JP7362721B2 - 早期警告および衝突回避 - Google Patents

早期警告および衝突回避 Download PDF

Info

Publication number
JP7362721B2
JP7362721B2 JP2021500364A JP2021500364A JP7362721B2 JP 7362721 B2 JP7362721 B2 JP 7362721B2 JP 2021500364 A JP2021500364 A JP 2021500364A JP 2021500364 A JP2021500364 A JP 2021500364A JP 7362721 B2 JP7362721 B2 JP 7362721B2
Authority
JP
Japan
Prior art keywords
data
entity
road
intersection
entities
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021500364A
Other languages
English (en)
Other versions
JPWO2019180551A5 (ja
JP2021518623A (ja
Inventor
ジョージズ アウーデ
アメール アブファデル
カール ジャンバート
アンキット シャルマ
リシャブー チョウダリー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Derq Inc
Original Assignee
Derq Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Derq Inc filed Critical Derq Inc
Publication of JP2021518623A publication Critical patent/JP2021518623A/ja
Publication of JPWO2019180551A5 publication Critical patent/JPWO2019180551A5/ja
Priority to JP2023131721A priority Critical patent/JP2023156430A/ja
Application granted granted Critical
Publication of JP7362721B2 publication Critical patent/JP7362721B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Description

本出願は、２０１８年５月３１日に出願された米国特許出願第１５／９９４，５６８号、２０１８年５月３１日に出願された第１５／９９４，８２６号、２０１８年５月３１日に出願された第１５／９９４，７０２号、２０１８年５月３１日に出願された第１５／９９４，９１５号、２０１８年１２月１７日に出願された第１６／２２２，５３６号、２０１８年５月３１日に出願された第１５／９９４，８５０号の出願日の利益を享受する権利があり、上記出願のすべてが２０１８年３月１９日に出願された米国仮特許出願６２／６４４，７２５に基づく優先権および利益を主張し、上記文献の全内容が参照により本明細書に組み込まれる。
本説明は、早期警告および衝突回避に関する。
衝突回避システムが増えてきている。Ｋｉｎｇら（米国特許出願公開第２００７／０２７６６００（Ａ１）号、２００７）は、例えば、進行方向および速度に基づいて交差点において２つの車両が衝突しようとしているか否かを予測するために、交差点の前にセンサーを配置すること、および、物理学ベースの判断ルールを適用することについて説明した。
Ａｏｕｄｅら（米国特許第９，１２９，５１９（Ｂ２）号、２０１５、同文献の全内容が参照により本明細書に組み込まれる）では、交差点における交通状況における違反の予測および防止を可能にするために、運転手の挙動が監視され、およびモデル化される。
衝突回避は、地上交通における損傷および死亡、および資産に対する主な防御策である。危険な状況の早期警告を提供することは、衝突回避を補助することとなる。
概して、一態様において、機器は、交通網の交差点に位置する。機器は、交差点において、または、交差点付近において地上交通エンティティを監視するように配向されたセンサーからデータを受信する入力を含む。無線通信デバイスは、交差点における危険な状況または交差点付近における危険な状況に関する警告を、地上交通エンティティのうちの１つのデバイスに送信し、および、プロセッサと、以下のものを含む動作を実施するための、プロセッサにより実行可能な命令のためのストレージとが存在する。現時点における交差点における地上交通エンティティまたは交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルが記憶される。機械学習モデルは、交差点における地上交通エンティティまたは交差点付近における地上交通エンティティの以前の動作と関連する挙動とに関する訓練データに基づいている。交差点における地上交通エンティティまたは交差点付近における地上交通エンティティに関する、センサーから受信された現在の動作データは、地上交通エンティティの切迫した挙動を予測するために機械学習モデルに適用される。交差点における地上交通エンティティまたは交差点付近における地上交通エンティティのうちの１つまたは複数に対する切迫した危険な状況は、予測された切迫した挙動から推測される。無線通信デバイスは、地上交通エンティティのうちの１つのデバイスに危険な状況に関する警告を送信する。
実施態様は、以下の特徴のうちののうちの１つ、または２つ以上の組み合わせを含み得る。無線通信デバイスは、標識または他のインフラストラクチャー提示デバイスに危険な状況に関する警告を送信する。警告は、特定の地上交通エンティティを制御することが可能な命令またはコマンドを含む。機器は、道路沿いの機器を包含する。機器のためのハウジングが存在し、センサーがハウジングに装着される。交差点における地上交通エンティティまたは交差点付近における地上交通エンティティのうちの任意のものによる受信のための警告をブロードキャストすることにより、警告が送信される。機械学習モデルは、人工知能モデルを包含する。訓練データおよび動作データは、速度、位置、または進行方向のうちの少なくとも１つを包含する。訓練データおよび動作データは、意図、姿勢、見ている方向、または例えばグループ内での他の被害を受け得る道路ユーザーとの対話を更に包含し得る。プロセッサは、機器において機械学習モデルを生成することを可能にするように構成される。訓練データは、機器に記憶される。交差点は、信号機の無い交差点を包含する。交差点は、信号機付き交差点を包含する。交通網は、道路網を包含する。地上交通エンティティは、被害を受け得る道路ユーザーを包含する。地上交通エンティティは、車両を包含する。切迫した危険な状況は、衝突またはニアミスを包含する。地上交通エンティティは、横断歩道において道路を横断している歩行者を包含する。中央サーバーと通信する別の通信デバイスが存在する。地上交通エンティティのうちの１つのデバイスは、モバイル通信デバイスを包含する。
概して、一態様において、機器は、交通網の交差点に位置する。機器は、交差点における地上交通エンティティまたは交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信する入力を含む。無線通信デバイスは、交差点における危険な状況または交差点付近における危険な状況に関する警告を、地上交通エンティティのうちの１つのデバイスに送信する。プロセッサと、現時点における交差点における地上交通エンティティまたは交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶するための、プロセッサにより実行可能な命令のためのストレージとが存在する。機械学習モデルは、交差点における地上交通エンティティまたは交差点付近における地上交通エンティティの以前の動作と関連する挙動とに関する訓練データに基づいている。交差点における地上交通エンティティまたは交差点付近における地上交通エンティティに関する、センサーから受信された現在の動作データは、関連するデバイス（地上交通エンティティのデバイス）が無線通信デバイスから警告を受信することができない地上交通エンティティを含む、地上交通エンティティの切迫した挙動を予測するために、機械学習モデルに適用される。関連するデバイス（地上交通エンティティのデバイス）が無線通信デバイスから警告を受信し得る地上交通エンティティに対する切迫した危険な状況が推測される。切迫した危険な状況は、警告を受信することができない地上交通エンティティの予測された切迫した挙動の結果である。危険な状況に関する警告は、無線通信デバイスから警告を受信し得る地上交通エンティティのデバイスに送信される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含み得る。機器は、道路沿いの機器を包含する。機器のためのハウジングが存在し、センサーがハウジングに装着される。警告を受信し得る交差点における地上交通エンティティまたは交差点付近における地上交通エンティティのうちの任意のものによる受信のための警告をブロードキャストすることにより、警告が送信される。機械学習モデルは、人工知能モデルを包含する。交差点は、信号機の無い交差点を包含する。交差点は、信号機付き交差点を包含する。交通網は、道路網を包含する。地上交通エンティティは、被害を受け得る道路ユーザーを包含する。地上交通エンティティは、車両を包含する。切迫した危険な状況は、衝突を包含する。関連するデバイスが無線通信デバイスから警告を受信することができない地上交通エンティティは、車両を包含する。関連するデバイスが無線通信デバイスから警告を受信し得る地上交通エンティティは、横断歩道において道路を横断する歩行者を包含する。中央サーバーと通信する別の通信デバイスが存在する。地上交通エンティティのうちの１つのデバイスは、モバイル通信デバイスを包含する。
概して、一態様において、地上交通網内を移動する道路車両において、他の地上交通エンティティの位置、動作、および状態に関する外部ソースからのメッセージ、道路および運転状態に関する、および、車両の周辺における静的な物体および動く地上交通エンティティの位置に関する、車載センサーからのデータ、道路車両の運転手による運転の質に関するデータ、および、他の地上交通エンティティからの基本的な安全メッセージおよび被害を受け得る道路ユーザーからの個人用安全メッセージを含むメッセージおよびデータが受信される。受信されたデータおよびメッセージは融合され、道路車両の運転手の、または、被害を受け得る道路ユーザーの行動、または、道路車両に対する衝突リスク、またはその両方を予測するために、人工知能モデルに適用される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。道路車両は、道路車両の近傍における静的な物体および動く地上交通エンティティのマップを生成する。道路車両の運転手は、衝突リスクについて警報を受ける。衝突リスクは、近くの他の動く地上交通エンティティの予測された軌道の確率に基づいて特定される。基本的な安全メッセージおよび個人用安全メッセージは、道路車両の運転手に提供される警報の数を減らすようにフィルタ処理される。
概して、一態様において、道路を横断する横断歩道の近傍に位置する電子的なセンサーが、横断歩道内のエリアまたは横断歩道の近くのエリアを監視するために使用される。電子的なセンサーは、横断歩道内にいる被害を受け得る車道ユーザーまたは横断歩道の近くにいる被害を受け得る車道ユーザーに関する動作データを生成する。生成された動作データは、被害を受け得る車道ユーザーのうちの１の被害を受け得る車道ユーザーが横断歩道に入ろうとしていることを予測するために、横断歩道の近傍に位置する機器において動作する機械学習モデルに適用される。被害を受け得る車道ユーザーが横断歩道に入る前に、警告が、被害を受け得る車道ユーザーに関連したデバイス、または、道路上の横断歩道に接近している別の地上交通エンティティに関連したデバイスのうちの少なくとも１つに無線により送信される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。機器は、道路沿いの機器を包含する。被害を受け得る車道ユーザーは、歩行者、動物、またはサイクリストを包含する。被害を受け得る車道ユーザーに関連したデバイスは、スマートウォッチもしくは他の装着型装置、スマートフォン、または別のモバイルデバイスを包含する。他の地上交通エンティティは、モーター駆動式車両を包含する。他の地上交通エンティティに関連したデバイスは、スマートフォンまたは別のモバイルデバイスを包含する。機械学習モデルは、インターネットを通してリモートサーバーにより横断歩道の近傍に位置する機器に提供される。機械学習モデルは、横断歩道の近傍に位置する機器において生成される。機械学習モデルは、横断歩道の近傍に位置するセンサーにより生成された動作データを使用して訓練される。横断歩道の近傍に位置するセンサーにより生成された動作データは、機械学習モデルを訓練することにおける使用のためにサーバーに送信される。横断歩道の近傍に位置するセンサーにより生成された動作データは、横断歩道の近傍における対応するゾーンに基づいてセグメント分けされる。電子的なセンサーは、被害を受け得る道路ユーザーの物理的性質を表す動作関連データを生成するために使用される。被害を受け得る道路ユーザーに関する軌道情報は、センサーにより生成された動作データから導出される。
概して、一態様において、地上交通網の交差点と交差点への進入路とを監視するために、交差点の近傍に位置する電子的なセンサーが使用される。電子的なセンサーは、進入路において動く地上交通エンティティまたは交差点において動く地上交通エンティティに関する動作データを生成する。地上交通エンティティのうちの１つまたは複数は、交差点の近傍における他の地上交通エンティティに基本的な安全メッセージを送信することができない。電子的なセンサーにより生成された動作データに基づいて、仮想的な基本的な安全メッセージがメッセージを受信することが可能な地上交通エンティティのうちの１つまたは複数に送信される。仮想的な基本的な安全メッセージは、基本的な安全メッセージを送信することができない地上交通エンティティのうちの１つまたは複数に関する情報を組み込む。仮想的な基本的な安全メッセージの各々における組み込まれた情報は、基本的な安全メッセージを送信することができない地上交通エンティティのうちの１つの位置と進行方向と速度と予測された将来の軌道とのうちの少なくとも１つを含む。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。機器は、道路沿いの機器を包含する。組み込まれた情報は、地上交通エンティティが基本的な安全メッセージを送信することが可能であると仮定した場合に地上交通エンティティにより生成される基本的な安全メッセージに組み込まれる情報の部分集合を含む。生成された動作データは、基本的な安全メッセージを送信することができない地上交通エンティティの軌道を予測するために、交差点の近傍に位置する機器において動作する機械学習モデルに適用される。地上交通エンティティのうちの１つは、モーター駆動式車両を包含する。機械学習モデルは、インターネットを通してリモートサーバーにより交差点の近傍に位置する機器に提供される。機械学習モデルは、交差点の近傍に位置する機器において生成される。機械学習モデルは、交差点の近傍に位置するセンサーにより生成された動作データを使用して訓練される。交差点の近傍に位置するセンサーにより生成された動作データは、機械学習モデルを訓練することにおける使用のためにサーバーに送信される。
概して、一態様において、地上交通網の交差点と交差点への進入路とを監視するために、交差点の近傍に位置する電子的なセンサーが使用される。電子的なセンサーは、進入路において動く地上交通エンティティまたは交差点において動く地上交通エンティティに関する動作データを生成する。別個の仮想ゾーンが交差点および交差点への進入路において規定される。生成された動作データが関連する対応する仮想ゾーンに従って、動作データがセグメント分けされる。生成された動作データは、それぞれのセグメントの各々に対して、地上交通エンティティのうちの１つまたは複数を伴う、交差点、または、進入路のうちの１つにおける切迫した危険な状況を予測するために、交差点の近傍に位置する機器において動作する機械学習モデルに適用される。切迫した危険な状況が実際の危険な状況になる前に、関与する地上交通エンティティのうちの少なくとも１つの地上交通エンティティに関連したデバイスに、警告が無線により送信される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。機器は、道路沿いの機器を包含する。地上交通エンティティの各々に関連したデバイスは、装着型装置、スマートフォン、または別のモバイルデバイスを包含する。地上交通エンティティのうちの１つは、モーター駆動式車両を包含する。機械学習モデルは、インターネットを通してリモートサーバーにより交差点の近傍に位置する機器に提供される。機械学習モデルは、交差点の近傍に位置する機器において生成される。機械学習モデルは、交差点の近傍に位置するセンサーにより生成された動作データを使用して訓練される。交差点の近傍に位置するセンサーにより生成された動作データは、機械学習モデルを訓練することにおける使用のためにサーバーに送信される。電子的なセンサーは、交差点への進入路のうちの１つを横断する横断歩道内のエリアまたは横断歩道の近くのエリアを監視するために使用される。電子的なセンサーは、横断歩道の近傍における被害を受け得る道路ユーザーの物理的性質を表す動作関連データを生成するために使用される。被害を受け得る道路ユーザーに関する軌道情報は、センサーにより生成された動作データから導出される。交差点への進入路の各々に対して機械学習モデルが存在する。別の近くの交差点に関連したセンサーにより生成された動作データに更に基づく警告を送信するか否かの判定がなされる。進入路において動く地上交通エンティティまたは交差点において動く地上交通エンティティから受信された情報に更に基づく警告を送信するか否かの判定がなされる。交差点が信号機付きであり、信号の状態に関する情報が受信される。交差点は信号機付きではなく、１つまたは複数の標識により制御される。規定の仮想ゾーンは、標識により制御される１つまたは複数の進入路を包含する。標識は、一時停止の標識または譲れの標識を包含する。地上交通エンティティのうちの１つは、鉄道車両を包含する。
概して、一態様において、機器は、地上交通エンティティ内に、または地上交通エンティティ上に位置する。機器は、地上交通エンティティ内の、または地上交通エンティティ上のセンサーであって、地上交通網の近くの特徴を監視するように配向されたセンサーからのデータと、地上交通エンティティが地上交通網を横断しているコンテキストに関する他の情報とを受信する入力を含む。無線通信デバイスは、本コンテキストに関する情報を受信する。信号プロセッサは、センサーからのデータと、本コンテキストに関する他の情報とに信号処理を適用する。プロセッサと、以下のこと、すなわち、地上交通エンティティのオペレーターの挙動と近傍における他の地上交通エンティティの意図および動きとを予測することができる機械学習モデルを記憶することと、オペレーターの挙動と近傍における他の地上交通エンティティの意図および動きとを予測するために、センサーからの現在の受信されたデータとコンテキストに関する他の情報とを適用することとを含む動作を実施するための、プロセッサにより実行可能な命令のためのストレージとが存在する。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。機器は、道路沿いの機器を包含する。命令は、地上交通エンティティのユーザーまたは乗っている人を監視するためにプロセッサにより実行可能である。コンテキストに関する他の情報は、緊急放送、道路沿いの機器の交通および安全メッセージ、および、他の地上交通エンティティからの安全、位置、および他の動作情報に関するメッセージを包含する。センサーは、カメラ、距離センサー、振動センサー、マイクロホン、座席センサー、炭化水素センサー、揮発性有機化合物および他の有毒物質のセンサー、および運動学的センサー、または、それらの組み合わせを包含する。命令は、現在位置と、環境条件と、運転手の挙動と、車両の調子およびステータスと、運動学（ｋｉｎｅｍａｔｉｃｓ）とにおいてどの警報が重要であるかを予測するために、機械学習モデルに警報を適用することにより、車両が受信する受信された警報をフィルタ処理するために、プロセッサにより実行可能である。
概して、一態様において、動作データは、交通網において動く接続されていない地上交通エンティティに対して獲得される。接続されていない地上交通エンティティに対する動作データに関する情報を組み込んだ仮想安全メッセージが、接続されていない地上交通エンティティの近傍における接続された地上交通エンティティに送信される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。仮想安全メッセージは、接続されていない地上交通エンティティが接続されていると仮定した場合に接続されていない地上交通エンティティにより送信される安全メッセージの代わりである。接続されていない地上交通エンティティは、車両を包含し、仮想安全メッセージは、基本的な安全メッセージの代わりである。接続されていない地上交通エンティティは、被害を受け得る道路ユーザーを包含し、仮想安全メッセージが、個人用安全メッセージの代わりである。動作データは、インフラストラクチャーセンサーにより検出される。
概して、一態様において、交通網の交差点に位置する機器は、交差点における地上交通エンティティまたは交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信するための入力を含む。センサーの各々からのデータが、地上交通エンティティのうちの少なくとも１つの地上交通エンティティの少なくとも１つの位置または動作パラメータを表す。センサーの各々からのデータは、ネイティブなフォーマットにより表される。センサーのうちの少なくとも２つから受信されたデータが、位置または動作パラメータに関して、またはネイティブなフォーマットに関して、またはその両方に関して一致しない。センサーの各々からのデータを、センサーのデータのネイティブなフォーマットから独立した共通フォーマットをもつデータに変換するための、プロセッサにより実行可能な命令のためのストレージが存在する。共通フォーマットをもつデータが、交差点において、または、交差点付近において監視されている地上交通エンティティのグローバルな統合的表現に組み込まれる。グローバルな統合的表現は、地上交通エンティティの各々の位置、速度、および進行方向を包含する。地上交通エンティティのうちの２つの地上交通エンティティの位置および動作の関連性が、グローバルな統合的表現を使用して特定される。２つの地上交通エンティティに関わる危険な状況が予測され、危険な状況について２つの地上交通エンティティのうちの少なくとも１つの地上交通エンティティに警報を出すメッセージが、２つの地上交通エンティティのうちのその少なくとも１つの地上交通エンティティに送信される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。センサーは、レーダー、ライダー、およびカメラのうちの少なくとも２つを包含する。センサーのうちの１つから受信されたデータは、連続した瞬間における視野の画像データを包含する。センサーのうちの１つから受信されたデータは、３Ｄ空間における反射点を包含する。センサーのうちの１つから受信されたデータは、センサーからの距離、および速度を包含する。グローバルな統合的表現は、共通基準座標系における地上交通エンティティの位置を表す。２つのセンサーであって、そのセンサーからデータが受信される、その２つのセンサーが、交差点における固定位置または交差点付近における固定位置に備え付けられ、および、少なくとも部分的に重ならない視野をもつ。センサーのうちの１つがレーダーを含み、データの変換が、レーダーの知られた位置からの地上交通エンティティの位置と、レーダーから地上交通エンティティまでの距離とを特定することを含む。センサーのうちの１つがカメラを含み、データの変換が、知られた位置からの地上交通エンティティの位置、視野方向、およびカメラのチルト、および、カメラの画像フレーム内における地上交通エンティティの位置を特定することを含む。
概して、一態様において、機器は、道路の交差点、横断歩道、および鉄道線路を含む交通網の平面交差点に位置する。機器は平面交差点における道路車両および歩行者または平面交差点付近における道路車両および歩行者を監視するように配向されたセンサーからデータを受信するための、および、道路上の、および鉄道線路上の信号に対するフェーズおよびタイミングデータを受信するための入力を含む。無線通信デバイスは、地上交通エンティティ、歩行者、または鉄道線路上の鉄道車両のうちの１つのデバイスに、平面交差点における危険な状況または平面交差点付近における危険な状況に関する警告を送信するために含まれる。現時点における平面交差点における地上交通エンティティまたは平面交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶するためのプロセッサにより実行可能な命令のためのストレージが存在する。機械学習モデルは、交差点における道路車両および歩行者、または、交差点付近における道路車両および歩行者の以前の動作と関連する挙動とに関する訓練データに基づく。平面交差点における道路車両および歩行者または平面交差点付近における道路車両および歩行者に関する、センサーから受信された現在の動作データは、道路車両および歩行者の切迫した挙動を予測するために機械学習モデルに適用される。交差点における鉄道線路上の鉄道車両、または、交差点付近における鉄道線路上の鉄道車両に対する切迫した危険な状況は、予測された切迫した挙動から推測される。無線通信デバイスは、道路車両、歩行者、および鉄道車両のうちの少なくとも１つのデバイスに危険な状況に関する警告を送信させられる。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。警告は、鉄道車両の車載機器に送信される。鉄道線路は、分離された鉄道用地にある。鉄道線路は、分離された鉄道用地にあるのではない。機器は、道路沿いの機器を包含する。平面交差点における地上交通エンティティ、歩行者、または鉄道車両、または、平面交差点付近における地上交通エンティティ、歩行者、または鉄道車両のうちの任意のものによる受信のための警告をブロードキャストすることにより、警告が送信される。切迫した危険な状況は衝突またはニアミスを包含する。
概して、一態様において、地上交通網において運転されている道路車両または歩行している歩行者の位置および動作を表すデータが、インフラストラクチャーセンサーから受信される。データは、仮想的な基本的な安全メッセージ、および、道路車両および歩行者の状態に関する仮想的な個人用安全メッセージにおいて受信される。受信されたデータは、道路車両または歩行者のうちの１つの危険な運転または歩行挙動を識別するために訓練される機械学習モデルに適用される。危険な運転または歩行挙動は当局に報告される。
実施態様は、以下の特徴のうちの１つ、または２つ以上の組み合わせを含んでよい。道路車両は、プレートナンバー認識に基づいて識別される。歩行者は、バイオメトリック認識に基づいて識別される。道路車両または歩行者は、ソーシャルネットワーキングに基づいて識別される。
これらの態様および他の態様、特徴、および実施態様は、方法、装置、システム、コンポーネント、プログラムプロダクト、ビジネスを行う方法、機能を実施するための手段またはステップ、および他の手法として表され得る。
これらの態様および他の態様、特徴、および実施態様は、請求項を含む以下の説明から明らかとなる。
ブロック図である。 ブロック図である。 ブロック図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。 交差点の注釈付き斜視図である。 交差点の注釈付き斜視図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。 道路網の概略側面図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。 ブロック図である。 道路網の概略斜視図である。 上方からの道路網の概略図である。 上方からの道路網の概略図である。
センサー技術およびコンピュータの進歩に伴って、危険な状況を予測すること（および、危険な状況の早期警告を提供すること）、および、そのようにして、地上交通の実施において地上交通エンティティの衝突およびニアミスを防ぐこと（すなわち、衝突回避を可能にすること）が実現可能となった。
本明細書では、例えば、地球の表面上における陸上または水への接触を伴って場所を変えて動くことの任意のモードまたは媒体、例えば、歩行すること、または走ること（または、他の歩行行動を行うこと）、非モーター駆動式車両、モーター駆動式車両（自律、半自律、および非自律）、および鉄道車両を包含するように、「地上交通」という用語が広く使用される。
本明細書では、例えば、地上交通のモードに関わっている人または離散したモーター駆動式または非モーター駆動式車両、例えば、他にもあり得るが、歩行者、自転車ライダー、ボート、自動車、トラック、トラム、路面電車、または列車を包含するように、「地上交通エンティティ」（または、場合によっては単に「エンティティ」）という用語が広く使用される。場合によっては、本明細書では、地上交通エンティティに対する簡潔な参照として「車両」または「道路ユーザー」という用語が使用される。
本明細書では、例えば、切迫した財産の損傷または人体損傷または死をもたらし得る、および、低減可能であり得る、または回避可能であり得る、任意のイベント、発生、シーケンス、コンテキスト、または他の状況を包含するように、広く「危険な状況」という用語が使用される。本明細書では場合によっては、「危険な状況」と置換可能に「危険」という用語が使用される。本明細書では場合によっては、危険な状況をもたらす、危険な状況につながり得る、または危険な状況につながるであろうエンティティの挙動に対して、「違反」または「違反する」という語句が使用される。
本明細書において議論される技術の幾つかの実施態様において、地上交通網は、交通コネクティビティをもたない、または、交通コネクティビティを使用しない地上交通エンティティと、交通コネクティビティを確かにもつ、および交通コネクティビティを使用する地上交通エンティティとの混ざったものにより使用される。
本明細書では、例えば、（ａ）地上交通エンティティの周辺環境、地上交通エンティティの近傍における他の地上交通エンティティ、および、地上交通エンティティに関連した交通状況の知識情報を認識するための、および、その知識情報に基づいて行動するための、（ｂ）地上交通エンティティの状態に関するデータをブロードキャストする、または別様に送信するための、または、（ｃ）（ａ）と（ｂ）との両方をするための、地上交通エンティティの任意の能力を包含するように、「コネクティビティ」という用語が広く使用される。送信されるデータは、その位置、進行方向、速度、または、交通状況に関連したそのコンポーネントの内部状態を包含し得る。幾つかの例において、地上交通エンティティの認識は、地上交通エンティティの動作に関連した他の地上交通エンティティまたは交通状況に関する無線により受信されたデータに基づく。受信されたデータは、他の地上交通エンティティに由来し、またはインフラストラクチャーデバイスに由来し、またはその両方に由来し得る。典型的には、コネクティビティは、リアルタイムで、または実質的にリアルタイムで、または、地上交通エンティティのうちの１つまたは複数が交通状況においてデータに基づいて行動するのに間に合うように、データを送信または受信することを伴う。
本明細書では、２つ以上の地上交通エンティティが互いの近傍において動作する任意の状況、および、エンティティの各々の動作またはステータスが他のものの動作またはステータスに影響を与え得る、または関連し得る任意の状況を包含するように、「交通状況」という用語が広く使用される。
本明細書では場合によっては、コネクティビティまたはコネクティビティの態様をもたない、または、コネクティビティまたはコネクティビティの態様を使用しない地上交通エンティティを、「接続されていない地上交通エンティティ」または単に「接続されていないエンティティ」と呼ぶ。本明細書では場合によっては、コネクティビティまたはコネクティビティの態様をもつ、および、コネクティビティまたはコネクティビティの態様を使用している地上交通エンティティを、「接続された地上交通エンティティ」または単に「接続されたエンティティ」と呼ぶ。
本明細書では場合によっては、地上交通エンティティの環境に、例えば、位置、進行方向、速度、または車載安全システム（例えば、ブレーキ、ライト、およびワイパー）の状態を包含するデータをブロードキャストする地上交通エンティティを表すために、「連携したエンティティ」という用語が使用される。
本明細書では場合によっては、１つまたは複数の種類のデータ、例えば、地上交通エンティティの位置、速度、進行方向、または状態、を地上交通エンティティの環境にブロードキャストしない地上交通エンティティを表すために、「連携していないエンティティ」という用語が使用される。
本明細書では場合によっては、例えば、エンティティによるブロードキャストが他の地上交通エンティティまたはインフラストラクチャーデバイスにより受信され得るエリアを包含するように、地上交通エンティティの「近傍」という用語が広く使用される。幾つかの例において、近傍は、エンティティの位置、および、エンティティの周囲における障害物の数および特性に伴って変わる。砂漠における開けた道路を移動するエンティティは、エンティティからのブロードキャスト信号が長距離に到達することを妨げる障害物が存在しないので、非常に広い近傍をもつ。逆に、都市の谷間における近傍は、エンティティの周囲における建物により小さくされる。更に、ブロードケース信号の品質を低下させ、ひいては受信距離（近傍）を短くする電磁ノイズ源が存在し得る。
図１４に示されるように、道路７００５に沿って移動するエンティティ７００１の近傍は同心円により表され得、最も外側の円７００２が近傍の最も外側の範囲を表す。円７００２内に存在する任意の他のエンティティは、エンティティ７００１の近傍にある。円７００２の外部に位置している任意の他のエンティティは、エンティティ７００１の近傍の外部にあり、エンティティ７００１によるブロードキャストを受信することができない。エンティティ７００１は、その近傍の外部のすべてのエンティティおよびインフラストラクチャーデバイスにとって視認不能である。
典型的には、連携したエンティティは、連携したエンティティの状態データを連続的にブロードキャストしている。ブロードキャストしているエンティティの近傍における接続されたエンティティは、これらのブロードキャストを受信することができ、受信されたデータを処理し得、および受信されたデータに基づいて行動し得る。例えば、被害を受け得る道路ユーザーがエンティティ、例えば接近しているトラック、からブロードキャストを受信し得る装着型デバイスを所持している場合、装着型デバイスは、受信されたデータを処理して、道路を横断することがいつ安全であるかを、被害を受け得るユーザーに知らせ得る。ユーザーのデバイスがブロードキャストを受信し得る限り、すなわち、連携したエンティティの近傍内にある限り、この動作は、「スマート」交差点に対する、連携したエンティティまたは被害を受け得るユーザーの位置を考慮せずに発生する。
本明細書では、例えば、モーター駆動式車両を使用していない、車道の、または道路網の他の特徴の任意のユーザーを包含するように、「被害を受け得る道路ユーザー」または「被害を受け得る道路ユーザー」という用語が広く使用される。被害を受け得る道路ユーザーがモーター駆動式車両に衝突した場合、被害を受け得る道路ユーザーは、概して、損傷または死または財産の損傷に対して保護されていない。幾つかの例において、被害を受け得る道路ユーザーは、歩いている人、走っている人、自転車に乗っている人、または、被害を受け得る道路ユーザーを、衝突の場合に車両または他の地上交通エンティティによる直接的な物理的な接触のリスクにさらす任意の種類の行動を実施している人であり得る。
幾つかの実施態様において、本明細書において説明されている衝突回避技術およびシステム（本明細書では場合によっては単に「システム」と呼ばれる）は、地上交通エンティティ、および、地上交通エンティティの運転手およびオペレーターの動作（例えば、速度、進行方向、および位置）、挙動（例えば高速）、および意図（例えば一時停止の標識に違反しようとしている）を監視、追跡、検出、および予測するために、インフラストラクチャー設備に搭載されたセンサーを使用する。センサーにより提供される情報（「センサーデータ」）は、システムが危険な状況を予測すること、および、エンティティに早期警告を提供して衝突回避の機会を増やすことを可能にする。
本明細書では、例えば、危険な状況によりもたらされ得る２つ以上の地上交通エンティティの間の、または、地上交通エンティティと環境における別の物体との間の衝突またはニアミスが防止される任意の状況、または、このような相互作用の機会が減らされる任意の状況を包含するように、「衝突回避」という用語が広く使用される。
本明細書では、例えば、危険な状況を識別する、提案する、または何らかの手法により示す、および衝突回避のために有用な情報の、任意の通知、警報、命令、コマンド、ブロードキャスト、送信、または、他の送信または受信を包含するように、「早期警告」という用語が広く使用される。
道路の交差点は、危険な状況が発生し得る主な位置である。本明細書において説明される技術は、危険な状況の同時監視、検出、および予測を可能にする、センサー、演算ハードウェアおよびインテリジェンスを含む、インフラストラクチャーデバイスを含む交差点を含み得る。これらのセンサーからのデータは、１つの基準座標系に正規化された後、処理される。交差点への異なる進入路に沿った交通の流れの人工知能モデルが構成される。これらのモデルは、例えば、交通規則に違反する可能性が高いエンティティの役に立つ。本モデルは、実際の違反の前に危険な状況を検出するように構成され、したがって、予測とみなされ得る。危険な状況の予測に基づいて、交差点におけるインフラストラクチャーデバイスから、交差点の近傍におけるすべての接続されたエンティティに、警報が送信される。警報を受信する各エンティティが、警報におけるデータを処理し、および警報フィルタ処理を実施する。警報フィルタ処理は、エンティティに有益ではない警報を破棄または無視する工程である。例えば差し迫った衝突の警報といった警報が有益であるとみなされた（すなわち、フィルタ処理の結果として無視されていない）場合、エンティティが（例えば、ブレーキを適用することにより）警報に自動的に反応し、もしくは、通知が運転者に提示され、または、その両方が行われる。
システムは、車道、水路、および鉄道に使用され得るが、これらに限定されない。本明細書では場合によっては、これらの、および他の同様の交通コンテキストを「地上交通網」と呼ぶ。
本明細書では多くの場合、交差点に関する文脈におけるシステムについて議論するが、システムは他のコンテキストにも適用され得る。
本明細書では、例えば、地上交通網の経路に沿って移動する２つ以上の地上交通エンティティがある時点および位置において同じ位置を占有して衝突を起こし得る道路、レール、水域、または他の移動経路の任意の現実の配置を包含するように、「交差点」という用語が広く使用される。
地上交通網を使用する地上交通エンティティは様々な速度で動き、異なる速度および時刻で所与の交差点に到達し得る。交差点からのエンティティの速度および距離が知られている場合、距離を速度で除算すること（いずれも同じ単位系において表される）が、交差点への到達時間を与える。しかし、例えば、交通状態、ルートにおける速度制限、交通信号、および他の因子に起因して意図する速度は変化するので、交差点への想定される到達時間は連続的に変わる。想定される到達時間のこの動的な変化は、１００％の信頼性をもって実際の到達時間を予測することを不可能にする。
エンティティの動作に影響を与える因子を考慮することは、エンティティの速度および様々な影響因子の間の多数の関連性を適用することを必要とする。エンティティの動作の状態の絶対値は、エンティティから、または外部の位置からそのエンティティを追跡するセンサーにより観測され得る。これらのセンサーにより捕捉されたデータは、エンティティの動作、挙動、および意図のパターンをモデル化するために使用され得る。膨大な量のデータから複雑なモデルを生成するために機械学習が使用され得る。エンティティの運動学を使用して直接モデル化されることができないパターンは、機械学習を使用して捕捉され得る。訓練されたモデルは、特定の点においてエンティティが動こうとしているか、または停止しようとしているかを、それらを追跡するセンサーからのそのエンティティの追跡データを使用することにより予測し得る。
言い換えると、センサーデータから直接的に地上交通エンティティに関する情報を検出することに加えて、システムは人工知能および機械学習を使用して、膨大な量のセンサーデータを処理して、例えば、地上交通網の交差点における、このような交差点への進入路における、および地上交通網の横断歩道における、地上交通エンティティの動作、挙動、および意図のパターンを学習する。現在のセンサーデータの直接的な使用に基づいて、および、現在のセンサーデータに人工知能および機械学習を適用した結果に基づいて、システムが、例えば危険な状況の警報といった早期警告を生成し、ひいては衝突回避を補助する。命令またはコマンドの形態をとる早期警告に関連して、コマンドまたは命令は、直接的に車両を制御するために、特定の自律した、または人により運転されるエンティティを対象にし得る。例えば、命令またはコマンドは、人を傷付けようとすることを目的として赤信号で走ろうとしていると判定された悪意のある人により運転されているエンティティを減速または停止させることができる。
システムは、その特定の交差点に対する予測をするように、および、警報をブロードキャストしているデバイスの近傍におけるエンティティに警報を送信するように調整され得る。この目的において、システムは、センサーを使用して危険なエンティティに関するデータを導出し、訓練されたモデルを通すようにセンサーからの現在の読み取り値を渡す。したがって、モデルの出力は、危険な状況を予測し、対応する警報をブロードキャストし得る。近傍における接続されたエンティティにより受信された警報は、危険なエンティティに関する情報を含み、結果として、受信側エンティティがその情報を分析して、危険なエンティティにより受信側エンティティにもたらされる脅威を評価し得る。脅威が存在する場合、受信側エンティティは、受信側エンティティ自体により行動を取る（例えば減速する）か、または、視覚、音声、触覚、または任意の種類の感覚刺激に基づいて、人間機械インターフェースを使用して、受信側エンティティの運転手に通知し得る。自律したエンティティは、危険な状況を回避するために、自律したエンティティ自体により行動を取り得る。
警報は、更に、セルラーネットワークまたは他のネットワークを通して、警報を受信するように具備された、および歩行者により保有された、携帯電話または他のデバイスに、直接的に送信され得る。システムは、交差点における潜在的な危険なエンティティを識別し、通信ユニットを含む歩行者の個人用デバイスに警報をブロードキャスト（または直接的に送信）する。警報は、例えば、歩行者が横断歩道に入ることを防ぎ、ひいては、潜在的な事故を回避し得る。
システムは、更に、歩行者を追跡し、他のエンティティが危険な状況を回避するための行動を取り得るように、歩行者の状態に関連した情報（位置、速度、および他のパラメータ）を他のエンティティにブロードキャストし得る。
図１に示されるように、システムは、少なくとも以下の種類のコンポーネントを含む。
１．地上交通エンティティ１４の動作（例えば、速度、進行方向、および位置）、挙動（例えば高速）、および意図（例えば、一時停止の標識に違反する）を監視、追跡、検出、および予測するためのセンサー１２を含むか、または使用する道路沿いの機器（ＲＳＥ：Ｒｏａｄｓｉｄｅ Ｅｑｕｉｐｍｅｎｔ）１０。ＲＳＥは、更に、データ処理ユニット１１およびデータストレージ１８を含むか、または使用し得る。地上交通エンティティは、地上交通網のインフラストラクチャー、ならびに、エンティティ自体の状態、運転手の状態、および他の地上交通エンティティの状態に依存した、広範囲の挙動を示す。エンティティの挙動を捕捉するために、ＲＳＥは、センサー、他のＲＳＥ、ＯＢＥ、ＯＰＥ、局所サーバーまたは中央サーバー、および他のデータ処理ユニットから情報を収集する。ＲＳＥは、更に、ＲＳＥにより受信されたデータを保存し、および、パイプラインにおけるステップのうちの一部またはすべてにおいて、処理されたデータを保存し得る。
ＲＳＥは、ローカルストレージデバイスまたはリモートストレージにデータを保存し得る。収集されたデータは、既定のロジックを使用して、または、ＲＳＥがＲＳＥ自体のロジックを自動的に更新し得ることを意味する動的に収集されたデータに基づくロジックを使用して、リアルタイムで処理される。データは、１つの処理ユニットにおいて、または、より高速に結果を取得するために処理ユニットのクラスターにおいて処理され得る。データは、ローカルまたはリモート処理ユニットまたは、処理ユニットのローカルまたはリモートクラスターにおいて処理され得る。ＲＳＥは、単純なロジックまたは収集されたデータ上で訓練された高度なモデルを使用し得る。モデルは、ローカル的に、またはリモート的に訓練され得る。
ＲＳＥは、外れ値をフィルタ処理するように、訓練されたモデルを使用する前に、データを前処理し得る。センサーにおけるノイズ、または反射に起因して、または、何らかの他のアーティファクトに起因して、外れ値が現れ得る。結果として得られる外れ値は、ＲＳＥ全体のパフォーマンスに影響を与え得る誤警報をもたらし得る。ろ過方法（ｆｉｌｔｒａｔｉｏｎ ｍｅｔｈｏｄ）は、ＲＳＥ、ＯＢＥ、ＯＰＥ、またはオンラインリソースにより収集されたデータに基づき得る。ＲＳＥは、データ処理パイプラインにおける使用のために情報を抽出するために、他の制御装置、例えば、交差点または他の位置における交通信号灯制御装置との間を仲介し得る。
ＲＳＥは、更に、他のＲＳＥと、および、ＯＢＥ、ＯＰＥ、局所サーバーまたは中央サーバー、および他のデータ処理ユニットと、有線または無線により通信するための通信機器２０を含むか、または使用し得る。ＲＳＥは、他の機器との通信のための任意の利用可能な規格を使用し得る。ＲＳＥは、他の機器にデータをダウンロードおよびアップロードするための有線または無線インターネット接続、メッセージを送信し、および他のセルラーデバイスからメッセージを受信するためのセルラーネットワーク、および、交差点または他の位置におけるインフラストラクチャーデバイスおよび他のＲＳＥに対して通信するための専用ラジオデバイスを使用し得る。
ＲＳＥは、異なる種類の交差点に近接して設置され得る。例えば、信号機付き交差点（例えば、交通が信号灯により制御される交差点）において、ＲＳＥ１０は、交通信号灯制御装置２６付近において同じエンクロージャ内に、または近くのエンクロージャ内に設置される。データ（例えば、交通信号灯のフェーズおよびタイミング）は、交通信号灯制御装置とＲＳＥとの間を流れる２８ことが意図される。信号機の無い交差点において、ＲＳＥ１０は通常、交差点の近傍における道路または地上交通網の他の特徴を監視するために使用されるセンサー１２にＲＳＥ１０を接続することを簡単化するために位置している。交差点に対するＲＳＥの近さは、警報に応答するために受信側地上ユニットに最大の時間を提供するために重要な低レイテンシシステムを維持することに役立つ。
２．エンティティに関する安全関連データに加えてエンティティの位置および運動学（動作データ）を特定するセンサー３８を含む地上交通エンティティ１４に搭載された、地上交通エンティティ１４により支持された、または、地上交通エンティティ１４内の車載機器（ＯＢＥ：Ｏｎｂｏａｒｄ Ｅｑｕｉｐｍｅｎｔ）３６。ＯＢＥは、データ処理ユニット４０、データストレージ４２、および、他のＯＢＥ、ＯＰＥ、ＲＳＥ、および、場合によっては、サーバーおよび演算ユニットと無線により通信し得る通信機器４４を更に含む。
３．限定されないが、携帯電話であり、装着型デバイスであり、または、人または動物により身に着けられること、人または動物により保持されること、人または動物に装着されること、または、人または動物と別様に結び付けることすることが可能な任意の他のデバイスであり得る人上機器（ＯＰＥ：Ｏｎ Ｐｅｒｓｏｎ Ｅｑｕｉｐｍｅｎｔ）４６。ＯＰＥは、必要な場合、データ処理ユニット４８、データストレージ５０、および通信機器５２を含み得、または、データ処理ユニット４８、データストレージ５０、および通信機器５２に結合され得る。幾つかの実施態様において、ＯＰＥは、車両ではない被害を受け得る道路ユーザーのための専用通信ユニットとして機能する。幾つかの例において、ＯＰＥは、他の目的にも使用され得る。ＯＰＥは、被害を受け得る道路ユーザーに視覚、音声、または触覚アラート提供するためのコンポーネントを包含し得る。
被害を受け得る道路ユーザーは、歩行者、サイクリスト、道路作業者、車椅子、スクーター、自動平衡デバイス、または電池駆動式個人用移動装置に乗った人、動物により駆動されるキャリッジ、案内用のまたは警察用の動物、家畜、動物の群れ、およびペットを包含し得る。
典型的には、ＯＰＥは、被害を受け得る道路ユーザーに所持され、メッセージを送信および受信することが可能である。ＯＰＥは、携帯電話、タブレット、個人用移動装置、自転車、装着型デバイス（例えば、腕時計、ブレスレット、アンクレット）に装着されるか、または統合され得、または、ペットの首輪に装着され得る。
ＯＰＥにより送信されたメッセージは、限定されないが時刻、３Ｄ位置、進行方向、速度、および加速度を包含する、被害を受け得る道路ユーザーに関連した運動学的情報を含み得る。送信されたメッセージは、被害を受け得る道路ユーザー、例えば、横断歩道を現在横断している、音楽を聞いている、または、横断歩道を横断しようとしている被害を受け得る道路ユーザーの、警報レベル、現在の挙動、および将来の意図を表すデータを更に伝達し得る。他にもあり得るが、メッセージは、被害を受け得る道路ユーザーのブロブサイズまたはデータサイズ、被害を受け得る道路ユーザーを伴う外部デバイス（例えば、ベビーカー、カート、または他のデバイス）が存在するか否か、被害を受け得る道路ユーザーが身体障害を伴っているか否か、または、任意の個人用補助を使用しているか否かを伝達し得る。メッセージは、被害を受け得る道路ユーザーが作業者である場合、作業者のカテゴリを伝達し得、および、作業者により行われている行動の種類を更に説明し得る。同様の被害を受け得る道路ユーザーのクラスター（例えば、歩行者の群）が同様の特性をもっている場合、複数のメッセージブロードキャストを避けるために１つのメッセージが送信され得る。
典型的には、ＯＰＥにより受信されたメッセージは、道路沿いの機器から、またはエンティティからの警報メッセージである。ＯＰＥは、被害を受け得る道路ユーザーに警報を出すことにより、受信されたメッセージに基づいて動作し得る。警報メッセージは、被害を受け得る道路ユーザーのためにカスタム式の警報を提供することにおいて有用なデータを伝達する。例えば、被害を受け得る道路ユーザーに対する警報は、危険な状況の種類を提示し得、および、取り得る行動を提案し得る。ＯＰＥは、すべての受信されたメッセージに警報フィルタ処理を適用し得、および、被害を受け得る道路ユーザーに、関連するメッセージのみを提示し得る。
警報フィルタ処理は、被害を受け得る道路ユーザーの各々に対して警報フィルタ処理をカスタム式に調整することを可能にする、ＯＰＥに関連した履歴データに学習アルゴリズムを適用することの結果に基づく。ＯＰＥ学習アルゴリズムは、受信された警報に対する被害を受け得る道路ユーザーの応答を追跡し、被害を受け得る道路ユーザーから最良の応答時間および最良の注意を引き出すように、将来の警報を調整する。学習アルゴリズムは、送信されたメッセージにおいて伝達されるデータにも適用され得る。
４．限定されないが、クラウドストレージ、ローカルストレージ、または、データの記憶および入手を可能にする任意の他のストレージ設備であり得るデータストレージサーバー５４。データストレージサーバーは、例えば早期警告および衝突回避に関連したデータを記憶することを目的として、ＲＳＥにより、演算ユニットにより、および、場合によってはＯＢＥ、ＯＰＥ、およびデータサーバーによりアクセス可能である。データストレージサーバーは、記憶されたデータをフェッチすることを目的として、ＲＳＥから、および場合によってはＯＢＥ、ＯＰＥ、およびデータサーバーからアクセス可能である。データは、生のセンサーデータ、処理ユニットにより処理されたデータ、または、ＲＳＥ、ＯＢＥおよびＯＰＥにより生成された任意の他の情報であり得る。
連続的に地上交通エンティティを監視する交差点におけるセンサーは、毎日、多量のデータを生成し得る。このデータのボリュームは、センサーの数および種類に依存する。データは、リアルタイムに処理されることと、例えば交差点においてローカルにデータストレージユニット（例えば、ハードディスクドライブ、ソリッドステートドライブ、および他の大容量ストレージデバイス）を必要とする、将来の分析のために保存されることとの両方を行われる。ローカルストレージデバイスは、ローカルストレージデバイスの記憶容量、生成されたデータのボリューム、および、データが生成される速度に応じて、ある期間後にいっぱいになる。将来の使用のためにデータを保存するために、データは、より大きな容量をもつリモートサーバーにアップロードされる。リモートサーバーは、必要に応じてオンデマンドで記憶容量をアップグレードし得る。リモートサーバーは、ネットワーク接続を通してアクセス可能な、ローカルストレージと同様のデータストレージデバイス（例えばハードディスクドライブ、ソリッドステートドライブ、または他の大容量ストレージデバイス）を使用してよい。
将来の分析のためにローカルに、およびサーバーに記憶されたデータは、将来の分析のために保存された、地上交通エンティティによりブロードキャストされた、およびＲＳＥにより受信されたデータを含み得る。記憶されたデータは、ＲＳＥにおける処理のために、サーバーまたは他のリモートソースからダウンロードされ得る。例えば、ＲＳＥが位置する交差点の機械学習モデルは、サーバーに、または他のリモートストレージに記憶されてよく、および、ローカルソースからのＲＳＥにおいて受信された現在のデータを分析するために使用するために、ＲＳＥによりダウンロードされてよい。
５．クラウドに、またはローカルに（例えばＲＳＥの一部として）、または、それらの組み合わせに位置する強力な演算マシンである演算ユニット５６。他の機能もあり得るが、演算ユニットは、利用可能なデータを処理して、予測を生成し、交通網を使用する車両、歩行者、または他の地上交通エンティティの動作、挙動、および意図の機械学習ベースのモデルを生成する。演算ユナイトの各々が、対応する種類のデータを処理するための専用ハードウェア（例えば画像を処理のためのグラフィックス処理ユニット）を含み得る。重い処理負荷の場合、ＲＳＥにおける演算ユニットは、過負荷状態になり得る。例えば、追加的なデータ生成ユニット（例えばセンサー）が演算的な過負荷を引き起こしているシステムに追加される場合に、これが発生し得る。演算ユニットにおいて動作しているロジックが、より演算的に負荷のかかるロジックと置換された場合にも、過負荷が発生し得る。追跡されている地上交通エンティティの数の増加により、過負荷が発生し得る。ローカルな演算の過負荷が発生した場合、ＲＳＥは、タスクのうちの幾つかを別の演算ユニットに負荷委譲し得る。そうした他の演算ユニットは、ＲＳＥの近くにあり得、またはリモートにあり得、例えばサーバーであり得る。演算タスクは優先順位付けされ得、および時間的に重要でないタスクはそうした他の演算ユニットにおいて遂行され得、結果はローカル演算ユニットにより入手され得る。例えば、ＲＳＥにおける演算ユニットは、保存されたデータを分析するために、および、データを使用してモデルを訓練するためにジョブを実行することを、別の演算ユニットに要求し得る。訓練されたモデルは、その後、ＲＳＥにおける演算ユニットにより、そこで記憶および使用するためにダウンロードされる。
ＲＳＥにおける演算ユニットは、より効率的に演算的に負荷のかかるジョブを実施するために他の小さい演算ユニットを使用して時間を削減し得る。利用可能な演算ユニットは、例えば、ＲＳＥ演算ユニットと他の利用可能な演算ユニットとの間においてタスクを分割することにより、最短時間でほとんどのタスクを実施するために、賢明に使用される。演算ユニットは、更に、ＲＳＥにおける演算ユニットにより多くの演算能力を追加するために、ＲＳＥに外部デバイスとして装着され得る。外部から装着された演算ユニットは、ＲＳＥにおける演算ユニットと比べて同じまたは異なるアーキテクチャを含み得る。外部から装着された演算ユニットは、任意の利用可能な通信ポートを使用して既存の演算ユニットと通信し得る。ＲＳＥ演算ユニットは、必要に応じて外部演算ユニットからのより多くの演算能力を要求し得る。
本明細書の以下の部分は、他にもあり得る中で、システムにおける上述のコンポーネントの役割および機能を詳細に説明している。
道路沿いの機器（ＲＳＥ）
図２に示されるように、ＲＳＥは、限定されないが以下のコンポーネントを含み得る。
１．近くの車両または他の地上交通エンティティ、インフラストラクチャー、および、リモートサーバー、および、データストレージシステム１３０からの、および、近くの車両または他の地上交通エンティティ、インフラストラクチャー、および、リモートサーバー、および、データストレージシステム１３０への、地上交通エンティティに関連した動作データおよび他のデータ、および、交通安全データの受信もしくは送信またはその両方を可能にする１つまたは複数の通信ユニット１０３、１０４。幾つかの例において、この種類の通信は、インフラストラクチャー・対・エブリシング（Ｉ２Ｘ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｅｖｅｒｙｔｈｉｎｇ）として知られており、Ｉ２Ｘは、インフラストラクチャー・対・車両（Ｉ２Ｖ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｖｅｈｉｃｌｅｓ）、インフラストラクチャー・対・歩行者（Ｉ２Ｐ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｐｅｄｅｓｔｒｉａｎｓ）、インフラストラクチャー・対・インフラストラクチャー（Ｉ２Ｉ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）、およびインフラストラクチャー・対・デバイス（Ｉ２Ｄ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ－ｔｏ－ｄｅｖｉｃｅｓ）、および、それらの組み合わせを包含するがこれらに限定されない。通信は、無線または有線であってよく、および幅広い様々な通信プロトコルに準拠していてよい。
２．通信ユニット１０３は、地上交通エンティティとの通信のために使用され、ユニット１０４はリモートサーバーおよびデータストレージシステム１３０との、インターネットを通した通信のために使用される。
３．プログラム、交差点モデル、および、挙動および交通モデルを記憶するためのローカルストレージ１０６。ローカルストレージ１０６は、センサー１０１から収集されたデータの一時的な記憶のためにも使用され得る。
４．例えば典型的にはＲＳＥ付近の地上交通エンティティといった、動く対象物の監視（例えば、動く対象物に関するデータの生成）を可能にするセンサー１０１およびセンサー制御装置１０７。センサーは、カメラ、レーダー、ライダー、超音波ディテクター、または、他にもあり得るが、地上交通エンティティまでの距離、または、地上交通エンティティの速度、進行方向、または位置、またはそれらの組み合わせを、検出されたデータから検出または推測し得る任意の他のハードウェアを包含してよいがこれらに限定されない。センサー融合は、２つ以上のセンサー１０１からのデータの収集または組み合わせを使用して実施される。
５．位置特定データ（例えばＲＳＥの位置の座標）を提供する、および、地上交通エンティティの位置特定における位置特定の誤りを修正することに役立つ位置受信器（１０２）（例えばＧＰＳ受信器）。
６．センサーから生成されたデータ、および、通信ユニット１０３、１０４からの入来データを獲得する、および使用する処理ユニット１０５。処理ユニットは、ローカルにデータを処理し、および記憶しおよび、幾つかの実施態様において、リモートでの記憶および更なる処理のためにデータを送信する。処理ユニットは、更に、近くの歩行者、モーター車両、または他の地上交通エンティティに、および、幾つかの例において標識または他のインフラストラクチャー提示デバイスに、無線通信設備を通してブロードキャストされる、または別様に送信されるメッセージおよび警報を生成する。処理ユニットは、更に、監視のためにリモートサーバーにすべてのＲＳＥシステムの調子およびステータスを周期的に報告する。
７．ＲＳＥおよび他のハードウェア、または、他のコンポーネント、例えば、温度および湿度センサー、交通信号灯制御装置、上述のような他の演算ユニット、および、将来的に利用可能となり得る他の電子機器の間の制御および通信を可能にする拡張コネクタ１０８。
車載機器（ＯＢＥ）
車載機器は、典型的には、地上交通エンティティのためのオリジナル機器であってよく、または、サードパーティーサプライヤーによりエンティティに追加されてよい。図３に示されるように、ＯＢＥは、以下のコンポーネントを包含してよいがこれらに限定されない。
１．近くの車両、歩行者、サイクリスト、または他の地上交通エンティティ、およびインフラストラクチャー、およびそれらの組み合わせへの、および、近くの車両、歩行者、サイクリスト、または他の地上交通エンティティ、およびインフラストラクチャー、およびそれらの組み合わせからの、データの送信および受信、またはその両方を可能にする通信ユニット２０３。通信ユニットは、機械学習を目的として、および、サーバーによる地上交通エンティティのリモート監視のために、車両または他の地上交通エンティティとローカルまたはリモートサーバー２１２との間のデータの送信または受信（またはその両方）を更に可能にする。幾つかの例において、この種類の通信は、車両・対・エブリシング（Ｖ２Ｘ：ｖｅｈｉｃｌｅ－ｔｏ－ｅｖｅｒｙｔｈｉｎｇ）として知られ、Ｖ２Ｘは、車両・対・車両（Ｖ２Ｖ：ｖｅｈｉｃｌｅｓ－ｔｏ－ｖｅｈｉｃｌｅｓ）、車両・対・歩行者（Ｖ２Ｐ：ｖｅｈｉｃｌｅｓ－ｔｏ－ｐｅｄｅｓｔｒｉａｎｓ）、車両・対・インフラストラクチャー（Ｖ２Ｉ：ｖｅｈｉｃｌｅ－ｔｏ－ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）、車両・対・デバイス（Ｖ２Ｄ：ｖｅｈｉｃｌｅ－ｔｏ－ｄｅｖｉｃｅｓ）、およびそれらの組み合わせを包含するがこれらに限定されない。通信は、無線または有線であってよく、および、幅広い様々な通信プロトコルに準拠してよい。
通信ユニット２０４は、プログラム更新、データ記憶、およびデータ処理のために、リモートサーバーとインターネットを通してＯＢＥが通信することを可能にする。
２．プログラム、交差点モデル、および交通モデルを記憶するためのローカルストレージ２０６。ローカルストレージ２０６は、センサー２０１から収集されたデータの一時的な記憶のために使用されてもよい。
３．外部カメラ、ライダー、レーダー、超音波センサー、または、近くの物体または人または他の地上交通エンティティを検出するために使用され得る任意のデバイスを包含してよいがこれらに限定されないセンサー２０１およびセンサー制御装置２０７。センサー２０１は、追加的な運動学的センサー、全地球測位受信器、および、内部およびローカルマイクロホンおよびカメラを包含してもよい。
４．位置特定データ（例えば地上交通エンティティの位置の座標）を提供する位置受信器２０２（例えばＧＰＳ受信器）。
５．通信ユニットからのデータを消費すること、および、通信ユニットにデータを送信することおよび、地上交通エンティティ内のセンサーまたは地上交通エンティティ上のセンサーからのデータを消費することを含む、データを獲得すること、使用すること、生成すること、および送信することをする処理ユニット２０５。
６．ＯＢＥおよび他のハードウェアの制御、および、ＯＢＥと他のハードウェアとの間の通信を可能にする拡張コネクタ２０８。
７．例えば、視覚、可聴、または触覚フィードバックを使用して、１つまたは複数の手法によりヘッドユニット、ハンドル、または運転手モバイルデバイスに追加導入され、または統合され得るインターフェースユニット。
スマートＯＢＥ（ＳＯＢＥ：Ｓｍａｒｔ ＯＢＥ）
すべての車両および他の地上交通エンティティが接続されたエンティティである世界では、各車両または他の地上交通エンティティは、他と連携したエンティティであり得、その現在位置、安全ステータス、意図、および他の情報を他のものに報告し得る。現時点で、ほぼすべての車両が、接続されたエンティティではなく、他の地上交通エンティティにこのような情報を報告することができず、および、異なるレベルの技量、幸せさ、ストレス、および挙動を伴う人により操作される。このようなコネクティビティおよび通信が無ければ、車両の次の動きまたは地上交通エンティティの次の動きを予測することが困難になり、衝突回避を実装する能力、および早期警告を提供する能力の低下をもたらす。
スマートＯＢＥは、環境、および、地上交通エンティティのユーザーまたは乗っている人を監視する。スマートＯＢＥは更に、エンティティの異なるシステムおよびサブシステムの調子およびステータスを監視する。ＳＯＢＥは、例えば、緊急放送からのラジオ波送信、近くのＲＳＥからの交通および安全メッセージ、および、他の接続された車両または他の地上交通エンティティからの安全、位置、および他の動作情報に関するメッセージをリッスンすることにより外部世界を監視する。ＳＯＢＥは、更に、道路および運転状態を見得る車載センサー、例えば、このような監視を可能にするカメラ、距離センサー、振動センサー、マイクロホン、または任意の他のセンサー、とインターフェース接続する。ＳＯＢＥは、更に、すぐそばの環境を監視し、すべての静止した物体および動く物体のマップを生成する。
ＳＯＢＥは、更に、車両または他の地上交通エンティティのユーザーまたは乗っている人の挙動を監視し得る。ＳＯＢＥは、会話の質を監視するためにマイクロホンを使用する。ＳＯＢＥは、例えば、座席センサー、カメラ、炭化水素センサー、および、揮発性有機化合物および他の有毒物質のセンサーといった、他のセンサーを更に使用し得る。ＳＯＢＥは、運転手の反応および挙動を測定し、そこから運転の質を推測するために、運動学的センサーを更に使用し得る。
ＳＯＢＥは、更に他の地上交通エンティティからの車両・対・車両メッセージ（例えば基本的な安全メッセージ（ＢＳＭ：ｂａｓｉｃ ｓａｆｅｔｙ ｍｅｓｓａｇｅｓ））、および、被害を受け得る道路ユーザーからの車両・対・歩行者メッセージ（例えば個人用安全メッセージ（ＰＳＭ：ｐｅｒｓｏｎａｌ ｓａｆｅｔｙ ｍｅｓｓａｇｅｓ））を受信する。
ＳＯＢＥは、次に、センサー、ソース、およびメッセージのこのアレイからのデータを融合する。ＳＯＢＥは、次に、車両または他の地上交通エンティティの運転手またはユーザーの、または被害を受け得る道路ユーザーの、次の行動または反応を予測することができるだけでなく、意図および将来の軌道を予測すること、および、他の車両、地上交通エンティティ、および、近くの被害を受け得る道路ユーザーに起因した関連するニアミスまたは衝突リスクを予測することもできる人工知能モデルに融合されたデータを適用する。例えば、ＳＯＢＥは、近くの車両が、それ自体のホスト車両に対するリスクを生じる車線変更の操縦に入ろうとしていることを予測するために、近くの車両から受信されたＢＳＭを使用し得、および、切迫したリスクについて運転手に警報を出し得る。リスクは、近くの車両の様々な将来の予測された軌道（例えば、直進すること、右に車線を変更すること、左に車線を変更すること）、および、それらの軌道の各々に対するホスト車両との関連する衝突リスクの確率に基づいてＳＯＢＥにより演算される。衝突リスクが特定の閾値より高い場合、警告が、ホスト車両の運転者に表示される。
外部因子（例えば変化する環境および気象状態）によっても影響を受ける人間の運転手の挙動のモデル化の複雑さに起因して、意図および将来の軌道を予測するために、典型的には機械学習が必要とされる。
ＳＯＢＥは、多数のデータフィードであって、そのうちの幾つかが１秒当たり数メガバイトのデータを提供する、多数のデータフィードを処理することができる強力な演算能力をもつことにより特徴付けられる。利用可能なデータの量は、更に、各センサーから要求される詳細さのレベルに比例する。
ＳＯＢＥは、高い（信号）ノイズレベルおよび低い信号対ノイズ比をもつことが知られた環境から有用な情報を引き出すことができる強力な信号処理機器を更に含む。ＳＯＢＥは、更に、スマート警報フィルタ処理を提供することにより、車両が受信する膨大な数の警報から運転手を保護する。警報フィルタ処理は、現在位置と、環境条件と、運転手の挙動と、車両の調子およびステータスと、運動学とにおいてどの警報が重要かを区別することができる機械学習モデルの結果である。
スマートＯＢＥは、衝突回避および早期警告のために重要であり、および、ＳＯＢＥを含む車両の乗っている人またはユーザーのためにというだけでなく、すべてのユーザーのためにより安全な交通網を実現するためにも重要である。ＳＯＢＥは、道路上の異なるエンティティの動きを検出し、および予測し得、したがって、衝突回避を補助し得る。
人上機器（ＯＰＥ）
上述のように、人上機器（ＯＰＥ）は、地上交通エンティティである、または、別様に地上交通網上に存在する、または、地上交通網を使用している、歩行者、ジョギングしている人、または他の人により、保持され得る、装着され得る、または直接的に別様に結び付けられ得る任意のデバイスを含む。このような人は、例えば、車両に衝突されやすい被害を受け得る道路ユーザーであり得る。ＯＰＥは、モバイルデバイス（例えば、スマートフォン、タブレット、デジタルアシスタント）、装着型装置（例えば、アイウェア、腕時計、ブレスレット、アンクレット）、および、インプラントを包含してよいがこれらに限定されない。ＯＰＥの既存のコンポーネントおよび特徴は、位置、速度、および進行方向を追跡する、および報告するために使用され得る。ＯＰＥは、データを受信する、および処理するために、および、様々なモード（例えば視覚、音、触覚）によりユーザーに警報を表示するために使用されてもよい。
Ｈｏｎｄａは、ＯＰＥを使用した車両と歩行者との間の直接的な通信に注目したＶ２Ｐ用途のための通信システムおよび方法を開発した。ある例において、車両は、周辺の歩行者のＯＰＥにメッセージをブロードキャストするためのＯＢＥを備える。メッセージは、例えば車両パラメータ、速度、および進行方向を包含する車両の現在のステータスを伝達する。例えば、メッセージは、基本的な安全メッセージ（ＢＳＭ）であり得る。必要な場合、ＯＰＥは、衝突を避けるために、予測された危険な状況に関する、歩行者の注意散漫レベルに合わせて調整された警報を歩行者に提示する。別の例において、歩行者のＯＰＥは、歩行者が車両の意図される経路を横断し得るというメッセージ（例えば個人用安全メッセージ（ＰＳＭ））を周辺の車両のＯＢＥにブロードキャストする。必要な場合、車両のＯＢＥは、衝突を避けるために予測された危険に関する警報を車両ユーザーに表示する。Ｓｔｒｉｃｋｌａｎｄ、Ｒｉｃｈａｒｄ Ｄｅａｎら、「Ｖｅｈｉｃｌｅ ｔｏ ｐｅｄｅｓｔｒｉａｎ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍ ａｎｄ ｍｅｔｈｏｄ．」米国特許第９，４２１，９０９号を参照されたい。
本明細書において説明されているシステムは、歩行者および他の被害を受け得る道路ユーザーに関するデータを追跡する、および収集するために、車両および歩行者の外部の（主にインフラストラクチャーにおける）センサーを使用するＩ２ＰまたはＩ２Ｖアプローチを使用する。例えば、センサーは、街路を横断する歩行者、および、横断場所において、または、横断場所付近において動作する車両を追跡し得る。収集されたデータは、続いて、ルールベースの方法および機械学習方法を使用して、道路における、歩行者および車両の運転手の意図および挙動の予測モデルを構築するために使用される。これらのモデルは、収集されたデータを分析すること、および、歩行者および車両の経路および意図の予測をすることに役立つ。危険が予測された場合、メッセージが、ＲＳＥからＯＢＥもしくはＯＰＥ、またはその両方にブロードキャストされ、他のものの意図される経路の各エンティティに警報を出し、それらの各々が、衝突を回避するための十分な時間を伴って先手を打つような行動をすることを可能にする。
リモート演算（クラウドコンピューティングおよびストレージ）
ＲＳＥ、ＯＢＥ、およびＯＰＥに接続された、または組み込まれたセンサーから収集されたデータは、効果的な数学的機械学習モデルが生成され得るように処理されることを必要とする。この処理は、各モデルを生成するために必要な時間を短くするために多くのデータ処理能力を必要とする。必要な処理能力は、ＲＳＥにおいて典型的にローカルに利用可能な処理能力よりはるかに多い。これを解決するために、必要な能力を提供する、およびオンデマンドで拡縮し得るリモート演算設備に、データが送信され得る。本明細書では、リモート演算設備は、演算に関する文献において使用される用語に沿う「リモートサーバー」と呼ばれる。幾つかの例において、ＲＣＥにハイパワーの演算能力を具備させることによりＲＣＥにおいて処理の一部またはすべてを実施することが可能であり得る。
ルールベースの処理
人工知能および機械学習技術と異なり、ルールベースの処理は、データ収集、訓練、およびモデル構築を必要とせずに任意の時点で適用され得る。ルールベースの処理はシステムの動作の初めから配備され得、典型的には、機械学習モデルを生成するために十分な訓練データが獲得されるまで、それが行われる。新しいインストールの後に、入来センサーデータを処理するようにルールがセットアップされる。これは道路の安全性を改善するために有用なだけでなくシステムのすべてのコンポーネントが想定されるように動作することを確実なものとするための適切なテストケースでもある。機械学習が正確な予測をすることができないレアケースを捕捉するための追加的な層として、ルールベースの処理が更に追加され、および後で使用され得る。ルールベースのアプローチは、収集されたデータパラメータ（例えば、速度、範囲など）間の単純な関連性に基づいている。ルールベースのアプローチは、機械学習アルゴリズムのパフォーマンスの評価のためのベースラインを更に提供し得る。
ルールベースの処理において、地上交通網の一部を横断する車両または他の地上交通エンティティがセンサーにより監視される。その現在の速度および加速度が、道路上の停止バー（線）の前でそれが停止することを妨げる閾値を上回った場合、例えば、警報が生成される。可変な領域が車両または他の地上交通エンティティの各々に割り当てられる。領域はジレンマゾーンとしてラベル付けされ、ジレンマゾーン内において車両はまだ違反車両としてラベル付けされていない。車両が、その速度もしくは加速度、またはその両方が既定の閾値より高くなったという理由から、ジレンマゾーンを越えて危険ゾーン内に入った場合、車両は違反エンティティとしてラベル付けされ、警報が生成される。速度および加速度に対する閾値は、物理学および運動学に基づいており、例えば交差点に近づく各地上交通エンティティに応じて変わる。
２つの従来のルールベースのアプローチは、１）静的ＴＴＩ（タイム・トゥ・インターセクション：Ｔｉｍｅ－Ｔｏ－Ｉｎｔｅｒｓｅｃｔｉｏｎ）、および、２）静的ＲＤＰ（要求減速度パラメータ：Ｒｅｑｕｉｒｅｄ Ｄｅｃｅｌｅｒａｔｉｏｎ Ｐａｒａｍｅｔｅｒ）である。Ａｏｕｄｅ、Ｇｅｏｒｇｅｓ Ｓ．ら、「Ｄｒｉｖｅｒ ｂｅｈａｖｉｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｔ ｉｎｔｅｒｓｅｃｔｉｏｎｓ ａｎｄ ｖａｌｉｄａｔｉｏｎ ｏｎ ｌａｒｇｅ ｎａｔｕｒａｌｉｓｔｉｃ ｄａｔａ ｓｅｔ．」、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ １３．２（２０１２）：７２４－７３６を参照されたい。
静的ＴＴＩ（タイム・トゥ・インターセクション）は分類基準として、交差点に到達する推定された時間を使用する。その最も単純な形態において、ＴＴＩは、
Figure 0007362721000001
 と演算され、ここで、ｒは交差点における交線までの距離であり、ｖは車両または他の地上交通エンティティの現在の速度である。ＴＴＩ＜ＴＴＩｒｅｑである場合、車両が危険と分類され、ここで、ＴＴＩｒｅｑは、ブレーキ制動が始動された後に車両が安全に停止するために必要な時間である。ＴＴＩｒｅｑパラメータは、ルールベースのアルゴリズムの保守性レベルを反映している。車両の減速度が減速度閾値（例えば－０．０７５ｇ）をまたいだときとして識別されるブレーキ制動の開始時に、ＴＴＩが演算される。車両がこの閾値をまたがない場合、典型的には、交差点に到達するまでの推定された残り時間が１秒から２秒の範囲である指定された最終時点において、分類が実施される。
静的ＲＤＰ（要求減速度パラメータ）は、車両の現在の速度および道路上の位置を与えられて、安全に停止するために車両に対して要求される減速度を計算する。ＲＤＰは、
Figure 0007362721000002
 と演算され、ここで、ｒは交差点における交線までの距離であり、ｖは車両または他の地上交通エンティティの現在の速度である。ｇは重力加速度定数である。車両の要求される減速度が選択されたＲＤＰ閾値ＲＤＰｗａｒｎより大きい場合、車両が危険（すなわち、車両が危険な状況を生んだ、または生む）と分類される。実際には、任意の時点でｒ＜ｒａｌｅｒｔである場合、車両が危険と分類され、ここで、
Figure 0007362721000003
 である。
静的ＴＴＩアルゴリズムと同様に、ＲＤＰａｌｅｒｔパラメータはルールベースのアルゴリズムの保守性レベルを反映する。
本明細書では、本開示の機械学習アルゴリズムのパフォーマンスの評価のためのベースラインとして、ルールベースのアプローチが使用され、幾つかの場合において、機械学習が予測することができないものであり得るレアケースを捕捉するために、機械学習アルゴリズムと並列にそれらが実行される。
機械学習
運転手の挙動をモデル化することは、ヒトの挙動の複雑さを考慮すると、複雑なタスクであることが示されている。Ｈ．Ｍ．ＭａｎｄａｌｉａおよびＤ．Ｄ．Ｄａｌｖｕｃｃｉ、「Ｕｓｉｎｇ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ｆｏｒ Ｌａｎｅ－Ｃｈａｎｇｅ Ｄｅｔｅｃｔｉｏｎ」、Ｈｕｍａｎ Ｆａｃｔｏｒｓ ａｎｄ Ｅｒｇｏｎｏｍｉｃｓ Ｓｏｃｉｅｔｙ Ａｎｎｕａｌ Ｍｅｅｔｉｎｇ Ｐｒｏｃｅｅｄｉｎｇｓ、ｖｏｌ．４９、１９６５｛１９６９ページ、２００５、を参照されたい。機械学習技術は、ヒトの挙動をモデル化することによく適しているが、適切に動作するために、訓練データを使用して「学習」することを必要とする。優れた検出および予測結果を提供するために、本明細書では、配備フェーズ中に現在の交通に警報処理が適用される前の訓練期間中に、交差点において検出された交通、または地上交通網の他の特徴をモデル化するために、機械学習が使用される。機械学習は、車載機器（ＯＢＥ）からの車両内データを使用して運転手の応答をモデル化するために更に使用され得、および車両内センサーおよび運転記録の履歴および好みに更に基づき得る。本明細書では被害を受け得る道路ユーザー（例えば歩行者）の軌道、挙動、および意図を検出するために、および予測するために機械学習モデルが更に使用される。機械学習は、人上機器（ＯＰＥ）からの被害を受け得る道路ユーザーの応答をモデルするために更に使用され得る。これらのモデルは、エンティティ間の、被害を受け得る道路ユーザー間の、および、１つまたは複数のエンティティと１または複数の被害を受け得る道路ユーザーとの間の相互作用を含み得る。
機械学習技術は、非自律地上交通エンティティの挙動をモデル化するために更に使用され得る。非自律地上交通エンティティを観察すること、または非自律地上交通エンティティと通信すること、またはその両方により、機械学習は、非自律地上交通エンティティの意図を予測するために、および、ニアミス、または事故、または他の危険な状況が予測されたとき、非自律地上交通エンティティと通信するために、および、他の関与するエンティティと通信するために使用され得る。
機械学習メカニズムは、２つのフェーズ、すなわち、１）訓練、および２）配備において適切に機能する。
訓練フェーズ
設置後、ＲＳＥは、ＲＳＥがアクセスすることができるセンサーからデータを収集することを開始する。ＡＩモデル訓練は強力な演算能力を必要とするので、ＡＩモデル訓練は、通常、訓練フェーズを高速化するために複数の並列処理モジュールを含む強力なサーバーにおいて実施される。この理由により、地上交通網におけるＲＳＥの位置において獲得されたデータは、パッケージ化され、獲得のすぐ後にリモートの強力なサーバーに送信され得る。これはインターネット接続を使用して行われる。次に、データが、自動的に、またはデータサイエンティストの助けを受けて準備される。次に、ＡＩモデルが、その交差点または地上交通網の他の態様に対する車両および他の地上交通エンティティの交通の流れの重要な特性を捕捉するように構築される。捕捉されたデータ特徴は、車両または他の地上交通エンティティの位置、方向、および動きを包含してよく、車両または他の地上交通エンティティの位置、方向、および動きは、次に意図および挙動に変換され得る。意図を知ることにより、高精度に、ＡＩモデルを使用して交通位置に接近する車両または他の地上交通エンティティの行動および将来の挙動が予測され得る。訓練されたＡＩモデルは、訓練フェーズに含まれていなかったデータの部分集合上で試験される。ＡＩモデルのパフォーマンスが期待に沿っている場合、訓練が完了とみなされる。モデルの満足のいくパフォーマンスが達成されるまで、異なるモデルパラメータを使用してこのフェーズが繰り返し反復される。
配備フェーズ
幾つかの実施態様において、次に、完了した試験されたＡＩモデルは、インターネットを通して、地上交通網における交通位置におけるＲＳＥに伝達される。次に、ＲＳＥは、新しいセンサーデータを処理する準備、および危険な状況、例えば交通信号灯違反、の予測および検出を実施する準備が整った状態となる。危険な状況が予測された場合、ＲＳＥは、適切な警報メッセージを生成する。予測された危険な状況が発生する前に、危険な状況が予測され得、警報メッセージが生成され得、および、警報メッセージがＲＳＥの近傍における車両および他の地上交通エンティティにブロードキャストされ、ＲＳＥの近傍における車両および他の地上交通エンティティにより受信され得る。これは、車両または他の地上交通エンティティのオペレーターに反応するための、および衝突回避を行うための十分な期間を与える。対応するＲＳＥが位置する様々な交差点からのＡＩモデルの出力が記録され得、および、直感的な、およびユーザーフレンドリーな手法により生成された、および表示されたすべてのデータを組み込んだダッシュボードにおいてオンラインで利用可能にされ得る。このようなダッシュボードは、システムの顧客（例えば都市交通エンジニアまたは計画者）とのインターフェースとして使用され得る。ダッシュボードの一例は、監視される交差点の位置、発生した違反イベント、ＡＩ予測および実際の結果に基づく統計データおよび分析結果を示すマーカーを含むマップである。
スマートＲＳＥ（ＳＲＳＥ：Ｓｍａｒｔ ＲＳＥ）および接続されたエンティティ／接続されていないエンティティのブリッジ
既に示唆されているように、接続されたエンティティおよび接続されていないエンティティの能力および行動の間にギャップがある。例えば、接続されたエンティティは、典型的には、それらの位置、および、安全システムステータス、例えば、速度、進行方向、ブレーキステータス、およびヘッドライトステータスを、世界に連続的にアドバタイズする連携したエンティティである。接続されていないエンティティは、これらの手法により連携すること、および通信することができない。したがって、接続されたエンティティでも接続されたエンティティの近傍に無い、または、干渉、距離、または、見晴らしの良い場所が無いことに起因して検出範囲の外にある接続されていないエンティティを認識しない。
適切な機器および構成を伴うことにより、ＲＳＥは、接続されていないエンティティを含む、それらの近傍における地上交通網を使用するすべてのエンティティを検出することを可能にされ得る。特殊なセンサーが、異なる種類のエンティティを検出するために使用され得る。例えば、レーダーは、動く金属物体、例えば、自動車、バス、およびトラック、を検出することに適している。このような道路エンティティは、交差点に向かって１つの方向に動いている可能性が最も高い。カメラは、横断するための安全なタイミングを見計らっている、交差点の周囲において思案している可能性のある被害を受け得る道路ユーザーを検出することに適している。
地上交通網のコンポーネントにセンサーを配置することは、少なくとも以下の利点をもつ。
－ 見晴らしの良い地点：インフラストラクチャーのポール、梁、および支持ケーブルは、通常、高い見晴らしの良い地点を含む。高い見晴らしの良い地点交差点のより全体的な眺望を可能にする。これは、地面上の重要な、および被害を受け得るユーザーのうちの大部分の全景を管制官が見渡す、空港における管制塔に類似している。地上交通エンティティに対しては、対照的に、センサー（カメラ、ライダー、レーダーなど、…、または他のもの）の見晴らしの良い地点からの眺望は、近接した車線におけるトラック、直射日光、または他の干渉により妨害され、または邪魔され得る。交差点におけるセンサーは、このような干渉に耐性があり、このような干渉を受けにくいように選択され得る。例えば、レーダーは日光による影響を受けず、夕方の通勤通学中に効果的なままであり続ける。温度カメラは、光学カメラの眺望が妨げられる明るい光の状況において歩行者を検出する可能性が高い。
－ 定位置：交差点に位置するセンサーは、重要なターゲットを検出することに最適であり得る特定の方向において検出するように調節され、および固定され得る。これは、処理ソフトウェアがより適切に物体を検出することに役立つ。一例として、カメラが固定の眺望をもつ場合、固定の眺望における背景の（動かない物体および構造物の）情報が簡単に検出され得、比較的重要な動くエンティティの識別および分類を改善するために使用され得る。
固定のセンサー位置は、更に、交差点の統合的なグローバルな眺望における各エンティティのより簡単な配置を可能にする。センサーの眺望が固定されているので、センサーからの測定結果は、交差点の統合的グローバル位置マップに簡単にマッピングされ得る。このような統合的マップは、ある交通の流れの別のものへの相互作用および依存性を調査するために、すべての方向から交通の動きのグローバル分析を実施するときに有用である。一例は、ニアミス（危険な状況）が発生する前にニアミス（危険な状況）を検出する。２つのエンティティが交差する経路に沿って移動しているとき、交差点のグローバルな、および統合的な眺望は、それぞれの経路の交差点への各エンティティの到達時間の計算を可能にする。時間が特定の限度または許容範囲内である場合、ニアミスは、ニアミスが発生する前にフラグを立てられ（例えば警報メッセージの対象にされ）得る。
インフラストラクチャーのコンポーネントに設置されたセンサーの助けを受けて、スマートＲＳＥ（ＳＲＳＥ）がこのギャップを橋渡しし得、および、接続されたエンティティが「ダークな」または接続されていないエンティティを認識することを可能にし得る。
図８は、接続されていないエンティティの速度および位置を接続されたエンティティが識別することに、戦略的に配置されたセンサーがどのように役立ち得るかを説明するシナリオを示す。
接続されたエンティティ１００１は、経路１００７に沿って移動する。エンティティ１００１が青信号１０１０を点けている。接続されていないエンティティ１００２が経路１００６に沿って移動している。接続されていないエンティティ１００２は赤信号１００９の対象であるが、赤信号で経路１００６に沿って右折しようとしている。これは、エンティティ１００１の経路に直接、接続されていないエンティティ１００２を位置させる。エンティティ１００１がエンティティ１００２を認識しないので、危険な状況が切迫している。エンティティ１００２が接続されていないエンティティであるので、交差点をシェアしている他のエンティティにエンティティ１００２の位置および進行方向をブロードキャスト（例えばアドバタイズ）することができない。更に、エンティティ１００１が接続されている場合であっても、エンティティ１００１は、建物１００８により見えなくされているエンティティ１００２を「見る」ことができない。交差点を通って直進してエンティティ１００２に衝突するエンティティ１００１のリスクが存在する。
交差点がスマート交差点として構成されている場合、交差点における道路の上方の梁１００５に搭載されたレーダー１００４がエンティティ１００２、および、エンティティ１００２の速度および距離を検出する。この情報は、接続されていないエンティティ１００２と接続されたエンティティ１００１との間の橋渡しとして機能するＳＲＳＥ１０１１を通して、接続されたエンティティ１００１に中継され得る。
人工知能および機械学習
スマートＲＳＥは、更に、危険な状況をより適切に予測する、および防止するために、および、衝突を回避するために、交通パターンおよびエンティティの挙動を学習することに依存する。図８に示されるように、レーダー１００４は、進入路１０１２に沿って動く各エンティティに関して常に検出し、およびデータを提供している。このデータは収集され、例えば、分析のために、および、進入路１０１２に沿った交通を適格に表すモデルを構築する、および訓練するために、直接的に、またはＲＳＥを通してクラウドに伝達される。モデルが完成したとき、モデルがＳＲＳＥ１０１１にダウンロードされる。次に、このモデルは、進入路１０１２に沿って動く各エンティティに適用され得る。エンティティが、交通規則に違反している（または、しようとしている）ものとしてモデルにより分類された場合、近傍におけるすべての接続されたエンティティに、ＳＲＳＥにより警告（警報）がブロードキャストされ得る。交差点衝突回避警告として知られるこの警告は、接続されたエンティティにより受信され、危険な状況を考慮することに、および衝突を回避することに影響を与え得る。適切な交通モデルを使用することで、違反エンティティが予め検出され、交差点を使用している接続されたエンティティに、反応して危険な状況を回避するための十分な時間を与え得る。
複数のセンサー（幾つかは地上交通網のインフラストラクチャーのコンポーネントに高くに搭載されている）、人工知能モデル、および正確な交通モデルの助けを受けて、ＳＲＳＥは、地上交通網の仮想的な概観を取得し得、および視野内において接続されたエンティティにとって「視認可能」ではない、視野内における接続されていないエンティティを含む、その視野内における各エンティティを認識し得る、ＳＲＳＥはこのデータを使用して、ＡＩモデルを供給し得、および、接続されていないエンティティの代わりに接続されたエンティティに警報を提供し得る。そのようにしない場合、接続されたエンティティは、道路をシェアしている接続されていないエンティティが存在することを知ることがない。
ＳＲＳＥは、同じハウジング内において、または、近くのユニットへの接続により、または、サーバーへのインターネットを通した接続により、ＳＲＳＥの位置において大容量演算能力を利用可能である。ＳＲＳＥは、センサーから直接受信されたデータ、または、近くのＳＲＳＥからのブロードキャストにより受信されたデータ、緊急および気象情報、および他のデータを処理し得る。ＳＲＳＥは、データを記憶する、および処理することに役立つ大容量ストレージを更に備える。高帯域幅コネクティビティが、更に、ＳＲＳＥと更により強力なリモートサーバーとの間において生データおよびＡＩモデルを伝達することに役立つために必要とされる。ＳＲＳＥは、ＡＩを使用した他の交通危険検出技術を強化して、高い精度を達成し、反応して衝突を回避するための追加的な時間を提供する。
ＳＲＳＥは、現在の、および新しい標準化された通信プロトコルに依然として適合し得、したがって、ＳＲＳＥは、現場に既に配備された機器にシームレスにインターフェース接続され得る。
ＳＲＳＥは更に、必要なときにのみメッセージを送信することによりネットワーク輻輳を低減し得る。
グローバルな、および統合的な交差点トポロジー
交差点の効果的な交通監視および制御は、障害物、照明、または任意の他の干渉により妨げられない交差点の鳥瞰的眺望の恩恵を受ける。
ここまでに説明されているように、異なる種類のセンサーが、異なる種類のエンティティを検出するために使用され得る。これらのセンサーからの情報は異なり得、例えば、そのデータが表す位置または動作パラメータに関して、または、データのネイティブなフォーマットに関して、または、その両方に関して一致しない。例えば、レーダーデータは、典型的には、速度、距離を含み、場合によって、追加的な情報、例えば、レーダーの視野内にある、動く、および静止したエンティティの数、を含む。カメラデータは、対照的に、任意の時点における視野の画像を表し得る。ライダーデータは、特定の時間および進行方向においてライダーから出射されたレーザービームの反射点に対応した３Ｄ空間における点の位置を提供し得る。概して、各センサーは、センサーが測定する物理量を適格に表すネイティブなフォーマットによりデータを提供する。
交差点の統合的な眺望（表現）を取得するために、異なる種類のセンサーからのデータの融合が有用である。融合を目的として、様々なセンサーからのデータが、使用されるセンサーに依存しない共通（統合的）フォーマットに変換される。センサーのうちのすべてからの統合的フォーマットで含まれるデータは、それがどのように検出されたかとは無関係に、交差点を使用している各エンティティのグローバルな位置、速度、および進行方向を含む。
この統合的グローバルデータを使用することにより、スマートＲＳＥは、エンティティの動きを検出し、および予測し得るだけでなく、更に、相互に、異なるエンティティの相対位置および進行方向を特定し得る。したがって、ＳＲＳＥは、危険な状況の改善された検出および予測を達成し得る。
例えば、図９に示されるシナリオでは、モーター駆動式エンティティ２００１と被害を受け得る道路ユーザー２００２とが同じ横断歩道をシェアしている。エンティティ２００１は道路２００７に沿って移動しており、レーダー２００３により検出される。歩道２００６に沿って歩行している被害を受け得る道路ユーザー２００２が、カメラ２００４により検出される。被害を受け得る道路ユーザー２００２は、横断歩道２００５を使用して道路２００７を横断することを決断し得る。そうすることは、エンティティ２００１の経路における道路ユーザー２００２が潜在的な危険な状況を生み出すことをもたらす。センサーの各々はそのそれぞれの視野においてエンティティを検出するのみであり得るので、センサー２００３および２００４の各々からのデータが独立して考慮されるとともに、他の情報が考慮されない場合、危険な状況が識別されない。更に、センサーの各々は、センサーが検出するように設計されていない物体を検出することは不可能であり得る。しかし、統合的な眺望がＳＲＳＥにより考慮される場合、エンティティ２００１の、および被害を受け得る道路ユーザー２００２の位置およびダイナミクスは、同じ基準座標系、すなわち、地理的座標系、例えば、地図投影法、または、他の座標系に配置され得る。共通基準系内において検討される場合、センサーからの融合されたデータは、２つのエンティティ２００１と２００２との間において発生し得る危険な状況を検出する、および予測するために使用され得る。以下の段落で、センサー空間と統合空間との間の変換が議論される。
レーダーデータから統合的基準への変換
図１０に示されるように、レーダー３００１は、それぞれセンターライン３００６および３００７を含む２つの車線３００５および３００８を含む道路に沿って移動する道路エンティティを監視するために使用される。停止バー３００３は、車線３００５および３００８の端部を示す。Ｔ３００６は、マーカー３００３と３００４とのセットにより規定され得る。図１０は、２つのマーカーのみを示すが、概して、センターラインは区分的線形関数である。マーカー３００３および３００４（および、図示されていない他のマーカー）のグローバルな位置は車道の設計により既定されており、システムに知られている。レーダー３００１の正確なグローバルな位置が、更に特定され得る。したがって、レーダー３００１からのマーカー３００３および３００４の距離３００９および３０１０が計算され得る。レーダー３００１からのエンティティ３００２の距離３０１１は、レーダー３００１により測定され得る。単純な幾何学を使用して、システムは、測定された距離３０１１を使用してエンティティ３００２の位置を特定し得る。それはマーカー３００３、３００４およびレーダー３００１のグローバルな位置から導出されるので、結果はグローバルな位置である。各車道は一般化された区分的線形関数により近似され得るので、上記の方法は、レーダーにより監視され得る任意の車道に適用され得る。
図１１は、湾曲した道路における同様のシナリオを示す。レーダー４００１は道路４００８に沿って動くエンティティを監視する。マーカー４００３および４００４は、センターライン４００７の（区分的線形関数の）線形セグメント４００９を表す。距離４００５および４００６は、通常、それぞれ、レーダー４００１の平面４０１０とマーカー４００３および４００４との間の法線距離を表す。距離４００７は、レーダー平面４０１０からのエンティティ４００２の測定された距離である。ここまでの説明に続いて、レーダー４００１およびマーカー４００３および４００４のグローバルな位置が与えられると、エンティティ４００２のグローバルな位置は、単純な比の算術を使用して計算され得る。
カメラデータから統合的基準への変換
カメラの高さ、グローバルな位置、方向、チルト、および視野を知ることにより、カメラ画像における各ピクセルのグローバルな位置を計算することは、既存の３Ｄの幾何学的な法則および変換を使用して単純になる。結果として、物体が画像において識別されたとき、そのグローバルな位置は、物体が占有しているピクセルを知ることにより容易に推定され得る。カメラの仕様、例えば、センサーサイズ、焦点距離、または視野、またはそれらの組み合わせ、が知られている場合、カメラの種類が無関係なことに留意することが有益である。
図１２は、エンティティ５００２を見るカメラ５００１の側面図を示す。カメラ５００１の高さ５００８およびチルト角度５００６は、設置時に決定され得る。視野５００７は、カメラ５００１の仕様から把握され得る。カメラ５００１のグローバルな位置も、設置時に特定され得る。知られた情報から、システムは、点５００３および５００４のグローバルな位置を特定し得る。点５００３と点５００４との間の距離は、更に、カメラ５００１により生成された画像におけるピクセルに分割される。このピクセル数は、カメラ５００１の仕様から知られる。エンティティ５００２により占有されたピクセルが特定され得る。したがって、距離５００５が計算され得る。エンティティ５００２のグローバルな位置も計算され得る。
様々なセンサーからの情報を融合することにより、任意の交差点のグローバルな統合的な眺望が一緒にまとめ上げられ得る。図１３は、４方向交差点の上面図を示す。交差点の各脚は、中央値６００３で割られる。図中の交差点は、２つの異なる種類のセンサー、レーダーおよびカメラ、により監視され、本明細書において説明されている原理は、他の種類のセンサーに一般化され得る。この例において、レーダー監視領域６００１は、カメラ監視領域６００２に重なる。統一的なグローバルな眺望を使用することにより、領域間を移動する各エンティティは、統一的なグローバルな眺望内において追跡され続ける。これは、例えば異なるエンティティの動作間の関連性の、ＳＲＳＥによる特定を簡単に可能にする。このような情報は、交差点および車道の真に普遍的な鳥瞰的眺望を可能にする。センサーからの統合的データは、次に、以下の段落で説明されるように人工知能プログラムに供給され得る。
上記の図２はＲＳＥのコンポーネントを示していた。加えて、ＳＲＳＥにおいて、処理ユニットは、データを並列に処理し得る１つまたは複数の特殊な処理ユニットを更に含んでよい。このようなユニットの例は、グラフィック処理ユニットまたはＧＰＵである。ＧＰＵまたは同様のハードウェアの支援により、機械学習アルゴリズムは、ＳＲＳＥにおいてはるかに効率的に動作し得、リアルタイムで結果を提供することができる。このような処理アーキテクチャは、危険な状況のリアルタイムの予測を可能にし、したがって、反応して衝突を回避するための十分な時間をエンティティに提供するために、早期に警告を送信することを可能にする。加えて、ＳＲＳＥは、異なるセンサーおよび異なる種類のセンサーからのデータを使用し得る処理を実行し得るので、ＳＲＳＥは、交通の流れの分析および危険な状況の検出および予測に役立つ交差点の統合的な眺望を構築し得る。
使用例
幅広い様々な例は、システムによる恩恵、および、システムが衝突回避のために提供し得る早期警告による恩恵を受け得る。例が本明細書において提供される。
例１：被害を受け得る地上交通エンティティ
図４に示されるように、典型的な交差点４０９を横断する車道は、歩行者および他の被害を受け得る道路ユーザー（被害を受け得る道路ユーザー）が車道を横断して歩くために使用し得る特定の横断エリア４０１、４０２、４０３、４０４を含む横断歩道を含み得る。このような横断または他の被害を受け得るユーザーを検出することに適したセンサーが、横断歩道および横断歩道の周辺の監視を可能にする１つまたは複数の見晴らしの良い地点に位置する。訓練フェーズ中、収集されたデータが、交差点における被害を受け得る道路ユーザーの挙動について学習するように人工知能モデルを訓練するために使用され得る。次に、配備フェーズ中、ＡＩモデルが、被害を受け得る道路ユーザーに関する現在のデータを使用して、例えば、被害を受け得る道路ユーザーが車道を横断しようとしていることを予測し得、および、被害を受け得る道路ユーザーが横断し始める前にその予測を行い得る。歩行者、および、他の被害を受け得る道路ユーザー、運転手、車両、および、他の人および地上交通エンティティの挙動および意図が前もって予測され得る場合、早期警告（例えば警報）が、それらのうちのいずれかまたはすべてに送信され得る。早期警告は、車両が停止すること、減速すること、経路を変えること、またはそれらの組み合わせを可能にし得、危険な状況が切迫していると予測された場合、被害を受け得る道路ユーザーが道路を横断することを自制することを可能にし得る。
概して、センサーは、交差点の近傍における被害を受け得る道路ユーザーおよび車両の起こり得る動きのすべてのエリアを監視するために使用される。使用されるセンサーの種類は、監視および追跡されている対象物の種類に依存する。幾つかのセンサーは、人および自転車または他の非モーター駆動式車両を追跡することがより得意である。幾つかのセンサーは、モーター駆動式車両を監視すること、および追跡することがより得意である。監視され、および追跡される対象物の種類に依存し得る十分なデータレートにおいて適切なデータをセンサーが提供する場合、センサーの種類は無関係であるので、本明細書において説明されている解決策はセンサーおよびハードウェアを問わない。例えば、ドップラーレーダーは、車両の速度および距離を監視するための、および追跡するための適切なセンサーである。データレート、またはサンプリングレートは、レーダーが連続した新しいデータ値を提供することができるレートである。データレートは、監視される、および追跡される対象物の動作のダイナミクスを捕捉する程度に十分速くなければならない。サンプリングレートが高いほど、より詳細なものが捕捉されデータによる動作の表現がより高ロバストに、およびより正確になる。サンプリングレートが過度に低い場合、および、車両が２つのサンプルインスタンス間において大幅な距離を移動する場合、データが生成されないインターバル中の見逃された詳細事項のせいで、挙動をモデル化することが困難になる。
横断歩道に対して、センサーは、交差点および交差点の近傍におけるエリアにおいて横断する歩行者および他の被害を受け得る道路ユーザー（例えばサイクリスト）を監視する。これらのセンサーからのデータは、検出および位置特定に役立つように、それぞれの異なる仮想ゾーンを使用して状態を表すようにセグメント分けされ得る。ゾーンは、例えば、歩道、歩道の入口、および、交差点への道路の入来進入路４０５、４０６、４０７、４０８といったように、危険な状況が想定され得るそれぞれのクリティカルエリアに対応するように選択され得る。各ゾーンにおける行動および他の条件が記録される。記録は、運動学（例えば、位置、進行方向、速度、および、加速度）、および、顔の、および体の特徴（例えば目、姿勢）を包含し得るが、これらに限定されない。
センサーの数、ゾーンの数、および、ゾーンの形状は、各交差点に特有であり、および交差点への各進入路に特有である。
図５は、歩行者または他の被害を受け得る道路ユーザー、および、モーター駆動式車両および、非モーター駆動式車両、および、他の地上交通エンティティの動きおよび挙動を監視するために、および追跡するために使用される異なるゾーンを示す典型的な例示的なセットアップの平面図を示す。
センサーは、道路を横断する横断歩道を監視するように構成される。仮想ゾーン（３０１、３０２）は、歩道に、および横断歩道に沿って位置し得る。他のセンサーは、横断歩道に続く道を進行している車両および他の地上交通エンティティを監視するように配置されており、仮想ゾーン（３０３、３０４）は、例えば、入来する車両および他の地上交通エンティティ、横断歩道からそれらの距離、および、それらの速度を検出することに役立つように戦略的に配置されている。
システム（例えば、センサーに関連したＲＳＥまたはＳＲＳＥ）は、すべてのセンサーからデータのストリームを収集する。システムが最初に動作状態にされたとき、機器の校正および機能に役立つように、初期のルールベースのモデルが配備され得る。その間にも、センサーデータ（例えば、レーダーユニットから速度および距離、カメラから画像およびビデオ）が、収集され、準備中にＲＳＥにローカルに記憶され、幾つかの実施態様において、この収集されたデータを使用して交差点の異なるエンティティの挙動のＡＩモデルを構築するために十分に強力なリモートコンピュータに伝達される。幾つかの例において、ＲＳＥ自体が、ＡＩモデルを生成することが可能なＳＲＳＥである。
したがって、データが準備され、交差点を通る各地上交通エンティティに対して軌道が構築される。例えば、軌道は、同じエンティティに属する異なる距離の点を一緒に連結することにより、レーダーデータから導き出され得る。歩行者の軌道および挙動は、例えば、カメラおよびビデオ記録から導き出され得る。ビデオおよび画像処理技術を実施することにより、歩行者の動きは、画像およびビデオにおいて検出され得、それらのそれぞれの軌道が推定され得る。
ヒトの挙動に対して、インテリジェント機械学習ベースのモデルは、典型的には、単純な物理学に基づく単純なルールより優れている。これは、人間の意図は捉えることが困難であるから、および、パターンを検出することができるために大きいデータ集合が必要とされるからである。
機械学習（ＡＩ）モデルがサーバーにおいて完成されたとき、ＡＩモデルは、例えばインターネットを通して、ＲＳＥにダウンロードされる。次に、ＲＳＥは、センサーから捕捉された現在のデータをＡＩモデルに適用して、意図および挙動をそれが予測することをもたらし、危険な状況が切迫している時を特定し、および、被害を受け得る道路ユーザーおよび運転手が衝突回避ステップを実行することを可能にするために間に合うように、早期警告として車両および他の地上交通エンティティに、および、被害を受け得る道路ユーザーおよび運転手に拡散される（例えばブロードキャストされる）対応する警報をトリガーする。
この例示的な設定は、任意の他の使用例、例えば、信号機付き交差点または平面交差点における交通、と組み合わされ得る。
例２：信号機付き交差点
信号機付き交差点（例えば交通信号灯により制御されるもの）の場合、システムの全体的な設定は、例１の場合のように行われる。１つの違いは、車両の速度、進行方向、距離、および位置を監視する、または追跡するために使用されるセンサーの種類であり得る。例１の横断歩道に対する設定は、更に、より全般的な解決策のために、信号機付き交差点の設定と組み合わされ得る。
信号機付き交差点の使用例に対する動作の概念は、ユーザーに関するデータ、または、ユーザー自体により通信されたデータを収集する外部センサーを使用して交差点の周囲における道路ユーザーを追跡すること、ユーザーの挙動を予測すること、および、概して交差点の交通規則の違反、例えば赤信号に違反すること、に起因した近づきつつある危険な状況に関して、異なる通信手段を通して警報をブロードキャストすることである。
道路ユーザーに関するデータは、（ａ）例えばＢＳＭまたはＰＳＭを通した、各エンティティの現在の状態に関する、各エンティティ自体によりブロードキャストされたエンティティデータ、および、（ｂ）例えばドップラーレーダー、超音波センサー、視覚カメラまたは温度カメラ、ライダーなどの、インフラストラクチャーに、または車両に外部から設置されたセンサー、を使用して収集され得る。上述のように、選択されたセンサーの種類、および、交差点における選択されたセンサーの位置および配向は、交差点またはその調査中の部分の最も広範囲のカバレッジを提供しなければならず、更に、交差点に接近するエンティティに関する収集されたデータは最も正確である。したがって、収集されたデータは、道路ユーザーの現在の状態の再構成、および、正確な、時宜にかなった、有用なＶＢＳＭ（仮想的な基本的な安全メッセージ：ｖｉｒｔｕａｌ ｂａｓｉｃ ｓａｆｅｔｙ ｍｅｓｓａｇｅ）またはＶＰＳＭ（仮想的な個人用安全メッセージ：ｖｉｒｔｕａｌ ｐｅｒｓｏｎａｌ ｓａｆｅｔｙ ｍｅｓｓａｇｅ）の生成を可能にする。データが収集されなければならない頻度は、各種類の道路ユーザーの潜在的な危険、および、潜在的な違反のクリティカリティに依存する。例えば、交差点において高速で移動するモーター駆動式車両は、通常、リアルタイムの衝突回避を達成するために１秒当たり１０回のデータの更新を必要とし、はるかに低い速度で交差点を横断する歩行者は、１秒当たり１回の少ないデータ更新を必要とし得る。
ここまでに説明されているように、図４は、検出仮想ゾーンを含む信号機付き交差点の平面図の例を示す。これらのゾーンは、交差点への各進入路を別々の車線４１０、４１１、４１２、４１３、４０５、４０６、４０７、４０８にセグメント分けし得、更に、各車線を停止バーからの距離の一般的な範囲に対応したエリアに区切り得る。これらのゾーンの選択は、概して特定の進入路および交差点の特性に適合するように経験的に実施され得る。交差点をセグメント分けすることは、各道路ユーザーに対する相対的な進行方向、速度、加速度、および位置の、より正確な特定を可能にし、ひいては、道路ユーザーが他の地上交通エンティティに見せる潜在的な危険のより適切な評価を可能にする。
観測された交通状況が危険な状況であるか否かを判定するために、システムは、更に、予測された状況の結果を交通信号灯の状態と比較すること、および、ローカル交通規則（例えば、左折用車線、赤信号での右折など）を考慮することを必要とする。したがって、交差点の信号フェーズおよびタイミング（ＳＰａＴ：ｓｉｇｎａｌ ｐｈａｓｅ ａｎｄ ｔｉｍｉｎｇ）情報を収集すること、および使用することが必要とされる。ＳＰａＴデータは、交差点における交通信号灯制御装置と直接的にインターフェース接続することにより、概して、有線接続を通してデータを読み取ることにより、または、例えばＡＰＩを通して、要求されたデータを受信するように交通管理システムとインターフェース接続することにより収集され得る。道路ユーザーの状態が交通信号の状態と常に同期されることを確実なものとするために、道路ユーザーデータが収集されるレートにできる限り近いレートでＳＰａＴデータを収集することが重要である。ＳＰａＴ情報を知るという要求に対する追加的な複雑さは、交差点付近における交通の流れを調節するために使用される現代の交通制御技法が固定のタイミングに基づいておらず、リアルタイムの交通状態に動的に適応し得るアルゴリズムを使用することである。したがって、違反予測における最高の正確さを保証するために、ＳＰａＴデータ予測アルゴリズムを組み込むことが重要である。これらのＳＰａＴデータ予測アルゴリズムは、ルールベースの方法または機械学習方法を使用して構築され得る。
交差点への各進入路に対して、ＲＳＥ（またはＳＲＳＥ）によりデータが収集され、収集されたデータに対応した車両の挙動を説明するために機械学習（ＡＩ）モデルが構成される。次に、交差点への進入路のうちの１つにおいて移動している車両または他の地上交通エンティティが、例えば交通信号灯に違反しようとしているか否かの早期予測を生成するために、交差点において収集された現在のデータがＡＩモデルに適用される。違反が切迫している場合、メッセージがＲＳＥから近傍における地上交通エンティティに中継（例えばブロードキャスト）される。（違反車両を含む）車両、および、歩行者または他の被害を受け得る道路ユーザーが、メッセージを受信し、衝突を回避するために適切な先手を打つような手段を取るための時間を得る。メッセージは、次の手法、すなわち、他にもあり得るが、点滅するライト、標識、またはラジオ信号のうちの１つまたは複数により、地上交通エンティティに送達され得る。
交差点に接近している車両または他のエンティティがＯＢＥまたはＯＰＥを備える場合、潜在的な危険が交差点において予測されたという、ＲＳＥからブロードキャストされたメッセージを受信することができる。これは、ユーザーが警告されること、および、衝突を回避するために適切な先手を打つような手段を取ることを可能にする。交差点における違反道路ユーザーもＯＢＥまたはＯＰＥを備えている場合、ユーザーもブロードキャストされた警報を受信する。次に、ＯＢＥまたはＯＰＥにおけるアルゴリズムがユーザーの違反挙動とメッセージとを照合し得、適切にユーザーに警告し得る。
警報を送信する判断は、交差点におけるセンサーにより収集されたデータにより表された車両の挙動に依存するだけではない。センサーは判断において大きい役割を果たすが、他の入力も考慮される。これらの入力は、近くの交差点からの情報（車両が近くの交差点において信号を無視して走った場合、その車両がこの交差点において同じことを行う確率がより高い）、他の連携した車両からの情報、または、更には、例えば、その車両が異常を抱えていることをその車両が報告している場合のその車両自体からの情報を包含してよいがこれらに限定されない。
例３：信号機の無い交差点
信号機の無い制御される交差点、例えば、一時停止の標識、または譲れの標識により制御される交差点も、同様に監視され得る。交通標識により制御される進入路を監視するためにセンサーが使用され、信号機付き交差点への進入路における入来する車両に関する予測と同様に、入来する車両に関する予測が行われ得る。信号機の無い制御される交差点における道路の規則は、典型的には明確に規定される。一時停止の標識により制御される進入路における地上交通エンティティは、完全に停止しなければならない。多方向停止式の交差点では、地上交通エンティティが交差点に到達する順序により、優先的な通行権が決定される。１方向停止に伴う特別な場合が考慮され得る。センサーの集合は、一時停止の標識の無い進入路も同様に監視し得る。このような設定は、一時停止の標識のギャップネゴシエーションを支援し得る。譲れの標識により制御される交差点に対して、譲れの標識により制御される進入路における地上交通エンティティは、交差点において他の地上交通エンティティに優先的な通行権を与えるために、その速度を落とさなければならない。
主な課題は、内的因子（例えば運転手の注意散漫）、または、外的因子（例えば視認性の欠如）に起因して、地上交通エンティティが道路の規則に違反し、他の地上交通エンティティをリスクにさらすことである。
一時停止の標識により制御される交差点の一般的な例（すなわち、各進入路が一時停止の標識により制御される）では、システムの全体的な設定が例１の場合のように行われる。１つの違いは、車両の速度、進行方向、距離、および位置を監視する、または追跡するために使用されるセンサーの種類であり得る。別の違いは、交通信号灯制御装置を含まずに、道路の規則が道路標識により示されることである。例１の横断歩道に対する設定も、より全般的な解決策のために、信号機の無い制御される交差点の設定と組み合わされ得る。
図４は、更に、検出仮想ゾーンを含む４方向停止式の交差点の平面図の例を示すように理解され得る。これらのゾーンは、交差点への各進入路を別々の車線４１０、４１１、４１２、４１３、４０５、４０６、４０７、４０８にセグメント分けし得、停止バーからの距離の一般的な範囲に対応したエリアに各車線を更に区切り得る。これらのゾーンの選択は、概して特定の進入路および交差点の特性に適合するように経験的に行われ得る。
図４に対してここまでに説明されているものと同様の手法により、交差点において収集された現在のデータが、ＡＩモデルに適用されて、交差点への進入路のうちの１つにおいて移動している車両または他の地上交通エンティティが一時停止の標識に違反しようとしているか否かの早期予測を生成する。違反が切迫している場合、メッセージは、交通信号灯違反を伴う前述の例と同様に取り扱われ得る。
更に、ここまでの説明と同様に、警報を送信する判断は、前述の因子に基づき、および、他の情報、例えば、車両が近くの交差点において一時停止の標識を無視して走ったか否か（その車両がこの交差点において同じことを行う確率がより高いことを示唆する）に基づき得る。
図１８は、制御される信号機の無い交差点に対する使用例を示す。それは、戦略的に配置されたセンサーを含むＳＲＳＥが、接続されていないエンティティから発生する差し迫る危険な状況を、接続されたエンティティにどのように警告し得るかを説明する。
接続されたエンティティ９１０６が、経路９１０９に沿って移動している。エンティティ９１０６は、優先的な通行権をもつ。接続されていないエンティティ９１０７が、経路９１１０に沿って移動している。エンティティ９１０７は譲れの標識９１０４の対象であり、エンティティ９１０６に優先的な通行権を与えずに経路９１０９に合流しようとしており、エンティティ９１０６の経路に直接、エンティティ９１０７を出そうとしている。エンティティ９１０６がエンティティ９１０７を認識しないので、危険な状況が切迫している。エンティティ９１０７が接続されていないエンティティであるので、エンティティ９１０７の位置および進行方向を、交差点をシェアしている他のエンティティにアドバタイズ（ブロードキャスト）することができない。更に、エンティティ９１０６は、エンティティ９１０６の直接的な視野内に無いエンティティ９１０７を「見る」ことが不可能であり得る。エンティティ９１０６がその経路に沿って進行する場合、エンティティ９１０６は、エンティティ９１０７と最終的に衝突し得る。
交差点はスマート交差点であるので、道路の上方の梁９１０２に搭載されたレーダー９１１１がエンティティ９１０７を検出する。レーダー９１１１は、更にエンティティ９１０７の速度および距離を検出する。この情報は、ＳＲＳＥ９１０１を通して、接続されたエンティティ９１０６に警報として中継され得る。ＳＲＳＥ９１０１は、進入路９１１０に沿って動くエンティティに対する機械学習モデルを含む。エンティティ９１０７が交通規則の潜在的な違反者としてモデルにより分類され、接続されたエンティティ９１０６に警告（警報）がブロードキャストされる。この警告が前もって送信され、危険な状況に反応する、および、危険な状況を防止するための十分な時間をエンティティ９１０６に与える。
例４：平面交差点
平面交差点はモーター駆動式車両、歩行者、および鉄道車両を通行させ得るので、平面交差点は危険である。多くの場合、平面交差点に続く道は、列車または他の鉄道車両の運転者（例えば車掌）の死角に入る。鉄道車両の運転手は主に見通し線の情報に基づいて運転するので、道路ユーザーが鉄道車両の優先的な通行権に違反した場合、および、道路ユーザーが横断することを許可されていない場合に平面交差点を横断するとき、これが事故の可能性を高める。
平面交差点が、多くの場合、交通規則および信号により調節される道路と鉄道交通との間の衝突点であるという意味で平面交差点の使用例の動作は、信号機付き交差点の使用例と同様である。したがって、この使用例は、平面交差点付近の安全性を高めるために衝突回避警告を更に必要とする。鉄道交通は、計画的に分離された鉄道用地をもち得（例えば、高速鉄道）、または分離された鉄道用地をもたない（例えば、軽量都市鉄道または路面電車）。軽量鉄道および路面電車を使用する場合、これらの鉄道車両は更に活動のある道路において運行するので、および、道路ユーザーと同じ交通規則に従う必要があるので、本使用例はさらに重要になる。
図６は、道路および横断歩道が鉄道を横断している、平面交差点の一般的な使用例を示す。横断歩道の使用例と同様に、歩行者の動きおよび意図に関するデータを収集するために、センサーが配置される。交差点に接近しようとしている道路車両の動きを監視する、および予測するために、他のセンサーが使用される。道路ユーザーに関するデータは、道路ユーザーブロードキャスト（例えばＢＳＭまたはＰＳＭ）からも収集され得る。近くの交差点、車両、および、リモート指揮・制御センターからのデータが、警報をトリガーするための判断に使用され得る。
違反の可能性を適切に評価するために、道路および鉄道の進入路に対するＳＰａＴに関するデータも収集されることが必要である。
信号機付き交差点の使用例と同様に、収集されたデータは、ルールベースのアルゴリズムおよび機械学習アルゴリズムを使用した予測モデルの生成を可能にする。
この使用例において、鉄道車両は、衝突回避警告を受信するためにＯＢＥまたはＯＰＥを備える。鉄道車両の優先的な通行権の違反が予測された場合、ＲＳＥが警報メッセージをブロードキャストし、道路ユーザーがその意図される経路にいることを鉄道車両の運転手に警告し、鉄道車両の運転手が衝突を回避するための十分な時間を伴って先手を打つような行動を取ることを可能にする。
違反道路ユーザーが更にＯＢＥまたはＯＰＥを備えている場合、ＲＳＥによりブロードキャストされたメッセージは、更に違反道路ユーザーにより受信される。ＯＢＥまたはＯＰＥにおけるアルゴリズムは、次に、ユーザーの違反挙動と受信されたメッセージとを照合し得、ユーザーに適切に警告し得る。
（ギャップを橋渡しする）仮想的な接続された地上交通環境
ここまでに説明されているように、システムの有用な用途は、接続されていない地上交通エンティティの代わりに仮想的な接続された環境を生成することである。接続された技術の採用に対する障害は、インフラストラクチャー設置物の欠如だけでなく、接続された車両、接続された被害を受け得る道路ユーザー、および接続された他の地上交通エンティティがほぼ存在しないことである。
接続された車両に関連して、幾つかの規制体制において、このような車両は基本的な安全メッセージ（ＢＳＭ）と呼ばれるものを常に送信している。ＢＳＭは、他の情報もあり得るが、車両の位置、進行方向、速度、および将来の経路を含む。他の接続された車両は、これらのメッセージに注意を払い、それらの環境に存在する車両のマップを生成するためにそれらのメッセージを使用し得る。周辺の車両がどこにあるかを知ることにより、車両が自律的であるか否かによらず、車両は高レベルの安全性を維持するために有用な情報をもつ。例えば、自律的な車両はその経路に接続された車両が存在する場合、操縦を行って回避し得る。同様に、運転者がたどろうと計画している経路に何らかの他の車両が存在する場合、例えば突然の車線変更などの場合、運転者は警報を受け得る。
すべての地上交通エンティティが交通安全メッセージおよび情報を送信および受信するように装備されるまで、幾つかの道路エンティティは、道路エンティティのうちの残りのものについて「ダーク」であり、または視認不能である。ダークな道路エンティティは、危険な状況のリスクをもたらす。
ダークな道路エンティティは、それらの位置をアドバタイズ（例えばブロードキャスト）しないので、道路エンティティの情報をブロードキャストすること（すなわち、接続されたエンティティであること）をすべての道路エンティティに期待し得る接続されたエンティティとって、ダークな道路エンティティは視認不能である。車載センサーは障害物および他の道路エンティティを検出し得るが、これらのセンサーの範囲は、危険な状況および衝突を防ぐことに効果的であるには短すぎる傾向がある。したがって、接続された車両のコネクティビティと接続されていない車両のコネクティビティの欠如との間にギャップがある。以下で説明される技術は、交差点におけるすべての車両または地上交通網の他のコンポーネントを検出し得る、および接続されていない車両の代わりにメッセージを送信し得るインフラストラクチャーに関するインテリジェンスを使用することによりこのギャップを橋渡しすることを目的としたものである。
システムは、ほとんどの車両（および他の地上交通エンティティ）が接続されたエンティティとなることが想定される将来と、ほとんどの車両および他の地上交通エンティティがコネクティビティをもたない現時点との間のギャップを橋渡しし得る、例えば交差点における、仮想的な接続された地上交通環境を確立し得る。仮想的な接続された地上交通環境において、スマート交通信号灯および他のインフラストラクチャー設置物は、すべての車両および他の地上交通エンティティ（接続された、接続されていない、半自律、自律、非自律）を追跡するためにセンサーを使用し得、および、（車両の場合）それらの代わりに仮想ＢＳＭメッセージ（ＶＢＳＭ）を生成し得る。
ＶＢＳＭメッセージは、ＢＳＭの部分集合とみなされ得る。それは、ＢＳＭを生成するために必要とされるすべてのフィールドを含むわけではないものであり得るが、位置、進行方向、速度、および軌道を包含するすべての位置特定情報を含み得る。Ｖ２Ｘ通信は標準化され、および匿名にされているので、ＶＢＳＭおよびＢＳＭは簡単に区別されることができず、同じメッセージ構造に従う。２つのメッセージ間の主な相違点は、これらのメッセージに含まれる情報のソースの可用性である。ＶＢＳＭは、例えば、ハンドルの角度、ブレーキステータス、タイヤ圧、またはワイパーの有効化といった、外部センサーにより簡単に生成されないデータおよび情報を含まないものであり得る。
適切なセンサーが設置されることにより、スマートＲＳＥを含む交差点は、交差点を通って移動するすべての道路エンティティを検出し得る。ＳＲＳＥは、更に、複数のセンサーからのすべてのデータをグローバル統合座標系に変換し得る。このグローバル統合系は、各道路エンティティの地理的位置、速度、および進行方向により表される。各道路エンティティは、各道路エンティティが接続されているか否かによらず交差点機器により検出され、各道路エンティティの代わりとなってグローバル統合位置が生成される。したがって、道路エンティティの代わりに、標準的な安全メッセージがブロードキャストされ得る。しかし、ＲＳＥが検出するすべてのエンティティのために、ＲＳＥが安全メッセージをブロードキャストする場合、ＲＳＥが、接続された道路エンティティの代わりにメッセージを送信し得る。コンフリクトを解決するために、ＲＳＥは、そのダークエンティティのリストから接続された道路エンティティをフィルタ処理し得る。ＲＳＥは接続された車両から安全メッセージを連続的に受信するので、および、ＲＳＥセンサーが交差点を通る道路エンティティを連続的に検出しているので、これが達成され得る。検出された道路エンティティの位置が、ある位置であって、そのある位置からの安全メッセージがＲＳＥ受信器により受信された、そのある位置に一致している場合、道路エンティティが接続されていると推測され、その道路エンティティの代わりにＲＳＥにより安全メッセージがブロードキャストされない。これは図１５に示される。
接続された車両と接続されていない車両との間の橋渡しを生成することにより、（自律的な車両を含む）接続されたエンティティは、近くのすべての道路エンティティの完全な認識を伴って、交差点を通って安全に操縦し得る。
本技術のこの態様は図１７に示される。交差点９００１は所与の時点において複数の道路エンティティを含む。これらのエンティティのうちの幾つかは接続されていないもの９００４、９００６であり、他は接続されたもの９００５、９００７である。被害を受け得る道路ユーザー９００４、９００７がカメラ９００２により検出される。モーター駆動式道路エンティティ９００５、９００６がレーダー９００３により検出される。各道路エンティティの位置が計算される。接続された道路エンティティからのブロードキャストが更にＲＳＥ９００８により受信される。エンティティの位置であって、その位置からのメッセージが受信された、エンティティの位置が、エンティティが検出された位置と比較される。２つのエンティティが所定の公差内で一致している場合、その位置におけるエンティティは接続されているとみなされ、そのエンティティの代わりに安全メッセージは送信されない。一致する受信位置のない、道路エンティティのうちの残りのものはダークとみなされる。それらの代わりに、安全メッセージがブロードキャストされる。
Ｖ２Ｘプロトコルの統合部分である衝突警告および交差点違反警告に対して、各エンティティは、システムが効果的であるために接続される必要がある。その要求は、Ｖ２Ｘデバイスおよびシステムの配備においてハードルとなる。スマートＲＳＥを備える交差点は、接続された車両と接続されていない車両との間の仮想的な橋渡しを提供することによりその懸念を解決する。
米国ＤＯＴ（運輸省：Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ）およびＮＨＴＳＡ（米国高速道路交通安全局：Ｎａｔｉｏｎａｌ Ｈｉｇｈｗａｙ Ｔｒａｆｆｉｃ Ｓａｆｅｔｙ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ）は、ＢＳＭを使用する多くの接続された車両用途を特定し、機能異常によらない衝突（ｎｏｎ－ｉｍｐａｉｒｅｄ ｃｒａｓｈ）および死亡者を実質的に減らすことを支援する。これらの用途は、前方衝突警告（ＦＣＷ：Ｆｏｒｗａｒｄ Ｃｏｌｌｉｓｉｏｎ Ｗａｒｎｉｎｇ）、交差点移動支援（ＩＭＡ：Ｉｎｔｅｒｓｅｃｔｉｏｎ Ｍｏｖｅｍｅｎｔ Ａｓｓｉｓｔ）、左折支援（ＬＴＡ：Ｌｅｆｔ Ｔｕｒｎ Ａｓｓｉｓｔ）、追い越し禁止警告（ＤＮＰＷ：Ｄｏ Ｎｏｔ Ｐａｓｓ Ｗａｒｎｉｎｇ）、および死角／車線変更警告（ＢＳ／ＬＣＷ：Ｂｌｉｎｄ Ｓｐｏｔ／Ｌａｎｅ Ｃｈａｎｇｅ Ｗａｒｎｉｎｇ）を包含するがこれらに限定されない。米国ＤＯＴおよびＮＨＴＳＡは、これらの用途を以下のように規定している。
ＦＣＷは、追突事故を解決し、前方における停止した、減速している、またはより遅い車両について運転手に警告する。ＩＭＡは、交差点横断衝突を回避するように設計されており、交差点に横方向から接近している車両について運転手に警告し、同じ方向または逆方向への進路変更経路および直線的な横断経路という２つの主なシナリオをカバーする。ＬＴＡは、ある関与する車両が交差点において左折したとともに、他の車両が逆方向から直線的に移動した場合の衝突を解決し、および、左折をしようとしているとき、近づいてくる反対方向の交通の存在を運転手に警告する。ＤＮＰＷは、追い越し運転によりもたらされる反対方向の衝突を回避するために運転手を支援し、分割されていない２車線車道において、より遅い車両を追い越そうと試みるとき、近づいてくる反対方向の車両の運転手に警告する。ＢＳ／ＬＣＷは、衝突前に、車両が車線変更／合流運転を行った場合の衝突を解決し、および、接近している車両について、または、近接した車線におけるそれらの死角にいる車両の存在について運転手に警報を出す。
Ｖ２Ｘプロトコルは、これらの用途が車両・対・車両（Ｖ２Ｖ）通信を使用して達成されなければならないことを規定しており、ここで、ある接続された離れた車両が接続されたホスト車両に基本的な安全メッセージをブロードキャストする。次に、ホスト車両のＯＢＥが、それ自体の車両パラメータ、例えば、速度、進行方向、および軌道とこれらのＢＳＭとを照合しようと試み、ここまでに本明細書において説明されているように、離れた車両により引き起こされる潜在的な危険性または脅威が存在するか否かを判定する。更に、自律的な車両は、その車載センサーから収集されたデータに含まれない重要な情報部分である意図を周辺の車両が通信することを可能にするので、自律的な車両はこのような用途により特に恩恵を受ける。
しかし、現在の車両は接続されておらず、上述のように、ＢＳＭが上述のように適切に機能するように、接続された車両の割合が高くなるまで、非常に長い期間を要する。したがって、仮に上述の用途を可能にするほどに、およびＶ２Ｘ通信により完全に恩恵を受けるほどに接続された車両の割合が十分に高い環境であれば接続された車両が受信するであろう多数のＢＳＭを接続された車両が受信する、および分析することは、接続された車両の割合が小さい環境では必要とされない。
ＶＢＳＭは、大半が接続されていないエンティティを含む現在の環境と大半が接続されたエンティティを含む将来の環境との間のギャップを橋渡しすることに役立ち得、合間の期間に上述の用途を可能にし得る。本明細書において説明されている技術では、ＶＢＳＭを受信する接続された車両は、その用途において正規のＢＳＭとしてＶＢＳＭを処理する。ＶＢＳＭおよびＢＳＭは同じメッセージ構造に従うので、および、ＶＢＳＭはＢＳＭと実質的に同じ基本情報、例えば、速度、加速度、進行方向、過去の軌道、および予測された軌道、を含むので、所与の用途にメッセージを適用することの結果は実質的に同じである。
例えば、接続されていない離れた車両が優先的な通行権をもって反対方向から直線的に移動している瞬間に、接続されたホスト車両が左折を試みようとしている、保護されていない左折を伴う交差点を検討する。これは、操縦の遂行が本状況のホスト車両の運転手の判断に依存している状況である本状況の不適切な評価は、コンフリクトおよび潜在的な衝突しそうな接近または衝突をもたらし得る。周辺のインフラストラクチャーに設置された外部センサーは、離れた車両または、更には両方の車両を検出し、および追跡し得、基本情報、例えば、速度、加速度、進行方向、および過去の軌道、を収集し得、それらをＲＳＥに送信し得、続いてＲＳＥが、ルールベースのアルゴリズムまたは機械学習アルゴリズムまたはその両方を使用して離れた車両に対して予測された軌道を構築し、ＶＢＳＭのために必要とされるフィールドを埋め、接続されていない離れた車両の代わりにそれをブロードキャストし得る。ホスト車両のＯＢＥは、離れた車両に関する情報を含むＶＢＳＭを受信し、運転手の操縦が潜在的な危険性をもたらすか否か、および、衝突を回避するための先を見越した行動、または修正する行動を取るために、ＯＢＥがホスト車両の運転手に警告を表示しなければならないか否かを判定するために、そのＬＴＡアプリケーションにおいてＶＢＳＭを処理する。離れた車両が接続されており、衝突が予測される左折を対向車両がしようとしているというデータをＲＳＥおよびセンサーから受信した場合にも、同様の結果が達成され得る。
ＶＢＳＭは、車線変更の操縦においても使用され得る。車線を変更している車両が、操縦の安全性を確認するための、例えば、バックミラーおよびサイドミラー、および、死角を確認するための必要なステップを実施していない場合このような操縦が危険であり得る。車両が危険な車線変更を実施することを防ぐために役立つように、例えば、車載超音波センサーを使用した死角警告などの新しい高度な運転手支援システムが発展してきた。しかし、これらのシステムは、センサーが汚れている場合、または、視野を塞がれている場合に関して短所をもち得る。更に、既存のシステムは、車線変更をしようとしている別の車両について、危険にさらされた車両に警告することを試みない。Ｖ２Ｘ通信は、例えばＢＳＭを使用したＢＳ／ＬＣＷといった用途を通してこの問題を解決することに役立つが、車線変更をしようとしている車両は、接続されていない車両に該当し、その結果、その意図を通信することができないものであり得る。ＶＢＳＭは、その目標を達成するために役立ち得る。ＬＴＡの使用例と同様に、周辺のインフラストラクチャーに設置された外部センサーが、車線変更の操縦をしようとしている接続されていない車両を検出し、および追跡し、速度、加速度、進行方向および過去の軌道などの基本情報を収集し、それらをＲＳＥに送信し得る。次に、ＲＳＥが、ルールベースのアルゴリズムおよび機械学習アルゴリズムを使用して車線を変更している車両に対して予測された軌道を構築し、ＶＢＳＭのために必要とされるフィールドを埋め、接続されていない離れた車両の代わりにそれをブロードキャストする。次に、危険にさらされた車両のＯＢＥが、同じ車線に合流しようとしている車両に関する情報を含むＶＢＳＭを受信し、ＶＢＳＭを処理し、操縦が潜在的な危険性をもたらすか否か、および、それが車両の運転手に車線変更警告を表示しなければならないか否かを判定する。車線を変更している車両が接続された車両である場合、そのＯＢＥは、その死角にある車両に関して、ＲＳＥからＶＢＳＭを同様に受信し、車線変更の操縦が周辺の交通に潜在的な危険性をもたらすか否か、および、それが車両の運転手に死角警告を表示しなければならないか否かを判定し得る。両方の車両が接続されている場合、両方の車両が互いにＢＳＭをブロードキャストすることができ、ＢＳ／ＬＣＷ用途を可能にする。しかし、これらの用途は、ＯＢＥが警告を表示するか否かを判断することを伴って、車線を変更している車両の意図を早期に予測するために、上述のようにＢＳＭデータに同じルールベースのアルゴリズムまたは機械学習アルゴリズム（またはその両方）を適用することによる恩恵を依然として受ける。
自律的な車両
接続されていない道路エンティティに欠けているコネクティビティは、自律的な車両に影響を与える。自律的な車両におけるセンサーは、短距離であるか、または狭い視野をもつ。それらのセンサーは、例えば街路の角における建物付近に来る車両を検出することができない。それらのセンサーは、配達用トラックの後方に隠され得る車両を検出することもできない。これらの隠された車両が接続されていないエンティティである場合、これらの隠された車両は、自律的な車両にとって視認不能である。これらの状況は、技術の大規模な採用に必要な安全性のレベルを達成するための自律的な車両の技術の能力に影響を与える。スマート交差点は、このギャップを軽減することに役立ち得、公衆による自律的な車両の受け入れを補助し得る。自律的な車両は、それがもつセンサーと同様な良さをもつにすぎない。スマートＲＳＥを備える交差点は、見通しの悪い角の周囲に、または、大きいトラックを越えて車載センサーの対応範囲を延ばし得る。このような延長は、自律的なエンティティおよび他の接続されたエンティティが従来の接続されていない車両と共存することを可能にする。このような共存は、自律的な車両およびそれらがもたらす利点の採用を加速し得る。
仮想的な接続された地上交通環境は、他の手法では実装することが困難であった車両・対・車両（Ｖ２Ｖ）、車両・対・歩行者（Ｖ２Ｐ）、および車両・対・デバイス（Ｖ２Ｄ）用途の実装を可能にするＶＢＳＭメッセージを含む。
システムは機械学習を使用して、様々な安全メッセージに必要なデータのフィールドを迅速に、および正確に生成し、それらをＶＢＳＭメッセージ構造体にパックし、例えば、これらに限定されないが、ＤＳＲＣ、Ｗｉ－Ｆｉ、セルラー、または従来の道路標識といった様々な媒体を使用して、近傍における地上交通エンティティにメッセージを送信し得る。
仮想的な個人用安全メッセージ（ＶＰＭＳ：Ｖｉｒｔｕａｌ ｐｅｒｓｏｎａｌ ｓａｆｅｔｙ ｍｅｓｓａｇｅｓ）
地上交通環境は、接続されていない車両だけでなく、接続されていない人および他の被害を受け得る道路ユーザーを含み得る。
幾つかの規制体制では、接続された被害を受け得る地上交通エンティティが、個人用安全メッセージ（ＰＳＭ）を連続的に送信する。ＰＳＭは、他の情報もあり得るが、被害を受け得る地上交通エンティティの位置、進行方向、速度、および将来の経路を含む。接続された車両およびインフラストラクチャーは、これらのメッセージを受信し得、それらのメッセージを使用して、被害を受け得るエンティティを含むマップを生成し、および地上交通網における安全性のレベルを高め得る。
したがって、仮想的な接続された地上交通環境は、ほとんどの被害を受け得る地上交通エンティティが接続されると想定される将来と、ほとんどの被害を受け得る地上交通エンティティがコネクティビティをもたない現時点との間のギャップを橋渡しし得る。仮想的な接続された地上交通環境において、スマート交通信号灯および他のインフラストラクチャー設置物は、すべての（接続された、接続されていない）被害を受け得る地上交通エンティティを追跡するためにセンサーを使用し得、それらの代わりにＶＰＳＭを生成し得る。
ＶＰＳＭメッセージは、ＰＳＭの部分集合とみなされ得る。ＶＰＳＭは、ＰＳＭを生成するために必要とされるすべてのフィールドを含むことを必要としないが、安全性評価および危険な状況の防止に必要なデータを含み得、位置、進行方向、速度、および軌道を包含する位置特定情報を含み得る。幾つかの例において、例えば、運転手の意図、姿勢、または見ている方向といった、標準的ではないＰＳＭフィールドがＶＰＳＭに更に含まれ得る。
システムは、機械学習を使用して、これらのフィールドを迅速に、および正確に生成し、それらをＶＰＳＭメッセージ構造体にパックし、例えば、これらに限定されないが、ＤＳＲＣ、Ｗｉ－Ｆｉ、セルラー、または従来の道路標識といった様々な媒体を使用して近傍における地上交通エンティティにそれを送信し得る。
ＶＰＳＭメッセージは、他の手法では実装することが困難であった、歩行者・対・車両（Ｐ２Ｖ：ｐｅｄｅｓｔｒｉａｎ ｔｏ ｖｅｈｉｃｌｅ）、歩行者・対・インフラストラクチャー（Ｐ２Ｉ：ｐｅｄｅｓｔｒｉａｎ ｔｏ ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）、歩行者・対・デバイス（Ｐ２Ｄ：ｐｅｄｅｓｔｒｉａｎ ｔｏ ｄｅｖｉｃｅｓ）、車両・対・歩行者（Ｖ２Ｐ：ｖｅｈｉｃｌｅ ｔｏ ｐｅｄｅｓｔｒｉａｎ）、インフラストラクチャー・対・歩行者（Ｉ２Ｐ：ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ｔｏ ｐｅｄｅｓｔｒｉａｎｓ）、およびデバイス・対・歩行者（Ｄ２Ｐ：ｄｅｖｉｃｅｓ ｔｏ ｐｅｄｅｓｔｒｉａｎｓ）用途の実装を可能にする。
図１６は、横断歩道８１０３を横断している歩行者８１０２を示す。横断歩道８１０３は、交差点における横断歩道、または、交差点間の一続きの道路をまたぐ、ブロックの途中の横断歩道にあり得る。カメラ８１０１は、歩道８１０４を監視するために使用される。カメラ８１０１の視野８１０５の境界のグローバルな位置は、設置時に決定され得る。視野８１０５は、カメラ８１０１の仕様により反映される所定の数のピクセルによりカバーされる。道路エンティティ８１０２がカメラの視野内において検出され得、そのグローバルな位置が計算され得る。道路エンティティ８１０２の速度および進行方向が更に、ｓ時点でその変位量から特定され得る。道路エンティティ８１０２の経路は、エンティティ８１０２が横断した位置の列であるブレッドクラム８１０６により表され得る。このデータは、仮想ＰＳＭメッセージを構築するために使用され得る。次に、ＰＳＭメッセージは交差点付近のすべてのエンティティにブロードキャストされ得る。
信号機の無い交差点における交通執行および挙動執行
システムの別の有用な用途は、信号機の無い交差点における交通執行（例えば、一時停止の標識、譲れの標識）、および、地上交通網の任意の場所における良い運転挙動の執行である。
ＶＢＳＭおよびＶＰＳＭを生成することの副産物として、システムは、交通法規を順守しない、および危険な状況および衝突の確率を高める道路ユーザーを追跡し、および検出し得る。危険な状況の予測は、執行を含むように拡張され得る。危険な状況は必ずしも衝突を起こすわけではない。ニアミスが一般的であり、運転手のストレスレベルを高め、その後の事故につながり得る。ニアミスの頻度は執行の欠如に正に相関する。
更に、ＶＢＳＭを使用して、システムは、不適切な運転挙動、例えば、急激な車線変更、および他の形態の無謀な運転を検出し得る。センサーにより収集されたデータは、訓練するために使用され得、および、機械学習モデルが危険な運転挙動を行っている地上交通エンティティにフラグを立てることを可能にし得る。
取締当局は、通常、被害を受け得る道路ユーザーを包含する地上交通エンティティに対して道路の規則を執行するが、当局は、違反を監視する、検出する、および報告するために交差点の近傍に存在することを必要とする。ＶＢＳＭおよびＶＰＳＭを使用して被害を受け得る道路ユーザーを包含する接続されていない地上交通エンティティを追跡することにより、スマートＲＳＥは、取締当局の役割を果たし、および、交差点における道路の規則を執行し得る。例えば、スマートＲＳＥにより追跡される接続されていない車両は、一時停止の標識または譲れの標識に違反していることを検出され得、識別され得、および、当局に報告され得る。同様に、スマートＲＳＥにより追跡される交差点付近の被害を受け得る道路ユーザーは、交差点を違法に横断していることを検出され得、識別され得、および、当局に報告され得る。
執行および他の目的のために、地上交通エンティティは、プレートナンバー認識を包含するがこれらに限定されない固有の識別情報を使用して識別され得る。被害を受け得る道路ユーザーは、顔識別、網膜識別、および声波形識別を包含するがこれらに限定されないバイオメトリック認識を使用して識別され得る。民事事件の調査または犯罪捜査を含む特別な場合には、違反している地上交通エンティティまたは被害を受け得る道路ユーザーの識別をサポートするために、ソーシャルメディアネットワーク（例えば、Ｆａｃｅｂｏｏｋ、Ｉｎｓｔａｇｒａｍ、Ｔｗｉｔｔｅｒ）が更に使用され得る。活用されるソーシャルネットワークの例は、違反者の捕捉された写真をソーシャルネットワークにアップロードし、および、違反者に見覚えのあるソーシャルネットワークのユーザーに対して、違反者を識別することに役立つ情報を取締当局に提供するように要求する。
他の実施態様も後述の請求項の範囲に入る。
（付記項１）
交通網の交差点に位置する機器を備える装置であって、
前記機器が、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信する入力と、
前記交差点における危険な状況または前記交差点付近における危険な状況に関する警告を、前記地上交通エンティティのうちの１つのデバイスに送信する無線通信デバイスと、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
現時点における前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶することであって、前記機械学習モデルが、前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティの以前の動作と関連する挙動とに関する訓練データに基づいている、記憶することと、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティに関する、前記センサーから受信された現在の動作データを、前記地上交通エンティティの切迫した挙動を予測するために前記機械学習モデルに適用することと、
予測された前記切迫した挙動から、前記交差点における前記地上交通エンティティまたは前記交差点付近における前記地上交通エンティティのうちの１つまたは複数に対する切迫した危険な状況を推測することと、
前記地上交通エンティティのうちの１つの前記デバイスに前記危険な状況に関する前記警告を送信することを前記無線通信デバイスにさせることと、
をするための、前記プロセッサにより実行可能な命令のための前記ストレージである、
装置。
（付記項２）
前記機器が、道路沿いの機器を含む、
付記項１に記載の装置。
（付記項３）
前記装置が、前記機器のためのハウジングを備え、
前記センサーが、前記ハウジングに装着された、
付記項１に記載の装置。
（付記項４）
前記交差点における前記地上交通エンティティまたは前記交差点付近における前記地上交通エンティティのうちの任意のものによる受信のための前記警告をブロードキャストすることにより、前記警告が送信される、
付記項１に記載の装置。
（付記項５）
前記機械学習モデルが、人工知能モデルを含む、
付記項１に記載の装置。
（付記項６）
前記訓練データおよび前記動作データが、速度、位置、進行方向、意図、姿勢、または見ている方向のうちの少なくとも１つを含む、
付記項１に記載の装置。
（付記項７）
前記プロセッサが、前記機器において前記機械学習モデルを生成することを可能にするように構成される、
付記項１に記載の装置。
（付記項８）
前記機械学習モデルが、前記機器において生成される、
付記項１に記載の装置。
（付記項９）
前記命令が、前記機器において前記訓練データを記憶するように前記プロセッサにより実行可能である、
付記項１に記載の装置。
（付記項１０）
前記交差点が、信号機の無い交差点を含む、
付記項１に記載の装置。
（付記項１１）
前記交通網が、道路網を含む、
付記項１に記載の装置。
（付記項１２）
前記地上交通エンティティが、被害を受け得る道路ユーザーを含む、
付記項１に記載の装置。
（付記項１３）
前記地上交通エンティティが、車両を含む、
付記項１に記載の装置。
（付記項１４）
前記切迫した危険な状況が、衝突またはニアミスを含む、
付記項１に記載の装置。
（付記項１５）
前記地上交通エンティティが、横断歩道において道路を横断している歩行者を含む、
付記項１に記載の装置。
（付記項１６）
中央サーバーと通信する別の通信デバイスを備える、
付記項１に記載の装置。
（付記項１７）
前記地上交通エンティティのうちの１つの前記デバイスが、モバイル通信デバイスを含む、
付記項１に記載の装置。
（付記項１８）
地上交通エンティティ内に位置する機器または地上交通エンティティ上に位置する前記機器を備える装置であって、
前記機器が、
前記地上交通エンティティ内のセンサーまたは前記地上交通エンティティ上の前記センサーであって、地上交通網の近くの特徴を監視するように配向された前記センサーからのデータと、前記地上交通エンティティが前記地上交通網を横断するコンテキストに関する他の情報とを受信する入力と、
前記コンテキストに関する情報を受信する無線通信デバイスと、
前記センサーからのデータと前記コンテキストに関する他の情報とに信号処理を適用する信号プロセッサと、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
前記地上交通エンティティのオペレーターの挙動と近傍における他の地上交通エンティティの意図および動きとを予測することができる機械学習モデルを記憶することと、
前記オペレーターの前記挙動と近傍における他の地上交通エンティティの意図および動きとを予測するために、前記センサーからの現在の受信された前記データと前記コンテキストに関する他の情報とを適用することと、
をするための、前記プロセッサにより実行可能な命令のためのストレージである、
装置。
（付記項１９）
前記命令が、前記地上交通エンティティのユーザーまたは乗っている人を監視するために、前記プロセッサにより実行可能である、
付記項１８に記載の装置。
（付記項２０）
前記コンテキストに関する前記他の情報が、緊急放送と、道路沿いの機器の交通および安全メッセージと、安全、位置、および他の地上交通エンティティからの他の動作情報に関するメッセージとを包含する、
付記項１８に記載の装置。
（付記項２１）
前記センサーが、カメラ、距離センサー、振動センサー、マイクロホン、座席センサー、炭化水素センサー、揮発性有機化合物および他の有毒物質のセンサー、および、運動学的センサー、または、それらの組み合わせを包含する、
付記項１８に記載の装置。
（付記項２２）
現在位置と、環境条件と、運転手の挙動と、車両の調子およびステータスと、運動学とにおいてどの警報が重要かを予測するために、前記機械学習モデルに前記警報を適用することにより、前記車両において受信された前記警報をフィルタ処理するために、命令が前記プロセッサにより実行可能である、
付記項１８に記載の装置。
（付記項２３）
前記無線通信デバイスが、標識または他のインフラストラクチャー提示デバイスに、危険な状況に関する警告を送信する、
付記項１８に記載の装置。
（付記項２４）
警告が、特定の地上交通エンティティを制御することが可能な命令またはコマンドを含む、
付記項１８に記載の装置。
（付記項２５）
現時点における交通網の交差点における地上交通エンティティまたは前記交通網の前記交差点付近の地上交通エンティティの挙動を予測することができる機械学習モデルを記憶することであって、前記機械学習モデルが、前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティの以前の動作と関連する挙動とに関する訓練データに基づいている、記憶することと、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティに関する、センサーから受信された現在の動作データを、前記地上交通エンティティの切迫した挙動を予測するために前記機械学習モデルに適用することと、
予測された前記切迫した挙動から、前記交差点における前記地上交通エンティティまたは前記交差点付近における前記地上交通エンティティのうちの１つまたは複数に対する切迫した危険な状況を推測することと、
前記地上交通エンティティのうちの１つのデバイスに前記危険な状況に関する警告を送信することを無線通信デバイスにさせることと、
を含む方法。
（付記項２６）
前記交差点における前記地上交通エンティティまたは前記交差点付近における前記地上交通エンティティのうちの任意のものによる受信のための前記警告をブロードキャストすることにより、前記警告が送信される、
付記項２５に記載の方法。
（付記項２７）
前記機械学習モデルが、人工知能モデルを含む、
付記項２５に記載の方法。
（付記項２８）
前記訓練データおよび前記動作データが、速度、位置、進行方向、意図、姿勢、または見ている方向のうちの少なくとも１つを含む、
付記項２５に記載の方法。
（付記項２９）
機器において前記機械学習モデルを生成することを含む、
付記項２５に記載の方法。
（付記項３０）
機器において前記訓練データを記憶することを含む、
付記項２５に記載の方法。
（付記項３１）
地上交通エンティティ内のセンサーまたは地上交通エンティティ上のセンサーであって、地上交通網の近くの特徴を監視するように配向された前記センサーからのデータと、前記地上交通エンティティが前記地上交通網を横断するコンテキストに関する他の情報とを受信することと、
前記コンテキストに関する情報を受信することと、
前記地上交通エンティティのオペレーターの挙動と近傍における他の地上交通エンティティの意図および動きとを予測することができる機械学習モデルを記憶することと、
前記オペレーターの挙動と近傍における他の地上交通エンティティの意図および動きとを予測するために、前記センサーからの現在の受信された前記データと前記コンテキストに関する他の情報とを適用することと、
を含む、方法。
（付記項３２）
前記地上交通エンティティのユーザーまたは乗っている人を監視することを含む、
付記項３１に記載の方法。
（付記項３３）
前記コンテキストに関する前記他の情報が、緊急放送と、道路沿いの機器の交通および安全メッセージと、他の地上交通エンティティからの安全、位置、および他の動作情報に関するメッセージとを包含する、
付記項３１に記載の方法。
（付記項３４）
前記センサーが、カメラ、距離センサー、振動センサー、マイクロホン、座席センサー、炭化水素センサー、揮発性有機化合物および他の有毒物質のセンサー、および運動学的センサー、または、それらの組み合わせを包含する、
付記項３１に記載の方法。
（付記項３５）
現在位置と、環境条件と、運転手の挙動と、車両の調子およびステータスと、運動学とにおいてどの警報が重要かを予測するために、機械学習モデルに前記警報を適用することにより、前記車両において受信された前記警報をフィルタ処理することを含む、
付記項３１に記載の方法。
（付記項３６）
標識または他のインフラストラクチャー提示デバイスに危険な状況に関する警告を送信することを含む、
付記項３１に記載の方法。
（付記項３７）
警告が、特定の地上交通エンティティを制御することが可能な命令またはコマンドを含む、
付記項３１に記載の装置。
（付記項３８）
地上交通網内を移動する道路車両において、
他の地上交通エンティティの位置、動作、および状態に関する、外部ソースからのメッセージを受信することと、
道路および運転状態に関する、および、前記車両の周辺における静的な物体および動く地上交通エンティティの位置に関する、車載センサーからのデータを受信することと、
前記道路車両の運転手による運転の質に関するデータを受信することと、
他の地上交通エンティティからの基本的な安全メッセージと被害を受け得る道路ユーザーからの個人用安全メッセージとを受信することと、
受信された前記データおよび前記メッセージを融合することと、
前記道路車両の運転手の行動もしくは被害を受け得る道路ユーザーの行動、もしくは、前記道路車両に対する衝突リスク、または、前記道路車両の運転手の行動もしくは被害を受け得る道路ユーザーの行動と前記道路車両に対する衝突リスクとの両方を予測するために、融合された前記データおよび前記メッセージを人工知能モデルに適用することと、
を含む、方法。
（付記項３９）
前記道路車両において、前記道路車両の近傍における前記静的な物体と前記動く地上交通エンティティとのマップを生成することを含む、
付記項３８に記載の方法。
（付記項４０）
衝突リスクについて前記道路車両の前記運転手に警報を出すことを含む、
付記項３８に記載の方法。
（付記項４１）
近くの他の動く地上交通エンティティの予測された軌道の確率に基づいて前記衝突リスクを特定することを含む、
付記項３８に記載の方法。
（付記項４２）
前記道路車両の前記運転手に提供される警報の数を減らすために、受信された基本的な安全メッセージと個人用安全メッセージとをフィルタ処理することとを含む、
付記項３８に記載の方法。
（付記項４３）
交通網において動く接続されていない地上交通エンティティに対する動作データを獲得することと、
前記接続されていない地上交通エンティティの近傍における接続された地上交通エンティティに、前記接続されていない地上交通エンティティに対する前記動作データに関する情報を組み込んだ仮想安全メッセージを送信することと、
を含む、方法。
（付記項４４）
前記仮想安全メッセージが、前記接続されていない地上交通エンティティが接続されていると仮定した場合に前記接続されていない地上交通エンティティにより送信される安全メッセージの代わりである、
付記項４３に記載の方法。
（付記項４５）
前記接続されていない地上交通エンティティが、車両を含み、
前記仮想安全メッセージが、基本的な安全メッセージの代わりである、
付記項４３に記載の方法。
（付記項４６）
前記接続されていない地上交通エンティティが、被害を受け得る道路ユーザーを含み、
前記仮想安全メッセージが、個人用安全メッセージの代わりである、
付記項４３に記載の方法。
（付記項４７）
前記動作データが、インフラストラクチャーセンサーにより獲得される、
付記項４３に記載の方法。
（付記項４８）
交通網の交差点に位置する機器を備える装置であって、
前記機器が、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信する入力と、
前記交差点における危険な状況または前記交差点付近における危険な状況に関する警告を、前記地上交通エンティティのうちの１つのデバイスに送信する無線通信デバイスと、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
現時点における前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶することであって、前記機械学習モデルが、前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティの以前の動作と関連する挙動とに関する訓練データに基づいている、記憶することと、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティに関する、前記センサーから受信された現在の動作データを、関与するデバイスが前記無線通信デバイスから警告を受信することができない地上交通エンティティを含む前記地上交通エンティティの切迫した挙動を予測するために、前記機械学習モデルに適用することと、
関与するデバイスが前記無線通信デバイスから警告を受信することができる地上交通エンティティに対する切迫した危険な状況を推測することであって、前記切迫した危険な状況が、前記警告を受信することができない前記地上交通エンティティの予測された切迫した挙動の結果である、推測することと、
前記無線通信デバイスから前記警告を受信し得る前記地上交通エンティティの前記デバイスに前記危険な状況に関する前記警告を送信することと、
をするための、前記プロセッサにより実行可能な命令のためのストレージである、
装置。
（付記項４９）
前記機器が、道路沿いの機器を含む、
付記項４８に記載の装置。
（付記項５０）
前記装置が、前記機器のためのハウジングを備え、
前記センサーが、前記ハウジングに装着された、
付記項４８に記載の装置。
（付記項５１）
前記警告を受信することができる前記交差点における前記地上交通エンティティまたは前記交差点付近における前記地上交通エンティティのうちの任意のものによる受信のための前記警告をブロードキャストすることにより、前記警告が送信される、
付記項４８に記載の装置。
（付記項５２）
前記機械学習モデルが、人工知能モデルを含む、
付記項４８に記載の装置。
（付記項５３）
前記交差点が、信号機の無い交差点を含む、
付記項４８に記載の装置。
（付記項５４）
前記交差点が、信号機付き交差点を含む、
付記項４８に記載の装置。
（付記項５５）
前記交通網が、道路網を含む、
付記項４８に記載の装置。
（付記項５６）
前記地上交通エンティティが、被害を受け得る道路ユーザーを含む、
付記項４８に記載の装置。
（付記項５７）
前記地上交通エンティティが、車両を含む、
付記項４８に記載の装置。
（付記項５８）
前記切迫した危険な状況が、衝突を含む、
付記項４８に記載の装置。
（付記項５９）
関与する前記デバイスが前記無線通信デバイスから前記警告を受信することができない前記地上交通エンティティが、車両を含み、
関与する前記デバイスが前記無線通信デバイスから前記警告を受信することができる前記地上交通エンティティが、横断歩道において道路を横断する歩行者を含む、
付記項４８に記載の装置。
（付記項６０）
中央サーバーと通信する別の通信デバイスを備える、
付記項４８に記載の装置。
（付記項６１）
前記地上交通エンティティのうちの１つの前記デバイスが、モバイル通信デバイスを備える、
付記項４８に記載の装置。
（付記項６２）
地上交通網の交差点と前記交差点への進入路とを監視するために、前記交差点の近傍に位置する電子的なセンサーを使用することであって、前記電子的なセンサーが、前記進入路において動く地上交通エンティティまたは前記交差点において動く地上交通エンティティに関する動作データを生成し、前記地上交通エンティティのうちの１つまたは複数が、前記交差点の近傍における他の地上交通エンティティに安全メッセージを送信することができない、使用することと、
前記電子的なセンサーにより生成された前記動作データに基づいて、メッセージを受信することが可能な前記地上交通エンティティのうちの１つまたは複数に仮想安全メッセージを送信することと、
安全メッセージを送信することができない前記地上交通エンティティのうちの１つまたは複数に関する情報を前記仮想安全メッセージに組み込むことであって、前記仮想安全メッセージの各々における組み込まれた前記情報が、安全メッセージを送信することができない前記地上交通エンティティのうちの１つの位置と進行方向と速度と予測された将来の軌道とのうちの少なくとも１つを含む、組み込むことと、
を含む、方法。
（付記項６３）
組み込まれた前記情報が、前記地上交通エンティティが基本的な安全メッセージまたは個人用安全メッセージを送信することが可能であると仮定した場合に前記地上交通エンティティにより生成される基本的な安全メッセージまたは個人用安全メッセージに組み込まれる情報の部分集合を含む、
付記項６２に記載の方法。
（付記項６４）
安全メッセージを送信することができない前記地上交通エンティティの軌道を予測するために、前記交差点の近傍に位置する機器において動作する機械学習モデルに、生成された前記動作データを適用することを含む、
付記項６２に記載の方法。
（付記項６５）
前記地上交通エンティティのうちの少なくとも１つが、モーター駆動式車両を含む、
付記項６２に記載の方法。
（付記項６６）
機械学習モデルが、インターネットを通してリモートサーバーにより前記交差点の近傍に位置する機器に提供される、
付記項６２に記載の方法。
（付記項６７）
機械学習モデルが、前記交差点の近傍に位置する機器において生成される、
付記項６２に記載の方法。
（付記項６８）
前記交差点の近傍に位置する前記センサーにより生成された動作データを使用して機械学習モデルを訓練することを含む、
付記項６２に記載の方法。
（付記項６９）
機械学習モデルを訓練することにおける使用のために、サーバーに、前記交差点の近傍に位置する前記センサーにより生成された動作データを送信することを含む、
付記項６２に記載の方法。
（付記項７０）
横断歩道内のエリアまたは横断歩道の近くのエリアを監視するために、道路を横断する前記横断歩道の近傍に位置する電子的なセンサーを使用することであって、前記電子的なセンサーが、前記横断歩道内にいる被害を受け得る車道ユーザーまたは前記横断歩道の近くにいる被害を受け得る車道ユーザーに関する動作データを生成する、使用することと、
前記被害を受け得る車道ユーザーのうちの１の前記被害を受け得る車道ユーザーが前記横断歩道に入ろうとしていることを予測するために、前記横断歩道の近傍に位置する機器において動作する機械学習モデルに、生成された前記動作データを適用することと、
前記被害を受け得る車道ユーザーが前記横断歩道に入る前に、前記被害を受け得る車道ユーザーに関連したデバイス、または、前記道路上の前記横断歩道に接近している他の地上交通エンティティに関連したデバイスのうちの少なくとも１つに、警告を無線により送信することと、
を含む、方法。
（付記項７１）
前記被害を受け得る車道ユーザーが、歩行者、動物、またはサイクリストを含む、
付記項７０に記載の方法。
（付記項７２）
前記被害を受け得る車道ユーザーに関連した前記デバイスが、スマートウォッチもしくは他の装着型装置、スマートフォン、または別のモバイルデバイスを含む、
付記項７０に記載の方法。
（付記項７３）
前記他の地上交通エンティティが、モーター駆動式車両を含む、
付記項７０に記載の方法。
（付記項７４）
前記他の地上交通エンティティに関連した前記デバイスが、スマートフォンまたは別のモバイルデバイスを含む、
付記項７０に記載の方法。
（付記項７５）
前記機械学習モデルが、インターネットを通してリモートサーバーにより前記横断歩道の近傍に位置する前記機器に提供される、
付記項７０に記載の方法。
（付記項７６）
前記機械学習モデルが、前記横断歩道の近傍に位置する前記機器において生成される、
付記項７０に記載の方法。
（付記項７７）
前記横断歩道の近傍に位置する前記センサーにより生成された動作データを使用して前記機械学習モデルを訓練することを含む、
付記項７０に記載の方法。
（付記項７８）
前記機械学習モデルを訓練することにおける使用のために、サーバーに、前記横断歩道の近傍に位置する前記センサーにより生成された動作データを送信することを含む、
付記項７０に記載の方法。
（付記項７９）
前記横断歩道の近傍における対応するゾーンに基づいて、前記横断歩道の近傍に位置する前記センサーにより生成された前記動作データをセグメント分けすることを含む、
付記項７０に記載の方法。
（付記項８０）
前記被害を受け得る道路ユーザーの物理的性質を表す動作関連データを生成するために、前記電子的なセンサーを使用することを含む、
付記項７０に記載の方法。
（付記項８１）
前記センサーにより生成された動作データから、前記被害を受け得る道路ユーザーに関する軌道情報を導出することを含む、
付記項７０に記載の方法。
（付記項８２）
交通網の平面交差点に位置する機器を備える装置であって、
前記平面交差点が、道路の交差点、横断歩道、および鉄道線路を含み、
前記機器が、
前記平面交差点における道路車両および歩行者または前記平面交差点付近における道路車両および歩行者を監視するように配向されたセンサーからデータを受信することと、前記道路上の信号および前記鉄道線路上の信号に対するフェーズおよびタイミングデータを受信することとをする入力と、
前記平面交差点における危険な状況または前記平面交差点付近における危険な状況に関する警告を、地上交通エンティティ、歩行者、または前記鉄道線路上の鉄道車両のうちの１つのデバイスに送信する無線通信デバイスと、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
現時点における前記平面交差点における地上交通エンティティまたは前記平面交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶することであって、前記機械学習モデルが、前記交差点における道路車両および歩行者、または、前記交差点付近における道路車両および歩行者の以前の動作および関連する挙動に関する訓練データに基づいている、記憶することと、
前記平面交差点における道路車両および歩行者または前記平面交差点付近における道路車両および歩行者に関する、前記センサーから受信された現在の動作データを、前記道路車両および前記歩行者の切迫した挙動を予測するために、前記機械学習モデルに適用することと、
予測された前記切迫した挙動から、前記交差点における前記鉄道線路上の鉄道車両、または、前記交差点付近における前記鉄道線路上の鉄道車両に対する切迫した危険な状況を推測することと、
前記道路車両、前記歩行者、および前記鉄道車両のうちの少なくとも１つのデバイスに、前記危険な状況に関する前記警告を送信することを前記無線通信デバイスさせることと、
をするための、前記プロセッサにより実行可能な命令のための前記ストレージである、
装置。
（付記項８３）
前記警告が、前記鉄道車両の車載機器に送信される、
付記項８２に記載の装置。
（付記項８４）
前記鉄道線路が、分離された鉄道用地にある、
付記項８２に記載の装置。
（付記項８５）
前記鉄道線路が、分離された鉄道用地にあるのではない、
付記項８２に記載の装置。
（付記項８６）
前記機器が、道路沿いの機器を含む、
付記項８２に記載の装置。
（付記項８７）
前記平面交差点における前記地上交通エンティティ、前記歩行者、または前記鉄道車両、または、前記平面交差点付近における前記地上交通エンティティ、前記歩行者、または前記鉄道車両のうちの任意のものによる受信のための前記警告をブロードキャストすることにより、前記警告が送信される、
付記項８２に記載の装置。
（付記項８８）
前記切迫した危険な状況が、衝突またはニアミスを含む、
付記項８２に記載の装置。
（付記項８９）
地上交通網における運転されている道路車両または歩行している歩行者の位置および動作を表す、インフラストラクチャーセンサーからのデータを受信することと、
前記道路車両および前記歩行者の状態に関する、仮想的な基本的な安全メッセージおよび仮想的な個人用安全メッセージにおけるデータを受信することと、
前記道路車両または前記歩行者のうちの１つの危険な運転または歩行挙動を識別するために、訓練された機械学習モデルに、受信された前記データを適用することと、
当局に、前記危険な運転または歩行挙動を報告することと、
を含む、方法。
（付記項９０）
プレートナンバー認識に基づいて前記道路車両を識別することを含む、
付記項８９に記載の方法。
（付記項９１）
バイオメトリック認識に基づいて前記歩行者を識別することを含む、
付記項８９に記載の方法。
（付記項９２）
ソーシャルネットワーキングに基づいて前記道路車両または前記歩行者を識別することを含む、
付記項８９に記載の方法。
（付記項９３）
地上交通網の交差点および前記交差点への進入路を監視するために、前記交差点の近傍に位置する電子的なセンサーを使用することであって、前記電子的なセンサーが、前記進入路において動く地上交通エンティティまたは前記交差点において動く地上交通エンティティに関する動作データを生成する、使用することと、
前記交差点および前記交差点への前記進入路において別個の仮想ゾーンを規定することと、
生成された前記動作データが関連する対応する前記仮想ゾーンに従って、前記動作データをセグメント分けすることと、
それぞれのセグメントの各々に対する生成された前記動作データを、前記地上交通エンティティのうちの１つまたは複数を伴う、前記交差点における、または前記進入路のうちの１つにおける切迫した危険な状況を予測するために、前記交差点の近傍に位置する機器において動作する機械学習モデルに適用することと、
前記切迫した危険な状況が実際の危険な状況になる前に、関与する前記地上交通エンティティのうちの少なくとも１つに関連したデバイスに、警告を無線により送信することと、
を含む、方法。
（付記項９４）
前記地上交通エンティティの各々に関連した前記デバイスが、装着型装置、スマートフォン、または別のモバイルデバイスを含む、
付記項９３に記載の方法。
（付記項９５）
前記地上交通エンティティのうちの少なくとも１つが、モーター駆動式車両を含む、
付記項９３に記載の方法。
（付記項９６）
前記機械学習モデルが、インターネットを通してリモートサーバーにより前記交差点の近傍に位置する前記機器に提供される、
付記項９３に記載の方法。
（付記項９７）
前記機械学習モデルが、前記交差点の近傍に位置する前記機器において生成される、
付記項９３に記載の方法。
（付記項９８）
前記交差点の近傍に位置する前記センサーにより生成された動作データを使用して前記機械学習モデルを訓練することを含む、
付記項９３に記載の方法。
（付記項９９）
前記機械学習モデルを訓練することにおける使用のために、サーバーに前記交差点の近傍に位置する前記センサーにより生成された前記動作データを送信することを含む、
付記項９３に記載の方法。
（付記項１００）
前記交差点への前記進入路のうちの１つを横断する横断歩道内のエリアまたは前記横断歩道の近くのエリアを監視するために、前記電子的なセンサーを使用することを含む、
付記項９３に記載の方法。
（付記項１０１）
横断歩道の近傍における被害を受け得る道路ユーザーの物理的性質を表す動作関連データを生成するために、前記電子的なセンサーを使用することを含む、
付記項９３に記載の方法。
（付記項１０２）
前記センサーにより生成された動作データから、被害を受け得る道路ユーザーに関する軌道情報を導出することを含む、
付記項９３に記載の方法。
（付記項１０３）
前記交差点への前記進入路の各々に対して機械学習モデルが存在する、
付記項９３に記載の方法。
（付記項１０４）
別の近くの交差点に関連したセンサーにより生成された動作データに更に基づいて、前記警告を送信するか否かを判定することを含む、
付記項９３に記載の方法。
（付記項１０５）
前記進入路において動く地上交通エンティティまたは前記交差点において動く地上交通エンティティから受信された情報に更に基づいて、前記警告を送信するか否かを判定することを含む、
付記項９３に記載の方法。
（付記項１０６）
前記交差点が、信号機付きであり、
信号の状態に関する情報が受信される、
付記項９３に記載の方法。
（付記項１０７）
前記交差点が、信号機付きではなく、１つまたは複数の標識により制御される、
付記項９３に記載の方法。
（付記項１０８）
規定の前記仮想ゾーンが、前記標識により制御される１つまたは複数の前記進入路を含む、
付記項１０７に記載の方法。
（付記項１０９）
前記標識が、一時停止の標識または譲れの標識を含む、
付記項１０７に記載の方法。
（付記項１１０）
前記地上交通エンティティのうちの１つが、鉄道車両を含む、
付記項１０７に記載の方法。
（付記項１１１）
交通網の交差点に位置する機器を備える装置であって、
前記機器が、
前記交差点における地上交通エンティティまたは前記交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信する入力であって、前記センサーの各々からの前記データが、前記地上交通エンティティのうちの少なくとも１つの前記地上交通エンティティの少なくとも１つの位置または動作パラメータを表し、前記センサーの各々からの前記データが、ネイティブなフォーマットにより表され、前記センサーのうちの少なくとも２つから受信された前記データが、前記位置または動作パラメータに関して、または、前記ネイティブなフォーマットに関して、または、前記位置または動作パラメータと前記ネイティブなフォーマットとの両方に関して一致しない、前記入力と、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
前記センサーの各々からの前記データを、前記センサーの前記データの前記ネイティブなフォーマットから独立した共通フォーマットをもつデータに変換することと、
前記共通フォーマットをもつ前記データを、前記交差点において監視されている前記地上交通エンティティまたは前記交差点付近において監視されている前記地上交通エンティティのグローバルな統合的表現に組み込むことであって、前記グローバルな統合的表現が、前記地上交通エンティティの各々の位置、速度、および進行方向を包含する、組み込むことと、
前記グローバルな統合的表現を使用して前記地上交通エンティティのうちの２つの前記地上交通エンティティの位置および動作の関連性を特定することと、
前記２つの地上交通エンティティに関わる危険な状況を予測することと、
前記危険な状況について前記２つの地上交通エンティティのうちの少なくとも１つの前記地上交通エンティティに警報を出すメッセージを、前記２つの地上交通エンティティのうちの前記少なくとも１つの地上交通エンティティに送信することと、
をするための、前記プロセッサにより実行可能な命令のための前記ストレージである、
装置。
（付記項１１２）
前記センサーが、レーダー、ライダー、およびカメラのうちの少なくとも２つを含む、
付記項１１１に記載の装置。
（付記項１１３）
前記センサーのうちの１つから受信された前記データが、連続した瞬間における視野の画像データを含む、
付記項１１１に記載の装置。
（付記項１１４）
前記センサーのうちの１つから受信された前記データが、３Ｄ空間における反射点を含む、
付記項１１１に記載の装置。
（付記項１１５）
前記センサーのうちの１つから受信された前記データが、前記センサーからの距離および速度を包含する、
付記項１１１に記載の装置。
（付記項１１６）
前記グローバルな統合的表現が、共通基準座標系における前記地上交通エンティティの位置を表す、
付記項１１１に記載の装置。
（付記項１１７）
前記装置が、少なくとも２つの前記センサーを備え、
前記少なくとも２つのセンサーから前記データが受信され、
２つの前記センサーが、前記交差点における固定位置または前記交差点付近における固定位置に備え付けられており、少なくとも部分的に重ならない視野をもつ、
付記項１１１に記載の装置。
（付記項１１８）
前記センサーのうちの１つが、レーダーを含み、
前記データを変換することが、前記レーダーの知られた位置からの地上交通エンティティの位置と、前記レーダーから前記地上交通エンティティまでの距離とを特定することを含む、
付記項１１７に記載の装置。
（付記項１１９）
前記センサーのうちの１つが、カメラを含み、
前記データを変換することが、知られた位置からの地上交通エンティティの位置、視野方向、および、前記カメラのチルト、および、前記カメラの画像フレーム内における前記地上交通エンティティの位置を特定することを含む、
付記項１１７に記載の装置。
（付記項１２０）
地上交通網の交差点における地上交通エンティティ、または、地上交通網の交差点付近における地上交通エンティティを監視するように配向されたセンサーからデータを受信することであって、前記センサーの各々からの前記データが、前記地上交通エンティティのうちの少なくとも１つの前記地上交通エンティティの少なくとも１つの位置または動作パラメータを表し、前記センサーの各々からの前記データが、ネイティブなフォーマットにより表され、前記センサーのうちの少なくとも２つから受信された前記データが、前記位置または動作パラメータに関して、または、前記ネイティブなフォーマットに関して、または、前記位置または動作パラメータと前記ネイティブなフォーマットとの両方に関して一致しない、受信することと、
前記センサーの各々からの前記データを、前記センサーの前記データの前記ネイティブなフォーマットから独立した共通フォーマットをもつデータに変換することと、
前記共通フォーマットをもつ前記データを、前記交差点において監視されている前記地上交通エンティティまたは前記交差点付近において監視されている前記地上交通エンティティのグローバルな統合的表現に組み込むことであって、前記グローバルな統合的表現が、前記地上交通エンティティの各々の位置、速度、および進行方向を包含する、組み込むことと、
前記グローバルな統合的表現を使用して前記地上交通エンティティのうちの２つの前記地上交通エンティティの位置および動作の関連性を特定することと、
前記２つの地上交通エンティティに関わる危険な状況を予測することと、
前記危険な状況について前記２つの地上交通エンティティのうちの少なくとも１つの前記地上交通エンティティに警報を出すメッセージを、前記２つの地上交通エンティティのうちの前記少なくとも１つの地上交通エンティティに送信することと、
を含む、方法。
（付記項１２１）
前記センサーが、レーダー、ライダー、およびカメラのうちの少なくとも２つを含む、
付記項１２０に記載の方法。
（付記項１２２）
前記センサーのうちの１つから受信された前記データが、連続した瞬間における視野の画像データを含む、
付記項１２０に記載の方法。
（付記項１２３）
前記センサーのうちの１つから受信された前記データが、３Ｄ空間における反射点を含む、
付記項１２０に記載の方法。
（付記項１２４）
前記センサーのうちの１つから受信された前記データが、前記センサーからの距離および速度を包含する、
付記項１２０に記載の方法。
（付記項１２５）
前記グローバルな統合的表現が、共通基準座標系における前記地上交通エンティティの位置を表す、
付記項１２０に記載の方法。
（付記項１２６）
前記データが、前記交差点における固定位置または前記交差点付近における固定位置に備え付けられた、および、少なくとも部分的に重ならない視野をもつ２つの前記センサーのうちの少なくとも２つの前記センサーから受信される、
付記項１２０に記載の方法。
（付記項１２７）
前記センサーのうちの１つが、レーダーを含み、
前記方法が、前記レーダーの知られた位置からの地上交通エンティティの位置と、前記レーダーから前記地上交通エンティティまでの距離とを特定することを含む、前記データを変換することを含む、
付記項１２６に記載の方法。
（付記項１２８）
前記センサーのうちの１つが、カメラを備え、
前記方法が、知られた位置からの地上交通エンティティの位置、視野方向、および、前記カメラのチルト、および、前記カメラの画像フレーム内における前記地上交通エンティティの位置を特定することを含む、前記データを変換することを含む、
付記項１２６に記載の方法。
（態様１）
横断歩道内のエリアおよび横断歩道の近くのエリアを監視するために、道路を横断する前記横断歩道の近傍に位置する電子的なセンサーを使用することであって、前記電子的なセンサーが、前記横断歩道内にいる被害を受け得る車道ユーザーまたは前記横断歩道の近くにいる被害を受け得る車道ユーザーに関する動作データを生成し、前記動作データが、前記被害を受け得る車道ユーザーの位置と方向とを含む、使用することと、
前記被害を受け得る車道ユーザーのうちの１の前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入ろうとしていることの予測を行うために、前記横断歩道の近傍に位置する機器において動作する機械学習モデルに、生成された前記動作データを適用することであって、前記予測が、前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入る前に行われ、前記機械学習モデルが、前記横断歩道の近傍において生成された動作データであって、以前に前記横断歩道内にいた、または前記横断歩道の近くにいた被害を受け得る車道ユーザーの意図または挙動を示す前記動作データを使用して訓練されたものであり、前記動作データが、位置、速度、加速度、および配向を含む、適用することと、
前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入る前に、前記被害を受け得る車道ユーザーに関連したデバイスと、前記道路上の前記横断歩道に接近している他の地上交通エンティティに関連したデバイスと、前記被害を受け得る車道ユーザーまたは運転手に警報を出すように構成された道路標識とのうちの少なくとも１つに、警告を送信することと、
を含む、方法。
（態様２）
前記被害を受け得る車道ユーザーが、歩行者、動物、またはサイクリストを含む、
態様１に記載の方法。
（態様３）
前記被害を受け得る車道ユーザーに関連した前記デバイスが、スマートウォッチもしくは他の装着型装置、スマートフォン、または別のモバイルデバイスを含む、
態様１に記載の方法。
（態様４）
前記他の地上交通エンティティが、モーター駆動式車両を含む、
態様１に記載の方法。
（態様５）
前記他の地上交通エンティティに関連した前記デバイスが、スマートフォンまたは別のモバイルデバイスを含む、
態様１に記載の方法。
（態様６）
前記機械学習モデルが、インターネットを通してリモートサーバーにより前記横断歩道の近傍に位置する前記機器に提供される、
態様１に記載の方法。
（態様７）
前記機械学習モデルが、前記横断歩道の近傍に位置する前記機器において生成される、
態様１に記載の方法。
（態様８）
前記横断歩道の近傍に位置する前記センサーにより生成された動作データを使用して前記機械学習モデルを訓練することを含む、
態様１に記載の方法。
（態様９）
前記機械学習モデルを訓練することにおける使用のために、サーバーに、前記横断歩道の近傍に位置する前記センサーにより生成された動作データを送信することを含む、
態様１に記載の方法。
（態様１０）
前記横断歩道の近傍における対応するゾーンに基づいて、前記横断歩道の近傍に位置する前記センサーにより生成された前記動作データをセグメント分けすることを含む、
態様１に記載の方法。
（態様１１）
前記被害を受け得る車道ユーザーの物理的性質を表す動作関連データを生成するために、前記電子的なセンサーを使用することを含む、
態様１に記載の方法。
（態様１２）
前記センサーにより生成された動作データから、前記被害を受け得る車道ユーザーに関する軌道情報を導出することを含む、
態様１に記載の方法。
（態様１３）
交通網の平面交差点に位置する機器を備える装置であって、
前記平面交差点が、道路の交差点、横断歩道、および鉄道線路を含み、
前記機器が、
前記平面交差点における道路車両および歩行者または前記平面交差点付近における道路車両および歩行者を監視するように配向されたセンサーからデータを受信することと、前記道路上の信号および前記鉄道線路上の信号に対するフェーズおよびタイミングデータを受信することとをする入力と、
前記平面交差点における危険な状況または前記平面交差点付近における危険な状況に関する警告を、地上交通エンティティ、歩行者、または前記鉄道線路上の鉄道車両のうちの１つのデバイスに送信する無線通信デバイスと、
プロセッサと、
ストレージと、
を備え、
前記ストレージが、
現時点における前記平面交差点における地上交通エンティティまたは前記平面交差点付近における地上交通エンティティの挙動を予測することができる機械学習モデルを記憶することであって、前記機械学習モデルが、前記交差点における道路車両および歩行者、または、前記交差点付近における道路車両および歩行者の以前の動作および関連する挙動に関する訓練データと、前記道路上の信号および前記鉄道線路上の信号に対する以前のフェーズおよびタイミングデータとに基づいている、記憶することと、
前記平面交差点における道路車両および歩行者または前記平面交差点付近における道路車両および歩行者に関する、前記センサーから受信された現在の動作データと、前記道路上の信号および前記鉄道線路上の信号に対する現在のフェーズおよびタイミングデータとを、前記道路車両および前記歩行者の切迫した挙動を予測するために、前記機械学習モデルに適用することと、
予測された前記切迫した挙動から、前記交差点における前記鉄道線路上の鉄道車両、または、前記交差点付近における前記鉄道線路上の鉄道車両に対する切迫した危険な状況を推測することと、
前記道路車両、前記歩行者、および前記鉄道車両のうちの少なくとも１つのデバイスに、前記危険な状況に関する前記警告を送信することを前記無線通信デバイスにさせることと、
をするための、前記プロセッサにより実行可能な命令のための前記ストレージである、
装置。
（態様１４）
前記警告が、前記鉄道車両の車載機器に送信される、
態様１３に記載の装置。
（態様１５）
前記鉄道線路が、分離された鉄道用地にある、
態様１３に記載の装置。
（態様１６）
前記鉄道線路が、分離された鉄道用地にあるのではない、
態様１３に記載の装置。
（態様１７）
前記機器が、道路沿いの機器を含む、
態様１３に記載の装置。
（態様１８）
前記平面交差点における前記地上交通エンティティ、前記歩行者、または前記鉄道車両、または、前記平面交差点付近における前記地上交通エンティティ、前記歩行者、または前記鉄道車両のうちの任意のものによる受信のための前記警告をブロードキャストすることにより、前記警告が送信される、
態様１３に記載の装置。
（態様１９）
前記切迫した危険な状況が、衝突またはニアミスを含む、
態様１３に記載の装置。
（態様２０）
地上交通網における運転されている道路車両または歩行している歩行者の位置および動作を表す、インフラストラクチャーセンサーからのデータを受信することと、
前記道路車両および前記歩行者の状態に関する、基本的な安全メッセージまたは仮想的な基本的な安全メッセージと個人用安全メッセージと仮想的な個人用安全メッセージとにおけるデータを受信することであって、前記基本的な安全メッセージと前記仮想的な基本的な安全メッセージと前記個人用安全メッセージと前記仮想的な個人用安全メッセージとが、前記道路車両または前記歩行者に関する位置、進行方向、および速度情報を含み、前記基本的な安全メッセージと前記個人用安全メッセージとが、前記道路車両または前記歩行者から受信され、前記仮想的な基本的な安全メッセージと前記仮想的な個人用安全メッセージとが、前記インフラストラクチャーセンサーから受信された前記データから再構成された前記道路車両と前記歩行者とに関する位置、進行方向、および速度情報を含む、受信することと、
前記道路車両または前記歩行者のうちの１つの危険な運転または歩行挙動を識別するために、訓練された機械学習モデルに、前記インフラストラクチャーセンサーから受信された前記データを、および、前記基本的な安全メッセージと前記仮想的な基本的な安全メッセージと前記個人用安全メッセージと前記仮想的な個人用安全メッセージとからのデータを適用することと、
当局に、前記危険な運転または歩行挙動を自動的に報告することと、
を含む、方法。
（態様２１）
プレートナンバー認識に基づいて前記道路車両を識別することを含む、
態様２０に記載の方法。
（態様２２）
バイオメトリック認識に基づいて前記歩行者を識別することを含む、
態様２０に記載の方法。
（態様２３）
ソーシャルネットワーキングに基づいて前記道路車両または前記歩行者を識別することを含む、
態様２０に記載の方法。

Claims (12)

  1. 横断歩道内のエリアおよび横断歩道の近くのエリアを監視するために、道路を横断する前記横断歩道の近傍に位置する電子的なセンサーを使用することであって、前記電子的なセンサーが、前記横断歩道内にいる被害を受け得る車道ユーザーまたは前記横断歩道の近くにいる被害を受け得る車道ユーザーに関する動作データを生成し、前記動作データが、前記被害を受け得る車道ユーザーの位置と方向とを含む、使用することと、
    前記被害を受け得る車道ユーザーのうちの１の前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入ろうとしていることの予測を行うために、前記横断歩道の近傍に位置する機器において動作する機械学習モデルに、生成された前記動作データを適用することであって、前記予測が、前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入る前に行われ、前記機械学習モデルが、前記横断歩道の近傍において生成された動作データであって、以前に前記横断歩道内にいた、または前記横断歩道の近くにいた被害を受け得る車道ユーザーの意図または挙動を示す前記動作データを使用して訓練されたものであり、前記機械学習モデルを訓練するための前記動作データが、位置、速度、加速度、および配向を含む、適用することと、
    前記被害を受け得る車道ユーザーが前記横断歩道内の前記道路または前記横断歩道の近くの前記道路に入る前に、前記被害を受け得る車道ユーザーに関連したデバイスと、前記道路上の前記横断歩道に接近している他の地上交通エンティティに関連したデバイスと、前記被害を受け得る車道ユーザーまたは運転手に警報を出すように構成された道路標識とのうちの少なくとも１つに、警告を送信することと、
    を含む、方法。
  2. 前記被害を受け得る車道ユーザーが、歩行者、動物、またはサイクリストを含む、
    請求項１に記載の方法。
  3. 前記被害を受け得る車道ユーザーに関連した前記デバイスが、スマートウォッチもしくは他の装着型装置、スマートフォン、または別のモバイルデバイスを含む、
    請求項１に記載の方法。
  4. 前記他の地上交通エンティティが、モーター駆動式車両を含む、
    請求項１に記載の方法。
  5. 前記他の地上交通エンティティに関連した前記デバイスが、スマートフォンまたは別のモバイルデバイスを含む、
    請求項１に記載の方法。
  6. 前記機械学習モデルが、インターネットを通してリモートサーバーにより前記横断歩道の近傍に位置する前記機器に提供される、
    請求項１に記載の方法。
  7. 前記機械学習モデルが、前記横断歩道の近傍に位置する前記機器において生成される、
    請求項１に記載の方法。
  8. 前記横断歩道の近傍に位置する前記センサーにより生成された動作データを使用して前記機械学習モデルを訓練することを含む、
    請求項１に記載の方法。
  9. 前記機械学習モデルを訓練することにおける使用のために、サーバーに、前記横断歩道の近傍に位置する前記センサーにより生成された動作データを送信することを含む、
    請求項１に記載の方法。
  10. 前記横断歩道の近傍における対応するゾーンに基づいて、前記横断歩道の近傍に位置する前記センサーにより生成された前記動作データをセグメント分けすることを含む、
    請求項１に記載の方法。
  11. 前記被害を受け得る車道ユーザーの物理的性質を表す動作関連データを生成するために、前記電子的なセンサーを使用することを含む、
    請求項１に記載の方法。
  12. 前記センサーにより生成された動作データから、前記被害を受け得る車道ユーザーに関する軌道情報を導出することを含む、
    請求項１に記載の方法。
JP2021500364A 2018-03-19 2019-03-14 早期警告および衝突回避 Active JP7362721B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023131721A JP2023156430A (ja) 2018-03-19 2023-08-11 早期警告および衝突回避

Applications Claiming Priority (15)

Application Number Priority Date Filing Date Title
US201862644725P 2018-03-19 2018-03-19
US62/644,725 2018-03-19
US15/994,915 US20190287394A1 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,568 US10950130B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,826 2018-05-31
US15/994,702 US11749111B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,850 US11257370B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,702 2018-05-31
US15/994,915 2018-05-31
US15/994,568 2018-05-31
US15/994,826 US10235882B1 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,850 2018-05-31
US16/222,536 2018-12-17
US16/222,536 US10565880B2 (en) 2018-03-19 2018-12-17 Early warning and collision avoidance
PCT/IB2019/052064 WO2019180551A1 (en) 2018-03-19 2019-03-14 Early warning and collision avoidance

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023131721A Division JP2023156430A (ja) 2018-03-19 2023-08-11 早期警告および衝突回避

Publications (3)

Publication Number Publication Date
JP2021518623A JP2021518623A (ja) 2021-08-02
JPWO2019180551A5 JPWO2019180551A5 (ja) 2022-03-17
JP7362721B2 true JP7362721B2 (ja) 2023-10-17

Family

ID=65721952

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021500364A Active JP7362721B2 (ja) 2018-03-19 2019-03-14 早期警告および衝突回避
JP2023131721A Pending JP2023156430A (ja) 2018-03-19 2023-08-11 早期警告および衝突回避

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023131721A Pending JP2023156430A (ja) 2018-03-19 2023-08-11 早期警告および衝突回避

Country Status (8)

Country Link
US (11) US10235882B1 (ja)
EP (1) EP3753001A1 (ja)
JP (2) JP7362721B2 (ja)
CN (2) CN117649782A (ja)
CA (1) CA3094275A1 (ja)
SA (1) SA520420162B1 (ja)
SG (1) SG11202009104UA (ja)
WO (1) WO2019180551A1 (ja)

Families Citing this family (178)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016126317A1 (en) * 2015-02-06 2016-08-11 Delphi Technologies, Inc. Method of automatically controlling an autonomous vehicle based on electronic messages from roadside infrastructure of other vehicles
SE539221C2 (en) * 2015-06-04 2017-05-23 Scania Cv Ab Method and control unit for avoiding an accident at a crosswalk
JP6334604B2 (ja) * 2016-05-24 2018-05-30 京セラ株式会社 車載装置、車両、報知システム、及び報知方法
US10380886B2 (en) * 2017-05-17 2019-08-13 Cavh Llc Connected automated vehicle highway systems and methods
US10252717B2 (en) * 2017-01-10 2019-04-09 Toyota Jidosha Kabushiki Kaisha Vehicular mitigation system based on wireless vehicle data
US11087200B2 (en) 2017-03-17 2021-08-10 The Regents Of The University Of Michigan Method and apparatus for constructing informative outcomes to guide multi-policy decision making
JP6638695B2 (ja) * 2017-05-18 2020-01-29 トヨタ自動車株式会社 自動運転システム
US10794710B1 (en) 2017-09-08 2020-10-06 Perceptin Shenzhen Limited High-precision multi-layer visual and semantic map by autonomous units
US10588009B2 (en) * 2017-10-27 2020-03-10 Toyota Jidosha Kabushiki Kaisha PSM message-based device discovery for a vehicular mesh network
US10803746B2 (en) 2017-11-28 2020-10-13 Honda Motor Co., Ltd. System and method for providing an infrastructure based safety alert associated with at least one roadway
CN111886154A (zh) * 2018-03-12 2020-11-03 三菱电机株式会社 驾驶辅助装置、驾驶辅助方法和驾驶辅助程序
US10235882B1 (en) 2018-03-19 2019-03-19 Derq Inc. Early warning and collision avoidance
MX2020010924A (es) * 2018-04-17 2020-12-09 Valiant Yuk Yuen Leung Interseccion de transito reconfigurable sinergica.
US11122852B2 (en) 2018-05-31 2021-09-21 Nike, Inc. Intelligent electronic footwear and logic for navigation assistance by automated tactile, audio, and visual feedback
US10172409B1 (en) 2018-05-31 2019-01-08 Nike, Inc. Intelligent electronic footwear and control logic for automated pedestrian collision avoidance
US10909851B2 (en) * 2018-06-06 2021-02-02 Motional Ad Llc Vehicle intent communication system
WO2020014131A1 (en) * 2018-07-10 2020-01-16 Cavh Llc Connected automated vehicle highway systems and methods related to transit vehicles and systems
US10564641B2 (en) * 2018-07-20 2020-02-18 May Mobility, Inc. Multi-perspective system and method for behavioral policy selection by an autonomous agent
US10614709B2 (en) 2018-07-24 2020-04-07 May Mobility, Inc. Systems and methods for implementing multimodal safety operations with an autonomous agent
JP2020028017A (ja) * 2018-08-10 2020-02-20 パナソニック株式会社 車両等検知システムおよび車両等検知方法
US10962642B2 (en) * 2018-08-29 2021-03-30 Metawave Corporation Method and apparatus for radar infrastructure
CN110928284B (zh) * 2018-09-19 2024-03-29 阿波罗智能技术(北京)有限公司 辅助控制车辆的自动驾驶的方法、设备、介质和系统
DE102018216082A1 (de) * 2018-09-20 2018-12-13 Robert Bosch Gmbh Verfahren zur kooperativen Manöverabstimmung
JP7169832B2 (ja) * 2018-09-27 2022-11-11 株式会社Subaru 車両の移動体監視装置、およびこれを用いる車両制御システム
US10885776B2 (en) * 2018-10-11 2021-01-05 Toyota Research Institute, Inc. System and method for roadway context learning by infrastructure sensors
WO2020074919A1 (en) * 2018-10-13 2020-04-16 Sandeep Kumar Chintala Road information exchange system
JP2020065200A (ja) * 2018-10-18 2020-04-23 パナソニックｉ−ＰＲＯセンシングソリューションズ株式会社 車両等検知システムおよび車両等検知方法
US11244176B2 (en) * 2018-10-26 2022-02-08 Cartica Ai Ltd Obstacle detection and mapping
US11288750B1 (en) * 2018-10-31 2022-03-29 United Services Automobile Association (Usaa) Method and system for automatically detecting vehicle collisions for insurance claims
WO2020092687A1 (en) * 2018-10-31 2020-05-07 Fwd Inc. Ephemeral and private beacon network
US11124185B2 (en) * 2018-11-13 2021-09-21 Zoox, Inc. Perception collision avoidance
US10569770B1 (en) * 2018-12-11 2020-02-25 Mando Corporation Driver assistance system
US11104332B2 (en) 2018-12-12 2021-08-31 Zoox, Inc. Collision avoidance system with trajectory validation
DE102018222670A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen eines idealisierten Überholvorgangs
JP7180421B2 (ja) * 2019-02-04 2022-11-30 トヨタ自動車株式会社 車両制御装置
US10969470B2 (en) 2019-02-15 2021-04-06 May Mobility, Inc. Systems and methods for intelligently calibrating infrastructure devices using onboard sensors of an autonomous agent
US11170639B2 (en) * 2019-03-05 2021-11-09 University Of Massachusetts Transportation threat detection system
KR20200109459A (ko) * 2019-03-13 2020-09-23 두산인프라코어 주식회사 건설기계의 트랙 장력 모니터링 방법 및 시스템
US11496895B2 (en) * 2019-03-27 2022-11-08 At&T Intellectual Property I, L.P. Facilitation of authentication management for autonomous vehicles
US11688293B2 (en) * 2019-03-29 2023-06-27 Volvo Car Corporation Providing educational media content items based on a determined context of a vehicle or driver of the vehicle
US11335191B2 (en) * 2019-04-04 2022-05-17 Geotab Inc. Intelligent telematics system for defining road networks
US11403938B2 (en) 2019-04-04 2022-08-02 Geotab Inc. Method for determining traffic metrics of a road network
US10699564B1 (en) * 2019-04-04 2020-06-30 Geotab Inc. Method for defining intersections using machine learning
US11341846B2 (en) 2019-04-04 2022-05-24 Geotab Inc. Traffic analytics system for defining road networks
US11335189B2 (en) 2019-04-04 2022-05-17 Geotab Inc. Method for defining road networks
US11741839B2 (en) * 2019-04-23 2023-08-29 Quon Technology Ltd. Traffic safety assistance device, mobile information terminal, and program
FR3095404B1 (fr) * 2019-04-25 2021-10-22 Transdev Group Dispositif électronique de communication, appareil de surveillance, installation de supervision, procédé de communication et programme d’ordinateur associés
FR3095405B1 (fr) * 2019-04-25 2021-05-07 Transdev Group Dispositif électronique de communication, appareil de surveillance, installation de supervision, procédé de communication et programme d’ordinateur associés
FR3095401B1 (fr) * 2019-04-26 2021-05-07 Transdev Group Plateforme et procédé de supervision d’une infrastructure pour véhicules de transport, véhicule, système de transport et programme d’ordinateur associés
KR20200130774A (ko) * 2019-05-03 2020-11-20 삼성전자주식회사 차량의 주행을 보조하는 전자 장치 및 방법
CN110174093B (zh) * 2019-05-05 2022-10-28 腾讯科技（深圳）有限公司 定位方法、装置、设备和计算机可读存储介质
JP7200820B2 (ja) * 2019-05-13 2023-01-10 株式会社デンソー 物標識別装置および運転支援装置
US11386778B2 (en) 2019-05-17 2022-07-12 sibrtech inc. Road user detecting and communication device and method
US10665109B1 (en) 2019-05-17 2020-05-26 sibrtech inc. Construction zone apparatus and method
FR3096639B1 (fr) * 2019-05-27 2021-04-30 Psa Automobiles Sa Assistance à la conduite de véhicules, par signalisation des portions ouvertes et fermées de voies de circulation
US11120279B2 (en) * 2019-05-30 2021-09-14 GM Global Technology Operations LLC Identification of distracted pedestrians
US11420625B2 (en) * 2019-07-03 2022-08-23 Ford Global Technologies, Llc Vehicle intersection operation
US11941976B2 (en) * 2019-07-25 2024-03-26 Pony Ai Inc. System and method for sharing data collected from the street sensors
US11100801B2 (en) * 2019-08-12 2021-08-24 Toyota Motor North America, Inc. Utilizing sensors to detect hazard from other vehicle while driving
US11610486B1 (en) * 2019-08-14 2023-03-21 Traffic & Parking Control Co., Inc. Connected-vehicle interface module and method of use
DE102019212829A1 (de) * 2019-08-27 2021-03-04 Psa Automobiles Sa Automatisierte Erkennung eines anormalen Verhaltens eines Verkehrsteilnehmers
EP4022591A4 (en) 2019-08-29 2022-10-19 Derq Inc. IMPROVED ON-BOARD EQUIPMENT
US11663514B1 (en) * 2019-08-30 2023-05-30 Apple Inc. Multimodal input processing system
US11625624B2 (en) 2019-09-24 2023-04-11 Ford Global Technologies, Llc Vehicle-to-everything (V2X)-based real-time vehicular incident risk prediction
CN110689760A (zh) * 2019-09-26 2020-01-14 浙江海洋大学 一种山区内保护道路安全的系统及方法
US11210952B2 (en) * 2019-10-17 2021-12-28 Verizon Patent And Licensing Inc. Systems and methods for controlling vehicle traffic
CN112712729B (zh) * 2019-10-26 2023-01-06 华为技术有限公司 预测运动轨迹的方法和系统
US11334797B2 (en) 2019-10-28 2022-05-17 Denso International America, Inc. System and method for predicting and interpreting driving behavior
US11203348B2 (en) 2019-10-28 2021-12-21 Denso International America, Inc. System and method for predicting and interpreting driving behavior
US20220383748A1 (en) * 2019-10-29 2022-12-01 Sony Group Corporation Vehicle control in geographical control zones
US11530961B2 (en) 2019-11-07 2022-12-20 Geotab, Inc. Vehicle vocation system
FR3102966A1 (fr) * 2019-11-08 2021-05-14 Psa Automobiles Sa Procédé de suivi d’un véhicule autonome
DE102019130295A1 (de) * 2019-11-11 2021-05-12 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben eines Abstandssensors eines Fahrzeugs mit Anpassung eines Sendesignals in Abhängigkeit von einer Klassifizierung eines Objekts, Recheneinrichtung sowie Sensorvorrichtung
US11151879B2 (en) * 2019-11-11 2021-10-19 Continental Teves Ag & Co. Ohg Communication device, method for execution by a communication device, and method for improving traffic safety of a road user
CN111127876B (zh) * 2019-11-18 2021-11-05 腾讯科技（深圳）有限公司 车联网的信息提取方法及装置
FR3103614A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et système de détection d’un usager vulnérable évoluant à proximité d’un véhicule automobile
FR3103437A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et dispositif de détermination de consigne pour véhicule
FR3103613A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et dispositif de transmission de consignes pour véhicule
JP2021086552A (ja) * 2019-11-29 2021-06-03 三菱電機株式会社 情報処理装置、表示方法、及び表示プログラム
US11433892B2 (en) * 2019-12-02 2022-09-06 Gm Cruise Holdings Llc Assertive vehicle detection model generation
US11827255B2 (en) 2019-12-09 2023-11-28 Thales Canada Inc System and method for vehicle control
CN111044045B (zh) * 2019-12-09 2022-05-27 中国科学院深圳先进技术研究院 基于神经网络的导航方法、装置及终端设备
US20210183240A1 (en) * 2019-12-11 2021-06-17 Continental Automotive Systems, Inc. Smart intersection with criticality determination
US20220388505A1 (en) * 2019-12-12 2022-12-08 Intel Corporation Vulnerable road user safety technologies based on responsibility sensitive safety
CN112966850A (zh) * 2019-12-13 2021-06-15 罗伯特·博世有限公司 轨迹预测方法及设备
US11776396B2 (en) * 2019-12-17 2023-10-03 Denso International America, Inc. Intersection infrastructure warning system
US11592827B1 (en) * 2019-12-18 2023-02-28 Waymo Llc Predicting yielding likelihood for an agent
US11480963B2 (en) 2019-12-20 2022-10-25 Waymo Llc Vehicle intent prediction neural network
RU2750243C2 (ru) 2019-12-24 2021-06-24 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и система для формирования траектории для беспилотного автомобиля (sdc)
US10971005B1 (en) 2019-12-26 2021-04-06 Continental Automotive Systems, Inc. Determining I2X traffic-participant criticality
US11587329B2 (en) 2019-12-27 2023-02-21 Valeo Schalter Und Sensoren Gmbh Method and apparatus for predicting intent of vulnerable road users
EP4088267A4 (en) * 2020-01-06 2024-01-03 Intel Corp INTELLIGENT TRANSPORT SYSTEM, GROUPING OF VULNERABLE ROAD USERS, USER PROFILES AND MANEUVERING COORDINATION MECHANISMS
US20210213977A1 (en) * 2020-01-14 2021-07-15 Allstate Insurance Company Nearby Driver Intent Determining Autonomous Driving System
US11416959B1 (en) * 2020-02-10 2022-08-16 Zoox, Inc. Vision architecture
KR102279754B1 (ko) * 2020-02-10 2021-07-20 주식회사 서울로보틱스 충돌 사고 방지 방법, 장치, 서버, 및 컴퓨터 프로그램
US11447129B2 (en) * 2020-02-11 2022-09-20 Toyota Research Institute, Inc. System and method for predicting the movement of pedestrians
CN113256962B (zh) * 2020-02-13 2022-12-23 宁波吉利汽车研究开发有限公司 一种车辆安全预警方法及系统
US11482109B2 (en) 2020-03-02 2022-10-25 Toyota Motor Eng & Mfg North America, Inc. Cooperative vehicle monitoring
US11890987B2 (en) * 2020-03-11 2024-02-06 Rosco, Inc. Advanced pedestrian and/or driver alert and/or collision avoidance system
KR20220153029A (ko) * 2020-03-13 2022-11-17 엘지전자 주식회사 사이드링크를 지원하는 무선통신시스템에서 softv2x 서버가 vru의 이동 경로와 관련된 vru 경로 맵을 생성하는 방법 및 이를 위한 장치
US20230141488A1 (en) * 2020-03-13 2023-05-11 Lg Electronics Inc. Method for merging and transmitting, by network, vru messages in wireless communication system supporting sidelink, and apparatus therefor
TWI766254B (zh) * 2020-03-18 2022-06-01 崑山科技大學 車輛警示方法
DE102020204044A1 (de) 2020-03-27 2021-09-30 Zf Friedrichshafen Ag Verfahren zum Warnen von Lebewesen
JP7369077B2 (ja) * 2020-03-31 2023-10-25 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
JP7440324B2 (ja) * 2020-03-31 2024-02-28 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
CN111524350B (zh) * 2020-04-16 2021-06-22 廊坊师范学院 车路协同异常行驶状况检测方法、系统、终端设备及介质
CN111506692B (zh) * 2020-04-21 2023-05-26 成都路行通信息技术有限公司 一种基于目标行为的碰撞检测方法
FR3109662B1 (fr) * 2020-04-22 2022-07-22 Xavier Chevalier Procédé et système informatique de suivi de trafic routier
CN111627205B (zh) * 2020-04-28 2022-06-07 南京理工大学 自动驾驶车辆与非机动车辆通行权分配方法
WO2021226065A1 (en) * 2020-05-04 2021-11-11 Intel Corporation Vulnerable road user basic service communication protocols framework and dynamic states
JP2023524380A (ja) * 2020-05-04 2023-06-12 インテル・コーポレーション 脆弱な道路利用者認識メッセージの生成および送信
US20210352590A1 (en) * 2020-05-06 2021-11-11 Qualcomm Incorporated Vehicle-to-everything (v2x) message monitoring
CN111785016A (zh) * 2020-05-27 2020-10-16 诠航科技有限公司 一种闸道口机器人以及基于闸道口机器人的交通预警系统
WO2022006418A1 (en) 2020-07-01 2022-01-06 May Mobility, Inc. Method and system for dynamically curating autonomous vehicle policies
US11634123B2 (en) * 2020-07-09 2023-04-25 Toyota Research Institute, Inc. Methods and systems for prioritizing computing methods for autonomous vehicles
US20220019225A1 (en) * 2020-07-14 2022-01-20 Argo AI, LLC Smart node for autonomous vehicle perception augmentation
US11410551B2 (en) * 2020-07-23 2022-08-09 Qualcomm Incorporated Techniques for utilizing a mobile device as a proxy for a vehicle
US11683684B2 (en) 2020-07-23 2023-06-20 Qualcomm Incorporated Obtaining a credential for V2X transmission on behalf of a vehicle
CN111932882B (zh) * 2020-08-13 2022-05-06 广东飞达交通工程有限公司 一种基于图像识别的道路事故实时预警系统、方法和设备
US11267402B1 (en) 2020-08-31 2022-03-08 Ford Global Technologies, Llc Systems and methods for prioritizing driver warnings in a vehicle
US11615702B2 (en) * 2020-09-11 2023-03-28 Ford Global Technologies, Llc Determining vehicle path
US11351999B2 (en) * 2020-09-16 2022-06-07 Xuan Binh Luu Traffic collision warning device
US20220097695A1 (en) * 2020-09-25 2022-03-31 Ford Global Technologies, Llc Blockchain system to aid vehicle actions
TWI793454B (zh) * 2020-09-30 2023-02-21 緯創資通股份有限公司 交通狀態顯示系統及其相關交通狀態顯示方法
KR20220046731A (ko) * 2020-10-07 2022-04-15 현대자동차주식회사 자율주행장치 및 정밀지도 생성방법
EP3985636B1 (en) * 2020-10-16 2023-12-13 Urban Software Institute GmbH Computer system and method for determining reliable vehicle control instructions
US11709061B2 (en) * 2020-10-16 2023-07-25 Argo AI, LLC Systems and methods for multi-modal transfer capabilities for smart infrastructure
CN114379574B (zh) * 2020-10-20 2023-10-31 沃尔沃汽车公司 用于车辆的对象提醒设备、系统和方法
CN112435503B (zh) * 2020-10-30 2022-02-15 江苏大学 一种辨识高危行人意图的智能汽车主动避撞方法
US11841704B2 (en) * 2020-11-04 2023-12-12 Waymo Llc Behavior prediction for railway agents for autonomous driving system
JP2023553980A (ja) 2020-12-14 2023-12-26 メイ モビリティー，インコーポレイテッド 自律車両安全プラットフォームシステム及び方法
US11472444B2 (en) 2020-12-17 2022-10-18 May Mobility, Inc. Method and system for dynamically updating an environmental representation of an autonomous agent
JP7459781B2 (ja) * 2020-12-18 2024-04-02 トヨタ自動車株式会社 制御装置、方法、及びプログラム
CN112749210B (zh) * 2021-01-18 2024-03-12 优必爱信息技术（北京）有限公司 基于深度学习的车辆碰撞识别方法和系统
CN112962484B (zh) * 2021-02-19 2022-10-25 山东华夏高科信息股份有限公司 一种避免行人误闯红灯的智能斑马线
CN113028334B (zh) * 2021-02-21 2023-08-15 上海芯龙光电科技股份有限公司 一种模块可自由组合化的智能路灯
JP7468401B2 (ja) * 2021-02-22 2024-04-16 トヨタ自動車株式会社 情報処理装置、情報処理システム、情報処理方法、及び表示装置
JP7292320B2 (ja) * 2021-03-01 2023-06-16 本田技研工業株式会社 移動体制御システム、移動体、および制御方法
DE102021202955B4 (de) 2021-03-25 2023-02-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Gefahrenabwendung innerhalb eines Verkehrsvernetzungssystems
CN113223325A (zh) * 2021-03-26 2021-08-06 南京市德赛西威汽车电子有限公司 一种安全通过无信号灯路口的方法
JP2022154810A (ja) 2021-03-30 2022-10-13 トヨタ自動車株式会社 情報処理装置、情報処理システム、情報処理方法、及び車両
US20220319308A1 (en) * 2021-03-31 2022-10-06 Honda Motor Co., Ltd. Smart traffic assistant systems and methods
JP2024512980A (ja) 2021-04-02 2024-03-21 メイ モビリティー，インコーポレイテッド 不完全な環境情報で自律エージェントを動作させる方法及びシステム
CN112949597B (zh) * 2021-04-06 2022-11-04 吉林大学 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法
CN113140132B (zh) * 2021-04-20 2023-11-03 西安华企众信科技发展有限公司 一种基于5g v2x移动智能终端行人防碰撞预警系统与方法
WO2022256249A1 (en) 2021-06-02 2022-12-08 May Mobility, Inc. Method and system for remote assistance of an autonomous agent
EP4351180A1 (en) * 2021-06-03 2024-04-10 LG Electronics Inc. Ue operation method related to mrs of vru in wireless communication system
JP7203902B2 (ja) * 2021-06-08 2023-01-13 本田技研工業株式会社 制御装置、移動体、制御方法及びプログラム
US11772674B2 (en) 2021-06-08 2023-10-03 Telelingo Llc Systems and methods for increasing the safety of voice conversations between drivers and remote parties
US20220403611A1 (en) * 2021-06-18 2022-12-22 Carlos Lofstedt StopSign-Safe
US11398149B1 (en) * 2021-06-28 2022-07-26 Arity International Limited Crosswalk detection using high-frequency transmitters
KR102645204B1 (ko) * 2021-07-23 2024-03-07 한국자동차연구원 횡단 보도 주변으로 인디케이션을 제공하기 위한 횡단 보도 시스템 및 전자 장치
US20230043601A1 (en) * 2021-08-05 2023-02-09 Argo AI, LLC Methods And System For Predicting Trajectories Of Actors With Respect To A Drivable Area
US11904906B2 (en) 2021-08-05 2024-02-20 Argo AI, LLC Systems and methods for prediction of a jaywalker trajectory through an intersection
EP4152293A1 (en) * 2021-09-17 2023-03-22 2Go Solutions UG (Haftungbeschrankt) A system for monitoring a driving operation of a vehicle
WO2023044722A1 (en) * 2021-09-24 2023-03-30 Intel Corporation Dynamic control of infrastructure for vulnerable users
US11955001B2 (en) 2021-09-27 2024-04-09 GridMatrix, Inc. Traffic near miss collision detection
WO2023049453A1 (en) * 2021-09-27 2023-03-30 GridMatrix Inc. Traffic monitoring, analysis, and prediction
CN114049777B (zh) * 2021-09-28 2023-06-16 山西省交通建设工程质量检测中心（有限公司） 基于分布式光纤传感的隧道车辆行驶预警装置及其方法
US11915584B2 (en) * 2021-10-27 2024-02-27 GM Global Technology Operations LLC Reverse operation detection systems and methods
CN113971795A (zh) * 2021-11-18 2022-01-25 上海顺诠科技有限公司 基于自驾车视觉感测的违规巡检系统及其方法
CN114056425B (zh) * 2021-11-23 2023-07-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质
CN114170803B (zh) * 2021-12-15 2023-06-16 阿波罗智联(北京)科技有限公司 路侧感知系统和交通控制方法
US20230196908A1 (en) * 2021-12-22 2023-06-22 Here Global B.V. Method, apparatus, and system for determining a bicycle lane disruption index based on vehicle sensor data
US11814072B2 (en) 2022-02-14 2023-11-14 May Mobility, Inc. Method and system for conditional operation of an autonomous agent
US20230316908A1 (en) * 2022-03-29 2023-10-05 Nissan North America, Inc. Long-Term Shared World Model of Roadway
US20230316912A1 (en) * 2022-03-31 2023-10-05 Denso Corporation Path prediction based on intersection information from map messages
DE102022204041A1 (de) * 2022-04-26 2023-10-26 Volkswagen Aktiengesellschaft Verfahren zum Erzeugen eines Gefahrenkartendatensatzes und zum korrespondierenden Betreiben eines Kraftfahrzeugs, Assistenzsystem und Kraftfahrzeug
CN115311814A (zh) * 2022-04-29 2022-11-08 中煤西北能源有限公司 一种基于机器视觉的危险区域人员识别预警系统及方法
US20230368670A1 (en) * 2022-05-10 2023-11-16 Qualcomm Incorporated Techniques for detecting vulnerable road users
CN115148025B (zh) * 2022-06-28 2023-10-20 重庆长安汽车股份有限公司 一种交通目标轨迹预测方法及可读存储介质
CN115188210A (zh) * 2022-07-06 2022-10-14 同济大学 一种智能网联车与人类驾驶车混行交叉口控制方法及系统
DE102022207574B3 (de) 2022-07-25 2024-01-25 Volkswagen Aktiengesellschaft Verfahren zum Steuern eines zumindest teilautonomen Kraftfahrzeugs in einem geparkten Zustand
CN115100868B (zh) * 2022-07-27 2022-11-04 沧州市交通运输局 一种基于大数据分析的交通运输车流结点风险度判定方法
WO2024087082A1 (en) * 2022-10-27 2024-05-02 Qualcomm Incorporated Transmitting personal safety messages involving vulnerable road users
CN116110254A (zh) * 2023-04-13 2023-05-12 深圳锐盟半导体有限公司 多通道交汇处的防撞提醒方法、装置、设备及存储介质
CN117314391B (zh) * 2023-09-28 2024-05-28 光谷技术有限公司 运维作业管理方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010211301A (ja) 2009-03-06 2010-09-24 Toshiba Corp 事故予測通知装置、事故予測通知システム及び車載器
JP2010287161A (ja) 2009-06-15 2010-12-24 Toyota Infotechnology Center Co Ltd 歩行者検知システム
JP2012059058A (ja) 2010-09-09 2012-03-22 Toyota Central R&D Labs Inc 危険推定装置及びプログラム
JP2013134700A (ja) 2011-12-27 2013-07-08 Denso Corp 車載機、車両用報知システム、および携帯端末

Family Cites Families (110)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7629899B2 (en) 1997-10-22 2009-12-08 Intelligent Technologies International, Inc. Vehicular communication arrangement and method
US5699986A (en) 1996-07-15 1997-12-23 Alternative Safety Technologies Railway crossing collision avoidance system
WO2002013162A1 (en) 2000-08-04 2002-02-14 Schrage Martin H Audible communication system
US7584033B2 (en) 2000-08-31 2009-09-01 Strategic Design Federation W. Inc. Automobile monitoring for operation analysis
US6472978B1 (en) 2000-11-24 2002-10-29 Yokogawa Electric Corporation Traffic system to prevent from accidents
US6882287B2 (en) 2001-07-31 2005-04-19 Donnelly Corporation Automotive lane change aid
US6721659B2 (en) 2002-02-01 2004-04-13 Ford Global Technologies, Llc Collision warning and safety countermeasure system
US7095336B2 (en) 2003-09-23 2006-08-22 Optimus Corporation System and method for providing pedestrian alerts
US7580794B2 (en) 2003-12-23 2009-08-25 Trimble Navigation Limited Remote subscription unit for GNSS information
US20050156757A1 (en) 2004-01-20 2005-07-21 Garner Michael L. Red light violation prevention and collision avoidance system
US7191097B1 (en) 2004-03-31 2007-03-13 United States Of America Method, apparatus, and system for assessing conditions
JP2005301581A (ja) 2004-04-09 2005-10-27 Denso Corp 車車間通信システム、車車間通信装置及び制御装置
US7348895B2 (en) 2004-11-03 2008-03-25 Lagassey Paul J Advanced automobile accident detection, data recordation and reporting system
US7317406B2 (en) * 2005-02-03 2008-01-08 Toyota Technical Center Usa, Inc. Infrastructure-based collision warning using artificial intelligence
US7573400B2 (en) 2005-10-31 2009-08-11 Wavetronix, Llc Systems and methods for configuring intersection detection zones
US7486199B2 (en) 2005-11-17 2009-02-03 Nissan Technical Center North America, Inc. Forward vehicle brake warning system
US20070135989A1 (en) 2005-12-08 2007-06-14 Honeywell International Inc. System and method for controlling vehicular traffic flow
US20110298603A1 (en) * 2006-03-06 2011-12-08 King Timothy I Intersection Collision Warning System
US20070276600A1 (en) * 2006-03-06 2007-11-29 King Timothy I Intersection collision warning system
GB2436916B (en) 2006-03-29 2008-09-24 John Turnbull Warning System
US7570158B2 (en) 2006-08-17 2009-08-04 At&T Intellectual Property I, L.P. Collaborative incident media recording system and related methods
US20080068146A1 (en) 2006-09-16 2008-03-20 Cauldwell Jack D Red light accident warning
US7579942B2 (en) 2006-10-09 2009-08-25 Toyota Motor Engineering & Manufacturing North America, Inc. Extra-vehicular threat predictor
US20080114530A1 (en) 2006-10-27 2008-05-15 Petrisor Gregory C Thin client intelligent transportation system and method for use therein
US8694328B1 (en) 2006-12-14 2014-04-08 Joseph Gormley Vehicle customization and personalization activities
US7796056B2 (en) 2007-03-28 2010-09-14 Fein Gene S Digital windshield information system employing a recommendation engine keyed to a map database system
US7831391B2 (en) * 2007-06-12 2010-11-09 Palo Alto Research Center Incorporated Using segmented cones for fast, conservative assessment of collision risk
US8352173B2 (en) 2007-06-12 2013-01-08 Palo Alto Research Center Incorporated Two-level grouping of principals for a collision warning system
US7948400B2 (en) * 2007-06-29 2011-05-24 Microsoft Corporation Predictive models of road reliability for traffic sensor configuration and routing
US7812740B2 (en) 2007-09-27 2010-10-12 Verizon Patent And Licensing Inc. Systems, devices, and methods for providing alert tones
WO2009048134A1 (ja) 2007-10-12 2009-04-16 Kabushiki Kaisha Kenwood 車載器及び発話優先方法
DE102007054509A1 (de) 2007-11-15 2009-05-20 Robert Bosch Gmbh Verfahren zum Bestimmen einer Position eines Fahrzeugs
US20100039291A1 (en) * 2008-08-15 2010-02-18 Harrison Michael A Vehicle/Crosswalk Communication System
US20100100324A1 (en) 2008-10-22 2010-04-22 Toyota Motor Engineering & Manufacturing North America, Inc. Communication based vehicle-pedestrian collision warning system
US8577550B2 (en) 2009-10-05 2013-11-05 Ford Global Technologies, Llc System for vehicle control to mitigate intersection collisions and method of using the same
CN102959599B (zh) 2009-12-22 2015-07-15 莱达科技股份有限公司 用于交通检测的主动3d监控系统
EP2555960A1 (en) 2010-04-05 2013-02-13 Cohda Wireless Pty Ltd Crossing safety system
DE102010034853A1 (de) 2010-08-18 2012-02-23 Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) Kraftfahrzeug mit Digitalprojektoren
US9472097B2 (en) 2010-11-15 2016-10-18 Image Sensing Systems, Inc. Roadway sensing systems
EP2700032B1 (en) 2011-04-22 2016-03-16 F3M3 Companies, Inc. A comprehensive and intelligent system for managing traffic and emergency services
JP5901165B2 (ja) 2011-07-14 2016-04-06 三菱重工業株式会社 位置通知装置及び車両位置通知方法、並びに車載器、車両位置算出方法及びプログラム、並びに車両位置算出システム
KR101326889B1 (ko) 2011-11-07 2013-11-11 현대자동차주식회사 이동 기준국을 이용한 차량간 상대 위치 제어 방법 및 그 시스템
US9368028B2 (en) 2011-12-01 2016-06-14 Microsoft Technology Licensing, Llc Determining threats based on information from road-based devices in a transportation-related context
CN104115197A (zh) 2011-12-05 2014-10-22 布莱特瓦维森有限公司 智能交通标志系统与方法
CA2863229A1 (en) 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
US9381916B1 (en) 2012-02-06 2016-07-05 Google Inc. System and method for predicting behaviors of detected objects through environment representation
CN102700570A (zh) 2012-05-22 2012-10-03 西南交通大学 轨道车辆防撞预警系统
CN102700571A (zh) 2012-05-25 2012-10-03 兰州交通大学 基于车车通信的ctcs安全叠加列车碰撞防护系统及方法
US9129519B2 (en) 2012-07-30 2015-09-08 Massachussetts Institute Of Technology System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets
CN102756747B (zh) 2012-07-31 2015-06-10 中国科学院上海高等研究院 基于声波和电磁波的列车防撞系统及其防撞方法
US9048960B2 (en) 2012-08-17 2015-06-02 Qualcomm Incorporated Methods and apparatus for communicating safety message information
US9286793B2 (en) 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
JP2014106685A (ja) 2012-11-27 2014-06-09 Osaka Univ 車両周辺監視装置
US20140203149A1 (en) 2013-01-23 2014-07-24 Aaron Raiser Mobile Computing Based Railway Crossing Collision Avoidance System
US20140307087A1 (en) 2013-04-10 2014-10-16 Xerox Corporation Methods and systems for preventing traffic accidents
US9786178B1 (en) 2013-08-02 2017-10-10 Honda Motor Co., Ltd. Vehicle pedestrian safety system and methods of use and manufacture thereof
US9505412B2 (en) 2013-08-02 2016-11-29 Honda Motor Co., Ltd. System and method for detection and utilization of driver distraction level
JP6429368B2 (ja) 2013-08-02 2018-11-28 本田技研工業株式会社 歩車間通信システムおよび方法
US20160292997A1 (en) 2013-10-03 2016-10-06 Alexander Paul Milne Traffic Hazard Warning System and Device
CN103646534B (zh) 2013-11-22 2015-12-02 江苏大学 一种道路实时交通事故风险控制方法
US9460625B2 (en) 2014-04-08 2016-10-04 Denso International America, Inc. Proxy DSRC basic safety message for unequipped vehicles
US9978270B2 (en) 2014-07-28 2018-05-22 Econolite Group, Inc. Self-configuring traffic signal controller
US9947215B2 (en) * 2014-09-26 2018-04-17 Harman International Industries, Incorporated Pedestrian information system
EP3002740B1 (en) 2014-10-03 2019-03-06 Volvo Car Corporation Method and system for avoiding an in-alert driver of a vehicle
US9482751B2 (en) 2014-10-13 2016-11-01 Applied Concepts, Inc. Collision detection system and method of operation
US20160105539A1 (en) 2014-10-14 2016-04-14 The Regents Of The University Of Michigan Vehicle interface docking system for dsrc-equipped user devices in a vehicle
US9558666B2 (en) 2014-12-02 2017-01-31 Robert Bosch Gmbh Collision avoidance in traffic crossings using radar sensors
US10328855B2 (en) * 2015-03-18 2019-06-25 Uber Technologies, Inc. Methods and systems for providing alerts to a connected vehicle driver and/or a passenger via condition detection and wireless communications
JP6133345B2 (ja) 2015-03-23 2017-05-24 本田技研工業株式会社 車両用衝突回避支援装置
CA2886694A1 (en) 2015-03-30 2016-09-30 Rod J. Newlove Rcas railroad collision avoidance system
JP6544973B2 (ja) * 2015-04-09 2019-07-17 キヤノン株式会社 画像形成装置
US9786177B2 (en) * 2015-04-10 2017-10-10 Honda Motor Co., Ltd. Pedestrian path predictions
CA2887802A1 (en) 2015-04-15 2016-10-15 Terry Blundell Electronic system for preventing collisions between trains and vehicles at railroad crossing
SE539221C2 (en) 2015-06-04 2017-05-23 Scania Cv Ab Method and control unit for avoiding an accident at a crosswalk
DE102015213481A1 (de) 2015-07-17 2017-01-19 Robert Bosch Gmbh Verfahren und System zum Warnen vor einem in falscher Fahrtrichtung fahrenden Fahrzeug
KR101730321B1 (ko) 2015-08-03 2017-04-27 엘지전자 주식회사 운전자 보조 장치 및 그 제어방법
DE102015215929A1 (de) * 2015-08-20 2017-02-23 Volkswagen Aktiengesellschaft Vorrichtungen, Verfahren und Computerprogramm zum Bereitstellen von Information über eine voraussichtliche Fahrintention
SE539846C2 (en) 2015-08-20 2017-12-19 Scania Cv Ab Method, control unit and a system in a vehicle for detection of a vulnerable road user
SE539097C2 (en) 2015-08-20 2017-04-11 Scania Cv Ab Method, control unit and system for avoiding collision with vulnerable road users
US11107365B1 (en) 2015-08-28 2021-08-31 State Farm Mutual Automobile Insurance Company Vehicular driver evaluation
JP6361618B2 (ja) 2015-09-15 2018-07-25 トヨタ自動車株式会社 運転支援装置
US9868393B2 (en) 2015-12-10 2018-01-16 International Business Machines Corporation Vehicle accident avoidance system
CN105575114B (zh) 2015-12-15 2018-04-03 国电南瑞科技股份有限公司 一种有轨电车交叉路口闯红灯报警系统及报警实现方法
US20170190336A1 (en) 2016-01-04 2017-07-06 Delphi Technologies, Inc. Automated Vehicle Operation Based On Gesture To Pedestrian
EP3200428B1 (de) 2016-01-26 2020-03-25 dSPACE digital signal processing and control engineering GmbH Computerimplementiertes verfahren zur implementierung einer v2x-anwendung
US9903733B2 (en) * 2016-03-17 2018-02-27 Honda Motor Co., Ltd. Vehicular communications network and methods of use and manufacture thereof
WO2017171477A1 (ko) 2016-04-02 2017-10-05 엘지전자 주식회사 무선 통신 시스템에서 v2p 통신을 향상시키는 방법 및 장치
WO2017189035A1 (en) 2016-04-29 2017-11-02 Intel IP Corporation Interoperability between v2x (v2v (vehicle to vehicle), v2i (vehicle to infrastructure), and/or v2p (vehicle to pedestrian)) radio access technologies (rats)
CN205621297U (zh) 2016-05-03 2016-10-05 上海市城市建设设计研究总院 有轨电车安全防护装置
US20170344855A1 (en) 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
US9911334B2 (en) 2016-07-12 2018-03-06 Siemens Industry, Inc. Connected vehicle traffic safety system and a method of warning drivers of a wrong-way travel
CN106023627A (zh) * 2016-07-14 2016-10-12 清华大学苏州汽车研究院（吴江） 基于车路协同和4g网络的主动安全预警装置及方法
US20180053102A1 (en) 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models
CN106373430B (zh) 2016-08-26 2023-03-31 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法
US10127812B2 (en) 2016-08-29 2018-11-13 Allstate Insurance Company Electrical data processing system for monitoring or affecting movement of a vehicle using a traffic device
US20180096595A1 (en) * 2016-10-04 2018-04-05 Street Simplified, LLC Traffic Control Systems and Methods
US10399564B2 (en) * 2016-10-25 2019-09-03 Ford Global Technologies, Llc Vehicle roundabout management
US10573178B2 (en) * 2016-10-31 2020-02-25 Veniam, Inc. Systems and methods for tracking and fault detection, for example among autonomous vehicles, in a network of moving things
EP3339898A1 (en) 2016-12-20 2018-06-27 Nxp B.V. Sensor data network
DE102017201924A1 (de) 2017-02-08 2018-08-09 Audi Ag Verfahren zum Informieren zumindest eines Empfängerfahrzeugs über ein Falschfahrerfahrzeug sowie Servervorrichtung und Kraftfahrzeuge
US10627812B2 (en) 2017-02-14 2020-04-21 Honda Research Institute Europe Gmbh Risk based driver assistance for approaching intersections of limited visibility
CN107067817A (zh) 2017-04-17 2017-08-18 北京理工大学 一种针对有轨电车在交叉路口防止冲突的方法及系统
CN106997689B (zh) 2017-05-11 2019-08-27 重庆邮电大学 基于路口的v2p避免碰撞方法
US10007269B1 (en) 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US10252721B1 (en) 2017-11-27 2019-04-09 Honda Motor Co., Ltd. System and method for providing a vehicle convoy status indication
US10332395B1 (en) 2017-12-21 2019-06-25 Denso International America, Inc. System and method for translating roadside device position data according to differential position data
US10235882B1 (en) 2018-03-19 2019-03-19 Derq Inc. Early warning and collision avoidance
US10867510B2 (en) 2018-04-05 2020-12-15 Toyota Jidosha Kabushiki Kaisha Real-time traffic monitoring with connected cars
CN110017849B (zh) 2019-04-18 2020-12-22 菲曼(北京)科技有限公司 一种基于gnss接收机和imu传感器的测绘一体机的倾斜测量方法
EP4022591A4 (en) 2019-08-29 2022-10-19 Derq Inc. IMPROVED ON-BOARD EQUIPMENT

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010211301A (ja) 2009-03-06 2010-09-24 Toshiba Corp 事故予測通知装置、事故予測通知システム及び車載器
JP2010287161A (ja) 2009-06-15 2010-12-24 Toyota Infotechnology Center Co Ltd 歩行者検知システム
JP2012059058A (ja) 2010-09-09 2012-03-22 Toyota Central R&D Labs Inc 危険推定装置及びプログラム
JP2013134700A (ja) 2011-12-27 2013-07-08 Denso Corp 車載機、車両用報知システム、および携帯端末

Also Published As

Publication number Publication date
US20190287402A1 (en) 2019-09-19
US20210375138A1 (en) 2021-12-02
JP2023156430A (ja) 2023-10-24
JP2021518623A (ja) 2021-08-02
US11763678B2 (en) 2023-09-19
US10235882B1 (en) 2019-03-19
CN117649782A (zh) 2024-03-05
US20190287394A1 (en) 2019-09-19
US20190287395A1 (en) 2019-09-19
SG11202009104UA (en) 2020-10-29
US11257371B2 (en) 2022-02-22
US10950130B2 (en) 2021-03-16
US20200388156A1 (en) 2020-12-10
US20230005371A1 (en) 2023-01-05
US11276311B2 (en) 2022-03-15
US20190287403A1 (en) 2019-09-19
US11257370B2 (en) 2022-02-22
CA3094275A1 (en) 2019-09-26
CN112154492A (zh) 2020-12-29
US20190325754A1 (en) 2019-10-24
US20190287401A1 (en) 2019-09-19
SA520420162B1 (ar) 2022-11-25
US20230186769A1 (en) 2023-06-15
US10565880B2 (en) 2020-02-18
US10854079B2 (en) 2020-12-01
US11749111B2 (en) 2023-09-05
WO2019180551A1 (en) 2019-09-26
EP3753001A1 (en) 2020-12-23

Similar Documents

Publication Publication Date Title
JP7362721B2 (ja) 早期警告および衝突回避
US11688282B2 (en) Enhanced onboard equipment
US11990034B2 (en) Autonomous vehicle control system with traffic control center/traffic control unit (TCC/TCU) and RoadSide Unit (RSU) network
CN108290579B (zh) 用于自主车辆的模拟系统和方法
JP2018538647A (ja) 自律車両の軌道修正のための遠隔操作システムおよび方法
KR102631726B1 (ko) 환경 제한 및 센서 이상 시스템 및 방법
TW202246093A (zh) 偵測車輛的駕駛行為
AU2018208404A1 (en) Connected automated vehicle highway systems and methods
JP7444295B2 (ja) 処理装置、処理方法、処理プログラム、処理システム
Bujari et al. Intersection collision: Causes and avoidance techniques

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210524

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220309

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220309

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230314

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230614

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230811

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230912

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231004

R150 Certificate of patent or registration of utility model

Ref document number: 7362721

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150