特許 7516358 自動車のための経路および／または軌道を計画するためのデバイス

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-07-05

(45)【発行日】2024-07-16

(54)【発明の名称】自動車のための経路および／または軌道を計画するためのデバイス

(51)【国際特許分類】

   G01C 21/34 20060101AFI20240708BHJP

   B60W 30/10 20060101ALI20240708BHJP

   B60W 40/09 20120101ALI20240708BHJP

   G08G 1/00 20060101ALI20240708BHJP

   G08G 1/0969 20060101ALI20240708BHJP

【ＦＩ】

G01C21/34

B60W30/10

B60W40/09

G08G1/00 A

G08G1/0969

【請求項の数】 12

(21)【出願番号】P 2021517253

(86)(22)【出願日】2019-09-27

(65)【公表番号】

(43)【公表日】2022-01-11

(86)【国際出願番号】 EP2019076315

(87)【国際公開番号】W WO2020065070

(87)【国際公開日】2020-04-02

【審査請求日】2022-08-29

(31)【優先権主張番号】1858980

(32)【優先日】2018-09-28

(33)【優先権主張国・地域又は機関】FR

(73)【特許権者】

【識別番号】507308902

【氏名又は名称】ルノー エス．ア．エス．

【氏名又は名称原語表記】ＲＥＮＡＵＬＴ Ｓ．Ａ．Ｓ．

【住所又は居所原語表記】１２２－１２２ ｂｉｓ， ａｖｅｎｕｅ ｄｕ Ｇｅｎｅｒａｌ Ｌｅｃｌｅｒｃ， ９２１００ Ｂｏｕｌｏｇｎｅ－Ｂｉｌｌａｎｃｏｕｒｔ， Ｆｒａｎｃｅ

(73)【特許権者】

【識別番号】000003997

【氏名又は名称】日産自動車株式会社

(74)【代理人】

【識別番号】110002077

【氏名又は名称】園田・小林弁理士法人

(72)【発明者】

【氏名】オベール， セバスチャン

(72)【発明者】

【氏名】ジャカローネ， ジャン－ピエール

(72)【発明者】

【氏名】ワインガートナー， フィリップ

【審査官】宮本 礼子

(56)【参考文献】

【文献】国際公開第２０１７／０５７０６０（ＷＯ，Ａ１）

【文献】特開２０１８－０６３４７６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｃ ２１／００－２１／３６

Ｇ０１Ｃ ２３／００－２５／００

Ｇ０８Ｇ １／００－９９／００

Ｂ６０Ｗ １０／００－１０／３０

Ｂ６０Ｗ ３０／００－６０／００

(57)【特許請求の範囲】

【請求項1】

自動車両（４）のための経路および／または軌道を計画するためのデバイス（２）であって、時間の関数である入力変数のシーケンスを受信するためのモジュール（６）と、受信された入力変数の前記シーケンスに基づいて、前記経路および／または前記軌道に対応する制御法を決定するためのハードウェアおよびソフトウェア手段とを備え、前記デバイス（２）は、メモリ使用量の低減のために削減された前記シーケンスのセット中の複数の前記シーケンスの分類手段を備えることを特徴とし、
可変長の入力変数の異なるシーケンスから構成された入力の前記セットが、センサーから取得された未加工変数のシーケンスと、前記車両の外部環境のマージされた表現のための変数のシーケンスと、前記車両の内部パラメータの表現のための変数のシーケンスとの中から選定された、入力変数の少なくとも１つのシーケンスを備える、デバイス（２）。

【請求項2】

前記分類手段が、可変長の出力変数の異なるシーケンスから構成された出力セットに向かう、入力の前記セットの全射を定義するように構成されている、請求項１に記載のデバイス（２）。

【請求項3】

入力の前記セットが時間入力変数のシーケンスおよび／またはメトリック入力変数のシーケンスを備える、請求項２に記載のデバイス（２）。

【請求項4】

前記出力セットが時間出力変数のシーケンスおよび／またはメトリック出力変数のシーケンスを備える、請求項２または３に記載のデバイス（２）。

【請求項5】

前記出力セットが、ルートポイントの座標のペアのシーケンスと、ルートポイントの横座標のシーケンスと、ルートポイントの縦座標のシーケンスとの中から選定された少なくとも１つの出力シーケンスを備える、請求項２から４のいずれか一項に記載のデバイス（２）。

【請求項6】

前記分類手段が、隠れマルコフ連鎖モデルおよび／または再帰型ニューラルネットワーク、好ましくは、長短期記憶再帰型ニューラルネットワーク（８）を備える、請求項１から５のいずれか一項に記載のデバイス（２）。

【請求項7】

前記分類手段が、コネクショニスト時間分類関数を使用するように構成されている、請求項１から６のいずれか一項に記載のデバイス（２）。

【請求項8】

自動車（４）のための経路および／または軌道を計画するための方法であって、時間の関数である入力変数のシーケンスを受信すること（Ｆ０１）と、入力変数の前記シーケンスに基づいて、前記自動車の前記経路および／または前記軌道に対応する制御法を決定することとを含み、前記方法は、メモリ使用量の低減のために削減された前記シーケンスのセット中の複数の前記シーケンスの分類手段の使用（Ｆ０２）を含むことを特徴とし、
前記方法は、前記分類手段によるインデックス（ｉｎｄ、ｉｎｄ _５６ ）および少なくとも１つの時間変調ファクタ（ｌｏｎ、ｌｏｎ _５ 、ｌｏｎ _６ 、ｌａｔ、ｌａｔ _５６ ）の送信（Ｆ０２）と、送信された前記インデックス（ｉｎｄ、ｉｎｄ _５６ ）に関連する経路のルックアップテーブル（１０）における読取り（Ｆ０３）と、送信された前記時間変調ファクタ（ｌｏｎ、ｌｏｎ _５ 、ｌｏｎ _６ 、ｌａｔ、ｌａｔ _５６ ）によって読み取られた前記経路の時間変調（Ｆ０４）とをさらに含む、方法。

【請求項9】

前記分類手段のオフライントレーニングフェーズ（Ｐ０１）を含み、それぞれ同じ操縦に対応する出力変数のシーケンスのセットが第１レベルグルーピングにおいてグループ化される、請求項８に記載の方法。

【請求項10】

前記オフライントレーニングフェーズ（Ｐ０１）中に、各第１レベルグルーピングについて、それぞれ、実質的に等しい実装周期および／または実質的に等しい実装距離を有する操縦に対応する変数のシーケンスのセットが、第２レベルグルーピングにおいてグループ化される、請求項９に記載の方法。

【請求項11】

前記分類手段が、縦方向の時間変調ファクタ（ｌｏｎ、ｌｏｎ_５、ｌｏｎ_６）および／または横方向の時間変調ファクタ（ｌａｔ、ｌａｔ_５６）を送信する（Ｆ０２）、請求項８から１０のいずれか一項に記載の方法。

【請求項12】

プロセッサまたは電子制御ユニットによって実行されたとき、請求項８から１１のいずれか一項に記載の方法を実装するように構成されたコードを備える、コンピュータプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、自動車のための経路および／または軌道を計画するためのデバイスおよび方法、ならびにそのような方法を実装するためのコンピュータプログラムの分野に関する。

【背景技術】

【0002】

自動車は、現在、性能のレベルを改善する高度運転支援デバイスを装備されている。高度運転支援デバイスは、自動車の自律運転、すなわち、ドライバーによる介入がない運転を可能にするものである。特に、高度運転支援デバイスは、自動車のための経路および／または軌道を計画するために役立ち得る。本出願において、「計画する」という用語およびそれの派生語は、高度運転支援デバイスの分野におけるそれらの語の通常の定義の意味で、すなわち、経路または軌道の計画は、経路または軌道に対応する将来における自動車の状態（位置、速度、加速度）の、ある状態から別の望まれる状態への連続を表すという趣旨で解釈される。本出願において、車両の経路は、出発地点と到着地点との間の車両の進行に対応する幾何学的形態として理解されよう。車両の軌道は、出発地点と到着地点との間の車両の位置の時間経過に伴う変化として理解されよう。

【0003】

自動車の経路および／または軌道を計画するための方法の知られている例は、特に、１次ラグランジュ力学方程式に基づいてモデル化された最適制御問題を解くことによる計画の方法を含む。経路および／または軌道を生成するための方法は、通常、車両の搭乗者の快適さと安全との間の良好な妥協点を見つけるように意図される。

【0004】

軌道を生成するための方法の一例（以下「Ｗｅｒｌｉｎｇ方法」）は、Ｍ． Ｗｅｒｌｉｎｇ， Ｊ． Ｚｉｅｇｌｅｒ， Ｓ． ＫａｍｍｅｌおよびＳ． Ｔｈｒｕｎによる「Ｏｐｔｉｍａｌ ｔｒａｊｅｃｔｏｒｙ ｇｅｎｅｒａｔｉｏｎ ｆｏｒ ｄｙｎａｍｉｃ ｓｔｒｅｅｔ ｓｃｅｎａｒｉｏｓ ｉｎ ａ Ｆｒｅｎｅｔ ｆｒａｍｅ， ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉｏｎ」［１］という論文中に見つけられ得る。Ｗｅｒｌｉｎｇ方法は、最適制御問題を解くために間接的手法に関する。この手法によれば、入力パラメータのうちのいくつかが選択され、最適制御問題は、選択された入力パラメータのみを考慮に入れることによって部分的に解かれ、解は、選択されていない入力パラメータと選択された入力パラメータとを使用して帰納的に検証される。しかしながら、多数の入力パラメータが考慮に入れられることにより、間接的手法の使用はロバストネスを欠いている。その上、衝突回避の制約が帰納的に検証されることの結果として、多数の経路および／または軌道の計画が衝突の危険のために最終的に拒否されることになり、したがって、多くのリソースが大量の拒否される計算のために使用され得る。

【0005】

軌道計画方法の別の例（以下で「Ｍｅｒｃｙ方法」）は、Ｔ． Ｍｅｒｃｙ， Ｗ． Ｖａｎ Ｌｏｏｃｋ， Ｇ． ＰｉｐｅｌｅｅｒｓおよびＪ． Ｓｗｅｖｅｒｓによる「Ｔｉｍｅ‐ｏｐｔｉｍａｌ ｍｏｔｉｏｎ ｐｌａｎｎｉｎｇ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｍｏｖｉｎｇ ｏｂｓｔａｃｌｅｓ」［２］という論文に記載されている。この例は、最適制御問題を解くために直接的手法を使用する。その直接的手法によれば、すべての制約が、問題を解く際に検討される。したがって、本発明はＷｅｒｌｉｎｇ方法よりもＭｅｒｃｙ方法に近い。しかしながら、Ｍｅｒｃｙ方法に関連するアルゴリズムの複雑さにより、自動車に搭載されたデバイス中に組み込むことは不可能である。

【0006】

経路および／または軌道計画方法の他の例は、各障害物が、車両がその障害物に接近することを防ぐ傾向がある抗重力場を生成する、ポテンシャル場方法を含む。しかしながら、そのような方法は、極小値におけるブロッキングの危険を伴い、したがって、経路および／または軌道計画の問題への最良の解を生成することに失敗し得る。

【発明の概要】

【0007】

上記に鑑みて、本発明の目的は、上述の欠点を克服しながら、自動車のための経路および／または軌道が計画されることを可能にすることである。

【0008】

より詳細には、本発明は、計算複雑さを低減しながら、十分にロバストである経路および／または軌道生成の実装を可能にすることを提案する。

【0009】

この目的で、入力変数のシーケンスを受信するためのモジュールと、受信された入力変数のシーケンスに従って、経路および／または軌道に対応する制御法（control law）を決定するためのハードウェアおよびソフトウェア手段とを備える、自動車のための経路および／または軌道を計画するためのデバイスが提案される。

【0010】

本発明の一般的な特性のうちの１つによれば、本デバイスは、コンパクト表現のセット中の時間分類手段を備える。

【0011】

時間分類手段を使用することによって、履歴に基づいて経路および／または軌道を計画することが可能である。そのような手法は、比較的小さい複雑さを有しながら、Ｍｅｒｃｙ方法の場合のように、すべての入力パラメータが考慮に入れられることを可能にする。事実上、時間分類手段を使用する場合、アルゴリズムの設計および調整のために大量の作業が必要とされるが、計画の推論フェーズのために必要とされる作業は少量である。計算リソース要件は、したがって、オンライン推論状況からオフライントレーニングフェーズにシフトされる。

【0012】

本出願において、「制御法」という表現は、経路または軌道に対応する制御法は、シャシーの物理的制約をモデル化しながら、車両に経路または軌道をたどらせるようにアクチュエータを動作させるために必要とされるコマンドのセットを含むという意味で解釈される。

【0013】

「時間分類」という表現は、時間の関数である複数の入力シーケンスを分類する行為を示す。

【0014】

「コンパクト表現のセット」という表現は、コンパクトな状態への変更の動作、すなわち、たとえば、入力シーケンス中の時間の概念の喪失、または入力シーケンスのいくつかのポイントの、それらのメモリフットプリントを低減する目的での削除を受けた入力シーケンスによって形成されるセットを示す。

【0015】

一実施形態によれば、時間分類手段は、可変長の出力変数の異なるシーケンスから構成された出力のセットに向かう、可変長の入力変数の異なるシーケンスから構成された入力のセットの全射を定義するように構成される。

【0016】

そのような特性は、特に、時間分類手段の使用により可能になる。したがって、時間分類手段は、事前定義された長さの入力変数のシーケンスを選択しないが、時間分類手段が満足な解を決定するために十分なデータを有するまで、入力変数を受信し続けるので、シーケンスの長さが増加する。入力のセットと出力のセットとの間の全射は、記憶された軌道の異なるクラスに対応する、出力軌道のセットへの入力軌道のセットの全射適用である。たとえば、その適用は、使用されるシステムが、学習中に見られない軌道に対して内挿または外挿を行うことも可能である、グルーピングに属し得る。本出願において、シーケンスの長さは、時間的である、すなわち、シーケンスのサンプリング周期に対応するか、またはメトリックである、すなわち、シーケンスのサンプリング距離に対応し得る。同様に、時間分類手段は、それの出力において、任意の長さを取り得る変数のシーケンスを生成する。

【0017】

好ましくは、入力のセットは時間入力変数のシーケンスおよび／またはメトリック入力変数のシーケンスを備える。

【0018】

そのような変形態によれば、軌道の様々なクラスが、時間分類を介して、ただし、可能なケースのより良い表現のために異なる長さの軌道とともに、入力のセット中のメモリに記憶される。

【0019】

有利には、入力のセットは、センサーから取得された未加工変数のシーケンスと、車両の外部環境のマージされた表現のための変数のシーケンスと、車両の内部パラメータの表現のための変数のシーケンスと、エージェントの挙動の表現のための変数のシーケンスと、エージェントの意図の表現のための変数のシーケンスとの中から選定された、入力変数の少なくとも１つのシーケンスを備える。

【0020】

本出願において、「表現」という用語は、イベント、パラメータ、状態などを表すデータのセットを意味するように取られる。「マージされた表現」は、異なるセンサーおよび／または推定器から取得されるデータをマージすることから取得されるデータのセットである。

【0021】

一実施形態では、出力のセットは時間出力変数のシーケンスおよび／またはメトリック出力変数のシーケンスを備える。

【0022】

好ましくは、出力のセットは、ルートポイントの座標のペアのシーケンスと、ルートポイントの横座標のシーケンスと、ルートポイントの縦座標のシーケンスとの中から選定された少なくとも１つの出力シーケンスを備える。

【0023】

別の実施形態では、時間分類手段は、コネクショニスト時間分類機能を使用するように構成される。

【0024】

時間分類機能は、隠れマルコフ場、ＲＮＮ－ＬＳＴＭ、ＲＮＮ－ＬＳＴＭ－ＣＴＣ（コネクショニスト）など、様々なタイプのものであり得る。そのような機能を使用することによって、時間分類手段の効果的なトレーニングを実装することが可能である。

【0025】

また別の実施形態によれば、時間分類手段は、隠れマルコフ連鎖モデルおよび／または再帰型ニューラルネットワーク、好ましくは、短期および長期記憶をもつ再帰型ニューラルネットワークを備える。

【0026】

そのような例は、オフライントレーニングフェーズ中に容易にトレーニングされ得るので、時間分類手段を形成するために特に好適である。

【0027】

別の態様によれば、入力変数のシーケンスを受信することと、入力変数のシーケンスに基づいて、自動車の経路および／または軌道に対応する制御法を決定することとを含む、自動車のための経路および／または軌道を計画するための方法が提案される。

【0028】

本態様の一般的な特性のうちの１つによれば、この方法は、コンパクト表現のセット中の時間分類手段を使用することを含む。

【0029】

一実施形態によれば、本方法は、それぞれ同じ操縦に対応する出力変数のシーケンスのセットが第１レベルグルーピングにおいてグループ化される、時間分類手段のオフライントレーニングフェーズを含む。

【0030】

そのようなグルーピングは、推論フェーズ中の時間分類手段の正しい動作の目的のために、時間分類手段を作成するために特に好適である。

【0031】

本出願において、「オフライン」という表現は、オフラインフェーズが、車両が制御法によって制御される周期外に、たとえば、車両が動いていないときに行われることを意味するように取られる。

【0032】

一実施形態によれば、オフライントレーニングフェーズ中に、各第１レベルグルーピングについて、それぞれ、実質的に等しい実装周期および／または実質的に等しい実装距離を有する操縦に対応する変数のシーケンスのセットが、第２レベルグルーピングにおいてグループ化される。

【0033】

したがって、時間分類手段の調整は、それによって計算複雑さを増加させることなしに、計画のロバストネスを増加させるように一層改良される。

【0034】

一実施形態では、本方法は、時間分類手段によるインデックスおよび少なくとも１つの時間変調ファクタの送信と、送信されたインデックスに関連する経路のルックアップテーブルにおける読取りと、送信された時間変調ファクタによって読み取られた経路の時間変調とを含む。

【0035】

したがって、本発明による方法は、特に、パラメータになる、時間に対する自由度をもつ、いくつかの経路パターンを記憶することにある。これにより、計算複雑さを一層制限することが可能になる。

【0036】

有利には、時間分類手段は縦方向の時間変調ファクタおよび／または横方向の時間変調ファクタを送信する。

【0037】

また別の態様によれば、プロセッサまたは電子制御ユニットによって実行されたとき、上記で定義された方法を実装するように構成されたコードを備える、コンピュータプログラムが提案される。

【0038】

本発明の他の目的、特性および利点は、単に非限定的な例として、添付の図を参照しながら与えられる、下の説明を熟読することから明らかになろう。

【図面の簡単な説明】

【0039】

【図1】本発明の一実施形態による計画デバイスの概略表現を示す図である。

【図2】本発明の一実施形態による計画方法の概略表現を示す図である。

【図3】図２の方法の第１のフェーズを示す図である。

【図4】図２の方法の第２のフェーズを示す図である。

【図5】車両の２つの運転状況のうちの１つにおける経路の選定を概略的に示す図である。

【図6】車両の２つの運転状況のうちの１つにおける経路の選定を概略的に示す図である。

【発明を実施するための形態】

【0040】

図１を参照すると、計画デバイス２が概略的に表されている。デバイス２は、それがその中に組み込まれた自動車４のための経路を計画するように意図される。明らかに、本発明の範囲から逸脱することなく、車両４の軌道を計画するためのデバイス２の構成を想定することが可能である。図示の例では、車両４は自律的に運転される。本発明の範囲から逸脱することなく、自律的に運転されない、すなわち、ドライバーによって運転される、デバイス２を組み込んだ車両を想定することが可能である。この場合、デバイス２は、たとえば危険の状況においてのみ、ドライバーに支援を与えることが意図される。

【0041】

図示の例では、デバイス２は自律運転アーキテクチャ（図示せず）の一部を形成する。より詳細には、デバイス２は、自律運転アーキテクチャに属する、予測モジュール（図示せず）と、センサーマージングモジュール（図示せず）と、ロケーションモジュール（図示せず）とデータリンクされる。

【0042】

デバイス２は、自律運転アーキテクチャの他のモジュールと車両のオンボードコンピュータとデータリンクされた、受信モジュール６を備える。より正確には、モジュール６は、入力変数の複数のシーケンスを受信することが可能である。シーケンスは、変数によって取られる値のセットである。時間シーケンスは、複数の異なる時点において変数によって取られる値のセットである。メトリックシーケンスは、複数の異なる位置において変数によって取られる値のセットである。図示の例では、シーケンスは、時間的であり、４０ｍｓの間隔によって分離された複数の時点において取られた変数の値から構成される。

【0043】

図示の例では、モジュール６は入力ベクトルのシーケンスを受信し、入力ベクトルのスカラーは、内部制約および外部制約であり得る入力変数である。内部制約は、特に、車両４における乗員の快適さと安全とに関係し、ドライバーの意図、将来の操縦の予測、車両４の速度、または乗員による車両４の運転モードの入力を含む。外部制約は、特に、環境条件と交通とに関係し、他の車両の位置、速度および加速度、道路の曲率、気象条件、路面のタイプ、昼間もしくは夜間条件、または視界に関する情報を含む。

【0044】

デバイス２は、一般的に、英語用語「Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ」または対応する頭字語「ＲＮＮ」によって指定される、再帰型ニューラルネットワーク８を備える。再帰型ニューラルネットワークの例について述べている『Ｒｏｂｏｔ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ』という雑誌におけるＹ．－Ｍ． ＬｅｅおよびＪ．－Ｈ． Ｋｉｍによる「Ｔｒａｊｅｃｔｏｒｙ Ｇｅｎｅｒａｔｉｏｎ Ｕｓｉｎｇ ＲＮＮ ｗｉｔｈ Ｃｏｎｔｅｘｔ Ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ Ｍｏｂｉｌｅ Ｒｏｂｏｔｓ」［３］という文献が参照され得る。再帰型ニューラルネットワーク８は受信モジュール６とデータリンクされる。

【0045】

図示の例では、再帰型ニューラルネットワーク８は長短期記憶タイプのものである。この特性は、一般的に、英語の用語「Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ」または対応する頭字語「ＬＳＴＭ」によって指定される。

【0046】

再帰型ニューラルネットワーク８は、コネクショニスト時間分類機能を使用するように構成される。そのような機能は、一般的に、英語用語「Ｃｏｎｎｅｃｔｉｏｎｉｓｔ Ｔｅｍｐｏｒａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」または対応する頭字語「ＣＴＣ」によって指定される。したがって、再帰型ニューラルネットワーク８はデバイス２のための時間分類手段を形成する。さらに、再帰型ニューラルネットワークの使用により、可変長の入力変数のシーケンスを収集することによって、可変長の出力変数のシーケンスを生成することが可能になる。

【0047】

再帰型ニューラルネットワーク８は、受信モジュール６によって受信された入力変数に基づいて、インデックスｉｎｄ、縦方向変調ファクタｌｏｎおよび横方向変調ファクタｌａｔを決定し、送信するように構成される。より詳細には、変数ｉｎｄ、ｌｏｎおよびｌａｔは、安全度を保証し、障害物を回避し、操縦の最大長を順守しながら、操縦中に車両４が受ける横方向ジャークの和を最小にするように決定される。

【0048】

明らかに、本発明は再帰型ニューラルネットワーク８の使用に限定されない。特に、英語用語「Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ」または対応する頭字語「ＨＭＭ」によっても知られている、隠れマルコフモデルを使用することが可能である。

【0049】

デバイス２はルックアップテーブル１０を有する。テーブル１０は、英語名「Ｌｏｏｋ－Ｕｐ Ｔａｂｌｅ」または対応する頭字語「ＬＵＴ」によって指定され得る。テーブル１０は再帰型ニューラルネットワーク８とデータリンクされる。テーブル１０は、インデックスｉｎｄに基づいた複数の経路形状を含んでいる。テーブル１０中に記憶された経路形状は車両４のための可能な経路に対応する。

【0050】

デバイス２は時間変調器１２を備える。変調器１２は、再帰型ニューラルネットワーク８とテーブル１０とデータリンクされる。より正確には、変調器１２は、それぞれ、再帰型ニューラルネットワーク８によって供給された縦方向および横方向変調ファクタに基づいて、テーブル１０によって供給された経路を形成するポイントの縦方向および横方向位置を、時間に関して、変調を行うことが可能である。言い換えれば、変調器１２は、テーブル１０によって供給された経路を拡大または縮小することが可能である。変調器１２によって拡大または縮小された経路は、ルートポイントの時間シーケンスを決定する速度プロファイルに関連付けられる。この時間シーケンスは車両４の制御法デバイス（図示せず）に供給される。

【0051】

図２を参照すると、このことは、デバイス２によって実装され得る、自動車４のための経路を計画するための方法の主要なフェーズを示す。

【0052】

本方法は、再帰型ニューラルネットワーク８をトレーニングする第１のフェーズＰ０１を含む。フェーズＰ０１は、車両４の搭載コンピュータ（図示せず）がオフラインであるとき、すなわち、車両４の納入前、車両４のサービス中、または車両４の長期駐車中に実装される。

【0053】

図３を参照すると、フェーズＰ０１は、実際のドライバー挙動を記録する第１のステップＥ０１を含む。たとえば、車両４と同じモデルの車両上のテストドライバーの挙動が記録され得る。挙動と同時に、操縦のタイプが認識され、記録され得る。たとえば、同じ車線または異なる車線であり得る、交通車線の中央に到達するために交通車線の中央を離れる行為が認識され、記録され得る。

【0054】

フェーズＰ０１は、記録されたデータを操縦のタイプによってグループ化する第２のステップＥ０２を含む。より正確には、ステップＥ０２において、それぞれ、ステップＥ０１において記録されたそれぞれの操縦に対応する、第１のレベルにおける複数のグループが作成される。たとえば、ステップＥ０１中に、それぞれ、交通車線を変更する操縦と、同じ交通車線中において再センタリングする操縦と、緊急制動操縦と、車両の緊急事態回避操縦とについて、データが記録された場合、４つの第１レベルグループがそれぞれ上述の４つの操縦に関連付けられる。

【0055】

本方法は、記録されたデータを操縦の長さによってグループ化する第３のステップＥ０３を含む。ステップＥ０３において、それぞれ、ステップＥ０１において記録された操縦のそれぞれの長さに対応する、第２のレベルにおける複数のグループが各第１レベルグループ中に作成される。たとえば、それぞれ、２０メートル（＋／－１０％）の距離にわたる緊急制動操縦と、３０メートル（＋／－１０％）の距離にわたる緊急制動操縦と、５０メートル（＋／－１０％）の距離にわたる緊急制動操縦とについて、データが記録された場合、緊急制動操縦に関連付けられた第１レベルグループは、それぞれ、操縦の上述の３つの長さに関連付けられた３つの第２レベルグループに再分割される。

【0056】

フェーズＰ０１は、テーブル１０を強化する第４のステップＥ０４を含む。ステップＥ０４において、ステップＥ０１において受信された軌道が、テーブル１０中に記憶された軌道を改良するために使用される。

【0057】

フェーズＰ０１は、ステップＥ０２およびＥ０３において定義された異なるグループに関連付けられた特有の特性を分離するステップＥ０５を含む。特に、ステップＥ０５において、特有の特性は以下のとおりであり得る：
車両４に関する状態情報、周囲の物体に関する状態情報、各近隣車両について、その近隣車両の位置、速度および加速度、ならびにその近隣車両の周りのフリースペースまたはリスクフリースペースを、交通車線の境界線と一緒に表すマップなど、モジュールをマージすることから取得された情報、
路面、天気予報、昼間もしくは夜間条件、または視界情報など、コンテキストに関係する情報、
運転モードの選択など、車両４に関係する情報、
インジケータの実際の動作またはシミュレートされた動作、方位角の急激な変化、（緊急制動の意図が検出されるように）急ブレーキなど、意図に関する情報。

【0058】

フェーズＰ０１は、時間分類手段を定義するステップＥ０６を含む。この場合、ＣＴＣ機能を使用するＲＮＮ－ＬＳＴＭタイプの再帰型ニューラルネットワーク８がステップＥ０６において定義される。

【0059】

フェーズＰ０１は、再帰型ニューラルネットワーク８をトレーニングするステップＥ０７を含む。ステップＥ０７は、ステップＥ０５において分離された特有の特性のセットを入力として使用することによって、ならびにステップＥ０１、Ｅ０２およびＥ０３において記録され、グループ化された可能な軌道を出力として使用することによって実装される。

【0060】

本発明は、示された例を参照しながら上記で説明したステップに限定されない。特に、ステップＥ０２およびＥ０３において実装されるグルーピング技法を使用する代わりに、競合学習ストラテジーが使用され得る。使用され得る他の変形態は、Ｃ． Ｓｕｎｇ， Ｄ． ＦｅｌｄｍａｎおよびＤ． Ｒｕｓ．による「Ｔｒａｊｅｃｔｏｒｙ ｃｌｕｓｔｅｒｉｎｇ ｆｏｒ ｍｏｔｉｏｎ ｐｒｅｄｉｃｔｉｏｎ， Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｓ ａｎｄ Ｓｙｓｔｅｍｓ」［４］という刊行物に記載されている。

【0061】

図２を参照すると、本方法は推論の第２のフェーズＰ０２を含む。フェーズＰ０２はオンラインで実行される。すなわち、フェーズＰ０２は、車両４が走行しているときに常時実装される。フェーズＰ０１は上記で示され、フェーズＰ０２の前に説明されているが、フェーズＰ０１はフェーズＰ０２の後および／または前にあり得る。

【0062】

図４を参照すると、フェーズＰ０２は、入力変数のシーケンスを受信する第１のステップＦ０１を含む。受信された入力変数のシーケンスはｎ個のベクトルから構成され、各ベクトルは、ｉが１からｎまでの範囲中にある、時点ｔ_ｉにおいてモジュール１０によって受信された異なる入力変数から構成される。数ｎの値は、入力変数のシーケンスの長さが、関連がある値ｉｎｄ、ｌｏｎおよびｌａｔを決定するのに十分であるように選定される。入力変数は、フェーズＰ０１のステップＥ０５において分離された特有の特性と実質的に同じ特有の特性であり、一般に、ロードホールディングおよび視界条件など、センサーマージングモジュールから取得されたデータ、およびいくつかの特定のセンサーからの他の情報、または挙動計画者からの意図に関する情報である。実装のこの例では、受信されたシーケンスは時間的である。別のタイプのシーケンス、特にメトリックシーケンスが、本発明の範囲から逸脱することなく想定され得る。

【0063】

フェーズＰ０２は、再帰型ニューラルネットワーク８中に入力変数のシーケンスを入力する第２のステップＦ０２を含む。ステップＦ０２において、受信モジュール８によって供給された、インデックスｉｎｄ、縦方向変調ファクタｌｏｎおよび横方向変調ファクタｌａｔが収集される。

【0064】

フェーズＰ０２は、テーブル１０中にインデックスｉｎｄを入力する第３のステップＦ０３を含む。ステップＦ０３において、テーブル１０によって供給される経路形状が収集される。

【0065】

フェーズＰ０２は、ステップＦ０３において収集された経路形状を時間変調する第４のステップを含む。ステップＦ０４において、ステップＦ０３において収集された経路形状の、ファクタｌｏｎに対する縦方向の拡大または縮小が実行され、ステップＦ０３において収集された経路形状の、ファクタｌａｔに対する横方向の拡大または縮小が実行される。

【0066】

フェーズＰ０２は、衝突回避のために検査を行うステップＦ０５を含む。ステップＦ０５において、ステップＦ０４の終わりに取得された変調された経路が、車両４と別の物体との衝突の危険を伴わないかことが検査される。別の物体との衝突の危険がある場合、フェーズＰ０２が異なる経路の選択とともに反復されるように、エラー信号が送信される。

【0067】

図５および図６は、車両４のためにデバイス２によって計画され得る経路の例を示す。図５は車両４の第１の運転状況を示し、図６は車両４の第２の運転状況を示す。

【0068】

図５および図６は、第１の境界線１６と、第２の境界線１８と、第３の境界線２０とによって横方向に画定された複数の交通車線を備える道路１４を概略的に示す。線１６と線１８との間に位置する車線のセンターライン２２、および線１８と線２０との間に位置する車線のセンターライン２４も概略的に示されている。２つの運転状況において、経路は、車両４が交通車線を変更することを可能にするように計画される。横方向速度は初期状態および最終状態において０である。縦方向速度は初期状態および最終状態について同じである。

【0069】

図５を参照すると、円の連続によって概略的に表された経路２６が、再帰型ニューラルネットワーク８による対応するインデックスｉｎｄ_５６の送信の後に、テーブル１０によって供給される。経路２６は、本発明による方法のステップＦ０３において収集された経路形状に対応する。再帰型ニューラルネットワーク８は、操縦全体にわたる横方向ジャークの和を最小にするように選定されたファクタｌｏｎ_５を供給する。図５および図６の例では、再帰型ニューラルネットワークによって供給されるファクタｌａｔ_５６は１に等しい。×印の連続によって概略的に表された経路２８は、再帰型ニューラルネットワーク８によって送信されたファクタｌｏｎ_５の影響の下で変調器１２によって縦方向に拡大された経路に対応する。経路２８は、本発明による方法のステップＦ０４の終わりに取得された変調された経路に対応する。これらの条件では、車両４は経路２８をたどる。

【0070】

図６を参照すると、第１の障害物２８および第２の障害物３０が道路１４上に配置されている。再帰型ニューラルネットワーク８によって供給されるインデックスｉｎｄ_５６は図５の場合と同じである。したがって、図５の経路２６はここでも見られる。しかしながら、再帰型ニューラルネットワーク８は、障害物２８および３０の存在を考慮に入れ、障害物２８および３０を回避することを可能にするためにファクタｌｏｎ_６を送信する。×印の連続によって概略的に表された経路３２は、ファクタｌｏｎ_６の影響の下で変調器１２によって縦方向に縮小された経路に対応する。経路３２は、したがって、ステップＦ０４の終わりに取得された変調された経路に対応し、この動作モードにおいて車両４がたどる経路になる。

【0071】

上記に鑑みて、本発明は、推論フェーズにおいて計算リソースをほとんど使用することなく、考慮に入れられ得るすべての内部制約と外部制約とを斟酌しながら、最適な経路および／または軌道を与えることを可能にする。特に、時間分類手段を使用することによって、計算リソースのための要件がオフライントレーニングフェーズに移されるので、計画の複雑さを制限しながら、ロバストな計画を取得することが可能になる。

【0072】

引用された刊行物のリスト：
[1] Moritz Werling, Julius Ziegler, Soren Kammel et al. Optimal trajectory generation for dynamic street scenarios in a frenet frame. In: Robotics and Automation (ICRA), 2010 IEEE International Conference on. IEEE, 2010. pp. 987-993 (ISBN 978-1-4244-5040-4).

[2] Tim Mercy, Wannes Van Loock, Goele Pipeleers, et al. Time-optimal motion planning in the presence of moving obstacles. 2015.

[3] You-Min Lee and Jong-Hwan Kim. Trajectory Generation Using RNN with Context Information for Mobile Robots. In: Robot Intelligence Technology and Applications 4. Springer, Cham, 2017. pp. 21-29 (ISBN: 978-3-319-31291-0).

[4] Cynthia Sung, Dan Feldman, and Daniela Rus. Trajectory clustering for motion prediction. In: Intelligent Robots and Systems (IROS), 2012 IEEE/RSJ International Conference on. IEEE, 2012. pp. 1547-1552.

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】