JP2022552860A - 予測及び先取り制御に基づく乗用車の乗員状態調整システム - Google Patents

Abstract

乗用車用の乗員状態調整システムが提示される。乗員状態調整システムは、乗員状態に影響を与える事象（例えば、乗り物酔い）をそれらが発生する前に予測し、予測を使用して能動的車両サブシステムへの先取り介入を実施するように動作する。

Description

関連出願の相互参照
本出願は、２０２０年１０月１６日に出願された米国特許出願第１７／０７２，８０２号に対する優先権を主張し、２０１９年１０月１７日に出願された米国仮出願第６２／９１６，４０６号の利益も主張する。上記出願の開示全体は、参照により本明細書に組み込まれる。

技術分野
本開示は、予測及び先取り制御に基づく乗用車の乗員状態調整システムに関する。

背景技術
乗用車で走行しているときの乗員の乗り物酔いはよくある状態である。さらに、車両を運転していない乗員は、車両の運転者と比較して、このような乗り物酔いをより激しく経験する。これは、加速を伴う運転行動（例えば、速度を上げること、制動、又は旋回すること）を開始するときに、運転者が先読みの先取り補正を行う能力によるものである。運転者によるこれらの先取り補正（制動時に腹の芯の筋肉を締めること、又は旋回時に身体／頭を旋回方向に傾けることなど）は、運転者が運転行動に関連する加速の少し前に準備するのに役立つが、乗員はこれらの運転行動に受動的に反応することになる。結果として、従来の（すなわち、手動で運転される）車両の乗員は、典型的には、そのような車両の運転者よりも乗り物酔いに悩まされる。すべての乗員が受動的な乗員である自律型車両（ＡＶ）では、乗員の快適性に対する乗り物酔いの悪影響が大きいと予想される。

さらに、従来の車両の運転していない乗員並びにＡＶのすべての乗員による通勤時間を生産的に利用することが望まれている。しかしながら、走行中の全方向（すなわち、前方／長手方向、横方向、垂直方向、ロール方向、ヨー方向、ピッチ方向）の加速を含む車両の直線運動及び旋回運動は、乗員によって行われる意図された生産的タスク（例えば、読む、書く、タイプする、描く／スケッチする、運動する、音楽を聴くなど）に悪影響を及ぼす。

乗員の身体（例えば、胴体、頭部、手足などを含む）の動き、乗員の生理学的状態（例えば、心拍数、血圧、体温など）、乗員の快適性の状態、乗員の乗り物酔い及び吐き気の感覚、乗員の生産性（すなわち、意図されたタスクを生産的に実行する能力）はすべて、本開示で「乗員状態」と呼ばれるものの例である。

このセクションは、必ずしも従来技術ではない本開示に関連する背景情報を提供する。

発明の概要
このセクションは、本開示の一般的な概要を提供し、その全範囲又はその特徴のすべての包括的な開示ではない。

乗用車における乗員状態調整システムが提示される。一態様では、システムは、コンピュータプロセッサによって実行される予測アルゴリズム及びコマンド生成アルゴリズムと共に能動的シートを含む。能動的シートは、乗用車内の所与の乗員をサポートする。予測アルゴリズムは、好ましくは機械学習方法を使用して所与の乗員の状態及び乗用車の動きを予測するように動作し、予測された動きは乗用車の加速を含む。コマンド生成は、予測アルゴリズムから所与の乗員の予測された状態及び乗用車の予測された動きを受信するように構成される。コマンド生成アルゴリズムは、能動的シートを傾けるための先取りコマンドを決定し、能動的シートに先取りコマンドを発行するように動作し、能動的シートは、乗用車の加速と同じ方向に傾けられる。

第２の態様では、乗員状態調整システムは能動的拘束を含む。能動的拘束は、乗用車内に存在し、乗用車内の所与の乗員を拘束するように構成される。この実施形態では、予測アルゴリズムは、好ましくは機械学習方法を使用して、所与の乗員の状態及び乗用車の動きを予測する。コマンド生成アルゴリズムは、予測アルゴリズムから所与の乗員の予測された状態及び乗用車の予測された動きを受信するように構成される。コマンド生成アルゴリズムは、能動的拘束に対する先取りコマンドを決定し、能動的拘束に先取りコマンドを発行する。

第３の態様では、乗員状態調整システムは、能動的乗員刺激サブシステムを含む。能動的乗員刺激サブシステムは、乗用車内に存在し、乗用車内の所与の乗員に刺激を生成するように構成される。この実施形態では、予測アルゴリズムは、好ましくは機械学習方法を使用して所与の乗員の状態及び乗用車の動きを予測し、予測された動きは乗用車の加速を含む。コマンド生成アルゴリズムは、予測アルゴリズムから所与の乗員の予測された状態及び乗用車の予測された動きを受信するように構成される。コマンド生成アルゴリズムは、所与の乗員を乗用車の加速と同じ方向に傾くように刺激するための先取りコマンドを決定し、能動的乗員刺激サブシステムに先取りコマンドを発行するように動作する。

第４の態様では、乗員状態調整システムは、能動的生産性インターフェースを含む。能動的生産性インターフェースは、乗用車内に存在し、車両が移動している間に所与の乗員によって実行されるタスクをサポートするように構成される。予測アルゴリズムは、好ましくは機械学習方法を使用して、所与の乗員の状態を予測するように動作する。コマンド生成アルゴリズムは、予測アルゴリズムから所与の乗員の予測された状態を受信するように構成される。コマンド生成アルゴリズムは、能動的生産性インターフェースに対する先取りコマンドを決定し、能動的生産性インターフェースに先取りコマンドを発行するように動作する。

さらなる適用領域は、本明細書で提供される説明から明らかになるであろう。この概要における説明及び特定の例は、例示のみを目的とするものであり、本開示の範囲を限定するものではない。

図面
本明細書で説明される図面は、すべての可能な実施態様ではなく選択された実施形態の例示のみを目的としており、本開示の範囲を限定することを意図するものではない。

右折を行う車両の一般的な運転シナリオを示す図である。 右折を行う車両の一般的な運転シナリオを示す図である。 右折を行う車両の一般的な運転シナリオを示す図である。 車両制動の一般的な運転シナリオを示す図である。 車両制動の一般的な運転シナリオを示す図である。 車両制動の一般的な運転シナリオを示す図である。 典型的な自律型車両の計算アーキテクチャのブロック図である。 ＰＲＥＡＣＴシステムを装備した自律型車両の計算アーキテクチャのブロック図である。 ＰＲＥＡＣＴシステムを装備した従来の車両の計算アーキテクチャのブロック図である。 図５に示すブロック図の拡張版である。 図６に示すＰＲＥＡＣＴメカトロニクスサブシステムの詳細な分解図である。 例示的な能動的拘束サブシステムを示す。 例示的な能動的生産性インターフェースを示す。 一般に理解されるように、乗用車の長手方向（すなわち、運転方向）、横方向及び垂直方向を示す。

対応する参照番号は、図面のいくつかの図を通して対応する部分を示す。
詳細な説明
ここで、添付の図面を参照して、例示的な実施形態をより完全に説明する。

（例えば、自動運転車両の全乗員又は従来の手動運転車両の非運転乗員に関連する）乗用車用の提案された乗員状態調整システム（例えば、本開示の様々な場所においてＰＲＥＡＣＴシステムと呼ばれる）の背後にある重要な着想は、実際に発生する前に乗員状態に影響を与える事象を予測することと、この予測を使用して、特定の先取り介入が行われるべきであると決定することと、車載の様々な能動的なサブシステムを介してこれらの先取り介入を行うことと、を含む。ＰＲＥＡＣＴシステムでは、この予測は、例えば、ルート及び交通情報、車両情報、車両サブシステム情報、乗員情報などに関するリアルタイムデータ及び経時的集約データを利用して、ルート、車両ナビゲーション、車両状態、車両サブシステム状態、及び最終的には乗員状態（快適性、乗り物酔い、生産性を含む）を予測する１つ又は複数のＰＲＥＡＣＴ予測アルゴリズム（例えば、データ駆動モデル、機械学習、人工知能など）を介して、１つ又は複数のコンピュータによって行われる。ＰＲＥＡＣＴ先取りアルゴリズム（ＰＲＥＡＣＴコマンド生成アルゴリズムとも呼ばれる）と呼ばれる第２のコンピュータアルゴリズムのセットは、様々な車両サブシステム（例えば、運転サブシステム、操舵サブシステム、能動的シートサブシステム、能動的拘束サブシステム、能動的乗員刺激サブシステム、能動的生産性サブシステム、車室環境サブシステム、車両音声視覚サブシステム、車室照明サブシステムなど）に先取りで送信されるコマンドを生成する。これらの先取りコマンド又は補正は、前述の予測に基づいて受動的な乗員に乗り物酔いを引き起こすと予想される車両が経験する事象の前に、車両サブシステム（ＰＲＥＡＣＴメカトロニクスサブシステムと呼ばれる）を介して実施される。したがって、ＰＲＥＡＣＴシステムを装備した車両の乗員は、もはや従来の手動運転車両の非運転乗員のように完全に受動的ではなく、代わりに従来の車両の運転者のようである（又は、より良い状態である）。

ＰＲＥＡＣＴシステムの動作を説明するために、２つの一般的な運転シナリオが図１Ａ～１Ｃ（右折する車両）及び図２Ａ～２Ｃ（減速又は停止するために制動する車両）に示されている。ＰＲＥＡＣＴ予測アルゴリズムは、乗員、車両、車両サブシステム、ルート及び交通量に関するリアルタイムの及び経時的集約データを使用して、乗員の状態（身体及び手足の動き、乗り物酔い、快適性、及び生産性を含む）を予測する。これらの予測に基づいて、ＰＲＥＡＣＴ先取りアルゴリズムは、先取りコマンドを生成してＰＲＥＡＣＴメカトロニクスサブシステム（この場合は能動的シート）に送信する。

図１Ａでは、車両が経路を直進していることが示されている。ＰＲＥＡＣＴシステムがない車両（図１Ｂに示す）では、車両が右折するとき、車体は、旋回の方向から離れるように（車両が右折するのに応答して左に向かって）揺れる（すなわち、わずかに回転する）。同様に、胴体、頭部、又は他の手足などを含む非運転者の身体は、旋回の方向から離れるように動く（例えば、揺れる、傾く、回転する）傾向がある。そのような乗員の動き及び関連する速度、回転、及び加速は、乗員の乗り物酔いにつながる。一方、運転中の乗員（図示せず）は、車両の方向転換及び自身の身体に対するその結果（すなわち、自身の身体が、回転方向とは反対の外側に振れることになる）を予期しているため、自身の身体、又は頭、又は首、又は手足、又は筋肉（又はそれらの組合せ）を、回転の方向に意図的に傾ける、又はねじる、又は硬直させる（又はそれらの組合せ）。運転者は、そもそも車両の旋回を開始した者であるため、これを予測している。運転者は、このような旋回が自身の身体にどのように作用するかについての過去の経験に基づいて、自身の身体（例えば、胴体、頭、首、手足などを含む）を調整する先取り補正を行う。このような先取り補正により、乗員の身体の動き（速度、回転、及び／又は加速を含む）が低減され、その結果、運転中の乗員の乗り物酔いが低減される。

旋回のこの予期的認識及び旋回への先取り動作は、ＰＲＥＡＣＴシステムを介してすべての非運転乗員に対して再現される。ＰＲＥＡＣＴシステム（図１Ｃに示す）を装備した車両では、車両ルート及びナビゲーション予測アルゴリズムは、車両が将来のある時点で右折することを決定し、ＰＲＥＡＣＴ予測アルゴリズムは、これが乗員状態に及ぼす影響（身体の動き、乗り物酔い、快適性、生産性などを含む）を予測する。このＰＲＥＡＣＴ予測アルゴリズムは、車両が実際に旋回を開始し、乗員が何らかの身体の動き又は乗り物酔いを実際に経験する前に、乗員が車両の旋回による乗り物酔いを経験する可能性が高いという予期又は予測又は予想を提供する。

この予測に基づいて、ＰＲＥＡＣＴ先取りアルゴリズム（ＰＲＥＡＣＴコマンド生成アルゴリズムとも呼ばれる）は先取りコマンドを生成し、それらを、能動的シートサブシステム及び能動的拘束サブシステムを含む車載ＰＲＥＡＣＴメカトロニクスサブシステムに送信する。これらの先取りコマンドの結果として、車両が実際に旋回する前に、能動的シートは予想される旋回の方向に（すなわち、車両の求心加速の横方向に）に徐々に揺れ始め（すなわち、傾斜）、能動的拘束はこの方向の張力を徐々に増加させ始める。このようにして、車両が実際に旋回を開始するまでに、乗員の身体は、身体の動きを最小化又は排除する向きにあり、したがって、乗り物酔いを低減し、生産性を高める。能動的シート及び能動的拘束は、旋回の前にそれらの動作を徐々に実行し始めたので、これらの変化は緩やかであり、乗員にはほとんど知覚できない可能性がある。

同様に、車両制動が図２Ａ～図２Ｃに示されている。図２Ａでは、車両が連続速度で経路を直進していることが示されている。ＰＲＥＡＣＴシステム（図２Ｂに示す）を装備していない車両では、車両が車体を制動し、乗員の身体（例えば、頭部、胴体、手足などを含む）が前方に傾くと、乗員に乗り物酔い、不快感、生産性の欠如を引き起こす可能性がある。しかしながら、ＰＲＥＡＣＴシステム（図２Ｃに示す）を装備した車両では、車両ルート及びナビゲーション予測アルゴリズムは、車両が将来のある時点で制動することを決定し、ＰＲＥＡＣＴ予測アルゴリズムは、これが乗員状態に及ぼす影響（身体の動き、乗り物酔い、快適性、生産性などを含む）を予測する。このＰＲＥＡＣＴ予測アルゴリズムは、車両が実際に減速を開始し、乗員が何らかの身体の動き又は乗り物酔い又は不快感を実際に経験する前に、乗員が車両制動による乗り物酔い、不快感、又は生産性の欠如を経験する可能性が高いという予期／予測／予想を提供する。

この予測に基づいて、ＰＲＥＡＣＴ先取りアルゴリズム（ＰＲＥＡＣＴコマンド生成アルゴリズムとも呼ばれる）は先取りコマンドを生成し、それらを、能動的シートサブシステム及び能動的拘束サブシステムに送信する。これらの先取りコマンドの結果として、車両が実際に減速を開始する前に、能動的シートは後方に（すなわち、減速方向とは反対であり、これは、長手方向の加速方向と同じである）徐々に傾き始め（すなわち、傾斜）、能動的拘束は後方方向の張力を徐々に増加させ始める。このようにして、車両が実際に制動を開始するまでに、乗員の身体は、その身体の動きが最小限に抑えられるように配向及び／又は拘束され、それによって乗り物酔いが低減され、生産性が向上する。

ＰＲＥＡＣＴコマンド生成アルゴリズムによって生成されたコマンド、ＰＲＥＡＣＴメカトロニクスサブシステムの結果として生じる行動（及び結果として生じる状態）、結果として生じる乗員の状態はすべて、データセンタに伝達され、データセンタは、ＰＲＥＡＣＴ予測アルゴリズム及びＰＲＥＡＣＴコマンド生成アルゴリズムに通知するために使用され、今後のＰＲＥＡＣＴシステムの有効性をさらに向上させる。

ＰＲＥＡＣＴメカトロニクスサブシステム（例えば、能動的シート又は能動的拘束）は、一旦開始又は発生した事象に応答して命令／制御／起動される他の既存の能動的シート又は能動的拘束サブシステムとは異なることに留意されたい。これは、反応制御の一例である。一方、ＰＲＥＡＣＴは、先取り制御の一例である。反応制御にはいくつかの欠点がある。多くの場合、反応制御の場合、センサ及びコンピュータによって事象が発生していることが検出される時間は、効果的な介入／修正を行うには遅すぎる。あるいは、修正／行動／介入が行われる場合、非常に短い時間で行われなければならず、これは乗員にとってあまりに迷惑なものである可能性がある。

この乗員状態調整システムは、完全に自律的であり得る陸上車両、すなわち自動運転車両、又は部分的に自律的な車両、又は運転者支援機能を有する車両、又は従来の手動運転車両、又はロボット運転車両を含む任意の種類の乗用車に関連する。陸上車両には、トラック、トレーラ、バン、様々なサイズの自動車、二輪車、三輪車などの道路車両、並びに戦車、トラクタ、ブルドーザなどのオフロード車両が含まれる。本発明はまた、軌道ベースのもの（例えば、列車、モノレール、ケーブルカーなど）、並びに水上ビークル又は船舶（例えば、船及びボート、ホバークラフト）、並びに空中飛行機（例えば、様々なサイズの航空機、滑空機など）を含む他のビークルにも関連する。

典型的な自律型車両（ＡＶ）の計算アーキテクチャは、３つのレベルの計算（高、中間、低）を示す図３に示すブロック図を介して捕捉される。ＰＲＥＡＣＴシステムを装備したＡＶの同様の計算アーキテクチャを図４に示す。ＰＲＥＡＣＴシステムを装備した従来の車両の同様の計算アーキテクチャを図５に示す。

これらの図は、この図の各要素がブロックによって表されるシステム（サブシステム、構成要素、モジュールなどを含む）又は線によって表される信号（すなわち、情報、データなど）のいずれかであるという意味でのブロック図を表す。システム理論の文脈において、ブロック図は、システム（物理エンティティ、例えばメカトロニクスサブシステム、アクチュエータ、センサ、車両など、又は計算、例えばコントローラ、アルゴリズムなどのいずれか）間の信号（情報／データ）の流れを捕捉する。フローチャートとは対照的に、ブロック図は、事象の時系列を捕捉するのではなく、常に発生する情報のフロー（矢印で表される）及び処理（ブロックで表される）を捕捉する。フローチャートは、時系列（すなわち、時間領域におけるシーケンス）が重要であるアルゴリズム又は一連の論理ステップを捕捉するという文脈で使用されることが多い。図４は、ブロック図表現（すなわち、システム及び信号）に従い、必ずしも論理フローチャートではない。ブロック図内の個々のブロックのいくつかは、コントローラ／論理／アルゴリズムブロックを表し、そのようなコントローラ／論理／アルゴリズムブロック内に取り込まれた連続的／時系列論理が存在し得る。

図３～５のブロック図では、常にあらゆることが起こっている。低レベルでの計算及びデータフローは、物理システム及びサブシステムが原因でリアルタイムで行われる。いくつかの中間レベル及び高レベルの計算は、コンピュータ時間において起こり得る（すなわち、計算及び通信が可能な限り速い）。これは、リアルタイムよりも速くても遅くてもよく、又はリアルタイムと同期していてもよい。

図３～５のブロック図は計算アーキテクチャを表し、各ブロックは、アルゴリズム又は物理システムであるサブシステムを表す。この計算アーキテクチャは、必ずしもコンピュータ又は物理的構成要素の物理的位置を表すものではない。計算は、情報の任意の計算及び分析、並びにハードウェアの制御として広く定義される。そのような計算は、様々な車載（すなわち、車両コンピュータ、マイクロコントローラ、マイクロプロセッサ、集積回路、メモリなど）又は複数の車両、又はリモートサーバ（例えば、クラウドコンピューティング）などで起こり得る。

図３において、計算アーキテクチャの低レベル（１０００）には、車両及びその様々なサブシステムがある。車両サブシステムは、受動的サブシステム及び能動的サブシステムを含む。受動的サブシステムは、例えば従来のサスペンションシステム、従来のシート、従来のシートベルトなど、リアルタイムでの能動的制御を伴わない。これらの受動的サブシステムのパラメータは時々変更／更新する（例えば、シートの位置若しくはリクライニングを調整する、又はサスペンションを調整する）ことができるが、これらのサブシステムに関連する動的変数は、何らかの所望の目的を満たすためにリアルタイムで能動的に制御されない。受動的サブシステムは、これらのサブシステムの状態を測定するセンサを有することができるが、これらの状態は能動的に制御されない。受動的車両サブシステムの一例は、ばね及びダンパーを備えたサスペンションシートであり、シートの正確な位置はセンサによって測定することができるが、シートの位置及び向きはリアルタイムで制御されず、ばね及びダンパーによって決定される。

一方、能動的サブシステムは、それらの状態（時間変数である）が時間と共に何らかの所望の目的に従うことを確実にするために、何らかのコンピュータ（例えば、マイクロプロセッサ）を介して能動的に制御される。車両内のそのような能動的サブシステムの例は、能動的ロール制御、能動的サスペンション、能動的シート、能動的シートベルト、能動的キャビン環境などである。例えば、能動的サスペンションサブシステムの動き及び剛性は、その動きもセンサを使用して測定されるという事実とは無関係に、リアルタイムで能動的に制御することができる。

ＡＶにおいて、車両サブシステムは、車両運転サブシステム、車両操舵サブシステム（２０６Ａ）、車両シートサブシステム（２０７）、車両拘束サブシステム（２０８）を含んでもよい。車両運転サブシステム（２０６Ａ）は、エンジン／モータ、ドライブトレイントランスミッション、及び最終的には車輪などの車両運転系構成要素を備えることができる。車両操舵サブシステム（２０６Ａ）は、操舵入力（例えば、モータ又は他のアクチュエータ）、操舵トランスミッション、操舵リンク機構などと、最終的には車輪を備えてもよい。

他のサブシステム（２０６Ｂ）、例えば車両サスペンションサブシステム及び車室サブシステムがあってもよい。車両サスペンションサブシステムは、サスペンション、ショックアブソーバ、及び車輪などの構成要素を含む。車室サブシステムは、車両内の空調、暖房、及び周囲の照明及び音を含む。車両運転（２０６Ａ）サブシステムは、車両の動きを制御する役割を担う。

運転及び操舵コマンドを受信すると（２０５）、車両運転及び操舵サブシステム（２０６Ａ）は、車両ダイナミクスによって制御される特定の車両状態（例えば、位置、速度、加速、ロール、ピッチ、ヨー、旋回など）を車両に達成させる。これらのサブシステムは、車体及びシャーシの上述の状態に影響を与える。これらの状態は、車両シートが車両シャーシに取り付けられるときに車両シート（２０７）に影響を与える。車両シート（２０７）及び車両拘束（２０８）は、乗員（２０９）が車両シート（２０７）に着座して車両拘束（２０８）によって拘束されるときに乗員状態（例えば、身体の動き、生理学的状態、乗り物酔い、快適性、生産性など）に影響を及ぼす。

図３の計算アーキテクチャの中間レベル（２０００）は、低レベルの車両サブシステムに送信されるコマンドを計画、予測、及び生成するために使用される車両アルゴリズムを含む。車両ルート及びナビゲーション予測アルゴリズム（２０４Ａ）は、データセンタを表す高レベル（３０００）から受信した経時的集約及びリアルタイムの測定データ（２０３）に基づいて、ルート計画を実行し、最適な車両ナビゲーションを予測する。これらの予測並びにデータ（２０３）に基づいて、コマンド生成アルゴリズム（２０４Ｂ）は、運転及び操舵コマンド（２０５）を生成し、車両運転及び操舵サブシステム（２０６Ａ）に送信する。

高レベル（３０００）では、データは、複数の車両から、複数の目的地間及び経時的に複数の人々によって行われた複数回の走行にわたって集約されてもよく、したがって交通システムレベルのデータセンタとして機能してもよい。経時的に集約されるこのデータは、集合的に経時的集約データ（２０１）として知られている。さらに、車両及びそのサブシステム並びに乗員からのリアルタイムデータ（２０２）は、様々なセンサを介して測定され、データセンタに送信されてもよく、集合的にリアルタイム測定データ（２００）として知られている。最も信頼性の高いデータを中間レベル（２０００）の車両アルゴリズムに利用可能にすることができるように、ここでデータをコンパイル及び処理してスパイク及びノイズを除去する。車両ルート及びナビゲーション予測アルゴリズム（２０４Ａ）は、例えば、車両が旋回すべき時間と場所を十分に前もって予測することができ、コマンド生成アルゴリズム（２０４Ｂ）は、この旋回を生じさせるために適切な時間にコマンド（２０５）を生成する。このコマンド（２０５）は、車両運転及び操舵サブシステム（２０６Ａ）に送信される。

ここまで、既存の自律型車両（ＡＶ）の代表的な計算アーキテクチャについて説明した。次に、図４は、ブロック図を介して捕捉された、ＰＲＥＡＣＴシステムを装備したＡＶの計算アーキテクチャを示す。ここでも、データ集約と分析、予測アルゴリズム、先取りアルゴリズム、及びメカトロニクスサブシステムをシームレスに統合する３つのレベルの計算戦略があり、それらはすべて乗員状態を調整するために連携して機能する。図４において、ブロック（３）、（５）、（６）、（７）、（１０Ａ）、（１０Ｂ）、並びに（１４）及び（１５）の一部、具体的にはＰＲＥＡＣＴシステム及び乗員情報は、図３に示す既存の自律型車両（ＡＶ）アーキテクチャを拡張するＰＲＥＡＣＴシステムに関連付けられた固有の追加モジュールを表す。

図４の計算アーキテクチャの低レベル（１０００）には、様々な車両サブシステムが存在する。前述のように、車両サブシステムは受動的又は能動的であり得る。すべての能動的なサブシステムのうち、一部又はすべては、乗り物酔いの低減、及び／又は生産性の向上を含む、身体の動きの低減などの乗員状態を変更する目的で、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって先取りで命令される。ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって先取りで命令／制御される能動的な車両サブシステムのサブセットは、ＰＲＥＡＣＴメカトロニクスサブシステムと呼ばれる。これの例としては、ＰＲＥＡＣＴ能動的シート（３）、ＰＲＥＡＣＴ能動的拘束（５）、ＰＲＥＡＣＴ能動的乗員刺激（６）、ＰＲＥＡＣＴ生産性インターフェース（７）が挙げられる。

一実施形態では、車両サスペンションサブシステム、車室サブシステムなどの他の車両サブシステム（１Ｂ）は、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって命令されなくてもよい。さらに別の実施形態では、これらのサブシステム、並びに図４に示されていないもの（例えば、能動的ロール制御、アンチロック制動、能動的シャーシなど）は、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって制御及び命令されて、乗員（４）の動き／移動、乗り物酔い、快適性及び生産性に影響を及ぼすことができる。その場合、そのようなサブシステムはすべて、ＰＲＥＡＣＴメカトロニクスサブシステムに含まれる。

車両運転コマンド生成アルゴリズム（８Ｂ）によって生成された図４の運転及び操舵コマンド（２）は、車両運転及び操舵サブシステム（１Ａ）に送信される。これらの運転及び操舵コマンド（２）に応答して、車両運転及び操舵サブシステム（１Ａ）は、車体／シャーシに、車両ダイナミクスによって制御される特定の車両状態（例えば、位置、速度、加速、ロール、ピッチ、ヨー、旋回など）を達成させる。ＰＲＥＡＣＴシステムを装備したＡＶには、少なくとも１つの可能なさらなるＰＲＥＡＣＴメカトロニクスサブシステムがある。図４は、車体／車室／シャーシに対して特定の動き（例えば、倒れ、傾斜、持ち上げ、ヨーなど）で作動させることができるＰＲＥＡＣＴ能動的シート（３）を特徴とする。さらに、乗員（４）は、命令されたときに選択的に締め付けることができる複数のアンカーポイントを有するハーネスを備えるＰＲＥＡＣＴ能動的拘束（５）を介してこのシートに拘束される。さらに、乗員（４）には、視覚、音声、又は振動触覚入力を含むことができるＰＲＥＡＣＴ能動的乗員刺激（６）が提示される。さらに、乗員（４）は、ＰＲＥＡＣＴ能動的生産性インターフェース（７）と相互作用することによって、車両内で生産的タスク（例えば、本を読むこと、ディスプレイ上で情報をタイプし、読むことなど）を実行することができる。これは、例えば乗員の視線を追跡し、乗員と同期して動くようにディスプレイを動かすことによって、乗り物酔いを軽減し、生産性を高めるのに役立つことができる。

乗員状態（身体の動き、生理学的状態、乗り物酔い、快適性、生産性）は、車両運転操舵サブシステム（１Ａ）、能動的シート（３）、能動的拘束（５）、及び能動的乗員刺激（６）に対する乗員（４）の応答、及び能動的生産性インターフェース（７）によって影響を受ける。特に、乗員は、乗員（４）と能動的生産性インターフェース（７）との間で両方向に移動する矢印によって表される、能動的生産性インターフェース（７）との双方向（二方向）相互作用を有する。これは、乗員が、例えばキーボード上でのタイピングを介して能動的生産性インターフェース（７）に入力を提供し、能動的生産性インターフェース（７）が、例えばキーボードが載置されている表面を傾けるか調整することによって乗員（４）に入力を提供することを意味する。

このシステムアーキテクチャの中間レベル（２０００）は、その計算が低レベルの車両サブシステムに送信されるコマンドを計画、予測、及び生成するために使用される車両アルゴリズムを含む。車両ルート及びナビゲーション予測アルゴリズム（８Ａ）は、データセンタを表す高レベル（３０００）から受信した経時的集約及びリアルタイムの測定データ（９）に基づいて、ルート計画を実行し、最適な車両ナビゲーションを予測する。これらの予測並びにデータ（９）に基づいて、コマンド生成アルゴリズム（８Ｂ）は、運転及び操舵コマンド（２）を生成し、車両運転及び操舵サブシステム（１Ａ）に送信する。しかしながら、この場合、車両ルート及びナビゲーション予測アルゴリズム（８Ａ）及び車両運転コマンド生成アルゴリズム（８Ｂ）と連携して動作する追加のＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）及びＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）がある。ＰＲＥＡＣＴアルゴリズム（１０Ａ）及び（１０Ｂ）はまた、高レベル（３０００）データセンタから経時的及びリアルタイムデータ（１１）を受信して利用する。ＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）は、以下に説明するように、２つの方法（短期先取り及び長期先取り）で機能して、能動的シート（３）、能動的拘束（５）、能動的乗員刺激（６）、及び能動的生産性インターフェース（７）などのＰＲＥＡＣＴメカトロニクスサブシステムに先取り補正／コマンド（１２）を提供する。

まず、短期先取りについて説明する。この場合、車両運転コマンド生成アルゴリズム（８Ｂ）が車両運転及び操舵サブシステム（１Ａ）に運転及び操舵コマンド（２）を送信した瞬間、同じ瞬間にこのコマンドはまたＰＲＥＡＣＴアルゴリズム（１０Ａ及び１０Ｂ）と共有される（１３）。その結果、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）は、ＰＲＥＡＣＴメカトロニクスサブシステムに先取り補正（１２）を送信する。これらのメカトロニクスサブシステムの応答時間／ダイナミクスは、車両運転及び操舵サブシステム（１Ａ）の応答時間／ダイナミクスよりもはるかに速い（よりコンパクトなサイズであるため）ので、これらの先取り補正が可能である。言い換えれば、運転コマンド（２）の効果によって車両が意図された状態（例えば、加速、制動、又は旋回）に達する時点までに、運転コマンド（１３）及び関連する補正（１２）は、ＰＲＥＡＣＴメカトロニクスサブシステムに既に「フィードフォワード」されている。これのより速い応答に起因して、それらは、車両状態に関連する慣性事象（例えば、加速、減速、旋回など）よりもわずかに先行して乗員状態を有利に変更し始める。

第２に、長期先取りについて説明する。この場合、ＰＲＥＡＣＴコマンド生成アルゴリズムとも呼ばれる、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって生成された先取り補正（１２）の別の構成要素は、高レベル（３０００）データセンタからの経時的及びリアルタイムのデータ（１１）に基づく。高レベル（３０００）では、リアルタイム測定値（１４）からデータが収集され、複数のソースから経時的に集約される（１５）。これは、過去の交通パターンデータ並びにＡＶが走行しているときのリアルタイムの交通パターン（例えば、交通渋滞を引き起こす事故）を含む。このデータは、静的道路インフラ（例えば、停止標識、信号機の位置及びスケジュール、速度バンプ、分離帯、出口ランプの曲率など）、並びに任意の一時的な窪み又は交通コーンに関する情報を含む。さらに、このデータは、車両情報（製造元、モデル、年、車両動的モデル）及び車両状態のリアルタイム測定値（位置、速度、加速、旋回、垂直バンプなど）を含む。このデータはすべて、通常、既存のＡＶアーキテクチャで既に使用されている。しかしながら、ＰＲＥＡＣＴシステムを装備したＡＶの場合、追加のデータタイプは、ＰＲＥＡＣＴメカトロニクスサブシステムの情報及び乗員情報（背格好、体重などのパラメータ及び状態を含む）を含む。このデータは、経時的（すなわち、複数回の走行）に収集され、並びにリアルタイムで測定される。ＰＲＥＡＣＴメカトロニクスサブシステム状態の例には、能動的シートの倒れ／傾斜の角度、シートベルトの張力、応答時間、生産性インターフェース相互作用などが含まれる。乗員状態は、身体の傾斜角、頭部の傾斜角、頭部の加速、及び角速度などの機械的変数、並びに皮膚電気活動、心拍数、皮膚温度、及び呼吸などの生理学的状態を含む。

高レベル（３０００）では、データは、複数の車両から、複数の目的地間及び経時的に複数の人々によって行われた複数回の走行にわたって集約され、したがって交通システムレベルのデータセンタとして機能する。最も信頼性の高いデータを車両ルート及びナビゲーション予測アルゴリズム（８Ａ）、車両運転コマンド生成アルゴリズム（８Ｂ）、ＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）、及びＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）を利用可能にすることができるように、ここでデータをコンパイル及び処理してスパイク及びノイズを除去する。このデータに基づいて、車両ルート及びナビゲーション予測アルゴリズム（８Ａ）は、例えば、車両が旋回に近づいており、旋回コマンド（２）が車両運転及び操舵サブシステム（１Ａ）に送信されることを十分に前もって予測／予期することができる。この予測の結果として、ＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）は、慣性事象（すなわち、加速に関連する事象）及びそれらが乗員状態に及ぼす影響を予測し、予期することができる。したがって、ＰＥＲＡＣＴ先取りアルゴリズム（１０Ｂ）は、現在の旋回コマンド（２）が車両運転操舵サブシステム（１）に送信される前であっても、先取り補正（１２）を決定／生成する。結果として、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）は、旋回が開始又は行われる前であっても、旋回の意図された方向（図１参照）への（緩やかに徐々に）傾斜を開始するように能動的シート（３）に命令することができる。同様に、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）は、旋回が開始される少し前から開始して、乗員（４）の胴体を旋回の方向に緩やかに引っ張るように選択的に締め付けるように能動的拘束（５）に命令することができる。したがって、ＰＲＥＡＣＴシステムアーキテクチャは、リアルタイム情報に反応し、（リアルタイムセンサの空間測定範囲に応じて）予期なし又は短距離予期のいずれかを提供するフィードバック（１６）と、ＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）による短期又は長期の予期／予測に基づいており、ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）によって実装されるフィードフォワード（１２）との組合せに基づいている。

ＰＲＥＡＣＴシステムは、部分的にのみ自律的である（例えば、運転者支援）か、又は全く自律的でない従来の（すなわち、手動で運転される）車両でも使用することができる。このようなＰＲＥＡＣＴシステムを装備した車両のシステムアーキテクチャを図５に示す。図４のブロック（３）、（５）、（６）、（７）、（１４）、（１５）、（１６）、（９）、（１１）、（１２）、（１０Ａ）、（１０Ｂ）、及び（１３）は、図５のブロック（３１２）、（３１３）、（３１４）、（３１５）、（３００）、（３０１）、（３０２）、（３０３）、（３０４）、（３０９）、（３０７Ａ）、（３０７Ｂ）、及び（３０６）と同じである。運転乗員（３１０）は、車両運転及び操舵サブシステム（３１１Ａ）に運転及び操舵コマンドを提供する車両内の乗員である。運転乗員（３１０）は、図に示すように、非運転乗員（３１６）とは異なる。前述のように、運転乗員は車両の運転及び操舵動作を命令するので、運転乗員はこれらの動作の結果を予期しており、自身の身体を先取りで調整する能力を有する。しかしながら、非運転乗員は、そのような予期の利益を有さず、したがって、自身でいかなる先取り補正も行わない。ＰＲＥＡＣＴシステムのない従来の車両では、この予期及び先取り補正の欠如は、望ましくない乗員状態（身体の動きが多い、乗り物酔いが多い、生産性が低い）につながる可能性がある。

しかしながら、ＰＲＥＡＣＴシステムを装備した従来の車両では、ＰＲＥＡＣＴ予測アルゴリズム（３０７Ａ）は、将来の事象を予測し、ＰＲＥＡＣＴ先取りアルゴリズム（３０７Ａ）は、非運転乗員に先取りコマンド（３０９）を提供して、乗員状態を良好に調整する（例えば、乗り物酔いを軽減し、生産性を向上させる）ことを目的とする。運転乗員（３１０）は、自身の予期的かつ先取り的な補正を有するが、ＰＲＥＡＣＴシステムはこれを増強し、運転乗員にも利益をもたらすことができる。この場合、車両ルート及びナビゲーション予測アルゴリズム（３０５）は、車両運転及び操舵サブシステム（３１１Ａ）に運転及び操舵コマンドを送信しない。しかし、車両ルート及びナビゲーション予測アルゴリズム（３０５）は、ＰＲＥＡＣＴ予測アルゴリズム（３０７Ａ）に入力（３０６）を提供する。

ＰＲＥＡＣＴ予測アルゴリズム（３０７Ａ）は、高レベル（３０００）データセンタからのリアルタイム及び経時的集約データ（３０４）、車両運転及びナビゲーション予測アルゴリズム（３０５）からの予測された運転及び操舵コマンド（３０６）、及び／又は運転乗員（３１０）からのリアルタイムの運転及び操舵コマンド（３１７）を受信する。後者は、高レベル（３０００）データセンタのリアルタイム測定データ（３００）に進み、データ入力（３０４）を介して（３０７Ａ）に流れるリアルタイムデータフィードバック（３０２）を介して、ＰＲＥＡＣＴ予測アルゴリズム（３０７Ａ）に利用可能である。リアルタイム及び経時的集約データ（３０４）は、ルート及び交通情報、車両情報、車両サブシステム（ＰＲＥＡＣＴメカトロニクスサブシステムを含む）、及び乗員情報（運転及び非運転乗員を含む）に関する。ＰＲＥＡＣＴ予測アルゴリズム（３０７Ａ）は、これらの入力を使用して乗員状態のタイミング及び発生を予測し、これらの予測に基づいて、ＰＲＥＡＣＴ先取りアルゴリズム（３０７Ｂ）は、先取り補正／コマンド（３０９）を生成して、ＰＲＥＡＣＴ能動的シート（３１２）、ＰＲＥＡＣＴ能動的拘束（３１３）、ＰＲＥＡＣＴ能動的乗員刺激（３１４）、及びＰＲＥＡＣＴ能動的生産性インターフェース（３１５）を含む様々なＰＲＥＡＣＴメカトロニクスサブシステムに送信する。

ＰＲＥＡＣＴシステムの詳細な説明
図６は、図４の拡張版を示す。図４及び図６のブロックは互いに類似している。図４及び図６の両方にわたって、アーキテクチャレベル（例えば、高、中間、低レベルの計算）は同じである。図６のＰＲＥＡＣＴメカトロニクスサブシステム（３２）は、図４のＰＲＥＡＣＴ能動的シート（３）、ＰＲＥＡＣＴ能動的拘束（５）、ＰＲＥＡＣＴ能動的乗員刺激（６）、及びＰＲＥＡＣＴ能動的生産性インターフェース（７）を含む。図４の乗員（４）は、図６の乗員（３３）に対応する。図４の車両運転及び操舵サブシステム（１Ａ）は、図６の車両運転及び操舵サブシステム（３１Ａ）と同一である。図４の予測アルゴリズム（８Ａ）は、図６の車両モデル（２７）と、ルート及びナビゲーションコマンドの生成（２５）とを含む。図４のコマンド生成アルゴリズム（８Ｂ）は、図６の運転行動コマンド生成（２６）を含む。図４のＰＲＥＡＣＴ予測アルゴリズム（１０Ａ）は、図６のＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）及び乗員モデル（３０）を含む。図４のＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）は、図６の「ＰＲＥＡＣＴメカトロニクスサブシステムコマンドの生成」（２８）を含む。図４のリアルタイム測定データ（１４）及び経時的集約データ（１５）は、図６のルート及び交通情報（１７、１８）、車両情報（１９、２０）、ＰＲＥＡＣＴシステム情報（２１、２２）、及び乗員情報（２３、２４）の組合せである。中間レベルから低レベルの車両運転及び操舵サブシステム（１Ａ）に送信される運転及び操舵コマンド（２）並びに他の情報は、（４２）によって示される図６の情報の流れに類似している。図４の先取り補正（１２）は、（５０）で表される。図４のリアルタイムフィードバック（１６）は、（３９、４１、４５～４６、４９、５３～５５、６０）によって示される図６の情報の流れに類似している。図４のデータセンタ（３０００）から車両ルート及びナビゲーション予測アルゴリズム（８ａ）並びに車両運転コマンド生成アルゴリズム（８ｂ）への情報の流れ（９）は、（３７、４０、４３）によって示される図６の流れ情報に類似している。図４のデータセンタからＰＲＥＡＣＴアルゴリズム（１０ａ及び１０ｂ）への情報の流れ（１１）は、（４７、５１、６４）によって示される図６の情報の流れに類似している。以下のセクションでは、図６に示すシステム全体について詳細に説明するが、ブロック参照番号は図６のブロック番号に関連する。

図７は、図６に示すＰＲＥＡＣＴメカトロニクスサブシステム（３２）ブロックのより詳細な分解図を示す。しかしながら、図７はブロック図ではなく、むしろ、これは、様々な可能なＰＲＥＡＣＴメカトロニクスサブシステム（３２）のチャートである。図７は、図６の入力（５０）とＰＲＥＡＣＴメカトロニクスサブシステム（３２）との間の相互作用のさらなる詳細を示す。具体的には、ＰＲＥＡＣＴメカトロニクスサブシステム（３２）が、能動的シート（６８）、能動的拘束（６９）、能動的乗員刺激（７０）、能動的車室環境（７１）、及び能動的生産性インターフェース（７２）の動作を決定するためにどのように中間レベルの計算（２０００）からのコマンド及び他の情報（５０）を使用するかである。図６の現在及び先取りコマンド（５０）並びに図４の（１２）は、図７の（６６～６７）に類似している。図７では、ＰＲＥＡＣＴメカトロニクスサブシステム（６８～７０、７２）は、図４（３、５～７）にそれぞれ類似している。さらに、能動的車室環境（７１）などの他の追加の可能なＰＲＥＡＣＴメカトロニクスサブシステムも図７に示されている。

データセンタ－高レベル計算（３０００）
データセンタ（３０００）は、データのコンパイル、統合、及び記憶を備える。これは、図６に示すＰＲＥＡＣＴシステムアーキテクチャ内の最高レベルの計算を表す。データは常にリアルタイムで収集され、経時的に記憶される。記憶されたデータは、データセンタにおける履歴データの一部となる。データストリーム全体（同じタイプのリアルタイム及び履歴データの組合せ）は、ＰＲＥＡＣＴシステムの残りの部分で利用可能であり、このデータは常に更新される。「データ」及び「情報」という用語は、本明細書では互換的に使用される。収集されたデータは集約されてもよい。データ集約とは、適切なフォーマットで一緒にコンパイルされた様々なソースからの複数のデータストリームの統合又は合成を指す。複数のデータストリームを合成することに加えて、複数のソースからの同じ又は類似のデータがコンパイルされ、調整される。履歴又は過去のデータは、パターン及び傾向を決定するため（ただし、これに限定されない）などの複数の目的のために分析することができ、それによって将来の事象を予測するのに役立ち、そのような予測は先取り行動をするために使用することができる。この予測は、オンライン機械学習、オフライン機械学習、又はそれらの何らかの組合せによって達成することができる。データセンタは、他のデータベース（３４、６１）を含む様々なソースからデータを収集し、それらにデータを送信する。これは、ＰＲＥＡＣＴメカトロニクスサブシステム（３２）のセンサから測定データ（５４）を収集する。これは、様々な車両サブシステム（３１Ａ及び３１Ｂ）のセンサから測定データ（４６）を収集する。これは、様々なＰＲＥＡＣＴメカトロニクスサブシステム（３２）のセンサから測定データ（５４）を収集する。これは、乗員（３３）の状態及びパラメータを測定する車載センサ、ウェアラブル電子デバイス、タブレット及びコンピュータなどのパーソナル電子デバイスからデータ（６０）を収集する。これは、他のＰＲＥＡＣＴ車両及び非ＰＲＥＡＣＴ車両（３５）並びに他の車両の他の乗員からデータ（６２）を収集する。これは、インフラ及び環境センサ（３６）からデータ（６３）を収集する。ここで、非ＰＲＥＡＣＴ車両とは、ＰＲＥＡＣＴシステムを装備していないが、直接（例えばＶ２Ｖ通信）又は間接通信（例えば、中間データベースを介する）を介してＰＲＥＡＣＴ計算システムに関連情報を提供することができる任意の車両を指す。

データ通信は、有線通信、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＮＦＣなどの無線通信、又はそれらの任意の組合せによって実現することができる。データ通信は、有線（例えば、ケーブル及びファイバ）及び／又は無線（例えば、セルラ、無線、衛星、マイクロ波、及び無線周波数）通信メカニズムと任意の所望のネットワークトポロジ（又は複数の通信メカニズムが利用される場合は複数のトポロジ）との任意の所望の組合せを含むことができる。通信ネットワークは、データ通信サービスを提供する、無線通信ネットワーク（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＩＥＥＥ８０２．１１などを使用する）、ローカルエリアネットワーク（ＬＡＮ）及び／又はインターネットを含むワイドエリアネットワーク（ＷＡＮ）を含む。

収集されたデータの一部は、破損しているか、ノイズが多いか、又は他の方法で損傷しており、使用できないか又は有害である可能性がある。良好な品質のデータが記憶され、計算に使用されることを保証するために、データセンタは、受信したすべての情報を処理及び評価し、信頼値を割り当てる。適切な信頼値を有する情報は、データセンタによって記憶され、すべてのさらなる計算に使用される。データセンタによって収集されたデータの一部は、車両、乗員、及びインフラセンサに搭載された環境センサ及び他の推定器から来る。そのようなセンサからのデータはノイズが多い場合がある。データセンタは、データを「クリーニング」し、ノイズを除去することができるフィルタ及び他の技術を使用して、データを記憶及び処理のためにデータセンタによって使用できるようにし、中間レベル（２０００）で様々なアルゴリズムに利用可能にすることができる。

データ分類は、データのクラス（例えば、パラメータ及び動的変数）を記述する。さらに、これらのデータクラスは、データセンタ（３０００）によって収集され、かつ車両アルゴリズム（２０００）によって使用される様々なタイプのデータに及ぶ。データタイプは、システムによって収集及び使用される様々な種類のデータ（例えば、ルート及び交通情報、車両情報、乗員情報など）を記述する。パラメータは、システムを定義する情報であり、必ずしも常に時間領域情報を必要としない。例えば、道路の幅又は車両の長さはパラメータであり、時間と共に変化すること、特にリアルタイムで変化するとは予想されない。パラメータは通常、時間と共に動的に変化しないが、それらは周期的に変化する可能性があり、したがって監視が必要となり得る。パラメータに対するこれらの変更は、意図的又は非意図的であり得る。例えば、パラメータの意図的な変更には、ルートを制限するルートに沿った建設活動が含まれ、パラメータの意図的でない変更には、摩耗又は平坦なタイヤ、若しくは構成要素の破損によるタイヤ直径の変更が含まれる。動的変数は、時間と共に絶えず変化し、様々な要因及び入力によって影響を受ける情報である。例えば、車両の速度、交通密度などは、時間に対して絶えず変化する動的変数である。あるタイプのデータの動的変数は、状態とも呼ばれる。例えば、車両の速度は動的変数であり、車両状態と呼ぶこともできる。同様に、乗員の心拍数及び／又は乗り物酔いは動的変数であり、乗員状態と呼ぶこともできる。

データセンタ（３０００）によって収集された様々なタイプのデータ（すなわち、情報）を以下に説明する。

ａ．ルート及びトラフィック情報（１７、１８）：この情報は、ルート及びルートに沿った関連する交通状況を記述するパラメータ及び動的変数を捕捉する。これは、交通パターンデータ（例えば、１日の所与の時間に起こり得る交通渋滞に関する履歴情報、事故又は道路状況の変化によって引き起こされたリアルタイムの交通状況など）、道路パラメータ（例えば、旋回の曲率、道路の粗さ、道路の幅、車線の数など）、並びにインフラのパラメータ（例えば、停止信号の位置、信号のエラー又は故障など）及びインフラ状態（例えば、停止信号の切り替えのタイミング）を含む。情報は、他の車両（３５）、インフラセンサ（３６）を含むことができる（ただしこれらに限定されない）様々なソースから収集することができる。このデータは、車載センサ、並びに衛星画像を使用するデータベース（３４）及びリアルタイム測定値（３６）から収集（４６、５４、６０）することができる。

ｂ．車両情報（１９、２０）：この情報は、車両及びその関連する動作条件を記述するパラメータ及び動的変数を捕捉する。これは、車両の製造元、モデル、及び物理的属性を定義するパラメータを含む。これには、サイズ、重量、慣性、ホイールスパン、エンジン馬力又はバッテリ容量、サスペンション剛性及び減衰などが含まれる。これはまた、車両運動状態（位置、速度、加速、回転、ロール、ピッチ、ヨーなど）、及び車室状態（温度、光、音量など）を含む動的変数を含む。情報は、車載センサ、インフラセンサ（例えば、車両の位置、速度、加速を捕捉する、ポール／建物／高架に取り付けられた外部カメラ）、他の車両上のセンサ、及びユーザ報告データを含むことができる（ただしこれらに限定されない）様々なソースから収集することができる。

ｃ．ＰＲＥＡＣＴメカトロニクスサブシステム情報（２１、２２）：この情報は、車両サブシステム、特に、ハードウェア及びソフトウェアを含むＰＲＥＡＣＴメカトロニクスサブシステムを記述するパラメータ及び動的変数を記述する。ＰＲＥＡＣＴメカトロニクスサブシステムには、能動的シート（３）、能動的拘束（５）、能動的乗員刺激（６）、能動的生産性システム（７）などが含まれる。パラメータは、ＰＲＥＡＣＴメカトロニクスサブシステムの物理的属性（例えば、サイズ、重量、応答時間など）を含むことができ、動的変数（又は状態）は、加速、速度、及び位置を含むことができる。このデータは、すべての走行で収集することができ、データはまた、同じ車両内の同じ乗員の複数の走行にわたって比較することもできる。

ｄ．乗員情報（２３、２４）：この情報は、乗員状態を記述するパラメータ及び動的変数を捕捉する。乗員状態は、乗員の生理学的情報、乗員の身体の動き、快適性レベル、生産性レベルを指す。パラメータには、乗員の好み、乗員の体重、身長、乗り物酔いしやすさ、及び他のバイオメトリクスが含まれる。パラメータの他の例は、乗員の好みを含み、例えば、乗員が移動中のある時点で乗り物酔いを経験しているか生産性状態（例えば生産性レベル）の低下を経験しているかをインターフェースを介して示す。乗員によって着用される着用式センサ又は車室内のセンサ（例えば、撮像カメラ、動き検出器）は、様々な乗員データを決定することができる。動的変数は、乗員の生理学的状態（心拍数、発汗、血圧など）、及び乗員の動き（乗員の身体／胴体／手足／頭部の運動学及び動力学など）を含む。

上記のデータタイプは、以下のセクションで詳細に説明される。集約データは、長期計算及び集約分析に使用することができる。この分析は、機械学習、人工知能、データサイエンス、又は予測アルゴリズム及び技術の任意の組合せを活用して、そうでなければ決定することができないこの集合的なデータから洞察を生成することができる。そのような洞察を使用して、中間レベルの計算におけるアルゴリズムの設計、及び車両内のＰＲＥＡＣＴメカトロニクスサブシステムの動作を制御するアルゴリズムに通知することができる。

経路及び交通情報（図６の１７、１８）
経路及び交通情報の範囲は、交通関連情報、交通パターン、ナビゲーションルート、及び依然としてアクティブ／進行中の走行からリアルタイムで収集された過去のルート選択、運転プロファイル（加速、制動、旋回など）などの運転関連情報を含むことができる。ルートは、車両移動の出発地及び目的地と、目的地までの途中の任意の停止場所又は事象とを接続する経路として定義される。車両の経路には、交通渋滞、信号機の状態、経路に沿った道路の状態などの移動を定義するパラメータ及び変数の広範なセットとして定義される交通情報が関連付けられる。ＰＲＥＡＣＴシステムにサービスを提供するデータセンタ（３０００）は、他の車両（３２）、ユーザ報告データ（６０）、インフラセンサ（６３）、既存のアプリケーション（Ｇｏｏｇｌｅマップなど）のデータベース（６１）、衛星画像（６３）などの複数のソースからこの情報を収集する。複数のソースにわたるデータは、ＰＲＥＡＣＴアルゴリズムによって使用されるデータの信頼性及び忠実度を高めるために調整される。例えば、特定の道路区間が、過去の集約データに基づいてより高い横加速の大きさを有することが知られているが、特定のリアルタイムの走行中に経験される加速が予想よりも小さい場合、そのような不一致の原因を決定するための分析は、将来予測精度が改善されるように実行することができる。

運転関連情報は、運転行動（６５、４１）を含み、運転行動は、自律型車両の制御及び操縦（例えば、加速、制動、巡航、旋回など）に関連する「運転行動コマンド生成」アルゴリズム（２６）によって行われる将来及び現在の決定のためのありとあらゆる計画された（待ち行列に入っている）ものを指す。このデータは、走行が進行するにつれて絶えず更新され、このデータの一部又は全部を使用して、依然としてアクティブ／進行中の走行及び関連するＰＲＥＡＣＴ先取りコマンドに影響を及ぼすことができる（５０）。過去の交通情報は、様々なソースから交通情報を収集し、それを記憶して、同様のルートを採用する可能性がある車両の今後の走行についての洞察を与える、ますます増加しているデータストリームである。この情報は、中距離／長距離センサ（ＬｉＤＡＲなど）、ＩＭＵセンサ、ＧＰＳなどの車両センサを介して収集される。この情報は、様々なインフラセンサ（例えば、交通カメラ）からも収集される。さらに、車両間（Ｖ２Ｖ）、車両対インフラ（Ｖ２Ｉ）、及びインフラ対車両（Ｉ２Ｖ）通信は、所与の車両の範囲内だけでなく、車両周辺の全体的な交通及び他の物理環境のデータを収集することを可能にする。そのようなデータの収集は、静的道路構造（例えば、レーン、分離帯）並びに動的道路条件（例えば、一時的な交通コーン）の範囲で行われる。

車両情報（図６の１９、２０）
車両情報（すなわち、車両データ）は、車両の属性及び状態を定義するために使用することができるパラメータ及び動的変数を含む。この情報は、車両センサ（４６）、ユーザ報告データ（６０）、他の車両（６２）によって報告されたデータなどから得ることができる。リアルタイム車両センサ情報は、車両からリアルタイムで収集されたすべての情報及びデータを含む。車両センサは、内部及び外部の２つのタイプのものとすることができる。外部車両センサ情報は、検出された物体、道路状況、交通状況、交通／運転情報などを含み、上述したルート及び交通情報を提供する。ＬｉＤＡＲ、レーダ、カメラ（すなわち、撮像装置）などの外部車両センサを使用して、道路上の障害物、他の車両、歩行者、及びサイクリストなどの物体を検出及び識別することができる。内部車両センサは、車両加速、速度、シャーシロール、エンジン出力、制動、操舵などの車両状態を測定する。車両状態は、車両（具体的には、車両シャーシ、ドライブトレイン、及び車室）サブシステムの運動学、動き、及び動力学を含む車両状態の変化を捕捉する動的変数を指す。ＩＭＵ、加速計、エンコーダ、電位差計などのセンサを使用して、様々な車両状態を検出することができる。この情報は、運転行動コマンドの生成（２６）、並びにＰＲＥＡＣＴメカトロニクスサブシステムコマンドの生成（２８）に使用することができる。例えば、歩行者が車両の経路内で検出され、車両が応答して制動していると決定された場合、ＰＲＥＡＣＴアルゴリズムは、この情報を使用して、その様々なＰＲＥＡＣＴメカトロニクスサブシステムを使用して適切な応答を決定し、乗員の快適性を最大化し、かつ乗り物酔いを最小化することができる。

履歴車両センサ情報は、所与の車両から収集された履歴／過去のデータを含み、以前の走行からの（ＰＲＥＡＣＴを装備した、又は装備していない）他の車両からのそのようなデータを含むことができる。これは、現在の車両走行又は動作の前に収集されたデータである。現時点で具体的な現在の情報とは異なり、経時的集約車両センサ情報は、複数の車両から同時に供給され、車両間通信及びデータセンタとのネットワーク通信を介して他の車両と共有される。例えば、過去に自動車によって検出された歩行者が全く同じ位置にいる可能性は低いので、すべての経時的集約データが関連するわけではないが、交通量及び歩行者パターンなどの大規模な傾向を抽出することができる。さらに、複数の車両が、異なる時間に同じ経路又はルート上にあってもよい。例えば、車両は、ルートの区間の交通量を検出し、減速する可能性がある。リアルタイムで検出されたこの交通量情報は、データセンタに記憶される。より多くの車両がこの交通量を検出し、減速し続ける場合、この情報はデータセンタ（３５、６２）によって集約され、ルートのその区間に接近しているがまだその交通に到達していない別のＰＲＥＡＣＴ車両の行動を通知する。このように、経時的集約情報は、生データ、フィルタリング／処理されたデータ、及び潜在的なデータ分析／機械学習の傾向及び洞察の組合せである。機械学習及び他の計算は、データセンタの一部として車両に搭載されても車両外であってもよい。

ＰＲＥＡＣＴシステム情報（図６の２１、２２）
ＰＲＥＡＣＴシステム情報は、ＰＲＥＡＣＴアルゴリズム（２８～３０）、それらの出力、及びＰＲＥＡＣＴメカトロニクスサブシステム（３２）に関する情報を含む。ＰＲＥＡＣＴメカトロニクスサブシステム（３２）は、車両（現在の典型的な自動車及び様々なレベルの自律性を有する自律型車両）のありとあらゆる乗員（３３）において、（加速度病としても知られる）乗り物酔いの原因及び症状を緩和及び／又は排除するために、又は生産性を改善するために独立して又は協働するサブシステムの集合である。ＰＲＥＡＣＴアルゴリズム（２８～３０）は、リアルタイム情報の複数のソース、及びデータセンタ（４７、５１、６４）からの経時的集約情報を取り込み、乗員の好み及び乗り物酔いの原因に関する理解に関する情報を使用して、乗り物酔いを最小限に抑え、快適性を改善し、生産性を高める最適なＰＲＥＡＣＴメカトロニクス動作／コマンド（５０）を考案する。これらのコマンド信号（５０）は、ＰＲＥＡＣＴメカトロニクスサブシステムに送信され、これらの先取りコマンドは、乗員及び車両の状態のＰＲＥＡＣＴシステムの現在の理解及び予測に基づく現在及び将来のコマンドの組合せである。これらのコマンド信号（４９）はまた、経時的集約ＰＲＥＡＣＴシステムコマンド／介入データの一部になるようにデータセンタに送信される。これらのコマンド（５０）は、ＰＲＥＡＣＴメカトロニクスサブシステム（３２）によって受信される。このメカトロニクスサブシステムは、能動的シート、能動的拘束、能動的乗員刺激、能動的生産性システムなどの複数のサブシステムを含む。ＰＲＥＡＣＴシステム情報は、メカトロニクスサブシステムのセンサからのセンサ及び性能データも含む。例えば、特定の乗員について、能動的シート介入が能動的乗員刺激よりも好ましい結果をもたらすことが分かれば、ＰＲＥＡＣＴコマンド生成アルゴリズム（２８）はそれらの介入を支持する。また、複数の乗車及び複数の乗員にわたる情報を組み合わせることによって、システムは、経時的集約データを分析することによってシステムに対する最適なコマンドを学習することができる。ＰＲＥＡＣＴシステム情報は、ＰＲＥＡＣＴメカトロニクスサブシステムの動作状態を定義する任意のパラメータ及び動的変数を含む。これは、すべてのハードウェアからのセンサ情報、これらのサブシステムのすべての入出力信号を含む。

コマンド（５０）は、ここでは先取り的であるように、すなわち様々なアルゴリズム（２５、２６、２７、２８）によって行われた予測に基づいて説明されているが、場合によっては、これらのコマンドは反応性成分（例えば、純粋に予測に基づくが、リアルタイムで測定されたものにも応答するコマンド又は決定）も含むことができる。

乗員情報（図６の２３、２４）
乗員情報は、乗員状態並びに乗員パラメータ（属性、好みなどを含む）を捕捉する。乗員状態は、乗員の生理学的情報、乗員の身体の動き、乗り物酔いレベル、快適性レベル、生産性レベルを指す。パラメータは、乗員の好み、乗員の体重、身長、乗り物酔いしやすさ、生産性タスク［図７（６７）］などを含む。パラメータの他の例には、乗員が、インターフェース（例えば、ユーザ入力又はユーザインターフェース）を介して、自分が乗り物酔いしているかどうか、もしそうであればそれはどの程度なのか、又は移動中のある時点での生産性状態（例えば生産性レベル）の変化を示すことが含まれる。乗員状態は、乗員の生理学的状態、バイオインジケータ（心拍数、発汗など）、及び乗員の動き（乗員の身体／胴体の動き、移動、運動学、及び動力学など）を含む動的変数である。

リアルタイムの乗員情報（６０）は、リアルタイムで測定された時間の関数として乗員の状態を反映する移動中に収集される。センサ情報は、乗員の動き、運動学、及び動力学、並びに生理学的状態に関する情報を提供することができる。乗員動力学の運動状態は、自律型車両内の乗員の身体の運動学及び動力学を指す。生理学的センサ情報は、心拍数、呼吸数、発汗などを含む。車内カメラ（すなわち、撮像装置）は、コンピュータビジョンアルゴリズムを通じて身体セグメントの追跡を提供することができる。さらに、カメラは、コンピュータビジョン及び機械学習アルゴリズムからなる人間活動認識ソフトウェアを介して、乗員によって実行されているタスクに関する情報を提供することができる。リストバンドなどのウェアラブル装置もまた、生理学的及び動き追跡データを提供するために含まれ得る。乗員が好みを報告すると共に、経験している快適性のレベルに関する直接的なフィードバックを提供するように、乗員入力を有する能動的ディスプレイを使用することができる。コンピュータビジョンアルゴリズムによって処理されたカメラ画像データを補完して、乗員の動きの追跡を提供するために、ＩＭＵをシート及び乗員に取り付けることができる。リアルタイムの乗員の好みの情報は、乗り物酔い及び生産性に影響を及ぼすＰＲＥＡＣＴメカトロニクスサブシステム行動に関する乗員の好みに関するリアルタイムデータを含む。

この上記の情報は、乗員の生産性状態を評価するために使用することもできる。生産性評価は、データセンタ（３０００、６４）から、乗員（３３、６０）から直接、及びＰＲＥＡＣＴメカトロニクスサブシステム（３２、５４）からのリアルタイム及び履歴情報を使用して、乗員モデル（３０）（すなわち、ＰＲＥＡＣＴ予測アルゴリズム）によって行われる乗員の生産性状態の定性的又は定量的評価を指す。この評価を達成するために、システムは、生産性インターフェースハードウェア及びソフトウェア、乗員センサ、車室センサ、又はそれらの何らかの組合せを使用することができる。例には、タスクを識別し、タイピング速度を測定し、１分あたりに読み取られるページの測定などが可能なカメラが含まれる。評価データ（乗員情報データタイプの一部である）を使用して、適切な生産性向上及び乗り物酔い緩和戦略を決定することができる。生産性は乗り物酔いと逆相関するが、タスクを実行する能力の向上などの他の要因も含む。例としては、車内座席を再配置する機能、ＶＲシステム、インタラクティブディスプレイなどが挙げられる。異なる生産的タスクには異なるタイプ及び強度の介入が必要となり得る。生産的タスクは、書く、読む、タイピング、及びそれらの何らかの組合せを含むことができる。さらに、生産的タスクは、睡眠、瞑想などの穏やかな活動も含むことができる。そのような生産的タスクは、個人向けのタスクだけでなく、とりわけ、ビジネス会議、対話型ゲームプレイなどの他の車両乗員との対話型タスクも含む。タスクＩＤ（６７）は、固有の生産的タスクに割り当てられた固有の識別子であり、どの生産的タスクが実行されているかのこの決定は、サブシステムのセンサ又はユーザ入力によって行うことができる。複数の車両及び走行にわたるすべての過去の走行の集約データの分析を通じて、乗員プロファイルの傾向を推測し、好み及びセンサ情報に基づいてそれらを分類することが可能である。これにより、システムは、特定の乗員情報を追跡するだけでなく、乗り物酔いしやすさに関して同じ人口動態を共有する乗員全体のデータ傾向を収集することができる。これにより、類似の特性を共有する他の乗員の中の個人向けの乗員プロファイル及び傾向の作成が可能になる。したがって、乗り物酔い軽減対策は、乗員の快適性が最適化されるように調整することができる。

車両は従来の運転者駆動車両とすることができるので、乗員情報（乗員状態）の追加の構成要素は、１人又は複数の乗員が従来方式で駆動されるＰＲＥＡＣＴ車両の運転者（運転乗員）であるときの１人又は複数の乗員の運転スタイル及び好みを含むことができる。運転乗員は、所与のルートに対する車両の特定のタイミング、速度、及び操舵量を含むことができる、車両を操舵する独自のスタイルを有することができる。例えば、右折するとき、ある運転者は、車輪を遅めに速く回転させ始める別の運転者とは対照的に、車輪をゆっくりと早くから回転させ始めることを望むかもしれない。運転者は、ルートをナビゲートするときに、加速及び制動のタイミング、速度、及び量を含むことができる、車両を加速及び制動する独自のスタイルを有することができる。例えば、運転者は、旋回終わりに加速したり、別の運転者よりも速い速度で完全に停止したりする可能性がある。さらに、運転乗員は、より激しくブレーキをかける（すなわち、より短期間で、より高い制動量で、遅めにブレーキをかける）運転乗員よりも早く、遅い速度でブレーキをかける可能性がある。運転スタイルはまた、車両安定性管理、車両静止摩擦制御、車両サスペンション剛性などの好みなどの車両設定を含むことができる。例えば、運転乗員の運転スタイルは、より硬い車両サスペンション及び／又はより激しい静止摩擦制御に対する好みを含むことができる。

車両アルゴリズム－中間レベル計算（２０００）
車両アルゴリズムは、ＰＲＥＡＣＴシステムを装備した車両の計算アーキテクチャの中間レベルを形成する。中間レベルの計算は、ルート及びナビゲーション予測（２５）、及び車両モデル（２７）などの予測アルゴリズムを含む。それはまた、運転行動コマンド生成（２６）などのコマンド生成アルゴリズムを含む。中間レベルの計算は、ＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）及び乗員モデル（３０）などのＰＲＥＡＣＴ予測アルゴリズムを含む。また、これは、ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成（２８）アルゴリズムなどのＰＲＥＡＣＴ先取りアルゴリズム（又は同等のＰＲＥＡＣＴコマンド生成アルゴリズム）を含む。コマンド生成（ＰＲＥＡＣＴ先取りを含む）アルゴリズムは、様々な車両サブシステムの低レベル計算／制御に送信される最適なコマンド（４２、５０）を生成する意思決定アルゴリズムである。意思決定及びコマンド生成機能は、意思決定がコマンド生成につながるという点で類似している。例えば、運転行動コマンド生成（２６）アルゴリズムは、車を旋回させる決定を行い、車を旋回させるための対応するコマンドを生成することができる。これらのコマンドは、即時／現在及び将来のコマンド（又は予測されたコマンド又は単に予測）の両方を含み、これらのコマンドは、新しい情報及び新しい予測でリアルタイムで常に更新される。意思決定アルゴリズムに加えて、中間レベルの計算はまた、ルート及びナビゲーションを予測するための交通及びナビゲーションモデル（２５）、車両モデル（２７）、ＰＲＥＡＣＴメカトロニクスシステムモデル（２９）、及び乗員モデル（３０）などの物理システムのモデルを表す予測アルゴリズムを含む。これらの予測アルゴリズム又はモデルは、意思決定アルゴリズム（２６、２８）によって生成されたコマンドを実行するときの物理システムの挙動を予測し、これらのコマンドは、即時又は現在及び将来の予測コマンドを含む。例えば、運転行動コマンド生成アルゴリズム（２６）によって生成されたコマンドに基づいて、車両モデル（２７）は、アルゴリズム（２６）によって生成されたコマンドに起因する車両の状態及び挙動を予測することができる。

予測は、将来何が起こるかについて事前に（確率的又は決定論的に）予測することとして定義され、予測は、時間領域で行われる予測である推定又は予想を含む。予測アルゴリズムは、それらの予測を可能な限り現実に近づけることを試み、それらの予測及びコマンド生成能力を改善するためにすべての利用可能なデータを使用する。推定は、アルゴリズム又はモデルのパラメータ、設定などを推定するために履歴データ及び新しい情報を使用することとして定義される。推定は、一般に、過去の推定に関連付けられる。パラメータは常に更新され（３７、４０、４３、４７、５１、６４）、収集された新しいデータごとに、意思決定アルゴリズム及びモデルパラメータは、これらのアルゴリズム及びモデルの予測が可能な限り現実に近くなるように反復的に改善及び修正される。

これらのアルゴリズム及び計算は、ＰＲＥＡＣＴ車両に搭載して、又は計算サーバ、コンピュータ、及び他のＰＲＥＡＣＴ車両などの車両外で行うことができ、情報をＰＲＥＡＣＴ車両に通信することができる。中間レベルの計算は、モデル推定及び予測が可能な限り正確かつ正確になるように、システムアーキテクチャの他のレベル（データセンタ及び／又は車両サブシステム）と常時通信している。中間レベル計算の物理モデル（すなわち、予測及びＰＲＥＡＣＴ予測アルゴリズム）は、以下のように記述される。

ａ．車両モデル（２７）：これは、ＰＲＥＡＣＴシステムが設置された車両のモデルである。モデルは、予測されるルート上の予想される運転行動に対する車両状態を推定するために使用される。車両状態を推定することにより、車両運動の予測及び乗員状態へのその影響を推定することができる。モデルパラメータのセットを有する特定の車について、システムは、車両の予想される運転行動を考慮して、車が環境条件とどのように相互作用するかをシミュレートすることができる。このモデルに関連する動的変数は、データセンタ（４３）から、及び／又は車両（４６）に設置されたセンサから、及び／又はユーザ入力（６０）から直接受信される。

ｂ．ＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）：これは、車両（３１）に設置されたＰＲＥＡＣＴメカトロニクスサブシステム（３２）のモデルである。このモデルは、能動的シート、能動的拘束、能動的乗員刺激、及び能動的生産性インターフェース（ハードウェア及びソフトウェアを含むメカトロニクスサブシステム）などのＰＲＥＡＣＴメカトロニクスサブシステムの動作、並びに乗員及び車両へのそれらの影響（これもモデル化されている）をシミュレートするために使用される。このモデルは、データセンタから、又は車両に設置されたセンサから、又はユーザ入力から直接受信される関連するモデルパラメータ及び動的変数を含む。

ｃ．乗員モデル（３０）：これは、ＰＲＥＡＣＴ装備車両（３１）に座った乗員（３３）のモデルである。モデルは、乗員の生体力学及び動き（例えば、胴体、手足、頭部の動き、視線の追跡など）、並びに生理学的状態（例えば、心拍数、感情状態、乗り物酔い状態、発汗、快適性など）を推定するために使用される。モデルパラメータは、ユーザ入力（６０）、車両内のセンサ（４６）、及びデータセンタ（６４）に記憶され得る任意の乗員プロファイル情報から取得される。

ｄ．ルート及びナビゲーション予測（２５）：このアルゴリズムは、移動の起点と移動の目的地とを結ぶルート（又は潜在的なルートのセット）を予測する。乗り物酔い及び生産性に対する乗員の好み、並びに車両の燃料／エネルギー消費量は、ルートごとに推定され、所与のルートが許容可能であるかどうかを決定するために使用される。さらに、データセンタから利用可能な情報を使用して、アルゴリズムは、交通状況、並びにルート及び道路状況（例えば、建設、悪路、安全上の危険など）を予測することができる。

中間レベル計算の意思決定／コマンド生成アルゴリズムは、以下のように説明される。
ａ．車両運転行動コマンド生成（２６）：このアルゴリズムは、所与のルート、交通状況、及び道路状況をナビゲートするために車両が取るであろう行動を決定するために使用される（それが自律型車両であるか、又は運転者による過去の行動に基づいて予測される場合）。さらに、このアルゴリズムは、運転行動を決定及び改良するために、乗員の好み（例えば、加速及び／又は旋回の激しさ）及び車両状態（例えば、燃料／エネルギー状態、乗員数など）を考慮することができる。

ｂ．ＰＲＥＡＣＴメカトロニクスサブシステムのコマンド生成（２８）：このアルゴリズムは、データセンタからの情報、ユーザ入力、及び上記のモデル及びコントローラによる予測状態を使用して、現在の動作中に先取り（又はフィードフォワード）で、ＰＲＥＡＣＴメカトロニクスサブシステム（５０）によって直ちに実行できる最適な動作又は介入を決定する。これらの動作は日常的に行われている。

上記のアルゴリズムは、以下のセクションで詳細に説明される。
ルート及びナビゲーション予測（２５）
ルート及びナビゲーション予測は、走行の開始点と終了点とを接続する経路の選択を指す。システムは、車両のための複数の潜在的なルートを生成するために、入力された開始点／終了点及び車両環境に関する任意の利用可能な情報（３７）を使用する。乗員（３３）は、自身のパーソナル電子デバイス及び／又は車両内の任意のインターフェースを使用して、ＰＲＥＡＣＴシステム（６０）に関連情報を伝えることができる。データセンタは、この情報（１７、１８）を記録し、車両情報及び乗員情報を含み得る他の情報に加えて、これ（３７）をルート及びナビゲーションコマンド生成（２５）に送信する。アルゴリズムは、走行の開始点と終了点とを接続する複数のルートオプションを生成し、明示的な終了点が定義されていない場合、アルゴリズムは、データセンタからの経時的集約データ（１７、１９、２１、２３）に基づいて目的地の予測を試みることができる。可能な経路のセットが識別されると、それらは、目的地に到達するまでの時間、燃料／エネルギー消費量、並びに予想される車両及び乗員状態を含む（ただしこれらに限定されない）複数の要因を使用して評価される。評価に基づいて、最も最適なルートが予測され、ルート及び運転行動（４２）を車両運転及び操舵サブシステム（３１Ａ）に送信する運転行動コマンド生成（２６）に送信される（３８）。ルート情報の他の例には、距離、走行時間、道路／経路のタイプ、信号機及び停止標識の位置などが含まれる。移動の開始点と終了点とを接続したルートに加えて、このアルゴリズムはまた、データセンタからの情報（３７）に基づいて、アルゴリズムが交通状況を予測することを可能にするナビゲーション情報を決定する。他のナビゲーション情報は、道路閉鎖、道路状況、交通密度、信号状況などを含む。走行中の任意の時点でルートが変更された場合、このシーケンスは新しい開始点及び終了点に対して繰り返される。すべての更新された情報は、運転行動コマンド生成（２６）アルゴリズム及びデータセンタ（３９）に送信される（３８）。このアルゴリズムによる予測は、反応的かつ先取り的であり、リアルタイムの予測ルート及び将来の予測ルートを含む。

運転行動コマンド生成（図６の２６）
運転行動コマンドは、（２５）によって識別されるルートをナビゲートしている間に自律型車両が取る行動を指す。車両が所与のルートを操縦することができる複数の方法がある。例えば、乗員の好みに基づいて、車両は、より緩やかに又は激しくブレーキをかけ、より高速又は低速で旋回することを選択することができる。運転行動は、乗員の好み、車両、及びＰＲＥＡＣＴシステム情報（４０）に依存し、アルゴリズムによって生成された任意の運転行動コマンドは、データセンタ（４１）に送信され、車両運転サブシステム（４２）に送信される。運転行動は、エネルギー消費及び利用可能なエネルギー、ルート及びナビゲーション、並びに乗員の乗り物酔い及び生産性状態（すなわち、生産性情報）を考慮するためにアルゴリズムによって最適化される。乗員（３３）が生産的なタスクに従事している場合、乗員（３３）はこの情報をデータセンタ（６０）に伝えることができ、又はＰＲＥＡＣＴメカトロニクスサブシステム（５４）によって決定されるように、データセンタを乗員の生産性情報で更新することができる。データセンタは、この情報（４０）を運転行動コマンド生成（２６）に送信して、乗員（３３）の生産性を低下させず、乗り物酔いを軽減する、生成されるコマンドに影響を与える。例えば、旋回前に車線変更を行うことで、旋回による乗り物酔いが軽減されることが予想される場合には、車線変更の運転行動を生成して車両に送信することができる。このアルゴリズムは常に実行され、そのコマンドは新しい情報で常に更新される。このアルゴリズムによって生成されたコマンドは、反応的かつ先取り的（又は予測されるルート及びナビゲーションコマンド）である。

車両モデル（図６の２７）
車両のモデルは、特定のルート（３８）に対する所与の運転行動コマンド（６５）に対する車両状態を予測するために使用される。モデルは、車両の動的挙動、そのエネルギー消費量、及び車両に座っている乗員（及びそれによって乗員状態）に対するその影響を含む車両状態を予測するために使用される。モデルは、決定論的及び／又は確率的であり得、特定の車のモデルパラメータのセットを含む。モデルの目標は、所与の車両の車両状態を正確に予測することであり、モデルパラメータは、データセンタからの新しい情報を使用して継続的に推定及び改善される（４３）。車両パラメータの例は、とりわけ、サスペンション剛性、モータ出力、車両重量、リアルタイム車両状態、及び履歴車両情報を含む。モデル予測車両状態は、データセンタ（４５）に送信され、車両運転サブシステム（４６）からの実際のセンサ情報と比較され、この比較に基づいて、更新されたモデルパラメータが推定され、車両モデルアルゴリズム（４３）に送信される。このアルゴリズムは、常に連続的に計算を実行し、その予測は新しい情報で更新される。

ＰＲＥＡＣＴメカトロニクスサブシステムのコマンド生成（図６の２８）
このアルゴリズムは、ＰＲＥＡＣＴメカトロニクスサブシステムが乗り物酔いを軽減し、乗員の生産性を高めるために機能することができる行動である、ＰＲＥＡＣＴメカトロニクスサブシステムコマンドである。車両の予想される動き（すなわち、予測車両状態）（４４）、データセンタからのすべてのリアルタイム及び履歴情報（４７）、車両及び車両運転サブシステムのリアルタイムの動き（５６）、並びに乗員の好み、入力、及びプロファイル（６０）を含む複数の要因が、このアルゴリズムの性能に影響を及ぼす。例えば、旋回に起因する慣性力を打ち消すためにシートを傾けることは、乗り物酔いを低減することが先験的に知られているので、この情報は、乗り物酔いが予想されるときに能動的シートに命令するために使用することができる。しかしながら、傾斜、タイミング、及び他の要因の正確な性質を予測し、特定の乗員の個々の要件に合わせてカスタマイズすることができる。アルゴリズムは、リアルタイムで将来の予測（将来に対する先取り動作）であるコマンドを生成する。アルゴリズムによって生成されたコマンドは、ＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）によってモデル化され、乗員に対するそれらの予想される影響は、乗員モデル（３０）によってモデル化される。コマンドは、必要及び利用可能なエネルギー量、並びに乗員プロファイル及び好みを含む複数の要因に基づいて最適化される。ＰＲＥＡＣＴメカトロニクスサブシステムのコマンドに関する任意の情報がデータセンタ（４９）に送信され、データセンタ（５４）に送信されたＰＲＥＡＣＴメカトロニクスサブシステム（３２）からの情報及び乗員入力（６０）と組み合わされて、アルゴリズム及びその予測が改善される。すべての更新された情報は、ＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）、データセンタ（４９）に送信され（４８）、ＰＲＥＡＣＴメカトロニクスサブシステム（３２）に送信される（５０）。このアルゴリズムによって生成されたコマンドは、リアルタイム及び将来の予想されるコマンドの両方で、反応的かつ先取り的（又は予測されるルート及びナビゲーションコマンド）である。

ＰＲＥＡＣＴメカトロニクスサブシステムモデル（図６の２９）
ＰＲＥＡＣＴメカトロニクスサブシステムモデルは、能動的シート、能動的拘束、能動的乗員刺激、及び能動的生産性インターフェースを含む物理的なＰＲＥＡＣＴメカトロニクスサブシステムをモデル化するアルゴリズムである。これらのシステムの各々の動的モデル及びそれらがどのように相互作用するかを作成することによって、一連の運転行動が与えられた走行中の任意の時点におけるＰＲＥＡＣＴハードウェアの状態を予測することが可能である。モデルは、決定論的及び／又は確率的であり得、特定のＰＲＥＡＣＴメカトロニクスサブシステム実装のモデルパラメータのセットを含む。モデルの目標は、所与の車両のＰＲＥＡＣＴメカトロニクスサブシステム状態を正確に予測することであり、モデルパラメータは、データセンタ、及び実際のＰＲＥＡＣＴメカトロニクスサブシステム（５４）からの新しい情報を使用して継続的に推定及び改善される（４７）。これらのモデルは、とりわけ、能動的シートサスペンション剛性、車室照明配置、能動的拘束構成などのメカトロニクスサブシステムのパラメータによって通知される。ＰＲＥＡＣＴメカトロニクスサブシステムの行動は、乗員運動力学（能動的シート及び拘束）、車室状態（温度、照明及び表示）、及び能動的乗員力学（触覚及び表示）を修正するためにターゲットにすることができる。このプロセスは、すべての予想される運転行動に対して最適なＰＲＥＡＣＴメカトロニクスサブシステム行動を見つけるために、常に継続的に行われる。このアルゴリズムは、常に連続的に計算を実行し、その予測は新しい情報で更新される。

乗員モデル（図６の３０）
乗員のモデルは、データセンタ（６４）からの情報を用いて所与のＰＲＥＡＣＴメカトロニクスサブシステムコマンド（５２）のための乗員状態を予測するために使用される。モデルは、決定論的及び／又は確率的であり得、特定の乗員のモデルパラメータのセットを含む。乗員パラメータは、性別、年齢、体重、身長、乗り物酔いしやすさ、生産性の好みなどを含む。乗員動的変数は、乗員の運動状態（頭部の位置及び向き）、実行されているタスク、乗員の乗り物酔い状態などを含む。乗員運動力学は、生体力学モデルを使用して計算される。推定された乗員の動きは、乗り物酔い推定モデル及び生産性評価モデルへの入力として使用することができる。このプロセスは、すべての予想される運転行動に対する乗員状態を見つけるために連続的に行われる。データセンタ（６４）からのデータ及び中間レベルの計算（５２）における他のアルゴリズムからのデータに加えて、ＰＲＥＡＣＴメカトロニクスサブシステム（５７）及び乗員（６０）のリアルタイム情報を使用して、モデルを最適化し、その予測が可能な限り現実に近いことを保証する。このアルゴリズムは、常に連続的に計算を実行し、その予測は新しい情報で更新される。推定された乗員状態及びモデル入力は、データセンタ（５５）に継続的に送信される。

低レベル計算（１０００）
図６の計算アーキテクチャの低レベル（１０００）には、いくつかの車両サブシステムが存在する。これらの車両サブシステムは、車両運転サブシステム（３１Ａ）、他の車両サブシステム（３１Ｂ）、及びＰＲＥＡＣＴメカトロニクスサブシステム（３２）を含む。これらの車両サブシステム内で行われる計算及びこれらの車両サブシステムのレベルは、図６の計算アーキテクチャ内の低レベル（１０００）計算を表す。ＰＲＥＡＣＴメカトロニクスサブシステムを含む車両サブシステムの一部であり、車両サブシステムデータ（状態を含む）を測定する様々なセンサがある。これらの測定値は、ＰＲＥＡＣＴメカトロニクスサブシステムの低レベル制御／計算に使用される。このデータ／情報はまた、意思決定及びデータ記憶のために中間（５６、５７）及び高（４６、５４、６０）レベルの計算にも送信される。乗員に関するデータは、乗員の状態を追跡するウェアラブルセンサ又は車両内の他のセンサ（例えば、カメラ、動き検出器、近接センサ、非接触温度計）によって収集される。低レベルの計算からのリアルタイムデータはまた、中間レベルの計算におけるアルゴリズムを改善して予測精度を確保するために使用される。ＰＲＥＡＣＴメカトロニクスサブシステムについては、以下で詳細に説明する。

ａ．能動的拘束（５、図４）：能動的拘束は、乗員が車両シート（能動的シート）に対して相対運動しないように乗員を拘束するメカトロニクスサブシステムである。この機能は、拘束具の長さを変更すること、又は乗員に加えられる拘束力を変化させる何らかの他の手段を必要とする。能動的拘束には、能動的拘束の運動状態を測定するセンサが装備される。

ｂ．能動的シート（３、図４）：能動的シートは、車両のシャーシに対する車両シートの動きを可能にするメカトロニクスサブシステムである。この動きは、回転、並進、又は上記の任意の組合せを含むことができる。能動的シートの動きは、中間レベルの計算アルゴリズム及びユーザ入力によって制御される。能動的シートには、能動的シートの運動状態（例えば、回転角、角速度、加速、位置）を測定するセンサ（例えば、ＩＭＵ、エンコーダ）が装備される。

ｃ．能動的乗員刺激（６、図４）：乗員は、乗員の所定の行動又は動きをトリガする特定の刺激を与えられることができ、乗員の能動的な行動をトリガするこれらの刺激は、能動的な乗員刺激である。刺激は、音声、光、及び触覚（例えば、触覚、振動、一吹きの空気など）の形態であり得る。これらは、特定の乗員の好みに合わせてカスタマイズすることができる。

ｄ．能動的生産性インターフェース（７、図４）：生産性インターフェースは、ディスプレイスクリーン、タッチスクリーン、キーボード若しくは対話ボタン、能動的テーブル若しくは作業面、又はそれらの何らかの組合せを含む。タスクＩＤに基づいて、システムは、乗員の生産性を高め、タスクの実行を支援するために生産性インターフェースのすべて又はいくつかの組合せを起動する決定を行う。

ＰＲＥＡＣＴメカトロニクスサブシステムに加えて、ＰＲＥＡＣＴ先取りアルゴリズム（図４の１０Ｂ、図６の２８）は、制御可能な任意の車両サブシステムにも影響を及ぼす可能性があり、以前に識別された任意の車両運転（３１Ａ）及びＰＲＥＡＣＴメカトロニクスサブシステム（３２）に限定されない。例えば、中間レベルの計算は、車室環境（７１、図７）を（反応的かつ先取り的に）命令及び制御することができる。車室環境（７１、図７）は、車両の空調、照明、及び音声構成要素を含む。温度、空気流、照明の量及び方向、並びに音及び音楽の種類は、乗員の快適性及び生産性に影響を与える可能性がある。車室環境（７１、図７）は、アーキテクチャの低レベル計算内の他のすべての車両サブシステムと協調して制御することができる。ＰＲＥＡＣＴ先取りアルゴリズム（１０Ｂ）又はＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成アルゴリズム（２８）は、現在車両に存在するか又は後で追加され得る任意の車両サブシステムを（反応的かつ先取り的に）制御することが考えられる。例えば、車両が製造された後に、新しい車両サブシステム（７３、図７）が発明されるか、又は（例えば、アフターマーケット追加として）車両に追加される場合、この車両サブシステムは、ＰＲＥＡＣＴアルゴリズムによって制御することができる。ＰＲＥＡＣＴメカトロニクスサブシステムについては、以下で詳細に説明する。

能動的拘束（図４の５）
能動的拘束サブシステムは、乗員を車両座席（例えば、能動的シート）に拘束するメカトロニクスサブシステムである。拘束の種類は様々であり、多点、３点、ラップ拘束、又はそれらの何らかの組合せであり得る。拘束ストラップはアクチュエータに取り付けられ、アクチュエータは、ストラップの長さを変えることによって制御されて、拘束の張力（すなわち、拘束力）を調節することができる。拘束力を調節することにより、乗員を旋回の方向に傾けることができ、あるいは車両が制動しているときに座席に向かって傾けることができる。乗員の傾斜には、乗員の胴体、頭部、首、又は他の手足の傾斜が含まれる。能動的拘束は、ストラップの位置及び張力（すなわち、拘束力）を追跡するセンサを使用してもよい。さらに、乗員の好み及び入力は、個々の快適性、生産性、及び乗り物酔いのニーズを満たすために能動的拘束の挙動を制御することができる。乗員入力及び能動的拘束センサからのデータは、データセンタ（５４）に送信され、中間レベルの制御アルゴリズムによって使用される。能動的拘束パラメータは、アンカーポイントの数及び位置、アクチュエータのパワー、拘束具（例えばストラップ）の幅及び剛性などを含む。能動的拘束動的変数は、拘束具の長さ、拘束具の張力、拘束ラッチの状態などを含む。

この能動的拘束は、様々な硬質又は軟質又はハイブリッドのブレース、拘束具、ハーネス、及びシートベルトを含むことができる。前向き乗員用のマルチアンカーポイントハーネス（すなわち、シートベルト）の一例を図８に示す。端部Ａ１、Ａ２、Ｂ１、Ｂ２はすべて能動的であり、すなわち、適切なアクチュエータを介して座席に引き込まれ、それによってシートベルトの特定の部分を選択的に締め付けることができる。一例では、車両が制動する（すなわち、減速する）と、区分Ａ１及びＡ２は、先行して作動され／作動され／引き込まれ、それによって、車両が実際に減速するときに起こる前方ランジ運動を見越して区分Ａ１及びＡ２を押さえることによって乗員を支える。あるいは、車両が右折すると予測される場合、能動的拘束システムのシートベルト区分Ａ２及びＢ２は、先行して作動され／作動され／引き込まれ、遠心効果によって乗員が旋回方向から押し退けられることを見越して、乗員を旋回方向に引き込むか又は拘束して、その影響を軽減する。

能動的拘束サブシステムの追加要素は、加速又は減速事象を見越して乗員の頭部／首を一方向又は他方に先取り的に付勢することができる能動的特徴を有する頸部支持又はヘッドレストを含むことができる。

能動的シート（図４の３）
能動的シートは、車両の乗員（３３）が着座又は支持される車両シートである。能動的シートは、シートと車両のシャーシとの間の相対的な動きを提供する。この動きは、回転（例えば、ピッチ、ロール、ヨー）、並進（例えば、倒れ、揺れ、サージ）、又はそれらの何らかの組合せを含むことができる。能動的シート及び能動的拘束は、乗員が快適に拘束されて能動的シートに着座し、乗員が自身とシートとの間に著しい相対運動を有しないように、互いに適合する。能動的シートの動きは、アクチュエータ（例えば、モータ、空気圧、油圧など）によって制御され、センサ（例えば、エンコーダ、ＩＭＵ、力及びトルクセンサなど）によって測定され得る。能動的シートの動きは、中間レベルの計算アルゴリズムからのコマンドによって起動され、低レベルの計算によって制御され得る（すなわち、続くコマンド）。乗員情報、具体的には乗員の好みの一部として、乗員は能動的シートの動きの強度を選択することができる。それらの好みに応じて、ＰＲＥＡＣＴ先取りアルゴリズムは、能動的シートに送信される先取りコマンド（５０）の動き、速度、加速などの範囲を低減又は増加させることができる。能動的シートのセンサからのデータは、何らかのネットワーク通信を介してデータセンタに送信される。能動的シートはまた、会議、議論、及び／又は他の生産的活動のために車両内の乗員が互いに向き合うことができるように移動することができる。能動的シートは、任意の生理学的情報及び動き情報を含む乗員状態を測定する埋め込みセンサを含むことができる。能動的シートパラメータは、シートの長さ、高さ、幅、能動的シートの動きの範囲、アクチュエータのタイプ及びパワーなどを含む。能動的シートの動的変数（すなわち、状態）は、倒れ、傾き又は任意の他の動きの量、動きの速度及び加速、並びにセンサによって測定される任意の情報を含む。

能動的乗員刺激（図４の６）
乗員は、乗員の望ましい行動又は動きをトリガする特定の刺激を与えられることができ、乗員の能動的な行動をトリガするこれらの刺激は、能動的な乗員刺激である。刺激は、音声、光、及び触覚（例えば、触覚、振動、一吹きの空気など）の形態であり得る。刺激は、単一のタイプ又は刺激オプションの組合せであり得る。能動的乗員刺激の特定の組合せは、乗員情報（例えば、乗員の感受性、敏感さ、又は好み）に基づいて各乗員のために「ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成」アルゴリズム（２８）によってカスタマイズされてもよい。

音声刺激は、車室内の音声構成要素（例えば、専用スピーカ及び／又は車両エンタメシステムのスピーカ）及び乗員パーソナルデバイス（例えば、ラップトップ、スマートフォン、スマートウォッチ、タブレットなど）によって提供され得る。音声刺激は、異なる種類の音（例えば、ビープ音又はさえずりなど）及び／又はメロディ及び音楽であってもよい。音声刺激の目的は、乗員の望ましい応答をトリガすることである。例えば、車両が右折しようとしている場合、車室の右側のスピーカがビープ音を鳴らすことで、乗員は音の方向に頭を向けることができる。別の例では、車両が左折しようとしている場合、乗員は、旋回の方向に（例えば、自身の頭部、胴体、身体、又は他の手足を）傾けることができる。光刺激は、車室内のライト及びディスプレイ構成要素、並びに乗員のパーソナルデバイスによって提供され得る。光刺激の目的は、乗員の予測可能／望ましい反応をトリガすることである。例えば、車両が停止しようとしている場合、車両内のライトは、車両が減速していると乗員が解釈することができる赤色に点滅し、その情報を使用して自身を支えることができる。触覚刺激は、能動的シート、能動的拘束、乗員のパーソナルデバイス、乗員の衣服／衣装（例えば、ネックカラー、ヘッドバンド、リストバンドなど）に埋め込まれたデバイスによって、又は車室内の専用の触覚デバイスによって提供され得る。例えば、車両が左折しようとしている場合、能動的シートの触覚デバイスは、乗員の左脚によって感知され得る振動をトリガすることができ、この振動は、左折する車両に備えるように乗員によって解釈され得る。触覚デバイスに加えて、指向性の空気の一吹きを送ることによって空調によって感覚刺激を提供することができる。能動的乗員刺激の動作、乗員の応答及び好み、並びに任意の関連するセンサ情報は、中間レベルの制御アルゴリズム及びデータセンタに送信され、将来の動作に影響を及ぼす。

能動的生産性インターフェース（図４の７）
能動的生産性インターフェースは、ＰＲＥＡＣＴシステムの他の能動的サブシステム部分と組み合わせて機能する。タスクＩＤ（６７、図７）が能動的生産性インターフェースをトリガするタスクを実行していることをシステムが決定するか、乗員が示すとき。例えば、乗員が本を読んでいる場合、システム又は乗員自身は、彼らがこの活動を行っていることを示すことができ、システムは、そのタスクＩＤ（６７、図７）を介してタスクを認識し、能動的生産性インターフェースの適切な行動をトリガする。特定のタスクＩＤ（６７、図７）については、能動的シート、能動的拘束、能動的車室環境、及び能動的乗員刺激介入のみがトリガされるが、生産的なタスクを実行する乗員に対応する他のタスクＩＤについては、能動的生産性インターフェースもトリガされ得る。一実施形態では、生産性インターフェースは、以下の構成要素から構成することができる。（１）能動的ディスプレイ、（２）能動的作業面、及び（３）能動的ユーザ入力／キーボード（図９）。能動的ディスプレイは、生産的活動を行うために乗員が使用するディスプレイである。ディスプレイ位置（及び動き）は、乗員（６０）及び／又はＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成（２８）によって制御することができる（３３）。このディスプレイは、ユーザ入力と情報表示の両方に使用できるタッチスクリーンであるなど、複数の役割を果たすことができる。ディスプレイは、乗員が車両の動きにもかかわらず生産的活動に関与し続けることができるように、能動的に動くことができる（すなわち、命令／制御される）。また、乗員が車室内を移動する場合、能動的ディスプレイは、乗員が容易にアクセスできるようにそれ自体を再配向することができる。車室内のセンサ（カメラを含む）は、乗員の向き及び視線を決定し、それを使用して能動的ディスプレイを再配置することができる。能動的作業面は、乗員が書き物をしているか、スケッチをしているか、又は、乗員が車両の内部に座ったままテーブルに手をもたれさせることを必要とする任意の活動を行っている場合に、乗員が使用することができるテーブル状の装置である。作業面は、ユーザ入力及び能動的ディスプレイ構成要素と適合する。これは、それらの構成要素の一方又は両方に物理的に取り付けられてもよい。作業面は、乗員が車両の動きにもかかわらず生産的活動に関与し続けることができるように、能動的に動くことができる（すなわち、命令／制御／調整される）。ユーザ入力は、ボタン、タッチスクリーン、スケッチパッド、又は乗員が何らかの意図又は動作をコンピュータに伝えることを可能にする任意の他のタイプのユーザ入力装置を有するキーボードタイプのデバイスである。能動的生産性インターフェースの動作、及び構成要素に関連する任意のセンサデータは、中間レベルの制御アルゴリズム及びデータセンタに送信され、将来の動作に影響を及ぼす。能動的生産性インターフェースのパラメータは、ディスプレイ、作業面、ユーザインターフェース／キーボード、ディスプレイ、作業面の動きの範囲などの物理的寸法を含む。能動的生産性インターフェースの動的変数は、ディスプレイ、作業面、及びキーボードの実際の動き（位置、速度）、ディスプレイの表示状態（明るさ、色）、キーボード／ユーザインターフェース状態などを含む。

車室環境（図７の７１）
能動的車室環境は、乗員が着座している車室の環境を指す。車室環境は、暖房及び空調、照明及び視覚ディスプレイ、並びに車両の音声構成要素を含む車室の雰囲気を構成する複数の要因を含む。上記を能動的に制御及び調整することにより、乗員の快適性、生産性、及び乗り物酔いに影響を及ぼすことができる。

暖房及び空調システムは、空気の温度、空気流の方向、及び空気流の速度を変化させることによって、車室内の温度を制御するのに役立つ。さらに、空調システムは、空気流に香りを導入して、心地よい香りを作り出すこともできる。空気を濾過して、空気からの粒子及び他の異物を低減して清浄化することもできる。照明及び視覚表示システムは、乗員のための情報を表示し、周囲照明を制御するのに役立つ。照明量は、どのライトを点灯するかを変えることによって、及びライトの強度を制御することによって制御することができる。ディスプレイは、乗員に関連情報を提供するために使用することができる。乗員が利用可能であり得るライトの量及び情報は、乗員の快適性及び生産性に影響を及ぼす可能性がある。音声システムは、車室の音及び聴覚環境を制御する。これは、音の種類及び音量を含むことができる。これには、音楽及び他の音を再生するエンタメシステム並びに乗員のパーソナルデバイス（例えば、ラップトップ、スマートフォン、スマートウォッチ、タブレットなど）も含まれる。システムは、無線ネットワーク通信（例えば、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣなど）又は有線接続を介してパーソナルデバイスと接続及び通信することによって、車両内のライト、ディスプレイ、及び音声デバイス、並びに乗員に属するパーソナル電子デバイス（例えば、ラップトップ、タブレット、スマートフォンなど）を活用することができる。能動的車室環境の動作条件は、データセンタに送信されて、将来の使用のために記憶されることができる。

動作中のＰＲＥＡＣＴシステム記述
ここで、車両で動作している間の（すべての計算レベルにおける）ＰＲＥＡＣＴシステムについて説明する。この説明は、ＰＲＥＡＣＴアーキテクチャの様々なレベルの計算の動作及び機能と、それらがどのように一緒になって乗り物酔いを軽減し、乗員の生産性を高めるかを組み合わせる。詳細な説明は時系列で提示され、３つの段階に分けられる。（１）移動が始まる前及び車両が動く前、（２）移動中、移動の開始後及びその終了前の任意の時点、及び（３）移動が終了し、車両が移動を停止した後。この説明は、自律型車両（ＡＶ）の文脈で提示されているが、手動で運転され得る、又は任意の様々なレベルの自律性を有し得る任意の旅客地上車両に関連する。

移動前－運転開始前
移動が始まる前に、ＡＶは静止している可能性が高く、車両運転サブシステム（３１Ａ）は、部分的に電源がオフになっている可能性が高い。例えば、自律型車両のエンジンに動力が供給される可能性は低い。ＰＲＥＡＣＴメカトロニクスサブシステム（３２）などの他の車両サブシステムは、動作し続けて計算を実行し、中間レベルの計算と情報（４２、５０、５６、５７）を交換し、高レベルの計算に情報を送信する（４６、５４、６０）ことができる。すべての計算レベルとの通信を維持するために、前述した任意のデータ通信方法を使用することができる（ケーブル及びファイバなどの有線通信、並びにセルラ、無線、衛星、マイクロ波、無線周波数、ＬＡＮ、ブルートゥース（登録商標）、ＷＡＮなどの無線通信）。さらに、乗員の電子デバイス（例えば、スマートフォン、スマートウォッチ、又は他のモバイルデバイス、又は他のウェアラブルデバイス）を使用して、情報を収集及び送信することもできる（６０）。乗員（３３）は、これらのデバイスを使用して、任意のデータタイプ（例えば、車両、乗員、ルート及び交通、及びＰＲＥＡＣＴシステム情報）に関する情報を含むことができる次の移動に関する情報を提供することができる。

乗員（３３）が、データセンタ内に乗員情報（２３、２４）の一部である乗員プロファイルを有していない場合、車両内の電子デバイス及び／又は電子デバイスを使用することができ、及び／又は必要な情報を乗員ソーシャルメディア又は他のアカウント（６１）から抽出して、乗員プロファイルを構築することができる。例えば、性別、年齢、身長、及び体重などの乗員パラメータは、（適切な許可を得て）彼らのソーシャルメディア又はフィットネス追跡アプリケーションから抽出することができる。また、乗員が他の車両（３５）で走行したことがあるか、又は他の車両（３５）の他の乗員と特性（例えば、乗り物酔いしやすさ、性別、年齢、生産性の好みなど）を共有する場合、その情報は、乗員プロファイル（２３、２４）を構築するためにデータセンタによって使用することもできる（６２）。乗り物酔いしやすさ及びＰＲＥＡＣＴメカトロニクスサブシステム（２９、３２）動作に対する乗員（３３）の好みなどの情報は、調査、及びその後のＰＲＥＡＣＴ車両での複数の移動にわたって蓄積された継続的な乗員フィードバック（６０）を介して決定することができる。例えば、乗員（３３）は、自身の乗り物酔いしやすさ、ＰＲＥＡＣＴメカトロニクスサブシステム動作に対する自分の好みを示すために、自分のパーソナル電子デバイス及び／又は車両内の任意のインターフェースを使用することができる。これらの好みは、サブシステム動作（例えば、能動的シートサブシステムの動き）の強度、タイミング、及び量を含むことができる。ＰＲＥＡＣＴ車両が運んでいる可能性のある追加の乗員及び／又は任意の他の貨物に関する情報も、データセンタに通信することができる。

移動が始まる前であっても、計算は、システムアーキテクチャのすべてのレベルで行われ得る。例えば、中間レベルの計算では、ルート及びナビゲーション（２５）を決定するためのアルゴリズムは、データセンタからの新しい情報（３７）に基づいてその出力を絶えず更新することができる。ＰＲＥＡＣＴ車両に関する情報（４３、４６）を使用して、中間レベルの計算は、コマンド生成アルゴリズム（２５、２６、２８）を最適化することができる。例えば、距離及び持続時間などのルート及び交通に関する情報（３７）、並びに中間レベル計算アルゴリズムのＰＲＥＡＣＴメカトロニクスサブシステムの最大利用可能パワー／エネルギー（４０、４３、４７、５１、６４）などの車両に基づいて、パワー消費を最小限に抑えながら有効性を最大にするようにそれらの出力コマンド（４８）を適切に変更することができる。この計算は、関連情報を乗員に通知するためにも使用することができる。例えば、車両が移動を完了するのに十分なエネルギー／パワーを有していない場合、データセンタは、車両（３３）内の彼らのパーソナル電子デバイス又はインターフェースを介して、車両がより多くのエネルギー／パワーを必要とすることを乗員（３３）に通知することができる（６０）。乗員（３３）は、データセンタ及び／又は車両アルゴリズムに、移動のための出発地及び目的地を明示的に提供してもしなくてもよいが、ルート及びナビゲーション予測（２５）アルゴリズムは、様々なセンサ及びアクセス可能な他の情報源（３７）を使用してこの情報を決定することができる。例えば、データセンタは、車両運転サブシステム（３１）からのＧＰＳセンサからの情報を使用して、移動の開始位置である可能性が高いＰＲＥＡＣＴ車両の現在位置を検出することができる。ルート及びナビゲーションを予測するためのアルゴリズム（２５）はまた、履歴情報（１７、１９、２３）を使用して、日付、時間、及び他の要因が与えられた乗員の過去の走行に基づいて、可能性のある目的地を決定することができる。アルゴリズムはまた、次の移動のためのトラフィック及び最適ルート（３８）を予測するために履歴傾向（１７）と組み合わせて、ルート及びトラフィックに関する最新情報（１８、３７）を使用することができる。

移動が開始され、車両が動いていても、システムアーキテクチャ内のすべての計算レベルで計算が行われ得る。これらの計算は、ＰＲＥＡＣＴ車両（主車両）だけでなく、一次車両の近くにある道路上にある可能性がある他のＰＲＥＡＣＴ車両の動作を通知するために使用することができる。例えば、ＰＲＥＡＣＴ車両（主車両）が道路の脇に駐車されている場合、その車載センサ（３１Ａ、３１Ｂ）及びコンピュータは、依然として中間レベル（５６）及び高レベル（４６）の計算に情報を提供することができ、この情報及び計算を使用して他のＰＲＥＡＣＴ車両の行動（４２、５０）を通知することができる。主車両の車両サブシステム（低レベル計算）は、近くの他のＰＲＥＡＣＴ車両を支援するために使用することができる。例えば、ＰＲＥＡＣＴ車両（主車両）が移動中であるが、データセンタ又は車両アルゴリズムとの通信を失っている場合、車両は、Ｖ２Ｖ又はＶ２Ｉ通信を使用して近くの別のＰＲＥＡＣＴ車両と通信し、データセンタ及び車両アルゴリズムとの通信リンクを維持することができる。乗員が車両に入り、車両が動き始めると、移動が始まり、移動のこの段階について次のセクションで説明する。

移動中－運転中
ここで、１人又は複数の乗員は、ＰＲＥＡＣＴ車両に着座しており、移動が始まっている。車両運転サブシステム（３１Ａ）は、ルート及びナビゲーションアルゴリズム（２５）によって予測された所与のルート（３８）について運転行動コマンド生成（２６）によって生成された運転行動コマンド（４２）を実施する。アルゴリズム（２５、２６）は、データセンタから最新のリアルタイム情報及び履歴情報（３７、４０）を受信する。この情報は、ルート及び交通情報（１７、１８）、車両情報（１９、２０）、ＰＲＥＡＣＴシステム情報（２１、２２）、乗員情報（２３、２４）を含む。運転行動コマンドは、車両運転サブシステム（３１）及びデータセンタ（４１）に送信（４２）されることに加えて、車両モデル（２７）に送信（６５）される。車両モデルは更新され、データセンタ（４３）からの新しい情報によって最新に保たれ、このモデルは車両状態を予測するために使用される。これらのモデル予測車両状態は、車両運転サブシステム（３１）からリアルタイム車両状態（４６）と共にデータセンタ（４５）に送信される。これらの両方のデータは、改善された車両モデルパラメータを推定することによって車両モデル予測が現実に近いことを保証するために使用される。予測車両状態は、ＰＲＥＡＣＴメカトロニクスサブシステムのコマンド生成アルゴリズム（２８）に送信される（４４）。ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成アルゴリズム（２８）は、モデル予測車両状態（４４）、リアルタイム車両状態（５６）、並びに乗員の好み（２３、２４）に関する履歴及びリアルタイム情報、ＰＲＥＡＣＴシステム情報（２１、２２）などを含むデータセンタ（４７）からの情報を使用する。アルゴリズム予測されたＰＲＥＡＣＴメカトロニクスサブシステムのコマンドは、メカトロニクスサブシステムの状態を予測するＰＲＥＡＣＴメカトロニクスサブシステムのモデル（２９）に送信される（４８）。メカトロニクスサブシステムモデル（２９）は、より正確な予測のためにモデルパラメータを継続的に推定し改善するので、データセンタ（５１）からの新しい情報によって継続的に改善される。メカトロニクスサブシステムモデル（２９）の予測状態は、データセンタ（２１、２２）によって収集された情報に付加するためにデータセンタ（５３）に送信される。メカトロニクスサブシステムモデル（２９）の予測状態は、乗員モデル（３０）に送信される（５２）。乗員モデル（３０）は、自律型車両内の乗員（３３）の物理的及び生理学的特性を表す。乗員モデル（３０）は、所与のルート及びナビゲーション（３８）、運転行動（６５）、及びＰＲＥＡＣＴメカトロニクスサブシステム行動（４８）について乗員の乗員状態（例えば、乗り物酔い、快適性、生産性、ダイナミクス、動きなど）を予測する。乗員モデル（３０）は、データセンタ（６４）からの新しい情報、乗員（６０、６４）からのリアルタイム情報、及び車両サブシステム（５７）からのリアルタイムセンサ情報によって継続的に改善される。モデル（３０）の予測乗員状態は、データセンタの乗員情報（２３、２４）の一部になるようにデータセンタ（５５）に送信される。車両アルゴリズム（３９、４１、４５、４９、５３、５５）及び車両サブシステム（４６、５４、６０）からの情報は、データセンタ情報（１７～２４）の一部になる。

車両アルゴリズムがそれらのコマンドを最適化すると、これらのコマンドは車両サブシステムに送信される（４２、５０）。ルート及びナビゲーション（２５、３８）及び運転行動アルゴリズム（２６、６５）によって生成された最適化されたリアルタイム及び予測コマンドは、車両運転サブシステム（３１Ａ）に送信される（４２）。車両運転及び操舵サブシステムの状態（３１Ａ）は、（５８）に送られてＰＲＥＡＣＴメカトロニクスサブシステム（３２）に送られる。ＰＲＥＡＣＴメカトロニクスサブシステム（３２）は、車両運転サブシステム（５８）からの情報及びＰＲＥＡＣＴ先取りアルゴリズム（５０）からのコマンドを使用して、コマンドを実装する。メカトロニクスサブシステム（３２）は、乗員（３３）に影響を与える動作（５９）を実行する。例えば、能動的シートサブシステム（ＰＲＥＡＣＴメカトロニクスサブシステム（３２）の一部である）は、ＰＲＥＡＣＴ先取りアルゴリズム（５０）からのコマンド及び車両運転サブシステム（５８）からの情報に基づいて揺れ及び傾斜することができ、これは車両内の乗員（３３）の位置、快適性、及び他の乗員状態に影響を及ぼす。乗員（３３）は、車両内のインターフェース及び自身のパーソナル電子デバイスを使用して車両アルゴリズム及びデータセンタ（６０）と通信し、自身の好みを伝え、及び／又は車両アルゴリズムの動作を調整することができる。

ルート及び交通情報（１７、１８）は、車両サブシステム内のセンサ（４６、５４、６０）からの新しい情報、他のＰＲＥＡＣＴ及び非ＰＲＥＡＣＴ車両（３５、６２）、インフラセンサ（３６、６３）、及び他のデータベース（３４、６１）から情報が収集されるにつれて絶えず更新されている。移動中の任意の所与の瞬間において、車両は移動しているか、又は停止標識、信号機などにおいて一時的に静止している場合がある。可能な限り最良の情報（３７、４０、４３、４７、５１、５６、５７、６４）を使用して、中間レベルの計算は、移動の最適なルート及び交通状況を予測することができる（２５、３８）。時々、新しい情報が見つかると、ルートが変更され得る。例えば、他の車両（６２）又はインフラセンサ（６３）からの新しい情報が、交通状況がルートに沿って変化したことを示す場合、車両は交通量の増加を回避するためにルート（３８）を変更することができる。複数のデータストリームは、これらに限られるわけではないが走行時間及びルート（例えば、高速道路又は横道を避ける）についての乗員の好み（２３、２４）、乗り物酔い緩和の好み（２１、２２）（例えば、より多くのカーブ及び／又はスタート及びストップを伴うルートは、より多くの乗り物酔いを引き起こす）、生産性の好み（例えば、道路がでこぼこしていると、読むことやキーボードでのタイピングなどの生産的なタスクを実行することが困難になる）など、中間レベルの計算におけるルートの決定に影響を及ぼす可能性がある。同様に、車両動作（２６、４０）の決定も、上記のデータストリームによって影響を受ける可能性がある。例えば、乗員が乗り物酔いの影響を非常に受けやすいので、強い乗り物酔い緩和介入を好む場合、車両動作（２６、４０）は、所与のルートに対する車両の加速、制動、及び操舵の厳しさを低減することができる。所与のルート（３８）及び乗員（３３）に対するＰＲＥＡＣＴ動作（２８、４８）の決定は、走行の全期間にわたって最適化され、予測される。

新しい改善された情報により、あらゆる瞬間に、将来のＰＲＥＡＣＴメカトロニクスサブシステム動作（２８、４８）の決定が改善される。リアルタイムの動作と予測された将来の動作とを組み合わせることにより、ＰＲＥＡＣＴメカトロニクスサブシステム（３２）は、一方のコマンドから他方のコマンドへとスムーズに遷移するように、動作をブレンドして組み合わせることができる。例えば、車両アルゴリズム（２５、２６、２８）が左折が近いことを認識している場合、能動的シートサブシステム（ＰＲＥＡＣＴメカトロニクスサブシステム（３２）の一部である）は、旋回が到来する前に旋回に向かって徐々に傾斜し始めることができ、動きは、乗員（３３）への外乱を最小限にし、乗員（３３）が能動的シート（３２）の傾斜／動きに順応することを可能にするように、遅くて滑らかであり得る。同様に、生産性インターフェースサブシステム（３２）が、乗員（３３）がテレビ会議中であり、能動的シート（３２）が車両の方向転換を考慮して傾斜している／移動していることを認識している場合、生産性インターフェースサブシステム（３２）のカメラ及びディスプレイは、一致して移動することができ、それによって乗員（３３）の生産的タスクへの混乱を低減し、依然として乗り物酔いを軽減する。

様々なＰＲＥＡＣＴメカトロニクスサブシステム（３２）はまた、最適な乗り物酔い及び生産性の乗員状態を達成するために連携して機能することができる。例えば、荒い悪路を走行している間、能動的シート（３２）が連続的に傾斜する代わりに、車両が断続的に左右に揺れる間、最適な動作は、能動的拘束（３２）を単に締め付けて乗員（３３）の身体をシート内によりぴったりと保持することであってもよく、これは、乗員（３３）が能動的シートだけよりも快適になるのを助けることができる。同様に、車両が車線を変更している場合、ＰＲＥＡＣＴ能動的乗員刺激サブシステム（３２）は、乗員（３３）に車線変更を通知し、能動的シート及び能動的拘束と共に、乗り物酔いを軽減することができる。ＰＲＥＡＣＴシステムは、ルート及び交通（１７、１８）、車両（１９、２０）、ＰＲＥＡＣＴメカトロニクスサブシステム（２１、２２）、並びに乗員状態及び情報（２３、２４）に対する突然かつ予期しない変化に対してロバストでなければならない。これが、データがすべての計算レベルの間を流れる理由であり、リアルタイムデータがない場合でも、履歴データ及び傾向を使用して、最適又は最適に近いシステム性能を保証するために最良の推測及び予測を行うことができる。例えば、何らかの理由（例えば、通信障害、センサの欠如など）によりルート及び交通（１８）でリアルタイム情報が利用できない場合、中間レベルの計算は、データセンタからすべての関連する履歴データ（１７、１９、２１、２３）を呼び出し、これを使用してリアルタイム状態の予測及び推定を行うことができる。この予測及び推定は、将来のコマンド／動作を決定するために使用できるだけでなく、リアルタイム情報が利用できないか又は部分的なリアルタイム情報しか利用できない場合に、予測及び先取りアルゴリズム（２５～３０）はまた、現在及び将来の状態を予測し、先取り動作を行うことを試みることができる。すべてのレベルの計算は大量のデータに依存しているため、追加の課題は、いかなる履歴データ又は過去の傾向で裏付けられない誤ったデータ又は古いデータを扱うことであり得る。例えば、ＰＲＥＡＣＴ車両がその移動中に動いている間、事故が非常に突然発生する可能性があり、これはＰＲＥＡＣＴ車両を直接関与させるものではないが、運転行動（６５）、ルート（３８）、及び乗員応答（６０）に影響を与える。事故は、ルート（３８）に沿って交通状況を非常に突然変化させる可能性があり、道路閉鎖によってルートの変更も必要となる可能性がある。そのような突発事象の場合、ＰＲＥＡＣＴ車両は先取りの知識を持たない可能性があり、リアルタイムで応答しなければならない。しかしながら、最初に事故を目撃したＰＲＥＡＣＴ車両から数秒、数分、又は数時間遅れている可能性がある他のＰＲＥＡＣＴ車両（それによって、事故に関連するデータを記録し（４６）、データセンタを含むすべての計算レベルでそれを共有した）は、データセンタによってルートの変更（３８）及びナビゲーションを通知され得る。突発事象の別の例は、ＰＲＥＡＣＴ車両がそのタイヤのうちの１つ又は２つにおいてタイヤのパンク又は突然の圧力損失に遭うことであり、この突然の変化は、先取り的に予測又は認識することはできないが、運転行動（６５、４２）及びＰＲＥＡＣＴサブシステム行動（４８、５０）に影響を及ぼす。

場合によっては、センサ収集情報（４６、５４、５６、５７）が制限される可能性があり、乗員（３３）は、新しい情報又はデータをすべての計算レベルに自己報告しなければならない場合がある。例えば、ＰＲＥＡＣＴメカトロニクスサブシステム（３２、５９）が様々なセンサ及びカメラ（すなわち、撮像装置）を使用して乗員（３３）の状態を監視している場合でも、センサによって捕捉されたデータは、実際の乗員の状態を完全かつ正確に反映しない場合がある。このシナリオでは、乗員（３３）は、現在の快適性レベル（すなわち、快適状態）、乗り物酔い緩和及び／又は生産的介入に対する更新された好みなどの任意の情報（６０）を自己報告することができる。移動中のいつでも、乗員（３３）は、自身の電子デバイス又は車両内の任意のインターフェースを使用して、ＰＲＥＡＣＴメカトロニクスサブシステム（３２、５０）行動を制御及び調整することができる。これらのオンザフライ変更及び好みの表示は、乗員（３３）の個々のカスタマイズされた要件を表し、これらの変更は、乗員情報データストリーム（２３、２４）の一部としてデータセンタに保存される乗員プロファイルを増強する。特に生産性インターフェース（３２）の場合、乗員（３３）は、それぞれの作業スタイルに合うように生産性インターフェースをカスタマイズすることができ、例えば、乗員（３３）が朝の通勤時に読む可能性が高い場合、生産性インターフェース（３２の一部、ＰＲＥＡＣＴメカトロニクスサブシステム）は、その特定の乗員（３３）のための読みタスクを優先することができる。

上記のシステム挙動は、都市、高速道路、及びオフロード走行を含むすべてのタイプの運転に当てはまる。移動は、車両が目的地に到達すると終了する。

移動後－運転終了後
移動が完了すると、車両は目的地に到達する。移動で収集されたデータは、データセンタ（４６、５４、６０）に送信されて記憶され、データセンタの履歴データ（１７、１９、２１、２３）の一部になる。静止しているＰＲＥＡＣＴ車両は、近くの他の車両に計算支援を提供し続けることができ、また、周囲から収集することができる任意のセンサ情報を提供することができる。すべての移動において、中間レベルの計算は、その予測及び推定能力を向上させる。

ＰＲＥＡＣＴアルゴリズムの詳細な説明
ＰＲＥＡＣＴ先取りアルゴリズム（図４ブロック１０Ｂ）は、ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成アルゴリズム（図６、２８）からなる。ＰＲＥＡＣＴ予測アルゴリズム（図４ブロック１０Ａ）は、ＰＲＥＡＣＴメカトロニクスサブシステムモデル（図６、２９）及び乗員モデル（図６、３０）からなる。これらのアルゴリズムは予測又は先取り制御アルゴリズムであり、それらの実施形態は以下で詳細に説明される。より具体的には、ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成アルゴリズム（２８）は先取り制御又は先取りアルゴリズムであるのに対して、乗員モデル（３０）及びＰＲＥＡＣＴメカトロニクスサブシステムモデル（２９）は予測アルゴリズムである。

乗員モデルアルゴリズム（３０）
以下のアルゴリズムは、乗員のモデルを使用して将来の乗員の状態を予測するという点で、本質的に予測的である。乗員モデルによって行われる５つの予測がある。（１）乗員の乗り物酔いしやすさ、（２）乗員の乗り物酔い、（３）乗員の快適性、（４）乗員の生産性評価、及び（５）乗員のタスク識別。これらの予測及びそれらの機構を以下に記載する。

乗員の乗り物酔いしやすさ
このアルゴリズムは、乗員の乗り物酔いしやすさを予測する。乗り物酔いしやすさは、車両の特定の動き、及び乗員によって行われている活動のタイプに対して乗員が乗り物酔いを経験する可能性として定義される。１つの可能な実施形態では、乗り物酔いしやすさの３つのクラスを定義する。クラス１は、乗り物酔いの可能性が高い乗員であり、クラス２は、乗り物酔いの可能性が平均的な乗員であり、クラス３は、乗り物酔いの可能性が低い（平均よりも低い）乗員である。乗り物酔いしやすさがクラス１の乗員は、乗り物酔いを引き起こす刺激（すなわち、車両の動き、生産的な作業の実行など）に対してより敏感な乗員であり、平均的な乗員よりも速く及び／又はより強く乗り物酔いを経験する可能性が高いことを意味する。乗り物酔いしやすさがクラス３の乗員は、乗り物酔いを引き起こす刺激にあまり敏感でない乗員であり、平均的な乗員よりも遅く及び／又はより弱い乗り物酔いを経験する可能性が高いことを意味する。乗り物酔いしやすさがクラス２の乗員は、乗り物酔いに対する平均的な感受性を有する乗員である。平均的な乗り物酔いしやすさは、実験及びユーザ調査によって決定することができる。他の実施形態では、より多くのクラス、又は乗り物酔いしやすさを捕捉するように定義された異なるクラスが存在し得る。

１つの可能な実施形態では、分類機械学習アルゴリズムを使用して、乗員の乗り物酔いしやすさを予測することができる。さらに、教師付き又は半教師付きアルゴリズム訓練を活用することができる。ニューラルネットワーク及び／又はベイズ分類器などの特定のタイプの分類アルゴリズムを使用することができる。例えば、アルゴリズムへの入力の所与のセット（すなわち、乗員の性別、年齢、身長、体重、自己報告の乗り物酔いしやすさ、心拍数及び発汗などの生理学的情報）に対してベイズ分類器を使用するとき、アルゴリズムは、乗員が乗り物酔いしやすさについて定義されたクラスのうちの１つに入る確率を予測しようと試みる。他の実施形態では、乗員が性別、年齢、身長、及び体重などの同じ属性を共有する場合、クラスター分析を使用して、乗員を特定のクラスの乗り物酔いしやすさにグループ化することができる。一実施形態では、アルゴリズムが実験入力データで訓練されることに加えて、アルゴリズムはまた、ＰＲＥＡＣＴシステムの毎日の動作中に収集されるデータ及び乗員から収集されるデータで訓練され得る。

アルゴリズムは定量的入力を受け入れることができる。年齢、体重、身長、及び定量的なユーザ報告調査情報などの入力は、変更せずにそのまま使用することができる。性別、自己報告調査に対する定性的応答などの本質的に定量的ではない入力は、最初に定量的な値に変換することができ、例えば、性別は、ワンホット符号化又は他の同等の定量的符号化方法を使用して符号化することができる。一実施形態では、アルゴリズムは、身長、年齢、体重、平均心拍数、性別、及び乗員の過去の乗り物酔い経験に関する質問に対する乗員の自己報告調査応答などの乗員パラメータを取得する。アルゴリズムは、同様の入力で訓練されているはずである。

乗員の乗り物酔い
乗員の乗り物酔い状態を定量化し、乗り物酔いスコアを試用して乗員の乗り物酔いを定量的に表す。このアルゴリズムは、乗員パラメータのセット及び動的変数に基づいて乗り物酔いスコアを予測する。モデルへの入力は、乗員の生理学的状態、運動力学、視覚－前庭衝突レベル及びプロファイルである。一実施形態では、出力は、０から１００のスケールの乗り物酔い発生率（ＭＳＩ）である。ＭＳＩは、文献では、所与の時間間隔に適用された所与の運動入力頻度及び大きさの下で嘔吐する人々の割合として定義されている。アルゴリズムは、自己報告又は計算されたＭＳＩと共に、前述の入力の測定値を含む以前のデータセットを使用して訓練される。これにより、入力と予測される乗り物酔いスコアとの間の相関が可能になる。出力される乗り物酔いスコアを予測するために、とりわけ、線形回帰、多項式回帰、リッジ回帰、主成分分析などの教師付き／半教師付き回帰機械学習アルゴリズムを使用することができる。

例えば、心拍数の増加は、乗り物酔いと正の相関があることが知られている。したがって、心拍数の値が高いほど、乗り物酔いスコアが高くなると予想される。そのような相関の性質及び強度を理解するために、予測アルゴリズムを使用することができる。以前に記録された心拍数及び対応する乗り物酔いスコアデータが与えられると、アルゴリズムは、心拍数値が与えられたときに乗り物酔いスコアの決定を可能にする最良適合曲線が何であるかを決定することができる。この最良適合は、前述の回帰アルゴリズムを使用して達成することができる。明らかに、乗り物酔いは心拍数の関数だけではない。乗り物酔いと相関する他のパラメータには、とりわけ、経験した前庭加速、乗り物酔いに対する乗員の感受性、冷たい発汗が含まれる。したがって、予測アルゴリズムは、これらの他の変数を考慮する必要があり、これは重回帰分析を使用して行うことができる。

乗員の快適性
このアルゴリズムは、乗員変数のセットに基づいて乗員快適性スコアを予測する。これは、出力が複数の入力変数に基づいて決定される定量化可能な連続変数であるという意味で、乗り物酔い予測アルゴリズムと同様である。一実施形態では、乗員快適性スコアは、１００のベースライン快適性スコアに比例する連続変数である。ベースライン快適性スコアは、能動的システムのない静止車両の乗員が経験する快適性に相当する。例えば、２００の快適性スコアは、能動的システムのない静止車両の乗員と比較して乗員が２倍快適であることを意味する。

このアルゴリズムへの入力は、乗員の自己報告快適性、乗員の運動力学、乗員の生理学的状態、乗員のプロファイル、及び車室状態を含む。アルゴリズムは、自己報告又は計算された乗員快適性スコアと共に、前述の入力の測定値を含む以前のデータセットを使用して訓練される。これにより、入力と予測される乗員の快適性スコアとの間の相関が可能になる。出力される快適性スコアを予測するために、とりわけ、線形回帰、多項式回帰、リッジ回帰、主成分分析などの教師付き／半教師付き回帰機械学習アルゴリズムを使用することができる。

例えば、車室温度の関数としての乗員の快適性は、温度に対する乗員の好みに依存する包括的な最大値を有することが知られている。したがって、乗員最適温度点よりも高い又は低い温度値は、より低い乗員快適性スコアをもたらすと予想される。そのような相関の性質及び強度を理解するために、予測アルゴリズムを使用することができる。以前に記録された車室温度及び対応する快適性スコアデータが与えられると、アルゴリズムは、車室温度値が与えられたときに乗員の快適性スコアの決定を可能にする最良適合曲線が何であるかを決定することができる。この最良適合は、前述の回帰アルゴリズムを使用して達成することができる。明らかに、乗員の快適性は、車室温度の関数だけではない。乗員の快適性に相関する他のパラメータには、とりわけ、経験した頭部加速、心拍数、視覚－前庭衝突レベルが含まれる。したがって、予測アルゴリズムは、これらの他の変数を考慮する必要があり、これは重回帰分析を使用して行うことができる。

乗員の生産性評価
このアルゴリズムは、乗員変数のセットに基づいて乗員生産性スコアを予測する。これは、出力が複数の入力変数に基づいて決定される定量化可能な連続変数であるという意味で、乗り物酔い予測アルゴリズムと同様である。一実施形態では、生産性スコアは、１００のベースライン生産性スコアに比例する連続変数である。ベースライン生産性スコアは、能動的な生産性システムがない静止車両において乗員が有する生産性と同等である。例えば、生産性能動的システムがない静止車両の乗員と比較して、乗員が同じタスクを達成するのに２倍の時間がかかる場合、生産性スコアは５０になる。能動的システムは生産性を高める可能性があるため、１００を超えるスコアは許容可能であることに留意されたい。

このアルゴリズムへの入力は、乗員の自己報告生産性、乗員の生理学的状態、乗員の運動力学、乗員プロファイル、実行されているタスクの識別、及び実行されているタスクの定量化可能な評価を含む。実施されているタスクの定量化可能な評価の例は、とりわけ、読書タスクの場合には１分あたりの単語、睡眠タスクの場合には深い睡眠に費やされる分を含む。アルゴリズムは、自己報告又は計算された乗員生産性スコアと共に、前述の入力の測定値を含む以前のデータセットを使用して訓練される。これにより、入力と予測される乗員生産性スコアとの間の相関が可能になる。出力される生産性スコアを予測するために、とりわけ、線形回帰、多項式回帰、リッジ回帰、主成分分析などの教師付き／半教師付き回帰機械学習アルゴリズムを使用することができる。

例えば、深い睡眠に費やされる分数の増加は、睡眠生産性スコア（又は睡眠の質）と正の相関があることが知られている。したがって、深い睡眠に費やされる分の値が高いほど、睡眠生産性スコアが高くなると予想される。そのような相関の性質及び強度を理解するために、予測アルゴリズムを使用することができる。以前に記録された深い睡眠に費やされた分及び対応する睡眠生産性データが与えられると、アルゴリズムは、深い睡眠に費やされた分の数の値を与えられたときに生産性スコアの決定を可能にする最良適合曲線が何であるかを決定することができる。この最良適合は、前述の回帰アルゴリズムを使用して達成することができる。明らかに、睡眠生産性は、深い睡眠に費やされる分の関数だけではない。睡眠生産性スコアと相関する他のパラメータには、とりわけ、睡眠に費やされた総分数、睡眠中の運動頻度が含まれる。したがって、睡眠生産性予測アルゴリズムは、これらの他の変数を考慮する必要があり、これは重回帰分析を使用して行うことができる。生産性スコアは、実行されているタスクの性質に依存することに留意することが重要である。与えられた例は、睡眠生産性評価への洞察を提供する。しかしながら、他のタスクは、異なる入力変数に関連付けられた異なる生産性スコアを有する。

乗員のタスク識別
このアルゴリズムは、車両内の乗員によって実行されている生産的タスクを予測する。生産的タスクは、読む、書く、タイピング、ビデオの視聴、ビデオ会議、又はそれらの何らかの組合せなど、乗員が関与する任意の活動として定義される。１つの可能な実施形態では、乗員の生産的タスクを捕捉する４つのクラスを定義する。クラス１は新聞／紙文書を読むことに対応し、クラス２は紙／タブレットへの書き込みに対応し、クラス３はキーボード／タッチスクリーン上でのタイピングに対応し、クラス４は画面（すなわち、携帯電話、ラップトップ、生産性ディスプレイ）上でのビデオの視聴に対応する。これらのクラスは、１つのホット符号化又は同等の定量的符号化方法を使用して定量的に体系化することができる。これらの出力は、タスクＩＤとも呼ばれる。

アルゴリズムは、ビデオカメラ、ＬｉＤＡＲ、モーションセンサなどの車両内の様々なセンサからの入力を受信し、乗員からの直接入力も受信することができる。一実施形態では、アルゴリズムは、車両内の１つ又は複数のＲＧＢカラービデオカメラから、及びユーザが実行しているユーザの自己報告タスクから入力を受信することができる。ＲＧＢカラービデオカメラからの情報は、ビデオ／画像の各ピクセル内の情報に対応する数値を有する膨大な行列に変換される。この行列は、アルゴリズムへの定量的入力である。ユーザの自己報告タスクは、車両内のユーザインターフェース及び／又はタッチスクリーン上のボタンを押すことによって報告することができる。ユーザがタスクを自己報告すると、アルゴリズムはビデオ情報を使用してこれを検証し、継続的な改善のためにアルゴリズムを訓練する目的でビデオ情報にラベルを付けることもできる。

１つの可能な実施形態では、機械視覚及び分類機械学習アルゴリズムを使用して、車両内の乗員によって実行されている生産的タスクを予測することができる。さらに、教師付き又は半教師付きアルゴリズム訓練を活用することができる。アルゴリズムは、時空間方法を活用することができ、活動は、ビデオ情報から抽出することができる時空間特徴又は軌道のセットによって表される。例えば、ビデオ情報を使用して、アルゴリズムは、空間及び時間における乗員の手の軌跡を決定し、それを使用して乗員がタイピング又は書き物をしているかどうかを決定することができる。一実施形態では、アルゴリズムが実験入力データで訓練されることに加えて、アルゴリズムはまた、ＰＲＥＡＣＴシステムの毎日の動作中に収集されるデータ及び乗員から収集されるデータで訓練され得る。

ＰＲＥＡＣＴメカトロニクスサブシステムのコマンド生成アルゴリズム（図６の２８）
ＰＲＥＡＣＴメカトロニクスサブシステムコマンド生成アルゴリズムは、さらに３つのアルゴリズムに分割される。これらのアルゴリズムはすべて、ルート及び交通、車両、ＰＲＥＡＣＴメカトロニクスサブシステム、及び乗員のリアルタイム及び予測状態を入力として使用して先取りコマンド及び決定を生成するという点で、先取り制御のためのものである。先取りコマンドに加えて、それらはまた、即時の現在のコマンドを生成するためにリアルタイム情報を使用する。要約すると、コマンドは、直近から未来までの期間にわたって生成される。３つの先取り制御アルゴリズムは以下の通りである。（１）乗り物酔い緩和のための車両サブシステムコマンド、（２）快適性向上のための車両サブシステムコマンド、（３）生産性向上のための車両サブシステムコマンド。

乗り物酔い軽減のための車両サブシステムコマンド
このアルゴリズムは、乗員の乗り物酔いを軽減するのに役立つ車両サブシステムのコマンドを生成する。これらのコマンドは、乗員及び車両の将来の状態の予測を使用するため、先取り的である。これらのコマンドはまた、車両サブシステムへの現在の即時コマンドを含む。組み合わされると、あらゆる瞬間に生成されるコマンドは、現在及び先取りされた将来のコマンドの両方を含む。各車両サブシステムは、固有の方法で乗員に影響を与える。１つの可能な実施形態では、アルゴリズムは、能動的シート、能動的拘束、能動的乗員刺激、及び能動的生産性インターフェースの動作を命令及び制御することができる。車両サブシステムの各動作は、アルゴリズムの出力、すなわち、能動的シートの揺れ及び傾斜、能動的拘束の張力、能動的ディスプレイ（能動的生産性インターフェース）の動き、及び能動的乗員刺激の光の点滅として定義することができる。これらの動作の各々は定量化され、能動的シートの揺れ及び傾斜は角度位置及び速度によって定義され、能動的拘束の張力は拘束具の位置によって定義され、能動的ディスプレイの動きは角度位置によって定義される。一実施形態では、定量化された出力は行列で捕捉され、行は上記で定義された動作に対応し、列はコマンドに対応し、第１の列は即時／現在の動作に対応し、連続する列は将来の先取りされたコマンドに対応する。他の実施形態では、出力は他の方法で体系化することができる。他の実施形態では、他の能動的／メカトロニクス車両サブシステムに、乗り物酔いを軽減するように命令することができる。

１つの可能な実施形態では、強化機械学習アルゴリズムを使用してコマンドを生成することができる。強化機械学習は、様々な結果の探索を活用し、次いでそれらの影響を肯定的又は否定的のいずれかとして測定し、次いで最も肯定的な影響を有する結果を活用する。例えば、アルゴリズムが、車両が激しい方向転換を行うことを考慮して２０度の傾斜を決定し、乗員がこれに肯定的に応答した場合、アルゴリズムは、車両が再び同じ又は同様の方向転換を行うときに別のものよりもこの動作を推奨し続ける。他の実施形態では、他のアルゴリズム及び方法を使用してコマンドを生成することができる。

１つの可能な実施形態では、予測されるルート及び交通（データセンタからの履歴データに基づいて予測される）、予測される車両シャーシロール及びピッチ（車両モデルアルゴリズムによって予測される車両状態）、予測される乗員の乗り物酔いしやすさ（乗員モデル、及びデータセンタからの履歴情報によって予測される）、リアルタイム及び予測されるＰＲＥＡＣＴメカトロニクスサブシステム状態、例えば能動的シートの揺れ及び傾斜並びに能動的拘束の張力（ＰＲＥＡＣＴメカトロニクスサブシステムモデルによって予測される）、及び乗員が車両サブシステムコマンドについての好みをアルゴリズムへの入力として自己報告するものである。車両シャーシロール及びピッチ、乗員の乗り物酔いしやすさ、及びメカトロニクスサブシステム状態など、これらの入力のほとんどは、定量化可能である。乗員の自己報告の好みは定量的であってもなくてもよいが、これは定量的に体系化することができる。例えば、１つの可能な実施形態では、乗員は、５度の傾斜に対応する能動的シートの「低」介入ではなく、２０度の傾斜に対応する能動的シートの「高」介入を望むことを示すことができる。ルックアップテーブルを使用して、乗員の自己報告の好みを定量化することができる。他の実施形態では、入力及び出力を体系化及び定量化するための他の入力及び方法を使用することができる。

生産性向上のための車両サブシステムコマンド
このアルゴリズムは、乗員の生産性を高めるのに役立つ車両サブシステムのコマンドを生成する。これらのコマンドは、乗員及び車両の将来の状態の予測を使用するため、先取り的である。これらのコマンドはまた、車両サブシステムへのリアルタイムの即時コマンドを含む。組み合わされると、あらゆる瞬間に生成されるコマンドは、リアルタイム及び先取りされた将来のコマンドの両方を含む。各車両サブシステムは、固有の方法で乗員の生産性に影響を与える。１つの可能な実施形態では、アルゴリズムは、能動的シート、能動的生産性インターフェース、及び能動的車室環境の動作を命令及び制御することができる。車両サブシステムの各動作は、アルゴリズムの出力、すなわち能動的シートの揺れ及び傾斜、能動的ディスプレイ（能動的生産性インターフェース）の動き、及び能動的車室環境のライトの明るさとして定義することができる。これらの動作の各々は定量化され、能動的シートの揺れ及び傾斜は、角度位置及び速度によって定義され、能動的ディスプレイの動きは、角度位置及び車室内のライトの明るさによって定義される。一実施形態では、定量化された出力は行列で捕捉され、行は上記で定義された動作に対応し、列はコマンドに対応し、第１の列は即時／リアルタイムの動作に対応し、連続する列は将来の先取りされたコマンドに対応する。他の実施形態では、出力は他の方法で体系化することができる。他の実施形態では、他の能動的／メカトロニクス車両サブシステムに、乗員の生産性を高めるように命令することができる。

１つの可能な実施形態では、強化機械学習アルゴリズムを使用してコマンドを生成することができる。強化機械学習は、様々な結果の探索を活用し、次いでそれらの影響を肯定的又は否定的のいずれかとして測定し、次いで最も肯定的な影響を有する結果を活用する。例えば、乗員が本を読んでいるときに、アルゴリズムが、生産性を高めるために、能動的シートが１０度傾斜し、車室内の照明がその明るさを増加させて生産性を高めると決定した場合である。乗員は自身で生産性を報告することができ、又はこの決定は、車室内のカメラを使用して行うことができる。他の実施形態では、他のアルゴリズム及び方法を使用してコマンドを生成することができる。

１つの可能な実施形態では、予測されるルート及び交通（データセンタからの履歴データに基づいて予測される）、予測される車両シャーシロール及びピッチ（車両モデルアルゴリズムによって予測される車両状態）、予測される乗員の生産性評価（乗員モデル、及びデータセンタからの履歴情報によって予測される）、予測されるタスクＩＤ、リアルタイム及び予測されるＰＲＥＡＣＴメカトロニクスサブシステム状態、例えば能動的シートの揺れ及び傾斜（ＰＲＥＡＣＴメカトロニクスサブシステムモデルによって予測される）、及び乗員が車両サブシステムコマンドについての好みをアルゴリズムへの入力として自己報告するものである。車両シャーシロール及びピッチ、並びにメカトロニクスサブシステム状態など、これらの入力のほとんどは定量化可能である。乗員が自己報告したタスクＩＤ、及び生産性評価は、前述のように定量化することができる。乗員の自己報告の生産性の好みは定量的であってもなくてもよいが、これは定量的に体系化することができる。例えば、１つの可能な実施形態では、乗員は、３度の傾斜に対応するディスプレイの「低」介入ではなく、能動的生産性インターフェースのディスプレイの１０度の傾斜に対応する能動的生産性インターフェースの「高」介入を望むことを示すことができる。ルックアップテーブルを使用して、乗員の自己報告の生産性の好みを定量化することができる。他の実施形態では、入力及び出力を体系化及び定量化するための他の入力及び方法を使用することができる。

快適性向上のための車両サブシステムコマンド
このアルゴリズムは、乗員の快適性を高めるのに役立つ車両サブシステムのコマンドを生成する。これらのコマンドは、乗員及び車両の将来の状態の予測を使用するため、先取り的である。これらのコマンドはまた、車両サブシステムへの現在の即時コマンドを含む。組み合わされると、あらゆる瞬間に生成されるコマンドは、現在及び先取りされた将来のコマンドの両方を含む。各車両サブシステムは、固有の方法で乗員の快適性に影響を与える。１つの可能な実施形態では、アルゴリズムは、能動的シート及び能動的車室環境の動作を命令及び制御することができる。車両サブシステムの各動作は、アルゴリズムの出力、すなわち能動的シートの揺れ及び傾き、能動的車室環境のライトの明るさ、及び能動的車室環境の空調として定義することができる。これらの動作の各々は定量化され、能動的シートの揺れ及び傾斜は、角度位置及び速度、車室内のライトの明るさ、空調の空気流の温度、方向、及び速度によって定義される。一実施形態では、定量化された出力は行列で捕捉され、行は上記で定義された動作に対応し、列はコマンドに対応し、第１の列は即時／現在の動作に対応し、連続する列は将来の先取りされたコマンドに対応する。他の実施形態では、出力は他の方法で体系化することができる。他の実施形態では、他の能動的／メカトロニクス車両サブシステムに、乗員の快適性を高めるように命令することができる。

１つの可能な実施形態では、強化機械学習アルゴリズムを使用してコマンドを生成することができる。強化機械学習は、様々な結果の探索を活用し、次いでそれらの影響を肯定的又は否定的のいずれかとして測定し、次いで最も肯定的な影響を有する結果を活用する。例えば、アルゴリズムが、乗員が眠っている／休息しているときに快適性を高めるために、車室内の照明がその明るさを低下させ、快適性を高めるために空気の温度が低下される（外気温が高いとき、そうでなければ外気温が低いときに上昇する）と決定した場合。乗員は自身で快適性を報告することができ、又はこの決定は、車室内のカメラを使用して行うことができる。他の実施形態では、他のアルゴリズム及び方法を使用してコマンドを生成することができる。

１つの可能な実施形態では、予測されるルート及び交通（データセンタからの履歴データに基づいて予測される）、予測される車両シャーシロール及びピッチ（車両モデルアルゴリズムによって予測される車両状態）、予測される乗員の快適性評価（乗員モデル、及びデータセンタからの履歴情報によって予測される）、リアルタイム及び予測されるＰＲＥＡＣＴメカトロニクスサブシステム状態、例えば能動的シートの揺れ及び傾斜（ＰＲＥＡＣＴメカトロニクスサブシステムモデルによって予測される）、及び乗員が車両サブシステムコマンドについての好みをアルゴリズムへの入力として自己報告するものである。車両シャーシロール及びピッチ、並びにメカトロニクスサブシステム状態など、これらの入力のほとんどは定量化可能である。乗員が自己報告した快適状態、及び快適性評価は、前述のように定量化することができる。乗員が自己報告する快適性の好みは定量的であってもなくてもよいが、これは定量的に体系化することができる。例えば、１つの可能な実施形態では、乗員は、より低い車室温度及びより暗いライトに対応する「より多くの」快適性を望むことを示すことができる。ルックアップテーブルを使用して、乗員の自己報告の快適性の好みを定量化することができる。他の実施形態では、入力及び出力を体系化及び定量化するための他の入力及び方法を使用することができる。

車両アルゴリズム
車両運転アルゴリズム（図１ブロック８）は、ルート生成及びナビゲーション（図２ブロック２５）、運転行動コマンド生成（２６）、及び車両モデル（２７）からなる。これらのアルゴリズムは予測又は先取り制御アルゴリズムであり、それらの実施形態は以下で詳細に説明される。より具体的には、ルート予測及びナビゲーションアルゴリズム（２５）は予測アルゴリズムであり、運転行動コマンド生成（２６）は先取り制御アルゴリズムであり、車両モデル（２７）は予測アルゴリズムである。文献では同様のアルゴリズムが使用されているが、上記のアルゴリズムは使用する入力が異なる。

乗員状態を改善する運転行動生成
運転行動の生成は、乗員の快適性及び生産性を最大化しながら、乗員の乗り物酔いを最小限に抑えることを目的として実行される。アルゴリズムはまた、車両の燃料及びエネルギー消費を考慮に入れる。このアルゴリズムへの入力は、経時的集約運転行動データ、乗員の乗り物酔い、乗員の快適性、乗員の生産性、乗員の運動力学、乗員の生理学的状態及び乗員プロファイル、並びにリアルタイムのルート情報、乗員の状態及び乗員の好みである。例えば、システムが、現在の乗員と類似のプロファイルを有する乗員に乗り物酔いを引き起こしたルートと類似の特性を有するルートを生成する場合、アルゴリズムは、乗り物酔いを最小限に抑えるために異なるルートを選択することを選択することができる。別の例では、生成されたルートが移動中に高い交通量を有する場合、システムは、複数の加速／制動事象を回避し、その結果、乗り物酔いを最小限に抑えるために異なるルートを選択することを選択することができる。

乗員状態を改善する最適ルート予測
ルートの予測は、乗員の快適性及び生産性を最大化しながら、乗員の乗り物酔いを最小限に抑えることを目的として実行される。アルゴリズムはまた、車両の燃料及びエネルギー消費を考慮に入れる。このアルゴリズムへの入力は、経時的集約ルート情報、乗員の乗り物酔い、乗員の快適性、乗員の生産性、乗員の運動力学、乗員の生理学的状態及び乗員プロファイル、並びにリアルタイムのルート情報、乗員の状態及び乗員の好みである。例えば、運転行動のセットが高い加速値を有し、乗員プロファイルが乗り物酔いしやすいことを示す場合、システムは、より低い加速値を有する運転行動のセットを採用することを選択することができる。別の例では、運転行動のセットが複数の車線変更を含み、乗員が乗り物酔いを経験している場合、アルゴリズムは、目的地に到達する時間が増えることを犠牲にして、車線変更が少ない代替の運転行動のセットを選択して、乗り物酔いを最小限に抑えることができる。

本明細書に記載のアルゴリズム、計算などを含む技術は、１つ又は複数のコンピュータプロセッサによって実行される１つ又は複数のコンピュータプログラムによって実施されてもよい。これらの１つ又は複数のコンピュータプロセッサは、物理的にコロケートされてもよく（例えば車載車両、又は遠隔データサーバ）、又は複数の車両、遠隔データセンタ、遠隔サーバ、クラウドサーバ、モバイルコンピューティングデバイス、ウェアラブルコンピューティングデバイスなどに分散されてもよい。コンピュータプログラムは、非一時的な有形のコンピュータ可読媒体に記憶されたプロセッサ実行可能命令を含む。コンピュータプログラムはまた、記憶されたデータを含むことができる。一時的でない有形のコンピュータ可読媒体の非限定的な例は、不揮発性メモリ、磁気記憶装置、及び光学記憶装置である。本明細書で説明されるアルゴリズム、モデル、及び計算は、統合された方法又は分散された方法で実装されてもよい。後者の場合、アルゴリズム又は計算の特定の部分は第１のコンピュータプログラムを介して実行されてもよく、異なる部分は第２のコンピュータプログラムによって実行されてもよい。しかしながら、場合によっては別個のコンピュータプロセッサ上で実行される２つのコンピュータプログラムは、前記アルゴリズム又は計算を実施するために連携して通信して動作することができる。

上記の説明のいくつかの部分は、情報に対する動作のアルゴリズム及び記号表現に関して本明細書に記載された技術を提示する。これらのアルゴリズムの記述及び表現は、データ処理技術の当業者によって、彼らの研究の内容を他の当業者に最も効果的に伝えるために使用される手段である。これらの動作は、機能的又は論理的に説明されているが、コンピュータプログラムによって実施されると理解される。さらに、一般性を失うことなく、これらの動作の配置をモジュールとして又は機能名で参照することも時には便利であることが証明されている。

上記の説明から明らかなように特に明記しない限り、説明全体を通して、「処理」又は「コンピューティング」又は「計算」又は「決定」又は「表示」などの用語を利用する説明は、コンピュータシステムのメモリ又はレジスタ又は他のそのような情報記憶装置、伝送装置又は表示装置内の物理（電子）量として表されるデータを操作及び変換するコンピュータシステム又は同様の電子コンピューティングデバイスの動作及びプロセスを指すことが理解される。

記載された技術の特定の態様は、アルゴリズムの形態で本明細書に記載されたプロセスステップ及び命令を含む。記載されたプロセスステップ及び命令は、ソフトウェア、ファームウェア、又はハードウェアで具現化することができ、ソフトウェアで具現化される場合、リアルタイムネットワークオペレーティングシステムによって使用される異なるプラットフォーム上に存在し、そこから動作するようにダウンロードすることができることに留意されたい。

本開示はまた、本明細書の動作を実行するための装置に関する。この装置は、必要な目的のために特別に構成されてもよく、又はコンピュータによってアクセス可能なコンピュータ可読媒体に記憶されたコンピュータプログラムによって選択的に起動又は再構成されたコンピュータを備えてもよい。そのようなコンピュータプログラムは、限定はしないが、フロッピー（登録商標）ディスク、光ディスク、ＣＤ－ＲＯＭ、光磁気ディスク、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、磁気又は光カード、特定用途向け集積回路（ＡＳＩＣ）、又は電子命令を記憶するのに適した任意の種類の媒体を含む任意の種類のディスクなどの有形のコンピュータ可読記憶媒体に記憶することができ、各々はコンピュータシステムバスに結合される。さらに、本明細書で言及されるコンピュータは、単一のプロセッサを含んでもよく、又は計算能力を高めるために複数のプロセッサ設計を採用するアーキテクチャであってもよい。

本明細書に提示されるアルゴリズム及び動作は、いかなる特定のコンピュータ又は他の装置にも本質的に関連しない。様々なシステムはまた、本明細書の教示に従ってプログラムと共に使用されてもよく、又は必要な方法ステップを実行するためにより特殊化された装置を構築することが好都合であることが判明してもよい。様々なこれらのシステムに必要な構造は、同等の変形例と共に当業者には明らかであろう。さらに、本開示は、いかなる特定のプログラミング言語を参照しても説明されない。本明細書に記載の本開示の教示を実施するために、様々なプログラミング言語が使用され得ることが理解される。

実施形態の前述の説明は、例示及び説明の目的で提供されている。網羅的であること、又は本開示を限定することを意図するものではない。特定の実施形態の個々の要素又は特徴は、一般に、その特定の実施形態に限定されず、適用可能な場合には交換可能であり、具体的に図示又は説明されていなくても、選択された実施形態で使用することができる。これはまた、多くの方法で変更されてもよい。そのような変形は、本開示からの逸脱と見なされるべきではなく、すべてのそのような修正は、本開示の範囲内に含まれることが意図されている。

Claims (31)

1. 乗用車における乗員状態調整システムであって、
   前記乗用車内の所与の乗員を支持するための能動的シートと、
   コンピュータプロセッサによって実行され、前記所与の乗員の状態及び前記乗用車の動きを予測するように動作可能な予測アルゴリズムであって、前記予測された動きは前記乗用車の加速を含む、予測アルゴリズムと、
   前記コンピュータプロセッサによって実行され、前記所与の乗員の前記予測された状態及び前記予測アルゴリズムから前記乗用車の前記予測された動きを受信するように構成されるコマンド生成アルゴリズムであって、前記能動的シートを傾けるための先取りコマンドを決定し、前記能動的シートに前記先取りコマンドを発行し、前記能動的シートは、前記乗用車の前記加速と同じ方向に傾けられる、コマンド生成アルゴリズムと、を備える、乗員状態調整システム。
2. 前記予測アルゴリズムは、機械学習方法を使用して前記所与の乗員の状態及び前記乗用車の動きを予測する、請求項１に記載の乗員状態調整システム。
3. 前記予測アルゴリズムは、前記乗用車の現在の動作の前に収集されたデータ及びリアルタイムで収集されたデータを使用して、前記所与の乗員の状態及び前記車両の動きを予測する、請求項１に記載の乗員状態調整システム。
4. 前記予測アルゴリズムは、前記乗用車を記述するデータ、前記乗用車のルートを記述するデータ、及び前記乗用車の前記ルートに沿った交通を記述するデータを使用して前記車両の動きを予測する、請求項１に記載の乗員状態調整システム。
5. 前記予測アルゴリズムは、乗員情報を使用して前記所与の乗員の状態を予測する、請求項１に記載の乗員状態調整システム。
6. 前記所与の乗員の前記状態は、乗り物酔い、快適性レベル、生産性レベル、身体の動き、及び生理学的状態からなる群から選択される、請求項１に記載の乗員状態調整システム。
7. 前記コマンド生成アルゴリズムは、車両情報及び乗員情報を使用して前記能動的シートを傾斜させるための先取りコマンドを決定する、請求項１に記載の乗員状態調整システム。
8. 乗用車における乗員状態調整システムであって、
   前記乗用車内に存在し、前記乗用車内の所与の乗員を拘束するように構成される能動的拘束と、
   コンピュータプロセッサによって実行され、前記所与の乗員の状態及び前記乗用車の動きを予測するように動作可能な予測アルゴリズムと、
   前記コンピュータプロセッサによって実行され、前記所与の乗員の前記予測された状態及び前記予測アルゴリズムから前記乗用車の前記予測された動きを受信するように構成されるコマンド生成アルゴリズムであって、前記能動的拘束に対する先取りコマンドを決定し、前記能動的拘束に前記先取りコマンドを発行する、コマンド生成アルゴリズムと、を備える、乗員状態調整システム。
9. 前記予測アルゴリズムは、機械学習方法を使用して前記所与の乗員の状態及び前記乗用車の動きを予測する、請求項８に記載の乗員状態調整システム。
10. 前記予測アルゴリズムは、前記乗用車の現在の動作の前に収集されたデータ及びリアルタイムで収集されたデータを使用して、前記所与の乗員の状態及び前記車両の動きを予測する、請求項８に記載の乗員状態調整システム。
11. 前記予測アルゴリズムは、前記乗用車を記述するデータ、前記乗用車のルートを記述するデータ、及び前記乗用車の前記ルートに沿った交通を記述するデータを使用して前記車両の動きを予測する、請求項８に記載の乗員状態調整システム。
12. 前記予測アルゴリズムは、乗員情報を使用して前記所与の乗員の状態を予測する、請求項８に記載の乗員状態調整システム。
13. 前記所与の乗員の前記状態は、乗り物酔い、快適性レベル、生産性レベル、身体の動き、及び生理学的状態からなる群から選択される、請求項８に記載の乗員状態調整システム。
14. 前記コマンド生成アルゴリズムは、車両情報及び乗員情報を使用して前記能動的拘束に対する先取りコマンドを決定する、請求項８に記載の乗員状態調整システム。
15. 前記コマンド生成アルゴリズムは、前記能動的拘束の状態及びパラメータを使用して前記能動的拘束に対する先取りコマンドを決定する、請求項８に記載の乗員状態調整システム。
16. 前記能動的拘束は、アクチュエータに取り付けられるストラップとしてさらに定義され、前記ストラップによって所与の乗員に加えられる拘束力を変化させるように前記アクチュエータを制御することができる、請求項８に記載の乗員状態調整システム。
17. 乗用車における乗員状態調整システムであって、
    前記乗用車内に存在し、前記乗用車内の所与の乗員のための刺激を生成するように構成される能動的乗員刺激サブシステムと、
    コンピュータプロセッサによって実行され、前記所与の乗員の状態及び前記乗用車の動きを予測するように動作可能な予測アルゴリズムであって、前記予測された動きは前記乗用車の加速を含む、予測アルゴリズムと、
    前記コンピュータプロセッサによって実行され、前記所与の乗員の前記予測された状態及び前記予測アルゴリズムから前記乗用車の前記予測された動きを受信するように構成されるコマンド生成アルゴリズムであって、前記所与の乗員を前記乗用車の前記加速と同じ方向に傾くように刺激するための先取りコマンドを決定し、前記能動的乗員刺激サブシステムに前記先取りコマンドを発行する、コマンド生成アルゴリズムと、を備える、乗員状態調整システム。
18. 前記予測アルゴリズムは、機械学習方法を使用して前記所与の乗員の状態及び前記乗用車の動きを予測する、請求項１７に記載の乗員状態調整システム。
19. 前記予測アルゴリズムは、前記乗用車の現在の動作の前に収集されたデータ及びリアルタイムで収集されたデータを使用して、前記所与の乗員の状態及び前記車両の動きを予測する、請求項１７に記載の乗員状態調整システム。
20. 前記予測アルゴリズムは、前記乗用車を記述するデータ、前記乗用車のルートを記述するデータ、及び前記乗用車の前記ルートに沿った交通を記述するデータを使用して前記車両の動きを予測する、請求項１７に記載の乗員状態調整システム。
21. 前記予測アルゴリズムは、乗員情報を使用して前記所与の乗員の状態を予測する、請求項１７に記載の乗員状態調整システム。
22. 前記所与の乗員の前記状態は、乗り物酔い、快適性レベル、生産性レベル、身体の動き、及び生理学的状態からなる群から選択される、請求項１７に記載の乗員状態調整システム。
23. 前記コマンド生成アルゴリズムは、車両情報及び乗員情報を使用して前記先取りコマンドを決定する、請求項１７に記載の乗員状態調整システム。
24. 前記コマンド生成アルゴリズムは、前記能動的乗員刺激サブシステムの状態及びパラメータを使用して前記先取りコマンドを決定する、請求項１７に記載の乗員状態調整システム。
25. 乗用車における乗員状態調整システムであって、
    前記乗用車に存在し、前記車両が移動している間に所与の乗員によって実行されるタスクをサポートするように構成される能動的生産性インターフェースと、
    コンピュータプロセッサによって実行され、前記所与の乗員の状態を予測するように動作可能な予測アルゴリズムと、
    前記コンピュータプロセッサによって実行され、前記予測アルゴリズムから前記所与の乗員の前記予測された状態を受信するように構成されるコマンド生成アルゴリズムであって、前記能動的生産性インターフェースに対する先取りコマンドを決定し、前記能動的生産性インターフェースに前記先取りコマンドを発行する、コマンド生成アルゴリズムと、を備える、乗員状態調整システム。
26. 前記予測アルゴリズムは、機械学習方法を使用して前記所与の乗員の状態を予測する、請求項２５に記載の乗員状態調整システム。
27. 前記予測アルゴリズムは、前記乗用車の現在の動作の前に収集されたデータ及びリアルタイムで収集されたデータを使用して、前記所与の乗員の状態を予測する、請求項２５に記載の乗員状態調整システム。
28. 前記予測アルゴリズムは、乗員情報を使用して前記所与の乗員の状態を予測する、請求項２５に記載の乗員状態調整システム。
29. 前記乗用車に配置され、前記所与の乗員の画像データを捕捉するように構成される撮像装置をさらに備え、前記予測アルゴリズムは、前記画像データに部分的に基づいて前記所与の乗員の前記状態を決定する、請求項２５に記載の乗員状態調整システム。
30. 前記車両内の人からの入力を受信するように構成されるユーザ入力装置をさらに備え、前記入力は、前記所与の乗員の前記生産性状態を示し、前記予測アルゴリズムは、前記入力に部分的に基づいて前記所与の乗員の前記状態を決定する、請求項２５に記載の乗員状態調整システム。
31. 前記能動的生産性インターフェースは、能動的ディスプレイ、能動的キーボード、又は能動的作業面のうちの１つとしてさらに定義される、請求項２５に記載の乗員状態調整システム。

Images