JPWO2021127417A5 - - Google Patents

Description

本開示の範囲は、当業者が理解するであろう、本明細書で説明し、例示した例示的な実施形態に対するあらゆる変更、置換、変形、修正及び改良を包含する。本開示の範囲は、本明細書で説明するか例示した例示的な実施形態に限定されない。さらに、本開示は、特定の構成要素、要素、特徴、機能、操作又はステップを含むものとして本明細書のそれぞれの実施形態を説明し、例示するが、このような実施形態のいずれも、当業者が理解するであろう、本明細書のどこかに説明するか例示する構成要素、要素、特徴、機能、操作又はステップのいずれかの任意の組み合わせ又は順列を含んでもよい。さらに、特定の機能を実行するように適合されるか、配置されるか、構成されるか、有効にされるか、操作可能であるか、動作可能である装置又はシステム、あるいは装置又はシステムの構成要素についての添付の特許請求の範囲での言及には、その装置、システム、構成要素がそのように適合されるか、配置されるか、可能であるか、構成されるか、有効にされるか、操作可能であるか、動作可能である限り、装置、システム、構成要素又はその特定の機能が有効にされているか、起動されているか、ロック解除されているかどうかにかかわらず、その装置、システム、構成要素が包含される。さらに、本開示は、特定の利点を提供するものとして特定の実施形態を説明するか、例示するが、特定の実施形態は、このような利点のいずれも提供しなくても、一部を提供しても、全部を提供してもよい。
本明細書に開示される発明は以下の態様を含む。
〔態様１〕
車両に関連付けられた計算システムによって、
第１の領域での前記車両の現在の位置を判定することと、
前記第１の領域に関連付けられたモデルパラメータの１つ又は複数の第１のセットと、第２の領域に関連付けられたモデルパラメータの１つ又は複数の第２のセットと、を識別することと、
モデルパラメータの対応する第１のセットに基づく構成を有する１つ又は複数の機械学習モデルを使用して、前記車両によって取り込まれた第１のセンサデータに基づく１つ又は複数の対応する第１の推論を生成することと、
１つ又は複数のモデルの構成を、前記モデルパラメータの対応する第１のセットから、前記第２の領域に関連付けられた前記モデルパラメータの対応する第２のセットに切り替えることと、
前記モデルパラメータの対応する第２のセットに基づく構成を有する前記１つ又は複数のモデルを使用して、前記車両が前記第２の領域にあるときに前記車両のセンサによって生成される第２のセンサデータに基づく１つ又は複数の対応する第２の推論を生成することと、
少なくとも前記第２の推論に基づいて、前記車両に１つ又は複数の動作を実施させることと、
を含む、方法。
〔態様２〕
前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、対応するモデルを訓練することによって生成される、態様１に記載の方法。
〔態様３〕
前記モデルパラメータの第１のセット及び第２のセットを識別することは、データストアから前記モデルパラメータの第１及び第２のセットを検索することを含み、前記モデルパラメータの第１及び第２のセットはそれぞれ、前記データストア内で前記第１及び第２の領域に関連付けられる、態様１に記載の方法。
〔態様４〕
前記モデルは、前記第１又は第２のセンサデータに基づいて、前記第１又は第２の領域内の前記１つ又は複数のタイプのオブジェクトをそれぞれ識別するように訓練された１つ又は複数の知覚モデルを含む、態様２に記載の方法。
〔態様５〕
前記知覚モデルは、複数の照明条件、複数の気象条件、複数の時刻、あるいはその組み合わせに基づいて訓練された複数の知覚モデルを含む、態様４に記載の方法。
〔態様６〕
前記モデルパラメータの第１のセット及び第２のセットを判定することは、データストアにて、前記車両の環境での現在の照明条件、前記車両の環境での気象条件、時刻、あるいはその組み合わせに関連付けられた前記モデルパラメータの第１及び第２のセットを識別することをさらに含む、態様５に記載の方法。
〔態様７〕
前記モデルパラメータの第１のセット及び第２のセットが、対応する前記知覚モデルを訓練することによって生成されたときに、前記モデルパラメータの第１のセット及び第２のセットに関連付けられた前記照明条件、気象条件、時刻、あるいはその組み合わせが判定される、態様６に記載の方法。
〔態様８〕
前記モデルは、前記第１又は第２のセンサデータで表される１つ又は複数のオブジェクトの１つ又は複数の軌道を予測するように訓練された１つ又は複数の予測モデルを含む、態様２に記載の方法。
〔態様９〕
前記第１の領域に関連付けられた、対応する前記モデルパラメータの第１のセットに基づく構成を有する前記予測モデルは、前記第１の領域で過去に取り込まれたオブジェクトの観測された軌道に基づいて前記軌道を予測するように訓練される、態様８に記載の方法。
〔態様１０〕
前記モデルは、前記第１又は第２のセンサデータに基づいて、前記第１又は第２の領域の環境を通ってそれぞれ操縦するための１つ又は複数の車両軌道を識別するように訓練された１つ又は複数の計画モデルを含む、態様２に記載の方法。
〔態様１１〕
前記１つ又は複数の車両軌道は、複数の車両軌道を含み、その結果、対応する複数の異なる操縦が実施される、態様１０に記載の方法。
〔態様１２〕
前記第１の領域は、領域境界によって前記第２の領域から分離され、前記１つ又は複数のモデルの構成を、対応する前記モデルパラメータの第１のセットから対応する前記モデルパラメータの第２のセットに切り替えることは、前記車両が前記領域境界を横切るか、前記領域境界から第１の閾値距離未満に位置することに応答するものであり、
前記車両の現在の位置及び現在の進行方向に基づいて、前記車両が前記領域境界から第２の閾値距離未満であると判定することであって、前記第２の閾値距離は前記第１の閾値距離よりも大きい、ことに応答して、
前記モデルパラメータの第２のセットをデータストアから前記車両のメモリ装置に読み込むことをさらに含む、態様１に記載の方法。
〔態様１３〕
前記モデルパラメータの第１及び第２のセットは、第１及び第２の領域の所定のセットについて前記車両上のメモリ装置に読み込まれ、前記所定のセットは、前記車両のルート計画に基づいて判定される、態様１に記載の方法。
〔態様１４〕
前記第１及び第２の領域のそれぞれが、地理的エリア、道路区分、交差点、あるいはその組み合わせとして指定される、態様１に記載の方法。
〔態様１５〕
一般化機械学習モデルの性能を評価するための地図の領域を識別することと、
前記地図に関連付けられた一般化モデルパラメータのセットに従って構成された前記一般化機械学習モデルを使用して、前記地図の前記領域に対する前記一般化機械学習モデルの評価された性能を判定することと、
前記地図の前記領域に対する前記一般化機械学習モデルの前記評価された性能が最小性能閾値を下回っていると判定することと、
ローカライズされたモデルパラメータのセットを有するローカライズされた機械学習モデルを生成することと、
前記ローカライズされた機械学習モデルを前記地図の前記領域に関連付けて、前記地図の前記領域で１つ又は複数の後続の推論を生成する際に使用することと、をさらに含む、態様１に記載の方法。
〔態様１６〕
第１のローカライズされた機械学習モデルの性能が評価されるための地図の領域を識別することと、
前記領域に関連付けられたローカライズされたモデルパラメータの第１のセットに従って構成された前記第１のローカライズされた機械学習モデルを使用して、前記地図の前記領域に対する前記第１のローカライズされた機械学習モデルの評価された性能を判定することと、
前記地図の前記領域に対する前記第１のローカライズされた機械学習モデルの前記評価された性能が最小性能閾値を下回っていると判定することと、
前記地図の前記領域を２つ以上のサブ領域に分割することと、
ローカライズされたモデルパラメータの第２のセットを有する第２のローカライズされた機械学習モデルを生成することと、
前記サブ領域にて１つ又は複数の後続の推論を生成する際に使用するために、前記第２のローカライズされた機械学習モデルを前記サブ領域のうちの１つに関連付けることと、をさらに含む、態様１に記載の方法。
〔態様１７〕
１つ又は複数のプロセッサと、前記プロセッサのうちの１つ又は複数に結合された１つ又は複数のコンピュータ可読非一時的記憶媒体とを具備するシステムであって、前記１つ又は複数のコンピュータ可読非一時的記憶媒体は、前記プロセッサのうちの１つ又は複数によって実行されたときに動作可能な命令を含み、前記命令は、前記システムに、
第１の領域での車両の現在の位置を判定させ、
前記第１の領域に関連付けられたモデルパラメータの１つ又は複数の第１のセットと、第２の領域に関連付けられたモデルパラメータの１つ又は複数の第２のセットとを識別させ、
モデルパラメータの対応する第１のセットに基づく構成を有する１つ又は複数の機械学習モデルを使用して、前記車両によって取り込まれた第１のセンサデータに基づいて１つ又は複数の対応する第１の推論を生成させ、
１つ又は複数のモデルの構成を、対応する前記モデルパラメータの第１のセットから、前記第２の領域に関連付けられた、対応する前記モデルパラメータの第２のセットに切り替えさせ、
対応する前記モデルパラメータの第２のセットに基づく構成を有する前記１つ又は複数のモデルを使用して、前記車両が前記第２の領域にあるときに前記車両のセンサによって生成される第２のセンサデータに基づいて１つ又は複数の対応する第２の推論を生成させ、
少なくとも前記第２の推論に基づいて前記車両に１つ又は複数の操作を実行させる、システム。
〔態様１８〕
前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、対応する前記モデルを訓練することによって生成される、態様１７に記載のシステム。
〔態様１９〕
１つ又は複数のプロセッサに動作を実施させるために実行されるときに動作可能であるソフトウェアを具現化する１つ又は複数のコンピュータ可読非一時的記憶媒体であって、前記動作は、
第１の領域での車両の現在の位置を判定することと、
前記第１の領域に関連付けられたモデルパラメータの１つ又は複数の第１のセットと、第２の領域に関連付けられたモデルパラメータの１つ又は複数の第２のセットとを識別することと、
対応する前記モデルパラメータの第１のセットに基づく構成を有する１つ又は複数の機械学習モデルを使用して、前記車両によって取り込まれた第１のセンサデータに基づいて１つ又は複数の対応する第１の推論を生成することと、
１つ又は複数のモデルの構成を、対応する前記モデルパラメータの第１のセットから、前記第２の領域に関連付けられた、対応する前記モデルパラメータの第２のセットに切り替えることと、
対応する前記モデルパラメータの第２のセットに基づく構成を有する前記１つ又は複数のモデルを使用して、前記車両が前記第２の領域にあるときに前記車両のセンサによって生成される第２のセンサデータに基づいて１つ又は複数の対応する第２の推論を生成することと、
少なくとも前記第２の推論に基づいて前記車両に１つ又は複数の動作を実施させることと、
を含む、記憶媒体。
〔態様２０〕
前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、対応する前記モデルを訓練することによって生成される、態様１９に記載の記憶媒体。

Claims (20)

1. 車両に関連付けられた計算システムによって、
   前記車両の現在の位置である第１の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第１のセットを識別し、前記モデルパラメータの１つ又は複数の第１のセットによる１つ又は複数の機械学習モデルを構成することと、
   前記現在の位置が第２の領域にあると判断したときに、前記１つ又は複数の機械学習モデルを、前記モデルパラメータの第１のセットから、前記第２の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第２のセットに切り替えることであって、前記モデルパラメータの１つ又は複数の第１のセットとモデルパラメータの１つ又は複数の第２のセットは、前記１つ又は複数の機械学習モデルの学習された重みである、ことと、
   前記車両が前記第２の領域にあるときに、前記モデルパラメータの１つ又は複数の第２のセットより構成された前記１つ又は複数の機械学習モデルを使用して、前記車両のセンサにより生成されたセンサデータに基づく推論を生成することと、
   前記推論に従い前記車両に動作を実施させることと、
   前記機械学習モデルによる前記モデルパラメータの第２のセットの評価性能が最低閾値を下回る性能を示す場合、前記第２の領域を新しいパラメータを有する少なくとも２つのサブ領域に分割することと、
   を含む、方法。
2. 前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、前記１つ又は複数の機械学習モデルを訓練することによって、訓練中に損失関数によって生成された損失値の誤差逆伝搬技術から生成される、請求項１に記載の方法。
3. 前記モデルパラメータの第１のセット及び第２のセットを識別することは、データストアから前記モデルパラメータの第１及び第２のセットを検索することを含み、前記モデルパラメータの第１及び第２のセットはそれぞれ、前記データストア内で前記第１及び第２の領域に関連付けられ、前記切り替えることは、前記機械学習モデルからモデルパラメータの第１のセットを除去し、前記１つ又は複数の第２のセットを挿入することを含む、請求項１に記載の方法。
4. 前記１つ又は複数の機械学習モデルは、前記センサデータに基づいて、前記第１又は第２の領域内の１つ又は複数のタイプのオブジェクトをそれぞれ識別するように訓練された１つ又は複数の知覚モデルを含む、請求項２に記載の方法。
5. 前記知覚モデルは、複数の照明条件、複数の気象条件、複数の時刻、あるいはその組み合わせに基づいて訓練された複数の知覚モデルを含む、請求項４に記載の方法。
6. 前記モデルパラメータの第１のセット及び第２のセットを識別することは、データストアにて、前記車両の環境での現在の照明条件、前記環境での気象条件、時刻、あるいはその組み合わせに関連付けられた前記モデルパラメータの第１及び第２のセットを識別することをさらに含む、請求項５に記載の方法。
7. 前記モデルパラメータの第１のセット及び第２のセットが、前記知覚モデルを訓練することによって生成されたときに、前記モデルパラメータの第１のセット及び第２のセットに関連付けられた前記照明条件、気象条件、時刻、あるいはその組み合わせが判定される、請求項６に記載の方法。
8. 前記１つ又は複数の機械学習モデルは、前記センサデータで表される１つ又は複数のオブジェクトの１つ又は複数の軌道を予測するように訓練された１つ又は複数の予測モデルを含む、請求項２に記載の方法。
9. 前記第１の領域に関連付けられた、対応する前記モデルパラメータの第１のセットに基づく構成を有する前記予測モデルは、前記第１の領域で過去に取り込まれたオブジェクトの観測された軌道に基づいて前記軌道を予測するように訓練される、請求項８に記載の方法。
10. 前記１つ又は複数の機械学習モデルは、前記センサデータに基づいて、前記第１又は第２の領域の前記車両の環境を通ってそれぞれ操縦するための１つ又は複数の車両軌道を識別するように訓練された１つ又は複数の計画モデルを含む、請求項２に記載の方法。
11. 前記１つ又は複数の車両軌道は、複数の車両軌道を含み、その結果、対応する複数の異なる操縦が実施される、請求項１０に記載の方法。
12. 前記第１の領域は、領域境界によって前記第２の領域から分離され、前記１つ又は複数のモデルを、前記モデルパラメータの第１のセットから前記モデルパラメータの第２のセットに切り替えることは、前記車両が、前記領域境界から第１の閾値距離未満に位置することに応答するものであり、
    前記車両の現在の位置及び現在の進行方向に基づいて、前記車両が前記領域境界から第２の閾値距離未満であると判定することであって、前記第２の閾値距離は前記第１の閾値距離よりも大きい、ことに応答して、
    前記モデルパラメータの第２のセットをデータストアから前記車両のメモリ装置に読み込むことをさらに含む、請求項１に記載の方法。
13. 前記モデルパラメータの第１及び第２のセットは、第１及び第２の領域の所定のセットについて前記車両上のメモリ装置に読み込まれ、前記所定のセットは、前記車両のルート計画に基づいて判定される、請求項１に記載の方法。
14. 前記第１及び第２の領域のそれぞれが、地理的エリア、道路区分、交差点、あるいはその組み合わせとして指定される、請求項１に記載の方法。
15. 一般化機械学習モデルの性能を評価するための地図の領域を識別することと、
    前記地図に関連付けられた一般化モデルパラメータのセットに従って構成された前記一般化機械学習モデルを使用して、前記地図の前記領域に対する前記一般化機械学習モデルの評価された性能を判定することと、
    前記地図の前記領域に対する前記一般化機械学習モデルの前記評価された性能が最小性能閾値を下回っていると判定することと、
    ローカライズされたモデルパラメータのセットを有するローカライズされた機械学習モデルを生成することと、
    前記ローカライズされた機械学習モデルを前記地図の前記領域に関連付けて、前記地図の前記領域で１つ又は複数の後続の推論を生成する際に使用することと、をさらに含む、請求項１に記載の方法。
16. 前記第２の領域内の前記車両の制御の少なくとも特性を評価する性能測定基準に従って、前記第２の領域に対する前記モデルパラメータの第２のセットの性能を評価することさらに含む、請求項１に記載の方法。
17. １つ又は複数のプロセッサと、前記プロセッサのうちの１つ又は複数に結合された１つ又は複数のコンピュータ可読非一時的記憶媒体とを具備するシステムであって、前記１つ又は複数のコンピュータ可読非一時的記憶媒体は、前記プロセッサのうちの１つ又は複数によって実行されたときに動作可能な命令を含み、前記命令は、前記システムに、
    車両の現在の位置が第１の領域であるかを判定させ、
    前記第１の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第１のセットを識別させ、前記モデルパラメータの１つ又は複数の第１のセットによる１つ又は複数の機械学習モデルを構成し、
    前記現在の位置が第２の領域にあると判断したときに、前記１つ又は複数の機械学習モデルを、前記モデルパラメータの１つ又は複数の第１のセットから、前記第２の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第２のセットに切り替えさせ、前記モデルパラメータの１つ又は複数の第１のセットと前記モデルパラメータの１つ又は複数の第２のセットは、前記１つ又は複数の機械学習モデルの学習された重みであり、
    前記車両が前記第２の領域にあるときに、前記モデルパラメータの１つ又は複数の第２のセットより構成された前記１つ又は複数の機械学習モデルを使用して、前記車両のセンサにより生成されたセンサデータに基づく１つ又は複数の対応する推論を生成させ、
    少なくとも前記推論に基づき前記車両に１つ又は複数の動作を実施させ、
    前記機械学習モデルによる前記モデルパラメータの第２のセットの評価性能が最低閾値を下回る性能を示す場合、前記第２の領域を新しいパラメータを有する少なくとも２つのサブ領域に分割させる、
    システム。
18. 前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、前記１つ又は複数の機械学習モデルを訓練することによって生成される、請求項１７に記載のシステム。
19. １つ又は複数のプロセッサに動作を実施させるために実行されるときに動作可能であるソフトウェアを具現化する１つ又は複数のコンピュータ可読非一時的記憶媒体であって、前記動作は、
    車両の現在の位置が第１の領域であるかを判定することと、
    前記第１の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第１のセットを識別し、前記モデルパラメータの１つ又は複数の第１のセットによる１つ又は複数の機械学習モデルを構成する、ことと、
    前記現在の位置が第２の領域にあると判断したときに、前記１つ又は複数の機械学習モデルを、前記モデルパラメータの１つ又は複数の第１のセットから、前記第２の領域に関連付けられた事前の訓練から事前に定義されたモデルパラメータの１つ又は複数の第２のセットに切り替えることであって、前記モデルパラメータの１つ又は複数の第１のセットと前記モデルパラメータの１つ又は複数の第２のセットは、前記１つ又は複数の機械学習モデルの学習された重みである、ことと、
    前記車両が前記第２の領域にあるときに、前記モデルパラメータの１つ又は複数の第２のセットより構成された前記１つ又は複数の機械学習モデルを使用して、前記車両のセンサにより生成されたセンサデータに基づく１つ又は複数の対応する推論を生成することと、
    少なくとも前記推論に基づき前記車両に１つ又は複数の動作を実施させることと、
    前記機械学習モデルによるパラメータの第２のセットの評価性能が最低閾値を下回る性能を示す場合、前記第２の領域を新しいパラメータを有する少なくとも２つのサブ領域に分割することと、
    を含む、１つ又は複数のコンピュータ可読非一時的記憶媒体。
20. 前記モデルパラメータの第１のセット及び前記モデルパラメータの第２のセットはそれぞれ、前記第１及び第２の領域で収集され、以前に取り込まれたセンサデータに基づいて、前記１つ又は複数の機械学習モデルを訓練することによって生成される、請求項１９に記載の１つ又は複数のコンピュータ可読非一時的記憶媒体。