CN114662378A - 运输环境数据服务 - Google Patents

运输环境数据服务 Download PDF

Info

Publication number
CN114662378A
CN114662378A CN202111590739.9A CN202111590739A CN114662378A CN 114662378 A CN114662378 A CN 114662378A CN 202111590739 A CN202111590739 A CN 202111590739A CN 114662378 A CN114662378 A CN 114662378A
Authority
CN
China
Prior art keywords
data
sensor data
request
transportation
service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111590739.9A
Other languages
English (en)
Inventor
A·西尔瓦
K·西华尼山
S·A·西拉
L·戈梅斯波尔塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN114662378A publication Critical patent/CN114662378A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

所公开的是提供运输环境数据服务的实施例。运输环境数据服务包括抓取路边基础设施解决方案、以获得从物理地定位在路边基础设施处的传感器收集到的传感器数据的收获服务。在一些情况下，路边基础设施解决方案对传感器数据执行附加的处理。例如，一些路边基础设施执行对象检测和/或对象识别。当遇到这些解决方案时，边缘或收获服务也会收集对象检测和/或对象识别信息。客户可以订阅由运输环境数据服务提供的各种数据服务。例如，一些订阅者指示对特定区域的任何环境数据更新感兴趣。其他订阅者对与由运输环境数据服务检测到的任何交通工具事故相关联的视频数据感兴趣。

Description

运输环境数据服务
技术领域
本公开涉及用于运输环境的数据服务。具体而言，所公开的实施例中的至少一些实施例实现运输环境数据服务。
背景技术
智能运输解决方案、高级驾驶辅助系统(ADAS)和自主驾驶(AD)需要在质量和数量上丰富的多模态数据集来支持其复杂的人工智能(AI)算法的训练。智能运输解决方案(诸如用于道路基础设施的解决方案)、AD交通工具和ADAS系统中的感知、环境建模和规划算法需要高质量、代表性、深度、高清晰度和最新的多模式数据集。由AI算法做出的决策的准确性、有效性和质量也取决于用于训练它们的数据集的深度和广度。
用于提高AI算法的准确性和可靠性的一种成功技术是用于收获表示故障事件的数据集，并且随后使用该数据集重新训练算法。这被称为难分样本挖掘(hard negativemining)。因此，从故障事件得出的数据集的可用性对于确保AI算法的稳健性也是重要的。
附图说明
在所附附图中以示例方式而非限制方式图示本公开，在附图中，类似的附图标记指示类似的要素，其中：
图1是图示出所公开的实施例中的至少一些实施例中的多模态数据湖的组件的概览图。
图2是人工智能算法栈200的概览图。
图3A-图3B是示出所公开的实施例中的一个或多个实施例内的并行处理流水线的概览图。
图4示出了根据本公开的一些示例的机器学习模块400的示例。
图5是提供运输环境数据的示例方法的流程图。
图6图示了可在其上执行本文中所讨论的技术(例如，方法)中的任何一项或多项的示例机器600的框图。
具体实施方式
所公开的实施例认识到，对于AI开发者来说，各自构建表示各种各样的潜在场景、状况、和事件(如在真实世界的交通模式或场景下发生的那些场景、状况、和事件)的训练数据集可能是非常具有挑战性、昂贵的和耗时的。许多现有的数据集通常提供表示单个模态的数据(例如，通常是相机图像和/或视频)。此外，当使用现有的光检测和测距(LIDAR)和/或无线电检测和测距(RADAR)数据集时，标识对应的相机投影(其可以促进传感器融合算法的训练)通常是困难的。
进一步增加复杂性的是真实世界环境的动态性质。充分表示真实世界场景的数据集相对快速地老化，并且因此必须不断被更新。因此，有效的AI算法需要在最近被更新的数据集上进行训练，以反映它们操作所处的当前环境状况。即使是环境中的小的改变或趋势，如果不被数据集表示，也会导致AI算法的准确性显著降级。在人类健康或安全性处于风险中的任务关键型应用中，此种降级是不可接受的。依赖于AI训练数据集的自组织或手动收集的AI供应商无法满足AI应用的苛刻需求。此外，ADAS和AD领域的许多AI算法使用监督学习技术来训练，并且因此需要每个数据集的基础事实信息。这对于许多AI供应商来说，手动管理他们的数据集以提供该基础事实信息可能是成本过高的。
一些供应商力图通过经由其现有产品收集训练数据来增强其训练数据。例如，这些供应商将他们的产品配备了持续监测其环境、并伺机将训练数据上传到基于云的训练系统的相机或其他传感器。该方法也经历若干挑战。例如，产品上传数据的能力将取决于产品与基于云的训练系统的连接性以及带宽。由于许多产品被设计用于使硬件成本最小化，因此在适当的连接性和带宽可用于上传数据之前的产品的用于存储大量训练数据的能力可能是有限的。该有限的存储可能会导致产品丢弃或以其他方式删除有时收集到的训练数据的大部分，这是由于在竞争本地存储空间的新数据到来之前无法上传这些数据。
此外，在一些产品环境中，上传由产品捕获的数据存在隐私问题。一些客户可能不提供对提供数据的许可，从而将训练数据限制在客户环境的非随机样本中。此外，发展中的法律环境给依赖于收集客户数据进行AI训练的任何AI训练策略增加了风险。例如，一些提出的法律框架禁止上传客户数据，即使具有客户的许可。
为了解决与获得AI算法的稳健的训练集相关联的技术问题，所公开的实施例提出了一种使AI算法供应商(诸如交通工具OEM、交通工具OEM供应商、数据集管理者、研究机构、执法机构、保险提供商、车队所有者、移动性即服务提供商或公用事业公司)能够访问运输环境数据湖的技术解决方案。该交通环境数据湖可以被这些实体用来改善其AI算法的准确性和稳健性。其他实体也可能具有对所提出的运输环境数据湖中包括的数据的某种需求。例如，交通工具所有者(或车队所有者)和/或他们的保险公司可能会订阅与他们的交通工具或交通工具车队相关的数据通知。因此，当交通工具涉及事故时，交通工具所有者、车队所有者或保险提供商经由访问事故的视频录像而受益。车队所有者可以使用视频数据来增强驾驶员培训。执法机构和/或保险公司可以在法律诉讼中使用可用的视频数据。另外，一些车队所有者发现，维护其交通工具所访问的位置的历史记录是有利的。此类历史记录经由从路边基础设施解决方案传感器捕获交通工具数据而变得可能。作为另一示例，公用事业公司可以订阅所提出的运输环境数据湖服务，以便在公用事业公司所拥有的资产(例如路灯或井盖)涉及事故或需要维修时接收通知。
所公开的实施例中的一些实施例利用现有的道路基础设施解决方案(诸如路边单元(又称为RSU)、台架、停车解决方案、MEC)。该道路基础设施经常配备有多模态传感器、计算平台、连接性解决方案(例如，包括交通工具对外界(V2X))、本地存储和解决方案基础设施。道路基础设施现在越来越多地配备有AI算法(例如感知、环境建模和规划算法)，以及具有与由AD和ADAS解决方案所使用的传感器模态相重叠的模态的传感器。一般来说，部署在基础设施解决方案内的传感器在功率、尺寸、成本等方面具有较少的约束，因此它们是强大的、高分辨率的并且提供相对高质量的数据。至少在一些情况下，这些传感器还被策略性地放置，以便收集有价值的传感器数据。在一些情况下，例如，基础设施解决方案被放置在升降平台上或被放置在自然升高的位置。在一些情况下，被定位在交通交叉路口或台架附近的基础设施具有被配置成用于提供区域的无缝覆盖范围的多个传感器。因此，通过从这些基础设施解决方案中收获数据，可以为AI算法的训练提供事件的整体视图。
一些道路基础设施还包括足以处理传感器数据和确定基础事实信息的处理能力。如上文所讨论，基础事实信息被应用在监督学习环境中。因此，所公开的实施例中的一些实施例从路边基础设施设备内的稳定存储中收集经估计的基础事实信息，并使该信息可用于训练AI算法。在一些实施例中，在所估计的基础事实信息被提供用于训练AI算法之前，监督实体被添加以基于其他数据源(例如事故报告、交通传感器)或人类提供的信息(例如由评估监视监测器的人类道路操作者接收到的信息)来验证所估计的基础事实信息。在一些其他实施例中，如果场景已经被多个传感器从多个角度捕获，并且从多个传感器独立地生成的关于该场景生成的元数据与基础事实估计信息一致，则从道路基础设施获得的所估计的基础事实信息被有条件地标记或标注为基础事实信息。
这些道路基础设施解决方案的提供商能够作为签约的边缘系统(CES)进行注册。作为经注册的CES，提供商提供他们的传感器数据、计算、存储和其他服务，同时也获得从运输环境数据服务102生成的收入份额。该解决方案允许道路基础设施解决方案提供商保留他们的过程独立性、原始服务的服务质量、安全性和所需的过程和数据隔离水平。当CES注册为数据提供商时，所公开的实施例接收CES的详细信息，该详细信息包括CES的位置、CES所支持的每个传感器的外在/内在信息，以及CES的系统详细信息。CES还提供使环境数据湖能够访问存储在由CES支持的每个基础设施解决方案的数据的信息。例如，在一些实施例中，CES将特殊的登录凭证提供给环境数据湖，以使环境数据湖的代理(例如，数据收获微服务(DHM)和/或边缘爬虫微服务(ECM)/边缘服务)(两者将在下文进一步讨论)登录并访问要被收集的数据。在一些实施例中，CES从环境数据湖获得允许CES主动将该数据推送到环境数据湖、从而减少了作为数据提供商参与而施加于CES的任何风险的回调API。
至少在一些实施例中，所公开的ECM能够从由不同的供应商集合设计、实施或维护的各种CES系统中收获数据。所公开的实施例构想与大多数(如果不是所有)CES系统的互操作性，同时对CES系统的架构施加了最小数量的兼容性要求。为了实现该互操作性，ECM被设计成用于解析由各种CES供应商产生的各种元数据格式。另外，不同的CES装置将包括各种不同的传感器和传感器配置。另外，不同的CES供应商或装置将集成各种不同的AI算法，这些AI算法中的每一种算法在其准确性上有所不同。ECM还需要注意促进DHM收获多样化的数据集，以避免数据集的偏见，即取消优先对待代表性过高的数据并优先对待代表性不足的数据。
在一些实施例中，当CES向所公开的运输环境数据服务注册时，CES提供指示其元数据的格式的文件。所公开的实施例利用该文件作为从CES的元数据到数据湖和运输环境数据服务的重要数据的辅助。在一些实施例中，CES还提供快照记录，快照记录指示天气状况和拍摄快照的时间。每个快照还包括传感器数据和指示其AI算法基于传感器数据的任何分析输出的元数据。所公开的实施例中的一些实施例使用快照记录来生成与每个天气状况相关联的准确性度量。
在一些实施例中，所公开的ECM从ECM导入以专有元数据格式进行存储的数据，并在将数据存储在数据湖中以供运输环境数据服务访问之前将数据转换成标准元数据格式(例如，元数据内部表示(IR))。标准元数据格式促进对元数据进行查询，而不管从其中源送对应数据的ECM如何。
当接收到对数据集的请求或针对自管理的数据集定义标准时，ECM表示对以元数据IR形式的数据集的目标查询(例如，对表示具有白天雨天状况的至少五个交通工具的数据的查询)。当访问CES时ECM首先通过调用元数据转换微服务将该CES元数据流转换成IR格式。CES针对经转换的元数据IR运行目标查询IR，以确定是否存在匹配。对于发现的匹配，将被相应地标记以获得DHM的益处。
在解析元数据时，ECM引用最初计算出的该CES的相应的(取决于时间/条件)准确性度量。如果它被认为是低的，则数据将被相应地标记，因此在数据集生成步骤中，这些标记将触发基础事实的生成，以替代在CES元数据上发现的内容。
数据集的多样性将来自不同的方面，诸如交叉路口的种类(3向交叉路口、4向交叉路口等)、道路上的车道数、道路的坡度、天气状况、一天中的时间、记录的事件、对象的密度、传感器的分辨率。已经收获的数据样本被投影到N维多样性空间(使用自动编码器)，在N维多样性空间中每个样本均是一个点。为了确保数据集的多样性，ECS将对来自潜在的传感器数据段的帧进行随机采样，并将其投影到多样性空间。ECS将以表示索引的方式对每个帧进行评级，其中与现有数据样本非常接近的帧取得较低的得分，而与现有数据样本相距较远的帧取得较高的得分。当DHM访问CES时，它将在收获时优先对待具有较高表示索引的段。
一些CES节点包括感测一个或多个天气状况(诸如雨量、能见度、或照度水平)的天气传感器。当CES节点包括此类信息时，所公开的ECS的一些实施例收获该数据并将该数据与来自其他传感器(诸如成像传感器、LIDAR或RADAR传感器中的一者或多者)的其他数据进行整合。
在某些天气状况下，感知算法的准确性通常会稍微降级。捕获如上所述的天气信息可以通过将训练输入提供给指示训练图像被收集时的天气状况的模型来增强模型。
然后，ECM或边缘服务定制其分析，以增强由CES提供的任何现有分析，使得处理开销不被重复。一旦数据已被标记，DHM将周期性地从CES节点收获数据(包括例如具有传感器ID的原始传感器数据、其他传感器数据(诸如V2X数据(包括经由V2X传送的交通工具传感器数据)或V2X连接性数据、相应的分析结果(例如在基础事实计算中使用)以及其他衍生元数据)。除传感器数据本身之外，DHM将收集中间数据输入(诸如由CES节点生成的任何环境模型)。然后环境模型被上传至环境数据湖，并且稍后用于规划算法的单元训练/验证。
在一些情况下，所公开的实施例基于对数据的明确请求来填充数据湖。例如，在一些实施例中，消费者经由安全的订阅API进行订阅。在一些实施例中，消费者需要增强他们的AI对象识别算法在雾天状况下的稳健性，并且因此请求来自成像传感器和LIDAR传感器的在所述雾天状况下的至少五个小时的图像/视频的数据集。在一些实施例中，消费者进一步经由API指定必须存在于在图像和LIDAR数据中的至少十个其他交通工具，并且应该存在至少五个行人。该请求进一步指定该图像应该在郊区环境中捕获。
基于该请求，所公开的运输环境数据服务的实施例管理包括在储存库中的传感器数据，以组装数据集来满足该请求。例如，可用的数据被过滤以标识在雾天状况期间捕获的数据，其中包括所需的十个交通工具和五个行人。数据被管理，直到满足长度要求(五小时)的数据被组装。然后生成对提供管理的数据的请求的响应。
由公开的实施例处理的每个数据集生成任务包括完成标准。在一些情况下，完成标准从对数据集的原始请求中得出。例如，在一些实施例中，对数据集的请求指定了任何记录的视频流的多个图像或持续时间、特定天气状况、事件、对象、地理位置、将从其中得出数据集的模态。
利用所收获的数据周期性地更新自管理的数据集，基于周期性更新对管理的数据集的现有版本进行更新。在一些实施例中，对所管理的数据集的更新也具有一个或多个完成标准。一些实施例提供了发布/订阅的操作模型，该模型允许感兴趣的实体订阅经管理的数据集的更新。一旦经管理的数据集的周期性更新完成，就会向任何订阅者发出通知。然后，订阅者能够在他们选择时获得经更新的、经管理的数据集。
一些实施例将原始环境传感器数据提供给请求客户端。作为一个示例，自主交通工具的传感器具有有限的范围，并且至少在某些情况下，这对于自主交通工具能够扩展其感测范围可能是有利的。在至少一些实施例中，该能力是实时提供的，或者经由向交通工具流送实况传感器数据，或者通过将经数字化的环境状态更新(其中环境中的对象被系统检测、标识和定位)作为元数据提供。在各个实施例中，此类能力提供了传感器范围的扩展和/或视角的扩展。例如，在一个示例场景中，交通工具A要作出是否在交叉路口处继续前进的决策。该交通工具被定位在停车标志处，并且从该位置无法经由其集成的传感器感测街道上的其他交通工具以便确定进入交叉路口是安全的还是不安全的(例如，这可能是由于障碍物或街道相交的特定方式等)。在该示例场景中，在一些实施例中，交通工具A选择从环境数据湖获得实时传感器馈送。环境数据湖被提供有来自交叉路口附近区域(例如附近)内的第二交通工具的传感器馈送。替代地，在交通工具A之外运行的服务确定交通工具A进入交叉路口是否是安全的(例如，基于被提供给数据湖的一个或多个交通工具的视点)，并将该决策提供给交通工具A。
一些实施例提供了使自主交通工具能够沿指定路径注册传感器数据更新的API。在这些实施例中的一些实施例中，自主交通工具将指示自主交通工具的行进路线和当前位置的信息提供给环境数据湖。在一些实施例中，自主交通工具还在其沿着路线前进时将位置更新提供给环境数据湖。响应于位置更新，环境数据湖的一些实施例在自主交通工具预计到达该位置之前的预定时间，提供由环境数据湖存储的位置的任何最新传感器信息。
如果特定的OEM被订阅了负数据集的更新，则他们将在负数据集被标识时接收更新。该订阅可以满足针对订阅的一个或多个特定标准，诸如指定OEM感兴趣的特定交通工具或系统的标准。因此，在该情况下，不满足针对订阅指定的标准的负数据集当然不会导致向这些订阅者发出通知。
一些实施例包括数据集增强微服务(DAM)。该DAM被配置成用于将数据集投影到任何视角，投影到给定的分辨率、模态、帧速率或每个给定的传感器固有属性。数据集的投影在训练AD算法时是特别有用的，这些AD算法经常根据目标交通工具的视角进行优化。DAM允许从不同视角收集到的数据适用于目标视角，从而增加该数据的价值，并且还为目标交通工具提供了更加多样的和稳健的训练数据集。
一些实施例包括用于执行例如以下各项中的一项或多项的附加的微服务：过滤、预处理、匿名化隐私增强或封装。这些微服务对驻留在数据湖中的收获的数据进行操作，以进一步细化数据集。
在任何给定的时间，多个微服务可以对数据湖中包括的数据并行地进行操作，使得多个不同的数据集被并行地创建。例如，一些实施例分配第一组微服务来处理针对第一数据请求的数据，以及第二组微服务来处理数据以满足第二请求。在一些实施例中，管理和优化微服务的并行化的编排器被实现。在一些实施例中，编排器在运输环境数据服务内部运行，并基于由运输环境数据服务接收到的请求来编排微服务以完成任务。
典型的CES将具有覆盖给定区域的多模态传感器阵列(相机阵列、LIDAR阵列和RADAR阵列)。一些CES还经由V2X连接性收集数据。在一些实施例中，封装的微服务将来自这些多模态传感器阵列的流进行同步，并以易于重新创建整体场景的方式将它们封装在传感器内在和外在的数据结构中，该数据结构被称为整体传感器数据结构(WSDS)。在一些实施例中，V2X数据也被封装在数据结构中。
在CES节点上运行的AI算法将彼此不同，因此其结果的质量也将有所不同。此外，在存储在CES节点上的数据上运行的任何分析也有所不同，它们相应的结果也有所不同。所公开的实施例消耗这些不同的数据和分析结果，并生成具有一致质量的一致的基础事实指示。
因此，首先，对CES节点的元数据收集到的分析结果进行解析，以确保它们可以满足对正在产生的数据集的基础事实要求。然后WSDS被用于重新创建整体场景，并且通过在整体场景上运行AI算法来验证CES节点的分析结果。在一些实施例中，真实性检查也被执行。节点的分析结果在需要时被校正。当CES分析结果不完全覆盖该数据集所需的基础事实时，也会生成缺失的基础事实。计算出的基础事实被附到WSDS中，以提供给定数据集的最终数据结构。
在一些情况下，来自交通工具的板载传感器的感知信息和高清地图可能不一致。在此类情况下，数据湖可以用作证明服务。另一种可能性是来自板载感知流水线的对象检测的置信度水平低于阈值。AV从数据湖获得传感器数据集以帮助导航。
在一些情况下，可能会发生交通路线选择的临时改变。例如，这可能发生在交通事故和/或施工的情况下。所公开的实施例包括能够捕获交通路线选择的临时改变的API。该API还提供了上文讨论的ECM可以在其中捕获数据湖中的适当数据的位置。然后，DHM从所指示的位置收集信息。
公开的实施例中的一些实施例认识到，从交通工具的板载传感器得出的感知信息与高清晰度地图不一致。因此，这些实施例中的一些实施例提供了数据证明服务。此外，在一些情况下，由交通工具的板载感知流水线执行的对象检测操作的置信度水平低于置信度阈值。因此，一些实施例从数据湖向交通工具提供实时传感器数据，这增强了交通工具执行对象检测的能力。在一些实施例中，交通工具查询数据湖以获得低置信度对象所位于的特定位置的最新传感器数据集合。然后，交通工具能够基于数据湖响应于查询所提供的数据来执行附加的对象检测。
在其他实施例中，自主交通工具的传感器范围通过从数据湖获得从AV的传感器范围之外的位置收集到的传感器数据来被增强。在一些实施例中，所公开的运输环境数据服务将传感器数据(例如实时地)流送到交通工具。在一些实施例中，将所流送的传感器数据作为元数据提供给交通工具。
在又另一些实施例中，AV的感知系统通过从不可能经由板载传感器获得的方向或视角(例如俯视或仰视)获得传感器数据来被增强。因此，这些实施例构想了AV根据方向或视角请求传感器数据的能力。在一些实施例中，运输环境数据服务将其已获得的数据投影到AV所要求的视角，并且随后将所投影的数据提供给AV。
其他实施例认识到，AD应用可能对来自板载感知系统的结果具有高置信度，但对所得到的运动规划具有低置信度。作为一个示例，AD应用需要在示例场景中对关于检测到的行人是否会乱穿马路进入交叉路口做出判断。一些实施例提供了这样的运输环境数据服务，该运输环境数据服务用于查阅关于该交叉路口或其他交叉路口的历史数据，以加强对行人将采取何种动作的预测。至少在一些实施例中，此类解决方案可以增加交通工具运动规划的置信度。
上述示例中的至少一些示例包括最小延迟约束。为了促进运输环境数据服务满足这些约束，交通工具和运输环境数据服务之间的接口为交通工具提供指示请求数据的对于查询友好的和特定的位置(例如，在一些实施例中的八叉树编码)。八叉树编码标准提供了对任何尺寸和分辨率的对象的编码，并提供了相对快速的查询时间。
图1是图示出所公开的实施例中的至少一些实施例中的多模态数据湖100的组件的概览图。图1示出运输环境数据服务102。在一些实施例中，运输环境数据服务102包括对于执行下文关于运输环境数据服务102讨论的功能的一个或多个功能所必需的计算硬件组件和/或软件组件。在一些实施例中，运输环境数据服务102提供允许访问由运输环境数据服务102提供的服务的API 104。
运输环境数据服务102还包括多个微服务，包括数据集管理者微服务106A、负数据集收获微服务106B、基于人工智能的微服务106C、请求处理程序微服务106D、匿名化和隐私增强微服务106E、数据集封装微服务106F、数据预处理微服务106G、数据集过滤微服务106H。一些实施例还包括微服务编排器。运输环境数据服务102还包括数据储存库108。
图1中还示出了数据集收获微服务(DHM)110和边缘爬虫微服务(ECM)112或边缘服务。图1还示出多个签约的边缘系统(CES)114提供由DHM 110和ECM 112抓取的基础设施。例如，图1示出CES 114，该CES 114提供路边单元116A、台架116B、收费站116C、高速公路或收费公路匝道116D、停车解决方案116E和基于隧道或桥梁的解决方案116F。
图1是运输环境数据服务102的示例，该运输环境数据服务102利用DHM 110和ECM112微服务来抓取由CES 114维护的基础设施和其他边缘节点(例如116A-F)以收获数据并将数据复制到数据储存库108。根据存储在数据储存库108中的数据创建AI训练数据集。在一些情况下，训练数据集经由微服务106A-H中的一者或多者生成。在一些情况下，训练数据集包括基础事实信息。该信息经由API 104对订阅的客户118和/或潜在客户118变得可用。
DHM 110和ECM 112在MaaS地理位置内的每个注册的CES 114上操作。微服务通常在CES 114内(例如在基础设施解决方案16A-F中的每一者的基础设施内)以低优先级操作，并且因此不会中断CES的标称操作。
在许多情况中，基础设施解决方案116A-F中的一者或多者默认存储传感器数据。许多基础设施解决方案116A-F还存储基于所存储的传感器数据计算出的任何输出，并将该信息维持至少若干天。对传感器数据和所计算的结果的此种存储允许ECM 112抓取CES 114的数据存储，并(使用AI算法)对数据进行加标签，以指示例如特定的天气状况(光照条件、雨、雪、温度等)或其他特定的环境状况。为了对数据进行加标签，ECM 112将解析由CES基础设施解决方案116A-F生成的任何元数据，从而利用由CES基础设施解决方案116A-F执行的数据分析。一些CES元数据标识交通工具和行人的计数的事件(诸如碰撞、险些碰撞、异常、V2X通知)。
由DHM 110和ECM 112从CES基础设施解决方案116A-F收获数据被配置成用于以使得在CES基础设施解决方案116A-F删除作为其正常数据维护过程的一部分的任何累积的数据之前获得该数据的频率运行。在收获之后，数据被存储在数据储存库108，并且在一些实施例中，其源CES基础设施解决方案(例如，116A-F中的任何一者)的指示被维持。
公开的实施例中的一些实施例还基于这些事件被CES内的处理标记来标识和收获负数据集。DHM将收获这些负数据集并将其存储在数据储存库108中。一些实施例在这些负数据集上运行附加的处理算法，以标识例如这些事件中涉及的制造商和/或交通工具型号、所有者(例如，交通工具车队所有者)或服务提供商(例如，井盖的公用服务提供商等)。
在一些实施例中，API 104包括注册API、订阅者API、或通知API中的一者或多者。注册API允许将边缘系统(诸如下文进一步讨论的CES 114中的一者)注册为运输环境数据服务102的数据提供商。边缘系统经由注册API提供认证或访问凭证，该认证或访问凭证提供对边缘系统资源的访问。例如，在一些实施例中，认证或访问凭证使运输环境数据服务102的微服务或其他代理能够获得对由基础设施解决方案存储的数据的访问，如下文所讨论。订阅者API使客户116能够订阅来自运输环境数据服务102的数据更新。通知API允许客户接收来自运输环境数据服务102的经更新的数据的通知。例如，在一些实施例中，通知API允许交通工具向运输环境数据服务102注册所规划的路线。然后，运输环境数据服务102结合交通工具沿该路线的进展，沿所规划的路线提供经更新的传感器数据。例如，至少在一些实施例中，交通工具将关于其当前位置的更新提供给向运输环境数据服务，并且至少在一些实施例中，运输环境数据服务102提供靠近当前位置的经更新的传感器数据。
图2是人工智能算法栈200的概览图。AI算法栈包括若干层，这些层包括传感器输入层202、感知层204、环境建模层206、规划层208、和决策/动作层210。如上文所讨论，公开的实施例中的一些实施例收获一个或多个基础设施解决方案(例如，116A-F)，以获得由这些解决方案收集到的数据。在一些实施例中，从基础设施解决方案收集到的数据包括传感器数据(诸如，成像传感器数据、光检测和测距传感器数据、无线电监测和测距传感器数据、来自其他传感器的其他数据(风、雨、降水等)以及来自V2X连接性的数据。一些基础设施解决方案包括AI栈的至少部分，并执行基础设施解决方案本身内的某种程度的处理。因此，在一些实施例中，由所公开的实施例提供的挖掘微服务(例如，DHM 110和/或ECM 112)收集或收获由例如感知层204提供的数据。例如，在各种实施例中，DHM 110和/或ECM 112收集关于由基础设施解决方案检测到的对象的信息、对象跟踪信息、分割信息或来自感知层204的位置信息。在一些实施例中，基础设施解决方案还实现了环境建模层206。因此，在这些实施例中的一些实施例中，DHM 110和/或ECM 112从基础设施解决方案收集预测数据和/或情况分析信息。在一些实施例中，基础设施解决方案包括生成操纵规划数据、路径规划数据或轨迹规划信息的规划算法。因此，DHM110和/或ECM 112的公开的实施例被配置成用于检测此类信息的存在并将其移动到数据储存库108。
图3A-图3B是示出所公开的实施例中的一个或多个实施例内的并行处理流水线的概览图。图3A示出在流水线300的第一阶段302处，ECM 112对驻留在由CES 114提供的基础设施解决方案116A-F中的一者内的数据进行加标签。在数据被收集之后，在流水线300的第二阶段304期间，DHM 110将所收集的数据发送到数据储存库108。然后，公开的实施例中的一些实施例实现用于处理所收集的数据的多个处理流水线305。多个处理流水线中的每一者均包括过滤阶段306和预处理阶段308。图3B继续该流水线并且示出匿名化和隐私增强阶段310，从被包括所收集的数据中的多个传感器流创建WSDS阶段312、生成基础事实阶段314，在生成基础事实阶段314之后在完成阶段316中完成数据的生成。然后在通知阶段318中提供由多个处理流水线305的单个流水线的完成而产生的对订阅者的任何通知。
图4示出了根据本公开的一些示例的示例机器学习模块400。机器学习模块400利用训练模块410和预测模块420。训练模块410将历史信息430输入到特征确定模块450A。历史信息430可以被标记。示例历史信息可以包括来自一个或多个路边基础设施解决方案的传感器数据，如上文所讨论。例如，在一些实施例中提供以下各项中的一项或多项：天气数据、交通数据或事故事件数据。在一些实施例中，该历史信息被存储在训练库中。包括在训练库中的标签指示鉴于作为历史信息430提供的历史传感器数据而可能经历的未来传感器数据。
特征确定模块450A根据该历史信息430确定一个或多个特征460。一般而言，特征460是信息输入集合，并且被确定为对特定后果的预测。在一些示例中，特征460可以是所有的历史信息430，但在其他示例中，特征460是历史信息430的子集。机器学习算法470基于特征460和标签来产生模型418。
在预测模块420中，当前信息490可以被输入到特征确定模块450B。在公开的实施例中，当前信息490包括上文关于历史信息430描述的指示类似的指示。然而，当前信息490为相对最近(例如，在先前的一、二、五、十、三十或六十分钟时间段内)观察到的传感器数据提供这些指示。
在一些实施例中，特征确定模块450B根据当前信息490确定与特征确定模块450A根据历史信息430确定的特征集合等价的特征集合或不同的特征集合。在一些示例中，特征确定模块450A和450B是同一个模块。特征确定模块450B产生特征415，特征415被输入到模型418中以在预期时间段期间生成传感器数据的一个或多个预测。训练模块410可以以离线方式操作来训练模型418。然而，预测模块420可被设计为以在线方式操作。应当注意，模型418可以经由附加的训练和/或用户反馈周期性地进行更新。
预测模块420生成一个或多个输出495。在一些实施例中，输出包括关于预期时间段的传感器数据或对象检测或对象识别数据的一个或多个预测。
机器学习算法470可从许多不同的潜在有监督或无监督机器学习算法之中选择。有监督学习算法的示例包括人工神经网络、贝叶斯网络、强化学习网络、联合学习网络、基于实例的学习、支持向量机、决策树(例如，迭代二分器3、C4.5、分类和回归树(CART)、卡方自动交叉检验器(CHAID)等)、随机森林、线性分类器、二次分类器、K最近邻、线性回归、逻辑回归、隐马尔可夫模型、基于人工生命的模型、模拟退火和/或病毒学。无监督学习算法的示例包括期望最大化算法、向量量化和信息瓶颈方法。无监督模型可能不具有训练模块410。在示例实施例中，使用回归模型，并且模型418是与特征向量460、415中的特征中的每个特征的所学习的重要性相对应的系数向量。在一些实施例中，为了计算得分，采取特征415和模型418的系数向量的点积。
图5是提供运输环境数据的示例方法的流程图。在一些实施例中，下文关于图5和方法500讨论的功能中的一个或多个功能由硬件处理电路执行。例如，在一些实施例中，存储在一个或多个电子存储器(例如下文讨论的602和/或604)中的指令(例如下文讨论的624)将硬件处理电路(例如下文讨论的硬件处理器602)配置成用于执行下文关于图5和方法500讨论功能中的一个或多个功能。在一些实施例中，方法500由上文关于图1讨论的运输环境数据服务102中包括的计算设备和/或计算系统执行。例如，在一些实施例中，运输环境数据服务102中包括的计算设备和/或计算系统实现了下文关于图6讨论的、方法600的功能中的一个或多个功能在其上被执行的机器600的一个或多个实例。
在开始操作505之后，方法500移动到操作510。
在操作510中，多个路边基础设施解决方案的注册信息经由边缘系统注册API被接收。该注册信息包括路边基础设施解决方案中的每一者的访问凭证。
在操作520中，边缘服务经由访问凭证访问由经注册的基础设施解决方案中的每一者存储的传感器数据。路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。多个路边基础设施解决方案中的每一者均包括至少一个环境传感器和存储从环境传感器收集到的数据的历史的稳定的存储设备。边缘服务访问稳定存储设备以获得传感器数据。
如上文所讨论，DHM 110和/或ECM 112(例如边缘服务)中的一者或多者获得对一个或多个基础设施解决方案(例如116A-F)处的本地存储的访问，以便从一个或多个基础设施解决方案收获传感器数据或其他数据。如上文所讨论，一些基础设施解决方案处理传感器数据以生成中间结果。在一些实施例中，这些中间结果包括对象检测信息、对象识别信息(例如，将检测到的对象区分为特定类型的对象)(例如，识别交通工具、自行车、行人、交通灯、或运输环境内遇到的其他对象)。
在操作530中，所收获的或所收集的传感器数据被提供给运输环境数据服务。例如，如上文所讨论，在一些实施例中，DHM和/或ECM 112中的一者或多者将数据提供给运输环境数据服务102。
在操作540中，所收获的数据被存储在运输环境数据服务102的数据储存库(例如，数据储存库108)中。
在操作550中，从订阅者API接收对数据集的请求。如上文所讨论，在一些实施例中，对数据的请求指定对被请求的数据的一个或多个要求。例如，在各个实施例中，该请求指定以下各项中的一项或多项：收集运输数据集的传感器的类型(例如LIDAR、成像传感器、红外传感器、RADAR传感器、超声传感器、环境光传感器、V2X数据)、由运输数据集表示的天气状况、由运输数据集表示的环境光水平、由运输数据集表示的交通工具数量的下限、或由运输数据集表示的时间范围。在一些实施例中，该时间范围指定日期和/或时间范围。在一些实施例中，时间范围指定重复时间范围，诸如工作日上午8点到上午10点之间，或类似的重复时间段或范围。
在一些实施例中，该请求定义对象类型标准。对象类型标准指定满足请求的一个或多个对象类型。例如，在一些实施例中，请求指定对满足某个标准的交通灯(例如红色交通灯或部分遮挡的交通灯)的视频数据的请求。
在一些实施例中，该请求指示对基础事实信息的请求。
在操作560中，对从基础设施解决方案所收集的传感器数据进行管理，以便满足请求的要求。在一些实施例中，管理数据包括以下各项中的一项或多项：过滤数据、预处理数据、使数据匿名化、增强数据的隐私、根据数据生成环境模型、确定基础事实信息、以及将所管理的数据进行比较以符合请求的要求。
在一些实施例中，管理所收集的数据包括分析与数据相关联的元数据，以确定或确认数据是否满足基础事实要求。在一些实施例中，这些要求可以包括例如，传感器数据的一个或多个质量标准、与数据被收集所处的天气状况有关的一个或多个标准、真实性检查的结果、数据跨越要求、人为干预要求和/或冗余要求。
在一些情况下，取决于正在生成的数据集和要求，存在对基础事实信息的最低要求。例如，如果数据集被要求包括交通标志的图像，则数据湖中包括的一些图像将包括交通标志，但是缺乏指示由从其中收集图像的路边基础设施本地的AI算法检测这些交通标志的任何辅助分析信息。在该情况下，与图像相关联的元数据将不能满足基础事实要求。公开的实施例中的一些实施例通过在数据/图像上运行AI算法来增强图像以得出基础事实信息，并且随后利用从AI算法得出的结果更新元数据。
在一些实施例中，为了确保数据满足基础事实要求，对所收集的分析结果的元数据进行解析或解码，以确保数据满足对正在产生的数据集的基础事实要求。
如上文所讨论，WSDS被用来重新创建整体场景，并且分析结果通过在整体场景上运行AI算法来进一步验证，并在需要时进行校正。如果分析结果没有充分覆盖数据集所需的基础事实，则在一些实施例中也会生成缺失的基础事实。在一些实施例中，所生成的基础事实被附到WSDS以提供给定数据集的最终数据结构。
如果数据确实满足基础事实要求，那么方法500基于数据来生成基础事实信息。在一些情况下，元数据指示传感器数据不满足基础事实要求。当该状况被标识时，方法500的一些实施例使用其他信息来生成基础事实信息。在一些实施例中，数据利用基础事实信息来进行标记。例如，在一些实施例中，与数据相关联的元数据被增强以指示所生成的基础事实信息。
在一些实施例中，管理所收集的数据包括在数据上调用一个或多个AI算法，以检测由所收集的数据指示的一个或多个事件。例如，一些实施例调用被训练用于检测交通事件(诸如汽车事故、违反交通规则(闯红灯、没有发出变道或转向信号)、不安全的交通工具状况(例如，缺失的或不起作用的灯、超载的小货车))的机器学习模型。然后，订阅者请求对这些检测到的事件的通知。下文讨论的由操作560生成的响应随后将与事件性质有关的信息提供给请求订阅者。在各个方面，例如，事件的类型、事件的位置、参与事件的交通工具的标识或描述被提供给请求订阅者。
一些实施例将传感器数据提供给机器学习模型，并获得对预期时间段的传感器数据值的预测。例如，在一些实施例中，如上文关于模型418讨论的历史传感器信息(例如430)被用于训练机器学习算法(例如470)，该算法随后能够提供预测(例如495)。然后，在下文讨论的操作560中，该预测的传感器数据被提供给请求客户。
在操作560中，基于管理的数据来生成对请求的响应。例如，操作560的一些实施例包括生成包括管理的数据的网络消息并将该消息传送到请求中指定的请求计算机地址。
方法500的一些实施例包括经由通知API接收对接收传感器数据更新的请求。该请求还指定交通工具的路线。而且，通过该请求，指示在交通工具沿着路线移动时交通工具位置的更新的通知被接收。在一些实施例中，通知是周期性的，但可以在任何时间到达。这些通知使交通工具沿路线的位置对于运输环境数据服务保持最新。运输环境数据服务还沿路线(例如，在路线和交通工具的位置的预定义距离内)监测传感器数据。如果新数据是可用的，则运输环境数据服务搜索数据储存库，以确定任何新数据是否满足使其与交通工具的路线和交通工具的当前位置相关的标准。例如，在一些实施例中，该标准指定距路线的距离和交通工具当前位置前方的距离(例如，在规划的交通工具路线的20米范围内和距交通工具最新位置的一英里或一公里范围内)。如果满足标准，则指示新传感器数据的通知被发送到交通工具。通过该服务，可由运输环境数据服务向交通工具通知沿其路线的任何新信息。如上文所讨论，该信息从不容易由交通工具访问的多个基础设施解决方案中收获，但是经由对运输环境数据服务的使用，交通工具对当前环境状况的可见度被大大增强。
在操作570完成之后，方法500移动到结束操作590。
图6图示了可在其上执行本文中所讨论的技术(例如，方法)中的任一项或多项的示例机器600的框图。机器(例如，计算机系统)600可包括硬件处理器602(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核或其任何组合)、主存储器604以及静态存储器606，这些组件中的一些或全部可经由互链路(例如，总线)608彼此通信。在一些实施例中，示例机器600由运输环境数据服务102实现。
主存储器604的具体实例包括：随机存取存储器(RAM)，以及半导体存储器设备，在一些实施例中，可以包括半导体中的存储位置(诸如寄存器)。静态存储器606的具体示例可包括：非易失性存储器，诸如，半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM))以及闪存设备；磁盘，诸如，内部硬盘和可移除盘；磁光盘；RAM；以及CD-ROM和DVD-ROM盘。
机器600可进一步包括显示设备610、输入设备612(例如，键盘)以及用户界面(UI)导航设备614(例如，鼠标)。在示例中，显示设备610、输入设备612以及UI导航设备614可以是触摸屏显示器。机器600可附加地包括大容量存储设备(例如，驱动单元)616、信号生成设备618(例如，扬声器)、网络接口设备620以及一个或多个传感器621(诸如，全球定位系统(GPS)传感器、罗盘、加速度计或其他传感器)。机器600可包括用于连通或者控制一个或多个外围设备(例如，打印机、读卡器等)的输出控制器628，诸如，串行(例如，通用串行总线(USB))、并行、或者其他有线或无线(例如，红外(IR)、近场通信(NFC)等)连接。在一些实施例中，硬件处理器602和/或指令624可以包括处理电路和/或收发器电路。
大容量存储设备616可包括在其上存储一组或多组数据结构或指令622(例如，软件)的机器可读介质624，这些数据结构或指令624具体化本文中所描述的技术或功能中的任何一个或多个或由本文中所描述的技术或功能中的任何一个或多个利用。指令624还可完全地或至少部分地驻留在主存储器604内，驻留在静态存储器606内，或者在由机器600对其的执行期间驻留在硬件处理器602内。在示例中，硬件处理器602、主存储器604、静态存储器606或大容量存储设备616中的一个或任何组合都可构成机器可读介质。
机器可读介质的特定示例可以包括：非易失性存储器(诸如半导体存储器设备(诸如，EPROM或EEPROM)和闪存存储器设备；磁盘(诸如内部硬盘及可移除盘)；磁光盘；RAM；以及CD-ROM和DVD-ROM盘)。
尽管机器可读介质622被图示为单个介质，但是术语“机器可读介质”可包括被配置成用于存储一条或多条指令624的单个介质或多个介质(例如，集中式或分布式数据库、和/或相关联的高速缓存和服务器)。
机器600的装置可以是以下各项中的一项或多项：硬件处理器602(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核或其任何组合)、主存储器604和静态存储器606、传感器621、网络接口设备620、天线660、显示设备610、输入设备612、UI导航设备614、大容量存储设备616、指令624、信号生成设备618、以及输出控制器628。该装置可被配置成用于执行本文所公开的方法和/或操作中的一个或多个方法和/或操作。该设备旨在作为机器600的组件，以执行本文公开的方法和/或操作中的一个或多个方法和/或操作，和/或执行本文公开的方法和/或操作中的一个或多个方法和/或操作的一部分。在一些实施例中，该设备包括引脚或用于接收功率的其他装置。在一些实施例中，该设备可以包括电源调节硬件。
术语“机器可读介质”可包括能够存储、编码或承载供机器600执行并且使机器600执行本公开的技术中的任一项或多项技术的指令、或者能够存储、编码或承载由此类指令使用或与此类指令相关联的数据结构的任何介质。非限制性的机器可读介质示例可包括固态存储器以及光和磁介质。机器可读介质的特定示例可包括：非易失性存储器，诸如半导体存储器设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))以及闪存设备；磁盘，诸如内部硬盘和可移动盘；磁光盘；随机存取存储器(RAM)；以及CD-ROM和DVD-ROM盘。在一些示例中，机器可读介质可包括非暂态机器可读介质。在一些示例中，机器可读介质可包括不是暂态传播信号的机器可读介质。
指令624可利用多种传输协议(例如，帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任何一种，经由网络接口设备620，使用传输介质，通过通信网络626被进一步传送或接收。示例通信网络可包括局域网(LAN)、广域网(WAN)、分组数据网络(例如，互联网)、移动电话网络(例如，蜂窝网络)、普通老式电话(POTS)网络、以及无线数据网络(例如，称为
Figure BDA0003429836140000201
的电气与电子工程师协会(IEEE)802.11标准族、称为
Figure BDA0003429836140000202
的IEEE 802.16标准族)、IEEE 802.15.4标准族、长期演进(LTE)标准族、通用移动电信系统(UMTS)标准族、对等(P2P)网络等。
在示例中，网络接口设备620可包括用于连接到通信网络626的一个或多个物理插口(jack)(例如，以太网插口、同轴插口、或电话插口)或者一根或多根天线。在示例中，网络接口设备620可以包括使用单输入多输出(SIMO)、多输入多输出(MIMO)、或多输入单输出(MISO)技术中的至少一种无线地进行通信的一个或多个天线660。在一些示例中，网络接口设备620可使用多用户MIMO技术来无线地进行通信。术语“传输介质”应当认为包括能够存储、编码或承载供由机器600执行的指令的任何无形介质，并且“传输介质”包括数字或模拟通信信号或者用于促进此类软件的通信的其他无形介质。
如本文中所描述的示例可包括逻辑或者数个组件、模块或机制，或可在逻辑或者数个组件、模块或机制上进行操作。模块是能够执行指定的操作的有形实体(例如，硬件)，并且能以特定的方式来配置或布置。在示例中，能以指定的方式将电路(例如，内部地或者相对于诸如其他电路之类的外部实体)布置为模块。在示例中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或一个或多个硬件处理器的全部或部分可由固件或软件(例如，指令、应用部分、或者应用)配置为操作用于执行指定的操作的模块。在示例中，软件可驻留在机器可读介质上。在示例中，软件在由模块的底层硬件执行时，使得该硬件执行指定的操作。
示例1是一种系统，该系统包括：运输环境数据服务被配置成用于：从边缘服务接收多个路边基础设施解决方案的传感器数据；将所接收的传感器数据存储在数据储存库内；经由订阅者API接收对运输数据集的请求；该请求指定对运输数据集的要求；管理传感器数据以满足该要求；以及响应于该请求，提供满足该要求的经管理的传感器数据。
在示例2中，示例1的主题任选地包括，其中对传感器数据的管理包括对传感器数据进行匿名化。
在示例3中，示例1-2中任一项或多项的主题任选地包括其中传感器数据包括交通工具对外界(V2X)数据。
在示例4中，示例1-3中任一项或多项的主题任选地包括，其中运输环境数据服务进一步被配置成用于：经由通知API接收对接收传感器数据更新的请求，该请求指定交通工具的路线；经由通知API接收指示交通工具沿该路线的位置的周期性更新；响应于周期性更新，搜索数据储存库以获得交通工具的位置的预定义距离内的经更新的传感器数据；基于搜索来标识经更新的传感器数据；以及将更新的传感器数据提供给交通工具。
在示例5中，示例4的主题任选地包括其中运输环境数据服务进一步被配置成用于：将来自数据储存库的经更新的传感器数据提供给机器学习模型；从机器学习模型获得在预期时间段期间的传感器数据的预测；以及将传感器数据的预测提供给交通工具。
在示例6中，示例1-5中任一项或多项的主题任选地包括，其中多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
在示例7中，示例6的主题任选地包括，其中多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从环境传感器收集到的数据的历史的稳定存储设备，并且其中边缘服务访问该稳定存储设备以获得传感器数据。
在示例8中，示例1-7中任一项或多项的主题任选地包括，其中传感器数据包括元数据，其中运输环境数据服务进一步被配置成用于分析元数据以确认传感器数据满足基础事实要求，基于传感器数据来生成基础事实信息，经由订阅者API接收对基础事实信息的请求，以及响应于该请求提供基础事实信息。
在示例9中，示例8的主题任选地包括，其中运输环境数据服务进一步被配置成用于确定传感器数据元数据中的至少一些传感器数据元数据不满足基础事实要求，以及响应于该确定而生成基础事实信息。
在示例10中，示例1-9中任一项或多项的主题任选地包括，其中运输环境数据服务进一步被配置成用于基于传感器数据来检测交通事件和交通事件的类型；从订阅者API接收对指示检测到的类型的事件的数据的请求并且生成对指示检测到的交通事件的请求的响应。
在示例11中，示例1-10中任一项或多项的主题任选地包括，其中要求指示以下各项中的一项或多项：收集运输数据集的传感器的类型、由运输数据集表示的天气状况、由运输数据集表示的交通工具数量、由运输数据集表示的时间范围。
在示例12中，示例1-11中任一项或多项的主题任选地包括其中运输环境数据服务进一步被配置成用于经由边缘系统注册应用编程接口(API)接收多个路边基础设施解决方案的注册信息，该注册信息包括路边基础设施解决方案中的每一者的访问凭证，其中边缘服务经由该访问凭证访问传感器数据。
在示例13中，示例12的主题任选地包括，其中运输环境数据服务进一步被配置成用于经由访问凭证访问由多个路边基础设施解决方案中的至少一者所存储的对象检测数据，其中请求进一步定义运输数据集的对象类型标准，以及管理包括管理对象检测数据以满足所定义的对象类型标准。
示例14是至少一种非暂态计算机可读存储介质，包括指令，该指令当被执行时将硬件处理电路配置成用于执行包括以下各项的操作：由运输环境数据服务从边缘服务接收多个路边基础设施解决方案的传感器数据；由运输环境数据服务将传感器数据存储在数据储存库内；由运输环境数据服务经由订阅者API接收对运输数据集的请求，该请求指定对运输数据集的要求；由运输环境数据服务管理传感器数据以满足要求；以及由运输环境数据服务响应于该请求而提供满足要求的经管理的传感器数据。
在示例15中，示例14的主题任选地包括，其中对传感器数据的管理包括对传感器数据进行匿名化。
在示例16中，示例14-15中任一项或多项的主题任选地包括其中传感器数据包括交通工具对外界(V2X)数据。
在示例17中，示例14-16中的任一项或多项的主题任选地包括，操作进一步包括：经由通知API接收对接收传感器数据更新的请求，该请求指定交通工具的路线；经由通知API接收指示交通工具沿该路线的位置的周期性更新；响应于周期性更新，搜索数据储存库以获得交通工具的位置的预定义距离内的经更新的传感器数据；基于搜索来标识经更新的传感器数据；以及将更新的传感器数据提供给交通工具。
在示例18中，示例17的主题任选地包括，其中操作进一步包括：将来自数据储存库的经更新的传感器数据提供给机器学习模型；从机器学习模型获得在预期时间段期间的传感器数据的预测；以及将传感器数据的预测提供给交通工具。
在示例19中，示例14-18中任一项或多项的主题任选地包括，其中多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
在示例20中，示例19的主题任选地包括，其中多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从环境传感器收集到的数据的历史的稳定存储设备，并且其中边缘服务访问该稳定存储设备以获得传感器数据。
在示例21中，示例14-20中任一项或多项的主题任选地包括，其中传感器数据包括元数据，操作进一步包括：分析元数据以确认传感器数据满足基础事实要求，由运输环境数据服务基于传感器数据来生成基础事实信息，经由订阅者API接收对基础事实信息的请求，以及响应于该请求提供基础事实信息。
在示例22中，示例21的主题任选地包括，其中操作进一步包括确定传感器数据元数据中的至少一些传感器数据元数据不满足基础事实要求，以及由运输环境数据服务响应于该确定而生成基础事实信息。
在示例23中，示例14-22中任一项或多项的主题任选地包括，操作进一步包括基于传感器数据来检测交通事件和交通事件的类型；从订阅者API接收对指示检测到的类型的事件的数据的请求并且生成对指示检测到的交通事件的请求的响应。
在示例24中，示例14-23中任一项或多项的主题任选地包括，其中要求指示以下各项中的一项或多项：收集运输数据集的传感器的类型、由运输数据集表示的天气状况、由运输数据集表示的交通工具数量、由运输数据集表示的时间范围。
在示例25中，示例14-24中任一项或多项的主题任选地包括，操作进一步包括经由边缘系统注册应用编程接口(API)接收多个路边基础设施解决方案的注册信息，该注册信息包括路边基础设施解决方案中的每一者的访问凭证，其中边缘服务经由该访问凭证访问传感器数据。
在示例26中，示例25的主题任选地包括，操作进一步包括经由访问凭证访问由多个路边基础设施解决方案中的至少一者所存储的对象检测数据，其中请求进一步定义运输数据集的对象类型标准，以及管理包括管理对象检测数据以满足所定义的对象类型标准。
示例27是一种由运输环境数据服务的硬件处理电路执行的方法，包括：从边缘服务接收多个路边基础设施解决方案的传感器数据；将所接收的传感器数据存储在数据储存库内；经由订阅者API接收对运输数据集的请求，该请求指定对运输数据集的要求；管理传感器数据以满足该要求；以及响应于该请求，提供满足该要求的经管理的传感器数据。
在示例28中，示例27的主题任选地包括，其中对传感器数据的管理包括对传感器数据进行匿名化。
在示例29中，示例27-28中任一项或多项的主题任选地包括其中传感器数据包括交通工具对外界(V2X)数据。
在示例30中，示例27-29中任一项或多项的主题任选地包括：经由通知API接收对接收传感器数据更新的请求，该请求指定交通工具的路线；经由通知API接收指示交通工具沿该路线的位置的周期性更新；响应于周期性更新，搜索数据储存库以获得交通工具的位置的预定义距离内的经更新的传感器数据；基于搜索来标识经更新的传感器数据；以及将更新的传感器数据提供给交通工具。
在示例31中，示例30的主题任选地包括，将来自数据储存库的经更新的传感器数据提供给机器学习模型；从机器学习模型获得在预期时间段期间的传感器数据的预测；以及将传感器数据的预测提供给交通工具。
在示例32中，示例27-31中任一项或多项的主题任选地包括，其中多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
在示例33中，示例27-32中任一项或多项的主题任选地包括，其中多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从环境传感器收集到的数据的历史的稳定存储设备，并且其中边缘服务访问该稳定存储设备以获得传感器数据。
在示例34中，示例27-33中任一项或多项的主题任选地包括，其中传感器数据包括元数据，该方法进一步包括：分析元数据以确认传感器数据满足基础事实要求，基于传感器数据来生成基础事实信息，经由订阅者API接收对基础事实信息的请求，以及响应于该请求提供基础事实信息。
在示例35中，示例34的主题任选地包括，确定传感器数据元数据中的至少一些传感器数据元数据不满足基础事实要求，以及响应于该确定而生成基础事实信息。
在示例36中，示例27-35中任一项或多项的主题任选地包括，基于传感器数据来检测交通事件和交通事件的类型；从订阅者API接收对指示检测到的类型的事件的数据的请求并且生成对指示检测到的交通事件的请求的响应。
在示例37中，示例27-36中任一项或多项的主题任选地包括，经由边缘系统注册应用编程接口(API)接收多个路边基础设施解决方案的注册信息，该注册信息包括路边基础设施解决方案中的每一者的访问凭证，其中边缘服务经由该访问凭证访问传感器数据。
在示例38中，示例37的主题任选地包括，经由访问凭证访问由多个路边基础设施解决方案中的至少一者所存储的对象检测数据，其中请求进一步定义运输数据集的对象类型标准，以及管理包括管理对象检测数据以满足所定义的对象类型标准。
示例39是一种设备，包括：用于从边缘服务接收多个路边基础设施解决方案的传感器数据的装置；用于将所接收的传感器数据存储在数据储存库内的装置；用于经由订阅者API接收对运输数据集的请求的装置，该请求指定对运输数据集的要求；用于管理传感器数据以满足该要求的装置；以及用于响应于该请求、提供满足该要求的经管理的传感器数据的装置。
在示例40中，示例39的主题任选地包括，其中对传感器数据的管理包括对传感器数据进行匿名化。
在示例41中，示例39-40中任何一项或多项的主题任选地包括其中传感器数据包括交通工具对外界(V2X)数据。
在示例42中，示例39-41中任一项或多项的主题任选地包括，用于经由访问凭证访问由多个路边基础设施解决方案中的至少一者所存储的对象检测数据的装置；以及用于将对象检测数据提供给运输环境数据服务的装置，其中请求进一步定义运输数据集的对象类型标准，以及管理包括管理对象检测数据以满足所定义的对象类型标准。
在示例43中，示例39-42中任一项或多项的主题任选地包括：用于经由通知API接收对接收传感器数据更新的请求的装置，该请求指定交通工具的路线；用于经由通知API接收指示交通工具沿该路线的位置的周期性更新的装置；用于响应于周期性更新、搜索数据储存库以获得交通工具的位置的预定义距离内的经更新的传感器数据的装置；用于基于搜索来标识经更新的传感器数据的装置；以及用于将更新的传感器数据提供给交通工具的装置。
在示例44中，示例43的主题任选地包括，用于将来自数据储存库的经更新的传感器数据提供给机器学习模型的装置；用于从机器学习模型获得在预期时间段期间的传感器数据的预测的装置；以及用于将传感器数据的预测提供给交通工具的装置。
在示例45中，示例39-44中任一项或多项的主题任选地包括，其中多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
在示例46中，示例45的主题任选地包括，其中多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从环境传感器收集到的数据的历史的稳定存储设备，并且其中边缘服务访问该稳定存储设备以获得传感器数据。
在示例47中，示例39-46中任一项或多项的主题任选地包括，其中传感器数据包括元数据，设备进一步包括：用于分析元数据以确认传感器数据满足基础事实要求的装置，用于由运输环境数据服务基于传感器数据来生成基础事实信息的装置，用于经由订阅者API接收对基础事实信息的请求的装置，以及用于响应于该请求提供基础事实信息的装置。
在示例48中，示例47的主题任选地包括，用于确定传感器数据元数据中的至少一些传感器数据元数据不满足基础事实要求的装置，以及用于响应于该确定而生成基础事实信息的装置。
在示例49中，示例39-48中任一项或多项的主题任选地包括，用于基于传感器数据来检测交通事件和交通事件的类型的装置；以及用于从订阅者API接收对指示检测到的类型的事件的数据的请求并且生成对指示检测到的交通事件的请求的响应的装置。
在示例50中，示例39-49中任一项或多项的主题任选地包括，用于经由边缘系统注册应用编程接口(API)接收多个路边基础设施解决方案的注册信息的装置，该注册信息包括路边基础设施解决方案中的每一者的访问凭证，其中边缘服务经由该访问凭证访问传感器数据。
在示例51中，示例50的主题任选地包括，用于经由访问凭证访问由多个路边基础设施解决方案中的至少一者所存储的对象检测数据的装置，其中请求进一步定义运输数据集的对象类型标准，以及管理包括管理对象检测数据以满足所定义的对象类型标准。
因此，术语“模块”被理解为涵盖有形实体，该有形实体是物理地构建、具体地配置(例如，硬连线)、或者临时地(例如，暂态地)配置(例如，编程)从而以所指定的方式操作或者执行本文中所描述的任何操作的部分或全部的实体。考虑到其中临时配置模块的示例，这些模块中的每一个不需要在任何一个时刻进行实例化。例如，在这些模块包括使用软件配置的通用硬件处理器的情况下，通用硬件处理器可在不同的时间被配置为各个不同的模块。软件可相应地配置硬件处理器，例如以便在一个时间实例处构造特定的模块，并且在不同的时间实例处构造不同的模块。
一些实施例完全或部分地以软件和/或固件来实现。该软件和/或固件可采取非暂态计算机可读存储介质中或非暂态计算机可读存储介质上所包含的指令的形式。这些指令随后可由一个或多个处理器读取和执行，以使本文所述的操作得以执行。指令可采用任何合适的形式，诸如但不限于，源代码、经编译的代码、经解释的代码、可执行代码、静态代码、动态代码等等。此类计算机可读介质可以包括用于存储信息的、采用可由一个或多个计算机读取的形式的、任何有形的非暂态介质，诸如但不限于：只读存储器(ROM)；随机存取存储器(RAM)；磁盘存储介质；光存储介质；闪存等。
如本文中所描述的示例可包括逻辑或者数个组件、模块或机制，或可在逻辑或者数个组件、模块或机制上进行操作。模块是能够执行指定的操作的有形实体(例如，硬件)，并且能以特定的方式来配置或布置。在示例中，能以指定的方式将电路(例如，内部地或者相对于诸如其他电路之类的外部实体)布置为模块。在示例中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或一个或多个硬件处理器的全部或部分可由固件或软件(例如，指令、应用部分、或者应用)配置为操作用于执行指定的操作的模块。在示例中，软件可驻留在机器可读介质上。在示例中，软件在由模块的底层硬件执行时，使得该硬件执行指定的操作。
因此，术语“模块”被理解为涵盖有形实体，该有形实体是物理地构建、具体地配置(例如，硬连线)、或者临时地(例如，暂态地)配置(例如，编程)从而以所指定的方式操作或者执行本文中所描述的任何操作的部分或全部的实体。考虑到其中临时配置模块的示例，这些模块中的每一个不需要在任何一个时刻进行实例化。例如，在这些模块包括使用软件配置的通用硬件处理器的情况下，通用硬件处理器可在不同的时间被配置为各个不同的模块。软件可相应地配置硬件处理器，例如以便在一个时间实例处构造特定的模块，并且在不同的时间实例处构造不同的模块。
各个实施例完全或部分地以软件和/或固件来实现。该软件和/或固件可采取非暂态计算机可读存储介质中或非暂态计算机可读存储介质上所包含的指令的形式。这些指令随后可由一个或多个处理器读取和执行，以使本文所述的操作得以执行。指令可采用任何合适的形式，诸如但不限于，源代码、经编译的代码、经解释的代码、可执行代码、静态代码、动态代码等等。此类计算机可读介质可以包括用于存储信息的、采用可由一个或多个计算机读取的形式的、任何有形的非暂态介质，诸如但不限于：只读存储器(ROM)；随机存取存储器(RAM)；磁盘存储介质；光存储介质；闪存等。

Claims (20)

1.一种系统，包括：
运输环境数据服务被配置成用于：
从边缘服务接收多个路边基础设施解决方案的传感器数据；
将所接收的传感器数据存储在数据储存库内；
经由订阅者API接收对运输数据集的请求；所述请求指定对所述运输数据集的要求；
管理所述传感器数据以满足所述要求；以及
响应于所述请求，提供满足所述要求的经管理的传感器数据。
2.如权利要求1所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于：
经由通知API接收对接收传感器数据更新的请求，所述请求指定交通工具的路线；
经由所述通知API接收指示所述交通工具沿所述路线的位置的周期性更新；
响应于周期性更新，搜索所述数据储存库以获得所述交通工具的所述位置的预定义距离内的经更新的传感器数据；
基于所述搜索来标识经更新的传感器数据；以及
将所述经更新的传感器数据提供给所述交通工具。
3.如权利要求2所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于：
将来自所述数据储存库的所述经更新的传感器数据提供给机器学习模型；
从所述机器学习模型获得在预期时间段期间的传感器数据的预测；以及
将所述传感器数据的预测提供给所述交通工具。
4.如权利要求1所述的系统，其特征在于，所述多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
5.如权利要求4所述的系统，其特征在于，所述多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从所述环境传感器收集到的数据的历史的稳定存储设备，并且其中所述边缘服务访问所述稳定存储设备以获得所述传感器数据。
6.如权利要求1所述的系统，其特征在于，所述传感器数据包括元数据，其中所述运输环境数据服务进一步被配置成用于分析所述元数据以确认所述传感器数据满足基础事实要求，基于所述传感器数据来生成基础事实信息，经由所述订阅者API接收对所述基础事实信息的请求，以及响应于所述请求提供所述基础事实信息。
7.如权利要求6所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于确定所述传感器数据元数据中的至少一些传感器数据元数据不满足基础事实要求，以及响应于所述确定而生成基础事实信息。
8.如权利要求1所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于基于所述传感器数据来检测交通事件和所述交通事件的类型；从订阅者API接收对指示检测到的类型的事件的数据的请求，以及生成对指示检测到的交通事件的请求的响应。
9.如权利要求1所述的系统，其特征在于，所述要求指示以下各项中的一项或多项：收集所述运输数据集的传感器的类型、由所述运输数据集表示的天气状况、由所述运输数据集表示的交通工具数量、由所述运输数据集表示的时间范围。
10.如权利要求1所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于经由边缘系统注册应用编程接口API接收所述多个路边基础设施解决方案的注册信息，所述注册信息包括所述路边基础设施解决方案中的每一者的访问凭证，其中所述边缘服务经由所述访问凭证访问所述传感器数据。
11.如权利要求10所述的系统，其特征在于，所述运输环境数据服务进一步被配置成用于经由所述访问凭证访问由所述多个路边基础设施解决方案中的至少一者所存储的对象检测数据，其中所述请求进一步定义所述运输数据集的对象类型标准，以及所述管理包括管理所述对象检测数据以满足所定义的对象类型标准。
12.至少一种非暂态计算机可读存储介质，包括指令，所述指令当被执行时将硬件处理电路配置成用于执行包括以下各项的操作：
由运输环境数据服务从边缘服务接收多个路边基础设施解决方案的传感器数据；
由所述运输环境数据服务将所述传感器数据存储在数据储存库内；
由所述运输环境数据服务经由订阅者API接收对运输数据集的请求，所述请求指定对所述运输数据集的要求；
由所述运输环境数据服务管理所述传感器数据以满足所述要求；以及
由所述运输环境数据服务响应于所述请求而提供满足所述要求的经管理的传感器数据。
13.如权利要求12所述的至少一种非暂态计算机可读存储介质，其中管理所述传感器数据包括将所述传感器数据进行匿名化。
14.如权利要求12所述的至少一种非暂态计算机可读存储介质，其中所述传感器数据包括交通工具对外界V2X数据。
15.如权利要求12所述的至少一种非暂态计算机可读存储介质，所述操作进一步包括：
经由通知API接收对接收传感器数据更新的请求，所述请求指定交通工具的路线；
经由所述通知API接收指示所述交通工具沿所述路线的位置的周期性更新；
响应于周期性更新，搜索所述数据储存库以获得所述交通工具的所述位置的预定义距离内的经更新的传感器数据；
基于所述搜索来标识经更新的传感器数据；以及
将所述经更新的传感器数据提供给所述交通工具。
16.如权利要求12所述的至少一种非暂态计算机可读存储介质，其特征在于，所述多个路边基础设施解决方案包括以下各项中的一项或多项：路边单元、台架、收费站、高速公路或收费公路匝道、停车场、隧道或桥梁。
17.如权利要求16所述的至少一种非暂态计算机可读存储介质，其特征在于，所述多个路边基础设施解决方案中的每一者包括至少一个环境传感器和存储从所述环境传感器收集到的数据的历史的稳定存储设备，并且其中所述边缘服务访问所述稳定存储设备以获得所述传感器数据。
18.一种设备，包括：
用于从边缘服务接收多个路边基础设施解决方案的传感器数据的装置；
用于将所述传感器数据存储在数据储存库内的装置；
用于经由订阅者API接收对运输数据集的请求的装置，所述请求指定对所述运输数据集的要求；
用于管理所述传感器数据以满足所述要求的装置；以及
用于响应于所述请求、提供满足所述要求的经管理的传感器数据的装置。
19.如权利要求18所述的设备，进一步包括：
用于经由边缘系统注册应用编程接口API接收所述多个路边基础设施解决方案的注册信息的装置，所述注册信息包括所述路边基础设施解决方案中的每一者的访问凭证；
用于经由所述访问凭证访问由所述多个路边基础设施解决方案中的至少一者所存储的对象检测数据的装置；以及
用于将所述对象检测数据存储在所述数据储存库中的装置，其中所述请求进一步定义所述运输数据集的对象类型标准，以及所述管理包括管理所述对象检测数据以满足所定义的对象类型标准。
20.如权利要求19所述的设备，进一步包括：
用于经由通知API接收对接收传感器数据更新的请求的装置，所述请求指定交通工具的路线；
用于经由所述通知API接收指示所述交通工具沿所述路线的位置的周期性更新的装置；
用于响应于周期性更新、搜索所述数据储存库以获得所述交通工具的所述位置的预定义距离内的经更新的传感器数据的装置；
用于基于所述搜索来标识经更新的传感器数据的装置；以及
用于将所述经更新的传感器数据提供给所述交通工具的装置。
CN202111590739.9A 2020-12-23 2021-12-23 运输环境数据服务 Pending CN114662378A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/132,371 2020-12-23
US17/132,371 US20210110713A1 (en) 2020-12-23 2020-12-23 Transportation environment data service

Publications (1)

Publication Number Publication Date
CN114662378A true CN114662378A (zh) 2022-06-24

Family

ID=75383313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111590739.9A Pending CN114662378A (zh) 2020-12-23 2021-12-23 运输环境数据服务

Country Status (3)

Country Link
US (1) US20210110713A1 (zh)
EP (1) EP4020427A1 (zh)
CN (1) CN114662378A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11475766B1 (en) * 2021-04-16 2022-10-18 Hayden Ai Technologies, Inc. Systems and methods for user reporting of traffic violations using a mobile application
CN113345229B (zh) * 2021-06-01 2022-04-19 平安科技（深圳）有限公司 基于联邦学习的道路预警方法及其相关设备
US20230322255A1 (en) * 2022-04-11 2023-10-12 Ford Global Technologies, Llc Multiple source mec assistance strategy for autonomous vehicles

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174446A1 (en) * 2015-02-09 2018-06-21 Kevin Sunlin Wang System and method for traffic violation avoidance
WO2018001444A1 (en) * 2016-06-30 2018-01-04 Atto D.O.O. System and method for creation and delivery of personalized traffic and route information
US20190034716A1 (en) * 2017-12-28 2019-01-31 Intel Corporation Privacy-preserving demographics identification
US20200020227A1 (en) * 2018-07-10 2020-01-16 Cavh Llc Connected automated vehicle highway systems and methods related to transit vehicles and systems
WO2020018394A1 (en) * 2018-07-14 2020-01-23 Moove.Ai Vehicle-data analytics
US11153721B2 (en) * 2018-12-27 2021-10-19 Intel Corporation Sensor network enhancement mechanisms
US11398150B2 (en) * 2019-07-31 2022-07-26 Verizon Patent And Licensing Inc. Navigation analysis for a multi-lane roadway
CN114730527A (zh) * 2019-12-12 2022-07-08 英特尔公司 基于责任敏感安全性的易受伤害道路使用者安全性技术
US11282388B2 (en) * 2020-01-31 2022-03-22 Toyota Motor Engineering & Manufacturing North America, Inc. Edge-assisted alert system
US20210112441A1 (en) * 2020-12-23 2021-04-15 Dario Sabella Transportation operator collaboration system

Also Published As

Publication number Publication date
EP4020427A1 (en) 2022-06-29
US20210110713A1 (en) 2021-04-15

Similar Documents

Publication Publication Date Title
JP7460044B2 (ja) 自律車両、ならびに自律車両システムに係る装置、プログラム、およびコンピュータ可読媒体
US11023745B2 (en) System for automated lane marking
CN113748315B (zh) 用于自动车道标记的系统
US10908614B2 (en) Method and apparatus for providing unknown moving object detection
US10990815B2 (en) Image pre-processing in a lane marking determination system
EP4020427A1 (en) Transportation environment data service
US20200211376A1 (en) Systems and Methods to Enable a Transportation Network with Artificial Intelligence for Connected and Autonomous Vehicles
US11604070B2 (en) Map maintenance and verification
US11993291B2 (en) Neural networks for navigation of autonomous vehicles based upon predicted human intents
CN108372856A (zh) 来自自主驾驶系统中的感知流的有效情景意识
US20210279640A1 (en) Systems and Methods for Training Machine-Learned Models with Deviating Intermediate Representations
US11725950B2 (en) Substitute autonomous vehicle data
Chmiel et al. INSIGMA: an intelligent transportation system for urban mobility enhancement
US11898853B2 (en) Map surveillance system
Liu et al. Vehicle artificial intelligence system based on intelligent image analysis and 5G network
US20230303122A1 (en) Vehicle of interest detection by autonomous vehicles based on amber alerts
US20220303738A1 (en) On-board machine vision device for activating vehicular messages from traffic signs
CN114662376A (zh) 用于学习特定于情境的驾驶模式的分布式学习
Sivabalan et al. Edge AI for Industrial IoT Applications
US20210370971A1 (en) Automated routing graph modification management
US20240086709A1 (en) Deep learning compute paths for faster vehicle reaction times
US20240233393A1 (en) Pseudo-random sequences for self-supervised learning of traffic scenes
US20240071109A1 (en) Computer-based tools and techniques for vehicle detection
CN117953675A (zh) 人工智能交通分析的点对点车辆提供
Kadłuczka et al. INSIGMA: an intelligent transportation system for urban mobility enhancement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination