特開 2024-58513 自動運転車両の制御装置及びプログラム

(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】P2024058513

(43)【公開日】2024-04-25

(54)【発明の名称】自動運転車両の制御装置及びプログラム

(51)【国際特許分類】

   G08G 1/09 20060101AFI20240418BHJP

   G08G 1/16 20060101ALI20240418BHJP

   B60W 50/00 20060101ALI20240418BHJP

   G16Y 40/30 20200101ALI20240418BHJP

   G16Y 40/10 20200101ALI20240418BHJP

   G16Y 10/40 20200101ALI20240418BHJP

【ＦＩ】

G08G1/09 D

G08G1/09 V

G08G1/16 D

B60W50/00

G16Y40/30

G16Y40/10

G16Y10/40

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2022172347

(22)【出願日】2022-10-27

(31)【優先権主張番号】P 2022165875

(32)【優先日】2022-10-14

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】591280485

【氏名又は名称】ソフトバンクグループ株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】孫 正義

【テーマコード（参考）】

3D241

5H181

【Ｆターム（参考）】

3D241BA62

3D241BB31

3D241BC01

3D241BC02

3D241CD02

3D241CE02

3D241CE06

3D241DC44Z

5H181AA01

5H181BB04

5H181BB13

5H181BB20

5H181CC02

5H181CC03

5H181CC04

5H181CC11

5H181CC12

5H181CC14

5H181EE13

5H181EE14

5H181FF13

5H181LL09

5H181LL11

5H181LL14

5H181MC15

(57)【要約】      （修正有）

【課題】コンピュータを、情報取得部及び制御部として機能させるためのプログラムが提供される。
【解決手段】車両を制御する制御装置は、信号機に設置されたセンサにより検出された複数の情報を取得する情報取得部と、前記情報取得部が取得した前記複数の情報と学習済みモデルを用いて、前記車両を制御する制御部を備える。
【選択図】図１４

【特許請求の範囲】

【請求項1】

車両を制御する制御装置であって、
信号機に設置されたセンサにより検出された複数の情報を取得する情報取得部と、
前記情報取得部が取得した前記複数の情報と学習済みモデルを用いて、前記車両を制御する制御部
を備える制御装置。

【請求項2】

前記制御部は、前記複数の情報と前記学習済みモデルを用いて、１０億分の１秒単位で前記車両を制御する
請求項１に記載の制御装置。

【請求項3】

前記制御部は、前記車両が、前記信号機が設置された交差点に進入している場合、前記信号機に設置されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御し、
前記車両が前記交差点以外の走行路を走行している場合、前記車両に搭載されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御する
請求項１又は請求項２に記載の制御装置。

【請求項4】

前記制御部は、前記車両が前記交差点に進入している場合で、かつ前記信号機に設置されたセンサにより検出された複数の情報を前記学習済みモデルに入力した場合の前記学習済みモデルの出力値と、前記車両に搭載されたセンサにより検出された複数の情報を前記学習済みモデルに入力した場合の前記学習済みモデルの出力値とが一致する場合、前記信号機に設置されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御する
請求項３に記載の制御装置。

【請求項5】

コンピュータを、請求項１又は請求項２に記載の情報取得部及び制御部として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、自動運転車両の制御装置及びプログラムに関する。

【背景技術】

【0002】

特許文献１には、自動運転機能を有する車両について記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２２－０３５１９８号公報

【発明の概要】

【課題を解決するための手段】

【0004】

本発明の一実施態様によれば、車両を制御する制御装置であって、信号機に設置されたセンサにより検出された複数の情報を取得する情報取得部と、前記情報取得部が取得した前記複数の情報と学習済みモデルを用いて、前記車両を制御する制御部を備える制御装置が提供される。前記制御部は、前記複数の情報と学習済みモデルを用いて、１０億分の１秒単位で前記車両を制御してもよい。

【0005】

前記制御部は、前記車両が、前記信号機が設置された交差点に進入している場合、前記信号機に設置されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御し、前記車両が前記交差点以外の走行路を走行している場合、前記車両に搭載されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御してもよい。

【0006】

前記制御部は、前記車両が前記交差点に進入している場合で、かつ前記信号機に設置されたセンサにより検出された複数の情報を前記学習済みモデルに入力した場合の前記学習済みモデルの出力値と、前記車両に搭載されたセンサにより検出された複数の情報を前記学習済みモデルに入力した場合の前記学習済みモデルの出力値とが一致する場合、前記信号機に設置されたセンサにより検出された複数の情報と前記学習済みモデルを用いて前記車両を制御してもよい。

【0007】

本発明の一実施態様によれば、コンピュータを、前記情報取得部及び前記制御部として機能させるためのプログラムが提供される。

【0008】

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

【図面の簡単な説明】

【0009】

【図1】超高性能自動運転のＡＩの危険予測能力について概略的に示す。

【図2】超高性能自動運転におけるＣｅｎｔｒａｌ Ｂｒａｉｎについて概略的に示す。

【図3】車両の死角を説明するための図である。

【図4】信号機に設置されるセンサを説明するための図である。

【図5】Ｐｅｒｆｅｃｔ Ｓｐｅｅｄ Ｃｏｎｔｒｏｌについて概略的に示す。

【図6】Ｐｅｒｆｅｃｔ Ｂｅｌｌ Ｃｕｒｖｅｓについて概略的に示す。

【図7】パーフェクトクルージングの概要図である。

【図8】パーフェクトクルージングの概要図である。

【図9】パーフェクトクルージングの概要図である。

【図10】パーフェクトクルージングの概要図である。

【図11】パーフェクトクルージングの概要図である。

【図12】パーフェクトクルージングの概要図である。

【図13】パーフェクトクルージングの概要図である。

【図14】Ｃｅｎｔｒａｌ Ｂｒａｉｎの機能的な構成の一例を示すブロック図である。

【図15】学習済みモデルを説明するための図である。

【図16】Ｃｅｎｔｒａｌ Ｂｒａｉｎによって実行される処理ルーチンの一例を示すフローチャートである。

【図17】Ｃｅｎｔｒａｌ Ｂｒａｉｎ、制御装置として機能するコンピュータのハードウェア構の一例を概略的に示す。

【発明を実施するための形態】

【0010】

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

【0011】

図１は、本実施形態に係る超高性能自動運転のＡＩの危険予測の能力について概略的に示す。本実施形態においては、複数種類のセンサ情報をＡＩデータ化してクラウドに蓄積する。ＡＩがナノセカンドごとに状況のベストミックスを予測、判断し、車両の運行を最適化する。

【0012】

図２は、本実施形態に係る超高性能自動運転におけるＣｅｎｔｒａｌ Ｂｒａｉｎについて概略的に示す。Ｃｅｎｔｒａｌ Ｂｒａｉｎは、Ｌｅｖｅｌ６の自動運転車両を制御する制御装置の一例である。

【0013】

なお、Ｌｅｖｅｌ６とは自動運転を表すレベルであり、完全自動運転を表すＬｅｖｅｌ５よりも更に上のレベルに相当する。Ｌｅｖｅｌ５は完全自動運転を表すものの、それは人が運転するのと同等のレベルであり、それでも未だ事故等が発生する確率はある。Ｌｅｖｅｌ６とは、Ｌｅｖｅｌ５よりも上のレベルを表すものであり、Ｌｅｖｅｌ５よりも事故が発生する確率が低いレベルに相当する。

【0014】

本実施形態において車両に搭載されるセンサの例として、レーダー、ＬｉＤＡＲ、高画素・望遠・超広角・３６０度・高性能カメラ、ビジョン認識、微細音、超音波、振動、赤外線、紫外線、電磁波、温度、湿度、スポットＡＩ天気予報、高精度マルチチャネルＧＰＳ、低高度衛星情報、ロングテールインシデントＡＩ ｄａｔａ等が挙げられる。ロングテールインシデントＡＩ ｄａｔａとはＬｅｖｅｌ５の実装した自動車のＴｒｉｐデータである。

【0015】

複数種類のセンサから取り入れるセンサ情報として、体重の重心移動、道路の材質の検知、外気温度の検知、外気湿度の検知、坂道の上下横斜め傾き角度の検知、道路の凍り方、水分量の検知、それぞれのタイヤの材質、摩耗状況、空気圧の検知、道路幅、追い越し禁止有無、対向車、前後車両の車種情報、それらの車のクルージング状態、周囲の状況（鳥、動物、サッカーボール、事故車、地震、家事、風、台風、大雨、小雨、吹雪、霧、など）等が挙げられ、本実施形態では、これらの検知をナノ秒毎に実施する。

【0016】

本実施形態においては、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、これらの情報から、道路全体＋ＡＩによる最小スポット毎の最も正解率の高い天気予報とのマッチングを実行してよい。また、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、これらの情報から、他の車の位置情報とのマッチングを実行してよい。また、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、これらの情報から、ベスト推定車種とのマッチング（その道程での残量、スピードのナノ秒毎のマッチング）を実行してよい。また、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、これらの情報から、乗客が聞いている音楽等のムードとのマッチングを実行してよい。また、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、これらの情報から、要望の気分を変更した瞬時の条件組み直しを実行してよい。

【0017】

Ｃｅｎｔｒａｌ Ｂｒａｉｎは、例えば、車両充電時にＡＩデータをクラウドにアップロードしてもよい。Ｄａｔａ Ｌａｋｅを形成し、ＡＩが分析して常に最新状態にアップロードしてもよい。

【0018】

図３に示すように、車両に搭載されたセンサでは、進行方向に沿った直線上では、他の車両等の物体を長距離でも検知することが可能であるが、交差点等では、センサでは物体を検知できない死角の領域が存在する。図３の例では、一点鎖線の矩形で囲まれた実線の矩形が、センサが搭載された車両を表し、一点鎖線の矢印がその車両の進行方向を表している。また、斜線の領域がその車両に搭載されたセンサでは物体を検知できない死角の領域を表している。

【0019】

この場合、車両にとって死角の領域が存在することによって、交通事故のリスクがある。

【0020】

そこで、図４に示すように、本実施形態では、街中の全ての信号機１００へＬｅｖｅｌ６の自動運転車両のＣｅｎｔｒａｌ Ｂｒａｉｎと通信が可能なセンサ１１０が設置される。センサ１１０の例としては、レーダー、ＬｉＤＡＲ、及び高画素・望遠・超広角・３６０度・高性能デジタルカメラ等が挙げられる。図４の例では、センサ１１０が信号機１００の上部に設置されているが、センサ１１０の設置場所は信号機１００の上部に限定されない。センサ１１０は、信号機１００の側面に設置されてもよいし、信号機１００の柱部分に設置されてもよい。

【0021】

各信号機１００において、センサ１１０によって自動運転車両にとって死角となる領域において検知された情報を収集し、Ｌｅｖｅｌ６の自動運転車両へ無線通信で道路状況の情報を送信する。

【0022】

Ｃｅｎｔｒａｌ Ｂｒａｉｎは、信号機１００に設置されたセンサ１１０により検出された複数の情報を取得し、取得した複数の情報とＡＩを用いて、車両を制御する。

【0023】

Ｃｅｎｔｒａｌ Ｂｒａｉｎは、車両の通行を最適化する方法として、ソフト面とハード面の両方を用いてよい。ソフト面では、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、信号機１００に設置されたセンサ１１０により検出された複数の情報と、クラウド蓄積情報と、車両のセンサ情報の全てをＡＩでベストミックスさせ、ナノセカンド毎にＡＩが判断し、乗客の要望にあった自動運転を実現する。ハード面では、車両が、１／１ ｂｉｌｌｉｏｎ ｓｅｃｏｎｄ（ナノセカンド）毎にモータの回転出力をマイクロコントロールする。車両は、ナノセカンドで通信しコントロールする事の可能な電気とモータを備える。Ｃｅｎｔｒａｌ Ｂｒａｉｎによれば、ＡＩが危機を予知するため、ブレーキ不要でコップの水をこぼすこともなくパーフェクトストップが可能になる。また、消費電力も低く、ブレーキ摩擦も生じない。

【0024】

図５は、本実施形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる制御によって実現されるＰｅｒｆｅｃｔ Ｓｐｅｅｄ Ｃｏｎｔｒｏｌについて概略的に示す。図５に示す原理は、車両の制動距離を算出する指標となるが、この基本的な方程式で制御する。本実施形態に係るシステムにおいては、超高性能入力データがあるので、きれいなベルカーブで計算することができる。

【0025】

図６は、本実施形態に係るＣｅｎｔｒａｌ Ｂｒａｉｎによる制御によって実現されるＰｅｒｆｅｃｔ Ｂｅｌｌ Ｃｕｒｖｅｓについて概略的に示す。

【0026】

超高性能自動運転を実現するときの演算速度として、１Ｍｉｌｌｉｏｎ ＴＯＰＳで実現できる。

【0027】

上述したように、本実施形態において、Ｃｅｎｔｒａｌ Ｂｒａｉｎは、Ｐｅｒｆｅｃｔ Ｃｒｕｉｓｅ Ｃｏｎｔｒｏｌを実現してよい。Ｃｅｎｔｒａｌ Ｂｒａｉｎは、車両に乗車している乗員の希望に応じた制御を実行してよい。乗員の希望の例として、「ｓｈｏｒｔｅｓｔ時間」、「ｌｏｎｇｅｓｔバッテリー持ち残量」、「車酔いを最も避けたい」、「最もＧを感じたい（安全に）」、「上記等のミックスで最も景観を感じたい」、「前回とは異なった景観を感じたい」、「たとえば、何年前に誰かと来た道の思い出をたどりたい」、「最も事故の確率を避けたい」、等があり、その他さまざまな条件を乗客にＣｅｎｔｒａｌ ｂｒａｉｎが相談して、Ｃｅｎｔｒａｌ ｂｒａｉｎが、乗客の人数、重さ、位置、体重の重心移動（ナノ秒毎の計算）、ナノ秒毎の道路の材質の検知、ナノ秒毎の外気の湿度の検知、ナノ秒毎の外気の湿度の検知、ナノ秒毎のトータルの上記の条件選択による車両とのパーフェクトミックスを実行する。

【0028】

Ｃｅｎｔｒａｌ ｂｒａｉｎは、「道路の坂道の上、下、横、斜め傾き角度」、「道程全体＋ＡＩによる最小スポット毎の最も正解率の高い天気予報とのマッチング」、「ナノ秒毎の他の車の位置情報とのマッチング」、「それらのベスト推定車種とのマッチング（その道程での残量、スピードのナノ秒毎のマッチング」、「乗客が聞いている音楽等のムードとのマッチング」、「要望の気分を変更した瞬時の条件組み直し」、「そのナノ秒毎の道路の凍り方、水分量、４本、２本、８本、１６本等のそれぞれのタイヤの材質の摩耗、空気圧、と道路の残りの最適ミックスの推定」、「その時々の道路の車線幅、角度、追い越し禁止車線かどうか？」、「対向車線、前後車線の車種とその車のクルージング状態（ナノ秒毎の）」、「その他全ての条件のベストミックス」といったものを、考慮、実行してよい。

【0029】

それぞれの車線の巾の中で真ん中ではなく取るべき場所は、全て異なる。その時のスピードや角度や道路情報によって異なる。たとえば、飛んで来る鳥や、動物や、対向車や、飛び込んで来るサッカーボールや子供や事故車や地震、火事、風、台風、大雨、小雨、吹雪、霧、その他のナノ秒毎の影響のベストな確率の推論のマッチングを実行する。

【0030】

それらをその時点のＣｅｎｔｒａｌ ｂｒａｉｎのバージョンの能力と、その時点までに蓄積されたｂｒａｉｎ ｃｌｏｕｄの最新にｕｐｄａｔｅされた情報を用いてパーフェクトマッチングを実行する。

【0031】

これを超高性能自動運転のパーフェクトクルージングと定義してよい。その為に超高性能自動運転には、１ｍｉｌｌｉｏｎ ＴＯＰＳがその時点のベストなバッテリーのパワーマネジメントと温度のＡＩ ｓｙｎｃｈｒｏｎｉｚｅｄバースト チリング機能が必要となる。

【0032】

図７～図１３は、パーフェクトクルージングの概要図である。

【0033】

次に、Ｃｅｎｔｒａｌ ｂｒａｉｎによる車両の制御の具体例を説明する。以下では、Ｃｅｎｔｒａｌ ｂｒａｉｎが制御対象とする車両であって、Ｃｅｎｔｒａｌ ｂｒａｉｎ自身が搭載されている車両を「自車両」という。

【0034】

図１４は、Ｃｅｎｔｒａｌ ｂｒａｉｎの機能的な構成の一例を示すブロック図である。図１４に示すように、Ｃｅｎｔｒａｌ ｂｒａｉｎは、情報取得部３０、判定部３２、推論部３４、及び制御部３６を備えている。また、Ｃｅｎｔｒａｌ ｂｒａｉｎが備える記憶装置には、学習済みモデル４０が記憶される。学習済みモデル４０によってＡＩの機能が実現される。

【0035】

一例として、図１５に示すように、学習済みモデル４０は、各種のセンサにより検出されたセンサ情報を入力とし、車両の運転を制御するための制御情報として、車両の制御に関連するインデックス化された値（以下、「インデックス値」という）を出力する。学習済みモデル４０は、機械学習、より詳しくは深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）によって得られるモデルである。

【0036】

情報取得部３０は、自車両に搭載されたセンサにより検出された複数の情報を取得する。また、情報取得部３０は、信号機１００に設置されたセンサ１１０により検出された複数の情報を取得する。

【0037】

判定部３２は、自車両が、信号機１００が設置された交差点に進入しているか、又は自車両が交差点以外の走行路を走行しているかを判定する。判定部３２は、この判定に、例えば、自車両に搭載されたＧＰＳ装置により測位された自車両の位置情報及び地図情報を用いる。なお、判定部３２は、この判定に、自車両に搭載されたセンサ群に含まれるデジタルカメラにより撮影された自車両周辺の画像を用いてもよい。また、判定部３２は、信号機１００に設置されたセンサ１１０と通信可能になった場合に、自車両が交差点に進入していると判定してもよい。

【0038】

推論部３４は、判定部３２により自車両が交差点に進入していると判定された場合、情報取得部３０により取得された信号機１００に設置されたセンサ１１０により検出された複数の情報を学習済みモデル４０に入力する。また、推論部３４は、判定部３２により自車両が交差点以外の走行路を走行していると判定された場合、情報取得部３０により取得された自車両に搭載されたセンサにより検出された複数の情報を学習済みモデル４０に入力する。学習済みモデル４０は、入力された複数の情報に応じて複数のインデックス値を出力する。インデックス値は、学習済みモデル４０の出力値の一例である。

【0039】

以上のように推論部３４は、複数のセンサ情報に基づいて、インデックス値を推論する。この推論部３４は、多くのセンサ群等で収集したナノ秒毎のデータを、Ｌｅｖｅｌ６の計算力を用い、下記式（１）に示すような積分法による多変量解析（例えば式（２）参照）を行うことで、正確なインデックス（ｉｎｄｅｘ）値を求め得る。より詳しくは、Ｌｅｖｅｌ６の計算力で各種Ｕｌｔｒａ Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎのデルタ値の積分値を求めながら、エッジレベルで且つリアルタイムで各変数のインデックス化された値を求め、次のナノ秒に発生する結果を最も高い確率論値を取得し得る。

【0040】

【数1】

【0041】

【数2】

なお、式中のＤＬは深層学習を示し、Ａ，Ｂ，Ｃ，Ｄ，…，Ｎは、空気抵抗、道路抵抗、道路要素（例えばゴミ）及び滑り係数等を示す。

【0042】

推論部３４にて得られた各変数のインデックス化された値は、Ｄｅｅｐ Ｌｅａｒｎｉｎｇの回数を増加させることによりさらに精緻化させ得る。例えば、タイヤや、モータの回転、ステアリング角度や、道路の材質、天気、ごみや二次曲線的減速時における影響、スリップ、バランス崩壊や再獲得のためのステアリングやスピードコントロールの仕方等の膨大なデータを用いてより正確なインデックス値を算出することができる。

【0043】

制御部３６は、推論部３４にて特定された複数のインデックス値に基づいて自車両の運転制御を実行するものであってよい。この制御部３６は、自車両の自動運転制御を実現することが可能なものであってよい。詳しくは、複数のインデックス値から次のナノ秒に発生する結果を最も高い確率論値を取得し、当該確率論値を考慮した車両の運転制御を実施することができる。この制御は、例えば、複数のインデックス値の組合せと車両の運転を制御する制御パラメータが対応付けられたルックアップテーブルを用いて行われてもよい。また、この制御は、例えば、複数のインデックス値を入力とし、車両の運転を制御する制御パラメータを出力とする学習済みモデルを用いて行われてもよい。制御パラメータの例としては、車両の速度、加速度、及び進行方向等を制御するパラメータが挙げられる。

【0044】

Ｃｅｎｔｒａｌ ｂｒａｉｎは、図１６に示されているフローチャートを繰り返し実行する。

【0045】

ステップＳ１０において、判定部３２は、自車両が交差点に進入しているか否かを判定する。ステップＳ１０の判定が肯定判定となった場合、処理はステップＳ１２に移行する。ステップＳ１２において、情報取得部３０は、信号機１００に設置されたセンサ１１０により検出された複数の情報を取得する。

【0046】

ステップＳ１４において、推論部３４は、前述したように、ステップＳ１２で取得された信号機１００に設置されたセンサ１１０により検出された複数の情報を学習済みモデル４０に入力することによって、複数のインデックス値を推論する。ステップＳ１６において、制御部３６は、前述したように、ステップＳ１４で特定された複数のインデックス値に基づいて自車両の運転制御を実行する。ステップＳ１６の処理が終了すると、フローチャートの処理が終了する。

【0047】

一方、判定部３２が、自車両が交差点以外の走行路を走行していると判定した場合、ステップＳ１０の判定が否定判定となり、処理はステップＳ１８に移行する。ステップＳ１８において、情報取得部３０は、自車両に搭載されたセンサにより検出された複数の情報を取得する。

【0048】

ステップＳ２０において、推論部３４は、前述したように、ステップＳ１８で取得された自車両に搭載されたセンサにより検出された複数の情報を学習済みモデル４０に入力することによって、複数のインデックス値を推論する。ステップＳ２２において、制御部３６は、前述したように、ステップＳ２０で特定された複数のインデックス値に基づいて自車両の運転制御を実行する。ステップＳ２２の処理が終了すると、フローチャートの処理が終了する。

【0049】

なお、制御部３６は、判定部３２により自車両が交差点に進入していると判定された場合で、かつ信号機１００に設置されたセンサ１１０により検出された複数の情報を学習済みモデル４０に入力した場合の学習済みモデル４０の出力値と、自車両に搭載されたセンサにより検出された複数の情報を学習済みモデル４０に入力した場合の学習済みモデル４０の出力値とが一致する場合、信号機１００に設置されたセンサ１１０により検出された複数の情報と学習済みモデル４０を用いて自車両を制御してもよい。この場合、自車両が交差点に進入した場合における自車両の挙動が急激に変化することを抑制することができる。これらの出力値が一致しない場合、制御部３６は、継続して、自車両に搭載されたセンサにより検出された複数の情報と学習済みモデル４０を用いて自車両を制御する。

【0050】

以上説明したように、本実施形態によれば、街中の全ての信号機１００へＬｅｖｅｌ６の自動運転車両のＣｅｎｔｒａｌ Ｂｒａｉｎと通信が可能なセンサ１１０が設置される。Ｌｅｖｅｌ６の自動運転車両のＣｅｎｔｒａｌ Ｂｒａｉｎは、死角の領域の情報をセンサ１１０から取得することができる。

【0051】

従って、自動運転車両からは検知できない死角の領域の情報を取得することができるため、交通事故のリスクを低減させることができる。自動運転車両は、赤信号の場合でも交差点に進入することが可能となり、ハイスピードで正確な運行が可能となるため、街全体の交通量を１０倍等に増加させることができる。これらの結果として、ＧＤＰが大幅に上昇する。

【0052】

図１７は、制御装置の一例であるＣｅｎｔｒａｌ Ｂｒａｉｎとして機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００を、本実施形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、本実施形態に係る装置に関連付けられるオペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。

【0053】

本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含み、それらはホストコントローラ１２１０によって相互に接続されている。コンピュータ１２００はまた、通信インタフェース１２２２、記憶装置１２２４、ＤＶＤドライブ、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続されている。ＤＶＤドライブは、ＤＶＤ－ＲＯＭドライブ及びＤＶＤ－ＲＡＭドライブ等であってよい。記憶装置１２２４は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ１２００はまた、ＲＯＭ１２３０及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続されている。

【0054】

ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示されるようにする。

【0055】

通信インタフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。記憶装置１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤドライブは、プログラム又はデータをＤＶＤ－ＲＯＭ等から読み取り、記憶装置１２２４に提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。

【0056】

ＲＯＭ１２３０はその中に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをＵＳＢポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。

【0057】

プログラムは、ＤＶＤ－ＲＯＭ又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。

【0058】

例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース１２２２に対し、通信処理を命令してよい。通信インタフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、記憶装置１２２４、ＤＶＤ－ＲＯＭ、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。

【0059】

また、ＣＰＵ１２１２は、記憶装置１２２４、ＤＶＤドライブ（ＤＶＤ－ＲＯＭ）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。

【0060】

様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

【0061】

上で説明したプログラム又はソフトウエアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ１２００に提供する。

【0062】

本実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。

【0063】

コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。

【0064】

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。

【0065】

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

【0066】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

【0067】

特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

【符号の説明】

【0068】

３０ 情報取得部、３２ 判定部、３４ 推論部、３６ 制御部、４０ 学習済みモデル、１００ 信号機、１１０ センサ、１１０ ステアリングホイール、１１２、１１４ ボタン、１２００ コンピュータ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インタフェース、１２２４ 記憶装置、１２３０ ＲＯＭ、１２４０ 入出力チップ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】