JP2022546930A - 予防的車両安全システム - Google Patents

Abstract

一実施形態において、自動運転車（ＡＶ）システムが、ＡＶ自体と別の物体との衝突が差し迫っていることを、ＡＶに取り付けたセンサから取得したデータに基づいて判定する。ＡＶシステムは、衝突に対する最適な車両向きを決定し、最適な車両向きに車両を位置付けるための車両進路を決定し、決定した車両進路に沿って走行するように車両を自律的に制御する。

Description

本開示は概してコンピュータシステムの分野に関し、より具体的には、自動運転車における安全技術を可能にするコンピューティングシステムに関する。

現在の車両安全システムは受動的な性質がある。すなわち、発生した衝突に応答して動作し、その衝撃の角度、方向、または強さを問わない。例えば、現在の車両安全システムは、膨張速度をプログラムした固定位置エアバッグや、プログラムされた加速度に基づいて作動する固定式衝突センサなどの受動的機構を含むことがある。こうした品目は、衝突前の自動車の事前状態も、車両が衝突時に行うことも認識していない可能性があり、これらは乗員の安全および内蔵安全装置の配置に影響を及ぼす場合がある。したがって乗員の安全は、衝撃の方向または強さ、乗員の位置、および車両が衝突している物体に応じて異なってよい。

自動運転環境の一例を示す簡略図である。

自動運転機能を備えた車両の一実装例を示す簡略ブロック図である。

特定の実施形態によるニューラルネットワークの一部の例を示す図である。

様々な車両で支援され得る自動運転の各レベルの例を示す簡略ブロック図である。

いくつかの自動運転システムに実装され得る自動運転フローの一例を示す簡略ブロック図である。

車両と物体との差し迫った衝突について最適な進路と向きを判定するシナリオの一例を示す図である。

車両と物体との差し迫った衝突について最適な乗員向きを判定するシナリオの一例を示す図である。 車両と物体との差し迫った衝突について最適な乗員向きを判定するシナリオの一例を示す図である。

車両同士の通信に基づいて、最適な進路および向きを判定するシナリオの一例を示す図である。

車両と物体との通信に基づいて、最適な進路および向きを判定するシナリオの一例を示す図である。

自動運転車制御システムの一例に関する簡略ブロック図である。

予防的車両安全システム用の意思決定プロセスの一例を示す簡略フロー図である。

予防的安全システムを実装する自動運転車を制御するプロセスの一例を示すフローチャートである。

いくつかの実施形態による例示的なプロセッサのブロック図である。

いくつかの実施形態による例示的なコンピューティングシステムのブロック図である。

様々な図面における同様の参照番号および名称は、同様の要素を示している。

図１は、自動運転環境の一例を示す簡略図（１００）である。車両（例えば、１０５，１１０，１１５など）が、それぞれの自動運転スタックを可能にするようにハードウェア、ファームウェア、および／またはソフトウェアで実装されたロジックを有する車載コンピューティングシステムによって促進される様々なレベルの自動運転能力を備えてよい。そのような自動運転スタックにより、各車両は自己制御を行うかまたは運転者支援を提供して、道路を検出し、ある地点から別の地点まで誘導し、他の車両および道路上の動作主体（例えば、歩行者（例えば、１３５）、自転車に乗る人など）を検出し、障害物や危険要素（例えば、１２０）および道路状況（例えば、交通量、道路状況、気象条件など）を検出し、適宜車両の制御および誘導を調整することが可能になり得る。

いくつかの実装例では、この環境内にある車両（例えば、１０５、１１０、１１５）は、１つまたは複数の技術（例えば、ＩＥＥＥ８０２．１１通信（例えば、ＷｉＦｉ）、セルラデータネットワーク（例えば、第３世代パートナーシッププロジェクト（３ＧＰＰ）ネットワーク、移動体通信用グローバルシステム（ＧＳＭ（登録商標））、汎用パケット無線サービス、符号分割多元接続（ＣＤＭＡ）など）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ミリ波（ｍｍＷａｖｅ）、Ｚｉｇｂｅｅ（登録商標）、Ｚ－Ｗａｖｅなど）を用いて無線通信を支援する通信モジュールを車載コンピューティングシステムが含むという点で「接続」され得るので、車載コンピューティングシステムは、他の車両の車載コンピューティングシステム、路側機、またはクラウドベースのコンピューティングシステムなどの支援インフラストラクチャといった他のコンピューティングシステムに接続して通信することが可能になる。例えば、いくつかの実装例では、車両（例えば、１０５、１１０、１１５）は、センサ、データ、およびサービスを提供して車両自体の自動運転能力を支援するコンピューティングシステムとやり取りしてよい。例えば、図１の説明事例に示すように、いくつかある例の中でもとりわけ、支援ドローン１８０（例えば、地上および／または空中にある）、路側コンピューティングデバイス（例えば、１４０）、および様々な外部（車両の外部、すなわち「外側にある」）センサデバイス（例えば、１６０、１６５、１７０、１７５など）などのデバイスが、車両（例えば、１０５、１１０、１１５）に実装されたコンピューティングシステム、センサ、およびロジックとは別の自動運転インフラストラクチャとして提供され、車両によってもたらされる自動運転結果を支援し且つ向上させてよい。各車両は、いくつかある通信例の中でもとりわけ、ネットワーク接続されている他の車両とも無線通信チャネルで通信して、自動運転環境内でデータを共有し且つ動きを連携させてよい。

図１の例に示すように、自動運転インフラストラクチャは様々な異なるシステムを組み込んでよい。そのようなシステムは場所に応じて異なってよく、より発展した道路（例えば、特定の自治体または料金徴収当局が管理する道路、市街地にある道路、自動運転車にとっては問題が多いことが知られている道路区域など）には、他の道路区域よりも多数のまたは高度な支援インフラストラクチャデバイスがあるといった具合である。例えば、補助センサデバイス（例えば、１６０、１６５、１７０、１７５）が提供されてよく、これらのデバイスには、車道および環境内で移動する車両の一部を観察して、センサの観察結果を表現するまたは具現化する対応するデータを生成するためのセンサが含まれている。例として、センサデバイスは、いくつかある例の中でもとりわけ、道路自体に（例えば、センサ１６０）、路側標識または頭上標識（例えば、標識１２５に設置されたセンサ１６５）、電子式路側機器または設備（例えば、信号機（例えば、１３０）、電子式道路標識、電子式掲示板など）に取り付けられたセンサ（例えば、１７０、１７５）、専用の路側機（例えば、１４０）に組み込まれてよい。センサデバイスには、収集したセンサデータをネットワーク接続されている近くの車両またはフォグベースもしくはクラウドベースのコンピューティングシステム（例えば、１４０、１５０）に直接的に伝える通信機能も含まれてよい。車両は、外部センサデバイス（例えば、１６０、１６５、１７０、１７５、１８０）が収集したセンサデータ、またはこれらのセンサデバイス（例えば、１６０、１６５、１７０、１７５、１８０）からのセンサデータに基づいて他のシステム（例えば、１４０、１５０）が生成した観察結果もしくは推奨事項を具現化するデータを取得し、このデータを、センサフュージョン、推論、および進路計画などの、車載自動運転システムにより行われるタスクに用いてよい。場合によって、そのような外側にあるセンサおよびセンサデータは、実際には、車両に取り付けられたアフターマーケットセンサ、車両の乗員が携帯または着用するパーソナルコンピューティングデバイス（例えば、スマートフォン、ウェアラブル端末など）といった形などで車両内にあってもよい。歩行者、自転車、ドローン、電子式スクータなどを含む他の道路上の動作主体も、センサが備えられるかまたはセンサを携帯し、自動運転環境を表現するセンサデータを生成してよい。こうしたセンサデータは、いくつかある例の中でもとりわけ、自動運転車、クラウドベースもしくはフォグベースの支援システム（例えば、１４０、１５０）、他のセンサデバイス（例えば、１６０、１６５、１７０、１７５、１８０）により用いられて消費されてよい。

自動運転車システムは様々なレベルの機能性および精巧さを備えている場合があるので、支援インフラストラクチャは、一部の車両の検知能力だけではなく、一部の車両の自動運転機能を可能にするコンピュータおよび機械による学習機能も補うことを求められることがある。例えば、機械学習モデルの訓練およびそのような機械学習モデルの使用を促進するのに用いられる計算リソースおよび自動運転ロジックが、車載コンピューティングシステムに完全に、または車載システムおよび一部の外部システム（例えば、１４０、１５０）の両方に部分的に提供されてもよい。例えば、ネットワーク接続されている車両が、道路の特定の区間にだけある路側機、エッジシステム、またはクラウドベースのデバイス（例えば、１４０）とやり取りしてよく、そのようなデバイス（例えば、１４０）は、データ（例えば、ローカルセンサ（例えば、１６０、１６５、１７０、１７５、１８０）から集められたセンサデータ、または他の車両のセンサから報告されたデータ）を提供することができ、ネットワーク接続されている車両は、ある車両により提供されたデータに対して（サービスとして）計算を行って車両固有の能力を補う、且つ／または（例えば、デバイス１４０で収集された、または近くのセンサデバイスから収集されたセンサデータなどに基づいて）通過車両もしくは接近車両に情報をプッシュしてよい。ネットワーク接続されている車両（例えば、１０５、１１０、１１５）は同様にまたは代わりに、クラウドベースのコンピューティングシステム（例えば、１５０）とやり取りしてよく、このコンピューティングシステムは同様のメモリリソース、検知リソース、および計算リソースを提供して、車両で利用可能なリソースを拡張してよい。例えば、クラウドベースのシステム（例えば、１５０）は、１つまたは複数の場所にある様々なデバイスからセンサデータを収集し、このデータを利用して、（いくつかある実装例の中でもとりわけ、クラウドベースのシステム１５０と通信している様々な車両（例えば、１０５、１１０、１１５）に結果を提供する、またはその車載システムが使用するために車両にプッシュするために）クラウドベースのシステムで用いられ得る機械学習モデルの構築および／または訓練を行ってよい。アクセスポイント（例えば、１４５）、例えば、携帯電話用の中継塔、路側機、様々な道路インフラストラクチャに取り付けられたネットワークアクセスポイント、および近くの車両または建物により提供されるアクセスポイントなどのアクセスポイントが、環境内に設けられ、クラウドベースのシステム（例えば、１５０）と様々な車両（例えば、１０５、１１０、１１５）との間の１つまたは複数のローカルエリアネットワークまたはワイドエリアネットワーク（例えば、１５５）を介した通信を促進するのに用いられてよい。そのようなインフラストラクチャおよびコンピューティングシステムによって、本明細書で述べる例、特徴、および解決策は、そのような車載コンピューティングシステム、フォグベースもしくはエッジコンピューティングデバイス、またはクラウドベースのコンピューティングシステムのうちの１つまたは複数により、あるいはシステム間のやり取り及び協調による前述の組み合わせにより、完全に行われてよいことを理解されたい。

概して、本明細書で述べる「サーバ」、「クライアント」、「コンピューティングデバイス」、「ネットワークエレメント」、「ホスト」、「プラットフォーム」、「センサデバイス」、「エッジデバイス」、「自動運転システム」、「自動運転車」、「フォグベースのシステム」、「クラウドベースのシステム」、および「システム」などは一般に、自動運転環境と関連したデータおよび情報を受信する、送信する、処理する、格納する、または管理するように動作可能な電子式コンピューティングデバイスを含んでよい。本明細書で用いる場合、用語「コンピュータ」、「プロセッサ」、「プロセッサデバイス」、または「処理デバイス」は、任意の好適な処理装置を包含することが意図されており、こうした処理装置には、いくつかある例の中でもとりわけ、中央演算処理装置（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、およびテンソルプロセッサなどの行列計算プロセッサが含まれる。例えば、単一のデバイスとして環境内に示される要素が、複数のサーバコンピュータを含むサーバプールなどの、複数のコンピューティングデバイスおよびプロセッサを用いて実装されてよい。さらに、複数のコンピューティングデバイスのうちのいずれか、全部、または一部が、Ｌｉｎｕｘ（登録商標）、ＵＮＩＸ（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）、Ａｐｐｌｅ ＯＳ、Ａｐｐｌｅ ｉＯＳ（登録商標）、Ｇｏｏｇｌｅ Ａｎｄｒｏｉｄ（登録商標）、Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒなどを含む任意のオペレーティングシステムを実行するように適合されてよく、また仮想マシンが、カスタマイズされた独自のオペレーティングシステムを含む特定のオペレーティングシステムの実行を仮想化するように適合される。

後述されるまたは図に示される様々なコンポーネントのうちのいずれかに関するフロー、方法、プロセス（またはその一部）、または機能のうちのいずれかが、１つまたは複数のモジュール、エンジン、ブロック、ユニット、モデル、またはシステムなどの好適なコンピューティングロジックといった任意の好適なコンピューティングロジックにより行われてよい。本明細書における、「モジュール」、「エンジン」、「ブロック」、「ユニット」、「モデル」、「システム」、または「ロジック」への言及は、１つまたは複数の機能を実行するハードウェア、ファームウェア、ソフトウェア、および／またはそれぞれの組み合わせを指してよい。一例として、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、マイクロコントローラまたはプロセッサなどの１つまたは複数のハードウェアコンポーネントを含んでよく、こうしたハードウェアコンポーネントは、マイクロコントローラまたはプロセッサにより実行されるように適合されたコードを格納する非一時的媒体と関連している。したがって、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックへの言及は、一実施形態において、ハードウェアを指してよく、こうしたハードウェアは具体的には、非一時的媒体に保持されるコードを認識し且つ／または実行するように構成される。さらに、別の実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックの使用が、コードを含む非一時的媒体を指し、こうしたコードは具体的には、マイクロコントローラまたはプロセッサにより実行されて、所定のオペレーションが行われるように適合される。推論できるであろうが、さらに別の実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ハードウェアと非一時的媒体との組み合わせを指してもよい。様々な実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ソフトウェア命令を動作可能に実行するマイクロプロセッサなどの処理要素、特定用途向け集積回路（ＡＳＩＣ）などの個別ロジック、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのプログラムされた論理デバイス、命令を含むメモリデバイス、または（例えば、プリント回路基板上に見られるような）ロジックデバイスの組み合わせなどの好適なハードウェアおよび／またはソフトウェアを含んでよい。モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、例えば、トランジスタで実装され得る１つまたは複数のゲートなどの回路要素を含んでよい。いくつかの実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ソフトウェアとして完全に具現化されてよい。ソフトウェアは、非一時的コンピュータ可読記憶媒体に記録されたソフトウェアパッケージ、コード、命令、命令セット、および／またはデータとして具現化されてよい。ファームウェアが、メモリデバイスにハードコードされた（例えば、不揮発性の）コード、命令もしくは命令セット、および／またはデータとして具現化されてよい。さらに、分離しているように示されているロジック境界が、一般に変化し、場合によっては重なり合う。例えば、第１モジュールおよび第２モジュール（または複数のエンジン、ブロック、ユニット、モデル、システム、またはロジック）が、ハードウェア、ソフトウェア、ファームウェア、またはその組み合わせを共有してよく、場合によっては、何らかの独立したハードウェア、ソフトウェア、またはファームウェアを保持してよい。

後述し図に示すフロー、方法、およびプロセスは、特定の実施形態で行われ得る機能を単に代表しているにすぎない。他の実施形態では、こうしたフロー、方法、およびプロセスにおいて、追加の機能が行われてもよい。本開示の様々な実施形態では、本明細書で説明される機能を実現するための、あらゆる好適なシグナリング機構が企図されている。本明細書で示される機能の一部が、必要に応じて、フロー、方法、プロセスの中で、繰り返され、組み合わされ、変更され、削除されてもよい。さらに、各機能が、特定の実施形態の範囲から逸脱することなく、フロー、方法、およびプロセスの中で任意の好適な順序で行われてもよい。

ここで、図２を参照すると、簡略ブロック図２００が示されており、自動運転機能を備えた車両（および対応する車載コンピューティングシステム）１０５の一実装例を示している。一例では、車両１０５が、いくつかある例の中でもとりわけ、中央演算処理装置（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、およびテンソルプロセッサなどの行列計算プロセッサといった１つまたは複数のプロセッサ２０２を備えてよい。そのようなプロセッサ２０２は、ハードウェアアクセラレータデバイス（例えば、２０４）に結合されても、またはそれを統合していてもよく、ハードウェアアクセラレータデバイスは、いくつかある例の中でもとりわけ、機械学習推論または訓練（後述する機械学習推論または訓練のうちのいずれかを含む）に関連する機能、特定のセンサデータ（例えば、カメラ画像データ、ＬＩＤＡＲ点群など）の処理、自動運転に関連する特定の計算機能（例えば、行列計算、畳み込み計算など）の実行といった特定の処理およびメモリアクセス機能を加速させるハードウェアを備えてよい。１つまたは複数のメモリ素子（例えば、２０６）が、車両に実装された自動運転スタックのモジュールまたはサブモジュールのうちのいずれか一方の全部または一部を実施する機械実行可能命令を格納するために、さらに機械学習モデル（例えば、２５６）、およびセンサデータ（例えば、２５８）などの、車両が行う自動運転機能に関連して受信される、生成される、または用いられる（または本明細書で述べた例および解決策に関連して用いられる）データを格納するために提供されてよい。様々な通信モジュール（例えば、２１２）も設けられてよく、これは、１つまたは複数のネットワーク通信技術を使用する１つまたは複数のネットワークチャネルを介して他の外側にあるコンピューティングシステムとやり取りするのに、車両のシステムにより用いられる通信機能を実現するハードウェア回路および／またはソフトウェアに実装される。こうした様々なプロセッサ２０２、アクセラレータ２０４、メモリデバイス２０６、およびネットワーク通信モジュール２１２は、車両のシステム上で、１つまたは複数の相互接続ファブリックまたはリンク（例えば、２０８）を通じて相互接続されてよく、そのような相互接続には、いくつかある中でもとりわけ、ペリフェラルコンポーネントインターコネクトエクスプレス（ＰＣＩｅ）、イーサネット（登録商標）、ＯｐｅｎＣＡＰＩ（登録商標）、Ｇｅｎ－Ｚ（登録商標）、ＵＰＩ、ユニバーサルシリアルバス（ＵＳＢ）、アクセラレータ用のキャッシュコヒーレント相互接続（ＣＣＩＸ（登録商標））、Ａｄｖａｎｃｅｄ Ｍｉｃｒｏ Ｄｅｖｉｃｅ（登録商標）（ＡＭＤ（登録商標））のＩｎｆｉｎｉｔｙ（登録商標）、共通通信インタフェース（ＣＣＩ）、またはＱｕａｌｃｏｍｍ（登録商標）のＣｅｎｔｒｉｑ（登録商標）相互接続といった技術を利用するファブリックなどがある。

図２の例を続けると、車両（および対応する車載コンピューティングシステム）１０５の一例が、自動運転車の機能性をハードウェアおよび／またはソフトウェアで実現したいくつかあるモジュール例の中でもとりわけ、自動運転システム２１０、運転制御装置（例えば、２２０）、センサ（例えば、２２５）、およびユーザ／乗員インタフェース（例えば、２３０）を含んでよい。例えば、自動運転システム２１０が、いくつかの実装例では、（例えば、図５の例に示して述べているように）自動運転スタックおよびプロセスフローの全部または一部を実装してよい。機械学習エンジン２３２が設けられてよく、これは、車両にまたは車両のために提供され実装される１つまたは複数の自律機能および特徴（例えば、本明細書の例で述べたもの）に関連して車両１０５に提供される様々な機械学習モデル（例えば、２５６）を利用する。そのような機械学習モデル２５６は、人工ニューラルネットワークモデル、畳み込みニューラルネットワーク、決定木ベースのモデル、サポートベクトルマシン（ＳＶＭ）、ベイズモデル、および深層学習モデルなどのモデル例を含んでよい。いくつかの実装例では、機械学習エンジン２３２の一例に、複数の機械学習モデル２５６のうちの１つまたは複数の訓練（例えば、初期訓練、継続的訓練など）に関わる１つまたは複数のモデル訓練器エンジン２５２が含まれてよい。１つまたは複数の推論エンジン２５４も設けられてよく、これは、訓練済みの機械学習モデル２５６を利用して、様々な推論、予測、および分類などの結果を導出する。いくつかの実施形態において、本明細書で説明する機械学習モデルの訓練または推論は、車両外でコンピューティングシステム１４０または１５０などによって行われてよい。

車両に提供される機械学習エンジン２３２は、自動運転スタックなどの自動運転関連の機能を実装する自動運転システム２１０の他の論理コンポーネント及びモジュールによる使用のために結果を支援し提供するのに利用されてよい。例えば、データ収集モジュール２３４は、（例えば、車両により用いられる様々な機械学習モデル２５６を訓練または使用する際の入力のために）データをどのソースから収集すべきかを決定するロジックを備えてよい。例えば、特定のソース（例えば、内蔵センサ（例えば、２２５）または外側にあるソース（例えば、１１５、１４０、１５０、１８０、２１５など））が選択されてよく、データをサンプリングする頻度および忠実度も選択される。場合によって、そのような選択及び設定は、データ収集モジュール２３４によって、１つまたは複数の対応する機械学習モデルを用いて少なくとも一部は自律的に行われてよい（例えば、特定の検出されたシナリオが与えられると必要に応じてデータを収集する）。

センサフュージョンモジュール２３６も、自動運転システムの機械学習エンジン２３２などのモジュール（例えば、２３８、２４０、２４２、２４４、２４６など）により利用される様々なセンサ入力の使用および処理を制御するのに使用されてよい。１つまたは複数のセンサフュージョンモジュール（例えば、２３６）が設けられてよく、これは、（例えば、車両にある、または車両の外側にある）複数のセンサデータソースから出力を導出してよい。こうしたソースは同種のタイプのソースでも、または異種のタイプのソースでも（例えば、共通タイプのセンサの複数のインスタンスからの複数の入力でも、複数の異なるタイプのセンサの各インスタンスからの複数の入力でも）よい。センサフュージョンモジュール２３６の一例が、いくつかあるセンサフュージョン技術の例の中でもとりわけ、ダイレクトフュージョン、インダイレクトフュージョンを適用してよい。場合によって、センサフュージョンの出力は、入力として（場合によっては追加入力と共に）自動運転システムの別のモジュールおよび／または１つまたは複数の機械学習モデルに、自動運転機能などの機能（例えば、本明細書で述べた解決策の例で説明したようなもの）を提供することに関連して供給されてよい。

認知エンジン２３８がいくつかの例において設けられてよく、これは、場合によって、外側にあるソースおよび／またはセンサフュージョンモジュール２３６からのデータを含む様々なセンサデータ（例えば、２５８）を入力として取り入れ、車両１０５が遭遇した（または遭遇することになる）環境の自律認知に対応するいくつかある機能例の中でもとりわけ、物体認識および／または検出した物体の追跡を行ってよい。認知エンジン２３８は深層学習を用いて、例えば、１つまたは複数の畳み込みニューラルネットワークなどの機械学習モデル２５６によって、センサデータ入力から物体認識を行ってよい。物体追跡も行われてよく、これは、物体が移動しているかどうか、もしそうならば、どの軌道に沿って移動しているのかをセンサデータ入力から自律的に推定する。例えば、所定の物体を認識した後に、認知エンジン２３８は、所定の物体が車両に関連してどのように移動するかを検出してよい。そのような機能を用いて、例えば、いくつかある使用例の中でもとりわけ、他の車両、歩行者、野生生物、自転車に乗る人などといった、環境内を移動する物体を検出してよく、こうした物体の移動は、道路上の車両の進路に影響を与えることがある。

位置特定エンジン２４０も、何らかの実装においては、自動運転システム２１０に含まれてよい。場合によって、位置特定エンジン２４０は、認知エンジン２３８のサブコンポーネントとして実装されてもよい。位置特定エンジン２４０も、１つまたは複数の機械学習モデル２５６および（例えば、ＬＩＤＡＲデータおよびＧＰＳデータなどの）センサフュージョンを利用して、所定の物理空間（または「環境」）における車両および車両が占有する空間の確実な位置を判定してよい。

車両１０５はさらに、進路計画器２４２を含んでよく、これは、とりわけ（例えば、推奨エンジン２４４）、データ収集（例えば、２３４）、センサフュージョン（例えば、２３６）、認知エンジン（例えば、２３８）、および位置特定エンジン（例えば、２４０）といった様々な他のモジュールの結果を利用して、車両の進路計画および／または行動計画を決定してよく、それを用いて、運転制御装置（例えば、２２０）が環境内の車両１０５の運転を制御してよい。例えば、進路計画器２４２は、こうした入力および１つまたは複数の機械学習モデルを利用して、運転環境内の様々な事象の確率を決定して、その環境内で実行するのに有効なリアルタイム計画を決定してよい。

いくつかの実装例において、車両１０５は１つまたは複数の推奨エンジン２４４を含み、車両１０５自体のセンサ（例えば、２２５）により生成されるセンサデータ、および外側にあるセンサ（例えば、センサデバイス１１５、１８０、２１５など）からのセンサデータから様々な推奨事項を生成してよい。いくつかの推奨事項が推奨エンジン２４４によって決定されてよく、こうした推奨事項は、車両の自動運転スタックの他のコンポーネントに入力として提供され、これらのコンポーネントにより行われる決定に影響を与えることがある。例えば、進路計画器２４２が検討すると、進路計画器２４２に、推奨事項がなかったなら通常は別の形で決定することになる判定または計画から逸脱させる推奨事項が決定されることがある。推奨事項は、乗員の快適性および体験に関する配慮にも基づいて、推奨エンジン（例えば、２４４）により生成されてよい。場合によって、車両内の内部機能が、これらの推奨事項（車両のセンサおよび／または外側にあるセンサなどにより収集されたセンサデータ（例えば、２５８）から決定される）に基づいて予測的且つ自律的に操作されてよい。

上述したように、いくつかの車両実装例にはユーザ／乗員体験エンジン（例えば、２４６）が含まれてよく、これは、センサデータおよび車両の自動運転スタック内の他のモジュールの出力を利用し、センサデータ（例えば、２５８）により収集された観察結果に基づいて、運転操作および車両の車室環境の変化が車両内での乗員の体験を充実させる結果をもたらすことがある。場合によって、車両に設けられてユーザが車両およびその自動運転システムとやり取りできるようにするユーザインタフェース（例えば、２３０）の態様が、拡張されてよい。場合によって、情報表現（例えば、音声表現、視覚表現、および／または触知表現）が生成され、ユーザディスプレイを通じて提供され、いくつかある使用例の中でもとりわけ、車両（例えば、１０５）内の乗員体験に影響を与えてその体験を向上させるのに役立つことがある。

場合によって、システムマネージャ２５０も設けられてよく、これは、車両上の様々なセンサにより収集される情報を監視して、車両の自動運転システムの性能に関連する問題を検出する。例えば、計算上の誤り、センサの機能停止および問題、（例えば、通信モジュール２１２によって提供される）通信チャネルの可用性および品質、または車両システムの検査（例えば、モータ、変速機、バッテリ、冷却系統、電気系統、タイヤなどに関連する問題）などの運転上の事象が、システムマネージャ２５０により検出されてよい。そのような問題はシステムマネージャ２５０により生成されるシステム通知データで特定されてよく、こうしたデータは、場合によって、機械学習モデル２５６および関連する自動運転モジュール（例えば、２３２、２３４、２３６、２３８、２４０，２４２、２４４，２４６など）への入力として利用され、車両システムの健全性および問題も、車両１０５の自動運転機能に含まれるセンサデータ２５８に収集された他の情報と共に検討されることが可能になり得る。

いくつかの実装例では、いくつかある例の中でもとりわけ、ステアリング制御装置（例えば、２６０）、アクセル／スロットル制御装置（例えば、２６２）、ブレーキ制御装置（例えば、２６４）、シグナリング制御装置（例えば、２６６）を含む運転制御装置２２０に車両１０５の自動運転スタックを結合して、車両をどう運転するかについて影響を与えてよい。場合によって、車両が、ユーザ入力に完全に基づいて制御されても、または部分的に基づいて制御されてよい。例えば、ユーザインタフェース（例えば、２３０）には運転制御装置（例えば、物理または仮想のステアリングホイール、アクセル、ブレーキ、クラッチなど）が含まれており、人間の運転者が（例えば、ハンドオーバで、または運転者支援動作に従いながら）制御権を自動運転システムから引き継ぐことが可能になり得る。他のセンサを利用して、ユーザ／乗員の入力を受け取ってもよく、例えば、音声検出２９２およびジェスチャ検出カメラ２９４などの例がある。ユーザインタフェース（例えば、２３０）は、乗員ユーザの欲求および意図を読み取ってよく、これらを、車両１０５の自動運転スタックは車両の運転を制御する際に（例えば、運転制御装置２２０において）追加入力として配慮してよい。いくつかの実装例では、運転制御装置が外部コンピューティングシステムによって制御されてよい。例えば、いくつかある実装例の中でもとりわけ、乗員が外部デバイス（例えば、スマートフォンまたはタブレット）を利用して運転方向または運転指示を提供する場合、または外部の運転者もしくはシステムが（例えば、緊急事象に基づいて）車両の制御権を引き継ぐ遠隔駐車サービスの場合などである。

上述したように、車両の自動運転スタックは、車両に設けられている且つ車両の外部にある様々なセンサにより生成される様々なセンサデータ（例えば、２５８）を利用してよい。一例として、車両１０５はセンサ２２５のアレイを備え、車両の外部および周囲環境に関連する様々な情報、車両システムの状況、および車両内の状態などの、車両の処理システム２１０の各モジュールが利用可能な情報を収集してよい。例えば、そのようなセンサ２２５には、いくつかあるセンサ例の中でもとりわけ、全地球測位（ＧＰＳ）センサ２６８、光検出と測距（ＬＩＤＡＲ）センサ２７０、２次元（２Ｄ）カメラ２７２、３次元（３Ｄ）もしくはステレオカメラ２７４、音響センサ２７６、慣性計測ユニット（ＩＭＵ）センサ２７８、温度センサ２８０、超音波センサ２８２、バイオセンサ２８４（例えば、顔認識、音声認識、心拍数センサ、体温センサ、感情検出センサなど）、レーダセンサ２８６、気象センサ（不図示）が含まれてよい。センサデータ２５８は同様に（または代わりに）、車両に一体的に結合されていないセンサによって生成されてよい。そのようなセンサには、他の車両（例えば、１１５）に搭載されたセンサ（車車間通信などの手法によって車両１０５に伝えられ得る）、地上または空中にあるドローン１８０に搭載されたセンサ、車両１０５の内側または外側にいる人間のユーザが携帯するユーザデバイス２１５（例えば、スマートフォンまたはウェアラブル端末）のセンサ、および他の路側要素、例えば、路側機（例えば、１４０）、道路標識、信号機、街灯などに取り付けられたまたは備えられたセンサが含まれる。そのような外側にあるセンサデバイスからのセンサデータが、いくつかある実装例の中でもとりわけ、センサデバイスから車両に直接的に提供されてもよく、またはデータ集約デバイスを通じて、もしくは他のコンピューティングシステム（例えば、１４０、１５０）がこれらのセンサに基づいて生成した結果として提供されてもよい。

いくつかの実装例では、自動運転車システム１０５が他のコンピューティングシステムにより提供される情報およびサービスとインタフェース接続して、その情報およびサービスを活用し、デバイス１０５の自動運転機能を拡張し、有効にし、または別のやり方で支援してよい。場合によって、いくつかの自動運転機能（本明細書で述べた例としての解決策のうちのいくつかを含む）は、車両の外部にあるコンピューティングシステムのサービス、コンピューティングロジック、機械学習モデル、またはデータなどのリソースによって有効になり得る。そのような外部システムが車両に利用できない場合、これらの機能は少なくとも一時的に無効になり得る。例えば、外部のコンピューティングシステムが提供され、活用されてよく、こうしたコンピューティングシステムは、路側機またはフォグベースのエッジデバイス（例えば、１４０）、他の（例えば、より上位レベルの）車両（例えば、１１５）、およびクラウドベースのシステム１５０（例えば、様々なネットワークアクセスポイント（例えば、１４５）を通じてアクセス可能）でホストされる。路側機１４０またはクラウドベースのシステム１５０（などの、車両（例えば、１０５）がやり取りする協調システム）が、自動運転システム（例えば、２１０）の一例に属するものとして示されたロジックの全部または一部を、場合によっては、追加の機能およびロジックと共に含んでよい。例えば、クラウドベースのコンピューティングシステムまたは路側機１４０などのコンピューティングシステムが、モデル訓練および推論エンジンロジックのいずれかまたは両方を支援する機械学習エンジンを含んでよい。例えば、そのような外部のシステムは、よりハイエンドなコンピューティングリソース、およびより発展したまたは最新の機械学習モデルを備えて、これらのサービスが、車両の処理システム２１０で元々生成されるよりも優れた結果を提供できるようにしてよい。例えば、自動運転システム２１０は、クラウドベースのサービスを通じて提供される機械学習訓練、機械学習推論、および／または機械学習モデルを、特定のタスクおよび特定のシナリオの処理のために利用してよい。実際に、車両１０５に属するものとして述べられ、示された複数のモジュールのうちの１つまたは複数が、いくつかの実装例では、代替的にまたは余分に、自動運転環境を支援するクラウドベースまたはフォグベースなどのコンピューティングシステム内に設けられてよいことを理解されたい。

本明細書の様々な実施形態が１つまたは複数の機械学習モデルを利用して、ＡＶスタックの機能（などの本明細書で説明される機能）を実行してよい。機械学習モデルがコンピューティングシステムにより実行されて、特定のタスクの性能を段階的に向上させてよい。いくつかの実施形態では、機械学習モデルのパラメータが、訓練段階で訓練データに基づいて調整されてよい。訓練済みの機械学習モデルは次に、推論段階で用いられ、入力データに基づいて予測または決定が行われてよい。

本明細書で説明される機械学習モデルは、任意の好適な形をとっても、または任意の好適な手法を利用してもよい。例えば、複数の機械学習モデルのうちのいずれかが、教師あり学習、半教師あり学習、教師なし学習、または強化学習の手法を利用してもよい。

教師あり学習では、入力および対応する所望の出力の両方を含むデータの訓練セットを用いて、モデルが構築されてよい。各訓練インスタンスには、１つまたは複数の入力および所望の出力が含まれてよい。訓練には、新たな入力に対する出力を予測するようモデルに教えるために、訓練インスタンスによる反復と、目的関数の使用とが含まれてよい。半教師あり学習では、訓練セットに含まれる入力の一部が、所望の出力を欠いていることがある。

教師なし学習では、入力のみを含んで所望の出力がないデータのセットからモデルが構築されてよい。教師なしモデルは、データのパターンを発見することでデータの構造を見つけるのに用いられてよい（例えば、データポイントのグループ化またはクラスタ化）。教師なし学習モデルで実施され得る手法には、例えば、自己組織化マップ、最近傍マッピング、ｋ平均法クラスタリング、および特異値分解が含まれてよい。

強化学習モデルでは、精度を向上させるために、正または負のフィードバックが与えられてよい。強化学習モデルでは、１つまたは複数の目標／報酬を最大化しようとしてよい。強化学習モデルで実施され得る手法には、例えば、Ｑ学習、時間的差分（ＴＤ）、および敵対的ディープネットワークが含まれてよい。

本明細書で説明される様々な実施形態が、１つまたは複数の分類モデルを利用してよい。分類モデルでは、限定されたセットの値に出力を制限してよい。分類モデルは、１つまたは複数の入力値の入力セットに対するクラスを出力してよい。本明細書における分類モデルへの言及は、例えば、以下の技術のうちのいずれか１つまたは複数を実装するモデルを企図してよい。すなわち、線形分類器（例えば、ロジスティック回帰または単純ベイズ分類器）、サポートベクトルマシン、決定木、ブーステッドツリー、ランダムフォレスト、ニューラルネットワーク、または最近傍法といった技術である。

本明細書で説明される様々な実施形態が、１つまたは複数の回帰モデルを利用してよい。回帰モデルは、１つまたは複数の値の入力セットに基づいて、連続した範囲から数値を出力してよい。本明細書における回帰モデルへの言及は、例えば、以下の技術（などの好適な手法）のうちのいずれか１つまたは複数を実装するモデルを企図してよい。すなわち、線形回帰、決定木、ランダムフォレスト、またはニューラルネットワークといった技術である。

様々な実施形態では、本明細書で述べた機械学習モデルのうちのいずれかが、１つまたは複数のニューラルネットワークを利用してよい。ニューラルネットワークは、シナプスで接続されたニューロンの大規模クラスタを含む生物学的な脳の構造を大まかにモデル化したニューラルユニットのグループを含んでよい。ニューラルネットワークでは、ニューラルユニットが他のニューラルユニットにリンクを介して接続される。そのリンクは、接続されたニューラルユニットの活性化状態への影響に関して、興奮性にも、または抑制性にもなり得る。ニューラルユニットは、その入力の値を利用して関数を実行し、ニューラルユニットの膜電位を更新してよい。ニューラルユニットは、ニューラルユニットと関連した閾値を超えると、接続されたニューラルユニットにスパイク信号を伝えてよい。ニューラルネットワークは、（ＡＶスタックによって行われるタスクを含む）様々なデータ処理タスク、例えば、コンピュータビジョンタスクまたは音声認識タスクなどの好適なコンピューティングタスクを行うように訓練されても、または別のやり方で適合されてもよい。

図３は、特定の実施形態によるニューラルネットワーク３００の一部の例を示す図である。ニューラルネットワーク３００は、ニューラルユニットＸ１～Ｘ９を含む。ニューラルユニットＸ１～Ｘ４は、それぞれ一次入力Ｉ１～Ｉ４（これは、ニューラルネットワーク３００が出力を処理する間、一定に保たれてよい）を受け取る入力ニューラルユニットである。あらゆる好適な一次入力を用いてよい。一例として、ニューラルネットワーク３００が画像処理を行う場合、一次入力値は画像からの画素の値でよい（また一次入力の値は、画像を処理している間、一定でよい）。別の例として、ニューラルネットワーク３００が音声処理を行う場合、特定の入力ニューラルユニットに適用される一次入力値は入力音声の変化に基づいて経時的に変化してよい。

図３には特定のトポロジおよび接続方式が示されているが、本開示の教示内容は、任意の好適なトポロジおよび／または接続を有するニューラルネットワークに用いられてよい。例えば、ニューラルネットワークは、ニューラルユニット間に任意の好適な接続性を有する順伝播型ニューラルネットワークまたは回帰型ネットワークなどのニューラルネットワークであってよい。別の例として、ニューラルネットワークが入力層、隠れ層、および出力層を有するものとして示されているが、ニューラルネットワークは、任意の好適な方式で配置された任意の好適な層を有してよい。示されている実施形態では、２つのニューラルユニット間の各リンクにシナプス荷重があり、これは２つのニューラルユニット間の関係の強さを示している。シナプス荷重はＷＸＹとして示されており、Ｘはシナプス前のニューラルユニットを示し、Ｙはシナプス後のニューラルユニットを示している。ニューラルユニット間のリンクは、接続されたニューラルユニットの活性化状態への影響に関して、興奮性にも、または抑制性にもなり得る。例えば、Ｘ１からＸ５に伝わるスパイクが、Ｘ５の膜電位をＷ１５の値に応じて増やしても、または減らしてもよい。様々な実施形態において、接続には向きがあっても、または向きがなくてもよい。

様々な実施形態では、ニューラルネットワークの各時間ステップにおいて、ニューラルユニットは任意の好適な入力を受け取ってよい。そのような入力は、例えば、バイアス値、あるいはそれぞれのシナプスを介してニューラルユニットに接続されているニューラルユニット（このニューラルユニットのセットは、ニューラルユニットのファンインニューラルユニットと呼ばれる）のうちの１つまたは複数からの１つまたは複数の入力スパイクである。ニューラルユニットに適用されるバイアス値は、入力ニューラルユニットに適用される一次入力の関数、および／またはニューラルユニットに適用される何らかの他の値（例えば、ニューラルネットワークの訓練などのオペレーションで調整され得る定数値）でもよい。様々な実施形態において、各ニューラルユニットは、それ自体のバイアス値と関連付けられてよく、または、あるバイアス値が複数のニューラルユニットに適用されることがある。

ニューラルユニットは、その入力および現在の膜電位の値を利用して関数を実行してよい。例えば、ニューラルユニットの現在の膜電位に入力を加えて、更新済みの膜電位を生成してよい。別の例として、シグモイド伝達関数などの非線形関数が、入力および現在の膜電位に適用されてもよい。任意の他の好適な関数を用いてもよい。ニューラルユニットは次に、その膜電位を関数の出力に基づいて更新する。

図４を参照すると、様々な車両において（例えば、それぞれの対応する車載コンピューティングシステムによって）支援され得る自動運転のレベルの例を示す簡略ブロック図（４００）が示されている。例えば、各レベルの範囲が定義されてよく（例えば、Ｌ０～Ｌ５（４０５～４３５））、レベル５（Ｌ５）が最上位レベルの自動運転機能（例えば、完全自動化）を備えた車両に対応し、レベル０（Ｌ０）が最下位レベルの自動運転機能（例えば、自動化なし）に対応する。例えば、Ｌ５の車両（例えば、４３５）では、人間の運転者が提供するのと同等またはそれより優れた自動運転性能を、過酷な道路状況および天候を含むあらゆる運転シナリオで提供できる完全自律型コンピューティングシステムを備えてよい。Ｌ４の車両（例えば、４３０）も、完全に自律しており、出発地点から目的地までの全行程を通して、安全重視の運転機能を自律的に行い且つ道路状況を効果的に監視することができるとみなされてよい。Ｌ４の車両は、Ｌ４の自律能力が車両の「運転設計領域」の制限内に定義されている点でＬ５の車両と異なってよく、全ての運転シナリオを含まなくてもよい。Ｌ３の車両（例えば、４２０）は、特定の交通量および環境条件のセットでは安全重視の機能を完全に車両に移す自動運転機能を提供するが、全ての他のシナリオでの運転を処理するのに、まだ人間の運転者の関与および可用性が期待されている。したがって、Ｌ３の車両は、人間の運転者から自動運転スタックへ、またその逆に制御権の移行を調整するハンドオーバプロトコルを提供してもよい。Ｌ２の車両（例えば、４１５）は運転者支援機能を提供し、これにより、運転者は時々車両の物理的操作から解放されることが可能になるので、運転者の手足は両方とも車両の物理的制御装置から時々解放され得る。Ｌ１の車両（例えば、４１０）は１つまたは複数の特定の機能（例えば、ステアリング、ブレーキなど）に関して運転者支援を提供するが、車両のほとんどの機能に関して、まだ運転者による恒常的な制御が必要である。Ｌ０の車両は自律的ではないとみなされるかもしれない。つまり、人間の運転者が車両の全ての運転機能を制御する（それでもなお、そのような車両は、例えば、センサデータをより上位レベルの車両に提供する、センサデータを用いて車両内のＧＰＳおよびインフォテイメントサービスを充実させるなどにより、自動運転環境に受動的に関わることがある）。いくつかの実装例では、単一の車両が、複数の自動運転レベルで操作を支援してよい。例えば、所定の行程においてどの支援レベルの自律性を用いるか（例えば、Ｌ４またはそれより下位のレベル）を運転者が制御して選択してよい。他の場合には、例えば、道路または車両の自動運転システムに影響を与える状態に基づいて、車両がレベルを自律的に切り替えてよい。例えば、いくつかある例の中でもとりわけ、１つまたは複数のセンサが損傷していることを検出したのに応答して、Ｌ５またはＬ４の車両が、センサの問題を考慮して下位のモード（例えば、Ｌ２またはそれより下位）に移り、人間の乗員を関与させてよい。

図５は、いくつかの自動運転システムに実装され得る自動運転フローの一例を示す簡略ブロック図（５００）である。例えば、自動（または半自動）車両で実施される自動運転フローが、検知・認識段階５０５、計画・決定段階５１０、並びに制御・実行段階５１５を含んでよい。検知・認識段階５０５では、データが様々なセンサにより生成され、自動運転システムによる使用のために収集される。場合によって、データ収集には、データのフィルタリングおよび外部ソースからのセンサの受信が含まれてよい。この段階には、センサフュージョン動作、および１つまたは複数の機械学習モデルを用いて行われる物体認識などの認知タスク（位置特定など）も含まれてよい。計画・決定段階５１０は、センサデータおよび様々な認知動作の結果を利用して、前方の道路に関する確率的予測を行い、これらの予測に基づいてリアルタイムの進路計画を決定してよい。計画・決定段階５１０はさらに、障害物などの事象の検出を受けて進路計画に関連する決定を行う段階を含み、これらの事象を考慮して、決定した進路を安全に誘導するのに行動を起こすべきなのか、またどの行動を起こすべきなのかを決定してよい。計画・決定段階５１０の進路計画および決定に基づいて、制御・実行段階５１５がこれらの決定を、ステアリング、アクセル、およびブレーキを含む運転制御装置、並びに方向指示器、センサクリーナ、ワイパー、ヘッドライトなどといった二次制御装置を操作するアクチュエータによって動作に変換してよい。

現在の車両安全システムは受動的な性質がある。すなわち、発生した衝突に応答して動作し、その衝撃の角度、方向、または強さを問わない。例えば、現在の車両安全システムは、膨張速度をプログラムした固定位置エアバッグや、プログラムされた加速度に基づいて作動する固定式衝突センサなどの受動的機構を含んでよい。こうした品目は、衝突前の自動車の事前状態も、車両が衝突時に行うことも認識していない可能性があり、そのことが乗員の安全および内蔵安全装置の配置に影響を及ぼす場合がある。乗員の安全は、衝撃の方向または強さ、乗員の位置、および車両が衝突している物体に応じて適宜変わることがある。それは、車両の全ての箇所がその安全性および構造的完全性に関して均質ではないからである（すなわち、車両のいくつかの箇所が、他の領域より弱く、さらなる保護を必要とすることがある）。

人間の運転者が車両を操縦している場合、運転の性質と緊急操作を計画し実行する人間の運転者の能力とが原因で、衝突の際にできることはほとんどない。しかしながら、自律的な（例えば、ＡＩベースの）システムおよび強力なセンサネットワークを備えた世界では、衝突を予測して、多くのシナリオを推定し且つ予め計画することが可能になるはずである。例えば、自律システムが衝突を（例えば、衝突より前に車両の位置付けを制御することにより）判定し且つ最適化して損傷および乗員などへの傷害を最小化し、受動的及び能動的な安全システムを最大限に利用して、そのシステムの使用および実行を最適化してよい。さらに、現在の自動車システムが他の車両または路側物体／構造物とネットワーク接続されていることも、これらと通信していることもないため、今にも衝突しそうな車両同士（または車両と構造物）が互いとやり取りして、損傷、傷害、または死亡を軽減し得る見込みのある方策を決定する予防的手段がない。

したがって、本開示では、例えば、予防的車両進路計画、車両および／または乗員の位置付け、受動的安全機構のスマート制御などによって、衝突結果を最適化し得る予防的車両安全システムの実施形態を説明する。本明細書で説明する手法は、既存の自動車に適用されてよく、そこでは、アクチュエータ（例えば、ステアリング、ブレーキ、スロットル）が運転者の入力を無効にすることができ、また自動運転車（ＡＶ）にも適用されてよく、そこでは、予防的安全システムが、差し迫った事故の場合に備えて当該車両にとって最も安全で最小の損失／損傷になる方策を特定することに特化した別の高性能コンピュータシステム（例えば、ＡＩベースのシステム）と並列に動作する。様々な方式が、本明細書で説明する手法によって支援されてよい。

例えば、能動的な衝突方向予測、能動的な車両向きおよび／または乗員向き、および受動的安全機構用の可変反応応答手法を含む単一車両損失最小化方式が利用されてよい。例えば、車両は、能動的センサ、および深層学習による識別追跡技術を用いて、衝突区域にある危険な物体を識別し、可能性のある事故軌道をプロットし、車両の「最も安全な」衝突面を示すように、車両を操作する車両のアクチュエータを用いて車両を能動的に方向付けてよい。さらに、車両は、事故方向に対して最も強い乗員拘束装置および安全システムを示してよい。これには、衝突より前に最も安全な角度を示す（例えば、乗員の背中側を事故に向けること、および衝撃が当たるのは空いた座席か人がいる座席かを確実にする）車両の回転方向または内部座席（または車室）の回転方向が含まれてよい。

さらに予測システムは、衝突より前に、エアバッグなどの保護拘束具および侵入防止システム（例えば、ロールバーまたは乗員保護ケージ）を事前展開するなどによって、受動的車両安全機構の起動を開始し且つ制御することができる。場合によって、予防的システムは、（例えば、乗員の手足、首、頭の損傷を最小化するために）受動的機構の応答、例えば、エアバッグ膨張速度または複数のエアバッグ展開を調整してよい。それに対して、今日のシステムは通常、空砲弾を用いてエアバッグを展開し、オールオアナッシングのオプションを提供する。またこのシステムは、他のシステムへの安全相互接続がない受動的センサを通じた衝撃に応答して解放され、様々な受動的機構と能動的機構とを連携させることで全体的な安全性を最適化する。これらのシステムを共に制御することで、衝撃の能動的減衰を通じて衝撃Ｇおよび内臓へのショックがもたらされ得る。例えば、可変膨張速度または時限膨張パターン（例えば、衝突時に早く開いて部分的収縮を提供する）を持ったエアバッグシステムは、（特に子供または小動物の場合に）乗員への傷害を軽減させることがある。

例えば、図６～図７に示すシナリオを参照すると、車両６０２が物体６１０に向かって進んでおり、両者の衝突が差し迫っている中で、（例えば、車両の能力、車両速度などが原因で）車両６０２が衝突を回避する時間も空間もない。運転者の入力がないと仮定すると（例えば、運転者が取り乱した、もしくは無能力になった、またはそれ以外のことで車両をこれ以上制御できない場合）、車両は進路６０７に沿って進み続け、ほぼ正面衝突状態で物体６１０に衝突することになり、これは非常に危険な可能性がある。しかしながら、本開示の態様によれば、車両６０２の予防的安全システムが、（例えば、車両の安全情報（例えば、衝撃吸収帯、衝突試験データなど）、乗員に関する情報（例えば、年齢、サイズ、車両内の位置）、または車両に関する他の情報（例えば、事故の際に飛び出す脅威になる得る車両内側の未拘束物体）に基づいて）衝突に対する安全結果を最適化する車両およびその乗員の衝突向きを決定してよく、車両およびその乗員にとって最適な衝突向きを実現するように車両を自律的に制御してよい。

例えば、図６に示す例を参照すると、車両６０２は、進路６０７、６０９などの可能性のある進路よりも進路６０５を選択してよい。差し迫った衝突に対して進路６０５が最も安全な結果をもたらすと判定されているからである。進路６０５がその他の進路に優先して選択された可能性があるが、それは、例えば、進路６０５のかすめるような衝突の性質が（例えば、進路６０７より）安全性を高めることになる、進路６０５における車両の衝突箇所が（例えば、車両の当該領域の衝撃吸収帯によって進路６０７より）安全性を高めることになる、車両内での乗員の位置によって進路６０５がより安全であることが決まる（例えば、車両内にいるのは運転者だけであり、衝突が生じた車両の側面が助手席側である場合（例えば、進路６０９に対して））などの理由があるとの判定に基づいている。車両６０２の進路を変更するものとして示しているが、場合によって、車両は代替的に進路６０７を進み続け、物体６１０との衝突に対して最も安全な角度を示すように、ヨーイングまたは旋回することを決定してよいことが理解されるであろう。さらに、図７Ａ～図７Ｂに示すように、車両６０２は車両の乗員の向きを変えて、乗員の背中側を物体６１０との衝突の方向に見せ、乗員の座席を衝突箇所からさらに遠くに移動して、乗員の安全性を高めてよい。場合によって、本システムは、車両内にあるチャイルド／ベビーシートを識別して、事故衝撃の角度および方向を最適化するようにプログラムされてよく、これにより、子供（または高齢者）が車両自体および内蔵安全システムによって最大の保護を得られるようになる。

場合によって、複数の車両が互いとやり取りし、差し迫った衝突の判定に応答して安全性を連携させてよい。例えば、緊急または差し迫った衝突の際には、トラブル状態の車両が、その周辺にいる（例えば、現在の進路または可能性のある今後の進路にいる）１つまたは複数の車両、例えば、集束ベクトル上の車両とやり取りしてよい。各車両は互いとの最も安全な衝突箇所を共有してよく、車両が最も安全な場所に衝突するように衝突軌道を決定してよい。例えば、協調的安全動作には、暴走した車両またはトラックが通行車線から路肩に移動するために、１台の車両が避難スペース／車線を空けることが含まれてよい。

さらに車両は、車両が歩行者などの潜在的な危険要素から離れた「安全」な場所に停止し且つ乗員への傷害を最小にすることが可能になる衝突軌道を決定してよい。いくつかのモデルでは、複数の車両がやり取りして、高速で移動している制御不能の車両を、斜め方向の衝突によって当該移動車両の方向を変えてその軌道を調整するかまたは速度を低下させることにより、減速させて安全な場所に停止させてよい。このシナリオでは、例えば、あるモデルを用いて、複数の車両が可能性のある事故を１つの車線に封じ込めて転覆事故を回避することにより、高速道路の大規模玉突き衝突を回避するかもしれない。

例えば、図８に示すシナリオ例を参照すると、車両８０２が環境内で少なくとも１つの他の車両または物体との衝突が差し迫っていると判定している。車両８０２には（例えば、車両速度、現在の進路、物体までの距離、能力などに基づくと）衝突を回避する時間も空間もないからである。車両８０２などの車両に運転者の入力がないと仮定すると（例えば、車両８０２の運転者が取り乱した、もしくは無能力になった、またはそれ以外のことで車両８０２をこれ以上制御できない場合）、車両８０２は進路８０３に沿って進み続け、前方の車両８０４にほぼ正面衝突状態で衝突することになり、これは非常に危険である可能性があり、（例えば、車両８０８、８１０、８１２、８１４のうちの１つまたは複数と）さらなる衝突を引き起こすかもしれない。しかしながら、本開示の態様によれば、車両８０２の予防的安全システムが、（例えば、車両８０２の安全情報（例えば、衝撃吸収帯、衝突試験データなど）、他の車両からの安全性、軌道などに関する情報などの情報に基づいて）最適な衝突向きおよび進路を決定し、可能な限り最も安全な衝突結果を実現してよい。

最適な向きおよび進路の決定は、車両８０２が他の車両（例えば、８０４，８０６）から受け取るそれぞれの進路、安全情報などに関する情報に基づいてよい。場合によって、各車両が進路を連携させて、最も安全な全体としての衝突結果を実現してもよい。例えば、車両８０２、８０６は互いに情報をやり取りして進路を連携させてよい。例えば、１つのシナリオでは、車両８０２は進路８０５に沿って進み続けることを選択してよく、車両８０６は進路８０９に沿って進み続けることを選択してよいが、何かに衝突する（例えば、車両８０６が壁８２０に衝突する）前に、両方の車両の速度ができる限り低下するようにする。別のシナリオでは、車両８０２は進路８０７に沿って進み続けることを選択してよく、車両８０６は減速して車両８０２との軽度の衝突を引き起こし、車両８０２を壁８２０に向ける助けとなり、衝突前に車両８０２の速度を低下させる。車両８０２、８０６は、これらの２つのシナリオのうちの一方を選択してよい。この衝突に関与するのは２台の車両だけになるからである（８０４、８０８、８１０などといったさらなる車両が関与するのではない）。

場合によって、各車両は、路側物体または構造物から（例えば、標識を通じて、または物体／構造物とのやり取りで）情報を取得し、その情報を最適な進路および衝突向きを決定する際に用いてよい。例えば、車車間・路車間（Ｖ２Ｘ）モデルでは、建物の外壁から暴走車両に、その車両がぶつかる建物の「最も安全な」区域を伝えて、（車両もしくは建物の内側またはその両方にいる）人への傷害を最小化することが可能になる。場合によって、建物の特定の区域が、衝突に耐えるように意図的に設計された領域を有するように作られてよい（または、その領域を備えた隣接する構造物を有してもよい）。受動的モデルでは、構造物は、これらの「衝突区域」を車両の安全システムに示すのに用いられる可視標識を有するだけでよく、能動的モデルでは、構造物に車両の安全システムとやり取りするトランスポンダを備えることが可能である。さらに、場合によって、車両は建物自体に関する情報（例えば、窓対レンガ壁の配置）を用いて、進路／向きに関連する決定を行ってよい。例えば、車両が建物のガラス窓を回避すると決定してよい。ガラス窓は、建物内の人への傷害の可能性を高めることがある。

例えば、図９に示すシナリオ例を参照すると、車両９０２が車両９０４または構造物９１０のいずれかとの衝突が差し迫っていると判定している。車両９０２には（例えば、車両速度、現在の進路、物体までの距離、能力などに基づくと）衝突を回避する時間も空間もないためである。本開示の態様によれば、車両９０２の予防的安全システムが、（例えば、車両９０２の安全情報（例えば、衝撃吸収帯、衝突試験データなど）および構造物９１０からのその安全性に関する情報（例えば、構造、建物居住情報、「衝突区域」など）に基づいて）最適な衝突向きおよび進路を決定し、可能な限り最も安全な衝突結果を実現してよい。例えば、車両は、進路９０３か９０５かを選択して、車両９０４との衝突を回避し、構造物９１０との衝突を確実にしてよい。車両は、構造物９１０には建物の居住者にとって最も安全な結果を生むことになる特定の領域９１２があるという情報を（例えば、標識９１４または構造物９１０に接続されたトランスポンダを介して）構造物９１０から受け取ってよい。この区域は、安全な衝突区域として作られている（すなわち、構造物９１０の他の領域より適切に車両からの衝撃を処理できるように設計されている）、近くにいる居住者が最も少ないなどの理由で、最も安全な可能性がある。この情報に基づいて、車両９１０は進路９０３または９０５（または別の進路）を最も安全な衝突進路として選択してよい。例えば、進路９０３は、（例えば、よりかすめるような構造物との衝撃によって）進路９０５より安全であると判定された場合に選択されてよい。進路９０５は、（例えば、衝突区域９１２が許容する安全性の向上によって）進路９０３より安全であると判定された場合に選択されてよい。

特定の実装例では、車両動力学および安全システムの訓練済みニューラルネットワークモデルが、事故の際に車両の安全特性を最適化するのに用いられてよい。例えば車両が、最初に訓練された、車両に固有のモデルを備えてもよい。時間の経過と共に、このモデルは、車両自体のサービス情報などの履歴情報に基づいて、再訓練されても学習してもよく、これは実質的には（製造元が期待する仕様と比較して）特定の車両並びにその実際の期待される性能および能力に合わせたモデルのカスタマイズである。さらに、いくつかの実装例では、ニューラルネットワークが車両内にある受動的安全拘束装置の解放を制御する（例えば、タイミングを計る）アクチュエーションシステムとして用いられてよい。さらに、いくつかの実装例では、実際の事故データが、車両の特性向上に用いられてよく、道路上では、差し迫った事故の状況に直面している場合に用いられてよい。例えば、深層学習モデルが、差し迫った事故を理解し、それが避けられないと判定し、乗員安全システムを事前設定して調整する手段を取るのに用いられ、現在の車両安全システムに対して大幅な向上を示してよい。

例えば、本明細書で説明されるニューラルネットワーク強化型安全システムが、車両の自律制御システム（または「ＡＤＡＳ」）を自動車および可能性のある衝撃に関して常時追跡してよく、最も可能性の高い出来事として可能性のあるシナリオを絶えず識別してよく、車両のＡＤＡＳへの推奨事項の形で、損傷を最小にする軌道、一次衝突特性および二次衝突特性に関する安全応答を計算してよい。さらに、安全性ニューラルネットワーク（Ｓ－ＮＮ）は、車両の安全特性に関する情報を車両自体のモデルに用いて、差し迫った事故に対する可能性のある安全応答を計画してよい。言い換えれば、Ｓ－ＮＮが、制御を失って事故が差し迫っているとのアラートを車両のＡＤＡＳから受け取った場合、Ｓ－ＮＮは、能動的安全機構および受動的安全機構を予測的に事前設定して、傷害および人命の損失の可能性を最小化することができる。さらに、Ｓ－ＮＮはＡＤＡＳに車両の衝突向きを最適化する情報を提供しているかもしれないので、ＡＤＡＳは、自動車を物体に（街灯柱対子供のスクールバスのように）方向付ける時間があったかもしれない。これにより、衝撃を受け止めるように最適設計された自動車の部分が衝撃を受け止めるようになる。これは、特定の自動車の向きおよび衝突角度の状況下で最大の保護を提供することを意図したエアバッグのような、あらゆる受動的装置または受動的機構の有効性も最適化する。最終的に、ネットワーク接続されている環境において、本願のシステムは、その方策を他の車両と相互にやり取りして、各車両が、次に来る車両事故のために、それぞれの安全性および衝突対策を最適化することを可能にすることができる。

本開示の態様が、１つまたは複数の利点を提供し得る。例えば、場合によって、本明細書で説明する手法は、現在の受動的安全システムを能動的なものに、また場合によっては予防的なものに変換してよい。さらに、本明細書で説明する手法は、既存の技術に基づくフェイルセーフモードの動作を無効にすることはない。場合によっては、本明細書で説明するような予防的車両システムは、自動運転車の事故に対するほとんどの消費者の懸念を、事故の場合に備えて安全性の向上を図ることによって減少させる助けとなり得る。したがって、自動運転車では事故が少なく傷害が少ないという位置付けは、あらゆる事故の場合に備えて、考え得る最も安全なシナリオに乗員を配置するシステムによってさらに強化される。さらに、本明細書で提案するシステムは、自動運転車の安全性ニューラルネットワーク（Ｓ－ＮＮ）システムおよび実際の事故データからのモデルを再訓練することによって、実際の事故から学習することができるので、既知の事故データを用いて、安全行動を強化または変更することができる可能性がある。

図１０は、自動運転車（ＡＶ）制御システム１０００の一例に関する簡略ブロック図である。システム１０００は、図２の自動運転システム２１０などの自動運転システムの態様により実現されてよい。図１０に示す例には、ＡＶの一次制御システム１０１０と予防的安全システム１０２０との並列動作の要素を示している。一次制御システム１０１０は、ＡＶに固定して取り付けられた複数のセンサからセンサデータを受け取ってそれを処理するセンサ処理モジュール１０１１を含む。センサ処理モジュール１０１１は、図２のデータ収集モジュール２３４と同様に実装され、これと同じまたは同様の機能を実行してよい。処理されたセンサデータは次に、センサフュージョンモジュール１０１２に渡される。センサフュージョンモジュール１０１２は、図２のセンサフュージョンモジュール２３６と同様に実装され、これと同じまたは同様の機能を実行してよい。センサフュージョンモジュール１０１２は、その出力を位置特定モジュール１０１３に渡す。位置特定モジュール１０１３は、図２の位置特定エンジン２４０と同様に実装され、これと同じまたは同様の機能を実行してよい。図に示すように、位置特定モジュール１０１３は、マップデータ１０１９を利用して、その環境内にあるＡＶの位置を特定してよい。

センサフュージョンモジュール１０１２は、その出力を物体識別モジュール１０１４にも渡し、物体識別モジュール１０１４は、センサ処理モジュール１０１１からも処理されたセンサデータを受け取る。物体識別モジュール１０１４は、このデータを用いて、ＡＶの周辺にある特定の物体（例えば、他の車両、障害物、インフラストラクチャなど）を識別してよい。物体識別モジュール１０１４は、その出力を物体モデル化モジュール１０１５に渡し、物体モデル化モジュール１０１５は、物体識別モジュールを用いて、識別された物体をモデル化する。

位置特定モジュール１０１３および物体モデル化モジュール１０１５の出力は次に、センサフュージョンモジュール１０１２の出力と共に、環境モデル化モジュール１０１６に提供される。環境モデル化モジュール１０１６は、他のモジュールにより（図に示すようにマップデータ１０１９と共に）提供される情報を受け取り、ＡＶの周辺の環境モデルを作成してよく、そのモデルは、ＡＶの周囲にあるものの表現を含み、その表現の中にＡＶ自体を配置してよい。モデル化した環境は、ＡＶが進む進路を進路計画モジュール１０１７が決定するのに用いられ、次に、進路計画モジュール１０１７により決定された進路を進むように作動・制御モジュール１０１８がＡＶを自律的に制御するのに用いられる。進路計画モジュール１０１７は、図２の進路計画器２４２と同様に実装され、これと同じまたは同様の機能を実行してよく、作動・制御モジュール１０１８は、ＡＶの様々なアクチュエータ（図２の運転制御装置２２０など）を制御する制御モジュールであってよい。

予防的安全システム１０２０は、一次システム１０１０と並列に動作してよい。場合によって、予防的安全システム１０２０は、ニューラルネットワークベースの安全性評価・予測システムなどのＡＩ駆動システムでよい。他の場合では、予防的安全システム１０２０は、ヒューリスティックベースのシステムでもよい。例えば、本システムは、進路／向きに関するＮ個の異なる組み合わせを決定してよく、ＡＶセンサまたはモデル化モジュール（例えば、環境モデル化モジュール１０１６）により提供される情報に基づいて、１つを選択してよい。図に示す例において、予防的安全システム１０２０は、（物体識別モジュール１０１４および／または環境モデル１０１６から受け取る）ＡＶおよびその環境に関する情報を監視する常時衝突シミュレーションモジュール１０２１を含み、可能性のある衝突およびその結果を常時シミュレートする。

予防的安全システム１０２０は、物体識別モジュール１０１４および／または環境モデル１０１６からの情報と、常時衝突シミュレーションモジュール１０２１からのシミュレーション情報とを用いて、ＡＶと別の物体（例えば、別の車両および／または構造物）との衝突が差し迫っていることを検出し且つ衝突緩和計画も決定する衝突検出・緩和モジュール１０２２も含む。衝突緩和計画の決定は、上述したように、ＡＶの最適な衝突進路、ＡＶの最適な衝突向き、および／またはＡＶの乗員の最適な衝突向きの決定を含んでよい。図に示すように、衝突検出・緩和モジュール１０２２は、車車間（Ｖ２Ｖ）／車車間・路車間（Ｖ２Ｘ）通信システム１０３０を介して他の車両および構造物とやり取りしてよく、この情報を衝突検出・衝突緩和計画に用いてよい。場合によって、衝突検出・緩和モジュール１０２２は、ＡＶのために進路を常時計画して緊急避難対策を策定してよい。

予防的安全システム１０２０は、作動・制御モジュール１０１８により提供される作動および制御を無効にするかどうか、またそれをいつ無効にするかを判定するアクチュエータ無効化モジュール１０２３も含む。衝突が差し迫っていると判定されたときなどに、アクチュエータ無効化モジュール１０２３がアクチュエータ・制御モジュール１０１８を無効にすると判定した場合、車両を制御して車両および乗員の安全を最適化するように車両を誘導するために、一次システム１０１０のアクチュエータを無効にしてよい。

図１１は、予防的車両安全システム用の意思決定プロセス１１００の一例を示す簡略フロー図である。プロセス１１００は、図２の自動運転システム２１０などの自動運転システムの態様により実現されてよい。オペレーションのセット１１１０は、現在のＡＶ制御システムの態様により行われてよく、図に示す他のオペレーションは、車両の安全システムを予防的になるように向上させるための手法を表している。したがって、セット１１１０以外に示す追加のオペレーションによって、代表的な受動的車両安全システム（すなわち、可能性のある衝突または実際の衝突に反応するだけのシステム）が予防的車両安全システム（すなわち、差し迫った衝突の前に差し迫った衝突の判定に基づいて安全機構を提供するシステム）に変わる可能性がある。

図に示す例において、オペレーション１１１０のセットは、１１１１における、１つまたは複数の脅威を検出する段階（例えば、車両または路側構造物などの、もしかすると車両が接触するかもしれない物体を検出する段階）、１１１２における、事故回避ルーチン（例えば、衝突を回避するためのブレーキまたはステアリングなどの代表的な事故回避操作）を開始する段階、１１１３における、衝突が差し迫っていると判定する段階（例えば、車両と１１１１で検出された１つまたは複数の脅威との衝突が避けられないと判定する段階）、１１１４における、一次衝突脅威（例えば、車両が最初に衝突する可能性がある物体）を評価する段階、１１１５における、一次衝突に対して予想される進路の評価を決定する段階、および１１１６における、もしあれば二次衝突に対して予想される偏向進路を決定する段階を含む。いくつかの実装例において、オペレーション１１１０のセットは、ニューラルネットワーク（例えば、図２の機械学習モデル２５６向けのニューラルネットワーク）を用いて行われてよい。

これらのオペレーションと並列に、オペレーション１１２０のセットも行われてよい。具体的には、予防的車両安全システムが、車両の損傷および／またはその乗員などへの傷害を最小化するために、１１２１において、最適な車両向きを決定してよい。本システムは以下に挙げる事項を考慮してよい。すなわち、車両の安全情報（例えば、衝撃吸収帯、エアバッグ、シートベルト、またはロールバー／ケージなどの受動的安全機構の場所、および／または事故試験もしくは実際の事故データに関連する情報（後述））、車両の動力学（例えば、ブレーキまたはステアリングなどの処理機能であり、そのような装置の老朽化、消耗、または交換の説明を含む）、現在の走行方向、現在の速度、一次衝突脅威および／または二次衝突脅威までの距離、（オペレーション１１１５、１１１６からの）予想される衝突進路にある危険な物体の数およびそのタイプ、車載重量（例えば、トランク内対前部座席、後部座席などの重量位置）、乗員位置、年齢、サイズなどの車両の乗員に関する情報、あるいは他の車両からの同じ／同様の情報またはインフラストラクチャなどの物体からの情報といった情報などである。いくつかの実装例では、特定の車両および／または機能向けの訓練済みニューラルネットワークが、後述するように、最適な車両向きを決定するのに用いられてよい。

本システムは次に、１１２２において、車両の能動的安全機構（例えば、座席または車室の位置／向きの変更（上述）、燃料系統の無効化、電気系統の無効化、ドアロックの施錠／解錠、窓の開け／閉めなど）を関与させるための計画と、１１２３において、車両の受動的安全機構（例えば、エアバッグ展開の制御（例えば、膨張速度、複数のエアバッグにおけるエアバッグ展開のタイミングまたは順序、特定のエアバッグに限定した展開）、ロールバー／ケージ機構の関与）を関与させるための計画とを決定してよい。

予想される進路の情報、決定された車両向き、並びに能動的安全機構および受動的安全機構の計画に基づいて、車両は次に、停止するまでに進む最適な進路を選択してよい。これには、車両のアクチュエータを自律的に制御して、１１２４で選択した進路に車両を向けることが含まれてよく、これには、（例えば、車両の運転者からの）実際のアクチュエータ入力を無効にすることが含まれてよい。

衝突後に、衝突に関連する情報が１１０８で収集され、ニューラルネットワーク訓練システム１１０６に渡されて、特定の車両および機能向けの訓練済みニューラルネットワーク１１０２がもたらされてよい（このニューラルネットワークは、１１２１において車両が差し迫った衝突に対する最適な向きを決定するのに用いられる）。さらに車両は、ニューラルネットワークを用いて、周辺にある他の車両または物体とやり取りして、車両／物体との間で進路・衝突計画対策を連携させてよい。

場合によって、ニューラルネットワーク訓練システム１１０６は、エミュレートまたはシミュレートされた環境を用いて、車両自体の構造的安全性（衝撃吸収帯、保護帯など）に基づいてニューラルネットワークを訓練してよい。さらに、いくつかの実装例において、ニューラルネットワークを訓練するための（例えば、ＮＴＳＢなどの安全／規制機関からの）衝突試験データまたは（現場の車両自体または他の同様の車両により報告された）実際の衝突データを用いてニューラルネットワークを訓練することができる。場合によって、ニューラルネットワークを車両動力学に基づいて訓練してもよい。現在の進路探索訓練システムをニューラルネットワーク訓練プロセスに用いてもよい。例えば、車両が様々な環境の異なる進路を走行するというシミュレーションに基づいて、ＡＩベースの強化学習を用いてもよい。シミュレーションは、そこに構築された環境に加えて、シミュレーション中の特定の車両に関する一定の情報（例えば、ビルド情報、衝突データなど）を有してよい。シミュレーションには、車両およびその乗員に関する選択すべき所定の向きが複数あってよく、それぞれを異なるシナリオでシミュレートして最適な衝突向きを決定してよい。例えば、壁（広い面を持つ物体）に衝突する場合の最適な向きは、信号機の柱（強く細い物体）に衝突する場合の最適な向きと異なる可能性があり、別の車両（細い／広いという観点では先の２つの物体の中間にあるかもしれない）に衝突する場合の最適な衝突向きとも異なる可能性があり、低木などの比較的柔らかい物体に対する最適な衝突向きとも異なる可能性がある。ニューラルネットワークは、乗員への被害を最小化するために、周囲の車両／構造物への損傷を最小化するために、またはその両方の組み合わせのために、（例えば、車両自体の乗員への被害を最小化する方に重点を置いて）訓練することができる。

車両およびそのシステムが古くなると、ニューラルネットワーク訓練システム１１０６は、そのモデルに車両の挙動変化を組み込むことができる。例えば、ニューラルネットワークは、車両が以前に事故に遭ったことがあるかどうかを考慮し、例えば、新車時の車両と比較した場合、現在損傷している構造領域があるかどうかを把握してよい。ニューラルネットワークは、この情報を用いて、最適であると以前に決定した向きと異なる最適な向きを同じシナリオに対して決定してよい（例えば、以前に衝突した領域は現在損傷しているかもしれないので、次の事故ではその領域を回避してよい）。ニューラルネットワークは、ブレーキ、ステアリングなどといった車両の動力学の変化も考慮してよい。この情報を用いてニューラルネットワークを常時訓練し、安全性モデルが特定の車両に対してできる限り最新であり且つ正確であることを確実にし得る。

図１２は、予防的安全システムを実装する自動運転車を制御するプロセスの一例を示すフローチャート１２００である。図１２に示すプロセスは、自動運転車の制御システム（例えば、図２の車両１０５の様々なコンポーネント、または図１０のシステム１０００に倣ってモデル化されたシステム）により行われてよい。このプロセス例には、追加または別のオペレーションが含まれてよく、これらのオペレーションは、図に示す順序で行われても、別の順序で行われてもよい。場合によって、図１２に示すオペレーションのうちの１つまたは複数が、複数のオペレーションまたはサブプロセスなどのタイプのルーチンを含むプロセスとして実施されてよい。場合によって、これらのオペレーションを組み合わせる、別の順序で行う、並列に行う、反復する、あるいは別のやり方で繰り返す、または別の方式で行うことができる。

１２０２では、車両に接続された１つまたは複数のセンサにより生成されたセンサデータを処理する。センサデータは、図２のセンサ２２５と同様のセンサからのデータを含んでよい。

１２０４では、車両と別の物体（例えば、別の車両、路側物体、インフラストラクチャ、建物など）との衝突が差し迫っていると判定する。衝突が差し迫っているとの判定には、車両の現在の動力学（例えば、速度）および車両の環境（例えば、車両の周りにある物体の位置、およびそれらの物体までのそれぞれの距離）を考慮すると、衝突が避けられないと判定することが含まれてよい。

１２０６では、衝突に対する最適な車両向き（例えば、衝突時の車両の方向または角度）が決定され、１２０８では、車両を最適な向きに位置付けるように進路が決定される。最適な車両向きは、場合によって、（例えば、上述したように）車両の静的安全性情報、車両の衝突試験情報、および車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを用いて決定されてよい。他の例では、この決定をヒューリスティックに行ってもよい。最適な車両向きは、決定された車両の乗員への傷害の可能性に基づいてよく、したがって、車両の乗員に関する情報（例えば、車両内での乗員の位置、乗員の年齢、または乗員のサイズ）に基づいてよい。さらに、場合によって、この決定は、車両の周辺にある他の車両または物体（例えば、建物、路側機、構造物など）から受け取った情報に基づいてもよい。これらの場合において、車両およびその他の物体は、衝突に対する最適な向きを決定するように連携してよい。同様に、車両は、車両自体で決定した進路または最適な車両向きを、他の車両／物体に連携のために送信してよい。１２１０では、１２０８で決定した進路に沿って走行するよう車両を自律的に制御する。これには、場合によって運転者の入力を無効にすることが含まれてよい。

１２１２では、衝突に対する最適な乗員向きが決定され、１２１４では、１２１２で決定された最適な乗員向きに乗員を位置付けるように、車両の座席または車室を移動する。

１２１６では、車両の１つまたは複数の受動的安全機構を制御する。これには、場合によって、エアバッグセットの解放のタイミングを計ること、エアバッグセットの解放を順序付けること、もしくはエアバッグセットのエアバッグ膨張速度を決定すること、またはロールバー／ケージを関与させることが含まれてよい。

図１３～図１４は、本明細書で開示される実施形態に従って用いられ得る例示的なコンピュータアーキテクチャのブロック図である。当技術分野で知られている、プロセッサおよびコンピューティングシステム用の他のコンピュータアーキテクチャ設計も用いられてよい。一般に、本明細書で開示される実施形態に好適なコンピュータアーキテクチャには、限定するわけではないが、図１３～１４に示す構成が含まれ得る。

図１３は、一実施形態によるプロセッサの一事例を示す図である。プロセッサ１３００は、上述した実装例に関連して用いることができる一種のハードウェアデバイスの一例である。プロセッサ１３００は、任意のタイプのプロセッサであってよく、例えば、マイクロプロセッサ、組み込み型プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサ、マルチコアプロセッサ、またはシングルコアプロセッサなどの、コードを実行するデバイスである。図１３には１つのプロセッサ１３００しか示していないが、処理要素は代替的に、図１３に示すプロセッサ１３００を２つ以上含んでもよい。プロセッサ１３００はシングルスレッドコアであってよく、または、少なくとも１つの実施形態については、プロセッサ１３００は、コアごとに２つ以上のハードウェアスレッドコンテキスト（または論理プロセッサ）を含み得るという点でマルチスレッドであってもよい。

図１３は、いくつかの実施形態によるプロセッサ１３００に結合されたメモリ１３０２も示している。メモリ１３０２は、当業者に知られているか、さもなければ利用可能な多種多様なメモリ（メモリ階層構造の様々な層を含む）のうちのいずれかであってよい。そのようなメモリ素子には、限定するわけではないが、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）のロジックブロック、消去可能プログラム可能型読み出し専用メモリ（ＥＰＲＯＭ）、および電気的消去可能プログラム可能型ＲＯＭ（ＥＥＰＲＯＭ）が含まれ得る。

プロセッサ１３００は、本明細書で詳述するアルゴリズム、プロセス、またはオペレーションと関連するあらゆるタイプの命令を実行することができる。一般に、プロセッサ１３００は、ある要素または品目（例えば、データ）を、ある状態またはモノから別の状態またはモノに変えることができる。

プロセッサ１３００により実行される１つまたは複数の命令であってよいコード１３０４が、必要に応じて且つ特定のニーズに基づいて、メモリ１３０２に格納されてもよく、ソフトウェア、ハードウェア、ファームウェア、またはそのあらゆる好適な組み合わせ、あるいはあらゆる他の内部または外部のコンポーネント、デバイス、素子、もしくはオブジェクトに格納されてもよい。一例において、プロセッサ１３００は、コード１３０４により示される命令のプログラムシーケンスに従うことができる。各命令はフロントエンドロジック１３０６に入り、１つまたは複数のデコーダ１３０８により処理される。デコーダは、その出力として、所定フォーマットの固定幅マイクロオペレーションなどのマイクロオペレーションを生成してもよく、元のコード命令を反映する他の命令、マイクロ命令、制御信号を生成してもよい。フロントエンドロジック１３０６は、レジスタリネーミングロジック１３１０およびスケジューリングロジック１３１２も含み、これらのロジックは一般に、リソースを割り当て、命令に対応するオペレーションを実行のためにキューに入れる。

プロセッサ１３００は、実行ユニット１３１６ａ、１３１６ｂ、１３１６ｎなどのセットを有する実行ロジック１３１４も含むことができる。いくつかの実施形態では、特定の機能または機能のセットに特化した実行ユニットをいくつか含んでもよい。他の実施形態では、実行ユニットを１つだけ含んでも、特定の機能を実行できる実行ユニットを１つ含んでもよい。実行ロジック１３１４は、コード命令が指定するオペレーションを行う。

コード命令が指定するオペレーションの実行完了後に、バックエンドロジック１３１８がコード１３０４の命令をリタイアさせることができる。一実施形態において、プロセッサ１３００はアウトオブオーダ実行を許可するが、命令のインオーダリタイアメントが必要である。リタイアメントロジック１３２０は、様々な既知の形（例えば、リオーダバッファなど）をとってよい。このように、プロセッサ１３００はコード１３０４の実行中に、少なくとも、デコーダにより生成される出力、レジスタリネーミングロジック１３１０により利用されるハードウェアレジスタおよびテーブル、並びに実行ロジック１３１４により変更される任意のレジスタ（不図示）に関して変化する。

図１３には示されていないが、処理要素には、チップ上にプロセッサ１３００と共に他の要素が含まれてもよい。例えば処理要素には、プロセッサ１３００と共にメモリ制御ロジックが含まれてよい。処理要素には、Ｉ／Ｏ制御ロジックが含まれてもよく、且つ／またはメモリ制御ロジックと一体化したＩ／Ｏ制御ロジックが含まれてもよい。処理要素には、１つまたは複数のキャッシュも含まれてよい。いくつかの実施形態では、不揮発性メモリ（フラッシュメモリまたはヒューズなど）もプロセッサ１３００と共にチップ上に含まれてよい。

図１４は、ポイントツーポイント（ＰｔＰ）構成で配置された、一実施形態によるコンピューティングシステム１４００を示している。具体的には、図１４は、プロセッサ、メモリ、入力／出力デバイスがいくつかのポイントツーポイントインタフェースで相互接続されたシステムを示している。一般に、本明細書で説明するコンピューティングシステムのうちの１つまたは複数が、コンピューティングシステム１３００と同じまたは同様の方式で構成されてよい。

プロセッサ１４７０および１４８０がそれぞれ、メモリ素子１４３２および１４３４とやり取りする統合メモリコントローラロジック（ＭＣ）１４７２および１４８２も含んでよい。代替実施形態において、メモリコントローラロジック１４７２および１４８２は、プロセッサ１４７０および１４８０とは別の個別ロジックでもよい。メモリ素子１４３２および／または１４３４は、プロセッサ１４７０および１４８０が本明細書で概説したオペレーションおよび機能を実現する際に用いる様々なデータを格納してよい。

プロセッサ１４７０および１４８０は、あらゆるタイプのプロセッサ、例えば、他の図に関連して述べたプロセッサでもよい。プロセッサ１４７０および１４８０は、ポイントツーポイント（ＰｔＰ）インタフェース１４５０を介し、ポイントツーポイントインタフェース回路１４７８および１４８８をそれぞれ用いてデータをやり取りしてよい。プロセッサ１４７０および１４８０はそれぞれ、個々のポイントツーポイントインタフェース１４５２および１４５４を介し、ポイントツーポイントインタフェース回路１４７６、１４８６、１４９４、および１４９８を用いて、チップセット１４９０とデータをやり取りしてよい。チップセット１４９０はコプロセッサ１４３８（例えば、高性能グラフィックス回路または機械学習アクセラレータなどのコプロセッサ１４３８）とも、インタフェース１４３９（ＰｔＰインタフェース回路でよい）を介してデータをやり取りしてよい。代替実施形態では、図１４に示すＰｔＰリンクのうちのいずれかまたは全てが、ＰｔＰリンクではなく、マルチドロップバスとして実装されてよい。

チップセット１４９０は、インタフェース回路１４９６を介してバス１４２０と通信してよい。バス１４２０は、バス１４２０を介して情報をやり取りする１つまたは複数のデバイス、例えば、バスブリッジ１４１８およびＩ／Ｏデバイス１４１６を有してよい。バスブリッジ１４１８はバス１４１０を介して他のデバイスと通信してよく、そのようなデバイスは、例えば、ユーザインタフェース１４１２（例えば、キーボード、マウス、タッチスクリーンなどの入力デバイス）、通信デバイス１４２６（例えば、コンピュータネットワーク１４６０を介して通信し得るモデムまたはネットワークインタフェースデバイスなどのタイプの通信デバイス）、オーディオＩ／Ｏデバイス１４１４、および／またはデータストレージデバイス１４２８である。データストレージデバイス１４２８はコード１４３０を格納してよく、このコードはプロセッサ１４７０および／または１４８０により実行されてよい。代替実施形態では、バスアーキテクチャのあらゆる部分が、１つまたは複数のＰｔＰリンクで実現されてよい。

図１４に示すコンピュータシステムは、本明細書で述べた様々な実施形態を実現するのに利用され得るコンピューティングシステムの一実施形態の概略図である。図１４に示すシステムの様々なコンポーネントがシステムオンチップ（ＳｏＣ）アーキテクチャ、または本明細書で提供された実施例および実装例の機能および特徴を実現できる任意の他の好適な構成で組み合わされてよいことが理解されるであろう。

本明細書で説明し且つ示したシステムおよび解決策の一部が、複数の要素を含んでいるまたは複数の要素と関連しているものとして説明されているが、明示的に示したまたは説明した全ての要素が、本開示のそれぞれの代替実装例に利用されなくてもよい。さらに、本明細書で説明した要素のうちの１つまたは複数がシステムの外部に配置されてもよく、他の例では、特定の要素が、その他の説明した要素および示された実装例に説明されていない他の要素のうちの１つまたは複数に含まれても、その一部として含まれてもよい。さらに、特定の要素が他のコンポーネントと組み合わされてもよく、また本明細書で説明した目的に加えて、代替または追加の目的に用いられてもよい。

さらに、上述した例は、一定の原則および機能を示す目的のためだけに提供された非制限的な例であり、本明細書で説明した概念の可能性のある実施形態を必ずしも限定するものでも、制約するものでもないことを理解されたい。例えば、様々な異なる実施形態が、本明細書で説明した機能およびコンポーネントの様々な組み合わせ（本明細書で説明したコンポーネントの様々な実装例によって実現される組み合わせを含む）を利用して実現されてよい。他の実装例、機能、および詳細は、本明細書の内容から理解されたい。

特定の実装例および概して関連する方法に関して本開示を説明してきたが、これらの実装例および方法の変更例および置換例が当業者には明らかであろう。例えば、本明細書で説明した動作は、説明されたものとは異なる順序で行うことができ、それでも所望の結果を得ることができる。一例として、添付図に示したプロセスは、所望の結果を得るために、必ずしも図に示した特定の順序も、連続した順序も必要とするわけではない。特定の実装例では、マルチタスクおよび並列処理が有利となる場合がある。さらに、他のユーザインタフェースのレイアウトおよび機能を支援することができる。他の変形例が、以下の「特許請求の範囲」の範囲に含まれる。

本明細書は、多くの特定の実装詳細を含んでいるが、これらを任意の発明または特許請求され得ることの範囲に対する限定と解釈するのではなく、特定の発明の特定の実施形態に固有の特徴を説明したものと解釈されたい。別個の実施形態の文脈で本明細書に説明されている特定の特徴も、単一の実施形態における組み合わせで実現することができる。反対に、単一の実施形態の文脈で説明されている様々な特徴も、複数の実施形態で別個に、またはあらゆる好適な部分的組み合わせで実現することができる。さらに、これらの特徴が特定の組み合わせで働くものとして上述され、そのようなものとして最初に請求されるかもしれないが、請求される組み合わせからの１つまたは複数の特徴は、場合によって、その組み合わせから削除することができ、請求される組み合わせは、部分的組み合わせまたは部分的組み合わせの変形を対象にしてよい。

同様に、図面には特定の順序で各オペレーションを示しているが、これについて、所望の結果を得るために、そのようなオペレーションを図に示す特定の順序または連続した順序で行うことも、図に示されている全てのオペレーションを行うことも必要と理解すべきではない。特定の状況では、マルチタスクおよび並列処理が有利となる場合がある。さらに、上述した実施形態における様々なシステムコンポーネントの分離は、全ての実施形態でそのような分離を必要としていると理解すべきではなく、説明したプログラムコンポーネントおよびシステムは一般に、単一のソフトウェア製品に共に統合することができる、または複数のソフトウェア製品にパッケージ化することができることを理解されたい。

概して、本明細書で述べる「サーバ」、「クライアント」、「コンピューティングデバイス」、「ネットワークエレメント」、「ホスト」、「ブロック」、「プラットフォーム」、「センサデバイス」、「エッジデバイス」、「自動運転システム」、「自動運転車」、「フォグベースのシステム」、「クラウドベースのシステム」、および「システム」などは一般に、自動運転環境と関連したデータおよび情報を受信する、送信する、処理する、格納する、または管理するように動作可能な電子式コンピューティングデバイスを含んでよい。本明細書で用いる場合、用語「コンピュータ」、「プロセッサ」、「プロセッサデバイス」、または「処理デバイス」は、任意の好適な処理装置を包含することが意図されており、そうした処理装置には、いくつかある例の中でもとりわけ、中央演算処理装置（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、およびテンソルプロセッサなどの行列計算プロセッサが含まれる。例えば、単一のデバイスとして環境内に示される要素が、複数のサーバコンピュータを含むサーバプールなどの、複数のコンピューティングデバイスおよびプロセッサを用いて実装されてよい。さらに、複数のコンピューティングデバイスのうちのいずれか、全部、または一部が、Ｌｉｎｕｘ、ＵＮＩＸ、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ、Ａｐｐｌｅ ＯＳ、Ａｐｐｌｅ ｉＯＳ、Ｇｏｏｇｌｅ Ａｎｄｒｏｉｄ、Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒなどを含む任意のオペレーティングシステムを実行するように適合されてよく、また仮想マシンが、カスタマイズされた独自のオペレーティングシステムを含む特定のオペレーティングシステムの実行を仮想化するように適合される。

上述したまたは図に示される様々なコンポーネントのうちのいずれかに関するフロー、方法、プロセス（またはその一部）、または機能のうちのいずれかが、１つまたは複数のモジュール、エンジン、ブロック、ユニット、モデル、またはシステムなどの好適なコンピューティングロジックといった任意の好適なコンピューティングロジックにより行われてよい。本明細書における、「モジュール」、「エンジン」、「ブロック」、「ユニット」、「モデル」、「システム」、または「ロジック」への言及は、１つまたは複数の機能を実行するハードウェア、ファームウェア、ソフトウェア、および／またはそれぞれの組み合わせを指してよい。一例として、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、マイクロコントローラまたはプロセッサなどの、マイクロコントローラまたはプロセッサにより実行されるように適合されたコードを格納する非一時的媒体と関連した１つまたは複数のハードウェアコンポーネントを含んでよい。したがって、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックへの言及は、一実施形態において、ハードウェアを指してよく、こうしたハードウェアは具体的には、非一時的媒体に保持されるコードを認識し且つ／または実行するように構成される。さらに、別の実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックの使用が、コードを含む非一時的媒体を指し、こうしたコードは具体的には、マイクロコントローラまたはプロセッサにより実行されて、所定のオペレーションが行われるように適合される。推論できるように、さらに別の実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ハードウェアと非一時的媒体との組み合わせを指してもよい。様々な実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ソフトウェア命令を動作可能に実行するマイクロプロセッサなどの処理要素、特定用途向け集積回路（ＡＳＩＣ）などの個別ロジック、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのプログラムされた論理デバイス、命令を含むメモリデバイス、または（例えば、プリント回路基板上に見られるような）ロジックデバイスの組み合わせなどの好適なハードウェアおよび／またはソフトウェアを含んでよい。モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、例えば、トランジスタで実装され得る１つまたは複数のゲートなどの回路要素を含んでよい。いくつかの実施形態では、モジュール、エンジン、ブロック、ユニット、モデル、システム、またはロジックが、ソフトウェアとして完全に具現化されてよい。ソフトウェアは、非一時的コンピュータ可読記憶媒体に記録されたソフトウェアパッケージ、コード、命令、命令セット、および／またはデータとして具現化されてよい。ファームウェアが、メモリデバイスにハードコードされた（例えば、不揮発性の）コード、命令もしくは命令セット、および／またはデータとして具現化されてよい。さらに、分離しているように示されているロジック境界が、一般に変化し、場合によっては重なり合う。例えば、第１モジュールおよび第２モジュール（または複数のエンジン、ブロック、ユニット、モデル、システム、またはロジック）が、ハードウェア、ソフトウェア、ファームウェア、またはその組み合わせを共有してよく、場合によっては、何らかの独立したハードウェア、ソフトウェア、またはファームウェアを保持してよい。

上述し添付図面に示したフロー、方法、およびプロセスは、特定の実施形態で行われ得る機能を単に代表しているにすぎない。他の実施形態では、こうしたフロー、方法、及びプロセスにおいて、追加の機能が行われてもよい。本開示の様々な実施形態では、本明細書で説明される機能を実現するための、あらゆる好適なシグナリング機構が企図されている。本明細書で示される機能の一部が、必要に応じて、フロー、方法、プロセスの中で、繰り返され、組み合わされ、変更され、削除されてもよい。さらに、各機能が、特定の実施形態の範囲から逸脱することなく、フロー、方法、およびプロセスの中で任意の好適な順序で行われてもよい。

以下の実施例は、本明細書による実施形態に関連する。場合によって、１つまたは複数の態様において、後述するいくつかの実施例が他の実施例と組み合わされてもよいことが理解されるであろう。

実施例１は、命令を格納した少なくとも１つの機械アクセス可能な記憶媒体を含み、前記命令は、機械で実行されると前記機械に、車両に接続された１つまたは複数の接続済みセンサにより生成されるセンサデータにアクセスさせ、前記車両において、前記車両と別の物体との衝突が差し迫っていると判定させ、前記車両において、前記衝突が差し迫っているとの前記判定に基づいて、前記衝突に対する最適な車両向きを決定させ、前記車両において、前記車両を前記最適な車両向きに位置付けるための車両進路を決定させ、決定した前記車両進路に沿って走行するように前記車両を自律的に制御させる。

実施例２は実施例１の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記衝突に対する最適な乗員向きを決定させ、前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させるように実行可能である。

実施例３は、実施例１または２の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記衝突時にまたはその間際に１つまたは複数の受動的安全機構の起動を制御させるように実行可能である。

実施例４は実施例３の主題を含み、任意選択的に、前記１つまたは複数の受動的安全機構の起動を制御することには、エアバッグセットの解放のタイミングを計ること、前記エアバッグセットの解放を順序付けること、およびエアバッグセットのエアバッグ膨張速度を決定することのうちの１つまたは複数が含まれる。

実施例５は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを用いて前記最適な車両向きを決定させるように実行可能である。

実施例６は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に前記最適な車両向きをヒューリスティックに決定させるように実行可能である。

実施例７は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両の乗員への傷害の可能性に基づいて前記最適な車両向きを決定させるように実行可能である。

実施例８は実施例７の主題を含み、任意選択的に、前記差し迫った衝突は前記車両と別の車両との間であり、前記命令はさらに、前記機械に、前記別の車両の乗員への傷害の可能性にさらに基づいて前記最適な車両衝突向きを決定させるように実行可能である。

実施例９は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両の周辺にいる他の車両から受け取った情報、および前記車両の周辺にあるインフラストラクチャ物体から受け取った情報のうちの一方または両方に基づいて前記最適な車両向きを決定させるように実行可能である。

実施例１０は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両内にいる少なくとも１人の乗員に関する情報に基づいて前記最適な車両向きを決定させるように実行可能である。

実施例１１は実施例１０の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両内での前記乗員の位置、前記乗員の年齢、前記乗員のサイズのうちの１つまたは複数に基づいて前記最適な車両向きを決定させるように実行可能である。

実施例１２は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記車両の運転者からの入力を無効にすることにより前記車両を自律的に制御させるように実行可能である。

実施例１３は上述したいずれかの実施例の主題を含み、任意選択的に、前記命令はさらに、決定された前記車両進路または前記最適な車両向きに関する情報を他の車両またはインフラストラクチャ物体に送信させるよう前記機械にさせるように実行可能である。

実施例１４は実施例９および／または１３の主題を含み、任意選択的に、前記命令はさらに、前記機械に、前記他の車両またはインフラストラクチャと連携して前記車両進路を決定させるように実行可能である。

実施例１５は、車両に接続された１つまたは複数のセンサにより生成されるセンサデータを処理する段階と、前記センサデータに基づき、前記車両の少なくとも１つのデータプロセッサを用いて、前記車両と別の物体との衝突が差し迫っていると判定する段階と、前記衝突が差し迫っているとの前記判定に基づき、前記車両の少なくとも１つのデータプロセッサを用いて、前記衝突に対する最適な車両向きを決定する段階と、前記車両の少なくとも１つのデータプロセッサを用いて、前記車両を前記最適な車両向きに位置付けるための車両進路を決定する段階と、決定した前記車両進路に沿って走行するように前記車両を自律的に制御する段階とを備える方法である。

実施例１６は実施例１５の主題を含み、任意選択的にさらに、前記車両の少なくとも１つのデータプロセッサを用いて、前記衝突に対する最適な乗員向きを決定する段階と、前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の座席を自律的に移動させる段階とを備える。

実施例１７は実施例１５の主題を含み、任意選択的にさらに、前記車両の少なくとも１つのデータプロセッサにより、前記衝突時にまたはその間際に１つまたは複数の受動的安全機構を制御する段階を備える。

実施例１８は実施例１７の主題を含み、任意選択的に、前記１つまたは複数の受動的安全機構を制御する段階には、エアバッグセットの解放のタイミングを計ること、前記エアバッグセットの解放を順序付けること、およびエアバッグセットのエアバッグ膨張速度を決定することのうちの１つまたは複数が含まれる。

実施例１９は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記最適な車両向きは、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを用いて決定される。

実施例２０は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記最適な車両向きはヒューリスティックに決定される。

実施例２１は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記最適な車両向きの決定は、決定された前記車両の乗員への傷害の可能性に基づいている。

実施例２２は実施例２１の主題を含み、任意選択的に、前記差し迫った衝突は前記車両と別の車両との間であり、前記最適な車両衝突向きの決定はさらに、決定された前記別の車両の乗員への傷害の可能性に基づいている。

実施例２３は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記最適な車両向きの決定は、前記車両の周辺にいる他の車両から受け取った情報、および前記車両の周辺にあるインフラストラクチャ物体から受け取った情報のうちの一方または両方に基づいている。

実施例２４は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記最適な車両向きを決定する段階は、前記車両内にいる少なくとも１人の乗員に関する情報に基づいている。

実施例２５は実施例２４の主題を含み、任意選択的に、前記少なくとも１人の乗員に関する前記情報は、前記車両内での前記乗員の位置、前記乗員の年齢、前記乗員のサイズのうちの１つまたは複数を含む。

実施例２６は上述したいずれかの方法実施例の主題を含み、任意選択的に、前記車両を自律的に制御する段階は、前記車両の運転者からの入力を無効にする段階を含む。

実施例２７は上述したいずれかの方法実施例の主題を含み、任意選択的にさらに、前記最適な車両向きに前記車両を前記位置付けることに関する情報を他の車両またはインフラストラクチャ物体に送信する段階を備える。

実施例２８は実施例２３および／または２７の主題を含み、任意選択的に、前記車両進路は、前記他の車両またはインフラストラクチャと連携して決定される。

実施例２９は、１つまたは複数のプロセッサと、メモリと、センサセットと、自動運転システムであって、前記１つまたは複数のプロセッサが、前記センサセットからのデータに少なくとも部分的に基づいて生成される車両用環境モデルに基づいて衝突の脅威を検出することと、前記環境モデルと現在の車両動力学とに基づいて、車両と前記衝突の脅威との衝突が避けられないと判定することと、前記衝突が差し迫っているとの前記判定に基づいて前記車両の衝突緩和計画を決定することであって、前記衝突緩和計画は前記車両の特定の衝突向きおよび特定の車両進路を示す、決定することと、前記衝突緩和計画を実施するように前記車両を自律的に制御することとを行うように実行可能である、自動運転システムとを備えるシステムを含む。

実施例３０は実施例２９の主題を含み、任意選択的に、前記衝突緩和計画はさらに、前記衝突に対する最適な乗員向きを示し、前記自動運転システムはさらに、前記１つまたは複数のプロセッサが、前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させるように実行可能である。

実施例３１は実施例２９または３０の主題を含み、任意選択的に、前記衝突緩和計画はさらに、前記車両の１つまたは複数の受動的安全機構の起動計画を示し、前記自動運転システムはさらに、前記１つまたは複数のプロセッサが、前記起動計画に従って１つまたは複数の受動的安全機構の起動を自律的に制御するように実行可能である。

実施例３２は上述したいずれかのシステム実施例の主題を含み、任意選択的にさらに、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練された機械学習モデルを備え、前記自動運転システムは前記機械学習モデルを用いて前記最適な車両向きを決定する。

実施例３３は上述したいずれかのシステム実施例の主題を含み、任意選択的に、前記自動運転システムは、前記車両内にいる乗員の位置、前記車両内にいる乗員の年齢、前記車両内にいる乗員のサイズ、前記車両の乗員への傷害の可能性、前記車両の周辺にいる他の車両の乗員への傷害の可能性、前記車両の周辺にいる歩行者への傷害の可能性、および前記車両の周辺にある１つまたは複数の物体への損傷の可能性のうちの１つまたは複数に基づいて、前記衝突緩和計画を決定する。

実施例３４は自動運転車システムを含み、前記自動運転車と別の物体との衝突が差し迫っていることを、前記自動運転車に取り付けられたセンサから取得するデータに基づいて判定する手段と、前記衝突が差し迫っているとの前記判定に基づいて前記衝突に対する最適な車両向きを決定する手段と、前記車両を前記最適な車両向きに位置付けるための車両進路を決定する手段と、決定した前記車両進路に沿って走行するように前記自動運転車を自律的に制御する手段とを備える。

実施例３５は実施例３４の主題を含み、任意選択的にさらに、前記衝突に対する最適な乗員向きを決定する手段と、前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の座席を移動させる手段とを備える。

実施例３６は上述したいずれかの自動運転車システム実施例の主題を含み、任意選択的にさらに、前記衝突時にまたはその間際に前記車両の１つまたは複数の受動的安全機構を制御する手段を備える。

実施例３７は上述したいずれかの自動運転車システム実施例の主題を含み、任意選択的に、前記最適な車両向きを決定する前記手段は、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを含む。

実施例３８は、ロジック、モジュール、または回路などの、上記実施例のうちのいずれかで説明したまたはそれに関連する方法、あるいは本明細書で説明した任意の他の方法またはプロセスの１つまたは複数の要素を行う手段を備える、自動運転車のデバイスを含む。

こうして、本主題のいくつかの実施形態を説明してきた。他の実施形態が、以下の「特許請求の範囲」の範囲に含まれる。場合によって、「特許請求の範囲」に記載される動作を別の順序で行うことができ、それでも所望の結果を得ることができる。さらに、添付図に示したプロセスは、所望の結果を得るために、必ずしも図に示した特定の順序も、連続した順序も必要とするわけではない。
［他の考え得る項目］
（項目１）
命令を格納した少なくとも１つの機械アクセス可能記憶媒体であって、前記命令が、機械で実行されると前記機械に、
車両に接続された１つまたは複数のセンサにより生成されるセンサデータにアクセスさせ、
前記車両において、前記車両と別の物体との衝突が差し迫っていると判定させ、
前記車両において、前記衝突が差し迫っているとの前記判定に基づいて、前記衝突に対する最適な車両向きを決定させ、
前記車両において、前記車両を前記最適な車両向きに位置付けるための車両進路を決定させ、
決定した前記車両進路に沿って走行するように前記車両を自律的に制御させる、記憶媒体。
（項目２）
前記命令がさらに、前記機械に
前記衝突に対する最適な乗員向きを決定させ、
前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させる
ように実行可能である、項目１に記載の記憶媒体。
（項目３）
前記命令がさらに、前記機械に、前記衝突時にまたはその間際に１つまたは複数の受動的安全機構の起動を制御させるように実行可能である、項目１に記載の記憶媒体。
（項目４）
前記１つまたは複数の受動的安全機構の起動を制御することには、エアバッグセットの解放のタイミングを計ること、前記エアバッグセットの解放を順序付けること、およびエアバッグセットのエアバッグ膨張速度を決定することのうちの１つまたは複数が含まれる、項目３に記載の記憶媒体。
（項目５）
前記命令がさらに、前記機械に、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを用いて前記最適な車両向きを決定させるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目６）
前記命令がさらに、前記機械に前記最適な車両向きをヒューリスティックに決定させるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目７）
前記命令がさらに、前記機械に、前記車両の乗員への傷害の可能性に基づいて前記最適な車両向きを決定させるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目８）
前記差し迫った衝突が前記車両と別の車両との間であり、前記命令がさらに、前記機械に、前記別の車両の乗員への傷害の可能性にさらに基づいて前記最適な車両衝突向きを決定させるように実行可能である、項目７に記載の記憶媒体。
（項目９）
前記命令がさらに、前記機械に、前記車両の周辺にいる他の車両から受け取った情報、および前記車両の周辺にあるインフラストラクチャ物体から受け取った情報のうちの一方または両方に基づいて前記最適な車両向きを決定させるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目１０）
前記命令がさらに、前記機械に、前記他の車両またはインフラストラクチャと連携して前記車両進路を決定させるように実行可能である、項目９に記載の記憶媒体。
（項目１１）
前記命令がさらに、前記機械に、前記車両内にいる１人または複数の乗員に関する情報に基づいて前記最適な車両向きを決定させるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目１２）
前記命令がさらに、前記機械に、前記車両内にいる前記１人または複数の乗員の位置、前記１人または複数の乗員の年齢、および１人または複数の乗員のサイズのうちの１つまたは複数に基づいて前記光学的な車両向きを決定させるように実行可能である、項目１１に記載の記憶媒体。
（項目１３）
前記命令がさらに、前記機械に前記車両の運転者からの入力を無効にさせるように実行可能である、項目１から４のいずれか一項に記載の記憶媒体。
（項目１４）
車両に接続された１つまたは複数のセンサにより生成されるセンサデータを処理する段階と、
前記センサデータに基づき、前記車両の少なくとも１つのデータプロセッサを用いて、前記車両と別の物体との衝突が差し迫っていると判定する段階と、
前記衝突が差し迫っているとの前記判定に基づき、前記車両の少なくとも１つのデータプロセッサを用いて、前記衝突に対する最適な車両向きを決定する段階と、
前記車両の少なくとも１つのデータプロセッサを用いて、前記車両を前記最適な車両向きに位置付けるための車両進路を決定する段階と、
決定した前記車両進路に沿って走行するように前記車両を自律的に制御する段階と
を備える方法。
（項目１５）
さらに、前記車両内にいる乗員の位置、前記車両内にいる乗員の年齢、前記車両内にいる乗員のサイズ、前記車両の乗員への傷害の可能性、前記車両の周辺にいる他の車両の乗員への傷害の可能性、前記車両の周辺にいる歩行者への傷害の可能性、および前記車両の周辺にある１つまたは複数の物体への損傷の可能性のうちの１つまたは複数に基づいて、前記最適な車両向きが決定される、項目１４に記載の方法。
（項目１６）
１つまたは複数のプロセッサと、
メモリと、
センサセットと、
自動運転システムであって、前記１つまたは複数のプロセッサが、
前記センサセットからのデータに少なくとも部分的に基づいて生成される車両用環境モデルに基づいて衝突の脅威を検出することと、
前記環境モデルと現在の車両動力学とに基づいて、車両と前記衝突の脅威との衝突が避けられないと判定することと、
前記衝突が差し迫っているとの前記判定に基づいて前記車両の衝突緩和計画を決定することであって、前記衝突緩和計画は前記車両の特定の衝突向きおよび特定の車両進路を示す、決定することと、
前記衝突緩和計画を実施するように前記車両を自律的に制御することと
を行うように実行可能である、自動運転システムと
を備えるシステム。
（項目１７）
前記衝突緩和計画がさらに、前記衝突に対する最適な乗員向きを示し、前記自動運転システムがさらに、前記１つまたは複数のプロセッサが、前記衝突より前に前記光学的な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させるように実行可能である、項目１６に記載のシステム。
（項目１８）
前記衝突緩和計画がさらに、前記車両の１つまたは複数の受動的安全機構の起動計画を示し、前記自動運転システムがさらに、前記１つまたは複数のプロセッサが、前記起動計画に従って１つまたは複数の受動的安全機構の起動を自律的に制御するように実行可能である、項目１６に記載のシステム。
（項目１９）
前記システムがさらに、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練された機械学習モデルを備え、前記自動運転システムが前記機械学習モデルを用いて前記最適な車両向きを決定する、項目１６から１８のいずれか一項に記載のシステム。
（項目２０）
前記自動運転システムが、前記車両内にいる乗員の位置、前記車両内にいる乗員の年齢、前記車両内にいる乗員のサイズ、前記車両の乗員への傷害の可能性、前記車両の周辺にいる他の車両の乗員への傷害の可能性、前記車両の周辺にいる歩行者への傷害の可能性、および前記車両の周辺にある１つまたは複数の物体への損傷の可能性のうちの１つまたは複数に基づいて、前記衝突緩和計画を決定する、項目１６から１８のいずれか一項に記載のシステム。

Claims (21)

1. 車両に接続された１つまたは複数のセンサにより生成されたセンサデータにアクセスする段階と、
   前記車両と別の物体との衝突が差し迫っていることを前記車両において判定する段階と、
   前記衝突が差し迫っているとの前記判定に基づいて、前記衝突に対する最適な車両向きおよび受動的安全機構の起動計画を前記車両において決定する段階であって、前記受動的安全機構の起動計画は、前記衝突に対する前記最適な車両向きに基づいて決定され、エアバッグセットの解放タイミングおよび前記エアバッグセットの解放順序のうちの一方または両方を含む前記車両の１つまたは複数の受動的安全機構の起動タイミングを示し、少なくとも１つの受動的安全機構が前記衝突より前に起動する、決定する段階と、
   前記車両を前記最適な車両向きに位置付けるための車両進路を前記車両において決定する段階と、
   決定した前記車両進路に沿って走行するように前記車両を自律的に制御し、前記受動的安全機構の起動計画に従って前記車両の受動的安全機構の起動を制御する段階と
   を備える方法。
2. 前記方法がさらに、
   前記衝突に対する最適な乗員向きを決定する段階と、
   前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させる段階と
   を備える、請求項１に記載の方法。
3. 前記受動的安全機構の起動計画を決定する段階が、エアバッグセットの解放のタイミングを計ること、前記エアバッグセットの解放を順序付けること、および前記エアバッグセットのエアバッグ膨張速度を決定することのうちの１つまたは複数を決定する段階を有する、請求項１に記載の方法。
4. 前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練されたニューラルネットワークを用いて、前記最適な車両向きが決定される、請求項１から３のいずれか一項に記載の方法。
5. 前記最適な車両向きがヒューリスティックに決定される、請求項１から３のいずれか一項に記載の方法。
6. 前記車両の乗員への傷害の可能性に基づいて、前記最適な車両向きが決定される、請求項１から５のいずれか一項に記載の方法。
7. 前記差し迫った衝突が前記車両と別の車両との間であり、前記方法がさらに、前記別の車両の乗員への傷害の可能性にさらに基づいて前記最適な車両衝突向きを決定する段階を備える、請求項６に記載の方法。
8. 前記車両の周辺にいる他の車両から受け取った情報、および前記車両の周辺にあるインフラストラクチャ物体から受け取った情報のうちの一方または両方に基づいて、前記最適な車両向きが決定される、請求項１から７のいずれか一項に記載の方法。
9. 前記方法がさらに、前記他の車両またはインフラストラクチャと連携して前記車両進路を決定する段階を備える、請求項８に記載の方法。
10. 前記車両内にいる１人または複数の乗員に関する情報に基づいて、前記最適な車両向きが決定される、請求項１から９のいずれか一項に記載の方法。
11. 前記方法がさらに、前記車両内にいる前記１人または複数の乗員の位置、前記１人または複数の乗員の年齢、および１人または複数の乗員のサイズのうちの１つまたは複数に基づいて前記最適な車両向きを決定する段階を備える、請求項１０に記載の方法。
12. 前記方法がさらに、前記車両の運転者からの入力を無効にする段階を備える、請求項１から１１のいずれか一項に記載の方法。
13. 前記受動的安全機構の起動計画を決定する段階が、前記車両の横転保護機構の関与タイミングを決定する段階を有し、前記横転保護機構は前記衝突より前に関与する、請求項１から１２のいずれか一項に記載の方法。
14. 前記方法がさらに、前記衝突時にまたはその間際に、前記車両の燃料系統の１つまたは複数のコンポーネントを無効化すること、前記車両の電気系統の１つまたは複数のコンポーネントを無効化すること、前記車両の１つまたは複数のドアロックを施錠または解錠すること、および前記車両の窓を開けるまたは閉じることのうちの１つまたは複数を行う段階を備える、請求項１に記載の方法。
15. 請求項１から１４のいずれか一項に記載の方法をプロセッサに実行させるコンピュータプログラム。
16. １つまたは複数のプロセッサと、
    メモリと、
    センサセットと、
    自動運転システムであって、前記１つまたは複数のプロセッサが、
    前記センサセットからのデータに少なくとも部分的に基づいて生成された車両の環境モデルに基づいて、衝突の脅威を検出することと、
    前記環境モデルおよび現在の車両動力学に基づいて、車両と前記衝突の脅威との衝突が避けられないと判定することと、
    前記衝突が差し迫っているとの前記判定に基づいて、前記車両の衝突緩和計画を決定することであって、前記衝突緩和計画は前記車両の特定の衝突向き、特定の車両進路、および前記車両の受動的安全機構の起動計画を示しており、前記起動計画は、前記車両の前記特定の衝突向きに基づいて決定され、エアバッグセットの解放タイミングおよび前記エアバッグセットの解放順序のうちの一方または両方を含む前記車両の前記受動的安全機構の起動タイミングを示しており、少なくとも１つの受動的安全機構の起動が前記衝突より前に行われる、決定することと、
    前記衝突緩和計画を実施するように前記車両を自律的に制御することと
    を行うように実行可能である、自動運転システムと
    を備えるシステム。
17. 前記衝突緩和計画がさらに、前記衝突に対する最適な乗員向きを示し、前記自動運転システムがさらに、前記１つまたは複数のプロセッサが、前記衝突より前に前記最適な乗員向きに乗員を位置付けるために、前記車両の１つまたは複数の座席を自律的に移動させるように実行可能である、請求項１６に記載のシステム。
18. 前記システムがさらに、前記車両の静的安全性情報、前記車両の衝突試験情報、および前記車両の実際の事故情報のうちの１つまたは複数に基づいて訓練された機械学習モデルを備え、前記自動運転システムが前記機械学習モデルを用いて最適な車両向きを決定する、請求項１６または１７に記載のシステム。
19. 前記自動運転システムが、前記車両内にいる乗員の位置、前記車両内にいる乗員の年齢、前記車両内にいる乗員のサイズ、前記車両の乗員への傷害の可能性、前記車両の周辺にいる他の車両の乗員への傷害の可能性、前記車両の周辺にいる歩行者への傷害の可能性、および前記車両の周辺にある１つまたは複数の物体への損傷の可能性のうちの１つまたは複数に基づいて、前記衝突緩和計画を決定する、請求項１６から１８のいずれか一項に記載のシステム。
20. 前記衝突緩和計画がさらに、前記車両の能動的安全機構の計画を示しており、前記能動的安全機構の前記計画が、前記車両の燃料系統の１つまたは複数のコンポーネントを無効化すること、前記車両の電気系統の１つまたは複数のコンポーネントを無効化すること、前記車両の１つまたは複数のドアロックを施錠または解錠すること、および前記車両の窓を開けるまたは閉じることのうちの１つまたは複数を含む、請求項１６から１９のいずれか一項に記載のシステム。
21. 前記車両の前記受動的安全機構の前記起動計画がさらに、前記衝突より前に前記車両のロールバー機構の関与を示す、請求項１６から２０のいずれか一項に記載のシステム。

Images