JP2023090682A - 機械学習を使用して道路属性を所与として速度プロファイルデータを生成するための方法、装置、及びシステム - Google Patents
機械学習を使用して道路属性を所与として速度プロファイルデータを生成するための方法、装置、及びシステム Download PDFInfo
- Publication number
- JP2023090682A JP2023090682A JP2022200855A JP2022200855A JP2023090682A JP 2023090682 A JP2023090682 A JP 2023090682A JP 2022200855 A JP2022200855 A JP 2022200855A JP 2022200855 A JP2022200855 A JP 2022200855A JP 2023090682 A JP2023090682 A JP 2023090682A
- Authority
- JP
- Japan
- Prior art keywords
- road
- location
- data
- learned
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
Abstract
【課題】道路ネットワーク内の道路属性の場所を判定する方法を提供する。【解決手段】機械学習を使用して道路属性を所与として速度プロファイルデータを生成するためのアプローチが提供される。アプローチは、道路ネットワーク内の道路属性の場所を判定することを伴う。アプローチは、道路ネットワーク内の道路属性の場所の前後の分析距離を判定することを伴う。アプローチは、道路ネットワークの場所の前後の分析距離を横断している車両の場所センサを使用して収集されたプローブデータを取り出すことを伴う。アプローチは、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの道路セグメントの機械学習された速度プロファイルを判定することと、機械学習された速度プロファイルを出力として提供することと、を伴う。【選択図】図1
Description
マッピング及びナビゲーションサービスプロバイダは、ナビゲーション経路に沿って走行する車両の速度プロファイルを正確に推定することに関して、重大な技術的課題に直面する。これは、現実世界の環境を通るナビゲーション経路が、通常、様々な道路属性(例えば、交通信号、ラウンドアバウト、停止標識、イールド標識、車線数、道路幅など)に遭遇し、経路上の車両速度に特異的に影響を及ぼす可能性があり、予測することが困難であるからである。
いくつかの例示的な実施形態
したがって、機械学習アプローチを使用してナビゲーション経路上に存在する道路属性を所与として(例えば、ナビゲーション経路上の道路セグメントの)速度プロファイルデータを生成する必要がある。
したがって、機械学習アプローチを使用してナビゲーション経路上に存在する道路属性を所与として(例えば、ナビゲーション経路上の道路セグメントの)速度プロファイルデータを生成する必要がある。
一実施形態によれば、方法は、道路ネットワーク内の道路属性の場所を判定することを含む。この方法は、また、道路ネットワークの場所の前後の分析距離を判定することも含む。この方法は、道路ネットワーク内の道路属性の場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことを更に含む。この方法は、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することを更に含む。この方法は、1つ以上の機械学習された速度プロファイルを出力として提供することを更に含む。
別の実施形態によれば、装置は、少なくとも1つのプロセッサと、1つ以上のコンピュータプログラムのコンピュータプログラムコードを含む少なくとも1つのメモリと、を備え、少なくとも1つのメモリ及びコンピュータプログラムコードは、少なくとも1つのプロセッサを用いて、少なくとも部分的に、装置に、道路ネットワーク内の道路属性の場所を判定させるように構成されている。この装置に、また、道路ネットワーク内の道路属性の場所の前後の分析距離を判定させる。この装置に、道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを更に取り出させる。この装置に、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを更に判定させる。この装置に、1つ以上の機械学習された速度プロファイルを出力として更に提供させる。
別の実施形態によれば、非一時的なコンピュータ可読記憶媒体が、1つ以上の命令の1つ以上のシーケンスを担持し、1つ以上の命令は、1つ以上のプロセッサによって実行されたときに、少なくとも部分的に、装置に、道路ネットワーク内の道路属性中の道路属性の場所を判定させる。この装置に、また、道路ネットワークの場所の前後の分析距離を判定させる。この装置に、道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを更に取り出させる。この装置に、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを更に判定させる。この装置に、1つ以上の機械学習された速度プロファイルを出力として更に提供させる。
加えて、本明細書に記載される様々な例示的な実施形態について、以下が適用可能である。コンピュータプログラム製品が提供されてもよい。例えば、命令を含むコンピュータプログラム製品であって、命令は、プログラムがコンピュータによって実行されたときに、コンピュータに、開示される方法(又は、プロセス)の任意の1つ又は任意の組み合わせを実行させる。
別の実施形態によれば、装置は、道路ネットワーク内の道路属性の場所を判定するための手段を備える。この方法は、また、道路ネットワーク内の道路属性の場所の前後の分析距離を判定することを含む。この方法は、道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことを更に含む。この方法は、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することを更に含む。この方法は、1つ以上の機械学習された速度プロファイルを出力として提供することを更に含む。
加えて、本明細書に記載される様々な例示的な実施形態について、以下が適用可能である。(1)データ、及び/又は、(2)情報、及び/又は、(3)少なくとも1つの信号、の処理を容易にすること及び/又は処理することを含む方法であって、(1)データ、及び/又は、(2)情報、及び/又は、(3)少なくとも1つの信号は、少なくとも部分的に、本出願に開示される方法(又は、プロセス)の任意の1つ又は任意の組み合わせに基づく(又は、少なくとも部分的にそれから導出される)、方法。
本明細書に記載される様々な例示的な実施形態について、以下もまた適用可能である。少なくとも1つのサービスへのアクセスを可能にするように構成された少なくとも1つのインターフェースへのアクセスを容易にすることを含む方法であって、少なくとも1つのサービスは、本出願に開示される任意の1つの方法/プロセス、又は、ネットワーク、若しくは、サービスプロバイダ方法(若しくはプロセス)の任意の組み合わせを実行するように構成されている、方法。
本明細書に記載される様々な例示的な実施形態について、以下もまた適用可能である。(1)少なくとも1つのデバイスユーザインターフェース要素、及び/又は、(2)少なくとも1つのデバイスユーザインターフェース機能性を、作成することを容易にすること及び/又は修正することを容易にすることを含む方法であって、(1)少なくとも1つのデバイスユーザインターフェース要素、及び/又は、(2)少なくとも1つのデバイスユーザインターフェース機能性は、少なくとも部分的に、本発明の任意の実施形態に関連するものとして本出願に開示される方法又はプロセスのうちの1つ又は任意の組み合わせから結果として得られるデータ及び/若しくは情報、並びに/又は本出願に開示される方法(又は、プロセス)のうちの1つ又は任意の組み合わせから結果として得られる少なくとも1つの信号に基づく、方法。
本明細書に記載される様々な例示的な実施形態について、以下もまた適用可能である。(1)少なくとも1つのデバイスユーザインターフェース要素、及び/又は、(2)少なくとも1つのデバイスユーザインターフェース機能性を作成すること及び/又は修正することを含む方法であって、(1)少なくとも1つのデバイスユーザインターフェース要素、及び/又は、(2)少なくとも1つのデバイスユーザインターフェース機能性は、少なくとも部分的に、本発明の任意の実施形態に関連するものとして本出願に開示される方法(又は、プロセス)のうちの1つ又は任意の組み合わせから結果として得られるデータ及び/若しくは情報、並びに/又は、本出願に開示される方法(又は、プロセス)のうちの1つ若しくは任意の組み合わせから結果として得られる少なくとも1つの信号に基づく、方法。
様々な例示的な実施形態では、これらの方法(又は、プロセス)を、サービスプロバイダサイドで、又は、モバイルデバイスサイドで、又は、サービスプロバイダとモバイルデバイスとの間の、アクションが両サイドで実行される任意の共有される方途で、実現することができる。
様々な例示的な実施形態では、以下が適用可能である。請求項に記載の方法を実行するための手段を備える装置。
以下の番号付けされたパラグラフも開示される。
1.コンピュータ実装方法であって、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を含む、方法。
2.ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、を更に含む、パラグラフ1に記載の方法。
3.ナビゲーション経路は、道路属性及び1つ以上の他の道路属性タイプを含み、経路速度プロファイルは、1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく、パラグラフ2に記載の方法。
4.機械学習モデルは、プローブデータを更に処理して、1つ以上の車両が閾値速度値未満で走行している時間に基づいて、道路属性に関連付けられた停止期間を判定する、パラグラフ1に記載の方法。
5.機械学習モデルは、プローブデータを更に処理して、閾値期間を超えて閾値速度値未満で走行している1つ以上の車両の1つ以上のインスタンス上の割合に基づいて、道路属性に関連付けられた停止の確率を判定する、パラグラフ1に記載の方法。
6.分析距離は、速度制限、交通フロー速度、又は、それらと道路属性の場所の近接度との組み合わせに基づいて判定される、パラグラフ1に記載の方法。
7.道路属性は、交通信号であり、方法は、
1つ以上の交通信号状態に基づいて、プローブデータの1つ以上のポイントにアノテートすることを更に含み、
機械学習モデルは、1つ以上の交通信号状態に関して1つ以上の機械学習された速度プロファイルを分類するように、1つ以上のアノテートされたポイントを使用して訓練されている、パラグラフ1に記載の方法。
8.1つ以上の交通信号状態は、
赤信号状態、緑信号から赤信号への状態、又は、それらの組み合わせを含む1つ以上の減速状態と、
緑信号状態、赤信号から緑信号への状態、又は、それらの組み合わせを含む1つ以上の加速状態と、
を含む、パラグラフ7に記載の方法。
9.少なくとも1つのフィルタリングカテゴリに従ってプローブデータをフィルタリングすることを更に含み、
1つ以上の機械学習された速度プロファイルは、少なくとも1つのフィルタリングカテゴリに基づいて判定される、パラグラフ1に記載の方法。
10.少なくとも1つのフィルタリングカテゴリは、時刻、曜日、季節、Covid前、低サンプリング周波数プローブ、又はそれらの組み合わせ、のうちの少なくとも1つを含む、パラグラフ9に記載の方法。
11.少なくとも1つのフィルタリングカテゴリは、車両タイプ、車両特性、又は、それらの組み合わせを含む、パラグラフ9に記載の方法。
12.車両特性は、車両重量、車両全長、車両速度、車軸の数、又は、それらの組み合わせを含む、パラグラフ11に記載の方法。
13.車両タイプは、商用車両、非商用車両、軽トラック、重量トラック、バン、トレーラ、連結トレーラ、バス、又は、それらの組み合わせを含む、パラグラフ11に記載の方法。
14.機械学習モデルは、1つ以上の機械学習された速度プロファイルを判定するための教師ありK近傍法(KNN)アルゴリズムである、パラグラフ1に記載の方法。
15.機械学習モデルは、K平均クラスタリングを使用して1つ以上の機械学習された速度プロファイルを判定する教師なしモデルである、パラグラフ1に記載の方法。
16.装置であって、
少なくとも1つのプロセッサと、
1つ以上のプログラムのコンピュータプログラムコードを含む少なくとも1つのメモリと、を備え、
少なくとも1つのメモリ及びコンピュータプログラムコードは、少なくとも1つのプロセッサを用いて、装置に、少なくとも、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させるように構成されている、装置。
17.装置に、
ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、
を更に行わせる、パラグラフ16に記載の装置。
18.ナビゲーション経路は、道路属性及び1つ以上の他の道路属性タイプを含み、経路速度プロファイルは、1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく、パラグラフ16に記載の装置。
19.1つ以上の命令の1つ以上のシーケンスを担持する非一時的コンピュータ可読記憶媒体であって、命令は、1つ以上のプロセッサによって実行されたときに、装置に、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させる、非一時的コンピュータ可読記憶媒体。
20.装置に、
ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、
を更に実行させる、パラグラフ19に記載の非一時的コンピュータ可読記憶媒体。
以下の番号付けされたパラグラフも開示される。
1.コンピュータ実装方法であって、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を含む、方法。
2.ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、を更に含む、パラグラフ1に記載の方法。
3.ナビゲーション経路は、道路属性及び1つ以上の他の道路属性タイプを含み、経路速度プロファイルは、1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく、パラグラフ2に記載の方法。
4.機械学習モデルは、プローブデータを更に処理して、1つ以上の車両が閾値速度値未満で走行している時間に基づいて、道路属性に関連付けられた停止期間を判定する、パラグラフ1に記載の方法。
5.機械学習モデルは、プローブデータを更に処理して、閾値期間を超えて閾値速度値未満で走行している1つ以上の車両の1つ以上のインスタンス上の割合に基づいて、道路属性に関連付けられた停止の確率を判定する、パラグラフ1に記載の方法。
6.分析距離は、速度制限、交通フロー速度、又は、それらと道路属性の場所の近接度との組み合わせに基づいて判定される、パラグラフ1に記載の方法。
7.道路属性は、交通信号であり、方法は、
1つ以上の交通信号状態に基づいて、プローブデータの1つ以上のポイントにアノテートすることを更に含み、
機械学習モデルは、1つ以上の交通信号状態に関して1つ以上の機械学習された速度プロファイルを分類するように、1つ以上のアノテートされたポイントを使用して訓練されている、パラグラフ1に記載の方法。
8.1つ以上の交通信号状態は、
赤信号状態、緑信号から赤信号への状態、又は、それらの組み合わせを含む1つ以上の減速状態と、
緑信号状態、赤信号から緑信号への状態、又は、それらの組み合わせを含む1つ以上の加速状態と、
を含む、パラグラフ7に記載の方法。
9.少なくとも1つのフィルタリングカテゴリに従ってプローブデータをフィルタリングすることを更に含み、
1つ以上の機械学習された速度プロファイルは、少なくとも1つのフィルタリングカテゴリに基づいて判定される、パラグラフ1に記載の方法。
10.少なくとも1つのフィルタリングカテゴリは、時刻、曜日、季節、Covid前、低サンプリング周波数プローブ、又はそれらの組み合わせ、のうちの少なくとも1つを含む、パラグラフ9に記載の方法。
11.少なくとも1つのフィルタリングカテゴリは、車両タイプ、車両特性、又は、それらの組み合わせを含む、パラグラフ9に記載の方法。
12.車両特性は、車両重量、車両全長、車両速度、車軸の数、又は、それらの組み合わせを含む、パラグラフ11に記載の方法。
13.車両タイプは、商用車両、非商用車両、軽トラック、重量トラック、バン、トレーラ、連結トレーラ、バス、又は、それらの組み合わせを含む、パラグラフ11に記載の方法。
14.機械学習モデルは、1つ以上の機械学習された速度プロファイルを判定するための教師ありK近傍法(KNN)アルゴリズムである、パラグラフ1に記載の方法。
15.機械学習モデルは、K平均クラスタリングを使用して1つ以上の機械学習された速度プロファイルを判定する教師なしモデルである、パラグラフ1に記載の方法。
16.装置であって、
少なくとも1つのプロセッサと、
1つ以上のプログラムのコンピュータプログラムコードを含む少なくとも1つのメモリと、を備え、
少なくとも1つのメモリ及びコンピュータプログラムコードは、少なくとも1つのプロセッサを用いて、装置に、少なくとも、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させるように構成されている、装置。
17.装置に、
ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、
を更に行わせる、パラグラフ16に記載の装置。
18.ナビゲーション経路は、道路属性及び1つ以上の他の道路属性タイプを含み、経路速度プロファイルは、1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく、パラグラフ16に記載の装置。
19.1つ以上の命令の1つ以上のシーケンスを担持する非一時的コンピュータ可読記憶媒体であって、命令は、1つ以上のプロセッサによって実行されたときに、装置に、
道路ネットワーク内の道路属性の場所を判定することと、
道路ネットワーク内の道路属性の場所の前後の分析距離を判定することと、
道路ネットワークの場所の前後の分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させる、非一時的コンピュータ可読記憶媒体。
20.装置に、
ナビゲーション経路を指定する要求を受信することと、
ナビゲーション経路の1つ以上の道路セグメントにおける道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することと、
を更に実行させる、パラグラフ19に記載の非一時的コンピュータ可読記憶媒体。
本発明の更に他の態様、特徴、及び、利点は、本発明を実施するために想定される最良のモードを含むいくつかの特定の実施形態及び実装態様を単に例示することによって、以下の詳細な説明から容易に明らかである。本発明は、他の実施形態及び異なる実施形態も可能であり、そのいくつかの詳細は、全て本発明の趣旨及び範囲から逸脱することなく、様々な自明な点で修正され得る。したがって、図面及び説明は、限定ではなく、本質的に例示とみなされるべきである。
本発明の実施形態は、添付の図面の図に、限定としてではなく、例として例示される。
機械学習を使用して道路属性を所与として速度プロファイルデータを生成するための方法、装置、及び、コンピュータプログラムの実施例が開示される。以下の説明では、説明の目的のために、本発明の実施形態を完全に理解してもらうために、多数の具体的詳細が記載される。しかしながら、本発明の実施形態が、これらの具体的詳細なしに、又は、均等な配置で実施され得ることは、当業者に明らかである。他の事例では、本発明の実施形態を不必要に曖昧にすることを避けるために、周知の構造及びデバイスがブロック図の形態で示される。
図1は、一実施形態による、機械学習を使用して道路属性を所与として速度プロファイルデータを生成することができるシステムの図である。本明細書に記載される様々な実施形態は、速度プロファイルの作成/推定/予測に関する。本明細書で使用される場合、速度プロファイルは、例えば、所与の場所における車両走行速度対時間、及び/又は、車両走行速度対所与の場所(例えば、道路ネットワーク内で走行している車両101及び/又はモバイルユーザ装置(UE)デバイス103の)からの距離を指す。マッピング及びナビゲーションサービスプロバイダについて、ナビゲーション経路の推奨、交通量の予測、到着推定時間の計算などを含むが、これらに限定されない、様々な場所ベースのサービス及び機能を提供するために、現実世界の環境に対して速度プロファイルが生成される。しかしながら、サービスプロバイダは、車両走行速度に影響を与え得る道路属性及び/又は地物を考慮することに関して、重大な技術的課題に直面する。換言すると、道路属性は、交通フローに影響を与える可能性がある道路上又はこの道路に近接した任意のタイプの地物であり得ることが想定される。異なるタイプの道路属性の例としては、交通信号、交通標識、ラウンドアバウト、交差点などが挙げられるが、これらに限定されない。他の例としては、カーブがある道路ネットワーク内の場所、標高の変化、車線数の変化、ジャンクションなどが挙げられ得るが、これらに限定されない。
特に、1つの技術的課題は、任意のナビゲーション経路の現実的な速度プロファイル(例えば、速度対時間、又は、速度対所与の場所からの距離)を生成する能力に関する。技術的な課題が生じるのは、一部には、異なる各ナビゲーション経路が、経路に沿って車両速度を増加又は減少させ得る異なるタイプの道路属性(例えば、交通信号、交通標識、ラウンドアバウトなど)を当然含むものであるためである。したがって、異なる道路条件(例えば、日のタイプ、曜日、季節など)及び/又は車両タイプ(例えば、商用車両対非商用車両)下で、到達道路属性タイプがどの程度車両速度に影響を及ぼすと予想されるかを正確に予測すること、又は、別のことは、技術的に困難であり得る。例えば、車両タイプは、車両が異なるタイプの道路属性に遭遇するときに、著しく異なる車両挙動につながる可能性があり得る。例えば、大型商用車両(例えば、トラックなどの貨物車両)は、大型商用車両が、一般に、進路変更前に、早めにブレーキをかける必要があるか、速度を低下させて交差点(又は他の道路属性)を横断する必要があるか、又は、最終的に2つ以上の車線が空くのを待つ必要があるため、乗用車と比較して交差点、信号、ランプなどで異なる挙動をする。異なる車両タイプの間での車両の挙動のこれらの相違は、従前のプローブデータを単独で使用して区別するのが技術的に困難である。
これらの技術的課題に対処するために、図1のシステム100は、(例えば、機械学習システム105を介して)機械学習アプローチを適用して、(例えば、マッピングプラットフォーム111の地理データベース109に記憶されている)道路属性及び/又は同等の地物の既存のデジタルマップを使用して速度プロファイル(例えば、学習された速度プロファイル107)を生成する能力を導入する。一実施形態では、機械学習システム105は、車両タイプに従ってラベル付けされたプローブデータ115(例えば、車両、すなわちプローブデバイス117、が様々な道路属性を横断する際の車両の場所及び速度を示すデータ)を収集することによって、機械学習モデル113を訓練することができる。このようにして、機械学習システム105は、異なるタイプの車両に対して、学習された速度プロファイル107を予測することができる。例えば、システム100は、プローブデータ115を商用車両又は非商用車両のいずれかとしてラベル付けし、次いで、商用車両対非商用車両の学習された速度プロファイルを別個に予測することができる。商用車両及び非商用車両の車両タイプ例は、限定ではなく例示として提供されることに留意されたい。商用車両は、例えば、大型車両又は重量車両(例えば、軽トラック、重量トラック、トレーラ、連結トレーラ、バスなどであるがこれらに限定されないようなスポーツユーティリティ車両(SUV)よりも大きい又は重い任意の車両、を指すことができる。異なる車両タイプのサブクラス(例えば、上記に列挙された商用車両などの異なるタイプの商用車両)を含むがこれに限定されない任意の車両タイプ分類を、本明細書に記載される実施形態に従って使用することができることが想定される。
一実施形態では、システム100は、学習された速度プロファイル107を使用して、所与のナビゲーション経路上でより効率的に動作するように車両を構成することができる。例えば、大型商用車両(例えば、貨物トラック)は、途中で異なる道路属性に遭遇することに関連する異なる運転要件に応答することができる適応型パワートレインを有することができる。換言すると、交差点及び他の操縦を必要とする道路部分における(例えば、道路属性における)これらの車両の振る舞い方は、車両のパワートレイン又は他のシステムに影響を与える可能性がある。例えば、車両のパワートレイン(例えば、電気パワートレイン、水素ベースのパワートレインなど)は、より低い又はより高い出力要件のために構成され、異なる車両タイプの異なる道路属性において学習された速度プロファイル107に基づいて、バッテリなどに貯蔵された余剰エネルギーを有することができる。
フリーフローの交通及び通常の気象条件の下では、道路属性は、ナビゲーション経路上の速度増加/減少に最も大きな影響を与えると一般に想定されている。それゆえ、本明細書に記載される学習された速度プロファイル107を判定するための機械学習アプローチの様々な実施形態は、履歴で観測された車両速度データを平均することなどであるがこれに限定されない、従来の手段とは異なる車両タイプにわたって、経路上の車両速度のより現実的な表現を提供することができる。
一実施形態では、システム100は、以下を含むがこれらに限定されない、教師あり及び/又は教師なし機械学習アルゴリズム(例えば、機械学習モデル113を作成するための)を使用することができる。K近傍法(KNN)、K平均クラスタリング、多項式回帰、及び/又は同等のもの。例として、KNNアルゴリズムは、特別な訓練段階を有しておらず、かつ分類中の訓練のためにデータの全てを使用し、かつ基礎となるデータについて何も仮定しないため、怠惰学習アルゴリズムである。KNNは、例えば、特徴がラベル付け/アノテートされたデータセット内のデータポイントとどの程度よく一致しているかに基づいて、特徴類似度を使用して新しいデータポイントの値を予測する。K平均は、データポイントをK個のクラスタのうちの1つの最も近い平均値に一致させることに基づいて、データを個数Kのクラスタにクラスタ化する。これらの機械学習アルゴリズムは、限定としてではなく、例示として提供されることに留意されたい。任意の他の同等のアルゴリズム又はプロセスが本明細書に記載される実施形態に従って使用され得ることが想定される。
機械学習アルゴリズムを、現実世界の環境で興味深い横断道路属性であるか、又はこれを有する、プローブデバイス117から収集されたプローブデータ115(例えば、プローブデータ115を収集及び/又は報告するためのアプリケーション119をそれぞれ実行する車両101及び/又はモバイルUE103)に適用することができる。プローブデータ115は、例えば、場所座標(例えば、緯度、経度)、場所データポイントが判定された時間を示すタイムスタンプ、プローブデバイス117の速度、及び/又は識別子(例えば、セッション識別子、プローブ識別子など)などであるがこれらに限定されない属性を有するプローブデバイス117の1つ以上の場所センサを使用して収集された場所データポイント(例えば、全地球測位システム(GPS)データポイント又は同等のもの)である。機械学習アルゴリズムを、道路属性タイプのインスタンスのサンプル(例えば、場所座標-緯度、経度によって示される)と、地物に近接する領域/距離(例えば、地理データベース109のデジタルマップデータから判定される)と、を含む道路属性サンプルデータ121に適用することもできる。本明細書に記載される様々な実施形態は、特定の例示的な道路属性(例えば、交通信号、ラウンドアバウト、停止標識、イールド標識、車線数、道路幅、車線幅など)に関して論じられるが、様々な実施形態を、道路属性を横断している車両速度を増加又は減少させることができる任意のタイプの道路属性とともに使用することができることが想定される。
一実施形態では、システム100は、機械学習アルゴリズム(例えば、機械学習システム105及び機械学習モデル113を介して)を使用して、異なる道路属性タイプを横断している車両の最終速度プロファイル(例えば、学習された速度プロファイル107)を出力する。より具体的には、交通分析ツール及び/又は速度情報アプリケーションプログラミングインターフェース(API)(例えば、マッピングプラットフォーム111によって提供される)を使用して、関心の道路セグメント(例えば、関心のナビゲーション経路における道路セグメント)ごとの交通の平均フリーフロー速度を求めることができる。次に、道路属性の周りで速度の増加及び減少を生じさせることができるように、機械学習システム105を使用して、特定のタイプの道路属性の前後で異なる速度プロファイル(例えば、学習された速度プロファイル107)を識別する。このプロセスを道路属性の複数の組み合わせに適用することによって、各道路属性タイプの前後に対応する学習された速度プロファイル107のプールが利用可能になる。
図2は、一実施形態による、学習された速度プロファイル107から構築された時間空間図201の実施例を例示する図である。時間空間図201は、経時的な経路203の異なる場所(例えば、x軸に沿った)及び経路に沿った距離(例えば、y軸に沿った)における交通条件(例えば、車両速度)を示す。なお、時間空間図201におけるy軸は、経路203の道路セグメントの直線状の整列であり、x軸は、時間単位のローカルな時間である。この実施例では、経路203は、経路203上の道路属性205(例えば、交通標識)を含む。経路203の進行方向に関して、システム100は、道路属性205の場所の前の分析距離207aと、道路属性205の場所の後の分析距離207bと、を判定する。プローブデータ115は、分析距離207a及び207bで道路属性205を横断しているプローブデバイス117から収集されるか、又は別様に取り出される。対応するプローブデータ115の特徴、道路属性205、並びに/又は分析距離207a及び207bは、本明細書に記載される様々な実施形態に従って機械学習システム105を使用して処理されて、分析距離207a及び207b内の経路の道路セグメントについて、及び異なる時間窓にわたって、学習された速度プロファイル107を判定する。学習された速度プロファイル107は、次いで、時間空間図201において視覚化される。
加えて又は代わりに、一実施形態では、学習された速度プロファイル107を使用して、先進運転支援システム(ADAS)又は車両上の他の自律機能をサポートすることができる。上述のように、これらのADAS/自律機能は、パワートレイン管理、ブレーキ管理、エネルギー生成/再生管理、及び/又は同様のものを含むが、これらに限定されない。例えば、車両は速度を下げてから再び速度を上げる必要がある場合である、車両が交差点(又は他の同様の道路属性)に近づく際に、学習された速度プロファイル107を使用して、回生ブレーキが必要となる道路セグメント、及び/又は加速をサポートするために追加の電力若しくはエネルギー貯蔵が必要となる道路セグメントにおいて、より正確に判定することができる。
一実施形態では、学習された速度プロファイル107は、道路属性の場所の前後の分析距離の範囲内にある道路セグメントに対してのみ判定される。結果として、学習された速度プロファイル107は、経路が道路属性の場所の前及び/又は後の分析距離を超えて延在する場合に、関心のナビゲーション経路全体をカバーしない場合がある。ランダムな経路の全速度プロファイルを生成することができるように、一実施形態では、以下の情報が連結される。
●それぞれの分析距離内の道路属性の前後にある経路の道路セグメントの学習された速度プロファイル107、及び
●学習された速度プロファイル107が利用可能である経路上の任意の道路属性の分析距離の範囲内にない経路の道路セグメントのフリーフロー速度又は速度制限(例えば、地理データベース109又は同等のものから照会されるか、又は別様に取り出される)。
●それぞれの分析距離内の道路属性の前後にある経路の道路セグメントの学習された速度プロファイル107、及び
●学習された速度プロファイル107が利用可能である経路上の任意の道路属性の分析距離の範囲内にない経路の道路セグメントのフリーフロー速度又は速度制限(例えば、地理データベース109又は同等のものから照会されるか、又は別様に取り出される)。
そのため、随意の経路を所与として、本明細書に記載されるシステム100の様々な実施形態は、学習された速度プロファイル107、速度制限(法定速度制約)、及び/又は交通フリーフロー速度(例えば、マッピングプラットフォーム111又は同等のもの、交通分析ツール及び速度情報API出力からの)とともにスティッチングされることとなる経路全体の速度プロファイルを生成する能力を有する。
一実施形態では、学習された速度プロファイル107は、通信ネットワーク123を介してシステム100への接続性を有する任意のサービス、アプリケーション、及び/又は構成要素への出力として提供され得る。これらのサービス、アプリケーション、及び/又は構成要素の例は、サービスプラットフォーム125、サービスプラットフォーム125の1つ以上のサービス127a~125n(サービス127とも称される)、1つ以上のコンテンツプロバイダ129などによって提供される場所ベースのサービス又は他のサービスを含む。
本明細書に記載される様々な実施形態は、より正確であり、かつ極端な値に対する感度が低く、過平滑化、及び同じ道路属性に対してまでも異なるタイプの速度プロファイルを識別する能力がないことによって、従来のアプローチよりも技術的な改善を提供する。このアプローチでは、システム100は、(例えば、従来行われてきたように)常に一括で速度を平均化しない。その代わりに、一実施形態によれば、システム100は、常に、道路属性の分析距離内の異なる速度パターンをクラスタ化し、クラスタの速度を表す最良の多項式フィッティングを求める。一実施形態では、システム100は、また、車両101が道路属性に近づくときに、車両101の速度及び/又は関連する特徴に基づいて、車両101が速度を増加、減少させるか、又は定常速度を維持するかを予測するための機械学習モデル113を提供する。
図3は、一実施形態による、道路属性を所与として速度プロファイルデータを生成することができる機械学習システム105の構成要素の図である。一実施形態では、図3に示されるように、システム100の機械学習システム105は、本明細書に記載される様々な実施形態に従って、所与の道路属性について学習された速度プロファイル107を生成するための1つ以上の構成要素を含む。機械学習システム105の構成要素の機能は、同等の機能性の他の構成要素によって組み合わされてもよいし、又は実行されてもよいことが想定される。示されるように、一実施形態では、機械学習システム105は、分析モジュール301、予測モジュール303、及び出力モジュール305を含む。機械学習システム105の上記の提示されたモジュール及び構成要素を、ハードウェア、ファームウェア、ソフトウェア、又はそれらの組み合わせで実装することができる。図1に別個のエンティティとして描示されているが、機械学習システム105は、システム100の構成要素(例えば、マッピングプラットフォーム111、サービスプラットフォーム125、サービス127、コンテンツプロバイダ129、プローブデバイス117、車両101、UE103、アプリケーション119などの構成要素)のうちのいずれかのモジュールとして実装されてもよいことが想定される。別の実施形態では、モジュール301~305の1つ以上は、クラウドベースサービス、ローカルサービス、ネイティブアプリケーション、又はそれらの組み合わせとして実装されてもよい。機械学習システム105及びモジュール301~305の機能は、以下の図に関して論じられる。
図4は、一実施形態による、機械学習を使用して道路属性を所与として速度プロファイルデータを生成するためのプロセスのフローチャートである。様々な実施形態では、機械学習システム105、及び/又はモジュール301~305のいずれかは、プロセス400の1つ以上の部分を実行してもよく、例えば、図8に示されるように、プロセッサ及びメモリを含むチップセットに実装されてもよい。したがって、機械学習システム105、及び/又はモジュール301~305のいずれかは、プロセス400の様々な部分を実現するための手段、及びシステム100の他の構成要素と併せて本明細書に記載される他のプロセスの実施形態を実現するための手段を提供することができる。プロセス400は、一連のステップとして例示及び記載されているが、プロセス400の様々な実施形態は、任意の順序又は組み合わせで実行されてもよく、例示されたステップの全てを含む必要はないことが想定される。
ステップ401において、分析モジュール301は、道路ネットワーク内の道路属性の場所を判定する。前述したように、道路属性は、属性を横断している車両の車両速度を増加又は減少させる可能性があり得る任意の地図地物又は地図製作地物であり得る。一実施形態では、関心の道路属性のセットを、システム100によって指定するか、又は別様に定義することができる。例えば、機械学習システム105によって分析又は検出する道路属性のセットは、交通信号、ラウンドアバウト、停止標識、イールド標識などを含むことができるが、これらに限定されない。
1つ以上の道路属性のセットが選択されると、分析モジュール301は、各道路属性タイプのサンプル(例えば、道路属性サンプルデータ121)を作成することができる。一実施形態では、各サンプルは、道路属性インスタンスのターゲット数(例えば、100又は任意の他の指定された数)を含むことができる。このサンプルを、例えば、関心の道路属性のインスタンスのターゲット数について地理データベース109又は同等の地図データベースを照会することによって作成することができる。例えば、関心の道路属性がラウンドアバウトである場合には、次いで、分析モジュール301は、所与の地理的領域で発生する交通信号の100個のインスタンスの場所について地理データベース109に照会することができる。次いで、分析モジュール301は、照会された場所座標(例えば、緯度、経度)を使用して、各インスタンスの場所を示す(例えば、ラウンドアバウトのX量をサンプリングし、及びサンプリングされたラウンドアバウトの各インスタンスに帰属する場所座標(例えば、緯度、経度)データがあることを確認する)ことができる。
一実施形態では、分析モジュール301は、任意選択で、関心の各道路属性のインスタンスのターゲット数を選択するための追加の基準を指定することができる。例えば、分析モジュール301は、他の道路属性の近接度閾値内で発生しないインスタンスを探索して、2つ以上の近接する道路属性に帰属可能な混同させる可能性がある車両速度の増加又は減少を回避することができる。他の実施例では、分析モジュール301は、関連付けられた道路セグメントの機能クラス、関連付けられた道路セグメントの速度制限などであるがこれらに限定されないような他のコンテキスト属性に基づいてインスタンスをフィルタリングするための基準を使用することができる。
ステップ403では、分析モジュール301は、道路ネットワーク内の道路属性の場所(例えば、ステップ401の様々な実施形態に従って収集された道路属性サンプルデータ121中の道路属性の各インスタンスの場所)の前後の分析距離を判定する。本明細書で使用される場合、「分析距離」という用語は、学習された速度プロファイル106を生成するためのプローブデータ115がサンプリングされた道路属性の場所の前後の物理的距離を指す。一実施形態では、分析モジュール301は、各道路属性の前後の「分析距離」を、道路属性の近接度閾値内の交通の速度制限又は平均フリーフロー速度(又は道路属性の判定されたインスタンス)の関数として定義する。
一実施形態では、分析距離を、車両のタイプ及び/又は特性に基づいて判定することができる。車両タイプ又は車両特性を、例えば、評価されているプローブデータ115中のアノテーションから判定することができる。例えば、プローブデータプロバイダは、車両タイプ又は車両特性のアノテーションを含むことができる。他の場合では、プローブデータ115がラベル付け又はアノテートされていない場合でも、プローブデータプロバイダは、データが収集された車両又はフリートのタイプを指定してもよい(例えば、フリートが、商用車両タイプの場合に、トラック、バン、及び/又は他のタイプの商用車両のみを含むことを指定することによって)。加えて又は代わりに、プローブデータ115は、一次速度、反応距離、速度減少/増加プロファイルなどであるがこれらに限定されないような、異なる観測された運転挙動プロファイル又は特徴によって処理及びグループ化されてもよい。次いで、プローブデータ115から判定されたこれらの運転挙動プロファイルを使用して、異なる車両タイプ及び/又は車両特性によって、関連付けられた車両を分類することができる。車両タイプ分類は、一般の車両タイプ(例えば、商用車両対非商用車両)、又は一般のカテゴリ内の車両タイプ(例えば、軽トラック、重量トラック、バン、トレーラ、連結トレーラ、バスなど)のより詳細な分類を含むことができる。他の実施形態では、分類は、重量、全長、速度、車軸の数などであるがこれらに限定されないような、車両の個々の特性に基づくことができる。
車両タイプ及び/又は車両特性分類は、車両の停止距離を示すことができる。一実施形態では、次いで、分析距離をこの停止距離から判定することができる。例えば、分析距離を、車両の停止距離よりも大きくすることができ、車両の総重量、車両の全長、車両の速度、車軸の数などであるがこれらに限定されないような車両のタイプ又は特性が分析距離に影響を与える可能性がある。例えば、分析モジュール301は、商用車両(例えば、貨物トラック、作業トラックなど)と非商用車両(例えば、乗用車)とを区別することができる。それは、それらが、重量、サイズ、取り扱い特性で著しく異なる可能性があり、ひいては、このことが、分析距離及び/又は停止距離に影響を与える可能性があるからである。このようにして、学習された速度プロファイル107を、異なる車両タイプ(例えば、商用車両クラス対非商用車両)及び/又は異なる車両特性(例えば、重量、全長、速度、車軸の数、適用可能な速度制限など)について別個に判定することができる。
車両タイプ及び/又は車両特性による学習された速度プロファイル107のこの階層化は、限定としてではなく、例示として提供されていることに留意されたい。本明細書に記載される実施形態に従って、区別された学習速度プロファイル107を作成するために、任意の他のタイプの車両特性又は属性(例えば、自動車対トラック、オートバイ対自動車、重量、全長など)を選択することができることが想定される。したがって、任意の関心の粒度で任意の関心の車両タイプ及び/又は車両特性でアノテートされた訓練データを使用して、機械学習モデル113を訓練することができる。次いで、結果として得られる学習された速度プロファイル107を、商用車両対非商用車両よりも細かい分類(例えば、上記の実施例に列挙されたタイプ及び特性、又は同等のもの)を含む関心の車両タイプ及び/又は特性についても予測することができる。
一実施形態では、いくつかの道路属性(例えば、交通信号)は、複数の状態を有していない他の道路属性(例えば、交通標識)と比較して、複数の状態(例えば、「赤から緑へ」、「緑」、「赤」、及び「緑から赤へ」などの交通信号状態)を有し得る。複数の状態を有する道路属性であるか、又はシステム100がより精細な分類を有することを望む実施形態では、分析モジュール301は、「分析距離」をより短い距離になるように設定することができる(例えば、5%~10%大きいなどであるがこれに限定されない、「停止距離」よりも少しだけ大きいように)。理由は、停止距離が、以下のうちの1つ以上の組み合わせであり得るためである。知覚距離(例えば、運転者がどのくらい離れて道路属性を知覚することができるものであるか)、反応距離(例えば、どのような距離を経て、運転者が道路属性を知覚した後に道路属性に反応することができるか)、及び制動距離(例えば、どのような距離を経て、運転者が速度を落とすか又は停止することによって行動することを決定した後に車両が速度を下げるか、又は停止に至るか)。
非多重状態の道路属性シナリオの下では、分析モジュール301は、分析距離を、停止距離よりもかなり大きく(例えば、10%よりも大きく)なるように設定することができる。しかしながら、複数の状態の道路属性(例えば、交通信号)のKNN分類を実行するとき、異なるクラス(例えば、上記の実施例に記載される交通信号状態の4つのクラスの全て)のプローブデータポイントが、分析距離の開始において重複することとなり、かつこれらのプローブデータポイントが実際の停止距離に近づくにつれてより良く定義される(例えば、分離され、グループ化される)こととなるため、分類は、より大きな分析距離では最適ではない場合がある。したがって、一実施形態では、分析モジュール301は、速度プロファイル分析のための複数状態の道路属性(例えば、交通信号)対非複数状態の属性(例えば、ラウンドアバウト、停止標識、イールド標識、車線数、道路幅、車線幅など)について異なる分析距離を有することができる。
一実施形態では、分析モジュール301が、分析距離に到達する車両(例えば、トラック)の特定のシミュレートされる速度に対する適切な速度プロファイルをより良く選択することができるように、分析距離は、停止距離よりも大きくなるように設定される。シミュレートされる車両(例えば、トラック)は、この車両が分析距離に近づくときに一定の速度を有することとなり、分析モジュール301は、選択された学習された速度プロファイル107が接近速度に最も近いことに基づいて、全ての学習された速度プロファイル107の中から学習された速度プロファイル107を選ぶことができる。
以下の表1は、例示的な車両(例えば、トラック)の接近速度及び対応する停止距離(及び、更に進めて、停止距離の関数である分析距離)を提供する。表1の値は、限定としてではなく、例示として提供されることに留意されたい。実際の接近速度又は速度制限、及び結果として得られる停止/分析距離は、現実世界環境内の道路属性に依存する。
道路属性サンプルデータ121中の道路属性インスタンスの分析距離を設定した後、分析モジュール301は、各道路属性タイプの各道路属性インスタンスの場所(例えば、緯度、経度)の前後の定義された分析距離内のプローブデータ115(例えば、GPSプローブデータ)をサンプリングすることができる。一実施形態では、各インスタンスに関連付けられた速度制限及び/又はトラフィックフリーフロー速度は、異なり得るため、各インスタンスは、異なる分析距離を相応に有し得る。手短に言えば、ステップ405において、分析モジュール301は、道路ネットワーク内の道路属性(又は道路属性インスタンス)の場所の前後の分析距離を横断している1つ以上の車両101(又はプローブデバイス117又はUE103)の1つ以上の場所センサを使用して収集されたプローブデータ115を取り出す。
一実施形態では、分析モジュール301は、サンプリングされたプローブデータ115の追加の前処理を実行することができる。例えば、分析モジュール301は、サンプリングされたプローブデータ115上で、当技術分野で既知の任意のマップマッチングアルゴリズム又はプロセスを実行して、外れ値、プローブエラー、及び/又は重複を除去することができる。例えば、プローブデータポイントを一致させてマッピングすることができないか、又はプローブデータポイントが同じセッション若しくは軌道における近傍のポイントの閾値距離内にない場合、外れ値及び/又はプローブエラーを識別することができる。2つ以上のポイントが同じ道路セグメントの閾値距離内に一致してマッピングされる場合、重複を識別することができる。
別の例示的な前処理ステップは、サンプリングされたプローブデータ115中の各セッションのプローブの場所座標(例えば、緯度、経度)属性を、関心の道路属性の前又は後の相対場所(例えば、メートル又は同等のもの)に変換することである。変換は、道路属性の座標とプローブの座標との間の距離及び方向を単純に判定することによって、又は任意の他の同等の手段によって実行され得る。更に別の例示的な前処理ステップは、速度外れ値である任意のプローブを除去することである。換言すると、同じセッション内の他のプローブと統計的に著しく異なっている速度を有するプローブを、外れ値として除去することができる。分析モジュール301は、当技術分野で知られている任意の外れ値試験又は除去手順を使用することができることが想定される。
ステップ407において、予測モジュール303は、機械学習モデルを使用してプローブデータを処理して、分析距離内の道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定する。一実施形態では、機械学習処理プロセスを、以下に分離することができる。(1)例えば、複数の状態を有する道路属性(例えば、交通信号)のために使用するための教師あり学習アプローチ、及び(2)例えば、複数の状態を有していない道路属性(例えば、ラウンドアバウト、停止標識、イールド標識、車線数、道路幅、車線幅など)のために使用するための教師なし学習アプローチ。
教師あり機械学習の実施形態について、予測モジュール303は、サンプリングされたプローブデータ115(例えば、上述した実施形態に従って収集された)のデータポイントに、道路属性の可能な状態に基づくクラスでアノテートする。交通信号道路属性のクラスの例としては、以下が挙げられるが、これらに限定されない。「赤から緑へ」、「緑」、「赤」、及び「緑から赤へ」。
次いで、予測モジュール303は、車両が速度を落としているか、又は停止に至ろうとしている減速に関連付けられたクラスの速度プロファイルを求める。交通信号状態に関して、これらの減速クラスは、「赤」クラス(例えば、交通信号が、車両が停止するべきであることを示す赤である場合)、及び「緑から赤へ」クラス(例えば、交通信号が、車両が速度を下げて停止するべきであることを示す、赤の前の黄への変化などの、緑から赤に変化している場合)に関連付けられたプローブ又はデータポイントを含む。減速クラス(例えば、「赤」及び「緑から赤へ」クラス)では、予測モジュール303は、K平均クラスタリング又は同等のものを使用して、異なる速度クラスタを識別することができる。2つの減速クラス内の各クラスタについて、予測モジュール303は、多項式回帰又は同等のものを実行し、グループに最適なフィッティングを識別する(例えば、減速クラスの速度プロファイル又は挙動を特徴付けるために)。
予測モジュール303は、同様のプロセスを実行して、車両が速度を上げているか、又は別様に速度を落としていない加速に関連付けられたクラスの速度プロファイルを求めることができる。交通信号状態に関して、これらの加速クラスは、「緑」クラス(例えば、交通信号が、車両が停止しないで続行することができることを示す緑である場合)、及び「赤から緑へ」クラス(例えば、交通信号が、車両が停止から続行することを示す、赤から緑に変化している場合)に関連付けられたプローブ又はデータポイントを含む。加速クラス(例えば、「緑」及び「赤から緑へ」クラス)では、予測モジュール303は、K平均クラスタリング又は同等のものを使用して、異なる速度クラスタを識別することができる。2つの加速クラス内の各クラスタについて、予測モジュール303は、多項式回帰又は同等のものを実行し、グループに最適なフィッティングを識別する(例えば、減速クラスの速度プロファイル又は挙動を特徴付けるために)。
次に、予測モジュール303は、(例えば、入力されたプローブデータ115に基づいて)車両を複数の状態の道路属性(例えば、上記の実施例に記載された交通信号状態の4つのクラス)に関連付けられたクラスのうちの1つに分類するための機械学習モデル113を作成することができる。予測モジュール303は、ラベル付け/アノテートされたデータセット(例えば、上述した実施形態に従って生成される)に対して、データを4つのクラス(例えば、「赤から緑へ」、「緑」、「赤」、及び「緑から赤へ」)に分類する機械学習モデル113を有するKNN又は同等のものを実行する。
一実施形態では、機械学習モデル113は、プローブデータを更に処理して、1つ以上の車両が閾値速度値未満で走行している時間に基づいて、道路属性に関連付けられた停止期間を判定する。より具体的には、予測モジュール303は、以下によって、道路属性(例えば、交通信号)のインスタンスごとに平均の停止の期間を求めることができる。
●道路属性において停止した、サンプリングされたプローブデータ115中のセッション/トレース/車両にラベル付けすること、
●(1)減速クラス(「赤」及び「緑から赤へ」)の車両、(2)分析距離に沿って速度を下げる車両、及び(3)道路属性の前方の分析距離内にある間、「停止速度」よりも低い速度を有する車両をフィルタ除去し、フィルタリングされた車両を「停止した」としてラベル付けすること、
●「停止した」とラベル付けされているサンプリングされたプローブデータ115中のセッション/トレース/車両ごとに、車両場所が道路属性の前である間、その速度が停止速度(例えば、上記で定義される)を下回っていた時間を求めること(各「停止した」車両は、「停止期間」を有する)、及び
●サンプリングされたプローブデータ115中の全ての車両/セッション/トレースの停止期間を道路属性タイプにわたって集約したものとして平均し、判定された平均停止期間を、道路属性タイプごとの平均の停止の期間として記憶すること。
●道路属性において停止した、サンプリングされたプローブデータ115中のセッション/トレース/車両にラベル付けすること、
●(1)減速クラス(「赤」及び「緑から赤へ」)の車両、(2)分析距離に沿って速度を下げる車両、及び(3)道路属性の前方の分析距離内にある間、「停止速度」よりも低い速度を有する車両をフィルタ除去し、フィルタリングされた車両を「停止した」としてラベル付けすること、
●「停止した」とラベル付けされているサンプリングされたプローブデータ115中のセッション/トレース/車両ごとに、車両場所が道路属性の前である間、その速度が停止速度(例えば、上記で定義される)を下回っていた時間を求めること(各「停止した」車両は、「停止期間」を有する)、及び
●サンプリングされたプローブデータ115中の全ての車両/セッション/トレースの停止期間を道路属性タイプにわたって集約したものとして平均し、判定された平均停止期間を、道路属性タイプごとの平均の停止の期間として記憶すること。
停止期間は0kmhである必要はないことに留意されたい。予測モジュール303は、停止速度を、閾値速度値未満の任意の速度であるとみなすことができる。一実施形態では、閾値速度値は、プローブデータ115を収集するために使用されるセンサの一般のセンサ誤差に基づくことができる。例えば、トラックなどであるがこれに限定されない商用車両は、±2kmhに等しい速度のセンサ誤差を有することができ、その場合に、速度≦2kmhのプローブデータ115中の全てのトレースは、停止速度を有するとみなされることとなる。
一実施形態では、機械学習モデルは、プローブデータを更に処理して、閾値期間を超えて閾値速度値未満で走行している1つ以上の車両の1つ以上のインスタンス上に基づいて、道路属性に関連付けられた停止の確率を判定する。停止の確率を、サンプリングされたプローブデータ115中の車両を停止する割合として、又は任意の他の同等のプロセスによって判定することができる。
ステップ407は、ここで、複数の状態を有する道路属性の、又は道路属性の複数の状態を考慮する必要がない場合の、教師なし機械学習アプローチの実施形態に戻る。教師なしアプローチの下では、予測モジュール303は、K平均クラスタリング又は同等のものを使用して、サンプリングされたプローブデータ115を処理して、異なる速度クラスタを識別することができる。各クラスタについて、予測モジュール303は、多項式回帰又は同等のものを実行し、グループに最適なフィッティングを識別する(例えば、減速クラスの速度プロファイル又は挙動、すなわち学習された速度プロファイル107、を特徴付けるために)。
一実施形態では、教師なしアプローチは、また、教師ありアプローチの様々な実施形態に関して上述したように、道路属性のインスタンスごとの平均の停止の期間を判定することができる。加えて、予測モジュール303は、また、上記の教師ありアプローチの様々な実施形態に関して記載されるように、道路属性のインスタンスごとに停止の確率を求めることができる。
教師ありアプローチ又は教師なしアプローチのいずれかの一実施形態では、予測モジュール303は、道路属性サンプルデータ121中の道路属性インスタンスに関連付けられたあらゆる速度制限値又は交通フリーフロー速度値(例えば、商用車両道路及び/又は非商用車両道路上で利用可能な)についてプロセスを実行することができる。理由は、最初に、機械学習システム105が、機械学習処理の前にこれらの値によって道路属性インスタンスをフィルタリングするためである。つまり、機械学習システム105は、(例えば、道路属性の近接度閾値に最も近い又は近接度閾値内の道路セグメントに関連付けられた)特定の速度制限又はフリーフロー交通速度ごとに、道路属性付近の学習された速度プロファイル107で終わることとなる。このため、機械学習された速度プロファイル107は、同じ、道路属性タイプのサンプルについてであっても、速度制限値(又は交通フリーフロー速度)ごとに異なることとなる。
以下の表2は、教師ありアプローチ及び教師なしアプローチの両方の実施形態の例示的な道路属性(例えば、交通信号、ラウンドアバウト、停止標識、イールド標識、車線数、道路幅、車線幅など)の本明細書に記載される様々な実施形態による、学習された速度プロファイル107を生成するためのプロセス400のサンプリング、前処理、処理、及び出力ステップをまとめたものである。
ステップ409において、出力モジュール305は、1つ以上の機械学習された速度プロファイル又は訓練された機械学習モデル113を出力として提供する。より具体的には、一実施形態では、出力モジュール305は、以下のうちの1つ以上を出力として提供することができる。
●道路属性(例えば、交通信号)に近づくときに、シミュレートされる車両(例えば、商用車両又は非商用車両)の速度挙動を分類するための分類器モデル113。モデル訓練及びオブジェクトへのアクセスを許可しないために、分析距離におけるシミュレートされる車両(例えば、トラック)の速度を所与として、かつ速度制限及び/又は他の特徴/属性(例えば、道路属性に関連付けられた道路セグメントの機能クラス、国、車線の量など)を知得すると、出力モデル113を、予測されるクラス(例えば、「赤」、「緑」、「赤から緑へ」、「緑から赤へ」)を返すサービスとして作成することができる。
●関心の道路属性の前後の学習された速度プロファイル107のリスト(例えば、リストは、本明細書に記載される様々な実施形態によるデータの多項式フィッティングの結果である)。一実施形態では、このデータセットは、最終出力であり、コード又は生データは、出力に含まれない。
●道路属性に近づくときの平均停止時間及び停止の確率。
●随意の経路の要求ごとに、シミュレートされる速度を返すサービス。
●道路属性(例えば、交通信号)に近づくときに、シミュレートされる車両(例えば、商用車両又は非商用車両)の速度挙動を分類するための分類器モデル113。モデル訓練及びオブジェクトへのアクセスを許可しないために、分析距離におけるシミュレートされる車両(例えば、トラック)の速度を所与として、かつ速度制限及び/又は他の特徴/属性(例えば、道路属性に関連付けられた道路セグメントの機能クラス、国、車線の量など)を知得すると、出力モデル113を、予測されるクラス(例えば、「赤」、「緑」、「赤から緑へ」、「緑から赤へ」)を返すサービスとして作成することができる。
●関心の道路属性の前後の学習された速度プロファイル107のリスト(例えば、リストは、本明細書に記載される様々な実施形態によるデータの多項式フィッティングの結果である)。一実施形態では、このデータセットは、最終出力であり、コード又は生データは、出力に含まれない。
●道路属性に近づくときの平均停止時間及び停止の確率。
●随意の経路の要求ごとに、シミュレートされる速度を返すサービス。
上記の要求のシミュレートされる速度又は学習された速度プロファイル107の出力に関して、マッピングプラットフォーム111は、ナビゲーション経路を指定するか、又は別様に示す要求を受信する。次いで、マッピングプラットフォーム111は、機械学習システム105とインタラクトして、ナビゲーション経路の1つ以上の経路道路セグメント内の道路属性を識別することに基づいて、道路属性に関連付けられた1つ以上の機械学習された速度プロファイル107に少なくとも部分的に基づいて、ナビゲーション経路の経路速度プロファイルを判定することができる。一実施形態では、ナビゲーション経路は、道路属性及び1つ以上の他の道路属性タイプを含み、経路速度プロファイルは、1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく。
一実施形態では、経路内の任意の道路属性の分析距離内にない要求されたナビゲーション経路の道路セグメントについて、マッピングプラットフォーム111は、地理データベース109又は同等のデータストアに以前に記録された履歴の走行速度及び/又は速度制限を連結することができる。換言すると、マッピングプラットフォーム111は、本明細書に記載される実施形態による道路属性に関連付けられた道路セグメントについて生成された学習された速度プロファイル107を有する属性がない道路セグメントについての事前の速度データを(例えば、履歴の交通分析ツール、速度API、又は同等のものを介して)連結することによって、ナビゲーション経路全体(例えば、ナビゲーション経路の全ての道路セグメント)の速度プロファイルをシミュレートすることができる。
図5は、一実施形態による、経路速度プロファイルを要求するための例示的なユーザインターフェース501を例示する図である。示されるように、ユーザインターフェース501は、計画されたナビゲーション経路の出発点(例えば、「起点A」)及び終点(例えば、「目的地A」)を入力するためのユーザインターフェース要素503及び505と、更には経路を走行することになる車両のタイプ(例えば、トラックなどの「商用」車両)を入力するためのユーザインターフェース要素507と、を含む。マッピングプラットフォーム111は、推奨経路509を生成し、ユーザインターフェース要素511に推奨経路509の表現を提示する。この実施例では、推奨経路509は、以下の2つの道路属性を含む。イールド標識513及び交通信号515。次いで、マッピングプラットフォーム111は、機械学習システム105とインタラクトして、イールド標識513及び交通信号515のそれぞれの分析距離に入る商用車両の速度に対応する、イールド標識513及び交通信号515の近くの道路セグメントについての学習された速度プロファイル107を判定するか、又は別様に提供する。次いで、道路属性に関連付けられている経路509の道路セグメントについての学習された速度プロファイル107は、道路属性に関連付けられていない道路セグメント上の履歴の交通フリーフロー速度と連結されて、経路509の全体的な速度プロファイル(例えば、経路509内の各道路セグメントにおける予測される車両速度)を生成する。図5の実施例では、ユーザは、マウスポインタ519を使用して、経路509の道路セグメント517を選択する。マッピングプラットフォーム111は、経路509の全体的な速度プロファイルから、選択された道路セグメント517についての予測される平均速度を判定し、ユーザインターフェース要素521に道路セグメント517についての予測される平均速度を提示する。経路509の推定走行時間(図示せず)を、任意選択で、全体的な速度プロファイルにおける全ての道路セグメントについての予測される平均速度と、推奨経路509によってカバーされる全体的な距離と、に基づいて計算することができる。加えて、推定到着時間(図示せず)を、任意選択で、ナビゲーション経路509の推定走行時間及び出発時間から計算することができる。
図1に戻ると、示されるように、システム100は、所与の道路属性についての学習された速度プロファイル107を生成するための機械学習システム105を含む。一実施形態では、機械学習システム105は、プローブデータ115及び道路属性サンプルデータ121を処理して、道路属性を有する道路セグメントについての学習された速度プロファイル107を生成する。機械学習システム105は、本明細書に記載される実施形態による、機械教師あり又は教師なし学習タスクを実行するための1つ以上の機械学習モデル113(例えば、KNN、K平均、及び/又は同等のものなどであるがこれらに限定されないようなアルゴリズムに基づく)を含むか、又はそれに別様に関連付けられている。
一実施形態では、機械学習システム105は、学習された速度プロファイル107を下流機能のために使用することができる1つ以上のサービス127を提供する、マッピングプラットフォーム111、サービスプラットフォーム125への、通信ネットワーク123を介した接続性を有する。例として、サービス127は、第三者サービスであり、マッピングサービス、ナビゲーションサービス、走行計画サービス、通知サービス、ソーシャルネットワーキングサービス、コンテンツ(例えば、音声、ビデオ、画像など)プロビジョニングサービス、アプリケーションサービス、ストレージサービス、コンテキスト情報判定サービス、場所ベースサービス、情報ベースサービス(例えば、気象、ニュースなど)などを含み得るが、これらに限定されない。一実施形態では、サービス127は、機械学習システム105の出力(例えば、学習された速度プロファイル107)を使用して、ナビゲーション、マッピング、他の場所ベースサービスなどのようなサービスを車両101、UE103、アプリケーション119、及び/又は他のクライアントデバイスに提供する。
一実施形態では、機械学習システム105及び/又はマッピングプラットフォーム111は、複数の相互接続された構成要素を有するプラットフォームであり得る。機械学習システム105及び/又はマッピングプラットフォーム111は、本明細書に記載される様々な実施形態による所与の道路属性についての学習された速度プロファイル107を生成するための、複数のサーバ、インテリジェントネットワーキングデバイス、コンピューティングデバイス、構成要素、及び対応するソフトウェアを含み得る。加えて、機械学習システム105は、システム100の別個のエンティティ、マッピングプラットフォーム111の一部、1つ以上のサービス127、サービスプラットフォーム125の一部であってもよいし、又は車両101及び/若しくはUE103の構成要素内に含まれてもよいことに留意されたい。
一実施形態では、コンテンツプロバイダ129は、(例えば、ネットワーク地物データ、グラフデータ、地理データなどを含む)コンテンツ又はデータを、地理データベース109、機械学習システム105、マッピングプラットフォーム111、サービスプラットフォーム125、サービス127、車両101、UE103、及び/又はUE103上で実行動作するアプリケーション119に提供し得る。提供されるコンテンツは、プローブデータ、機械学習モデル、置換行列、マップ埋め込み、マップコンテンツ、テキストコンテンツ、オーディオコンテンツ、ビデオコンテンツ、画像コンテンツなどのような、任意のタイプのコンテンツであり得る。一実施形態では、コンテンツプロバイダ129は、本明細書に記載される様々な実施形態による所与の道路属性についての学習された速度プロファイル107を生成することを支援し得るコンテンツを提供し得る。一実施形態では、コンテンツプロバイダ129は、また、機械学習システム105、地理データベース109、マッピングプラットフォーム111、サービスプラットフォーム125、サービス127、及び/又はシステム100の任意の他の構成要素、に関連付けられたコンテンツを記憶してもよい。別の実施形態では、コンテンツプロバイダ129は、データの中央リポジトリへのアクセスを管理し、地理データベース109のリポジトリなどの、データに対する一貫した標準的なインターフェースを提供し得る。
一実施形態では、車両101及び/又はUE103は、ソフトウェアアプリケーション119を実行して、本明細書に記載される実施形態による学習された速度プロファイル107を使用し得る。例として、アプリケーション119は、また、自律運転アプリケーション、ルーティングアプリケーション、マッピングアプリケーション、場所ベースサービスアプリケーション、ナビゲーションアプリケーション、デバイス制御アプリケーション、コンテンツプロビジョニングサービス、カメラ/イメージングアプリケーション、メディアプレーヤアプリケーション、ソーシャルネットワーキングアプリケーション、カレンダーアプリケーションなどのような、車両101及び/又はUE103上で実行可能な任意のタイプのアプリケーションであってもよい。一実施形態では、アプリケーション119は、機械学習システム105及び/又はマッピングプラットフォーム111のクライアントとして機能することができ、機械学習又は同等のタスクのためのデータを圧縮することに関連付けられた1つ以上の機能を、単独で、又は機械学習システム105及び/又はマッピングプラットフォーム111との組み合わせで実行し得る。
例として、車両101及び/又はUE103は、内蔵ナビゲーションシステム、パーソナルナビゲーションデバイス、モバイルハンドセット、ステーション、ユニット、デバイス、マルチメディアコンピュータ、マルチメディアタブレット、インターネットノード、通信装置、デスクトップコンピュータ、ラップトップコンピュータ、ノートブックコンピュータ、ネットブックコンピュータ、タブレットコンピュータ、パーソナル通信システム(PCS)デバイス、パーソナルデジタルアシスタント(PDA)、オーディオ/ビデオプレーヤ、デジタルカメラ/カムコーダ、測位デバイス、フィットネスデバイス、テレビ受信機、ラジオ放送受信機、電子ブックデバイス、ゲームデバイス、又はこれらのデバイスのアクセサリ及び周辺機器を含むそれらの任意の組み合わせを含む、任意のタイプの埋め込みシステム、モバイル端末、固定端末、若しくは可搬型端末、又はそれらの任意の組み合わせであるか、若しくはこれらを含むことができる。車両101及び/又はUE103は、ユーザに対する任意のタイプのインターフェース(「ウェアラブル」回路など)をサポートすることができることも想定される。一実施形態では、車両101及び/又はUE103は、車両又は任意の他のデバイスに関連付けられてもよいし、車両又は任意の他のデバイスの構成要素であってもよい。
一実施形態では、車両101及び/又はUE103は、プローブデータ115、関連する地理データなどを生成又は収集するための様々なセンサを備えて構成されている。一実施形態では、感知されたデータは、センサデータであって、センサデータが収集された地理的場所又は座標に関連付けられた、センサデータと、地理データベース109のデジタルマップデータを生成するためにセンサデータから導出された、検出された関心のオブジェクトのポリライン又はポリゴン表現と、を表す。例として、センサは、場所データ(例えば、GPS)を収集するための全地球測位センサ、IMU、異なる短距離通信(例えば、Bluetooth(登録商標)、Wi-Fi、Li-Fi、近距離無線通信(NFC)など)のための無線信号を検出するためのネットワーク検出センサ又は受信機、時間情報センサ、画像データを収集するためのカメラ/イメージングセンサ(例えば、カメラセンサは、分析のために、道路標識情報、道路障害物の画像などを自動的に捕捉し得る)、音声データを収集するための音声レコーダ、車両のハンドルに搭載された速度センサ、1つ以上の車両スイッチが係合されているかどうかを判定するためのスイッチセンサなどを含み得る。
車両101及び/又はUE103のセンサの他の例としては、光センサ、高さセンサ及び加速度センサで増強された配向センサ、走行の経路に沿った勾配又は下り勾配(例えば、傾斜)の度合いを検出するためのチルトセンサ、水分センサ、圧力センサなどが挙げられ得る。更なる例示的な実施形態では、車両101及び/又はUE103の周辺のセンサは、車線又は車道からのデバイス又は車両の相対距離、他の車両、歩行者、交通信号、ポットホール、及び任意の他のオブジェクト、又はそれらの組み合わせの存在を検出し得る。一シナリオでは、センサは、気象データ、交通情報、又はそれらの組み合わせを検出し得る。一実施形態では、車両101及び/又はUE103は、現在の場所及び時間を判定するための測位衛星から地理座標を取得するためのGPS又は他の衛星ベースの受信機を含み得る。更に、場所は、ビジュアルオドメトリ、A-GPSなどの三角測量システム、Cell of Origin、又は他の場所推定技術によって判定され得る。
一実施形態では、システム100の通信ネットワーク123は、データネットワーク、無線ネットワーク、電話ネットワーク、又はそれらの任意の組み合わせなどの、1つ以上のネットワークを含む。データネットワークは、任意のローカルエリアネットワーク(LAN)、メトロポリタンエリアネットワーク(MAN)、ワイドエリアネットワーク(WAN)、パブリックデータネットワーク(例えば、インターネット)、短距離無線ネットワーク、又は商業的に所有されるプロプライエタリなパケット交換ネットワーク、例えば、プロプライエタリなケーブル若しくは光ファイバネットワークなど、のような任意の他の好適なパケット交換ネットワークであり得ることが想定される。加えて、無線ネットワークは、例えば、セルラネットワークであってもよく、グローバルエボリューション(EDGE)、汎用パケット無線サービス(GPRS)、移動体通信のためのグローバルシステム(GSM)、インターネットプロトコルマルチメディアサブシステム(IMS)、ユニバーサル移動体通信システム(UMTS)など、及び任意の他の好適な無線媒体、例えば、マイクロ波アクセスのための世界的相互運用性(WiMAX)、ロングタームエボリューション(LTE)ネットワーク、5G新無線ネットワーク、符号分割多重アクセス(CDMA)、高帯域符号分割多重アクセス(WCDMA(登録商標))、ワイヤレスフィデリティ(Wi-Fi)、無線LAN(WLAN)、Bluetooth(登録商標)、インターネットプロトコル(IP)データキャスティング、衛星、モバイルアドホックネットワーク(MANET)など、又はそれらの任意の組み合わせ、の強化されたデータレートを含む、様々な技術を採用してもよい。
例として、機械学習システム105、マッピングプラットフォーム111、サービスプラットフォーム125、サービス127、車両101及び/若しくはUE103、並びに/又はコンテンツプロバイダ129は、周知の、新しい、又はまだ開発中のプロトコルを使用して、互いに及びシステム100の他の構成要素と通信する。このコンテキストにおいて、プロトコルは、通信ネットワーク123内のネットワークノードが通信リンクを介して送信される情報に基づいて互いにどのようにインタラクトするかを定義するルールのセットを含む。プロトコルは、様々なタイプの物理信号を生成及び受信することから、それらの信号をそれらの信号によって示される情報のフォーマットに従って転送するためのリンクを選択することまで、コンピュータシステム上で実行中のどのソフトウェアアプリケーションが情報を送信又は受信するかを識別することまで、各ノード内の異なる動作層で有効である。ネットワークを介して情報を交換するためのプロトコルの概念的に異なる層は、開放型システム間相互接続(OSI)参照モデルで記述される。
ネットワークノード間の通信は、典型的には、データの別個のパケットを交換することによって遂行される。各パケットは、典型的には、(1)特定のプロトコルに関連付けられたヘッダ情報、及び(2)ヘッダ情報に続き、かつ特定のプロトコルとは独立に処理され得る情報を包含するペイロード情報を含む。いくつかのプロトコルでは、パケットは、(3)ペイロードに続き、かつペイロード情報の終了を示すトレーラ情報を含む。ヘッダは、パケットの送信元、パケットの宛先、ペイロードの長さ、及びプロトコルによって使用される他のプロパティなどの、情報を含む。多くの場合、特定のプロトコルのペイロード中のデータは、OSI参照モデルの異なるより上位の層に関連付けられた異なるプロトコルのヘッダ及びペイロードを含む。特定のプロトコルのヘッダは、典型的には、このプロトコルのペイロードに含まれる次のプロトコルのタイプを示す。より上位の層のプロトコルは、より下位の層のプロトコルにカプセル化されると言われる。インターネットなどの複数の異種ネットワークを横断しているパケットに含まれるヘッダは、典型的には、OSIリファレンスモデルによって定義される、物理(層1)ヘッダ、データリンク(層2)ヘッダ、インターネットワーク(層3)ヘッダ及びトランスポート(層4)ヘッダ、並びに様々なアプリケーション(層5、層6、及び層7)ヘッダを含む。
図6は、一実施形態による、地理データベース109の図である。一実施形態では、地理データベース109は、本明細書に記載される実施形態による地図埋め込み分析を提供するなどのための、マッピング及び/又はナビゲーション関連サービスに使用される(又はこれらに使用されるようにコンパイルされるように構成された)地理データ601を含む。例えば、ここに記憶された地図データレコードを使用して、地理データ601に表される地図地物、属性、カテゴリなどの間の意味関係を判定することができる。一実施形態では、地理データベース109は、センチメートルレベル以上の精度の地図地物を提供する高精度(HD)マッピングデータを含む。例えば、地理データベース109は、何十億個の3D地点を収集し、車線数及びこれらの車線の幅に至るまでの道路表面及び他の地図地物をモデル化するための、光検出と測距(LiDAR)又は同等の技術に基づくことができる。一実施形態では、地理データベース109のHDマッピングデータ(例えば、HDデータレコード611)及び/又は他のマッピングデータは、速度プロファイルデータを生成することに関連する道路属性及び/又は他の地物などであるがこれらに限定されない詳細を捕捉及び記憶する。これらの詳細としては、道路幅、車線数、ターン操作表現/ガイド、交通信号、信号タイミング/統計情報、道路の傾斜及び曲率、車線マーキング、サイネージが示すものを含む、道路標識などの路側オブジェクトが挙げられるが、これらに限定されない。例として、HDマッピングデータは、高度自動化車両が道路上で車両自体を正確に定位することを可能にする。
一実施形態では、地理的地物(例えば、2次元又は3次元の地物)は、ポリライン及び/又はポリゴン(例えば、2次元の地物)又はポリゴン押し出し(例えば、3次元の地物)を使用して表される。一実施形態では、これらのポリライン/ポリゴンは、ビジュアルオドメトリに使用されるグラウンドトゥルース又は参照地物又はオブジェクト(例えば、標識、路面標識、車線、ランドマークなど)を表すこともできる。例えば、ポリライン又はポリゴンは、それぞれの地理的地物の境界又はエッジに対応することができる。建物の場合、2次元のポリゴンを使用して、建物のフットプリントを表すことができ、3次元のポリゴン押し出しを使用して、建物の3次元の表面を表すことができる。したがって、本明細書で使用されるポリゴン及びポリゴン押し出しという用語は、互換的に使用され得る。
一実施形態では、以下の専門用語は、地理データベース109内の地理的地物の表現に適用される。
「ノード」-リンクを終端する点。
「線分」-2つの点を結ぶ直線。
「リンク」(又は「エッジ」)-各端部のノードで終端する1つ以上の線分の連続した非分岐ストリング。
「形状点」-2つのノード間のリンクに沿った点(例えば、新しいノードを定義せずにリンクの形状を変更するために使用される)。
「有向リンク」-始点ノード(「参照ノード」と称される)及び終点ノード(「非参照ノード」と称される)を有するリンク。
「単純ポリゴン」-1つのノードで始まり終わる有向リンクのストリングによって形成された外側境界の内部領域。一実施形態では、単純ポリゴンは、自己交差しない。
「ポリゴン」-外側境界及びゼロ個又は少なくとも1つの内部境界(例えば、ホール又はアイランド)によって境界付けられた領域。一実施形態では、ポリゴンは、1つの外側単純ポリゴンと、ゼロ個又は少なくとも1つの内側単純ポリゴンと、から構成される。ポリゴンは、単に1つの単純ポリゴンからなる場合に単純であり、又は少なくとも1つの内側単純ポリゴンを有する場合に複雑である。
一実施形態では、地理データベース109は、特定の規則に従う。例えば、リンクは、自己交差せず、ノードのところを除いては互いに交差しない。また、重複した形状点、ノード、リンクがない。互いに接続する2つのリンクは、共通ノードを有する。地理データベース109において、重なり合う地理的地物は、重なり合うポリゴンによって表される。ポリゴンが重なり合う場合、一方のポリゴンの境界は、もう一方のポリゴンの境界と交差する。地理データベース109において、一方のポリゴンの境界が別のポリゴンの境界と交差する場所は、ノードによって表される。一実施形態では、ノードを使用して、ポリゴンの境界が別のポリゴンの境界と交差する場所以外の、ポリゴンの境界に沿った他の場所を表し得る。一実施形態では、形状点は、ポリゴンの境界が別のポリゴンの境界と交差する点を表すために使用されない。
示されるように、地理データベース109は、例えば、ノードデータレコード603、道路セグメント又はリンクデータレコード605、POIデータレコード607、速度プロファイルデータレコード609、HDマッピングデータレコード611、及びインデックス613を含む。より多い、より少ない、又は異なるデータレコードを提供することができる。一実施形態では、追加のデータレコード(図示せず)は、地図製作(「カート」)データレコード、ルーティングデータ、及び操作データを含むことができる。一実施形態では、インデックス613は、地理データベース109内のデータ検索動作の速度を改善し得る。一実施形態では、インデックス613を使用して、データがアクセスされるたびに地理データベース109内の全ての行を探索する必要なしに、データを迅速に見つけ得る。例えば、一実施形態では、インデックス613は、記憶された地物ポリゴンに関連付けられたポリゴン点の空間インデックスであり得る。1つ以上の実施形態では、データレコードのデータは、別のデータレコードの属性であり得る。
例示的な実施形態では、道路セグメントデータレコード605は、速度プロファイルデータの判定のための計算された経路又は記録された経路情報で使用され得るような、道路、街路、又はパスを表すリンク又はセグメントである。ノードデータレコード603は、道路セグメントデータレコード605のそれぞれのリンク又はセグメントに対応するエンドポイント(例えば、交差点又は道路の終点を表す)である。道路リンクデータレコード605及びノードデータレコード603は、車両、車、及び/又は他のエンティティによって使用されるような道路ネットワークを表す。代わりに、地理データベース109は、例えば、車両道路レコードデータに加えて、又はこれに代えて、歩行者のパス又は領域を表すパスセグメント及びノードデータレコード、又は他のデータを包含してもよい。
道路/リンクのセグメント及びノードを、地理座標、街路名称、住所範囲、速度制限、交差点でのターン制限、及び他のナビゲーション関連の属性などの属性、並びにガソリンスタンド、ホテル、レストラン、博物館、スタジアム、オフィス、自動車販売店、自動車修理店、建物、店舗、公園などのPOIに関連付けることができる。地理データベース109は、POIデータレコード607内のPOI及びこれらのPOIのそれぞれの場所に関するデータを含むことができる。地理データベース109は、道路属性(例えば、交通信号、停止標識、イールド標識、ラウンドアバウト、車線数、道路幅、車線幅など)、都市、町、又は他のコミュニティなどの場所、及び水域、山脈などのような他の地理的地物に関するデータを含むこともできる。そのような場所データ又は地物データを、POIデータレコード607の一部とすることができるし、又はPOI若しくはPOIデータレコード607(都市の位置を表示するか、若しくは表すために使用されるデータポイントなど)に関連付けることができる。
一実施形態では、地理データベース109は、学習された速度プロファイル107の速度プロファイルデータレコード609、道路属性サンプルデータ121、プローブデータ115、アノテート/ラベル付けされたプローブデータ115、特徴相関(例えば、交通フロー、交通量など)、機械学習モデル113、及び/又は本明細書に記載される実施形態に従って使用若しくは生成される任意の他の関連データを含むこともできる。例として、速度プロファイルデータレコード609を、ノードレコード603、道路セグメントレコード605、及び/又はPOIデータレコード607、のうちの1つ以上に関連付けて、速度プロファイルデータレコード609を特定の地点、POI、地理的領域、及び/又は他の地図地物に関連付けることができる。このようにして、線形化されたデータレコード609を、対応するレコード603、605、及び/又は607の特性又はメタデータに関連付けることもできる。
一実施形態では、上記で論じたように、HDマッピングデータレコード611は、路面及び他の地図地物をセンチメートルレベル以上の精度にモデル化する。HDマッピングデータレコード611は、また、正確なオブジェクト幾何学形状にポリライン又はポリゴン境界を提供するグラウンドトゥルースオブジェクトモデル、及びモデルの豊富な属性を含む。これらの豊富な属性は、オブジェクトタイプ、オブジェクト場所、車線横断情報、車線タイプ、車線マーキングタイプ、車線レベル速度制限情報などを含むが、これらに限定されない。一実施形態では、HDマッピングデータレコード611は、デバイスの利用可能なリソース(例えば、計算リソース、メモリリソース、帯域幅リソースなど)を過負荷することなく、ほぼリアルタイムの速度でエンドユーザデバイスにHDマッピングデータを提供するために、様々なサイズの空間パーティションに分割される。
一実施形態では、HDマッピングデータレコード611は、例えばLiDAR装備車両から生成された、高解像度3Dメッシュ又は点群データから作成される。3Dメッシュ又は点群データは、HDマッピングデータレコード611に記憶するために、センチメートルレベルの精度で街路又は地理的環境の3D表現を作成するように処理される。
一実施形態では、HDマッピングデータレコード611は、また、実地のプローブ車両から収集されたリアルタイムセンサデータを含む。リアルタイムセンサデータは、例えば、リアルタイム交通情報、気象、及び道路条件(例えば、ポットホール、道路摩擦、道路摩耗など)を、街路及び地理的地物の高度に詳細化された3D表現と統合して、センチメートルレベルの精度でも正確なリアルタイムデータ(例えば、プローブ軌道を含む)を提供する。他のセンサデータは、車両のテレメトリ、又はフロントガラスのワイパー作動状態、制動状態、ステアリング角度、アクセラレータ位置などの動作データを含むことができる。
一実施形態では、地理データベース109は、サービスプラットフォーム125(例えば、地図開発者)に関連するコンテンツプロバイダ129によって維持され得る。地図開発者は、地理データを収集して、地理データベース109を生成及び強化することができる。地図開発者がデータを収集するために使用する様々な方途がある。これらの方法は、自治体又はそれぞれの地理当局などの他のソースからデータを取得することを含むこともできる。加えて、地図開発者は、例えば、地物を観測し、及び/又はこれらの地物に関する情報を記録するために、地理的領域全体にわたる道路に沿って車両によって移動する実地要員を雇用することができる。また、航空写真又は衛星写真などのリモートセンシングを使用することができる。
地理データベース109は、更新、メンテナンス、及び開発を容易にする形式で記憶されたマスター地理データベースであり得る。例えば、マスター地理データベース、又はマスター地理データベース内のデータは、開発目的又は製作目的などのために、Oracle空間形式又は他の形式(例えば、複数の/異なるマップ層を収容することができる)であり得る。Oracle空間形式又は開発/製作データベースは、地理データファイル(GDF)形式などの配信形式にコンパイルされ得る。製作及び/又は配信形式のデータをコンパイルするか、又は更にコンパイルして、エンドユーザナビゲーションデバイス又はシステムで使用され得る地理データベース製品又はデータベースを形成することができる。
例えば、地理データは、(プラットフォーム仕様形式(PSF)などに)コンパイルされて、車両101及び/又はUE103によるなど、ナビゲーションデバイスによって、経路計算、経路ガイダンス、地図表示、速度計算、距離及び走行時間機能、及び他の機能などの、ナビゲーション関連機能及び/又はサービスを実行するためのデータを編成及び/又は構成する。ナビゲーション関連機能は、車両ナビゲーション、歩行者ナビゲーション、又は他のタイプのナビゲーションに対応することができる。エンドユーザデータベースを生成するためのコンパイルを、地図開発者とは別個の当事者又はエンティティによって実行することができる。例えば、ナビゲーションデバイス開発者又は他のエンドユーザデバイス開発者などの、地図開発者の顧客は、1つ以上のコンパイルされたナビゲーションデータベースを生成するために配信フォーマットで受信された地理データベース上でコンパイルを実行することができる。
道路属性に則した学習された速度プロファイルデータ107を生成するための本明細書に記載されるプロセスは、ソフトウェア、ハードウェア(例えば、一般プロセッサ、デジタル信号処理(DSP)チップ、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)、グラフィックス処理ユニット(GPU)など)、ファームウェア、又はそれらの組み合わせを介して有利に実装され得る。記載された機能を実行するためのそのような例示的なハードウェアを、以下に詳細に記載する。
図7は、本発明の実施形態が実装され得るコンピュータシステム700を例示するものである。コンピュータシステム700は、本明細書に記載される道路属性に則した学習された速度プロファイルデータ107を生成するように(例えば、コンピュータプログラムコード又は命令を介して)プログラムされ、コンピュータシステム700の他の内部構成要素と外部構成要素との間で情報を渡すための、バス710などの通信機構を含む。情報(データとも呼ばれる)は、測定可能な現象の物理的表現、典型的には電圧として表されるが、他の実施形態では、磁気、電磁気、圧力、化学、生物学、分子、原子、亜原子、及び量子の相互作用のような現象を含む。例えば、北極磁場及び南極磁場、又はゼロ及び非ゼロ電圧は、2進桁(ビット)の2つの状態(0、1)を表す。他の現象は、より高い基数の桁を表すことができる。測定前の複数の同時量子状態の重ね合わせは、量子ビット(qubit)を表す。1つ以上の桁の配列は、文字に対する数字又はコードを表すために使用されるデジタルデータを構成する。いくつかの実施形態では、アナログデータと呼ばれる情報は、特定の範囲内の測定可能な値のほぼ連続したつながりによって表される。
バス710は、バス710に結合されたデバイス間で情報が迅速に転送されるように、情報の1つ以上の並列導体を含む。情報を処理するための1つ以上のプロセッサ702は、バス710と結合されている。
プロセッサ702は、情報に対して、関連するコンピュータプログラムコードによって指定される演算のセットを実行して、道路属性を所与として学習された速度プロファイルデータ107を生成する。コンピュータプログラムコードは、指定された機能を実行するためのプロセッサ及び/又はコンピュータシステムの演算のための命令を提供する命令又はステートメントのセットである。コードは、例えば、プロセッサのネイティブ命令セットにコンパイルされるコンピュータプログラミング言語で記述され得る。コードは、また、ネイティブ命令セット(例えば、機械言語)を使用して直接記述されてもよい。演算のセットは、バス710から情報を持ち込み、バス710上に情報を配置することを含む。演算のセットは、また、典型的には、2つ以上の情報ユニットを比較することと、情報ユニットの位置をシフトすることと、OR、排他的OR(XOR)、及びANDのような加算演算又は乗算演算又は論理演算などによって、2つ以上の情報ユニットを組み合わせることと、を含む。プロセッサによって実行され得る演算のセットの各演算は、1つ以上の桁の演算コードなどの命令と呼ばれる情報によって、プロセッサに表される。演算コードのシーケンスなどの、プロセッサ702によって実行される演算のシーケンスは、コンピュータシステム命令、又は単にコンピュータ命令とも呼ばれる、プロセッサ命令を構成する。プロセッサは、とりわけ、単独又は組み合わせで、機械的、電気的、磁気的、光学的、化学的、又は量子的な構成要素として実装され得る。
コンピュータシステム700は、また、バス710に結合されたメモリ704を含む。ランダムアクセスメモリ(RAM)又は他の動的な記憶デバイスなどのメモリ704は、道路属性を所与として学習された速度プロファイルデータ107を生成するためのプロセッサ命令を含む情報を記憶する。動的なメモリは、このメモリに記憶された情報がコンピュータシステム700によって変更されることを可能にする。RAMは、メモリアドレスと呼ばれる場所に記憶された情報の単位が、近隣のアドレスの情報とは独立に記憶され、及び取り出されることを可能にする。メモリ704は、また、プロセッサ702によって、プロセッサ命令の実行中に一時的な値を記憶するために使用される。コンピュータシステム700は、また、コンピュータシステム700によって変更されない命令を含む静的な情報を記憶するために、読み取り専用メモリ(ROM)706又はバス710に結合された他の静的な記憶デバイスを含む。一部のメモリは、電源が失われるとメモリ上に記憶されている情報を失う揮発性ストレージで構成されている。また、バス710に連結されるのは、コンピュータシステム700がオフになっても、又は別様に電源を失っても持続する、命令を含む情報を記憶するための、磁気ディスク、光ディスク、又はフラッシュカードなどの不揮発性(永続的)記憶デバイス708である。
道路属性を所与として学習された速度プロファイルデータ107を生成するための命令を含む情報は、人間のユーザによって操作される英数字キーを包含するキーボード、又はセンサなどの、外部入力デバイス712から、プロセッサによって使用されるためにバス710に提供される。センサは、センサの近傍の条件を検出し、それらの検出をコンピュータシステム700内の情報を表すために使用される測定可能な現象と互換性のある物理表現に変換する。主に人間とインタラクトするために使用されるバス710に結合される他の外部デバイスは、陰極線管(CRT)若しくは液晶ディスプレイ(LCD)、又はテキスト若しくは画像を提示するためのプラズマスクリーン若しくはプリンタなどの、表示デバイス714と、ディスプレイ714上に提示される小さなカーソル画像の位置を制御し、かつディスプレイ714上に提示されるグラフィック要素に関連付けられたコマンドを発行するための、マウス若しくはトラックボール若しくはカーソル方向キー、又は動きセンサなどの、ポインティングデバイス716と、を含む。いくつかの実施形態では、例えば、コンピュータシステム700が人間の入力なしに全ての機能を自動的に実行する実施形態では、外部入力デバイス712、表示デバイス714、及びポインティングデバイス716のうちの1つ以上が省略される。
例示される実施形態では、特定用途向け集積回路(ASIC)720などの専用ハードウェアが、バス710に結合されている。専用ハードウェアは、プロセッサ702によって実行されない演算を専用に見合う迅速さで実行するように構成されている。特定用途向けICの例としては、ディスプレイ714のための画像を生成するためのグラフィックスアクセラレータカード、ネットワークを介して送信されるメッセージを暗号化及び復号化するための暗号ボード、発話認識、及びハードウェアでより効率的に実装される何らかの複雑な動作のシーケンスを繰り返し実行するロボットアーム及び医療スキャン装置などの、特殊な外部デバイスに対するインターフェースが挙げられる。
コンピュータシステム700は、また、バス710に結合された通信インターフェース770の1つ以上のインスタンスを含む。通信インターフェース770は、プリンタ、スキャナ、及び外部ディスクなどの、独自のプロセッサで動作する多様な外部デバイスへの一方向又は双方向通信カップリングを提供する。一般に、このカップリングは、独自のプロセッサを有する多様な外部デバイスが接続されるローカルネットワーク780に接続されるネットワークリンク778とのものである。例えば、通信インターフェース770は、パーソナルコンピュータ上のパラレルポート、又はシリアルポート、又はユニバーサルシリアルバス(USB)ポートであり得る。いくつかの実施形態では、通信インターフェース770は、対応するタイプの電話回線への情報通信接続を提供する統合サービスデジタルネットワーク(ISDN)カード、又はデジタル加入者線(DSL)カード、又は電話モデムである。いくつかの実施形態では、通信インターフェース770は、バス710上の信号を、同軸ケーブルを介した通信接続のための信号、又は光ファイバケーブルを介した通信接続のための光信号に変換するケーブルモデムである。別の実施例として、通信インターフェース770は、イーサネットなどの互換性のあるLANへのデータ通信接続を提供するためのローカルエリアネットワーク(LAN)カードであってもよい。また、無線リンクが実装されてもよい。無線リンクについて、通信インターフェース770は、デジタルデータなどの情報ストリームを搬送する赤外線及び光信号を含む電気信号、音響信号、又は電磁信号を送信若しくは受信するか、又は送受信の両方を行う。例えば、携帯電話のようなモバイル電話などの、無線ハンドヘルドデバイスでは、通信インターフェース770は、無線トランシーバと呼ばれる無線帯域電磁送信機及び受信機を含む。特定の実施形態では、通信インターフェース770は、道路属性を所与として学習された速度プロファイルデータ107を生成するために通信ネットワーク123への接続を可能にする。
コンピュータ可読媒体という用語は、本明細書において、実行のための命令を含む、プロセッサ702への情報の提供に関与する任意の媒体を指すために使用される。そのような媒体は、不揮発性媒体、揮発性媒体、及び伝送媒体を含むがこれらに限定されない、多くの形態をとり得る。不揮発性媒体は、例えば、記憶デバイス708などの光ディスク又は磁気ディスクを含む。揮発性媒体は、例えば、動的なメモリ704を含む。伝送媒体としては、例えば、同軸ケーブル、銅線、光ファイバケーブル、及び、音響波と無線波、光波、及び赤外波を含む電磁波とのような、ワイヤ又はケーブルなしで空間中を進行するキャリア波が挙げられる。信号は、伝送媒体中を伝送される振幅、周波数、位相、偏光、又は他の物理的特性、の人為的な過渡変動を含む。コンピュータ可読媒体の一般的な形態としては、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、CD-ROM、CDRW、DVD、任意の他の光学媒体、パンチカード、紙テープ、光学マークシート、穴のパターン又は他の光学的に認識可能な印を有する任意の他の物理媒体、RAM、PROM、EPROM、FLASH(登録商標)-EPROM、任意の他のメモリチップ若しくはカートリッジ、搬送波、又はコンピュータが読み取ることができる任意の他の媒体が挙げられる。
ネットワークリンク778は、典型的には、1つ以上のネットワークを介した伝送媒体を使用する情報通信を、情報を使用又は処理する他のデバイスに提供する。例えば、ネットワークリンク778は、ローカルネットワーク780を介した、ホストコンピュータ782への、又はインターネットサービスプロバイダ(ISP)によって運用される機器784への接続を提供し得る。当該ISP機器784は、今では一般的にインターネット790と称されるネットワークのパブリックな世界的パケット交換通信ネットワークを介してデータ通信サービスを提供する。
インターネットに接続されたサーバホスト792と呼ばれるコンピュータは、インターネットを介して受信された情報に応答してサービスを提供する処理をホストする。例えば、サーバホスト792は、ディスプレイ714での提示のためのビデオデータを表す情報を提供するプロセスをホストする。システムの構成要素を、他のコンピュータシステム、例えばホスト782及びサーバ792内に様々な構成でデプロイすることができることが想定される。
図8は、本発明の実施形態が実装され得るチップセット800を例示している。チップセット800は、本明細書に記載される道路属性を所与として学習された速度プロファイルデータ107を生成するようにプログラムされており、例えば、1つ以上の物理パッケージ(例えば、チップ)に組み込まれた、図7に関して記載されるプロセッサ構成要素及びメモリ構成要素を含む。例として、物理パッケージは、物理的強度、サイズの保存、及び/又は電気的相互作用の制限などの、1つ以上の特性を提供するための、構造アセンブリ(例えば、ベースボード)上の1つ以上の材料、構成要素、及び/又は配線の配置を含む。特定の実施形態では、チップセットを単一のチップに実装することができることが想定される。
一実施形態では、チップセット800は、チップセット800の構成要素の間で情報を渡すための、バス801などの通信機構を含む。プロセッサ803は、例えば、メモリ805に記憶された命令を実行し、かつ情報を処理するための、バス801への接続性を有する。プロセッサ803は、各コアが独立して実行するように構成された1つ以上の処理コアを含み得る。マルチコアプロセッサは、単一の物理パッケージ内でのマルチプロセッシングを可能にする。マルチコアプロセッサの例としては、2つ、4つ、8つ、又はより多くの数のプロセッシングコアが挙げられる。代わりに又は加えて、プロセッサ803は、命令、パイプライニング、及びマルチスレッディングの独立した実行を可能にするために、バス801を介してタンデムに構成された1つ以上のマイクロプロセッサを含んでもよい。プロセッサ803は、また、1つ以上のデジタル信号プロセッサ(DSP)807又は1つ以上の特定用途向け集積回路(ASIC)809などの、特定の処理機能及びタスクを実行するための1つ以上の特殊な構成要素を伴ってもよい。DSP807は、典型的には、プロセッサ803とは独立して、リアルタイムで現実世界の信号(例えば、音)を処理するように構成されている。同様に、ASIC809を、汎用プロセッサによって容易に実行されない特殊な機能を実行するように構成することができる。本明細書に記載される本発明の機能を実行することを支援する他の特殊な構成要素は、1つ以上のフィールドプログラマブルゲートアレイ(FPGA)(図示せず)、1つ以上のコントローラ(図示せず)、又は1つ以上の他の専用コンピュータチップを含む。
プロセッサ803及び付随する構成要素は、バス801を介したメモリ805への接続性を有する。メモリ805は、実行時に本明細書に記載される本発明のステップを実行して道路属性を所与として学習された速度プロファイルデータ107を生成する実行可能命令を記憶するための動的なメモリ(例えば、RAM、磁気ディスク、書き込み可能な光ディスクなど)と静的なメモリ(例えば、ROM、CD-ROMなど)の両方を含む。メモリ805は、また、本発明のステップの実行に関連付けられるか、又は本発明のステップの実行によって生成されたデータを記憶する。
図9は、一実施形態による、図1のシステムで動作することが可能なモバイル端末(例えば、車両101、UE103、又はその構成要素)の例示的な構成要素の図である。一般に、無線受信機は、フロントエンド特性及びバックエンド特性の観点から定義されることが多い。受信機のフロントエンドは、無線周波数(RF)回路の全てを包含するのに対して、バックエンドは、ベースバンド処理回路の全てを包含する。電話の適切な内部構成要素は、主制御ユニット(MCU)903と、デジタル信号プロセッサ(DSP)905と、マイクロフォン利得制御ユニット及びスピーカ利得制御ユニットを含む受信機/送信機と、を含む。主ディスプレイユニット907は、自動コンタクトマッチングを提供する様々なアプリケーション及び移動局機能をサポートする表示をユーザに提供する。音声機能回路909は、マイクロフォン911と、マイクロフォン911から出力された発話信号を増幅するマイクロフォン増幅器と、を含む。マイクロフォン911から出力された増幅された発話信号は、コーダ/デコーダ(コーデック)913にフィードされる。
無線部915は、モバイル通信システムに含まれる基地局とアンテナ917を介して通信するために、電力を増幅し、周波数を変換する。電力増幅器(PA)919及び送信機/変調回路は、当該技術分野で知られているように、PA919からの出力がデュプレクサ921又はサーキュレータ又はアンテナスイッチに結合されて、MCU903に動作的に応答する。PA919は、また、バッテリインターフェース及び電力制御ユニット920に結合している。
使用中、移動局901のユーザが、マイクロフォン911に話しかけ、任意の検出されたバックグラウンドノイズとともにユーザの声が、アナログ電圧に変換される。次いで、アナログ電圧は、アナログデジタル変換器(ADC)923を介してデジタル信号に変換される。制御ユニット903は、発話符号化、チャネル符号化、暗号化、インターリーブなどの、デジタル信号をDSP905に、DSP905内での処理のためにルーティングする。一実施形態では、処理されたボイス信号は、グローバルエボリューション(EDGE)、汎用パケット無線サービス(GPRS)、移動体通信のためのグローバルシステム(GSM)、インターネットプロトコルマルチメディアサブシステム(IMS)、ユニバーサル移動体通信システム(UMTS)などのようなセルラ伝送プロトコル、及び任意の他の好適な無線媒体、例えば、マイクロ波アクセス(WiMAX)、ロングタームエボリューション(LTE)ネットワーク、5G新無線ネットワーク、符号分割多重アクセス(CDMA)、ワイヤレスフィデリティ(WiFi)、衛星など、を使用して、別個に示されていないユニットによって符号化される。
次いで、符号化された信号は、位相及び振幅の歪みなどの、空気中の伝送中に生じる任意の周波数依存の障害の補償のために、等化器925にルーティングされる。ビットストリームを等化した後、変調器927は、信号をRFインターフェース929で生成されたRF信号と結合させる。変調器927は、周波数変調又は位相変調によって正弦波を生成する。伝送用の信号を準備するために、アップコンバータ931は、変調器927から出力された正弦波と、シンセサイザ933によって生成された別の正弦波とを結合させて、所望の伝送周波数を達成する。次いで、信号は、信号を適切な電力レベルに増加させるためのPA919を介して送信される。実用システムでは、PA919は、ネットワーク基地局から受信された情報からDSP905によって利得が制御される可変利得増幅器として機能する。次いで、信号は、デュプレクサ921内でフィルタリングされ、任意選択で、最大の電力伝達を提供するためにインピーダンスを整合させるために、アンテナカプラ935に送信される。最後に、信号は、アンテナ917を介してローカル基地局に伝送される。受信機の最終段の利得を制御するために、自動利得制御(AGC)を供給することができる。信号は、そこから、別の携帯電話、他のモバイル電話、若しくは公衆交換電話網(PSTN)に接続された固定電話、又は他の電話網であり得る遠隔の電話に転送され得る。
移動局901に伝送されたボイス信号は、アンテナ917を介して受信され、低雑音増幅器(LNA)937によって直ちに増幅される。ダウンコンバータ939は、キャリア周波数を低下させる一方、復調器941は、デジタルビットストリームのみを残してRFを取り除く。次いで、信号は、等化器925を通過し、DSP905によって処理される。デジタルアナログ変換器(DAC)943は、信号を変換し、結果として得られた出力は、スピーカ945を介してユーザに伝送され、全てが、中央処理装置(CPU)(図示せず)として実装され得る主制御ユニット(MCU)903の制御下にある。
MCU903は、キーボード947からの入力信号を含む様々な信号を受信する。他のユーザ入力構成要素(例えば、マイクロフォン911)と組み合わせたキーボード947及び/又はMCU903は、ユーザ入力を管理するためのユーザインターフェース回路を備える。MCU903は、移動局901の少なくともいくつかの機能のユーザ制御を容易にするためのユーザインターフェースソフトウェアを実行して、道路属性を所与として学習された速度プロファイルデータ107を生成する。MCU903は、また、表示コマンド及びスイッチコマンドを、それぞれ、ディスプレイ907に、及び発話出力スイッチングコントローラに送達する。更に、MCU903は、DSP905と情報を交換し、任意選択で組み込まれたSIMカード949及びメモリ951にアクセスすることができる。加えて、MCU903は、局に要求される様々な制御機能を実行する。DSP905は、実装態様に応じて、ボイス信号に対して多様な従来のデジタル処理機能のいずれかを実行し得る。追加的に、DSP905は、マイクロフォン911によって検出された信号からローカル環境のバックグラウンドノイズレベルを判定し、マイクロフォン911の利得を、移動局901のユーザの生来の傾向を補償するために選択されたレベルに設定する。
コーデック913は、ADC923及びDAC943を含む。メモリ951は、着信トーンデータを含む様々なデータを記憶し、例えばグローバルなインターネットを介して受信された音楽データを含む他のデータを記憶することが可能である。ソフトウェアモジュールは、RAMメモリ、フラッシュメモリ、レジスタ、又は非一時的コンピュータ可読記憶媒体を含む当該技術分野で知られている任意の他の形態の書き込み可能なコンピュータ可読記憶媒体に常駐し得る。例えば、メモリデバイス951は、シングルメモリ、CD、DVD、ROM、RAM、EEPROM、光ストレージ、又はデジタルデータを記憶することができる任意の他の不揮発性若しくは非一時的記憶媒体であり得るが、これらに限定されない。
任意選択で組み込まれたSIMカード949は、例えば、携帯電話番号、キャリア供給サービス、サブスクリプション詳細、及びセキュリティ情報などの、重要な情報を保持する。SIMカード949は、主に、無線ネットワーク上の移動局901を識別する役割を果たす。カード949は、また、個人電話番号レジストリ、テキストメッセージ、及びユーザ固有の移動局設定を記憶するためのメモリを内包する。
本発明を、いくつかの実施形態及び実装態様に関連して記載してきたが、本発明は、そのようには限定されず、添付の特許請求の範囲内に入る様々な自明の修正及び均等な配置に及ぶ。本発明の特徴は、特許請求の範囲のうちの特定の組み合わせで表現されているが、これらの特徴を任意の組み合わせ及び順序で配置することができることが想定される。
Claims (15)
- コンピュータ実装方法であって、
道路ネットワーク内の道路属性の場所を判定することと、
前記道路ネットワーク内の前記道路属性の前記場所の前後の分析距離を判定することと、
前記道路ネットワークの前記場所の前後の前記分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用して前記プローブデータを処理して、前記分析距離内の前記道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
前記1つ以上の機械学習された速度プロファイルを出力として提供することと、
を含む、コンピュータ実装方法。 - ナビゲーション経路を指定する要求を受信することと、
前記ナビゲーション経路の1つ以上の道路セグメントにおける前記道路属性を識別することに基づいて、前記道路属性に関連付けられた前記1つ以上の機械学習された速度プロファイルに少なくとも部分的に基づいて、前記ナビゲーション経路の経路速度プロファイルを判定することと、
を更に含む、請求項1に記載の方法。 - 前記ナビゲーション経路は、前記道路属性及び1つ以上の他の道路属性タイプを含み、前記経路速度プロファイルは、前記1つ以上の他の道路属性タイプに関連付けられた1つ以上の他の機械学習された速度プロファイルに更に基づく、請求項2に記載の方法。
- 前記機械学習モデルは、前記プローブデータを更に処理して、前記1つ以上の車両が閾値速度値未満で走行している時間に基づいて、前記道路属性に関連付けられた停止期間を判定する、請求項1に記載の方法。
- 前記機械学習モデルは、前記プローブデータを更に処理して、閾値期間を超えて閾値速度値未満で走行している前記1つ以上の車両の1つ以上のインスタンス上の割合に基づいて、前記道路属性に関連付けられた停止の確率を判定する、請求項1に記載の方法。
- 前記分析距離は、速度制限、交通フロー速度、又はそれらと前記道路属性の前記場所の近接度との組み合わせに基づいて判定される、請求項1に記載の方法。
- 前記道路属性は、交通信号であり、前記方法は、
1つ以上の交通信号状態に基づいて、前記プローブデータの1つ以上のポイントにアノテートすることを更に含み、
前記機械学習モデルは、前記1つ以上の交通信号状態に関して前記1つ以上の機械学習された速度プロファイルを分類するように、前記1つ以上のアノテートされたポイントを使用して訓練されている、請求項1に記載の方法。 - 前記1つ以上の交通信号状態は、
赤信号状態、緑信号から赤信号への状態、又はそれらの組み合わせを含む1つ以上の減速状態と、
緑信号状態、赤信号から緑信号への状態、又はそれらの組み合わせを含む1つ以上の加速状態と、
を含む、請求項7に記載の方法。 - 少なくとも1つのフィルタリングカテゴリに従って前記プローブデータをフィルタリングすることを更に含み、
前記1つ以上の機械学習された速度プロファイルは、前記少なくとも1つのフィルタリングカテゴリに基づいて判定される、請求項1に記載の方法。 - 前記少なくとも1つのフィルタリングカテゴリは、時刻、曜日、季節、Covid前、低サンプリング周波数プローブ、又はそれらの組み合わせ、のうちの少なくとも1つを含む、請求項9に記載の方法。
- 前記少なくとも1つのフィルタリングカテゴリは、車両タイプ、車両特性、又はそれらの組み合わせを含む、請求項9に記載の方法。
- 前記機械学習モデルは、前記1つ以上の機械学習された速度プロファイルを判定するための教師ありK近傍法(KNN)アルゴリズムである、請求項1に記載の方法。
- 前記機械学習モデルは、K平均クラスタリングを使用して前記1つ以上の機械学習された速度プロファイルを判定する教師なしモデルである、請求項1に記載の方法。
- 装置であって、
少なくとも1つのプロセッサと、
1つ以上のプログラムのコンピュータプログラムコードを含む少なくとも1つのメモリと、を備え、
前記少なくとも1つのメモリ及び前記コンピュータプログラムコードは、前記少なくとも1つのプロセッサを用いて、前記装置に、少なくとも、
道路ネットワーク内の道路属性の場所を判定することと、
前記道路ネットワーク内の前記道路属性の前記場所の前後の分析距離を判定することと、
前記道路ネットワークの前記場所の前後の前記分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用して前記プローブデータを処理して、前記分析距離内の前記道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
前記1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させるように構成されている、装置。 - 1つ以上の命令の1つ以上のシーケンスを含むコンピュータプログラムであって、前記命令は、1つ以上のプロセッサによって実行されたときに、装置に、
道路ネットワーク内の道路属性の場所を判定することと、
前記道路ネットワーク内の前記道路属性の前記場所の前後の分析距離を判定することと、
前記道路ネットワークの前記場所の前後の前記分析距離を横断している1つ以上の車両の1つ以上の場所センサを使用して収集されたプローブデータを取り出すことと、
機械学習モデルを使用して前記プローブデータを処理して、前記分析距離内の前記道路ネットワークの1つ以上の道路セグメントの1つ以上の機械学習された速度プロファイルを判定することと、
前記1つ以上の機械学習された速度プロファイルを出力として提供することと、
を実行させる、コンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/554,909 | 2021-12-17 | ||
US17/554,909 US20230196913A1 (en) | 2021-12-17 | 2021-12-17 | Method, apparatus, and system for generating speed profile data given a road attribute using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023090682A true JP2023090682A (ja) | 2023-06-29 |
Family
ID=84421451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022200855A Pending JP2023090682A (ja) | 2021-12-17 | 2022-12-16 | 機械学習を使用して道路属性を所与として速度プロファイルデータを生成するための方法、装置、及びシステム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230196913A1 (ja) |
EP (1) | EP4202363A1 (ja) |
JP (1) | JP2023090682A (ja) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8290695B2 (en) * | 2009-01-16 | 2012-10-16 | Volker Hiestermann | Method for computing an energy efficient route |
DE102010006702A1 (de) * | 2009-02-26 | 2010-09-02 | Navigon Ag | Verfahren und Vorrichtung zur Berechnung alternativer Routen in einem Navigationssystem |
DE102009043309A1 (de) * | 2009-02-26 | 2010-09-16 | Navigon Ag | Verfahren und Navigationseinrichtung zur Ermittlung der voraussichtlichen Fahrzeit |
WO2010107462A1 (en) * | 2009-03-16 | 2010-09-23 | Tele Atlas North America Inc. | Electronic watermarking apparatus and method therefor |
WO2011066850A1 (en) * | 2009-11-12 | 2011-06-09 | Tomtom Belgium N.V. | Navigation system with live speed warning for merging traffic flow |
US11024166B2 (en) * | 2016-12-21 | 2021-06-01 | Here Global B.V. | Method, apparatus, and computer program product for estimating traffic speed through an intersection |
US20200286372A1 (en) * | 2019-03-07 | 2020-09-10 | Here Global B.V. | Method, apparatus, and computer program product for determining lane level vehicle speed profiles |
US10990819B2 (en) * | 2019-05-09 | 2021-04-27 | Lyft, Inc. | Determining traffic control features based on telemetry patterns within digital image representations of vehicle telemetry data |
FR3096822B1 (fr) * | 2019-05-28 | 2022-04-22 | Ifp Energies Now | Procédé de prédiction d’au moins un profil de la vitesse d’un véhicule sur un réseau routier |
US10785604B1 (en) * | 2019-07-26 | 2020-09-22 | Allstate Insurance Company | Multi-computer processing system for dynamically executing response actions based on movement data |
US20220114886A1 (en) * | 2019-09-30 | 2022-04-14 | Siemens Mobility, Inc. | System and method for detecting speed anomalies in a connected vehicle infrastructure environment |
WO2022090800A1 (en) * | 2020-10-27 | 2022-05-05 | Mobileye Vision Technologies Ltd. | Systems and methods for evaluating domain-specific navigation system capabilities |
-
2021
- 2021-12-17 US US17/554,909 patent/US20230196913A1/en active Pending
-
2022
- 2022-12-06 EP EP22211651.9A patent/EP4202363A1/en active Pending
- 2022-12-16 JP JP2022200855A patent/JP2023090682A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230196913A1 (en) | 2023-06-22 |
EP4202363A1 (en) | 2023-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11651244B2 (en) | Method and apparatus for predicting sensor error | |
US10762364B2 (en) | Method, apparatus, and system for traffic sign learning | |
US11410074B2 (en) | Method, apparatus, and system for providing a location-aware evaluation of a machine learning model | |
US11226630B2 (en) | Method and apparatus for estimating a localized position on a map | |
US20190102674A1 (en) | Method, apparatus, and system for selecting training observations for machine learning models | |
US10929696B2 (en) | Method, apparatus, and system for determining a negative observation of a road feature | |
US11231282B2 (en) | Method and apparatus for providing node-based map matching | |
US11092443B2 (en) | Method, apparatus, and system for categorizing a stay point based on probe data | |
US20200110817A1 (en) | Method, apparatus, and system for providing quality assurance for map feature localization | |
US11003934B2 (en) | Method, apparatus, and system for selecting sensor systems for map feature accuracy and reliability specifications | |
US10943152B2 (en) | Method, apparatus, and system for detecting a physical divider on a road segment | |
EP3557556A1 (en) | Method, apparatus, and system for traffic sign learning near a ramp | |
US11170485B2 (en) | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques | |
US10984552B2 (en) | Method, apparatus, and system for recommending ground control points for image correction | |
US20200167689A1 (en) | Method, apparatus, and system for providing data-driven selection of machine learning training observations | |
US20220121691A1 (en) | Method, apparatus, and system for machine learning-based persistence filtering | |
US20230066501A1 (en) | Method, apparatus, and system for traffic estimation based on anomaly detection | |
US11756417B2 (en) | Method, apparatus, and system for detecting road incidents | |
US20220299341A1 (en) | Method, apparatus, and system for providing route-identification for unordered line data | |
US20230222905A1 (en) | Method, apparatus, and system for traffic light signal phase and timing verification using sensor data and probe data | |
US20230080319A1 (en) | Method, apparatus, and system for aggregating a route based on high-resolution sampling | |
US11386650B2 (en) | Method, apparatus, and system for detecting and map coding a tunnel based on probes and image data | |
US20220252422A1 (en) | Method, apparatus, and system for constructing a high-resolution map for geospatial big data processing | |
US10970597B2 (en) | Method, apparatus, and system for priority ranking of satellite images | |
US20230196913A1 (en) | Method, apparatus, and system for generating speed profile data given a road attribute using machine learning |