JP2022099334A - ドライバの習慣を管理するためのシステムおよび方法 - Google Patents

Abstract

【課題】ドライバの習慣を管理するためのシステムおよび方法を提供すること。【解決手段】一実施形態は、ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習し、学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別し、車両センサの１つ以上および１つ以上の外部ソースからの情報を受信し、ドライバが、特定の望ましくない運転習慣を開始することになることを予測し、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、ドライバに対して１つ以上の速度勧告を伝達すること、ドライバに対し代替ルートを提案すること、ドライバが事業所に立ち寄ることによって休憩をとるように促すべく事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上をドライバに対し提示すること、といった回避戦略のうちの１つ以上を実施する。【選択図】図３

Description

本明細書中に記載の主題は、概して車両に関し、より詳細には、ドライバの習慣を管理するためのシステムおよび方法に関する。

自動車のドライバ間では悪い（危険な）運転習慣が一般的であり、多くの事故の発生につながっている。例えば、特定のドライバは、居眠り運転癖または注意散漫な精神状態にありながらの運転、あおり運転または赤信号無視（交通信号が赤から青に変わる前の交差点進入）といった習慣を有する可能性がある。多くの場合、ドライバはそれを自覚さえしていないことから、悪い運転習慣を無くするのは難題である。

本明細書では、運転習慣を管理するためのシステムの一例が提示されている。該システムは、１つ以上のプロセッサと、１つ以上のプロセッサに対し通信可能な形で結合されたメモリを含む。該メモリは、１つ以上のプロセッサによって実行された時点で、１つ以上のプロセッサに、ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習させ、かつ学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別させる命令を含む学習モジュールを記憶する。該メモリは同様に、１つ以上のプロセッサによって実行された時点で、１つ以上のプロセッサに、車両センサの１つ以上および１つ以上の外部ソースからの情報を受信させ、かつドライバが、受信情報内で特定の望ましくない運転習慣と結び付けられた１つ以上の状況トリガのうちの少なくとも１つの識別に基づいてこの特定の望ましくない運転習慣を開始する(engage)ことになることを予測させる命令を含む予測モジュールも記憶している。該メモリは同様に、１つ以上のプロセッサによって実行された時点で、１つ以上のプロセッサに、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、（１）現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること；といった回避戦略のうちの１つ以上を実施させる命令を含む緩和モジュールを記憶している。

別の実施形態は、ドライバの習慣を管理し、かつ１つ以上のプロセッサによって実行された時点で、１つ以上のプロセッサにドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習させる命令を記憶するための非一時的コンピュータ可読媒体である。該命令は同様に、1つ以上のプロセッサに学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別させる。命令は同様に、1つ以上のプロセッサに、車両センサの１つ以上および１つ以上の外部ソースからの情報を受信させる。命令は同様に、１つ以上のプロセッサに、ドライバが、受信情報内で特定の望ましくない運転習慣と結び付けられた１つ以上の状況トリガのうちの少なくとも１つの識別に基づいてこの特定の望ましくない運転習慣を開始することになることを予測させる。命令は同様に、１つ以上のプロセッサに、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、（１）現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること；といった回避戦略のうちの１つ以上を実施させる。

別の実施形態は、ドライバの習慣を管理する方法である。該方法は、ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習するステップを含む。該方法は同様に、学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別するステップを含む。該方法は同様に、車両センサの１つ以上および１つ以上の外部ソースからの情報を受信するステップを含む。該方法は同様に、ドライバが、受信情報内で特定の望ましくない運転習慣と結び付けられた１つ以上の状況トリガのうちの少なくとも１つの識別に基づいてこの特定の望ましくない運転習慣を開始することになることを予測するステップを含む。該方法は同様に、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、（１）現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること；といった回避戦略のうちの１つ以上を実施するステップを含む。

本開示の上述の特徴を詳細に理解できるように、実装を参照することにより、以上で手短に要約された本開示のより詳細な説明を提供することができ、これらの実装のうちのいくつかが、添付図面に例示されている。しかしながら、添付図面は、本開示の可能な実装を例示しているにすぎず、したがって、その範囲を限定するものとみなされるべきではないということを指摘しておかなければならない。本開示は、他の実装を認め得るものである。

本明細書中で開示されているシステムおよび方法を実装できる車両の一実施形態を例示する。 ドライバ習慣管理システムの一実施形態を例示する。 本発明の例示的実施形態にしたがった、ドライバ習慣学習アーキテクチャのブロック図である。 本発明の例示的実施形態にしたがった、ドライバの習慣を管理する方法の流れ図である。

理解を容易にするため、可能な場合には常に、複数の図に共通である同一の要素を表示するために同一の参照番号を使用した。さらに、１つ以上の実施形態の要素を、本明細書中に記載されている他の実施形態中で使用するために有利な形で適応させることも可能である。

悪い運転習慣（以下では「望ましくない運転習慣」）に対処しようとする従来のシステムは、注意散漫な運転などの望ましくない運転習慣が検出されると直ちにドライバに警報または警告を発する。このアプローチには、少なくとも２つの欠点がある。第１に、これは後手に回るものであることから、まずドライバが望ましくない運転習慣を開始するのを回避する助けとはならない。この欠点は、ドライバの望ましくない運転習慣が反復される確率の高い交通状況とこれらの望ましくない運転習慣が相関されていないことに起因する。第２に、居眠り運転（注意散漫な運転の１つのタイプ）などの検出された望ましくない運転習慣についてドライバに直ちに警報を発することは危険であり得る。例えば、「あなたは居眠り運転中ですよ！」といった可聴警告を発出すると、ドライバを驚かせ、ドライバが動揺して結果として事故をひき起こす可能性があると考えられる。

本明細書中に記載のさまざまな実施形態は、ドライバまたは他の道路利用者を危険にさらすことなく、望ましくない運転習慣を円滑に（控え目に）管理することによって、従来のシステムの上述の欠点を克服する。その上、本明細書中に記載の実施形態は、ドライバが望ましくない運転習慣を開始するのを自制するように先手を打って支援することができ、経時的に、自身の運転習慣がより安全なものとなるよう再教育する上でドライバの助けにさえなり得る。

実施形態において、車両内のドライバ習慣管理システムは、特定のドライバの望ましくない運転習慣をドライバが車両を操作するにつれて経時的に自動学習し、該システムは同様に、学習した各々の望ましくない運転習慣について、この望ましくない運転習慣と結び付けられた１つ以上の状況トリガを識別する。例えば、システムは、特定のドライバが、雨天の午後遅く交通信号の待機中、その心拍数が毎分９５～１６２拍（ＢＰＭ）であるときに注意散漫になる（例えば居眠り状態になる）傾向にある、ということを学習し得る。この例において、望ましくない運転習慣は不注意運転であり、状況トリガには、時刻（午後遅く）、気象条件（雨天）、信号待ち（交通事情／状況）、およびドライバの心拍数が特定の範囲内にあること（ドライバ由来の生理学的またはバイオメトリックデータ）が含まれる。

システムがひとたびドライバの望ましくない運転習慣およびドライバがこの望ましくない運転習慣を開始する傾向をもつ状況または事情を学習したならば、システムは、車両センサおよび／またはサーバなどの外部ソース、他の接続された車両、または路側ユニット（ＲＳＵ）といったさまざまなソースからの情報を処理して、結び付けられた状況トリガの受信情報内での識別に基づいて、ドライバが特定の望ましくない運転習慣を開始する確率が高いことを予測することができる。

ドライバが特定の望ましくない運転習慣を開始する確率が高いことをひとたび予測した時点で、システムは、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、（１）車両の現在のルートに沿った一連の交通信号機における赤信号で車両が行うべき停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく事業所でのクーポン、オファーおよび／またはディスカウントを提示すること；といった回避戦略のうちの１つ以上を実施する。いくつかの実施形態において、これらの回避戦略は、ドライバが特定の回避戦略を受諾するまで連続して実施され得る。回避戦略が実施される順序は、いくつかの実施形態において、学習済みのドライバの選好性に基づき得る。いくつかの実施形態において、これらの回避戦略は、学習済みのドライバの運転習慣にしたがって生成され、それらは、ドライバが望ましくない運転習慣をやめるのを助けるように意図されている。

いくつかの実施形態において、学習済みの望ましくない運転習慣およびそれらの結び付けられた状況トリガに関する情報が、クラウドまたはエッジサーバにアップロードされて、このクラウドまたはエッジサーバが、関連する状況トリガに関する情報（例えば、計画されたルートに沿って行く手に控えている気象条件、現在のルートに沿った交通信号のタイミングに関する情報、交通流（速度）データまたは交通密度情報）を車両内のドライバ習慣管理システムに提供できるようにしている。いくつかの実施形態において、クラウドまたはエッジサーバは、車両内システムに対し、このクラウドまたはエッジサーバにおいて利用可能である情報に基づいて特定の回避戦略を提案または推奨することができる。

図１を参照すると、本明細書中で開示されているシステムおよび方法を内部で実装することのできる車両１００の一例が示されている。車両１００は、ドライバ習慣管理システム１７０またはその構成要素および／またはモジュールを含むことができる。本明細書中で使用される「車両」は、あらゆる形態の原動機付き陸上交通である。例えば、いくつかの実施形態において、車両１００は自動車である。いくつかの実施形態において、車両１００は、内燃機関（ＩＣＥ）を含み得る。他の実施形態において、車両１００は、電気自動車またはハイブリッドＩＣＥ／電気自動車であり得る。車両１００は、ドライバ習慣管理システム１７０またはドライバ習慣管理システム１７０を支援するかまたはドライバ習慣管理システムと対話するケイパビリティを含むことができ、こうして本明細書中で論述されている機能性の利益を享受する。本明細書中で使用される車両１００の事例は、本明細書中に記載のシステムまたは方法を組込む能力を有するあらゆる機械に同様に応用可能である。

車両１００は同様にさまざまな要素を含む。さまざまな実装において、車両１００が図１に示されている要素全てを有する必要はないかもしれないということが理解される。車両１００は、図１に示されたさまざまな要素の任意の組合せを有することができる。さらに車両１００は、図１に示されているものに追加の要素を有することができる。いくつか配設において、車両１００は、ドライバ習慣管理システム１７０を含めた図１に示された要素の１つ以上のもの無しで実装され得る。さまざまな要素は図１中の車両１００の内部に位置設定されているものとして示されているものの、これらの要素のうちの１つ以上が車両１００の外部に位置設定されるかまたは車両１００とは別個のシステムの一部であることも可能である、ということが理解される。さらに、図示されている要素は、物理的に長い距離により離隔されていてもよい。

図１に示されているように、車両１００は、いくつかの実施形態において、ネットワーク１９０を介して１つ以上の他の接続された車両１８０と通信し得る。同様に、いくつかの実施形態において、図１に示されているように、車両１００は、ネットワーク１９０を介してクラウドサーバ、エッジサーバおよび路側ユニット（ＲＳＵ）などの他のネットワークノード１８５と通信し得る。

図１において、ネットワーク１９０は、さまざまな有線および無線ネットワークのいずれかを表わしている。例えば、車車間（Ｖ２Ｖ）通信と呼ばれることもある別の車両との直接通信の際に、車両１００は、専用狭域通信（ＤＳＲＣ）またはブルートゥース（登録商標）・ロー・エナジー（ＢＬＥ）などの技術を利用することができる。クラウドまたはエッジサーバまたはＲＳＵとの通信にあたって、車両１００は、セルラーデータなどの技術を使用することができる。いくつかの実施形態において、ネットワーク１９０には、インタネットが含まれる。

車両１００の考えられる要素のいくつかが図１に示されており、これについては、後続する図に関連して説明される。しかしながら、図１中の要素の多くについての説明は、この説明を簡略化する目的で、図２～４の論述の後で提供されるものとする。さらに、例示を簡素化し明瞭にするべく、異なる図の間で対応するまたは類似の要素を標示するために、該当する場合には参照番号が反復されている、という点も認識されるものとする。さらに、該論述は、本明細書中に記載の実施形態を完全に理解できるようにするため、多くの具体的詳細を概略的に述べている。しかしながら、当該者であれば、本明細書中に記載の実施形態が、これらの要素のさまざまな組合せを用いて実践可能である、ということを理解するものである。

図２を参照すると、この図は、ドライバ習慣管理システム１７０の一実施形態を例示している。ドライバ習慣管理システム１７０は、図１の車両１００からの１つ以上のプロセッサ１１０を含むものとして示されている。したがって、１つ以上のプロセッサ１１０は、ドライバ習慣管理システム１７０の一部であってよく、ドライバ習慣管理システム１７０は車両１００の１つ以上のプロセッサ１１０とは別個のプロセッサであり得、あるいは、ドライバ習慣管理システム１７０は、データバスまたは別の通信経路を通して１つ以上のプロセッサ１１０にアクセスし得る。一実施形態において、ドライバ習慣管理システム１７０は、学習モジュール２２０、予測モジュール２３０および緩和モジュール２４０を記憶するメモリ２１０を含む。メモリ２１０は、ランダムアクセスメモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、ハードディスクドライブ、フラッシュメモリまたは、モジュール２２０、２３０および２４０を記憶するための他の好適なメモリである。モジュール２２０、２３０および２４０は、例えば、１つ以上のプロセッサ１１０によって実行された時点で１つ以上のプロセッサ１１０に、本明細書中で開示されたさまざまな機能を行なわせるコンピュータ可読命令である。

図２に示されているように、ドライバ習慣管理システム１７０は、ネットワーク１９０を介して、１つ以上の接続された車両１８０および他のネットワークノード１８５と通信することができる。いくつかの実施形態において、ドライバ習慣管理システム１７０は、以上で論述した通り、Ｖ２Ｖ接続を介して１つ以上の接続された車両１８０と通信する。いくつかの実施形態において、ドライバ習慣管理システム１７０は、以上で論述した通り、セルラーデータ接続を介して１つ以上の他のネットワークノード１８５（例えばクラウドまたはエッジサーバ、ＲＳＵなど）と通信する。いくつかの実施形態において、ドライバ習慣管理システム１７０は、センサシステム１２０および通信システム１３０などの車両１００の他のシステムおよびサブシステムと通信し得る。ドライバ習慣管理システム１７０は、センサシステム１２０および／またはクラウドまたはエッジサーバ、ＲＳＵ、または他の接続された車両１８０などの１つ以上の外部ソースからの受信情報２６０をデータベース２５０内に記憶することができる。ドライバ習慣管理システム１７０は同様に、データベース２５０内に、さまざまな種類のドライバ習慣データ２７０を記憶することができる。

学習モジュール２２０は概して、１つ以上のプロセッサ１１０によって実行された時点で１つ以上のプロセッサ１１０に、（１）ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習させ；かつ（２）学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別させる命令を含む。いくつかの実施形態において、これら２つのアクションは、同時に（例えば並行して）行われる。

ドライバの望ましくない運転習慣を学習し、ドライバが車両１００を操作するにつれて状況トリガとこれらの習慣とを相関させることには、望ましくない運転習慣が発生するにつれてそれらを認識することが含まれる。これは、実施形態に応じて異なる形で達成可能である。概して、これには、車両１００を制御する上でのドライバの技量を、そのような状況下での「予期される」または「正常な」運転挙動（操舵、制動、加速、方向指示信号の使用など）を表わす基準または規格と比較すること、および将来使用するために、検出された望ましくない運転習慣の記録を何らかの形で文書記録または記憶すること、が関与する。比較のための基準は、実装に応じて機械学習ベースのプロセスの成果であり得、あるいは、この基準は規則ベースのものであり得る。

例えば、ドライバが車両１００を操作しているとき、車両１００が、基準により安全だと標示されている距離よりも短い距離で別の車両を追従し始めた場合、学習モジュール２２０は、その挙動を望ましくない運転習慣、具体的には「あおり運転」または他の何らかのラベルとしてフラグを立てる。同時に、学習モジュール２２０は、検出された望ましくない運転習慣と結び付けられた状況トリガを識別する。状況トリガの例としては、非限定的に、気象条件、時刻、曜日、車両１００と別の車両の間の空間的関係（例えば、上述の例においては追従距離）、車両と車道のトポロジー的特徴（例えば交差点、特定の車線など）の間の空間的関係、交通密度、車道の特定の部分に沿った交通流の速度、１つ以上の交通信号機に結び付けられた信号位相およびタイミング（ＳＰａＴ）データ、およびドライバのバイオメトリックまたは生理学的データ（例えば心拍数、呼吸、脳波など）のステータスが含まれる。いくつかの実施形態において、学習モジュール２２０は、ドライバのカレンダまたはスケジュール情報を使用して、いつおよびどこでドライバのアポイントメントおよび他の予定された活動が行なわれるか、そしていくつかの実施形態においてこれらの予定された活動と結び付けられた目的地または場所を決定する。

概して、状況トリガは、ドライバの望ましくない運転習慣と相関する運転の事情または状況についての一片の情報である。状況トリガは、車両を取り巻く環境または物理的世界に関係し得、あるいは、ドライバ自身の生理学的ステータスまたは精神状態に関連し得る。例えば、学習モジュール２２０は、交通の流れが掲示された制限速度を一定の百分率だけ下回っている場合に朝の通勤時にあおり運転を行なう傾向をドライバが有していると気付くかもしれない。この例において、状況トリガは、時刻（朝）、特定の意図された目的地（ドライバの仕事場への通勤）、および学習した閾値を下回る交通流の速度、である。

学習モジュール２２０は、非限定的に、不注意運転(distracted driving)、居眠り運転(daydreaming)（特定のタイプの不注意運転）、あおり運転(tailgating)（先行車両を過度に近付いて追従する）、方向転換を行なうときの方向指示不履行(failure to activate a turn signal)、注意散漫なスマートホンなどの携帯用電子機器の使用、信号無視(jumping a traffic light)（赤信号が青信号に変わる前に交差点に進入する）、赤信号走行、および危険追越し(risky overtaking of another vehicle)（例えば、２重黄色ラインがある２車線幹線道路上での追抜き）、を含めた異なる種類のさまざまな望ましくない運転習慣を検出するように構成され得る。

ドライバの望ましくない運転習慣および結び付けられた状況トリガを学習する上で、学習モジュール２２０は、センサシステム１２０からのデータを分析する。再び図１を参照すると、センサシステム１２０には、いくつかの実施形態において、異なる種類のさまざまな車両センサ１２１、例えばカメラ１２６、光による検出と測距（ＬＩＤＡＲ）センサ１２４、ＲＡＤＡＲセンサ１２３およびソナーセンサ１２５が含まれる。実施形態に応じて、車両センサのいくつかは内部のもの（すなわち車両１００のパッセンジャコンパートメントの内側）であり得、他は外部（パッセンジャコンパートメントの外側）のものである。例えば、１つ以上の内部カメラを使用して、ドライバの凝視方向、表情、携帯用電子機器の注意散漫な使用、注意力および機敏性レベルなどを監視することができる。いくつかの実施形態において、内部車両センサには、状況トリガとしてドライバの望ましくない運転習慣と相関させるかまたは結び付けることのできるドライバの心拍数、呼吸、脳波または他の特性（例えば推定される情動状態）を監視するための生理学的またはバイオメトリックセンサが含まれる。追加の車両センサ１２１には、速度、加速、姿勢／進路などを測定するために車両のコントローラエリアネットワーク（ＣＡＮバス）と結び付けられたもの、および全地球測位システム（ＧＰＳ）座標として車両の位置を出力する全地球的航法衛星システム（ＧＮＳＳ）受信機などの位置決めセンサが含まれ得る。車両センサ１２１には同様に、電子クロックおよびカレンダ（時刻および曜日用）およびドライバのカレンダデータに（例えばドライバのスマートホンまたは他の携帯電子機器を介してまたはクラウドサーバ上のドライバのアカウントを介して）アクセスするためのインタフェースも含まれ得る。

居眠り運転などの望ましくない運転習慣を検出し学習するために、学習モジュール２２０は例えば、ドライバの凝視を分析して、現在の状況を考慮して、ドライバの凝視が予測されるはずである場所とは異なる環境内の特定の場所に、ドライバの注意が「貼り付けられている」（固執している）ことを検出することができる。いくつかの実施形態においては、脳波パターンおよび脳波パターンの変化の分析を用いて、ドライバが居眠り運転中であることを検出することができる。以上で論述した通り、学習モジュール２２０は、１つ以上の状況トリガ（時刻、交通事情など）を検出された居眠り運転状態と結び付けることができる。

上述のさまざまな車両センサ１２１は、学習モジュール２２０がドライバの技量とこのような状況下での「正常な」または「予期された」運転挙動を表わす既定の基準とを比較することを可能にする。車両センサ１２１は同様に、学習モジュール２２０が１つ以上の状況トリガを各々の望ましくない運転習慣と結び付けることをも可能にする。

一部の実施形態において、学習モジュール２２０は、一組の特徴マップ中に、観察された望ましくない運転習慣およびそのそれぞれの結び付けられた状況トリガに関する情報を記憶する。このような実施形態においては、各特徴マップが特定の望ましくない運転習慣（例えば信号無視）を１つ以上の状況トリガと結び付ける。各々の望ましくない運転習慣は、それと結び付けられた多数の特徴マップを有することができる。例えば、１つの特徴マップは、状況トリガ「位置：アップル通りとサードアベニュの交差点」および「時刻：深夜」を望ましくない運転習慣「信号無視」と結び付け得ると考えられる。別の特徴マップは、状況トリガ「ドライバはアポイントメントに遅れていることによってストレスを感じている」および「交通信号「赤」の持続時間が閾値を超えている」を、同じ望ましくない運転習慣「信号無視」と結び付け得ると考えられる。

学習モジュール２２０は、特定の実施形態に応じて異なる形で実装され得る。いくつかの実施形態においては、規則ベースのアプローチが利用される。他の実施形態では、機械学習、強化学習および／または時系列分析が利用される。例えば、時系列分析を行なう際には、学習モジュール２２０は、長・短期記憶（ＬＳＴＭ）再帰型ニューラルネットワーク（ＲＮＮ）を利用し得ると考えられる。

いくつかの実施形態において、学習モジュール２２０は、クラウドまたはエッジサーバに対して、ドライバの望ましくない運転習慣および各々の望ましくない運転習慣と結び付けられた１つ以上の状況トリガに関する情報をアップロードするためのさらなる情報を含む。さまざまな実施形態においてどのようにアップロード済み情報を使用できるかについて、以下で予測モジュール２３０および緩和モジュール２４０に関連して論述する。

予測モジュール２３０は概して、１つ以上のプロセッサ１１０によって実行された時点で、１つ以上のプロセッサ１１０に、車両センサ１２１の１つ以上の外部ソースまたはその両方からの情報を受信させ；かつドライバが、受信情報内で特定の望ましくない運転習慣と結び付けられた１つ以上の状況トリガのうちの少なくとも１つの識別に基づいてこの特定の望ましくない運転習慣を開始することになることを予測させる命令を含む。受診情報２６０は、学習モジュール２２０に関して以上で論述されたもののような、車両センサ１２１によって出力された異なる種類のさまざまなセンサデータを含むかまたはそれらに基づくことができる。車両センサ１２１由来の情報には、例えば車両１００についての速度データ、車両１００についての位置データ、車両１００についての進路データ、１つ以上の他の道路利用者（例えば車両、オートバイ、歩行者、サイクリスト）に結び付けられた速度データ、１つ以上の他の道路利用者に結び付けられた進路データ、および１つ以上の他の道路利用者と結び付けられた距離データ（例えば車両１００からこれらの他の道路利用者までの測定された距離）が含まれ得る。

受信情報２６０は同様に、クラウドサーバ、エッジサーバ、ＲＳＵ、および他の接続された車両などの１つ以上の外部ソースからの情報も含み得る。予測モジュール２３０は、これらの外部ソースからの異なる種類のさまざまな情報を受信することができる。例としては、気象データ、１つ以上の交通信号機と結び付けられるＳＰａＴデータ、交通密度データ、交通流（速度）データ、および車両１００の計画されたルートの近くまたはそれに沿った他の道路利用者と結び付けられた位置データ（例えばＧＰＳ座標）が含まれる。

予測モジュール２３０は、それが車両センサ１２１および／または外部ソースから受信するさまざまな種類の情報の中から、学習された望ましくない運転習慣に結び付けられた状況トリガを識別することができる。１つ以上の結び付けられた状況トリガの識別は、ドライバが近い将来に特定の望ましくない運転習慣を開始する確率が高いことを予測モジュール２３０が予測するためのベースであり得る。予測のためのタイムホライズンは、実施形態、特定の交通状況および特定の望ましくない運転習慣の内容に応じて変動し得る。例えば、１つのシナリオにおいては、予測モジュール２３０は、あおり運転に結び付けられた状況トリガを識別することができ、予測モジュール２３０は、１０秒以内にドライバがその挙動を開始することを推定することができる。別のシナリオにおいては、予測モジュール２３０は、不注意運転に結び付けられた１つ以上の状況トリガを識別し得るが、学習されたパターンに基づいて、ドライバがその挙動を開始する確率が高い交通状況は、車両の現在の計画されたルートに沿って５分後の前方にある。予測のタイムホライズンにおけるこれらの状況変動にも関わらず、緩和モジュール２４０は、特定の望ましくない運転習慣の開始を自制する上でドライバを円滑に支援することができる。緩和モジュール２４０は、ドライバが望ましくない運転習慣を開始する確率が高い学習済みの状況を完全に回避するのを助けようと先手を打って試みることによって、これを行なう。これについては、以下でさらに詳述する。

一実施形態においては、ドライバの望ましくない運転習慣を予測するために、予測モジュール２３０は、機械学習ベースのアルゴリズムを利用する。より特定的には、予測モジュール２３０は、望ましくない運転習慣およびそれらの結び付けられた状況トリガを学習するために学習モジュール２２０が使用するアルゴリズムの回帰的側面を利用ことができる。別の実施形態では、予測モジュール２３０は、ドライバの望ましくない運転習慣を予測するために規則ベースのアプローチを利用する。望ましくない運転習慣を学習し予測するための機械学習ベースのアーキテクチャの一例が、図３に関連して以下で論述される。

緩和モジュール２４０は概して、１つ以上のプロセッサ１１０によって実行された時点で、１つ以上のプロセッサ１１０に、ドライバが特定の望ましくない運転習慣を開始するのを自制する上での一助となるように：（１）車両の現在のルートに沿った一連の交通信号機における赤信号で車両が行なうべき停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；および（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく前記事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること；といった回避戦略のうちの１つ以上を実施させる命令を含む。以上の３つの回避戦略（または緩和戦略）の各々は、望ましくない運転習慣を開始する確率の高い状況をドライバが回避するのを支援することができる。ドライバの挙動の誘導に対するこの円滑で控え目なアプローチは、ドライバを驚かせまたは困惑させて安全性に影響を及ぼす可能性のある、望ましくない運転習慣がすでに始まった後の直接的警告または警報の発出の必要性を取り除く。

以上で論述した通り、いくつかの実施形態において、これらの回避戦略および他の回避戦略は、ドライバの学習された運転習慣にしたがって生成され、これらは、ドライバが望ましくない運転習慣をやめるのを助けるように意図されている。

ドライバに対して速度勧告を伝達することで、交通信号での停止に関連した望ましくない運転習慣（赤信号走行、信号無視、居眠り運転など）の開始をドライバが回避するのを助けることができる。緩和モジュール２４０は、クラウドまたはエッジサーバから受信した一連の近付きつつある交通信号についてのＳＰａＴデータに基づいて、ドライバに、計画されたルートに沿って赤信号で車両１００が行なうべき停止回数を最小限に抑えるためにどの速度で運転すべきかを勧告することができる。これは、上述の種類の望ましくない運転習慣をドライバが開始する確率が高い状況（すなわち赤信号での停止）をドライバが回避するのを助ける。

別の回避戦略は、緩和モジュール２４０がドライバに対して代替ルートを提案することである。計画されたまたは予測されたルートに沿った前方の一地点でドライバが特定の望ましくない運転習慣を開始することを予測モジュール２３０が予測した場合、緩和モジュール２４０は、ドライバが望ましくない運転習慣を開始する確率の高い潜在的な近付きつつある状況を回避するために、ドライバに対して代替ルートを提案することができる。例えば、特定の車線（例えば最も右側の車線）を車両１００が走行している間に、緩慢な交通に起因してドライバがあおり運転をする（別の車両を過度に近い距離で追従する）確率が高いことを予測モジュール２３０が予測した場合、緩和モジュール２４０は、ドライバがあおり運転挙動を始める前にドライバに車線を変更するように提案できると考えられる。別の例を挙げると、１つ以上の識別された状況トリガに基づいて、ドライバが方向指示信号を始動させることなく前方の交差点で方向転換する確率が高いことを予測モジュール２３０が予測した場合、緩和モジュール２４０は、ドライバが望ましくない運転習慣を開始する（すなわち方向指示信号不履行）と予期される状況を回避するために、ドライバが方向転換する代わりに直進する代替ルートをとることを提案し得ると考えられる。

別の回避戦略は、緩和モジュール２４０がドライバに対して（例えばダッシュボード埋込みディスプレイ上で）事業所でのクーポン、オファーおよび／またはディスカウントを提示して、ドライバが事業所に立寄ることによって運転を中断して休憩をとるように促すことである。例えば、緩和モジュール２４０は、ドライバのお気に入りのコーヒーショップからのスペシャルオファをディスプレイ上に出現させることができる。この回避戦略は、異なる種類のさまざまな望ましくない運転習慣に対して広く適用可能である。

一実施形態において、緩和モジュール２４０は、予測モジュール２３０により予測された特定の望ましくない運転習慣に最も相応しい回避戦略を実施する。例えば、緩和モジュール２３０は、２分以内にドライバが居眠り運転する確率が高いことを、この習慣と結び付けられた一定の状況トリガに基づいて予測し得ると考えられる。緩和モジュール２４０は、ドライバが交通信号の無い地方の幹線道路上にいるために、ドライバに速度勧告を提示することが相応しくなく、また最も近い事業所が４５マイルも離れていることから事業所のクーポン、インセンティブなどをドライバにオファーすることも相応しくないことを確認する。この場合、緩和モジュール２４０は、最も相応しい戦略として代替ルートを提案することを選択することになると思われる。

いくつかの実施形態において、緩和モジュール２４０は、ドライバが特定の回避戦略を受諾するまで連続して上述の３つの回避戦略の各々を実施することを試みる。例えば、緩和モジュール２４０は、ドライバが速度勧告を傾聴していないことと判定し得ると考えられる。その時点で、緩和モジュール２４０は、代りに代替ルートを提案することができる。ドライバがこの代替ルートを拒否した場合、緩和モジュール２４０はこのとき、上述のようにクーポン、オファまたはディスカウントを提示することができる。これらの回避戦略が試行される順序は、実施形態によって変動し得る。一実施形態では、回避戦略の優先順位は、ドライバの過去の選好性にしたがって決められる。例えば、ドライバが典型的には速度勧告に従うものの提案された代替ルートを受諾するのを渋る場合、緩和モジュール２４０は、試行される第１のまたは好ましい回避戦略として速度勧告を優先して進めることができる。

いくつかの実施形態においては、クラウドまたはエッジサーバが、気象条件、交通速度および／または密度、他の道路利用者についての位置データに関する情報を提供するにあたり、緩和モジュール２４０に対して特定の回避戦略を提案することができる。例えば、車両の現在の計画されたまたは予測されたルートに沿った特定の場所において交通流が緩慢な状態になろうとしていることを、サーバにおける情報が標示した場合、サーバは、緩和モジュール２４０に対して、交通量が多く低速である状態においてあおり運転をするというドライバの公知の習慣を回避するため、ドライバに代替ルートを提案するように推奨する可能性があると思われる。このとき、緩和モジュール２４０はデフォルトで、提案された回避戦略を採用することができ、あるいは、緩和モジュール２４０は、実施形態に応じてその意志決定アルゴリズムの一部としてサーバからの推奨を考慮に入れることができる。

車両１００内の緩和モジュール２４０に対して特定の回避戦略を推奨または提案するというクラウドまたはエッジサーバのこの能力は、いくつかの実施形態において、以上で論述した通り、学習モジュール２２０がクラウドまたはエッジサーバにドライバの望ましくない運転習慣および結び付けられた状況トリガに関連する情報をアップロードする１つの理由である。別の理由は、予測モジュール２３０が状況トリガを識別しこれによりドライバが望ましくない運転習慣を開始する確率が高いことを予測できるようにする情報を、クラウドまたはエッジサーバが予測モジュール２３０と共有し得るということにある。例えば、サーバが、特定のドライバの学習済みの望ましくない運転習慣に関連する状況トリガ（例えば午後遅くの現在のルートに沿った８分後の降雨）を検出した場合、サーバはその情報を、関係するドライバの車両内のドライバ習慣管理システム１７０と、具体的には予測モジュール２３０と共有することができる。この伝送された情報は、予測モジュール２３０が望ましくない運転習慣（例えば午後遅く暴風雨の間に長い赤信号を待ちながら注意散漫になること）を予測することを可能にし、かつ緩和モジュール２４０が１つ以上の回避戦略をできれば連続して実行して、トリガとなる交通状況を回避することを可能にする。

図３は、本発明の例示的実施形態にしたがったドライバ習慣学習アルゴリズム３００のブロック図である。図３は、学習モジュール２２０および予測モジュール２３０のいくつかの態様の機械学習ベースの実装の一例を示している。図３に示されているように、ドライバ習慣学習アーキテクチャ３００は、前処理および増強３１５のため、車両センサ１２１、クラウドまたはエッジサーバ３１０そして接続された車両１８０からの情報を収集する。この情報は、状況把握３２０にフィードされる。状況把握３２０には、物体検出および交通状況（例えば、車両１００が接近しつつある交差点において、車両１００が赤信号で停止しなければならないこと）の把握が含まれる。特徴抽出３２５は、分類３３０、クラスタ化３３５および回帰（予測）３４０をフィードする。分類３３０は、ドライバの挙動を「攻撃的」、「注意散漫」、「居眠り運転」、「あおり運転」などとして分類して、ドライバの特定の望ましくない運転習慣を学習する一態様である。クラスタ化３３５は、気象条件、時刻、曜日、交通密度など、望ましくない運転習慣のさまざまなカテゴリを横断して共通である特徴を識別する。これらは、予測モジュール２３０に対応する回帰（予測）３４０を支援するためにドライバ習慣管理システム１７０（具体的には学習モジュール２２０）が、ドライバの望ましくない運転習慣と相関させる状況トリガの例である。分類３３０、クラスタ化３３５および回帰（予測）３４０の出力は、フィードバック／適応３０５にフィードされる。

以上で論述したように、ドライバ習慣学習アーキテクチャ３００の機械学習態様は、実施形態に応じてさまざまな形で実装可能である。例えば、いくつかの実施形態において、回帰（予測）３４０には時系列分析が関与し、そこでＬＳＴＭが利用される可能性があると考えられる。

図４は、本発明の例示的実施形態にしたがったドライバ習慣の管理方法４００の流れ図である。方法４００は、図２に示されたドライバ習慣管理システム１７０の観点から見て論述される。方法４００は、ドライバ習慣管理システム１７０と組合わせて論述されているものの、方法４００は、ドライバ習慣管理システム１７０内で実装されることに限定されず、ドライバ習慣管理システム１７０はむしろ方法４００を実装し得るシステムの一例である、ということを認識するべきである。

ブロック４１０および４２０において、学習モジュール２２０は、ドライバが車両１００を操作するにつれて経時的にドライバの望ましくない運転習慣を学習し（ブロック４１０）、各々の学習済みの望ましくない運転習慣について、その望ましくない運転習慣と結び付けられた１つ以上の状況トリガを識別する（ブロック４２０）。以上で論述したように、いくつかの実施形態において、これら２つのアクションは、同時に（例えば並行して）行なわれる。学習モジュール２２０は、ドライバの技量を実時間で、このような状況における「正常な」または「予期される」運転挙動と比較することによって、望ましくない運転習慣を識別する。学習モジュール２２０は、以上で論述したように、さまざまな種類の状況トリガとこれらの望ましくない運転習慣を相関させる。学習モジュール２２０は、実施形態に応じて異なる形で実装可能である。同様に以上で論述したように、いくつかの実施形態において、規則ベースのアプローチが利用される。他の実施形態においては、機械学習、強化学習および／または時系列分析が利用される。例えば時系列分析を行なうにあたり、学習モジュール２２０はＬＳＴＭ ＲＮＮを利用する可能性があると考えられる。

ブロック４３０および４４０において、予測モジュール２３０は、車両センサ１２１、１つ以上の外部ソース（例えばクラウドまたはサーバ、ＲＳＵなど）、またはその両方から情報を受信し（ブロック４３０）、受信情報内における特定の望ましくない運転習慣と結び付けられた１つ以上の状況トリガのうちの少なくとも１つの識別に基づいて、ドライバが特定の望ましくない運転習慣を開始することを予測する（ブロック４４０）。以上で論述したように、ドライバの望ましくない運転習慣を予測するために、予測モジュール２３０は、いくつかの実施形態において機械学習ベースのアルゴリズムを利用することができる。より具体的には、予測モジュール２３０は、以上で論述したように、望ましくない運転習慣およびその結び付けられた状況トリガを学習するために学習モジュール２２０が使用するアルゴリズムの回帰態様を利用することができる。別の実施形態においては、予測モジュール２３０は、ドライバの望ましくない運転習慣を予測するために規則ベースのアーキテクチャを利用する。望ましくない運転習慣を学習し予測するための機械学習ベースのアーキテクチャの一例は、図３に関連して以上で論述されている。

ブロック４５０において、緩和モジュール２４０は、ドライバが特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、（１）車両の現在のルートに沿った一連の交通信号機における赤信号で車両が行うべき停止回数を最小限に抑えるため、ドライバに対して１つ以上の速度勧告を伝達すること；（２）ドライバに対し代替ルートを提案すること；（３）ドライバに対し、ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく事業所でのクーポン、オファーおよび／またはディスカウントを提示すること；といった回避戦略のうちの１つ以上を実施する。以上で論述したように、いくつかの実施形態において、これらの回避戦略及び他の回避戦略は、ドライバの学習済み運転習慣にしたがって生成され、それらは、ドライバが望ましくない運転習慣をやめるのを助けるように意図されている。

いくつかの実施形態において、方法４００は、追加のアクション（図４には図示せず）を含む。例えばいくつかの実施形態においては、学習済みの望ましくない運転習慣およびそれらの結び付けられた状況トリガに関する情報が、クラウドまたはエッジサーバ３１０にアップロードされて、このクラウドまたはエッジサーバ３１０が、関連する状況トリガに関する情報（例えば、計画されたルートに沿って行く手に控えている気象条件、現在のまたは計画されたルートに沿った交通信号についてのＳＰａＴデータ、交通流データまたは交通密度情報）を車両内のドライバ習慣管理システム１７０（具体的には予測モジュール２３０）に提供できるようにしている。いくつかの実施形態において、クラウドまたはエッジサーバ３１０は、クラウドまたはエッジサーバ３１０において利用可能である情報に基づいて特定の回避戦略を緩和モジュール２４０に対し提案または推奨することができる。緩和モジュール２４０は、ネットワーク１９０上でこの提案または推奨を受信することができる。

以上で論述したように、一実施形態において、緩和モジュール２４０は、予測モジュール２３０により予測された特定の望ましくない運転習慣に最も相応しい高い回避戦略を実施する。

同様に以上で論述したように、いくつかの実施形態において、緩和モジュール２４０は、ドライバが特定の回避戦略を受諾するまで連続して上述の３つの回避戦略（ブロック４５０の論述を参照）の各々を実施することを試みる。例えば、緩和モジュール２４０は、ドライバが速度勧告を傾聴していないと判定し得ると考えられる。その時点で、緩和モジュール２４０は、代りに代替ルートを提案し得ると考えられる。ドライバがこの代替ルートを拒否した場合、緩和モジュール２４０はこのとき、上述のようにクーポン、オファまたはディスカウントを提示することができる。これらの回避戦略が試行される順序は、実施形態によって変動し得る。一実施形態では、回避戦略の優先順位は、過去のドライブ中にドライバが示した選好性にしたがって決められる。例えば、ドライバが典型的には速度勧告に従うものの提案された代替ルートを受諾するのを渋る場合、緩和モジュール２４０は、試行される第１のまたは好ましい回避戦略として速度勧告を優先的に進めることができる。

ここで、本明細書中に開示されているシステムおよび方法を内部に実装でき例示的車両環境として、図１について詳細に論述する。車両１００は、１つ以上のプロセッサ１１０を含むことができる。１つ以上の配設において、１つ以上のプロセッサ１１０は、車両１００の主プロセッサであり得る。例えば、１つ以上のプロセッサ１１０は、電子制御ユニット（ＥＣＵ）であり得る。車両１００は、１つ以上のタイプのデータを記憶するために１つ以上のデータストア１１５を含むことができる。データストア１１５は、揮発性および／または不揮発性メモリを含むことができる。好適なデータストア１１５の例としては、ＲＡＭ、フラッシュメモリ、ＲＯＭ、ＰＲＯＭ（プログラマブル読取り専用メモリ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ（電気的消去可能プログラマブル読取り専用メモリ）、レジスタ、磁気ディスク、光ディスク、ハードドライブまたは任意の他の好適な記憶媒体またはそれらの任意の組合せが含まれ得る。データストア１１５は、１つ以上のプロセッサ１１０の構成要素であり得、あるいはデータストア１１５は、１つ以上のプロセッサ１１０が使用するためにこれらのプロセッサに作動的に接続され得る。本明細書全体を通して使用されている「作動的に接続される」なる用語は、物理的接触の無い直接的な接続を含めた、直接的または間接的接続を含み得る。

１つ以上の配設において、１つ以上のデータストア１１５は、マップデータ１１６を含むことができる。マップデータ１１６は、１つ以上の地理的エリアのマップを含むことができる。いくつかの事例において、マップデータ１１６は、１つ以上の地理的エリア内の道路、交通制御デバイス、路面標識、構造、特徴および／またはランドマークを含むことができる。１つ以上の配設において、マップデータ１１６は、１つ以上の地形図１１７を含むことができる。地形図１１７は、１つ以上の地理的エリアの地面、地形、道路、表面および／または他の特徴についての情報を含むことができる。１つ以上の配設において、マップデータ１１６は、１つ以上の静止障害物マップ１１８を含むことができる。静止障害物マップ１１８は、１つ以上の地理的エリア内に位置設定された１つ以上の静止障害物についての情報を含むことができる。

１つ以上のデータストア１１５は、センサデータ１１９を含むことができる。これに関連して、「センサデータ」は、このようなセンサのケイパビリティおよび他の情報を含めた、車両に装備されたセンサについてのあらゆる情報を意味する。以下で説明されるように、車両１００は、センサシステム１２０を含むことができる。センサデータ１１９は、センサシステム１２０の１つ以上のセンサに関するものであり得る。一例として、１つ以上の配設において、センサデータ１１９は、センサシステム１２０の１つ以上のＬＩＤＡＲセンサ１２４についての情報を含むことができる。以上で論述したように、いくつかの実施形態において、車両１００は、他の接続された車両から、他の道路利用者（ＯＲＵ）と結び付けられたデバイスから、またはその両方から、センサデータを受信することができる。

以上で指摘したように、車両１００は、センサシステム１２０を含むことができる。センサシステム１２０は、１つ以上のセンサを含むことができる。「センサ」とは、何かを検出および／または検知することのできるあらゆるデバイス、構成要素および／またはシステムを意味する。１つ以上のセンサは、実時間で検出および／または検知するように構成され得る。本明細書中で使用される「実時間」なる用語は、特定のプロセスまたは決定がなされるのに充分即時であるものとしてユーザまたはシステムが検知する、あるいはプロセッサがいくつかの外部プロセスに送れずについていけるようにする、処理応答性レベルを意味する。

センサシステム１２０が複数のセンサを含む配設において、センサは、互いに独立して機能することができる。代替的には、２つ以上のセンサが互いに組合さった形で動作することができる。このような場合、２つ以上のセンサはセンサネットワークを形成することができる。センサシステム１２０および／または１つ以上のセンサは、１つ以上のプロセッサ１１０、データストア１１５、および／または車両１００の別の要素（図１に示されている要素のいずれかを含む）に対して作動的に接続され得る。

センサシステム１２０は、任意の好適なタイプのセンサを含むことができる。異なるタイプのセンサのさまざまな例が、本明細書中で説明される。しかしながら、実装は説明されている特定のセンサに限定されるものではないということが理解される。センサシステム１２０は１つ以上の車両センサ１２１を含むことができる。車両センサ１２１は、さまざまな車両構成要素およびシステムの動作ステータスを含めた、車両１００自体についての情報を、検出、決定および／または検知することができる。

１つ以上の配設において、車両センサ１２１は、例えば慣性加速度に基づいて、車両１００の位置および／または配向を検出しかつ／または検知するように構成され得る。１つ以上の配設において、車両センサ１２１は、１つ以上の加速度計、１つ以上のジャイロスコープ、慣性計測装置（ＩＭＵ）、推定航法システム、全地球的航法衛星システム（ＧＮＳＳ）、ナビゲーションシステム１４７および／または他の好適なセンサを含むことができる。車両センサ１２１は、車両１００の１つ以上の特性を検出および／または検知するように構成され得る。１つ以上の配設において、車両センサ１２１は、車両１００の現在の速度を決定するための速度計を含むことができる。

代替的にまたは付加的に、センサシステム１２０は、運転環境データを取得および／または検知するように構成された１つ以上の環境センサ１２２を含むことができる。「運転環境データ」は、車両が位置設定されている外部環境またはその１つ以上の部分についての任意のデータまたは情報を含む。例えば、１つ以上の環境センサ１２２は、車両１００の外部環境の少なくとも一部分の中の障害物および／またはこのような障害物についての情報／データを検出、定量化、および／または検知するように構成され得る。１つ以上の環境センサ１２２は、例えば、近傍の車両、レーンマーカ、標識、交通信号、交通標識、車線区分線、横断歩道、車両１００の近くの縁石、路外物体など、車両１００の外部環境の少なくとも一部分の中の他の物を検出し、測定し、定量化しかつ／または検知するように構成され得る。

センサシステム１２０のセンサのさまざまな例が、本明細書中に記載される。例示的センサは、１つ以上の環境センサ１２２および／または１つ以上の車両センサ１２１の一部であってよい。その上、センサシステム１２０は、車両１００のドライバ／オペレータに関係する側面を追跡または他の形で監視するために機能するオペレータセンサを含むことができる。しかしながら、実装は記載されている特定のセンサに限定されないということが理解されるものとする。一例として、１つ以上の配設において、センサシステム１２０は、１つ以上のレーダシステム１２３、１つ以上のＬＩＤＡＲセンサ１２４、１つ以上のソナーセンサ１２５および／または１つ以上のカメラ１２６を含むことができる。

車両１００は、通信システム１３０をさらに含むことができる。通信システム１３０は、車両１００と１つ以上の通信ソースの間の通信を容易にするように構成された１つ以上の構成要素を含むことができる。本明細書中で使用される通信ソースとは、車両１００が通信できる人またはデバイス、例えば外部ネットワーク、コンピュータデバイス、車両１００のオペレータまたは乗員を意味する。通信システム１３０の一部として、車両１００は、入力システム１３１を含むことができる。「入力システム」には、情報／データを機械に入力できるようにするあらゆるデバイス、構成要素、システム、要素または配設またはその群が含まれる。１つ以上の例において、入力システム１３１は、車両の乗員（例えばドライバまたは同乗者）からの入力を受信することができる。車両１００は、出力システム１３２を含むことができる。「出力システム」には、情報／データを１つ以上の通信ソース（例えば人、車両の同乗者など）に対して提示できるようにする任意のデバイス、構成要素、または配設またはその群が含まれる。通信システム１３０はさらに、１つ以上のディスプレイデバイス１３３および１つ以上のオーディオデバイス１３４（例えばスピーカおよびマイクロホン）などの、入力システム１３１または出力システム１３２の一部であるかまたはこれらのシステムと対話することのできる特定の要素を含むことができる。

車両１００は、１つ以上の車両システム１４０を含むことができる。１つ以上の車両システム１４０のさまざまな例が図１に示されている。しかしながら、車両１００は、より多くの、より少ない、または異なる車両システムを含むことができる。特定の車両システムが別個に定義されているが、システムまたはその一部分の各々またはいずれかを車両１００内部のハードウェアおよび／またはソフトウェアを介して他の形で組合せるかまたは分離することができるということを認識すべきである。車両１００は、推進システム１４１、制動システム１４２、操舵システム１４３、スロットルシステム１４４、トランスミッションシステム１４５、シグナリングシステム１４６および／またはナビゲーションシステム１４７を含むことができる。これらのシステムの各々は、現在公知であるかまたは後日開発される１つ以上のデバイス、構成要素、および／またはそれらの組合せを含むことができる。

１つ以上のプロセッサ１１０は、さまざまな車両システム１４０および／またはその個別の構成要素と通信するために作動的に接続され得る。例えば図１に戻ると、１つ以上のプロセッサ１１０は、車両１００の動き、速度、操縦、進路、方向などを制御するためにさまざまな車両システム１４０からの情報を送信および／または受信するように通信状態にあり得る。１つ以上のプロセッサ１１０は、これらの車両システム１４０のいくつかまたは全てを制御し得る。

車両１００は、１つ以上のモジュールを含むことができ、そのうちの少なくともいくつかが本明細書中で説明されている。モジュールは、プロセッサ１１０によって実行された時点で本明細書中に記載のさまざまなプロセスの１つ以上を実装するコンピュータ可読プログラムコードとして実装可能である。プロセッサ１１０は、１つのタスクを行なう目的で１つ以上の命令スレッドを受信し実行する能力を有するＣＰＵなどのデバイスであり得る。モジュールの１つ以上は、１つ以上のプロセッサ１１０の構成要素であり得、あるいはモジュールの１つ以上を、１つ以上のプロセッサ１１０が作動的に接続されている他の処理システム上で実行しかつ／または他の処理システムの間で分散させることもできる。モジュールは、１つ以上のプロセッサ１１０によって実行可能な命令（例えばプログラム論理）を含むことができる。代替的にまたは付加的に、１つ以上のデータストア１１５がこのような命令を格納していてよい。

１つ以上の配設において、本明細書中に記載のモジュールの１つ以上は、人工または計算知能要素、例えばニューラルネットワーク、ファジー論理または他の機械学習アルゴリズムを含むことができる。さらに、１つ以上の配設において、モジュールの１つ以上を、本明細書中に記載の複数のモジュール間で分散させることができる。１つ以上の配設において、本明細書中に記載のモジュールの２つ以上を単一のモジュールに組合わせることが可能である。

本明細書中では、詳細な実装が開示されている。しかしながら、開示された実装は単に例として意図されているにすぎないということを理解すべきである。したがって、本明細書中で開示されている具体的な構造的および機能的詳細は、限定的なものとして解釈されるのではなく、単にクレームのためのベースとしてかつ、適切に詳述された事実上あらゆる構造において本明細書中の態様をさまざまな形で利用するべく当業者に教示するための代表的なベースとして、解釈されるべきものである。さらに、本明細書中で使用されている用語および言い回しは、限定的なものではなくむしろ考えられる実装の理解可能な描写を提供するものとして意図されている。さまざまな実装が図１～４に示されているが、実装は、例示された構造または利用分野に限定されない。

図中の流れ図およびブロック図は、さまざまな実装に係るシステム、方法およびコンピュータプログラムプロダクトの考えられる実装のアーキテクチャ、機能性および動作を例示している。この点において、流れ図またはブロック図中の各ブロックは、特定の論理機能を実装するための１つ以上の実行可能な命令を含むモジュール、セグメントまたはコードの一部分を表わし得る。同様に、いくつかの代替的実装において、ブロック内に記された機能が、図中に記された順序から外れて発生し得る、ということも指摘しておくべきである。例えば、連続して示された２つのブロックは実質的に同時に実行され得、あるいは、関与する機能性に応じてブロックを逆の順序で実行することも時として可能である。

上述のシステム、構成要素および／または方法は、ハードウェア内でまたはハードウェアとソフトウェアの組合せの形で実現可能であり、１つの処理システム内に集中した形で、または異なる要素が複数の相互接続された処理システムに散在する分散した形で実現可能である。本明細書中に記載の方法を実施するために適応されたあらゆる種類の処理システムまたは他の装置が好適である。ハードウェアとソフトウェアの典型的組合せは、ロードされ実行された時点で処理システムを制御してそれが本明細書中に記載の方法を実施するようにするコンピュータ使用可能コードを伴う処理システムであり得る。システム、構成要素および／または方法は同様に、本明細書中に記載の方法を行なうために機械により実行可能な命令プログラムを有形的に具体化する、機械により読取り可能なコンピュータプログラムプロダクトまたは他のデータプログラム記憶デバイスなどのコンピュータ可読記憶装置内に埋め込まれ得る。これらの要素は同様に、本明細書中に記載の方法の実装を可能にする全ての特徴を含みかつ処理システム内にロードされた時点でこれらの方法を実施することのできるアプリケーションプロダクト中に埋込まれ得る。

さらに、本明細書中に記載の配設は、具体化されるかまたは埋込まれた、例えば上に記憶されたコンピュータ可読プログラムを有する１つ以上のコンピュータ可読媒体内で具体化されたコンピュータプログラムプロダクトの形をとることができる。１つ以上のコンピュータ可読媒体の任意の組合せを使用することができる。コンピュータ可読媒体は、コンピュータ可読信号媒体またはコンピュータ可読記憶媒体であり得る。「コンピュータ可読記憶媒体」なる言い回しは、非一時的記憶媒体を意味する。コンピュータ可読記憶媒体は例えば、ただし非限定的に、電子、磁気、光学、電磁、赤外線または半導体システム、装置またはデバイスまたは以上のものの任意の好適な組合せであり得る。コンピュータ可読記憶媒体のより具体的な例（非網羅的リスト）としては、以下のものが含まれると考えられる：１本以上のワイヤを有する電気的接続、ポータブルコンピュータフロッピディスク、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭまたはフラッシュメモリ、光ファイバ、ポータブルコンパクトディスク読取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル多目的ディスク（ＤＶＤ）、光学記憶デバイス、磁気記憶デバイスまたは以上のものの任意の好適な組合せ。本書に関連して、コンピュータ可読記憶媒体は、命令実行システム、装置またはデバイスを格納するか、またはそれらが使用するためのプログラムを記憶するか、またはこれらと接続状態にあるあらゆる有形媒体であり得る。

コンピュータ可読媒体上で具体化されたプログラムコードは、非限定的に、無線、有線、光ファイバ、ケーブル、ＲＦなどまたは以上のものの任意の好適な組合せを含む任意の適切な媒体を用いて伝送され得る。本配設の態様のためのオペレーションを実施するためのコンピュータプロダクトコードは、オブジェクト指向プログラミング言語、例えばＪａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋など、および従来の手続き型プログラミング言語、例えば「Ｃ」プログラミング言語または類似のプログラミング言語を含めた１つ以上のプログラミング言語の任意の組合せを用いて書くことができる。プログラムコードは、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、独立型ソフトウェアパッケージとして、部分的にユーザのコンピュータ上でかつ部分的にリモートコンピュータ上で、または完全にリモートコンピュータまたはサーバ上で実行可能である。後者のシナリオにおいては、リモートコンピュータを、ＬＡＮまたはＷＡＮを含めた任意のタイプのネットワークを介してユーザのコンピュータに接続することができ、あるいは外部コンピュータに（例えばインタネットサービスプロバイダを用いてインタネットを通して）接続を行なうことが可能である。

以上の説明においては、さまざまな実装を完全に理解できるようにするために、一定の具体的詳細が概略的に述べられている。しかしながら、当業者であれば、これらの詳細無しで本発明を実践できるということを理解するものである。他の事例においては、実装の説明を不必要に曖昧にするのを回避するため、周知の構造は図示または詳述されていない。文脈上他の意味に解すべき場合を除き、明細書および以下のクレーム全体を通して、「ｃｏｍｐｒｉｓｅ（含む）」なる用語およびその変形形態、例えば「ｃｏｍｐｒｉｓｅｓ」および「ｃｏｍｐｒｉｓｉｎｇ」は、オープンで包括的な意味で、すなわち「ｉｎｃｌｕｄｉｎｇ，ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ（非限定的に～を含む）」としてみなされるべきものである。さらに本明細書中で提供されている「見出し」は、単に便宜上のものであり、請求対象の発明の範囲または意味を解釈するものではない。

本明細書全体を通しての「１つ以上の実装」または「実装」に対する言及は、該実装に関連して説明された特定の特徴、構造または特性が少なくとも１つ以上の実装の中に含まれることを意味する。したがって、本明細書全体を通してさまざまな場所における「１つ以上の実装において」または「一実装において」なる言い回しの出現は、必ずしも全てが同じ実装を意味しているわけではない。さらに、１つ以上の実装において、特定の特徴、構造または特性を任意の好適な形で組合わせることができる。同様に、本明細書および添付クレームで使用されている単数形態「ａ」、「ａｎ」および「ｔｈｅ」は、内容から明白に他の意味が指示されている場合を除き、複数の指示対象を含む。同様に、内容から明白に他の意味が指示されている場合を除き、「ｏｒ」なる用語が概して「ａｎｄ／ｏｒ」を含めたその意味で使用される、ということも指摘しておくべきである。

本明細書中で使用されている見出し（例えば「背景技術」および「概要」）および小見出しは、単に、本開示内の主題を全体的に組織するために意図されているにすぎず、技術またはそのいずれかの態様の開示を限定するようには意図されていない。表明された特徴を有する多数の実装の列挙は、追加の特徴を有する他の実装または表明された特徴の異なる組合せを包含する他の実装を排除することを意図していない。本明細書中で使用されている「ｃｏｍｐｒｉｓｅ（含む）」および「ｉｎｃｌｕｄｅ（含む）」なる用語およびそれらの変形形態は、非限定的であるように意図されており、したがって、アイテムの連続した列挙またはリストは、この技術の方法およびデバイスにおいて同様に有用であるかもしれない他の類似のアイテムを排除するものではない。同様に、「ｃａｎ」および「ｍａｙ」およびそれらの変形形態は非限定的であるように意図されており、したがって、１つの実装が一定の要素または特徴を含むことができる（ｃａｎまたはｍａｙ）という記述は、これらの要素または特徴を含まない当該技術の他の実装を排除しないことになる。

本開示の広い教示はさまざまな形態で実装可能である。したがって、本開示は特定の例を含むものの、明細書および以下のクレームを検討した時点で当業者には他の修正が明らかになるものであるため、本開示の真の範囲は、このような例に限定されるべきではない。本明細書における１つの態様またはさまざまな態様に対する言及は、１つの実装または特定のシステムに関連して記述された特定の特徴、構造または特性が、少なくとも１つ以上の実装または態様に含まれていることを意味する。「１つの態様において」（またはその変形形態）なる言い回しの出現は、必ずしも同じ態様または実装に言及しているわけではない。本明細書中で論述されているさまざまな方法ステップが、描かれているものと同じ順序で実施されなければならないわけではなく、各々の態様または実装の中に各々の方法ステップが必要とされるわけではない、ということも同様に理解すべきである。

概して、本明細書中で使用される「モジュール」には、特定のタスクを行なうかまたは特定のデータタイプを実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などが含まれる。さらなる態様において、メモリは概して、記載されたモジュールを格納する。モジュールに結び付けられたメモリは、プロセッサ内に埋め込まれたバッファまたはキャッシュ、ＲＡＭ、ＲＯＭ、フラッシュメモリまたは別の好適な電子記憶媒体であり得る。さらなる態様において、本開示によって想定されているモジュールは、特定用途向け集積回路（ＡＳＩＣ）、システムオンチップ（ＳｏＣ）のハードウェア構成要素として、プログラマブル論理アレイ（ＰＬＡ）として、または開示された機能を行なうための定義済み構成セット（例えば命令）が埋込まれた別の好適なハードウェア構成要素として実装される。

本明細書中で使用される「ａ」および「ａｎ」なる用語は、１つとしてかまたは２つ以上として定義される。本明細書中で使用される「複数」なる用語は、２つまたは３つ以上として定義される。本明細書中で使用される「別の」なる用語は、少なくとも第２以上のものとして定義される。本明細書中で使用される「含む（ｉｎｃｌｕｄｉｎｇ）」および／または「有する（ｈａｖｉｎｇ）」なる用語は、含む（ｉｎｃｌｕｄｉｎｇ）（すなわちオープン言語）として定義される。本明細書中で使用される「～と～のうちの少なくとも１つ」なる言い回しは、結び付けられリストアップされたアイテムのうちの１つ以上の任意のおよび全ての考えられる組合せを意味し包含する。一例として、「Ａ、ＢおよびＣのうちの少なくとも１つ」なる言い回しは、Ａのみ、Ｂのみ、Ｃのみ、またはその任意の組合せ（例えばＡＢ、ＡＣ、ＢＣまたはＡＢＣ）を含む。

実装についての以上の記述は、例示および説明を目的として提供されてきた。それは、網羅的であるように、または本開示を限定するように意図されていない。特定の実装の個別の要素または特徴は、概して、この特定の実装に限定されないが、該当する場合には、互換性があり、たとえ具体的に図示または説明されていなくても、選択された実装の中で使用可能である。これは同様に、多くの形で変動させることもできる。このような変形形態は、本開示からの逸脱としてみなされるべきではなく、このような修正は全て本開示の範囲内に含まれるように意図されている。

以上は、開示されたデバイス、システムおよび方法の実装に向けられているものの、開示されたデバイス、システムおよび方法の他のおよびさらなる実装を、その基本的範囲から逸脱することなく考案することが可能である。その範囲は以下のクレームによって決定される。

Claims (20)

1. ドライバの習慣を管理するためのシステムであって、
   １つ以上のプロセッサと、
   前記１つ以上のプロセッサに対し通信可能に結合されたメモリであって、
   前記１つ以上のプロセッサによって実行された時点で、前記１つ以上のプロセッサに、
   前記ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習させ、
   学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別させる、
   命令を含む学習モジュール、
   前記１つ以上のプロセッサによって実行された時点で、前記１つ以上のプロセッサに、
   車両センサの１つ以上および１つ以上の外部ソースからの情報を受信させ、
   受信情報内での特定の望ましくない運転習慣と結び付けられた前記１つ以上の状況トリガのうちの少なくとも１つの識別に基づいて前記ドライバが、この特定の望ましくない運転習慣を開始することになることを予測させる、
   命令を含む予測モジュール、および、
   前記１つ以上のプロセッサによって実行された時点で、前記１つ以上のプロセッサに、前記ドライバが前記特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、
   現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、前記ドライバに対して１つ以上の速度勧告を伝達すること、
   前記ドライバに対し代替ルートを提案すること、
   前記ドライバに対し、前記ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく前記事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること、
   といった回避戦略のうちの１つ以上を実施させる、
   命令を含む緩和モジュール、
   を記憶しているメモリと、
   を含む、システム。
2. 前記特定の望ましくない運転習慣には、不注意運転、居眠り運転、あおり運転、方向指示不履行、携帯用電子機器の使用、信号無視、赤信号走行、および危険追越しのうちの１つが含まれる、請求項１に記載のシステム。
3. 前記特定の望ましくない運転習慣に結び付けられた前記１つ以上の状況トリガには、気象条件、時刻、曜日、前記車両と別車両の間の空間的関係、前記車両と車道のトポロジー的特徴の間の空間的関係、交通密度、交通流の速度、１つ以上の交通信号機に結び付けられた信号位相およびタイミングデータ、およびドライバのバイオメトリックデータのステータスのうちの１つ以上が含まれる、請求項１に記載のシステム。
4. 前記学習モジュールは、前記１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、前記ドライバの前記望ましくない運転習慣および各々の望ましくない運転習慣に結び付けられた前記１つ以上の状況トリガに関する情報をクラウドサーバおよびエッジサーバのうちの１つに対してアップロードさせるさらなる命令を含んでいる、請求項１に記載のシステム。
5. 前記ドライバが前記車両を操作するにつれて経時的に前記ドライバの望ましくない運転習慣を学習するための前記学習モジュール内の前記命令には、機械学習、強化学習、および時系列分析のうちの１つ以上を行なうための命令が含まれる、請求項１に記載のシステム。
6. 前記緩和モジュールは、前記１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、前記特定の望ましくない運転習慣に基づいて最も相応しい特定の回避戦略を実施させる命令を含んでいる、請求項１に記載のシステム。
7. 前記緩和モジュールは、前記１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、前記ドライバが特定の回避戦略を受諾するまで連続して前記回避戦略の実施を試行させる命令を含んでいる、請求項１に記載のシステム。
8. 前記緩和モジュールは、前記１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、どの回避戦略をドライバが選好するかを学習させ、前記回避戦略の実施が連続して試行される場合に前記回避戦略を相応して優先させるさらなる命令を含んでいる、請求項７に記載のシステム。
9. 前記緩和モジュールは、１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、クラウドサーバおよびエッジサーバのうちの１つから提案された回避戦略を受信させるさらなる命令を含んでいる、請求項１に記載のシステム。
10. ドライバの習慣を管理し、
    １つ以上のプロセッサによって実行された時点で、前記１つ以上のプロセッサに、
    前記ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習させ、
    学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別させ、
    車両センサの１つ以上および１つ以上の外部ソースからの情報を受信させ、
    受信情報内で特定の望ましくない運転習慣と結び付けられた前記１つ以上の状況トリガのうちの少なくとも１つの識別に基づいて前記ドライバがこの特定の望ましくない運転習慣を開始することになることを予測させ、
    前記ドライバが前記特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、
    現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、前記ドライバに対して１つ以上の速度勧告を伝達すること、
    前記ドライバに対し代替ルートを提案すること、
    前記ドライバに対し、前記ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく前記事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示すること、
    といった回避戦略のうちの１つ以上を実施させる、
    命令を記憶するための非一時的コンピュータ可読媒体。
11. 前記命令はさらに、前記１つ以上のプロセッサによって実行された時点で前記１つ以上のプロセッサに、前記ドライバの前記望ましくない運転習慣および各々の望ましくない運転習慣に結び付けられた前記１つ以上の状況トリガに関する情報をクラウドサーバおよびエッジサーバのうちの１つに対してアップロードさせるさらなる命令が含まれる、請求項１０に記載の非一時的コンピュータ可読媒体。
12. ドライバの習慣を管理する方法であって、
    前記ドライバが車両を操作するにつれて経時的にドライバの望ましくない運転習慣を学習することと、
    学習した各々の望ましくない運転習慣について、この望ましくない運転習慣に結び付けられた１つ以上の状況トリガを識別することと、
    車両センサの１つ以上および１つ以上の外部ソースからの情報を受信することと、
    受信情報内で特定の望ましくない運転習慣と結び付けられた前記１つ以上の状況トリガのうちの少なくとも１つの識別に基づいて前記ドライバがこの特定の望ましくない運転習慣を開始することになることを予測することと、
    前記ドライバが前記特定の望ましくない運転習慣を開始するのを自制する上で一助となるように、
    現在のルートに沿った一連の交通信号機における赤信号での停止回数を最小限に抑えるため、前記ドライバに対して１つ以上の速度勧告を伝達することと、
    前記ドライバに対し代替ルートを提案することと、
    前記ドライバに対し、前記ドライバが事業所に立ち寄ることによって運転を中断して休憩をとるように促すべく前記事業所でのクーポン、オファーおよびディスカウントのうちの１つ以上を提示することと、
    といった回避戦略のうちの１つ以上を実施することと、
    を含む、方法。
13. 前記ドライバの望ましくない運転習慣および各々の望ましくない運転習慣に結び付けられた前記１つ以上の状況トリガに関する情報をクラウドサーバおよびエッジサーバのうちの１つに対してアップロードさせることをさらに含む、請求項１２に記載の方法。
14. 前記１つ以上の外部ソースが、クラウドサーバ、エッジサーバ、路側ユニットおよび別の車両のうちの１つ以上を含み、前記１つ以上の外部ソースから受信される情報には、気象データ、１つ以上の交通信号機と結び付けられた信号位相およびタイミングデータ、交通密度データ、交通流データおよび他の道路利用者と結び付けられた位置データのうちの１つ以上が含まれる、請求項１２に記載の方法。
15. 前記車両センサから受信される情報には、前記車両についての速度データ、前記車両についての位置データ、前記車両についての進路データ、１つ以上の他の道路利用者に結び付けられた速度データ、前記１つ以上の他の道路利用者に結び付けられた進路データ、および前記１つ以上の他の道路利用者と結び付けられた距離データのうちの１つ以上が含まれる、請求項１２に記載の方法。
16. 前記ドライバが前記車両を操作するにつれて経時的に前記ドライバの望ましくない運転習慣を学習することには、機械学習、強化学習および時系列分析のうちの１つ以上が含まれる、請求項１２に記載の方法。
17. 前記特定の望ましくない運転習慣に基づいて最も相応しい特定の回避戦略が実施される、請求項１２に記載の方法。
18. 前記回避戦略の実施は、前記ドライバが特定の回避戦略を受諾するまで連続して試行される、請求項１２に記載の方法。
19. どの回避戦略をドライバが選好するかを学習すること、および、前記回避戦略の実施が連続して試行される場合に、前記回避戦略を相応して優先させることをさらに含む、請求項１８に記載の方法。
20. クラウドサーバおよびエッジサーバのうちの１つから、提案される回避戦略を受信することをさらに含む、請求項１２に記載の方法。

Images