JP2021505467A - 場所ベースの車両ヘッドライト制御 - Google Patents
場所ベースの車両ヘッドライト制御 Download PDFInfo
- Publication number
- JP2021505467A JP2021505467A JP2020531007A JP2020531007A JP2021505467A JP 2021505467 A JP2021505467 A JP 2021505467A JP 2020531007 A JP2020531007 A JP 2020531007A JP 2020531007 A JP2020531007 A JP 2020531007A JP 2021505467 A JP2021505467 A JP 2021505467A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- headlight
- computing system
- headlights
- objects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 102
- 238000010801 machine learning Methods 0.000 claims description 79
- 238000001514 detection method Methods 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000003213 activating effect Effects 0.000 claims description 10
- 230000005469 synchrotron radiation Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 44
- 230000033001 locomotion Effects 0.000 description 35
- 238000012549 training Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 23
- 230000003993 interaction Effects 0.000 description 23
- 230000009471 action Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000002567 autonomic effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 229910052736 halogen Inorganic materials 0.000 description 4
- 150000002367 halogens Chemical class 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 241000282994 Cervidae Species 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910001507 metal halide Inorganic materials 0.000 description 2
- 150000005309 metal halides Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052754 neon Inorganic materials 0.000 description 2
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- 208000031968 Cadaver Diseases 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465385 Solandra grandiflora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
- B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
- B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
- B60Q1/06—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle
- B60Q1/08—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle automatically
- B60Q1/085—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights adjustable, e.g. remotely-controlled from inside vehicle automatically due to special conditions, e.g. adverse weather, type of road, badly illuminated road signs or potential dangers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
- B60Q1/0017—Devices integrating an element dedicated to another function
- B60Q1/0023—Devices integrating an element dedicated to another function the element being a sensor, e.g. distance sensor, camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q1/00—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor
- B60Q1/02—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments
- B60Q1/04—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights
- B60Q1/14—Arrangement of optical signalling or lighting devices, the mounting or supporting thereof or circuits therefor the devices being primarily intended to illuminate the way ahead or to illuminate other areas of way or environments the devices being headlights having dimming means
- B60Q1/1415—Dimming circuits
- B60Q1/1423—Automatic dimming circuits, i.e. switching between high beam and low beam due to change of ambient light or light level in road traffic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/05—Special features for controlling or switching of the light beam
- B60Q2300/054—Variable non-standard intensity, i.e. emission of various beam intensities different from standard intensities, e.g. continuous or stepped transitions of intensity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/10—Indexing codes relating to particular vehicle conditions
- B60Q2300/11—Linear movements of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/30—Indexing codes relating to the vehicle environment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/30—Indexing codes relating to the vehicle environment
- B60Q2300/33—Driving situation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/40—Indexing codes relating to other road users or special conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/40—Indexing codes relating to other road users or special conditions
- B60Q2300/41—Indexing codes relating to other road users or special conditions preceding vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/40—Indexing codes relating to other road users or special conditions
- B60Q2300/42—Indexing codes relating to other road users or special conditions oncoming vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q2300/00—Indexing codes for automatically adjustable headlamps or automatically dimmable headlamps
- B60Q2300/40—Indexing codes relating to other road users or special conditions
- B60Q2300/45—Special conditions, e.g. pedestrians, road signs or potential dangers
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Lighting Device Outwards From Vehicle And Optical Signal (AREA)
Abstract
自律走行車両(108)を動作させるためのシステム、方法、有形の非一過性コンピュータ可読媒体、およびデバイスが、提供される。例えば、方法は、自律走行車両のセンサ(116)からのセンサ出力(114)に少なくとも部分的に基づくセンサデータを受信することを含むことができる。センサ出力は、自律走行車両の状態および1つ以上の物体を含む環境に少なくとも部分的に基づくことができる。複数の空間関係が、センサデータに基づいて決定されることができる。複数の空間関係は、1つ以上の物体に対する自律走行車両の位置を含むことができる。自律走行車両のヘッドライト(110)のためのヘッドライト構成が、複数の空間関係に基づいて決定されることができる。ヘッドライト構成は、ヘッドライト毎にヘッドライト状態を規定することができる。1つ以上のヘッドライトのセットが、ヘッドライト構成に基づいてアクティブ化されることができる。
Description
(関連出願)
本願は、両方とも参照することによって本明細書に組み込まれる、2017年12月7日の出願日を有する米国仮特許出願第62/595,906号、および2018年2月28日の出願日を有する米国非仮特許出願第15/907,906号に基づき、その利益を主張する。
本願は、両方とも参照することによって本明細書に組み込まれる、2017年12月7日の出願日を有する米国仮特許出願第62/595,906号、および2018年2月28日の出願日を有する米国非仮特許出願第15/907,906号に基づき、その利益を主張する。
本開示は、概して、自律走行車両と関連付けられるライトの構成および制御を含む、自律走行車両の動作に関する。
自律走行車両を含む車両は、車両の動作と関連付けられる異なる機能を果たすために使用される種々の車両システムを含むことができる。車両システムは、車両がその環境内でより効率的に動作することを可能にする種々の電気および機械システムを含むことができる。しかしながら、車両が動作する環境は、静的ではなく、車両安全性および性能の改良は、車両システムが環境に適応するときに、より容易に達成されることができる。故に、その車両システムをより効果的に制御および構成し、それによって、車両の動作効率および安全性を改良することができる、自律走行車両の必要性が存在している。
本開示の実施形態の側面および利点は、以下の説明で部分的に記載されるであろう、または説明から学習され得る、または実施形態の実践を通して学習され得る。
本開示の例示的側面は、自律走行車両動作のコンピュータ実装方法を対象とする。自律走行車両動作のコンピュータ実装方法は、1つ以上のコンピューティングデバイスを含む、コンピューティングシステムによって、自律走行車両の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータを受信することを含む。1つ以上のセンサ出力は、自律走行車両の状態および1つ以上の物体を含む環境に少なくとも部分的に基づく。本方法は、コンピューティングシステムによって、センサデータに少なくとも部分的に基づいて、1つ以上の物体に対する自律走行車両の位置を含む、複数の空間関係を決定することを含む。本方法はまた、コンピューティングシステムによって、複数の空間関係に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を決定することも含む。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定する。さらに、本方法は、コンピューティングシステムによって、ヘッドライト構成に少なくとも部分的に基づいて、1つ以上のヘッドライトのセットをアクティブ化することを含む。
本開示の別の例示的側面は、1つ以上のプロセッサと、センサデータを受信し、センサデータを受信することに応答して、1つ以上の検出される物体予測と、1つ以上の検出される物体予測に少なくとも部分的に基づくヘッドライト構成とを含む、出力を生成するように訓練される、機械学習物体検出モデルと、1つ以上のコンピュータ可読媒体を含む、メモリとを含む、コンピューティングシステムを対象とする。メモリは、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに動作を実施させる、コンピュータ可読命令を記憶する。動作は、自律走行車両と関連付けられる1つ以上のセンサからセンサデータを受信することを含む。センサデータは、1つ以上の物体の物理的寸法のセットと関連付けられる情報を含む。動作は、センサデータを機械学習物体検出モデルに送信することを含む。動作はまた、機械学習物体検出モデルからの出力に少なくとも部分的に基づいて、1つ以上の物体と関連付けられる1つ以上の識別を含む、1つ以上の検出される物体予測を生成することも含む。さらに、動作は、1つ以上の物体予測と関連付けられる1つ以上の識別に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトの1つ以上の状態と関連付けられるヘッドライト構成を生成することを含む。
本開示の別の例示的側面は、1つ以上のプロセッサと、1つ以上のコンピュータ可読媒体を含む、メモリとを含む、自律走行車両を対象とする。メモリは、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに動作を実施させ得る、コンピュータ可読命令を記憶することができる。動作は、自律走行車両の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータを受信することを含む。1つ以上のセンサ出力は、自律走行車両の状態および1つ以上の物体を含む環境に少なくとも部分的に基づく。動作は、センサデータおよび機械学習モデルに少なくとも部分的に基づいて、複数の空間関係および1つ以上の物体に対応する1つ以上の物体分類を決定することを含む。複数の空間関係は、自律走行車両と1つ以上の物体のそれぞれとの間の距離を含む。動作は、複数の空間関係または1つ以上の物体分類に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を決定することを含む。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定する。
本開示の他の例示的側面は、自律走行車両のためのヘッドライト構成の決定を含む、自律走行車両の動作のための他のシステム、方法、車両、装置、有形の非一過性コンピュータ可読媒体、およびデバイスを対象とする。
種々の実施形態のこれらおよび他の特徴、側面、および利点は、以下の説明および添付の請求項を参照して、さらに理解されるであろう。本明細書に組み込まれ、その一部を構成する、付随する図面は、本開示の実施形態を図示し、説明とともに、関連原理を解説する役割を果たす。
当業者を対象とする実施形態の詳細な議論が、添付図を参照する、本明細書に記載される。
本開示の例示的側面は、車両(例えば、自律走行車両、半自律走行車両、または手動動作型車両)のヘッドライトを構成およびアクティブ化することを対象とする。特に、本開示の側面は、ヘッドライト構成(例えば、1つ以上のヘッドライトのための状態のセットと関連付けられる情報を含む、データ構造)を生成し、車両の状態、車両に近接する環境の状態、および/または車両の進行経路に少なくとも部分的に基づいて、車両のヘッドライトをアクティブ化し得る、コンピューティングシステム(例えば、1つ以上の車両システムを制御するように構成される1つ以上のコンピューティングデバイスを含む、車両コンピューティングシステム)を含む。
一例として、コンピューティングシステムは、道路上を進行する車両の1つ以上のセンサ(例えば、車両の外側の環境を検出するための1つ以上のカメラ、および車両の内部状態を検出するための1つ以上の内部センサ)からセンサデータを受信することができる。1つ以上のセンサは、コンピューティングシステムが、例えば、建物のセットおよび2人の歩行者であると決定する、1つ以上の物体を検出することができる。例えば、コンピューティングシステムは、機械学習モデルの使用を含む、1つ以上の物体認識技法を使用し、1つ以上の物体の識別を決定することができる。建物のセットおよび2つの車両を検出するために使用されるセンサデータに基づいて、コンピューティングシステムは、車両、建物のセット、および2人の歩行者の間の距離を含む、複数の空間関係を決定することができる。さらに、コンピューティングシステムは、複数の空間関係を使用し、ヘッドライト構成を含むデータ構造を生成することができる。
ヘッドライト構成は、ヘッドライトによって放射される光の強度、ヘッドライトがオンまたはオフであるかどうか、ヘッドライトによって放射される光の標的エリアまたは場所、および/またはヘッドライトの位置および/または角度を含む、1つ以上のヘッドライトのそれぞれの状態を規定することができる。ヘッドライト構成に基づいて、コンピューティングシステムは、1つ以上のヘッドライトをアクティブ化することができる。例えば、ヘッドライト構成は、車両が歩行者のうちのいずれか1人の30メートル以内にあるときに、ヘッドライトによって放射される光の強度を下げるために使用されることができる。車両の周囲の環境に少なくとも部分的に基づいてヘッドライト構成を調節することによって、車両コンピューティングシステムは、1つ以上のヘッドライトをより効果的にアクティブ化し、それによって、資源(例えば、バッテリ資源および/または燃料資源)を節約し、ヘッドライトの寿命を改良し、安全性を改良し(例えば、ヘッドライトを調節し、一時的に運転者の眼を眩ませることを回避する)、歩行者および車両の外側の他者の快適性を増加させる(例えば、過剰に明るいヘッドライトを低減させる)ことができる。さらに、ヘッドライト構成の調節は、アクションおよび/またはイベント(例えば、車両による、現在の、または計画されたアクションおよび/またはイベント)をシグナリングおよび/または通信するために、使用されることができる。例えば、車両コンピューティングシステムは、ヘッドライト構成を調節し(例えば、ヘッドライト構成を変更し、車両の右側で規定パターンにおいてライトを点滅させる)、車両の計画された経路(例えば、車両が所定の時間周期内に、または次の交差点において右折するであろう)を通信することができる。さらなる実施例として、車両コンピューティングシステムは、幹線道路に合流している車両のヘッドライト構成を調節し、車両が幹線道路上をすでに進行している他の車両に道を譲るであろうことを示すことができる。
開示される技術は、1つ以上の車両、車両コンポーネント(例えば、1つ以上のヘッドライト)、および/または遠隔コンピューティングデバイスを含む、種々のデバイスと交信される信号またはデータを含む、信号またはデータを処理、生成、および/または交信(例えば、送信および/または受信)し得る、車両コンピューティングシステム(例えば、1つ以上のプロセッサと、メモリとを含む、1つ以上のコンピューティングデバイス)を含むことができる。例えば、車両コンピューティングシステムは、照明システム(例えば、ヘッドライト、室内灯、信号灯、および/またはテールライト)、センサシステム(例えば、1つ以上の光検出および測距(ライダ)デバイス、カメラ、マイクロホン、レーダデバイス、および/またはソナーデバイスを含む、車両の外部の物理的環境の状態に基づいて出力を生成するセンサ)、通信システム(例えば、信号またはデータを他のデバイスと交信し得る、有線または無線通信システム)、ナビゲーションシステム(例えば、車両の地理的場所を決定するために使用されるGPS、GLONASS、または他のシステムから信号を受信し得るデバイス)、通知システム(例えば、1つ以上のディスプレイデバイス、ステータスインジケータライト、またはオーディオ出力システムを含む、通知を待機している乗車者に提供するために使用されるデバイス)、制動システム(例えば、機械および/または電気ブレーキを含む、車両のブレーキ)、推進システム(例えば、内燃エンジンまたは電気エンジンを含む、モータまたはエンジン)、および/または車両の経路、進路、または進行方向を変更するために使用される操向システムを含む、車両システムと、信号(例えば、電子信号)またはデータを交信することができる。
車両コンピューティングシステムは、自律走行車両の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータを受信することができる。1つ以上のセンサ出力は、自律走行車両の状態および1つ以上の物体(例えば、車両、建物、および/または歩行者)を含む環境(例えば、自律走行車両の所定の距離内のエリア)に少なくとも部分的に基づくことができる。自律走行車両の状態は、自律走行車両の速度、自律走行車両の加速度、自律走行車両の地理的場所、または自律走行車両の軌道を含むことができる。
1つ以上のセンサは、1つ以上の物体を含む環境の状態を検出するように構成されることができる。環境の状態は、温度、圧力、サイズ(例えば、1つ以上の物理的寸法)、形状、テクスチャ、および/または色を含む、環境の物理的特性を含むことができる。1つ以上のセンサは、1つ以上のカメラ、1つ以上のソナーデバイス、1つ以上のレーダデバイス、ライダデバイス、1つ以上の熱センサ、1つ以上のオーディオセンサ、1つ以上の触覚センサ、1つ以上の湿度センサ、1つ以上の圧力センサ、および/または1つ以上の気圧センサを含むことができる。
車両コンピューティングシステムは、センサデータに少なくとも部分的に基づいて、1つ以上の物体に対する自律走行車両の位置を含む、複数の空間関係を決定することができる。例えば、車両コンピューティングシステムは、自律走行車両と1つ以上の物体のそれぞれとの間の距離を決定することができる。さらに、自律走行車両は、自律走行車両によって進行されている環境の道路、建物、および地理的特徴の幾何学形状を決定することができる。
車両コンピューティングシステムは、複数の空間関係に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を決定することができる。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定することができる。ヘッドライト構成は、1つ以上のヘッドライトのそれぞれの1つ以上の物理的または電気的特性と関連付けられることができる。1つ以上のヘッドライト状態は、オン状態(例えば、ヘッドライトがオンにされる)、オフ状態(例えば、ヘッドライトがオフにされる)、標的照明領域(例えば、ヘッドライトによって放射される光が向かって指向される、車両の外部のエリアまたは場所)、水平角(例えば、地面に対するヘッドライトの水平角)、垂直角(例えば、地面に対するヘッドライトの垂直角)、高さ(例えば、自律走行車両の表面に対するヘッドライトの高さ)、放射光の強度(例えば、ヘッドライトによって生成される光の明度)、または放射光の色を含むことができる。
車両コンピューティングシステムは、ヘッドライト構成に少なくとも部分的に基づいて、1つ以上のヘッドライトのセットをアクティブ化することができる。ヘッドライト構成に基づいて、車両コンピューティングシステムは、1つ以上の信号(例えば、電子信号)を、1つ以上のヘッドライトの動作と関連付けられる1つ以上の車両システムに送信することができる。例えば、車両コンピューティングシステムは、放射光の特定の強度においてヘッドライト構成で規定される1つ以上のヘッドライトのそれぞれをアクティブ化することができる。
車両コンピューティングシステムは、複数の空間関係に少なくとも部分的に基づいて、自律走行車両と自律走行車両に最も近い1つ以上の物体のうちの1つとの間の距離を含む、物体近接距離を決定することができる。例えば、複数の空間関係は、自律走行車両と3つの物体との間の距離を含むことができ、最短距離を選択することができる。さらに、車両コンピューティングシステムは、物体近接距離に少なくとも部分的に基づいて、1つ以上のヘッドライトのうちの少なくとも1つのための放射光の強度を決定することができる。例えば、放射光の強度は、物体近接距離に比例し得る(例えば、ヘッドライトは、自律走行車両と物体との間の距離が減少するにつれて薄暗くされることができる)。いくつかの実施形態では、ヘッドライト構成を決定することは、物体近接距離に少なくとも部分的に基づいて、1つ以上のヘッドライトのうちの少なくとも1つのための放射光の強度を決定することを含むことができる。
車両コンピューティングシステムは、経路データまたはセンサデータに少なくとも部分的に基づいて、自律走行車両の予測経路を決定することができる。経路データは、自律走行車両が横断するための複数の場所と関連付けられる情報を含むことができる。複数の場所は、自律走行車両の現在の場所と、目的地の場所とを含むことができる。例えば、経路データは、車両コンピューティングシステムによる知覚(例えば、センサデータに少なくとも部分的に基づく、環境の自律走行車両の知覚)、予測(例えば、環境内の1つ以上の物体の将来の場所の予測)、および計画(例えば、自律走行車両が1つ以上の物体との接触を回避するように、目的地までの自律走行車両の経路を計画すること)に少なくとも部分的に基づいて、車両コンピューティングシステムによって決定される、自律走行車両のための経路を含むことができる。いくつかの実施形態では、ヘッドライト構成を決定することは、自律走行車両の予測経路に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
車両コンピューティングシステムは、複数の空間関係に少なくとも部分的に基づいて、自律走行車両の予測経路の1つ以上の経路特性を決定することができ、1つ以上の経路特性は、経路角(例えば、自律走行車両によって横断されている経路の角度)、経路勾配(例えば、自律走行車両によって横断されている経路の傾斜または勾配)、または交差点近接性(例えば、自律走行車両と自律走行車両によって横断されている経路上の交差点との間の距離)を含む。例えば、車両コンピューティングシステムは、交差点が自律走行車両の100メートル以内にあることを決定することができ、放射光状態の強度が、(例えば、一時的に対向運転者の眼を眩ませるほど明るくないが)対向車両が自律走行車両を予想するために十分に明るい中間レベルに設定される、ヘッドライト構成を生成することができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の経路特性に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
車両コンピューティングシステムは、センサデータに少なくとも部分的に基づいて、1つ以上の物体の1つ以上の予測物体経路を決定することができる。1つ以上の予測物体経路は、1つ以上の物体のそれぞれが複数の時間間隔で横断することが予測される、複数の場所を含むことができる。例えば、1つ以上の予測物体経路は、車両コンピューティングシステムによる知覚(例えば、センサデータに少なくとも部分的に基づく、1つ以上の物体の自律走行車両の状態の知覚)および予測(例えば、環境内の1つ以上の物体の将来の場所、速度、および/または配向の予測)に少なくとも部分的に基づいて、決定されることができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の物体の1つ以上の予測物体経路を決定することを含むことができる。
車両コンピューティングシステムは、センサデータに少なくとも部分的に基づいて、環境内の1つ以上の反射面の場所を決定することができる。例えば、車両コンピューティングシステムは、1つ以上の画像センサ(例えば、1つ以上のカメラ)によって捕捉される1つ以上の画像を含む、センサデータを使用し、反射性である1つ以上の画像内の1つ以上の表面(例えば、自律走行車両または環境の反射を含む表面)を決定することができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の反射面の場所を決定することを含むことができる。
車両コンピューティングシステムは、場所、速度、進行経路、外部車両センサ出力、または環境内の1つ以上の車両の外部車両ヘッドライト構成と関連付けられる、外部車両構成データを受信することができる。例えば、環境内の1つ以上の車両は、自律走行車両を含む、1つ以上の他の車両によって受信され得る、外部車両構成データを含む、1つ以上の信号を伝送する(例えば、無線で伝送する)ことができる。このように、複数の車両の間でヘッドライト構成を共有することによって、協調ヘッドライト構成調節が、可能にされ、促進される。いくつかの実施形態では、ヘッドライト構成を決定することは、外部車両構成データを決定することを含むことができる。
車両コンピューティングシステムは、環境内の複数の場所または地理的特徴と関連付けられる情報を含む、マップデータを受信することができる。例えば、自律走行車両は、遠隔コンピューティングデバイスおよび/または1つ以上の他の車両から伝送される1つ以上の信号を介して、マップデータを受信することができる。複数の場所または地理的特徴は、1つ以上の学校の場所、1つ以上の住宅の場所、1つ以上の商業用の場所、1つ以上の野生生物の場所、1つ以上の料金所の場所、1つ以上の橋、1つ以上のトンネル、および/または1つ以上の陸橋を含むことができる。いくつかの実施形態では、複数の空間関係を決定することは、マップデータに少なくとも部分的に基づいて、複数の空間関係を決定することを含むことができる。
車両コンピューティングシステムは、マップデータに少なくとも部分的に基づいて、環境内の1つ以上のピックアップエリアまたはドロップオフエリアを決定することができる。ピックアップエリアおよびドロップオフエリアは、自律走行車両が、それぞれ、乗車者を乗せる、または降ろすエリアを含むことができる。さらに、車両コンピューティングシステムは、1つ以上のピックアップエリアまたはドロップオフエリアからの自律走行車両の距離に少なくとも部分的に基づいて、1つ以上のヘッドライトのための放射光の強度を決定することができる。例えば、自律走行車両が、ピックアップエリアまたはドロップオフエリアに接近または進入すると、1つ以上のヘッドライトのための放射光の強度は、低減され、それによって、待機している乗車者の眼に高強度の光を放つことを回避することができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上のヘッドライトのための放射光の強度に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
いくつかの実施形態では、車両コンピューティングシステムは、センサデータを受信し、センサデータを受信することに応答して、1つ以上の検出される物体予測と、1つ以上の検出される物体予測に少なくとも部分的に基づくヘッドライト構成とを含む、出力を生成するように訓練される、機械学習物体検出モデルを含むことができる。さらに、車両コンピューティングシステムは、自律走行車両と関連付けられる1つ以上のセンサからセンサデータを受信することができる。センサデータは、1つ以上の物体(例えば、自律走行車両のセンサの範囲内の車両、建物、および/または歩行者)の物理的寸法のセットと関連付けられる情報を含むことができる。
センサデータは、センサデータを処理し、出力(例えば、分類されたセンサ出力)を生成し得る、機械学習物体検出モデルに送信されることができる。車両コンピューティングシステムは、機械学習物体検出モデルからの出力に少なくとも部分的に基づいて、1つ以上の物体と関連付けられる1つ以上の識別(例えば、車両、建物、および/または歩行者を識別する)を含む、1つ以上の検出される物体予測を生成することができる。さらに、車両コンピューティングシステムは、機械学習物体検出モデルからの出力に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトの1つ以上の状態と関連付けられるヘッドライト構成(例えば、ヘッドライトの状態と関連付けられる情報を含むデータ構造)を生成することができる。
いくつかの実施形態では、車両コンピューティングシステムは、1つ以上の検出される物体予測に少なくとも部分的に基づく、ヘッドライト構成出力を生成することができる。ヘッドライト構成出力は、車両の1つ以上のヘッドライトおよび/または他の照明システムを含む、1つ以上の車両システムへの1つ以上の信号(例えば、ヘッドライト構成と関連付けられるデータを含む、電子信号)を含むことができる。
車両コンピューティングシステムは、複数の分類された特徴と、複数の分類された物体標識とを含む、訓練データを部分的に使用して生成および/または訓練された、機械学習モデルにアクセスすることができる。いくつかの実施形態では、複数の分類された特徴は、1つ以上のセンサ(例えば、1つ以上のライダデバイス)からの出力を含む、センサ出力と関連付けられる複数の3次元点を含む、点群データから抽出されることができる。さらに、複数の分類された特徴は、1つ以上の画像から抽出されることができ、それぞれは、表現が1つ以上の画像センサデバイス(例えば、1つ以上のカメラ)からの出力に少なくとも部分的に基づく、1つ以上の物体の表現を含む。
機械学習モデルが訓練されたとき、機械学習モデルは、複数の分類された特徴を、複数の訓練物体内に含まれない物体(例えば、複数の訓練物体内に含まれない車のタイプは、機械学習モデルを使用して車と認識されることができる)を含む、物体を分類またはカテゴリ化するために使用される、1つ以上の分類された物体標識と関連付けることができる。いくつかの実施形態では、機械学習モデルを訓練するプロセスの一部として、機械学習モデル(1つ以上の分類された物体標識を出力する)と、前もって正しく識別された複数の訓練物体と関連付けられる分類された物体標識のセット(例えば、グランドトゥルース標識)との間の正しい分類出力の差異は、同一の複数の訓練物体の繰り返しの分類に基づいて確率分布のセットを決定し得る、誤差損失関数を使用して、処理されることができる。したがって、機械学習モデルの有効性(例えば、物体の正しい識別率)は、経時的に改良されることができる。
車両コンピューティングシステムは、遠隔コンピューティングデバイス上に記憶される機械学習モデルと関連付けられるデータまたは情報を交信すること(ネットワークを介して送信および/または受信すること)、および/またはローカルで(例えば、車両の1つ以上の記憶デバイス内に)記憶される機械学習モデルにアクセスすることを含む、種々の方法で機械学習モデルにアクセスすることができる。
複数の分類された特徴は、個別に、および/または種々の集合で分析され得る、1つ以上の値と関連付けられることができる。複数の分類された特徴と関連付けられる1つ以上の値の分析は、複数の分類された特徴と関連付けられる1つ以上の値の平均、最頻値、中央値、分散、標準偏差、最大値、最小値、および/または頻度を決定することを含むことができる。さらに、複数の分類された特徴と関連付けられる1つ以上の値の分析は、1つ以上の値の間の差異または類似性の比較を含むことができる。例えば、歩行者と関連付けられる1つ以上の物体は、自転車乗車者と関連付けられるサイズ、形状、および/または速度の範囲と異なる、サイズ、形状、および/または速度の範囲と関連付けられることができる。
いくつかの実施形態では、複数の分類された特徴は、複数の訓練物体と関連付けられる速度の範囲、複数の訓練物体と関連付けられる色の範囲、複数の訓練物体と関連付けられる形状の範囲、複数の訓練物体の長さ、複数の訓練物体の幅、および/または複数の訓練物体の高さを含むことができる。複数の分類された特徴は、異なる環境(例えば、都市地域、郊外地域、地方地域、激しい交通量、および/または少ない交通量)および/または環境条件(例えば、明るい日中、雨の日、暗闇、雪で覆われた道路、立体駐車場の内側、トンネル内、および/または街灯の下)内の種々の角度および/または距離から、複数の訓練物体(例えば、機械学習モデルを訓練するために使用される実際の物体)を捕捉した、1つ以上のセンサからの出力に少なくとも部分的に基づくことができる。1つ以上の物体を分類またはカテゴリ化するために使用され得る、1つ以上の分類された物体標識は、建物、道路、都市街路、幹線道路、歩道、橋、陸橋、水路、歩行者、自動車、トラック、自転車乗車者、または野生生物を含むことができる。
機械学習モデルは、1つ以上の分類プロセスまたは分類技法に少なくとも部分的に基づいて生成されることができる。1つ以上の分類プロセスまたは分類技法は、センサデバイスからの物理的出力と関連付けられるセンサデータに少なくとも部分的に基づいて、1つ以上のコンピューティングデバイスによって実施される、1つ以上のコンピューティングプロセスを含むことができる。1つ以上のコンピューティングプロセスは、1つ以上の分類基準(例えば、物体と関連付けられるサイズ、形状、色、速度、加速度、および/または音声)に少なくとも部分的に基づく、センサデバイスからの物理的出力の分類(例えば、異なるグループまたはカテゴリへの配分またはソート)を含むことができる。いくつかの実施形態では、機械学習物体検出モデルは、コンボリューショナルニューラルネットワーク、リカレントニューラルネットワーク、再帰ニューラルネットワーク、勾配ブースティング、サポートベクタマシン、またはロジスティック回帰分類子を含むことができる。
いくつかの実施形態では、車両コンピューティングシステムは、センサデータおよび機械学習モデルに少なくとも部分的に基づいて、複数の空間関係および1つ以上の物体に対応する1つ以上の物体分類を決定することができる。例えば、複数の空間関係は、自律走行車両と1つ以上の物体のそれぞれとの間の距離を含むことができる。1つ以上の物体に対応する、1つ以上の物体分類は、1つ以上の車両、1人以上の歩行者、1人以上の自転車乗車者、野生生物、1つ以上の建物、1つ以上の反射面、および/または1つ以上の公共設備構造を含むことができる。
さらに、いくつかの実施形態では、車両コンピューティングシステムは、複数の空間関係および/または1つ以上の物体分類に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を生成することができる。例えば、1つ以上の物体が料金所内の個人を含むという決定に基づいて、車両コンピューティングシステムは、ヘッドライトの状態がヘッドライトによって放射される光の低減した強度を含む、ヘッドライト構成を生成することができる。
車両コンピューティングシステムは、センサデータおよび/または1つ以上の物体分類に少なくとも部分的に基づいて、1つ以上の物体の1つ以上の予測物体経路を決定することができる。1つ以上の予測物体経路は、1つ以上の個別の物体のそれぞれが複数の時間間隔で横断することが予測される、複数の場所を含むことができる。例えば、車両コンピューティングシステムは、2つの物体を検出し、2つの物体のための物体分類(例えば、第1の物体が、自転車乗車者であり、第2の物体が、歩行者である)を決定することができる。2つの物体が自転車乗車者および歩行者であるという決定に基づいて、車両コンピューティングシステムは、2つの物体毎に最大速度範囲を決定し、それによって、2つの物体のそれぞれの経路をより正確に決定することができる。いくつかの実施形態では、ヘッドライト構成は、1つ以上の物体の1つ以上の予測経路に少なくとも部分的に基づくことができる。
開示される技術におけるシステム、方法、およびデバイスは、種々の技術的効果および利益を提供することができる。特に、開示される技術は、安全性、エネルギー効率、ヘッドライト寿命、乗車者および歩行者の快適性、車両システム性能、およびより最適なエネルギー資源利用の分野の改良を含む、多数の利益を提供することができる。例えば、開示される技術は、自律走行車両のヘッドライトのためのより効果的なヘッドライト構成を決定することによって、車両の動作安全性を改良することができる。アクティブ化されたヘッドライトのセット、およびヘッドライトによって放射される光の強度を含むヘッドライトの他の状態を規定する、ヘッドライト構成を生成することによって、開示される技術は、車両のヘッドライトを調節し、一時的に対向車両の運転者の眼を眩ませること、および/または対向車両の1つ以上のセンサの動作を妨害することを回避することができる。
例えば、ヘッドライトのセットによって放射される過剰に強い光は、対向自律走行車両の画像センサの動作を妨害し、それによって、画像センサによって生成されるセンサ出力の品質に悪影響を及ぼし得る。結果として、開示される技術は、センサ出力に依拠する対向自律走行車両の知覚システムの動作の改良をもたらし得る。開示される技術が、画像センサにあまり悪影響を及ぼさないヘッドライト構成に従って、そのヘッドライトを調節する(例えば、ヘッドライトによって放射される光の強度を低減させる、および/または対向自律走行車両から離れるようにヘッドライトを向ける)とき、対向車両のセンサおよび/または知覚システムは、より効果的に動作することができる。
さらに、自律走行車両のヘッドライトをより最適にアクティブ化することによって、開示される技術は、自律走行車両によって横断される環境内の物体をより明確に照明する方法で光を放射することによって、自律走行車両の独自のセンサおよび知覚システムの性能を改良することができる。加えて、改良されたセンサおよび/または知覚システム性能の結果として、他の車両システムが、より最適に使用されることができる。例えば、改良されたセンサおよび知覚システム性能は、加速度、操向、および加速度のよりきめ細かい調節、結果として、より低品質のセンサ出力に起因する突然の進路補正のより少ない発生率に起因する、車両コンポーネント(例えば、ブレーキおよび/または操向コンポーネント)上のより少ない摩損を可能にし得る、環境のより正確な検出をもたらし得る。
さらに、開示される技術は、車両のヘッドライトが、選択的にアクティブ化または非アクティブ化され、種々のレベルの強度において光を放射するように、ヘッドライト構成を調節することによって、車両のヘッドライトの寿命を改良することができる。このように、ヘッドライトは、環境内の特定の条件に基づいて調節され、過剰な数のヘッドライトがアクティブ化される、および/またはヘッドライトが過剰に高いレベルの強度において光を放射するように不用意にアクティブ化されない。車両のヘッドライトの寿命を改良することに加えて、開示される技術は、エネルギー資源に過剰に負担をかけない方法でヘッドライトを使用することによって、エネルギー資源(例えば、バッテリおよび/または燃料資源)の利用を改良することができる。
さらに、開示される技術は、自律走行車両が進行している環境により良好に適合されるヘッドライト構成を生成することによって、乗車者の安全性を改良することができる。開示される技術は、自律走行車両が、高強度ヘッドライトが1人以上の人々に不快感を引き起こすであろうエリアに接近しているときを決定し、それに応じて、ヘッドライトの強度を調節することができる。例えば、開示される技術は、自律走行車両が、料金所または自律走行車両によって乗せられることを待機する乗車者のグループに接近するときに、ヘッドライトの強度を低減させることができる。さらに、車両によって横断される環境に少なくとも部分的に基づいて、ヘッドライト構成を生成することによって、自律走行車両の乗車者または非自律走行車両の運転者は、より最適に調節されたヘッドライトに起因する、改良された視界の恩恵を享受することができる。
故に、開示される技術は、動作効率、乗車者の安全性、歩行者の快適性、およびバッテリ資源の改良を通して、車両のヘッドライトのより効果的な構成およびアクティブ化を提供するとともに、より最適な照明条件から恩恵を受ける他の車両システムの改良された性能を可能にすることができる。
ここで図1−11を参照すると、本開示の例示的実施形態が、さらに詳細に議論されるであろう。図1は、本開示の例示的実施形態による、例示的システム100の略図を描写する。図示されるように、図1は、通信ネットワーク102と、動作コンピューティングシステム104と、1つ以上の遠隔コンピューティングデバイス106と、車両108と、1つ以上のヘッドライト110と、車両コンピューティングシステム112と、1つ以上のセンサ114と、センサデータ116と、測位システム118と、自律コンピューティングシステム120と、マップデータ122と、知覚システム124と、予測システム126と、運動計画システム128と、状態データ130と、予測データ132と、運動計画データ134と、通信システム136と、車両制御システム138と、ヒューマンマシンインターフェース140とを含む、システム100を示す。
動作コンピューティングシステム104は、例えば、車両108を含む、車両隊を介して、1つ以上の車両サービスを複数のユーザに提供し得る、サービスプロバイダと関連付けられることができる。車両サービスは、輸送サービス(例えば、相乗りサービス)、宅配サービス、配達サービス、および/または他のタイプのサービスを含むことができる。
動作コンピューティングシステム104は、種々の動作および機能を実施するための複数のコンポーネントを含むことができる。例えば、動作コンピューティングシステム104は、車両108から遠隔にある1つ以上の遠隔コンピューティングデバイスを含む、および/または別様にそれと関連付けられることができる。動作コンピューティングシステム104の1つ以上のコンピューティングデバイスは、1つ以上のプロセッサと、1つ以上のメモリデバイスとを含むことができる。動作コンピューティングシステム104の1つ以上のメモリデバイスは、1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、車両(例えば、車両108)からセンサデータを受信すること、環境に対する車両の複数の空間関係を決定すること、車両のためのヘッドライト構成を決定すること、および/または車両の1つ以上のヘッドライトを含む、1つ以上の車両システムをアクティブ化することを含む、車両の動作と関連付けられる動作および機能を実施させる、命令を記憶することができる。
例えば、動作コンピューティングシステム104は、車両108および/またはそのユーザを監視し、それと通信して、車両108によって提供される車両サービスを調整するように構成されることができる。そうするために、動作コンピューティングシステム104は、車両108を含む車両のステータスと関連付けられる車両ステータスデータを含む、データを含むデータベースを管理することができる。車両ステータスデータは、車両の場所(例えば、車両の緯度および経度)、車両の可用性(例えば、車両が乗車者および/または貨物を取り上げる、または降ろすために利用可能であるかどうか)、または車両の外部の物体の状態(例えば、車両の外部の物体の物理的寸法および/または外観)を含むことができる。
動作コンピューティングシステム104は、通信ネットワーク102を含む、1つ以上の通信ネットワークを介して、1つ以上の遠隔コンピューティングデバイス106および/または車両108と通信することができる。通信ネットワーク102は、信号(例えば、電子信号)またはデータ(例えば、コンピューティングデバイスからのデータ)を交信(送信または受信)し、種々の有線(例えば、ツイストペアケーブル)および/または無線通信機構(例えば、セルラー、無線、衛星、マイクロ波、および無線周波数)、および/または任意の所望のネットワークトポロジ(または複数のトポロジ)の任意の組み合わせを含むことができる。例えば、通信ネットワーク102は、ローカルエリアネットワーク(例えば、イントラネット)、広域ネットワーク(例えば、インターネット)、無線LANネットワーク(例えば、Wi−Fiを介した)、セルラーネットワーク、SATCOMネットワーク、VHFネットワーク、HFネットワーク、WiMAXベースのネットワーク、および/またはデータを車両108に、および/またはそこから伝送するための任意の他の好適な通信ネットワーク(またはそれらの組み合わせ)を含むことができる。さらに、動作コンピューティングシステム104は、車両108および/または動作コンピューティングシステム104を介して通信する他の車両を含む、車両の間で、データ(例えば、センサデータおよび/またはヘッドライト構成と関連付けられるデータ)を交信および/または通信するために使用されることができる。例えば、車両108は、車両108によって進行されるエリア内で野生生物(例えば、シカ)を検出することに応答して、動作コンピューティングシステム104を介して、データ(例えば、ヘッドライト構成、野生生物が検出されたエリア、および/または野生生物が検出された時間を含む、データ)を他の車両に送信することができる。結果として、他の車両が車両108によって進行されたエリアに進入するとき、他の車両は、車両108によって送信されるデータ内のヘッドライト構成に従って、それらのヘッドライト構成を調節することができる(例えば、野生生物が検出された時刻の所定の時間間隔内にエリアを進行するときに、ヘッドライト構成を調節する)。
1つ以上の遠隔コンピューティングデバイス106はそれぞれ、1つ以上のプロセッサと、1つ以上のメモリデバイスとを含むことができる。1つ以上のメモリデバイスは、1つ以上の遠隔コンピューティングデバイス106の1つ以上のプロセッサによって実行されると、1つ以上のプロセッサに、データまたは信号を車両108と交信すること(例えば、送信および/または受信すること)、車両108の状態を監視すること、および/または車両108を制御することを含む、車両108と関連付けられる動作および/または機能を含む、動作および/または機能を実施させる、命令を記憶するために、使用されることができる。1つ以上の遠隔コンピューティングデバイス106は、通信ネットワーク102を介して、動作コンピューティングシステム104および車両108を含む、1つ以上のデバイスと通信する(例えば、データおよび/または信号を交信する)ことができる。例えば、1つ以上の遠隔コンピューティングデバイス106は、通信ネットワーク102を介して、車両108の場所を要求することができる。1つ以上の遠隔コンピューティングデバイス106は、ユーザから入力または命令を受信する、または信号またはデータをアイテムまたは他のコンピューティングデバイスまたはコンピューティングシステム(例えば、動作コンピューティングシステム104)と交信し得る、1つ以上のコンピューティングデバイス(例えば、デスクトップコンピューティングデバイス、ラップトップコンピューティングデバイス、スマートフォン、および/またはタブレットコンピューティングデバイス)を含むことができる。さらに、1つ以上の遠隔コンピューティングデバイス106は、車両108と交信される信号またはデータに部分的に基づいて、車両108の場所(例えば、緯度および経度)、速度、加速度、軌道、および/または経路を含む、車両108の1つ以上の状態を決定および/または修正するために使用されることができる。いくつかの実装では、動作コンピューティングシステム104は、1つ以上の遠隔コンピューティングデバイス106を含むことができる。
車両108は、地上ベースの車両(例えば、自動車)、航空機、および/または別のタイプの車両であり得る。車両108は、人間の運転者からの相互作用を最小限に伴って、および/または全く伴わずに、運転すること、ナビゲートすること、および/または動作することを含む、種々のアクションを実施し得る、自律走行車両であり得る。自律走行車両108は、例えば、完全自律動作モード、半自律動作モード、駐車モード、および/またはスリープモードを含む、1つ以上のモードで動作するように構成されることができる。完全自律(例えば、自己運転)動作モードは、車両108が、車両内に存在する人間の運転者からの相互作用を最小限に伴って、および/または全く伴わずに、運転およびナビゲーション動作を提供し得るものであり得る。半自律動作モードは、車両108が、車両内に存在する人間の運転者からのある程度の相互作用を伴って動作し得るものであり得る。駐車および/またはスリープモードは、車両108が、後続の車両サービスを提供することを待機すること、および/または動作モードの合間に再充電することを含む、種々のアクションを実施している間に、動作モードの合間に使用されることができる。
さらに、車両108は、1つ以上のランプ、照明デバイス、および/またはヘッドランプを含む、光を放射する、生成する、および/または生じ得る、1つ以上のデバイスを含み得る、1つ以上のヘッドライト110を含むことができる。1つ以上のヘッドライト110は、1つ以上の発光ダイオード(LED)、蛍光灯デバイス、白熱灯デバイス、ハロゲンライトデバイス、キセノンアークランプデバイス、メタルハライドランプデバイス、ハロゲンランプデバイス、および/またはネオンランプデバイスを含む、異なるタイプの照明技術に部分的に基づくことができる。
ヘッドライト構成および/または1つ以上の物体を含む環境の状態(例えば、1つ以上の物体の物理的寸法および/または外観)を示す、インジケーション、記録、および/または他のデータが、車両108の1つ以上のメモリデバイス内にローカルで記録されることができる。さらに、車両108は、(例えば、車両から遠隔にある)動作コンピューティングシステム104と関連付けられる1つ以上のメモリデバイス内に、車両108の所定の距離内の1つ以上の物体の状態を示す、インジケーション、記録、および/または他のデータを記憶し得る、動作コンピューティングシステム104に、車両108の所定の距離内の1つ以上の物体の状態(例えば、1つ以上の物体の物理的寸法および/または外観)を示すデータを提供することができる。
車両108は、車両コンピューティングシステム112を含む、および/またはそれと関連付けられることができる。車両コンピューティングシステム112は、車両108に内蔵されて位置する、1つ以上のコンピューティングデバイスを含むことができる。例えば、車両コンピューティングシステム112の1つ以上のコンピューティングデバイスは、車両108上および/または該車両内に位置することができる。車両コンピューティングシステム112の1つ以上のコンピューティングデバイスは、種々の動作および機能を実施するための種々のコンポーネントを含むことができる。例えば、車両コンピューティングシステム112の1つ以上のコンピューティングデバイスは、1つ以上のプロセッサと、1つ以上の有形の非一過性コンピュータ可読媒体(例えば、メモリデバイス)とを含むことができる。1つ以上の有形の非一過性コンピュータ可読媒体は、1つ以上のプロセッサによって実行されると、車両108(例えば、車両108内のそのコンピューティングシステム、1つ以上のプロセッサ、および他のデバイス)に、ユーザデバイス場所データを決定し、同データに対して車両108を制御するための本明細書に説明されるものを含む、動作および機能を実施させる、命令を記憶することができる。
図1に描写されるように、車両コンピューティングシステム112は、1つ以上のセンサ114と、測位システム118と、自律コンピューティングシステム120と、通信システム136と、車両制御システム138と、ヒューマンマシンインターフェース140とを含むことができる。これらのシステムのうちの1つ以上のものは、通信チャネルを介して、相互と通信するように構成されることができる。通信チャネルは、1つ以上のデータバス(例えば、コントローラエリアネットワーク(CAN))、内蔵診断コネクタ(例えば、OBD−II)、および/または有線および/または無線通信リンクの組み合わせを含むことができる。内蔵システムは、通信チャネルを介して、相互の間でデータ、メッセージ、および/または信号を交信する(例えば、送信および/または受信する)ことができる。
1つ以上のセンサ114は、車両108に近接する(例えば、1つ以上のセンサ114のうちの1つ以上のものの範囲または視野内にある)1つ以上の物体と関連付けられるセンサデータ116を含む、データを生成および/または記憶するように構成されることができる。1つ以上のセンサ114は、光検出および測距(ライダ)システム、無線検出および測距(レーダ)システム、1つ以上のカメラ(例えば、可視スペクトルカメラおよび/または赤外線カメラ)、運動センサ、および/または他のタイプの画像捕捉デバイスおよび/またはセンサを含むことができる。センサデータ116は、画像データ、レーダデータ、ライダデータ、および/または1つ以上のセンサ114によって入手される他のデータを含むことができる。1つ以上の物体は、例えば、歩行者、車両、自転車、および/または他の物体を含むことができる。1つ以上の物体は、車両108の前側、後側、左側、右側、上部、または底部を含む、車両108の種々の部分の上に位置することができる。センサデータ116は、1つ以上の時間において車両108の周辺環境内の1つ以上の物体と関連付けられる場所を示し得る。例えば、センサデータ116は、周辺環境内の1つ以上の物体と関連付けられる1つ以上のライダ点群を示し得る。1つ以上のセンサ114は、センサデータ116を自律コンピューティングシステム120に提供することができる。
センサデータ116に加えて、自律コンピューティングシステム120は、マップデータ122を含む、データを読み出す、または別様に取得することができる。マップデータ122は、車両108の周辺環境についての詳細な情報を提供することができる。例えば、マップデータ122は、異なる道路、道路区画、建物、または他のアイテムまたは物体(例えば、街灯柱、横断歩道、および/またはカーブ)の識別および場所、車線の場所および方向(例えば、特定の道路または他の進行路、および/またはそれと関連付けられる1つ以上の境界マーキング内の駐車車線、旋回車線、自転車車線、または他の車線の場所および方向)、交通制御データ(例えば、標識、交通信号灯、または他の交通制御デバイスの場所および指示)、および/またはその周辺環境およびそれとのその関係を把握および知覚する際に車両コンピューティングシステム112を支援する情報を提供する任意の他のマップデータに関する、情報を提供することができる。
車両コンピューティングシステム112は、測位システム118を含むことができる。測位システム118は、車両108の現在の位置を決定することができる。測位システム118は、車両108の位置を分析するための任意のデバイスまたは回路であり得る。例えば、測位システム118は、三角測量および/またはネットワークアクセスポイントまたは他のネットワークコンポーネント(例えば、携帯電話の中継塔および/またはWi−Fiアクセスポイント)への近接性および/または他の好適な技法を使用することによって、IP/MACアドレスに基づいて、慣性センサ、衛星測位システムのうちの1つ以上のものを使用することによって、位置を決定することができる。車両108の位置は、車両コンピューティングシステム112の種々のシステムによって使用されることができる、および/または1つ以上の遠隔コンピューティングデバイス(例えば、動作コンピューティングシステム104および/または遠隔コンピューティングデバイス106)に提供されることができる。例えば、マップデータ122は、車両108の周辺環境の相対位置を車両108に提供することができる。車両108は、本明細書に説明されるデータに少なくとも部分的に基づいて、(例えば、6つの軸を横断して)周辺環境内のその位置を識別することができる。例えば、車両108は、センサデータ116(例えば、ライダデータ、カメラデータ)を処理し、それを周辺環境のマップに合致させ、その環境内の車両の位置の理解を得る(例えば、その周辺環境内で車両の位置を転置する)ことができる。
自律コンピューティングシステム120は、知覚システム124、予測システム126、運動計画システム128、および/または協働して、車両108の周辺環境を知覚し、それに応じて車両108の運動を制御するための運動計画を決定する、他のシステムを含むことができる。例えば、自律コンピューティングシステム120は、1つ以上のセンサ114からセンサデータ116を受信し、センサデータ116(および/または他のデータ)に種々の処理技法を実施することによって周辺環境の状態を決定しようとし、周辺環境を通して適切な運動計画を生成することができる。自律コンピューティングシステム120は、1つ以上の車両制御システム138を制御し、運動計画に従って車両108を動作させることができる。
自律コンピューティングシステム120は、センサデータ116および/またはマップデータ122に少なくとも部分的に基づいて、車両108に近接する1つ以上の物体を識別することができる。例えば、知覚システム124は、車両108に近接する物体の現在および/または過去の状態を記述する状態データ130を取得することができる。物体毎の状態データ130は、例えば、物体の現在および/または過去の場所および/または位置の推定、スピード、速度、加速度、進行方向、配向、サイズ/占有面積(例えば、境界形状によって表されるような)、クラス(例えば、歩行者クラス対車両クラス対自転車クラス)、および/または他の状態情報を説明することができる。知覚システム124は、(例えば、物体の移動を予測するために)状態データ130を予測システム126に提供することができる。
予測システム126は、車両108に近接する個別の1つ以上の物体のそれぞれと関連付けられる予測データ132を生成することができる。予測データ132は、各個別の物体の1つ以上の予測される将来の場所を示し得る。予測データ132は、車両108の周辺環境内の少なくとも1つの物体の予測経路(例えば、予測軌道)を示し得る。例えば、予測経路(例えば、軌道)は、それに沿って個別の物体が経時的に進行することが予測される経路(および/または物体が予測経路に沿って進行することが予測される速度)を示すことができる。予測システム126は、1つ以上の物体と関連付けられる予測データ132を運動計画システム128に提供することができる。
運動計画システム128は、運動計画を決定し、予測データ132(および/または他のデータ)に少なくとも部分的に基づいて、車両108のための運動計画データ134を生成することができる。運動計画データ134は、車両108に近接する物体に対する車両アクション、および予測移動を含むことができる。例えば、運動計画システム128は、車両アクションと関連付けられる費用データ、および該当する場合、他の目的関数(例えば、スピード制限、交通信号灯、および/または環境の他の側面に基づく費用関数)を考慮し、運動計画データ134を構成する最適化された変数を決定する、最適化アルゴリズムを実装することができる。一例として、運動計画システム128は、車両108が、車両108への潜在的危険性を増加させること、および/またはいずれの道路交通法(例えば、スピード制限、車線境界、標識)にも違反することなく、あるアクション(例えば、物体を追い越す)を実施し得ることを決定することができる。運動計画データ134は、車両108の計画された軌道、速度、加速度、および/または他のアクションを含むことができる。
運動計画システム128は、車両アクション、計画された軌道、および/または他の動作パラメータを示すデータを伴う運動計画データ134を、車両制御システム138に提供し、車両108のための運動計画データ134を実装することができる。例えば、車両108は、運動計画データ134を命令に変換するように構成される移動度コントローラを含むことができる。一例として、移動度コントローラは、決定された運動計画データ134を、車両108の操向を「X」度調節すること、および/またはある規模の制動力を印加することを含む、車両108を制御するための命令に変換することができる。移動度コントローラは、1つ以上の制御信号を責任のある車両制御コンポーネント(例えば、制動制御システム、操向制御システム、および/または加速度制御システム)に送信し、命令を実行し、運動計画データ134を実装することができる。
車両コンピューティングシステム112は、車両コンピューティングシステム112(およびその1つ以上のコンピューティングデバイス)が他のコンピューティングデバイスと通信することを可能にするように構成される、通信システム136を含むことができる。車両コンピューティングシステム112は、通信システム136を使用し、1つ以上のネットワークを経由して(例えば、1つ以上の無線信号接続を介して)、動作コンピューティングシステム106および/または1つ以上の他の遠隔コンピューティングデバイス(例えば、1つ以上の遠隔コンピューティングデバイス106)と通信することができる。いくつかの実装では、通信システム136は、車両108に内蔵されたシステムのうちの1つ以上のものの間で通信を可能にすることができる。通信システム136はまた、自律走行車両が、ユーザおよび/またはアイテム(例えば、宅配サービスのために取り上げられるべきアイテム)と関連付けられる遠隔コンピューティングデバイス106と通信する、および/またはそこからデータおよび/または信号を提供および/または受信することを可能にするように構成されることもできる。通信システム136は、例えば、無線周波数シグナリングおよび/またはBluetooth(登録商標)低エネルギープロトコルを含む、種々の通信技術を利用することができる。通信システム136は、例えば、1つ以上の伝送機、受信機、ポート、コントローラ、アンテナ、および/または通信を促進することに役立ち得る他の好適なコンポーネントを含む、1つ以上のネットワークとインターフェースをとるための任意の好適なコンポーネントを含むことができる。いくつかの実装では、通信システム136は、それが多重入出力(MIMO)技術および通信技法を実装および利用することを可能にする、複数のコンポーネント(例えば、アンテナ、伝送機、および/または受信機)を含むことができる。
車両コンピューティングシステム112は、1つ以上のヒューマンマシンインターフェース140を含むことができる。例えば、車両コンピューティングシステム112は、車両コンピューティングシステム112上に位置する、1つ以上のディスプレイデバイスを含むことができる。ディスプレイデバイス(例えば、タブレット、ラップトップ、および/またはスマートフォンの画面)は、車両108の前部(例えば、運転席、助手席)に位置する車両108のユーザによって視認可能であり得る。加えて、または代替として、ディスプレイデバイスは、車両108の後部(例えば、後部乗車席)に位置する車両108のユーザによって視認可能であり得る。
図2は、本開示の例示的実施形態による、曲線道路上のヘッドライト構成を決定する車両を含む、環境の実施例を描写する。図2に描写される1つ以上のアクションまたはイベントは、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステム(例えば、1つ以上のコンピューティングシステム)によって実装されることができる。図示されるように、図2は、道路202と、車線マーカ204と、丘の斜面206と、車両210と、経路212と、ヘッドライトビーム経路214と、ヘッドライトビーム経路216と、1つ以上のヘッドライト218と、車両220と、経路222と、1つ以上のヘッドライト228とを含む、環境200を示す。
本実施例では、車両210(例えば、自律走行車両)は、経路212(例えば、現在の進行経路)に沿って道路202(例えば、地方道路)上を進行している。車両210は、1つ以上のランプ、照明デバイス、および/またはヘッドランプを含む、光を放射する、生成する、および/または生じ得る、1つ以上のデバイスを含み得る、1つ以上のヘッドライト218を含むことができる。1つ以上のヘッドライト218は、1つ以上の発光ダイオード(LED)、蛍光灯デバイス、白熱灯デバイス、ハロゲンライトデバイス、キセノンアークランプデバイス、メタルハライドランプデバイス、ハロゲンランプデバイス、および/またはネオンランプデバイスを含む、異なるタイプの照明技術に基づくことができる。さらに、1つ以上のヘッドライト218は、前側(例えば、車両が前方に進行する際に乗車者の前にある車両210の側面)、左側(例えば、運転者側)、右側(例えば、乗車者側)、上側(例えば、車両210の屋根)、底側(例えば、車両210の車台)、および/または後側(例えば、車両が逆に進行する際に乗車者の背後にある車両210の側面)を含む、車両210の種々の部分に位置することができる。さらに、車両210の1つ以上のヘッドライトは、車両210と関連付けられる1つ以上のコンピューティングデバイスまたはコンピューティングシステム(例えば、車両210内のヘッドライトをアクティブ化し、位置を調節し得る、車両210内のヘッドライト構成コンピューティングデバイス)によって生成され得る、ヘッドライト構成に従って構成されることができる。
車両210は、車両210の全体を通して位置付けられ、電源を入れられる、電源を切られる、薄暗くされる、強化される(例えば、より明るいヘッドライト)、および/またはヘッドライト構成に基づいて1つ以上のヘッドライトの色を変化させ得る、1つ以上のヘッドライトを含むことができる。1つ以上のヘッドライト218のそれぞれの位置は、下降させること、上昇させること、上に傾転させること、下に傾転させること、左に傾転させること、および/または右に傾転させることを含んで、修正されることができる。
本実施例では、車両210および車両220は、道路202上の車線マーカ204の反対側で異なる方向に進行している。車両210および車両220が夜間に動作されていると、車両210および車両220は両方とも、それらの個別のヘッドライトをアクティブ化している(例えば、車両210は、1つ以上のヘッドライト218をアクティブ化し、車両220は、1つ以上のヘッドライト228をアクティブ化している)。さらに、丘の斜面206は、車両210の1つ以上のヘッドライト218および車両220の1つ以上のヘッドライト228によって放射される光の一部を遮断する。
車両210が道路202に沿って曲がると、車両210は、車両210内に含まれる、または車両210と関連付けられる、1つ以上のセンサ(例えば、1つ以上のカメラ、ライダ、ソナー、および/またはレーダデバイス)からの1つ以上のセンサ出力に基づいて、車両220の場所、速度、および/または軌道を決定することができる。さらに、車両210は、1つ以上のセンサからのセンサ出力に部分的に基づいて、車両220によって進行される経路222を照明する光を含む、車両220のヘッドライトによって生成される光の種々の性質を決定することができる。例えば、車両220は、車両220のヘッドライトによって生成される光の方向および強度を決定することができる。
いくつかの実施形態では、車両210は、1つ以上の遠隔コンピューティングデバイスを含む、外部ソースから受信され得る、ナビゲーションデータ(例えば、環境200のマップを含むナビゲーションデータおよび/またはマップデータ)に部分的に基づいて、車両220の場所、速度、および/または軌道を決定することができる。
車両210が車両220を検出し、車両220の経路222および車両220によって生成されるヘッドライトビームの性質を決定することに応答して、車両210は、ヘッドライトビーム経路216の方向に経路を照明することから、ヘッドライトビーム経路214の方向に照明することに、車両210の1つ以上のヘッドライトの位置を変更するために使用され得る、ヘッドライト構成を生成することができる。このように、車両210の1つ以上のヘッドライトは、道路202の輪郭および車両220の場所に従って、車両210の進行経路をより効果的に照明するように構成されることができる。
図3は、本開示の例示的実施形態による、交差点におけるヘッドライト構成を決定する車両を含む、環境の実施例を描写する。図3に描写される1つ以上のアクションまたはイベントは、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステム(例えば、1つ以上のコンピューティングシステム)によって実装されることができる。図示されるように、図3は、道路302と、交差点エリア304と、建物306と、車両310と、経路312と、車両320と、経路322とを含む、環境300を示す。
本実施例では、車両310(例えば、自律走行車両)は、経路312(例えば、現在の進行経路)に沿って道路302(例えば、郊外の街路)上を進行している。車両310は、環境300内の濃霧に起因してアクティブ化されており、前側(例えば、車両が前方に進行する際に乗車者の前にある車両310の側面)、左側(例えば、運転者側)、右側(例えば、乗車者側)、上側(例えば、車両310の屋根)、底側(例えば、車両310の車台)、および/または後側(例えば、車両が逆に進行する際に乗車者の背後にある車両310の側面)を含む、車両310上の種々の場所に位置付けられ得る、1つ以上のヘッドライト(図示せず)を含むことができる。さらに、車両310の1つ以上のヘッドライトは、車両310と関連付けられる1つ以上のコンピューティングデバイスまたはコンピューティングシステム(例えば、車両310内のヘッドライトをアクティブ化し、位置を調節し得る、車両310内のヘッドライト構成コンピューティングデバイス)によって生成され得る、ヘッドライト構成に従って構成されることができる。
車両310は、車両310の全体を通して位置付けられ、電源を入れられる、電源を切られる、薄暗くされる、強化される(例えば、より明るいヘッドライト)、および/またはヘッドライト構成に基づいて1つ以上のヘッドライトの色を変化させ得る、1つ以上のヘッドライトを含むことができる。さらに、1つ以上のヘッドライトのそれぞれの位置は、修正されることができる(例えば、1つ以上のヘッドライトの下降、上昇、上への傾転、下への傾転、左への傾転、および/または右への傾転)。
本実施例では、車両310および車両310(また、環境300内の濃霧条件に起因して、そのヘッドライトをアクティブ化した)は、交差点エリア304に向かって道路302上を進行している。建物306は、車両310および車両320のヘッドライトによって生成される光の一部を遮断する。車両310は、1つ以上のセンサ(例えば、1つ以上のカメラ、ライダ、ソナー、および/またはレーダデバイス)からの1つ以上のセンサ出力、および/またはナビゲーションデータ(例えば、環境300のマップを含むナビゲーションデータおよび/またはマップデータ)に基づいて、車両320の場所、速度、および/または軌道を決定することができる。さらに、車両は、1つ以上のセンサからのセンサ出力に基づいて、車両320によって進行される経路322を照明する光を含む、車両320のヘッドライトによって生成される光の種々の性質を決定することができる。本実施例では、車両310は、車両310および車両320が交差点エリア304に接近するにつれて車両320によって生成される光を検出することができる。さらに、車両310は、車両320からの検出された光の強度に部分的に基づいて、車両320の近接性を推定することができる。
車両310が車両320を検出し、車両320の経路322および車両320によって生成されるヘッドライトビームの性質を決定することに応答して、車両310は、車両310の1つ以上のヘッドライトの強度を変更するために使用され得る、ヘッドライト構成を生成することができる。このように、例えば、車両310の1つ以上のヘッドライトは、車両310が交差点エリア304に接近するにつれて、より低い強度において光るように構成されることができる。したがって、ヘッドライト強度を下げることによって、車両310は、交差点(例えば、交差点エリア304)内で光の強度を低減させることによって、乗車者をより安全に運搬することができる。
図4は、本開示の例示的実施形態による、ピックアップエリア内のヘッドライト構成を決定する車両を含む、環境の実施例を描写する。図4に描写される1つ以上のアクションまたはイベントは、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステム(例えば、1つ以上のコンピューティングシステム)によって実装されることができる。図示されるように、図4は、道路402と、ピックアップエリア404と、乗車者406と、車両410と、経路412とを含む、環境400を示す。
本実施例では、車両410(例えば、自律走行車両)は、経路412(例えば、現在の進行経路)に沿って道路402(例えば、都市街路)上を進行している。車両410は、前側(例えば、車両が前方に進行する際に乗車者の前にある車両410の側面)、左側(例えば、運転者側)、右側(例えば、乗車者側)、上側(例えば、車両410の屋根)、底側(例えば、車両410の車台)、および/または後側(例えば、車両が逆に進行する際に乗車者の背後にある車両410の側面)を含む、車両410上の種々の場所に位置付けられ得る、1つ以上のヘッドライト(図示せず)を含むことができる。さらに、車両410の1つ以上のヘッドライトは、車両410と関連付けられる1つ以上のコンピューティングデバイスまたはコンピューティングシステム(例えば、車両410内のヘッドライトをアクティブ化し、位置を調節し得る、車両410内のヘッドライト構成コンピューティングデバイス)によって生成され得る、ヘッドライト構成に従って構成されることができる。環境400は、大雨を受けており、故に、車両410は、車両410に近接する環境400の部分をより良好に照明するように、そのヘッドライトをアクティブ化している。
車両410は、車両410の全体を通して位置付けられ、電源を入れられる、電源を切られる、薄暗くされる、強化される(例えば、より明るいヘッドライト)、および/またはヘッドライト構成に基づいて1つ以上のヘッドライトの色を変化させ得る、1つ以上のヘッドライトを含むことができる。さらに、1つ以上のヘッドライトのそれぞれの位置は、修正されることができる(例えば、1つ以上のヘッドライトの下降、上昇、上への傾転、下への傾転、左への傾転、および/または右への傾転)。
本実施例では、車両410は、乗車者406が、車両410が到着することを待機している、ピックアップエリア404に向かって道路402上を進行している。車両410は、1つ以上のセンサ(例えば、1つ以上のカメラ、ライダ、ソナー、および/またはレーダデバイス)からの1つ以上のセンサ出力、および/またはナビゲーションデータ(例えば、環境400のマップを含むナビゲーションデータおよび/またはマップデータ)に基づいて、車両410、ピックアップエリア404、および乗車者406の間の距離を決定することができる。
車両410がピックアップエリア404および乗車者406を検出することに応答して、車両410は、車両410の1つ以上のヘッドライトの強度を変更するために使用され得る、ヘッドライト構成を生成することができる。本実施例では、車両410の1つ以上のヘッドライトは、車両410がピックアップエリア404に接近するにつれて、より低い強度において光るように構成されることができる。したがって、ヘッドライト強度を下げることによって、車両410は、乗車者406の眼の中に明るいヘッドライトを光らせることを回避することによって、乗車者406の体験を改良することができる。さらに、車両410が乗車者406を乗せてピックアップエリア404を離れると、車両410は、ヘッドライト構成を調節し、暗い環境400の照明された視界を乗車者406に提供し、それによって、乗車者406のために乗車者のより優れた快適感を助長することができる。
図5は、本開示の例示的実施形態による、ヘッドライト構成データを交信する車両を含む、環境の実施例を描写する。図5に描写される1つ以上のアクションまたはイベントは、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステム(例えば、1つ以上のコンピューティングシステム)によって実装されることができる。図示されるように、図5は、道路502と、車線マーカ504と、車両510と、経路512と、通信デバイス514と、信号516(例えば、ヘッドライト構成信号)と、車両520と、経路522と、通信デバイス524と、車両530と、経路532とを含む、環境500を示す。
本実施例では、車両510(例えば、自律走行車両)は、経路512(例えば、現在の進行経路)に沿って道路502(例えば、幹線道路)上を進行している。車両510は、前側(例えば、車両が前方に進行する際に乗車者の前にある車両510の側面)、左側(例えば、運転者側)、右側(例えば、乗車者側)、上側(例えば、車両510の屋根)、底側(例えば、車両510の車台)、および/または後側(例えば、車両が逆に進行する際に乗車者の背後にある車両510の側面)を含む、車両510上の種々の場所に位置付けられ得る、1つ以上のヘッドライト(図示せず)を含むことができる。さらに、車両510の1つ以上のヘッドライトは、車両510と関連付けられる1つ以上のコンピューティングデバイスまたはコンピューティングシステム(例えば、車両510内のヘッドライトをアクティブ化し、位置を調節し得る、車両510内のヘッドライト構成コンピューティングデバイス)によって生成され得る、ヘッドライト構成に従って構成されることができる。
車両510は、車両510の全体を通して位置付けられ、電源を入れられる、電源を切られる、薄暗くされる、強化される(例えば、より明るいヘッドライト)、および/またはヘッドライト構成に基づいて1つ以上のヘッドライトの色を変化させ得る、1つ以上のヘッドライトを含むことができる。さらに、1つ以上のヘッドライトのそれぞれの位置は、修正されることができる(例えば、1つ以上のヘッドライトの下降、上昇、上への傾転、下への傾転、左への傾転、および/または右への傾転)。
示されるように、車両510は、経路522に沿って進行している車両520と同一の方向に、その背後を進行している。さらに、車両510および車両520は、車線マーカ504の反対側で経路532に沿って進行している車両530と異なる方向に進行している。図5に図示されるように、車両510および車両520は、それぞれ、通信デバイス514および通信デバイス524を含む。通信デバイス514および通信デバイス524は、通信デバイス514および通信デバイス524のうちの他方のものと1つ以上の信号またはデータを交信する(例えば、送信および/または受信する)ために、使用されることができる。本実施例では、車両520は、車両530および車両530の速度、経路、軌道、およびヘッドライト明度を含む、車両530と関連付けられる性質を検出することができる。車両520は、通信デバイス524によって伝送され、車両510の通信デバイス514によって受信される信号516を介して、1つ以上の信号またはデータを車両510に送信することができる。
車両510が車両520から1つ以上の信号またはデータを受信することに応答して、車両510は、車両510が車両530に接近するにつれて、車両510の1つ以上のヘッドライトの強度を変更するために使用され得る、ヘッドライト構成を生成することができる。このように、例えば、車両510の1つ以上のヘッドライトは、車両510が車両520に接近するにつれて、より低い強度において光るように構成されることができる。したがって、ヘッドライト強度を下げることによって、車両510は、車両530の光学センサを過剰露出することの発生率を低減させ、それによって、車両530が環境の状態をより正確に決定することを可能にすることによって、安全性を改良することができる。さらに、車両510は、車両530の方向に放射される光の強度を低減させることによって、車両530内で進行する乗車者の快適性を改良することができる。
図6は、本開示の例示的実施形態による、自律走行車両動作の例示的方法のフロー図を描写する。方法600の1つ以上の部分は、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステムによって実装されることができる。また、方法600の1つ以上の部分は、例えば、車両のためのヘッドライト構成を決定するように、(例えば、図1のように)本明細書に説明されるデバイスのハードウェアコンポーネント上のアルゴリズムとして実装されることができる。図6は、例証および議論の目的のために特定の順序で実施される要素を描写する。本明細書で提供される開示を使用する当業者は、本明細書に議論される方法のうちのいずれかの要素が、本開示の範囲から逸脱することなく、種々の方法で適合される、再配列される、拡張される、省略される、組み合わせられる、および/または修正され得ることを理解するであろう。
602では、方法600は、センサデータ(例えば、1つ以上のセンサ114からのセンサデータ116)を受信することを含むことができる。センサデータは、車両(例えば、車両108)の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくことができる。1つ以上のセンサ出力は、車両の状態および1つ以上の物体を含む環境に少なくとも部分的に基づくことができる。例えば、車両は、1つ以上の画像センサ(例えば、1つ以上の画像センサに検出可能な(例えば、それに可視である)1つ以上の物体の場所を決定するために使用され得る、車両の前部および後部上の1つ以上のカメラ)からセンサデータを受信することができる。いくつかの実施形態では、センサデータは、車両から遠隔にある1つ以上のセンサから受信されるセンサデータを含むことができる。例えば、センサデータは、1つ以上の交通信号灯カメラ、ユーザデバイス(例えば、スマートフォン)、および/または他の車両(例えば、他の車両のカメラからのセンサデータ)からのセンサデータを含むことができる。
車両の状態は、車両の速度、車両の加速度、車両の地理的場所(例えば、緯度および経度、住所、または目印の識別)、車両の配向、方角、および/または軌道のうちの少なくとも1つを含むことができる。1つ以上のセンサは、1つ以上のカメラ、1つ以上のソナーデバイス、1つ以上のレーダデバイス、1つ以上の光検出および測距(ライダ)デバイス、1つ以上の熱センサ、1つ以上のオーディオセンサ、1つ以上の触覚センサ、1つ以上の湿度センサ、1つ以上の圧力センサ、および/または1つ以上の気圧センサのうちの少なくとも1つを含むことができる。
604では、方法600は、1つ以上の物体に対する車両の位置を含む、複数の空間関係を決定することを含むことができる。複数の空間関係は、センサデータに少なくとも部分的に基づいて決定されることができる。例えば、車両と1つ以上の物体のそれぞれとの間の距離および/または角度が、決定されることができる。さらに、車両は、1つ以上の物体の物理的寸法(例えば、高さ、幅、および/または深度)、および車両によって横断されている環境の道路、建物、および地理的特徴(例えば、山、川、および/または森を含む自然の特徴)の幾何学形状を決定することができる。
606では、方法600は、車両(例えば、車両108)の1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)のためのヘッドライト構成を決定することを含むことができる。ヘッドライト構成は、複数の空間関係に少なくとも部分的に基づくことができる。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定することができる。いくつかの実施形態では、ヘッドライト構成は、ヘッドライト構成と関連付けられる1つ以上のデータセットまたはデータ構造を含み、車両による以降の使用のために読み出され得る、1つ以上のメモリデバイス内に記憶されることができる。
1つ以上のヘッドライト状態は、オン状態(例えば、ヘッドライトの電源が入れられる)、オフ状態(例えば、ヘッドライトの電源が切られる)、標的照明領域および/または標的照明エリア(例えば、ヘッドライトの物理的位置を変更することなく、ヘッドライトからの光が指向され得る場所を含む、例えば、ヘッドライトからの光が指向される位置またはエリア)、水平角(例えば、車両の表面または車両の下の地面と平行なx軸に対する角度)、垂直角(例えば、車両の表面または車両の下の地面と垂直なy軸に対する角度)、高さ(例えば、車両の下の地面に対するヘッドライトの高さ)、放射光の強度(例えば、ヘッドライトによって生成される光の光度、放射強度、および/または放射照度)、および/または放射光の色のうちの少なくとも1つを含むことができる。
608では、方法600は、1つ以上のヘッドライトのセットをアクティブ化することを含むことができる。1つ以上のヘッドライトのセットをアクティブ化することは、ヘッドライト構成に少なくとも部分的に基づくことができる。例えば、ヘッドライト構成データオブジェクトは、車両のフロントヘッドライトのうちの2つが最大強度においてアクティブ化されるものであることを示すことができる。ヘッドライト構成データオブジェクトを含む、1つ以上の信号またはデータを受信することに部分的に基づいて、車両は、(例えば、1つ以上の制御信号を、1つ以上のヘッドライトをアクティブ化するように構成される1つ以上のコントローラに送信することによって)最大強度において2つのフロントヘッドライトをアクティブ化することができる。
図7は、本開示の例示的実施形態による、自律走行車両動作の例示的方法のフロー図を描写する。方法700の1つ以上の部分は、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステムによって実装されることができる。また、方法700の1つ以上の部分は、例えば、車両のためのヘッドライト構成を決定するように、(例えば、図1のように)本明細書に説明されるデバイスのハードウェアコンポーネント上のアルゴリズムとして実装されることができる。図7は、例証および議論の目的のために特定の順序で実施される要素を描写する。本明細書で提供される開示を使用する当業者は、本明細書に議論される方法のうちのいずれかの要素が、本開示の範囲から逸脱することなく、種々の方法で適合される、再配列される、拡張される、省略される、組み合わせられる、および/または修正され得ることを理解するであろう。
702では、方法700は、車両(例えば、車両108)と車両に最も近い1つ以上の物体(例えば、方法600における1つ以上の物体)のうちの1つとの間の距離を含む、物体近接距離を決定することを含むことができる。物体近接距離は、複数の空間関係に少なくとも部分的に基づいて決定されることができる。例えば、複数の空間関係は、車両と複数の他の車両(例えば、2つの車両、3つの車両、4つの車両、または5つの車両)との間の距離を含むことができ、最短距離を選択することができる。いくつかの実施形態では、車両と1つ以上の物体との間の物体近接距離は、車両の高さ範囲または高さ閾値内である物体に制限されることができる。一例のみとして、車両の10メートル上方にある車両(例えば、車両の上方の陸橋の上にある車両)は、7メートルの高さ閾値を超え得、車両に最も近い距離の決定で使用され得ない。
704では、方法700は、物体近接距離に少なくとも部分的に基づいて、1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)のうちの少なくとも1つのための放射光の強度を決定することを含むことができる。いくつかの実施形態では、放射光の強度は、物体近接距離に比例し得る。例えば、放射光の強度は、物体近接距離に反比例し得る(例えば、ヘッドライトによって放射される光の強度は、車両と物体との間の距離が増加するにつれて、増加され得る)。いくつかの実施形態では、ヘッドライト構成(例えば、方法600におけるヘッドライト構成)を決定することは、物体近接距離に少なくとも部分的に基づいて、1つ以上のヘッドライト(例えば、方法600における1つ以上のヘッドライト)のうちの少なくとも1つのための放射光の強度を決定することを含むことができる。
706では、方法700は、経路データまたはセンサデータ(例えば、1つ以上のセンサ114からのセンサデータ116)に少なくとも部分的に基づいて、自律走行車両の予測経路を決定することを含むことができる。経路データは、車両が横断するための複数の場所と関連付けられる情報を含むことができる。複数の場所は、車両の現在の場所(例えば、現在の緯度および経度)と、目的地の場所(例えば、車両が進行するであろう緯度および経度)とを含むことができる。
例えば、経路データは、車両の現在の場所および目的地の場所を含む、1つ以上の入力または命令を受信し得る、車両の自律コンピューティングシステムによって決定される、車両のための経路を含むことができる。センサデータおよび/または経路データに少なくとも部分的に基づいて、自律システムの知覚システム、予測システム、および計画システムが、目的地の場所までの経路を決定するために使用されることができる。いくつかの実施形態では、ヘッドライト構成を決定することは、車両の予測経路に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。経路は、起点目的地および/または目的地の場所に少なくとも部分的に基づいて(例えば、車両コンピューティングシステム112および/または動作コンピューティングシステム104によって)決定される、車両ルートを含むことができる。加えて、または代替として、経路は、車両コンピューティングシステム112(例えば、内蔵運動計画システム128)によって決定される、(例えば、運動計画の)1つ以上の運動軌道を含むことができる。
708では、方法700は、車両の予測経路の1つ以上の経路特性を決定することを含むことができる。車両の予測経路の1つ以上の経路特性を決定することは、複数の空間関係に少なくとも部分的に基づくことができる。1つ以上の経路特性は、経路角(例えば、車両によって横断されている経路の水平または左右角)、経路勾配(例えば、経路の険しさ)、および/または交差点近接性(例えば、車両によって横断される経路に沿った最近傍交差点までの距離)のうちの少なくとも1つを含むことができる。例えば、車両は、50メートル内でブラインドターンを通過するであろう経路に沿って進行することができ(例えば、車両は、ブラインドターンをナビゲートするプロセスになるまで、対向車両または歩行者に可視であることから部分的または完全に遮蔽される)、放射光状態の強度が、(例えば、一時的に対向運転者の眼を眩ませる、または野生生物を驚かせるほど明るくないが)対向車両が車両を予想するために十分に明るい中間レベルに設定される、ヘッドライト構成を生成することができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の経路特性に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
710では、方法700は、センサデータに少なくとも部分的に基づいて、1つ以上の物体の1つ以上の予測物体経路を決定することを含むことができる。1つ以上の予測物体経路は、1つ以上の個別の物体のそれぞれが横断することが決定される複数の場所を含むことができる。例えば、1つ以上の予測物体経路は、車両を交差し得る1つ以上の物体をもたらし得る経路を含む、1つ以上の物体が進行するであろう経路を計算し得る、車両のコンピューティングシステムによって少なくとも部分的に決定されることができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の物体の1つ以上の予測物体経路を決定することを含むことができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の物体の1つ以上の予測物体経路に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
712では、方法700は、環境内の1つ以上の反射面の場所を決定することを含むことができる。環境内の1つ以上の反射面の場所を決定することは、センサデータに少なくとも部分的に基づくことができる。1つ以上の反射面は、所定の反射率閾値レベルを上回る光の量を反射する、1つ以上の表面を含むことができる。例えば、鏡または磨かれた銀のカップは、所定の反射率閾値を超え得る。対照的に、茶色のれんが壁は、所定の反射率閾値を超え得ず、反射面として分類されないであろう。例えば、1つ以上の画像センサ(例えば、1つ以上のカメラ)によって捕捉される1つ以上の画像を含む、センサデータは、反射性である1つ以上の画像内の1つ以上の表面(例えば、車両のヘッドライトの反射を含む表面)を決定するために、使用されることができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上の反射面の場所に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
714では、方法700は、場所、速度、進行経路、外部車両センサ出力、および/または環境内の1つ以上の車両の外部車両ヘッドライト構成のうちの少なくとも1つと関連付けられる、外部車両構成データを受信することを含むことができる。例えば、環境内の1つ以上の車両は、外部車両構成データを含む、1つ以上の信号を伝送する(例えば、無線で伝送する)、および/またはを受信する(例えば、無線受信機によって受信する)ことができる。いくつかの実施形態では、ヘッドライト構成を決定することは、外部車両構成データに少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
図8は、本開示の例示的実施形態による、自律走行車両動作の例示的方法のフロー図を描写する。方法800の1つ以上の部分は、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステムによって実装されることができる。また、方法800の1つ以上の部分は、例えば、車両のためのヘッドライト構成を決定するように、(例えば、図1のように)本明細書に説明されるデバイスのハードウェアコンポーネント上のアルゴリズムとして実装されることができる。図8は、例証および議論の目的のために特定の順序で実施される要素を描写する。本明細書で提供される開示を使用する当業者は、本明細書に議論される方法のうちのいずれかの要素が、本開示の範囲から逸脱することなく、種々の方法で適合される、再配列される、拡張される、省略される、組み合わせられる、および/または修正され得ることを理解するであろう。
802では、方法800は、環境内(例えば、方法600における環境)の複数の場所、地理的特徴、および/または環境内の気象および/または気候条件(例えば、降水量、湿度、温度、雪、雲の条件、および/または気圧)と関連付けられる情報を含む、マップデータ(例えば、マップデータ122)を受信することを含むことができる。車両(例えば、車両108)は、衛星(例えば、GPS衛星)、1つ以上の遠隔コンピューティングデバイス106(例えば、スマートフォンの場所に近接するエリアと関連付けられるローカルマップを伝送するスマートフォン)を含む、遠隔コンピューティングデバイス、動作コンピューティングシステム104(例えば、車両のためのピックアップまたは配達を編成することと関連付けられるオペレーションセンタ)を含む、オペレーションセンタ、サービスデポ、および/または1つ以上の他の車両から伝送される、1つ以上の信号を介して、マップデータを受信することができる。複数の場所または地理的特徴は、1つ以上の学校の場所、1つ以上の住宅の場所、1つ以上の商業用の場所、1つ以上の野生生物の場所、1つ以上の料金所の場所、1つ以上の橋、1つ以上のトンネル、および/または1つ以上の陸橋を含むことができる。いくつかの実施形態では、複数の空間関係(例えば、方法600における複数の空間関係)を決定することは、マップデータに少なくとも部分的に基づいて、複数の空間関係を決定することを含むことができる。
804では、方法800は、マップデータに少なくとも部分的に基づいて、環境内の1つ以上のピックアップエリアおよび/またはドロップオフエリアの1つ以上の場所を決定することを含むことができる。ピックアップエリアおよびドロップオフエリアは、車両が、それぞれ、乗車者を乗せる(例えば、乗車者が車両によって乗せられることを待機している場所まで進行する)、および/または降ろし得る(例えば、車両内の乗車者が降ろされるであろう場所まで進行する)、エリアを含むことができる。
806では、方法800は、1つ以上のピックアップエリアまたはドロップオフエリアからの車両(例えば、車両108)の距離に少なくとも部分的に基づいて、1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)のための放射光の強度を決定することを含むことができる。例えば、車両の1つ以上のセンサ(例えば、1つ以上の画像センサおよび/またはカメラ)は、車両の周囲の環境内の光の強度、および車両の周囲の環境内の個々の光源の強度を決定することができる。一例として、車両がドロップオフエリアから離れると、1つ以上のヘッドライトのための放射光の強度は、暗くなったときに車両の周囲のエリアのより良好な視界を乗車者に提供するように増加されることができる。いくつかの実施形態では、ヘッドライト構成を決定することは、1つ以上のヘッドライトのための放射光の強度に少なくとも部分的に基づいて、ヘッドライト構成を決定することを含むことができる。
図9は、本開示の例示的実施形態による、自律走行車両動作の例示的方法のフロー図を描写する。方法900の1つ以上の部分は、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステムによって実装されることができる。また、方法900の1つ以上の部分は、例えば、車両のためのヘッドライト構成を決定するように、(例えば、図1のように)本明細書に説明されるデバイスのハードウェアコンポーネント上のアルゴリズムとして実装されることができる。図9は、例証および議論の目的のために特定の順序で実施される要素を描写する。本明細書で提供される開示を使用する当業者は、本明細書に議論される方法のうちのいずれかの要素が、本開示の範囲から逸脱することなく、種々の方法で適合される、再配列される、拡張される、省略される、組み合わせられる、および/または修正され得ることを理解するであろう。
902では、方法900は、車両(例えば、車両108)と関連付けられる1つ以上のセンサ(例えば、1つ以上のセンサ114)からセンサデータ(例えば、センサデータ116)を受信することを含むことができる。センサデータは、1つ以上の物体の物理的寸法のセット、1つ以上の物体の色、1つ以上の物体の速度、1つ以上の物体の加速度、および/または1つ以上の物体と関連付けられる1つ以上の音声(例えば、エンジン音)を含む、1つ以上の物体の特性のセットと関連付けられる情報を含むことができる。
904では、方法900は、センサデータを、機械学習物体検出および予測モデル(例えば、1つ以上の機械学習モデル1130および/または1つ以上の機械学習モデル1170)のうちの1つ以上のものを含み得る、機械学習モデルに送信することを含むことができる。例えば、機械学習物体検出および予測モデルは、車両(例えば、車両108)と関連付けられるコンピューティングシステム(例えば、車両コンピューティングシステム112)上に実装されることができ、1つ以上の通信ネットワーク(例えば、通信ネットワーク102)を介して、センサデータを受信するように構成されることができる。例えば、車両コンピューティングシステム112は、機械学習物体検出および予測モデルを含む、採用する、および/または別様に活用することができる。機械学習物体検出および予測モデルは、例えば、ニューラルネットワーク(例えば、ディープニューラルネットワーク)または他の多層非線形モデル等の1つ以上の種々のモデルであり得る、または別様にそれを含むことができる。
ニューラルネットワークは、コンボリューショナルニューラルネットワーク、リカレントニューラルネットワーク(例えば、長短期メモリリカレントニューラルネットワーク)、フィードフォワードニューラルネットワーク、および/または他の形態のニューラルネットワークを含むことができる。例えば、監視下訓練技法が、機械学習物体検出および予測モデルを訓練し、1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)と1つ以上の物体との間、1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)によって放射される光と1つ以上の物体との間、第1の物体(例えば、車両108)と1つ以上の第2の物体(例えば、車両108の外部の物体)との間の相互作用、および/またはそれと関連付けられる予測相互作用軌道(例えば、相互作用の既知のインスタンスおよび/または結果として生じた軌道と、標識運転ログデータ、センサデータ、状態データを併用する)を検出および/または予測するように、実施されることができる。いくつかの実装では、機械学習物体検出および予測モデルのための訓練データは、機械学習物体検出および予測モデルを訓練し、1つ以上のヘッドライトによって生成される光と関連付けられる相互作用および/または相互作用軌道を含む、1つ以上の相互作用および/または相互作用軌道を検出および/または予測することに役立つために使用され得る、規則ベースのモデルを使用して決定される、予測相互作用結果に少なくとも部分的に基づくことができる。さらに、訓練データは、オフラインで機械学習物体検出および予測モデルを訓練するために使用されることができる。
いくつかの実施形態では、車両コンピューティングシステム112は、機械学習物体検出および予測モデルの中にデータを入力し、出力を受信することができる。例えば、車両コンピューティングシステム112は、(例えば、無線ネットワークを介して)車両108に内蔵されたアクセス可能メモリから、および/または車両108から遠隔にあるメモリから、機械学習物体検出および予測モデルを示すデータを取得することができる。車両コンピューティングシステム112は、入力データを機械学習物体検出および予測モデルの中に提供することができる。入力データは、1つ以上のヘッドライト、1つ以上のヘッドライトによって放射される光、および1つ以上の物体(例えば、道路、水域、および/または森)と関連付けられる、1つ以上の車両、歩行者、自転車乗車者、建物、および/または環境を含む、1つ以上の物体と関連付けられる、データを含むことができる。さらに、入力データは、第1の物体(例えば、車両108)と関連付けられる、1つ以上のヘッドライトのためのヘッドライト構成(例えば、1つ以上のヘッドライト110の状態)、初期軌道、状態データ、センサデータ、他の物体の軌道/状態データ、計画された車両軌道、マップデータを示すデータ、および/または1つ以上の他の物体(例えば、車両108がある道路上の他の車両)と関連付けられる、初期軌道、状態データ、センサデータ、他の物体の軌道/状態データ、計画された車両軌道、マップデータを示すデータを含むことができる。
機械学習物体検出および予測モデルは、入力データを処理し、物体と関連付けられる相互作用(例えば、光・物体相互作用、物体・物体相互作用、および/または物体・車両相互作用)を予測することができる。また、機械学習物体検出および予測モデルは、物体に放たれる光の効果、物体によって生成される光の効果、および相互作用に少なくとも部分的に基づく物体の軌道および予測経路を含む、物体のための1つ以上の相互作用を予測することができる。さらに、車両コンピューティングシステム112は、機械学習物体検出および予測モデルから出力を取得することができる。機械学習物体検出および予測モデルからの出力は、1つ以上の予測相互作用(例えば、1つ以上のヘッドライト110によって物体に放たれる光の効果、および/または他の物体の1つ以上のヘッドライトによって車両108に放たれる光の効果)および/または周辺環境内の物体の軌道(例えば、車両108の外部の車両の経路)を示し得る。例えば、出力は、環境内の1つ以上の物体の1つ以上の予測相互作用および/または相互作用軌道を示し得る。いくつかの実装では、車両コンピューティングシステム112は、予測相互作用を示す入力データを提供することができ、機械学習物体検出および予測モデルは、そのような入力データに基づいて、予測相互作用を出力することができる。いくつかの実装では、出力はまた、各個別の相互作用と関連付けられる確率も示し得る。
906では、方法900は、機械学習物体検出および予測モデルからの出力に少なくとも部分的に基づいて、1つ以上の物体と関連付けられる1つ以上の識別を含む、1つ以上の検出される物体予測を生成することを含むことができる。例えば、機械学習物体検出および予測モデルは、1つ以上の前もって分類された物体とのセンサデータの比較に部分的に基づいて、1つ以上の物体を分類および/または識別することができる。
908では、方法900は、1つ以上の物体予測と関連付けられる1つ以上の識別に少なくとも部分的に基づいて、車両(例えば、車両108)の1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)の1つ以上の状態と関連付けられるヘッドライト構成を生成することを含むことができる。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定することができる。いくつかの実施形態では、ヘッドライト構成は、ヘッドライト構成と関連付けられる1つ以上のデータセットまたはデータ構造を含み、以降の使用のために読み出され得る、1つ以上のメモリデバイス内に記憶されることができる。さらに、いくつかの実施形態では、機械学習物体検出および予測モデルは、ヘッドライト構成を、1つ以上の物体予測と関連付けられる1つ以上の識別と関連付けるように、訓練されることができる。例えば、車両は、歩行者が車両の所定の近接距離内で検出されるときに、車両のフロントヘッドライトが薄暗くされる、ヘッドライト構成を生成することができる。
910では、方法900は、ヘッドライト構成に少なくとも部分的に基づいて、ヘッドライト構成出力を生成することを含むことができる。ヘッドライト構成出力は、ヘッドライト構成と関連付けられる1つ以上のインジケーションを含むことができる。ヘッドライト構成出力は、車両の1つ以上のヘッドライトおよび/または他の照明システムを含む、1つ以上の車両システムに伝送される、ヘッドライト構成の種々の仕様(例えば、アクティブ化するヘッドライトおよび/またはヘッドライト強度)を含む、1つ以上のデータ構造を含むことができる。
図10は、本開示の例示的実施形態による、自律走行車両動作の例示的方法のフロー図を描写する。方法1000の1つ以上の部分は、例えば、図1に示される、動作コンピューティングシステム104、車両108、または車両コンピューティングシステム112を含む、1つ以上のデバイス(例えば、1つ以上のコンピューティングデバイス)またはシステムによって実装されることができる。また、方法1000の1つ以上の部分は、例えば、車両のためのヘッドライト構成を決定するように、(例えば、図1のように)本明細書に説明されるデバイスのハードウェアコンポーネント上のアルゴリズムとして実装されることができる。図10は、例証および議論の目的のために特定の順序で実施される要素を描写する。本明細書で提供される開示を使用する当業者は、本明細書に議論される方法のうちのいずれかの要素が、本開示の範囲から逸脱することなく、種々の方法で適合される、再配列される、拡張される、省略される、組み合わせられる、および/または修正され得ることを理解するであろう。
1002では、方法1000は、車両(例えば、車両108)の1つ以上のセンサ(例えば、1つ以上のセンサ114)からの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータ(例えば、センサデータ116)を受信することを含むことができる。1つ以上のセンサ出力は、車両の状態および1つ以上の物体を備える環境に少なくとも部分的に基づくことができる。例えば、車両は、ライダによって検出可能な1つ以上の物体の場所を決定するために使用され得る、車両の屋根の上に搭載される1つ以上のライダデバイスからセンサデータを受信することができる。
車両の状態は、車両の速度、車両の加速度、車両の地理的場所、車両の配向、方角、および/または軌道のうちの少なくとも1つを含むことができる。1つ以上のセンサは、1つ以上のカメラ、1つ以上のソナーデバイス、1つ以上のレーダデバイス、1つ以上の光検出および測距(ライダ)デバイス、1つ以上の熱センサ、1つ以上のオーディオセンサ、1つ以上の触覚センサ、1つ以上の湿度センサ、1つ以上の圧力センサ、および/または1つ以上の気圧センサのうちの少なくとも1つを含むことができる。
1004では、方法1000は、センサデータおよび機械学習モデル(例えば、1つ以上の機械学習モデル1130および/または1つ以上の機械学習モデル1170)に少なくとも部分的に基づいて、複数の空間関係および1つ以上の物体に対応する1つ以上の物体分類を決定することを含むことができる。複数の空間関係は、車両と1つ以上の物体のそれぞれとの間の距離を含むことができる。さらに、複数の空間関係は、車両に対する1つ以上の物体の高さを含むことができる。1つ以上の物体分類は、1つ以上の車両(例えば、自動車、バス、バイク)、1人以上の歩行者、1人以上の自転車乗車者、家畜(例えば、イヌおよび/またはネコ)、野生生物(例えば、シカ、ヘラジカ、および/またはクマ)、1つ以上の建物(例えば、オフィスビル、アパートの建物、および/または立体駐車場)、1つ以上の反射面(例えば、鏡、ガラス窓、および/またはクロム自動車用バンパ)、および/または1つ以上の公共設備構造(例えば、電柱および/または消火栓)を含む、実際の物体に基づくことができる。
1006では、方法1000は、複数の空間関係または1つ以上の物体分類に少なくとも部分的に基づいて、車両(例えば、車両108)の1つ以上のヘッドライト(例えば、1つ以上のヘッドライト110)のためのヘッドライト構成を決定することを含むことができる。ヘッドライト構成は、1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定することができる。例えば、1つ以上の物体が交差点に立っている歩行者を含むという決定に基づいて、車両は、ヘッドライトの状態が、歩行者に向かって指向されるヘッドライトによって放射される光の低減した強度を含む一方で、完全強度において他のヘッドライトをオンにしたままにする、ヘッドライト構成を生成することができる。
1008では、方法1000は、ヘッドライト構成に少なくとも部分的に基づいて、1つ以上のヘッドライトのセットをアクティブ化することを含むことができる。例えば、ヘッドライト構成データオブジェクトは、車両のフロントヘッドライトのうちの8つ全てが、車両によって横断されている曲線道路をより良好に照明するために、右に10度向きを変えられるものであることを示すことができる。ヘッドライト構成データオブジェクトを含む、1つ以上の信号またはデータを受信することに部分的に基づいて、車両は、フロントヘッドライトのうちの8つ全てをアクティブ化し、8つのヘッドライトを右に10度向きを変えることができる。
1010では、方法1000は、センサデータまたは1つ以上の物体分類に少なくとも部分的に基づいて、1つ以上の物体の1つ以上の予測経路を決定することを含むことができる。1つ以上の予測経路は、1つ以上の物体のそれぞれが横断することが決定される複数の場所のセットを含むことができる。ヘッドライト構成は、1つ以上の物体の1つ以上の予測経路に少なくとも部分的に基づくことができる。例えば、2つの検出された物体は、動力車および自転車乗車者であることが決定されることができる。2つの物体が動力車および自転車乗車者であるという決定に基づいて、車両コンピューティングシステムは、2つの物体毎に最大速度範囲(例えば、動力車は、毎時200キロメートルの最大速度を有することができ、自転車乗車者は、毎時60キロメートルの平坦な地面上の最大速度を有することができる)を決定し、それによって、2つの物体のそれぞれの経路をより正確に決定することができる。
図11は、本開示の例示的実施形態による、例示的コンピューティングシステム1100のブロック図を描写する。例示的システム1100は、1つ以上のネットワーク1140を経由して通信可能に結合される、コンピューティングシステム1110と、機械学習コンピューティングシステム1150とを含む。
いくつかの実装では、コンピューティングシステム1110は、車両(例えば、車両108)のためのヘッドライト構成の決定、および/または物体の物理的寸法、場所、位置、配向、速度、加速度、形状、および/または色を含む、物体(例えば、車両に近接する物体)の状態の決定を含む、種々の動作を実施することができる。いくつかの実装では、コンピューティングシステム1110は、自律走行車両内に含まれることができる。例えば、コンピューティングシステム1110は、自律走行車両に内蔵され得る。他の実装では、コンピューティングシステム1110は、自律走行車両に内蔵されて位置しない。例えば、コンピューティングシステム1110は、オフラインで動作し、車両(例えば、車両108)のためのヘッドライト構成を決定する、および/または物体の物理的寸法、場所、位置、経路、配向、速度、加速度、形状、および/または色を含む、物体の状態を決定することができる。コンピューティングシステム1110は、1つ以上の明確に異なる物理的コンピューティングデバイスを含むことができる。
コンピューティングシステム1110は、1つ以上のプロセッサ1112と、メモリ1114とを含む。1つ以上のプロセッサ1112は、任意の好適な処理デバイス(例えば、プロセッサコア、マイクロプロセッサ、ASIC、FPGA、コントローラ、および/またはマイクロコントローラ)であり得、1つのプロセッサ、または動作可能に接続される複数のプロセッサであり得る。メモリ1114は、RAM、ROM、EEPROM、EPROM、1つ以上のメモリデバイス、フラッシュメモリデバイス、および/またはそれらの組み合わせを含む、1つ以上の非一過性のコンピュータ可読記憶媒体を含むことができる。
メモリ1114は、1つ以上のプロセッサ1112によってアクセスされ得る、情報を記憶することができる。例えば、メモリ1114(例えば、1つ以上の非一過性のコンピュータ可読記憶媒体、メモリデバイス)は、取得される、受信される、アクセスされる、書き込まれる、操作される、作成される、および/または記憶され得る、データ1116を記憶することができる。データ1116は、例えば、本明細書に説明されるような車両のためのヘッドライト構成の決定と関連付けられるデータを含むことができる。いくつかの実装では、コンピューティングシステム1110は、システム1110から遠隔にある1つ以上のメモリデバイスから、データを取得することができる。
メモリ1114はまた、1つ以上のプロセッサ1112によって実行され得る、コンピュータ可読命令1118を記憶することもできる。命令1118は、任意の好適なプログラミング言語で書かれたソフトウェアであり得る、またはハードウェアで実装されることができる。加えて、または代替として、命令1118は、1つ以上のプロセッサ1112上の論理上および/または事実上別個のスレッド内で実行されることができる。
例えば、メモリ1114は、1つ以上のプロセッサ1112によって実行されると、1つ以上のプロセッサ1112に、例えば、車両(例えば、車両108)のためのヘッドライト構成を決定すること、および/または物体の物理的寸法、場所、位置、配向、速度、加速度、形状、および/または色を含む、物体(例えば、車両に近接する物体)の状態を決定することを含む、本明細書に説明される動作および/または機能のうちのいずれかを実施させる、命令1118を記憶することができる。
本開示の側面によると、コンピューティングシステム1110は、1つ以上の機械学習モデル1130を記憶する、または含むことができる。実施例として、1つ以上の機械学習モデル1130は、例えば、ニューラルネットワーク(例えば、ディープニューラルネットワーク)、サポートベクタマシン、決定木、アンサンブルモデル、k−近傍モデル、ベイジアンネットワーク、または線形モデルおよび/または非線形モデルを含む他のタイプのモデル等の種々の機械学習モデルであり得る、または別様にそれを含むことができる。例示的ニューラルネットワークは、フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク(例えば、長短期メモリリカレントニューラルネットワーク)、コンボリューショナルニューラルネットワーク、または他の形態のニューラルネットワークを含む。
いくつかの実装では、コンピューティングシステム1110は、1つ以上のネットワーク1140を経由して、機械学習コンピューティングシステム1150から1つ以上の機械学習モデル1130を受信することができ、メモリ1114内に1つ以上の機械学習モデル1130を記憶することができる。コンピューティングシステム1110は、次いで、(例えば、1つ以上のプロセッサ1112によって)1つ以上の機械学習モデル1130を使用する、または別様に実装することができる。特に、コンピューティングシステム1110は、機械学習モデル1130を実装し、車両(例えば、車両108)のためのヘッドライト構成を決定する、および/または物体の物理的寸法、場所、位置、配向、速度、加速度、形状、および/または色を含む、物体(例えば、車両に近接する物体)の状態を決定することができる。
機械学習コンピューティングシステム1150は、1つ以上のプロセッサ1152と、メモリ1154とを含む。1つ以上のプロセッサ1152は、任意の好適な処理デバイス(例えば、プロセッサコア、マイクロプロセッサ、ASIC、FPGA、コントローラ、および/またはマイクロコントローラ)であり得、1つのプロセッサ、または動作可能に接続される複数のプロセッサであり得る。メモリ1154は、RAM、ROM、EEPROM、EPROM、1つ以上のメモリデバイス、フラッシュメモリデバイス、および/またはそれらの組み合わせ等の1つ以上の非一過性のコンピュータ可読記憶媒体を含むことができる。
メモリ1154は、1つ以上のプロセッサ1152によってアクセスされ得る、情報を記憶することができる。例えば、メモリ1154(例えば、1つ以上の非一過性のコンピュータ可読記憶媒体、メモリデバイス)は、取得される、受信される、アクセスされる、書き込まれる、操作される、作成される、および/または記憶され得る、データ1156を記憶することができる。データ1156は、例えば、本明細書に説明されるような自律走行車両のためのヘッドライト構成を決定することを含むことができる。いくつかの実装では、機械学習コンピューティングシステム1150は、システム1150から遠隔にある1つ以上のメモリデバイスから、データを取得することができる。
メモリ1154はまた、1つ以上のプロセッサ1152によって実行され得る、コンピュータ可読命令1158を記憶することもできる。命令1158は、任意の好適なプログラミング言語で書かれたソフトウェアであり得る、またはハードウェアで実装されることができる。加えて、または代替として、命令1158は、1つ以上のプロセッサ1152上の論理上および/または事実上別個のスレッド内で実行されることができる。
例えば、メモリ1154は、1つ以上のプロセッサ1152によって実行されると、1つ以上のプロセッサ1152に、例えば、車両(例えば、車両108)のためのヘッドライト構成を決定すること、および/または物体の物理的寸法、場所、位置、配向、速度、加速度、形状、および/または色を含む、物体(例えば、車両に近接する物体)の状態を決定することを含む、本明細書に説明される動作および/または機能のうちのいずれかを実施させる、命令1158を記憶することができる。
いくつかの実装では、機械学習コンピューティングシステム1150は、1つ以上のサーバコンピューティングデバイスを含む。機械学習コンピューティングシステム1150が複数のサーバコンピューティングデバイスを含む場合、そのようなサーバコンピューティングデバイスは、例えば、順次コンピューティングアーキテクチャ、並列コンピューティングアーキテクチャ、またはそれらのある組み合わせを含む、種々のコンピューティングアーキテクチャに従って動作することができる。
コンピューティングシステム1110における1つ以上の機械学習モデル1130に加えて、または代替として、機械学習コンピューティングシステム1150は、1つ以上の機械学習モデル1170を含むことができる。実施例として、機械学習モデル1170は、例えば、ニューラルネットワーク(例えば、ディープニューラルネットワーク)、サポートベクタマシン、決定木、アンサンブルモデル、k−近傍モデル、ベイジアンネットワーク、または線形モデルおよび/または非線形モデルを含む他のタイプのモデル等の種々の機械学習モデルであり得る、または別様にそれを含むことができる。例示的ニューラルネットワークは、フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク(例えば、長短期メモリリカレントニューラルネットワーク)、コンボリューショナルニューラルネットワーク、または他の形態のニューラルネットワークを含む。
実施例として、機械学習コンピューティングシステム1150は、クライアント−サーバ関係に従って、コンピューティングシステム1110と通信することができる。例えば、機械学習コンピューティングシステム1170は、機械学習モデル1170を実装し、ウェブサービスをコンピューティングシステム1110に提供することができる。例えば、ウェブサービスは、車両(例えば、車両108)のためのヘッドライト構成を決定すること、および/または物体の物理的寸法、場所、位置、経路、配向、速度、加速度、形状、および/または色を含む、物体(例えば、車両に近接する物体)の状態を決定することを提供することができる。
したがって、機械学習モデル1130は、コンピューティングシステム1110において位置し、使用されることができ、および/または機械学習モデル1170は、機械学習コンピューティングシステム1150において位置し、使用されることができる。
いくつかの実装では、機械学習コンピューティングシステム1150および/またはコンピューティングシステム1110は、モデルトレーナ1180の使用を通して、機械学習モデル1130および/または1170を訓練することができる。モデルトレーナ1180は、1つ以上の訓練または学習アルゴリズムを使用して、機械学習モデル1130および/または1170を訓練することができる。1つの例示的訓練技法は、誤差の後方伝搬である。いくつかの実装では、モデルトレーナ1180は、標識訓練データのセットを使用して、監視下訓練技法を実施することができる。他の実装では、モデルトレーナ1180は、非標識訓練データのセットを使用して、無監視訓練技法を実施することができる。モデルトレーナ1180は、いくつかの一般化技法を実施し、訓練されているモデルの一般化能力を改良することができる。一般化技法は、加重減衰、ドロップアウト、または他の技法を含む。
特に、モデルトレーナ1180は、訓練データ1182のセットに基づいて、機械学習モデル1130および/または1170を訓練することができる。訓練データ1182は、例えば、種々の特性および/または性質(例えば、物理的寸法、速度、および/または進行経路)と関連付けられ得る、車両物体、歩行者物体、自転車乗車者物体、建物物体、および/または道路物体を含む、複数の物体を含むことができる。モデルトレーナ1180は、1つ以上のプロセッサを制御する、ハードウェア、ファームウェア、および/またはソフトウェアで実装されることができる。
コンピューティングシステム1110はまた、コンピューティングシステム1110から遠隔に位置するシステムまたはデバイスを含む、1つ以上のシステムまたはデバイスと通信するために使用される、ネットワークインターフェース1120を含むこともできる。ネットワークインターフェース1120は、1つ以上のネットワーク(例えば、1つ以上のネットワーク1140)と通信するための任意のデバイス、回路、コンポーネント、および/またはソフトウェアを含むことができる。いくつかの実装では、ネットワークインターフェース1120は、例えば、データを通信するための通信コントローラ、受信機、送受信機、伝送機、ポート、導体、ソフトウェア、および/またはハードウェアのうちの1つ以上のものを含むことができる。同様に、機械学習コンピューティングシステム1150は、ネットワークインターフェース1160を含むことができる。
1つ以上のネットワーク1140は、デバイスの間の通信を可能にする、任意のタイプのネットワークまたはネットワークの組み合わせであり得る。いくつかの実施形態では、1つ以上のネットワーク1140は、ローカルエリアネットワーク、広域エリアネットワーク、インターネット、セキュアネットワーク、セルラーネットワーク、メッシュネットワーク、ピアツーピア通信リンク、および/またはそれらのある組み合わせのうちの1つ以上のものを含むことができ、任意の数の有線または無線リンクを含むことができる。1つ以上のネットワーク1140を経由した通信は、例えば、任意のタイプのプロトコル、保護スキーム、エンコーディング、フォーマット、および/またはパッケージングを使用する、ネットワークインターフェースを介して、遂行されることができる。
図11は、本開示を実装するために使用され得る、1つの例示的コンピューティングシステム1100を図示する。他のコンピューティングシステムも、使用されることができる。例えば、いくつかの実装では、コンピューティングシステム1110は、モデルトレーナ1180と、訓練データセット1182とを含むことができる。そのような実装では、機械学習モデル1130は、コンピューティングシステム1110においてローカルで訓練および使用の両方を行われることができる。別の実施例として、いくつかの実装では、コンピューティングシステム1110は、他のコンピューティングシステムに接続されない。
加えて、コンピューティングシステム1110または1150のうちの1つの中に含まれるものとして図示および/または議論されるコンポーネントが、代わりに、コンピューティングシステム1110または1150のうちの別のものの中に含まれることができる。そのような構成は、本開示の範囲から逸脱することなく、実装されることができる。コンピュータベースのシステムの使用は、コンポーネントの間で、かつその中から、タスクおよび機能性の多種多様な可能性として考えられる構成、組み合わせ、および分割を可能にする。コンピュータ実装動作は、単一のコンポーネント上で、または複数のコンポーネントを横断して、実施されることができる。コンピュータ実装タスクおよび/または動作は、連続的に、または並行して実施されることができる。データおよび命令は、単一のメモリデバイス内に、または複数のメモリデバイスを横断して、記憶されることができる。
本主題は、その具体的な例示的実施形態および方法に関して詳細に説明されたが、当業者が、前述の理解を獲得することに応じて、そのような実施形態の改変、変形例、または均等物を容易に生成し得ることを理解されたい。故に、本開示の範囲は、限定ではなく、一例としてのものであり、本開示は、当業者に容易に明白となるであろうような本主題の修正、変形例、および/または追加の包含を除外しない。
Claims (20)
- 自律走行車両動作のコンピュータ実装方法であって、前記コンピュータ実装方法は、
1つ以上のコンピューティングデバイスを備えるコンピューティングシステムによって、自律走行車両の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータを受信することであって、前記1つ以上のセンサ出力は、前記自律走行車両の状態および1つ以上の物体を備える環境に少なくとも部分的に基づく、ことと、
前記コンピューティングシステムによって、前記センサデータに少なくとも部分的に基づいて、前記1つ以上の物体に対する前記自律走行車両の位置を備える複数の空間関係を決定することと、
前記コンピューティングシステムによって、前記複数の空間関係に少なくとも部分的に基づいて、前記自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を決定することであって、前記ヘッドライト構成は、前記1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定する、ことと、
前記コンピューティングシステムによって、前記ヘッドライト構成に少なくとも部分的に基づいて、前記1つ以上のヘッドライトのセットをアクティブ化することと
を含む、コンピュータ実装方法。 - 前記1つ以上のヘッドライト状態は、オン状態、オフ状態、標的照明領域、水平角、垂直角、高さ、放射光の強度、または放射光の色のうちの少なくとも1つを備える、請求項1に記載のコンピュータ実装方法。
- 前記コンピューティングシステムによって、前記複数の空間関係に少なくとも部分的に基づいて、前記自律走行車両と前記自律走行車両に最も近い前記1つ以上の物体のうちの1つとの間の距離を備える、物体近接距離を決定すること
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記コンピューティングシステムによって、前記物体近接距離に少なくとも部分的に基づいて、前記1つ以上のヘッドライトのうちの少なくとも1つのための放射光の強度を決定することを含む、
請求項1または2に記載のコンピュータ実装方法。 - 前記放射光の強度は、前記物体近接距離に比例する、請求項3に記載のコンピュータ実装方法。
- 前記コンピューティングシステムによって、経路データまたは前記センサデータに少なくとも部分的に基づいて、前記自律走行車両の予測経路を決定することであって、前記経路データは、前記自律走行車両が横断するための複数の場所と関連付けられる情報を備え、前記複数の場所は、前記自律走行車両の現在の場所と、目的地の場所とを備える、こと
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記自律走行車両の予測経路に少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項1−4のいずれかに記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、前記複数の空間関係に少なくとも部分的に基づいて、前記自律走行車両の予測経路の1つ以上の経路特性を決定することであって、前記1つ以上の経路特性は、経路角、経路勾配、または交差点近接性のうちの少なくとも1つを備える、こと
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記1つ以上の経路特性に少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項5に記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、前記センサデータに少なくとも部分的に基づいて、前記1つ以上の物体の1つ以上の予測物体経路を決定することであって、前記1つ以上の予測物体経路は、前記1つ以上の個別の物体のそれぞれが横断することが決定される複数の場所を備える、こと
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記1つ以上の物体の1つ以上の予測物体経路に少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項1−6のいずれかに記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、前記センサデータに少なくとも部分的に基づいて、前記環境内の1つ以上の反射面の場所を決定すること
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記1つ以上の反射面の場所に少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項1−7のいずれかに記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、場所、速度、進行経路、外部車両センサ出力、または前記環境内の1つ以上の車両の外部車両ヘッドライト構成のうちの少なくとも1つと関連付けられる外部車両構成データを受信すること
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記外部車両構成データに少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項1−8のいずれかに記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、前記環境内の複数の場所または地理的特徴と関連付けられる情報を備えるマップデータを受信すること
をさらに含み、
前記複数の空間関係を決定することは、前記マップデータに少なくとも部分的に基づいて、前記複数の空間関係を決定することを含む、
請求項1−9のいずれかに記載のコンピュータ実装方法。 - 前記コンピューティングシステムによって、マップデータに少なくとも部分的に基づいて、前記環境内の1つ以上のピックアップエリアまたはドロップオフエリアの1つ以上の場所を決定することと、
前記コンピューティングシステムによって、前記1つ以上のピックアップエリアまたはドロップオフエリアからの前記自律走行車両の距離に少なくとも部分的に基づいて、前記1つ以上のヘッドライトのための放射光の強度を決定することと
をさらに含み、
前記ヘッドライト構成を決定することはさらに、前記1つ以上のヘッドライトのための前記放射光の強度に少なくとも部分的に基づいて、前記ヘッドライト構成を決定することを含む、
請求項10に記載のコンピュータ実装方法。 - 前記複数の場所または地理的特徴は、1つ以上の学校の場所、1つ以上の住宅の場所、1つ以上の商業用の場所、1つ以上の野生生物の場所、1つ以上の料金所の場所、1つ以上の橋、1つ以上のトンネル、または1つ以上の陸橋を備える、請求項10または11に記載のコンピュータ実装方法。
- 前記自律走行車両の状態は、前記自律走行車両の速度、前記自律走行車両の加速度、前記自律走行車両の地理的場所、または前記自律走行車両の軌道のうちの少なくとも1つを備える、請求項1−12のいずれかに記載のコンピュータ実装方法。
- 前記1つ以上のセンサは、1つ以上のカメラ、1つ以上のソナーデバイス、1つ以上のレーダデバイス、1つ以上の光検出および測距(ライダ)デバイス、1つ以上の熱センサ、1つ以上のオーディオセンサ、1つ以上の触覚センサ、1つ以上の湿度センサ、1つ以上の圧力センサ、または1つ以上の気圧センサのうちの少なくとも1つを備える、請求項1−13のいずれかに記載のコンピュータ実装方法。
- コンピューティングシステムであって、
1つ以上のプロセッサと、
機械学習物体検出モデルであって、前記機械学習物体検出モデルは、センサデータを受信し、前記センサデータを受信することに応答して、1つ以上の検出される物体予測と、前記1つ以上の検出される物体予測に少なくとも部分的に基づくヘッドライト構成とを備える出力を生成するように訓練される、機械学習物体検出モデルと、
1つ以上のコンピュータ可読媒体を備えるメモリであって、前記メモリは、コンピュータ可読命令を記憶しており、前記コンピュータ可読命令は、前記1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、
自律走行車両と関連付けられる1つ以上のセンサからセンサデータを受信することであって、前記センサデータは、1つ以上の物体の物理的寸法のセットと関連付けられる情報を備える、ことと、
前記センサデータを前記機械学習物体検出モデルに送信することと、
前記機械学習物体検出モデルからの前記出力に少なくとも部分的に基づいて、前記1つ以上の物体と関連付けられる1つ以上の識別を備える1つ以上の検出される物体予測を生成することと、
前記1つ以上の物体予測と関連付けられる前記1つ以上の識別に少なくとも部分的に基づいて、自律走行車両の1つ以上のヘッドライトの1つ以上の状態と関連付けられるヘッドライト構成を生成することと
を含む動作を実施させる、メモリと
を備える、コンピューティングシステム。 - 前記ヘッドライト構成に少なくとも部分的に基づいて、ヘッドライト構成出力を生成することをさらに含み、前記ヘッドライト構成出力は、前記ヘッドライト構成と関連付けられる1つ以上のインジケーションを備える、請求項15に記載のコンピューティングシステム。
- 自律走行車両であって、
1つ以上のプロセッサと、
1つ以上のコンピュータ可読媒体を備えるメモリであって、前記メモリは、コンピュータ可読命令を記憶しており、前記コンピュータ可読命令は、前記1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、
自律走行車両の1つ以上のセンサからの1つ以上のセンサ出力に少なくとも部分的に基づくセンサデータを受信することであって、前記1つ以上のセンサ出力は、前記自律走行車両の状態および1つ以上の物体を備える環境に少なくとも部分的に基づく、ことと、
前記センサデータおよび機械学習モデルに少なくとも部分的に基づいて、複数の空間関係および前記1つ以上の物体に対応する1つ以上の物体分類を決定することであって、前記複数の空間関係は、前記自律走行車両と前記1つ以上の物体のそれぞれとの間の距離を備える、ことと、
前記複数の空間関係または前記1つ以上の物体分類に少なくとも部分的に基づいて、前記自律走行車両の1つ以上のヘッドライトのためのヘッドライト構成を決定することであって、前記ヘッドライト構成は、前記1つ以上のヘッドライト毎に1つ以上のヘッドライト状態を規定する、ことと
を含む動作を実施させる、メモリと
を備える、自律走行車両。 - 前記ヘッドライト構成に少なくとも部分的に基づいて、前記1つ以上のヘッドライトのセットをアクティブ化すること
をさらに含む、請求項17に記載の自律走行車両。 - 前記1つ以上の物体分類は、1つ以上の車両、1人以上の歩行者、1人以上の自転車乗車者、野生生物、1つ以上の建物、1つ以上の反射面、または1つ以上の公共設備構造を備える、請求項17または18に記載の自律走行車両。
- 前記センサデータまたは前記1つ以上の物体分類に少なくとも部分的に基づいて、前記1つ以上の物体の1つ以上の予測経路を決定することであって、前記1つ以上の予測経路は、前記1つ以上の物体のそれぞれが横断することが決定される複数の場所のセットを備える、こと
をさらに含み、
前記ヘッドライト構成は、前記1つ以上の物体の1つ以上の予測経路に少なくとも部分的に基づく、請求項17−19のいずれかに記載の自律走行車両。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762595906P | 2017-12-07 | 2017-12-07 | |
US62/595,906 | 2017-12-07 | ||
US15/907,906 | 2018-02-28 | ||
US15/907,906 US20190176684A1 (en) | 2017-12-07 | 2018-02-28 | Location Based Vehicle Headlight Control |
PCT/US2018/063968 WO2019113145A1 (en) | 2017-12-07 | 2018-12-05 | Location based vehicle headlight control |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021505467A true JP2021505467A (ja) | 2021-02-18 |
Family
ID=66735038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020531007A Pending JP2021505467A (ja) | 2017-12-07 | 2018-12-05 | 場所ベースの車両ヘッドライト制御 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190176684A1 (ja) |
EP (1) | EP3703978A1 (ja) |
JP (1) | JP2021505467A (ja) |
WO (1) | WO2019113145A1 (ja) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11697497B2 (en) | 2018-10-03 | 2023-07-11 | Sarcos Corp. | Aerial vehicles having countermeasures deployed from a platform for neutralizing target aerial vehicles |
US11192646B2 (en) | 2018-10-03 | 2021-12-07 | Sarcos Corp. | Anchored aerial countermeasures for rapid deployment and neutralizing of target aerial vehicles |
US11472550B2 (en) * | 2018-10-03 | 2022-10-18 | Sarcos Corp. | Close proximity countermeasures for neutralizing target aerial vehicles |
US11465741B2 (en) | 2018-10-03 | 2022-10-11 | Sarcos Corp. | Deployable aerial countermeasures for neutralizing and capturing target aerial vehicles |
US11440656B2 (en) | 2018-10-03 | 2022-09-13 | Sarcos Corp. | Countermeasure deployment system facilitating neutralization of target aerial vehicles |
US11325523B2 (en) * | 2019-04-02 | 2022-05-10 | Pony Ai Inc. | Lighting element control for an autonomous vehicle |
US11772643B1 (en) * | 2019-05-20 | 2023-10-03 | Zoox, Inc. | Object relevance determination |
DE102019217225A1 (de) * | 2019-11-07 | 2021-05-12 | Robert Bosch Gmbh | Verfahren zum Trainieren eines maschinellen Lernsystems für eine Objekterkennungsvorrichtung |
US11620522B2 (en) * | 2019-12-31 | 2023-04-04 | Magna Electronics Inc. | Vehicular system for testing performance of headlamp detection systems |
US11325524B2 (en) * | 2020-01-14 | 2022-05-10 | Qualcomm Incorporated | Collaborative vehicle headlight directing |
US11872929B2 (en) | 2020-01-14 | 2024-01-16 | Qualcomm Incorporated | Collaborative vehicle headlight directing |
US11383634B2 (en) | 2020-01-14 | 2022-07-12 | Qualcomm Incorporated | Collaborative vehicle headlight directing |
US11241996B2 (en) | 2020-01-14 | 2022-02-08 | Qualcomm Incorporated | Collaborative vehicle headlight directing |
EP4128034A2 (en) | 2020-04-01 | 2023-02-08 | Sarcos Corp. | System and methods for early detection of non-biological mobile aerial target |
FR3112516A1 (fr) * | 2020-07-20 | 2022-01-21 | Valeo Vision | Procédé de fonctionnement d'un dispositif d'éclairage automobile et dispositif d'éclairage automobile |
FR3115245B1 (fr) * | 2020-10-15 | 2023-01-20 | Valeo Vision | Procédé pour réaliser l'auto-nivellement dynamique d'un dispositif d'éclairage automobile et dispositif d'éclairage automobile |
JP7514167B2 (ja) * | 2020-11-06 | 2024-07-10 | 株式会社Subaru | 車両の運転支援装置 |
FR3127454A1 (fr) * | 2021-09-27 | 2023-03-31 | Psa Automobiles Sa | Procédé de commande d’un projecteur de véhicule automobile |
WO2023133431A1 (en) * | 2022-01-07 | 2023-07-13 | Tusimple, Inc. | Adaptive illumination system for an autonomous vehicle |
US11865967B2 (en) | 2022-01-07 | 2024-01-09 | Tusimple, Inc. | Adaptive illumination system for an autonomous vehicle |
DE102022100884A1 (de) | 2022-01-17 | 2023-07-20 | Audi Aktiengesellschaft | Variieren einer leuchtenden Fläche einer Fahrzeugleuchte |
US11753024B1 (en) * | 2022-07-15 | 2023-09-12 | Ghost Autonomy Inc. | Anticipatory vehicle headlight actuation |
CN116061797A (zh) * | 2022-12-29 | 2023-05-05 | 蔚来汽车科技(安徽)有限公司 | 照明控制方法、系统、装置、存储介质和计算机程序产品 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587573B1 (en) * | 2000-03-20 | 2003-07-01 | Gentex Corporation | System for controlling exterior vehicle lights |
JP4492725B2 (ja) * | 2008-03-25 | 2010-06-30 | 株式会社デンソー | ライト制御装置 |
US9495874B1 (en) * | 2012-04-13 | 2016-11-15 | Google Inc. | Automated system and method for modeling the behavior of vehicles and other agents |
US9280710B1 (en) * | 2014-03-13 | 2016-03-08 | Google Inc. | Bus detection for an autonomous vehicle |
US9975472B2 (en) * | 2015-04-30 | 2018-05-22 | Tyri International, Inc. | Controllable lighting arrangement for a vehicle |
US9663025B2 (en) * | 2015-09-18 | 2017-05-30 | Clearpath Robotics, Inc. | Lighting control system and method for autonomous vehicles |
US10331956B2 (en) * | 2015-09-23 | 2019-06-25 | Magna Electronics Inc. | Vehicle vision system with detection enhancement using light control |
KR101824982B1 (ko) * | 2015-10-07 | 2018-02-02 | 엘지전자 주식회사 | 차량 및 그 제어방법 |
US9606539B1 (en) * | 2015-11-04 | 2017-03-28 | Zoox, Inc. | Autonomous vehicle fleet service and system |
US9804599B2 (en) * | 2015-11-04 | 2017-10-31 | Zoox, Inc. | Active lighting control for communicating a state of an autonomous vehicle to entities in a surrounding environment |
KR20170082670A (ko) * | 2016-01-06 | 2017-07-17 | 엘지전자 주식회사 | 차량용 램프 및 이를 포함하는 차량 |
KR101770642B1 (ko) * | 2016-05-16 | 2017-09-05 | 엘지전자 주식회사 | 차량용 조명 장치 및 차량 |
WO2017205276A1 (en) * | 2016-05-21 | 2017-11-30 | JST Performance, LLC | Method and apparatus for vehicular light fixtures |
US9789808B1 (en) * | 2016-07-01 | 2017-10-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Headlight directional control for illuminating an identified object |
-
2018
- 2018-02-28 US US15/907,906 patent/US20190176684A1/en not_active Abandoned
- 2018-12-05 JP JP2020531007A patent/JP2021505467A/ja active Pending
- 2018-12-05 WO PCT/US2018/063968 patent/WO2019113145A1/en unknown
- 2018-12-05 EP EP18826157.2A patent/EP3703978A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
EP3703978A1 (en) | 2020-09-09 |
US20190176684A1 (en) | 2019-06-13 |
WO2019113145A1 (en) | 2019-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021505467A (ja) | 場所ベースの車両ヘッドライト制御 | |
US11513531B2 (en) | Apparatus for providing map | |
JP7105305B2 (ja) | 多段画像ベースの物体検出および認識 | |
EP3815072B1 (en) | Interactive external vehicle-user communication | |
US10133280B2 (en) | Vehicle control device mounted on vehicle and method for controlling the vehicle | |
US20190079526A1 (en) | Orientation Determination in Object Detection and Tracking for Autonomous Vehicles | |
US10824148B2 (en) | Operating an autonomous vehicle according to road user reaction modeling with occlusions | |
US11104269B2 (en) | Dynamic vehicle warning signal emission | |
US10543828B2 (en) | Structured multivariate contextual vehicle operation with integrated semiotic control | |
US11473917B2 (en) | System for augmenting autonomous vehicle perception using smart nodes | |
US11872987B2 (en) | Path providing device and path providing method thereof | |
US11675355B2 (en) | Path providing device and path providing method thereof | |
US20220017115A1 (en) | Smart node network for autonomous vehicle perception augmentation | |
US11403943B2 (en) | Method and system for vehicle navigation using information from smart node | |
US11745761B2 (en) | Path providing device and path providing method thereof | |
US20210039676A1 (en) | Path providing device and path providing method thereof | |
CN113642372B (zh) | 在自主驾驶车辆的操作中基于灰度图像识别对象的方法和系统 | |
KR20190106903A (ko) | 관심 정보 수집 장치 및 방법 | |
EP4182765A1 (en) | Method and system for augmenting autonomous vehicle perception using smart nodes | |
US20220121216A1 (en) | Railroad Light Detection | |
KR20210083048A (ko) | 경로 제공 장치 및 그것의 경로 제공 방법 | |
US11887475B1 (en) | Systems and methods for controlling a programmable traffic light | |
US20230391358A1 (en) | Retrofit vehicle computing system to operate with multiple types of maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20211013 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20211021 |