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

Description

本発明は、自律走行車両に利用するための学習方法及び学習装置に関し；より詳細には、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前記学習方法及び前記学習装置、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に関する。

自律走行において、モード切り替えは重要な問題である。これは、運転者が手動で運転している間に危険な状況に陥る場合、車の運転モードが自動で自律走行モードに変更される必要があるからだ。しかし、これまでの自律走行分野の研究では、主にどのように車両がうまく走行されるかに重点を置いており、このようなモード切り替えがどのように効率的に行われるかについては、あまり研究がされていない。また、一般的な場合には車両のモード切り替えが手動で行われるため、運転者が危険に運転して自分自身の車だけでなく、周辺の車を危険にさらすことになっても車両が自律走行モードで走行されないという問題がある。

本発明は、前述した問題点を解決することを目的とする。

本発明は、運転者の最近の走行経路を分析し、衝突確率を計算するための学習方法を提供することを他の目的とする。

本発明は、運転者の最近の走行経路を分析し、衝突確率を計算し、これを参照して前記運転者が危険に運転しているかどうかを判断するための学習方法を提供することを、また他の目的とする。

本発明は、運転者が危険に運転する場合、車両のモードを手動走行モードから自律走行モードに切り替える方法を提供することにより、道路状況を改善することをまた他の目的とする。

前記のような本発明の目的を達成し、後述する本発明の特徴的な効果を実現するための、本発明の特徴的な構成は次の通りである。

本発明の一態様によれば、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（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；を含むことを特徴とする方法が提供される。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

本発明の他の一態様によれば、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、（１）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（１−１）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（１−２）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（２）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；を含むことを特徴とするテスティング方法。

一例として、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。

一例として、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。

一例として、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。

一例として、（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。

本発明のまた他の一態様によれば、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；を含むことを特徴とする学習装置が提供される。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

本発明のまた他の一態様によれば、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；を含むことを特徴とするテスティング装置が提供される。

一例として、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。

一例として、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。

一例として、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。

一例として、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。

本発明は、運転者の最近の運転経路を分析し、衝突確率を計算するための学習方法を提供できる効果がある。

本発明は、運転者の最近の運転経路を分析し、衝突確率を計算し、これを参照して前記運転者が危険に運転しているかどうかを判断するための学習方法を提供できる効果がある。

また、本発明は、運転者が危険に運転している場合、車両のモードを手動走行モードから自律走行モードに切り替える方法を提供することにより、道路状況を改善できる効果がある。

本発明の前記及び他の目的及び特長は、次の添付図面とともに与えられた好ましい実施例の説明において明らかになるであろう。

本発明の実施例の説明に利用されるために添付された以下の各図面は、本発明の実施例のうちの一部に過ぎず、本発明が属する技術分野でおいて、通常の知識を有する者（以下「通常の技術者」）は、発明的作業が行われることなくこの図面に基づいて他の図面が得られ得る。

本発明の一例に係る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を遂行する学習装置の構成を概略的に示した図面である。 本発明の一例に係る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を概略的に示したフローチャートである。 本発明の一例に係る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を遂行するために利用される、状態ネットワークと軌跡ネットワークと安全性ネットワークとの構成の例を概略的に示した図面である。

後述する本発明に対する詳細な説明は、本発明の各目的、技術的解決方法及び長所を明確にするために、本発明が実施され得る特定実施例を例示として示す添付図面を参照する。これらの実施例は、通常の技術者が本発明を実施することができるように充分詳細に説明される。

また、本発明の詳細な説明及び各請求項にわたって、「含む」という単語及びそれらの変形は、他の技術的各特徴、各付加物、構成要素又は段階を除外することを意図したものではない。通常の技術者にとって本発明の他の各目的、長所及び各特性が、一部は本説明書から、また一部は本発明の実施から明らかになるであろう。以下の例示及び図面は実例として提供され、本発明を限定することを意図したものではない。

さらに、本発明は、本明細書に示された実施例のあらゆる可能な組み合わせを網羅する。本発明の多様な実施例は相互異なるが、相互排他的である必要はないことを理解されたい。例えば、ここに記載されている特定の形状、構造及び特性は一例と関連して、本発明の精神及び範囲を逸脱せず、かつ他の実施例で実装され得る。また、各々の開示された実施例内の個別構成要素の位置または配置は、本発明の精神及び範囲を逸脱せずに変更され得ることを理解されたい。従って、後述する詳細な説明は限定的な意味で捉えようとするものではなく、本発明の範囲は、適切に説明されれば、その請求項が主張することと均等なすべての範囲と、併せて添付された請求項によってのみ限定される。図面で類似する参照符号はいくつかの側面にかけて同一か類似する機能を指称する。

本発明で言及している各種イメージは、舗装または非舗装道路関連のイメージを含み得、この場合、道路環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではなく、本発明で言及している各種イメージは、道路と関係のないイメージ（例えば、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内と関連したイメージ）でもあり得、この場合、非舗装道路、路地、空き地、海、湖、川、山、森、砂漠、空、室内環境で登場し得る物体（例えば、自動車、人、動物、植物、物、建物、飛行機やドローンのような飛行体、その他の障害物）を想定し得るが、必ずしもこれに限定されるものではない。

以下、本発明が属する技術分野で通常の知識を有する者が本発明を容易に実施することができるようにするために、本発明の好ましい実施例について添付の図面に基づいて詳細に説明する。

図１は、本発明の一例に係る運転者の最近の運転経路を、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を遂行する学習装置の構成を概略的に示した図面である。

図１を参照すれば、前記学習装置１００は、後から詳しく説明される少なくとも一つの状態ネットワーク１３０と、少なくとも一つの軌跡ネットワーク１４０と、少なくとも一つの安全性ネットワーク１５０と、少なくとも一つのロスレイヤ１６０とを含むことができる。前記状態ネットワーク１３０と、前記軌跡ネットワーク１４０と、前記安全性ネットワーク１５０と、前記ロスレイヤ１６０との入出力及び演算プロセスは、それぞれ少なくとも一つの通信部１１０と、少なくとも一つのプロセッサ１２０とによって行われ得る。ただし、図１では、前記通信部１１０及び前記プロセッサ１２０の具体的な連結関係を省略した。この際、メモリ１１５は、後述されるいくつかのインストラクションを格納した状態であり得、前記プロセッサ１２０は、前記メモリ１１５に格納された前記インストラクションを実行するように設定され、前記プロセッサ１２０は、後から説明されるインストラクションを実行することで本発明のプロセスを遂行することができる。このように前記学習装置１００が描写されたところで、前記学習装置１００が、ミディアム、プロセッサ、メモリ、またはその他コンピューティング構成要素が統合された形態である統合プロセッサを含む場合を排除するものではない。

前記運転者の前記最近の走行経路を、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、前記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の一例を、図２を参照に説明する。

図２は、本発明の一例に係る前記運転者の前記最近の走行経路を、これに対応する時間範囲の前記周辺状況と関連して分析することにより、前記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前記衝突確率を計算する学習方法を概略的に示したフローチャートである。

図２を参照すると、前記学習装置１００は、（ｉ）前記状態ネットワーク１３０をもって、あとから説明される少なくとも一つの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）前記軌跡ネットワーク１４０をもって、あとから説明される少なくとも一つの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できる（Ｓ０１及びＳ０２）。前記Ｓ０１段階及び前記Ｓ０２段階に対応するこの二つのプロセスは互いに独立的なもので、二つのプロセスが並列的に同時に遂行されるか、二つのいずれかが先に遂行されても差し支えない。以降、前記学習装置１００は、前記安全性ネットワーク１５０をもって、前記状態特徴マップ及び前記軌跡特徴マップに対する情報を含むコンカチネート（ｃｏｎｃａｔｅｎａｔｅ）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、追って説明する予測衝突の確率を算出するようにできる（Ｓ０３）。そして、前記学習装置１００は、前記ロスレイヤ１６０をもって、前記予測衝突確率と、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１５０と、前記軌跡ネットワーク１４０と、前記状態ネットワーク１３０とのパラメータのうちの少なくとも一部を学習できる（Ｓ０４）。

以上、前記学習装置１００が本発明の前記学習方法を遂行する大まかな流れについて説明した。以下、前記学習方法についてさらに具体的に説明する前に、これを遂行するために利用される前記状態ベクトルと、前記軌跡ベクトルと、前記ＧＴ衝突確率とを取得する方法について説明する。

まず、前記状態ベクトルは、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、前記学習装置１００と連動する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と、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の一つ以上のモーションに対する情報を含む一つ以上の周辺モーション情報とのうちの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ベクトルであり得る。この際、Ｔは、特定の任意の整数（ｉｎｔｅｇｅｒ）である。前記対象モーション情報は、一例として、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、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を含み得る。そして、前記周辺モーション情報は、また一例として、前記対象車両から閾値距離以下に位置する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、前記周辺物体のうち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ことができる。他の例として、前記対象モーション情報は、前記検証用対象時間範囲に対応する前記対象車両の少なくとも一つの対象加速情報をさらに含むことができ、前記周辺モーション情報は、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をさらに含むことができる。以下の説明では、前記対象モーション情報は、前記対象加速情報を含まず、前記周辺モーション情報は、前記周辺加速情報を含まないものと仮定して説明されるが、通常の技術者は、以下の説明を参照して、前記対象モーション情報及び前記周辺モーション情報それぞれが、これに対応する加速情報を含む場合の本発明の前記学習方法を利用することができる。

次に、前記軌跡ベクトルは、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ベクトルであり得る。例えば、前記検証用経路情報は、前記第１時点ないし前記第Ｔ時点のうちの前記対象車両が走行車線を変更した第１特定時点に対する情報、あるいは前記第１時点から前記第Ｔ時点のうちの前記対象車両が右折あるいは左折した第２特定時点に対する情報を含むことができる。

前記状態ベクトルに対応する前記検証用状況情報と、前記軌跡ベクトルに対応する前記検証用経路情報とは、以下説明するそれぞれの場合の実施例を用いて取得できるが、もちろんこれに限られたものではないであろう。

まず、第１実施例は、前記対象車両と前記周辺物体とのうち、周辺車両が、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ−ｔｏ−Ｅｖｅｒｙｔｈｉｎｇ）通信が可能で、各自のモーション情報を基地局サーバに持続的に伝達することができる第１ケースに関するものである。前記第１ケースにおいて、前記学習装置１００は、前記基地局サーバから取得された、（ｉ）前記対象位置情報と前記対象速度情報とを含む前記対象モーション情報、及び（ｉｉ）前記周辺位置情報と前記周辺速度情報とを含む前記周辺モーション情報のうち少なくとも一部を参照して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取得することができる。また、前記学習装置１００は、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対象車両の前記走行経路に対する情報を参照して前記検証用経路情報を取得できる。

そして、第２実施例は、前記対象車両がイメージプロセッシング基盤の自律走行を遂行するが、前記対象車両及び前記周辺車両は、各自のモーション情報を前記基地局のサーバに伝達しない第２ケースに関するものである。その場合、前記学習装置１００は、（ｉ）前記検証用対象時間範囲内の前記自律走行中に記録された、前記対象車両の少なくとも一つの走行記録情報を参照して前記対象モーション情報を取得でき、（ｉｉ）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前記周辺モーション情報を取得できる。その際、前記対象モーション情報と前記周辺モーション情報とを取得することにより、この二つを含む前記検証用状況情報を取得できる。

しかも、前記走行記録情報は、前記対象車両が前記検証用対象時間範囲内の各時点にどの程度の速度で走行したかに対する情報及びＧＰＳを利用して各前記時点での前記対象車両の位置に対する情報を含んでいるはずなので、前記走行記録情報を参照して前記対象モーション情報を取得できる。

また、前記走行映像に（ｉ）ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を利用した物体検出演算と、（ｉｉ）距離予測演算と、（ｉｉｉ）速度予測演算とが適用される場合、前記走行映像を参照して前記周辺モーション情報を取得できる。

その際、前記距離予測演算は、前記走行映像フレーム上での前記周辺物体と前記対象車両との間の距離算出に利用され得、主点（ｐｒｉｎｃｉｐａｌ ｐｏｉｎｔ）と、消失店（ｖａｎｉｓｈｉｎｇ ｐｏｉｎｔ）と、焦点間との関係、及びカメラの光軸と地面との間の角度を参照して遂行され得る。なお、前記速度予測演算は、前記周辺物体の速力算出に用いられ得、前記対象速度情報と前記周辺物体とがフレームごとにどれだけ移動したかに対する情報を参照して遂行されることができる。

具体的に、前記物体検出演算が遂行される際、前記周辺物体のうち少なくとも一部が前記走行映像から検出され得る。その後、前記距離予測演算が、前記周辺物体の距離を算出するために遂行され得、前記距離が前記対象位置情報とともに、前記周辺位置情報を生成するために利用され得る。また、前記速度予測演算が遂行され、前記周辺速度情報が生成され得る。前記物体検出演算と、前記距離予測演算と、前記速度予測演算とは、いずれも広く知られている従来技術であり、通常の技術者はこれを利用して前記周辺モーション情報を取得することができるだろう。

一方、前記走行記録情報は、これに含まれた前述の情報以外にも、前記対象車両が走行したステアリング（ｓｔｅｅｒｉｎｇ）角に対する情報を含んでいるので、前記学習装置１００が、前記走行記録情報を参照して前記検証用経路情報を取得することができるであろう。

次に、第３実施例は、前記対象車両と前記周辺車両とが各自のモーション情報を前記Ｖ２Ｘ通信によって互いに共有する第３ケースに関するものである。この場合、前記学習装置１００は、前記第２実施例と同様に前記走行記録情報を参照して前記対象モーション情報を取得でき、前記対象車両に設置された少なくとも一つのＶ２Ｘ通信モジュールを利用して取得された、前記周辺車両のうちの少なくとも一部に対するモーション情報を参照して前記周辺モーション情報を取得できる。また、前記第２実施例と類似して、前記学習装置１００は、前記対象車両に格納された前記走行記録情報を参照して前記検証用経路情報を取得できる。

最後に、第４実施例は、シミュレーティング（ｓｉｍｕｌａｔｉｎｇ）装置によって生成された少なくとも一つの仮想世界に前記対象車両及び前記周辺物体がシミュレーティングされる第４ケースに関するものである。その際、シミュレーティングアルゴリズムであれば、どのようなものでも前記仮想世界をシミュレーティングするのに利用され得る。その場合、前記シミュレーティング装置には、前記対象位置情報及び前記対象速度情報が格納されているはずで、前記周辺位置情報及び前記周辺速度情報が格納されているはずで、前記対象車両がどのように走行したのかに対する情報も同じく格納されているはずなので、前記学習装置１００は、前記シミュレーティング装置から前記検証用状況情報及び前記検証用経路情報を取得することができるであろう。

前記実施例の他に、第５実施例で、管理者は、前記検証用状況情報及び前記検証用経路情報を任意に生成することができる。

前記学習装置１００は、前記検証用状況情報及び前記検証用経路情報が取得された後、これを利用して、前記状態ベクトル及び前記軌跡ベクトルを生成することができる。前記状態ベクトルは、前記検証用対象時間範囲内の各前記時点に対応する、前記対象位置情報と、前記対象速度情報と、前記周辺位置情報と、前記周辺速度情報とをそれぞれ成分として含めるように設定して生成され得る。なお、前記軌跡ベクトルは、前記検証用経路情報に含まれた、前記対象時間範囲内の各前記時点で前記対象車両がとった行動（例えば、車線変更または方向転換）に対する情報及び前記対象車両の相対的位置情報それぞれをその成分として含めるように設定して生成され得る。

次に、ＧＴ衝突確率を取得する方法について説明する。前記ＧＴ衝突確率は、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参照して取得され得る。すなわち、前記事故情報は、前記状態ベクトルに対応する状況で、前記軌跡ベクトルに対応する前記走行経路が事故を誘発したか否かを示すことができる。前記事故情報は、前記第１ケースは、前記基地局サーバから取得され得、前記第２ケース及び前記第３ケースは、前記走行記録情報を参照して取得され得る。前記第４ケースは、前記事故情報は、前記シミュレーティング装置に格納されているはずなので、前記シミュレーティング装置と通信して取得され得る。前記第５実施例に対応する第５ケースで、管理者は、前記事故情報を任意的に生成することができる。

前記状態ベクトルと、前記軌跡ベクトルと、前記ＧＴ衝突確率とが取得された後、前記学習装置１００は、（ｉ）前記状態ネットワーク１３０をもって、前記状態ベクトルに前記第１ニューラルネットワーク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プロセスと、（ｉｉ）前記軌跡ネットワーク１４０をもって、前記軌跡ベクトルに前記第２ニューラルネットワーク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プロセスとを遂行できる。その後、前記コンカチネートされた特徴マップが取得されると、前記学習装置１００は、安全性ネットワーク１５０をもって、前記コンカチネートされた特徴マップに前記第３ニューラルネットワーク演算を適用して、前記状況に関する前記走行経路による前記事故が発生するものと予測される確率を示す前記予測衝突確率を算出するようにできる。これをさらに具体的に説明するため、前記状態ネットワーク１３０と、前記軌跡ネットワーク１４０と、前記安全性ネットワーク１５０との構成について、図３を参照に説明する。

図３は、本発明の一例に係る前記運転者の前記最近の走行経路を、これに対応する時間範囲の前記状況と関連して分析することにより、前記自律走行が可能な車両の前記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を遂行するために利用される、前記状態ネットワーク１３０と、前記軌跡ネットワーク１４０と、前記安全性ネットワーク１５０との構成の例を概略的に示した図面である。

図３を参照すれば、前記状態ベクトル１３０は、第１コンボリューションレイヤ１３１と、第１プーリングレイヤ１３２と、第１ＦＣ（Ｆｕｌｌｙ−Ｃｏｎｎｅｃｔｅｄ）レイヤ１３３とを含み得る。この際、前記学習装置１００は、前記第１コンボリューションレイヤ１３１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する。その後、前記学習装置１００は、前記第１プーリングレイヤ１３２をもって、前記第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、前記第１ＦＣ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。一例として、前記第１コンボリューション演算は、１次元コンボリューションフィルタを利用して遂行され得、前記第１プーリング演算は、多数の状態ベクトルと多数の軌跡ベクトルとのペアに対する情報をプーリングするために利用されるグローバルプーリング演算であり得るが、これに限定されるものではない。

そして、再び図３を参照すれば、前記軌跡ネットワーク１４０は、第２コンボリューションレイヤ１４１と、第２プーリングレイヤ１４２と、第２ＦＣレイヤ１４３とを含み得る。この際、前記学習装置１００は、前記第２コンボリューションレイヤ１４１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する。その後、前記学習装置１００は、前記第２プーリングレイヤ１４２をもって、前記第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、前記第２ＦＣレイヤ１４３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ができる。また、一例として、前記第２コンボリューション演算は、前記１次元コンボリューションフィルタを利用して遂行され得、前記第２プーリング演算は、前記グローバルプーリング演算であり得るが、これに限定されるものではない。

最後に、図３を再び参照すると、前記安全性ネットワークは、コンカチネーティングレイヤ１５１と、第３コンボリューションレイヤ１５２と、第３プーリングレイヤ１５３と、第３ＦＣレイヤ１５４とを含むことができる。この際、前記学習装置１００は、前記コンカチネーティングレイヤ１５１をもって、前記状態特徴マップと前記軌跡特徴マップと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する。前記状態特徴マップ及び前記軌跡特徴マップは、チャネル方向（ｃｈａｎｎｅｌ−ｗｉｓｅ）にコンカチネートされ得るが、これに限るられるものではない。その後、前記学習装置１００は、前記第３コンボリューションレイヤ１５２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する。その後、前記学習装置１００は、前記第３プーリングレイヤ１５３をもって、前記第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、前記第３ＦＣレイヤ１５４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、前記少なくとも一つの予測衝突確率を算出するようにできる。

そして、前記学習装置１００は、前記ロスレイヤ１６０をもって、前記予測衝突確率と、前記ＧＴ衝突確率とを参照して前記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１５０と、前記軌跡ネットワーク１４０と、前記状態ネットワーク１３０とのパラメータのうちの少なくとも一部を学習できる。

以上、前記安全性ネットワーク１５０と、前記軌跡ネットワーク１４０と、前記状態ネットワーク１３０との学習プロセスについて説明した。次に、これらのテストプロセスについて説明する。

つまり、（１）前記学習装置１００が、（イ）前記第１時点ないし前記第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）前記状態ネットワーク１３０をもって、前記学習用状態ベクトルに前記第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）前記軌跡ネットワーク１４０をもって、前記学習用軌跡ベクトルに前記第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１００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、前記安全性ネットワーク１５０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前記第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１００が、前記ロスレイヤ１６０をもって、前記学習用予測衝突確率と、取得済み少なくとも一つのＧＴ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１５０と、前記軌跡ネットワーク１４０と、前記状態ネットワーク１３０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１３０をもって、前記テスト用状態ベクトルに前記第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１４０をもって、前記テスト用軌跡ベクトルに前記第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できる。

その後、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１５０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ことができる。

この際、前記テスト用周辺物体のうちのテスト用周辺車両と前記テスト用対象車両が、テスト用Ｖ２Ｘ通信が可能で、各自のテスト用モーション情報を前記テスト用基地局サーバに持続的に伝達した場合を想定する。前記テスティング装置は、前記テスト用対象車両と連動された前記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前記テスト用検証用経路情報を利用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し得る。

または、前記テスト用対象車両がイメージプロセッシング基盤の自律走行を遂行するが、前記テスト用対象車両及び前記テスト用周辺車両が、各自のテスト用モーション情報を前記テスト用基地局サーバへ伝達していないか、互いに通信していない場合を想定する。前記テスティング装置が、（ｉ）（ｉ−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対象モーション情報、及び（ｉ−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前記テスト用周辺モーション情報を含む、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するプロセスと、（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、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し得る。その際、前記テスト用速度制御ユニット及び前記プランニングユニットは、前記対象車両に含まれ得、前記対象車両のＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）と連動できる。

また、前記テスト用対象車両及び前記テスト用周辺車両が各自のテスト用モーション情報を前記Ｖ２Ｘ通信によって互いに共有するまた他の場合を想定しよう。前記テスティング装置は、（ｉ）（ｉ−１）前記テスト用対象車両に含まれた前記テスト用ＧＰＳ及び前記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前記テスト用対象モーション情報、及び（ｉ−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前記テスト用周辺モーション情報を含む、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するプロセスと、（ｉｉ）前記テスト用対象車両に含まれた前記テスト用プランニングユニットから取得された、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し得る。

このように、前記テスト用検証用状況情報及び前記テスト用検証用経路情報を利用して前記テスト用状態ベクトル及び前記テスト用軌跡ベクトルが取得されると、これは前記状態ネットワークと、前記軌跡ネットワークと、前記安全性ネットワークとによって処理され、前記テスト用予測衝突確率が算出できるであろう。

その後、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、前記テスティング装置は、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ことができる。

本発明の前記方法により、前記テスト用対象車両を危険に運転する運転者から前記テスト用対象車両の統制権が移され得るため、事故を予防することができるであろう。

また、以上で説明された本発明に係る実施例は、多様なコンピュータ構成要素を通じて遂行できるプログラム命令語の形態で具現されてコンピュータ読取り可能な記録媒体に記録され得る。前記コンピュータで読取り可能な記録媒体はプログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含まれ得る。前記コンピュータ読取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフトウェア分野の当業者に公知となって使用可能なものでもよい。コンピュータで判読可能な記録媒体の例には、ハードディスク、フロッピィ（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ−ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌｄｉｓｋ）のような磁気−光媒体（ｍａｇｎｅｔｏ−ｏｐｔｉｃａｌｍｅｄｉａ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどといったプログラム命令語を格納して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタプリタなどを用いてコンピュータによって実行され得る高級言語コードも含まれる。前記ハードウェア装置は、本発明に係る処理を遂行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その逆も同様である。

以上、本発明が具体的な構成要素などのような特定事項と限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたものであるに過ぎず、本発明が前記実施例に限られるものではなく、本発明が属する技術分野において通常の知識を有する者であれば係る記載から多様な修正及び変形が行われ得る。

従って、本発明の思想は前記説明された実施例に局限されて定められてはならず、後述する特許請求の範囲だけでなく、本特許請求の範囲と均等または等価的に変形されたものすべては、本発明の思想の範囲に属するといえる。

［付記］
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. （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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。
21. 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。
22. 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。
23. 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。
24. 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。
25. 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。
26. 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。
    
    

Images