JP2023502598A - 統計モデルを用いる衝突モニタリング - Google Patents

統計モデルを用いる衝突モニタリング Download PDF

Info

Publication number
JP2023502598A
JP2023502598A JP2022527669A JP2022527669A JP2023502598A JP 2023502598 A JP2023502598 A JP 2023502598A JP 2022527669 A JP2022527669 A JP 2022527669A JP 2022527669 A JP2022527669 A JP 2022527669A JP 2023502598 A JP2023502598 A JP 2023502598A
Authority
JP
Japan
Prior art keywords
vehicle
determining
estimated position
probability
estimated
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
Application number
JP2022527669A
Other languages
English (en)
Other versions
JPWO2021097070A5 (ja
Inventor
スコット クレゴ アンドリュー
ガセムザデコシグロウディ アリ
アヌラーグ モダラバラサ サイ
クリスチャン レシュカ アンドレアス
レヴァン ベヘバハーニー シアーヴォシュ
チン リンチャオ
Original Assignee
ズークス インコーポレイテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US16/682,971 external-priority patent/US11697412B2/en
Priority claimed from US16/683,005 external-priority patent/US11648939B2/en
Application filed by ズークス インコーポレイテッド filed Critical ズークス インコーポレイテッド
Publication of JP2023502598A publication Critical patent/JP2023502598A/ja
Publication of JPWO2021097070A5 publication Critical patent/JPWO2021097070A5/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

誤差モデルを用いて衝突のモニタリングを実行するための技術および方法である。例えば、車両は、１つまたは複数のセンサーを用いてセンサーデータを生成することができる。車両は、次に、車両に関連付けられるパラメーターおよび別のオブジェクトに関連付けられるパラメーターを決定すべく、システムを用いてセンサーデータを分析することができる。さらに、車両は、車両に関連付けられる推定される位置の分布を決定すべく、システムに関連付けられる誤差モデルを用いて、車両に関連付けられるパラメーターを処理することができる。車両は、また、オブジェクトに関連付けられる推定される位置の分布を決定すべく、誤差モデルを用いてオブジェクトに関連付けられるパラメーターを処理することができる。推定される位置の分布を用いて、車両は、車両とオブジェクトとの間の衝突の確率を決定することができる。

Description

本発明は、統計モデルを用いる衝突モニタリングに関する。
本出願は、「COLLISION MONITORING USING STATISTIC MODELS」と題された２０１９年１１月１３日に出願された米国特許出願第１６／６８２，９７１号、および「COLLISION MONITORING USING SYSTEM DATA」と題された２０１９年１１月１３日に出願された米国特許出願第１６／６８３，００５号の優先権を主張し、双方の内容全体が参照により本明細書に組み込まれる。
自律車両は、自律車両コントローラーを用いることが可能であり、環境を通して自律車両を誘導する。例えば、自律車両コントローラーは、プラニング方法、装置、およびシステムを用いることが可能であり、動的なオブジェクト（例えば、車両、歩行者、動物など）および静的オブジェクト（例えば、建物、標識、立ち往生した車両など）を含む環境を通して走行経路を決定して、自律車両を誘導する。自律車両コントローラーは、車両が環境を通ってナビゲートするにつれて、動的オブジェクトの予測される挙動を考慮に入れることができる。
詳細な説明は、添付の図面を参照して説明される。図面において、参照番号の左端の数字は、その参照番号が最初に出現する図面を識別する。異なる図面における同一の参照番号の使用は、類似または同一の構成要素または特徴を示す。
本開示の実施形態に従って、誤差モデルおよび／またはシステムデータを用いる衝突のモニタリングを実行する車両を含む環境を示す図である。 本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、誤差モデルを用いるセンサーデータを分析する車両の例示を示す図である。 本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、誤差モデルを用いるセンサーデータを分析する車両の別の例示を示す図である。 本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、センサーデータおよびシステムデータを分析する車両の例示を示す図である。 本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、センサーデータおよびシステムデータを分析する車両の別の例示を示す図である。 本開示の実施形態に従って、衝突の確率を決定する車両を示す例示的なグラフを示す図である。 本開示の実施形態に従って、少なくとも部分的に、車両データおよびグラウンドトゥルースデータに基づいて、誤差モデルデータを生成することを示す図である。 本開示の実施形態に従って、少なくとも部分的に、車両によって生成されるログデータおよびグラウンドトゥルースデータに基づいて、知覚誤差モデルデータを生成するコンピューティングデバイスを示す図である。 本開示の実施形態に従って、少なくとも部分的に、車両データおよびグラウンドトゥルースデータに基づいて不確実性データを生成することを示す図である。 本開示の実施形態に従って、本明細書で説明される技術を実装するための例示的なシステムのブロック図である。 本開示の実施形態に従って、誤差モデルを用いる衝突のモニタリングを実行するための例示的なプロセスを示す図である。 本開示の実施形態に従って、誤差モデルを用いるためのオブジェクトに関連付けられる推定される位置を決定する例示的なプロセスを示す図である。 本開示の実施形態に従って、不確実性を用いる衝突のモニタリングを実行するための例示的なプロセスを示す図である。 本開示の実施形態に従って、不確実性を用いる衝突のモニタリングを実行するための例示的なプロセスを示す図である。 本開示の実施形態に従って、不確実性を用いるためのオブジェクトに関連付けられる推定される位置を決定する例示的なプロセスを示す図である。
上記のように、自律車両は、コントローラーを用いることが可能であり、環境を通して自律車両を誘導する。例えば、コントローラーは、プラニング方法、装置、およびシステムを用いることが可能であり、動的なオブジェクト（例えば、車両、歩行者、動物など）および／または静的オブジェクト（例えば、建物、標識、立ち往生した車両など）を含む環境を通して走行経路を決定して、自律車両を誘導する。乗員およびオブジェクトの安全性を保証すべく、自律車両コントローラーは、環境において動作する場合に安全因子を用いてよい。しかしながら、少なくともある例示において、このようなシステムおよびコントローラーは、検証されることができない複雑なシステムを含む場合がある。このようなシステムおよびシステムに関連付けられる誤差または不確実性を決定する方法が存在しないという事実にもかかわらず、このような誤差および不確実性は、このような車両に環境における安全な動作を通知するために必要であることがある。
そのため、本開示は、複雑なシステムおよびシステムに対する誤差および／または不確実性モデルを決定することによって、誤差モデルおよび／またはシステムデータを用いる衝突のモニタリングを実行するための技術に向けられる。例えば、自律車両は、誤差モデルおよび／またはシステムの不確実性を用いて、後で、自律車両および１つまたは複数のオブジェクトの両方の推定される位置を決定することができる。ある例示において、推定される位置は、自律車両および１つまたは複数のオブジェクトに関連付けられる確率分布の位置を含んでよい。自律車両は、次に、推定される位置を用いる自律車両と１つまたは複数のオブジェクトとの間の衝突の確率を決定することができる。少なくとも部分的に衝突の確率に基づいて、自律車両は、１つまたは複数のアクションを実行してよい。少なくともある例示において、このような確率は、本明細書で詳細に説明される技術のいずれかに従って行われた決定に基づいて決定されてよい。
より詳細については、自律車両は、環境を横断することが可能であり、１つまたは複数のセンサーを用いるセンサーデータを生成することが可能である。ある例示において、センサーデータは、飛行時間センサー、位置センサー（例えば、ＧＰＳ、コンパスなど）、慣性センサー（例えば、慣性測定ユニット（ＩＭＵ）、加速度計、磁気計、ジャイロスコープなど）、ライダーセンサー、レーダーセンサー、ソナーセンサー、赤外線センサー、カメラ（例えば、ＲＧＢ、ＩＲ、強度、深度など）、マイクセンサー、環境センサー（例えば、温度センサー、湿度センサー、光センサー、圧力センサーなど）、超音波トランスデューサー、ホイールエンコーダーなどのようなセンサーによってキャプチャされるデータを含んでよい。自律車両は、次に、環境を通してナビゲートする場合に、１つまたは複数のコンポーネント（例えば、１つまたは複数のシステム）を用いるセンサーデータを分析することが可能である。
例えば、自律車両のコンポーネントのうちの１つまたは複数は、センサーデータを用いることが可能であり、自律車両に対する軌道を生成する。ある例示において、１つまたは複数のコンポーネントは、また、センサーデータを用いることが可能であり、自律車両の位置に関連付けられる姿勢データを決定する。例えば、１つまたは複数のコンポーネントは、センサーデータを用いることが可能であり、環境における車両の位置データ、座標データ、および／または方向データを決定する。ある例示において、姿勢データは、ｘ－ｙ－ｚ座標を含んでよく、ならびに／または車両に関連付けられるピッチ、ロール、およびヨーデータを含んでよい。
さらに、自律車両の１つまたは複数のコンポーネントは、センサーデータを用いることが可能であり、環境内のオブジェクトの検出、識別、セグメンテーション、分類、および／または追跡などの動作を実行する。例えば、歩行者、自転車／自転車運転者、バイク／バイク運転者、バス、路面電車、トラック、動物などのオブジェクトは、環境において存在してよい。１つまたは複数のコンポーネントは、未来の時点（例えば、未来での１秒、未来での５秒など）でのオブジェクトに対する推定される位置と同様に、センサーデータを用いることが可能であり、オブジェクトの現在の位置を決定する。
自律車両は、次に、オブジェクトの推定される位置と共に自律車両の軌道を用いることが可能であり、自律車両とオブジェクトとの間の衝突の確率を決定する。例えば、自律車両は、未来の時点でのオブジェクトの推定される位置が未来の時点での軌道に沿った自律車両の位置と交差するかを決定することができる。安全性を高めるために、自律車両は、決定を行う場合に、距離および／または時間バッファーを用いてよい。例えば、自律車両は、未来の時点でのオブジェクトの位置が自律車両の位置までの閾値距離（例えば、距離バッファー）内にある場合に、衝突の確率が高いという決定をすることができる。
さらに、自律車両は、コンポーネントに関連付けられる誤差モデルおよび／またはコンポーネントの出力に関連付けられる不確実性を用いて、衝突の確率を決定することができる。コンポーネントに関連付けられる誤差モデルは、コンポーネントの出力に関連付けられる誤差および／または誤差パーセンテージを表現することが可能である。例えば、知覚誤差モデルは、知覚コンポーネントの知覚パラメーター（例えば、出力）に関連付けられる知覚誤差を生成することが可能であり、予測誤差モデルは、予測コンポーネントなどからの予測パラメーター（例えば、出力）に関連付けられる予測誤差を生成することが可能である。ある例示において、誤差は、グラウンドトゥルースデータ、関数（例えば、入力パラメーターに基づく誤差）、または出力を特定の誤差にマッピングする任意の他のモデルもしくはデータ構造を用いる統計的集合に少なくとも部分的に基づいて決定されるルックアップテーブルによって限定されることなく、表現されることができる。少なくともある例示において、このような誤差モデルは、発生の確率／頻度を伴う具体的なの誤差をマッピングしてよい。説明されるように、ある例示において、このような誤差モデルは、特定のクラスのデータ（例えば、車両の速度、オブジェクトの速度などに基づいて、距離の第１の範囲内の検出に対する知覚システムおよび距離の第２の範囲内の検出に対する知覚システムに対しての異なる誤差モデル）について決定されてよい。
ある例示において、誤差モデルは、静的誤差モデルを含んでよい。他の例示において、誤差モデルは、自律車両および／または１つまたは複数のコンピューティングデバイスによって更新される動的誤差モデルを含んでよい。例えば、コンピューティングデバイスは、自律車両から車両データを継続して受信してよい。コンピューティングデバイスは、次に、グラウンドトゥルースデータと同様に、車両データを用いる誤差モデルを更新してよく、これは、以下でより詳細に説明される。誤差モデルを更新した後で、コンピューティングデバイスは、更新された誤差モデルを自律車両に送信してよい。
コンポーネントは、センサーデータを分析することができ、少なくとも部分的に分析に基づいて出力を生成することができ、これは、１つまたは複数のパラメーターを表現することができる。誤差モデルは、次に、オブジェクトに関連付けられる速度のような車両のコンポーネントの出力が誤差パーセンテージに関連付けられているということを示すことが可能である。例えば、コンポーネントは、環境内のオブジェクトの速度が毎秒１０メートルであるということを決定することができる。誤差モデルを用いて、自律車両は、誤差パーセンテージがＸ％（例えば、２０％）であり、速度＋／－Ｘ％（例えば、２０％の誤差パーセンテージの場合における毎秒８メートルと毎秒１２メートルとの間）の範囲をもたらすという決定をすることができる。ある例示において、速度の範囲は、範囲の一部が範囲の他の部分よりも発生する確率が高いことを示しているガウス分布のような確率分布に関連付けられてよい。ある例示において、確率分布は、多様な離散確率へとビニングされてよい。例えば、８メートル毎秒および１２メートル毎秒は、５％の確率に関連付けられてよく、９メートル毎秒および１１メートル毎秒は、２０％の確率に関連付けられてよく、１０メートル毎秒は、４５％の確率に関連付けられてよい。
誤差モデルを用いるために、自律車両は、少なくとも部分的に、コンポーネントからの出力およびコンポーネントに関連付けられる誤差モデルに基づいて、未来の時点でのオブジェクトの推定される位置を決定することができる。推定される位置は、位置のガウス分布のような確率分布に対応してよい。ある例示において、自律車両は、コンポーネントおよび／またはパラメーターのそれぞれに関連付けられるそれぞれの確率分布を最初に決定することによって、オブジェクトの推定される位置を決定する。自律車両は、次に、すべてのコンポーネントおよび／またはパラメーターに対する確率分布を用いる推定される位置を決定することができる。例えば、自律車両は、すべてのコンポーネントおよび／またはパラメーターに対する確率分布を集合または組み合わせることができ、推定される位置を決定する。確率分布を集合および／または組み合わせることは、確率分布を乗算すること、確率分布を集計すること、および／または確率分布に１つまたは複数の他の式を適用することを含んでよい。
追加的または代替的に、ある例示において、自律車両は、最初に、コンポーネントからの出力を用いるオブジェクトに関連付けられる初期の推定される位置を決定することができる。自律車両は、次に、誤差モデルを用いて、それぞれの出力の合計の誤差を決定する。自律車両は、コンポーネントに対する誤差モデルのそれぞれからの誤差を集合および／または組み合わせることによって、合計の誤差を決定することができる。次に、自律車両は、合計の誤差および初期の推定される位置を用いて推定される位置を決定する。このような例示において、推定される位置は、初期の推定される位置の周りの起こり得る位置の分布を含んでよい。
第１の例示に対して、自律車両は、１つまたは複数のコンポーネントを用いて、オブジェクトに関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。パラメーターは、オブジェクトのタイプ、オブジェクトの現在の位置、オブジェクトの速度、オブジェクトの走行方向などを含んでよいが、これらに限定されない。誤差モデルを用いて、自律車両は、次に、オブジェクトのタイプに関連付けられる確率分布、オブジェクトの現在の位置に関連付けられる確率分布、オブジェクトの速度に関連付けられる確率分布、オブジェクトの走行方向に関連付けられる確率分布などを決定することができる。自律車両は、次に、パラメーターに対する確率分布を用いる未来の時点でのオブジェクトの推定される位置を決定することができる。この第１の例示において、推定される位置のそれぞれ（または任意の１つまたは複数）は、位置の確率分布として表現されることができる。
第２の例示に対して、自律車両は、１つまたは複数のコンポーネントを用いて、オブジェクトに関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。自律車両は、次に、パラメーターを用いて、未来の時点でのオブジェクトの初期の推定される位置を決定することができる。さらに、ある例示において、自律車両は、パラメーターに関連付けられる誤差モデルを用いて、オブジェクトの初期の推定される位置を決定することに関連付けられる合計の誤差および／または誤差パーセンテージを決定することができる。自律車両は、次に、初期の推定される位置、および合計の誤差および／または誤差パーセンテージを使用してよく、オブジェクトに対する推定される位置を決定する。再び、この第２の例示において、推定される位置のそれぞれ（または任意の１つまたは複数）は、位置の確率分布として表現されることができる。
上記の例示のいずれかにおいて、自律車両は、同様のプロセスを用いて、環境内に位置される１つまたは複数の他のオブジェクトの推定される位置を決定することができる。さらに、自律車両は、同様のプロセスを用いて、未来の時点での自律車両の推定される位置を決定することができる。例えば、自律車両は、１つまたは複数のコンポーネントを用いて、自律車両に関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。パラメーターは、自律車両の位置、自律車両の速度、自律車両の走行方向などを含んでよいが、これらに限定されない。自律車両は、次に、パラメーターに関連付けられる誤差モデルを用いて、未来の時点での自律車両の推定される位置を決定することができる。ある例示において、推定される位置のそれぞれ（または任意の１つまたは複数）は、未来の時点での自律車両に対する位置の確率分布に対応してよい。
自律車両および／またはオブジェクトの推定される位置を決定するために、誤差モデルを用いることに加えて、またはその代替から、自律車両は、コンポーネントおよび／または出力に関連付けられる不確実性モデルのようなシステムデータを用いる推定される位置を決定することができる。パラメーターに関連付けられる不確実性モデルは、出力がどれだけ信頼されるべきかの分布、および／またはシステムが出力をどれだけ正確であるかの測定に対応してよい。例えば、コンポーネントがオブジェクトの位置を決定すべくセンサーデータを多様な回数分析する場合、コンポーネントは、出力がグラウンドトゥルースデータデータによって示される位置の周りの値の小さな分布（例えば、第１の範囲内）を含む場合、低い不確実性を出力することとなる。さらに、コンポーネントは、出力がグラウンドトゥルースデータデータによって示される位置の周りの値の大きな分布を含む場合（例えば、第１の範囲よりも大きい第２の範囲内）、高い不確実性を出力することとなる。自律車両は、不確実性モデルを用いて、未来の時点でのオブジェクトの推定される位置を決定することができる。
第１の例示に対して、自律車両は、１つまたは複数のコンポーネントを用いて、オブジェクトに関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。自律車両は、次に、オブジェクトのタイプを決定することに関連付けられる不確実性モデル、オブジェクトの現在の位置を決定することに関連付けられる不確実性モデル、オブジェクトの速度を決定することに関連付けられる不確実性モデル、オブジェクトの走行方向を決定することに関連付けられる不確実性モデルなどを決定することができる。自律車両は、次に、パラメーターに関連付けられる不確実性モデルを用いる未来の時点でのオブジェクトの推定される位置を決定することができる。この第１の例示において、推定される位置は、位置の確率分布に対応してよい。
第２の例示に対して、自律車両は、１つまたは複数のコンポーネントを用いて、オブジェクトに関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。自律車両は、次に、パラメーターを用いる未来の時点でのオブジェクトの初期の推定される位置を決定することができる。さらに、自律車両は、パラメーターおよび推定される位置を決定するコンポーネントに関連付けられる不確実性モデルを用いて、未来の時点でのオブジェクトの推定される位置を決定することができる。再び、この第２の例示において、推定される位置は、位置の確率分布に対応してよい。
上記の例示のいずれかにおいて、自律車両は、同様のプロセスを用いて、環境内に位置される１つまたは複数の他のオブジェクトの推定される位置を決定することができる。さらに、自律車両は、同様のプロセスを用いて、未来の時点での自律車両の推定される位置を決定することができる。例えば、自律車両は、１つまたは複数のコンポーネントを用いて、自律車両に関連付けられるパラメーターを決定すべく、センサーデータを分析することができる。パラメーターは、自律車両の位置、自律車両の速度、自律車両の走行方向などを含んでよいが、これらに限定されない（これらのうちのいずれかおよび／またはすべては、例えば、プランナーシステムからの出力軌道に由来してよい）。自律車両は、次に、パラメーターに関連付けられる不確実性モデルを用いて、未来の時点での自律車両の推定される位置を決定することができる。ある例示において、推定される位置は、未来の時点での自律車両に対する位置の確率分布に対応してよい。
ある例示において、自律車両は、次に、自律車両の推定される位置およびオブジェクトの推定される位置を用いる衝突の確率を決定することができる。例えば、自律車両とオブジェクトとの間の衝突の確率は、自律車両の推定される位置（例えば、位置の確率分布）とオブジェクトの推定される位置（例えば、位置の確率分布）との間の幾何学的な重複の領域を用いて算定されてよい。ある例示において、環境内に位置される多様なオブジェクトが存在する場合、自律車両は、オブジェクトのそれぞれに対して決定される衝突の確率を用いる自律車両に関連付けられる合計の衝突の確率を決定することができる。例えば、合計の衝突の確率は、オブジェクトのそれぞれに対する衝突の確率の合計を含んでよい。
自律車両は、次に、衝突の確率が閾値（例えば、０．５％、１％、５％、および／またはある他の閾値パーセンテージ）と等しいか、またはそれよりも大きいかを決定することができる。ある例示において、衝突の確率が閾値よりも小さい場合、自律車両は、次に、自律車両の現在のルートに沿ってナビゲートすることを継続してよい。しかしながら、ある例示において、自律車両が、衝突の確率が閾値と等しいか、またはそれよりも大きいという決定をする場合、自律車両は、１つまたは複数のアクションをとってよい。例えば、自律車両は、自律車両の速度を変更（例えば、減速）してよく、自律車両のルートを変更してよく、安全な場所での駐車などをしてもよい。
追加的または代替的に、ある例示において、自律車両は、少なくとも部分的に、自律車両の推定される位置を決定するために用いられる不確実性モデルおよびオブジェクトの推定される位置を決定するために用いられる不確実性モデルに基づいて、自律車両をナビゲートすることに関連付けられる合計の不確実性を決定することができる。自律車両は、次に、異なるルートを生成してよく、異なるルートに関連付けられる合計の不確実性を決定するための同様のプロセスを実行してよい。さらに、自律車両は、最低の不確実性を含むルートを選択してよい。
自律車両および／または１つまたは複数のコンピューティングデバイスは、入力データ（例えば、ログデータおよび／またはシミュレーションデータ）を用いて、誤差モデルおよび／または不確実性モデルを生成する。例えば、自律車両および／または１つまたは複数のコンピューティングデバイスは、入力データをグラウンドトゥルースデータと比較することができる。ある例示において、グラウンドトゥルースデータは、他の認証された機械学習コンポーネントから手動でラベル付けおよび／または決定されることが可能である。例えば、入力データは、センサーデータおよび／または自律車両のコンポーネントによって生成される出力データを含んでよい。自律車両および／または１つまたは複数のコンピューティングデバイスは、入力データを環境におけるオブジェクトの実際のパラメーターを示し得るグラウンドトゥルースデータと比較することが可能である。入力データをグラウンドトゥルースデータと比較することによって、自律車両および／または１つまたは複数のコンピューティングデバイスは、コンポーネントおよび／またはパラメーターに関連付けられる誤差および／または不確実性を決定することが可能であり、誤差を用いる対応する誤差モデルおよび／または不確実性を用いる対応する不確実性モデルを生成することが可能である。
ある例示において、自律車両および／または１つまたは複数のコンピューティングデバイスは、コンポーネントに関連付けられる不確実性を決定することが可能である。例えば、自律車両および／または１つまたは複数のコンピューティングデバイスは、コンポーネントから多様な出力（例えば、パラメーター）を受信すべく、入力データをコンポーネントへと多様な回数入力することができる。自律車両および／または１つまたは複数のコンピューティングデバイスは、次に、出力を分析することができ、出力に関連付けられる分布を決定する。分布を用いて、自律車両および／または１つまたは複数のコンピューティングデバイスは、不確実性を決定することができる。例えば、大きな分布がある場合、自律車両および／または１つまたは複数のコンピューティングデバイスは、高い不確実性があると決定することができる。しかしながら、小さな分布がある場合、自律車両および／または１つまたは複数のコンピューティングデバイスは、小さな不確実性があるという決定をすることができる。
本明細書で説明される技術は、複数の方法で実装されてよい。例示的な実装は、以下の図面を参照することで以下に提供される。自律車両のコンテキストにおいて説明されるが、本明細書で説明される方法、装置、およびシステムは、さまざまなシステム（例えば、センサーシステム、またはロボティックプラットホーム）に適用されてよく、自律車両に限定されない。別の例示において、技術は、航空または船舶のコンテキストにおいて、またはマシンビジョンを用いる任意のシステムにおいて（例えば、画像データを用いるシステムにおいて）利用されてよい。さらに、本明細書で説明される技術は、（例えば、センサーを用いてキャプチャされた）実データ、（例えば、シミュレーターによって生成される）シミュレーションされるデータ、またはその２つの任意の組合せで用いられてよい。
図１は、本開示の実施形態に従って、誤差モデルおよび／またはシステムデータを用いる衝突のモニタリングを実行する車両１０２を含む環境１００を図示する。例えば、車両１０２は、環境１００内の軌道１０４に沿ってナビゲートすることができる。ナビゲートしている間に、車両１０２は、車両１０２の１つまたは複数のセンサーを用いるセンサーデータ１０６を生成することができ、車両１０２の１つまたは複数のコンポーネント１０８（例えば、１つまたは複数のシステム）を用いてセンサーデータ１０６を分析することができる。コンポーネント１０８は、ローカリゼーションコンポーネント、知覚コンポーネント、予測コンポーネント、プラニングコンポーネントなどを含んでよいが、これらに限定されない。少なくとも部分的に分析に基づいて、車両１０２は、少なくとも環境１００内に位置する第１のオブジェクト１１０および第２のオブジェクト１１２を識別することができる。
さらに、車両１０２は、車両１０２に関連付けられる推定される位置１１４、第１のオブジェクト１１０に関連付けられる推定される位置１１６、および未来の時点での第２のオブジェクト１１２に関連付けられる推定される位置１１８を決定すべく、コンポーネント１０８を用いてセンサーデータ１０６を分析することができる。ある例示において、推定される位置１１４は、車両１０２に関連付けられる位置の確率分布を含んでよく、推定される位置１１６は、第１のオブジェクト１１０に関連付けられる位置の確率分布を含んでよく、および／または推定される位置１１８は、第２のオブジェクト１１２に関連付けられる位置の確率分布を含んでよい。
例えば、推定される位置１１４は、車両１０２に関連付けられる推定される位置１２０（１）、第１の確率に関連付けられる推定される位置１２０（２）の第１の領域（例えば、第１の境界）、第２の確率に関連付けられる推定される位置１２０（３）の第２の領域（例えば、第２の境界）、および第３の確率に関連付けられる推定される位置１２０（４）の第３の領域（例えば、第３の境界）を含んでよい。ある例示において、第１の確率は、第２の確率よりも大きく、第２の確率は、第３の確率よりも大きい。例えば、車両１０２は、車両１０２がおおよその位置１２０（３）の第２の領域内よりも推定される位置１２０（２）の第１の領域内に位置することとなる確率がより高いという決定をすることができる。さらに、車両１０２は、車両１０２が推定される位置１２０（３）の第２の領域内に位置することとなる確率が、推定される位置１２０（４）の第３の領域内よりも高いという決定をすることができる。
図１の例示がこのように推定される位置の３つの別個の領域だけを例示する一方で、他の例示において、推定される位置の任意の数の領域があり得ることに留意されたい。さらに、推定される位置１２０（１）からさらに遠くに位置する領域は、推定される位置１２０（１）により近い位置に位置する領域よりも低い確率を含んでよい。これは、同様に、オブジェクト１１０およびオブジェクト１１２の推定される位置のそれぞれのためであってよい。
さらに、推定位置１１６は、第１のオブジェクト１１０に関連付けられる推定される位置１２２（１）、第１の確率に関連付けられる推定される位置１２２（２）の第１の領域（例えば、第１の境界）、第２の確率に関連付けられる推定される位置１２２（３）の第２の領域（例えば、第２の境界）、および第３の確率に関連付けられる推定される位置１２２（４）の第３の領域（例えば、第３の境界）を含んでよい。ある例示において、第１の確率は、第２の確率よりも大きく、第２の確率は、第３の確率よりも大きい。例えば、車両１０２は、第１のオブジェクト１１０がおおよその位置１２０（３）の第２の領域内よりも推定される位置１２２（２）の第１の領域内に位置することとなる確率がより高いという決定をすることができる。さらに、車両１０２は、第１のオブジェクト１１０が推定される位置１２２（３）の第２の領域内に位置することとなる確率が、推定される位置１２２（４）の第３の領域内よりも高いという決定をすることができる。
さらに、推定される位置１１８は、第２のオブジェクト１１２に関連付けられる推定される位置１２４（１）、第１の確率に関連付けられる推定される位置１２４（２）の第１の領域（例えば、第１の境界）、第２の確率に関連付けられる推定される位置１２４（３）の第２の領域（例えば、第２の境界）、および第３の確率に関連付けられる推定される位置１２０（４）の第３の領域（例えば、第３の境界）を含んでよい。ある例示において、第１の確率は、第２の確率よりも大きく、第２の確率は、第３の確率よりも大きい。例えば、車両１０２は、第２のオブジェクト１１２がおおよその位置１２４（３）の第２の領域内よりも推定される位置１２４（２）の第１の領域内に位置することとなる確率がより高いという決定をすることができる。さらに、車両１０２は、第２のオブジェクト１１２が推定される位置１２４（３）の第２の領域内に位置することとなる確率が、推定される位置１２４（４）の第３の領域内よりも高いという決定をすることができる。
ある例示において、車両１０２は、コンポーネント１０８に関連付けられる誤差モデル１２６を用いて推定される位置１１４～１１８を決定することができる。例えば、第１のオブジェクト１１０に対して、車両１０２は、第１のオブジェクト１１０に関連付けられる１つまたは複数のパラメーター１２８を決定すべく、コンポーネント１０８を用いてセンサーデータ１０６を分析することができる。パラメーター１２８は、第１のオブジェクト１１０のタイプ、第１のオブジェクト１１０の現在の位置（および／または第１のオブジェクト１１０までの距離）、第１のオブジェクト１１０の速度などを含んでよいが、これらに限定されない。誤差モデル１２６を用いて、車両１０２は、次に、第１のオブジェクト１１０の推定される位置１１６を決定することができる。
第１の例示に対して、車両１０２は、第１の誤差モデル１２６を用いて第１のオブジェクト１１０のタイプに関連付けられる確率分布を決定することができ、第２の誤差モデル１２６を用いて第１のオブジェクト１１０の現在の位置に関連付けられる確率分布を決定することができ、第３の誤差モデル１２６を用いて第１のオブジェクト１１０の速度に関連付けられる確率分布を決定することなどができる。例えば、第１のオブジェクト１１０の速度を用いて、車両１０２は、第１のオブジェクト１１０の速度が毎秒１メートルであるという決定をすることができる。次に、車両１０２は、第３の誤差モデル１２６を用いて、誤差パーセンテージがＸ％（例えば、２０％）であってよく、速度の範囲（例えば、２０％での毎秒０．８メートルと毎秒１．２メートルとの間の速度）をもたらし得るということを決定することができる。ある例示において、誤差モデル１２６は、さらに、範囲の一部が他の範囲の部分よりもより高い発生する確率を有するということを示すことができる。例えば、毎秒０．８メートルおよび毎秒１．２メートルは、５％の確率に関連付けられてよく、毎秒０．９メートルおよび毎秒１．１メートルは、２０パーセントの確率に関連付けられてよく、毎秒１メートルは、４５％の確率に関連付けられてよい。車両１０２は、他のパラメーター１２８の確率分布を決定するための同様のプロセスを用いてよい。
車両１０２は、次に、パラメーター１２８の確率分布を用いて、第１のオブジェクト１１０の推定される位置１１６を決定することができる。さらに、車両１０２は、同様のプロセスを用いて車両１０２に対するパラメーター１２８を決定することができ、車両１０２に対するパラメーター１２８に関連付けられる確率分布を決定することができ、確率分布を用いる推定される位置１１４を決定することができる。さらに、車両１０２は、同様のプロセスを用いて第２のオブジェクト１１２に対するパラメーター１２８を決定することができ、第２のオブジェクト１１２に対するパラメーター１２８に関連付けられる確率分布を決定することができ、確率分布を用いる推定される位置１１６を決定することができる。
第２の例示に対して、車両１０２は、第１のオブジェクト１１０に対して推定される位置１２２（１）を決定すべく、第１のオブジェクト１１０に対するパラメーター１２８を用いてよい。車両１０２は、次に、パラメーター１２８に対する誤差を決定すべく、推定される位置１２２（１）を決定するために用いられたパラメーター１２８に関連付けられる誤差モデル１２６を用いてよい。合計の誤差および推定される位置１２２（１）を用いて、車両１０２は、第１のオブジェクト１１０に対して推定される位置１１６を決定することができる。さらに、車両１０２は、同様のプロセスを用いて、車両１０２に対して推定される位置１１４および第２のオブジェクト１１２に対して推定される位置１１８を決定することができる。
推定される位置１１４～１１８を決定するために誤差モデル１２６を用いることに加えて、またはその代替から、他の例示において、車両１０２は、コンポーネント１０８および／またはパラメーター１２８に関連付けられる１つまたは複数の不確実性モデル１３０を用いてよい。例えば、コンポーネント１０８からの出力は、パラメーター１２８を決定することに関連付けられる不確実性モデル１３０を含んでよい。例えば、車両１０２は、第１のオブジェクト１１０のタイプを決定することに関連付けられる第１の不確実性モデル１３０、第１のオブジェクト１１０の現在の位置を決定することに関連付けられる第２の不確実性モデル１３０、第１のオブジェクト１１０の速度を決定することに関連付けられる第３の不確実性モデル１３０などを決定することができる。車両１０２は、次に、パラメーター１２８および不確実性モデル１３０を用いて、第１のオブジェクト１１０に対して推定される位置１１６を決定することができる。
第１の例示に対して、車両１０２は、第１の不確実性モデル１３０を用いる第１のオブジェクト１１０のタイプに関連付けられる確率分布を決定することができ、第２の不確実性モデル１３０を用いて第１のオブジェクト１１０現在の位置に関連付けられる確率分布を決定することができ、第３の不確実性モデル１３０を用いて第１のオブジェクト１１０の速度に関連付けられる確率分布を決定することなどができる。例えば、第１のオブジェクト１１０の速度を用いて、車両１０２は、第１のオブジェクト１１０の速度が毎秒１メートルであるという決定をすることができる。車両１０２は、次に、第１のオブジェクトの速度に対する不確実性が２０％であるため、確実性は、８０％であるという決定をすることができる。そのため、車両１０２は、毎秒０．８メートルと毎秒１．２メートルとの間の速度の範囲であると決定することができる。ある例示において、車両１０２は、さらに、範囲の一部が他の範囲の部分よりもより高い発生する確率を有するということを決定することができる。例えば、毎秒０．８メートルおよび毎秒１．２メートルは、５％の確率に関連付けられてよく、毎秒０．９メートルおよび毎秒１．１メートルは、２０％の確率に関連付けられてよく、１メートル毎秒は、４５％の確率に関連付けられてよい。車両１０２は、他のパラメーター１２８の確率分布を決定するための同様のプロセスを用いてよい。
車両１０２は、次に、パラメーター１２８の確率分布を用いて、第１のオブジェクト１１０の推定される位置１１６を決定することができる。さらに、車両１０２は、同様のプロセスを用いて車両１０２に対するパラメーター１２８を決定することができ、車両１０２に対するパラメーター１２８に関連付けられる確率分布を決定することができ、確率分布を用いて推定される位置１１４を決定することができる。さらに、車両１０２は、同様のプロセスを用いて第２のオブジェクト１１２に対するパラメーター１２８を決定することができ、第２のオブジェクト１１２に対するパラメーター１２８に関連付けられる確率分布を決定することができ、確率分布を用いる推定される位置１１６を決定することができる。
第２の例示に対して、車両１０２は、第１のオブジェクト１１０に対して推定される位置１２２（１）を決定すべく、第１のオブジェクト１１０に対するパラメーター１２８を用いてよい。車両１０２は、次に、推定される位置１２２（１）に関連付けられる合計の不確実性を決定すべく、パラメーター１２８に関連付けられる不確実性モデル１３０を用いてよい。合計の不確実性を用いて、車両１０２は、第１のオブジェクト１１０に対して推定される位置１１６を決定することができる。さらに、車両１０２は、同様のプロセスを用いて、車両１０２に対して推定される位置１１４および第２のオブジェクト１１２に対して推定される位置１１８を決定することができる。
上記の例示のいずれにおいても、推定される位置１１４～１１８を決定した後で、車両１０２は、推定される位置１１４～１１８を用いる衝突の確率を決定することができる。例えば、車両１０２は、車両１０２と第１のオブジェクト１１０との間の衝突の確率を決定することができる。ある例示において、車両１０２は、車両１０２の推定される位置１１４と第１のオブジェクト１１０の推定される位置１１６との間の少なくとも幾何学的な重複の領域を用いる衝突の確率を決定することができる。
より具体的には、車両１０２の推定される位置１１４は、パラメーターμv，σv（これは、Ｎ（μv，σv 2）によって表現されてよい）を有するガウス分布であってよい。さらに、第１のオブジェクト１１０の推定される位置１１６は、パラメーターμ0，σ0（これは、Ｎ（μ0，σ0 2）によって表現されてよい）を有するガウス分布であってよい。推定される位置１１４と推定される位置１１６との間の重複の確率は、次に、Ｐ［ｘ＝０］に変換されてよく、ここで、ｘは、Ｎ（μv－σ0 2＋σv 2）属する。これは、重複の確率を決定することに関連付けられる１次元の問題を表現することができる。
ある例示において、車両１０２は、１次元の問題を２次元の問題に拡張すべく、同様のプロセスを実行してよい。さらに、車両１０２は、車両１０２と第２のオブジェクト１１２との間の衝突の確率を決定すべく、同様のプロセスを実行してよい。ある例示において、車両１０２は、次に、車両１０２と第１のオブジェクト１１０との間の衝突の確率、および車両１０２と第２のオブジェクト１１２との間の衝突の確率を用いる衝突の合計の確率を決定することができる。しかしながら、図１の例示において、推定される位置１１４と推定される位置１１８との間に幾何学的な重複がないため、車両１０２と第２のオブジェクト１１２との間の衝突の確率は、０であってよい。
車両１０２は、次に、衝突の確率が閾値と等しいか、またはそれよりも大きいかを決定することができる。少なくとも部分的に、衝突の確率が閾値よりも小さいという決定に基づいて、車両１０２は、軌道１０４に沿って継続してナビゲートすることができる。しかしながら、少なくとも部分的に、衝突の確率が閾値と等しいか、またはそれよりも大きいという決定に基づいて、車両１０２は、１つまたは複数のアクションをとってよい。１つまたは複数のアクションは、新しい軌道に沿ってナビゲートすること、速度を変更すること（例えば、減速すること）、駐車することなどを含んでよいが、これらに限定されない。
ある例示において、車両１０２は、オブジェクト１１０とオブジェクト１１２との間の衝突の確率を決定すべく、同様のプロセスを実行し得ることに留意されたい。車両１０２は、次に、少なくとも部分的に、衝突の確率に基づいて１つまたは複数のアクションを実行してよい。例えば、車両１０２が、オブジェクト１１０とオブジェクト１１２との間の衝突の確率が閾値と等しいか、またはそれよりも大きいという決定をする場合、車両１０２は、停止してよい。
図２は、本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、誤差モデル１２６を用いるセンサーデータ１０６を分析する車両１０２の例示を図示する。例えば、車両１０２のセンサーシステム２０２は、センサーデータ１０６を生成することができる。センサーデータ１０６は、次に、車両１０２のコンポーネント１０８によって分析されることができる。図２の例示において、コンポーネント１０８は、ローカリゼーションコンポーネント２０４、知覚コンポーネント２０６、プラニングコンポーネント２０８、および予測コンポーネント２１０を含んでよい。しかしながら、他の例示において、車両１０２は、ローカリゼーションコンポーネント２０４、知覚コンポーネント２０６、プラニングコンポーネント２０８、または予測コンポーネント２１０のうちの１つまたは複数を含まないことがある。追加的または代替的に、ある例示において、車両１０２は、１つまたは複数のさらなるコンポーネントを含んでよい。
コンポーネント２０４～２１０のうちの１つまたは複数は、次に、センサーデータ１０６を分析することができ、少なくとも部分的に分析に基づいて出力２１２～２１８を生成することができる。ある例示において、出力２１２～２１８は、車両１０２および／またはオブジェクトに関連付けられるパラメーターを含んでよい。第１の例示に対して、ローカリゼーションコンポーネント２０４からの出力２１２は、車両１０２の位置を示すことができる。第２の例示に対して、知覚コンポーネント２０６からの出力２１４は、オブジェクトに関連付けられる検出、セグメンテーション、分類などを含んでよい。第３の例示に対して、プラニングコンポーネント２０８からの出力２１６は、車両１０２が環境内を横断するための経路を含んでよい。
図２の例示において図示されていないが、コンポーネント２０４～２１０のうちの１つまたは複数は、出力２１２～２１８を生成すべく、他のコンポーネント２０４～２１０のうちの１つまたは複数からの出力２１２～２１８を用い得ることに留意されたい。例えば、プラニングコンポーネント２０８は、出力２１６を生成すべく、ローカリゼーションコンポーネント２０４からの出力２１２を用いてよい。別の例示に対して、プラニングコンポーネント２０８は、出力２１６を生成すべく、知覚コンポーネント２０６からの出力２１４を用いてよい。１つまたは複数の他のコンポーネント２０４～２１０からの出力２１２～２１８を用いることに加えて、またはその代替から、コンポーネント２０４～２１０は、確率分布２２０～２２６を用いてよく、これらは、以下で示される。
誤差コンポーネント２２８は、出力２１２～２１８に関連付けられる確率分布２２０～２２６を生成すべく、誤差モデル１２６を用いて出力２１２～２１８を処理するように構成されてよい。ある例示において、誤差コンポーネント２２８は、コンポーネント２０４～２１０内に含まれてよい。例えば、ローカリゼーションコンポーネント２０４は、センサーデータ１０６を分析することができ、少なくとも部分的に分析に基づいて、出力２１２および出力２１２に関連付けられる確率分布２２０の両方を生成することができる。別の例示に対して、知覚コンポーネント２０６は、センサーデータ１０６を分析することができ、少なくとも部分的に分析に基づいて、出力２１４および出力２１４に関連付けられる確率分布２２２の両方を生成することができる。
確率分布２２０～２２６は、それぞれ出力２１２～２１８に関連付けられてよい。例えば、誤差コンポーネント２２８は、確率分布２２０を生成すべく、ローカリゼーションコンポーネント２０４に関連付けられる誤差モデル１２６を用いる出力２１２を処理することができる。例えば、出力２１２が車両１０２の位置を示す場合、確率分布２２０は、ローカリゼーションコンポーネント２０４に対する誤差モデル１２６によって表現される決定される位置および誤差に基づく車両１０２の推定される位置を表現することができる。さらに、誤差コンポーネント２２８は、確率分布２２２を生成すべく、知覚コンポーネント２０６に関連付けられる誤差モデル１２６を用いる出力２１４を処理することができる。例えば、出力２１４がオブジェクトの速度を示す場合、確率分布２２２は、知覚コンポーネント２０６に対する誤差モデル１２６によって表現される決定される速度および誤差に基づいてオブジェクトの可能性の高い速度を表現することができる。
推定コンポーネント２３０は、車両１０２および／またはオブジェクトに関連付けられる推定される位置２３２を生成すべく、確率分布２２０～２２６および／またはセンサーデータ１０６のうちの１つまたは複数（明確にする理由のために図示せず）を処理するように構成されてよい。本明細書で説明されるように、推定される位置２３２は、位置のガウス分布のような確率分布を含んでよい。
図３は、本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、誤差モデル１２６を用いるセンサーデータ１０６を分析する車両１０２の例示を図示する。図３の例示において、推定コンポーネント２３０は、車両１０２および／またはオブジェクトに関連付けられる推定される位置３０２を決定すべく、コンポーネント２０４～２１０のうちの１つまたは複数からの出力２１２～２１８のうちの１つまたは複数を分析することができる。誤差コンポーネント２２８は、次に、誤差モデル１２６および推定される位置３０２を用いて、車両１０２および／またはオブジェクトの推定される位置３０４を決定することができる。
例えば、誤差コンポーネント２２８は、誤差モデル１２６を用いて、推定される位置３０２を決定するために用いられたコンポーネント２０４～２１０の出力２１２～２１８に関連付けられる合計の誤差および／または合計の誤差パーセンテージを決定することができる。誤差コンポーネント２２８は、次に、合計の誤差および／または合計の誤差パーセンテージを用いて、推定される位置３０４を生成することができる。本明細書で説明されるように、推定される位置３０４は、位置のガウス分布のような確率分布を含んでよい。
図４は、本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、不確実性モデル１３０を用いるセンサーデータ１０６を分析する車両１０２の例示を図示する。例えば、不確実性コンポーネント４０２は、出力２１２～２１８に関連付けられる確率分布４０４～４１０を生成すべく、不確実性モデル１３０を用いる出力２１２～２１８を処理するように構成されてよい。ある例示において、不確実性コンポーネント４０２は、コンポーネント２０４～２１０内に含まれてよい。例えば、ローカリゼーションコンポーネント２０４は、センサーデータ１０６を分析することができ、少なくとも部分的に分析に基づいて、出力２１２および出力２１２に関連付けられる確率分布４０４の両方を生成することができる。別の例示に対して、知覚コンポーネント２０６は、センサーデータ１０６を分析することができ、少なくとも部分的に分析に基づいて、出力２１４および出力２１４に関連付けられる確率分布４０６の両方を生成することができる。
図４の例示において図示されていないが、コンポーネント２０４～２１０のうちの１つまたは複数は、出力２１２～２１８を生成すべく、他のコンポーネント２０４～２１０のうちの１つまたは複数からの出力２１２～２１８を用い得ることに留意されたい。例えば、プラニングコンポーネント２０８は、出力２１６を生成すべく、ローカリゼーションコンポーネント２０４からの出力２１２を用いてよい。別の例示に対して、プラニングコンポーネント２０８は、出力２１６を生成すべく、知覚コンポーネント２０６からの出力２１４を用いてよい。１つまたは複数の他のコンポーネント２０４～２１０からの出力２１２～２１８を用いることに加えて、またはその代替から、コンポーネント２０４～２１０は、確率分布４０４～４１０を用いてよい。
確率分布４０４～４１０は、それぞれ出力２１２～２１８に関連付けられてよい。例えば、不確実性コンポーネント４０２は、確率分布４０４を生成すべく、ローカリゼーションコンポーネント２０４に関連付けられる不確実性モデル１３０を用いる出力２１２を処理することができる。例えば、出力２１２が車両１０２の位置を示す場合、確率分布４０４は、ローカリゼーションコンポーネント２０４に対して少なくとも部分的に、決定される位置および不確実性モデル１３０に基づく車両１０２の推定される位置を表現することができる。さらに、不確実性コンポーネント４０２は、確率分布４０６を生成すべく、知覚コンポーネント２０６に関連付けられる不確実性モデル１３０を用いる出力２１４を処理することができる。例えば、出力２１４がオブジェクトの速度を示す場合、確率分布４０６は、知覚コンポーネント２０６に対して決定される速度および不確実性モデル１３０に基づくオブジェクトの可能性の高い速度を表現することができる。
推定コンポーネント２３０は、車両１０２および／またはオブジェクトに関連付けられる推定される位置４１２を生成すべく、確率分布４０４～４１０および／またはセンサーデータ１０６のうちの１つまたは複数（明確にする理由のために図示せず）を処理するように構成されてよい。本明細書で説明されるように、推定される位置４１２は、位置のガウス分布のような確率分布を含んでよい。
図５は、本開示の実施形態に従って、オブジェクトに関連付けられる推定される位置を決定すべく、不確実性モデル１３０を用いるセンサーデータ１０６を分析する車両１０２の例示を図示する。図５の例示において、推定コンポーネント２３０は、車両１０２および／またはオブジェクトに関連付けられる推定される位置３０２を決定すべく、コンポーネント２０４～２１０のうちの１つまたは複数からの出力２１２～２１８のうちの１つまたは複数を分析することができる。不確実性コンポーネント４０２は、次に、不確実性モデル１３０および推定される位置３０２を用いて、車両１０２および／またはオブジェクトの推定される位置５０２を決定することができる。
例えば、不確実性コンポーネント４０２は、コンポーネント２０４～２１０に対する不確実性モデル１３０を用いて、推定される位置３０２を決定するために用いられたコンポーネント２０４～２１０の出力２１２～２１８に関連付けられる合計の不確実性を決定することができる。不確実性コンポーネント４０２は、次に、合計の不確実性を用いて、推定される位置５０２を生成することができる。本明細書で説明されるように、推定される位置５０２は、位置のガウス分布のような確率分布を含んでよい。
図６は、本開示の実施形態に従って、時間期間にわたる衝突の確率を決定する車両１０２を図示する例示的なグラフ６００を図示する。図示されるように、グラフ６００は、ｙ軸に沿った確率６０２およびｘ軸に沿った時点６０４を表現する。図６の例示において、車両１０２は、時点６０６（１）での衝突の確率を決定することができる。例えば、時点６０６（１）で、車両１０２は、３つの未来の時点での時点６０６（２）、時点６０６（３）、および時点６０６（４）での衝突の確率を決定することができる。ある例示において、衝突の確率は、車両１０２および１つのオブジェクトに関連付けられる。他の例示において、衝突の確率は、車両１０２および１つよりも多くのオブジェクトに関連付けられる。
図示されるように、車両１０２は、時点６０６（２）での衝突の第１の確率６０８（１）、時点６０６（３）での衝突の第２の確率６０８（２）、および時点６０６（４）での衝突の確率がないという決定をすることができる。衝突の第１の確率６０８（１）は、低いリスクに関連付けられてよく、衝突の第２の確率６０８（２）は、高いリスクに関連付けられてよく、時点６０６（４）での衝突の確率がないため、時点６０６（４）での衝突のリスクがない。ある例示において、衝突の第１の確率６０８（１）は、少なくとも部分的に、閾値確率よりも低い衝突の第１の確率６０８（１）に基づいて、低いリスクであってよい。さらに、衝突の第２の確率６０８（２）は、少なくとも部分的に、衝突の第２の確率６０８（２）が閾値確率よりも大きいことに基づいて、高いリスクであってよい。
図６の例示が離散時点での衝突の確率を決定することを図示するが、ある例示において、車両１０２は、継続して衝突の確率を連続的に決定することができる。
図７は、本開示の実施形態に従って、少なくとも部分的に、車両データおよびグラウンドトゥルースデータに基づいて、誤差モデルデータを生成する例示７００を図示する。図７で描かれるように、車両７０２は、車両データ７０４を生成することが可能であり、車両データ７０４を誤差モデルコンポーネント７０６に伝送することが可能である。本明細書で説明されるように、誤差モデルコンポーネント７０６は、パラメーターに関連付けられる誤差を示し得る誤差モデル１２６を決定することが可能である。例えば、車両データ７０４は、知覚コンポーネント２０６、プラニングコンポーネント２０８、ローカリゼーションコンポーネント２０４、推定コンポーネント２３０などのような車両７０２のコンポーネントに関連付けられるデータであってよい。例示の目的であり、限定することなく、車両データ７０４は、知覚コンポーネント２０６に関連付けられてよく、車両データ７０４は、環境における車両７０２によって検出されるオブジェクトに関連付けられる境界ボックスを含んでよい。
誤差モデルコンポーネント７０６は、手動でラベル付けおよび／または他の認証された機械学習コンポーネントから決定され得るグラウンドトゥルースデータ７０８を受信することが可能である。例示の目的であり、限定することなく、グラウンドトゥルースデータ７０８は、環境におけるオブジェクトに関連付けられる認証された境界ボックスを含んでよい。車両データ７０４の境界ボックスをグラウンドトゥルースデータ７０８の境界ボックスと比較することによって、誤差モデルコンポーネント７０６は、車両７０２のシステム（例えば、コンポーネント）に関連付けられる誤差を決定することが可能である。このような誤差は、例えば、グラウンドトゥルースと出力との間の差、パーセントの差、誤差率などを含んでよい。ある例示において、車両データ７０４は、検出されるエンティティおよび／またはエンティティが位置する環境に関連付けられる１つまたは複数の特徴（パラメーターとも称される）を含んでよい。ある例示において、エンティティに関連付けられる特徴は、ｘ位置（グローバル位置）、ｙ位置（グローバル位置）、ｚ位置（グローバル位置）、方向、エンティティのタイプ（例えば、分類など）、エンティティの速度、エンティティの範囲（サイズ）などを含んでよいが、これらに限定されない。環境に関連付けられる特徴は、環境における別のエンティティの存在、環境における別のエンティティの状態、時刻、曜日、季節、気象条件、暗さ／明るさの指示などを含んでよいが、これらに限定されない。したがって、誤差は、他の特徴（例えば、環境パラメーター）に関連付けられてよい。少なくともある例示において、このような誤差モデルは、パラメーターのさまざまなグループ化（例えば、分類、距離、速度などの異なる組み合わせに対する明確なモデル）のために決定されることができる。少なくともある例示において、このようなパラメーターは、さらに、オブジェクトの数、１日の時刻、１年の時期、気象条件などのような環境情報を含んでよいが、これに限定されない。
誤差モデルコンポーネント７０６は、複数の車両データ７０４および複数のグラウンドトゥルースデータ７０８を処理することが可能であり、誤差モデルデータ７１０を決定する。誤差モデルデータ７１０は、誤差７１２（１）～（３）として表現され得る誤差モデルコンポーネント７０６によって算定される誤差を含んでよい。さらに、誤差モデルコンポーネント７０６は、誤差７１２（１）～（３）に関連付けられ、環境パラメーターに関連付けられ得る確率７１４（１）～（３）として表現される確率を決定して、誤差モデル７１６（１）～（３）（これは、誤差モデル１２６を表現してよい）を提示することが可能である。例示の目的であり、限定することなく、車両データ７０４は、降雨を含む環境における車両７０２から５０メートルの距離にあるオブジェクトに関連付けられる境界ボックスを含んでよい。グラウンドトゥルースデータ７０８は、オブジェクトに関連付けられる認証された境界ボックスを提供することが可能である。誤差モデルコンポーネント７０６は、誤差が車両７０２の知覚システムに関連付けられているということを決定する誤差モデルデータ７１０を決定することが可能である。５０メートルの距離および降雨は、環境パラメーターとして用いられ、誤差モデル７１６（１）～（３）のうちのどの誤差モデルを用いるかを決定することが可能である。誤差モデルが識別されると、誤差モデル７１６（１）～（３）は、確率７１４（１）～（３）に基づいて誤差７１２（１）～（３）を提供することが可能であり、ここで、より高い確率７１４（１）～（３）に関連付けられる誤差７１２（１）～（３）は、より低い確率７１４（１）～（３）に関連付けられる誤差７１２（１）～（３）よりも選択され得る。
図８は、本開示の実施形態に従って、車両データ７０４を生成して、車両データ７０４をコンピューティングデバイス８０２に伝送する車両７０２の例示８００を図示する。上記のように、誤差モデルコンポーネント７０６は、パラメーターに関連付けられる誤差を示し得る知覚誤差モデルを決定することが可能である。上記のように、車両データ７０４は、車両７０２のセンサーによって生成されるセンサーデータおよび／または車両７０２の知覚システムによって生成される知覚データを含んでよい。知覚誤差モデルは、車両データ７０４をグラウンドトゥルースデータ７０８と比較することによって決定されることが可能である。グラウンドトゥルースデータ７０８は、手動でラベル付けされてよく、環境に関連付けられてよく、周知の結果を表現してよい。したがって、車両データ７０４におけるグラウンドトゥルースデータ７０８からの逸脱は、車両７０２のセンサーシステムおよび／または知覚システムにおける誤差として識別されることが可能である。例示の目的であり、限定することなく、知覚システムは、オブジェクトを自転車運転者として識別することが可能であり、ここで、グラウンドトゥルースデータ７０８は、オブジェクトが歩行者であることを示している。別の例示の目的であり、限定することなく、センサーシステムは、オブジェクトが２メートルの幅を有するように表現するセンサーデータを生成することが可能であり、ここで、グラウンドトゥルースデータ７０８は、オブジェクトが３メートルの幅を有するということを示している。
上記のように、誤差モデルコンポーネント７０６は、車両データ７０４において表現されるオブジェクトに関連付けられる分類を決定することが可能であり、車両データ７０４および／または他のログデータにおける同一の分類の他のオブジェクトを決定することが可能である。次に、誤差モデルコンポーネント７０６は、オブジェクトに関連付けられる誤差の範囲に関連付けられる確率分布を決定することが可能である。比較および誤差の範囲に基づいて、誤差モデルコンポーネント７０６は、推定される位置５０２を決定することが可能である。
図８で描かれるように、環境８０４は、知覚システムによって生成される境界ボックスとして表現されるオブジェクト８０６（１）～（３）を含んでよい。知覚誤差モデルデータ８０８は、状況パラメーターを８１０（１）～（３）として示すことが可能であり、状況パラメーターに関連付けられる誤差を８１２（１）～（３）として示すことが可能である。
図９は、本開示の実施形態に従って、少なくとも部分的に、車両データおよびグラウンドトゥルースデータに基づいて不確実性データを生成する例示９００を図示する。図９で描かれるように、車両７０２は、車両データ７０４を生成することが可能であり、車両データ７０４を不確実性モデルコンポーネント９０２に伝送することが可能である。本明細書で説明されるように、不確実性モデルコンポーネント９０２は、コンポーネント決定パラメーターに関連付けられる不確実性を決定することが可能である。例えば、車両データ７０４は、知覚コンポーネント２０６、プラニングコンポーネント２０８、ローカリゼーションコンポーネント２０４、予測コンポーネント２１０などのような車両７０２のコンポーネントに関連付けられるデータであってよい。例示の目的であり、限定することなく、車両データ７０４は、知覚コンポーネント２０６に関連付けられてよく、車両データ７０４は、環境における車両７０２によって検出されるオブジェクトに関連付けられる境界ボックスを含んでよい。
不確実性モデルコンポーネント９０２は、手動でラベル付けおよび／または他の認証された機械学習コンポーネントから決定され得るグラウンドトゥルースデータ７０８を受信することが可能である。例示の目的であり、限定することなく、グラウンドトゥルースデータ７０８は、環境におけるオブジェクトに関連付けられる認証された境界ボックスを含んでよい。車両データ７０４をグラウンドトゥルースデータ７０８と比較することによって、不確実性モデルコンポーネント９０２は、車両７０２のシステム（例えば、コンポーネント）がグラウンドトゥルースを決定するための整合性を決定することが可能である。例えば、整合性は、車両データ７０４によって表現されるパラメーターがグラウンドトゥルースデータ７０８によって表現されるパラメーターと同一であるためのパーセンテージを示すことができる。
不確実性モデルコンポーネント９０２は、次に、整合性を用いて、パラメーターを決定するコンポーネントに関連付けられるおよび／またはパラメーターを決定するコンポーネントに関連付けられる不確実性データ９０４を生成することができる。例えば、整合性が低いパーセンテージがあるということを示す場合、不確実性データ９０４は、高い不確実性を示すことができる。しかしながら、データの整合性が高いパーセンテージがあるということを示す場合、不確実性データ９０４は、低い不確実性を示すことができる。
より詳細には、不確実性モデルコンポーネント９０２は、１つまたは複数のタイプの不確実性を識別することができる。不確実性のタイプは、認識的不確実性、偶然的不確実性（例えば、データ依存、タスク依存など）などを含んでよいが、これらに限定されない。認識的不確実性は、コンポーネントが生成したデータに関して無知に関連付けられてよい。偶然的不確実性は、データが説明することが可能でない情報に対して不確実性に関連付けられてよい。不確実性モデルコンポーネント９０２は、次に、識別された不確実性を用いて、不確実性モデル１３０を生成することができる。
ある例示において、不確実性モデルコンポーネント９０２は、データをコンポーネントへと多様な回数入力することができ、ここで、コンポーネントの１つまたは複数のノードは、データを入力する場合に変更され、これは、コンポーネントの出力が異なることを引き起こす。これは、コンポーネントからの出力に幅を持たせることができる。ある例示において、コンポーネントは、さらに、出力の平均および／または分散を出力することができる。不確実性モデルコンポーネント９０２は、出力の範囲、平均、および／または分散に関連付けられる分布を用いて、コンポーネントおよび／または出力のタイプ（例えば、パラメーター）に対する不確実性モデル１３０を生成することができる。
図１０は、本明細書で説明される技術を実装するための例示的なシステム１０００のブロック図を図示する。少なくとも１つの例示において、システム１０００は、車両１０２を含んでよい。図示される例示１０００において、車両１０２は、自律車両であるが、車両１０２は、任意の他の車両のタイプ（例えば、さまざまな操作を実行することが安全であるかの表示を提供し得る運転者制御車両）であってよい。
車両１０２は、コンピューティングデバイス１００２、１つまたは複数のセンサーシステム２０２、１つまたは複数のエミッター１００６（通信デバイスおよび／またはモデムとも称される）、少なくとも１つの直接接続１００８（例えば、データを交換するためおよび／または電力を提供するために車両１０２と物理的に結合するために）、および１つまたは複数の駆動システム１０１０を含んでよい。１つまたは複数のセンサーシステム２０２は、環境に関連付けられるセンサーデータ１０６をキャプチャするように構成されてよい。
センサーシステム２０２は、飛行時間センサー、位置センサー（例えば、ＧＰＳ、コンパスなど）、慣性センサー（例えば、慣性測定装置（ＩＭＵ）、加速度計、磁力計、ジャイロスコープなど）、ライダーセンサー、レーダーセンサー、ソナーセンサー、赤外線センサー、カメラ（例えば、ＲＧＢ、ＩＲ、強度、深度など）、マイクセンサー、環境センサー（例えば、温度センサー、湿度センサー、光センサー、圧力センサーなど）、超音波トランスデューサー、ホイールエンコーダーなどを含んでよい。センサーシステム２０２は、センサーのこれらまたは他のタイプのそれぞれの多様な例示を含んでよい。例えば、飛行時間センサーは、車両１０２の角部、前部、後部、側面、および／または上部に配置される個々の飛行時間センサーを含んでよい。別の例示として、カメラセンサーは、車両１０２の外部および／または内部に関するさまざまな位置に配置される多様なカメラを含んでよい。センサーシステム２０２は、コンピューティングデバイス１００２に入力を提供することが可能である。
車両１０２は、また、光および／または音を放出するための１つまたは複数のエミッター１００４を含んでよい。この例示において１つまたは複数のエミッター１００４は、車両１０２の乗員と通信するための内部オーディオおよび視覚エミッターを含む。例示の目的であり、限定ではなく、内部エミッターは、スピーカー、ライト、標識、ディスプレイ画面、タッチスクリーン、触覚エミッター（例えば、振動および／または力フィードバック）、機械的アクチュエータ（例えば、シートベルトテンショナー、シートポジショナー、ヘッドレストポジショナーなど）などを含んでよい。この例示において、１つまたは複数のエミッター１００４は、また、外部エミッターを含む。例示の目的であり、限定ではなく、この例示における外部エミッターは、走行方向の信号を送るライト、もしくは車両のアクションの他のインジケーター（例えば、インジケーター照明、標識、照明アレイなど）、ならびに歩行者、または音響ビームステアリング技術を含む１つまたは複数の近隣の他の車両と音響で通信する１つまたは複数のオーディオエミッター（例えば、スピーカー、スピーカーアレイ、ホーンなど）を含む。
車両１０２は、また、車両１０２と１つまたは複数の他のローカルまたはリモートコンピューティングデバイス（例えば、リモート遠隔操作コンピューティングデバイス）またはリモートサービスとの間の通信を可能にする１つまたは複数の通信接続１００６を含んでよい。例えば、通信接続１００６は、車両１０２および／または駆動システム１０１０に対する他のローカルコンピューティングデバイスとの通信を容易にすることが可能である。また、通信接続１００６は、車両１０２が他の近隣のコンピューティングデバイス（例えば、他の近隣の車両、交通信号など）と通信することを可能としてよい。
通信接続１００６は、コンピューティングデバイス１００２を別のコンピューティングデバイスまたは１つまたは複数の外部ネットワーク１０１２（例えば、インターネット）に接続するために物理的および／または論理的インターフェースを含んでよい。例えば、通信接続１００６は、ＩＥＥＥ８０２．１１規格によって定義された周波数を介するようなＷｉ－Ｆｉベースの通信、Ｂｌｕｅｔｏｏｔｈなどの短距離無線周波数、セルラー通信（例えば、２Ｇ、３Ｇ、４Ｇ、４Ｇ ＬＴＥ、５Ｇなど）、衛星通信、専用狭域通信（ＤＳＲＣ）、またはそれぞれのコンピューティングデバイスが他のコンピューティングデバイスとインターフェースで接続することを可能にする任意の適切な有線または無線通信プロトコルを可能にしてよい。少なくともある例示において、通信接続１００６は、上記で詳細に説明されるように、１つまたは複数のモデムを含んでよい。
少なくとも１つの例示において、車両１０２は、１つまたは複数の駆動システム１０１０を含んでよい。ある例示において、車両１０２は、１つの駆動システム１０１０を有してよい。少なくとも１つの例示において、車両１０２が多様な駆動システム１０１０を有する場合、個々の駆動システム１０１０は、車両１０２の両端（例えば前部および後部など）に配置されてよい。少なくとも１つの例示において、駆動システム１０１０は、駆動システム１０１０および／または車両１０２の周囲の状態を検出するための１つまたは複数のセンサーシステム２０２を含んでよい。例示の目的であり、限定ではなく、センサーシステム２０２は、駆動システムのホイールの回転を感知するための１つまたは複数のホイールエンコーダー（例えば、ロータリーエンコーダー）、駆動システムの方向および加速度を測定するための慣性センサー（例えば、慣性測定ユニット、加速度計、ジャイロスコープ、磁力計など）、カメラまたは他の画像センサー、駆動システムの周囲の状態におけるオブジェクトを音響的に検出するための超音波センサー、ライダーセンサー、レーダーセンサーなどを含んでよい。ホイールエンコーダーのようなあるセンサーは、駆動システム１０１０に一意であってよい。ある例示において、駆動システム１０１０に対するセンサーシステム２０２は、車両１０２の対応するシステム（例えば、センサーシステム５０６）と重複または補完することが可能である。
駆動システム１０１０は、高電圧バッテリー、車両を推進させるためのモーター、他の車両システムによる使用のためにバッテリーからの直流を交流に変換するためのインバーター、ステアリングモーターとステアリングラックとを含むステアリングシステム（これは電動式であってよい）、油圧アクチュエータまたは電気アクチュエータを含むブレーキシステム、油圧および／または空気圧コンポーネントを含むサスペンションシステム、トラクションの損失を緩和し、制御を維持するために制動力を分配するための安定性制御システム、ＨＶＡＣシステム、照明（例えば、車両の外周を照明するためのヘッドライド／テールライトなどの照明）、および１つまたは複数の他のシステム（例えば、冷却システム、安全システム、車載充電システム、ＤＣ／ＤＣコンバーターなどの他の電気コンポーネント、高電圧ジャンクション、高電圧ケーブル、充電システム、充電ポートなど）を含めて、車両システムの多くを含んでよい。さらに、駆動システム１０１０は、センサーシステム２０２からデータを受信して、前処理をし得るさまざまな車両システムの動作を制御するための駆動システムコントローラーを含んでよい。ある例示において、駆動システムコントローラーは、１つまたは複数のプロセッサと、１つまたは複数のプロセッサと通信可能に結合されるメモリとを含むことが可能である。メモリは、１つまたは複数のモジュールを格納することが可能であり、駆動モジュール１０１０のさまざまな機能を実行する。さらに、駆動システム１０１０は、また、それぞれの駆動システムによる１つまたは複数の他のローカルコンピューティングデバイスまたはリモートコンピューティングデバイスとの通信を可能にする１つまたは複数の通信接続を含む。
コンピューティングデバイス１００２は、プロセッサ１０１４と通信可能に結合される１つまたは複数のプロセッサ１０１４およびメモリ１０１６を含んでよい。図示される例示において、コンピューティングデバイス１００２のメモリ１０１６は、ローカリゼーションコンポーネント２０４、知覚コンポーネント２０６、予測コンポーネント２１０、推定コンポーネント２３０、プラニングコンポーネント２０８、誤差コンポーネント２２８、不確実性コンポーネント４０２、および１つまたは複数のセンサーシステム２０２を格納する。例示的な目的のためにメモリ１０１６において存在するように描かれるが、ローカリゼーションコンポーネント２０４、知覚コンポーネント２０６、予測コンポーネント２１０、推定コンポーネント２３０、プラニングコンポーネント２０８、誤差コンポーネント２２８、不確実性コンポーネント４０２、および１つまたは複数のシステムコントローラー１０１８は、追加的または代替的に、コンピューティングデバイス１００２にアクセス可能であり（例えば、車両１０２の異なるコンポーネントに格納される）、および／または車両１０２にアクセス可能である（例えば、リモートで格納される）ということが企図される。
コンピューティングデバイス１００２のメモリ１０１６において、ローカリゼーションコンポーネント２０４は、センサーシステム２０２からデータを受信して車両１０２の位置を決定する機能を含むことが可能である。例えば、ローカリゼーションコンポーネント２０４は、環境の３次元マップを含んでよく、および／または要求／受信してよく、マップ内の自律車両の位置を継続的に決定してよい。ある例示において、ローカリゼーションコンポーネント２０４は、ＳＬＡＭ（simultaneous localization and mapping）またはＣＬＡＭＳ（calibration, localization and mapping, simultaneously）を用いることが可能であり、飛行時間データ、画像データ、ライダーデータ、レーダーデータ、ソナーデータ、ＩＭＵデータ、ＧＰＳデータ、ホイールエンコーダーデータ、またはそれらの任意の組み合わせなどを受信して、自律車両の位置を正確に決定する。ある例示において、本明細書で説明されるように、ローカリゼーションコンポーネント２０４は、データを車両１０２のさまざまなコンポーネントに提供することが可能であり、軌道を生成するために自律車両の初期位置を決定する。
知覚コンポーネント２０６は、オブジェクトの検出、セグメンテーション、および／または分類を実行するための機能を含んでよい。ある例示において、知覚コンポーネント２０６は、車両１０２に近接するエンティティの存在および／またはエンティティのタイプ（例えば、自動車、歩行者、自転車運転者、建物、樹木、路面、縁石、歩道、不明なものなど）としてエンティティの分類を示す処理されたセンサーデータを提供することが可能である。追加的および／または代替的な例示において、知覚コンポーネント２０６は、検出されたエンティティおよび／またはエンティティが配置される環境に関連付けられる１つまたは複数の特徴（パラメーターとも称される）を示す処理されたセンサーデータを提供することが可能である。ある例示において、エンティティに関連付けられる特徴は、ｘ位置（グローバル位置）、ｙ位置（グローバル位置）、ｚ位置（グローバル位置）、方向、エンティティのタイプ（例えば、分類など）、エンティティの速度、エンティティの範囲（サイズ）などを含んでよいが、これらに限定されない。環境に関連付けられる特徴は、環境における別のエンティティの存在、環境における別のエンティティの状態、時刻、曜日、季節、気象条件、地理的位置、暗さ／明るさの表示などを含んでよいが、これらに限定されない。
知覚コンポーネント２０６は、知覚コンポーネント２０６によって生成される知覚データを格納するための機能を含んでよい。ある例示において、知覚コンポーネント２０６は、オブジェクトのタイプとして分類されたオブジェクトに対応するトラックを決定することが可能である。例示のみを目的のために、センサーシステム２０２を用いる知覚コンポーネント２０６は、環境の１つまたは複数の画像をキャプチャすることが可能である。センサーシステム２０２は、歩行者のようなオブジェクトを含む環境の画像をキャプチャすることが可能である。歩行者は、時点Ｔでの第１の位置に、時点Ｔ＋ｔでの第２の位置（例えば、時点Ｔの後の時点ｔのスパンの間の移動）にいてよい。つまり、歩行者は、この時間期間の間に第１の位置から第２の位置まで移動することが可能である。このような移動は、例えば、オブジェクトに関連付けられる格納された知覚データとして記録される。
格納された知覚データは、ある例示において、車両によってキャプチャされた融合される知覚データを含んでよい。融合される知覚データは、画像センサー、ライダーセンサー、レーダーセンサー、飛行時間センサー、ソナーセンサー、全地球測位システムセンサー、内部センサー、および／またはこれらの任意の組み合わせなどのセンサーシステム２０２からのセンサーデータの融合または他の組み合わせを含んでよい。格納された知覚データは、追加的または代替的に、センサーデータにおいて表現されるオブジェクト（例えば、歩行者、車両、建物、路面など）の意味分類を含む分類データを含んでよい。格納された知覚データは、追加的または代替的に、環境を通る動的オブジェクトとして分類されるオブジェクトの動きに対応するトラックデータ（経時的なオブジェクトに関連付けられる履歴的な位置、方向、センサー特性などの集合）を含んでよい。トラックデータは、経時的に多様な異なるオブジェクトの多様なトラックを含んでよい。このトラックデータは、オブジェクトが動かない（例えば、静止している）または動いている（例えば、歩行している、走行しているなど）場合に、特定のタイプのオブジェクト（例えば、歩行者、動物など）の画像を識別するためにマイニングされてよい。この例示において、コンピューティングデバイスは、歩行者に対応するトラックを決定する。
予測コンポーネント２１０は、環境における１つまたは複数のオブジェクトの予測される位置の予測確率を表現する１つまたは複数の確率マップを生成することが可能である。例えば、予測コンポーネント２１０は、車両１０２から閾値距離内にある車両、歩行者、動物などのための１つまたは複数の確率マップを生成することが可能である。ある例示において、予測コンポーネント２１０は、オブジェクトのトラックを測定することが可能であり、観測されて予測される挙動に基づいて、オブジェクトのための離散化された予測確率マップ、ヒートマップ、確率分布、離散化された確率分布、および／または軌道を生成することが可能である。ある例示において、１つまたは複数の確率マップは、環境における１つまたは複数のオブジェクトの意図を表現することが可能である。
プラニングコンポーネント２０８は、車両１０２がたどるための経路を決定することが可能であり、環境を横断する。例えば、プランニングコンポーネント２０８は、さまざまなルートおよびに経路ならびにさまざまなレベルの詳細を決定することが可能である。ある例示において、プランニングコンポーネント２０８は、第１の位置（例えば、現在の位置）から第２の位置（例えば、対象の位置）に走行するルートを決定することが可能である。この説明の目的のために、ルートは、２つの位置間を走行するための一連のウェイポイントであってよい。非限定的な例示として、ウェイポイントは、車道、交差点、全地球測位システム（ＧＰＳ）の座標などを含む。さらに、プランニングコンポーネント２０８は、第１の位置から第２の位置へのルートの少なくとも一部に沿って車両を誘導するための命令を生成することが可能である。少なくとも１つの例示において、プランニングコンポーネント２０８は、車両１０２を一連のウェイポイントにおける第１のウェイポイントから一連のウェイポイントにおける第２のウェイポイントまでどのように誘導するかを決定することが可能である。ある例示において、命令は経路または経路の一部であってよい。ある例示において、多様な経路は、後退ホライズン技術（receding horizon technique）に従って、実質的に同時に（例えば、技術的な許容範囲内で）生成されてよい。最も高い信頼レベルを有する後退ホライズンデータ（receding data horizon）における多様な経路のうちの１つの経路が車両を操作するために選択されてよい。
他の例示において、プラニングコンポーネント２０８は、代替的にまたは追加的に、知覚コンポーネント２０６および／または予測コンポーネント２１０からのデータを用いて、車両１０２が環境を横断するためにたどる経路を決定することができる。例えば、プラニングコンポーネント２０８および／または予測コンポーネント２１０は、環境に関連付けられるオブジェクトに関するデータを知覚コンポーネント２０６から受信することが可能である。このデータを用いて、プランニングコンポーネント２０８は、第１の位置（例えば、現在の位置）から第２の位置（例えば、対象の位置）まで移動するルートを決定することが可能であり、環境におけるオブジェクトを回避する。少なくともある例示において、このようなプラニングコンポーネント２０８は、このような衝突のない経路がないと決定することが可能であり、次に、車両１０２を安全な停止に導き、すべての衝突を回避する、および／またはそうでなければ損傷を緩和する経路を提供することが可能である。
少なくとも１つの例示において、車両コンピューティングデバイス１００２は、１つまたは複数のシステムコントローラー１０１８を含んでよく、これは、ステアリング、推進、制動、安全性、エミッター、通信、および車両１０２の他のシステムを制御するように構成されてよい。これらのシステムコントローラー１０１８は、駆動システム１０１０の対応するシステムおよび／または車両１０２の他のコンポーネントと通信および／または制御することが可能であり、これは、プラニングコンポーネント２０８から提供される経路に従って動作するように構成されてよい。
車両１０２は、ネットワーク１０１２を介してコンピューティングデバイス８０２に接続してよく、１つまたは複数のプロセッサ１０２０および１つまたは複数のプロセッサ８２０と通信可能に結合されるメモリ１０２２を含んでよい。少なくとも１つの例外において、プロセッサ８２０は、プロセッサ１０１４と類似してよく、メモリ１０２２は、メモリ１０１６と類似してもよい。図示される例示において、コンピューティングデバイス８０２のメモリ１０２２は、車両データ７０４、グラウンドトゥルースデータ７０８、および誤差モデルコンポーネント７０６を格納する。例示的な目的のためにメモリ１０２２において存在するように描かれるが、車両データ７０４、グラウンドトゥルースデータ７０８、および／または誤差モデルコンポーネント７０６は、追加的にまたは代替的に、コンピューティングデバイス８０２にアクセス可能であり（例えば、コンピューティングデバイス８０２の異なるコンポーネントに格納される）、および／またはコンピューティングデバイス８０２にアクセス可能である（例えば、リモートで格納される）ということが企図される。
コンピューティングデバイス１００２のプロセッサ１０１４およびコンピューティングデバイス８０２のプロセッサ１０２０は、本明細書で説明されるように、データを処理して、動作を実施するための命令を実行することが可能である任意の適切なプロセッサであってよい。例示の目的であり、限定ではなく、プロセッサ１０１４および１０２０は、１つまたは複数の中央処理装置（ＣＰＵ）、Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ（ＧＰＵ）、または電子データを処理してその電子データをレジスタおよび／またはメモリに格納され得る他の電子データへと変換する任意の他のデバイスもしくはデバイスの一部を含んでよい。ある例示において、集積回路（例えば、ＡＳＩＣなど）ゲートアレイ（例えば、ＦＰＧＡなど）、および他のハードウェアデバイスは、また、それらが符号化された命令を実装するように構成される限り、プロセッサとみなされてよい。
コンピューティングデバイス１００２のメモリ１０１６およびコンピューティングデバイス８０２のメモリ１０２２は、非一時的なコンピューター可読媒体の例示である。メモリ１０１６および１０２２は、オペレーティングシステム、ならびに本明細書で説明される方法、およびさまざまなシステムに起因される機能を実装する１つまたは複数のソフトウェアアプリケーション、命令、プログラム、および／またはデータを格納することが可能である。さまざまな実装において、メモリ１０１６および１０２２は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、シンクロナスダイナミックＲＡＭ（ＳＤＲＡＭ）、不揮発性／フラッシュタイプメモリ、または、情報を格納することが可能である任意の他のタイプのメモリなどの任意の適切なメモリ技術を用いて実装されてよい。本明細書で説明されるアーキテクチャ、システム、および個々の要素は、多くの他の論理、プログラマティック、および物理的なコンポーネントを含んでよく、その中で、添付の図面に示されるものは、本明細書での説明に関連する例示に過ぎない。
ある例示において、本明細書で説明されるコンポーネントのいくつかまたはすべての態様は、任意のモデル、アルゴリズム、および／または機械学習アルゴリズムを含んでよい。例えば、ある例示において、メモリ１０１６および１０２２におけるコンポーネントは、ニューラルネットワークとして実装されてよい。
図１１～図１４は、本開示の実施形態に従って例示的なプロセスを図示する。これらのプロセスは、論理フローグラフとして図示され、その中で、それぞれの動作は、ハードウェア、ソフトウェア、またはそれらの組み合わせにおいて実装され得る一連の動作を表現する。ソフトウェアのコンテキストにおいて、動作は、１つまたは複数のプロセッサによって実行された場合に、列挙された動作を実行する１つまたは複数のコンピューター可読媒体に格納されたコンピューター実行可能命令を表現する。一般に、コンピューター実行可能命令は、具体的な機能を実行するか、または具体的な抽象データ型を実装するルーティン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。動作が説明される順序は、限定として解釈されることを意図したものではなく、任意の数の説明される動作は、任意の順序で、および／または並行して組み合わされてよく、プロセスを実装する。
図１１は、本開示の実施形態に従って、誤差モデルを用いる衝突のモニタリングを実行するための例示的なプロセス１１００を図示する。動作１１０２で、プロセス１１００は、１つまたは複数のセンサーによって生成されるセンサーデータを受信することを含んでよい。例えば、車両１０２は、第１の位置から第２の位置への経路に沿ってナビゲートすることができる。ナビゲートしている間に、車両１０２は、車両１０２の１つまたは複数のセンサーを用いてセンサーデータを生成することができる。
動作１１０４で、プロセス１１００は、少なくとも車両の第１のシステムを用いて、少なくとも部分的に、センサーデータの第１の部分に基づいて、車両に関連付けられる少なくともパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いてセンサーデータの第１の部分を分析することができる。１つまたは複数のシステムは、ローカリゼーションシステム、知覚システム、プラニングシステム、予測システムなどを含んでよいが、これらに限定されない。少なくとも部分的に分析に基づいて、車両１０２は、車両１０２に関連付けられるパラメーターを決定することができる。パラメーターは、車両１０２の位置、車両１０２の速度、車両１０２の走行方向などを含んでよいが、これらに限定されない。
動作１１０６で、プロセス１１００は、少なくとも部分的に、車両に関連付けられるパラメーターおよび第１のシステムに関連付けられる第１の誤差モデルに基づいて、車両に関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、第１の誤差モデルを用いて、車両１０２に関連付けられるパラメーターを少なくとも処理することができる。本明細書で説明されるように、第１の誤差モデルは、第１のシステムの出力に関連付けられる誤差および／または誤差パーセンテージを表現することが可能である。少なくとも部分的に処理に基づいて、車両１０２は、後で車両１０２に関連付けられる推定される位置を決定することができる。本明細書でも説明されるように、推定される位置は、位置の確率分布に対応してよい。
動作１１０８で、プロセス１１００は、車両の第２のシステムを少なくとも用いて、少なくとも部分的に、センサーデータの第２の部分に基づいて、オブジェクトに関連付けられるパラメーターを少なくとも決定することを含んでよい。例えば、車両１０２は、センサーデータを分析することができ、少なくとも部分的に分析に基づいて、オブジェクトを識別することができる。車両１０２は、次に、１つまたは複数のシステムを用いてセンサーデータの第２の部分を分析することができる。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクトに関連付けられるパラメーターを決定することができる。パラメーターは、オブジェクトのタイプ、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向などを含んでよいが、これに限定されない。
動作１１１０で、プロセス１１００は、少なくとも部分的に、オブジェクトに関連付けられるパラメーターおよび第２のシステムに関連付けられる第２の誤差モデルに基づいて、オブジェクトに関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、第２の誤差モデルを用いて、オブジェクトに関連付けられるパラメーターを少なくとも処理することができる。本明細書で説明されるように、第２の誤差モデルは、第２のシステムの出力に関連付けられる誤差および／または誤差パーセンテージを表現することが可能である。少なくとも部分的に処理に基づいて、車両１０２は、後でオブジェクトに関連付けられる推定される位置を決定することができる。本明細書でも説明されるように、推定される位置は、位置の確率分布に対応してよい。
動作１１１２で、プロセス１１００は、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、衝突の確率を決定することを含んでよい。例えば、車両１０２は、衝突の確率を決定すべく、車両１０２に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置を分析することができる。ある例示において、衝突の確率は、少なくとも部分的に、車両１０２に関連付けられる推定される位置とオブジェクトに関連付けられる推定される位置との間の重複の量に基づいてよい。
動作１１１４で、プロセス１１００は、衝突の確率が閾値と等しいか、またはそれよりも大きいかを決定することを含んでよい。例えば、車両１０２は、衝突の確率が閾値と等しいか、またはそれよりも大きいかを決定すべく、衝突の確率を閾値と比較することができる。
動作１１１４で、衝突の確率が閾値と等しくないか、またはそれよりも大きいということが決定される場合、動作１１１６で、プロセス１１００は、車両を経路に沿ってナビゲートすることを継続させることを含んでよい。例えば、車両１０２が衝突の確率が閾値よりも小さいということを決定する場合、車両１０２は、継続して経路に沿ってナビゲートすることができる。
しかしながら、動作１１１４で、衝突の確率が閾値と等しいか、またはそれよりも大きいということが決定される場合、動作１１１８で、プロセス１１００は、車両に１つまたは複数のアクションを実行させることを含んでよい。例えば、車両１０２が衝突の確率が閾値と等しいか、またはそれよりも大きいということを決定する場合、車両１０２は、１つまたは複数のアクションを実行することができる。１つまたは複数のアクションは、車両１０２の経路を変更すること、車両１０２の速度を変更すること、車両１０２を駐車することなどを含んでよいが、これらに限定されない。
図１２は、本開示の実施形態に従って、誤差モデルを用いるためのオブジェクトに関連付けられる推定される位置を決定する例示的なプロセス１２００を図示する。動作１２０２で、プロセス１２００は、１つまたは複数のセンサーによって生成されるセンサーデータを受信することを含んでよい。例えば、車両１０２は、第１の位置から第２の位置への経路に沿ってナビゲートすることができる。ナビゲートしている間に、車両１０２は、車両１０２の１つまたは複数のセンサーを用いてセンサーデータを生成することができる。
動作１２０４で、プロセス１２００は、車両の１つまたは複数のシステムを用いて、少なくとも部分的にセンサーデータに基づいて、オブジェクトに関連付けられる第１のパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いてセンサーデータを分析することができる。１つまたは複数のシステムは、ローカリゼーションシステム、知覚システム、プラニングシステム、予測システムなどを含んでよいが、これらに限定されない。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクト（例えば、車両または別のオブジェクト）に関連付けられる第１のパラメーターを決定することができる。パラメーターは、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向などを含んでよいが、これに限定されない。
動作１２０６で、プロセス１２００は、少なくとも部分的に第１の誤差モデルに基づいて、第１のパラメーターに関連付けられる第１の確率分布を決定することを含んでよい。例えば、車両１０２は、第１の誤差モデルを用いて、第１のパラメーターを少なくとも処理することができる。本明細書で説明されるように、第１の誤差モデルは、第１のパラメーターに関連付けられる誤差および／または誤差パーセンテージを表現することが可能である。少なくとも部分的に処理に基づいて、車両１０２は、第１のパラメーターに関連付けられる第１の確率分布を決定することができる。
動作１２０８で、プロセス１２００は、車両の１つまたは複数のシステムを用いて、センサーデータまたは第１の確率分布のうちの少なくとも１つに少なくとも部分的に基づいて、オブジェクトに関連付けられる第２のパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いて、センサーデータまたは第１の確率分布のうちの少なくとも１つを分析することができる。ある例示において、車両１０２は、第２のパラメーターが第１のパラメーターを用いて決定される場合に、第１の確率分布を分析する。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクト（例えば、車両または別のオブジェクト）に関連付けられる第２のパラメーターを決定することができる。第２のパラメーターは、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向、未来の時点でのオブジェクトの推定される位置などを含んでよいが、これに限定されない。
動作１２１０で、プロセス１２００は、少なくとも部分的に第２の誤差モデルに基づいて、第２のパラメーターに関連付けられる第２の確率分布を決定することを含んでよい。例えば、車両１０２は、第２の誤差モデルを用いて、第２のパラメーターを少なくとも処理することができる。本明細書で説明されるように、第２の誤差モデルは、第２のパラメーターに関連付けられる誤差および／または誤差パーセンテージを表現することが可能である。少なくとも部分的に処理に基づいて、車両１０２は、第２のパラメーターに関連付けられる第２の確率分布を決定することができる。
動作１２１２で、プロセス１２００は、少なくとも部分的に、第１の確率分布または第２の確率分布のうちの少なくとも１つに基づいて、オブジェクトに関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、少なくとも部分的に、第１の確率分布および／または第２の確率分布に基づいて推定される位置を決定することができる。ある例示において、オブジェクトの現在位置を示している第１のパラメーターおよびオブジェクトの速度を示している第２のパラメーターのように、第１のパラメーターおよび第２のパラメーターが独立している場合、車両１０２は、第１の確率分布および第２の確率分布の双方を用いて推定される位置を決定することができる。ある例示において、第２のパラメーターがオブジェクトの速度を示している第１のパラメーターを用いて決定される未来の時点でのオブジェクトの推定される位置を示す場合のように、第２のパラメーターが第１のパラメーターを用いて決定される場合、車両１０２は、第２の確率分布を用いて推定される位置を決定することができる。
図１３Ａ～図１３Ｂは、本開示の実施形態に従って、不確実性モデルを用いる衝突のモニタリングを実行するための例示的なプロセス１３００を図示する。動作１３０２で、プロセス１３００は、１つまたは複数のセンサーによって生成されるセンサーデータを受信することを含んでよい。例えば、車両１０２は、第１の位置から第２の位置への経路に沿ってナビゲートすることができる。ナビゲートしている間に、車両１０２は、車両１０２の１つまたは複数のセンサーを用いてセンサーデータを生成することができる。
動作１３０４で、プロセス１３００は、少なくとも車両の第１のシステムを用いて、少なくとも部分的に、センサーデータの第１の部分に基づいて、車両に関連付けられる少なくともパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いてセンサーデータの第１の部分を分析することができる。１つまたは複数のシステムは、ローカリゼーションシステム、知覚システム、プラニングシステム、予測システムなどを含んでよいが、これらに限定されない。少なくとも部分的に分析に基づいて、車両１０２は、車両１０２に関連付けられるパラメーターを決定することができる。パラメーターは、車両１０２の位置、車両１０２の速度、車両１０２の走行方向などを含んでよいが、これに限定されない。
１３０６で、プロセス１３００は、車両に関連付けられるパラメーターを決定する第１のシステムに関連付けられる第１の不確実性モデルを決定することを含んでよい。例えば、車両１０２は、第１の不確実性モデルを決定することができる。ある例示において、車両１０２は、第１の不確実性モデルを第１のシステムから受信することによって、第１の不確実性モデルを決定する。ある例示において、車両１０２は、第１のパラメーターを決定する第１のシステムに関連付けられる不確実性を示している不確実性データを用いて、第１の不確実性モデルを決定する。
動作１３０８で、プロセス１３００は、少なくとも部分的に、車両に関連付けられるパラメーターおよび第１の不確実性モデルに基づいて、車両に関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、第１の不確実性モデルを用いて、車両１０２に関連付けられるパラメーターを少なくとも処理することができる。少なくとも部分的に処理に基づいて、車両１０２は、後で車両１０２に関連付けられる推定される位置を決定することができる。本明細書でも説明されるように、推定される位置は、位置の確率分布に対応してよい。
動作１３１０で、プロセス１３００は、少なくとも車両の第２のシステムを用いて、少なくとも部分的に、センサーデータの第２の部分に基づいて、オブジェクトに関連付けられるパラメーターを少なくとも決定することを含んでよい。例えば、車両１０２は、センサーデータを分析することができ、少なくとも部分的に分析に基づいて、オブジェクトを識別することができる。車両１０２は、次に、１つまたは複数のシステムを用いてセンサーデータの第２の部分を分析することができる。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクトに関連付けられるパラメーターを決定することができる。パラメーターは、オブジェクトのタイプ、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向などを含んでよいが、これに限定されない。
１３１２で、プロセス１３００は、オブジェクトに関連付けられるパラメーターを決定する第２のシステムに関連付けられる第２の不確実性モデルを決定することを含んでよい。例えば、車両１０２は、第２の不確実性モデルを決定することができる。ある例示において、車両１０２は、第２の不確実性モデルを第２のシステムから受信することによって、第２の不確実性モデルを決定する。ある例示において、車両１０２は、第２のパラメーターを決定する第２のシステムに関連付けられる不確実性を示している不確実性データを用いて、第２の不確実性モデルを決定する。
動作１３１４で、プロセス１３００は、少なくとも部分的に、オブジェクトに関連付けられるパラメーターおよび第２の不確実性モデルに基づいて、オブジェクトに関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、第２の不確実性モデルを用いて、オブジェクトに関連付けられるパラメーターを少なくとも処理することができる。少なくとも部分的に処理に基づいて、車両１０２は、後でオブジェクトに関連付けられる推定される位置を決定することができる。本明細書でも説明されるように、推定される位置は、位置の確率分布に対応してよい。
動作１３１６で、プロセス１３００は、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、衝突の確率を決定することを含んでよい。例えば、車両１０２は、衝突の確率を決定すべく、車両１０２に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置を分析することができる。ある例示において、衝突の確率は、少なくとも部分的に、車両１０２に関連付けられる推定される位置とオブジェクトに関連付けられる推定される位置との間の重複の量に基づいてよい。
動作１３１８で、プロセス１３００は、衝突の確率が閾値と等しいか、またはそれよりも大きいかを決定することを含んでよい。例えば、車両１０２は、衝突の確率が閾値と等しいか、またはそれよりも大きいかを決定すべく、衝突の確率を閾値と比較することができる。
動作１３１８で、衝突の確率が閾値と等しくないか、またはそれよりも大きいということが決定される場合、動作１３２０で、プロセス１３００は、車両を経路に沿ってナビゲートすることを継続させることを含んでよい。例えば、車両１０２が衝突の確率が閾値よりも小さいということを決定する場合、車両１０２は、継続して経路に沿ってナビゲートすることができる。
しかしながら、動作１３１８で、衝突の確率が閾値と等しいか、またはそれよりも大きいということが決定される場合、動作１３２２で、プロセス１３００は、車両に１つまたは複数のアクションを実行させることを含んでよい。例えば、車両１０２が衝突の確率が閾値と等しいか、またはそれよりも大きいということを決定する場合、車両１０２は、１つまたは複数のアクションを実行することができる。１つまたは複数のアクションは、車両１０２の経路を変更すること、車両１０２の速度を変更すること、車両１０２を駐車することなどを含んでよいが、これらに限定されない。
ある例示において、車両１０２は、車両１０２に関連付けられる多様な起こり得る経路を用いてステップ１３０４～１３１４を実行してよいことに留意されたい。このような例示において、車両１０２は、最も低い不確実性および／または最も低い衝突の確率を含むルートを選択してよい。
図１４は、本開示の実施形態に従って、不確実性モデルを用いるためのオブジェクトに関連付けられる推定される位置を決定する例示的なプロセス１４００を図示する。動作１４０２で、プロセス１４００は、１つまたは複数のセンサーによって生成されるセンサーデータを受信することを含んでよい。例えば、車両１０２は、第１の位置から第２の位置への経路に沿ってナビゲートすることができる。ナビゲートしている間に、車両１０２は、車両１０２の１つまたは複数のセンサーを用いてセンサーデータを生成することができる。
動作１４０４で、プロセス１４００は、車両の１つまたは複数のシステムを用いて、少なくとも部分的にセンサーデータに基づいて、オブジェクトに関連付けられる第１のパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いてセンサーデータを分析することができる。１つまたは複数のシステムは、ローカリゼーションシステム、知覚システム、プラニングシステム、予測システムなどを含んでよいが、これらに限定されない。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクト（例えば、車両または別のオブジェクト）に関連付けられる第１のパラメーターを決定することができる。第１のパラメーターは、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向などを含んでよいが、これに限定されない。
動作１４０６で、プロセス１４００は、少なくとも部分的に第１の不確実性モデルに基づいて、第１のパラメーターに関連付けられる第１の確率分布を決定することを含んでよい。例えば、車両１０２は、第１の不確実性モデルを用いて、第１のパラメーターを少なくとも処理することができる。少なくとも部分的に処理に基づいて、車両１０２は、第１のパラメーターに関連付けられる第１の確率分布を決定することができる。
動作１４０８で、プロセス１４００は、車両の１つまたは複数のシステムを用いて、センサーデータまたは第１の確率分布のうちの少なくとも１つに少なくとも部分的に基づいて、オブジェクトに関連付けられる第２のパラメーターを決定することを含んでよい。例えば、車両１０２は、１つまたは複数のシステムを用いて、センサーデータまたは第１の確率分布のうちの少なくとも１つを分析することができる。ある例示において、車両１０２は、第２のパラメーターが第１のパラメーターを用いて決定される場合に、第１の確率分布を分析する。少なくとも部分的に分析に基づいて、車両１０２は、オブジェクト（例えば、車両または別のオブジェクト）に関連付けられる第２のパラメーターを決定することができる。第２のパラメーターは、オブジェクトの位置、オブジェクトの速度、オブジェクトの走行方向、未来の時点でのオブジェクトの推定される位置などを含んでよいが、これに限定されない。
動作１４１０で、プロセス１４００は、少なくとも部分的に第２の不確実性モデルに基づいて、第２のパラメーターに関連付けられる第２の確率分布を決定することを含んでよい。例えば、車両１０２は、第２の不確実性モデルを用いて、第２のパラメーターを少なくとも処理することができる。少なくとも部分的に処理に基づいて、車両１０２は、第２のパラメーターに関連付けられる第２の確率分布を決定することができる。
動作１４１２で、プロセス１４００は、少なくとも部分的に、第１の確率分布または第２の確率分布のうちの少なくとも１つに基づいて、オブジェクトに関連付けられる推定される位置を決定することを含んでよい。例えば、車両１０２は、少なくとも部分的に、第１の確率分布および／または第２の確率分布に基づいて推定される位置を決定することができる。ある例示において、オブジェクトの現在位置を示している第１のパラメーターおよびオブジェクトの速度を示している第２のパラメーターのように、第１のパラメーターおよび第２のパラメーターが独立している場合、車両１０２は、第１の確率分布および第２の確率分布の双方を用いて推定される位置を決定することができる。ある例示において、第２のパラメーターがオブジェクトの速度を示している第１のパラメーターを用いて決定される未来の時点でのオブジェクトの推定される位置を示す場合のように、第２のパラメーターが第１のパラメーターを用いて決定される場合、車両１０２は、第２の確率分布を用いて推定される位置を決定することができる。
（結論）
本明細書で説明される技術の１つまたは複数の例示が説明されてきた一方で、それらの例示のさまざまな変更形態、追加形態、置換形態、および均等形態が、本明細書で説明される技術範囲内に含まれる。
例示の説明において、主張される発明の主題の具体的な例示を示す本願の一部を形成する添付図面に対する参照が行われる。他の例示が用いられることが可能であること、および構造上の変更のような変更または変形が行われることが可能であることを理解されたい。このような例示、変更または変形は、意図された主張される発明の主題に対する範囲から必ずしも逸脱するものではない。本明細書におけるステップは、特定の順序で提供される一方で、ある場合において、順序が変更され得ることによって、説明されるシステムおよび方法の機能を変更することなく、特定の入力が異なる時間または異なる順序で提供される。開示された手順は、また、異なる順序で実行され得る。さらに、本明細書におけるさまざまな算定は、開示される順序で実行される必要はなく、算定の代替の順序を用いる他の例示が容易に実装され得る。順序変更されることに加えて、算定は、また、同一の結果を伴って部分的計算へと分解され得る。
（例示的な条項）
Ａ：自律車両は、１つまたは複数のセンサー、１つまたは複数のプロセッサ、および１つまたは複数のプロセッサによって実行された場合に、１つまたは複数のプロセッサに、１つまたは複数のセンサーからセンサーデータを取得すること、少なくとも部分的に、センサーデータの第１の部分に基づいて、未来の時点での自律車両の推定される位置を決定すること、少なくとも部分的に、自律車両のシステムおよびセンサーデータの第２の部分に基づいて、未来の時点でのオブジェクトの推定される位置を決定すること、少なくとも部分的に、誤差モデルおよびオブジェクトの推定される位置に基づいて、オブジェクトに関連付けられる推定される位置の分布を決定することであって、誤差モデルは、システムに関連付けられる誤差の確率を表現すること、少なくとも部分的に、自律車両の推定される位置およびオブジェクトに関連付けられる推定される位置の分布に基づいて、自律車両とオブジェクトとの間の衝突の確率を決定すること、および少なくとも部分的に衝突の確率に基づいて、自律車両に１つまたは複数のアクションを実行させることを含む動作を実行させる１つまたは複数のコンピューター可読媒体を備える。
Ｂ：段落Ａに記載の自律車両であって、動作は、１つまたは複数のコンピューティングデバイスから、誤差モデルを受信することをさらに含み、誤差モデルは、１つまたは複数の車両によって生成された少なくともセンサーデータを用いて生成される。
Ｃ：段落ＡまたはＢのいずれかに記載の自律車両であって、動作は、少なくとも部分的に、さらなる誤差モデルおよび車両の推定される位置に基づいて、自律車両に関連付けられる推定される位置の分布を決定することをさらに含み、自律車両とオブジェクトとの間の衝突の確率を決定することは、少なくとも、自律車両に関連付けられる推定される位置の分布とオブジェクトに関連付けられる推定される位置の分布との間の重複の量を決定すること、および少なくとも部分的に重複の量に基づいて、衝突の確率を決定することを含む。
Ｄ：段落Ａ～Ｃのいずれか一つに記載の自律車両であって、未来の時点でのオブジェクトの推定される位置は、少なくとも部分的に、自律車両のさらなるシステムに基づいてさらに決定され、推定される位置の分布は、少なくとも部分的にさらなる誤差モデルに基づいてさらに決定され、さらなる誤差モデルは、さらなるシステムに関連付けられる誤差分布を表現する。
Ｅ：方法は、車両の１つまたは複数のセンサーからセンサーデータを受信するステップ、少なくとも部分的に、センサーデータの第１の部分に基づいて、時点での車両に関連付けられる推定される位置を決定するステップ、少なくとも部分的に、車両のシステムおよびセンサーデータの第２の部分に基づいて、オブジェクトに関連付けられるパラメーターを決定するステップ、少なくとも部分的に、誤差モデルおよびオブジェクトに関連付けられるパラメーターに基づいて、時点でのオブジェクトに関連付けられる推定される位置を決定するステップであって、誤差モデルは、システムに関連付けられる誤差の確率を表現するステップ、および少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、車両に１つまたは複数のアクションを実行させるステップを備える。
Ｆ：段落Ｅに記載の方法であって、動作は、１つまたは複数のコンピューティングデバイスから、誤差モデルを受信するステップをさらに含み、誤差モデルは、１つまたは複数の車両によって生成された少なくともセンサーデータを用いて生成される。
Ｇ：段落Ｅまたは段落Ｆのいずれかに記載の方法であって、パラメーターは、オブジェクトに関連付けられるオブジェクトのタイプ、環境内のオブジェクトの位置、オブジェクトの速度、または環境内のオブジェクトの走行方向のうちの少なくとも一つを含む。
Ｈ：段落Ｅ～Ｆのいずれか一つに記載の方法であって、時点での車両に関連付けられる推定される位置を決定するステップは、少なくとも、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第１の部分に基づいて、車両に関連付けられるパラメーターを決定するステップ、および少なくとも部分的に、さらなる誤差モデルおよび車両に関連付けられるパラメーターに基づいて、時点での車両に関連付けられる推定される位置を決定するステップであって、さらなる誤差モデルは、さらなるシステムに関連付けられる誤差の確率を表現するステップを含む。
Ｉ：段落Ｅ～Ｈのいずれか一つに記載の方法であって、少なくとも部分的にパラメーターに基づいて、時点でのオブジェクトに関連付けられるさらなる推定される位置を決定するステップをさらに備え、時点でのオブジェクトに関連付けられる推定される位置を決定するステップは、少なくとも部分的に、誤差モデルおよびオブジェクトに関連付けられるさらなる推定される位置に基づいて、時点でのオブジェクトに関連付けられる推定される位置を決定するステップを含む。
Ｊ：段落Ｅ～Ｉのいずれか一つに記載の方法であって、時点でのオブジェクトに関連付けられる推定される位置を決定するステップは、少なくとも部分的に、誤差モデルおよびオブジェクトに関連付けられるパラメーターに基づいて、時点でのオブジェクトに関連付けられる推定される位置の分布を決定するステップを含む。
Ｋ：段落Ｅ～Ｊのいずれか一つに記載の方法であって、車両に関連付けられる推定される位置を決定するステップは、少なくとも、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第１の部分に基づいて、車両に関連付けられるパラメーターを決定するステップ、および少なくとも部分的に、さらなる誤差モデルおよび車両に関連付けられるパラメーターに基づいて、時点での車両に関連付けられる推定される位置の分配を決定するステップであって、さらなる誤差モデルは、さらなるシステムに関連付けられる誤差の確率を表現するステップを含む。
Ｌ：段落Ｅ～Ｋのいずれか一つに記載の方法であって、車両に関連付けられる推定される位置の分布とオブジェクトに関連付けられる推定される位置の分布との間の重複の量を決定するステップ、および少なくとも部分的に重複の量に基づいて、衝突の確率を決定するステップをさらに備え、車両に、１つまたは複数のアクションを実行させるステップは、少なくとも部分的に衝突の確率に基づいている。
Ｍ：段落Ｅ～Ｌのいずれか一つに記載の方法であって、少なくとも部分的にパラメーターに基づいて、誤差モデルを選択するステップをさらに備える。
Ｎ：段落Ｅ～Ｍのいずれか一つに記載の方法であって、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第２の部分に基づいて、オブジェクトに関連付けられるさらなるパラメーターを決定するステップ、少なくとも部分的に、さらなる誤差モデルおよびオブジェクトに関連付けられるさらなるパラメーターに基づいて、オブジェクトに関連付けられる出力を決定するステップであって、オブジェクトに関連付けられるパラメーターを決定することは、少なくとも部分的に、車両のシステムおよび出力に基づいて、オブジェクトに関連付けられるパラメーターを決定するステップとをさらに備える。
Ｏ：段落Ｅ～Ｎのいずれか一つに記載の方法であって、システムは、知覚システムであり、さらなるシステムは、予測システムである。
Ｐ：段落Ｅ～Ｏのいずれか一つに記載の方法であって、少なくとも部分的に、センサーデータの第１の部分に基づいて、時点よりも後のさらなる時点での車両に関連付けられるさらなる推定される位置を決定するステップ、少なくとも部分的に、車両のシステムおよびセンサーデータの第２の部分に基づいて、オブジェクトに関連付けられるさらなるパラメーターを決定するステップ、少なくとも部分的に、誤差モデルおよびオブジェクトに関連付けられるさらなるパラメーターに基づいて、さらなる時点でのオブジェクトに関連付けられるさらなる推定される位置を決定するステップ、および少なくとも部分的に、車両に関連付けられるさらなる推定される位置およびオブジェクトに関連付けられるさらなる推定される位置に基づいて、車両に１つまたは複数のアクションを実行させるステップをさらに備える。
Ｑ：段落Ｅ～Ｐのいずれか一つに記載の方法であって、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、衝突の確率を決定するステップをさらに備え、車両に１つまたは複数のアクションを実行させるステップは、少なくとも部分的に衝突の確率に基づいて、車両に速度の変更またはルートの変更のうちの少なくとも１つをさせるステップを含む。
Ｒ：１つまたは複数の非一時的なコンピューター可読媒体は、１つまたは複数のプロセッサによって実行された場合に、１つまたは複数のコンピューティングデバイスに、車両に関連付けられるセンサーによって生成されるセンサーデータを受信すること、少なくとも部分的にセンサーデータの一部に基づいて、時点でのオブジェクトに関連付けられる推定される位置を決定すること、少なくとも部分的に推定される位置に基づいて、複数の誤差モデルから誤差モデルを決定すること、少なくとも部分的に、誤差モデルおよび推定される位置に基づいて、オブジェクトに関連付けられる推定される位置の分布を決定すること、および少なくとも部分的に推定される位置の分布に基づいて車両をナビゲートするための１つまたは複数のアクションを決定することを含む動作を実行させる命令を格納する。
Ｓ：段落Ｒに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、動作は、少なくとも部分的にセンサーデータの一部に基づいて、車両に関連付けられるパラメーターを決定すること、および少なくとも部分的にパラメーターに基づいて推定される位置を決定することをさらに含み、誤差モデルは、パラメーターに関連付けられる。
Ｔ：段落ＲまたはＳに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、誤差モデルを決定することは、少なくとも部分的に、オブジェクトの分類、オブジェクトの速度、オブジェクトのサイズ、環境におけるオブジェクトの数、環境における気象条件、時刻、または時期のうちの１つまたは複数にさらに基づいている。
Ｕ：自律車両は、１つまたは複数のセンサー、１つまたは複数のプロセッサ、および１つまたは複数のプロセッサによって実行された場合に、１つまたは複数のプロセッサに、１つまたは複数のセンサーによって生成されるセンサーデータを取得すること、少なくとも部分的にセンサーデータの第１の部分に基づいて自律車両の推定される位置を決定すること、少なくとも部分的にセンサーの第２の部分に基づいてオブジェクトの推定される位置を決定すること、オブジェクトの推定される位置に関連付けられる不確実性モデルを決定すること、少なくとも部分的に、不確実性モデルおよびオブジェクトの推定される位置に基づいて、オブジェクトに関連付けられる推定される位置の分布を決定すること、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置の確率に基づいて自律車両とオブジェクトとの間の衝突の確率を決定すること、および少なくとも部分的に衝突の確率に基づいて自律車両に、１つまたは複数のアクションを実行させることを含む動作を実行させる命令を格納する１つまたは複数のコンピューター可読媒体を備える。
Ｖ：段落Ｕに記載の自律車両であって、動作は、自律車両の推定される位置を決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定すること、および少なくとも部分的に、さらなる不確実性モデルおよび自律車両の推定される位置に基づいて、自律車両に関連付けられる推定される位置の確率を決定することをさらに含み、自律車両とオブジェクトとの間の衝突の確率は、少なくとも、自律車両に関連付けられる推定される位置の確率とオブジェクトに関連付けられる推定される位置の確率との間の重複の量を決定すること、および少なくとも部分的に重複の量に基づいて衝突の確率を決定することを含む。
Ｗ：段落ＵまたはＶのいずれかに記載の自律車両であって、オブジェクトの推定される位置は、少なくとも部分的に、自律車両のさらなるシステムに基づいてさらに決定され、動作は、オブジェクトの推定される位置を決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定することをさらに含み、推定される位置の確率は、少なくとも部分的にさらなる不確実性モデルに基づいてさらに決定される。
Ｘ：方法は、車両の１つまたは複数のセンサーからセンサーデータを受信するステップ、少なくとも部分的にセンサーデータの第１の部分に基づいて、車両に関連付けられる推定される位置を決定するステップ、少なくとも部分的に、車両のシステムおよびセンサーデータの第２の部分に基づいて、オブジェクトに関連付けられたパラメーターを決定するステップ、システムに関連付けられる不確実性モデルを決定するステップ、少なくとも部分的に、オブジェクトに関連付けられるパラメーターおよび不確実性モデルに基づいて、オブジェクトに関連付けられる推定される位置を決定するステップ、および車両に、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、１つまたは複数のアクションを実行させるステップを備える。
Ｙ：段落Ｘに記載の方法であって、１つまたは複数のコンピューティングデバイスから不確実性モデルを受信することをさらに備え、不確実性モデルは、少なくとも部分的に、１つまたは複数の車両によって生成されたセンサーデータに基づいて生成される。
Ｚ：段落ＸまたはＹのいずれかに記載の方法であって、オブジェクトに関連付けられるパラメーターを決定することは、少なくとも部分的に、システムおよびセンサーデータの第２の部分に基づいて、オブジェクトに関連付けられるオブジェクトのタイプ、環境内のオブジェクトの位置、オブジェクトの速度、または環境内のオブジェクトの走行方向のうちの少なくとも一つを決定するステップを含む。
ＡＡ：段落Ｘ～Ｚのいずれか一つに記載の方法であって、車両に関連付けられる推定される位置を決定するステップは、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第１の部分に基づいて、車両に関連付けられるパラメーターを決定するステップ、車両に関連付けられるパラメーターを決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定するステップ、および少なくとも部分的に、車両に関連付けられるパラメーターおよびさらなる不確実性モデルに基づいて、車両に関連付けられる推定される位置を決定するステップを含む。
ＡＢ：段落Ｘ～ＡＡのいずれか一つに記載の方法であって、少なくとも部分的にパラメーターに基づいて、オブジェクトに関連付けられるさらなる推定される位置を決定するステップをさらに備え、オブジェクトに関連付けられる推定される位置を決定するステップは、少なくとも部分的に、オブジェクトに関連付けられるさらなる推定される位置および不確実性モデルに基づいて、オブジェクトに関連付けられる推定される位置を決定するステップを含む。
ＡＣ：段落Ｘ～ＡＢのいずれか一つに記載の方法であって、オブジェクトに関連付けられる推定される位置を決定するステップは、少なくとも部分的に、オブジェクトに関連付けられるパラメーターおよび不確実性モデルに基づいて、オブジェクトに関連付けられる推定される位置の分布を決定するステップを含む。
ＡＤ：段落Ｘ～ＡＣのいずれか一つに記載の方法であって、車両に関連付けられる推定される位置を決定するステップは、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第１の部分に基づいて、車両に関連付けられるパラメーターを決定するステップ、車両に関連付けられるパラメーターを決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定するステップ、および少なくとも部分的に、車両に関連付けられるパラメーターおよびさらなる不確実性モデルに基づいて、車両に関連付けられる推定される位置の分布を決定するステップを含む。
ＡＥ：段落Ｘ～ＡＤのいずれか一つに記載の方法であって、車両に関連付けられる推定される位置の分布とオブジェクトに関連付けられる推定される位置の分布との間の重複の量を決定するステップ、および少なくとも部分的に重複の量に基づいて、衝突の確率を決定するステップをさらに備え、車両に、１つまたは複数のアクションを実行させるステップは、少なくとも部分的に衝突の確率に基づいている。
ＡＦ：段落Ｘ～ＡＥのいずれか一つに記載の方法であって、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第３の部分に基づいて、オブジェクトに関連付けられるさらなるパラメーターを決定するステップ、およびオブジェクトに関連付けられるさらなるパラメーターを決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定するステップをさらに備え、オブジェクトに関連付けられる推定される位置を決定するステップは、少なくとも部分的に、さらなるパラメーターおよびさらなる不確実性モデルに基づいている。
ＡＧ：段落Ｘ～ＡＦのいずれか一つに記載の方法であって、少なくとも部分的に、車両のさらなるシステムおよびセンサーデータの第２の部分に基づいてオブジェクトに関連付けられるさらなるパラメーターを決定するステップ、オブジェクトに関連付けられるさらなるパラメーターを決定するさらなるシステムに関連付けられるさらなる不確実性モデルを決定するステップ、および少なくとも部分的に、オブジェクトに関連付けられるさらなるパラメーターおよびさらなる不確実性モデルに基づいてオブジェクトに関連付けられる出力を決定するステップをさらに備え、オブジェクトに関連付けられるパラメーターを決定するステップは、少なくとも部分的に、車両のシステムおよび出力に基づいて、オブジェクトに関連付けられるパラメーターを決定するステップを含む。
ＡＨ：段落Ｘ～ＡＧのいずれか一つに記載の方法であって、少なくとも部分的に、車両のシステムおよびセンサーデータの第３の部分に基づいて、さらなるオブジェクトに関連付けられるパラメーターを決定するステップ、さらなるオブジェクトに関連付けられるパラメーターを決定するシステムに関連付けられるさらなる不確実性モデルを決定するステップ、少なくとも部分的に、さらなるオブジェクトに関連付けられるパラメーターおよびさらなる不確実性モデルに基づいて、さらなるオブジェクトに関連付けられる推定される位置を決定するステップ、車両に１つまたは複数のアクションを実行させるステップは、少なくとも部分的に、さらなるオブジェクトに関連付けられる推定される位置にさらに基づいている。
ＡＩ：段落Ｘ～ＡＨのいずれか一つに記載の方法であって、少なくとも部分的に、車両に関連付けられる推定される位置およびオブジェクトに関連付けられる推定される位置に基づいて、衝突の確率を決定するステップをさらに備え、車両に１つまたは複数のアクションを実行させるステップは、少なくとも部分的に衝突の確率に基づいて、車両に速度の変更またはルートの変更のうちの少なくとも１つをさせるステップを含む。
ＡＪ：１つまたは複数の非一時的なコンピューター可読媒体は、１つまたは複数のプロセッサによって実行された場合に、１つまたは複数のコンピューティングデバイスに、車両に関連付けられるセンサーによって生成されるセンサーデータを受信すること、少なくとも部分的にセンサーデータの一部に基づいて、オブジェクトに関連付けられる推定される位置を決定すること、少なくとも部分的に推定される位置に基づいて、複数の不確実性モデルから不確実性モデルを決定すること、少なくとも部分的に、不確実性モデルおよび推定される位置に基づいて、オブジェクトに関連付けられる推定される位置の分布を決定すること、および少なくとも部分的に推定される位置の分布に基づいて車両をナビゲートするための１つまたは複数のアクションを決定することを含む動作を実行させる命令を格納する。
ＡＫ：段落ＡＪに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、動作は、少なくとも部分的にセンサーデータの一部に基づいて、車両に関連付けられるパラメーターを決定すること、および少なくとも部分的にパラメーターに基づいて推定される位置を決定することをさらに含み、不確実性モデルは、パラメーターに関連付けられる。
ＡＬ：段落ＡＪまたはＡＫのいずれかに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、動作は、少なくとも部分的に、センサーデータのさらなる部分に基づいて、車両に関連付けられる推定される位置を決定すること、少なくとも部分的に推定される位置に基づいて、複数の不確実性モデルからさらなる不確実性モデルを決定すること、および少なくとも部分的に、さらなる不確実性モデルおよび車両に関連付けられる推定される位置に基づいて車両に関連付けられる推定される位置の分布を決定することをさらに含み、１つまたは複数のアクションを決定することは、少なくとも部分的に、車両に関連付けられる推定される位置の分布に基づいている。
ＡＭ：段落ＡＪ～ＡＬのいずれか一つに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、動作は、少なくとも部分的に、車両に関連付けられる推定される位置の分布およびオブジェクトに関連付けられる推定される位置の分布に基づいて衝突の確率を決定することをさらに含み、１つまたは複数のアクションを決定することは、少なくとも部分的に、衝突の確率に基づいている。
ＡＮ：段落ＡＪ～ＡＭのいずれか一つに記載の１つまたは複数の非一時的なコンピューター可読媒体であって、不確実性モデルを決定することは、少なくとも部分的に、オブジェクトの分類、オブジェクトの速度、オブジェクトのサイズ、環境におけるオブジェクトの数、環境における気象条件、時刻、または時期のうちの１つまたは複数にさらに基づいている。

Claims (15)

  1. 自律車両であって、
    １つまたは複数のセンサーと、
    １つまたは複数のプロセッサと、
    １つまたは複数の前記プロセッサによって実行された場合に、１つまたは複数の前記プロセッサに、
    １つまたは複数の前記センサーからセンサーデータを取得することと、
    前記センサーデータの第１の部分の少なくとも一部分に基づいて、未来の時点での前記自律車両の推定される位置を決定することと、
    前記自律車両のシステムおよび前記センサーデータの第２の部分の少なくとも一部分に基づいて、前記未来の時点でのオブジェクトの推定される位置を決定することと、
    誤差モデルおよび前記オブジェクトの前記推定される位置の少なくとも一部分に基づいて、前記オブジェクトに関連付けられる推定される位置の分布を決定することであって、前記誤差モデルは、前記システムに関連付けられる誤差の確率を表現することと、
    前記自律車両の前記推定される位置および前記オブジェクトに関連付けられる前記推定される位置の分布の少なくとも一部分に基づいて、前記自律車両と前記オブジェクトとの間の衝突の確率を決定することと、
    前記衝突の確率の少なくとも一部分に基づいて、前記自律車両に１つまたは複数のアクションを実行させること
    とを含む動作を実行させる１つまたは複数のコンピューター可読媒体とを備える、
    自律車両。
  2. 前記動作は、１つまたは複数のコンピューティングデバイスから、前記誤差モデルを受信することをさらに含み、前記誤差モデルは、１つまたは複数の車両によって生成された少なくともセンサーデータを用いて生成される、
    請求項１に記載の自律車両。
  3. 前記動作は、
    さらなる誤差モデルおよび前記車両の前記推定される位置の少なくとも一部分に基づいて、前記自律車両に関連付けられる推定される位置の分布を決定することをさらに含み、
    前記自律車両と前記オブジェクトとの間の前記衝突の確率を決定することは、少なくとも、
    前記自律車両に関連付けられる前記推定される位置の分布と前記オブジェクトに関連付けられる前記推定される位置の分布との間の重複の量を決定することと、
    少なくとも部分的に前記重複の量に基づいて、前記衝突の確率を決定することとを含む、
    請求項１または２のいずれかに記載の自律車両。
  4. 前記未来の時点での前記オブジェクトの前記推定される位置は、前記自律車両のさらなるシステムの少なくとも一部分に基づいてさらに決定され、
    前記推定される位置の分布は、さらなる誤差モデルの少なくとも一部分に基づいてさらに決定され、前記さらなる誤差モデルは、前記さらなるシステムに関連付けられる誤差分布を表現する、
    請求項１ないし３のいずれか一項に記載の自律車両。
  5. 車両の１つまたは複数のセンサーからセンサーデータを受信するステップと、
    前記センサーデータの第１の部分の少なくとも一部分に基づいて、時点での前記車両に関連付けられる推定される位置を決定するステップと、
    前記車両のシステムおよび前記センサーデータの第２の部分の少なくとも一部分に基づいて、オブジェクトに関連付けられるパラメーターを決定するステップと、
    誤差モデルおよび前記オブジェクトに関連付けられる前記パラメーターの少なくとも一部分に基づいて、前記時点での前記オブジェクトに関連付けられる推定される位置を決定するステップであって、前記誤差モデルは、前記システムに関連付けられる誤差の確率を表現するステップと、
    前記車両に関連付けられる前記推定される位置および前記オブジェクトに関連付けられる前記推定される位置の少なくとも一部分に基づいて、前記車両に１つまたは複数のアクションを実行させるステップとを備える、
    方法。
  6. １つまたは複数のコンピューティングデバイスから、前記誤差モデルを受信するステップをさらに備え、前記誤差モデルは、１つまたは複数の車両によって生成された少なくともセンサーデータを用いて生成される、
    請求項５に記載の方法。
  7. 前記パラメーターは、
    前記オブジェクトに関連付けられるオブジェクトのタイプ、
    環境内の前記オブジェクトの位置、
    前記オブジェクトの速度、または
    前記環境内の前記オブジェクトの走行方向のうちの少なくとも一つを含む、
    請求項５または６のいずれかに記載の方法。
  8. 前記時点での前記車両に関連付けられる前記推定される位置を決定するステップは、少なくとも、
    前記車両のさらなるシステムおよび前記センサーデータの前記第１の部分の少なくとも一部分に基づいて、前記車両に関連付けられるパラメーターを決定するステップと、
    さらなる誤差モデルおよび前記車両に関連付けられる前記パラメーターの少なくとも一部分に基づいて、前記時点での前記車両に関連付けられる前記推定される位置を決定するステップであって、前記さらなる誤差モデルは、前記さらなるシステムに関連付けられる誤差の確率を表現するステップを含む、
    請求項５ないし７のいずれか一項に記載の方法。
  9. 前記パラメーターの少なくとも一部分に基づいて、前記時点での前記オブジェクトに関連付けられるさらなる推定される位置を決定するステップをさらに備え、
    前記時点での前記オブジェクトに関連付けられる前記推定される位置を決定するステップは、前記誤差モデルおよび前記オブジェクトに関連付けられる前記さらなる推定される位置の少なくとも一部分に基づいて、前記時点での前記オブジェクトに関連付けられる前記推定される位置を決定するステップを含む、
    請求項５ないし８のいずれか一項に記載の方法。
  10. 前記時点での前記オブジェクトに関連付けられる前記推定される位置を決定するステップは、前記誤差モデルおよび前記オブジェクトに関連付けられる前記パラメーターの少なくとも一部分に基づいて、前記時点での前記オブジェクトに関連付けられる推定される位置の分布を決定するステップを含む、
    請求項５ないし９のいずれか一項に記載の方法。
  11. 前記パラメーターの少なくとも一部分に基づいて、前記誤差モデルを選択するステップをさらに備える、
    請求項５ないし１０のいずれか一項に記載の方法。
  12. 前記車両のさらなるシステムおよび前記センサーデータの前記第２の部分の少なくとも一部分に基づいて、前記オブジェクトに関連付けられるさらなるパラメーターを決定するステップと、
    さらなる誤差モデルおよび前記オブジェクトに関連付けられる前記さらなるパラメーターの少なくとも一部分に基づいて、前記オブジェクトに関連付けられる出力を決定するステップであって、前記さらなる誤差モデルは、前記さらなるシステムに関連付けられる誤差の確率を表現するステップと、
    前記オブジェクトに関連付けられる前記パラメーターを決定するステップは、前記車両の前記システムおよび前記出力の少なくとも一部分に基づいて、前記オブジェクトに関連付けられる前記パラメーターを決定するステップとをさらに備え、
    前記オブジェクトに関連付けられる前記パラメーターを決定するステップは、前記車両の前記システムおよび前記出力の少なくとも一部分に基づいて、前記オブジェクトに関連付けられる前記パラメーターを決定するステップを含む、
    請求項５ないし１１のいずれか一項に記載の方法。
  13. 前記センサーデータの前記第１の部分の少なくとも一部分に基づいて、前記時点よりも後のさらなる時点での前記車両に関連付けられるさらなる推定される位置を決定するステップと、
    前記車両の前記システムおよび前記センサーデータの前記第２の部分の少なくとも一部分に基づいて、前記オブジェクトに関連付けられるさらなるパラメーターを決定するステップと、
    前記誤差モデルおよび前記オブジェクトに関連付けられる前記さらなるパラメーターの少なくとも一部分に基づいて、前記さらなる時点での前記オブジェクトに関連付けられるさらなる推定される位置を決定するステップと、
    前記車両に関連付けられる前記さらなる推定される位置および前記オブジェクトに関連付けられる前記さらなる推定される位置の少なくとも一部分に基づいて、前記車両に１つまたは複数のアクションを実行させるステップとをさらに備える、
    請求項５ないし１１のいずれか一項に記載の方法。
  14. 前記車両に関連付けられる前記推定される位置および前記オブジェクトに関連付けられる前記推定される位置の少なくとも一部分に基づいて、衝突の確率を決定するステップ
    をさらに備え、
    前記車両に１つまたは複数の前記アクションを実行させるステップは、前記衝突の確率の少なくとも一部分に基づいて、前記車両に速度の変更またはルートの変更のうちの少なくとも１つをさせるステップを含む、
    請求項５ないし１３のいずれか一項に記載の方法。
  15. 実行された場合に、１つまたは複数のプロセッサに、請求項５ないし１４のいずれか一項に記載の方法を実行させる命令を格納する１つまたは複数の非一時的なコンピューター可読媒体。
JP2022527669A 2019-11-13 2020-11-12 統計モデルを用いる衝突モニタリング Pending JP2023502598A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US16/683,005 2019-11-13
US16/682,971 2019-11-13
US16/682,971 US11697412B2 (en) 2019-11-13 2019-11-13 Collision monitoring using statistic models
US16/683,005 US11648939B2 (en) 2019-11-13 2019-11-13 Collision monitoring using system data
PCT/US2020/060197 WO2021097070A1 (en) 2019-11-13 2020-11-12 Collision monitoring using statistic models

Publications (2)

Publication Number Publication Date
JP2023502598A true JP2023502598A (ja) 2023-01-25
JPWO2021097070A5 JPWO2021097070A5 (ja) 2023-10-05

Family

ID=75912837

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022527669A Pending JP2023502598A (ja) 2019-11-13 2020-11-12 統計モデルを用いる衝突モニタリング

Country Status (4)

Country Link
EP (1) EP4059003A4 (ja)
JP (1) JP2023502598A (ja)
CN (1) CN114730521A (ja)
WO (1) WO2021097070A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2612632B (en) * 2021-11-08 2024-04-03 Jaguar Land Rover Ltd Control system for a vehicle and method thereof

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US8457827B1 (en) * 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
US9656667B2 (en) * 2014-01-29 2017-05-23 Continental Automotive Systems, Inc. Method for minimizing automatic braking intrusion based on collision confidence
WO2015155833A1 (ja) * 2014-04-08 2015-10-15 三菱電機株式会社 衝突防止装置
JP6203381B2 (ja) * 2014-04-10 2017-09-27 三菱電機株式会社 経路予測装置
JP6409680B2 (ja) * 2015-05-29 2018-10-24 株式会社デンソー 運転支援装置、運転支援方法
JP6481520B2 (ja) * 2015-06-05 2019-03-13 トヨタ自動車株式会社 車両の衝突回避支援装置
US10496766B2 (en) * 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
US10029682B2 (en) * 2016-01-22 2018-07-24 Toyota Motor Engineering & Manufacturing North America, Inc. Surrounding vehicle classification and path prediction
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles

Also Published As

Publication number Publication date
EP4059003A4 (en) 2023-11-22
CN114730521A (zh) 2022-07-08
EP4059003A1 (en) 2022-09-21
WO2021097070A1 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
US12097844B2 (en) Constraining vehicle operation based on uncertainty in perception and/or prediction
CN112204634B (zh) 驱动包络确定
US11648939B2 (en) Collision monitoring using system data
US11697412B2 (en) Collision monitoring using statistic models
US11574089B2 (en) Synthetic scenario generator based on attributes
US11568100B2 (en) Synthetic scenario simulator based on events
CN112789481A (zh) 对自上而下场景的轨迹预测
JP2022502306A (ja) レーダ空間推定
JP2022532920A (ja) レーダーデータからのヨーレート
CN114072841A (zh) 根据图像使深度精准化
JP2023547988A (ja) 衝突回避計画システム
US12056934B2 (en) Three-dimensional object detection based on image data
CN117813230A (zh) 基于对象轨迹的主动预测
US20220266859A1 (en) Simulated agents based on driving log data
US12061847B2 (en) Agent conversions in driving simulations
CN118354949A (zh) 基于中心的检测和跟踪
US20230033177A1 (en) Three-dimensional point clouds based on images and depth data
CN113544538A (zh) 使用速度和位置信息识别雷达反射
JP2023502598A (ja) 統計モデルを用いる衝突モニタリング
US11915436B1 (en) System for aligning sensor data with maps comprising covariances
CN117545674A (zh) 用于识别路缘的技术
CN115515835A (zh) 轨迹分类
US20240096232A1 (en) Safety framework with calibration error injection
US20230095410A1 (en) System for detecting objects in an environment
JP2024538543A (ja) 環境中のオブジェクトを検出するシステム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230927

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230927

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240628

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240806