JP2021534501A - 道路セグメント類似性判定 - Google Patents

Abstract

システム、方法、及び非一時的コンピュータ可読媒体は、道路セグメントを判定し得る。前記道路セグメントに関連付けられた特徴組が、車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて判定され得る。前記道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルを、前記特徴組を前記道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで判定され得る。前記道路セグメントは、前記類似性のレベルに基づいて、道路セグメントタイプとして分類され得る。前記道路セグメントに関連付けられたシナリオ情報は、分類された前記道路セグメントタイプに基づいて判定され得る。

Description

本技術は、自律走行車両の分野に関する。より具体的には、本技術は、道路セグメント間の類似性を判定するシステム、装置、及び方法に関する。

車両にその周辺を監視可能とし、情報を得たうえでの対処を可能とするインテリジェント機能を搭載した車両が増えている。当該車両は、自律運転型、半自律運転型又は手動運転型であるかにかかわらず、その環境を検知し、人間による入力をほとんど、又は一切介さず走行可能であり得る。車両は、周辺を判定することで目的地まで安全に走行し得るように、又は人間のドライバーが存在する場合、同様にして、当該ドライバーを補助することを可能にするための様々なシステム及びサブシステムを備え得る。一例として、車両は、運転及び走行など、車両の各種動作を制御するためのコンピューティングシステム（例えば、１つ又は複数の中央演算部、グラフィックスプロセッシングユニット、メモリ、ストレージなど）を有し得る。この目的のため、コンピューティングシステムは１つ又は複数のセンサからのデータを処理し得る。例えば、自律走行車両は危険要素、道路、レーンマーク、信号機などを認識するための光学カメラを有し得る。センサからのデータは、例えば車両の安全な運転、特定の安全機能起動（例えば自動ブレーキ）、及び潜在的な危険要素についてのアラート生成に使用され得る。

本技術の様々な実施形態は、道路セグメントを判定するように構成されたシステム、方法、及び非一時的コンピュータ可読媒体を含み得る。上記道路セグメントに関連付けられた特徴組が、車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて判定され得る。上記道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルを、上記特徴組を上記道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで判定され得る。上記道路セグメントは、上記類似性のレベルに基づいて、道路セグメントタイプとして分類され得る。上記道路セグメントに関連付けられたシナリオ情報は、分類された上記道路セグメントタイプに基づいて判定され得る。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、１つ又は複数のセンサにより取得された上記データに少なくとも部分的に基づいて、上記道路セグメントに対応する特徴組データを受信し、上記特徴組に関連付けられた少なくとも１つのシナリオを判定し、上記道路セグメント及び上記道路セグメントタイプに関連付けられた上記少なくとも１つのシナリオをシナリオ情報データベース内にロギングし、上記シナリオ情報データベース内の上記道路セグメントタイプに関連付けられた上記シナリオ情報を判定するように構成される。

実施形態において、上記道路セグメントに対応する上記特徴組は、少なくとも１つの物体、少なくとも１つの道路特徴、及び少なくとも１つのコンテキスト特徴のうちの１つ又は複数を識別する。

実施形態において、上記道路セグメントと、上記道路セグメントタイプ組のそれぞれとの間の上記類似性のレベルの判定は、上記道路セグメントに関連付けられた上記特徴組における少なくとも閾値数の特徴と、道路セグメントタイプに関連付けられた特徴組における特徴とが一致するかの判定を含む。

実施形態において、上記道路セグメントタイプに基づく、上記道路セグメントに関連付けられたシナリオ情報の判定は、上記道路セグメントタイプに関連付けられたリスクプロフィールの判定を含み、上記リスクプロフィールは、上記道路セグメントタイプについてのシナリオ及び対応するシナリオ発生率に基づく。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、上記道路セグメントタイプに関連付けられた上記リスクプロフィールを、上記道路セグメントに関連付けるように構成される。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、上記道路セグメントと、上記リスクプロフィールとの間の上記関連付けを表す情報をシナリオ情報データベース内に格納するように構成される。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、自律走行車両の動作を修正する命令を、上記道路セグメントと関連付けるように構成される。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、上記道路セグメントを上記道路セグメントタイプとして分類することに部分的に基づいて、車両隊に対する合計リスクの値を生成するように構成される。

実施形態において、システム、方法、及び非一時的コンピュータ可読媒体は、第１地理的位置についての合計シナリオ発生を判定し、上記第１地理的位置と、第２地理的位置との間の閾値レベルの類似性を、上記第１地理的位置及び上記第２地理的位置のそれぞれの道路セグメントの比較に基づいて判定し、上記合計シナリオ発生を、上記第２地理的位置と関連付けるように構成される。

開示された技術の多くのその他の特徴、用途、実施形態、及び変形が、添付の図面及び以下の詳細な説明から自明であることが理解されよう。本明細書に記載された構造、システム、非一時的コンピュータ可読媒体、及び方法の追加の実装及び代替的な実装が、開示された技術の要旨を逸脱することなく採用され得る。

本技術の実施形態に係る車両が経験及び判定し得るシナリオを示す。 本技術の実施形態に係る車両が経験及び判定し得るシナリオを示す。 本技術の実施形態に係る車両が経験及び判定し得るシナリオを示す。

本技術の実施形態に係る例示的な道路セグメント分類モジュールを示す。

本技術の実施形態に係る例示的な道路セグメント類似性モジュールを示す。

本技術の実施形態に係る例示的なセグメントタイプ分類モジュールを示す。

本技術の実施形態に係る例示的なシナリオ予測モジュールを示す。

本技術の実施形態に係る例示的なセグメント類似性モジュールを示す。

本技術の実施形態に係る道路セグメントについての例示的なシナリオタイプを示す。

本技術の実施形態に係る地形の様々なタイプの間の例示的な類似性マッピングを示す。

本技術の実施形態に係る道路セグメント類似性を判定するための例示的な多段階処理を示す。

本技術の実施形態に係る例示的な類似性判定を示す。

本技術の実施形態に係る例示的な方法を示す。

本技術の実施形態に係る別の例示的な方法を示す。

本技術の実施形態に係る交通管理環境の例示的なブロック図を示す。

本技術の実施形態に係る、各種シナリオで利用可能なコンピュータシステム又はコンピューティングデバイスの例を示す。

これらの図は、例示の目的のためだけに、開示された技術の様々な実施形態を図示しており、これらの図では、同じ参照番号を用いて同じ要素を識別している。当業者であれば、以下の説明から、図面に示された構造及び方法の代替的な実施形態が、本明細書に記載された開示された技術の要旨を逸脱することなく採用され得ることを容易に認識する。

車両にその周辺を監視可能とし、情報を得たうえでの対処を可能とするインテリジェント機能を搭載した車両が増えている。当該車両は、自律運転型、半自律運転型又は手動運転型であるかにかかわらず、その環境を検知し、人間による入力をほとんど、又は一切介さず走行可能であり得る。車両は、周辺を判定することで目的地まで安全に走行し得るように、又は人間のドライバーが存在する場合、同様にして、当該ドライバーを補助することを可能にするための様々なシステム及びサブシステムを備え得る。一例として、車両は運転及び走行など、車両の各種動作を制御するためのコンピューティングシステムを有し得る。この目的のため、コンピューティングシステムは、１つ又は複数のセンサからのデータを処理し得る。例えば、自律走行車両は、危険要素、道路、レーンマーク、信号機などを認識するための光学カメラを有し得る。センサからのデータは、例えば車両の安全な運転、特定の安全機能（例えば自動ブレーキ）の起動及び潜在的な危険要素についてのアラートの生成に使用され得る。

自律走行型、半自律走行型又は手動運転型の車両は、乗車サービス又はその他タイプのサービスを提供するように、輸送管理システムに使用され得る。輸送管理システムは、当該車両の車両隊を含み得る。車両隊内の各車両は、センサ群における１つ又は複数のセンサを含み得る。一般的に、複数の異なるルートを利用して、車両は、地理的位置又は領域を横断し得る。各ルートは、１つ又は複数の道路セグメントから構成可能である。所与の道路セグメント上を移動する際、車両内のコンピューティングシステムは、車両内の１つ又は複数のセンサからのデータを継続的に処理して、例えば、落ちているごみ、信号無視者、滑りやすい路面などの潜在的な危険要素を識別し得る。コンピューティングシステムはさらに、潜在的な危険要素を念頭に、運転及び走行などの、車両の各種動作を制御可能である。従来の手法では、車両は典型的に、所与の道路セグメントを走行時に、当該道路セグメントに関連付けられた潜在的な危険要素を検出する。そのような従来の手法では、車両は典型的に、道路セグメントを走行する前に、潜在的な危険要素に関連付けられたリスクについては認識していない。潜在的な危険要素に関連付けられたリスクに対する認識の遅れは、車両及び周辺環境に関する、安全注意に悪影響を及ぼし得る。従来の手法は、これらとその他問題の解決に関して不利である。

本技術による手法の改善によって、従来の手法に関連する前述の不都合及び他の不都合が克服される。改善された手法は、（ｉ）様々な異なる道路セグメントタイプを含む地理的エリア内の道路セグメントに対応する実世界センサデータ及び特徴、（ｉｉ）様々な異なる道路セグメントタイプについて収集された実世界センサデータに基づくシナリオ分類及び識別情報、並びに（ｉｉｉ）異なる分類されたシナリオ及びシナリオタイプに関連付けられたリスクプロフィールを含む、シナリオ情報データベースを構築する第１段階を含む、複数の異なる段階を含み得る。第２段階は、分類された（又はサンプリング頻度が高い）道路セグメントと、分類されていない（又はサンプリング頻度がより低い）道路セグメントとの間のそれぞれの類似性を判定して、当該道路セグメントの高頻度サンプリングを要さずに、当該道路セグメントのシナリオ情報（例えば、シナリオ、シナリオ発生率）を推定することを含み得る。最後に、異なる分類された道路セグメントに適用された異なるシナリオ発生率に関連付けられたリスクプロフィールを、領域内の車両の走行、ルート又は領域に対応可能又は適した自律走行車両の判定、関連リスクプロフィールに基づく異なる領域、都市、及び地域に対する配置計画の決定、並びにその他任意の該当する、自律走行車両、半自律走行車両及び人が運転する車両にリスク及びシナリオ発生率が車両隊管理に使用され得るユースケースに使用してよい。

いくつかの実施形態において、第１道路セグメントと第２道路セグメントとの間の類似性が判定可能である。例えば、第１道路セグメントは、シナリオ発生率に基づくリスクプロフィールに関連付けられた分類された道路セグメントであり得る。この例において、第２道路セグメントは、リスクプロフィールと未だ関連付けられていない分類されていない道路セグメントであり得る。いくつかの実施形態において、第１道路セグメントと第２道路セグメントとの間の閾値レベルの類似性が判定されると、第１道路セグメントに関連付けられた情報を、第２道路セグメントについての情報の推定に使用可能である。例えば、第１道路セグメントについてのシナリオ発生率に基づき得るリスクプロフィールは、第１道路セグメントと第２道路セグメントとの間の閾値類似性が判定されると、第２道路セグメントに関連付けることができる。いくつかの実施形態において、第１道路セグメントと第２道路セグメントとの間の類似性は、車両が第１道路セグメント及び第２道路セグメントをサンプリングしながら収集した各センサデータ、第１道路セグメント及び第２道路セグメントを表す各マップデータ、第１道路セグメント及び第２道路セグメントに関連付けられた各メタデータ、又はそれらの組み合わせに部分的に基づいて判定され得る。

別の実施形態において、道路セグメントは、道路セグメントタイプに類別（又は分類）可能である。例えば、いくつかの実施形態において、道路セグメントは、道路セグメントに関連付けられたシナリオ発生に基づいて、道路セグメントタイプとして類別可能である。例えば、道路セグメントは、道路セグメントに関連付けられたと判定されるシナリオと、道路セグメントタイプに関連付けられたシナリオタイプとの間の閾値レベルの類似性に基づいて、特定の道路セグメントタイプとして類別可能である。いくつかの実施形態において、各道路セグメントタイプは、道路セグメントタイプとして類別された道路セグメントを走行中に遭遇し得る各種シナリオタイプの各尤度（又は可能性）に基づくリスクプロフィールに関連付けることができる。当該リスクプロフィールは、多種多様な目的に利用可能である。例えば、自律走行型、半自律走行型又は手動運転型の車両は、車両が所与のシナリオタイプが発生する閾値尤度を有する道路セグメントを避けるように命令され得る。例えば、車両は、車両が自転車交通に遭遇する閾値尤度を有する道路セグメントの使用を避けるように命令され得る。別の例において、車両は、車両が所与のシナリオタイプが発生する閾値尤度を有する道路セグメントを移動する際に、その動作を修正するように命令され得る。例えば、車両は、車両が視界不良条件に遭遇する閾値尤度を有する道路セグメントを移動する際に、速度を落とし、ハザードランプを点灯するように命令され得る。いくつかの実施形態において、所与の地理的位置（又は領域）（例えば、都市、郡、郵便番号、州、国、又はいくつかのその他定義された地理的領域）内の個別の道路セグメントに関連付けられたリスクプロフィールを、当該地理的領域内で動作する自律走行型（又は半自律走行型の）車両隊に対する合計リスクの値を生成するのに使用可能である。本明細書において、本技術の例を自律走行車両に関連して論じる場合があるが、本技術は半自律走行型及び手動運転型の車両にも適用される。本技術に関連するさらなる詳細を以下に提供する。

図１Ａから図１Ｃは、車両が経験及び判定し得る各種シナリオを示す。車両は、所与の地理的位置（又は領域）の走行時に、様々なシナリオを経験し得る。一般的に、異なる地理的位置は、車両に対して異なる困難及びリスクを呈し得る。例えば、図１Ａは、スクールゾーンに対応する１つの例示的な環境１００を示す。この例において、車両１０２は、学校１０６がそれに沿って位置する道路セグメント１０４を走行するように示されている。当該環境走行時、車両１０２は、異なる複数のシナリオに遭遇し得る。これらのシナリオは、横断歩道１１０を歩く子供１０８及び、道路セグメント１０４を横断する歩行者１１２などである。別の環境は、異なる困難及びリスクを呈し得る。例えば、図１Ｂは、高速道路１３２を含む、別の例示的な環境１３０を示す。この例において、車両１３４は、悪天候条件下の高速道路１３２を移動しているように示される。当該環境走行時に、車両１３４は複数の異なるシナリオに遭遇し得る。これらのシナリオは、高速道路１３２のレーンを遮るごみ１３６及び、高速道路１３２を移動中の別の車両が係るその他危険行為１３８（例えば、衝突）などである。したがって、異なる道路セグメントは、異なるリスクに関連付けられ得る。一般的に、道路セグメントは、例えば、地理的マップにより特徴づけられる又は表される、物理的道路ネットワークの任意の部分を含み得る。マップは、異なるレベル（層）の詳細（例えば、道路の異なるレーンに対する異なる道路セグメント、同じ道路セグメントの一部と見做される道路の全てのレーンなど）を有し得る。マップは、自律運転型、半自律運転型又は手動運転型の車両に対する用途を持つ埋め込み情報（例えば、セグメンテーションマップ）を含み得る。実施形態において、道路セグメントの長さは均一であり得る（例えば、全ての道路セグメントが１００ヤードなど均一の長さを有する）。実施形態において、道路セグメントの長さは不均一であり得る。例えば、道路セグメントは、それらの道路セグメントタイプに基づいて、異なる長さを有し得る。即ち、例えば、郊外道路は、１００ヤード毎に道路セグメントを有し得、一方高速道路は、１／４マイル毎に道路セグメントを有し得る。

一般的に、車両には、所与の道路セグメントを表現する情報などの環境情報を取得するのに使用可能な１つ又は複数のセンサが搭載され得る。例えば、いくつかの場合、車両には、いくつか例を挙げると、光学カメラ、ＬｉＤＡＲ、レーダ、赤外線カメラ、及び超音波設備を含むセンサ群内の１つ又は複数のセンサが搭載され得る。これらセンサは、所与の道路セグメントの安全かつ効果的な走行を可能とするよう当該道路セグメントの環境条件を把握するために車両により使用可能な情報を収集するのに使用可能である。例えば、図１Ｃは、道路セグメント１６４を車両１６２が走行する例示的な環境１６０を示す。車両１６２は、例えば図９に示す車両９４０であり得る。図１Ｃにおいて、車両１６２は、車両１６２の周囲（又はある閾値近傍内）の静的（又は不動）物体、動的物体、及び半永久（又は一時的）物体を検知するのに使用可能なセンサ群１６６を含む。この例において、センサ群１６６に含まれるセンサに収集された情報は、道路セグメント１６４についての情報を判定するのに使用可能である。例えば、センサ群１６６内のセンサは、横断歩道１６８、横断歩道１６８利用待ちの子供１７０、信号無視して道路セグメント１６４を横断する歩行者１７２、道路標識１７４、道路セグメント１６４上に存在する別車両１７６、及び存在するその他任意の物体の認識に使用可能である。物体識別に加え、センサ群１６６内のセンサは、識別された物体の監視にも使用可能である。例えば、物体が識別されると、センサは、物体の経路（又は軌道）を経時的に辿る（又は追跡する）のに使用可能である。センサ群１６６内のセンサにより収集された情報は、道路セグメント１６４を表現するその他特徴の判定に使用可能である。例えば、当該情報は、道路セグメント１６４の長さ及び道路セグメント１６４の道路品質など、道路セグメント１６４を表現する道路特徴の判定に使用可能である。別の例において、センサ群１６６内のセンサにより情報がいつ収集されたか（例えば、時刻、日にちなど）及びセンサ群１６６内のセンサが情報を収集中に遭遇した天候条件など、道路セグメント１６４を表現するコンテキスト特徴を判定するのに、情報が使用可能である。いくつかの場合、車両は、センサ群を有するのではなく、複数の統合センサを含むコンピューティングデバイスが搭載され得る。そのような場合、コンピューティングデバイス内のセンサは、所与の環境を把握し走行するのに車両が使用可能な情報を収集可能である。各種実施形態において、統合センサにより収集された情報は、所与の道路セグメントについての特徴（例えば、物体、道路特徴、及びコンテキスト特徴）の判定に同様に使用可能である。例えば、車両１６２内に配置されたモバイルフォンは、道路セグメント１６４についての情報を取得し、特徴を判定するのに使用可能な統合センサ（例えば、全地球測位システム（ＧＰＳ）、光学カメラ、コンパス、ジャイロスコープ（１つ又は複数）、加速度計（１つ又は複数）、及び慣性測定ユニット（１つ又は複数））を含み得る。

上述のように、センサに収集された情報は、所与の道路セグメントについての特徴を識別するのに使用可能である。いくつかの実施形態において、特定の特徴の検出は、所与の道路セグメント上で又はそれに沿って生じているシナリオの判定に使用可能である。例えば、シナリオは、例えば、１つ又は複数の物体又は物体識別子、１つ又は複数の道路特徴、１つ又は複数のコンテキスト特徴、又はそのいくつかの組み合わせを伴い得る、特徴の予め定義された組み合わせと定義され得る。単なる一例として、シナリオは雨の日に自転車に乗る人を表し得る。別の例として、シナリオは道路セグメントを横断する、車椅子に乗る人を表し得る。一方、シナリオは予め定義された基準（又は予め定義された特徴の組み合わせ）のみに基づいて、識別（又は計上）される必要はない。例えば、新しいシナリオ及び対応するシナリオタイプは、それらシナリオ（又はシナリオタイプ）の類似量が例えばシナリオ情報データベースに格納されたような既知のシナリオ（又はシナリオタイプ）に対して、十分な量（又は閾値）に達していなくても、識別及び分類され得る。即ち、いくつかの実施形態において、システムは、グループ化された識別された特徴が、いずれの既存のシナリオ（又はシナリオタイプ）よりも互いに類似するものと判定し得、それら特徴に対して新たなシナリオ及び／又はシナリオタイプを生成し得る。これら識別された特徴は、いくつか例を挙げると、特定された物体（又は物体タイプ）、地理的特徴、道路特徴（例えば、交差点タイプ、交差点交通制御の存在（例えば、一時停止標識、前方優先道路標識など）、交差点歩行者制御の存在、レーン境界タイプ、レーン利用タイプ、レーン幅、車道線形、車道分類、車道特徴、車道勾配、車道レーン数、車道駐車場、車道ゾーン、制限速度、車道路面タイプ、車道交通路タイプ、及びルートに基づく交差点コンテキスト情報（例えば、Ｕターンなど））を含み得る。多くの異なるシナリオがあり得る。道路セグメントについて判定されたシナリオは、ロギング及び、道路セグメントに関連付け可能である。いくつかの実施形態において、他の情報がロギングされ、例えば、日付、時間、及び道路セグメント又は道路セグメントの使用に関連付けられたイベントの発生に影響し得るその他任意の関連するコンテキスト情報（例えば、天候、日にち、時間、祝日、週末、平日など）を含む、道路セグメントに関連付け可能である。さらに、いくつかの実施形態において、所与の道路セグメントについてロギングされたシナリオを、道路セグメントの類別に使用可能である。例えば、シナリオ組がロギングされた道路セグメントは、道路セグメントに対してロギングされたシナリオと、特定の道路セグメントタイプに関連付けられたシナリオタイプとの間の閾値レベルの類似性に基づいて、特定の道路セグメントタイプとして類別可能である。道路セグメントは類別されると、リスクプロフィールなどのその対応する道路セグメントタイプを表す情報に関連付け可能である。道路セグメントについて判定されたリスクプロフィールは、道路セグメント（又は車両に関連付けられた１つ又は複数のルートに沿った一連の道路セグメント）に関連して、車両の運転及び走行挙動の通知に使用可能である。いくつかの場合、シナリオ発生データに基づいて、道路セグメントを分類するのは面倒であり得る。例えば、道路セグメントについて、当該道路セグメントが分類可能となるまでに、大量のシナリオ発生データが収集される必要があり得る。即ち、いくつかの実施形態において、シナリオ発生データに依存するのではなく、システムは比較特徴（例えば、道路特徴など）に基づいて道路セグメント類似性を判定し得る。本技術に関するさらなる詳細を以下に提示する。

図２は、本技術の実施形態に係る例示的な道路セグメント分類モジュール２０２を含む例示的なシステム２００を示す。図２の例に示すように、道路セグメント分類モジュール２０２は、道路セグメント類似性モジュール２０４、セグメントタイプ分類モジュール２０６、及びアプリケーションモジュール２０８を含み得る。いくつかの場合、例示的なシステム２００は少なくとも１つのデータストア２２０を含み得る。いくつかの実施形態において、データストア２２０に格納された一部又は全部のデータは、図９の輸送管理システム９６０により格納可能である。いくつかの実施形態においてデータストア２２０に格納された一部又は全部のデータは、図９の車両９４０により格納可能である。本図及び本明細書の全ての図面に示すコンポーネント（例えば、モジュール、要素など）は、あくまで例示的で、その他実装はより多い、より少ない、統合された、又は異なるコンポーネントを含み得る。いくつかのコンポーネントは、関連する詳細を隠さないように、図示省略し得る。いくつかの実施形態において、道路セグメント分類モジュール２０２とそのサブモジュールが実行する機能の一部又は全部は、図９の輸送管理システム９６０などの１つ又は複数のバックエンドコンピューティングシステムにより実行され得る。いくつかの実施形態において、道路セグメント分類モジュール２０２とそのサブモジュールが実行する機能の一部又は全部は、図９の車両９４０などの車両内に実装される１つ又は複数のコンピューティングシステムにより実行され得る。図７Ａおよび図７Ｂを参照して詳細に説明するように、各種実施形態において、生データである又は処理されたセンサデータは、シナリオ分類又は特徴識別のため、車両又は車外コンピューティングシステムにより処理可能である。

道路セグメント分類モジュール２０２は、例示的なシステム２００に示すように、少なくとも１つのデータストア２２０と通信しそれと動作するように構成可能である。少なくとも１つのデータストア２２０は、各種データを格納及び保持するように構成可能である。例えば、データストア２２０は、道路セグメントタイプを表す情報と、道路セグメントタイプに関連付けられたそれぞれの情報を格納可能である。例えば、データストア２２０は、道路セグメントタイプと、道路セグメントタイプに関連付けられたシナリオタイプ組を表す情報を格納可能である。データストア２２０はさらに、道路セグメントタイプについての対応するリスクプロフィールなどの情報も格納可能である。いくつかの実施形態において、道路セグメントタイプについてのリスクプロフィールは、道路セグメントタイプとして類別された道路セグメントを車両が走行する際に発生する各種シナリオタイプの各可能性に基づき得る。いくつかの実施形態において、道路セグメントタイプについてのリスクプロフィールは、道路セグメントタイプについての１つ又は複数のシナリオ発生、及びいくつかの距離測定ユニットに基づくことが可能である。単に一例として、道路セグメントタイプについてのリスクプロフィールは、シナリオ発生に関して、道路セグメントタイプによると、１マイルごとに、車両に信号無視者５件が発生することを示し得る。いくつかの実施形態において、道路セグメントタイプについてのリスクプロフィールは、道路セグメントタイプに対応する道路セグメントの走行時の、シナリオタイプ又はシナリオ発生を抑制するため、車両が実行する動作を表す情報に関連付けることができる。例えば、道路セグメントタイプについてのリスクプロフィールは、道路セグメントタイプとして類別された道路セグメントを走行時に、その速度を予め定義された制限速度まで落とすなど、リスクプロフィールに応じて車両を自律又は半自律走行させる命令又はコマンドの生成に関連付けられ得る。実施形態において、命令又はコマンドは、手動運転車両の人間のドライバーに対して提供可能である。実施形態において、命令又はコマンドは、リスクプロフィールに基づいて判定された、車両に関連付けられた１つ又は複数のアクチュエータについての制御コマンドを含み得る。実施形態において、リスクプロフィールは、例えば輸送管理システム（例えば、図９の輸送管理システム９６０）により格納及び管理された過去の乗車情報に基づいて判定可能である。実施形態において、過去の乗車情報は、人間のドライバーに対するリスク識別に使用可能である。例えば、シナリオタイプは、その中で過去にその中で事故又はクレームが発生した地理的領域に相互相関可能である。いくつかの実施形態において、データストア２２０に格納されたデータの一部又は全部は、図９の輸送管理システム９６０により格納可能である。いくつかの実施形態において、データストア２２０に格納されたデータの一部又は全部は、図９の車両９４０により格納可能である。データストア２２０に格納可能な情報についてのさらなる詳細を以下に提供する。

道路セグメント類似性モジュール２０４は、一対の道路セグメントの間、又は道路セグメント及び道路セグメントタイプの間のそれぞれの類似性を判定するように構成可能である。例えば、いくつかの実施形態において、分類された道路セグメント（即ち、リスクプロフィール及びシナリオ発生率に関連付けられた道路セグメント）と、分類されていない道路セグメント（即ち、リスクプロフィール又はシナリオ発生率に関連付けられていない道路セグメント）との間の類似性は、それらの特徴（例えば道路特徴など）の比較に基づいて判定され得る。分類された道路セグメントと、分類されていない道路セグメントとの間に閾値レベルの類似性が判定されると、分類された道路セグメントに関連付けられた各種情報は、分類されていない道路セグメントにも関連付けることができる。例えば、分類されていない道路セグメントは、分類された道路セグメントに対応するリスクプロフィールに関連付け可能である。同様に、いくつかの実施形態において、道路セグメントタイプ（即ち、リスクプロフィール及びシナリオ発生率に関連付けられた道路セグメントタイプ）と、分類されていない道路セグメント（即ち、リスクプロフィール又はシナリオ発生率に関連付けられていない道路セグメント）との間の類似性は、それらの特徴（例えば道路特徴など）の比較に基づいて判定され得る。道路セグメントタイプと、分類されていない道路セグメントとの間に閾値レベルの類似性が判定されると、道路セグメントタイプに関連付けられた各種情報（例えば、シナリオ、シナリオ発生率などのシナリオ情報）は、分類されていない道路セグメントにも関連付け可能である。例えば、分類されていない道路セグメントは、道路セグメントタイプに対応するリスクプロフィールに関連付け可能である。道路セグメント類似性モジュール２０４に関するさらなる詳細を、図３Ａを参照に以下に提供する。

セグメントタイプ分類モジュール２０６は、道路セグメントを道路セグメントタイプに類別（又は分類）するように構成可能である。例えば、いくつかの実施形態において、セグメントタイプ分類モジュール２０６は、車両が走行する道路セグメントを識別可能である。セグメントタイプ分類モジュール２０６はさらに、いくつかの道路セグメントタイプに対応する識別された道路セグメントも判定可能である。道路セグメントタイプに類別されると、識別された道路セグメントは、その対応する道路セグメントタイプを表す各種情報にも関連付け可能である。例えば、道路セグメントタイプについてのリスクプロフィールに、識別された道路セグメントを関連付け可能である。当該関連付けられた情報を使用して、車両は、それを使用しなければ容易に車両に利用可能にならない、識別された道路セグメントについての各種洞察を取得できる。セグメントタイプ分類モジュール２０６に関するさらなる詳細を、図３Ｂを参照に以下に提供する。

アプリケーションモジュール２０８は、各種用途のため、道路セグメント類似性モジュール２０４及びセグメントタイプ分類モジュール２０６により判定された情報を使用するように構成可能である。いくつかの実施形態において、当該情報は、地理的領域（例えば、都市、郡、郵便番号、州、国、又はいくつかのその他定義された地理的領域）で動作する車両隊に対する合計リスクの値を生成するのに使用可能である。実施形態において、合計リスクは、例えば、輸送管理システム（例えば、図９の輸送管理システム９６０）に格納及び管理された過去の乗車情報に基づいて判定可能である。例えば、いくつかの実施形態において、（１）車両隊へのシナリオタイプ発生に関する値と、（２）シナリオタイプを考慮した自動運転システムの有効性に関する値と、（３）不利な結果の深刻さに関する値との組み合わせ（例えば、積）に基づいて、車両隊に対する合計リスクに対応する値が判定され得る。これに関して、地理的領域で動作する車両隊に対する合計リスクは、地理的領域内の道路セグメント上での車両の挙動と、それらそれぞれのシナリオ発生率のシミュレーションに関連付けられた、リスク又はリスクプロフィールの個別の評価に基づき得る。いくつかの実施形態において、合計リスクの値を判定中の、地理的領域内の道路セグメントでの走行時におけるシナリオタイプの車両隊への発生に基づいて、車両隊へのシナリオタイプ発生に関する値を判定可能である。例えば、地理的領域は、第１道路セグメントタイプ及び第２道路セグメントタイプを含み得る。この例において、第１道路セグメントタイプ上を移動する車両は、１マイルあたり信号無視者５件が発生し得る。一方で、第２道路セグメントタイプ上を移動する車両には、１マイルあたり信号無視者１件が発生し得る。ここで、車両隊が第１道路セグメントタイプ上で１００マイル運転すると、車両隊は５００件の信号無視に遭遇すると予測可能である。同様に、車両隊が第２道路セグメントタイプ上で１００マイル運転すると、車両隊は１００件の信号無視に遭遇すると予測可能である。この手法を使用して、車両隊に対する各種シナリオタイプの合計シナリオ発生が判定可能である。いくつかの実施形態において、シナリオタイプを考慮して、自律運転型、半自律運転型、又は手動運転型の車両（又はシステム）の有効性に関する値は、合計リスクの値を判定中の地理的領域で、車両隊車両が走行中に、交通事故を起こす可能性を測定するものである。いくつかの実施形態において、地理的領域を走行しながら車両にロギングされたセンサデータに基づいて、地理的領域について、有効性に関する値が判定可能である。当該実施形態において、地理的領域を走行中に車両が遭遇した実世界シナリオに対して、車両のシミュレーションされた挙動は評価可能である。有効性を測定するその他手法も可能である。例えば、いくつかの実施形態において、特定のシナリオについての実世界センサデータは利用不能であり得る。そのような場合、テスト設備でシナリオ（又はテスト）を構築することで、対応するセンサデータをロギングし、その後このセンサデータに対して車両のシミュレーションを評価することで、有効性に関する値は判定可能である。いくつかの場合、有効性測定の目的で、シナリオ（又はテスト）を構築することが不能であり得る。したがって、別の例において、有効性に関する値は、シミュレーション世界内のシナリオ事例をプログラムで生成し、その後、車両をプログラムで生成されたシナリオ事例に対して評価することで判定可能である。いくつかの実施形態において、不利な結果の深刻さに関する値は、車両を伴うシミュレーションされた衝突に基づいて判定可能である。これらシミュレーションされた衝突は、シミュレーションされた衝突による、人の怪我又は物損を測定する衝突パラメータに関連付け可能である。いくつかの実施形態において、地理的領域についての車両隊に対する合計リスクが、いつ地理的領域内に車両隊を配備するかを判定するのに使用可能である。

別の例において、アプリケーションモジュール２０８は、セグメントタイプ分類モジュール２０６により判定された情報を利用して、地理的領域（例えば、都市、郡、郵便番号、州、国、又はいくつかのその他定義された地理的領域）間の類似性を判定可能である。例えば、第１地理的領域（例えば、第１都市）及び第２地理的領域（例えば、第２都市）が、それらそれぞれの道路セグメントのタイプに基づいて、類似していると判定されたと仮定する。さらに、第１地理的領域に対して特定の情報が判定されたと仮定する。特定の情報は、例えば、第１地理的領域の道路セグメントのタイプに関連付けられた集合的リスクプロフィール、第１地理的領域の道路セグメントのタイプに関連付けられた合計シナリオ発生、又は第１地理的領域内で動作する車両隊についての合計リスクの値を含むことができる。この例において、第１地理的領域と、第２地理的領域との間の判定された類似性に基づき、第１地理的領域に対応する、集合的リスクプロフィール、合計シナリオ発生、及び合計車両隊リスクは、第２地理的領域に適用可能である。このようにして、判定された地理的類似性に基づいて、第２地理的領域についての重要情報を生成するにあたって、大幅な省時間及びリソースが実現可能である。

図３Ａは、本技術の実施形態に係る例示的な道路セグメント類似性モジュール３０２を示す。いくつかの実施形態において、図２の道路セグメント類似性モジュール２０４は、道路セグメント類似性モジュール３０２により実装可能である。道路セグメント類似性モジュール３０２は、道路セグメント間の類似性を判定するように構成可能である。例えば、いくつかの実施形態において、分類された道路セグメントと分類されていない道路セグメントとの間の類似性は、それらの特徴（例えば、道路特徴など）の比較に基づいて判定され得る。分類された道路セグメント及び分類されていない道路セグメントの間に閾値レベルの類似性が判定されると、分類された道路セグメントに関連付けられた各種情報は、分類されていない道路セグメントに関連付けることもできる。例えば、分類されていない道路セグメントは、分類された道路セグメントに対応するリスクプロフィールに関連付け可能である。同様に、道路セグメント類似性モジュール３０２は、道路セグメント及び道路セグメントタイプの間の類似性を判定するように構成可能である。例えば、いくつかの実施形態において、道路セグメントタイプと分類されていない道路セグメントとの間の類似性は、それらの特徴（例えば、道路特徴など）の比較に基づいて判定され得る。道路セグメントタイプ及び分類されていない道路セグメントの間に閾値レベルの類似性が判定されると、道路セグメントタイプに関連付けられた各種情報は、分類されていない道路セグメントに関連付けることもできる。図３Ａの例に示すように、道路セグメント類似性モジュール３０２は、情報データベースモジュール３０４、セグメント類似性モジュール３０６、及び情報マッピングモジュール３０８を含み得る。

情報データベースモジュール３０４は、シナリオ情報データベースに対してアクセス及び管理を行うように構成可能である。例えば、シナリオ情報データベースは、図２のデータストア２２０などのデータストアを通じてアクセス可能であり得る。いくつかの実施形態において、多段階処理の第１段階の一部として、シナリオ情報データベースが生成され得る。いくつかの実施形態において、シナリオ情報データベースは（ｉ）、様々な異なる道路セグメントタイプを含む地理的エリア内の道路セグメント（例えば、高頻度でサンプリングされた、分類された道路セグメント）に対応する実世界センサデータ及び特徴、（ｉｉ）多様な異なる道路セグメントタイプについて収集された実世界センサデータに基づくシナリオ分類及び識別情報、（ｉｉｉ）異なる分類されたシナリオ及びシナリオタイプに関連付けられたリスクプロフィールを含み得る。シナリオ情報データベースに対する根幹を成す、センサデータは、多段階処理の第１段階において、例えば、シナリオ情報データベース内のデータにより表された道路セグメントに沿って運転した車両上のセンサを介したサンプリングを通じて、取得及び維持可能である。

セグメント類似性モジュール３０６は、分類された（又は高頻度でサンプリングされた）道路セグメント及び分類されていない（又はより低頻度でサンプリングされた）道路セグメントとの間のそれぞれの類似性を判定するように構成可能である。セグメント類似性モジュール３０６は、分類された道路セグメントと分類されていない道路セグメントとの間の、閾値レベルの類似性又は一致を判定可能である。道路セグメント間の閾値レベルの類似性を満たすことは、道路セグメント間の類似性の判定に帰結し得る。同様に、セグメント類似性モジュール３０６は道路セグメントタイプと分類されていない道路セグメントとの間の、閾値レベルの類似性又は一致を判定可能である。道路セグメントタイプと分類されていない道路セグメントとの間の閾値レベルの類似性を満たすことは、道路セグメントタイプと道路セグメントとの間の類似性の判定に帰結し得る。いくつかの実施形態において、多段階処理の第２段階の一部として、道路セグメント間の（又は道路セグメント及び道路セグメントタイプの間の）類似性が判定され得る。当該実施形態において、道路セグメント間の類似性の判定に、シナリオ情報データベースに格納された情報（例えば、特徴、シナリオ、コンテキストデータなど）を使用可能である。例えば、セグメント類似性モジュール３０６は、第１道路セグメントと第２道路セグメントとの間の類似性を、それらの特徴（例えば、道路特徴など）の比較に基づき判定し得る。いくつかの実施形態において、道路特徴は、所与の道路セグメントに関連付けられた物体、ならびに道路セグメントに関連付けられた任意の永久及び一時的特徴を表す、サンプリングされた（又は収集された）情報を含み得る。道路特徴のその他例は、地理的属性（例えば、直線、カーブなど、道路セグメントの形状又は経路）、道路セグメントに関連付けられたメタデータ（例えば、マップ特徴、区画、周辺企業、国勢統計区など）、及び道路セグメント（例えば、レーンタイプ、レーン幅、一時停止標識の存在など）の構成に関する詳細なセンサデータを含む。当該道路特徴は、道路セグメントに関連付けられた永久又は半永久特徴と見做され得る。セグメント類似性モジュール３０６は、道路セグメント類似性の判定時に、その他タイプの特徴を使用し得る。例えば、いくつかの実施形態において、セグメント類似性モジュール３０６は、道路セグメント（例えば、レーンタイプ、レーン幅、一時停止標識の存在など）を表現するマップデータを使用し得る。いくつかの実施形態において、セグメント類似性モジュール３０６は、道路セグメントを表す視覚的データ（例えばストリートビュー画像、点群など）を使用し得る。いくつかの実施形態において、セグメント類似性モジュール３０６はさらに、センサと道路セグメントから収集されたシナリオ情報が存在する場合、それらを道路セグメント類似性の判定時の追加の検討として使用し得る。例えば、車両による車両道路セグメント通過時に、２回に１回の割合でバスが存在すると判定されると、この判定（又は特徴）を、道路セグメント類似性判定時にその他特徴と共に使用してよい。いくつかの実施形態において、セグメント類似性モジュール３０６は、分類されていない道路セグメントに関連付けられた特徴を、既知の分類された道路セグメントのシナリオ情報データベース内の道路セグメント（又は道路セグメントタイプ）に関連付けられた特徴と比較し得る。これにより、分類されていない道路セグメントに対して、最も類似した道路セグメント（又は道路セグメントタイプ）の組が識別される。分類されていない道路セグメントに対して最も類似した道路セグメント（又は道路セグメントタイプ）の組が判定されると、分類されていない道路セグメントについてのシナリオ発生率が、最も類似した道路セグメントの組に関連付けられているとわかっているシナリオ発生率を使用して判定可能である。この結果、多くの道路セグメントが、それら道路セグメントを個別に及び重点的にサンプリング（又は運転）することなく、類似性及びシナリオ発生率について評価可能である。

いくつかの実施形態において、分類された道路セグメント及び分類されていない道路セグメントの間に閾値レベルの類似性又は一致が判定されると、情報マッピングモジュール３０８は分類された道路セグメントに関連付けられた情報を判定できる。その後、情報マッピングモジュール３０８は、判定された情報を、分類されていない道路セグメントに関連付け可能である。例えば、いくつかの実施形態において分類された道路セグメントは、分類された道路セグメントについてのシナリオ発生率に基づくリスクプロフィールに関連付けられ得る。この例において、情報マッピングモジュール３０８は、分類された道路セグメントと分類されていない道路セグメントとの間の閾値類似性判定に基づき、リスクプロフィールを分類されていない道路セグメントに関連付け可能である。

図３Ｂは、本技術の実施形態に係る例示的なセグメントタイプ分類モジュール３５２を示す。いくつかの実施形態において、図２のセグメントタイプ分類モジュール２０６は、セグメントタイプ分類モジュール３５２により実装可能である。上述のように、セグメントタイプ分類モジュール３５２は、道路セグメントを評価し、道路セグメントタイプとして類別するように構成可能である。いくつかの実施形態において、セグメントタイプ分類モジュール３５２は、道路セグメントを、道路セグメントについて判定されたシナリオと、道路セグメントタイプに関連付けられたシナリオタイプとの間の閾値レベルの類似性に基づいて、道路セグメントタイプとして類別可能である。図３Ｂの例に示すように、セグメントタイプ分類モジュール３５２は、シナリオ予測モジュール３５４、セグメント類似性モジュール３５６、及びセグメントマッピングモジュール３５８を含み得る。

シナリオ予測モジュール３５４は、類別対象の道路セグメントについて、シナリオを判定（又は予測）するように構成可能である。いくつかの実施形態において、道路セグメントについてのシナリオは、例えば、道路セグメント上を移動する車両が検出した１つ又は複数の物体、道路セグメントを表す１つ又は複数の道路特徴、道路セグメントに対応する１つ又は複数のコンテキスト特徴又はその組み合わせに基づいて判定可能である。図４を参照して、以下にシナリオ予測モジュール３５４に関するさらなる詳細を提供する。

セグメント類似性モジュール３５６は、類別対象の道路セグメントに最も類似する道路セグメントタイプを判定するように構成可能である。いくつかの実施形態において、道路セグメントについて判定（又は予測）されたシナリオ組が、道路セグメントタイプに関連付けられたシナリオタイプに対して閾値レベルの類似性を有する場合に、道路セグメントは道路セグメントタイプとして類別可能である。図５を参照して、以下にセグメント類似性モジュール３５６に関するさらなる詳細を提供する。

セグメントマッピングモジュール３５８は、道路セグメントを、所与の道路セグメントタイプとして類別（又はマッピング）するように構成可能である。例えば、所与の道路セグメントタイプに対応すると判定された道路セグメントは、その道路セグメントタイプに関する各種情報に関連付け可能である。いくつかの実施形態において、例えばこの関連付けられた情報は、道路セグメントタイプに対応するリスクプロフィールと、道路セグメントタイプに対応する道路セグメントの走行時の車両を動作させるための命令とを含むことができる。

図４は、本技術の実施形態に係る例示的なシナリオ予測モジュール４０２を示す。いくつかの実施形態において、図３Ｂのシナリオ予測モジュール３５４は、シナリオ予測モジュール４０２により実装可能である。上述のように、シナリオ予測モジュール４０２は、所与の道路セグメントについてシナリオを判定（又は予測）するように構成可能である。いくつかの実施形態において、例えば、道路セグメント上で検出された１つ又は複数の物体、道路セグメントに対応する１つ又は複数の道路特徴、道路セグメントを表す及び１つ又は複数のコンテキスト特徴の存在を伴う具体的な要因の組み合わせに基づいて道路セグメントについてのシナリオが判定（又は予測）され得る。いくつかの実施形態において、道路セグメントについて予測されたシナリオは、道路セグメントがいくつかの予め定義された道路セグメントタイプに類別可能かを判定するのに使用可能である。図４の例に示すように、シナリオ予測モジュール４０２は、センサデータモジュール４０４、特徴判定モジュール４０６、シナリオ判定モジュール４０８、及びシナリオマッピングモジュール４１０を含み得る。

シナリオ予測モジュール４０２は、データストア２２０などのデータストアと通信及び動作するように構成可能である。例えば、データストア２２０は、車両により収集されたセンサデータを格納可能である。いくつかの実施形態において、センサデータは収集された地理的位置に基づいてラベル付け可能である。例えば、車両が所与の道路セグメントを走行している最中にセンサが収集したセンサデータは、当該道路セグメントに関連付け可能である。データストア２２０は、シナリオの認識及び識別に使用可能である、予め定義されたシナリオデータも格納可能である。例えば、所与のシナリオは、特徴組（例えば、物体又は物体識別子、道路特徴、コンテキスト特徴）に関連付け可能である。これは、道路セグメント上で検出されると、車両により、道路セグメントに対応付けてシナリオを認識及びロギングするのに（リアルタイム、又は略リアムタイムで）使用可能である。いくつかの実施形態において、シナリオは、各種一般性、特異性の度合いを反映する、多段階又は階層型分類で、整理され得る。例えば、データストア２２０は、分類と、予め定義されたシナリオタイプ、それらシナリオタイプ内に含まれたシナリオ（又はシナリオ事例）、ならびに関連する属性及び属性値、及び所与のシナリオの識別に使用可能な各特徴を表す情報を格納し得る。例えば、「歩行者行動」に対応するシナリオタイプは、いくつか例を挙げると、道路を走って横切る子供、及び道路に沿ってジョギングする人などのシナリオが挙げられ得る。これら例において、「道路を走って横切る子供」というシナリオは、子供に対応する物体の存在、物体が移動する速度（例えば、時速２から４マイル）、及び物体が移動する方向（例えば、道路の経路に略直交する経路）など、シナリオを認識するのに使用可能な特徴に関連付けられ得る。異なる特徴に基づく、多くの異なるシナリオがあり得る。

センサデータモジュール４０４は、類別される道路セグメントに対応するセンサデータを取得するように構成可能である。例えば、センサデータは、いくつか例を挙げると光学カメラ、ＬｉＤＡＲ、レーダ、赤外線カメラ、及び超音波設備を含む１つ又は複数のセンサにより取得されたデータを含み得る。センサデータモジュール４０４は、当該センサデータを、例えばデータストア２２０から又は車両に関連付けられたセンサからリアルタイムに直接取得可能である。いくつかの場合、取得されたセンサデータは、ライドシェアリングサービスを提供する車両隊を含む、ドライバーが運転する車両により収集されたものであり得る。例えば、いくつかの実施形態において、ドライバーが運転する車両は、所与の道路セグメントを表す情報の取得に使用可能な、１つ又は複数の統合センサ（例えば、全地球測位システム（ＧＰＳ）、コンパス、ジャイロスコープ（１つ又は複数）、加速度計（１つ又は複数）、及び慣性測定ユニット（１つ又は複数））を含むコンピューティングデバイス（例えば、モバイルフォン）を含み得る。いくつかの実施形態において、センサデータモジュール４０４は、センサデータが取得された、それぞれのカレンダー日付、曜日、時刻などのセンサデータについてのコンテキスト情報を判定できる。当該コンテキスト情報は、いくつか例を挙げると、センサあるいはコンピューティングデバイス、１つ又は複数の外部コンピューティングシステム（例えば、ネットワークタイムプロトコル（ＮＴＰ）サーバ）、又はＧＰＳデータの内部クロックから取得され得る。センサデータモジュール４０４により取得され得るセンサデータのタイプを表すさらなる詳細を、図９のセンサアレイ９４４に関連して以下に提供する。

特徴判定モジュール４０６は、類別対象の道路セグメントに対応する特徴を判定するように構成可能である。当該特徴は、例えば、道路セグメント上で検出された物体、道路セグメントに対応する道路特徴、及び道路セグメントを表すコンテキスト特徴を含むことができる。例えば、いくつかの実施形態において、特徴判定モジュール４０６は、類別対象の道路セグメント上又はそれに沿って検出された物体を識別するため、センサデータモジュール４０４により取得されたセンサデータを分析可能である。物体などの特徴を識別する際、特徴判定モジュール４０６は一般的に知られている物体検出及び認識技術を適用可能である。識別された物体の例としては、歩行者、車両、レーンマーク、縁石、木、動物、ごみなどが挙げられ得る。いくつかの実施形態において、特徴判定モジュール４０６は、識別された各物体それぞれの属性を判定可能である。例えば、歩行者が検出されると、特徴判定モジュール４０６は歩行者に関連した属性を判定可能である。この例において、属性は、いくつか例を挙げると、歩行者と歩行者を検知（又は検出）する車両との間の距離と、歩行者の移動速度と、歩行者の移動方向とを含み得る。いくつかの実施形態において、属性はさらに、例えば車両の移動速度、車両の移動方向、及び車両が移動しているレーンなど、歩行者を検知（又は検出）している車両をさらに表現し得る。

特徴判定モジュール４０６は、類別対象の道路セグメントに対応する道路特徴も判定可能である。上述のように、これら道路特徴は、道路セグメントについてのシナリオを判定（又は予測）するのに使用可能である。いくつかの実施形態において、当該道路特徴は、例えばセンサデータモジュール４０４から得られたセンサデータ、位置データ（例えばラベル付けされたマップデータ、ＧＰＳデータなど）、又はその組み合わせから判定され得る。例えば、いくつかの実施形態において、特徴判定モジュール４０６は、いくつか例を挙げると、道路セグメント長さ（例えば、道路セグメントを画定する始点及び終点）、道路セグメント品質（例えば、穴の存在、道路セグメントが舗装されているかいないかなど）、車道タイプ（例えば、高速道路（ｆｒｅｅｗａｙ、ｈｉｇｈｗａｙ、ｅｘｐｒｅｓｓｗａｙ）、一般道、田舎道など）、道路セグメントにおける交通レーンを表す情報（例えば、制限速度、利用可能なレーン数、閉鎖したレーン数、任意の交差点の位置、合流レーン、信号機、道路標識、縁石など）、任意の自転車レーンの存在、及び、任意の横断歩道の存在などの道路特徴を判定可能である。いくつかの実施形態において、特徴判定モジュール４０６は、例えば検出された道路標識及び位置データに基づいて、道路セグメントが特定のゾーン（例えば住宅地ゾーン、スクールゾーン、商業ゾーン、多目的ゾーン、高密集ゾーン、郊外ゾーンなど）内に存在するかも判定可能である。

特徴判定モジュール４０６は類別対象の道路セグメントに対応するコンテキスト特徴も判定可能である。上述のように、コンテキスト特徴は、道路セグメントについてのシナリオの判定（又は予測）に使用可能である。いくつかの実施形態において、当該コンテキスト特徴は、例えばセンサデータモジュール４０４、外部データソース（例えば、天候データなど）、又はその組み合わせから取得されるセンサデータから判定され得る。例えば、いくつかの実施形態において、特徴判定モジュール４０６は、類別対象の道路セグメントに対応するセンサデータ（例えば、画像、ビデオ、ＬｉＤＡＲデータ、レーダデータなど）を分析可能である。当該実施形態において、特徴判定モジュール４０６は、センサデータに基づいてコンテキスト特徴を判定可能である。例えば、いくつかの実施形態において、特徴判定モジュール４０６は、センサデータが取得された各カレンダー日付、曜日、及び時刻を判定可能である。いくつかの実施形態において、特徴判定モジュール４０６は、センサデータに基づいて、道路セグメントを走行中に遭遇する天候条件（例えば、晴天、曇り、霧、雨、みぞれ、雪など）を判定可能である。

シナリオ判定モジュール４０８は、類別対象の道路セグメントについてシナリオを判定（又は予測）するように構成可能である。例えば、シナリオ判定モジュール４０８は、特徴判定モジュール４０６が道路セグメントについて判定した特徴に基づいて道路セグメントについてのシナリオを判定（又は予測）可能である。いくつかの実施形態において、シナリオ判定モジュール４０８は、予め定義された規則に基づいて、シナリオを判定（又は予測）する。当該実施形態において、シナリオ判定モジュール４０８は、所与のシナリオに関連付けられた予め定義された特徴に、類別対象の道路セグメントに関連付けられた特徴に一致するか判定可能である。いくつかの実施形態において、道路セグメントはシナリオに対して、当該シナリオに関連付けられた特徴に、道路セグメントに関連付けられた全ての特徴が一致する場合、関連付け可能である。例えば、一時停止標識の存在により、点灯したハザードランプのスクールバスの特徴に、「スクールバス停止」についての第１シナリオが関連付けられていると仮定する。さらに、道路セグメントについてのセンサデータが、スクールバスがそのハザードランプを使用していること、及び一時停止標識の存在に対応する特徴の存在を示すと仮定する。この例において、シナリオ判定モジュール４０８は、ハザードランプを点灯しているスクールバスが存在すること、及び一時停止標識の存在が、第１シナリオに関連付けられた特徴に一致するか判定（又は予測）し得る。いくつかの場合、道路セグメントに関連付けられた特徴の全てが正確にはシナリオに関連付けられた特徴全てに一致しなくとも、シナリオは道路セグメントに関連付け可能である。例えば、いくつかの実施形態において、道路セグメントに関連付けられた特徴と、シナリオに関連付けられた特徴との間で、閾値レベルの類似性が判定されると、道路セグメントはシナリオに関連付け可能である。例えば、道路セグメントに関連付けられた特徴と、シナリオに関連付けられた特徴とが、閾値数一致すると、道路セグメントをシナリオに関連付け可能である。多数の変形が可能である。

本技術によると、道路セグメントについてのシナリオを判定（又は予測）するその他手法も考えられる。例えば、いくつかの実施形態において、機械学習モデルを、道路セグメントについて判定された特徴に基づいて、道路セグメントについてのシナリオを予測するように訓練可能である。別の例として、各種実施形態において、道路セグメントについて判定された特徴はベクトルとして表され得る。同様に、シナリオに関連付けられた特徴もベクトルとして表すことが可能である。当該実施形態において、道路セグメントと、シナリオとは、それらのベクトル表示間が閾値レベルの類似性（例えば、コサイン類似性）を満たすかに基づいて、関連付け可能である。

シナリオマッピングモジュール４１０は、道路セグメントを、その各シナリオに関連付け可能である。道路セグメントと、その各シナリオとの間の関連付けは、上述のようにシナリオ判定モジュール４０８により判定（又は予測）可能である。いくつかの実施形態において、道路セグメントと、その対応する１つ又は複数のシナリオとの間の関連付けを表す情報は、例えば、データストア２２０内に格納可能である。

図５は、本技術の実施形態に係る、例示的なセグメント類似性モジュール５０２を示す。いくつかの実施形態において、図３Ｂのセグメント類似性モジュール３５６は、セグメント類似性モジュール５０２により実装可能である。セグメント類似性モジュール５０２は、類別対象の道路セグメントに対して閾値レベルの類似性を有する１つ又は複数の道路セグメントタイプを判定するように構成可能である。いくつかの実施形態において、道路セグメントは、例えば道路セグメントについて判定されたシナリオと、道路セグメントタイプに関連付けられたシナリオとの比較に基づいて判定された、道路セグメントに最も類似した道路セグメントタイプとして類別可能である。当該シナリオ比較は、各種手法を使用して実行され得る。図５の例に示すように、セグメント類似性モジュール５０２は、規則モジュール５０４及び機械学習モジュール５０６を含み得る。

規則モジュール５０４は、予め定義された規則に基づいて、類別対象の道路セグメントに対し、閾値レベルの類似性を有する１つ又は複数の道路セグメントタイプを判定するように構成可能である。いくつかの実施形態において、道路セグメントについて判定された少なくとも１つのシナリオが、道路セグメントタイプに関連付けられたシナリオタイプに含まれた少なくとも１つのシナリオに一致する、あるいはシナリオタイプの範囲内に含まれる場合、道路セグメントが道路セグメントタイプに対して閾値レベルの類似性を有すると判定され得る。本明細書で使用される「シナリオタイプ」は、対応するシナリオの事例と、それらシナリオに関連する任意の属性タイプと、それら属性タイプに対応する任意の属性値を含み得る。別の実施形態において、道路セグメントについて判定されたシナリオは、道路セグメントタイプに関連付けられたシナリオタイプに含まれた閾値数のシナリオに一致する場合、閾値レベルの類似性が判定され得る。例えば、道路セグメントタイプは、第１シナリオ（例えば、自転車に乗って道路セグメントを横切る人）、第２シナリオ（例えば、道路セグメントを横切る信号無視者）、及び第３シナリオ（例えば、道路セグメントを横切る動物）を含む第１シナリオタイプに関連付けられ得る。類別対象の道路セグメントは、第１シナリオ（例えば、自転車に乗って道路セグメントを横切る人）及び第２シナリオ（例えば、道路セグメントを横切る信号無視者）に関連付けられ得るが、及び第３シナリオ（例えば、道路セグメントを横切る動物）には関連付けられなくてもよい。この例において、類別対象の道路セグメント及び道路セグメントタイプの間で少なくとも２つのシナリオの一致が閾値レベルの類似性に求められる場合、道路セグメントが第３シナリオ（例えば、道路セグメントを動物が横切る）に関連付けられていなくとも、道路セグメント及び道路セグメントタイプの間に閾値レベルの類似性が判定され得る。多数の変形が可能である。例えば、いくつかの実施形態において、道路セグメントについて判定されたシナリオ発生が、閾値レベルの類似性で、道路セグメントタイプに関連付けられたシナリオ発生に一致する場合、道路セグメントについての道路セグメントタイプは判定可能であり得る。例えば、道路セグメントが、１マイルあたり１５の信号無視者というシナリオ発生を有し、道路セグメントタイプが１マイルあたり１４の信号無視者というシナリオ発生を有すると仮定する。この例において、道路セグメントのシナリオ発生と、道路セグメントタイプのシナリオ発生との間で、閾値レベルの類似性が満たされると仮定し、道路セグメントを道路セグメントタイプとして類別可能である。いくつかの実施形態において、道路セグメントについて判定された合計シナリオ発生が、閾値レベルの類似性で、道路セグメントタイプに関連付けられた合計シナリオ発生に一致すると、道路セグメントについての道路セグメントタイプが判定され得る。例えば、道路セグメントが、１マイルあたり１５人の信号無視者という第１シナリオ発生と、１マイルあたり９匹の動物の徘徊という第２シナリオ発生を有すると仮定する。さらに道路セグメントタイプが、１マイルあたり１４人の信号無視者の第１シナリオ発生と、１マイルあたり１０匹の動物の徘徊の第２シナリオ発生を有すると仮定する。この例において、道路セグメントについての合計シナリオ発生は、道路セグメントに関連付けられた第１シナリオ発生及び第２シナリオ発生の合計又は組み合わせに基づいて判定可能である。同様に、道路セグメントタイプについての合計シナリオ発生は、道路セグメントタイプに関連付けられた第１シナリオ発生及び第２シナリオ発生の合計又は組み合わせに基づいて判定可能である。この例において、道路セグメントの合計シナリオ発生と、道路セグメントタイプの合計シナリオ発生との間で、閾値レベルの類似性が満たされると仮定し、道路セグメントが道路セグメントタイプとして類別され得る。ここでも、多数の変形が可能である。

機械学習モジュール５０６は、機械学習技術に基づいて、類別対象の道路セグメントに類似した道路セグメントタイプを判定するように構成可能である。例えば、いくつかの実施形態において、機械学習モデルは、道路セグメントに関連付けられたシナリオに基づいて類別される所与の道路セグメントに類似する道路セグメントタイプを予測するように訓練可能である。当該実施形態において、機械学習モデルの入力として、道路セグメントに関連付けられたシナリオを提供可能である。機械学習モデルは、道路セグメントを最もよく表す道路セグメントタイプを判定（又は予測）するのに、これら入力を評価可能である。多数の変形が可能である。

図６Ａは、本技術の実施形態に係る、道路セグメント６０２について判定（又は予測）された例示的なシナリオタイプ６０４を示す。例示的なシナリオタイプ６０４は、図２の道路セグメント分類モジュール２０２により判定され得る。いくつかの実施形態において、シナリオタイプは各種一般性、特異性の度合いを反映する、多段階又は階層型分類で、整理され得る。例示的な分類は、各シナリオタイプ内で分類された、予め定義されたシナリオタイプ及び各シナリオの組を含み得る。図示のように、道路セグメント６０２は、「車両行動」シナリオタイプ６０６、「歩行者行動」シナリオタイプ６１０、及び「歩行者タイプ」シナリオタイプ６１４に関連付けられる。「車両行動」シナリオタイプ６０６は、「スクールバス停止」に対応するシナリオ６０８を含む。この例において、シナリオ６０８は、シナリオ６０８の認識に使用可能である特徴組（「スクールバス」、「ハザードランプ点灯」、「学童擁護員」）に関連付けられる。例において、道路セグメント６０２は、「歩行者適切に車道横断」に対応するシナリオ６１２を含む、「歩行者行動」シナリオタイプ６１０にも関連付けられる。シナリオ６１２は、シナリオ６１２の認識に使用可能である特徴組（「横断歩道における歩行者」、「横断歩道」、「横断歩道道路標識」）に関連付けられる。例において、道路セグメント６０２は、「ベビーカーを押す歩行者」に対応するシナリオ６１６を含む「歩行者タイプ」というシナリオタイプ６１４にも関連付けられる。シナリオ６１６は、シナリオ６１６の認識に使用可能である特徴組（「歩行者」、「ベビーカー」）に関連付けられる。説明を容易にするため、図６Ａは、シナリオタイプ及びそれぞれのシナリオを整理する分類の一部の例を示す。ただし、本技術の分類は、極めて多様な特徴で識別された、大量（例えば数百、数千など）の異なるシナリオタイプ及びそれぞれのシナリオ（又は属性値を持つ属性タイプ）を含み得る。さらに、分類は、シナリオタイプ及びシナリオを、変動するレベル抽象性で指定可能である。単に一例として、図６Ａに示す例示的シナリオタイプ６０４はあるいは、「経験シナリオ」というシナリオタイプなど、より広いシナリオタイプに対応するカテゴリのシナリオ又は属性タイプとして特徴付けられ得る。多数の変形が可能である。

図６Ｂは、本技術の実施形態に係る地形の様々なタイプの間の例示的な類似性マッピングを示す。例示的な類似性マッピングは、図２の道路セグメント分類モジュール２０２により判定され得る。例えば、いくつかの実施形態において、道路セグメントＡ６５４及び道路セグメントＢ６５６は、それらそれぞれの道路セグメントタイプ分類に基づいて類似すると判定され得る。上述のように、道路セグメントタイプに関連付けられた道路セグメント及びシナリオタイプについて判定されたシナリオに基づいて、所与の道路セグメントタイプとして道路セグメントを分類可能である。いくつかの実施形態において、異なる地理的位置又はエリア間の類似性は、それら地理的位置内に含まれる道路セグメントのタイプに基づいて判定され得る。例えば、都市６６４は、道路セグメントタイプ組に対応する道路セグメントを含み得る。都市６６６も、道路セグメントタイプ組に対応する道路セグメントを含み得る。この例において、都市６６４及び都市６６６の間の類似性は、都市６６４に含まれる道路セグメントタイプと、都市６６６に含まれる道路セグメントタイプとの間の重複量に基づいて判定され得る。例えば、都市６６４は、都市６６６内に含まれた異なるタイプの道路セグメントの混合と重複し得る（又は完全に異なり得る）、異なるタイプの道路セグメントの特定の混合（例えば、信号のない郊外の一方通行路、朝に歩行者が少ない片側一車線、トラックトレーラーの交通量が非常に多い州間道路など）を有し得る。各種実施形態において、当該比較は、一般的に郵便番号、郡、州、又はその他定義された地理的領域６７４、６７６などの地理的領域のその他タイプ又は抽象性の間の類似性の判定に使用可能である。さらに、図２のアプリケーションモジュール２０８を参照に上述したとおり、地理的領域間の類似性が、適用可能な閾値レベルの類似性を満たすと判定されると、いくつかの地理的領域についての識別の既知の情報が、当該情報が知られていなかったその他地理的領域に割り当て又は適用可能である。

図７Ａは、本技術の実施形態に係る道路セグメント類似性を判定するための、例示的な多段階処理７００を示す。第１段階において、道路セグメントについて、車両７０２（例えば、図９の車両９４０）により収集されたセンサデータ７０４が、その道路セグメントを表す特徴７０６の判定に使用可能である。実施形態において、センサデータ７０４は、シナリオ分類、特徴識別、又は両方のために、車両７０２上で処理可能である。実施形態において、シナリオ分類、特徴識別、又は両方のために、センサデータ７０４は車両７０２上で処理可能で、さらに処理されたセンサデータ７０４は車外コンピューティングシステム（例えば、図９の輸送管理システム９６０）に送信可能である。実施形態において、車外コンピューティングシステムは特徴識別を判定し、車両７０２は車内で、シナリオ分類のみのために、センサデータ７０４を処理し得る。実施形態において、車外コンピューティングシステムはシナリオ分類を判定し、車両７０２は社内で、特徴識別のみのために、センサデータ７０４を処理し得る。実施形態において、シナリオ分類及び特徴識別の目的のために、生センサデータ及び処理済みセンサデータが使用可能である。実施形態において、シナリオ分類、特徴識別、又は両方のためにセンサデータ７０４が車外コンピューティングシステムに提供され得る。これら特徴７０６は、上述の用に多種多様な特徴（例えば、道路特徴、コンテキスト特徴など）を含み得る。いくつかの実施形態において、特徴７０６は、シナリオ情報データベース７０８内にロギングされ得る。これに関して、特徴７０６は、それらの対応する道路セグメントに関連付け可能であり、特徴７０６、それらの対応する道路セグメント、及びそれらの関連付けは、シナリオ情報データベース７０８内で維持され得る。その他情報もロギングされ得る。例えば、いくつかの実施形態において、センサデータ７０４と、その対応する道路セグメントとの関連付けは、シナリオ情報データベース７０８内にロギングされ得る。いくつかの実施形態において、センサデータ７０４に基づいて、道路セグメントについて判定された任意のシナリオ分類及び識別情報も、シナリオ情報データベース７０８内にロギングされ得る。各種実施形態において、シナリオ情報データベース７０８は、いくつか例を挙げると分類された道路セグメント及び対応する道路特徴データ、シナリオデータ、コンテキスト特徴データ、及びリスクプロフィール間の関連付けを表す情報を格納し得る。各種実施形態において、シナリオ情報データベース７０８は、道路セグメントについての新情報ロギングに応じて、継続的に更新され得る。例えば、シナリオ情報データベース７０８は、例えば第１車両により収集されたセンサデータ、センサデータから判定された特徴、当該情報に基づいて道路セグメントについて判定されたシナリオを含む、所与の道路セグメントについての情報を格納し得る。この例において、シナリオ情報データベース７０８は、１つ又は複数の異なる車両により続いて取得された道路セグメントについての追加的情報を含むように更新され得る。例えば、シナリオ情報データベース７０８は、道路セグメント運転中の第２車両が取得した異なるセンサデータ、センサデータから判定された異なる特徴、及びこの異なる情報に基づいて道路セグメントについて判定された異なるシナリオを含むように更新され得る。いくつかの実施形態において、例えば所与の道路セグメントについてのシナリオ発生及びリスクがより正確に判定されるように、センサデータと、異なる車両が取得及び判定したその他関連情報（例えば、特徴、シナリオ）とが合計され得る。

第２段階において、シナリオ情報データベース７０８内に格納された情報は、リアルタイム、又は略リアルタイムに道路セグメント類似性を判定するのに使用可能である。例えば、特徴７１６は、例えばその対応するセンサデータ７１４に基づいて、分類されていない道路セグメント７１２について判定され得る。実施形態において、センサデータ７１４は任意で、分類されていない道路セグメントに沿って移動中の車両により取得され得る。別の実施形態において、センサデータ７１４は、別のソース（例えば、別車両、遠隔データベースなど）から取得され得る。これら特徴７１６は、分類されていない道路セグメント７１２に対する閾値類似性を満たす１つ又は複数の類似道路セグメント７１８の判定に使用可能である。いくつかの実施形態において、ブロック７１８において、類似道路セグメントが、シナリオ情報データベース７０８に格納された、アクセス可能な情報に基づいて識別され得る。例えば、いくつかの実施形態において、分類されていない道路セグメントについての特徴７１６は、ベクトルとして表され得る。同様に、その他道路セグメントについて、シナリオ情報データベース７０８に格納された特徴も、それぞれベクトルとして表され得る。当該実施形態において、分類されていない道路セグメント及び分類された道路セグメントは、それらベクトル表示間で閾値レベルの類似性（例えば、コサイン類似性）が満たされることに基づいて、類似すると判定され得る。いくつかの実施形態において、分類されていない道路セグメント及び分類された道路セグメントの間で類似性が判定されると、分類された道路セグメントに関連付けられた情報が、ブロック７２０において分類されていない道路セグメントにマッピングされ得る。例えば、分類された道路セグメントについてのシナリオ発生率に基づき得るリスクプロフィールは、分類されていない道路セグメントに関連付け可能である。記載のとおり、本技術の１つ又は複数の工程、処理、機能、又はモジュールは、車両９４０、輸送管理システム９６０、又はその両方において実行又は実施され得る。

図７Ｂは、本技術の実施形態に係る、例示的な類似性判定７５０を示す。図７Ｂにおいて、分類されていない道路セグメント７５２が、分類された道路セグメント７５４に対して閾値レベルの類似性を持つという判定がなされる。いくつかの実施形態において、この類似性判定は、分類されていない道路セグメント７５２及び分類された道路セグメント７５４に関連付けられた特徴（例えば、道路特徴、コンテキスト特徴、マップデータ、視覚的データなど）の比較に基づいてなされ得る。いくつかの実施形態において、閾値レベルの類似性が判定されると、分類された道路セグメント７５４に関連付けられた情報が、分類されていない道路セグメント７５２に関連付けられてもよい。図７Ｂの例において、分類された道路セグメント７５４についてのリスクプロフィール７５８は、分類されていない道路セグメント７５２に関連付け可能である。いくつかの実施形態において、リスクプロフィール７５８は、分類された道路セグメント７５４についてのシナリオ発生率７５６に基づき得る。実施形態において、シナリオ発生率７５６は、道路セグメント７５４で遭遇する関連シナリオ、その特徴付け、及びその頻度を表し得る。多数の変形が可能である。

図８Ａは、本技術の実施形態に係る例示的な方法８００を示す。ブロック８０２において、道路セグメントが判定され得る。ブロック８０４において、道路セグメントに関連付けられた特徴組が、車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて判定され得る。ブロック８０６において、道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルが、これら特徴組を道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで判定され得る。ブロック８０８において、道路セグメントは、類似性のレベルに基づいて、道路セグメントタイプとして分類され得る。ブロック８１０において、道路セグメントに関連付けられたシナリオ情報は、分類された道路セグメントタイプに基づいて判定され得る。この例示的な方法に対する多数の変形があり得る。特に明記しない限り、本明細書で説明される様々な実施形態の範囲内で、同様若しくは代替の順序で、又は並行に行われる追加の段階、より少ない段階、又は代替の段階があってもよいことを理解されたい。

図８Ｂは、本技術の実施形態に係る例示的な方法８５０を示す。ブロック８５２において、道路セグメントに関連付けられた特徴組が、車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて判定される。ブロック８５４において、特徴組に関連付けられた少なくとも１つのシナリオが判定される。ブロック８５６において、少なくとも１つのシナリオが、道路セグメントに関連付けられる。ブロック８５８において、関連付けられた少なくとも１つのシナリオ及び道路セグメントが、シナリオ情報データベース内で維持される。この例示的な方法に対する多数の変形があり得る。特に明記しない限り、本明細書で説明される様々な実施形態の範囲内で、同様若しくは代替の順序で、又は並行に行われる追加の段階、より少ない段階、又は代替の段階があってもよいことを理解されたい。

図９は、乗車要求者を車両とマッチングする輸送管理環境の例示的なブロック図を示す。特定の実施形態において、環境は、ユーザ９０１（例えば、乗車プロバイダ又は要求者）のユーザコンピューティングデバイス９３０、輸送管理システム９６０、車両９４０、及び１つ又は複数のサードパーティシステム９７０などのコンピューティングエンティティを含み得る。車両９４０は、自律運転、半自律運転、又は手動運転可能であり得る。これらのコンピューティングエンティティは、任意の好適なネットワーク９１０を介して通信可能に接続されてよい。限定ではなく例として、ネットワーク９１０の１つ又は複数の部分が、アドホックネットワーク、エクストラネット、仮想プライベートネットワーク（ＶＰＮ）、ローカルエリアネットワーク（ＬＡＮ）、無線ＬＡＮ（ＷＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、無線ＷＡＮ（ＷＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、インターネットの一部、公衆交換電話網（ＰＳＴＮ）の一部、セルラーネットワーク、又は上記のうちのいずれかの組み合わせを含んでよい。特定の実施形態において、複数のコンピューティングエンティティが互いに通信することを可能にする任意の好適なネットワーク構成及びプロトコルが用いられてよい。図９は、単一のユーザデバイス９３０、単一の輸送管理システム９６０、単一の車両９４０、複数のサードパーティシステム９７０、及び単一のネットワーク９１０を示しているが、本開示は、任意の好適な数の各エンティティを企図している。限定ではなく例として、ネットワーク環境は、複数人のユーザ９０１、ユーザデバイス９３０、輸送管理システム９６０、車両９４０、サードパーティシステム９７０、及びネットワーク９１０を含み得る。いくつかの実施形態において、道路セグメント分類モジュール２０２の一部又は全部のモジュールは、輸送管理システム９６０の１つ又は複数のコンピューティングシステムにより実施され得る。いくつかの実施形態において、道路セグメント分類モジュール２０２の一部又は全部のモジュールは、車両９４０における１つ又は複数のコンピューティングシステムにより実施され得る。

ユーザデバイス９３０、輸送管理システム９６０、車両９４０、及びサードパーティシステム９７０は、全体又は一部が、通信可能に接続され得る、又は同じ場所にあり得る。これらのコンピューティングエンティティは、異なる伝送技術及びネットワークタイプを介して通信してよい。例えば、ユーザデバイス９３０及び車両９４０は、ケーブル又は短距離無線通信（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣ、Ｗｉ−Ｆｉ（登録商標）など）を介して互いに通信してよく、これらのデバイスのうちのどちらか一方にアクセス可能なセルラーネットワークを介して共にインターネットに接続されてよい（例えば、ユーザデバイス９３０はＬＴＥ接続を備えたスマートフォンであってよい）。一方、輸送管理システム９６０及びサードパーティシステム９７０は、それぞれのＬＡＮ／ＷＬＡＮネットワーク及びインターネットサービスプロバイダ（ＩＳＰ）を介してインターネットに接続されてよい。図９は、ユーザデバイス９３０、車両９４０、輸送管理システム９６０、及びサードパーティシステム９７０を通信ネットワーク９１０に接続する伝送リンク９５０を示す。本開示は、例えば、有線接続（例えば、ＵＳＢ、Ｌｉｇｈｔｎｉｎｇ、デジタル加入者回線（ＤＳＬ）、又はデータオーバーケーブルサービスインタフェース規格（ＤＯＣＳＩＳ））、無線接続（例えば、Ｗｉ−Ｆｉ、ＷｉＭＡＸ（登録商標）、セルラー、衛星、ＮＦＣ、Ｂｌｕｅｔｏｏｔｈ）、光接続（例えば、同期光ネットワーキング（ＳＯＮＥＴ）、同期デジタルハイアラーキ（ＳＤＨ））、任意の他の無線通信技術、及びこれらの任意の組み合わせを含む、任意の好適な伝送リンク９５０を企図している。特定の実施形態において、１つ又は複数のリンク９５０が、部分的に、例えばアドホックネットワーク、イントラネット、エクストラネット、ＶＰＮ、ＬＡＮ、ＷＬＡＮ、ＷＡＮ、ＷＷＡＮ、ＭＡＮ、ＰＳＴＮ、セルラーネットワーク、衛星ネットワーク、又はこれらの任意の組み合わせを含み得る１つ又は複数のネットワーク９１０に接続されてよい。コンピューティングエンティティは、必ずしも同じタイプの伝送リンク９５０を用いる必要がない。例えば、ユーザデバイス９３０は、輸送管理システムとはセルラーネットワーク及びインターネットを介して通信し得るが、車両９４０とはＢｌｕｅｔｏｏｔｈ又は物理的有線接続を介して通信し得る。

特定の実施形態において、輸送管理システム９６０は、好適な車両を派遣することで、１人又は複数人のユーザ９０１の乗車要求を満たしてよい。輸送管理システム９６０は、任意の数の乗車要求を任意の数の乗車要求者９０１から受け取ってよい。特定の実施形態において、乗車要求者９０１からの乗車要求が、システム９６０において乗車要求者を識別する識別子を含んでよい。輸送管理システム９６０は、要求者９０１のプライバシー設定に従って、識別子を用いて乗車要求者９０１の情報にアクセスし、この情報を格納してよい。乗車要求者９０１の情報は、輸送管理システム９６０に関連付けられ且つそこにアクセス可能な１つ又は複数のデータストア（例えば、関係型データベースシステム）に格納されてよい。特定の実施形態において、乗車要求者情報は、特定の乗車要求者９０１に関するプロフィール情報を含んでよい。特定の実施形態において、乗車要求者９０１は、１つ又は複数のカテゴリ又はタイプに関連付けられてよく、それによって、乗車要求者９０１は、これらのカテゴリ又はタイプの特定の乗車要求者に関する合計情報に関連付けられてよい。乗車情報は、例えば、好みの乗車場所及び降車場所、運転の好み（例えば、安全快適度、好みの速度、加速／減速の割合、様々な速度で走行するときの他の車両との安全な距離、ルートなど）、エンターテイメントの好み及び設定（例えば、好みの音楽のジャンル又はプレイリスト、音量、ディスプレイの明るさなど）、温度設定、運転者との会話を喜んで受け入れるかどうか、よく行く目的地、過去の乗車パターン（例えば、移動時刻、開始位置及び終了位置など）、好みの言語、年齢、性別、又は任意の他の好適な情報を含んでよい。特定の実施形態において、輸送管理システム９６０は、ユーザ９０１に関する既知の情報に基づいて（例えば、機械学習した分類器を用いて）ユーザ９０１を分類し、その分類を用いて、その部類に関連付けられた適切な合計情報を取得してよい。例えば、システム９６０は、ユーザ９０１を青少年として分類し、青少年に関連付けられた適切な合計情報（青少年が概して好む音楽のタイプなど）を取得してよい。

輸送管理システム９６０は、乗車情報も格納し且つこれにアクセスしてよい。乗車情報は、乗車に関連した位置、交通データ、ルートの選択肢、乗車に最適な乗車場所若しくは降車場所、又は乗車に関連付けられた任意の他の好適な情報を含んでよい。限定ではなく例として、輸送管理システム９６０がサンフランシスコ国際空港（ＳＦＯ）からパロアルト（カリフォルニア州）まで移動する要求を受け取ると、システム９６０は、この特定の乗車要求に関するあらゆる関連した乗車情報にアクセスしても、その乗車情報を生成してもよい。乗車情報は、例えば、ＳＦＯでの好みの乗車場所、乗車場所が乗車要求者にふさわしくない場合（例えば、乗車要求者に身体障害があるかもしれず、その乗車場所にアクセスできない場合）、又はそれ以外にその乗車場所が工事、交通混雑、乗車／降車ルールの変更、若しくは任意の他の理由によって利用できない場合の代替乗車場所、ＳＦＯからパロアルトまで走行する１つ又は複数のルート、あるタイプのユーザの好みのオフランプ、あるいはこの乗車に関連付けられた任意の他の好適な情報を含んでよい。特定の実施形態において、乗車情報の一部は、システム９６０が支援する、過去の乗車に関連付けられた過去のデータに基づいてよい。例えば、過去のデータは、本明細書に記載の任意の乗車情報と、車両及びユーザデバイス内のセンサにより収集されたテレメトリデータを含み得る、過去の乗車情報に基づいて生成された合計情報を含み得る。過去のデータは、特定のユーザ（例えば、当該特定のユーザの好み、頻繁に使用するルートなど）、ユーザのカテゴリ／クラス（例えば、人口統計に基づく）、及びシステム９６０の全てのユーザに関連付けられ得る。例えば、単一のユーザに固有の過去のデータには、その特定のユーザが乗った過去の乗車に関する情報が含まれてよく、その中には、ユーザが乗車した場所及び降車した場所、ユーザが好んで聞く音楽、過去の乗車に関連付けられた交通情報、ユーザがほとんどの場合に乗車する時刻、及びユーザに固有の任意の他の好適な情報が含まれる。別の例として、あるカテゴリ／クラスのユーザに関連付けられた過去のデータには、例えば、そのカテゴリ／クラスのユーザに共通した又は人気がある乗車嗜好（１０代の若者がポップミュージックを好むといったことなど）が含まれてよく、金融街に頻繁に通う乗車要求者であれば、ニュースを聞くことなどを好むかもしれない。さらに別の例として、全てのユーザに関連付けられた過去のデータには、通行パターン及び乗車パターンなどの一般的な利用傾向が含まれてよい。過去のデータを用いることで、システム９６０は、特定の実施形態において、乗車要求に応答して乗車提案を予測し、それを提供してよい。特定の実施形態において、システム９６０は、ニューラルネットワーク、回帰アルゴリズム、事例ベースのアルゴリズム（例えば、ｋ近傍法）、決定木アルゴリズム、ベイジアンアルゴリズム、クラスタリングアルゴリズム、相関ルール学習アルゴリズム、深層学習アルゴリズム、次元削減アルゴリズム、アンサンブルアルゴリズム、及び当業者に知られている任意の他の好適な機械学習アルゴリズムなどの機械学習を用いてよい。機械学習モデルは、ラベル付き訓練データに基づく教師あり学習、ラベルなし訓練データに基づく教師なし学習、ラベル付き及びラベルなし訓練データの混合に基づく半教師あり学習を含む、任意の適切な訓練アルゴリズムを使用して訓練され得る。

特定の実施形態において、輸送管理システム９６０は１つ又は複数のサーバコンピュータを含んでよい。各サーバは、単一のサーバであってもよく、又は複数のコンピュータ若しくは複数のデータセンタに広がる分散型サーバであってもよい。これらのサーバは、例えば限定することなく、ウェブサーバ、ニュースサーバ、メールサーバ、メッセージサーバ、広告サーバ、ファイルサーバ、アプリケーションサーバ、エクスチェンジサーバ、データベースサーバ、プロキシサーバ、本明細書で説明される機能又は処理を実行するのに好適な別のサーバ、又はこれらの任意の組み合わせなどの、様々なタイプであってもよい。特定の実施形態において、各サーバは、ハードウェア、ソフトウェア、あるいは埋め込み型ロジックコンポーネント、又はサーバによって実装又はサポートされる適切な機能を実行する２つ若しくはそれより多くのそのようなコンポーネントの組み合わせを含んでよい。特定の実施形態において、輸送管理システム９６０は１つ又は複数のデータストアを含んでよい。データストアは、様々なタイプの情報を格納するのに用いられてよく、これらの情報には、乗車情報、乗車要求者情報、乗車プロバイダ情報、履歴情報、サードパーティ情報、又は任意の他の好適なタイプの情報などが含まれる。特定の実施形態において、データストアに格納される情報は、特定のデータ構造に従って整理されてよい。特定の実施形態において、各データストアは、関係型データベース、列指向データベース、相関データベース、又は任意の他の好適なタイプのデータベースシステムであってもよい。本開示では特定のタイプのデータベースを説明する又は示すが、本開示は任意の好適なタイプのデータベースを企図している。特定の実施形態では、ユーザデバイス９３０（これは、乗車要求者に属しても、プロバイダに属してもよい）、輸送管理システム９６０、車両システム９４０、又はサードパーティシステム９７０がデータストアに格納された情報を処理する、変換する、管理する、取得する、修正する、追加する、又は削除することを可能にするインタフェースを提供してよい。

特定の実施形態において、輸送管理システム９６０は、ユーザ９０１が、輸送管理システム９６０によりロギングされる、記録される、又は検知される、あるいは他のシステム（例えば、サードパーティシステム９７０）と共有される自分の情報及び行動の収集をオプトインする又はオプトアウトすることを可能にする認証サーバ（又は任意の他の好適なコンポーネント（１つ又は複数））を含んでよい。特定の実施形態において、ユーザ９０１は、適切なプライバシー設定を設定することにより、オプトインしても又はオプトアウトしてよい。ユーザのプライバシー設定によって、ユーザに関連付けられたどの情報がロギングされてよいのか、ユーザに関連付けられた情報をどのようにロギングしてよいのか、ユーザに関連付けられた情報がいつロギングされてよいのか、ユーザに関連付けられた情報を誰がロギングしてよいのか、ユーザに関連付けられた情報を誰と共有してよいのか、且つユーザに関連付けられた情報が何の目的でロギングされ又は共有されてよいのかが決定されてよい。認証サーバは、必要に応じて、ブロッキング、データのハッシュ化、匿名化、又は他の好適な技術によって、輸送管理システム９６０の、ユーザ９０１の１つ又は複数のプライバシー設定を強化するのに用いられてよい。

特定の実施形態において、サードパーティシステム９７０は、ＨＤマップ若しくはホストＧＰＳマップ、カスタマーレビュー、音楽若しくはコンテンツ、天気予報、又は任意の他の好適なタイプの情報を提供し得るネットワークアドレス可能型コンピューティングシステムであってよい。サードパーティシステム９７０は、例えば、マップデータ、カスタマーレビューウェブサイトからのカスタマーレビューデータ、気象データ、又は任意の他の好適なタイプのデータなどの関連データを、生成し、格納し、受信し、且つ送信してよい。サードパーティシステム９７０は、ネットワーク環境のその他のコンピューティングエンティティによって、直接的に又はネットワーク９１０を介してアクセスされてよい。例えば、ユーザデバイス９３０は、ネットワーク９１０を介して又は輸送管理システム９６０を介して、サードパーティシステム９７０にアクセスしてよい。後者の場合、サードパーティシステム９７０にアクセスするのに資格情報が必要であるならば、ユーザ９０１はそのような情報を輸送管理システム９６０に提供してよく、輸送管理システム９６０は、サードパーティシステム９７０のコンテンツにアクセスするプロキシとしての機能を果たしてよい。

特定の実施形態において、ユーザデバイス９３０は、スマートフォン、タブレットコンピュータ、ラップトップコンピュータなどのモバイルコンピューティングデバイスであってよい。ユーザデバイス９３０は、１つ又は複数のプロセッサ（例えば、ＣＰＵ、ＧＰＵ）メモリ、及びストレージを含み得る。オペレーティングシステム及びアプリケーションがユーザデバイス９３０にインストールされてよく、例えば、輸送管理システム９６０に関連する輸送アプリケーション、サードパーティシステム９７０に関連するアプリケーション、及びオペレーティングシステムに関連するアプリケーションなどである。ユーザデバイス９３０は、その位置、方向、又は向きを、ＧＰＳ、コンパス、ジャイロスコープ、又は加速度計などの統合センサに基づいて判定する機能を含んでよい。ユーザデバイス９３０はさらに、無線通信用の無線送受信機をさらに備え得、Ｂｌｕｅｔｏｏｔｈ、近距離無線通信（ＮＦＣ）、赤外線（ＩＲ）通信、ＷＩ−ＦＩ、及び２Ｇ／３Ｇ／４Ｇ／ＬＴＥモバイル通信規格などに対応し得る。ユーザデバイス９３０は、１つ又は複数のカメラ、スキャナ、タッチスクリーン、マイク、スピーカ、及び任意の他の好適な入力／出力デバイスも含んでよい。

特定の実施形態において、車両９４０は、センサアレイ９４４、ナビゲーションシステム９４６、及び乗車サービスコンピューティングデバイス９４８が搭載され得る。特定の実施形態において、車両隊９４０は、輸送管理システム９６０により管理され得る。車両隊９４０の全部又は一部は、輸送管理システム９６０に関連付けられたエンティティにより所有され得、又は輸送管理システム９６０に対するサードパーティエンティティにより所有され得る。いずれの場合でも、輸送管理システム９６０は、車両９４０の動作を制御し得る。その例として、乗車要求に応えるように、例えば選択車両９４０を派遣することと、車両９４０に選択動作（例えば、サービスセンタ又は充電／ガソリンスタンドに向かう、停止する、路肩に寄せる、自己診断、コンパートメント施錠／開錠、ラジオ局変更、温度変更、及びその他人の適切な動作）を実行するように命令することと、車両９４０を選択動作モード（例えば、通常動作、低速移動、人間オペレータのコマンド下で運転、及びその他任意の適切な動作モード）に遷移するように命令することが挙げられる。

特定の実施形態において、車両９４０は、輸送管理システム９６０及びサードパーティシステム９７０とデータを送受信し得る。例えば、受信されるデータの例として、命令、新ソフトウェア又はソフトウェアアップデート、マップ、３Ｄモデル、訓練済み又は未訓練機械学習モデル、位置情報（例えば、乗車要求者、車両９４０そのもの、別車両９４０、及びサービスセンタなどの目標地点の位置、走行情報、交通情報、天候情報、娯楽コンテンツ（例えば、音楽、動画、及びニュース）、乗車要求者情報、乗車情報、及びその他任意の適切な情報が挙げられ得る。例えば、車両９４０から送信されるデータの例として、テレメトリ及びセンサデータ、当該データに基づく判定／決定、車両条件又は状態（例えば、残充電／燃料量、タイヤ及びブレーキ条件、センサ条件、速度、オドメーターなど）、位置、走行データ、乗客入力（例えば、車両９４０におけるユーザインタフェースを介する、乗客は輸送管理システム９６０及びサードパーティシステム９７０に対してデータを送受信し得る）、及びその他任意の適切なデータが挙げられ得る。

特定の実施形態において、輸送管理システム９６０の管理下にあるもの、ないものを含む車両９４０は互いに通信してよい。例えば、１台の車両９４０が別の車両と、それぞれの位置、状態、状況、センサ測定値、及び任意の他の好適な情報に関するデータをやり取りしてよい。特定の実施形態において、車両間通信は、近距離無線接続（例えば、ＷＩ−ＦＩ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ）を介して、ネットワーク（例えば、インターネット、又は輸送管理システム９６０又はサードパーティシステム９７０を介して）を介して、又はその両方を介して実施され得る。

特定の実施形態において、車両９４０は、センサ／テレメトリデータを取得及び処理し得る。そのようなデータは、任意の好適なセンサにより取り込まれてよい。例えば、３６０°回転し、パルス状のレーザ光を照射して車両９４０を取り囲む物体からの反射光を測定するように構成された複数のライダー（ＬｉＤＡＲ：Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）送受信機からなるライダーセンサアレイを、車両９４０は有してよい。特定の実施形態において、信号を伝送するライダーは、ゲートライトバルブ（ｇａｔｅｄ ｌｉｇｈｔ ｖａｌｖｅ）を用いて操作されてよく、これは、光回折の原理を用いて光線を方向付けるＭＥＭｓデバイスであってよい。当該デバイスは、車両の周囲３６０度でレーザ光を操作するのに、ジンバルミラーを使用しなくてよい。その代わりに、ゲートライトバルブが、いくつかの光学繊維内に、光線を向け得る。光学繊維は、車両周辺の多くの個別位置に光線が向けられ得るように配置され得る。したがって、データを車両の３６０度周囲で取得し得るのに、回転部品が不要となり得る。ＬｉＤＡＲは、対称への距離を測定するのに効果的なセンサであるため、車両９４０の外部環境の三次元（３Ｄ）モデルを生成するのに使用され得る。限定ではなく例として、この３Ｄモデルは、他の自動車、縁石、ごみ、物体、及び歩行者などの対象物を含む外部環境を、センサ構成の最大範囲まで（例えば、５０、１００、又は２００メートルまで）表し得る。別の例として、車両９４０は異なる方向に向けられた光学カメラを有し得る。このカメラは、例えば、道路、レーンマーキング、道路標識、信号機、警察官、他の車両、及び任意の他の関心のある可視物体を認識するのに用いられてよい。車両９４０が夜でも「見る」ことができるように、赤外線カメラが取り付けられてよい。特定の実施形態において、例えば、歩行者又は道路に張り出している木の枝など危険要素を見つけるのに、車両はステレオビジョンを備えてよい。別の例として、車両９４０は例えば別車両及び遠くの危険要素を検出するためのレーダを有し得る。さらに、例えば、駐車又は障害物検出のために、車両９４０は超音波機器を有してよい。車両９４０はさらに、車両９４０がその周囲の外界を検知し、測定し、理解することを可能にするセンサに加えて、車両自体の状況及び状態を検出し且つ自己診断するセンサを備えてよい。例えば、車両９４０は、例えば速度を測定するためのホイールセンサ、例えば、車両の現在位置を判定するための全地球測位システム（ＧＰＳ）、及び移動又は動き検出用の慣性測定ユニット、加速度計、ジャイロスコープ、及びオドメーターシステムを有し得る。これらのセンサの説明では実用性のある特定の例を提供しているが、当業者であれば、こうしたセンサの実用性はこれらの例に限定されないことを理解するであろう。さらに、実用性の一例が特定のタイプのセンサに関して説明されているかもしれないが、その実用性は複数のセンサの任意の組み合わせを用いて実現されてもよいことを理解されたい。例えば、車両９４０は、ＬｉＤＡＲ、レーダ、ソナー、及びカメラからのデータと共に、輸送管理システム９６０又はサードパーティシステム９７０から取得した、事前生成マップに基づいて、その周囲の３Ｄモデルを構築し得る。センサ９４４は図９では車両９４０上の特定の位置に表れているが、センサ９４４は車両９４０内又は上の任意の適切な位置に配置され得る。センサの例示的な位置には、前部バンパー及び後部バンパー、ドア、フロントガラス、サイドパネル、又は任意の他の好適な位置が含まれる。

特定の実施形態において、車両９４０は、処理ユニット（例えば、１つ又は複数のＣＰＵ及びＧＰＵ）、メモリ、及びストレージが搭載され得る。こうして、車両９４０は、センサデータの処理、有益な情報の抽出、それに応じた処置を含む様々な計算処理タスクを実行する能力を備えてよい。例えば、車両９４０は、カメラによって取り込まれた画像及びマシンビジョンモデルに基づいて、歩行者、他の車両、レーン、縁石、任意の他の関心のある物体などの、画像で取り込まれた特定のタイプの物体を識別してよい。

特定の実施形態において、車両９４０は、車両９４０の安全走行を担うナビゲーションシステム９４６を有し得る。特定の実施形態において、ナビゲーションシステム９４６は、例えば、全地球測位システム（ＧＰＳ）モジュール、慣性測定ユニット（ＩＭＵ）、ライダーセンサ、光学カメラ、無線周波数（ＲＦ）送受信機、又は任意の他の好適なテレメトリ若しくはセンサ機構から、あらゆるタイプのセンサデータを入力として取得してよい。ナビゲーションシステム９４６は、例えば、マップデータ、交通データ、事故報告、天気予報、命令、目的地、及び任意の他の好適な情報を利用して、ナビゲーションルート及び特定の運転操作（例えば、減速、加速、停止、方向転換など）を決定してもよい。特定の実施形態において、ナビゲーションシステム９４６はその判定を利用して、車両９４０を所定のとおりに動作するように制御する、及びその他物体と衝突することなく車両９４０をその目的地にガイドし得る。ナビゲーションシステム９４６（例えば処理ユニット）の物理的実施形態は図９では車両９４０上の特定の位置に表れているが、ナビゲーションシステム９４６は車両９４０内又は上の任意の適切な位置に配置され得る。ナビゲーションシステム９４６の例示的な位置は、車両９４０の車室内、又は客室内、エンジン／バッテリ近傍、前部座席、後部座席、又はその他任意の適切な位置を含み得る。

特定の実施形態において、車両９４０は、乗車サービスコンピューティングデバイス９４８が搭載され得る。これは、輸送管理システム９６０により接地され、ユーザの車両９４０、輸送管理システム９６０、別ユーザ９０１、又はサードパーティシステム９７０との相互作用を可能とする、タブレット又はその他任意の適切なデバイスであり得る。特定の実施形態において、乗車サービスコンピューティングデバイス９４８の設置は、乗車サービスコンピューティングデバイス９４８を車両９４０内に配置し、及びそれを車両９４０と、有線又は無線接続（例えばＢｌｕｅｔｏｏｔｈを介して）通信するように構成することで実現され得る。図９では、車両９４０内の特定の位置にある単一の乗車サービスコンピューティングデバイス９４８が示されるが、車両９４０は、車両内のいくつかの異なる位置におけるいくつかの乗車サービスコンピューティングデバイス９４８を含み得る。限定ではなく例として、車両９４０は、以下の箇所に配置された４つの乗車サービスコンピューティングデバイス９４８を含み得る。即ち、左前部座席（例えば、米国車では通常、運転席となる）の前に１つ、右前部座席の前に１つ、そして左右後部座席前に１つずつである。特定の実施形態において、乗車サービスコンピューティングデバイス９４８は、車両９４０の任意のコンポーネントから脱着可能であり得る。これによって、ユーザは、乗車サービスコンピューティングデバイス９４８を他のタブレットコンピューティングデバイスと同じ方式で使用することが可能になり得る。限定ではなく例として、ユーザは、乗車サービスコンピューティングデバイス９４８を車両９４０の車室又は客室内の任意の位置から動かし得、乗車サービスコンピューティングデバイス９４８を持ち得、又はその他任意の方法で乗車サービスコンピューティングデバイス９４８を扱い得る。本開示は、特定のコンピューティングデバイスを特定の方式で提供することを説明しているが、本開示は、任意の好適なコンピューティングデバイスを任意の好適な方式で提供することを企図している。

図１０は、コンピュータシステム１０００の一例を示す。特定の実施形態において、１つ又は複数のコンピュータシステム１０００が、本明細書で説明された又は示された１つ又は複数の方法の１つ又は複数の段階を実行する。特定の実施形態において、１つ又は複数のコンピュータシステム１０００が、本明細書で説明された又は示された機能を提供する。特定の実施形態において、１つ又は複数のコンピュータシステム１０００で実行されるソフトウェアが、本明細書で説明された又は示された１つ又は複数の方法の１つ又は複数の段階を実行する、又は本明細書で説明された又は示された機能を提供する。特定の実施形態が、１つ又は複数のコンピュータシステム１０００の１つ又は複数の部分を含む。本明細書では、コンピュータシステムへの言及が、必要に応じて、コンピューティングデバイスを包含してよく、その逆もまた同様であってよい。さらに、コンピュータシステムへの言及が、必要に応じて、１つ又は複数のコンピュータシステムを包含してよい。

本開示は、任意の好適な数のコンピュータシステム１０００を企図している。本開示は、任意の好適な物理的形態をとるコンピュータシステム１０００を企図している。限定ではなく例として、コンピュータシステム１０００は、埋め込みコンピュータシステム、システムオンチップ（ＳｏＣ）、シングルボードコンピュータシステム（ＳＢＣ）（例えば、コンピュータオンモジュール（ＣＯＭ）又はシステムオンモジュール（ＳＯＭ）など）、デスクトップコンピュータシステム、ラップトップ若しくはノートブックコンピュータシステム、キオスク端末、メインフレーム、メッシュ状のコンピュータシステム、携帯電話、携帯情報端末（ＰＤＡ）、サーバ、タブレットコンピュータシステム、拡張／仮想現実デバイス、又はこれらのうちの２つ若しくはそれより多くの組み合わせであってよい。必要に応じて、コンピュータシステム１０００は、１つ又は複数のコンピュータシステム１０００を含んでよく、単一であっても分散型であってもよく、複数の位置に広がっていてもよく、複数のマシンに広がっていてもよく、複数のデータセンタに広がっていてもよく、クラウドに属していてもよく、クラウドは１つ又は複数のネットワークにおいて１つ又は複数のクラウドコンポーネントを含んでよい。必要に応じて、１つ又は複数のコンピュータシステム１０００は、本明細書で説明された又は示された１つ又は複数の方法の１つ又は複数の段階を、実質的な空間的又は時間的制約を受けずに実行してよい。限定ではなく例として、１つ又は複数のコンピュータシステム１０００は、リアルタイムで又はバッチモードで、本明細書で説明された又は示された１つ又は複数の方法の１つ又は複数の段階を実行してよい。１つ又は複数のコンピュータシステム１０００は、必要に応じて、異なる時間又は異なる位置で、本明細書で説明された又は示された１つ又は複数の方法の１つ又は複数の段階を実行してよい。

特定の実施形態において、コンピュータシステム１０００は、プロセッサ１００２と、メモリ１００４と、記憶装置１００６と、入力／出力（Ｉ／Ｏ）インタフェース１００８と、通信インタフェース１０１０と、バス１０１２とを含む。本開示は、特定の数の特定のコンポーネントを特定の構成で有する特定のコンピュータシステムを説明し且つ示しているが、本開示は、任意の好適な数の任意の好適なコンポーネントを任意の好適な構成で有する任意の好適なコンピュータシステムを企図している。

特定の実施形態において、プロセッサ１００２は、コンピュータプログラムを構成する命令などを実行するためのハードウェアを含む。限定ではなく例として、これらの命令を実行するために、プロセッサ１００２は、内部レジスタ、内部キャッシュ、メモリ１００４、又は記憶装置１００６から命令を取得（又はフェッチ）し、その命令を復号して実行し、その後、１つ又は複数の結果を内部レジスタ、内部キャッシュ、メモリ１００４、又は記憶装置１００６に書き込んでよい。特定の実施形態において、プロセッサ１００２は、データ、命令、又はアドレス用の１つ又は複数の内部キャッシュを含んでよい。本開示は、任意の好適な数の任意の好適な内部キャッシュを含むプロセッサ１００２を必要に応じて企図している。限定ではなく例として、プロセッサ１００２は、１つ又は複数の命令キャッシュ、１つ又は複数のデータキャッシュ、及び１つ又は複数の変換ルックアサイドバッファ（ＴＬＢ）を含んでよい。命令キャッシュにある命令は、メモリ１００４又は記憶装置１００６にある命令のコピーでよく、命令キャッシュは、プロセッサ１００２によるこれらの命令の取得を加速してよい。データキャッシュにあるデータは、コンピュータ命令で処理される、メモリ１００４又は記憶装置１００６にあるデータのコピーであっても、プロセッサ１００２で実行された前の命令の結果であって、次の命令にとってアクセス可能、又はメモリ１００４若しくは記憶装置１００６に書き込むためにアクセス可能である前の命令の結果であっても、任意の他の好適なデータであってもよい。データキャッシュは、プロセッサ１００２による読み出し動作又は書き込み動作を加速してよい。ＴＬＢは、プロセッサ１００２の仮想アドレス変換を加速してよい。特定の実施形態において、プロセッサ１００２は、データ、命令、又はアドレス用の１つ又は複数の内部レジスタを含んでよい。本開示は、必要に応じて、任意の好適な数の任意の好適な内部レジスタを含むプロセッサ１００２を企図している。必要に応じて、プロセッサ１００２は、１つ又は複数の算術論理演算器（ＡＬＵ）を含んでも、マルチコアプロセッサであっても、１つ又は複数のプロセッサ１００２を含んでもよい。本開示は、特定のプロセッサを説明し且つ示しているが、本開示は任意の好適なプロセッサを企図している。

特定の実施形態において、メモリ１００４は、プロセッサ１００２が実行するための命令又はプロセッサ１００２が処理するためのデータを格納するメインメモリを含む。限定ではなく例として、コンピュータシステム１０００は、命令を記憶装置１００６又は別のソース（別のコンピュータシステム１０００など）からメモリ１００４にロードしてよい。プロセッサ１００２は次いで、命令をメモリ１００４から内部レジスタ又は内部キャッシュにロードしてよい。命令を実行するために、プロセッサ１００２は、命令を内部レジスタ又は内部キャッシュから取得して、その命令を復号してよい。命令の実行時又は実行後に、プロセッサ１００２は、１つ又は複数の結果（これは中間結果であっても最終結果であってもよい）を内部レジスタ又は内部キャッシュに書き込んでよい。プロセッサ１００２は次いで、これらの結果のうちの１つ又は複数をメモリ１００４に書き込んでよい。特定の実施形態において、プロセッサ１００２は、（記憶装置１００６又はどこかほかではなく）１つ又は複数の内部レジスタ若しくは内部キャッシュ又はメモリ１００４にある命令だけを実行し、（記憶装置１００６又はどこかほかではなく）１つ又は複数の内部レジスタ若しくは内部キャッシュ又はメモリ１００４にあるデータだけを処理する。１つ又は複数のメモリバス（これはそれぞれ、アドレスバス及びデータバスを含んでよい）が、プロセッサ１００２をメモリ１００４に結合してよい。バス１０１２は、さらに詳細に以下で説明されるように、１つ又は複数のメモリバスを含んでよい。特定の実施形態において、１つ又は複数のメモリ管理ユニット（ＭＭＵ）が、プロセッサ１００２とメモリ１００４との間に存在し、プロセッサ１００２が要求するメモリ１００４へのアクセスを容易にする。特定の実施形態において、メモリ１００４は、ランダムアクセスメモリ（ＲＡＭ）を含む。このＲＡＭは、必要に応じて、揮発性メモリであってよい。必要に応じて、このＲＡＭは、ダイナミックＲＡＭ（ＤＲＡＭ）であっても、スタティックＲＡＭ（ＳＲＡＭ）であってもよい。さらに、必要に応じて、このＲＡＭは、シングルポートＲＡＭであっても、マルチポートＲＡＭであってもよい。本開示は、任意の好適なＲＡＭを企図している。メモリ１００４は、必要に応じて、１つ又は複数のメモリ１００４を含んでよい。本開示は特定のメモリを説明し且つ示しているが、本開示は任意の好適なメモリを企図している。

特定の実施形態において、記憶装置１００６は、データ又は命令用の大容量記憶装置を含む。限定ではなく例として、記憶装置１００６は、ハードディスクドライブ（ＨＤＤ）、フロッピーディスクドライブ、フラッシュメモリ、光ディスク、光磁気ディスク、磁気テープ、若しくはユニバーサルシリアルバス（ＵＳＢ）ドライブ、又はこれらのうちの２つ若しくはそれより多くの組み合わせを含んでよい。記憶装置１００６は、必要に応じて、取り外しできる又は取り外しできない（又は固定式の）媒体を含んでよい。記憶装置１００６は、必要に応じて、コンピュータシステム１０００の内部にあっても、外部にあってもよい。特定の実施形態において、記憶装置１００６は、不揮発性のソリッドステートメモリである。特定の実施形態において、記憶装置１００６はリードオンリメモリ（ＲＯＭ）を含む。必要に応じて、このＲＯＭは、マスクプログラム型ＲＯＭ、プログラム可能型ＲＯＭ（ＰＲＯＭ）、消去可能型ＰＲＯＭ（ＥＰＲＯＭ）、電気的消去可能型ＰＲＯＭ（ＥＥＰＲＯＭ）、電気的消去再書き込み可能型ＲＯＭ（ＥＡＲＯＭ）、若しくはフラッシュメモリ、又はこれらのうちの２つ若しくはそれより多くの組み合わせであってもよい。本開示は、任意の好適な物理的形態をとる大容量記憶装置１００６を企図している。記憶装置１００６は、必要に応じて、プロセッサ１００２と記憶装置１００６との間のやり取りを容易にする１つ又は複数のストレージ制御部を含んでよい。必要に応じて、記憶装置１００６は１つ又は複数の記憶装置１００６を含んでよい。本開示は特定の記憶装置を説明し且つ示しているが、本開示は任意の好適な記憶装置を企図している。

特定の実施形態において、１つ又は複数のＩ／Ｏインタフェース１００８は、コンピュータシステム１０００と、１つ又は複数のＩ／Ｏデバイスとの間の通信用のインタフェースを提供するハードウェア、ソフトウェア、又はその両方を含み得る。コンピュータシステム１０００は、必要に応じて、これらのＩ／Ｏデバイスのうちの１つ又は複数を含んでよい。これらのＩ／Ｏデバイスのうちの１つ又は複数は、人とコンピュータシステム１０００との間のやり取りを可能にし得る。限定ではなく例として、Ｉ／Ｏデバイスは、キーボード、キーパッド、マイク、モニタ、マウス、プリンタ、スキャナ、スピーカ、スチルカメラ、スタイラス、タブレット、タッチスクリーン、トラックボール、ビデオカメラ、別の好適なＩ／Ｏデバイス、又はこれらのうちの２つ若しくはそれより多くの組み合わせを含んでよい。Ｉ／Ｏデバイスは、１つ又は複数のセンサを含んでよい。本開示は、任意の好適なＩ／Ｏデバイスと、これらのＩ／Ｏデバイス用の任意の好適なＩ／Ｏインタフェース１００８とを企図している。必要に応じて、Ｉ／Ｏインタフェース１００８は、これらのＩ／Ｏデバイスのうちの１つ又は複数をプロセッサ１００２が駆動することを可能にする１つ又は複数のデバイスドライバ又はソフトウェアドライバを含んでよい。Ｉ／Ｏインタフェース１００８は、必要に応じて、１つ又は複数のＩ／Ｏインタフェース１００８を含んでよい。本開示は特定のＩ／Ｏインタフェースを説明し且つ示しているが、本開示は任意の好適なＩ／Ｏインタフェースを企図している。

特定の実施形態において、通信インタフェース１０１０は、コンピュータシステム１０００と、１つ又は複数の別コンピュータシステム１０００又は１つ又は複数のネットワークとの間の通信（例えば、パケット型通信など）用の１つ又は複数のインタフェースを提供するハードウェア、ソフトウェア、又はその両方を含み得る。限定ではなく例として、通信インタフェース１０１０は、イーサネット（登録商標）若しくは任意の他の有線ベースのネットワークと通信するためのネットワークインタフェースコントローラ（ＮＩＣ）若しくはネットワークアダプタ、又は無線ＮＩＣ（ＷＮＩＣ）若しくは無線ネットワーク（Ｗｉ−Ｆｉネットワークなど）と通信するための無線アダプタを含んでよい。本開示は、任意の好適なネットワークと、そのネットワーク用の任意の好適な通信インタフェース１０１０とを企図している。限定ではなく例として、コンピュータシステム１０００は、アドホックネットワーク、パーソナルエリアネットワーク（ＰＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、若しくはインターネットの１つ又は複数の部分、又はこれらのうちの２つ若しくはそれより多くの組み合わせと通信してよい。これらのネットワークのうちの１つ又は複数の１つ又は複数の部分は、有線であっても、無線であってもよい。一例として、コンピュータシステム１０００は、無線ＰＡＮ（ＷＰＡＮ）（例えば、Ｂｌｕｅｔｏｏｔｈ ＷＰＡＮなど）、Ｗｉ−Ｆｉネットワーク、ＷｉＭＡＸネットワーク、携帯電話ネットワーク（例えば、移動体通信用グローバルシステム（ＧＳＭ（登録商標））ネットワークなど）、若しくは任意の他の好適な無線ネットワーク、又はこれらのうちの２つ若しくはそれより多くの組み合わせと通信してよい。コンピュータシステム１０００は、必要に応じて、これらのネットワークのうちのいずれかに用いる任意の好適な通信インタフェース１０１０を含んでよい。通信インタフェース１０１０は、必要に応じて、１つ又は複数の通信インタフェース１０１０を含んでよい。本開示は特定の通信インタフェースを説明し且つ示しているが、本開示は任意の好適な通信インタフェースを企図している。

特定の実施形態において、バス１０１２は、コンピュータシステム１０００とのコンポーネント同士を結合するハードウェア、ソフトウェア、又はその両方を含み得る。限定ではなく例として、バス１０１２は、アクセラレーテッドグラフィックスポート（ＡＧＰ）又は任意の他のグラフィックスバス、拡張業界標準アーキテクチャ（ＥＩＳＡ）バス、フロントサイドバス（ＦＳＢ）、ＨｙｐｅｒＴｒａｎｓｐｏｒｔ（ＨＴ）相互接続、業界標準アーキテクチャ（ＩＳＡ）バス、ＩｎｆｉｎｉＢａｎｄ相互接続、ローピンカウント（ＬＰＣ）バス、メモリバス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、ペリフェラルコンポーネントインターコネクト（ＰＣＩ）バス、ＰＣＩ−Ｅｘｐｒｅｓｓ（ＰＣＩｅ）バス、シリアルアドバンスドテクノロジーアタッチメント（ＳＡＴＡ）バス、ビデオエレクトロニクススタンダーズアソシエーションローカル（ＶＬＢ）バス、若しくは別の好適なバス、又はこれらのうちの２つ若しくはそれより多くの組み合わせを含んでよい。バス１０１２は、必要に応じて、１つ又は複数のバス１０１２を含んでよい。本開示は特定のバスを説明し且つ示しているが、本開示は任意の好適なバス又は相互接続を企図している。

本明細書では、コンピュータ可読非一時的記憶媒体又はその複数の媒体が、１つ又は複数の半導体ベースの又は他のタイプの集積回路（ＩＣ）（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）又は特定用途向けＩＣ（ＡＳＩＣ）など）、ハードディスクドライブ（ＨＤＤ）、ハイブリッドハードドライブ（ＨＨＤ）、光ディスク、光ディスクドライブ（ＯＤＤ）、光磁気ディスク、光磁気ドライブ、フロッピーディスケット、フロッピーディスクドライブ（ＦＤＤ）、磁気テープ、ソリッドステートドライブ（ＳＳＤ）、ＲＡＭドライブ、セキュアデジタルカード又はドライブ、任意の他の好適なコンピュータ可読非一時的記憶媒体、又はこれらのうちの２つ若しくはそれより多くの任意の好適な組み合わせを、必要に応じて含んでよい。コンピュータ可読非一時的記憶媒体は、必要に応じて、揮発性であっても、不揮発性であっても、揮発性と不揮発性との組み合わせであってもよい。

本明細書において、「又は（ｏｒ）」は、別途明確に示されるか又は別途文脈により示される場合を除いて、包括的であって排他的ではない。したがって、本明細書において、「Ａ又はＢ」とは、別途明確に示されるか又は別途文脈により示される場合を除いて、「Ａ若しくはＢ又はその両方」を意味する。さらに、「及び（ａｎｄ）」とは、別途明確に示されるか又は別途文脈により示される場合を除いて、組み合わせとそれぞれとの両方を意味する。したがって、本明細書において、「Ａ及びＢ」とは、別途明確に示されるか又は別途文脈により示される場合を除いて、「Ａ及びＢを一緒に又は別々に」を意味する。

本明細書で説明された複数の方法は、本開示に従って様々であってよい。本開示の様々な実施形態が、必要に応じて、本明細書で説明された方法の１つ又は複数の段階を繰り返してよい。本開示は特定の方法の特定の段階を特定の順序で行われるものとして説明し且つ示しているが、本開示は、任意の好適な順序で行われる、又はこれらの方法の段階の全てを含んでも、一部を含んでも、何も含まなくてもよい任意の組み合わせで行われる方法の任意の好適な段階を企図している。さらに、本開示は、ある方法の特定の段階を実行する特定のコンポーネント、デバイス、又はシステムを説明し且つ示しているかもしれないが、本開示は、その方法の任意の好適な段階を実行する任意の好適なコンポーネント、デバイス、又はシステムの任意の好適な組み合わせを企図している。

本開示の範囲は、本明細書で説明された又は示された、当業者であれば理解できる、例示的な実施形態に対する全ての変更、置換、変形、改変、及び修正を包含している。本開示の範囲は、本明細書で説明された又は示された例示的な実施形態に限定されない。さらに、本開示は本明細書においてそれぞれの実施形態を特定のコンポーネント、モジュール、要素、特徴、機能、オペレーション、又は段階を含むものとして説明し且つ示しているが、これらの実施形態のうちのいずれかは、本明細書のどこにでも説明されている又は示されている、当業者であれば理解できる、これらのコンポーネント、モジュール、要素、特徴、機能、オペレーション、又は段階のうちのいずれかの任意の組み合わせ又は並べ替えを含んでよい。さらに、添付の特許請求の範囲における、特定の機能を実行するように適応している、実行するように計画されている、実行できる、実行するように構成されている、実行するのが可能である、実行するように動作可能であり、又は実行するように作用する、装置又はシステム又は装置若しくはシステムのコンポーネントへの言及によって、その装置、システム、又はコンポーネントが、そのように適応され、そのように計画され、そのようにでき、そのように構成され、そのようにするのが可能であり、そのように動作可能であり、又はそのように作用する限り、その装置、システム、若しくはコンポーネント又はその特定の機能が有効になっているか、オンになっているか、又はロック解除されているかに関係なく、この装置、システム、コンポーネントを包含する。さらに、本開示は特定の利点を提供するものとして特定の実施形態を説明し又は示しているが、特定の実施形態は、これらの利点を何も提供しなくても、これらの利点の一部を提供しても、その全てを提供してもよい。

Claims (20)

1. コンピューティングシステムにより、道路セグメントを判定する段階と、
   前記コンピューティングシステムにより、車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて、前記道路セグメントに関連付けられた特徴組を判定する段階と、
   前記コンピューティングシステムにより、前記道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルを、前記特徴組を前記道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで、判定する段階と、
   前記コンピューティングシステムにより、前記類似性のレベルに基づいて、前記道路セグメントを道路セグメントタイプとして分類する段階と、
   前記コンピューティングシステムにより、前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定する段階と
   を備えるコンピュータ実装方法。
2. 前記道路セグメントに関連付けられた前記シナリオ情報を判定する段階は、
   前記コンピューティングシステムにより、前記１つ又は複数のセンサにより取得された前記データに少なくとも部分的に基づいて、前記道路セグメントに対応する特徴組を受信する段階と、
   前記コンピューティングシステムにより、前記特徴組に関連付けられた少なくとも１つのシナリオを判定する段階と、
   前記コンピューティングシステムにより、前記道路セグメントと前記道路セグメントタイプとに関連付けられた前記少なくとも１つのシナリオをシナリオ情報データベース内にロギングする段階と、
   前記コンピューティングシステムにより、前記シナリオ情報データベース内の前記道路セグメントタイプに関連付けられた前記シナリオ情報を判定する段階と
   を有する、請求項１に記載のコンピュータ実装方法。
3. 前記道路セグメントに対応する前記特徴組は、少なくとも１つの物体、少なくとも１つの道路特徴、及び少なくとも１つのコンテキスト特徴のうちの１つ又は複数を識別する、請求項２に記載のコンピュータ実装方法。
4. 前記道路セグメントと、前記道路セグメントタイプ組のそれぞれとの間の前記類似性のレベルを判定する段階は、
   前記コンピューティングシステムにより、前記道路セグメントに関連付けられた前記特徴組における少なくとも閾値数の特徴と、道路セグメントタイプに関連付けられた特徴組における特徴とが一致するか判定する段階を有する、請求項１から３のいずれか一項に記載のコンピュータ実装方法。
5. 前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定する段階は、
   前記コンピューティングシステムにより、前記道路セグメントタイプに関連付けられたリスクプロフィールを判定する段階であって、前記リスクプロフィールは、前記道路セグメントタイプについてのシナリオ及び対応するシナリオ発生率に基づく、判定する段階
   を有する、
   請求項１から４のいずれか一項に記載のコンピュータ実装方法。
6. 前記コンピューティングシステムにより、前記道路セグメントタイプに関連付けられた前記リスクプロフィールを、前記道路セグメントに関連付ける段階
   をさらに備える、請求項５に記載のコンピュータ実装方法。
7. 前記コンピューティングシステムにより、前記道路セグメントと、前記リスクプロフィールとの間の前記関連付けを表す情報をシナリオ情報データベース内に格納する段階
   をさらに備える、請求項６に記載のコンピュータ実装方法。
8. 前記コンピューティングシステムにより、自律走行車両の動作を修正する命令を、前記道路セグメントと関連付ける段階
   をさらに備える、請求項１から７のいずれか一項に記載のコンピュータ実装方法。
9. 前記コンピューティングシステムにより、前記道路セグメントを前記道路セグメントタイプとして分類することに部分的に基づいて、車両隊に対する合計リスクの値を生成する段階
   をさらに含む、請求項１から８のいずれか一項に記載のコンピュータ実装方法。
10. 前記コンピューティングシステムにより、第１地理的位置についての合計シナリオ発生を判定する段階と、
    前記コンピューティングシステムにより、前記第１地理的位置と、第２地理的位置との間の閾値レベルの類似性を、前記第１地理的位置及び前記第２地理的位置のそれぞれの道路セグメントの比較に基づいて判定する段階と、
    前記コンピューティングシステムにより、前記合計シナリオ発生を、前記第２地理的位置と関連付ける段階と
    をさらに備える、請求項１から９のいずれか一項に記載のコンピュータ実装方法。
11. 少なくとも１つのプロセッサと、
    命令を格納するメモリと
    を備えるシステムであって、
    前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記システムに、
    道路セグメントを判定することと、
    車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて、前記道路セグメントに関連付けられた特徴組を判定することと、
    前記道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルを、前記特徴組を前記道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで、判定することと、
    前記類似性のレベルに基づいて、前記道路セグメントを道路セグメントタイプとして分類することと、
    前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定することと
    を実行させる、
    システム。
12. 前記道路セグメントに関連付けられた前記シナリオ情報を判定することは、前記システムに、
    前記１つ又は複数のセンサにより取得された前記データに少なくとも部分的に基づいて、前記道路セグメントに対応する特徴組を受信することと、
    前記特徴組に関連付けられた少なくとも１つのシナリオを判定することと、
    前記道路セグメントと前記道路セグメントタイプとに関連付けられた前記少なくとも１つのシナリオをシナリオ情報データベース内にロギングすることと、
    前記シナリオ情報データベース内の前記道路セグメントタイプに関連付けられた前記少なくとも１つのシナリオを判定することと
    を実行させる、
    請求項１１に記載のシステム。
13. 前記道路セグメントに対応する前記特徴組は、少なくとも１つの物体、少なくとも１つの道路特徴、及び少なくとも１つのコンテキスト特徴のうちの１つ又は複数を識別する、請求項１２に記載のシステム。
14. 前記道路セグメントと、前記道路セグメントタイプ組のそれぞれとの間の前記類似性のレベルを判定することは、前記システムに、
    前記道路セグメントに関連付けられた前記特徴組における少なくとも閾値数の特徴と、道路セグメントタイプに関連付けられた特徴組における特徴とが一致するか判定することを実行させる、請求項１１から１３のいずれか一項に記載のシステム。
15. 分類された前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定することは、前記システムに、
    前記分類された道路セグメントタイプに関連付けられたリスクプロフィールを判定することであって、前記リスクプロフィールは、前記分類された道路セグメントタイプについてのシナリオ及び対応するシナリオ発生率に基づく、判定することを実行させる、
    請求項１１から１４のいずれか一項に記載のシステム。
16. コンピューティングシステムに、
    道路セグメントを判定する段階と、
    車両の１つ又は複数のセンサにより取得されたデータに少なくとも部分的に基づいて、前記道路セグメントに関連付けられた特徴組を判定する段階と、
    前記道路セグメントと、道路セグメントタイプ組のそれぞれとの間の類似性のレベルを、前記特徴組を前記道路セグメントタイプ組のそれぞれに関連付けられた特徴と比較することで、判定する段階と、
    前記類似性のレベルに基づいて、前記道路セグメントを道路セグメントタイプとして分類する段階と、
    前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定する段階と
    を備える方法を実行させるプログラム。
17. 前記道路セグメントに関連付けられた前記シナリオ情報を判定する段階は、前記コンピューティングシステムに、
    前記１つ又は複数のセンサにより取得された前記データに少なくとも部分的に基づいて、前記道路セグメントに対応する特徴組を受信する手順と、
    前記特徴組に関連付けられた少なくとも１つのシナリオを判定する手順と、
    前記道路セグメントと前記道路セグメントタイプとに関連付けられた前記少なくとも１つのシナリオをシナリオ情報データベース内にロギングする手順と、
    前記シナリオ情報データベース内の前記道路セグメントタイプに関連付けられた前記少なくとも１つのシナリオを判定する手順と
    を実行させる、請求項１６に記載のプログラム。
18. 前記道路セグメントに対応する前記特徴組は、少なくとも１つの物体、少なくとも１つの道路特徴、及び少なくとも１つのコンテキスト特徴のうちの１つ又は複数を識別する、請求項１７に記載のプログラム。
19. 前記道路セグメントと、前記道路セグメントタイプ組のそれぞれとの間の前記類似性のレベルを判定する段階は、前記コンピューティングシステムに、
    前記道路セグメントに関連付けられた前記特徴組における少なくとも閾値数の特徴と、道路セグメントタイプに関連付けられた特徴組における特徴とが一致するか判定する段階を実行させる、請求項１６から１８のいずれか一項に記載のプログラム。
20. 分類された前記道路セグメントタイプに基づいて、前記道路セグメントに関連付けられたシナリオ情報を判定する段階は、前記コンピューティングシステムに、
    前記分類された道路セグメントタイプに関連付けられたリスクプロフィールを判定する手順であって、前記リスクプロフィールは、前記分類された道路セグメントタイプについてのシナリオ及び対応するシナリオ発生率に基づく、判定する手順を実行させる、
    請求項１６から１９のいずれか一項に記載のプログラム。

Images