JP2024509344A - 軌跡および意図予測 - Google Patents

Abstract

軌跡および意図予測のための方法およびシステムが提供される。方法およびシステムは、１つまたは複数のプロセッサが、ユーザーの観測軌跡およびユーザーについてのユーザー挙動情報を受信すること、観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成することであって、機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練される、複数の予測軌跡を生成すること、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて複数の予測軌跡を調整すること、ターゲットアクセス制御デバイスが複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、ターゲットアクセス制御デバイスが複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を備える複数の処理を含む。

Description

本開示は、軌跡および意図予測に関する。

軌跡予測は、インテリジェントアクセス制御システムなどの多くのタスクにおいて重要な役割を果たす。これは、一般に、ある期間にわたって観測された複数の部分軌跡に基づいて、所定の将来の時間間隔内の各時間ステップにおける移動可能なエージェント（たとえば、人、車両、またはモバイルデバイス）の位置を予測することとして定義される。

いくつかの態様では、方法が提供され、該方法は、１つまたは複数のプロセッサが、ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成することであって、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練される、前記複数の予測軌跡を生成すること、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を備える。

いくつかの態様では、前記ターゲットアクセス制御デバイスは、ドアに関連付けられたロック部を備え、前記処理を実行することは、前記ドアをアンロックすることを含む。
いくつかの態様では、上記方法は、ユーザーのモバイルデバイスと前記ターゲットアクセス制御デバイスとの間の無線通信リンクを確立すること、前記無線通信リンクを介して認証情報を交換すること、前記認証情報に基づいて、前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていると判定した後に、前記処理を実行すること、を含む。

いくつかの態様では、上記方法は、前記認証情報に基づいて、前記処理を実行する前に、前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていることを判定すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの前記所与の予測軌跡の前記閾値範囲内にあると判定されるまで、前記ユーザーが権限を付与されていると判定した後に前記処理を実行することを遅延させること、を含む。

いくつかの態様では、上記方法は、前記認証情報に基づいて、前記処理を実行する前に前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていることを判定すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの前記所与の予測軌跡の前記閾値範囲外にあると判定したことに応答して、前記ユーザーが権限を付与されていると判定した後に前記処理を実行することを防止すること、を含む。

いくつかの態様では、前記機械学習技法は、条件付き変分オートエンコーダを含む。
いくつかの態様では、前記ユーザー挙動情報に基づいて前記複数の予測軌跡を調整することは、前記複数の予測軌跡を生成するために前記条件付き変分オートエンコーダによって前記観測軌跡および前記ユーザー挙動情報を処理することを含み、前記複数の予測軌跡の各々は、前記ユーザーが対応する前記予測軌跡に沿って移動する可能性を示すそれぞれの尤度に関連付けられる。

いくつかの態様では、前記機械学習技法は、変分オートエンコーダを含む。
いくつかの態様では、前記ユーザー挙動情報に基づいて前記複数の予測軌跡を調整することは、前記ユーザー挙動情報を前記変分オートエンコーダによって出力された前記複数の予測軌跡と結び付けることを含み、前記複数の予測軌跡の各々は、前記ユーザーが対応する前記予測軌跡に沿って移動する可能性を示すそれぞれの尤度に関連付けられる。

いくつかの態様では、上記方法は、結び付けられた前記ユーザー挙動情報および前記複数の予測軌跡を第２の機械学習技法で処理することを含み、前記第２の機械学習技法は、複数の訓練ユーザー挙動情報と複数のアクセス制御デバイスを作動させる予測された複数の意図との間の関係を確立するように訓練される。

いくつかの態様では、上記方法は、前記ユーザーの観測軌跡を符号化することをさらに備え、前記機械学習技法は、前記ユーザーの符号化された観測軌跡に適用される。
いくつかの態様では、上記方法は、受信した前記ユーザー挙動情報がユーザー挙動情報の最低限のパラメータを満たすか否かを判定すること、を含む。

いくつかの態様では、上記方法は、前記受信したユーザー挙動情報が前記ユーザー挙動情報の前記最低限のパラメータを満たすと判定したことに応答して、前記ターゲットアクセス制御デバイスに前記処理を実行させることを含む。

いくつかの態様では、上記方法は、前記受信したユーザー挙動情報が前記ユーザー挙動情報の前記最低限のパラメータを満たさないと判定したことに応答して、前記ターゲットアクセス制御デバイスが前記処理を実行することを防止することを含む。

いくつかの態様では、前記最低限のパラメータは、指定された複数のタイプのユーザー挙動情報の閾値量を含む。
いくつかの態様では、上記方法は、特徴ベクトルを符号化することによって前記ユーザー挙動情報を生成することを含み、前記ユーザー挙動情報を生成することは、前記ユーザーの物理的な動きを監視すること、前記ユーザーの歩幅を監視すること、前記ユーザーが異なる複数のタイプのアクセス制御デバイスを作動させる複数の時間帯および複数の場所を特定すること、所与のアクセス制御デバイスが前記ユーザーによって作動されている場合に、前記ユーザーの範囲内の他のクライアントデバイスおよび他のタイプのアクセス制御デバイスを特定すること、ユーザー自身のソーシャルネットワーク内に通常の場合にいる他のユーザーを特定すること、のうちの少なくとも１つを含む。

いくつかの態様では、前記機械学習技法は、第１の機械学習技法を含み、上記方法は、第２の機械学習技法によって前記ユーザー挙動情報を生成することであって、前記第２の機械学習技法は、訓練ユーザー挙動情報と予測されたユーザー挙動情報との間の関係を確立するように訓練される、前記ユーザー挙動情報を生成すること、第３の機械学習技法によって前記ターゲットアクセス制御デバイスを作動させる前記ユーザー意図を生成することであって、前記第３の機械学習技法は、一組の軌跡と結び付けられた訓練ユーザー挙動情報と、複数のアクセス制御デバイスを作動させる予測されたユーザー意図との間の関係を確立するように訓練される、前記ユーザー意図を生成すること、をさらに備える。

いくつかの態様では、前記第１、第２、および第３の機械学習技法の各々は、エンドツーエンドで訓練される。
いくつかの態様では、システムが提供され、該システムは、非一時的コンピュータ命令を含むメモリに結合された１つまたは複数のプロセッサを備え、前記非一時的コンピュータ命令は、前記１つまたは複数のプロセッサによって実行されると、複数の処理を実行させ、前記複数の処理は、ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成することであって、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練される、前記複数の予測軌跡を生成すること、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を含む。

いくつかの態様では、非一時的コンピュータ可読媒体が提供され、該非一時的コンピュータ可読媒体は、複数の処理を実行するための非一時的コンピュータ可読命令を含む非一時的コンピュータ可読媒体であって、前記複数の処理は、ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成することであって、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練される、前記複数の予測軌跡を生成すること、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を含む。

図１は、いくつかの実施形態による、例示的なアクセス制御システムのブロック図である。 図２は、例示的な実施形態による、軌跡予測に基づく例示的なアクセス制御システムを示す。 図３Ａは、いくつかの実施形態による、図１のアクセス制御システム内に配置され得る例示的な軌跡および意図予測システムのブロック図である。 図３Ｂは、いくつかの実施形態による、図１のアクセス制御システム内に配置され得る例示的な軌跡および意図予測システムのブロック図である。 図３Ｃは、いくつかの実施形態による、図１のアクセス制御システム内に配置され得る例示的な軌跡および意図予測システムのブロック図である。 図４は、いくつかの実施形態による、図１，２，および３Ａ～Ｃのシステム内に配置され得る例示的なデータベースである。 図５は、例示的な実施形態による、アクセス制御システムの例示的な複数の処理を示すフローチャートである。 図６は、本明細書において説明される様々なハードウェアアーキテクチャと併せて使用され得る例示的なソフトウェアアーキテクチャを示すブロック図である。 図７は、いくつかの例示的な実施形態による、機械の複数の構成要素を示すブロック図である。

軌跡及び意図予測に基づくアクセス制御システム（例えば、物理的又は論理的アクセス制御システム）のための例示的な方法及びシステムが説明される。以下の説明では、例示的な実施形態の完全な理解を提供するために、説明の目的で多数の具体的詳細が説明される。しかしながら、本発明の複数の実施形態がこれらの具体的詳細無しに実施され得ることは、当業者には明らかであろう。

典型的なアクセス制御システムでは、ユーザーは、一組のクレデンシャル（credential）（例えば、認証情報）を含む物理的なカードまたはデバイスを携帯する。そのようなクレデンシャルは、物理的なカードまたはデバイスがアクセスデバイス（例えば、電子ドアロック（electronic door lock））に約２０センチメートル以内に（近接して）運ばれたときにそのアクセスデバイスと交換される。その時点で、アクセスデバイスは、クレデンシャルがユーザーに対してアクセスデバイスにアクセスする権限を付与するか否かを判定し、付与する場合に、アクセスデバイスはアクセスを許可する（例えば、ドアロックを解錠する）。このようなシステムは全体的に良好に動作するが、アクセスデバイスを作動させるためには、ユーザーがアクセスデバイスの非常に近くにいる必要がある。これは、デバイスを作動させる際に様々な待ち時間（レイテンシ）をもたらす可能性があり、ユーザーにフラストレーションを感じさせる可能性がある。

複数のモバイルデバイスが一般化した場合、そのようなモバイルデバイスは、一般的に使用される複数の物理的なカードと同じ組のクレデンシャルを保持するようにプログラムされ得る。これらのモバイルデバイスは、ＢＬＥ（Bluetooth Low Energy）通信プロトコルを使用するなどして、より長い距離でアクセスデバイスと通信することができる。たとえば、モバイルデバイスは、１００メートルまでの範囲にわたってクレデンシャルを送信し、アクセスデバイスと交換することができる。そのような場合、アクセスデバイスは、ユーザーが物理的なカードまたはデバイスを使用する場合よりもアクセスデバイスから離れた距離にいるときに作動することができる。このようにして、ユーザーが最終的にアクセスデバイスに到達したとき、アクセスデバイスは、クレデンシャルをすでに受信し、認証しており、ユーザーに対してアクセスを許可または拒否している。ユーザーがデバイスに到達したとき、デバイスを作動させるためにユーザーからのさらなるアクションは必要とされない（たとえば、ユーザーが、物理的なカードをアクセスデバイスに近接させる必要がない）。

しかしながら、ＢＬＥを介してクレデンシャルを交換するこれらの他の手法は、別の問題を導入する。すなわち、ＢＬＥ通信プロトコルの範囲内に複数のアクセスデバイスが存在する場合、クレデンシャルは、ユーザーが作動させることを意図していないデバイスと交換され得る。例えば、ユーザーがアクセスするためのクレデンシャルを有するユーザーのモバイルデバイスの範囲内に複数の電子ドアロックが存在する場合がある。しかしながら、ユーザーは、複数の電子ドアロックのうちの１つの電子ドアロックをアンロックするかまたは作動させることのみを意図する場合がある。別の例として、ユーザーは、ユーザーがアクセスする権限を付与されている所与のドアまたはアクセス制御デバイスのそばを通り過ぎることがあるが、所与のドアまたはアクセス制御デバイスを通過するかまたは作動させることを意図していない場合がある。そのような場合、ユーザーの軌跡を特定することは、複数の正しいアクセスデバイスのうちのどのアクセスデバイスを作動させるか、およびそのようなデバイスを作動させることに関するユーザーの意図を判定することに重要な役割を果たすことができる。

典型的な軌跡予測システムは、数ステップ（a few steps）の観測された軌跡を入力として受け取り、将来のタイムライン内のいくつかの連続する位置を生成する。これらの典型的な軌跡予測システムは、ユーザーの移動経路内にあると予測される一組の軌跡を提供することができる。将来の軌跡予測の従来および現在の方法のほとんどは、多くのユーザーのための予測に対処することになる１つのモデルを構築することを目的としている。このようなアプローチは、人間の動きが本質的に固有であり且つ動的であるため、非常に制限される。また、あるユーザーが電話機を保持する方法は、別のユーザーが電話機を保持する方法とは非常に異なる可能性がある。例えば、一部のユーザーは、モバイルデバイスを手に持つことを好む。これは、そのようなユーザーが歩くとき、腕を振り、それによってモバイルデバイスを前後に変位させるため、二次元（２Ｄ）または三次元（３Ｄ）位置座標のノイズが非常に多いことを意味する。他のユーザーは、前部ポケットまたは後部ポケットに電話機を有し得る。また、ユーザーの身長または歩行についての自身の一般的な選好に基づいて、ユーザーは歩幅に差を有する。したがって、ユーザーの位置に依存する典型的な軌跡予測システムは、概して、複数の将来軌跡を予測するのにうまく機能するが、それらは、典型的に、ユーザー特異性を考慮せず、したがって、精度要件を欠いており、クレデンシャル交換およびアクセスデバイスの制御の場合にそれらが正確に適用されることを妨げる。

開示された複数の実施形態は、アクセス制御システムが高いセキュリティを維持しながら、ユーザーに対してプロアクティブ（proactive）でシームレスな体験を提供することができるように、ユーザーの複数の将来位置を正確に予測し、ユーザーの意図を判定することができるインテリジェントな解決策を提供する。開示される複数の実施形態は、過去および現在のユーザー挙動情報にも基づいてユーザーの軌跡を予測する軌跡予測システムを提供する。予測軌跡または所与の一組の予測軌跡およびユーザー挙動情報に基づいて、所与のアクセスデバイスが軌跡の範囲内にあり、（ＢＬＥを介してなど、クレデンシャルの長距離での交換によって決定されるように）ユーザーがアクセスの権限を付与されている場合、所与のアクセスデバイスを作動させる。一例として、所与のアクセスデバイス（例えば、ドアロック）は、最初に、特定の通信プロトコル（例えば、ＢＬＥ）を介してユーザーのモバイルデバイスと通信して、権限付与データ（例えば、クレデンシャル）を交換することができる。次いで、所与のアクセスデバイスが、ユーザーの予測された軌跡の範囲内にあると判定され、ユーザーが、通常、現在の日／時間帯にそのデバイスにアクセスするかもしくはそのデバイスを作動させるか、またはユーザーの近傍にある別のデバイスよりもそのデバイスを作動させる選好を有する場合、所与のアクセスデバイスは、作動するように命令される（例えば、ドアロックが解錠される）。このようにして、ユーザーが所与のアクセスデバイスに到達すると、所与のアクセスデバイスは、ユーザーがアクセスカードを所与のアクセスデバイスに近接させる必要なしに作動する準備ができている。

いくつかの実施形態では、開示される複数の実施形態は、軌跡および意図予測に基づいて長距離アクセス制御を実行するシステムおよび方法を提供する。開示される複数の実施形態によれば、ユーザーの観測された軌跡およびユーザーについてのユーザー挙動情報が受信される。開示された複数の実施形態は、機械学習技法によって観測軌跡を処理して複数の予測軌跡を生成する。機械学習技法は、複数の訓練観測軌跡（training observed trajectories）と複数の訓練予測軌跡（training predicted trajectories）との間の関係を確立するように訓練されることができる。開示される複数の実施形態は、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて複数の予測軌跡を調整する。開示される複数の実施形態は、ターゲットアクセス制御デバイスが複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、ターゲットアクセス制御デバイスに関連付けられた処理を実行する。

図１は、様々な例示的な実施形態による例示的なシステム１００を示すブロック図である。システム１００は、クライアントデバイス１２０と、ロック可能なドアなどを通して保護されるアセット（資産：asset）またはリソース（資源：resource）へのアクセスを制御する１つまたは複数のアクセス制御デバイス１１０と、ネットワーク１３０（たとえば、インターネット、ＢＬＥ、超広帯域（UWB : ultra-wideband）通信プロトコル、電話ネットワーク）を介して通信可能に結合された認証管理システム１４０とを含むアクセス制御システムであり得る。

超広帯域（UWB : Ultra-wide band）は、広い周波数スペクトルにわたって低いパワーの短いパルスを使用する無線周波数（RF : radio frequency）技法である。複数のパルスは、１秒あたり数百万のオーダーの個別パルスである。周波数スペクトルの幅は、一般に５００メガヘルツを超えるか、または演算中心周波数（arithmetic center frequency）の２０パーセントを超える。

ＵＷＢは、時間変調（例えば、パルス位置符号化）を用いてデータを符号化すること等により通信に用いることができる。ここで、複数のシンボルは、利用可能な一組の単位時間のうち、一部の単位時間における複数のパルスにより指定される。ＵＷＢ符号化の他の例は、振幅変調及び／又は極性変調を含み得る。広帯域送信は、キャリア利用送信技術よりもマルチパス減衰に耐性を有する傾向がある。更に、パルスの出力が任意の所与の周波数で弱いため、キャリア利用通信技術との干渉が減少する傾向がある。

ＵＷＢは、数十センチメートル単位の正確度で位置推定（localization）を行い得るレーダー動作で利用できる。パルスでは異なる周波数の吸収及び反射が変化する可能性があるため、物体の表面及び遮蔽された（例えば、覆われた）特徴の両方を検知することができる。いくつかのケースにおいて、位置推定により距離に加え、入射角も得られる。

クライアントデバイス１２０および複数のアクセス制御デバイス１１０は、電子メッセージ（たとえば、インターネット、ＢＬＥ、ＵＷＢ、ＷｉＦｉ ｄｉｒｅｃｔ、または任意の他のプロトコルを介して交換されるパケット）を用いて通信可能に結合され得る。図１は、単一のアクセス制御デバイス１１０および単一のクライアントデバイス１２０を示しているが、他の実施形態では、複数のアクセス制御デバイス１１０および複数のクライアントデバイス１２０がシステム１００に含まれ得ることが理解される。本明細書で使用される場合、「クライアントデバイス」という用語は、アクセス制御デバイス１１０によって保護されたアセットまたはリソースへのアクセスを取得するために、アクセス制御デバイス１１０、認証管理システム１４０、別のクライアントデバイス１２０、または任意の他の構成要素とクレデンシャルを交換するために、通信ネットワーク（ネットワーク１３０など）にインタフェースする任意の機械を指すことができる。クライアントデバイス１２０は、ＵＷＢを使用して位置情報を取得し、クライアントデバイス１２０の現在の軌跡を計算することができる。

一実施形態では、クライアントデバイス１２０は、現在の軌跡情報を認証管理システム１４０に供給することができる。いくつかの実施形態では、アクセス制御デバイス１１０は、クライアントデバイス１２０の現在の軌跡を決定し、そのような情報を認証管理システム１４０に供給することができる。クライアントデバイス１２０は（単独で、またはアクセス制御デバイス１１０と組み合わせて）、クライアントデバイス１２０のユーザーから様々なユーザー挙動情報を収集する。そのようなユーザー挙動情報は、ユーザーの物理的移動、ユーザーの歩幅、ユーザーが異なるタイプのアクセス制御デバイス１１０を作動させる時間帯および場所、ならびに所与のアクセス制御デバイスがユーザーによって作動されるときのユーザーの範囲内の他のクライアントデバイスまたは複数のタイプのアクセス制御デバイスのうちのいずれかの１つ以上を含むことができる。様々なユーザー挙動情報は、認証管理システム１４０によって記憶および／または収集され得る。いくつかの実施形態では、クライアントデバイス１２０は（単独で、またはアクセス制御デバイス１１０と組み合わせて）、クライアントデバイス１２０の物理的移動および／またはユーザーの歩幅を監視することによって、この情報を収集する。いくつかの実装形態では、ユーザー挙動情報の少なくともいくつかは、クライアントデバイス１２０（単独で、またはアクセス制御デバイス１１０と組み合わせて）および／または認証管理システム１４０によって収集される。認証管理システム１４０は、ユーザーが、ユーザーのプライバシーを保持するために、収集したユーザー挙動情報の一部または全部をオプトインまたはオプトアウトすることを可能にする。

いくつかの場合では、認証管理システム１４０の構成要素および機能の一部または全部をクライアントデバイス１２０に含めることができる（たとえば、認証管理システム１４０に関して説明された機械学習技法のいずれかをそれぞれのクライアントデバイス１２０上で実装することができる）。システム１００において軌跡および意図予測を実行する任意の構成要素は、認証管理システム１４０、クライアントデバイス１２０、またはアクセス制御デバイス１１０のうちのいずれか１つのスタンドアロン構成要素として実装され得る。システム１００において軌跡および意図予測を実行する任意の構成要素の複数の機能は、認証管理システム１４０、クライアントデバイス１２０、および／またはアクセス制御デバイス１１０の任意のものにわたって分散された方法で実装されてもよい。

認証管理システム１４０は、現在の軌跡に基づいて機械学習技法を使用して１つまたは複数の軌跡を予測する。認証管理システム１４０はまた、ユーザー挙動情報を受信または取得し、ユーザー挙動情報に基づいて、予測された１つまたは複数の軌跡を調整する（たとえば、認証管理システム１４０は、予測された軌跡をユーザー挙動情報と結び付ける（concatenates））。いくつかの実装形態では、認証管理システム１４０は、機械学習技法を使用して、ユーザーに関連付けられたユーザー挙動情報に基づいて特徴ベクトルを計算する。いくつかの実装形態では、認証管理システム１４０は、入力された現在の軌跡および入力されたユーザー挙動情報に機械学習モデルを適用して、１つまたは複数の軌跡の予測を生成する。各軌跡は、ユーザーがその軌跡をたどる経路をとる特定の確率または所与の確率に関連付けられ得る。認証管理システム１４０は、最も高い確率を有する予測軌跡を特定する。次いで、認証管理システム１４０は、所与のアクセス制御デバイス１１０が、特定された予測軌跡の指定された範囲内にあるか否かを判定する。そうである場合、認証管理システム１４０は、所与のアクセス制御デバイス１１０に、アクセスを許可するか、または動作を実行するように命令し、そうでない場合、認証管理システム１４０は、（ユーザーがアクセスする権限を付与されている）所与のアクセス制御デバイス１１０に、アクセスを拒否させるか、または動作を実行させないように命令する。

クライアントデバイス１２０は、携帯電話、デスクトップコンピュータ、ラップトップ、携帯情報端末（ＰＤＡ）、スマートフォン、ウェアラブルデバイス（たとえば、スマートウォッチ）、タブレット、ウルトラブック、ネットブック、ラップトップ、マルチプロセッサシステム、マイクロプロセッサベースもしくはプログラマブル家電、またはユーザーがネットワークにアクセスするべく使用し得る任意の他の通信デバイスであってもよいが、それらに限定されるものではない。

アクセス制御デバイス１１０は、物理リソース（例えば、ドアロック機構またはバックエンドサーバー）に接続され、物理リソース（例えば、ドアロック機構）を制御するアクセス読取デバイスを含むことができる。アクセス制御デバイス１１０に関連付けられた物理リソースは、ドアロック、車両のイグニッションシステム（ignition system）、または物理コンポーネントへのアクセスを許可または拒否し、物理コンポーネントへのアクセスを許可または拒否するように動作することができる任意の他のデバイスを含むことができる。例えば、ドアロックの場合、アクセス制御デバイス１１０は、アクセスを拒否することができ、この場合、ドアロックはロックされたままであり、ドアを開けることができないか、または、アクセス制御デバイス１１０は、アクセスを許可することができ、この場合、ドアロックはアンロックされてドアを開けることができる。別の例として、イグニッションシステムの場合、アクセス制御デバイス１１０は、アクセスを拒否することができ、この場合、車両イグニッションシステムは無効化されたままであり、車両を始動させることができず、または、アクセス制御デバイス１１０は、アクセスを許可することができ、この場合、車両イグニッションが有効化されて車両を始動させることができる。

アクセス制御は、セキュリティ保護された領域またはアセットへの、例えば人々によるアクセスを管理するためのシステムおよび方法の範囲をカバーする。アクセス制御は、権限を付与されたユーザーまたはデバイス（例えば、車両、ドローンなど）の識別と、ゲート、ドア、もしくはエリアを保護するために使用される他の設備の作動、または制御機構、例えば、物理的もしくは電子的／ソフトウェア制御機構の作動を含み、セキュリティ保護されたアセットへのアクセスを可能にする。アクセス制御デバイス１１０は、複数のアクセス制御システムの一部（PACS : part of access control systems）を形成し、ＰＡＣＳは、権限付与データを保持する読取機（例えば、オンラインまたはオフライン読取機）を含むことができ、（例えば、カード、フォブ、または携帯電話などのパーソナル電子デバイス内の無線周波数識別（ＲＦＩＤ）チップなどのクレデンシャルデバイスまたはキーデバイスからの）複数のクレデンシャルがアクチュエータまたは制御機構（例えば、ドアロック、ドア開閉機、ソフトウェア制御機構、警報をオフにすることなど）について権限を付与されているか否かを判定することができ、またはＰＡＣＳは、読取機およびアクチュエータが中央管理構成（centrally managed configuration）において（例えば、コントローラを介して）接続されているホストサーバーを含むことができる。中央管理構成では、読取機は、クレデンシャルまたはキーデバイスからクレデンシャルを取得し、それらのクレデンシャルをＰＡＣＳホストサーバーに渡すことができる。次いで、ホストサーバーは、クレデンシャルがセキュリティ保護された領域またはアセットにアクセスする権限を付与するか否かを判定し、それに応じてアクチュエータまたは他の制御機構に命令する。本明細書では物理アクセス制御の複数の例が使用されるが、本開示は、論理アクセス制御システム（LACS : logical access control system）の使用事例（たとえば、パーソナル電子デバイスへの論理アクセス、輸送サービスにおける乗客識別、無人決済店舗におけるアクセスおよびアセット制御など）に等しく適用される。

例えば、読取機とクレデンシャルまたはキーデバイスとの間の無線通信を利用する無線ＰＡＣＳは、ＩＥＥＥ ８０２．１５．１、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＢＬＥ（Bluetooth Low Energy）、近距離無線通信（NFC : near field communications）、ＺｉｇＢｅｅ、ＧＳＭ、ＣＤＭＡ、Ｗｉ－ＦｉなどのＲＦＩＤまたはパーソナルエリアネットワーク（PAN : personal area network）技術を使用することができる。これらの技術の多くには、シームレスなユーザー体験（user experience）についてのいくつかの欠点がある。たとえば、ＮＦＣの範囲が非常に短いため、通常、ユーザーがセキュリティ保護された領域またはアセットに非常に近くにいてアクセス許可を得ようと試みるまで、クレデンシャルの交換は行われない。読取機へのクレデンシャルの転送及び読取機またはホストサーバーによる応答には数秒を要する場合があり、ユーザーがフラストレーションを感じる結果となる。更に、ユーザーは通常、処理を開始するために例えば、ポケットからデバイスを取り出して、読取機又はその近傍に配置する必要がある。

一方、ＢＬＥデバイスは、数十メートル（たとえば、１０～２０メートル）の範囲を有する。従って、ユーザーが読取機に接近すると、クレデンシャル交換を実行することができる。ただし、ＢＬＥや多くの他のＰＡＮ標準は、デバイスの正確な物理的な追跡（トラッキング）（例えば、測距、位置特定等）を提供しない。従って、ユーザーの意図がセキュリティ保護された領域またはアセットに実際にアクセスすることであるか否かを読取機が更なる意図の根拠無しに判定するのは困難な場合がある。例えば、権限を付与されたユーザーがホール内で読取機を通り過ぎているだけで、ドアのロックがアンロックされたり、ドアが開かれたりした場合には問題がある。意図の根拠は、ドアノブに触れること、キーデバイスを弄る（gesturing）こと等を含んでいてもよい。しかし、これは、ユーザー側でそれ以上のアクションや対話を行わずに、ユーザーが単に読取機まで歩いて行ってセキュリティ保護された領域へのアクセス許可を得る場合と比較して理想的なユーザー体験とはいえないであろう。

これらの問題または他の問題の１つまたは複数に対処するために、（例えば、セキュリティ保護されたＵＷＢ測距を用いる）位置推定技術を用いることができ、且つＰＡＮ発見およびキー交換と組み合わせることができる。ＵＷＢの位置推定技術は、いくつかの従来の技術よりも正確であり得、且つ例えば数十センチメートル単位の正確度が得られる。ＵＷＢ位置推定技術は、読取機に対するクレデンシャルまたはキーデバイスの範囲及び方向の両方を提供し得る。この正確度は、読取機同士が連携していない場合のＢＬＥ等の約１０メートルの正確度を遙かに凌ぐ。ＵＷＢの正確度の精度によって、ユーザーの意図（例えば、ユーザーがセキュリティ保護された領域またはアセットにアクセスすることを試みているのか、または単に通り過ぎているのか）およびユーザーの現在の軌跡または予測された軌跡をシームレスに判定するのに役立つツールとなり得る。例えば、ユーザーの意図を異なる観点から理解するべく、例えば、読取機の近傍に、読取機において等、いくつかのゾーンを規定してもよい。追加的にまたは代替的に、追跡（トラッキング）の正確度は、ユーザーの動きまたはユーザーの動きの方向から意図を識別できる正確なモデルを提供するのに役立つ。従って、読取機はユーザーの動きを、例えば、読取機に接近している可能性が高いか、又は単に歩いて通り過ぎている等に分類することができる。

意図トリガーが生じると、読取機は、たとえばＰＡＮ技術を介して交換されたクレデンシャルに基づいて動作し得る。オフライン読取機、例えば、コントロールパネルまたはホストサーバーに接続されていない読取機の場合、読取機は、アクチュエータまたは他の制御機構（例えば、接続されていないドアのロック）を直接制御し得る。集中管理されたＰＡＣＳにおいて、（オンライン）読取機は、作用するコントロールパネルまたはホストサーバーにクレデンシャルを転送してもよい。

概して、アクセス制御デバイス１１０は、メモリ、プロセッサ、１つまたは複数のアンテナ、通信モジュール、ネットワークインタフェースデバイス、ユーザーインタフェース、および電源または電源回路のうちの１つ以上を含むことができる。

アクセス制御デバイス１１０のメモリは、アクセス制御デバイス１１０のプロセッサによるアプリケーションプログラミングまたは命令の実行に関連して、およびプログラム命令または命令セットおよび／またはクレデンシャルデータ、クレデンシャル権限付与データ、またはアクセス制御データまたは命令等のクレデンシャルまたは権限付与データの一時的または長期の記憶のために使用されることができる。例えば、メモリは、アクセス制御デバイス１１０の他のコンポーネントを動作させるため、および／またはクレデンシャルまたは権限付与データに基づいてアクセス決定を行うためにプロセッサによって使用される実行可能命令を含むことができる。アクセス制御デバイス１１０のメモリは、アクセス制御デバイス１１０によってまたはそれに関連して使用されるデータ、プログラムコード、または命令を含み、格納し、通信し、または転送し得る任意の媒体であり得るコンピュータ可読媒体を含むことができる。コンピュータ可読媒体は、例えば、これらに限定されないが、電子、磁気、光学、電磁気、赤外線、または半導体のシステム、装置、またはデバイスであり得る。適切なコンピュータ可読媒体のより具体的な例は、１つまたは複数のワイヤを有する電気接続、またはポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、ダイナミックＲＡＭ（ＤＲＡＭ）、任意の固体ストレージデバイス、一般的なコンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、または他の光学または磁気ストレージデバイスなどの有形の記憶媒体を含むが、これらに限定されない。コンピュータ可読媒体は、これと混同されるべきではないが、コンピュータ可読媒体のすべての物理的、非一時的、または類似の実施形態をカバーすることを意図としたコンピュータ可読記憶媒体を含む。

アクセス制御デバイス１１０のプロセッサは、１つまたは複数のコンピュータ処理デバイスまたはリソースに対応することができる。例えば、プロセッサは、シリコンとして、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、任意の他のタイプの集積回路（ＩＣ）チップ、ＩＣチップの集合などとして提供されることができる。より具体的な例として、プロセッサは、マイクロプロセッサ、中央処理装置（ＣＰＵ）、またはアクセス制御デバイス１１０の内部メモリおよび／またはメモリに格納された命令セットを実行するように構成された複数のマイクロプロセッサまたはＣＰＵとして提供され得る。アクセス制御デバイスはまた、アンテナを有するかまたは有しない複数の検知デバイスをカプセル化する（encapsulate）。

アクセス制御デバイス１１０のアンテナは、１つまたは複数のアンテナに対応することができ、アクセス制御デバイス１１０とクレデンシャルデバイスまたはキーデバイス（たとえば、クライアントデバイス１２０）との間の無線通信を提供するように構成され得る。アンテナは、ＩＥＥＥ ８０２．１５．１、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）、近距離無線通信（ＮＦＣ）、ＺｉｇＢｅｅ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ、Ｗｉ－Ｆｉ、ＲＦ、ＵＷＢ等を含むが、これらに限定されない１つまたは複数の無線通信プロトコルおよび動作周波数を使用して動作するように構成され得る。例として、１つまたは複数のアンテナは、１つまたは複数のＲＦアンテナであり得、したがって、自由空間を介してＲＦ送受信機を有するクレデンシャルまたはキーデバイスによって受信／転送されるＲＦ信号を送信／受信することができる。いくつかの例では、少なくとも１つのアンテナは、読取機がＵＷＢ技術を使用してクライアントデバイス１２０と通信できるように、ＵＷＢ信号を送信および／または受信するように設計または構成されたアンテナ（本明細書では簡単に「ＵＷＢアンテナ」と呼称する）である。

アクセス制御デバイス１１０の通信モジュールは、任意の適切な通信プロトコルに従って、１つまたは複数のクライアントデバイス１２０および／または認証管理システム１４０等のアクセス制御デバイス１１０に対して遠隔またはローカルのいずれかである１つまたは複数の異なるシステムまたはデバイスと通信するように構成されることができる。

アクセス制御デバイス１１０のネットワークインタフェースデバイスは、いくつかの転送プロトコル（例えば、フレームリレー、インターネットプロトコル（ＩＰ）、送信制御プロトコル（ＴＣＰ）、ユーザーデータグラムプロトコル（UDP : user datagram protocol）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）など）のいずれか１つを利用して、ネットワーク１３０等の通信ネットワークを介して、１つまたは複数のクライアントデバイス１２０および／または認証管理システム１４０等の他のデバイスとの通信を可能にするハードウェアを含む。例示用の通信ネットワークは、ローカルエリアネットワーク（LAN : Local Area Network）、ワイドエリアネットワーク（WAN : Wide Area Network）、パケットデータネットワーク（例えば、インターネット）、携帯電話ネットワーク（例えば、セルラーネットワーク）、ＰＯＴＳ（Plain Old Telephone）ネットワーク、無線データネットワーク（例えば、Ｗｉ－Ｆｉ（登録商標）と呼称されるＩＥＥＥ８０２．１１規格ファミリー、ＷｉＭａｘ（登録商標）と呼称されるＩＥＥＥ８０２．１６規格ファミリー）、ＩＥＥＥ８０２．１５．４規格ファミリー、及びピアツーピア（Ｐ２Ｐ）ネットワークなどを含みうる。いくつかの例では、ネットワークインタフェースデバイスは、イーサネット（登録商標）ポートまたは他の物理ジャック、Ｗｉ－Ｆｉカード、ネットワークインタフェースカード（NIC : Network Interface Card）、セルラーインタフェース（例えば、アンテナ、フィルター、および関連する回路）などを含むことができる。いくつかの例において、ネットワークインタフェースデバイスは、単一入力複数出力（SIMO : Single-Input Multiple-Output）、複数入力複数出力（MIMO : Multiple-Input Multiple-Output）、又は複数入力単一出力（ＭＩＳＯ（Multiple Input Single Output）技法の少なくとも１つを使用して無線通信するべく、複数のアンテナを含み得る。

アクセス制御デバイス１１０のユーザーインタフェースは、１つまたは複数の入力デバイスおよび／または表示デバイスを含むことができる。ユーザーインタフェースに含まれ得る適切なユーザー入力デバイスの例は、１つまたは複数のボタン、キーボード、マウス、タッチセンシティブ面（touch-sensitive surface）、スタイラス（stylus）、カメラ、マイクロフォンなどを含むが、これらに限定されない。ユーザーインタフェースに含まれ得る適切なユーザー出力デバイスの例は、１つまたは複数のＬＥＤ、ＬＥＤパネル、ディスプレイ画面、タッチスクリーン、１つまたは複数のライト、スピーカーなどを含むが、これらに限定されない。ユーザーインタフェースはまた、タッチセンシティブディスプレイなどのような、組み合わされたユーザー入力及びユーザー出力デバイスを含むことができることを理解されたい。

ネットワーク１３０は、アドホックネットワーク、イントラネット、エクストラネット、仮想プライベートネットワーク（ＶＰＮ）、ＬＡＮ（local area network）、無線ネットワーク、無線ＬＡＮ（ＷＬＡＮ）、ＷＡＮ（wide area network）、無線ＷＡＮ（ＷＷＡＮ）、大都市圏ネットワーク（ＭＡＮ）、ＢＬＥ、ＵＷＢ、インターネット、インターネットの一部、公衆交換電話網（ＰＳＴＮ）の一部、ＰＯＴＳ（plain old telephone service）ネットワーク、セルラー電話ネットワーク、無線ネットワーク、Ｗｉ－Ｆｉ（登録商標）ネットワーク、別のタイプのネットワーク、または２つ以上のこのようなネットワークの組み合わせを含むか、またはこれらとともに動作し得る。例えば、ネットワークまたはネットワークの一部は、無線またはセルラーネットワークを備えてもよく、結合は、符号分割多重アクセス（ＣＤＭＡ）接続、移動通信用グローバルシステム（ＧＳＭ（登録商標））接続、または他のタイプのセルラーまたは無線結合であってもよい。この例では、結合は、シングルキャリア無線伝送技術（１ｘＲＴＴ）、進化データ最適化（ＥＶＤＯ）技術、一般パケット無線サービス（ＧＰＲＳ）技術、ＧＳＭ（登録商標）進化のための拡張データレート（ＥＤＧＥ）技術、３Ｇを含む第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））、第４世代無線（４Ｇ）ネットワーク、第５世代無線（５Ｇ）ネットワーク、ＵＭＴＳ（Universal Mobile Telecommunications System）、ＨＳＰＡ（High Speed Packet Access）、ＷｉＭＡＸ（Worldwide Interoperability for Microwave Access）、ＬＴＥ（Long Term Evolution）規格、各種標準化団体が定めた他のもの、他の短距離もしくは長距離プロトコル、様々なタイプのデータ転送技術、などのいずれかを実装してもよい。

一例では、クライアントデバイス１２０がアクセス制御デバイス１１０に接近する（たとえば、ＢＬＥ通信プロトコルの範囲内に入る）と、クライアントデバイス１２０は、ネットワーク１３０を介してクライアントデバイス１２０のクレデンシャルを送信する。いくつかの場合では、クレデンシャルは、クライアントデバイス１２０の現在の地理的位置に基づいて複数のクレデンシャルから選択され得る。例えば、異なる地理的位置にそれぞれ関連付けられた複数のクレデンシャルをクライアントデバイス１２０に格納することができる。クライアントデバイス１２０が、複数のクレデンシャルのうちの１つに関連付けられた地理的位置から特定の距離内（例えば、１０メートル以内）に入ると、クライアントデバイス１２０は、関連付けられたクレデンシャルをローカルメモリから取り出す。

一例では、クライアントデバイス１２０は、クレデンシャルをアクセス制御デバイス１１０に直接的に供給する。そのような場合、アクセス制御デバイス１１０は、クレデンシャルを認証管理システム１４０と通信する。図１の認証管理システム１４０は、認証システム１４２と、軌跡および意図予測システム１４４とを含む。認証管理システム１４０は、プロセッサによって実行されたときにプロセッサに認証管理システム１４０の複数の機能を制御させる複数の命令を記憶したプロセッサおよびメモリなど、図６および図７に関して説明される複数の構成要素をさらに含むことができる。

認証管理システム１４０は、認証システム１４２に記憶されたクレデンシャルのリストを検索して、受信したクレデンシャルが、アクセス制御デバイス１１０によって保護するセキュリティ保護されたアセットまたはリソース（例えば、ドアまたはセキュリティ保護された領域）にアクセスする権限を付与されたクレデンシャルのリストからの複数のクレデンシャルと一致するか否かを判定する。受信したクレデンシャルがアクセス制御デバイス１１０にアクセスする権限を付与されていると判定したことに応答して、認証管理システム１４０は、軌跡および意図予測システム１４４にアクセスして、以下でより詳細に説明されるように、クライアントデバイス１２０の軌跡がアクセス制御デバイス１１０の指定された範囲（たとえば、２メートル）内にあると予測されるか否か、ならびにユーザー挙動情報が、所与の軌跡をたどるおよび／または所与のアクセス制御デバイス１１０を作動させるユーザーの意図を示すか否かを判定する。軌跡および意図予測システム１４４が、クライアントデバイス１２０がアクセス制御デバイス１１０の指定された範囲内にある軌跡をたどると予測されること、およびユーザー挙動情報がデバイス１１０にアクセスまたはデバイス１１０を作動させるユーザー意図を示すことを認証管理システム１４０に対して示すと、認証管理システム１４０は、クライアントデバイス１２０についてのアクセスを許可する動作を実行するようにアクセス制御デバイス１１０に命令する（たとえば、ドアのロックをアンロックするようにアクセス制御デバイスに命令する）。

別の例では、クライアントデバイス１２０は、クレデンシャルを認証管理システム１４０に供給する。認証管理システム１４０は、認証システム１４２に記憶されたクレデンシャルのリストを検索して、受信した複数のクレデンシャルが、アクセス制御デバイス１１０によって保護されたセキュリティ保護されたアセットまたはリソース（例えば、ドアまたはセキュリティ保護された領域）にアクセスする権限を付与されたクレデンシャルのリストからの複数のクレデンシャルと一致するか否かを判定する。受信した複数のクレデンシャルがアクセス制御デバイス１１０にアクセスする権限を付与されていると判定したことに応答して、認証管理システム１４０は、軌跡および意図予測システム１４４にアクセスして、クライアントデバイス１２０の軌跡がアクセス制御デバイス１１０の指定された範囲（たとえば、２メートル）内にあると予測されるか否か、ならびにユーザー挙動情報が、以下でより詳細に説明されるように、所与の軌跡をたどるおよび／または所与のアクセス制御デバイス１１０を作動させるユーザーの意図を示すか否かを判定する。軌跡および意図予測システム１４４が、クライアントデバイス１２０がアクセス制御デバイス１１０の指定された範囲内にある軌跡をたどると予測されること、およびユーザー挙動情報が所与の軌跡をたどる、および／または所与のアクセス制御デバイス１１０を動作させるユーザー意図を示すことを認証管理システム１４０に対して示すと、認証管理システム１４０は、クライアントデバイス１２０へのアクセスを許可する動作を実行するように（受信したクレデンシャルに関連付けられ、クライアントデバイス１２０の地理的距離内にある）アクセス制御デバイス１１０に命令する（たとえば、ドアのロックをアンロックするようにアクセス制御デバイスに命令する）。

一例では、軌跡および意図予測システム１４４は、アクセス制御デバイス１１０上にローカルに実装される。そのような事例では、アクセス制御デバイス１１０は、ハードコーディングされた（hard coded）範囲または閾値距離情報に基づいて、クライアントデバイス１２０についてアクセスを許可／拒否することをローカルで判定する。別の例では、軌跡および意図予測システム１４４は、クライアントデバイス１２０上に実装され、軌跡および意図予測をアクセス制御デバイス１１０に提供する。次いで、アクセス制御デバイス１１０は、クライアントデバイス１２０がアクセス制御デバイス１１０に関連付けられた範囲内にあるかどうかを判定して、クライアントデバイス１２０についてアクセスを許可／拒否する。

軌跡および意図予測システム１４４は、認証管理システム１４０によって実装される１つまたは複数の機械学習技法を訓練して、観測軌跡および一組のユーザー挙動情報に基づいてクライアントデバイス１２０についての１つまたは複数の軌跡を予測する。

一実施形態では、軌跡および意図予測システム１４４は、ユーザーの現在の軌跡を示す特徴ベクトルを受信し、一組のユーザー挙動情報に基づいて１つまたは複数の予測軌跡の予測を調整する第１の機械学習技法を実装する。予測軌跡は、ユーザーが予測軌跡の範囲内にあるアクセス制御デバイスを作動させることを意図しているか否かに関する予測を示す意図予測機械学習技法に入力される。

別の実施形態では、軌跡および意図予測システム１４４は、ユーザーの現在の軌跡を示す特徴ベクトルを受信し、現在の軌跡に基づいて１つまたは複数の軌跡を予測する第１の機械学習技法を実装する。予測された１つまたは複数の軌跡は、ユーザー挙動情報を示す特徴ベクトルと結び付けられるか、または他の方法で組み合わされる。いくつかの事例では、ユーザー挙動情報を示す特徴ベクトルは、別の機械学習技法によって決定または提供される。ユーザー挙動情報を示す特徴ベクトルに結び付けられた予測軌跡は、ユーザーが予測軌跡の範囲内にあるアクセス制御デバイスを作動させることを意図しているか否かに関する予測を示す意図予測機械学習技法に入力される。

別の実施形態では、軌跡および意図予測システム１４４は、ユーザーの現在の軌跡を示す特徴ベクトルおよびユーザー挙動情報を示す特徴ベクトルを受信し、現在の軌跡およびユーザー挙動情報を示す特徴ベクトルに基づいて１つまたは複数の軌跡を予測する第１の機械学習技法を実装する。いくつかの事例では、予測された１つまたは複数の軌跡も、ユーザー挙動情報を示す特徴ベクトルと結び付けられるか、または他の方法で組み合わされる。いくつかの事例では、ユーザー挙動情報を示す特徴ベクトルは、別の機械学習技法によって決定または提供される。ユーザー挙動情報を示す特徴ベクトルに結び付けられた予測軌跡は、ユーザーが予測軌跡の範囲内にあるアクセス制御デバイスを作動させることを意図しているか否かに関する予測を示す意図予測機械学習技法に入力される。

軌跡および意図予測システム１４４は、機械学習技法を訓練するために、訓練する観測された現在の軌跡および／またはユーザー挙動情報と、対応するグラウンドトゥルース軌跡（ground-truth trajectories）およびユーザー挙動情報との複数のペアを処理する。グラウンドトゥルース軌跡は、１つ以上の観測軌跡の後に続く後続の複数の軌跡を表す。例えば、グラウンドトゥルース軌跡は、軌跡の第１の区間（セグメント）に続く軌跡の第２の区間を示す。グラウンドトゥルースユーザー挙動情報は、ユーザー挙動情報の入力データセットに存在するおよび／またはそこから欠落している特徴の集合を含む特徴ベクトルを示す。

開示される複数の機械学習技法は、長期短期記憶ニューラルネットワーク（LSTM : Long-Short Term Memory Neural Networks）、オートエンコーダ（autoencoder）、変分オートエンコーダ（variational auto-encoder）、条件付き変分オートエンコーダ（conditioned variational auto-encoder）、畳み込みニューラルネットワーク、ラジアル基底ネットワーク、ディープフィードフォワードネットワーク、リカレントニューラルネットワーク、ゲート付きリカレントユニット（gated recurrent unit）、ノイズ除去オートエンコーダ、スパースオートエンコーダ（sparse autoencoder）、マルコフ連鎖、ホップフィールドネットワーク、ボルツマンマシン、ディープビリーフネットワーク、ディープ畳み込みネットワーク、デコンボリューションニューラルネットワーク、敵対的生成ネットワーク、液体状態マシン、極限学習マシン、エコー状態ネットワーク、ディープ残差ネットワーク、サポートベクターマシン、Ｋｏｒｈｏｎｅｎネットワーク、またはそれらの任意の組合せなどのニューラルネットワークの任意の組合せによって実装され得る。

軌跡および意図予測システム１４４は、アクセス制御デバイス１１０の起動または動作の指定範囲を取得する。例えば、軌跡および意図予測システム１４４は、アクセス制御デバイス１１０の固有の識別子を取得し、データベース４００（図４）に記憶された１つまたは複数のアクセス制御デバイス範囲（access control devices range(s)）４３０を検索して、アクセス制御デバイス１１０の固有の識別子に関連付けられた範囲を特定し、読み出す。異なる複数のアクセス制御デバイス１１０または複数のタイプのアクセス制御デバイス１１０は、異なる範囲の起動または作動と関連付けられることができ、各々は、１つまたは複数のアクセス制御デバイス範囲４３０内にそのそれぞれの固有の識別子とともに記憶される。いくつかの事例では、１つまたは複数のアクセス制御デバイス範囲４３０は、それぞれの範囲とともにデバイスタイプを格納する。そのような状況では、デバイスタイプは、固有の識別子ではなく、１つまたは複数のアクセス制御デバイス範囲４３０から関連付けられた範囲を読み出すために使用される。軌跡および意図予測システム１４４は、予測された軌跡がアクセス制御デバイス１１０の指定された範囲内に入るか否か、および意図予測がアクセス制御デバイス１１０を作動させるユーザー意図を示すか否かを判定する。そうである場合、軌跡および意図予測システム１４４は、クライアントデバイス１２０へのアクセスを許可するために、アクセス制御デバイス１１０が起動または作動するように認証管理システム１４０に命令する。

別の例では、軌跡および意図予測システム１４４は、アクセス制御デバイス１１０上にローカルに実装される。そのような事例では、アクセス制御デバイス１１０は、起動の対応する範囲（たとえば、アクセス制御デバイス１１０についてのアクセス制御デバイス範囲４３０に記憶された範囲）を用いてハードプログラミングされる（hard programmed）。アクセス制御デバイス１１０上に実装された軌跡および意図予測システム１４４は、予測軌跡がハードコーディングされた範囲内に入るかどうかを判定する。そうである場合、軌跡および意図予測システム１４４は、アクセス制御デバイス１１０にクライアントデバイス１２０についてアクセスを許可させる。別の例では、軌跡および意図予測システム１４４は、クライアントデバイス１２０上に実装され、軌跡および意図予測をアクセス制御デバイス１１０に提供する。次いで、アクセス制御デバイス１１０は、クライアントデバイス１２０がアクセス制御デバイス１１０に関連付けられた範囲内にあるかどうかを判定して、クライアントデバイス１２０についてアクセスを許可／拒否する。

いくつかの事例では、軌跡および意図予測システム１４４は、範囲情報にアクセスせず、単に、予測軌跡または一組の予測軌跡を認証管理システム１４０、クライアントデバイス１２０、および／またはアクセス制御デバイス１１０に供給する。次いで、これらのデバイスは、予測軌跡が閾値範囲内にあるか否かに関する決定を集合的にまたは個々に行う。

図２は、例示的な実施形態による、軌跡および意図予測に基づく例示的なアクセス制御システム２００を示す。例えば、ユーザー２１０は、モバイルデバイスまたは電話機などのクライアントデバイス１２０（図示せず）を携帯し得る。クライアントデバイス１２０（またはアクセス制御デバイス１１０）は、一組の観測された２Ｄおよび／または３Ｄ座標２３０を収集し得る。クライアントデバイス１２０（またはアクセス制御デバイス１１０）は、ユーザーの現在の軌跡を計算し得る。クライアントデバイス１２０は（単独で、またはアクセス制御デバイス１１０と組み合わせて）、ユーザーの歩幅および／またはユーザーの物理的な動きなど、ユーザーに関する一組のユーザー挙動情報も収集する。クライアントデバイス１２０は（単独で、またはアクセス制御デバイス１１０と組み合わせて）、クライアントデバイス１２０が様々なアクセス制御デバイス１１０を作動させるために使用される時間帯および場所を収集することもできる。この情報を使用して、訓練される機械学習技法は、いくつかのアクセス制御デバイス１１０を作動させることに関するユーザーの意図または選好を決定または導出することができる。いくつかの事例では、アクセス制御デバイス１１０は、アクセス制御デバイス１１０を作動させる複数のクライアントデバイス１２０の識別子と、様々なクライアントデバイス１２０がアクセス制御デバイス１１０を作動させる複数の時間帯とを記憶する。次いで、このユーザー挙動情報は、クライアントデバイス１２０のそれぞれのプロファイルに集約されて、それぞれのクライアントデバイス１２０に関連付けられたユーザー挙動情報を生成する。

一例では、クライアントデバイス１２０は、２つのアクセス制御デバイス２２０および２２２がクライアントデバイス１２０の指定された範囲内にあることを判定することができる。例えば、アクセス制御デバイス２２０および２２２の各々は、クライアントデバイス１２０とのＢＬＥ通信の範囲内にある。それに応答して、クライアントデバイス１２０は、アクセス制御デバイス２２０および２２２の両方のクレデンシャルを読み出し、それらのクレデンシャルを認証管理システム１４０に送信する。認証管理システム１４０は、クライアントデバイス１２０がアクセス制御デバイス２２０および２２２の両方にアクセスする権限を付与されていることを判定する。アクセスする権限を付与されていると判定したことに応答して、認証管理システム１４０は、クライアントデバイス１２０が、それぞれのアクセス制御デバイス２２０または２２２の特定の範囲２５０内にある予測軌跡をたどって移動していると判定されるまで、アクセス制御デバイス２２０または２２２の特定のアクセス制御デバイスへのアクセスの許可を遅延させる。

別の例では、単一のアクセス制御デバイス１１０によって保護される領域へのアクセスを確保する単一のアクセス制御デバイス１１０があってもよい。そのような事例では、セキュリティ保護された領域に入るユーザーの意図は、所与のクライアントデバイス１２０についてアクセスを許可するために、アクセス制御デバイス１１０に命令する前に判定される。具体的には、クライアントデバイス１２０に対してアクセスを許可するために、アクセス制御デバイス１１０に命令する前に、ユーザーの予測軌跡がアクセス制御デバイス１１０の範囲内に入るか否かに関する判定が行われる。

たとえば、クライアントデバイス１２０（またはアクセス制御デバイス１１０）は、観測された現在の軌跡を軌跡および意図予測システム１４４に供給する。クライアントデバイス１２０は（単独で、またはアクセス制御デバイス１１０と組み合わせて）、クライアントデバイス１２０に関連付けられたユーザーについてのユーザー挙動情報も供給する。別の例では、アクセス制御デバイス１１０は、観測された現在の軌跡を軌跡および意図予測システム１４４に供給する。アクセス制御デバイス１１０は、独立して、またはクライアントデバイス１２０と組み合わせて、クライアントデバイス１２０に関連付けられたユーザーに関するユーザー挙動情報を供給することができる。

軌跡および意図予測システム１４４は、現在の軌跡及びユーザー挙動情報に基づいて１つまたは複数の軌跡を予測する。軌跡および意図予測システム１４４は、次いで、クライアントデバイス１２０が移動すると予測される予測軌跡２４０を特定する。予測軌跡２４０が第１のアクセス制御デバイス２２０の範囲内にあると判定したことに応答して、軌跡および意図予測システム１４４は、第１のアクセス制御デバイス２２０がクライアントデバイス１２０に対してアクセスを許可するように認証管理システム１４０に命令する（たとえば、第１のアクセス制御デバイス２２０は、電子ドアロックをアンロックするなどの動作を実行するように命令される）。予測軌跡２４０が第２のアクセス制御デバイス２２２の範囲内に入らないと判定したことに応答して、軌跡および意図予測システム１４４は、第２のアクセス制御デバイス２２２がクライアントデバイス１２０に対してアクセスを拒否するように認証管理システム１４０に命令する（たとえば、第２のアクセス制御デバイス２２２は、クライアントデバイス１２０の複数のクレデンシャルが第２のアクセス制御デバイス２２２にアクセスする権限を付与されていても、ロックされたままであるように命令される）。いくつかの事例では、予測軌跡は、第１および第２のアクセス制御デバイス２２０および２２２の両方の範囲内に入る。しかしながら、軌跡および意図予測システム１４４は、（例えば、ユーザー挙動情報に基づいて）第１のアクセス制御デバイス２２０を作動させるユーザー意図を予測する。そのような事例では、軌跡および意図予測システム１４４は、第１のアクセス制御デバイス２２０がクライアントデバイス１２０に対してアクセスを許可し（たとえば、第１のアクセス制御デバイス２２０は、電子ドアロックをアンロックするなどの動作を実行するように命令される）、第２のアクセス制御デバイス２２２がクライアントデバイス１２０に対してアクセスを拒否するように認証管理システム１４０に命令する。

図３Ａ～図３Ｃは、いくつかの実施形態による、図１のアクセス制御システム内に配置され得る例示的な軌跡および意図予測システム１４４のブロック図である。訓練入力３１０は、複数のモデルパラメータ３１２と、訓練データ３２０とを含み、これらは、対になった複数の訓練データセット３２２（例えば、複数の入力・出力訓練ペア（input-output training pairs））および複数の制約３２６を含み得る。複数のモデルパラメータ３１２は、複数の機械学習モデルのうちの対応する複数の機械学習モデルのパラメータまたは係数を含むかまたは提供する。訓練中、これらのパラメータ３１２は、訓練データ３２０の複数の入力・出力訓練ペアに基づいて適応される（adapted）。複数のパラメータ３１２が適応された後（訓練後）、複数の訓練済み機械学習（ML : machine learning）モデルを新しい一組のデータ３７０について実行するために、複数のパラメータは、複数の訓練済みモデル３６０によって使用される。

訓練データ３２０は、所与の軌跡およびユーザー挙動情報の制約を定義し得る複数の制約３２６を含む。対となる訓練データ３２０は、複数の訓練観測軌跡および訓練ユーザー挙動情報と対応する複数の訓練予測軌跡（グラウンドトゥルース軌跡）との複数のペアなどの複数組の入力・出力ペア３２２を含み得る。複数のグラウンドトゥルース予測軌跡は、観測軌跡に続く１つまたは複数の将来の時点における実際の複数の軌跡と、複数の早い時点における一組のユーザー挙動情報とを示す。例えば、観測軌跡及びユーザー挙動測定値は、経路の第１の区間について第１の時点で取得することができる。グラウンドトゥルース予測軌跡は、第１の区間に続く第２の区間についての第２の時点での実際の観測軌跡を表す。

訓練入力３１０のいくつかの構成要素は、訓練入力３１０の他の構成要素とは異なるオフサイト設備（off-site facility）または複数の設備において別個に記憶され得る。対になった訓練データ３２０は、訓練ユーザー挙動情報と、ユーザー挙動情報（グラウンドトゥルースユーザー挙動情報）の対応する訓練特徴ベクトルとの複数の対を含み得る。対になった訓練データ３２０は、ユーザー挙動情報に結び付けられた訓練予測軌跡と、対応するアクセス制御デバイスを作動させる訓練意図（training intent）（グランドトゥルース意図）との複数のペアを含み得る。複数のグラウンドトゥルース意図は、あるユーザー挙動情報と結び付けられた軌跡が観測された場合に、所与のアクセスデバイス１１０が作動したか否かを示す情報を収集することによって生成される。

１つまたは複数の機械学習モデルの訓練３３０は、対になった訓練データ３２２の複数組の入力・出力ペアに基づいて１つまたは複数の機械学習技法を訓練する。たとえば、モデルの訓練３３０は、１つまたは複数のグラウンドトゥルース測定値に基づいて損失関数を最小化することによって、第１の組のＭＬモデルパラメータ３１２を訓練し得る。特に、第１の組のＭＬモデルパラメータ３１２は、予測軌跡を推定するために、一組のユーザー挙動情報を条件とする（conditioned on）観測された現在の軌跡の訓練セットに適用され得る。いくつかの実装形態では、損失関数の導関数（derivative）は、推定された予測軌跡とグラウンドトゥルース軌跡との比較に基づいて計算され、第１の組のＭＬモデルパラメータは、損失関数の計算された導関数に基づいて更新される。第１の組のＭＬモデルパラメータは、第１の機械学習技法（例えば、条件付き変分オートエンコーダ（conditioned variational autoencoder））に適用されて、新しいデータ３７０が与えられると第１の予測を生成することができる。

別の例として、モデルの訓練３３０は、１つまたは複数のグラウンドトゥルース測定値に基づいて損失関数を最小化することによって、第２の組のＭＬモデルパラメータ３１２を訓練し得る。特に、第２の組のＭＬモデルパラメータ３１２は、ユーザー挙動情報を示す特徴ベクトルを推定するために、観測されたユーザー挙動情報の訓練セットに適用され得る。いくつかの実装形態では、損失関数の導関数は、推定されたユーザー挙動情報とグラウンドトゥルースユーザー挙動情報との比較に基づいて計算され、第２の組のＭＬモデルパラメータは、損失関数の計算された導関数に基づいて更新される。第２組のＭＬモデルパラメータは、第２の機械学習技法（例えば、ニューラルネットワーク）に適用されて、新しいデータ３７０を与えられると第２の予測を生成することができる。

別の例として、モデルの訓練３３０は、１つまたは複数のグラウンドトゥルース測定値に基づいて損失関数を最小化することによって、第３の組のＭＬモデルパラメータ３１２を訓練し得る。特に、第２の組のＭＬモデルパラメータ３１２は、アクセス制御デバイスを作動させる予測意図を推定するために、複数の予測軌跡と結び付けられたユーザー挙動情報の訓練セットに適用され得る。いくつかの実装形態では、損失関数の導関数は、アクセス制御デバイスを作動させる推定された予測意図とアクセス制御デバイスを動作させるグラウンドトルース意図との比較に基づいて計算され、第３の組のＭＬモデルパラメータは、損失関数の計算された導関数に基づいて更新される。第３組のＭＬモデルパラメータは、第３の機械学習技法（例えば、ニューラルネットワーク）に適用されて、新しいデータ３７０を与えられると第３の予測を生成することができる。

第１、第２、および／または第３のＭＬモデルはすべて、同じデバイス上に（たとえば、クライアントデバイス１２０上に、アクセス制御デバイス１１０上に、または集中的に認証管理システム１４０上に）記憶され得る。いくつかの事例では、第１、第２、および／または第３のＭＬモデルのうちの特定のＭＬモデルは、特定のデバイスによって（例えば、クライアントデバイス１２０上に、アクセス制御デバイス１１０上に、または集中的に認証管理システム１４０上に）実装され得るが、第１、第２、および第３のＭＬモデルの別のＭＬモデルは、異なるデバイスによって（例えば、クライアントデバイス１２０上に、アクセス制御デバイス１１０上に、または集中的に認証管理システム１４０上に）実装される。

複数の組の訓練データ列（training data trains）について損失関数を最小化したことにより、対応する複数のＭＬモデルのモデルパラメータ３１２は適応または最適化される。このようにして、これらＭＬモデルは、複数の訓練データ（たとえば、観測軌跡、観測されたユーザー挙動情報、結び付けられた軌跡およびユーザー挙動情報）と、対応する複数の予測された訓練データ（たとえば、予測軌跡、予測されたユーザー挙動情報、アクセス制御デバイスを作動させる予測意図）との間の関係を確立するように訓練される。

これらＭＬモデルは、一実装形態では、教師あり学習技法に従って訓練されて、訓練観測軌跡（training observed trajectory）およびユーザー挙動情報から軌跡を推定する。そのような事例では、ＭＬモデルを訓練するために、複数の訓練観測軌跡およびユーザー挙動情報が、それらの対応する訓練予測または推定軌跡とともに読み出される。例えば、訓練観測軌跡及びユーザー挙動情報は、データベース４００（図４）に記憶された訓練データ４１０から読み出される。ＭＬモデルは、所与の組の軌跡を推定するために、第１の群の訓練観測軌跡およびユーザー挙動情報に適用される。その群の訓練観測軌跡およびユーザー挙動情報は、同じパラメータを用いてＭＬモデルを訓練するために使用することができ、特定の訓練観測軌跡およびユーザー挙動情報から、訓練観測軌跡およびユーザー挙動情報のすべての範囲であり得る。いくつかの実装形態では、ＭＬモデルの出力または結果は、第１の組の予測軌跡を計算または予測するために使用される。

第１の組の予測軌跡は損失関数に適用され、損失関数の勾配（gradient）または導関数は、予測軌跡の期待されるセットまたはグラウンドトゥルースセットに基づいて計算される。損失関数の勾配または導関数に基づいて、ＭＬモデルの更新された複数のパラメータが計算される。例えば、ＭＬモデルの複数のパラメータは、データベース４００の訓練済み機械学習技法４２０に含まれる。次いで、ＭＬモデルは、更新された複数のパラメータを用いて、第２群の訓練観測軌跡およびユーザー挙動情報に適用されて、所与の組の予測軌跡を再び推定し、その予測軌跡を、それらの対応するグラウンドトゥルース予測軌跡との比較のために損失関数に適用する。ＭＬモデルの複数のパラメータは再び更新され、この訓練プロセスの反復は、指定された反復回数またはエポック（epochs）数の間、または所与の収束基準が満たされるまで継続される。

機械学習モデルが訓練された後、１つまたは複数の観測軌跡およびユーザー挙動情報を含む新しいデータ３７０が受信され得る。訓練済み機械学習技法は、新しいデータ３７０に適用されて、複数の予測軌跡を含む生成された結果３８０を、ユーザーが各それぞれの軌跡に沿った経路をたどることになるそれらの対応する尤度とともに生成することができる。

図３Ｂは、図１のシステム内で設けられ得る軌跡および意図予測システム１４４の一実装形態３０１を示す。観測軌跡は、クライアントデバイス１２０から受信され得る。観測軌跡は、現在の軌跡に対応する特徴ベクトルを生成するために軌跡エンコーダ（trajectory encoder）３７１によって処理される。現在の軌跡に対応する特徴ベクトルは、訓練済み軌跡予測モデル３６１に入力される。訓練済み軌跡予測モデル３６１は、第１の組のモデルパラメータ３１２を使用して動作することができ、条件付き変分オートエンコーダを実装することができる。任意の他のタイプのニューラルネットワークまたは機械学習技法が、訓練済み軌跡予測モデル３６１として同様に使用され得る。訓練済み軌跡予測モデル３６１はまた、訓練済みユーザー挙動情報モデル３６２からユーザー挙動情報を受信する。訓練済みユーザー挙動情報モデル３６２は、（たとえば、ベクトルとして符号化された）一組のユーザー挙動情報を受信し、ユーザー挙動情報を示す特徴ベクトルを生成するように構成されている。一例では、訓練済み軌跡予測モデル３６１および訓練済みユーザー挙動情報モデル３６２は、エンドツーエンド（end-to-end）で訓練される。

訓練済み軌跡予測モデル３６１は、現在の軌跡に対応する特徴ベクトルと、ユーザー挙動情報を示す特徴ベクトルとを処理し、１つまたは複数の軌跡を予測する。複数の予測軌跡は、１つまたは複数の軌跡のうちの１つまたは複数の範囲内でアクセス制御デバイスを作動させるユーザー意図を判定するために、別の機械学習技法（図示せず）によって処理されることができる。ユーザーのクレデンシャルにクライアントデバイス１２０の範囲内にあるアクセス制御デバイスにアクセスする権限を付与した後、ユーザーが１つまたは複数の軌跡のうちの１つまたは複数の軌跡の範囲内でアクセス制御デバイスを作動させることを意図していると判定したことに応答して、軌跡および意図予測システム１４４は、クライアントデバイス１２０の範囲内にあるアクセス制御デバイスに、アクセスを許可するかまたは作動を実行する（たとえば、ドアロックをアンロックする）ように命令する。

図３Ｃは、図１のシステム内で設けられ得る軌跡および意図予測システム１４４の一実装形態３０２を示す。観測軌跡は、クライアントデバイス１２０から受信され得る。観測軌跡は、現在の軌跡に対応する特徴ベクトルを生成するために軌跡エンコーダ（trajectory encoder)３７１によって処理される。現在の軌跡に対応する特徴ベクトルは、訓練済み軌跡予測モデル３６１に入力される。訓練済み軌跡予測モデル３６１は、第１の組のモデルパラメータ３１２を使用して動作することができ、変分オートエンコーダを実装することができる。任意の他のタイプのニューラルネットワークまたは機械学習技法が、訓練済み軌跡予測モデル３６１として同様に使用され得る。訓練済み軌跡予測モデル３６１は、現在の軌跡に対応する特徴ベクトルを処理し、１つまたは複数の軌跡を予測する。これらの予測された１つまたは複数の軌跡は、連結器（concatenator）３９２に供給される。いくつかの事例では、訓練済み軌跡予測モデル３６１は、現在の軌跡に対応する特徴ベクトルと、ユーザー挙動情報を示す特徴ベクトルとを処理し、１つまたは複数の軌跡を予測する。（現在の軌跡およびユーザー挙動情報を示す特徴ベクトルに基づいて予測される）これらの１つまたは複数の軌跡は、連結器３９２に供給される。

訓練済みユーザー挙動情報モデル３６２は、（たとえば、ベクトルとして符号化された）一組のユーザー挙動情報を受信し、ユーザー挙動情報を示す特徴ベクトルを生成するように構成されている。ユーザー挙動情報を示す特徴ベクトルも連結器３９２に供給される。いくつかの実施形態では、訓練済みユーザー挙動情報モデル３６２は、（たとえば、ユーザー挙動情報は、ユーザー挙動情報の最低限のパラメータを満たさない）生成された結果についての非常に低い信頼スコアを示す結果または特徴ベクトルを出力する可能性がある。これは、ユーザー挙動情報の（例えば、異なるタイプおよび場所のアクセスデバイスが作動される時間帯、ユーザーの歩幅、ユーザーの物理的移動、ユーザーがクライアントデバイス１２０を携帯しているか、またはデバイスをポケットに入れているか、アクセス制御デバイスが作動されるときのユーザーが誰であるか等の指定された複数のタイプの閾値量より少ない）不十分な量が、所与のユーザーについて収集された場合であり得る。そのような状況では、ユーザー意図に関する複数の予測および複数の軌跡には、非常に低い確率を割り当てることができ、クライアントデバイス１２０の複数のクレデンシャルがアクセス制御デバイスにアクセスする権限を付与されている場合であっても、クライアントデバイス１２０の範囲内にあるアクセス制御デバイスへのアクセスを防止する。

一例として、ユーザーが最近、新しいキーを電子ドアロックに追加した場合、高レベルの信頼度でユーザー挙動を示す特徴ベクトルを生成するために実行される必要がある訓練期間が存在し得る。高レベルの信頼度でユーザー挙動を示す特徴ベクトルが達成されると、高レベルの確率で意図予測を提供することができ、クライアントデバイス１２０の範囲内にあるアクセス制御デバイスは、クライアントデバイス１２０のクレデンシャルが該アクセス制御デバイスにアクセスする権限を付与されている場合に作動される（たとえば、アンロックされる）ように命令される。すなわち、対応するアクセス制御デバイスにアクセスするためにユーザーによってクライアントデバイス１２０に追加されるクレデンシャルまたはキーの各新しいセットに関連付けられた訓練期間が存在し得る。この期間中、アクセス制御デバイスは、２０センチメートル以内等の短距離通信プロトコル（例えば、ＮＦＣ）を使用して、クライアントデバイス１２０によってのみアクセスおよび作動され得る。新たに追加されたクレデンシャルについて訓練済みユーザー挙動情報モデル３６２の訓練が完了した後、アクセス制御デバイスは、１０メートル以内など、長距離通信プロトコル（たとえば、ＢＬＥ）を使用してクライアントデバイス１２０によってアクセスされ、作動され得る。

一例では、連結器３９２は、ユーザー挙動情報を示す特徴ベクトルに基づいて、（現在の軌跡のみに基づいて予測された）１つまたは複数の軌跡を組み合わせる（たとえば、調整する）。別の例では、連結器３９２は、ユーザー挙動情報を示す特徴ベクトルに基づいて、（現在の軌跡に基づいて、およびユーザー挙動情報を示す特徴ベクトルに基づいて予測された）１つまたは複数の軌跡を組み合わせる（たとえば、調整する）。連結器３９２による結び付けられた結果は、訓練済み意図予測モデル３６３に供給される。連結器３９２は、複数の入力データセットからの単一の表現（representation）を組み合わせる、乗算する、集約する、合計する、および／または生成する任意のデバイスとして実装されることができる。

訓練済み意図予測モデル３６３は、１つまたは複数の軌跡のうちの１つまたは複数の軌跡の範囲内でアクセス制御デバイスを作動させるユーザー意図を判定する。訓練済み意図予測モデル３６３はまた、エンドツーエンドで訓練されるニューラルネットワークであり得る。訓練済み意図予測モデル３６３は、（例えば、ユーザー挙動情報を示す特徴ベクトルによって調整されるような一組の予測軌跡に基づいて）ユーザーがクライアントデバイス１２０の範囲内で所与のアクセス制御デバイスを作動させることを意図しているか否かに関する予測を出力するように訓練される。訓練済み意図予測モデル３６３は、ユーザーがアクセス制御デバイスを作動させる尤度を示す確率とともに、ユーザーが所与のアクセス制御デバイスを作動させるかまたは作動させる意図があるかどうかについての意図（例えば、イエスまたはノー）を出力することができる。ユーザーのクレデンシャルにクライアントデバイス１２０の範囲内にあるアクセス制御デバイスにアクセスする権限を付与した後、閾値確率よりも大きい特定の確率でユーザーが１つまたは複数の軌跡のうちの１つまたは複数の軌跡の範囲内でアクセス制御デバイスを作動させることを意図していると判定したことに応答して、軌跡および意図予測システム１４４は、クライアントデバイス１２０の範囲内にあるアクセス制御デバイスに、アクセスを許可するかまたは動作を実行する（たとえば、ドアロックをアンロックする）ように命令する。

一例では、訓練済み意図予測モデル３６３は、１日のうちのある時間帯に、かつユーザーが１つまたは複数の他のクライアントデバイス１２０の範囲内にいるときに、アクセス制御デバイスを作動させるユーザー意図を予測するように訓練される。すなわち、訓練済みユーザー挙動情報モデル３６２は、特定のアクセス制御デバイスがユーザーによって作動される時間帯（たとえば、午前９時および午後５時）と、そのアクセス制御デバイスが作動されるときのクライアントデバイス１２０のある範囲（たとえば、５メートル）内の他のクライアントデバイス１２０の一組の識別子とを提供し得る。訓練済み意図予測モデル３６３は、ユーザーの予測された軌跡の範囲内のアクセス制御デバイスを特定し、現在の時刻が午前９時または午後５時の時間帯の指定された閾値内であることを判定し得る。そのような事例では、ユーザー挙動情報に含まれるソーシャルネットワーク情報に関連して、訓練済み意図予測モデル３６３はまた、一組の識別子に一致する複数の識別子を有する他の複数のクライアントデバイスがクライアントデバイス１２０の指定された範囲内にあるかどうかを判定する。そうである場合、訓練済み意図予測モデル３６３は、ユーザーがアクセス制御デバイスを動作させる意図が非常に高い（例えば、９０％）と判定し、そのアクセスデバイスにユーザーに対してアクセスを許可させる。訓練済み意図予測モデル３６３はまた、複数の予測軌跡の範囲内にある別のアクセス制御デバイスが、ユーザーが作動させる非常に低い意図（例えば、１０％未満）を有すると判定し（例えば、ユーザーが、過去の特定の時間帯に、および他のクライアントデバイス１２０の一組の識別子の範囲内にあるときに、そのデバイスが作動されなかったため）、ユーザーがアクセスデバイスにアクセスまたは作動させるためのクレデンシャルを有していても、そのアクセスデバイスにユーザーに対するアクセスを拒否させることができる。

いくつかの実施形態では、ユーザー挙動データは、複数の訓練済みモデルのうちの１つ以上が複数のクライアントデバイス１２０を含むシステム内で実装された後、経時的に収集される。この場合、ユーザー挙動モデル（たとえば、訓練済みユーザー挙動情報モデル３６２）と軌跡モデル（たとえば、訓練済み軌跡予測モデル３６１）とは切り離される（decoupled）。これは、訓練データがないためにユーザー挙動モデルが利用可能でないためであり得る。この場合、軌跡モデルのみを使用して軌跡予測を実行し、アクセスデバイスにユーザーに対してアクセスを許可または拒否させる。そのような状況では、ユーザー挙動モデルは、入力としてユーザー挙動情報（たとえば、歩幅、時刻、選好、ソーシャルネットワーク情報、ターゲットドア（複数可））を受信し、所与のアクセスデバイスにアクセスするユーザーの意図の確率を出力する分類器（classifier）を含む。次に、この確率を軌跡の確率と組み合わせて、所与のアクセスデバイスを作動させるユーザーの意図の予測を生成する。

いくつかの実施形態では、ユーザー挙動モデルは、単一のドアまたはアクセス制御デバイスの代わりに、複数のドアまたは複数のアクセス制御デバイスを入力として受信する。この場合、ユーザー挙動モデルは、複数のアクセス制御デバイスの各々を作動させるユーザーの意図の確率を出力する。すなわち、アクセス制御デバイスごとに、ユーザーがそのアクセス制御デバイスを作動させる確率を示す確率が出力される。この確率を軌跡の確率と組み合わせることで、複数のアクセス制御デバイスのうちの所与の１つにアクセスするか、まったくアクセスしないかのユーザーの意図を判定する。いくつかの実施形態では、軌跡とユーザー挙動モデルによって出力された確率との組み合わせは、２つのモデル（訓練済みユーザー挙動情報モデル３６２および訓練済み軌跡予測モデル３６１）によって行われた予測の加重平均（weighted average）として生成される。重みは、システム管理者により設定可能であり、および／または、収集されるユーザー挙動データが増えてモデルの精度が高まるにつれて、時間とともに自動的に動的に良好に変化し得る。

図５は、例示的な実施形態による、アクセス制御システム１００のプロセス５００の例示的な動作を示すフローチャートである。プロセス５００は、プロセス５００の複数の処理がシステム１００の複数の機能コンポーネントによって部分的にまたは全体的に実行され得るように、１つまたは複数のプロセッサにより実行される複数のコンピュータ可読命令において具現化され得、したがって、プロセス５００は、それを参照して例として以下で説明される。しかしながら、他の実施形態では、プロセス５００の複数の処理のうちの少なくともいくつかは、様々な他のハードウェア構成上に展開され得る。プロセス５００の複数の処理の一部または全部は、並列であっても、順序が違っていても、または完全に省略されてもよい。

処理５０１において、認証管理システム１４０は、ユーザーの観測軌跡およびユーザーについてのユーザー挙動情報を受信する。例えば、認証管理システム１４０は、クライアントデバイス１２０についての現在の軌跡および一組のユーザー挙動情報（例えば、ユーザーの物理的移動、ユーザーの歩幅、特定の時刻に特定のアクセスデバイスにアクセスする選好、ユーザーが異なる時刻または曜日に誰の周りにいるかなどのユーザーのソーシャルネットワーク、ユーザーが特定の順序で特定のドアを開く選好など）を受信する。

処理５０２において、認証管理システム１４０は、複数の予測軌跡を生成するために機械学習技法によって観測軌跡を処理し、機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練される。例えば、訓練済み軌跡予測モデル３６１は、現在の軌跡を処理して、１つまたは複数の軌跡の予測を生成する。

処理５０３において、認証管理システム１４０は、ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて複数の予測軌跡を調整する。例えば、訓練済み軌跡予測モデル３６１は、ユーザー挙動情報を条件とする現在の軌跡を処理し、１つまたは複数の軌跡の予測を調整する。

処理５０４において、認証管理システム１４０は、ターゲットアクセス制御デバイスが複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定する。例えば、認証管理システム１４０は、第１のアクセス制御デバイス２２０の位置が、１つまたは複数の予測軌跡内にある範囲２５０を有することを判定する。

処理５０５において、認証管理システム１４０は、ターゲットアクセス制御デバイスが複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、ターゲットアクセス制御デバイスに関連付けられた動作を実行する。例えば、認証管理システム１４０は、（例えば、電子ドアロックをアンロックすることによって）クライアントデバイス１２０に対してアクセスを許可するようにアクセス制御デバイス２２０に命令する。いくつかの事例では、認証管理システム１４０は、アクセス制御デバイス１１０をバイパスして、ロックされるかまたはセキュリティ保護されたリソースを直接的に制御する。

図６は、本明細書で説明される様々なハードウェアアーキテクチャと併せて使用され得る例示的なソフトウェアアーキテクチャ６０６を示すブロック図である。図６は、ソフトウェアアーキテクチャの非限定的な例であり、本明細書で説明される機能を可能にするために、多くの他のアーキテクチャが実装され得ることが理解されよう。ソフトウェアアーキテクチャ６０６は、特に、プロセッサ７０４、メモリ７１４、および入力／出力（Ｉ／Ｏ）コンポーネント７１８を含む図７の機械７００などのハードウェア上で実行することができる。代表的なハードウェア層６５２が示されており、例えば、図７の機械７００を示すことができる。代表的なハードウェア層６５２は、関連する複数の実行可能命令６０４を有する処理ユニット６５４を含む。複数の実行可能命令６０４は、本明細書で説明される方法、構成要素などの実装を含むソフトウェアアーキテクチャ６０６の複数の実行可能命令を表す。ハードウェア層６５２はまた、複数の実行可能命令６０４も有するメモリおよび／またはストレージデバイスメモリ／ストレージ６５６を含む。ハードウェア層６５２はまた、他のハードウェア６５８を備えてもよい。ソフトウェアアーキテクチャ６０６は、図１に示される複数の構成要素のうちの任意の１つ以上において展開され得る。

図６の例示的なアーキテクチャでは、ソフトウェアアーキテクチャ６０６は、各層が特定の機能を提供する層のスタックとして概念化され得る。例えば、ソフトウェアアーキテクチャ６０６は、オペレーティングシステム６０２、複数のライブラリ６２０、複数のフレームワーク／ミドルウェア６１８、複数のアプリケーション６１６、およびプレゼンテーション層６１４などの複数の層を含むことができる。動作上、複数のアプリケーション６１６および／またはそれらの層内の他の構成要素は、ソフトウェアスタックを介してＡＰＩコール６０８を呼び出し（invoke）、ＡＰＩコール６０８に応答してメッセージ６１２を受信することができる。図示された複数の層は、本質的に代表的なものであり、すべてのソフトウェアアーキテクチャがすべての層を有するわけではない。例えば、いくつかのモバイルまたは専用オペレーティングシステムは、複数のフレームワーク／ミドルウェア６１８を提供しない場合があるが、他のものは、そのような層を提供する場合がある。他のソフトウェアアーキテクチャは、追加の層または異なる層を含み得る。

オペレーティングシステム６０２は、複数のハードウェアリソースを管理し、複数の共通サービス（common services）を提供し得る。オペレーティングシステム６０２は、例えば、カーネル６２２、複数のサービス６２４、および複数のドライバ６２６を含み得る。カーネル６２２は、ハードウェア層と他のソフトウェア層との間の抽象化層（abstraction layer）として働くことができる。例えば、カーネル６２２は、メモリ管理、プロセッサ管理（例えば、スケジューリング）、コンポーネント管理、ネットワーキング、セキュリティ設定などを担うことができる。複数のサービス６２４は、他のソフトウェア層に他の共通サービスを提供し得る。複数のドライバ６２６は、基本的なハードウェアを制御すること、または基本的なハードウェアとインタフェースすることを担う。たとえば、複数のドライバ６２６は、ハードウェア構成に応じて、ディスプレイドライバ、カメラドライバ、ＢＬＥドライバ、ＵＷＢドライバ、Ｂｌｕｅｔｏｏｔｈ（登録商標）ドライバ、フラッシュメモリドライバ、シリアル通信ドライバ（たとえば、ＵＳＢ（Universal Serial Bus）ドライバ）、Ｗｉ－Ｆｉ（登録商標）ドライバ、オーディオドライバ、電力管理ドライバなどを含む。

複数のライブラリ６２０は、アプリケーション６１６および／または他のコンポーネントおよび／または層によって使用される共通インフラストラクチャを提供する。ライブラリ６２０は、他のソフトウェアコンポーネントが、基本的なオペレーティングシステム６０２の機能（例えば、カーネル６２２、複数のサービス６２４および／または複数のドライバ６２６）と直接的にインタフェースするよりも容易にタスクを実行することを可能にする機能を提供する。複数のライブラリ６２０は、メモリ割り当て機能、文字列操作機能（string manipulation function）、数学的機能などの機能を提供し得るシステムライブラリ６４４（例えば、Ｃ標準ライブラリ（C standard library））を含み得る。加えて、複数のライブラリ６２０は、メディアライブラリ（例えば、ＭＰＲＥＧ４、Ｈ．２６４、ＭＰ３、ＡＡＣ、ＡＭＲ、ＪＰＧ、ＰＮＧなどの様々なメディアフォーマットの提示および操作をサポートするライブラリ）、グラフィックスライブラリ（例えば、ディスプレイ上のグラフィックコンテンツにおいて２次元および３次元をレンダリングするために使用され得るＯｐｅｎＧＬフレームワーク）、データベースライブラリ（例えば、様々なリレーショナルデータベース機能を提供し得るＳＱＬｉｔｅ）、ウェブライブラリ（例えば、ウェブブラウジング機能を提供し得るＷｅｂＫｉｔ）などのＡＰＩライブラリ６４６を含んでもよい。複数のライブラリ６２０はまた、複数のアプリケーション６１６および他のソフトウェアコンポーネント／デバイスに多くの他のＡＰＩを提供するために、多種多様な他のライブラリ６４８を含んでもよい。

複数のフレームワーク／ミドルウェア６１８（ミドルウェアと呼称されることもある）は、複数のアプリケーション６１６および／または他のソフトウェアコンポーネント／デバイスによって使用され得るより高レベル共通インフラストラクチャ（higher-level common infrastructure）を提供する。たとえば、複数のフレームワーク／ミドルウェア６１８は、様々なグラフィックユーザインタフェース機能、高レベルリソース管理、高レベル位置特定サービス（high-level location services）などを提供し得る。複数のフレームワーク／ミドルウェア６１８は、複数のアプリケーション６１６および／または他のソフトウェアコンポーネント／デバイスによって利用され得る広範囲の他のＡＰＩを提供することができ、それらのうちのいくつかは、特定のオペレーティングシステム６０２またはプラットフォームに固有であり得る。

複数のアプリケーション６１６は、内蔵アプリケーション６３８および／またはサードパーティアプリケーション６４０を含む。代表的な内蔵アプリケーション６３８の例は、連絡先アプリケーション、ブラウザアプリケーション、ブックリーダーアプリケーション、位置特定アプリケーション、メディアアプリケーション、メッセージングアプリケーション、および／またはゲームアプリケーションを含み得るが、これらに限定されない。サードパーティアプリケーション６４０は、特定のプラットフォームのベンダー以外のエンティティによってＡＮＤＲＯＩＤ（商標）またはＩＯＳ（商標）ソフトウェア開発キット（SDK : software development kit）を使用して開発されたアプリケーションを含んでもよく、ＩＯＳ（商標）、ＡＮＤＲＯＩＤ（商標）、ＷＩＮＤＯＷＳ（登録商標）Ｐｈｏｎｅ、または他のモバイルオペレーティングシステムなどのモバイルオペレーティングシステム上で実行されるモバイルソフトウェアであってもよい。サードパーティアプリケーション６４０は、本明細書で説明する機能を可能にするために、（オペレーティングシステム６０２などの）モバイルオペレーティングシステムによって提供されるＡＰＩコール６０８を呼び出し得る。

複数のアプリケーション６１６は、組み込みのオペレーティングシステム機能（例えば、カーネル６２２、サービス６２４、および／またはドライバ６２６）、複数のライブラリ６２０、および複数のフレームワーク／ミドルウェア６１８を使用して、システムの複数のユーザーと対話するためのＵＩを作成し得る。代替的にまたは追加的に、いくつかのシステムでは、ユーザーとの対話は、プレゼンテーション層６１４などのプレゼンテーション層を介して行われ得る。これらのシステムでは、アプリケーション／コンポーネント「ロジック」は、ユーザーと対話するアプリケーション／コンポーネントの態様から分離されることができる。

図７は、いくつかの例示的な実施形態による、機械可読媒体（例えば、機械可読記憶媒体）から複数の命令を読み取り、本明細書において説明される複数の方法のうちの任意の１つまたは複数を実行することができる機械７００の複数の構成要素を示すブロック図である。具体的には、図７は、コンピュータシステムの例示的な形態における機械７００の概略図を示し、その中で、本明細書で論じられる複数の方法のうちの任意の１つまたは複数を機械７００に実行させるための命令７１０（例えば、ソフトウェア、プログラム、アプリケーション、アプレット、アプリ、または他の実行可能コード）が実行され得る。

したがって、命令７１０は、本明細書で説明されるデバイスまたは構成要素を実装するために使用され得る。命令７１０は、一般的なプログラムされていない機械７００を、説明され、図示された機能を説明された方法で実行するようにプログラムされた特定の機械７００に変換する。代替的な実施形態では、機械７００は、スタンドアロンデバイスとして動作するか、または他の機械に結合（例えば、ネットワーク化）され得る。ネットワーク化された配置では、機械７００は、サーバ－クライアントネットワーク環境におけるサーバマシンもしくはクライアントマシンの立場で、またはピアツーピア（もしくは分散）ネットワーク環境におけるピアマシンとして動作し得る。機械７００は、サーバコンピュータ、クライアントコンピュータ、パーソナルコンピュータ（ＰＣ）、タブレットコンピュータ、ラップトップコンピュータ、ネットブック、ＳＴＢ、ＰＤＡ、エンターテイメントメディアシステム、携帯電話、スマートフォン、モバイルデバイス、ウェアラブルデバイス（例えば、スマートウォッチ）、スマートホームデバイス（例えば、スマートアプライアンス）、他のスマートデバイス、ウェブアプライアンス、ネットワークルータ、ネットワークスイッチ、ネットワークブリッジ、又は機械７００によって行われる動作を指定する命令７１０を順次又は他の方法で実行することができる任意の機械を含んでもよいが、これらに限定されない。さらに、単一の機械７００のみが図示されているが、「機械」という用語は、本明細書で説明される方法のうちの任意の１つまたは複数を実行するために命令７１０を個別にまたは共同で実行する機械の集合を含むとも解釈されるものとする。

機械７００は、プロセッサ７０４、メモリ／ストレージ７０６、及びＩ／Ｏコンポーネント７１８を含み得、これらは、バス７０２などを介して互いに通信するように構成され得る。一実施形態では、プロセッサ７０４（例えば、中央処理装置（ＣＰＵ）、縮小命令セットコンピューティング（ＲＩＳＣ）プロセッサ、複合命令セットコンピューティング（ＣＩＳＣ）プロセッサ、グラフィックス処理ユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、ＡＳＩＣ（application-specific integrated circuit）、無線周波数集積回路（ＲＦＩＣ）、別のプロセッサ、またはそれらの任意の適切な組合せ）は、例えば、命令７１０を実行し得るプロセッサ７０８およびプロセッサ７１２を含み得る。「プロセッサ」という用語は、命令を同時に実行することができる２つ以上の独立したプロセッサ（「コア」と呼ばれることもある）を備え得るマルチコアプロセッサ７０４を含むことを意図している。図７は複数のプロセッサ７０４を示しているが、機械７００は、単一のコアを有する単一のプロセッサ、複数のコアを有する単一のプロセッサ（例えば、マルチコアプロセッサ）、単一のコアを有する複数のプロセッサ、複数のコアを有する複数のプロセッサ、またはそれらの任意の組み合わせを含んでもよい。

メモリ／ストレージ７０６は、メインメモリまたは他のメモリストレージなどのメモリ７１４と、命令７１０と、ストレージユニット７１６とを含むことができ、両方ともバス７０２などを介してプロセッサ７０４にアクセス可能である。ストレージユニット７１６およびメモリ７１４は、本明細書で説明される方法または機能のうちの任意の１つまたは複数を具現化する命令７１０を記憶する。また、命令７１０は、機械７００によるその実行中に、メモリ７１４内、ストレージユニット７１６内、プロセッサ７０４のうちの少なくとも１つ内（例えば、プロセッサのキャッシュメモリ内）、またはそれらの任意の適切な組合せに、完全にまたは部分的に存在し得る。したがって、メモリ７１４、ストレージユニット７１６、およびプロセッサ７０４のメモリは、機械可読媒体の例である。

Ｉ／Ｏコンポーネント７１８は、入力を受信し、出力を提供し、出力を生成し、情報を送信し、情報を交換し、測定値を取り込む等のための多種多様なコンポーネントを含み得る。特定の機械に含まれる特定のＩ／Ｏコンポーネント７１８は、機械７００のタイプに依存する。例えば、携帯電話などの携帯機器は、タッチ入力装置または他のそのような入力機構を含む可能性が高いが、ヘッドレスサーバマシンは、そのようなタッチ入力装置を含まない可能性が高い。Ｉ／Ｏコンポーネント７１８が、図７に示されない多くの他のコンポーネントを含み得ることが理解されるであろう。Ｉ／Ｏコンポーネント７１８は、単に以下の説明を簡略化するために機能に従ってグループ化されており、このグループ化は決して限定的なものではない。様々な実施形態において、Ｉ／Ｏコンポーネント７１８は、出力コンポーネント７２６及び入力コンポーネント７２８を含み得る。出力コンポーネント７２６は、視覚コンポーネント（例えば、プラズマディスプレイパネル（ＰＤＰ）、発光ダイオード（ＬＥＤ）ディスプレイ、液晶ディスプレイ（ＬＣＤ）、プロジェクタ、または陰極線管（ＣＲＴ）などのディスプレイ）、聴覚コンポーネント（例えば、スピーカー）、触覚コンポーネント（例えば、振動モータ、抵抗機構）、他の信号発生器などを含み得る。入力コンポーネント７２８は、英数字入力コンポーネント（例えば、キーボード、英数字入力を受け取るように構成されたタッチスクリーン、フォトオプティカルキーボード、または他の英数字入力コンポーネント）、ポイントベースの入力コンポーネント（例えば、マウス、タッチパッド、トラックボール、ジョイスティック、モーションセンサ、または別のポインティング機器）、触覚入力コンポーネント（例えば、物理ボタン、タッチまたはタッチジェスチャの位置および／または力を提供するタッチスクリーン、または他の触覚入力コンポーネント）、音声入力コンポーネント（例えば、マイクロフォン）などを含み得る。

さらなる実施形態では、Ｉ／Ｏコンポーネント７１８は、多種多様な他のコンポーネントの中でも、バイオメトリックコンポーネント７３９、モーションコンポーネント７３４、環境コンポーネント７３６、またはポジションコンポーネント７３８を含み得る。例えば、バイオメトリックコンポーネント７３９は、表情（例えば、手の表情、顔の表情、声の表情、身振り、または視線追跡）を検出し、生体信号（例えば、血圧、心拍数、体温、発汗、または脳波）を測定し、人を識別する（例えば、音声識別、網膜識別、顔識別、指紋識別、または脳波ベースの識別）などのコンポーネントを含み得る。モーションコンポーネント７３４は、加速度センサコンポーネント（例えば、加速度計）、重力センサコンポーネント、回転センサコンポーネント（例えば、ジャイロスコープ）などを含み得る。環境コンポーネント７３６は、例えば、照明センサコンポーネント（例えば、光度計）、温度センサコンポーネント（例えば、周囲温度を検出する１つ以上の温度計）、湿度センサコンポーネント、圧力センサコンポーネント（例えば、気圧計）、音響センサコンポーネント（例えば、背景ノイズを検出する１つ以上のマイクロフォン）、近接センサコンポーネント（例えば、近くの物体を検出する赤外線センサ）、ガスセンサ（例えば、安全のために有害ガスの濃度を検出するか、または大気中の汚染物質を測定するガス検出センサ）、または周囲の物理的環境に対応する表示、測定値、もしくは信号を提供し得る他のコンポーネントを含み得る。ポジションコンポーネント７３８は、位置センサコンポーネント（例えば、ＧＰＳ受信機コンポーネント）、高度センサコンポーネント（例えば、高度が導出され得る空気圧を検出する高度計または気圧計）、方位センサコンポーネント（例えば、磁力計）などを含み得る。

通信は、多種多様な技術を使用して実現され得る。Ｉ／Ｏコンポーネント７１８は、それぞれ結合７２４および結合７２２を介して機械７００をネットワーク７３７またはデバイス７２９に結合するように動作可能な通信コンポーネント７４０を含み得る。例えば、通信コンポーネント７４０は、ネットワーク７３７とインタフェースで接続するためのネットワークインタフェースコンポーネントまたは別の適切なデバイスを含み得る。さらなる実施例において、通信コンポーネント７４０は、有線通信コンポーネント、無線通信コンポーネント、セルラー通信コンポーネント、近距離無線通信（ＮＦＣ）コンポーネント、Ｂｌｕｅｔｏｏｔｈ（登録商標）コンポーネント（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）Ｌｏｗ Ｅｎｅｒｇｙ）、Ｗｉ－Ｆｉ（登録商標）コンポーネント、および他のモダリティを介して通信を提供する他の通信コンポーネントを含み得る。デバイス７２９は、別の機械または多種多様な周辺デバイス（例えば、ＵＳＢを介して接続された周辺デバイス）のいずれかであり得る。

さらに、通信コンポーネント７４０は、識別子を検出してもよく、または識別子を検出するように動作可能なコンポーネントを含み得る。例えば、通信コンポーネント７４０は、無線周波数識別（ＲＦＩＤ）タグリーダコンポーネント、ＮＦＣスマートタグ検出コンポーネント、光学リーダコンポーネント（例えば、ユニバーサルプロダクトコード（ＵＰＣ）バーコードなどの一次元バーコード、ＱＲ（Ｑｕｉｃｋ Ｒｅｓｐｏｎｓｅ）コード、Ａｚｔｅｃコード、Ｄａｔａ Ｍａｔｒｉｘ、Ｄａｔａｇｌｙｐｈ、ＭａｘｉＣｏｄｅ、ＰＤＦ４１７、Ｕｌｔｒａ Ｃｏｄｅ、ＵＣＣ ＲＳＳ－２Ｄバーコード、および他の光学コードなどの多次元バーコードを検出するための光学センサ）、または音響検出コンポーネント（例えば、タグ付けされたオーディオ信号を識別するためのマイクロフォン）を含み得る。加えて、インターネットプロトコル（ＩＰ）ジオロケーションを介したロケーション、Ｗｉ－Ｆｉ（登録商標）信号三角測量を介したロケーション、特定のロケーションを示し得るＮＦＣビーコン信号の検出によるロケーションなど、様々な情報が通信コンポーネント７４０を介して導出され得る。

＜用語解説＞
この文脈における「キャリア信号」は、機械による実行のための一時的または非一時的な命令を格納、符号化、または搬送することができる任意の無形媒体を指すだけでなく、そのような命令の通信を促進するためのデジタルまたはアナログ通信信号または他の無形媒体が含まれる。一時的または非一時的な命令は、ネットワークインタフェースデバイスを介した伝送媒体を使用することで、多数の周知の転送プロトコルのうちの任意の１つを使用することで、ネットワークを介して送信または受信されてもよい。

この文脈における「クライアントデバイス」は、１つまたは複数のサーバシステムまたは他のクライアントデバイスからリソースを取得するべく、通信ネットワークにインタフェースする任意の機械を指す。クライアントデバイスは、携帯電話、デスクトップコンピュータ、ラップトップ、ＰＤＡ、スマートフォン、タブレット、ウルトラブック、ネットブック、ラップトップ、マルチプロセッサシステム、マイクロプロセッサベースまたはプログラマブル家電、ゲームコンソール、セット・トップ・ボックス、またはユーザーがネットワークにアクセスするべく使用し得る他の任意の通信デバイス、であってよいが、それらに限定されるものではない。

この文脈における「通信ネットワーク」は、アドホックネットワーク、イントラネット、エクストラネット、仮想プライベートネットワーク（ＶＰＮ）、ＬＡＮ、ＢＬＥネットワーク、ＵＷＢネットワーク、無線ＬＡＮ（ＷＬＡＮ）、ＷＡＮ（wide area network）、無線ＷＡＮ（ＷＷＡＮ）、大都市圏ネットワーク（ＭＡＮ）、インターネット、インターネットの一部、公衆交換電話網（ＰＳＴＮ）の一部、ＰＯＴＳ（plain old telephone service）ネットワーク、セルラー電話ネットワーク、無線ネットワーク、Ｗｉ－Ｆｉ（登録商標）ネットワーク、別のタイプのネットワーク、または２つ以上のこのようなネットワークの組み合わせ、であってよいネットワークの１以上の部分を指している。例えば、ネットワークまたはネットワークの一部は、無線またはセルラーネットワークを備えてもよく、結合は、符号分割多重アクセス（ＣＤＭＡ）接続、移動通信用グローバルシステム（ＧＳＭ（登録商標））接続、または他のタイプのセルラーまたは無線結合であってもよい。この例では、結合は、シングルキャリア無線伝送技術（１ｘＲＴＴ）、進化データ最適化（Evolution-Data Optimized : ＥＶＤＯ）技術、一般パケット無線サービス（General Packet Radio Service : ＧＰＲＳ）技術、ＧＳＭ（登録商標）進化のための拡張データレート（Enhanced Data rates for GSM Evolution : ＥＤＧＥ）技術、３Ｇを含む第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））、第４世代無線ネットワーク（４Ｇ）、ＵＭＴＳ（Universal Mobile Telecommunications System）、ＨＳＰＡ（High Speed Packet Access）、ＷｉＭＡＸ（Worldwide Interoperability for Microwave Access）、ＬＴＥ（Long Term Evolution）規格、その他各種標準化団体が定めるプロトコル、その他の長距離データ転送技術、様々なタイプのデータ転送技術、などのいずれかを実装してもよい。

この文脈における「機械可読媒体」は、命令およびデータを一時的または永久的に格納することができる構成要素、デバイス、または他の有形媒体を指し、ランダムアクセスメモリ（ＲＡＭ）、読取専用メモリ（ＲＯＭ）、バッファメモリ、フラッシュメモリ、光学媒体、磁気媒体、キャッシュメモリ、他のタイプのストレージ（例えば、消去可能プログラム可能読取専用メモリ（ＥＥＰＲＯＭ））、および／またはそれらの任意の適切な組み合わせ、を備えていることができるが、これらに限定されるものではない。「機械可読媒体」という用語は、命令を格納することができる単一の媒体または複数の媒体（例えば、集中型または分散型データベース、または関連するキャッシュおよびサーバ）を備えていると解釈されるべきである。また、「機械可読媒体」という用語は、機械による実行のための命令（例えば、コード）を格納することができる任意の媒体、または複数の媒体の組み合わせ、を備えていると見なされ、命令が、機械の１つまたは複数のプロセッサによって実行されると、機械に、本明細書に記載する方法論のいずれか１つまたは複数を実行させるようなものであるものとする。したがって、「機械可読媒体」は、単一の記憶装置またはデバイスを、ならびに複数の記憶装置またはデバイスを備えている「クラウドベースの」記憶システムまたは記憶ネットワークを、指す。「機械可読媒体」という用語は、信号そのものを除外する。

この文脈での「構成要素」（コンポーネント）とは、関数またはサブルーチン呼び出し、分岐点、アプリケーションプログラミングインタフェースＡＰＩ、または特定の処理または制御機能のパーティショニングまたはモジュール化、を提供する他の技術によって定義された境界を持つデバイス、物理的実体、またはロジック、を指す。構成要素は、他の構成要素とのインタフェースを介して組み合わされ、機械処理を実行することができる。構成要素は、他の構成要素とで共に使用するべく設計されたパッケージ化された機能的なハードウェアユニットであり、通常、関連する機能のうち特定の機能を実行するプログラムの一部である場合がある。構成要素は、ソフトウェア構成要素（例えば、機械可読媒体に具現化されたコード）またはハードウェア構成要素のいずれかを構成することができる。「ハードウェア構成要素」は、特定の動作を実行することができる有形のユニットであり、特定の物理的な方法で構成または配置されることができる。様々な例示的な実施形態において、１つまたは複数のコンピュータシステム（例えば、スタンドアロンコンピュータシステム、クライアントコンピュータシステム、またはサーバコンピュータシステム）またはコンピュータシステムの１つまたは複数のハードウェア構成要素（例えば、プロセッサまたはプロセッサのグループ）は、ソフトウェア（例えば、アプリケーションまたはアプリケーション部分）によって、本書に記載するように特定の動作を行うように動作するハードウェア構成要素として構成され得る。

ハードウェア構成要素はまた、機械的、電子的、またはそれらの任意の適切な組み合わせ、で実装されてもよい。例えば、ハードウェア構成要素は、特定の動作を実行するように恒久的に構成された専用の回路またはロジックを備えてもよい。ハードウェア構成要素は、ＦＰＧＡ（Field-Programmable Gate Array）やＡＳＩＣなどの特殊用途のプロセッサであってもよい。また、ハードウェア構成要素は、ソフトウェアによって一時的に特定の動作を実行するように構成されたプログラマブルロジックまたは回路を備えていることができる。例えば、ハードウェア構成要素は、汎用プロセッサまたは他のプログラマブルプロセッサによって実行されるソフトウェアを備えてもよい。このようなソフトウェアによって構成されていると、ハードウェア構成要素は、構成された機能を実行するべく独自に調整された特定の機械（または機械の特定の構成要素）となるので、もはや汎用プロセッサではない。ハードウェア構成要素を機械的に、専用の恒久的に構成された回路に、または一時的に構成された回路（例えば、ソフトウェアによって構成された）に、実装するという判定は、コストおよび時間の考慮によって行われ得ることが理解されよう。したがって、「ハードウェア構成要素」（または「ハードウェア実装構成要素」）という語句は、物理的に構築されたエンティティ、恒久的に構成されたエンティティ（例えば、ハードワイヤード）、または一時的に構成されたエンティティ（例えば、プログラムされる）、であって、特定の方法で動作するように、または本書に記載の特定の動作を実行するべく、有形エンティティを包含するものと理解されるべきである。ハードウェア構成要素が一時的に構成されている（例えば、プログラムされる）実施形態を考慮すると、ハードウェア構成要素の各々は、任意の１つのインスタンスにおいて構成されていたりまたはインスタンス化されていたりする必要はない。例えば、ハードウェア構成要素が、ソフトウェアによって特殊目的プロセッサになるように構成された汎用プロセッサからなる場合、汎用プロセッサは、異なる時間にそれぞれ異なる特殊目的プロセッサとして（例えば、異なるハードウェア構成要素を備えるように）構成されてもよい。ソフトウェアは、それに応じて、例えば、特定のプロセッサまたはプロセッサグループを、或る時間のインスタンスにおいて特定のハードウェア構成要素を構成する一方で、異なる時間のインスタンスにおいては異なるハードウェア構成要素を構成するように、構成される。

ハードウェア構成要素は、他のハードウェア構成要素に情報を提供したり、他のハードウェア構成要素から情報を受信したり、することができる。従って、説明されたハードウェア構成要素は、通信可能に結合されているとみなすことができる。複数のハードウェア構成要素が同時期に存在する場合、通信は、ハードウェア構成要素の２つ以上の間または中で（例えば、適切な回路およびバスを介して）信号伝送によって達成され得る。複数のハードウェア構成要素が異なる時間に構成またはインスタンス化される実施形態では、そのようなハードウェア構成要素同士間の通信は、例えば、複数のハードウェア構成要素がアクセスするメモリ構造における情報の記憶および検索を通じて達成されてもよい。例えば、あるハードウェア構成要素は、操作（動作、オペレーション）を実行するだけでなく、その操作の出力を、通信可能に結合されているメモリデバイスに格納することができる。その後、別のハードウェア構成要素が、後日、メモリデバイスにアクセスすることで、保存された出力を取り出して処理することができる。

ハードウェア構成要素は、入力または出力デバイスとの通信を開始することもできるし、リソース（例えば、情報の集合体）上で動作することもできる。本明細書に記載される例示的方法の様々な動作は、関連する動作を実行するように一時的に（例えば、ソフトウェアによって）構成されているか、または恒久的に構成されている、１つまたは複数のプロセッサによって、少なくとも部分的に実行され得る。一時的に構成されたか恒久的に構成されたかにかかわらず、そのようなプロセッサは、本明細書に記載される１つ以上の動作または機能を実行するように動作するプロセッサ実装構成要素を構成してもよい。本明細書で使用される場合、「プロセッサ実装構成要素」は、１つ以上のプロセッサを使用して実装されるハードウェア構成要素を指す。同様に、本明細書に記載される方法は、特定のプロセッサまたは複数のプロセッサがハードウェアの一例である、少なくとも部分的にプロセッサ実装され得る。例えば、方法の動作の少なくとも一部は、１つ以上のプロセッサまたはプロセッサ実装構成要素によって実行されてもよい。さらに、１つ以上のプロセッサは、「クラウドコンピューティング」環境において、または「サービスとしてのソフトウェア」（ＳａａＳ）として、関連する動作の実行をサポートするように動作してもよい。例えば、操作（動作）の少なくとも一部は、（複数のプロセッサを含むマシンの例として）コンピュータのグループによって実行されてもよく、これらの操作は、ネットワーク（例えば、インターネット）を介して、および１つまたは複数の適切なインタフェース（例えば、ＡＰＩ）を介して、アクセス可能である。操作の特定の性能は、単一のマシン内に存在するだけでなく、多数のマシン同士にわたって展開されたプロセッサ同士の間で分散されてもよい。いくつかの例示的な実施形態では、プロセッサまたはプロセッサ実装構成要素は、単一の地理的な場所（例えば、家庭環境、オフィス環境、またはサーバファーム内）に配置されてもよい。他の例示的な実施形態では、プロセッサまたはプロセッサ実装構成要素は、多数の地理的な場所に分散していてもよい。

この文脈における「プロセッサ」は、制御信号（例えば、「コマンド」、「オペコード」、「機械コード」など）に従ってデータ値を操作するだけでなく、機械（マシン）を動作させるべく適用される対応する出力信号を生成する、任意の回路または仮想回路（実際のプロセッサ上で実行される論理によってエミュレートされる物理回路）を意味する。プロセッサは、例えば、ＣＰＵ、ＲＩＳＣプロセッサ、ＣＩＳＣプロセッサ、ＧＰＵ、ＤＳＰ、ＡＳＩＣ、ＲＦＩＣ、またはそれらの任意の組み合わせであってもよい。プロセッサはさらに、命令を同時に実行することができる２つ以上の独立したプロセッサ（「コア」と呼ばれることもある）を有するマルチコアプロセッサであってもよい。

この文脈における「タイムスタンプ」は、特定のイベントがいつ発生したかを識別する文字列または符号化された情報を指し、例えば、日付および時刻を提供し、場合によっては１秒の数分の１かの精度である。

本開示の範囲から逸脱することなく、開示された実施形態に対して変更および修正を行うことができる。これらおよび他の変更または修正は、以下の特許請求の範囲に示されるように、本開示の範囲内に含まれることが意図される。

加えて、前述の詳細な説明では、本開示を簡素化する目的で、様々な特徴が単一の実施形態にまとめられていることが分かる。本開示の方法は、特許請求される実施形態が各請求項に明示的に記載されるよりも多くの特徴を必要とするという意図を反映するものとして解釈されるべきではない。むしろ、以下の特許請求の範囲が反映するように、本発明の主題は、単一の開示された実施形態の全ての特徴よりも少ない特徴にあってもよい。従って、添付の請求項は、これにより、それぞれの請求項が別個の実施形態として独立している状態において、詳細な説明に組み込まれる。

Claims (24)

1. 方法であって、
   １つまたは複数のプロセッサが、ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、
   前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成すること、ここで、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練されており、
   ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、
   前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、
   前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を備える方法。
2. 前記ターゲットアクセス制御デバイスは、ドアに関連付けられたロック部を備え、
   前記処理を実行することは、前記ドアをアンロックすることを含む、請求項１に記載の方法。
3. ユーザーのモバイルデバイスと前記ターゲットアクセス制御デバイスとの間の無線通信リンクを確立すること、
   前記無線通信リンクを介して認証情報を交換すること、
   前記認証情報に基づいて、前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていると判定した後に前記処理を実行すること、をさらに備える請求項２に記載の方法。
4. 前記処理を実行する前に、前記認証情報に基づいて、前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていることを判定すること、
   前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの前記所与の予測軌跡の前記閾値範囲内にあると判定されるまで、前記ユーザーが権限を付与されていると判定した後に前記処理を実行することを遅延させること、をさらに備える請求項３に記載の方法。
5. 前記処理を実行する前に、前記認証情報に基づいて、前記ユーザーが前記ターゲットアクセス制御デバイスにアクセスする権限を付与されていることを判定すること、
   前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの前記所与の予測軌跡の前記閾値範囲外にあると判定したことに応答して、前記ユーザーが権限を付与されていると判定した後に前記処理を実行することを防止すること、をさらに備える請求項３または４に記載の方法。
6. 前記機械学習技法は、条件付き変分オートエンコーダを含む、請求項１～５のいずれか一項に記載の方法。
7. 前記ユーザー挙動情報に基づいて前記複数の予測軌跡を調整することは、
   前記複数の予測軌跡を生成するために前記条件付き変分オートエンコーダによって前記観測軌跡および前記ユーザー挙動情報を処理することを含み、
   前記複数の予測軌跡の各々は、前記ユーザーが対応する前記予測軌跡に沿って移動する尤度を示すそれぞれの確率に関連付けられる、請求項６に記載の方法。
8. 前記機械学習技法が、変分オートエンコーダを含む、請求項１～７のいずれか一項に記載の方法。
9. 前記ユーザー挙動情報に基づいて前記複数の予測軌跡を調整することは、
   前記ユーザー挙動情報を前記変分オートエンコーダによって出力された前記複数の予測軌跡と結び付けることを含み、
   前記複数の予測軌跡の各々は、前記ユーザーが対応する前記予測軌跡に沿って移動する尤度を示すそれぞれの確率に関連付けられる、請求項８に記載の方法。
10. 結び付けられた前記ユーザー挙動情報および前記複数の予測軌跡を第２の機械学習技法で処理することをさらに備え、
    前記第２の機械学習技法は、複数の訓練ユーザー挙動情報と複数のアクセス制御デバイスを作動させる予測された複数の意図との間の関係を確立するように訓練される、請求項８または９に記載の方法。
11. 前記ユーザーの観測軌跡を符号化することをさらに備え、
    前記機械学習技法は、前記ユーザーの符号化された観測軌跡に適用される、請求項１～１０のいずれか１項に記載の方法。
12. 受信した前記ユーザー挙動情報がユーザー挙動情報の最低限のパラメータを満たすか否かを判定すること、をさらに備える請求項１～１１に記載のいずれか１項に記載の方法。
13. 前記受信したユーザー挙動情報が前記ユーザー挙動情報の前記最低限のパラメータを満たすと判定したことに応答して、前記ターゲットアクセス制御デバイスに前記処理を実行させることをさらに備える請求項１２に記載の方法。
14. 前記受信したユーザー挙動情報が前記ユーザー挙動情報の前記最低限のパラメータを満たさないと判定したことに応答して、前記ターゲットアクセス制御デバイスが前記処理を実行することを防止することをさらに備える請求項１２または１３に記載の方法。
15. 前記最低限のパラメータは、指定された複数のタイプのユーザー挙動情報の閾値量を備える、請求項１２～１４のいずれか一項に記載の方法。
16. 特徴ベクトルを符号化することによって前記ユーザー挙動情報を生成することをさらに備え、
    前記ユーザー挙動情報を生成することは、
    前記ユーザーの物理的な動きを監視すること、
    前記ユーザーの歩幅を監視すること、
    前記ユーザーが異なる複数のタイプのアクセス制御デバイスを作動させる複数の時間帯および複数の場所を特定すること、
    所与のアクセス制御デバイスが前記ユーザーによって作動されている場合に、前記ユーザーの範囲内の他のクライアントデバイスおよび他のタイプのアクセス制御デバイスを特定すること、
    ユーザー自身のソーシャルネットワーク内に通常の場合にいる他のユーザーを特定すること、のうちの少なくとも１つを含む、請求項１～１５のいずれか一項に記載の方法。
17. 前記機械学習技法は、第１の機械学習技法を含み、
    第２の機械学習技法によって前記ユーザー挙動情報を生成することであって、前記第２の機械学習技法は、訓練ユーザー挙動情報と予測されたユーザー挙動情報との間の関係を確立するように訓練される、前記ユーザー挙動情報を生成すること、
    第３の機械学習技法によって前記ターゲットアクセス制御デバイスを作動させる前記ユーザー意図を生成することであって、前記第３の機械学習技法は、一組の軌跡と結び付けられた訓練ユーザー挙動情報と、複数のアクセス制御デバイスを作動させる予測されたユーザー意図との間の関係を確立するように訓練される、前記ユーザー意図を生成すること、をさらに備える請求項１～１６のいずれか一項に記載の方法。
18. 前記第１、第２、および第３の機械学習技法の各々は、エンドツーエンドで訓練される、請求項１７に記載の方法。
19. システムであって、
    非一時的コンピュータ命令を含むメモリに結合された１つまたは複数のプロセッサを備え、
    前記非一時的コンピュータ命令は、前記１つまたは複数のプロセッサによって実行されると、複数の処理を実行させ、
    前記複数の処理は、
    ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、
    前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成すること、ここで、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練されており、
    ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、
    前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、
    前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を含む、システム。
20. 複数の処理を実行するための非一時的コンピュータ可読命令を含む非一時的コンピュータ可読媒体であって、前記複数の処理は、
    ユーザーの観測軌跡および前記ユーザーについてのユーザー挙動情報を受信すること、
    前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成すること、ここで、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練されており、
    ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、
    前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、
    前記ターゲットアクセス制御デバイスが前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を含む、非一時的コンピュータ可読媒体。
21. 方法であって、
    ユーザーについてのユーザーの観測軌跡を受信すること、
    前記観測軌跡を機械学習技法によって処理して複数の予測軌跡を生成すること、ここで、前記機械学習技法は、複数の訓練観測軌跡と複数の訓練予測軌跡との間の関係を確立するように訓練されており、
    ユーザー挙動情報が利用可能であるか否かを判定すること、
    前記ユーザー挙動情報が利用可能でないと判定したことに応答して、ターゲットアクセス制御デバイスが、前記機械学習技法のみに基づいて生成された前記複数の予測軌跡のうちの所与の閾値範囲内にあることを判定すること、
    前記ユーザー挙動情報が利用可能であると判定することに応答して、
    ターゲットアクセス制御デバイスを作動させるユーザー意図を判定するために、ユーザー挙動情報に基づいて前記複数の予測軌跡を調整すること、
    前記ターゲットアクセス制御デバイスが調整された前記複数の予測軌跡のうちの所与の予測軌跡の閾値範囲内にあることを判定すること、
    前記ターゲットアクセス制御デバイスが前記閾値範囲内にあると判定したことに応答して、前記ターゲットアクセス制御デバイスに関連付けられた処理を実行すること、を備える方法。
22. 前記ユーザー挙動情報は、分類器によって出力され、前記分類器は、複数のユーザー挙動を入力として受信し、所与のアクセス制御デバイスにアクセスする意図の確率を出力する、請求項２１に記載の方法。
23. 前記ユーザー挙動情報は、分類器によって出力され、前記分類器は、複数のアクセス制御デバイスを入力として受信し、前記複数のアクセス制御デバイスのうちの所与のアクセス制御デバイスにアクセスする意図の確率を出力する、請求項２１または２２に記載の方法。
24. 前記複数の予測軌跡を調整することは、
    前記複数の予測軌跡に基づいて、ユーザー挙動分類器モデルによって提供される所与のアクセス制御デバイスにアクセスするユーザー意図の予測と、別の機械学習技法によって提供される前記所与のアクセス制御デバイスにアクセスするユーザー意図の予測との加重平均を計算することを含む、請求項２１～２３のいずれか一項に記載の方法。