JP2021046193A - 混雑した道路における協働認識車線変更制御を提供するためのシステム及び方法 - Google Patents

Abstract

【課題】自車両と関連付けられた車両動的データを受信することと、自車両の周囲環境と関連付けられた環境データを受信することと、を含む、混雑した道路における協働認識車線変更制御を提供するためのシステム及び方法を提供する。【解決手段】システム及び方法は、車両動的データを分析するための分析器、及び環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することを含む。システム及び方法は、自車両の将来の状態及び周囲車両の予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進する、ヒューリスティックアルゴリズムを実行することを更に含む。【選択図】図３

Description

自律運転の自車両は、もはや将来の概念ではなく、幅広い研究が、位置特定、知覚、及び実装形態並びに検証の制御にまたがる様々な態様において行われてきた。多くの研究は、経路重複回避技術を提供するロバストな制御に焦点を当ててきた。加えて、付加的な車線及び自車両の認識に基づき得る長手方向制御部を延在する車線変更方法が強調されている。これらの方法は、隣接する運転者の運動を予測するために、確率モデル又はシナリオベースのモデルを使用することが多い。しかしながら、多くの研究は、人間の運転者との相互作用が車線を変更するために必須である混雑した道路領域において適用されない場合がある。

一態様によれば、混雑した道路における協働認識車線変更制御を提供するためのコンピュータ実装方法が、自車両と関連付けられた車両動的データを受信することと、自車両の周囲環境と関連付けられた環境データを受信することと、を含む。コンピュータ実装方法はまた、車両動的データを分析するための分析器、及び環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することを含む。分析器は、自車両の将来の状態を予測するように構成され、リカレントニューラルネットワークは、自車両の周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている。コンピュータ実装方法は、自車両の将来の状態及び周囲車両の予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進するヒューリスティックアルゴリズムを実行することを更に含む。

別の態様によれば、命令を記憶しているメモリを含み、命令は、プロセッサによって実行されると、プロセッサに、自車両と関連付けられた車両動的データを受信させ、自車両の周囲環境と関連付けられた環境データを受信させる、混雑した道路における協働認識車線変更制御を提供するためのシステム。命令はまた、プロセッサに、車両動的データを分析するための分析器と、環境データを分析するリカレントニューラルネットワークとを含むコントローラを利用させる。分析器は、自車両の将来の状態を予測するように構成され、リカレントニューラルネットワークは、自車両の周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている。命令は更に、プロセッサに、自車両の将来の状態及び周囲車両の予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進するヒューリスティックアルゴリズムを実行させる。

更に別の態様によれば、命令を記憶する非一時的コンピュータ可読記憶媒体であって、プロセッサを含むコンピュータによって実行されるとき、自車両と関連付けられた車両動的データを受信することと、自車両の周囲環境と関連付けられた環境データを受信することと、を含む方法を実行する。コンピュータ実装方法はまた、車両動的データを分析するための分析器、及び環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することを含む。分析器は、自車両の将来の状態を予測するように構成され、リカレントニューラルネットワークは、自車両の周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている。コンピュータ実装方法は、自車両の将来の状態及び周囲車両の予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進するヒューリスティックアルゴリズムを実行することを更に含む。

本開示に特徴的であると考えられる新規な特徴は、添付の特許請求の範囲に記載される。以下の説明において、明細書及び図面をとおして、同様の部分にはそれぞれ同一の符号を付す。図面は必ずしも縮尺どおりに描画されておらず、明確性及び簡潔さのために、特定の図面は、誇張された又は一般化された形態で示され得る。しかしながら、本開示自体、並びにその好ましい使用モード、更なる目的及び進歩は、添付図面と併せて読むと、例示的な実施形態の以下の詳細な説明を参照することによって最も良く理解されるであろう。

本開示の例示的な実施形態による、混雑した道路における協働認識車線変更制御を提供するためのシステム及び方法を実装するための例示的な動作環境の概略図である。

本開示の例示的な実施形態による、アプリケーションによって利用される制御フレームワークの概要である。

本開示の例示的な実施形態による、車両動的データ及び自車両環境データをコントローラに通信するための方法のプロセスフロー図である。

本開示の例示的実施形態による、混雑した道路における協働認識車線変更制御を提供するために自律制御パラメータを判定するための方法のプロセスフロー図である。

本開示の例示的な実施形態による、敵対的生成ネットワークによって実行される車両形状モデルの例示的な実施例である。

本開示の例示的な実施形態による、混雑した道路における協働認識車線変更制御を提供するための方法のプロセスフロー図である。

以下は、本明細書で用いられる選択された用語の定義を含む。定義は、用語の範囲内に含まれかつ実施に使用され得る構成要素の様々な実施例及び／又は形態を含む。実施例は、限定することを意図するものではない。

本明細書で使用される場合、「バス」とは、コンピュータ内部又はコンピュータ間の他のコンピュータ構成要素に操作可能に接続された、相互接続されたアーキテクチャを指す。バスは、コンピュータ構成要素間でデータを転送することができる。バスは、とりわけ、メモリバス、メモリコントローラ、周辺バス、外部バス、クロスバースイッチ、及び／又はローカルバスであってもよい。バスはまた、とりわけ、媒体配向システム輸送（media oriented systems transport、ＭＯＳＴ）、コントローラエリアネットワーク（controller area network、ＣＡＮ）、ローカル相互接続ネットワーク（local interconnect network、ＬＩＮ）などのプロトコルを使用して、車両内部の構成要素を相互接続する、車両バスであってもよい。

本明細書で使用される場合、「コンピュータ通信」とは、２つ以上のコンピューティングデバイス（例えば、コンピュータ、パーソナルデジタルアシスタント、携帯電話、ネットワークデバイス）間の通信を指し、例えば、ネットワーク転送、ファイル転送、アプレット転送、電子メール、ハイパーテキスト転送プロトコル（hypertext transfer protocol、ＨＴＴＰ）転送などであってもよい。コンピュータ通信は、例えば、とりわけ、無線システム（例えば、ＩＥＥＥ８０２．１１）、イーサネットシステム（例えば、ＩＥＥＥ８０２．３）、トークンリングシステム（例えば、ＩＥＥＥ８０２．５）、ローカルエリアネットワーク（local area network、ＬＡＮ）、広域ネットワーク（wide area network、ＷＡＮ）、ポイントツーポイントシステム、回路スイッチングシステム、パケットスイッチングシステムを介して発生し得る。

本明細書で使用される場合、「ディスク」又は「ドライブ」とは、磁気ディスクドライブ、ソリッドステートディスクドライブ、フロッピーディスクドライブ、テープドライブ、Ｚｉｐドライブ、フラッシュメモリカード、及び／又はメモリスティックであってもよい。更に、ディスクは、ＣＤ−ＲＯＭ（コンパクトディスクＲＯＭ）、ＣＤ記録可能ドライブ（CD recordable drive、ＣＤ−Ｒドライブ）、ＣＤ書き換え可能ドライブ（CD rewritable drive、ＣＤ−ＲＷドライブ）、及び／又はデジタルビデオＲＯＭドライブ（digital video ROM、ＤＶＤ−ＲＯＭ）であってもよい。ディスクは、コンピューティングデバイスのリソースを制御する又は割り振るオペレーティングシステムを記憶することができる。

本明細書で使用される場合、「メモリ」は、揮発性メモリ及び／又は不揮発性メモリを含んでもよい。不揮発性メモリとしては、例えば、ＲＯＭ（read only memory、読み取り専用メモリ）、ＰＲＯＭ（programmable read only memory、プログラム可能な読み取り専用メモリ）、ＥＰＲＯＭ（erasable PROM、消去可能なＰＲＯＭ）、及びＥＥＰＲＯＭ（electrically erasable PROM、電気的に消去可能なＰＲＯＭ）を挙げることができる。揮発性メモリとしては、例えば、ＲＡＭ（ランダムアクセスメモリ）、同期型ＲＡＭ（synchronous RAM、ＳＲＡＭ）、ダイナミックＲＡＭ（dynamic RAM、ＤＲＡＭ）、同期型ＤＲＡＭ（synchronous DRAM、ＳＤＲＡＭ）、ダブルデータレートＳＤＲＡＭ（double data rate SDRAM、ＤＤＲ ＳＤＲＡＭ）、及びダイレクトＲＡＭバスＲＡＭ（direct RAM bus RAM、ＤＲＲＡＭ）を挙げることができる。メモリは、コンピューティングデバイスのリソースを制御する又は割り振るオペレーティングシステムを記憶することができる。

本明細書で使用される場合、「モジュール」は、機能若しくは行動を実行するため、並びに／又は別のモジュール、メソッド、及び／若しくはシステムからの機能若しくは行動を引き起こすための、命令を記憶する非一時的コンピュータ可読媒体、機械上で実行される命令、ハードウェア、ファームウェア、機械で実行中のソフトウェア、及び／又はそれぞれの組み合わせを含むが、これらに限定されない。モジュールはまた、論理、ソフトウェア制御マイクロプロセッサ、別個の論理回路、アナログ回路、デジタル回路、プログラムされた論理デバイス、実行命令を含むメモリデバイス、論理ゲート、ゲートの組み合わせ、及び／又は他の回路構成要素を含んでもよい。複数のモジュールは、１つのモジュールに組み合わされてもよく、単一モジュールは、複数のモジュール間に分散されてもよい。

「操作可能な接続」、又はエンティティが「操作可能に接続される」ことによる接続は、信号、物理的通信、及び／又は論理的通信が、送信及び／又は受信され得るものである。操作可能な接続は、無線インターフェース、物理的インターフェース、データインターフェース、及び／又は電気インターフェースを含んでもよい。

本明細書で使用される場合、「プロセッサ」は、信号を処理し、一般的なコンピューティング及び演算機能を行う。プロセッサによって処理された信号は、デジタル信号、データ信号、コンピュータ命令、プロセッサ命令、メッセージ、ビット、ビットストリーム、又は受信、送信、及び／若しくは検出され得る他の手段を含んでもよい。一般に、プロセッサは、複数の単一及びマルチコアのプロセッサ及びコプロセッサ並びに他の複数の単一及びマルチコアのプロセッサ及びコプロセッサアーキテクチャを含む、多種の様々なプロセッサであってもよい。プロセッサは、様々な機能を実行するための様々なモジュールを含んでもよい。

本明細書で使用される場合、「車両」は、１人以上の人間の乗員を運ぶことができ、任意の形態のエネルギーによって電力供給される、任意の移動車両を指し得る。「車両」という用語には、限定するものではないが、自動車、トラック、バン、ミニバン、ＳＵＶ、オートバイ、スクータ、ボート、ゴーカート、アミューズメントライドカー、鉄道輸送、水上バイク、及び航空機が含まれる。場合によっては、モータ車両は、１つ以上のエンジンを含む。更に、「車両」という用語は、１人以上の人間の乗員を運ぶことができ、電気電池によって電力供給される１つ以上の電気モータによって、完全に又は部分的に電力供給される、電気車両（electric vehicle、ＥＶ）を指し得る。ＥＶは、電池電気自動車（battery electric vehicle、ＢＥＶ）及びプラグインハイブリッド電気自動車（plug-in hybrid electric vehicle、ＰＨＥＶ）を含んでもよい。追加的に、「車両」という用語は、任意の形態のエネルギーによって動力を供給される、自律型車両及び／又は自動運転型車両を指し得る。自律型車両は、１人以上の人間の乗員を運んでいても運んでいなくてもよい。更に、「車両」という用語は、所定の経路又は自由移動車両で自動化又は非自動化される車両を含んでもよい。

本明細書で使用される場合、「値」及び「レベル」とは、とりわけ、百分率、非数値、離散的な状態、離散値、連続値などの数値、又は他の種類の値若しくはレベルを含むことができるが、これらに限定されない。「Ｘの値」又は「Ｘのレベル」という用語は、この詳細な説明全体を通じて、及び特許請求の範囲で使用される場合、Ｘの２つ以上の状態を区別するための任意の数値又は他の種類の値を指す。例えば、場合によっては、Ｘの値又はレベルは、０％〜１００％の割合として与えられてもよい。他の場合には、Ｘの値又はレベルは、１〜１０の範囲の値であり得る。更に他の場合では、Ｘの値又はレベルは数値でなくてもよいが、「非Ｘ」、「わずかにｘ」、「ｘ」、「非常にｘ」、及び「極ｘ」などの所与の離散した状態と関連付けることができる。
Ｉ．システムの概要

ここで図面を参照すると、表示は、１つ以上の例示的な実施形態を例示する目的のためであり、限定する目的のためではなく、図１は、本開示の例示的な実施形態による、混雑した道路における協働認識車線変更制御を提供するためのシステム及び方法を実装するための例示的な動作環境１００の概略図である。環境１００の構成要素、並びに本明細書で考察される他のシステム、ハードウェアアーキテクチャ、及びソフトウェアアーキテクチャの構成要素は、様々な実施形態のために異なるアーキテクチャに組み合わされるか、省略されるか、又は編成されてもよい。

概して、環境１００は、とりわけ、１つ以上のアプリケーション、オペレーティングシステム、自車両システム、及びサブシステムユーザインターフェースを実行する電子制御ユニット（electronic control unit、ＥＣＵ）１０４を有する自車両１０２を含む。ＥＣＵ１０４はまた、高密度交通条件において、自車両１０２の協働認識車線変更制御を提供するように構成され得る、協働認識の混雑道路制御アプリケーション（協働認識アプリケーション）１０６を実行してもよい。以下でより詳細に論じられるように、協働認識アプリケーション１０６は、数学的制御フレームワークコントローラ（コントローラ）１０８に対して、自車両１０２の現在の状態として入力される、自車両１０２の自律的動作に関する１つ以上の検知された動的パラメータと関連付けられた車両動的データを受信するように構成されてもよい。

コントローラ１０８は、状態に基づいて、自車両１０２の将来の位置を予測するために数学的モデルを利用するように構成されてもよく、自車両１０２を円滑に（例えば、急な加速なく、急な制動なく、急な発進なく、急な旋回なく、周囲車両の経路との重複なく、周囲車両に割り込むことなく）所望の目的車線に車線を変更するように自律的に制御するために制御制約条件が続くことを確実にするために、自車両１０２の周囲環境内に位置付けられる周囲車両のドライバに関する相互作用の予測を行ってもよい。

アプリケーション１０６は、車道の車線及び周囲車両（図５に示される）を含み得る車道を含む、自車両１０２の周囲環境と関連付けられた環境データを受信するように構成されている。後述するように、協働認識アプリケーション１０６は、社会的敵対的生成ネットワーク（ＳＧＡＮ）１１０を利用するように構成されてもよい。ＳＧＡＮ１１０は、自車両１０２の周囲環境内に位置する周囲車両（図示せず）の位置を分析して、（非線形の）周囲車両の相互作用運動（ｔ＋１、ｔ＋２などの時間枠における）（例えば、周囲車両の運転者の推算運転操作）、を予測するように構成され得るリカレントニューラルネットワークとして構成されてもよい。ＳＧＡＮ１１０によって予測されるような周囲車両の予測された相互作用運動及びコントローラ１０８によって予測されるような自車両１０２の将来の状態（例えば、位置、速度、進行方向など）は、コントローラ１０８によって計算され得る制御制約条件に対する順守に関して、ヒューリスティックアルゴリズムによって分析されてもよい。後述するように、かかる制御制約条件は、予測相互作用的運動に基づき得る、周囲車両との自車両１０２の経路の重複を回避するために、自車両１０２の動作に対する制約条件を提供するように計算されてもよい。

したがって、制御制約条件に従い得る自車両１０２の制御と関連付けられた見こみ車両動的パラメータを含む、特定の制御候補を利用して、車線変更シナリオ中に、自車両１０２を自律的に動作させるために実行され得る１つ以上の自律制御パラメータを提供することができる。したがって、アプリケーション１０６は、（例えば、高密度交通条件中に）車道を走行し得る周囲車両の経路（複数可）との重複を回避しながら、自車両１０２が走行している車道の目標車線に自車両１０２が進入することを可能にし得る。アプリケーション１０６は、付加的に、自車両１０２の自律制御により、円滑な加速、制動、操縦などを可能にし、それによって、目標車線への自車両１０２の円滑な車線変更を確実とすることができる。

図１を引き続き参照し、かつアプリケーション１０６によって利用される制御フレームワークの概要である、図２を参照すると、例示的な実施形態では、協働認識アプリケーション１０６は、コントローラ１０８を利用して、自車両１０２の現在の状態２０２を判定するために、自車両１０２の車両動的データを体系的に評価するために基準として、モデル予測制御を使用することができる。かかる車両動的データは、自車両１０２の位置、自車両１０２の速度、自車両１０２の進行方向、自車両１０２の操舵角、自車両１０２の加速度等と関連付けられてもよい。後述するように、車両動的データは、協働認識アプリケーション１０６によってコントローラ１０８に入力されるように、自車両１０２の車両動的センサ１１２によって提供されてもよい。

後述するように、コントローラ１０８は、自車両１０２の現在の状態２０２を利用して、自車両１０２の１つ以上の将来の状態を予測するために利用され得る、自車両１０２の現在の状態２０２を分析するためのコストを判定する最適化問題を実行することができる。１つ以上の将来の状態は、自車両１０２の現在の状態内に含まれる車両動的データに基づいて、自車両１０２の実行可能な軌道を判定するために使用され得る自転車運動学モデル２０４に基づいて、予測されてもよい。例えば、自転車運動学モデル２０４は、簡略化された自車両力学をシミュレートするために、自転車の車両モデルを作成してもよい。

一実施形態では、協働認識アプリケーション１０６は、車線変更操作中に自車両１０２が周囲車両の経路と重複しないことを確実とするために、車線変更事象中に発生し得る、自車両１０２と周囲車両との間の最小距離として計算され得る、制御制約条件２０６を満たすように適用され得る局所的に最適な解決策を見出すことができる。制御制約条件２０６内で自車両１０２が動作することを可能にするために、アプリケーション１０６は、ＳＧＡＮ１１０を利用して、自車両１０２が走行している車道上に位置付けられ得る周囲車両の相互作用運動を予測することができる。後述するように、予測される相互作用運動は、ＳＧＡＮ１１０によって分析されるためにアプリケーション１０６によってコントローラ１０８に入力される位置データ２０８に基づいて、アプリケーション１０６によって判定され得る周囲車両の予測位置に関連し得る。

状態、制約、及び予測される自車両の運動に関するデータは、コントローラ１０８によって実行され得るヒューリスティックアルゴリズムソルバ２１０に提供されて、車線変更操作中に自車両１０２の潜在的制御と関連付けられた見込み車両動的パラメータを含む、Ｎ制御候補を生成するために、Ｍｏｎｔｅ−Ｃａｒｌｏ及びＲｏｌｌ−ｏｕｔヒューリスティックアルゴリズムを更に実行することができる。コントローラ１０８は、制御制約条件２０６に対する制御候補を評価するために、周囲車両の予測位置に関して適用され得る、様々な予測動的パラメータ（例えば、速度、位置、進行方向、操舵角など）を使用して、自車両１０２の予測される状態を伝搬してもよい。

具体的には、コントローラ１０８は、計算された制御制約条件２０６に対して制御候補を評価して、制御制約条件２０６内に含まれる車線変更事象中に発生し得る、自車両１０２と周囲車両との間の最小距離と関連付けられた、最小距離閾値を満たさない制御候補を破棄することができる。制御制約条件２０６に従わない制御候補の廃棄は、自車両１０２の経路が周囲車両の閾値距離（複数可）未満になることを可能とし得る、及び／又は車線変更操作中に、自車両１０２の経路が周囲車両の経路と重複することを可能とし得る様式では、自車両１０２は、自律的に制御されないことを確実とし得る。

コントローラ１０８は、制御制約条件２０６内に含まれるように、車線変更事象中の自車両１０２と周囲車両との間の距離と関連付けられる、最小距離閾値を満たす制御候補を利用して、加速度パラメータ、操舵角パラメータ、制動パラメータなどの形態の自律制御パラメータ２１２を出力することができる。後述するように、アプリケーション１０６は、制御制約条件２０６により、車道上を走行し得る周囲車両の経路（複数可）との重複を回避しながら、自律制御パラメータ２１２を自車両１０２の車両自律コントローラ１１６に通信して、自車両１０２が走行している車道の目標車線に円滑に合流するように、自車両１０２を自律的に制御するように構成され得る。

図１を引き続き参照すると、ＥＣＵ１０４に加えて、自車両１０２はまた、複数の構成要素、例えば、車両動的センサ１１２、記憶ユニット１１４、車両自律コントローラ１１６、車両カメラシステム１１８、車両ＬｉＤＡＲシステム１２０、及び車両システム／制御ユニット１２２を含んでもよい。１つ以上の実施形態では、ＥＣＵ１０４は、マイクロプロセッサ、１つ以上の特定用途向け集積回路（複数可）（application-specific integrated circuit、ＡＳＩＣ）、又は他の同様のデバイスを含んでもよい。ＥＣＵ１０４はまた、内部処理メモリ、インターフェース回路、及びデータを転送し、コマンドを送信し、自車両１０２の複数の構成要素と通信するためのバスラインを含むことができる。

ＥＣＵ１０４はまた、自車両１０２内で（例えば、１つ以上の構成要素間で）データを内部に送信し、外部ホスト型コンピューティングシステム（例えば、自車両１０２の外部）と通信するための通信デバイス（図示せず）を含んでもよい。概して、ＥＣＵ１０４は、記憶ユニット１１４内に記憶される１つ以上のアプリケーション、オペレーティングシステム、自車両システム、及びサブシステムユーザインターフェースなどを実行するために、記憶ユニット１１４と通信してもよい。

一実施形態では、ＥＣＵ１０４は、車両自律コントローラ１１６と通信して、特定の方法で完全に自律駆動されるか、又は半自律的に駆動されるように、自車両１０２を操作するための自律駆動コマンドを実行してもよい。後述するように、自律駆動コマンドは、計算された制御制約条件２０６に従う制御候補の実行に基づいて、コントローラ１０８によって判定され得る自律制御パラメータ２１２に基づいてもよい。

後述するように、アプリケーション１０６によって通信され得る１つ以上の実行可能なコマンド命令に基づいて、車両自律コントローラ１１６は、コントローラ１０８によって出力される自律制御パラメータ２１２に基づく様式で、自車両１０２を自律的に制御するように構成されてもよい。例えば、協働認識アプリケーション１０６は、コントローラ１０８によって計算された制御制約条件２０６に従いながら、自車両１０２が、自車両１０２の現在の車線から自車両１０２の目標車線に車線を円滑に変更するための円滑な加速、制動、及び／又は操縦を完了するために、自律的に動作されることを確実とするために、車両自律コントローラ１１６にコマンドを送信してもよい。

１つ以上の実施形態では、車両自律コントローラ１１６は、１つ以上のコマンドを車両システム／制御ユニット１２２のうちの１つ以上に提供して、自車両１０２の全自律又は半自律制御を提供することによって、自車両１０２の動作を自律的に制御してもよい。自車両１０２のそのような自律制御は、１つ以上の状況中（例えば、運転者支援制御を提供するとき）に自車両１０２を操作（例えば、駆動）するように、及び／又は自車両１０２の全行程中の自車両１０２の運転を完全に制御するために、１つ以上のコマンドを送信して、車両システム／制御ユニット１２２のうちの１つ以上を制御することによって提供され得る。

１つ以上のコマンドは、協働認識アプリケーション１０６によって判定される自律制御パラメータ２１２に基づいて、自律的に駆動される自車両１０２を制御するための、限定されるものではないが、エンジン制御ユニット、制動制御ユニット、送信制御ユニット、操舵制御ユニット等を含む、１つ以上の車両システム／制御ユニット１２２に提供されてもよい。

１つ以上の実施形態では、車両システム／制御ユニット１２２は、自車両１０２の車両動的センサ１１２に動作可能に接続されてもよい。車両動的センサ１１２は、１つ以上の自車両システム、サブシステム、制御システムなどからの入力を受信するように構成されてもよい。一実施形態では、車両動的センサ１１２は、自車両１０２のＣｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ（ＣＡＮ）の一部として含まれてもよく、１つ以上の自車両システム、サブシステム、制御システムなどのために利用されるように、車両動的データをＥＣＵ１０４に提供するように構成されてもよい。車両動的センサ１１２は、限定されるものではないが、位置センサ、進行方向センサ、速度センサ、操舵速度センサ、操舵角センサ、スロットル角度センサ、加速度計、磁力計、ジャイロスコープ、ヨーレートセンサ、制動力センサ、車輪速度センサ、車輪回転角度センサ、変速機センサ、温度センサ、ＲＰＭセンサ、ＧＰＳ／ＤＧＰＳセンサなど（個々のセンサは図示せず）を含み得る。

１つの構成では、車両動的センサ１１２は、１つ以上の駆動操作が行われる際、及び／又は自車両１０２が自律的に駆動されるように制御される際、自車両１０２のリアルタイム動的性能と関連付けられる１つ以上の値（例えば、数値レベル）を提供してもよい。後述するように、車両１０２の現在の状態２０２を表す車両動的データは、協働認識アプリケーション１０６によってコントローラ１０８に提供されて、自転車運動学モデル２０４を使用して更に分析されてもよい。

１つ以上の実施形態では、自車両１０２の記憶ユニット１１４は、ＥＣＵ１０４によって実行される、１つ以上のオペレーティングシステム、アプリケーション、関連するオペレーティングシステムデータ、アプリケーションデータ、自車両システム、及びサブシステムユーザインターフェースデータなどと関連付けられた１つ以上の実行可能ファイルを記憶するように構成することができる。１つ以上の実施形態では、記憶ユニット１１４は、計算され得る１つ以上の制御制約条件２０６と関連付けられたデータを記憶するために協働認識アプリケーション１０６によってアクセスされ、自車両１０２を自律的に制御するために実行され得る１つ以上の自律制御パラメータ２１２を判断するために、１つ以上の制御候補と比較され得る。

引き続き図１を参照すると、車両カメラシステム１１８は、自車両１０２の周囲環境の１つ以上の画像（例えば、自車両１０２が走行している車道の画像）を捕捉するために、１つ以上の方向で、かつ１つ以上のエリアにおいて位置決めされ得るカメラ（図示せず）のうちの１つ以上を含み得る。車両カメラシステム１１８の１つ以上のカメラは、限定されるものではないが、自車両ダッシュボード、自車両バンパ、自車両前方照明ユニット、自車両フェンダ、及びフロントガラスの異なる部分を含む、自車両１０２の外部前部分に配設され得る。一実施形態では、１つ以上のカメラは、物体の外観に関するリッチな情報、並びに自車両１０２と自車両１０２の周囲環境内の物体との間の関係及び相互作用を捕捉するように構成された、ＲＧＢ帯域を捕捉し得るＲＧＢカメラとして構成することができる。

他の実施形態では、１つ以上のカメラは、三次元画像の形態で、環境情報を捕捉するように構成された立体カメラとして構成されてもよい。１つ以上の構成では、１つ以上のカメラは、自車両１０２の周囲環境の１つ以上の第１の人物視点のＲＧＢ画像／ビデオを捕捉するように構成されてもよい。車両カメラシステム１１８は、１つ以上のＲＧＢ画像／ビデオ（例えば、画像のシーケンス）を、協働認識アプリケーション１０６に通信されて、分析される画像データに変換するように構成されてもよい。

例示的な実施形態では、車両ＬｉＤＡＲシステム１２０は、複数のＬｉＤＡＲセンサ（図示せず）に動作可能に接続されてもよい。具体的には、車両ＬｉＤＡＲシステム１２０は、自車両１０２の周囲環境の場所に向かって、紫外線、可視光、又は近赤外光のうちの１つ以上のレーザビームを振動して、放射するように構成され得る、それぞれの３次元ＬｉＤＡＲセンサを含む、１つ以上の平面走査レーザを含み得る。複数のＬｉＤＡＲセンサは、自車両１０２の周囲環境内に位置する周囲車両などの１つ以上の物体から反射される、１つ以上の反射されたレーザ波（例えば、信号）を受信するように構成されてもよい。換言すれば、１つ以上のレーザビームを自車両１０２の周囲環境に送信すると、１つ以上のレーザビームは、１つ以上の障害物、静的物体（例えば、交通コーン、ランプポスト）、及び／又は、１つ以上の時点で自車両１０２の周囲環境内に位置し得る周囲車両などの動的物体によってレーザ波として反射され得る。

一実施形態では、複数のＬｉＤＡＲセンサの各々は、反射されたレーザ波を分析し、それぞれのＬｉＤＡＲデータを協働認識アプリケーション１０６に出力するように構成されてもよい。ＬｉＤＡＲデータは、自車両１０２の周囲環境内に位置し得る周囲車両などの、１つ以上の動的物体の場所、位置、深さ、及び／又は寸法（例えば、測定値）と関連付けられ得るＬｉＤＡＲ座標を含んでもよい。

後述するように、車両カメラシステム１１８によって提供される画像データ、及び／又は車両ＬｉＤＡＲシステム１２０によって提供されるＬｉＤＡＲデータは、分析される位置データ２０８の形態でコントローラ１０８に通信されてもよい。コントローラ１０８は、処理ユニット１２４、モデル予測制御分析器（ＭＰＣ分析器）１２６、及びＳＧＡＮ１１０を含んでもよい。コントローラ１０８及びコントローラ１０８の構成要素と関連付けられたデータは、記憶ユニット１１４及び／又は外部ホスト型コンピューティングインフラストラクチャ（図示せず）上に記憶されてもよく、これは、自車両１０２及び外部ホスト型コンピューティングインフラストラクチャのテレマティクス制御ユニット（図示せず）との通信を通じてアクセスされ得る。

例示的な実施形態では、コントローラ１０８は、処理ユニット１２４によって制御されてもよい。処理ユニット１２４は、入力されたデータを分析し、ＭＰＣ分析器１２６及びＳＧＡＮ１１０によって協働認識アプリケーション１０６にデータを出力するために利用され得る人工知能能力を提供するために、機械学習／深学習を利用するように構成される処理能力を提供するように構成されてもよい。加えて、処理ユニット１２４は、処理ユニット１２４（例えば、処理ユニット１２４のサブモジュール）のヒューリスティックアルゴリズムソルバ２１０を用いるために利用され得る人工知能能力を提供するために、機械学習／深学習を利用するように構成される処理能力を提供して、Ｎ制御候補を計算するために、Ｍｏｎｔｅ−Ｃａｒｌｏ及びＲｏｌｌ−ｏｕｔヒューリスティックアルゴリズムを更に実行するように構成されてもよい。

例えば、処理ユニット１２４は、コントローラ１０８に入力された周囲車両の現在の位置（複数可）と関連付けられる自車両１０２の現在の状態２０２及び／又は位置データ２０８の形態で動的データを処理してもよく、及び、限定されるものではないが、自車両１０２の将来の状態（複数可）の予測、周囲車両の相互作用運動の予測、制御制約条件２０６の計算、制御候補の処理、及び自車１０２を自律的に制御するための自律制御パラメータ２１２の出力を含み得る様々な機能を提供するために、１つ以上のデータセットにアクセスしてもよい。

１つ以上の実施形態では、コントローラ１０８のＭＰＣ分析器１２６は、自車両１０２の車両動的データを体系的に評価して、自車両１０２の現在の状態２０２を判定する基準として、モデル予測制御を使用してもよい。ＭＰＣ分析器１２６は、自転車運動学モデル２０４を更に実行して、自車両１０２の現在の状態２０２を評価し、それにより、１つ以上の将来のタイムスタンプ（例えば、ｔ＋１、ｔ＋２）での自車両１０２の進行方向、位置、及び場所に関連する、自車両１０２の１つ以上の将来の状態を予測してもよい。

ＭＰＣ分析器１２６によって利用される自転車運動学モデル２０４は、自車両１０２の車軸（図示せず）間の長さによって画定される２つの車軸を有する自車両１０２を表す数学モデルであってもよく、それによって、自車両１０２の将来の状態を予測するために使用されてもよい。例えば、自転車運動学モデル２０４は、１つ以上の将来の時間枠（例えば、時間枠ｔ＋１）における自車両１０２の将来の状態に関して、自車両１０２の前輪と関連付けられた操舵角及び自車両１０２の後軸の中心に画定され得る自車両１０２の進行方向を予測するために、利用され得る。

一実施形態では、ＳＧＡＮ１１０は、運動予測を完了するためにコントローラ設計パラメータで予め訓練され得るリカレントニューラルネットワークとして構成されてもよい。ＳＧＡＮ１１０は、コントローラ１０８に入力され得る位置データ２０８に基づいて、周囲車両の中心位置を判定するように構成されてもよく、周囲車両の予測される運動の出力として（例えば、時間枠ｔ＋１で）、予測範囲にわたる周囲車両の中心位置を予測することができる。ＳＧＡＮ１１０は、各時間工程においてＭＰＣ分析器１２６によって予測されるように、自車両１０２の将来の状態（複数可）を伝搬してもよい。

後述するように、ＳＧＡＮ１１０はまた、車両形状モデルを使用して制御制約条件２０６を計算するように構成されてもよい。１つ以上の実施形態では、処理ユニット１２４は、ヒューリスティックアルゴリズムソルバ２１０を用いて、Ｍｏｎｔｅ−Ｃａｒｌｏ及びＲｏｌｌ−ｏｕｔヒューリスティックアルゴリズムを実行して、自車両１０２の自律動作を動作可能に制御するために使用され得る、それぞれの自律制御パラメータ２１２を出力するために実行され得る制御候補を計算することができる。コントローラ１０８は、計算された制御制約条件２０６に従い得る制御候補を更に判定することができる。コントローラ１０８は、計算された制御制約条件２０６に従うと判定された制御候補の実行に基づき得る、自律制御パラメータ２１２を出力して、自車両１０２が、円滑な様式で目標車線への車線変更を完了することを確実とするように構成され得る。
ＩＩ．協働認識混雑道路制御アプリケーション及び関連方法

協働認識アプリケーション１０６の構成要素を、例示的な実施形態に従って、かつ図１を参照して説明する。例示的な実施形態では、協働認識アプリケーション１０６は、記憶ユニット１１４上に記憶され、自車両１０２のＥＣＵ１０４によって実行されてもよい。別の実施形態では、協働認識アプリケーション１０６は、外部ホスト型コンピューティングインフラストラクチャ上に記憶され得、自車両１０２のテレマティクス制御ユニットによってアクセスされて、自車両１０２のＥＣＵ１０４によって実行されてもよい。

ここで、協働認識アプリケーション１０６の一般的な機能性について考察する。例示的な実施形態では、協働認識アプリケーション１０６は、混雑した道路における協働認識車線変更制御を提供するように構成され得る複数のモジュール１２８〜１３４を含んでもよい。複数のモジュール１２８〜１３４は、データ受信モジュール１２８、車両状態モジュール１３０、相互作用予測モジュール１３２、及び自律制御モジュール１３４を含み得る。しかしながら、協働認識アプリケーション１０６は、モジュール１２８〜１３２の代わりに含まれる１つ以上の追加のモジュール及び／又はサブモジュールを含んでもよいことを理解されたい。

図３は、本開示の例示的実施形態による、車両動的データ及び自車両環境データをコントローラ１０８に通信するための方法３００のプロセスフロー図である。図３は、図１及び図２の構成要素を参照して説明されるが、図３の方法３００は、他のシステム／構成要素と共に使用されてもよいことを理解されたい。方法３００は、ブロック３０２で開始することができ、方法３００は、自車両１０２の車両動的データを受信することと、車両動的データをコントローラ１０８に通信することと、を含み得る。

例示的な実施形態では、協働認識アプリケーション１０６のデータ受信モジュール１２８は、複数の自車両動的パラメータと関連付けられたリアルタイム車両動的データを受信するために、自車両１０２の車両動的センサ１１２と通信するように構成されてもよい。リアルタイム車両動的データは、限定されるものではないが、自車両１０２の現在の位置、自車両１０２の現在の進行方向、自車両１０２の現在の速度、自車両１０２の操舵の現在の操舵角、自車両１０２の操舵と関連付けられた現在の操舵速度、自車両１０２のスロットルの現在のスロットル角、自車両１０２の現在の加速度、自車両１０２の現在のヨーレート、自車両１０２のブレーキと関連付けられた現在の制動力、自車両１０２の現在の変速機、自車両１０２の現在のジオロケーション、などを含み得る。

一実施形態では、車両動的センサ１１２から車両動的データを受信すると、データ受信モジュール１２８は、それぞれのデータを車両状態モジュール１３０に通信するように構成されてもよい。一実施形態では、車両状態モジュール１３０は、複数の自車両動的パラメータと関連付けられた車両動的データを分析するように構成されてもよく、車両動的データを、自車両１０２の現在の状態２０２の形態で電子的にパッケージ化してもよい。車両状態モジュール１３０は、自車両１０２の現在の状態２０２をコントローラ１０８に通信してもよく、それによって、以下で論じるようにＭＰＣ分析器１２６によって分析されてもよい。

方法３００は、ブロック３０４に進み得、ここで方法３００は、自車両１０２の周囲環境と関連付けられた画像データを受信することを含んでもよい。例示的な実施形態では、データ受信モジュール１２８は、自車両１０２の車両カメラシステム１１８によって提供され得る、画像データの形態で、自車両１０２の周囲環境と関連付けられ得る環境データを受信するように構成されてもよい。上述のように、画像データは、車両カメラシステム１１８に動作可能に接続された１つ以上のカメラによって捕捉された、自車両１０２の周囲環境内に位置する１つ以上の周囲車両のＲＧＢ画像／映像に関連してもよい。いくつかの実施形態では、データ受信モジュール１２８は、１つ以上の時点で評価されるように、記憶ユニット１１４上に画像データをパッケージ化及び記憶してもよい。

方法３００は、ブロック３０６に進み得、ここで方法３００は、自車両１０２の周囲環境と関連付けられたＬｉＤＡＲデータを受信することを含んでもよい。例示的な実施形態では、データ受信モジュール１２８は、車両ＬｉＤＡＲシステム１２０によって提供され得るＬｉＤＡＲデータの形態の環境データを受信するように構成されてもよく、１つ以上の反射されたレーザ波と関連付けられてもよい。換言すれば、ＬｉＤＡＲデータは、自車両１０２の周囲環境内に位置し得る周囲車両と関連付けられたＬｉＤＡＲベースの観測を含んでもよい。いくつかの実施形態では、データ受信モジュール１２８は、１つ以上の時点で評価されるように、記憶ユニット１１４上にＬｉＤＡＲデータをパッケージ化及び記憶してもよい。

方法３００は、ブロック３０８に進み得、ここで方法３００は、画像データ及びＬｉＤＡＲデータを集約することと、自車両１０２の周囲環境内に位置する周囲車両の位置を判定することを含み得る。例示的な実施形態では、データ受信モジュール１２８は、画像データ及びＬｉＤＡＲデータを分析して、１つ以上の特定の周囲車両に対応するデータポイントを判定するように構成されてもよい。かかる対応するデータポイントは、自車両１０２の１つ以上の対応する部分上に配設され得る１つ以上のカメラ及び１つ以上のＬｉＤＡＲセンサ、自車両１０２の周囲環境と関連付けられた１つ以上の一定の方向と関連付けられたデータを捕捉し得る１つ以上のカメラ及び１つ以上のＬｉＤＡＲセンサ、及び／又は１つ以上の同時時間工程において、画像データ及びＬｉＤＡＲデータ内の捕捉されたデータポイント内に含まれ得る、１つ以上の周囲車両に基づいてもよい。

方法３００は、ブロック３１０に進み得、ここで方法３００は、自車両１０２の周囲環境内に位置する周囲車両の位置をコントローラ１０８に通信することを含み得る。例示的な実施形態では、集約された画像ＬｉＤＡＲデータを受信すると、相互作用予測モジュール１３２は、集約された画像ＬｉＤＡＲデータを解析し、自車両１０２の周囲環境内に位置する周囲車両の各々の位置と関連付けられた位置座標を判定するように構成されてもよい。位置座標は、自車両１０２の中心点の観点から、周囲車両の各々の位置に関連し得る固定座標として判定されてもよい。周囲車両の位置座標を判定すると、相互作用予測モジュール１３２は、周囲車両の位置に関連する位置データ２０８として位置座標をコントローラ１０８に通信するように構成されてもよい。後述するように、位置データ２０８は、ＳＧＡＮ１１０に入力されて、自車両１０２の周囲環境内に位置する周囲車両の相互作用運動を予測することができる。

図４は、本開示の例示的実施形態による、混雑した道路における協働認識車線変更制御を提供するために自律制御パラメータ２１２を判定するための方法４００のプロセスフロー図である。図４は、図１及び図２の構成要素を参照して説明されるが、図４の方法４００は、他のシステム／構成要素と共に使用されてもよいことを理解されたい。方法４００は、ブロック４０２で開始し得、方法４００は、自車両１０２の現在の状態２０２をＭＰＣ分析器１２６に入力することを含んでもよい。上述のように（図３のブロック３０２に関して）、車両状態モジュール１３０は、複数の自車両動的パラメータと関連付けられた車両動的データを分析するように構成されてもよく、車両動的データを、自車両１０２の現在の状態２０２の形態で電子的にパッケージ化してもよい。１つの構成では、車両状態モジュール１３０は、自車両１０２の現在の状態２０２をコントローラ１０８のＭＰＣ分析器１２６に入力するように構成されてもよい。

方法４００は、ブロック４０４に進むことができ、方法４００は、非直線的な自転車運動学モデル２０４を使用して、自車両１０２の将来の状態を予測することを含んでもよい。例示的な実施形態では、車両状態モジュール１３０から自車両１０２の現在の状態２０２の入力を受信すると、ＭＰＣ分析器１２６は、自転車運動学モデル２０４を実行して、自車両１０２の現在の位置及び自車両１０２の現在の特定の車両動的パラメータに基づいて、自車両１０２の将来の状態を計算するように構成されてもよい。

一実施形態では、運動学は、以下のように表され得る：

式中、（ｘ，ｙ）は、自車両１０２の中心点のデカルト座標であり、ψは、自車両１０２の初期進行方向であり、ｖは、自車両１０２の速度であり、ａは、自車両１０２の速度と同じ方向の自車両の中心の加速度である。指定ｌ_ｆ及びｌ_ｒは、それぞれ、自車両１０２の中心から自車両１０２の前方車軸及び後方車軸への距離を示す。制御入力は、（前輪）操舵角δ及び加速ａである。

一構成では、ＭＰＣ分析器１２６は、オイラーの離散化を使用して、次の形態ｚ（ｔ＋１）＝ｆ（ｚ（ｔ），ｕ（ｔ））において、自車両１０２の将来の状態の離散時間動的モデルを得ることができ、
式中ｚ＝［ｘｙψｖ］^Ｔ及びｕ＝［ａδ］^Ｔである。したがって、自車両１０２の将来の状態は、自車両１０２の中心点の将来の予測される位置と、自車両１０２の将来の予測される初期進行方向と、自車両１０２の将来の予測される速度と、自車両１０２の将来の予測される加速度と、自車両１０２の将来の予測される操舵角（例えば、ｔ＋１時間枠）と、を含んでもよい。自車両１０２の将来の状態は、１つ以上の将来の時間枠において、自車両１０２と関連付けられた追加又は代替の将来予測される動的パラメータを含んでもよいことが理解される。

方法４００は、ブロック４０６に進み得、ここで方法４００は、自車両１０２の状態及び周囲車両の位置に基づいて、適用される制御制約条件２０６を計算することを含み得る。例示的な実施形態では、自車両１０２の将来の状態を予測すると、ＭＰＣ分析器１２６は、現在の状態２０２及び自車両１０２の将来の状態をＳＧＡＮ１１０に通信してもよい。図３のブロック３１０で考察されたように、周囲車両の位置座標を判定すると、相互作用予測モジュール１３２は、周囲車両の位置に関連する位置データ２０８として位置座標をコントローラ１０８に通信するように構成されてもよい。具体的には、位置データ２０８は、自車両１０２の状態に関して、更に分析されるように、コントローラ１０８のＳＧＡＮ１１０に入力されてもよい。

例示的な実施形態では、ＳＧＡＮ１１０の制御目的は、自車両１０２を目標車線に円滑に合流させることができる。したがって、制御目的は、乗員の快適性のための円滑な加速及び操縦に関する好みを示すことができる。一実施形態では、目的関数は、以下のように公式化されてもよい：

式中、（ｌ｜ｔ）は、時間ｔにおける測定値に基づいて、時間ｌを示す。シンボルｘ_ｅｎｄは、自車両１０２の現在の車線が終了している状況における車線の端部の緯度座標であり、自車両１０２は、車線の端部に到達する前に、目標車線に合流しなければならない。Ｄ（ｌ｜ｔ）は、時間ｌでの自車両の中心点と目標車線との間のベクトルの距離基準であり、ｖ^ｒｅｆは、参照速度である。各ペナルティは、それぞれ

でＳＧＡＮ１１０によって規則化される。これにより、時宜的な車線の変化は、動的重み

で動機付けされてもよい。目標車線の垂直中心からの自車両１０２の中心点の逸脱は、ペナルティ化されてもよい。また、操舵角、加速度、急な発進、及び／又は操舵速度の制御努力は、制御目的によって無効化されない場合には、ペナルティ化されてもよい。

一実施形態では、２つの車両間の距離測定は、ＳＧＡＮ１１０によって考慮され得る。距離測定は、自車両１０２及び周囲車両の形状に基づいてもよい。したがって、ＳＧＡＮ１１０によって実行される車両形状モデルの例示的な実施例である図５に関して、ＳＧＡＮ１１０は、自車両１０２及び周囲車両５０２〜５１２を、自車両１０２及び周囲車両５０２〜５１２の前方、中央、及び後方部分の上に円を指定した円モデルを使用して、３つの領域に対してモデル化することができる。

円モデルでは、自車両１０２ｉに対する制御目的と一致する制御制約条件２０６は、以下のように公式化され得る：

式中、ｗ及びｈは、それぞれ、各車両の半分の幅及び半分の高さであり、

は、制御限度である。制御制約条件２０６は、自車両１０２と周囲車両との間の最小距離と関連付けられた、最小距離閾値を含んでもよく、これは、自車両１０２が周囲車両の閾値距離（複数可）未満にならないこと、及び／又は車両１０２の経路は、車線変更が円滑に完了することを確実にしながら、車線変更操作中に周囲車両の経路と重複しないことを確実にすることができる。

引き続き図４を参照すると、方法４００は、ブロック４０８に進むことができ、方法４００は、周囲車両の相互作用運動予測を完了することを含み得る。ＳＧＡＮ１１０は、互いに応答する運動として周囲車両の運動を考慮してもよく、したがって、自車両１０２の周囲環境内に位置する全ての周囲車両の運動を同時に予測し得る。ＳＧＡＮ１１０は、互いに対抗する発生器（図示せず）及び判別器（図示せず）を含んでもよい。発生器及び判別器は、周囲車両の運動の連続的な性質を考慮するために長短期メモリ（long-short term memory、ＬＳＴＭ）ネットワークとして構成されてもよい。

一実施形態では、ＳＧＡＮ１１０は、周囲車両の運動状態を互いにプールして、相互作用を評価し、それによって、各周囲車両ｉのためにプールされたテンソルＰ_ｉとしての相互作用を生成するように構成されてもよい。デコーダは、それによって、互いに社会的に相互作用する複数の軌跡を予測することができる。ＳＧＡＮ１１０は、入力として、周囲車両の各々と関連付けられた、入力された位置データ２０８に基づく、位置のシーケンスを、観測時間水平線Ｔ_ｏｂｓを介して行ってもよい。ＳＧＡＮ１１０は、予測対象期間Ｔ_ｐｒｅｄにわたる、周囲車両の各々に関する位置のシーケンスを出力してもよい。位置のシーケンスは、周囲車両の各々の中心点の予測座標に基づいてもよい。

例示的な実施形態では、ＳＧＡＮ１１０は、周囲車両の各々の中心点に対する予測座標を計算された制御制約条件２０６に組み込むように構成されてもよい。ＳＧＡＮ１１０は、関数φ（ｔ）をとることができる：

式中、

は、予測値を示す。時間ｔの下での観察を考慮すると、時間ｔ＋１における周囲車両（複数可）ｉの座標は、

として表される。例示的な実施形態では、ＳＧＡＮ１１０は、周囲車両の各々と関連付けられた相互作用運動予測を協働認識アプリケーション１０６の相互作用予測モジュール１３２に出力してもよい。車両状態モジュール１３０及び相互作用予測モジュール１３２は、自車両１０２の状態（例えば、現在及び将来の状態）と、周囲車両の将来の位置の相互作用運動予測を協働認識アプリケーション１０６の自律制御モジュール１３４にそれぞれ通信するように構成されてもよい。

方法４００は、ブロック４１０に進み得、ここで方法４００は、自車両１０２の状態及び周囲車両の位置に基づいて、処理制御候補を含んでもよい。例示的な実施形態では、自律制御モジュール１３４は、コントローラ１０８の処理ユニット１２４と通信して、現在の状態２０２に基づく制御候補、及び（周囲車両の相互作用運動予測として）予測対象期間にわたる周囲車両の各々の将来の位置のシーケンスに含まれる、自車両１０２の将来予測される状態を処理し得る。処理ユニット１２４は、ヒューリスティックアルゴリズムソルバ２１０を用いて、時間効率的な方法で局所的に最適な解決策を見出すロールアウトベースのアルゴリズムを実行することができる。時間ｔにおける現在の状態２０２から、ヒューリスティックアルゴリズムソルバ２１０は、対象期間Ｔにわたって制御候補の有限セットを生成することができ、Ｕ＝｛Ｕ_１，．．．，Ｕ_ｊ，．．．，Ｕ_Ｎｓｉｍ｝式中Ｕ_ｊ＝［ｕ_ｊ（０｜ｔ）．．．ｕ_ｊ（Ｔ−１｜ｔ］^Ｔ。

方法４００は、ブロック４１２に進み得、ここで方法４００は、制御候補を制御制約条件２０６に対して分析して、実行する制御候補を判定することを含み得る。例示的な実施形態では、ヒューリスティックアルゴリズムソルバ２１０が、対象期間Ｔにわたる制御候補の有限の組を処理すると、コントローラ１０８は、（ブロック４０６で考察されたように）以前に計算された制御制約条件２０６に対して制御候補を分析するように構成されてもよい。１つの構成では、コントローラ１０８は、制御制約条件２０６に基づき得る、自車両１０２と周囲車両との間の最小距離と関連付けられた最小距離閾値に基づいて、各制御候補の累積コストを評価するように構成されてもよい。考察されるように、最小距離閾値は、車線チェンジ事象中に発生する、自車両１０２の予測された位置（複数可）と、周囲車両の予測された位置（複数可）との間の最小距離と関連付けられて、自車両１０２が、周囲車両の閾値距離（複数可）未満にならないこと、及び／又は自車両１０２の経路が、車線変更が円滑に完了することを確実にしながら、車線変更操作中に周囲車両の経路と重複しないことを確実にすることができる。

一実施形態では、コントローラ１０８は、アクションＵ_ｊを与えて自車両１０２を伝搬してもよく、制御制約条件２０６に対して制御候補の各々を分析してもよい。例えば、コントローラ１０８は、制御制約条件２０６内に含まれ得る、自車両１０２と周囲車両との間の最小距離と関連付けられた最小距離閾値に対して、制御候補を分析してもよい。一実施形態では、コントローラ１０８は、制御制約条件２０６に従わない制御候補を廃棄するように構成されてもよい。

方法４００は、ブロック４１４に進み得、ここで方法４００は、制御候補の実行に基づいて、自律制御パラメータ２１２を出力することを含み得る。例示的な実施形態では、制御制約条件２０６に従わない制御候補を廃棄すると、コントローラ１０８は、車線変更事象中に、自車両１０２と周囲車両との間の距離と関連付けられた最小距離閾値を満たすことによって、制御制約条件２０６に従う制御候補を利用して、加速度パラメータ、操舵角パラメータ、制動パラメータなどの形態で、自律制御パラメータ２１２を出力することができる。自律制御パラメータ２１２は、自律制御モジュール１３４に出力されてもよく、それによって実行され得る。

状況によっては、特定の時間工程において、制御制約条件２０６に従う制御候補が存在しないことが可能である場合がある。したがって、制御候補の全てを廃棄する場合がある。特定の時間工程に関して、自律制御パラメータ２１２は、特定の時間工程中に、自車両１０２が、車線変更するための実行可能な領域がない場合に、車線変更を完了するように制御されないことを確実にするために、最大制動パラメータ及び／又はゼロ操舵パラメータとして出力されてもよい。後続の時間工程中、制御候補は、そのため、制御制約条件２０６に従い得る制御候補を判定するために分析され得る。このように、制御制約条件２０６に中実である制御候補を判定すると、コントローラ１０８は、車線変更事象中の自車両１０２と周囲車両との間の距離と関連付けられた最小距離閾値を満たすことによって、制御制約条件２０６に従う制御候補を利用して、自律制御パラメータ２１２を出力することができる。

方法４００は、ブロック４１６に進み得、ここで方法４００は、自律制御パラメータ２１２に基づいて、自車両１０２を動作可能に制御して、目標車線への車線変更を円滑に完了させることを含み得る。一実施形態では、（ブロック４１４において）コントローラ１０８によって出力される自律制御パラメータ２１２を受信すると、自律制御モジュール１３４は、自律制御パラメータ２１２を実行して、自車両１０２を自律的に制御するように構成されてもよい。具体的には、自律制御パラメータ２１２の実行時に、自律制御モジュール１３４は、自律制御パラメータ２１２の各々と関連付けられた１つ以上のコマンドを車両自律コントローラ１１６に通信してもよい。

車両自律コントローラ１１６は、それにより、自車両１０２の１つ以上の構成要素、システム、サブシステムを動作可能に制御して、自車両１０２を目標車線に円滑に合流させるために、コントローラ１０８によって出力される自律制御パラメータ２１２に従って、自車両１０２を自律的に動作させることができる。具体的には、自車両１０２は、自車両１０２が走行している車道上の目標車線に円滑に合流するために、制御制約条件２０６に従う自律制御パラメータ２１２に応じて、（例えば、特定の速度、加速度、操舵角、スロットル角、制動力等を適用して）自律的に動作するように、動作可能に制御されてもよい。したがって、協働認識アプリケーション１０６は、高密度交通条件で発生し得る、自車両１０２の協働認識車線変更制御を促進する。

図６は、本開示の例示的な実施形態による、混雑した道路における協働認識車線変更制御を提供するための方法６００のプロセスフロー図である。図６は、図１及び図２の構成要素を参照して説明されるが、図６の方法６００は、他のシステム／構成要素と共に使用されてもよいことを理解されたい。方法６００は、ブロック６０２で開始することができ、ここで方法６００は、自車両１０２と関連付けられた車両動的データを受信することを含み得る。方法６００は、ブロック６０４に進み得、ここで方法６００は、自車両１０２の周囲環境と関連付けられた環境データを受信することを含んでもよい。

方法６００は、ブロック６０６に進み得、ここで方法６００は、車両動的データを分析するための分析器及び環境データを分析するためのリカレントニューラルネットワークを含むコントローラ１０８を利用することを含み得る。一実施形態では、分析器は、自車両１０２の将来の状態を判定するためのモデル予測制御を使用するように構成され、リカレントニューラルネットワークは、自車両１０２の周囲環境内に位置する周囲車両の相互作用運動を予測するように構成された、訓練された社会的敵対的生成ネットワークとして構成されている。方法６００は、ブロック６０８に進み得、ここで方法６００は、自車両１０２の将来の状態及び周囲車両の予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進する、ヒューリスティックアルゴリズムを実行することを含み得る。

上述の説明から、本開示の様々な例示的な実施形態がハードウェアで実装され得ることが明らかであるべきである。更に、様々な例示的な実施形態は、本明細書で詳細に説明される操作を行うために少なくとも１つのプロセッサによって読み取り及び実行され得る、揮発性又は不揮発性メモリなどの非一時的機械可読記憶媒体上に記憶された命令として実施されてもよい。機械可読記憶媒体は、パーソナルコンピュータ又はラップトップコンピュータ、サーバ、又は他のコンピューティングデバイスなどの機械によって読み取り可能な形態で情報を記憶するための任意の機構を含んでもよい。したがって、非一時的機械可読記憶媒体は、一時信号を除外するが、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスク記憶媒体、光学記憶媒体、フラッシュメモリデバイス、及び同様の記憶媒体を含むがこれらに限定されない揮発性及び不揮発性メモリの両方を含んでもよい。

本明細書の任意のブロック図は、本開示の原理を具現化する例示的な回路の概念図を表すことを当業者は理解すべきである。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、そのようなコンピュータ又はプロセッサが明示的に示されているか否かにかかわらず、機械可読媒体に実質的に表され、コンピュータ又はプロセッサによって実行され得る様々なプロセスを表すことが理解されるであろう。

上記に開示された及び他の特徴並びに機能又はこれらの代替物若しくは変形の様々な実施が、望ましくは多くの他の異なるシステム又はアプリケーションに組み合わされ得ることが理解されるであろう。また、当業者であれば、現在予測されていない、又は予期されていない様々な代替例、修正例、変形例、又は改良例を連続的に行うことができ、これらも添付の特許請求の範囲によって包含されることが意図される。

Claims (20)

1. 混雑した道路における協働認識車線変更制御を提供するためのコンピュータ実装方法であって、
   自車両と関連付けられた車両動的データを受信することと、
   前記自車両の周囲環境と関連付けられた環境データを受信することと、
   前記車両動的データを分析するための分析器及び前記環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することであって、前記分析器が、前記自車両の将来の状態を予測するように構成されており、前記リカレントニューラルネットワークが、前記自車両の前記周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている、利用することと、
   前記自車両の前記将来の状態及び前記周囲車両の前記予測される相互作用運動を順次評価して、前記混雑した道路における前記協働認識車線変更制御を促進する、ヒューリスティックアルゴリズムを実行することと、を含む、方法。
2. 車両動的データを受信することが、複数の自車両動的パラメータと関連付けられた前記車両動的データを分析することと、前記車両動的データを、前記自車両の現在の状態の形態で電子的にパッケージ化することと、を含む、請求項１に記載のコンピュータ実装方法。
3. 前記環境データを受信することが、前記自車両の前記周囲環境と関連付けられた画像データ及びＬｉＤＡＲデータを受信することを含み、前記画像データ及び前記ＬｉＤＡＲデータが集約され、前記周囲車両の位置と関連付けられた位置座標が判定される、請求項２に記載のコンピュータ実装方法。
4. 前記コントローラを利用することが、前記現在の状態を前記分析器に入力して、前記車両動的データを分析することを含み、前記分析器が、モデル予測制御を使用するように構成されており、前記車両動的データに基づいて、前記自車両の前記将来の状態を予測するために非線形の自転車運動学モデルを使用し、前記自車両の前記将来の状態が、前記自車両の中心点の将来の予測される位置を含む、請求項３に記載のコンピュータ実装方法。
5. 前記コントローラを利用することが、位置データを前記リカレントニューラルネットワークに入力して、前記環境データを分析することを含み、目標車線に車線を円滑に変更するための制御目的が、前記制御目的に適合する制御制約条件を計算するように処理される、請求項３に記載のコンピュータ実装方法。
6. 前記制御制約条件は、前記自車両が、前記周囲車両の閾値距離未満近づかず、前記自車両の経路が、前記周囲車両の経路と重複しないことを確実とするように許容された、前記自車両と前記周囲車両との間の最小距離と関連付けられている最小距離閾値を含む、請求項５に記載のコンピュータ実装方法。
7. 前記リカレントニューラルネットワークが、前記周囲車両の運動状態をプールして、それらの相互作用を評価する訓練された社会的敵対的生成ネットワークとして構成され、互いに社会的に相互作用している前記周囲車両の各々の複数の軌跡が予測され、予測対象期間にわたる前記周囲車両の各々の位置のシーケンスが出力される、請求項６に記載のコンピュータ実装方法。
8. 前記ヒューリスティックアルゴリズムを実行することが、前記自車両の前記状態及び前記予測対象期間にわたる前記周囲車両の各々の位置の前記シーケンスに基づいて、制御候補を処理することを含み、前記ヒューリスティックアルゴリズムが、車線変更操作中の前記自車両の潜在的制御と関連付けられた見込み車両動的パラメータを含む制御候補を生成するように実行される、請求項７に記載のコンピュータ実装方法。
9. 前記制御候補が、前記制御制約条件と比較されて、前記制御制約条件に従う制御候補を判定し、前記制御制約条件に従う少なくとも１つの制御候補が、前記目標車線に車線を円滑に変更するために、前記自車両を動作可能に制御して、前記混雑した道路における前記協働認識車線変更制御を促進するために実行される、自律制御パラメータを出力するために前記コントローラによって利用される、請求項８に記載のコンピュータ実装方法。
10. 混雑した道路における協働認識車線変更制御を提供するためのシステムであって、
    命令を記憶しているメモリを備え、前記命令は、プロセッサによって実行されると、前記プロセッサに、
    自車両と関連付けられた車両動的データを受信することと、
    前記自車両の周囲環境と関連付けられた環境データを受信することと、
    前記車両動的データを分析するための分析器及び前記環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することであって、前記分析器が、前記自車両の将来の状態を予測するように構成されており、前記リカレントニューラルネットワークが、前記自車両の前記周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている、利用することと、
    前記自車両の前記将来の状態及び前記周囲車両の前記予測される相互作用運動を順次評価して、前記混雑した道路における前記協働認識車線変更制御を促進する、ヒューリスティックアルゴリズムを実行することと、を行わせる、システム。
11. 車両動的データを受信することが、複数の自車両動的パラメータと関連付けられた前記車両動的データを分析することと、前記車両動的データを、前記自車両の現在の状態の形態で電子的にパッケージ化することと、を含む、請求項１０に記載のシステム。
12. 前記環境データを受信することが、前記自車両の前記周囲環境と関連付けられた画像データ及びＬｉＤＡＲデータを受信することを含み、前記画像データ及び前記ＬｉＤＡＲデータが集約され、前記周囲車両の位置と関連付けられた位置座標が判定される、請求項１１に記載のシステム。
13. 前記コントローラを利用することが、前記現在の状態を前記分析器に入力して、前記車両動的データを分析することを含み、前記分析器が、モデル予測制御を使用するように構成されており、前記車両動的データに基づいて、前記自車両の前記将来の状態を予測するために非線形の自転車運動学モデルを使用し、前記自車両の前記将来の状態が、前記自車両の中心点の将来の予測される位置を含む、請求項１２に記載のシステム。
14. 前記コントローラを利用することが、前記位置データを前記リカレントニューラルネットワークに入力して、前記環境データを分析することを含み、目標車線に車線を円滑に変更するための制御目的が、前記制御目的に適合する制御制約条件を計算するように処理される、請求項１２に記載のシステム。
15. 前記制御制約条件は、前記自車両が、前記周囲車両の閾値距離未満近づかず、前記自車両の経路が、前記周囲車両の経路と重複しないことを確実とするように許容された、前記自車両と前記周囲車両との間の最小距離と関連付けられた最小距離閾値を含み、請求項１４に記載のシステム。
16. 前記リカレントニューラルネットワークが、前記周囲車両の運動状態をプールして、それらの相互作用を評価する訓練された社会的敵対的生成ネットワークとして構成され、互いに社会的に相互作用している前記周囲車両の各々の複数の軌跡が予測され、予測対象期間にわたる前記周囲車両の各々の位置のシーケンスが出力される、請求項１５に記載のシステム。
17. 前記ヒューリスティックアルゴリズムを実行することが、前記自車両の前記状態及び前記予測対象期間にわたる前記周囲車両の各々の位置の前記シーケンスに基づいて、制御候補を処理することを含み、前記ヒューリスティックアルゴリズムが、車線変更操作中の前記自車両の潜在的制御と関連付けられた見込み車両動的パラメータを含む制御候補を生成するように実行される、請求項１６に記載のシステム。
18. 前記制御候補が、前記制御制約条件と比較されて、前記制御制約条件に従う制御候補を判定し、前記制御制約条件に従う少なくとも１つの制御候補が、前記目標車線に車線を円滑に変更するために、前記自車両を動作可能に制御して、前記混雑した道路における前記協働認識車線変更制御を促進するために実行される自律制御パラメータを出力するために、前記コントローラによって利用される、自律制御パラメータを出力する、請求項１７に記載のシステム。
19. 命令を記憶している非一時的コンピュータ可読記憶媒体であって、前記命令は、プロセッサを含むコンピュータによって実行されると、
    自車両と関連付けられた車両動的データを受信することと、
    前記自車両の周囲環境と関連付けられた環境データを受信することと、
    前記車両動的データを分析するための分析器及び前記環境データを分析するためのリカレントニューラルネットワークを含むコントローラを利用することであって、前記分析器が、前記自車両の将来の状態を予測するように構成されており、前記リカレントニューラルネットワークが、前記自車両の前記周囲環境内に位置する周囲車両の相互作用運動を予測するように構成されている、利用することと、
    前記自車両の前記将来の状態及び前記周囲車両の前記予測される相互作用運動を順次評価して、混雑した道路における協働認識車線変更制御を促進する、ヒューリスティックアルゴリズムを実行することと、を含む、方法を実行する、非一時的コンピュータ可読記憶媒体。
20. 前記ヒューリスティックアルゴリズムを実行することが、前記自車両の状態及び予測対象期間にわたる前記周囲車両の各々の位置のシーケンスに基づいて、制御候補を処理することを含み、前記ヒューリスティックアルゴリズムが、車線変更操作中の前記自車両の潜在的制御と関連付けられた見込み車両動的パラメータを含む制御候補を生成するように実行され、前記制御候補のうちの少なくとも１つの制御候補が、前記目標車線に車線を円滑に変更するために、前記自車両を動作可能に制御して、前記混雑した道路における前記協働認識車線変更制御を促進するために実行される自律制御パラメータを出力するために、前記コントローラによって利用される、請求項１９に記載の非一時的コンピュータ可読記憶媒体。

Images