JP2023174610A - 運転者支援システムの使用の検出 - Google Patents
運転者支援システムの使用の検出 Download PDFInfo
- Publication number
- JP2023174610A JP2023174610A JP2023087116A JP2023087116A JP2023174610A JP 2023174610 A JP2023174610 A JP 2023174610A JP 2023087116 A JP2023087116 A JP 2023087116A JP 2023087116 A JP2023087116 A JP 2023087116A JP 2023174610 A JP2023174610 A JP 2023174610A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- determining
- information
- computer
- assistance system
- 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
- 230000033001 locomotion Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 82
- 230000003044 adaptive effect Effects 0.000 claims description 47
- 230000001133 acceleration Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 22
- 238000012549 training Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 230000001413 cellular effect Effects 0.000 description 7
- 230000002596 correlated effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 6
- 238000012502 risk assessment Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 230000010267 cellular communication Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
【課題】システムは、車両におけるトリップ中に情報を感知するための1つまたは複数のセンサを備えているモバイル装置を備え得る。【解決手段】ハードウェアプロセッサは、車両におけるトリップ中に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、ハードウェアプロセッサによって、トリップ中の車両の車両移動情報を識別するべく、受信されたテレマティクス情報を処理する工程と、ハードウェアプロセッサによって、トリップ中の車両の車両移動情報に少なくとも部分的に基づき、トリップ中に車両の先進運転支援システム(ADAS)機能が動作可能にされていた確率を決定する工程と、および、先進運転支援システムADAS機能が動作可能にされていた確率に少なくとも部分的に基づき、車両または車両の運転者についてのリスクスコアを決定する工程と、を備えている動作を実行できる。【選択図】図1
Description
本発明は、運転者支援システムの使用の検出に関する。
車両(ビークル、乗り物)は、先進運転支援システム(ADAS)を備えていることができる。先進運転支援システムADASは、運転および駐車機能において運転者(ドライバ)を支援する電子技術のグループである。先進運転支援システムADASは、運転者を支援するべく様々な技術を使用することができる。先進運転支援システムADASは、より安全な運転経験のために車両技術を自動化し、適合させ、強化する、ように開発されている。先進運転支援システムADASは、自動照明、適応走行制御(アダプティブクルーズコントロール)、衝突回避システム、衛星ナビゲーションおよび交通警報、障害物識別、車線(レーン)逸脱警報および車線中心化、車線変更支援、ナビゲーション支援、ならびに他の特徴、などの特徴を備えていることができる。
しかしながら、運転者支援システムの使用の検出について改良する余地がある。
実施形態の態様は、車両においてトリップ中(走行中、移動中)に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、ハードウェアプロセッサによって、トリップ中の車両についての車両移動情報(ビークルムーブメントインフォメーション)を識別するべく、受信されたテレマティクス情報を処理する工程と、ハードウェアプロセッサによって、トリップ中の車両についての車両移動情報に少なくとも部分的に基づき、トリップ中に車両の先進運転支援システム(ADAS)機能が動作可能(オペレーショナル)にされていた確率を決定(判定)する工程と、および、ハードウェアプロセッサによって、先進運転支援システムADAS機能が動作可能にされていた確率に少なくとも部分的に基づき、車両にまたは車両運転者についてのリスクスコアを決定する工程と、を備えているコンピュータ実装方法を備えている。
実施形態の態様は、複数のセンサを備えている装置と、命令を実行するためのハードウェアプロセッサと、実行されたときにハードウェアプロセッサに動作(操作、オペレーション)を実行させる命令を記憶する非一時的コンピュータ可読記憶媒体を備えているメモリと、を備えているシステムを備えている。動作は、車両におけるトリップ中に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、ハードウェアプロセッサによって、受信されたテレマティクス情報を処理することによって、トリップ中の車両に関する車両移動情報を識別する工程と、ハードウェアプロセッサによって、トリップ中の車両に関する車両移動情報に少なくとも部分的に基づき、トリップ中に車両の先進運転支援システム(ADAS)機能が動作可能にされていた確率を決定する工程と、ハードウェアプロセッサによって、先進運転支援システムADAS機能が動作可能にされていた確率に少なくとも部分的に基づき、車両にまたは車両運転者に関するリスクスコアを決定する工程と、を備えている。
実施形態の態様は、実行されたときにハードウェアプロセッサに動作を実行させる命令を記憶している、非一時的コンピュータ可読記憶媒体を備えている。動作は、車両におけるトリップ(移動)中に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、ハードウェアプロセッサによって、受信されたテレマティクス情報を処理することによって、トリップ中の車両についての車両移動情報を識別する工程と、ハードウェアプロセッサによって、トリップ中の車両についての車両移動情報に少なくとも部分的に基づき、車両の先進運転支援システム(ADAS)機能がトリップ中に動作可能にされていた確率を決定する工程と、ハードウェアプロセッサによって、先進運転支援システムADAS機能が動作可能にされていた確率に少なくとも部分的に基づき、車両にまたは車両運転者についてのリスクスコアを決定する工程と、を備えている。
いくつかの実施形態では、受信されたテレマティクス情報を処理する工程は、車両移動情報を既知のベンチマークとで比較する工程を備えている。車両の先進運転支援システムADAS機能がトリップ中に動作可能にされていた確率を決定する工程は、移動情報と既知のベンチマークとの比較が、先進運転支援システムADAS機能が動作可能にされていた確率を示すと判定(決定)する工程を備えている。
いくつかの実施形態では、既知のベンチマークは、車両の対応する先進運転支援システムADASが動作可能にされていたことが知られているときに観察されたテレマティクス情報に相関する、1つまたは複数のテレマティクス情報の値を備えている。
実施形態はまた、車両移動情報をサンプリングするための時間窓(タイムウィンドウ)を定義する工程と、第1時間窓について、第1車両移動情報サブセット(車両移動情報の第1サブセット)を第1クラスタにグループ化する工程であって、第1クラスタは、第1平均値を備えている車両移動情報のサンプリングされた値を備えている、第1クラスタにグループ化する工程と、を備えている。実施形態は、第2時間窓について、第2車両移動情報サブセット(車両移動情報の第2サブセット)を第2クラスタにグループ化する工程であって、第2クラスタは、第2平均値を備えている車両移動情報のサンプリングされた値を備えている、第2クラスタにグループ化する工程と、第1クラスタと第2クラスタとの比較に基づき、車両の先進運転支援システムADAS機能が第1時間窓中に動作可能にされていた確率を決定する工程と、を備えている。
いくつかの実施形態では、車両移動情報は、車両の速度に関する情報を備えている。ここにおいて、車両の先進運転支援システムADASが動作可能にされていた可能性(尤度)が高いと決定する工程は、車両の速度に関する情報に基づき、車両の適応走行制御(アダプティブクルーズコントロール)が動作可能にされていた可能性が高いと決定する工程を備えている。
いくつかの実施形態は、所定時間量内の車両速度の分散を計算する工程と、所定時間量内の車両速度の分散が閾値分散値S未満であることを判定する工程と、および、閾値分散値S未満である所定持続時間中の車両速度の分散に少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いと判定する工程と、を備えている。
いくつかの実施形態は、所定時間窓内の車両の最大速度を計算する工程と、所定時間窓内の車両の最小速度を計算する工程と、所定数の時間窓について、全ての窓の最大速度と全ての窓の最小速度との差を決定する工程と、全ての窓の最小速度と最大速度との差が閾値分散値D未満であることを判定(決定)する工程と、各窓の最大速度の分散を決定する工程と、最大速度の分散が閾値分散値D未満であることに少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いことを判定する工程と、を備えていることができる。
いくつかの実施形態は、速度情報から、車両がT秒で最大速度まで加速した(A)と判定する工程と、Aが閾値加速度値よりも大きいことと、Tが閾値時間値内であることと、に少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いと判定する工程と、を備えていることができる。
いくつかの実施形態は、車両が旋回(ターン)したことを判定する工程と、車両が旋回するよりも前に、所定閾値時間量T未満で車両が減速したことを判定する工程と、車両が旋回するよりも前に、所定閾値時間量T未満で車両が減速したことに少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いことを判定する工程と、を備えていることができる。
いくつかの実施形態では、車両が旋回(ターン)したと決定する工程は、道路網のマップマッチング、全地球測位システム(GPS)位置データ、およびジャイロスコープセンサデータ、のうちの1つまたは複数に基づき、車両が旋回したと決定する工程を備えている。
いくつかの実施形態では、テレマティクス情報は、マップマッチングおよび全地球測位衛星(GPS)情報のうちの一方または両方からの車両の位置についての情報を備えている。方法はさらに、車両の位置についての情報に基づき、車両の適応走行制御が動作可能にされていた可能性が高いと決定する工程を備えている。
いくつかの実施形態は、マップマッチング情報またはGPS情報の両方のうちの1つまたは複数から、車両が多車線道路上に存在したと決定する工程と、車両が大きな道路上に存在することに基づき、車両の適応走行制御が動作可能にされていた可能性が高いと決定する工程と、を備えていることができる。
いくつかの実施形態において、テレマティクス情報は、車両の前方に存在した第2車両に関する画像情報を備えている。方法はさらに、第2車両に関する画像情報に少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いと判定する工程を備えている。
いくつかの実施形態は、画像情報から、所定時間量にわたって車両に対する第2車両の相対距離を決定する工程と、決定された相対距離から、第2車両と車両との間の相対距離の分散が、所定時間量にわたって閾値分散値未満にされていたことを決定する工程と、第2車両と車両との間の相対距離の分散が閾値分散値未満であることに少なくとも部分的に基づき、適応走行制御が動作可能にされていた可能性が高いと決定する工程と、を備えている。
いくつかの実施形態は、車両におけるモバイル装置上で動作するアプリケーションの識別情報に少なくとも部分的に基づき車両の運転者を決定する工程と、運転者の運転メトリクスを識別する工程と、テレマティクス情報とベンチマークとの比較において運転者の運転メトリクスを使用する工程と、を備えている。
いくつかの実施形態は、ベンチマークを決定するべく、少なくとも部分的に、運転者の運転メトリクスを使用する工程を備えている。
いくつかの実施形態は、モバイル装置上で動作しているアプリケーションから、車両のメーカおよびモデルを決定する工程と、車両のメーカおよびモデルが先進運転支援システムADASを備えていると判定する工程と、を備えている。
いくつかの実施形態は、モバイル装置上で動作しているアプリケーションから、車両のメーカおよびモデルを決定する工程と、車両のメーカおよびモデルが先進運転支援システムADASを備えていると判定する工程と、を備えている。
図面は縮尺通りに描かれていない。同様の参照番号は、同様の構成要素を指す。
先進運転支援システムADAS機能は、運転者によってアクティブ化または非アクティブ化されることが可能にされている。例えば、運転者は、車線逸脱警報システムをオフに切り替えることを選択することができる。適応走行制御は、典型的には、運転者が適応走行制御をオンにするまでオフである。したがって、どの先進運転支援システムADAS機能が、任意の所与の瞬間に、特定の運転者に対して、特定の車両において、アクティブであるかは必ずしも明らかではない。
先進運転支援システムADAS機能は、運転者によってアクティブ化または非アクティブ化されることが可能にされている。例えば、運転者は、車線逸脱警報システムをオフに切り替えることを選択することができる。適応走行制御は、典型的には、運転者が適応走行制御をオンにするまでオフである。したがって、どの先進運転支援システムADAS機能が、任意の所与の瞬間に、特定の運転者に対して、特定の車両において、アクティブであるかは必ずしも明らかではない。
先進運転支援システムADAS機能は、車両のまたは車両運転者の運転リスクに影響を及ぼす虞れがある。よって、保険提供者は、車両が先進運転支援システムADAS機能を積極的に使用しているか否か、およびその先進運転支援システムADAS決定がリスクにどのように影響を及ぼすか、を判定することに関心を持っている。多くの場合、先進運転支援システムADAS動作状態は、モバイル装置に対して、またはモバイル装置上で実行されるテレマティクスアプリケーションに対して、公開される情報ではない。本開示は、車両テレマティクス情報およびトリップ(移動)に関連する他の情報を使用することで、トリップ中(移動中)に先進運転支援システムADAS機能が車両において動作していたかどうかの確率を決定する工程を説明する。先進運転支援システムADAS動作情報は、例えばリスクを評価(アセスメント)する目的で通信することができる。
本明細書で説明される技法は、先進運転支援システムADAS機能が動作可能(オペレーショナル)にされていたかどうかを確率的に判定するべく、ニューラルネットワークなどの機械学習、または他の人工知能(AI)を使用することができる。いくつかの実施形態では、監視された機械学習は、たとえば、人間の運転者と、車両における自動化と、を区別するべく、アルゴリズムを訓練(トレーニング、学習)することによって使用される。本明細書で説明される技法はまた、予測モデリング技法、物理学ベースのモデリング、統計的観察、ベンチマーク比較、クラスタリングアルゴリズム、または他の分析モデル、を使用することができる。
さらに、実施形態は、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、またはそれらの任意の組合せ、によって実装され得る。ソフトウェア、ファームウェア、ミドルウェア、またはマイクロコード、で実装されるとき、必要なタスクを実行するためのプログラムコードまたはコードセグメント(たとえば、コンピュータプログラム製品)は、コンピュータ可読媒体または機械可読媒体に記憶され得る。プロセッサは、必要なタスクを実行することができる。
図1は、本開示の実施形態による、1つまたは複数の先進運転支援システム(ADAS)機能がトリップ中に車両(乗り物、ビークル)において動作可能(オペレーショナル、運転可能、作動可能)にされていたかどうかを判定するための、例示的なシステムを示す概略図である。システム100は、データ処理システム102、ストレージシステム104、ネットワーク106、モバイルコンピューティング装置108、および車両110、を備えている。ストレージシステム104は、車両の1つまたは複数の先進運転支援システムADAS機能がトリップ中に動作可能にされていたかどうかを判定するためのセンサ情報および他の情報を受信および記憶するように構成された、1つまたは複数のコンピュータ可読記憶媒体を備えている。本出願におけるセンサ情報は、トリップ中の車両の速度などの生センサデータを備えていることができるだけでなく、トリップ中の最大速度、または時間窓中の速度分散、などの処理済みセンサデータも備えていることができる。
トリップ(移動)は、例えば、起点から目的地への移動(トラベル)の任意のインスタンスを備えていることができる。場合によっては、移動は、単一の輸送モード(例えば、車)、もしくは輸送されている人の単一の役割(例えば、運転手)、またはそれら両方、を備えているインスタンスである。例えば、トリップ(移動、旅行)は、車で家から店への移動(トラベル)のインスタンスであってもよい。自動車の運転者は、テレマティクスアプリケーションを備えているモバイル装置108を有していることができる。トリップ中(移動中)、テレマティクスアプリケーションは、モバイル装置108上でテレマティクスアプリケーションインスタンス120として動作していることができる。
モバイル装置108は、ネットワークを介してセンサデータを受信したり、センサデータを処理したり、センサデータを送信したり、することができるスマートフォン、タブレット、ラップトップ、または他のポータブル電子装置、とすることができる。モバイル装置108はまた、テレマティクスアプリケーションを備えているソフトウェアアプリケーションを実行することができる。モバイル装置108は、トリップ(旅行)中に車両テレマティクス情報を蓄積することができる。モバイル装置108は、車両テレマティクス情報を処理することで、1つまたは複数の先進運転支援システムADAS機能が動作可能にされていたかどうかを判定することができる。モバイル装置108は、ネットワーク106を介してサーバ102に判定を通信することができる。いくつかの実施形態では、モバイル装置108は、ネットワーク106を介してサーバ102に車両テレマティクス情報を送信することができる。モバイル装置108は、テレマティクスアプリケーションインスタンス120がモバイル装置108上で実行中に、車両テレマティクス情報を受信することができる。いくつかの実施形態では、モバイル装置108は、モバイル装置108自体に関連付けられたセンサ、車両に関連付けられたセンサ、センサタグ112、アフターマーケットセンサ、車両診断情報、車両プロセッサレジスタ情報、衛星受信機、などを備えている様々なソースから、車両テレマティクス情報を受信することができる。
テレマティクス情報は、ストレージ(記憶装置)104に記憶され得る。ストレージ104は、サーバ102に関連付けられている。サーバ102は、1つまたは複数のハードウェアプロセッサ114を備え得る。ストレージ104は、実行されると1つまたは複数のハードウェアプロセッサ114にテレマティクス情報を処理させることで、車両110の1つまたは複数の先進運転支援システムADAS機能が動作可能にされているか(または関連するトリップ中に動作可能にされていたか)否かを判定させる命令(指令)を記憶する、コンピュータ可読媒体を備え得る。
一般に、テレマティクス情報は、車両GPSシステム、車載車両診断、無線テレマティクス装置(たとえば、タグ)、車載センサ、モバイル装置センサ、からの情報を備えているとともに、速度、位置(ロケーション)、メンテナンス(保守)要件、およびサービス、などの車両データを記録および送信するとともにこれらデータを車両の内部挙動とで相互参照するためのブラックボックス技術からの情報を備えている。
一般に、センサ情報(またはセンサデータ)は、広義には、センサによって感知される情報を指す。センサは、車載カメラまたはLiDARシステム、などの車両の一部とすることができる。センサは、磁力計または衛星受信機、などのモバイル装置の一部とすることができる。センサは、ジャイロスコープまたは加速度計を備えていることができる、車両に取り付けられたセンサタグ112の一部とすることができる。いくつかの実施形態では、外部センサは、外部センサによって感知された情報がモバイル装置108に送信され得るように、車両に個別に取り付けられ得るとともに、モバイル装置108に通信可能に結合され得る。外部センサの一例は、アフターマーケットダッシュカムであり得る。センサ情報は、先進運転支援システムADAS機能がアクティブであるかどうかを判定するべく、モバイル装置108によって蓄積され得るとともにモバイル装置108によって処理され得る。
ネットワーク106は、モバイル装置108とサーバ102との間の情報の通信を促進する、任意のタイプのデータネットワークを備えていることができる。たとえば、ネットワーク106は、セルラーネットワーク、インターネットへのWi-Fi接続、または他のタイプのネットワーク、であり得る。
車両110は、少なくとも或る時間、人間の運転者によって操作(運転、動作)される任意のタイプの乗り物(ビークル)であることができる。車両110は、本明細書で説明されるように、1つまたは複数の先進運転支援システムADAS機能を備えていることができる。いくつかの実施形態では、車両110は、コネクテッド車両であることができる。コネクテッド車両という用語は、車両をその周囲に接続するアプリケーション、サービス、および技術、を指す。コネクテッド車両は、車両に存在する他のデバイスとの車内接続性を可能にすることと、外部装置、ネットワーク、アプリケーション、およびサービス、への車両の接続を可能にすることと、のうちの少なくとも1つを成立させる、車両に存在する様々な通信装置(埋込型または携帯型)を備えている。アプリケーションは、交通安全および効率性、インフォテインメント、駐車支援、ロード側支援(ロードサービス)、遠隔診断、および、自律自動運転車両およびグローバル位置決めシステム(GPS装置)へのテレマティックス、までの全てを備えている。典型的には、対話型先進運転者支援システム(ADAS)および協調型高度道路交通システム(C-ITS)を備えている車両は、コネクテッドされている(接続されている)とみなすことができる。コネクテッド(接続)車両安全アプリケーションは、車両対車両(V2V)通信および車両対インフラストラクチャ(V2I)通信を通じることで、状況認識を高めるとともに、交通事故を軽減するように設計されている。
先進運転支援システムADAS技術は、ビジョン/カメラシステム、センサ技術、車両データネットワーク、V2V、またはV2Iシステム、に基づくことができる。機能(特徴)は、適応走行制御、ブレーキ自動化を含み得るとともに、GPSおよび交通警告を組み込み、スマートフォンへ接続し、リスクに対して運転者に警告し、および、死角内に何があるか運転者の認識を維持させる、ことをし得る。V2V通信技術は、互いの範囲内の車両同士間で位置、速度、方向、などの基本的な安全情報を交換することによって、交通衝突を緩和したり、交通渋滞を改善したり、することができる。それは、前方衝突警告および死角検出、などの能動的な安全機能を補うことができる。コネクテッド車両技術はまた、車両同士間のセンサおよび認識データの交換、協調的な位置特定(ローカライゼーション)および地図更新、を可能にするとともに、自動車両同士間の協調的な操縦を容易にすることで、自動運転の基本的な構成要素であることが期待される。
図2は、本開示の実施形態による1つまたは複数の先進運転支援システムADAS機能を備えている、例示的な車両を示す概略図である。輸送モードは、例えばとりわけ、自動車、バス、トラック、列車、ボート、自転車、オートバイ、歩行(ウォーキングまたは走る)、オフロード車両、または飛行機、などの移動の任意の形態、搬送、または方法、を包含することができる。車両110は、自動車、バス、列車、オートバイ、モバイルホーム、トラック、または、モバイルコンピューティング装置(108)のユーザを輸送するように構成された任意のそのような類似の機械、を包含することができる。
車両110は、車両システム200を備えていることができる。車両システム200は1つまたは複数の先進運転支援システムADAS機能202を備えていることができる。先進運転支援システムADAS機能202は、これらに限定されないが、適応走行制御、車線変更支援、車線逸脱警告、車線維持支援、トラクション制御、車輪への動的動力分配、ブラインドスポットモニタ、衝突警告、衝突回避、自動または緊急ブレーキ、衛星ナビゲーション、自動運転機能、歩行者検出/回避、交通標識認識、サラウンドビューカメラ、自動駐車、暗視、トラクション制御、などのうちのいずれか1つまたは組み合わせを備えていることができる。このリストは網羅的ではない。他の先進運転支援システムADAS機能は、本明細書に記載の同様の技術を使用することで検出することができる。
車両システム200は、1つまたは複数のセンサ204を備えていることができる。センサ204は、カメラ、LiDAR、レーダ、圧力センサ、走行距離計、速度計、全地球測位、地図データ、他の位置データ、タイヤ圧力モニタ、動力分配(パワーディストリビューション)モニタ、または他のタイプのセンサ、を備えていることができる。
車両システム200はまた、入力/出力(I/O)206を備えている。I/O206は、アフターマーケットカメラなどのアフターマーケット装置を収容するべく、使用することができる。例えば、バックアップカメラを装備していない車両は、アフターマーケットカメラを使用することで、車両の先進運転支援システムADASに(有線接続または無線接続を介して)結合することができる。先進運転支援システムADAS機能は、アフターマーケットカメラからの画像情報を使用することで、駐車、または車両同士間の安全な距離の維持、などの1つまたは複数の運転者支援機能を提供することができる。入力/出力(入出力)206はまた、先進運転支援システムADAS機能が利用可能にされていたかどうかと、利用可能な先進運転支援システムADAS機能が或る期間中(たとえば、トリップ中)にアクティブにされていたかどうかと、を備えている、公開されたシステム情報にアクセスするべく、車両のシステムにインタフェースすることができる。公開されたシステム情報は、利用可能な場合、先進運転支援システムADAS機能動作可能性決定に含めることができる。
車両システム200はまた、ユーザインタフェース208を備えている。ユーザインタフェース208は、運転者が先進運転支援システムADAS機能をオンまたはオフにすることを許容することができる。ユーザインタフェース208は、好ましい速度や車両分離距離(例えば、速度の関数として)の設定か、フィードバックもしくはアラートのカスタマイズか、または他のタイプのカスタマイズか、などのカスタマイズされた先進運転支援システムADAS機能に使用することもできる。
車両システム200は、制御システム210を備えていることができる。制御システム210は、車両の制御に関与する任意のシステムを備えていることができる。先進運転支援システムADAS202は、車両を制御するべく制御システム210に入力または命令を提供することができる。例えば、自動駐車は、駐車のために車両を操舵し、加速し、制動する、ことができる。車線維持支援(レーンキープアシスト)は、車両をレーンに戻すように操舵させることができる。適応走行制御(アダプティブクルーズコントロール)は、車両の速度、加速度、および制動(ブレーキ)、を制御することができる。他の例が企図されており、本開示の範囲内である。
車両システム200はまた、衛星トランシーバ212を備えていることができる。衛星トランシーバ212は、全地球測位衛星(GPS)または全地球航法衛星システム(GNSS)情報を受信することができる。メモリ214は、地図データ、運転者情報、車両情報、または、先進運転支援システムADAS消費のための他のデータ、を記憶することができる。
図3は、本開示の実施形態による、先進運転支援システム(ADAS)機能が動作可能にされていたかどうかを判定するべく、センサ情報を使用するためのシステム300を示すシステム図である。システム300は、いくつかの互いに異なる構成要素を有しているモバイル装置108を備えている。モバイル装置108は、センサデータブロック105と、データ処理ブロック150と、データ送信ブロック130と、任意選択で通知ブロック140と、を備え得る。センサデータブロック105は、データ収集センサと、これらのセンサから収集された、モバイル装置108が利用可能なデータと、を備えている。センサデータブロック105は、Bluetooth(登録商標)やUSBケーブル等を介して接続される、外部デバイスを備えていることができる。データ処理ブロック150は、ストレージ156と、プロセッサ152によってセンサデータブロック105から取得されたデータに対して行なわれる操作(マニピュレーション)と、を備えている。この操作は、分析する工程と、特徴付ける工程と、サブサンプリングする工程と、フィルタリングする工程と、再フォーマットする工程と、などを含み得るが、これらに限定されない。データ送信ブロック130は、キャッシュまたはRAMなどの、メモリ154も備えている。データ送信ブロック130は、センサデータブロック105から取得されたデータを記憶および操作することもできる外部コンピューティング装置への、モバイル装置108からのデータの任意の送信を備えていることができる。データ送信ブロック130は、Wi-Fi、RF、またはBluetooth(登録商標)、などの無線接続を介して情報を送信および受信するための、無線トランシーバ132を備えていることができる。データ送信ブロック130は、3GPP(登録商標)プロトコルを使用するものなどのセルラーネットワークを介して通信するための、セルラートランシーバ134も備えていることができる。データ送信ブロック130はまた、有線接続またはタッチ接続を使用することでデータを交換することができる、直接送信ブロック136を備えている。
外部コンピューティング装置は、例えば、サーバ102とすることができる。サーバ102は、それ自体のプロセッサ162およびストレージ164を備えていることができる。通知ブロック140は、データ処理ブロック150によって実行されたセンサデータの分析の結果を、ディスプレイ(図示せず)を介してモバイル装置108のユーザに報告してもよい。例えば、通知ブロック140は、モバイル装置108のユーザに、1つのトリップ(移動)のまたは複数のトリップのスコアを表示するか、または他の方法で報告してもよい。一実施形態では、モバイル装置108は、テレマティクスアプリケーション120をさらに備えていることができる。テレマティクスアプリケーション120は、テレマティクスアプリケーションのインスタンスを実行することでセンサデータを収集および組立て(アセンブル)するだけでなく、センサデータに対して処理を実行して評価を行なうことができる。
いくつかの実施形態は、モバイル装置108を使用することで運転データが収集される例を使用することで、説明されている。これらの例は、いかなる特定のモバイル装置にも限定されない。例として、加速度計302、ジャイロスコープ304、コンパス306、バロメータ(気圧計、晴雨計)308、などのセンサと、全地球位置決めシステム(GPS)受信機310などの位置決定システムと、マイクロフォン312と、磁力計314と、通信機能と、などを備えている様々なモバイル装置が、本発明の範囲内に含まれる。例示的なモバイル装置は、スマートウォッチ、フィットネスモニタ、Bluetooth(登録商標)ヘッドセット、タブレット、ラップトップコンピュータ、スマートフォン、音楽プレーヤ、運動解析装置、および他の適切な装置、を備えている。当業者は、本明細書の説明を考慮すると、実施形態の実装のための多くの変形形態、修正形態、および代替形態、を認識するであろう。
運転者の運転挙動に関連付けられたデータを収集するべく、モバイル装置108上の1つまたは複数のセンサ(たとえば、センサデータブロック105のセンサ)は、本明細書では「ドライブ」(運転)または「トリップ」とも呼ばれる、車両を動作させるときにモバイル装置108が運転者とともに存在する期間中に、センサデータを生成する。多くのモバイル装置108では、データを収集するべく使用されるセンサは、モバイル装置108の構成要素であるだけでなく、モバイル装置108の構成要素に利用可能な電力リソースを、たとえばモバイル装置のバッテリ電力を、および/またはモバイル装置108に対する外部データソースを、使用する。
いくつかの実施形態は、モバイル装置の設定を使用することで、実施形態のいくつかの機能を有効にすることができる。例えば、Apple_iOSおよび/またはAndroid_OSでは、いくつかの設定を有効にすることは、実施形態のいくつかの機能を有効にすることができる。いくつかの実施形態では、ロケーションサービスを有効にすることは、モバイル装置からのロケーション情報の収集(例えば、全地球位置決めシステム(GPS)センサによって収集される)を可能にしている。バックグラウンドアプリリフレッシュを有効にすることは、いくつかの実施形態では、アプリケーションが実行されていないときであっても、運転データの収集および分析が、バックグラウンドで実行されることを可能にする。いくつかの実装形態では、トリップキャプチャはバックグラウンドで実行され得るので、アプリがバックグラウンドで実行されている間に、通知ブロック140を使用することでアラートが提供または表面化される。これらのアラートは、運転行動修正を容易にし得る。スコアリングおよび行動修正に関するさらなる開示は、2017年1月23日に出願された米国特許出願第15/413005号明細書に見出すことができるとともに、参照によってその全体が本明細書に組み込まれる。
いくつかの実施形態では、センサタグ112は、モバイル装置108にもしくはサーバ102に、またはその両方に、センサ情報を提供することもできる。センサタグ112は、トランシーバ322を備えていることができる。トランシーバ322は、とりわけ、Bluetooth(登録商標)ネットワーク、Wi-Fi(登録商標)ネットワーク、またはセルラーネットワーク、などの無線ネットワークを介して、モバイル装置108および/またはサーバ102に通信するように構成され得る。タグ112はまた、以下で説明するセンサスイート324を備えている。
図4は、本開示の実施形態によるセンサタグ112の概略図である。タグ112は、タグの様々な他の構成要素の動作を制御する、プログラムされた命令(「ファームウェア」)を実行することができる。マイクロコントローラ402の形態のプロセッサを備えている。構成要素は、車両におけるモバイル通信装置108にまたはサーバ102に通信するための、低電力の無線通信モジュール408を備えている。
構成要素はまた、とりわけ、3軸加速度計406、3軸ジャイロスコープ404、光センサ、圧力センサ、および磁力計、のうちの1つまたは複数などの1つまたは複数のセンサを備えている。
加速度計406は、車両が移動しているときにタグ112の加速度を測定することで、それによって車両110の加速度を測定するとともに、データをマイクロコントローラ402に報告する。加速度計および他のセンサは、一般にシリアルインタフェース規格を介してデジタル出力を提供する。
いくつかの実施形態では、タグ内のいくつかまたはすべての構成要素は、低電力装置であるので、したがって、1つまたは2つの小型コインセルバッテリは、タグが数千時間の駆動時間(運転時間、複数年の動作)にわたって動作するのに十分である。タグ112上のマイクロコントローラ402のファームウェアは、主に車両が移動しているときのみテレマティクスデータを記録している。車両が移動していないとき、タグ112の構成要素は、電源が切られているか、または超低電力アイドル状態にある。「加速状態機械」は、タグ112の異なる状態を制御する。
図示された例では、無線通信モジュール408は短距離無線通信プロトコルを使用することができる。いくつかの実施形態では、短距離無線通信プロトコルはBluetooth(登録商標)であるが、任意の低電力通信が使用され得る。Bluetooth(登録商標)Low Energy(BLE)は、所望の電力要件を満たしているので、汎用スマートフォン装置上で広く利用可能にされている。例示的な実施形態において、マイクロコントローラ402と、アンテナおよび水晶を備えている無線通信モジュール408と、は単一のチップに組み合わされる。
タグ112は、加速度および他のセンサデータを記録する。センサタグ112は、無線通信モジュール414を備えていることができる。無線通信モジュール414は、短距離無線通信リンクを介して、モバイル装置108にデータをストリーミングすることができる。次いで、無線通信モジュール414は、そのデータを処理するとともに、802.11(WiFi)またはセルラーネットワークなどの無線通信ネットワーク106を介して、受信され処理されたデータの少なくとも一部分を、関連するデータベースストレージ104を有しているサーバ102に送信する。いくつかの実施形態では、無線通信モジュール414は、セルラー通信などの長距離通信もサポートすることができる。
タグ112は、例えばシリアルフラッシュメモリを使用する、フラッシュストレージの形態のメモリ416を備えている。メモリ416は、トリップ開始/終了時間に関するデータと、急ブレーキ、加速、および旋回、などのファームウェアによって検出されるテレマティクスイベントを備えている加速および他のセンサデータと、タグの予期せぬ移動と、衝突またはクラッシュと、ならびにデバッグログと、をタイムスタンプとともに記憶する。タグ112はまた、ファームウェアによって使用されるランダムアクセスメモリ(RAM)と、構成データおよび実行可能命令を記憶するべく使用される読取専用メモリ(ROM)と、を備えている。
タグ112は、装置に電力を供給するためのバッテリ412を備えている。バッテリは、コインセル形態ファクタ、標準AAAもしくはAA、またはソーラー、であってもよい。好ましい実施形態では、タグ112は、車両の電源または車両の標準的なオンボード診断(OBD)ポートなどの、任意の有線電源には繋がれていないことに留意することが重要である。タグ112は無制限のエネルギー源を有さないので、タグ112の動作は、以下で説明されるように、エネルギーを節約しつつ慎重に使用する方法を備えている。
繋がれた電源を必要としない利点は、設置されたブラックボックスのような複雑なまたは面倒な設置手順がないことである。タグを車両のOBDポートに差し込むことは、これらのタイプの装置が車両のオンボードシステムに潜在的に干渉する可能性があることを考えると、望ましくない。非テザータグを有しているテレマティクスシステムの資本コストおよび運用コストは、ブラックボックスおよびOBD装置よりもかなり低いので、保険会社にとってよりスケーラブルである。
タグ112は、バッテリの電力レベルを測定するとともに、低電力無線通信リンクを介してモバイル装置に報告するように、マイクロコントローラ402上のハードウェア命令およびファームウェア命令を備えている。ハードウェアは、バッテリの電圧を測定するべく、バッテリとマイクロコントローラ402との間に接続された中間回路(図示せず)を用いて実装され得る。バッテリのエネルギーリザーブが閾値よりも低いことが判明すると、バッテリが低下しているときにユーザに警告するべく、ユーザにモバイル装置上で警告が与えられる。
図示の例では、短距離無線通信プロトコルはBluetooth(登録商標)であるが、任意の低電力通信が使用され得る。Bluetooth Low Energy(BLE)は、所望の電力要件を満たしているので、汎用スマートフォン装置上で広く利用可能にされている。例示的実施形態では、マイクロコントローラ402と、アンテナおよび水晶を備えている無線通信モジュール408と、は単一チップ内に組み合わせられる。
タグ112は、改ざん検出(タンパ検知)機構410を備えている。改ざん防止機構は、以下の2つの技術のうちの一方または両方を使用する。
第1方法では、加速度計を使用するとともに、タグ10が車両に固定されると、車両進行方向(x)に対する補正角度の知識を有している配向アルゴリズムを使用する。このアルゴリズムは、タグの加速度計406の軸線同士から、車両の基準系に対応する軸線同士に変換する、回転行列を計算する。タグ112がこの向きの突然の変化を経験した場合、最も可能性の高い理由は、貼り付けられたタグの移動であるので、これは改ざんと考えられる。この改ざんイベントは、タグフラッシュメモリに記録されるとともに、バックエンドサーバに安全に送信される。そのような改ざんの検出は、潜在的な詐欺を低減する。
第1方法では、加速度計を使用するとともに、タグ10が車両に固定されると、車両進行方向(x)に対する補正角度の知識を有している配向アルゴリズムを使用する。このアルゴリズムは、タグの加速度計406の軸線同士から、車両の基準系に対応する軸線同士に変換する、回転行列を計算する。タグ112がこの向きの突然の変化を経験した場合、最も可能性の高い理由は、貼り付けられたタグの移動であるので、これは改ざんと考えられる。この改ざんイベントは、タグフラッシュメモリに記録されるとともに、バックエンドサーバに安全に送信される。そのような改ざんの検出は、潜在的な詐欺を低減する。
第2方法では、タグハウジングによって覆われるタグ112に含まれる光センサチップを使用する。タグを、その意図された位置から取り外すとき、ハウジングの部品が破壊されるので、光センサが露出される。これは、次に、改竄イベントをトリガしているので、改竄イベントは、フラッシュメモリ416に送信されるとともに、次いで、モバイル装置108を介してサーバ102に送信される。
図5は、本開示の実施形態による、先進運転支援システムADAS機能動作可能性(機能動作尤度、フィーチャオペレーショナルライクリフッド)を決定するためのシステム300の概略図である。システム300は、本開示の実施形態によるモバイル装置108に通信するサーバ102を備えていることができる。いくつかの実施形態では、サーバ102は、ベクトル分析器552、ベクトル決定器554、外部情報受信機556、分類器558、データ収集頻度エンジン560、運転者検出エンジン562、およびスコアリングエンジン564、を備えているがこれらに限定されない構成要素を使用することで機能を提供することができる。これらの構成要素は、メモリ(図示せず)とで共にプロセッサ(図示せず)によって実行されてもよい。サーバ102はまた、データストレージ510を含んでもよい。図示されていないが、サーバ102内で動作するように示された構成要素のうちの1つまたは複数は、モバイル装置108内で完全にまたは部分的に動作することができ、逆もまた同様であることに留意することが重要である。
運転者の運転挙動に関連付けられたデータを収集するべく、モバイル装置108上の1つまたは複数のセンサ(たとえば、センサデータブロック105のセンサ)は、本明細書では「ドライブ」(運転)または「トリップ」(移動)とも呼ばれる、モバイル装置108が車両を動作させるときに運転者とともに存在する期間、中においてセンサデータを生成し得る。モバイル装置センサがデータを収集すると(および/またはリアルタイムで)、いくつかの実施形態は、データを分析することで、車両の加速度ベクトルと、運転の異なる特徴と、を決定する。例えば、運転者検出エンジン562は、モバイル装置108のユーザが車両の運転者であるかどうかを判定するべく、1つまたは複数の処理をデータに適用し得る。他の例は、分類器558を使用することで運転特徴を検出および分類するとともに、ベクトル分析器552およびベクトル決定器554を使用することで加速ベクトルを決定するための処理である。いくつかの実施形態では、外部データ(例えば、天候)を取り出すとともに、収集された運転データに外部データを相関させることができる。
本明細書で説明されるように、いくつかの実施形態では、収集されたセンサデータ(例えば、センサデータブロック105を使用することで収集された運転データ)を、制動挙動の分析と、加速挙動の分析と、車両速度および速度分散(「速度情報」)と、ならびに、センサから取得された他のトリップ情報と、を備えているがこれらに限定されない異なる結果に、変換することができる。
サーバ102は、テレマティクス情報および他の「トリップ」情報(一緒に、テレマティクスアプリケーションインスタンス502を実行しているモバイル装置108から蓄積されたセンサデータ)を受信することができる。テレマティクス情報および他の「トリップ」情報は、上述した1つまたは複数のセンサからのセンサデータを備えていることができる。センサデータは、運転スコアの評価、運転者の注意散漫、リスクアセスメント(リスク評価)、および他の分析、を備えている様々な分析のためにサーバによって使用され得る。サーバ102はまた、センサ情報を使用することで、先進運転支援システムADAS機能が、トリップ中にまたはトリップの一部中に動作可能にされていた可能性が高いかどうかを判定することができる。
サーバ102は、実行されたときにハードウェアプロセッサに動作を実行させる命令を記憶するための非一時的コンピュータ可読記憶媒体を備えているメモリ510を備えていることができる。メモリ510は、先進運転支援システムADAS確率エンジン512を記憶することができる。先進運転支援システムADAS確率エンジン512は、たとえばモバイル装置108から受信されたセンサ情報および他のテレマティクス情報を使用することで、トリップ中に車両において先進運転支援システムADAS機能が動作していた可能性(確率)を決定することができる。いくつかの実施形態では、先進運転支援システムADAS確率エンジン512は、モバイル装置108から受信されたトリップのセンサ情報を既知のベンチマーク516とで比較することができる。ベンチマーク516は、ADAS機能に関連付けられることができるだけでなく、ADAS機能が機能している最中に1つまたは複数の代表的な車両について観察されたセンサ情報値を備えていることができる。先進運転支援システムADAS機能のベンチマーク516は、車両固有であってもよく、または複数の車両もしくは車両タイプにわたって平均化されてもよい。簡単に言えば、ベンチマーク516は、先進運転支援システムADAS機能がトリップ中に動作可能にされていたかどうかを識別するべく使用され得る情報を表す。
ベンチマークは、テレマティクス情報および他の車両移動情報を、先進運転支援システムADAS機能がアクティブにされていたことが知られている期間に相関させることによって決定することができる。ベンチマークは、先進運転支援システムADAS機能が動作していなかったことが分かっている期間の車両移動情報を使用することによって、訓練することができる。任意の特定の先進運転支援システムADAS機能がトリップ中に動作可能にされていた確率は、先進運転支援システムADAS使用の既知の期間、対、先進運転支援システムADASが使用されていないことが知られていた期間(すなわち、訓練データ)、における様々なベンチマークの頻度を評価することと、それらのベンチマークにおける値を駆動する期間の類似性を見ることと、によって決定することができる。
ベンチマーク516は、速度閾値、速度分散閾値、最大速度、最大速度分散閾値、加速閾値、加速度分散閾値、制動閾値、制動タイミング閾値、および、トリップ中にセンサによって観測され得るだけでなく動作可能な先進運転支援システムADAS機能に相関され得る他の情報、を備えていることができる。他の例は、車線逸脱警報がアクティブであるときに車両によって生成される雑音、ステアリングホイールまたは座席触覚から生成される雑音、道路ハンプから生成される雑音、などの聴覚シグナリングを備えていることができる。ベンチマーク516は、運転者がステアリングホイールを保持しているか否かを判定するための、または或る期間にわたって隣接車両がどれだけ近いかを判定するための、代表的な画像データを備えていることができる。
ベンチマーク516は、機械学習モデル514の訓練(学習)を通じて確立および精緻化(リファイン)され得る。機械学習モデル514は、トリップ中に先進運転支援システムADAS機能がオンにされていた可能性を決定するべく使用され得る。機械学習モデル514は、ニューラルネットワーク、決定木、回帰モデル、フィルタ、または他のタイプの機械学習アルゴリズム、を備えていることができる。機械学習モデル514は、センサ情報の評価を実行するべく機械学習モデル514によって使用されるベンチマーク516を確立するべく、訓練(学習)データ524を使用することで訓練(学習)され得る。訓練データ524は、車両データ518、運転者データ520、履歴データ522、または他のソースからの他の情報、を使用することで確立され得る。訓練データ524は、先進運転支援システムADAS機能を使用することで車両の実世界試験から観察され得るだけでなく、観察された情報を先進運転支援システムADAS機能の動作に相関させることもできる。
機械学習モデル514のベンチマーク、閾値、および他の態様、はとりわけ、車両データ518を使用することで改善または精緻化され得る。車両データ518は、車両識別番号を備えている、車両のメーカおよびモデルおよび年数に固有の情報を備え得る。車両データ518は、先進運転支援システムADAS機能が車両に利用可能にされていたかどうかに関する情報を提供することができるだけでなく、場合によっては、問題の特定の車両が先進運転支援システムADAS機能を備えているかどうかを判定することができる。
ベンチマーク、閾値、および他の解析関数、はとりわけ運転者データ520を使用することで、精緻化され得る。運転者データ520は、トリップの運転者の運転習慣、運転スコア、および運転パフォーマンス特性、を備え得る。運転者は、車両に、またはモバイル装置上のテレマティクスアプリケーションインスタンスに、関連付けられた人物であり得る。運転者性能特性は、機械学習モデル514によって使用されるベンチマークと閾値とを、精緻化するべく使用されることができる。ここでも、機械学習モデル514は、人間の挙動と、自動化挙動と、を区別することができるので、したがって、閾値およびベンチマークの決定において運転者固有の情報を使用することによって、人間の運転者と自動化とを区別する際の機械学習モデル514の信頼性を高めることができる。
同様に、履歴データ522は、ベンチマークおよび閾値を精緻化するべく使用され得る。履歴データ522は、他の運転者や他の先進運転支援システムADASシステムからの情報、またはベンチマークおよび閾値を通知および精緻化するべくあるいは機械学習モデル514の性能を向上させるために使用され得る他の履歴情報、を備え得る。先進運転支援システムADASはさらに、時間とともに改善し得ることで、閾値分散の変化をもたらす。新しいデータを履歴データとで比較することで、機械学習モデルの改善を決定するとともに、機械学習モデルのベンチマークおよび閾値を精緻化することができる。
以下は、先進運転支援システムADAS機能動作の可能性を決定するべく、トリップからのセンサ情報が、どのように使用され得るかの例を提供する。各例は、アルゴリズムまたは機械学習モデルを使用することで個々に使用され得るか、または複数の例は、計算モデルからの全体的な結果の信頼性を高めるために使用され得る。
(a)適応走行制御(アダプティブクルーズコントロール)では、人間の運転者よりも滑らかな速度変化をまたはスピード変化を有している。加速度のT秒のスライディング窓について、所定ベンチマークまたは閾値よりも上または下である速度の変化の範囲外の値は、破棄され得る。速度の変化が閾値Sを超える場合、適応走行制御の確率は、分散が低下するにつれて増加する。
例(a)では、センサ情報は、速度データが収集された期間中の車両の速度を備えている。その期間は、トリップの持続時間であるか、1日の複数のトリップにわたる速度データの集約(たとえば、運転者が使いで出かけている(ドライバアウトランニングエランド))であるか、またはモバイル装置上で実行されるセンサタグもしくはテレマティクスアプリケーションのためのデータ収集期間であるか、のいずれかであり得る。時間Tのスライディング窓は、上述の特定の分析のために、選択または事前決定することができる。
第1ベンチマークは、分析から外れたデータを排除するための最大加速度値閾値を表すことができる。第2ベンチマークは、分析から外れたデータを排除するための最小加速度値閾値を表すことができる。これらの第1ベンチマークおよび第2ベンチマークは、リアルタイムで速度情報の統計的分析を使用して確立することができるし、または予め決定することができる。速度(加速度)の最大変化および最小変化に対する所定ベンチマークは、平均値または瞬時値からの百分率分散、などの相対論的値に基づくことができる。あるいは、速度の最大変化および最小変化に対する所定ベンチマークは、絶対値であってもよい。この場合も、所定ベンチマークは、実世界の試験および訓練(学習)から確立することができる。
例えば(a)の第3閾値は、速度閾値Sの変化である。自動車は、自動化を使用することでその速度を制御することができる。自動化は、人間がペダルを使用することになる加速に対して、より正確な制御を有している。適応走行制御がアクティブであるときに自動車によって実行される加速は、例えば、人間が運転している場合よりも、時間窓内における速度変化の分散が少ないことを示す。閾値Sは、時間窓内で車両がどの程度滑らかに加速したかを定義する。閾値Sは、時間窓内の加速度の変化の限界を定義することもできる。加速度の変化は、車両が加速するときの速度変化の分散を表すことができる。速度閾値Sの変化は、適応走行制御の実世界試験を使用することと、センサ情報観測を行なうことと、によって決定することができる。
速度閾値Sの変化は、異なる車両、運転者、適応走行制御システム、または他の改良、のための集約データを使用することで改良することができる。例えば、車両データ518が使用され得る第1メーカ(型)およびモデルの車両は、第2メーカおよびモデルの車両とは異なる適応走行制御を有している可能性があるので、したがって、各々について観察された加速同士はわずかに異なる可能性がある。車両固有の情報を用いて閾値Sを精緻化することによって、機械学習モデルの精度を高めることができる。また、運転者データ522を使用することもできる。閾値Sを精緻化するべく、運転者固有の運転習慣およびパフォーマンス特性ならびにスコア履歴を使用することができる。
(b)適応走行制御は、特有の最大速度を有しており、この最大速度を超えると、適応走行制御は(例えば、所定時間量にわたって)留まらない。人間にとって、時間窓にわたるピーク速度は、一層変動しやすい。T秒(例えば、T=5秒)の速度のスライディング窓(i)を使用することで、最大速度Amax(i)および最小速度Amin(i)を計算することができる。Amax(i)およびAmin(i)は、N個の窓(たとえば、N=20)にわたって評価され得る。maxi(Amax(i))-mini(Amin(i))が、或る閾値D未満である場合、Amax(i)の分散が計算される。Amax(i)の分散が低下するにつれて、適応走行制御が動作可能にされている可能性が増大する。
例(b)では、ベンチマーク時間窓サイズおよび時間窓の数は、最大速度の分散の計算のための正確な結果を提供する時間および窓の統計分析または観測を使用することで、予め決定され得る。閾値Dは、統計的におよび/または観察を通じて決定することもできる。閾値Dは、人間の運転者と、適応走行制御などの自動化と、を区別するためのベンチマークとすることができる。閾値Dは、運転者または車両に固有のものとすることができるし、または情報のより広いソースに基づくより一般的な値とすることができる。閾値Dは、機械学習モデル514の精度を向上させるべく、経時的に(時間にわたって)精緻化することができる。閾値Dは、例えば、先進運転支援システムADASがアクティブではないことが分かっているときに、運転者に対して観察される最大速度分散などの運転者固有のデータを使用することで、精緻化され得る。閾値Dは、運転者挙動と先進運転支援システムADAS性能との両方についてより多くの情報が学習されるにつれて、経時的に精緻化することができる。
(c)適応走行制御は、人間よりも急速に最大速度まで加速するが、その速度において加速を停止する。特に、速度変化が、T′秒にわたって速度変化A′として測定される場合、ここで、A′>閾値A、T′>閾値Tである。適応走行制御の可能性は、A′およびT′とともに増加する(または減少しない)。いくつかの実施形態では、最大速度への加速は停止しており、最大速度は、先進運転支援システムADASシステムにおいて人間の運転者よりも少ない分散で維持される。人間の運転者は、最大速度までゆっくりまたは迅速に加速し得るが、最大速度に到達した後には、最大速度のより高い分散を示し得る。
閾値Aおよび閾値Tは、人間活動と、自動化と、を区別するベンチマークを表す。各々は、上記とで同様の方法で識別および精緻化することができる。
(d)他のセンサモダリティを使用することで、1つまたは複数の機械学習モデルに入力することができる情報を収集することもできる。例えば、人間は通常、ターン(旋回)の前に減速するので、適応走行制御はターン中に減速する。速度情報(制動)は、或る期間における速度変化を決定するべく使用され得る。しかし、GPS位置データに結合された道路ネットワークのマップマッチングは、道路がターンしているときを示している。ジャイロスコープセンサデータは、車両がターン(旋回)しているときを示している。加速度計データは、車両が制動を開始したときを示す。制動が、時間T未満だけ車両および道路のターン(旋回)に先行する場合、適応走行制御の可能性が高められる。
(d)他のセンサモダリティを使用することで、1つまたは複数の機械学習モデルに入力することができる情報を収集することもできる。例えば、人間は通常、ターン(旋回)の前に減速するので、適応走行制御はターン中に減速する。速度情報(制動)は、或る期間における速度変化を決定するべく使用され得る。しかし、GPS位置データに結合された道路ネットワークのマップマッチングは、道路がターンしているときを示している。ジャイロスコープセンサデータは、車両がターン(旋回)しているときを示している。加速度計データは、車両が制動を開始したときを示す。制動が、時間T未満だけ車両および道路のターン(旋回)に先行する場合、適応走行制御の可能性が高められる。
例(d)では、速度および時間以外の追加のセンサ情報が、トリップ中(移動中)に車両において適応走行制御が機能(ファンクショナル)する可能性を決定(判定)するための機械学習モデルへの入力として組み込まれている。機械学習モデル514は、先進運転支援システムADAS機能動作状態の確率を計算する際に、多くの異なるセンサモダリティからの情報を、入力として使用することができる。
(e)別の例では、適応走行制御は、より大きな道路で、より一般的であることである。特に、マップマッチングおよびGPS位置データによって決定されるように、可能性は、道路タイプ0、1、2で高められるが、道路タイプ3または4では高められない。
(f)車室内ビデオを使用することで、運転者がハンドルから手を離しているが、ハンドルが動いたかどうか、を検出することができる。例えば、センサタグは、画像データを捕捉(キャプチャ、取得)するためのビデオ監視を備えていることができる。センサタグは、(他の理由の中でもとりわけ)先進運転支援システムADAS動作可能性のために最終的に処理されるセンサデータの蓄積のために、画像データをモバイル装置108に送信することができる。前方に面するダッシュカムは、先行車からの距離を測定するべく使用され得る。適応走行制御が作動(アクティベート、動作)される場合、この先行車からの距離は、速度の関数として通常でなく一定であるはずである。人間が運転している場合、この先行車からの距離は、より大きな変動性を有している。
上記は、適応走行制御の動作状態の確率を決定するべく、センサ情報がどのように使用され得るかの例などを提供する。他の先進運転支援システムADAS機能の動作状態も、他のセンサ情報から収集され得る。例えば、スマート装置またはセンサタグに含まれる、マイクロフォンを使用することで、可聴車線逸脱警告音を検出することができる。機械学習モデル514は、車線逸脱警報音と他の音とを区別するように訓練(学習)することができる。車線逸脱警報の警報音(アラート音)は、車両の異なるメーカおよびモデルに対して固有(ユニーク、一意)であり得るので、可聴車線逸脱警報判定のための機械学習モデル514は、車両情報も備え得る。
いくつかの実施形態では、物理ベースの手法を使用することで、先進運転支援システムADAS機能動作可能性を評価することができる。例えば、コンピュータ(すなわち、先進運転支援システムADAS)のための車両移動メトリックは、人間のオペレータのための同様のメトリックとで比較することで、より安定しているか、または車両移動の変化がより安定している、と仮定することができる。例えば、速度変動値は、例えばスライディング窓を使用することでトリップ中に評価することができる。トリップの異なる部分同士についての速度変動同士の差は、人間の運転者または適応走行制御が動作可能にされていたことを示すことができる。他の要因もまた、確率評価を精緻化(リファイン)するべく使用することができる。例えば、より高速での低速分散は、より低速での低速変動とは対照的に、適応走行制御がオンである可能性をより高くすることができる。低速での低速変動は、車両が頻繁な停止および始動を伴いつつ、低速で徐行している可能性があるグリッドロック状況中などに、適応走行制御機能が動作可能にされていることを依然として示すことができる。このような場合、加速および制動の滑らかさに加えて、速度変動を使用することができる。先進運転支援システムADASは、人間の運転者とで比較すると、滑らかに加速および制動する可能性が高い。
マイクロフォンはまた、道路ハンプなどの車線逸脱に関連付けられたノイズを、拾うことができる。機械学習モデルは、可聴情報を使用することで、車線逸脱警告アラート音が道路ハンプノイズの後または最中に生成されることを決定するように訓練(学習)され得る。道路ハンプノイズは、車両が車線を逸脱したのでアラートされたことを示している。機械学習モデルはまた、車線逸脱警告アラート音の後の車両の軌道の変化を検出するように訓練(学習)され得るだけでなく、車線逸脱警告アラート音を聞いた後に運転者が車両を車線内に戻したことを示す。また、車両におけるカメラを使用することで、運転者の手の位置、信号もしくはインジケータライト、または他の指示、などの運転中の先進運転支援システムADAS機能動作の指示を、視覚的にキャプチャ(把捉、取得)することもできる。
上記の例から分かるように、センサ情報は、先進運転支援システムADAS機能が動作可能にされていた確率を決定するべく、機械学習モデルによって使用され得る。注目すべきは、モバイル装置108も、先進運転支援システムADAS機能動作確率評価を実行するための機械学習モデルを備え得ることである。モバイル装置108は、モバイル装置108上のセンサからの蓄積されたテレマティクス情報504と、センサタグ112からの、車両110からの、または他のロケーションからの、テレマティクス情報508と、を使用することができる。モバイル装置108は、先進運転支援システムADAS確率エンジン512とで同様の先進運転支援システムADAS確率エンジン506を備えていることができる。したがって、モバイル装置108は、同様の先進運転支援システムADAS機能確率計算を実行することができる。サーバ102は、機械学習モデルの信頼性を保証するべく、時々、訓練(学習)データを用いることで、先進運転支援システムADAS確率エンジン506を更新することができる。次いで、モバイル装置108は、リスクアセスメント(リスク評価)などの消費のために、サーバ102に確率を送信することができる。
サーバ102は、リスクアセスメント(リスク評価)エンジン566を備えていることができる。次いで、1つまたは複数の先進運転支援システムADAS機能についての先進運転支援システムADAS機能動作可能性は、同じ運転者によって運転同士にわたって集約されるので、運転者および/または保険会社にリスクスコアを提供するべく使用される。リスクスコアは、トリップとユーザレベルとの両方で、提供され得る。
図6は、本開示の実施形態による、サーバにおいて先進運転支援システムADAS機能動作可能性を決定するための処理フロー図(600)である。最初に、テレマティクス情報(センサデータを備えている)は、テレマティクスアプリケーションインスタンスを実行しているモバイル装置によって取得される(602)。センサデータは、内部センサを介して、または車両センサ、センサタグ、アフターマーケットセンサ、などの外部ソースから、モバイル装置によって直接取得することができる。モバイル装置は、先進運転支援システムADAS機能動作可能性評価のために、テレマティクス情報をサーバに送信することができる(604)。例えば、モバイル装置は、セルラー接続を使用することで、セルラー通信プロトコルを介して、テレマティックス情報をサーバに送信することができる。モバイル装置は、Wi-Fi(登録商標)接続を使用することで、インターネットを介してテレマティックス情報をサーバに送信することができる。他の送信方式が企図されるとともに、本開示の範囲内である。モバイル装置は、テレマティクス情報をサーバに、継続的に、周期的に、トリップ中の所定時間にもしくは所定ポイントに、またはトリップの終わりに、ストリーミングすることができる。サーバは、モバイル装置がテレマティックス情報を送信するように、モバイル装置にピングを行なうことができる。
テレマティクス情報の送信タイミングを制御することによって、テレマティクス情報と運転者との間の他の情報を使用することで、相関関係を作成することができる。例えば、1日のうちの時刻と、トリップ時に作成された経路と、を相関させることによって、テレマティクス情報を、通勤する運転者に相関させることができる。テレマティクスアプリケーションインスタンスに関連付けられた個人情報を使用することで、テレマティクス情報を運転者に相関させることもできる。タイミング、経路、運転者ID、および他の情報、は先進運転支援システムADAS機能動作可能性を評価する際だけでなく、リスクを評価(アセスメント)する際にも、サーバによって使用され得る。
サーバは、テレマティクス情報を受信することができる(606)。サーバは、先進運転支援システムADAS確率エンジンの1つまたは複数のシェーピングアルゴリズムを使用することでテレマティクス情報を処理することによって、先進運転支援システムADAS機能動作可能性を決定するためのデータをシェーピング(整形)することができる(608)。例えば、テレマティクス情報は、生の速度データと、移動の持続時間と、を備えていることができる。1つまたは複数のシェーピングアルゴリズムは、生の速度データを取得することで、加速度データ、時間窓持続時間および時間窓数、ジャーク、を識別するか、または、先進運転支援システムADAS確率エンジンおよび関連するアルゴリズムが先進運転支援システムADAS機能動作予測を行なうために使用することができる他の情報、を識別することができる。
先進運転支援システムADAS確率エンジンは、生のまたは処理されたテレマティクス情報を使用することで、先進運転支援システムADAS機能がトリップ中の或る時間期間(期間)において動作可能にされていた可能性を決定することができる(610)。時間期間は、トリップ全体、トリップのセグメント、などであり得る。先進運転支援システムADAS確率エンジンは、一般に、テレマティクス情報を既知のベンチマークとで比較することで、先進運転支援システムADAS機能がその時間期間中に動作可能にされていた可能性を評価することができる。例示的な一実施形態では、先進運転支援システムADAS確率エンジンは、訓練(学習)データを使用することで訓練(学習)された教師有り機械学習モデルなどの、機械学習モデルを利用することができる。先進運転支援システムADAS確率エンジンは、テレマティクス情報、期間情報、運転者情報、および/または他の情報、を入力として使用することができる。先進運転支援システムADAS確率エンジンは、その期間中に先進運転支援システムADAS機能が動作可能であった確率を出力することができる。
次いで、サーバは、(とりわけ)先進運転支援システムADAS機能動作可能性を使用することで、運転者のリスクアセスメント(リスク評価)を決定することができる(612)。可能性は、同じ運転者による運転同士にわたって集約され得るとともに、リスクスコアを運転者および/もしくは保険業者に提供するべく、または他の理由のために、使用され得る。リスクスコアは、トリップおよび運転者レベルの両方で提供され得る。一例として、先進運転支援システムADAS確率エンジンは、車線逸脱警報が運転中にオフになったかどうか(および車線逸脱警報がトリップ中に何回オフになったか)を判定することができるので、車線境界を超えた可能性がある意図しない軌道変更を車両が行ったことを示す。運転者の画像情報などの他のテレマティクス情報を使用することで、意図しない軌道変更中に運転者が注意散漫になったかどうかを判定することができる。モバイル装置加速度計および/またはジャイロスコープ情報は、車両が意図しない軌道変更を行なったときに、運転者がモバイル装置を保持または移動させていたことを判定するべく使用され得る。これらの要因のすべてを使用することで、運転者またはトリップのリスクを評価(アセスメント)することができる。
図7は、本開示の実施形態による、モバイル装置における先進運転支援システムADAS機能動作可能性を決定するための処理フロー図(700)である。最初に、テレマティクス情報(センサデータを備えている)は、テレマティクスアプリケーションインスタンスを実行するモバイル装置によって取得される(702)。センサデータは、モバイル装置によって、内部センサを介して直接取得されてもよいし、または、車両センサ、センサタグ、アフターマーケットセンサ、などの外部ソースから取得されてもよい。モバイル装置は、先進運転支援システムADAS確率エンジンの1つまたは複数のシェーピング(整形)アルゴリズムを使用することでテレマティクス情報を処理することによって、先進運転支援システムADAS機能動作可能性を決定するためのデータをシェーピングすることができる(704)。例えば、テレマティクス情報は、生の速度データおよびトリップ持続時間を備えていることができる。1つまたは複数の整形アルゴリズムは、加速度データ、時間窓の持続時間および数、ジャーク、または、先進運転支援システムADAS確率エンジンおよび関連するアルゴリズムが先進運転支援システムADAS機能動作予測を行なうべく使用することができる他の情報、を識別するべく、生の速度データを取ることができる。
モバイル装置上の先進運転支援システムADAS確率エンジンは、生のまたは処理されたテレマティクス情報を使用することで、先進運転支援システムADAS機能がトリップ中の或る時間期間にわたって動作可能にされていた可能性を決定することができる(706)。時間期間は、トリップ全体、トリップのセグメント、などであり得る。先進運転支援システムADAS確率エンジンは、一般に、テレマティクス情報を既知のベンチマークとで比較することで、先進運転支援システムADAS機能が時間期間中に動作可能にされていた可能性を評価することができる。例示的な一実施形態では、先進運転支援システムADAS確率エンジンは、訓練(学習)データを使用することで訓練(学習)された、教師有り機械学習モデルなどの機械学習モデルを利用することができる。先進運転支援システムADAS確率エンジンは、テレマティクス情報、期間情報、運転者情報、および/または他の情報、を入力として使用することができる。先進運転支援システムADAS確率エンジンは、期間中に先進運転支援システムADAS機能が動作可能であった確率を出力することができる。
モバイル装置は、先進運転支援システムADAS機能動作可能性をサーバに送ることができる(708)。たとえば、モバイル装置は、セルラー通信プロトコルを介してテレマティクス情報をサーバに送信するべく、セルラー接続を使用することができる。モバイル装置は、Wi-Fi(登録商標)接続を使用することで、インターネットを介して、テレマティクス情報をサーバに送信することができる。他の送信方式が企図されているとともに、本開示の範囲内である。モバイル装置は、先進運転支援システムADAS機能動作可能性を、継続的に、周期的に、トリップ中の所定時間にもしくは所定ポイントに、またはトリップ終了時に、サーバに送信することができる。サーバはまた、モバイル装置が先進運転支援システムADAS機能動作可能性を送信するようにさせるべく、モバイル装置をピングすることができる。
先進運転支援システムADAS機能動作可能性の送信タイミングを制御することによって、テレマティクス情報と運転者との間の他の情報を使用することで相関を作成することができる。例えば、1日のうちの時刻と、トリップ時に作られた経路と、を相関させることによって、テレマティクス情報を、通勤する運転者に相関させることができる。テレマティクスアプリケーションインスタンスに関連付けられた個人情報は、テレマティクス情報を運転者に相関させるべく使用することもできる。タイミング、経路(ルート)、運転者ID、および他の情報、は先進運転支援システムADAS機能動作可能性を評価する際だけでなく、リスクを評価する際にも、サーバによって使用することができる。
サーバは、先進運転支援システムADAS機能動作可能性を受信することができる(710)。次いで、サーバは、(とりわけ)先進運転支援システムADAS機能動作可能性を使用することで、運転者のリスク評価(リスクアセスメント)を決定することができる(712)。
図8Aは、本開示の実施形態による、センサ情報入力を使用することで先進運転支援システムADAS機能動作可能性を決定するための、例示的なニューラルネットワーク800の概略図である。先進運転支援システムADAS確率エンジンは、1つまたは複数の機械学習モデルを備えていることができる。機械学習モデルは、利用可能な入力に基づき選択されることができる。言い換えれば、入力情報の所与のセットは、先進運転支援システムADAS機能のサブセットのみをサポートし得る。よって、先進運転支援システムADAS機能のそのサブセットについての機械学習モデルは、入力情報を処理するべく選択され得る。
一例として、機械学習モデルは、ニューラルネットワーク800などの、訓練(学習)されたニューラルネットワークを備えていることができる。ニューラルネットワーク800は、入力層802を備えていることができる。入力層802は、1つまたは複数の入力802(a)~802(k)を備えていることができる。ここで、kは、最後の入力のインデックスを表す。各入力802(a)~802(k)は、単一のテレマティクス情報を表す。例えば、入力802(a)は、速度情報を備えていることができる。一方で、入力802(b)は、ジャイロスコープ情報を備えていることができる。入力802(c)は、加速度情報を備えていることができる。一方で、入力802(k)は、GPS情報を備えていることができる。他の入力は、入力層802に含まれ得る。
機械学習モデルは、出力層806を備えていることができる。出力層806は、1つまたは複数の出力806(a)~806(k)を、関心が有る先進運転支援システムADAS機能ごとに1つずつ備えていることができる。出力層は、関心が有る先進運転支援システムADAS機能が運転中に動作可能にされていた確率を有している、1つまたは複数の出力を備えていることができる。例えば、入力セットについて、ニューラルネットワーク800は、第1先進運転支援システムADAS1についての第1確率P1と、第2先進運転支援システムADAS2についての第2確率P2と、などを、第n先進運転支援システムADASnについての第n確率Pnまで出力することができる。入力が、例えば先進運転支援システムADAS2をサポートしないか、または先進運転支援システムADAS2に関連しない場合、P2は0であるか、または0に近くなり得る。
ニューラルネットワーク800は、1つまたは複数の隠れ層804を備えていることができる。隠れ層804は、1つまたは複数の訓練(学習)された関数f(1)804(a)~f(m)804(k)を備えていることができる。隠れ層関数は、先進運転支援システムADAS機能が動作可能にされていた確率を出力するべく、着信入力情報を処理することができる。隠れ層804関数は、所望結果を得るべく訓練データを使用することで、訓練(トレーニング)することができる。
ニューラルネットワーク800は一例であるので、本明細書で使用され得る機械学習モデルのタイプを限定するものではない。他のタイプのニューラルネットワーク(または機械学習モデル)は、本開示の範囲から逸脱することなく使用され得る。
図8Bは、本開示の実施形態による、先進運転支援システムADAS機能動作可能性を決定するための、ニューラルネットワーク訓練(学習)システム850の一例の概略図である。ニューラルネットワーク訓練(学習)システム850は、訓練(学習)データ852を備えていることができる。訓練(学習)データ852は、入力データセット854と所望出力856とを備えていることができる。入力データセット854は、所望出力856に相関させることができる。各入力セット854は、モバイル装置から受信され得るか、またはニューラルネットワーク850において使用するべくサーバによって処理され得る、1つまたは複数のテレマティクスデータを備えていることができる。各入力セット854は、ニューラルネットワーク850からの所望出力に相関させることができるので、その結果、ニューラルネットワーク850の精度および信頼性を評価することができる。
入力セット854は、ニューラルネットワーク800に入力される。ニューラルネットワーク800の出力は、比較器858において、所望出力856の目標値とで比較される。エラー(誤差)は、エラー関数860に報告され得る。エラー関数860は、ニューラルネットワーク隠れ層内の損失関数および他の関数を最適化する、訓練(学習)アルゴリズム862に命令(指示)し得る。エラー関数860は、ニューラルネットワーク800の精度および信頼性を増加させるだけでなく、特定の入力データセットから所望結果を取得するべく、訓練アルゴリズムを調整するべく使用され得るエラー情報を提供し得る。例えば、訓練アルゴリズム862は、隠れ層関数に対して重み調整を行なうことができる。他の訓練システムは、本開示の範囲から逸脱することなく使用され得る。
図9は、本開示の実施形態による、テレマティクス情報から先進運転支援システムADAS動作可能性を決定するための、車両移動情報のクラスタリングを示す概略図(900)である。車両移動情報は、受信されたテレマティクス情報から決定することができる。車両移動情報は、車両がトリップ中に移動したかどうか、またはどのように移動したか、を示すことができる任意の情報を備えていることができる。車両移動情報は、車両速度、車両速度分散、車両加速度、車両制動、横運動、ピッチおよびヨー、などを備えていることができる。車両移動情報は、道路ハンプからの音、または車線逸脱警告信号、などの車両が車線を変更したことを示す音情報も、備えていることができる。
図9では、車両速度(車速)分散情報をクラスタリングすることができる。受信されたテレマティクスデータからの速度分散情報は、トリップ期間またはトリップ期間のサブセットなどの期間にわたって、分析することができる。速度分散情報は、その期間にわたる類似性に基づき、クラスタリングされることができる。密度、重心、分布、平均値、などの様々なクラスタリング類似性尺度を使用することができる。クラスタ同士を互いに比較することで、クラスタ内の値が、その期間中に先進運転支援システムADAS機能が動作可能にされていた確率を示すかどうか、を判定することができる。図9では、速度分散が経時的にクラスタリングされることで、第1クラスタ902、第2クラスタ904、および第3クラスタ906、が形成されている。第1クラスタ902および第3クラスタ906は、その期間にわたって、比較的高い速度分散を示している。第2クラスタ904は、その期間にわたって、比較的低い速度分散を示している。第2クラスタ904において観測された比較的低い速度分散は、例えば、その期間中に適応走行制御がアクティブであることを示すことができる(時間窓内の比較的低い速度分散は、適応走行制御の使用を示すことができるので)。他の情報は、その時間窓中の速度など、確率をさらに通知することができる。より低い速度変動を伴うより高い速度はさらに、適応走行制御の使用を示すことができる。
図10は、本開示の実施形態による、例示的なコンピュータシステム(1000)のブロック図である。例えば、図1を参照すると、モバイル装置108、タグ装置112、およびデータ処理システム102、はこれらの構成要素のリソースにアクセスするユーザのいずれかによって使用されるコンピュータシステムとで同様に、本明細書で説明されるシステム1000の例であり得る。システム1000は、プロセッサ1010、メモリ1020、記憶装置(ストレージ装置)1030、および1つまたは複数の入力/出力インタフェース装置1040、を備えている。構成要素(1010、1020、1030、および1040)同士の各々は、例えば、システムバス1050を使用することで相互接続され得る。
プロセッサ1010は、システム1000内で実行するための命令を処理することが可能にされている。本明細書で使用される「実行」という用語は、プログラムコードがプロセッサに1つまたは複数のプロセッサ命令を実行させる技法を指す。いくつかの実装形態では、プロセッサ1010は、シングルスレッドプロセッサである。いくつかの実装形態では、プロセッサ1010は、マルチスレッドプロセッサである。プロセッサ1010は、メモリ1020または記憶装置1030に記憶された命令を処理することが可能にされている。プロセッサ1010は、本明細書の他の図を参照して説明されるものなどの動作を実行し得る。
メモリ1020は、システム1000内に情報を記憶する。いくつかの実装形態では、メモリ1020はコンピュータ可読媒体である。いくつかの実装形態では、メモリ1020は揮発性メモリユニットである。いくつかの実装形態では、メモリ1020は不揮発性メモリユニットである。
記憶装置1030は、システム1000のための大容量記憶を提供することが可能にされている。いくつかの実装形態では、記憶装置1030は、非一時的コンピュータ可読媒体である。様々な異なる実装形態では、記憶装置1030は、たとえば、ハードディスク装置、光ディスク装置、ソリッドステートドライブ、フラッシュドライブ、磁気テープ、または何らかの他の大容量記憶装置、を備えていることができる。いくつかの実装形態では、記憶装置1030は、クラウド記憶装置とすることができるので、たとえば、ネットワーク上に分散されているとともにネットワークを使用することでアクセスされる1つまたは複数の物理記憶装置を備えている論理記憶装置とすることができる。いくつかの例では、記憶装置は、長期データを記憶することができる。入力/出力インタフェース装置1040は、システム1000のための入力/出力動作を提供する。いくつかの実装形態では、入力/出力インタフェース装置1040は、ネットワークインタフェース装置、たとえば、イーサネット(登録商標)インタフェース、シリアル通信装置、たとえば、RS-232インタフェース、および/または無線インタフェース装置、たとえば、802.11インタフェース、3G無線モデム、4G無線モデム、5G無線モデム、などのうちの1つまたは複数を備えていることができる。ネットワークインタフェース装置は、システム1000が通信することを、例えばデータを送信および受信することを、可能にする。いくつかの実装形態では、入力/出力装置は、入力データを受信するとともに、出力データを他の入力/出力装置に、たとえば、キーボード、プリンタ、およびディスプレイ装置1060、に送信するように構成された運転者装置を備えていることができる。いくつかの実装形態では、モバイルコンピューティング装置、モバイル通信装置、および他のデバイス、を使用することができる。
サーバは、サーバファームまたは一組の広く分散されたサーバなどの、ネットワーク上に分散して実装されてもよい。またはサーバは、互いに協調して動作する複数の分散された装置を備えている単一の仮想装置内に、実装されてもよい。例えば、装置(デバイス)のうちの1つは。他のデバイスを制御することができる。またはデバイスは、調整されたルールまたはプロトコルのセットの下で動作してもよい。またはデバイスは、別の様式で調整されてもよい。複数の分散装置同士の調整された動作は、単一の装置としての動作に見える。
いくつかの例では、システム1000は、単一の集積回路パッケージ内に含まれる。プロセッサ1010と1つまたは複数の他の構成要素との両方が単一の集積回路パッケージ内に含まれるとともに、および/または単一の集積回路として製造されるこの種のシステム1000は、マイクロコントローラと呼ばれることがある。いくつかの実装形態では、集積回路パッケージは、たとえば、複数の入力/出力インタフェース装置1040のうちの1つまたは複数との間で信号を通信するべく使用され得る、入力/出力ポートに対応するピンを備えている。
例示的な処理システムが図10において説明されている。本明細書において説明される主題および機能的動作の実装形態は、デジタル電子回路において、有形に具現化されたコンピュータソフトウェアもしくはファームウェアにおいて、本明細書において開示される構造およびそれらの構造的均等物を備えているコンピュータハードウェアにおいて、または、それらのうちの1つもしくは複数の組合せにおいて、実装され得る。説明される主題のソフトウェア実装形態は、1つまたは複数のコンピュータプログラムとして実装され得る。各コンピュータプログラムは、データ処理装置による実行のために、またはデータ処理装置の動作を制御するべく、有形の非一時的コンピュータ可読コンピュータ記憶媒体上に符号化されたコンピュータプログラム命令の1つまたは複数のモジュールを備えていることができる。代替的にまたは追加的に、プログラム命令は、人工的に生成された伝搬信号の中/上に符号化され得る。一例では、信号は、データ処理装置による実行のために適切な受信機装置に送信するための情報を符号化するように生成された、機械生成された電気信号、光信号、または電磁信号、であり得る。コンピュータ記憶媒体は、機械可読記憶装置、機械可読記憶基板、ランダムアクセスメモリ装置もしくはシリアルアクセスメモリ装置、または、コンピュータ記憶媒体同士の組み合わせ、であり得る。
「データ処理装置」、「コンピュータ」、および「コンピューティング装置」(または当業者によって理解される等価物)という用語は、データ処理ハードウェアを指す。例えば、データ処理装置は、例として、プログラマブルプロセッサ、コンピュータ、または複数のプロセッサ同士もしくはコンピュータ同士を備えている、データを処理するためのすべての種類の装置(アパレイタス)、デバイス、および機械、を包含することができる。装置はまた、例えば、中央処理装置(CPU)、フィールドプログラマブルゲートアレイ(FPGA)、または特定用途向け集積回路(ASIC)を備えている、専用論理回路を備えていることができる。いくつかの実装形態では、データ処理装置または専用論理回路(またはデータ処理装置もしくは専用論理回路の組合せ)は、ハードウェアベースまたはソフトウェアベース(またはハードウェアベースとソフトウェアベースとの両方の組合せ)であり得る。本開示は、コンピュータプログラムのための実行環境を作成するコード、例えば、プロセッサファームウェア、プロトコルスタック、データベース管理システム、オペレーティングシステム、または実行環境同士の組合せ、を構成するコードを任意選択で備えていることができる。本開示は、従来のオペレーティングシステム、例えば、LINUX(登録商標)、UNIX(登録商標)、WINDOWS(登録商標)、MAC_OS、ANDROID(登録商標)、またはIOS(登録商標)を有しているかまたは有さないデータ処理装置の使用を企図する。
プログラム、ソフトウェア、ソフトウェアアプリケーション、モジュール、ソフトウェアモジュール、スクリプト、またはコード、としても参照または説明され得るコンピュータプログラムは、任意の形式のプログラム言語で書かれ得る。プログラミング言語は、例えば、コンパイラ型言語、インタープリタ型言語、宣言型言語、または手続き型言語、を備えていることができる。プログラムは、スタンドアロンプログラム、モジュール、構成要素、サブルーチン、または、コンピューティング環境で使用するためのユニット、を備えている任意の形式で展開され得る。コンピュータプログラムは、ファイルシステム内のファイルに対応することができるが、対応する必要はない。プログラムは、他のプログラムまたはデータを、例えば、マークアップ言語文書に格納された1つまたは複数のスクリプトを、保持するファイルの一部に、問題となる当該プログラム専用の単一ファイルに、または1つまたは複数のモジュール、サブプログラム、もしくはコード、の一部を格納する複数の協調ファイルに、格納することができる。コンピュータプログラムは、例えば、1つのサイトに配置されるか、または通信ネットワークによって相互接続される複数のサイトにわたって分散されるかする、1つのコンピュータ上または複数のコンピュータ上における実行のために展開され得る。様々な図に示されるプログラムの部分は、様々なオブジェクト、方法、または処理、を通して様々な特徴および機能を実装する個々のモジュールとして示され得るが、プログラムは、代わりに、いくつかのサブモジュール、第三者サービス、構成要素、およびライブラリ、を備えていることができる。逆に、様々な構成要素同士の特徴および機能は、必要に応じて単一の構成要素に組み合わせることができる。計算決定(コンピューテーショナル判定)を行なうために使用される閾値は、静的に、動的に、または静的および動的の両方で、決定することができる。
本明細書で説明される方法、処理、または論理フロー、は入力データに対して動作することで出力を生成することによって機能を実行するべく、1つまたは複数のコンピュータプログラムを実行する1つまたは複数のプログラマブルコンピュータによって実行することができる。方法、処理、または論理フロー、はまた専用論理回路、例えば、CPU、FPGA、またはASIC、によって実行されることができる。装置もまた、専用論理回路、例えば、CPU、FPGA、またはASIC、として実装されることができる。
コンピュータプログラムの実行に適したコンピュータは、汎用および専用マイクロプロセッサならびに他の種類のCPUのうちの、1つまたは複数に基づくことができる。コンピュータの要素同士は、命令を実行または行なうためのCPUと、命令およびデータを記憶するための1つまたは複数のメモリ装置と、である。一般に、CPUは、メモリから命令およびデータを受信する(およびメモリにデータを書き込む)ことができる。コンピュータはまた、データを記憶するための1つまたは複数の大容量記憶装置を備え得るか、またはそれに動作可能に結合され得る。いくつかの実装形態では、コンピュータは、たとえば、磁気、光磁気ディスク、または光ディスク、を備えている大容量記憶装置からデータを受信したり、大容量記憶装置にデータを転送したり、することができる。さらに、コンピュータは、別のデバイス、例えば、モバイル電話、携帯情報端末(PDA)、モバイルオーディオもしくはビデオプレーヤ、ゲームコンソール、GNSSセンサもしくは受信機、または、ユニバーサルシリアルバス(USB)フラッシュドライブ等のポータブル記憶装置、に組み込まれることができる。
「コンピュータ可読媒体」という用語は、限定はしないが、ポータブルまたは非ポータブル記憶装置、光記憶装置、ならびに、命令および/またはデータを記憶、含有、または搬送、することが可能な様々な他の媒体、を備えている。コンピュータ可読媒体は、データを記憶することができるが、無線でまたは有線接続を介して伝搬する搬送波および/または一時的電子信号を含まない、非一時的媒体を含み得る。非一時的媒体の例は、磁気ディスクまたはテープ、コンパクトディスク(CD)またはデジタル多用途ディスク(DVD)などの光記憶媒体、フラッシュメモリ、メモリまたはメモリ装置、を含み得るがこれらに限定されない。コンピュータ可読媒体の例は、プロシージャ、関数、サブプログラム、プログラム、ルーチン、サブルーチン、モジュール、ソフトウェアパッケージ、クラス、または、命令同士、データ構造同士、もしくはプログラムステートメント同士の任意の組合せ、を表し得るコードおよび/または機械実行可能命令を記憶していてもよい。コードセグメントは、情報、データ、引数、パラメータ、またはメモリ内容、を渡すことおよび/または受け取ることによって、別のコードセグメントまたはハードウェア回路に結合され得る。情報、引数、パラメータ、データ、などはメモリ共有、メッセージパッシング、トークンパッシング、ネットワーク送信、などを備えている任意の適切な手段を介して、渡されたり、転送されたり、または送信されたり、してもよい。
コンピュータプログラム命令およびデータを記憶するのに適したコンピュータ可読媒体(適宜、一時的または非一時的)は、すべての形態の永続的/非永続的および揮発性/不揮発性メモリ、媒体、およびメモリ装置、を備えていることができる。コンピュータ可読媒体は、例えば、ランダムアクセスメモリ(RAM)、読取専用メモリ(ROM)、相変化メモリ(PRAM)、スタティックランダムアクセスメモリ(SRAM)、ダイナミックランダムアクセスメモリ(DRAM)、消去可能プログラマブル読取専用メモリ(EPROM)、電気的消去可能プログラマブル読取専用メモリ(EEPROM)、およびフラッシュメモリ装置、などの半導体メモリ装置を備えていることができる。コンピュータ可読媒体はまた、例えば、テープ、カートリッジ、カセット、および内部/取り外し可能ディスク、などの磁気装置を備えていることができる。コンピュータ可読媒体はまた、例えば、デジタルビデオディスク(DVD)、CDROM、DVD+/-R、DVD-RAM、DVD-ROM、HD-DVD、およびBLURAY、を備えている光磁気ディスクおよび光メモリ装置ならびに技術を備えていることができる。メモリは、キャッシュ、クラス、フレームワーク、アプリケーション、モジュール、バックアップデータ、ジョブ、ウェブページ、ウェブページテンプレート、データ構造、データベーステーブル、リポジトリ、および動的情報、を備えている様々なオブジェクトまたはデータを記憶することができる。メモリに記憶されたオブジェクトおよびデータのタイプは、パラメータ、変数、アルゴリズム、命令、ルール、制約、および参照、を備えていることができる。さらに、メモリは、ログ、ポリシー、セキュリティまたはアクセスデータ、および報告ファイル、を備えていることができる。プロセッサおよびメモリは、専用論理回路によって補完されるか、または専用論理回路に組み込まれることができる。
本明細書は、多くの特定の実装形態の詳細を備えているが、これらは、特許請求され得るものの範囲に対する限定として解釈されるべきではなく、むしろ、特定の実装形態に固有であり得る特徴の説明として解釈されるべきである。別個の実装形態同士の文脈で本明細書において説明されるいくつかの特徴同士はまた、単一の実装形態において、組み合わせて実装され得る。逆に、単一の実装形態の文脈で説明される様々な特徴同士は、複数の実装形態で、別々に、または任意の適切なサブコンビネーションで、実装されてもよい。さらに、前述の特徴は、特定の組合せで作用するものとして説明されているとともに、最初にそのように特許請求される場合もあるが、特許請求される組合せからの1つまたは複数の特徴は、場合によっては、組合せから削除することができるだけでなく、特許請求される組合せは、サブコンビネーションをまたはサブコンビネーションの変形形態を対象とすることができる。
主題の特定の実装形態について説明してきた。当業者には明らかであるように、説明した実装形態の他の実装形態、変更形態、および置換形態は、以下の特許請求の範囲内に存在する。動作同士は、図面または特許請求の範囲において特定の順序で示されているが、これは、所望の結果を達成するべく、そのような動作同士が、示された特定の順序もしくは連続的な順序で実行されること、またはすべての図示された動作同士が実行される(いくつかの動作は任意選択であると見なされ得る)こと、を必要とすると理解されるべきではない。特定の状況では、マルチタスキングまたは並列処理(またはマルチタスキングと並列処理との組み合わせ)が有利であるだけでなく、適切と見なされるように実行され得る。
さらに、先に説明された実装形態における様々なシステムモジュール同士および構成要素どう子の分離または統合は、すべての実装形態においてそのような分離または統合を必要とすると理解されるべきではない。説明されたプログラム構成要素およびシステムは、概して、単一のソフトウェア製品に一緒に統合され得るか、または複数のソフトウェア製品にパッケージ化され得る、ことを理解されたい。
したがって、前述の例示的な実装形態は、本開示を定義または制約するものではない。本開示の趣旨および範囲から逸脱することなく、他の変更、置換、および改変、も可能にされている。
Claims (22)
- コンピュータ実装方法であって、前記コンピュータ実装方法は、
車両においてトリップ中に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、
ハードウェアプロセッサによって、前記トリップ中の前記車両についての車両移動情報を識別するべく、受信された前記テレマティクス情報を処理する工程と、
前記ハードウェアプロセッサによって、前記トリップ中の前記車両に関する前記車両移動情報に少なくとも部分的に基づき、前記車両の先進運転支援システム(ADAS)機能が前記トリップ中に動作可能にされていた確率を決定する工程と、および
前記ハードウェアプロセッサによって、前記先進運転支援システムADAS機能が動作可能にされていた前記確率に少なくとも部分的に基づき、前記車両についてのまたは前記車両の運転者についてのリスクスコアを決定する工程と、
を備えている、コンピュータ実装方法。 - 受信された前記テレマティクス情報を処理する工程は、前記車両移動情報を既知のベンチマークとで比較する工程を備えており、
前記トリップ中に前記車両の先進運転支援システムADAS機能が動作可能にされていた確率を決定する工程は、前記車両移動情報と前記既知のベンチマークとの前記比較が、前記先進運転支援システムADAS機能が動作可能にされていた確率を示すと決定する工程を備えている、
請求項1に記載のコンピュータ実装方法。 - 前記既知のベンチマークは、前記車両の対応する先進運転支援システムADASが動作可能にされていたことが知られているときに観察されたテレマティクス情報に相関する、1つまたは複数のテレマティクス情報の値を備えている、
請求項2に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記車両移動情報をサンプリングするための時間窓を定義する工程と、
第1車両移動情報サブセットを、第1時間窓についての間の第1クラスタにグループ化する工程であって、前記第1クラスタは、第1平均値を備えている前記車両移動情報のサンプリング値を備えている、前記第1クラスタにグループ化する工程と、
第2車両移動情報サブセットを、第2時間窓についての第2クラスタにグループ化する工程であって、前記第2クラスタは、第2平均値を備えている前記車両移動情報のサンプリング値を備えている、前記第2クラスタにグループ化する工程と、
前記第1クラスタと前記第2クラスタとの比較に基づき、前記車両の先進運転支援システムADAS機能が前記第1時間窓中に動作可能にされていた確率を決定する工程と、
を備えている、請求項1に記載のコンピュータ実装方法。 - 前記車両移動情報は、前記車両の速度に関する情報を備えており、
前記車両の先進運転支援システムADASが動作可能にされていた可能性が高いと判定する工程は、
前記車両の前記速度に関する前記情報に基づき、前記車両の適応走行制御が動作可能にされていた可能性が高いと判定する工程を備えている、
請求項1に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
所定時間量内の前記車両の速度の分散を計算する工程と、
前記所定時間量内の前記車両の速度の前記分散が、閾値分散値S未満であると判定する工程と、
所定持続時間中の前記車両の速度の分散が前記閾値分散値S未満であることに少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項5に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
所定時間窓内の前記車両の最大速度を計算する工程と、
前記所定時間窓内の前記車両の最小速度を計算する工程と、
所定数の時間窓について、全ての窓についての前記最大速度と、全ての窓についての前記最小速度と、の間の差を決定する工程と、
すべての窓についての前記最小速度と前記最大速度との間の前記差が、閾値分散値D未満であると判定する工程と、
各窓について前記最大速度の分散を決定する工程と、および
前記最大速度の前記分散が前記閾値分散値D未満であることに少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項5に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
速度情報から、前記車両がT秒で最大速度まで加速度Aで加速したことを決定する工程と、
前記加速度Aが閾値加速度値よりも大きいことと、前記T秒が閾値時間値内であることと、に少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項7に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法は、
前記車両が旋回したと判定する工程と、
所定閾値時間量T未満で前記車両が旋回するよりも前に、前記車両が減速したと判定する工程と、
前記車両が前記所定閾値時間量T未満で旋回するよりも前に前記車両が減速したことに少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項5に記載のコンピュータ実装方法。 - 前記車両が旋回したことを判定する工程は、道路網のマップマッチング、全地球測位システム(GPS)位置データ、およびジャイロスコープセンサデータ、のうちの1つまたは複数に基づき、前記車両が旋回したことを判定する工程を備えている、
請求項9に記載のコンピュータ実装方法。 - 前記テレマティクス情報は、マップマッチングおよび全地球測位衛星(GPS)情報のうちの一方または両方からの前記車両の位置に関する情報を備えており、
前記コンピュータ実装方法はさらに、前記車両の前記位置に関する前記情報に基づき、前記車両の前記適応走行制御が動作可能にされていた可能性が高いと判定する工程を備えている、
請求項5に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記マップマッチングまたは全地球測位衛星(GPS)情報の両方のうちの1つまたは複数から、前記車両が多車線道路上に存在したと判定する工程と、
前記車両が大きな道路上に存在することに基づき、前記車両の前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項11に記載のコンピュータ実装方法。 - 前記テレマティクス情報は、前記車両の前方に存在した第2車両に関する画像情報を備えており、
前記コンピュータ実装方法は、前記第2車両に関する前記画像情報に少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程を備えている、
請求項5に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記画像情報から、所定時間量にわたる前記車両に対する前記第2車両の相対距離を決定する工程と、
決定された前記相対距離から、前記第2車両と前記車両との間の前記相対距離の分散が、前記所定時間量にわたって閾値分散値未満にされていたと判定する工程と、
前記第2車両と前記車両との間の前記相対距離の前記分散が前記閾値分散値未満であることに少なくとも部分的に基づき、前記適応走行制御が動作可能にされていた可能性が高いと判定する工程と、
を備えている、請求項13に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記車両におけるモバイル装置上で実行されるアプリケーションの識別情報に少なくとも部分的に基づき、前記車両の運転者を判定する工程と、
前記運転者の運転メトリクスを識別する工程と、
前記テレマティクス情報をベンチマークとで比較する際に、前記運転者の前記運転メトリクスを使用する工程と、
を備えている、請求項1に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記ベンチマークを決定するべく、前記運転者の前記運転メトリクスを少なくとも部分的に使用する工程を備えている、
請求項15に記載のコンピュータ実装方法。 - 前記コンピュータ実装方法はさらに、
前記モバイル装置上で実行される前記アプリケーションから、前記車両のメーカおよびモデルを決定する工程と、
前記車両の前記メーカおよび前記モデルが、前記先進運転支援システムADASを備えていると判定する工程と、
を備えている、請求項15に記載のコンピュータ実装方法。 - システムであって、前記システムは、
複数のセンサを備えている装置と、
命令を実行するハードウェアプロセッサと、
前記命令を記憶する非一時的コンピュータ可読記憶媒体を備えているメモリであって、前記命令は実行されると前記ハードウェアプロセッサに動作を実行させる、前記メモリと、
を備えており、前記動作は、
車両においてトリップ中に1つまたは複数のセンサによって生成されたテレマティクス情報を受信する工程と、
前記ハードウェアプロセッサによって、前記トリップ中の前記車両についての車両移動情報を識別するべく、受信された前記テレマティクス情報を処理する工程と、
前記ハードウェアプロセッサによって、前記トリップ中の前記車両に関する前記車両移動情報に少なくとも部分的に基づき、前記車両の先進運転支援システム(ADAS)機能が前記トリップ中に動作可能にされていた確率を決定する工程と、および
前記ハードウェアプロセッサによって、前記先進運転支援システムADAS機能が動作可能にされていた前記確率に少なくとも部分的に基づき、前記車両についてのまたは前記車両の運転者についてのリスクスコアを決定する工程と、
を備えている、システム。 - 受信された前記テレマティクス情報を処理する工程は、前記車両移動情報を既知のベンチマークとで比較する工程を備えており、
前記トリップ中に前記車両の先進運転支援システムADAS機能が動作可能にされていた確率を決定する工程は、前記車両移動情報と前記既知のベンチマークとの前記比較が、前記先進運転支援システムADAS機能が動作可能にされていた確率を示すと決定する工程を備えている、
請求項18に記載のシステム。 - 前記既知のベンチマークは、前記車両の対応する先進運転支援システムADASが動作可能にされていたことが知られているときに観察されたテレマティクス情報に相関する1つまたは複数のテレマティクス情報の値を備えている、
請求項19に記載のシステム。 - 前記動作はさらに、
前記車両移動情報をサンプリングするための時間窓を定義する工程と、
第1車両移動情報サブセットを、第1時間窓についての第1クラスタにグループ化する工程であって、前記第1クラスタは、第1平均値を備えている前記車両移動情報のサンプリング値を備えている、前記第1クラスタにグループ化する工程と、
第2車両移動情報サブセットを、第2時間窓についての第2クラスタにグループ化する工程であって、前記第2クラスタは、第2平均値を備えている前記車両移動情報のサンプリング値を備えている、前記第2クラスタにグループ化する工程と、
前記第1クラスタと前記第2クラスタとの比較に基づき、前記車両の先進運転支援システムADAS機能が前記第1時間窓中に動作可能にされていた確率を決定する工程と、
を備えている、請求項18に記載のシステム。 - 前記装置は、スマートフォンまたはセンサ付きタグのうちの1つを備えている、
請求項18に記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/825,208 US20230386269A1 (en) | 2022-05-26 | 2022-05-26 | Detecting use of driver assistance systems |
US17/825,208 | 2022-05-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023174610A true JP2023174610A (ja) | 2023-12-07 |
Family
ID=86604816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023087116A Pending JP2023174610A (ja) | 2022-05-26 | 2023-05-26 | 運転者支援システムの使用の検出 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230386269A1 (ja) |
EP (1) | EP4283553A1 (ja) |
JP (1) | JP2023174610A (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028799A1 (en) * | 2016-08-12 | 2018-02-15 | Swiss Reinsurance Company Ltd. | Telematics system with vehicle-embedded telematics devices (oem line fitted) for score-driven, automated insurance and corresponding method |
US20210224917A1 (en) * | 2017-09-27 | 2021-07-22 | State Farm Mutual Automobile Insurance Company | System and Method for Evaluating a Driving Behavior |
-
2022
- 2022-05-26 US US17/825,208 patent/US20230386269A1/en active Pending
-
2023
- 2023-05-26 EP EP23175686.7A patent/EP4283553A1/en active Pending
- 2023-05-26 JP JP2023087116A patent/JP2023174610A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230386269A1 (en) | 2023-11-30 |
EP4283553A1 (en) | 2023-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200151479A1 (en) | Method and apparatus for providing driver information via audio and video metadata extraction | |
US20210334558A1 (en) | Method and system for providing behavior of vehicle operator using virtuous cycle | |
US11789449B2 (en) | Controlling autonomous vehicles using safe arrival times | |
US10733460B2 (en) | Systems and methods for safe route determination | |
US9928432B1 (en) | Systems and methods for near-crash determination | |
KR102205240B1 (ko) | 예상치 못한 임펄스 변화 충돌 검출기 | |
US11182986B2 (en) | Real-time selection of data to collect in autonomous vehicle | |
US11094148B2 (en) | Downloading system memory data in response to event detection | |
CN111052202A (zh) | 用于基于相对定位的安全自主驾驶的系统和方法 | |
CN113165646B (zh) | 用于检测车辆周围的风险因素的电子设备及其控制方法 | |
US11816900B2 (en) | Approaches for encoding environmental information | |
EP3631365A2 (en) | Systems and methods for safe route determination | |
US20220017032A1 (en) | Methods and systems of predicting total loss events | |
WO2019232022A1 (en) | Systems and methods for safe route determination | |
US11222213B2 (en) | Vehicle behavior detection system | |
EP4283553A1 (en) | Detecting use of driver assistance systems | |
WO2022159173A1 (en) | Vehicle-to-everything (v2x) misbehavior detection using a local dynamic map data model | |
US12008895B2 (en) | Vehicle-to-everything (V2X) misbehavior detection using a local dynamic map data model | |
US20220230537A1 (en) | Vehicle-to-Everything (V2X) Misbehavior Detection Using a Local Dynamic Map Data Model | |
US20230271618A1 (en) | Method and system for detecting lateral driving behavior | |
WO2024064286A1 (en) | Microweather classification | |
CN116746187A (zh) | 使用本地动态地图数据模型的车辆到一切(v2x)不当行为检测 |