BR112020007737A2

BR112020007737A2 - determinação de localização para operação de veículo

Info

Publication number: BR112020007737A2
Application number: BR112020007737-2A
Authority: BR
Inventors: Samer Nashed; David Ilstrup
Original assignee: Nissan North America, Inc.
Priority date: 2017-10-24
Filing date: 2017-10-24
Publication date: 2020-10-13
Also published as: EP3701223A4; CA3079656A1; JP2021503404A; US20200249038A1; CN111492202A; EP3701223B1; MX2020004095A; JP6928722B2; CA3079656C; CN111492202B; RU2756439C1; WO2019083513A1; EP3701223A1; US11112259B2

Abstract

Trata-se de uma travessia de uma rede de transporte de veículo por um veículo que pode incluir determinar informações operacionais de veículo, determinar uma estimativa de localização métrica para o veículo com o uso das informações operacionais de veículo, determinar informações de ambiente operacional de uma porção da rede de transporte de veículo, determinar uma estimativa de localização topológica para o veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional, e atravessar a rede de transporte de veículo com base na estimativa de localização topológica para o veículo. As informações de ambiente operacional podem incluir dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo. Os dados de sensor podem compreender dados de localização de veículo remoto. Para determinar a estimativa de localização métrica, uma função de perda não linear com um filtro de Kalman pode mitigar efeitos de erro (ou erros) de sensor não modelado. As técnicas que usam Modelos Ocultos de Markov e a Distância de Movedor de Terra para determinar a estimativa de localização topológica também são descritas.

Description

“DETERMINAÇÃO DE LOCALIZAÇÃO PARA OPERAÇÃO DE VEÍCULO” CAMPO DA TÉCNICA

[001] Esta revelação se refere a acionamento e gerenciamento operacional de veículo, incluindo acionamento autônomo e gerenciamento operacional de veículo autônomo.

ANTECEDENTES

[002] Um veículo, como um veículo autônomo, pode atravessar uma porção de uma rede de transporte de veículo. A travessia da rede de transporte de veículo inclui gerar ou capturar, como através de um sensor do veículo, dados que representam um estado operacional do veículo. Esses dados podem ser usados para localização do veículo na rede de transporte de veículo.

SUMÁRIO

[003] No presente documento são revelados aspectos, recursos, elementos, implementações e modalidades de localização para operação de veículo com o uso de informações de localização métrica e topológica. No presente documento, uma localização métrica se refere a uma localização física, tipicamente, em um sistema de coordenada global, enquanto uma localização topológica se refere a uma localização virtual correspondente em um mapa topológico que mostra pelo menos uma porção de uma rede de transporte de veículo, tipicamente, no sistema de coordenada do mapa. A referência a uma localização sem um modificador pode se referir a qualquer uma ou tanto a uma localização métrica quanto a uma localização topológica dependendo do contexto.

[004] Um aspecto das modalidades reveladas consiste em um método de travessia de uma rede de transporte de veículo, que inclui determinar informações operacionais de veículo de um veículo, determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo, determinar informações de ambiente operacional de uma porção da rede de transporte de veículo, determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional, e atravessar através do veículo a rede de transporte de veículo com base na estimativa de localização topológica do veículo. As informações de ambiente operacional incluem dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo. A porção observável para o veículo pode ser coextensiva com, ou diferente de, uma ou mais faixas de sensor de sensor (ou sensores) que fornece informações de ambiente operacional para o veículo. Os dados de sensor podem incluir dados de localização de veículo remoto.

[005] Um outro aspecto das modalidades reveladas consiste em um veículo que pode ser um veículo autônomo que inclui um processador configurado para executar instruções armazenadas em um meio legível por computador não transitório para determinar informações operacionais de veículo do veículo, determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo, determinar informações de ambiente operacional de uma porção da rede de transporte de veículo, em que as informações de ambiente operacional incluem dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo, e os dados de sensor compreendem dados de localização de veículo remoto, determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional, e atravessar através do veículo a rede de transporte de veículo com base na estimativa de localização topológica do veículo.

[006] As variações desses e outros aspectos, recursos, elementos, implementações e modalidades dos métodos, aparelhos, procedimentos e algoritmos revelados no presente documento são descritos em mais detalhes doravante no presente documento.

BREVE DESCRIÇÃO DOS DESENHOS

[007] Os vários aspectos dos métodos e aparelhos revelados no presente documento se tornarão mais evidentes ao se referir aos exemplos fornecidos na descrição e nos desenhos a seguir nos quais números de referência semelhantes se referem aos elementos semelhantes salvo se observado de outro modo.

[008] A Figura 1 é um diagrama de um exemplo de um veículo no qual os aspectos, recursos e elementos revelados no presente documento podem ser implementados.

[009] A Figura 2 é um diagrama de um exemplo de uma porção de um sistema de transporte e comunicação de veículo no qual os aspectos, recursos e elementos revelados no presente documento podem ser implementados.

[010] A Figura 3 é um diagrama de uma porção de uma rede de transporte de veículo de acordo com essa revelação.

[011] A Figura 4 é um diagrama de fluxo de um exemplo de travessia de uma rede de transporte de veículo com o uso de uma determinação de localização de acordo com as modalidades dessa revelação.

[012] A Figura 5 é um diagrama de um exemplo de implementação de uma função de perda não linear para determinação de localização de acordo com as modalidades dessa revelação.

[013] A Figura 6 é um diagrama de um exemplo de uso de informações de ambiente operacional para determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo.

[014] A Figura 7 é um diagrama de um exemplo de implementação de um Modelo Oculto de Markov para determinação de localização de acordo com as modalidades dessa revelação.

[015] A Figura 8 é um diagrama de um exemplo de implementação de

Modelos Ocultos de Markov de Múltiplas Estruturas Variáveis para determinação de localização de acordo com as modalidades dessa revelação.

[016] A Figura 9 é um diagrama de um exemplo de implementação de uma métrica de Distância do Movedor de Terra Estendida para determinação de localização de acordo com as modalidades dessa revelação.

DESCRIÇÃO DETALHADA

[017] Um veículo, como um veículo autônomo ou um veículo semiautônomo, pode atravessar uma porção de uma rede de transporte de veículo. O veículo pode incluir um ou mais sensores e a travessia da rede de transporte de veículo pode incluir os sensores que geram ou capturam dados de sensor para uso na travessia da rede de transporte de veículo. Os dados de sensor podem incluir informações operacionais de veículo, como coordenadas de sistema de posicionamento global (GPS), se o veículo está se movendo ou está em uma posição fixa, um posição de veículo, etc. Os dados de sensor podem incluir também informações correspondentes ao ambiente operacional do veículo, como informações correspondentes a um ou mais objetos externos, como pedestres, veículos remotos, outros objetos contidos no veículo de ambiente operacional, geometria ou topologia de rede de transporte de veículo ou uma combinação dos mesmos. Essas informações podem ser chamadas de informações de ambiente operacional no presente documento.

[018] Para controle do veículo, a localização do veículo pode usar a localização métrica (por exemplo, observada ou medida), como latitude, longitude e posição, para informar a localização topológica na rede de transporte de veículo, como a pista mais à esquerda de uma rua ou estrada particular. Ou seja, a localização métrica pode ser determinada com o uso de dados de sensor. A determinação da localização topológica se baseia em um mapa topológico preciso e em uma localização métrica precisa, que é convertida me coordenadas no sistema de coordenadas do mapa topológico.

[019] Estimativas de localização métrica e localização precisas contribuem para segurança, navegação eficaz e tomada de decisão. Uma determinação precisa da localização métrica pode ser realizada com o uso de sensores relativamente dispendiosos que fornecem informações globais precisas. Informações de sensor de qualidade inferior e informações de sensor que têm um escopo limitado podem reduzir a precisão da estimativa de localização métrica e, por conseguinte, da estimativa de localização topológica. Por exemplo, um sensor de precisão reduzida pode indicar dois conjuntos de coordenadas diferentes para a mesma localização física. As estimativas podem sofrer também quando um sensor do veículo produz dados errôneos ou falhas em sua totalidade.

[020] Mesmo quando a localização métrica é precisa, a estimativa de localização topológica pode ser menos precisa que o desejado. Por exemplo, embora muitos mapas topológicos de alta definição (HD) existam, os mapas podem ter erros resultantes de construção, acidentes de tráfego, eventos naturais, como desbarrancamento, etc., que fazem com que a topologia verdadeira de estradas na rede de transporte de veículo difiram da topologia determinada pelo mapa. Mapas de qualidade inferior podem compor esses erros dificultando, por exemplo, a identificação precisa de uma pista específica de uma estrada na qual o veículo está se deslocando.

[021] As técnicas descritas no presente documento abordam incertezas, ambiguidade e/ou erros nativos nos sensores do veículo, no mapa topológico disponível para o veículo ou em ambos.

[022] A Figura 1 é um diagrama de um exemplo de um veículo no qual os aspectos, recursos e elementos revelados no presente documento podem ser implementados. Na modalidade mostrada, um veículo 1000 inclui um chassi 1100, um sistema propulsor 1200, um controlador 1300 e rodas 1400. Embora o veículo

1000 seja mostrado como incluindo quatro rodas 1400 a título de simplicidade, qualquer outro dispositivo ou dispositivos de propulsão, como um propulsor ou banda de rodagem, pode ser usado. Na Figura 1, as linhas que interconectam elementos, como o sistema propulsor 1200, o controlador 1300 e as rodas 1400, indicam que as informações, como dados ou sinais de controle, potência, como potência ou torque elétrico, ou tanto informações quanto potência, podem ser comunicadas entre os respectivos elementos. Por exemplo, o controlador 1300 pode receber potência do sistema propulsor 1200 e pode se comunicar com o sistema propulsor 1200, com as rodas 1400 ou com ambos, para controlar o veículo 1000, que pode incluir acelerar, desacelerar, direcionar ou, de outro modo, controlar o veículo 1000.

[023] O sistema propulsor 1200 mostrado pelo exemplo na Figura 1 inclui uma fonte de alimentação 1210, uma transmissão 1220, uma unidade de direcionamento 1230 e um atuador 1240. Qualquer outro elemento ou combinação de elementos de um sistema propulsor, como uma suspensão, um eixo de acionamento, eixos geométricos ou um sistema de exaustão, pode ser incluído também. Embora mostradas separadamente, as rodas 1400 podem ser incluídas no sistema propulsor 1200.

[024] A fonte de alimentação 1210 inclui um motor, uma bateria ou uma combinação dos mesmos. A fonte de alimentação 1210 pode ser qualquer dispositivo ou combinação de dispositivos operacionais para fornecer energia, como energia elétrica, energia térmica ou energia cinética. Em um exemplo, a fonte de alimentação 1210 inclui um motor, como um motor de combustão interna, um motor elétrico ou uma combinação de um motor de combustão interna e de um motor elétrico, é operativa para fornecer energia cinética como uma força motriz para uma ou mais rodas 1400. Alternativa ou adicionalmente, a fonte de alimentação 1210 inclui uma unidade de energia potencial, como uma ou mais baterias de célula seca,

como níquel-cádmio (NiCd), níquel-zinco (NiZn), hidreto de metal níquel (NiMH), íon de lítio (íon de Li); células solares; células de combustível ou qualquer outro dispositivo que tem capacidade de fornecer energia.

[025] A transmissão 1220 recebe energia, como energia cinética, da fonte de alimentação 1210, e transmite a energia para as rodas 1400 para fornecer uma força motriz. A transmissão 1220 pode ser controlada pelo controlador 1300, pelo atuador 1240 ou por ambos. A unidade de direcionamento 1230 pode ser controlado pelo controlador 1300, pelo atuador 1240 ou por ambos, e controla as rodas 1400 para direcionar o veículo. O atuador 1240 pode receber sinais do controlador 1300 e atuar ou controlar a fonte de alimentação 1210, a transmissão 1220, a unidade de direcionamento 1230 ou qualquer combinação dos mesmos para operar o veículo

1000.

[026] Na modalidade ilustrada, o controlador 1300 inclui uma unidade de localização 1310, uma unidade de comunicação eletrônica 1320, um processador 1330, uma memória 1340, uma interface de usuário 1350, um sensor 1360 e uma interface de comunicação eletrônica 1370. Alguns desses elementos podem existir como parte do controlador 1300. Embora mostrados como uma única unidade, quaisquer um ou mais elementos do controlador 1300 podem ser integrados em qualquer número de unidades físicas separadas. Por exemplo, a interface de usuário 1350 e o processador 1330 podem ser integrados em uma primeira unidade física e a memória 1340 pode ser integrada em uma segunda unidade física. Embora não mostrado na Figura 1, o controlador 1300 pode incluir uma fonte de alimentação, como uma bateria. Embora mostrados como elementos separados, a unidade de localização 1310, a unidade de comunicação eletrônica 1320, o processador 1330, a memória 1340, a interface de usuário 1350, o sensor 1360, a interface de comunicação eletrônica 1370 ou qualquer combinação dos mesmos podem ser integrados em uma ou mais unidades eletrônicas, circuitos ou chips.

[027] O processador 1330 pode incluir qualquer dispositivo ou combinação de dispositivos que tem capacidade de manipular ou processar um sinal ou outras informações agora existentes ou desenvolvidas doravante no presente documento, incluindo processadores ópticos, processadores quânticos, processadores moleculares ou uma combinação dos mesmos. Por exemplo, o processador 1330 pode incluir um ou mais processadores de propósito especial, um ou mais processadores de sinal digital, um ou mais microprocessadores, um ou mais controladores, um ou mais microcontroladores, um ou mais circuitos integrados, um ou mais Circuitos Integrados Específicos de Aplicação, um ou mais Arranjos de Portas Programáveis em Campo, um ou mais arranjos de lógicas programáveis, um ou mais controladores de lógica programável, uma ou mais máquinas de estado ou qualquer combinação dos mesmos. O processador 1330 é acoplado operativamente às uma ou mais dentre a unidade de localização 1310, a memória 1340, a interface de comunicação eletrônica 1370, a unidade de comunicação eletrônica 1320, a interface de usuário 1350, o sensor 1360 e o sistema propulsor 1200. Por exemplo, o processador pode ser acoplado operativamente à memória 1340 através de um barramento de comunicação 1380.

[028] A memória 1340 inclui qualquer meio utilizável por computador não transitório tangível ou legível por computador, que tem capacidade de, por exemplo, conter, armazenar, comunicar ou transportar instruções legíveis por máquina, ou quaisquer informações associadas às mesmas, para uso por ou em conjunto com qualquer processador, como o processador 1330. A memória 1340 pode ser, por exemplo, um ou mais acionamentos de estado sólido, um ou mais cartões de memória, um ou mais meios removíveis, uma ou mais memórias somente de leitura, uma ou mais memórias de acesso aleatório, um ou mais discos, incluindo um disco rígido, um disquete, um disco óptico, um cartão magnético ou óptico ou qualquer tipo de meios não transitórios adequados para armazenar informações eletrônicas ou qualquer combinação dos mesmos. Por exemplo, uma memória pode ser uma ou mais memórias somente de leitura (ROM), uma ou mais memórias de acesso aleatório (RAM), um ou mais registradores, memórias de taxa de dados de potência dupla (LPDDR), uma ou mais memórias de cache, um ou mais dispositivos de memória semicondutores, um ou mais meios magnéticos, um ou mais meios ópticos, um ou mais meios magneto-ópticos ou qualquer combinação dos mesmos.

[029] A interface de comunicação 1370 pode ser uma antena sem fio, conforme mostrado, uma porta de comunicação com fio, uma porta de comunicação óptica ou qualquer outra unidade sem fio ou com fio que tem capacidade de se interligar com um meio de comunicação eletrônica com ou sem fio 1500. Embora a Figura 1 mostre a interface de comunicação 1370 que se comunica através de um único enlace de comunicação, uma interface de comunicação pode ser configurada para se comunicar através de múltiplos de enlaces de comunicação. Embora a Figura 1 mostre uma única interface de comunicação 1370, um veículo pode incluir qualquer número de interfaces de comunicação.

[030] A unidade de comunicação 1320 é configurado para transmitir ou receber sinais através de um meio de comunicação eletrônica com fio ou sem fio 1500, como através da interface de comunicação 1370. Embora não seja mostrado explicitamente na Figura 1, a unidade de comunicação 1320 pode ser configurada para transmitir, receber ou ambos através de qualquer meio de comunicação com fio ou sem fio, como frequência de rádio (RF), ultravioleta (UV), luz visível, fibra óptica, cabo de aço ou uma combinação dos mesmos. Embora a Figura 1 mostre uma única unidade de comunicação 1320 e uma única interface de comunicação 1370, qualquer número de unidades de comunicação e qualquer número de interfaces de comunicação podem ser usados. Em algumas modalidades, a unidade de comunicação 1320 incluir uma unidade de comunicações de pista curta dedicada (DSRC), uma unidade a bordo (OBU) ou uma combinação das mesmas.

[031] A unidade de localização 1310 pode determinar informações de geolocalização, como longitude, latitude, elevação, direção de deslocamento ou velocidade do veículo 1000. Em um exemplo, a unidade de localização 1310 inclui uma unidade de GPS, como uma Unidade de Associação Nacional de Eletrônicos Marinhos (NMEA) habilitado para Sistema de Aumento de Área Ampla (WAAS), uma unidade de triangulação de rádio ou uma combinação das mesmas. A unidade de localização 1310 pode ser usada para obter informações que4 representam, por exemplo, um posição atual do veículo 1000, uma posição atual do veículo 1000 em duas ou três dimensões, uma orientação angular atual do veículo 1000 ou uma combinação dos mesmos.

[032] A interface de usuário 1350 inclui uma unidade que tem capacidade de se interligar com uma pessoa, como teclado virtual ou físico, uma superfície sensível ao toque, um visor, um visor sensível ao toque, um visor frontal, um visor virtual, um visor de realidade aumentada um visor háptico, um dispositivo de rastreamento de recurso, como um dispositivo de rastreamento ocular, um alto-falante, um microfone, uma câmera de vídeo, um sensor, uma impressora ou qualquer combinação dos mesmos. A interface de usuário 1350 pode ser acoplada operativamente ao processador 1330, conforme mostrado, ou a qualquer outro elemento do controlador

1300. Embora mostrada como uma única unidade, a interface de usuário 1350 pode incluir uma ou mais unidades físicas. Por exemplo, a interface de usuário 1350 pode incluir tanto uma interface de áudio para realizar comunicação de áudio com uma pessoa quanto um visor sensível ao toque para realizar comunicação com base visual e sensível ao toque com a pessoa. A interface de usuário 1350 pode incluir múltiplos visores, como múltiplas unidades fisicamente separadas, múltiplas porções definidas em uma única unidade física ou uma combinação das mesmas.

[033] Os sensores 1360 são operáveis para fornecer informações que podem ser usadas para controlar o veículo. Os sensores 1360 podem ser um arranjo de sensores. Os sensores 1360 podem fornecer informações relacionadas às características de operação atual do veículo 1000, incluindo informações operacionais de veículo. Os sensores 1360 podem incluir, por exemplo, um sensor de velocidade, sensores de aceleração, um sensor de ângulo de direcionamento, sensores relacionados à tração, sensores relacionados à frenagem, sensores de posição de roda de direcionamento, sensores de rastreamento ocular, sensores de posição de assentamento ou qualquer sensor ou combinação de sensores, que é operável para relatar informações relacionadas a algum aspecto da situação dinâmica atual do veículo 1000.

[034] Os sensores 1360 incluem um ou mais sensores que são operáveis para obter informações relacionadas ao ambiente físico que circunda o veículo 1000, como informações de ambiente operacional. Por exemplo, um ou mais sensores podem detectar geometria de estrada, como linhas de pista, e obstáculos, como obstáculos fixos, veículos e pedestres. Os sensores 1360 podem ser ou incluir um ou mais câmeras de vídeo, sistemas de detecção a laser, sistemas de detecção de infravermelho, sistema de detecção acústica ou qualquer outro tipo adequado de dispositivo de detecção de ambiente no veículo, ou combinação de dispositivos, conhecidos agora ou desenvolvidos posteriormente. Em algumas modalidades, os sensores 1360 e a unidade de localização 1310 são combinados.

[035] Embora não mostrado separadamente, o veículo 1000 pode incluir um controlador de trajetória. Por exemplo, o controlador 1300 pode incluir o controlador de trajetória. O controlador de trajetória pode ser operável para obter informações que descrevem um estado atual do veículo 1000 e um rota planejada para o veículo 1000, e, com base nessas informações, determinar e otimizar uma trajetória para o veículo 1000. Em algumas modalidades, o controlador de trajetória pode emitir sinais operáveis para controlar o veículo 1000 de modo que o veículo 1000 siga a trajetória que é determinada pelo controlador de trajetória. Por exemplo, a saída do controlador de trajetória pode ser uma trajetória otimizada que pode ser suprida para o sistema propulsor 1200, para as rodas 1400 ou para ambos. Em algumas modalidades, a trajetória otimizada pode ser entradas de controle, como um conjunto de ângulos de direcionamento, com cada ângulo de direcionamento correspondendo a um ponto no tempo ou a uma posição. Em algumas modalidades, a trajetória otimizada pode ser um ou mais caminhos, linhas, curvas ou uma combinação dos mesmos.

[036] Uma ou mais rodas 1400 pode ser uma roda direcionada que é pivotada para um ângulo de direcionamento sob controle da unidade de direcionamento 1230, uma roda propulsada que é submetida ao torque para propulsar o veículo 1000 sob controle da transmissão 1220, ou uma roda direcionada e propulsada que pode direcionar e propulsar o veículo 1000.

[037] Embora não mostrado na Figura 1, um veículo pode incluir unidades ou elementos adicionais não mostrados na Figura como um gabinete, um módulo Bluetooth®, uma unidade de rádio de frequência modulada (FM), um módulo de Comunicação por Campo de Proximidade (NFC), uma unidade de exibição de visor de cristal líquido (LCD), uma unidade de exibição de diodo emissor de luz orgânica (OLED), um alto-falante ou qualquer combinação dos mesmos.

[038] O veículo 1000 pode ser um veículo autônomo que é controlado autonomamente, sem intervenção humana direta, para atravessar uma porção de uma rede de transporte de veículo. Embora não mostrado separadamente na Figura 1, um veículo autônomo pode incluir uma unidade de controle de veículo autônomo que realiza a rota, navegação e controle de veículo autônomo. A unidade de controle de veículo autônomo pode ser integrada com uma outra unidade do veículo. Por exemplo, o controlador 1300 pode incluir a unidade de controle de veículo autônomo.

[039] Quando presente, a unidade de controle de veículo autônomo pode controlar ou operar o veículo 1000 para atravessar uma porção da rede de transporte de veículo de acordo com os parâmetros de operação de veículo atuais. A unidade de controle de veículo autônomo pode controlar ou operar o veículo 1000 para realizar uma operação ou manobra definida, como estacionar o veículo. A unidade de controle de veículo autônomo pode gerar uma rota de deslocamento a partir de uma origem, como uma localização atual do veículo 1000, para um destino com base nas informações de veículo, informações de ambiente, informações de rede de transporte de veículo que representam a rede de transporte de veículo ou uma combinação das mesmas, e pode controlar ou operar o veículo 1000 para atravessar a rede de transporte de veículo de acordo com a rota. Por exemplo, a unidade de controle de veículo autônomo pode emitir a rota de deslocamento para o controlador de trajetória para operar o veículo 1000 para se deslocar a partir da origem para o destino com o uso da rota gerada.

[040] A Figura 2 é um diagrama de um exemplo de uma porção de um sistema de transporte e comunicação de veículo no qual os aspectos, recursos e elementos revelados no presente documento podem ser implementados. O sistema de transporte e comunicação de veículo 2000 pode incluir um ou mais veículos 2100/2110, como o veículo 1000 mostrado na Figura 1, que se desloca através de uma ou mais porções da rede de transporte de veículo 2200, e se comunica através de uma ou mais redes de comunicação eletrônica 2300. Embora não seja mostrado explicitamente na Figura 2, um veículo pode atravessar uma área fora da estrada.

[041] A rede de comunicação eletrônica 2300 pode ser, por exemplo, um sistema de múltiplos acessos que fornece comunicação, como comunicação de voz, comunicação de dados, comunicação de vídeo, comunicação de envio de mensagens ou uma combinação das mesmas entre o veículo 2100/2110 e um ou mais dispositivos de comunicação 2400. Por exemplo, um veículo 2100/2110 pode receber informações, como informações que representam a rede de transporte de veículo 2200 de um dispositivo de comunicação 2400 através da rede 2300.

[042] Em algumas modalidades, um veículo 2100/2110 pode se comunicar através de um enlace de comunicação com fio (não mostrado), um enlace de comunicação sem fio 2310/2320/2370, ou uma combinação de qualquer número de enlaces de comunicação com fio ou sem fio. Conforme mostrado, um veículo 2100/2110 se comunica através de um enlace de comunicação sem fio terrestre 2310, através de um enlace de comunicação sem fio não terrestre 2320 ou através de uma combinação dos mesmos. O enlace de comunicação sem fio terrestre 2310 pode incluir um enlace de Eternet, um enlace em série, um enlace de Bluetooth, um enlace infravermelho (IR), um enlace ultravioleta (UV) ou qualquer enlace que tem capacidade de fornecer comunicação eletrônica.

[043] Um veículo 2100/2110 pode ser comunicar com um outro veículo 2100/2110. Por exemplo, um veículo hospedeiro ou de indivíduo (HV) 2100 pode receber uma ou mais mensagens entre veículos automatizados, como uma mensagem de segurança básica (BSM), de um veículo remoto ou alvo (RV) 2110 através de um enlace de comunicação direta 2370 ou através de uma rede 2300. O veículo remoto 2110 pode difundir a mensagem para veículos hospedeiros em uma pista de difusão definida, como 300 metros. Em algumas modalidades, o veículo 2100 pode receber uma mensagem através de terceiros, como um repetidor de sinal (não mostrado) ou um outro veículo remoto (não mostrado). Um veículo 2100/2110 pode transmitir periodicamente uma ou mais mensagens entre veículos automatizados com base, por exemplo, em um intervalo definido, como 100 milissegundos.

[044] As mensagens entre veículos automatizados podem incluir informações de identificação de veículo, informações estado geoespacial, como longitude, latitude ou informações de elevação, informações de localização geoespacial precisas, informações de estado cinemático, como informações de aceleração de veículo, informações de taxa de guinada, informações de velocidade,

informações de posição de veículo, informações de situação de sistema de frenagem, informações de estrangulador, informações de ângulo de roda de direcionamento ou informações de rota de veículo, ou informações de estado de operação de veículo, como informações de tamanho de veículo, informações de estado de farol, informações de sinal de curva, informações de estado de limpador, informações de transmissão ou quaisquer outras informações ou combinação de informações relevante para o estado de veículo de transmissão. Por exemplo, as informações de estado de transmissão podem indicar se a transmissão do veículo de transmissão está em um estado neutro, em um estado estacionado, um estado avançado ou um estado reverso.

[045] O veículo 2100 pode se comunicar com a rede de comunicações 2300 através de um ponto de acesso 2330. O ponto de acesso 2330, que pode incluir um dispositivo de computação, é configurado para se comunicar com um veículo 2100, com uma rede de comunicação 2300, com um ou mais dispositivos de comunicação 2400 ou com uma combinação dos mesmos através de enlaces de comunicação com fio ou sem fio 2310/2340. Por exemplo, o ponto de acesso 2330 pode ser uma estação-base, uma estação transceptora de base (BTS), um Nó B, um Nó B melhorado (eNode-B), um Nó B Doméstico (HNode-B), um roteador sem fio, um roteador sem fio, um conector, um relé, um comutador ou qualquer dispositivo com fio ou sem fio similar. Embora mostrado como uma única unidade aqui, um ponto de acesso pode incluir qualquer número de elementos interconectados.

[046] O veículo 2100 pode se comunicar com a rede de comunicações 2300 através de um satélite 2350 ou com outra de comunicação não terrestre. O satélite 2350, que pode incluir um dispositivo de computação, é configurado para se comunicar com um veículo 2100, com uma rede de comunicação 2300, com um ou mais dispositivos de comunicação 2400 ou com uma combinação dos mesmos através de um ou mais enlaces de comunicação 2320/2360. Embora mostrado como uma única unidade aqui, um satélite pode incluir qualquer número de elementos interconectados.

[047] Uma rede de comunicação eletrônica 2300 é qualquer tipo de rede configurada para fornecer voz, dados ou qualquer outro tipo de comunicação eletrônica. Por exemplo, a rede de comunicação eletrônica 2300 pode incluir uma rede de área local (LAN), uma rede de área ampla (WAN), uma rede privada virtual (VPN), uma rede de telefone móvel ou celular, a Internet ou qualquer outro sistema de comunicação eletrônica. A rede de comunicação eletrônica 2300 usa um protocolo de comunicação, como o protocolo de controle de transmissão (TCP), o protocolo de datagrama de usuário (UDP), o protocolo de internet (IP), o protocolo de transporte em tempo real (RTP), o Protocolo de Transporte de Hipertexto (HTTP) ou uma combinação dos mesmos. Embora mostrada como uma única unidade aqui, uma rede de comunicação eletrônica pode incluir qualquer número de elementos interconectados.

[048] O veículo 2100 pode identificar uma porção ou condição da rede de transporte de veículo 2200. Por exemplo, o veículo inclui pelo menos um sensor no veículo 2105, como os sensores 1360 mostrados na Figura 1, que pode ser ou incluir um sensor de velocidade, um sensor de velocidade de roda, um câmera, um giroscópio, um sensor óptico, um sensor a laser, um sensor de radar, um sensor sônico ou qualquer outro sensor ou dispositivos ou combinação dos mesmos que tem capacidade de determinar ou identificar uma porção ou condição da rede de transporte de veículo 2200. Os dados de sensor podem incluir dados de linha de pista, dados de localização de veículo remoto ou ambos.

[049] O veículo 2100 pode atravessar uma porção ou porções da rede de transporte de veículo 2200 com o uso de informações comunicadas através da rede 2300, como informações que representam a rede de transporte de veículo 2200, informações identificadas por um ou mais sensores no veículo 2105 ou uma combinação deles.

[050] Embora a Figura 2 mostre uma rede de transporte de veículo 2200, uma rede de comunicação eletrônica 2300 e um dispositivo de comunicação 2400, a título de simplicidade, qualquer número de redes ou dispositivos de comunicação pode ser usado. O sistema de transporte e comunicação de veículo 2000 pode incluir dispositivos, unidades ou elementos não mostrados na Figura 2. Embora o veículo 2100 seja mostrado como uma única unidade, um veículo pode incluir qualquer número de elementos interconectados.

[051] Embora o veículo 2100 seja mostrado em comunicação com o dispositivo de comunicação 2400 através da rede 2300, o veículo 2100 pode se comunicar com o dispositivo de comunicação 2400 através de qualquer número de enlaces de comunicação diretos ou indiretos. Por exemplo, o veículo 2100 pode ser comunicar com o dispositivo de comunicação 2400 através de um enlace de comunicação direto, como um enlace de comunicação de Bluetooth.

[052] A Figura 3 é um diagrama de uma porção de uma rede de transporte de veículo de acordo com essa revelação. Uma rede de transporte de veículo 3000 pode incluir uma ou mais áreas não navegáveis 3100, como uma construção, uma ou mais áreas parcialmente não navegáveis, como área de estacionamento 3200, uma ou mais áreas navegáveis, como estradas 3300/3400 ou uma combinação dos mesmos. Em algumas modalidades, um veículo autônomo, como o veículo 1000 mostrado na Figura 1, um dos veículos 2100/2110 mostrado na Figura 2, um veículo semiautônomo ou qualquer outro veículo que implementa acionamento autônomo, pode atravessar uma porção ou porções da rede de transporte de veículo 3000.

[053] A rede de transporte de veículo 3000 pode incluir uma ou mais trocas 3210 entre uma ou mais áreas navegáveis ou parcialmente navegáveis 3200/3300/3400. Por exemplo, a porção da rede de transporte de veículo 300 mostrada na Figura 3 inclui uma troca 3210 entre a área de estacionamento 3200 e a estrada 3400. Uma porção da rede de transporte de veículo 3000, como uma estrada 3300/3400, pode incluir uma ou mais pistas 3320/3340/3360/3420/3440 e pode ser associada a uma ou mais direções de deslocamento que são indicadas pelas setas na Figura 3.

[054] Uma rede de transporte de veículo, ou uma porção da mesma, como a porção da rede de transporte de veículo 3000 mostrada na Figura 3, pode ser representada como informações de rede de transporte de veículo. Por exemplo, as informações de rede de transporte de veículo podem ser expressadas como uma hierarquia de elementos, como elementos de linguagem de marcação, que podem ser armazenados em uma base de dados ou arquivo. A título de simplicidade, as figuras no presente documento retratam informações de rede de transporte de veículo que representam porções de uma rede de transporte de veículo como diagramas ou mapas; entretanto, informações de rede de transporte de veículo podem ser expressadas em qualquer forma utilizável por computador que tem capacidade de representar uma rede de transporte de veículo ou uma porção da mesma. Em algumas modalidades, as informações de rede de transporte de veículo podem incluir informações de controle de rede de transporte de veículo, como informações de direção de deslocamento, informações de limite de velocidade, informações de pedágio, informações de classificação, como informações de inclinação ou ângulo, informações de material de superfície, informações estéticas ou uma combinação das mesmas.

[055] A rede de transporte de veículo pode ser associada ou pode incluir uma rede de transporte de pedestre. Por exemplo, a Figura 3 inclui uma porção 3600 de uma rede de transporte de pedestre, que pode ser uma calçada para pedestre. Embora não mostrada separadamente na Figura 3, uma área navegável de pedestres, como uma pista de pedestre, pode corresponder a uma área navegável ou a uma área parcialmente navegável de uma rede de transporte de veículo.

[056] Em algumas modalidades, uma porção, ou uma combinação de porções, da rede de transporte de veículo pode ser identificada como um ponto de interesse ou um destino. Por exemplo, as informações de rede de transporte de veículo pode identificar uma construção, como a área não navegável 3100, e a área de estacionamento parcialmente navegável adjacente 3200 como um ponto de interesse, um veículo pode identificar o ponto de interesse como um destino, e o veículo pode ser deslocar a partir de uma origem para o destino ao atravessar a rede de transporte de veículo. Embora a área de estacionamento 3200 associada à área não navegável 3100 seja mostrada como adjacente à área não navegável 3100 na Figura 3, um destino pode incluir, por exemplo, uma construção e uma área de estacionamento que é física ou geoespacialmente não adjacente à construção.

[057] A travessia de uma porção da rede de transporte de veículo pode prosseguir a partir de uma estimativa de localização topológica do veículo para um destino. O destino pode ser uma geolocalização identificável exclusivamente distinta. Por exemplo, a rede de transporte de veículo pode incluir uma localização definida, como um endereço de rua, um endereço postal, um endereço de rede de transporte de veículo, um endereço de GPS ou uma combinação dos mesmos para o destino. Um destino pode ser associado a uma ou mais entradas, como a entrada 3500 mostrada na Figura 3.

[058] Um destino pode ser associado às uma ou mais localizações de acoplamento, como a localização de ancoragem 3700 mostrada na Figura 3. Uma localização de acoplamento 3700 pode ser uma localização ou área designada ou não designada na proximidade de um destino no qual um veículo pode parar, permanecer ou estacionar de modo que operações de ancoragem, como carga e descarga de passageiro, possam ser realizadas. As informações de rede de transporte de veículo podem incluir informações de localização de ancoragem, como informações que identificam uma geolocalização da localização de ancoragem 3700. Embora não mostradas separadamente na Figura 3, informações de localização de ancoragem podem identificar um tipo de operação de ancoragem associada a uma localização de ancoragem 3700. Por exemplo, um destino pode ser associado a uma primeira localização de ancoragem para carga de passageiro e uma segunda localização de ancoragem para descarga de passageiro.

[059] A Figura 4 é um diagrama de fluxo de um exemplo de travessia de uma rede de transporte de veículo com o uso de uma determinação de localização de acordo com as modalidades dessa revelação. O processo da Figura 4 pode ser implementado em um veículo, como o veículo 1000 mostrado na Figura 1, um dos veículos 2100/2110 mostrado na Figura 2, um veículo autônomo, um veículo semiautônomo ou qualquer outro veículo. O processo da Figura 4 pode ser implementado pelo menos em parte em uma outra parte do sistema de transporte e comunicação de veículo 2000, como o dispositivo de comunicação 2400, com instruções para atravessar a rede de transporte de veículo transmitidas para um veículo através da rede 2300. Em qualquer caso, o processo pode ser realizado por um processador que executa instruções armazenadas em um meio de armazenamento não transitório ou memória.

[060] Na operação 4100, o processo inclui determinar informações operacionais de veículo. A determinação das informações operacionais de veículo pode incluir ler dados de sensor de sensores do veículo, como os sensores 1360 descritos na Figura 1. A determinação das informações operacionais de veículo pode incluir receber dados de sensor de sensores do veículo ou de sensores de outros veículos que observam o veículo. As informações operacionais de veículo podem incluir uma localização do veículo nas coordenadas globais. Em um exemplo, a localização é indicada por uma longitude e uma latitude que são medidas por um sensor. As informações operacionais de veículo podem incluir um posição do veículo que é medido por um sensor ou é calculado a partir de múltiplos valores de sensor. Outras informações operacionais de veículo, como a velocidade do veículo, podem ser usadas. As informações operacionais de veículo podem ser determinadas para múltiplos pontos temporais enquanto o veículo está se deslocando a rede de transporte de veículo. Por exemplo, os múltiplos pontos temporais ocorrem a cada 100 ms ou em algum outro intervalo de tempo.

[061] Na operação 4200, o processo inclui determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo. A determinação da estimativa de localização métrica pode ser realizada ao extrair os dados de localização a partir das informações operacionais de veículo. A própria localização data pode ser usada para a estimativa de localização métrica. Entretanto, isso não aborda ruído estatístico e outras imprecisões nas estimativas individuais. Um filtro de Kalman pode ser incorporado que usa as informações operacionais de veículo determinadas para múltiplos pontos temporais na operação 100 para reduzir os efeitos desses erros na estimativa de localização métrica final para um determinado ponto temporal.

[062] O filtro de Kalman é eficaz com erros relativamente pequenos e modelados, mas os erros de sensor são frequentemente difíceis de modelar. Isso é particularmente verdadeiro para sensores de GPS. Adicionalmente, os erros de sensor podem ser relativamente grandes quando em comparação com, por exemplo, o ruído estatístico. De acordo com algumas modalidades descritas no presente documento, os aprimoramentos na mitigação, os efeitos de erros relativamente grandes e não modelados na determinação de uma localização métrica podem ser alcançados através do uso de uma função de perda não linear com um filtro de Kalman. Nesse exemplo, determinar uma estimativa de localização para os respectivos pontos temporais dos múltiplos pontos temporais, determinar uma estimativa de localização projetada para os respectivos pontos temporais subsequentes, e determinar a estimativa de localização métrica de um ponto temporal atual com o uso de uma função de perda não linear com um filtro de Kalman para mitigar efeitos de erro de sensor não modelado.

[063] A função de perda não linear pode ter como base uma comparação da estimativa de localização com a estimativa de localização projetada para um mesmo ponto temporal. Por exemplo, as diferenças entre as localizações no mesmo ponto temporal podem ser minimizadas. A função de perda não linear pode ser refinada continuamente (por exemplo, reotimizado para minimização) em cada ponto temporal. Em tais implementações, a estimativa de localização determinada para um respectivo ponto temporal pode ser determinado com o uso da função de perda não linear antes de a função de perda não linear ser refinada com base na comparação da estimativa de localização atual com a estimativa de localização projetada a partir do ponto temporal prévio.

[064] A determinação da estimativa de localização métrica do ponto temporal com o uso da função de perda não linear com um filtro de Kalman pode incluir fornecer o ponto de métrica representado pela latitude e pela longitude do veículo detectado no ponto temporal como entrada para a função de perda não linear, em que a função de perda não linear pondera seletivamente (por exemplo, penaliza) o ponto de métrica para uso no filtro de Kalman.

[065] A Figura 5 é um diagrama de um exemplo de implementação de uma função de perda não linear para determinação de localização de acordo com as modalidades dessa revelação. A função de perda não linear pode ser uma função definida por usuário que mapeia os valores para os dados de sensor usados no filtro de Kalman para uma respectiva ponderação a ser aplicada a um valor (por exemplo, a estimativa de localização) na determinação da estimativa de localização métrica. No exemplo da Figura 5, o veículo 5100 está atravessando uma porção 5000 da rede de transporte de veículo por um tempo em um posição indicado pela seta 5110.

O veículo 5100 é mostrado na estimativa de localização métrica do ponto temporal antes do ponto temporal atual. O ponto temporal antes do ponto temporal atual pode ser chamado de primeiro ponto temporal, enquanto o ponto temporal atual pode ser chamado de segundo ponto temporal para refletir que o ponto temporal atual é subsequente ao primeiro ponto temporal. A estimativa de localização projetada do ponto temporal atual pode ser determinada com o uso de um posição do veículo medido ou calculado a partir de valores medidos no primeiro ponto temporal. Devido ao próximo ponto temporal ser conhecido a partir de um intervalo de amostragem definido, a velocidade do veículo (por exemplo, determinada no primeiro ponto temporal me parte das informações operacionais de veículo) pode ser usada com o posição para calcular a estimativa de localização projetada 5120 do veículo 5100.

[066] A função de perda não linear na Figura 5 compreende múltiplos raios que definem círculos concêntricos 5200, 5300 ao redor da estimativa de localização projetada 5120 no ponto temporal atual. Conforme mencionado, a ponderação pode ser aplicada a um ponto de métrica ou localização do veículo representado pelos valores de latitude e longitude determinados. A ponderação pode ter como base a diferença entre a estimativa de localização estimada 5120 e o ponto de métrica. Um fator que pode resultar em uma diferença entre a estimativa de localização projetada 5120 e o ponto de métrica é a precisão da fonte dos valores de latitude e longitude determinados. Na Figura 5, três leituras de GPS possíveis 5400, 5410 e 5420 são mostradas. As leituras de GPS 5400, 5410 e 5420 são as respectivas estimativas de localização para o ponto temporal atual nesse exemplo, mas é possível para uma estimativa de localização a ser determinada com o uso de informações operacionais de veículo adicionais.

[067] No exemplo da Figura 5, a função de perda não linear fornece valores detectados da longitude e da latitude no ponto temporal atual (isto é, a leitura de GPS 5400) para o filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual que está localizado em um primeiro círculo que tem um raio menor dos múltiplos raios, aqui, o círculo 5200. Em outras palavras, os valores detectados não são penalizados (isto é, os mesmos são ponderados em 100%) devido aos mesmos serem relativamente próximos à localização esperada para o veículo. Relativamente próximos significa que os valores detectados estão em uma primeira distância limítrofe da localização esperada (isto é, a estimativa de localização projetada 5120). A função de perda não linear omite os valores detectados a partir do filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual (isto é, a leitura de GPS 5420) que está localizada no exterior de um segundo círculo que tem um raio maior dos múltiplos raios, aqui, o círculo 5300. Em outras palavras, os valores detectados são ignorados (isto é, os mesmos são ponderados em 0%) devido aos mesmos estarem relativamente distantes da localização esperado para o veículo. Relativamente distante significa que os valores detectados estão no exterior de uma segunda distância limítrofe da localização esperada (isto é, a estimativa de localização projetada 5120).

[068] A função de perda não linear pode aplicar uma penalidade aos valores detectados (isto é, a leitura de GPS 5410) para obter valores detectados penalizados, e fornecer os valores detectados penalizados para o filtro de Kalman para determinar a estimativa de localização do ponto temporal atual responsiva à estimativa de localização métrica para o ponto temporal atual que está localizado fora do primeiro círculo (isto é, o círculo 5200) e no interior do segundo círculo (isto é, o círculo 5300). Em outras palavras, os valores detectados são penalizados em algum valor entre 0% e 100%, exclusivo, quando os mesmos estão localizados no exterior da primeira distância limítrofe, mas na segunda distância limítrofe da localização esperada para o veículo.

[069] Embora a Figura 5 mostre apenas duas círculos concêntricos 5200, 5300, mais de dois raios (ou raios) podem ser usados com valores de penalidade diferentes que aumentam com a distância da estimativa de localização projetada

5120.

[070] A função de perda não linear pode ser uma função com base no contexto. Ou seja, os parâmetros da função de perda não linear variariam com base no contexto do veículo. Os parâmetros podem incluir os raios dos círculos concêntricos. Os parâmetros podem incluir o número de raios, e, por conseguinte, o número de círculos concêntricos. Os parâmetros podem definir formatos diferentes para implementar a função de perda não linear com base no contexto. Consequentemente, os parâmetros podem incluir a primeira distância limítrofe, a segunda distância limítrofe e qualquer outra distância limítrofe para o formato. Os parâmetros podem incluir penalidade aplicada aos valores medidos. O contexto do veículo pode ter como base as informações operacionais de veículo, como a velocidade, se o veículo está virando, se o veículo está descendo ou subindo uma colina, etc. O contexto do veículo pode ter como base as informações de ambiente operacional, como o nível de congestão de tráfego, se o veículo está se deslocando em um ambiente metropolitano ou em um ambiente rural, o tipo de estrada no qual o veículo está se deslocando, etc.

[071] A determinação da estimativa de localização métrica do ponto temporal com o uso da função de perda não linear com um filtro de Kalman é descrita no presente documento fornecendo as informações operacionais de veículo detectado (por exemplo, a latitude e a longitude) como entrada para a função de perda não linear, em que a função de perda não linear pondera seletivamente (ou penaliza) os valores para uso no filtro de Kalman. Em algumas implementações, o projeto da função de perda não linear e do filtro de Kalman pode ser de modo que a função de perda não linear forneça a penalidade para o filtro de Kalman com os valores para a determinação da estimativa de localização métrica. Embora a função de perda não linear e o filtro de Kalman sejam descritos como usando valores detectados ou medidos no sistema de coordenadas do sistema físico no qual o veículo opera, alguns ou todos os cálculos podem usar estimativas de localização geradas ao converter os valores detectados ou medidos para o sistema de coordenadas do mapa topológico.

[072] A determinação da estimativa de localização métrica do ponto temporal com o uso de uma função de perda não linear com um filtro de Kalman conforme descrito no presente documento pode identificar quando os sensores se tornam não confiáveis. Por exemplo, um sensor de GPS não confiável pode ser identificado em que a ponderação varia nos múltiplos pontos temporais enquanto o veículo está atravessando o sistema de transporte de veículo. A determinação da estimativa de localização métrica do ponto temporal com o uso de uma função de perda não linear com um filtro de Kalman conforme descrito no presente documento pode determinar quais sensores usar dada a qualidade desses sensores. A determinação da estimativa de localização métrica do ponto temporal com o uso da função de perda não linear com um filtro de Kalman conforme descrito no presente documento pode determinar quais algoritmos usar nos cálculos com os determinados sensores. Por exemplo, os sensores diferentes podem estar disponíveis para fornecer entradas para a função de perda não linear e o filtro de Kalman que pode ser usado para gerar separadamente ou em combinação a estimativa de localização métrica. Ao determinar separadamente a estimativa de localização métrica de acordo com os ensinamentos no presente documento com o uso dos sensores diferentes ou combinações diferentes dos sensores, o número de ocasiões em que a função de perda não linear penaliza os dados detectados e/ou a quantidade de penalização (por exemplo, acumulativa ou por ocasião) pode ser usado para determinar quais sensores têm a qualidade mais baixa, e, por conseguinte, não devem ser usados, ou quais algoritmos podem ser usados na falha de um sensor.

[073] A determinação da estimativa de localização métrica do ponto temporal com o uso de uma função de perda não linear com um filtro de Kalman conforme descrito no presente documento reduz a necessidade de sensores dispendiosos ao aumentar a robustez para os dados errôneos. A solução é fácil de implementar, e adiciona complexidade computacional muito pequena ao uso do filtro de Kalman isolado. Além disso, a função de perda não linear pode ser aprendida ou modificada facilmente dependendo do contexto. Por pelo menos esses motivos, e voltando à Figura 4, a estimativa de localização métrica determinada com o uso de uma função de perda não linear com um filtro de Kalman na operação 4200 pode ser usada diretamente na operação 4400 para determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo. Ou seja, a determinação de informações de ambiente operacional na operação 4300 pode ser omitida, e as informações de ambiente operacional não são usadas na determinação da estimativa de localização topológica do veículo na operação 4400. A determinação da estimativa de localização topológica na operação 4400 pode incluir converter coordenadas da estimativa de localização métrica para o sistema de coordenadas do mapa topológico incluindo a rede de transporte de veículo. A estimativa de localização topológica pode ser associada a uma estrada particular. A estimativa de localização topológica pode ser associada a uma pista particular de uma estrada de múltiplas pistas particular.

[074] A rede de transporte de veículo é atravessada com base na estimativa de localização topológica do veículo na operação 4500. A travessia da porção da rede de transporte de veículo com base na estimativa de localização topológica do veículo pode incluir fornecer instruções de navegação para o veículo. A travessia da rede de transporte de veículo com base na estimativa de localização topológica do veículo pode incluir usar a estimativa de localização topológica como uma entrada para um sistema de controle para o veículo. Por exemplo, em que o veículo é um veículo autônomo, a travessia da porção da rede de transporte de veículo com base na estimativa de localização topológica do veículo pode incluir controlar o veículo para realizar uma alteração de pista, virar uma esquina ou alguma outra operação de veículo.

[075] Embora a determinação da estimativa de localização métrica com o uso de uma função de perda não linear com um filtro de Kalman na operação 4200 forneça benefícios na determinação de localização do veículo, benefícios adicionais podem ser alcançados ao combinar o uso de uma função de perda não linear e um filtro de Kalman com uma ou mais técnicas diferentes usadas para determinar uma estimativa de localização topológica com o uso de informações de ambiente operacional conforme discutido em mais detalhe abaixo. Adicionalmente, as técnicas diferentes para determinar uma estimativa de localização topológica com o uso de informações de ambiente operacional conforme discutido em mais detalhe abaixo podem ser usadas em conjunto ou separadamente independentemente de como a estimativa de localização métrica é determinada na operação 4200. Assim, a determinação da estimativa de localização métrica do veículo na operação 4200 pode ser realizada conforme discutido inicialmente. Essa é a estimativa de localização métrica que pode ser realizada ao extrair os dados de localização a partir das informações operacionais de veículo e com o uso dos próprios dados localização como a estimativa de localização métrica. Mais convenientemente, é incorporado um filtro de Kalman que usa as informações operacionais de veículo determinadas para múltiplos pontos temporais na operação 4100 para reduzir os efeitos de ruído estatístico e outras imprecisões nas estimativas individuais com a finalidade de fornecer uma estimativa de localização métrica final para um determinado ponto temporal. O filtro de Kalman pode ser projetado de qualquer maneira conhecida.

[076] Se uma função de perda não linear é usada ou não na determinação na operação 4200, a determinação de informações de ambiente operacional de uma porção da rede de transporte de veículo pode ocorrer na operação 4300. As informações de ambiente operacional incluem dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo. Por exemplo, a porção pode ser definida por uma pista de sensor do veículo, ou por alguma outra pista razoável sobre o veículo quando as informações de ambiente operacional são recebidas de sensores diferentes dos sensores de veículo. Um motivo para limitar o escopo das informações de ambiente operacional da rede de transporte é que o raciocínio global sobre as todas as possibilidades topológicas é computacionalmente intratável devido a um número variável de nós. Adicionalmente, para qualquer conjunto de nós fixo, o número de topologias exclusivas é exponencial no número de nós. Em vez disso, o raciocínio sobre a localização e a estrutura no local, a topologia observável permite que algoritmos de inferência manuseiem um número variável de nós assim como múltiplas topologias determinadas como um conjunto de nós fixo.

[077] Os dados de sensor das informações de ambiente operacional podem ser obtidos com o uso dos sensores 1360, do sensor 2105 ou de algum outro sensor do veículo. Os dados de sensor das informações de ambiente operacional podem ser obtidos a partir de transmissões de dados de sensor de um ou mais veículos remotos. Os dados de sensor das informações de ambiente operacional podem ser obtidos a partir de qualquer sensor no sistema de transporte e comunicação de veículo 2000. Como um exemplo, os dados de sensor compreendem dados de localização de veículo remoto. A determinação das informações operacionais de veículo pode compreender detectar ou receber uma posição global de um ou mais veículos remotos como os dados de localização de veículo remoto. A determinação das informações operacionais de veículo pode compreender detectar ou receber uma posição relativa de um ou mais veículos remotos como os dados de localização de veículo remoto. A posição relativa pode estar no sistema de coordenadas global. Se a posição global ou a posição relativa estiver disponível, pode ser convertida para o sistema de coordenadas do mapa topológico para determinar a estimativa de localização topológica na operação 4400.

[078] Os dados de linha de pista podem estar disponíveis a partir do mapa topológico para usar na determinação da estimativa de localização topológica. Os dados de linha de pista podem ser convertidos em coordenadas globais. Em algumas implementações, entretanto, os dados de sensor compreendem dados de linha de pista. Ou seja, a determinação das informações operacionais de veículo pode compreender detectar ou receber dados relacionados às linhas de pista da estrada na qual o veículo está se deslocando.

[079] Na operação 4400, o processo 4000 inclui determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional. Um exemplo de uso de informações de ambiente operacional para determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo é mostrado na Figura 6.

[080] No exemplo da Figura 6, a detecção de local é potencializada para determinar a estimativa de localização topológica. O veículo 6100 está se deslocando em uma porção 6000 da rede de transporte de veículo em uma direção de deslocamento indicado pela seta 6110. O veículo 6100 é indicado na estimativa de localização métrica. Os dados de localização de veículo remoto indicam as posições na porção 6000 da rede de transporte de veículo do veículo remoto 6300 e do veículo remoto 6400. Os dados de linha de pista incluem linhas de pista 6500, 6510 e 6520. A linha de pista 6530 não é detectada.

[081] A determinação da estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional na operação 4400 pode incluir gerar hipóteses de pista para o veículo com o uso dos dados de linha de pista e dos dados de localização de veículo remoto, e a determinação da estimativa de localização topológica como qualquer uma das hipóteses de pista é mais provável com base na estimativa de localização métrica.

[082] A geração das hipóteses de pista pode incluir definir múltiplas pistas da porção da rede de transporte de veículo com o uso dos dados de linha de pista e dos dados de localização de veículo remoto, e a geração das hipóteses de pista com base em uma cardinalidade das múltiplas pistas. As hipóteses de pista podem compreender pelo menos duas dentre uma primeira hipótese em que a estimativa de localização topológica é uma pista esquerda de uma estrada de múltiplas pistas, uma segunda hipótese em que a estimativa de localização topológica é uma pista central da estrada de múltiplas pistas, ou uma terceira hipótese em que a estimativa de localização topológica é uma pista direita da estrada de múltiplas pistas. Na Figura 6, por exemplo, os dados de linha de pista (isto é, linhas de pista detectadas 6500, 6510 e 6520) indicam pelo menos duas pistas, cuja primeira pista 6210 é uma pista direita e cuja outra pista 6220 é uma pista esquerda ou uma pista central. Os dados de localização de veículo remoto indicam que há pelo menos três pistas 6210, 6220 e 6230 de modo que a pista 6220 seja uma pista central (e não uma pista esquerda).

[083] A determinação da estimativa de localização topológica como qualquer uma das hipóteses de pista é mais provável com base na estimativa de localização métrica pode incluir comparar a estimativa de localização métrica com as informações de ambiente operacional conforme representado pelas hipóteses de pista. Na Figura 6, por exemplo, os dados de linha de pista em conjunto com os dados de localização de veículo remoto indicam que a identidade da pista 6220 na qual o veículo 6100 está deslocando tem maior probabilidade de ser uma pista central que uma pista esquerda ou uma pista direita.

[084] Em algumas modalidades, os dados de localização de veículo remoto podem ser filtrados para remover dados para qualquer veículo remoto que se desloca em uma direção diferente do veículo antes de determinar a estimativa de localização topológica como qualquer uma das hipóteses de pista é mais provável com base nos dados de localização de veículo remoto. A filtração dos dados de localização de veículo remoto de tal modo pode ser feita antes de gerar as hipóteses de pista. Embora não seja necessário, a filtração reduz o escopo das informações de ambiente operacional da rede de transporte de veículo que é considerado, reduzindo a complexidade da análise.

[085] A técnica de potencializar a detecção de local descrita acima que rastreia as localizações de veículos remotos pode ser valiosa na diferenciação entre duas hipóteses de pista de outro ambíguas (por exemplo, pista direita versus pista central, ou pista esquerda versus pista central). Adicionalmente, o rastreamento de outras localizações de veículo pode fornecer o benefício adicional de identificar padrões de tráfego de outro não mapeados.

[086] A discussão da Figura 6 acima se baseia, em parte, no pressuposto de que a cardinalidade de pistas pode ser determinada precisamente com o uso dos dados de linha de pista e dos dados de localização de veículo remoto. Entretanto, a ausência de qualquer desses dados pode reduzir a precisão da determinação. Os sensores podem não detectar os dados em todas as vezes. Adicionalmente, as topologias mais complicadas podem resultar nos dados de linha de pista e nos dados de localização de veículo remoto que indicam que o veículo está presente em mais de uma pista. Por esses motivos, uma abordagem mais geral para modelar a adesão de pista pode ser usada.

[087] A modelagem de adesão de pista calcula desejavelmente probabilidades como uma forma para representar incertezas, usa múltiplas entradas de sensor, e modela as restrições físicas do mundo real (por exemplo, as informações de ambiente operacional). De acordo com os ensinamentos no presente documento, a determinação da estimativa de localização topológica do veículo na operação4400 pode compreender determinar uma adesão de pista do veículo em uma estrada de múltiplas pistas da rede de transporte de veículo em uma série de pontos temporais ao modelar a adesão de pista do veículo com o uso de um Modelo Oculto de Markov (HMM).

[088] Os HMMs são úteis quando um estado diferente do sistema é desconhecido, mas o estado produz dados que podem ser observados. A partir dos dados observados, as probabilidades relacionadas em que o estado diferente de pelo menos dois estados do sistema existe podem ser determinadas. A probabilidade mais alta é o estado mais provável do sistema. Aqui, o estado desconhecido é a estimativa de localização topológica (por exemplo, a adesão de pista). O uso de um ou mais HMMs para localização topológica (por exemplo, adesão de pista) suporta modos mais eficientes de inferência e ensinamento, e os HMMs podem ser projetados facilmente para recursos de sensor específicos, estruturas topológicas específicas ou ambos. De acordo com os ensinamentos no presente documento, os modelos de observação para cada sensor podem ser codificados na probabilidade de observação, e a matriz de transição de estado pode codificar as restrições físicas do mundo real. Uma solução do HMM produz uma distribuição de probabilidade em relação às pistas da estrada de múltiplas pistas.

[089] Esses conceitos podem ser descritos inicialmente com referência à Figura 6. Na Figura 6, os estados de faixa xa – xe são mostrados, como são os recursos observáveis (isto é, os dados de linha de pista para linhas de pista 6500, 6510 e 6520, e os dados de localização de veículo remoto para os veículos remotos 6300 e 6400). As hipóteses de pista previamente descritas podem corresponder aos estados de pista em um HMM ou a um subconjunto dos estados de pista em um

HMM. Os estados de pista xa – xe correspondem a posições topológicas distintas na estrada para as quais há observações esperadas. Por exemplo, se o veículo 6100 estiver na pista direita 6210 (isto é, estado xe), os dados de linha de pista que indicam a presença de duas pistas à esquerda do veículo 6100 (aqui, pistas 6500 e 6510) seriam uma observação esperada. Como um outro exemplo, uma observação de um veículo remoto, como o veículo remoto 6400 à esquerda do veículo 6100 não é uma observação esperada se o veículo 6100 estiver na pista esquerda 6230 (isto é, estado xa), mas é uma observação esperada se o veículo 6100 estiver na pista central 6220 (isto é, estado xc) ou na pista direita 6210 (isto é, estado xe). Na Figura 6, o estado de pista xc é apenas o estado para o veículo que é suportado tanto pelos dados de linha de pista quanto pelos dados de localização de veículo remoto. Os dados de linha de pista isolados resultariam na mesma crença em ambos os estados xc e xe.

[090] Apresentada mais geralmente, a localização topológica (aqui, a estimativa de localização topológica) pode ser modelada como ocupação de um estado em um HMM. Nessa discussão, a estimativa de localização topológica é direcionada para uma localização de nível de pista avançada, mas aplicativos podem ser usados para outros níveis de granularidade, como localização de nível de estrada. Devido à localização de nível de pista, os estados X no HMM podem corresponder estando no centro de uma pista ou estando entre duas pistas. Por exemplo, um HMM que representa uma estrada de duas pistas detalhada na Figura 7, tem três estados x0, x1 e x2. Os estados x0 e x2 correspondem a um veículo que ocupa a pista mais à direita e a pista mais à esquerda respectivamente. O estado x1 representa tendo alguma porção do veículo no topo do divisor de pista. O estado x1 pode ser considerado como um estado de comutação. Na prática, um estado extra pode ser incluído que representa o conjunto de localizações cujas observações não são explicáveis por qualquer outro estado no HMM. Assim, um HMM que representa uma estrada com uma cardinalidade de pistas L tem estados 2L em alguns exemplos. Na teoria, poderia ser um número de pistas arbitrário e, por conseguinte, um número de probabilidades de transição diferentes de zero arbitrário. Por conseguinte, o exemplo da Figura 7 é apenas ilustrativo e não é indicativo do tamanho de HMM em geral.

[091] Na Figura 7, as linhas contínuas representam probabilidades de transição diferentes de zero entre os estados, enquanto autociclos são omitidos. As probabilidades de transição entre os estados podem ser chamadas também de probabilidades de transição de estado no presente documento. Mais especificamente, os estados de um HMM podem compreender uma pista esquerda, uma pista direita e uma posição entre a pista esquerda e a pista direita (por exemplo, quando uma estrada de múltiplas pistas é uma estrada de duas pistas), e as probabilidades de transição de estado do HMM compreendem uma primeira probabilidade de que a adesão de pista do veículo permanecerá na pista esquerda a partir de um ponto temporal atual para um ponto temporal subsequente, uma segunda probabilidade de que a adesão de pista do veículo alterará da pista esquerda no ponto temporal atual para a posição entre a pista esquerda e a pista direita no ponto temporal subsequente, uma terceira probabilidade de que a adesão de pista do veículo alterará da posição entre a pista esquerda e a pista direita no ponto temporal atual para a pista esquerda no ponto temporal subsequente, uma quarta probabilidade de que a adesão de pista do veículo permanecerá na posição entre a pista esquerda e a pista direita a partir do ponto temporal atual para o ponto temporal subsequente, uma quinta probabilidade de que a adesão de pista do veículo alterará a partir da posição entre a pista esquerda e a pista direita no ponto temporal atual para a pista direita no ponto temporal subsequente, uma sexta probabilidade de que a adesão de pista do veículo alterará a partir da pista direita no ponto temporal atual para a posição entre a pista esquerda e a pista direita no ponto temporal subsequente, e uma sétima probabilidade de que a adesão de pista do veículo permanecerá na posição entre a pista esquerda e a pista direita a partir de um ponto temporal atual para um ponto temporal subsequente.

[092] Na Figura 7, as linhas tracejadas representam probabilidades de observação ou emissão, algumas das quais são exclusivas para um único estado. As probabilidades de observação do HMM podem compreender as respectivas probabilidades de valores de saída possíveis de dados de sensor para os estados. Por exemplo, se houver um veículo remoto à direita do veículo hospedeiro ou alvo, uma probabilidade igual é atribuída a cada um dos estados x2 e x1, enquanto uma probabilidade de zero pode ser atribuída ao estado x0. Como um outro exemplo, se houver uma linha branca detectada em cada lado do veículo hospedeiro ou alvo, quando as linhas estão relativamente distantes dos lados do veículo (isto é, além do que seria esperado se veículo estiver se deslocando no centro de uma pista), uma probabilidade de 1 (ou 100%) pode ser atribuída ao estado x1, enquanto uma probabilidade de zero pode ser atribuída a cada um dos estados x0 e x1. Conforme pode ser observado a partir desses exemplos, os modelos de observação para cada sensor são codificados na probabilidade de observação para os respectivos estados. Isso é uma descrição simplificada da determinação de probabilidades, pois considera-se que a cardinalidade de pistas e seus tamanhos são relativamente constantes. Outras técnicas podem ser usadas para atribuir as probabilidades de observação ou emissão aos estados.

[093] Independentemente da fonte de uma observação (por exemplo, um valor detectado), e se a observação for usada aqui ou em qualquer uma das outras implementações e variações para localização topológica descritas no presente documento, medidas de confiança podem ser usadas com as observações. Essa é uma medida de confiança que pode ser atribuída a cada observação para ponderar que as observações influenciam em quaisquer probabilidades resultantes. Por exemplo, a medida de confiança pode ser calculada para informações de localização de veículo remoto com o uso de critérios como: 1) pista relativa ao veículo, 2) duração de rastreamento e consistência de atributos rastreados, 3) separação por item dada a velocidade rastreada, 4) velocidade absoluta e relativa, e 5) posição relativo. Os verdadeiros positivos exibem valores característicos para essas quantidades que são frequentemente violadas ao ocorrer comumente falsos positivos.

[094] Observa-se que a estrutura de transição do HMM corresponde à estrutura topológica de uma estrada de duas pistas da rede de transporte de veículo. Ou seja, um HMM pode ser particularmente desejável na localização topológica devido à sua capacidade de modelar precisamente as dinâmicas do mundo rela através de sua função de transição. Devido ao veículo poder ser apenas se mover a partir do centro de uma pista para o centro de uma pista adjacente ao se mover de um estado de comutação imediatamente adjacente, a matriz de transição de estado que representa a função de transição é escassa. Em geral, a matriz de transição de estado para um HMM de estado n pode ser definida como: (1) em que tr é o parâmetro para a probabilidade de permanecer no mesmo estado e ts é o parâmetro para a probabilidade de comutar para um estado adjacente. Essa definição reduz os relatórios de eventos fisicamente impossíveis, como alterações instantâneas ao longo de múltiplas pistas. Isso fornece uma vantagem distinta em relação às outras abordagens multimodais, como filtros de partículas.

[095] Conforme pode ser determinado a partir da descrição acima, além de sensores de GPS e proprioceptivos, como um sensor de velocidade, tanto os dados de linha de pista quanto as localizações relativas de outros veículos podem informar a estimativa de localização topológica. Em vez da técnica simplificada descrita acima em relação à Figura 6, para linhas de pista, uma combinação de parâmetros e informações aprendidas a partir do mapa topológico pode ser usada para parametrizar um Modelo Mistura de Gaussian que descreve a probabilidade de observar uma linha de pista nas mesmas posição e orientação relativas ao veículo dada um estado de pista particular.

[096] As informações de linha de pista podem ser intermitentes devido às oclusões, clima, hora do dia e a ausência das próprias marcações em muitas estradas. Para reduzir os ciclos durante os quais não há sinal exteroceptivo, as posições relativas de veículos rastreados nas proximidades suportam a presença de veículo em certos estados de pista. O raciocínio atrás dessa inovação é que, embora outros veículos (por exemplo, veículos remotos) se movam tanto global quanto relativamente, os mesmos o fazem de acordo com um padrão de local específico definido pela adesão de pista. Por exemplo, se o veículo (por exemplo, hospedeiro) estiver em uma estrada de duas pistas e detectar um veículo remoto imediatamente à sua direita, então, há uma alta probabilidade de que o veículo esteja na pista esquerda uma vez que o veículo observado é muito mais provável de ser deslocado na pista direita que ser deslocado além do limite da estrada. A função de observação para o estado xi e um sensor q pode ser denotado como .

[097] Conforme mencionado acima, uma solução do HMM produz uma distribuição de probabilidade nas pistas da estrada de múltiplas pistas, nesse exemplo, uma estrada de duas pistas. O estado mais provável é a estimativa de localização topológica determinada na operação 4400. Na operação 4500, o veículo atravessa a rede de transporte de veículo com base na estimativa de localização topológica. A travessia da rede de transporte de veículo na operação 4500 pode ser realizada conforme previamente descrito.

[098] Embora um único HMM seja confiável para localização topológica quando o mapa topológico está substancialmente correto e o número de estados no

HMM corresponde ao número de estados de pista verdadeiros, um único HMM pode falhar quando o mapa não supre a número de pistas correto devido aos erros de mapa ou aos eventos temporários. Para abordar as incertezas de mapa, uma abordagem de força bruta para testar múltiplos HMMs é possível. Entretanto, essa é uma solução computacionalmente complexa. Em vez disso, o que é chamado de Múltiplos Modelos Ocultos de Markov de Estrutura Variável (VSM-HMM) no presente documento pode ser incorporado.

[099] Os VSM-HMM podem ser definidos como um conjunto de todos os modelos possíveis junto com um conjunto de modelos ativos e um conjunto de modelos ativos . Cada um é um HMM com um espaço de estado exclusivo. Consequentemente, e .

[0100] Os VSM-HMM podem ser descritos com referência à Figura em que o conjunto de todos os modelos possíveis inclui HMMs u, etiquetados como M1, M2, M3 e M4. O modelo M1 pode ser, por exemplo, o HMM da Figura 7. Um outro dentre os modelos M2, M3 ou M4 pode ser um HMM de uma estrada de três pistas. Outras topologias podem ser modeladas. Na Figura 8, os VSM-HMM em uma iteração inicial são mostrados como os VSM-HMM 8100, em que os modelos M1 e M2 formam o conjunto de modelos ativos , e os modelos M3 e M4 formam o conjunto de modelos inativos .

[0101] Em cada iteração, o conjunto de modelos ativos UA pode ser determinado com o uso de uma variação do algoritmo de Conjunto de Modelos Provável (LMS) 8000, conforme mostrado abaixo no Algoritmo 1, e de critérios de seleção de modelo. O conjunto de modelos ativos atualizado e um arranjo de classificações de probabilidade S são inicializados (linha 3 a 4). Para cada modelo contido no conjunto ( ), uma pontuação de probabilidade é calculada (linha 6). A pontuação de probabilidade depende da probabilidade de que o modelo u corresponder ao mapa topológico (dados de mapa na Figura 8) e a probabilidade de que o modelo u corresponder as observações z (dados de sensor na Figura 8, chamados também de informações de ambiente operacional determinadas na operação 4300). Então, os modelos classificados em ordem descendente por sua pontuação (linha 8), e os modelos subsequentes são escolhidos para inclusão no conjunto de modelos ativos atualizado desde que a razão entre sua pontuação so e a pontuação máxima smáx. está acima de um limite Tativo (linhas 10 a 15). O número de modelos selecionado com modelos ativos no conjunto de modelos ativos atualizado (chamado abaixo de modelos ) é delimitado mais baixo por uma delimitação mais alta (linha 12) por uma constante (linha 14). A constante pode depender das restrições computacionais durante a operação de veículo.

Finalmente, a crença é copiada de modelos que já são ativos, e a crença é inicializada para modelos que ainda não estão ativos (linhas 16 a 20). Conforme usado aqui, a crença corresponde a uma solução (por exemplo, a toda a distribuição de probabilidade) salvo se estiver claro no contexto.

[0102] A saída do algoritmo de LMS 8000 é o conjunto de modelos ativos atualizado . No exemplo da Figura 8, os modelos M2 e M4 não alteram sua situação. O modelo M1 é desativado, e o modelo M3 é ativado. Consequentemente, os modelos M2 e M3 formam o conjunto de modelos ativos , e os modelos M1 e M4 formam o conjunto de modelos inativos para os VSM-HMM 8200.

[0103] As discrepâncias entre o mapa topológico M e a topologia real podem ser detectadas ao comparar a entropia H(u) de distribuições de crença Pr(u) para cada modelo ativo (isto é, cada modelo u no conjunto de modelos ativos ). Se o modelo sugerido pelo mapa M tiver uma alta entropia em comparação a um outro modelo, o mapa M está provavelmente incorreto. A alta entropia indica, em geral, que nenhum estado na topologia sugerida pode explicar as observações z. De acordo com um exemplo, a entropia H(u) pode ser calculada com o uso da equação de entropia de Shannon.

[0104] O algoritmo 2 destaca o procedimento para verificar o mapa M contra as observações z. O valor para o limite Tent é ajustado com base na confiabilidade do mapa M. Quanto mais confiável o mapa M, mais alto o valor do limite Tent.

[0105] Quando o conjunto de modelos ativos é igual ao conjunto de modelos total ( ), os VSM-HMM são equivalentes a um, o HMM grande com uma matriz de transição densa . A matriz de transição pode ser definida em termos dos sub-blocos que representam cada hipótese topológica distinta , , ..., , e as transições entre os mesmos.

[0106] De acordo com tal técnica, cada sub-bloco pode ser disposto na diagonal da matriz de transição . Adicionalmente, os blocos fora de diagonal podem ser completamente densos e têm o valor tm, a probabilidade de modelos de comutação. Assim, (2)

[0107] Em geral, isso resulta em uma matriz de transição , em que . Similarmente, e são definidos pela união de todos os espaços de estado e funções de observações respectivamente.

[0108] Quando , então os VSM-HMM estão se aproximando do HMM equivalente ao raciocinar sobre um subconjunto das crenças mais prováveis.

[0109] A solução para os VSM-HMM consiste em uma distribuição de probabilidade nas pistas das topologias diferentes possíveis para a estrada atual. O estado mais provável é a estimativa de localização topológica determinada na operação 4400. Na operação 4500, o veículo atravessa a rede de transporte de veículo com base na estimativa de localização topológica. A travessia da rede de transporte de veículo na operação 4500 pode ser realizada conforme previamente descrito.

[0110] O uso dos VSM-HMM descritos no presente documento estima a estrutura atual da topologia local. Ou seja, os VSM-HMM cria a hipótese sobre o estado mundial externo. Isso é útil quando o mapa topológico de local tem incertezas diferentes de zero (isto é, que há algumas incertezas no mapa topológico). Permite o raciocínio paralelo sobre múltiplas topologias possíveis. Adicionalmente, não se exige observações adicionais diferentes dessas já disponíveis para determinar a estimativa de localização topológica com o uso de um HMM, e o conhecimento (por exemplo, em relação aos HMMs) é reusado sempre que possível.

[0111] Se um único HMM ou VSM-HMM for usado na determinação da estimativa de localização topológica, a transferência de crença é um problema. A transferência de crença pode ser explicada ao considerar que um veículo tem uma crença sobre sua posição topológica real em uma topologia local e conhecida. Essa crença é discreta e fica no n-simplex , em que n é o número de estados topológicos locais e que, nesse exemplo, corresponde aproximadamente ao número de pistas na estrada em que o veículo está se deslocando. Quando o veículo está próximo de uma interseção ou de uma integração, o número de pistas na estrada em que o veículo terminará pode ser diferente do número de pistas atual. Assim, a distribuição de crença atual fica em um espaço diferente da distribuição de crença iminente que está em . A crença iminente não pode ser copiada simplesmente a partir da crença atual.

[0112] Uma opção consiste em apagar todas as crenças anteriores após entrar e, uma nova estrada e reiniciar a partir de alguma distribuição de probabilidade, como distribuição uniforme. Uma outra opção consiste em decidir heuristicamente como iniciar a nova crença. Ambas as opções são computacionalmente eficazes, mas não apresentam desempenho ideal em muitos casos. Uma terceira opção consiste em encontrar a distribuição esperada mais próxima em para a distribuição atual em , em que a proximidade é definida por alguma métrica estatística. Pode ser preferencial em relação às outras opções, mas é complicado pela ausência de isomorfismo entre e . A solução no presente documento descreve uma variação da primeira distância de Wasserstein, denominada também como Distância de Movedor de Terra, que é chamada de Distância de Movedor de Terra Estendida (EEMD) no presente documento. A EEMD define a similaridade entre as distribuições discretas em simplicidades de tamanhos relativos arbitrários, e manuseia mapeamentos com graus de arbitrariedade de incertezas.

[0113] É descrito a seguir como implementar a EEMD, em que e são distribuições normalizadas em e respectivamente. Sem a perda de generalidade, considera-se para esse exemplo que . A função é definida como (3)

[0114] Assim, f se baseia essencialmente em com crença zero com a finalidade de dimensionar igualmente a mesma como . Essa nova distribuição, agora em dimensões n, pode ser chamada de . A formulação convencional da métrica de Distância de Movedor de Terra (EMD) pode ser usada para computar a distância entre e .

[0115] Entretanto, em geral, pode haver incertezas no mapeamento entre as duas distribuições. Assim, pode ser o caso em que, na realidade, e não correspondem ao mesmo estado do mundo real. Um exemplo concreto é uma estrada de duas pistas que se torna uma estrada de três pistas ao longo de uma interseção. Isso é mostrado, por exemplo, na Figura 9. Não está claro se as duas pistas na primeira estrada à esquerda na Figura 9 correspondem às duas pistas mais à direita, mais à esquerda ou a alguma outra combinação de pistas na estrada de três pistas mostrada à direita na Figura 9. Devido ao mapeamento não poder injetivo ou subjetivo, há nn mapeamentos possíveis a partir de e . Para atingir a distância esperada, pode ser calculada uma soma de todas as possibilidades exclusivas para , e a EMD pode ser computada e ponderada pela probabilidade de cada mapeamento. Assim, a EEMD entre e pode ser definida como (4)

[0116] Considera-se que é conhecido e normalizado em todos os i. Isso pode ser calculado com o uso de informações do mapa M. Na prática, a maioria dos somatórios pode ser ignorado devido ao termo correspondente ser 0.

[0117] A EEMD é uma métrica, satisfazendo as propriedades de não negatividade, identidade e simetria. Por exemplo, a EMD é sempre positiva devido ao fato de que é uma métrica. é sempre não negativo. Seu produto é sempre não negativo, e a soma de elementos não negativos é também não negativa. Assim, a EEMD é sempre não negativa.

[0118] A identidade é satisfeita devido a . Mais especificamente, se E , então, para todos os somatórios, e/ou . Devido a ser uma distribuição, deve haver pelo menos um i de modo que . Se houver mais de um tal i, então, não pode ser zero, devido a cada ser exclusivo, e a EMD é uma métrica. Entretanto, o pressuposto de que é violado. Se houver um único i de modo que , então, devido à EMD ser uma métrica e precisar ser zero, . Adicionalmente, , que está claro a partir da definição de EEMD e . Todo será zero exceto quando . Para esse termo, a EMD correspondente será zero uma vez que a EMD é uma métrica.

[0119] Finalmente, a dimensão menor das duas distribuições é sempre aumentada, independentemente da ordem. Assim, o mesmo cálculo exato é realizado tanto para quanto para . Assim, , satisfazendo a propriedade de simetria.

[0120] A Figura 9 mostra a transferência de crença da estrada de duas pistas para a nova estrada de três pistas. Conforme mencionado acima, não há mapeamento claro da estrada de duas pistas, assim, é ambíguo como estimar a crença na pista intermediária. Entretanto, dada a crença em todas as pistas para a estrada de duas pistas, por exemplo, Pr (HMM de estrada de duas pistas), então, produz um valor para a crença de todos os estados da estrada de três faixas, enquanto considera explicitamente a ambiguidade e incertezas de mapeamento descritas acima.

[0121] A EEMD permite mapear entre os domínios de tamanhos diferentes, e pode ser eficientemente aprimorada quando há incertezas no mapeamento. A EEMD é aplicável a quaisquer duas distribuições em domínios discretos.

[0122] Cada uma das soluções apresentadas no presente documento é um aprimoramento em relação às técnicas atuais para localização de veículo. Conforme explicado acima, separadamente ou em conjunto, as mesmas abordam incertezas, ambiguidade, erros nativos ou uma combinação desses problemas em relação aos sensores, mapas ou ambos.

[0123] As implementações adicionais são resumidas nos exemplos a seguir:

[0124] Exemplo 1: Um método de travessia de uma rede de transporte de veículo, em que o método compreende: atravessar, através de um veículo, uma rede de transporte de veículo, em que a travessia da rede de transporte de veículo inclui: determinar informações operacionais de veículo que compreendem uma longitude e uma latitude do veículo medidas em múltiplo pontos temporais enquanto o veículo está atravessando a rede de transporte de veículo; determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo que compreendem: determinar uma estimativa de localização para os respectivos pontos temporais dos múltiplos pontos temporais; determinar uma estimativa de localização projetada para os respectivos pontos temporais subsequentes; e determinar a estimativa de localização métrica de um ponto temporal atual com o uso de uma função de perda não linear com um filtro de Kalman para mitigar efeitos de erro de sensor não modelado, a função de perda não linear com base em uma comparação da estimativa de localização com a estimativa de localização projetada para um mesmo ponto temporal; determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica; e atravessar a rede de transporte de veículo com base na estimativa de localização topológica do veículo.

[0125] Exemplo 2: O método do exemplo 1, em que a determinação da estimativa de localização projetada compreende: determinar a estimativa de localização projetada para um segundo ponto temporal subsequente a um primeiro ponto temporal com o uso de um posição do veículo medido no primeiro ponto temporal.

[0126] Exemplo 3: O método do exemplo 1 ou do exemplo 2 que compreende adicionalmente: determinar informações de ambiente operacional de uma porção da rede de transporte de veículo, em que as informações de ambiente operacional incluem dados de sensor em uma porção da rede de transporte de veículo definida por uma faixa de sensor do veículo, em que a determinação da estimativa de localização topológica compreende: determinar a estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional.

[0127] Exemplo 4: O método de qualquer um dos exemplos 1 a 3, em que a função de perda não linear compreende múltiplos raios que definem círculos concêntricos ao redor de uma primeira estimativa de localização projetada em um ponto temporal atual, a função de perda não linear: fornecer valores detectados da longitude e da latitude no ponto temporal atual para o filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual que está localizado em um primeiro círculo que tem um raio menor dos múltiplos raios; omitindo os valores detectados a partir do filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual que está localizado fora de um segundo círculo que tem um raio maior dos múltiplos raios; e aplicar uma penalidade aos valores detectados para obter valores detectados penalizados, e fornecer os valores detectados penalizados para o filtro de Kalman para determinar a estimativa de localização do ponto temporal atual responsiva à estimativa de localização métrica para o ponto temporal atual que está localizado fora do primeiro círculo e no interior do segundo círculo.

[0128] Exemplo 5: O método de qualquer um dos exemplos 1 a 4, em que a função de perda não linear é uma função com base no contexto.

[0129] Exemplo 6: O método do exemplo 5, em que um contexto da função com base no contexto é informações de ambiente operacional do sistema de transporte de porção do veículo.

[0130] Exemplo 7: O método do exemplo 6, em que as informações de ambiente operacional são um dentre um ambiente metropolitano ou um ambiente rural.

[0131] Exemplo 8: O método de qualquer um dos exemplos 1 a 7, em que a função de perda não linear varia um peso aplicado a pelo menos um valor medido das informações operacionais de veículo inseridas no filtro de Kalman com base em uma distância da estimativa de localização a partir da estimativa de localização projetada para o mesmo ponto temporal.

[0132] Exemplo 9: Um veículo que realiza qualquer um dos métodos dos exemplos 1 a 8.

[0133] Exemplo 10: Um meio de armazenamento não transitório que armazena instruções que fazem com que um processador realize qualquer um dos métodos dos exemplos 1 a 8.

[0134] Conforme usado no presente documento, a terminologia “instruções” pode incluir direções ou expressões para realizar qualquer método, ou qualquer porção ou porções do mesmo, revelado no presente documento, e pode ser realizado em hardware, software ou em qualquer combinação dos mesmos. Por exemplo, as instruções podem ser implementadas como informações, como um programa de computador, armazenadas na memória que podem ser executadas por um processador para realizar qualquer um dentre os respectivos métodos,

algoritmos, aspectos ou combinações dos mesmos conforme descrito no presente documento. Em algumas modalidades, as instruções, ou uma porção das mesmas, podem ser implementadas como um processador de propósito especial ou conjunto de circuitos, que pode incluir hardware especializado para executar qualquer um dos métodos, algoritmos, aspectos ou combinações dos mesmos conforme descrito no presente documento. Em algumas implementações, as porções das instruções podem ser distribuídas ao longo de múltiplos processadores em um único dispositivo, em múltiplos dispositivos, que podem se comunicar diretamente ou através de uma rede, como uma rede de área local, uma rede de área ampla, a Internet ou uma combinação das mesmas.

[0135] Conforme usado no presente documento, a terminologia “exemplo”, “modalidade”, “implementação”, "aspecto", "recurso" ou "elemento" indica servir como um exemplo, instância ou ilustração. Salvo se indicado expressamente, qualquer exemplo, modalidade, implementação, aspecto, recurso ou elemento é independente um do outro exemplo, modalidade, implementação, aspecto, recurso ou elemento e pode ser usado em combinação com qualquer outro exemplo, modalidade, implementação, aspecto, recurso ou elemento.

[0136] Conforme usado no presente documento, a terminologia “determinar” e “identificar”, ou quaisquer variações da mesma, inclui selecionar, averiguar, computar, buscar, receber, determinar, estabelecer, obter ou, de outro modo, identificar ou determinar de qualquer maneira com o uso de um ou mais dos dispositivos mostrados e descritos no presente documento.

[0137] Conforme usado no presente documento, pretende-se que a terminologia “ou” signifique um “ou” inclusivo em vez de um “ou”. exclusivo. Ou seja, salvo se especificado de outro modo ou claramente a partir do contexto, pretende-se que "X inclui A ou B" indique qualquer uma das permutações inclusivas naturais. Ou seja, se X incluir A; X incluir B; ou X incluir tanto A quanto B, então “X inclui A ou B” é satisfeito sob qualquer uma das instâncias supracitadas. Além disso, os artigos “um” e “uma” conforme usado neste pedido e as reivindicações anexas devem ser interpretados como significando “um ou mais” salvo se especificado de outro modo ou claramente a partir do contexto para ser direcionado a uma forma singular.

[0138] Adicionalmente, a título de simplicidade de explicação, embora as figuras e descrições no presente documento possam incluir sequências ou uma série de etapas ou estágios, elementos dos métodos revelados no presente documento podem ocorrer em várias ordens ou simultaneamente. Adicionalmente, os elementos dos métodos revelados no presente documento podem ocorrer com outros elementos não apresentados e descritos explicitamente no presente documento. Adicionalmente, pode-se exigir que nem todos os elementos dos métodos descritos no presente documento implementem um método de acordo com essa revelação. Embora aspectos, recursos e elementos sejam descritos no presente documento em combinações particulares, cada aspecto, recurso ou elemento pode ser usado independentemente ou em várias combinações com ou sem outros aspectos, recursos e elementos.

[0139] Os aspectos, exemplo e implementações descritos acima foram descritos a fim de permitir que o entendimento fácil da revelação não seja limitado. Em contrapartida, a revelação cobre várias modificações e disposições equivalentes incluídas no escopo das reivindicações anexas, cujo escopo deve estar de acordo com a interpretação mais ampla com a finalidade de abranger todas as tais modificações e estrutura equivalente conforme é permitido por lei.

Claims

REIVINDICAÇÃO

1. Método de travessia de uma rede de transporte de veículo, em que o método é CARACTERIZADO pelo fato de que compreende: determinar informações operacionais de veículo de um veículo, incluindo detectar uma posição global do veículo; determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo, incluindo determinar a estimativa de localização métrica com o uso da posição global detectada como entrada para uma função de perda não linear com filtração para mitigar efeitos de erro de sensor não modelado; determinar informações de ambiente operacional de uma porção da rede de transporte de veículo, em que as informações de ambiente operacional incluem dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo, os dados de sensor compreendem dados de localização de veículo remoto; determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional; e atravessar através do veículo a rede de transporte de veículo com base na estimativa de localização topológica do veículo.

2. Método, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que os dados de sensor compreendem dados de linha de pista.

3. Método, de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que a determinação da estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional compreende: gerar hipóteses de pista para o veículo com o uso dos dados de linha de pista e dos dados de localização de veículo remoto; e determinar a estimativa de localização topológica visto que qualquer uma das hipóteses de pista é mais provável com base na estimativa de localização métrica.

4. Método, de acordo com a reivindicação 3, CARACTERIZADO pelo fato de que a geração das hipóteses de pista para o veículo com o uso dos dados de linha de pista e dos dados de localização de veículo remoto compreende: definir múltiplas pistas da porção da rede de transporte de veículo com o uso dos dados de linha de pista e dos dados de localização de veículo remoto; e gerar as hipóteses de pista com base em uma cardinalidade das múltiplas pistas, em que as hipóteses de pista compreendem pelo menos duas dentre uma primeira hipótese de pista em que a estimativa de localização topológica é uma pista esquerda de uma estrada de múltiplas pistas, uma segunda hipótese em que a estimativa de localização topológica é uma pista central da estrada de múltiplas pistas ou uma terceira hipótese, em que a estimativa de localização topológica é uma pista direita da estrada de múltiplas pistas.

5. Método, de acordo com a reivindicação 3, CARACTERIZADO pelo fato de que compreende adicionalmente: filtrar os dados de localização de veículo remoto para remover dados para qualquer veículo remoto que se desloca em uma direção diferente do veículo antes de determinar a estimativa de localização topológica visto que qualquer uma das hipóteses de pista é mais provável com base nos dados de localização de veículo remoto.

6. Método, de acordo com a reivindicação 1 ou 2, CARACTERIZADO pelo fato de que os dados de localização de veículo remoto compreendem uma localização relativa de um ou mais veículos remotos em relação ao veículo.

7. Método, de acordo com a reivindicação 1 ou 2, CARACTERIZADO pelo fato de que a estimativa de localização topológica do veículo compreende uma pista em uma estrada de múltiplas pistas da rede de transporte de veículo.

8. Método, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que a determinação da estimativa de localização topológica do veículo compreende determinar uma adesão de pista do veículo em uma estrada de múltiplas pistas da rede de transporte de veículo em uma série de pontos temporais ao: modelar a estrada de múltiplas pistas com o uso de um Modelo Oculto de Markov (HMM), uma solução do HMM produzindo uma distribuição de probabilidade nas pistas da estrada de múltiplas pistas.

9. Método, de acordo com a reivindicação 8, CARACTERIZADO pelo fato de que os estados do HMM compreendem uma pista esquerda, uma pista direita e uma posição entre a pista esquerda e a pista direita, as probabilidades de estado de transição do HMM compreendem: uma primeira probabilidade de que a adesão de pista do veículo permanecerá na pista esquerda a partir de um ponto temporal atual para um ponto temporal subsequente; uma segunda probabilidade de que a adesão de pista do veículo se alterará a partir da pista esquerda no ponto temporal atual para a posição entre a pista esquerda e a pista direita no ponto temporal subsequente; uma terceira probabilidade de que a adesão de pista do veículo se alterará a partir da posição entre a pista esquerda e a pista direita no ponto temporal atual para a pista esquerda no ponto temporal subsequente; uma quarta probabilidade de que a adesão de pista do veículo permanecerá na posição entre a pista esquerda e a pista direita a partir do ponto temporal atual para o ponto temporal subsequente uma quinta probabilidade de que a adesão de pista do veículo se alterará a partir da posição entre a pista esquerda e a pista direita no ponto temporal atual para a pista direita no ponto temporal subsequente; uma sexta probabilidade de que a adesão de pista do veículo se alterará a partir da pista direita no ponto temporal atual para a posição entre a pista esquerda e a pista direita no ponto temporal subsequente; e uma sétima probabilidade de que a adesão de pista do veículo permanecerá na posição entre a pista esquerda e a pista direita a partir de um ponto temporal atual para um ponto temporal subsequente, e as probabilidades de observação do HMM compreendem as respectivas probabilidades de valores de saída possíveis dos dados de sensor para os estados.

10. Método, de acordo com a reivindicação 8 ou 9, CARACTERIZADO pelo fato de que um valor de probabilidade mais alto da distribuição de probabilidade indica a adesão de pista do veículo.

11. Método, de acordo com a reivindicação 8 ou 9, CARACTERIZADO pelo fato de que a determinação da adesão de pista compreende: usar o HMM em Múltiplos Modelos Ocultos de Markov de Estrutura Variável que compreende múltiplos HMMs, cada um dos múltiplos HMMs que modela uma respectiva possível topologia para as pistas da estrada de múltiplas pistas.

12. Método, de acordo com a reivindicação 8 ou 9, CARACTERIZADO pelo fato de que uma cardinalidade das pistas da estrada de múltiplas pistas se altera a partir de um primeiro ponto temporal para um segundo ponto temporal da série de pontos temporais, e a determinação da adesão de pista do veículo na estrada de múltiplas pistas da rede de transporte de veículo no segundo ponto temporal compreende: mapear a distribuição de probabilidade nas pistas da estrada de múltiplas pistas produzida com o uso do HMM no primeiro ponto temporal para uma distribuição de probabilidade atualizada nas pistas da estrada de múltiplas pistas no segundo ponto temporal.

13. Método, de acordo com a reivindicação 12, CARACTERIZADO pelo fato de que o mapeamento da distribuição de probabilidade compreende: mapear a distribuição de probabilidade com o uso de uma métrica de Distância do Movedor de Terra (EMD).

14. Método, de acordo com a reivindicação 1 ou 2, CARACTERIZADO pelo fato de que: a detecção da posição global do veículo compreende detectar a posição global com o uso de um sensor de sistema de posicionamento global (GPS), e a determinação da estimativa de localização métrica do veículo na rede de transporte de veículo compreende: usar a posição global detectada como a entrada para a função de perda não linear, em que a função de perda não linear pondera valores detectados do sensor de GPS; e usar uma saída da função de perda não linear em um filtro de Kalman, em que o filtro de Kalman emite a estimativa de localização métrica.

15. Veículo CARACTERIZADO pelo fato de que compreende: um processador configurado para executar instruções armazenadas em um meio legível por computador não transitório para: determinar informações operacionais de veículo do veículo, incluindo detectar uma global posição do veículo; determinar uma estimativa de localização métrica do veículo com o uso das informações operacionais de veículo, incluindo determinar a estimativa de localização métrica com o uso da posição global detectado como entrada para uma função de perda não linear com filtração para mitigar efeitos de erro de sensor não modelado; determinar informações de ambiente operacional de uma porção de uma rede de transporte de veículo, em que as informações de ambiente operacional incluem dados de sensor de uma porção da rede de transporte de veículo que é observável para o veículo, em que os dados de sensor compreendem dados de localização de veículo remoto; determinar uma estimativa de localização topológica do veículo na rede de transporte de veículo com o uso da estimativa de localização métrica e das informações de ambiente operacional; e atravessar através do veículo a rede de transporte de veículo com base na estimativa de localização topológica do veículo.

16. Veículo, de acordo com a reivindicação 15, CARACTERIZADO pelo fato de que o processador é configurado para executar as instruções armazenadas no meio legível por computador não transitório para determinar a estimativa de localização topológica ao: modelar uma estrada de múltiplas pistas com o uso de um Modelo Oculto de Markov (HMM) que compreende: identificar uma pluralidade de estados correspondentes a uma topologia da estrada de múltiplas pistas; identificar uma pluralidade de probabilidades de transição de estado, em que cada probabilidade de transição de estado da pluralidade de probabilidades de transição de estado representa uma probabilidade de transição de um primeiro respectivo estado da pluralidade de estados para um segundo respectivo estado da pluralidade de estados; identificar uma pluralidade de observações, cada observação da pluralidade de observações correspondente a um valor das informações de ambiente operacional; e identificar uma pluralidade de probabilidades de observação, em que cada probabilidade de observação indica uma probabilidade de precisão para uma respectiva observação da pluralidade de observações em associação com os respectivos um ou mais estados da pluralidade de estados.

17. Veículo, de acordo com a reivindicação 16, CARACTERIZADO pelo fato de que o processador é configurado para executar as instruções armazenadas no meio legível por computador não transitório para determinar a estimativa de localização topológica ao: resolver o HMM para produzir uma distribuição de probabilidade nas pistas da estrada de múltiplas pistas; e determinar a estimativa de localização topológica como uma pista da estrada de múltiplas pistas que tem um valor de probabilidade mais alto da distribuição de probabilidade.

18. Veículo, de acordo com a reivindicação 15 ou 16, CARACTERIZADO pelo fato de que o processador é configurado para executar as instruções armazenadas no meio legível por computador não transitório para: determinar as informações operacionais de veículo ao determinar uma longitude e uma latitude do veículo a partir da posição global detectada em múltiplos pontos temporais enquanto o veículo está atravessando a rede de transporte de veículo; determinar a estimativa de localização métrica ao: determinar uma estimativa de localização para os respectivos pontos temporais dos múltiplos pontos temporais; determinar uma estimativa de localização projetada para os respectivos pontos temporais subsequentes; e determinar a estimativa de localização métrica de um ponto temporal atual com o uso da função de perda não linear com um filtro de Kalman para mitigar os efeitos de erro de sensor não modelado, a função de perda não linear com base em uma comparação da estimativa de localização com a estimativa de localização projetada para um mesmo ponto temporal.

19. Veículo, de acordo com a reivindicação 18, CARACTERIZADO pelo fato de que a função de perda não linear compreende múltiplos raios que definem círculos concêntricos ao redor de uma primeira estimativa de localização projetada em um ponto temporal atual, em que a função de perda não linear fornece valores detectados da longitude e da latitude no ponto temporal atual para o filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual que está localizado em um primeiro círculo que tem um raio menor dos múltiplos rádios; omite os valores detectados do filtro de Kalman para determinar a estimativa de localização métrica do ponto temporal atual responsiva à estimativa de localização para o ponto temporal atual que está localizado fora de um segundo círculo que tem um raio maior dos múltiplos raios; e aplica uma penalidade aos valores detectados para obter valores detectados penalizados, e fornece os valores detectados penalizados para o filtro de Kalman para determinar a estimativa de localização do ponto temporal atual responsiva à estimativa de localização métrica para o ponto temporal atual que está localizado fora do primeiro círculo do segundo círculo.

20. Veículo, de acordo com a reivindicação 18, CARACTERIZADO pelo fato de que compreende adicionalmente: um sensor de sistema de posicionamento global.