JP2022080830A - 自律運転アプリケーションのための緊急対応車両検出 - Google Patents

Abstract

【課題】環境内の緊急対応車両の進行方向、位置、及び／又はタイプを識別するために、自律又は半自律マシンのマイクロフォンがキャプチャしたオーディオを使用する、緊急対応車両のオーディオ警告の検出及び分類を提供する。【解決手段】複数のマイクロフォン・アレイが、自律又は半自律マシンに配設され、環境内の音に対応するオーディオ信号の生成に使用される。オーディオ信号は処理されて、緊急対応車両の位置及び／又は進行方向が判定される。サイレン・タイプを識別するために、オーディオ信号は、オーディオ・データが表す警告タイプの確率を出力するディープ・ニューラル・ネットワークを使用して処理される周波数スペクトルの表現を生成するのに使用される。位置、進行方向、及び／又はサイレン・タイプは、エゴ車両又はエゴマシンが緊急対応車両を識別し、応答してプランニング及び／又は制御決定を行うことを可能にする。【選択図】図１Ａ

Description

監視なしに車両を自律的に及び安全に操縦するシステムの設計は、極めて難しい。自律型車両は、車両の進路沿いの他の物体又は構造物との衝突を回避するために、注意深い運転者－複雑な環境において移動する及び静的な障害物を識別しそれに反応する驚くべき能力を有する知覚及びアクション・システムを利用する－の機能的同等物として実行する能力を少なくとも有するべきである。加えて、完全に自律して動作するために、車両は、緊急対応車両に関連するルールに従うことを含む、道路のルール又は慣習に従う能力を有するべきである。たとえば、地理的位置に応じて、緊急対応車両が検出されたときに道路の脇に寄せること及び／又は停止することなど、様々なルール又は慣習が整っていることがある。

いくつかの従来のシステムは、エゴ車両の知覚を使用して緊急対応車両の識別を試みる。たとえば、様々なセンサ・タイプ－たとえば、ＬｉＤＡＲ、ＲＡＤＡＲ、カメラなど－が、エゴ車両によって知覚可能なときに緊急対応車両を検出するために使用され得る。しかしながら、これらのシステムは、環境内の多数の閉塞により、緊急対応車両を識別する－又は少なくとも反応するのに十分な時間を有して緊急対応車両を識別する－のに困難を有し得る。たとえば、緊急対応車両が、建物又は他の構造物によって塞がれた交差点に近づいている場合、エゴ車両は、そのエゴ車両も交差点に入るまで、緊急対応車両に気付かないことがある。この時点では、エゴ車両がローカル・ルールに従う操作を実行するには遅すぎることがあり、したがって、状況の全体的安全性を低下させる及び／又は緊急対応車両の動きを妨げる可能性がある。

米国特許出願第１６／３６６，５０６号 米国特許出願第１６／１０１，２３２号

本開示の実施例は、自律運転アプリケーションのための緊急対応車両検出に関する。たとえば、及び限定せずに、環境内の緊急対応車両の進行方向、位置、及び／又はタイプを識別するために自律又は半自律型車両のマイクロフォンを使用してキャプチャされるオーディオからの、以下の警告を検出及び分類する、システム及び方法が、開示される：緊急対応車両によって発せられるサイレン、アラーム、クラクション、及び他のパターンの生み出される音。たとえば、複数のマイクロフォン－又はマイクロフォン・アレイ－が、車両に配置され得、環境内の音に対応するオーディオ信号を生成するために使用され得る。これらのオーディオ信号は、緊急対応車両の位置及び／又は進行方向を判定する（たとえば、三角測量を使用）ために、たとえば、背景ノイズ抑制、ビーム形成、及び／又は他の前処理動作を使用して、処理され得る。オーディオ・データの品質をさらに高めるために、マイクロフォンは、車両の周りの様々な位置（たとえば、前部、後部、左、右、内部など）に搭載され得る及び／又はオーディオ品質に役立つ物理構造物－たとえば、マイクロフォンでの風力を回避するための風よけ－を含み得る。

サイレン・タイプ－その結果として、それに対応する緊急対応車両タイプ－を識別するために、オーディオ信号は、Ｍｅｌスペクトログラムを生成するためのＭｅｌ周波数係数を抽出することによって、周波数領域に変換され得る。Ｍｅｌスペクトログラムは、緊急対応車両によって使用される様々な警告タイプがオーディオ・データによって表されているという信頼度又は確率を出力するディープ・ニューラル・ネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）－たとえば、畳み込み再帰ニューラル・ネットワーク（ＣＲＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）－を使用して、処理され得る。警告の空間的及び時間的特質により、特徴抽出のための畳み込み層及び時間的特徴識別のための再帰層の使用は、ＤＮＮの正確性を高める。たとえば、ＤＮＮは、サイレンの空間的及び時間的オーディオ・プロファイルを説明するより軽量な及び正確なＤＮＮを可能にするために、状態を保持しながら－たとえば、ゲート付き再帰型ユニット（ＧＲＵ：ｇａｔｅｄ ｒｅｃｕｒｒｅｎｔ ｕｎｉｔ）を使用して－オーディオ・データのウインドウで動作し得る。加えて、アテンションが、全体としてのウインドウ内での各タイプの緊急要員警告の確率を判定するために－たとえば、ウインドウ内のそれらの時間的位置にかかわらず、検出された警告パターンにより高い重みを与えるために－、時間的特徴抽出層の出力に適用され得る。変化する運転条件－たとえば、雨、風、交通量、トンネル内、外気など－にわたる正確性のためにＤＮＮをトレーニングするために、変化する警告タイプからのオーディオ・データが、エコー、反響、減衰、ドップラー効果、及び／又は環境物理学の他の効果を説明するより堅固なトレーニング・データセットを生成するために、タイム・ストレッチ、タイム・シフト、ピッチ・シフト、動的範囲圧縮、異なる信号対ノイズ比（ＳＮＲ：ｓｉｇｎａｌ－ｔｏ－ｎｏｉｓｅ ｒａｔｉｏ）におけるノイズ拡張などを使用して拡張され得る。そのようなものとして、配備された後には、ＤＮＮは、様々な動作条件にわたって緊急要員警告タイプを正確に予測することができる。

最終的に、位置、進行方向、及び警告タイプの使用は、車両が緊急対応車両を識別することとローカル・ルール又は慣習に従う応答におけるプランニング及び／又は制御決定を行うこととを可能にし得る。加えて、知覚単独ではなくてオーディオ（及び、実施例において、知覚）を使用することによって、緊急対応車両は、閉塞にかかわらずより早期に識別され得、それにより、状況の全体的安全性に貢献する事前のプランニング決定を車両が行うことを可能にすることができる。

自律運転アプリケーションの緊急対応車両検出のための本システム及び方法について、添付の図面を参照して、以下に詳しく説明する。

本開示の実施例による、緊急対応車両検出のプロセスのデータ流れ図である。 本開示の実施例による、ディープ・ニューラル・ネットワークの例示的アーキテクチャの図である。 本開示の実施例による、車両のマイクロフォン・アレイの例示的配置を示す図である。 本開示の実施例による、緊急対応車両検出の方法の流れ図である。 本開示の実施例による、緊急対応車両検出の方法の流れ図である。 本開示のいくつかの実施例による、例示的自律型車両のイラストレーションである。 本開示のいくつかの実施例による、図５Ａの例示的自律型車両のカメラ位置及び視野の実例である。 本開示のいくつかの実施例による、図５Ａの例示的自律型車両の例示的システム・アーキテクチャのブロック図である。 本開示のいくつかの実施例による、クラウドベースのサーバと図５Ａの例示的自律型車両との間の通信のシステム図である。 本開示のいくつかの実施例の実装において使用するのに適した例示的コンピューティングデバイスのブロック図である。 本開示のいくつかの実施例の実装において使用するのに適した例示的データ・センタのブロック図である。

自律運転アプリケーションの緊急対応車両検出に関するシステム及び方法について開示する。本開示は、例示的自律型車両５００（その実例が図５Ａ～５Ｄに関して本明細書で説明され、本明細書で別法として「車両５００」又は「エゴ車両５００」と称される）に関して説明されることがあるが、これは限定を意図していない。たとえば、本明細書に記載のシステム及び方法は、非自律型車両、半自律型車両（たとえば、１個又は複数の高度運転者支援システム（ＡＤＡＳ：ａｄｖａｎｃｅｄ ｄｒｉｖｅｒ ａｓｓｉｓｔａｎｃｅ ｓｙｓｔｅｍ））、ロボット、倉庫車両、オフロード車両、飛行船舶、ボート、及び／又は他の車両タイプによって使用され得る。加えて、本開示は、自律運転に関して説明されることがあるが、これは、限定を意図していない。たとえば、本明細書に記載のシステム及び方法は、ロボット工学、航空システム、船舶システム（たとえば、緊急船舶識別）、シミュレーション環境（たとえば、仮想シミュレーション環境内の仮想車両の緊急対応車両検出）、及び／又は他の技術分野において使用され得る。

図１Ａを参照すると、図１Ａは、本開示の実施例による、緊急対応車両検出のプロセス１００のデータ流れ図である。本明細書に記載のこの及び他の構成は単に実例として記載されていることを理解されたい。他の構成及び要素（たとえば、マシン、インターフェース、機能、順番、機能のグループ化など）が、図示されたものに加えて又はそれらの代わりに使用され得、いくつかの要素は、完全に省略され得る。さらに、本明細書に記載の要素の多数は、個別の若しくは分散された構成要素として又は他の構成要素と併せて、並びに任意の適切な組合せ及び場所において実装され得る機能エンティティである。エンティティによって実行されるものとして本明細書に記載された様々な機能は、ハードウェア、ファームウェア、及び／又はソフトウェアによって実施され得る。たとえば、様々な機能は、メモリに記憶された命令を実行するプロセッサによって実施され得る。

プロセス１００は、オーディオ・データ１０４を生成する１個又は複数のマイクロフォン１０２（図５Ａ及び５Ｃのマイクロフォン５９６に類似し得る）を含む。たとえば、任意の数のマイクロフォン１０２が、任意の配置で車両５００で使用及び搭載又は他の方法で配置され得る。非限定的実例として、及び図２に関して、様々なマイクロフォン・アレイ２０２Ａ～２０２Ｄは、車両２００（実施例において、図５Ａ～５Ｄの車両５００に類似し得る）に搭載され得る。マイクロフォン・アレイ２０２Ａ～２０２Ｄは、複数－たとえば、２個、３個、４個など－のマイクロフォンをそれぞれ含み得、各マイクロフォンは、一方向、全方向、又は他のタイプのマイクロフォンを含み得る。マイクロフォン・アレイ２０２の異なる構成が、使用され得る。たとえば、各アレイ内の４個のマイクロフォンの長方形の配置－たとえば、正方形の各頂点に配置された及び印刷基板（ＰＣＢ：ｐｒｉｎｔｅｄ ｃｉｒｃｕｉｔ ｂｏａｒｄ）上にはんだ付けされたマイクロフォンを含む－が、使用され得る。別の実例として、円内の６個のマイクロフォン及び中心の１個を含む、７個のマイクロフォンの円形アレイが、使用され得る。

マイクロフォン・アレイ２０２の様々な場所が、実施例に応じて、使用され得る。遮音壁の役割をそれ自体が果たす車両２００により、マイクロフォン・アレイ２０２は、車両２００が閉塞サイレンへの最小限の影響を有するように、配置され得る。そのようなものとして、車両２００の各側面（前、後、左、右）にマイクロフォン・アレイ２０２を含むことによって、車両２００は、マイクロフォン・アレイ２０２のうちの少なくとも１個のマイクロフォン・アレイの障壁の役割を果たさないことが可能である－それによって、より高品質のオーディオ信号及びそれによる正確な予測をもたらす。たとえば、車両２００の前、後、左、及び右に１個の、４個のマイクロフォン・アレイ２０２Ａ～２０２Ｄが、使用され得る。別の実例として、追加の、第５のマイクロフォン・アレイ２０２Ｅが、車両の上部に配置され得る。一実施例において、単一のマイクロフォン・アレイのみ－たとえば、マイクロフォン・アレイ２０２Ｅ－が、風、雨、粉塵などへのより多くの暴露をもたらし得る、車両２００の上部で使用され得る。他の実例では、車両２００の異なる位置で使用されるより多数の又は少数のマイクロフォン・アレイ２０２が存在し得る。たとえば、いくつかの実施例において、車両５００のキャビン内から生成された結果的なオーディオ信号が、車両５００のキャビン内で緊急対応車両の警告又はサイレンの知られている又は学習されたオーディオ信号と比較され得るように、マイクロフォン及び／又はマイクロフォン・アレイ２０２は、車両５００の内部に配置され得る。

マイクロフォン・アレイ２０２は、車両２００の異なる位置（たとえば、車両２００の異なる部分に対応する）に位置付けられ得る。たとえば、車両２００の左又は右側で、マイクロフォン・アレイ２０２は、サイドミラーの下に又はドア・ハンドルの下に、及び車両２００の前又は後ろに位置付けられ得、マイクロフォン・アレイ２０２は、後部ナンバ・プレートの近くに、リア・ビュー・カメラの近くに、前方ナンバ・プレートの近くに、フロントガラスの上若しくは下に、及び／又は別の位置に位置付けられ得る。いくつかの実施例において、これらの位置にマイクロフォンを位置付けることで、動作中にマイクロフォン・アレイ２０２を粉塵、水、及び／又は風にあまりさらさないことが可能である。たとえば、リア・ビュー・カメラの位置は、一般に、ナンバ・プレートが位置する空洞内に位置付けられ、水及び粉塵がマイクロフォン・アレイ２０２に蓄積するのを防ぐことができる。同様に、バック・ミラー又はドア・ハンドルの下は、粉塵、風、及び／又は水に対する保護をもたらすことができる。

各マイクロフォン・アレイ２０２は、筐体内に配置され得、筐体は、車両２００に配置され得る。そのようなものとして、筐体は、車両２００の外部に配置されることになり、それ故に、各マイクロフォン・アレイ２０２内のマイクロフォンの腐食又は劣化を減らす又はなくすために粉塵及び湿気移入に抵抗するように設計され得る。いくつかの実施例において、粉塵及び湿気に耐えるために、各筐体の薄膜又は繊維被膜は、雨、雪、埃、及び粉塵に対する適切な保護を同時に提供しつつオーディオ信号を著しく減衰させない材料－たとえば、疎水性泡スプレー、耐湿及び防塵の複合合成繊維など－で構成され得る。いくつかの実施例において、マイクロフォン・アレイ２０２への風力を避けるために、マイクロフォン・アレイ２０２は、１個又は複数の風よけをそれぞれ含み得る。

いくつかの実施例において、マイクロフォンは、－たとえば、車両２００におけるマイクロフォン・トポロジを単純化するために－パルス密度変調（ＰＤＭ：ｐｕｌｓｅ ｄｅｎｓｉｔｙ ｍｏｄｕｌａｔｉｏｎ）を使用する自動車オーディオ・バス（Ａ２Ｂ：ａｕｔｏｍｏｔｉｖｅ ａｕｄｉｏ ｂｕｓ）トランシーバ・デバイスに接続された自動車級デジタル・マイクロ電気機械システム（ＭＥＭＳ：ｍｉｃｒｏ－ｅｌｅｃｔｒｏ－ｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍ）マイクロフォンを含み得る。たとえば、この構成は、低コストの及び軽量なツイスト・ペア（ＴＰ：ｔｗｉｓｔｅｄ ｐａｉｒ）ケーブル敷設を使用する車両２００の外側に搭載された１個又は複数のマイクロフォンからのオーディオ信号のキャプチャを可能にし得る。そのような一実例では、車両２００の半径内の任意の点における緊急対応車両からのサイレン周波数は、デイジ・チェーン接続された構成内の各Ａ２Ｂトランシーバ・デバイスに接続されたオーバ・サンプリングされた１ビットＰＤＭオーディオ・ストリームによって表され得る。オーディオ・データ１０４は、デイジ・チェーンにおけるそれの最近傍Ａ２Ｂノードへのアップストリーム（たとえば、Ａ２Ｂ１次ノード・デバイスを含む電気制御ユニット（ＥＣＵ：ｅｌｅｃｔｒｏｎｉｃ ｃｏｎｔｒｏｌ ｕｎｉｔ）の方向における）で渡される又は転送される前に２次ノードＡ２Ｂトランシーバによってマルチチャネル時分割多重（ＴＤＭ：ｔｉｍｅ－ｄｉｖｉｓｉｏｎ ｍｕｌｔｉｐｌｅｘｉｎｇ）データに変換され得る。たとえば、ＴＤＭデータをＡ２Ｂ１次ノードに転送するより前にそれぞれのマイクロフォン（たとえば、各マイクロフォン・アレイ２０２からの各マイクロフォン）からＴＤＭデータを集めるシステムに最も近いＡ２Ｂ２次ノード・トランシーバ。Ａ２Ｂ１次ノードは、ＴＤＭオーディオ・ポートを介して、システム・オン・チップ（ＳｏＣ：ｓｙｓｔｅｍ ｏｎ ｃｈｉｐ）－たとえば、図５ＣのＳｏＣ５０４－などのシステムの別の構成要素にオーディオ・データ１０４を転送することができる。制御チャネルコマンドは、ＴＰケーブルを使用してＳｏＣとＡ２Ｂトランシーバとの間でＩ２Ｃ（ｉｎｔｅｒ－ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）インターフェースを介してＡ２Ｂノードに送られ得る。各２次ノードは、十分な電流が同じＴＰケーブルを使用してすべての接続されたノードに供給され得るような方法で、リモートから電力を供給され得る、Ａ２Ｂトランシーバ及び１個又は複数のＰＤＭマイクロフォンを含み得る。

実施例において、オーディオ・データ１０４は、プリプロセッサ１０６を使用する前処理を受け得る。たとえば、１個又は複数の背景ノイズ抑制アルゴリズムが、風のような周囲ノイズ、車両ノイズ、道路ノイズ、及び／又は同類のものを抑制するために使用され得る。たとえば、１個又は複数のビーム形成アルゴリズムが、各マイクロフォン・アレイ２０２によって生成されるオーディオ・データ１０４の背景ノイズ抑制を実行するために、実行され得る。本明細書では、オーディオ・データ１０４は、未加工のオーディオ・データ及び／又は前処理されたオーディオ・データを指し得る。

いくつかの実施例において、オーディオ・データ１０４－たとえば、前処理後－は、出力１１０を決定するために位置判定装置１０８によって使用され得る。たとえば、位置判定装置１０８は、１個又は複数の（たとえば、受動）音響位置アルゴリズム－たとえば、音響三角測量－を使用して緊急対応車両の位置１１２及び／又は進行方向１１４を判定することができる。位置判定装置１０８は、緊急対応車両の位置１１２を判定するために、音響三角測量を使用して、複数－たとえば、３個以上－のマイクロフォン・アレイ２０２のそれぞれからのオーディオ・データ１０４を分析して、距離（たとえば、車両２００からの）及び／又は方向（たとえば、緊急対応車両が位置する環境の領域を定義する角度の範囲）を判定することができる。たとえば、音響三角測量が、車両２００からの緊急対応車両の推定される距離と緊急対応車両の警告の推定されるソース方向とを判定するために使用され得る。より多数のマイクロフォン、又はマイクロフォン・アレイ２０２が使用されるほど、三角測量はより正確になり得る。しかしながら、４個のマイクロフォン・アレイ２０２（たとえば、図２の２０２Ａ～２０２Ｄ）の使用は、緊急対応車両の位置を見つける及びそれに反応するのに適し得る、３０度以内の正確性を可能にし得る。他の実施例において、使用されるより多数の又は少数のマイクロフォン・アレイ２０２が存在し得、正確性は、結果として変化し得る（たとえば、４０度、２５度、１０度までなど）。非限定的な一実例として、道路網のジオメトリ及び一般レイアウトにより、３０度以内の正確性－距離測度に加えた－は、地域のルール及び慣習に従って応答するのに十分な正確性を有して、どの道路に緊急対応車両があるかを車両５００が識別することを可能にし得る。そのようなものとして、４方向交差点に近づくとき、推定される位置及び距離は、緊急対応車両は左から交差点に入る道路上にあると車両５００が判定することを可能にし得、進行方向１１４－本明細書でさらに詳しく説明される－は、道路上の緊急対応車両の進行方向を判定するために使用され得る。そのようなものとして、緊急対応車両が交差点から離れて進んでいく場合には、車両５００は、緊急対応車両を説明せずに交差点を通って進むことを決定し得るが、緊急対応車両が交差点に向かって進んでいる場合には、車両５００は、緊急対応車両が交差点を通過してしまうまで、道路の脇に寄せる及び停止することを決定し得る（道路の脇に寄せること及び停止することがローカル・ルール又は慣習である実例において）。結果として、いくつかの実施例において、道路レイアウトの知識（たとえば、ＧＮＳＳマップ、高解像度（ＨＤ：ｈｉｇｈ ｄｅｆｉｎｉｔｉｏｎ）マップ、車両知覚などを使用して判定された）は、位置１１２及び／又は進行方向１１４を判定するために追加で使用され得る。

進行方向１１４は、経時的に－たとえば、複数のフレーム又は時間ステップにわたって－緊急対応車両の位置１１２を追跡することによって、位置判定装置１０８によって、判定され得る。たとえば、オーディオ・データ１０４によって表されるものとしての音場の音圧、粒子ベロシティ、音響若しくはオーディオ周波数、及び／又は他の物理量の変化（たとえば、増加又は減少）は、緊急対応車両が近づいていること（たとえば、音圧の増加）又は離れていっていること（たとえば、音圧の減少）を示し得る。

位置１１２及び進行方向１１４に加えて、又はそれらの代わりに、プロセス１００は、深層学習を使用する緊急車両警告タイプ１２２を判定することを含み得る。たとえば、オーディオ・データ１０４－たとえば、プリプロセッサ１０６による前処理の前及び／又は後の－は、スペクトログラム１１８を生成するために、スペクトログラム・ジェネレータ１１６によって分析され得る。いくつかの実施例において、スペクトログラム１１８は、各マイクロフォン・アレイ２０２について生成され得、ＤＮＮ１２０のＮ個のインスタンス（Ｎは、マイクロフォン・アレイ２０２の数に対応）が、サイレン・タイプ１２２に対応するＮ個の異なる出力を計算するために使用され得る。他の実施例において、それぞれのマイクロフォン・アレイ２０２からのスペクトログラム１１８に対応するＮ個の入力チャネルが、サイレン・タイプ１２２を計算するために、同じＤＮＮ１２０に入力され得る。さらなる実施例において、それぞれのマイクロフォン・アレイ２０２からのＮ個の信号が、単一のスペクトログラム１１８を生成するために前処理及び／又は拡張され得、単一のスペクトログラム１１８は、ＤＮＮ１２０のための入力として使用され得る。

スペクトログラム１１８を生成するために、各マイクロフォン・アレイ２０２からのオーディオ・データ１０４は、Ｍｅｌ周波数係数を抽出することによって、周波数領域に－スペクトログラム・ジェネレータ１１６によって－変換され得る。Ｍｅｌ周波数係数は、サイレン・タイプ１２２を示す出力（たとえば、信頼度、確率など）を計算するために１個又は複数のディープ・ニューラル・ネットワーク（ＤＮＮ）１２０への入力として使用され得るスペクトログラム１１８を生成するために使用され得る。たとえば、オーディオ・データ１０４－たとえば、経時的な空気圧のサンプルのデジタル表現－は、次のウインドウをサンプリングするための所定のサイズ（たとえば、２５６、５１２など）のホップを毎回作って、何らかの所定のサイズ（たとえば、１０２４、２０４８など）のウインドウ内でサンプリングされ得る。高速フーリエ変換（ＦＦＴ：ｆａｓｔ Ｆｏｕｒｉｅｒ ｔｒａｎｓｆｏｒｍ）は、各ウインドウについて計算されてデータを時間領域から周波数領域に変換することができる。全周波数スペクトルは、次いで、ビン－たとえば、１２０ビン－に分ける又は区切ることができ、各ビンは、Ｍｅｌスケールにおいて対応するＭｅｌビンに変換され得る。各ウインドウについて、信号の大きさは、Ｍｅｌスケールにおいて周波数に対応するそれの構成要素に分解され得る。そのようなものとして、周波数に対応するｙ軸は、対数スケールに変換され得、振幅に対応する色次元は、スペクトログラムを形成するためにデシベルに変換され得、そして、実施例において、周波数に対応するｙ軸は、Ｍｅｌスペクトログラムを形成するためにＭｅｌスケールにマップされ得る。そのようなものとして、スペクトログラム１１８は、スペクトログラム及び／又はＭｅｌスペクトログラムに対応し得る。

スペクトログラム１１８－たとえば、従来又はＭｅｌ－は、ＤＮＮ１２０への入力として提供され得る。実施例において、ＤＮＮ１２０は、畳み込み再帰ニューラル・ネットワーク（ＣＲＮＮ）を含み得るが、これは限定を意図していない。たとえば、及び制限なしに、ＤＮＮ１２０は、線形回帰、ロジスティック回帰、決定木、サポート・ベクトル・マシン（ＳＶＭ：ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）、ナイーブ・ベイズ、ｋ近傍法（Ｋｎｎ：ｋ－ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ）、Ｋ平均クラスタリング、ランダム・フォレスト、次元縮小アルゴリズム、勾配ブースティング・アルゴリズム、ニューラル・ネットワーク（たとえば、オートエンコーダ、畳み込み、再発、パーセプトロン、長／短期メモリ／ＬＳＴＭ、ホップフィールド、ボルツマン、ディープ・ビリーフ、デコンボリューション、敵対的生成、液体状態マシンなど）、関心エリア検出アルゴリズム、コンピュータ・ビジョン・アルゴリズムを使用するマシン学習モデル、及び／又は他のタイプのマシン学習モデル、を含み得る。

ＣＲＮＮは、緊急警告－たとえば、サイレン、アラーム、又は車両クラクション・パターン－の空間的特質及び時間的特質の両方を説明するためにＤＮＮ１２０として使用され得る。たとえば、各警告は、固定パターンを有するように緊急対応車両の計器又はオーディオ発出デバイスによって生成され得る。各緊急対応車両は、同様に、現在の状態又は状況に応じて異なる警告タイプを有し得る（たとえば、救急車は、重大性の知識なしに現場に向かっているときには第１の警告を有し得るが、病院への運転が単に軽傷の患者を移送しているときには、第２の警告を有し得る）。加えて、２個の異なる警告は、同じ信号を有し得るが、一方の信号は、他方よりも長い期間にわたって伸びることがあり、したがって、この差を識別することは、サイレン・タイプ１２２の正確な分類のために重要である。そのようなものとして、ＣＲＮＮは、周波数、振幅、及び／又は他の音表現に着目するだけではなく、これらの音表現のそれぞれが時間ウインドウにわたって検出された時間の量にも着目することによって、これらの固定パターンを説明することができる。

図１Ｂを参照すると、ＤＮＮ１２０Ａ（たとえば、ＣＲＮＮ）の例示的アーキテクチャが示されている。Ｔは、スペクトログラムが対応する時間ウインドウでもよい、時間に対応し得る。いくつかの実施例において、Ｔは、２５０ミリ秒（ｍｓ）、５００ｍｓ、８００ｍｓ、又は別の時間ウインドウでもよい。Ｆは、周波数に対応し得る。ＤＮＮ１２０Ａは、一連のＲＮＮが後に続く一連の畳み込みを含み得る。畳み込み層（又は特徴検出器層）は、一般に、分類のために有用なスペクトログラム１１８の固有の空間的特徴を学習するために使用され得る。図１Ｂのアーキテクチャでは、畳み込みは、正確性を高める及びより小さいトレーニング・データセットでトレーニング中のより速い収束を可能にするために、ゲート付き線形ユニット（ＧＬＵ）１２６－たとえば、ＧＬＵ１２６Ａ及びＧＬＵ１２６Ｂ－に置き換えられる。ＧＬＵ１２６Ａ及び１２６Ｂの出力は、増大され得、最大プール層１２８、畳み込み層１３０、及び別の最大プール層１３２に適用され得る。最大プール層１３２の出力は、ＤＮＮ１２０Ａの１個又は複数のＲＮＮ－又はステートフル層－に適用され得る。たとえば、ステートフルＲＮＮのユーザは、より長い警告シーケンスの識別を助けることができる。ＤＮＮ１２０Ａは、より小さいトレーニング・データセットを使用するトレーニング中の収束まで軽量及び高速でありながらシーケンスに関する正確性を高めるために（たとえば、警告は、一般に、所定のパターンの音に従う）、ゲート付きＲＮＮ－たとえば、ゲート付き再帰型ユニット１３４Ａ及び１３４Ｂ－を使用することができる。加えて、レイテンシと正確性とを最適化するために、その後の推論がオーディオシーケンスで継続することができるように、ＤＮＮ１２０Ａは、ＧＲＵ１３４の状態を保持しながら、推論ごとにオーディオ・データ（Ｍｅｌスペクトログラムによって表されるものとしての）のウインドウで動作することができる。ＲＮＮ－たとえば、ＧＲＵ１３４－の出力は、増大され得、１個又は複数のアテンション層１４０に適用され得る。たとえば、ＧＲＵ１３４の出力は、シグモイド活性化関数を有する緻密層及びＳｏｆｔＭａｘ活性化関数を有する緻密層に適用され得、両方の緻密層の出力は、サイレン・タイプ１２２を示す信頼度又は確率の最終出力を生成するために、加重平均演算１４２を受け得る。アテンション層１４０は、Ｔによって定義された時間ウインドウ内の、どこでサイレンが開始するかの判定を助けることができる。したがって、アテンション層１４０は、時間ウインドウ内のそれの時間的位置にかかわらずサイレン、アラーム、クラクション、又は他の生み出された音パターンにより高い重みを与え、時間ウインドウ内の各タイプの警告の確率を全体として判定するために使用される。時間ウインドウ内の異なる警告タイプの独立した確率の出力は、複数の警告タイプ１２２が任意の所与の時間において検出されることを可能にする。たとえば、１に等しいいくつかの警告の信頼度を使用することとは対照的に、各警告タイプの確率は、他の警告タイプ確率又は信頼度にかかわらず計算され得る。しかしながら、いくつかの実施例において、信頼度が使用され得る。

結果として、ＣＲＮＮ１００ＡにおけるＧＬＵ１２６は、速く、及び大きなトレーニング・データセットを必要とせずに異なるタイプの警告の最良の特徴をＤＮＮが学習するのを助けることができる。加えて、アテンション層１４０と結合されたステートフルＧＲＵ１３４は、長い時間的依存状態を保持しつつ時間ウインドウ内に警告を検出するのを助ける。これは、順次に各時間フレームのサイレンを検出することとは対照的に－たとえば、時間的要素なしに－ＤＮＮ１２０がより速く実行することを可能にする。加えて、より小さい時間ウインドウに推論を分割することによって、ドップラー効果の概算は、より正確になり得る。さらに、アテンション層１４０の使用は、レイテンシへの有意でない貢献を有してＤＮＮ１２０が警告をより早く検出するのを助ける。

ＤＮＮ１２０－たとえば、ＣＲＮＮ１００Ａ－をトレーニングするために、トレーニング・データセットが生成され得る。しかしながら、環境の物理プロパティによる警告タイプ及びそれへの変換の十分なバリエーションを含む現実世界トレーニング・データセットの生成の難しさにより、データ拡張が、ＤＮＮ１２０をトレーニングするために使用され得る。たとえば、警告が存在する現実世界オーディオをキャプチャすることは、困難であるが、野外で、トンネルで、異なる気象条件下で、及び／又は他の異なる状況下でこの同じオーディオをキャプチャすることは、さらに困難である。警告パターンは、マイクロフォン１０２によってキャプチャされる前に広範なセットの変換、たとえば、ドップラー、減衰、エコー、反響、及び／又は類似のもの、を受け得る。ＤＮＮ１２０が警告タイプ１２２を正確に予測するために、ＤＮＮ１２０は、これらの変換が生じた後に警告タイプ１２２を識別するようにトレーニングされ得る。

そのようなものとして、堅固なトレーニング・セットを生成するために、警告（たとえば及び制限なしに、緊急対応車両によって発せられるサイレン、クラクション、アラーム、又は他の生み出された音パターンなど）を含むオーディオ・データのデータセットが、－たとえば、データ収集車両を使用する現実世界集合体から、警告のオーディオ・トラックから、警告の関連オーディオを含むビデオから、及び／又は類似のものから－生成され得る。トレーニング・オーディオ・データのインスタンスは、そこに表された異なる警告タイプ１２２に対応する意味論又はクラス・ラベルでタグ付けされ得る。トレーニング・オーディオ・データのインスタンスは、次いで、１個又は複数の変換、たとえば、タイム・ストレッチ、タイム・シフト、ピッチ・シフト、異なる信号対ノイズ（ＳＮＲ）比における動的範囲圧縮、異なるＳＮＲ比におけるノイズ圧縮、及び／又は他の変換タイプ、を受け得る。たとえば、単一インスタンスが、異なる組合せの変換を使用する任意の数の追加のインスタンスの生成のために使用され得る。そのようなものとして、トレーニング・データセットは、元のトレーニング・データセット・サイズの何らかの倍数－たとえば、２５ｘ、５０ｘなど－を含む更新されたトレーニング・セットを生成するために、拡張され得る。

図１Ａを再び参照すると、警告タイプ１２２は、緊急対応車両のタイプを含み得る－たとえば、２個以上の警告タイプ１２２が、たとえば、「消防車」、「警察車両」、又は「救急車」などの、同じ名称を含み得る。他の実施例において、警告タイプ１２２は、緊急対応車両のタイプへの関連付けを有さない異なる警告タイプを含み得る－たとえば、「ウェイル（ｗａｉｌ）」、「イエルプ」、「ウォーブル（ｗａｒｂｌｅ）」、「エア・ホーン」、「ピアサ（ｐｉｅｒｃｅｒ）」、「ウープ（ｗｈｏｏｐ）」、「ハウラ」、「プライオリティ」、「２トーン」、「ランブラ（ｒｕｍｂｌｅｒ）」など。いくつかの実施例において、これらの２個の組合せが、警告タイプ１２２として使用され得る－たとえば、「警察車両：ピアサ」、又は「救急車：ウェイル」など。そのようなものとして、ＤＮＮ１２０が検出するようにトレーニングされた出力に応じて、ＤＮＮ１２０によって出力される確率又は信頼度は、緊急対応車両名、警告名、又はその組合せの警告タイプ１２２に対応し得る。

いくつかの実施例において、警告タイプ１２２、進行方向１１４、及び／又は位置１１２の識別に加えて、この情報の一部又はすべてが、付加的情報タイプと融合され得る。たとえば、車両５００の他のセンサ（たとえば、図５Ａ～５Ｃに関して説明されるような、ＬｉＤＡＲ、ＲＡＤＡＲ、カメラなど）からの知覚の場合、プロセス１００からの結果は、その結果の堅固性及び正確性を高めるための冗長性又は融合のために車両５００の知覚出力と結合され得る。そのようなものとして、緊急対応車両が、物体検出を使用して識別及び分類される場合、たとえば、この知覚出力は、予測を更新又は検証するために、位置１１２、進行方向１１４、警告タイプ１２２（又はそこから判定されるものとしての緊急対応車両タイプ）と結合され得る。さらに、いくつかの実施例において、車両対車両通信は、結果の堅固性又は正確性を高めるために情報の付加的ソースを含み得る。たとえば、環境内の他の車両は、緊急対応車両の検出（たとえば、位置、進行方向、タイプなど）に関して車両５００と情報を共有することができる。

判定された警告タイプ１２２－ＤＮＮ１２０の任意のインスタンスにおいて１個又は複数を含み得る－、緊急対応車両の進行方向、緊急対応車両の位置、車両５００の知覚、及び／又は車両対車両通信が、車両５００の自律運転ソフトウェア・スタック（たとえば、運転スタック）１２４によって使用され得る。たとえば、運転スタック１２４の知覚層は、緊急対応車両を世界モデルにローカライズするために世界モデルを更新する（たとえば、世界モデル・マネージャを使用して）ための緊急対応車両を識別及び位置を特定するためのプロセス１００を使用することができる。運転スタック１２４のプランニング層は、位置１１２、進行方向１１４、及び／又は警告タイプを使用して、緊急対応車両を説明するルート又は進路プラン－たとえば、減速する、道路の脇に寄せる、停車する、及び／又は別の動作を実行すること－を決定することができる。運転スタック１２４の制御層は、次いで、ルート又は進路プランを使用して、進路に従って車両５００を制御することができる。いくつかの実施例において、緊急対応車両の識別は、遠又はリモート操作要求をトリガし得る。非限定的な一実例として、リモート操作は、参照によりその全体が本明細書に組み込まれている、特許文献１に記載のリモート操作に類似して要求及び実行され得る。そのようなものとして、運転スタック１２４は、警告タイプ１２２（及び／又は、警告タイプ１２２によって示されるものとしての、対応する緊急対応車両タイプ又は緊急タイプ）、位置１１２、及び／又は進行方向１１４を使用して、環境内の緊急対応車両の存在を説明するための１個又は複数の動作を実行することができる。

ここで図３～４を参照すると、本明細書に記載の、方法３００及び４００の各ブロックは、ハードウェア、ファームウェア、及び／又はソフトウェアの任意の組合せを使用して実行することができる計算プロセスを含む。たとえば、様々な機能が、メモリに記憶された命令を実行するプロセッサによって、実施され得る。方法３００及び４００はまた、コンピュータ記憶媒体に記憶されたコンピュータ使用可能命令として実施され得る。方法３００及び４００は、いくつか例を挙げると、独立型アプリケーション、サービス又はホスト型サービス（独立型の又は別のホスト型サービスと組み合わせた）、或いは別の製品へのプラグインによって提供され得る。加えて、方法３００及び４００は、例として、図１Ａのプロセス１００及び図５Ａ～５Ｄの自律型車両５００に関して、説明されている。しかしながら、これらの方法は、本明細書に記載のものを含むが、これらに限定されない、任意の１個のプロセス及び／又は任意の１個のシステム、或いは任意の組合せのプロセス及びシステムによって、追加で又は別法として、実行され得る。

図３を参照すると、図３は、本開示のいくつかの実施例による、緊急対応車両検出のための方法３００を示す流れ図である。方法３００は、ブロックＢ３０２において、自律マシンの複数のマイクロフォンを使用して生成されるオーディオ・データを受信することを含む。たとえば、オーディオ・データ１０４は、マイクロフォン１０２－たとえば、マイクロフォン・アレイ２０２のマイクロフォン１０２－を使用して、生成され得る。

方法３００は、ブロックＢ３０４において、音響三角測量アルゴリズムを実行して、緊急対応車両の位置又は進行方向のうちの少なくとも１個を判定することを含む。たとえば、オーディオ・データ１０４（プリプロセッサ１０６による前処理の前又は後の）は、位置１１２及び／又は進行方向１１４を判定するために、位置判定装置１０８によって使用され得る。

プロセス３００は、ブロックＢ３０６において、Ｍｅｌスペクトログラムを生成することを含む。たとえば、スペクトログラム・ジェネレータ１１６は、オーディオ・データ１０４を使用して（Ｍｅｌ）スペクトログラム１１８（又はオーディオ・データからの１個若しくは複数のオーディオ信号に対応する１個若しくは複数の周波数のスペクトルの別の表現）を生成することができる。

プロセス３００は、ブロックＢ３０８において、Ｍｅｌスペクトログラムを表す第１のデータをＣＲＮＮに適用することを含む。たとえば、（Ｍｅｌ）スペクトログラム１１８を表すデータは、ＤＮＮ１２０（たとえば、ＣＲＮＮ１１０Ａ）に適用され得る。

プロセス３００は、ブロックＢ３１０において、複数の警告タイプの確率を表す第２のデータを、ＣＲＮＮを使用して、計算することを含む。たとえば、ＣＲＮＮは、複数の警告タイプ１２２の確率に対応する出力を計算することができる。

方法３００は、ブロックＢ３１２において、その確率に少なくとも部分的に基づいて緊急対応車両のタイプを判定することを含む。たとえば、最も高い確率（又は閾値を超えた確率）を有する警告タイプ１２２は、存在すると判定され得、警告タイプ１２２に関連付けられた緊急対応車両のタイプが、判定され得る。いくつかの実施例において、閾値は、車両５００の位置及び／又は他の情報に基づいて調節され得る。たとえば、病院、消防署、警察署などに車両５００の位置（ＧＮＳＳ、ＨＤマップ、車両知覚などを使用して判定されるものとしての）が近いことに加えて、又はその代わりに、近隣の事故、ＳｉｇＡｌｅｒｔ、及び／又は構造物、森、道路脇、若しくは他の火災タイプを指示する車両対車両通信が、緊急対応がそのエリア内にあり得る可能性の増大により信頼度又は確率閾値を下げるために、使用され得る。

方法３００は、ブロックＢ３１４において、緊急対応車両のタイプ、位置、及び／又は進行方向に少なくとも部分的に基づいて自律マシンによって１個又は複数の動作を実行することを含む。たとえば、緊急対応車両のタイプ（及び／又は警告タイプ１２２）、位置１１２、及び／又は進行方向１１４は、１個又は複数の動作－たとえば、緊急対応車両に関する現場のルール又は慣習に従うための－を実行するために使用され得る。

図４を参照すると、図４は、本開示のいくつかの実施例による、緊急対応車両検出のための方法４００を示す流れ図である。方法４００は、ブロックＢ４０２において、複数のマイクロフォンを使用して生成されるオーディオ・データを受信することを含む。たとえば、オーディオ・データ１０４は、マイクロフォン１０２－たとえば、マイクロフォン・アレイ２０２のマイクロフォン１０２－を使用して生成され得る。

プロセス４００は、ブロックＢ４０６において、スペクトログラムを生成することを含む。たとえば、スペクトログラム・ジェネレータ１１６は、オーディオ・データ１０４を使用してスペクトログラム１１８（又はオーディオ・データからの１個又は複数のオーディオ信号に対応する１個又は複数の周波数のスペクトルの別の表現）を生成することができる。

プロセス４００は、ブロックＢ４０８において、スペクトログラムを表す第１のデータをＤＮＮに適用することを含む。たとえば、スペクトログラム１１８を表すデータが、ＤＮＮ１２０（たとえば、ＣＲＮＮ１１０Ａ）に適用され得る。

プロセス４００は、ブロックＢ４１０において、ＤＮＮの１個又は複数の特徴抽出層を使用して及び第１のデータに少なくとも部分的に基づいて、第２のデータを計算することを含む。たとえば、ＧＬＵ１２６は、スペクトログラム１１８を表すデータを使用して特徴マップ又は特徴ベクトルを計算するために使用され得る。

プロセス４００は、ブロックＢ４１２において、ＤＮＮの１個又は複数のステートフル層を使用して及び第２のデータに少なくとも部分的に基づいて、第３のデータを計算することを含む。たとえば、ＧＲＵ１３４は、ＧＬＵ１２６の出力から出力を－たとえば、１個又は複数の付加的層、たとえば、層１２８、１３０、及び／又は１３２、によって処理する前又は後に－計算することができる。

プロセス４００は、ブロックＢ４１４において、ＤＮＮの１個又は複数のアテンション層を使用して及び第３のデータに少なくとも部分的に基づいて、複数の警告タイプの確率を表す第４のデータを計算することを含む。たとえば、ＤＮＮ１２０の緻密層１４０が、複数の警告タイプ１２２の確率を示す出力を計算するために使用され得る。

方法４００は、ブロックＢ４１６において、確率に少なくとも部分的に基づいて１個又は複数の動作を実行することを含む。たとえば、緊急対応車両のタイプ（及び／又は警告タイプ１２２）、位置１１２、及び／又は進行方向１１４が、１個又は複数の動作を実行するために－たとえば、緊急対応車両に関する現場のルール又は慣習に従うために－使用され得る。

例示的自律型車両
図５Ａは、本開示のいくつかの実施例による、例示的自律型車両５００の図である。自律型車両５００（或いは本明細書で「車両５００」と称される）は、旅客車両、たとえば、乗用車、トラック、バス、ファースト・レスポンダ車両、シャトル、電気又は原動機付自転車、オートバイ、消防車、警察車両、救急車、ボート、建設車両、潜水艦、ドローン、及び／又は別のタイプの車両（たとえば、無人の及び／又は１人若しくは複数の乗客を乗せた）、を含み得るが、これらに限定されない。自律型車両は、一般に、米国運輸省道路交通安全局（ＮＨＴＳＡ：Ｎａｔｉｏｎａｌ Ｈｉｇｈｗａｙ Ｔｒａｆｆｉｃ Ｓａｆｅｔｙ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）、米国運輸省の部署、及び自動車技術者協会（ＳＡＥ：Ｓｏｃｉｅｔｙ ｏｆ Ａｕｔｏｍｏｔｉｖｅ Ｅｎｇｉｎｅｅｒｓ）「Ｔａｘｏｎｏｍｙ ａｎｄ Ｄｅｆｉｎｉｔｉｏｎｓ ｆｏｒ Ｔｅｒｍｓ Ｒｅｌａｔｅｄ ｔｏ Ｄｒｉｖｉｎｇ Ａｕｔｏｍａｔｉｏｎ Ｓｙｓｔｅｍｓ ｆｏｒ Ｏｎ－Ｒｏａｄ Ｍｏｔｏｒ Ｖｅｈｉｃｌｅ」（２０１８年６月１５日に公開された規格番号Ｊ３０１６－２０１８０６、２０１６年９月３０日に公開された規格番号Ｊ３０１６－２０１６０９、及びこの規格の前の及び未来のバージョン）によって定義される、自動化レベルに関して記述される。車両５００は、自律運転レベルのレベル３～レベル５のうちの１つ又は複数による機能の能力を有し得る。たとえば、車両５００は、実施例に応じて、条件付き自動化（レベル３）、高度自動化（レベル４）、及び／又は完全自動化（レベル５）の能力を有し得る。

車両５００は、車両のシャシ、車体、車輪（たとえば、２、４、６、８、１８など）、タイヤ、車軸、及び他の構成要素などの構成要素を含み得る。車両５００は、内部燃焼エンジン、ハイブリッド動力装置、完全な電気式エンジン、及び／又は別の推進システム・タイプなど、推進システム５５０を含み得る。推進システム５５０は、車両５００の推進力を有効にするために、トランスミッションを含み得る、車両５００のドライブ・トレインに接続され得る。推進システム５５０は、スロットル／加速装置５５２からの信号の受信に応答して制御され得る。

ハンドルを含み得る、ステアリング・システム５５４は、推進システム５５０が動作しているときに（たとえば、車両が移動中のときに）車両５００のかじを取る（たとえば、所望の進路又はルートに沿って）ために使用され得る。ステアリング・システム５５４は、ステアリング・アクチュエータ５５６から信号を受信することができる。ハンドルは、完全自動化（レベル５）機能のオプションでもよい。

ブレーキ・センサ・システム５４６は、ブレーキ・アクチュエータ５４８及び／又はブレーキ・センサからの信号の受信に応答して車両ブレーキを動作させるために使用され得る。

１つ又は複数のシステム・オン・チップ（ＳｏＣ：ｓｙｓｔｅｍ ｏｎ Ｃｈｉｐ）５０４（図５Ｃ）及び／又はＧＰＵを含み得る、コントローラ５３６は、車両５００の１つ若しくは複数の構成要素及び／又はシステムに信号（たとえば、コマンドの表現）を提供することができる。たとえば、コントローラは、１つ又は複数のブレーキ・アクチュエータ５４８を介して車両ブレーキを動作させて、１つ又は複数のステアリング・アクチュエータ５５６を介してステアリング・システム５５４を動作させて、１つ又は複数のスロットル／加速装置５５２を介して推進システム５５０を動作させるために、信号を送ることができる。コントローラ５３６は、センサ信号を処理する、並びに律的運転を可能にするために及び／又は運転者の車両５００の運転を支援するために動作コマンド（たとえば、コマンドを表す信号）を出力する、１つ又は複数の搭載された（たとえば、統合された）計算デバイス（たとえば、スーパーコンピュータ）を含み得る。コントローラ５３６は、自律運転機能のための第１のコントローラ５３６、機能的安全性機能のための第２のコントローラ５３６、人工知能機能（たとえば、コンピュータ・ビジョン）のための第３のコントローラ５３６、インフォテインメント機能のための第４のコントローラ５３６、緊急状態における冗長性のための第５のコントローラ５３６、及び／又は他のコントローラを含み得る。いくつかの実例では、単一のコントローラ５３６が、前述の機能のうちの２個以上を処理することができ、２個以上のコントローラ５３６が、単一の機能、及び／又はその任意の組合せを処理することができる。

コントローラ５３６は、１つ又は複数のセンサから受信したセンサ・データ（たとえば、センサ入力）に応答して車両５００の１つ若しくは複数の構成要素及び／又はシステムを制御するための信号を提供することができる。センサ・データは、たとえば、そして制限なしに、全地球的航法衛星システム・センサ５５８（たとえば、グローバル・ポジショニング・システム・センサ）、ＲＡＤＡＲセンサ５６０、超音波センサ５６２、ＬＩＤＡＲセンサ５６４、慣性計測装置（ＩＭＵ：ｉｎｅｒｔｉａｌ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ）センサ５６６（たとえば、加速度計、ジャイロスコープ、磁気コンパス、磁力計など）、マイクロフォン５９６、ステレオ・カメラ５６８、ワイドビュー・カメラ５７０（たとえば、魚眼カメラ）、赤外線カメラ５７２、サラウンド・カメラ５７４（たとえば、３６０度カメラ）、長距離及び／又は中距離カメラ５９８、スピード・センサ５４４（たとえば、車両５００のスピードを測定するための）、振動センサ５４２、ステアリング・センサ５４０、ブレーキ・センサ（たとえば、ブレーキ・センサ・システム５４６の一部としての）、及び／又は他のセンサ・タイプから受信され得る。

コントローラ５３６のうちの１つ又は複数のコントローラは、車両５００の計器群５３２から入力（たとえば、入力データによって表される）を受信し、出力（たとえば、出力データ、表示データなどによって表される）をヒューマン・マシン・インターフェース（ＨＭＩ：ｈｕｍａｎ－ｍａｃｈｉｎｅ ｉｎｔｅｒｆａｃｅ）ディスプレイ５３４、可聴式アナンシエータ、ラウドスピーカ、及び／又は車両５００の他の構成要素を介して提供することができる。出力は、車両ベロシティ、スピード、時間、マップ・データ（たとえば、図５ＣのＨＤマップ５２２）、位置データ（たとえば、マップ上などの、車両の５００の位置）、方向、他の車両の位置（たとえば、占有グリッド）、コントローラ５３６によって把握されるものとしての物体及び物体の状況に関する情報などの、情報を含み得る。たとえば、ＨＭＩディスプレイ５３４は、１つ又は複数の物体（たとえば、道路標識、警告標識、交通信号の変化など）の存在、及び／又は車両が行った、行っている、又は行うであろう運転操作（たとえば、今、車線変更をしていること、３．２２ｋｍ（２マイル）内の出口３４Ｂを出ることなど）に関する情報を表示することができる。

車両５００はさらに、１つ若しくは複数のワイヤレス・アンテナ５２６及び／又はモデムを使用して１つ若しくは複数のネットワークを介して通信することができるネットワーク・インターフェース５２４を含む。たとえば、ネットワーク・インターフェース５２４は、ＬＴＥ、ＷＣＤＭＡ（登録商標）、ＵＭＴＳ、ＧＳＭ、ＣＤＭＡ２０００などを介する通信の能力を有し得る。ワイヤレス・アンテナ５２６はまた、ブルートゥース（登録商標）、ブルートゥース（登録商標）ＬＥ、Ｚ－Ｗａｖｅ、ＺｉｇＢｅｅなどのローカル・エリア・ネットワーク、及び／又はＬｏＲａＷＡＮ、ＳｉｇＦｏｘなどのロー・パワー・ワイドエリア・ネットワーク（ＬＰＷＡＮ：ｌｏｗ ｐｏｗｅｒ ｗｉｄｅ－ａｒｅａ ｎｅｔｗｏｒｋ）を使用し、環境内の物体（たとえば、車両、モバイル・デバイスなど）の間の通信を可能にすることができる。

図５Ｂは、本開示のいくつかの実施例による、図５Ａの例示的自律型車両５００のカメラ位置及び視野の実例である。カメラ及びそれぞれの視野は、１つの例示的実施例であり、制限することは意図されていない。たとえば、追加の及び／又は代替カメラが含まれ得る、及び／又はカメラは車両５００の異なる位置に置かれ得る。

カメラのカメラ・タイプは、車両５００の構成要素及び／又はシステムと使用するようになされ得るデジタル・カメラを含み得るが、これに限定されない。カメラは、自動車安全整合性レベル（ＡＳＩＬ：ａｕｔｏｍｏｔｉｖｅ ｓａｆｅｔｙ ｉｎｔｅｇｒｉｔｙ ｌｅｖｅｌ）Ｂにおいて及び／又は別のＡＳＩＬにおいて動作することができる。カメラ・タイプは、実施例に応じて、６０フレーム／秒（ｆｐｓ）、１２０ｆｐｓ、２４０ｆｐｓなど、任意の画像キャプチャ・レートの能力を有し得る。カメラは、ロール・シャッタ、グローバル・シャッタ、別のタイプのシャッタ、又はその組合せを使用する能力を有し得る。いくつかの実例では、カラー・フィルタ・アレイは、ＲＣＣＣ（ｒｅｄ ｃｌｅａｒ ｃｌｅａｒ ｃｌｅａｒ）カラー・フィルタ・アレイ、ＲＣＣＢ（ｒｅｄ ｃｌｅａｒ ｃｌｅａｒ ｂｌｕｅ）カラー・フィルタ・アレイ、ＲＢＧＣ（ｒｅｄ ｂｌｕｅ ｇｒｅｅｎ ｃｌｅａｒ）カラー・フィルタ・アレイ、Ｆｏｖｅｏｎ Ｘ３カラー・フィルタ・アレイ、Ｂａｙｅｒセンサ（ＲＧＧＢ）カラー・フィルタ・アレイ、モノクロ・センサ・カラー・フィルタ・アレイ、及び／又は別のタイプのカラー・フィルタ・アレイを含み得る。一部の実施例では、ＲＣＣＣ、ＲＣＣＢ、及び／又はＲＢＧＣカラー・フィルタ・アレイを有するカメラなどのクリア画素カメラは、光感度を上げるための取り組みにおいて使用され得る。

いくつかの実例では、カメラのうちの１つ又は複数が、高度運転者支援システム（ＡＤＡＳ：ａｄｖａｎｃｅｄ ｄｒｉｖｅｒ ａｓｓｉｓｔａｎｃｅ ｓｙｓｔｅｍ）機能（たとえば、冗長又はフェイルセーフ設計の一部として）を実行するために使用され得る。たとえば、多機能モノ・カメラは、車線逸脱警報、交通標識アシスト及びインテリジェント・ヘッドランプ制御を含む機能を提供するために設置され得る。カメラのうちの１つ又は複数（たとえば、すべてのカメラ）が、画像データ（たとえば、ビデオ）を同時に記録及び提供することができる。

カメラのうちの１つ又は複数は、カメラの画像データ・キャプチャ能力を妨げることがある自動車内からの迷光及び反射（たとえば、フロントガラスのミラーにおいて反射されたダッシュボードからの反射）を取り除くために、カスタム設計された（３Ｄ印刷された）部品などの取付部品において取り付けられ得る。サイドミラー取付部品を参照すると、サイドミラー部品は、カメラ取付板がサイドミラーの形状に合うように、カスタム３Ｄ印刷され得る。いくつかの実例では、カメラは、サイドミラー内に統合され得る。サイドビュー・カメラについては、カメラはまた、キャビンの各角にある４個の支柱内に統合され得る。

車両５００の前の環境の部分を含む視野を有するカメラ（たとえば、前向きのカメラ）は、前向きの進路及び障害物の識別を助け、１つ若しくは複数のコントローラ５３６及び／又は制御ＳｏＣの助けにより、占有グリッドの生成及び／又は好ましい車両進路の決定に不可欠な情報の提供の提供を助けるための、サラウンド・ビューのために使用され得る。前向きのカメラは、緊急ブレーキ、歩行者検出、及び衝突回避を含む、ＬＩＤＡＲと同じＡＤＡＳ機能の多くを実行するために使用され得る。前向きのカメラはまた、車線逸脱警報（「ＬＤＷ（Ｌａｎｅ Ｄｅｐａｒｔｕｒｅ Ｗａｒｎｉｎｇ）」）、自律的クルーズ制御（「ＡＣＣ（Ａｕｔｏｎｏｍｏｕｓ Ｃｒｕｉｓｅ Ｃｏｎｔｒｏｌ）」）、及び／又は交通標識認識などの他の機能を含むＡＤＡＳ機能及びシステムのために使用され得る。

様々なカメラが、たとえば、ＣＭＯＳ（ｃｏｍｐｌｅｍｅｎｔａｒｙ ｍｅｔａｌ ｏｘｉｄｅ ｓｅｍｉｃｏｎｄｕｃｔｏｒ）カラー画像化装置を含む単眼カメラ・プラットフォームを含む、前向きの構成において使用され得る。別の実例は、周辺（たとえば、歩行者、交差する交通又は自転車）からのビューに入る物体を把握するために使用され得るワイドビュー・カメラ５７０でもよい。図５Ｂにはワイドビュー・カメラは１つだけ示されているが、車両５００には任意の数のワイドビュー・カメラ５７０が存在し得る。加えて、長距離カメラ５９８（たとえば、ロングビュー・ステレオ・カメラ・ペア）が、特に、ニューラル・ネットワークがまだトレーニングされていない物体について、深度ベースの物体検出のために使用され得る。長距離カメラ５９８はまた、物体検出及び分類、並びに基本物体追跡のために使用され得る。

１つ又は複数のステレオ・カメラ５６８もまた、前向きの構成に含まれ得る。ステレオ・カメラ５６８は、単一のチップ上に統合されたＣＡＮ又はイーサネット（登録商標）・インターフェースを有するプログラマブル論理（ＦＰＧＡ）及びマルチコア・マイクロプロセッサを提供し得る、拡張可能な処理ユニットを備えた統合された制御ユニットを含み得る。そのようなユニットは、画像内のすべてのポイントの距離推定値を含む、車両の環境の３Ｄマップを生成するために使用され得る。代替ステレオ・カメラ５６８は、２個のカメラ・レンズ（左と右に１つずつ）と、車両から対象物体までの距離を測定する及び生成された情報（たとえば、メタデータ）を使用して自律的緊急ブレーキ及び車線逸脱警報機能をアクティブにすることができる画像処理チップとを含み得る、コンパクト・ステレオ・ビジョン・センサを含み得る。他のタイプのステレオ・カメラ５６８が、本明細書に記載のものに加えて、又はそれらの代わりに、使用されてもよい。

車両５００の側面に対する環境の部分を含む視野を有するカメラ（たとえば、サイドビュー・カメラ）が、占有グリッドを作成及び更新するために並びに側面衝撃衝突警報を生成するために使用される情報を提供する、サラウンド・ビューのために使用され得る。たとえば、サラウンド・カメラ５７４（たとえば、図５Ｂに示されるような４個のサラウンド・カメラ５７４）は、車両５００上に位置付けられ得る。サラウンド・カメラ５７４は、ワイドビュー・カメラ５７０、魚眼カメラ、３６０度カメラ、及び／又は同類のものを含み得る。たとえば、４個の魚眼カメラが、車両の前、後ろ、及び側面に配置され得る。代替配置において、車両は、３個のサラウンド・カメラ５７４（たとえば、左、右、及び後部）を使用してもよく、第４のサラウンド・ビュー・カメラとして１つ又は複数の他のカメラ（たとえば、前向きのカメラ）を活用してもよい。

車両５００の後ろに対する環境の部分を含む視野を有するカメラ（たとえば、後方確認カメラ）が、駐車支援、サラウンド・ビュー、後部衝突警報、並びに占有グリッドの作成及び更新のために使用され得る。本明細書に記載のように、前向きのカメラ（たとえば、長距離及び／又は中距離カメラ５９８、ステレオ・カメラ５６８）、赤外線カメラ５７２など）としても適したカメラを含むがこれらに限定されない、多種多様なカメラが使用され得る。

図５Ｃは、本開示のいくつかの実施例による、図５Ａの例示的自律型車両５００の例示的システム・アーキテクチャのブロック図である。本明細書に記載されているこの及び他の配置は単に実例として説明されていることを理解されたい。他の配置及び要素（たとえば、マシン、インターフェース、機能、順番、機能のグループ分けなど）が、示されたものに加えて又はこれらに代わって使用されてもよく、いくつかの要素はともに除外されてもよい。さらに、本明細書に記載の要素の多くは、個別の又は分散された構成要素として又は他の構成要素と併せて、並びに任意の適切な組合せ及び場所において、実装され得る機能エンティティである。エンティティによって実行されるものとして本明細書に記載された様々な機能は、ハードウェア、ファームウェア、及び／又はソフトウェアによって実施され得る。たとえば、様々な機能が、メモリに記憶された命令を実行するプロセッサによって実施され得る。

図５Ｃの車両５００の構成要素、特徴、及びシステムのそれぞれは、バス５０２を介して接続されるものとして図示されている。バス５０２は、コントローラ・エリア・ネットワーク（ＣＡＮ）データ・インターフェース（或いは、「ＣＡＮバス」と称される）を含み得る。ＣＡＮは、ブレーキ、加速度、ブレーキ、ステアリング、フロントガラス・ワイパなどの作動など、車両５００の様々な特徴及び機能の制御を助けるために使用される車両５００内のネットワークでもよい。ＣＡＮバスは、それぞれが独自の一意の識別子（たとえば、ＣＡＮ ＩＤ）を有する、数ダース又は数百ものノードを有するように構成され得る。ＣＡＮバスは、ハンドル角度、対地速度、１分間のエンジン回転（ＲＰＭ：ｒｅｖｏｌｕｔｉｏｎｓ ｐｅｒ ｍｉｎｕｔｅ）、ボタン位置、及び／又は他の車両状況指標を見つけるために読み取られ得る。ＣＡＮバスは、ＡＳＩＬ Ｂ準拠でもよい。

バス５０２は、ＣＡＮバスであるものとして本明細書に記載されているが、これは制限することを意図されていない。たとえば、ＣＡＮバスに加えて、又はこのその代替として、ＦｌｅｘＲａｙ及び／又はイーサネット（登録商標）が使用されてもよい。加えて、単一の線が、バス５０２を表すために使用されているが、これは制限することを意図されていない。たとえば、１つ若しくは複数のＣＡＮバス、１つ若しくは複数のＦｌｅｘＲａｙバス、１つ若しくは複数のイーサネット（登録商標）・バス、及び／又は異なるプロトコルを使用する１つ若しくは複数の他のタイプのバスを含み得る、任意の数のバス５０２が存在し得る。いくつかの実例では、２個以上のバス５０２が、異なる機能を実行するために使用され得る、及び／又は冗長性のために使用され得る。たとえば、第１のバス５０２は衝突回避機能のために使用されてもよく、第２のバス５０２は作動制御のために使用されてもよい。任意の実例において、各バス５０２は、車両５００の構成要素のいずれかと通信し得、２個以上のバス５０２が同じ構成要素と通信し得る。いくつかの実例では、車両内の各ＳｏＣ５０４、各コントローラ５３６、及び／又は各コンピュータは、同じ入力データ（たとえば、車両５００のセンサからの入力）へのアクセスを有し得、ＣＡＮバスなどの共通バスに接続され得る。

車両５００は、図５Ａに関して本明細書で説明されるものなど、１つ又は複数のコントローラ５３６を含み得る。コントローラ５３６は、様々な機能のために使用され得る。コントローラ５３６は、車両５００の様々な他の構成要素及びシステムのいずれかに連結されてもよく、車両５００、車両５００の人工知能、車両５００のためのインフォテインメント、及び／又は同類のものの制御のために使用され得る。

車両５００は、システム・オン・チップ（ＳｏＣ）５０４を含み得る。ＳｏＣ５０４は、ＣＰＵ５０６、ＧＰＵ５０８、プロセッサ５１０、キャッシュ５１２、加速装置５１４、データ・ストア５１６、及び／又は図示されていない他の構成要素及び特徴を含み得る。ＳｏＣ５０４は、様々なプラットフォーム及びシステム内の車両５００を制御するために使用され得る。たとえば、ＳｏＣ５０４は、１つ又は複数のサーバ（たとえば、図５Ｄのサーバ５７８）からネットワーク・インターフェース５２４を介してマップのリフレッシュ及び／又は更新を取得することができるＨＤマップ５２２を有するシステム（たとえば、車両５００のシステム）において結合され得る。

ＣＰＵ５０６は、ＣＰＵクラスタ又はＣＰＵ複合体（或いは、「ＣＣＰＬＥＸ」とも称される）を含み得る。ＣＰＵ５０６は、複数のコア及び／又はＬ２キャッシュを含み得る。たとえば、一部の実施例では、ＣＰＵ５０６は、コヒーレント・マルチプロセッサ構成内の８個のコアを含み得る。一部の実施例では、ＣＰＵ５０６は、４個のデュアルコア・クラスタを含むことができ、各クラスタが専用のＬ２キャッシュ（たとえば、２ＭＢＬ２キャッシュ）を有する。ＣＰＵ５０６（たとえば、ＣＣＰＬＥＸ）は、ＣＰＵ５０６のクラスタの任意の組合せが任意の所与の時間にアクティブになることを可能にする同時クラスタ動作をサポートするように構成され得る。

ＣＰＵ５０６は、以下の特徴のうちの１つ又は複数を含む電力管理能力を実装することができる：個別ハードウェア・ブロックが、動的電力を節約するためにアイドル状態のときに自動的にクロック・ゲーティングされ得る、各コア・クロックは、ＷＦＩ／ＷＦＥ命令の実行により命令をコアがアクティブに実行していないときにゲーティングされ得る、各コアは、独立してパワー・ゲーティングされ得る、各コア・クラスタは、すべてのコアがクロック・ゲーティングされる若しくはパワー・ゲーティングされるときに、独立してクロック・ゲーティングされ得る、及び／又は、各コア・クラスタは、すべてのコアがパワー・ゲーティングされるときに、独立してパワー・ゲーティングされ得る。ＣＰＵ５０６は、電力状態を管理するための強化されたアルゴリズムをさらに実装することができ、そこでは、許容される電力状態及び予想されるウェイクアップ時間が指定され、ハードウェア／マイクロ・コードが、コア、クラスタ、及びＣＣＰＬＥＸに入力するための最良の電力状態を決定する。処理コアは、作業がマイクロ・コードにオフロードされたソフトウェアにおける簡略化された電力状態入力シーケンスをサポートすることができる。

ＧＰＵ５０８は、統合されたＧＰＵ（或いは本明細書において「ｉＧＰＵ」と称される）を含み得る。ＧＰＵ５０８は、プログラマブルになり得、並行のワークロードに効率的になり得る。一部の実例では、ＧＰＵ５０８は、強化されたテンソル命令セットを使用することができる。ＧＰＵ５０８は、１つ又は複数のストリーミング・マイクロプロセッサを含み得、そこで、各ストリーミング・マイクロプロセッサは、Ｌ１キャッシュ（たとえば、少なくとも９６ＫＢ記憶容量を有するＬ１キャッシュ）を含み得、ストリーミング・マイクロプロセッサのうちの２個以上が、キャッシュ（たとえば、５１２ＫＢ記憶容量を有するＬ２キャッシュ）を共用し得る。一部の実施例では、ＧＰＵ５０８は、少なくとも８個のストリーミング・マイクロプロセッサを含み得る。ＧＰＵ５０８は、計算アプリケーション・プログラミング・インターフェース（ＡＰＩ）を使用することができる。加えて、ＧＰＵ５０８は、１つ若しくは複数の並行のコンピューティング・プラットフォーム及び／又はプログラミング・モデル（たとえば、ＮＶＩＤＩＡのＣＵＤＡ）を使用することができる。

ＧＰＵ５０８は、自動車の及び組み込まれた使用事例における最高のパフォーマンスのために電力最適化され得る。たとえば、ＧＰＵ５０８は、ＦｉｎＦＥＴ（Ｆｉｎ ｆｉｅｌｄ－ｅｆｆｅｃｔ ｔｒａｎｓｉｓｔｏｒ）上に製造され得る。しかしながら、これは制限することを意図されておらず、ＧＰＵ５０８は、他の半導体製造プロセスを使用し、製造され得る。各ストリーミング・マイクロプロセッサは、複数のブロックに区切られたいくつかの混合精度処理コアを組み込むことができる。限定ではなく、たとえば、６４ ＰＦ３２コア及び３２ ＰＦ６４コアは、４個の処理ブロックに区切られてもよい。そのような実例では、各処理ブロックは、１６ ＦＰ３２コア、８ ＦＰ６４コア、１６ ＩＮＴ３２コア、深層学習行列演算のための２個の混合精度ＮＶＩＤＩＡテンソル・コア、Ｌ０命令キャッシュ、ワープ・スケジューラ、発送ユニット、及び／又は６４ＫＢレジスタ・ファイルを割り当てられ得る。加えて、ストリーミング・マイクロプロセッサは、計算及びアドレス指定演算の混合を有するワークロードの効率的な実行を提供するための独立した並行の整数及び浮動小数点データ進路を含み得る。ストリーミング・マイクロプロセッサは、並行スレッドの間のより高い細粒度の同期及び連携を可能にするために、独立したスレッド・スケジューリング能力を含み得る。ストリーミング・マイクロプロセッサは、プログラミングを単純化しつつ性能を向上させるために、結合されたＬ１データ・キャッシュ及び共用メモリ・ユニットを含み得る。

ＧＰＵ５０８は、一部の実例では、９００ＧＢ／秒のピーク・メモリ帯域幅に関して、提供するための高帯域幅メモリ（ＨＢＭ：ｈｉｇｈ ｂａｎｄｗｉｄｔｈ ｍｅｍｏｒｙ）及び／又は１６ＧＢＨＢＭ２メモリ・サブシステムを含み得る。いくつかの実例では、ＨＢＭメモリに加えて、又はこれの代わりに、グラフィックス・ダブル・データ・レート・タイプ５同期ランダム・アクセス・メモリ（ＧＤＤＲ５：ｇｒａｐｈｉｃｓ ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ ｔｙｐｅ ｆｉｖｅ ｓｙｎｃｈｒｏｎｏｕｓ ｒａｎｄｏｍ－ａｃｃｅｓｓ ｍｅｍｏｒｙ）などの同期グラフィックス・ランダム・アクセス・メモリ（ＳＧＲＡＭ：ｓｙｎｃｈｒｏｎｏｕｓ ｇｒａｐｈｉｃｓ ｒａｎｄｏｍ－ａｃｃｅｓｓ ｍｅｍｏｒｙ）が使用され得る。

ＧＰＵ５０８は、メモリ・ページに最も頻繁にアクセスするプロセッサへのそれらのメモリ・ページのより正確な移動を可能にするためにアクセス・カウンタを含む統一されたメモリ技術を含むことができ、それにより、プロセッサ間で共用される記憶範囲の効率を向上させる。いくつかの実例では、アドレス変換サービス（ＡＴＳ：ａｄｄｒｅｓｓ ｔｒａｎｓｌａｔｉｏｎ ｓｅｒｖｉｃｅ）サポートが、ＧＰＵ５０８がＣＰＵ５０６ページ・テーブルに直接アクセスすることを可能にするために使用され得る。そのような実例では、ＧＰＵ５０８メモリ管理ユニット（ＭＭＵ：ｍｅｍｏｒｙ ｍａｎａｇｅｍｅｎｔ ｕｎｉｔ）がミスを経験するとき、アドレス変換要求が、ＣＰＵ５０６に送信され得る。応答して、ＣＰＵ５０６は、アドレスの仮想対現実マッピングのためのそのページ・テーブルを調べることができ、ＧＰＵ５０８に変換を送り返す。そのようなものとして、統一されたメモリ技術は、ＣＰＵ５０６とＧＰＵ５０８との両方のメモリの単一統一仮想アドレス空間を可能にすることができ、それによりＧＰＵ５０８へのアプリケーションのＧＰＵ５０８プログラミング及び移植を単純化する。

加えて、ＧＰＵ５０８は、他のプロセッサのメモリへのＧＰＵ５０８のアクセスの頻度を記録することができるアクセス・カウンタを含み得る。アクセス・カウンタは、メモリ・ページが最も頻繁にそのページにアクセスしているプロセッサの物理メモリに移動されることを確実にするのを助けることができる。

ＳｏＣ５０４は、本明細書に記載のものを含む任意の数のキャッシュ５１２を含み得る。たとえば、キャッシュ５１２は、ＣＰＵ５０６とＧＰＵ５０８との両方に利用可能な（たとえば、ＣＰＵ５０６とＧＰＵ５０８との両方に接続された）Ｌ３キャッシュを含み得る。キャッシュ５１２は、キャッシュ・コヒーレンス・プロトコル（たとえば、ＭＥＩ、ＭＥＳＩ、ＭＳＩなど）を使用することなどによって、線の状態を記録することができるライトバック・キャッシュを含み得る。Ｌ３キャッシュは、より小さいキャッシュ・サイズが使用されてもよいが、実施例に応じて、４ＭＢ以上を含み得る。

ＳｏＣ５０４は、車両５００の様々なタスク又は動作のいずれか（たとえば、処理ＤＮＮ）に関して処理を実行する際に活用され得る論理演算ユニット（ＡＬＵ：ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）を含み得る。加えて、ＳｏＣ５０４は、システム内で数学演算を実行するための浮動小数点演算ユニット（ＦＰＵ：ｆｌｏａｔｉｎｇ ｐｏｉｎｔ ｕｎｉｔ）（又は他のマス・コプロセッサ又は数値演算コプロセッサ・タイプ）を含み得る。たとえば、ＳｏＣ１０４は、ＣＰＵ５０６及び／又はＧＰＵ５０８内の実行ユニットとして統合された１つ又は複数のＦＰＵを含み得る。

ＳｏＣ５０４は、１つ又は複数の加速装置５１４（たとえば、ハードウェア・加速装置、ソフトウェア・加速装置、又はその組合せ）を含み得る。たとえば、ＳｏＣ５０４は、最適化されたハードウェア加速装置及び／又は大きなオンチップ・メモリを含み得る、ハードウェア加速クラスタを含み得る。大きなオンチップメモリ（たとえば、４ＭＢのＳＲＡＭ）は、ハードウェア加速クラスタがニューラル・ネットワーク及び他の演算を加速することを可能にし得る。ハードウェア加速クラスタは、ＧＰＵ５０８を補完するために及びＧＰＵ５０８のタスクの一部をオフロードするために（たとえば、他のタスクを実行するためのＧＰＵ５０８のより多くのサイクルを解放するために）使用され得る。一実例として、加速装置５１４は、加速に適するように十分に安定している対象ワークロード（たとえば、知覚、畳み込みニューラル・ネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）など）のために使用され得る。本明細書では、「ＣＮＮ」という用語は、領域ベースの又は領域的畳み込みニューラル・ネットワーク（ＲＣＮＮ：ｒｅｇｉｏｎａｌ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）及び高速ＲＣＮＮ（たとえば、物体検出のために使用されるものとしての）を含む、すべてのタイプのＣＮＮを含み得る。

加速装置５１４（たとえば、ハードウェア加速クラスタ）は、深層学習加速装置（ＤＬＡ：ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｃｃｅｌｅｒａｔｏｒ）を含み得る。ＤＬＡは、深層学習アプリケーション及び推論のために１秒あたり追加の１０兆の動作を提供するように構成することができる１つ又は複数のテンソル処理ユニット（ＴＰＵ：Ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）を含み得る。ＴＰＵは、画像処理機能（たとえば、ＣＮＮ、ＲＣＮＮなどの）を実行するように構成及び最適化された加速装置でもよい。ＤＬＡはさらに、特定のセットのニューラル・ネットワーク・タイプ及び浮動小数点演算、並びに推論のために最適化され得る。ＤＬＡの設計は、汎用ＧＰＵよりも１ミリメートルあたりより多くのパフォーマンスを提供することができ、ＣＰＵのパフォーマンスを大きく超える。ＴＰＵは、たとえば、特徴と重みとの両方についてＩＮＴ８、ＩＮＴ１６、及びＦＰ１６データ・タイプをサポートする、単一インスタンス畳み込み機能、並びにポストプロセッサ機能を含む、いくつかの機能を実行することができる。

ＤＬＡは、以下を含むがこれらに限定されない、様々な機能のいずれかのために処理済み又は未処理のデータでニューラル・ネットワーク、特にＣＮＮ、を迅速に及び効率的に実行することができる：カメラ・センサからのデータを使用する物体識別及び検出のためのＣＮＮ、カメラ・センサからのデータを使用する距離推定のためのＣＮＮ、マイクロフォンからのデータを使用する緊急対応車両検出及び識別及び検出のためのＣＮＮ、カメラ・センサからのデータを使用する顔認識及び車両所有者識別のためのＣＮＮ、及び／又は、セキュリティ及び／又は安全性関連イベントのためのＣＮＮ。

ＤＬＡは、ＧＰＵ５０８の任意の機能を実行することができ、そして、推論加速装置を使用することによって、たとえば、設計者は、任意の機能のためにＤＬＡ又はＧＰＵ５０８のいずれかを対象にすることができる。たとえば、設計者は、ＤＬＡ上のＣＮＮ及び浮動小数点演算の処理に重点的に取り組み、他の機能をＧＰＵ５０８及び／又は他の加速装置５１４に任せることができる。

加速装置５１４（たとえば、ハードウェア加速クラスタ）は、或いはコンピュータ・ビジョン加速装置と本明細書で称され得るプログラマブル・ビジョン加速装置（ＰＶＡ：ｐｒｏｇｒａｍｍａｂｌｅ ｖｉｓｉｏｎ ａｃｃｅｌｅｒａｔｏｒ）を含み得る。ＰＶＡは、高度運転者支援システム（ＡＤＡＳ：ａｄｖａｎｃｅｄ ｄｒｉｖｅｒ ａｓｓｉｓｔａｎｃｅ ｓｙｓｔｅｍ）、自律運転、及び／又は拡張現実（ＡＲ：ａｕｇｍｅｎｔｅｄ ｒｅａｌｉｔｙ）及び／又は仮想現実（ＶＲ：ｖｉｒｔｕａｌ ｒｅａｌｉｔｙ）アプリケーションのためのコンピュータ・ビジョン・アルゴリズムを加速するように設計及び構成され得る。ＰＶＡは、パフォーマンスと柔軟性との間のバランスをもたらすことができる。たとえば、各ＰＶＡは、たとえば、任意の数の縮小命令セット・コンピュータ（ＲＩＳＣ：ｒｅｄｕｃｅｄ ｉｎｓｔｒｕｃｔｉｏｎ ｓｅｔ ｃｏｍｐｕｔｅｒ）コア、直接メモリ・アクセス（ＤＭＡ：ｄｉｒｅｃｔ ｍｅｍｏｒｙ ａｃｃｅｓｓ）、及び／又は任意の数のベクトル・プロセッサを含み得るが、これらに限定されない。

ＲＩＳＣコアは、画像センサ（たとえば、本明細書に記載のカメラのうちのいずれかのカメラの画像センサ）、画像信号プロセッサ、及び／又は同類のものと相互作用することができる。それぞれのＲＩＳＣコアは、任意の量のメモリを含み得る。ＲＩＳＣコアは、実施例に応じて、いくつかのプロトコルのいずれかを使用することができる。いくつかの実例では、ＲＩＳＣコアは、リアルタイム・オペレーティング・システム（ＲＴＯＳ：ｒｅａｌ－ｔｉｍｅ ｏｐｅｒａｔｉｎｇ ｓｙｓｔｅｍ）を実行することができる。ＲＩＳＣコアは、１つ若しくは複数の集積回路デバイス、特定用途向け集積回路（ＡＳＩＣ）、及び／又はメモリ・デバイスを使用して、実装され得る。たとえば、ＲＩＳＣコアは、命令キャッシュ及び／又はしっかりと結合されたＲＡＭを含み得る。

ＤＭＡは、ＣＰＵ５０６から独立したシステム・メモリにＰＶＡの構成要素がアクセスすることを可能にし得る。ＤＭＡは、多次元アドレス指定及び／又は循環アドレス指定をサポートすることを含むがこれに限定されないＰＶＡに最適化をもたらすために使用される任意の数の特徴をサポートすることができる。いくつかの実例では、ＤＭＡは、ブロック幅、ブロック高さ、ブロック深度、水平ブロック・ステッピング、垂直ブロック・ステッピング、及び／又は深度ステッピングを含み得る、６次元まで又はそれ以上のアドレス指定をサポートすることができる。

ベクトル・プロセッサは、コンピュータ・ビジョン・アルゴリズムのプログラミングを効率的に柔軟に実行する及び信号処理能力を提供するように設計され得るプログラマブル・プロセッサでもよい。いくつかの実例では、ＰＶＡは、ＰＶＡコア及び２個のベクトル処理サブシステム・パーティションを含み得る。ＰＶＡコアは、プロセッサ・サブシステム、ＤＭＡエンジン（たとえば、２個のＤＭＡエンジン）、及び／又は他の周辺装置を含み得る。ベクトル処理サブシステムは、ＰＶＡの１次的処理エンジンとして動作することができ、ベクトル処理ユニット（ＶＰＵ：ｖｅｃｔｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、命令キャッシュ、及び／又はベクトル・メモリ（たとえば、ＶＭＥＭ）を含み得る。ＶＰＵコアは、たとえば、単一の命令、複数のデータ（ＳＩＭＤ）、超長命令語（ＶＬＩＷ：ｖｅｒｙ ｌｏｎｇ ｉｎｓｔｒｕｃｔｉｏｎ ｗｏｒｄ）デジタル信号プロセッサなど、デジタル信号プロセッサを含み得る。ＳＩＭＤ及びＶＬＩＷの組合せは、スループット及びスピードを高めることができる。

それぞれのベクトル・プロセッサは、命令キャッシュを含み得、専用のメモリに連結され得る。結果として、一部の実例では、それぞれのベクトル・プロセッサは、他のベクトル・プロセッサから独立して実行するように構成され得る。他の実例において、特定のＰＶＡに含まれるベクトル・プロセッサは、データ並列処理を用いるように構成され得る。たとえば、一部の実施例では、単一のＰＶＡに含まれる複数のベクトル・プロセッサは、同じコンピュータ・ビジョン・アルゴリズムを、しかし画像の異なる領域上で、実行することができる。他の実例において、特定のＰＶＡに含まれるベクトル・プロセッサは、異なるコンピュータ・ビジョン・アルゴリズムを、同じ画像上で、同時に実行することができ、或いは順次画像又は画像の部分で異なるアルゴリズムを実行することさえできる。特に、任意の数のＰＶＡは、ハードウェア加速クラスタに含まれ得、任意の数のベクトル・プロセッサは、それぞれのＰＶＡに含まれ得る。加えて、ＰＶＡは、全体的システム安全性を高めるために、追加のエラー訂正コード（ＥＣＣ：ｅｒｒｏｒ ｃｏｒｒｅｃｔｉｎｇ ｃｏｄｅ）メモリを含み得る。

加速装置５１４（たとえば、ハードウェア加速クラスタ）は、加速装置５１４のための高帯域幅、低レイテンシＳＲＡＭを提供するための、コンピュータ・ビジョン・ネットワーク・オンチップ及びＳＲＡＭを含み得る。いくつかの実例では、オンチップ・メモリは、たとえば、そして制限ではなく、ＰＶＡとＤＬＡとの両方によってアクセス可能でもよい、８個のフィールド構成可能なメモリ・ブロックから成る、少なくとも４ＭＢのＳＲＡＭを含み得る。各ペアのメモリ・ブロックは、高度周辺バス（ＡＰＢ：ａｄｖａｎｃｅｄ ｐｅｒｉｐｈｅｒａｌ ｂｕｓ）インターフェース、構成回路、コントローラ、及びマルチプレクサを含み得る。任意のタイプのメモリが、使用され得る。ＰＶＡ及びＤＬＡは、メモリへの高速アクセスを有するＰＶＡ及びＤＬＡを提供するバックボーンを介してメモリにアクセスすることができる。バックボーンは、（たとえば、ＡＰＢを使用して）ＰＶＡ及びＤＬＡをメモリに相互接続するコンピュータ・ビジョン・ネットワーク・オンチップを含み得る。

コンピュータ・ビジョン・ネットワーク・オンチップは、ＰＶＡとＤＬＡとの両方が作動可能及び有効信号を提供することを、任意の制御信号／アドレス／データの送信の前に、決定するインターフェースを含み得る。そのようなインターフェースは、制御信号／アドレス／データを送信するための別個のフェーズ及び別個のチャネル、並びに連続的データ転送のためのバーストタイプの通信を提供することができる。このタイプのインターフェースは、ＩＳＯ２６２６２又はＩＥＣ６１５０８規格に従うことができるが、他の規格及びプロトコルが使用されてもよい。

いくつかの実例では、ＳｏＣ５０４は、特許文献２に記載されるような、リアルタイム・レイトレーシング・ハードウェア加速装置を含み得る。リアルタイム・レイトレーシング・ハードウェア加速装置は、ＲＡＤＡＲ信号解釈のための、音響伝播合成及び／又は分析のための、ＳＯＮＡＲシステムのシミュレーションのための、一般波伝播シミュレーションのための、ローカリゼーション及び／又は他の機能を目的とするＬＩＤＡＲデータに対する比較のための、及び／又は他の使用のための、リアルタイム視覚化シミュレーションを生成するために、（たとえば、世界モデル内の）物体の位置及び規模を迅速に効率的に決定するために使用され得る。一部の実施例では、１つ又は複数の木の走査ユニット（ＴＴＵ：ｔｒｅｅ ｔｒａｖｅｒｓａｌ ｕｎｉｔ）が、１つ又は複数のレイトレーシング関連動作を実行するために使用され得る。

加速装置５１４（たとえば、ハードウェア加速装置クラスタ）は、自律運転のための多様な用途を有する。ＰＶＡは、ＡＤＡＳ及び自律型車両における極めて重要な処理段階に使用され得るプログラマブル・ビジョン加速装置でもよい。ＰＶＡの能力は、低電力及び低レイテンシにおいて、予測可能な処理を必要とするアルゴリズムの領域にふさわしい。言い換えれば、ＰＶＡは、低レイテンシ及び低電力とともに予測可能な実行時間を必要とする、小さなデータ集合上でも、半高密度の又は高密度の通常の計算で上手く機能する。それ故に、ＰＶＡは、物体検出及び整数計算での動作において効率的であるので、自律型車両のためのプラットフォームとの関連で、ＰＶＡは、クラシック・コンピュータ・ビジョン・アルゴリズムを実行するように設計される。

たとえば、本技術の１つの実施例によれば、ＰＶＡは、コンピュータ・ステレオ・ビジョンを実行するために使用される。半グローバルなマッチングベースのアルゴリズムが、一部の実例では使用され得るが、これは制限することを意図されていない。レベル３～５の自律運転のための多数のアプリケーションは、動き推定／ステレオ・マッチング・オンザフライ（たとえば、ＳＦＭ（ｓｔｒｕｃｔｕｒｅ ｆｒｏｍ ｍｏｔｉｏｎ）、歩行者認識、レーン検出など）を必要とする。ＰＶＡは、２個の単眼カメラからの入力でコンピュータ・ステレオ・ビジョン機能を実行することができる。

いくつかの実例では、ＰＶＡは、高密度のオプティカル・フローを実行するために使用され得る。処理されたＲＡＤＡＲを提供するために未加工のＲＡＤＡＲデータを処理する（たとえば、４Ｄ高速フーリエ変換を使用して）ことによる。他の実例において、ＰＶＡは、たとえば、飛行データの未加工の時間を処理して飛行データの処理済み時間を提供することにより、飛行深度処理の時間に使用される。

ＤＬＡは、たとえば、各物体検出の信頼性の測定値を出力するニューラル・ネットワークを含む、制御及び運転安全性を強化するために任意のタイプのネットワークを実行するために使用され得る。そのような信頼性値は、確率として、又は他の検出と比較した各検出の相対的「重み」を提供するものとして、解釈され得る。この信頼性値は、どの検出が誤判定検出ではなくて真陽性検出と考えられるべきであるかに関するさらなる決定をシステムが行うことを可能にする。たとえば、システムは、信頼性の閾値を設定し、真陽性検出としての閾値を超える検出のみを考慮することができる。自動非常ブレーキ（ＡＥＢ：ａｕｔｏｍａｔｉｃ ｅｍｅｒｇｅｎｃｙ ｂｒａｋｉｎｇ）システムにおいて、誤判定検出は、車両に非常ブレーキを自動で実行させることになり、これは明らかに望ましくない。したがって、最も確信のある検出のみが、ＡＥＢのトリガとして考えられるべきである。ＤＬＡは、信頼性値を退行するニューラル・ネットワークを実行し得る。ニューラル・ネットワークは、境界ボックス次元、（たとえば、別のサブシステムから）取得されたグラウンド・プレーン推定、ニューラル・ネットワーク及び／又は他のセンサ（たとえば、ＬＩＤＡＲセンサ５６４又はＲＡＤＡＲセンサ５６０）から取得された物体の車両５００方位、距離、３Ｄ位置推定と相関する慣性計測装置（ＩＭＵ：ｉｎｅｒｔｉａｌ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ）センサ５６６出力、その他など、少なくともいくつかのサブセットのパラメータをその入力として受け取ることができる。

ＳｏＣ５０４は、データ・ストア５１６（たとえば、メモリ）を含み得る。データ・ストア５１６は、ＳｏＣ５０４のオンチップ・メモリでもよく、ＧＰＵ及び／又はＤＬＡで実行されることになるニューラル・ネットワークを記憶することができる。いくつかの実例では、データ・ストア５１６は、冗長性及び安全性のためにニューラル・ネットワークの複数のインスタンスを記憶するのに十分な大きさの容量を有し得る。データ・ストア５１２は、Ｌ２又はＬ３キャッシュ５１２を備え得る。データ・ストア５１６の参照は、本明細書に記載のような、ＰＶＡ、ＤＬＡ、及び／又は他の加速装置５１４に関連するメモリの参照を含み得る。

ＳｏＣ５０４は、１つ又は複数のプロセッサ５１０（たとえば、組み込まれたプロセッサ）を含み得る。プロセッサ５１０は、ブート電力及び管理能力及び関連するセキュリティ施行を処理するための専用のプロセッサ及びサブシステムでもよいブート及び電力管理プロセッサを含み得る。ブート及び電力管理プロセッサは、ＳｏＣ５０４ブート・シーケンスの一部でもよく、実行時間電力管理サービスを提供することができる。ブート電力及び管理プロセッサは、クロック及び電圧プログラミング、システム低電力状態移行の支援、ＳｏＣ５０４熱及び温度センサの管理、及び／又はＳｏＣ５０４電力状態の管理を提供することができる。各温度センサは、その出力頻度が温度に比例するリング発振器として実装されてもよく、ＳｏＣ５０４は、リング発振器を使用してＣＰＵ５０６、ＧＰＵ５０８、及び／又は加速装置５１４の温度を検出することができる。温度が、閾値を超えたと判定された場合、ブート及び電力管理プロセッサは、温度障害ルーティンに入り、ＳｏＣ５０４をより低い電力状態に置く及び／又は車両５００をショーファーの安全停止モードにする（たとえば、車両５００を安全停止させる）ことができる。

プロセッサ５１０は、オーディオ処理エンジンの機能を果たし得る１セットの組み込まれたプロセッサをさらに含み得る。オーディオ処理エンジンは、複数のインターフェースを介するマルチチャネル・オーディオの完全なハードウェア・サポートとオーディオＩ／Ｏインターフェースの広く柔軟な範囲とを可能にするオーディオ・サブシステムでもよい。いくつかの実例では、オーディオ処理エンジンは、専用のＲＡＭを有するデジタル信号プロセッサを有する専用のプロセッサ・コアである。

プロセッサ５１０は、低電力センサ管理及びウェイク使用事例をサポートするための必要なハードウェア特徴を提供することができる常時オンのプロセッサ・エンジンをさらに含み得る。常時オンのプロセッサ・エンジンは、プロセッサ・コア、しっかりと結合されたＲＡＭ、支援周辺装置（たとえば、タイマ及び割り込みコントローラ）、様々なＩ／Ｏコントローラ周辺装置、及びルーティング論理を含み得る。

プロセッサ５１０は、自動車のアプリケーションの安全性管理を処理するために専用のプロセッサ・サブシステムを含む安全性クラスタ・エンジンをさらに含み得る。安全性クラスタ・エンジンは、２個以上のプロセッサ・コア、しっかりと結合されたＲＡＭ、サポート周辺装置（たとえば、タイマ、割り込みコントローラなど）、及び／又はルーティング論理を含み得る。安全性モードにおいて、２個以上のコアは、ロックステップ・モードにおいて動作し、それらの動作の間の何らかの差を検出するための比較論理を有する単一のコアとして機能することができる。

プロセッサ５１０は、リアルタイム・カメラ管理を処理するための専用のプロセッサ・サブシステムを含み得るリアルタイム・カメラ・エンジンをさらに含み得る。

プロセッサ５１０は、カメラ処理パイプラインの一部であるハードウェア・エンジンである画像信号プロセッサを含み得る高ダイナミック・レンジ信号プロセッサをさらに含み得る。

プロセッサ５１０は、プレイヤ・ウインドウのための最終的画像を生み出すためにビデオ再生アプリケーションによって必要とされるビデオ処理後機能を実装する処理ブロック（たとえば、マイクロプロセッサに実装された）でもよいビデオ画像合成器を含み得る。ビデオ画像合成器は、ワイドビュー・カメラ５７０で、サラウンド・カメラ５７４で、及び／又はキャビン内監視カメラ・センサでレンズ歪み補正を実行することができる。キャビン内監視カメラ・センサは好ましくは、キャビン内イベントを識別し、適切に応答するように構成された、高度ＳｏＣの別のインスタンス上で実行するニューラル・ネットワークによって監視される。キャビン内システムは、セルラ・サービスをアクティブにする及び電話をかける、電子メールを書き取らせる、車両の目的地を変更する、車両のインフォテインメント・システム及び設定をアクティブにする又は変更する、或いは音声起動型ウェブ・サーフィンを提供するために、読唇術を実行することができる。ある特定の機能は、自律モードで動作しているときにのみ運転者に利用可能であり、そうでない場合には無効にされる。

ビデオ画像合成器は、空間的ノイズ低減及び時間的ノイズ低減の両方のための強化された時間的ノイズ低減を含み得る。たとえば、動きがビデオ内で生じた場合、ノイズ低減は、隣接するフレームによって提供される情報の重みを減らし、空間的情報に適切に重みを加える。画像又は画像の一部が動きを含まない場合、ビデオ画像合成器によって実行される時間的ノイズ低減は、前の画像からの情報を使用して現在の画像におけるノイズを減らすことができる。

ビデオ画像合成器はまた、入力ステレオ・レンズ・フレーム上でステレオ・レクティフィケーションを実行するように構成され得る。ビデオ画像合成器はさらに、オペレーティング・システム・デスクトップが使用中であるときにユーザ・インターフェース合成のために使用することができ、ＧＰＵ５０８は、新しい表面を連続してレンダリングために必要とされない。ＧＰＵ５０８の電源が入れられ、３Ｄレンダリングをアクティブに行っているときでも、ビデオ画像合成器は、ＧＰＵ５０８をオフロードしてパフォーマンス及び反応性を向上させるために使用され得る。

ＳｏＣ５０４は、カメラからビデオ及び入力を受信するためのモバイル・インダストリ・プロセッサ・インターフェース（ＭＩＰＩ：ｍｏｂｉｌｅ ｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓｏｒ ｉｎｔｅｒｆａｃｅ）カメラ・シリアル・インターフェース、高速インターフェース、及び／又は、カメラ及び関連画素入力機能のために使用され得るビデオ入力ブロックをさらに含み得る。ＳｏＣ５０４は、ソフトウェアによって制御され得る、及び特定の役割にコミットされていないＩ／Ｏ信号を受信するために使用され得る、入力／出力コントローラをさらに含み得る。

ＳｏＣ５０４は、周辺装置、オーディオ・コーデック、電力管理、及び／又は他のデバイスとの通信を可能にするために、広範囲の周辺インターフェースをさらに含み得る。ＳｏＣ５０４は、（たとえば、ギガビット・マルチメディア・シリアル・リンク及びイーサネット（登録商標）を介して接続された）カメラからのデータ、センサ（たとえば、イーサネット（登録商標）を介して接続され得るＬＩＤＡＲセンサ５６４、ＲＡＤＡＲセンサ５６０など）、バス５０２からのデータ（たとえば、車両５００のスピード、ハンドル位置など）、（たとえば、イーサネット（登録商標）又はＣＡＮバスを介して接続された）ＧＮＳＳセンサ５５８からのデータを処理するために使用され得る。ＳｏＣ５０４は、独自のＤＭＡエンジンを含み得る及びルーティン・データ管理タスクからＣＰＵ５０６を解放するために使用され得る専用の高性能大容量記憶コントローラをさらに含み得る。

ＳｏＣ５０４は、自動化レベル３～５に広がる柔軟なアーキテクチャを有する終端間プラットフォームでもよく、それによって、多様性及び冗長性のためにコンピュータ・ビジョン及びＡＤＡＳ技法を活用し、効率的に使用し、深層学習ツールとともに、柔軟な、信頼できる運転ソフトウェア・スタックのためのプラットフォームを提供する、総合的機能的安全性アーキテクチャを提供する。ＳｏＣ５０４は、従来のシステムよりも高速で、信頼でき、さらにエネルギ効率がよく、空間効率がよくなり得る。たとえば、加速装置５１４が、ＣＰＵ５０６と結合されるとき、ＧＰＵ５０８、及びデータ・ストア５１６は、レベル３～５の自律型車両のための高速で効率的なプラットフォームを提供することができる。

したがって、本技術は、従来のシステムによって達成することができない能力及び機能性をもたらす。たとえば、コンピュータ・ビジョン・アルゴリズムは、多種多様な視覚的データにわたり多種多様な処理アルゴリズムを実行するために、Ｃプログラミング言語などの高レベルのプログラミング言語を使用して構成され得る、ＣＰＵで実行され得る。しかしながら、ＣＰＵは、しばしば、たとえば、実行時間及び電力消費に関連するものなど、多数のコンピュータ・ビジョン・アプリケーションの性能要件を満たすことができない。具体的には、多数のＣＰＵは、車両内ＡＤＡＳアプリケーションの要件及び実際のレベル３～５の自律型車両の要件である、リアルタイムでの複合物体検出アルゴリズムを実行することができない。

従来のシステムとは対照的に、ＣＰＵ複合体、ＧＰＵ複合体、及びハードウェア加速クラスタを提供することによって、本明細書に記載の技術は、複数のニューラル・ネットワークが同時に及び／又は連続して実行されることと、レベル３～５の自律運転機能を可能にするために結果が結合されることとを可能にする。たとえば、ＤＬＡ又はｄＧＰＵ（たとえば、ＧＰＵ５２０）で実行するＣＮＮは、ニューラル・ネットワークが具体的にトレーニングされていない標識を含む、交通標識をスーパーコンピュータが読み取る及び理解することを可能にする、テキスト及び単語認識を含み得る。ＤＬＡは、標識の意味論的理解を識別、解釈、及び提供することと、ＣＰＵ複合体で実行する進路計画立案モジュールに意味論的理解を渡すこととを行うことができる、ニューラル・ネットワークをさらに含み得る。

別の実例として、複数のニューラル・ネットワークは、レベル３、４、又は５の運転に必要とされるように、同時に実行され得る。たとえば、電光とともに、「注意：点滅光は、凍った状態を示す」から成る警告標識は、いくつかのニューラル・ネットワークによって独立して又は集合的に解釈され得る。標識自体は、第１の配備されたニューラル・ネットワーク（たとえば、トレーニングされてあるニューラル・ネットワーク）によって交通標識として識別され得、テキスト「点滅光は、凍った状態を示す」は、点滅光が検出されるときには凍った状態が存在することを車両の進路計画立案ソフトウェア（好ましくはＣＰＵ複合体上で実行する）に知らせる、第２の配備されたニューラル・ネットワークによって解釈され得る。点滅光は、点滅光の存在（又は無いこと）を車両の進路計画立案ソフトウェアに知らせ、複数のフレームを介して第３の配備されたニューラル・ネットワークを動作させることによって識別され得る。すべての３個のニューラル・ネットワークは、ＤＬＡ内及び／又はＧＰＵ５０８上などで、同時に実行することができる。

いくつかの実例では、顔認識及び車両所有者識別のためのＣＮＮは、カメラ・センサからのデータを使用して車両５００の正規の運転者及び／又は所有者の存在を識別することができる。常時オンのセンサ処理エンジンは、所有者が運転席側のドアに近づくときに車両を解錠する及び明かりをつけるために、並びに、セキュリティ・モードにおいて、所有者が車両を離れるときに車両の動作を停止させるために、使用され得る。このようにして、ＳｏＣ５０４は、盗難及び／又は車の乗っ取りに対するセキュリティをもたらす。

別の実例では、緊急対応車両検出及び識別のためのＣＮＮは、マイクロフォン５９６からのデータを使用して緊急対応車両サイレンを検出及び識別することができる。一般分類子を使用してサイレンを検出する及び特徴を手動で抽出する従来のシステムとは対照的に、ＳｏＣ５０４は、環境の及び都市の音の分類、並びに視覚的データの分類のためにＣＮＮを使用する。好ましい一実施例では、ＤＬＡ上で実行するＣＮＮは、（たとえば、ドップラー効果を使用することによって）緊急対応車両の相対的終速度を識別するようにトレーニングされる。ＣＮＮはまた、ＧＮＳＳセンサ５５８によって識別されるように、車両が稼働しているローカル・エリアに特有の緊急対応車両を識別するようにトレーニングされ得る。それ故に、たとえば、欧州で稼働しているとき、ＣＮＮは、欧州のサイレンを検出しようとすることになり、そして、米国にあるとき、ＣＮＮは、北米のサイレンのみを識別しようとすることになる。緊急対応車両が検出された後は、制御プログラムが、緊急対応車両が通過するまで、超音波センサ５６２の支援を受けて、車両を減速する、道の端に停止させる、車両を駐車する、及び／又は車両をアイドリングさせる、緊急対応車両安全性ルーティンを実行するために使用され得る。

車両は、高速相互接続（たとえば、ＰＣＩｅ）を介してＳｏＣ５０４に連結され得るＣＰＵ５１８（たとえば、個別のＣＰＵ、又はｄＣＰＵ）を含み得る。ＣＰＵ５１８は、たとえば、Ｘ８６プロセッサを含み得る。ＣＰＵ５１８は、たとえば、ＡＤＡＳセンサとＳｏＣ５０４との間の潜在的に不整合の結果を調停すること、及び／又はコントローラ５３６及び／又はインフォテインメントＳｏＣ５３０の状況及び調子を監視することを含む、様々な機能のいずれかを実行するために使用され得る。

車両５００は、高速相互接続（たとえば、ＮＶＩＤＩＡのＮＶＬＩＮＫ）を介してＳｏＣ５０４に連結され得るＧＰＵ５２０（たとえば、個別のＧＰＵ、又はｄＧＰＵ）を含み得る。ＧＰＵ５２０は、冗長及び／又は異なるニューラル・ネットワークを実行することなどによって、付加的人工知能機能をもたらすことができ、車両５００のセンサからの入力（たとえば、センサ・データ）に基づいてニューラル・ネットワークをトレーニング及び／又は更新するために使用され得る。

車両５００は、１つ又は複数のワイヤレス・アンテナ５２６（たとえば、セルラ・アンテナ、ブルートゥース（登録商標）・アンテナなど、異なる通信プロトコルのための１つ又は複数のワイヤレス・アンテナ）を含み得るネットワーク・インターフェース５２４をさらに含み得る。ネットワーク・インターフェース５２４は、インターネットを介するクラウドとの（たとえば、サーバ５７８及び／又は他のネットワーク・デバイスとの）、他の車両との、及び／又は計算デバイス（たとえば、乗客のクライアント・デバイス）とのワイヤレス接続を使用可能にするために使用され得る。他の車両と通信するために、直接リンクが２個の車両の間に確立され得る、及び／又は、間接リンクが（たとえば、ネットワークを通じて及びインターネットを介して）確立され得る。直接リンクは、車両対車両通信リンクを使用し、提供され得る。車両対車両通信リンクは、車両５００に近接する車両（たとえば、車両５００の前の、横の、及び／又は後ろの車両）に関する車両５００情報を提供することができる。この機能は、車両５００の共同適応クルーズ制御機能の一部でもよい。

ネットワーク・インターフェース５２４は、変調及び復調機能を提供する及びコントローラ５３６がワイヤレス・ネットワークを介して通信することを可能にする、ＳｏＣを含み得る。ネットワーク・インターフェース５２４は、ベースバンドから無線周波数へのアップコンバージョン、及び無線周波数からベースバンドへのダウンコンバージョンのための無線周波数フロントエンドを含み得る。周波数コンバージョンは、よく知られているプロセスを通して実行することができ、及び／又はスーパーヘテロダイン・プロセスを用いて実行することができる。いくつかの実例では、無線周波数フロントエンド機能は、別個のチップによって提供され得る。ネットワーク・インターフェースは、ＬＴＥ、ＷＣＤＭＡ（登録商標）、ＵＭＴＳ、ＧＳＭ、ＣＤＭＡ２０００、ブルートゥース（登録商標）、ブルートゥース（登録商標）ＬＥ、Ｗｉ－Ｆｉ、Ｚ－Ｗａｖｅ、ＺｉｇＢｅｅ、ＬｏＲａＷＡＮ、及び／又は他のワイヤレス・プロトコルを介して通信するためのワイヤレス機能を含み得る。

車両５００は、チップ外の（たとえば、ＳｏＣ５０４外の）ストレージを含み得るデータ・ストア５２８をさらに含み得る。データ・ストア５２８は、ＲＡＭ、ＳＲＡＭ、ＤＲＡＭ、ＶＲＡＭ、フラッシュ、ハードディスク、及び／又は、少なくとも１ビットのデータを記憶することができる他の構成要素及び／又はデバイスを含む、１つ又は複数の記憶素子を含み得る。

車両５００は、ＧＮＳＳセンサ５５８をさらに含み得る。ＧＮＳＳセンサ５５８（たとえば、ＧＰＳ、支援されたＧＰＳセンサ、ディファレンシャルＧＰＳ（ＤＧＰＳ）センサなど）は、マッピング、知覚、占有グリッド生成、及び／又は進路計画策定機能を支援する。たとえば、シリアル（ＲＳ－２３２）ブリッジへのイーサネット（登録商標）を有するＵＳＢコネクタを使用するＧＰＳを含むが、これに限定されない、任意の数のＧＮＳＳセンサ５５８が、使用され得る。

車両５００は、ＲＡＤＡＲセンサ５６０をさらに含み得る。ＲＡＤＡＲセンサ５６０は、暗闇及び／又は厳しい気象条件においても、長距離車両検出のために車両５００によって使用され得る。ＲＡＤＡＲ機能安全性レベルは、ＡＳＩＬ Ｂでもよい。一部の実例では、ＲＡＤＡＲセンサ５６０は、未加工のデータにアクセスするためのイーサネット（登録商標）へのアクセスを用いて、制御のために及び物体追跡データにアクセスするために（たとえば、ＲＡＤＡＲセンサ５６０によって生成されたデータを送信するために）ＣＡＮ及び／又はバス５０２を使用することができる。多種多様なＲＡＤＡＲセンサ・タイプが、使用され得る。たとえば、そして制限なしに、ＲＡＤＡＲセンサ５６０は、前部、後部、及び側部ＲＡＤＡＲ使用に適し得る。一部の実例では、パルス・ドップラーＲＡＤＡＲセンサが使用される。

ＲＡＤＡＲセンサ５６０は、狭い視野を有する長距離、広い視野を有する短距離、短距離側部カバレッジなど、異なる構成を含み得る。いくつかの実例では、長距離ＲＡＤＡＲは、適応クルーズ制御機能のために使用され得る。長距離ＲＡＤＡＲシステムは、２５０ｍの範囲内など、２個以上の独立したスキャンによって実現される広い視野を提供することができる。ＲＡＤＡＲセンサ５６０は、静的物体と動く物体との区別を助けることができ、緊急ブレーキ・アシスト及び前方衝突警報のためのＡＤＡＳシステムによって使用され得る。長距離ＲＡＤＡＲセンサは、複数の（たとえば、６つ以上の）固定ＲＡＤＡＲアンテナと高速ＣＡＮ、イーサネット（登録商標）、及び／又はＦｌｅｘＲａｙインターフェースとを有するモノスタティック・マルチモーダルＲＡＤＡＲを含み得る。６つのアンテナを有する一実例では、中央の４個のアンテナは、隣接レーン内の交通からの干渉を最小限にして高速で車両５００の周囲を記録するように設計された、集束ビーム・パターンを作成し得る。他の２個のアンテナは、視野を広げることができ、車両５００のレーンに入る又はこれを去る車両を迅速に検出することを可能にする。

一実例として、中距離ＲＡＤＡＲシステムは、５６０ｍ（前）又は８０ｍ（後）までの範囲、及び４２度（前）又は５５０度（後）までの視野を含み得る。短距離ＲＡＤＡＲシステムは、後部バンパの両端に設置されるように設計されたＲＡＤＡＲセンサを含み得るが、これに限定されない。後部バンパの両端に設置されるとき、そのようなＲＡＤＡＲセンサ・システムは、車両の後ろ及び隣の死角を常に監視する２個のビームを作成することができる。

短距離ＲＡＤＡＲシステムは、死角検出及び／又はレーン変更アシストのためにＡＤＡＳシステムにおいて使用され得る。

車両５００は、超音波センサ５６２をさらに含み得る。車両５００の前部、後部、及び／又は側部に位置付けられ得る、超音波センサ５６２は、駐車アシストのために及び／又は占有グリッドの作成及び更新のために使用され得る。多種多様な超音波センサ５６２が使用され得、異なる超音波センサ５６２が、異なる範囲の検出（たとえば、２．５ｍ、４ｍ）のために使用され得る。超音波センサ５６２は、ＡＳＩＬ Ｂの機能的安全性レベルにおいて動作することができる。

車両５００はＬＩＤＡＲセンサ５６４を含み得る。ＬＩＤＡＲセンサ５６４は、物体及び歩行者検出、緊急ブレーキ、衝突回避、及び／又は他の機能のために使用され得る。ＬＩＤＡＲセンサ５６４は、機能的安全性レベルＡＳＩＬ Ｂでもよい。いくつかの実例では、車両５００は、（たとえば、ギガビット・イーサネット（登録商標）・スイッチにデータを提供するために）イーサネット（登録商標）を使用することができる複数の（たとえば、２個、４個、６個などの）ＬＩＤＡＲセンサ５６４を含み得る。

いくつかの実例では、ＬＩＤＡＲセンサ５６４は、物体及び３６０度視野のそれらの距離のリストを提供する能力を有し得る。市販のＬＩＤＡＲセンサ５６４は、たとえば、２ｃｍ～３ｃｍの精度を有し、５００Ｍｂｐｓイーサネット（登録商標）接続のサポートを有して、約５００ｍの広告された範囲を有し得る。いくつかの実例では、１つ又は複数の非突出したＬＩＤＡＲセンサ５６４が、使用され得る。そのような実例では、ＬＩＤＡＲセンサ５６４は、車両５００の前部、後部、側部、及び／又は角に組み込まれ得る小さいデバイスとして実装され得る。そのような実例では、ＬＩＤＡＲセンサ５６４は、低反射物体についても２００ｍの範囲を有し、１２０度水平及び３５度垂直視野まで提供することができる。前部に取り付けられたＬＩＤＡＲセンサ５６４は、４５度と１３５度との間の水平視野向けに構成され得る。

いくつかの実例では、３ＤフラッシュＬＩＤＡＲなどのＬＩＤＡＲ技術もまた使用され得る。３ＤフラッシュＬＩＤＡＲは、約２００ｍまで車両の周囲を照らすために、送信元としてレーザーのフラッシュを使用する。フラッシュＬＩＤＡＲユニットは、車両から物体までの範囲に順番に対応する、レーザー・パルス走行時間及び各画素上の反射光を記録する、レセプタを含む。フラッシュＬＩＤＡＲは、周囲の高精度の及び歪みのない画像があらゆるレーザー・フラッシュで生成されることを可能にし得る。いくつかの実例では、４個のフラッシュＬＩＤＡＲセンサが、車両５００の各側面に１つずつ、配備され得る。利用可能な３ＤフラッシュＬＩＤＡＲシステムは、送風機以外に動く部分を有さないソリッドステート３Ｄステアリング・アレイＬＩＤＡＲカメラ（たとえば、非スキャン型ＬＩＤＡＲデバイス）を含む。フラッシュＬＩＤＡＲデバイスは、１フレームにつき５ナノ秒クラスＩ（目に安全な）レーザー・パルスを使用することができ、３Ｄ範囲点群及び共記載された強度データの形で反射レーザー光をキャプチャし得る。フラッシュＬＩＤＡＲを使用することによって、また、フラッシュＬＩＤＡＲは、動く部分を有さないソリッドステート・デバイスであるので、ＬＩＤＡＲセンサ５６４は、モーション・ブラー、振動、及び／又は衝撃の影響を受けにくくなり得る。

車両は、ＩＭＵセンサ５６６をさらに含み得る。一部の実例では、ＩＭＵセンサ５６６は、車両５００の後部車軸の中央に位置付けられ得る。ＩＭＵセンサ５６６は、たとえば、加速度計、磁力計、ジャイロスコープ、磁気コンパス、及び／又は他のセンサ・タイプを含み得るが、これらに限定されない。いくつかの実例では、６軸アプリケーションなどにおいて、ＩＭＵセンサ５６６は、加速度計及びジャイロスコープを含み得るが、９軸アプリケーションにおいて、ＩＭＵセンサ５６６は、加速度計、ジャイロスコープ、及び磁力計を含み得る。

一部の実施例では、ＩＭＵセンサ５６６は、マイクロ電気機械システム（ＭＥＭＳ：ｍｉｃｒｏ－ｅｌｅｃｔｒｏ－ｍｅｃｈａｎｉｃａｌ ｓｙｓｔｅｍ）慣性センサ、高感度ＧＰＳレシーバ、及び高度カルマン・フィルタリング・アルゴリズムを結合して位置、ベロシティ、及び姿勢の推定値を提供するミニチュア、高性能ＧＰＳ支援型慣性航行システム（ＧＰＳ／ＩＮＳ：ＧＰＳ－Ａｉｄｅｄ Ｉｎｅｒｔｉａｌ Ｎａｖｉｇａｔｉｏｎ Ｓｙｓｔｅｍ）として実装され得る。そのようなものとして、一部の実例では、ＩＭＵセンサ５６６は、ＧＰＳからＩＭＵセンサ５６６までのベロシティの変化を直接観測すること及び関連付けることによって、磁気センサからの入力を必要とせずに進行方向を車両５００が推定することを可能にし得る。いくつかの実例では、ＩＭＵセンサ５６６及びＧＮＳＳセンサ５５８は、単一の統合されたユニットにおいて結合され得る。

車両は、車両５００内及び／又は周囲に置かれたマイクロフォン５９６を含み得る。マイクロフォン５９６は、中でも、緊急対応車両検出及び識別のために使用され得る。

車両は、ステレオ・カメラ５６８、ワイドビュー・カメラ５７０、赤外線カメラ５７２、サラウンド・カメラ５７４、長距離及び／又は中距離カメラ５９８、及び／又は他のカメラ・タイプを含む、任意の数のカメラ・タイプをさらに含み得る。カメラは、車両５００の全外面の周りの画像データをキャプチャするために使用され得る。使用されるカメラのタイプは、車両５００の実施例及び要件に応じて決まり、任意の組合せのカメラ・タイプが、車両５００の周りの必要なカバレッジを実現するために使用され得る。加えて、カメラの数は、実施例に応じて異なり得る。たとえば、車両は、６個のカメラ、７個のカメラ、１０個のカメラ、１２個のカメラ、及び／又は別の数のカメラを含み得る。カメラは、一実例として、ギガビット・マルチメディア・シリアル・リンク（ＧＭＳＬ：Ｇｉｇａｂｉｔ Ｍｕｌｔｉｍｅｄｉａ Ｓｅｒｉａｌ Ｌｉｎｋ）及び／又はギガビット・イーサネット（登録商標）をサポートし得るが、これに限定されない。それぞれのカメラは、図５Ａ及び図５Ｂに関連して本明細書においてさらに詳しく説明される。

車両５００は、振動センサ５４２をさらに含み得る。振動センサ５４２は、車軸など、車両の構成要素の振動を測定することができる。たとえば、振動の変化は、道路の表面の変化を示し得る。別の実例では、２個以上の振動センサ５４２が使用されるとき、振動の差は、道路表面の摩擦又は滑りを判定するために使用され得る（たとえば、振動の差が電力駆動車軸と自由回転車軸との間であるとき）。

車両５００は、ＡＤＡＳシステム５３８を含み得る。一部の実例では、ＡＤＡＳシステム５３８は、ＳｏＣを含み得る。ＡＤＡＳシステム５３８は、自律／適応／自動クルーズ制御（ＡＣＣ：ａｕｔｏｎｏｍｏｕｓ／ａｄａｐｔｉｖｅ／ａｕｔｏｍａｔｉｃ ｃｒｕｉｓｅ ｃｏｎｔｒｏｌ）、共同適応クルーズ制御（ＣＡＣＣ：ｃｏｏｐｅｒａｔｉｖｅ ａｄａｐｔｉｖｅ ｃｒｕｉｓｅ ｃｏｎｔｒｏｌ）、前方衝突警報（ＦＣＷ：ｆｏｒｗａｒｄ ｃｒａｓｈ ｗａｒｎｉｎｇ）、自動緊急ブレーキ（ＡＥＢ：ａｕｔｏｍａｔｉｃ ｅｍｅｒｇｅｎｃｙ ｂｒａｋｉｎｇ）、車線逸脱警報（ＬＤＷ：ｌａｎｅ ｄｅｐａｒｔｕｒｅ ｗａｒｎｉｎｇ）、レーン・キープ・アシスト（ＬＫＡ：ｌａｎｅ ｋｅｅｐ ａｓｓｉｓｔ）、死角警報（ＢＳＷ：ｂｌｉｎｄ ｓｐｏｔ ｗａｒｎｉｎｇ）、後部交差交通警報（ＲＣＴＷ：ｒｅａｒ ｃｒｏｓｓ－ｔｒａｆｆｉｃ ｗａｒｎｉｎｇ）、衝突警報システム（ＣＷＳ：ｃｏｌｌｉｓｉｏｎ ｗａｒｎｉｎｇ ｓｙｓｔｅｍ）、レーン・センタリング（ＬＣ：ｌａｎｅ ｃｅｎｔｅｒｉｎｇ）、及び／又は他の特徴及び機能を含み得る。

ＡＣＣシステムは、ＲＡＤＡＲセンサ５６０、ＬＩＤＡＲセンサ５６４、及び／又はカメラを使用し得る。ＡＣＣシステムは、縦ＡＣＣ及び／又は横ＡＣＣを含み得る。縦ＡＣＣは、車両５００の直ぐ前の車両までの距離を監視及び制御し、前方の車両からの安全距離を維持するために車両速度を自動的に調整する。横ＡＣＣは、距離の保持を実行し、必要なときにレーンを変更するように車両５００にアドバイスする。横ＡＣＣは、ＬＣＡ及びＣＷＳなどの他のＡＤＡＳアプリケーションに関連する。

ＣＡＣＣは、ワイヤレス・リンクを介して他の車両からネットワーク・インターフェース５２４及び／又はワイヤレス・アンテナ５２６を介して、或いは間接的にネットワーク接続を介して（たとえば、インターネットを介して）、受信することができる、他の車両からの情報を使用する。直接リンクは、車両対車両（Ｖ２Ｖ：ｖｅｈｉｃｌｅ－ｔｏ－ｖｅｈｉｃｌｅ）通信リンクによって提供され得、一方、間接リンクは、インフラストラクチャ対車両（Ｉ２Ｖ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｖｅｈｉｃｌｅ）通信リンクでもよい。一般に、Ｖ２Ｖ通信概念は、直前の車両（たとえば、車両５００と同じレーン内にある、車両５００の直ぐ前の車両）に関する情報を提供し、一方、Ｉ２Ｖ通信概念は、さらに前の交通に関する情報を提供する。ＣＡＣＣシステムは、Ｉ２Ｖ情報ソースとＶ２Ｖ情報ソースとのいずれか又は両方を含み得る。車両５００の前方の車両の情報を所与として、ＣＡＣＣは、より高信頼になり得、ＣＡＣＣは、交通の流れをよりスムーズにし、道路の渋滞を減らす可能性を有する。

運転者が修正行動を取ることができるように、ＦＣＷシステムは、危険を運転者に警告するように設計される。ＦＣＷシステムは、ディスプレイ、スピーカ、及び／又は振動部品など、運転者フィードバックに電気的に連結された、専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに連結された、前向きのカメラ及び／又はＲＡＤＡＲセンサ５６０を使用する。ＦＣＷシステムは、音響、視覚的警報、振動及び／又はクイック・ブレーキ・パルスなどの形で、警報を提供することができる。

ＡＥＢシステムは、別の車両又は他の物体との差し迫った前方衝突を検出し、運転者が指定された時間又は距離パラメータ内に修正行動を取らない場合に、ブレーキを自動的に適用することができる。ＡＥＢシステムは、専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに連結された、前向きのカメラ及び／又はＲＡＤＡＲセンサ５６０を使用することができる。ＡＥＢシステムが危険を検出するとき、ＡＥＢシステムは通常は、先ず、衝突を回避するための修正行動を取るように運転者に警告し、運転者が修正行動を取らない場合、ＡＥＢシステムは、予測される衝突の影響を防ぐ、又は少なくとも軽減するための努力の一環としてブレーキを自動的に適用することができる。ＡＥＢシステムは、ダイナミック・ブレーキ・サポート及び／又は衝突切迫ブレーキなどの技法を含み得る。

ＬＤＷシステムは、ハンドル又はシートの振動など、視覚的、可聴式、及び／又は触覚的警報を提供して、車両５００が車線区分線を越えたときに運転者に警告する。ＬＤＷシステムは、運転者が、方向指示器を起動することによって、意図的な車線逸脱を指示するときには、起動しない。ＬＤＷシステムは、ディスプレイ、スピーカ、及び／又は振動部品など、運転者フィードバックに電気的に連結された、専用のプロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに連結された、前側を向いたカメラを使用することができる。

ＬＫＡシステムは、ＬＤＷシステムの変更形態である。ＬＫＡシステムは、車両５００が車線をはみ出し始めた場合に車両５００を修正するためにステアリング入力又はブレーキを提供する。

ＢＳＷシステムは、自動車の死角において車両の運転者に検出及び警告する。ＢＳＷシステムは、合流又はレーンの変更が安全ではないことを指示するために視覚的、可聴式、及び／又は触覚的警告を提供することができる。システムは、運転者が方向指示器を使用するときに、付加的警告を提供することができる。ＢＳＷシステムは、運転者フィードバック、たとえば、ディスプレイ、スピーカ、及び／又は振動部品、に電気的に結合された、専用プロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合された、後ろ側を向いたカメラ及び／又はＲＡＤＡＲセンサ５６０を使用することができる。

ＲＣＴＷシステムは、車両５００がバックしているときにリアカメラの範囲外で物体が検出されたときに視覚的、可聴式、及び／又は触覚的通知を提供することができる。いくつかのＲＣＴＷシステムは、衝突を回避するために車両ブレーキが適用されることを確実にするために、ＡＥＢを含む。ＲＣＴＷシステムは、運転者フィードバック、たとえば、ディスプレイ、スピーカ、及び／又は振動部品、に電気的に結合された、専用プロセッサ、ＤＳＰ、ＦＰＧＡ、及び／又はＡＳＩＣに結合された、１つ又は複数の後ろを向いたＲＡＤＡＲセンサ５６０を使用することができる。

従来のＡＤＡＳシステムは、運転者に警告し、安全状態が本当に存在するかどうかを運転者が判定し、それに応じて行動することを可能にするので、従来のＡＤＡＳシステムは、通常は壊滅的ではないが、運転者を悩ませている及び気を散らせていることがある誤判定結果を生み出す傾向にあることがあった。しかしながら、自律型車両５００では、結果が矛盾する場合には、車両５００自体が、１次的コンピュータ又は２次的コンピュータ（たとえば、第１のコントローラ５３６又は第２のコントローラ５３６）からの結果を聞き入れるかどうかを決定しなければならない。たとえば、一部の実施例では、ＡＤＡＳシステム５３８は、知覚情報をバックアップ・コンピュータ合理性モジュールに提供するためのバックアップ及び／又は２次的コンピュータでもよい。バックアップ・コンピュータ合理性モニタは、ハードウェア構成要素で冗長な多様なソフトウェアを実行して、知覚及び動的運転タスクにおいて障害を検出することができる。ＡＤＡＳシステム５３８からの出力は、監督ＭＣＵに提供され得る。１次的コンピュータ及び２次的コンピュータからの出力が矛盾する場合、監督ＭＣＵは、安全な動作を確実にするためにその矛盾をどのように調整するかを決定する必要がある。

いくつかの実例では、１次的コンピュータは、選択された結果における１次的コンピュータの信頼性を指示する、信頼性スコアを監督ＭＣＵに提供するように構成され得る。信頼性スコアが閾値を超えた場合、監督ＭＣＵは、２次的コンピュータが矛盾する又は不整合の結果を与えるかどうかにかかわらず、１次的コンピュータの指示に従い得る。信頼性スコアが閾値を満たさない場合、及び１次的及び２次的コンピュータが異なる結果を示す（たとえば、矛盾する）場合、監督ＭＣＵは、コンピュータの間で調停して適切な結果を決定することができる。

監督ＭＣＵは、２次的コンピュータが誤ったアラームを提供する状態を、１次的コンピュータ及び２次的コンピュータからの出力に基づいて、判定するようにトレーニング及び構成されたニューラル・ネットワークを実行するように構成され得る。したがって、監督ＭＣＵ内のニューラル・ネットワークは、２次的コンピュータの出力が信頼され得るとき、及びそれが信頼され得ないときを学習することができる。たとえば、２次的コンピュータがＲＡＤＡＲベースのＦＣＷシステムであるとき、監督ＭＣＵ内のニューラル・ネットワークは、アラームをトリガする下水溝の鉄格子又はマンホールの蓋など、実際には危険ではない金属製の物をいつＦＣＷが識別しているかを学習することができる。同様に、２次的コンピュータがカメラベースのＬＤＷシステムであるとき、監督ＭＣＵ内のニューラル・ネットワークは、自転車に乗った人又は歩行者が存在し、車線逸脱が、実際には、最も安全な操作であるときに、ＬＤＷを無視することを学習することができる。監督ＭＣＵ上で実行中のニューラル・ネットワークを含む実施例では、監督ＭＣＵは、関連メモリを有するニューラル・ネットワークを実行するのに適したＤＬＡ又はＧＰＵのうちの少なくとも１つを含み得る。好ましい実施例において、監督ＭＣＵは、ＳｏＣ５０４の構成要素を備え得る、及び／又はＳｏＣ５０４の構成要素として含まれ得る。

他の実例において、ＡＤＡＳシステム５３８は、コンピュータ・ビジョンの従来のルールを使用するＡＤＡＳ機能を実行する２次的コンピュータを含み得る。そのようなものとして、２次的コンピュータは、古典的コンピュータ・ビジョン・ルール（ｉｆ－ｔｈｅｎ）を使用することができ、監督ＭＣＵ内のニューラル・ネットワークの存在は、信頼性、安全性及び性能を向上させることができる。たとえば、多様な実装形態及び意図的な非同一性は、特にソフトウェア（又はソフトウェア－ハードウェア・インターフェース）機能によって引き起こされる障害に対して、システム全体をよりフォールトトレラントにする。たとえば、１次的コンピュータで実行中のソフトウェア内にソフトウェア・バグ又はエラーが存在し、２次的コンピュータで実行中の同一でないソフトウェア・コードが同じ総合的結果を提供する場合、監督ＭＣＵは、総合的結果は正しく、１次的コンピュータ上のソフトウェア又はハードウェア内のバグは重大なエラーを引き起こしていないというより大きな確信を有し得る。

いくつかの実例では、ＡＤＡＳシステム５３８の出力は、１次的コンピュータの知覚ブロック及び／又は１次的コンピュータの動的運転タスク・ブロックに供給され得る。たとえば、ＡＤＡＳシステム５３８が、直ぐ前の物体が原因で、前方衝突警報を示した場合、知覚ブロックは、物体を識別するときに、この情報を使用することができる。他の実例において、２次的コンピュータは、本明細書に記載のように、トレーニングされ、それ故に誤判定のリスクを減らす、独自のニューラル・ネットワークを有し得る。

車両５００は、インフォテインメントＳｏＣ５３０（たとえば、車両内のインフォテインメント・システム（ＩＶＩ：ｉｎ－ｖｅｈｉｃｌｅ ｉｎｆｏｔａｉｎｍｅｎｔ ｓｙｓｔｅｍ））をさらに含み得る。ＳｏＣとして図示及び記述されているが、インフォテインメント・システムは、ＳｏＣでなくてもよく、２個以上の個別の構成要素を含み得る。インフォテインメントＳｏＣ５３０は、オーディオ（たとえば、音楽、携帯情報端末、ナビゲーション命令、ニュース、無線など）、ビデオ（たとえば、ＴＶ、映画、ストリーミングなど）、電話（たとえば、ハンズフリー通話）、ネットワーク接続（たとえば、ＬＴＥ、Ｗｉ－Ｆｉなど）、及び／又は情報サービス（たとえば、ナビゲーション・システム、後方駐車支援、無線データシステム、燃料レベル、総移動距離、ブレーキ燃料レベル、オイル・レベル、ドアを開ける／閉じる、エア・フィルタ情報などの車両関連情報）を車両５００に提供するために使用され得るハードウェア及びソフトウェアの組合せを含み得る。たとえば、インフォテインメントＳｏＣ５３０は、無線、ディスク・プレイヤ、ナビゲーション・システム、ビデオ・プレイヤ、ＵＳＢ及びブルートゥース（登録商標）接続、カーピュータ、車内エンターテインメント、Ｗｉ－Ｆｉ、ハンドル・オーディオ制御装置、ハンズ・フリー音声制御、ヘッドアップ・ディスプレイ（ＨＵＤ：ｈｅａｄｓ－ｕｐ ｄｉｓｐｌａｙ）、ＨＭＩディスプレイ５３４、テレマティックス・デバイス、制御パネル（たとえば、様々な構成要素、特徴、及び／又はシステムを制御する及び／又はこれと相互に作用するための）、及び／又は他の構成要素でもよい。インフォテインメントＳｏＣ５３０は、ＡＤＡＳシステム５３８からの情報、計画された車両操作などの自律運転情報、軌道、周囲環境情報（たとえば、交差点情報、車両情報、道路情報など）、及び／又は他の情報など、車両のユーザへの情報（たとえば、視覚的及び／又は可聴式の）を提供するためにさらに使用され得る。

インフォテインメントＳｏＣ５３０は、ＧＰＵ機能性を含み得る。インフォテインメントＳｏＣ５３０は、バス５０２（たとえば、ＣＡＮバス、イーサネット（登録商標）など）を介して、車両５００の他のデバイス、システム、及び／又は構成要素と通信することができる。いくつかの実例では、インフォテインメント・システムのＧＰＵが、１次的コントローラ５３６（たとえば、車両５００の１次的及び／又はバックアップ・コンピュータ）が故障した場合に、いくつかのセルフドライブ機能を実行することができるように、インフォテインメントＳｏＣ５３０は、監督ＭＣＵに連結され得る。そのような実例では、インフォテインメントＳｏＣ５３０は、本明細書に記載のように、車両５００をショーファーの安全停止モードにすることができる。

車両５００は、計器群５３２（たとえば、デジタル・ダッシュ、電子計器群、デジタル計器パネルなど）をさらに含み得る。計器群５３２は、コントローラ及び／又はスーパーコンピュータ（たとえば、個別のコントローラ又はスーパーコンピュータ）を含み得る。計器群５３２は、スピードメーター、燃料レベル、油圧、タコメーター、オドメーター、方向指示器、ギアシフト位置インジケータ、シート・ベルト警告灯、パーキングブレーキ警告灯、エンジン故障灯、エアバッグ（ＳＲＳ）システム情報、照明制御装置、安全システム制御装置、ナビゲーション情報など、１セットの器具類を含み得る。いくつかの実例では、情報は、インフォテインメントＳｏＣ５３０及び計器群５３２の間で表示及び／又は共有され得る。言い換えれば、計器群５３２は、インフォテインメントＳｏＣ５３０の一部として含まれてもよく、逆もまた同様である。

図５Ｄは、本開示のいくつかの実施例による、図５Ａのクラウドベースのサーバと例示的自律型車両５００との間の通信のシステム図である。システム５７６は、サーバ５７８、ネットワーク５９０、及び、車両５００を含む車両を含み得る。サーバ５７８は、複数のＧＰＵ５８４（Ａ）～５８４（Ｈ）（本明細書でＧＰＵ５８４と総称される）、ＰＣＩｅスイッチ５８２（Ａ）～５８２（Ｈ）（本明細書でＰＣＩｅスイッチ５８２と総称される）、及び／又はＣＰＵ５８０（Ａ）～５８０（Ｂ）（本明細書でＣＰＵ５８０と総称される）を含み得る。ＧＰＵ５８４、ＣＰＵ５８０、及びＰＣＩｅスイッチは、たとえば、ＮＶＩＤＩＡによって開発されたＮＶＬｉｎｋインターフェース５８８及び／又はＰＣＩｅ接続５８６などの、これらに限定されない、高速相互接続で相互に接続され得る。いくつかの実例では、ＧＰＵ５８４は、ＮＶＬｉｎｋ及び／又はＮＶＳｗｉｔｃｈ ＳｏＣを介して接続され、ＧＰＵ５８４及びＰＣＩｅスイッチ５８２は、ＰＣＩｅ相互接続を介して接続される。８個のＧＰＵ５８４、２個のＣＰＵ５８０、及び２個のＰＣＩｅスイッチが図示されているが、これは制限を意図されていない。実施例に応じて、それぞれのサーバ５７８は、任意の数のＧＰＵ５８４、ＣＰＵ５８０、及び／又はＰＣＩｅスイッチを含み得る。たとえば、サーバ５７８は、それぞれ、８個、１６個、３２個、及び／又はそれ以上のＧＰＵ５８４を含み得る。

サーバ５７８は、最近開始された道路工事など、予想外の又は変更された道路状態を示す画像を表す画像データを、ネットワーク５９０を介して、車両から、受信することができる。サーバ５７８は、ニューラル・ネットワーク５９２、更新されたニューラル・ネットワーク５９２、及び／又は、交通及び道路状態に関する情報を含むマップ情報５９４をネットワーク５９０を介して車両に送信することができる。マップ情報５９４の更新は、建設現場、くぼみ、迂回路、洪水、及び／又は他の障害物に関する情報など、ＨＤマップ５２２の更新を含み得る。いくつかの実例では、ニューラル・ネットワーク５９２、更新されたニューラル・ネットワーク５９２、及び／又はマップ情報５９４は、環境において任意の数の車両から受信されたデータにおいて表された新しいトレーニング及び／又は経験から、及び／又は（たとえば、サーバ５７８及び／又は他のサーバを使用する）データ・センタにおいて実行されたトレーニングに基づいて、生じた可能性がある。

サーバ５７８は、トレーニング・データに基づいてマシン学習モデル（たとえば、ニューラル・ネットワーク）をトレーニングするために使用され得る。トレーニング・データは、車両によって生成され得る、及び／又は（たとえば、ゲーム・エンジンを使用して）シミュレーションにおいて生成され得る。いくつかの実例では、トレーニング・データは、タグ付けされる（たとえば、ニューラル・ネットワークが、監督された学習の恩恵を受ける場合）及び／又は他の事前処理を受けるが、他の実例において、トレーニング・データは、タグ付け及び／又は事前処理されない（たとえば、ニューラル・ネットワークが、監督された学習を必要としない場合）。トレーニングは、たとえば以下のクラスを含むがこれらに限定されない、任意の１つ又は複数のクラスのマシン学習技法に従って、実行され得る：監視されたトレーニング、半監視されたトレーニング、監視されていないトレーニング、自己学習、強化学習、連合型学習、転移学習、特徴学習（主要構成要素及びクラスタ分析を含む）、マルチ線形部分空間学習、多様体学習、表現学習（予備辞書学習を含む）、ルールに基づくマシン学習、異常検出、及びそれらの変更形態若しくは組合せ。マシン学習モデルがトレーシングされた後は、マシン学習モデルは、車両によって使用され得（たとえば、ネットワーク５９０を介して車両に送信される）、及び／又は、マシン学習モデルは、車両を遠隔監視するために、サーバ５７８によって使用され得る。

いくつかの実例では、サーバ５７８は、車両からデータを受信し、リアルタイムのインテリジェント推論のために最新のリアルタイムのニューラル・ネットワークにデータを適用することができる。サーバ５７８は、ＮＶＩＤＩＡによって開発されたＤＧＸ及びＤＧＸステーション・マシンなど、ＧＰＵ５８４によって電力供給される深層学習スーパーコンピュータ及び／又は専用のＡＩコンピュータを含み得る。しかしながら、一部の実例では、サーバ５７８は、ＣＰＵ電源式データ・センタのみを使用する深層学習インフラストラクチャを含み得る。

サーバ５７８の深層学習インフラストラクチャは、高速のリアルタイム推論の能力を有することでき、その能力を使用して車両５００内のプロセッサ、ソフトウェア、及び／又は関連ハードウェアの調子を評価及び検証することができる。たとえば、深層学習インフラストラクチャは、車両５００がそのシーケンスの画像内に位置したシーケンスの画像及び／又は物体など、車両５００からの定期的更新を受信することができる（たとえば、コンピュータ・ビジョン及び／又は他のマシン学習物体分類技法を介して）。深層学習インフラストラクチャは、物体を識別し、車両５００によって識別された物体とそれらを比較するために、独自のニューラル・ネットワークを実行することができ、結果が一致せず、インフラストラクチャが、車両５００内のＡＩは正常に機能していないという結論を下した場合、サーバ５７８は、制御を推測し、乗客に通知し、安全な駐車操作を完了するように車両５００のフェイルセーフ・コンピュータに命じる車両５００への信号を送信することができる。

推論のために、サーバ５７８は、ＧＰＵ５８４及び１つ又は複数のプログラマブル推論加速装置（たとえば、ＮＶＩＤＩＡのＴｅｎｓｏｒＲＴ）を含み得る。ＧＰＵ電源式サーバ及び推論加速の組合せは、リアルタイムの反応性を可能にすることができる。パフォーマンスがさほど必要とされない場合など、他の実例では、ＣＰＵ、ＦＰＧＡ、及び他のプロセッサによって電力供給されるサーバが、推論のために使用され得る。

例示的計算デバイス
図６は、本開示のいくつかの実施例の実装に使用するのに適した計算デバイス６００の一実例のブロック図である。計算デバイス６００は、以下のデバイスを間接的に又は直接的につなぐ相互接続システム６０２を含み得る：メモリ６０４、１つ又は複数の中央処理装置（ＣＰＵ）６０６、１つ又は複数のグラフィック処理ユニット（ＧＰＵ）６０８、通信インターフェース６１０、入力／出力（Ｉ／Ｏ）ポート６１２、入力／出力構成要素６１４、電力供給装置６１６、１つ又は複数の提示構成要素６１８（たとえば、ディスプレイ）、及び１つ又は複数の論理ユニット６２０。少なくとも１つの実施例において、計算デバイス６００は、１つ又は複数の仮想マシン（ＶＭ）を含み得る、及び／又は、その構成要素のいずれかは、仮想構成要素（たとえば、仮想ハードウェア構成要素）を含み得る。非限定的実例として、ＧＰＵ６０８のうちの１つ又は複数は、１つ又は複数のｖＧＰＵを含み得、ＣＰＵ６０６のうちの１つ又は複数は、１つ又は複数のｖＣＰＵを含み得、及び／又は、論理ユニット６２０のうちの１つ又は複数は、１つ又は複数の仮想論理ユニットを含み得る。そのようなものとして、計算デバイス６００は、個別の構成要素（たとえば、計算デバイス６００専用の全ＧＰＵ）、仮想構成要素（たとえば、計算デバイス６００専用のＧＰＵの一部分）、又はその組合せを含み得る。

図６の様々なブロックは、線で相互接続システム６０２を介して接続しているように示されているが、これは制限することを意図されておらず、単に分かりやすくするためである。たとえば、一部の実施例では、表示デバイスなどの提示構成要素６１８は、Ｉ／Ｏ構成要素６１４と考えられ得る（たとえば、ディスプレイがタッチ・スクリーンである場合）。別の実例として、ＣＰＵ６０６及び／又はＧＰＵ６０８はメモリを含み得る（たとえば、メモリ６０４は、ＧＰＵ６０８、ＣＰＵ６０６、及び／又は他の構成要素のメモリに加えた記憶デバイスを表し得る）。言い換えれば、図６の計算デバイスは、単に例示である。「ワークステーション」、「サーバ」、「ラップトップ」、「デスクトップ」、「タブレット」、「クライアント・デバイス」、「モバイル・デバイス」、「ハンドヘルド・デバイス」、「ゲーム機」、「電子制御ユニット（ＥＣＵ：ｅｌｅｃｔｒｏｎｉｃ ｃｏｎｔｒｏｌ ｕｎｉｔ）」、「仮想現実システム」、及び／又は他のデバイス若しくはシステム・タイプなどのカテゴリはすべて、図６の計算デバイスの範囲内にあることが意図されているので、これらは区別されない。

相互接続システム６０２は、１つ又は複数のリンク又はバス、たとえば、アドレス・バス、データ・バス、制御バス、又はその組合せ、を表し得る。相互接続システム６０２は、１つ又は複数のバス又はリンク・タイプ、たとえば、業界標準アーキテクチャ（ＩＳＡ：ｉｎｄｕｓｔｒｙ ｓｔａｎｄａｒｄ ａｒｃｈｉｔｅｃｔｕｒｅ）バス、拡張業界標準アーキテクチャ（ＥＩＳＡ：ｅｘｔｅｎｄｅｄ ｉｎｄｕｓｔｒｙ ｓｔａｎｄａｒｄ ａｒｃｈｉｔｅｃｔｕｒｅ）バス、ＶＥＳＡ（ｖｉｄｅｏ ｅｌｅｃｔｒｏｎｉｃｓ ｓｔａｎｄａｒｄｓ ａｓｓｏｃｉａｔｉｏｎ）バス、周辺構成要素相互接続（ＰＣＩ：ｐｅｒｉｐｈｅｒａｌ ｃｏｍｐｏｎｅｎｔ ｉｎｔｅｒｃｏｎｎｅｃｔ）バス、周辺構成要素相互接続エクスプレス（ＰＣＩｅ：ｐｅｒｉｐｈｅｒａｌ ｃｏｍｐｏｎｅｎｔ ｉｎｔｅｒｃｏｎｎｅｃｔ ｅｘｐｒｅｓｓ）バス、及び／又は別のタイプのバス若しくはリンク、を含み得る。一部の実施例では、構成要素の間に直接接続が存在する。一実例として、ＣＰＵ６０６は、メモリ６０４に直接接続され得る。さらに、ＣＰＵ６０６は、ＧＰＵ６０８に直接接続され得る。構成要素の間に直接、又はポイント対ポイント接続が存在する場合、相互接続システム６０２は、接続を実施するためのＰＣＩｅリンクを含み得る。これらの実例では、ＰＣＩバスは、計算デバイス６００に含まれる必要はない。

メモリ６０４は、様々なコンピュータ可読媒体のいずれかを含み得る。コンピュータ可読媒体は、計算デバイス６００によってアクセスすることができる任意の利用可能な媒体でもよい。コンピュータ可読媒体は、揮発性及び不揮発性媒体の両方、及び取り外し可能な及び取り外し不可能な媒体を含み得る。例として、しかし限定ではなく、コンピュータ可読媒体は、コンピュータ記憶媒体及び通信媒体を備え得る。

コンピュータ記憶媒体は、コンピュータ可読命令、データ構造体、プログラム・モジュール、及び／又は他のデータ・タイプなどの情報の記憶のための任意の方法又は技術において実装された揮発性及び不揮発性媒体及び／又は取り外し可能な及び取り外し不可能な媒体の両方を含み得る。たとえば、メモリ６０４は、オペレーティング・システムなど、（たとえば、プログラム及び／又はプログラム要素を表す）コンピュータ可読命令を記憶することができる。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ：ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ）又は他の光ディスク・ストレージ、磁気カセット、磁気テープ、磁気ディスク・ストレージ又は他の磁気記憶デバイス、或いは、所望の情報を記憶するために使用し得る及び計算デバイス６００によってアクセスし得る任意の他の媒体を含み得るが、これらに限定されない。本明細書では、コンピュータ記憶媒体は、信号自体を含まない。

コンピュータ記憶媒体は、搬送波などの変調データ信号又は他の移送機構においてコンピュータ可読命令、データ構造体、プログラム・モジュール、及び／又は他のデータ・タイプを実施することができ、任意の情報配信媒体を含む。「変調データ信号」という用語は、その特性セットのうちの１つ又は複数を有する或いは信号内の情報をエンコードするような方式で変化した信号を指し得る。例として、しかし限定せず、コンピュータ記憶媒体は、ワイヤード・ネットワーク又は直接ワイヤード接続などのワイヤード媒体と、音響、ＲＦ、赤外線及び他のワイヤレス媒体などのワイヤレス媒体とを含み得る。前述のいずれかの組合せもまた、コンピュータ可読媒体の範囲に含まれるべきである。

ＣＰＵ６０６は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス６００の１つ又は複数の構成要素を制御して本明細書に記載の方法及び／又はプロセスのうちの１つ又は複数を実行するように構成され得る。ＣＰＵ６０６は、多数のソフトウェア・スレッドを同時に処理する能力を有する１つ又は複数の（たとえば、１個、２個、４個、８個、２８個、７２個などの）コアをそれぞれ含み得る。ＣＰＵ６０６は、任意のタイプのプロセッサを含み得、実装された計算デバイス６００のタイプに応じて、異なるタイプのプロセッサを含み得る（たとえば、モバイル・デバイスのためのより少数のコアを有するプロセッサ、及びサーバのためのより多数のコアを有するプロセッサ）。たとえば、計算デバイス６００のタイプに応じて、プロセッサは、縮小命令セット計算（ＲＩＳＣ：Ｒｅｄｕｃｅｄ Ｉｎｓｔｒｕｃｔｉｏｎ Ｓｅｔ Ｃｏｍｐｕｔｉｎｇ）を使用して実装されたＡｄｖａｎｃｅｄ ＲＩＳＣ Ｍａｃｈｉｎｅｓ（ＡＲＭ）プロセッサ、又は複合命令セット計算（ＣＩＳＣ：Ｃｏｍｐｌｅｘ Ｉｎｓｔｒｕｃｔｉｏｎ Ｓｅｔ Ｃｏｍｐｕｔｉｎｇ）を使用して実装されたｘ８６プロセッサでもよい。計算デバイス６００は、計算コプロセッサなど、１つ又は複数のマイクロプロセッサ又は補助コプロセッサ内の１つ又は複数のＣＰＵ６０６を含み得る。

ＣＰＵ６０６に加えて又はその代わりに、ＧＰＵ６０８は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス６００の１つ又は複数の構成要素を制御して本明細書に記載の方法及び／又はプロセスのうちの１つ又は複数を実行するように構成され得る。ＧＰＵ６０８のうちの１つ若しくは複数は、統合されたＧＰＵ（たとえば、ＣＰＵ６０６のうちの１つ又は複数とでもよく、及び／又はＧＰＵ６０８のうちの１つ若しくは複数は、離散ＧＰＵでもよい。実施例では、ＧＰＵ６０８のうちの１つ又は複数は、ＣＰＵ６０６のうちの１つ又は複数のコプロセッサでもよい。ＧＰＵ６０８は、グラフィックス（たとえば、３Ｄグラフィックス）をレンダリングする又は汎用計算を実行するために、計算デバイス６００によって使用され得る。たとえば、ＧＰＵ６０８は、ＧＰＵによる汎用計算（ＧＰＧＰＵ：Ｇｅｎｅｒａｌ－Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ ＧＰＵ）のために使用され得る。ＧＰＵ６０８は、同時に数百又は数千のソフトウェア・スレッドを処理する能力を有する数百又は数千のコアを含み得る。ＧＰＵ６０８は、レンダリング・コマンド（たとえば、ホスト・インターフェースを介して受信されたＣＰＵ６０６からのレンダリング・コマンド）に応答して、出力画像のための画素データを生成することができる。ＧＰＵ６０８は、画素データ又は任意の他の適切なデータ、たとえばＧＰＧＰＵデータ、を記憶するためのグラフィックス・メモリ、たとえば表示メモリ、を含み得る。表示メモリは、メモリ６０４の一部として含まれ得る。ＧＰＵ６０８は、並行して動作する（たとえば、リンクを介して）２個以上のＧＰＵを含み得る。リンクは、ＧＰＵに直接接続することができ（たとえば、ＮＶＬＩＮＫを使用して）、又はスイッチを介して（たとえば、ＮＶＳｗｉｔｃｈを使用して）ＧＰＵを接続することができる。ともに結合されるとき、各ＧＰＵ６０８は、出力の異なる部分の又は異なる出力の画素データ又はＧＰＧＰＵデータ（たとえば、第１の画像の第１のＧＰＵ及び第２の画像の第２のＧＰＵ）を生成することができる。各ＧＰＵは、独自のメモリを含むことができ、又は他のＧＰＵとメモリを共有することができる。

ＣＰＵ６０６及び／又はＧＰＵ６０８に加えて又はその代わりに、論理ユニット６２０は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス６００のうちの１つ又は複数を制御して本明細書に記載の方法及び／又はプロセスのうちの１つ又は複数を実行するように構成され得る。実施例では、ＣＰＵ６０６、ＧＰＵ６０８、及び／又は論理ユニット６２０は、方法、プロセス及び／又はその部分の任意の組合せを離散的に又は合同で実行することができる。論理ユニット６２０のうちの１つ若しくは複数は、ＣＰＵ６０６及び／若しくはＧＰＵ６０８のうちの１つ若しくは複数の一部でもよく及び／又はそこで統合されてもよく、及び／又は、論理ユニット６２０のうちの１つ若しくは複数は、ＣＰＵ６０６及び／若しくはＧＰＵ６０８に対する離散構成要素であっても若しくは他の方法でそれらの外部にあってもよい。実施例では、論理ユニット６２０のうちの１つ又は複数は、ＣＰＵ６０６のうちの１つ若しくは複数及び／又はＧＰＵ６０８のうちの１つ若しくは複数のコプロセッサでもよい。

論理ユニット６２０の実例は、１つ又は複数の処理コア及び／又はその構成要素、たとえば、テンソル・コア（ＴＣ：Ｔｅｎｓｏｒ Ｃｏｒｅ）、テンソル処理ユニット（ＴＰＵ：Ｔｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、画素ビジュアル・コア（ＰＶＣ：Ｐｉｘｅｌ Ｖｉｓｕａｌ Ｃｏｒｅ）、ビジョン処理ユニット（ＶＰＵ：Ｖｉｓｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、グラフィックス処理クラスタ（ＧＰＣ：Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｃｌｕｓｔｅｒ）、テクスチャ処理クラスタ（ＴＰＣ：Ｔｅｘｔｕｒｅ Ｐｒｏｃｅｓｓｉｎｇ Ｃｌｕｓｔｅｒ）、ストリーミング・マルチプロセッサ（ＳＭ：Ｓｔｒｅａｍｉｎｇ Ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）、木の走査ユニット（ＴＴＵ：Ｔｒｅｅ Ｔｒａｖｅｒｓａｌ Ｕｎｉｔ）、人工知能加速装置（ＡＩＡ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ａｃｃｅｌｅｒａｔｏｒ）、深層学習加速装置（ＤＬＡ：Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ａｃｃｅｌｅｒａｔｏｒ）、論理演算ユニット（ＡＬＵ）、特定用途向け集積回路（ＡＳＩＣ）、浮動小数点演算ユニット（ＦＰＵ）、入力／出力（Ｉ／Ｏ）エレメント、周辺構成要素相互接続（ＰＣＩ）又は周辺構成要素相互接続エクスプレス（ＰＣＩｅ）エレメント、及び／又は同類のもの、を含む。

通信インターフェース６１０は、ワイヤード及び／又はワイヤレス通信を含む、電子通信ネットワークを介して計算デバイス６００が他の計算デバイスと通信することを可能にする、１つ又は複数のレシーバ、トランスミッタ、及び／又はトランシーバを含み得る。通信インターフェース６１０は、ワイヤレス・ネットワーク（たとえば、Ｗｉ－Ｆｉ、Ｚ－Ｗａｖｅ、ブルートゥース（登録商標）、ブルートゥース（登録商標）ＬＥ、ＺｉｇＢｅｅなど）、ワイヤード・ネットワーク（たとえば、イーサネット（登録商標）又はＩｎｆｉｎｉＢａｎｄを介して通信すること）、低電力ワイド・エリア・ネットワーク（たとえば、ＬｏＲａＷＡＮ、ＳｉｇＦｏｘなど）、及び／又はインターネットなどの、いくつかの異なるネットワークのうちのいずれかを介する通信を可能にするための構成要素及び機能を含み得る。

Ｉ／Ｏポート６１２は、そのうちのいくつかは計算デバイス６００に内蔵（たとえば、統合）され得る、Ｉ／Ｏ構成要素６１４、提示構成要素６１８、及び／又は他の構成要素を含む、他のデバイスに計算デバイス６００が論理的に連結されることを可能にすることができる。例示的なＩ／Ｏ構成要素６１４は、マイクロフォン、マウス、キーボード、ジョイスティック、ゲーム・パッド、ゲーム・コントローラ、サテライト・ディッシュ、スキャナ、プリンタ、ワイヤレス・デバイスなどを含む。Ｉ／Ｏ構成要素６１４は、エア・ジェスチャ、音声、又は、ユーザによって生成される他の生理的入力を処理する自然ユーザ・インターフェース（ＮＵＩ：ｎａｔｕｒａｌ ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を提供することができる。場合によっては、入力は、さらなる処理のための適切なネットワーク要素に送信され得る。ＮＵＩは、音声認識、スタイラス認識、顔認識、生体認識、画面上での及び画面の隣でのジェスチャ認識、エア・ジェスチャ、頭部及び視標追跡、並びに計算デバイス６００のディスプレイに関連するタッチ認識（さらに詳しく後述するような）の任意の組合せを実装し得る。計算デバイス６００は、ジェスチャ検出及び認識のための、ステレオスコープ・カメラ・システム、赤外線カメラ・システム、ＲＧＢカメラ・システム、タッチ画面技術、及びこれらの組合せなど、深度カメラを含み得る。追加で、計算デバイス６００は、動きの検出を可能にする加速度計又はジャイロスコープを含み得る（たとえば、慣性測定ユニット（ＩＭＵ：ｉｎｅｒｔｉａ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ）の一部として）。いくつかの実例では、加速度計又はジャイロスコープの出力は、没入型拡張現実又は仮想現実をレンダリングするために、計算デバイス６００によって使用され得る。

電力供給装置６１６は、ハードワイヤード電力供給装置、バッテリ電力供給装置、又はその組合せを含み得る。電力供給装置６１６は、計算デバイス６００の構成要素が動作することを可能にするために計算デバイス６００に電力を提供することができる。

提示構成要素６１８は、ディスプレイ（たとえば、モニタ、タッチ画面、テレビジョン画面、ヘッドアップ表示装置（ＨＵＤ）、他のディスプレイタイプ、又はその組合せ）、スピーカ、及び／又は他の提示構成要素を含み得る。提示構成要素６１８は、他の構成要素（たとえば、ＧＰＵ６０８、ＣＰＵ６０６など）からデータを受信し、データを（たとえば、画像、ビデオ、音響などとして）出力することができる。

例示的データ・センタ
図７は、本開示の少なくとも１つの実施例において使用され得る例示的データ・センタ７００を示す。データ・センタ７００は、データ・センタ・インフラストラクチャ層７１０、フレームワーク層７２０、ソフトウェア層７３０、及び／又はアプリケーション層７４０を含み得る。

図７に示すように、データ・センタ・インフラストラクチャ層７１０は、資源オーケストレータ７１２、グループ化された計算資源７１４、及びノード計算資源（「ノードＣ．Ｒ．」）７１６（１）～７１６（Ｎ）を含み得、そこで、「Ｎ」は、任意の整数の、自然数を表す。少なくとも１つの実施例において、ノードＣ．Ｒ．７１６（１）～７１６（Ｎ）は、任意の数の中央処理装置（「ＣＰＵ」）又は他のプロセッサ（加速装置、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、グラフィックス・プロセッサ若しくはグラフィックス・プロセッシング・ユニット（ＧＰＵ）などを含む）、メモリ・デバイス（たとえば、動的リード・オンリ・メモリ）、記憶デバイス（たとえば、ソリッドステート若しくはディスク・ドライブ）、ネットワーク入力／出力（「ＮＷ Ｉ／Ｏ」）デバイス、ネットワーク・スイッチ、仮想マシン（「ＶＭ」）、電力モジュール、及び／又は冷却モジュールなどを含み得るが、これらに限定されない。いくつかの実施例において、ノードＣ．Ｒ．７１６（１）～７１６（Ｎ）のうちの１つ又は複数のノードＣ．Ｒ．は、前述の計算資源のうちの１つ又は複数を有するサーバに対応し得る。加えて、いくつかの実施例において、ノードＣ．Ｒ．７１６（１）～７１６１（Ｎ）は、１つ若しくは複数の仮想構成要素、たとえば、ｖＧＰＵ、ｖＣＰＵ、及び／若しくは同類のもの、を含み得る、並びに／又は、ノードＣ．Ｒ．７１６（１）～７１６（Ｎ）のうちの１つ若しくは複数は、仮想マシン（ＶＭ）に対応し得る。

少なくとも１つの実施例において、グループ化された計算資源７１４は、１つ又は複数のラック（図示せず）内に収容された別個のグループのノードＣ．Ｒ．７１６、或いは様々な地理的場所（やはり図示せず）にあるデータ・センタに収容された多数のラックを含み得る。グループ化された計算資源７１４内の別個のグループのノードＣ．Ｒ．７１６は、１つ又は複数のワークロードをサポートするように構成する又は割り当てることができる、グループ化された計算、ネットワーク、メモリ又はストレージ資源を含み得る。少なくとも１つの実施例において、ＣＰＵ、ＧＰＵ、及び／又は他のプロセッサを含むいくつかのノードＣ．Ｒ．７１６は、１つ又は複数のワークロードをサポートするための計算資源を提供するために、１つ又は複数のラック内にグループ化され得る。１つ又は複数のラックはまた、任意の組合せで、任意の数の電力モジュール、冷却モジュール、及び／又はネットワーク・スイッチを含み得る。

資源オーケストレータ７２２は、１つ若しくは複数のノードＣ．Ｒ．７１６（１）～７１６（Ｎ）及び／又はグループ化された計算資源７１４を構成又は他の方法で制御することができる。少なくとも１つの実施例において、資源オーケストレータ７２２は、データ・センタ７００のソフトウェア設計インフラストラクチャ（「ＳＤＩ」）管理エンティティを含み得る。資源オーケストレータ７２２は、ハードウェア、ソフトウェア、又はその何らかの組合せを含み得る。

少なくとも１つの実施例において、図７に示すように、フレームワーク層７２０は、ジョブ・スケジューラ７３２、構成マネージャ７３４、資源マネージャ７３６、及び／又は分散型ファイル・システム７３８を含み得る。フレームワーク層７２０は、ソフトウェア層７３０のソフトウェア７３２及び／又はアプリケーション層７４０の１つ若しくは複数のアプリケーション７４２をサポートするためにフレームワークを含み得る。ソフトウェア７３２又はアプリケーション７４２は、ウェブベースのサービス・ソフトウェア又はアプリケーション、たとえば、アマゾン・ウェブ・サービス、グーグル・クラウド及びＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅによって提供されるもの、をそれぞれ含み得る。フレームワーク層７２０は、大規模データ処理（たとえば、「ビッグ・データ」）のための分散型ファイル・システム７３８を使用し得るＡｐａｃｈｅ Ｓｐａｒｋ（商標）（以下「Ｓｐａｒｋ」）などのフリー及びオープン・ソース・ソフトウェア・ウェブ・アプリケーション・フレームワークのタイプでもよいが、これに限定されない。少なくとも１つの実施例において、ジョブ・スケジューラ７３２は、データ・センタ７００の様々な層によってサポートされるワークロードのスケジューリングを容易にするために、Ｓｐａｒｋドライバを含み得る。構成マネージャ７３４は、異なる層、たとえば、ソフトウェア層７３０と、大規模データ処理をサポートするためのＳｐａｒｋ及び分散型ファイル・システム７３８を含むフレームワーク層７２０、を構成する能力を有し得る。資源マネージャ７３６は、分散型ファイル・システム７３８及びジョブ・スケジューラ７３２のサポートのためにマップされた又は割り当てられたクラスタ化された又はグループ化された計算資源を管理する能力を有し得る。少なくとも１つの実施例において、クラスタ化された又はグループ化された計算資源は、データ・センタ・インフラストラクチャ層７１０にグループ化された計算資源７１４を含み得る。資源マネージャ１０３６は、資源オーケストレータ７１２と調整して、これらのマップされた又は割り当てられた計算資源を管理することができる。

少なくとも１つの実施例において、ソフトウェア層７３０に含まれるソフトウェア７３２は、ノードＣ．Ｒ．７１６（１）～７１６（Ｎ）の少なくとも部分、グループ化された計算資源７１４、及び／又はフレームワーク層７２０の分散型ファイル・システム７３８によって使用されるソフトウェアを含み得る。１つ又は複数のタイプのソフトウェアは、インターネット・ウェブ・ページ検索ソフトウェア、電子メール・ウイルス・スキャン・ソフトウェア、データベース・ソフトウェア、及びストリーミング・ビデオ・コンテンツ・ソフトウェアを含み得るが、これらに限定されない。

少なくとも１つの実施例において、アプリケーション層７４０に含まれるアプリケーション７４２は、ノードＣ．Ｒ．７１６（１）～７１６（Ｎ）の少なくとも部分、グループ化された計算資源７１４、及び／又はフレームワーク層７２０の分散型ファイル・システム７３８によって使用される１つ又は複数のタイプのアプリケーションを含み得る。１つ又は複数のタイプのアプリケーションは、任意の数のゲノミクス・アプリケーション、認知計算、並びに、トレーニング若しくは推論ソフトウェア、マシン学習フレームワーク・ソフトウェア（たとえば、ＰｙＴｏｒｃｈ、ＴｅｎｓｏｒＦｌｏｗ、Ｃａｆｆｅなど）、及び／又は１つ若しくは複数の実施例と併せて使用される他のマシン学習アプリケーションを含む、マシン学習アプリケーションを含み得るが、これらに限定されない。

少なくとも１つの実施例において、構成マネージャ７３４、資源マネージャ７３６、及び資源オーケストレータ７１２のうちのいずれかは、任意の技術的に可能な方式で取得される任意の量及びタイプのデータに基づいて任意の数及びタイプの自己書換え型アクションを実装することができる。自己書換え型アクションは、よくない可能性のある構成決定を行うこと並びにデータ・センタの十分に活用されていない及び／又は実行の不十分な部分を恐らく回避することからデータ・センタ７００のデータ・センタ・オペレータを解放し得る。

データ・センタ７００は、１つ又は複数のマシン学習モデルをトレーニングする或いは本明細書に記載の１つ又は複数の実施例による１つ又は複数のマシン学習モデルを使用して情報を予測する又は推論するために、ツール、サービス、ソフトウェア或いは他の資源を含み得る。たとえば、マシン学習モデルは、データ・センタ７００に関して前述されたソフトウェア及び／又は計算資源を使用するニューラル・ネットワーク・アーキテクチャによる重量パラメータの計算によって、トレーニングされ得る。少なくとも１つの実施例において、１つ又は複数のニューラル・ネットワークに対応するトレーニングされた又は配備されたマシン学習モデルは、たとえば、本明細書に記載のものに限定されない、１つ又は複数のトレーニング技法を介して計算された重量パラメータを使用することによって、データ・センタ７００に関して前述された資源を使用して情報を推論又は予測するために使用され得る。

少なくとも１つの実施例において、データ・センタ７００は、前述の資源を使用するトレーニング及び／又は推論の実行のために、ＣＰＵ、特定用途向け集積回路（ＡＳＩＣ）、ＧＰＵ、ＦＰＧＡ、及び／又は他のハードウェア（若しくはそれに対応する仮想計算資源）を使用することができる。さらに、前述の１つ又は複数のソフトウェア及び／又はハードウェア資源は、情報の推論をユーザがトレーニング又は実行することを可能にするためのサービス、たとえば、画像認識、音声認識、又は他の人工知能サービス、として構成され得る。

例示的ネットワーク環境
本開示の実施例の実装において使用するのに適したネットワーク環境は、１つ若しくは複数のクライアント・デバイス、サーバ、ネットワーク接続型ストレージ（ＮＡＳ：ｎｅｔｗｏｒｋ ａｔｔａｃｈｅｄ ｓｔｏｒａｇｅ）、他のバックエンド・デバイス、及び／又は他のデバイス・タイプを含み得る。クライアント・デバイス、サーバ、及び／又は他のデバイス・タイプ（たとえば、各デバイス）は、図６の計算デバイス６００の１つ又は複数のインスタンスで実装され得、たとえば、各デバイスは、計算デバイス６００の類似の構成要素、特徴、及び／又は機能性を含み得る。加えて、バックエンド・デバイス（たとえば、サーバ、ＮＡＳなど）が、実装される場合、バックエンド・デバイスは、データ・センタ７００の一部として含まれ得、その実例は、図７に関して本明細書でさらに詳述される。

ネットワーク環境の構成要素は、ワイヤード、ワイヤレス、又はその両方でもよい、ネットワークを介して互いに通信し得る。ネットワークは、複数のネットワーク、又はネットワークのネットワークを含み得る。実例として、ネットワークは、１つ若しくは複数のワイド・エリア・ネットワーク（ＷＡＮ）、１つ若しくは複数のローカル・エリア・ネットワーク（ＬＡＮ）、１つ若しくは複数のパブリック・ネットワーク、たとえば、インターネット及び／若しくは公衆交換電話網（ＰＳＴＮ）、並びに／又は１つ若しくは複数のプライベート・ネットワークを含み得る。ネットワークが、ワイヤレス電気通信ネットワークを含む場合、構成要素、たとえば、基地局、通信塔、或いはアクセス・ポイント（並びに他の構成要素）、は、ワイヤレス接続を提供し得る。

互換性のあるネットワーク環境は、１つ又は複数のピア・ツー・ピア・ネットワーク環境（その場合、サーバはネットワーク環境に含まれないことがある）と、１つ又は複数のクライアント・サーバ・ネットワーク環境（その場合、１つ又は複数のサーバがネットワーク環境に含まれ得る）とを含み得る。ピア・ツー・ピア・ネットワーク環境では、サーバに関して本明細書に記載した機能性は、任意の数のクライアント・デバイスで実装され得る。

少なくとも１つの実施例において、ネットワーク環境は、１つ又は複数のクラウドベースのネットワーク環境、分散型計算環境、その組合せなどを含み得る。クラウドベースのネットワーク環境は、フレームワーク層、ジョブ・スケジューラ、資源マネージャ、並びに、１つ若しくは複数のコア・ネットワーク・サーバ及び／又はエッジ・サーバを含み得る、サーバのうちの１つ又は複数で実装された分散型ファイル・システムを含み得る。フレームワーク層は、ソフトウェア層のソフトウェア及び／又はアプリケーション層の１つ若しくは複数のアプリケーションをサポートするために、フレームワークを含み得る。ソフトウェア又はアプリケーションは、それぞれ、ウェブベースのサービス・ソフトウェア又はアプリケーションを含み得る。実施例において、クライアント・デバイスのうちの１つ又は複数は、ウェブベースのサービス・ソフトウェア又はアプリケーションを使用し得る（たとえば、１つ又は複数のアプリケーション・プログラミング・インターフェース（ＡＰＩ）を介してサービス・ソフトウェア及び／又はアプリケーションにアクセスすることによって）。フレームワーク層は、たとえば大規模データ処理（たとえば、「ビッグ・データ」）のための分散型ファイル・システムを使用し得る、フリー及びオープン・ソース・ソフトウェア・ウェブ・アプリケーション・フレームワークのタイプでもよいが、これに限定されない。

クラウドベースのネットワーク環境は、本明細書に記載の計算及び／又はデータ・ストレージ機能（又は１つ若しくは複数のその部分）の任意の組合せを実施するクラウド計算及び／又はクラウド・ストレージを提供し得る。これらの様々な機能のいずれも、セントラル又はコア・サーバ（たとえば、州、領域、国、世界にわたって分散され得る１つ又は複数のデータ・センタなどの）から複数の場所に分散され得る。ユーザ（たとえば、クライアント・デバイス）への接続が、エッジ・サーバに比較的近い場合、コア・サーバは、機能性の少なくとも一部分をエッジ・サーバに任じ得る。クラウドベースのネットワーク環境は、プライベート（たとえば、単一の組織に制限される）でもよく、パブリック（たとえば、多数の組織に利用可能）、及び／又はその組合せ（たとえば、ハイブリッド・クラウド環境）でもよい。

クライアント・デバイスは、図６に関して本明細書に記載の例示的計算デバイス６００の構成要素、特徴、及び機能性のうちの少なくともいくつかを含み得る。実例として、及び制限ではなく、クライアント・デバイスは、パーソナル・コンピュータ（ＰＣ）、ラップトップ・コンピュータ、モバイル・デバイス、スマートフォン、タブレット・コンピュータ、スマート・ウォッチ、ウェアラブル・コンピュータ、パーソナル・デジタル・アシスタント（ＰＤＡ）、ＭＰ３プレイヤ、仮想現実ヘッドセット、全地球測位システム（ＧＰＳ）又はデバイス、ビデオ・プレイヤ、ビデオカメラ、監視デバイス又はシステム、車両、ボート、飛行船、仮想マシン、ドローン、ロボット、ハンドヘルド通信デバイス、病院デバイス、ゲーミング・デバイス又はシステム、娯楽システム、車両コンピュータ・システム、組み込み型システム・コントローラ、リモート制御、器具、民生用電子デバイス、ワークステーション、エッジ・デバイス、これらの描写されたデバイスの任意の組合せ、或いは任意の他の適切なデバイスとして実施され得る。

本開示は、コンピュータ又は、携帯情報端末若しくは他のハンドヘルド・デバイスなどの、他のマシンによって実行されている、プログラム・モジュールなどのコンピュータ実行可能命令を含む、コンピュータ・コード又はマシン使用可能命令との一般的関連において説明されることがある。一般に、ルーティン、プログラム、オブジェクト、構成要素、データ構造体などを含むプログラム・モジュールは、特定のタスクを実行する又は特定の抽象データ・タイプを実装するコードを指す。本開示は、ハンドヘルド・デバイス、家電製品、汎用コンピュータ、より特殊な計算デバイスなどを含む、様々な構成で実施され得る。本開示はまた、通信ネットワークを介してリンクされた遠隔処理デバイスによってタスクが実行される分散型コンピューティング環境において実施され得る。

本明細書では、２個以上の要素に関する「及び／又は」の記述は、１つの要素のみ、又は要素の組合せを意味すると解釈されるべきである。たとえば、「要素Ａ、要素Ｂ、及び／又は要素Ｃ」は、要素Ａのみ、要素Ｂのみ、要素Ｃのみ、要素Ａ及び要素Ｂ、要素Ａ及び要素Ｃ、要素Ｂ及び要素Ｃ、或いは、要素Ａ、Ｂ、及びＣを含み得る。加えて、「要素Ａ又は要素Ｂのうちの少なくとも１つ」は、要素Ａの少なくとも１つ、要素Ｂの少なくとも１つ、或いは、要素Ａの少なくとも１つ及び要素Ｂの少なくとも１つを含み得る。さらに、「要素Ａ及び要素Ｂのうちの少なくとも１つ」は、要素Ａのうちの少なくとも１つ、要素Ｂのうちの少なくとも１つ、或いは、要素Ａのうちの少なくとも１つ及び要素Ｂのうちの少なくとも１つを含み得る。

本開示の主題は、法定の要件を満たすために特異性を有して記述されている。しかしながら、その記述自体が本開示の範囲を制限することは意図されていない。そうではなくて、本発明者は、請求されている主題が、他の現在の又は未来の技術と併せて、異なるステップ又は本文書に記載されたものと類似のステップの組合せを含むように、他の形で実施され得ることを意図している。さらに、「ステップ」及び／又は「ブロック」という用語は、使用される方法の異なる要素を含意するように本明細書で使用され得るが、これらの用語は、個別のステップの順番が明示的に記載されていない限り及びそのように記載されているときを除いて本明細書で開示される様々なステップの間に何らかの特定の順番を暗示するものとして解釈されるべきではない。

Claims (23)

1. 自律又は半自律マシンの複数のマイクロフォンを使用して生成されるオーディオ・データを受信するステップと、
   緊急対応車両の位置又は前記緊急対応車両の進行方向のうちの少なくとも１つを判定するために、前記オーディオ・データに少なくとも部分的に基づいて、音響三角測量アルゴリズムを実行するステップと、
   前記オーディオ・データに少なくとも部分的に基づいて、前記オーディオ・データからの１個又は複数のオーディオ信号に対応する１個又は複数の周波数のスペクトルの表現を生成するステップと、
   前記表現を表す第１のデータをニューラル・ネットワークに適用するステップと、
   前記ニューラル・ネットワークを使用して及び前記第１のデータに少なくとも部分的に基づいて、少なくとも第１の警告タイプ及び第２の警告タイプの確率を表す第２のデータを計算するステップと、
   前記確率に少なくとも部分的に基づいて、前記緊急対応車両のタイプを判定するステップと、
   前記緊急対応車両の前記タイプ、及び前記緊急対応車両の前記位置若しくは前記緊急対応車両の前記進行方向のうちの１個又は複数に少なくとも部分的に基づいて、前記自律又は半自律マシンによって１個又は複数の動作を実行するステップと
   を含む、方法。
2. １個又は複数の周波数のスペクトルの前記表現が、Ｍｅｌスペクトログラムを含む、請求項１に記載の方法。
3. 前記ニューラル・ネットワークが、畳み込み再帰ニューラル・ネットワーク（ＣＲＮＮ）を含む、請求項１に記載の方法。
4. 前記警告が、
   サイレン、
   １個又は複数のサイレンのシーケンス又はパターン、
   アラーム、
   １個又は複数のアラームのシーケンス又はパターン、
   車両クラクションからの１個又は複数の放出物、或いは、
   少なくとも１個の車両クラクションからの放出物のシーケンス又はパターン
   のうちの少なくとも１個に対応する、請求項１に記載の方法。
5. 前記複数のマイクロフォンが、前記自律又は半自律マシンの複数のマイクロフォン・アレイ内に配置され、前記複数のマイクロフォン・アレイの各マイクロフォン・アレイが、複数のマイクロフォンを含む、請求項１に記載の方法。
6. 前記複数のマイクロフォン・アレイが、前記自律又は半自律マシンの前部に配置された第１のマイクロフォン・アレイ、前記自律又は半自律マシンの後部に配置された第２のマイクロフォン・アレイ、前記自律又は半自律マシンの左部に配置された第３のマイクロフォン・アレイ、前記自律又は半自律マシンの右部に配置された第４のマイクロフォン・アレイ、或いは前記自律又は半自律マシンの上部に配置された第５のマイクロフォン・アレイのうちの２個以上を含む、請求項５に記載の方法。
7. 前記複数のマイクロフォン・アレイの各マイクロフォン・アレイが、そこに配置された風よけを含む、請求項５に記載の方法。
8. 前記オーディオ・データから背景ノイズを除去して、処理済みのオーディオ・データを生成するステップ
   をさらに含み、
   前記音響三角測量アルゴリズムを前記実行するステップ又は前記表現を前記生成するステップのうちの少なくとも１つが、前記処理済みのオーディオ・データに少なくとも部分的に基づく、請求項１に記載の方法。
9. 前記背景ノイズを前記除去するステップが、ビーム形成アルゴリズムを実行するステップを含む、請求項１に記載の方法。
10. 前記第２のデータを前記計算するステップが、
    前記ニューラル・ネットワークの１個又は複数のゲート付き線形ユニット（ＧＬＵ）を使用して、前記表現を表す前記第１のデータを処理するステップと、
    前記１個又は複数のＧＬＵの出力に少なくとも部分的に基づいて生成された第３のデータを、１個又は複数のゲート付き再帰型ユニット（ＧＲＵ）を使用して処理するステップと
    を含む、請求項１に記載の方法。
11. 前記ＧＲＵの出力に少なくとも部分的に基づいて生成される第４のデータにアテンションが適用される、請求項１０に記載の方法。
12. ソフトマックス関数又はシグモイド関数のうちの少なくとも１個を使用して１個又は複数の緻密層によって前記アテンションが適用される、請求項１１に記載の方法。
13. 前記ニューラル・ネットワークが、記録されたオーディオ・データ及び拡張されたオーディオ・データを使用してトレーニングされ、前記拡張されたオーディオ・データが、前記記録されたオーディオ・データと１個又は複数の拡張技法とを使用して生成され、前記１個又は複数の拡張技法が、タイム・ストレッチ、タイム・シフト、ピッチ・シフト、動的範囲圧縮、及び異なる信号対ノイズ比（ＳＮＲ）におけるノイズ拡張のうちの少なくとも１個を含む、請求項１に記載の方法。
14. 複数のマイクロフォンを使用して生成されるオーディオ・データを受信するステップと、
    前記オーディオ・データに少なくとも部分的に基づいて、スペクトログラムを生成するステップと、
    前記スペクトログラムを表す第１のデータをディープ・ニューラル・ネットワーク（ＤＮＮ）に適用するステップと、
    前記ＤＮＮの１個又は複数の特徴抽出層を使用して及び前記第１のデータに少なくとも部分的に基づいて、第２のデータを計算するステップと、
    前記ＤＮＮの１個又は複数のステートフル層を使用して及び前記第２のデータに少なくとも部分的に基づいて、第３のデータを計算するステップと、
    前記ＤＮＮの１個又は複数のアテンション層を使用して及び前記第３のデータに少なくとも部分的に基づいて、複数の警告タイプの確率を表す第４のデータを計算するステップと、
    前記確率に少なくとも部分的に基づいて１個又は複数の動作を実行するステップと
    を含む、方法。
15. 前記スペクトログラムが、Ｍｅｌスペクトログラムである、請求項１４に記載の方法。
16. 処理済みのオーディオ・データを生成するために、周囲ノイズ抑制アルゴリズムを使用して前記オーディオ・データを前処理するステップ
    をさらに含み、
    前記スペクトログラムを前記生成するステップが、前記処理済みのオーディオ・データに少なくとも部分的に基づく、
    請求項１４に記載の方法。
17. 前記１個又は複数の特徴抽出層が、１個又は複数のゲート付き線形ユニット（ＧＬＵ）を含む、請求項１４に記載の方法。
18. 前記１個又は複数のステートフル層が、１個又は複数のゲート付き再帰型ユニット（ＧＲＵ）を含む、請求項１４に記載の方法。
19. 前記１個又は複数のアテンション層が、ソフトマックス関数又はシグモイド関数のうちの少なくとも１個を使用する１個又は複数の緻密層を含む、請求項１４に記載の方法。
20. 前記ソフトマックス関数を使用する第１の出力及び前記シグモイド関数を使用する第２の出力の加重平均を計算するステップ
    をさらに含み、
    前記確率が、前記加重平均に対応する、
    請求項１９に記載の方法。
21. 各々のマイクロフォン・アレイが複数のマイクロフォンを含む、複数のマイクロフォン・アレイと、
    １個又は複数の処理ユニットと、
    命令を記憶する１個又は複数のメモリ・デバイスであって、前記命令が、前記１個又は複数の処理ユニットによって実行される場合に
    前記複数のマイクロフォン・アレイを使用して生成されたオーディオ・データを受信すること、
    緊急対応車両の位置又は前記緊急対応車両の進行方向のうちの少なくとも１つを判定するために、前記オーディオ・データに少なくとも部分的に基づいて、音響三角測量アルゴリズムを実行すること、
    前記オーディオ・データに少なくとも部分的に基づいて、前記オーディオ・データの１個又は複数のオーディオ信号の周波数スペクトルの表現を生成すること、
    前記表現を表す第１のデータをニューラル・ネットワークに適用すること、
    前記ニューラル・ネットワークを使用して及び前記第１のデータに少なくとも部分的に基づいて、少なくとも第１の警告タイプ及び第２の警告タイプの確率を表す第２のデータを計算すること、
    前記確率に少なくとも部分的に基づいて、前記緊急対応車両のタイプを判定すること、及び
    前記緊急対応車両の前記タイプ、及び前記緊急対応車両の前記位置若しくは前記緊急対応車両の前記進行方向のうちの１個又は複数に少なくとも部分的に基づいて、自律又は半自律マシンの１個又は複数の動作を実行すること
    を含む動作を前記１個又は複数の処理ユニットに実行させる、１個又は複数のメモリ・デバイスと
    を備える、システム。
22. 前記複数のマイクロフォン・アレイが、前記自律若しくは半自律マシンの前部に配置された第１のマイクロフォン・アレイ、前記自律若しくは半自律マシンの後部に配置された第２のマイクロフォン・アレイ、前記自律若しくは半自律マシンの左部に配置された第３のマイクロフォン・アレイ、前記自律若しくは半自律マシンの右部に配置された第４のマイクロフォン・アレイ、又は前記自律若しくは半自律マシンの上部に配置された第５のマイクロフォン・アレイのうちの２個以上を含む、請求項２１に記載のシステム。
23. 前記複数のマイクロフォン・アレイの各マイクロフォン・アレイが、そこに配置された風よけを含む、請求項２１に記載のシステム。

Images