知財求人 - 知財ポータルサイト「IP Force」
▶ ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024035198
(43)【公開日】2024-03-13
(54)【発明の名称】交通状況のグラフ表現に基づく道路利用者の挙動の予測
(51)【国際特許分類】
G08G 1/00 20060101AFI20240306BHJP
【ＦＩ】
G08G1/00 A
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023140014
(22)【出願日】2023-08-30
(31)【優先権主張番号】10 2022 209 034.9
(32)【優先日】2022-08-31
(33)【優先権主張国・地域又は機関】DE
(71)【出願人】
【識別番号】390023711
【氏名又は名称】ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング
【氏名又は名称原語表記】ＲＯＢＥＲＴ ＢＯＳＣＨ ＧＭＢＨ
【住所又は居所原語表記】Ｓｔｕｔｔｇａｒｔ， Ｇｅｒｍａｎｙ
(74)【代理人】
【識別番号】100114890
【弁理士】
【氏名又は名称】アインゼル・フェリックス＝ラインハルト
(74)【代理人】
【識別番号】100098501
【弁理士】
【氏名又は名称】森田 拓
(74)【代理人】
【識別番号】100116403
【弁理士】
【氏名又は名称】前川 純一
(74)【代理人】
【識別番号】100134315
【弁理士】
【氏名又は名称】永島 秀郎
(74)【代理人】
【識別番号】100162880
【弁理士】
【氏名又は名称】上島 類
(72)【発明者】
【氏名】マクシミリアン ツィプフル
(72)【発明者】
【氏名】アヒム レッティンガー
(72)【発明者】
【氏名】コリー ヘンソン
(72)【発明者】
【氏名】フェリクス ハートライン
(72)【発明者】
【氏名】ユアゲン リュッティン
(72)【発明者】
【氏名】ラヴディム ハリライ
(72)【発明者】
【氏名】シュテファン シュミット
(72)【発明者】
【氏名】シュテフェン トーマ
【テーマコード（参考）】
5H181
【Ｆターム（参考）】
5H181AA01
5H181AA05
5H181AA06
5H181AA07
5H181AA21
5H181BB20
5H181CC03
5H181CC04
5H181CC12
5H181CC14
5H181DD01
5H181EE02
5H181FF03
5H181FF10
5H181FF12
5H181FF22
5H181LL06
5H181LL11
(57)【要約】 （修正有）
【課題】交通状況における少なくとも１人の道路利用者の挙動を予測するための方法を提供する。
【解決手段】交通状況のグラフ表現を取得するステップは、ノードは道路利用者を表し、エッジは道路利用者間の相互作用かつ隣接性を規定し、ノードは状態変数を含む状態に関連付けられ、エッジはエッジ属性に関連付けられるステップと、ノードの状態の自己進展は当該状態に依存しかつ自己進展演算子によって媒介される自己進展と、検討されるノードと他のノードとの相互作用であって他のノードの状態に依存し、相互作用演算子で媒介される相互作用とに少なくとも部分的に基づいて計算するステップと、少なくとも１人の道路利用者の挙動を特徴付ける少なくとも１つの探索されるプロパティを、道路利用者に対応するグラフ表現内のノードの状態に対して、及び／又は斯かる状態から導出された作業成果物に対して評価演算子を適用することで計算するステップと、を含む。
【選択図】図１
【解決手段】交通状況のグラフ表現を取得するステップは、ノードは道路利用者を表し、エッジは道路利用者間の相互作用かつ隣接性を規定し、ノードは状態変数を含む状態に関連付けられ、エッジはエッジ属性に関連付けられるステップと、ノードの状態の自己進展は当該状態に依存しかつ自己進展演算子によって媒介される自己進展と、検討されるノードと他のノードとの相互作用であって他のノードの状態に依存し、相互作用演算子で媒介される相互作用とに少なくとも部分的に基づいて計算するステップと、少なくとも１人の道路利用者の挙動を特徴付ける少なくとも１つの探索されるプロパティを、道路利用者に対応するグラフ表現内のノードの状態に対して、及び／又は斯かる状態から導出された作業成果物に対して評価演算子を適用することで計算するステップと、を含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
交通状況（１）における少なくとも１人の道路利用者の挙動を予測するための方法（１００）であって、
・前記交通状況（１）のグラフ表現（２）を取得するステップ（１１０）であって、
○前記グラフ（２）のノードｖは、道路利用者ｉ，ｊを表し、
○前記グラフ（２）のエッジ（ｉ，ｊ）は、前記道路利用者ｉ，ｊ間の相互作用を表し、かつ、前記道路利用者ｉ，ｊ間の隣接性を規定し、
○それぞれのノードｖは、複数の状態変数を含む状態ｈに関連付けられ、
○それぞれのエッジ（ｉ，ｊ）は、複数のエッジ属性ｅｉ，ｊに関連付けられる、
ステップ（１１０）と、
・前記ノードｖの前記状態ｈの進展（３）を、
○それぞれの検討されるノードｖの状態ｈｉの自己進展であって、前記自己進展は、当該状態ｈｉに依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
○それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、前記相互作用は、当該他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
に少なくとも部分的に基づいて計算するステップ（１２０）と、
・少なくとも１人の道路利用者ｉの挙動を特徴付ける少なくとも１つの探索されるプロパティａｉを、当該道路利用者ｉに対応する前記グラフ表現（２）内の前記ノードｖ，ｉの状態
に対して、及び／又は、斯かる状態
から導出された作業成果物に対して評価演算子φを適用することによって計算するステップ（１３０）と、
を含む方法（１００）。
・前記交通状況（１）のグラフ表現（２）を取得するステップ（１１０）であって、
○前記グラフ（２）のノードｖは、道路利用者ｉ，ｊを表し、
○前記グラフ（２）のエッジ（ｉ，ｊ）は、前記道路利用者ｉ，ｊ間の相互作用を表し、かつ、前記道路利用者ｉ，ｊ間の隣接性を規定し、
○それぞれのノードｖは、複数の状態変数を含む状態ｈに関連付けられ、
○それぞれのエッジ（ｉ，ｊ）は、複数のエッジ属性ｅｉ，ｊに関連付けられる、
ステップ（１１０）と、
・前記ノードｖの前記状態ｈの進展（３）を、
○それぞれの検討されるノードｖの状態ｈｉの自己進展であって、前記自己進展は、当該状態ｈｉに依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
○それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、前記相互作用は、当該他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
に少なくとも部分的に基づいて計算するステップ（１２０）と、
・少なくとも１人の道路利用者ｉの挙動を特徴付ける少なくとも１つの探索されるプロパティａｉを、当該道路利用者ｉに対応する前記グラフ表現（２）内の前記ノードｖ，ｉの状態
【数1】
【数2】
を含む方法（１００）。
【請求項2】
前記グラフ表現（２）は、
・前記交通状況（１）の１つ又は複数のトップビュー画像、
・少なくとも１人の道路利用者によって携行される少なくとも１つのセンサによって記録されたセンサデータ、及び、
・道路利用者間の車車間通信Ｖ２Ｖによって交換されたデータ
のうちの１つ又は複数から計算される、
請求項１に記載の方法（１００）。
・前記交通状況（１）の１つ又は複数のトップビュー画像、
・少なくとも１人の道路利用者によって携行される少なくとも１つのセンサによって記録されたセンサデータ、及び、
・道路利用者間の車車間通信Ｖ２Ｖによって交換されたデータ
のうちの１つ又は複数から計算される、
請求項１に記載の方法（１００）。
【請求項3】
少なくとも１つのエッジの前記エッジ属性ｅｉｊは、
・同一の交通車線において相互に追従する道路利用者間の長手方向関係、又は、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係、又は、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係
をエンコーディングするように構成されている、
請求項１又は２に記載の方法（１００）。
・同一の交通車線において相互に追従する道路利用者間の長手方向関係、又は、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係、又は、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係
をエンコーディングするように構成されている、
請求項１又は２に記載の方法（１００）。
【請求項4】
少なくとも１つのエッジの前記エッジ属性ｅｉｊは、
・当該エッジ（ｉ，ｊ）によって接続される前記ノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊが、特定の車線に存在する結合確率Ｐ（ｅｉｊ）、及び／又は、
・当該エッジ（ｉ，ｊ）によって接続される前記ノードｖ，ｉ；ｖ，ｊに対応する前記２人の道路利用者ｉ，ｊ間の距離ｄｉ，ｊ、及び／又は、一方又は両方の道路利用者ｉ，ｊと、前記２人の道路利用者ｉ，ｊ間の交点ｐｉｎｔとの間の距離ｄｉ，ｊ
を含む、請求項１乃至３のいずれか一項に記載の方法（１００）。
・当該エッジ（ｉ，ｊ）によって接続される前記ノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊが、特定の車線に存在する結合確率Ｐ（ｅｉｊ）、及び／又は、
・当該エッジ（ｉ，ｊ）によって接続される前記ノードｖ，ｉ；ｖ，ｊに対応する前記２人の道路利用者ｉ，ｊ間の距離ｄｉ，ｊ、及び／又は、一方又は両方の道路利用者ｉ，ｊと、前記２人の道路利用者ｉ，ｊ間の交点ｐｉｎｔとの間の距離ｄｉ，ｊ
を含む、請求項１乃至３のいずれか一項に記載の方法（１００）。
【請求項5】
少なくとも１つのノードｖの前記状態変数は、
・道路利用者の種類の標示、及び／又は、
・道路利用者の汚染物質排出クラス、及び／又は、
・道路利用者の寸法、及び／又は、
・道路利用者の推定質量、及び／又は、
・道路利用者の速度、及び／又は、
・道路利用者の表示灯の状態、及び／又は、
・道路利用者に搭載されている貨物及び／又は乗客の存在、及び／又は、
・道路利用者の目的地に関する情報、及び／又は、
・道路利用者の状況
を含む、請求項１乃至４のいずれか一項に記載の方法（１００）。
・道路利用者の種類の標示、及び／又は、
・道路利用者の汚染物質排出クラス、及び／又は、
・道路利用者の寸法、及び／又は、
・道路利用者の推定質量、及び／又は、
・道路利用者の速度、及び／又は、
・道路利用者の表示灯の状態、及び／又は、
・道路利用者に搭載されている貨物及び／又は乗客の存在、及び／又は、
・道路利用者の目的地に関する情報、及び／又は、
・道路利用者の状況
を含む、請求項１乃至４のいずれか一項に記載の方法（１００）。
【請求項6】
前記自己進展演算子Θ及び／又は前記相互作用演算子θｅｄｇｅ、及び／又は前記評価演算子φは、訓練されたニューラルネットワークを含む、
請求項１乃至５のいずれか一項に記載の方法（１００）。
請求項１乃至５のいずれか一項に記載の方法（１００）。
【請求項7】
前記ノードｖの前記状態ｈ変数、及び／又は、前記エッジ（ｉ，ｊ）の前記エッジ属性ｅｉ，ｊは、道路利用者ｉ，ｊの観察可能なプロパティとの、又は、道路利用者ｉ，ｊ間にある道路の一部の観察可能なプロパティとの直接的な関係を有していない隠れ変数を含む、
請求項６に記載の方法（１００）。
請求項６に記載の方法（１００）。
【請求項8】
前記相互作用演算子θｅｄｇｅは、２つの相互作用するノードｉ，ｊを接続するエッジ（ｉ，ｊ）の前記エッジ属性ｅｉ，ｊに対して適用される少なくとも２つの全結合層を備えたニューラルネットワークを含む、
請求項６又は７に記載の方法（１００）。
請求項６又は７に記載の方法（１００）。
【請求項9】
前記評価演算子φは、前記少なくとも１人の道路利用者ｉの挙動を特徴付ける前記探索されるプロパティａｉのための分類器及び／又は回帰器として構成された多層パーセプトロンを含む、
請求項６乃至８のいずれか一項に記載の方法（１００）。
請求項６乃至８のいずれか一項に記載の方法（１００）。
【請求項10】
前記少なくとも１人の道路利用者ｉの挙動を特徴付ける前記探索されるプロパティａｉは、前記少なくとも１人の道路利用者ｉの加速度を含む、
請求項１乃至９のいずれか一項に記載の方法（１００）。
請求項１乃至９のいずれか一項に記載の方法（１００）。
【請求項11】
・交通状況（１）の時間シーケンスにわたって前記グラフ表現（２）が取得され（１１１）、前記ノードｖの前記状態ｈｉの進展（３）が計算され（１２１）、
・前記シーケンスにおけるそれぞれの交通状況（１）ごとに、前記ノードｖの計算された前記状態ｈｉが、入力されたデータのシーケンスを処理するように構成されたシーケンス処理ニューラルネットワーク（４）に入力され（１２２）、
・前記シーケンス処理ニューラルネットワーク（４）の出力（４ａ）に対して前記評価演算子φが適用される（１３１）、
請求項１乃至１０のいずれか一項に記載の方法（１００）。
・前記シーケンスにおけるそれぞれの交通状況（１）ごとに、前記ノードｖの計算された前記状態ｈｉが、入力されたデータのシーケンスを処理するように構成されたシーケンス処理ニューラルネットワーク（４）に入力され（１２２）、
・前記シーケンス処理ニューラルネットワーク（４）の出力（４ａ）に対して前記評価演算子φが適用される（１３１）、
請求項１乃至１０のいずれか一項に記載の方法（１００）。
【請求項12】
・前記少なくとも１人の道路利用者ｉの挙動を特徴付ける、計算された前記プロパティａｉに少なくとも部分的に基づいて、動作信号（１４０ａ）を決定するステップ（１４０）と、
・車両（５０）及び／又は前記車両（５０）の運転者に警告するための警報手段（５１）を、前記動作信号（１４０ａ）によって動作させるステップ（１５０）と、
をさらに含む、請求項１乃至１１のいずれか一項に記載の方法（１００）。
・車両（５０）及び／又は前記車両（５０）の運転者に警告するための警報手段（５１）を、前記動作信号（１４０ａ）によって動作させるステップ（１５０）と、
をさらに含む、請求項１乃至１１のいずれか一項に記載の方法（１００）。
【請求項13】
１つ又は複数のコンピュータ及び／又はコンピューティングインスタンスによって実行された場合に、前記１つ又は複数のコンピュータ及び／又はコンピューティングインスタンスに、請求項１乃至１２のいずれか一項に記載の方法を実施させるための機械可読命令を含むコンピュータプログラム。
【請求項14】
請求項１３に記載のコンピュータプログラムを備える機械可読データ担体。
【請求項15】
請求項１３に記載のコンピュータプログラム及び／又は請求項１４に記載の機械可読データ担体を備える１つ又は複数のコンピュータ及び／又はコンピューティングインスタンス。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、交通状況を特徴付ける測定データから道路利用者の挙動を特定することに関する。他の道路利用者の挙動を把握することは、特に、交通における自車両の次の行動を計画するために重要である。
【背景技術】
【0002】
背景
交通の中を少なくとも部分的に自動化された方法により操舵される車両は、車両の周囲を捕捉し、車両の周囲の変化に対して常に自身の行動を適合させる必要がある。特に、車両は、他の道路利用者の行動に応答する必要がある。これらの行動は、通常、他の道路利用者の計画の何らかの利害関係によって引き起こされる。しかしながら、交通における将来の挙動に対する関心又は計画に関する情報は、現在のところ非常に初歩的な程度でしか、即ち、方向指示器の形態でしか利用者間において交換されていない。その結果、道路利用者の将来の挙動を予測することは、容易ではない。
交通の中を少なくとも部分的に自動化された方法により操舵される車両は、車両の周囲を捕捉し、車両の周囲の変化に対して常に自身の行動を適合させる必要がある。特に、車両は、他の道路利用者の行動に応答する必要がある。これらの行動は、通常、他の道路利用者の計画の何らかの利害関係によって引き起こされる。しかしながら、交通における将来の挙動に対する関心又は計画に関する情報は、現在のところ非常に初歩的な程度でしか、即ち、方向指示器の形態でしか利用者間において交換されていない。その結果、道路利用者の将来の挙動を予測することは、容易ではない。
【発明の概要】
【課題を解決するための手段】
【0003】
発明の開示
本発明は、交通状況における少なくとも１人の道路利用者の挙動を予測するための方法を提供する。本明細書における「道路利用者（road user）」という用語は、人間によって操縦され、少なくとも部分的に自動化された、道路交通に参加することができる全てのエンティティ、例えば、自動車、トラック、バス、路面電車、自転車、電動スクータ、及び、ローラスケート又はローラブレードのような補助装置を用いた又は用いていない人間などを含む。また、この用語は、道路走行面の利用者に限定されているわけではなく、道路の一部であるとも考えられる歩道又は自転車道の利用者も包含している。
本発明は、交通状況における少なくとも１人の道路利用者の挙動を予測するための方法を提供する。本明細書における「道路利用者（road user）」という用語は、人間によって操縦され、少なくとも部分的に自動化された、道路交通に参加することができる全てのエンティティ、例えば、自動車、トラック、バス、路面電車、自転車、電動スクータ、及び、ローラスケート又はローラブレードのような補助装置を用いた又は用いていない人間などを含む。また、この用語は、道路走行面の利用者に限定されているわけではなく、道路の一部であるとも考えられる歩道又は自転車道の利用者も包含している。
【0004】
本方法の過程において、交通状況のグラフ表現が取得される。グラフ表現へと処理することができる交通状況に関する知識は、任意の形態であるものとしてよい。
【0005】
例えば、グラフ表現は、交通状況の１つ又は複数のトップビュー画像から計算可能であり、これらのトップビュー画像は、１つ又は複数の固定式又は移動式のカメラによって撮影可能である。例えば、いくつかの交差点、トンネル、又は、道路の区間は、円滑な運用を保証するために、トンネル内の安全性の問題を検出するために、又は、交通に対する追加的な車線として高速道路の路肩を開放するかどうかを動的に決定するために、カメラによって日常的に監視されている。
【0006】
これに代えて又は組み合わせて、グラフ表現を計算するために、少なくとも１人の道路利用者によって携行される少なくとも１つのセンサによって記録されたセンサデータを使用することもできる。例えば、少なくとも部分的に自動化された運転のための機能を備えた全ての車両は、カメラ画像を撮影するセンサとして少なくとも１つのカメラを有する。極めて頻繁に、車両には、レーダデータを生成するレーダセンサ及び／又はライダデータを生成するライダセンサも装備されている。複数の異なるセンサモダリティを組み合わせることにより、１つのモダリティが一時的に動作していなくても、少なくとも１つのモダリティが如何なる時にも車両環境から利用可能な情報を提供するという確率が高まる。例えば、カメラが太陽に直接的に面していて、カメラのセンサが完全に飽和していることが理由で、カメラが一時的に画像を供給できなくなる場合がある。
【0007】
また、グラフ表現を計算するために、道路利用者間の車車間通信Ｖ２Ｖによって交換されたデータを使用することもできる。このようにして、交通状況を複数の観点からより正確に評価することができる。全ての種類のデータを集約して、グラフ表現へと処理することができる。収集されたデータがより多様であればあるほど、グラフ表現に含まれる情報はより完全になる。
【0008】
グラフ表現においては、グラフのノードｖは、道路利用者ｉ，ｊを表す。それぞれのノードｖは、複数の状態変数を含む状態ｈに関連付けられる。グラフのエッジ（ｉ，ｊ）は、道路利用者ｉ，ｊ間の相互作用を表し、かつ、道路利用者ｉ，ｊ間の隣接性を規定している。それぞれのエッジ（ｉ，ｊ）は、複数のエッジ属性ｅｉ，ｊに関連付けられる。
【0009】
ノードｖの状態ｈの進展が計算される。この進展は、少なくとも２つの成分を含み、即ち、
・それぞれの検討されるノードｖの状態ｈの自己進展であって、この自己進展は、少なくともこの状態（及び場合によっては以前の状態の履歴も）に依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
・それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、この相互作用は、これらの他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
を含む。
・それぞれの検討されるノードｖの状態ｈの自己進展であって、この自己進展は、少なくともこの状態（及び場合によっては以前の状態の履歴も）に依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
・それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、この相互作用は、これらの他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
を含む。
【0010】
少なくとも１人の道路利用者ｉの挙動を特徴付ける少なくとも１つの探索されるプロパティａｉが、
・この道路利用者ｉに対応するグラフ表現内のノードｖ，ｉの状態
に対して、及び／又は、
・斯かる状態
から導出された作業成果物に対して評価演算子φを適用することによって計算される。
探索されるプロパティａｉは、少なくとも１人の道路利用者ｉの挙動を特徴付ける任意の適当な量及び／又は質を含み得る。例えば、探索されるプロパティａｉは、測定可能な量を含み得るが、道路利用者の種類、道路利用者の目的地、又は、それどころか道路利用者ｉの次の行動が侵略的及び／又は攻撃的である可能性が高いかどうかの分類のような、離散的なプロパティも含み得る。
・この道路利用者ｉに対応するグラフ表現内のノードｖ，ｉの状態
【数1】
・斯かる状態
【数2】
探索されるプロパティａｉは、少なくとも１人の道路利用者ｉの挙動を特徴付ける任意の適当な量及び／又は質を含み得る。例えば、探索されるプロパティａｉは、測定可能な量を含み得るが、道路利用者の種類、道路利用者の目的地、又は、それどころか道路利用者ｉの次の行動が侵略的及び／又は攻撃的である可能性が高いかどうかの分類のような、離散的なプロパティも含み得る。
【0011】
本枠組みの主な利点は、
・一方では、具体的な用途において利用可能となるように、ノード及びエッジの状態に関する可能な限り多くの明示的な情報を使用するための、
・他方では、明示的な情報が殆ど又は全く利用可能でない場合には、ニューラルネットワークのような訓練された機械学習モデルを使用するための
最大限の柔軟性が、本枠組みによって可能となることである。
・一方では、具体的な用途において利用可能となるように、ノード及びエッジの状態に関する可能な限り多くの明示的な情報を使用するための、
・他方では、明示的な情報が殆ど又は全く利用可能でない場合には、ニューラルネットワークのような訓練された機械学習モデルを使用するための
最大限の柔軟性が、本枠組みによって可能となることである。
【0012】
例えば、グラフ表現の導出元となるデータにより、道路利用者を交通車線に割り当てることが可能となる場合には、このデータを活用して、道路利用者間の種々異なる種類の関係を区別することができる。特に、
・同一の交通車線において相互に追従する道路利用者間の長手方向関係、又は、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係、又は、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係
が存在し得る。
少なくとも１つのエッジ（ｉ，ｊ）のエッジ属性ｅｉｊは、上記の種類の関係をエンコーディングするように構成され得る。
・同一の交通車線において相互に追従する道路利用者間の長手方向関係、又は、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係、又は、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係
が存在し得る。
少なくとも１つのエッジ（ｉ，ｊ）のエッジ属性ｅｉｊは、上記の種類の関係をエンコーディングするように構成され得る。
【0013】
これに代えて又はこれと組み合わせて、少なくとも１つのエッジ（ｉ，ｊ）のエッジ属性ｅｉｊは、
・当該エッジ（ｉ，ｊ）によって接続されるノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊが、特定の車線に存在する結合確率Ｐ（ｅｉｊ）、及び／又は、
・当該エッジ（ｉ，ｊ）によって接続されるノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊ間の距離ｄｉ，ｊ、及び／又は、一方又は両方の道路利用者ｉ，ｊと、２人の道路利用者ｉ，ｊ間の交点ｐｉｎｔとの間の距離ｄｉ，ｊ
を含み得る。
・当該エッジ（ｉ，ｊ）によって接続されるノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊが、特定の車線に存在する結合確率Ｐ（ｅｉｊ）、及び／又は、
・当該エッジ（ｉ，ｊ）によって接続されるノードｖ，ｉ；ｖ，ｊに対応する２人の道路利用者ｉ，ｊ間の距離ｄｉ，ｊ、及び／又は、一方又は両方の道路利用者ｉ，ｊと、２人の道路利用者ｉ，ｊ間の交点ｐｉｎｔとの間の距離ｄｉ，ｊ
を含み得る。
【0014】
例えば、Ｐ（ｉ）が、道路利用者ｉをその車線に割り当てることが正しい確率であって、かつ、Ｐ（ｊ）が、道路利用者ｊをその車線に割り当てることが正しい確率である場合には、エッジ（ｉ，ｊ）に対応する結合確率は、
Ｐ（ｅｉｊ）＝Ｐ（ｉ）・Ｐ（ｊ）
である。
Ｐ（ｅｉｊ）＝Ｐ（ｉ）・Ｐ（ｊ）
である。
【0015】
距離ｄｉ，ｊは、一方の道路利用者ｉが他方の道路利用者ｊの存在に起因して自身の挙動を変化させる必要性を示すことができる。
【0016】
特に有利な実施形態においては、少なくとも１つのノードの状態変数は、
・道路利用者の種類の標示、及び／又は、
・道路利用者の汚染物質排出クラス、及び／又は、
・道路利用者の寸法、及び／又は、
・道路利用者の推定質量、及び／又は、
・道路利用者の速度、及び／又は、
・道路利用者の表示灯の状態、及び／又は、
・道路利用者に搭載されている貨物及び／又は乗客の存在、及び／又は、
・道路利用者の目的地に関する情報、及び／又は、
・道路利用者の状況（例えば、右から車が来ている状態で交差点に接近する、又は、学校を通過する、駐車された（直後の）車を通過する）
を含む。
・道路利用者の種類の標示、及び／又は、
・道路利用者の汚染物質排出クラス、及び／又は、
・道路利用者の寸法、及び／又は、
・道路利用者の推定質量、及び／又は、
・道路利用者の速度、及び／又は、
・道路利用者の表示灯の状態、及び／又は、
・道路利用者に搭載されている貨物及び／又は乗客の存在、及び／又は、
・道路利用者の目的地に関する情報、及び／又は、
・道路利用者の状況（例えば、右から車が来ている状態で交差点に接近する、又は、学校を通過する、駐車された（直後の）車を通過する）
を含む。
【0017】
（例えば、量及び／又は質を含み得る）これらのプロパティのいずれも、単独では、ノードに対応する道路利用者の将来の挙動の直接的かつ明白な予測を可能にしない。しかしながら、それぞれのこのようなプロパティは、ある程度まで、その道路利用者の挙動の背後にある意図に関する手がかりとなり、この意図は、道路利用者の将来の挙動を予測する際の大きい援助となる。例えば、道路利用者の目的地に関する情報、又は、少なくともそのような目的地についてのヒントを与える何か他のものが既知である場合には、道路利用者は、その目的地に向かう移動に一致する方向へとさらに進行する可能性が高い。これらの兆候及び他の弱い兆候を活用することは、訓練されたニューラルネットワークによって非常に良好に実行し得る作業である。
【0018】
したがって、さらに特に有利な実施形態においては、自己進展演算子Θ及び／又は相互作用演算子θｅｄｇｅ、及び／又は評価演算子φは、訓練されたニューラルネットワークを含む。
【0019】
特に、ニューラルネットワークは、追加的な隠れ変数を活用するためにも良好に適している。隠れ変数は、この隠れ変数がエッジに関係している場合、道路利用者の観察可能なプロパティとの、又は、道路利用者間にある道路の一部の観察可能なプロパティとの直接的な関係を有していない変数である。したがって、これらの隠れ変数を特定するために明示的な知識を使用することはできない。しかしながら、ニューラルネットワークは、それにもかかわらず、隠れ変数がどのように進展するのか、又は、少なくとも１人の道路利用者ｉの挙動を特徴付ける探索されるプロパティａｉが、そのような隠れ変数にどのように依存しているのかを、訓練例に基づいて学習することができる。
【0020】
したがって、さらに特に有利な実施形態においては、ノードｖの状態ｈ変数、及び／又は、エッジ（ｉ，ｊ）のエッジ属性ｅｉ，ｊは、道路利用者ｉ，ｊの観察可能なプロパティとの、又は、道路利用者ｉ，ｊ間にある道路の一部の観察可能なプロパティとの直接的な関係を有していない隠れ変数を含む。
【0021】
特に、１つ又は複数の隠れ変数を、道路利用者の意図に関連させることができる。この意図は、直接的に測定可能又は観察可能ではないが、他の観察可能なプロパティと相互に依存している可能性があり、道路利用者がどのような行動を実施するかを判断する際の主要な要因になる可能性がある。意図は、時間と共に進展する可能性もある。したがって、隠れ変数は、直接的に測定可能又は観察可能でないにもかかわらず、意図をエンコーディング及び考慮するための手段を提供する。
【0022】
例えば、ある特定の離散的な時間刻みｓから時間刻みｓ＋１までのノードｖ，ｉの状態
の進展を、
のように記述することができ、ここで、
は、他のノードｖ，ｊ≠ｉから伝送されている集約された相互作用である「メッセージ」
を表す。即ち、状態ｖ，ｉの周りの規定された近傍Ｎ（ｉ）における状態ｖ，ｊ≠ｉは、状態ｖ，ｉの進展にとって関連性がある。
【数3】
【数4】
【数5】
【数6】
【0023】
ここで、訓練された重みを有する進展演算子Θは、二重関数を実行する。一方では、進展演算子Θは、状態
の自己進展をそのように記述している。他方では、
に対するΘの相対的な大きさは、相互作用と比較して自己進展がどのくらい重要であるかを記述している。
【数7】
【数8】
【0024】
進展は、１つの時間刻みの間だけ実行されるものとしてよいが、複数の時間刻みの間、実行されるものとしてもよい。最後のステップＳにおいて、探索されるプロパティａｉを評価演算子φによって
のように評価することができる。
【数9】
【0025】
ここで、例えば、
は、およそ６４個の変数を含み得るが、これらの変数のうちのごく一部だけが、道路利用者ｉの具体的に観察可能なプロパティに結び付けられている。
【数10】
【0026】
関与する全てのニューラルネットワークの訓練は、探索されるプロパティａｉに関するグラウンドトゥルース
によってラベル付けされている交通状況のグラフ表現の形態で訓練例を提供することにより、エンドツーエンドで実施可能である。即ち、グラフ表現は、上述したように処理可能であり、これにより、探索されるプロパティに関する値ａｉが得られる。この値ａｉを、グラウンドトゥルース値
と比較することができ、グラウンドトゥルース値
からの偏差を、損失関数によって評価することができる。例えば、ｎ個のノードｖからなる集合Ｖが与えられた場合には、損失関数
を使用することができる。次いで、ニューラルネットワークの挙動を特徴付けるパラメータを最適化することができ、これにより、交通状況のさらなるグラフ表現を訓練例として処理すると、損失関数Ｌの値が漸進的に改善される。
【数11】
【数12】
【数13】
【数14】
【0027】
しかしながら、（自己進展又は相互作用などに関する）１つの個々のニューラルネットワークの性能に関連するグラウンドトゥルースを使用してニューラルネットワークのうちの１つ又は複数を訓練すること若しくは少なくとも事前訓練することが可能であり、又は、それどころか、ラベル付けされていない訓練データに基づいて教師なしでそのようなニューラルネットワークを事前訓練することさえも可能である。これらは全て、どのグラウンドトゥルースが利用可能であるかに依存している。
【0028】
１つの例においては、相互作用演算子θｅｄｇｅは、２つの相互作用するノードｉ，ｊを接続するエッジ（ｉ，ｊ）のエッジ属性ｅｉ，ｊに対して適用される少なくとも２つの全結合層を備えたニューラルネットワークを含み得る。例えば、このようなニューラルネットワークは、エッジ（ｉ，ｊ）のどの属性ｅｉ，ｊが、隣り合うノードｉ，ｊ間の相互作用に対してどのような影響を与えるかを学習することができる。
【0029】
さらなる例においては、評価演算子φは、少なくとも１人の道路利用者ｉの挙動を特徴付ける探索されるプロパティのための分類器及び／又は回帰器として構成された多層パーセプトロンを含み得る。適当な訓練例が利用可能であるかどうかに応じて、そのような分類器及び／又は回帰器を、交通状況のグラフ表現に基づいてエンドツーエンド訓練する前に少なくとも部分的に事前訓練することができる。
【0030】
特に有利な実施形態においては、少なくとも１人の道路利用者ｉの挙動を特徴付ける探索されるプロパティａｉは、当該少なくとも１人の道路利用者ｉの加速度を含む。そのような加速度は、任意の線形加速度、角加速度、又は、ベクトル加速度を含み得る。したがって、加速度を用いて、道路利用者の挙動の非常に多数の種々異なる潜在的な変化をモデル化することができる。特に、速度の変化だけでなく方向の変化も、加速度に結び付けられている。
【0031】
さらに特に有利な実施形態においては、交通状況の時間シーケンスにわたってグラフ表現が取得され、ノードｖの状態ｈｉの進展が計算される。シーケンスにおけるそれぞれの交通状況ごとに、ノードｖの計算された状態ｈｉが、入力されたデータのシーケンスを処理するように構成されたシーケンス処理ニューラルネットワークに入力される。シーケンス処理ニューラルネットワークの出力に対して評価演算子φが適用される。即ち、ノードｖの計算された状態ｈｉがシーケンス処理ニューラルネットワークに入力される度に、このシーケンス処理ニューラルネットワークの出力においてエンコーディングが生成される。このエンコーディングは、計算された新しい状態ｈｉがシーケンス処理ニューラルネットワークに到達する度に更新される。その場合、最終的なエンコーディングは、多数の種々異なる計算された状態ｈｉからなる作業成果物であり、単一の斯かる状態ｈｉに対して最終的なエンコーディングが実施可能であるのと同様に、探索されるプロパティａｉを、この作業成果物から評価演算子φによって計算することができる。シーケンス処理ニューラルネットワークの例は、リカレントニューラルネットワーク及びトランスフォーマーネットワークを含む。
【0032】
シーケンス処理ニューラルネットワークを使用することにより、特に、探索されるプロパティａｉについてのさらに良好な予測に到達するために、交通状況間の共通の情報を活用することができる。例えば、固定された視野を有する固定式のカメラによって交差点が監視されている場合には、時間シーケンスにおける交通状況が、相互に完全に異なることはあり得ない。なぜなら、道路利用者が無限の速度で出現及び消失することはあり得ないからである。時間シーケンスにおける全ての交通状況にある全ての道路利用者に対して、加速度のような探索されるプロパティを予測することができる。シーケンス内のシーンに入る又はシーンから出る道路利用者を、履歴状態の計算のために依然として考慮することができる。
【0033】
本方法の文脈において使用可能なシーケンス処理ニューラルネットワークの主な例は、長短期メモリＬＳＴＭである。
【0034】
本明細書において提示される方法の主な使用事例は、自車両の挙動をこの交通状況に合うように適合させる必要があるかどうかを判断する目的で、交通状況を評価することである。このような適合は、車両によって自動的に実行されるものとしてもよいし、又は、車両の運転者に適合の必要性についての警告が行われた場合に、この車両の運転者によって実行されるものとしてもよい。
【0035】
したがって、さらに特に有利な実施形態においては、少なくとも１人の道路利用者ｉの挙動を特徴付ける、計算されたプロパティａｉに少なくとも部分的に基づいて、動作信号が計算される。車両及び／又は車両の運転者に警告するための警報手段が、当該動作信号によって動作させられる。
【0036】
本方法は、全体的又は部分的にコンピュータ実装可能であり、したがって、ソフトウェアの形態において具現化可能である。したがって、本発明は、１つ又は複数のコンピュータ及び／又はコンピューティングインスタンスによって実行された場合に、１つ又は複数のコンピュータ及び／又はコンピューティングインスタンスに、上述した方法を実施させるための機械可読命令を備えるコンピュータプログラムにも関する。ここで、車両のための制御ユニット、及び、機械可読命令を実行することができる技術的装置の内部の他の組み込みシステムも同様に、コンピュータとみなされるべきである。コンピューティングインスタンスの例は、仮想マシン、コンテナ、又は、サーバレス実行環境であり、これらにおいて機械可読命令をクラウド内で実行することができる。本発明は、コンピュータプログラムを備える機械可読データ担体及び／又はダウンロード製品にも関する。ダウンロード製品は、例えば、即時の実現のためにオンラインショップで販売可能であって、かつ、１つ又は複数のコンピュータにダウンロード可能である、コンピュータプログラムを備えるデジタル製品である。本発明は、コンピュータプログラム及び／又は機械可読データ担体及び／又はダウンロード製品を備える１つ又は複数のコンピューティングインスタンスにも関する。
【0037】
以下においては、さらなる有利な実施形態を、図面を使用しながら、本発明の範囲を限定することを何ら意図することなく説明する。
【図面の簡単な説明】
【0038】
【図1】交通状況１における少なくとも１人の道路利用者ｉの挙動を予測するための方法１００の例示的な実施形態を示す図である。
【図3】測定可能な道路利用者間の例示的な距離ｄｉ，ｊを伴う、例示的な交通状況１を示す図である。
【図4】道路利用者ｉの挙動を特徴付けるプロパティａｉを予測することを、ノードｖの状態ｈに関する１つの更新ステップと共に示す図である。
【図5】ＬＳＴＭシーケンス処理ネットワーク４を用いて、道路利用者ｉの挙動を特徴付けるプロパティａｉを予測することを示す図である。
【発明を実施するための形態】
【0039】
図１は、交通状況１における少なくとも１人の道路利用者ｉの挙動を予測するための方法１００の１つの実施形態の概略的なフローチャートである。
【0040】
ステップ１１０において、交通状況１のグラフ表現２が取得される。ここで、
・グラフ２のノードｖは、道路利用者ｉ，ｊを表し、
・グラフ２のエッジ（ｉ，ｊ）は、道路利用者ｉ，ｊ間の相互作用を表し、かつ、道路利用者ｉ，ｊ間の隣接性を規定し、
・それぞれのノードｖは、複数の状態変数を含む状態ｈに関連付けられ、
・それぞれのエッジ（ｉ，ｊ）は、複数のエッジ属性ｅｉ，ｊに関連付けられる。
・グラフ２のノードｖは、道路利用者ｉ，ｊを表し、
・グラフ２のエッジ（ｉ，ｊ）は、道路利用者ｉ，ｊ間の相互作用を表し、かつ、道路利用者ｉ，ｊ間の隣接性を規定し、
・それぞれのノードｖは、複数の状態変数を含む状態ｈに関連付けられ、
・それぞれのエッジ（ｉ，ｊ）は、複数のエッジ属性ｅｉ，ｊに関連付けられる。
【0041】
ステップ１２０において、ノードｖの状態ｈの進展３が、
・それぞれの検討されるノードｖの状態ｈｉの自己進展であって、この自己進展は、この状態ｈｉに依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
・それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、この相互作用は、これらの他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
に少なくとも部分的に基づいて計算される。
・それぞれの検討されるノードｖの状態ｈｉの自己進展であって、この自己進展は、この状態ｈｉに依存し、かつ、自己進展演算子Θによって媒介される、自己進展と、
・それぞれの検討されるノードｖ，ｉと、他のノードｖ，ｊ≠ｉとの相互作用であって、この相互作用は、これらの他のノードｖ，ｊ≠ｉの状態ｈｊ≠ｉに依存し、かつ、相互作用演算子θｅｄｇｅによって媒介される、相互作用と、
に少なくとも部分的に基づいて計算される。
【0042】
ステップ１３０において、少なくとも１人の道路利用者ｉの挙動を特徴付ける少なくとも１つの探索されるプロパティａｉが、この道路利用者ｉに対応するグラフ表現内のノードｖ，ｉの状態
に対して、及び／又は、斯かる状態
から導出された作業成果物に対して評価演算子φを適用することによって計算される。
【数15】
【数16】
【0043】
ステップ１４０において、少なくとも１人の道路利用者ｉの挙動を特徴付ける、計算されたプロパティａｉに少なくとも部分的に基づいて、動作信号１４０ａが決定される。
【0044】
ステップ１５０において、車両５０及び／又は車両５０の運転者に警告するための警報手段５１が、この動作信号１４０ａによって動作させられる。
【0045】
ブロック１１１によれば、交通状況１の時間シーケンスにおける複数の交通状況１に対して複数のグラフ表現２を取得することができる。次いで、ブロック１２１によれば、ノードｖの状態ｈｉの進展３を、それぞれのこのようなグラフ表現ごとに計算して、シーケンス処理ニューラルネットワーク４に入力することができる。次いで、ブロック１３１によれば、評価演算子φは、シーケンス処理ニューラルネットワーク４の出力４ａから、少なくとも１人の道路利用者ｉの挙動を特徴付けるプロパティａｉを計算することができる。
【0046】
【0047】
交通状況１は、３つの道路２１，２２，及び２３が合流する交差点２０を中心としている。車両は、交通が反時計回りに走行している環状交差点（ラウンドアバウト）２４を介してこれらの道路２１，２２，及び２３の間を移動することができる。道路２１，２２，及び２３が環状交差点２４と合流するところに交通島２１ａ，２２ａ及び２３ａが設けられている。図２ａに示されている状況１においては、交差点２０に７つの車両３，１０，１３，１４，１５，１６及び１７が存在する。
【0048】
グラフ表現２は、道路利用者間の３つの異なる種類の関係を含み、即ち、
・同一の交通車線において相互に追従する道路利用者間の長手方向関係（Ａが付された実線）と、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係（Ｂが付された破線）と、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係（Ｃが付された一点鎖線）と、
を含む。
・同一の交通車線において相互に追従する道路利用者間の長手方向関係（Ａが付された実線）と、
・それぞれ隣り合う交通車線を走行する道路利用者間の横方向関係（Ｂが付された破線）と、
・合流及び／又は交差する車線を走行する道路利用者間の交差関係（Ｃが付された一点鎖線）と、
を含む。
【0049】
車両１６は、車両３及び１０の両方との相互の交差関係を有する。なぜなら、車両３及び１０は、車両１６が進入しようとしている環状交差点車線２４を既に使用しているからである。
【0050】
環状交差点の他方の側においては、車両１３と１４との間に交差関係が存在する。なぜなら、車両１４は、環状交差点車線２４を既に使用しており、車両１３は、この環状交差点車線２４に進入しようとしているからである。車両１５も、まもなく環状交差点車線２４に進入するので、車両１４と車両１５との間にも同様の交差関係が存在する。
【0051】
理論的には、車両１７と車両１４との間にもこのような関係が存在し得る。しかしながら、車両１７は、車両１３及び１５よりも交差点２０からより遠く離れており、また、他の車両が重要であると考えられる最大距離に関しては限界が存在する。車両１３，１５，及び１７の間の距離は、この限界を下回っており、したがって、これら３つの車両の間には長手方向の追従関係が存在する。
【0052】
それと同時に、３つの車両１４，１０，及び３は、全て環状交差点車線２４に位置しているので、車両１０は、車両３との長手方向関係を有し、車両１４は、両方の車両１０及び３との長手方向関係を有する。
【0053】
図３は、他の例示的な交通状況１と、この交通状況１において測定可能な道路利用者間の距離ｄｉ，ｊがどのように異なっているかも示している。
【0054】
図３に示されている状況１においては、２つの車線３０ａ及び３０ｂを備えた大きい道路３０が２つのより小さい道路３１及び３２に分かれている。第１の車線３０ａ上の交通は、より小さい道路３１に移動し、第２の車線３０ｂ上の交通は、より小さい道路３２に移動する。また、より小さい道路３２には別の道路３３が合流している。状況１は、識別子１乃至４を備えた４つの車両、即ち、大きい道路３０の車線３０ａ上の車両１と、大きい道路３０の車線３０ｂ上の車両２と、合流する道路３３上の車両３と、より小さい道路３２上の車両４とを含む。
【0055】
車両１と車両２との間の距離ｄ１，２は、車両１の指定された基準点（中心点など）と、車両２の指定された基準点（中心点など）との間で道路３０の中央線に沿って測定可能である。このようにして、距離ｄ１，２は、車両１及び２のうちの一方が車線変更した場合でも変化しないままである。距離ｄ２，１は、－ｄ１，２である。車両１及び２は、それぞれ異なる車線で同一の方向に移動しているので、横方向関係を有する。
【0056】
車両２は、車両３が進入しようとしている車線に既に存在しているので、車両２及び３は、交差関係を有する。２つの車両２及び３の軌跡は、点ｐｉｎｔにおいて交差する可能性がある。したがって、車両２の視点から見ると、車両３までの関連する距離ｄ２，３は、車両２の現在位置と交点ｐｉｎｔとの間の距離ｄ２，ｐである。同様に、車両３の視点から見ると、車両２までの関連する距離ｄ３，２は、車両３の現在位置と交点ｐｉｎｔとの間の距離ｄ３，ｐである。
【0057】
車両２及び４は、距離ｄ２，４を有する通常の長手方向の追従関係を有する。
【0058】
車両４は、交点ｐｉｎｔから離れる方向に移動しているので、車両３は、車両４との長手方向の追従関係も有し、この長手方向の追従関係は、この車両３が実施しなければならない右折が存在していないかのように計算される距離ｄ３，４＝ｄ３，ｐ＋ｄｐ，４を有する。
【0059】
図４は、道路利用者ｉの挙動を特徴付けるプロパティａｉが、交通状況１のグラフ表現２に基づいてどのように表現されるかを、ノードｖの状態ｈに関する１つの更新ステップと共に示している。
【0060】
グラフ表現２は、行列を含み、この行列は、ｎ個のノードｖの各々ごとに｜ｖ｜個の成分を有する状態ベクトルｈｉを含む。同様に、別の行列も存在しており、この別の行列は、合計ｍ個の存在し得るエッジのうちのそれぞれのエッジ（ｉ，ｊ）ごとに｜ｅ｜個のエッジパラメータｅｉｊのベクトルを含む。ｍ行２列の隣接行列は、どのノードがどのエッジによって接続されるかを保存する。
【0061】
伝播モジュールＰは、ノードのそれぞれの状態を更新するための手段を含む。図４に示されている例においては、時間刻み０における１つの状態
が更新されているところである。このために、まず始めに、この状態
に対して自己進展演算子Θが適用される。次いで、他のノードｊとの相互作用が計算される。それぞれのエッジ（ｉ，ｊ）ごとに、これらのエッジ（ｉ，ｊ）のエッジ属性ｅｉ，ｊに対して相互作用演算子θｅｄｇｅが適用されることにより、結合強度とみなすことができる結果が生成され、この結合強度に、時間刻み０におけるノードｊの状態
が乗算されることにより、メッセージｍｉに対するノードｊの寄与が生成される。状態
は、自己進展演算子Θによって更新された後、このメッセージｍｉによって更新されて、新しい状態
が得られる。この新しい状態
に基づいて、探索されるプロパティａｉが、評価演算子φによって予測される。評価ステップにおける「ＲｅＬＵ」という記号の存在は、ＲｅＬＵが、それぞれのステップのために使用されるニューラルネットワークの活性化関数であることを表す。
【数17】
【数18】
【数19】
【数20】
【数21】
【数22】
【0062】
図５は、シーケンス処理ネットワーク４としてのＬＳＴＭリカレントネットワークを用いて、道路利用者ｉの挙動を特徴付けるプロパティａｉをどのようにして予測することができるかを示している。
【0063】
単一の時点に対するただ１つの単一のグラフ表現２だけではなく、複数の時点ｔ，ｔ－１，・・・，ｔ－Ｔ＋１，ｔ－Ｔに関係する複数のグラフ表現２が取得される。これらのグラフ表現２に基づいて、ノードｖ，ｉの状態ｈｉに対する更新３が計算され、シーケンス処理ニューラルネットワーク４としての長短期メモリＬＳＴＭに入力として提供される。毎回、このＬＳＴＭの出力側におけるエンコーディングが更新される。次いで、最終的なエンコーディングが、図４に示されている例において新しい状態
が処理されるのと同様の手法により、評価演算子φによって処理される。
【数23】
【図1】
【図2-1】
【図2-2】
【図3】
【図4】
【図5】
【外国語明細書】