JP2019533609A - ニアクラッシュ判定システムおよび方法 - Google Patents

Abstract

衝突接近検出方法は、車両のリスクマップを決定するステップと、リスクマップに対する車両の挙動に基づいて、物体との衝突接近事象を自動的に検出するステップとを含む。【選択図】図１

Description

関連アプリケーションとの相互参照
［０００１］この出願は２０１６年９月１４日提出の米国仮出願番号６２／３９４，２９８および２０１６年１０月２５日提出の米国仮出願番号６２／４１２，４１９の利益を主張するものであり、これらはいずれもその全体が参照により本明細書に組み込まれている。

［０００２］本発明は、一般に自動車分析分野に関し、より具体的には自動車分析分野におけるニアクラッシュ検出のための新規で有用なシステムおよび方法に関する。

［０００３］自動車の安全性は、自動車が発明されて以来ずっと続いている課題である。歴史的に、自動車の安全性を向上させる試みは、自動車自体を改良することか、下手なドライバーが運転しないようにするかのいずれかに焦点をあててきた。後者は情報不足に悩まされており、今までのところ、下手なドライバーは事故が発生して記録されたときにしか特定できなかった。衝突接近（ニアクラッシュやニアミスなど）、または他の記録されない高リスク状況（他人の事故、当て逃げなど）の原因となっている危険な運転習慣を持つ下手なドライバーは、めったに特定されず、処罰されず、コーチングされない。逆に、優秀なドライバーもめったに特定され、表彰されることもない。

［０００４］したがって、自動車分析分野では、ニアクラッシュを判定するための新規で有用なシステムおよび方法を創出することが必要とされている。本発明は、そのような新規かつ有用なシステムおよび方法を提供するものである。

［０００５］図１は、衝突接近事象を自動的に特定する方法のフローチャート図である。 ［０００６］図２Ａ、２Ｂは、リスクマップの概略図の上面図および斜視図である。 ［０００７］図３は、衝突接近事象を自動的に特定する方法の変形例のフローチャート図である。 ［０００８］図４は、各サブ領域について異なるリスク方程式を含むリスクマップの概略図である。 ［０００９］図５は、監視領域についての１つのモデルを用いたリスクマップの概略図である。 ［００１０］図６は、監視領域の連続関数を含むリスクマップの概略図である。 ［００１１］図７は、（車両と対象物との間の）相対速度が高い場合のリスクマップと、（車両と対象物との間の）相対速度が低い場合のリスクマップとのリスクマップがどのように異なるかの一例である。 ［００１２］図８は、同様の運転状況について、高いドライバースコアに基づくリスクマップと、低いドライバースコアに基づくリスクマップとの間でリスクマップがどのように異なるかの一例である。 ［００１３］図９は、方向指示のない物体に基づくリスクマップと、方向指示のある物体に基づくリスクマップとの間でリスクマップがどのように異なるかの一例である。 ［００１４］図１０は、本方法の一例によるデータ処理および転送の概略図である。 ［００１５］図１１は、衝突接近事象に関連して保存できるデータの一実施例である。 ［００１６］図１２は、ドライバーの注意および注視方向を特定する一実施例である。 ［００１７］図１３Ａ、１３Ｂは、それぞれ、演算システムの一実施例の正面等角図および背面等角図である。 ［００１８］図１４Ａ、１４Ｂは、それぞれ、自車両の予想軌道および他車両の運動学に基づいて、衝突接近事象の原因を判定する第１および第２の実施例である。 ［００１９］図１５は、第１および第２の車両からのリスクマップを使用して地理的位置についての総合リスクマップを特定する工程の概略図である。 ［００２０］図１６は、リスクマップを用いて避難経路を決定する工程の概略図である。 ［００２１］図１７は、衝突接近事象に関する記録された通行経路を除外する工程を含む、複数の記録された通行経路を用いて推奨通行経路を決定する工程の概略図である。

［００２２］本発明の好ましい実施形態の以下の説明は、本発明をこれらの好ましい実施形態に限定することを意図するものではなく、むしろ当業者が本発明を製造および使用することを可能にすることを意図する。

［００２３］図１に示すように、衝突接近判定方法は、車両のリスクマップを決定するステップＳ１００と、リスクマップに対する車両の挙動に基づいて対象物との衝突接近事象を自動的に検出するステップＳ２００とを含む。

［００２４］この方法は、好ましくは、物理的体積を通る物理的な車両に対して実行されるが、（例えば、車両の）仮想モデルに対して実行されてもよく、その他に実行されてもよい。車両は、自動車、オートバイ、自転車、スケートボード、航空システム（例えば、無人機、飛行機など）、または任意の他の適切な車両であり得る。車両は、人間のドライバーに運転されてもよいし、自動制御されてもよいし、遠隔制御されてもよいし、あるいは他の方法で制御されてもよい。この方法は、好ましくは、複数の車両のそれぞれに対して実行されるが、代替として、単一の車両または他の任意の適切な一組の車両に対して実行することもできる。

［００２５］この方法の変形例は、従来のシステムに対して１またはそれ以上の利点を付与することができる。第１に、本方法のいくつかの変形例は、計算資源および／または消費電力を低減または節約することができる。一実施例では、この方法は、衝突接近事象について車両周辺の限られた領域（例えば、予想される軌道または進行方向を包含する領域のみ）を監視する（例えば、そのリスク測定基準を特定する）ことができる。第２の実施例では、同じモデルのリスク評価モジュール（ＲＡＭ）を複数の方法で使用することができ（例えば、リスク測定基準値を計算し、衝突接近事象の原因を特定するために使用する）、これにより実行する必要があるモデルが減少し、計算負荷が軽減される。第２に、本方法のいくつかの変形例は、リスク測定基準決定のためにパラメトリックモデルまたは方程式を使用することができ、それは、データセット（例えば、所与のドライバーの運転履歴）が比較的小さく、パラメトリックモデル（または方程式）がノンパラメトリックモデル（またはニューラルネットワーク）よりも未知の条件を説明することができるという理由で有利であり得る。パラメトリックモデルはまた、個々のパラメータの影響がモデル自体から決定され（例えば原因を特定するために）、よりよく制御されデバッグされることができるため（例えば管理者が、ＲＡＭが誤検出または検出漏れした理由を特定し、間違った結果を修正できるため）有利であり得る。しかしながら、本システムおよび方法は、様々な他の適切な一連の利点を付与することができる。

［００２６］この方法は、リアルタイムまたはほぼリアルタイムで実行されることが好ましいが、この方法の全部または一部を非同期的または他の適切な時間に実行することもできる。この方法は、所定の頻度（例えば、ミリ秒毎、サンプリング周波数等）で繰り返し実行されることが好ましいが、動作イベント（例えば、車両の挙動の変化、ユーザの注意散漫レベルの変化、運転セッション情報の受信、新しいセンサ情報の受信、高衝突リスクに関する地理的領域への物理的車両の進入、物体の接近検出など）の発生に応答して実行されてもよく、１回の運転セッションについて一度だけ実行されてもよいし、当該車両について一回だけ実行されてもよいし、または他の適切な頻度で実行されてもよい。

［００２７］この方法は、複数の車両の各車両に搭載された演算システムによって実行されることが好ましいが、代替的に、サーバシステムなどのリモート演算システム、スマートフォンなどのユーザデバイス、または他の適切な演算システムのセットによって全部または一部が実行されてもよい。この方法は、演算システムによってサンプリングされたデータを使用して実行されることが好ましいが、付加的または代替的に、車両データ（例えば、車両センサによってサンプリングされた信号）、他の車両のデータ（例えばソース車両またはリモート演算システムから受信）、総人口データ、履歴データ（例えば、車両、ドライバー、地理的位置など）、または他の任意の適切な情報源からの任意の他の適切なデータを用いて実行してもよい。

［００２８］演算システムは、処理システム（例えば、一組のＧＰＵ、ＣＰＵ、マイクロプロセッサ、ＴＰＵなど）、記憶システム（例えば、ＲＡＭ、フラッシュ）、通信システム、センサセット、電力システム（例えば、バッテリ、車両の電力コネクタ、太陽光発電システムなど）、ハウジング、または他の任意の適切な構成要素を含むことができる。通信システムは、遠隔測定システム（例えば、車両間、車両とインフラストラクチャ間、車両とリモート演算システム間、または他の通信用）、無線システム（例えば、セルラー、ＷｉＦｉ、または他の８０２．１１ｘプロトコル、Ｂｌｕｅｔｏｏｔｈ、ＲＦ、ＮＦＣなど）、有線システム（例えば、イーサネット（商標）、車両バス接続など）、または任意の他の適切な通信システムを含むことができる。センサは、カメラ（例えば、広角、狭角、または任意の他の適切な視野を有する；可視範囲、不可視範囲、ＩＲ、マルチスペクトル、ハイパースペクトル、または任意の適切な波長に沿って感知可能な；単眼、立体、または任意の適切な数のセンサまたはカメラを有する）、運動学的センサ（例えば加速度計、ＩＭＵ、ジャイロスコープなど）、光学システム（例えば周辺光センサなど）、音響システム（例えばマイク、スピーカなど）、距離測定システム（例えば、レーダー、ソナー、ＴＯＦシステム、ＬＩＤＡＲシステムなど）、位置測定システム（例えば、ＧＰＳ、セルラー三辺測量システム、近距離位置特定システム、推測航法システムなど）、温度センサ、圧力センサ、近接センサ（例えば、距離測定システム、短距離無線など）、または任意の他の適切なセンサのセットを含み得る。

［００２９］一変形形態では、演算システムは、一組の内部センサと、一組の外部センサと、処理システムとを含む。内部センサ（例えば、内向きカメラ、マイクなど）は、車両の内部、より好ましくはドライバー本人に向けられこれを監視するが、代替的または追加的に任意の適切な内部物体に向けられ、監視してもよい。外部センサ（例えば、外向きカメラ）は、好ましくは車両の外側に向けられ、より好ましくは車両の前方領域（例えば、車両の軌道に沿った車両の前方領域、ドライバーの近くの車両を囲む領域、ドライブトレインの長手方向ベクトルなど）に向けられるが、代替的に、車両の側方、上方、底部、後方、または車両外部の任意の他の適切な領域に向けることができる。センサは、好ましくは車両におよび／または互いに静的に取り付けられるが、ジンバル、減衰システム、または他の運動機構によって移動可能に取り付けることができる。

［００３０］特定の例（例えば、図１３Ａ、１３Ｂ）では、演算システムは、共通ハウジングによって外向きカメラに対して既知の向きで静的に取り付けられた内向きカメラと、内向きカメラおよび外向きカメラと電気的に接続されたプロセッサとを具え、プロセッサは共通ハウジング内に配置されてもよいし、共通ハウジングの外側に配置されてもよい。プロセッサは、外向きカメラの視野（または記録画像）内の１またはそれ以上の点（例えばピクセル）の相対位置を、内向きカメラの視野（または記録された画像）内の１またはそれ以上の点（例えばピクセル）の位置と関連付ける仮想マッピングを任意に記憶することができる。内向きカメラおよび外向きカメラは、好ましくは同時に作動される（例えば、それぞれ同時にまたは同期して内部および外部の画像または映像をサンプリングする）が、代替的に異なるレートまたは時間で画像または映像をサンプリングしたり、他のカメラの信号値に基づいてサンプリングしたり（例えば、内向きカメラのサンプリングは、外向きカメラの物体検出などの条件が満たされたときにトリガされる）、または任意の適切な時間に作動したりしてもよい。共通ハウジングは、好ましくは、車両に演算システムを後付けすることを可能にするが、システムは代替的に車両に一体化されてもよい。共通ハウジングは、演算システムを好ましくは取り外し可能なように車両に、より好ましくは車両内部に（例えば、ダッシュボードに沿ってダッシュボードの中央領域の近くに；バックミラーに近いフロントガラスに沿ってなど）取り付けるが、代替的に車両外部（例えば、フードに沿って、サイドミラーに沿ってなど）に取り付けてもよい。しかしながら、演算システムは、他の方法で構成することができ、および／または任意の適切な構成の中に任意の適切な構成要素のセットを具えてもよい。

［００３１］車両のリスクマップを決定するステップＳ１００は、車両近くの物理的領域（例えば、監視領域）内の複数のサブ領域（例えば、位置、場所）の各々に対する衝突リスクを決定するように機能する。リスクマップ（例えば、Ｓａｆｅｔｙ Ａｓｓｅｓｓｍｅｎｔ Ｍａｐ（商標）またはＳＡＭ）は、リアルタイム、ほぼリアルタイム、所定の頻度で、あるいは任意の他の適切な時間で、動的に生成または更新されることが好ましいが、運転パラメータ値（例えば、ドライバー識別子、車両識別子、地理的位置、リフレッシュ頻度など）に基づいて、または他の方法により予め（例えば固定的に）決定されてもよい。リスクマップは、好ましくは、車両搭載の演算システム（例えば、車両ＥＣＵ、車両プロセッサ、車両の補助プロセッサなど）によって決定されるが、代替として、リモート演算システム、ローカルユーザデバイス、または他の適切なシステムによって決定することもできる。ここで、サンプリングされたセンサ信号は分析のために遠隔システムに送信されることができる。

［００３２］リスクマップは、監視領域と、当該監視領域内の各位置またはサブ領域（図２Ａおよび図２Ｂに示す例）のリスク測定基準とを含むことが好ましいが、追加的または代替的に、任意の他の適切な情報を含み得る。リスクマップは、好ましくは車両と共に移動する（例えば、移動式である）が、代替として、地理位置のセット（例えば、現在の車両位置；車両経路に沿った位置；まばらなデータまたは大きく変化するリスクを有する位置などのプラットフォーム特定位置）に対して決定されてもよく、または適切な場所のセットに関連付けることができる。車両の地理的位置または領域は、２０１７年８月９日提出の米国特許出願第１５／６７３，０９８号に開示されている方法を使用して、車両位置特定システム（例えば、ＧＰＳシステム、ＲＴＫ?ＧＰＳシステム、三辺測量システムなど）から、または任意の他の適切な方法を使用して決定することができる（本明細書でその全体がこの参考により援用される）。

［００３３］リスクマップは、対象物（例えば、外部の障害物や物体、近くの物体など）、オペレータ（例えば、運転手、遠隔操作者）、車両自体、地理的位置、動作状況、または任意の他のパラメータに基づいて動的に生成することができ、リスクマップを決定するステップは、係数値を決定するステップを含み得る。これらの係数は、追加的または代替的に、監視領域パラメータ（例えば、サイズ、幾何形状、使用されるモデルタイプなど）、衝突接近事象の原因（例えば、一組の候補からの原因を選択）を決定するために使用され、または他の方法で使用され得る。

［００３４］これらの係数は、演算システムのセンサ、物体センサ、車両センサ、または他のセンサによってサンプリングされたセンサ信号に基づいて決定されることが好ましい（本方法が、センサデータをサンプリングするステップＳ１１０と、センサ信号から係数値を決定するステップＳ１２０を含む）。追加的にまたは代替的に、状況情報（例えば、天気）や任意の他の適切な基礎データに基づいて決定してもよく、その場合に本方法は、基礎となるデータを決定するステップを含み得る。基礎となるデータ（または要約、平均、標準偏差などの派生情報）は、恒久的に、一時的に、所定の期間、または任意の他の適切な期間、オンボードシステム（例えば、車両、補助システム）、遠隔システム、または任意の他の適切なシステムによって格納（例えばキャッシュ）することができる。図８に示す変形例では、基礎となるデータは、所定の期間（例えば、１秒、５秒など）、好ましくはオンボードシステムによって、あるいはリモートシステムによってキャッシュすることができ、この期間に衝突接近事象が検出されなかった場合は消去され、当該期間内に衝突接近事象が検出された場合には（例えば、衝突接近事象に関連づけて）保持される（例えば、記録システムまたは処理システムによって記憶され、遠隔システムに送信される）。しかしながら、基礎となるデータは他の方法で保持してもよい。

［００３５］リスクマップを生成するために使用することができる物体についての物体パラメータは、物体の存在、姿勢、運動学、予想される挙動（例えば、軌跡、運動学など）、現在の挙動（例えば、分類、パターンなど）、分類またはタイプ、物体のリスクマップ（例えば、Ｖ２ＶまたはＶ２Ｘ通信を使用して送信される）、物体の識別子、関連するＲＡＭ、関連するオペレータ識別子、衝突までの推定時間（例えば、オブジェクトの運動学および／または予想軌道、自車両の運動学および／または予想軌道などに基づいて決定される）、または他のパラメータを含み得る。物体パラメータ（および／または関連情報）は、車両搭載処理システム（例えば、演算システム）によって決定されることが好ましいが、代替的または追加的に遠隔システムによって決定されてもよい。しかしながら、物体パラメータは、遠隔データベースによって、ドライバーユーザ装置によって、あるいは車両によって事前に決定され保存されており、アクセス許可に応じてオンデマンドで取得され、あるいは他の方法でアクセスまたは決定される。リモート演算システムから取得された、あるいは他の方法で決定された同じか異なる信号（例えば、同じ信号タイプの異なるインスタンス、異なるセンサによってサンプリングされた信号など）を使用して、異なるパラメータを決定してもよい。

［００３６］物体は、好ましくは車両外部の物理的障害物であるが、他の方法で定義することもできる。物体は静的あるいは移動可能である。物体の例には、他の車両（例えば、自動車両またはマニュアル駆動）、自転車、歩行者、標識、縁石、くぼみ、または車両が物理的に相互作用し得る他の任意の適切な障害物が含まれる。物体は、物体の識別子（例えばナンバープレート、ＲＦＩＤなどの無線識別子、ビーコン識別子など）から、または他の方法で識別される、（物体から受け取った）物体の既知の位置を、（車両の位置に基づいて決定された）物体の推定位置と照合することによって、光学的に（例えば、画像、映像、ＬＩＤＡＲなどから）、音響的に（例えば、記録された音、超音波などから）識別することができる。

［００３７］物体パラメータは、車両搭載センサ信号（例えば、近接センサ、距離測定センサ、カメラなど）、演算システムセンサ信号、物体のセンサ信号（例えば、信号や導関数情報が処理システムに送信されて処理される）、補助センサ（例えば、防犯カメラ、道路内の重量センサなどのような、物体パラメータを監視するように構成された環境内センサ）、物体ナビゲーション情報（例えば物体に関連付けられたユーザデバイスから受信された運転命令）、物体に関連付けられたモデル（タイプ、クラスなど）、物体の挙動履歴、または他の適切な情報に基づいて決定することができる。物体パラメータは、パターンマッチング、コンピュータビジョン技術、パラメトリック法、ノンパラメトリック法、ヒューリスティック、ルール、決定木、ナイーブベイズ、マルコフ、ニューラルネットワーク、遺伝的プログラム、サポートベクトル、または任意の他の適切な方法を使用して決定され得る。

［００３８］物体パラメータを決定するステップの第１の変形例は、外向きカメラによって記録された１またはそれ以上の画像（例えば、静止画像、映像など）内の物体を検出するステップを含み得る。物体は、センサフュージョン（例えば、近接センサが物体の存在と位置を示し、物体の位置に対応する画像のセグメントが物体パラメータを確認または特定するために使用されるなど）、物体認識（例えば、画像内で検出された物体は、１組の所定のまたは学習された物体のうちの１つである、分類、回帰、パターンマッチングなど）、物体識別、画像検出（例えば、画像データが物体の状態について走査される）、シーンマッチング（例えば、画像を、同じ地理的位置で同じシーンにおける基準画像と比較することによって物体が検出される）、または他の適切な方法を用いて検出することができる。利用可能な物体認識アプローチの例には、幾何学的アプローチ、測光アプローチ、ニューラルネットワーク（例えばＣＮＮ）、物体モデルに基づく方法（例えば、エッジ検出、初期スケッチ、ロウ（Ｌｏｗｅ）、パーツによる認識など）、外観ベースの方法（例えば、エッジマッチング、分割統治法、グレースケールマッチング、勾配マッチング、受容野応答ヒストグラム、ＨＯＧ、ラージモデルベース）、特徴ベースの方法（例えば、解釈ツリー、仮説と検証、姿勢の一貫性、姿勢のクラスタ化、不変性、幾何学的ハッシング、ＳＩＦＴ、ＳＵＲＦ、バッグオブワード表現、ビオラ・ジョーンズ物体検出、ハールカスケード検出）、遺伝的アルゴリズム、または他の適切なアプローチを含む。第１の例では、物体を検出するステップは、フレームからＨＯＧ画像を生成するステップと（例えば、グローバル分析モジュール、オブジェクト固有分析モジュールを使用して）、抽出されたＨＯＧパターンを１組の物体に関する所定のＨＯＧパターンと照合するステップと、物体を投影および／またはポージングするステップと（例えば、オブジェクトランドマーク推定、アフィン変換、および／または他の特徴識別方法もしくは変換を使用して）、元となる、あるいは一組の測定値を用いて画像をエンコードするステップと（例えば、物体の画像に対してトレーニングされたＣＮＮを使用して）、元となる値に基づいて物体を識別するステップと（例えば、ＳＶＭ分類器などの分類器を使用して）を含み得る。第２の例では、物体のタイプを決定するステップは、センサ測定値から物体の形状を抽出するステップと、物体のタイプを特定するために物体の形状を分類するステップとを含む。しかしながら、他の方法で物体を検出および／または識別してもよい。物体には、特定の方程式に関連付けられた、特定のパラメトリックな重みに関連付けられた、その他にリスクスコアの計算に影響を与える番号を付けることができる。

［００３９］物体パラメータを決定する第２の変形例は、外向きカメラによって記録された画像から姿勢推定技術を使用して物体の姿勢（例えば、カメラ、車両、またはセンサに対する相対位置、距離、角度、向きなど）を特定するステップを含み得る。姿勢は、解析的または幾何学的方法（例えば、検出された物体のクラスまたはタイプ、車両バッジなどの物体のマーキング、または他の特徴に基づいて取得された既知の物体の幾何学的形状のセットを使用して）を用いて決定されることが好ましいが、代替的に、遺伝子アルゴリズム法、学習ベースの方法、または他の適切な方法を用いて決定されてもよい。マッチングされた物体の形状またはライブラリは、すべての利用可能なオブジェクト形状、運転状況に関連する物体の形状（例えば、高速道路で人間の形または画像モジュールは記録されない）、またはその他の限定であり得る。例えば、車両の投影を含む可能性が高い画像領域から生成されたＨＯＧ画像を、一台の車両（例えば、一般的な車両、特定の車両の製造元やモデルなど）の一組の姿勢についての所定のＨＯＧパターンと照合することができ、ここでマッチングされた所定のパターンに関連する姿勢を、検出された車両に割り当てることができる。第２の例では、外向きカメラはステレオカメラ対であり、車両から物体への距離は、ステレオカメラ対によって記録された画像間の視差に基づいて決定することができる。しかしながら、物体の姿勢またはその要素は、他の方法で決定してもよい。

［００４０］物体パラメータを決定するステップの第３の変形例は、物体の運動学を特定するステップを含み得る。これは、直接法（例えば、ブロックマッチング技術、位相相関および周波数領域法、ルーカス−カナード、ホーン−シュンク、バクストン−バクストン、ブラック−ジェプソン、変分法、離散最適化法、ピクセル再帰アルゴリズム、オプティカルフロー法などの微分法など）、間接法（例、コーナー検出、ＲＡＮＳＡＣなど）、その他の適切な方法といった、レーダーまたは他の測距システムを使用する、外向きカメラで記録された画像（例えば、外部映像、第１の映像など）へのモーション推定方法の適用を含むことができ、または他の方法で決定することができる。一例では、物体の運動学を決定するステップは、第１のセンサ信号フレーム（例えば、画像、映像フレーム）内で物体を識別するステップと、後続の複数のフレームにわたって物体を追跡するステップと、各フレーム内の相対的な物体の位置および各フレームのタイムスタンプに基づいて、各フレームに関連付けられた相対的な物体の軌道および／または運動学（例えば、加速度、速度）を特定するステップと（例えば、同時に記録された方位センサデータに基づいて、オプティカルフロー技術に基づいてなど）、相対的な物体の運動学と自車両の運動学に基づいて、物体の運動学を特定するステップとを含む。第２の例では、物体の運動学を決定するステップは、一連の画像から運動パターンを抽出するステップと、運動パターンを分類またはパターンマッチングすることによって運動学パラメータ値を決定するステップとを含む。しかしながら、物体の運動学は、（例えば補助システム、ユーザデバイスを用いて測定された、車両から受信された）車両の運動学に基づいて、（例えば、物体から受信された、物体の専属的なセンサ測定値から推定された）物体の運動学に基づいて、あるいは他の方法で決定され得る。しかしながら、物体の軌道または運動学は他の方法で決定してもよい。

［００４１］物体パラメータを決定するステップの第４の変形例は、物体の予想される挙動を決定するステップを含み得る。予想される挙動は、物体（または類似のオブジェクト）の挙動履歴、パターン認識、物体パラメータ値にマッピングされた所定の挙動、センサ信号で検出された誘発因子（precipitating factors）にマッピングされた所定の挙動、または他の適切なデータを用いて決定することができる。一実施形態では、物体の予想される挙動を決定するステップは、物体のクラスや物体の姿勢などの物体パラメータに基づいて物体の予想される挙動を検索するステップを含む。例えば、先行する車両は、制限速度または（例えば、車両のナンバープレート番号を用いて取得される）その車両の過去の速度で前進すると予想することができる。別の実施例では、（例えば、外部画像に実行される視線追跡方法に基づいて）自車両を見ている交差点にいる歩行者は、通りを横切ると予想することができる。第２の実施形態では、（例えば一連のセンサ測定値から決定される）物体の履歴経路にパターン認識方法を適用することができ、ここでは物体の予想される挙動は認識されたパターンから決定することができる。第３の実施形態では、同じ場所または類似の運転状況（例えば、類似の気象条件、交差点の数、物体の分布など）に対する物体の挙動履歴を用いて、物体の予想される挙動の代用とすることができる。第４の実施形態では、物体の予想される挙動は、センサ信号から抽出された誘発因子にマッピングされた所定の予想される挙動であり得る。誘発因子は、自己運動（例えば、行動）、指標、Ｖ２Ｖ通信、または物体の移動開始に関連する他の任意の適切な要因を含み得る。誘発因子の例には、（先行する車両の減速に関連する、前向きセンサのストリームなどから決定される）先行車両のブレーキライト作動、外部車両の方向指示インジケータ作動またはホイール回転（例えば方向指示器または車輪の回転に関連する側への外部車両の並進移動に関連する）、（例えば、外部車両の軌道の不確実性が高いことに関連する）、交差点内の歩行者の身体部分（例えば、歩行者が通りを渡ることに関連する）、センサ信号パターン（例えば、外部車両のハンドル位置センサ信号、ブレーキ位置、アクセル位置、ギア選択など）、または他の適切な誘発要因などの視覚的インジケータを含み得る。誘発要因および対応する予想される挙動は、手動で関連付けてもよいし、自動的に関連付けてもよいし（例えば、指導付きまたは指導なしトレーニングセットを使用して学習される）、または他の方法で決定することができる。しかしながら、物体の予想される挙動は、外部車両のナビゲーションシステムから（例えば、ドライバーのユーザデバイス上のアプリから、中央ナビゲーションシステムなどから）、車両ＯＥＭが用いる制御アルゴリズムから、外部車両自体から、その場所または領域内の物体が過去にとった最も可能性の高い経路から、またはその他の方法で決定することができる。

［００４２］物体パラメータを決定するステップの第５の変形例は、画像記録の所定の時間窓内に記録された二次センサ情報（例えば、近接センサ情報、距離測定情報、レーダ情報など）から物体パラメータを決定するステップを含み得る。同じオブジェクトについて異なるセンサ源から抽出されたパラメータ値は、走行距離計、タイムスタンプ、または他の適切な関連付けを使用して相関させることができる。しかしながら、物体パラメータは他の方法で抽出または決定することができる。

［００４３］リスクマップを生成するために使用できるオペレータパラメータ（ユーザパラメータ）は、オペレータプロファイル（例えば、履歴、ドライバースコアなど）、注意散漫レベル、表情（例：驚き、怒りなど）、反応または行動（例：回避操作、転回、急ブレーキ、叫び声など）、認知能力（例えば、自覚）、運転技能、故意行動（例えば、車両制御入力位置から決定される）、注意力、注視頻度または所定の方向（例えば、前方向）への持続時間、二次的タスクの実行（例えば、携帯電話で話す、乗客と話す、食べるなど運転とは無関係のタスク）、またはその他の行動パラメータといったオペレータの動作（例えば、ユーザの動作）、または他の適切なオペレータパラメータを含む。このオペレータは、自車両のオペレータ、物体または車両のオペレータ、あるいは他の任意の適切なオペレータであり得る。

［００４４］オペレータの行動は、行動クラスまたはタイプ、行動スコア（例えば、オペレータの注意散漫レベル、表現などに基づいて計算される）として、または他の方法で特徴付けることができる。オペレータの行動は、オペレータ監視センサ信号（例えば、内向きカメラの映像）から決定されることが好ましいが、特定された車両の傲慢な挙動から導出されるか、または他の方法で決定されることができる。オペレータの行動は、所定ルール（例えば、衝突接近事象からの時間窓内）、ヒューリスティック、決定木、サポートベクトル、確率論（例えば、ナイーブベイズ）、ニューラルネットワーク、遺伝的プログラム、パターンマッチング（例えば、１以上のセンサデータセットのパターン）、または任意の適切な方法を用いて、識別および／または特徴付けることができる。オペレータプロファイルは、それぞれの車両（例えば、外部車両、自車両）の車両識別子に関連づけられたドライバープロファイルとすることができ、ここで車両識別子は、車両搭載センサによって記録されたセンサ測定値（例えば、外向きカメラから抽出されたナンバープレート）、演算システムに関連付けられた車両識別子、またはその他の方法で特定することができる。あるいは、オペレータプロファイルは、物体と同じ場所にある地理的な場所に関連付けられたオペレータプロファイル、運転セッションまたは時間枠（例えば、車両の予定ドライバー）に関連するオペレータプロファイル、ユーザ識別子（例えば、ドングル識別子、ユーザデバイス識別子、顔など）に関連付けられたオペレータプロファイル、または他の任意の適切なオペレータプロファイルであり得る。オペレータプロファイルは、過去のリスクマップなどの（例えば過去の運転セッション中に記録された）車両運転データ履歴に基づいて自動的に生成されることが好ましいが、代替的にマニュアルで（例えばオペレータによって、フリートまたはシステム管理エンティティによって）、あるいは他の方法で生成されてもよい。オペレータプロファイルは、オペレータのリスクスコア（例えば、過去のリスクマップ、衝突接近履歴、追い越し履歴、気晴らし履歴、衝突履歴などに基づいて計算される）、ルート、オペレータ識別子、オペレータ運転スケジュール、ＲＡＭ、またはその他の適切な情報を含み得る。

［００４５］オペレータの行動は、車内を監視しているサンプリングされた信号から特定することができ、あるいは他の方法で特定することができる。一変形例では、オペレータの行動は、内向きカメラ（例えば、社内ビデオ、第２ビデオなど）によって記録された画像から特定することができる。内向きカメラは、ドライバーの方に向いていることが好ましいが、代替的に社内全体に向いていてもよく、または任意の適切なものに向いていてもよい。一例では、検出された物体に対するオペレータの注意は、内向きセンサ信号、外向きセンサ信号、および内向きセンサと外向きセンサの既知の相対配向に基づいて、物体に対するオペレータの視線方向（例えば、オペレータが物体を見ているかどうか）に基づいて特定することができる。特定の例（例えば、図１２）では、オペレータの注意は、内部画像から（例えば、アイトラッキング方法を使用して）車両に対するオペレータの注視方向を特定するステップと、外部画像から車両に対する外部物体の位置を特定するステップと、内向きカメラと外向きカメラとの間の既知の相対配向を使用してオペレータの注視方向を外部注視領域にマッピングするステップと、外部注視領域が外部物体の位置を包含する場合に高い注意スコアを割り当てるステップ（またはオペレータが物体を見たと判断するステップ）とによって特定することができる。しかしながら、オペレータの注意は他の方法で特定してもよい。第２の変形例では、感情表現認識技術を使用して、内部画像でオペレータの感情（例えば、驚き）を分析することができる。第３の変形例では、センサ信号または車両制御入力位置を、オペレータの行動（例えば、旋回、急ブレーキなど）を示すパターンについて分析することができる。しかしながら、オペレータの行動は他の方法で特定してもよい。

［００４６］リスクマップを決定するために使用できる車両パラメータは、車両の運動学（例えば、加速度、急加速、速度など）、質量、クラス、製造またはモデル、磨耗、年数、制御入力位置（例えば、ブレーキ位置、アクセル位置、トランスミッション位置など）、現在の地理的位置（例えば、車両搭載の位置特定システムを用いる）、過去の地理的位置または走行経路、予想される走行経路（例えば、ナビゲーションシステム、経路履歴などから決定される）、車線標示または他の道路標示に対する車両位置、または他の車両パラメータを含み得る。車両の運動学は、オプティカルフロー法、加速度計やＩＭＵなどの搭載された運動学的センサ、位置センサを使用して、あるいは他の方法で特定することができる。車両パラメータは、演算システムまたは運転セッションを監視するセンサのセットに予め関連付けられてもよいし、自車両の車両識別子に関連付けられた車両パラメータであってもよいし、運転セッション中にサンプリングされたセンサ信号に基づいて決定されるパラメータであってもよいし、その他の方法で決定されてもよい。

［００４７］リスクマップを生成するために使用できる地理的位置パラメータは、その場所のリスクプロファイル（例えば、地理的位置または地域に関連づけられた衝突リスクマップ）、その場所の交通規制（例えば、データベースから検索された制限速度など）、その場所の交通状況（例えば、その地域に位置する演算システムの密度から、交通量の履歴などから決定される）、道路の種類（例えば、その車両の位置とデータベースに基づいて決定される、都市や高速道路など）、道路状況または構造（例えば、公共レポート、ドライバーの報告履歴、他のドライバーのセンサデータなどから推測される）、道路インフラ、交通標識（例えば、所定の地図から、外向きカメラによってサンプリングされた画像などから決定）、道路標示（例えば車線標示など）、その場所に関連するＲＡＭ、または任意の他の適切な地理的位置情報を含み得る。特定の例では、交差点は、高速道路からの様々なリスク評価モデルと関連付けることができる。地理的位置は、好ましくは、自車両の現在の地理的位置（例えば、搭載された位置特定システムによって決定）であるが、代わりに、自車両の過去のまたは予想される地理的位置、あるいは他の適切な地理的位置であってもよい。地理的位置パラメータは、リモートデータベースから（例えば、リモート演算システムから）検索されてもよいし、搭載された演算システムに格納されてもよいし、他の方法でアクセスすることができる。地理的位置パラメータは、リアルタイムまたはほぼリアルタイムで（例えば、搭載センサ信号、Ｖ２Ｘ通信などに基づいて）、非同期的に、または他の方法で生成することができる。地理的位置パラメータは、マニュアル生成されてもよいし、自動生成されてもよいし（例えば、複数の車両または経路から集約された１またはそれ以上の車両の動作パラメータに基づいて）、地図から生成されてもよいし、あるいは別の方法で特定されてもよい。

［００４８］リスクマップを決定するために使用できる運転状況パラメータは、交通密度、時刻、天気、周囲の照明、車輪のトラクション、視覚障害物、または他の適切な状況パラメータを含む。状況パラメータは、外部データベースから検索してもよいし（Ｓ１３０）、搭載センサを使用して測定してもよいし、他の方法で特定してもよい。運転状況パラメータは、任意選択で、利用可能な計算能力、利用可能な電力（例えば、演算デバイスのバッテリ充電状態）、利用可能なメモリ、または任意の他の適切なパラメータなどの、演算システム動作パラメータを含み得る。

［００４９］リスク測定基準は、監視領域内の各サブ領域についての衝突リスクを示すことが好ましいが、追加的または代替的に、各サブ領域内での衝突の可能性、各サブ領域内での車両の安全性、あるいは他の適切なパラメータを示してもよい。リスク測定基準は、監視領域内の複数の場所にわたる連続機能（図６に示す例）であってもよいし、各個別のサブ領域に対する個別のスコア（図４に示す例）であってもよいし、その他の方法で決定してもよい。例えば、リスク評価モジュール（ＲＡＭ）は方程式を含み、外部物体に近接する場所のリスクスコアのみを方程式を使用して計算することができる。監視領域内の他のサブ領域のリスクスコアは、第１のリスクスコアが閾値を超えることに応答して計算することができる。リスク測定基準は、領域の向きに合わせてもよいし、他の方法で向きを合わせてもよい。リスク測定基準は、リアルタイムまたはほぼリアルタイムで（例えば、センサデータがサンプリングまたは受信されたとき、要因値が特定されたときなど）、所定の頻度で、所定の事象の発生に応答して、（例えば、監視領域に対象物が入った場合）、固定的（例えば、予め定められている）、または他の適切な時間に特定されるように、更新することができる。各サブ領域のリスク測定基準は、好ましくは、上述の要因のうちの１つ以上に基づいて決定されるが、他の方法で決定してもよい。リスク測定基準は、ヒューリスティックに、所定の規則を用いて、計算により（例えば、方程式を用いて）、人工ニューラルネットワーク（例えば、ＣＮＮ、ＤＮＮなど）、決定木、クラスタリング、ベイジアンネットワークを用いて、またはその他の方法で決定することができる。

［００５０］しかしながら、リスクマップは、他の任意の適切な要因のセットを使用して任意の適切な方法で決定することができる。

［００５１］監視領域は、衝突接近事象について監視される、車両近くの物理的容積または領域であることが好ましいが、他の方法で定義してもよい。監視領域は、好ましくは仮想的に監視されるが、代替的または追加的に、（例えば、搭載車両センサを使用して）物理的に監視してもよいし、他の方法で監視してもよい。監視領域を仮想的に監視する工程は、好ましくは、物理領域に対応する仮想領域を包含する仮想リスクマップを生成する工程を含むが、代替的または追加的に物理領域を表す仮想シーン（例えば、検出された物体の表現を含む）、物理的領域全体のリスクスコア、リスクベクトル（例えば、車両に対する最も高い衝突リスクの方向を示す）を含み、あるいは他の方法で監視領域を仮想的に監視する。

［００５２］監視領域（および／または仮想領域。監視領域の記述は以後仮想領域にも適用することができる）は、領域の大きさ、（例えば、車両、物体、非車両の点に対する）領域の姿勢、または他の適切な領域パラメータに関連付けることができる。監視領域は、リスクポイント分布、ＲＡＭ、または他の任意の適切なデータと任意に関連付けることができる。

［００５３］領域の大きさは、どの程度早く誘発事象（例えば、衝突接近事象、衝突接近事象に先行する事象）が検出されるかに影響を及ぼし得る。領域の大きさは、追加的または代替的に、どの物体がリスク評価で考慮されるかに影響を与え得る。例えば、監視領域外の物体は無視することができる。領域は、（例えば、時空的に）２Ｄ、３Ｄ、４Ｄであってもよいし、任意の適切な次元数を有してもよい。領域の大きさは、領域の幾何学形状（例えば形状）、面積、限界寸法（例えば半径、高さ）、または他の適切な寸法の組を含むことができる。領域の幾何学的形状は、好ましくは円形または球形であるが、円錐形の断面、多角形、扇形、円錐形、角錐形、角柱形、不定形、または他の形状でもよい。領域は、１以上の軸（例えば、ｘ、ｙ、ｚ）について対称的または非対称的であり得る。

［００５４］車両に対する監視領域または仮想領域の姿勢（例えば位置および／または向き）は、監視空間の面積または容積を制限するように機能する。監視領域は、車両を包含し（例えば、車両を囲み、車両に中心が合わせられ、車両からオフセットされ、等）、車両から延在し、車両に隣接し、車両の輪郭をなぞり、車両の隣にあり（例えば、車両に接触し、車両からゼロでない距離だけ離れており）、あるいは他の方法で車両に関連してもよい。一例では、領域は、近接センサの感度距離と実質的に等しい距離だけ車両から離れており、演算システムを遠位の障害物に対する衝突リスクを監視するために使用し、近接センサを近位の障害物の衝突リスクを監視するのに用いることができる。監視領域は、車両周囲の容積のサブセットを包含することが好ましいが、代替的に、車両周囲の容積全体、車両周囲の地上容積全体、または任意の適切な容積を包含してもよい。一例では、監視領域は、車両後方の近接領域を除外する。第２の例では、監視領域は、車両の前（または前方）の領域を包含する。第３の例では、監視領域は、自車両のとりうる軌跡（例えば、車両の運動学などに基づいて選択できる、直ちに考えられる、所定の期間内に考えられる軌跡など）を包含する領域を包含する。第４の例では、領域は所定のジオフェンスによって規定される。しかしながら、監視領域は、他の方法で車両に対して配置することができる。監視領域は、追加的または代替的に、物体を包含し、隣接し、あるいは物理的に関連付けられてもよい。

［００５５］領域の向きは、好ましくは、自車両の移動の瞬間的または予想される方向に沿って整列（例えば、中心合わせ、平行、同軸など）されるが、代替的に、車両の中心線（例えば長手方向の中心線）と整列されたり、車両の基準点（例えば、長手方向の中心線に対して）に関して所定のベクトルと整列されたり、最もリスクの高い軌跡を表すベクトルと整列されたり、その他の方法で位置合わせされてもよい。自車両の移動の瞬間的または予想される方向は、ステアリングホイールの位置、ホイール（タイヤなど）の位置、過去の運動学データ（例えば運動学センサで所定の時間窓内でサンプリングされたもの）、オプティカルフローデータ（例えば、カメラによってサンプリングされた画像から）、ナビゲーション情報（例えば、オペレータのユーザデバイスから取得された、車両制御命令からなど）、履歴経路情報（例えば、オペレータ、車両などの）から、または他の方法で決定することができる。自車両の移動の瞬間的なまたは予想される方向は、パターンマッチング、規則、決定木、ナイーブベイズ、ニューラルネットワーク、遺伝的プログラム、サポートベクトル、または任意の他の適切な方法を使用して決定することができる。

［００５６］リスクポイント分布は、リスク値が決定されることになる監視領域内のサブ領域（例えば、ポイント、サブエリア、サブボリュームなど、および／またはそれらの位置）を特定するように機能する。（リスクが決定される）サブ領域は、同じかまたは異なる幾何学的形状、サイズ、または他のパラメータを有することができる。リスクポイント分布は、好ましくは連続空間（例えば位相的、体積的）を形成するが、代替的または付加的に、離散的空間（例えば位相的、体積的）を形成したり、部分的に連続的かつ部分的に離散的空間を形成したり、あるいは他の適切な空間を形成してもよい。離散空間内のリスクポイント分布は、均一、ランダム、非線形（例えば、二次、対数、指数関数など）、線形、単一のサブ領域、または他の方法で分布してもよい。例えば、リスクポイント分布は、車両の近くでより高い点密度を有したり、予想される軌道の近くでより高い点密度を有したり、並置されたもしくはそれぞれのリスクスコアの関数として変化する点密度を有したり、あるいは他の適切な分布を有する。リスクポイント分布は、監視領域のパラメータ（例えば、異なるパラメータ値の組み合わせに対する異なる分布）、ＲＡＭ、因子値に基づいて決定したり、デフォルト分布としたり、または他の方法で決定することができる。追加的または代替的に、領域がリスクポイント分布を含まず、二値決定（例えば、物体が監視空間内で検出されるか監視空間に入ると予測されるか）、監視空間に対するリスクスコア、リスクベクトル（例えば、因子値に関連するリスクベクトルから合計される）を含んでもよいし、他の適切なリスク測定基準に関連してもよい。

［００５７］監視領域パラメータは、動的に調整されてもよいし（例えば、最新のセンサ情報に基づいて）、静的であってもよいし、他の方法で決定してもよい（Ｓ１４０）。監視領域パラメータは、普遍的なもの、因子値の組み合わせに固有のもの、オペレータまたは車両に固有のもの、あるいは共有のものであってよい。領域パラメータは、（例えば、数秒または数分などの領域パラメータ決定の時間窓内にサンプリングされた信号から）因子値に基づいて決定されることが好ましいが、他の方法で決定してもよい。監視領域パラメータを動的に調整することは、状況を考慮して、衝突について監視すべき物理領域を監視しながら、計算能力を低減または節約するように機能することができる。これは全体的な電力消費を抑えるように機能し、処理システムが電池または他の限られた電源を用いて電力供給される用途（例えば補助、電池式システム、電気自動車などにおいて）において望ましい。監視領域パラメータは、ヒューリスティックに、所定の規則を用いて、計算により、人工ニューラルネットワーク（例えば、ＣＮＮ、ＤＮＮなど）、決定木、クラスタリング、ベイジアンネットワークを使用して、または他の方法で決定することができる。監視領域パラメータは、センサ信号（例えば、画像、加速度計データ、車両センサデータなど）、ドライバープロファイル（例えば、習慣履歴、リスクスコア）、位置データ（例えば、交通規制、道路種別、道路状況など）、物体の挙動（現在または予想）、その派生情報に基づいて、またはその他の適切な情報に基づいて決定することができる。

［００５８］領域の大きさは、静的（例えば、所定のもの）でも可変でもよい。後者の例では、領域の大きさは、上記関数の１以上の値に基づいて、時間の関数として、衝突衝突イベント頻度の関数として、リスクマップ生成に使用されるＲＡＭの結果として（例えば、ＲＡＭはそれぞれ一組の領域の大きさと関連付けられ、その結果得られる領域の大きさは前記大きさの集合である）、（例えば、所定のライブラリ関連因子および次元値から）選択または計算してもよいし、あるいは他の適切な方法で変化してもよい。例えば、領域の大きさは、自車両の速度（例えば、車両速度の増加と共に増加する）、車両の地理的位置（例えば、各地理的位置または関連する衝突危険マップまたはスコアを一組の領域の大きさと関連させることができる）、予想される物体の挙動（例えば、先行車両、隣の車両、歩行者などに対する）、または任意の他の適切な要素の関数として変化し得る。

［００５９］第１の例では、地理的リスクが増大するにつれて領域のサイズまたは面積が増大してもよい。第２の具体例では、先行車両が右に移動すると予想される場合に（例えば、右のインジケータ操作に基づいて）領域形状を右に偏向されるように調整する（または新しい形状が選択される）ことができる。第３の例では、監視領域サイズが、車両速度、制限速度、道路種別（例えば、高速道路では増加、都市街路では減少）に伴って増加し、ルートに沿って交通量が増加したら減少する。特定の例では、この方法は、瞬間のパラメータ値に基づいてドライバーの追従距離を決定し、決定された追従距離に監視領域のサイズを設定するステップを含む。第４の例では、リスクスコアが決定される監視領域内のサブ領域の数が速度の増加と共に減少し、各サブ領域で囲まれる面積は増加する。第３の例では、監視領域の形状がその場所のプロファイルに基づいて変化する。具体例では、監視領域の形状は、側面衝突頻度が高いか側面交通が遅い（例えば、歩行者または自転車の交通）を有する場所については円であり、側面衝撃頻度が低い場所（例えば、高速道路）については扇形とすることができる。第４の例では、監視領域のサイズはドライバーのリスクスコアと共に増大する。しかしながら、監視領域パラメータは他の方法で決定してもよい。

［００６０］リスクマップを決定するステップＳ１００は、監視領域についてリスク測定基準を決定するステップＳ１６０を含み得る。リスク測定基準は、監視領域全体、監視領域の１以上のサブ領域（例えば、リスクポイント）、または他の任意の適切な領域に対して決定することができる。リスク測定基準は好ましくはリスクスコアであるが、リスク確率でも他の適切な測定基準でもよい。リスク測定基準は、好ましくはＲＡＭによって決定されるが、任意の適切なシステムによって決定することができる。

［００６１］リスクマップは、（例えば、各サブ領域の識別子についての）リスク測定基準値のアレイ、ヒートマップ（例えば、ヒートマップとして保存または視覚化されたもの）、方程式、または他の方法で構造化することができる。リスクマップまたはそのパラメータ（例えば、ＲＡＭ、因子値、重み、地理的位置など）は、一時的に（例えば、瞬間リスクを分析するのに十分な長さ）、運転セッション期間の間、運転セッションより長い間、または任意の適切な時間について記録することができる。生成されたリスクマップまたはそのパラメータの全部または一部を記録することができる。リスクマップ（またはそのパラメータ）は、それぞれの車両識別子、地理的位置または地域識別子、オペレータ識別子、車両運動学、または他の任意の適切な因子値と関連付けて記憶することができる。

［００６２］監視領域機能に関連付けられたリスク評価モジュール（ＲＡＭ）は、監視領域のリスク測定基準を決定するためのモデルまたは方法を提供する。ＲＡＭは、リスクポイント分布内の各リスクポイントに対するリスクスコアを決定する（例えば、リスクマップを埋める）ことが好ましいが、代替的にまたは追加的に、分布内のリスクポイントのサブセットについてのリスクスコア、監視領域のリスクスコア、瞬間的運転状況のリスクスコアを決定してもよく、または他の適切な地域または状況の他の適切なリスク測定基準を決定してもよい。監視領域内の各リスクポイントは、同じＲＡＭ（例えば図５）または異なるＲＡＭ（例えば図４）に関連付けることができる。ＲＡＭは、連続関数を含むことが好ましいが、代替的または追加的に、離散化関数または他の任意の適切な関数を含むことができる。ＲＡＭは、パラメトリックモデル（例えば、パラメトリックモジュール）を含むことが好ましいが、代替として、ノンパラメトリックモデル、セミパラメトリックモデル、セミノンパラメトリックモデル、または任意の他の適切なモデルを含むことができる。ＲＡＭは１またはそれ以上のモデルを含むことができる。ＲＡＭは、好ましくは一組の方程式（例えば、１つ以上の確率分布）を含むが、代替として、ニューラルネットワーク（例えば、ＣＮＮ）、サポートベクトル、決定木、一組の規則、分類器（例えば、ベイズ分類器）、遺伝子プログラム、または他の方法で構造化されてもよい。例えば、ＲＡＭは、離散確率分布、連続確率分布、正規分布（例えば、２Ｄガウスまたは３Ｄガウスなどのガウス分布、多変量正規分布など）、対数正規分布、パレート分布、離散一様分布、連続一様分布、ベルヌーイ分布、二項分布、負の二項分布、幾何学的分布、超幾何学的分布、ベータ二項分布、カテゴリカル分布、多項分布、ツイード分布、ポアソン分布、指数分布、ガンマ分布、ベータ分布、レイリー分布、ライス分布、または他の適切なリスク決定モデルを含み得る。リスク分布は集中してもよいし、外部物体、車両、または任意の他の適切な場所に頂点を有してもよい。一例では、リスクモデルは、一組の重み付けられた因子を有する方程式を含む。ただし、モデルは他の方法で構成してもよい。ＲＡＭは１つ以上のモデルを含むことができる。各監視領域は、所与の時間に１またはそれ以上のＲＡＭと関連付けることができ、経時的に（例えば運転セッションにわたって）同じか異なるＲＡＭと関連付けることができる。

［００６３］ＲＡＭは、リスク特定のために因子値を使用することが好ましいが、代わりに他の値を使用してもよい。例えば、リスクマップの各サブ領域のリスクは、物体パラメータおよびオペレータの行動スコアに基づいて決定することができる。ただし、各サブ領域のリスクは他の方法で決定してもよい。

［００６４］各ＲＡＭは、固定であることが好ましいが、動的に調整されてもよいし（例えば、因子値が決定される都度リアルタイムまたはほぼリアルタイムで）、所定の頻度で調整されてもよいし、事象発生に応じて調整されてもよいし（例えば、アップデートを介して）、他の方法で調整されてもよく、この方法は、ＲＡＭを生成するステップを含むことができる。ＲＡＭ（例えば、その中のモデル、重み、因子など）は、マニュアル生成してもよいし、自動生成されてもよいし（例えば、衝突接近ラベルまたは衝突ラベルでラベル付けされた時系列データのセットを使用するなどの、監督付または監督なしの学習を用いて）、ニューラルネットワークや他の機械学習アルゴリズムを用いて生成されてもよいし、経験的または帰納的に生成されてもよいし、動的に生成されてもいし（例えば、因子の重みが二次因子の値に基づいて占められる）、または他の方法で決定されてもよい。

［００６５］システムは、ユニバーサルＲＡＭまたは複数のＲＡＭを含むことができ、異なるＲＡＭが異なる監視領域（例えばタイプ、クラス）、監視領域パラメータ（例えば形状、サイズ、向き、バイアス）、オペレータプロファイル、車両プロファイル、演算システム、地理的位置または領域（例えばジオフェンス）、物体パラメータ、運転状況、他の因子についての具体値、特定の因子値の組み合わせ（例えば、シナリオクラス、レジスタなど）、または他の任意の適切なデータセットに関連付けることができる。システムが複数のＲＡＭを有する場合、本方法はＲＡＭを決定するステップを含むことができる。

［００６６］第１の変形例では、単一のＲＡＭ（例えば、方程式）を使用して、すべてのレジスタ（例えば、状況）のすべてのリスクスコア（例えば、リスクマップ）を計算することができる。

［００６７］第２の変形例では、異なるＲＡＭを用いて、異なるレジスタ内のリスク測定基準（例えば、リスクマップ）が計算され、および／または異なるレジスタが同時に発生したときにオーバーレイされる。使用されるＲＡＭは、因子値に基づいて決定されることが好ましいが、監視領域パラメータに基づいて決定されてもよいし、他の方法で決定されてもよい。どのＲＡＭを使用するかを決定するために使用される因子値は、リスク測定基準（例えば、リスクマップ）を決定するためにＲＡＭに供給されるものと同じか異なる因子であり得る。ＲＡＭは、１またはそれ以上の因子値に基づいて所定のライブラリから選択されることが好ましいが（例えば、リスク測定基準が、選択されたＲＡＭを使用して監視領域内の各サブ領域に対して決定される）、代替的に、動的に生成されてもよいし（選択されたタイプ、計算された、選択された、または他の方法で決定された重みなど）、他の方法で決定されてもよい（Ｓ１５０）。第１の実施形態では、ＲＡＭは、地理的位置識別子、地理的位置に関する総合リスクマップ、地理的位置パラメータ（例えば、交通密度、歩行者密度、交差点の存在、平均速度、制限速度など）、および／または他の任意の適切な地理的位置データに基づいて選択される。第２の実施形態では、ＲＡＭは、自車両の動作パラメータに基づいて選択される。例えば、異なる車両加速度または速度に対して異なるモジュール（またはその中で使用される重みまたは係数）を選択することができる。第３の実施形態では、異なる演算子が異なるＲＡＭ（および／または監視領域パラメータ）に関連付けられる。例えば、ドライバースコアや反応時間が高いオペレータは、気付かれていない近位の物体に低い重みを割り当て、一方でドライバースコアが低いオペレータは同じ物体に高い重みを割り当てることができる。第４の実施形態では、ＲＡＭは物体パラメータ値（例えば、クラス、距離、予想軌道、運動学、オペレータプロファイルなど）に基づいて選択される。この実施形態では、検出される各物体についてＲＡＭを決定することができ、複数のＲＡＭを組み合わせて（例えば、オーバーレイなど）、領域を監視するために使用される複合ＲＡＭを協調的に形成することができる。ある具体例では、この方法は、先行車両の検出に応答して第１の方程式を選択するステップと、車両から斜めに位置する自転車の検出に応答して第２の方程式を選択するステップと、先行車両の予測される旋回に応答して第３の方程式を選択するステップとを含む。しかしながら、ＲＡＭは他の方法で決定してもよい。

［００６８］第１の変形例では、監視領域のリスク測定基準を決定するステップは、監視領域内の複数のサブ領域の各々のリスクスコアを計算するステップを含む。リスクスコアは、搭載システム、遠隔システム、または他の適切なシステムによって計算することができる。リスクスコアは、加重係数を用いた式で計算できるが、他の方法で計算してもよい。

［００６９］一例では、サブ領域のリスクスコアは、物体の存在および種類、車両に対する物体の運動学（例えば、図６）、物体のオペレータプロファイル（例えば、図８）、物体の予想される挙動（例えば、図９）、および自車両のドライバーの行動スコア（例えば、注意レベルや注意散漫レベルなど）に基づいて決定することができる。しかしながら、リスクスコアは、他の適切な式から他の方法で計算してもよい。

［００７０］第２の変形例では、監視領域内の各サブ領域を異なる方程式と関連付けることができ、各サブ領域に対するスコアは独立して計算することができる。この変形例では、本方法は、物体について監視領域を監視するステップと、物体と一致するサブ領域を同定するステップと、同定されたサブ領域のそれぞれについてリスクスコアを計算するステップと（例えば、物体パラメータに基づいて）、計算されたリスクスコアに基づいて衝突接近事象を特定するステップとを含み得る。しかしながら、他の方法でサブ領域ごとの方程式を用いてもよい。

［００７１］第３の変形例では、本方法は、ニューラルネットワークを使用して各サブ領域のリスクスコアを決定するステップを含むことができる。この変形例では、監視領域全体が単一の領域として扱われることが好ましく、単一のニューラルネットワークが各サブ領域のリスクスコアを決定する。しかしながら、監視領域内の各サブ領域は、関連するリスクスコアを決定する異なるニューラルネットワークと関連付けることができる。

［００７２］第４の変形例では、本方法は、（例えば、同時位置特定およびマッピングを使用して）車両の環境のマップを生成し当該環境内で車両の位置を追跡するステップと、任意で同定された物体を静止しているか動いているか分類するステップと、各サブ領域への潜在的な車両の移動経路を特定するステップと（例えば、ＲＲＴを使用して）、マップおよび潜在的な車両の移動経路に基づいて各サブ領域の衝突確率を決定するステップとを含む。

［００７３］しかしながら、リスクスコアは、前述の方法の組み合わせを使用して決定してもよいし、他の方法で決定してもよい。

［００７４］衝突接近事象を自動的に検出するステップＳ２００は、危険性の高いイベントを同定するように機能する。衝突接近事象（あやうく衝突する事象）は、車両オペレータによる回避操作を必要とする状況、車両が物体と衝突する可能性が閾値を超えている状況、その他の方法で定義することができる。

［００７５］衝突接近事象は、リアルタイムまたはほぼリアルタイムで（例えば、イベントが発生しようとするとき、イベントが発生する前に）決定されることが好ましいが、非同期的に、または他の適切な時間に決定してもよい。衝突接近事象は、車両搭載システムによって（例えば、補助システム、車両自体などによって）特定されることが好ましいが、代替として、リモート演算システムまたは任意の他の適切なシステムによって特定されてもよい。衝突接近事象は、リスクマップに基づいて自動的に検出されることが好ましいが、他の方法で特定してもよい。衝突接近事象は、同時リスクマップ（例えば、衝突接近事象の前の所定の期間内に生成されたリスクマップ、衝突接近事象が検出された期間中に生成されたリスクマップなど）を使用して検出されることが好ましいが、事前リスクマップ、一連の事前リスクマップ、またはその他の適切なリスクマップのセットを使用して検出してもよい。

［００７６］第１の変形例では、リスクマップ内の危険性の高い領域が物体の位置と重なったときに衝突接近事象を検出する（図１０に示す例）。この高リスク領域は、リスク値が閾値リスク値（例えば、リスクスコア）を超える監視領域の領域（例えば、面積、サブ領域、点、位置、仮想または地理的位置）、高リスクエリアとして割り当てられた監視領域の定義済みエリア、またはその他の方法で定義された領域であり得る。閾値リスク値は、オペレータプロファイルまたはスコア、過去の位置リスク、近位の物体に関するオペレータプロファイルまたはスコア、または任意の他の適切な要因に基づいて決定（例えば、計算、選択など）することができる。

［００７７］第２の変形例では、衝突接近事象は、自車両が高リスク領域へと進入するか向かっている場合（例えば、予想される軌跡または現在の進行方向が境界を越えるかそちらへ向かっている場合）に応答して検出される。この変形例では、リスクマップは、当該リスクマップが生成された地理的位置に対して固定であってもよいし、自車両と共に移動してもよいし、他の任意の適切な動力学セットを有してもよい。

［００７８］第３の変形例では、（例えば、リスクマップ内の）高リスク領域に対する車両の動きが（例えば、衝突接近事象のパターン履歴に基づいて決定された）衝突接近事象パターンと実質的に一致するとき、衝突接近事象が検出され、（例えば、空間的リスク測定基準パターン、時間的リスク測定基準パターンなどに基づいて）衝突接近事象として分類されるか、他の方法で所定の衝突接近事象に関連付けられる。

［００７９］第４の変形例では、衝突接近事象は、リスクマップ内のリスクスコアが閾値リスクスコアを超えたことに応答して検出される。衝突接近事象は、リスクがリスクスコア閾値を超えたら直ぐに検出してもよいし、リスクが閾値期間閾値を超えた場合、空間的に隣接するリスクスコア（例えば閾値数、閾値分布、閾値物理、または、仮想ボリュームまたは面積など）が閾値を越えた場合、または他の方法で監視領域内のリスクスコアに基づいて検出してもよい。閾値リスクスコアは、マニュアル選択でも、自動決定されてもよいし（例えば、衝突接近事象にラベル付けされた運転セッションから学習）、または他の方法で決定してもよい。

［００８０］第５の変形例では、衝突接近事象は、車両の閾値距離内のリスクスコアが閾値リスク値を越えることに応答して検出され、ここで監視領域は前記閾値距離を包含することが好ましいが、代替的に他の方法で閾値距離に関連付けられてもよい。閾値距離は、好ましくは、車両横断ベクトルに沿って測定されるが、代替的に、車両横断ベクトルの所定の角度範囲内、車両横断ベクトルの閾値幅（例えば、車体の幅）内、車体または中心であってもよく、その他の方法で定義されてもよい。閾値距離は予め決定されてもよいし、ユーザの注意力、認知能力、反応時間、注意散漫レベル、車両速度、物体の軌道、運動学、または分布で動的に決定されてもよいし（例えば、その関数として変化する）、その他の方法で決定されてもよい。例えば、衝突接近事象は、車両の前方５フィート以内のリスクスコアが閾値リスクスコアを超えたことに応答して検出することができる。

［００８１］第６の変形例では、衝突接近事象は、リスクスコアを有する監視領域内のサブ領域の総面積または体積が、閾値面積または閾値体積を超える閾値リスクスコアを超えることに応答して検出される。

［００８２］第６の変形例では、衝突接近事象は、車両の逐次リスクマップのパターンが衝突接近事象に関連するパターンと実質的に一致する（例えば、合致する）ことに応じて検出される。しかしながら、衝突接近事象は他の方法で特定されてもよい。

［００８３］第７の変形例では、衝突接近事象は、車両搭載センサ（例えば補助システムセンサ、車両センサ、近接センサなど）によってサンプリングされた信号、車両パラメータ（例えばアクセルペダル位置、ハンドル位置、ブレーキ位置など）、外部車両センサ信号に基づいて、またはパターンマッチング（例えば、センサ信号パターンが衝突接近イベントに関連するパターンと一致する場合）、ニューラルネットワーク、規則、または他の適切な方法を使用した他の適切な測定に基づいて検出されてもよい。例えば、衝突接近事象は、運動学センサ測定において減速スパイクが検出された場合、内向きカメラのストリームからドライバーの驚いた表情が検出された場合、運動学パターンが「曲がる」パターンと実質的に一致した場合（例えば、ブレーキペダル位置などの車両のセンサに基づく、システムの加速度計、ジャイロスコープ、またはＩＭＵの測定値が所定の閾値を超えるＧ力を示すことに基づく、記録システムによって記録された画像に基づく、横加速度が閾値加速度を超えた場合）、急ブレーキがかけられたとき、物体が閾値割合を超えて外向きカメラの視野を占有しているとき、叫び声が検出されたとき（例えば、音声センサから）、衝突が検出されたとき（例えば、衝突時間より前にサンプリングされたセンサデータが衝突接近イベントに関連する場合、測定されたＧ力が衝突閾値を超えたことに応答して、音響パターンが衝突パターンと実質的に一致することに応答して、エアバッグが展開されたことに応答して、あるいは他の方法で特定される）、または衝突接近事象に関連する他の適切な状態が検出されたときに、衝突が検出される、

［００８４］しかしながら、衝突接近事象は他の方法で決定されてもよい。

［００８５］この方法は、任意で、衝突接近事象のパラメータを格納するステップＳ２１０を含んでもよい。衝突接近事象パラメータは、衝突接近事象時間（例えば、検出時間、基礎となるデータのサンプリングタイムスタンプなど）、衝突接近事象中の車両位置（例えば、搭載システムの位置センサから受信される）、運転状況のパラメータ（例えば、車線識別子のような車両位置情報、道路タイプ、交通状況、気象状況など）、車両運転者のオペレータ識別子（例えば、参照により本明細書に組み込まれる、２０１７年７月５日出願の米国特許出願第１５／６４２，０９４号に開示された方法で特定されるか、任意の他の適切な方法を使用して検索され、または決定される）、車両の車両識別子、物体の識別子、衝突接近方向、または他の因子値を含み得る。

［００８６］この方法は、衝突接近事象パラメータと共に関連データを記憶するステップを任意に含むことができる（例えば、図１１）。関連データは、基礎となるデータ（例えば、衝突接近事象が検出された元データ）、衝突接近事象の前、最中、または後にサンプリングされたセンサデータ（例えば、衝突接近事象の時間窓内にサンプリングされたセンサストリームセグメント）、衝突接近事象とパラメータを共有するセンサデータ（例えば、同じ運転セッション中に取得された）、または他の適切なデータを含み得る。格納された関連データは、衝突接近事象ラベルに基づいて選択してもよいし（例えば、異なるラベルを異なるデータタイプおよび／または時間枠に関連付けることができる）、所定のデータセットであってもよいし（例えば、所定の時間枠内にサンプリングさたカメラ画像と運動センサデータのみ）、あるいは他の適切なデータであってもよい。一例では、衝突接近事象の状況を記述するデータと（例えば、近接センサデータ、外向きカメラ映像、または他のセンサデータストリームもしくは時系列のセグメント）、オペレータの反応に関するデータ（例えば、内向きカメラ映像、車両制御入力センサ、ユーザ反応データ、または他のセンサデータストリームまたは時系列のセグメント）とを、衝突接近事象パラメータと関連付けて格納することができる。センサデータストリームまたは時系列の格納されたセグメントは、衝突前事象時間枠の前、後、および／または最中の所定の時間窓でサンプリングされたセンサ信号であってもよいし、運転セッション全体におけるセンサ信号であってもよいし、他の任意のセットであってもよい。時間窓は事前に設定されてもよいし、リスクマップの最高のリスクスコア、リスクスコアの分布、その他のリスクパラメータに基づいて異なってもよいし、衝突が発生したかどうかに基づいて選択されるか、衝突接近原因またはクラスに基づいて選択されるか、その他の方法で決定されてもよい。パラメータ、データ、または他の情報は、搭載システムによって、リモートシステムによって（例えば、情報は、ほぼリアルタイムで、または所与の接続タイプが検出された場合に、処理システムまたは記録システムからリモートシステムへ非同期で送信することができる）、または任意の適切なシステムによって格納することができる。

［００８７］この方法は、衝突接近事象をラベリングするステップを任意に含むことができ、これは、以降の集約的な衝突接近事象処理を容易にするように作用する。追加的または代替的に、運転セッション（例えば、セッション識別子、セッションデータなど）は、衝突接近事象ラベルを用いて衝突接近事象としてラベル付けすることができ、または他の方法でラベル付けすることができる。衝突接近事象は、自動的に（例えば、リモート演算システムによって、車両などによって）ラベル付けされてもよいし、手動でラベル付けされてもよいし、他の方法でラベル付けされてもよい。衝突接近事象は非同期的にラベル付けされることが好ましいが、代替的にリアルタイムまたはほぼリアルタイムでラベル付けされてもよい。ラベルは、衝突接近事象のクラスまたはタイプ（例えば、先行車との衝突、自転車、歩行者、看板、または縁石との側面衝突、逆衝突など。ここで衝突接近事象は実質的に同時記録されたデータに基づいて分類することができる。）、リスクの重大度（例えば、異常接近したミスなど）、衝突接近原因、または他の適切な記述子のセットとすることができる。

［００８８］この方法は、衝突接近事象の原因（例えば、一組の誘発イベント）を特定するステップＳ２３０を任意選択で含んでもよい。原因は、衝突接近事象の検出の基礎となるデータに関連付けて（例えば、ラベル付けに使用される）格納することができ、または他の方法で使用することができる。原因は、衝突接近事象のフィルタリング、クラスタリング、またはその他の方法での管理、衝突への問題（fault）の割り当て、ドライバスコアの計算（例えば、オペレータが原因ではない衝突接近事象はオペレータスコアの計算から除外できる）、レポート（保険レポート、事故レポートなど）の自動識別または自動記入、地理的位置の衝突リスクマップ全体に対する各リスクマップの影響の調整、自律型車両制御モジュールまたはリスクマップモジュールのトレーニングにどのトレーニングデータを使用するかの決定（例えば、ドライバーによって引き起こされた衝突接近事象のデータの除外、エッジケースの特定など）、通知または自動制御パラメータの決定に用いることができ、またはその他の方法で使用することができる。

［００８９］第１の変形例では、原因は、所定のリスクマップに対する連続的な車両の挙動に基づいて決定することができる。例えば、車両の軌道が所定の高危険度のリスクマップ領域に向いている場合（例えば交差する、所定の距離内または角度領域内にあるなど）、または車両が高危険度のリスクマップ領域に向かって実質的に動いている場合に、車両オペレータが原因であると特定することができる。第２の例では、車両の軌跡が高危険度のリスクマップ領域に向けられていないが、車両の近くの高危険度のリスクマップ領域が（例えば、オブジェクトの移動のために）時間とともに増加している場合、物体が原因であると特定することができる。しかしながら、その後の車両の挙動に基づいて他の方法で原因を判断してもよい。

［００９０］第２の変形例では、原因はＲＡＭに基づいて判断することができる。一実施形態では、原因は、ＲＡＭモデルの個々のパラメータに基づいて判断することができる。例えば、原因は、最も高い重み、最も高い加重値（例えば、重みと因子値の積）、最も高い因子値のリスクスコアへの影響、上記の最も低い値、あるいは他の適切なパラメータに基づいて決定することができる。原因は、パラメータ自体、パラメータまたは因子に関連する原因、最も影響力のあるパラメータ（例えば、パラメータの組み合わせ、パラメータ値の組み合わせなど）に関連する原因であってもよいし、その他の方法で決定されてもよい。第２の実施形態では、原因は、ＲＡＭの導関数または積分、または結果のリスク測定基準（例えば、リスクマップ）に基づいて決定することができる。第３の実施形態では、原因は、所与の車両について経時的に選択された一連のＲＡＭに基づいて（例えば、ＲＡＭの一時的パターンが所定の原因に関連付けられている）、またはそれぞれのＲＡＭによって生成された一連のリスク測定基準（例えば、リスクマップ）に基づいて決定できる。しかしながら、原因は、ＲＡＭおよび／または結果として生じるリスク測定基準から他の方法で特定してもよい。

［００９１］第３の変形例では、原因は、衝突接近事象に関連するデータの分析から特定することができる。第１の実施形態では、この方法は、リスクマップを用いて衝突接近事象を検出するステップと、衝突接近事象の所定の時間窓内に記録されたデータを取得するステップと（例えば、リスクマップ生成にデータの全部、一部が用いられ、あるいはまったく用いられない）、原因のデータを分析するステップとを含む。データは、外部映像、内部映像、近接センサデータ、車両センサデータ、または任意の他のデータを含み得る。データは、パターンマッチング（例えば、異なる信号パターンが事前に関連付けられた原因と関連付けられる）、分類、ニューラルネットワーク、規則、決定木、ベイジアン、サポートベクター、遺伝的プログラム、または任意の他の適切な方法を用いて分析され得る。特定の例では、衝突接近事象（例えば、衝突接近事象を包含する、または他の方法で関連する内部映像のセグメント）の前、最中、および／または後に記録された内向きカメラストリームを分析して、ドライバーが衝突前に物体を見たかどうかを特定することができる。第２の特定の例では、位置システムの測定値を分析して、ドライバーが車線境界内を運転していたかどうかを判定することができる。第３の特定の例では、衝突近くの事象の前、最中、および／または後の物体センサの測定値を分析して、物体の障害の寄与を決定することができる。しかしながら、他の方法で原因を特定してもよい。

［００９２］この方法は、（例えば、衝突接近イベントを記録する前または運転データにラベリングする前に）衝突接近イベントを検証するステップを任意選択で含むことができる。一変形例では、衝突接近事象を検証するステップは、（例えば、上で開示された）個々の検出の変形例または検出システムを用いて（例えば、同じか類似のパラメータ、タイムスタンプなどを用いて）同じ衝突接近事象を検出するステップを含む。例えば、リスクマップが閾値を超えるリスクスコアを含むときに衝突接近事象を検出することができ、近接センサ信号に基づいて、（リスクスコアの高いサブ領域に位置する）物体が車両に向かって動いているという判定に応答して検証することができる。第２の例では、リスクマップが閾値を超えるリスクスコアを含むとき（例えば、最初は、最初にサンプリングされた信号に基づいて）衝突接近事象を検出することができ、（例えば、最初の前、後または最中にサンプリングされた）回避行動に関連するセンサ信号がさらに同定された場合に検証することができる。

［００９３］この方法は、衝突接近事象に関連するオペレータの行動を特定するステップＳ２４０を任意選択で含むことができる。オペレータの行動の例には、回避操作（例えば、操舵、制動、加速、車両能力の限界に近い制御入力の組み合わせなど）、衝突前操作、注意、または他の適切な行動が含まれる。オペレータの行動は、内向きカメラ、オペレータ向きカメラ、または車両制御入力センサ（例えば、ペダルセンサ、ステアリングホイールセンサなど）のような、オペレータをモニタするセンサ信号から特定されることが好ましいが、代替的に、外部物体を監視するセンサ信号または任意の他の適切なセンサから特定してもよい。オペレータの行動を特定するステップは、センサ信号内でオペレータの行動を同定すること、オペレータの行動を説明するセンサ信号を同定すること、オペレータの行動を分類またはラベリングすること（例えば、良、不良、安全、危険など）、または他のオペレータの行動の処理を含み得る。オペレータの行動は、分類器、パターンマッチングシステム、規則のセット（例えば、所定の時間窓内に所定のセンサセットによってサンプリングされた信号がオペレータの行動に関連付けられる）を使用して、または他の方法で特定することができる。オペレータの行動はそれぞれの衝突接近事象情報と共に記憶され、各オペレータのドライバースコアを決定するために使用されるか、他の方法で使用される。

［００９４］この方法は、衝突接近事象の検出に応答して行動するステップＳ２５０を任意選択で含むことができ、これは、１またはそれ以上の用途において、検出された衝突接近事象および／またはそのパラメータを使用するように機能し得る。例えば、自動的にドライバー通知を発すること、自動車両制御を実行すること、仮想シミュレーションを生成すること、または他の任意の適切な行動を、衝突接近イベント検出に応答して自動的に取ることができる。

［００９５］第１の変形例では、この方法は、検出された衝突接近事象および／または関連する因子もしくはパラメータ（例えば原因）に基づいて通知を生成するステップを含むことができる。通知は、衝突接近事象の前、最中、またはその後に生成および／または送信することができる。通知は、ユーザ（例えば、管理主体、オペレータ、保険会社などに対する推奨または通知を含む）、車両、または他の端末に対するものとすることができる。通知は自動的に生成および／または発信することができるが、代替的に他の方法で制御してもよい。第１の例では、衝突接近事象の検出に応答して、点滅光、音声通知（例えば、警告音）、車両要素の作動（例えば、シートの振動、ステアリングホイールの振動など）、または他の通知を、ユーザに提示することができる。第２の例では、迫る衝突を回避するために車両を自動的に制御することができる。例えば、差し迫る衝突の検出に応答して、加速度計を再マッピングし、ブレーキを自動的にかけ、速度を自動的に減速し、または車輪を自動的に回転させることができる（例えば、図１６に示す自動決定回避経路に入るか追従する。これは、コンカレントリスクマップから決定することができ、または他の方法で決定することができる）。第３の例では、オペレータに推奨する運転行動（例えば、コーチングの推奨）を送信することができる。後続のドライバーの行動を、任意選択的に、運転行動における正の変化（例えば、衝突接近事象の頻度の減少）または負の変化（例えば、衝突接近事象の頻度の増加）について所定期間監視してもよい。負の変化が特定された場合に異なる推奨がドライバーに提供されてもよく、一方で正の変化が特定された（例えば、所定の時間窓の間に発生頻度が閾値頻度を下回った）場合は、同一または類似の推奨が（例えば類似のリスクプロファイル、運転習慣、原因などを有する）他のオペレータに提供されてもよい。しかしながら、他の任意の適切な行動をとることができる。

［００９６］第２の変形例では、この方法は関連するセンサ測定値をリモート演算システムに送るステップを含むことができる。関連するセンサ測定値は、衝突接近事象検出の基礎となるセンサ測定値、衝突接近事象に先行する所定期間記録されたセンサ測定値、または任意の他の適切なセンサ測定値を含むことができる。

［００９７］第３の変形例では、所与のドライバーについて検出された衝突接近事象（例えば、ドライバーの電話、ドライバーのバイオメトリクスなどによって同定される）のパラメータ（例えば、頻度、重大度、種類、原因など）を用いて、ドライバーに運転リスクまたは安全性を示すドライバースコアを割り当てることができる。ドライバースコアは、以降に、リスクマップのパラメータ（例えば、監視領域、リスクスコアの決定など）、ＲＡＭのパラメータ、衝突接近イベント検出を引き起こす条件、保険料の決定、コーチングコースを運転するドライバー、を決定するために使用することができ、そのトレーニングデータは、自律型車両制御モジュールのトレーニングに使用されるか、他の方法で使用されるべきとなる。

［００９８］第４の変形例では、衝突接近事象の前、最中、および／または後の車両および／または物体の動作を抽出し、分析し、利用することができる。第１の例では、車両の挙動、物体の挙動、ドライバーの行動、または衝突接近事象に先行する他のパラメータを抽出してリスクマップ生成を洗練し、衝突接近事象の原因を特定し、ドライバーに失点を割り当て（例えば、失点率を決定する）、または他の方法利用することができる。この情報は、追加的または代替的に、コーチングの向上の対象となり得るドライバーの運転技術の弱点領域を同定するために使用することができる。第２の例では、衝突を回避するために取られた車両の軌跡またはドライバーの行動を抽出し、同様の状況で他のドライバーを指導するために使用したり、同様の状況で同様の物体の反応を予測するのに使用したり、（例えば、同様の状況で歩行者がどのように反応するかを予測する）、同様の状況で自律走行車両の応答を特定するために使用したり、あるいは他の方法で使用することができる。しかしながら、衝突接近検出事象および／またはそのパラメータは、他の方法で用いてもよい。

［００９９］第５の変形例では、この方法は、衝突接近事象の情報セットに基づいてモジュールをトレーニングするステップＳ２８０を含む。衝突接近事象の情報セット（例えば、複数の衝突接近事象データ）は、所与のオペレータ、車両、ユーザの母集団、位置、時間枠（例えば、繰り返しの時間枠、単一の時間枠など）、すべての方法インスタンス（例えば、複数の有効または無効の車両について）、または他のパラメータについて集約された衝突接近事象（好ましくはラベル付き、あるいはラベルなし）および／または関連データを含むことができる。情報セットは、モジュールトレーニング（例えば、較正、更新など）のためのトレーニングセット（例えば、指導付き、あるいは指導なし）を生成するために使用することができる。トレーニングセットを使用してトレーニングできるモジュールは、監視領域サイズ決定モジュール、監視領域形状決定モジュール、監視領域方向決定モジュール、リスク特定モジュール、リスク方程式選択モジュール、自律型車両制御モジュール（ＡＶ制御モジュール）、または他の適切なモジュールを含む。トレーニングされたモジュールは、好ましくは、その後本方法で使用されるか、二次車両を制御するため（例えば、ＡＶ制御モジュール）に使用されるか、他の方法で使用される。

［００１００］第１の例では、衝突接近事象の情報セットは、所定の原因のセットを含むか除外するようにフィルタリングすることができ、ＡＶ制御モジュールは、フィルタリングされたセットに対してトレーニングすることができる。例えば、衝突接近事象に関連する運転軌跡、軌跡分類、またはドライバー反応を使用して、不良の運転軌跡または反応から、良好な運転軌跡または反応をフィルタリングすることができ、あるいは別の方法で異なる運転軌跡を区別することができる（図１７に例示）。良好な運転軌跡は、（例えば、手動または自動で決定された閾値スコアを超える）ドライバースコアの高いドライバーによって、ドライバーが原因でない衝突接近事象に応答して、衝突を軽減するか回避することの成功で、以降に衝突リスクの高い領域が生じないことで、あるいは他の方法で特徴付けられた軌跡またはドライバー応答を含み得る。これらの運転軌跡は、その後、自律走行車の移動を制御するために、自律走行車制御モジュールをトレーニングまたは開発するために、または他の方法で使用することができる。

［００１０１］第２の例では、ＡＶ制御モジュールをトレーニングするために使用された衝突接近事象の情報セットから、オペレータによって引き起こされた衝突接近事象を除外することができる。第３の例では、情報セットをフィルタリングしてエッジケース（例えば、手動で決定される、または情報セット内のラベル出現頻度に基づいて決定される、稀な出現）を同定することができ、これらのエッジケースは、ＡＶ制御モジュールをトレーニングするのに用いることができる。第４の例では、情報セットは、衝突接近事象の状況を記述するデータ（例えば、近接センサデータ、外向きカメラ映像、または他のセンサストリームセグメントなど）と、オペレータの反応を記述するデータ（例えば、内部映像、車両制御入力センサ、または他のセンサストリームセグメントなど）を含み得る。この例では、情報セットは、回避操作が成功した衝突接近事象（例えば、所定の時間枠内に衝突事象が続いていない衝突接近事象）、所望の行動（例えば、安全操作など）、優良ドライバー（例えば、ドライバースコアが高いオペレータ）、所定の原因セット、あるいは他のパラメータ（例えば、所望の回避操作に関連する）についてフィルタリングすることができ、ここで同定された衝突接近事象の情報（例えば、惹起した原因のデータおよびユーザ応答）は、ＡＶコントロールモジュールのトレーニングに利用することができる。第５の例では、衝突接近事象の情報セットは、特定の道路形状（例えば、ラウンドアバウト、交差点など）を含むようにフィルタリングすることができ、フィルタリングされたセットについてＡＶ制御モジュールをトレーニングすることができる。

［００１０２］しかしながら、上記のように、衝突接近事象は他の方法で利用してもよい。

［００１０３］この方法は、任意で、格納されたリスクマップに作用するステップを含むことができ、これは所与の地理的位置、運転セッション（またはそのセグメント）、車両、ドライバー、または他のデータオブジェクトについてのリスクを特徴付けるように機能する。リスクマップは、リモート演算システムによって処理および／または実行されることが好ましい（例えば、リスクマップまたはそのパラメータは、車両からリモートの演算システムに送信される）が、代替として、車両搭載システム、二次車両システム、または他の適切なシステムによって処理および／または実行してもよい。

［００１０４］第１の変形例では、所与の地理的位置または領域に対する衝突リスクマップは、車両の集団にわたって集約されたリスクマップおよび／または衝突接近事象から生成することができる。衝突リスクマップは、複数の位置のそれぞれ、単一の位置、または任意の位置セットに対して生成および／または関連付けて記憶することができる。衝突リスクマップは、所定の再帰時間（例えば、一日のうちの時間）について、または所定の期間（例えば、全期間にわたって）について、リアルタイムまたはほぼリアルタイムで、リスク（例えば、リスクマップから）、衝突、および／または衝突接近のホットスポットを含むことができる。一例では、衝突リスクマップは、交通動態のほぼリアルタイムのマップを反映することができ、これは動的な経路プランニング、ＡＤＡＳ感度の向上、または他の方法で二次車両によって使用することができる。第２の例では、衝突リスクマップは、インフラストラクチャの管理または改善のために使用することができる。特定の例では、衝突ホットスポットは、ドライバーの視認性の向上、車線分割線の挿入、または他のインフラストラクチャの改善を目的とすることができる。第３の例では、衝突リスクマップを使用して、リスクマップのパラメータ、ＲＡＭのパラメータ（例えば、どのパラメータが含まれるか、パラメータ値の範囲、パラメータの重み、モデル自体など）、衝突接近事象の検出をトリガする条件を調整することができ、または他の方法で衝突接近検出方法にフィードバックしてもよい。例えば、衝突接近事象についての監視領域は、衝突接近事象が頻繁に発生する場所では動的に増加させることができる。

［００１０５］第１の変形例の一実施形態では、本方法は、所与の地理的位置または領域について（例えば、リアルタイムで、常に、月曜日の午前８時などの再帰時間枠などについて）リスクマップを集約し、当該地理的位置についての衝突リスクマップを生成するステップＳ２６０を含むことができる（例えば、図１５）。一例では、本方法は、（例えば、二次自動車、ナビゲーションシステム、または他の端末からの）二次自動車の位置識別子を有する衝突リスクマップ要求を受信するステップと、および／または、二次車両のナビゲーション、操作、または他の用途のために、二次車両または関連システムの位置識別子に関連するリスクマップを取り出して送信するステップとを含み得る。例えば、二次自動車用のＡＤＡＳは、高リスク領域では自動車の速度を自動的に遅くすることができる。二次車両は、利用可能な車両集団内の車両（例えば、演算システムなどを含むシステムを実行することが可能）、利用可能な車両集団以外の利用不能な車両（例えば、システムを実行することができない、演算システムを有さないなど）、または任意の適切な車両であり得る。

［００１０６］第２の変形例では、本方法は、リスクマップに基づいて車両の避難経路を同定するステップＳ２７０を含み、ここで避難経路を使用してオペレータ通知（例えば、触覚、光学などの通知）を生成し、車両の動作を自動制御することができ（例えば、避難経路に沿って移動させる）、または他の方法で利用することができる。逃避経路は、リスクスコアが閾値未満の領域を通過する軌跡、平均または総合リスクスコアが閾値未満の軌跡であってもよく、他の方法で定義してもよい。しかしながら、リスクマップは他の方法で使用することができる。

［００１０７］本システムおよび／または方法の実施形態は、様々なシステム構成要素および様々な方法プロセスのあらゆる組み合わせおよび置換を含むことができ、方法プロセスは、任意の適切な順序で、順次または同時に実行することができる。

［００１０８］当業者であれば、前述の詳細な説明ならびに図面および特許請求の範囲から認識されるように、添付の特許請求の範囲で定義される本発明の範囲から逸脱することなく、本発明の好ましい実施形態に対して修正および変更を加えることができる。

Claims (20)

1. 車両に取り付けられた外向きカメラで第１の映像を記録するステップと、
   前記第１の映像から物体を検出するステップと、
   前記第１の映像から前記物体についての物体パラメータを特定するステップと、
   前記車両に取り付けられた内向きカメラで第２の映像を記録するステップと、
   前記第２の映像に基づいてユーザ行動スコアを決定するステップと、
   前記車両に対するリスクマップを生成するステップであって、前記リスクマップは、前記車両の近くの体積内の位置のセットのそれぞれに対するリスクスコアを含み、各リスクスコアは、前記ユーザ行動スコアと前記物体パラメータとに基づいてパラメトリックモジュールを用いて計算される、ステップと、
   前記リスクマップ内で閾値スコアを超えるリスクスコアを検出することを含む、衝突接近事象を検出するステップと、
   前記衝突接近事象の検出に応答して、前記衝突接近事象を包含する前記第１の映像のセグメントを保存するステップと、
   前記パラメトリックモジュールの個々のパラメータに基づいて、前記衝突接近事象の原因を特定するステップと、を含むことを特徴とする方法。
2. 請求項１の方法において、さらに、
   複数の車両からの衝突接近事象に関連する複数の第１の映像セグメントを集めるステップと、
   前記複数の第１の映像セグメントの各々について、それぞれの第１の映像に関連する衝突接近事象の間に記録されたユーザ応答を記録するステップと、
   各第１の映像セグメントをそれぞれの衝突接近事象の原因でラベル付けするステップと、
   それぞれの原因に基づいて前記複数の第１の映像セグメントをフィルタリングするステップと、
   前記フィルタリングされた複数の第１の映像セグメントとそれぞれのユーザ応答とに基づいて、自律型車両の自律動作を制御する自律型車両制御モジュールをトレーニングするステップと、を含むことを特徴とする方法。
3. 請求項２の方法において、前記ユーザ応答は、前記衝突接近事象を包含する時間枠の間にサンプリングされた前記第２の映像のセグメントから特定されることを特徴とする方法。
4. 請求項１の方法において、前記衝突接近事象を検出するステップが、
   前記閾値スコアを超えるリスクスコアに関連付けられた位置を同定するステップと、
   前記車両の車両軌道を特定するステップと、
   前記車両軌道が前記位置に向けられた場合に衝突接近事象を検出するステップと、を含むことを特徴とする方法。
5. 請求項４の方法において、前記衝突接近事象の原因を特定するステップは、前記車両軌道が前記位置に向けられた場合に、前記ユーザを前記衝突接近事象の原因として特定するステップを含むことを特徴とする方法。
6. 請求項１の方法において、前記衝突接近事象の原因を特定するステップは、最も高い重み付き値を用いて前記パラメトリックモジュールの独立パラメータを決定するステップを含むことを特徴とする方法。
7. 請求項１の方法において、前記内向きカメラは、前記外向きカメラに対して既知の配向で共通のハウジングによって固定的に取り付けられ、前記第１の映像は前記第２の映像と同時に記録され、前記方法がさらに、前記第２の映像と前記配向に基づいて前記物体に対するドライバーの視線方向を特定するステップを含み、前記ユーザ行動スコアは、前記物体に対するドライバーの視線方向に基づいて決定されることを特徴とする方法。
8. 請求項１の方法において、前記第１の映像を記録するステップと、前記物体を検出するステップと、前記物体パラメータを特定するステップと、前記第２の映像を記録するステップと、前記ユーザ行動スコアを決定するステップと、前記リスクマップを生成するステップと、前記衝突接近事象を検出するステップとは、車両搭載プロセッサによってリアルタイムで実行されることを特徴とする方法。
9. 請求項８の方法において、前記リスクマップは、前記車両の後部付近の物理的体積を除外することを特徴とする方法。
10. 請求項１の方法において、先行車両の予想挙動に基づいて前記リスクマップの幾何学的形状を決定するステップをさらに含むことを特徴とする方法。
11. 請求項１０の方法において、前記先行車両の予想挙動に基づいて前記リスクマップの幾何学的形状を決定するステップは、
    前記第１の映像から、前記先頭車両による、一方の側に関連する方向指示器の操作を検出するステップと、
    方向指示器の操作を検出することに応答して、前記第１の側に偏った所定の幾何学的形状を前記リスクマップの幾何学的形状として選択するステップと、を含むことを特徴とする方法。
12. 請求項１の方法において、さらに、
    車両経路に沿った複数の場所のそれぞれについてリスクマップを生成するステップと、
    複数の車両のそれぞれについてのリスクマップを、前記場所のそれぞれに関連付けて記憶するステップと、
    前記場所のそれぞれについての前記複数の車両のそれぞれからのリスクマップに基づいて、前記複数の場所のそれぞれについてのリスクマップを生成するステップとを含むことを特徴とする方法。
13. 請求項１２の方法において、前記リスクマップはリアルタイムで生成されるとともに、前記方法がさらに、
    前記内向きカメラ、外向きカメラ、およびプロセッサなしで、二次車両に対するリスクマップ要求を受信するステップであって、前記リスクマップ要求は、前記複数の場所内のある位置についての位置識別子を含む、ステップと、
    前記場所に関連するリスクマップを検索するステップと、
    前記検索されたリスクマップを前記二次車両に送信するステップであって、前記二次車両は前記検索されたリスクマップに基づいて操作されるステップとを含むことを特徴とする方法。
14. 請求項１の方法において、前記パラメトリックモジュールは、ガウスモデルのセットを含むことを特徴とする方法。
15. 請求項１の方法において、さらに、１組の所定のパラメータモジュールから前記車両の地理的位置に基づいて前記パラメトリックモジュールを選択するステップを含むことを特徴とする方法。
16. 請求項１の方法において、さらに、
    前記衝突接近事象の原因に基づいて推奨を生成するステップと、
    前記推奨を含む通知をユーザに送信するステップと、
    前記通知を送信した後の閾値期間、前記内向きカメラによってサンプリングされた映像に基づいてユーザ行動を監視するステップと、
    前記閾値期間中に前記原因の発生頻度が閾値頻度を下回ったことに応答して、第２のユーザに関連する第２の衝突接近事象の原因と実質的に一致する原因に応答して前記推奨を前記第２のユーザに送信するステップであって、前記第２のユーザは前記第１のユーザとは異なるステップと、を含むことを特徴とする方法。
17. 車両に取り付けられ、内向きカメラに固定的に取り付けられた外向きカメラと、前記外向きカメラおよび内向きカメラに電気的に接続されたプロセッサとを具える搭載システムが：
    前記外向きカメラおよび内向きカメラをそれぞれ使用して第１の映像および第２の映像を同時に記録するステップと；
    プロセッサで前記第１の映像から物体を検出するステップと；
    前記プロセッサで第１の映像から前記物体についての物体パラメータを決定するステップと；
    前記プロセッサで、前記第２の映像と、前記内向きカメラに対する前記外向きカメラの既知の配向とに基づいてユーザ行動スコアを決定するステップと；
    前記プロセッサで、ほぼリアルタイムで前記車両に対するリスクマップを生成するステップであって、前記リスクマップは、前記車両を包含する体積内の位置のセットのそれぞれについてのリスクスコアを含み、各リスクスコアは、前記ユーザ行動スコアと物体パラメータとに基づくパラメトリックモジュールを用いて計算されるステップと；
    前記リスクマップに基づいて衝突接近事象を検出するステップと；
    前記搭載システムから離れたリモート演算システムが：
    前記衝突接近事象の検出に応答して前記第１の映像を記録するステップと；
    前記衝突接近事象の後にサンプリングされた第２の映像のセグメントを記録するステップと；
    前記第１の映像と前記第２の映像のセグメントとに基づいて制御モジュールをトレーニングするステップであって、当該制御モジュールによって二次車両が自動的に制御されるステップと、を含むことを特徴とする方法。
18. 請求項１７の方法において、さらに、
    前記プロセッサが、複数の場所の各々についてリスクマップを生成するステップと；
    前記リモート演算システムが、それぞれの場所に関連して複数の車両のそれぞれについてのリスクマップを記憶するステップと、
    前記リモート演算システムが、前記それぞれの場所についての前記複数の車両のそれぞれからのリスクマップに基づいて、前記複数の場所のそれぞれについてのリスクマップを生成するステップと、
    前記リモート演算システムが、前記システムのない二次車両についてのリスクマップ要求を受信するステップであって、前記リスクマップ要求は、前記複数の場所内の１つの場所についての場所識別子を含むステップと、
    前記リモート演算システムが、前記場所に関連するリスクマップを検索するステップと、
    前記検索されたリスクマップを前記二次車両に送信するステップであって、当該二次車両は前記検索されたリスクマップに基づいて動作するステップとを含むことを特徴とする方法。
19. 請求項１７の方法において、前記パラメトリックモジュールは、ガウスモデルのセットを含むことを特徴とする方法。
20. 請求項１７の方法において、さらに、
    複数の車両からの衝突接近事象に関連する複数の第１の映像を集めるステップと、
    第１の映像のそれぞれについて：
    前記パラメトリックモジュールの個々のパラメータに基づいて衝突接近事象の原因を特定するステップと、
    第１の映像のそれぞれに、それぞれの衝突接近事象の原因をラベリングするステップと、
    それぞれの原因に基づいて複数の映像をフィルタリングするステップと、
    前記フィルタリングされた複数の第１の映像に基づいて、自律型車両の自律動作を制御する自律型車両制御モジュールをトレーニングするステップと、を含むことを特徴とする方法。
    

Images