JP6964354B2 - 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 - Google Patents
最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 Download PDFInfo
- Publication number
- JP6964354B2 JP6964354B2 JP2020006497A JP2020006497A JP6964354B2 JP 6964354 B2 JP6964354 B2 JP 6964354B2 JP 2020006497 A JP2020006497 A JP 2020006497A JP 2020006497 A JP2020006497 A JP 2020006497A JP 6964354 B2 JP6964354 B2 JP 6964354B2
- Authority
- JP
- Japan
- Prior art keywords
- test
- verification
- target
- learning
- peripheral
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 195
- 230000008859 change Effects 0.000 title claims description 8
- 238000004458 analytical method Methods 0.000 title description 3
- 230000006399 behavior Effects 0.000 title description 2
- 238000012360 testing method Methods 0.000 claims description 574
- 238000012795 verification Methods 0.000 claims description 290
- 230000002093 peripheral effect Effects 0.000 claims description 258
- 230000008569 process Effects 0.000 claims description 158
- 239000013598 vector Substances 0.000 claims description 156
- 230000033001 locomotion Effects 0.000 claims description 71
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 238000011176 pooling Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- B60W30/0956—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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/082—Selecting or switching between different modes of propelling
-
- 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
- B60W60/005—Handover processes
-
- 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
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
- G05D1/0061—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements for transition from automatic pilot to manual pilot and vice versa
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
-
- 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
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/005—Handover processes
- B60W60/0051—Handover processes from occupants to vehicle
-
- 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
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Image Analysis (AREA)
Description
本発明は、最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置。{LEARNING METHOD AND LEARNING DEVICE FOR DETERMINING WHETHER TO SWITCH MODE OF VEHICLE FROM MANUAL DRIVING MODE TO AUTONOMOUS DRIVING MODE BY PERFORMING TRAJECTORY−BASED BEHAVIOR ANALYSIS ON RECENT DRIVING ROUTE}に関する。
Claims (26)
- 運転者の最近の走行経路を、これに対応する時間範囲の周辺状況と関連して分析することにより、自律走行が可能な車両の走行モード切り替えが適切であるか否かを判断するために用いられる衝突確率を計算する学習方法において、
(a)学習装置が、(1)第1時点ないし第T時点を含む検証用対象時間範囲内の(i−1)少なくとも一つの対象車両に対する少なくとも一つの対象モーション情報及び(i−2)前記対象車両から閾値距離以下に位置した一つ以上の周辺物体のうちの少なくとも一部に対する一つ以上の周辺モーション情報の中から少なくとも一部を含む少なくとも一つの検証用状況情報に対応する少なくとも一つの状態ベクトルと(2)前記検証用対象時間範囲内に前記対象車両が走行した少なくとも一つの走行経路に対する少なくとも一つの検証用経路情報に対応する少なくとも一つの軌跡ベクトルとが取得されると、(i)状態ネットワークをもって、前記状態ベクトルに少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つの状態特徴マップを生成するようにするプロセスと(ii)軌跡ネットワークをもって、前記軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つの軌跡特徴マップを生成するようにするプロセスとを遂行する段階;
(b)前記学習装置が、前記状態特徴マップ及び前記軌跡特徴マップに対応する少なくとも一つのコンカチネート(concatenate)された特徴マップが取得されると、安全性ネットワークをもって、前記コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記検証用状況情報によって規定される状況に関する前記検証用経路情報に対応する前記走行経路による少なくとも一つの事故が発生するものと予測される確率である少なくとも一つの予測衝突確率を算出するようにする段階;及び
(c)前記学習装置が、ロスレイヤをもって、前記予測衝突確率と、取得済みの少なくとも一つのGT(Ground Truth)衝突確率とを参照して少なくとも一つのロスを生成するようにし、これを利用してバックプロパーゲーション(backpropagation)を遂行するようにすることにより、前記安全性ネットワークと、前記軌跡ネットワークと、前記状態ネットワークとのパラメータのうちの少なくとも一部を学習する段階;を含み、
前記(b)段階で、
前記学習装置が、(i)少なくとも一つのコンカチネーティングレイヤをもって、前記状態特徴マップ及び前記軌跡特徴マップをコンカチネートして前記コンカチネートされた特徴マップを生成するようにし、(ii)前記安全性ネットワークの少なくとも一つの第3コンボリューションレイヤをもって、前記コンカチネートされた特徴マップに少なくとも一つの第3コンボリューション演算を適用して少なくとも一つの第3−1特徴マップを生成するようにし、(iii)前記安全性ネットワークの少なくとも一つの第3プーリングレイヤをもって、前記3−1特徴マップに少なくとも一つの第3プーリング演算を適用して少なくとも一つの第3−2特徴マップを生成するようにし、(iv)少なくとも一つの第3FCレイヤをもって、前記第3−2特徴マップに少なくとも一つの第3FC演算を適用して、前記予測衝突確率を算出するようにする
ことを特徴とする方法。 - 前記(a)段階で、
前記学習装置が、(i)前記状態ネットワークの少なくとも一つの第1コンボリューションレイヤをもって、前記状態ベクトルに少なくとも一つの第1コンボリューション演算を適用して少なくとも一つの第1−1特徴マップを生成するようにし、(ii)前記状態ネットワークの少なくとも一つの第1プーリングレイヤをもって、前記1−1特徴マップに少なくとも一つの第1プーリング演算を適用して少なくとも一つの第1−2特徴マップを生成するようにし、(iii)少なくとも一つの第1FC(Fully−Connected)レイヤをもって、前記第1−2特徴マップに少なくとも一つの第1FC演算を適用して、前記状態特徴マップを生成するようにすることを特徴とする請求項1に記載の方法。 - 前記(a)段階で、
前記学習装置が、(i)前記軌跡ネットワークの少なくとも一つの第2コンボリューションレイヤをもって、前記軌跡ベクトルに少なくとも一つの第2コンボリューション演算を適用して少なくとも一つの第2−1特徴マップを生成するようにし、(ii)前記軌跡ネットワークの少なくとも一つの第2プーリングレイヤをもって、前記2−1特徴マップに少なくとも一つの第2プーリング演算を適用して少なくとも一つの第2−2特徴マップを生成するようにし、(iii)少なくとも一つの第2FCレイヤをもって、前記第2−2特徴マップに少なくとも一つの第2FC演算を適用して、前記軌跡特徴マップを生成するようにすることを特徴とする請求項1に記載の方法。 - 前記(a)段階以前に、
(a0)前記学習装置が、前記対象車両と連動された少なくとも一つの基地局サーバと通信して、(i)前記基地局サーバから取得された、(i−1)前記対象車両に対する少なくとも一つの対象位置情報、(i−2)前記対象車両に対する少なくとも一つの対象速度情報、(i−3)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(i−4)前記検証用対象時間範囲に対応する、前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含む前記検証用状況情報を利用して、前記状態ベクトルを生成するプロセスと、(ii)前記基地局サーバから取得された、検証用領域マップ上での前記検証用対象時間範囲の間、前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して前記軌跡ベクトルを生成するプロセスと、(iii)前記基地局サーバから取得された、第T+1時点ないし第T+K時点(Kは任意の整数(integer)である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記(a)段階以前に、
(a1)前記学習装置が、(i)前記検証用対象時間範囲に対応する前記検証用状況情報を利用して前記状態ベクトルを生成し、前記検証用状況情報は、(1)前記対象車両に対する少なくとも一つの走行記録情報を参照して取得された、(1−1)前記対象車両に対する少なくとも一つの対象位置情報、及び(1−2)前記対象車両に対する少なくとも一つの対象速度情報、並びに(2)前記対象車両の少なくとも一つの対象カメラによって前記検証用対象時間範囲の間に記録された少なくとも一つの走行映像を参照して取得された、(2−1)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(2−2)前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含むものであるプロセスと、(ii)前記走行記録を参照して取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を参照して、前記軌跡ベクトルを生成するプロセスと、(iii)前記走行記録情報を参照にして取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記(a)段階以前に、
(a2)前記学習装置が、(i)前記検証用対象時間範囲に対応する前記検証用状況情報を利用して前記状態ベクトルを生成し、前記検証用状況情報は、(1)前記対象車両に対する少なくとも一つの走行記録情報を参照して取得された、(1−1)前記対象車両に対する少なくとも一つの対象位置情報、及び(1−2)前記対象車両に対する少なくとも一つの対象速度情報、並びに(2)前記周辺車両のうちの少なくとも一部と通信するために利用される、前記対象車両に設置された少なくとも一つのV2X(Vehicle to Everything)通信モジュールを利用して取得された、(2−1)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(2−2)前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含むものであるプロセスと、(ii)前記走行記録を参照して取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して、前記軌跡ベクトルを生成するプロセスと、(iii)前記走行記録情報を参照にして取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記(a)段階以前に、
(a3)前記学習装置が、前記対象車両及び前記周辺物体を含む少なくとも一つの仮想世界をシミュレーティング(simulating)する少なくとも一つのシミュレーティング装置と通信して、(i)前記シミュレーティング装置から取得された、(i−1)前記対象車両に対する少なくとも一つの対象位置情報、(i−2)前記対象車両に対する少なくとも一つの対象速度情報、(i−3)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(i−4)前記検証用対象時間範囲に対応する前記周辺車両の少なくとも一部に対する一つ以上の周辺速度情報を含む前記検証用状況情報を利用して、前記状態ベクトルを生成するプロセスと、(ii)前記シミュレーティング装置から取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して前記軌跡ベクトルを生成するプロセスと、(iii)前記シミュレーティング装置から取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する少なくとも一つの事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行する段階;
をさらに含むことを特徴とする請求項1に記載の方法。 - 前記対象モーション情報は、(i−1)前記対象車両に対する少なくとも一つの対象位置情報と、(i−2)前記対象車両に対する少なくとも一つの対象速度情報と、(i−3)前記対象車両に対する少なくとも一つの対象加速情報とのうちの少なくとも一部を含み、
前記周辺モーション情報は、(ii−1)前記周辺物体のうちの少なくとも一部に対する少なくとも一つの周辺位置情報と、(ii−2)前記周辺物体のうちの少なくとも一つの周辺速度情報と、(ii−3)前記周辺物体のうちの少なくとも一部に対する少なくとも一つの周辺加速情報とのうちの少なくとも一部を含むことを特徴とする請求項1に記載の方法。 - 運転者の最近の走行経路を、これに対応する時間範囲の周辺状況と関連して分析することにより、自律走行が可能な車両の走行モード切り替えが適切であるか否かを判断するために用いられる衝突確率を計算するテスティング方法において、
(a)(1)学習装置が、(イ)第1時点ないし第T時点を含む学習用検証用対象時間範囲内の(イ−1)少なくとも一つの学習用対象車両に対する少なくとも一つの学習用対象モーション情報及び(イ−2)前記学習用対象車両から閾値距離以下に位置した一つ以上の学習用周辺物体のうちの少なくとも一部に対する一つ以上の学習用周辺モーション情報のうちの少なくとも一部を含む少なくとも一つの学習用検証用状況情報に対応する少なくとも一つの学習用状態ベクトルと(ロ)前記学習用検証用対象時間範囲内に前記学習用対象車両が走行した少なくとも一つの学習用走行経路に対する少なくとも一つの学習用検証用経路情報に対応する少なくとも一つの学習用軌跡ベクトルとが取得されると、(i)状態ネットワークをもって、前記学習用状態ベクトルに少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つの学習用状態特徴マップを生成するようにするプロセスと(ii)軌跡ネットワークをもって、前記学習用軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つの学習用軌跡特徴マップを生成するようにするプロセスとを遂行し、(2)前記学習装置が、前記学習用状態特徴マップ及び前記学習用軌跡特徴マップに対応する少なくとも一つの学習用コンカチネートされた特徴マップが取得されると、安全性ネットワークをもって、前記学習用コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記学習用検証用状況情報によって規定される学習用状況に関する前記学習用検証用経路情報に対応する前記学習用走行経路による少なくとも一つの学習用事故が発生するものと予測される確率である少なくとも一つの学習用予測衝突確率を算出するようにし、(3)前記学習装置が、ロスレイヤをもって、前記学習用予測衝突確率と、取得済みの少なくとも一つのGT(Ground Truth)衝突確率とを参照して少なくとも一つのロスを生成するようにし、これを利用してバックプロパーゲーション(backpropagation)を遂行するようにすることにより、前記安全性ネットワークと、前記軌跡ネットワークと、前記状態ネットワークとのパラメータのうちの少なくとも一部を学習した状態で、テスティング装置が、(イ)第1’時点ないし第T’時点を含むテスト用検証用対象時間範囲内の(イ−1)少なくとも一つのテスト用対象車両に対する少なくとも一つのテスト用対象モーション情報及び(イ−2)前記テスト用対象車両から閾値距離以下に位置した一つ以上のテスト用周辺物体のうちの少なくとも一部に対する一つ以上のテスト用周辺モーション情報のうちの少なくとも一部を含む少なくとも一つのテスト用検証用状況情報に対応する少なくとも一つのテスト用状態ベクトルと(ロ)前記テスト用検証用対象時間範囲内に前記テスト用対象車両が走行した少なくとも一つのテスト用走行経路に対する少なくとも一つのテスト用検証用経路情報に対応する少なくとも一つのテスト用軌跡ベクトルとが取得されると、(i)前記状態ネットワークをもって、前記テスト用状態ベクトルに前記少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つのテスト用状態特徴マップを生成するようにするプロセスと(ii)前記軌跡ネットワークをもって、前記テスト用軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つのテスト用軌跡特徴マップを生成するようにするプロセスとを遂行する段階;及び
(b)前記テスティング装置が、前記テスト用状態特徴マップ及び前記テスト用軌跡特徴マップに対応する少なくとも一つのテスト用コンカチネートされた特徴マップが取得されると、前記安全性ネットワークをもって、前記テスト用コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記テスト用検証用状況情報によって規定されるテスト用状況に関する前記テスト用検証用経路情報に対応する前記テスト用走行経路による少なくとも一つのテスト用事故が発生するものと予測される確率である少なくとも一つのテスト用予測衝突確率を算出するようにする段階;を含み、
前記(a)段階で、
前記学習装置が、(i)少なくとも一つのコンカチネーティングレイヤをもって、前記学習用状態特徴マップ及び前記学習用軌跡特徴マップをコンカチネートして前記学習用コンカチネートされた特徴マップを生成するようにし、(ii)前記安全性ネットワークの少なくとも一つの第3コンボリューションレイヤをもって、前記学習用コンカチネートされた特徴マップに少なくとも一つの第3コンボリューション演算を適用して少なくとも一つの第3−1特徴マップを生成するようにし、(iii)前記安全性ネットワークの少なくとも一つの第3プーリングレイヤをもって、前記3−1特徴マップに少なくとも一つの第3プーリング演算を適用して少なくとも一つの第3−2特徴マップを生成するようにし、(iv)少なくとも一つの第3FCレイヤをもって、前記第3−2特徴マップに少なくとも一つの第3FC演算を適用して、前記学習用予測衝突確率を算出するようにする
ことを特徴とするテスティング方法。 - 前記(a)段階で、
前記テスティング装置が、前記テスト用対象車両と連動された少なくとも一つのテスト用基地局サーバと通信して、(i)前記テスト用基地局サーバから取得された、(i−1)前記テスト用対象車両に対する少なくとも一つのテスト用対象位置情報、(i−2)前記テスト用対象車両に対する少なくとも一つのテスト用対象速度情報、(i−3)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(i−4)前記テスト用検証用対象時間範囲に対応する、前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含む前記テスト用検証用状況情報を利用して、前記テスト用状態ベクトルを生成するプロセスと、(ii)前記テスト用基地局サーバから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項9に記載のテスティング方法。 - 前記(a)段階で、
前記テスティング装置が、(i)前記テスト用検証用対象時間範囲に対応する前記テスト用検証用状況情報を利用して前記テスト用状態ベクトルを生成し、前記テスト用検証用状況情報は、(1)前記テスト用対象車両に含まれたテスト用GPS及びテスト用速度制限ユニットのうちの少なくとも一つから取得された、(1−1)前記テスト用対象車両の少なくとも一つのテスト用対象位置情報、及び(1−2)前記テスト用対象車両の少なくとも一つのテスト用対象速度情報、並びに(2)前記テスト用対象車両の少なくとも一つのテスト用対象カメラによって前記テスト用検証用対象時間範囲の間に記録された少なくとも一つのテスト用走行映像を参照して取得された、(2−1)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(2−2)前記テスト用周辺物体のうちの前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含むものであるプロセスと、(ii)前記テスト用対象車両に含まれたテスト用プランニング(planning)ユニットから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して、前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項9に記載のテスティング方法。 - 前記(a)段階で、
前記テスティング装置が、(i)前記テスト用検証用対象時間範囲に対応する前記テスト用検証用状況情報を利用して前記テスト用状態ベクトルを生成し、前記テスト用検証用状況情報は、(1)前記テスト用対象車両に含まれたテスト用GPS及びテスト用速度制限ユニットのうちの少なくとも一つから取得された、(1−1)前記テスト用対象車両の少なくとも一つのテスト用対象位置情報、及び(1−2)前記テスト用対象車両の少なくとも一つのテスト用対象速度情報、並びに(2)前記テスト用対象車両に含まれたテスト用V2X通信モジュールを利用して前記テスト用検証用対象時間範囲の間に取得された、(2−1)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(2−2)前記テスト用周辺物体のうちの前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含むものであるプロセスと、(ii)前記テスト用対象車両に含まれたテスト用プランニングユニットから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して、前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項9に記載のテスティング方法。 - (c)前記テスティング装置が、前記テスト用予測衝突確率が閾値より大きく、前記テスト用対象車両の走行モードが手動走行モードである場合、前記テスト用対象車両をもって、前記走行モードを自律走行モードに変更するようにする段階;
をさらに含むことを特徴とする請求項9に記載のテスティング方法。 - 運転者の最近の走行経路を、これに対応する時間範囲の周辺状況と関連して分析することにより、自律走行が可能な車両の走行モード切り替えが適切であるか否かを判断するために用いられる衝突確率を計算する学習装置において、
インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)第1時点ないし第T時点を含む検証用対象時間範囲内の(1−1)少なくとも一つの対象車両に対する少なくとも一つの対象モーション情報、及び(1−2)前記対象車両から閾値距離以下に位置した一つ以上の周辺物体のうちの少なくとも一部に対する一つ以上の周辺モーション情報の中から少なくとも一部を含む少なくとも一つの検証用状況情報に対応する少なくとも一つの状態ベクトルと(2)前記検証用対象時間範囲内に前記対象車両が走行した少なくとも一つの走行経路に対する少なくとも一つの検証用経路情報に対応する少なくとも一つの軌跡ベクトルとが取得されると、(i)状態ネットワークをもって、前記状態ベクトルに少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つの状態特徴マップを生成するようにするプロセスと(ii)軌跡ネットワークをもって、前記軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つの軌跡特徴マップを生成するようにするプロセスとを遂行するプロセス、(II)前記状態特徴マップ及び前記軌跡特徴マップに対応する少なくとも一つのコンカチネート(concatenate)された特徴マップが取得されると、安全性ネットワークをもって、前記コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記検証用状況情報によって規定される状況に関する前記検証用経路情報に対応する前記走行経路による少なくとも一つの事故が発生するものと予測される確率である少なくとも一つの予測衝突確率を算出するようにするプロセス、及び(III)ロスレイヤをもって、前記予測衝突確率と、取得済みの少なくとも一つのGT(Ground Truth)衝突確率とを参照して少なくとも一つのロスを生成するようにし、これを利用してバックプロパーゲーション(backpropagation)を遂行するようにすることにより、前記安全性ネットワークと、前記軌跡ネットワークと、前記状態ネットワークとのパラメータのうちの少なくとも一部を学習するプロセスを遂行するための、前記インストラクションを実行するように構成された少なくとも一つのプロセッサ;を含み、
前記(II)プロセスで、
前記プロセッサが、(i)少なくとも一つのコンカチネーティングレイヤをもって、前記状態特徴マップ及び前記軌跡特徴マップをコンカチネートして前記コンカチネートされた特徴マップを生成するようにし、(ii)前記安全性ネットワークの少なくとも一つの第3コンボリューションレイヤをもって、前記コンカチネートされた特徴マップに少なくとも一つの第3コンボリューション演算を適用して少なくとも一つの第3−1特徴マップを生成するようにし、(iii)前記安全性ネットワークの少なくとも一つの第3プーリングレイヤをもって、前記3−1特徴マップに少なくとも一つの第3プーリング演算を適用して少なくとも一つの第3−2特徴マップを生成するようにし、(iv)少なくとも一つの第3FCレイヤをもって、前記第3−2特徴マップに少なくとも一つの第3FC演算を適用して、前記予測衝突確率を算出するようにする
ことを特徴とする学習装置。 - 前記(I)プロセスで、
前記プロセッサが、(i)前記状態ネットワークの少なくとも一つの第1コンボリューションレイヤをもって、前記状態ベクトルに少なくとも一つの第1コンボリューション演算を適用して少なくとも一つの第1−1特徴マップを生成するようにし、(ii)前記状態ネットワークの少なくとも一つの第1プーリングレイヤをもって、前記1−1特徴マップに少なくとも一つの第1プーリング演算を適用して少なくとも一つの第1−2特徴マップを生成するようにし、(iii)少なくとも一つの第1FC(Fully−Connected)レイヤをもって、前記第1−2特徴マップに少なくとも一つの第1FC演算を適用して、前記状態特徴マップを生成するようにすることを特徴とする請求項14に記載の学習装置。 - 前記(I)プロセスで、
前記プロセッサが、(i)前記軌跡ネットワークの少なくとも一つの第2コンボリューションレイヤをもって、前記軌跡ベクトルに少なくとも一つの第2コンボリューション演算を適用して少なくとも一つの第2−1特徴マップを生成するようにし、(ii)前記軌跡ネットワークの少なくとも一つの第2プーリングレイヤをもって、前記2−1特徴マップに少なくとも一つの第2プーリング演算を適用して少なくとも一つの第2−2特徴マップを生成するようにし、(iii)少なくとも一つの第2FCレイヤをもって、前記第2−2特徴マップに少なくとも一つの第2FC演算を適用して、前記軌跡特徴マップを生成するようにすることを特徴とする請求項14に記載の学習装置。 - 前記(I)プロセス以前に、
前記プロセッサが、(I0)前記対象車両と連動された少なくとも一つの基地局サーバと通信して、(i)前記基地局サーバから取得された、(i−1)前記対象車両に対する少なくとも一つの対象位置情報、(i−2)前記対象車両に対する少なくとも一つの対象速度情報、(i−3)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(i−4)前記検証用対象時間範囲に対応する、前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含む前記検証用状況情報を利用して、前記状態ベクトルを生成するプロセスと、(ii)前記基地局サーバから取得された、検証用領域マップ上での前記検証用対象時間範囲の間、前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して前記軌跡ベクトルを生成するプロセスと、(iii)前記基地局サーバから取得された、第T+1時点ないし第T+K時点(Kは任意の整数(integer)である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行するプロセスをさらに遂行することを特徴とする請求項14に記載の学習装置。 - 前記(I)プロセス以前に、
前記プロセッサが、(I1)(i)前記検証用対象時間範囲に対応する前記検証用状況情報を利用して前記状態ベクトルを生成し、前記検証用状況情報は、(1)前記対象車両に対する少なくとも一つの走行記録情報を参照して取得された、(1−1)前記対象車両に対する少なくとも一つの対象位置情報、及び(1−2)前記対象車両に対する少なくとも一つの対象速度情報、並びに(2)前記対象車両の少なくとも一つの対象カメラによって前記検証用対象時間範囲の間に記録された少なくとも一つの走行映像を参照して取得された、(2−1)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(2−2)前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含むものであるプロセスと、(ii)前記走行記録を参照して取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を参照して、前記軌跡ベクトルを生成するプロセスと、(iii)前記走行記録情報を参照にして取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行するプロセスをさらに遂行することを特徴とする請求項14に記載の学習装置。 - 前記(I)プロセス以前に、
前記プロセッサが、(I2)(i)前記検証用対象時間範囲に対応する前記検証用状況情報を利用して前記状態ベクトルを生成し、前記検証用状況情報は、(1)前記対象車両に対する少なくとも一つの走行記録情報を参照して取得された、(1−1)前記対象車両に対する少なくとも一つの対象位置情報、及び(1−2)前記対象車両に対する少なくとも一つの対象速度情報、並びに(2)前記周辺車両のうちの少なくとも一部と通信するために利用される、前記対象車両に設置された少なくとも一つのV2X(Vehicle to Everything)通信モジュールを利用して取得された、(2−1)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(2−2)前記周辺車両の少なくとも一部に対する少なくとも一つの周辺速度情報を含むものであるプロセスと、(ii)前記走行記録を参照して取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して、前記軌跡ベクトルを生成するプロセスと、(iii)前記走行記録情報を参照にして取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行するプロセスをさらに遂行することを特徴とする請求項14に記載の学習装置。 - 前記(I)プロセス以前に、
前記プロセッサが、(I3)前記対象車両及び前記周辺物体を含む少なくとも一つの仮想世界をシミュレーティング(simulating)する少なくとも一つのシミュレーティング装置と通信して、(i)前記シミュレーティング装置から取得された、(i−1)前記対象車両に対する少なくとも一つの対象位置情報、(i−2)前記対象車両に対する少なくとも一つの対象速度情報、(i−3)前記周辺物体のうちの周辺車両の少なくとも一部に対する少なくとも一つの周辺位置情報、及び(i−4)前記検証用対象時間範囲に対応する前記周辺車両の少なくとも一部に対する一つ以上の周辺速度情報を含む前記検証用状況情報を利用して、前記状態ベクトルを生成するプロセスと、(ii)前記シミュレーティング装置から取得された、検証用領域マップ上での前記検証用対象時間範囲の間の前記対象車両の前記走行経路に対応する前記検証用経路情報を利用して前記軌跡ベクトルを生成するプロセスと、(iii)前記シミュレーティング装置から取得された、第T+1時点ないし第T+K時点(Kは任意の整数である)を含む注意時間範囲内に前記対象車両に少なくとも一つの事故が起きたか否かに対する少なくとも一つの事故情報を利用して、前記GT衝突確率を取得するプロセスとを遂行するプロセスをさらに遂行することを特徴とする請求項14に記載の学習装置。 - 前記対象モーション情報は、(i−1)前記対象車両に対する少なくとも一つの対象位置情報と、(i−2)前記対象車両に対する少なくとも一つの対象速度情報と、(i−3)前記対象車両に対する少なくとも一つの対象加速情報とのうちの少なくとも一部を含み、
前記周辺モーション情報は、(ii−1)前記周辺物体のうちの少なくとも一部に対する少なくとも一つの周辺位置情報と、(ii−2)前記周辺物体のうちの少なくとも一つの周辺速度情報と、(ii−3)前記周辺物体のうちの少なくとも一部に対する少なくとも一つの周辺加速情報とのうちの少なくとも一部を含むことを特徴とする請求項14に記載の学習装置。 - 運転者の最近の走行経路を、これに対応する時間範囲の周辺状況と関連して分析することにより、自律走行が可能な車両の走行モード切り替えが適切であるか否かを判断するために用いられる衝突確率を計算するテスティング装置において、
インストラクションを格納する少なくとも一つのメモリ;及び
(I)(1)学習装置が、(イ)第1時点ないし第T時点を含む学習用検証用対象時間範囲内の(イ−1)少なくとも一つの学習用対象車両に対する少なくとも一つの学習用対象モーション情報及び(イ−2)前記学習用対象車両から閾値距離以下に位置した一つ以上の学習用周辺物体のうちの少なくとも一部に対する一つ以上の学習用周辺モーション情報のうちの少なくとも一部を含む少なくとも一つの学習用検証用状況情報に対応する少なくとも一つの学習用状態ベクトルと(ロ)前記学習用検証用対象時間範囲内に前記学習用対象車両が走行した少なくとも一つの学習用走行経路に対する少なくとも一つの学習用検証用経路情報に対応する少なくとも一つの学習用軌跡ベクトルとが取得されると、(i)状態ネットワークをもって、前記学習用状態ベクトルに少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つの学習用状態特徴マップを生成するようにするプロセスと(ii)軌跡ネットワークをもって、前記学習用軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つの学習用軌跡特徴マップを生成するようにするプロセスとを遂行し、(2)前記学習装置が、前記学習用状態特徴マップ及び前記学習用軌跡特徴マップに対応する少なくとも一つの学習用コンカチネートされた特徴マップが取得されると、安全性ネットワークをもって、前記学習用コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記学習用検証用状況情報によって規定される学習用状況に関する前記学習用検証用経路情報に対応する前記学習用走行経路による少なくとも一つの学習用事故が発生するものと予測される確率である少なくとも一つの学習用予測衝突確率を算出するようにし、(3)前記学習装置が、ロスレイヤをもって、前記学習用予測衝突確率と、取得済みの少なくとも一つのGT(Ground Truth)衝突確率とを参照して少なくとも一つのロスを生成するようにし、これを利用してバックプロパーゲーション(backpropagation)を遂行するようにすることにより、前記安全性ネットワークと、前記軌跡ネットワークと、前記状態ネットワークとのパラメータのうちの少なくとも一部を学習した状態で、(イ)第1’時点ないし第T’時点を含むテスト用検証用対象時間範囲内の(イ−1)少なくとも一つのテスト用対象車両に対する少なくとも一つのテスト用対象モーション情報及び(イ−2)前記テスト用対象車両から閾値距離以下に位置した一つ以上のテスト用周辺物体のうちの少なくとも一部に対する一つ以上のテスト用周辺モーション情報のうちの少なくとも一部を含む少なくとも一つのテスト用検証用状況情報に対応する少なくとも一つのテスト用状態ベクトルと(ロ)前記テスト用検証用対象時間範囲内に前記テスト用対象車両が走行した少なくとも一つのテスト用走行経路に対する少なくとも一つのテスト用検証用経路情報に対応する少なくとも一つのテスト用軌跡ベクトルとが取得されると、(i)前記状態ネットワークをもって、前記テスト用状態ベクトルに前記少なくとも一つの第1ニューラルネットワーク演算を適用して少なくとも一つのテスト用状態特徴マップを生成するようにするプロセスと(ii)前記軌跡ネットワークをもって、前記テスト用軌跡ベクトルに少なくとも一つの第2ニューラルネットワーク演算を適用して少なくとも一つのテスト用軌跡特徴マップを生成するようにするプロセスとを遂行するプロセス、及び(II)前記テスト用状態特徴マップ及び前記テスト用軌跡特徴マップに対応する少なくとも一つのテスト用コンカチネートされた特徴マップが取得されると、前記安全性ネットワークをもって、前記テスト用コンカチネートされた特徴マップに少なくとも一つの第3ニューラルネットワーク演算を適用して、前記テスト用検証用状況情報によって規定されるテスト用状況に関する前記テスト用検証用経路情報に対応する前記テスト用走行経路による少なくとも一つのテスト用事故が発生するものと予測される確率である少なくとも一つのテスト用予測衝突確率を算出するようにするプロセスを遂行するための、前記インストラクションを実行するように構成された少なくとも一つのプロセッサ;を含み、
前記(I)プロセスで、
前記学習装置が、(i)少なくとも一つのコンカチネーティングレイヤをもって、前記学習用状態特徴マップ及び前記学習用軌跡特徴マップをコンカチネートして前記学習用コンカチネートされた特徴マップを生成するようにし、(ii)前記安全性ネットワークの少なくとも一つの第3コンボリューションレイヤをもって、前記学習用コンカチネートされた特徴マップに少なくとも一つの第3コンボリューション演算を適用して少なくとも一つの第3−1特徴マップを生成するようにし、(iii)前記安全性ネットワークの少なくとも一つの第3プーリングレイヤをもって、前記3−1特徴マップに少なくとも一つの第3プーリング演算を適用して少なくとも一つの第3−2特徴マップを生成するようにし、(iv)少なくとも一つの第3FCレイヤをもって、前記第3−2特徴マップに少なくとも一つの第3FC演算を適用して、前記学習用予測衝突確率を算出するようにする
ことを特徴とするテスティング装置。 - 前記(I)プロセスで、
前記プロセッサが、前記テスト用対象車両と連動された少なくとも一つのテスト用基地局サーバと通信して、(i)前記テスト用基地局サーバから取得された、(i−1)前記テスト用対象車両に対する少なくとも一つのテスト用対象位置情報、(i−2)前記テスト用対象車両に対する少なくとも一つのテスト用対象速度情報、(i−3)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(i−4)前記テスト用検証用対象時間範囲に対応する、前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含む前記テスト用検証用状況情報を利用して、前記テスト用状態ベクトルを生成するプロセスと、(ii)前記テスト用基地局サーバから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項22に記載のテスティング装置。 - 前記(I)プロセスで、
前記プロセッサが、(i)前記テスト用検証用対象時間範囲に対応する前記テスト用検証用状況情報を利用して前記テスト用状態ベクトルを生成し、前記テスト用検証用状況情報は、(1)前記テスト用対象車両に含まれたテスト用GPS及びテスト用速度制限ユニットのうちの少なくとも一つから取得された、(1−1)前記テスト用対象車両の少なくとも一つのテスト用対象位置情報、及び(1−2)前記テスト用対象車両の少なくとも一つのテスト用対象速度情報、並びに(2)前記テスト用対象車両の少なくとも一つのテスト用対象カメラによって前記テスト用検証用対象時間範囲の間に記録された少なくとも一つのテスト用走行映像を参照して取得された、(2−1)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(2−2)前記テスト用周辺物体のうちの前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含むものであるプロセスと、(ii)前記テスト用対象車両に含まれたテスト用プランニング(planning)ユニットから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して、前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項22に記載のテスティング装置。 - 前記(I)プロセスで、
前記プロセッサが、(i)前記テスト用検証用対象時間範囲に対応する前記テスト用検証用状況情報を利用して前記テスト用状態ベクトルを生成し、前記テスト用検証用状況情報は、(1)前記テスト用対象車両に含まれたテスト用GPS及びテスト用速度制限ユニットのうちの少なくとも一つから取得された、(1−1)前記テスト用対象車両の少なくとも一つのテスト用対象位置情報、及び(1−2)前記テスト用対象車両の少なくとも一つのテスト用対象速度情報、並びに(2)前記テスト用対象車両に含まれたテスト用V2X通信モジュールを利用して前記テスト用検証用対象時間範囲の間に取得された、(2−1)前記テスト用周辺物体のうちのテスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺位置情報、及び(2−2)前記テスト用周辺物体のうちの前記テスト用周辺車両の少なくとも一部に対する少なくとも一つのテスト用周辺速度情報を含むものであるプロセスと、(ii)前記テスト用対象車両に含まれたテスト用プランニングユニットから取得された、テスト用検証用領域マップ上での前記テスト用検証用対象時間範囲の間の前記テスト用対象車両の前記テスト用走行経路に対応する前記テスト用検証用経路情報を参照して、前記テスト用軌跡ベクトルを生成するプロセスとを遂行することを特徴とする請求項22に記載のテスティング装置。 - 前記プロセッサが、(III)前記テスト用予測衝突確率が閾値より大きく、前記テスト用対象車両の走行モードが手動走行モードである場合、前記テスト用対象車両をもって、前記走行モードを自律走行モードに変更するようにするプロセスをさらに遂行することを特徴とする請求項22に記載のテスティング装置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962798637P | 2019-01-30 | 2019-01-30 | |
US62/798637 | 2019-01-30 | ||
US16/724,833 US10919543B2 (en) | 2019-01-30 | 2019-12-23 | Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route |
US16/724833 | 2019-12-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020121714A JP2020121714A (ja) | 2020-08-13 |
JP6964354B2 true JP6964354B2 (ja) | 2021-11-10 |
Family
ID=69191869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020006497A Active JP6964354B2 (ja) | 2019-01-30 | 2020-01-20 | 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10919543B2 (ja) |
EP (1) | EP3690846B1 (ja) |
JP (1) | JP6964354B2 (ja) |
KR (1) | KR102373487B1 (ja) |
CN (1) | CN111497863B (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3745310A1 (en) * | 2019-05-28 | 2020-12-02 | Robert Bosch GmbH | Method for calibrating a multi-sensor system using an artificial neural network |
US11427210B2 (en) * | 2019-09-13 | 2022-08-30 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of an object with the aid of a location-specific latent map |
US11299179B2 (en) * | 2020-03-10 | 2022-04-12 | GM Global Technology Operations LLC | Quality index and real-time forward propagation of virtual controls for smart enablement of automated driving |
US20210403056A1 (en) * | 2020-06-24 | 2021-12-30 | Toyota Research Institute, Inc. | Convolution operator selection |
US11880997B2 (en) | 2020-08-28 | 2024-01-23 | Samsung Electronics Co., Ltd. | Method and apparatus with pose estimation |
CN112633474B (zh) | 2020-12-20 | 2022-04-05 | 东南大学 | 一种重型营运车辆的后向防撞驾驶决策方法 |
US11807233B1 (en) * | 2020-12-23 | 2023-11-07 | Zoox, Inc. | Procedurally generated safety system determination |
US20220276657A1 (en) * | 2021-03-01 | 2022-09-01 | Samsung Electronics Co., Ltd. | Trajectory generation of a robot using a neural network |
CN115345261B (zh) * | 2022-10-18 | 2023-02-03 | 永立数智(北京)科技有限公司 | 车辆轨迹真实性校验方法、装置及电子设备 |
CN117475090A (zh) * | 2023-12-27 | 2024-01-30 | 粤港澳大湾区数字经济研究院(福田) | 一种轨迹生成模型、轨迹生成方法、装置、终端及介质 |
Family Cites Families (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7418346B2 (en) * | 1997-10-22 | 2008-08-26 | Intelligent Technologies International, Inc. | Collision avoidance methods and systems |
US7629899B2 (en) * | 1997-10-22 | 2009-12-08 | Intelligent Technologies International, Inc. | Vehicular communication arrangement and method |
JP5189157B2 (ja) * | 2010-11-30 | 2013-04-24 | 株式会社豊田中央研究所 | 可動物の目標状態決定装置及びプログラム |
JP5878491B2 (ja) * | 2013-03-27 | 2016-03-08 | 株式会社日本自動車部品総合研究所 | 運転支援装置 |
US9594725B1 (en) * | 2013-08-28 | 2017-03-14 | Lytx, Inc. | Safety score using video data but without video |
US10599155B1 (en) * | 2014-05-20 | 2020-03-24 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle operation feature monitoring and evaluation of effectiveness |
JP6459220B2 (ja) | 2014-05-26 | 2019-01-30 | 株式会社リコー | 事故防止システム、事故防止装置、事故防止方法 |
JP6074553B1 (ja) | 2015-04-21 | 2017-02-01 | パナソニックIpマネジメント株式会社 | 情報処理システム、情報処理方法、およびプログラム |
US9818239B2 (en) * | 2015-08-20 | 2017-11-14 | Zendrive, Inc. | Method for smartphone-based accident detection |
KR102137213B1 (ko) * | 2015-11-16 | 2020-08-13 | 삼성전자 주식회사 | 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치 |
JP2017162438A (ja) * | 2016-03-11 | 2017-09-14 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 危険予測方法 |
EP3485337B1 (en) * | 2016-09-23 | 2020-10-21 | Apple Inc. | Decision making for autonomous vehicle motion control |
JP6731819B2 (ja) * | 2016-09-26 | 2020-07-29 | 日立オートモティブシステムズ株式会社 | 移動体軌道予測システム |
US10452068B2 (en) * | 2016-10-17 | 2019-10-22 | Uber Technologies, Inc. | Neural network system for autonomous vehicle control |
KR101906197B1 (ko) * | 2016-11-07 | 2018-12-05 | 엘지전자 주식회사 | 차량 및 그 제어방법 |
US10663974B2 (en) * | 2016-11-23 | 2020-05-26 | Electronics And Telecommunications Research Institute | Object recognition device, autonomous driving system including the same, and object recognition method using the object recognition device |
KR101982774B1 (ko) * | 2016-11-29 | 2019-05-27 | 엘지전자 주식회사 | 자율 주행 차량 |
US10254121B2 (en) * | 2017-01-23 | 2019-04-09 | Uber Technologies, Inc. | Dynamic routing for self-driving vehicles |
KR20180094725A (ko) * | 2017-02-16 | 2018-08-24 | 삼성전자주식회사 | 자율 주행을 위한 차량 제어 방법, 차량 제어 장치 및 자율 주행을 위한 학습 방법 |
US10133275B1 (en) * | 2017-03-01 | 2018-11-20 | Zoox, Inc. | Trajectory generation using temporal logic and tree search |
US10324469B2 (en) * | 2017-03-28 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling motion of vehicle in shared environment |
US10994729B2 (en) * | 2017-03-29 | 2021-05-04 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling lateral motion of vehicle |
US10471963B2 (en) * | 2017-04-07 | 2019-11-12 | TuSimple | System and method for transitioning between an autonomous and manual driving mode based on detection of a drivers capacity to control a vehicle |
US10332320B2 (en) * | 2017-04-17 | 2019-06-25 | Intel Corporation | Autonomous vehicle advanced sensing and response |
US10789835B2 (en) * | 2017-05-23 | 2020-09-29 | Uatc, Llc | Fractional risk performance evaluation for autonomous vehicles |
US10884902B2 (en) * | 2017-05-23 | 2021-01-05 | Uatc, Llc | Software version verification for autonomous vehicles |
US10290074B2 (en) * | 2017-05-25 | 2019-05-14 | Uber Technologies, Inc. | Coordinating on-demand transportation with autonomous vehicles |
WO2018229549A2 (en) * | 2017-06-16 | 2018-12-20 | Nauto Global Limited | System and method for digital environment reconstruction |
JP6992285B2 (ja) * | 2017-06-19 | 2022-01-13 | 株式会社デンソー | 運転支援装置 |
US10007269B1 (en) * | 2017-06-23 | 2018-06-26 | Uber Technologies, Inc. | Collision-avoidance system for autonomous-capable vehicle |
CA3027627C (en) * | 2017-07-13 | 2021-08-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
KR102013590B1 (ko) * | 2017-07-18 | 2019-08-23 | 엘지전자 주식회사 | 차량에 구비된 차량 제어 장치 및 차량의 제어방법 |
US10967862B2 (en) * | 2017-11-07 | 2021-04-06 | Uatc, Llc | Road anomaly detection for autonomous vehicle |
US10943152B2 (en) * | 2018-05-23 | 2021-03-09 | Here Global B.V. | Method, apparatus, and system for detecting a physical divider on a road segment |
US10800408B2 (en) * | 2018-05-24 | 2020-10-13 | Baidu Usa Llc | Determining driving paths for autonomous driving that avoid moving obstacles |
US11091158B2 (en) * | 2018-06-24 | 2021-08-17 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling motion of vehicle with variable speed |
US11199842B2 (en) * | 2018-06-26 | 2021-12-14 | Baidu Usa Llc | Determining driving paths for autonomous driving using parallel processing |
US10981564B2 (en) * | 2018-08-17 | 2021-04-20 | Ford Global Technologies, Llc | Vehicle path planning |
US11001256B2 (en) * | 2018-09-19 | 2021-05-11 | Zoox, Inc. | Collision prediction and avoidance for vehicles |
US10896334B2 (en) * | 2018-11-28 | 2021-01-19 | Here Global B.V. | Method and system of a machine learning model for detection of physical dividers |
US11215997B2 (en) * | 2018-11-30 | 2022-01-04 | Zoox, Inc. | Probabilistic risk assessment for trajectory evaluation |
US20200211394A1 (en) * | 2018-12-26 | 2020-07-02 | Zoox, Inc. | Collision avoidance system |
-
2019
- 2019-12-23 US US16/724,833 patent/US10919543B2/en active Active
-
2020
- 2020-01-06 KR KR1020200001729A patent/KR102373487B1/ko active IP Right Grant
- 2020-01-19 CN CN202010060892.XA patent/CN111497863B/zh active Active
- 2020-01-20 JP JP2020006497A patent/JP6964354B2/ja active Active
- 2020-01-23 EP EP20153264.5A patent/EP3690846B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3690846A1 (en) | 2020-08-05 |
CN111497863A (zh) | 2020-08-07 |
JP2020121714A (ja) | 2020-08-13 |
CN111497863B (zh) | 2023-04-18 |
EP3690846B1 (en) | 2024-05-22 |
US20200239029A1 (en) | 2020-07-30 |
US10919543B2 (en) | 2021-02-16 |
KR20200094643A (ko) | 2020-08-07 |
KR102373487B1 (ko) | 2022-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6964354B2 (ja) | 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 | |
JP6857371B2 (ja) | 安全な自律走行を支援する学習方法、そしてこれを利用した学習装置、テスト方法、及びテスト装置 | |
JP6913969B2 (ja) | 強化学習に基づいて協同走行で多重エージェントセンサフュージョンを遂行する方法及び装置 | |
US11328219B2 (en) | System and method for training a machine learning model deployed on a simulation platform | |
JP6916551B2 (ja) | V2x通信及びイメージ処理を利用した情報融合によって自律走行の短期経路をプランニングするための方法及び装置{method and device for short−term path planning of autonomous driving through information fusion by using v2x communication and image processing} | |
US10031526B1 (en) | Vision-based driving scenario generator for autonomous driving simulation | |
CN112703459B (zh) | 对抗场景的迭代生成 | |
US10997729B2 (en) | Real time object behavior prediction | |
US11427210B2 (en) | Systems and methods for predicting the trajectory of an object with the aid of a location-specific latent map | |
CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
JP6916552B2 (ja) | 走行途中に発生する走行シナリオを検出して、運転者の走行習慣を評価するための情報の提供する方法及び装置 | |
US11409284B2 (en) | Relaxation optimization model to plan an open space trajectory for autonomous vehicles | |
Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
JP6910081B2 (ja) | 協調走行を遂行する各車両から取得された各走行イメージを統合する方法及びこれを利用した走行イメージ統合装置 | |
JP6892157B2 (ja) | V2x情報融合技術によって取得された、各物体に対する深さ予測情報及び各物体に対するクラス情報を利用して3d空間を再構築することによりhdマップをアップデートする学習方法及び学習装置、そしてこれを利用したテスティング方法及びテスティング装置 | |
US20230256991A1 (en) | Method and system for conditional operation of an autonomous agent | |
CN111746557A (zh) | 用于车辆的路径规划融合 | |
JP6938056B2 (ja) | 競争的なコンピューティング及び情報フュージョンを利用して、車両の自律走行を支援するのに利用される自律走行サービスプラットフォームを提供する方法及びこれを利用したサーバ{method for providing autonomous driving service platform to be used for supporting autonomous driving of vehicles by using competitive computing and information fusion, and server using the same} | |
CN115907250A (zh) | 用于调整自主驾驶车辆的运动规划器的基于学习的评论器 | |
CN115859821A (zh) | 创建用于模拟自主驾驶车辆的模拟环境的方法和系统 | |
US10776542B2 (en) | Method and device for calibrating physics engine of virtual world simulator to be used for learning of deep learning-based device, and a learning method and learning device for real state network used therefor | |
CN112649012A (zh) | 一种轨迹规划方法、设备、介质及无人设备 | |
US20240169111A1 (en) | Parameterizing hot starts to maximize test repeatability | |
US20230406362A1 (en) | Planning-impacted prediction evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200120 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20200706 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20200710 |
|
RD13 | Notification of appointment of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7433 Effective date: 20201022 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210308 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210526 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210728 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211008 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211012 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6964354 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |