instructions for determining normalized path segment grip information based on the parameters; (i) instructions for transmitting the normalized path segment grip information; and (ii) instructions for storing the normalized path segment grip information. and instructions for executing at least one of them.
The non-transitory computer program product receives normalized path segment grip information generated by the computerized system from the computerized system and normalized path segment grip information generated by the computerized system. Instructions can be stored to denormalize and provide the actual path segment grip information.
The non-transitory computer program product 3 can store instructions for calculating the vehicle's critical grip when passing a route segment based on actual route segment grip information.
In the non-temporal computer program product 3, the denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Grip events may be selected from braking events, turn events, and high speed events.
Determining normalized path segment grip information may include calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation.
A non-transitory computer program product can store instructions for determining a normalized slip curve based on the normalized slip rate and the normalized excitation.
Calculating the excitation may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during gripping events.
The 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.
Generating wheel speed information may include low-pass filtering the wheel speed information, and the low-pass filtering may be responsive to expected wheel speeds.
Generating wheel speed information may include ignoring short term variations.
A grip event may be the vehicle's response to passage over a small obstacle, the small obstacle having a length less than the circumference of each of the vehicle's wheels.
A vehicle system for generating a vehicle profile may be provided, the vehicle system including sensors configured to generate wheel speed information related to speeds of a plurality of wheels of the vehicle; a computer vehicle configured to detect a grip event based on the information and (ii) determine normalized path segment grip information based on vehicle parameters obtained during at least a portion of the grip event; a) comprising 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;
A method for generating normalized route segment grip information associated with a route segment and a vehicle, the method comprising using sensors to generate wheel speed information related to the speed of a plurality of wheels of the vehicle. detecting, by the vehicle computer, the response of the vehicle to passage over a small obstacle based on wheel speed information; determining normalized route segment grip information based on vehicle parameters obtained during at least a portion of the vehicle's response; (i) transmitting the normalized route segment grip information; and (ii) normalized route. and performing at least one of storing the interval grip information.
The method comprises the steps of: receiving normalized path segment grip information generated by the computerized system from a computerized system; and providing actual route segment grip information.
The method may include calculating the vehicle's critical grip as it traverses the route segment based on the actual route segment grip information.
The denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Determining normalized path segment grip information may include calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation.
The method may include determining a normalized slip curve based on the normalized slip ratio and the normalized excitation.
Calculating the excitation may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response through small obstacles.
The 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.
Generating wheel speed information may include low-pass filtering of vehicle speed information, and the low-pass filtering may be responsive to expected wheel speeds.
Generating wheel speed information may include ignoring short term variations.
A non-transitory computer program product for generating normalized route segment grip information associated with a route segment and a vehicle, the non-transitory computer program product using sensors to determine the speed of a plurality of wheels of the vehicle. instructions for detecting, by the vehicle computer, the response of the vehicle to passing over a small obstacle based on the wheel speed information; instructions for determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the vehicle's response to passage over a small obstacle having a length less than (i) normalized path segment grip information; and (ii) executing at least one of the instructions for storing the normalized path segment grip information.
The non-transitory computer program product receives normalized path segment grip information generated by the computerized system from the computerized system and normalized path segment grip information generated by the computerized system. Instructions can be stored to denormalize and provide the actual path segment grip information.
The non-transitory computer program product may store instructions for calculating the vehicle's critical grip as it traverses the route segment based on the actual route segment grip information.
The denormalization can be based on at least some of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Determining normalized path segment grip information may include calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation.
A non-transitory computer program product can store instructions for determining a normalized slip curve based on the normalized slip rate and the normalized excitation.
Calculating the excitation may include selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response through small obstacles.
The 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.
Generating wheel speed information may include low-pass filtering the wheel speed information, and the low-pass filtering may be responsive to expected wheel speeds.
Generating wheel speed information may include ignoring short-term variations.
A vehicle system for generating a vehicle profile may be provided, the vehicle system including sensors configured to generate wheel speed information related to speeds of a plurality of wheels of the vehicle; (ii) determining a normalized path based on vehicle parameters obtained during at least a portion of the vehicle's response to passage over the small obstacle; a computer vehicle configured to determine segment grip information; (a) a communication module configured to transmit normalized path segment grip information; and a memory configured to store the normalized path segment grip information. and at least one of the modules.
Aquaplaning Wikipedia. org describes aquaplaning or hydroplaning by the tires of road vehicles, airplanes or other wheeled vehicles when a layer of water forms between the wheels and the road surface, leading to a loss of friction that impedes the vehicle's response to control inputs. It is defined as causing If it happens to all wheels at the same time, the car will essentially sled out of control. Aquaplaning is a different phenomenon than when the water on the road surface simply acts as a lubricant. Friction is reduced on wet pavement even when aquaplaning is not occurring.
It is very difficult to predict when aquaplaning will occur, so autonomous driving can be stopped whenever it rains.

BRIEF DESCRIPTION OF THE DRAWINGS The subject matter regarded as the invention is particularly pointed out and distinctly claimed in the concluding portion of the specification. The invention, however, both as to organization and method of operation, together with objects, features and advantages thereof, may best be understood by reference to the following detailed description when read in conjunction with the accompanying drawings.
[00304] FIG. 1 shows an example of some road segments and some sessions. [00305] FIG. 2 is a diagram illustrating an example of nodes and edges representing a session. [00306] FIG. 3 illustrates an example of a vehicle, network, and computerized system. [00307] FIG. 4 illustrates an example of a vehicle, network, and computerized system. [00308] FIG. 5 illustrates an example method. [00309] FIG. 6 illustrates an example method. [00310] FIG. 7 illustrates an example method. [00311] FIG. 8 shows height measurements and associated errors for two sequences of road segments. [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 illustrates an example method. [00314] FIG. 12 illustrates an example method. [00315] FIG. 13 illustrates an example method. [00316] FIG. 14 is a diagram illustrating an example of a reference map. [00317] FIG. 15 illustrates example steps of the method of FIG. 12 and the method of FIG. [00318] Figures 16 and 17 show examples of roads, road segments, roads and nodes. [00318] Figures 16 and 17 show examples of roads, road segments, roads and nodes. [00319] FIG. 18 shows the bottom of the vehicle. [00320] FIG. 19 shows the calibration function. [00321] FIG. 20 is a diagram illustrating an example of a vehicle. [00322] FIG. 21 illustrates a method. [00323] FIG. 22 illustrates an example method. [00324] FIG. 23 is a diagram illustrating an example of a vehicle profile. [00325] FIG. 24 is a diagram illustrating an example of a tour table. [00326] FIG. 25 shows an example of an idle acceleration table. [00327] FIG. 26 is a diagram illustrating an example of an acceleration table. [00328] FIG. 27 illustrates an example of creating or updating a vehicle profile. [00329] FIG. 28 illustrates an example method. [00330] FIG. 29 is a diagram illustrating an example of a vehicle's road route, maximum allowable speed, and recommended speed. [00331] FIG. 30 illustrates an example method. [00332] FIG. 31 illustrates an example method. [00333] FIG. 32 illustrates an example of an approximation of a motor efficiency function. [00334] FIG. 33 shows a table containing 48 coefficients. [00335] FIG. 34 shows an example of a non-linear approximation of a motor efficiency function. [00336] FIG. 35 is an example approximation of a fuel consumption error correction function. [00337] FIG. 36 shows a histogram of the distribution associated with weight estimation. [00338] FIG. 37 shows histograms of distributions associated with weight estimation. [00339] FIG. 38 illustrates an example method. [00340] FIG. 39 illustrates an example method. [00341] FIG. 40 illustrates an example of a vehicle, network, and computerized system. [00342] FIG. 41 illustrates an example of a vehicle, network, and computerized system. [00343] FIG. 42 illustrates an example of a vehicle, network, and computerized system. [00344] FIG. 43 illustrates an example method. [00345] FIG. 44 illustrates an example method. [00346] FIG. 45 illustrates an example method. [00347] FIG. 46 illustrates an example method and brake profile. [00348] FIG. 47 illustrates an example method. [00349] FIG. 48 illustrates an example method. [00350] FIG. 49 illustrates an example method. [00351] FIG. 50 illustrates an example of a vehicle, network, and computerized system. [00352] FIG. 51 is a diagram illustrating 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 illustrates an example method. [00355] FIG. 54 illustrates an example method. [00356] FIG. 55 illustrates an example method. [00357] FIG. 56 illustrates an example method. [00358] FIG. 57 illustrates an example method.

－ ＤＯＡ後のノードＮ_ｊ 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）
Ｐ_ＮｊＳｋ － セッションＳ_ｋにおけるノードＮ_ｊ の圧力（ＤＣオフセットを無視）
Δ_ｊｋ － 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Ｎ_ｊ とＮ_ｋ 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。
Ｅ_ｊｋ － ノードＮ_ｊ からノードＮ_ｋ への有向エッジ
｜Ｅ_ｊｋ｜ － エッジＥ_ｊｋ を通ってノードＮ_ｋ に移動する累積コスト
ｄ_{Ｎｊ，Ｎｋ} － Ｎ_ｊ からＮ_ｋ までの運転距離
Ｄ_ｅｒｒ － 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）
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（ｄ_ｊｋ）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。
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
｛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
データ構造
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ｄ_ｊｋと

を格納していることに注意されたい。
｛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
説明

データベース
ＡＯＡのデータを取得する
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。
データの永続

高度層関連付け
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。
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。
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。
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。
入力
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、
Ｎ_ｏ － ｛Ｓ_ｌ， Ｓ_ｍ．．．Ｓ_ｎ｝
Ｎ_ｊ＋１ － ｛Ｓ_ｘ， Ｓ_ｙ．．．Ｓ_ｚ｝
Ｕｐｄａｔｅｄ Ｓｅｓｓｉｏｎｓ －ＤＯＡないで移動したすべてのセッション
外れ値カットオフ幅（Ｃ_ｍａｘ）
出力
ハッシュ：｛ｎｏｄｅ＿ｉｄ ＝＞ ｎｏｄｅ｝
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｝

ステップ４２０‘は、永続的な統合結果を含む。
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。
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。
プロセス：
ノードＮｊ∈｛ Ｄｉｒｔｙ Ｎｏｄｅｓ ｝ごとに
ｍｗ＿ｅｌｅｖａｔｉｏｎ＿ｗｅｌｄｉｎｇｓテーブルにＮ_ｊ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（Ｎ_ｊ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）
カウント（異常値を含む）
高度検証
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。
定義と仮定
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
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。
測定誤差：
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［％］
Ｓｉｇｍａ－２－勾配エラー値［％］ 結果の９５％ がそれよりも優れている
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：
パスに沿った単一セッション（ランダムに選択）
パスに沿った４セッション（ランダムに選択）
パスに沿った１０セッション（ランダムに選択）
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。
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：
ノイズキャンセル／リダクション前
ノイズキャンセリング／リダクション後
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。
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。
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。
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。
曲線５１１‘における重複ノード４１の高さは、Ｈ１１ ５０１‘で示される。
曲線５１２‘における重複ノード４１の高さは、Ｈ１２ ５０２‘で示される。
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。
図９は、本発明の一実施形態による方法７００を示す。
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。
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。
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：
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。
気圧計測定値のローパスフィルタリングを実行する。
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。
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。
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。
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。
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。
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。
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。
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：
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
物理事象の測定
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
説明を簡単にするために、以下を仮定する。
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。
車両は、後輪駆動構成を有し、後輪は駆動輪である。
４つの車輪すべての車輪運動パラメータが監視される。
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。
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。
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。
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。
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。
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。
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。
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。
衝突は、以下によって検出することができる：
駆動輪－急激な瞬間的な速度低下。
非駆動輪－急激な瞬間的な速度低下。
加速度計－ＸおよびＺの表示、ハイパスフィルタ（ＨＰＦ）に続く。
気圧計－急激な高さの増加。
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。
スリップは、次のようにして検出することができる：
駆動輪－急激な瞬間的な速度上昇。
非駆動輪－わずかな瞬間速度低下。
加速度計－ＸおよびＺの表示、ＨＰＦに続く。
気圧計－急激な高さの減少。
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。
スリップは、次のようにして検出することができる：
駆動輪－急激な（ただし、瞬間的ではない）速度上昇
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。
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。
スピンは、以下の式によって検出することができる：
駆動輪－急激な（しかし瞬間的ではない）速度低下。
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。
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。
緯度スピンは、以下の式によって検出することができる：
駆動輪－明確な速度変化はない。
非駆動輪－明確な速度変化はない。
加速度計－Ｙ－Ｚ上の別個の動きベクトル：
緯度スピンは、衝突またはスリップよりも時間的に長い。
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。
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。
緯度スピンは、以下の式によって検出することができる：
駆動輪－明確な速度変化なし。
非駆動輪－明確な速度変化はない。
加速度計－Ｘ－Ｚ上の別個の動きベクトル
経度スピンは、衝突またはスリップよりも時間が長い。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
例えば、ステップ８０‘及び９０‘は、以下を含むことができる：
（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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図１４は、参照マップ６００‘を示す。
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。
図１４～１７は、以下の定義を用いて例示される：
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。
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。
ウェイ（Ｗａｙ） － ノードの順序付きコレクション。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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）。
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。
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。
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。
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。
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。
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。
図１５は、ステップ１００‘を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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）。
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。
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。
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。
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。
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。
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。
車両５１は、どのような種類の車両であってもよい。
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。
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。
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。
加速度計５１５は、３軸加速度計であってもよい。
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。
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。
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。
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。
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。
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。
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。
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。
図２１は、方法８００の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
車両プロファイル
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。
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。
図２２は、方法９００の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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：
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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：
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。
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。
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。
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。
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。
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：
以下の要素を使用する：
ｍｇΔｈ －燃料が高度ポテンシャルエネルギーに転換される。
ｍ（ｖ_２ ^２－ｖ_１ ^２）／２ －燃料が運動エネルギーに転換される。
ｋ_２ｍｘ －摩擦（質量の影響）に転換されたエネルギー
ｋ_３ｘｖ^２ －摩擦（抗力）に転換されたエネルギーを表す。
＊巡行定常状態（すなわち、速度は一定であり、Ｔ_ｓｓ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。
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：
Ｅ_Ｆｕｅｌ －燃料エネルギーを表す。
最後に、以下を得る：

定義：
Ｋ_２－係数は、各セッションの終わりに与えられる。
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＝Ｖ_ｓｓ＊Ｔ_ｓｓ）ごとに決定される。
Ｓ_０ －パーセントで表した定常状態勾配
Δｈ －高度差（傾きとｘから得られる）
ｍ_０ ＝ （ＦＷ－ＥＷ）／２（ＶＣＴあたり）
ｍ_ｒｅａｌ －現在のセッションの実際の推定ウェイト
Δｍ ＝ ｍ_ｒｅａｌ － ｍ_０ －質量変化（ｍ_０ から）
ｄｈ － 質量変化の結果である高度差の有効な変化
Ｓ_ｎｅｗ －重み付きｍ_０の新しい勾配（Ｓ_０とΔｍを考慮）
勾配の関係とｈ

勾配とエネルギー方程式の関係は次の通りである：

Δｍの追加と同じ燃料消費（ΔＥ_Ｆｕｅｌ）を引き起こすｄｈを見つけたいので、解く必要がある：
（ｍ_０＋Δｍ）ｇΔｈ＋（ｍ_０＋Δｍ）ｋ_２ｘ ＝ ｍ_０ｇ（Δｈ＋ｄｈ）＋ｍ_０ｋ_２ｘ
ΔｍｇΔｈ ＋Δｍｋ_２ｘ ＝ ｍ_０ｇｄｈ －＞ ｄｈ ＝ Δｍ／ｍ_０ （Δｈ ＋ｋ_２ｘ／ｇ）
ここで、新しい勾配は以下である：

そこで、新しい有効勾配にマッピング（Ｓ_０，ｍ_０，Δｍ，ｋ_２ ）する関数を見いだした。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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：
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。
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。
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。
ギアは、４～１６の範囲であり、粒度は１である。
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。
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。
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。
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。
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。
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。
車両５１は、どのような種類の車両であってもよい。
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。
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。
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。
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。
加速度計５１５は、３軸加速度計であってもよい。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
各部分は、複数の経路区間を含むことができる。
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。
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。
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。
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。
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。
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。
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。
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。
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。
重量
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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：
ｍ（ｖ_２ ^２－ｖ_１ ^２）／２ －燃料が運動エネルギーに転換される
ｍｇΔｈ －燃料が高度ポテンシャルエネルギーに転換される
ｋ_１ｘ － 摩擦に転換されたエネルギーを表す
ｋ_２ｍｘ － 摩擦（重量の影響）に転換されたエネルギーを表す
ｋ_３ｘｖ^２ －摩擦（抗力）に転換されたエネルギーを表す
ｋ_４ｍｘｖ^２ －摩擦（重量を含む）に転換されたエネルギーを表す
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。
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（ｖ_２ ^２－ｖ_１ ^２）／２ ＋ ｍｇΔｈ ＋ ｋ_１ｘ ＋ ｋ_２ｍｘ ＋ ｋ_３ｘｖ^{２ ＋} ｋ_４ｍｘｖ^２
車両の質量を抽出することができる：

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。
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。
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。
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。
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。
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。
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。
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。
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）。
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。
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）。
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。
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。
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。
図３０は、方法１００”を示す。
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。

ここで、「ａｍｅ」は推定モータ効率関数の値であり、ｖ_２は経路区間の終点における車両の速度であり、ｖ_１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。
ステップ１１０”は、複数の重量推定値を提供する。
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。
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。
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。
（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：
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。
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。
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。
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。
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。
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。
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。
ステップ１３０”は、１つ以上のステップを含むことができる。
自律車両アプリケーションの更新。
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。
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。
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。
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。
車両を特定のクラスの車両に分類する。
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。
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。
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。
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。
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。
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。
近似１１００は、係数ａ_１、ａ_２およびａ_３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ａ_３は、頂点１１０２の値とすることができる。係数ａ_１は、エッジ１１０５の傾きの逆数であってもよい。係数ａ_２は、エッジ１１０４の傾きの逆数とすることができる。
近似の任意の他の表現を使用することができる。
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。
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、ａ_１，１からａ_１６，３を含む。
図３４は、モータ効率関数１１００の非線形近似１１１１の例を示す。
図３５は、燃料消費誤差補正関数の概算１１４０の一例である。
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。
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。
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。
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。
図３６は、２つの別個のクラスタ１１２１および１１２２を示す。
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。
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。
図３７は、２つの別個のクラスタ１１３１および１１３２を示す。
図３８は、方法２００”を示す。
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。

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。
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。
ステップ２１０”は、複数の重量推定値を提供する。
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。
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：
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。
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。
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。
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。
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。
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。
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。
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。
ステップ２３０”は、１つ以上のステップを含むことができる：
自律車両アプリケーションの更新。
Ａｄｖａｎｃｅｄ Ｄｒｉｖｅｒ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍｓ （ＡＤＡＳ）アプリケーションの更新。
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。
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。
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。
車両を特定のクラスの車両に分類する。
図３９は、方法３００”を示す。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。

ステップ３２０”は、以下の少なくとも１つを含んでもよい。
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。
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。
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。
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。
品質特性を各重量推定値に関連付ける。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
車両５１は、どのような種類の車両であってもよい。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図４３は、方法６００”を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、ｋ_１、ｋ_２、ｋ_３およびｋ_４から構成される。
ａｍｅは推定モータ効率関数の値である。
ｖ_２は、新たな経路区分の終点における車両の速度である。
ｖ_１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。
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。
グリップ
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図４４は、方法２１００の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図４５は、ステップ２１２０の例を示す。
ステップ２１２０は、以下のステップを含むことができる。
第１～第４車輪速度信号（２１１１～２１１４）の受信または生成。
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。
車輪速度処理２１２２。
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。
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。
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。
ターンを検出する。２１２５。
補償（補正）された車輪速度の読み取り値を計算する。２１２６。
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。
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。
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。
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。
図４６は、ステップ２１４０の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
図４７は、ステップ２１６０の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図４９は、方法２３００を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
小さな障害物には次のような性質がある。
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。
タイヤ外周に比べて長手方向に短い。
例：
舗装亀裂
橋のつなぎ目
小石
小枝
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。
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。
水平方向の減速－斜面への「衝突」による。
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。
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。
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。
車輪速度
ブレーキトルク
エンジントルク
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。
車両重量
タイヤの圧力
タイヤの健康状態（剛性）
車両速度
ダンパー
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。
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。
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。
図５３は、方法２１０５を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
図５４は、ステップ２１４０‘の一例を示す。
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。
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）。
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。
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。
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。
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。
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。
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。
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。
図５５は、ステップ２１６０‘の一例を示す。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
特定の試験の間に気候が変化することがある。
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。
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。
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。
アクアプレーニング（ＡＰ）
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。
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。
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。
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。
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。
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。
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）。
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。
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。
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。
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。
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。
定義と注釈
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。
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。
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。
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。
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）
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。
アクアプレーニング事象（ＡＰ）－車両下でＡＰ現象を検出した。
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。
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。
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。
前提条件
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。
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。
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。
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。
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。
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。
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。
正確な時間は、温度、風、湿度の状態に関係する場合がある。
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。
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。
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。
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）。
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。
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。
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。
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。
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。
シグネチャ検出
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。
例－水内（性能試験場、冬季の通常道路）走行の記録
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。
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。
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。
仮想ＡＰセンサを生成する。
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
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。
降雨率仮想センサ
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
アクアプレーニング層
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）。
入力
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。
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。
送ウィンドウ降水量（ＡＷＰ）
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。
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。
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。
蒸発速度は、以下のパラメータに依存する。
温度－温度が高いほど、水の蒸発速度は高くなる。
湿度－湿度が低いほど、蒸発速度は高くなる。
風－風が強くなるにつれて、蒸発速度は高くなる。
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。
アクアプレーニングＶｓ．降水率マッピング
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。
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。
構造（例）：

学習
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。
ステージ＃１： ＡＰイベント
所与：各車両のＴＡＨ、ＡＰ Ｖｓｅｎｓｏｒインスタンス
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。
ＡＰが検出された地図ノード（道路区間）を見つける。
各ＡＰイベントについて、ＴＡＨを補償（補正）する：
車両のＴＡＨによりＡＰイベントの大きさを因子化する。
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。
正規化ＡＰ（ＮＡＰ）イベントの生成
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。
すなわち、ＴＡＨによる因子化後の大きさ
ステージ＃２：降雨率（ＰＲ）
すべてのＰＲ Ｖｓｅｎｓｏｒを検索する。
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）。
気象レポートサービスとの接続の確立
各道路区間周辺のＰＲ値を抽出
（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。
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
併合
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。
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。
ステージ＃１： ＰＷＴ
降水量ウィンドウ時間（ＰＷＴ）［ｍｉｎ］を計算する。
所与条件：温度、風、湿度
ステージ＃２： ＭＰＲ
道路と時間のＰＷＴが与えられる。
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：
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
周辺のＰＲを抽出する。
すべてのＰＲを平均する。
層を除去する。
ステージ＃３： ＡＷＰ
ＭＰＲが与えられる
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。
ステージ＃４： ＤＶＰテーブル
道路区間当たり
所与：
区間のＡＷＰＰ
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）
プロセス
ＮＡＰを平均し層を除去
低下Ｖｓ．降水マッピングの生成
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。
ＮＡＰを平均化する。
マッピングテーブルにＡＷＰ範囲エントリを入力する。
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。
使用－アクアプレーニング予測
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：
道路区間毎ＡＷＰ毎のＡＰ重大度
車両当たり： ＴＡＨ
各車両に付加される変数（経年変化）
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。
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。
所与：
車両前方の特定の道路区間当たり
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。
タイヤアクアプレーニング健康状態 （ＴＡＨ）－ 特定の車両ごと
地図から読み出し：
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
ＴＡＨで補償（補正）
リターン：
グリップを実質的に失う前の最大安全速度
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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
In the following detailed description, numerous specific details are set forth in order to provide a thorough understanding of the invention. However, it will be understood by those skilled in the art that the present invention may be practiced without these specific details. In other instances, well-known methods, procedures and components have not been described in detail so as not to obscure the invention.
It will be understood that elements shown in the figures are not necessarily drawn to scale for simplicity and clarity of description. For example, the dimensions of some of the elements may be exaggerated relative to other elements for clarity. Further, where considered appropriate, reference numerals may be repeated among the figures to indicate corresponding or analogous elements.
Any reference herein to a system should apply mutatis mutandis to the methods that may be performed by the system.
Since the illustrated embodiments of the present invention can in most cases be implemented using electronic components and circuits known to those of ordinary skill in the art, the understanding and understanding of the underlying concepts of the present invention are , and in order not to obscure or divert the teachings of the present invention, no greater detail than is deemed necessary as indicated above is provided.
Any reference to a method herein should apply mutatis mutandis to a system capable of executing that method, a non-transitory computer storing instructions that, once executed by a computer, result in execution of that method. It should apply mutatis mutandis to readable media.
Any reference herein to a system should apply mutatis mutandis to a method that can be performed by the system, a non-transitory computer-readable medium that stores instructions that, once executed by a computer, result in execution of the method. should be applied mutatis mutandis.
Altitude data and barometer noise estimation
According to one embodiment of the invention, the method may include an initial error correction process and a localization process that associates the barometer readings with the position of the vehicle.
FIG. 1 shows several examples of road segments including north-south road segments 11, 15, 18, east-west road segments 12, 13, 14, 16, 19, and curved road segment 17. FIG. All road segments except road segment 14 are two-way roads with one lane per direction, and road segment 14 has two lanes per direction.
There are three drive sessions, each drive session represented by a position reading, such as a GPS reading, which may or may not be aligned with a road segment.
The first drive session is indicated at 21 and passes through the left lanes of road segments 12, 13 and 14 .
A second drive session is indicated at 22 and passes through road segments 11 , 15 , 16 , 17 , 18 , 19 .
A third drive session is indicated at 23 and passes through the right lane of road segments 19, 18, 17, 16, 15, 13 and road segment 14 .
FIG. 2 shows an example of nodes and edges representing a session.
A first session 21 is represented by a first sequence of nodes and edges 31 .
A second session 22 is represented by a second sequence of nodes and edges 32 .
A third session 23 is represented by a third sequence of nodes and edges 33 .
The first, second and third sequences of nodes and edges 31, 32, 33 share an overlapping node (duplicate node) 41 representing the junction formed by road segments 11, 13, 11 and 15, respectively. do.
The height of duplicate nodes 41 must be the same in each of the first and second sequences of nodes and edges 31,32.
The third and second sequences of nodes and edges 33, 32 share multiple duplicate nodes 42 representing the overlap between these sessions.
The height of each of the duplicate nodes 41 must be the same in each of the third and second sequences of nodes and edges 33,32.
The proposed method is applicable to other road networks and is typically used to map much larger road networks, which can contain hundreds, thousands or even more roads, and is used nationwide. road networks, regional road networks, etc.
A duplicate node may become an associated node when the duplicate node undergoes an association process.
The association point association process involves equalizing the height estimates of association points in different sessions, despite initial differences in height estimates (correlation error). This error is distributed along different nodes of the graph. The allocation (distribution) may be any allocation (distribution), in particular a distribution that reduces the impact of the association process at increments of distance from the association point.
The association operation can take into account many (any number from 100,000 to 100,000 or more) duplicate nodes shared between road segments (between multiple sequences of nodes).
The association process calculates an association error (different height measurements associated with the same duplicate node) and takes into account the propagation process, e.g., by limiting the propagation distance of the association error and/or smaller than a threshold By ignoring the association error (pre-propagation or post-propagation), we can try to distribute the association error among the nodes.
FIG. 3 shows an example of a vehicle 50, a network 62, and a computerized system 60. FIG. FIG. 4 shows another example of a vehicle 50, a network 62, and a computerized system 60. As shown in FIG. FIG. 4 differs from FIG. 3 by additionally including a processor 55 .
Vehicle 50 may be any type of vehicle. FIG. 5 shows a vehicle including a barometer 51, other sensors 52, a vehicle computer 53, an air conditioning module/fan 54, windows 57, and a communication module 58. FIG.
A barometer 51 is shown located at the front of the vehicle 50 . The barometer can be placed anywhere within the vehicle 50 . There may be one or more barometers.
Other sensors 52 may sense various parameters related to vehicle and/or ambient conditions. Other sensors 52 include at least one of accelerometers, speedometers, thermometers, window condition sensors, air condition module/fan condition sensors, engine sensors (such as fuel consumption sensors), or any other sensors. be able to.
The vehicle computer 53 can monitor the status of various components and/or systems of the vehicle, and can control various components and/or systems of the vehicle, in any of the ways described herein. may or may not be involved in the execution of
Communication module 58 may communicate with computer system 60 via network 62 .
Communication module 58 may be a near field 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.
A vehicle may include multiple windows, and for ease of illustration only a single window 57 is shown.
Vehicle computer 53 may include a processor and 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 non-volatile memory.
Computer system 60 is located within a cloud computing environment and may include one or more servers, or any combination of computers.
Any of the steps (shown in this application) involving processing, calculations, etc., may be performed by vehicle computer 53 , processor 55 and/or computer system 60 .
Initial error correction processing
Initial error correction processing may include the driving itself (e.g. acceleration, deceleration), road conditions (e.g. bumps, potholes), and the opening and closing of one or more windows (or other openings in the vehicle), fan and/or air It can include correcting barometer errors resulting from events affecting other barometers, such as events affecting other barometers, such as the operation of the state module.
It is beneficial to perform initial error correction processing before affecting barometer readings from other vehicles, thereby reducing the effects of barometer errors.
The initial error correction step may include detecting an event affecting the barometer by directly or indirectly sensing the event affecting the barometer. Sensing 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 can only consider accelerometer readings. , speed sensors, fuel consumption sensors, air conditioning and/or fan sensors or control modules (such as other sensors 52).
Events affecting the barometer can include velocity changes. For example, when the vehicle accelerates, the air in the cabin is pushed rearward. If the barometer is placed on the dashboard of a vehicle, acceleration causes a pressure drop in the environment of the barometer. This pressure decrease can be erroneously interpreted as higher altitude (lower pressure readings). On the other hand, as the vehicle decelerates, air moves forward causing a pressure increase around the barometer, which can be erroneously interpreted as higher altitude (higher pressure reading). Acceleration and deceleration can include linear and non-linear acceleration and deceleration. Non-linear acceleration can result from turns.
Events affecting the barometer can include opening a window. When the windows are open, especially when driving at high speeds, gusts of wind can occur inside the vehicle, and air suction can cause low pressure.
The initial error correction process involves learning the relationship between barometer affecting events (events that affect the barometer) and barometer readings, information about the relationship between barometer affecting events and barometer readings, and , dynamically updating relationships between barometer influencing events and barometer readings, and the like.
Changes in air pressure occur relatively slowly. Unless anomalous conditions exist, the air pressure of the environment changes very gradually and should remain substantially constant over an area of hundreds of meters or even more in length. Abrupt changes in barometer readings may be associated with barometer impact events. The occurrence of a barometer effect event can be detected by an accelerometer, a ventilation control unit sensor, a temperature sensor that senses rapid changes in the temperature of the interior space of the vehicle due to the opening of a window, and a sound associated with the opening of a window. It can be verified or detected using other vehicle sensors such as acoustic sensors, air conditioning unit operation, etc.
Once a barometer affecting event is detected, barometer readings obtained during the occurrence of the barometer affecting event may be discarded and/or corrected for errors introduced by the barometer affecting event. may be corrected by
For example, the method can include detecting velocity changes that can lead to spurious slopes in barometer readings. These spurious slopes may be smoothed. False tilts may appear at predefined locations (eg, decelerate before entering a junction (particularly a crossed junction) and accelerate after exiting the junction). The locations of junctions (particularly crossed junctions) may be known a priori, which can help locate spurious slopes associated with junctions.
Junction locations may be learned from a map or other database that stores junction locations and/or may be learned from the appearance of false slopes in the barometer readings of many vehicles passing through the junction. .
The change in pressure and change in height per distance may be relatively limited or at least estimated or known in advance. For example, road slopes may be moderate, especially in non-mountainous areas, and barometer readings representing altitude changes beyond slope may be discarded or filtered (eg, low-pass filtered). Low-pass filtering, for example, passes about 5 hertz or any other selected frequency.
location process
The location process involves transforming vehicle location data into nodes of a graph representing a network of roads. Nodes and graphs are merely non-limiting examples of virtual representations of road networks.
Transformation can include, for example, mapping GPS readings to a list of nodes in the graph. Mapping can involve finding the best match (or sub-optimal match) between GPS readings and nodes. Matching can include finding the closest road that can match the GPS reading.
GPS readings are just one non-limiting example of vehicle position data. Other sensors and/or location modules (in-vehicle or off-vehicle) can provide vehicle location data.
The location process continues by associating barometer readings with nodes in the graph, thereby facilitating the height estimation process that considers barometer readings from multiple vehicles during multiple time points. .
For example, referring to FIGS. 1 and 2, GPS readings representing drive sessions 21, 22 and 23 are represented by corresponding road segments and corresponding first, second and third segments of nodes and edges 31, 32 and 33. should be mapped to a sequence of
The height estimation process may consider barometer readings taken during multiple sessions. A session represents the propagation of a vehicle along a route over a period of time.
A session can have a maximum allowable length, a maximum allowable duration (time), and can be associated with continuous barometer readings. A predefined number of barometer reading gaps (a predetermined number of consecutive nodes in the graph without barometer readings) may be defined as the boundary between two sessions. The maximum allowable length can be determined from the expected ambient pressure variations.
After assigning barometer readings to nodes of the graph, the method may include estimating barometer readings for nodes not associated with barometer readings. Estimation can include extrapolation or any other estimation method.
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.
Barometer readings associated with different nodes can be converted to nodal height estimates.
After assigning barometer readings and/or height estimates to the nodes of a session, the height estimation process runs a multi-session height estimation process that takes into account barometer readings obtained during other sessions. be able to.
The multi-session height estimation process may be an iterative process in which barometer readings from new sessions are merged with barometer readings obtained from other sessions.
The multi-session height estimation process consists of (a) session constant offset, i.e. altitude shift (altitude error) across the path due to changes in ambient pressure, and (b) intersession offset, i.e. Changes in ambient pressure, or defining too long sessions can be compensated for.
FIG. 5 illustrates a method 100 according to one embodiment of the invention.
Method 100 is a height estimation process.
Method 100 may begin with an initialization step 110 .
Step 110 may include determining the relationship between the nodes of the new session and the nodes of the previous session.
A new node is a node in a new session that was not included in the previous session.
Following step 110 is step 120 of (a) defining the altitude of the new node (if any) as the altitude obtained from the new session, and (b) merging the height estimates of the other nodes of the new session. Continue.
For example, step 120 finds duplicate node 42 , duplicate node 41 and multiple new nodes 43 when the previous session included first and second sessions 21 and 22 and then evaluates third session 23 .
Merging can include compensating for session constant offsets and inter-session offsets.
An example of step 120 below may be described using the following notations and acronyms.
AC offset - inter-session offset
AOA-AC Offset Algorithm (also called Inter-Session Offset Algorithm)
DC Offset - session constant offset
MDB - map database, holding the results of the Learn and Merge process: altitude 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 phase
Number of N-SDB sessions
Iteration # of q-DOA, q=1,2, . . . , N
OLN_{i, q} - Duplicate node during iteration #q, session S_iand the remaining session S₁, S₂, …, S_q(S_i) among groups of duplicate nodes {N_j}
OLN_i - Duplicate node, session S_iand the group of duplicate nodes {N_j}
M._{i, q}-OLN_{i, q}, j=1, 2, . . . , M_{i, q}so that
M._i-OLN_inumber of nodes in
C._Nj -N_j Counter, number of different sessions, from Server init, including node Nj
TC_i- Total C_i OLN_itotal number of all nodes in
M._Sk- Session S_ktotal number of nodes in
P(N_j, S_k) - [P] - node N_jinitial pressure height at session S_k, k=1, 2, . . , N, j=1, 2, . . . , M_Sk
DC OFF (S_k)-[P]-session S_k(k=1, 2, . . . , N) current known DC offsets, P(N_j, S_k), j=1, 2, . . . , M_Sk is added to the
OLS_{q, j} - Overlapping Sessions per Node - Node N_jsubgroup {S₁, S₂. . , S_q}
OLSe_{q, j} -OverLapping Sessions Excluding duplicate sessions, node N_jsubgroup {S₁, S₂. . , S_q} (S_q itself)
OLS_i -OverLapping Sessions per Session Overlapping sessions per session, node N also included in Si_msubgroup {S₁, S₂. . , S_q}
M._qj- Subgroup OLS_{q, j}the size of
Me_qj- Subgroup OLSe_{q, j}the size of
dOF(OLSe_{q, j})-[P]-OLSe_qj New incremental DC offset added per session with
P._m(OLS_{q, j})-[P]-average of DC-node N_jDC compensation pressure height at: P(N_j, S_k) + DC OFF (S_k), OLS_{q, j} S of_kfor every
P._Nj- node N_jassigned pressure, S₁, S₂. . . , S_N-1After Learn and Merge of
E._min - [P] - P_m minimum change (threshold) of, requiring a propagated update of the session's DCOFF
AC OFF (S_k, N_j) - [P] - S_k a particular node N in_j DC OFF (S_k) to the calculated additional offset
MS-Modified Sessions, list of all session IDs for which DCOFF was updated during DOA
MN—Modified Nodes, P during DOA_Nj all node IDs N_j list of
Session constant offset correction
This process aims to overcome fixed variations (in time and space) of ambient pressure. After the learning phase, this process can go over all the new sessions in the SDB and try to find how to best correlate them with each other to generate the 3D frame of the map.
Assumption—SDB holds N sessions containing data after learning phase
Target-DCOFF(S_k), k=1, 2, . . . , N—find the differences that must be added to the height of each session to be optimal with each other
Step 120 may include step 130 of session constant offset correction.
Step 130 can include an initialization step 132 that sets parameters:
DC OFF (S_k)=0, k=1, 2, . . . , N
E._min= 2 [P] = ~20 [cm]
Agg_cntr=0.
Step 132 may be followed by step 134 of iteratively advancing the SDB, each iteration taking into account a new session. Each iteration may include:
Find height estimates for duplicate nodes belonging to different sessions.
Calculate the height estimation error between the height estimate of the currently evaluated session and the height estimate of the previously processed session.
Attempts to reduce attributes associated with height estimation error, preferably without association. This can include, for example, reducing overall height error.
FIG. 9 shows three sessions 610, 620, and 620 with different height estimates. There are three pairs of duplicate nodes.
A first pair comprising node 611 of session 610 and node 631 of session 630 .
A second pair comprising node 612 of session 610 and node 621 of session 620 .
A third pair including node 622 of session 620 and node 632 of session 630 .
Each pair of duplicate nodes points to the same location and each pair has a height estimation error, i. related to the difference between
Step 134 reduces the overall height error, e.g., reducing the sum of height errors, reducing the weighted sum of height errors, reducing the sum of squared height errors. can include things like
It may be assumed that all sessions are new or at least one session is new.
The lower part of FIG. 9 shows the height error correction process of step 134—session 630 was lowered (the height estimate of the node associated with the session was lowered) and session 620 was raised (the height of the node associated with the session 3 sessions after increased estimates) are shown.
The updated height errors D13' 641', D12' 642', and D23' 643' are smaller than the height errors D13 641, D12 642, and D23 643.
Step 134 is for each S in the SDB._q, q=1, 2, . . . , N iterations.
Step 134 is:
S._qqueue
For each new session, find its best DCOFF and propagate changes within the frame--
While Queue not empty
S._i = session from top of queue
Find OLN_{i q}
For each N_j in OLN_{i q} Calculate mean P of N_j, prior to adding (i.e. excluding) S_i: P_m(OLSe_{i, j}) = (1/Me_{i, J})*sigma(k=1, k<=Me_{i, j}) [P(N_j, S_k) + DC OFF (S_k)]
Calculate offset for the new session Si, so that deviation of its overlapping nodes N_j from their P_m will be evenly distributed (or distributed in another predefined manner): Delta_DCOFF(S_i) = (1/M_i)*sigma(k=1, k<=M_i) [P_m(OLS_i-1,j)-P(N_j, S_i)]
If Delta_DCOFF(S_i) > E_min
DC OFF (S_i) += Delta_DCOFF(S_i)
Propagation: Calculate the small offset to propagate into the map: for each N_j in OLN_i
Calculate dOF (OLS_{i, j}) = Pm(OLS_i,j)-Pm(OLS_i-1,j).
For each S_q in {OLS_i,j} excluding S_i update:
Agg_DCOFF(S_q) += dOF(OLS_i,j)
Agg_cntr++
If ABS(Agg_DCOFF(S_q)/Agg_cntr) > E_min // in case of substantive change
DC OFF (S_q) += Agg_DCOFF(S_q)/Agg_cntr
Insert S_q into the end of queue
End:
Update DC-Offsets: Insert DC OFF (S_i) into SDB, for all session S_i, i=1, 2, . . , N

At step 130, all nodes in the session may be raised or lowered in a similar manner.
Step 120 may also include step 140 . Step 140 may include inter-session offset correction.
Step 140 may include compensating for changes due to the local nature of ambient pressure, such as:
Choose sessions that are too long in the sense that they cover locations with different ambient pressures.
Select sessions with long periods of ambient pressure change.
Step 140 searches for duplicate nodes of the new session that (a) (i) overlap with nodes of other sessions and (ii) have their heights modified during step 120 of session constant offset correction. 142; (b) performing a height correction 144 so that the height of each duplicate node in the new session is equal to the height of the duplicate node in the other session; and distributing 146 the corrections made in the session to the other nodes of the session according to a predetermined error distribution.
FIG. 10 shows the three sessions after the three duplicate nodes have been associated (height-equalized) to provide three association points. The association includes adopting the height of one of the duplicate nodes (after session constant correction) or calculating a new weight for the association point based on the height of at least one updated duplicate node. be able to.
Non-limiting assumptions:
Ambient pressure changes are gradual, so the AC offset should be gradual.
A given behavior of the ambient pressure can be assumed, for example, to be a uniform distribution of ambient pressure changes.
The ambient pressure of each node over time is uniformly distributed. Therefore, looking at the value histogram per node, we get a Gaussian-like structure.
Goal-Premise S_q, q=1, 2, . . . , N, session in SDB, DCOFF updated using DOA (DC offset algorithm) (S_q) with
S._q ACOFF(S_q, N_j) for:
DC OFF (S_q) + ACOFF(S_q, N_i) makes all duplicate nodes in the SDB have the same height.
The "noise" is distributed according to a predetermined distribution, eg a uniform distribution along the session.
Output - update altitude for each node in MDB
Step 140 includes the following.
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 S Queue:
-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
// stage #2 "Smoothing": fine tune nodes height adjacent to "welded" nodes from stage #1 adjust.
while NQueue not empty:
Take N_j from top of NQueue
For each S_k in OLS_ij
Find an adjacent OLN on S_k, closest to N_j. Denoted by: {N_A. ^jk}
For each N_a in {N_A. ^jk}
Calculate AC OFF₁ = P(S_k, N_a) + DCOFF(S_k)-P_m(N_a)
Calculate AC OFF₂ = P(S_k, N_j) + DCOFF(S_k)-P_m(N_j)
Go over all nodes N_z on S_k, located between N_a and N_j, and refine their elevation P(S_k, N_z) to be linearly distributed (or according to another predefined distribution) between ACOFF₁ and AC OFF₂
Update elevation of N_z in MDB

FIG. 6 illustrates a method 200' according to one embodiment of the invention.
Method 200' is a height estimation process.
Method 200' is more efficient than method 100 because it does not recalculate the height or height correction parameters for each node of the previous session.
Method 200' may 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 C_Nj, total number of times we got pressure value for Node N_j - init to 0.
MW_NODES - replace field ELEVATION with field PRESSURE - holds P_Nj - 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)
The method 200' uses an advanced (height) to define a pressure preprocessing noise reduction algorithm as part of an advanced (height) learning phase to run prior to merging data associated with new and previous sessions. height) can include learning corrections.
Instead of reading the pressure associated with all previous sessions and generating a weighted average between new and previous sessions, method 200' reads the last average P_Njand its counter C_Njto save. Nj is the jth duplicate node. Cnj—Number of sessions associated with duplicate nodes.
In method 100, DOA is run over all sessions from the beginning, followed by AOA at node N to gain altitude. On the other hand, method 200' may be performed more incrementally in nature. Given a new session Si, the method uses statistics about the previous session. For example, P(N_j, S_q) + DC OFF (S_q) from MW_NODES instead of P_Njand so on. In this way, AOA results are also taken into account.
In method 200', the association phase (P_Njweighted average of ) is done in DOA instead of AOA
Method 200' includes Delta_DCOFF(S_i) and − each N_jdifferent C_Nj should be weighted according to N._jis S_iis a duplicate node of .
The method 200' may involve using a new list called Modified Sessions (MS) that holds the IDs of sessions that DCOFF has updated during the DOA phase. This is used in the AOA stage.
Method 200' performs P_Njmay include adding a new list called Modified Nodes (MN) that holds the IDs of nodes that have been updated. This is used in the AOA stage.
The method 200' includes a step 220' following the initialization step 210' to define the altitude of the new node, such as the altitude obtained from the new session (if such exists); Integrate height estimates for other nodes in .
Step 220' may include a session constant offset correction step 240'.
Step 240' may include using (232') during each session, statistics related to the previous session, and information related to the new session. In particular, - step 240' creates a new session S_iincluding computation of offset updates for their C_Njtheir P, weighted by_NjIts duplicate node N from_jcan be evenly distributed (or otherwise distributed).
Expected 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 N_j P per_Njand C_Nj Values are updated in the MDB.
Session S_N.has passed the altitude (height) learning stage (noise reduction and pressure to the nodes).
Premise - new session S after advanced (height) learning phase_N.
the goal
DC OFF (S_k), k=1, 2, . . . , N—update the DC offsets that need to be added to the altitude of each previous session to make them optimal with each other
affected node N_jevery P_Njand C_Nj Update - "Association"
Step 240' includes:
Init:
Set default DCOFF for the new session - DCOFF (S_N.) = 0
Set propagation threshold: E_min = 2 [Pascal] = ~17 [cm]
Start with empty Modified Session and Modified Nodes list: NM and MS = {}
Start with processing the new session:
Insert S_N. into Queue
Process all modified sessions, until nothing to propagate
While Queue not empty
Get the next session to process: S_i = top of queue
Indicate for AOA that S_i was modified-Add S_i to MS list
Find the group of nodes {N_j} that exists in S_i and in some other Session in SDB - Get OLN_i
Assign-M_i = sizeof(OLN_i)
Retrieve last set Pressure and Counters from MDB:
For each N_j in OLN_Si - Get P_Nj and C_Nj from MW_NODES
Calculate total count of nodes in OLN_i TC_i = sigma(j = 1, j <= M_i) [C_Nj]
Calculate offset update for session S_i, so that deviation of its overlapping nodes N_j from their P_Nj, weighted by their C_Nj, will be evenly distributed:
Delta_DCOFF(S_i) =
= (1/TC_i) * sigma(j = 1, j <= M_i) [C_Nj * (P_Nj - (P(N_j, S_i) + DCOFF(S_i)))]
= (1/TC_i) * sigma(j = 1, j <= M_i) [C_Nj * (P_Nj -P(N_j, S_i))] - DCOFF(S_i)
Check if change is substantial - if Delta_DCOFF(S_i) > E_min
update offset of current processed session DC OFF (S_i) += Delta_DCOFF(S_i)
update MDB pressures for nodes in OLN_i - weighted average with the new value of S_i - "welding" - for each N_j in OLN_Si
P._Nj = (P(N_j, S_i) + DCOFF(S_i) + C_Nj *P_Nj) / (1 + C_Nj)
Add Node ID to Modified Nodes list - Add N_j to MN list
Find the sessions that might be affected due to P_Nj change-Get OLS_i
Propagation - Go over the Sessions with potential to change:
For each S_k in OLS_i:
Find the group of nodes {N_j}, common to S_k and S_i -Get OLN_{Sk, Si}
Assign: M_k,i = sizeof(OLN_{Sk, Si})
Calculate total count of the group OLN_{Sk, Si}--TC_k,i = sigma(j = 1, j <= M_k,i) [C_Nj]
Calculate the combined offset change for S_k:
Delta_DCOFF(S_k) =
= (1/TC_k,i) * sigma(j = 1, j <= M_k,i) [C_Nj * (P_Nj - (P(N_j, S_k) + DCOFF(S_k)))] = (1 / TC_k,i) * sigma(j = 1, j <= M_k,i) [C_Nj * (P_Nj -P(N_j, S_k))] - DCOFF(S_k)
Check if this is a substantial change to DCOFF (S_k):
If (ABS (Delta_DCOFF(S_k)) > E_min) Update the DCOFF:
DC OFF (S_k) += Delta_DCOFF(S_k)
Add Sk to queue to check for furthur propagation - Insert S_k into the end of queue
End:
Make sure the SDB and MDB are updated according to the above changes.
Send MS and MN to next stage - AOA
Step 240 ′ may also include step 240 . Step 240 may include inter-session offset correction.
AC offset algorithm
The AC Offset Algorithm (AOA) deals with changes in local noise and ambient air pressure over time and space that may have distorted or distorted the signal used to learn altitude (air pressure). The idea is that after DOA has done its job, the pressure of overlapping sessions should be leveled and any misses should be a result of the above reasons (local noise and skew over time and space). That's what it means.
Noise is reduced or canceled by applying a heuristic approach that approaches the problem under the assumption that there can be no points in the road network that are 'singular', which can be either single nodes (or multiple nodes). ) cannot have a very large gradient with respect to its neighbors (ie its altitude is significantly different from that of its neighbors).
Heuristics examine "association points" (i.e. nodes that are shared across different sessions and thus have average pressure values) and attempt to preserve the shape the road had before association . Let's look at an example to understand this approach:
Notation
S._i - session i
N._j - node j
P._Nj - the final pressure N at the node;_j

- Node N after DOA_j mean pressure of (for unassociated points, its original pressure + DC offset)
P._NjSk - Session S_knode N in_j pressure (ignoring DC offset)
Δ_jk - change in pressure difference between nodes J and K (effectively a change in slope between nodes)

- Node N_j and N_k The average pressure difference over all sessions between 2 appears in both.
E._jk - Node N_j to node N_k directed edge to
｜E_jk｜ - edge E_jk through node N_k Accumulated cost of moving to
d_{Nj, Nk} -N_j to N_k driving distance to
D._err - error factor (defines how much the association error should spread, default: 1m/1km);
input
{Welding Points} - the set of node ids of the welding points created by DOA
{Nodes}—Hash mapping node data to its Id.
Graph—a graph containing all associated points with a “good enough” radius around it, each vertex in the graph representing a node in the road network, and each edge measuring its length (d_jk) and the average pressure difference (

) represents a road segment with A graph may be constructed assuming that the maximum height error is related to the point of association (under maximum difference in weather conditions) and the minimum error propagated.
Allowed_Error - error (given as a percentage) output that allows each node to absorb from a single association point
{Dirty Notes} - the set of all nodes updated by the algorithm
data structure
Graph—Given as an input, the graph facilitates traversing the road network from each associated point. The graph has d_jkand

Note that it stores .
{Traversal Front}—DS used to store the current traversal point (“wave front”)
explanation

database
Get AOA data
To run AOA, we need to pre-build three data structures:
{Welding Points} set, read from mw_elevation_weldings table.
The {Nodes} map, consisting of data read from the mw_elevation_weldings and mw_nodes tables.
Graph - created by a special snake query that reads data from the mw_topology table (edges and distances) and the mw_slopes table (average pressure difference between nodes).
data persistence

Advanced Tier Association
FIG. 7 illustrates method 400'. Method 400' includes advanced layer association. Method 400' may replace either one of methods 100 and 200' and/or may be included in either one of methods 100 and 200'.
Method 400' may include steps 410' and 420'.
Step 410' includes calculating pressure values associated with duplicate nodes.
In this step, all of the 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.
input
Mapping Nodes to Sessions—Map each node Njε{OLN} to the set of sessions that pass through it. for example,
N._o - {S_l, S_m. . . S._n}
N._j+1 - {S_x, S_y. . . S._z}
Updated Sessions - all sessions moved without DOA
Outlier cutoff width (C_max)
output
Hash: {node_id => node}
Step 420' may include calculating the number of sessions containing duplicate nodes, and if there are enough sessions, calculating duplicate node pressure value statistics and removing outliers. Create an empty node hash: {Dirty Nodes}

Step 420' includes persistent integration results.
Association points should be saved so that AOA can read them once it is running.
input:
{Dirty Nodes}—Mappings between node IDs to node objects, including changed nodes.
process:
For each node Nj ∈ { Dirty Nodes }
N in the mw_elevation_weldings table_jUpsert the following information about:
Associated information:
association pressure
association standard deviation
association count
Association Point: True (N_jis an association point)
general information:
average pressure
standard deviation (including outliers)
count (including outliers)
altitude verification
One or more of the above methods combine the results of one or more algorithms with detailed elevations obtained from measurements taken along a particular route, at variable pitch, using a survey vehicle. (elevation) verified by comparison with information.
definitions and assumptions
filter:
Compare slopes and slopes of nodes defined in MW Server
Use LPF to generate gradient from input altitude
A linear extrapolation of a window of size 60 [m] around the node position, one for the MW altitude values of neighboring nodes, and a second one for accurate altitude measurements, are used to compare the two bring the gradient
Assumptions:
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 distribution of errors is Gaussian. This is the case when merging a large number of sessions in the same place.
measurement error:
Standard Deviation (Sigma-1) - the slope error value [%] that 70% of the results are better than
Sigma-2-slope error value [%] 95% of the results are better than
To demonstrate data convergence, measure the above for the following sets:
Single session along path (randomly selected)
4 sessions along the path (randomly selected)
10 sessions along the path (randomly selected)
We assume that the results of 10 sessions are close enough to the number of big data.
To demonstrate noise cancellation/reduction, measure the following:
Before noise cancellation/reduction
After noise canceling/reduction
FIG. 8 shows height measurements and associated errors associated with two sequences of road segments.
A duplicate node 41 is shared by the sequence of road segments 11,15,16,17,18 and the sequence of road segments 12,13,14.
Curve 511' shows height measurements obtained for a sequence of road segments 11, 15, 16, 17 and 18. FIG.
Curve 512' shows height measurements obtained for a sequence of road segments 12, 13, 14. FIG.
The height of duplicate node 41 in curve 511' is indicated by H11 501'.
The height of duplicate node 41 in curve 512' is indicated by H12 502'.
There is an association error WE 531' between the height of the duplicate node 41 in curves 511' and 512', so the height of the duplicate node 402 in both curves should be corrected, whereby both curves All height measurements at 511' and 512' are corrected. The association error is propagated between the various nodes, whereby the curves 511' and 512' are not only moved upward and/or downward, but also their shape may be modified in response to the propagation of the association error. Alternatively, the association error may be modified depending on whether it is applied to the node as a function of the distance between the duplicate node that generated the association error and the updated node.
FIG. 9 shows a method 700 according to one embodiment of the invention.
Method 700 may begin by step 710 of receiving or measuring internal vehicle pressure to provide a plurality of barometer measurements. Measurements are performed by the vehicle's barometer and during a given driving session while the vehicle traverses the road segment.
Step 710 may be followed by step 720 of compensating (correcting) for vehicle conditions affecting the barometer by a computer to provide a plurality of compensated (corrected) barometer readings.
Step 720 can include at least one of:
Compensation (correction) for vehicle conditions affecting the barometer is based on 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.
Performs low-pass filtering of barometer readings.
Decide to ignore at least some of the barometer measurements.
Decide to ignore at least some of the barometer measurements.
ignoring at least some of the barometer measurements when the slope of the road segment extending between the two points exceeds a maximum slope threshold, as reflected by the barometer measurements associated with the two points; decide.
Calculating the effect of the barometer impact event on the value of at least one barometer measurement.
Compensation (correction) is performed in response to acceleration and/or acceleration of the vehicle when the barometer measurements are taken.
Very noisy and/or strongly influenced by barometric impact events and/or exhibiting otherwise irrational grades (slopes contrary to road grades, e.g., grades approaching 90 degrees, about 70 degrees, etc.) It has been found that ignoring suspected barometer measurements dramatically improves the accuracy of height estimates. Rejection of barometer readings associated with a road segment is compensated for by waiting to receive other barometer readings associated with the same road segment at another time and/or from another vehicle, etc. be able to. Running the method 700 over multiple barometer measurements over hours, days, weeks, etc. fills in the missing data.
Step 720 may be followed by step 730 of compensating for vehicle conditions affecting the barometer by the computer to provide a plurality of compensated barometer readings.
Step 730 can include at least one of:
Find duplicate nodes, each duplicate node corresponds to the same location and belongs to multiple sessions.
Perform an association process to substantially equalize the height estimates of different sessions associated with the same duplicate node.
The height estimates of non-overlapping nodes are varied based on changes in the height estimates of duplicate nodes introduced during the association process.
Modify the height estimates of non-overlapping nodes by distributing height adjustments along the session according to a predefined height adjustment distribution. The predetermined height adjustment distribution can be any distribution, even or non-uniform distribution height adjustment distribution.
Perform session constant offset correction by reducing height differences between duplicate nodes without associating duplicate nodes.
Perform inter-session offset correction by applying an association process.
Calculate statistics of height estimates associated with duplicate nodes and reject one or more height estimates based on the statistics.
The method may include transmitting the plurality of compensated barometer measurements to a computerized system located outside the vehicle, the merging being performed by the computerized system.
At least part of the merging is performed by the vehicle's computer.
The method 700 is highly accurate and uses a simple imprecise barometer already installed on the vehicle. The method 700 provides an accurate height estimate even if only a few barometric pressure measurements were collected per road segment.
An accuracy of about 1 percent (up to 1 percent height error associated with the height of the route segment) is obtained when processing valid (non-rejected) barometer readings obtained during 3 passes of the route segment. Achieved.
An accuracy of approximately 0.5 percent was achieved when processing valid (non-rejected) barometer measurements obtained during 7 traversals of the route leg.
An accuracy of about 0.3 percent was achieved when processing valid (non-rejected) barometer readings obtained during 15 traversals of the route segment.
These accuracies are obtained from Oxford Technical Solutions Ltd., UK. The height measurement accuracy is comparable to that obtained using expensive dedicated equipment such as the RT3000.
Measurement of physical events
FIG. 12 illustrates an example method 10' for measuring physical events associated with multiple road segments.
Method 10' may be performed by various components, systems, or units installed in the vehicle.
Method 10' may begin with step 20' of measuring a first set of parameters with a first vehicle sensor. Measurements are made while the vehicle is traveling over a number of road segments.
Measurements may be performed in a continuous or non-continuous manner. This measurement can be performed at multiple points in time (using multiple locations) for each road segment.
Thus, the first set of parameters may be measured for multiple locations per road segment of multiple road segments.
Measurements may be performed at speeds in excess of 10 or even 100 measurements per second. For example, wheel speed can be detected at any speed, especially at least 100 Hertz. Any other rate can be used. A three-axis accelerometer can be read at any speed, especially at speeds of at least 100 Hertz. The barometer can be read at any speed, especially at speeds of at least 20 Hertz.
The first parameter set can be measured by a sensor that is not a road image sensor. A road image sensor is a dedicated image sensor for acquiring images of road sections. For example, a road image sensor may be a camera whose primary task is to acquire images of the area in front of the vehicle.
Road segments are linked together in the sense that vehicles can move from one road segment to another. The number of road segments may range between two, tens, hundreds, or even thousands.
The first set of parameters may include vehicle wheel displacement parameters and vehicle acceleration parameters.
A vehicle may include multiple wheels. The plurality of wheels may include driven wheels, non-driven wheels, or a combination of both. In a 2x4 vehicle, two wheels are drive wheels and two wheels are non-drive wheels. In a 4x4 vehicle (when operating in 4x4 mode), all wheels can be considered drive wheels.
The wheel motion parameters may reflect the rotation of all wheels of the vehicle or of at least some wheels of the vehicle.
For ease of explanation, assume the following.
The vehicle shall include a front right wheel, a front left wheel, a rear right wheel and a rear right wheel.
The vehicle has a rear wheel drive configuration, the rear wheels being the drive wheels.
Wheel motion parameters of all four wheels are monitored.
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 on a 4x4 vehicle, any number of monitored wheels, a front wheel drive configuration, and/or any number of wheels and/or drive configurations.
The method 10' may also include obtaining additional information 30' about the vehicle and/or the road segment.
The additional information may include vehicle location information and additional vehicle parameters. The position information may include the vehicle's longitudinal position and the vehicle's latitudinal position, i.e., 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 the like.
Additional information may include the location of alignment targets. Alignment targets may be used to reset virtual odometer errors. For example, an odometer can be updated based on the integral of wheel speed. Nonetheless, the wheels can slip and have a different effective radius than expected, and as a result the odometer can accumulate distance errors. These distance errors may be reset and the actual effective radius determined based on the distance between adjacent alignment targets.
The actual effective radius of a wheel (wheel) represents the actual distance traveled by the vehicle when the vehicle wheels complete a full turn. Actual effective radius may be affected by wheel air pressure, wheel weight, etc.
Step 20' may be followed by step 40' of detecting, by the vehicle computer, detected physical events associated with driving over a plurality of road segments, the detection being based on the first set of parameters.
Non-limiting examples of detected physical events may include collisions, slips, skids, spins, latitude spins, and longitude spins. Each physical event can be represented by a binary value, for example, 3 bits can represent each event type from collision, slip, skid, spin, latitude spin, and longitude spin.
Collision - Hit an element that is higher than the previous level.
For example: stepping on a ridge, stepping out of a hole.
Collisions can be detected by:
Drive Wheels - Sudden Momentary Loss of Speed.
Non-Driven Wheels - Sudden Momentary Loss of Speed.
Accelerometer - X and Z display, followed by high pass filter (HPF).
Barometer - rapid height increase.
Slip - stepping into an element lower than the previous level. Examples: stepping into a hole, stepping out of a bump.
Slip can be detected as follows:
Drive Wheels - A sudden momentary increase in speed.
Non-Driven Wheels - Slight momentary slowdown.
Accelerometer - X and Z display, following HPF.
Barometer - rapid height reduction.
Skidding - loss of tire surface grip when entering worse grip at the same height. Example: ice/oil spill/gravel/stepping into a puddle, surface height does not change.
Slip can be detected as follows:
Drive wheels - rapid (but not instantaneous) speed increase
Non-Driven Wheels - Gradually reduce speed. Drop velocity increases with axial friction.
Spin - gain in tire surface grip when entering better grip at the same height.
Example - Escape from ice/oil spill/gravel to a good grip surface with constant surface height.
Spin can be detected by the following formula:
Drive Wheels - Sudden (but not instantaneous) speed reduction.
Non-Driven Wheels - Gradual Speed Increase. The rate of increase decreases with axial friction.
Latitude spin - YZ plane motion of the vehicle, over its stationary motion. Example - Driving/overcoming road potholes (concave or convex) with one wheel.
Latitude spin can be detected by the following formula:
Drive wheels - no apparent speed change.
Non-Driven Wheels - No apparent speed change.
Accelerometer - separate motion vectors on YZ:
A latitudinal spin is longer in time than a collision or slip.
Accelerometer readings associated with latitudinal spin are less than crash or slip.
Latitudinal spin-XZ plane motion of the vehicle in addition to steady state motion. Example - stepping/climbing over a pothole (concave or convex) in a road with two wheels.
Latitude spin can be detected by the following formula:
Drive wheels - no apparent speed change.
Non-Driven Wheels - No apparent speed change.
Accelerometer - separate motion vectors on XZ
Longitudinal spins are longer in time than collisions or slips.
Accelerometer readings related to longitude spin are less than crash or slip.
Steps 30' and 40' may be followed by step 50' of generating physical event information about the detected physical event.
Physical event information may include physical events and their locations.
The position of the physical event may be calculated based on the position of the vehicle at the time the first set of parameters indicative of the physical event is measured and the positions of components of the vehicle associated with the physical event.
Step 50' may be followed by step 90' of at least one of storing, transmitting and processing physical event information. Physical event information may be further processed before being transmitted and/or stored.
Steps 20' and 30' may also be followed by step 60' of calculating road segment attributes.
Multiple physical events can be detected for each road segment, but the road segment attributes represent the entire road segment. Examples of road segment attributes are (i) the curvature of the group of road segments containing the road segment, (ii) the longitudinal slope of the road segment, (iii) the lateral slope of the road segment, (iv) the grip associated with the road segment. level, (v) may include road segment swells;
Each road segment attribute can be calculated by applying any function (such as a statistical function, especially an averaging function) to readings taken at different locations of the road segment.
Refers to the curvature of a group of road segments containing road segments. Roundabouts and curved turns can be represented by groups of road segments. The curvature of a detour or curved bend is represented by the curvature of the group of road segments.
The curvature of a group of road segments may include the radius and number of road segments belonging to the group, or any other indication of the group of road segments (eg total length).
To store the curvature of a group of road segments in a compressed manner, the curvature may be stored in association with a particular road segment of the group (e.g. the first road segment), with additional information associated with the curvature. may also indicate the size of the group of road segments to be associated.
Step 60' may be followed by step 80' of generating road segment information based on the road segment attributes. The road segment information may be a set of road segment attributes.
Step 80' may also include performing at least one of storing, transmitting and further processing the road segment information. Road segment information may be further processed before being transmitted and/or stored.
Steps 80' and 90' may be combined in the sense that road segment information and physical event information may undergo the same process of processing, storage and transmission.
For example, the method can reduce the amount of information transmitted from the vehicle by transmitting only the differences--differences--between the reference information and the information collected during method 10'.
For example, steps 80' and 90' may include:
calculating a difference between (a) a reference map of the plurality of road segments containing reference information about previously detected physical events associated with the plurality of road segments; and (b) the physical event information; send at least some of the
Determines whether to send deltas from the vehicle. If the differences are not significant, they may not be sent.
Step 50' may also be followed by step 100' of determining the position of the vehicle based on the reference map and physical event information.
FIG. 13 illustrates an example method 11' for measuring physical events associated with multiple road segments.
Method 11' differs from method 10' in that it includes a step 70' of calculating virtual sensor readings, the first set of parameters, and possibly additional information to generate the output of virtual sensors not present in the vehicle. merge with The virtual sensor readings may be processed and/or transmitted and/or stored during any of steps 80' and 90.
Method 11' differs from method 10' in that it includes a step 102' of tracking the progress of the vehicle after step 100' of determining the position of the vehicle.
Steps 100' and/or steps 102' can influence steps 80' and/or 90', for example, by providing a more accurate location based on physical event information and/or road segment attributes. In yet another example, the precise location information is used to determine (a) the difference between the reference information and the physical event information regarding previously detected physical events associated with multiple road segments, and/or (b ) The difference between the reference road segment attributes computed during step 60 and the road segment attributes - a map delta can be computed.
Method 11' differs from method 10' in that it includes step 104' of generating driving instructions and/or driving suggestions based on the location of the vehicle and the reference map. Driving suggestions may be directed to the driver of the vehicle, while driving instructions may be provided to various components of the vehicle, such as the autonomous vehicle module.
For example, the autonomous vehicle module may set the vehicle's speed to a value that matches (or substantially matches) the road segment attributes and physical events that occur in the near future as the vehicle travels the next road segment. can be done. This can increase fuel consumption and/or reduce the load on the brakes.
Referring again to step 100', step 100' involves determining the position of the vehicle based on the reference map and physical event information.
The reference map contains information obtained from one or more vehicles and/or other sources of information about road segments and physical events, including but not limited to the location of physical events.
For example, the reference map may include reference information regarding previously detected physical events associated with multiple road segments and reference road segment attributes associated with the multiple road segments.
The reference map may be updated based on information collected during method 10. FIG.
A reference map can be any arrangement or collection of information about a road segment and/or physical events associated with the road segment.
A reference map can cover roads over a predefined geographic region or area.
Step 100' may include searching the reference map for a reference sequence of physical events that matches the detected sequence of physical events.
Matching may require the order of physical events, the relative distances between physical events to be equal to each other, or to be within an acceptable margin of error.
Note that physical events may be classified into mandatory physical events and optional physical events.
A compulsory physical event is a physical event that is located within a road segment and must be sensed by the vehicle when passing the road segment. For example, a significant ridge extending along the full width of a road segment must be detected.
An arbitrary physical event is a physical event that is located within a road segment and may or may not be sensed by a vehicle as it traverses the road segment. For example, small potholes that can be bypassed when driving a road section may or may not be sensed.
This match may require the order of the constraining physical events, the relative distances between the constraining physical events to be equal to each other, or to be within an acceptable margin of error.
A physical event can be characterized by a normalized magnitude. The magnitudes are normalized in the sense that different parameters from vehicle to vehicle such as suspension, configuration, weight etc. are compensated for (corrected). Normalization can include comparing information sensed by different vehicles when passing the same road segment, estimating vehicle weight, and the like.
The matching and/or normalization process can be performed by applying any matching technique such as neural networks, deep learning, fuzzy logic, and the like.
The search can be performed within the entire reference map or part of the reference map. A portion of the reference map may be selected from the entire map based on an estimate of the vehicle's position. The estimate may be provided by a location system such as, but not limited to, the Global Positioning System (GPS).
The resolution and/or accuracy of the GPS system is usually not sufficient to provide an accurate position of the vehicle, so even if the GPS position is known, the method must still use reference maps.
FIG. 14 shows a reference map 600'.
The reference map 600' includes a base layer 610', a fixed layer 620', a fixed size sparse layer, and a variable size sparse layer 640'. The number of layers, the types of layers, and the content of each layer may differ from that shown in FIG.
Figures 14-17 are illustrated with the following definitions:
Node--the basic element of a Way. Nodes may be separated from each other up to a predetermined maximum distance (eg, tens of meters). It is also possible to define nodes with changing direction or slope.
Junction Pointer - A pointer associated with a junction node. Different junction nodes are associated with different exits from the junction.
Way--An ordered collection of nodes.
road segment--a portion of a road bounded by two adjacent nodes.
Note that road segments and nodes may be used interchangeably, for example, information about a road segment may be associated with a node that starts a road segment or ends a road segment. .
The base layer 610' can store information about the locations of road segments and the spatial relationships between the road segments. In FIG. 14, this information is laid out as a basis.
The base layer 610' contains a plurality of base way information units. Each basic way information unit can contain information about the positions of the road segments belonging to the way and the spatial relationships between the road segments belonging to the way. The basic way information unit may contain additional basic information such as the slope of the road segment and a pointer (or other search information) that points to (or enables searching for) the next way. Additional basic information can be stored in various forms, such as method headers.
Way headers may contain information such as way direction-bidirectional, unidirectional-forward, and unidirectional-reverse, way speed limit, way length, and so on.
The base layer can also store turn counters, ie statistics such as per driver, per vehicle, per driver group, per vehicle group, per period, and which turns have been made. Turn counters help predict a driver's route if a destination is provided or even if no destination is provided. Routes may be supplied to the system from navigation applications such as Google Maps and/or Waze.
The fixed layer 620' contains units of fixed size additional reference information for any road segment of the road. Each unit may contain information about each road segment.
Fixed size sparse layer 630' and variable size sparse layer 640' contain information that is not associated with each road segment of each way. The difference between these layers lies in the size of their information units: fixed size units (belonging to fixed size sparse layer 630') or variable size units (belonging to variable size sparse layer 640').
For example, some sections may belong to straight sections of the road and some sections may belong to curved sections of the road. Curvature attributes may only be associated with road segments belonging to curved portions of the road. Furthermore, instead of assigning a curvature attribute to each road segment belonging to a curved part of the road, a curvature attribute can be assigned to one of the road segments, and also information about the number of other road segments sharing the same curvature attribute. can contain.
The fixed-size sparse layer 630' contains units of fixed-size additional reference information for no road segments or only road segments of a road. Empty units (having no information) may be omitted from the table.
Variable size sparse layer 640' contains units of variable size additional reference information for no road segments or only road segments of the way. Empty units (having no information) may be omitted from the table.
Accordingly, the number of units in each of the sparse layers (630' and 640') may be less (and may be much less) than the number of units in the base layer 610' and fixed layer 620'.
Information units of variable size sparse layer 640' and/or fixed size sparse layer 630' may be accessed by applying a hash function to the address of the corresponding unit in the base layer and/or fixed layer. Any other storage device can be applied. Hash collision avoidance and/or hash collision resolution policies may apply. For example, data units with the same hash value can be stored near each other, even in a concatenated fashion.
Each information unit of each layer, or even information forming part of an information unit, can be subject to access control policies.
For example, some information units may be tagged private, other information units tagged as public, and there may be more access control levels than private and public. For example, personal information includes information about driving patterns associated with a vehicle or a driver of a vehicle, and includes public fields.
Private information may not be shared with other vehicles or may be subject to other access control rules.
Information units or portions of information units may be flagged, tagged, or marked as being associated with an access control policy.
Since the number of physical events per road segment may vary from road segment to road segment, physical event information may be included in the variable size additional reference information.
FIG. 15 shows step 100'.
Step 100' may include searching 110' for a reference sequence of physical events in the reference map that matches the detected sequence of physical events.
Step 110' may include scanning 112' the base layer and scanning 114' for reference sequences of events in variable-sized sparse layers linked to the scanned base layer.
5 and 6 show examples of roads, road segments, ways and nodes.
Way 401 (of FIG. 17) is bi-directional, contains one lane in each direction, and “covers” road portion 111 . A way 401 includes road sections separated by nodes.
Way 402 (of FIG. 17) is bi-directional, includes one lane in each direction, and “covers” road portion 112 . Way 202 includes road segments 222 and 322 and nodes 221 , 223 and 321 and 323 .
Road sections 111 , 112 , 113 , 115 are separated by junctions 120 .
Way 403 (of FIG. 17) is bi-directional, contains one lane per direction, and “covers” road portion 113 . A way 403 includes road segments separated by nodes.
Way 404 (of FIG. 17) is bi-directional, includes two lanes in each direction, and “covers” road portion 114 . A way 404 includes road segments separated by nodes.
Way 405 (of FIG. 17) is bi-directional, contains one lane per direction, and “covers” road portion 115 , road portion 116 , road portion 117 and road portion 118 . A way 405 includes road segments separated by nodes. Road section 117 is curved. One lane of road portion 117 is represented by road segments 272 , 274 , 276 and 278 and nodes 271 , 273 , 275 , 277 and 279 . The other lanes of road portion 117 are represented by road segments 372 , 374 , 376 , 378 and nodes 371 , 373 , 375 , 377 , 379 .
Way 409 (of FIG. 17) is bi-directional, contains one lane in each direction, and “covers” road portion 119 . A way 409 includes road segments separated by nodes.
Way 409' (of FIG. 17) is bi-directional, includes one lane per direction, and "covers" road portion 119'. Way 409' includes road segments separated by nodes.
Road portions 118 , 119 , 119 ′ are defined by junctions 121 .
Only road segments belonging to road section 117 have a curvature attribute. A curvature attribute 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 for nodes sharing this curvature. You may indicate the number of (5).
FIG. 16 shows road section 222 having a hole 243, a bump 242 extending along a single lane, another bump 241 extending across both lanes, and a slippery road extending along a single lane. It indicates that an obstacle such as section 244 is included.
A physical event experienced by the vehicle when traveling in one of the lanes of road segment 222 is represented by detected physical event information or by reference physical event information.
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), the coordinates of the third wheel W3 503 (X3 , Y3), the coordinates (X4, Y4) of the fourth wheel W4 504, the coordinates (X5, Y5) of the first axle center 505 coupled between W1 and W2, and between W3 and W4. 2 shows the spatial relationship between the various components of the vehicle including the coordinates (X6, Y6) of the second axle coupled to .
A physical event may be experienced by one wheel, where the position of the physical event may be attributed to the position of that wheel, or by multiple wheels (e.g., a pair of front wheels or a pair of secondary wheels). It may be due to the position of both wheels (e.g. when colliding with bumps) or it may be due to the position of the center of the axis (e.g. when sliding).
In the example of physical events such as crashes, slips, skids, 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 approximately the same time, two physical event attributes for the two front wheels are generated.
In yet another example, latitudinal and longitudinal spins can be attributed to the center of the accelerator between the front wheels of the vehicle (assuming the vehicle moves forward).
Physical event information may include the normalized magnitude of the event. Normalization can include compensating for parameters that vary from vehicle to vehicle, such as suspension, configuration, weight, and the like.
FIG. 19 shows a curve 700' that provides an example of a normalization process that includes applying a calibration factor based on vehicle weight. Different parameters of the first parameter set can receive different calibration factors.
The normalization process should take into account weight, patch size, velocity (which can be the primary normalization factor for swing), excitation (acceleration, deceleration, curve), wheelbase distance (front-to-back, side-to-side), and suspension. can be done.
FIG. 20' shows an example of a vehicle 51, a network 590 and a computerized system 592. FIG.
Vehicle 51 may be any type of vehicle.
FIG. 20 illustrates the vehicle as first wheel W1 501, second wheel W2 502, third wheel W3 503, fourth wheel W4 504, first wheel sensor WS 511, second wheel sensor WS 512. , third wheel sensor WS 513, fourth wheel sensor WS 514, accelerometer 515, barometer 516, other sensors 517, vehicle computer 550, processor 552, memory module 554, communication module (CM) 542, and man It is shown including a machine interface (MMI) 540 .
The MMI 540 can provide information to the driver, such as driving suggestions.
A barometer 516 is shown located at the front of the vehicle 51 . The barometer can be placed anywhere within the vehicle 50 . There may be one or more barometers.
Accelerometer 515 may be a three-axis accelerometer.
Other sensors 517 may sense various parameters related to vehicle and/or road conditions. Other sensors 517 may include at least one of a speedometer, thermometer, engine sensor (such as a fuel consumption sensor), or any other sensor.
Vehicle computer 550 may monitor the status of various components and/or systems of the vehicle, and may control various components and/or systems of the vehicle, in any of the ways described herein. may or may not be involved in the execution of
Communication module 542 can communicate with computerized system 592 via network 590 .
Communication module 542 may be a near field 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.
Vehicle computer 550 may include a processor and 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 non-volatile memory.
Computerized system 592 can be deployed within a cloud computing environment and can include any combination of one or more servers or computers.
Any step involving processing, calculations, etc. (and those shown in this application) may be performed by vehicle computer 550 , processor 552 and/or computerized system 592 .
A memory node 554 can store a reference map. Various components of the vehicle may perform method 10' and/or method 11'.
FIG. 21 shows an example method 800 .
Method 800 may be performed by a computerized system that may be located within the vehicle or external to the vehicle.
The method 800 transmits (a) physical event information regarding detected physical events detected by a plurality of vehicles when traveling on a road segment belonging to a region; Attributes may be initiated by step 810 receiving attributes from a plurality of vehicles, the road segment attributes being associated with road segments belonging to the region.
A region can be any predefined region, including a part of a city, an entire city, a part of a country, an entire country, parts of multiple countries, multiple countries, or even the entire world. It's okay.
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 segments or to the same road segment. There may be some overlap between road segments associated with information reported by different vehicles.
Physical event information for one vehicle of the plurality of vehicles is based on a first set of parameters sensed by a first vehicle sensor of the vehicle.
The first set of parameters includes vehicle wheel movement parameters and vehicle acceleration parameters, and the first vehicle sensor is different from the road image sensor.
Detected physical events can include, for example, at least one or more of collisions, slips, skids, spins, latitude spins, and longitude spins.
The first vehicle sensor may include an accelerometer and multiple wheel motion sensors.
The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; (v) may include at least one road segment attribute of undulation of the road segment;
Detected physical event information and road segment attributes are very compact, they can contain a small number of fields of limited size (a few bytes per field) and can be used for image-based location. is a fraction of the size required for the image to be rendered. The reference map can therefore be very small, thus saving communication, computational and storage resources while providing a very accurate description of the roads.
The first parameter set may include an error different from the visual information of the road segment and different from the error associated with the visual information of the road segment. By merging these types of information, errors in both the visual information and the information collected during steps 810 and 820 can be reduced.
Detection of physical events based on the first set of parameters is much more accurate than performing inferences based on imprecise visual information.
The method 800 can also be used under conditions that prevent the visual sensor from operating (fog, sandstorm, heavy rain, etc.).
Compact size of information (road segment attributes and/or physical event information) facilitates generation of updated information, storage of updated information, transmission of updated information, and tracking after changes in road conditions make it easier.
After step 810, step 820 of calculating a reference map by the computerized system based on the physical event information regarding the detected physical events detected by the plurality of vehicles and the road segment attributes calculated by the plurality of vehicles. can continue.
The reference map includes reference physical event information associated with segments of the region and reference road segment attributes associated with road segments of the region.
The reference map may be generated first and then updated. Updates can be continuous or non-continuous. Updates may be represented by an arrow from step 820 to step 810 .
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 reference map updates and/or when the vehicle generates deltas that are sent to the computerized system.
Delta is the difference between road segment attributes and/or physical event information and the reference map.
Step 820 may include updating only the relevant road segment attributes and/or physical event information contained in the delta.
The reference map may be the reference map of FIG. 14, but the reference map may have another structure and store different information.
A reference map may include a base layer that stores information about the locations of road segments and the spatial relationships between the road segments.
The reference map may include layers that store reference information regarding previously detected physical events associated with multiple road segments.
The reference map has (a) a base layer that stores information about the locations of multiple road segments and the spatial relationships between the multiple road segments, and (b) additional information about only some of the road segments of the multiple road segments. and one or more sparse layers, the one or more sparse layers being linked to the base layer.
The reference map can include a fixed field size sparse layer and a variable size sparse layer, and the variable size sparse layer can include reference physical event information.
The reference map can include private fields that store information about driving patterns associated with the vehicle or the driver of the vehicle, and can include public fields.
Physical event information may include normalized magnitudes of detected physical events.
vehicle profile
A compact vehicle profile can be provided. The compact size of the vehicle profile facilitates generation of updated vehicle profiles, storage of vehicle profiles, and transmission of vehicle profiles. Vehicle profiles may be generated and/or updated using only a limited amount of computational and/or memory resources.
The vehicle profile can be further compressed thereby further reducing its memory footprint.
FIG. 22 illustrates an example method 900 .
The method 900 may begin by step 910 of collecting candidate vehicle profile information, the candidate vehicle profile information including fuel consumption information associated with different road routes and vehicle parameters. At least some of the road path and vehicle parameters are sensed by a first vehicle sensor different from the road image sensor.
Collecting can include sensing road path vehicle parameters by a first vehicle sensor, receiving information about the sensed parameters by a vehicle computer, a computerized system located external to the vehicle, and the like. can.
Non-limiting examples of first vehicle sensors are illustrated in US Provisional Patent Application Nos. 62/556,443 and 62/556444, filed September 10, 2017.
Step 910 can include searching for steady state candidates.
Steady state candidates are candidates that represent information after the vehicle reaches steady state but before exiting steady state.
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 of time can be of any length, for example a few seconds, especially 5 seconds.
The predetermined period associated with steady state for cruise may be the same as or different from the predetermined period associated with steady state for acceleration.
The predetermined period associated with steady state for cruise may be the same as or different from the predetermined period associated with steady state for idle deceleration.
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.
Acceleration steady state may start when the vehicle is at a starting speed, when the vehicle reaches a predetermined speed that exceeds the starting speed by a predetermined amount (eg, 5 km/h, or any other value). can be terminated.
The idle deceleration steady state can start when the vehicle is at the starting speed, when the vehicle reaches a speed that is a certain amount (eg, 5 km/h, or any other value) lower than the starting speed. can be terminated at
The specified amount may be the same as the predetermined amount, or may be different from the predetermined amount.
The idle deceleration data structure can store only the starting speed, only the predetermined speed, or both the starting speed and the predetermined speed.
The acceleration data structure can store only the starting velocity, only the specified velocity, or both the starting velocity and the specified velocity.
Step 910 may be followed by step 920 of generating a vehicle profile based at least on the candidate vehicle profile information.
A vehicle profile may consist of, consist essentially of, or may include:
A cruise data structure including cruise information regarding values of cruise fuel consumption parameters associated with constant velocity travel of the vehicle for different values of the road route and the first set of vehicle parameters.
An idle deceleration data structure containing idle deceleration information relating to values of idle deceleration distance values associated with idle deceleration of the vehicle for different values of the second set of road route and vehicle parameters.
An acceleration data structure containing acceleration information regarding the value of an acceleration fuel consumption parameter associated with constant acceleration of the vehicle for different values of the road route and a third set of vehicle parameters.
The cruise data structure may consist of, consist essentially of, or include values of cruise fuel consumption parameters for different combinations of values of the first set of road route and vehicle parameters. .
The first set of road route and vehicle parameters may include, consist of, or consist essentially of vehicle speed, road segment grade, vehicle weight, and one or more transmission system parameters. can be configured to
Transmission system parameters may include gear and throttle position, may consist of gear and throttle position, or may consist essentially of gear and throttle position.
The idle deceleration data structure may include, consist of, or consist essentially of an idle deceleration distance value. Idle deceleration may refer to deceleration without the use of the vehicle's brakes.
The second set of road route and vehicle parameters may include, consist of, or consist essentially of starting vehicle speed, road segment grade, and vehicle weight.
The second set of road route and vehicle parameters may include, consist of, or consist of starting vehicle speed, road segment grade, and vehicle weight, and one or more transmission system parameters. can consist essentially of
Transmission system parameters may include gears, consist of gears, or consist essentially of gears.
The cruise data structure may include, consist of, or consist essentially of values for acceleration fuel consumption parameters. The acceleration fuel consumption parameter may be average instantaneous fuel consumption and/or average fuel consumption per distance. and/or fuel consumption in liters per 100 kilometers.
the third set of road route and vehicle parameters may include and consist of starting vehicle speed, road segment grade, vehicle weight, acceleration distance, and one or more transmission system parameters; or consist essentially of these.
Transmission system parameters may include gear and throttle position, may consist of gear and throttle position, or may consist essentially of gear and throttle position.
Step 920 extracts vehicle profile information based on a comparison of the slope of the route segment and (i) the height difference between the two ends of the route segment and (ii) the ratio of the length of the horizontal projection of the route segment. Can include rejecting the candidate.
Step 920 may be followed by step 930 of dynamically clustering vehicles based on vehicle profiles.
Step 930 can include computing a cluster profile for each cluster. A cluster profile may include, consist of, or consist essentially of a cluster cruise data structure, a cluster idle deceleration data structure, and a cluster acceleration data structure.
The cluster cruise data structure represents the cruise data structure of at least a portion of the vehicles of the cluster. The cluster cruise data structure can be calculated using any function such as, but not limited to, statistical functions, weighted averages.
A 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.
The cluster acceleration data structure represents the acceleration data structure of at least a portion of the vehicles of the cluster. The cluster acceleration data structure can be calculated using any function such as, but not limited to, statistical functions, weighted averages.
Step 930 includes updating based on the cluster profile, which may include at least one of a cruise data structure, an idle deceleration data structure, and an acceleration data structure.
Steps 920 and/or 930 may be followed by step 940 of compressing the vehicle profile to produce a compressed vehicle profile.
The compressed vehicle profile may be stored in the vehicle's memory unit and/or in a memory unit external to the vehicle. The compressed vehicle profile may be transmitted to the vehicle and/or transmitted external to the vehicle.
Step 940 can include at least one of:
calculating a mathematical relationship between the secondary road path and the vehicle parameter, and calculating at least one of the secondary road path and the vehicle parameter from at least one of the cruise data structure, the idle deceleration data structure, and the acceleration data structure; remove information about
Removal of road routes and vehicle parameters related to vehicle speed subgroups. For example, determining the optimum speed per route leg and maintaining only the fuel consumption parameters associated with the optimum speed per route leg.
Using one or more road paths and vehicle parameters as keys without storing them in any one of the vehicle profiles. Accordingly, different fuel consumption parameters can be stored in the database and accessed using one or more road route and vehicle parameters (such as grade and/or speed) as keys.
A non-limiting example of calculating a mathematical estimate is provided below, at least in part of which is provided in U.S. Provisional Patent Application Nos. 62/556,445 and 62, filed September 10, 2017. /556447.
The following sections show how the slope parameters are modified to reflect the slope and weight of the vehicle, thereby removing weight from the vehicle profile and providing a compressed vehicle profile.
The following compression can be applied to the cruise data structure, other data structures (acceleration, idle deceleration) can be compressed using other formulas:
Use the following elements:
mgΔh - fuel converted to high potential energy.
m(v₂ ²-v₁ ²)/2—fuel converted to kinetic energy.
k₂mx - energy converted to friction (mass effect)
k₃xv² - Represents energy converted to friction (drag).
* Cruising steady state (i.e. speed is constant and T_ssNote that all calculations for ) are timeframes of seconds.
On one side of the equation energy leaves the engine, on the other side:
E._Fuel - Represents fuel energy.
Finally, we get:

Definition:
K.₂- Coefficients are given at the end of each session.
x - total distance in meters. Here, the steady state (i.e. steady state x=V_ss*T_ss).
S.₀ - steady state slope in percent
Δh - altitude difference (obtained from tilt and x)
m₀ = (FW-EW)/2 (per VCT)
m_real - actual estimated weight for the current session
Δm = m_real -m₀ -mass change (m₀ from)
dh - effective change in altitude difference as a result of mass change
S._new - weighted m₀The new gradient of (S₀and Δm)
Gradient relationship and h

The relationship between the gradient and the energy equation is:

The same fuel consumption as adding Δm (ΔE_Fuel), so we need to solve:
(m₀+Δm)gΔh+(m₀+Δm)k₂x = m₀g(Δh+dh)+m₀k₂x
Δmg Δh + Δmk₂x = m₀gdh -> dh = Δm/m₀ (Δh + k₂x/g)
where the new gradient is:

So we map it to the new effective gradient (S₀, m₀, Δm,k₂ ).
Assuming that the slope of the road segment is known, the compression may involve maintaining only information related to the slope of the road segment in the compressed vehicle profile. If the vehicle is about to traverse a sequence of route segments, the compressed vehicle profile may contain information relating only to the slopes of the route segments of the sequence.
Compression takes into account a maximum velocity limit, and during compression information about velocity values exceeding the maximum velocity limit can be removed.
For example, if during step 950 the computerized system generated one or more recommended driving parameters (such as speed, throttle, and gear) associated with the path ahead of the vehicle, compression may Taken into account, information related to other operating parameters can be removed during compression.
Step 920 may include extrapolating the value of the cruise fuel consumption parameter for particular values of the first road route and vehicle parameters. The extrapolation may be responsive to the value of the cruise fuel consumption parameter for the first set of road routes and certain other measurements of vehicle parameters.
Extrapolation may be performed for values of unperceived road route and vehicle parameters based on road route and vehicle parameters sensed and/or obtained or otherwise inferred or obtained from the cluster vehicle cluster, fuel consumption or It is just one example of how to estimate the idle deceleration distance (table dependent).
FIG. 27 shows that the cruise data structure 1010 includes default cruise information 1010′ (pre-programmed values, or arbitrary default values, which default values are pseudo-randomly randomized based on vehicle-manufacturer, model, year arbitrary parameters). ), may be generated and/or updated using the cluster tour information 1010″, and/or the actual (measured) tour information 1010″.
The idle deceleration data structure 1020 contains default idle deceleration information 1020' (pre-programmed values or arbitrary default values, which default values are pseudo-randomly based on any parameters of vehicle-manufacturer, model, year). can be generated and/or updated using a default value of any parameter of the vehicle—manufacturer, model, year), cluster idle deceleration information 1020″, and/or Or it may be used and/or updated using actual (measured) idle deceleration information 1020″.
The acceleration data structure 1030 contains default acceleration information 1030' (pre-programmed values or arbitrary default values, which are pseudo-randomly generated based on arbitrary parameters of the vehicle--manufacturer, model, year). ), may be generated and/or updated using cluster acceleration information 1030″, and/or actual (measured) acceleration information 1030″.
Any estimate can react to the quality of the road path and vehicle parameters. Quality can be determined in any manner. For example, a higher quality may be assigned to a combination of road path and vehicle parameter values that are measured multiple times and have a small allocation (at least less than that of other combinations with lower quality). The measured fuel consumption and/or idle deceleration values may have higher quality than the corresponding values of extrapolation and/or cluster values.
Referring back to FIG. 22, method 900 may include suggesting 950 one or more driving parameters for a route ahead of the vehicle. Step 950 is based, at least in part, on extrinsic constraints such as vehicle profile, route segment slope, and maximum speed limit.
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 computerized system can cooperate with each other during execution of method 900 .
Figures 23-26 show examples of vehicle profiles and various data structures for vehicle profiles.
Figures 23 and 24 include cruise information regarding values of cruise parameters (such as average instantaneous fuel consumption 1011) associated with constant speed travel of the vehicle for different values of the first set of road routes and vehicle parameters (1012). 10 shows the tour data structure 1010 as a whole. The first set of road route and vehicle parameters may include, for example, speed, route segment grade, vehicle weight, gear, and average throttle position.
Nv different speed values (V1-Vnv), Ns different slope values (S1-Sn), Nw different car weight values (W1-Wnw), Ng different gear position values (G1-Gng), Natp different averages. Assuming there is a throttle position value (ATP1-ATPnatp), the cruise data structure can contain up to Nv*Ns*Nw*Ng*Natp entries.
FIG. 24 shows three entries, each entry representing the Average Instantaneous Fuel Consumption (AVMFC) fields {1011 (1,1,1,1,1), 1011 (1,1,1,1,2) and 1011 (nv, ns, nw, ng, natp)} and corresponding related vehicle and road route parameter fields {1012(1,1,1,1,1,1), 1012(1,1,1,1,1 , 2), 10 12 (nv, ns, nw, ng, natp)}.
23 and 25 illustrate the idle deceleration data structure 1020 for different values of the second set of road route and vehicle parameters (1022) of the idle deceleration parameters (such as the idle deceleration distance 1021) associated with the vehicle's idle deceleration. It is shown as containing idle deceleration information about the value. A second set of road route and vehicle parameters may include, for example, starting speed (the speed at which idle deceleration begins), slope of the route segment, vehicle and gear weight.
Nv different starting speed values (V1-Vnv), Ns different slope values (S1-Sns), Nw different vehicle weight values (W1-Wnw), and Ng different gear position values (G1-Gng ), the idle slowdown data structure can contain up to Nv*Ns*Nw*Ng entries.
FIG. 25 shows three entries, each entry is an idle deceleration distance field (IDS) {1021(1,1,1,1), 1021(1,1,1,2) and 1021(nv,ns,nw , ng)} and corresponding associated vehicle and road parameter fields {1022(1,1,1,1), 1022(1,1,1,2) and 1022(nv,ns,nw,ng)} include.
Figures 23 and 26 show acceleration information on values of acceleration parameters (such as cumulative fuel consumption 1031) associated with constant acceleration travel of the vehicle for different values of the third set of road paths and vehicle parameters (1032). Acceleration data structure 1030 is shown as included. A third set of road route and vehicle parameters may include, for example, starting speed, route segment slope, acceleration length, vehicle weight, gear, and average throttle position.
Nv different speed values (V1-Vnv), Ns different slope values (S1-Sns), Nad different acceleration distances (AD1-ADnad), Nw different vehicle weight values (W1-Wnw), Ng different gear positions. value (G1-Gng), Nat different average throttle position values (ATP1-ATPnatp), the acceleration data structure can contain entries up to Nv*Ns*Nad*Nw*Ng*Natp. .
FIG. 26 shows three entries, each entry representing an accumulated fuel consumption (AFC) field {1031(1,1,1,1,1,1), 1031(1,1,1,1,1,2 ) and 1031 (nv, ns, nad, nw, ng, natp)} with corresponding related vehicle and road route parameter fields {1032 (1,1,1,1,1,1), 1032 (1,1, 1, 1, 1, 2), 1032 (nv, ns, nad, nw, ng, natp)}.
Non-limiting examples of parameter values and granularity are given below:
The speed or starting speed may range from 0 to 140 Km/h, the grain size may be from 1 to 5 Km/h, and so on.
The slope may range between minus 20 and plus 20, such as with a grain size between 0.05 and 2 degrees.
The weight may range from 1 to 100 percent of a fully loaded vehicle with a grain size between 0.5 and 8 percent.
The gears range from 4 to 16 and the granularity is 1.
The average throttle position may range between 1 and 100 percent of maximum open throttle, such as with a granularity between 0.5 and 8 percent.
Average instantaneous fuel consumption may range from 0-1200 liters to 100 km, such as with a grain size of 0.05-1 percent.
Average fuel consumption may range from 0 to 255 liters/hour, particle size may be from 0.5 to 5 liters/hour, and so on.
The idle deceleration distance can range from 0 to 1000 meters with a resolution of 0.5 to 5 meters.
Range and/or resolution may vary from one data structure to another.
FIG. 20 shows an example vehicle 51 , network 590 and computerized system 592 .
Vehicle 51 may be any type of vehicle.
Vehicle 51 may include any type of vehicle sensor. Non-limiting examples of vehicle sensors are illustrated in US Provisional Patent Application Nos. 62/556,443 and 62/556444, filed September 10, 2017.
FIG. 20 illustrates the vehicle as first wheel W1 501, second wheel W2 502, third wheel W3 503, fourth wheel W4 504, first wheel sensor WS 511, second wheel sensor WS 512. , third wheel sensor WS 513, fourth wheel sensor WS 514, accelerometer 515, barometer 516, other sensors 517, vehicle computer 550, processor 552, memory module 554, communication module (CM) 542, and man It is shown including a machine interface (MMI) 540 .
MMI 540 may provide information to the driver, such as driving suggestions.
A barometer 516 is shown located at the front of the vehicle 51 . The barometer can be placed anywhere within the vehicle 50 . There may be one or more barometers.
Accelerometer 515 may be a three-axis accelerometer.
Other sensors 517 may sense various parameters related to vehicle and/or road conditions. Other sensors 517 may include at least one of a speedometer, thermometer, engine sensor (such as a fuel consumption sensor), or any other sensor.
Vehicle computer 550 may monitor the status of various components and/or systems of the vehicle, and may control various components and/or systems of the vehicle, in any of the ways described herein. may or may not be involved in the execution of
Communication module 542 can communicate with computerized system 592 via network 590 .
Communication module 542 may be a near field 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.
Vehicle computer 550 may include a processor and 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 non-volatile memory.
Computerized system 592 can be deployed within a cloud computing environment and can include any combination of one or more servers or computers.
Any step involving processing, calculations, etc. (and shown in this application) may be performed by vehicle computer 550 , processor 552 and/or computerized system 592 .
A memory node 554 can store a reference map. Various components of the vehicle may perform methods 900 and/or 1200.
FIG. 28 illustrates method 1200 and FIG. 9 illustrates examples of recommended driving speeds obtained when using method 1200 .
Method 1200 is for calculating recommended driving parameters for a route ahead of the vehicle. Driving parameters can include, for example, speed, throttle position, and gear.
The method 1200 is based, at least in part, on the vehicle profile, slope of the route segment, and extrinsic constraints such as maximum speed limits, ambient weather, and the like.
Method 1200 may begin with step 1210 of virtually segmenting a path into portions. Each portion may include one or more path segments of substantially the same slope and substantially the same extrinsic constraint. A route segment may be a minute unit of road route parameters. A road segment may be, for example, 1 to 50 meters long, but may have other lengths.
Step 1210 may be followed by step 1220 of calculating recommended driving parameters for the future route based on the vehicle profile and segment slope and extrinsic constraints.
This calculation may include finding 1222 the optimal velocity for the part based on the slope and the extrinsic constraints. The speed is optimal in the sense that it may be selected to provide the lowest fuel consumption, yield the fastest transit over the route, and/or respond to any other constraints. may
This calculation evaluates a segment driving profile starting a fixed acceleration period at the beginning of the segment, a constant speed segment at optimum speed, and an idle deceleration at the end of the segment, based on drive parameters associated with adjacent segments. A step 1224 may be included for performing.
Step 1220 begins at the end of the putt and can be performed in a back propagating fashion, assuming the vehicle is idle at the end of the last leg. The method can then drive the final segment by starting with a fixed period of acceleration until the optimum speed is reached, then performing idle deceleration to bring the vehicle to a stop at the end of the final segment. You can try to check if you can. This should take into account the limits and extrinsic constraints of the previous part.
Backpropagating can include determining a driving profile through the segment based on parameters associated with the leading segment and/or the trailing segment.
29, the path 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. In FIG.
Each portion can include multiple route segments.
The first portion P1 1241 contains few path segments with different slopes, but the slopes are substantially the same. The grade assigned to the first portion P1 1241 (for calculating the drive session) is denoted as grade 1 1241' and reflects any grade and/or elevation change of the route leg of the first portion. can do.
A third portion P3 1243 and a fourth portion P4 1244 have the same slope but are associated with different maximum speed limits V2 versus V1.
The proposed velocities are shown at the bottom of FIG. 9 and were calculated by backpropagating the desired driving profile (trapezoidal shaped profile) from the fourth part backwards.
The first portion of the driving profile begins with a fixed acceleration SV1 1251 followed by a fixed speed cruise SV2 2152. In this example, the first portion includes a positive slope, and idle deceleration reduces vehicle speed such that unnecessary acceleration is required during the second portion.
The second portion of the driving profile begins with a fixed acceleration SV3 1253 followed by a fixed speed cruise SV4 1254 and ends with an idle deceleration SV5 1245.
The drive profile of the third portion begins with fixed speed cruise SV6 1256 and ends with idle deceleration SV7 1247 . The third and fourth leg have a negative slope and the vehicle reaches its maximum speed limit at the end of the third segment, where it is not necessary to start the fourth segment with a fixed acceleration. The maximum speed limit of the fourth portion is lower than the maximum speed limit of the third portion, and a relatively long idle deceleration period is required at the end of the third portion.
The fourth portion driving profile begins with fixed speed cruise SV8 1258 and ends with idle deceleration SV9 1249 .
The fifth portion driving profile 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.
Note that the route may be associated with different start and end conditions, eg the vehicle may not be idle (not moving) at the end of the route.
weight
The weight of a vehicle can be estimated based on the energy consumed by the vehicle on various route segments and the energy gained from fuel consumption.
Vehicle weight can be estimated 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.
The valuation process may be performed in an iterative manner in which one or more assumptions used to calculate the valuation weight may be re-evaluated given the valuation weight. The same iterative approach can be applied to motor efficiency function estimation and/or fuel consumption error.
The weight evaluation process and/or any estimation process (based on the estimated weight) may be of any complexity and/or by any computerized system, either by the vehicle computer or off-vehicle server or computer. can be done. For example, an off-board computer can first evaluate the energy factor using a large number (thousands or more) of measurements. The vehicle computer first receives the estimated energy coefficients and uses them (in addition to more measurements obtained by the vehicle sensors) to update (even in real time) the vehicle weight estimate. can be done.
Initial or other estimates of energy coefficients, motor efficiency function values, and/or fuel consumption error values associated with a particular vehicle may be based on the behavior of vehicles belonging to the same class of vehicles. A class of vehicles may be vehicles of the same model, the same manufacturer, and/or the same year of manufacture. Additionally or alternatively, vehicles may be classified and/or reclassified based on vehicle weight measurements.
The evaluation process may examine multiple combinations of energy coefficient values, motor efficiency function values, and/or fuel consumption error values.
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.
The search process may take into account quality characteristics associated with route segments. Quality characteristics may be used to filter measurements associated with route segments and/or may be used in other ways.
For example, the weight of a vehicle can be estimated based on an evaluation of the work and energy gained by fuel consumption.
The weight of the vehicle may be evaluated during the learning period (or learning period). During the learning period, the monitored vehicle traverses multiple routes. Multiple routes can be segmented into route segments.
The work and energy gained by fuel consumption can be estimated for each route segment.
Work and energy from fuel consumption can be expressed in terms of the following six components:
m(v₂ ²-v₁ ²)/2 - fuel converted to kinetic energy
mgΔh - fuel converted to high potential energy
k₁x - represents the energy converted to friction
k₂mx - represents the energy converted to friction (weight effect)
k₃xv² - Represents energy converted to friction (drag)
k₄mxv² - Represents energy converted to friction (including weight)
On the equation side, the energy output from the vehicle's engine, energy lost due to engine inefficiency is taken into account: ame·fe·fuel—represents fuel energy.
Using the equilibrium equation (energy = potential gain + loss):
ame·fe·fuel = m(v₂ ²-v₁ ²)/2 + mgΔh + k₁x+k₂mx + k₃xv^{2 +} k₄mxv²
We can extract the mass of the vehicle:

Mass estimates can be converted to weight estimates (weight = mass x g).
The values of the energy coefficient values can be evaluated over any range and with any resolution. For example, k1 may range from 0 to 10,000 and may be evaluated with a resolution (step) of 1000 (0, 1000, 2000, 3000...), each of k2, k3 and k4 may be It may range from 0 to 1 and may be evaluated with a resolution of 0.01 (0, 0.01, 0.02, 0.03...).
The search process may include calculating weight estimates for multiple route segments. The multiple route segments may include all route segments of all routes traversed by the vehicle during the learning period, or only some of the route segments.
Path segments may be ignored (filtered out) for one or more reasons such as poor quality.
Non-limiting examples of filtering and/or assigning path segments and/or quality characteristics are provided below.
The route leg may be relatively short (in time), for example less than half (0.5 minutes). The duration of a route needs to have sufficient data in the hope that at least some variables will be substantially constant over the entire route segment and have enough valid route segments within a single driving session. It's a trade-off between gender. The longer the route segment, the higher the quality.
This is because braking losses are avoided by ignoring (or assigning a lower quality to) route segments where the vehicle has descended and fuel is shut off from the engine on such route segments.
The higher the motor revolutions per minute (RPM)-RPM difference (between the start and end of the path leg), the higher the quality.
A higher quality is assigned to a path segment with greater momentum (momentum is the difference between the velocity squared at the end of the path segment and the velocity squared at the beginning of the path segment). Insufficient momentum (below a momentum threshold such as 50 [m^2/sec^4]) can be ignored or assigned a very low quality).
Ignore (or assign low quality) route segments whose speed exceeds a certain speed threshold (eg, above about 70 Km/h). This is due to quantization error.
Ignore (or assign low quality) route segments with total fuel consumption below a threshold (eg, 3 [L/hr]).
Assign higher quality levels to route segments that contain steeper ascents for vehicles.
Avoid including stops long enough in a single path to allow for a substantial weight change in the vehicle. For example, if the unloading of a 500 kilogram item lasts for two minutes, the occurrence of such a stop that is at least two minutes long can mark the boundary between two route legs.
The proposed weight estimation is accurate and may require limited computational resources. The proposed weight estimation compensates for (corrects) the inaccuracy of the measurements performed by vehicle sensors, allowing the use of low-cost, limited-accuracy sensors.
FIG. 30 illustrates method 100''.
The method 100″ produces weight estimates (assuming a particular motor efficiency function and a particular fuel consumption error correction function) for different combinations of energy factor values and for each of the multiple path segments according to the following equation: We can start with a determining step 110''.

where “ame” is the value of the estimated motor efficiency function and v₂is the velocity of the vehicle at the end of the route segment, and v₁is the speed of the vehicle at the start of the route segment, v represents at least one value of the speed of the vehicle when traveling on the route segment (e.g., the average speed), x is the length of the route segment, and Δh is the height difference between the end and start of the route leg and fuel is the error corrected fuel consumption associated with the route leg.
Step 110'' provides multiple weight estimates.
A step 120'' of analyzing the plurality of weight estimates to determine an estimated weight of the vehicle may follow step 110''.
The analysis can include evaluating multiple combinations of energy factor values. The multiple combinations of energy factor values may cover all possible combinations of energy factor values or only a subset of all possible combinations of energy factor values. Any method of selecting which combinations to evaluate can be provided.
Step 120″ may include at least one of the following.
For each combination of energy coefficient values (of multiple combinations):
Compute the distribution (allocation) associated with the weight estimate. A distribution (allocation) may be provided by applying a combination of energy factor values to the inputs received for multiple path segments. The distribution (allocation) can be the distribution (allocation) of the weight estimates, the distribution (allocation) responsive to the quality characteristics of the route segments, and the distribution (allocation) ignoring the quality characteristics of the route segments. can be a distribution of values representing quality characteristics of weight estimates belonging to bins associated with a range of weight estimates, and can contain only information about route segments of sufficient quality; It can be the distribution of the values of the sum of the quality characteristics of the weight estimates belonging to the bins associated with the range of values. For example, if the distribution is a weight distribution, this step may include calculating a weight estimate using the combination for each route segment of the plurality of route segments.
Find one or more clusters (for each of the distributions). As an example, if the weight of the vehicle did not change during the learning period, we would expect to receive a single cluster. The number of typical distinct weights of the vehicle (empty or full) can determine the number of clusters.
Determine one or more statistical parameters of the cluster. For example, statistical variation, width of clusters, and the like.
Selecting a selected combination of energy factor values from among the different combinations of energy factor values (associated with 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 distributions (allocations) with the most statistically significant clusters.
Using the weight estimate provided when using the selected combination of energy coefficients as the estimated weight of the vehicle. The weight estimate may be one of weight estimates for one or more route segments, and (when using selected combinations of energy factors) different weight estimates associated with different route segments. (which can be, for example, mean, median, or any other representation), and so on.
Step 120″ may react to quality characteristics of the route segments. For example, the distribution of weight estimates may represent the quality characteristics and/or may ignore path segments of poor quality.
Step 120'' is followed by step 130'' in response to the estimated weight of the vehicle.
Step 130'' can include one or more steps.
Autonomous vehicle application updates.
Updated Advanced Driver Assistance Systems (ADAS) applications.
Report the estimated weight to the vehicle operator or another entity (such as a fleet manager).
The estimated vehicle weight is used to validate or better estimate the motor efficiency function.
The vehicle's estimated weight is used to validate or better estimate a particular fuel consumption error correction function.
Classify vehicles into specific classes of vehicles.
Using the selected combination of energy coefficient values and future measurements taken by the vehicle, the future weight of the vehicle is calculated in real time (also by the vehicle computer).
The method 100″ provides highly accurate estimation of the vehicle without the use of dedicated and expensive weight sensors such as dedicated vehicle scales. Highly accurate weight estimation is necessary for measuring vehicle weight. This method can use constrained and unconstrained machine learning and is very efficient in terms of computerized resource usage. By checking the measurements and readings of , the method can eliminate inaccuracies.
FIG. 31 shows a vehicle (such as truck 100) and a number of routes 1160'' that the vehicle travels during a learning period. The learning period can span hours, days, weeks, months, years, etc. .
A route can be segmented into route segments. The route segments may be of different lengths or may be of equal length.
FIG. 32 shows an example of an approximation 1100 of the motor efficiency function 1100. FIG. In FIG. 32, the x-axis represents RPM and the y-axis represents average motor efficiency.
Approximation 1100 includes three vertices (1101, 1102, and 1103) and two edges 1104 and 1105. FIG. The peak of approximation 1100 is vertex 1102 . Edge 1104 links vertices 1101 and 1102 . Edge 1105 links vertices 1102 and 1103 .
The approximation 1100 uses the coefficient a₁, a₂and a₃may be represented 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 edge 1105 . Coefficient a₂can be the reciprocal of the slope of edge 1104 .
Any other representation of approximation can be used.
Note that the motor efficiency function can be gear sensitive and can be represented by a set of coefficients per gear.
FIG. 33 shows a table 1150 containing 48 coefficients, 3 coefficients for each one of the 16 gears, namely a_1,1from a_16,3including.
FIG. 34 shows an example non-linear approximation 1111 of the motor efficiency function 1100 .
FIG. 35 is an example of an approximation 1140 of a fuel consumption error correction function.
The fuel consumption error correction function corrects errors in fuel consumption measurements.
FIG. 35 shows a linear approximation containing six intervals. The six intervals have starting values denoted f1, f2, f3, f4, f5 and f6 1141-1146.
FIG. 36 shows a histogram 1120 of distributions associated with weight estimation.
The histogram contains multiple bins associated with weight ranges. The value of each bin is the sum of the quality characteristics of the route segments associated with the same weight range.
FIG. 36 shows two separate clusters 1121 and 1122 .
FIG. 37 shows a histogram 1130 of distributions associated with weight estimation.
The histogram contains multiple bins associated with weight ranges. The value of each bin is the sum of the quality characteristics of the route segments associated with the same weight range.
FIG. 37 shows two separate clusters 1131 and 1132 .
FIG. 38 illustrates method 200''.
The method 200″ performs (i) for different combinations of energy factor values, (ii) for each route segment of a plurality of route segments, (iii) for different motor efficiency function values, and (iv) for different fuel For the consumption error correction function value, we can start with step 210'' of determining the weight estimate.

Step 210″ performs (i) for different combinations of energy factor values, (ii) for each route leg of the plurality of route legs, and (iii) different motor efficiency function values (given a particular fuel consumption error correction function). Note that this may include determining a weight estimate for .
Alternatively, step 210 ″ may be performed by (i) for different combinations of energy factor values, (ii) for each route segment of a plurality of route segments, and (iii) different fuel consumption error correction function values (for a particular motor efficiency function ), determining a weight estimate.
Step 210'' provides multiple weight estimates.
Step 210 ″ may be followed by step 220 ″ of analyzing the plurality of weight estimates to determine an estimated weight of the vehicle.
Step 220″ can include at least one of:
Each fuel consumption error correction function value and each motor efficiency function value are set for each combination of energy coefficient values.
Compute the distribution (allocation) associated with the weight estimate. A distribution may be provided by applying a combination of energy coefficient values to the input received for multiple path segments. The distribution can be a distribution of weight estimates, can be a distribution that is sensitive to the quality characteristics of the route segment, can be a distribution that ignores the quality characteristics of the route segment, and can be a distribution that The weight estimate belonging to the bin associated with the range of weight estimates, which can only contain information and can be a distribution of values representing the quality characteristics of the weight estimates belonging to the bin associated with the range of weight estimates can be the distribution of the values of the sum of the quality characteristics of
Find one or more clusters. As an example, if the weight of the vehicle did not change during the learning period, we would expect to receive a single cluster. The number of typical distinct weights of the vehicle (empty or full) can determine the number of clusters.
Determine one or more statistical parameters of the cluster. For example, statistical variation, width of clusters, and the like.
From different combinations of energy coefficient values, different fuel consumption error correction function values and different motor efficiency function values (associated with different distributions), the selected combination of energy coefficient values, fuel consumption error correction function values and different motor efficiencies Select a function value. Selection is based on one or more statistical parameters of the clusters. For example, selected combinations of energy factor values, fuel consumption error correction function values, and different motor efficiency function values can provide the most statistically significant clusters.
The weight estimate provided when using the selected combination of energy factor, fuel consumption error correction function value, and different motor efficiency function values is used as the estimated weight of the vehicle. The weight estimate may be one of weight estimates for one or more route segments, and (when using selected combinations of energy factors) different weight estimates associated with different route segments. (which can be, for example, mean, median, or any other representation), and so on.
Step 220″ may react to quality characteristics of the route segments. For example, the distribution of weight estimates may represent the quality characteristics and/or may ignore path segments of insufficient quality.
Step 220'' is followed by step 230'' in response to the estimated weight of the vehicle.
Step 230″ can include one or more steps:
Autonomous vehicle application updates.
Updated Advanced Driver Assistance Systems (ADAS) application.
Report the estimated weight to the vehicle operator or another entity (such as a fleet manager).
The estimated vehicle weight is used to validate or better estimate the motor efficiency function.
The vehicle's estimated weight is used to validate or better estimate a particular fuel consumption error correction function.
Classify vehicles into specific classes of vehicles.
FIG. 39 illustrates method 300''.
The method 300 ″ may begin by step 310 ″ obtaining vehicle sensor measurements for a driving session of the vehicle with vehicle sensors during a learning period.
Vehicle sensor measurements may include path height measurements associated with the driving session, fuel consumption measurements associated with the driving session, and road segment length measurements associated with the driving session.
Step 310'' is followed by step 320'' of calculating the rated weight of the vehicle based on the vehicle sensor measurements.
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.
Step 320″ may include finding at least one of a motor efficiency function and a fuel consumption error correction function.
Step 320″ may include retrieving energy coefficient values that provide at least one distribution associated with the vehicle weight estimate that satisfies at least one predefined statistical significance criterion.
The predetermined statistical significance criterion may be maximum statistical significance or at least one minimum standard deviation of the weight estimate distribution
Step 320″ can include at least one of the following steps.
Energy factor values are evaluated by determining the estimated weight of the vehicle for multiple route segments of the set of routes.
A weight estimate for each route segment of the plurality of route segments is determined according to the following equation.

Step 320″ may include at least one of the following.
A weight estimate is determined for each route segment of the plurality of route segments and for different values of the energy factor.
A weight estimate for each path segment of the plurality of path segments is determined for different values of the energy coefficient and different values of the motor efficiency function.
A weight estimate for each route segment of the plurality of route segments is determined for different values of the energy factor and different fuel consumption error correction function values.
Estimates for each of the plurality of route legs are determined for different values of the energy factor, different motor efficiency function values, and different fuel consumption error correction function values.
Associate a quality characteristic with each weight estimate.
A quality characteristic is associated with each weight estimate, and at least one distribution associated with the vehicle weight estimates is responsive to the quality characteristic assigned to each weight estimate.
A quality characteristic is associated with each weight estimate, and the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram comprising bins, each bin being associated with a weight estimate range, the weight estimate belonging to the bin. It has a value that represents a quality characteristic.
A quality characteristic is associated with each weight estimate, and the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram comprising bins, each bin being associated with a weight estimate range, the weight estimate belonging to the bin. It has a value that represents the sum of quality characteristics.
A quality characteristic is assigned to at least some of the vehicle sensor measurements.
A quality characteristic is assigned to vehicle sensor measurements associated with a particular route segment based on the difference associated with the speed of the vehicle at the start and end of the particular route segment.
A quality attribute is assigned to vehicle sensor measurements associated with a particular route segment based on the maximum speed of the vehicle during a particular driving session.
Disregard vehicle sensor measurements taken on route segments where the vehicle has descended.
Step 320'' is followed by step 330'' in response to the estimated weight of the vehicle.
Any of methods 100", 200" and 300" may be performed once at any time in a periodic, non-periodic and repetitive manner, such as in response to an event. or at least one of the methods) may be performed every two months (or other period) to compensate for changes such as vehicle wear.
Any one of the methods may receive or otherwise obtain one or more actual weight measurements and may take into account the one or more actual weight measurements of the vehicle. can.
For example, the selection of any combination of energy coefficients (and/or any values associated with the motor efficiency function and/or the fuel consumption error correction function) may take into account one or more actual weight measurements. can.
Therefore, any one of methods 100", 200" and 300" can be a constrained or unconstrained learning process. A constraint is one or more actual weight measurements.
For example, selecting may include applying a cost function responsive to one or more actual weight measurements and at least one predetermined statistical significance criterion. For example, finding a combination of energy coefficients (and/or any value associated with the motor efficiency function and/or the fuel consumption error correction function), once applied, can be applied to one or more actual weight measurements. The cluster that is closest and has the greatest statistical significance (eg, the narrowest cluster) is obtained.
Any one or methods 100″, 200″ and 300″ may involve applying machine learning processes, particularly deep learning processes.
The learning period can be any period during which measurements are taken and the measurements can be used to estimate the weight of the vehicle.
FIG. 40 shows vehicle 51 , network 1070 and computerized system 1080 .
Vehicle 51 may include vehicle sensors such as sensor 1040, memory module 1030, vehicle computer 1020 including processor 1010, man-machine interface 1050, communication module 1060, and wheels W1-W4 501-504.
A man-machine interface (MMI) 1050 can include a screen, a holographic screen, speakers, a camera, an audio and/or audiovisual system, a keyboard, and the like.
Vehicle 51 may be any type of vehicle.
Sensors 1040 may include at least speed sensors, height sensors, distance sensors, and fuel consumption sensors.
Sensor 1040 is configured to provide a height measurement of a route associated with the driving session, (b) a fuel consumption measurement associated with the driving session, and (c) a length measurement of a road segment associated with the driving session. be done.
Sensors 1040 may include, for example, at least one of accelerometers, speedometers, thermometers, window condition sensors, air condition module/fan condition sensors, engine sensors (such as fuel consumption sensors), or any other sensors. can be done.
Vehicle computer 1020 can monitor the status of various components and/or systems of the vehicle, and can control various components and/or systems of the vehicle, in any of the ways described herein. can be involved (using processor 1010) in the execution of
Communication module 1060 can communicate with computerized system 1080 via network 1070 .
Communication module 1060 may be a near field 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.
Vehicle computer 1020 may include a processor and 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 non-volatile memory.
Computerized system 1080 is deployed in a cloud computing environment and may include any combination of one or more servers or computers.
Any step involving processing, calculations, etc. (and shown in this application) may be performed by vehicle computer 1020 , processor 1010 and/or computerized system 1080 .
FIG. 41 shows vehicle 51 , network 1070 and computerized system 1080 . In FIG. 12, processor 1010 is not included in vehicle computer 1030 . Vehicle computer 1030 may or may not be involved in performing any of the methods described above.
FIG. 42 shows vehicle 51 , network 1070 and computerized system 1080 .
In FIG. 42, sensors 1040 include fuel consumption sensor 1041, accelerometer 1045, barometer 1046, and four wheel speed sensors WS511-514.
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.
FIG. 43 illustrates method 600''.
The method 600'' can be performed by a vehicle computer (any computer located within the vehicle).
The method 600″ can include step 610″ of receiving an energy factor value indicative of energy dissipated by the vehicle, the energy factor value being vehicle sensor measurements obtained at least in part by vehicle sensors of the vehicle. A vehicle sensor measurement is obtained during a driving session of the vehicle, the vehicle sensor measurement comprising (a) a height measurement of a path associated with the driving session; (c) road segment length measurements associated with the drive session; and (d) speed measurements associated with the drive session.
Step 610″ may also include at least one of (i) receiving information regarding a motor efficiency function of the vehicle and (ii) receiving information regarding a fuel consumption error correction function of the vehicle.
Step 610'' can be followed by step 620'' of obtaining new vehicle sensor measurements associated with the new driving session during and by the vehicle sensors.
Step 620'' may be followed by step 630'' of calculating the weight of the vehicle by the vehicle computer based on the value of the energy coefficient and the new vehicle sensor measurements.
The calculation may also be responsive to at least one of (i) information regarding a motor efficiency function of the vehicle and (ii) information regarding a fuel consumption error correction function of the vehicle.
Information about the motor efficiency function may be compact. This may include motor efficiency function coefficients. Various examples of such coefficients are provided in the text above.
Information about the fuel efficiency error correction function may be compact. This may include fuel consumption error correction function coefficients. Various examples of such coefficients are provided in the text above.
Step 630″ may be performed in real time, eg, within seconds, less than a minute, minutes, etc.
The method 600″ may include transmitting new vehicle sensor measurements associated with the new driving session. These new measurements refine, update, and/or may be used for verification.
Step 630″ may include calculating the weight of the new route leg for the new session by applying the following formula:

where the group of energy coefficients is k₁, k₂, k₃and k₄consists of
ame is the value of the estimated motor efficiency function.
V₂is the vehicle speed at the end of the new route segment.
V₁is the vehicle speed at the start of the new route segment.
v represents at least one value of the vehicle's speed when traveling the new route segment.
x is the length of the new route segment.
Δh is the height difference between the end point and the start point of the new route segment.
fuel is the error corrected fuel consumption associated with the new route leg.
Using a small number of sensor readings and a limited number of energy coefficients, real-time calculation of the vehicle's actual weight and compact representation of the motor efficiency function and the fuel consumption error correction function saves storage and computing resources. very efficient in terms of
grip
Systems, methods, and computer program products can be provided for determining grip associated with vehicles and route segments, the determination taking into account parameters of the route as well as parameters of the vehicle.
Some of the examples below assume that the vehicle includes four wheels. Note that the number of wheels may be different from four.
A grip event is an event experienced by a vehicle that can provide information for estimation of grip on a route segment. Non-limiting examples of gripping events include braking events, vehicle turns, passing obstacles, and reaching a predetermined vehicle speed. For ease of explanation, some of the examples below refer to grip events that are braking events.
In the examples below, "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.
Multiple vehicles can traverse the route segment and normalized grip-related information can be calculated. A computerized system can receive normalized grip-related information from multiple vehicles.
A route section can be a section (segment) of a route that can be between a few centimeters in length and several meters in length, or even more. The grips along a single path segment may be the same or slightly offset.
The computerized system can calculate the normalized route segment grip information and transmit the normalized route segment grip information to the vehicle.
Normalized path segment grip information may be calculated using crowdsourcing, bit data techniques, machine learning, and/or any other technique.
Acquiring and processing the normalized route segment grip information from a plurality of vehicles can increase the accuracy of the calculation of the route segment grip information. Additionally, obtaining and processing normalized route segment grip information from multiple vehicles can assist in providing route segment grip information for vehicles that did not pass the route segment.
The vehicle can monitor vehicle parameters and, given the current vehicle parameters, denormalize the normalized route segment grip information to produce actual route segment grip information that can reflect the grip parameters of the route segment. can provide.
The route segment grip information may include the grip level of the route segment, residual grip, and the like.
FIG. 44 shows an example method 2100 .
The method 2100 can be performed by a vehicle computer (a computer located within 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.
Method 2100 may begin by step 2110 of monitoring wheel speeds of a plurality of vehicle wheels.
Any wheel sensor can be used. In particular, a wheel speed sensor can be assigned to each wheel.
Step 2110 may be followed by step 2120 of calculating a vehicle speed estimate. The estimate may be based on wheel speed signals from multiple wheel speed sensors.
Step 2120 can be followed by step 2130 of detecting a grip event. Grip events can be detected by monitoring vehicle speed, but can also be detected by monitoring the speed of one or more wheels.
FIG. 44 shows three examples of gripping events: braking event 2131, high speed event 2132 (eg reaching a certain speed, eg 80 km/h), and turning 2133. FIG. Other grip events may be detected. For example, as shown in FIG. 53, grip events can pass through obstacles.
Step 2130 is followed by step 2140 of calculating excitation and step 2150 of calculating slip ratio.
Slip ratio can be calculated for each wheel and is the relationship between vehicle speed and wheel speed. During step 2150, a high pass filter may be applied to the wheel speeds.
Steps 2140 and 2150 may be followed by step 2160 of normalizing the excitation and slip ratio of a plurality of vehicle wheels to produce a normalized excitation and normalized slip ratio.
The normalized excitation and normalized slip ratio are usually far away from the excitation and grip values that represent the loss of grip. For example, assuming grip is lost at 20 percent excitation and 1 excitation, the normalized excitation is no more than half and the normalized slip ratio is less than 10 percent.
Method 2100 may include estimating residual grip based on these normalized excitation and normalized slip ratios.
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 relevant grip curve.
Step 2160 can be followed by step 2170 of determining an associated slip curve based on the normalized excitation and normalized slip ratio. Each slip curve contains a mapping between slip ratio values and excitation values. Step 2170 fits the normalized excitation and normalized slip ratio to the associated slip curve.
Step 2170 may select the relevant slip curve from a finite group of N (eg, 210) possible slip curves and/or extrapolate a new slip curve based on the finite slip curve. , or can be calculated in another way.
Step 2180 may include responding to determining an associated slip curve. Step 2180 includes storing associated slip curve information (such as an index or other identifier of the associated slip curve), transmitting the associated slip curve, calculating actual route segment grip information, etc. can be done.
FIG. 45 shows an example of step 2120 .
Step 2120 can include the following steps.
Receiving or generating first through fourth wheel speed signals (2111-2114).
Preprocess the wheel speed signal 2120 . This may include low pass filtering wheel speed readings (2121), which may be responsive to the estimated wheel speed.
wheel speed processing 2122;
Wheel speed processing may include at least one of the following.
Wheel difference detection. 2123. This step may involve detecting long-term (over hours) differences between the wheels, for example, due to changes in air pressure, changes in tire health, and the like.
Ignore 2124 short-term fluctuations. A short period of time may be a few seconds or less. Short term fluctuations can be caused by small slips. Ignoring may include ignoring all wheel speed measurements obtained during short term fluctuations in wheel speed for any wheel.
Detect turns. 2125.
Compute compensated (corrected) wheel speed readings. 2126.
Calculate the vehicle speed based on the compensated wheel speed readings. 2127.
Step 2124 may include detecting discrepancies between wheel speeds that are not related to turns. If a turn is detected, wheel speeds measured during the turn may be processed to determine grip.
Step 2120 maintains a factor (eg, the ratio between the wheel speed of the current wheel and the wheel speed of the reference wheel) and adjusts this factor over time (of the control loop with a very low-pass filter). ) may be included. Short term fluctuations are then detected if the instantaneous factor is greater/less than this factor by some amount (eg, 5 percent). Following step 2120 , the method continues to update the factors very gently (ie, using a very low pass filter) so that the factors can be used during step 2127 .
Step 2127 calculates wheel speed (after ignoring wheel speed readings, as shown in step 2124) and applies a factor to all wheel speeds (except the reference wheel) to give a weighted wheel speed and then applying a function (eg, but not limited to averaging) to the weighted wheel speeds to provide the vehicle speed.
FIG. 46 shows an example of step 2140 .
Step 2140 can include step 9142 and/or step 9144 .
Step 2142 relates to at least one portion of the grip event to provide the selected vehicle speed estimate while ignoring other vehicle speed estimates associated with at least one other portion of the grip event. Selecting a vehicle speed estimate may also be included. For example, a grip event lasts several seconds and multiple wheel speed readings (eg, 50 to 100 wheel speed readings per second) are obtained each second.
Step 2142 may include selecting some of the wheel readings while ignoring some other wheel readings.
Any selection rule can be applied. wheel speed readings obtained during the beginning of the grip event and/or during the end of the grip event (e.g., during the first 20 percent of the duration of the grip event and/or the last 15 percent of the duration of the grip event); Examples of ignoring include ignoring wheel speed events associated with specific acceleration and/or deceleration values and waiting until the acceleration/deceleration or speed reaches steady state (and choosing a steady state reading). mentioned.
Step 2144 may include calculating the excitation based on one or more changes in selected vehicle speed over time and based on zero or more additional factors.
Zero or more additional factors can be used to normalize the excitation values. The excitation value can represent one or more variations in any manner, for example, any manner of variation during a selected period of time, including a selected vehicle speed estimate divided by the duration of the selected period of time. is like the overall change in vehicle speed in
Additional factors may include vehicle driving and/or braking parameters, slope of one or more route segments (traversed by the vehicle), and the like.
The braking parameters may reflect the manner in which the vehicle's brakes were applied, ie, pumped or unpumped, any change in brake pedal position, and the like. For example, the braking parameter may reflect at least one of an average or minimum or maximum change in brake pedal position over time.
Different braking patterns (eg, patterns 2171 and 2172) may result in different excitations. The slope can be represented by at least one of an average slope or a minimum or maximum slope of the route segment.
FIG. 47 shows an example of step 2160 .
Step 2160 can include step 2169 . At least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167', and 2168 may be performed prior to step 2169.
Step 2161 may include receiving or estimating climate bias. Climate bias can represent changes in grip associated with climate changes such as rain, fog, and temperature. Climate bias may be measured by climate sensors (humidity sensors, barometers, temperature sensors, etc.) and/or multiple It may be detected by finding similar differences between grip levels experienced by the vehicle.
Step 2162 may include receiving or estimating a wheel effective patch size.
Step 2164 may include receiving or estimating tire health. Tire health is expected to change very slowly (except for flat tires) and can be expressed as a relatively constant bias over time.
Step 2166 may include receiving or estimating the weight of the vehicle. Non-limiting examples of weight estimates are provided in US Provisional Patent Application No. 62/556,447, filed September 10, 2017.
Step 2167 may include receiving or estimating the excitation. Excitation can occur from step 2140 .
Step 2167' may include receiving or estimating a grip.
Step 2168 may include receiving or estimating velocity. Velocity can be obtained from step 2120 .
Step 2169 may include normalizing the excitation and slip ratio of multiple vehicle wheels to produce a normalized excitation and normalized slip ratio. The normalization can be responsive to at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Normalization compares the information sensed by different vehicles when passing the same road segment and compensates (corrects) for climatic bias, wheel effectiveness patch, tire health, vehicle weight, excitation, etc. can include
FIG. 48 shows method 2200 . The method 2200 can 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 in different vehicles, and the like.
Method 2200 may include at least some of steps 2210, 2220, 2230, and 2240.
Step 2210 can include learning normalization functions and/or selection rules. A normalization function is used during step 2169, for example. Selection rules are used during step 2142, for example.
Step 2210 can include learning a denormalized function. A denormalized function can reverse the behavior of a normalized function. Step 2210 may include processing normalized route segment grip information obtained during the driving session, where information regarding weight, effective patch size, tire health, excitation, speed and/or climate is known. be. The normalization function can be learned using driving sessions with different values of weight, effective patch size, tire health, excitation, speed, and/or climate.
Step 2220 may include receiving normalized slip curves associated with multiple drive sessions for multiple route segments and multiple vehicles.
Step 2230 may include building or updating a mapping between route segments and normalized slip curves. The mapping can take into account information received during step 2220 . Step 2230 may involve using crowdsourcing, big data, machine learning, or any other technique.
Step 2230 may include averaging (or applying any other statistical function) the information obtained during step 2220 .
Step 2240 may include distributing at least a portion of the mapping to vehicles and/or users. If the vehicle is located in a particular area, the vehicle may receive information related to that area, one or more neighboring areas, and so on.
After the vehicle receives the mapping, the vehicle can use the mapping and the current state of the vehicle and one or more route segments to provide actual route segment grip information.
FIG. 49 shows method 2300 .
Method 2300 can include step 2320 . Step 2320 may be preceded by step 2320 and at least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167' and 2168.
Step 2320 may include denormalizing the normalized slipgraph to provide a denormalized slipgraph. The denormalization is based at least in part on speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Step 2320 can be followed by step 2330 of determining a limit grip based on the denormalized slipgraph and associated grip excitation coordinates on the slipgraph.
Step 2340 can be followed by step 2340 of responding to limit grip. This includes automatically driving the vehicle, informing the user of the vehicle speed, preventing the ABS system from activating by maintaining a grip level below the limit grip value that activates the ABS, and so on. can contain.
FIG. 50 illustrates the vehicle as first wheel W1 501, second wheel W2 502, third wheel W3 503, fourth wheel W4 504, first wheel sensor WS 511, second wheel sensor WS 512. , a third wheel sensor WS 513, a fourth wheel sensor WS 514, other sensors (at least one of climate sensors, one or more brake sensors, one or more engine sensors, fuel consumption sensors, accelerometer, etc.), vehicle computer 550 , processor 552 , memory module 554 , communications module (CM) 542 , and man-machine interface (MMI) 540 .
MMI 540 may provide information to the driver, such as driving suggestions.
Other sensors 517 may sense various parameters related to vehicle and/or road conditions.
Vehicle computer 550 may monitor the status of various components and/or systems of the vehicle, and may control various components and/or systems of the vehicle, in any of the ways described herein. may or may not be involved in the execution of
Communication module 542 can communicate with computerized system 592 via network 590 .
Communication module 542 may be a near field 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.
Vehicle computer 550 may include a processor and 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 non-volatile memory.
Computerized system 592 can be deployed within a cloud computing environment and can include any combination of one or more servers or computers.
Any step involving processing, calculations, etc. (and shown in this application) may be performed by vehicle computer 550 , processor 552 and/or computerized system 592 .
Memory module 554 can store any information and/or programs needed to perform any of the methods of the present application.
Various components of the vehicle may perform method 2100 and/or method 2300. FIG.
FIG. 51 shows an example of two normalized slipgraphs 2910 and 2920 representing different route segment conditions.
Step 2170 may include selecting one of these slipgraphs or generating a new slipgraph based on at least one of these slipgraphs.
FIG. 52 shows an example of grip events, vehicle speed 2525 and wheel speed 2520 during grip events before and after grip events.
Grip can be evaluated based on the vehicle's impulse response to small obstacles. Grip may be calculated taking into account passage of small obstacles, one or more of any other excitation event (braking event, high speed event, turning event, etc.).
When the vehicle drives over a small road-mounted obstacle, the vehicle responds to it as if it were excited. The response (also called impulse response) characteristics obtained from the sensor depend (among other factors) on the grip level between the vehicle and the road surface immediately after a small obstacle.
Small obstacles have the following properties:
Structural - step up or step down when running over it. A step up followed by a step down can represent a small collision.
It is shorter in the longitudinal direction than the outer circumference of the tire.
example:
pavement crack
bridge joint
pebbles
twigs
This small obstacle normally exerts a separable force on the vehicle towards:
Vertical acceleration - by slightly "jumping" over small obstacles.
Horizontal deceleration - due to "impact" on the slope.
These forces (accelerations) are of an instantaneous nature and typically persist over sub-second periods. Then, it goes through the "after effects", which is the response period.
Following the vertical and horizontal acceleration described above, when stepping out of a small obstacle, the vehicle will go through a restraint period and normally return to its steady state, eg cruising on a smooth surface.
The output of the following sensors can be read to detect and characterize the nature of the impulse and analyze the response period.
wheel speed
brake torque
engine torque
The following parameters affect the properties and characteristics of the signal.
vehicle weight
tire pressure
Tire health (stiffness)
vehicle speed
damper
These sensors may be real and/or virtual sensors whose outputs are calculated based on readings of other real sensors.
Sensor readings should be normalized to compensate for parameters (such as those mentioned above) that may affect sensor readings.
For example, the heavier the vehicle, the smaller the change in wheel speed due to the same small obstacle. The same is true for low tire pressures and soft dampers/suspensions. The faster the vehicle encounters a small obstacle, the greater the change in wheel speed.
FIG. 53 shows method 2105 .
The method 2105 can be performed by a vehicle computer (a computer located within 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.
Method 2105 may begin with steps 2110 and 2115 .
Step 2115 may include monitoring brake torque and engine torque.
Step 2110 may include monitoring wheel speeds of a plurality of vehicle wheels.
Any wheel sensor can be used. In particular, a wheel speed sensor can be assigned to each wheel.
Step 2110 may be followed by step 2120 of calculating a vehicle speed estimate. The estimate may be based on wheel speed signals from multiple wheel speed sensors.
Steps 2120 and 2115 may be followed by step 2130' of detecting a grip event. Grip events can include braking events, high speed events, and turn events. These grip events can be detected using the output of step 2120 . A grip event can be detected by monitoring vehicle speed, but can also be detected by monitoring the speed of one or more wheels.
A grip event may include passage of a small obstacle, and the impulse response of the vehicle to passage of a small obstacle may be detected based on the outputs of steps 2115 and 2120. A braking event may be detected based on the output of step 2115 .
FIG. 54 shows four examples of gripping events: a braking event 2131, a high speed event 2132 (eg reaching a certain speed, eg 80 km/h) and a turn 2133, and passing a small obstacle 2134. FIG.
Step 2130' is followed by step 2140' of calculating excitation and step 2150 of calculating slip ratio.
Step 2140' may include calculating 2146 the impulse response of the vehicle passing through the small obstacle.
Slip ratio can be calculated for each wheel and is the relationship between vehicle speed and wheel speed. During step 2150, a high pass filter may be applied to the vehicle speed.
Steps 2140' and 2150 may be followed by step 2160' of normalizing the excitation and slip rates of a plurality of vehicle wheels to produce normalized excitation and normalized slip rates.
Step 2160' may include normalizing the impulse response.
The normalized excitation and normalized slip ratios are far from the excitation and grip values that normally represent loss of grip. For example, assuming grip is lost at 20 percent excitation and 1 excitation, the normalized excitation is no more than half and the normalized slip ratio is less than 10 percent.
Method 2105 may include estimating residual grip based on these normalized excitation and normalized slip ratios.
For example, the method can estimate the residual grip by finding the relevant slip curve, and calculate the residual grip by comparing between the current grip and the loss of grip points associated with the relevant grip curve. .
Step 2160' can be followed by step 2170 of determining an associated slip curve based on the normalized excitation and the normalized slip ratio. Each slip curve contains a mapping between slip ratio values and excitation values. Step 2170 fits the normalized excitation and normalized slip ratio to the associated slip curve.
Step 2170 may select the relevant slip curve from a finite group of N (eg, 210) possible slip curves and/or extrapolate a new slip curve based on the finite slip curve. , or can be calculated in another way.
Step 2180 may include responding to determining an associated slip curve. Step 2180 includes storing associated slip curve information (such as an index or other identifier of the associated slip curve), transmitting the associated slip curve, calculating actual route segment grip information, etc. can be done.
FIG. 54 shows an example of step 2140'.
Step 2140' may include step 9142 and/or step 9144. Step 2140' includes step 2146 of calculating the impulse response of the vehicle passing through the small obstacle.
Step 2142 relates to at least one portion of the grip event to provide the selected vehicle speed estimate while ignoring other vehicle speed estimates associated with at least one other portion of the grip event. Selecting a vehicle speed estimate may be included. For example, a grip event lasts several seconds and multiple wheel speed readings are obtained each second (eg, 50 to 100 wheel speed readings per second).
Step 2142 may include selecting some of the wheel readings while ignoring some other wheel readings.
Any selection rule can be applied. For example, wheels obtained during the beginning of the grip event and/or during the end of the grip event (eg, during the first 20 percent of the duration of the grip event and/or during the last 15 percent of the duration of the grip event) Ignore speed readings, ignore wheel speed events associated with specific acceleration and/or deceleration values, wait for acceleration/deceleration or speed to reach steady state (and select steady state readings), etc. is mentioned.
Step 2144 may include calculating the excitation based on one or more changes in selected vehicle speed over time and based on zero or more additional factors.
Zero or more additional factors can be used to normalize the excitation values. The excitation value is any method, e.g., the overall change in vehicle speed during a selected period of time including the selected vehicle speed estimate, divided by the duration of the selected period of time, one or Multiple changes can be represented.
Additional factors may include vehicle driving and/or braking parameters, slope of one or more route segments (traversed by the vehicle), and the like.
The braking parameters may reflect the manner in which the vehicle's brakes were applied, ie, pumped or unpumped, any change in brake pedal position, and the like. For example, the braking parameter may reflect at least one of an average or minimum or maximum change in brake pedal position over time.
Different braking patterns (eg, patterns 2171 and 2172) may result in different excitations. The slope can be represented by at least one of an average slope or a minimum or maximum slope of the route segment.
FIG. 55 shows an example of step 2160'.
Step 2160 ′ may include step 2169 . At least one of steps 2161, 2162, 2163, 2164, 2165, 2166, 2167, 2167', and 2168 may be performed prior to step 2169. Step 2215 (also shown in FIG. 55) may be performed before step 2160'. Step 2215 can belong to method 2200 .
Step 2161 may include receiving or estimating climate bias. Climate bias can represent changes in grip associated with climate changes such as rain, fog, and temperature. Climate bias may be measured by climate sensors (humidity sensors, barometers, temperature sensors, etc.) and/or multiple vehicles on the same route segment within a limited time frame (eg, 30 minutes to several hours). may be detected by finding similar differences between grip levels experienced by
Step 2162 may include receiving or estimating a wheel effective patch size.
Step 9162 may include receiving or estimating engine torque and/or brake torque.
Step 2164 may include receiving or estimating tire health. Tire health is expected to change very slowly (except for flat tires) and can be expressed as a relatively constant bias over time.
Step 2166 may include receiving or estimating the weight of the vehicle. Non-limiting examples of weight estimates are provided in US Provisional Patent Application No. 62/556,447, filed September 10, 2017.
Step 2167 may include receiving or estimating the excitation. Excitation can occur from step 2140 .
Step 2167' may include receiving or estimating a grip.
Step 2168 may include receiving or estimating velocity. Velocity can be obtained from step 2120 .
Step 2169 may include normalizing the excitation and slip ratio of multiple vehicle wheels to produce a normalized excitation and normalized slip ratio. The normalization may be responsive to at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation.
Normalization compares the information sensed by different vehicles when passing the same road segment and compensates (corrects) for climatic bias, wheel effectiveness patch, tire health, vehicle weight, excitation, etc. can include
Step 2169 may be preceded by step 2215 of receiving and/or learning a normalization function and/or selection rule.
Step 2215 may include performing a training phase and/or receiving outputs learned during the training phase.
Step 2215 may include applying factors and lookup tables on features extracted from the sensor's signal. These factors and lookup tables are learned and built during the training phase.
Given a particular vehicle type, one or more tests can be conducted in a controlled environment/proving ground to derive signal characteristics.
One or more tests shall be performed against predefined small obstacles such as predefined small obstacles of the following types: step up, step down, bump (e.g. small bump) can be done.
There may be multiple small obstacles of 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 surroundings, and the like.
The test can be performed on one vehicle type exhibiting at least one different value such as weight, speed, tire pressure, damper settings, and the like.
Climate may change during certain trials.
Small obstacles may be placed in neighborhoods with different grip values (different values of Mue).
During each test, various sensor readings (eg, wheel speed, brake torque, and engine torque) are taken to provide the impulse response of the vehicle when passing small obstacles.
Relationships between sensor signals and their characteristics, vehicle parameters (weight, speed, tire pressure, dampers) and estimated grip levels are calculated. This relationship can be called a normalization function.
Aquaplaning (AP)
The above text and at least some of FIGS. 1-55 describe methods for calculating vehicle (vehicle DNA) parameters and methods for calculating road (surface DNA) parameters.
Any reference to the occurrence of an aquaplaning event can be interpreted 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, different road segments of the route 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.
Estimates of the occurrence of aquaplaning events for a particular road segment may be calculated and/or estimated characteristics of the road segment (e.g. physical events associated with the road segment), estimated and/or computed rainfall Characteristics and estimated and/or calculated parameters of the vehicle and (i) estimated characteristics of rain, (ii) characteristics of road section, (iii) incidence of aquaplaning, and (iv) vehicle estimation. can be based on a mapping between calculated and/or calculated parameters (eg, tire health).
The mapping can be calculated and/or learned based on previous driving sessions on different road segments, information about aquaplaning events detected in different ways, and the like.
The effect of aquaplaning on a vehicle can be a function of various parameters such as speed, change in speed, weight of the vehicle, tire health, nominal grip of the road segment, and the like.
Aquaplaning reduces the nominal grip of the road segment and therefore a modified grip level of the road segment should be calculated and taken into account when driving on the road segment (e.g. road segment for automatically determining the maximum travel speed above, determining whether to operate in autonomous or non-autonomous mode, etc.). The nominal grip of the road segment can be calculated, for example, by any of the methods described above for calculating grip (eg, method 2100 of FIG. 44). Grip deterioration due to an aquaplaning event is a function of the normalized grip level expected when a vehicle travels over a dry road segment and the normalized grip level expected when a vehicle travels over the same road segment when an aquaplaning event occurs. It can represent the gap between measured normalized grips.
The occurrence of aquaplaning may be detected by comparing the decrease in grip of multiple vehicles passing through the same road segment within a specified time frame (eg PWT as described below).
Rainfall can be detected by an automatic wiper unit configured to vary wiper speed as a function of estimated rainfall. The rain rate sensor readings of multiple automatic wiper units of multiple vehicles may be processed to reject one or more erroneous readings of one or more rain rate sensors.
The severity of aquaplaning can be related to road segment characteristics such as vehicle speed, water level, tread depth, and microtexture.
Water level may be a function of (i) cumulative precipitation over a period of time within the interval, (ii) surface microtexture, (iii) depressions/slopes in the tarmac, (iv) drainage channels and channels, etc. .
Tire tread depth and structure is sometimes referred to as tire health. 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 going through an AP event, all other parameters being the same. Since TAH is the major contributor to grip differences, it can be represented by tread depth and construction.
Road path parameters (surface microtextures, dips, slopes, drainage, etc.) can be estimated by any of the above methods.
definitions and annotations
Baseline Available Grip (BAG)—[g] The available grip attribute attached to a road segment that reflects its nominal grip when the road is dry at nominal temperature.
Precipitation Rate (PR) - [mm/h] Precipitation rate (per unit space), recorded/displayed by a specific geographical point specific index at a specific time.
Mean Precipitation Rate (MPR) - [mm/h] PR's average rainfall rate on a particular road segment at a particular time.
Precipitation amount window time (PWT)-[min] This is the length of the window time for calculating the amount of water on the road surface by aggregating MPR.
Total Window Precipitation (AWP) - [mm] The total amount of water (per unit space) that fell during the PWT on a particular road segment at a particular time
Aquaplaning Grip Degradation (AGD)—[g] Amount of grip available. This method may need to be reduced from the nominal available grip (dry road section) due to AP events at nominal speed.
Aquaplaning Event (AP) - An AP event was detected under the vehicle.
Tire Aquaplaning Health (TAH)—The degradation of grip of a particular vehicle due to an AP event of a given severity.
Normalized Aquaplaning Event (NAP) - AP follow-up compensation procedure using the vehicle's TAH.
Decrease Vs. Precipitation (Degradation Vs. Precipitation, DVP) mapping—a mapping (eg, table, equation) that describes the relationship between AWP and AGD for a particular road segment at nominal vehicle speed and nominal TAH.
prerequisite
Relevant Precipitation: Precipitation basically includes rain, hail and snow. Rain seems to be relevant. The method may or may not ignore the rest. The term rain can be applied to any associated amount of precipitation.
This method can assume zero temperature is minimal for rainfall. Below that it may snow.
There may be season-related problems: two roads with the same grip level when dry may have different grip drops when it rains - this is during rain (or road sections may get wet). can be measured during testing).
Grip loss due to rain can be different between the two roads with AWP. That is, one road may be worse than another at low AWP, but reverse at high AWP.
Repeatability—This method can assume, in most cases, that each particular location on the road will have the same AGD year after year, given the same AWP.
PWT. This method can assume 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, high wind, low humidity, (ii) drain pipe, (iii) water flow path, and (iv) vehicle splash.
The method can set the PWT to be the time window in which precipitation collects on the road: (i) below - the method collects more water on the road if the rain continues; (ii) above--"old" rainfall begins to drain/evaporate.
The exact time may depend on temperature, wind and humidity conditions.
The PWT for each road segment can be learned by monitoring the road segment and/or can be estimated in any manner.
AP Signature: It can be assumed that the method can detect the signature of the signal representing driving in paddle/AP phenomena, and its magnitude, in the vehicle. APs may be referred to as physical events with templated signatures and variable magnitudes.
This is reflected by a virtual sensor "AP detection" that can find signatures of AP event occurrences by using sensors that sense at least a portion of starting speed, engine/wheel torque, and magnitude.
AP Vs. Speed: The method can assume that the higher the speed of the vehicle, the higher the severity of the AP. per specific AP phenomenon (eg surface microtexture and water level). The method can define a mapping that relates AGD to vehicle speed (or can have any other mapping that includes a formula).
It is therefore sufficient to learn a single number per road segment per water level.
AP Vs. Total Window Precipitation (AWP): This method can assume that each road segment has its own surface DNA that always produces the same water level for a given AWP [mm]. Therefore, it would be sufficient to learn a mapping that reflects water level per AWP, or indeed AGD per AWP.
In-vehicle detection. The first step for AP processing is vehicle detection—detecting physical events (with unique signatures) that are AP events. The severity of AP events (related to the amount of grip level loss) may be influenced by rain and road segment parameters, but may also be influenced by vehicle (eg, tire health).
Assumption—AP mainly increases with speed: this is because the method may detect AP while cruising. Assume the phenomenon is not too severe, as braking with the paddles can cause the vehicle to quickly lose speed.
If the AWP is zero (ie, no signs of rain in the last period), the method may assume that no AP event can exist.
signature detection
AP event signatures may be detected in a variety of ways, for example, during controlled testing and/or when driving on road segments where APs are present.
Example - Record of driving in water (performance test site, normal road in winter)
The signature learning process can include collecting and annotating data. As an example, find all test drives on the water surface (winter, sprinklers, etc.) and find the signal characteristics (acceleration, wheel speed, driving/not driving, etc.).
The data can be processed in various ways, for example by running an SVM or some other machine learning algorithm and training it to detect grip loss.
Generate a mapping for grip reduction. For example, per speed and/or per depth.
Create a virtual AP sensor.
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 found support vectors to detect AP events and their severity.
When an AP event is detected, the method assigns various attributes to the AP event: starting speed [km/h], engine torque/driving wheel torque [Nm], AP severity [unitless], tire aqua Planing Health (TAH) - [Unitless] etc. can be issued to be associated.
Precipitation rate virtual sensor
To calculate water rainfall on the surface, the method can generate a rain rate virtual sensor.
This virtual sensor reflects the water/rain rate at the moment and location of its issuance.
This Vsensor (virtual) may be issued repeatedly when rain rate>0.
Implicitly, the method can assume rain rate=0 if it is not detected.
This method can have two potential sensors in the vehicle.
Wiper Sensor - Wiping speed. This method can assume that the driver operates the wipers when it is raining. The wiper speed varies with the rain rate as the driver tries to clear the windshield. Therefore, this method can extract the wiper rate.
rain sensor. Modern vehicles have 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 [%] representing the amount of water on the windshield. This method can read this sensor and use it as a rain rate sensor.
Another Source - Weather Stations: Usually weather stations are located in the road environment. The method can retrieve the rainfall rate from those data in near real time.
To avoid situations where the wipers are operated due to a dirty windshield, the method ignores indications associated with very short periods of rain (e.g., less than 1 minute) or disables sprinkler activation. It can detect and then ignore wiper operation for one minute.
Vehicle Speed—This method can assume that window water volume increases with vehicle speed. Therefore, the method should normalize (compensate) for velocity.
aquaplaning layer
The goal is to generate a map layer that holds the locations (road segments) that have AP problems when it is raining and the expected severity per rain rate [PR]. This layer may be added to (or included in) data structure 600'.
input
The main input of this mapping layer is a stream of data from the fleet of vehicles to the cloud, including the following virtual sensors: (i) AP detection Vsensor, (ii) rain rate Vsensor, (iii) tire AP health metadata be.
In addition, the method can receive instantaneously measured rainfall rates from the weather condition provider: (i) rainfall rate per road segment/area (in units of [mm/h]);
Forward window precipitation (AWP)
As defined above, this is the amount of rainfall in [mm] per area collected to produce the paddle.
It is computed as the integral of PR at a particular location over a time window preceding the time of computation.
The size of the window (ie the time before the current time the method collects rain) depends on the water evaporation rate. Evaporated water should not be condensed for calculating paddle depth.
Evaporation rate depends on the following parameters:
Temperature - The higher the temperature, the faster the water will evaporate.
Humidity - The lower the humidity, the higher the evaporation rate.
Wind - The stronger the wind, the higher the evaporation rate.
The above parameters are received from roadside weather reporting stations and used to calculate the precipitation window time (PWT) in [min]. If computed, the method can use the PWT to compute AWP as the integral of PR(t) over the PWT.
Aquaplaning Vs. precipitation mapping
A model (mapping) can be provided that can reflect the relationship between PR and AP hazard levels for each road segment. As noted above, this reflects surface DNA components (eg, asphalt dents, microtexture, drainage blockage, etc.) that affect AP severity. AP severity is measured by aquaplaning grip loss (AGD) (units [g]).
The method can assume that the AP phenomenon in a road segment is a function of the total window precipitation (AWP) units [mm]. Therefore, this method uses the LUT: AGP Vs. AWP can be defined and is shown as: Decreased Vs. Precipitation (DVP) table.
Structure (example):

study
This process runs over each driving session, with a particular vehicle driving a few miles on a particular road sending its Vsensor to the cloud.
Stage #1: AP Event
Given: TAH for each vehicle, AP Vsensor instance
Follow the routing algorithm (map matching) per session.
Find the map node (road segment) where the AP was detected.
For each AP event, compensate (correct) the TAH:
We factor the magnitude of the AP event by the vehicle's TAH.
In general, if the TAH is bad, the compensated (ie, normalized) AP magnitude will decrease.
Generation of normalized AP (NAP) events
A normalized AP event is an AP event that has a nominal magnitude.
That is, the magnitude after factorization with TAH
Stage #2: Precipitation Rate (PR)
Find all PR Vsensors.
Generate additional PR Vsensors instances from external weather sources (if rain is positive).
Establishing a connection with a weather reporting service
Extract PR value around each road section
Create a Vsensor instance from this information (as if detected by the vehicle).
Removal of out-of-layer/errors of PR display during session - too short PR events, rare PR events - too long to not repeat
annexation
This procedure is performed periodically (e.g., every few hours) following receipt of several driving sessions of the same or different vehicles in the cloud, after which each of the sessions follows the learning procedure described above. executed.
Move the roads on the map, each road, each time interval, a new study session.
Stage #1: PWT
Calculate the precipitation window time (PWT) [min].
Given conditions: temperature, wind, humidity
Stage #2: MPR
A PWT of road and time is given.
Compute mean precipitation (MPR) - using all sessions learned on the same road and same time window:
When each vehicle drives near a road segment around the same time frame
Extract surrounding PRs.
Average all PRs.
Remove layers.
Stage #3: AWP
given MPR
Total Window Precipitation (AWP) - calculated per hour per road segment.
Stage #4: DVP table
per road section
given:
AWPP of section
Normalized AP (NAP) events within an interval (see stage # above)
process
Averaging NAPs and Removing Layers
Decrease Vs. Generate precipitation mapping
For each AWP range, collect all NAP events collected given the AWPs within that range.
Average the NAP.
Enter the AWP range entry in the mapping table.
Finally, we have a complete lookup table that describes the relative NAP values (ie nominal grip loss per specific PR) for each road segment.
Use - Aquaplaning Prediction
Following a rainy day crowdsourced AP event, this method may manage to map:
AP severity for each AWP per road section
Per vehicle: TAH
Variables attached to each vehicle (change over time)
This defines how the AP severity is normalized to reflect the grip loss experienced by this particular vehicle due to the particular magnitude of the AP event.
Now, assuming that a particular vehicle is about to travel on a particular road, the method calculates the maximum safe speed for each road segment so as not to reduce the available grip level below a predetermined level. may wish to
given:
per specific road section in front of the vehicle
AWP-PR given from crowdsourced or weather station via PWT before current time.
Tire Aquaplaning Health (TAH) - per specific vehicle
Read from map:
Value of grip loss extracted from the LUT associated with the road segment per speed
Compensation (correction) with TAH
return:
Maximum safe speed before virtually losing grip
Finally, the vehicle can use this particular speed as the maximum speed cruise along these road segments.
The calculations and parameters shown in the previous tanning page are non-limiting examples of methods for calculating and/or predicting aquaplaning.
FIG. 56 illustrates a method 2400 for operating a vehicle, which may include the following steps.
Receiving or generating rain information about rain that may be associated with multiple road segments. step 2402;
estimating the grip level reduction associated with each road segment of the plurality of road segments; step 2404; The estimation of reduced grip level may be based on rain information, at least one rain-related parameter of the vehicle, and a mapping between rain information and reduced grip level associated with each road segment of the road segment.
Perform driving-related maneuvers based on grip level reduction. step 2406;
The rain-related parameters of the vehicle may include the health of at least one tire of the vehicle.
Estimating 2404 grip level degradation may include estimating 2405 the occurrence of one or more aquaplaning events on the plurality of road segments.
Step 2404 may include estimating grip level loss associated with the occurrence of one or more aquaplaning events on multiple road segments.
The method may include verifying 2408 the occurrence of one or more aquaplaning events by the vehicle.
The verification includes, by vehicle sensors, sensing the behavior of the vehicle as it travels over a plurality of road segments to provide sensing results, and by the vehicle, searching for one or more aquaplaning signatures within the sensing results. and
Step 2402 may include accumulating rain perception rate information obtained during rainy periods to generate rain information.
Step 2402 may include receiving or calculating precipitation window times for each road segment.
Step 2406 may include selectively activating an autonomous driving module to autonomously drive the vehicle.
Step 2406 can include at least one of the following.
When activated, it deactivates and/or activates an autonomous driving module that may be configured to autonomously drive the vehicle. Thus, autonomous driving can be triggered for a road segment in which the vehicle has a certain value of normalized grip (taking into account the grip reduction calculated during step 2404) and the vehicle has another value of normalized grip. Autonomous driving can be stopped for road segments with normalized grip (taking into account the grip drop calculated during step 2404). Activation and/or deactivation of autonomous driving may be a function of the grip level in relation to the distance between road segments, in particular road segments where the vehicle has a problematic grip level, which is autonomous every tens of meters. Note that running on and off may not be efficient. Given the results of step 2404, any function can be applied and used to determine how to operate autonomous driving. In at least some cases, the occurrence of an aquaplaning event allows the wheels of the vehicle to drain enough water, even on sections of road where enough water has collected to cause aquaplaning (at higher speeds). Note that this can be avoided by setting the vehicle speed to be low enough to allow Autonomous driving can therefore also be applied to problematic road segments.
Set the speed of the vehicle on each of multiple road segments. The speed may be set so as not to exceed the maximum safe speed associated with the road segment under estimated conditions (including possible occurrence of AP events). The maximum safe speed allows the wheels of the vehicle (at higher speeds) to evacuate enough water even on sections of road that have collected enough water to cause aquaplaning.
Warn the human driver of the vehicle. This could be any audio/visual message. This warning may also be issued when the dryer is controlling the vehicle and/or when the vehicle is being driven autonomously. Warnings indicate the danger of an aquaplaning event and can inform the driver, such as recommended vehicle speeds.
Implement or prevent speed changes (eg, acceleration or deceleration) on road segments where an aquaplaning event is expected to occur.
Step 2402 can include estimating a rain perception rate with at least one vehicle sensor.
At least one vehicle sensor may belong to the wiper control unit.
A non-transitory computer program product may be provided for operating a vehicle, the non-transitory computer program product having instructions for receiving or generating rain information relating to rain that may be associated with a plurality of road segments. , instructions for estimating a reduced grip level associated with each road segment of the plurality of road segments, the estimated reduced grip level comprising: rain information; at least one rain-related parameter of the vehicle; rain information and reduced grip level; and a mapping associated with each road segment of the road segment between and storing instructions to perform driving-related actions based on grip level reduction.
The rain-related parameters of the vehicle may include the health of at least one tire of the vehicle.
Estimating grip level degradation may include estimating the occurrence of one or more aquaplaning events on multiple road segments.
Estimating grip level degradation may include estimating grip level degradation associated with the occurrence of one or more aquaplaning events on the plurality of road segments.
The non-transitory computer-readable medium may include verifying occurrence of one or more aquaplaning events by the vehicle.
The verification includes, by a vehicle sensor, sensing behavior of the vehicle as it travels over a plurality of road segments to provide sensing results, and by the vehicle computer, searching for one or more aquaplaning signatures within the sensing results. can include
A non-transitory computer-readable medium can store instructions for accumulating rain perception rate information obtained during rainfall periods to generate rain information.
Execution of driving-related actions may include selectively activating an autonomous driving module to autonomously drive the vehicle.
Execution of driving-related actions may include selectively deactivating the autonomous driving module, and the autonomous driving module may be configured to drive the vehicle autonomously when activated.
Performing the driving-related action may include setting a vehicle speed for each of the plurality of road segments.
A non-transitory computer readable medium can store instructions for estimating rain perception rates with at least one vehicle sensor.
At least one vehicle sensor belongs to the wiper control unit.
Performing a driving-related action can include alerting the driver of the vehicle.
A vehicle system can be provided for driving a vehicle, the vehicle system having a sensor configured to perform at least one of: (a) sensing behavior of the vehicle; and (b) sensing a rain parameter. (such as any sensor illustrated in the specification and/or any one of FIGS. 3, 4, 20, 40, 41, 42 and 50 and/or a vehicle rain sensor) and a plurality of roadways A computer vehicle (description and/or chart 3, 4, 20, 40, 41, 42 and 50), wherein the estimation of grip level reduction is combined with rain information and at least one It is based on two rain-related parameters and a mapping between rain information and reduced grip level to assist in performing driving-related actions based on reduced grip level.
FIG. 56 shows a method 2420 for estimating the occurrence of one or more aquaplaning events, which method can include the following steps.
Receiving or generating rain information about rain that may be associated with multiple road segments. step 2402;
A vehicle computer estimates the occurrence of one or more aquaplaning events on multiple road segments. Step 2424. The estimation of the occurrence of one or more aquaplaning events is based on the rain information, at least one rain-related parameter of the vehicle, and the information on the road between the rain information and the occurrence of the one or more aquaplaning events. and a mapping associated with each road segment of the segment.
Method 2420 can also include at least one of the following.
Step 2426 of performing driving-related actions based on the estimated occurrence of one or more aquaplaning events.
Verify 2428 the occurrence of one or more aquaplaning events by the vehicle.
Step 2428 senses behavior of the vehicle as it traverses the plurality of road segments with vehicle sensors to provide sensing results, and searches with the vehicle for one or more aquaplaning signatures in the sensing results. steps.
Step 2402 may include accumulating rain perception rate information obtained during rainfall periods to generate rain information.
Step 2402 may include receiving or calculating precipitation window times for each road segment.
Step 2426 can include at least one of the following.
Deactivating and/or activating an autonomous drive module that, when activated, may be configured to drive the vehicle autonomously. Thus, autonomous driving can be triggered for road segments in which the vehicle has a certain value of normalized grip (taking into account the grip reduction calculated during step 2404) and the vehicle has another value of normalized grip. (taking into account the grip loss calculated during step 2404) autonomous driving can be stopped. Activation and/or deactivation of autonomous driving may be a function of the grip level in relation to the distance between road segments, in particular road segments where the vehicle has a problematic grip level, which is autonomous every tens of meters. Note that running on and off may not be efficient. Given the results of step 2404, any function can be applied and used to determine how to operate autonomous driving. In at least some cases, the occurrence of an aquaplaning event allows the wheels of the vehicle to drain enough water, even on sections of road where enough water has collected to cause aquaplaning (at higher speeds). Note that this can be avoided by setting the vehicle speed to be low enough to allow Autonomous driving can therefore also be applied to problematic road segments.
Setting the speed of the vehicle on each of a plurality of road segments. The speed may be set to not exceed the maximum safe speed associated with the road segment under estimated conditions (including possible occurrence of AP events). The maximum safe speed allows the wheels of the vehicle (at higher speeds) to drain enough water even on sections of road where enough water has collected to cause aquaplaning.
To warn the human driver of a vehicle. This could 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 an aquaplaning event and can inform the driver, such as recommended vehicle speeds.
Implementing or preventing speed changes (e.g. acceleration or deceleration) on road segments where an aquaplaning event is expected.
A non-transitory computer program product may be provided for estimating the occurrence of one or more aquaplaning events, the non-transitory computer program product may be associated with a plurality of road segments. and instructions for estimating, by a vehicle computer, the occurrence of one or more aquaplaning events on a plurality of road segments, and the occurrence of the one or more aquaplaning events; is based on the rain information, at least one rain-related parameter of the vehicle, and a mapping between the rain information and the occurrence of one or more aquaplaning events associated with each road segment of the plurality of road segments good too.
The non-transitory computer-readable medium can include performing driving-related actions based on probable occurrence of one or more aquaplaning events.
The non-transitory computer-readable medium may include verifying occurrence of one or more aquaplaning events by the vehicle.
The verification includes, by vehicle sensors, sensing the behavior of the vehicle as it travels over a plurality of road segments to provide sensing results, and by the vehicle, searching for one or more aquaplaning signatures within the sensing results. and
A non-transitory computer-readable medium can store instructions for accumulating rain perception rate information obtained during rainfall periods to generate rain information.
Execution of driving-related actions may include selectively activating an autonomous driving module to autonomously drive the vehicle.
Execution of driving-related actions may include selectively deactivating an autonomous driving module configured to autonomously drive the vehicle upon activation.
Performing the driving-related action may include setting the speed of the vehicle on each of the plurality of road segments.
A non-transitory computer readable medium can store instructions for estimating rain perception rates with at least one vehicle sensor.
At least one vehicle sensor belongs to the wiper control unit.
Performing a driving-related action can include alerting the driver of the vehicle.
A vehicle system may be provided for operating a vehicle, the vehicle system configured to perform at least one of (a) sensing behavior of the vehicle and (b) sensing a rain parameter. sensors (such as those shown in the specification and/or any one of FIGS. 3, 4, 20, 40, 41, 42 and 50 and/or vehicle rain sensors), and A computer vehicle (description and/or FIG. 3 , 4, 20, 40, 41, 42 and 50), wherein the estimation of the occurrence of one or more aquaplaning events is based on rain information, vehicle and a mapping between rain information and occurrence of one or more aquaplaning events associated with each road segment of the plurality of road segments.
The vehicle computer may be configured to assist in performing driving-related actions based on the probable occurrence of one or more aquaplaning events.
A method of measuring a physical event associated with a plurality of road segments can include measuring a first set of parameters with a first vehicle sensor, the measurements being performed while the vehicle is driving the plurality of road segments. the first set of parameters may include a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor is different from the road image sensor, and is determined by the vehicle computer from a plurality of road segments. detecting a detected physical event associated with driving, the detecting may be based on a first set of parameters; generating physical event information about the detected physical event; and at least one of the physical event information including storing or transmitting A physical event may be an aquaplaning event. By way of example, each of method 10' of FIG. 12 and method 11' of FIG. 13 may be modified to detect a physical event, which may be an aquaplaning event. Referring to FIG. 14, information regarding aquaplaning events can be added to the database 600', for example, in a fixed size sparse layer 630' or a variable size sparse layer 640'.
A non-transitory computer program product may be provided for measuring physical events associated with a plurality of road segments, the non-transitory computer program product measuring a first set of parameters by a first vehicle sensor. and the measurements may be made while the vehicle is traveling over a plurality of road segments, the first set of parameters may include a vehicle wheel displacement parameter and a vehicle acceleration parameter; is different from the road image sensor and stores instructions for detecting detected physical events associated with traveling a plurality of road segments by the vehicle computer, the detection being based on a first set of parameters; and storing instructions for generating physical event information relating to the detected physical event and storing or transmitting at least a portion of the physical event information, the physical event may include occurrence of an aquaplaning event.
A system may be provided for measuring physical events associated with a plurality of road segments, the system may be configured to (i) receive a first set of parameters from a first vehicle sensor; , the measurements are made while the vehicle is traveling over a plurality of road segments, the first set of parameters may include a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor being a road image sensor; Differently, (ii) may be configured to detect detected physical events associated with driving on a plurality of road segments, the detection may be based on the first set of parameters, and physical event information about the detected physical events; and store or transmit at least a portion of the physical event information, the physical event may include the occurrence of an aquaplaning event, the vehicle computer.
A method can be provided for generating a reference map of a region, comprising: (a) physical event information relating to physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; ) receiving by a communication interface road segment attributes calculated by the plurality of vehicles, the road segment attributes being associated with road segments belonging to the region, and physical event information of one vehicle of the plurality of vehicles being The physical event information of one of the plurality of vehicles can be associated with a road segment belonging to the region and can be based on a first set of parameters that can be sensed by a first vehicle sensor of the vehicle; The parameter set may include a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor being different from the road image sensor and physical event information regarding the detected physical event detected by the plurality of vehicles; calculating by the computerized system a reference map based on the road segment attributes calculated by and the detected physical event may include the occurrence of an aquaplaning event. Referring to method 800 of FIG. 21, step 810 may include receiving physical event information that may 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.
A non-transitory computer program product may be provided for generating a reference map of a region, the non-transitory computer program product being (a) detected by a plurality of vehicles when traveling on a road segment belonging to the region; and (b) road segment attributes calculated by the plurality of vehicles from a plurality of vehicles via a communication interface, the road segment attributes belonging to a region. The physical event information for one of the plurality of vehicles may be based on a first set of parameters that may be associated with the road segment and may be sensed by a first vehicle sensor on the vehicle; may include a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor being distinct from the road image sensor, and the computerized system providing physical event information regarding detected physical events detected by a plurality of vehicles and , road segment attributes computed by the plurality of vehicles, and instructions for computing a reference map, wherein the detected physical event may include the occurrence of an aquaplaning event.
A method may be provided for determining a drive session, the method may include receiving or generating, by a vehicle computer, a vehicle profile and a grade of a portion of a route preceding the vehicle, the vehicle profile being may be generated based on at least the road route and vehicle parameters, and may include sensing at least some of the road route and vehicle parameters by a vehicle sensor different from the road image sensor; and by the vehicle computer; Determining proposed driving parameters for a route preceding the vehicle, the calculation at least in part on information related to the vehicle profile, route segment slope, extrinsic constraints, and occurrence of one or more aquaplaning events. including that it may be based on Extrinsic constraints can include the occurrence of one or more aquaplaning events. Referring to method 1200 of FIG. 28, step 1220 can react to extrinsic constraints and can include the occurrence (actual or predicted) of one or more aquaplaning events.
A non-temporal computer program product may be provided for determining a drive session, the non-temporal computer program product receiving or generating, by the vehicle computer, the vehicle profile and the slope of the portion of the route preceding the vehicle. wherein the vehicle profile is generated based on at least the road route and vehicle parameters, at least some of the road route and vehicle parameters being sensed by vehicle sensors different from the road image sensors; Determining, by a vehicle computer, proposed driving parameters for a route preceding the vehicle, the calculations being based at least in part on the vehicle profile, route segment grades, extrinsic constraints, occurrence of one or more aquaplaning events, and the like; may
The terms "including", "comprising", "having", "consisting of" and "consisting essentially of" are used interchangeably. Exemplary methods may include at least the steps included in the drawings and/or the description, or only the steps included in the drawings and/or the description.
In the foregoing specification, the invention has been described with reference to specific examples of embodiments of the invention. It will, however, be evident that various modifications and changes can be made without departing from the broader spirit and scope of the appended invention.
Further, the terms "forward", "rearward", "backward", "top", "bottom", "upper", "lower", etc. in the specification and claims, if any, are for descriptive purposes. used to describe a permanent relative position. It should be understood that these terms are used in a suitable environment to cause the embodiments described herein to operate, for example, in the orientations shown or other orientations than those described herein. are interchangeable below.
The connections described herein may be any type of connection suitable for transferring signals to and from the respective nodes, units or devices, for example through intermediate devices. Thus, unless implied or stated otherwise, a connection may be, for example, a direct connection or an indirect connection. Connections may be shown or described with reference to single connections, multiple connections, unidirectional connections, or bidirectional connections. However, different embodiments may vary the implementation of the connections. For example, separate unidirectional connections may be used rather than bidirectional connections and vice versa. Also, multiple connections may be replaced with a single connection that transfers multiple signals serially or in a time multiplexed fashion. Similarly, single connections carrying multiple signals may be separated out into various different connections carrying subsets of these signals. So there are many options for transferring the signal
Although specific conductivity types or polarities of potentials are described in the examples, it will be understood that the conductivity types and polarities of potentials may be reversed.
Those skilled in the art will recognize that the boundaries between the various components are merely exemplary and that alternate embodiments may merge the various components or impose alternate decompositions of functionality on the various components. I will. Therefore, it should be understood that the architecture shown herein is merely exemplary and that in practice many other architectures can be implemented that achieve the same functionality.
Any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Thus, any two components combined herein can be viewed as "associated" with each other such that the desired functionality is achieved, regardless of the architecture or intermediate components. Similarly, any two components so associated may also be viewed as being "operably connected" or "operably coupled" to each other to achieve the desired functionality. .
Moreover, those skilled in the art will recognize that the boundaries between operations described above are merely exemplary. Multiple operations may be combined into a single operation, single operations may be distributed among additional operations, and operations may be performed at least partially overlapping in time. Additionally, alternative embodiments may include multiple instances of a particular operation, and the order of operations may be altered in various other embodiments.
However, other modifications, variations and alternatives are possible. The specification and drawings are, accordingly, to be regarded in an illustrative rather than a restrictive sense.
Any combination of any component of the system or device or apparatus and/or any component of the unit shown in any of the figures and/or the description and/or the claims may be provided.
Any system and/or device and/or combination of apparatus shown in any drawing and/or specification and/or claims may be provided.
Any combination of the steps, acts and/or methods set forth in any figure and/or specification and/or claims may be provided.
Any combination of the acts shown in any figures and/or specification and/or claims may be provided.
Any combination of the methods set forth in any of the figures and/or description and/or claims may be provided.
One or more non-transitory computer readable instructions capable of storing instructions for performing a combination of steps, acts and/or methods set forth in any of the figures and/or the specification and/or claims A medium can be provided.
One or more devices and/or systems constructed and arranged to perform any combination of the steps, acts and/or methods illustrated in any of the figures and/or the description and/or the claims and/or units may be provided.
The terms configured, constructed and arranged are used interchangeably.
The phrase "may be X" indicates that condition X may be satisfied. This phrase also implies that condition X is not satisfied.
Those skilled in the art will appreciate that the boundaries between logic blocks are merely exemplary and that alternative embodiments may merge the logic blocks or circuit elements or impose alternative decompositions of functionality on the various logic blocks or circuit elements. will recognize that Therefore, it should be understood that the architecture shown herein is merely exemplary and that in practice many other architectures can be implemented that achieve the same functionality.
Any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Thus, any two components that are combined herein to achieve a particular functionality are said to be "associated" with each other such that the desired functionality is achieved, regardless of the architecture or intermediate components. can see. Similarly, any two components so associated may also be viewed as being "operably connected" or "operably coupled" to each other to achieve the desired functionality.
Moreover, those skilled in the art will recognize that the boundaries between operations described above are merely exemplary. Multiple operations may be combined into a single operation, single operations may be distributed among additional operations, and operations may be performed at least partially overlapping in time. Additionally, alternative embodiments may include multiple instances of a particular operation, and the order of operations may be altered in various other embodiments.
Also for example, in one embodiment, the illustrated examples may be implemented as circuitry located on a single integrated circuit or within the same device. Alternatively, these examples may be implemented as any number of separate integrated circuits or separate devices interconnected together in a suitable manner.
Also, for example, examples, or portions thereof, may be implemented as a soft or code representation of physical circuitry, or as a logical representation convertible to physical circuitry, such as in any suitable type of hardware description language.
Also, the present invention is not limited to physical devices or units implemented in non-programmable hardware, such as mainframes, minicomputers, servers, workstations, personal computers, notepads, personal digital assistants, electronic games, automobiles and A programmable device or unit capable of performing desired device functions by operating in accordance with appropriate program code, such as other embedded systems, cellular telephones, and various other wireless devices, commonly referred to in this application as "computer systems." can also be applied to
In the claims, any reference signs placed between parentheses shall not be construed as limiting the claim. The word "comprising" does not exclude the presence of elements or steps other than those listed in a claim. Further, as used herein, the term "a" or "an" means one or more, and the use of introductory phrases such as "at least one" and "one or more" in the claims , other claims with an indefinite article, even if the same claim includes an introductory phrase of "one or more" or "at least one" and an indefinite article such as "a" or "an" The introduction of an element should not be construed to mean that a particular claim containing such introduced claim element is limited to an invention containing only one such element, nor should the use of distinct articles be construed. is also the same. Unless otherwise indicated, terms such as "first" and "second" are used to arbitrarily distinguish between the elements they represent. As such, these terms do not necessarily indicate a temporal or other priority between elements. The mere fact that certain measures are recited in mutually different claims does not indicate that a combination of these measures cannot be used to advantage.
While certain features of the invention have been illustrated and described herein, many modifications, substitutions, changes, and equivalents will now occur to those skilled in the art. It is therefore to be understood that the appended claims are intended to cover all such modifications and alterations as fall within the spirit and scope of the present invention.

Claims (323)

A method for estimating the height of a road segment, comprising:
during a given driving session with a vehicle barometer measuring the internal pressure of the vehicle as it traverses the road segment to provide a plurality of barometer readings;
the computer corrects for vehicle conditions affecting the barometer to provide a plurality of corrected barometer readings;
Multiple corrected barometer measurements are merged with barometer information obtained during multiple other driving sessions performed by multiple vehicles, thereby providing a road segment height estimate, the merging is , performing session constant offset correction and intersession offset correction. 2. The method of claim 1, wherein merging includes searching for duplicate nodes, each duplicate node corresponding to the same location and belonging to multiple sessions. 3. The method of claim 2, wherein merging comprises an association process to substantially equalize height estimates of different sessions associated with the same duplicate node. 4. The method of claim 3, comprising changing height estimates of non-overlapping nodes based on changes in height estimates of duplicate nodes introduced during the association process. 5. The method of claim 4, wherein modifying height estimates of non-overlapping nodes comprises distributing height adjustments along the session according to a predetermined height adjustment distribution. 6. The method of claim 5, wherein the predetermined height adjustment distribution is a uniformly distributed height adjustment distribution. 4. The method of claim 3, wherein session constant offset correction includes reducing height differences between duplicate nodes without associating duplicate nodes. 4. The method of claim 3, wherein inter-session offset correction includes an association process. 2. The method of claim 1, wherein correcting vehicle conditions affecting the barometer is based on information provided by the barometer and at least one other vehicle sensor different from the barometer. 10. The method of Claim 9, wherein the at least one other vehicle sensor is an accelerometer. 2. The method of claim 1, wherein merging comprises calculating a statistic of height estimates associated with duplicate nodes and rejecting one or more height estimates based on the statistic. . 2. The method of claim 1, comprising transmitting the plurality of corrected barometer measurements to a computerized system located external to the vehicle, the merging being performed by the computerized system. 2. The method of claim 1, wherein at least a portion of the merging is performed by the vehicle's computer. 2. The method of claim 1, wherein correcting for vehicle conditions affecting the barometer comprises low-pass filtering the barometer measurements. 2. The method of claim 1, wherein correcting for vehicle conditions affecting the barometer comprises determining to ignore at least some of the barometer measurements. 2. The method of claim 1, wherein correcting for vehicle conditions affecting the barometer comprises determining to ignore at least some of the barometer measurements. Compensating for vehicle conditions affecting the barometer is when the slope of the road section extending between the two points exceeds a maximum slope threshold, as reflected by the barometer measurements associated with the two points. , determining to ignore at least some of the barometer measurements. 2. The method of claim 1, wherein correcting for barometer-affecting vehicle conditions comprises calculating the effect of a barometer-affecting event on the value of at least one barometer measurement. 2. The method of claim 1, wherein correcting the barometer affecting the vehicle is responsive to acceleration of the vehicle when the barometer measurements are taken. 2. The method of claim 1, wherein correcting the barometer affecting the vehicle is responsive to deceleration of the vehicle when the barometer measurement is taken. A non-transitory computer program product for estimating the height of a road segment, comprising:
instructions for measuring internal pressure of the vehicle during a given driving session with the vehicle's barometer while the vehicle traverses the road segment to provide a plurality of barometer readings;
instructions for correcting, by the computer, vehicle conditions affecting the barometer to provide a plurality of corrected barometer readings;
instructions for merging a plurality of corrected barometer measurements with barometer information obtained during a plurality of other driving sessions performed by a plurality of vehicles, thereby providing a height estimate for a road segment; , storing and merging performing session constant offset correction and intersession offset correction. 22. The non-transitory computer program product of claim 21, wherein merging includes searching for duplicate nodes, each duplicate node corresponding to the same location and belonging to multiple sessions. 23. The non-transitory computer program product of claim 22, wherein merging comprises an associating process for substantially equalizing height estimates of different sessions associated with the same duplicate node. 24. The non-transitory computer program product of claim 23, storing instructions for modifying height estimates of non-overlapping nodes based on changes in height estimates of duplicate nodes introduced during the association process. 25. The non-transitory computer program product of claim 24, wherein modifying height estimates of non-overlapping nodes comprises distributing height adjustments along a session according to a predetermined height adjustment distribution. 26. The non-transitory computer program product of claim 25, wherein the predetermined height adjustment distribution is a uniformly distributed height adjustment distribution. 27. The non-transitory computer program product of claim 26, wherein session constant offset correction includes reducing height differences between duplicate nodes without associating duplicate nodes. 27. The non-transitory computer program product of claim 26, wherein intersession offset correction includes an association process. 22. The non-transitory computer program product of claim 21, wherein correcting for vehicle conditions affecting the barometer is based on information provided by the barometer and at least one other vehicle sensor different from the barometer. 30. The non-transitory computer program product of Claim 29, wherein the at least one other vehicle sensor is an accelerometer. 22. The non-transitory computer program product of claim 21, wherein correcting for vehicle conditions affecting the barometer is based on barometer reading patterns. 22. The method of claim 21, wherein merging comprises calculating statistics of height estimates associated with duplicate nodes and rejecting one or more height estimates based on the statistics. Temporary Computer Program Product. 22. The method of claim 21, storing instructions for transmitting a plurality of corrected barometer readings to a computerized system located outside the vehicle, the merging being performed by the computerized system. non-transitory computer program products. 22. The non-transitory computer program product of claim 21, wherein at least a portion of the merging is performed by the vehicle's computer. 22. The non-transitory computer program product of claim 21, wherein correcting for vehicle conditions affecting the barometer includes low pass filtering the barometer measurements. 22. The non-transitory computer program product of claim 21, wherein correcting for vehicle conditions affecting the barometer includes determining to ignore at least some of the barometer readings. 22. The non-transitory computer program product of claim 21, wherein correcting for vehicle conditions affecting the barometer includes determining to ignore at least some of the barometer readings. Compensating for vehicle conditions affecting the barometer is when the slope of the road section extending between the two points exceeds a maximum slope threshold, as reflected by the barometer measurements associated with the two points. 22. The non-transitory computer program product of claim 21, comprising determining to ignore at least some of the barometer measurements. 22. The non-transitory computer program of claim 21, wherein correcting for barometer-affecting vehicle conditions comprises calculating the effect of a barometer-affecting event on the value of at least one barometer measurement. product. 22. The non-transitory computer program product of claim 21, wherein correcting the barometer affecting the vehicle is responsive to acceleration of the vehicle when the barometer measurement is taken. 22. The non-transitory computer program product of claim 21, wherein correcting the barometer affecting the vehicle is responsive to vehicle deceleration when the barometer measurement is taken. A method for measuring physical events associated with a plurality of road segments, wherein the vehicle wheel displacement parameters and the measuring a first set of parameters including a vehicle acceleration parameter; detecting, by the vehicle computer, a detected physical event associated with traveling a plurality of road segments based on the first set of parameters; physical event information about the detected physical event; and storing or transmitting at least a portion of the physical event information. 43. 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. 43. The method of claim 42, wherein the detected physical events include collisions, slips, skids, spins, latitude spins and longitude spins. 43. The method of claim 42, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. 43. The method of claim 42, comprising calculating road segment attributes. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 47. The method of claim 46, including (v) at least one road segment attribute of undulation of the road segment. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 47. The method of claim 46, including (v) segment attributes of at least three of the swells of the road segment. 43. The method of claim 42, comprising calculating the location of physical events. 43. The method of claim 42, comprising calculating the position of the physical event based on positions of different vehicle components associated with the physical event at times corresponding to measurements of the first set of parameters. calculating a difference between (a) a reference map of the plurality of road segments containing reference information about previously detected physical events associated with the plurality of road segments and (b) the physical event information, 43. The method of claim 42, transmitting at least some. receiving or calculating a reference map of a plurality of road segments, the reference map comprising (a) reference information about previously detected physical events associated with the plurality of road segments; 43. The method of claim 42, comprising a reference road segment attribute that 53. The method of claim 52, comprising determining the position of the vehicle based on the reference map and the order of detected physical events. 53. The method of claim 52, comprising determining the position of the vehicle by searching in a reference map for a reference order of physical events that matches the order of detected physical events. 53. The method of claim 52, comprising determining the position of the vehicle by searching in a reference map for a reference order of required physical events that matches the order of required detected physical events. 53. The method of claim 52, wherein the reference map includes a base layer that stores information about the locations of the plurality of road segments and the spatial relationships between the plurality of road segments. 57. The method of claim 56, wherein the reference map includes a layer that stores reference information regarding previously detected physical events associated with a plurality of road segments. 58. The method of claim 57, comprising determining the position of the vehicle by searching within a layer for a reference order of physical events that matches the order of detected physical events. 59. The method of claim 58, wherein searching comprises scanning a road segment represented by the base layer and retrieving reference information for previously detected physical events associated with the scanned road segment. 60. The method of claim 59, wherein searching comprises applying a hash function to locate reference information for previously detected physical events. The reference map contains (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments. 53. The method of claim 52, comprising a plurality of sparse layers, and wherein one or more sparse layers are linked to a base layer. 62. The method of claim 61, comprising generating drive instructions based on one or more sparse layers and vehicle location. 53. The method of claim 52, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, the variable size sparse layer including reference physical event information. 53. The method of claim 52, receiving a reference map update to update a portion of the reference map and updating the portion of the reference map without updating portions of the reference map that have not been updated. 53. The method of claim 52, wherein the reference map includes private fields storing information about driving patterns associated with a vehicle or a driver of the vehicle, and public fields. 43. The method of Claim 42, further comprising generating virtual sensor information based on at least the first set of parameters. 43. The method of claim 42, further comprising determining the lateral position of the vehicle by using an image sensor. 43. The method of claim 42, wherein the physical event information includes normalized magnitudes of detected physical events. 1. A non-transitory computer program product for measuring a physical event associated with a plurality of road segments, by a first vehicle sensor different from a road image sensor while the vehicle travels over the plurality of road segments, measuring a first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter; detecting, by a vehicle computer, a detected physical event associated with traveling a plurality of road segments based on the first set of parameters; A non-transitory computer program product storing instructions for generating physical event information for an event and storing or transmitting at least a portion of the physical event information. 70. The non-transitory computer program product of claim 69, wherein the detected physical event is selected from the group consisting of collision, slip, skid, spin, latitude spin, and longitude spin. 70. The non-transitory computer program product of claim 69, wherein detected physical events include collisions, slips, skids, spins, latitudinal spins and longitude spins. 70. The non-transitory computer program product of Claim 69, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. 70. The non-transitory computer program product of claim 69, storing instructions for calculating road segment attributes. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 74. The non-transitory computer program product of claim 73, comprising: (v) at least one road segment attribute of undulation of the road segment. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 74. The non-transitory computer program product of claim 73, comprising: (v) at least three road segment attributes of road segment undulation. 70. The non-transitory computer program product of claim 69, storing instructions for calculating positions of physical events. 70. The non-transitory of claim 69, storing instructions for calculating a position of a physical event based on positions of different vehicle components associated with the physical event at times corresponding to measurements of the first set of parameters. computer program product. calculating a difference between (a) a reference map of the plurality of road segments containing reference information about previously detected physical events associated with the plurality of road segments and (b) the physical event information; 70. The non-transitory computer program product of claim 69, storing instructions for transmitting some. receiving or calculating a reference map of a plurality of road segments, the reference map including (a) reference information regarding previously detected physical events associated with the plurality of road segments; and (b) reference information associated with the plurality of road segments. 70. The non-transitory computer program product of claim 69, storing instructions for including road segment attributes. 80. The non-transitory computer program product of claim 79, storing instructions for determining a vehicle's position based on a reference map and an order of detected physical events. 80. The non-transitory computer program product of claim 79, storing instructions for determining the position of a vehicle by searching in a reference map for a reference order of physical events that matches the order of detected physical events. 80. The non-transitory computer program product of claim 79, storing instructions for determining the position of a vehicle by searching in a reference map for a reference order of required physical events that matches the order of required detected physical events. product. 80. The non-transitory computer program product of claim 79, wherein the reference map includes a base layer that stores information regarding locations of multiple road segments and spatial relationships between multiple road segments. 84. The non-transitory computer program product of claim 83, wherein the reference map includes a layer that stores reference information regarding previously detected physical events associated with a plurality of road segments. 85. The non-transitory computer program product of claim 84, storing instructions for determining the position of a vehicle by searching in layers for a reference order of physical events that matches the order of detected physical events. 86. The non-temporary non-temporal entity of claim 85, wherein searching comprises scanning a road segment represented by the base layer and retrieving reference information about previously detected physical events associated with the scanned road segment. computer program product. 86. The non-transitory computer program product of claim 85, wherein searching includes applying a hash function to locate reference information for previously detected physical events. The reference map contains (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments. 80. The non-transitory computer program product of claim 79, comprising a plurality of sparse layers, one or more of the sparse layers linked to the base layer. 89. The non-transitory computer program product of claim 88, storing instructions for generating drive instructions based on one or more sparse layers and vehicle position. 80. The non-transitory computer program product of claim 79, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, the variable size sparse layer including reference physical event information. 80. The method of claim 79, receiving a reference map update to update a portion of the reference map, and storing instructions for updating the portion of the reference map without updating non-updated portions of the reference map. The non-transitory computer program product described. 80. The non-transitory computer program product of claim 79, wherein the reference map includes private fields storing information about driving patterns associated with a vehicle or a driver of the vehicle, and public fields. 70. The non-transitory computer program product of claim 69, storing instructions for generating virtual sensor information based on at least the first set of parameters. 70. The non-transitory computer program product of claim 69, storing instructions for determining the lateral position of the vehicle by using an image sensor. 70. The non-transitory computer program product of claim 69, wherein the physical event information includes normalized magnitudes of detected physical events. A system for measuring physical events associated with a plurality of road segments, comprising: (i) a first set of parameters including vehicle wheel displacement parameters and vehicle acceleration parameters from a first vehicle sensor different from the road image sensor; and the measurements are made while the vehicle is traveling over the plurality of road segments, and (ii) measuring detected physical events associated with traveling over the plurality of road segments based on the first set of parameters A system comprising a vehicle computer configured to detect, generate physical event information for the detected physical event, and assist in storing or transmitting at least a portion of the physical event information. 1. A method for generating a reference map of a region comprising, by means of a communication interface, from a plurality of vehicles: (a) physical events relating to detected physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; and (b) road segment attributes computed by a plurality of vehicles, the road segment attributes being associated with road segments belonging to the region and physical event information for one vehicle of the plurality of vehicles. is based on a first set of parameters sensed by a first vehicle sensor of the vehicle, the first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor sensing the road image A method of calculating a reference map based on physical event information about detected physical events detected by a plurality of vehicles and road segment attributes calculated by the plurality of vehicles by a computerized system, as distinct from sensors. . 98. 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. 98. The method of claim 97, wherein the detected physical events include collisions, slips, skids, spins, latitudinal spins and longitude spins. 98. The method of claim 97, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 98. The method of claim 97, including (v) at least one road segment attribute of undulation of the road segment. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 98. The method of claim 97, including (v) segment attributes of at least three of the swells of the road segment. 98. The method of claim 97, wherein the reference map includes (a) reference information regarding previously detected physical events associated with the plurality of road segments; and (b) reference road segment attributes associated with the plurality of road segments. Method. 98. The method of claim 97, wherein the reference map includes a base layer that stores information about the locations of the plurality of road segments and the spatial relationships between the plurality of road segments. 105. The method of claim 104, wherein the reference map includes a layer that stores reference information regarding previously detected physical events associated with a plurality of road segments. The reference map contains (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments. 98. The method of claim 97, comprising a plurality of sparse layers, one or more sparse layers linked to a base layer. 98. The method of claim 97, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, the variable size sparse layer including reference physical event information. 98. The method of claim 97, wherein the reference map includes private fields storing information about driving patterns associated with a vehicle or a driver of the vehicle, and public fields. 98. The method of Claim 97, wherein the physical event information includes normalized magnitudes of detected physical events. A non-transitory computer program product for generating a reference map of a region, comprising:
Through the communication interface, from the plurality of vehicles, (a) physical event information regarding the detected physical events detected by the plurality of vehicles when traveling on the road segment belonging to the region and (b) the road segment calculated by the plurality of vehicles. Instructions for receiving an attribute, wherein the road segment attribute is associated with a road segment belonging to the region, the physical event information of one vehicle of the plurality of vehicles being different from the road image sensor of the vehicle. a command based on a first set of parameters sensed by the sensors, the first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter;
a computerized system storing instructions for calculating a reference map based on physical event information relating to detected physical events detected by a plurality of vehicles and road segment attributes calculated by the plurality of vehicles; program product. 111. The non-transitory computer program product of claim 110, wherein the detected physical event is selected from the group consisting of collision, slip, skid, spin, latitude spin, and longitude spin. 111. The non-transitory computer program product of claim 110, wherein detected physical events include collisions, slips, skids, spins, latitude spins, and longitude spins. 111. The non-transitory computer program product of claim 110, wherein the first vehicle sensor includes an accelerometer and a plurality of wheel motion sensors. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 111. The non-transitory computer program product of claim 110, comprising: (v) at least one road segment attribute of undulation of the road segment. The road segment attributes are: (i) the curvature of the group of road segments containing the road segment; (ii) the longitudinal slope of the road segment; (iii) the lateral slope of the road segment; (iv) the grip level associated with the road segment; 111. The non-transitory computer program product of claim 110, comprising: (v) segment attributes of at least three of the road segment swells. 111. The method of claim 110, wherein the reference map includes (a) reference information regarding previously detected physical events associated with the plurality of road segments; and (b) reference road segment attributes associated with the plurality of road segments. Non-Transitory Computer Program Products. 111. The non-transitory computer program product of claim 110, wherein the reference map includes a base layer that stores information regarding locations of multiple road segments and spatial relationships between multiple road segments. 118. The non-transitory computer program product of claim 117, wherein the reference map includes a layer that stores reference information regarding previously detected physical events associated with a plurality of road segments. The reference map contains (a) a base layer that stores information about the locations of the road segments and the spatial relationships between the road segments, and (b) additional information about only some of the road segments. 111. The non-transitory computer program product of claim 110, comprising a plurality of sparse layers, one or more of the sparse layers linked to a base layer. 111. The non-transitory computer program product of claim 110, wherein the reference map includes a fixed field size sparse layer and a variable size sparse layer, the variable size sparse layer including reference physical event information. 111. The non-transitory computer program product of claim 110, wherein the reference map includes private fields storing information about driving patterns associated with a vehicle or a driver of the vehicle, and public fields. 111. The non-transitory computer program product of claim 110, wherein the physical event information includes normalized magnitudes of detected physical events. 1. A system for generating a reference map of a region, comprising: from a plurality of vehicles, (a) physical event information relating to detected physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; ) a communication interface configured to receive road segment attributes calculated by the plurality of vehicles; and physical event information regarding detected physical events detected by the plurality of vehicles and road segment attributes calculated by the plurality of vehicles. a processor configured to calculate a reference map based on a road segment attribute associated with a road segment belonging to the region; the first set of parameters sensed by a first vehicle sensor of the first parameter set includes a vehicle wheel displacement parameter and a vehicle acceleration parameter, the first vehicle sensor being different from the road image sensor ,system. A method for generating a vehicle profile, the step of collecting candidate vehicle profile information, the candidate vehicle profile information including fuel consumption information associated with different road routes and vehicle parameters, the road routes and vehicle parameters. at least some of which are sensed by a first vehicle sensor different from the road image sensor; and generating a vehicle profile based at least on the candidate vehicle profile information, the vehicle profile comprising:
(i) a cruise data structure including cruise information relating to values of cruise fuel consumption parameters associated with constant velocity travel 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 relating to idle deceleration distance values associated with the idle deceleration of the vehicle for different values of the second set of road routes and vehicle parameters;
(iii) an acceleration data structure containing acceleration information relating to values of acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of the third set of road routes and vehicle parameters. 125. The method of claim 124, wherein the cruise data structure consists essentially of values for cruise fuel consumption parameters. 126. The method of claim 125, wherein the first set of road route and vehicle parameters consists essentially of vehicle speed, road segment grade, vehicle weight, and one or more transmission system parameters. 127. The method of claim 126, wherein the transmission system parameters include gear and throttle position. 125. The method of claim 124, wherein the idle deceleration structure consists essentially of an idle deceleration distance value. 129. The method of claim 128, wherein the second set of road route and vehicle parameters consists essentially of starting vehicle speed, road segment grade, and vehicle weight. 129. The method of claim 128, wherein the second set of road route and vehicle parameters consists essentially of starting vehicle speed, road segment grade and vehicle weight, and one or more transmission system parameters. 131. The method of claim 130, wherein the transmission system parameters include gears. 125. The method of claim 124, wherein the cruise data structure consists essentially of values for acceleration fuel consumption parameters. 133. The method of claim 132, wherein the third set of road route and vehicle parameters consists essentially of starting vehicle speed, road segment grade, vehicle weight, acceleration distance, and one or more transmission system parameters. 134. The method of claim 133, wherein the transmission system parameters include gear and throttle position. Reject vehicle profile information candidates based on a comparison of the slope of the route segment and (i) the difference in height between the two ends of the route segment and (ii) the ratio of the length of the horizontal projection of the route segment. 125. The method of claim 124, comprising: 125. The method of claim 124, further comprising dynamically clustering vehicles based on vehicle profiles. 137. The method of Claim 136, further comprising computing a cluster profile for each cluster. 138. 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 clusters containing vehicles. 125. The method of claim 124, further comprising compressing the vehicle profile to generate a compressed vehicle profile. Compression includes computing a mathematical relationship between the secondary road route and the vehicle parameters; 140. The method of claim 139, comprising removing information about at least one of. 140. The method of claim 139, wherein compressing includes removing vehicle parameters associated with subgroups of road path and vehicle speed. 140. The method of claim 139, wherein compressing comprises using the one or more road routes and vehicle parameters as keys without storing the one or more road routes and vehicle parameters in any one of the vehicle profiles. Method. Generating the vehicle profile includes extrapolating the value of the cruise fuel consumption parameter for the first set of road routes and the particular value of the vehicle parameter, the extrapolating the first set of road routes. 125. The method of claim 124, responsive to the value of the cruise fuel consumption parameter for and certain other measurements of vehicle parameters. 125. The method of claim 124, further comprising calculating recommended driving parameters for the route preceding the vehicle, the calculation being based, at least in part, on the vehicle profile, the slope of the route segment, and the extrinsic constraints. described method. 145. The method of claim 144, wherein the computation includes virtually segmenting the path into segments, each segment including one or more path segments of substantially the same slope and substantially the same extrinsic constraint. the method of. 146. The method of claim 145, comprising finding an optimum speed for each portion based on slopes and maximum speed limits associated with the portion. 125. The method of claim 124, wherein the vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure. A non-transitory computer program product for generating a vehicle profile, comprising:
collecting candidate vehicle profile information, the candidate vehicle profile information including fuel consumption information associated with different road routes and vehicle parameters, at least some of which road routes and vehicle parameters are independent of road image sensors; sensed by a different first vehicle sensor;
recording instructions for generating a vehicle profile based at least on the candidate vehicle profile information, the vehicle profile comprising:
(i) a cruise data structure including cruise information relating to values of cruise fuel consumption parameters associated with constant velocity travel 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 relating to idle deceleration distance values associated with the idle deceleration of the vehicle for different values of the second set of road routes and vehicle parameters;
(iii) an acceleration data structure containing acceleration information relating to values of acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of the third set of road routes and vehicle parameters; program product. A computerized system for generating a vehicle profile, comprising:
A module for collecting candidate vehicle profile information, the candidate vehicle profile information including fuel consumption information associated with different road routes and vehicle parameters, at least some of which road routes and vehicle parameters are independent of road image sensors. a collection module sensed by a different first vehicle sensor;
a computer for generating a vehicle profile based at least on the candidate vehicle profile information, the vehicle profile comprising:
a cruise data structure including cruise information relating to cruise fuel consumption parameter values associated with constant velocity travel of the vehicle for different values of the first set of road routes and vehicle parameters;
an idle deceleration data structure containing idle deceleration information relating to idle deceleration distance values associated with vehicle idle deceleration for different values of the second set of road routes and vehicle parameters;
an acceleration data structure, a cruise data structure, and an idle deceleration data structure containing acceleration information regarding values of acceleration fuel consumption parameters associated with constant acceleration of the vehicle for different values of the third set of road routes and vehicle parameters; , and a memory storing acceleration data structures. A method for determining a drive session, comprising:
receiving or generating, by a vehicle computer, a vehicle profile and a slope of a portion of the route preceding the vehicle, the vehicle profile being generated based on at least the road route and vehicle parameters, and at least of the road route and vehicle parameters; Some are sensed by a vehicle sensor different from the road image sensor;
A method comprising, by a vehicle computer, determining recommended driving parameters for a route preceding the vehicle, the calculations being based, at least in part, on the vehicle profile, the route segment grade, and the extrinsic constraints. 151. The method of claim 150, wherein calculating includes virtually segmenting the path into segments, each segment including one or more path segments of substantially the same slope and substantially the same extrinsic constraint. the method of. 151. The method of claim 150, comprising finding an optimum speed for each portion based on slopes and maximum speed limits associated with each portion. 151. The method of claim 150, wherein the vehicle profile consists essentially of a cruise data structure, an idle deceleration data structure, and an acceleration data structure. 151. The method of claim 150, wherein the vehicle profile comprises a cruise data structure, an idle deceleration data structure, and an acceleration data structure. A non-transitory computer program product for determining a drive session, comprising:
receiving or generating, by a vehicle computer, a vehicle profile and a slope of a portion of the route preceding the vehicle, the vehicle profile being generated based on at least the road route and vehicle parameters, and at least of the road route and vehicle parameters; some are sensed by vehicle sensors different from the road image sensors; and determining, by the vehicle computer, recommended driving parameters for the route ahead of the vehicle, the calculations being at least in part based on the vehicle profile, A non-transitory computer program product that stores instructions including path subgradients and steps based on extrinsic constraints. A method of estimating the weight of a vehicle, comprising:
During the learning period, the vehicle sensors provide (a) route height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) roadway associated with the drive session. obtaining vehicle sensor measurements including segment length measurements and (d) speed measurements associated with the driving session;
A method of calculating an estimated weight of a vehicle based on vehicle sensor measurements, the calculation being based on a value of an energy factor indicative of energy dissipated by the vehicle. 157. The method of claim 156, wherein calculating an estimated weight further comprises finding a motor efficiency function and a fuel consumption error correction function. 156. Claim 156, wherein the calculating comprises retrieving an energy coefficient value that provides at least one allocation associated with the vehicle weight estimate, the at least one allocation satisfying at least one predetermined statistical significance criterion. The method described in . 157. The method of claim 156, wherein determining an evaluation weight comprises determining a weight estimate for each route segment of the plurality of route segments according to the formula:

where the group of energy coefficients consists of k ₁ , k ₂ , k ₃ and k ₄ ,
ame is the value of the estimated motor efficiency function,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg. 159. Claim 159, wherein the calculating comprises retrieving a value of the energy coefficient that provides at least one distribution associated with the vehicle weight estimate, the at least one distribution satisfying at least one predetermined statistical significance criterion. the method described in 161. The method of claim 160, wherein the predetermined statistical significance criterion is maximum statistical significance. 161. The method of Claim 160, wherein the predetermined statistical significance criterion is at least one minimum standard deviation of the weight estimate distribution. 161. The method of claim 160, wherein determining an evaluation weight comprises determining a weight estimate for each route segment of the plurality of route segments and for different values of the energy factor. 161. The method of claim 160, wherein determining evaluation weights comprises determining weight estimates for each route segment of the plurality of route segments, for different values of the energy factor, and for different kinetic efficiency function values. 161. The method of claim 160, wherein determining an evaluation weight comprises determining a weight estimate for each route segment of the plurality of route segments, for different values of the energy factor, and for different fuel consumption error correction function values. . Determining the evaluation weight includes determining a weight estimate for each path segment of the plurality of path segments, for different values of the energy factor, for different motor efficiency function values, and for different fuel consumption error correction function values; 161. The method of claim 160. 161. The method of Claim 160, wherein determining an evaluation weight includes associating a quality characteristic with each weight estimate. 161. The method of claim 160, wherein determining the evaluated weight includes associating a quality characteristic with each weight estimate, the at least one distribution associated with the vehicle weight estimates being responsive to the quality characteristic assigned to each weight estimate. described method. Determining the rated weight includes associating a quality characteristic with each weight estimate, wherein the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram including bins, each bin associated with a weight estimate range. 161. The method of claim 160, having values representing quality characteristics of weight estimates belonging to bins. Determining the rated weight includes associating a quality characteristic with each weight estimate, wherein the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram including bins, each bin associated with a weight estimate range. 161. The method of claim 160, having a value representing the sum of the quality characteristics of the weight estimates belonging to the bin. 161. The method of claim 160, comprising assigning a quality characteristic to at least some of the vehicle sensor measurements. 161. The method of claim 160, comprising assigning a quality characteristic to vehicle sensor measurements associated with a particular route segment based on differences associated with vehicle speeds at the start and end of the particular route segment. 161. The method of claim 160, comprising assigning a quality attribute to vehicle sensor measurements associated with a particular route segment based on a maximum speed of the vehicle during a particular driving session. 161. The method of claim 160, comprising ignoring vehicle sensor measurements obtained on route segments on which the vehicle has descended. 157. The method of Claim 156, wherein computing includes applying machine learning. A non-transitory computer-readable medium for assessing the weight of a vehicle, comprising:
During the learning period, the vehicle sensors provide (a) route height measurements associated with the drive session, (b) fuel consumption measurements associated with the drive session, and (c) roadway associated with the drive session. obtaining vehicle sensor measurements including segment length measurements and (d) speed measurements associated with the driving session;
A non-transitory computer-readable medium storing instructions for calculating an estimated weight of a vehicle based on vehicle sensor measurements, the calculation being based on an energy factor value indicative of energy dissipated by the vehicle. 177. The non-transitory computer readable medium of claim 176, wherein calculating an estimated weight further comprises finding a motor efficiency function and a fuel consumption error correction function. 176. Claim 176, wherein the calculating comprises retrieving energy coefficient values that provide at least one distribution associated with the vehicle weight estimate, the at least one distribution satisfying at least one predetermined statistical significance criterion. The non-transitory computer-readable medium as described in . 177. The non-transitory computer readable medium of claim 176, wherein determining an evaluation weight comprises determining a weight estimate for each route segment of the plurality of route segments according to the following equation.

where the group of energy coefficients consists of k ₁ , k ₂ , k ₃ and k ₄ ,
ame is the value of the estimated motor efficiency function,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg. 179. Claim 179, wherein the calculating comprises retrieving energy coefficient values that provide at least one distribution associated with the vehicle weight estimate, wherein the at least one distribution satisfies at least one predetermined statistical significance criterion. The non-transitory computer-readable medium as described in . 181. The non-transitory computer readable medium of Claim 180, wherein the predetermined statistical significance criterion is maximum statistical significance. 181. 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 estimate distribution. 181. The non-transitory computer readable medium of claim 180, wherein determining evaluation weights comprises determining weight estimates for each route segment of a plurality of route segments and for different values of energy factor. 181. The non-transient of claim 180, wherein determining the estimated weight comprises determining a weight estimate for each path segment of the plurality of path segments, for different values of the energy factor, and for different motor efficiency function values. computer readable medium. 181. The non-automatic device of claim 180, wherein determining an evaluation weight comprises determining a weight estimate for each route segment of the plurality of route segments, for different values of the energy factor, and for different fuel consumption error correction function values. Temporary computer-readable medium. Determining the evaluation weight includes determining a weight estimate for each path segment of the plurality of path segments, for different values of the energy factor, for different motor efficiency function values, and for different fuel consumption error correction function values; 181. The non-transitory computer-readable medium of Claim 180. 181. The non-transitory computer readable medium of Claim 180, wherein determining an evaluation weight includes associating a quality characteristic with each weight estimate. 181. The method according to claim 180, wherein determining the evaluated weight includes associating a quality characteristic with each weight estimate, the at least one distribution associated with the vehicle weight estimates being responsive to the quality characteristic assigned to each weight estimate. The non-transitory computer-readable medium described. Determining the rated weight includes associating a quality characteristic with each weight estimate, wherein the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram including bins, each bin associated with a weight estimate range. 181. The non-transitory computer-readable medium of claim 180, having values representing quality characteristics of weight estimates belonging to bins. Determining the rated weight includes associating a quality characteristic with each weight estimate, wherein the at least one distribution associated with the vehicle weight estimate is a histogram, the histogram including bins, each bin associated with a weight estimate range. 181. The non-transitory computer-readable medium of claim 180, having a value representing the sum of the quality characteristics of the weight estimates belonging to the bin. 181. The non-transitory computer readable medium of claim 180, storing instructions for assigning quality characteristics to at least some of the vehicle sensor measurements. 181. The method of claim 180, storing instructions for assigning a quality characteristic to vehicle sensor measurements associated with a particular route segment based on differences related to vehicle speeds at the start and end of the particular route segment. Temporary computer-readable medium. 181. The non-transitory computer readable medium of claim 180, storing instructions for assigning quality characteristics to vehicle sensor measurements associated with particular route segments based on maximum vehicle speed during particular driving sessions. 181. The non-transitory computer readable medium of claim 180, storing instructions for ignoring vehicle sensor measurements obtained on route segments on which the vehicle has descended. 177. The non-transitory computer-readable medium of Claim 176, wherein computing includes applying machine learning. A method for estimating the weight of a vehicle, comprising: receiving a value for the energy wasted by the vehicle calculated based at least in part on vehicle sensor measurements obtained by vehicle sensors of the vehicle; obtaining new vehicle sensor measurements associated with a new driving session by the vehicle sensors during and calculating the weight of the vehicle by the vehicle computer based on the values of the energy factor and the new vehicle sensor measurements, the vehicle sensor measurements comprising: The values are obtained during a driving session of the vehicle, and the vehicle sensor measurements include (a) path height measurements associated with the driving session; (b) fuel consumption measurements associated with the driving session; A method comprising length measurements of road segments associated with the session and (d) speed measurements associated with the drive session. 197. The method of claim 196, further comprising receiving information about a motor efficiency function of the vehicle, wherein the calculation of the weight of the vehicle is further responsive to the motor efficiency function of the vehicle. 198. The method of claim 197, wherein the information regarding the motor efficiency function includes motor efficiency function coefficients. 199. The method of claim 198, wherein the number of motor efficiency function coefficients does not exceed fifty. 197. The method of claim 196, further comprising receiving information regarding a fuel consumption error correction function of the vehicle, wherein the calculation of vehicle weight is further responsive to the fuel consumption error correction function. 201. The method of claim 200, wherein the information regarding the fuel consumption error correction function includes fuel consumption error correction function coefficients. 202. The method of claim 201, wherein the number of fuel consumption error correction function coefficients does not exceed ten. The claim further comprising receiving information about a vehicle motor efficiency function and a vehicle fuel consumption error correction function, wherein the vehicle weight calculation is further responsive to the vehicle motor efficiency function and the vehicle fuel consumption error correction function. 196. 197. The method of claim 196, wherein the vehicle weight calculation is performed in real time. 197. The method of claim 196, further comprising transmitting new vehicle sensor measurements associated with the new driving session. 197. The method of claim 196, further comprising receiving an updated value of the energy factor, wherein calculating the weight is responsive to the updated value of the energy factor. 197. The method of claim 196, wherein calculating the weight comprises calculating the following formula for the new route leg of the new session.

where the group of energy coefficients consists of k ₁ , k ₂ , k ₃ and k ₄ ,
ame is the value of the estimated motor efficiency function,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg. A non-transitory computer readable medium for estimating the weight of a vehicle that receives a value of the energy wasted by the vehicle calculated based at least in part on vehicle sensor measurements obtained by vehicle sensors of the vehicle. and obtaining new vehicle sensor measurements associated with the new drive session by the vehicle sensors during the new drive session, and calculating the weight of the vehicle by the vehicle computer based on the values of the energy factor and the new vehicle sensor measurements. Instructions are stored and vehicle sensor measurements are obtained during a driving session of the vehicle, the vehicle sensor measurements including (a) path height measurements associated with the driving session and (b) fuel associated with the driving session. A non-transitory computer-readable medium comprising a consumption measurement, (c) a length measurement of a road segment associated with the driving session, and (d) a speed measurement associated with the driving session. 209. The non-transitory computer readable medium of claim 208, storing instructions for receiving information regarding a motor efficiency function of the vehicle, wherein the calculation of vehicle weight is further responsive to the motor efficiency function of the vehicle. 210. The non-transitory computer readable medium of Claim 209, wherein the information regarding the motor efficiency function includes motor efficiency function coefficients. 211. The non-transitory computer readable medium of claim 210, wherein the number of motor efficiency function coefficients does not exceed fifty. 209. The non-transitory computer readable medium of claim 208, storing instructions for receiving information regarding a vehicle fuel consumption error correction function, the vehicle weight calculation being further responsive to the fuel consumption error correction function. 213. The non-transitory computer readable medium of claim 212, wherein the information regarding the fuel consumption error correction function includes fuel consumption error correction function coefficients. 214. The non-transitory computer readable medium of claim 213, wherein the number of fuel consumption error correction function coefficients does not exceed ten. storing instructions for receiving information about a vehicle motor efficiency function and a vehicle fuel consumption error correction function, wherein the vehicle weight calculation is further responsive to the vehicle motor efficiency function and the vehicle fuel consumption error correction function; 209. The non-transitory computer-readable medium of Clause 208. 209. The non-transitory computer readable medium of claim 208, wherein the vehicle weight calculation is performed in real time. 209. The non-transitory computer readable medium of claim 208, storing instructions for transmitting new vehicle sensor measurements associated with a new driving session. 209. The non-transitory computer readable medium of claim 208, storing instructions for receiving an updated value of the energy factor, the weight calculation being responsive to the updated value of the energy factor. 209. The non-transitory computer-readable medium of claim 208, wherein computing the weight includes computing the following formula for the new route leg of the new session:

where the group of energy coefficients consists of k ₁ , k ₂ , k ₃ and k ₄ ,
ame is the value of the estimated motor efficiency function,
_v2 is the velocity of the vehicle at the end of the route segment,
v ₁ is the speed of the vehicle at the start of the route segment,
v represents at least one value of the speed of the vehicle when traveling on the route segment;
x is the length of the route segment,
Δh is the height difference between the end point and the start point of the route segment,
fuel is the error corrected fuel consumption associated with the route leg. A method of generating normalized route segment grip information associated with a route segment and a vehicle comprising the steps of: using sensors to generate wheel speed information relating to the speed of a plurality of wheels of a vehicle; detecting a grip event based on the speed information; determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the grip event; performing at least one of transmitting the information; and (ii) storing the normalized path segment grip information. receiving normalized path segment grip information generated by the computerized system from the computerized system; and providing the route segment grip information of . 222. The method of claim 221, comprising calculating the vehicle's limit grip as it traverses the route segment based on the actual route segment grip information. 222. The method of claim 221, wherein the denormalization is based on at least speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. 221. The method of claim 220, wherein grip events are selected from braking events, turn events, and high speed events. 221. The method of claim 220, wherein determining normalized path segment grip information comprises calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation. . 226. The method of claim 225, comprising determining a normalized slip curve based on the normalized slip ratio and the normalized excitation. 227. The method of claim 226, wherein calculating excitation includes selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during gripping events. 227. The method of claim 226, wherein the normalized slip ratio and normalized excitation calculations are based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation. . 221. The method of claim 220, wherein generating wheel speed information includes low-pass filtering the wheel speed information, the low-pass filtering being responsive to expected wheel speeds. 221. The method of claim 220, wherein generating wheel speed information includes ignoring short term variations. 221. The method of claim 220, wherein the grip event is the vehicle's response to passing over a small obstacle, the small obstacle having a length less than the circumference of each of the plurality of wheels of the vehicle. A non-transitory computer program product for generating normalized route segment grip information associated with a route segment and a vehicle using sensors to generate wheel speed information related to the speed of a plurality of wheels of the vehicle instructions for detecting a grip event based on wheel speed information by the vehicle computer; and determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the grip event. and instructions to execute at least one of: (i) instructions to transmit normalized path segment grip information; and (ii) instructions to store normalized path segment grip information. Non-Transitory Computer Program Products. Receiving normalized path segment grip information generated by the computerized system from the computerized system; 233. The non-transitory computer program product of claim 232, storing instructions for providing interval grip information. 234. The non-transitory computer program product of claim 233, storing instructions for calculating a vehicle's limit grip as it traverses a route segment based on actual route segment grip information. 234. The non-transient 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. 233. The non-temporary computer program product of claim 232, wherein grip events are selected from braking events, turn events, and high speed events. 233. The non-transient of claim 232, wherein determining normalized path segment grip information includes calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation. computer program product. 238. The non-transitory computer program product of claim 237, storing instructions for determining a normalized slip curve based on a normalized slip rate and a normalized excitation. 238. The non-transitory computer program of claim 237, wherein calculating excitation includes selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during gripping events. product. 238. The non-temporary of claim 237, wherein the normalized slip ratio and normalized excitation calculations are based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight, and excitation. computer program product. 233. The non-transitory computer program product of Claim 232, wherein generating wheel speed information includes low-pass filtering the wheel speed information, the low-pass filtering being responsive to expected wheel speeds. 233. The non-transitory computer program product of claim 232, wherein generating wheel speed information includes ignoring short term variations. 233. The non-transient computer of claim 232, wherein a grip event is the vehicle's response to passing over a small obstacle, the small obstacle having a length less than the perimeter of each of a plurality of wheels of the vehicle. program product. A vehicle system for generating a vehicle profile, comprising sensors configured to generate wheel speed information related to speeds of a plurality of wheels of the vehicle; and (i) detecting a grip event based on the wheel speed information. and (ii) a computer vehicle configured to determine normalized path segment grip information based on vehicle parameters obtained during at least a portion of the grip event; and (a) normalized path segment grip information. and a memory module configured to store the normalized path segment grip information. A method of generating normalized route segment grip information associated with a route segment and a vehicle comprising the steps of: using sensors to generate wheel speed information relating to the speed of a plurality of wheels of a vehicle; detecting a response of the vehicle to passage over a small obstacle based on the velocity information; determining normalized route segment grip information based at least in part on vehicle parameters; (i) transmitting the normalized route segment grip information; and (ii) transmitting the normalized route segment grip information. and performing at least one of the steps of storing. receiving normalized path segment grip information generated by the computerized system from the computerized system; and providing the route segment grip information of . 247. The method of claim 246, comprising calculating a vehicle's critical grip as it traverses the route segment based on actual route segment grip information. 247. 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. 246. The method of claim 245, wherein determining normalized path segment grip information comprises calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation. . 250. The method of claim 249, comprising determining a normalized slip curve based on the normalized slip ratio and the normalized excitation. Calculating the excitation includes selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response to passing over small obstacles. 250. The method of claim 249, comprising 250. The method of claim 249, wherein the normalized slip ratio and normalized excitation calculations are based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation. . 246. The method of claim 245, wherein generating wheel speed information includes low-pass filtering the wheel speed information, the low-pass filtering being responsive to expected wheel speeds. 246. The method of claim 245, wherein generating wheel speed information includes ignoring short term variations. A non-transitory computer program product for generating normalized route segment grip information associated with a route segment and a vehicle using sensors to generate wheel speed information related to the speed of a plurality of wheels of the vehicle instructions for detecting by the vehicle computer the response of the vehicle to passage over a small obstacle based on wheel speed information; instructions for determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the vehicle's response to passage over an obstacle; and (i) transmitting the normalized path segment grip information. and (ii) instructions for storing normalized path segment grip information. Receiving normalized path segment grip information generated by the computerized system from the computerized system; 256. The non-transitory computer program product of claim 255, storing instructions for providing interval grip information. 257. The non-transitory computer program product of claim 256, storing instructions for calculating a vehicle's limit grip as it traverses a route segment based on actual route segment grip information. 257. The non-transient computer program product of 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. 256. The non-contact of claim 255, wherein the instructions for determining normalized path segment grip information include instructions for calculating excitation, calculating slip ratio, and calculating normalized slip ratio and normalized excitation. Temporary Computer Program Product. 260. The non-transitory computer program product of claim 259, storing instructions for determining a normalized slip curve based on a normalized slip rate and a normalized excitation. Claim 259 Calculating the excitation includes selecting some vehicle speed readings and ignoring other vehicle speed readings obtained during the vehicle's response to passing over a small obstacle. the non-transitory computer program product described in . 260. The non-temporary of claim 259, wherein the normalized slip ratio and normalized excitation calculations are based on at least one of speed, climate bias, wheel effective patch size, tire health, vehicle weight and excitation. computer program product. 256. The non-transitory computer program product of Claim 255, wherein generating wheel speed information includes low-pass filtering the wheel speed information, the low-pass filtering being responsive to expected wheel speeds. 256. The non-transitory computer program product of claim 255, wherein generating wheel speed information includes ignoring short term variations. A vehicle system for generating a vehicle profile, comprising sensors configured to generate wheel speed information related to speeds of a plurality of wheels of the vehicle; detecting a response of the vehicle to passage over the small obstacle; and (ii) determining normalized path segment grip information based on vehicle parameters obtained during at least a portion of the vehicle response to passage over the small obstacle. and (a) at least one of a communication module configured to transmit normalized route segment grip information and a memory module configured to store normalized route segment grip information. , a vehicle system comprising: A method for driving a vehicle, comprising:
receiving or generating rain information regarding rain associated with a plurality of road segments;
estimating a decrease in grip level associated with each read segment of the plurality of road segments, the estimation of decrease in grip level comprising: rain information; at least one rain-related parameter of the vehicle; a step based on the segment-related mapping between rain information and reduced grip levels;
A method comprising: performing a driving-related action based on a decreased grip level. 267. The method of claim 266, wherein the rain-related parameter of the vehicle comprises the health of at least one tire of the vehicle. 267. The method of claim 266, wherein estimating grip level degradation comprises estimating the occurrence of one or more aquaplaning events on a plurality of road segments. 269. The method of claim 268, wherein estimating grip level degradation comprises estimating grip level degradation associated with occurrence of one or more aquaplaning events on a plurality of road segments. 269. The method of claim 268, comprising verifying occurrence of one or more aquaplaning events by the vehicle. The verifying step includes sensing behavior of the vehicle with vehicle sensors as it travels over a plurality of road segments and providing sensing results; and searching by the vehicle for one or more aquaplaning signatures within the sensing results. 271. The method of claim 270, comprising: 267. The method of claim 266, comprising accumulating rain perception rate information obtained during rain periods to generate rain information. 267. The method of Claim 266, wherein performing a driving-related action comprises selectively activating an autonomous driving module to autonomously drive the vehicle. The method, wherein performing driving-related actions includes selectively deactivating an autonomous driving module configured to autonomously drive the vehicle upon activation. 267. The method of Claim 266, wherein performing a driving-related action includes setting a vehicle speed on each of a plurality of road segments. 267. The method of claim 266, comprising estimating a rain perception rate with at least one vehicle sensor. 277 The method of claim 276, wherein the at least one vehicle sensor belongs to the wiper control unit. 267. The method of claim 266, wherein performing a driving-related action includes alerting a driver of the vehicle. A non-transitory computer program product for operating a vehicle, comprising instructions for receiving or generating rain information relating to rain associated with a plurality of road segments and grip level reduction associated with each read segment of the plurality of road segments. storing instructions for estimating and instructions for performing a driving-related action based on reduced grip level, wherein the estimated reduced grip level is based on rain information, at least one rain-related parameter of the vehicle, and road segments of a plurality of road segments; A non-transient computer program product based on mapping between rain information and grip level reduction associated with each road segment. 280. The non-transitory computer readable medium of claim 279, wherein the vehicle's rain-related parameters include health of at least one tire of the vehicle. 280. The non-transitory computer readable medium of claim 279, instructions for estimating grip level degradation comprise estimating occurrence of one or more aquaplaning events on a plurality of road segments. 282. The non-transitory computer readable medium of claim 281, wherein estimating grip level degradation comprises estimating grip level degradation associated with occurrence of one or more aquaplaning events on a plurality of road segments. 282. The non-transitory computer readable medium of claim 281, comprising instructions for verifying occurrence of one or more aquaplaning events by a vehicle. The instructions for verifying include sensing behavior of the vehicle with vehicle sensors as it travels over a plurality of road segments, providing sensing results, and searching by the vehicle computer for one or more aquaplaning signatures within the sensing results. 283. The non-transitory computer-readable medium of claim 282, comprising: 280. The non-transitory computer readable medium of claim 279 storing instructions for accumulating rain perception rate information obtained during rainfall periods to generate rain information. 280. The non-transitory computer readable medium of claim 279, wherein performing driving-related actions includes selectively activating an autonomous driving module to autonomously drive the vehicle. 280. The non-transitory computer readable medium of claim 279, wherein performing driving-related actions includes selectively deactivating an autonomous driving module configured to autonomously drive a vehicle upon activation. 280. The non-transitory computer readable medium of claim 279, wherein performing a drive-related action includes setting a vehicle speed on each of a plurality of road segments. 280. The non-transitory computer readable medium of claim 279 storing instructions for estimating rain perception rate with at least one vehicle sensor. 284. The non-transitory computer readable medium of Claim 283, wherein the at least one vehicle sensor resides in the wiper control unit. 280. The non-transitory computer readable medium of claim 279, wherein performing a driving related action includes alerting a driver of the vehicle. A vehicle system for operating a vehicle, comprising sensors configured to perform at least one of (a) sensing behavior of the vehicle and (b) sensing a rain parameter; a computer vehicle configured to receive or generate rain information related to associated rain and to estimate a grip level reduction associated with each read segment of the plurality of road segments; The estimation is based on rain information, at least one rain-related parameter of the vehicle, and a mapping between rain information and reduced grip level associated with each road segment of the plurality of road segments, wherein A vehicle system that assists in performing driving-related actions based on: A method for estimating the occurrence of one or more aquaplaning events, comprising:
receiving or generating rain information relating to rain associated with a plurality of road segments;
estimating by the vehicle computer the occurrence of one or more aquaplaning events on the plurality of road segments, the estimation of the occurrence of the one or more aquaplaning events comprising rain information and at least one rain A method based on associated parameters and a mapping between rain information and occurrence of one or more aquaplaning events associated with each road segment of a plurality of road segments. 294. The method of claim 293, comprising performing a driving-related action based on the estimated occurrence of one or more aquaplaning events. 294. The method of claim 293, comprising verifying occurrence of one or more aquaplaning events by the vehicle. The verifying step includes sensing behavior of the vehicle with vehicle sensors as it travels over a plurality of road segments to provide sensing results, and searching by the vehicle for one or more aquaplaning signatures within the sensing results. 296. The method of claim 295, comprising: 294. The method of claim 293, comprising accumulating rain perception rate information obtained during rain periods to generate rain information. 294. The method of Claim 293, wherein performing a driving-related action comprises selectively activating an autonomous driving module to autonomously drive the vehicle. 294. The method of Claim 293, wherein performing a driving-related action comprises selectively deactivating an autonomous driving module configured to autonomously drive the vehicle when activated. 294. The method of claim 293, wherein performing a driving-related action comprises setting a vehicle speed for each of a plurality of road segments. 294. The method of claim 293, comprising estimating a rain perception rate with at least one vehicle sensor. 302. The method of claim 301, wherein the at least one vehicle sensor belongs to a wiper control unit. 294. The method of claim 293, wherein performing a driving-related action includes alerting a driver of the vehicle. A non-temporal computer program product for estimating the occurrence of one or more aquaplaning events, comprising:
instructions for receiving or generating rain information relating to rain associated with a plurality of road segments;
by a vehicle computer storing instructions for estimating the occurrence of one or more aquaplaning events on a plurality of road segments, the estimation of the occurrence of the one or more aquaplaning events using rain information and at least A non-transitory computer program product based on a rain-related parameter and a mapping between rain information and the occurrence of one or more aquaplaning events associated with each road segment of a plurality of road segments. . 305. The non-transitory computer readable medium of claim 304, comprising performing a driving-related action based on the estimated occurrence of one or more aquaplaning events. 305. The non-transitory computer readable medium of claim 304 comprising verifying occurrence of one or more aquaplaning events by the vehicle. The verifying includes sensing behavior of the vehicle with vehicle sensors as it travels over a plurality of road segments, providing sensing results, and searching by the vehicle for one or more aquaplaning signatures within the sensing results. 307. The non-transitory computer-readable medium of claim 306, comprising: 305. The non-transitory computer readable medium of Claim 304 storing instructions for accumulating rain perception rate information obtained during rainfall periods to generate rain information. 305. The non-transitory computer readable medium of claim 304, wherein performing driving-related actions includes selectively activating an autonomous driving module to autonomously drive the vehicle. 305. The non-transitory computer readable medium of claim 304, wherein performing driving-related actions comprises instructions for selectively deactivating an autonomous driving module configured to autonomously drive a vehicle upon activation. 305. The non-transitory computer readable medium of Claim 304, wherein performing a drive-related action comprises setting a vehicle speed on each of a plurality of road segments. 305. The non-transitory computer readable medium of claim 304 storing instructions for estimating rain perception rate with at least one vehicle sensor. 313. The non-transitory computer readable medium of Claim 312, wherein the at least one vehicle sensor resides in the wiper control unit. 305. The non-transitory computer readable medium of claim 304, wherein performing a driving-related action comprises alerting an operator of the vehicle. A vehicle system for driving a vehicle, comprising sensors configured to perform at least one of (a) sensing behavior of the vehicle and (b) sensing rain parameters and associated with a plurality of road segments. a computer vehicle configured to receive or generate rain information related to rainfall and to estimate the occurrence of one or more aquaplaning events on a plurality of road segments; the estimation of the rain information, at least one rain-related parameter of the vehicle, and a mapping between the rain information and the occurrence of one or more aquaplaning events associated with each road segment of the plurality of road segments; based on the vehicle system. 316. The vehicle monitor of claim 315, wherein the vehicle computer is configured to assist in performing driving-related actions based on the estimated occurrence of one or more aquaplaning events. A method for measuring a physical event associated with a plurality of road segments measures vehicle wheel displacement parameters and vehicle motion parameters while the vehicle is traveling over the plurality of road segments by means of a first vehicle sensor, different from the road image sensor. measuring a first set of parameters including an acceleration parameter; detecting, with a vehicle computer, a detected physical event associated with traveling a plurality of road segments based on the first set of parameters; and physical event information about the detected physical event. and storing or transmitting at least a portion of the physical event information, wherein the physical event includes the occurrence of an aquaplanning event. A non-transitory computer program product for measuring physical events associated with multiple road segments, with a first vehicle sensor different from the road image sensor while the vehicle travels over the multiple road segments. , measuring a first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter; detecting, with the vehicle computer, a detected physical event associated with traveling a plurality of road segments based on the first set of parameters; A non-transitory computer program product storing instructions for generating a physical event related to a detected physical event and storing or transmitting at least a portion of the physical event information, the physical event including occurrence of an aquaplanning event. A system for measuring physical events associated with a plurality of road segments, comprising: (i) a first set of parameters including vehicle wheel displacement parameters and vehicle acceleration parameters from a first vehicle sensor different from the road image sensor; and the measurements are made while the vehicle is traveling over the plurality of road segments; configured to detect an event, configured to generate physical event information about the detected physical event, configured to store or assist in transmitting at least a portion of the physical event, the physical event being an aquaplaning event system, including the vehicle computer, including the generation of A method for generating a reference map of a region, comprising: (a) physical event information about detected physical events detected by a plurality of vehicles when traveling on a road segment belonging to the region; b) receiving road segment attributes computed by the plurality of vehicles and associated with road segments belonging to the region, physical event information relating to detected physical events detected by the plurality of vehicles and road segment attributes computed by the plurality of vehicles; wherein the physical event information of one of the plurality of vehicles is sensed by a first vehicle sensor different from the vehicle's road image sensor. A method based on a first set of parameters including wheel displacement parameters and vehicle acceleration parameters, wherein the detected physical event includes the occurrence of an aquaplaning event. 1. A non-transitory computer program product for generating a reference map of an area from a plurality of vehicles via a communication interface: (a) detected physics detected by a plurality of vehicles when traveling on a road segment belonging to the area; receive physical event information about the event and (b) road segment attributes associated with road segments that are calculated by the plurality of vehicles and belong to the region; and storing instructions for calculating by the computerized system a reference map based on the calculated road segment attributes, the physical event information of one of the plurality of vehicles being different from the vehicle's road image sensors. A non-transient computer program product based on a first set of parameters including a vehicle wheel displacement parameter and a vehicle acceleration parameter sensed by one vehicle sensor, wherein the detected physical event includes occurrence of an aquaplaning event. A method for determining a driving session, comprising the steps of receiving or generating, by a vehicle computer, a vehicle profile and the slope of a portion of a route preceding the vehicle, the vehicle profile being at least a road route and vehicle parameters. wherein at least some of the road route and vehicle parameters are sensed by a vehicle sensor different from the road image sensor; determining, wherein the calculation is based, at least in part, on the vehicle profile, the route segment slope, the extrinsic constraints, and information associated with one or more aquaplaning events. A non-transitory computer program product for determining a drive session, instructions for receiving or generating, by a vehicle computer, a vehicle profile and the slope of a portion of a route preceding the vehicle, the vehicle profile comprising: and at least some of the road route and vehicle parameters are sensed by a vehicle sensor different from the road image sensor; wherein the calculation is at least partially based on information related to the vehicle profile, the route segment slope, the extrinsic constraints, and one or more aquaplaning events. A non-transitory computer program product that stores instructions based on

Images