JP2021515183A - 車両の取り得る位置の仮説の限定されたまたは空の集合を選択する方法 - Google Patents

Abstract

本発明は、複数の仮説から車両の取り得る位置の仮説（Ｚ１〜Ｚ８）の限定されたまたは空の集合を選択する方法に関する。本発明は、地理位置情報システムによって車両の少なくとも１つの地理的位置（Ｐ０）を取得するステップと、車両の取り得る位置の複数の仮説を取得するステップと、車両の地理的位置の共分散、およびそれぞれの取得した仮説の共分散を判断するステップと、それぞれの取得した仮説について、マハラノビス距離を算出するステップと、取得した仮説から仮説の限定されたまたは空の集合を選択するステップと、を含む。【選択図】図３

Description

本発明は一般的に、地図作成の分野に関する。

本発明は、より詳細には、車両の取り得る位置の仮説の限定されたまたは空の集合を複数の仮説の中から選択する方法に関する。

本発明はまた、
− 地図を記憶するための手段と、
− 地理位置情報システムと、
− 地図上の車両を事前に配置し、かつ上述されるような選択する方法を実施するのに適したコンピュータと、を含む車両に関する。

自律走行車両および部分的に自動化された車両の安全性を保証するために、これらの車両が移動する環境を詳しく知ることが必要である。

実際には、車両による該車両の環境の感知は、２つの異なるやり方、すなわち、
− 地図および車両の地理位置情報手段を使用することによって、ならびに
− 外受容センサ（カメラ、レーダー、またはライダーセンサなど）を使用することによって、行われる。

地図を作成する企業は、現在、道路網の特徴（車線幅、地表標識、パネル信号機など）についての非常に詳細な情報を得ることが可能であるいわゆる「高精細」地図に取り組んでいる。

これらの地図は、地理位置情報手段を備える車両に組み込まれることで、これらの車両を、緯度および経度によって推定された位置で地図上に位置付けることができる。

残念ながら、この位置は、車両が実際に通る経路外に位置することによって反映されるように、常に非常に正確で信頼できるものではないことが分かっている。この問題は、自律走行車両が案内のためにこの情報を使用する場合にとりわけ危険であること実証し得る。

この問題を是正するために、第１の技術的解決法は、通る道路および地理的位置を想定して車両のいくつかの取り得る位置を判断すること、および最も高い確度のものを選択することにある。

この解決法による主な欠点は、最終的に、位置を１つのみ選択することが可能であるため、間違えた場合、自動車はこのことを認識することができないことであり、これは非常に危険であることが分かっている。

また、車両に対する信号の伝搬不良と関連付けられた誤差を低減するために、人工衛星から受信される位置情報信号を処理することにある別の解決法が、欧州特許出願公開第１７２９１４５号から既知である。

この解決法による主な欠点は、車両の正確な位置を判断するために外受容センサ（ジャイロスコープ、加速度計など）を使用することであり、これは、費用がかかることが分かっており、これによって、この解決法の信頼性は使用されるセンサの信頼性に頼るものになる。

現状技術の上述した欠点を是正するために、本発明では、車両の取り得る位置の仮説を考慮し、かつ、これらの仮説に対して無矛盾性テストを行うことで、これら仮説の数を最低限まで、可能な限り、単一の解決法に低減することが提案される。

より詳細には、本発明によると、導入部で定められるように、仮説を選択する方法が提案される。この方法において、
− 地理位置情報システムによって車両の少なくとも１つの地理的位置を取得するステップと、
− 車両の取り得る位置の複数の仮説を取得するステップと、
− 車両の地理的位置の共分散、およびそれぞれの取得した仮説の共分散を判断するステップと、
− それぞれの取得した仮説について、車両の地理的位置の共分散、および上記の仮説の共分散に基づくマハラノビス距離を算出するステップと、
− それぞれの算出したマハラノビス距離に基づいて、取得した仮説の中から仮説の限定されたまたは空の集合を選択するステップと、が提供される。

この方法はよって、選択された仮説が使用可能であるか否かを指示することができるように、車両の地理的位置によってそれぞれの仮説の無矛盾性をチェックすることが可能であるアービトレーション方法を伴う。

主張した解決法は、受信した地理位置情報データの精度ではなく、むしろ、これらのデータを使用するアルゴリズムの実行の無矛盾性を評価する点で有利である。したがって、この解決法は、追加のセンサの使用を必要とせず、それによって、費用が抑えられ、かつ信頼性が高くなる。

より一般的には、提案された解決法は、利用可能なデータを一旦脇に置いて、選択された仮説が十分信用できるものか否かを知るという問題点に非常に信頼できるやり方で対処することによって、自律走行車両の制御の文脈で情報が使用可能であるかどうかを判定することを可能にする。

提案された解決法の別の利点は、該解決法によって、アルゴリズムで使用されるデータが整合しているかどうかを指示することができるため、これによって、仮説が正しいかどうかを判断することだけでなく、地理位置情報システムにおける障害を診断することが可能になる。この利点について、この説明の残りを読むことでより明確に分かるであろう。

本発明による方法の他の利点および非限定的な特徴は以下のようになる。
− 選択の終わりに、選択された仮説の数に基づいてそれぞれの選択された仮説の使用可能性または使用不可能性が判断される。
− 選択するステップでは、それぞれのマハラノビス距離に対してカイ二乗検定が行われる。
− それぞれの仮説を取得するステップの前に、
・ 地図上の車両をこの地理的位置に事前に配置すること、
・ それぞれのパーティクルが車両の取り得る位置に対応する、地図上のパーティクルを地理的位置の周りに分布させること、
・ 特に、それぞれのパーティクルに重みを割り当てることによってパーティクルにパーティクルフィルタを適用すること、および、
・ それぞれが地図に記憶された車線にリンクされる、限定数の仮説に、パーティクルフィルタから抽出するパーティクルを組み合わせることが行われる。
− 選択するステップでは、この仮説を構成するパーティクルの重みに応じて算出された指標が決められた閾値より大きい仮説のみが選択される。
− 判断するステップでは、車両の地理的位置の共分散行列、およびそれぞれの取得された仮説の共分散行列が算出される。
− 仮説の選択された集合が空である場合、および／またはいくつかの仮説が存続している場合、アラートを送信するステップが行われる。

本発明は、
− 地図を記憶するための手段と、
− 地理位置情報システムと、
−地図上の車両を事前に配置するように、かつ上記のような選択する方法を実施するように適応されるコンピュータと、を含む車両に関する。

非限定的な例として挙げられる、添付の図面を考慮して以下に挙げられる説明によって、本発明が何から構成されるか、および本発明がどのように作り出され得るかについて十分理解されるであろう。

本発明による方法の種々のステップを示す図である。 道路上を走行する車両の平面図である。 地図上に分布させたパーティクルの概略図である。 ２つの連続した道路区間に沿って位置している２つのパーティクルの概略図である。 ４つの道路区間に並んで位置している４つのパーティクルの概略図である。

図２において、乗用車の形を取り、かつ、４つの車線Ｖ１、Ｖ２、Ｖ３、Ｖ４を有する道路の一部分上で走行している自動車１０が表されている。

これ以降の説明では、対象として、より詳細には、地図上のこの自動車１０の場所に着目するが、本発明はこのような例に限定されることはない。よって、本発明は、特に、地図上の、いずれの陸、海、空中、または空間の車両の場所にも該当するものになる。

ここで考察される自動車１０は、従来、シャーシ、駆動列、ステアリングシステム、制動システム、ならびに、以降コンピュータと呼ばれる、電子および／またはコンピュータ演算装置を含む。

コンピュータは、車両の速度、および車両のヨー角速度を精確に測定できるようにするいわゆる「固有受容」センサに接続される。

コンピュータは好ましくは、自動車１０の目前の環境を感知できるようにする「外受容」センサ（これらは、カメラ、レーダーセンサ、ライダーセンサなどとすることができる）にも接続される。

コンピュータはまた、ここで、緯度および経度によって定められる、車両１０の地理的位置Ｐ_０を評価できるようにする地理位置情報システムに接続される。これは例えば、ＧＰＳシステムとすることができる。

ここで、この地理位置情報システムはさらに、「水平保護レベルＨＰＬ」と呼ばれるデータ項目をコンピュータに送信するように適応されることについて考察する。当業者には周知であるこのデータ項目は、地理的位置Ｐ_０の測定の不確定性に対応する。この値は例えば、地理位置情報システムがデータを受信する人工衛星の数、信号の受信の品質、使用される地理位置情報システムの品質などに応じて変化する。

同じように、ここで、この地理位置情報システムは、この同じ不確定性に関する共分散行列をコンピュータに送信するように適応されることについても考察する。

考察される自動車１０は、このコンピュータが、例えば、運転手が危険を感知せず、かつ自身で適切な行動を取らなかった時、非常ブレーキを作動させることができるように、半自動化である可能性がある。説明されるシステムはまた、例えば、走行条件を学習するという文脈で従来の車両上に配備可能になる。

しかしながら、これ以降のこの説明では、自動車１０は自律タイプであり、かつ、コンピュータは、車両の、駆動列、ステアリングシステム、および制動システムを制御するように適応されることについて考察する。

コンピュータはさらにまた、車両の自動制御の文脈で、特に、後述される方法の文脈で使用されるデータを格納するコンピュータメモリを含む。

特に、該コンピュータは、プロセッサによる実行によって後述される方法をコンピュータが実施できるようにする命令を含むコンピュータプログラムから成るコンピュータアプリケーションを記憶する。

コンピュータはまた、いわゆる「高精細」地形図を記憶する。

この地図は、多くのデータを記憶する。

該地図は、まず初めに、道路の地形に関する情報を含む。この地形は、ここで、道路区間（または「連絡路」）の形式で記憶される。それぞれの道路区間は、ここで、道路の単一の車線の一部分として定められ、この特徴はこの全長にわたって一定である（道路区間に沿って同一の地表標識の形式、この道路区間の一定の幅など）。

地図はまた、車線の幅、車線の両側に位置している地表の標識の形式、道路区間における道路に隣接するそれぞれのパネルの位置および形式、先のおよび次の道路区間の識別子などを含む、それぞれの道路区間を特徴付ける他のデータを格納する。

地図上の自動車１０の正確な位置Ｐ_Ｐを推定するためにコンピュータによって実施される方法は、パーティクルフィルタリング動作１００および仮説選択動作２００を含む、２つの主な動作を含む（図１を参照）。

仮説選択動作２００は、パーティクルフィルタリング動作１００の結果を使用するため、パーティクルフィルタリング動作１００の後に実施されることになる。

したがって、第１のパーティクルフィルタリング動作１００を説明することが第１のステップである。

この動作は、再帰的に、すなわち、ループ状におよび規則的な時間ステップで実施される。

この動作は、３つの主なステップを含む。

第１のステップ１０１は、コンピュータが、接続されるセンサを介して種々のデータを取得することにある。

コンピュータはよって、自動車１０の地理的位置Ｐ_０、およびこれと関連付けられる水平保護レベルＨＰＬを取得する。これらのデータは、緯度、経度、および水平保護レベルＨＰＬを供給する地理位置情報システムを使用して取得される。

コンピュータはまた、自動車１０の動態に関するデータを取得する。よって、該コンピュータは、車両の速度Ｖ、およびこのヨー角速度Ψを取得する。

第２のステップ１０２は、取得した地理的位置Ｐ_０において地図上の車両１０を事前に配置するステップである。

第３のステップ１０３は、パーティクルＰ_ｉと呼ばれる、車両の取り得る位置（またはより精確には、車両の取り得る様子）が、地図上の車両１０の正確な位置Ｐ_Ｐ（またはより正確には、地図上の車両の正確な様子）を判断するために処理されるパーティクルフィルタリングステップである。

それぞれのパーティクルＰ_ｉは、
− デカルト基準系においてパーティクルの位置を定めることを可能にする２つの座標ｘ_ｉ、ｙ_ｉ（これらの座標を、取得した緯度および経度にリンクさせる）、
− 北など、一定方向に対してパーティクルが成す角度を定めることを可能にするヨー角、および
− パーティクルＰ_ｉが関連付けられる地図の区間の識別子によって定められ得る。

図３〜図５では、二等辺三角形の形式のパーティクルＰ_ｉが表され、それぞれの三角形は、地図上のパーティクルの位置に対応する中心Ｍ_ｉ、および、地図上のパーティクルのヨー角に対応する配向を有する。

図１が示すように、第３のパーティクルフィルタリングステップ１０３は、より精確には、ここでより詳細に説明され得るいくつかのサブステップから成る。

第１のサブステップ１１０は、現在のフェーズがパーティクルフィルタの初期化フェーズであるか否かを判断することにあり、これは例えば、自動車１０を始動する場合である。

さらにまた、この状況を採用することは可能であり、この場合、パーティクルはまだ生成されていない。

次のサブステップ１１２はさらにまた、車両１０の地理的位置Ｐ_０を想定して、地図上のパーティクルＰ_ｉを作成しかつ分布させることにある。

そのために、パーティクルＰ_ｉを、車両１０の地理的位置Ｐ_０を中心としてディスクにおいて分布させ、このディスクの半径は、ここでは、水平保護レベルＨＰＬに等しい。

これらパーティクルを、より具体的には、一定の角度差で螺旋状に分布させる。螺旋、およびパーティクルＰ_ｉ間の角度差の特徴は、生成されるパーティクルＰ_ｉの数に基づいて選定される。

この数は、１００を上回り、優先的には、１０００ほどである。この数は、決してコンピュータに過度な負担をかけずに十分な精度を得るように判断される。

この段階では、パーティクルＰ_ｉはまだ配向されていない。

それぞれのパーティクルＰ_ｉはよって、誤差が地理位置情報システムに影響すると想定して、車両が有することができる取り得る位置に対応する。

図３において見ることができるようないくつかのパーティクルは、道路外に位置している。これは、パーティクルが地図に制限されず、これらパーティクルが２次元空間内で移動できるという事実を示す。したがって、このフィルタは、非常に柔軟であり、かつ、非常に多くの種々の解決法を最初に考察することを可能にし、これらのうち最も不合理なものはさらにまた、パーティクルフィルタによって排除されることになる。

後続のサブステップ１１３では、コンピュータはそれぞれのパーティクルＰ_ｉをこれに最も近い道路区間と関連付ける。

ここで選定される方法は「ポイントツーカーブ」タイプである。これは、それぞれのパーティクルＰ_ｉを、ユークリッド距離の意味で最も近い道路区間と関連付けることにある。

実例として、図４において、そのように、パーティクルＰ_１が道路区間ＡＢと関連付けられることに気付く。

この段階では、コンピュータは、特に、それぞれのパーティクルが関連付けられる道路区間の配向に基づいて（および場合によっては、車両の動態にも基づいて）パーティクルＰ_ｉを配向することができる。

方法はその後、後述されるサブステップ１１６を続ける。

上述されたように、第１のサブステップ１１０は、現在のフェーズがパーティクルフィルタの初期化フェーズであったか否かを判断することにある。

ここで、これに該当せず、かつプロセスが既に先に初期化されていることが考えられ得る。

この場合、サブステップ１１４では、コンピュータは地図上のパーティクルＰ_ｉを更新する。

そのために、パーティクルＰ_ｉは全て、車両の動態に関する情報に基づいて地図上で移動させる。

車両の速度Ｖ、および自動車１０のヨー角速度Ψである２つのデータは、実際、一定距離によってパーティクルＰ_ｉ全てを変位させるために、および一定角度によってパーティクルを再配向するために用いられる。移動後のパーティクルの間の位置ダイバーシチを促進するために、それぞれのパーティクルに対して単独でこれら２つのデータにランダムノイズが追加される。

このサブステップがこの時、自動車の地理的位置Ｐ_０を使用しないことは留意されたい。

後続のサブステップ１１５では、コンピュータは、それぞれのパーティクルＰ_ｉを道路区間と再び関連付ける。

該コンピュータは、より具体的には、どのパーティクルＰ_ｉが新しい道路区間と関連付けられなければならないかを判断し、かつこの新しい道路区間を識別する。

コンピュータがどのように機能するかを理解するために、点Ｍ１、Ｍ２を中心とした２つのパーティクルＰ_１、Ｐ_２が表され、かつ道路区間ＡＢも表される図４を参照することができる。

ここで、先の時間ステップで、２つのパーティクルＰ_１、Ｐ_２は１つの同じ道路区間ＡＢと関連付けられ、その後、それらパーティクルはサブステップ１１４では変位したことが考えられる。

コンピュータはさらにまた、それぞれのパーティクルが新しい道路区間と関連付けられるべきか否かを知るために、それぞれのパーティクルＰ_ｉに対して比率ｒを判断する。

この比率ｒは以下の式に従って算出される。

この比率ｒが０と１との間にある場合、パーティクルＰ_ｉとこの元の道路区間との関連性は変更されるべきではない。これはここではパーティクルＰ_１に該当する。

この比率が負である場合、パーティクルＰ_ｉとこの道路区間との関連性は変更されなければならない。このパーティクルはより具体的には、先の道路区間と、または先の道路区間のうちの１つと関連付けられるべきである。

この比率が厳格に１を上回る場合、パーティクルＰ_ｉとこの道路区間との関連性は変更されるべきである。このパーティクルは、より具体的には、次の道路区間とまたは次の道路区間のうちの１つと関連付けられるべきである。

そのようにいくつかの状況に遭遇する可能性がある。

道路区間ＡＢがただ１つの後続区間ＢＢ’を含む図４の状況において、パーティクルＰ_２はこの後続区間と関連付けられる（比率ｒがこの新しい道路区間によって０と１との間にある限りは、他の別の後続区間が考えられる）。

道路区間ＡＢが複数の後続区間ＢＣ、ＢＤ、ＢＥを含む図５の状況では、先の時間ステップで考察されるパーティクルＰ_２は、後続区間ＢＣ、ＢＤ、ＢＥがあるのと同じ数のパーティクルＰ_２１、Ｐ_２２、Ｐ_２３にクローン化される。

また、車両の動態を想定して、後続区間のいくつかが考えられ得ない場合、パーティクルをより少ない回数クローン化することが可能である。

図に表されない別の状況では、パーティクルは、（特に、例えば、別の車両を追い越すために車両が横に車線を変更する時に生じることになる）先の時間ステップで関連付けられた道路区間に平行な別の道路区間と関連付けられなければならないことが考えられる。これは、パーティクルが同じ道路区間でのみ移動することに制限されないため、可能とされる。この状況は、パーティクルの新しい位置および地図に格納されたデータ（地表標識に関する情報、車線幅など）を想定して検出可能である。ある別形では、この状況が車両に組み込まれたカメラを使用しても検出されると予想することが可能である。

サブステップ１１５およびサブステップ１１３両方の後のサブステップ１１６では、コンピュータはそれぞれのパーティクルＰ_ｉのｗ_ｉの尤度を算出する。

パーティクルの尤度は、ここで、この重みｗ_ｉによって表現される。パーティクルの重みが大きいほど、考察されるパーティクルが自動車１０の厳密な位置に相当する可能性が高くなる。

この重みは、種々のやり方で算出可能である。

第１の実施形態では、それぞれのパーティクルＰ_ｉの重みｗ_ｉは地図から抽出するデータのみに基づいて算出される。

この重みは、より具体的には、考察されるパーティクルをこのパーティクルが関連付けられる道路区間から分離するユークリッド距離に基づいて判断される（この重みは例えば、逆方向でこの距離に等しい）。

第２の実施形態では、それぞれのパーティクルＰ_ｉの重みｗ_ｉは、外受容センサから抽出するデータにも基づいて、これらのデータが信頼できるとみなされるという条件で算出される。

実際、車両のカメラＣＡＭから生じる横情報に基づいて考察されるパーティクルの重みを増加させるまたは低減することを仮定することが可能である。これらのカメラは、実際には、地表標示線を検出すること、およびこれらを多項式モデルの形式でコンピュータに返すことが可能である。コンピュータはさらにまた、これらの車線の形式が地図に格納される地表標識の形式に対応するかどうかをチェックし、それに応じてパーティクルの重みを調節することができる。

地表標識が常にカメラによって検出されるわけではないことは留意され得る。これは、点灯不良、濡れた道路、消去された標示など、センサにとって困難な条件によるものであり得る。これらの特定の事例では、カメラは、コンピュータに低信頼度を指示し、重みの算出はさらにまた、第１の実施形態において説明されるように、地図によるデータ供給にのみ基づく。

使用される方法が何であっても、方法は、パーティクルＰ_ｉの限定された集合の選択を、自動車１０の瞬間的な地理的位置Ｐ_０から離れすぎていたパーティクルを排除するように行うサブステップ１１７を続ける。

このサブステップを実施するために、コンピュータは、自動車１０の新しい地理的位置Ｐ_０を取得し、さらにまた、それぞれのパーティクルＰ_ｉをこの瞬間的な地理的位置Ｐ_０から分離する距離を算出する。

この距離が水平保護レベルＨＰＬを上回る場合、対応するパーティクルＰ_ｉの重みｗ_ｉはゼロに設定され、それによって、このパーティクルはその後自動的に排除可能となる。

さもなければ、対応するパーティクルＰ_ｉの重みｗ_ｉは修正されない。

後続のサブステップ１１８では、コンピュータは、地図上のパーティクルＰ_ｉをリサンプリングすることが必要か否かを判断する。

そのために、コンピュータは、パーティクルＰ_ｉの重みｗ_ｉおよびパーティクルＰ_ｉの数に基づいて算出される指標Ｎ_ｅｆｆを使用する。

この指標Ｎ_ｅｆｆが（コンピュータの読み出し専用メモリに格納される）あらかじめ定められた閾値を下回る場合、コンピュータは地図上のパーティクルＰ_ｉをリサンプリングする。さもなければ、パーティクルＰ_ｉはその状態に保たれる。

知られるように、リサンプリングは、（以降、元のパーティクルと呼ばれる）パーティクルを集合で考慮すること、およびこの元の集合から新しいパーティクルを引き出すことにある。

パーティクルをリサンプリングするために、コンピュータは、所定の数の新しいパーティクルをパーティクルＰ_ｉの元の集合からランダムに引き出すようにする従来の方法を使用することができ、それぞれのパーティクルＰ_ｉを引き出す可能性はこのパーティクルＰ_ｉの重みｗ_ｉに比例している。しかしながら、この方法は一般的に、パーティクルの減少を引き起こすが、これは、常に、引き出されるパーティクルの重みが非常に大きいからである。

優先的には、コンピュータはここで、むしろ、「低分散」を有すると言われるリサンプリング方法（「低分散リサンプリング」と呼ばれる）を使用する。この方法は、実際、地図上のパーティクルの良好な分布の維持を容易にする。この方法は、再定義された数の新しいパーティクルをパーティクルＰ_ｉの元の集合からランダムに引き出すことにあり、それぞれのパーティクルＰ_ｉを引き出す可能性はこのパーティクルＰ_ｉの重みｗ_ｉに応じるものであるが、この時この重みに比例していない。

この段階では、コンピュータは、地図上の自動車１０の正確な位置Ｐ_Ｐに対応すると考えられる、全てが１つの同じ点の周りに位置しているパーティクルが得られるまでサブステップ１１４〜１１８のループを単に再開する可能性がある。

しかしながら、これは、ここで選定されるオプションではない。よって、先に説明したように、サブステップ１１８が完了すると、仮説選択動作２００が行われる。

この仮説選択動作２００は、パーティクルフィルタリング動作１００が収束し、かつ限定された数の解決法が与えられると実施される（パーティクルは例えば、あらかじめ定められた閾値を下回る数の点の周りにグループ分けされる）。

この仮説選択動作２００は、再帰的に、すなわち、ループでおよび規則的な時間ステップで実施される。この動作はいくつかのサブステップを含む。

第１のステップ２０１では、コンピュータは「仮説」を選択する。

そのために、それぞれの中で、パーティクルが全て、１つの同じ車線（または別形として、１つの同じ道路区間）と関連付けられる、種々の集合のパーティクルＰ_ｉが考えられる。

仮説に作用する利益は、さらにまた、最も可能性の高い仮説全てを選択することが可能になることであり、これによって、一方では、選択された仮説の中から良好な仮説を残しておき、他方では、それぞれの選択された仮説の妥当性を検証することが可能になる。

仮説は、「車両は、基準が…である車線に位置している」というような表明の形式で明確に表され得る。

ここでの説明の意味の範囲内に相当するのはどんな仮説かを十分理解してもらうために、パーティクルは、図３では、それぞれが１つの仮説に対応する８の集合Ｚ_１、Ｚ_２、Ｚ_３、Ｚ_４、Ｚ_５、Ｚ_６、Ｚ_７、Ｚ_８に一斉にグループ分けされる。

例として、集合Ｚ_１のパーティクルは、「車両は道路Ｒ_１の右側車線に位置している」という仮説に対応する。

集合Ｚ_２のパーティクルは、「車両は道路Ｒ_１の左側車線に位置している」という仮説に対応する。

集合Ｚ_３のパーティクルは、「車両は道路Ｒ_２の左側車線に位置している」という仮説に対応する。

集合Ｚ_４のパーティクルは、「車両は道路Ｒ_１およびＲ_２による分岐合流点の間の円形交差点に位置している」という仮説に対応する。

数「Ｊ」の仮説（図３ではＪ＝８）が見られることを考慮すると、それぞれの仮説はまた、平均座標のベクトル

の形式で表現可能であり、この成分はこれらのパーティクルの重みｗ_ｉによって重み付けされた、この仮説のパーティクルＰ_ｉの座標の合計に対応する。

コンピュータは、それぞれの仮説を、この仮説のパーティクルＰ_ｉの重みｗ_ｉの合計に等しい「信頼指数」に割り当て可能である。

第２のステップ２０２では、コンピュータは、それぞれの仮説の共分散行列

、および車両１０の地理的位置Ｐ_０の共分散行列Σ（Ｘ_ＧＮＳＳ）を判断することになる。

このような共分散行列を実際操作することによって、それぞれの仮説にリンクされており、かつ地理位置情報システムによって供給される地理的位置Ｐ_０にリンクされている不確定性を特徴付けることが可能になる。

上で説明したように、車両１０の地理的位置Ｐ_０にリンクされている共分散行列Σ（Ｘ_ＧＮＳＳ）はここで、地理位置情報システムによってコンピュータに直接送信される。ここでは、２×２行列である。

それぞれの仮説にリンクされている共分散行列

に関して、これは、この仮説に関連付けられたパーティクルＰ_ｉの集合の重みｗ_ｉに対して算出され、これも、２×２行列であり、この数式は以下のようになる。

これと共に、

および、

さらにまた、地理位置情報システムによって供給される地理的位置Ｐ_０を想定して、かつこの地理的位置の測定にリンクされている誤差を考慮することによって、それぞれの仮説が「無矛盾である」程度を判断することが必要である。

そのために、ステップ２０３では、マハラノビス距離Ｄ_Ｍｊと呼ばれる数学的対象が使用され、この数式は以下のようになる。

ここで、Ｘ_ＧＮＳＳは「地理的位置Ｐ_０」に対応する。

マハラノビス距離は、実際、変数の共分散（すなわち、それぞれの変数に関連付けられる疑惑）を考慮することによって、２つの不確定状況の間の無矛盾性を評価することを可能にするオブジェクトである。

さらにまた、ステップ２０４では、ステップ２０１で取得された仮説の中から仮説の第１の限定された（あるいは空の）集合が選択される。

そのために、それぞれのマハラノビス距離Ｄ_Ｍｊに対するカイ二乗（Ｘ^２）検定が行われる。

実際には、それぞれのマハラノビス距離Ｄ_Ｍｊはここで、考察される仮説が地理的位置Ｐ_０と無矛盾であるか否かを判断するために、誤検出の特定のリスクに対して判断される、臨界閾値と比較される。

考察される仮説および地理的位置Ｐ_０がカイ二乗検定の意味で無矛盾である場合、仮説は保持される。

さもなければ、考察される仮説および地理的位置Ｐ_０がカイ二乗検定の意味で無矛盾でない場合、仮説は拒否される。

ここで、仮説が保持される場合、これが、必ずしも、この仮説が真であることを意味するわけではないことは留意されたい。実際、この段階では、いくつかの仮説は保持可能である。

他方では、仮説が拒否される場合、これは、必ずしも、この仮説が偽であったわけではない。実際、この仮説は、大きな誤差が地理的位置Ｐ_０の測定に影響することがあり得る。この場合、真の仮説は拒否され得る。本開示のこれ以降で疑いなく明らかになるように、これは、ここで提案される方法の信頼性に全く影響することはない。

後続のステップ２０５では、ステップ２０４で選択された仮説の中から仮説の第２の限定された（あるいは空の）集合が選択される。

ここで、この第２の選択が、決して、方法の進行状況に影響を与えることなく、第１の選択の前に適用されている可能性があることは留意されたい。

この第２の選択は、「可能性が高い」仮説のみを保持することにあり、該仮説に対して、この仮説を構成するパーティクルＰ_ｉの重みｗ_ｉにリンクされている指標は決められた閾値より大きい。この目的は、実際、カイ二乗無矛盾性テストを満たしているが可能性が低い仮説を排除することである。

そのために、コンピュータは、信頼指数（取り消されるものは考察される仮説のパーティクルＰ_ｉの重みｗ_ｉの合計に等しい）が、決められた閾値より低い仮説を排除する。この閾値はここで、不変であり、かつコンピュータの読み出し専用メモリに記憶される。

これら２つの仮説選択ステップの終わりに、コンピュータは、無矛盾であるだけでなく可能性が高い、数Ｎの仮説を保持している。

ステップ２０６では、さらにまた、この数Ｎに基づいて、それぞれの選択された仮説の使用可能性または使用不可能性が判断される。

さらにまた、３つの事例が予想され得る。

第１の事例は、数Ｎが１に等しい場合である。この場合、単一の仮説が保持されているため、この仮説は、適正であるとみなされ、かつ自律走行車両の走行設定点を生成するために使用可能である。それにより、コンピュータはこれに頼ることができる。この場合、コンピュータはさらにまた、この仮説のパーティクルの平均位置が車両１０の正確な位置Ｐ_Ｐに対応すると考慮し得る。

第２の事例は、数Ｎが厳格に１より大きい場合である。この場合、いくつかの仮説が保持されているため、どれもが、自律走行車両の走行設定点を生成するために使用可能であると考慮されない。

最後の事例は、数Ｎが０に等しい場合である。この場合、前述の事例のように、保持されている仮説がないため、自律走行車両の走行設定点を生成するために使用可能であると考慮される位置はない。さらに、コンピュータは有利には、地理位置情報システムによって行われる測定と取得した仮説との間に矛盾があるこの状況から推論可能であり、これは恐らく、地理位置情報システムに影響を与える問題によるものである。この不測の事態に、車両の運転手および／または制御ユニットに、該制御ユニットが必要な措置を講じる（緊急停止、低下モードでの走行など）ことができるように、自律モードでアラートが送信されるステップ２０７が行われる。

Claims (8)

1. 複数の仮説の中から車両（１０）の取り得る位置の仮説の限定されたまたは空の集合を選択する方法であって、
   地理位置情報システムによって前記車両（１０）の地理的位置（Ｐ_０）を取得するステップと、
   前記車両（１０）の取り得る位置の複数の仮説を取得するステップと、
   前記車両（１０）の前記地理的位置（Ｐ_０）の共分散、およびそれぞれの取得した仮説の共分散を判断するステップと、
   それぞれの取得した仮説について、前記車両（１０）の前記地理的位置（Ｐ_０）の前記共分散、および前記仮説の前記共分散に応じてマハラノビス距離（Ｄ_Ｍｊ）を算出するステップと、
   それぞれの算出したマハラノビス距離（Ｄ_Ｍｊ）に応じて、取得した前記仮説の中から仮説の限定されたまたは空の集合を選択するステップと、を含むことを特徴とする、選択する方法。
2. 選択の終わりに、選択された仮説の数に基づいてそれぞれの選択された仮説の使用可能性または使用不可能性が判断される、請求項１に記載の選択する方法。
3. 前記選択するステップでは、それぞれのマハラノビス距離（Ｄ_Ｍｊ）に対してカイ二乗検定が行われる、請求項１また２に記載の選択する方法。
4. 前記それぞれの仮説を取得するステップの前に、
   地図上の前記車両（１０）をこの地理的位置（Ｐ_０）に事前に配置すること、
   それぞれのパーティクルが前記車両（１０）の取り得る位置に対応する、前記地図上のパーティクル（Ｐ_ｉ）を前記地理的位置（Ｐ_０）の周りに分布させること、
   特に、それぞれのパーティクル（Ｐ_ｉ）に重み（ｗ_ｉ）を割り当てることによって前記パーティクル（Ｐ_ｉ）にパーティクルフィルタを適用すること、および、
   それぞれが前記地図に記憶された車線にリンクされる、限定数の仮説に、前記パーティクルフィルタから抽出された前記パーティクル（Ｐ_ｉ）を組み合わせることが行われる、請求項１から３のいずれか一項に記載の選択する方法。
5. 前記選択するステップでは、この仮説を構成する前記パーティクル（Ｐ_ｉ）の前記重み（ｗ_ｉ）に基づいて算出された指標が決められた閾値より大きい仮説のみが選択される、請求項４の記載の選択する方法。
6. 前記判断するステップでは、前記車両（１０）の前記地理的位置（Ｐ_０）の共分散行列、およびそれぞれの取得された仮説の共分散行列が算出される、請求項１から５のいずれか一項に記載の選択する方法。
7. 仮説の選択された前記集合が空である場合、および／またはいくつかの仮説が存続している場合、アラートを送信するステップが行われる、請求項１から６のいずれか一項に記載の選択する方法。
8. 車両（１０）であって、
   地図を記憶するための手段と、
   地理位置情報システムと、
   前記地図上の前記車両（１０）を事前に配置するのに適したコンピュータと、を含み、
   前記コンピュータは、請求項１から７のいずれか一項に記載の選択する方法を実施するように適応されていることを特徴とする、車両（１０）。

Images