JP2021534501A - 道路セグメント類似性判定 - Google Patents
道路セグメント類似性判定 Download PDFInfo
- Publication number
- JP2021534501A JP2021534501A JP2021507954A JP2021507954A JP2021534501A JP 2021534501 A JP2021534501 A JP 2021534501A JP 2021507954 A JP2021507954 A JP 2021507954A JP 2021507954 A JP2021507954 A JP 2021507954A JP 2021534501 A JP2021534501 A JP 2021534501A
- Authority
- JP
- Japan
- Prior art keywords
- road segment
- scenario
- road
- vehicle
- determining
- 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 71
- 230000015654 memory Effects 0.000 claims description 34
- 208000031968 Cadaver Diseases 0.000 claims description 22
- 238000007726 management method Methods 0.000 description 50
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000005516 engineering process Methods 0.000 description 39
- 238000004891 communication Methods 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000000844 transformation Methods 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010038743 Restlessness Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- 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
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W30/14—Adaptive cruise control
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2300/00—Purposes or special features of road vehicle drive control systems
- B60Y2300/14—Cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/30—Sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
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。
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)
- 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。
- 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。 - 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。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/104,842 US10479356B1 (en) | 2018-08-17 | 2018-08-17 | Road segment similarity determination |
US16/104,842 | 2018-08-17 | ||
PCT/US2019/045780 WO2020036808A1 (en) | 2018-08-17 | 2019-08-08 | Road segment similarity determination |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021534501A true JP2021534501A (ja) | 2021-12-09 |
Family
ID=68536075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021507954A Pending JP2021534501A (ja) | 2018-08-17 | 2019-08-08 | 道路セグメント類似性判定 |
Country Status (10)
Country | Link |
---|---|
US (3) | US10479356B1 (ja) |
EP (1) | EP3823875A1 (ja) |
JP (1) | JP2021534501A (ja) |
KR (1) | KR20210070273A (ja) |
AU (1) | AU2019321518A1 (ja) |
CA (1) | CA3109916A1 (ja) |
IL (1) | IL280907A (ja) |
MX (1) | MX2021001872A (ja) |
SG (1) | SG11202101534UA (ja) |
WO (1) | WO2020036808A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7494241B2 (ja) | 2022-03-30 | 2024-06-03 | MONET Technologies株式会社 | データ生成システム、および監視訓練システム |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6816684B2 (ja) * | 2017-09-20 | 2021-01-20 | 株式会社デンソー | 携帯端末、遠隔操作方法 |
US11359926B2 (en) * | 2018-09-27 | 2022-06-14 | Intel Corporation | Technologies for autonomous driving quality of service determination and communication |
US11953333B2 (en) * | 2019-03-06 | 2024-04-09 | Lyft, Inc. | Systems and methods for autonomous vehicle performance evaluation |
TWI744742B (zh) * | 2019-12-17 | 2021-11-01 | 神達數位股份有限公司 | 潛在危險道路鑑別及資訊共享的方法、雲端伺服器、電腦可讀取的記錄媒體及特殊應用積體電路晶片 |
CN113159357B (zh) * | 2020-01-07 | 2023-11-24 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
KR20210127267A (ko) * | 2020-04-13 | 2021-10-22 | 현대자동차주식회사 | 차량 및 그 제어방법 |
US20210406262A1 (en) * | 2020-06-30 | 2021-12-30 | Lyft, Inc. | Systems and methods for encoding and searching scenario information |
CN114120018B (zh) * | 2020-08-25 | 2023-07-11 | 四川大学 | 一种基于人群聚类轨迹熵的空间活力量化方法 |
US20220065639A1 (en) * | 2020-09-03 | 2022-03-03 | Inrix, Inc. | Road segment ranking |
US11858514B2 (en) | 2021-03-30 | 2024-01-02 | Zoox, Inc. | Top-down scene discrimination |
US11810225B2 (en) * | 2021-03-30 | 2023-11-07 | Zoox, Inc. | Top-down scene generation |
US20230236036A1 (en) * | 2022-01-22 | 2023-07-27 | GM Global Technology Operations LLC | Road network mapping using vehicle telemetry data |
US20230294728A1 (en) * | 2022-03-18 | 2023-09-21 | Gm Cruise Holdings Llc | Road segment spatial embedding |
US20220227374A1 (en) * | 2022-04-06 | 2022-07-21 | Baidu Usa Llc | Data processing |
FR3135945A1 (fr) * | 2022-05-25 | 2023-12-01 | Renault S.A.S. | Procédé de détection d’un type de route parcourue par un véhicule équipé |
Family Cites Families (110)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8630795B2 (en) | 1999-03-11 | 2014-01-14 | American Vehicular Sciences Llc | Vehicle speed control method and arrangement |
US7302634B2 (en) | 2001-03-14 | 2007-11-27 | Microsoft Corporation | Schema-based services for identity-based data access |
US7024662B2 (en) | 2001-03-14 | 2006-04-04 | Microsoft Corporation | Executing dynamically assigned functions while providing services |
US20030131142A1 (en) | 2001-03-14 | 2003-07-10 | Horvitz Eric J. | Schema-based information preference settings |
US7539747B2 (en) | 2001-03-14 | 2009-05-26 | Microsoft Corporation | Schema-based context service |
KR20040020933A (ko) | 2001-06-22 | 2004-03-09 | 노사 오모이구이 | 지식 검색, 관리, 전달 및 프리젠테이션을 위한 시스템 및방법 |
US6946715B2 (en) | 2003-02-19 | 2005-09-20 | Micron Technology, Inc. | CMOS image sensor and method of fabrication |
US7596523B2 (en) | 2002-09-09 | 2009-09-29 | Barra, Inc. | Method and apparatus for network-based portfolio management and risk-analysis |
US7428546B2 (en) | 2003-08-21 | 2008-09-23 | Microsoft Corporation | Systems and methods for data modeling in an item-based storage platform |
US8131739B2 (en) | 2003-08-21 | 2012-03-06 | Microsoft Corporation | Systems and methods for interfacing application programs with an item-based storage platform |
JP2005178627A (ja) | 2003-12-19 | 2005-07-07 | Toyota Motor Corp | 車両の統合制御システム |
US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
US7680749B1 (en) | 2006-11-02 | 2010-03-16 | Google Inc. | Generating attribute models for use in adaptive navigation systems |
US10096038B2 (en) | 2007-05-10 | 2018-10-09 | Allstate Insurance Company | Road segment safety rating system |
US8326873B2 (en) | 2008-01-09 | 2012-12-04 | Credit Suisse Securities (Usa) Llc | Enterprise architecture system and method |
US8484174B2 (en) | 2008-03-20 | 2013-07-09 | Microsoft Corporation | Computing environment representation |
US8099213B2 (en) * | 2008-07-18 | 2012-01-17 | GM Global Technology Operations LLC | Road-edge detection |
JP5473304B2 (ja) | 2008-12-02 | 2014-04-16 | 三菱電機株式会社 | 遠隔地画像表示装置、遠隔操縦装置、車両制御装置、遠隔操縦システム、遠隔操縦方法、遠隔操縦プログラム、車両制御プログラム、遠隔地画像表示方法、遠隔地画像表示プログラム |
US20140032581A1 (en) | 2009-10-05 | 2014-01-30 | Jeff Young | Method and system to transparently navigate relational data models |
WO2011055823A1 (ja) | 2009-11-09 | 2011-05-12 | 株式会社小松製作所 | 車両の走行制御装置および方法 |
JP5110405B2 (ja) | 2010-04-07 | 2012-12-26 | 村田機械株式会社 | 走行台車システム |
US11256931B2 (en) | 2010-04-19 | 2022-02-22 | SMR Patent S.à.r.l | Rearview device simulation |
US20120078595A1 (en) | 2010-09-24 | 2012-03-29 | Nokia Corporation | Method and apparatus for ontology matching |
US9773028B2 (en) | 2010-09-29 | 2017-09-26 | International Business Machines Corporation | Manipulating non-schema attributes for objects in a schema based directory |
US20120259732A1 (en) | 2011-04-07 | 2012-10-11 | Sanal Sasankan | Method and system for locating a product in a store using a mobile device |
JP5886034B2 (ja) | 2011-12-26 | 2016-03-16 | 株式会社デンソー | ナビゲーション装置 |
US20130278441A1 (en) * | 2012-04-24 | 2013-10-24 | Zetta Research and Development, LLC - ForC Series | Vehicle proxying |
US8489316B1 (en) * | 2012-06-28 | 2013-07-16 | Delphi Technologies, Inc. | Map matching method for vehicle safety warning system |
US8473144B1 (en) * | 2012-10-30 | 2013-06-25 | Google Inc. | Controlling vehicle lateral lane positioning |
US20140257659A1 (en) * | 2013-03-11 | 2014-09-11 | Honda Motor Co., Ltd. | Real time risk assessments using risk functions |
US9721086B2 (en) | 2013-03-15 | 2017-08-01 | Advanced Elemental Technologies, Inc. | Methods and systems for secure and reliable identity-based computing |
US9378065B2 (en) | 2013-03-15 | 2016-06-28 | Advanced Elemental Technologies, Inc. | Purposeful computing |
US10075384B2 (en) | 2013-03-15 | 2018-09-11 | Advanced Elemental Technologies, Inc. | Purposeful computing |
US20150006146A1 (en) | 2013-06-28 | 2015-01-01 | Google Inc. | Omega names: name generation and derivation |
US9424289B2 (en) | 2014-03-20 | 2016-08-23 | International Business Machines Corporation | Conforming data structure instances to schema versions |
US9988037B2 (en) * | 2014-04-15 | 2018-06-05 | Ford Global Technologies, Llc | Driving scenario prediction and automatic vehicle setting adjustment |
US10614473B2 (en) | 2014-07-11 | 2020-04-07 | Sensoriant, Inc. | System and method for mediating representations with respect to user preferences |
US10390289B2 (en) | 2014-07-11 | 2019-08-20 | Sensoriant, Inc. | Systems and methods for mediating representations allowing control of devices located in an environment having broadcasting devices |
US9373257B2 (en) * | 2014-09-29 | 2016-06-21 | Lytx, Inc. | Proactive driver warning |
US10949507B2 (en) | 2014-10-17 | 2021-03-16 | Vulpecula, Llc. | Methods, systems, and computer program products for web browsing |
US10024684B2 (en) | 2014-12-02 | 2018-07-17 | Operr Technologies, Inc. | Method and system for avoidance of accidents |
US9506763B2 (en) * | 2015-01-30 | 2016-11-29 | Here Global B.V. | Method and apparatus for providing aggregated notifications for travel segments |
JP2018510373A (ja) * | 2015-02-10 | 2018-04-12 | モービルアイ ビジョン テクノロジーズ リミテッド | 自律車両ナビゲーションのための疎な地図 |
US9547309B2 (en) * | 2015-05-13 | 2017-01-17 | Uber Technologies, Inc. | Selecting vehicle type for providing transport |
US10324914B2 (en) | 2015-05-20 | 2019-06-18 | Commvalut Systems, Inc. | Handling user queries against production and archive storage systems, such as for enterprise customers having large and/or numerous files |
JP6635428B2 (ja) | 2015-05-20 | 2020-01-22 | 修一 田山 | 自動車周辺情報表示システム |
US9866545B2 (en) | 2015-06-02 | 2018-01-09 | ALTR Solutions, Inc. | Credential-free user login to remotely executed applications |
US9881176B2 (en) | 2015-06-02 | 2018-01-30 | ALTR Solutions, Inc. | Fragmenting data for the purposes of persistent storage across multiple immutable data structures |
US11307042B2 (en) * | 2015-09-24 | 2022-04-19 | Allstate Insurance Company | Three-dimensional risk maps |
US10268740B2 (en) | 2015-10-14 | 2019-04-23 | Tharmalingam Satkunarajah | 3D analytics actionable solution support system and apparatus |
EP3159235B1 (en) | 2015-10-22 | 2021-08-04 | Honda Research Institute Europe GmbH | Method and system for assisting a driver of a vehicle in driving the vehicle and computer program |
US10496766B2 (en) | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
US10242455B2 (en) | 2015-12-18 | 2019-03-26 | Iris Automation, Inc. | Systems and methods for generating a 3D world model using velocity data of a vehicle |
US10373019B2 (en) | 2016-01-13 | 2019-08-06 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
US20170241791A1 (en) * | 2016-02-24 | 2017-08-24 | Allstate Insurance Company | Risk Maps |
CN109154981B (zh) * | 2016-03-15 | 2022-04-05 | 无比视视觉技术有限公司 | 处理道路表面视觉数据的方法、系统及存储介质 |
US9805276B2 (en) | 2016-03-31 | 2017-10-31 | Toyota Jidosha Kabushiki Kaisha | Generating real-time driver familiarity index for fine-grained dynamic road scenes |
US9672734B1 (en) | 2016-04-08 | 2017-06-06 | Sivalogeswaran Ratnasingam | Traffic aware lane determination for human driver and autonomous vehicle driving system |
US20180136979A1 (en) | 2016-06-06 | 2018-05-17 | Sitting Man, Llc | Offer-based computing enviroments |
US10242375B2 (en) | 2016-06-29 | 2019-03-26 | Honda Motor Co., Ltd. | Methods and apparatus for connected vehicles application effectiveness estimation |
US10991241B2 (en) | 2016-07-20 | 2021-04-27 | Harman Becker Automotive Systems Gmbh | Dynamic layers for navigation database systems |
US9881503B1 (en) | 2016-09-08 | 2018-01-30 | GM Global Technology Operations LLC | Vehicle-to-pedestrian-communication systems and methods for using the same |
KR101979269B1 (ko) | 2016-10-28 | 2019-05-16 | 엘지전자 주식회사 | 자율 주행 차량 및 자율 주행 차량의 동작 방법 |
WO2018081833A1 (en) | 2016-10-31 | 2018-05-03 | Talla, Inc. | State machine methods and apparatus executing natural language communications, and al agents monitoring status and triggering transitions |
US10769452B2 (en) | 2016-11-14 | 2020-09-08 | Lyft, Inc. | Evaluating and presenting pick-up and drop-off locations in a situational-awareness view of an autonomous vehicle |
US10372132B2 (en) | 2016-12-12 | 2019-08-06 | Apple Inc. | Guidance of autonomous vehicles in destination vicinities using intent signals |
US10222773B2 (en) | 2016-12-23 | 2019-03-05 | Centurylink Intellectual Property Llc | System, apparatus, and method for implementing one or more internet of things (IoT) capable devices embedded within a roadway structure for performing various tasks |
US10417036B2 (en) | 2017-02-24 | 2019-09-17 | Oracle International Corporation | Evaluation techniques for fast access to structured, semi-structured and unstructured data using a virtual machine that provides support for dynamic code generation |
CN117740023A (zh) | 2017-03-01 | 2024-03-22 | 御眼视觉技术有限公司 | 用于利用感测不确定性导航的系统和方法 |
US10338594B2 (en) | 2017-03-13 | 2019-07-02 | Nio Usa, Inc. | Navigation of autonomous vehicles to enhance safety under one or more fault conditions |
US10609037B2 (en) | 2017-03-28 | 2020-03-31 | Ca, Inc. | Consolidated multi-factor risk analysis |
US10643214B2 (en) | 2017-04-28 | 2020-05-05 | Splunk Inc. | Risk monitoring system |
US20210142526A1 (en) | 2017-05-22 | 2021-05-13 | Pcms Holdings, Inc. | Method and apparatus for in-vehicle augmented reality visualization of sensor range and field-of-view |
US10186156B2 (en) | 2017-05-25 | 2019-01-22 | Uber Technologies, Inc. | Deploying human-driven vehicles for autonomous vehicle routing and localization map updating |
US11726822B2 (en) | 2017-06-05 | 2023-08-15 | Umajin Inc. | Systems and methods for providing digital twin-enabled applications |
US10388594B2 (en) | 2017-06-28 | 2019-08-20 | Stmicroelectronics, Inc. | Protection from ESD during the manufacturing process of semiconductor chips |
US10354440B2 (en) | 2017-07-14 | 2019-07-16 | Lyft, Inc. | Providing a virtual reality transportation experience |
WO2019033025A1 (en) | 2017-08-10 | 2019-02-14 | Patroness, LLC | SYSTEMS AND METHODS FOR IMPROVED AUTONOMOUS OPERATIONS OF A MOTORIZED MOBILE SYSTEM |
US10437247B2 (en) | 2017-08-10 | 2019-10-08 | Udelv Inc. | Multi-stage operation of autonomous vehicles |
US10782138B2 (en) | 2017-10-06 | 2020-09-22 | Here Global B.V. | Method, apparatus, and computer program product for pedestrian behavior profile generation |
US11644834B2 (en) | 2017-11-10 | 2023-05-09 | Nvidia Corporation | Systems and methods for safe and reliable autonomous vehicles |
KR20190054374A (ko) | 2017-11-13 | 2019-05-22 | 한국전자통신연구원 | 주행 경험 정보를 이용한 자율주행 학습 장치 및 방법 |
DE112018006630T5 (de) | 2017-12-28 | 2020-09-24 | Intel Corporation | Visual fog |
US11079764B2 (en) | 2018-02-02 | 2021-08-03 | Nvidia Corporation | Safety procedure analysis for obstacle avoidance in autonomous vehicles |
WO2019161300A1 (en) | 2018-02-18 | 2019-08-22 | Nvidia Corporation | Detecting objects and determining confidence scores |
CN112204349A (zh) | 2018-04-03 | 2021-01-08 | 御眼视觉技术有限公司 | 用于车辆导航的系统和方法 |
US10414395B1 (en) | 2018-04-06 | 2019-09-17 | Zoox, Inc. | Feature-based prediction |
US11150650B2 (en) | 2018-07-16 | 2021-10-19 | Here Global B.V. | Method, apparatus, and system for operating a vehicle based on vulnerable road user data |
US10949420B2 (en) | 2018-07-31 | 2021-03-16 | Splunk Inc. | Identifying similar field sets using related source types |
US11100172B2 (en) | 2018-07-31 | 2021-08-24 | Splunk Inc. | Providing similar field sets based on related source types |
EP3850546A4 (en) | 2018-09-10 | 2022-06-15 | Drisk, Inc. | SYSTEMS AND PROCEDURES FOR GRAPH-BASED AI TRAINING |
US10816987B2 (en) | 2018-10-15 | 2020-10-27 | Zoox, Inc. | Responsive vehicle control |
DE102018131466A1 (de) | 2018-12-07 | 2020-06-10 | Zf Active Safety Gmbh | Verfahren zum wenigstens teilweise automatisierten Betreiben eines Fahrzeugs |
US10860443B2 (en) | 2018-12-10 | 2020-12-08 | Commvault Systems, Inc. | Evaluation and reporting of recovery readiness in a data storage management system |
US11194847B2 (en) | 2018-12-21 | 2021-12-07 | Here Global B.V. | Method, apparatus, and computer program product for building a high definition map from crowd sourced data |
US11200429B1 (en) | 2018-12-28 | 2021-12-14 | Zoox, Inc. | Tracking objects using sensor data segmentations and/or representations |
KR102334641B1 (ko) | 2019-01-30 | 2021-12-03 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 맵 파티셔닝 시스템 |
CN109959379B (zh) | 2019-02-13 | 2021-06-08 | 歌尔科技有限公司 | 定位方法及电子设备 |
US11150660B1 (en) | 2019-04-23 | 2021-10-19 | Zoox, Inc. | Scenario editor and simulator |
US11223667B2 (en) | 2019-04-30 | 2022-01-11 | Phantom Auto Inc. | Low latency wireless communication system for teleoperated vehicle environments |
US11126180B1 (en) | 2019-04-30 | 2021-09-21 | Zoox, Inc. | Predicting an occupancy associated with occluded region |
US20200394455A1 (en) | 2019-06-15 | 2020-12-17 | Paul Lee | Data analytics engine for dynamic network-based resource-sharing |
CN115657515A (zh) | 2019-06-21 | 2023-01-31 | 华为技术有限公司 | 传感器的控制方法、装置和传感器 |
US11300677B2 (en) | 2019-07-08 | 2022-04-12 | GM Global Technology Operations LLC | Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar |
EP4012346A4 (en) | 2019-08-08 | 2023-05-17 | LG Electronics Inc. | ROUTE PROVISION DEVICE AND ROUTE PREPARATION METHOD THEREOF |
US11353874B2 (en) | 2019-08-20 | 2022-06-07 | Zoox, Inc. | Lane handling for merge prior to turn |
US11225247B2 (en) | 2019-08-21 | 2022-01-18 | Zoox, Inc. | Collision prediction and avoidance for vehicles |
US10609148B1 (en) | 2019-09-17 | 2020-03-31 | Ha Q Tran | Smart vehicle |
US11625513B2 (en) | 2019-09-27 | 2023-04-11 | Zoox, Inc. | Safety analysis framework |
US11409304B1 (en) | 2019-09-27 | 2022-08-09 | Zoox, Inc. | Supplementing top-down predictions with image features |
-
2018
- 2018-08-17 US US16/104,842 patent/US10479356B1/en active Active
-
2019
- 2019-08-08 KR KR1020217007243A patent/KR20210070273A/ko unknown
- 2019-08-08 EP EP19849432.0A patent/EP3823875A1/en not_active Withdrawn
- 2019-08-08 JP JP2021507954A patent/JP2021534501A/ja active Pending
- 2019-08-08 CA CA3109916A patent/CA3109916A1/en active Pending
- 2019-08-08 MX MX2021001872A patent/MX2021001872A/es unknown
- 2019-08-08 WO PCT/US2019/045780 patent/WO2020036808A1/en unknown
- 2019-08-08 SG SG11202101534UA patent/SG11202101534UA/en unknown
- 2019-08-08 AU AU2019321518A patent/AU2019321518A1/en not_active Abandoned
- 2019-11-12 US US16/681,683 patent/US11091156B2/en active Active
-
2021
- 2021-02-16 IL IL280907A patent/IL280907A/en unknown
- 2021-07-13 US US17/374,654 patent/US11858503B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7494241B2 (ja) | 2022-03-30 | 2024-06-03 | MONET Technologies株式会社 | データ生成システム、および監視訓練システム |
Also Published As
Publication number | Publication date |
---|---|
US11858503B2 (en) | 2024-01-02 |
CA3109916A1 (en) | 2020-02-20 |
SG11202101534UA (en) | 2021-03-30 |
EP3823875A1 (en) | 2021-05-26 |
US20200189579A1 (en) | 2020-06-18 |
IL280907A (en) | 2021-04-29 |
US20220001863A1 (en) | 2022-01-06 |
US11091156B2 (en) | 2021-08-17 |
WO2020036808A1 (en) | 2020-02-20 |
AU2019321518A1 (en) | 2021-03-11 |
KR20210070273A (ko) | 2021-06-14 |
US10479356B1 (en) | 2019-11-19 |
MX2021001872A (es) | 2021-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10942030B2 (en) | Road segment similarity determination | |
US11858503B2 (en) | Road segment similarity determination | |
US10625748B1 (en) | Approaches for encoding environmental information | |
US11928557B2 (en) | Systems and methods for routing vehicles to capture and evaluate targeted scenarios | |
US11170567B2 (en) | Dynamic object detection model based on static map collection data | |
US20230132889A1 (en) | Generation and Update of HD Maps Using Data from Heterogeneous Sources | |
US20210070286A1 (en) | Systems and methods for determining individualized driving behaviors of vehicles | |
US20190101914A1 (en) | Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions | |
US11788846B2 (en) | Mapping and determining scenarios for geographic regions | |
US11157007B2 (en) | Approaches for encoding environmental information | |
US11816900B2 (en) | Approaches for encoding environmental information | |
US11449475B2 (en) | Approaches for encoding environmental information | |
US11402840B2 (en) | Independent trajectory validation system for vehicles | |
US20220119012A1 (en) | Systems and methods for configuring autonomous vehicle operation | |
US11770685B2 (en) | Systems for predicting and classifying location data based on machine learning | |
US20220375278A1 (en) | Approaches for managing vehicles | |
US12039785B2 (en) | Approaches for encoding environmental information | |
US20230185993A1 (en) | Configurable simulation test scenarios for autonomous vehicles | |
CN112888611B (zh) | 用于检测和记录异常车辆事件的系统和方法 | |
US20210124355A1 (en) | Approaches for encoding environmental information |