JP7181354B2 - 接続されたデータ分析プラットフォームを用いた車両経路指定 - Google Patents

Description

本発明は、出発地位置と目的地位置との間の経路を決定するシステムに関する。

先進運転者支援システム（ＡＤＡＳ）および半自律車両システム、自動運転システム、またはその他の自律運転（ＡＤ）システムは、安全性の向上、自動ナビゲーション、利便性の向上、効率の向上などのために車両制御を自動化またはその他の方法で強化するシステムである。従来の車両における従来のナビゲーションシステムは、典型的には、出発地位置から目的地位置まで移動するための１つまたは複数の経路指定オプションを提供することができる。経路指定オプションを決定するときに従来のナビゲーションシステムによって考慮される要素の例は、目的地までの時間、トラフィック状況、料金が予想されるかどうか、道路閉鎖などを含むことができる。さらに、ＡＤＡＳおよびＡＤシステム車両は、典型的には、障害物を認識して車両のナビゲーションを可能にするなどのために、車両の周囲３６０度を連続的に監視するための複数の車載センサを装備している。しかしながら、車両の経路を決定するとき、現在のシステムは、経路を選択する前に経路のセンサ性能および全体的な車両安全性を考慮しない場合がある。

国際公開第２０１９／０８９４４４号 米国特許１０７１０６０７号明細書 国際公開第２０１６／１０９６３７号 米国特許出願公開第２０１８／０１０７２１６号明細書

いくつかの実装形態では、システムは、出発地位置と目的地位置との間の複数の経路を決定することができる。さらに、システムは、複数の経路の各経路を複数の道路区間に分割することができる。システムは、各道路区間の第１の視野（ＦＯＶ）を決定することができる。さらに、システムは、車両に搭載された車両センサの車両センサ構成情報を受信することができる。システムは、車両センサの第２のＦＯＶを決定することができる。さらに、システムは、複数の道路区間について第２のＦＯＶを第１のＦＯＶと比較することに少なくとも基づいて、車両の経路を選択することができる。

詳細な説明は、添付の図面を参照して説明される。図面において、参照番号の左端の数字は、参照番号が最初に現れる図を識別する。異なる図における同じ参照番号の使用は、類似または同一のアイテムまたは特徴を示す。

いくつかの実装形態による、例示的な経路選択および車両ナビゲーションシステムを示す。

いくつかの実装形態による、車両の車載センサカバレッジの例を示す。

いくつかの実装形態による、車線維持支援（ＬＫＡ）システムのための例示的なセンサ使用構成を示す。

いくつかの実装形態による、アダプティブクルーズコントロール（ＡＣＣ）のための例示的なセンサ使用構成を示す。

いくつかの実装形態による、出発地位置と目的地位置との間の候補経路を決定する例を示す。

いくつかの実装形態による、車両の運転者の視点から見た道路区間の必要ＦＯＶの例を示す。

いくつかの実装形態による、特定の交差点の必要ＦＯＶを決定する例を示す。 いくつかの実装形態による、特定の交差点の必要ＦＯＶを決定する例を示す。

いくつかの実装形態による、交差点での右折のナビゲーション中に車両センサＦＯＶを必要ＦＯＶと比較する例を示す。 いくつかの実装形態による、交差点での右折のナビゲーション中に車両センサＦＯＶを必要ＦＯＶと比較する例を示す。 いくつかの実装形態による、交差点での右折のナビゲーション中に車両センサＦＯＶを必要ＦＯＶと比較する例を示す。 いくつかの実装形態による、交差点での右折のナビゲーション中に車両センサＦＯＶを必要ＦＯＶと比較する例を示す。

いくつかの実装形態による、左折を実行するための一連のイベントの例示的なデータ構造を示す。

いくつかの実装形態による、車線変更から左折を行うための一連のイベントおよび必要な視野の例を示す。

いくつかの実装形態による、車両の最適経路を選択するための例示的なアーキテクチャおよびプロセスを示す統合したフロー図およびブロック図である。

いくつかの実装形態による、車両の最適経路を決定するための例示的なプロセスを示すフロー図である。

いくつかの実装形態による、候補経路に沿った予測速度を決定するためのプロセスとしての例示的な速度プロファイルアルゴリズムを示すフロー図である。

いくつかの実装形態による、候補経路の必要ＦＯＶのＦＯＶカバレッジを決定するためのプロセスとしての経路ＦＯＶカバレッジアルゴリズムの例を示すフロー図を提供する。 いくつかの実装形態による、候補経路の必要ＦＯＶのＦＯＶカバレッジを決定するためのプロセスとしての経路ＦＯＶカバレッジアルゴリズムの例を示すフロー図を提供する。

いくつかの実装形態による、経路効率を決定するためのプロセスとしての例示的な走行展望アルゴリズムを示すフロー図である。

いくつかの実施態様による、車両ダイナミクスを決定するためのプロセスとしての車両ダイナミクスアルゴリズムの例を示すフロー図である。

いくつかの実装形態による、経路最適化のためのプロセスとしての例示的な最適化アルゴリズムを示すフロー図である。

本明細書のいくつかの実施態様は、車両が出発地位置から目的地位置まで移動するための最適に安全で燃料効率の良い経路を選択するための技術および構成に関する。例えば、候補経路の中から最適経路を選択するときに、車両で使用される車載センサのタイプおよび性能を考慮に入れることができる。最適経路を選択するとき、本明細書のシステムは、各候補経路上の潜在的な道路特徴、各候補経路をナビゲートするために必要な視野（ＦＯＶ）、車両の特徴および性能、各候補経路に沿った外部条件、ならびに各候補経路の予測燃料消費をさらに考慮に入れることができる。いくつかの例では、車両は、接続されたデータ分析プラットフォームにアクセスして、車両で利用可能な車載センサ、出発地位置、目的地位置、車両構成情報などに関する情報をデータ分析プラットフォームに提供することができる。さらに、車両は、データ分析プラットフォームから、目的地位置に到達するためにデータ分析プラットフォームによって選択された１つまたは複数の最適経路に関する情報を受信することができ、データ分析プラットフォームによって実行される最適化は、安全かつ燃費が良いと決定された経路の選択に少なくとも部分的に基づく。

本明細書のいくつかの例は、特定の車両で利用可能な搭載センサ、異なる候補経路の道路特徴、特定の車両の車両ダイナミクスなどを考慮して、特定の車両に最適に安全な経路を選択するデータ分析プラットフォームを含む。さらに、データ分析プラットフォームは、特定の車両の経路を選択するときに燃費も考慮することによって経路選択を実行するように構成されてもよい。上述したように、車両は、１つまたは複数のネットワークを介してなど、データ分析プラットフォームと接続することができ、車両の車載センサに関する情報および他の車両情報を共有することができる。さらに、車両は、データ分析プラットフォームに出発地位置および目的地位置を提供することができる。いくつかの例では、目的地位置が指定されていない場合、データ分析プラットフォームは、データベースに格納された車両に関連する以前の運転履歴またはデータ分析プラットフォームによって維持される他のデータ構造に基づくなどして、目的地位置を予測することができる。

一例として、（受信したユーザ入力または目的地の予測のいずれかに基づいて）目的地位置が決定された後、データ分析プラットフォームは、センサのタイプに少なくとも部分的に応じて、センサ位置、センサ範囲、センサ解像度、感知方向といった、車両に搭載されたセンサ（例えば、カメラ、レーダ、ライダー、超音波など）の性能を考慮しながら、出発地位置と目的地位置との間の複数の候補経路を分析することができる。個々の候補経路は、複数の道路区間に分割することができ、データ分析プラットフォームは、それぞれの候補経路に沿った各道路区間の必要視野（ＦＯＶ）を推定することができる。例えば、必要ＦＯＶは、対応する道路区間のナビゲーション中に車両の安全な動作を保証するために人間の運転者または車両センサによって監視される必要があると予測される、車両の外部領域であってもよい。

さらに、データ分析プラットフォームは、人間の運転者によって行われる決定の数を減らすために自動運転時間を最大化するなどのために、車両の搭載センサによってカバーすることができる各道路区間の必要ＦＯＶの割合を決定することができる。したがって、データ分析プラットフォームは、自動運転時間量を最大化し、人間の運転者による車両操作への依存性を低減するために経路選択を実行することができる。最適経路オプションは、例えば、センサ性能および必要ＦＯＶに基づいて決定される、自動運転時間の総量に少なくとも部分的に基づくことができる。いくつかの例では、安全性に関して最高ランクの経路オプションが決定された後、データ分析プラットフォームは、車両ダイナミクス、経路構成、経路状況などを考慮することなどによって、これらの経路のうちのどれが最大燃料効率を提供するかを決定することができる。結果として得られる最適経路は、特定の車両にとって最適に安全で効率的な経路として選択することができる。

本明細書のシステムは、接続された完全自律型および半自律型車両に大きな利点を提供することができる。接続されたデータ分析プラットフォームおよび車両上で実行されるコネクティッドアプリケーションは、車両およびその乗員に改善された安全性および効率を提供する。データ分析プラットフォームおよびコネクティッドアプリケーションは、車両とデータ分析プラットフォームとの間のリアルタイムのデータおよび分析交換を可能にする。さらに、本明細書で開示されるアルゴリズムの少なくともいくつかは、データ分析プラットフォームをホストするリモートコンピューティングデバイスで実行される代わりに、またはそれに加えて、車両上のコンピューティングデバイスによって実行されてもよい。

さらに、本明細書の車両は、いかなる特定のセンサ構成にも限定されない。いくつかの例で使用され得る異なるタイプのセンサの例には、モノカメラ、ステレオカメラ、赤外線カメラ、レーダ、ライダー、ＧＰＳ（全地球測位システム）受信機、超音波センサなどが含まれる。したがって、本明細書のセンサは、異なるソースおよびタイプの情報を捕捉および統合するために使用することができる。これらのセンサによって捕捉された車両の周囲の環境情報は、衝突を防止し、燃料消費を低減し、車両乗員の利便性および安全性を高めるなどのために、車両をインテリジェントに制御するように構成することができる車両コントローラへの入力情報として使用することができる。

いくつかの例では、データ分析プラットフォームは、コネクティッド車両の安全性および効率を改善するためにリアルタイム動作を実行することができる。例えば、データ分析プラットフォームは、場合によっては機械学習または他の人工知能アルゴリズムを使用して、安全性、効率、および快適性を向上させるなどのために車両に情報を提供することができる複数の相互接続されたモジュールを含むことができる。さらに、車両コンピューティングデバイスで実行されるコネクティッドアプリケーションは、車両構成および車両センサ構成を考慮して最も安全で最も効率的な経路を決定する際に車両を支援することができる。

本明細書の実施態様は、コネクティッドデータを使用して完全／部分的自律型車両の性能を大幅に改善することができる。コネクティッド車両は、データ分析プラットフォームとデータを共有することができ、データ分析プラットフォームは、クラウドデータベースおよびクラウドコンピューティング能力、ウェブベースの情報ソースへのアクセスを提供し、ならびに他の車両によって提供される情報へのアクセスを提供する。さらに、場合によっては、コネクティッド車両は、専用狭域通信（ＤＳＲＣ）、セルラ通信などを含む様々な通信プロトコルのいずれかを介してなど、データ分析プラットフォームに接続された他の車両と直接通信することができる。したがって、本明細書のコネクティッド車両は、改善された車両制御、安全性、快適性、効率などを実現するために他のソースからデータを受信することができる。同様に、本明細書のコネクティッド車両は、他のデータソースまたはユーザにデータを送信することができ、このデータは、例えば、交通渋滞、道路特徴、車両性能の決定、道路データベースの作成などのために使用することができる。

説明の目的のために、いくつかの例示的な実装形態は、センサ性能、ならびに車両性能、ローカル状況、予測燃料消費量などの他の考慮事項に基づいて、車両の経路（走行経路）を選択しナビゲートする環境で説明される。しかしながら、本明細書の実施態様は、提供される特定の例に限定されず、本明細書の開示に照らして当業者には明らかなように、他のタイプの感知装置、他のタイプの車両、他のタイプの通信、他のタイプのデータベース、他のタイプのコンピューティングプラットフォームおよびアーキテクチャなどに拡張されてもよい。

図１は、いくつかの実装形態による、例示的な経路選択および車両ナビゲーションシステムを示す。システム１００は、１つまたは複数のネットワーク１０６を介して１つまたは複数のサービスコンピューティングデバイス１０８と通信することができる１つまたは複数の車両コンピューティングデバイス１０４を有する車両１０２を含む。車両１０２は、ＣＡＮバス（コントローラエリアネットワークバス）（図１には示さず）などを介して車両コンピューティングデバイス１０４と通信する１つまたは複数のセンサ１１２および１つまたは複数の車両システム１１４をさらに含むことができる。

各車両コンピューティングデバイス１０４は、１つまたは複数のプロセッサ１１６、１つまたは複数のコンピュータ可読媒体１１８、１つまたは複数の通信インターフェース（Ｉ／Ｆ）１２０、および１つまたは複数の車両ヒューマンマシンインターフェース（ＨＭＩ）１２２を含むことができる。いくつかの例では、車両コンピューティングデバイス１０４は、１つまたは複数のＥＣＵ（電子制御ユニット）または様々な他のタイプのコンピューティングデバイスのいずれかを含むことができる。例えば、コンピューティングデバイス１０４は、ナビゲーション、ブレーキ、ステアリング、加速、減速などのＡＤＡＳおよび／またはＡＤタスクを実行するなどのために、車両システム１１４の少なくともいくつかを制御するための１つまたは複数のＡＤＡＳ／ＡＤ ＥＣＵを含むことができる。コンピューティングデバイス１０４はまた、車両システム１１４の他のシステムを制御するなどのための、１つまたは複数の他のＥＣＵを含むことができる。

「ＥＣＵ」は、車両内のシステム、サブシステム、または構成要素のうちの１つまたは複数を制御する任意の組み込み処理システムの総称である。車両制御プログラム１２４および経路選択プログラム１２６などのソフトウェアは、１つまたは複数のＥＣＵによって実行されてもよく、ＥＣＵが組み込みシステムとして動作することを可能にするために、それぞれのＥＣＵに関連するコンピュータ可読媒体１１８（例えば、以下で説明するように、プログラムＲＯＭ、ソリッドステートストレージなど）の一部に格納されてもよい。ＥＣＵは、通常、車両バスプロトコルに従って、上述のＣＡＮバスなどの車両バスを介して互いに通信することができる。一例として、ＣＡＮバスプロトコルは、ＥＣＵおよび車両システム１１４がホストコンピュータなしで互いに通信することを可能にする車両バスプロトコルである。ＣＡＮバスは、少なくとも２つの異なるタイプを含むことができる。例えば、高速ＣＡＮは、バスが環境の一端から他端まで延びるアプリケーションで使用され得るが、フォールトトレラントＣＡＮは、ノードのグループが一緒に接続される場合にしばしば使用される。

各ＥＣＵまたは他の車両コンピューティングデバイス１０４は、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、ステートマシン、論理回路、および／または動作命令に基づいて信号を操作する任意のデバイスのうちの１つまたは複数を含むことができる、１つまたは複数のプロセッサ１１６を含むことができる。一例として、プロセッサ１１６は、本明細書に記載のアルゴリズムおよび他のプロセスを実行するように特にプログラムまたは構成された任意の適切なタイプの１つまたは複数のハードウェアプロセッサおよび／または論理回路を含むことができる。プロセッサ１１６は、コンピュータ可読媒体１１８に格納されたコンピュータ可読命令をフェッチおよび実行するように構成することができ、コンピュータ可読命令は、本明細書に記載の機能を実行するようにプロセッサ１１６をプログラムすることができる。

コンピュータ可読媒体１１８は、コンピュータ可読命令、データ構造、プログラム、プログラムモジュール、および他のコードまたはデータなどの情報を格納するための任意のタイプの技術で実装された揮発性および不揮発性メモリならびに／またはリムーバブルおよび非リムーバブル媒体を含むことができる。例えば、コンピュータ可読媒体１１８は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリ技術、光学記憶装置、固体記憶装置、磁気ディスク、ネットワーク接続記憶装置、クラウド記憶装置、または所望の情報を格納するために使用することができ、かつコンピューティングデバイスによってアクセスすることができる任意の他の媒体を含むことができるが、これらに限定されない。車両コンピューティングデバイス１０４の構成に応じて、コンピュータ可読媒体１１８は、言及される場合、非一時的コンピュータ可読媒体がエネルギー、搬送波信号、電磁波、および／または信号自体などの媒体を除外する限り、有形の非一時的媒体であってもよい。場合によっては、コンピュータ可読媒体１１８は車両コンピューティングデバイス１０４と同じ場所にあってもよいが、他の例では、コンピュータ可読媒体１１８の一部は車両コンピューティングデバイス１０４から離れていてもよい。

コンピュータ可読媒体１１８は、プロセッサ１１６によって実行可能な任意の数の機能構成要素を格納するために使用することができる。多くの実装形態では、これらの機能構成要素は、プロセッサ１１６によって実行可能であり、かつ実行されると、本明細書では車両コンピューティングデバイス１０４に起因する動作を実行するようにプロセッサ１１６を特にプログラムする命令またはプログラムを含む。コンピュータ可読媒体１１８に格納された機能構成要素は、車両制御プログラム１２４および経路選択プログラム１２６を含むことができ、それらの各々は、１つまたは複数のコンピュータプログラム、アプリケーション、実行可能コード、またはそれらの一部を含むことができる。さらに、この例ではこれらのプログラムが一緒に示されているが、使用中、これらのプログラムの一部またはすべては、別個の車両コンピューティングデバイス１０４上で実行されてもよい。あるいは、いくつかの例では、これらのプログラム１２４および１２６の各々は、単一のプログラムの一部であってもよい。

さらに、コンピュータ可読媒体１１８は、データ、データ構造、機械学習モデル、および本明細書に記載の機能およびサービスを実行するために使用される他の情報を格納することができる。例えば、コンピュータ可読媒体１１８は、車両に搭載されたセンサのセンサタイプ、視野、解像度、範囲および他の性能、現在の状態および操作性などに関する情報を含むセンサ構成情報１２８を格納することができる。さらに、コンピュータ可読媒体１１８は、パワートレイン情報、サスペンション情報、タイヤ情報、ならびに車両のブランド、モデル、年式、トリムレベルなどの車両に関する情報を含む車両構成情報１３０を格納することができる。さらに、コンピュータ可読媒体１１８は、車載センサ１１２から受信したセンサデータ１３２を少なくとも一時的に格納することができ、これは、旅行中に検出されたランドマークに関する情報、車両位置情報などを含むことができる。

さらに、この例では機能構成要素、データ、およびデータ構造が一緒に示されているが、使用中、これらの要素の一部またはすべては、別のコンピューティングデバイス１０４に、または別のコンピューティングデバイス１０４によって格納されてもよい。コンピューティングデバイス１０４はまた、プログラム、ドライバなどを含むことができる他の機能構成要素およびデータ、ならびに他の機能構成要素によって使用または生成されるデータを含むかまたは維持することができる。さらに、コンピューティングデバイス１０４は、多くの他の論理的、プログラム的、および物理的構成要素を含むことができ、そのうちの上述したものは、本明細書の説明に関連する例にすぎない。

１つまたは複数の通信インターフェース１２０は、ＣＡＮバスおよび／または１つまたは複数のネットワーク１０６を介してなど、様々な他のデバイスとの通信を可能にするための１つまたは複数のソフトウェアおよびハードウェア構成要素を含むことができる。例えば、通信インターフェース１２０は、本明細書の他の箇所にさらに列挙されているように、ＬＡＮ、インターネット、ケーブルネットワーク、セルラネットワーク、無線ネットワーク（例えば、Ｗｉ－Ｆｉ）および有線ネットワーク（例えば、ＣＡＮ、ファイバチャネル、光ファイバ、イーサネット）、直接接続、ならびにＢＬＵＥＴＯＯＴＨ（登録商標）などの近距離通信のうちの１つまたは複数を介した通信を可能にすることができる。

一つ以上のネットワーク１０６は、セルラネットワークなどの無線ネットワーク、インターネットなどの広域ネットワーク、イントラネットなどのローカルエリアネットワーク、Ｗｉ－Ｆｉなどのローカル無線ネットワーク、ＢＬＵＥＴＯＯＴＨ（登録商標）またはＤＳＲＣなどの近距離無線通信、光ファイバおよびイーサネットを含む有線ネットワーク、上記の任意の組み合わせ、または任意の他の適切な通信ネットワークを含む任意の適切なネットワークを含んでもよいそのような通信技術のために使用される構成要素は、ネットワークのタイプ、選択された環境、またはその両方に少なくとも部分的に依存しうる。そのようなネットワークを介して通信するためのプロトコルは周知であり、ここでは詳細に説明しない。

センサデータ１３２は、車載センサ１１２から受信したセンサデータを含むことができる。例えば、車載センサ１１２は、カメラシステム、レーダ、ＬＩＤＡＲ、超音波、全地球航法衛星システム（ＧＮＳＳ）受信機（以下、一般使用名「ＧＰＳ」によって参照され、任意の他の衛星航法システムも含むことが意図される）、加速度計、コンパスなどの複数の異なるタイプのセンサのいずれかを含み得る。加えて、車両制御プログラム１２４によって使用されるセンサデータ１３２は、サスペンションシステムに関連するサスペンションコントローラ、ステアリングシステムに関連するステアリングコントローラ、ブレーキおよび加速システムに関連する車速コントローラなど（図１には示さず）からなど、様々な車両システム１１４から受信される、またはそれに関連する情報を含むことができる。

例えば、車両制御プログラム１２４は、ルールベースおよび／または人工知能ベースの制御アルゴリズムを使用して、車両制御のためのパラメータを決定することができる。例えば、車両制御プログラム１２４は、ブレーキ、ステアリング、加速などの適切な動作を決定することができ、決定された動作に基づいて、１つまたは複数の制御信号を１つまたは複数の車両システム１１４に送信することができる。例えば、車両制御プログラム１２４は、いくつかのアプリケーションで車両を制御または部分的に制御するために、サスペンションコントローラ、ステアリングコントローラ、および／または車速コントローラに制御信号を送信することができる。

ヒューマンマシンインターフェース１２２は、ボタン、ノブ、ジョイスティック、タッチスクリーン、スピーカ、マイクロフォン、音声認識および人工音声技術、アイモニタリングカメラ、バイタルサインモニタなどの機内センサなどの任意の適切なタイプの入出力装置を含むことができる。一例として、車両乗員は、音声コマンドまたはタッチスクリーン入力などを介して目的地位置を示すためにヒューマンマシンインターフェース１２２を使用することができる。本明細書における実装形態は、いかなる特定のタイプのヒューマンマシンインターフェース１２２にも限定されない。

サービスコンピューティングデバイス１０８は、任意の数の方法で具現化することができる、１つまたは複数のサーバまたは他のタイプのコンピューティングデバイスを含むことができる。例えば、サーバの場合、プログラム、他の機能構成要素、およびデータは、単一のサーバ、サーバのクラスタ、サーバファームまたはデータセンタ、クラウドホストコンピューティングサービスなどに実装されてもよいが、他のコンピュータアーキテクチャが追加的または代替的に使用されてもよい。

さらに、図は、サービスコンピューティングデバイス１０８の機能構成要素およびデータを単一の場所に存在するものとして示しているが、これらの構成要素およびデータは、代替的に、任意の方法で異なるコンピューティングデバイスおよび異なる場所に分散されてもよい。その結果、機能は、１つまたは複数のサービスコンピューティングデバイスによって実装されてもよく、本明細書に記載の様々な機能は、様々なコンピューティングデバイスにわたって様々な方法で分散される。複数のサービスコンピューティングデバイス１０８は、一緒にまたは別々に配置され、例えば、仮想サーバ、サーババンク、および／またはサーバファームとして編成されてもよい。記載された機能は、単一のエンティティまたは企業のサーバによって提供されてもよく、または複数の異なるエンティティまたは企業のサーバおよび／またはサービスによって提供されてもよい。

図示の例では、各サービスコンピューティングデバイス１０８は、１つまたは複数のプロセッサ１４０、１つまたは複数のコンピュータ可読媒体１４２、および１つまたは複数の通信インターフェース１４４を含むことができる。各プロセッサ１４０は、単一のプロセッシングユニットまたはいくつかのプロセッシングユニットであってもよく、単一もしくは複数のコンピューティングユニットまたは複数のプロセッシングコアを含んでもよい。プロセッサ１４０は、１つまたは複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、ステートマシン、論理回路、および／または動作命令に基づいて信号を操作する任意のデバイスとして実装することができる。例えば、プロセッサ１４０は、本明細書に記載のアルゴリズムおよびプロセスを実行するように特にプログラムまたは構成された任意の適切なタイプの１つまたは複数のハードウェアプロセッサおよび／または論理回路であってもよい。プロセッサ１４０は、コンピュータ可読媒体１４２に格納されたコンピュータ可読命令をフェッチおよび実行するように構成することができ、コンピュータ可読命令は、本明細書に記載の機能を実行するようにプロセッサ１４０をプログラムすることができる。

コンピュータ可読媒体１４２は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなどの情報を格納するための任意のタイプの技術で実装された揮発性および不揮発性メモリならびに／またはリムーバブルおよび非リムーバブル媒体を含むことができる。そのようなコンピュータ可読媒体１４２は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリまたは他のメモリ技術、光記憶装置、固体記憶装置、磁気テープ、磁気ディスク記憶装置、記憶装置アレイ、ネットワーク接続記憶装置、記憶装置エリアネットワーク、クラウド記憶装置、または所望の情報を格納するために使用することができ、かつコンピューティングデバイスによってアクセスすることができる任意の他の媒体を含むことができるが、これらに限定されない。サービスコンピューティングデバイス１０８の構成に応じて、コンピュータ可読媒体１４２は、本明細書で言及される場合、非一時的コンピュータ可読媒体がエネルギー、搬送波信号、電磁波、および信号自体などの媒体を除外する限り、一種のコンピュータ可読記憶媒体であってもよく、および／または有形の非一時的媒体であってもよい。

コンピュータ可読媒体１４２は、プロセッサ１４０によって実行可能な任意の数の機能構成要素を格納するために使用することができる。多くの実装形態では、これらの機能構成要素は、プロセッサ１４０によって実行可能であり、実行されると、サービスコンピューティングデバイス１０８に起因する上述した動作を実行するように１つまたは複数のプロセッサ１４０を特に構成する命令またはプログラムを含む。コンピュータ可読媒体１４２に記憶された機能構成要素は、経路指定情報などのナビゲーション情報を決定して車両コンピューティングデバイス１０４に送信するようにサービスコンピューティングデバイス１０８を構成するために実行することができるナビゲーション情報プログラム１４６を含むことができる。例えば、ナビゲーション情報プログラム１４６は、車両の最適経路を決定するために、ならびに他の機能を実行するために実行することができる、１つまたは複数の記述分析モジュール１４８、１つまたは複数の予測分析モジュール１５０、および１つまたは複数の規範分析モジュール１５２を含むことができる。

記述分析モジュール１４８の例は、通信、暗号化／復号、データフィルタリング、データ融合、および候補経路予測および監視を実行するモジュールを含むことができる。予測分析モジュール１５０の例は、目的地予測、候補経路予測および監視、速度プロファイル決定、ならびに異常予測を含むことができる。規範分析モジュール１５２の例は、車両および／または車両乗員の安全性、効率、快適性などを管理するためのモジュールを含むことができる。例えば、規範分析モジュール１５２は、道路異常、運転者の挙動を管理するためのモジュール、走行展望を決定するためのモジュール、効率的なアダプティブクルーズコントロール（ＡＣＣ）動作を決定するためのモジュール、サスペンション制御を決定するためのモジュール、乗員ストレスレベルを決定するためのモジュールなどを含み得る。

さらに、コンピュータ可読媒体１４２は、本明細書に記載の動作を実行するために使用されるデータを格納またはアクセスすることができる。さらに、いくつかの例では、データは、１つまたは複数のデータベース１５４などの任意の適切なタイプのデータ構造に格納することができる。データベース１５４の例は、地図データデータベース１５６、時系列データデータベース１５８、画像データデータベース１６０、および車両データデータベース１６２を含むことができる。例えば、地図データデータベース１５６は、選択された道路区間の必要ＦＯＶ、道路プロファイル、高精細地図、および様々な地理的地域の標準地図に関する情報を含むことができる。さらに、時系列データデータベース１５８は、トラフィックデータ、気象データ、車両通信データ、車両ＣＡＮデータ、センサデータなどの情報を含むことができる。さらに、画像データデータベース１６０は、インフラストラクチャカメラ、携帯電話カメラ、車載カメラなどから受信することができるような、道路、ランドマーク、交差点などの画像を維持することができる。さらに、車両データデータベース１６２は、システム１００を使用する各車両に関する情報を含むことができ、これは、車両と通信するために使用する車両識別情報、センサ構成情報１２８、車両構成情報１３０、車両または車両乗員の過去の目的地、乗員情報および好みを含む乗員プロファイルなど、車両に関連する所有者または他の乗員に関する情報などを含むことができる。

さらに、サービスコンピューティングデバイス１０８はまた、プログラム、ドライバなどを含むことができる、図１に具体的に示されていない他の機能構成要素およびデータ、ならびに機能構成要素によって使用または生成されるデータを含むかまたは保持することができる。さらに、サービスコンピューティングデバイス１０８は、多くの他の論理的、プログラム的、および物理的構成要素を含むことができ、そのうちの上述したものは、本明細書の説明に関連する例にすぎない。ＡＩベースのアルゴリズムおよびモデルなどのために、本明細書のモジュール１４８、１５０および／または１５２のいくつかの例で使用することができる機械学習モデル（ＭＬＭ）の例は、予測モデル、決定ツリー、分類器、線形回帰モデルなどの回帰モデル、サポートベクターマシン、マルコフモデルおよび隠れマルコフモデルなどの確率モデル、ならびに自己組織化ニューラルネットワーク、リカレントニューラルネットワーク、畳み込みニューラルネットワーク、モジュラーニューラルネットワーク、ディープラーニングニューラルネットワークなどの人工ニューラルネットワークを含むことができる。

通信インターフェース１４４は、ネットワーク１０６を介してなど、様々な他のデバイスとの通信を可能にするための１つまたは複数のインターフェースおよびハードウェア構成要素を含むことができる。例えば、通信インターフェース１４４は、本明細書の他の箇所にさらに列挙されるように、インターネット、ケーブルネットワーク、セルラネットワーク、無線ネットワーク（例えば、Ｗｉ－Ｆｉ）および有線ネットワーク（例えば、光ファイバおよびイーサネット）、ならびにＢＬＵＥＴＯＯＴＨ（登録商標）、ＢＬＵＥＴＯＯＴＨ（登録商標）低エネルギー、ＤＳＲＣなどの近距離通信のうちの１つまたは複数を介した通信を可能にすることができる。

加えて、サービスコンピューティングデバイス１０８、場合によっては車両コンピューティングデバイス１０４は、ウェブサーバ、サービスプロバイダコンピューティングデバイス、パブリックデータベース、プライベートデータベースなどの１つまたは複数の情報ソースコンピューティングデバイスと、１つまたは複数のネットワーク１０６を介して通信することができる。これに示されている情報ソースコンピューティングデバイスは、サービスコンピューティングデバイス１０８および／または車両コンピューティングデバイス１０４に地図データ１６６を提供することができる１つまたは複数の地図プロバイダコンピューティングデバイス１６４を含む。さらに、１つまたは複数のＯＥＭ（相手先商標製造）コンピューティングデバイスは、それらが製造する車両に関するＯＥＭ情報１７０を提供することができ、および／またはそれらの車両に関する情報をサービスコンピューティングデバイス１０８から受信することができる。さらに、１つまたは複数の政府コンピューティングデバイス１７２は、道路情報、自動車情報の部門、工事情報などの政府データ１７４を提供することができる。

情報ソースコンピューティングデバイス１６４、１６８および１７２は、上述したサービスコンピューティングデバイス１０８と同様のハードウェアおよびソフトウェア構成を含むことができるが、それらには異なる機能構成要素およびデータが格納されるか、または関連付けられる。さらに、いくつかのタイプの情報ソースコンピューティングデバイスが本明細書に記載されているが、多数の他のタイプの情報ソースコンピューティングデバイスが、サービスコンピューティングデバイス１０８および／または車両コンピューティングデバイス１０４に情報を提供することができる。例えば、情報ソースコンピューティングデバイスは、気象条件、トラフィック、道路閉鎖、特別イベントなどに関して、指定された道路区間の現在の状態を示すためのローカル状況データをサービスコンピューティングデバイス１０８に提供することができる。

さらに、ユーザコンピューティングデバイス１８０は、情報および／または命令をサービスコンピューティングデバイス１０８に提供するために、１つまたは複数のユーザアプリケーション１８２を実行することができる。例えば、ユーザコンピューティングデバイスは、１つまたは複数のネットワーク１０６を介してサービスコンピューティングデバイス１０８と直接通信するために使用され得る、携帯電話、スマートフォン、タブレット、ウェアラブルデバイスなどのモバイルデバイスであってもよい。一例として、ユーザアプリケーション１８２はブラウザを含むことができ、ユーザはブラウザを使用して、好みを設定する、車両１０２に関する情報を提供する、ユーザに関する情報を提供するなどのために、ウェブアプリケーション、ウェブサイト、または他の適切なユーザインターフェースを介してサービスコンピューティングデバイス１０８と対話することができる。

一例として、車両コンピューティングデバイス１０４は、サービスコンピューティングデバイス１０８に、旅行のための出発地および目的地情報１８４を提供することができる。例えば、経路選択プログラム１２６は、車両コンピューティングデバイス１０４によって実行されて、所望の移動のための出発地位置および目的地位置をサービスコンピューティングデバイス１０８に送信することができる。加えて、サービスコンピューティングデバイス１０８が車両データデータベース１６２内にセンサ構成情報１２８および／または車両構成情報１３０をまだ所有していない場合、車両コンピューティングデバイス１０４は、この情報をサービスコンピューティングデバイス１０８に提供することができる。あるいは、他の例では、車両コンピューティングデバイス１０４は、単に出発地位置情報をサービスコンピューティングデバイス１０８に提供し、サービスコンピューティングデバイス１０８に経路を要求することができる。それに応答して、サービスコンピューティングデバイスは、現在時刻および現在位置、ならびに車両１０２によって行われた過去の旅行の分析などに基づいて目的地位置を予測することができる。さらに別の例として、サービスコンピューティングデバイス１０８は、ヒューマンマシンインターフェース１２２に、目的地位置に関して車両乗員に問い合わせるように通信を送信することができる。

以下でさらに詳細に説明するように、サービスコンピューティングデバイス１０８は、ナビゲーション情報プログラム１４６を実行して、出発地位置から目的地位置までの車両１０２の最適経路を決定することができる。例えば、サービスコンピューティングデバイスは、記述分析モジュール１４８、予測分析モジュール１５０、および規範分析モジュール１５２を実行して、最適経路を決定することができる。最適経路を決定すると、サービスコンピューティングデバイス１０８は、選択された最適経路１８６を車両コンピューティングデバイス１０４に送信することができる。車両制御プログラム１２４は、車両コンピューティングデバイス１０４によって実行されて、最適経路１８６に従って車両をナビゲートすることができる。最適経路１８６の決定および選択の詳細は、図２～図１９に関して以下でさらに説明される。

部分的／完全自律型車両のためのコネクティッド車両技術の利点を実現するために、コネクティッドデータ分析プラットフォーム１４５は、上述したように、車両１０２、インフラストラクチャカメラおよび他のセンサ、携帯電話、他の交通データサービスなどの異なるソースから様々な異なるタイプのデータを受信することができる。データ分析プラットフォーム１４５は、記述分析モジュール１４８、予測分析モジュール１５０、および規範分析モジュール１５２などの分析層に分類された様々な異なるモジュールを使用することによって、受信したデータを処理してエンドユーザに対する価値を導出することができる。記述分析モジュール１４８は、データ処理、認証、データフィルタリング、データ融合などに使用される複数のモジュールを含むことができる。予測分析モジュール１５０は、ＡＩアルゴリズム、シミュレーションプログラムなどを使用することなどによって、車両速度、経路、異常予測などの車両制御に予想される異なる特徴を予測するために使用することができる。規範分析モジュール１５２は、安全性、効率、快適性などのそれぞれの要件に基づいて様々なエンドユーザに価値を提供するＡＩモジュールを含むことができる。したがって、データ分析プラットフォーム１４５は、ユーザ入力および／または予測に基づいて価値を提供することができる。さらに、図１の例では３つの異なるタイプのモジュールが説明されているが、本明細書のシステムの他の例では、より少ないまたはより多いタイプのモジュールが使用されてもよい。

さらに、経路計画に加えて、またはその代わりに、様々な異なるタイプのサービスを提供するために、異なるコネクティッドアプリケーションをエンドユーザに提供することができる。例えば、データ分析プラットフォーム１４５は、車両乗員の安全に関する分析および決定を行うための道路異常および運転者挙動情報を提供することができる。さらに、走行展望は、利用可能なデータ道路プロファイル、トラフィック、車両パワートレイン、他の車両構成データなどに基づいて、燃料節約を達成するための特定の経路の最適な車両走行速度を提案することなどによって効率を決定するために、データ分析プラットフォームによって使用され得る。さらに、データ分析プラットフォーム１４５は、複数の車両からの集約車両データをＯＥＭなどの他のサードパーティエンティティと共有することができ、地図プロバイダ、気象情報プロバイダなどのサードパーティエンティティからデータを取り込むことを可能にすることもできる。

システム１００では、経路選択プログラム１２６は、データ分析プラットフォーム１４５に接続するための通信機能を含む。さらに、経路選択プログラム１２６は、ＧＰＳ受信機などを介して、車載センサ１１２から現在の車両位置を決定することができる。したがって、経路選択プログラム１２６を実行して、現在の車両位置に関する情報、車載センサ構成情報１２８、およびパワートレイン、トリムレベルなどの車両構成情報１３０をデータ分析プラットフォーム１４５に送信することができる。データ分析プラットフォーム１４５は、ナビゲーション情報プログラム１４６を実行して車両情報を処理し、目的地位置が車両コンピューティングデバイス１０４から受信されている場合、記述分析モジュール１４８を使用して、出発地位置から目的地位置までの候補経路を決定することができる。一方、車両コンピューティングデバイス１０４から受信した情報から目的地位置を決定することができない場合、予測分析モジュール１５０を実行して、車両データデータベース１６２内に格納された車両履歴などに基づいて、車両乗員の所望の目的地を予測することができる。受信した入力から、または予測に基づいて目的地位置が決定された後、候補経路を、例えば図５に関して以下でさらに説明するように決定することができる。

図２は、いくつかの実装形態による、車両１０２の車載センサカバレッジ２００の例を示す。車両１０２は、車両の走行経路に沿った道路、障害物、標識、ランドマークなどを検出および認識し、部分的または完全自律である間、ナビゲートおよびあらゆる衝突の回避のために、広範囲のセンサを装備することができる。例えば、自動車技術会（ＳＡＥ）によって定義されているように、レベル０からレベル５まで６レベルの運転自動化がある。特に、「レベル０」（運転自動化なし）では、運転者は、ステアリング、ブレーキ、加速などのすべての操作タスクを実行する。「レベル１」（運転者支援）では、車両はいくつかの機能（例えば、クルーズコントロール）で支援することができるが、運転者は依然として加速、ブレーキ、および周囲環境の監視のすべてを処理する。「レベル２」（部分運転自動化）では、車両は、ステアリングまたは加速機能を支援し、運転者がタスクの一部から離れることを可能にすることができる。アダプティブクルーズコントロール（ＡＣＣ）は、レベル２の自律性の一例である。

自動運転の概念は、主に「レベル３」（条件付き運転自動化）から始まり、このレベルでは、車両自体が周囲を監視し、車両に対して何らかの制御を及ぼすことができる（例えば、自律駐車）。レベル３では、運転者が引き継ぐことができなければならない。「レベル４」（高度な運転自動化）では、車両はほとんどの場合独立して運転することができるが、すべての条件が満たされない限り動作しない。「レベル５」（完全な運転自動化）では、車両はあらゆる条件でどこでも運転することができる。自律型車両システムはすべての重要なタスクを制御し、周囲を監視し、渋滞、障害物、道路閉鎖などの固有の運転状態を識別するので、ペダルまたはステアリングホイールは必要ない。

より高いレベルの自動化（すなわち、レベル３～レベル５）のために、車両１０２は、障害物を回避し、安全にナビゲートするために、車両１０２の周囲３６０度を連続的に監視することができる。車両１０２に使用され得る様々な異なるタイプのセンサおよび感知技術がある。一般的に使用されるセンサは、モノカメラ、ステレオカメラ、赤外線カメラ、レーダ、ライダー、レーザ、超音波センサ、ＧＰＳ受信機などを含むことができる。任意の特定の運転者支援システムアプリケーションまたは任意の特定のレベルの運転自動化のために、センサは、検出範囲、検出能力のタイプ、電力要件、コスト、生成されるデータ量などを含むことができる、センサタイプの利点および欠点に基づいて選択することができる。各センサタイプは、利点および欠点を有する可能性があり、したがって、様々な気象または他のタイプの条件における精度を改善するために、車両１０２上での使用において異なるタイプのセンサを組み合わせることができる。例えば、単一のセンサタイプは、特定の気象条件における認識精度または範囲要件を満たすことができない可能性がある。

一例として、カメラ（モノ／ステレオ）は、暗闇や悪天候の中ではうまく機能せず、検出範囲は、同様の価格のレーダセンサと比較して比較的低くなり得る。しかしながら、レーダセンサは、車道内の人を検出できず、レーンマーカの検出が困難な場合がある。一方、レーダセンサは、他のセンサタイプと比較して、他の車両の長距離検出のための良好な候補であり得る。別の例として、赤外線カメラは、夜間条件下で良好に機能することができるが、遠距離検出能力が低いという問題もあり得る。さらに、ライダーセンサは、夜間および昼間の条件下で良好に動作することができるが、コストがかかる可能性があり、リアルタイムでデータを処理するために大容量プロセッサを必要とし得る大量のデータを生成する可能性がある。また、超音波センサは、他のタイプのセンサに比べて低コストであるが、検出範囲は１０メートル以下であり、有用性が制限される場合がある。上記を考慮して、ＡＤＡＳ／ＡＤ車両が車両の周囲を継続的に監視するために、複数の異なるセンサタイプが通常使用される。

図２の例では、車両１０２は、車両周囲の３６０度監視のための複数の異なるセンサを装備している。この例では、車両１０２は、４つのサラウンドモノカメラまたは超音波（ＵＴＺ）センサを装備することができ、それぞれは、図２に示すようにそれぞれのおおよその検出領域２０２（前方、後方、左側、右側）を有する。例えば、モノカメラは、最大１０ｍの検知範囲を有することができ、駐車支援、近接障害物の検出、および／または歩行者の検出に有用であり得る。

車両１０２はまた、車両１０２の前方におおよその検出領域２０４を有する前方広角モノまたはステレオカメラを装備することができる。さらに、車両１０２は、車両１０２の前方におおよその検出領域２０６を有する前方ステレオカメラを装備することができる。ステレオカメラベースの視覚感知システムは、視差マップなどを使用することなどによって、異なる障害物、ランドマーク、歩行者、道路標識、道路特徴、信号機などを識別および追跡するためなどの、短距離／中距離から長距離の認識アプリケーションに使用することができる。カメラベースの感知は、雪、雨、日光、暗闇などの環境条件によって大きく影響される可能性がある。

さらに、車両１０２は、車両１０２を囲むそれぞれのおおよその検出領域２０８を有する４つの中距離レーダセンサを装備することができる。さらに、車両１０２は、車両１０２の前方におおよその検出領域２１０を有する長距離レーダセンサを装備することができる。本明細書のレーダセンサは、ミリ波検出および測距を使用することができ、したがって気象条件に対して堅牢であり、２５０ｍまでの比較的長い範囲を有することができる。しかしながら、レーダベースの測定は、障害物の形状およびサイズなどの詳細な幾何学的情報を欠く場合がある。いくつかの例では、中距離レーダセンサは、死角支援および緊急ブレーキＡＤＡＳ機能などのアプリケーションに有用であり得る。

場合によっては、上述したセンサのステレオカメラ、長距離レーダ、または他のセンサのうちの１つまたは複数の代わりに、またはそれに加えて、ライダーセンサを使用することができる。さらに、図２に関していくつかの例示的なセンサ構成が説明されているが、本明細書の開示の恩恵を受ける当業者には、他の多くのセンサタイプ、センサ位置、およびセンサ構成が明らかであろう。したがって、本明細書の実施態様は、いかなる特定のセンサタイプ、位置、または構成にも限定されない。

さらに、本明細書の車載センサでは、車両１０２は、他の車両、インフラストラクチャ、道路端部コンピューティングモジュール、クラウドデータ交換、分析プラットフォーム１４５などとデータを共有するためのコネクティッドデバイスを装備することができる。一般に、他の車両およびシステムとデータを共有する完全および部分的自律型車両は、コネクティッド自律型車両と呼ばれることがある。コネクティッド自律型車両は、上述したように他のソースからデータを受信することができ、受信したデータを処理して、安全性、快適性、効率、走行時間の短縮などを実現することができる。さらに、コネクティッド車両は、トラフィック密度、道路使用量などを実現し、他の車両に異なる価値を提供するために、他の車両とデータを共有することができる。

図３は、いくつかの実装形態による、車線維持支援（ＬＫＡ）システムのための例示的なセンサ使用構成３００を示す。例えば、ＬＫＡおよびアダプティブクルーズコントロール（ＡＣＣ）などの横方向および縦方向の運転者支援システムのためのＡＤＡＳアプリケーションは、量産車両で利用可能な比較的成熟した技術である。これらのシステムは、通常、安全で堅牢な性能を確保するために、１つまたは複数のセンサを使用する。車両に使用されるセンサのタイプおよび数は、ＡＤＡＳアプリケーションのタイプに基づいて変化し得る。

図３の例では、車線逸脱警告や横方向の衝突回避にＬＫＡシステムを採用してもよい。例えば、ＬＫＡシステムは、運転者が車両１０２を自身の車線内に安全に維持するのを支援することができる。したがって、この例では、センサ使用構成は、検出領域２０６を提供するステレオカメラと、検出領域２１０を提供する長距離レーダとを含む。例えば、長距離カメラの検出領域２１０は、道路曲率を測定し、その車線３０２内で車両１０２の位置を特定することができるＦＯＶを提供する。いくつかの例では、ＬＫＡシステムは、運転席、ステアリングホイールなどへの振動によって運転者に触覚フィードバックを提供するアクチュエータ（図３には示さず）を含むことができる。したがって、ＬＫＡシステムは、車線逸脱の警告を提供することによって運転者を支援することができ、運転者はその後、車両１０２の制御を行い、さらなる車線逸脱を回避する責任を負うことができる。

さらに、本明細書のいくつかの例では、車線逸脱が発生したときの運転者の応答に依存するのではなく、ＬＫＡシステムは、長距離カメラおよび長距離レーダからのセンサ融合を使用して運転者に警告し、さらにステアリングアクチュエータを作動させることができる。したがって、ステアリングアクチュエータは、車両をその適切な車線に戻すために自動的に作動され得る。センサ融合アルゴリズムは、厳しい性能および安全要件を満たすために必要とされ得る。

図４は、いくつかの実装形態による、アダプティブクルーズコントロール（ＡＣＣ）のための例示的なセンサ使用構成４００を示す。アダプティブクルーズコントロール（ＡＣＣ）は、ＬＫＡシステムよりも広範な縦方向制御機能を有し、前方衝突回避、ストップアンドゴーシナリオでの交通渋滞支援、ならびに高速道路走行中に他の車両の後方で適切な車間距離を維持するために使用することができる。ＡＣＣシステムは、車両の速度および先行車両からの車間距離を自動的に調整することができる。ＡＣＣシステムが作動しているとき、ＡＣＣシステムは、安全な車間距離および追従速度を確保して、運転者が過度の速度または短すぎる車間距離に関連する事故を回避するのを支援することができる。本明細書の例では、ＡＣＣシステムのセンサ構成４００は、長距離ＦＯＶを有するカバレッジ領域２１０を有する長距離レーダと、広いＦＯＶを有する障害物検出のための前方および側方カバレッジ領域２０８を有する２つの中距離レーダと、車線検出および道路検出のために選択されたＦＯＶを有するカバレッジ領域２０６を有する長距離カメラとを含むことができる。したがって、この例では、カバレッジ領域２０６、２０８および２１０は共に、前方向の車両センサＦＯＶ４０２を表すことができる。

図５は、いくつかの実装形態による、出発地位置と目的地位置との間の候補経路を決定する例５００を示す。この例では、マップ５０２に示すように、例えば、上述し以下でさらに説明するように、出発地位置５０４および目的地位置５０６を最初に決定することができる。例えば、出発地位置５０４および目的地位置５０６が設定された後、複数の実行可能な候補経路５０８を決定することができる。この例では、２つの実行可能な候補経路５０８、すなわち第１の経路５１０および第２の経路５１２が示されている。他の例では、より多くのまたはより少ない候補経路が決定されてもよい。また、実行可能な候補経路が非常に多い場合には、各経路に沿った推定走行距離、各経路の推定走行時間などの各種閾値を使用して候補経路の数を絞り込んでもよい。場合によっては、絞込基準は、ユーザの好みに少なくとも部分的に基づいてもよい。

各経路５１０および５１２は、ノード５１４と、２つのノード５１４間の距離である介在道路区間５１６とに基づいて分割することができる。ノード５１４の位置および各道路区間５１６の長さは、走行する道路のタイプに部分的に依存し得る。例えば、道路区間は、数メートルから数百メートルまで変化し得る。場合によっては、ノードは交差点に対応することがあるが、より短い道路区間に分割され得る長い道路範囲の場合などで、必ずしもそうとは限らない。

図示の例では、第１の経路５１０は、ノード５１４（Ａ１）、５１４（Ａ２）、５１４（Ａ３）、および５１４（Ａ４）と、道路区間５１６（Ａ１）、５１６（Ａ２）、５１６（Ａ３）、および５１６（Ａ４）とを含む４つの道路区間に分割されている。また、第２の経路５１２は、ノード５１４（Ｂ１）、５１４（Ｂ２）、および５１４（Ｂ３）と、道路区間５１５（Ｂ１）、５１６（Ｂ２）、および５１６（Ｂ３）とを含む３つの道路区間に分割されている。上述したように、他の例では、経路５１０、５１２の各々に対して異なる数の道路区間が使用されてもよい。さらに、説明の目的でマップ５０２が図５に示されているが、動作中、サービスコンピューティングデバイス１０８が、選択された経路および道路区間の識別および分析を実行するための視覚的マップを生成する必要はない場合がある。

データ分析プラットフォーム１４５は、地理的領域内のすべての経路または少なくとも最も実行可能な経路について、各ノード５１４および／または道路区間５１６のデータを事前に格納することができる。例えば、データ分析プラットフォーム１４５は、各マップに含まれる道路上の経路ならびに可能なノードおよび道路区間を決定するために、地理的領域の地図を事前に分析することができる。この情報は、車両から経路案内の要求を受信する前に、図１に関して上述した地図データデータベース１５６に格納されてもよい。

さらに、各地図において識別された決定された道路区間５１６について、データ分析プラットフォーム１４８は、それぞれの道路区間５１６について必要視野（ＦＯＶ）情報を決定し格納することができる。必要ＦＯＶは、上述のそれぞれの道路区間５１６上をナビゲートするときに人間の運転者または車両センサによって監視されるべき２次元および／または３次元ゾーンを含むことができる。例えば、自律型車両は、それぞれの道路区間で自律的に安全に運転するために必要ＦＯＶ領域を監視することが期待され得る。上述した道路区間と同様に、各道路区間の必要ＦＯＶは、事前に決定され、地図データデータベース１５６に予め格納されてもよい。

この経路指定の例では、以下でさらに説明するように、第１の経路５１０および第２の経路５１２について、データ分析プラットフォーム１４５は、規範分析層内の経路ＦＯＶカバレッジモジュールを実行して、各経路５１０、５１２について、車両センサのＦＯＶ、すなわち、図４に関して上述した車両センサＦＯＶ４０２などの特定の車両用の車両センサＦＯＶによってカバーされ得る必要ＦＯＶの割合を決定することができる。車両センサＦＯＶは、車両１０２についてデータ分析プラットフォーム１４５によって受信された車載センサ構成情報１２８を使用して、車両センサＦＯＶモジュールによって計算することができる。道路区間の必要ＦＯＶを決定し、車両ＦＯＶカバレッジを必要ＦＯＶカバレッジと比較する例は、図６～図１１に関して以下でさらに説明される。

さらに、各候補経路のＦＯＶカバレッジを決定することに加えて、データ分析プラットフォーム１４５は、車両パワートレインモデルおよび他の車両情報、道路勾配、気象、トラフィックなどを考慮することによって候補経路のエネルギー効率を識別することができる、各候補経路の走行展望をさらに決定することができる。さらに、データ分析プラットフォーム１４５は、各経路の予測車両ダイナミクスを決定することもできる。例えば、車両ダイナミクスは、車両ジャーク、ロール、ピッチ、ヨー、衝突安全性、自動運転継続時間などを決定することなどによって、車両が各経路を走行する間に車両乗員に加えられ得る動的な力の予測量を示すことができる。経路ＦＯＶカバレッジ結果、走行展望結果、および車両ダイナミクス結果は、ＡＩベースの最適経路選択モジュールによって処理されて、特定の車両の最適経路を選択することができる。

図６は、いくつかの実装形態による、車両６０６の運転者６０４の視点から見た道路区間の必要ＦＯＶ６０２の例６００を示す。この例では、画像６０８は、車両６０６のフロントガラスから真っ直ぐ前方を見たときの全体的な運転者ＦＯＶ６１０を表すことができる。さらに、画像６０８内の白色領域は、車両６０６が現在走行している道路区間の必要ＦＯＶ６０２を表す。したがって、この例では、運転者ＦＯＶ６１０は、現在、必要ＦＯＶ６０２を包含する。

図７Ａおよび図７Ｂは、いくつかの実装形態による、特定の交差点の必要ＦＯＶを決定する例を示す。図７Ａは、右側から交差点７０６に接近し、大通り７０８から横道７１０に右折する車両７０４の必要ＦＯＶ７０２を決定する例７００を示す。この例では、車両７０４が接近している方向の交差点７０６には、信号機や一時停止の標識がない。したがって、交差点７０６で右折するために、必要ＦＯＶ７０２の２Ｄ表現は、限定はしないが、車両の前方の大通り７０８の部分、および車両７０４が旋回していく横道７１０の部分を含む領域７１２をカバーする。さらに、必要ＦＯＶ７０２は、歩行者または他の車両が交差点を横断していないことを確実にするために確認することができる左車線の領域７１４を含む。

図７Ｂは、右側から交差点７０６に接近し、大通り７０８に沿って交差点７０６を通過する車両７０４の必要ＦＯＶ７２２を決定する例７２０を示す。また、この例では、車両７０４が接近している方向の交差点７０６には、信号機や一時停止の標識がない。その結果、交差点７０６を通過するために、必要ＦＯＶ７２２の２Ｄ表現は、限定はしないが、大通り７０８の車両の前の部分と、車両または歩行者が横道７１０から交差点に入らないことを確実にするために、横道７１０の小さな部分とを含む領域７２４をカバーする。さらに、必要ＦＯＶ７２２は、歩行者または他の車両が交差点７０６を横断していないことを確実にするために確認することができる左車線内の領域７２６を含むことができる。

図８Ａ～図８Ｂおよび図９Ａ～図９Ｂは、いくつかの実装形態による、交差点での右折のナビゲーション中に車両センサＦＯＶを必要ＦＯＶと比較する例を示す。図８Ａは、信号機８０６のある交差点８０４に接近する車両８０２をシミュレートする例８００を示す。この例では、車両８０２の車両センサＦＯＶ４０２は、上述した図４の車両センサＦＯＶ４０２に対応することができる。車両経路に沿った複数のＸは、車両センサＦＯＶ４０２を、特定のノード５１４に対して決定された必要ＦＯＶ８１０と比較することができるノード５１４を表す。この例では、必要ＦＯＶ８１０は、上述した図７Ａの例と同様に、第１の領域８１２および第２の領域８１４を含む。また、この交差点８０４には信号機８０６があるので、必要ＦＯＶ８１０は、右折に進む前に信号機の状態を確認するための領域８１６を含む。

データ分析プラットフォーム１４５は、車両センサＦＯＶ４０２のカバレッジをシミュレートし、車両センサＦＯＶ４０２のカバレッジを必要ＦＯＶ８１０と比較して、各候補車両経路に沿った各ノード５１４におけるカバレッジ割合を決定することができる。さらに、カバレッジはここでは２Ｄシナリオで示されているが、本明細書の他の例では、カバレッジ割合は、この例に示されている２Ｄ領域に加えて、車両８０２上の車載センサの車両センサＦＯＶカバレッジの高さを含む３次元で決定されてもよい。ＦＯＶ重複率は、各候補経路（例えば、図５に関して上述した候補経路５１０および５１２）のＦＯＶカバレッジを決定するために、候補経路のすべての道路区間について各ノード５１４において評価することができる。

図８Ｂは、図８Ａに関して上述したように、交差点８０４にあり、右折する準備をしている車両８０２の例８２０を示す。この例では、必要ＦＯＶ８１０は、図８Ａと本質的に同じである。車両センサＦＯＶ４０２のカバレッジは、車両８０２が位置する特定のノード５１４について、カバレッジの割合を決定するために必要ＦＯＶ８１０と比較することができる。

図９Ａは、図８Ａおよび図８Ｂに関して上述したように、交差点８０４にあり、右折している車両８０２の例９００を示す。この例では、必要ＦＯＶ８１０は幾分変化しており、領域８１２および８１６のサイズが図８Ａおよび図８Ｂと比較して縮小している。車両センサＦＯＶ４０２のカバレッジは、車両８０２が位置する特定のノード５１４について、カバレッジの割合を決定するために必要ＦＯＶ８１０と比較することができる。

図９Ｂは、図８Ａ、図８Ｂ、および図９Ａに関して上述した、交差点８０４にあり、右折を完了する車両８０２の例９１０を示す。この例では、必要ＦＯＶ８１０は、図８Ａ、図８Ｂ、および図９Ａのものから完全に変化しており、領域８１２、８１４および８１６は、除去されるか、または更新された必要ＦＯＶ８１０として新しい領域９１２に変換される。車両センサＦＯＶ４０２のカバレッジは、車両８０２が位置する特定のノード５１４について、カバレッジの割合を決定するために必要ＦＯＶ８１０と比較することができる。車両センサＦＯＶ４０２と各ノード５１４における必要ＦＯＶとのカバレッジ比較は、経路全体の必要ＦＯＶに対して車両センサＦＯＶ４０２の最良のカバレッジを提供する最高ランクの経路を決定するために、出発地位置と目的地位置との間の各候補経路に沿って各ノード５１４について実行され得る。

図１０は、いくつかの実装形態による、左折を実行するための一連のイベントの例示的なデータ構造１０００を示す。データ構造１０００は、ノード１００２、左折のための一連のイベント１００４、必要ＦＯＶ１００６、ならびに障害物および／またはランドマーク１００８の識別（ＩＤ）を含む情報を含む。各ノード１００２についてのイベントの各シーケンスの詳細は、図１１に関して以下に説明される。

図１１は、いくつかの実装形態による、車線変更から左折を行うための一連のイベントおよび必要な視野の例を示す。この例における一連のイベントおよびノード５１４（１）～５１４（１０）は、図１０に関して上述したデータ構造１０００に対応する。例えば、この例は、選択された経路を走行するときに各ノード５１４（１）～５１４（１０）において車両１０２によって実行され得る一連のイベントと、選択された経路に沿った車両１０２の安全なナビゲーションのために各ノード５１４（１）～５１４（１０）において関連するランドマークまたは障害物を識別するための必要ＦＯＶとを説明する。

ノード５１４（１）において、車両１０２は右車線１１０２を走行している可能性があり、必要ＦＯＶは、潜在的な障害物およびレーンマーカを検出するために車両１０２の前方、後方、および両側であり得る。ノード５１４（２）において、車両１０２は、交差点１１０４までの距離を確認することができる。この状況における必要ＦＯＶは、距離を決定するための地図ベースであってもよく、車両は、交差点１１０４の位置を示す交通標識または他のランドマークを識別しようと試みることができる。ノード５１４（３）において、車両１０２は、車線変更を行う前に左車線１１０６を確認することができる。必要ＦＯＶは、障害物およびレーンマーカを確認するために、車両１０２の前方、後方、および左側を含むことができる。ノード５１４（４）において、車両１０２は、左車線１１０６内の車または他の障害物を回避しながら、左車線１１０６に変更することができる。必要ＦＯＶは、障害物およびレーンマーカを確認するために、車両１０２の前方、後方、および左側を含み続けることができる。５１４（５）において、車両１０２は、左折車線１１０８に入る前に左折車線１１０８を確認することができる。必要ＦＯＶは、障害物およびレーンマーカを確認するために、車両１０２の前方、後方、および左側を含み続けることができる。５１４（６）において、車両１０２は、左折車線１１０８内の車または他の障害物を回避しながら、左折車線１１０８に変更することができる。５１４（７）において、車両は、信号機および横断歩道ゾーン１１１０までの距離を確認することができる。必要ＦＯＶは、障害物、レーンマーカ、および横断歩道ゾーン１１１０の地図ベースの確認であってもよい。５１４（８）において、車両１０２は、横断歩道ゾーン１１１０内の歩行者を確認することができる。必要ＦＯＶは、歩行者、障害物、レーンマーカ、および横断歩道ゾーン１１１０を確認するために前方広角を含むことができる。５１４（９）において、車両１０２は、信号機ゾーン１１１１内の信号機の状態を確認することができる。必要ＦＯＶは、信号機の状態および交通標識ランドマークを確認するために車両１０２の前方を含むことができる。５１４（１０）において、車両１０２は、対向トラフィック１１１２および潜在的な交通違反者１１１４を確認することができる。必要ＦＯＶは、車、他の障害物、およびレーンマーカを確認するために、車両１０２の前方および車両１０２の左右を含むことができる。

図１２～図１９は、いくつかの実装形態による例示的なプロセスを示すフロー図を含む。プロセスは、一連の動作を表す論理フロー図のブロックの集合として示されており、その一部またはすべては、ハードウェア、ソフトウェア、またはそれらの組み合わせで実装することができる。ソフトウェアの文脈では、ブロックは、１つまたは複数のプロセッサによって実行されると、列挙された動作を実行するようにプロセッサをプログラムする、１つまたは複数のコンピュータ可読媒体に記憶されたコンピュータ実行可能命令を表すことができる。一般に、コンピュータ実行可能命令は、特定の機能を実行するか、または特定のデータタイプを実装するルーチン、プログラム、オブジェクト、構成要素、データ構造などを含む。ブロックが説明される順序は、限定として解釈されるべきではない。任意の数の記載されたブロックを任意の順序でおよび／または並列に組み合わせてプロセスまたは代替プロセスを実施することができ、すべてのブロックを実行する必要はない。説明のために、プロセスは、本明細書の例に記載された環境、システム、およびデバイスを参照して説明されるが、プロセスは、多種多様な他の環境、システム、およびデバイスで実施されてもよい。

図１２は、いくつかの実装形態による、車両の最適経路を選択するための例示的なアーキテクチャおよびプロセス１２００を示す統合したフロー図およびブロック図である。例えば、図１２の例は、車両の車載センサ構成、車両パワートレイン、および他の車両構成情報を考慮することによって、コネクティッド車両の安全かつ効率的な経路を識別するために使用することができる詳細なシステムアーキテクチャおよびデータフローを含む。場合によっては、図１２のアーキテクチャは、図１に関して上述したシステム１００に対応することができる。したがって、図１２の例は、図１に関して上述したデータ分析プラットフォーム１４５を使用する。いくつかの例では、記載されたプロセスの一部は、車両コンピューティングデバイス１０４によって実行されてもよく、プロセスの別の部分は、サービスコンピューティングデバイス１０８によって実行されてもよい。さらに、この例では、特定の機能がそれぞれコンピューティングデバイス１０４または１０８の一方または他方によって実行されるものとして示されているが、機能のいくつかがコンピューティングデバイス１０４または１０８のいずれによって実行されてもよいことは、本明細書の開示の恩恵を受ける当業者には容易に明らかであろう。

データ分析プラットフォーム１４５をホストするサービスコンピューティングデバイス１０８は、様々な異なるソースから様々なタイプの情報を受信することができ、ソースのうちの１つまたは複数にデータを提供することもできる。例には、インフラストラクチャ情報１２０２、ユーザコンピューティングデバイス命令１２０４、ＣＡＶセンサデータ１２０６、旅行需要情報１２０８、地図プロバイダ情報１２１０、ＯＥＭ情報１２１２、および政府エンティティ情報１２１４が含まれる。上述したように、インフラストラクチャ情報１２０２は、インフラストラクチャカメラ画像、およびインフラストラクチャ、道路状況、建設プロジェクトなどに関する他の情報を含むことができる。さらに、ユーザコンピューティングデバイス命令１２０４は、ウェブサイトまたはウェブアプリケーションインターフェースなどを介してユーザコンピューティングデバイスを介して受信されたユーザの好み、ユーザ情報、車両情報などを含むことができる。さらに、ＣＡＶセンサデータ１２０６は、車両１０２からサービスコンピューティングデバイス１０８にデータを自動的に送信するコネクティッドセンサなどの車両センサから直接受信されたデータを含むことができる。旅行需要情報１２０８は、現在および予想される需要に基づいて、道路混雑の可能性の指示を提供することができ、これは、一部には、スケジュールされた休日、航空旅行および鉄道旅行のチケット販売、スポーツイベントおよび他のタイプのイベント販売などに基づくことができる。地図プロバイダ情報１２１０は、高精細地図および低精細地図、ならびにトラフィックデータなどの他の情報を含むことができる。ＯＥＭ情報１２１２は、パワートレイン情報、燃費など、特定のＯＥＭによって製造された車両に関する様々な情報を提供することができる。政府エンティティ情報１２１４は、政府提供の安全情報、交通標識情報、道路工事情報、道路閉鎖情報などを示すことができる。いくつかの例では、１つまたは複数のデータ交換アプリケーションプログラミングインターフェース（ＡＰＩ）を、上述のエンティティからデータを受信するため、または上述のエンティティにデータを送信するためなど、上述のエンティティとデータを交換するために使用することができる。さらに、上記のエンティティは、情報を交換することができる、または情報を受信することができるエンティティの例にすぎず、本明細書の開示の利益を有する当業者には他の多くの情報エンティティが明らかであろう。

さらに、車両１０２は、車載センサ構成情報１２８に関する暗号化情報、ならびにＥＣＵ情報、パワートレインおよびシャーシ仕様などの車両構成情報１３０をサービスコンピューティングデバイス１０８に送信することができる。いくつかの例では、車両１０２は、ＭＱＴＴ、ＵＤＰなどのブロードキャストプロトコルを使用してこの情報をサービスコンピューティングデバイス１０８に送信することができる。さらに、場合によっては、車両１０２は、出発地位置情報および目的地位置情報をサービスコンピューティングデバイス１０８に送信することができる。

１２１６において、データ分析プラットフォーム１４５において、記述分析モジュール１４８は、ＭＤ５、ＳＨＡ－１、ＳＨＡ２５６、または他の復号技術などの暗号化ハッシュアルゴリズムを使用することなどによって、受信した車両データを復号することができる。復号に続いて、記述分析モジュール１４８は、車両および乗員の身元を認証または判定することができ、車両データデータベース１６２にアクセスして、そこに保持されている車両または乗員に関する任意の情報を取得することができる。取得され得る情報の例は、車両について以前に受信された可能性がある車両センサ構成情報１２８および／または車両構成情報１３０、ならびに車両の所有者または車両の他の乗員についてのユーザの好み、経路指定優先設定などを含むことができる。

１２１８において、記述分析モジュール１４８は、車両センサ構成情報１２８から車両ＦＯＶを決定することができる。いくつかの例では、センサ構成情報１２８を車両１０２から受信することができ、他の例では、センサ構成情報１２８を車両データデータベース１６２から受信することができる。例えば、センサ構成情報１２８は、実質的に経時的に変化する可能性は低く、したがって、以前に受信されて車両データデータベース１６２に格納されているものは、経路が決定されるたびに車両１０２によって送信される必要はない。

１２２０において、記述分析モジュール１４８は、受信および復号された車両データにおいて目的地位置が指定されているかどうかを決定することができる。復号された車両データ内で車両目的地が利用可能である場合、プロセスは１２２２に進み、経路指定および監視を実行する。一方、車両目的地が受信情報に含まれていない場合、プロセスは１２２６に進み、目的地位置の予測を伴う経路指定および監視を実行する。

１２２２において、記述分析モジュール１４８は、車両の出発地位置、目的地位置、地図、トラフィックおよび気象データの入力を受け入れ、目的地位置に到達するための車両の候補経路を決定する経路指定および監視アルゴリズムを実行することができる。経路指定および監視アルゴリズムは、記述分析モジュール１４８と予測分析モジュール１５０の両方によって実行されてもよく、これは、目的地位置が車両情報に提供されたか、または予測される必要があるかに基づいて二者択一的に呼び出されてもよい。記述分析モジュール１４８が目的地位置を利用できない場合、経路指定および監視アルゴリズムは、車両乗員の履歴、時刻、車両位置などを考慮することなどによって、ＡＩベースのモデルを使用して目的地位置を予測した後に、記述分析モジュール１４８によって呼び出され得る。目的地位置が予測され、任意選択的に車両乗員によって確認された後、経路指定および監視アルゴリズムは、１２２６に関して以下でさらに説明するように、予測された目的地までの候補経路を生成するために実行されてもよい。

１２２４において、記述分析モジュール１４８は、様々な外部ソース１２０２～１２１４からデータをさらに受信することができ、受信したデータの認証、フィルタリング、および／または融合を実行することができる。例えば、データ分析プラットフォーム１４５は、データフィルタリングおよびデータ融合を使用して、交通インフラストラクチャ、ユーザスマートフォン、サードパーティなどから取得された様々なタイプの時系列および画像データを取り込むことができる。データを取り込み、データベース１５４などに格納することができる。いくつかの非限定的な例として、データ分析プラットフォーム１４５の優れたリアルタイム性能を達成するために、ＳＱＬ（構造化照会言語）と非ＳＱＬデータベースとの組み合わせを使用してデータを管理することができる。

１２２６において、車両１０２から受信した受信情報に目的地位置が含まれていない場合、予測分析モジュール１５０は、モデル学習モデル、ルールベースのモデルなどを使用し、車両乗員プロファイル、過去の旅行データ、時刻、および／または車両データデータベース１６２に格納された他の情報に基づいて、目的地位置を予測することができる。予測された目的地は、サービスコンピューティングデバイス１０８によって、車両コンピューティングデバイス１０４の音声アシスタントまたは他のヒューマンマシンインターフェースに送信されてもよい。一例として、予測された目的地の確認を取得するために、対話型音声要求が車両乗員に送信されてもよい。予測分析モジュール１５０は、予測された目的地位置の確認または代替の目的地位置を示す入力を受信することができる。目的地位置の決定に続いて、予測分析モジュール１５０は、経路指定および監視を実行して、出発地位置と目的地位置との間の候補経路を決定することができる。候補経路を決定する例は、例えば図５に関して上述されている。

１２２８において、サービスコンピューティングデバイスは、候補経路の各々の速度プロファイルを決定することができる。速度プロファイルアルゴリズムは、各候補経路の車両速度を予測することができ、したがって、予測分析モジュール１５０によって実行することができる。速度プロファイルアルゴリズムは、予測または記述分析層の経路指定および監視アルゴリズムから、最新の車両経路を受信することができる。経路のすべての道路区間について、機械学習モデル、統計モデル、またはルールベースのモデルのうちの１つまたは複数を含むことができる速度予測モデルを使用して車速を予測することができる。速度予測モデルへの追加の入力は、現在の道路区間のリアルタイムのトラフィックおよび旅行履歴を含むことができる。リアルタイムのトラフィック速度は、地図データプロバイダなどのサードパーティデータプロバイダから取得することができる。候補経路の速度プロファイルは、それぞれの候補経路内の道路区間ごとの予測速度を格納することによって取得することができる。また、この処理は、全ての候補経路について実行されてもよい。速度プロファイルを決定するための例示的なアルゴリズムは、図１４に関して以下でさらに説明される。

目的地が予測によってまたは車両乗員によって指定されて決定された後、および出発地位置と目的地位置との間で候補経路が決定された後、候補経路は、規範分析モジュール１５２に送信され得る。規範分析モジュール１５２は、経路ＦＯＶカバレッジ（経路の安全性に対応する）、走行展望（車両効率に対応する）、および車両ダイナミクス（乗員の快適性に対応する）を決定するためのいくつかの異なるアルゴリズムを実行することができ、次いで、これらのアルゴリズムからの出力を使用して最適経路を決定することができる。

１２３０において、各候補経路の経路ＦＯＶカバレッジを決定するために、規範分析モジュール１５２は、地図データデータベース１５６から候補経路の必要ＦＯＶを入力として受信する。例えば、図５～図１１に関して上述したように、必要ＦＯＶは、候補経路に沿った各ノードについて、人間の運転者または車両センサによって監視されるべきゾーン（２Ｄまたは３Ｄ）を含むことができる。上述したように、地理的領域内の各道路区間の必要ＦＯＶを決定し、地図データデータベース１５６に予め格納することができる。一例として、地図データデータベース１５６は、リレーショナルＳＱＬデータベース、または任意の他の適切なタイプのデータ構造であってもよい。地図データデータベース１５６はまた、自動化車両によって採用され得る高精細地図、道路プロファイル、ランドマーク情報などの他のタイプの地図データをホストすることもできる。したがって、地図データデータベース１５６に保持された情報を使用し、車両センサ構成情報１２８から決定された車両ＦＯＶに基づいて、サービスコンピューティングデバイス１０８は、経路ＦＯＶカバレッジアルゴリズムを実行して、各候補経路について必要ＦＯＶと車両ＦＯＶとを比較することに基づいてＦＯＶカバレッジの割合を決定することができる。このプロセスの例は、例えば図８Ａ～図９Ｂに関して上述されており、アルゴリズムの例は、例えば図１５および図１６に関して以下にさらに説明される。例えば、経路ＦＯＶカバレッジアルゴリズムは、対応するノードにおける各道路区間の必要ＦＯＶを決定し、特定の車両の計算された車両センサＦＯＶに基づいて、必要ＦＯＶのうちのどれだけが車両の車載センサによってカバーされ得るかを決定する。ＦＯＶカバレッジの割合は、例えば、図８Ａ～図９Ｂに関して上述したように、経路に沿った各道路区間（すなわち、車両が位置する第１のノードと車両が移動する第２のノードとの間の道路区間）において、必要ＦＯＶと車両センサＦＯＶとの間の２Ｄまたは３Ｄグリッドベースの幾何学的交差を使用することによって決定することができる。経路ＦＯＶカバレッジアルゴリズムは、各候補経路の経路全体のすべての道路区間の合計割合を集約または他の様態で決定し、車両センサによる必要ＦＯＶカバレッジの割合が最も高くランク付けされた１つまたは複数を選択することができる。したがって、ＦＯＶカバレッジアルゴリズムは、ＦＯＶカバレッジの全体的な割合が最も高い経路を出力することができる。

１２３２において、規範分析モジュール１５２は、候補経路に基づいて走行展望を決定することができる。例えば、車両パワートレイン仕様に基づいて、走行展望アルゴリズムは、高速実行データ駆動および物理ベースのパワートレインシミュレーションモデルを使用して、候補経路にわたる特定の車両のエネルギー使用量を計算することができる。一例として、パワートレインモデルは、入力として、道路プロファイル、予測速度プロファイル、気象などを受信することができ、各候補経路における車両パワートレインモデルの燃料消費性能をシミュレートすることができる。走行展望アルゴリズムは、燃料／電力消費効率が最もよい経路を出力することができる。走行展望アルゴリズムの一例は、図１７に関して以下に記載される。

１２３４において、規範分析モジュール１５２は、例えば、車両ジャーク、ロール、ピッチ、ヨー、衝突安全性、自動運転継続時間などを決定するために、特定の車両の車両ダイナミクス性能をシミュレートする車両ダイナミクスアルゴリズムを実行することができる。車両ダイナミクスアルゴリズムは、各候補経路について、速度プロファイル、制限速度、道路形状、道路曲率などを入力として受信することができる。車両ダイナミクスアルゴリズムは、衝突確率が低く、過剰な車両ジャーク、ロール、ピッチ、ヨーなどを回避する最高ランクの経路を出力することができる。車両ダイナミクスアルゴリズムの一例を、図１８に関して以下に説明する。

１２３６において、規範分析モジュール１５２は、出発地位置から目的地位置までの車両の最適経路を決定するために、ＦＯＶカバレッジアルゴリズム、走行展望アルゴリズム、および車両ダイナミクスアルゴリズムからの出力を受信する最適化アルゴリズムを実行することができる。いくつかの例では、最適化アルゴリズムは、機械学習とルールベースの最適化技術の両方を使用して、安全性、効率、快適性、旅行時間および自動運転継続時間を考慮して、部分的／完全自立型車両のための最良の経路を出力することができる。いくつかの例では、最適化アルゴリズムの結果は、所定の間隔などで定期的に、あるいは現在のトラフィック最新情報または気象、道路閉鎖などの他の外部条件への変化に基づくなど、イベントの発生などで更新されてもよい。最適化アルゴリズムの一例は、図１９に関して以下でさらに説明される。

１２３８において、サービスコンピューティングデバイス１０８は、選択された最適経路を車両コンピューティングデバイス１０４に送信することができる。車両コンピューティングデバイス１０４は、目的地位置へのナビゲーションに使用するために、選択された経路を車両制御プログラム１２４に提供することができる。

図１３は、いくつかの実装形態による、車両の最適経路を決定するための例示的なプロセス１３００を示すフロー図である。いくつかの例では、プロセス１３００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１３００は、いくつかの例では、ナビゲーション情報プログラム１４６を実行することにより、サービスコンピューティングデバイス１０８によって実行されてもよい。

１３０２において、サービスコンピューティングデバイス１０８は、車両コンピューティングデバイスから出発地位置を含む車両情報を受信することができる。例えば、サービスコンピューティングデバイス１０８によって受信された車両情報は、出発地位置、目的地位置、センサ構成（ＡＤＡＳ／ＡＤおよび他のセンサ詳細）を含むことができ、例えば、電子制御ユニット、パワートレイン、シャーシ、車両乗員プロファイルなどに関する車両構成情報は、車両からサービスコンピューティングデバイス１０８に送信することができる。サービスコンピューティングデバイス１０８は、例えば、図１２に関して上述したように、サードパーティデータをさらに受信することができる。例えば、インフラストラクチャカメラ、コネクティッドおよび自動化車両、サードパーティデータプロバイダなどの外部データストリームからのデータは、データフィルタリングおよびデータ融合アルゴリズムに送信する前に認証されてもよい。データフィルタリングおよびデータ融合アルゴリズムの出力は、旅行履歴、気象、交通、Ｖ２Ｘデータ、高精細（ＨＤ）マップなどを含むことができる。

１３０４において、サービスコンピューティングデバイス１０８は、受信した情報を復号し、車両および／または車両乗員を識別および認証することができる。一例として、サービスコンピューティングデバイスは、コネクティッド車両および／または車両乗員を確認するために最初に認証を実行することができる。認証が成功した後、出発地位置、目的地位置など、車両から取得された他の情報が確認され、車両構成情報およびセンサ情報が受信されたかどうかなどが確認される。

１３０６において、サービスコンピューティングデバイス１０８は、センサ構成情報および車両構成情報を所得または受信することができる。例えば、車両構成情報およびセンサ構成情報が受信された場合、この情報は車両データデータベース１６２に格納され、経路決定に使用されてもよい。一方、情報は、以前に受信されていてもよく、車両の認証後に車両データデータベース１６２から取得されてもよい。車両乗員の経路指定優先設定を含む車両乗員プロファイルも同様に受信し、車両データデータベース１６２に格納することができる。

１３０８において、サービスコンピューティングデバイス１０８は、車両センサ構成情報から車両センサＦＯＶを決定することができる。例えば、図２～図４に関して上述したように、サービスコンピューティングデバイスは、車両のセンサ構成の記述に基づいて車両センサＦＯＶを決定することができる。

１３１０において、サービスコンピューティングデバイス１０８は、目的地が示されているかどうかを決定することができる。目的地位置が受信情報に含まれている場合、プロセスは１３１４に進むことができる。そうでない場合、プロセスは１３１２に進む。

１３１２において、サービスコンピューティングデバイス１０８は、目的地を予測し、車両乗員に確認を要求することができる。例えば、車両から受信した車両情報に目的地位置が指定されていない（例えば、目的地が車両乗員（ユーザ）によって定義されていない）場合、サービスコンピューティングデバイス１０８は、車両データデータベースをチェックして、車両乗員のプロファイルが利用可能かどうかを決定することができる。車両乗員のプロファイルが位置特定されている場合、経路指定および監視アルゴリズム（予測層で実行される）は、ＡＩベースのモデルまたは他の適切なアルゴリズムを使用することなどによって、車両乗員の目的地位置を予測することができる。予測された目的地は、予測された目的地を確認するために車両の乗員に提示するための対話型音声要求として車両に送信されてもよい。あるいは、他の例では、予測された目的地は、ディスプレイ上のテキスト、地図上の位置などとして車両乗員に提示されてもよい。車両乗員が予測された目的地を確認した場合、確認された目的地は、予測分析層の経路指定および監視アルゴリズムに送り返され得る。

１３１４において、サービスコンピューティングデバイス１０８は、出発地位置と目的地位置との間の候補経路を決定することができる。目的地位置が車両から受信した情報に定義されている場合、目的地位置は、記述分析層で実行される経路指定および監視アルゴリズムに渡される。この経路指定および監視アルゴリズムは、規範分析層に渡される候補経路を生成する。この経路指定および監視アルゴリズムは、出発地位置から目的地位置への候補経路を決定するために、リアルタイムのトラフィックの入力および確認された目的地入力を取得する。リアルタイムのトラフィック情報は、一定の時間間隔で実行される時間ループを定期的に使用して、または様々な他の更新技術のいずれかによって更新することができる。サービスコンピューティングデバイス１０８は、サードパーティウェブサーバなどからトラフィックデータを取得することができる。トラフィック情報は、１３２８に関して以下でさらに説明するように、定期的にデータベースに取り込まれ、経路指定および監視アルゴリズムに送信されてもよい。

１３１６において、サービスコンピューティングデバイス１０８は、地図情報、トラフィック情報、および過去の旅行情報に基づいて、候補経路の速度プロファイルを決定することができる。図１４は、速度プロファイルアルゴリズムのさらなる詳細を説明する。予測分析層または記述分析層のいずれかにおける経路指定および監視アルゴリズムの実行から決定された候補経路は、速度プロファイルアルゴリズムに送信される。速度プロファイルアルゴリズムは、データ分析プラットフォームデータベース１５４からのリアルタイムトラフィック、旅行履歴、および標準精細度（ＳＤ）マップ入力と共に、受信された経路を使用する。速度プロファイルアルゴリズムは、候補経路ごとに予測車速を出力する。

１３１８において、サービスコンピューティングデバイス１０８は、各候補経路の経路ＦＯＶカバレッジを決定することができる。図１５は、経路ＦＯＶカバレッジアルゴリズムのさらなる詳細を説明する。地理的領域内の道路の必要ＦＯＶは、事前に決定され、地図データデータベース１５６に格納されてもよい。規範的、予測的、および記述的分析レイヤは、互いに情報を共有することができる。例えば、予測層または記述層は、経路指定および監視アルゴリズムによって決定された候補経路を、記述層内の経路ＦＯＶカバレッジアルゴリズム、走行展望アルゴリズム、および車両ダイナミクスアルゴリズムに送信することができる。経路ＦＯＶカバレッジアルゴリズムは、候補経路、ならびに記述層によって決定された車両ＦＯＶ、および地図データデータベース１５６から取得された候補経路の必要ＦＯＶを受信することができる。経路ＦＯＶカバレッジアルゴリズムは、ＦＯＶカバレッジの割合が最も高い複数の経路を出力することができ、センサカバレッジに基づく最も安全な経路に対応する、これらの最も高くランク付けされた経路を、最適化アルゴリズムに送信することができる。

１３２０において、サービスコンピューティングデバイス１０８は、各候補経路の走行展望を決定することができる。図１７は、走行展望アルゴリズムのさらなる詳細を説明する。走行展望アルゴリズムは、候補経路、速度プロファイルアルゴリズムからの候補経路の予測速度プロファイル、地図データデータベース１５６からの道路プロファイル、時系列データデータベース１５８からの気象の入力を受信する。走行展望アルゴリズムの出力は、各候補経路について予測された燃料効率またはエネルギー効率を含むことができる。最高の車両効率に対応する複数の最高ランクの候補経路は、最適化アルゴリズムに送信され得る。

１３２２において、サービスコンピューティングデバイス１０８は、各候補経路の車両ダイナミクスを決定することができる。図１８は、車両ダイナミクスアルゴリズムのさらなる詳細を説明する。例えば、車両ダイナミクスアルゴリズムは、入力として、候補経路、地図データデータベース１５６データベースからの道路形状、および車両データデータベース１６２からの、または受信した車両情報からの車両シャーシ仕様を受信することができる。車両ダイナミクスアルゴリズムの出力は、最適化アルゴリズムに送信され、かつ経路に対する予測された乗員快適性に基づく複数の最高ランクの経路であってもよい。

１３２４において、サービスコンピューティングデバイス１０８は、経路ＦＯＶカバレッジアルゴリズム、走行展望アルゴリズム、および車両ダイナミクスアルゴリズムによって選択された、選択された候補経路についてのこれら３つのそれぞれのアルゴリズムの出力に基づいて、最適経路を決定することができる。図１９は、最も安全で、最もエネルギー効率がよく、最も快適な経路として選択された経路を出力として提供することができる最適経路指定アルゴリズムの追加の詳細を説明する。

１３２６において、サービスコンピューティングデバイス１０８は、選択された最適経路を車両に送信することができる。例えば、車両は、選択された最適経路を受信し、選択された経路に沿って進むことができる。

１３２８において、サービスコンピューティングデバイス１０８は、更新されたローカル状況情報を受信することができる。リアルタイムトラフィック情報などの更新されたローカル状況情報は、定期的に、要求に応じて、または重大なイベントの発生時に受信され得る。トラフィック最新情報、気象最新情報などの更新されたローカル状況情報は、車両の最適経路を更新するために使用され得る。一例として、リアルタイムのトラフィック情報は、一定の時間間隔で実行される時間ループを使用して、または様々な他の更新技術のいずれかを介して定期的に更新することができる。サービスコンピューティングデバイス１０８は、サードパーティウェブサーバなどから更新されたトラフィックデータを取得することができる。トラフィック情報は、時系列データデータベース１５８に取り込まれ、定期的に経路指定および監視アルゴリズムに提供されてもよい。

１３３０において、サービスコンピューティングデバイス１０８は、現在の車両位置を決定することができる。現在の車両位置および更新されたローカル状況情報に基づいて、サービスコンピューティングデバイスは、車両の更新された最適経路を決定することができ、車両に更新された最適経路を送信することができる。

図１４は、いくつかの実装形態による、候補経路に沿った予測速度を決定するためのプロセスとしての例示的な速度プロファイルアルゴリズム１４００を示すフロー図である。いくつかの例では、プロセス１４００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１４００は、速度プロファイルアルゴリズムを実行するサービスコンピューティングデバイス１０８によって実行されてもよい。場合によっては、プロセス１４００は、上述した図１３のプロセス１３００のブロック１３１６に部分的に対応することができる。

１４０２において、サービスコンピューティングデバイス１０８は、候補経路を入力として受信することができる。例えば、上述したように、速度プロファイルアルゴリズムは、例えば図１３のブロック１３１４に関して上述したように、記述分析層または予測分析層のいずれかで実行された経路指定および監視アルゴリズムから複数の候補経路を受信することができる。

１４０４において、サービスコンピューティングデバイス１０８は、例えば候補経路の合計数を表す第１の変数Ｎ＝経路数を設定し、例えば処理のために現在選択されている候補経路を表すカウンタとして第２の変数ＲＮ＝１と設定することによって、第１のループを初期化することができる。

１４０６において、サービスコンピューティングデバイス１０８は、ＲＮの値がＮの値以上であるかどうかを決定することができる。Ｎ以上でない場合、プロセスはブロック１４０８に進む。Ｎ以上である場合、プロセスは図１３のブロック１３２０および１３２２に進む。

１４０８において、サービスコンピューティングデバイス１０８は、第３の変数Ｍ＝ＲＮの区間数を設定し、例えば、処理のために現在選択されている区間を表すカウンタとして第４の変数ＳＭ＝１と設定することによって、ネストされた第２のループを初期化することができる。

１４１０において、サービスコンピューティングデバイス１０８は、ＳＭがＭ以上であるかどうかを決定することができる。Ｍ以上でない場合、プロセスはブロック１４１２に進む。Ｍ以上である場合、プロセスはブロック１４２０に進み、ＲＮをインクリメントする。

１４１２において、サービスコンピューティングデバイス１０８は、選択された候補経路の選択された区間の地図、トラフィック情報、および旅行履歴を受信することができる。

１４１４において、サービスコンピューティングデバイス１０８は、選択された道路区間の車両構成情報ならびにトラフィックおよび旅行履歴情報に基づいて、機械学習モデル、統計モデル、またはルールベースのモデルのうちの少なくとも１つを含む速度予測モデルを使用して、選択された区間ＳＭの予測速度を決定することができる。速度予測モデルの出力は、選択された候補経路の選択された区間の予測速度プロファイルであってもよい。

１４１６において、サービスコンピューティングデバイス１０８は、選択された区間ＳＭの予測速度を、それぞれの候補経路のすべての区間の予測速度と共に格納することができる。

１４１８において、サービスコンピューティングデバイス１０８は、変数ＳＭを値１だけインクリメントし、ブロック１４１０に戻ることができる。例えば、ブロック１４１０～１４１８のプロセスは、選択された候補経路内のすべての区間が処理されるまで繰り返されてもよい。

１４２０において、ＳＭ＝Ｍであり、候補経路内のすべての区間が処理されている場合、サービスコンピューティングデバイス１０８は、変数ＲＮを値１だけインクリメントすることができる。次いで、プロセスはブロック１４０６に戻り、すべての候補経路が処理されたかどうか、すなわちＲＮ＝Ｎであるか決定することができる。すべての候補経路が処理された場合、プロセスは図１３のブロック１３１８に戻る。速度プロファイルアルゴリズムの出力は、少なくとも走行展望アルゴリズムに渡されてもよい。

図１５および図１６は、いくつかの実装形態による、候補経路の必要ＦＯＶのＦＯＶカバレッジを決定するためのプロセスとしての経路ＦＯＶカバレッジアルゴリズム１５００の例を示すフロー図を提供する。いくつかの例では、プロセス１５００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１５００は、経路ＦＯＶカバレッジアルゴリズムを実行するサービスコンピューティングデバイス１０８によって実行されてもよい。場合によっては、プロセス１５００は、上述した図１３のプロセス１３００のブロック１３１８に部分的に対応することができる。

経路ＦＯＶカバレッジアルゴリズム１５００は、車両センサＦＯＶによって提供されるＦＯＶカバレッジの経路固有の割合を計算する。この計算は、車両センサＦＯＶと、経路指定および監視アルゴリズムから取得された候補経路の道路区間ごとの、地図データデータベース１５６から取得された必要ＦＯＶとの間の重複を見いだすことによって行われる。

１５０２において、サービスコンピューティングデバイス１０８は、車両センサＦＯＶの２Ｄまたは３Ｄグリッドを生成することができる。車両センサＦＯＶの例は、例えば図２～図１１に関して上述されている。

１５０４において、サービスコンピューティングデバイス１０８は、候補経路を入力として受信することができる。例えば、上述したように、速度プロファイルアルゴリズムは、例えば図１３のブロック１３１４に関して上述したように、記述分析層または予測分析層のいずれかで実行された経路指定および監視アルゴリズムから複数の候補経路を受信することができる。

１５０６において、サービスコンピューティングデバイス１０８は、例えば候補経路の合計数を表す第１の変数Ｎ＝経路数を設定し、例えば処理のために現在選択されている候補経路を表すカウンタとして第２の変数ＲＮ＝１と設定することによって、第１のループを初期化することができる。

１５０８において、サービスコンピューティングデバイス１０８は、ＲＮの値がＮの値以上であるかどうかを決定することができる。Ｎ以上でない場合、プロセスはブロック１５１０に進む。Ｎ以上である場合、プロセスは図１３のブロック１３１８に戻る。

１５１０において、サービスコンピューティングデバイス１０８は、第３の変数Ｍ＝ＲＮの区間数を設定し、例えば、処理のために現在選択されている区間を表すカウンタとして第４の変数ＳＭ＝１と設定することによって、ネストされた第２のループを初期化することができる。

１５１２において、サービスコンピューティングデバイス１０８は、ＳＭがＭ以上であるかどうかを決定することができる。Ｍ以上でない場合、プロセスはブロック１５１６に進む。Ｍ以上である場合、プロセスはブロック１５１４に進み、ＲＮをインクリメントする。

１５１４において、ＳＭ＝Ｍであり、候補経路内のすべての区間が処理されている場合、サービスコンピューティングデバイス１０８は、変数ＲＮを値１だけインクリメントすることができる。次いで、プロセスはブロック１５０８に戻り、すべての候補経路が処理されたかどうか、すなわちＲＮ＝Ｎであるか決定することができる。

１５１６において、サービスコンピューティングデバイス１０８は、区間を、Ｘ単位だけ互いに離間した複数の等間隔のＷＰなどのＬ個のウェイポイント（ＷＰ）に分割することができる。ＷＰは、いくつかの例で上述したノード５１４に対応することができる。

１５１８において、サービスコンピューティングデバイス１０８は、第３のネストされたループを初期化するために、現在処理されているウェイポイントを表すカウンタとしてＷＰ＝１と設定する。

１５２０において、サービスコンピューティングデバイス１０８は、選択されたＷＰにおける道路区間の必要ＦＯＶの２Ｄまたは３Ｄグリッドを生成することができる。例えば、選択されたＷＰ（ノード）で必要ＦＯＶに対して２Ｄまたは３Ｄグリッドを生成することができ、「Ｒｅｑｕｉｒｅｄ ＦＯＶｗｐ」などの配列変数に格納することができる。

１５２２において、サービスコンピューティングデバイス１０８は、各ＷＰにおける必要ＦＯＶと車両ＦＯＶとの間の重複に基づいて、各ＷＰのＦＯＶ重複を決定することができる。例えば、アルゴリズムは、２Ｄ／３Ｄグリッド幾何学的交点を使用して、必要ＦＯＶと車両センサＦＯＶとの間の重複を計算することができる。現在のノードＷＰにおける重複値は、配列変数「ＦＯＶＯｖｅｒｌａｐｗｐ」に格納されてもよい。「ＦＯＶＯｖｅｒｌａｐ」配列は、現在の道路区間ＳＭの各ノードＷＰにおけるＦＯＶ重複値を格納するために、第３のネストされたループにおいてインクリメントされ得る。

１５２４において、サービスコンピューティングデバイス１０８は、ＷＰがＬ以上であるかどうかを決定することができる。Ｌ以上である場合、すべてのＷＰが処理されており、アルゴリズムは１５２８に進む。Ｌ以上でない場合、プロセスは１５２６に進む。

１５２６において、サービスコンピューティングデバイス１０８は、ＷＰを１の値だけインクリメントして、次のＷＰを処理することができる。

１５２８において、サービスコンピューティングデバイス１０８は、選択された経路のＦＯＶオーバーラップの累積合計を決定することができ（例えば、ＦＯＶＯｖｅｒｌａｐＲＮ＝Ｓｕｍ（ＦＯＶＯｖｅｒｌａｐＷＰ））、選択された経路の必要ＦＯＶの累積合計（例えば、ＲｅｑＦＯＶＲＮ＝Ｓｕｍ（ＲｅｑＦＯＶＷＰ））をさらに決定することができる。次いで、プロセスは１５３０に進み、選択された経路の区間カウンタをインクリメントし、さらに図１６のブロック１６０２に進むことができる。

１５３０において、サービスコンピューティングデバイス１０８は、区間カウンタＳＭを値１だけインクリメントして１５１２に進み、すべての区間が処理されたかどうかを決定する。例えば、第２および第３のループは、すべての道路区間に対して実行され、したがって、経路全体（ＲＮ）に対して「ＦＯＶＯｖｅｒｌａｐＷＰ」および「Ｒｅｑｕｉｒｅｄ ＦＯＶＷＰ」を入力する。第２のループカウンタＳＭが経路ＲＮ上の全道路区間Ｍ以上になった後、「ＦＯＶＯｖｅｒｌａｐＷＰ」および「Ｒｅｑｕｉｒｅｄ ＦＯＶＷＰ」の累積合計が計算される。

図１６でアルゴリズム１５００を続けると、１６０２において、サービスコンピューティングデバイス１０８は、選択された経路ＲＮのＦＯＶカバレッジの割合を決定することができ、すなわち、ＲＮ（ＦＯＶＲＮ）は、選択された経路ＲＮの累積合計ＦＯＶカバレッジを、ＲＮの累積合計必要ＦＯＶで割ったものに等しい。例えば、アルゴリズムは、２つの累積合計の比を決定して、経路ＲＮについて車両センサによってカバーされ、ベクトル変数「ＦＯＶＲＮ」に格納されたＦＯＶの割合を計算することができ、この変数は、第１のループがすべての経路に対して実行されるときにインクリメントされ得る。

１６０４において、サービスコンピューティングデバイス１０８は、すべての経路のＦＯＶカバレッジの周期差Ｄｅｌｔａ ＦＯＶＮ（％）＝ＦＯＶＲＮ－ＦＯＶＲＮ－１を決定することができる。

１６０４この決定に続いて、アルゴリズムは、図１５のブロック１５０８に進み、すべての経路が処理されたかどうかを決定し、さらにブロック１６１６に進むことができる。

図１５のブロック１５１２から続く１６０６において、サービスコンピューティングデバイス１０８は、区間の走行時間を決定することができる。例えば、アルゴリズムは、地図データデータベース１５６から各道路区間の走行時間を決定することができ、この情報をベクトル変数ＴＴＳＭに格納することができ、第２のループが経路ＲＮのすべての道路区間の走行時間を取り込んだ後、経路ＲＮの総走行時間「ＴＴ」を見いだすために「ＴＴＳＭ」の累積和がとられる。

１６０８において、サービスコンピューティングデバイス１０８は、経路ＲＮの総走行時間（例えば、ＴＴ＝Ｓｕｍ（ＳＭの走行時間（ＴＴＳＭ）））を決定することができる。

１６１０において、サービスコンピューティングデバイス１０８は、すべての経路の合計時間の周期差（例えば、ＤｅｌｔａＴｉｍｅＮ（ｍｉｎ．）＝ＴＴＮ－ＴＴＮ－１）を決定することができる。例えば、候補経路どうしを比較して、走行時間が極端に長い経路を排除し、ＦＯＶのカバレッジが極端に低い経路を回避するために、変数「ＤｅｌｔａＦＯＶＮ」および「ＤｅｌｔａＴｉｍｅＮ」に格納された経路ペアごとに、「ＦＯＶＲＮ」および「ＴＴ」の周期差を計算してもよい。

１６１２において、サービスコンピューティングデバイス１０８は、ＤｅｌｔａＴｉｍｅＮが第１の閾値以上であるかどうかを決定することができる。閾値以上である場合、プロセスは１６１６に進む。閾値以上でない場合、プロセスは１６１４に進み、終了する。例えば、アルゴリズムは、「ＤｅｌｔａＴｉｍｅＮ」を第１の時間閾値と比較することによって、ユーザ定義の第１の閾値を超える走行時間差を有する候補経路を排除することができる。

１６１４において、サービスコンピューティングデバイス１０８は、時間が第１の閾値以上であり、ＦＯＶカバレッジの割合が第２の閾値未満であるとき、考慮すべきものから経路を削除することができる。

１６１６において、サービスコンピューティングデバイス１０８は、ＤｅｌｔａＦＯＶＮが第２の閾値以下であるかどうかを決定することができる。閾値以下でない場合、プロセスはブロック１６１４に進み、選択された経路について終了する。閾値以下である場合、プロセスはブロック１６１８に進む。

１６１８において、サービスコンピューティングデバイス１０８は、第１のおよび第２の閾値を満たす経路のセットを選択することができる。プロセスは、図１３のブロック１３２４に戻ることができる。例えば、残りの候補経路から、すなわち、ＦＯＶカバレッジ閾値「閾値２」のユーザ定義の割合を満たす経路が選択され、最適化アルゴリズムに送信される。

図１７は、いくつかの実装形態による、経路効率を決定するためのプロセスとしての例示的な走行展望アルゴリズム１７００を示すフロー図である。例えば、走行展望アルゴリズムは、リアルタイム気象、道路プロファイル、および予測速度プロファイルなどの入力を使用して、候補経路に対する車両パワートレインのエネルギー効率を推定することができる。いくつかの例では、プロセス１７００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１７００は、速度プロファイルアルゴリズムを実行するサービスコンピューティングデバイス１０８によって実行されてもよい。場合によっては、プロセス１７００は、上述した図１３のプロセス１３００のブロック１３２０に対応することができる。

１７０２において、サービスコンピューティングデバイス１０８は、候補経路を入力として受信することができる。例えば、上述したように、速度プロファイルアルゴリズムは、例えば図１３のブロック１３１４に関して上述したように、記述分析層または予測分析層のいずれかで実行された経路指定および監視アルゴリズムから複数の候補経路を受信することができる。

１７０４において、サービスコンピューティングデバイス１０８は、例えば候補経路の合計数を表す第１の変数Ｎ＝経路数を設定し、例えば処理のために現在選択されている候補経路を表すカウンタとして第２の変数ＲＮ＝１と設定することによって、第１のループを初期化することができる。

１７０６において、サービスコンピューティングデバイス１０８は、ＲＮの値がＮの値以上であるかどうかを決定することができる。Ｎ以上でない場合、プロセスはブロック１７０８に進む。Ｎ以上である場合、すべての候補経路が処理されているため、プロセスはブロック１７２８に進む。

１７０８において、サービスコンピューティングデバイス１０８は、第３の変数Ｍ＝ＲＮの区間数を設定し、例えば、処理のために現在選択されている区間を表すカウンタとして第４の変数ＳＭ＝１と設定することによって、ネストされた第２のループを初期化することができる。

１７１０において、サービスコンピューティングデバイス１０８は、ＳＭがＭ以上であるかどうかを決定することができる。Ｍ以上でない場合、プロセスはブロック１７１４および１７１８に進む。Ｍ以上である場合、プロセスはブロック１７１２に進み、ＲＮをインクリメントする。

１７１２において、サービスコンピューティングデバイス１０８は、経路カウンタＲＮを値１だけインクリメントして１７０６に進み、すべての経路が処理されたかどうかを決定することができる。

１７１４において、サービスコンピューティングデバイス１０８は、速度プロファイル情報を受信することができる。例えば、走行展望アルゴリズムは、選択された区間について、図１４に関して上述した速度プロファイルアルゴリズムの出力を受信することができる。

１７１６において、サービスコンピューティングデバイス１０８は、選択された候補経路の選択された区間の速度プロファイルに基づいて、選択された区間ＳＭの予測速度を決定することができる。

１７１８において、サービスコンピューティングデバイス１０８は、パワートレイン情報、リアルタイム気象および道路プロファイル情報を受信することができる。

１７２０において、サービスコンピューティングデバイス１０８は、パワートレイン負荷を推定することができる。例えば、アルゴリズムは、道路プロファイルおよびリアルタイム気象に基づいてパワートレイン負荷を推定することができる。したがって、すべての道路区間について、パワートレイン負荷は、地図データデータベース１５６から取得することができる気象および道路プロファイルなどの、コネクティッドサードパーティデータから推定することができる。

１７２２において、サービスコンピューティングデバイス１０８は、パワートレインモデルを使用して、区間ＳＭの予測燃料またはエネルギー使用量を決定することができる。例えば、推定負荷および予測速度プロファイルは、選択された道路区間の車両効率を予測するためのパワートレインモデル（例えば、データ駆動／物理学ベースのモデル）への入力として使用することができる。したがって、パワートレインモデルは、図１４に関して上述した速度プロファイルアルゴリズムからの出力として、道路区間ＳＭの入力推定速度プロファイルを受信する。車両効率計算のためのこの手順は、各候補経路のすべての道路区間に対して繰り返されてもよい。

１７２４において、サービスコンピューティングデバイス１０８は、それぞれの候補経路ＲＮのすべての区間の予測エネルギー効率を格納することができる。各候補経路の総効率は、続いて計算され、最適化アルゴリズムへの入力として与えられ得る。

１７２６において、サービスコンピューティングデバイス１０８は、区間カウンタＳＭを値１だけインクリメントしてブロック１７１０に戻り、すべての区間が処理されたかどうかを決定することができる。

１７２８において、候補経路のすべてが処理されている場合、サービスコンピューティングデバイス１０８は、各候補経路ＲＮの平均効率を決定することができる。この情報は、以下でさらに説明するように、続いて最適化アルゴリズムに提供されてもよい。プロセスは、図１３のブロック１３２４に戻ることができる。

図１８は、いくつかの実施態様による、車両ダイナミクスを決定するためのプロセスとしての車両ダイナミクスアルゴリズム１８００の例を示すフロー図である。例えば、車両ダイナミクスアルゴリズムは、各候補経路の制限速度および道路形状の入力を使用して、例えば、車両ジャーク、ロール、ピッチ、ヨー、衝突安全性、自動運転継続時間などの、完全／半自律型車両の車両ダイナミクス性能をシミュレートすることができる。車両ダイナミクスアルゴリズムは、高い衝突確率、過剰な車両ジャーク、ロール、ピッチ、ヨーなどを回避する経路を選択することができる。いくつかの例では、プロセス１８００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１８００は、速度プロファイルアルゴリズムを実行するサービスコンピューティングデバイス１０８によって実行されてもよい。場合によっては、プロセス１８００は、上述した図１３のプロセス１３００のブロック１３２２に対応することができる。

１８０２において、サービスコンピューティングデバイス１０８は、候補経路を入力として受信することができる。例えば、上述したように、速度プロファイルアルゴリズムは、例えば図１３のブロック１３１４に関して上述したように、記述分析層または予測分析層のいずれかで実行された経路指定および監視アルゴリズムから複数の候補経路を受信することができる。

１８０４において、サービスコンピューティングデバイス１０８は、例えば候補経路の合計数を表す第１の変数Ｎ＝経路数を設定し、例えば処理のために現在選択されている候補経路を表すカウンタとして第２の変数ＲＮ＝１と設定することによって、第１のループを初期化することができる。

１８０６において、サービスコンピューティングデバイス１０８は、ＲＮの値がＮの値以上であるかどうかを決定することができる。Ｎ以上でない場合、プロセスはブロック１８０８に進む。Ｎ以上である場合、すべての候補経路が処理されているため、プロセスはブロック１８２８に進む。

１８０８において、サービスコンピューティングデバイス１０８は、第３の変数Ｍ＝ＲＮの区間数を設定し、例えば、処理のために現在選択されている区間を表すカウンタとして第４の変数ＳＭ＝１と設定することによって、ネストされた第２のループを初期化することができる。

１８１０において、サービスコンピューティングデバイス１０８は、ＳＭがＭ以上であるかどうかを決定することができる。Ｍ以上でない場合、プロセスはブロック１８１４および１８１８に進む。Ｍ以上である場合、プロセスはブロック１８１２に進み、ＲＮをインクリメントする。

１８１２において、サービスコンピューティングデバイス１０８は、経路カウンタＲＮを値１だけインクリメントして１８０６に進み、すべての経路が処理されたかどうかを決定することができる。

１８１４において、サービスコンピューティングデバイス１０８は、速度プロファイル情報を受信することができる。例えば、アルゴリズムは、選択された区間について、図１４に関して上述した速度プロファイルアルゴリズムの出力を受信することができる。

１８１６において、サービスコンピューティングデバイス１０８は、区間ＳＭの速度を予測することができる。

１８１８において、サービスコンピューティングデバイス１０８は、リアルタイムの気象および道路形状情報を受信することができる。

１８２０において、サービスコンピューティングデバイス１０８は、道路状況を推定することができる。例えば、道路区間ＳＭの場合、道路状況は、地図データデータベース１５６からの道路形状（ＨＤマップ）およびサードパーティからのリアルタイム気象からの入力を用いて推定される。

１８２２において、サービスコンピューティングデバイス１０８は、車両ダイナミクスモデルを使用して、シャーシ仕様、道路状況、および予測速度に基づいて車両挙動を決定することができる。例えば、推定された道路状況は、車両ダイナミクスモデル（物理ベースモデルとＡＩモデルとの組み合わせを使用して構築される）に渡される。車両ダイナミクスモデルはまた、速度プロファイルアルゴリズムから受信した道路区間ＳＭの推定速度プロファイルを入力として受信する。

１８２４において、サービスコンピューティングデバイス１０８は、区間ＳＭのトラフィックシミュレーションを実行することができる。例えば、車両ダイナミクスモデルの出力は、トラフィックモデルと協調シミュレーションすることができる。この協調シミュレーションの出力は、道路区間ＳＭ用の車両のロール、ピッチ、ヨー、ジャーク、道路曲率／出口での旋回速度、車両フットプリントおよび道路寸法違反などの車両挙動パラメータを提供する。

１８２６において、サービスコンピューティングデバイス１０８は、それぞれの候補経路ＲＮのすべての区間の予測エネルギー効率を格納することができる。例えば、第２のループは、すべての道路区間の効率値を格納することができる。

１８２８において、サービスコンピューティングデバイス１０８は、区間カウンタＳＭを値１だけインクリメントしてブロック１７１０に戻り、すべての区間が処理されたかどうかを決定することができる。

１８３０において、サービスコンピューティングデバイス１０８は、各候補経路ＲＮの平均車両挙動パラメータを決定することができる。例えば、各候補経路について、車両ダイナミクスアルゴリズムは、個々の道路区間車両挙動パラメータと共に、各候補経路の車両挙動パラメータの平均値を出力することができる。この情報は、以下でさらに説明するように、続いて最適化アルゴリズムに提供されてもよい。プロセスは、図１３のブロック１３２４に戻ることができる。

図１９は、いくつかの実装形態による、経路最適化のためのプロセスとして例示的な最適化アルゴリズム１９００を示すフロー図である。例えば、上述のアルゴリズムからの出力は、最適化アルゴリズム１９００に供給される。ここでの経路指定最適化は、組み合わせ問題と考えることができる。したがって、正確な最適解は、典型的には、パラメータの小さなセットのみの問題に対して達成され得る。この問題に対処するために、本明細書の実装形態は、ＡＩベースの最適化を使用して、大きな最適化パラメータ空間を有する経路指定のためのグローバル／ローカルな最適条件を達成し、ルールベースのヒューリスティクスを使用して実現可能な結果を保証する。いくつかの例では、プロセス１９００は、上述したシステム１００によって実行されてもよい。例えば、プロセス１９００は、いくつかの例では、ナビゲーション情報プログラム１４６または他のアルゴリズムを実行することにより、サービスコンピューティングデバイス１０８によって実行されてもよい。さらに、場合によっては、プロセス１９００は、上述した図１３のプロセス１３００のブロック１３２４に部分的に対応することができる。

１９０２において、サービスコンピューティングデバイス１０８は、入力として、経路ＦＯＶアルゴリズム、走行展望アルゴリズム、および車両ダイナミクスアルゴリズムから候補経路を受信することができる。例えば、最適化アルゴリズムは、図１５～図１８に関して上述したように、経路ＦＯＶアルゴリズム、走行展望アルゴリズム、および車両ダイナミクスアルゴリズムの出力を受信することができる。

１９０４において、サービスコンピューティングデバイス１０８は、経路探索要求を開始することができる。例えば、詳細な経路情報を受信した後、最適化アルゴリズムは、最適化を初期化する経路探索要求機能を開始することができる。

１９０６において、サービスコンピューティングデバイス１０８は、道路区間ネットワークトポロジ、およびすべての経路上の各道路区間に関する情報、すなわち、ＦＯＶカバレッジの割合、効率、快適性、衝突確率、走行時間、トラフィック、計画展望などを収集することができる。例えば、道路ネットワークトポロジに関する情報、および最適化モジュールに渡されたすべての選択された経路上の各道路区間に関する情報を収集することができる。最適化反復ループを開始して、カスタマイズ可能な（ユーザ定義の）収束基準が満たされているかどうかを確認することができる。満たされていない場合、選択されたすべての経路に対して最適化を実行することができる。

１９０８において、サービスコンピューティングデバイス１０８は、アルゴリズムが収束したかどうかを決定することができる。収束した場合、プロセスは１９２４に進む。収束していない場合、プロセスは１９１２に進む。

１９１０において、サービスコンピューティングデバイス１０８は、安全閾値、効率閾値、および／または快適性閾値などのカスタマイズ可能な収束基準を受信することができる。

１９１２において、サービスコンピューティングデバイス１０８は、すべての経路が評価されたかどうかを決定することができる。評価された場合、プロセスは１９１４に進む。評価されていない場合、プロセスは１９１６に進む。

１９１４において、サービスコンピューティングデバイス１０８は、プロセスを終了することができる。

１９１６において、サービスコンピューティングデバイス１０８は、ＡＩベースの最適化経路指定シミュレータを実行することができる。

１９１８において、サービスコンピューティングデバイス１０８は、目的関数、例えば、Ｊ＝ｗ１＊ＴＴ＋ｗ２＊％ＦＯＶｃｏｖｅｒａｇｅ＋ｗ３＊ｅｆｆｉｃｉｅｎｃｙ＋ｗ４＊ｃｏｍｆｏｒｔ＋ｗ５＊ＡＤＤｕｒａｔｉｏｎ．．．を受信することができ、ｗ１～ｗ５は重み値である。目的関数はカスタマイズ可能であってもよい。

１９２０において、サービスコンピューティングデバイス１０８はまた、交通渋滞、到着予想時刻、車両センサＦＯＶ、車両ダイナミクス、パワートレインダイナミクスなどの定義された制約を受信することができる。

１９２２において、サービスコンピューティングデバイス１０８は、ルールベースのヒューリスティクスをＡＩベースの最適化経路指定シミュレータに適用することができる。例えば、ＡＩベースの最適化シミュレータは、収集された道路区間および道路ネットワーク情報と共に、入力として提供され得るカスタマイズ可能な、例えばユーザ定義の目的関数およびユーザ定義の制約を受信することができる。ＡＩベースの最適化経路指定シミュレータは、定義された目的関数と入力データに対する制約とを評価するために実行されてもよい。ＡＩベースの最適化経路指定シミュレータの出力は、ルールベースのヒューリスティクスに渡されてもよい。ヒューリスティクス関数の出力は、実現可能で高速な収束を可能にするために、ＡＩベースの最適化経路指定シミュレータへのフィードバックとして提供されてもよい。

１９２４において、サービスコンピューティングデバイス１０８は、最良の（最適な）経路を選択することができる。例えば、最適化ＡＩベースの最適化経路指定シミュレータが収束した後、最良の経路を選択して車両に送信することができる。

１９２６において、サービスコンピューティングデバイス１０８は、トラフィック情報、気象情報などの受信した更新されたローカル状況情報に基づいて、選択された経路を更新することができる。更新は、定期的に行われてもよいし、新たなローカル状況情報の受信などのイベントに応じて行われてもよい。例えば、更新は、現在のトラフィック情報に基づくなどのイベントに基づいてトリガされてもよく、例えば、交通渋滞イベントは、代替経路を見つけるために更新をトリガする。

本明細書に記載の例示的なプロセスは、説明の目的で提供されるプロセスの例にすぎない。本明細書の開示に照らして、多数の他の変形形態が当業者には明らかであろう。さらに、本明細書の開示は、プロセスを実行するための適切なフレームワーク、アーキテクチャ、および環境のいくつかの例を記載しているが、本明細書の実装形態は、図示および説明された特定の例に限定されない。さらに、本開示は、説明され、図面に示されるように、様々な例示的な実装形態を提供する。しかしながら、本開示は、本明細書に記載および図示された実装形態に限定されず、当業者に知られているように、または当業者に知られることになるように、他の実装形態に拡張することができる。

本明細書に記載の様々な命令、プロセス、および技術は、コンピュータ可読媒体に格納され、かつ本明細書のプロセッサによって実行されるコンピュータプログラムおよびアプリケーションなどのコンピュータ実行可能命令の一般的な文脈で考慮され得る。一般に、プログラムおよびアプリケーションという用語は互換的に使用することができ、特定のタスクを実行するため、または特定のデータタイプを実装するための命令、ルーチン、モジュール、オブジェクト、構成要素、データ構造、実行可能コードなどを含むことができる。これらのプログラム、アプリケーションなどは、ネイティブコードとして実行されてもよいし、仮想マシンまたは他のジャストインタイムコンパイル実行環境などでダウンロードおよび実行されてもよい。典型的には、プログラムおよびアプリケーションの機能は、様々な実装形態において所望に応じて組み合わされまたは分散されてもよい。これらのプログラム、アプリケーション、および技術の実装は、コンピュータ記憶媒体に格納されてもよく、または何らかの形態の通信媒体を介して送信されてもよい。

主題は、構造的特徴および／または方法論的行為に特有の言語で記載されているが、添付の特許請求の範囲で定義される主題は、記載された特定の特徴または行為に必ずしも限定されないことを理解されたい。むしろ、特定の特徴および動作は、特許請求の範囲を実施する例示的な形態として開示されている。

１００ システム
１０２ 車両
１０４ コンピューティングデバイス
１０６ ネットワーク
１０８ サービスコンピューティングデバイス
１１２ 車載センサ
１１４ 車両システム
１１６ プロセッサ
１１８ コンピュータ可読媒体
１２０ 通信インターフェース
１２２ ヒューマンマシンインターフェース
１２４ 車両制御プログラム
１２６ 経路選択プログラム
１２８ 車載センサ構成情報
１２８ 車両センサ構成情報
１３０ 車両構成情報
１３２ センサデータ
１４０ プロセッサ
１４２ コンピュータ可読媒体
１４４ 通信インターフェース
１４５ データ分析プラットフォーム
１４６ ナビゲーション情報プログラム
１４８ 記述分析モジュール
１５０ 予測分析モジュール
１５２ 規範分析モジュール
１５４ データベース
１５６ 地図データデータベース
１５８ 時系列データデータベース
１６０ 画像データデータベース
１６２ 車両データデータベース
１６４ 情報ソースコンピューティングデバイス
１６４ 地図プロバイダコンピューティングデバイス
１６６ 地図データ
１６８ 情報ソースコンピューティングデバイス
１７０ ＯＥＭ情報
１７２ 政府コンピューティングデバイス
１７４ 政府データ
１８０ ユーザコンピューティングデバイス
１８２ ユーザアプリケーション
１８４ 目的地情報
１８６ 最適経路
２００ 車載センサカバレッジ
２０２ 検出領域
２０４ 検出領域
２０６ 検出領域
２０６ カバレッジ領域
２０８ 検出領域
２０８ カバレッジ領域
２１０ カバレッジ領域
２１０ 検出領域
３００ センサ使用構成
３０２ 車線
４００ センサ構成
５０２ マップ
５０４ 出発地位置
５０６ 目的地位置
５０８ 候補経路
５１０ 第１の経路
５１２ 第２の経路
５１４ ノード
５１５ 道路区間
５１６ 道路区間
６０４ 運転者
６０６ 車両
６０８ 画像
７０４ 車両
７０６ 交差点
７１０ 横道
７１２ 領域
７１４ 領域
７２４ 領域
７２６ 領域
８０２ 車両
８０４ 交差点
８０６ 信号機
８１２ 第１の領域
８１４ 第２の領域
８１６ 領域
９１２ 領域
１０００ データ構造
１００２ ノード
１００４ イベント
１００８ ランドマーク
１１０２ 右車線
１１０４ 交差点
１１０６ 左車線
１１０８ 左折車線
１１１０ 横断歩道ゾーン
１１１１ 信号機ゾーン
１１１２ 対向トラフィック
１１１４ 潜在的な交通違反者
１２００ プロセス
１２０２ インフラストラクチャ情報
１２０２ 外部ソース
１２０３ 外部ソース
１２０４ ユーザコンピューティングデバイス命令
１２０４ 外部ソース
１２０５ 外部ソース
１２０６ ＣＡＶセンサデータ
１２０６ 外部ソース
１２０７ 外部ソース
１２０８ 旅行需要情報
１２０８ 外部ソース
１２０９ 外部ソース
１２１０ 外部ソース
１２１０ 地図プロバイダ情報
１２１１ 外部ソース
１２１２ 外部ソース
１２１２ ＯＥＭ情報
１２１３ 外部ソース
１２１４ 政府エンティティ情報
１２１４ 外部ソース
１３００ プロセス
１３１４ ブロック
１３１６ ブロック
１３１８ ブロック
１３２０ ブロック
１３２２ ブロック
１３２４ ブロック
１４００ プロセス
１４００ 速度プロファイルアルゴリズム
１４０６ ブロック
１４０８ ブロック
１４１０ ブロック
１４１１ ブロック
１４１２ ブロック
１４１３ ブロック
１４１４ ブロック
１４１５ ブロック
１４１６ ブロック
１４１７ ブロック
１４１８ ブロック
１４２０ ブロック
１５００ 経路ＦＯＶカバレッジアルゴリズム
１５００ プロセス
１５０８ ブロック
１５１２ ブロック
１５１４ ブロック
１５１６ ブロック
１６０２ ブロック
１６１４ ブロック
１６１６ ブロック
１６１８ ブロック
１７００ プロセス
１７００ 走行展望アルゴリズム
１７０８ ブロック
１７１０ ブロック
１７１２ ブロック
１７１４ ブロック
１７２８ ブロック
１８００ 車両ダイナミクスアルゴリズム
１８００ プロセス
１８０８ ブロック
１８１２ ブロック
１８１４ ブロック
１８２８ ブロック
１９００ プロセス
１９００ 最適化アルゴリズム

Claims (6)

1. システムであって、
   動作を実行する実行可能命令によって構成された１つまたは複数のプロセッサを含み、前記動作は、
   出発地位置と目的地位置との間の複数の経路を決定することと、
   前記複数の経路の各経路を複数の道路区間に分割することと、
   各道路区間の第１の視野（ＦＯＶ）を決定することと、
   車両に搭載された車両センサ用の車両センサ構成情報を受信することと、
   前記車両センサ用の第２のＦＯＶを決定することと、
   複数の前記道路区間について前記第２のＦＯＶを前記第１のＦＯＶと比較することに少なくとも基づいて、前記車両用の経路を選択することと、を含む、システム。
2. それぞれの道路区間のそれぞれの第１のＦＯＶは、衝突を回避するために前記車両センサで監視するために選択された前記それぞれの道路区間の１つまたは複数のゾーンを含む、請求項１に記載のシステム。
3. 前記複数の道路区間について前記第２のＦＯＶを前記第１のＦＯＶと比較する前記動作は、
   道路区間ごとに前記第２のＦＯＶと前記第１のＦＯＶとの重複量を決定することと、
   前記それぞれの経路に含まれる前記道路区間の各々についての前記重複量の集約に基づいて、それぞれの経路についての累積重複量を決定することと、をさらに含む、請求項１に記載のシステム。
4. 前記動作は、
   少なくとも前記車両のパワートレイン構成を示す車両情報を受信することと、
   前記受信したパワートレイン構成に少なくとも部分的に基づいて、前記複数の経路に対する前記車両の予測燃料消費量を決定することと、
   前記予測燃料消費量を考慮することに部分的に基づいて前記経路を選択することと、をさらに含む、請求項１に記載のシステム。
5. 前記動作は、
   前記車両の構成を示す車両情報を受信することと、
   前記車両の前記受信した構成に少なくとも部分的に基づいて、前記複数の経路に対する前記車両の予測車両ダイナミクスを決定することと、
   前記予測車両ダイナミクスを考慮することに部分的に基づいて前記経路を選択することと、をさらに含む、請求項１に記載のシステム。
6. 前記動作は、
   １つまたは複数のコンピューティングデバイスからネットワークを介して１つまたは複数の現在の状態を受信することであって、前記１つまたは複数の現在の状態は、気象状態、またはトラフィック状態のうちの少なくとも１つを含む、受信することと、
   前記１つまたは複数の現在の状態を受信することに基づいて、前記車両のための異なる経路を選択することと、をさらに含む、請求項１に記載のシステム。
   

Images