JP2017188099A - ドライバの動的道路シーンに対する精通度インデックスのリアルタイム作成 - Google Patents

Abstract

【課題】車両のドライバに対して、現在走行中の道路のよりきめの細かい状況に応じた、信頼性が高い精通度スコアを提供する。
【解決手段】現在の道路のシーンを記述するシーン特徴量を作成するステップと、ユーザが過去に経験した道路のシーンを記述する複数のシーン特徴量を格納した精通度グラフにおいて定義される複数の道路シーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを特定するステップと、特定された道路シーンクラスタにおける現在の道路シーンのシーン特徴量との位置に基づいて現在の道路シーンに対する前記ユーザの精通度を推定した精通度インデックスを生成するステップと、を含む方法。
【選択図】図１０

Description

本開示は道路シーン精通度に関する。

ドライバの道路シーン精通度を決定するための既存のソリューション（例えば、特許文献１）は、ユーザの走行履歴および特定のルートのルート情報にしばしば依存する。一般に、これらの既存のシステムは、ユーザがどの道路区間（道路セグメント）を現在移動しているか、ユーザが前にその道路区間を走行したかどうか、およびユーザが過去にどのくらいの頻度でその道路区間を選んだかを知る必要がある。これらのルートベースの手法は、特定の時点における道路環境状態によって影響される動的道路状況を考慮に入れていない。結果として、これらの既存の技法は、一般に、動的道路状態を有する、ルートに依存しない道路シーンに対するユーザの精通度を算出することができない。

さらに、これらの既存のシステムによって使用されるルート情報は、通常、道路についての一般知識からなり、たとえば、全体的な道路属性を用いて高いレベルで道路を記述する。例えば特許文献１では、道路のタイプ・形状・車線数・制限速度・渋滞度などに基づいて、現在の道路に対するユーザの精通度を求めている。しかしながら、ここで考慮されている事項は、マクロなものであり日々変化する道路の状況（例えば、道路上または道路付近での車両や歩行者の数やその位置関係など）を考慮することができない。結果として、これらの既存の技法は、ユーザが自分の走行位置から特定の走行状況に直面するとき、きめの細かいレベル（たとえば、通りレベル）で信頼性が高い精通度スコアを提供することもできない。

国際公開第２０１５／５０１３０４２号

本開示は、車両のドライバに対して、現在走行中の道路のよりきめの細かい状況に応じた、信頼性が高い精通度スコアを提供することを目的とする。

本開示に記載される主題の１つの態様は、コンピュータによって実行される方法であって、現在の道路のシーンを記述するシーン特徴量を作成するステップと、ユーザが過去に経験した道路のシーンを記述する複数のシーン特徴量を格納した精通度グラフにおいて定義される複数の道路シーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを特定するステップと、特定された道路シーンクラスタにおける現在の道路シーンのシーン特徴量との位置に基づいて現在の道路シーンに対する前記ユーザの精通度を推定した精通度インデックスを生成するステップと、を含む。

現在の道路シーンに対応する道路シーンクラスタは、現在の道路シーンに対応するマクロシーンカテゴリを決定し、決定されたマクロシーンカテゴリに対応する道路シーンクラスタを特定することができる。

あるいは、現在の道路シーンに対応する道路シーンクラスタは、現在の道路シーンのシ
ーン特徴量と最も近い道路シーンクラスタを特定することにより特定することができる。

現在の道路シーンに対する精通度は、特定された道路シーンカテゴリにおける現在のシーン特徴量の近傍でのシーン特徴量の密度に基づいて決定することができる。例えば、道路シーンクラスタを、シーン特徴量の密度に基づいて複数の精通度ゾーンに分割しておき、現在の道路シーン特徴量がどの精通度ゾーンの中に位置するかを決定することで精通度を決定することができる。

あるいは、現在の道路シーンに対する精通度は、現在のシーン特徴量との近接度（距離・類似度）が所定のしきい値以内のシーン特徴量の数に応じて決定することもできる。

本開示に記載される主題の他の態様は、コンピュータによって実行される方法であって、
現在の道路のシーンを記述するシーン特徴量を作成するステップと、ユーザが過去に経験した道路のシーンを記述する複数の他のシーン特徴量を取得するステップと、特徴量空間での現在の道路シーンのシーン特徴量の近傍における前記他のシーン特徴量の密度に基づいて、現在の道路シーンに対する前記ユーザの精通度を推定した精通度インデックスを生成するステップと、を含む。

このような構成によれば、クラスタリング処理を行うことなく上記と同様の効果を奏することができる。

本開示に記載される主題の１つの発明的態様によれば、システムは、１つまたは複数のプロセッサ、ならびに、１つまたは複数のプロセッサによって実行されると、１つまたは複数の動的物体および現在の道路シーンのシーン配置を記述するシーン特徴量を作成することと、ユーザに関連付けられた精通度グラフに含まれる１つまたは複数のシーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを識別することと、識別された道路シーンクラスタを備える他のシーン特徴量に対するシーン特徴量の位置を特定することと、シーン特徴量の位置に基づいて現在の道路シーンに対するユーザの精通度を推定する精通度インデックスを作成することとをシステムに行わせる命令を記憶する、１つまたは複数のメモリを含む。

一般に、本開示に記載される主題の別の発明的態様は、１つまたは複数の動的物体および現在の道路シーンのシーン配置を記述するシーン特徴量を作成することと、ユーザに関連付けられた精通度グラフに含まれる１つまたは複数のシーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを識別することと、識別された道路シーンクラスタを備える他のシーン特徴量に対するシーン特徴量の位置を特定することと、シーン特徴量の位置に基づいて現在の道路シーンに対するユーザの精通度を推定する精通度インデックスを作成することとを含む方法において具現化することができる。

他の態様は、上記その他の発明的態様のための対応する方法、システム、装置、およびコンピュータプログラム製品を含む。

上記その他の実装形態は、各々、場合によっては、以下の特徴および／または動作のうちの１つまたは複数を含む場合がある。
たとえば、１つまたは複数の動的物体および現在の道路シーンのシーン配置を記述するシーン特徴量を作成することが、車道に向けられた車両の１つまたは複数のセンサを使用して特定の時点において車道の道路シーン画像を取り込むこと、ならびに道路シーン画像を使用して特徴量ベクトルを含むシーン特徴量を作成することを含む。
現在の道路シーンに対応する道路シーンクラスタを識別することが、シーン特徴量を使
用して現在の道路シーンをマクロシーンカテゴリに分類すること、およびマクロシーンカテゴリに関連付けられた複数のシーン特徴量履歴を含む道路シーンクラスタ、複数の特徴量ベクトル履歴を含む複数のシーン特徴量履歴をそれぞれ取り出すことを含む。
シーン特徴量の位置が特徴量ベクトルの位置であり、他のシーン特徴量に対するシーン特徴量の位置を特定することが、道路シーンクラスタの複数の特徴量ベクトル履歴のそれぞれの位置に対する特徴量ベクトルの位置を特定することを含む。
マクロシーンカテゴリが都市カテゴリ、地方カテゴリ、住居カテゴリ、工事ゾーンカテゴリ、ハイウェイカテゴリ、および事故カテゴリのうちの１つを含む。
シーン特徴量を含むように道路シーンクラスタを更新することをさらに含む。

現在の道路シーンに対するユーザの精通度を推定する精通度インデックスを作成することが、道路シーンクラスタ内のシーン特徴量の密度に基づいて道路シーンクラスタ用のネストされた精通度ゾーンのセットを決定すること、およびネストされた精通度ゾーンのセット内のシーン特徴量の位置を特定することにより現在の道路シーンに対するユーザの精通度インデックスを決定することを含む。

ユーザの精通度インデックスに基づいて支援レベルを決定し、決定された支援レベルで車両の１つまたは複数の出力装置を介して、ユーザに聴覚的指示、視覚的指示、および触覚的指示のうちの１つまたは複数を与えることをさらに含む。
支援レベルが、１）ユーザに聴覚的指示、視覚的指示、および触覚的指示のうちの１つまたは複数を与える頻度、ならびに２）聴覚的指示、視覚的指示、および触覚的指示のうちの１つまたは複数の詳細レベルのうちの１つまたは複数を含む。

現在の道路シーンが特定の時点において取り込まれた道路シーン画像内に描写され、特定の時点においてユーザに関連付けられた生理学的データを特定し、生理学的データに基づいて生理学的重み値を作成し、生理学的重み値を使用してシーン特徴量を強化することをさらに含む。
ユーザに関連付けられた生理学的データが、特定の時点におけるユーザの頭の動き、眼の動き、心電図検査データ、呼吸データ、皮膚コンダクタンス、および筋肉の緊張度のうちの１つまたは複数を含む。
ユーザに関連付けられたナビゲーション履歴データ（走行データ履歴）を特定し、ナビゲーション履歴データに基づいてナビゲーション履歴重み値を作成し、ナビゲーション履歴重み値を使用してシーン特徴量を強化することをさらに含む。
ユーザに関連付けられたナビゲーション履歴データが、ユーザが以前移動した１つまたは複数の道路区間に関連付けられた道路名、道路タイプ、道路速度情報、および時間情報のうちの１つまたは複数を含む。

本開示において提示される新規の技術は、いくつかの点で特に有利である。たとえば、本明細書に記載される技術は、ユーザが車道上を走行しているときにリアルタイムに発生する様々な動的道路走行状況に対するユーザの精通度インデックスを作成することができる。詳細には、本技術は、現在ユーザの前方にある走行状態のシーン特徴量を処理し、記憶し、ユーザが自分の走行履歴において直面した道路シーン履歴のシーン特徴量と比較する。この手法の下で、本技術は、ユーザが行程中に特定の道路走行状況に遭遇したときに、ユーザの個人的な走行経験を考慮に入れることができる。また、本明細書で開示される技術は、現在の車道の道路情報が利用不可能な場合でも、様々な道路タイプ、様々な道路シーン状況／交通状態、および様々な時刻についてのドライバ精通度インデックスを自動的に作成することができる。

本明細書で開示される技術は、マクロシーンレベルおよびミクロシーンレベル（たとえば、ドライバの視点から見えるようなきめの細かいレベル）で現在の外部道路シーンを分
析し、それにより算出コストを低減することができる。さらに、本明細書で開示される技術はまた、ドライバ精通度測度を算出する際の補足情報として、ユーザ感覚データ、ユーザの走行履歴、および現在の車道の道路情報を利用する。したがって、本技術は、特定の道路シーン地域性に対するユーザの推定された精通度をさらに強化することができる。

本明細書で開示される技術は、ユーザが現在対処している動的走行状態に対応するリアルタイム精通度インデックスを効果的に算出することができる。結果として、本技術は、適切なレベルで必要な支援をユーザに事前に提供し、望ましくない注意散漫をもたらすことを回避し、それにより、ユーザの運転経験および安全を改善することができる。上記の利点は例として提供されたこと、ならびに本技法は多数の他の利点および利益を有することができることを理解されたい。

本開示によれば、車両のドライバに対して、現在走行中の道路のよりきめの細かい状況に応じた、信頼性が高い精通度スコアを提供することができる。

ドライバ精通度インデックスを作成するための例示的なシステムのブロック図である。 例示的なコンピューティングデバイスのブロック図である。 例示的な精通度アプリケーションのブロック図である。 現在の道路シーンに対するユーザの精通度を推定する精通度インデックスを作成するための例示的な方法のフローチャートである。 現在の道路シーンを記述するシーン特徴量を作成するための例示的な方法のフローチャートである。 精通度グラフ内の現在の道路シーンに対応する道路シーンクラスタを識別するための例示的な方法のフローチャートである。 道路シーンクラスタを備える他のシーン特徴量に対するシーン特徴量の位置を特定するための例示的な方法のフローチャートである。 現在の道路シーンに対するユーザの精通度インデックスを決定するための例示的な方法のフローチャートである。 適切なレベルで車両内のユーザに指示を与えるための例示的な方法のフローチャートである。 シーン特徴量を強化するための例示的な方法のフローチャートである。 精通度インデックスに基づいてユーザに指示を与えるためのドライバ支援システムのブロック図である。 特定の地区において様々な道路シーンに関連付けられた、マクロシーンレベルおよびミクロシーンレベルにおける例示的な道路シーン構造を描写する図である。 精通度グラフ内の道路シーンクラスタの例を描写する図である。 （上面図で）道路シーンクラスタ内のシーン特徴量データポイントの例示的な密度分布および例示的な精通度ゾーンを示す図である。

本開示は、添付図面の図において限定としてではなく例として示され、添付図面では、同様の構成要素を参照するために同様の参照番号が使用される。

本明細書に記載される技術は、きめの細かいレベルで道路シーン精通度を自動的に決定することが可能である。

下記に記載されるように、いくつかの実施形態では、本技術は、車両の１つまたは複数
のセンサ（たとえば、車道カメラ）を使用して、リアルタイムにユーザについての道路シーン精通度インデックスを作成することにより、シーン精通度（scene familiarity）を
決定することができる。シーン精通度はドライバごとおよび道路シーンごとに定義されるものであり、あるドライバのある道路シーンに対するシーン精通度は、当該ドライバが当該道路シーンに慣れ親しんでいるかあるいは当該道路シーンでの運転に慣れ親しんでいるかを表す度合いである。場合によっては、本技術は、複数のレベルのシーンを総合的に使用して、ドライバの精通度インデックスを作成することができる。詳細には、特定の道路シーンに対するユーザの精通度インデックスは、マクロシーンレベルにおける道路シーン情報（本明細書ではマクロシーン情報とも呼ばれる）、およびミクロシーンレベルにおける道路シーン情報（本明細書ではミクロシーン情報とも呼ばれる）を使用して、算出することができる。

マクロシーン情報は、高いレベルで外部道路シーンを記述する。詳細には、マクロシーン情報は、比較的動的でなく、全般に時間的に大幅に変化しない、外部シーンの高レベルで全体的な概観を提供することができる。たとえば、マクロシーン情報は、外部道路シーンに関連付けられた地区のタイプ（たとえば、地域性）を記述するマクロシーンカテゴリを示すことができる。マクロシーンカテゴリの非限定的な例には、市（city）、都市（urban）、地方（rural）、ハイウェイ（highway）、高速道路（expressway）、住居エリア
、工事ゾーン、事故などが含まれる。マクロシーン情報は、対象の道路区間の車道の数、速度制限などの任意の他の一般的な車道特性（roadway characteristics）をさらに含む
場合がある。

ミクロシーン情報は、きめの細かいレベルで現在の道路シーンを記述する。マクロシーン情報とは対照的に、ミクロシーン情報は、マクロ道路シーンの様々な態様のよりきめの細かい詳細を含む場合がある。様々なタイプのミクロシーン情報の非限定的な例には、走行可能車線幅（たとえば、元の車線幅の半分）、開いている車線の数（たとえば、左の２車線および右の２車線が現在開いており、中央の車線が重大な自動車事故のせいで閉鎖されている）、交通信号の状況（たとえば、ワシントン通りとホワイト通りとの間の交差点で点滅している赤信号）、交差点（たとえば、交差点が２台のパトカーによって封鎖されている）、周囲の車両配置（たとえば、ユーザの車両が混雑した交通内の他の止まっている車両によって閉じ込められている）、動的物体の物体タイプ（たとえば、工事コーン、道路バリケード、工事車両、歩行者、道路工事作業員など）、各物体タイプの数（たとえば、総数）、道路シーン内の動的物体の相対位置および／または空間分布などが含まれ得る。さらなる例として、マクロシーン情報が現在の道路シーンが「都市」であると特定している場合、ミクロシーン情報は、ドライバの走行位置におけるドライバの視点から知覚された車道（ストリート）レベルの詳細を含む場合がある。すなわち、ミクロシーン情報に含まれる詳細は、マクロシーン情報に応じて決定されてもよい。ミクロシーン情報に含まれる詳細のうちのいずれも一時的であり得る。たとえば、ミクロシーン情報に含まれる詳細が、特定の時点において道路シーンに関連付けられた動的走行コンテキストを記述することも有効である。
マクロシーン情報は、シーンの位置に基づいて決定されるか、シーン内に特定の動的物体（工事車両など）が検出されたことに基づいて決定されるのに対し、ミクロシーン情報は、シーン内から検出される動的物体の数やその配置に基づいて決定されるものである。

図８は、特定の地区におけるマクロシーンレベルおよびミクロシーンレベルの道路シーン詳細の例を描写する。なお、本開示では右側通行を想定して説明するが、左側通行の場合には必要に応じて適宜変更を加えればよい。図示されるように、ミクロシーンレベルにおける道路シーン情報は、ドライバが異なる日および／または異なる時刻に同じ地区を通って走行する場合、著しく変化することがある。一例として、ユーザは、通常、毎日自分のオフィスに行くために下町エリア内のステート通りを選ぶとする。ユーザはこの都市エ
リアに一般的に精通しているといえるが、ユーザが経験する走行状況は、各回の走行ごとに大いに異なる場合があり、ユーザは、それらの特定の走行状況のうちの１つまたは複数に精通していない場合がある。

たとえば、図８に図示される例示的なシナリオでは、Ｄａｙ１の時刻ｔ＝ｔ１において、ユーザはステート通りに沿って移動している。道路は空いており、ユーザはその地区を通ってスムーズに走行できる。マクロシーン情報は、時刻ｔ１における道路シーンが「都市」道路シーンとして分類されることを示す。ミクロシーン情報は、時刻ｔ＝ｔ１における「都市」道路シーンを空（す）いている道路（clear road）として記述する。対照的に、Ｄａｙ３の時刻ｔ＝ｔ２において、ステート通りは、工事中であり、５つの工事コーンが道路上に置かれている。ユーザは、作業ゾーンを回避して移動を続けるために、右車線から左車線に乗り換えなければならない。マクロシーンレベルにおいて、時刻ｔ＝ｔ２における道路シーンは、「工事」道路シーンとして分類される。ミクロシーン情報は、時刻ｔ＝ｔ２における道路シーンが５つの工事コーンを含むことを示す。Ｄａｙ３の時刻ｔ＝ｔ３において、同じ作業ゾーン内で２人の道路工事作業員が働いている。ユーザは、そのエリアを通って走行しているとき、左車線に変更し、減速する。時刻ｔ＝ｔ３における道路シーンは、依然として工事ゾーンのマクロシーンカテゴリに分類される。ミクロシーン情報は、時刻ｔ＝ｔ３における道路シーン内に存在する５つの工事コーンおよび２人の道路工事作業員を記述する。Ｄａｙ４の時刻ｔ＝ｔ４において、工事ゾーン内で働いている５人の道路工事作業員および工事車両が存在する。時刻ｔ＝ｔ４における道路シーンは、依然として工事ゾーンのマクロシーンカテゴリに分類される。ミクロシーン情報は、時刻ｔ＝ｔ４における道路シーン内に５つの工事コーン、５人の道路工事作業員、および工事車両が存在することを記述する。有利なことに、本技術は、本明細書に記載されたマクロシーン情報およびミクロシーン情報を使用して、ユーザに潜在的な危険を通知し、それにより、ユーザが前もって左車線に変更および減速し、したがって存在する可能性があるさらなる危険に備えることが可能になる。これにより、ユーザが作業ゾーンを通って移動するときの事故および他の不運なイベントのリスクが低下する。

いくつかの実施形態では、ミクロシーン情報は、作業ゾーン内のこれらの工事コーン、工事車両、および道路工事作業員の相対位置および空間分布を記述するシーン配置をさらに含む場合がある。上記の例を引き続き使用して説明すると、ユーザは、自分の日常の通勤の一部としてマクロ道路シーン（たとえば、都市道路シーン）に精通しているが、ミクロ道路シーン（たとえば、工事ゾーンの特定の配置）に精通していない場合がある。たとえば、ユーザは、交通コーンおよびバリケードを有する作業ゾーン（たとえば、時刻ｔ＝ｔ２におけるミクロシーン）に遭遇することに精通しているが、この工事ゾーンの特定の構成（道路工事作業員および作業中の工事車両の配置）に精通していない場合がある。本技術は、有利なことに、その特定の工事ゾーン（たとえば時刻ｔ＝ｔ４の工事ゾーン）をどのようにナビゲートするかに関する特定の指示をユーザに与えることにより、ユーザを支援することができる。

図１は、道路シーン精通度を決定するための例示的なシステム１００のブロック図である。図示されるシステム１００は、サーバ１０２と、クライアントデバイス１２４と、移動プラットフォーム１１８とを含む。システム１００のエンティティは、ネットワーク１１２を介して通信可能に結合される。図１に図示されるシステム１００は、例として提供され、本開示によって考察されるシステム１００および／またはさらなるシステムは、追加のおよび／またはより少ない構成要素を含む場合があり、構成要素を組み合わせ、かつ／または構成要素のうちの１つもしくは複数をさらなる構成要素に分割することができることなどを理解されたい。たとえば、システム１００は、任意の数のサーバ１０２、クライアントデバイス１２４、および／または移動プラットフォーム１１８を含む場合がある。追加または代替として、システム１００は、ユーザから音声コマンドを受信し処理する
ための音声サーバ、検索クエリに該当する検索結果を提供するための検索サーバなどを含む場合がある。

ネットワーク１１２は、従来のタイプの有線またはワイヤレスであり得るし、星形構成、トークンリング構成、または他の構成を含む、多数の様々な構成を有する場合がある。さらに、ネットワーク１１２は、１つまたは複数のローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）（たとえば、インターネット）、公衆ネットワーク、プライベートネットワーク、仮想ネットワーク、ピアツーピアネットワーク、および／または、複数のデバイスがそれを介して通信することができる他の相互接続データパスを含む場合がある。たとえば、ネットワーク１１２は、車々間ネットワーク、車路間／路車間／車路車間ネットワークなどを含む場合がある。

ネットワーク１１２はまた、様々な異なる通信プロトコルでデータを送るための電気通信ネットワークの部分に結合されるか、またはそれらを含む場合がある。いくつかの実施形態では、ネットワーク１１２は、ショートメッセージングサービス（ＳＭＳ）、マルチメディアメッセージングサービス（ＭＭＳ）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）、直接データ接続、ＷＡＰ、電子メールなどを介して、データを送受信するためのＢｌｕｅｔｏｏｔｈ（登録商標）通信ネットワークまたはセルラー通信ネットワークを含む。いくつかの実施形態では、ネットワーク１１２は、ＤＳＲＣ、ＷＡＶＥ、８０２．１１ｐ、３Ｇ、４Ｇ、５Ｇ＋ネットワーク、ＷｉＦｉ（登録商標）、または任意の他のワイヤレスネットワークなどの接続を使用するワイヤレスネットワークである。図１は、サーバ１０２、クライアントデバイス１２４、および移動プラットフォーム１１８に結合するネットワーク１１２用の単一ブロックを示すが、ネットワーク１１２は、実際には、上述されたように、ネットワークの任意の数の組合せを備える場合があることを理解されたい。

サーバ１０２は、プロセッサ、メモリ、およびネットワーク通信能力（たとえば、通信ユニット）を含むハードウェアサーバおよび／または仮想サーバを含むことができる。サーバ１０２は、信号線１１０によって表されるように、ネットワーク１１２に通信可能に結合することができる。いくつかの実施形態では、サーバ１０２は、クライアントデバイス１２４および移動プラットフォーム１１８のうちの１つまたは複数との間でデータを送受信することができる。サーバ１０２は、本明細書の中の他の場所でさらに説明されるように、精通度アプリケーションのインスタンス１０４ａと、精通度グラフデータベース１０６と、ナビゲーションデータベース１０８とを含む場合がある。

精通度グラフデータベース１０６は、システムのユーザごとに作成される精通度グラフを記憶することができる。精通度グラフは、ユーザが過去に体験した道路シーン履歴を記述するデータのセットである。各精通度グラフは、特定の１人または複数のユーザと関連付けることができる。いくつかの実施形態では、精通度グラフのデータは、対応するユーザが経験した道路シーン履歴を記述するシーン特徴量（スペクトル署名とも称される）の分布を含む場合がある。シーン特徴量は、例えば、多次元ベクトル（特徴量ベクトル）によって表現され、多次元ベクトル空間内での点（データポイント）を表す。したがって、この多次元ベクトル空間内での特徴量の分布が定義でき、また、２つの特徴量間の距離（近接度あるいは類似度とも称される）も定義できる。システム１００は、ユーザが触れた新しい道路シーンを学ぶことができ、時間とともにそのユーザの精通度グラフを発展させることができる。

いくつかの実施形態では、精通度グラフ内の２つの所与のデータポイント間の近接度は、それらのそれぞれのシーン特徴量間の類似度を示すことができる。結果として、精通度グラフ内のシーン特徴量は、マクロシーン属性、ミクロシーン属性などの様々な特性に従って、クラスタを形成できる。たとえば、あるマクロシーンカテゴリ（たとえば、高速道
路、工事ゾーンなど）における道路シーンのシーン特徴量データポイントは、シーン要素の組み合わせやシーン配置が類似するため、一カ所にまとまってクラスタを形成することがある。

精通度グラフは、任意の形態のデータ表現で作成され、任意の形態のデータ表現を有することができる。たとえば、精通度グラフは、視覚グラフ、グラフィカルプロット、ベクトル空間、構造化データフォーマットなどで表現することができる。他の例、変形形態、および／または組合せも可能であり、考えられる。精通度グラフの例は、少なくとも図４Ｂ、図４Ｃ、および図９を参照して下記でより詳細に記載される。

ナビゲーションデータベース１０８は、ナビゲーション関連データを記憶することができる。例には、マッピングデータ、経路データ、関心地点（point of interest）、ユー
ザ旅行履歴などが含まれる。いくつかの実施形態では、ナビゲーション関連データは、図７に示されるように、各ユーザの走行履歴を記述するナビゲーション履歴データ、および／またはユーザによって以前に取られた走行履歴に関連付けられたルートデータを含む場合がある。ナビゲーション履歴データの非限定的な例には、ユーザが過去に移動した道路区間に関連付けられた道路名のリスト、当該道路区間の道路タイプ（たとえば、都市、地方、住居、高速道路など）、道路速度情報（たとえば、当該道路区間の速度制限、ユーザの実際の速度など）、時間情報（たとえば、ユーザが道路区間上を移動した日付および時刻、ユーザが道路区間上を移動した回数など）、当該道路区間に関連付けられた運転容易度（たとえば、低い、適度、高い、容易、困難など）などが含まれる。

図１では、サーバ１０２が精通度グラフデータベース１０６およびナビゲーションデータベース１０８を含むものとして示されているが、移動プラットフォーム１１８やクライアントデバイス１２４が、追加または代替として、精通度グラフやナビゲーション履歴データを記憶する場合があることを理解されたい。たとえば、移動プラットフォーム１１８やクライアントデバイス１２４は、精通度グラフデータベース１０６やナビゲーションデータベース１０８のインスタンスを含む場合があり、精通度グラフデータベース１０６やナビゲーションデータベース１０８からデータをキャッシュまたは複製する（たとえば、様々な間隔で精通度グラフやナビゲーション履歴データをダウンロードする）場合があり、様々な増分でサーバ１０２に最新データをプッシュする場合などがある。たとえば、精通度グラフやナビゲーション履歴データは、移動プラットフォーム１１８の中に事前に記憶／インストールされ、セットアップまたは最初の使用時に記憶またはリフレッシュされ、様々な間隔で複製される場合がある。さらなる実施形態では、精通度グラフデータベース１０６およびナビゲーションデータベース１０８からのデータは、実行時に要求／ダウンロードされる場合がある。他の適切な変形形態も可能であり、考えられる。

クライアントデバイス１２４は、メモリ、プロセッサ、および通信ユニットを含むコンピューティングデバイスである。クライアントデバイス１２４は、ネットワーク１１２に結合することができ、サーバ１０２および移動プラットフォーム１１８（ならびに／またはネットワーク１１２に結合されたシステムの任意の他の構成要素）のうちの１つまたは複数との間でデータを送受信することができる。クライアントデバイス１２４の非限定的な例には、ラップトップコンピュータ、デスクトップコンピュータ、タブレットコンピュータ、モバイル電話、携帯情報端末（ＰＤＡ）、モバイル電子メールデバイス、または、情報を処理し、ネットワーク１１２にアクセスすることが可能な任意の他の電子デバイスが含まれる。いくつかの実施形態では、クライアントデバイスは、１つまたは複数のセンサ１２０を含む場合がある。

いくつかの実施形態では、クライアントデバイス１２４は、ユーザ支援アプリケーションのインスタンス１２２ｂを含む場合があり、ユーザ支援アプリケーションは、前方の道
路状況に対するユーザの精通度に対応する頻度および詳細レベルで、ユーザに走行指示を与える。ユーザ１２８は、線１２６によって示されるように、クライアントデバイス１２４と対話することができる。図１は１つのクライアントデバイス１２４を示すが、システム１００は１つまたは複数のクライアントデバイス１２４を含むことができる。

移動プラットフォーム１１８は、メモリ、プロセッサ、および通信ユニットを有するコンピューティングデバイスを含む。そのようなプロセッサの例には、１つまたは複数のセンサ、アクチュエータ、モチベータなどの移動プラットフォーム１１８の他の構成要素に結合された電子制御ユニット（ＥＣＵ）または他の適切なプロセッサが含まれ得る。移動プラットフォーム１１８は、信号線１１４を介してネットワーク１１２に結合することができ、サーバ１０２およびクライアントデバイス１２４のうちの１つまたは複数との間でデータを送受信することができる。たとえば、移動プラットフォーム１１８は、ユーザの走行履歴を記録し、走行履歴および関連するルート情報を収集し、ナビゲーションデータベース１０８に記憶することができる。いくつかの実施形態では、移動プラットフォーム１１８は、ある点から別の点に移動することが可能である。移動プラットフォーム１１８の非限定的な例には、車両（vehicle）、自動車（automobile）、バス、ボート、飛行機
、生体工学インプラント（bionic implant）、または、非一時的コンピュータエレクトロニクス（たとえば、プロセッサ、メモリ、もしくは非一時的コンピュータエレクトロニクスの任意の組合せ）を有する任意の他のモバイルシステムが含まれる。ユーザ１２８は、線１３０によって表されるように、移動プラットフォーム１１８と対話することができる。ユーザ１２８は、移動プラットフォーム１１８を運転する人間のユーザであり得る。たとえば、ユーザ１２８は車両のドライバであり得る。

移動プラットフォーム１１８は、１つまたは複数のセンサ１２０と、ユーザ支援アプリケーションのインスタンス１２２ｃとを含むことができる。図１は１つの移動プラットフォーム１１８を示すが、システム１００は１つまたは複数の移動プラットフォーム１１８を含むことができる。

センサ１２０は、移動プラットフォーム１１８やクライアントデバイス１２４に適した任意のタイプのセンサを含む。センサ１２０は、コンピューティングデバイスおよび／またはその周辺環境の特性を判断することに適した任意のタイプのデータを収集するように構成される。センサ１２０の非限定的な例には、様々な光学センサ（ＣＣＤ、ＣＭＯＳ、２Ｄ、３Ｄ、光検出測距（ＬＩＤＡＲ）、カメラなど）、オーディオセンサ、動き検出センサ、気圧計、高度計、熱電対、湿度センサ、ＩＲセンサ、レーダーセンサ、そのた他の光学センサ、ジャイロスコープ、加速度計、速度計、ステアリングセンサ、制動センサ、スイッチ、車両インジケータセンサ、ワイパーセンサ、位置センサ、トランシーバ、ソナーセンサ、超音波センサ、タッチセンサ、近接センサなどが含まれる。図７に示されるように、１つまたは複数のセンサ１２０は、１つまたは複数の車道センサ７０２と、１つまたは複数の生理学的センサ７０４と、１つまたは複数の顔面センサ７０６とを含む場合がある。

いくつかの実施形態では、車道センサ７０２は、車道に面し、外部環境のビデオ画像および静止画像を含む画像を記録するように構成された１つまたは複数の光学センサを含み、任意の適用可能なフレームレートを使用してビデオストリームのフレームを記憶し、任意の適用可能な方法を使用して取り込まれたビデオ画像および静止画像を符号化や処理をし、それらのセンサ範囲内の周辺環境の道路シーン画像を取り込むことができる。たとえば、移動プラットフォームのコンテキストでは、車道センサ７０２は、車道、空、山、路側構造体、ビルディング、木、動的物体、および／または車道に沿って位置する静的物体（たとえば、車線、交通信号、道路標識など）などを含む、移動プラットフォーム１１８のまわりの環境を取り込むことができる。いくつかの実施形態では、動的物体は、ユーザ
が同じ地区を通って走行するたびに、道路シーン内のそれらの存在またはそれらの位置が動的に変化する道路物体を含む場合がある。動的物体の非限定的な例には、周囲の移動プラットフォーム１１８、工事車両、歩行者、道路工事作業員、交通コーン、バリケードなどが含まれる。いくつかの実施形態では、車道センサ７０２は、移動プラットフォーム１１８の経路に対していずれの方向（前方、後方、横方向、上方、下方、対向など）でも検知するように取り付けることができる。いくつかの実施形態では、１つまたは複数の車道センサ７０２は、多方向であり得る（たとえば、ＬＩＤＡＲ）。いくつかの実施形態では、車道センサ７０２によって取り込まれた道路シーン画像は、リアルタイムでユーザの精通度インデックスを決定するために処理することができる。いくつかの実施形態では、道路シーン画像は、後の処理や分析のために、１つまたは複数のデータストレージ、たとえば図２Ａに図示されるデータストア２１２に記憶することができる。

いくつかの実施形態では、顔面センサ７０６は、移動プラットフォーム１１８内の個人の画像を取り込むための、当該個人の方向を向いた１つまたは複数の光学センサを含む場合がある。たとえば、顔面センサ７０６は、ドライバの座席にいるドライバ（ユーザ）の方向を向き、ビデオ画像および静止画像を含む画像を記録するように構成し、任意の利用可能なフレームレートを使用してビデオストリームのフレームを記録し、任意の利用可能な方法を使用してビデオ画像および静止画像を符号化や処理をすることができる。いくつかの実施形態では、顔面センサ７０６は、そのユーザの活動（たとえば、頭の動き）および／または顔の表情（たとえば、眼瞼運動、眼球の衝動性運動など）を監視することにより、ユーザ１２８（たとえば、ドライバ）の挙動データを収集することができる。たとえば、顔面センサ７０６は、ユーザの頭の位置を監視して、ユーザが正しい方向を向いているかどうかを判定することができる。さらなる例として、顔面センサ７０６は、上まぶたおよび下まぶたを検出して、ユーザの眼が適切に開いているかどうかを判定することができる。顔面センサ７０６によって取り込まれたユーザの挙動データは、少なくとも図６および図７を参照して下記でより詳細に説明される。

いくつかの実施形態では、生理学的センサ７０４は、走行しているときのユーザの生理学的信号を測定および監視するように構成された１つまたは複数のバイオセンサを含む場合がある。取り込まれる生理学的信号の例には、限定はしないが、心電図検査信号（たとえば、ＥＣＧ／ＥＫＧ（electrocardiogram/elektrokardiogramm）信号）、呼吸信号、皮膚コンダクタンス、皮膚温度、筋肉の緊張などが含まれ得る。生理学的信号は、少なくとも図６および図７を参照して下記でより詳細に説明される。

移動プラットフォーム１１８および／またはクライアントデバイス１２４のプロセッサ（たとえば、図２Ａ参照）は、センサデータを受信し処理することができる。移動プラットフォーム１１８のコンテキストでは、プロセッサは、車などの移動プラットフォーム１１８に実装された電子制御ユニット（ＥＣＵ）を含んだり、これに結合あるは他の何らかの方法で関連付けられたりするが、他のタイプの移動プラットフォームも考えられる。ＥＣＵは、センサデータを受信し、精通度アプリケーション１０４によるアクセスおよび／または取出しのために、車両動作データとして車両ＣＡＮ（コントローラエリアネットワーク）データストアに記憶することができる。さらなる例では、車両動作データは、（受信および／または処理されると、たとえば、車両バス、ＥＣＵなどを介して）精通度アプリケーション１０４に、より直接的に供給される場合がある。他の適切な変形形態も可能であり、考えられる。さらなる例として、１つまたは複数のセンサ１２０は、道路区間上を移動している移動プラットフォーム１１８（たとえば、車両）から画像データを取り込むことができ、画像データは道路区間を含むシーンを描写する。精通度アプリケーション１０４は、本明細書の中の他の場所でさらに説明されるように、（たとえば、バス、ＥＣＵなどを介して）センサ１２０から画像データ（たとえば、リアルタイムビデオストリーム、一連の静止画像など）を受信し、それを処理して精通度インデックスを決定すること
ができる。

サーバ１０２、移動プラットフォーム１１８、および／またはクライアントデバイス１２４は、精通度アプリケーションのインスタンス１０４ａ、１０４ｂ、および１０４ｃ（本明細書では総称して１０４と呼ぶこともある）を含む場合がある。いくつかの構成では、精通度アプリケーション１０４は、異なる位置にある異なるデバイス上にネットワーク１１２を介して分散される場合があり、その場合、クライアントデバイス１２４、移動プラットフォーム１１８、および／またはサーバ１０２は、各々、精通度アプリケーション１０４の複数の態様（同じ、同様、異なるなど）の精通度アプリケーション１０４のインスタンスを含む場合がある。たとえば、精通度アプリケーションの各インスタンス１０４ａ、１０４ｂ、および１０４ｃは、下記でより詳細に説明される、図２Ｂに図示されるサブ構成要素、および／またはこれらのサブ構成要素の様々な変形形態のうちの１つまたは複数を備える場合がある。いくつかの実施形態では、精通度アプリケーション１０４は、たとえば、図２Ｂに図示される構成要素のすべてを備えるネイティブアプリケーションであり得る。

他の変形形態および／または組合せも可能であり、考えられる。図１に示されるシステム１００は例示的なシステムの代表であり、様々な異なるシステム環境およびシステム構成が考えられ、本開示の範囲内にあることを理解されたい。たとえば、様々な処理および／または機能は、サーバからクライアントに、あるいはクライアントからサーバに、移されてもよく、データは、単一のデータストアに統合されたり、追加のデータストアの中にさらにセグメント化されたりしてもよくいくつかの実施形態は、追加のまたはより少ないコンピューティングデバイス、サービス、および／またはネットワークを含み、クライアントまたはサーバ側の様々な機能を実装する場合がある。さらに、システムの様々なエンティティは、単一のコンピューティングデバイスもしくはシステムの中に統合されてもよく、または追加のコンピューティングデバイスもしくはシステムの中に分割されてもよい。

精通度アプリケーション１０４は、ユーザのシーン精通度を決定するように実行可能なソフトウェアおよび／またはハードウェア論理を含む。本明細書の中の他の場所で説明されるように、いくつかの実施形態では、所与のユーザについて、精通度アプリケーション１０４は、センサデータを処理し、道路シーンを記述するマルチレベル特徴量表現を作成し、道路シーンに対するユーザの精通度を反映する精通度インデックスを作成する。いくつかの実施形態では、精通度アプリケーション１０４は、１つもしくは複数のコンピュータデバイスの１つもしくは複数のプロセッサによって実行可能なソフトウェア、限定はしないが、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）などのハードウェア、および／またはハードウェアとソフトウェアの組合せなどを使用して実装することができる。精通度アプリケーション１０４は、少なくとも図２〜図７を参照して下記でより詳細に記載される。

移動プラットフォーム１１８および／またはクライアントデバイス１２４は、ユーザ支援アプリケーションのインスタンス１２２ｂおよび１２２ｃ（本明細書では単に１２２とも呼ばれる）を含む場合がある。いくつかの構成では、ユーザ支援アプリケーション１２２は、異なる位置にある異なるデバイス上にネットワーク１１２を介して分散される場合があり、その場合、移動プラットフォーム１１８および／またはクライアントデバイス１２４は、各々、ユーザ支援アプリケーション１２２の複数の態様（同じ、同様、異なるなど）のユーザ支援アプリケーション１２２のインスタンスを含む場合がある。たとえば、ユーザ支援アプリケーションの各インスタンス１２２ｂおよび１２２ｃは、下記でより詳細に説明される、図７に図示されるサブ構成要素、および／またはこれらのサブ構成要素の様々な変形形態のうちの１つまたは複数を備える場合がある。いくつかの実施形態では
、ユーザ支援アプリケーション１２２は、たとえば、図７に図示される構成要素のすべてを備えるネイティブアプリケーションであり得る。他の変形形態および／またはそれらの組合せも可能であり、考えられる。

ユーザ支援アプリケーション１２２は、道路シーン精通度に基づいてユーザにユーザ支援を提供するように実行可能なソフトウェアおよび／またはハードウェア論理を含む。いくつかの実施形態では、本明細書の中の他の場所で説明されるように、ユーザ支援アプリケーション１２２は、前方の道路シーン状況に対するユーザの精通度に応じて、リアルタイムおよび適切なレベルでユーザに指示を与えることができる。さらなる例として、いくつかの実施形態では、ユーザの移動プラットフォーム１１８および／またはクライアントデバイス１２４上で少なくとも部分的に動作するユーザ支援アプリケーション１２２のインスタンスは、移動プラットフォーム１１８および／またはクライアントデバイス１２４の１つまたは複数の出力デバイス（たとえば、スピーカシステム、ディスプレイ上に表示されるグラフィカルユーザインターフェースなど）を介して、精通度アプリケーション１０４によって決定された精通度インデックスに基づいて決定されたユーザ支援指示をユーザに与えることができる。

いくつかの実施形態では、ユーザ支援アプリケーション１２２は、１つもしくは複数のコンピュータデバイスの１つもしくは複数のプロセッサによって実行可能なソフトウェア、限定はしないが、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）などのハードウェア、および／またはハードウェアとソフトウェアの組合せなどを使用して実装することができる。ユーザ支援アプリケーション１２２は、少なくとも図７を参照して下記でより詳細に記載される。

図２Ａは、サーバ１０２、移動プラットフォーム１１８、またはクライアントデバイス１２４のいずれかのアーキテクチャを表すことができる、コンピューティングデバイス２００のブロック図である。

図示されるように、コンピューティングデバイス２００は、１つまたは複数のプロセッサ２０２と、１つまたは複数のメモリ２０４と、通信ユニット２０６と、１つまたは複数のセンサ１２０と、１つまたは複数の入力および／または出力デバイス２１０と、１つまたは複数のデータストア２１２とを含む。コンピューティングデバイス２００のこれらの構成要素は、バス２０８によって通信可能に結合される。コンピューティングデバイス２００がサーバ１０２を表す実施形態では、コンピューティングデバイス２００は、精通度アプリケーション１０４のインスタンスと、精通度グラフデータベース１０６と、ナビゲーションデータベース１０８とを含む場合がある。コンピューティングデバイス２００が移動プラットフォーム１１８またはクライアントデバイス１２４を表す実施形態では、コンピューティングデバイス２００は、ユーザ支援アプリケーション１２２のインスタンスと、精通度アプリケーション１０４のインスタンスとを含む場合がある。これらの実施形態は例にすぎず、本明細書の中の他の場所で説明されるように、他の構成も可能であることを理解されたい。さらに、図２Ａに図示されるコンピューティングデバイス２００は例として提供され、コンピューティングデバイス２００は、本開示の範囲から逸脱することなく、他の形態を取り、追加のまたはより少ない構成要素を含む場合があることを理解されたい。たとえば、図示されていないが、コンピューティングデバイス２００は、様々なオペレーティングシステム、ソフトウェア構成要素、ハードウェア構成要素、および他の物理構成を含む場合がある。

コンピューティングデバイス２００が移動プラットフォーム１１８に含まれたり組み込まれたりする実施形態では、コンピューティングデバイス２００は、プラットフォームバス（たとえば、ＣＡＮ）、１つもしくは複数のセンサ（たとえば、１つもしくは複数の制
御ユニット（たとえば、ＥＣＵ、ＥＣＭ、ＰＣＭなど）、自動車用センサ、音響センサ、化学センサ、生体工学センサ、位置センサ（たとえば、ＧＰＳ、コンパス、加速度計、ジャイロスコープなど）、スイッチ、およびコントローラ、カメラなど）、エンジン、動力伝達装置、サスペンションコンポーネント、計装、温度調節器、ならびに／または、必要な任意の他の電気的、機械的、構造的、および機械的な構成要素などの、様々な構成要素を含み、かつ／またはそれらに結合される場合がある。

プロセッサ２０２は、様々な入力／出力演算、論理演算、および／または数学演算を実施することにより、ソフトウェア命令を実行することができる。プロセッサ２０２は、たとえば、複合命令セットコンピュータ（ＣＩＳＣ）アーキテクチャ、縮小命令セットコンピュータ（ＲＩＳＣ）アーキテクチャ、および／または命令セットの組合せを実装するアーキテクチャを含む、データ信号を処理する様々なコンピューティングアーキテクチャを有する場合がある。プロセッサ２０２は、実体および／または仮想であり得るし、シングルコアまたは複数の処理ユニットおよび／もしくはコアを含む場合がある。いくつかの実施形態では、プロセッサ２０２は、電子表示信号を生成し、ディスプレイデバイス（図示せず）に供給し、画像の表示をサポートし、画像を取り込み送信し、様々なタイプの特徴抽出およびサンプリングなどを含む複雑なタスクを実行することが可能であり得る。いくつかの実施形態では、プロセッサ２０２は、バス２０８を介してメモリ２０４に結合されて、そこからデータおよび命令にアクセスし、その中にデータを記憶することができる。バス２０８は、たとえば、メモリ２０４、通信ユニット２０６、センサ１２０、入力／出力デバイス２１０、および／またはデータストア２１２を含む、コンピューティングデバイス２００の他の構成要素にプロセッサ２０２を結合することができる。

メモリ２０４は、データを記憶し、コンピューティングデバイス２００の他の構成要素にデータアクセスを提供することができる。いくつかの実施形態では、メモリ２０４は、プロセッサ２０２によって実行され得る命令および／またはデータを記憶することができる。たとえば、コンピューティングデバイス２００の構成に応じて、メモリ２０４は、アプリケーション１０４および／または１２２のうちの１つまたは複数を記憶することができる。メモリ２０４は、たとえば、本明細書に記載された様々なデータ、オペレーティングシステム、ハードウェアドライバ、他のソフトウェアアプリケーション、データベースなどを含む、他の命令およびデータを記憶することも可能である。メモリ２０４は、プロセッサ２０２およびコンピューティングデバイス２００の他の構成要素との通信のために、バス２０８に結合することができる。

メモリ２０４は、プロセッサ２０２によって、またはプロセッサ２０２とともに処理するための、命令、データ、コンピュータプログラム、ソフトウェア、コード、ルーチンなどを、含有、記憶、通信、伝搬、または搬送することができる任意の有形非一時的な装置またはデバイスであり得る、非一時的コンピュータ使用可能（たとえば、読取り可能、書込み可能などの）媒体を含む。いくつかの実施形態では、メモリ２０４は、揮発性メモリおよび不揮発性メモリのうちの１つまたは複数を含む場合がある。たとえば、メモリ２０４は、限定はしないが、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）デバイス、スタティックランダムアクセスメモリ（ＳＲＡＭ）デバイス、ディスクリートメモリデバイス（たとえば、ＰＲＯＭ、ＦＰＲＯＭ、ＲＯＭ）、ハードディスクドライブ、光ディスクドライブ（ＣＤ、ＤＶＤ、Ｂｌｕ−ｒａｙ（登録商標）など）のうちの１つまたは複数を含む場合がある。メモリ２０４は単一のデバイスであり得るか、または複数のタイプのデバイスおよび構成を含む場合があることを理解されたい。

通信ユニット２０６は、通信ユニット２０６がワイヤレス接続および／または有線接続を使用して、（たとえば、ネットワーク１１２を介して）通信可能に結合された他のコンピューティングデバイスにデータを送信し、それらからデータを受信する。通信ユニット
２０６は、データを送受信するための１つまたは複数の有線インターフェースおよび／またはワイヤレストランシーバを含む場合がある。通信ユニット２０６は、ネットワーク１１２に結合し、（構成に応じて）クライアントデバイス１２４、移動プラットフォーム１１８、および／またはサーバ１０２などの他のコンピューティングノードと通信することができる。通信ユニット２０６は、上記で説明された通信方法などの標準の通信方法を使用して、他のコンピューティングノードとデータを交換することができる。

データストア２１２は、データを記憶する非一時的記憶媒体を含む。非限定的で例示的な非一時的記憶媒体には、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）デバイス、スタティックランダムアクセスメモリ（ＳＲＡＭ）デバイス、フラッシュメモリ、ハードディスクドライブ、フロッピーディスクドライブ、ディスクベースのメモリデバイス（たとえば、ＣＤ、ＤＶＤ、Ｂｌｕ−ｒａｙ（登録商標）など）、フラッシュメモリデバイス、または他の何らかの既知の有形揮発性もしくは不揮発性ストレージデバイスが含まれ得る。図２Ａによって表されるコンピューティングデバイスに応じて、データストアは、精通度グラフデータベース１０６および／またはナビゲーションデータベース１０８のうちの１つまたは複数を表すことができる。

データストア２１２は、コンピューティングデバイス２００、あるいは、コンピューティングデバイス２００とは異なるが結合されたまたはアクセス可能な別のコンピューティングデバイスおよび／またはストレージシステムに含まれる場合がある。いくつかの実施形態では、データストア２１２は、サーバ１０２、移動プラットフォーム１１８、および／またはクライアントデバイス１２４によって動作可能なデータベース管理システム（ＤＢＭＳ）と共同して、データを記憶することができる。たとえば、ＤＢＭＳは、構造化照会言語（ＳＱＬ）のＤＢＭＳ、非ＳＱＬのＤＢＭＳなどを含む可能性がある。場合によっては、ＤＢＭＳは、行と列から構成される多次元テーブルにデータを記憶し、プログラムに基づいた演算を使用して、データの行を操作、すなわち、挿入、照会、更新、および／または削除することができる。

入力／出力（Ｉ／Ｏ）デバイス２１０は、情報を入力および／または出力するための任意の標準デバイスを含む。非限定的で例示的なＩＯデバイス２１０には、ユーザ１２８に道路シーン情報を表示するためのスクリーン（たとえば、ＬＥＤベースのディスプレイ）、ユーザ１２８に音声情報を出力するためのオーディオ再生デバイス（たとえば、スピーカ）、音声コマンドおよび／もしくはボイスコマンドを取り込むためのマイクロフォン、キーボード、タッチスクリーン、ポインティングデバイス、インジケータ、ならびに／または、ユーザ１２８との通信および／もしくは対話を容易にするための任意の他のＩ／Ｏ構成要素が含まれ得る。入力／出力デバイス２１０は、直接または介在するＩ／Ｏコントローラを介して、コンピューティングデバイス２００に結合することができる。

精通度アプリケーション１０４は、様々な道路シーンに対するユーザの精通度を決定するように実行可能なコンピュータ論理である。いくつかの実施形態では、精通度アプリケーション１０４は、道路シーンデータ（たとえば、センサ１２０および／またはデータストア２１２からの道路シーン画像）を受信し、道路シーンデータを処理して、マクロシーンレベルおよびミクロシーンレベルで様々なタイプのシーン情報を抽出することができる。精通度アプリケーション１０４は、データストア２１２に結合されて、様々な道路シーンに対するユーザの精通度を決定するために必要とするデータを取り出すことができる。下記でより詳細に説明されるように、精通度アプリケーション１０４は、道路シーンデータ、精通度グラフデータ、ナビゲーション履歴データ、ユーザデータ、センサデータ、ＣＡＮデータ、および／または他のデータタイプを使用して、精通度を決定することができる。さらなる例では、精通度アプリケーション１０４は、精通度グラフデータベース１０６に結合されて、精通度グラフデータを記憶、取出し、および／または他の方法で操作す
ることができ、ナビゲーションデータベースに結合されて、ナビゲーション履歴データを取り出すことができ、（たとえば、バス２０８および／または様々なコントローラを介して）センサに結合されて、センサデータを受信することができ、ユーザ支援アプリケーション１２２などの他の構成要素に結合されて、データを供給および／または受信することなどができる。

ユーザ支援アプリケーション１２２は、（たとえば、バス２０８および／または様々なコントローラを介して）精通度アプリケーション１０４からユーザの精通度インデックスを受信し、入力／出力デバイス２１０を介してユーザにユーザ支援（たとえば、走行ガイダンス）を提供するように実行可能なコンピュータ論理である。

図２Ｂは、例示的な精通度アプリケーション１０４のブロック図である。図示されるように、精通度アプリケーション１０４は、シーンプロセッサ２５２と、シーン特徴量作成器２５４と、道路シーンカテゴライザ２５６と、ユーザモニタ２５８と、精通度レベル分類器２６０とを含む場合があるが、精通度アプリケーション１０４は、限定はしないが、構成エンジン（configuration engine）、他のトレーニングエンジン（training engine
）、暗号化エンジン（encryption engine）などのさらなる構成要素を含む場合があり、
かつ／または、これらの様々な構成要素は、単一のエンジンに組み合わされるか、もしくはさらなるエンジンに分割される場合があることを理解されたい。

シーンプロセッサ２５２、シーン特徴量作成器２５４、道路シーンカテゴライザ２５６、ユーザモニタ２５８、および精通度レベル分類器２６０は、ソフトウェア、ハードウェア、または上記の組合せとして実装することができる。いくつかの実施形態では、シーンプロセッサ２５２、シーン特徴量作成器２５４、道路シーンカテゴライザ２５６、ユーザモニタ２５８、および精通度レベル分類器２６０は、バス２０８および／またはプロセッサ２０２により、互いに、かつ／またはコンピューティングデバイス２００の他の構成要素に、通信可能に結合することができる。いくつかの実施形態では、構成要素１０４、２５２、２５４、２５６、２５８、および／または２６０のうちの１つまたは複数は、それらの機能を実現するためにプロセッサ２０２によって実行可能な命令のセットである。さらなる実施形態では、構成要素１０４、２５２、２５４、２５６、２５８、および／または２６０のうちの１つまたは複数は、メモリ２０４に記憶可能であり、それらの機能を実現するためにプロセッサ２０２によってアクセス可能かつ実行可能である。上記の実施形態のいずれにおいても、これらの構成要素１０４、２５２、２５４、２５６、２５８、および／または２６０は、プロセッサ２０２およびコンピューティングデバイス２００の他の構成要素との連携および通信に適合することができる。

精通度アプリケーション１０４、およびその構成要素２５２、２５４、２５６、２５８、および２６０は、少なくとも図３〜図７を参照して下記でより詳細に記載される。

図３は、道路シーンに対するユーザ精通度を決定するための例示的な方法３００のフローチャートである。ブロック３０２において、シーン特徴量作成器２５４は、シーン情報から現在の道路シーンを記述するシーン特徴量を作成する（たとえば、プロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、現在の道路シーンは、現在ユーザの移動プラットフォーム１１８の前にある道路シーンであり、１つまたは複数のセンサ１２０（たとえば、車道センサ７０２）によって取り込まれる。いくつかの実施形態では、シーン情報は、センサデータから抽出され、現在の道路シーンを記述する１つまたは複数の道路シーン態様を含む場合がある。シーン特徴量は、現在の道路シーンの記述である。いくつかの実施形態では、シーン特徴量は、本明細書の中の他の場所で説明されるように、凝縮された表現でシーン情報を要約することができる。

図４Ａは、道路シーン画像内で描写される現在の道路シーンを記述するシーン特徴量を作成するための例示的な方法３０２のフローチャートである。

ブロック４０２において、車道センサ７０２は、特定の時点における車道の道路シーン画像を取り込むことができる。詳細には、車道の方を向いた車道センサ７０２は、移動プラットフォーム１１８の中に据え付けられて、移動プラットフォーム１１８の周囲の環境を記述する道路シーンデータを取り込むことができる。たとえば、車道センサ７０２は画像データを取り込むことができる。画像データは、移動プラットフォーム１１８が道路に沿って移動するにつれて、ある特定のレート／間隔（たとえば、０．５秒ごと、１秒ごと、３秒ごとなど）で取り込まれた道路シーン画像を含む場合がある。いくつかの実施形態では、取込み間隔は、道路シーンのシーンレベルのコンテキストおよび／または複雑度に応じて変化する場合がある。たとえば、車道センサ７０２は、道路区間が複雑な道路構造を有しているとき、またはシーン内で検出された動的物体の数がしきい値を超えるとき、より頻繁に（たとえば、０．２秒ごとに）外部シーンを取り込むようにしてもよい。さらなる実施形態では、取込みレート／間隔は、標準フレームレート、可変フレームレートなどであり得る。

ブロック４０４において、シーン特徴量作成器２５４は、道路シーン画像を使用してシーン特徴量を作成することができる。いくつかの実施形態では、シーン特徴量は特徴量ベクトルを含む場合があるが、他のデータ表現も可能であり、考えられる。詳細には、シーンプロセッサ２５２は、車道センサ７０２によって取り込まれた道路シーン画像を処理してシーン情報を抽出することができ、シーン特徴量作成器２５４は、抽出されたシーン情報から現在の道路シーンのシーン特徴量を算出することができる。

いくつかの実施形態では、シーンプロセッサ２５２は、センサデータを使用してシーン情報を特定する（たとえば、プロセッサ２０２がプログラムを実行する）。たとえば、シーンプロセッサ２５２は、センサデータを受信するために、（たとえば、バス２０８および／もしくはプロセッサ２０２を介して）センサ１２０やデータストア２１２に通信可能に結合することができ、センサデータを処理してシーン情報を抽出することができる。さらなる非限定的な例として、シーンプロセッサ２５２は、１つまたは複数の光センサやレーダーセンサ（たとえば、１つまたは複数のカメラ）から画像データを受信し、画像データを処理して、特定の道路区間に関連付けられた様々な道路シーン態様を抽出することができる。

いくつかの実施形態では、シーンプロセッサ２５２は、ウィンドウ化アルゴリズム（windowing algorithm）を使用して、道路シーンデータ（たとえば、車道センサ７０２によ
って取り込まれた道路シーン画像）から、１つまたは複数の道路シーン態様を含むシーン情報を抽出することができる。詳細には、シーンプロセッサ２５２は、道路シーン画像内で様々なサイズの検出ウィンドウをスライドして、勾配・テクスチャ情報を取り込み、テンプレート画像と照合することで、シーン内に現れる１つまたは複数の物体を識別することができる。たとえば、シーンプロセッサ２５２は、様々なアイテム、たとえば、空、水平線、車道、路側構造体、ビルディング、車両、歩行者、交通規制などを、画像から検出することができる。シーンプロセッサ２５２は、これらの検出対象に応じた種々のサイズのテンプレート画像を有する。いくつかの実施形態では、シーンプロセッサ２５２は、ミクロレベルのシーン複雑度で現在の外部状況を記述する様々な道路シーン態様を、画像から特定することもできる。

たとえば、シーンプロセッサ２５２は、所与の道路シーンの全体的な空間情報（spatial information）および空間包囲特性（spatial envelop property）を分析して、シーン
内に存在する物体であるシーン構成物（たとえば、動的物体、静的物体など）、検出され
た物体の物体タイプあるいは種類（たとえば、工事車両、道路工事作業員、警察官、車線境界、バリケード、交通標識など）、各物体タイプに関連付けられた項目の数（歩行者の人数、交通コーンの総数）、シーン内の検出された物体の相対位置および／または空間分布（たとえば、他の移動プラットフォーム１１８の車線位置、交通コーン間の相対距離、周囲の車両配置）などを特定することができる。いくつかの実施形態では、シーンプロセッサ２５２は、画像データに基づいて、気象状態（たとえば、晴れ、部分的に曇り、豪雨）、明暗状態（たとえば、明るい、低い、通常）、シーンの状況を表すシーンレベルコンテキスト（たとえば、少ない、適度な、混雑した交通など）、移動プラットフォーム１１８が移動している道路上のエリア（たとえば、車線３などの車線番号、追越車線などの車線タイプ）、走行可能車線幅（たとえば、元の車線幅の３分の２）、開いている車線の数（閉鎖されておらず利用可能な車線の数）などの、動的外部状況の他の道路シーン態様を特定することもできる。シーン分析および物体検出のための他の技法、たとえば、ＧＩＳＴ画像記述子、Ｂａｇ ｏｆ Ｗｏｒｄ（ＢｏＷ）モデル、ローカルバイナリパターン（ＬＢＰ）モデル、および／または他のビジョンアルゴリズムなども適用可能であり、考えられる。

いくつかの実施形態では、シーン特徴量作成器２５４は、取り込まれたシーン画像からシーンプロセッサ２５２が抽出したミクロシーン情報に基づいて、現在の道路シーン用のシーン特徴量を作成することができる。詳細には、シーン特徴量作成器２５４は、外部シーンを記述するシーン特徴量に様々な道路シーン特徴および道路シーン態様を組み合わせることができる。いくつかの実施形態では、シーン特徴量は、ミクロシーンレベルの複雑度でユーザの前にある道路シーン状況の凝縮された記述であり得る。たとえば、シーン特徴量は、現在の道路シーンのシーン構成およびシーン配置を記述することができる。いくつかの実施形態では、シーン構成は、どの動的物体がシーン内に見えるか、これらの検出された動的物体の物体タイプ、各物体タイプの項目の数などを示すことができる。いくつかの実施形態では、道路シーンの空間局所情報は、シーン配置を表すことができる。たとえば、シーン配置は、シーン内の検出された動的物体の相対位置、相対距離、および／または空間分布を記述することができる。いくつかの実施形態では、シーン特徴量は、本明細書の中の他の場所で説明されるように、他の道路シーン態様（たとえば、走行可能車線幅、開いている車線の数、車両／歩行者の交通に起因する各車線の渋滞情報など）を含む場合もある。

いくつかの実施形態では、シーン特徴量は、均一なフォーマットの表現で様々な道路シーンを効果的に記述するために、あらかじめ決定された構造に準拠することができる。たとえば、シーン特徴量作成器２５４は、特徴量ベクトルの形態で現在の道路シーン用のシーン特徴量を算出することができる。いくつかの実施形態では、（特徴量インデックスとも呼ばれる）特徴量ベクトルは、複数の数値を含む多次元ベクトルであり得るし、各値は道路シーン属性または道路シーン態様を記述する。他のタイプの多次元ベクトル（たとえば、バイナリベクトル、文字ベクトル、論理値のベクトルなど）も可能であり、考えられる。この本開示では、シーン特徴量を特徴量ベクトルの形態で作成することができるので、シーン特徴量は、特徴量ベクトルおよび／または特徴量インデックスと互換的に呼ばれる場合がある。

たとえば、図８に示されるように、シーン特徴量作成器２５４は、Ｄａｙ４の時刻ｔ＝ｔ４における道路シーンを記述するために、［１００，５，２，１２５，５，４，１５０，１，２０，１］という特徴量ベクトルｖ４を作成することができる。この例では、特徴量ベクトルの最初の３つの値（１００，５，２）は、シーン内に工事コーンが存在すること、そして、５個が約２フィート離れて置かれていることを示す。次の３つの値（１２５，５，４）は、道路シーンが道路工事作業員を含むこと、そして５人が約４フィートの距離を置いて作業ゾーン内に広がっていることを示す。最後の４つの値（１５０，１，２０
，１）は、シーン内に工事車両が存在することを示す。たとえば、工事車両の位置は基準点から２０フィート離れており、工事車両は作業ゾーン内で動作中である。このように特徴量ベクトルは、物体を表す識別子と物体ごとに定義されたフィールド（可変個数）の複数の組み合わせとして表現することができる。

さらなる例として、図８をまた参照すると、Ｄａｙ３の時刻ｔ＝ｔ３における道路シーンは、［１００，５，２，１２５，２，８，１５０，０，０，０］の特徴量ベクトルｖ３によって記述することができる。この例では、特徴量ベクトルの最初の３つの値（１００，５，２）は、シーン内で工事コーンが検出され、５個が約２フィート離れて置かれていることを示す。次の３つの値（１２５，２，８）は、道路シーンが２人の道路工事作業員を含み、彼らが互いから８フィート離れて作業していることを示す。最後の４つの値（１５０，０，０，０）は、シーン内に工事車両が存在しないことを示し、２つのそれぞれの値はシーン内の相対位置を表し、したがって、工事車両の動作状況はゼロであると判断される。

さらなる例として、図８に図示されるＤａｙ３の時刻ｔ＝ｔ２における道路シーンは、［１００，５，２，１２５，０，０，１５０，０，０，０］の特徴量ベクトルｖ２によって記述することができる。この例では、特徴量ベクトルの最初の３つの値（１００，５，２）は、シーン内で工事コーンが検出され、５個が約２フィート離れて置かれていることを示す。次の３つの値（１２５，０，０）は、道路シーンが道路工事作業員を含んでいないことを示し、最後の４つの値（１５０，０，０，０）は、道路シーンが工事車両を含んでいないことを示す。この例では、本明細書の中の他の場所に記載される他の道路シーン態様を記述する他のベクトル値は、現在ユーザの前にある外部状況の包括的な表現を作成するために、特徴量ベクトル内でインデックスを付けることができる。

再び図３を参照すると、ブロック３０４において、精通度レベル分類器２６０は、ユーザに関連付けられた精通度グラフに含まれるシーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを識別する（たとえば、プロセッサ２０２がプログラムを実行する）。精通度レベル分類器２６０は、現在の道路シーンが属するマクロシーンカテゴリに基づいて、現在の道路シーンの道路シーンクラスタを識別することができる。精通度レベル分類器２６０は、ストレージからマクロシーンカテゴリを取り出し、かつ／または道路シーンカテゴライザ２５６からマクロシーンカテゴリを受信し、次いで、マクロシーンカテゴリを使用して精通度グラフ内の道路シーンクラスタを識別することができる。いくつかの実施形態では、道路シーンカテゴライザ２５６は、標準シーン処理アルゴリズムを使用して道路シーンを処理し、マクロシーンカテゴリに分類することができる。さらなる実施形態では、道路シーンカテゴライザ２５６は、シーン特徴量を使用して道路シーンをマクロシーンカテゴリに分類することができる。

図４Ｂは、現在の道路シーンを特定し、現在の道路シーンに対応する道路シーンクラスタを識別するための例示的な方法３０４のフローチャートである。ブロック４０６において、道路シーンカテゴライザ２５６は、現在の道路シーンをマクロシーンカテゴリ（たとえば、地区のタイプ）に分類する（たとえば、プロセッサ２０２がプログラムを実行する）。例示的なマクロシーンカテゴリには、限定はしないが、都市カテゴリ、地方カテゴリ、住居カテゴリ、工事ゾーンカテゴリ、高速道路カテゴリ、事故カテゴリなどが含まれる。

いくつかの実施形態では、道路シーンカテゴライザ２５６は、現在の道路シーンを、対応する確率とともに１つまたは複数のマクロシーンカテゴリ（たとえば、地区のタイプ）に分類し、次いで、最も高い確率を有するマクロシーンカテゴリを選択することができる。次いで、道路シーンカテゴライザ２５６は、分類が正しかったか否かを示すフィードバ
ックを受信すると、将来の繰返しのために、カテゴリ決定に使用される１つまたは複数の変数を更新する。これにより、フィードバックに基づく学習が行われ、道路シーンカテゴライザ２５６はより精度よく道路シーンを分類できるようになる。

いくつかの実施形態では、道路シーンカテゴライザ２５６は、（たとえば、ミクロシーン情報によって反映されるように）道路シーン内で何が検出されたかに応じて、様々なセマンティックカテゴリに道路シーン状況を分類することができる。たとえば、本明細書の中の他の場所で説明されるように、道路シーンカテゴライザ２５６は、シーン特徴量内に含まれる物体（の種類）などのミクロシーン情報を使用して道路シーンを分類することができるが、他の適切な変形形態も可能であり、考えられる。たとえば、図８の例示的なＤａｙ１に示されるように、高層ビル、混み合った通り、および混雑した歩道を含むものとして、シーン特徴量が道路シーンを記述する（たとえば、特徴量インデックスの値が歩行者間および車両間の小さい相対距離を示す）場合、道路シーンカテゴライザ２５６は、これらの特性を既知の道路シーンカテゴリに関連付けられた事前に記憶された特性と比較することにより、これらの特性に基づいて、現在の道路シーンのマクロシーンカテゴリを「都市」シーンとして識別することができる。

さらなる例では、図８の例示的なＤａｙ３およびＤａｙ４に示されるように、交通コーン、道路工事作業員、および／または工事車両を有するものとして車道環境を記述するデータをシーン特徴量が含む場合、道路シーンカテゴライザ２５６は、これらの特性に基づいて、現在の道路シーンのマクロシーンカテゴリを「工事ゾーン」シーンとして識別することができる。別の例として、シーン特徴量は、救急車、警察官、および損壊車両を有する車道シーンを記述するデータを含み、道路シーンカテゴライザ２５６は、これらの特性に基づいて、現在の道路シーンを「事故」の道路シーンカテゴリに分類することができる。

マクロシーン情報はマクロレベルのシーン複雑度で現在の道路シーンを粗く記述することができるので、マクロシーンカテゴリはマクロシーン情報を備えることができるが、ミクロシーン情報は、本明細書の中の他の場所で説明されるように、道路シーンについての具体的な詳細を含む。さらなる例として、シーン特徴量は、ミクロシーン情報として、現在の道路シーンに関する具体的な詳細を含む場合がある。場合によっては、特徴量ベクトルは、ユーザが現時点で処理する必要がある道路シーンの簡潔で包括的な記述を表す。いくつかの実施形態では、道路シーンカテゴライザ２５６は、特徴量ベクトルを更新して、現在の道路シーンを記述する特徴量ベクトルにマクロシーンカテゴリを組み込むことができる。いくつかの実施形態では、マクロシーン情報（たとえば、マクロシーンカテゴリ）およびミクロシーン情報（たとえば、シーン特徴量）は、精通度レベル分類器２６０に別々に供給されて、前方の道路シーン状況に対するユーザの精通度を決定することができる。

いくつかの実施形態では、精通度レベル分類器２６０は、精通度グラフデータベース１０６に結合されて、移動プラットフォーム１１８のユーザに関連付けられた精通度グラフを取り出すことができる。ユーザに関連付けられた例示的な精通度グラフが図９に描写される。精通度グラフは、ユーザが経験した様々な道路シーンの履歴を含む。グラフは、様々なインスタンスが共有する属性に基づいて、それらのインスタンスを関連付けることができる。たとえば、様々な工事ゾーンは、「工事」の共通属性に基づいて関連付けることができる。本明細書の中の他の場所でさらなる例が説明される。

いくつかの実施形態では、ユーザの精通度グラフは、ユーザが経験した道路シーン履歴を記述するシーン特徴量履歴を含む。詳細には、シーン特徴量履歴は、ミクロシーンレベルで過去にユーザが経験した道路シーン状況を記述することができるが、シーン特徴量は
、ミクロシーンレベルで現在ユーザの前方にある道路シーン状況を記述する。ユーザの精通度グラフは、ユーザの走行履歴内の以前の走行インスタンスについてシーン特徴量作成器２５４が作成したシーン特徴量を集めた集合であり得る。結果として、シーン特徴量と同様に、各シーン特徴量履歴も、（特徴量インデックス履歴とも呼ばれる）特徴量ベクトル履歴によって表すことができ、特徴量ベクトル履歴はまた、複数の値（たとえば、数値、バイナリ値、文字値、論理値など、および／またはそれらの任意の組合せ）を含む多次元ベクトルであり得る。特徴量ベクトル履歴に含まれる値は、ユーザが経験した対応する道路シーン履歴の道路シーン属性、様々な道路シーン態様などを記述することができる。

いくつかの実施形態では、現在の道路シーンを記述するシーン特徴量は、ユーザの走行履歴が増加するにつれて、道路シーン履歴を記述するシーン特徴量履歴を充実させることができる。たとえば、図８に図示される複数の道路シーン状況を参照すると、Ｄａｙ４の時刻ｔ＝ｔ４における道路シーン状況に対するユーザのリアルタイム精通度インデックスを決定するとき、時刻ｔ＝ｔ４（現在）においてユーザの前にある道路シーンを記述するベクトルｖ４（たとえば、［１００，５，２，１２５，５，４，１５０，１，２０，１］）は、現在の道路シーンのシーン特徴量と見なされるが、Ｄａｙ３の時刻ｔ＝ｔ３（過去）においてユーザの前にある道路シーン状況を記述するベクトルｖ３（たとえば、［１００，５，２，１２５，２，８，１５０，０，０，０］）は、道路シーン履歴のシーン特徴量履歴と見なされる。これら２つの特徴量ベクトルは精通度グラフに含まれ、シーン特徴量作成器２５４が後続の時点において現在の道路シーン状況についての新しいシーン特徴量を作成すると、シーン特徴量履歴になる。有利なことに、ユーザの精通度グラフは、下記でより詳細に記載されるように、現在の道路シーンに対応するシーン特徴量を含むように更新することができ、結果として、ユーザの精通度グラフは、ユーザが遭遇するあらゆる道路シーン状況を取り込むことができる。これにより、ユーザが毎日走行を続けるにつれて、グラフが時間とともに自動的に発展することが可能になる。

いくつかの実施形態では、精通度グラフに含まれる（シーン特徴量データポイントとも呼ばれる）シーン特徴量間の近接度は、マクロレベルおよび／またはミクロレベルでシーンコンテキスト内のそれらの類似性を反映することができる。詳細には、ミクロシーンレベルで、精通度グラフ内の２つのシーン特徴量履歴間の相対距離および／またはそれらのシーン特徴量内の１つもしくは複数の値は、（特徴量の値によって表されるように、たとえば、シーン構成、シーン配置などの観点から）特徴量に対応する道路シーンにどれほど近く関係するかを示すことができる。一例として、マクロシーンレベルで、同じマクロシーンカテゴリに属するシーン特徴量履歴は、一緒に集まる可能性がある。さらに、そのクラスタ内で、（ミクロシーンレベルで）共通の属性を有する様々なシーン特徴量は、本明細書の中の他の場所で説明されるように、照会／検索され得るさらなるデータクラスタを形成することができる。シーンクラスタは、例えば、過去のシーン特徴量に対して既存の任意のクラスタリングアルゴリズムを適用して生成することもできるし、共通するマクロシーン情報を有するシーン特徴量が１つのクラスタを形成するものとして生成することもできる。

たとえば、図８に図示される時刻ｔ＝ｔ２、ｔ＝ｔ３、およびｔ＝ｔ４における道路シーン状況のシーン特徴量履歴は、両方とも、全体的に同様の空間配置に分布する工事コーンおよび／または道路工事作業員および／または工事車両を有する道路シーンを記述する。これらの道路シーン状況を表すシーン特徴量履歴（たとえば、特徴量ベクトルｖ２、ｖ３、およびｖ４）は、したがって、精通度グラフ内で互いに近接し、一緒にグループ化されて、「工事ゾーン」のそれらの共通マクロシーンカテゴリに対応するクラスタ、たとえば、図９に示される「工事」のクラスタを形成することができる。対照的に、図８に図示される時刻ｔ＝ｔ１における道路シーン状況のシーン特徴量履歴は、空いた車道を有する都市シーンを記述することができる。このシーン特徴量履歴のベクトル値は、工事コーン
、道路工事作業員、および／または工事ゾーンシーンの他の道路シーン態様を記述しないので、時刻ｔ＝ｔ２、ｔ＝ｔ３、およびｔ＝ｔ４における道路シーンを記述するシーン特徴量履歴のベクトル値とは実質的に異なる。結果として、時刻ｔ＝ｔ１において取り込まれた道路シーンのシーン特徴量履歴の位置は、精通度グラフ内のこれら３つのシーン特徴量履歴の位置から離れており、これら３つのシーン特徴量に関連付けられた「工事」の道路シーンクラスタに含まれない。代わりに、時刻ｔ＝ｔ１における道路シーンのシーン特徴量履歴の位置は、特徴量インデックス履歴の値におけるそれらの類似性に起因して「都市」として分類された道路シーンを記述する様々な他のシーン特徴量履歴により近接することができ、したがって、図９に図示される「都市」の道路シーンクラスタにグループ化することができる。

いくつかの実施形態では、ユーザの精通度グラフは、ユーザの走行履歴内のそれぞれのマクロシーンカテゴリに関連付けられた複数の道路シーンクラスタを含む場合がある。たとえば、図９に示されるように、ユーザの精通度グラフは、住居シーンクラスタ、地方シーンクラスタ、高速道路シーンクラスタ、工事シーンクラスタ、および都市シーンクラスタを含む場合がある。道路シーンクラスタの他の例が可能であり、考えられる。いくつかの実施形態では、精通度グラフは、ユーザが頻繁に遭遇していない道路シーン状況履歴を表す、１つまたは複数の孤立（isolated）／分散（scattered）されたシーン特徴量履歴
を含む場合もある。ユーザが走行を続けるにつれて、類似する道路シーン状況が発生し、それらのシーン特徴量履歴がユーザの精通度グラフに更新（たとえば、挿入）される。いくつかの実施形態では、一カ所に集まったシーン特徴量履歴の数がしきい値を満たすと、これらの特徴量データポイントについて新しいシーンクラスタが確立される。たとえば、精通度レベル分類器２６０は、これらの孤立したシーン特徴量履歴について、新しい道路シーンクラスタを作成する。いくつかの実施形態では、精通度レベル分類器２６０は、ｋ平均クラスタリングアルゴリズムを使用して、近接するシーン特徴量データポイントを道路シーンクラスタにグループ化することができる。その他非階層型クラスタリングアルゴリズムや階層型クラスタリングアルゴリズムも可能であり、考えられる。いくつかの実施形態では、様々なマクロシーンに関連付けられたデータポイントは、同じ精通度グラフに含まれ、同じ精通度グラフに関連付けられ、かつ／または異なる精通度グラフにセグメント化される場合がある。

再び図４Ｂを参照すると、ブロック４０８において、精通度レベル分類器２６０は、現在の道路シーンに対応する道路シーンクラスタを識別する（たとえば、プロセッサ２０２がプログラムを実行するする）。いくつかの実施形態では、道路シーンクラスタは、道路シーンカテゴリを使用して、ユーザに関連付けられた精通度グラフから選択することができる。これらまたは他の実施形態では、道路シーンクラスタは、データポイント密度を示す密度パラメータ、および／またはデータポイントがその中に存在するべき距離しきい値を指定する距離パラメータを使用して、選択することができる。他のフィルタおよび／または選択パラメータも可能であり、考えられる。

道路シーンカテゴライザ２５６が時刻ｔ＝ｔ４において現在前方にある道路シーンを「工事ゾーン」のマクロシーンカテゴリに分類することができる上記の例を続けると、精通度レベル分類器２６０は、次いで、精通度グラフ内で「工事ゾーン」のカテゴリに対応する道路シーンクラスタ、たとえば、図９に図示されるシーンクラスタ「工事」を特定することができる。本明細書の中の他の場所で説明されるように、いくつかの実施形態では、道路シーンクラスタ「工事」は、「工事ゾーン」のそれらの共通マクロシーンカテゴリに基づいて、互いに近接し、一カ所に集まった複数のシーン特徴量履歴を含む場合がある。これらの実施形態では、精通度レベル分類器２６０は、たとえば、時刻ｔ＝ｔ４においてユーザの前にある道路シーンのマクロシーン情報（たとえば、マクロシーンカテゴリ）に基づいて、その現在の道路シーンに関するシーン特徴量履歴のクラスタを効果的に識別す
ることができる。これは、ユーザがしばらくの間走行し、かなりの量のユーザの走行履歴が収集された場合に、特に有利である。この例では、ユーザの精通度インデックスを算出するためにユーザの精通度グラフの関係する部分（たとえば、同様のマクロシーンのクラスタ）のみがさらに利用されるので、算出コストは、したがってかなり低減されるが、算出効率が問題ではなく、かつ／またはより大きなデータ範囲が必要な他の変形形態も可能であり、考えられる。
他の実施形態では、現在の道路シーンのマクロシーン情報（マクロシーンカテゴリ）を求めることなく、現在の道路シーンが含まれる道路シーンクラスタを決定する。例えば、特徴量空間において、現在の道路シーンのシーン特徴量の最近傍に位置する他の（過去の）シーン特徴量を決定し、この最近傍のシーン特徴量が属する道路シーンクラスタを現在の道路シーンの道路シーンクラスタとして決定してもよい。ここで利用する最近傍のシーン特徴量は１つでもよいし複数（近いものから所定数個）でもよく、複数の場合には多数決（たとえば、単純な多数決や距離に応じた重み付けをした多数決）にしたがって決定すればよい。

再び図３を参照すると、ブロック３０６において、精通度レベル分類器２６０は、処理中のシーン特徴量の、ブロック３０４において識別された道路シーンクラスタを備える他のシーン特徴量に対する位置を特定する（たとえば、プロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、シーン特徴量間の距離は、シーン特徴量に含まれる値の間の類似性および／または差異に基づいて、特定することができる。

いくつかの実施形態では、方法３００は、図４Ｃにおいて説明される動作を使用してクラスタ内でのシーン特徴量の位置を特定するが、他の適切な変形形態も可能であり、考えられる。図４Ｃは、詳細には、現在ユーザの前方にある道路シーンを記述するものとして作成されたシーン特徴量を、識別された道路シーンクラスタを備える他のシーン特徴量履歴と比較して、ユーザの精通度グラフ内のシーン特徴量の相対位置を特定するための例示的な方法３０６のフローチャートである。

ブロック４１０において、精通度レベル分類器２６０は、識別された道路シーンクラスタの特徴量ベクトル履歴に対する特徴量ベクトルの位置を特定する（たとえば、プロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、精通度レベル分類器２６０は、そのベクトル値を、識別されたクラスタを備える特徴量ベクトル履歴のベクトル値と照合することにより、特徴量ベクトルの位置を特定する。本明細書の中の他の場所で説明されるように、ミクロレベルのシーン複雑度で、精通度グラフ内のシーン特徴量データポイント間の近接度は、対応するシーン特徴量のベクトル値によって示されるシーン構成およびシーン配置の観点からそれらの類似性を示すことができる。
あるいは、特徴量ベクトルのクラスタ内での位置は、クラスタ中心から特徴量ベクトルまでの距離（近接度）に基づいて（例えば、当該距離（近接度）として）、決定することもできる。

上記の例を続けると、図８に図示される時刻ｔ＝ｔ４において発生する道路シーン状況は、工事ゾーンシーンとして分類することができ、精通度グラフ内でこのマクロシーンカテゴリに対応する道路シーンクラスタ「工事」を取り出すことができる。次いで、精通度レベル分類器２６０は、時刻ｔ＝ｔ４における現在の道路シーンを記述するシーン特徴量（たとえば、［１００，５，２，１２５，５，４，１５０，１，２０，１］の特徴量ベクトルｖ４）を、道路シーンクラスタ「工事」を形成するシーン特徴量履歴、たとえば、時刻ｔ＝ｔ３における道路シーン履歴を記述するシーン特徴量（たとえば、［１００，５，２，１２５，２，８，１５０，０，０，０］の特徴量ベクトルｖ３）、および時刻ｔ＝ｔ２における道路シーン履歴を記述するシーン特徴量（たとえば、［１００，５，２，１２５，０，０，１５０，０，０，０］の特徴量ベクトルｖ２）と照合することができる。た
とえば、精通度レベル分類器２６０は、特徴量ベクトルｖ４と特徴量ベクトルｖ３との間の距離、特徴量ベクトルｖ４と特徴量ベクトルｖ２との間の距離を算出することができ、これらの算出された距離を比較することができる。次いで、精通度レベル分類器２６０は、道路シーンクラスタ「工事」内で、特徴量ベクトルｖ４と特徴量ベクトルｖ３との間の距離が特徴量ベクトルｖ４と特徴量ベクトルｖ２との間の距離よりも小さいので、時刻ｔ＝ｔ４における道路シーンのシーン特徴量が、時刻ｔ＝ｔ２における道路シーンのシーン特徴量よりも、時刻ｔ＝ｔ３における道路シーンのシーン特徴量に近いと判断することができる。これらのシーン特徴量間の判断された近接度は、時刻ｔ＝ｔ４における道路シーン状況が、時刻ｔ＝ｔ２における道路シーン状況よりも時刻ｔ＝ｔ３における道路シーン状況に類似しているという事実を示す。たとえば、時刻ｔ＝ｔ４および時刻ｔ＝ｔ３における道路シーンは、両方とも道路工事作業員を含むが、時刻ｔ＝ｔ２における道路シーンは道路工事作業員を含まない。

ブロック４１２において、精通度レベル分類器２６０は、精通度グラフ内のシーン特徴量を含むように道路シーンクラスタを更新する（たとえば、プロセッサ２０２がプログラムを実行する）。詳細には、精通度レベル分類器２６０は、ブロック４１０において特定された位置に、ユーザの前方にある現在の道路シーンを記述するシーン特徴量を含めるように道路シーンクラスタを更新する。上記の例を引き続き用いて説明すると、精通度レベル分類器２６０は、精通度グラフ内にすでに存在し、「工事」のクラスタを備える他のシーン特徴量（たとえば、シーン特徴量ｖ２、シーン特徴量ｖ３など）に対するその相対近接度に基づいて、シーン特徴量ｖ４を含めるように図９に図示される精通度グラフ内の「工事」の道路シーンクラスタを更新することができる。たとえば、精通度レベル分類器２６０は、「工事」の道路シーンクラスタ内で、シーン特徴量ｖ２よりもシーン特徴量ｖ３に近くシーン特徴量ｖ４を配置することができる。いくつかの実施形態では、精通度レベル分類器２６０は、ユーザが時間とともに遭遇する様々な動的道路シーン状況を記述するシーン特徴量を用いて、ユーザの精通度グラフを絶えず更新することができる。これらのシーン特徴量は、上記で詳細に記載されたように、自動的に作成され、有利なことに、精通度グラフのクラスタ内に配置することができる。

再び図３を参照すると、ブロック３０８において、精通度レベル分類器２６０は、ブロック３０４において特定された現在の道路シーンを記述するシーン特徴量のクラスタ内での位置（例えば、同一のクラスタ内の他のシーン特徴量との相対的な位置関係）に基づいて、現在の道路シーンに対するユーザの精通度を推定する精通度インデックスを作成する（たとえば、プロセッサ２０２がプログラムを実行する）。精通度インデックス（たとえば、リアルタイム精通度インデックス、オンルート精通度インデックスとも呼ばれる）は、現在ユーザの前にある道路シーンに対するユーザの精通度を示すことができる。ある実施形態では、精通度インデックスは、現在の道路シーンを記述するシーン特徴量の位置における同一のクラスタ内の他の道路シーン特徴量の密度を基づいて決定される。他の実施形態では、精通度インデックスは、現在の道路シーンを記述するシーン特徴量のクラスタ中心からの距離に基づいて決定することができる。いくつかの実施形態では、精通度レベル分類器２６０は、シーン特徴量が属する道路シーンクラスタに関連付けられた１つまたは複数の精通度ゾーンを適用して、精通度インデックスを作成することができる。

図４Ｄは、現在の道路シーンに対するユーザの精通度インデックスを作成するための例示的な方法３０８のフローチャートであるが、他の適切な方法も可能であり、考えられることを理解されたい。ブロック４１４において、精通度レベル分類器２６０は、クラスタ内のシーン特徴量データポイントの密度に基づいて、精通度グラフ内の道路シーンクラスタ用のネストされた精通度ゾーンのセットを決定する（たとえば、プロセッサ２０２がプログラムを実行する）。本明細書の中の他の場所に記載されるように、精通度グラフ内の各シーン特徴量は、ユーザが過去に以前遭遇した道路シーン履歴を表す。結果として、精
通度グラフ内のこれらのシーン特徴量の分布パターンは、これらの道路シーン状況履歴に対してユーザがどれほど精通しているかを示すことができる。たとえば、多数のシーン特徴量履歴が緊密に一カ所に集まっている場合は、ユーザが複数回同様の道路シーンに遭遇し、したがって、同様の道路シーン状況が発生した場合にその道路シーン状況におそらく精通していることを示す。対照的に、孤立した（クラスタを形成していない）シーン特徴量データポイントは、ユーザの走行履歴において多くは発生していない道路シーン状況に対応する。結果として、同様のシーン特徴量を有する道路シーン状況は、おそらくユーザにとってなじみがなく、したがって、ユーザはより多くのガイダンスを必要とする。これは、有利なことに、ユーザが道路あるいは道路シーン状況に精通していた場合とは異なる情報をユーザが受信する結果になる。

いくつかの実施形態では、精通度レベル分類器２６０は、クラスタ内のどの領域が密度しきい値を満たすサブクラスタとなるかを判定することにより、シーンクラスタに関連付けられた１つまたは複数の精通度ゾーンを特定する。詳細には、精通度レベル分類器２６０は、道路シーンクラスタ内の様々なエリアの特徴量データポイントの密度を１つまたは複数のしきい値と比較して、特徴量データポイントの高い密度、平均（適度な）密度、または低い密度を有するものとして、これらのエリアを分類する。次いで、精通度レベル分類器２６０は、道路シーンクラスタのこれらのエリアを、それぞれ、「非常に精通している」、「適度に精通している」、および「あまり精通していない」精通度ゾーンとして識別する。いくつかの実施形態では、これらの精通度ゾーンは、部分的に互いを重複、含有、または除外する可能性があるので、クラスタをカバーするネスト構造を形成することができる。図１０は、シーン特徴量データポイントの例示的な密度分布、および図９に図示される精通度グラフからの道路シーンクラスタ「工事」に関連付けられた例示的な精通度ゾーンを示す。図示される例では、道路シーンクラスタ「工事」は、３つの異なるしきい値を表す３つの同心円の形態で３つのネストした精通度ゾーンのセットを有する。ただし、しきい値（すなわち精通度ゾーンの境界）は任意の適切な形態または形状を有したり、交差したり、均一でなかったりしてもよく、また、任意の非幾何学的形状または幾何学的形状（たとえば、楕円、三角形、矩形など）を有してもよいことを理解されたい。また、ここでは精通度ゾーンの数が３つの場合を例に挙げて説明したが、精通度ゾーンの数はより多くても少なくてもかまわないことも理解されたい。
また、精通度インデックスは、精通度ゾーンを用いずに決定されてもよい。例えば、精通度インデックスは、特徴量空間において現在のシーン特徴量の近傍に位置する他のシーン特徴量（所定の距離あるいは近接度以内に位置する他のシーン特徴量）の数に基づいて決定されてもよい。このような、現在のシーン特徴量の近傍における他のシーン特徴量の数は、クラスタの密度と同様に扱えるためである。精通度インデックスは、上記と同様に、近傍におけるシーン特徴量の数が多いほど、より精通していることを表すように生成すればよい。なお、この手法によって精通度ゾーンを決定する場合は、精通度グラフ内のシーン特徴量をクラスタリングしたり、現在のシーン特徴量が属するクラスタを決定したりする処理は省略可能であることに留意されたい。
また、精通度インデックスは、現在のシーン特徴量のクラスタ中心からの距離に基づいて決定されてもよい。この場合、精通度インデックスは、現在のシーン特徴量がクラスタ中心に近いほどより精通していることを表すように生成する。また、精通度インデックスは、クラスタの密度も考慮して生成されてもよく、クラスタ中心からの距離が同じであってもクラスタ密度が高いほど精通度インデックスは高く（より精通していることを表す）ように決定すればよい。例えば、クラスタ中心から現在のシーン特徴量までの距離に存在するシーン特徴量の数や、クラスタ全体に存在するシーン特徴量の数を考慮して生成されてもよい。

ブロック４１６において、精通度レベル分類器２６０は、現在の道路シーンに対するユーザの精通度の推定値を反映するユーザの精通度インデックスを決定する（たとえば、プ
ロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、精通度レベル分類器２６０は、現在の道路シーンを記述するシーン特徴量が、ネストされた精通度ゾーンのいずれに位置を特定することにより、精通度インデックスを決定する。たとえば、精通度レベル分類器２６０は、本明細書の中の他の場所で説明されるように、現在の道路シーンを記述するシーン特徴量の位置を、現在の道路シーンに対応する道路シーンのネストされた精通度ゾーンと比較する。

前の例を引き続き用いて説明すると、時刻ｔ＝ｔ４における現在の道路シーンに対するユーザの精通度インデックスを決定すると、精通度レベル分類器２６０は、図１０に示される道路シーンクラスタ「工事」の３つの精通度ゾーンに対する、時刻ｔ＝ｔ４における現在の道路シーンを記述するシーン特徴量（たとえば、特徴量ベクトルｖ４）の位置を特定する。このシーン特徴量が最も内側の「非常に精通している」精通度ゾーン内に位置する場合、精通度レベル分類器２６０は、現在の道路シーン状況に対するユーザの精通度インデックスを「非常に精通している」と決定することができる。このシーン特徴量が最も内側の「非常に精通している」精通度ゾーンの外側だが、中央の「適度に精通している」精通度ゾーンの内側にある場合、精通度レベル分類器２６０は、現在の道路シーンに対するユーザの精通度を「適度に精通している」と分類することができる。このシーン特徴量が中央の「適度に精通している」精通度ゾーンの外側だが、最も外側の「あまり精通していない」精通度ゾーン内にある場合、精通度レベル分類器２６０は、ユーザの精通度インデックスを「あまり精通していない」または「精通していない」と分類することができる。

いくつかの実施形態では、精通度レベル分類器２６０は、精通度測度（familiarity metric）、たとえば精通度スコアの形態で、現在の道路シーンに対するユーザの精通度インデックスを作成することができる。いくつかの実施形態では、精通度スコアは、ユーザの精通度を推定する定量化された値（たとえば、数値）、たとえば、精通度の割合であり得る。いくつかの実施形態では、精通度レベル分類器２６０は、シーン特徴量から基準点までの距離を特定することができ、特定された距離に基づいて、現在の道路シーンに対するユーザの精通度の推定割合を算出することができる。非限定的な例として、図１０に図示されるシーン特徴量の分布を参照して、精通度レベル分類器２６０は、特徴量ベクトルｖ４から３つの同心精通度ゾーンの中心点（基準点）までの距離を計算し、計算された距離に反比例する精通度の割合を推定することができる。たとえば、シーン特徴量データポイントｖ４から中心点までの距離が１．５０である場合、ユーザは、時刻ｔ＝ｔ４において発生する道路シーン状況に９５％精通していると判定する。シーン特徴量データポイントｖ４から中心点までの距離が５．２３である場合、ユーザは、この道路シーン状況に３３％精通していると判定する。この例では、精通度レベル分類器２６０はさらに、たとえば、［０％，３３％）の範囲内の精通度の割合を「精通していない」と、［３３％，７０％］の範囲内の精通度の割合を「適度に精通している」または「かなり精通している」と、（７０％，１００％］の範囲内の精通度の割合を「非常に精通している」と分類することができる。

図６は、シーン特徴量を強化（augment）するための例示的な方法６００のフローチャ
ートである。いくつかの実施形態では、精通度レベル分類器２６０は、ユーザが車道上を走行しているときに（データを収集、処理、および／または送信することによってもたらされる遅延に起因する時間遅延を含む）リアルタイムで取り込まれたユーザの生理学的データ、ならびにユーザのナビゲーション履歴データを使用して、（少なくとも図３〜図４Ｄを参照して詳細に説明された）道路シーン画像に基づいて算出されたシーン特徴量を強化することができる。詳細には、図７に示されるように、精通度レベル分類器２６０は、生理学的センサ７０４および顔面センサ７０６から生理学的データを受信することができ、ナビゲーションデータベース１０８からナビゲーション履歴データを取り出すことがで
き、これら２つのタイプのユーザ固有データを利用して、特定の時点において車道センサ７０２が取り込んだ道路シーン画像から作成されたシーン特徴量を強化することができる。

ブロック６０２において、生理学的センサ７０４および顔面センサ７０６は、特定の時点においてユーザに関連付けられた生理学的データを特定することができる。いくつかの実施形態では、生理学的データは、生理学的センサ７０４によって監視されるユーザの生理学的信号、および顔面センサ７０６によって取り込まれるユーザの挙動データを含む場合がある。生理学的センサ７０４によって監視される生理学的データの非限定的な例には、心電図検査データ（たとえば、ＥＣＧ／ＥＫＧ信号）、呼吸データ、皮膚コンダクタンス、皮膚温度、筋肉の緊張度などが含まれる。顔面センサ７０６によって取り込まれるユーザの挙動データの非限定的な例には、頭の動き、眼瞼運動、眼の衝動性運動などが含まれる。生理学的信号および挙動データの他の例が可能であり、考えられる。

いくつかの実施形態では、生理学的信号は、現在の外部道路シーンと相関するユーザの体のリアルタイム反応を記述することができる。結果として、生理学的信号は、前方の道路シーンによってもたらされるユーザのストレス量および不安レベルを示すことができ、したがって、現在の道路シーン状況に対するユーザの精通度を重み付けする際に有益であり得る。一例として、移動プラットフォーム１１８が工事ゾーンを通って移動する。事故が発生したときに取り込まれるユーザの生理学的データ（たとえば、バイオメトリックデータ）は、ユーザの心拍が著しく上がり、ユーザの呼吸が短く速くなり、ユーザの筋肉の緊張度が増す（たとえば、ユーザがハンドルを堅く握る）ことを示す。このようにして、ユーザはパニック状態にあり、その特定のタイプの工事ゾーン、および、範囲を広げると、ユーザの精通度グラフ内で利用可能なデータポイントに応じて一般的な工事ゾーンに精通していないと判断することができる。

いくつかの実施形態では、挙動データは、現在の道路シーンに応答してユーザによって実行されるリアルタイム身体活動を記述することができる。いくつかの実施形態では、挙動データは、ユーザの健康状態ならびに道路シーンに対するユーザの注意レベルおよび警戒レベルを示すことができる。たとえば、まぶたの間の距離は、ユーザが眠いか否かを示すことができ、頭の動きは、ユーザが前方を適切に向いているかどうかを示すことができ、眼の衝動性運動および頭の左右の動きは、ユーザの道路走査の度合を示すことができる。したがって、挙動データは、道路シーン状況に対するユーザの精通度を決定するのに特に役立つことができる。たとえば、ユーザは、ユーザが前にまれにしか遭遇していない不慣れな走行状況に対処するとき、運転作業（たとえば、より頻繁に車道を走査すること、潜在的な危険に能動的に応答すること）により集中する傾向があり、より用心深い（たとえば、目が覚めて集中している）ままである。対照的に、ユーザが状況に精通している場合、ユーザは、あまり集中せず、よりリラックスする傾向がある。

いくつかの実施形態では、特定の時点において車道の道路シーン画像が取り込まれると、精通度レベル分類器２６０は、有利なことに、その同じ特定の時点において、またはそのあたりで取り込まれたユーザの挙動および生理学的反応を利用して、取り込まれた画像内で図示される道路シーンに対するユーザの精通度を記述するユーザの精通度インデックスを作成することができる。いくつかの実施形態では、車道センサ７０２によって取り込まれた道路シーン画像データを、生理学的センサ７０４および顔面センサ７０６によって取り込まれたそれぞれのユーザ監視データと関連付けるために、タイムスタンプを使用することができる。

ブロック６０４において、精通度レベル分類器２６０は、生理学的データに基づいて生理学的重み値を作成する（たとえば、プロセッサ２０２がプログラムを実行する）。いく
つかの実施形態では、生理学的重み値は、現在の道路シーン状況にユーザがどれほど注意深く能動的に応答しているかを推定する値（たとえば、基準値）である。たとえば、１〜１００のスケールで、９５の生理学的重み値は、ユーザがパニック状態にあり、および十分に集中して状況に対処可能なことを示し、９５の生理学的重み値は、ユーザにストレスがかかっており、および道路シーンにかなりの注意を払っていることを示し、２１の生理学的重み値は、ユーザが落ち着いており、および現在の走行状況を楽しんでいることを示すことができる。

ブロック６０６において、精通度レベル分類器２６０は、ユーザに関連付けられたナビゲーション履歴データ（あるいは走行データ履歴）を特定する（たとえば、プロセッサ２０２がプログラムを実行する）。詳細には、精通度レベル分類器２６０は、ナビゲーションデータベース１０８からユーザのナビゲーション履歴データを取り出す。本明細書の中の別の場所で説明されるように、ナビゲーション履歴データは、ユーザが自分の走行履歴内で経験した走行インスタンスを記述する、様々なタイプの全体情報（たとえば、ユーザが以前移動した道路区間のリスト、道路タイプ、道路速度情報、時間情報、運転容易度など）を含む場合がある。ナビゲーション履歴データは、ユーザが現在直面している道路シーン状況に対するユーザの精通度を評価するのに役立つことができる。たとえば、ユーザは、日常的に、毎日自分のオフィスに行くために下町エリアのステート通りを選ぶ。ユーザのナビゲーション履歴データは、ユーザが過去４週間に５０回ステート通りを使用して通勤したことを示す。ユーザのナビゲーション履歴データは、ユーザが過去６ヶ月に１０回よりも少なく州間高速道路１５（Ｉ−１５）を選び、最後は３ヶ月前であったことも示す。このシナリオでは、ステート通りで発生する道路シーン状況は、高速道路Ｉ−１５で発生する同様の道路シーン状況よりもユーザになじみがある可能性が高い。たとえば、ユーザは、ステート通り上の車線閉鎖状況を回避する近道をすでに知っている可能性があるが、高速道路Ｉ−１５で発生する同様の状況に対処するためには、相当な量のガイダンスを必要とする可能性がある。

ブロック６０８において、精通度レベル分類器２６０は、ナビゲーション履歴データに基づいてナビゲーション履歴重み値を作成する（たとえば、プロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、ナビゲーション履歴重み値は、ユーザの個人的な走行履歴を仮定すると、道路シーンに含まれる道路区間に対するユーザの精通度を示す値であり得る。いくつかの実施形態では、ナビゲーション履歴重み値は、あらかじめ決定された時間期間履歴内でユーザが道路区間を選んだ回数に反比例する場合がある。いくつかの実施形態では、精通度レベル分類器２６０はさらに、ナビゲーション履歴データの他の因子（たとえば、道路タイプ、時間情報、速度情報、運転容易度など）に基づいて、ナビゲーション履歴重み値を調整することができる。いくつかの実施形態では、様々な道路区間用のナビゲーション履歴重み値は、ナビゲーションデータベース１０８および／またはメモリに記憶される場合があり、実行時に取り出されるか、または実行時に計算される場合がある。特定の道路区間を含む道路シーンに対するユーザの精通度インデックスを算出すると、精通度レベル分類器２６０は、ナビゲーションデータベース１０８および／もしくはメモリから対応する道路区間のナビゲーション履歴重み値を取り出すことができるか、またはリアルタイムでその値を計算することができる。

ブロック６１０において、精通度レベル分類器２６０は、生理学的重み値およびナビゲーション履歴重み値を使用して、現在の道路シーンを記述するシーン特徴量を強化する（たとえば、プロセッサ２０２がプログラムを実行する）。たとえば、精通度レベル分類器２６０は、道路シーン画像データから作成されたシーン特徴量に、追加のベクトル値として生理学的重み値およびナビゲーション履歴重み値を付加する。いくつかの実施形態では、これらの重み値をシーン特徴量と乗算することにより、それらを組み込むことができる。他の数学的および非数学的な集計も可能であり、考えられる。いくつかの実施形態では
、強化されたシーン特徴量は、道路シーン状況を記述する様々な情報（たとえば、道路シーン画像から作成されたシーン特徴量、生理学的重み値、ナビゲーション履歴重み値）を収集する合成特徴量または集合コードワード（符号語）と考えることができる。いくつかの実施形態では、精通度レベル分類器２６０は、次いで、少なくとも図４Ｃを参照して詳細に説明されたように、精通度グラフ内の対応するマクロシーンクラスタの既存のシーン特徴量履歴に対して、強化されたシーン特徴量を配置することができる。
ある実施形態では、強化されたシーン特徴量あるいは重み付けされたシーン特徴量は、シーン特徴量データポイントの密度を求める際に、重み値の数に応じた個数としてカウントされる。すなわち、上述の重み値（生理学的重み値および／またはナビゲーション履歴重み値）は密度算出の際に用いられる重みである。

図５は、現在ユーザの前にある道路シーン状況に対するユーザの推定精通度に調整された適切なレベルで車両内のユーザに指示を与えるための例示的な方法５００のフローチャートである。図７は、精通度インデックスに基づいてユーザに指示を与えるための、コンピューティングデバイス２００に実装されたドライバ支援システム７００のブロック図である。詳細には、ユーザ支援アプリケーション１２２は、図示されるように精通度アプリケーション１０４の精通度レベル分類器２６０から精通度インデックスを受信することができ、精通度インデックスに対応する支援レベルでユーザに走行ガイダンスを提供することができる。

図７に示されるように、様々な実施形態では、支援アプリケーション１２２は、支援レベル選択器７１２とユーザ支援作成器７１４とを含む場合があるが、支援アプリケーション１２２は、限定はしないが、構成エンジン、トレーニングエンジン、暗号化エンジンなどのさらなる構成要素を含む場合があり、かつ／またはこれらの様々な構成要素は、単一のエンジンに組み合わされるか、もしくはさらなるエンジンに分割される場合があることを理解されたい。

支援レベル選択器７１２およびユーザ支援作成器７１４は、ソフトウェア、ハードウェア、または上記の組合せとして実装することができる。いくつかの実施形態では、支援レベル選択器７１２およびユーザ支援作成器７１４は、バス２０８および／またはプロセッサ２０２により、互いに、かつ／またはコンピューティングデバイス２００の他の構成要素に、通信可能に結合することができる。いくつかの実施形態では、構成要素７１２および／または７１４は、それらの機能を実現するためにプロセッサ２０２によって実行可能な命令のセットである。さらなる実施形態では、構成要素７１２および／または７１４は、メモリ２０４に記憶可能であり、それらの機能を実現するためにプロセッサ２０２によってアクセス可能かつ実行可能である。上記の実施形態のいずれにおいても、構成要素７１２および／または７１４は、プロセッサ２０２およびコンピューティングデバイス２００の他の構成要素との協働および通信に適合することができる。

ブロック５０２において、支援レベル選択器７１２は、精通度インデックスに基づいて支援レベルを決定する（たとえば、プロセッサ２０２がプログラムを実行するする）。いくつかの実施形態では、支援レベルは、移動プラットフォーム１１８のドライバ支援システムが、運転の注意散漫にならずにユーザと対話するべき範囲を示す。いくつかの実施形態では、支援レベルは、ユーザへの指示の提供頻度、およびそれらの指示の詳細度を含む場合がある。

一例として、ユーザは、道路区間上を走行しており、第１の工事ゾーン（たとえば、図８に図示される時刻ｔ＝ｔ２における道路シーン状況）に遭遇する。精通度レベル分類器２６０によって作成された精通度インデックスは、ユーザが前方の工事ゾーンの複雑さに非常に精通しており、したがって少ししか支援を必要としない可能性があることを示すも
のとする。この場合、支援レベル選択器７１２は、ドライバ支援システム７００の支援レベルを、「低い」詳細レベルで５分ごとにユーザに指示を与えるものとして決定することができる。３マイル走行した後、ユーザは、第２の工事ゾーン（たとえば、図８に図示される時刻ｔ＝ｔ４における道路シーン状況）に遭遇する。今度は、精通度レベル分類器２６０によって作成された精通度インデックスは、ユーザが前方の工事ゾーンの複雑さに精通しておらず、したがってより多くの支援を必要とする可能性があることを示すものとする。この場合、支援レベル選択器７１２は、ドライバ支援システム７００の支援レベルを、「高い」詳細レベルで２分ごとにユーザに指示を与えるものとして決定する。

ブロック５０４において、ユーザ支援作成器７１４は、ブロック５０２において決定された支援レベルで、１つまたは複数の走行指示を作成し、それらをユーザに与える（たとえば、プロセッサ２０２がプログラムを実行する）。いくつかの実施形態では、走行指示は、車両の出力装置（たとえば、スピーカシステム、ディスプレイ上に表示されるグラフィカルユーザインターフェース、振動システムなど）を介してユーザに与えられた、聴覚的指示、視覚的指示、触覚的指示、および／またはそれらの組合せのうちの１つまたは複数であり得る。上記の例を続けると、第１の工事ゾーンを通ってユーザを誘導するために、支援作成器７１４は、５分間隔でユーザの走行指示を与え、走行指示は、「次の左車線に移動せよ」などの一般的かつ簡単な指示であり得る。対照的に、第２の工事ゾーンを通ってユーザを誘導するために、支援作成器７１４は、２分間隔でユーザの走行指示を与え、走行指示は、「２５ｍｐｈへの減速を開始し、次の５秒以内に次の左車線に移動しろ」、「速度を２５ｍｐｈに維持し、４分の１マイルの間現在の車線に留まり、破片および作業中の工事車両を注視しろ」などのより精巧な詳細を含む場合がある。ユーザの推定精通度に走行支援の強度を自動的に適合させる（たとえば、ユーザの介入なしに支援レベルを上げ下げする）ことにより、ドライバ支援システム７００は、ユーザが道路シーンに精通していないときはミクロシーン詳細に基づいてユーザにより詳細な支援を提供することができ、精通している状況の場合は指示を与えてユーザを煩わすことを回避することができる。したがって、ドライバ支援システム７００は、ユーザが走行しているとき、必要に応じて走行指示を与え、ユーザに望ましくない注意散漫を引き起こすことを回避することができる。

上記の説明では、本発明を十分に理解できるように、多くの詳細について説明した。
しかしながら、本開示で説明された技術は、これらの詳細を含まずに実施できることを理解すべきである。さらに、説明が不明瞭になることを避けるために、種々のシステム、装置、構造をブロック図の形式で表した。たとえば、種々の実装例が、特定のハードウェア、ソフトウェア、およびユーザインタフェースを持つものとして説明した。しかし、ここでの説明は、データおよびコマンドを受信する任意のタイプの計算装置および任意の周辺機器について適用できる。

いくつかの例では、種々の実装例は、有形（非一時的）なコンピュータ可読記憶媒体に記憶されたデータビットに対する動作のアルゴリズムおよび記号的表現として提供される。なお、本明細書において（また一般に）アルゴリズムとは、所望の結果を得るための論理的な手順を意味する。処理のステップは、物理量を物理的に操作するものである。必ずしも必須ではないが、通常は、これらの量は記憶・伝送・結合・比較およびその他の処理が可能な電気的または磁気的信号の形式を取る。通例にしたがって、これらの信号をビット・値・要素・エレメント・シンボル・キャラクタ・項・数値などとして称することが簡便である。

なお、これらの用語および類似する用語はいずれも、適切な物理量と関連付いているものであり、これら物理量に対する簡易的なラベルに過ぎないということに留意する必要がある。以下の説明から明らかなように、特に断らない限りは、本明細書において「処理」
「計算」「コンピュータ計算（処理）」「判断」「表示」等の用語を用いた説明は、コンピュータシステムや類似の電子的計算装置の動作および処理であって、コンピュータシステムのレジスタやメモリ内の物理的（電子的）量を、他のメモリやレジスタまたは同様の情報ストレージや通信装置、表示装置内の物理量として表される他のデータへ操作および変形する動作および処理を意味する。

本明細書で説明された種々の実装例は、説明された動作を実行する装置にも関する。この装置は要求される目的のための特別に製造されるものであっても良いし、汎用コンピュータを用いて構成しコンピュータ内に格納されるプログラムによって選択的に実行されたり再構成されたりするものであっても良い。このようなコンピュータプログラムは、コンピュータ可読記憶媒体に格納されてもよい。コンピュータ可読記憶媒体は、コンピュータのシステムバスに接続可能な、フロッピー（登録商標）ディスク・光ディスク・ＣＤ−ＲＯＭ・磁気ディスク、読み込み専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気カード、光学式カード、非一時的なメモリを有するUSBキーを含むフラッシュメモリ、電子的命令を格納するのに適したその他の任意のメデ
ィア媒体を含むが、これらに限定される訳ではない。

発明の具体的な実施形態は、完全にハードウェアによって実現されるものでも良いし、完全にソフトウェアによって実現されるものでも良いし、ハードウェアとソフトウェアの両方によって実現されるものでも良い。たとえば、本技術はソフトウェアとして実装することができる。ここでソフトウェアとは、ファームウェア、常駐ソフトウェア、マイクロコードやその他のソフトウェアを含むものである。さらに、ある実施形態は、コンピュータが利用あるいは読み込み可能な記憶媒体からアクセス可能なコンピュータプログラムプロダクトの形態を取ることもできる。この記憶媒体は、コンピュータや任意の命令実行システムによってあるいはそれらと共に利用されるプログラムコードを提供する。コンピュータが利用あるいは読み込み可能な記憶媒体とは、命令実行システムや装置によってあるいはそれらと共に利用されるプログラムを、保持、格納、通信、伝搬および転送可能な任意の装置を指す。

プログラムコードを格納・実行するために適したデータ処理システムは、システムバスを介して記憶素子に直接または間接的に接続された少なくとも１つのプロセッサを有する。記憶素子は、プログラムコードの実際の実行に際して使われるローカルメモリや、大容量記憶装置や、実行中に大容量記憶装置からデータを取得する回数を減らすためにいくつかのプログラムコードを一時的に記憶するキャッシュメモリなどを含む。入力／出力（Ｉ／Ｏ）装置は、例えばキーボード、ディスプレイ、ポインティング装置などであるが、これらはＩ／Ｏコントローラを介して直接あるいは間接的にシステムに接続される。

システムにはネットワーク・アダプターも接続されており、これにより、私的ネットワークや公共ネットワークを介して他のデータ処理システムやリモートにあるプリンタや記憶装置に接続される。無線（例えばＷｉ−Ｆｉ（登録商標））トランシーバ、イーサネット（登録商標）・アダプター、モデムは、ネットワーク・アダプターの一部の例である。プライベートネットワークおよび公共ネットワークは、数多くの構成やトポロジーを取り得る。データは、これらのネットワークを介して、例えばインターネット層、トランスポート層、アプリケーションプロトコルなどを含む種々の通信プロトコルを用いて、装置間で送信される。データがネットワークを介して送信される際に用いられる通信プロトコルには、例えば次のようなものがある。トランスミッション・コントロール・プロトコル／インターネット・プロトコル（ＴＣＰ／ＩＰ）、ユーザ・データグラム・プロトコル（ＵＤＰ）、トランスミッション・コントロール・プロトコル（ＴＣＰ）、ハイパーテキスト・トランスファー・プロトコル（ＨＴＴＰ）、セキュア・ハイパーテキスト・トランスファー・プロトコル（ＨＴＴＰＳ）、ダイナミック・アダプティブ・ストリーミング・オー
バー・ＨＴＴＰ（ＤＡＳＨ）、リアルタイム・ストリーミング・プロトコル（ＲＴＳＰ）、リアルタイム・トランスポート・プロトコル（ＲＴＰ）、リアルタイム・トランスポート・コントロール・プロトコル（ＲＴＣＰ）、ボイス・オーバー・インターネット・プロトコル（ＶＯＩＰ）、ファイル・トランスファー・プロトコル（ＦＴＰ）、ウェブソケット（ＷＳ）、無線アクセスプロトコル（ＷＡＰ）、種々のメッセージングプロトコル（ＳＭＳ、ＭＭＳ、ＸＭＳ、ＩＭＡＰ、ＳＭＴＰ、ＰＯＰ、ＷｅｂＤＡＶ等）、その他既知のプロトコル。

最後に、本明細書において提示されるアルゴリズムおよびインターフェースは特定のコンピュータや他の装置と本来的に関連するものではない。本明細書における説明にしたがってプログラムを有する種々の汎用システムを用いることができるし、また要求された処理ステップを実行するための特定用途の装置を製作することが適した場合もある。これら種々のシステムに要求される構成は、上記の説明で明らかにされている。さらに、本発明は、任意の特定のプログラミング言語と関連づけられるものではない。本明細書で説明される内容を実装するために、種々のプログラミング言語を利用できることは明らかであろう。

前述の説明は、例示と説明を目的として行われたものである。したがって、開示された実施形態が本発明の全てではないし、本発明を上記の実施形態に限定するものでもない。本発明は、上記の開示にしたがって、種々の変形が可能である。本発明の範囲は上述の実施形態に限定解釈されるべきではなく、特許請求の範囲にしたがって解釈されるべきである。本発明の技術に詳しい者であれば、本発明はその思想や本質的特徴から離れることなくその他の種々の形態で実現できることを理解できるであろう。同様に、モジュール・処理・特徴・属性・方法およびその他の本発明の態様に関する名前付けや分割方法は必須なものでものないし重要でもない。また、本発明やその特徴を実装する機構は異なる名前や分割方法や構成を備えていても構わない。

さらに、当業者であれば、モジュール・処理・特徴・属性・方法およびその他の本発明の態様は、ソフトウェア、ハードウェア、ファームウェアもしくはこれらの組合せとして実装できることを理解できるであろう。また、本発明をソフトウェアとして実装する場合には、モジュールなどの各要素は、どのような様式で実装されても良い。例えば、スタンドアローンのプログラム、大きなプログラムの一部、異なる複数のプログラム、静的あるいは動的なリンクライブラリー、カーネルローダブルモジュール、デバイスドライバー、その他コンピュータプログラミングの当業者にとって既知な方式として実装することができる。さらに、本発明の実装は特定のプログラミング言語に限定されるものではないし、特定のオペレーティングシステムや環境に限定されるものでもない。

１０４ 精通度アプリケーション
１０６ 精通度グラフデータベース
１０８ ナビゲーションデータベース
１１８ 移動プラットフォーム
１２２ ユーザ支援アプリケーション
１２４ クライアントデバイス
２００ コンピューティングデバイス
２０２ プロセッサ
２０４ メモリ
２０６ 通信ユニット
２５２ シーンプロセッサ
２５４ シーン特徴量作成器
２５６ 道路シーンカテゴライザ
２５８ ユーザモニタ
２６０ 精通度レベル分類器

Claims (17)

1. コンピュータによって実行される方法であって、
   現在の道路のシーンを記述するシーン特徴量を作成するステップと、
   ユーザが過去に経験した道路のシーンを記述する複数のシーン特徴量を格納した精通度グラフにおいて定義される複数の道路シーンクラスタの中から、現在の道路シーンに対応する道路シーンクラスタを特定するステップと、
   特定された道路シーンクラスタにおける現在の道路シーンのシーン特徴量の位置に基づいて現在の道路シーンに対する前記ユーザの精通度を推定した精通度インデックスを生成するステップと、
   を含む、方法。
2. 前記シーン特徴量は、前記道路シーンにおける動的物体とその配置を含み、
   前記シーン特徴量を生成するステップは、
   道路の方を向いた車両のセンサによって前記道路をセンシングしたセンサデータを取得するステップと、
   前記センサデータを用いて、道路上の動的物体とその位置を検出するステップと、
   前記検出の結果に基づいて、検出された動的物体の種類、数、および配置を記述するシーン特徴量を生成するステップと、
   を含む、請求項１に記載の方法。
3. 前記精通度グラフに含まれる過去のシーン特徴量は、それぞれマクロシーンカテゴリと関連付けられており、
   前記道路シーンクラスタを特定するステップは、
   前記シーン特徴量を用いて、現在の道路シーンのマクロシーンカテゴリを決定するステップと、
   前記精通度グラフに含まれる過去のシーン特徴量の中から、前記決定されたマクロシーンカテゴリに関連付けられたシーン特徴量を取得するステップと、
   を含む、請求項２に記載の方法。
4. 前記マクロシーンカテゴリは、都市カテゴリ、地方カテゴリ、住居カテゴリ、工事ゾーンカテゴリ、高速道路カテゴリ、および事故カテゴリの少なくとも何れかを含む、
   請求項３に記載の方法。
5. 前記精通度グラフに含まれる過去のシーン特徴量に対してクラスタリングアルゴリズムを適用して、前記過去のシーン特徴量を複数のクラスタに分類するステップをさらに含み、
   前記道路シーンクラスタを特定するステップは、現在の道路シーンのシーン特徴量と最も近い道路シーンクラスタを特定することにより行われる、
   請求項１または２に記載の方法。
6. 前記精通度インデックスを生成するステップでは、前記精通度インデックスは、現在の道路シーンのシーン特徴量の近傍における前記道路シーンクラスタに含まれる他のシーン特徴量の密度に基づいて、前記密度が高いほどより精通していることを示すように生成される、
   請求項１から５のいずれか１項に記載の方法。
7. 前記道路シーンクラスタに含まれる他のシーン特徴量の密度に基づいて、前記道路シーンクラスタを複数の精通度ゾーンに分割するステップを含み、
   前記精通度インデックスを生成するステップでは、現在の道路シーンのシーン特徴量が
   前記道路シーンクラスタのどの精通度ゾーンに位置するかを決定し、決定された精通度ゾーンに基づいて前記精通度インデックスを生成する、
   請求項６に記載の方法。
8. 前記精通度インデックスを生成するステップでは、
   現在の道路シーンのシーン特徴量との近接度がしきい値以内の、前記道路シーンクラスタに含まれる他のシーン特徴量の数を決定し、
   前記数が多いほど前記精通度インデックスはより精通していることを示すように生成される、
   請求項１から５のいずれか１項に記載の方法。
9. 現在の道路シーンのシーン特徴量を用いて、道路シーンクラスタを更新するステップをさらに含む、
   請求項１から８のいずれか１項に記載の方法。
10. 前記ユーザの精通度インデックスに基づいて支援レベルを決定するステップと、
    前記決定された支援レベルで、車両が有する出力装置を介してユーザに対して、聴覚的指示、視覚的指示、および触覚的指示の少なくとも何れかを提供するステップと、
    をさらに含む、請求項１から９のいずれか１項に記載の方法。
11. 前記支援レベルは、指示の提供頻度または指示の詳細度のいずれかを含む、
    請求項１０に記載の方法。
12. 前記ユーザの生理学的データを取得するステップと、
    前記生理学的データに基づいて、第１の重み値を生成するステップと、
    前記第１の重み値を用いてシーン特徴量を強化するステップと、
    をさらに含む、請求項１から１１のいずれか１項に記載の方法。
13. 前記生理学的データは、前記ユーザの頭の動き、目の動き、心電図検査データ、呼吸データ、皮膚コンダクタンス、筋肉の緊張度の少なくともいずれかを含む、
    請求項１２に記載の方法。
14. 前記ユーザに関連付けられた過去の走行データ履歴を取得するステップと、
    前記走行データ履歴に基づいて、第２の重み値を生成するステップと、
    前記第２の重み値を用いてシーン特徴量を強化するステップと、
    をさらに含む、請求項１から１３のいずれか１項に記載の方法。
15. コンピュータによって実行される方法であって、
    現在の道路のシーンを記述するシーン特徴量を作成するステップと、
    ユーザが過去に経験した道路のシーンを記述する複数の他のシーン特徴量を取得するステップと、
    特徴量空間での現在の道路シーンのシーン特徴量の近傍における前記他のシーン特徴量の密度に基づいて、現在の道路シーンに対する前記ユーザの精通度を推定した精通度インデックスを生成するステップと、
    を含む、方法。
16. 請求項１から１５のいずれか１項に記載の方法の各ステップをコンピュータに実行させるプログラム。
17. プロセッサと、
    請求項１から１５のいずれか１項に記載の方法の各ステップをコンピュータに実行させるプログラムを格納したメモリと、
    を備える、システム。

Images