KR102657472B1 - 네비게이션 중 어려운 기동들을 위한 추가 명령들을 제공하는 방법 - Google Patents

Abstract

여러 위치와 이러한 위치에서 차량이 시도한 하나 이상의 기동을 설명하는데이터 세트가 수신된다. 기계 학습 모델은 기동 세트에 대한 난이도 지표를 생성하도록 구성됨으로써, 기계 학습 모델은 이 데이터 세트를 사용하여 학습된다. 위치 지시 및 그 위치에서 차량이 실행될 기동을 포함하는 질의 데이터가 수신된다. 질의 데이터는 기동에 대한 난이도 지표를 생성하기 위해 기계 학습 모델에 적용되고, 그 기동에 대한 네비게이션 명령이 사용자 인터페이스를 통해 제공되고, 그렇게 함으로써 네비게이션 명령의 적어도 하나의 파라미터는 생성된 난이도 지표에 기초하여 선택된다.

Description

네비게이션 중 어려운 기동들을 위한 추가 명령들을 제공하는 방법

본 발명은 일반적으로 네비게이션 명령을 생성하는 것에 관한 것으로, 특히, 기동(maneuver)의 난이도를 결정하고, 결정된 난이도를 고려하여 상기 기동과 관련된 네비게이션 명령의 하나 이상의 파라미터를 조정하는 것에 관한 것이다.

본 명세서에 제공된 배경 설명은 일반적으로 본 개시 내용의 맥락을 제시하기위한 것이다. 현재 지명된 발명가들의 작업은, 이 배경 부분에서 설명하는 한, 발명의 양상들은 출원시 종래 기술로서의 자격이 없을 뿐만 아니라, 명시적 또는 묵시적으로 선행 기술로 인정되지 않는다.

오늘날, 컴퓨터, 스마트 폰 등 또는 임베디드 장치에서 실행되는 다양한 소프트웨어 애플리케이션은 단계별 네비게이션 방향들을 생성한다. 일반적으로 사용자는 시작 지점과 목적지를 지정하고 소프트웨어 애플리케이션은 시작 지점에서 목적지까지의 네비게이션 경로를 얻는다. 그런 다음 소프트웨어 애플리케이션은 사용자가 네비게이션 경로를 따라 이동할 때 네비게이션 명령을 생성한다. 예를 들어, 소프트웨어 응용 프로그램은 "500 피트 후, 메인 스트리트로 좌회전" 명령을 생성하고 발화할 수 있다.

일부 경우에, 예를 들어 세부적인 양을 증가 또는 감소시키기 위하여 네비게이션 명령을 수정하는 것이 바람직할 수 있다. 그러나 세부 레벨을 변경하는데 적합한 기동 또는 그러한 기동이 발생하는 위치를 자동으로 식별하는 것은 여전히 어려운 기술 작업이다.

일반적으로 말하면, 본 개시의 시스템은 해당 위치에서 기동의 난이도에 대한 정량적 지표를 생성하기 위해, 과거 기동 데이터가 없는 위치를 설명하는데이터 뿐만 아니라, 운전자에 의해 시도된 및 일부 경우에는 특정 식별 가능한 파라미터(예를 들어, 특정 유형들 및 특정 기하학적 형상의 교차로들)를 갖는 각 지리적 위치에서 완료된 다양한 기동(예를 들어, 특정 유형의 회전, 합류, 표지판으로 인한 정지)을 설명하는데이터 세트를 효율적으로 처리한다. 완료되었거나 시도된 기동과 관련된 데이터의 경우 데이터 세트에는 운전자가 기동을 성공적으로 완료했는지 여부, 운전자가 기동을 완료하는데 걸린 시간 등을 명시적으로 표시하거나 시스템이 상기 데이터 세트의 다른 파라미터로부터 이 정보를 도출할 수 있다. 어떤 경우든 특정 위치에 대해 시스템은 특정 기동과 관련된 난이도의 정량적 지표를 생성할 수 있다. 이를 위해 시스템은 데이터 세트를 사용하여 기계 학습 모델을 학습하고 이전 데이터를 사용할 수 없는 위치를 포함하여 다양한 위치와 기동에 모델을 적용할 수 있다.

구현에 따라, 시스템은 운전자 별 모델(예를 들어, 운전자가 그러한 모델에 대한 자신의 욕구를 표현할 때 운전자의 개인용 컴퓨팅 장치에 로컬로 저장될 수 있음)을 구성함으로써, 모든 잠재적 운전자 또는 특정 운전자에 대한 난이도의 정량적 지표를 생성할 수 있다.

시스템은 특정 위치에서, 상기 생성된 기동의 난이도 지표를 사용하여 그 위치에서의 기동과 관련된 네비게이션 명령의 파라미터를 하나 이상 변경할 수 있다. 예를 들어, 시스템은 세부 레벨을 높이거나 낮출 수 있고, 및/또는 네비게이션 명령을 제공하는 타이밍을 변경할 수 있다. 또한, 시스템은 생성된 난이도 지표를 사용하여 상기 위치에서의 기동을 포함하는 네비게이션 경로를 변경하고, 일부 경우에는 상기 위치 주변에서 사용자를 네비게이션할 수 있다. 더욱이, 유사한 기술들이 자율(또는 "자율 주행") 차량에서 구현되어, 상기 결정된 기동의 난이도를 고려하여 자율 차량이 기동을 실행하는 방식을 조정할 수 있다.

시스템은 전동 이륜차(예 : 오토바이) 또는 비동력 이륜차(예 : 자전거)와 같은 다른 운송 모드들에 대한 기동의 난이도를 평가하기 위해 유사한 기술을 적용할 수 있다.

이러한 기술의 하나의 예시적인 실시 예는 명령을 제공하는 방법이다. 이 방법은 하나 이상의 프로세서에 의해 실행될 수 있으며, 여러 위치를 설명하는데이터 세트 및 해당 위치에서 하나 이상의 차량이 시도한 하나 이상의 기동들의 세트를 수신하는 단계를 포함한다. 방법은 또한 일련의 기동에 대한 난이도 지표를 생성하도록 기계 학습 모델을 구성하기 위해 데이터 세트를 사용하여 기계 학습 모델을 학습하는 단계를 포함한다. 또한, 방법은 위치의 표시 및 차량에 의해 실행될 기동을 포함하는 질의 데이터를 수신하고, 기동에 대한 난이도 지표를 생성하기 위해 질의 데이터를 기계 학습 모델에 적용하며, 사용자 인터페이스를 통하여, 생성된 난이도 지표에 기초한 네비게이션 명령의 적어도 하나의 파라미터를 선택하는 것을 포함하는 기동을 위한 네비게이션 명령을 제공하는 것을 포함한다.

상기 기계 학습 모델은 지도 또는 비지도 방식으로 학습될 수 있다.

각각의 위치는 도로 네트워크의 위치를 나타낼 수 있고, 또한 그 위치에서 도로 형상을 나타낼 수 있다. 예를 들어, 각 위치는 그 위치에서 도로 네트워크의 하나 이상의 도로 교차점을 나타낼 수 있다. 일련의 기동은 예를 들어 좌회전, 우회전, 직진 등과 같이 주어진 위치에서 도로망에 대해 차량이할 수 있는 기동일 수 있다.

일련의 기동에 대한 난이도 지표는 차량의 운전자가 기동을 성공적으로 실행할 확률을 나타낼 수 있다.

생성된 난이도 지표에 기초하여 적어도 하나의 파라미터를 선택하는 것은, 난이도 지표가 난이도 임계값을 초과할 때 네비게이션 명령에 대해 더 높은 수준의 세부 사항을 선택하고, 난이도가 난이도 임계값을 초과하지 않을 때 네비게이션 명령에 대해 더 낮은 수준의 세부 사항을 선택하는 것을 포함할 수 있다. 네비게이션 명령에 대해 더 높은 수준의 세부 사항을 제공하는 것은 더 많은 수의 명령들을 제공하는 것을 포함할 수 있고, 네비게이션 명령에 대해 더 낮은 수준의 세부 사항을 제공하는 것은 더 적은 수의 명령들을 제공하는 것을 포함할 수 있다.

적어도 하나의 파라미터는 네비게이션 명령의 제공과 차량의 위치 도달 사이의 시간 간격을 포함할 수 있고, 생성된 난이도 지표에 기초하여 적어도 하나의 파라미터를 선택하는 것은, 난이도 지표가 난이도 임계값을 초과할 때 더 긴 시간 간격을 선택하는 것과, 난이도 지표가 난이도 임계값을 초과하지 않을 때 더 짧은 시간 간격을 선택하는 것을 포함할 수 있다.

일부 구현에서, 적어도 하나의 파라미터는 네비게이션 명령을 제공하는 것과 위치에 도달하는 차량 사이의 시간 간격 및 네비게이션 명령에 대한 세부 레벨 모두를 포함한다.

적어도 하나의 파라미터를 선택하는 것은 생성 된 난이도 지표에 기초하여 네비게이션 명령이 시각적 랜드 마크를 포함할지 여부를 결정하는 것을 포함할 수 있다.

데이터 세트를 수신하는 것은 질의에 표시된 위치 및 복수의 위치에 대한 적어도 하나의(i) 위성 이미지 또는 (ii) 거리 레벨의 이미지를 수신하는 것을 포함할 수 있으며, 기계 학습 모델은 위치들 간의 시각적 유사성을 고려한 일련의 기동을 위한 난이도 지표를 생성한다.

데이터 세트를 수신하는 것은(i) 위성 이미지,(ii) 지도 데이터, 또는 (iii) 복수의 위치 및 질의에 표시된 위치에 대한 차량 센서 데이터 중 적어도 하나를 수신하는 단계를 포함한다. 기계 학습 모델을 학습시키는 것은 대응하는 위치들에서 도로 형상을 결정하기 위해 하나 이상의 프로세서에 의해 특징 추출 기능을 데이터 세트에 적용하는 것을 포함하고; 기계 학습 모델은 위치 간 도로 형상의 유사성을 고려하여 일련의 기동에 대한 난이도 지표를 생성한다.

데이터 세트를 수신하는 것은 하나 이상의 차량이 대응하는 기동을 완료하는데 걸린 시간의 표시를 수신하는 것을 포함한다. 기계 학습 모델은 각각의 위치에서 기동들의 상대적 지속 시간을 고려하여 기동에 대한 난이도 지표를 생성한다.

데이터 세트를 수신하는 것은 대응하는 기동들을 시도할 때 하나 이상의 차량이 따라 간 네비게이션 경로들의 표시를 수신하는 것을 포함한다. 기계 학습 모델은 차량이 대응하는 기동을 완료했는지 생략했는지를 고려하여 일련의 기동들에 대한 난이도 지표를 생성한다.

표시 위치는 데이터 세트에서 참조되지 않을 수 있다.

방법은 사용자 장치에서 구현될 수 있으며, 여기서 데이터 세트를 수신하는 것은 네트워크 서버로부터 데이터 세트를 수신하는 것을 포함한다.

방법은 네트워크 서버에서 구현될 수 있으며, 여기서 사용자 인터페이스를 통해 네비게이션 명령을 제공하는 단계는 사용자 인터페이스를 통해 디스플레이하기 위해 네비게이션 명령을 사용자 장치에 전송하는 단계를 포함한다.

방법은 또한 사용자 장치 및 네트워크 서버 모두에서 구현될 수 있다. 예를 들어, 모델 학습과 관련된 측면은 네트워크 서버에서 수행될 수 있고, 모델 사용과 관련된 측면은 사용자 장치에서 수행될 수 있다.

이들 기술의 또 다른 예시적인 실시 예는 네비게이션 명령을 제공하기위한 사용자 장치의 방법이며, 이 방법은 사용자 인터페이스를 통해 하드웨어를 처리함으로써 출발지에서 목적지로 이동하기 위한 네비게이션 명령들을 제공하기위한 요청을 수신하는 단계, 하드웨어 처리에 의하여, 출발지에서 목적지까지의 네비게이션 경로를 획득하는 단계를 포함할 수 있다. 여기서 상기 네비게이션 경로는 위에서 설명된 방법에 의해 제공되는 네비게이션 명령들을 포함한다.

이들 기술의 다른 예시적인 실시 예는 처리 하드웨어 및 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체를 포함하는 시스템이다. 하드웨어 처리에 의해 이들 명령들을 실행하면 시스템이 위의 방법을 실행한다.

이들 기술의 또 다른 예시적인 실시 예는 네비게이션 명령을 제공하기위한 사용자 장치의 방법이다. 이 방법은 하드웨어 처리에 의해 실행될 수 있으며, 사용자 인터페이스를 통해 출발지에서 목적지로 이동하기 위한 네비게이션 명령을 제공하라는 요청을 수신하는 단계, 출발지에서 목적지까지 네비게이션 경로를 획득하는 단계를 포함하며, 여기서 네비게이션 경로는 해당 위치에서 수행 된 과거 기동을 설명하는데이터를 사용할 수없는 위치에서 특정 유형의 기동을 포함한다. 그리고 상기 위치를 위한 네비게이션 명령들을 제공하는 단계를 포함한다. 네비게이션 명령은 기동의 난이도를 고려하여 수정된 적어도 하나의 파라미터를 포함하며, 난이도는 다른 위치들에서 수행되는 동일한 유형의 기동에 대한 기동의 유사성에 대한 하나 이상의 지표에 기초하여 결정된다.

난이도를 고려하여 수정된 적어도 하나의 파라미터는 네비게이션 명령의 세부 레벨일 수 있다. 내비게이션 지시를 제공하는 것과 차량이 위치에 도달하는 사이의 시간 간격의 난이도 수준을 고려하여 적어도 하나의 파라미터가 수정될 수 있다.

이러한 기술의 다른 예시적인 실시 예는, 처리 하드웨어 및 명령어를 저장하는 비일시적 컴퓨터 판독 가능 매체를 포함하는 사용자 장치이다. 처리 하드웨어에서 명령을 실행하면 시스템이 위의 방법을 실행한다.

일 실시 예의 선택적 특징들은 적절한 경우 임의의 다른 실시 예와 결합될 수 있다.

도 1은 기동 난이도의 정량적 지표들을 고려하여 네비게이션 명령을 생성하기 위한 기술이 구현될 수있는 예시적인 컴퓨팅 환경을 도시한다.
도 2는, 도 1의 컴퓨팅 환경에서 구현될 수있는 네비게이션 명령을 생성할 때, 기동들의 난이도 지표를 생성하기 위해 기계 학습 모델을 사용하는 예시적인 방법의 흐름도이다.
도 3은, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수 있는 도로 레이아웃들에서 유사성을 갖는 각각의 지리적 위치들에서 4 개의 우회전 기동들의 세트를 예시한다.
도 4는, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수 있는 도로 레이아웃들에서 유사성을 갖는 지리적 위치들에서 4 개의 우회전 기동들의 다른 세트를 예시한다.
도 5는, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수 있는 트래픽 서클들을 포함하는 지리적 위치들에서 4 개의 좌회전 기동들의 세트를 예시한다.
도 6은, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수 있는 지형 정보가 그 위치들에 표시되는 지리적 위치들에서 4 개의 좌회전 기동들의 세트를 예시한다.
도 7은, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수 있는 유사한 위치들에서 일련의 유사한 좌회전 기동들에 대응하는 4 개의 거리 레벨 프레임들을 도시한다.
도 8은, 도 1의 환경에서 구현된 기계 학습 모델이 처리할 수있는 4 개의 유사한 우회전들의 컨텍스트에서 4 개의 거리 레벨 프레임들을 예시한다. 그리고,
도 9는, 기동의 난이도를 평가할 수 있는 도 1의 환경에서 구현된 기계 학습 모델을 사용하여, 좌회전을 놓친 후 차량 운전자가 실행할 수 있는 4 개의 교정 기동들을 예시한다.

개요

본 개시의 네비게이션 시스템 및 방법은 기동의 난이도 지표의 관점에서 차량을 운전하는 사용자에게 네비게이션 명령을 제공할 수 있다. 네비게이션 시스템은 자율 주행(또는 "자율 주행") 차량에도 이러한 표시를 제공할 수 있지만, 단순하게하기 위해 아래의 예는 사람 사용자 또는 자동차, 트럭, 오토바이, 자전거 등과 같은 차량의 "운영자"를 나타낸다. 네비게이션 시스템은 특정 사용자에 대한 "주관적인" 난이도 지표(예를 들어, 로터리가 사용자 X에게 어려운 기동임) 및/또는 모든 사용자에게 적용 가능한 "객관적인" 난이도 지표(예를 들어, 특정 교차로에서의 좌회전은 도로들이 교차하는 각도로 인해 어려움)를 생성할 수 있다. 아래에서 설명하는 바와 같이, 다양한 구현에서 네비게이션 시스템은 기계 학습 기술을 사용하여 기동, 위치, 운전자 행동 등 간의 관계를 자동으로 결정한다.

일부 경우에 기동에 대한 난이도 지표는 조작자가 기동을 성공적으로 실행할 확률을 나타낸다. 일부 구현 또는 시나리오에서, 기동 실행의 성공은 기동을 놓치고 이어서 다른 경로를 취하는 것 보다 시간 제한 없이 기동을 완료하는 것에 해당할 수 있다. 다른 구현 또는 시나리오에서, 기동 실행의 성공은 특정 시간 내에 기동을 안전하게 완료하는 것에 해당할 수 있다. 예를 들어, 차량 운전자가 회전을 거의 놓친 상태에서 매우 갑작스럽게 회전하거나 반대로 예상 지연의 특정 임계값을 넘어서 감속하면 네비게이션 시스템은 운전자가 기동을 성공적으로 완료하지 못한 것으로 판단할 수 있다. 일부 경우 네비게이션 시스템은 기동을 실행하는 현재 또는 예상 시간의 환경 조건(예 : 시간, 날씨, 교통량)에 대한 특정 기동에 대한 난이도 지표를 생성할 수 있다.

난이도 지표를 생성한 후, 주어진 기동에 대한 성공 확률을 높이기 위해, 네비게이션 시스템은 기동에 대한 네비게이션 명령 및/또는 네비게이션 시스템이 네비게이션 명령을 제공하는 방식을 조정할 수 있다. 사용자. 예를 들어 네비게이션 시스템은 사용자의 조작과 관련된 프롬프트들의 수를 늘릴 수 있다. 보다 구체적인 예로, "린든 애비뉴에서 200 피트에서 우회전"과 같이 회전 전 특정 거리에서 단일 경고를 생성하는 대신 네비게이션 시스템은 동일한 조작에 대해 예를 들어, "200 피트 내 린든 에비뉴에서 우회전; 당신의 모퉁이는 다음 모퉁이 이후에 올 것이다. 우회전 준비; 린든 애비뉴로 우회전하십시오.”와 같은 일련의 프롬프트들을 생성할 수 있다. 추가적으로 또는 대안적으로, 네비게이션 시스템은 단일 네비게이션 명령에 대한 세부 레벨을 증가시킬 수 있다. 또한 네비게이션 시스템은 사용자에게 기동의 어려움을 알리는 별도의 프롬프트를 생성할 수 있다. 더 자세한 명령은 사용자 경험을 개선하고 인명, 건강 및 재산 손실을 완화할뿐만 아니라 잘못 실행된 기동으로 인한 혼잡을 줄여 도로의 기능을 개선할 수 있다.

일부 구현에서, 시스템은 이러한 지표를 생성하기 위해 기계 학습 모델을 사용한다. 특히, 기계 학습 시스템은 난이도 지표들을 생성하기 위한 기술을 구현할 수 있으며, 경우에 따라 네비게이션 시스템이 컴퓨팅 리소스 및 통신 대역폭을 효율적으로 활용하기 위해 효율적인 방식으로 어려운 기동에 대한 추가 명령을 제공해야하는 방법과 시기를 결정할 수 있다.

본 개시의 기계 학습 모델은 규정된 기동의 성공적인 실행에 대한 확률 지표, 또는 보다 일반적으로, 그 위치에서 과거의 기동을 설명하는 기록 데이터가없는 경우에도 마찬가지로, 특정 위치에서 기동에 대한 난이도 지표를 생성할 수 있다. 이를 위해 네비게이션 시스템은 차량이 여러 위치에서 실행할 수 있는 여러 위치 및 기동들을 설명하는데이터 세트를 사용하여 기계 학습 모델을 학습할 수 있다. 여기서 학습 데이터 세트 내의 위치들은 규정된 기동의 위치를 포함할 필요가 없다. 기계 학습 모델의 정확도는 일반적으로, 학습 데이터가 규정된 기동의 위치와 유사한 많은 위치들에서 규정된 기동과 유사한 많은 수의 기동들에 대한 정보를 포함할 때 증가한다.

아래에서 더 상세히 논의되는 바와 같이, 본 개시의 시스템은 토폴로지, 가시선 장애물들 및 운전자의 기동 능력에 영향을 미치는 기타 요인의 유사성을 효율적으로 검출하기 위해 기계 학습 모델을 학습시킬 수 있으며, 이러한 위치들에서 수행될 위치들 및 기동들에 대한 예측을 생성한다.

일부 경우에, 기계 학습 모델에 의해 생성된 기동의 난이도 지표는 전적으로 과거 성공의 통계(예를 들어, 기동 실패, 지연, 안전하지 않거나 급격한 실행)에 기반한 성공 확률 및/또는 기동 난이도의 추정치보다 더 정확하다. 해당 위치에서의 기동을 위해. 예를 들어, 기동은 특정 교차로에서 우회전할 수 있다. 과거에 운전자가 이 턴을 놓친 횟수와 이 턴을 시도한 횟수를 세어 턴을 성공적으로 실행할 확률을 추정할 수 있지만, 이러한 유형의 분석은, 교차로를 통한 기동의 많은 인스턴스(많은 위치들에서 항상 그런 것은 아님)에 대한 데이터를 사용할 수 없는 경우 부정확한 추정치를 산출할 수 있다. 한편, 본 개시 내용의 네비게이션 시스템은 위치 간의 유사성을 식별할 수 있으며, 일부 경우에는 해당 위치와 유사한 위치에서 시도된 다수의 우회전에 대한 데이터를 적용할 수 있다(원하는 경우 유사한 조건 및/또는 또는 상황 하에서). 따라서이 위치에서 기동의 난이도 추정을 상당히 개선한다.

컴퓨팅 환경의 예

도 1은 기동들의 난이도 지표들을 생성하기 위한 기술들이 구현될 수있는 예시적인 환경(10)을 도시한다. 환경(10)은 통신 네트워크(50)를 통해 상호 연결된 휴대용 시스템(20) 및 서버 시스템(30)을 포함한다. 또한, 휴대용 시스템(20) 및/또는 서버 시스템(30)은 통신 네트워크(50)를 통해 차량 운송 시스템(60)과 연결될 수 있다. 환경(10) 내에서 작동하는 네비게이션 시스템은, 휴대용 시스템(20), 서버 시스템(30)을 사용하여 구현될 수 있거나, 또는 부분적으로 휴대용 시스템(20)에서 그리고 부분적으로 서버 시스템(30)에서 구현될 수 있다. 네비게이션 시스템은 기계 학습 모델을 학습하기위한 데이터를 차량 운송 시스템 (60)으로부터 수집할 수 있다.

휴대용 시스템(20)은 예를 들어 스마트 폰과 같은 휴대용 전자 장치, 스마트 워치 또는 헤드 마운트 디스플레이와 같은 웨어러블 장치, 또는 태블릿 컴퓨터를 포함할 수 있다. 일부 구현 또는 시나리오에서, 휴대용 시스템(20)은 또한 차량에 내장되거나 장착된 구성 요소들을 포함한다. 예를 들어, 터치 스크린이 있는 헤드 유닛과 같은 전자 부품이 장착된 차량의 운전자(또는 이에 상응하는 운영자)는 자신의 스마트 폰을 사용하여 네비게이션을 수행할 수 있다. 스마트 폰은 Bluetooth®와 같은 단거리 통신 링크를 통해 차량의 헤드 유닛에 연결되어 차량의 센서에 액세스하고/하거나 헤드 유닛의 화면에 네비게이션 명령을 투사할 수 있다. 일반적으로 휴대용 또는 웨어러블 사용자 장치의 모듈들, 차량의 모듈들, 외부 장치들 또는 장치들의 모듈들은 휴대용 시스템(20)의 구성 요소들로 동작할 수 있다.

휴대용 시스템(20)은 하나 이상의 중앙 처리 장치(CPU), 그래픽 콘텐츠를 효율적으로 렌더링하기위한 하나 이상의 그래픽 처리 장치(GPU), 프로그램 가능한 게이트 어레이(FPGA), 주문형 집적 회로(ASIC) 또는 기타 적절한 유형의 처리 하드웨어를 포함할 수 있는 하나 이상의 프로세서를 포함하는 처리 모듈(122)을 포함할 수 있다. 또한, 휴대용 시스템(20)은 영구(예를 들어, 하드 디스크, 플래시 드라이브) 및/또는 비 영구(예를 들어, RAM) 구성 요소로 구성된 메모리(124)를 포함할 수 있다. 휴대용 시스템(20)은 사용자 인터페이스(126)를 더 포함한다. 시나리오에 따라, 사용자 인터페이스(126)는 휴대용 전자 장치의 사용자 인터페이스 또는 차량의 사용자 인터페이스에 대응할 수 있다. 어느 경우든, 사용자 인터페이스(126)는 터치 스크린, 마이크로폰, 키보드 등과 같은 하나 이상의 입력 구성 요소뿐만 아니라, 화면 또는 스피커와 같은 하나 이상의 출력 구성 요소를 포함할 수 있다. 또한, 휴대용 시스템(20)은 센서 유닛(128)을 포함할 수 있다. 센서 유닛(128)은 차량의 센서들과 인터페이스할 수 있고/있거나 가속도계, GPS(Global Positioning Receiver) 및/또는 네비게이션에 사용될 수 있는 다른 센서와 같은 하나 이상의 센서들을 포함할 수 있다.

휴대용 시스템(20)은 인터넷과 같은 광역 네트워크 일 수있는 네트워크(50)를 통해 서버 시스템(30)과 통신할 수 있다. 서버 시스템(50)은 다수의 지리적 위치에 분산된 장치를 포함하여 하나 이상의 서버 장치에서 구현될 수 있다. 서버 시스템(30)은 네비게이션 모듈(132), 기계 학습 모듈(134) 및 데이터 집계 모듈(136)을 구현할 수 있다. 구성 요소들(132-136)은 하드웨어, 펌웨어 및 소프트웨어의 임의의 적절한 조합을 사용하여 구현될 수 있다. 서버 시스템(30)의 하드웨어는, 하나 이상의 CPU, 하나 이상의 GPU, FPGA, ASIC, 또는 임의의 다른 적절한 유형의 처리 하드웨어와 같은 하나 이상의 프로세서를 포함할 수 있다. 또한, 서버 시스템(30)은 클라우드에서 전체적으로 또는 부분적으로 구현될 수 있다. 서버 시스템(30)은 임의의 적절한 데이터 저장 및 액세스 기술들을 사용하여 구현될 수 있는 기동 데이터베이스(142), 위치 데이터베이스(144) 및 사용자 프로필 데이터베이스(146)와 같은 데이터베이스에 액세스할 수 있다.

동작 중에, 네비게이션 모듈(132)은 휴대용 시스템(20)으로부터 네비게이션 명령에 대한 요청을 수신할 수 있다. 요청은 예를 들어 출발지, 목적지, 및 유료 도로들을 피하기위한 요청과 같은 하나 이상의 사용자 선호도를 포함할 수 있다. 이에 응답하여 네비게이션 모듈(132)은 출발지에서 목적지까지의 경로를 생성하기 위해, 위치 데이터베이스(144)로부터 도로 형상 데이터, 도로 및 교차로 제한들(예 : 일방 통행, 좌회전 금지), 도로 유형 데이터(예 : 고속도로, 지방 도로), 속도 제한 데이터 등을 검색할 수 있다. 일부 구현에서, 네비게이션 모듈(132)은 또한 최상의 경로를 선택할 때 실시간 교통 데이터를 획득한다. 최상의 또는 "주" 경로에 추가하여, 네비게이션 모듈(132)은 하나 또는 여러 개의 대체 경로를 생성할 수 있다.

도로 데이터에 추가하여, 위치 데이터베이스(144)는 강, 산 및 숲과 같은 다양한 자연 지리적 특징뿐만 아니라 건물 및 공원과 같은 인공 지리적 특징에 대한 기하학 및 위치 표시의 설명을 저장할 수 있다. 위치 데이터베이스(144)는 다른 데이터 중에서 벡터 그래픽 데이터, 래스터 이미지 데이터, 음향 데이터, 무선 스펙트럼 데이터 및 텍스트 데이터를 포함할 수 있다. 예시적인 구현에서, 위치 데이터베이스(144)는 지도 데이터(155) 및 거리 레벨 이미지 데이터(156)를 포함한다. 지도 데이터(155)는 차례로, 예를 들어 분류, 축소 및/또는 압축한 위성 이미지 데이터에 기초하여 유도된 위성 이미지 및/또는 개략적 데이터를 포함할 수 있고, 결과적인 지도 데이터를 지도 타일들로 구성할 수 있다. 위치 데이터베이스(144)는 지도 타일들을 쿼드 트리와 같은 횡단 가능한 데이터 구조로 구성할 수 있다. 거리 레벨 이미지 데이터(156)는 운전자 또는 차량 운영자 관점을 나타내는 이미지 프레임들의 컬렉션을 포함할 수 있다. 일부 구현에서, 거리 레벨 이미지 데이터(156)는 이미지 프레임들의 분류, 축소 및/또는 압축 표현을 포함할 수 있다. 위치 데이터베이스(144)는 트리와 같은 적절한 데이터 구조로 거리 레벨 이미지 데이터(156)를 구성할 수 있다.

서버(30)의 네비게이션 모듈(132)은 대응하는 하나 이상의 프로세서에 의해, 하나 이상의 생성된 경로에 기초한 네비게이션 명령들의 시퀀스를 생성하고 제공하기 위해 휴대용 시스템(20)과 협력할 수 있다. 각 경로는 예를 들어 직진, 우회전, 좌회전, 우측 병합, 좌측 병합, U 턴, 및/또는 임의의 다른 적절한 기동들을 포함하는 하나 이상의 기동을 포함할 수 있다. 네비게이션 모듈(132)은 하나 이상의 생성된 경로에 기초하여 일련의 명령어들을 생성하고 명령어들을 휴대용 시스템(20)에 전달할 수 있다. 명령어는 텍스트, 오디오 또는 둘 다를 포함할 수 있다. 휴대용 시스템(20)은 사용자 인터페이스(126)를 통해 휴대용 시스템(20)과 관련된 운전자에게 가시적, 청각적 및/또는 촉각 신호로서 명령들을 렌더링할 수 있다. 네비게이션 명령들의 예들은 "500 피트 후 Elm St에서 우회전"과 "4 마일을 계속 직진"과 같은 기동을 실행하기위한 프롬프트들을 포함한다. 네비게이션 모듈(132) 및/또는 휴대용 시스템(20)은 휴대용 시스템(20)과 관련된 운전자의 언어로 이들 및 유사한 문구를 구성하기 위해 자연어 생성 기술을 구현할 수 있다. 아래에서 더 상세히 논의되는 바와 같이, 네비게이션 모듈(132) 및/또는 휴대용 시스템(20)에 구현된 소프트웨어 컴포넌트는 초기 네비게이션 명령들을 생성하고 휴대용 시스템(20)이 이동하는 동안 명령을 조정할 수 있다.

네비게이션 모듈(132) 및/또는 휴대용 시스템(20)은 대응하는 경로에서 생성된 기동들의 난이도의 지표들에 적어도 부분적으로 기초하여, 세부 레벨을 갖는 더 적거나 더 많은 세부 사항을 갖는 명령을 생성하고 제공할 수 있다. 보다 구체적인 예로서, 네비게이션 모듈(132)은 난이도 지표가 특정 임계값을 초과할 때 더 상세한 네비게이션 명령들을 생성할 수 있고, 난이도 지표가 특정 임계값 이하일 때 덜 상세한 네비게이션 명령을 생성할 수 있다. 네비게이션 모듈(132)은 기계 학습 모듈(134)로부터 이들을 수신할 수 있다.

기계 학습 모듈(134)은 기계 학습 모델들을 사용하여 적어도 부분적으로 경로에서 기동들의 난이도를 평가할 수 있다. 기계 학습 모듈(134)은 위치 표시들, 운영자에 의해 그 위치에서 실행되도록 의도된 기동을 포함하는 질의 데이터를 수신하고, 상기 기동의 난이도 지표를 생성하기 위해, 그 질의 데이터를 (예를 들어, 하나 이상의 기계 학습 모델에) 적용할 수 있다.

기계 학습 모듈(134)은 서버 시스템(30)의 하나 이상의 프로세서에서 하나 이상의 소프트웨어 컴포넌트로서 구현될 수 있다. 일부 구현에서, 기계 학습 모듈(134)은 GPU, FPGA, 또는 기계 학습 모델의 효율적인 구현을위한 기타 적합한 하드웨어 구성 요소를 포함한다. 기계 학습 모듈(134)의 구성 요소들 중 적어도 일부는, 예를 들어 클라우드 컴퓨팅을 포함하는 분산 아키텍처로 구현될 수 있다.

기계 학습 모듈(134)로 구현된 기계 학습 모델들은 회귀 또는 분류 모델들을 사용하여 지표를 각각 숫자(예 : 0과 1 사이) 또는 클래스(예를 들어, 매우 어려움, 다소 어려움, 다소 쉬움, 매우 쉬움)로 생성할 수 있다. 기계 학습 모델들은 컨볼루션 신경망(CNN) 또는 재귀 신경망(RNN)과 같은 신경망들, 랜덤 포레스트와 같은 의사 결정 트리 알고리즘, 클러스터링 알고리즘, 또는 기타 적절한 기술과 이들의 조합이 포함될 수 있다.

기계 학습 모듈(134)은 기동 데이터베이스(142), 위치 데이터베이스(144) 및/또는 사용자 데이터베이스(146)로부터 학습 데이터를 수신할 수 있다. 다른 구현에서, 단일 데이터베이스는 기동 데이터베이스(142), 위치 데이터베이스(144), 및/또는 사용자 데이터 베이스(146) 및/또는 서버(30)에 데이터를 제공하는 추가적인 데이터베이스들의 기능과 결합할 수 있다.

데이터 집계 모듈(136)은, 대응하는 위치에서 차량에 의해 실행될 위치들 및 기동들을 설명하는데이터 세트를 서버 시스템(30)의 하나 이상의 프로세서에 의해 수신하는 것에 기초하여, 데이터베이스(142-146)를 채울 수 있다. 데이터 집계 모듈(136)은 차량 운송 시스템(60)으로부터 정보를 수집할 수 있다.

계속해서 도 1을 참조하면, 예시적인 차량 운송 시스템(60)은 차량들(162a-d)을 포함하고, 각각은 지리적 영역의 운송 환경에서 대응하는 기동을 실행한다. 차량들(162a-d) 각각은 휴대용 시스템(20)과 유사한 휴대용 시스템 및/또는 차량들(162a-d)에 의해 실행되는 기동들과 관련된 데이터를 측정, 기록 및 통신할 수있는 추가 센서 또는 통신 장치들을 포함할 수 있다. 차량들(162a-d) 중 적어도 일부에는 차량 대 차량(V2V) 장치가 장착되고, 기동 및 위치 관련 데이터를 서로 통신할 수 있다. 추가적으로 또는 대안적으로, 차량 운송 시스템(60)은 기동 및 위치 관련 데이터를 감지하고 수집하기 위한 차량 대 인프라(V2I) 장치들 또는 모듈들(예를 들어, V2I 모듈(164))을 포함할 수 있다.

데이터 집계 모듈(136)은 또한 차량에 의한 교통 및/또는 도로 사용을 모니터링하기 위해 위성, 공중 및/또는 임의의 다른 적절한 플랫폼으로부터 정보를 수집할 수 있다. 일부 구현 및/또는 애플리케이션들에서, 데이터 집계 모듈(136)은 모든 적용 가능한 법률, 윤리 규범 및/또는 사용자 기대치들을 준수하도록 보장하기 위해 수집된 데이터를 익명화한다. 추가적으로 또는 대안적으로, 데이터를 집계 모듈(136)에 공급하는 장치들, 모듈들 및 시스템은 수집된 데이터를 익명화할 수 있다.

데이터 집계 모듈(136)은 예를 들어 차량 운송 시스템(60)의 영향을 받는 사용자의 명시적인 허가를 받아, 조작과 관련된 영향을받는 사용자에 대한 데이터를 수집할 수 있다. 사용자에 관한 데이터는 사용자 데이터베이스(146)에 저장될 수 있고 기동 데이터(142) 및/또는 위치 데이터베이스(144)의 데이터 기록과 연관될 수 있다.

기계 학습 모듈(134)은 데이터 집계 모듈(136)에 의해 수집되고 기동 데이터베이스(142), 위치 데이터베이스(144) 및 사용자 데이터베이스(146)와 관련된 기록에 저장된 데이터를 사용하여 기계 학습 모델을 학습시킬 수 있다. 데이터베이스들(142-146)는 각 기동과 관련된 다양한 조건들에 대한 표시들 또는 정보를 포함할 수 있다. 일부 구현들 및/또는 상황들에서, 조건들의 표시는 다음 중 적어도 하나를 포함한다 : 조명(예를 들어, 실시간으로 기상 조건을 모니터링하는 위성과 같은 차량 외부 센서 또는 차량에 설치된 센서들을 사용하여 결정됨); 가시성(예 : 대시 보드 내장 카메라 또는 대시 보드에 장착 된 휴대용 장치를 사용하여 결정됨); 현재 도로 상태(예 : 크라우드 소싱 기술을 사용하거나 예를 들어 차량들의 IMU들을 기반으로 결정된 현재 수리 또는 포트홀들의 존재); 강수량(예 : 차량 센서 또는 실시간 기상 서비스를 사용하여 결정됨); 및 교통 상황(예를 들어 크라우드 소싱 기술을 사용하여 결정). 사용자가 기계 학습 모듈(132)에 특정 유형의 데이터를 제공할 의사가 있음을 표시할 때, 상태들의 표시들은 운영자가 운전하는 차량의 유형(예 : 이륜차, 자동차) 및/또는 운영자의 상기 차량에 의해 실행될 기동(예를 들어 상기 운영자가 이전에 실행한 기동의 횟수에 기초하여 결정)의 친숙도를 포함할 수 있다.

일반적으로 말해서, 기계 학습 모듈(132)로 구현된 기계 학습 모델의 학습은 운영자에 의해 그 위치에서 실행되도록 의도된 조작과 쌍을 이룬 위치의 하나 이상의 표시와 운영자가 기동을 성공적으로 실행할 확률 및/또는 기동 난이도의 지표 사이의 연관성을 생성한다. 즉, 학습시, 기계 학습 모듈(132)은 입력으로 (i) 위치 및, (ii) 운영자가 그 위치에서 실행하도록 의도된 기동의 표시들을 포함하는 질의 데이터를 가져오고, 그 질의 데이터에 적어도 부분적으로 기초한 확률 지표를 생성할 수 있다. 질의 데이터는 질의와 연관된 위치, 기동 및/또는 운영자와 연관된 조건들의 표시들을 추가로 포함할 수 있다. 조건들의 표시들은 상기 기동이 실행될 수 있는 시간과 연관될 수 있다. 조건들은 동적일 수 있으며, 빠르게(예를 들어 실질적으로 다르게 1, 2, 5, 10, 20, 50 분 이후) 또는 천천히(예를 들어 실질적으로 유사하게, 1, 2, 5, 10, 20, 50 시간 또는 그 이상 기간 동안) 변할 수 있다. 확률 평가는 조건에 따라 다를 수 있으며 결과적으로 조건들이 변경됨에 따라 평가가 업데이트될 수 있다.

기계 학습 모델을 학습하는데 사용되거나 질의에서 사용되는 조건의 표시는 조명, 가시성, 도로 상태, 강수 및/또는 교통 상황에 대한 정보를 포함할 수 있다. 예를 들어, 주변 조명 또는 조도는 차량 및/또는 인프라에 배치 된 센서에 의해 기록될 수 있다. 일부 구현들, 애플리케이션들 및/또는 상황들에서, 데이터 집계 모듈(136) 및/또는 데이터를 수신하는 정보 소스들은 로컬 시간 및 위치(예를 들어, 위도, 경도, 높이)에 기초하여 조도들을 추정할 수 있다. 가시성의 결정은 V2I 모듈(164) 내의 차량들(162 a-d)의 센서를 사용하는 측정 및/또는 공공 또는 사설 데이터베이스, 기상 서비스 또는 임의의 다른 적절한 소스로부터 대기 오염 수준을 얻는 것을 포함할 수 있다. 마찬가지로, 도로 상태 및/또는 강수량(예 : 안개, 비, 눈, 진눈깨비 또는 우박의 강도)의 결정은 V2I 모듈(164) 내의 차량들(162a-d) 및/또는 기상 서비스들 뿐만 아니라 다른 적절한 소스들의 센서들을 사용한 측정들을 포함할 수 있다. 반면에 트래픽 상태의 결정은, V2V 또는 V2I 장치들 및/또는 트래픽 보고 서비스들로부터 정보를 얻는 것을 포함할 수 있다.

추가적으로 또는 대안적으로, 기계 학습 모델을 훈련하는데 사용되거나 질의에서 사용되는 조건의 표시는 예를 들어, 각 기동에 대해 차량의 유형 및/또는 차량에 의해 실행될 기동에 대한 차량 운전자의 친숙도를 포함할 수있다(예를 들어, 운전자가 이전에 기동을 실행한 횟수에 따라 결정됨). 예를 들어 좁은 교차로에서 우회전 실행의 어려움은 다른 요인들 중에서 차량이 이륜차인지 자동차인지(그리고 일부 구현에서는 자동차가 작은지 큰지)에 따라 달라질 수 있다.

기계 학습 모듈(134)은 상이한 세트들의 후보 네비게이션 명령들에 대한 확률들을 평가하고 예를 들어 특정 비용 함수를 최적화하는 명령어들의 세트를 선택할 수 있다. 비용 함수의 최적화는 기동의 성공적인 실행 확률을 최대화하는 것과 동일하거나 다른 고려 사항을 위하여 성공 확률의 일부 감소가 절충될 수 있다.

비용 함수를 평가하고 명령어들의 세트를 선택할 때 고려할 사항에는 추가 명령들의 예상 침입성(예를 들어, 운영자가 추가 명령을 성가시게 할 가능성), 기동 실행 실패의 잠재적 결과, 계산 최적화의 복잡성, 휴대용 시스템(20) 내의 전력 관리, 사용자 선호도 및/또는 다른 적절한 고려 사항들을 포함할 수 있다. 예를 들어, 고속도로 출구를 놓치면 긴 우회로가 발생하는 경우 고속도로 출구에서 병합 기동을 성공적으로 실행할 확률이 약간 향상 되어도 추가 네비게이션 명령(예 : 간격 알림, 차선 변경 명령)이 필요할 수 있다. 한편, 기동 누락으로 인한 우회로가 경로에 실질적으로 무시할 수있는 시간을 추가하는 경우(예 : 전체 경로 기간의 0.1, 0.2, 0.5, 1, 2 % 미만 또는 임계값 지연 미만의 지연) 및/또는 희소한 명령들, 네비게이션 모듈(132) 및/또는 휴대용 시스템(20)에 대한 선호도를 나타내는 사용자 설정들은 그 기동의 실행을 성공적으로 실행할 확률을 높일 수 있지만 추가적인 네비게이션 명령들은 보류할 수 있다.

특정 위치에서 기동에 대한 난이도 지표를 생성하는 것은 동일 및/또는 다른 차량 운영자가 동일한 위치에서 동일한 기동을 성공적으로 실행한 통계를 계산하는 것을 포함할 수 있다. 그러나 일부 상황에서는 오로지 동일한 위치들에서 동일한 기동을 기반으로 계산된 통계는 확률의 부정확한 추정 결과를 산출할 수 있다. 관심 위치의 데이터는, 특히 유사한 조건들(예 : 비 오는 밤에, 시간당 32 내지 38 마일을 이동하면서, 5분 이상 직진한 후 특정 작은 거리로 좌회전하는 경로에 익숙하지 않은 운전자) 하에서 시도된 기동들로 데이터를 제한하는 것을 고려할 때 희소할 수 있다. 반면에, 본 개시의 기계 학습 모듈은 유사한 환경들에서 시도된, 유사한 위치들에서의 많은 유사한 기동들의 통계를 고려할 수 있다. 적절하게 구성되고 학습된 기계 학습 모델은, 아래에서 더 자세히 논의되는 바와 같이, 덜 유사한 기동과 조건의 조합들에 비하여 유사한 기동과 조건의 조합들의 통계에 더 많은 가중치를 줄 수 있다.

기동에 대한 난이도를 결정하고 적용하는 방법의 예

도 2는, 예를 들어 도 1의 휴대용 시스템(20) 및 서버 시스템(30)에서 구현될 수있는 네비게이션 명령들을 제공하는 방법(200)을 도시하는 흐름도이다. 보다 구체적인 예로서, 기계 학습 모듈(134)은 데이터베이스(142, 144, 146 등)로부터 검색된 데이터를 사용하여 기계 학습 모델을 학습시키는 방법(200)을 적어도 부분적으로 구현할 수 있고, 네비게이션 모듈(132)은 네비게이션 명령을 생성하기 위해 기계 학습을 적용할 수 있다. 보다 일반적으로, 보다 일반적으로, 기계 학습 모델을 학습하고 네비게이션 데이터에 적용 할 수 있고, 모바일 플랫폼, 서버 또는 분산된 다수의 컴퓨팅 구성 요소에 배치된 임의의 적절한 컴퓨터 시스템은 내비게이션 명령을 제공하는 방법(200)을 구현할 수 있다.

블록 210에서, 방법(200)은 위치들과, 이러한 위치들에서 하나 이상의 차량에 의해 실행되거나 시도되는 기동들을 설명하는데이터 세트를 수신하는 단계를 포함한다. 예를 들어, 도 1에 도시된 환경(10)에서, 휴대용 시스템(20) 및/또는 서버(30)는 통신 네트워크(50)를 통해 차량 운송 시스템(60)으로부터 데이터 세트의 적어도 일부를 수신할 수 있다. 추가적으로 또는 대안적으로, 사용자는 데이터 세트의 일부를 제공하거나(특히 기계 학습 모듈(134)이 사용자 특정 모델을 구성할 때), 서버(30)는 제 3 자 서버로부터 데이터 세트의 적어도 일부를 얻을 수 있다. 서버(30)는 기동 데이터베이스(142), 위치 데이터베이스(144) 및/또는 사용자 데이터베이스 기동(146)으로부터 일부 데이터를 얻을 수 있다.

블록 220에서, 방법(200)은 데이터 세트를 사용하여 기계 학습 모델을 학습함으로써 복수의 기동을 성공적으로 실행할 확률을 출력하도록 기계 학습 모델을 구성하는 단계를 포함한다. 기계 학습 모델은 이러한 확률을 기동에 대한 난이도 지표와 연관 시키거나(예 : 낮은 성공 확률은 더 높은 난이도를 나타냄) 성공 확률에서 난이도 지표를 도출할 수 있다. 기계 학습 모델은 서버(예를 들어,도 1의 서버(30)의 기계 학습 모듈(134)) 또는 휴대용 시스템(예를 들어,도 1의 휴대용 시스템(20) 내)에서 구현될 수 있다. 도 1을 참조하여 논의 된 바와 같이, 기계 학습 모델은 회귀 모델, 분류 모델, 또는 회귀 및 분류 모델의 임의의 적절한 조합일 수 있다. 일부 구현에서, 방법(200)을 실행하는 시스템은 예를 들어 다양한 사용자, 다양한 환경 조건, 다양한 시간대 등에 대해 다수의 기계 학습 모델을 구성하고 학습할 수 있다. 또한, 아래에서 더 상세하게 설명되는 바와 같이, 방법(200)은 모델 조합을 적용하여 네비게이션 명령들에 대한 적절한 세부 레벨, 타이밍 등을 결정하기 위해 모델들의 조합을 적용하는 것을 포함할 수 있다. 예를 들어,도 1의 서버(30)는 기계 학습 모듈(134)을 사용하여, 가능하면 데이터 집계 모듈(136) 또는 임의의 다른 적절한 하드웨어 및/또는 소프트웨어 모듈을 사용하여 기계 학습 모델을 구성할 수 있다. 일부 구현에서, 기계 학습 모델을 구성하는 기계 학습 모듈은 적어도 부분적으로 휴대용 시스템(예를 들어,도 1의 휴대용 시스템(20))에서 구현될 수 있고, 다수의 서버 및/또는 휴대용 시스템에 분산될 수 있으며/있거나, 클라우드에서 구현될 수 있다.

기계 학습 모델을 구성하는 것은 위치들, 기동들 및/또는 그 기동들이 그 위치들에서 실행된 조건들을 설명하는 특징들을 선택하는 것을 포함할 수 있다. 주어진 기동에 대한 조건들은 설명적이거나 환경(예 : 도로 상태, 교통, 날씨, 조명)을 나타낼 수 있다. 추가적으로 또는 대안적으로, 기계 학습 모델을 구성하는 것은 모델 유형(예 : 랜덤 포레스트, 컨볼루션 신경망)을 선택하고, 선택한 모델 유형의 파라미터들 및/또는 하이퍼 파라미터들에 대한 값(예 : 트리 수, 트리의 깊이, 네트워크의 레이어 수, 레이어 유형, 레이어 크기 또는 기타 적절한 파라미터 및/또는 하이퍼 파라미터)을 선택하는 것을 포함할 수 있다.

블록 230에서, 방법(200)은 운영자에 의해 (i) 위치 및, (ii) 그 위치에서 실행되도록 의도된 기동의 표시들을 포함하는 질의 데이터를 수신하는 단계를 포함한다. 일부 구현에서, 서버(30)의 기계 학습 모듈(134)은, 예를 들어 도 1의 휴대용 시스템(20)에 의해 전송된 질의 데이터를 수신할 수 있다. 일부 구현에서, 서버(30)의 네비게이션 모듈(132)은 질의를 생성할 수 있고, 기계 학습 모듈(134)에 질의 데이터를 전송할 수 있다. 탐색 모듈(134)은 적어도 부분적으로 휴대용 시스템(20) 또는 클라우드상에서 구현될 수 있다. 결과적으로, 자체적으로 분산될 수있는 기계 학습 모듈(134)은 임의의 적절한 소스로부터 네트워크(예를 들어, 네트워크(50))를 통해 질의 데이터를 수신할 수 있다.

질의에 표시된 기동은 해당 위치에서 수행된 과거 기동을 설명하는데이터를 사용할 수 없는 위치에 해당할 수 있다. 일부 구현에서 난이도 지표를 생성하기 위한 기계 학습 모델은, 위치의 특징 및 위치 특징과 난이도 및/또는 성공 지표 간의 학습된 상관 관계를 기반으로 난이도 지표를 예측한다.

실행하고자하는 기동을 나타내는 질의 데이터는 의도 된 기동이 우회전, 좌회전, U- 턴, 우측 병합 또는 좌측 병합인지에 대한 표시를 포함할 수 있다. 기동을 나타내는 질의 데이터는 추가 또는 대체 기동 분류를 나타내는 정보를 포함할 수 있다. 예를 들어, 우회전(또는 좌회전)은 날카롭거나 경미하거나 다른 방식으로 표시될 수 있다. 병합 기동은 병합이 차선 변경인지, 진입로에 있는지, 진입로에서 벗어나는지 표시를 포함하거나 다른 적절한 표시(예 : 병합과 관련된 속도 변경)를 포함할 수 있다.

일부 구현에서, 질의 데이터는 또한 기동이 실행될 것으로 예상되는 조건의 표시를 포함할 수 있다. 구현 또는 시나리오에 따라 조건 표시는 완전한 특정 조건을 지정하거나 특정 조건 발생 확률을 지정할 수 있다. 데이터에 반영된 조건에는 사용 가능한 조명의 양, 기동 시점의 가시성, 도로 상태, 교통량, 강수량 및 종류(예 : 비, 눈) 또는 기동ㅣ 실행되는 시점의 집중도(예 : , 안개, 스모그) 의 표시들을 포함할 수 있다. 추가적으로 또는 대안으로, 조건 표시에는 이륜차 또는 자동차와 같이 운영자가 사용하는 차량의 유형 및/또는 실행될 기동에 대한 운영자의 친숙도가 포함될 수 있다.

일부 구현에서, 기계 학습 모듈(134)은 기동의 특징으로서 조건의 표시를 사용하여 기계 학습 모델을 학습시킨다. 다른 구현에서, 하나의 기계 학습 모델(예시의 목적을 위해 첫 번째 기계 학습 모델이라고 함)은 기동 및 위치 데이터를 기반으로 출력을 생성할 수있는 반면, 별도의 알고리즘 또는 기계 학습 모델이, 첫 번째 기계 학습 모델의 출력에 대한 조건의 효과를 평가할 수 있다.

블록 240에서, 방법(200)은 운영자가 기동을 성공적으로 실행할 확률 지표를 생성하기 위해 기계 학습 모델에 질의 데이터를 적용하는 단계를 포함한다. 예를 들어,도 1의 기계 학습 모듈(134) 또는 서버(예를 들어, 서버 30), 휴대용 시스템(예를 들어, 휴대용 시스템 20) 또는 클라우드에서 적어도 부분적으로 구현된 임의의 다른 적절한 모듈은 포맷하거나 질의 데이터를 하나 이상의 기계 학습 모델에 대한 입력 벡터 또는 다른 입력 벡터로 사전 처리한다. 하나 이상의 기계 학습 모델은 문의된 기동이 문의된 장소에서 문의된 운영자에 의해 성공적으로 실행될 확률 지표를 생성하기 위하여 자체적으로 또는 조합하여 사전처리될 수 있는 하나 이상의 지표를 출력할 수 있다.

확률은 운영자가 수신하게 될 일련의 네비게이션 명령에 따라 달라질 수 있다. 보다 구체적으로, 대응하는 하나 이상의 네비게이션 명령 세트들에 대해 하나 이상의 확률 값이 생성될 수 있다. 예를 들어, 시스템(예를 들어, 서버(30))은 최소한의 명령들로 운영자가 기동을 성공적으로 실행할 가능성이 낮다(예를 들어, 고속도로 출구를 놓칠 것임)고 결정할 수 있다(지표는 낮은 확률을 나타냄). 다른 한편으로, 시스템은 추가 명령을 사용하면 해당 기동의 성공적인 실행 가능성이 크게 증가한다고 결정할 수 있다(예 : 운영자가 고속도로를 안전하고 성공적으로 나갈 가능성이 있음).

블록 250에서, 방법(200)은 생성된 확률 지표에 적어도 부분적으로 기초하여 기동에 대한 네비게이션 명령을 제공하는 단계를 포함한다. 일부 구현에서, 네비게이션 모듈(예를 들어, 네비게이션 모듈 132)은 잠재적인 네비게이션 명령들의 하나 이상의 세트에 대응하는 하나 이상의 생성된 확률 지표를 수신할 때, 최종적으로 질의 데이터의 차량의 운영자에게 전달하기위한 네비게이션 명령을 생성하고 제공할 수 있다. 일부 구현에서, 네비게이션 명령의 수퍼 세트는 운영자에 의해 네비게이션이 요청될 때 차량에 배치될 수있는 휴대용 시스템(예를 들어, 휴대용 시스템(20)의 메모리(124))에 로드된다. 계획된 경로의 각 기동은 명령어가 휴대용 시스템에 로드되기 전에 성공 확률에 대해 평가될 수 있으며(기계 학습 모델을 사용하여), 상기 명령어들은 생성된 성공 확률을 고려하여 반복적으로 적용될 수 있다. 예를 들어 네비게이션 시스템은, 해당 기동에 대한 난이도 지표가 특정 임계값을 초과하는 경우, "카운티로드에서 우회전"이라는 짧은 명령을, "카운티로드가 0.5 마일 내로 접근하고 있습니다. 카운티 로드에서 300 피트 내로 우회전할 준비를 하십시오. 카운티 로드에서의 우회전이 가까워지고 있습니다."라는 긴 명령으로 대체할 수 있다.

일부 경우에, 도 1의 네비게이션 시스템은 난이도 지표에 따라 네비게이션 명령의 타이밍을 변경할 수 있다. 예를 들어, 네비게이션 시스템은 차량이 다음 기동 위치에 접근할 때 특정 네비게이션 명령의 여러 인스턴스를 생성할 수 있으며, 난이도 지표에 따라 인스턴스 간의 시간 간격을 변경할 수 있다. 보다 구체적인 예로, 네비게이션 시스템은 난이도가 특정 임계값을 초과하는 경우 첫 번째 인스턴스 이후 5 초 후에 특정 네비게이션 명령들을 반복할 수 있고, 난이도 지표가 임계값을 초과하지 않으면 첫 번째 인스턴스 이후 7 초 후에 특정 네비게이션 명령을 반복할 수 있다. 대안적으로, 네비게이션 시스템은 네비게이션 명령을 제공하는 것과 차량이 기동 위치에 도달하는 사이의 간격의 지속 시간을 변경할 수 있다. 따라서, 네비게이션 시스템은 난이도 지표가 특정 임계값을 초과할 때 더 일찍(따라서 간격을 더 길게), 또는 난이도 지표가 임계값을 초과하지 않을 때는 더 빨리(따라서 간격을 더 짧게) 네비게이션 명령을 제공할 수 있다.

또한, 일부 경우에 네비게이션 시스템은 난이도 지표가 특정 임계값을 초과할 때 시각적 랜드 마크로 네비게이션 명령을 보강할 수 있다. 특정 위치에서 어려운 특정 기동의 경우, 네비게이션 시스템은 독특하고 눈에 띄는 시각적 랜드 마크(예 : "빨간색 게시판에서 좌회전")를 참조하여 네비게이션 명령을 보완할 수 있다.

일부 구현에서, 네비게이션 모듈(132)은 경로를 따라 획득된 정보를 고려하여 운영자에 대한 네비게이션 명령을 동적으로 변경할 수 있다. 추가적으로 또는 대안적으로, 네비게이션 시스템은 전술한 조건과 같은 조건의 변화에 *?*기초하여 적어도 부분적으로 명령을 동적으로 조정할 수 있다. 예를 들어, 날씨, 가시성, 도로 상태 및/또는 강수량의 변화는 기계 학습 모델을 사용하는 네비게이션 시스템에 의해 생성된 대로 주어진 기동의 성공 확률에 영향을 미칠 수 있다. 안개가 시작되면 특히 기계 학습 모델에 의해 결정된 바와 같이 가시성의 변화에 *?*더 취약한 기동에 대해 명령에 추가 세부 정보가 표시될 수 있다. 다른 예에서, 네비게이션 시스템은 차량의 상태 및/또는 의도된 기동이 수행될 임의의 다른 적절한 조건에서 변경이 발생했음을 결정할 수 있다. 일부 구현에서, 휴대용 유닛(예를 들어, 휴대용 유닛(20))은 예를 들어 센서 유닛(128)을 사용하여 조건의 변화를 검출할 수 있다. 네비게이션 시스템은 임의의 적절한 소스(예를 들어, 도 1의 V2I 모듈(164))로부터 조건들의 변화를 나타내는 정보를 획득하고, 이에 응답하여 네비게이션 시스템은 기동을 성공적으로 실행할 확률 및/또는 두 번째로 운영자에게 제공할 명령의 세부 레벨을 재평가할 수 있다.

네비게이션 시스템은 하나 이상의 신호 모드(예를 들어, 시각, 청각, 촉각 또는 임의의 다른 적절한 신호)를 통해 운영자에게 명령들을 제공(예를 들어, 휴대용 시스템(20)의 사용자 인터페이스(126)를 통해) 할 수 있다. 일부 구현에서, 네비게이션 시스템은 하나 이상의 기계 학습 모델을 사용하여 생성된 하나 이상의 확률 지표(기동의 성공적인 실행에 대한)에 적어도 부분적으로 기초하여 하나 이상의 신호 모드 및/또는 하나 이상의 신호 진폭을 선택할 수 있다. 예를 들어, 일부 구현 및/또는 시나리오(예를 들어, 운영자에 의해 선택된 옵션)에서, 네비게이션 시스템은, 해당 기동을 성공적으로 실행할 확률의 상기 생성된 지표가 임계값 아래로 떨어지는 경우에 한하여 합성된 음성 명령으로 네비게이션 명령을 제공할 수 있다.

예제 시나리오 및 추가 구현 세부 정보

더 명확하게하기 위해, 도 1의 예시적인 네비게이션 시스템을 참조하여 몇 가지 예시적인 시나리오가 아래에서 논의된다. 이러한 시나리오들에서 기계 학습 모듈(134)은 시각적 유사성들을 인식하도록 모델을 학습시킴으로써 기동에 대한 난이도 지표를 생성한다(예를 들어 , 위성 이미지 또는 거리 레벨 이미지 사용), 도로 형상의 유사성(예 : 개략도 데이터, 위성 이미지, 차량 센서의 데이터 사용).

도 3은 기계 학습 모듈(134)이 자동으로 인식하도록 학습할 수있는 도로 레이아웃들에서 유사성을 갖는 지리적 위치(320-326)에서의 4 개의 우회전 기동들의 세트를 예시한다. 각각의 기동 및/또는 기동 유형(또는 유사한 기동 유형, 기동 클래스, 기동의 종류)에 대해 위치 정보는 기동이 실행되는 교차점과 적절한 거리 마진 내의 영역을 포함할 수있는 적절한 지리적 영역을 포함할 수 있다. 적절한 거리 마진은 접근 방향과 관련하여 방향에 따라 서로 다를 수 있다. 마진은 지리적 위치의 유형(예 : 도시, 교외, 시골), 제한 속도 및/또는 기타 적절한 요인에 따라 달라질 수 있다. 일부 구현에서, 거리 마진들은 기동들이 실행되는 조건들(예를 들어, 빛, 강수량)에 따라 달라질 수 있다.

일부 구현에서, 별개의 위치는 특정 교차로 및 접근에 대응할 수 있다. 예를 들어, 기동(320)은 3 번가에서 메인 도로를 따라 2 번가에 접근하는 것으로 정의될 수 있다. 1 번가 측면에서 동일한 교차로에 접근하는 것은 유사한 기동에 대해 다른 위치로 정의될 수 있다. 일부 유형들의 기동들(예 : U 턴, 차선 변경)은 교차로와 연관되지 않을 수 있다. 이에 대응하여, 그러한 기동들에 대응하는 지리적 영역은 턴들에 대응하는 지리적 영역보다 접근 방향을 가로 지르는 더 작은 마진을 가질 수 있다.

기계 학습 모듈(134)에 의해 구현된 기계 학습 모델은, 이 4개의 위치들(320-326) 들 중 어느 하나 및/또는 다른 위치들에서 운영자가 성공적으로 우회전을 실행할 확률 지표를 보다 정확하게 생성하기 위하여 학습을 통해 각 위치(320-326)에서 기동 데이터를 이해할 수 있다. 실행을 위해 의도된 새로운 기동들에 대한 성공 확률 지표의 생성을 위해 기계 학습 모델의 학습 및 그것의 적용에는 모델 입력, 위치 데이터 및/또는 기동들이 실행 및 또는 실행될 조건들이 포함될 수 있다.

위치들(320-326)(즉, 위치 데이터)을 설명하는 모델 입력은 지리적 좌표(예 : 위도, 경도, 고도), 지도 데이터, 위성 이미지, 거리 레벨 이미지 데이터, 속도 제한, 도로 분류(예를 들어, 지역 거리, 주요 간선 도로), 지역 환경 분류(예 : 밀집된 도시, 교외, 시골) 및/또는 기타 적절한 데이터를 포함할 수 있다. 추가적으로 또는 대안적으로, 예를 들어 모델 입력은 기계 학습 모듈(134)이 지도 데이터, 위성 데이터 및/또는 다른 적절한 소스에 기초하여 결정할 수있는 거리 또는 도로 구성을 나타내는 데이터를 포함할 수 있다.

또한, 도시된 위치들(320-326)에서 우회전 기동들 각각에 대한 모델 입력은 각 기동과 관련된 조건을 표시 및/또는 설명하는데이터를 포함할 수 있다. 조건들의 표시들은 빛, 가시성, 도로 상태 및/또는 강수량에 대한 지표 또는 범주를 포함할 수 있다. 추가적으로 또는 대안적으로, 조건들의 표시는 차량의 유형, 차량의 상태, 차량에 의해 실행될 기동에 대한 차량 운영자의 친숙도에 대한 지표 또는 카테고리를 포함할 수 있다.

모델 입력은 범주적(예 : 좋음, 나쁨, 매우 나쁨), 연속적(예 : 0 ~ 1, -10 ~ 10, 부동 소수점 수의 컴퓨터 정밀도 또는 고정 스케일로 특정 비트 수에 따른 양자화), 벡터(예 : 사운드 파일, 이미지 파일 등) 일 수 있다. 기계 학습 모델의 주어진 입력 또는 기능에 대해 여러 범주 또는 정밀도를 줄이면 계산 복잡성을 줄일 수 있다. 거리 이미지들 또는 지도 데이터의 전처리는 기계 학습 모델(예 : 신경망)의 차원을 감소시킬 수도 있다.

예시적인 학습 데이터 세트는 각 위치(320-326)에 대해 상이한 수의 턴을 포함할 수 있다. 4 개의 교차로 각각에서 학습에 사용할 수있는 집계된 우회전 인스턴스의 수의 불일치는 교통 패턴의 불일치 또는 데이터 집계 모듈(136)에 대한 교통 데이터의 가용성의 차이 때문일 수 있다. 일부 구현에서, 각 기동(예를 들어, 도 3에 도시 된 우회전의 각 인스턴스)는 모델 학습을 위한 별개의 데이터 기록으로 사용된다. 다른 구현에서, 예를 들어 데이터 집계 모듈(136)에 의해, 각 위치에서 동일한 턴들이 함께 분류되거나 집계될 수 있다. 데이터 집계 모듈(136)은 각각의 분류에 대해 성공의 집계 통계들을 평가할 수 있다. 데이터 집계 모듈(136)은 각 턴과 관련된 조건에 따라 분류를 분리할 수 있다. 예를 들어, 데이터 집계 모듈(136)은 하나의 분류에서 주어진 위치에서 어두운 밤 동안에 실행되는 우회전들을 집계하고, 다른 분류에서 밝은 낮 동안에 실행된 턴들을 집계할 수 있다. 데이터 집계 모듈(136)은 기상 조건들 및/또는 임의의 다른 적절한 조건들을 포함할 수있는 다른 조건에 기초하여 분류들을 더 세분화할 수 있다.

각 위치들(320-326)에서 우회전들을 실행하고 동일한 분류에 배치된 성공률은 다를 수 있다. 각 성공률은 0에서 1 사이의 숫자 또는 0에서 100 % 사이의 값일 수 있다. 성공률은 예를 들어 성공률을 추정하는데 사용되는 턴 수에 의존할 수있는 연관된 신뢰 표시를 가질 수 있다. 성공률 추정은 아래에서 자세히 설명한다.

일부 구현에서, 기동의 각 인스턴스는 기계 학습 모델을 학습할 목적으로 별도의 데이터 기록으로 취급된다. 예를 들어 교차로에서 이루어진 100 번의 우회전들은, 카테고리들로 분류하는 것이 아니라 학습을 위해 각각 별도로 처리될 수 있다. 턴의 각 인스턴스는 성공 또는 실패의 이진 범주화를 가질 수 있거나, 예를 들어 주저없는 성공, 주저, 실패에 가까움, 실패를 포함하는 다양한 성공 범주를 가질 수 있다. 기계 학습 모듈(134)은 아래에서 더 상세하게 설명되는 바와 같이, 이들 카테고리 각각의 확률을 추정하기 위해 기계 학습 모델을 학습시킬 수 있다.

4 개의 위치들(320-326) 각각에 대한 위치 데이터는 기계 학습 모델을 학습 및/또는 질의하기 위한 입력으로 작용할 수 있다. 일부 구현에서, 기계 학습 모듈(134)은 추출, 분류 및/또는 두드러진 특징을 정량화하기 위해 벡터 위치 데이터(예를 들어, 위성 이미지, 거리 레벨 이미지, 교통 패턴 데이터, 기타 지리 공간 또는지도 데이터)에 대한 데이터 감소 분석을 수행할 수 있다. 다른 구현에서, 데이터 집계 모듈(136) 또는 다른 적절한 시스템 모듈은 데이터 감소 분석의 적어도 일부를 수행하고 감소된 데이터를 위치 데이터베이스(144)에 저장할 수 있다. 두드러진 특징은 위치 분류(예를 들어, 시골, 도시), 어려운 교차로들의 존재와 거리, 교차로들의 가시성, 사이니지의 가시성 및/또는 기타 적절한 데이터를 포함할 수 있다. 서로 다른 기동 등급들이나 유형들에 따라 두드러진 특징들은 다를 수 있다. 예를 들어, 사이니지의 가시성과 관련하여 교차로에서 우회전을 위한 도로 표지판은 보이지만, 동일한 교차로에서 좌회전을 위한 도로 표지판은 가려질 수 있다.

우회전 위치(320)를 분류함에있어서, 집계 모듈(136) 및/또는 기계 학습 모듈(134)은 1 번가와 3 번가에서의 우회전들을 잠재적인 오답 기동들로 식별할 수 있다. 선행하는 오답(3번가 오른쪽)과 의도된 기동(2번가 오른쪽) 사이의 거리는 의도된 기동을 설명하는 특징 중 하나가 될 수 있다. 유사하게, 이어지는 오답(1번가 오른쪽)과 의도된 기동(2 번가 오른쪽) 사이의 거리는 의도된 기동을 설명하는 또 다른 특징으로 작용할 수 있다. 추가적으로 또는 대안적으로, 오답 기동들까지의 거리는 제한 속도 및/또는 접근 속도로 정규화될 수 있다. 또한, 의도된 우회전을 위한 오답 기동들로서 좌회전들까지의 거리가 우회전 기동 특징들에 포함될 수 있다.

위치들(322-326)에서 도시된 우회전들을 위한 오답 기동들의 존재 및 거리들은, 위치(320)에서의 동일한 특징들과 다를 수 있다. 학습 세트로 모듈을 학습시킨 후, 일부 시나리오에서 기계 학습 모듈(134)은 의도된 기동을 실행하는데 성공할 확률에 대한 오답 기동 특징들의 영향을 정량화할 수 있다. 또한, 기계 학습 모듈(134)은 기동 실행시의 조건들을 고려하여 오답 기동 특징들의 효과들을 정량화할 수 있다. 예를 들어, 가시성이 낮은 경우 이어지는 오답 기동들(즉, 1번가 오른쪽, 아마존에서 오른쪽, 파리에서 오른쪽)의 효과가 더 작을 수 있다.

일부 구현에서, 기계 학습 모델에 대한 입력은 위에서 설명된 축소된 특징들보다는 원시 또는 실질적으로 축소되지 않은 형식의 위치 데이터를 포함할 수 있다. 예를 들어, 위치 데이터는 도로 토폴로지, 위성 이미지 및/또는 거리 레벨 이미지를 포함할 수 있다. 이미지는 원시 이미지, 압축된 이미지 및/또는 분할된 이미지 일 수 있다. 충분한 양의 학습 데이터로, 기계 학습 모델은 오답 기동 파라미터를 설명하고 정량화하는 축소된 특징들을 반드시 포함하지 않는 다른 관련 요인과 함께, 더 원시적인 고차원 벡터 위치 데이터를 기반으로 성공 확률을 추정하도록 학습될 수 있다.

예시적인 시나리오에서, 출퇴근 시간에 어두워진 후 빗속에서 자동차를 운전하는 운전자는 위치(320)에 예시된 기동으로부터 1 분 거리(예를 들어, 0.5 마일, 시속 30 마일 또는 mph로 이동하는 상태에서)에 있을 수 있다. 기계 학습 모듈에 대한 예시적인 입력 벡터는 기동 및 위치 식별자(예 : 메인 스트리트로부터 2번가에서 오른쪽), 속도(예 : 30 mph), 교통 상황(예 : 10 점 중 7 점, 10점이 가장 심함), 강수량/도(예 : 비 / 5점 중 3점, 5점이 가장 심함), 조명(2점 중 5점, 5점이 가장 밝음), 이 위치에 대한 운전자의 친숙도(3점 중 5점, 5점이 가장 친숙 함)를 포함할 수 있다. 기계 학습 모듈(134)은 유사하게 구조화된 입력 벡터들을 포함하는데이터 세트로 학습된 하나 이상의 기계 학습 모델을 검색할 수 있다. 기계 학습 모듈(134)은 학습 데이터 세트 및 임박한 동작을 설명하는 질의 데이터에서 위치 정보(예를 들어, 위성 이미지 데이터, 지도 데이터 등)를 위치 특정 디스크립터의 벡터(위에 설명된 바와 같이)로 줄일 수 있으며 조건별 설명 디스크립터의 벡터에 추가한다. 결합된 벡터는 하나 이상의 기계 학습 모델을 학습하고 확률 지표를 생성하는데 사용될 수 있다.

일부 구현에서, 기계 학습 모듈(134)(또는 네비게이션 시스템의 다른 적절한 모듈)은 기동 실행을 위한 성공 통계들의 유사성에 기초한 클러스터링 알고리즘을 사용하여 각 기동에 대해 유사한 위치들을 클러스터링 할 수 있다. 예를 들어, 위치들(322-326)은 대응하는 예시된 우회전들을 위해 동일한 클러스터에 클러스터링될 수 있다. 확률 지표를 생성하기위한 기계 학습 모델은 각 클러스터(즉, 클러스터링 알고리즘에 의해 생성된 위치 클래스)에 대해 개별적으로 학습될 수 있다. 각 클래스 내에서 서로 다른 위치는 각 기동, 특정 조건들 등에 특정될 수 있는 상관 행렬들에 의해 상호 연관될 수 있다.

표시된 우회전들에 대해, 위치(320)에 대한 성공 통계들은, 예를 들어 위치들(322, 324 및 326)의 성공 통계들에 각각에 대해 대해 0.8, 0.7 및 0.9의 상관 관계를 가질 수 있다. 다른 상관 관계는 기동의 존재 및 배열, 사이니지의 가시성 및/또는 기타 요인으로 인한 것일 수 있다. 따라서, 위치(326)에서의 기동 성공의 통계들은, 의도된 기동에 대한 예상 성공 확률을 생성하기 위해 다른 두 위치보다 다소 더 관련성이있는 것으로 결정될 수 있다. 학습된 기계 학습 모델은 특히 위치를 구별하는 특징들이, 위치 설명들의 일부인 경우 상관 관계를 반영할 수 있다.

전술한 바와 같이, 시스템은 위치 간의 차이를 고려하여 여러 위치들(위치들(320-326) 포함)에서 우회전 통계들을 고려하여 위치(320)에서 주어진 우회전 성공 확률을 계산한다. 이후 논의에서는 위치/기동 조합들의 더 많은 예가 설명된다.

도 4는 도로 레이아웃들 및 관련 기동들에서 유사성을 갖는 지리적 위치들(420-426)에서의 4개 우회전 기동들의 세트를 예시한다. 일부 구현에서 네 가지 기동 모두 우회전으로 분류된다. 다른 구현에서, 위치(420) 및 위치(422)에서의 기동들은 정상 우회전들로 분류될 수있는 반면, 위치(424), 위치(426)에서의 기동은 각각 급격한 및 경미한 우회전들로 분류될 수 있다.

기계 학습 모듈(예를 들어, 기계 학습 모듈(134))은 4개의 위치들(420-426) 모두를 우회전의 컨텍스트에 대해 유사한 위치로 분류할 수 있으며, 통합 특징은 교차로에서 4 개 이상의 코너가 존재하는 것이다. 일부 구현에서, 위치(422)는 T- 교차로로서 별도의 클래스로 분류될 수 있다. 다른 구현에서, 위치들(420 및 422)은 서로 함께 각각 분류될 수 있지만, 위치들(424 및 426)와는 별도로 분류될 수 있다. 다시 말해서, 의도된 기동(예를 들어, 우회전, 이 경우)의 컨텍스트에서 유사한 위치들로 분류되는 위치들에 대해, 기계 학습 모델은 기동 실행의 성공 확률 지표를 결정하기 위해 학습될 수 있다. 일부 구현에서, 교차점들의 특징(예를 들어, 어려운 회전의 존재 및 상대적 위치)은 기계 학습 모델에서 입력 벡터로 작용할 수 있다.

위치들(420-426)에서 실행되는 우회전들의 다른 특징들은 회전 각도(예 : 정상, 경미, 급격 또는 회전 각도), 어려운 회전들의 표시(예 : 높음, 중간 또는 낮은 혼란 요소 또는 준-연속 지표), 혼란스러운 회전들의 위치(예 : 선행 또는 후행 및/또는 상대 거리 및 각도)를 포함할 수 있다. 네비게이션 시스템은, 예를 들어 데이터 집계 모듈(136), 기계 학습 모듈(134), 임의의 다른 적절한 모듈 또는 모듈의 조합을 사용하여, 특징 추출 및 분석을 수행할 수 있다.

기계 학습 모듈(예를 들어, 기계 학습 모듈(134))은 교차 토폴로지 및/또는 명시적 특징 추출 분류 없이 확률 지표를 결정할 수도 있으며, 모든 우회전들 또는 심지어 더 넓게 모든 기동들을 기반으로 기계 학습 모델을 학습할 수 있다. 이러한 구현에서, 위치 데이터(위에서 논의된 마진 포함)에 대응하는 위성 이미지 또는 지도 데이터 서브 세트가 있는 벡터 데이터는, 기계 학습 모델을 학습하고 /하거나 관심 기동의 모델을 모델을 평가하기위한 입력의 일부로 작용할 수 있다.

도 5는 로터리를 포함하는 지리적 위치들(520-526)에서 4 개의 좌회전 기동들의 세트를 예시한다. 일부 구현에서, 로터리에서 좌회전을 실행하기위한 성공 확률 지표는 다른 유사한 기동에 대한 성공 통계의 관점에서 계산될 수 있다. 다른 분류된 기동과 유사하게, 로터리에서 좌회전들(또는 단지 회전들)을 위한 전용 기계 학습 모델은 확률 지표를 생성하기 위해 사전 학습되고 호출될 수 있다. 로터리에 대한 특징 세트는, 로터리에서 방사형 출구의 총 수(및/또는 각도 위치들)과, 의도된 기동에 대한 출구의 인덱스(예 : 위치들(520, 522, 524 및 526)에 각각 대응하는 3, 3, 3, 4)가 포함될 수 있다.

일부 기동은 특정 명령들의 세트 및/또는 서로 다른 조건 하에서 기동을 실행할 확률을 더욱 현저하게 감소시킬 수 있다. 위치(522)에서 Donatello St.는 우회전하는 반면, 위치(520)에서 두 도로는 접근 방향에 대해 좌회전들이기 때문에, Donatello St.에서 Leonardo St.(둘 다 위치(522))로 회전하는 것보다, DeLong St.에서, Chavez St.(둘 다 위치(520))로 회전하는 것이 더 어려울 수 있다. 그럼에도 불구하고, 위치(520-526)에서의 모든 통계는 기계 학습 모델에 대한 학습 세트에 기여함으로써 적어도 부분적으로 위치(520-526) 중 어느 하나에서 성공적인 기동의 확률에 대한 생성된 지표에 영향을 미칠 수 있다.

도 3 내지 도 5는 지도 데이터(예 : 도로 레이아웃 등)를 기반으로 다양한 기동에 대한 위치 유사성에 중점을 둔다. 반면에, 도 6은 지리적 위치들(620-626)에서 4 개의 좌회전 기동들의 세트를 예시하며, 여기서 지형 정보는 위치들에 표시된다. 데이터 집계 모듈(136) 및/또는 기계 학습 모듈은 위성 이미지들 또는 다른 적절한 소스로부터 지형 정보를 추출할 수 있다. 지형 정보는 주어진 기동에 대한 성공 확률의 표시를 생성하기 위해 하나 이상의 기계 학습 모델을 학습 및/또는 평가하는 추가 특징으로 사용될 수 있다. 예를 들어, 위치(620)에서 Forest Dr. 및, 위치(622)에서 Field St.로 향하는 진입로 내의 숲이 우거진 지역은, 가까워지는 좌회전을 시야에서 가릴 수 있고/있거나 황혼에 감소된 빛을 나타낼 수 있다. 다른 한편으로, 위치(624)의 Marsh Way 및 위치(626)의 Park St.에 가까워지는 필드들은 특히 들판의 초목이 낮다고 가정할 수있는 시간 동안 회전의 명확한 시야를 나타낼 수 있다. 또한, 위치(624)의 주거 지역은 인공 조명으로부터의 조명이 태양이 수평선 아래에 있을 때 가시성을 향상시킬 수 있음을 나타낼 수 있다. 따라서 원시 위성 이미지 또는 분류된 지형 데이터를 통해 지형 정보를 이해하면, 더 정확한 기계 학습 모델이 생성될 수 있다. 따라서, 위치를 설명하는데이터 세트는 하나 이상의 기계 학습 모델을 구성하기 위해 위성 이미지 및/또는 지도 데이터를 포함할 수 있다.

도 7은 유사한 위치에서 유사한 좌회전 기동들의 세트에 대응하는 4 개의 거리 레벨 프레임들(720-726)을 도시한다. 거리 레벨 이미지의 적어도 일부는 휴대용 시스템을 사용하여(예를 들어, 휴대용 시스템(20)의 센서(128)를 사용하여) 획득될 수 있다. 예를 들어, 위에서 논의한 바와 같이 카메라 및/또는 라이더 시스템 데이터는 거리 레벨 이미지들을 생성 및/또는 분류하는데 도움이될 수 있다.

위에서 논의된 위성 이미지 및/또는 지도 데이터와 마찬가지로, 4개의 세트는 논의를 단순화하기 위해서만 선택된다. 일부 구현에서, 거리 레벨 프레임들(720-726)은 클러스터링 및/또는 분류 전처리 알고리즘에 의해 미리 선택된 유사한 위치들 세트의 서브 세트를 나타낼 수 있다. 기계 학습 모델은 수십, 수백, 수천, 수만, 수백만(즉, 적절한 수)의 유사한 위치들의 세트로 학습될 수 있다. 그럼에도 불구하고, 도 7은 기계 학습 모델을 구성할 때 복수의 위치를 나타내는 거리 레벨 이미지의 사용 예를 설명하는데 도움이 된다.

일부 구현에서, 거리 레벨 프레임들(720-726)으로부터 획득된 벡터들은 대응하는 위치들에서 좌회전들을 설명하는 특징들로서 직접 추가될 수 있다. 다른 구현에서, 거리 레벨 프레임 및/또는 거리 레벨 프레임 시퀀스는 정보를 위해 마이닝될 수 있다. 예를 들어, 거리 레벨 프레임은, 위치와 관련된 수명이 짧거나 더 영구적인 조건에 대한 정보들(예 : 도로 품질, 인근 공사현장, 오답들의 존재 등) 뿐만 아니라, 랜드 마크 및/또는 큐들의 가시성(예 : 회전 가시성, 장애물의 존재, 표지판의 존재 및 가시성 등)을 포함한 다양한 특징을 추출하기 위해 분할 및 분류될 수 있다. 추출된 특징들은 주어진 기동의 난이도 및/또는 성공 확률을 예측하는데 사용될 수 있다.

예를 들어, 프레임(720)에서 좌회전은 일련의 화살표로 표시된다. 프레임(720)에서 도로의 곡률이 명확하게 표시되고, 네비게이션 시스템은 곡률 지표를 추출할 수 있다(예 : 기계 학습 모듈(134), 데이터 집계 모듈(136) 및/또는 휴대용 시스템(20)의 처리 장치(122)를 사용하여). 마찬가지로, 네비게이션 시스템은 좌회전에 대해 유사한 위치와 연관된 프레임(722)으로부터 곡률 지표를 추출할 수 있다. 프레임(720 및 722)의 분석은 좌회전에 대한 위치의 추가 유사점 및 차이점을 나타낼 수 있다. 예를 들어 교차로들의 가시성 또는 교차로들이 보이는 거리에 해당하는 특징은, 두 위치에서 교차점(그 교차로로부터 적어도 얼마간의 거리)을 가리는 나무가 존재하기 때문에 두 위치에서 유사할 수 있다. 거리 레벨 이미지, 위성 이미지 및/또는 기후 데이터 분석을 포함할 수 있는 추가 분석은 가시성에 대한 영향이 계절적 일 수 있으며 단풍의 존재에 따라 달라질 수 있음을 보여줄 수 있다. 거리 레벨 프레임들(720 및 722)의 추가 분석은 프레임(722)에서 표지판의 존재 및 프레임(720)에서 대응하는 표지판의 부재를 추출할 수 있다. 위에서 설명된 특징은 전처리에서 결정될 수 있지만, 생성된 기동 난이도 및/또는 기동을 성공적으로 실행할 확률에 대해 추출된 특징들의 통계적 효과는 기계 학습 모델의 학습을 통해 결정될 수 있다.

프레임(724 및 726)은 프레임(720 및 722)과 연관된 기동들과 유사한 위치(예를 들어, 유사한 도로 형상)에서 좌회전 기동들과 연관된 거리 레벨 프레임을 예시한다. 네비게이션 시스템은 프레임들(720과 722)의 위치들로부터 유사 및/또는 다른 위치들을 만드는 위치들의 특징들을 추출하기 위해 프레임들(724 및 726)을 사용할 수 있다. 예를 들어, 네비게이션 시스템은 도로 곡률이 도 7의 다른 프레임들과 다른(더 직선적인)지를 결정하기 위해 프레임(724)을 분석할 수 있다. 그리고 비록 교차점을 부분적으로 가리는 나무가 있지만 교차점이 보이는 범위는 프레임들(720 및 722)의 해당 특징과 다를 수 있다. 한편, 프레임(736)은 프레임들(720 및 722)에 있는 것과 유사한 도로 곡률을 나타낼 수 있지만 교차로를 가리는 물체가 없음을 나타낼 수있다.

도 8은, 도 7과 같이 4 개의 거리 레벨 프레임들(820-826)을 도시하지만, 4개의 유사한 우회전들의 컨텍스트라고 볼 수 있다. 표지판들의 존재, 표지판들의 가시성 및 어려운 교차로들의 존재를 포함하는 다수의 특징들이 프레임들(820-826)으로부터 추출될 수 있다. 하나의 추출된 특징은 거리 표지판의 표시를 포함할 수 있다 : 프레임(822)를 제외하고 모두에 존재함. 또 다른 특징은 표지판의 가시성 일 수 있다 : 프레임들 (820 및 826)에서는 양호하지만 프레임(824)는 부분적임. 또 다른 특징은 프레임(824)에서와 같이 어려윤 교차로의 존재(및/또는 까지의 거리)일 수 있다. 어려운 교차로는 차량 운영자가 일찍 회전하거나 회전을 놓치게 할 수 있다. (예를 들어, 네비게이션 모듈(132)에 의해 제공되는) 방향들로의 랜드마크의 적시 리마인더 또는 사용은 기동을 용이하게할 수 있다.

도 9는 좌회전을 놓친 후 차량 운영자에 의해 실행될 수 있는 4개의 교정 기동들(920-926)을 도시한다. 기동들(920-926)은 차량 내에 배치된 하나 이상의 센서(예를 들어, 휴대용 시스템(20)의 센서) 및/또는 차량 운영자가 네비게이팅하는 인프라 내에 배치된 센서들(예를 들어, V2I(164))에 의해 감지될 수 있다. 일부 시나리오에서, 도 1의 네비게이션 시스템은 운영자가 특정 네비게이션 명령을 따르고, 특정 기동에 대한 네비게이션 명령을 따르는데 실패하고, 네비게이션 시스템이 갱신된 명령을 제공한 이후에 원래 경로로 돌아가거나(또는 병합) 할 때, 교정 기동들(920-926)을 감지한다. 다른 시나리오에서, 운영자가 현재 네비게이션 시스템의 지시를 따르고 있지 않지만 네비게이션 시스템이 이러한 목적을 위해 자신의 위치 데이터를 사용할 수 있음을 나타낼 때, 네비게이션 시스템은 루프(기동 920), U 턴 또는 더 긴 회전(기동 924 및 926), 불필요한 기동(기동 922)를 검출하고, 사용자가 의도한 회전을 놓친 것으로 판단한다.

일부 구현 및/또는 상황에서, 네비게이션 시스템은 교정 기동들(920-926)의 경로들을 감지하지 못할 수 있다. 반면에, 짧은 교정 기동조차도 기동을 실행하는데 걸리는 시간에 기여할 수 있다. 기동의 특징으로 기동을 실행하는데 걸리는 시간을 감지하면 해당 기계 학습 모델을 학습하고 기동에 대한 난이도 지표를 생성하는데 기여할 수 있다.

추가 고려 사항

다음의 추가 고려 사항이 전술한 논의에 적용된다. 본 명세서 전반에 걸쳐 복수의 인스턴스는 단일 인스턴스로 기술된 구성 요소, 동작 또는 구조를 구현할 수 있다. 하나 이상의 방법의 개별 동작이 별도의 동작으로 예시되고 설명되었지만, 하나 이상의 개별 동작이 동시에 수행될 수 있으며, 설명된 순서대로 동작을 수행할 필요는 없다. 예시적인 구성에서 별도의 구성 요소로 제시된 구조 및 기능은 결합된 구조 또는 구성 요소로 구현될 수 있다. 마찬가지로, 단일 구성 요소로 제공되는 구조 및 기능은 별도의 구성 요소로 구현될 수 있다. 이들 및 다른 변형, 수정, 추가 및 개선은 본 개시의 주제의 범위 내에 있다.

추가로, 특정 실시 예는 로직 또는 다수의 구성 요소, 모듈 또는 메커니즘을 포함하는 것으로 여기에서 설명된다. 모듈은 소프트웨어 모듈(예 : 기계 판독 가능 매체에 저장된 코드) 또는 하드웨어 모듈을 구성할 수 있다. 하드웨어 모듈은 특정 작업을 수행할 수있는 유형의 단위이며 특정 방식으로 구성 또는 배열될 수 있다. 예시적인 실시 예에서, 하나 이상의 컴퓨터 시스템(예 : 독립형, 클라이언트 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 모듈(예 : 프로세서 또는 프로세서 그룹)은 여기에 설명된 바와 같이 특정 동작을 수행하도록 동작하는 하드웨어 모듈로서 소프트웨어(예 : 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다.

다양한 실시 예에서, 하드웨어 모듈은 기계적으로 또는 전자적으로 구현될 수 있다. 예를 들어, 하드웨어 모듈은 특정 동작들을 수행하기 위해 영구적으로 구성된(예 : FPGA(Field Programmable Gate Array) 또는 ASIC(application-specific integrated circuit)과 같은 특수 목적 프로세서) 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 모듈은 또한 특정 동작들을 수행하기 위해 소프트웨어에 의해 일시적으로 구성되는 프로그래밍 가능 로직 또는 회로(예를 들어, 범용 프로세서 또는 다른 프로그래밍 가능 프로세서 내에 포함됨)를 포함할 수 있다. 하드웨어 모듈을 기계적으로, 전용 및 영구적으로 구성된 회로 또는 임시로 구성된 회로(예를 들어, 소프트웨어에 의해 구성됨)에서 구현하는 결정은 비용 및 시간 고려 사항들에 의해 구동될 수 있다.

따라서, 하드웨어라는 용어는 특정 방식으로 동작하거나 여기에 설명된 특정 동작들을 수행하기 위하여 유형의 엔티티, 즉 물리적으로 구성되거나 영구적으로 구성(예 : 하드 와이어)되거나 일시적으로 구성(예 : 프로그래밍)되는 것으로 이해되어야 한다. 하드웨어 모듈이 일시적으로 구성(예를 들어, 프로그래밍)되는 실시 예를 고려할 때, 각각의 하드웨어 모듈은 한 번의 인스턴스에서 구성되거나 인스턴스화될 필요가 없다. 예를 들어, 하드웨어 모듈이 소프트웨어를 사용하여 구성된 범용 프로세서를 포함하는 경우, 범용 프로세서는 서로 다른 시간에 각각의 서로 다른 하드웨어 모듈로 구성될 수 있다. 따라서 소프트웨어는 예를 들어 특정 하드웨어 모듈을 한 인스턴스의 시간에 구성하고 다른 하드웨어 모듈을 다른 인스턴스의 시간에 구성하도록 프로세서를 구성할 수 있다.

하드웨어 및 소프트웨어 모듈은 다른 하드웨어 및/또는 소프트웨어 모듈에 정보를 제공하고 그로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 모듈은 통신적으로 결합된 것으로 간주될 수 있다. 이러한 하드웨어 또는 소프트웨어 모듈이 동시에 여러 개 존재하는 경우, 하드웨어 또는 소프트웨어 모듈을 연결하는 신호 전송(예 : 적절한 회로 및 버스를 통해)을 통해 통신이 이루어질 수 있다. 다수의 하드웨어 모듈 또는 소프트웨어가 서로 다른 시간에 구성되거나 인스턴스화되는 실시 예에서, 이러한 하드웨어 또는 소프트웨어 모듈 간의 통신은 예를 들어 다수의 하드웨어 또는 소프트웨어 모듈이 접속할 수 있는 메모리 구조에서 정보의 저장 및 검색을 통해 달성될 수 있다. 예를 들어, 하나의 하드웨어 또는 소프트웨어 모듈은 동작을 수행하고 그 동작의 결과를 통신적으로 결합된 메모리 장치에 저장할 수 있다. 추가 하드웨어 또는 소프트웨어 모듈은 이후에 메모리 장치에 접속하여 저장된 출력을 검색하고 처리할 수 *?*있다. 하드웨어 및 소프트웨어 모듈은 또한 입력 또는 출력 장치와의 통신을 시작할 수 있으며 리소스(예 : 정보 모음)에서 작동할 수 있다.

본 명세서에 설명된 예시적인 방법의 다양한 동작은 관련 동작을 수행하도록 일시적으로 구성되거나(예를 들어, 소프트웨어에 의해) 영구적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 임시로 또는 영구적으로 구성되는 이러한 프로세서들은 하나 이상의 작업 또는 기능을 수행하도록 작동하는 프로세서 구현 모듈들을 구성할 수 있다. 여기에서 언급되는 모듈들은 일부 예시적인 실시 예들에서 프로세서 구현 모듈들을 포함할 수 있다.

유사하게, 여기에 설명된 방법들 또는 루틴들은 적어도 부분적으로 프로세서에 의해 구현될 수 있다. 예를 들어, 방법의 동작들 중 적어도 일부는 하나 이상의 프로세서들 또는 프로세서 구현 하드웨어 모듈들에 의해 수행될 수 있다. 특정 작업의 성능은 하나 이상의 프로세서에 분산될 수 있으며 단일 시스템 내에 있을 뿐만 아니라 여러 시스템에 배포될 수 있다. 일부 예시적인 실시 예에서, 프로세서 또는 프로세서들은 단일 위치(예를 들어, 가정 환경, 사무실 환경 또는 서버 팜)에 위치할 수있는 반면, 다른 실시 예에서 프로세서는 다수의 위치에 분산될 수 있다.

하나 이상의 프로세서는 또한 "클라우드 컴퓨팅"환경에서 또는 SaaS로서 관련 동작의 성능을 지원하도록 동작할 수 있다. 예를 들어, 위에서 지적한 바와 같이, 동작들 중 적어도 일부는 컴퓨터들의 그룹(프로세서들을 포함하는 머신들의 예)에 의해 수행될 수 있으며, 이러한 동작들은 네트워크(예 : 인터넷) 및 하나 이상의 적절한 인터페이스.(예 : API)를 통해 액세스 가능하다.

특정 동작의 성능은 단일 머신 내에 있을 뿐만 아니라 다수의 머신에 걸쳐 배치되는 하나 이상의 프로세서에 분산될 수 있다. 일부 예시적인 실시 예에서, 하나 이상의 프로세서 또는 프로세서 구현 모듈은 단일 지리적 위치(예를 들어, 가정 환경, 사무실 환경 또는 서버 팜 내)에 위치할 수 있다. 다른 예시적인 실시 예에서, 하나 이상의 프로세서 또는 프로세서 구현 모듈은 다수의 지리적 위치에 걸쳐 분산될 수 있다.

본 명세서의 일부 부분은 기계 메모리(예를 들어, 컴퓨터 메모리) 내에서 비트 또는 이진 디지털 신호로 저장된 데이터에 대한 연산의 상징적 표현 또는 알고리즘의 관점에서 제시된다. 이러한 알고리즘 또는 상징적 표현은 데이터 처리 분야의 통상의 기술자가 작업의 본질을 당업자에게 전달하기 위해 사용하는 기술의 예이다. 여기에서 사용된 바와 같이, "알고리즘"또는 "루틴"은 원하는 결과로 이어지는 자체 일관된 동작들의 시퀀스 또는 유사한 처리이다. 이러한 맥락에서 알고리즘, 루틴 및 동작에는 물리량의 물리적 조작이 포함된다. 일반적으로, 반드시 그런 것은 아니지만 이러한 양은 기계에 의해 저장, 액세스, 전송, 결합, 비교 또는 조작될 수있는 전기, 자기 또는 광학 신호의 형태를 취할 수 있다. 주로 일반적으로 사용되는 이유로 "데이터", "컨텐츠", "비트", "값", "요소", "기호", "문자, "용어", "숫자", "수" 등의 단어들을 사용하여 이러한 신호를 참조하는 것이 편리하다. 그러나이 단어들은 단지 편리한 라벨일 뿐이며 적절한 물리량과 연관되어야한다.

달리 구체적으로 언급되지 않는 한, "처리", "계산", "계산", "결정", "표시", "디스플레이" 등 또는 유사한 단어들은, 정보를 수신, 저장, 전송 또는 표시하는 하나 이상의 메모리(예 : 휘발성 메모리, 비 휘발성 메모리 또는 이들의 조합), 레지스터 또는 기타 기계 구성 요소 내에서 물리량으로 표시된 데이터를 조작하거나 변환하는 기계(예 : 컴퓨터)의 동작들 또는 프로세스들을 의미 할 수 있다.

여기서 사용되는 "일 실시 예"또는 "실시 예"에 대한 임의의 언급은 실시 예와 관련하여 설명된 특정 요소, 특징, 구조 또는 특성이 적어도 하나의 실시 예에 포함된다는 것을 의미한다. 명세서의 다양한 위치에서 "일 실시 예에서"라는 문구의 출현은 반드시 모두 동일한 실시 예를 지칭하는 것은 아니다.

일부 실시 예는 그들의 파생어와 함께 "결합된"및 "연결된"이라는 표현을 사용하여 설명될 수 있다. 예를 들어, 일부 실시 예는 2 개 이상의 요소가 직접적인 물리적 또는 전기적 접촉에 있음을 나타 내기 위해 "결합된"이라는 용어를 사용하여 설명될 수 있다. 그러나 "결합된"이라는 용어는 또한 둘 이상의 요소가 서로 직접 접촉하지는 않지만 여전히 서로 협력하거나 상호 작용한다는 것을 의미할 수 있다. 이러한 맥락에서 실시 예는 제한되지 않는다.

여기에서 사용된 바와 같이, 용어 "구성되다", "구성하는", "포함하다", "포함하다", "갖는다", "갖는다" 또는 이의 임의의 다른 변형은 비배타적 포함을 포함하도록 의도된다. 예를 들어, 요소의 목록을 포함하는 프로세스, 방법, 물품 또는 장치는 반드시 그러한 요소로만 제한되는 것은 아니지만, 명시적으로 나열되지 않거나 그러한 프로세스, 방법, 물품 또는 장치에 고유하지 않은 다른 요소를 포함할 수 있다. 또한, 달리 명시 적으로 언급되지 않는 한, "또는" 은 포괄적이거나 배타적인 "또는" 이 아니다. 예를 들어, 조건 A 또는 B는 다음 중 하나에 의해 충족된다: A는 참(또는 존재함)이고 B는 거짓(또는 존재하지 않음), A는 거짓(또는 존재하지 않음), B는 참(또는 존재함)이다. 그리고 A와 B가 모두 참(또는 존재함)입니다.

추가로, "a"또는 "an"의 사용은 본 명세서의 실시 예의 요소 및 구성 요소를 설명하기 위해 사용된다. 이것은 단지 편의를 위해 그리고 설명의 일반적인 의미를 제공하기위한 것이다. 이 설명은 하나 또는 적어도 하나를 포함하도록 읽어야하며, 단수는 달리 의미하는 것이 분명하지 않은 한 복수도 포함한다.

Claims (17)

1. 네비게이션 명령을 제공하는 방법으로서, 상기 방법은:
   하나 이상의 프로세서에 의해, 복수의 위치들 및 상기 복수의 위치에서 하나 이상의 차량에 의해 실행된 또는 시도된 하나 이상의 기동 세트(a set of one or more maneuvers)를 설명하는 데이터 세트를 수신하는 단계, 상기 데이터 세트는 상기 복수의 위치들의 위치 특징들을 묘사하는 거리 레벨 이미지를 포함하고;
   상기 위치 특징들과 난이도 지표들(metrics of difficulty) 간의 상관 관계를 학습함에 의해서 상기 기동 세트에 대한 난이도 지표들을 생성하는 기계 학습 모델을 구성하기 위해, 하나 이상의 프로세서에 의해 상기 데이터 세트를 사용하여 상기 기계 학습 모델을 트레이닝하는 단계;
   하나 이상의 프로세서에 의해, (i) 위치 및(ii) 상기 위치에서 차량에 의해 실행될 기동에 대한 표시들을 포함하는 질의 데이터를 수신하는 단계;
   하나 이상의 프로세서에 의해, 상기 기동에 대한 난이도 지표를 생성하기 위해 상기 기계 학습 모델에 상기 질의 데이터를 적용하는 단계; 및
   상기 생성된 난이도 지표에 기초하여 네비게이션 명령의 적어도 하나의 파라미터를 선택하는 것을 포함하여, 하나 이상의 프로세서에 의해 사용자 인터페이스를 통해, 상기 기동을 위한 네비게이션 명령을 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
2. 제1항에 있어서,
   상기 생성된 난이도 지표에 기초하여 상기 적어도 하나의 파라미터를 선택하는 단계는:
   상기 난이도 지표가 난이도 임계값을 초과하는 경우 상기 네비게이션 명령에 대해 더 높은 레벨의 세부 정보를 선택하는 단계; 및
   상기 난이도 지표가 난이도 임계값을 초과하지 않는 경우 상기 네비게이션 명령에 대해 더 낮은 레벨의 세부 정보를 선택하는 단계를 포함하며,
   상기 기동을 위한 네비게이션 명령을 제공하는 단계는, 추가 명령들의 예상 침입성(predicted intrusiveness) 및 기동 실행 실패의 잠재적 결과 중 적어도 하나에 기초하여 기동을 위한 추가 네비게이션 명령을 제공하는 단계를 포함하는 것을 특징으로 하는 방법.
3. 제1항에 있어서,
   상기 적어도 하나의 파라미터는 네비게이션 명령을 제공하는 것과 차량이 위치에 도달하는 사이의 시간 간격을 포함하고,
   상기 생성된 난이도 지표에 기초하여 하나 이상의 파라미터를 선택하는 단계는:
   상기 난이도 지표가 난이도 임계값을 초과할 때 더 긴 시간 간격을 선택하는 단계, 및
   상기 난이도 지표가 상기 난이도 임계값을 초과하지 않을 때 더 짧은 시간 간격을 선택하는 단계를 포함하는 것을 특징으로 하는 방법.
4. 제1항에 있어서,
   상기 적어도 하나의 파라미터를 선택하는 단계는 상기 네비게이션 명령이 상기 생성된 난이도 지표에 기초하여 시각적 랜드 마크를 포함할지 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 방법.
5. 제1항에 있어서,
   상기 데이터 세트를 수신하는 단계는 질의에 표시된 상기 복수의 위치 및 상기 위치에 대한 위성 이미지를 수신하는 단계를 더 포함하며,
   상기 기계 학습 모델은 위치들 간의 시각적 유사성을 고려하여 상기 기동 세트에 대한 난이도 지표를 생성하는 것을 특징으로 하는 방법.
6. 제1항에 있어서,
   상기 데이터 세트를 수신하는 단계는 질의에 표시된 상기 복수의 위치 및 상기 위치에 대한 (i) 위성 이미지, (ii) 지도 데이터, 또는 (iii) 차량 센서 데이터 중 적어도 하나를 수신하는 단계를 포함하고,
   상기 기계 학습 모델을 학습시키는 단계는, 하나 이상의 프로세서에 의해, 대응하는 위치들에서 도로 형상을 결정하기 위해 특징 추출 기능을 데이터 세트에 적용하는 단계를 포함하고;
   상기 기계 학습 모델은 위치들 간 도로 형상의 유사성을 고려하여 상기 기동 세트에 대한 난이도 지표를 생성하는 것을 특징으로 하는 방법.
7. 제1항에 있어서,
   상기 데이터 세트를 수신하는 단계는 하나 이상의 차량이 대응하는 기동들을 완료하는데 걸린 시간을 나타내는 지표들을 수신하는 단계를 포함하고;
   상기 기계 학습 모델은 각 위치에서 상대적인 기동 시간들을 고려하여 상기 기동에 대한 난이도 지표를 생성하는 것을 특징으로 하는 방법.
8. 제1항에 있어서,
   상기 데이터 세트를 수신하는 단계는, 대응하는 기동들을 시도할 때 하나 이상의 차량이 따라간 네비게이션 경로들의 표시들을 수신하는 단계를 포함하고;
   상기 기계 학습 모델은 차량이 상기 대응하는 기동들을 완료했는지 또는 생략했는지를 고려하여 상기 기동 세트에 대한 난이도 지표를 생성하는 것을 특징으로 하는 방법.
9. 제1항에 있어서,
   상기 위치에 대한 좌표는 상기 데이터 세트에서 참조되지 않는 것을 특징으로 하는 방법.
10. 제1항에 있어서,
    상기 방법은 사용자 장치에서 구현되며, 상기 데이터 세트를 수신하는 단계는 네트워크 서버로부터 데이터 세트를 수신하는 단계를 포함하는 것을 특징으로 하는 방법.
11. 제1항에 있어서,
    상기 방법은 네트워크 서버에서 구현되며, 상기 사용자 인터페이스를 통해 상기 네비게이션 명령을 제공하는 단계는 상기 사용자 인터페이스를 통해 디스플레이하기 위해 상기 네비게이션 명령을 사용자 장치에 전송하는 단계를 포함하는 것을 특징으로 하는 방법.
12. 시스템으로서:
    처리 하드웨어; 및
    상기 처리 하드웨어에 의해 실행될 때, 시스템이 제1항 내지 제11항 중 어느 한 항의 방법을 구현하게 하는 명령들을 저장하는 비일시적 컴퓨터 판독가능 메모리를 포함하는 것을 특징으로 하는 시스템.
13. 삭제
14. 삭제
15. 삭제
16. 사용자 장치에서 네비게이션 명령을 제공하기 위한 방법으로서, 상기 방법은:
    사용자 인터페이스를 통한 처리 하드웨어에 의하여, 출발지에서 목적지로 이동하기위한 네비게이션 명령을 제공하기 위한 요청을 수신하는 단계; 및
    상기 처리 하드웨어에 의해, 출발지로부터 목적지까지의 네비게이션 경로를 획득하는 단계를 포함하고,
    상기 네비게이션 경로는 제1항 내지 제11항 중 어느 한 항에 의해 제공되는 네비게이션 명령들을 포함하는 것을 특징으로 하는 방법.
17. 삭제