JP2020113249A - リアルタイム車両事故予測、警告、および防止 - Google Patents

Abstract

【課題】車両が車両事故を検出するための方法及びその車両を提供する。【解決手段】方法は、それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含む少なくとも１つの事故プロファイルにアクセスすることと、リアルタイムで、車両及び少なくとも１台のすぐ近くの車両から、車両に対する現在の車両動作パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することと、車両衝突の確率が確率閾値を超えることに応答して防止行動を取ることと、を含む。【選択図】図３

Description

本開示は一般的には車両に関する。特には、本開示の実施形態は、車両事故予測、警告、および防止に関する。

車両制御システムにおける最近の進歩にも拘わらず、車両事故は、運転手、乗客、および傍観者を悩まし続けている。車両事故は、死亡および傷害の主な原因に留まっている。車両事故を削減または消滅さえさせることはもちろん非常に望ましいことである。

一般的に、開示される１つの態様は、車両が車両事故を検出するための方法を特徴とし、この方法は、それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、リアルタイムで、車両および少なくとも１台のすぐ近くの車両から、車両に対する現在の車両動作パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することと、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することを備えている。

方法の実施形態は、下記の特徴の１つ以上を含むことができる。幾つかの実施形態においては、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することは、車両の乗客に対して警報を生成することと、車両衝突を防止するために、車両の動作システムの１つ以上を制御することの少なくとも１つを備えている。幾つかの実施形態においては、車両衝突を防止するために、車両の動作システムの１つ以上を制御することは、車両の速度を落とすことと、車両の経路を変えることと、車両を停止することの少なくとも１つを備えている。幾つかの実施形態は、少なくとも１台のすぐ近くの車両を識別することと、その少なくとも１台のすぐ近くの車両に対する、それぞれが各車両の履歴を表わしている車両プロファイルにアクセスすることと、車両衝突の確率を決定するために、車両プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを備えている。幾つかの実施形態は、少なくとも１台のすぐ近くの車両の運転手を識別することと、それぞれが各運転手の履歴を表わしている、各運転手に対する少なくとも１つの運転手プロファイルにアクセスすることと、車両事故の確率を決定するために、少なくとも１つの運転手プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを備えている。幾つかの実施形態は、リアルタイムで車両から、車両の環境パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを備えている。幾つかの実施形態は、１つ以上の事故プロファイルを生成することを備えており、生成することは、複数の事故のそれぞれに対して、各事故の間の車両動作パラメータの値を示している複数の車両センサからセンサデータを受信して格納することと、車両動作パラメータと、事故を示している値を識別するために、機械学習アルゴリズムをデータに適用することと、識別された車両動作パラメータと値を表わしているプロファイルを生成することを備えている。

一般的に、開示される１つの態様は、プロセッサと、プロセッサにより実行可能な命令が符号化されている非一時的機械読取り可能格納媒体とを備えている車両を特徴とし、機械読取り可能格納媒体は、プロセッサに、それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、リアルタイムで、車両および少なくとも１台のすぐ近くの車両から、車両に対する現在の車両動作パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することと、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することを備えている方法を実行させる命令を備えている。

車両の実施形態は、下記の特徴の１つ以上を含むことができる。幾つかの実施形態においては、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することは、車両の乗客に対して警報を生成することと、車両衝突を防止するために、車両の動作システムの１つ以上を制御することの少なくとも１つを備えている。幾つかの実施形態においては、車両衝突を防止するために、車両の動作システムの１つ以上を制御することは、車両の速度を落とすことと、車両の経路を変えることと、車両を停止することの少なくとも１つを備えている。幾つかの実施形態においては、方法は、少なくとも１台のすぐ近くの車両を識別することと、その少なくとも１台のすぐ近くの車両に対する、それぞれが各車両の履歴を表わしている車両プロファイルにアクセスすることと、車両衝突の確率を決定するために、車両プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを更に備えている。幾つかの実施形態においては、方法は、少なくとも１台のすぐ近くの車両の運転手を識別することと、それぞれが各運転手の履歴を表わしている、各運転手に対する少なくとも１つの運転手プロファイルにアクセスすることと、車両事故の確率を決定するために、少なくとも１つの運転手プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを更に備えている。幾つかの実施形態においては、方法は、リアルタイムで車両から、車両の環境パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを備えている。

一般的に、開示される１つの態様は、車両の演算構成要素のハードウェアプロセッサにより実行可能な命令が符号化されている非一時的機械読取り可能格納媒体を特徴とし、機械読取り可能格納媒体は、ハードウェアプロセッサに、それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、リアルタイムで、車両および少なくとも１台のすぐ近くの車両から、車両に対する現在の車両動作パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することと、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することを備えている方法を実行させる命令を備えている。

媒体の実施形態は、下記の特徴の１つ以上を含むことができる。幾つかの実施形態においては、車両衝突の確率が確率閾値を超えることに応答して防止行動を実現することは、車両の乗客に対して警報を生成することと、車両衝突を防止するために、車両の動作システムの１つ以上を制御することの少なくとも１つを備えている。幾つかの実施形態においては、車両衝突を防止するために、車両の動作システムの１つ以上を制御することは、車両の速度を落とすことと、車両の経路を変えることと、車両を停止することの少なくとも１つを備えている。幾つかの実施形態においては、方法は、少なくとも１台のすぐ近くの車両を識別することと、その少なくとも１台のすぐ近くの車両に対する、それぞれが各車両の履歴を表わしている車両プロファイルにアクセスすることと、車両衝突の確率を決定するために、車両プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを更に備えている。幾つかの実施形態においては、方法は、少なくとも１台のすぐ近くの車両の運転手を識別することと、それぞれが各運転手の履歴を表わしている、各運転手に対する少なくとも１つの運転手プロファイルにアクセスすることと、車両事故の確率を決定するために、少なくとも１つの運転手プロファイルと、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを更に備えている。幾つかの実施形態においては、方法は、リアルタイムで車両から、車両の環境パラメータを記述しているデータを収集することと、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、少なくとも１つの事故プロファイルと比較することを更に備えている。幾つかの実施形態においては、方法は、１つ以上の事故プロファイルを生成することを更に備えており、生成することは、複数の事故のそれぞれに対して、各事故の間の車両動作パラメータの値を示している複数の車両センサからセンサデータを受信して格納することと、車両動作パラメータと、事故を示している値を識別するために、機械学習アルゴリズムをデータに適用することと、識別された車両動作パラメータと値を表わしているプロファイルを生成することを備えている。

本開示を、１つ以上の種々の実施形態に従って、下記の図を参照して詳細に記述する。図は例示の目的のみのために提供され、典型的または例としての実施形態を示しているに過ぎない。

開示される技術の実施形態を実現できる例としての車両を示している。 １つの実施形態に従う、自律車両のルートを修正するための例としてのアーキテクチャを示している。 １つの実施形態に係る、車両事故予測、警告、および防止のためのプロセスを例示しているフローチャートである。 注目車両がすぐ近くの車両の後を走行しているシナリオを例示している。 １つの実施形態に係る、事故プロファイルを生成するためのプロセスを例示しているフローチャートである。 例としての演算構成要素を示しており、この演算構成要素は、それに関して記述される機能を実行できる。

図は本開示全体を網羅しているわけではなく、本開示を開示される正確な形状に制限しない。

種々の実施形態は、自律車両事故予測、警告、および防止のためのシステムと方法に向けられている。幾つかの実施形態においては、システムは、事故を予測するために事故プロファイルを使用する。各事故プロファイルは、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる。システムはまた、車両および少なくとも１台のすぐ近くの車両からリアルタイムデータも収集する。データは、車両に対する現在の車両動作パラメータを記述している。システムは、車両衝突の確率を決定するために、リアルタイムで収集されたデータを事故プロファイルと比較する。システムは、車両衝突の確率が確率閾値を超えるとき、防止行動を取る。幾つかの実施形態においては、システムは、車両の乗客に対して警報を生成する。幾つかの実施形態においては、システムは、車両衝突を防止するために、車両の動作システムの１つ以上を制御する。例えば、システムは車両の速度を落とすことができ、車両の経路を変えることができ、車両を停止することなどができる。

幾つかの実施形態においては、システムは、事故を予測するために車両プロファイルを使用する。システムはすぐ近くの車両を識別し、そして各識別された車両に対する車両プロファイルにアクセスする。各車両プロファイルは、それぞれの車両の履歴を表わしている。そしてシステムは、車両衝突の確率を決定するために、車両プロファイルと、リアルタイムで収集されたデータを、事故プロファイルと比較する。

幾つかの実施形態においては、システムは事故を予測するために、運転手プロファイルを使用する。システムは、すぐ近くの車両の運転手を識別し、そして、各識別された運転手に対する運転手プロファイルにアクセスする。各運転手プロファイルは、それぞれの運転手の履歴を表わしている。例えば履歴は、運転手の運転記録を含むことができる。そしてシステムは、車両衝突の確率を決定するために、運転手プロファイルと、リアルタイムで収集されたデータを、運転手プロファイルと比較する。

幾つかの実施形態においては、システムは、車両の環境パラメータを記述しているリアルタイムデータを収集する。例えば、環境パラメータは、気象状況、道路状況などを表わすことができる。そしてシステムは、車両衝突の確率を決定するために、リアルタイムで収集されたデータを、事故プロファイルと比較する。

幾つかの実施形態においては、システムは事故プロファイルを生成する。複数の事故のそれぞれに対して、システムは、各事故の間の車両動作パラメータの値を示す複数の車両センサからのセンサデータを受信して格納する。システムは、車両動作パラメータと、事故を示す値を識別するために、データに機械学習アルゴリズムを適用する。システムは、識別された車両動作パラメータと値を表わすための事故プロファイルを生成する。

開示される技術の実施形態を実現できる例としての車両１０２が図１に例示されている。図１に示されている車両は、ハイブリッド電気車両である。しかし、開示される技術は、車両の推進手段には影響されず、従って、電気モータのない車両にも、内燃機関のない車両にも等しく適用される。

図１は、内燃機関１１０と、１つ以上の電気モータ１０６（ジェネレータとしても働くことができる）を動力供給源として含むことができる車両１０２の駆動システムを例示している。内燃機関１１０とモータ１０６により生成される駆動力は、トルクコンバータ１６、トランスミッション１８、差動歯車装置２８、および車輪心棒対３０を介して、１つ以上の車輪３４に伝達できる。

ＨＥＶとして、車両１０２は、走行のための駆動供給源としての機関１１０とモータ１０６の何れか、または両者により駆動できる／動力を受けることができる。例えば、第１走行モードは、走行のために駆動供給源として内燃機関１１０を使用するだけの機関のみ走行であってよい。第２走行モードは、走行のための駆動供給源としてモータ１０６を使用するだけのＥＶ走行モードであってよい。第３走行モードは、走行のための駆動供給源として、機関１１０とモータ１０６を使用するＨＥＶ走行モードであってよい。機関のみおよびＨＥＶ走行モードにおいては、車両１０２は、少なくとも内燃機関１１０により生成される原動力に依存し、クラッチ１５を、機関１１０と係合するために含むことができる。ＥＶ走行モードにおいては、車両１０２は、モータ１０６により生成される原動力により動力を与えられ、一方、機関１１０を停止でき、クラッチ１５は係合を解除できる。

機関１１０は、動力を提供するために、燃料が注入されて燃焼される、火花点火（ＳＩ）機関（例えば、ガソリン機関）、圧縮点火（ＣＩ）機関（例えば、ディーゼル機関）、または類似の動力式機関（往復動、ロータリ、連続燃焼、またはその他であろうとなかろうと）などのような内燃機関であってよい。冷却システム１１２を、例えば、余分な熱を機関１１０から除去することなどにより機関を冷却するために提供できる。例えば、冷却システム１１２を、ラディエータ、水ポンプ、および一連の冷却チャネルを含むように実現できる。動作において、水ポンプは、機関から余分な熱を吸収するために、機関を通して冷却剤を循環させる。熱せられた冷却剤は、冷却剤から熱を除去するためにラディエータを通して循環され、そして冷たくなった冷却剤は、機関を通して再循環させることができる。ファンもまた、ラディエータの冷却能力を増大するために含むことができる。水ポンプ、そして幾つかの例においては、ファンは、機関１１０のドライブシャフトへの直接または間接的な結合を介して動作できる。他の適用においては、水ポンプとファンの何れか、または両者を、バッテリ１０４からのような電流により動作できる。

出力制御回路１４Ａを、機関１１０の駆動（出力トルク）を制御するために提供できる。出力制御回路１４Ａは、燃料注入を制御する電子スロットル弁を制御するためのスロットルアクチュエータ、点火タイミングを制御する点火装置などを含むことができる。出力制御回路１４Ａは、下記に記述される電子制御ユニット５０から供給されるコマンド制御信号に従って、機関１１０の出力制御を行うことができる。そのような出力制御は、例えば、スロットル制御、燃料注入制御、および点火タイミング制御を含むことができる。

モータ１０６はまた、車両１０２において動力を提供するために使用することもでき、バッテリ１０４を介して電力を受ける。バッテリ１０４は、１つ以上のバッテリとして、または、例えば、鉛蓄電池、リチウムイオンバッテリ、容量性蓄電装置などを含む、他の蓄電装置として実現できる。バッテリ１０４は、内燃機関１１０からエネルギを受け取るバッテリ充電器１０８により充電できる。例えば、交流発電機または発電機を、内燃機関１１０の動作の結果としての電流を生成するために、内燃機関１１０のドライブシャフトに直接または間接的に結合できる。クラッチを、バッテリ充電器１０８との係合／係合を解除するために含むことができる。バッテリ１０４はまた、例えば、回生制動により、または、モータ１０６が発電機として動作する惰走によるなど、モータ１０６によっても充電できる。

モータ１０６は、車両を動かし、および車両速度を調整するための原動力を生成するためにバッテリ１０４により電力を与えることができる。モータ１０６はまた、例えば、惰走または制動のときなどに、電力を生成するための発電機としても機能できる。バッテリ１０４はまた、車両における他の電気または電子システムに電力を供給するためにも使用できる。モータ１０６は、インバータ４２を介してバッテリ１０４に接続できる。バッテリ１０４は、例えば、１つ以上のバッテリ、容量性蓄電ユニット、または、モータ１０６に電力を供給するために使用できる電気エネルギを蓄電するために適切な他の蓄電池を含むことができる。バッテリ１０４が１つ以上のバッテリを使用して実現されるときは、バッテリは、例えば、ニッケル金属水素電池、リチウムイオンバッテリ、鉛蓄電池、ニッケルカドミウム電池、リチウムイオンポリマバッテリ、および他のタイプのバッテリを含むことができる。

電子制御ユニット５０（下記に記述される）を含めることができ、電子制御ユニット５０は、他の車両構成要素と共に、車両の電気駆動構成要素を制御できる。例えば、電子制御ユニット５０はインバータ４２を制御でき、モータ１０６に供給される駆動電流を調整でき、そして、回生惰走および制動の間、モータ１０６から受け取る電流を調整できる。より特別な例として、モータ１０６の出力トルクは、インバータ４２を通して電子制御ユニット５０により減少または増大できる。

トルクコンバータ１６は、機関１１０とモータ１０６からトランスミッション１８への電力の印加を制御するために含めることができる。トルクコンバータ１６は、回転力を動電力供給源からドライブシャフトへトランスミッションを介して転送する粘着性流体結合を含むことができる。トルクコンバータ１６は、従来のトルクコンバータまたはロックアップトルクコンバータを含むことができる。他の実施形態においては、機械的クラッチを、トルクコンバータ１６の代わりに使用できる。

クラッチ１５は、機関１１０を車両のドライブトレインに係合し、および、ドライブトレインとの係合を解除するために含むことができる。示されている例においては、機関１１０の出力部材であるクランクシャフト３２を、クラッチ１５を介して、モータ１０６とトルクコンバータ１６に選択的に結合できる。クラッチ１５は、例えば、その係合が、油圧アクチュエータのようなアクチュエータにより制御される、多層ディスクタイプの油圧式摩擦係合装置として実現できる。クラッチ１５は、その係合状態が、クラッチに印加される圧力により、完全な係合、スリップ係合、および完全な係合の解除となるように制御できる。例えば、クラッチ１５のトルク容量は、油圧制御回路（例示されていない）から供給される油圧に従って制御できる。クラッチ１５が係合されると、動力の伝達が、クランクシャフト３２とトルクコンバータ１６との間の動力伝達経路において提供される。一方、クラッチ１５が係合されてないときは、機関１１０からの動力は、トルクコンバータ１６に渡されない。スリップ係合状態においては、クラッチ１５は係合され、動力は、クラッチ１５のトルク容量（トランスミッショントルク）に従って、トルクコンバータ１６に提供される。

上記に間接的に示したように、車両１０２は、電子制御ユニット５０を含むことができる。電子制御ユニット５０は、車両動作の種々の態様を制御するための回路を含むことができる。電子制御ユニット５０は、例えば、１つ以上の処理ユニット（例えば、マイクロプロセッサ）、メモリストレージ（例えば、ＲＡＭ、ＲＯＭなど）、およびＩ／Ｏ装置を含んでいるマイクロコンピュータを含むことができる。電子制御ユニット５０の処理ユニットは、車両における１つ以上の電気システムまたはサブシステムを制御するために、メモリに格納されている命令を実行する。電子制御ユニット５０は、例えば、電子機関制御モジュール、パワートレイン制御モジュール、トランスミッション制御モジュール、サスペンション制御モジュール、車体制御モジュールなどのような複数の電子制御ユニットを含むことができる。更なる例として、電子制御ユニットを、ドア、ドアのロック、点灯、マンマシンインタフェース、運行制御、テレマチック（電話とコンピュータを組み合わせた情報サービスシステム）、制動システム（例えば、ＡＢＳまたはＥＳＣ）、バッテリ管理システムなどのようなシステムおよび機能を制御するために含めることができる。これらの種々の制御ユニットは、２つ以上の別個の電子制御ユニットを使用して、または単一の電子制御ユニットを使用して実現できる。

図１に示されている例においては、電子制御ユニット５０は、車両１０２に含まれている複数のセンサから情報を受信する。例えば、電子制御ユニット５０は、車両動作状況または特性を示す信号、または、車両動作状況または特性を導出するために使用できる信号を受信できる。これらは、次のものに制限されないが、内燃機関１１０のアクセラレータ動作量、ＡＣＣ、回転速度、ＮＥ（機関ＲＰＭ）、モータ１０６の回転速度、ＮＭＧ（モータ回転速度）、および車両速度、ＮＶを含むことができる。これらはまた、トルクコンバータ１６出力、ＮＴ（例えば、モータ出力を示す出力ａｍｐｓ）、ブレーキ動作量／圧力、Ｂ、バッテリＳＯＣ（つまり、ＳＯＣセンサにより検出されるバッテリ１０４に対する充電量）も含むことができる。従って、車両１０２は、車両の内部または外部の種々の状況を検出し、感知された状況を機関制御ユニット５０（再び、１つの、または複数の個々の制御回路として実現できる）に提供するために使用できる複数のセンサ１１６を含むことができる。１つの実施形態においては、センサ１１６は、例えば、燃料効率、ＥＦ、モータ効率、ＥＭＧ、ハイブリッド（内燃機関１１０＋ＭＧ１２）効率などの１つ以上の状況を、直接または間接的に検出するために含めることができる。

幾つかの実施形態においては、センサ１１６の１つ以上は、電子制御ユニット５０に提供できる追加的情報に対する結果を演算するそれ自身の処理能力を含むことができる。他の実施形態においては、１つ以上のセンサは、電子制御ユニット５０に未処理データのみを提供するデータ収集のみを行うセンサであってよい。更なる実施形態においては、電子制御ユニット５０に未処理データと処理済みデータの組み合わせを提供するハイブリッドセンサを含めることができる。センサ１１６は、アナログ出力またはデジタル出力を提供できる。

センサ１１６は、車両の状況を検出するだけでなく、外部の状況も検出するために含めることができる。外部の状況を検出するために使用できるセンサは、例えば、ソナー、レーダー、ライダー、または他の車両近接センサ、およびカメラ、または他のイメージセンサを含むことができる。イメージセンサは、例えば、現在の制限速度、道路の湾曲、障害物、路肩の有無などを示す交通標識を検出するために使用できる。更に他のセンサは、道路の勾配を検出できるものを含むことができる。幾つかのセンサは、受動的な環境対象を能動的に検出するために使用できるが、他のセンサは、能動的にデータまたは他の情報を送信および／または受信できる、スマートロードを実現するために使用される対象物のような能動的対象物を検出するために含んで使用できる。

図２は、ここにおいて記述されるシステムと方法の１つの実施形態に従う、車両事故予測、警告、および防止のための例としてのアーキテクチャを示している。ここで図２を参照すると、この例においては、車両事故予測システム２００は、事故予測回路２５０、複数のセンサ１１６、および複数の車両システム１５８を含んでいる。センサ１１６と車両システム１５８は、有線またはワイヤレス通信インタフェースを介して事故予測回路２５０と通信できる。センサ１１６と車両システム１５８は、事故予測回路２５０と通信するものとして示されているが、それらは、他の車両システムと共に、互いに通信もできる。事故予測回路２５０はＥＣＵ、または、例えば、電子制御ユニット５０のような、ＥＣＵの一部として実現できる。他の実施形態においては、事故予測回路２５０は、ＥＣＵとは独立して実現できる。

この例における事故予測回路２５０は、通信回路２０１、処理回路２０３（この例においては、プロセッサ２０６とメモリ２０８を含んでいる）、および電力供給源２１０を含んでいる。事故予測回路２５０の構成要素は、他の通信インタフェースを含めることができるが、データバスを介して互いに通信するように例示されている。この例における事故予測回路２５０はまた、例えば、手動制御、音声などにより、事故予測回路２５０を制御するためにユーザにより動作させることができる事故予測回路２５０も含んでいる。

プロセッサ２０６は、ＧＰＵ、ＣＰＵ、マイクロプロセッサ、または任意の他の適切な処理システムを含むことができる。メモリ２０８は、任意の他の適切な情報と共に、較正パラメータ、画像（解析または履歴）、ポイントパラメータ、命令、およびプロセッサ２０６のための変数を格納するために使用できる、メモリまたはデータストレージの１つ以上の種々の形式（例えば、フラッシュ、ＲＡＭなど）を含むことができる。メモリ２０８は、１つ以上の異なるタイプのメモリの１つ以上のモジュールから構成でき、プロセッサ２０６により事故予測回路２５０を動作させるために使用できる動作命令と共に、データおよび他の情報を格納するように構成できる。

図２の例は、プロセッサとメモリ回路を使用して示されているが、下記に、ここにおいて開示される回路を参照して記述されるように、決定回路２０３を、例えば、ハードウェア、ソフトウェア、またはそれらの組み合わせを含む回路の任意の形状を利用して実現できる。更なる例として、１つ以上のプロセッサ、コントローラ、ＡＳＩＣ、ＰＬＡ、ＰＡＬ、ＣＰＬＤ、ＦＰＧＡ、論理構成要素、ソフトウェアルーチン、または他の機構を、事故予測回路２５０を構成するために実現できる。

通信回路２０１は、関連付けられているアンテナ２１４を有するワイヤレストランシーバ回路２０２と、関連付けられている配線データポート（図示されてない）を有する有線Ｉ／Ｏインタフェース２０４の何れかまたは両者を含むことができる。この例が示すように、事故予測回路との通信は、有線とワイヤレス通信回路２０１の何れかまたは両者を含むことができる。ワイヤレストランシーバ回路２０２は送信機と受信機（図示されてない）を含むことができ、例えば、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、近距離無線通信（ＮＦＣ）、Ｚｉｇｂｅｅなどの多数の通信プロトコルの何れかを介する、または標準化された、所有権のある、オープン、ポントツーポイント、ネットワーク化された、または他の多数のワイヤレス通信プロトコルの何れかを介するワイヤレス通信を可能にする。アンテナ２１４はワイヤレストランシーバ回路２０２に結合され、ワイヤレストランシーバ回路２０２により、無線信号を受信すると共に、ワイヤレストランシーバ回路２０２が接続されているワイヤレス装置に無線信号をワイヤレスで送信するために使用される。これらのＲＦ信号は、事故予測回路２５０により、センサ１１６と車両システム１５８のような他のエンティティへ送られ、およびそれらのエンティティから受信するほとんどすべての種類の情報も含むことができる。

有線Ｉ／Ｏインタフェース２０４は、他の装置との配線通信のための送信機と受信機（図示されてない）を含むことができる。例えば、有線Ｉ／Ｏインタフェース２０４は、センサ１１６と車両システム１５８を含む、他の構成要素への配線インタフェースを提供できる。有線Ｉ／Ｏインタフェース２０４は、Ｅｔｈｅｒｎｅｔ（登録商標）を使用して、または、標準化された、所有権のある、オープン、ポントツーポイント、ネットワーク化された、または他の多数の有線通信プロトコルの何れかを使用して他の装置と通信できる。

電力供給源２１０は、１つ以上のバッテリ（例えば、リチウムイオン、リチウムポリマー、ニッケル金属水素、ニッケルカドミウム、ニッケル亜鉛、ニッケル水素、再充電式、一次バッテリなど）、パワーコネクタ（例えば、車両供給電力などを接続するためなど）、およびエネルギハーベスタ（例えば、太陽電池、圧電システムなど）を含むことができ、または他の適切な電力供給源を含むことができる。

センサ１１６は、事故予測システム２００が実現されている標準車両１０２上に含めることができる、または含まれてなくてもよい追加的センサを含むことができる。示されている例においては、センサ１１６は、車両速度センサ２２２、イメージセンサ２２４、道路センサ２２６、気象センサ２２８、および時計２３０を含んでいる。追加的センサ２３２はまた、事故予測システム２００の所与の実現形態に対して、適切に含めることができる。

車両システム１５８は、車両の種々の態様およびその性能を制御またはモニタするために使用される多数の異なる車両構成要素またはサブシステムの何れかを含むことができる。この例においては、車両システム１５８は車両位置システム２７２、自律運転システム２７４、車両間通信システム２７６、および他の車両システム２８２を含んでいる。車両位置システム２７２は、車両の方向と速度と共に、その地理的位置を決定できる。車両位置システム２７２は、全地球測位衛星（ＧＰＳ）システムなどを含むことができる。自律運転システム２７４は、レベル２とレベル３モードを含む自律運転モードで車両１０２を動作させることができる。車両間通信システム２７６は、ここにおいて記述されるようにデータの交換のために、自動車両間無線通信を行い、専用狭域通信（ＤＳＲＣ）装置などを含むことができる。

動作の間、事故予測回路２５０は、事故予測モードを起動すべきかどうかを決定するために、種々の車両センサから情報を受信できる。また、運転手は、事故予測制御装置２０５を動作させることにより、事故予測モードを手動で起動できる。通信回路２０１は、事故予測回路２５０とセンサ１１６との間で、および事故予測回路２５０と車両システム１５８との間で情報を送受信するために使用できる。また、センサ１１６は、車両システム１５８と直接または間接的に（例えば、通信回路２０または他を介して）通信できる。

種々の実施形態においては、通信回路２０１は、事故予測モードを起動するかどうかを決定することに使用される、センサ１１６からのデータおよび他の情報を受信するように構成できる。追加的に、通信回路２０１は、事故予測モードに入ることの一部として、起動信号または他の起動情報を、種々の車両システム１５８に送るために使用できる。例えば、下記により詳細に記述されるように、通信回路２０１は、例えば、自律運転システム２７４に信号を送るために使用できる。この例は、下記により詳細に記述される。

図３は、１つの実施形態に係る、車両事故予測、警告、および防止のためのプロセス３００を例示しているフローチャートである。図３を参照すると、プロセス３００は、３０２において開始する。事故予測回路２５０はまず、事故予測モードがオンかどうかを３０４において決定する。これは、事故予測モードが、例えば、運転手が事故予測制御装置２０５を使用して手動で起動されたかどうかを決定することを含むことができる。事故予測回路２５０はこの決定を、事故予測モードが起動されるまで継続する。

事故予測モードが起動しているとき、事故予測回路２５０は少なくとも１つの事故プロファイルに３０６においてアクセスする。各事故プロファイルは、車両事故に巻き込まれた車両に対する、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる。例えば、車両動作パラメータは、車両速度と衝撃、牽引力の喪失、ブレーキ、加速装置、ステアリング、方向指示灯などの車両制御装置の動作、エアーバッグの展開などを含むことができる。各プロファイルはまた、事故の時点および事故の場所での環境パラメータを記述している情報も含むことができる。例えば、環境パラメータは、気象状況、道路状況などを含むことができる。事故プロファイルは、例えば事故予測回路２５０のメモリ２０８の中のように局所的に格納できる。事故プロファイルはクラウドから更新できる。

図４は、記述の中心となる車両（以降、注目車両と称する）４０２が、すぐ近くの車両４０４の後ろを走行しているシナリオを例示している。図４を参照すると、注目車両４０２によりアクセスされる事故プロファイル４０６は、リヤエンド(rear-end)としての衝突のタイプと、衝突の前の先行車両との距離２５フィートを示している。事故プロファイル４０６はまた、事故における先行車両に対して、５０ｍｐｈの速度と、ブレーキの良好な状態も示している。事故における後続車両に対しては、事故プロファイル４０６は５０ｍｐｈの速度と、ブレーキの良好な状態を示している。

事故予測モードが起動しているときは、事故予測回路２５０はリアルタイムで、車両１０２と、すぐ近くの車両からのデータを３０８において収集する。データは、車両に対する現在の車両動作パラメータを記述できる。車両動作パラメータは、事故プロファイルに対して上記に記述したものを含むことができる。データは、車両間通信を使用して収集できる。例えば、データは、車両間通信システム２７６により収集できる。他の車両から収集されたデータは、その車両の状態に関するデータを含むことができる。例えば、データは、車両は古く、すり減ったタイヤと良好でないブレーキを有しており、後輪駆動であることなどを記述できる。他の車両から収集されたデータは、その車両の動作に関するデータを含むことができる。例えば、データは、例えば、車両走行レーンからの頻繁の逸脱、突然の加速などのような不規則な運転を示すことができる。

再び図４の例を参照すると、注目車両４０２により収集されたリアルタイムデータ４０８は、注目車両４０２に対して、５５ｍｐｈの速度、２０フィートの先行車両との距離、および車両４０２のブレーキのすり減った状態を示している。リアルタイムデータ４０８はまた、すぐ近くの車両４０４に対して、５０ｍｐｈの速度およびブレーキの良好な状態を示している。

そして事故予測回路２５０は３１０において、車両衝突の確率を決定するために、リアルタイムで収集されたデータを事故プロファイルと比較する。如何なる種類の比較方法も使用できる。例えば、最もよく一致しているプロファイルと、プロファイルにより記述されている事故が起こる確率を決定するために、リアルタイムデータの値を、事故プロファイルにおけるデータの値と比較できる。図４の例においては、事故プロファイル４０６はリアルタイムデータ４０８と良好に一致している。実際は、リアルタイムデータ４０８により例示されるシナリオは、事故プロファイル４０６において記述されているシナリオよりも更に悪い。特に、速度はより速く、先行車両との距離はより短く、車両４０２のブレーキはすり減っており、停止するまでにより長い距離を必要とする。この一致に応答して、事故予測回路２５０は、追突の非常に高い確率を割り当てる。

事故予測回路２５０は３１２において、事故の予測される確率を事故確率閾値と比較できる。車両衝突の確率が確率閾値を超えているときは、事故予測回路２５０は３１４において防止行動を取る。この防止行動は、車両１０２の乗客に対して警報を生成すること、車両衝突を防止するために、車両の動作システムの１つ以上を制御することなどを含むことができる。例えば、事故予測回路２５０は車両１０２の速度を落とし、車両１０２の経路を変え、車両１０２を停止することなどができる。図４の例を継続すると、事故予測回路２５０は、その速度と先行車両との距離がもはや事故プロファイル４０６と一致しないように、車両４０２の速度を落とす。

幾つかの実施形態においては、事故予測回路２５０は車両プロファイルを採用できる。各車両プロファイルは、特別な車両の履歴を表わしている。履歴は、車両に対する修理履歴、車両に対する保守履歴、車両の衝突履歴、車両に対して請求された保険、車両に対する法律施行記録などを含むことができる。そのような実施形態においては、事故予測回路２５０は３１６において、すぐ近くの車両を識別する。車両は如何なる方法でも識別できる。例えば、イメージセンサ２１４は車両のライセンスプレート番号を撮像できる。他の例としては、車両は、車両間通信の使用を通して自身で識別できる。事故予測回路２５０は３１８において、その車両のプロファイルにアクセスするために、車両の識別された内容を使用できる。例えば、事故予測回路２５０は、車両プロファイルをクラウドから検索できる。そして事故予測回路２５０は３１０において、車両衝突の確率を決定するために、その車両プロファイルを採用する。例えば、事故予測回路は、車両衝突の確率を決定するために、その車両プロファイルと、リアルタイムで収集されたデータを、事故プロファイルと比較できる。

幾つかの実施形態においては、事故予測回路２５０は、運転手プロファイルを採用できる。各運転手プロファイルは、特別な車両の履歴を表わしている。履歴は、運転手の運転記録、運転手により行われた保険請求、運転手に対する法律施行記録などを含むことができる。運転手プロファイルは、運転手の現在の状態を示すことができる。例えば、データは、運転手が今日は数時間も運転をしていることを示すことができる。運転手プロファイルは、運転手を車両に関連付けることができる。例えば、車両は最近運転手により購入されたので、または車両はレンタカーなので、運転手はその車両に慣れていないことがあり得る。運転手プロファイルは、運転手の経験レベルを示すことができる。例えば、運転手は若いおよび／または最近運転免許を取得したということがあり得る。他の例としては、運転手は雪における運転に慣れていないことがあり得る。

そのような実施形態においては、事故予測回路２５０は３２０において、すぐ近くの車両の運転手を識別する。運転手は如何なる方法でも識別できる。例えば、車両１０２のイメージセンサ２１４は、運転手の顔の画像を撮像でき、顔認識を、運転手を識別するために使用できる。他の例として、運転手は、車両間通信の使用を通して識別できる。例えば、運転手の車両は運転手を識別でき、情報を配信できる。事故予測回路２５０は３２２において、運転手の運転手プロファイル３２２にアクセスするために、運転手の識別された内容を使用できる。例えば、事故予測回路２５０は、運転手プロファイルをクラウドから検索できる。そして、事故予測回路２５０は３１０において、車両衝突の確率を決定するために、運転手プロファイルを採用する。例えば、事故予測回路は、車両衝突の確率を決定するために、運転手プロファイルと、リアルタイムで収集されたデータを事故プロファイルと比較できる。

事故予測回路２５０は時折３２４において、事故予測モードの起動が停止されたかどうかを決定する。事故予測モードが起動している間は、事故予測回路２５０は事故を予測し続ける。事故予測モードの起動が停止されると、プロセス３００は３２６において終了する。

図５は、１つの実施形態に係る、事故プロファイルを生成するためのプロセス５００を例示しているフローチャートである。図５を参照すると、処理５００は５０２において開始する。プロセス５００は５０４において、複数の事故に対して、各事故の間の車両動作パラメータの値を示す、複数の車両センサからのセンサデータを受信して格納することを含んでいる。車両動作パラメータは、上記のようなパラメータであってよい。データは、事故の前および事故の間のデータ、法律施行記録、交通信号灯カメラなどの静的センサ、保険記録などを記録している車両「ブラックボックス」を含む、種々の供給源から収集できる。データは、事故時の環境パラメータを記述しているリアルタイムデータを含むことができる。環境パラメータは、上記のようなパラメータであってよい。

プロセスは５０６において、車両動作パラメータと、事故を示している値を識別するために、機械学習アルゴリズムをデータに適用できる。このプロセスは、環境パラメータを含むことができる。プロセス５００は５０８で、１つ以上の事故プロファイルを生成する。プロファイルは、識別された車両動作パラメータと値を表わすことができる。事故プロファイルの生成の後、プロセスは５１０で終了する。

幾つかの実施形態においては、機械学習アルゴリズムは、クラウドサーバ基盤上で特定のソフトウェアを作動させることができ、アルゴリズムを訓練して向上するように構成できる。アルゴリズムの適応は、多数の車両から収集されるデータを使用でき（つまり、「ビッグデータ」アプローチ）、単一のユーザのみから提供されるデータでは不可能な方法でアルゴリズムを最適化する。「ビッグデータ」は典型的には、通常使用されているソフトウェアツールの、データを許容できる経過時間内で捕捉し、管理し、取扱い、そして処理する能力を超えるサイズのデータセットを含んでいる。ビッグデータの「サイズ」は常に移動しているターゲットであるが、データの数十テラバイトから数百、数千ペタバイトの範囲を取ることができる。ビッグデータは、多様、複雑、且つ大量である大きなデータセットからの大きな隠れた値を発掘するために、統合の新しい形式を採用する技法および技術のセットである。

アルゴリズムは、多数の車両から集められた各データ点が、現在のアルゴリズムに供給されて所望の結果と比較されるときの訓練データセットを使用して訓練される。結果が逸脱する場合、アルゴリズムのパラメータは、結果を向上するために、統計最適化計算を通してわずかに変更される。訓練セットの各繰り返しの後、アルゴリズムはテストセットを使用して評価される。このプロセスは、アルゴリズム全体が向上した性能を提示するまで繰り返される。

ここにおいて使用されているように、構成要素という用語は、本願の１つ以上の実施形態に従って実行できる機能の所与のユニットを記述できる。ここにおいて使用されているように、構成要素は、ハードウェア、ソフトウェア、またはそれらの組み合わせの任意の形式を利用して実現できる。例えば、１つ以上のプロセッサ、コントローラ、ＡＳＩＣ、ＰＬＡ、ＰＡＬ、ＣＰＬＤ、ＦＰＧＡ、論理構成要素、ソフトウェアルーチン、または他の機構は、構成要素を構成するために実現できる。ここにおいて記述される種々の構成要素は、分離した構成要素として実現でき、または、記述されている機能と特徴は、一部またはすべてを１つ以上の構成要素の間で共有できる。言い換えれば、この技術における通常の技量を有する者には、この記述を読んだ後に明白になるように、ここにおいて記述されている種々の特徴と機能は、如何なる所与の適用において実現できる。それらの特徴と機能は、種々の組み合わせおよび置換において、１つ以上の別個の、または共有構成要素において実現できる。種々の特徴または機能要素は、別個の構成要素として個々に記述または主張できるが、これらの特徴／機能は、１つ以上の共通ソフトウェアおよびハードウェア要素の間で共有できるということは理解されるべきである。そのような記述は、別個のハードウェアまたはソフトウェア構成要素が、そのような特徴または機能を実現するために使用されることを要求するものでも暗示するものでもない。

構成要素が、その全部または一部がソフトウェアを使用して実現される場合は、これらのソフトウェア要素は、それに関して記述された機能を実行できる演算または処理構成要素と共に動作するように実現できる。１つのそのような例としての演算構成要素が図６に示されている。種々の実施形態は、この例としての演算構成要素６００の観点から記述されている。この記述を読んだ後は、関連がある技術における当業者には、他の演算構成要素またはアーキテクチャを使用して適用をどのようにして実現するかは明白となるであろう。

ここで図６を参照すると、演算構成要素６００は、例えば、自己調整ディスプレイ、デスクトップ、ラップトップ、ノートブック、およびタブレットコンピュータ内で見出される演算または処理能力を表現できる。それらの能力は、手持ち型演算装置（タブレット、ＰＤＡ、スマートフォン、携帯電話、パームトップなど）において見出すことができる。それらの能力は、所与の適用または環境に対して望ましく、または適切なように、ワークステーション、またはディスプレイを有する他の装置、サーバ、または特殊目的または汎用演算装置において見出すことができる。演算構成要素６００はまた、所与の装置に埋め込まれる、または所与の装置が利用可能な演算能力も表現できる。例えば、演算構成要素は、例えば、携帯型演算装置、および、処理能力のある形式を含むことができる他の電子装置のような他の電子装置において見出すことができる。

演算構成要素６００は、例えば、１つ以上のプロセッサ、コントローラ、制御構成要素、または他の処理装置を含むことができる。これは、ハイブリッド車両１０２と、例えば、演算構成要素のようなその構成要素部を構成するプロセッサおよび／または任意の１つ以上の構成要素を含むことができる。プロセッサ６０４は、例えば、マイクロプロセッサ、コントローラ、または他の制御論理のような、汎用または特殊目的処理エンジンを使用して実現できる。プロセッサ６０４はバス６０２に接続できる。しかし、如何なる通信媒体も、演算構成要素６００の他の構成要素との相互作用を容易にするために、または外部と通信するために使用できる。

演算構成要素６００はまた、ここにおいては単にメインメモリ６０８と称されている１つ以上のメモリ構成要素も含むことができる。例えば、ランダムアクセスメモリ（ＲＡＭ）または他のダイナミックメモリは、情報、および、プロセッサ６０４により実行される命令を格納するために使用できる。メインメモリ６０８はまた、プロセッサ６０４により実行される命令の実行の間の一時的変数または他の中間情報を格納するためにも使用できる。演算構成要素６００は同様に、プロセッサ６０４に対する静的情報および命令を格納するために、リードオンリメモリ（「ＲＯＭ」）または、バス６０３に結合されている他の静的格納装置を含むことができる。

演算構成要素６００はまた、情報格納機構６１０の１つ以上の種々の形式も含むことができ、情報格納機構６１０は、例えば、媒体ドライブ６１２と格納ユニットインタフェース６２０を含むことができる。媒体ドライブ６１２は、ドライブまたは固定または取外し可能格納媒体６１４をサポートするための他の機構を含むことができる。例えば、ハードディスクドライブ、ソリッドステートドライブ、磁気テープドライブ、光ドライブ、コンパクトディスク（ＣＤ）またはデジタルビデオディスク（ＤＶＤ）ドライブ（ＲまたはＲＷ）、または他の取外し可能または固定媒体ドライブを提供できる。格納媒体６１４は、例えば、ハードディスク、集積回路アセンブリ、磁気テープ、カートリッジ、光ディスク、ＣＤまたはＤＶＤを含むことができる。格納媒体６１４は、媒体ドライブ６１２により読み込まれ、また書き込まれ、またはアクセスされる任意の他の固定または取外し可能媒体であってよい。これらの例が示しているように、格納媒体６１４は、コンピュータソフトウェアまたはデータを内部に格納しているコンピュータ使用可能格納媒体を含むことができる。

代替の実施形態においては、情報格納機構６１０は、コンピュータプログラムまたは他の命令またはデータが、演算構成要素６００にロードされることを可能にする他の類似の手段を含むことができる。そのような手段は、例えば、固定または取外し可能格納ユニット６２２、およびインタフェース６２０を含むことができる。そのような格納ユニット６２２とインタフェース６２０の例は、プログラムカートリッジおよびカートリッジインタフェース、取外し可能メモリ（例えば、フラッシュメモリまたは他の取外し可能メモリ構成要素）とメモリスロットを含むことができる。他の例は、ＰＣＭＣＩＡスロットおよびカードと、ソフトウェアおよびデータが格納ユニット６２２から演算構成要素６００に転送されることを可能にする他の固定または取外し可能格納ユニット６２２インタフェース６２０を含むことができる。

演算構成要素６００はまた、通信インタフェース６２４も含むことができる。通信インタフェース６２４は、ソフトウェアとデータが、演算構成要素６００と外部装置との間で転送されることを可能にするために使用できる。通信インタフェース６２４の例は、モデム、ソフトモデム、ネットワークインタフェース（Ｅｔｈｅｒｎｅｔ（登録商標）、ネットワークインタフェースカード、ＷｉＭｅｄｉａ、ＩＥＥＥ ８０２．ＸＸまたは他のインタフェース）を含むことができる。他の例は、通信ポート（例えば、ＵＳＢポート、ＩＲポート、ＲＳ２３２ポートＢｌｕｅｔｏｏｔｈ（登録商標）インタフェース、または他のポート）、または他の通信インタフェースを含んでいる。通信インタフェース６２４を介して転送されるソフトウェア／データは、電子または電磁気であってよい信号（光信号も含む）上、または所与の通信インタフェース６２４により交換可能な他の信号上で搬送できる。これらの信号は通信インタフェース６２４に、チャネル６２８を介して提供できる。チャネル６２８は信号を搬送でき、有線またはワイヤレス通信媒体を使用して実現できる。チャネルの幾つかの例は、電話線、セルラーリンク、ＲＦリンク、光リンク、ネットワークインタフェース、ローカルまたはワイドエリアネットワーク、および他の有線またはワイヤレス通信チャネルを含むことができる。

この文献において、「機械読取り可能格納媒体」、「コンピュータプログラム媒体」、および「コンピュータ使用可能媒体」の用語は一般的に、一時的または非一時的媒体に言及するために使用される。そのような媒体は、例えば、メモリ６０８、格納ユニット６２２、媒体６１４、およびチャネル６２８であってよい。コンピュータプログラム媒体またはコンピュータ使用可能媒体のこれらの、および他の種々の形式は、１つ以上の命令の１つ以上のシーケンスを、実行のために処理装置に搬送することに関連させることができる。媒体上に埋め込まれたそのような命令は一般的に、「コンピュータプログラムコード」または「コンピュータプログラム製品」（これらは、コンピュータプログラムの形式でグループ化でき、または他のグループ化が可能）と称される。実行されると、そのような命令は、演算構成要素６００が、ここにおいて検討したような、本願の特徴または機能を実行することを可能にする。

個々の実施形態の１つ以上において記述された種々の特徴、態様、および機能は、それらの適用可能性において、それらを記述した特別な実施形態に制限されないということは理解されるべきである。そうではなく、それらの特徴、態様、および機能は、そのような実施形態が記述されていようがいまいが、およびそのような特徴が記述された実施形態の一部として提示されていようがいまいが、単独または種々の組み合わせで１つ以上の他の実施形態に適用できる。そのため、本願の領域および範囲は、上述した例としての実施形態に何れによっても制限されるべきではない、

この文献において使用される用語およびフレーズ、およびそれらの変形は、別途、明示的に記述されない限り、制限的とは反対に、制限のないものとして解釈されるべきである。上記の例としては、「含んでいる」という用語は、「制限なしに含んでいる」などを意味していると読まれるべきである。「例」という用語は、検討されている事項の実例を提供するために使用されており、それを網羅しているリスト、または制限しているリストではない。「１つの」という用語は、「少なくとも１つの」、「１つ以上の」などと読まれるべきであり、そして「従来の」、「慣習的な」、「通常の」、「標準の」、「知られている」というような形容詞。類似の意味の用語は、記述されている事項を、所与の時間期間または、所与の時間の間利用可能な事項に制限するとは解釈されるべきではない。そうではなく、それらは、現在または将来の任意の時間において利用可能または知られている従来の、慣習的な、通常の、または標準の技術を含んでいると読まれるべきである。この文献が、この技術において通常の技量を有するものにとって明白または既知の技術に言及するときは、そのような技術は、現在および将来の任意の時間において当業者に明白または既知の技術も含んでいる。

幾つかの例における、「１つ以上の」、「少なくとも」、「しかし〜に制限されない」などのような、意味を広げる語句とフレーズ、または幾つかの実例における他の類似フレーズの存在は、そのような意味を広げるフレーズが存在しなくてよい、より狭い場合が、実例において意図されている、または、要求されているということを意味しているとは読まれるべきではない。「構成要素」という用語の使用は、構成要素の一部として記述または主張された態様または機能がすべて共通のパッケージに構成されているということを意味として含んではいない。実際、構成要素の種々の態様の何れかまたはすべては、制御論理であろうが他の構成要素であろうが、単一のパッケージに組み合わせることができ、または、別個に維持でき、多数のグループ化またはパッケージ、または多数の箇所にわたり分散できる。

追加的に、ここにおいて記述された種々の実施形態は、例としてのブロック図、フローチャート、および他の例示により記述されている。この技術における通常の技量を有する者には明白になるように、この文献を読んだ後は、例示されている実施形態とその種々の代替は、例示されている例に制限されることなく実現できる。例えば、ブロック図とその付随する記述は、特別なアーキテクチャまたは構成を指示しているとは解釈されるべきではない。

Claims (20)

1. 車両が車両事故を検出するための方法であって、
   それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、
   リアルタイムで、前記車両および少なくとも１台のすぐ近くの車両から、前記車両に対する現在の車両動作パラメータを記述しているデータを収集することと、
   車両衝突の確率を決定するために、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することと、
   車両衝突の前記確率が確率閾値を超えることに応答して防止行動を実現することを含む、方法。
2. 車両衝突の前記確率が確率閾値を超えることに応答して防止行動を実現することは、
   前記車両の乗客に対して警報を生成することと、
   前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することの少なくとも１つを含む、請求項１に記載の方法。
3. 前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することは、
   前記車両の速度を落とすことと、
   前記車両の経路を変えることと、
   前記車両を停止することの少なくとも１つを含む、請求項１に記載の方法。
4. 前記少なくとも１台のすぐ近くの車両を識別することと、
   前記少なくとも１台のすぐ近くの車両に対する、それぞれが前記各車両の履歴を表わしている車両プロファイルにアクセスすることと、
   前記車両衝突の前記確率を決定するために、前記車両プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１に記載の方法。
5. 前記少なくとも１台のすぐ近くの車両の運転手を識別することと、
   各運転手に対する、それぞれが前記各運転手の履歴を表わしている少なくとも１つの運転手プロファイルにアクセスすることと、
   前記車両衝突の前記確率を決定するために、前記少なくとも１つの運転手プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１に記載の方法。
6. リアルタイムで、前記車両から、前記車両の環境パラメータを記述しているデータを収集することと、
   前記車両衝突の前記確率を決定するために、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１に記載の方法。
7. １つ以上の事故プロファイルを生成することを更に含み、前記生成することは、
   各複数の事故に対して、各事故の間の車両動作パラメータの値を示す、複数の車両センサからのセンサデータを受信して格納することと、
   前記車両動作パラメータと、前記事故を示す値を識別するために、機械学習アルゴリズムを前記データに適用することと、
   前記識別された車両動作パラメータと値を表わしているプロファイルを生成することを含む、請求項１に記載の方法。
8. 車両であって、
   プロセッサと、
   前記プロセッサにより実行可能な命令が符号化されている非一時的機械読取り可能格納媒体を備え、前記機械読取り可能格納媒体は、前記プロセッサに、
   それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、
   リアルタイムで、前記車両と、少なくとも１台のすぐ近くの車両から、前記車両に対する現在の車両動作パラメータを記述しているデータを収集することと、
   車両衝突の確率を決定するために、リアルタイムで収集された前記データを、少なくとも１つの事故プロファイルと比較することと、
   車両衝突の前記確率が確率閾値を超えることに応答して、防止行動を実現することを含む方法を実行させる命令を含む、車両。
9. 車両衝突の前記確率が確率閾値を超えることに応答して防止行動を実現することは、
   前記車両の乗客に対して警報を生成することと、
   前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することの少なくとも１つを含む、請求項８に記載の車両。
10. 前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することは、
    前記車両の速度を落とすことと、
    前記車両の経路を変えることと、
    前記車両を停止することの少なくとも１つを含む、請求項８に記載の車両。
11. 前記方法は、
    前記少なくとも１台のすぐ近くの車両を識別することと、
    前記少なくとも１台の車両に対する、それぞれが前記各車両の履歴を表わしている車両プロファイルにアクセスすることと、
    前記車両衝突の前記確率を決定するために、前記車両プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項８に記載の車両。
12. 前記方法は、
    前記少なくとも１台のすぐ近くの車両の運転手を識別することと、
    各運転手に対する、それぞれが前記各運転手の履歴を表わしている少なくとも１つの運転手プロファイルにアクセスすることと、
    前記車両衝突の前記確率を決定するために、前記少なくとも１つの運転手プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項８に記載の車両。
13. 前記方法は、
    リアルタイムで、前記車両から、前記車両の環境パラメータを記述しているデータを収集することと、
    前記車両衝突の前記確率を決定するために、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項８に記載の車両。
14. 車両の演算構成要素のハードウェアプロセッサにより実行可能な命令が符号化されている非一時的機械読取り可能格納媒体であって、前記機械読取り可能格納媒体は、前記ハードウェアプロセッサに、方法であって、
    それぞれが、車両事故に巻き込まれた車両に対して、事故の間の車両動作パラメータを示すデータを記述している情報を含んでいる、少なくとも１つの事故プロファイルにアクセスすることと、
    リアルタイムで、前記車両および少なくとも１台のすぐ近くの車両から、前記車両に対する現在の車両動作パラメータを記述しているデータを収集することと、
    車両衝突の確率を決定するために、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することと、
    車両衝突の前記確率が確率閾値を超えることに応答して防止行動を実現することを含む方法を実行させる命令を含む、媒体。
15. 車両衝突の前記確率が確率閾値を超えることに応答して防止行動を実現することは、
    前記車両の乗客に対して警報を生成することと、
    前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することの少なくとも１つを含む、請求項１４に記載の媒体。
16. 前記車両衝突を防止するために、前記車両の動作システムの１つ以上を制御することは、
    前記車両の速度を落とすことと、
    前記車両の経路を変えることと、
    前記車両を停止することの少なくとも１つを含む、請求項１４に記載の媒体。
17. 前記方法は、
    前記少なくとも１台のすぐ近くの車両を識別することと、
    前記少なくとも１台のすぐ近くの車両に対する、それぞれが前記各車両の履歴を表わしている車両プロファイルにアクセスすることと、
    前記車両衝突の前記確率を決定するために、前記車両プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１４に記載の媒体。
18. 前記方法は、
    前記少なくとも１台のすぐ近くの車両の運転手を識別することと、
    各運転手に対する、それぞれが前記各運転手の履歴を表わしている少なくとも１つの運転手プロファイルにアクセスすることと、
    前記車両衝突の前記確率を決定するために、前記少なくとも１つの運転手プロファイルと、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１４に記載の媒体。
19. 前記方法は、
    リアルタイムで、前記車両から、前記車両の環境パラメータを記述しているデータを収集することと、
    前記車両衝突の前記確率を決定するために、リアルタイムで収集された前記データを、前記少なくとも１つの事故プロファイルと比較することを更に含む、請求項１４に記載の媒体。
20. 前記方法は、１つ以上の事故プロファイルを生成することを更に含み、前記生成することは、
    各複数の事故に対して、各事故の間の車両動作パラメータの値を示す、複数の車両センサからのセンサデータを受信して格納することと、
    前記車両動作パラメータと、前記事故を示す値を識別するために、機械学習アルゴリズムを前記データに適用することと、
    前記識別された車両動作パラメータと値を表わしているプロファイルを生成することを含む、請求項１４に記載の媒体。