JP2018529954A

JP2018529954A - 車両の電子地図を更新するための方法

Info

Publication number: JP2018529954A
Application number: JP2018513349A
Authority: JP
Inventors: シュテーリン・ウルリヒ; メンツェル・マルク; シェルピング・リヒャルト
Original assignee: コンティネンタル・テーベス・アクチエンゲゼルシヤフト・ウント・コンパニー・オッフェネ・ハンデルスゲゼルシヤフト
Priority date: 2015-09-29
Filing date: 2016-09-20
Publication date: 2018-10-11
Also published as: EP3356766A1; US20180292227A1; WO2017055138A1; DE102015218809A1; CN107949769A; US10684135B2

Abstract

本発明は、予測された状態と実際の状態との差をベースとした車両内の電子地図を更新する方法に関する。

Description

本発明は、車両の電子地図を更新するための方法に関する。

電子地図は、車両内において、特に、ナビゲーション用、並びに、Ｃａｒ２Ｘ・コミュニケーションのために必要である。このようなＣａｒ２Ｘ・コミュニケーションは、車両２Ｘ−、Ｃ２Ｘ−或いはＶ２Ｘ・コミュニケーションとも呼ばれ、特に、ＩＥＥＥ８０２．１１ｐ規格をベースにしている。これが、研究、乃至、基本開発の現状であり、現在、規格化が進んでいる。同様に、Ｃａｒ２Ｘ・コミュニケーションから得た最新の情報をベースにした自己学習地図やロードグラフも、研究の現状である。

地図情報を用いれば多数の機能を改善することができる。しかし、そのためには、最新の状態に保つことが、高価且つ煩雑な地図マテリアルを用いるのが一般的である。更には、一般的な車両では、その地図の大部分の部分領域を、そこへ行くことが決してないために、全く必要としていないにもかかわらず、それに大きなデータ量が費やされている。

よって、この様な現状に基づき、地図の取扱いを簡略化できる方法を提供することが望まれている。

これは、本発明では、請求項１記載の方法で解決される。好ましい形態は、例えば、従属請求項に開示されている。尚、請求項の内容は、明細書の内容を集約したものである。

本発明は、車両の電子地図を更新するための方法に関するが、該方法は、以下のステップを包含している；
− 車両の予測される状態を計算するステップ、
− 車両の実際の状態を割り出すステップ、
− 予測された状態と実際の状態の差の確定するステップ、並びに、
− 予測された状態と実際の状態に差があった場合に情報を地図内に保存するステップ。

本発明は、原則的に、車両内の地図に学習させ、後の使用のために保存すると言うアイデアに基づいている。この際、原則的には、それによって、機能の挙動にずれが生じる、例えば、該予測が地図無しでなされることになってしまう状態や動きに関するデータなどの情報のみが保存される。これは、車内において、購入した又は他の方法によって外部から調達されたデータマテリアルにアクセスする必要なく、電子地図を独自に作成することを可能にする。更に、予測された状態と実際の状態に相違を生じさせた情報だけに減らすことにより、総合的に見て、保存しなければならない情報は、有意に削減される。

ここで言う情報とは、特に、車両の経路であることができる。この際、該方法は、例えば、以下のように実施されることができる：
− 車両の予測される経路を計算する、
− 車両の実際に走行した経路を割り出す、
− 予測された経路と実際に走行した経路の差を確定する、並びに、
− 予測された経路と実際に走行した経路に差があった場合、情報を地図内に保存する。

ここで言う経路とは、典型的には、走行中に継続的に記録され、計算され、比較される値のことである。更に、該車両が走行した経路は、その道路の経路推移を示す非常に信頼性高いインジケータでもある。

但し、特記しておくが、ここで言う状態は、経路に制限されるわけではない。むしろ、一般的に予測され得る状態ならばいずれも採用できる。これは、例えば、あるシチュエーションの危険性やそれから導かれたドライバーへの警告であることも可能である。要するに、例えば走行した経路、起こっている事象などのシチュエーション、例えばシチュエーション評価などの内部状態が、いかに発展するかなどを、例えば予測した後に差を割り出すために用いることができる。

尚、更新も作成を意味する場合があることを特記しておく。該方法は、原則的に、予めインストールされた地図がある場合、或いは、予めインストールされた地図が無い場合の双方のケースにおいて採用することができる即ち、車両に、出荷時に、ある電子地図を実装し、これを、本方法によって継続的に更新することができる。一方、電子地図を本方法に基づいて一から作成することも可能である。

該予測される状態は、好ましくは、地図を基に算出される。これには、特に、これに関連する情報が地図内に存在する場合が該当する。これにより、実際の挙動と相違を生じた予測された挙動の原因となった地図内の情報を有利に割り出すことができる。また、これにより、該地図における更新の必要性を、無駄なく、割り出すことができる。

該予測される状態は、特に、車両の動きに関するデータ、特に、位置、速度、及び／或いは、加速などに基づいて算出されることができる。このような動きに関するデータは、予測において、特に、経路や、その他の状態、例えば迫っている衝突などの予測において有利であることが示された。

該予測される状態は、特に、他の車両のデータ、及び／或いは、該車両の周辺部の、特に、周辺センサーの、及び／或いは、Ｃａｒ２Ｘ・コミュニケーションのデータに基づいて算出されることができる。この様なデータも、状態の予測、例えば、経路の予測に、有利であることが示された。

該予測された状態は、特に、以下の予測モデルのうち一つ或いは複数を用いて算出されることができる：
− １次キネマティックモデル（ＣｏｎｓｔａｎｔＶｅｌｏｃｉｔｙ，ＣＶ）
− ２次キネマティックモデル（ＣｏｎｓｔａｎｔＡｃｃｅｌｅｒａｔｉｏｎ，ＣＡ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＶｅｌｏｃｉｔｙ（一定なカーブ率と速度、ＣＴＲＶ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定なカーブ率と加速、ＣＴＲＡ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＶｅｌｏｃｉｔｙ（一定な操舵角と速度、ＣＳＡＶ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定な操舵角と加速、ＣＳＡＡ）
− 特に、ヨーイング率から推定されたカーブ推移による予測モデル
− マヌーバに依存した予測
− ニューラル・ネットワーク
− サポートベクターマシン
− ｎ次多項式
− 停止予測。

一次キネマティックモデルは、特に、以下の式をベースにすることができる：
ｘ（Ｔ）＝ｘ（０）＋ｖ・Ｔ
式中：
ｘ：道程
Ｔ：時間
ｖ：速度
二次キネマティックモデルは、特に、以下の式をベースにすることができる：
ｘ（Ｔ）＝ｘ（０）＋ｖ・Ｔ＋０，５・ａ・Ｔ^２

式中（上記以外）：
ａ：加速

推定されたカーブ推移に基づく予測モデルは、特に、以下の式をベースにすることができる：

これら予測モデルのうちから、シチュエーション、利用できるデータ、並びに、利用できる計算キャパシティに応じて、適宜な予測モデルを、状態、特に、経路を予測するために、選択できる。

該実際の状態は、特に、車両の動きに関するデータ、特に、位置、速度、及び／或いは、加速などに基づいて割り出されることができる。また、該実際の状態は、特に、他の車両のデータ、及び／或いは、該車両の周辺部の、特に、周辺センサーの、及び／或いは、Ｃａｒ２Ｘ・コミュニケーションのデータに基づいて割り出されることもできる。この様なデータは、実際の状態の、特に、実際に車両が走行した経路の計算に有利であることが、示された。

該方法は、更に、好ましくは、相違に基づいて情報を割り出すステップも有している。こうすることにより、地図を更新することができる情報を、該相違に応じて割り出すことができる。これにより、地図は、将来的にできる限り該相違を回避できるように更新されることができる。

情報を保存するステップは、ある発展形態によれば、該相違が、ある閾値を超えた場合にのみ実施される。こうすることにより、該情報は、相違の大きさが、更新が実際に必要であることを示した場合にのみ、地図に保存されるため、計算キャパシティと地図へのデータ転送キャパシティの過剰な負担を、回避することができる。

該情報は、特に、それによって、予測された状態が、実際の状態に合うように適合された値を包含している、或いは、そのような値である。この様な情報は、特に、相違から逆算することができる。これにより、地図が、対応する情報乃至データの次回の使用時に、差異が生じなくなるように更新される。

該情報は、特に、分岐路の選択肢となる道、特に好ましくは、その前の分配も包含している。これにより、例えば、ある十字路において、異なる走行方向に帰属されている複数の車線が存在することを割り出すことができる。その例としては、典型的な右左折用のレーンを挙げることができる。この方法によれば、例えば、車両が、左折乃至右折する前に、原則的に、左折用乃至右折用レーンにあることを認識することができる。更に、車両が、直進した場合は、原則的に、直進する交通用のレーンにあることも認識することができる。こうすることにより、後のケースにおいて、例えば、右左折するために特定のレーンに車線変更したことが、例えドライバーがウインカーの操作を忘れた場合であっても、より改善された経路の、並びに、車両挙動の予測が、可能になる。

ある発展形態によれば、該方法は、更に、以下のステップを包含している：
− 他の車両の予測された状態、特に経路を計算するステップ、但し、該相違も、他の車両の予測された状態、及び／或いは、実際の状態に基づいて割り出される。
ことにより、他の車両との相互作用を、計算に、特に地図の更新において考慮することができるようになる。例えば、ある車両が他の車両との衝突コースを走行したにもかかわらず、後に衝突しなかったと言う事実が判明した場合、橋または高架の存在を示唆するものである。これにより、将来、この地点においては衝突警告を作成しないように地図を更新することができる。

地図内には、特に好ましくは、保存されている情報がある地域であることを示すヒントを保存することができる。これにより、既に情報処理の早期において、地図内に、読み出し、考慮すべき重要な情報が存在するか否かを決定することができる。例えば、対応するフラッグをセットすることができる。
地図内には、該情報と共に、保存されたタイミング、確認された回数、整合性レベル、及び／或いは、情報源乃至確認の出所などに関するヒントも保存することができる。こうすることにより、該情報に如何に信頼性があるかのフィードバックを有利に判断できる。

整合性レベルは、該情報に基づいて作成された地図と他の地図との比較に基づいて割り出されることができる。ここで言う他の地図は、特に、もとより車内にあった、例えば、出荷時にインストールされた地図やＣＤ、或いは、インターネット・サーバからダウンロードされた地図であることができる。これにより、特に、該情報に基づいて作成された地図、即ち、学習した地図が、他の地図とどれほど一致しているかを割り出すことができる。一致度が高い場合、特に、整合性レベルが高く、逆も成り立つ。

これにより、特に、存在している地図と学習した情報との比較を基にした整合性レベルを割り出すための方法も実施することができる。このように割り出された整合性レベルは、ここに記載されている他の方法アスペクトにおいても好ましく応用することができる。例えば、危険が無い状態を予想する計算の基になったデータが、高い整合性レベルを有している場合には、危険状態に対する警告を、中止することができる。このような整合性レベルを割り出すための方法は、独立した本発明のアスペクトであると解釈できる。これは、本件において開示されている他の方法アスペクトと任意に組み合わせることができる。

該地図は、特に情報を付加することのできる道路トポロジーを包含していることが好ましい。これにより、該地図内に、例えば、ナビゲーション目的に用いることのできる道路の通常の推移を示すことができる。但し、代案的には、地図を、本発明に係る方法の範囲において予測のために用いられる情報だけを含んだ抽象的なデータを基に、作成乃至定義することもできることは、特記しておく。この場合、特に、地形を知りうる情報の作成は、実施する必要がない。このような地図は、一般的には、本発明にかかる方法においてのみ、特に、例えば、車両の動きに関するデータと関連してのみ使用することができる。

本発明に係る方法の範囲では、位置、速度、或いは、加速など自車両の動きに関するデータのみならず、周辺部センサー類、Ｃａｒ２Ｘ・コミュニケーションによって得られた他車両の動きに関するデータや周辺センサー類やＣａｒ２Ｘ・コミュニケーションによって得られた周辺部に関するデータのいずれもを用いることができる。常に使用することができることから、理想的には、自車両の動きに関するデータをベースとして用いる。特に、Ｃａｒ２Ｘ・アプリケーションを用いる場合は、典型的には、入力データも存在しているため、これらも原則的に用いられる。一方、周辺部センサー類や、例えば、ｅ−Ｈｏｒｉｚｏｎなどの地図マテリアルからのデータは、装備に依存するため、オプションとして使用することができる。

地図のデータベースの大きさを小さく保つため、好ましくは、走行した経路全域の地図を学習しないことが好ましい。その代わり、各時点において、車両の動きの予測を実施し、一時的に保存することが好ましい。そして、各時点において、現在地が、帰属する予測と比較される。その差異が閾値を超えた場合にのみ対応する位置が、地図内に保存される。理想的には、適合された値だけが、即ち、その値のパラメータを用いれば予想が正しくなるであろう値だけが、各予想用に保存される。これにより、地図を用いない場合と比較して有意に正確な予想が可能になる一方、他方では、完全な地図を用いる場合と比較して有意に少ない情報で実施できる。

このコンセプトは、車両（自車両乃至周辺の車両）の動きの予測が、元のモデル仮定と一致しなかった場所のみだけでなく、アプリケーションロジックに対して差異が生じた場所でも保存するように拡張することもできる。このようなケースとしては、例えば、アプリケーションが、誤って、そこが交差点であると仮定するような立体交差を挙げることができる。二本の交差する経路に対して、予測モデルに基づく動きの予測はいずれも正しいが、高さの区別は、場合によっては、表現する事が困難である。しかし地図が、この地点において車両が、衝突することなく交差できることを学べば、基のアプリケーションロジックに再び合致するため、これを保存することができる。

予測モデルとして、様々なそれ自体既知なアルゴリズムを用いることができ、以下のような例を挙げることができる：
− １次キネマティックモデル：ｘ（Ｔ）＝ｘ（０）＋ｖ＊Ｔ（ＣｏｎｓｔａｎｔＶｅｌｏｃｉｔｙ，ＣＶ）
− ２次キネマティックモデル：ｘ（Ｔ）＝ｘ（０）＋ｖ＊Ｔ＋０．５＊ａ＊Ｔ²（ＣｏｎｓｔａｎｔＡｃｃｅｌｅｒａｔｉｏｎ，ＣＡ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＶｅｌｏｃｉｔｙ（一定なカーブ率と速度、ＣＴＲＶ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定なカーブ率と加速、ＣＴＲＡ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＶｅｌｏｃｉｔｙ（一定な操舵角と速度、ＣＳＡＶ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定な操舵角と加速、ＣＳＡＡ）
− 推定されたカーブ推移による予測モデル（例えば、ヨーイング率から）：Δψ（Ｔ）＝（ψＴ）・
− マヌーバに依存した予測
− ニューラル・ネットワーク
− サポートベクターマシン
− ｎ次多項式

キネマティックモデルは、この際、例えば、１次元または２次元としてデザインすることができる（混合型、即ち、例えば、ｙ方法は、２次、ｘ方向は、１次、或いは、その逆も可能）。付加的に、突然な後進が予測されないように、停止予測も使用することができる。

他の全てのモデルも、多次元にデザインすることができる。

アプリケーション用の更なる情報としては、予測選択肢を簡略化するため、ある分岐点において車両が、どのパスを選択する事ができるか、並びに、そのパスが、手前で分岐しているか否かも保存することができる。例えば、交差点には、一般的に、直進する交通用、左折用、乃至、右折用に異なるレーンが存在している。どのレーンが、どの走行方向に用いられるかを学んだ場合、ウインカーの使用がなくても、その交差点においてどの予測を用いればよいかが、認識できる。これは、特に、従来必要なウインカー情報を欠いた（右側通行用の）左折アシスタント［（左側通行用の）右折アシスタント］にとって重要である。

デジタル地図（例えば、ｅＨｏｒｉｚｏｎやナビゲーションなど）が、予測の基として用いられている場合は、該地図の知られていない領域と、予測が合っている領域とを区別するために、且つ、該領域用に情報がある場合は、原則的に保存することは、有利である。これも、フラッグを立てるだけにすることにより、メモリーを節約しながら実施できる。デジタル地図が保存を実施しない場合、ポジティブリストにより、ｅＨｏｒｉｚｏｎ機能、特に、例えば、ロータリーなど道路特徴の予測に関する機能をサポートするためにも用いることのできる自己地図が、時間が経つにつれ作成される。

尚、地図内の各々の情報に対して、既に何度、該情報が確認されたか、並びに、どの源がその確認を実施したのかも、保存されることが理想的である。その際、自車両が源である確認は、例えば、Ｃａｒ２Ｘ・コミュニケーションから受信された情報と比べて信頼性がある。

車両内に地図データが存在する場合、上記方法を、冗長性を構築し、それにより、地図情報の信頼性レベル（整合性レベル）を総合的に高めるために使用することができる。そのために、既存のデータからの情報が、自己学習地図からのデータと比較される。双方が一致する場合、対応する整合性レベルを出力する事ができる。地図データのみがあり、自己学習地図が無い場合、好ましくは、それに見合った低い整合性レベルが出力される。自己学習のみがあり、他の地図データがない場合も同様に、好ましくは、それに見合った、但し、自己学習無しの地図のみの場合の整合性レベルよりは高い、整合性レベルが、出力される。地図データ内に、自己学習地図と相違するデータが保存されている場合、例えば、該地図が、走行レーンの数も付加的に有している場合は、好ましくは、これらの情報が統合される。その際、一方の地図にのみあるデート毎に、対応する整合性レベルも記載される。

地図が学習するための上記方法は、特別なシチュエーションを処理するためにのみ、使用することもできる。道路の「通常の」トポロジー、即ち、道路の経路は、従来の方法によって学習し、ノード・ポイントのシーケンスやつながりとして記述されることができる（或いは、ポリゴンやスプラインなど）。これらの表現が、該シチュエーションの誤った予測につながるシチュエーションにおいてのみ、例えば、上記の方法により表現され、付加的に、シチュエーションを正しく予測するために必要な情報が保存される。

本発明は、更に、本発明に係る方法を実施できるようにコンフィグレーションされた電子制御装置にも関する。更に、本発明は、プロセッサーがこれを実行する時、本発明の方法が実施されるプログラムコードを包含するコンピューターによって読み取り自在な記憶媒体にも関する。その際、該方法に関しては、全ての記述されている実施形態とそのバリエーションを採用することが可能である。

更なる特徴、並びに、長所は、当業者であれば、添付図を参照して以下に説明する実施例から読み取ることができる。

一台の車両とカーブしている道路からなるシチュエーションである。二本の道と荷台の車からなるシチュエーションである。本発明に係る方法を実施するための装置である。学習フェーズの原則的な手順である。

図１は、車両１０が、道路１を走行しているシチュエーションを示している。該車両１０は、直進しており、道路１のカーブに接近してきている。現在の動きに関するデータをベースにすれば、更なる直進が予測される。車両１０が、カーブに達するや否や、予測と走行する経路は、合致しなくなる。この地点が、予測が再び合致するようにするために必要な予測モデル用のパラメータとともに地図内に保存される。

図２は、第一道路１上の第一車両１０が、交差ゾーン３に接近すると同時に、第二道路２上の第二車両２も交差ゾーン３に接近してきているシチュエーションを示している。

第一車両１０は、交差ゾーン３に接近している間、Ｃａｒ２Ｘ・コミュニケーションを介して、これも交差ゾーン３に、具体的には、第一車両に対して９０°の角度で、接近している第二車両２０の情報を受信する。第一車両１０用の予測とＣａｒ２Ｘ・メッセージによって識別された第二車両２０用の予測は、双方とも、直進を想定している。アプリケーションは、典型的には、車両１０，２０の間隔と速度を考慮した上で、衝突すると判断するはずである。しかし、他のＣａｒ２Ｘ・コミュニケーション能力を有するオブジェクトのデータから、車両１０，２０が、この交差ゾーンでは、出くわさないことが判断できたが、これは、このアプリケーションの通常のロジックからは逸脱しているため、該情報は、自己学習地図に保存された。言い換えれば、この交差ゾーン３は、交差点ではなく、立体交差であり、そのため、衝突は起こり得ないことが、判断された。地図内のこの情報に基づき、アプリケーションは、このシチュエーションを正しく解釈し、ドライバーへの不要な警告を回避する。

図３は、本発明に係る方法を実施するための装置を示している。これは、計算モジュール１００とデータベース１０５を有している。該計算モジュール１００は、本発明に係る方法を、本出願の他の箇所に記述したように実施できるように構成されている。該データベース１０５は、その際、本発明に係る方法によって得られた情報を保存する。尚、計算モジュール１００は、センサー・フュージョン・ユニットであることが好ましい。該センサー・フュージョン・ユニットは、異なる測定値を、複数の互いに独立したセンサー類によって捕捉し、これらを、妥当性検証し、これらセンサーデータの質を改善する事ができるように設計されている。

該計算モジュール１００には、この際、様々なデータが供給される。

その一つは、Ｃａｒ２Ｘ・コミュニケーションからのデータ１１０である。その例としては、他の車両の走行経路、外部ライト類（ｅｘｔｅｒｉｏｒＬｉｇｈｔｓ）、ポジション・データ（ｘ，ｙ，ｚ）、タイムデータ（ｔ）、速度データ（ｖ）、コース、カーブ半径（１／ｒ）、ヨーイング率、或いは、一次乃至二次加速を挙げることができる。

それは、更に、カメラやレーダーなどローカルセンサー類のデータ１２０であることもできる。

また、それは、特定の道路状況、例えば、交差点、ロータリー、或いは、その他の交通に関連するシチュエーションを予告するシステムのデータ１３０であることもできる。その例としては、ｅＨｏｒｉｚｏｎを挙げることができる。
その他、例えば、ポジション（ｘ，ｙ，ｚ）、タイム（ｔ）、速度（ｖ）、コース、カーブ半径（１／ｒ）、一次、二次乃至三次オリエンテーション、一次、二次乃至三次レート、及び／或いは、一次、二次乃至三次加速など自車両のデータ１４０であることもできる。

これらのデータ１１０，１２０，１３０，１４０により、状態の予測、並びに、これらの予測と実際の状態との比較の双方を実施することができる。このような状態とは、例えば、車両の経路であることもできるが、他の車両との衝突などであっても良い。このような比較から、データベース１０５に保存され、後の予測において用いることのできる電子地図用の情報が得られる。

図４は、上記方法用の可及的なアーキテクチャ乃至システム・アーキテクチャを学習フェーズと応用フェーズ乃至使用フェーズに分けて示しているが、双方のフェーズは、同時進行する事もできる。

学習フェーズ（“ｌｅａｒｎ”）においては、特に、入力データ、例えば、以前に説明したデータ１１０，１２０，１３０，１４０を、地図を構築するために用いることができる。この際、情報は、本発明に係る方法の実施形態、或いは、インプリメンテーションに従って作成され、保存される。学習フェーズは、この実施例では、複数のレベルに区分されている。レベルを区分する特徴の一つは、レベルの時間基準である。第一レベルは、数秒を含む学習フェーズが実施される。この学習フェーズでは、自分のポジションを基にした自分のポジションの簡単な予測が実施される。数時間から数日を含む第二レベルでは、自分のポジションと、例えば周辺など一つの乃至個々のオブジェクトを含む状態予測がリンクされる。データが、数週間、数ヶ月、数年間集められ使用される第三レベルでは、オブジェクトと古い状態予測の広範な関連付けが実施される。続いてこれらを、ある特定のシチュエーションにおける状態予測をより正確に割り出すために用いることもできる。予測すべき状態の選択は、この際、特殊性を有し、標準とは異なる、或いは、大きな差異を有する特別な状態やパスを特別に考慮することもできる。同様に、使用中に予測を改善するために、古い状態予測の整合性レベルや信頼性評価値も特別に考慮することができる。

使用フェーズ（“ｕｓｅ”）においては、パス予測やその他の状態の予測を、学習した地図の助けを借りて作成するために、特に、入力データを使用することができる。このような予測は、更に、本発明に係る方法の範囲において用いられることができる。

双方のフェーズは、同時に、且つ、同一の入力データに基づいて実施できるが、これらは、独立して乃至異なって、特に、時間的に異なっていても良い。

一般的には、「Ｃａｒ２Ｘ・コミュニケーション」とは、特に、複数車両間、及び／或いは、車両とインフラストラクチャーとの間のコミュニケーションであると解釈できる。即ち、例えば、Ｃａｒ２Ｃａｒコミュニケーション、或いは、Ｃａｒ２インフラストラクチャー・コミュニケーションのことである。本件出願において複数車両間のコミュニケーションを対象とする場合、原則的に、例えば、典型的には、携帯電話網や類似する外部インフラストラクチャーの仲介無く実施でき、よって、例えば、携帯電話網を基にした他のソリューションとは区別すべきＣａｒ２Ｃａｒコミュニケーションの範囲で実施されることができる。例えば、Ｃａｒ２Ｘ・コミュニケーションは、「ＩＥＥＥ８０２．１１ｐ」或いは「ＩＥＥＥ１６０９．４」と言ったスタンダードを用いて実施できる。Ｃａｒ２Ｘ・コミュニケーションは、ドイツ語では、Ｆａｈｒｚｅｕｇ−ｚｕ−Ｘ−Ｋｏｍｍｕｎｉｋａｔｉｏｎ（ファーツォイク・ツー・イックス・コムニカチィオーン）とも呼ばれる。またその部分領域は、Ｃ２Ｃ（Ｃａｒ−ｔｏ−Ｃａｒ）、或いは、Ｃ２Ｉ（Ｃａｒ−ｔｏ−Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）とも呼ばれる。本発明では、例えば、携帯電話網を介して伝達されるＣａｒ２Ｘ・コミュニケーションも明確には除外しない。

本発明に係る方法の説明したステップは、説明した順番に実施することができる。しかしこれらは、他の順番で実施されても良い。本発明に係る方法は、ある実施形態では、例えば、ステップをまとめて、更なるステップが実施されないように実施されることもできる。一方、原則的に、ここでは説明しなかった更なるステップを実施することも可能である。

本件出願に帰属する請求項は、派生的保護の達成を放棄するものではない。

手続において、特徴や複数の特徴からなる群が、不可欠ではないと言うことが明らかになった場合を考慮し、出願者は、既に現在、少なくとも独立請求項に関しては、そのような特徴や複数の特徴からなる群のない表現となる様に努力した。これは、例えば、出願日に提出された請求項の従属的組合せ、或いは、出願日に提出された請求項の、他の特徴によって制限された従属的組合せであり得る。よって、このような、新たに書き換えられるべき請求項、或いは、特徴の組合せは、本件出願の開示によってカバーされていると言う認識である。

更に、様々な実施形態、或いは、実施例に記載されている、及び／或いは、図に示されている本発明の形態、特徴、バリエーションは、任意に、互いに組み合わせることができることも指摘しておく。個々の、或いは、複数の特徴は、任意に、互いに交換できる。これによってできる特徴の組合せは、本件出願の開示によってカバーされていると言う認識である。

従属請求項にある参照は、参照された従属請求項の特徴の独立した具象的な保護を達成することを放棄するものではないという認識である。これらの特徴も、任意に、他の特徴と組み合わせることができる。

明細書にのみ開示されている特徴、或いは、明細書、又は、請求項に、他の特徴との組合せとしてのみ開示されている特徴も、原則的に、独立した、本発明に対して重要な意味を有していることができる。よって、これらも、従来の技術との区別のために個々に請求項に取り入れられることができる。

Claims

以下のステップを包含していることを特徴とする車両（１０，２０）の電子地図を更新するための方法：
− 車両（１０，２０）の予測される状態を計算するステップ、
− 車両（１０，２０）の実際の状態を割り出すステップ、
− 予測された状態と実際の状態の差の確定するステップ、並びに、
− 予測された状態と実際の状態に差があった場合に情報を地図内に保存するステップ。
該状態が、車両（１０，２０）の経路である
ことを特徴とする請求項１に記載の方法。
予測される状態が、地図を基に算出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
予測される状態が、車両（１０，２０）の動きに関するデータ、特に、速度、及び／或いは、加速に基づいて算出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
予測される状態が、他の車両（１０，２０）のデータ、及び／或いは、該車両（１０，２０）の周辺部の、特に、周辺センサーの、及び／或いは、Ｃａｒ２Ｘ・コミュニケーションのデータに基づいて算出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
予測される状態が、以下の予測モデルのうち一つ或いは複数を用いて算出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
− １次キネマティックモデル（ＣｏｎｓｔａｎｔＶｅｌｏｃｉｔｙ，ＣＶ）
− ２次キネマティックモデル（ＣｏｎｓｔａｎｔＡｃｃｅｌｅｒａｔｉｏｎ，ＣＡ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＶｅｌｏｃｉｔｙ（一定なカーブ率と速度、ＣＴＲＶ）
− ＣｏｎｓｔａｎｔＴｕｒｎＲａｔｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定なカーブ率と加速、ＣＴＲＡ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＶｅｌｏｃｉｔｙ（一定な操舵角と速度、ＣＳＡＶ）
− ＣｏｎｓｔａｎｔＳｔｅｅｒｉｎｇＡｎｇｌｅａｎｄＡｃｃｅｌｅｒａｔｉｏｎ（一定な操舵角と加速、ＣＳＡＡ）
− 特に、ヨーイング率から推定されたカーブ推移による予測モデル
− マヌーバに依存した予測
− ニューラル・ネットワーク
− サポートベクターマシン
− ｎ次多項式
− 停止予測。
実際の状態が、車両（１０，２０）の動きに関するデータ、特に、速度、及び／或いは、加速に基づいて割り出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
実際の状態が、他の車両（１０，２０）のデータ、及び／或いは、該車両（１０，２０）の周辺部の、特に、周辺センサーの、及び／或いは、Ｃａｒ２Ｘ・コミュニケーションのデータに基づいて割り出される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
更に、好ましくは、相違に基づいて情報を割り出すステップも有している
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
情報を保存するステップが、該相違が、ある閾値を超えた場合にのみ実施される
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
該情報が、それによって、予測された状態が、実際の状態に合うように適合された値を包含している、或いは、そのような値である
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
該情報が、特に、分岐路の選択肢となる道、特に好ましくは、以前の割り当ても包含している
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
更に、以下のステップも包含している
ことを特徴とする先行請求項のうち何れか一項に記載の方法：
− 他の車両（１０，２０）の予測された状態、特に経路を計算するステップ、
但し、該相違も、他の車両（１０，２０）の予測された状態、及び／或いは、実際の状態に基づいて割り出される。
地図内に、保存されている情報がある地域であることを示すヒントが保存される；
及び／或いは、
地図内に、該情報と共に、保存されたタイミング、確認された回数、整合性レベル、及び／或いは、情報源乃至確認の出所などに関するヒントも保存される；
及び／或いは、
整合性レベルが、該情報に基づいて作成された地図と他の地図との比較に基づいて割り出される；
ことを特徴とする先行請求項のうち何れか一項に記載の方法。
該地図が、特に情報を付加することのできる道路トポロジーを包含している
ことを特徴とする先行請求項のうち何れか一項に記載の方法。