TWI803963B - 用於模態選擇監控系統及用於路線選擇監控系統 - Google Patents
用於模態選擇監控系統及用於路線選擇監控系統 Download PDFInfo
- Publication number
- TWI803963B TWI803963B TW110132877A TW110132877A TWI803963B TW I803963 B TWI803963 B TW I803963B TW 110132877 A TW110132877 A TW 110132877A TW 110132877 A TW110132877 A TW 110132877A TW I803963 B TWI803963 B TW I803963B
- Authority
- TW
- Taiwan
- Prior art keywords
- route
- routes
- risk
- user
- actions further
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 70
- 230000009471 action Effects 0.000 claims description 45
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 description 28
- 239000002609 medium Substances 0.000 description 18
- 230000029305 taxis Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000009429 distress Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000003826 tablet Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 208000006550 Mydriasis Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000014061 fear response Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009979 protective mechanism Effects 0.000 description 1
- 230000004461 rapid eye movement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000106 sweat gland Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000006163 transport media Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Environmental Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Electrotherapy Devices (AREA)
Abstract
本文所揭露的係用於動態最小化多模式行動服務之感知風險的系統和方法。該系統和方法可包括識別從起始位置至結束位置之路線的安全相關屬性。安全相關屬性可以與路線維度的感知風險相關聯。可使用安全相關屬性來判定路線的風險評分。多模式行動服務之風險評分係基於路線維度的感知風險。
Description
本案之發明標的係有關於基礎設施及自駕車。更具體地,本揭露係有關於動態地調整由自駕車使用的基礎設施。
自駕車目前處於不同的發展階段。取決於自動化層級,車輛可能夠在沒有駕駛的任何交互的情況下行駛(5級完全自駕車)至完全沒有自動化(0級非自駕車)。與任何新技術一樣,可能會有一些與自駕車相關的恐懼。有些人害怕飛行,儘管從統計數據來看,飛行比開車更安全。
100:個人風險感知評分
102:第一維度
104:圖
106:步行
108:腳踏車和電動滑板車
110:馬路
112:不同操縱
114:自駕車
116:路段分級
118:駕駛操縱
120:駕駛參數
200,400,600:方法
202:起始方塊
204,206,208,210,212,402,404,406,408,412,416,602,604,608,610,614:階段
302:軸
304:模態
306,308,310,312,314:框
410,414,612:決定方塊
418,616:資料庫
502:使用者選擇的路線
504:僅計程車模態路線
506:計程車和電動腳踏車模態路線
508,558:線
510,560:優勢解區域
552:選擇的路線
554:僅計程車模態路線
556:計程車和電動腳踏車模態路線
606:輸入
700:電腦系統
702:處理器
704:主記憶體
706:靜態記憶體
708:鏈路
710:視頻顯示單元
712:文數輸入裝置
714:使用者界面(UI)導航裝置
716:儲存裝置
718:訊號產生裝置
720:網路界面裝置
722:機器可讀取媒體
724:指令
726:網路
在不一定按比例繪製的圖式中,相同的數字
可以在不同的視圖中描述相似的組件。具有不同字母後綴的相同的數字可以表示相似組件的不同實例。圖式藉由舉例方式而非限制的方式說明本文件中討論的各種實施例。
[圖1]繪示根據本揭露的至少一實例之個人風險感知評分的實例。
[圖2]繪示根據本揭露的至少一實例之用於最小化多模式行動服務之感知風險的實例方法。
[圖3]繪示根據本揭露的至少一實例之不同類別的風險感知估計技術及其各自對運輸模態之適用性的摘要。
[圖4]繪示根據本揭露的至少一實例之用於模態選擇監控的方法。
[圖5A和5B]圖解地繪示根據本揭露的至少一實例之具有潛在相關資料點的區域。
[圖6]繪示根據本揭露的至少一實例之用於路線選擇監控的方法。
[圖7]繪示根據本揭露的至少一實例之可以在其上執行本文所討論之任何一或多個技術(例如,方法)之實例機器的方塊圖。
人們可能對使用自駕車有風險預期。可能與自駕車相關的一個問題是滿足公眾可承受的風險預期。每個人可能有不同的可接受駕駛風險臨限。如本文所揭露,
使用與自駕車及其他模式運輸服務相關聯的感知風險,可以最小化使用者的感知風險。
例如,有些人可能會因為高速而害怕在高速公路上開車,甚至可能更害怕無人控制車輛下在高速公路上高速駕駛自駕車。再舉一個例子,有些人認為左轉的風險很高,因此在開車時不會左轉。許多人可能更願意避免與其他人在一起的封閉空間,諸如在巴士或火車上。藉由了解運輸系統之使用者的個人風險感知,本文揭露的系統及方法可以藉由降低感知風險並增加對自動化替代方案的接受度來允許增強的多模式行動體驗。
本文揭露的系統和方法允許基於在利用多模式運輸系統的旅程期間的旅程選擇和使用者反應來推斷使用者的感知風險。藉由最小化可能替代方案的總風險評分,感知風險可用於最佳化旅程規劃。考慮到使用者的風險感知,結果可能會顯示給使用者,以增加對自駕車模態的信任。
本文揭露的系統和方法以各種方式提供對當前單個模態行動規劃平台的改善。一個實例係使用者可以指明關於使用者希望避免的駕駛和道路狀況的偏好,因為它們被視為具有高事故風險。這可以藉由明確考慮使用者對風險的感知作為最佳化目標的一部分來實現。
本文揭露的系統和方法考慮多模式運輸,其可具有不同程度的自動化。如本文所揭露的,不同程度的自動化的範圍可以從沒有自動化的模態到完整自動化和完
全自動化的模態。例如,由汽車工程師協會(Society of Automotive Engineer)界定的0級(L0)模態可能是一種沒有自動化的模態。沒有自動化之模態的實例可以包括腳踏車、步行及/或由人操作而無需車載系統的幫助的車輛或其他運輸系統。由汽車工程師協會界定的5級(L5)模態可能是一種完全由車載系統控制的模態。完全自動化模式的實例包括火車、巴士、機器人計程車等,它們完全由車載系統控制,而沒有來自模態上的操作交互。例如,在沒有駕駛員的情況下操作的火車、巴士、或汽車是完全自動化的。
藉由在每個模態的多個維度中表徵感知風險,可以考慮並使用與各個維度相關聯之使用者的感知風險來證明多模式行動服務,其最小化由感知風險引起的焦慮。例如,經常騎腳踏車的使用者可能更喜歡避開非預留車道,車輛駕駛的使用者可能更喜歡避免圓環道路,其他使用者可能只相信在特定控制區域等內使用自駕車。可以考慮到這些考慮以使用本文揭露的系統和方法來規劃多模式行動服務。
本文揭露的實例敘述自動監控技術的組合來識別支持運輸使用者的個人風險評估的統計證據。此證據可能由使用者的一致選擇和偏好組成,這些選擇和偏好無法從其他典型行動目標(諸如,總旅程時間、旅程長度或旅程成本)中得到證明。例如,使用者可一致地選擇比其他路線增加旅程時間和成本的路線,以避免使用者認為具
有高風險的方式。例如,由於需要車輛(無論是自動駕駛的還是由人駕駛的)自我調節進入圓環道路,使用者可能會將圓環道路視為危險。因此,無論使用者是駕駛還是乘客,使用者都可以選擇路線來避開圓環道路。
本文揭露的技術的適用性可能取決於行動模態。例如,對於行人、電動滑板車、腳踏車及共享汽車司機,基於地理定位對其路線的遠端監控可用於識別特殊的路線選擇。對於自駕車,規則可用於監控使用者和駕駛資訊。然後可以解釋收集的證據以形成多個維度的風險評分。維度的非限制性實例包括一般模態、特定的運輸路段分級(例如,圓環道路、保留車道等)、特定操作(例如,避免左轉)、及駕駛參數(例如,速度低於100公里/小時(約65英里/小時))。這些分數可用於計算每個多模態行動替代方案的總風險評分,有時稱為路線選擇,並添加為使用多模式行動服務規劃旅程的最佳的目標。
本文揭露的系統和方法亦藉由在旅程替代方案的計算中包括使用者對風險感知來增加效率及當前系統。此外,本文揭露的系統和方法提供一種透明界面來通知使用者所提供之與安全相關的選項,從而增加客戶對自動化行動的信任。
上文所討論的旨在提供對本專利申請之發明標的的概述。並不旨在提供對本發明的排他性或詳盡的解釋。包括下文敘述以提供關於本專利申請的進一步資訊。
現在轉向圖式,圖1顯示根據本揭露的至少
一實例之個人風險感知評分100的實例。如圖1所示,可以從多個維度感知風險,有時也稱為目標。第一維度102可以是一般模態。模態的非限制性實例可包括步行、電動滑板車、腳踏車、人力駕駛的計程車、自駕計程車、巴士、火車、及渡輪。每一模態可具有如圖104所示的風險感知。在圖104中,更多的陰影表示對各別模態的更大程度的舒適。換句話說,陰影越少代表各別模態的感知風險越高。例如,對於具有第一維度102所示風險輪廓的使用者,使用者感知火車是最安全的旅程模態,而人力駕駛的計程車是最不安全的旅程模態。
對於每一模態,可能存在模態實施相關聯的感知風險。例如,對於步行106,使用者可認為狹窄的人行道比擁擠的步行區更危險。對於腳踏車和電動滑板車108,使用者可能認為共用街道不如保留的腳踏車道安全。
在給定的模態植入中,可能存在具有相關感知風險的額外元件。例如,對於在馬路110上操作的車輛,圓環道路可能被使用者視為不如高速公路、隧道、及狹窄的雙向街道安全,它們可能具有相當的感知風險。車輛進行的不同操縱112也可能具有感知風險。例如,與在高速公路的快車道(例如,德國高速公路上最左邊的車道)上行駛相比,左轉可能被認為是相對安全的。
對於可以是載客用車/卡車/SUV、諸如巴士的大眾運輸等等的自駕車114,可以經由路段分級116、駕
駛操縱118、及駕駛參數120來劃分。雖然沒有針對電動滑板車、腳踏車等進行敘述,但自駕車的各種劃分可能同樣適用於其他模態,諸如計程車(自駕或以其他方式)、電動滑板車等。
對於路段分級116,保留的車道可能低於不受限制的道路,諸如德國高速公路上沒有速限的路段。駕駛操縱118可包括駕駛通過沒有使用交通號誌燈的路口,而是依靠駕駛員(或自駕車的電腦)來適當地間隔他們自己以避免碰撞,同時仍然保持平穩的行駛流程。
駕駛參數120可以是自駕車如何被感知而編程或感知人類駕駛員之侵略性的函數。例如,人們可能會將紐約市的計程車司機視為咄咄逼人,因此認為比使用按需汽車服務駕駛的風險更大。
如本文所揭露,風險是由模態和任何操縱、與模態相關聯的特徵的用戶感知的風險。換句話說,風險不是精算表或其他基於實際事故資料和統計數據的彙編資料中可能發現的實際風險。例如,統計上,自駕計程車可能並不比人類駕駛的計程車更危險及/或實際上可能更安全,但如果第一使用者比第二使用者認為自駕車風險更高,那麼自駕計程車對於第一使用者的風險感知評分將高於第二使用者。
由使用者輸入及/或使用監控的行為開發的風險評分可以表示使用者感知風險的量化及累加的證據量的量化。例如,風險評分可實施為兩個成員的元組。置信
值可被儲存為[0,1]範圍內的實數值變量。置信值可表示使用者的感知風險的信念。例如,分配給腳踏車類別的值0.8可能表示使用者認為腳踏車模態具有相對較低的風險評估,而值0.1可能表示相關聯的風險非常高。
兩個成員的元組的第二部分可以是整數,其指示找到風險信念的支持實例的數量。例如,如果使用者乘坐了10趟火車並且與火車相關的風險為0.9,則火車的結果元組可能是modality_train=(0.9,10)。元組的值可用於加權如本文所揭露的風險感知的證據。
由使用者直接輸入或經由自動化技術開發的風險維度可能包括多個維度。例如,一般模態可為一般維度並且每一模態可具有如本文所揭露之模態特定維度。一般模態可以廣泛地代表每個類別中的個人信任/恐懼。一般模態的非限制性實例包括步行、電動滑板車、腳踏車、人力計程車、自動化(部分或完全自動地)車輛、巴士、火車(表面或地下)、渡輪、飛機等。
一般模態的另一實例可以是一或多個特定路線。例如,由於不同的背景變量,在特定時間特定道路的高風險可能存在。例如,黎明時陽光直射眼睛造成的高視覺干擾可能會增加感知風險。該維度可以透過區域的二維地圖來捕獲。例如,可以在特定時間為特定位置開發特定風險評分。例如,沿著一條朝向太陽升起的道路行駛可能會被認為比在日落時行駛同一條道路風險更大。
模態相關維度可以包括特定於給定模態的態
樣。例如,由於感知風險,步行模態可具有使用者不期望的某些特徵。例如,由於相關的安全隱患,使用者可能會發現某些人行道是不合需要的。作為一實例,在狹窄的人行道上攜帶嬰兒車旅程的家庭可能會被認為比在寬人行道具有更高的風險。
對於有健康狀況的人來說,由於擔心感染流感等病毒感染,人行道等擁擠的空間可能會被視為有風險。使用輪椅或其他助行器的人可能會害怕鐵路交叉口,因此會避開需要他們步行穿過鐵路交叉口的路段。
不同的城市和城市內的不同區域可能會為不同程度的接受度的非動力化模態提供不同的車道。例如,對於腳踏車和電動滑板車,一些街道可能明確允許汽車和腳踏車/電動滑板車同時存在。因此,騎腳踏車的人可能會認為共用街道在發生事故時對車輛的安全保護機制有所減弱。
一些街道可能會明確地將騎腳踏車者和車輛可能在同一條道路上所佔用的區域分開。一些街道可能會在道路附近及/或人行道上提供腳踏車道。
對於自駕車模態,對自駕車的操作條件和駕駛政策的限制可以為使用者提供信心。例如,如果自駕車的操作設計領域被限制在某個車道上,開發和驗證要求可能會變得不那麼具有挑戰性,並且可以為使用者採用可能對自駕車持懷疑態度的人提供更多信心。結果可能是,對於在專門為自駕車設計的道路上行駛的多模式行動服務路
段,可能被認為比其他道路風險更低。
沒有操作限制的道路可能被認為比有操作限制的道路風險更大。允許具有某些特徵的完全自駕車(有時稱為L5自駕車)的道路可能會產生更高的感知風險。例如,道路路口協調,其中自駕車不會在路口停下來,而是協調他們的移動,可能會讓使用者感到不舒服,從而產生更高的感知風險。由L5車輛執行的其他操縱(諸如,左轉、強制將車輛併入現有交通流(例如,車輛經由匝道進入高速公路)、超車等)也可能產生對風險的高度感知。人類可能低估/忽略但自駕車不會的特定參數諸如,安全最小距離(例如,與其他車輛或物體的安全縱向或安全橫向距離)可能會降低使用者對風險的感知。
圖2顯示根據本揭露的至少一實例來識別使用者的風險感知的統計證據的實例方法200。如本文所揭露的,可能適用於不同模態的自動化技術以及直接的使用者輸入可用於識別使用者的風險感知的統計證據。收集的證據可以解釋為一組多個維度的風險評分。分數可用於計算提議的替代旅程的總風險度量。可能會向使用者提供風險最小化的摘要。該度量可以作為另一個最佳化目標,以增強使用者對使用各種形式的多模式運輸的信任。
方法200可始於起始方塊202並進行到其中使用者可輸入使用者偏好的階段204。例如,在行動電話或其他計算裝置上使用應用,使用者可以直接輸入各種模態的感知風險。例如,使用者可輸入一個數字(諸如,0%和
100%之間的百分比),其使用特定模態、路段分級、駕駛參數等指示發生事故及/或受傷的感知可能性。此資訊可保存為如本文所揭露之元組的一部分。
從階段204,方法200可進行到階段206,其中可使用自動化技術來判定使用者的風險感知。圖3顯示根據本揭露的至少一實例之不同類別的技術及其各自對模態之適用性的摘要。如圖3所示,軸302可以表示使用者對模態304的參與。例如,諸如步行、電動滑板車和腳踏車的模態可具有更積極的使用者參與。對於諸如渡輪、火車等等的模態,使用者可能被動地參與。
框306可表示由使用者選擇的監控模態。例如,在路線選擇期間,使用者可選擇步行和火車作為主要模態。因此,與步行和火車相關聯的感知風險可能較低。如果使用者很少選擇計程車作為模態,這可能意味著使用者認為計程車有風險,即使計程車可能是最佳路線的模態。
圖4顯示根據本揭露的至少一實例之用於模態選擇監控的方法400。方法400可為用於自動監控階段206的子例程並且可以在使用諸如行動電話或桌上型應用程式的應用規劃多模式行動服務的新旅程時開始於階段402。使用者可以藉由輸入起始位置及結束位置來建立新旅程。起始位置可以由使用者的行動電話裝置自動地輸入作為使用者的當前位置。如果起始位置與使用者的當前位置不同,使用者也可以輸入起始位置。
一旦輸入了起始和結束位置,就可以建立複數個路線(404)。複數個路線可包括一或多個最佳路線。可以使用最小化一或多個維度的路由技術來建立及識別最佳路線選擇。例如,最佳路線可以是時間、旅程長度、模態變化、及/或成本最小化的路線。在此實例中,可能有四個最佳路線。
複數個路線亦可包括一或多個次佳路線。例如,次佳路線可以是不使諸如時間、旅程長度、模態變化、及/或成本之類的兩或多個維度最小化的路線。最佳時間路線可能需要20分鐘才能完成,並且模態變化為零。次佳旅程可能需要40分鐘,並且會在模態上有三種變化。下文進一步討論次佳路線的檢測。
一旦建立複數個路線,使用者可以在階段406選擇路線。在選擇路線之後,方法400可以進行到階段408,在該階段可以判定所選擇的路線是否是次佳的。次佳路線選擇的識別可以藉由將所選的路線與最佳路線進行比較並提取差異來完成。
可以分析一組最佳解決方案中的路線差異以識別在所選的路線中不存在的特定路段分級。例如,最佳路線選擇可包括圓環道路,而所選的路線則沒有。因此,使用者可能感知與圓環道路相關聯的風險。另一個例子可能是最佳路線都包括計程車,而所選路線可能不包括。因此,使用者可能感知與計程車相關聯的風險。
要查詢的特定路段分級可以對應於階段204
中風險維度中界定的路段分級。然後可以藉由合併諸如旅程假名、模態、避免的路段分級及證據強度之類的資訊,將此路段分級的檢測儲存為證據。證據強度可以對應於檢測到差異之實例數量。例如,如果五條最佳路線包括計程車而所選路線沒有,則證據強度可能為五。
判定所選擇的路線是否為次佳的還包括預過濾資料。例如,可以對路線進行預過濾已去除帕累托最佳。例如,可以刪除在至少一個目標或維度上超過所有其他替代方案的路線。預過濾可包括測試,以判定使否存在實現至少一更好目標的另一旅程替代方案,例如替代方案是否會花費更少的時間、準時到達、成本更低等等。
判定所選的路線係次佳的正式敘述可以使用方程式1來表達。
其中:i 代表範圍[1,最佳目標數]中的索引,o i 代表要最小化之索引的最佳目標,t * 代表所選的旅程替代方案,t x 代表替代方案旅程,及N 代表述詞,其指示所選的旅程替代方案t *係次佳的。
如果所選的解決方案不是次佳的(決定方塊410),則方法400可以返回到階段402,因為旅程選擇沒有
提供明確的資訊來判斷使用者的感知風險。
如果所選的路線係次佳的,方法400可進行到階段412,其中該階段可以識別證明較高風險感知是合理的優勢點。階段412有助於丟棄由於風險驅動的決策而不太可能被丟棄的最佳點。換言之,使用者可能出於感知風險之外的原因選擇了次佳路線。
圖5A和5B圖解地顯示根據本揭露的至少一實例之具有潛在相關資料點的區域。如圖5A所示,使用者選擇的路線502由計程車和電動滑板車模態組成,並且在僅計程車模態路線504及計程車和電動腳踏車模態路線506上做選擇。線508表示僅計程車路線504和選擇的路線502之間的權衡。如圖5B所示,使用者選擇的路線552由計程車和電動滑板車模態組成,並且在僅計程車模態路線554及計程車和電動腳踏車模態路線556上做選擇。線558表示計程車和電動腳踏車路線556及選擇的路線552之間的權衡。使用者選擇的路線502和552可以從呈現給使用者的複數個路線選擇中選擇。
雖然選擇的路線502對於僅計程車路線504為次佳的,但它可能是出於感知風險之外的原因而被選擇的。例如,由於成本考量,可能已經選擇了選擇的路線502。選擇的路線552對於計程車和電動腳踏車路線556為次佳的,但沒有明顯的理由選擇它。
僅計程車路線504標示圖5A中優勢解區域510的起始。計程車及電動腳踏車路線556標示圖5B中優勢解
區域560的起始。優勢解區域510和560可以表示其中選擇的路線包括可以基於感知風險之差異的區域。
由於選擇的路線502不位於優勢解區域510中,可以將其丟棄,因為其不含有可以指示使用者感知電動滑板車與僅計程車相比增加風險的資訊。換句話說,由於可能已經選擇選擇的路線來降低成本,因此無法判定感知風險或成本是否是選擇選擇的路線502的決定因素。其可能既是感知風險又是成本。
由於選擇的路線552存在於優勢解區域560內,因此可以判定成本以外的其他因素是選擇選擇的路線552的優勢因素。在這種情況下,可以推斷使用者認為電動滑板車的風險低於電動腳踏車。這是因為如果使用者認為電動滑板車和電動腳踏車具有相同的風險,那麼使用者會選擇計程車和電動腳踏車路線556,因為它比選擇的路線552更快且更便宜。結果是選擇的路線552的選擇是慣用的並且提供風險驅動的選擇(決定方塊414)。
為了將選擇的路線502與僅計程車路線504進行比較,選擇的路線502未通過決定方塊414並且方法400進行到階段208或602。為了將選擇的路線552與計程車和電動腳踏車路線556進行比較,選擇的路線552滿足決定方塊414並且方法400進行到階段416。
在階段416,可以將選擇的路線552的資料匯總為使用者感知風險的證據,並作為風險感知評分保存在資料庫418中。為了保護使用者隱私,同時保持辨別來自
相同或不同旅程之證據的能力,每次旅程都可以輸入雜湊函數來產生旅程述詞,該旅程述詞能夠將證據與重複旅程分開,而不能識別出有問題的旅程。用於優勢點之通訊的可能資料結構可包括選擇的旅程的模態列表、旅程的主要模態列表、旅程目標差異字典、及作為旅程述詞的雜湊值。在儲存風險感知評分之後,方法400可進行至階段208或602。
返回圖3,框308可表示來自可穿戴裝置訊號監控。例如,在多模式行動服務的各個路段期間,可以使用智慧手錶或其他可穿戴裝置監控使用者的脈搏或其他生物特徵資料。使用使用者的心率,可以推斷出恐懼、焦慮或其他情緒的程度。例如,如果使用者在快速行駛的人類駕駛的計程車中(藉由智慧手錶提供的GPS資料測量)並且使用者的心率升高,則可以推斷使用者受到驚嚇或以其他方式緊張。因此,使用者可能具有與計程車相關聯的高感知風險。
使用來自可穿戴裝置的資料可能需要使用者選擇加入,以便允許使用個人健康資料。例如,可以在使用者個人裝置中處理這些追蹤訊號的子集,以將私人健康訊號轉換為不公開任何個人資訊的匿名度量。匿名度量可能僅指示對可能的危難(諸如,恐懼)的瞬時檢測。此資訊的潛在來源包括智慧可穿戴裝置的現有感測器,諸如膚電活動(electrodermal activity;EDA),它是衡量可能受汗腺影響的皮膚電導率的指標。此技術可能被認為是情緒喚醒
最敏感且最有效的標誌。測量恐懼反應的其他可行來源可能是測量體溫的變化。
被表徵為源自不同於恐懼之情緒的訊號的誤報可以以多種方式減少。一種減少誤報的方法可以包括組合丟棄這種不同響應的不同感測器訊號。第二種方法可以包括透過相同旅程的多次重複來匯總統計上顯著的測量,來識別與旅程路段相關的危難。
使用匿名危難事件信號,可以捕獲以下資訊。旅程述詞可用來識別相同旅程重複的統計相關資料。危難事件強度可用於測量檢測到的事件的持續時間和強度。危難事件的模態可指示使用者在事件發生時的模態。旅程期間,僅當檢測到危難並且不會對相同事件重複時,才可產生事件訊號。
返回圖3,框310可表示路線選擇監控,其中使用者可藉由精確指令來選擇精確路線,諸如步行、使用電動滑板車、汽車共享或計程車。在這種情況下,可以分析路線以識別可能是最佳路線的避開選項。
圖6顯示根據本揭露的至少一實例之用於路線選擇監控的方法600。方法600可為用於自動監測階段206的子例程並且可以在使用諸如行動電話或桌上型應用程式的應用規劃多模式行動服務的新旅程時開始於階段602。使用者可以藉由輸入起始位置及結束位置來建立和規劃新旅程。起始位置可以由使用者的行動電話裝置自動地輸入作為使用者的當前位置。如果起始位置與使用者的
當前位置不同,使用者也可以輸入起始位置。
從階段602,方法600可進行到階段604,其中可以識別一或多個最佳路線選擇。可以使用由使用者建立之所選的路線作為輸入606來建立和識別最佳路線。也可以如本文所揭露之關於方法400建立及/或識別最佳路線。
在識別最佳路線之後,方法600可進行到階段608,其中可以識別次佳路線。如本文所揭露,次佳路線選擇的識別可以藉由將所選的路線與最佳路線進行比較並提取差異來完成。要查詢的特定路段分級可以對應於階段202中風險維度中界定的路段分級。
可以分析一組最佳解決方案中的路線差異以識別在所選的路線中不存在的特定路段分級(階段610)。如果在所選的路線中不存在特定的路段分級,則方法600可能會使決定方塊612失效並返回到階段602以進行新的旅程或返回到階段208或402。如果特定路段分級不存在於所選的路線中,則略過決定方塊612並且方法600可進行到階段614,其中可以將特定路段分級及路線資料匯總為使用者的證據並儲存在資料庫616中,這可以是來自方法400的相同資料庫416。將路段分級儲存為證據可以包括儲存包含旅程述詞、模態、避免的路段分級、及證據強度的資訊。證據強度可以對應於檢測到差異之實例數量。
作為一實例,最佳路線選擇可都包括圓環道路和自駕車作為模態,而所選的路線不包括圓環道路,但
包括自駕車作為模態。因此,有證據表明使用者認為圓環道路是有風險的。
返回到圖3,框312可以表示遠端動作監控。遠端動作監控可應用於可提供透過GPS資料之監控所採取之動作資訊的模態。這可能包括高階動作,例如左轉、加速、保持安全距離等。遠端動作監控可能包括計算所採取之動作的數量並忽略其實際位置以保護使用者隱私。
框314可代表乘客視覺監控。乘客視覺監控可包括對使用者採取的動作進行計數,如藉由視覺觀察記錄的,諸如安裝在自駕車內的相機。例如,使用者可能同意在自駕計程車之旅程期間被拍攝視頻。在旅程之路段期間,相機可能會使用面部識別及/或物體追踪技術來跟隨使用者的眼睛。藉由觀察擴張的瞳孔及/或快速的眼睛移動,可以推斷出恐懼/風險的感知。可以使用其他面部表情及/或動作來檢測可能對應於焦慮及/或恐懼的危難,從而推斷感知風險。由相機檢測到的動作可以與模態行為的背景同步。例如,當自駕車通過不受控制的十字路口時,可能匹配被感知為恐懼的面部表情。
返回圖2,在自動監控及識別安全相關屬性之後,方法200可進行到階段208,其中可以解釋所收集的各種資料以形成風險感知評分。如本文所揭露,對於模態之使用者偏好、路段分級等可以與使用者用來建立代表對模態、路段分級等等的感知風險,並支持實例值作為加權參數的各種元組(或其他資料結構)的路線相關。
在階段210,可以建立最佳的多模式旅程,以最小化使用者對於所使用的每一模態以及在旅程期間使用的路段分級的感知風險。如本文所揭露,對於不同維度(例如,模態、路段分級等)之風險評分的資料庫(例如,資料庫416及/或616)可用作用於規劃多模式旅程的輸入。換句話說,可以使用與過去使用的模式行動服務相關的使用者的過去旅程資料。不同維度的風險評分可被稱為分段的風險感知評分,因為它們可以代表多模式旅程路段的風險感知評分。風險感知評分可以用作另一個最佳目標,以在規劃旅程時最小化。例如,替代最小化時間,本文揭露的系統和方法可最小化多模式旅程的風險感知評分。
為了判定對旅程的總使用者感知風險的評估,可執行風險感知評分向量和選擇的模態的內積。內積運算亦可藉由加權每一模態的旅程長度比例乘以另一個路線相依因素來執行。在各種維度中獲取諸如左轉的次數、繞道的次數、路段分級比例等等的路線相依因素權重。為了計算此因素,每一模態的適用維度的每一風險評分可以乘以在路徑中發現的實例的數量並且在最後匯總。
在階段212,可以向使用者呈現最小化風險的摘要。呈現的每一行動替代方案可包括總風險評分及感知風險最重要的貢獻者。最重要的貢獻者可以基於他們對總風險感知評分的總累積值。亦可顯示對於使用者而言被視為重要的維度的分數,以突顯某些感知風險的不存在。使用者可以選擇基於提供的結果手動地指明他或她自己的
風險感知以微調評估。此外,使用者可以為每一模態的舒適度提供分數。所提出的技術可以明確地將其考慮在內,以丟棄受該標準支配的選擇。
一旦多模式旅程被最佳化為具有低感知風險,使用者可確認該旅程。例如,如果旅程包括自駕車的使用者,則使用者可以確認旅程並且在確認旅程後(或在稍後的時間,取決於行程被安排的時間),可以將激活訊號傳輸到自駕車。激活訊號可以使自駕車行駛到多模式旅程的起始位置或沿旅程的位置以與使用者會合以使用自駕車完成該路段。
本文揭露的各種實施例可被實施在硬體、韌體和軟體中的一者或它們的組合中。實施例亦可實施為儲存在機器可讀取儲存裝置上的指令,其可由用以執行本文敘述的操作之至少一處理器讀取和執行。機器可讀取儲存裝置可包括用於以機器(例如,電腦)可讀取之形式來儲存資訊之任何非暫態機制。例如,機器可讀取儲存裝置可包括唯讀記憶體(ROM)、隨機存取記憶體(RAM)、磁碟儲存媒體、光學儲存媒體、快閃記憶體裝置和其它儲存裝置和媒體。
處理器子系統可被用來執行在可讀取媒體上的指令。處理器子系統可包括一或多個處理器,其各具有一或多個核心。此外,處理器子系統可設置在一或多個實體裝置上。處理器子系統可包括一或多個專用處理器,諸如圖形處理單元(GPU)、數位訊號處理器(DSP)、現場可程
式閘陣列(FPGA)、或固定功能處理器。
如本文所述之實例可包含(或可操作於)邏輯或一數量的組件、模組、或機械。模組可以是與一或多個處理器通訊地耦接之硬體、軟體或韌體,以便執行本文敘述的操作。模組可為硬體模組,因此這些模組可以被認為是能夠執行指定操作的有形實體並且可以以某種方式配置或佈置。在一實例中,電路可被以作為模組之特定方式(例如,內部或相對於諸如其他電路的外部實體)來配置。於一實例中,全部或部分之一或多個電腦系統(例如獨立的電腦、客戶端或伺服器電腦系統)或一或多個硬體處理器可被藉由韌體或軟體(例如指令、應用程式部分、或應用程式)來組構作為操作以執行特定操作的模組。在一實例中,軟體可存在於機器可讀取媒體上。在一實例中,當軟體藉由模組之下面的硬體來執行時,會造成該硬體執行特定操作。因此,用語硬體模組係被理解以包含實體個體,其為被實際建構、具體組構(例如,硬線化)、或暫時地(例如,短暫地)組構(例如,程式化)以在特定方式下操作或以部分或全部的此處所述之任何操作來執行之個體。考慮到其中模組係被暫時地配置之實例,各模組可不需在時間上的任一時刻被實例化。例如,其中模組包含使用軟體來組構之通用硬體處理器之情形;通用硬體處理器可在不同時間被組構為個別不同的模組。軟體可因此組構硬體處理器,例如在時間之一情況下組成特定模組,及在時間之不同情況下組成不同模組。模組亦可為軟體或韌體模
組,其操作以執行在本文敘述的方法。
如此文件中使用的電路或多個電路可包含(例如)單個或任何組合的固線式電路、諸如包含一或多個單獨指令處理核心的電腦處理器的可編程電路、狀態機器電路及/或儲存由可編程電路執行之指令的韌體。電路、多個電路、或模組可共同地或單獨地實施為形成較大的系統,例如積體電路(IC)、系統晶片(SoC)、桌上型電腦、膝上型電腦、平板電腦、伺服器、智慧型手機等等。
如本文的任何實施例中所使用的術語「邏輯」可以指被組態為執行任何上述操作的韌體及/或電路。韌體可被實施作為記憶體裝置及/或電路中硬編碼(例如,非揮發)的代碼、指令或指令集及/或資料。
如本文的任何實施例中所使用的「電路」可以包括例如單個或任何組合的固線式電路、可編程電路、狀態機器電路、邏輯及/或儲存由可編程電路執行之指令的韌體。電路可被實施為積體電路,諸如積體電路晶片。在一些實施例中,電路可以至少部分地由處理器電路執行對應於本文敘述之功能的碼及/或指令集(例如,軟體、韌體等)形成,從而將通用處理器轉變為專用處理環境以執行本文敘述的一或多個操作。在一些實施例中,處理器電路可實施為獨立的積體電路或者可被合併為積體電路上的若干組件之一。在一些實施例中,節點或其他系統之各種組件和電路可以組合在系統晶片(SoC)架構上。
圖7係繪示根據一實施例在電腦系統700的實
例形式中之機器的方塊圖,在該機器內可以執行指令集或序列以使得該機器執行本文討論的任一方法。在替代實施例中,機器操作為獨立裝置或可被連接(例如,連網的)至其他機器。在連網的部署中,機器可以在伺服器-客戶端網路環境中以伺服器或客戶端機器的容量操作,或者在對等(或分佈式)網絡環境中作為對等機器。該機器可為車輛子系統、個人電腦(PC)、平板PC、混合平板、個人數位助理(PDA)、行動電話、或任何能夠執行指定動作之指令(順序的或以其他方式)的機器,這些指令指明機器要採取的行動。再者,儘管所示僅單一機器,「機器」一詞亦可用來包括個別或共同執行一(或多個)指令集以進行本文中所論述方法其中任何一或多者的任何機器集合。類似地,用語「基於處理器的系統」應被視為包括由處理器(例如,電腦)控制或操作以單獨地或聯合地執行指令以執行任何本文討論的一或多個方法的任何一或多個機器組。
實例電腦系統700包括至少一處理器702(例如,中央處理單元(CPU)、圖形處理單元(GPU)、或兩者、處理器核心、計算節點等等)、主記憶體704、及靜態記憶體706,它們經由鏈路708(例如,匯流排)與彼此通訊。電腦系統700可進一步包括視頻顯示單元710、文數輸入裝置712(例如,鍵盤)、及使用者界面(UI)導航裝置714(例如,滑鼠)。在一實施例中,視頻顯示單元710、輸入裝置712與UI導航裝置714可整合至觸碰螢幕顯示器中。電腦系統700可額外地包括儲存裝置716(例如,驅動單
元)、訊號產生裝置718(例如,揚聲器)、網路界面裝置720、及一或多個感測器(未圖示),諸如全球定位系統(GPS)感測器、羅盤、加速器、陀螺儀、磁力計、或其他感測器。
儲存裝置716包括機器可讀取媒體722,其上係儲存藉由本文敘述之任何一或多個方法或功能實施或利用之一或多組的資料結構和指令724(例如,軟體)。指令724亦可完全地或至少部分地駐留在主記憶體704、靜態記憶體706、及/或在其由電腦系統700執行期間的處理器702內,具有主記憶體704、靜態記憶體706,並且處理器702亦構成機器可讀取媒體。
儘管在實例實施例中機器可讀取媒體722係繪示為是單個媒體,但是用語「機器可讀取媒體」可包括儲存一或多個指令724之單個媒體或多個媒體(例如,集中式或分佈式資料庫、及/或相關聯的快取和伺服器)。用語「機器可讀取媒體」亦應理解為包括能夠儲存、編碼、或攜帶指令以藉由機器來執行且造成機器執行本揭露之任何一或多個方法、或能夠儲存、編碼、或攜帶由指令所利用或相關聯之資料結構的任何有形媒體。用語「機器可讀取媒體」應相應地被認為包括但不限制於固態記憶體以及光學和磁性媒體。機器可讀取媒體之具體實例包括非揮發性記憶體,包括但不限於例如半導體記憶體裝置(例如電氣可程式化唯讀記憶體(EPROM)、電氣可抹除可程式化唯讀記憶體(EEPROM)及快閃記憶體裝置;諸如內部硬碟與可
移除碟機的磁碟;磁光碟;及CD-ROM與DVD-ROM碟機。
指令724可進一步使用傳輸媒體經由網路界面裝置720利用數個已知傳輸協定(例如,HTTP)中的任一者透過通訊網路726傳輸或接收。通訊網路的實例包括區域網路(LAN)、廣域網路(WAN)、網際網路、行動電話網路、簡易舊式電話(POTS)網路、及無線資料網路(例如,藍牙、Wi-Fi、3G、及4G LTE/LTE-A、5G、DSRC、或衛星通訊網路)。用語「傳輸媒體」應理解為包括任何能夠儲存、編碼、或攜帶機器所執行指令的任何無形媒體,並包括數位或類比通訊訊號或其他有助於此類軟體通訊的無形媒體。
補充說明
下文非限制實例相係說明本案發明標的的某些態樣以解決挑戰並提供本文討論得益處等。
實例1係一種用於最小化多模式行動服務之感知風險的方法,該方法包含:由計算裝置識別從起始位置至終點位置之路線的安全相關屬性,該安全相關屬性與該路線之維度的該感知風險相關聯;由該計算裝置使用該安全相關屬性判定該路線之風險評分;以及由該計算裝置提供該多模式行動服務的該風險評分。
在實例2中,實例1之發明標的選擇性地包括其中該安全相關屬性係基於對行動服務之特定模態的避
免。
在實例3中,實例1-2中任何一或多個發明標的選擇性地包括在記憶體中將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
在實例4中,實例1-3中任何一或多個發明標的選擇性地包括接收過去旅程資料,該過去旅程資料包括與過去旅程期間使用的模式行動服務相關聯的資訊;判定在該過去旅程期間使用之該模式行動服務的風險評分。
在實例5中,實例1-4中任何一或多個發明標的選擇性地包括其中提供該風險評分包括提供具有最小風險評分之複數個路線的子集。
在實例6中,實例1-5中任何一或多個發明標的選擇性地包括接收識別由使用者感知為有風險之模態的使用者偏好。
在實例7中,實例1-6中任何一或多個發明標的選擇性地包括建立複數個最佳路線,該複數個最佳路線在多維度為最佳的,並不向包括該屬性之該路線提供已知的權衡;以及基於從該複數個最佳路線中不存在該屬性來識別該屬性。
在實例8中,實例1-7中任何一或多個發明標的選擇性地包括從使用者接收輸入來選擇該路線。
實例9係包含指令的至少一電腦可讀取指令媒體,其用以執行實例1-8中的任一方法。
實例10係一種設備,包含用以執行實例1-8中的任一方法的手段。
實例11係一種用於模態選擇監控的方法,該方法包含:由於包括次佳模態,由計算裝置判定從起始位置至終點位置的路線係次佳路線;由該計算裝置識別證明該路線中未發現最佳模態的高風險感知是合理的優勢點;以及由該計算裝置判定該最佳模態和該次佳模態的風險評分。
在實例12中,實例11之發明標的選擇性地包括建立複數個路線,該路線為該複數個路線中的一者;以及從使用者接收輸入來選擇該路線。
在實例13中,實例11-12中任何一或多個發明標的選擇性地包括建立複數個路線,選擇的路線為該複數個路線中的一者;從該複數個路線識別複數個次佳路線;以及基於該選擇的路線及該複數個次佳路線判定優勢解區域。
在實例14中,實例13之發明標的選擇性地包括排除位於該優勢解區域之外的該複數個路線的子集。
在實例15中,實例13-14中任何一或多個發明標的選擇性地包括藉由判定該路線位於優勢解區域中,來判定該路線係次佳路線。
在實例16中,實例11-15中任何一或多個發明標的選擇性地包括預過濾複數個路線以去除帕累托最佳解。
在實例17中,實例11-16中任何一或多個發明標的選擇性地包括在記憶體中將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
在實例18中,實例11-17中任何一或多個發明標的選擇性地包括建立從該起始位置至該終點位置的該路線。
實例19係包含指令的至少一電腦可讀取指令媒體,其用以執行實例1-18中的任一方法。
實例20係一種設備,包含用以執行實例1-18中的任一方法的手段。
實例21係一種用於路線選擇監控的方法,該方法包含:由計算裝置識別從起始位置至終點位置的最佳路線;由該計算裝置識別從該起始位置至該終點位置的次佳路線;由該計算裝置在該最佳路線中而不是在該次佳路線中識別避開的路段分級;以及由該計算裝置判定該避開的路段分級的風險評分。
在實例22中,實例21之發明標的選擇性地包括接收使用者偏好。
在實例23中,實例22之發明標的選擇性地包括其中該避開的路段分級係在該使用者偏好中指明。
在實例24中,實例21-23中任何一或多個發明標的選擇性地包括建立複數個路線;從該複數個路線識別複數個次佳路線;以及基於該複數個次佳路線判定優勢
解區域。
在實例25中,實例24之發明標的選擇性地包括排除位於該優勢解區域之外的該複數個路線的子集。
在實例26中,實例24-25中任何一或多個發明標的選擇性地包括藉由判定路線位於優勢解區域中,來判定該路線係次佳路線。
在實例27中,實例21-26中任何一或多個發明標的選擇性地包括預過濾複數個路線以去除帕累托最佳解。
在實例28中,實例21-27中任何一或多個發明標的選擇性地包括在記憶體中將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
實例29係包含指令的至少一電腦可讀取媒體,其用以執行實例1-18中的任一方法。
實例30係一種設備,包含用以執行實例1-18中的任一方法的手段。
實例31係一種用於最小化多模式行動服務之感知風險的系統,該系統包含:處理器;以及記憶體,其儲存當由該處理器執行時導致該處理器執行動作的指令,該等動作包含:識別從起始位置至終點位置之路線的安全相關屬性,該安全相關屬性與該路線之維度的該感知風險相關聯;使用該安全相關屬性判定該路線之風險評分;以及提供該多模式行動服務的該風險評分。
在實例32中,實例31之發明標的選擇性地包括其中該安全相關屬性係基於對行動服務之特定模態的避免。
在實例33中,實例31-32中任何一或多個發明標的選擇性地包括其中該等動作更包含將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
在實例34中,實例31-33中任何一或多個發明標的選擇性地包括其中該等動作更包含:接收過去旅程資料,該過去旅程資料包括與過去旅程期間使用的模式行動服務相關聯的資訊;判定在該過去旅程期間使用之該模式行動服務的風險評分。
在實例35中,實例31-34中任何一或多個發明標的選擇性地包括其中提供該風險評分包括使該處理器執行額外動作的額外指令,該等額外動作包含提供具有最小風險評分之複數個路線的子集。
在實例36中,實例31-35中任何一或多個發明標的選擇性地包括其中該等動作更包含接收識別由使用者感知為有風險之模態的使用者偏好。
在實例37中,實例31-36中任何一或多個發明標的選擇性地包括其中該等動作更包含:建立複數個最佳路線,該複數個最佳路線在多維度為最佳的,並不向包括該屬性之該路線提供已知的權衡;以及基於從該複數個最佳路線中不存在該屬性來識別該屬性。
在實例38中,實例31-37中任何一或多個發明標的選擇性地包括其中該等動作更包含從使用者接收輸入來選擇該路線。
實例39係一種用於模態選擇監控系統,該方法包含:處理器;以及記憶體,其儲存當由該處理器執行時導致該處理器執行動作的指令,該等動作包含:由於包括次佳模態,判定從起始位置至終點位置的路線係次佳路線;識別證明該路線中未發現最佳模態的高風險感知是合理的優勢點;以及判定該最佳模態和該次佳模態的風險評分。
在實例40中,實例39之發明標的選擇性地包括其中該等動作更包含:建立複數個路線,該路線為該複數個路線中的一者;以及從使用者接收輸入來選擇該路線。
在實例41中,實例39-40中任何一或多個發明標的選擇性地包括其中該等動作更包含:建立複數個路線,選擇的路線為該複數個路線中的一者;從該複數個路線識別複數個次佳路線;以及基於該選擇的路線及該複數個次佳路線判定優勢解區域。
在實例42中,實例41之發明標的選擇性地包括其中該等動作更包含排除位於該優勢解區域之外的該複數個路線的子集。
在實例43中,實例41-42中任何一或多個發明標的選擇性地包括其中該等動作更包含藉由判定該路線
位於優勢解區域中,來判定該路線係次佳路線。
在實例44中,實例39-43中任何一或多個發明標的選擇性地包括其中該等動作更包含預過濾複數個路線以去除帕累托最佳解。
在實例45中,實例39-44中任何一或多個發明標的選擇性地包括其中該等動作更包含將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
在實例46中,實例39-45中任何一或多個發明標的選擇性地包括其中該等動作更包含建立從該起始位置至該終點位置的該路線。
實例47係一種用於路線選擇監控系統,該方法包含:處理器;以及記憶體,其儲存當由該處理器執行時導致該處理器執行動作的指令,該等動作包含:識別從起始位置至終點位置的最佳路線;識別從該起始位置至該終點位置的次佳路線;在該最佳路線中而不是在該次佳路線中識別避開的路段分級;以及判定該避開的路段分級的風險評分。
在實例48中,實例47之發明標的選擇性地包括其中該等動作更包含接收使用者偏好。
在實例49中,實例48之發明標的選擇性地包括其中該避開的路段分級係在該使用者偏好中指明。
在實例50中,實例47-49中任何一或多個發明標的選擇性地包括其中該等動作更包含建立複數個路
線;從該複數個路線識別複數個次佳路線;以及基於該複數個次佳路線判定優勢解區域。
在實例51中,實例50之發明標的選擇性地包括其中該等動作更包含排除位於該優勢解區域之外的該複數個路線的子集。
在實例52中,實例50-51中任何一或多個發明標的選擇性地包括其中該等動作更包含藉由判定該路線位於優勢解區域中,來判定路線係次佳路線。
在實例53中,實例47-52中任何一或多個發明標的選擇性地包括其中該等動作更包含預過濾複數個路線以去除帕累托最佳解。
在實例54中,實例47-53中任何一或多個發明標的選擇性地包括其中該等動作更包含在記憶體中將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
在實例55中,實例1-54的任何一個或任何組合的設備或方法可選擇地組態,使得所列舉的所有元件或選項都可供使用或選擇。
以上詳細敘述包括對附圖的引用,附圖構成詳細敘述的一部分。附圖藉由說明的方式顯示可以實踐本發明的特定實施例。這些實施例在本文中亦稱為「實例」。此種實例可包括除所示或敘述的那些之外的元件。然而,本發明亦考慮僅提供所示或敘述的那些元件的實例。此外,本案發明人亦考慮使用所示或所揭露的那些元
件(或其一或多個態樣)的任何組合或排列的實例、關於特定實例(或其一或多個態樣)、或關於本文所示或敘述的其他實例(或其一或多個態樣)的實例。
如果本文件與以引用方式併入本文中的任何文件之間的用法不一致,則以本文件中的用法為準。
在本文件中,專利文獻中常用的術語「一」或「一個」包括一個或多於一個,不同於「至少一個」或「一或多個」的任何其他實例或用途。在本文件中,術語「或」用於表示非排他性,或者除非另有說明,否則「A或B」包括「A但不是B」、「B但不是A」以及「A和B」。在本文中,術語「包括(including)」和「其中(in which)」被用作各自術語「包含(comprising)」和「其中(wherein)」的英文均等物。此外,在下列權利要求中,術語「包括(including)」和「包含(comprising)」是開放式的,亦即,包括除了那些在申請專利範圍內之此術語之後所列之元件的系統、裝置、物件、組成、形成或過程仍然被認為屬於該申請專利範圍的範圍。此外,在下面的申請專利範圍中,術語「第一」、「第二」及「第三」等等,其僅用作為標籤,並不意圖對其對象施加數字要求。
以上敘述旨在是說明性的而非限制性的。例如,上文敘述的實例(或其一或多個態樣)可以彼此組合使用。可以使用其他實施例,諸如所屬技術領域中具有通常知識者在閱讀上文敘述之後。所提供摘要以遵守37 C.F.R.§1.72(b),以允許讀者快速判定技術揭露之的本質。在理
解摘要將不用以解釋或限制申請專利範圍之範疇或意義的情況下提交。此外,在上文詳細敘述中,各種特徵可以組合在一起以簡化本揭露。這不應被解釋為旨在未請求保護之揭露的特徵對於任何申請專利範圍是必不可少的。相反,發明標的可能在於少於特定揭露之實施例的所有特徵。因此,以下申請專利範圍特此作為實例或實施例併入實施方式中,每一申請專利範圍獨立作為單獨實施例,並且預期這些實施例可以以各種組合或排列彼此組合。本發明的範圍應當參考所附申請專利範圍以及這些申請專利範圍所賦予的均等物的全部範圍來判定。
100:個人風險感知評分
102:第一維度
104:圖
106:步行
108:腳踏車和電動滑板車
110:馬路
112:不同操縱
114:自駕車
116:路段分級
118:駕駛操縱
120:駕駛參數
Claims (15)
- 一種用於模態選擇監控系統,該方法包含:處理器;以及記憶體,其儲存當由該處理器執行時導致該處理器執行動作的指令,該等動作包含:由於包括次佳模態,判定從起始位置至終點位置的路線係次佳路線;識別證明該路線中未發現最佳模態的高風險感知是合理的優勢點;以及判定該最佳模態和該次佳模態的風險評分。
- 如請求項1之系統,其中該等動作更包含:建立複數個路線,該路線為該複數個路線中的一者;以及從使用者接收輸入來選擇該路線。
- 如請求項1之系統,其中該等動作更包含預過濾複數個路線以去除帕累托最佳解(pareto optimal solution)。
- 如請求項1之系統,其中該等動作更包含將該風險評分儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
- 如請求項1之系統,其中該等動作更包含建立從該起始位置至該終點位置的該路線。
- 如請求項1之系統,其中該等動作更包含:建立複數個路線,選擇的路線為該複數個路線中的一者;從該複數個路線識別複數個次佳路線;以及基於該選擇的路線及該複數個次佳路線判定優勢解區域。
- 如請求項6之系統,其中該等動作更包含丟棄位於該優勢解區域之外的該複數個路線的子集。
- 如請求項6之系統,其中該等動作更包含藉由判定該路線位於該優勢解區域中,來判定該路線係次佳路線。
- 一種用於路線選擇監控系統,該方法包含:處理器;以及記憶體,其儲存當由該處理器執行時導致該處理器執行動作的指令,該等動作包含:識別從起始位置至終點位置的最佳路線;識別從該起始位置至該終點位置的次佳路線;在該最佳路線中而不是在該次佳路線中識別避開的路段分級;判定該避開的路段分級的風險評分;建立複數個路線;從該複數個路線識別複數個次佳路線;以及 基於該複數個次佳路線判定最佳解的區域。
- 如請求項9之系統,其中該等動作更包含接收指明該避開的路段分級的使用者偏好。
- 如請求項10之系統,其中該避開的路段分級包括圓環道路、左轉、雙向街道及隧道中的至少一者。
- 如請求項9之系統,其中該等動作更包含丟棄位於該優勢解區域之外的該複數個路線的子集。
- 如請求項9之系統,其中該等動作更包含藉由判定該路線位於優勢解區域中,來判定路線係次佳路線。
- 如請求項9之系統,其中該等動作更包含預過濾複數個路線以去除帕累托最佳解。
- 如請求項9之系統,其中該等動作更包含將該風險評分在記憶體中儲存為元組,該元組包括範圍從[0,1]的置信值及等於支持實例之數量的支持實例值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/131,665 US20210108933A1 (en) | 2020-12-22 | 2020-12-22 | Multimodal mobility services with minimized perceived risks |
US17/131,665 | 2020-12-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202226130A TW202226130A (zh) | 2022-07-01 |
TWI803963B true TWI803963B (zh) | 2023-06-01 |
Family
ID=75382165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110132877A TWI803963B (zh) | 2020-12-22 | 2021-09-03 | 用於模態選擇監控系統及用於路線選擇監控系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210108933A1 (zh) |
TW (1) | TWI803963B (zh) |
WO (1) | WO2022139898A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943389B (zh) * | 2022-07-21 | 2022-11-15 | 中国兵器科学研究院 | 一种基于脆性理论的投送路径优选方法、设备及存储介质 |
CN117132012B (zh) * | 2023-10-27 | 2024-03-29 | 武汉理工大学 | 一种预测冲突危险区的多船避碰方法、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920485A (zh) * | 2005-08-26 | 2007-02-28 | 厦门雅迅网络股份有限公司 | 一种自动修正导航路径的车辆导航方法 |
US20090119001A1 (en) * | 2007-11-07 | 2009-05-07 | Public Routes. Com, Llc | Method and system for finding multimodal transit route directions based on user preferred transport modes |
US20100280748A1 (en) * | 2007-11-24 | 2010-11-04 | Routerank Ltd. | Optimized route planning and personalized real-time location-based travel management |
CN103158717A (zh) * | 2011-12-09 | 2013-06-19 | 现代自动车株式会社 | 用于电动车eco驾驶的系统和方法 |
TWI579528B (zh) * | 2016-03-08 | 2017-04-21 | 和碩聯合科技股份有限公司 | 導航方法、導航系統以及記錄媒體 |
US20170328725A1 (en) * | 2016-05-10 | 2017-11-16 | Microsoft Technology Licensing, Llc | Enhanced user efficiency in route planning using route preferences |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100679837B1 (ko) * | 2005-01-24 | 2007-02-06 | 엘지전자 주식회사 | 네비게이션 시스템에서의 이동체의 주행경로 탐색방법 |
KR100880538B1 (ko) * | 2006-11-08 | 2009-02-02 | 팅크웨어(주) | 경로 탐색 시스템 및 방법 |
US20220187085A1 (en) * | 2020-12-15 | 2022-06-16 | Metropolitan Life Insurance Co. | Systems, methods, and devices for generating a transit route based on a safety preference |
-
2020
- 2020-12-22 US US17/131,665 patent/US20210108933A1/en active Pending
-
2021
- 2021-09-03 TW TW110132877A patent/TWI803963B/zh active
- 2021-09-10 WO PCT/US2021/049903 patent/WO2022139898A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920485A (zh) * | 2005-08-26 | 2007-02-28 | 厦门雅迅网络股份有限公司 | 一种自动修正导航路径的车辆导航方法 |
US20090119001A1 (en) * | 2007-11-07 | 2009-05-07 | Public Routes. Com, Llc | Method and system for finding multimodal transit route directions based on user preferred transport modes |
US20100280748A1 (en) * | 2007-11-24 | 2010-11-04 | Routerank Ltd. | Optimized route planning and personalized real-time location-based travel management |
CN103158717A (zh) * | 2011-12-09 | 2013-06-19 | 现代自动车株式会社 | 用于电动车eco驾驶的系统和方法 |
TWI579528B (zh) * | 2016-03-08 | 2017-04-21 | 和碩聯合科技股份有限公司 | 導航方法、導航系統以及記錄媒體 |
US20170328725A1 (en) * | 2016-05-10 | 2017-11-16 | Microsoft Technology Licensing, Llc | Enhanced user efficiency in route planning using route preferences |
Also Published As
Publication number | Publication date |
---|---|
US20210108933A1 (en) | 2021-04-15 |
TW202226130A (zh) | 2022-07-01 |
WO2022139898A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5900454B2 (ja) | 車両用車線案内システム及び車両用車線案内方法 | |
JP6602352B2 (ja) | 自律走行車用の計画フィードバックに基づく決定改善システム | |
TWI803963B (zh) | 用於模態選擇監控系統及用於路線選擇監控系統 | |
JP6397827B2 (ja) | 地図データ更新装置 | |
Barmpounakis et al. | Intelligent transportation systems and powered two wheelers traffic | |
US12008610B2 (en) | Implementing and optimizing safety interventions | |
CN108973990A (zh) | 用于自动驾驶控制的方法、介质和系统 | |
CA3061281A1 (en) | Verifying sensor data using embeddings | |
US10633003B1 (en) | Method, apparatus, and computer readable medium for verifying a safe vehicle operation via a portable device | |
JP6786376B2 (ja) | 評価装置、評価方法及び評価プログラム | |
US11262207B2 (en) | User interface | |
CN111859178A (zh) | 一种推荐上车点的方法和系统 | |
US11423660B2 (en) | Methods and systems for determining emergency data for a vehicle | |
US20220203973A1 (en) | Methods and systems for generating navigation information in a region | |
US20210383687A1 (en) | System and method for predicting a road object associated with a road zone | |
Li et al. | Digital map as a virtual sensor–dynamic road curve reconstruction for a curve speed assistant | |
US20230288220A1 (en) | Method and apparatus for determining connections between animate objects | |
JP2013007577A (ja) | 経路探索システム、経路探索装置、端末装置、経路探索方法および経路探索プログラム | |
JP6272929B2 (ja) | 情報処理システム、情報処理装置、情報処理方法、および情報処理プログラム | |
US20220090919A1 (en) | System, method, and computer program product for identifying a link offset | |
JP2019016238A (ja) | 運転車両信号から個人特性を特定しやすい道路区間を推定する推定装置、車両端末、プログラム及び方法 | |
JP2014099016A (ja) | 情報処理システム、情報処理装置、サーバ、端末装置、情報処理方法、およびプログラム | |
JP6898272B2 (ja) | 選択装置、選択方法及び選択プログラム | |
US11662746B2 (en) | System, method, and computer program product for generating maneuver data for a vehicle | |
US20240230362A9 (en) | A method and a system for weather-based hazard warning generation for autonomous vehicle |