知財求人 - 知財ポータルサイト「IP Force」
特許7651071動的環境におけるコネクテッド自動運転車両のための大域的マルチ車両意思決定システム
(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】2025-03-14
(45)【発行日】2025-03-25
(54)【発明の名称】動的環境におけるコネクテッド自動運転車両のための大域的マルチ車両意思決定システム
(51)【国際特許分類】
G08G 1/09 20060101AFI20250317BHJP
G08G 1/00 20060101ALI20250317BHJP
【ＦＩ】
G08G1/09 F
G08G1/00 C
【請求項の数】
23
(21)【出願番号】P 2024526019
(86)(22)【出願日】2022-03-18
(65)【公表番号】
(43)【公表日】2024-07-25
(86)【国際出願番号】 JP2022014754
(87)【国際公開番号】W WO2023007849
(87)【国際公開日】2023-02-02
【審査請求日】2024-01-11
(31)【優先権主張番号】17/389,722
(32)【優先日】2021-07-30
(33)【優先権主張国・地域又は機関】US
(73)【特許権者】
【識別番号】000006013
【氏名又は名称】三菱電機株式会社
(74)【代理人】
【識別番号】110001195
【氏名又は名称】弁理士法人深見特許事務所
(72)【発明者】
【氏名】クイリネン，リエン
(72)【発明者】
【氏名】ディ・カイラノ，ステファノ
(72)【発明者】
【氏名】ラビクマール，シュリージット
(72)【発明者】
【氏名】バガット，アクシャイ
(72)【発明者】
【氏名】ゼイノ，エヤド
【審査官】武内 俊之
(56)【参考文献】
【文献】特開２００８－１２９８０４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０８Ｇ １／００
Ｇ０８Ｇ １／０９
(57)【特許請求の範囲】
【請求項1】
１台または複数台の無制御車両（ＮＣＶ）と、１つまたは複数のコンフリクトゾーンと、１つまたは複数のコンフリクトのない道路区間とを含む相互に接続された交通網にある１台または複数台のコネクテッド自動運転および／または半自動車両（ＣＡＶ）についてのリアルタイムのモーションプランニングおよび調整を提供するための大域的マルチ車両意思決定システムであって、路側機（ＲＳＵ）を介してインフラストラクチャセンシング信号を取得し、１つまたは複数の所望の目的地に向かうコネクテッド自動運転車両（ＣＡＶ）の状態および計画されている今後のルーティング情報についてのタイプ１フィードバック信号を取得し、無制御車両（ＮＣＶ）の状態および予測される今後のルーティング情報についてのタイプ２フィードバック信号を取得するように構成された受信部を備え、
前記受信部は、シッピングヤード管理システムとデータ通信を行うように構成され、前記シッピングヤード管理システムは、マッピング情報、１台もしくは複数台のＣＡＶの長期計画されている今後のルーティング情報、ならびに／または１つもしくは複数のＮＣＶの短期予測される今後のルーティング情報を提供するために前記大域的マルチ車両意思決定システムに接続される集中型タスク割り当て、ジョブスケジュール管理、マッピングおよびナビゲーションシステムを含み、
前記マッピング情報と、大域的マルチ車両意思決定プログラムを含むコンピュータにより実行可能なプログラムとを記憶するように構成された少なくとも１つのメモリと、
前記少なくとも１つのメモリと接続されており、処理ステップを実行するように構成された少なくとも１つのプロセッサとを備え、前記処理ステップは、
前記インフラストラクチャセンシング信号、前記タイプ１フィードバック信号、前記タイプ２フィードバック信号、および前記マッピング情報に基づいて大域的混合整数計画（ＭＩＰ）問題を定式化するステップを備え、
前記ＭＩＰ問題は、優先順位がより高い１つまたは複数の車両の走行時間および／または待ち時間に対して比較的大きな重み値を選択することによって、シッピングヤードの前記相互に接続された交通網内でタスクを実行する前記車両のそれぞれの間の優先順位の階層を保証する重み付き多目的最小化を実行し、
前記処理ステップは、さらに、
前記ＭＩＰ問題を解くことによって、相互に接続された交通網における各ＣＡＶおよび各ＮＣＶのモーションプランを計算するステップを備え、
前記モーションプランは、１つもしくは複数のトラック、１人もしくは複数人の交通誘導員、または１人もしくは複数人のヤードジョッキーについて計算され、前記１つもしくは複数のトラック、前記１人もしくは複数人の交通誘導員、または前記１人もしくは複数人のヤードジョッキーのそれぞれは、カーゴを効率よく積み込むまたは荷下ろしするためのシッピングヤード内のルートに沿った制御車両または無制御車両のいずれかであり、
前記処理ステップは、さらに、
交通網内の計画されている今後のルートまたは予測される今後のルートに沿った各道路区間における各ＣＡＶおよび各ＮＣＶにとって最適な一連の進入時間および脱出時間ならびに一連の平均速度を計算するステップと、
予測時間範囲にわたるＣＡＶ毎の速度分布および／または１つもしくは複数の計画的停止を計算するステップとを含み、
前記ＣＡＶのそれぞれに、前記相互に接続された交通網における各ＣＡＶの多層誘導および制御アーキテクチャに前記速度分布および／または前記１つもしくは複数の計画的停止を送信するように構成された送信部をさらに備える、大域的マルチ車両意思決定システム。
【請求項2】
前記無制御車両（ＮＣＶ）は、前記大域的マルチ車両意思決定システムが制御できない１台もしくは複数台の人が運転する車両および／または１台もしくは複数台の（半）自動運転車両を含み得る、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項3】
前記コンフリクトゾーンは、前記相互に接続された交通網の複数の道路区間にある複数の車線を物理的につなげることができる１つもしくは複数の合流部、および／または１つもしくは複数の交通交差点を含み得る、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項4】
前記受信部は、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｅｖｅｒｙｔｈｉｎｇ）通信を利用して、１台もしくは複数台のＣＡＶおよび／または１つもしくは複数のＲＳＵから前記タイプ１フィードバック信号を取得する、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項5】
前記受信部は、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ－ｔｏ－ｅｖｅｒｙｔｈｉｎｇ）通信を利用して、１つもしくは複数のＮＣＶおよび／または１つもしくは複数のＲＳＵから前記タイプ２フィードバック信号を取得する、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項6】
前記大域的マルチ車両意思決定プログラムは、１つまたは複数のＭＥＣ（モバイルエッジコンピュータ）が備える１つまたは複数のプロセッサによって後退ホライズン実装で実行される、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項7】
前記大域的マルチ車両意思決定プログラムは、クラウドベースのコンピューティングシステムが備える１つまたは複数のプロセッサによって後退ホライズン実装で実行される、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項8】
集中型タスク割り当て、マッピングおよびナビゲーションシステムは、前記マッピング情報、１台もしくは複数台のＣＡＶについての前記長期計画されている今後のルーティング情報、および／または１つもしくは複数のＮＣＶについての前記短期予測される今後のルーティング情報を提供するために前記大域的マルチ車両意思決定システムに接続される、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項9】
自転車および歩行者を含む動的交通参加者についての安全性制約は、ＣＡＶ毎の前記多層誘導および制御アーキテクチャにおけるモーションプランニングおよび／または車両制御のための車載モジュールによって守られる、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項10】
前記インフラストラクチャセンシング信号は、たとえば、レンジファインダー、レーダー、ライダー、およびカメラを含む１つまたは複数のセンサーからの信号を含み得る、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項11】
ＣＡＶの前記タイプ１フィードバック信号に含まれる前記状態情報、およびＮＣＶの前記タイプ２フィードバック信号に含まれる前記状態情報は、各車両の現在地、現在のヨー角、および／または現在の速度を含み得る、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項12】
前記マッピング情報は、コンフリクトのない道路区間の位置データ、１つもしくは複数の合流部および／または１つもしくは複数の交通交差点を含んだコンフリクトゾーンの位置データ、ならびに、前記交通網の前記道路区間のそれぞれおよび前記コンフリクトゾーンのそれぞれの中にある１つまたは複数の走行車線の位置データを含む、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項13】
前記タイプ１フィードバック信号および前記タイプ２フィードバック信号に含まれる前記計画されている今後のルーティング情報または前記予測される今後のルーティング情報は、車両毎に、前記車両が現在位置する前記道路区間および走行車線から始まる、所望の目的地に向かう一連の今後の道路区間およびこれらの道路区間内の今後の走行車線を含む、請求項１２に記載の大域的マルチ車両意思決定システム。
【請求項14】
前記ＭＩＰ問題は、ＭＩＬＰ（混合整数線形計画）またはＭＩＱＰ（混合整数二次計画）問題であり、前記最適化変数は、前記交通網の前記道路区間およびコンフリクトゾーンのそれぞれにおける前記ＣＡＶのそれぞれおよび前記ＮＣＶのそれぞれの進入時間変数および脱出時間変数、逆平均速度変数、ならびに１つまたは複数の二値最適化変数を含む、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項15】
前記ＭＩＰ問題は、前記ＣＡＶおよび／またはＮＣＶのそれぞれについての車両の動的等式制約ならびに１つまたは複数の速度制限制約を含む、請求項１４に記載の大域的マルチ車両意思決定システム。
【請求項16】
前記ＭＩＰ問題は、前記ＣＡＶのそれぞれおよび前記ＮＣＶのぞれぞれの前記計画されている今後のルートまたは前記予測される今後のルートにある後続道路区間からの脱出時と進入時の順序を守らせるための車両ルーティング不等式制約を含む、請求項１４に記載の大域的マルチ車両意思決定システム。
【請求項17】
前記ＭＩＰ問題は、車両のペアが同じコンフリクトゾーンのコンフリクトする走行車線を同じ時間に走行することを禁止することを徹底することによって前記モーションプランにおける潜在的な衝突を回避するための１つまたは複数の安全性制約を、前記交通網の前記コンフリクトゾーンのそれぞれについて含む、請求項１４に記載の大域的マルチ車両意思決定システム。
【請求項18】
前記安全性制約は、たとえば、前記ＭＩＰ問題の混合整数線形不等式制約のセットでのＢｉｇ－Ｍ定式化に基づいて、１つの二値最適化変数を前記交通網における車両のペア毎および前記コンフリクトゾーンのそれぞれに用いて施行される、請求項１７に記載の大域的マルチ車両意思決定システム。
【請求項19】
前記ＭＩＰ問題は、同じ道路区間内の同じ走行車線を走行すると計画または予測される車両の任意のペア間の順序を固定することを守らせるための１つまたは複数の占有期間制約を前記交通網にある前記道路区間のそれぞれについて含む、請求項１４に記載の大域的マルチ車両意思決定システム。
【請求項20】
前記占有期間制約は、たとえば、前記ＭＩＰ問題の混合整数線形不等式制約のセットでのＢｉｇ－Ｍ定式化に基づいて、１つの二値最適化変数を前記交通網における車両のペア毎および前記道路区間のそれぞれに用いて施行される、請求項１９に記載の大域的マルチ車両意思決定システム。
【請求項21】
前記ＭＩＰ問題は、たとえば、前記交通網における前記車両のそれぞれの走行時間、待ち時間、および／またはエネルギー消費の重み付き組合せを最小化するために、１つまたは複数の目的項の重み付き和を含む重み付き多目的最小化を実行する、請求項１４に記載の大域的マルチ車両意思決定システム。
【請求項22】
前記ＭＩＰ問題は、分枝限定法、分枝切除法、または分枝価格法最適化アルゴリズムを用いて解くことができる、請求項１に記載の大域的マルチ車両意思決定システム。
【請求項23】
前記モーションプランは、たとえば、整数丸め方式、実現可能性ポンプ法、近似最適化アルゴリズム、または機械学習技術の使用に基づいて前記ＭＩＰ問題に対する実行可能であるが最適に満たない解を計算するために、ヒューリスティック最適化アルゴリズムを用いて計算される、請求項１に記載の大域的マルチ車両意思決定システム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、概して、最適化による制御に関し、特に、交通網内の動的環境におけるコネクテッド自動運転車両のための、最適化による大域的マルチ車両意思決定およびモーションプランニングの方法および装置に関する。
【背景技術】
【0002】
自動交通機関システムは、半自動の場合さえ、交通事故の削減およびより効率的な道路網の利用につながる。そのため、ＣＡＶ（コネクテッド自動運転車両）は、安全性および交通の流れを改善できる大きな可能性を示しており、その結果、輻輳、走行時間、排気ガス、およびエネルギー消費を削減できる大きな可能性を示している。これは数十年にわたって分かっていたことだが、成功した開発のほとんどは、センシング、コンピューティング、コントロール、およびコネクティビティにおける技術の進歩のおかげで近年達成されてきた。走行中のシナリオは、多くの場合、非常に動的である、すなわち、車両参加者およびそれらの挙動が素早く大きく変化するが、Ｖ２Ｖ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｖｅｈｉｃｌｅ）およびＶ２Ｉ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）通信（略してＶ２Ｘ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｅｖｅｒｙｔｈｉｎｇ）通信としても知られている）は、特定の計画エリアにあるすべての車両についてのリアルタイム情報にアクセスできるようにすることによって、高度で効率的なプランニングおよび意思決定を可能にする。
【0003】
通常であれば多層誘導および制御アーキテクチャが車載される必要のある自動運転のためのプランニングおよび制御に大きな進展があった。最上位レベルでは、インテリジェントナビゲーションシステムが、現在の車両の位置から要求された目的地までの交通網を通るルートを見つける。たとえば、設定された到達可能性または形式言語および最適化と組み合わせてオートマンを利用して、意思決定部が、ルート計画、現在の環境状況、およびその他の交通参加者の挙動から判断して、いつでも適切な運転挙動を選択してくれる。車線追従、車線変更、または停止を含む目標挙動から判断して、モーションプランニングアルゴリズムが、下位のフィードバックコントローラがリアルタイムで追跡できる動的に実行可能かつ安全な軌道を計算する。普及している手法では、サンプリングベースのモーションプランナーとＭＰＣ（モデル予測制御）との組合せが基準追跡に用いられる。ＣＡＶの場合、誘導および制御アーキテクチャは、標準の自動運転の誘導および制御アーキテクチャと同様であるように見えるかもしれないが、モジュールの一部は、インフラストラクチャ、たとえば、ＭＥＣ（モバイルエッジコンピュータ）で実装され、エリアにある複数の車両に決定を提供し得、その他のモジュールは、相変わらず個々に各車両上に実装される。
【0004】
協調エージェントの調整によって、交通網にとって社会的に最適な挙動に到達できるようになる。一例では、交差点での自動交通管理についてのＦＣＦＳ（Ｆｉｒｓｔ Ｃｏｍｅ，Ｆｉｒｓｔ Ｓｅｒｖｅ）ポリシーについて説明する。最近では、非線形最適化またはＭＩＬＰ（混合整数線形計画）を利用した、交差点を制御するための調整法が提案されている。後者は、相互に接続された交差点のグリッドをスケジュール管理するための分散型ＭＩＬＰアルゴリズムまで拡張されている。これに加えて、ＣＡＶが高速道路の進入路に合流するためのＭＩＬＰベースの手法が提案された。ＣＡＶを調整するための別の技術は、最近の研究において見つけることができる。また、当該研究では、交差点の制御問題と合流の制御問題とは、本質的に非常に類似していることも指摘されている。高度な大域的マルチ車両意思決定システムを開発することが求められている。
【発明の概要】
【0005】
本発明は、ＣＡＶのための大域的マルチ車両意思決定およびモーションプランニングに焦点を当てる。当該大域的マルチ車両意思決定およびモーションプランニングに焦点は、従来の車両、すなわち、手操作によって走行中の車両（ＮＣＶ（無制御車両）とも称する）が存在している場合であっても、各自動運転車両で別個に実装された局所的モーションプランニングおよび追跡システムに、目標および操作情報を提供する。本発明の実施の形態は、交差点と合流部の両方を含んだ一般化されたコンフリクトゾーンから構成される相互に接続されたネットワークにある車両のためのＭＩＬＰベースの大域的マルチ車両意思決定システムを含む。全自動運転車両を調整するための従来技術とは異なり、本発明は、ＣＡＶと人が運転するＮＣＶの両方が混在する交通を含んだより現実的なシナリオに焦点を当てる。この目的のために、混在する交通シナリオにおいて人が運転する車両が交差点を横断するためには、物理的な信号機および／または標準的な優先ルールが必要である。提案する制約付き最適化方法は、上位アルゴリズムからのリアルタイムな一連の車両ルーティング情報から判断して、人および物の移動を直接組み込む。
【0006】
本発明の実施の形態は、従来の車両、すなわち、手操作によって走行中の車両（ＮＣＶ（無制御車両）とも称する）が存在している場合であっても、交差点と合流部の両方を含んだ一般化されたコンフリクトゾーンから構成される相互に接続されたネットワークにあるＣＡＶ（コネクテッド自動運転車両）のための大域的マルチ車両意思決定およびモーションプランニングのための混合整数最適化方法に基づく。提案する手法は、すべての制御車両にわたる全体的な時間およびエネルギー効率を最適化しつつ、コンフリクトゾーンの安全性制約および道路区間の占有期間制約の下、所望の目的地に向かう車両毎の予測ウィンドウにおける目標速度ならびに道路区間への目標進入時間および目標脱出時間から構成されるスケジュールを計算する。従来技術における既存の手法とは対照的に、提案するシステムおよび方法は、以下に対応する。
●複数のコンフリクトゾーン、すなわち、１つまたは複数の合流部および／または交差点を含んだ交通網。
●車両毎の位置、速度、および進行方向がＶ２Ｘ通信を通じて入手可能であるが、複数の相互に接続されたコンフリクトゾーンからなる局所エリアでは車両の一部のみが制御される、自動運転車両と人が運転する車両とが混在する交通。
●複数の目的、たとえば、走行時間、待ち時間、およびエネルギー効率の最適化に基づいた、大域的マルチ車両意思決定およびモーションプランニング。
●人および物を輸送するための今後のルーティング情報を利用した、ＣＡＶのための粒度の粗い高位のモーションプランニング。
●複数のコンフリクトゾーン、すなわち、１つまたは複数の合流部および／または交差点を含んだ交通網。
●車両毎の位置、速度、および進行方向がＶ２Ｘ通信を通じて入手可能であるが、複数の相互に接続されたコンフリクトゾーンからなる局所エリアでは車両の一部のみが制御される、自動運転車両と人が運転する車両とが混在する交通。
●複数の目的、たとえば、走行時間、待ち時間、およびエネルギー効率の最適化に基づいた、大域的マルチ車両意思決定およびモーションプランニング。
●人および物を輸送するための今後のルーティング情報を利用した、ＣＡＶのための粒度の粗い高位のモーションプランニング。
【0007】
本発明のいくつかの実施の形態は、多層誘導および制御アーキテクチャに基づく。多層誘導および制御アーキテクチャでは、Ｖ２Ｘコネクティビティを利用するために、一部のモジュールが各ＣＡＶ上に実装され、その他のモジュールは、インフラストラクチャ、たとえば、モバイルエッジコンピュータにおいて集中的に動作する。具体的には、各ＣＡＶでは、車線追従、車線変更、または停止などの行動を表す目標挙動から判断して、車両コントローラがリアルタイムで追跡できる動的に実行可能かつ安全な軌道をモーションプランニングアルゴリズムが計算する。いくつかの実施の形態は、各ＣＡＶにおける、確率的サンプリングベースのモーションプランナー、および基準追跡のためのＭＰＣアルゴリズムに基づく。
【0008】
完全自動運転車両とは異なり、本発明の実施の形態は、ＣＡＶの場合、モーションプランニングアルゴリズムのための目標挙動は、車載の意思決定アルゴリズムによって車両毎に別個に計算されるべきではなく、むしろ、大域的マルチ車両意思決定モジュールにおいてすべての車両について同時に計算されるべきである、という認識に基づく。具体的には、マッピングおよびナビゲーションモジュールからの環境についてのリアルタイム情報、たとえば、複数の相互に接続されたコンフリクトゾーンからなる局所エリアにあるＣＡＶのそれぞれについてのリアルタイムの状態およびルーティング情報から判断して、大域的マルチ車両意思決定モジュールがその局所エリアにあるすべてのＣＡＶの目標挙動を同時に決定する。なお、ＣＡＶ毎のルーティング情報は、集中型マッピングおよびナビゲーションモジュールによって計算されてもよく、ローカルＣＡＶ毎の車載のマッピングおよびナビゲーションモジュールによって個々に計算されてもよい。
【0009】
本発明の実施の形態は、コンフリクトゾーンである１つまたは複数の道路区間およびコンフリクトのないゾーンである１つまたは複数の道路区間から構成される道路区間のネットワーク内にある車両の調整およびスケジュール管理を行う。コンフリクトゾーンの例は、複数の車線および／または道路区間をつなぐ交差点および／または合流部である。コンフリクトのないゾーンの例は、一方向の交通または複数方向の交通のいずれかを許可する１つまたは複数の車線から構成される標準的な道路区間である。
【0010】
本発明の実施の形態は、大域的マルチ車両意思決定モジュール向けの情報は、ＣＡＶおよびＮＣＶの両方にあるセンサーによって取得されるデータ、および、場合によってはインフラストラクチャにある追加のセンサーによって取得されるデータが車両とインフラストラクチャとの間で通信、すなわち、Ｖ２Ｘ通信されることによって入手可能である、という認識に基づく。具体的には、Ｖ２Ｘ通信から大域的マルチ車両意思決定システムへの入力情報は、以下を含み得る。
●大域的意思決定モジュールによって考慮される、道路区間毎およびコンフリクトゾーン毎、すなわち、合流地点および／または交差点についての車線情報を含む、交通網のマッピング情報。
●たとえば、現在地、進行方向、および速度を含む、車両毎の、すなわち、交通網の局所エリアにあるＣＡＶとＮＣＶの両方の車両の現在の状態。
●ＮＣＶ毎の、ＮＣＶが現在位置する道路区間から始まる、その所望の目的地に向かう一連の今後の道路区間として規定される場合によっては短期のルート予測。ルート予測におけるルートの長さ、すなわち、道路区間の数は、入手可能な情報に応じて固定であってもよく、時間によって変化してもよい。
●ＣＡＶ毎の、ＣＡＶが現在位置する道路区間から始まる、その所望の目的地に向かう一連の今後の道路区間として決定される、比較的長期のルート計画。計画ルートの長さ、すなわち、今後のルート計画に含まれる道路区間の数は、ＣＡＶ毎のマッピングおよびナビゲーションモジュールから入手可能な情報によっては、固定であってもよく、時間によって変化してもよい。
●ＣＡＶ毎の、およびその今後の計画ルートに含まれる道路区間毎の、たとえば、人および／または物を輸送するためのそのルートに沿った道路区間毎の計画的停止期間のセット。
●大域的意思決定モジュールによって考慮される、道路区間毎およびコンフリクトゾーン毎、すなわち、合流地点および／または交差点についての車線情報を含む、交通網のマッピング情報。
●たとえば、現在地、進行方向、および速度を含む、車両毎の、すなわち、交通網の局所エリアにあるＣＡＶとＮＣＶの両方の車両の現在の状態。
●ＮＣＶ毎の、ＮＣＶが現在位置する道路区間から始まる、その所望の目的地に向かう一連の今後の道路区間として規定される場合によっては短期のルート予測。ルート予測におけるルートの長さ、すなわち、道路区間の数は、入手可能な情報に応じて固定であってもよく、時間によって変化してもよい。
●ＣＡＶ毎の、ＣＡＶが現在位置する道路区間から始まる、その所望の目的地に向かう一連の今後の道路区間として決定される、比較的長期のルート計画。計画ルートの長さ、すなわち、今後のルート計画に含まれる道路区間の数は、ＣＡＶ毎のマッピングおよびナビゲーションモジュールから入手可能な情報によっては、固定であってもよく、時間によって変化してもよい。
●ＣＡＶ毎の、およびその今後の計画ルートに含まれる道路区間毎の、たとえば、人および／または物を輸送するためのそのルートに沿った道路区間毎の計画的停止期間のセット。
【0011】
同様に、大域的マルチ車両意思決定システムからの出力情報は、以下を含み得る。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測平均速度。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測進入時間。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測脱出時間。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測平均速度。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測進入時間。
●ＣＡＶ毎の、交通網におけるその今後の計画ルートに沿った道路区間についての一連の予測脱出時間。
【0012】
大域的マルチ車両意思決定システムが入手可能な情報に応じて、すべての車両の予測ウィンドウの長さ、すなわち、ルートの長さは、一定の長さと決められてもよく、車両毎に個々に決められてもよく、時間によって変化する長さと決められてもよく、車両毎に異なると決められてもよい。
【0013】
本発明の実施の形態は、インフラストラクチャシステムによっては、各ＮＣＶのルートについて正確な予測を取得することは困難な課題であろう、という認識に基づく。このため、本発明のいくつかの実施の形態では、大域的マルチ車両意思決定モジュールは、直近の情報に基づいた後退ホライズン式で実装される。本発明の実施の形態は、たとえば、次のコンフリクトゾーンまではＮＣＶのおおよその短期のルート予測で十分であり、予測における矛盾は後退ホライズン法の内発的フィードバック機構によって調整可能である、という認識に基づく。たとえば、１～２秒の更新期間があれば、ＮＣＶの挙動についての間違った予測を考慮して十分高速な更新を提供しつつ、大域的マルチ車両意思決定システムのリアルタイム計算が可能である。
【0014】
本発明のいくつかの実施の形態は、たとえば、自転車および歩行者を含むその他の交通参加者の存在は、ＣＡＶ毎の多層誘導および制御アーキテクチャにおける車載モジュール、たとえば、モーションプランニングおよび／または車両制御アルゴリズムによって障害物として処理され得る、という認識に基づく。大域的マルチ車両意思決定システムの計算コストよりも比較的小さい計算コストで済むので、モーションプランニングおよび車両制御アルゴリズムは、たとえば、自転車および歩行者を含むその他の交通参加者の挙動の予期しない変化に対して素早い反応時間を有するために比較的高速のサンプリングレートで動作できる。たとえば、車両制御アルゴリズムは、多くの場合、５０～１００ミリ秒の更新期間で実行される。
【0015】
提案する大域的マルチ車両意思決定モジュールの対象は、小規模から中規模の交通網、たとえば、輻輳の可能性がある複数の相互に接続されたコンフリクトゾーンからなる局所エリアである。本発明のいくつかの実施の形態は、潜在的に多くの非制御交通参加者と同じ環境で動作する潜在的に様々な数のＣＡＶを利用した、ＣＡＶが行う人および／または物、たとえば、食料雑貨もしくは小包の輸送タスクを含む。タスク割り当て、すなわち、各ＣＡＶが達成しなければならない目的は、たとえば制約付き最適化問題の解に基づいて、別個のタスク割り当てモジュールによって実行され得る。割り当てられたタスクに基づいて、ナビゲーションモジュールは、集中的または各ＣＡＶにおいて局所的のいずれかでＣＡＶのルートを決定し、ルート情報はリアルタイムで更新され得る。後退ホライズン計算、および実際の応用における有効性を含む計算上の扱いやすさを考慮すると、本発明の実施の形態は、最大で１０個のコンフリクトゾーンといくつかの互いに接続された道路区間とから構成される局所の交通網内にある少なくとも１～１０台のＣＡＶ、０～３０台のＮＣＶに対処できる。
【0016】
本発明の実施の形態は、大域的マルチ車両意思決定モジュールは、Ｖ２Ｘ通信からの入力情報から判断して、制約付き最適化問題を解いてＣＡＶ毎の粒度の粗いモーションプランを計算することによって実装され得る、という認識に基づく。本発明のいくつかの実施の形態では、制約付き最適化問題は、ＭＩＰ（混合整数計画）問題、たとえば、ＭＩＬＰ（混合整数線形計画）であってもよく、ＭＩＱＰ（混合整数二次計画）問題であってもよい。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムの各サンプリング時におけるＭＩＰ問題は、たとえば、分枝限定法、分枝切除法、および分枝価格法を含む大域的最適化アルゴリズムによって解決できる。本発明のその他の実施の形態では、たとえば、丸め方式、実現可能性ポンプ法、近似最適化アルゴリズム、または機械学習の利用を含む、ヒューリスティック技術が用いて、ＭＩＰに対する実行可能であるが最適に満たない解が計算され得る。
【0017】
さらには、本発明のいくつかの実施の形態によると、１台または複数台の無制御車両（ＮＣＶ）と、１つまたは複数のコンフリクトゾーンと、１つまたは複数のコンフリクトのない道路区間とを含む相互に接続された交通網にある１台または複数台のコネクテッド自動運転および／または半自動車両（ＣＡＶ）についてのリアルタイムのモーションプランニングおよび調整を提供するための大域的マルチ車両意思決定システムが実装され得る。この場合、大域的マルチ車両意思決定システムは、路側機（ＲＳＵ）を介してインフラストラクチャセンシング信号を取得し、１つまたは複数の所望の目的地に向かうコネクテッド自動運転車両（ＣＡＶ）の状態および計画されている今後のルーティング情報についてのタイプ１フィードバック信号を取得し、無制御車両（ＮＣＶ）の状態および予測される今後のルーティング情報についてのタイプ２フィードバック信号を取得するように構成された受信部と、マッピング情報と、大域的マルチ車両意思決定プログラムを含むコンピュータにより実行可能なプログラムとを記憶するように構成された少なくとも１つのメモリと、少なくとも１つのメモリと接続されており、ステップを実行するように構成された少なくとも１つのプロセッサとを備え得、ステップは、インフラストラクチャセンシング信号、タイプ１フィードバック信号、タイプ２フィードバック信号、およびマッピング情報に基づいて大域的混合整数計画（ＭＩＰ）問題を定式化するステップと、大域的ＭＩＰ問題を解くことによって、相互に接続された交通網における各ＣＡＶおよび各ＮＣＶのモーションプランを計算するステップと、交通網内の計画されている今後のルートまたは予測される今後のルートに沿った各道路区間における各ＣＡＶおよび各ＮＣＶにとって最適な一連の進入時間および脱出時間ならびに一連の平均速度を計算するステップと、予測時間範囲にわたるＣＡＶ毎の速度分布および／または１つもしくは複数の計画的停止を計算するステップとを含み、大域的マルチ車両意思決定システムは、ＣＡＶのそれぞれに、相互に接続された交通網における各ＣＡＶの多層誘導および制御アーキテクチャに速度分布および／または１つもしくは複数の計画的停止を送信するように構成された送信部をさらに備える。
【0018】
大域的マルチ車両意思決定システムのいくつかの実施の形態では、最適化問題は、１つまたは複数の目的の最適化を含み、交通網にあるすべての車両の安全性および効率のための１つまたは複数の等式制約および／または不等式制約を施行する。たとえば、制約は、車両モーションモデル、速度制約、ルート計画またはルート予測のタイミング制約、コンフリクトゾーンのおける安全性制約、およびコンフリクトのない道路区間について占有期間制約を含み得る。これらの目的は、ルート計画またはルート予測における各区間の終わりに到達するまでの走行時間を最小化することと、車両ごとの待ち時間を最小化することと、平均速度を最大化することと、エネルギー効率のために加速を最小化することとを含み得る。
【0019】
添付の図面を参照しながら、今回開示する実施の形態についてさらに説明する。図面は必ずしも縮尺通りに示されておらず、代わりに、今回開示した実施の形態の原理を説明することに全体的に重点が置かれている。
【図面の簡単な説明】
【0020】
【図1】いくつかの実施の形態に係る、複数の相互に接続されたコンフリクトゾーンからなる局所エリアにおける交通シナリオの例、ならびに制御車両および無制御車両の大域的マルチ車両意思決定の必要性を示す図である。
【図2A】いくつかの実施の形態に係る、車両の区間を横断する時間および平均速度に基づいて、複数の相互に接続されたコンフリクトゾーンからなる局所エリアにおける交通を制御する例示的な概略図を示す。
【図2B】いくつかの実施の形態に係る、相互に接続されたコンフリクトゾーンからなる局所エリアにおける交通シナリオ、ならびに、たとえば人および物を輸送するための複数台のコネクテッド自動運転車両のルーティング情報を示す図である。
【図3】本発明のいくつかの実施の形態に係る、大域的マルチ車両意思決定システムとマッピングおよびナビゲーションシステム、１台または複数台の制御車両および無制御車両、１つまたは複数の路側機、１人もしくは複数の同乗者、ならびに１つまたは複数のモバイルエッジコンピュータの間で起こり得るインタラクションの概略図を示す。
【図4A】本発明のいくつかの実施の形態に係る、個々の制御車両それぞれのインフラストラクチャセンシング、集中型マッピングおよびナビゲーション、ならびに多層誘導および制御アーキテクチャに基づいた、大域的マルチ車両意思決定システムのフィードバックループの概略図を示す。
【図4B】本発明のいくつかの実施の形態に係る、１台または複数台の制御車両の個々のナビゲーションシステムを利用した、大域的マルチ車両意思決定システムのフィードバックループの同様の概略図を示す。
【図5A】本発明の実施の形態に係る、混合整数最適化問題を解くことによる、インフラストラクチャおよび／またはコネクテッド車両との通信に基づいた大域的マルチ車両意思決定システムのブロック図を示す。
【図5B】本発明の実施の形態に係る、大域的マルチ車両意思決定システムの入出力の概略図を示す。
【図6A】三叉路交差点を介して相互に接続された複数のコンフリクトのない道路区間から構成された交通網（局所エリア内）の例を示す図であって、道路区間のそれぞれは、１つまたは複数の走行車線から構成される。
【図7】本発明の実施の形態に係る、ＭＩＰ（混合整数計画）最適化問題を解くことによる、大域的マルチ車両意思決定システムのブロック図である。
【図8A】本発明の実施の形態に係る、大域的マルチ車両意思決定システムが解くＭＩＰ問題が守り得る等式制約および／または不等式制約の例を示す図である。
【図8B】本発明の実施の形態に係る、大域的マルチ車両意思決定システムが解くＭＩＰ問題において利用され得る、コンフリクトゾーンのそれぞれについての安全性制約の例示的な定式化を示す図である。
【図8C】本発明の実施の形態に係る、大域的マルチ車両意思決定システムが解くＭＩＰ問題において利用され得る、道路区間毎の占有期間制約の例示的な定式化を示す図である。
【図8D】本発明の実施の形態に係る、大域的マルチ車両意思決定システムが解くＭＩＰ問題の重み付き多目的最小化において利用され得る目的の例を示す図である。
【図9A】本発明のいくつかの実施の形態に係る、大域的マルチ車両意思決定の整数実行可能最適解のための探索領域のネストされたツリーを表す整数最適化変数探索ツリーの例の概略を示す図である。
【図9B】本発明のいくつかの実施の形態に係る、探索領域のネストされたツリーおよび対応する上限値／下限値に基づいて整数実行可能最適意思決定の解を探索するための分枝限定混合整数最適化アルゴリズムのブロック図である。
【図10】本発明のいくつかの実施の形態に係る、１つまたは複数の相互に接続されたコンフリクトゾーンからなる交通網にある１台または複数台の制御車両についてのモーションプランを計算するための大域的マルチ車両意思決定システムのブロック図を示す。
【図11A】いくつかの実施の形態の原理を採用した多層誘導および制御アーキテクチャを備える車両の概略を示す図である。
【図11B】本発明のいくつかの実施の形態に係る、多層誘導および制御アーキテクチャと車両のその他のコントローラとのインタラクションの概略を示す図である。
【図12A】本発明のいくつかの実施の形態に係る、シッピングヤード管理システムと大域的マルチ車両意思決定システムとのインタラクションの概略を示す図である。
【図12B】本発明のいくつかの実施の形態に係る、１つまたは複数の構成要素から構成されるシッピングヤード管理システムの例を示す図である。
【発明を実施するための形態】
【0021】
本開示のいくつかの実施の形態は、１つまたは複数の相互に接続されたコンフリクトゾーンから構成された交通網であって、動的環境、たとえば、場合によっては１台もしくは複数台の無制御車両、交通参加者、または動的障害物を含む交通網内にある１台または複数台のコネクテッド自動運転車両を制御するためのシステムおよび方法を提供する。
【0022】
図１は、いくつかの実施の形態に係る、複数の相互に接続されたコンフリクトゾーンからなる局所エリア内の、たとえば、道路区間の相互に接続された交差点における、制御車両および無制御車両の大域的マルチ車両意思決定の必要性を示す交通シナリオ（交通状態）１００の例を示す。相互に接続されたコンフリクトゾーンは、物理的に相互に接続されたコンフリクトゾーンと、通信可能に相互に接続されたコンフリクトゾーンとを含む。物理的に相互に接続されたコンフリクトゾーンの例は、あるコンフリクトゾーンから別のコンフリクトゾーンに車両が進行し得る交差点または合流部である。通信可能に相互に接続されたコンフリクトゾーンの例は、通信チャネルを経由してあるコンフリクトゾーンから別のコンフリクトゾーンまでの交通情報を共有する交差点または合流部である。
【0023】
交通シナリオ１００の例は、交差点１０２と別の交差点１０４とを示しており、これらの交差点は道路区間１０５を経由して互いに物理的に相互に接続されており、交通網は、追加の道路区間１０６、１０８、１１０、１１２、１１４、および１１６を含む。本発明の実施の形態は、コンフリクトゾーンである１つまたは複数の道路区間およびコンフリクトのないゾーンである１つまたは複数の道路区間から構成されるこのような道路区間のネットワーク内にある車両の大域的マルチ車両意思決定のためのシステムおよび方法について説明する。コンフリクトゾーンの例は、交差点１０２～１０４および／または合流部であり得、複数の車線および／または複数の道路区間をつなぐ。コンフリクトのないゾーンの例は、標準的な道路区間１０５～１１６であり、一方向または複数方向のいずれかの交通を許可する１つまたは複数の車線から構成される。
【0024】
図１は、複数の相互に接続されたコンフリクトゾーン１０２～１０４および複数の相互に接続されたコンフリクトのない道路区間１０５～１１６からなる局所エリア内にある複数の車両１２６、１２８、１３０、１３２、１３４、１３６、１３８、１４０、１４２、１４４、１４６および／またはその他の交通参加者をさらに示している。交通網にある車両、たとえば、車両１２６～１４６は、各々、自動運転車両、半自動運転車両、または人によって操作される車両のいずれかであり得る。ここからは、自動運転車および／または半自動運転車を、ＣＡＶ（コネクテッド自動運転車両）、または、単に、制御車両と称し、人によって操作される車両またはその他の交通参加者を、無制御車両（ＮＣＶ）と称する。車両１２６～１４６のいくつかの例として、オートバイなどの二輪車両、車などの四輪車両、またはトラックなどの五輪以上の車両などが挙げられる。
【0025】
１つまたは複数の相互に接続されたコンフリクトゾーンおよび１つまたは複数の相互に接続されたコンフリクトのない道路区間を含んだ交通網は、周辺の局所エリアにある車両およびその他の交通参加者の状態のインフラストラクチャベースのリアルタイムセンシングのための１つまたは複数のＲＳＵ（路側機）をさらに含み得る。図１は、本発明のいくつかの実施の形態に係る、Ｖ２Ｘ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｅｖｅｒｙｔｈｉｎｇ）通信としても知られているＶ２Ｖ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｖｅｈｉｃｌｅ）およびＶ２Ｉ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ）通信を含むＩｏＶ（車両のインターネット：Ｉｎｔｅｒｎｅｔ ｏｆ Ｖｅｈｉｃｌｅｓ）環境を確立するための１つのＲＳＵ１２２および別のＲＳＵ１２４、コアネットワーク１２０、ならびにクラウドネットワーク１１８を示す。
【0026】
いくつかの実施の形態では、交通シナリオ１００は、道路区間１０５～１１６が交差点１０２および１０４などの複数の（多くの）交差点を形成する公共の大都市圏に相当する。大都市圏では、交差点１０２および１０４での交通状況が交通の流れを決める。なぜならば、渋滞は、通常、交差点１０４などのコンフリクトゾーンから発生し、コンフリクトのない道路区間、たとえば、道路区間１０５～１１６までさらに伝播していくためである。１つのコンフリクトゾーン、たとえば、交差点１０４での変化量が交差点１０２（交差点１０４の近隣の交差点１０２との呼ばれる）などのその他の相互に接続されたコンフリクトゾーンまでさらに伝播するよう、相互に接続されたコンフリクトゾーン１０２と１０４とにおける交通状況は相互に依存している。
【0027】
その他の実施の形態では、交通シナリオ１００は、私有の交通網に相当し得、たとえば、バレーパーキングシステムのための１つまたは複数の駐車場および相互に接続された道路区間を含む。複数の相互に接続されたコンフリクトゾーンと道路区間とを有する交通網を含む同様の交通シナリオのその他の例は、スマート配送センターおよび／またはシッピングヤードである。ＣＡＶの種類として、個人車両（たとえば、バレーパーキングシステムの場合）、トラック（たとえば、ヤード管理システムの場合）、または同乗者を拾うまたは降ろすためのシャトルなどがある。
【0028】
いくつかの実施の形態は、交通網にある様々な車両（たとえば、車両１２６～１４６のセット）間で通信を確立するために、クラウドネットワーク１１８と道路区間１０５上の車両１２６との通信がＲＳＵ１２２またはＲＳＵ１２４とコアネットワーク１２０とをマルチホップ通信が確立する方法で伝播する必要がある、という認識に基づく。本発明のいくつかの実施の形態では、車両１２６～１４６の安全なモビリティは、クラウドベースのネットワークおよび／またはエッジベースのネットワークを利用した（すなわち、クラウドネットワーク１１８および／またはコアネットワーク１２０を利用した）大域的マルチ車両意思決定システムによって制御される。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、１つまたは複数のＭＥＣ（モバイルエッジコンピュータ）を用いて実装される。当該１つまたは複数のＭＥＣは、１つまたは複数のＲＳＵの一部として組み込まれてもよく、ＲＳＵ１２２～１２４、クラウドネットワーク１１８、および／またはコアネットワーク１２０に接続された別個のデバイスであってもよい。本発明の実施の形態は、交通網にある車両の大域的マルチ車両意思決定のための制約付き最適化問題の解を含み得、この解の計算は、クラウドにおいて実行されてもよく、１つまたは複数のＭＥＣにおいて実行されてもよい。
【0029】
本発明の実施の形態は、車両１４６などの車両の車載制御装置は、目に見える範囲外にある近隣の車両（車両１４２など）、歩行者、および環境状況についての情報を取得できない、という認識に基づく。たとえば、道路１１４上を走行している車両１４６は、（車両１４２よりも大型の）車両１４４が交差点１０２を横断した後に交差点１０２を横断するつもりであり、車両１４２（すなわち、小型車両）も交差点１０２に進入しているところである。このようなシナリオでは、車両１４２の視界は図１に示す車両１４４によって遮られる。車両１４２と車両１４６との通信リンクが影響を受けている場合、または車両１４２と車両１４６が異なる通信プロトコルを利用している場合、車両１４４のせいで車両１４２は車両１４６に気づいてもらえない。その結果、車両１４２と車両１４６は、衝突する可能性がある。
【0030】
これに加えて、本発明のいくつかの実施の形態は、クラウドネットワーク１１８と車両１２６とのマルチホップ通信によって、クラウドベースの車両制御のリアルタイムシナリオでは許容できない長い通信遅延が生じ得る、という認識に基づく。
【0031】
いくつかの実施の形態は、車両通信に対応するために様々な通信技術を利用できる、という認識に基づく。たとえば、車載ネットワークのＩＥＥＥ ＤＳＲＣ／ＷＡＶＥ（Ｄｅｄｉｃａｔｅｄ Ｓｈｏｒｔ－Ｒａｎｇｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ／Ｗｉｒｅｌｅｓｓ Ａｃｃｅｓｓ ｉｎ Ｖｅｈｉｃｕｌａｒ Ｅｎｖｉｒｏｎｍｅｎｔｓ）規格ファミリー、３ＧＰＰ Ｃ－Ｖ２Ｘ（Ｃｅｌｌｕｌａｒ－Ｖｅｈｉｃｌｅ－ｔｏ－Ａｎｙｔｈｉｎｇ）などがある。しかしながら、コストが高いことを理由に、車両（たとえば、車両１２６～１４６）が２つ以上の近距離通信技術をサポートすることは現実的ではなく、互いに通信する車両の間で互換性の問題を招いてしまう。そのため、ＩＥＥＥ ＤＳＲＣ／ＷＡＶＥを装備した車両は、３ＧＰＰ Ｃ－Ｖ２Ｘを装備したその他の車両と通信できず、３ＧＰＰ Ｃ－Ｖ２Ｘを装備した車両は、ＩＥＥＥ ＤＳＲＣ／ＷＡＶＥを装備したその他の車両と通信できない。その結果、個々の車両にある車載の多層誘導および制御アーキテクチャによるリアルタイムの制御決定の正解率に与える影響は非常に大きい。なぜならば、これらのリアルタイムの決定が交通シナリオ１００の不完全な情報に基づくためである。その代わりに、本発明の実施の形態は、安全性、時間およびエネルギー効率を保証するために、交通網にある各車両からのリアルタイム情報に基づいて大域的マルチ車両意思決定モジュールを使用する。
【0032】
いくつかの実施の形態は、エッジインフラストラクチャデバイス（たとえば、ＲＳＵ１２２およびＲＳＵ１２４）には、クラウドネットワークのみを利用する場合、および／または車載装置（多層誘導および制御アーキテクチャを含む）のみを利用する場合よりも、マルチ車両交通の制御において利点がある、という認識に基づく。たとえば、エッジインフラストラクチャデバイスは、交差点または合流部に設置することができ、交差点または合流部に接近する車両（たとえば、車両１２６～１４６）と直接通信できる。これに加えて、すべてのコネクテッド車両と通信できるようにするために、エッジインフラストラクチャデバイスには、複数の通信技術を装備できる。本発明のいくつかの実施の形態は、エッジインフラストラクチャデバイスは、据置き型であり、これによって、車両との信頼できる通信を提供したり、比較的高品質な環境データを収集したりすることが可能になる、という認識に基づく。
【0033】
本発明の実施の形態は、エッジインフラストラクチャデバイスは、正確な意思決定のために複数車両の交通および環境を連続して監視できる、という認識に基づく。本発明のいくつかの実施の形態では、コネクテッド車両および非コネクテッド車両の両方、自動運転車両、半自動運転車両、および人によって操作される車両、ならびに自転車および歩行者などのその他の交通参加者を含む、車両の状態および動的環境を正確に検出するために、エッジインフラストラクチャデバイスは、追加のセンサー、たとえば、レンジファインダー、レーダー、ライダー、およびカメラ、ならびにセンサーフュージョン技術を利用する。したがって、大域的マルチ車両意思決定およびモーションプランニングのためにエッジインフラストラクチャデバイスを利用することは、適切である。
【0034】
図２Ａは、複数の相互に接続されたコンフリクトゾーン、すなわち、複数の相互に接続された交差点２００、２０２ａ、２０２ｂ、２０４ａ、および２０４ｂを含んだ交通網の例を示す。この交通網における交通の流れの全体の安全性、時間効率、およびエネルギー効率は、本発明の実施の形態に係る大域的マルチ車両意思決定システムによって制御可能である。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、ＣＡＶの現在地からＣＡＶの所望の目的地までのそのルートに沿った交通網にあるＣＡＶ毎に粒度の粗いモーションプランを計算する。粒度の粗いモーションプランは、ＣＡＶ毎の現在地からその所望の目的地までのルートに沿ったコンフリクトゾーンおよびコンフリクトのない道路区間のそれぞれにおけるＣＡＶの一連の進入時間および脱出時間ならびに一連の平均速度値を含み得る（場合によっては、ＣＡＶのルートに沿って１つまたは複数の計画的途中停止を含む）。
【0035】
本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムへの入力は、１台または複数台のＣＡＶおよび／または１つもしくは複数のＮＣＶとの通信からの信号を含み得、１つまたは複数のエッジインフラストラクチャデバイス、たとえば、追加のセンサーとセンサーフュージョン機能とを備えたＲＳＵとの通信からの信号を含み得る。たとえば、図２Ａでは、交差点２００、２０２ａ、２０２ｂ、２０４ａ、および２０４ｂのそれぞれには、ＲＳＵ２０６、２０８、２１０、２１２、および２１４が装備されている。本発明のいくつかの実施の形態は、交通網にある車両の大域的マルチ車両意思決定のための制約付き最適化問題の解を含む。この解の計算は、クラウドにおいて実行されてもよく、１つまたは複数のＭＥＣにおいて実行されてもよい。当該１つまたは複数のＭＥＣは、１つまたは複数のＲＳＵ２０６、２０８、２１０、２１２、および２１４の一部として組み込まれてもよく、１つまたは複数のＲＳＵ２０６～２１４に接続された別個のデバイスであってもよい。
【0036】
図２Ａに示した例示的なシナリオでは、交差点２０２ａおよび２０２ｂでの北南方向の交通は、交差点２０４ａおよび２０４ｂでの東西方向の交通よりも遙かに混雑している。大域的マルチ車両意思決定システムは、交差点２００を横断する計画と、非常に混雑した交差点２０２ａの南北方向に向かって進行する計画とを有する車両（たとえば、車両２１６）の計画されている今後のタイミングおよび速度軌道を制御する。交通網における交通の流れの全体の安全性、時間効率、およびエネルギー効率を改善するために、大域的マルチ車両意思決定システムは、交差点２０２ａでの渋滞を緩和するため、および交通網にある車両のうち１台または複数台の総待ち時間を減らすために、車両２１６が交差点２０２ａに後で着くと予測されるよう、車両２１６は交差点２００を横断する前および／または横断した後にその速度を減速すべきであると決定し得る。
【0037】
図２Ｂは、複数の相互に接続された交差点および合流部からなる交通網内での、本発明のいくつかの実施の形態に基づく大域的マルチ車両意思決定システムの例示的な交通シーンを示す図である。図２Ｂは、ＣＡＶと称される１台または複数台の制御車両、たとえば、２３１、２３２、２３３、および２３４を有するシナリオを示す図であり、ＮＣＶ２３５、２３６、２３７、および２３８などの１つまたは複数の無制御交通参加者を含む。交通網自体は、２５１（Ｉ１）、２５２（Ｉ２）、および２５３（Ｉ３）などの複数の相互に接続された交差点、ならびに２５５（Ｍ１）、２５６（Ｍ２）および２５７（Ｍ３）などの複数の相互に接続された合流部から構成され得る。本発明の実施の形態の説明において、交差点および合流部は、両方ともコンフリクトゾーンと称する。コンフリクトゾーンは、複数のコンフリクトのない道路区間によって相互に接続されている。コンフリクトのない道路区間は、各々、１つまたは複数の車線、たとえば、２６５（Ｌ６）、２６６（Ｌ４７）、および２６７（Ｌ３６）から構成され得る。これに加えて、図２Ｂは、場合によっては車両が交差点に入る前に特定の期間待機するための位置を示す停止線、たとえば、停止線２６１（Ｓ１）、２６２（Ｓ２）、および２６３（Ｓ３）を表示している。
【0038】
図２Ｂは、ＣＡＶ、たとえば、車両２３１毎にルーティングまたはナビゲーションモジュールによって提供され得るルーティング情報をさらに示している。現在地２４０にある、所望の目的地２４９を有する車両２３１の場合、ルーティングまたはナビゲーションモジュールは、車両２３１について矢印２４１～２４８で示された一連の道路および曲がり角を提供する。同様に、同じ集中化されたまたは異なる個々のルーティングまたはナビゲーションモジュールは、その他の車両、たとえば、ＣＡＶ２３２、２３３、および２３４の現在地から所望の目的地までの一連の道路および曲がり角を提供し得る。しかしながら、一連の道路および曲がり角２４１～２４８自体は、車両２３１のモーションプランや経路をまだ指定していないことを留意されたい。車両がどの車線を走行するのか、車両が車線変更すべきか現在の車線に留まるべきか、停止線で停止するために車両が減速を開始すべきかどうか、車両が交差点を横断してもよいかどうかなど、下すべき数多くの離散決定が存在する。さらには、車両がその最初の地点からその目的地までの移動上で達成すべき時間が決められた一連の位置および向きなど、下すべき数多くの連続決定が存在する。これらの決定は、対応する位置に車両が到達した時点での現在の交通量によって非常に左右される。これは、交通の動きが不透明であり、車両がその場所に到着する時点も不透明であるために、ルーティングモジュールにはまず分からない。
【0039】
本開示のいくつかの実施の形態では、１台または複数台のＣＡＶ、たとえば、２３１～２３４の現在地から所望の目的地までのルートに沿った前述の離散決定および／または連続決定のうち一連の１つまたは複数の決定を含むモーションプランは、大域的マルチ車両意思決定システムによって計算され得る。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、車両（Ｖ２Ｖ）間の調整を可能にするリアルタイム通信および／またはスマートインフラストラクチャシステムと車両（Ｖ２Ｘ）との通信に依拠する。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、１つまたは複数の制約付き最適化問題、たとえば、制約付き混合整数計画問題を解くことによってＣＡＶ毎のモーションプランを計算する。
【0040】
いくつかの実施の形態によると、大域的マルチ車両意思決定モジュールの対象は、小規模から中規模の交通網、たとえば、複数の相互に接続されたコンフリクトゾーンからなる局所（公共または私有）エリアである。本発明のいくつかの実施の形態は、潜在的に多くの非制御交通参加者と同じ環境で動作する潜在的に様々な数のＣＡＶを利用した、ＣＡＶが行う人および／または物の輸送タスク、たとえば、同乗者、食料雑貨もしくはその他の小包を拾ったり降ろしたりすることを含む。タスク割り当て、すなわち、各ＣＡＶが達成しなければならない目的は、たとえば潜在的に大きな制約付き（混合整数）最適化問題の解に基づいて、別個のタスク割り当てモジュールによって実行され得る。割り当てられたタスクに基づいて、ナビゲーションモジュールは、集中的または各ＣＡＶにおいて局所的のいずれかでＣＡＶ毎のルートを決定し、ルート情報はリアルタイムで更新され得る。後退ホライズン計算、および実際の応用における有効性を含む計算上の扱いやすさを考慮すると、本発明の実施の形態は、最大で１０個のコンフリクトゾーンといくつかの互いに接続された道路区間とから構成されるローカル交通網内にある少なくとも１～１０台のＣＡＶ、０～３０台のＮＣＶに対処できる。
【0041】
図３は、大域的マルチ車両意思決定システム３００とマッピングおよびナビゲーションシステム３１０、１台もしくは複数台の制御車両（ＣＡＶ）３３０および無制御車両（ＮＣＶ）３４０、１つもしくは複数のＲＳＵ（路側機）３５０、１人もしくは複数の同乗者（ＨＭＩ）３６０、ならびに／または１つもしくは複数のモバイルエッジコンピュータ（ＭＥＣ）３２０の間で起こり得るインタラクションの概略図である。本発明のいくつかの実施の形態によると、マッピングおよびナビゲーションシステムは、集中または分散して（たとえば、ＣＡＶの一部として組み込まれているデバイス上で）ＣＡＶ毎の現在地から所望の目的地または所望の一連の目的地までのリアルタイムのルーティング情報を計算する。このルーティング情報は、マッピングおよびナビゲーションモジュールから大域的マルチ車両意思決定システム３１１に、および／または個々のＣＡＶ３３１に伝送され得る。同様に、マッピングおよびナビゲーションシステムは、大域的マルチ車両意思決定システム３１１および／または個々のＣＡＶ３３１のいずれかから最新情報を受信し得る。
【0042】
本発明のいくつかの実施の形態によると、大域的マルチ車両意思決定システムは、ＣＡＶの現在地からＣＡＶの所望の目的地までのルート、または一連の所望の目的地までのルートに沿った交通網にある粒度の粗いモーションプランをＣＡＶ毎に計算する。その後、このモーションプランは、大域的マルチ車両意思決定システムから制御車両（ＣＡＶ）のそれぞれに直接３３２伝送される、または代わりに大域的マルチ車両意思決定システムからの最新情報をＣＡＶ３３０に提供する１つまたは複数のＭＥＣ３０１との通信によって間接的に伝送される。同様に、本発明の実施の形態によると、大域的マルチ車両意思決定システムは、ＣＡＶ３３０、ＮＣＶ３４０、ＲＳＵ３５０、およびＨＭＩ３６０から直接伝送され得るリアルタイム情報、または３０１を介してＭＥＣ３２０から間接的に伝送されるリアルタイム情報に依拠する。本発明のいくつかの実施の形態では、ＭＥＣは、交通網の局所エリアに現在存在するＣＡＶ３３０、ＮＣＶ３４１、ＲＳＵ３５１、および人間の同乗者３６１と通信することによって、交通網の局所エリアにある交通参加者の状態および動的環境の状態についてのリアルタイム情報を収集し得る。
【0043】
本発明のいくつかの実施の形態は、ＭＥＣ３２０、ＣＡＶ３３０、ＮＣＶ３４０、ＲＳＵ３５０、およびＨＭＩ３６０の数は、大域的マルチ車両意思決定システム３００の各制御時間ステップで異なり得る、という認識に基づく。最も重要なことに、大域的マルチ車両意思決定システムが動作する交通網に交通参加者および潜在的同乗者が出入りすると、ＮＣＶおよびＨＭＩの数は、大幅に変化し得る。
【0044】
【数1】
【0045】
本発明のいくつかの実施の形態は、（半）自動運転のためのプランニングおよび制御は、意思決定、モーションプランニング、車両の制御および／または推定のためのアルゴリズムならびに技術の１つまたは複数の層を含んだ多層誘導および制御アーキテクチャ（通常であれば各車両上で実装される）を用いて効果的に実装できる、という認識に基づく。たとえば、設定された到達可能性または形式言語と組み合わせたオートマンおよび車両意思決定のための最適化を用いて、ＣＡＶ車両４１０の意思決定層４１１は、大域的意思決定部３００からのモーションプラン、現在の環境状況、およびその他の交通参加者の挙動から判断して、すべての時点において適切な運転挙動を選択する。車線追従、車線変更、または停止のいずれかを含む、意思決定層４１１からの目標挙動から判断して、モーションプランニングアルゴリズム４１２は、比較的下位の（予測）車両コントローラ４１３がリアルタイムで追跡できる動的に実行可能かつ安全な動きの軌道を計算することを目的とする。意思決定、モーションプランニング、および制御のためのより上位のアルゴリズムにフィードバックを提供するために、車載センシングおよびインフラストラクチャセンシングの情報を用いたリアルタイムのセンサーフュージョンおよび推定は、各車両、たとえば、４１４において実行され得る。類似しているが場合によっては異なる多層誘導および制御アーキテクチャを、二番目の車両４２０の４２１～４２４またはＮ番目の車両４３０の４３１～４３４など、その他のＣＡＶの（半）自動運転に利用できる。
【0046】
普及している（半）自動運転向けの手法は、４１１、４２１、および４３１において意思決定するためにＦＳＭ（有限ステートマシン）を利用し、４１２、４２２、および４３２においてサンプリングベースのモーションプランニングアルゴリズムを利用し、４１３、４２３、および４３３において基準軌道追跡のためにＭＰＣ（モデル予測制御）アルゴリズムを利用するという組合せを用いる。サンプリングベースのモーションプランニングのためのアルゴリズムの一例は、確率論的パーティクルフィルタを用いて入力空間をサンプリングし、１つまたは複数の運転要件に基づいてさらなる補正項を追加する。車両制御のための予測アルゴリズムの一例は、ＳＱＰ（逐次二次計画）法の１つまたは複数のイテレーションを用いて線形時変ＭＰＣ問題または非線形ＭＰＣ問題をリアルタイムで解く。本発明のいくつかの実施の形態は、（半）自動運転のためのモーションプランニングおよび基準追跡制御に予測アルゴリズムを利用することは、大域的マルチ車両意思決定システム３００が計算するモーションプランにおける予測情報の恩恵をさらに効果的に受けることができる、という認識に基づく。センサーフュージョンおよび推定のためのアルゴリズムの例は、ＭＨＥ（Ｍｏｖｉｎｇ Ｈｏｒｉｚｏｎ Ｅｓｔｉｍａｔｉｏｎ）、拡張カルマンフィルタもしくは線形回帰カルマンフィルタ、またはパーティクルフィルタに基づく。
【0047】
本発明のいくつかの実施の形態では、交通網にある複数台のコネクテッド車両に決定および／またはフィードバック情報を提供するために、多層誘導および制御アーキテクチャ４１１～４１４の様々な構成要素が各制御車両４１０上に実装され、大域的マルチ車両意思決定システム３００、マッピングおよびナビゲーションシステム４０５などその他のモジュール、およびインフラストラクチャセンシング４０１のためのセンサーフュージョン技術の一部またはすべてがインフラストラクチャ、たとえば、クラウドにおいて、および／または１つもしくは複数のＭＥＣ（モバイルエッジコンピュータ）において実装され得る。
【0048】
本発明のいくつかの実施の形態では、コネクテッド車両および非コネクテッド車両の両方、自動運転車両、半自動運転車両、および人によって操作される車両、ならびに自転車および歩行者などのその他の交通参加者を含む、交通網における車両の状態および動的環境を正確に検出するために、インフラストラクチャセンシング４０１は、１つまたは複数のセンサー、たとえば、レンジファインダー、レーダー、ライダー、およびカメラ、ならびにセンサーフュージョン技術を備える１つまたは複数のＲＳＵ（路側機）に対応する。
【0049】
本発明のいくつかの実施の形態は、たとえば、自転車および歩行者を含むその他の動的交通参加者（すなわち、車両ではない）についての安全性制約は、ＣＡＶ毎の多層誘導および制御アーキテクチャの車載モジュールにおける障害物回避技術によって、たとえば、モーションプランニングおよび／または車両制御アルゴリズムによって処理され得る、という認識に基づく。大域的マルチ車両意思決定システムの計算コストよりも比較的小さい計算コストで済むので、本発明のいくつかの実施の形態では、モーションプランニングおよび車両制御アルゴリズムは、たとえば、その他の車両の動的挙動および／またはその他の交通参加者の動的挙動の予期しない変化に対して素早い反応時間を有するために比較的高速のサンプリングレートで動作できる。たとえば、リアルタイムの車両制御アルゴリズムは、通常、５０～１００ミリ秒の更新期間で実行される。
【0050】
本発明のいくつかの実施の形態は、図４Ａに示すアーキテクチャの構成要素のうち１つまたは複数の構成要素によって、異なるモデリング精度および／または異なる計算量を有する異なる車両モーションモデルが用いられ得る、という認識に基づく。たとえば、大域的マルチ車両意思決定システム３００における各車両の動きを、１次元キネマティックモデルを用いて、下記のように記述できる。
【数2】
【0051】
本発明のいくつかの実施の形態は、図４Ａに示す多層誘導および制御アーキテクチャの下位の構成要素によって、モデリング精度がより高く、場合によっては計算量もより高い車両モーションモデルが用いられ得る、という認識に基づく。たとえば、大域的マルチ車両意思決定システム３００および／またはナビゲーションモジュール４０５では、１次元キネマティックモデルが用いられ得、車両４１０、４２０、および４３０のそれぞれの意思決定部４１１、４２１、４３１、モーションプランナー４１２、４２２、４３２、車両コントローラ４１３、４２３、４３３、および／または推定アルゴリズム４１４、４２４、４３４では、車両の動きを記述するためにより高い次元（非線形）のキネマティックモデルが用いられ得る。これに代えて、多層誘導および制御アーキテクチャの下位の構成要素のうち１つまたは複数がより高次元（非線形）の動的モデルを用いて、たとえば、（非線形）ＭＰＣベースの車両コントローラ４１３、４２３、４３３における力とトルクのバランスに基づいて車両の動きを記述してもよい。
【0052】
たとえば、本発明のいくつかの実施の形態では、ＭＰＣベースの車両コントローラ４１３、４２３、４３３において、単線軌道非線形車両モデルが用いられ得る。ＭＰＣベースの車両コントローラ４１３、４２３、４３３の状態は、車両の２次元の位置、縦方向の速度および横方向の速度、ヨー角、ならびにヨーレートで記述される。単線軌道車両モデルは、各アクスル上の左輪と右輪とを同列に並べる。本発明のいくつかの実施の形態では、たとえば、車両の４つの車輪間での縦方向および横方向の負荷の伝達を正確にモデル化できるよう、さらに高いモデリング精度と計算量とを有する車両モデルが複線軌道車両モデルに基づいて用いられ得る。本発明のいくつかの実施の形態では、パセイカのマジックフォーミュラを用いて、縦方向のタイヤ摩擦力と横方向のタイヤ摩擦力との非線形関係、スリップ率、および横滑角をモデル化できる。これは、タイヤ力における通常の飽和挙動を表す。組み合わさったスリップ条件の下、たとえば、摩擦円または重み付け関数を用いて縦方向のタイヤ力と横方向のタイヤ力との結合をモデル化できる。
【0053】
図４Ｂは、集中型ナビゲーションモジュール４０５を備えない代わりに、個々のナビゲーションシステム４４１、４４２、および４４３がＣＡＶ４１０、４２０、および４３０それぞれのその現在地から所望の目的地までのルート、または一連の所望の目的地までのルートを計算し得る大域的マルチ車両意思決定システム３００のフィードバックループの同様の概略図である。本発明のいくつかの実施の形態では、個々のナビゲーションシステム（たとえば、４４１）は、対応する制御車両４１０上で実行され、個々のナビゲーションモジュール４４１～４４３のそれぞれからの今後の計画されているルーティング情報は、大域的マルチ車両意思決定システム３００に伝送され得る。
【0054】
図５Ａは、混合整数最適制御最適化問題５１０を解いて交通網におけるコネクテッド（半）自動運転車両の大域的マルチ車両意思決定のためのモーションプランを計算することによる、インフラストラクチャおよび／またはコネクテッド車両との通信（Ｖ２Ｘ）に基づいた大域的マルチ車両意思決定システム３００のブロック図である。大域的マルチ車両意思決定システム３００への入力は、マッピング情報５０１、すなわち、それぞれの道路区間内にあるコンフリクトのない道路区間、コンフリクトゾーン、および走行車線の位置データ（たとえば、ＧＰＳデータ）を含み得る。これに加えて、大域的マルチ車両意思決定システム３００への入力は、ＣＡＶの状態および計画されているルーティング情報５０５についてのフィードバック信号と、ＮＣＶの状態および予測されるルーティング情報５０６についてのフィードバック信号とを含み得る。本発明のいくつかの実施の形態では、後者のフィードバック信号は、センシングインフラストラクチャ（たとえば、ＲＳＵ）ならびに／またはコネクテッド車両（自動運転車両、半自動運転車両、および／もしくは人によって操作される車両のいずれかであり得る）から直接または間接的に取得される。ＣＡＶの状態および計画されているルーティング情報５０５についてのフィードバック信号は、タイプ１フィードバック信号と称される場合がある。ＮＣＶの状態および予測されるルーティング情報５０６についてのフィードバック信号は、タイプ２フィードバック信号と称される場合がある。
【0055】
本発明のいくつかの実施の形態では、混合整数最適制御最適化問題に対する解５１０を用いて、ＣＡＶ毎の今後の計画ルートおよびＮＣＶ毎の今後の予測ルートに沿った交通網内の各道路区間におけるＣＡＶ毎およびＮＣＶ毎に最適な一連の進入時間および脱出時間ならびに最適な一連の平均速度を計算できる（５１５）。続いて、本発明のいくつかの実施の形態では、最適な一連の時間および最適な一連の速度５１５を利用して、予測範囲にわたる速度分布および／または１つもしくは複数の計画的停止をＣＡＶ毎に計算できる（５２０）。後者の情報は、相互に接続された交通網における（半）自動運転のＣＡＶ毎の多層誘導および制御アーキテクチャに送信される（５２０）。
【0056】
交通網は、１台もしくは複数台の完全自動ＣＡＶおよび／または１台もしくは複数台の半自動ＣＡＶを含み得る。本発明のいくつかの実施の形態では、交通網における交通の流れの全体の安全性、時間効率、およびエネルギー効率を改善するために、各道路区間におけるＣＡＶの進入時間および脱出時間を制御するために大域的マルチ車両意思決定システム３００によって完全自動ＣＡＶの速度分布が制御され得る。本発明のいくつかの実施の形態によると、大域的マルチ車両意思決定システム３００は、交通網内の今後の計画ルートに沿った１つまたは複数のコンフリクトゾーンに半自動ＣＡＶが進入することが許可されるかどうかおよび半自動ＣＡＶがいつ進入を許可されるかについて制御できるが、半自動ＣＡＶの速度分布は、大域的マルチ車両意思決定システム３００によって直接制御できない。たとえば、特定の時間ステップにおいて、大域的マルチ車両意思決定システム３００は、（各半自動ＣＡＶがそれ自体で決定できる速度分布を用いて）および交通交差点に安全に進入するタイミングについての大域的マルチ車両意思決定システム３００からの追加情報を用いて１台または複数台の半自動ＣＡＶに交通交差点で停止するよう指示できるが、交通網の道路区間にある１台または複数台の半自動ＣＡＶの速度分布は直接制御できない。
【0057】
本発明のいくつかの実施の形態は、図５Ａに記載のように、大域的マルチ車両意思決定システムにおいてＣＡＶ毎の長期今後のルート計画５０５を使用する。本発明のいくつかの実施の形態は、インフラストラクチャシステムによっては、各ＮＣＶのルートについて正確な今後の予測を取得することが困難であることが明らかになるであろう、という認識に基づく。このため、本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システム３００は、センシングインフラストラクチャ（たとえば、ＲＳＵ）および／またはコネクテッド車両からの直近の情報に基づいた後退ホライズン式で実装される。本発明のいくつかの実施の形態は、ＮＣＶについてはおおよその短期の今後のルート予測５０６が十分であり、このルート予測は、通常、たとえば、各ＮＣＶの現在地から次のコンフリクトゾーンまでの間に比較的容易に取得でき、予測における矛盾は後退ホライズン法の内発的フィードバック機構によって調整可能である、という認識に基づく。たとえば、１～２秒の更新期間があれば、ＮＣＶの挙動についての間違った予測を考慮して、ＣＡＶ毎の多層誘導および制御アーキテクチャを十分高速に更新しつつ、大域的マルチ車両意思決定システム３００のリアルタイム計算が可能である（５２０）。
【0058】
本発明のいくつかの実施の形態は、大域的マルチ車両意思決定システム３００は、Ｖ２Ｘ通信からの入力情報から判断して、制約付き最適化問題を解いて（５１０）ＣＡＶ毎のモーションプランを計算することによって実装され得る、という認識に基づく。本発明のいくつかの実施の形態では、制約付き最適化問題は、ＭＩＰ（混合整数計画）問題、たとえば、ＭＩＬＰ（混合整数線形計画）であってもよく、ＭＩＱＰ（混合整数二次計画）問題であってもよい。本発明のいくつかの実施の形態では、たとえば、分枝限定法、分枝切除法、および分枝価格法を含む大域的最適化アルゴリズムによって、大域的マルチ車両意思決定システム３００の各サンプリング時におけるＭＩＰ問題を解くことができる（５１０）。本発明のその他の実施の形態では、たとえば、丸め方式、実現可能性ポンプ法、近似最適化アルゴリズム、または（深層）機械学習の利用を含む、ヒューリスティック技術が用いて、ＭＩＰに対する実行可能であるが最適に満たない解が計算され得る。
【0059】
大域的マルチ車両意思決定システム３００のいくつかの実施の形態では、制約付き最適化問題５１０は、１つまたは複数の目的の最適化（最小化）を含み、交通網にあるすべての車両の安全性および効率のための１つまたは複数の等式制約ならびに／もしくは不等式制約を施行する。たとえば、制約は、車両モーションモデル、速度制限制約、今後のルート計画またはルート予測のタイミング制約、コンフリクトゾーンのおける安全性制約、およびコンフリクトのない道路区間における占有期間制約を含み得る。これらの目的は、今後のルート計画またはルート予測における各区間の終わりに到達するまでの走行時間を最小化することと、車両ごとの待ち時間を最小化することと、平均速度を最大化することと、エネルギー効率のために加速を最小化することとを含み得る。
【0060】
本発明のいくつかの実施の形態では、大域的マルチ車両意思決定の混合整数最適化（最小化）問題５１０は、探索空間内の大域的最適解を探索して最適な制御信号を作成するＢ＆Ｂ（分枝限定法）最適化方法を用いて解くことができる。ここで、Ｂ＆Ｂ最適化は、探索空間を反復的に分割して、複数の領域からなるネストされたツリーにし、大局的に最適な（最小の）目的関数値を有する解を見つける。Ｂ＆Ｂ法は、凸緩和を反復的に解いて、複数の領域からなるネストされたツリーのうち、特定の領域内にある目的関数値の下限値を計算する。１つまたは複数の領域は、対応する下限値が大域的に最適な目的関数値に対する現在既知の上限値よりも大きい場合、剪定され得る。大域的に最適な目的関数値に対する上限値は、大域的に最適な目的関数値に対する現在既知の上限値未満の目的関数値で整数実行可能解が見つかった場合、更新され得る。
【0061】
【数3】
【0062】
【数4】
【0063】
【数5】
【0064】
【数6】
【0065】
【数7】
【0066】
【数8】
【0067】
【数9】
【0068】
【数10】
【0069】
本発明のいくつかの実施の形態は、（たとえば、そのルートに沿った各道路区間における車両毎の）総走行時間の最小化と、（たとえば、１つの道路区間の終わりにあって、そのルートに沿った後続する道路区間に進入する前の車両毎の）交通網にあるＣＡＶの総待ち時間の最小化との間には、トレードオフが存在する、という認識に基づく。具体的には、本発明のいくつかの実施の形態によると、大域的マルチ車両意思決定システムは、安全性制約および速度制限のすべてを守りつつ、そのルートに沿った各道路区間をできる限り高速で走行するようＣＡＶに指示し得る。これでは、走行時間は比較的少なくて済むであろうが、さらに待ち時間が比較的多くなってしまうであろう。これに代えて、本発明のいくつかの実施の形態によると、総待ち時間を減らすために、大域的マルチ車両意思決定システムは、ＣＡＶがそのルートに沿った後続する道路区間に安全に進入する前に道路区間の終わりで待機する必要があると予測される場合、１台または複数台のＣＡＶに（直ちにまたは今後）速度を落として走行するよう指示し得る。本発明のいくつかの実施の形態は、全体のエネルギー効率を最適化するために、たとえば、そのルートに沿った各車両の加速および／または減速の全体的な量の最小化など、別の目的または追加の目的を大域的マルチ車両意思決定システムが利用して交通網にあるＣＡＶ毎にモーションプランが計算され得る、という認識に基づく。
【0070】
図７は、ＭＩＰ（混合整数計画）問題を解き（７２０）、たとえば、交通網にある制御車両および／または半制御車両それぞれの時間および速度スケジュール７３０から構成されるモーションプランを計算することによって、インフラストラクチャおよび／またはコネクテッド車両との通信（Ｖ２Ｘ）に基づいた大域的マルチ車両意思決定システム３００のブロック図を示す。大域的マルチ車両意思決定システム３００への入力は、マッピング情報５０１、すなわち、それぞれの道路区間内にあるコンフリクトのない道路区間、コンフリクトゾーン、および走行車線の位置データ（たとえば、ＧＰＳデータ）を含み得る。これに加えて、大域的マルチ車両意思決定システム３００への入力は、交通網にある制御車両、非制御車両、および／または半制御車両のセンシングおよび（計画または予測される）ルーティング情報７０５についてのフィードバック信号を含み得る。図７に示すように、本発明のいくつかの実施の形態によると、結果として得られるＭＩＰ（混合整数計画）問題を作成して解く（７２０）ために、大域的マルチ車両意思決定システム３００への入力を用いて行列およびベクトルをＭＩＰデータで作成し、目的、等式制約、および不等式制約を規定し得る（７１０）。
【0071】
【数11】
【0072】
図８Ａは、大域的マルチ車両意思決定システム３００が解くＭＩＰ問題７２０が守り得る等式制約および／または不等式制約８００の例を示す図である。本発明のいくつかの実施の形態では、ＭＩＰ問題７２０は、車両の動的等式制約８０１、車両のルーティング不等式制約８０２、制御車両および／または半制御車両（ＣＡＶ）の速度制限制約８０３、ＮＣＶ（無制御車両）の速度制限制約８０４、コンフリクトゾーン毎の安全性制約８０５、ならびに交通網にある（コンフリクトするおよび／またはコンフリクトのない）道路区間毎の占有期間制約８０６を含み得る。
【0073】
本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、たとえば、ＣＡＶ毎およびＮＣＶ毎の１次元キネマティックモーションモデルが下記の線形車両の動的等式制約８０１によって規定されるよう、最適化変数に逆速度を含んだＭＩＰ７２０に対する解に基づく。
【数12】
【0074】
【数13】
【0075】
【数14】
【0076】
【数15】
【0077】
【数16】
【0078】
本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、制御車両または半制御車両（ＣＡＶ）について１つまたは複数の速度制限制約８０３を含んだＭＩＰ７２０に対する解に基づく。本発明のいくつかの実施の形態は、各ＣＡＶの速度を、たとえば、正の値と負の値との間で速度が交互する駐車操縦の場合を除いて、正の値に留まるように限定し、速度は、交通網内の道路区間毎に異なり得る速度制限の最大許容値以下に留まるように限定され得る。たとえば、逆速度変数に着目した場合、ＣＡＶの速度制限制約８０３は、ＭＩＰ７２０において式で下記のように表すことができる。
【数17】
【0079】
本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、ＮＣＶ（無制御車両）についての１つまたは複数の速度制限制約８０４を含んだＭＩＰ７２０に対する解に基づく。本発明のいくつかの実施の形態は、ＮＣＶの速度は直接制御できず、その結果、大域的マルチ車両意思決定システムは、ＮＣＶ毎のその予測ルートに沿った一連の速度値を自由に選択できない、という認識に基づく。その代わりに、本発明のいくつかの実施の形態は、ＮＣＶ毎の予測速度を、状態推定およびセンシングモジュールが（たとえば、センシングインフラストラクチャにおけるＲＳＵが）提供する現在の速度値に比較的近い速度値に留まるように限定することを目的とする。
【0080】
本発明のいくつかの実施の形態では、ＮＣＶの逆速度変数は、たとえば、ＮＣＶの現在の速度値および／または加速値に基づいた、その予測ルートに沿った各道路区間にあるＮＣＶ毎の平均速度の逆平均速度の予測値に対応する。たとえば、本発明のいくつかの実施の形態は、ＮＣＶについて下記の速度制限制約８０４を含む。
【数18】
【0081】
【数19】
【0082】
【数20】
【0083】
【数21】
【0084】
【数22】
【0085】
図８Ｄは、本発明の実施の形態に係る、大域的マルチ車両意思決定システム３００が解くＭＩＰ問題７２０における重み付き多目的最小化８５０に含まれ得る目的の例を示す図である。たとえば、ＭＩＰ問題７２０における重み付き多目的最小化関数８５０は、次のように解釈できる。
【数23】
【0086】
本発明のいくつかの実施の形態では、ＭＩＰ問題７２０における走行時間８５１の最小化は、交通網にある車両毎の進入時間および／または脱出時間の最小化の加算として実行される。本発明のいくつかの実施の形態では、ＭＩＰ問題７２０における走行時間８５１の最小化は、各車両が交通網におけるその所望の目的地に到着するのにかかる時間の重み付き和の最小化として実行される。たとえば、本発明のいくつかの実施の形態では、ＭＩＰ問題７２０における走行時間の最小化８５１を、次のように解釈する。
【数24】
【0087】
【数25】
【0088】
本発明のいくつかの実施の形態では、交通網内の今後のルートに沿った各道路区間におけるＮＣＶの平均速度の予測値に比較的近いままにＮＣＶ毎の速度を制約するために、ＭＩＰ問題７２０における重み付き多目的最小化８５０は、たとえば、ＮＣＶ（無制御車両）の速度追跡ペナルティ８５３の最小化を含む。たとえば、本発明のいくつかの実施の形態では、ＭＩＰの目的８５０は、交通網の道路区間のそれぞれにおけるＮＣＶ毎の逆速度変数の和の最小化を含む。
【数26】
【0089】
【数27】
【0090】
【数28】
【0091】
本発明のいくつかの実施の形態は、大域的マルチ車両意思決定システム３００においてＭＩＰ問題７２０を解くために用いられる数値最適化アルゴリズムにおいて、重複する最適化変数をＰｒｅ－Ｓｏｌｖｅルーチンによって自動的に削除できる、という認識に基づく。本発明のいくつかの実施の形態では、ＭＩＰ問題７２０の重複する最適化変数毎の対応する単純な上下限値を調整することによって、１つまたは複数の重複する最適化変数を特定の値に明示的に固定することができる。
【0092】
たとえば、本発明のいくつかの実施の形態では、重複する最適化変数は、例えば、下記のような単純な規則に従って固定したり、削除したりすることができる。
【数29】
【0093】
【数30】
【0094】
【数31】
【0095】
図９Ａは、いくつかの実施の形態に係る、大域的マルチ車両意思決定システム３００におけるＭＩＰ問題７２０の整数実行可能解のための探索領域から構成されるネストされたツリーを表すバイナリ決定変数探索ツリーの例の概略を示す図である。図９Ａは、混合整数最適化アルゴリズムの特定のイテレーションにおける二分探索ツリー９００を示すことによって、分枝限定法の概略図を示している。分枝限定法は、いくつかの実施の形態において大域的マルチ車両意思決定システムを実装するために用いられ得る。Ｂ＆Ｂ（分枝限定法）法の主な概念は、元のＭＩＰ問題７２０の区画を逐次作成した後に、これらの区画を解くことを試みることである。ここで、各区画は、離散最適化変数探索空間の特定の領域に対応する。本発明のいくつかの実施の形態では、分枝限定法は、区画またはノードを選択し、この区画をさらに小さな区画または探索領域に分枝させるための離散最適化変数を選択し、結果として、区画または探索領域から構成されるネストされたツリーが得られる。
【0096】
【数32】
【0097】
【数33】
【0098】
図９Ｂは、いくつかの実施の形態に係る、探索領域のネストされたツリーおよび対応する上限値／下限値に基づいて整数実行可能最適解を探索するための分枝限定混合整数最適化アルゴリズムのブロック図を示す。いくつかの実施の形態では、図９Ｂに示す分枝限定混合整数最適化アルゴリズムのブロック図は、大域的マルチ車両意思決定システムを実装するために用いられ得る。分枝限定法は、行列とベクトルから構成されるＭＩＰデータ７１０に基づいて、大域的マルチ車両意思決定システムの現在の時間ステップ９１０においてＭＩＰ（混合整数計画）の分枝探索ツリー情報を初期化する。現在の時間ステップ９１０をウォームスタートで初期化するために、この初期化では、前の時間ステップ９１２の分枝探索ツリー情報およびＭＩＰの解情報もさらに用いられ得る。最適化アルゴリズムの主な目標は、混合整数解の目的関数値の下限値と上限値を作ることである。ステップ９１１では、下限値と上限値との差が特定の公差値よりも小さい場合、混合整数最適解が見つかる（９５５）。
【0099】
ステップ９１１において下限値と上限値との差が特定の公差値よりも大きく、最適化アルゴリズムによる最大実行時間にまだ達していない限り、分枝限定法は、継続して混合整数最適解を反復的に探索する（９５５）。分枝限定法の各イテレーションは、整数変数探索空間の次の領域または区画に対応する、ツリーの次のノードを選択することから開始し、場合によっては、Ｐｒｅ－Ｓｏｌｖｅ分枝技術に基づいて変数を固定する（９１５）。ノードを選択された後、対応する整数緩和問題を解き、場合によっては、Ｐｏｓｔ－Ｓｏｌｖｅ分枝技術に基づいて変数を固定する（９２０）。
【0100】
整数緩和問題が実行可能解を有する場合、結果として得られる緩和の解によって、整数変数探索空間のその特定の領域または区画の目的関数値の下限値を取得できる。ステップ９２１において、最適な混合整数解の目的関数値の現在既知の上限値よりも目的が大きいと判断された場合、選択されたノードを剪定するか、分枝ツリーから削除する（９４０）。しかしながら、ステップ９２１では、目的が現在既知の上限値よりも低いと判断され、かつ、緩和の解が整数実行可能である場合（９２５）、現在既知の上限値および対応する混合整数解の推定値を、ステップ９３０で更新する。
【0101】
整数緩和問題に実行可能解があり、目的が現在既知の上限値よりも小さい（９２１）が、緩和の解は、まだ整数実行可能でない場合、目的の大域的下限値を、分枝ツリーの残りの葉ノードの目的関数値の最小値になるよう更新し得（９３５）、選択されたノードを、ツリーから剪定する（９４０）。これに加えて、離散探索空間の領域および区画に対応する結果として生じる下位問題を分枝ツリーのそのノードの子として作成して追加する（９５０）ために、現在のノードから開始して、特定の分枝法９４５に従って分枝させるための、小数値を有する離散変数が選択される。
【0102】
【数34】
【0103】
いくつかの実施の形態は、ＬＩＦＯ（Ｌａｓｔ－Ｉｎ－Ｆｉｒｓｔ－Ｏｕｔ）バッファを用いて実装できる深度優先ノード選択法を用いた分枝限定法に基づく。次に解かれるノードは、現在のノードの子のうちの１つとして選択され、この工程は、ノードが剪定されるまで繰り返される、すなわち、ノードは、実行不可能である、最適である、または、現在既知の上限値によって決定されているかのいずれかである。この後には、逆追跡法が続く。その代わりに、いくつかの実施の形態は、分枝限定法に基づく。分枝限定法は、局所の下限値が現在最も低いノードを選択する最良優先法を用いる。いくつかの実施の形態は、整数実行可能解が見つかるまで深度優先ノード選択法が使用され、その後、分枝限定ベースの最適化アルゴリズムの後続のイテレーションにおいて最良優先ノード選択法が使用される、深度優先ノード選択法と最良優先ノード選択法とを組み合わせた方法を採用する。後者の実装は、早いうちの剪定を可能にするために分枝限定法（深度優先）の始めの早いうちに整数実行可能解を見つけて、その後、より良い実行可能解（最良優先）を見つけるための欲張り探索（Ｇｒｅｅｄｙ Ｓｅａｒｃｈ）を実行することを目的とすることが動機となっている。
【0104】
分枝限定法は、下記の条件のうち１つまたは複数が満たされるまでイテレーションを続ける。
●プロセッサの最大実行時間に達する。
●分枝探索ツリーにあるすべてのノードが剪定されて、凸緩和を解いたり分枝したりするための新しいノードをこれ以上選択できない。
●混合整数解の目的の大域的な下限値と上限値との最適性ギャップが許容範囲未満である。
●プロセッサの最大実行時間に達する。
●分枝探索ツリーにあるすべてのノードが剪定されて、凸緩和を解いたり分枝したりするための新しいノードをこれ以上選択できない。
●混合整数解の目的の大域的な下限値と上限値との最適性ギャップが許容範囲未満である。
【0105】
図１０は、本発明のいくつかの実施の形態に係る、１つまたは複数の相互に接続されたコンフリクトゾーンからなる交通網にある１台または複数台の制御車両のモーションプランを計算するための大域的マルチ車両意思決定システム１０００のブロック図を示す。大域的マルチ車両意思決定システム１０００は、クラウドにおいて、または１つもしくは複数のＭＥＣ（モバイルエッジコンピュータ）において実行される。システムは、交通網の１つまたは複数の相互に接続されたコンフリクトゾーン近くの交通情報を収集するために一連のセンサーから構成される１つまたは複数のエッジデバイス（たとえば、インフラストラクチャベースのセンシング用のＲＳＵ）または一連のセンサーに機能的に接続された１つまたは複数のエッジデバイスをさらに必要とするであろう。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、交通網における今後の計画ルートに沿ったＣＡＶ（コネクテッド自動運転車両）のそれぞれに、最適な一連の進入時間ならびに脱出時間ならびに平均速度１０２２および／または速度分布、ならびに一連の計画的停止１０２４を送信するように設計されている。
【0106】
大域的マルチ車両意思決定システム１０００は、意思決定システム１０００をその他のシステムおよびデバイスと接続する複数のインタフェースを備える。たとえば、意思決定システム１０００は、意思決定システム１０００を１つ以上のデバイス１００８に接続するネットワーク１００６にバス１００４を通して意思決定システム１０００を接続するように適合されるＮＩＣ（ネットワークインタフェースコントローラ）１００２を備える。このようなデバイスとして、車両、信号機、トラフィックセンサー、ＲＳＵ（路側機）、ＭＥＣ（モバイルエッジコンピュータ）、および同乗者のモバイル機器などが挙げられるが、これらに限定されない。意思決定システム１０００は、さらに、送信インタフェース１０１０を備える。送信インタフェース１０１０は、送信部１０１２および／またはデバイス１００８のうち１つもしくは複数を用いて、交通網における今後の計画ルートに沿ったＣＡＶ（コネクテッド自動運転車両）のそれぞれに、１つまたは複数のプロセッサ１０１４が決定した最適な一連の進入時間ならびに脱出時間ならびに平均速度１０２２および／または速度分布、ならびに一連の計画的停止１０２４を送信するように構成される。交通網における交通の流れの全体の安全性、時間効率およびエネルギー効率を改善するために、大域的マルチ車両意思決定システムから受信したコマンドは、ＣＡＶのそれぞれにおける多層誘導および制御アーキテクチャによって車両の動きを制御するために用いられ得る。
【0107】
ネットワーク１００６を通して、大域的マルチ車両意思決定システム１０００は、受信部１０３０に接続された受信インタフェース１０２８を用いてリアルタイムの交通データ１０３２を受信する。意思決定システム１０００は、交通網にある相互に接続されたコンフリクトゾーンおよび道路区間のうち１つまたは複数についての交通情報を受信し得る。交通データ１０３２は、車両状態（たとえば、加速、位置、進行方向、速度）の情報と、交通網にある車両毎の計画ルートおよび／または予測される今後のルート（たとえば、一連の今後の道路区間、走行車線、所望の目的地、待ち時間）の情報とを含み得る。これに加えて、またはこれに代えて、意思決定システム１０００は、１つまたは複数のデバイス１００８にそれぞれの加速、速度などの状態を変更するためのコマンドを送信するように構成された制御インタフェース１０３４を備え得る。制御インタフェース１０３４は、コマンドを送信するための送信部１０１２および／またはその他の通信手段を使用し得る。
【0108】
本発明のいくつかの実施の形態では、ＨＭＩ（ヒューマンマシンインタフェース）１０４０が意思決定システム１０００をキーボード１０３６およびポインティングデバイス１０３８に接続する。ここで、ポインティングデバイス１０３８は、特に、マウス、トラックボール、タッチパッド、ジョイスティック、ポインティングスティック、スタイラス、またはタッチスクリーンを含み得る。また、意思決定システム１０００は、バス１００４を通して、特に、コンピュータモニタ、カメラ、テレビ、プロジェクター、またはモバイル機器など、表示装置に意思決定システム１０００を接続するように適合される表示インタフェースにリンクされ得る。また、意思決定システム１０００は、様々な電力配分タスクを実行するための１つ以上の機器に意思決定システム１０００を接続するように適合されるアプリケーションインタフェースに接続され得る。
【0109】
意思決定システム１０００は、記憶している命令を実行するように構成された１つまたは複数のプロセッサ１０１４と、プロセッサ（少なくとも１つのプロセッサ）１０１４によって実行可能な命令を記憶するメモリ（少なくとも１つのメモリ）１０１６とを備え得る。プロセッサ（複数可）１０１４は、シングルコアプロセッサ、マルチコアプロセッサ、コンピュータクラスタ、複数の接続されたプロセッサからなるネットワーク、または任意の数のその他の構成であり得る。メモリ１０１６は、ＲＡＭ（ランダムアクセスメモリ）、ＲＯＭ（読み出し専用メモリ）、フラッシュメモリ、またはその他の適したメモリシステムを含み得る。プロセッサ（複数可）１０１４は、バス１００４を通して１つ以上の入力装置および出力装置に接続され得る。これらの命令は、相互に接続されたコンフリクトゾーンにおける局所エリアでの大域的マルチ車両意思決定のための方法を実装する。本発明のいくつかの実施の形態では、意思決定システム１０００は、マッピング構成１０１８を含む。たとえば、マッピング構成１０１８は、交通網のそれぞれの道路区間内にあるコンフリクトのない道路区間、コンフリクトゾーン、および走行車線の位置データ（たとえば、ＧＰＳデータ）を含み得る。
【0110】
意思決定システム１０００は、たとえば、図８Ａ～図８Ｄで説明するように、大域的マルチ車両意思決定システムの各時間ステップにおいて解かれるＭＩＰ（混合整数計画）問題７２０の制約および目的１０２０を含む。たとえば、ＭＩＰの制約および目的１０２０は、物理的な制限、車速制限、および／または安全性制約を守るように構成され得、かつ、交通網にある車両毎の走行時間、待ち時間、および／またはエネルギー消費の重み付き組合せを最小化するように構成され得る。本発明のいくつかの実施の形態では、ＭＩＰの制約および目的１０２０は、ＭＩＬＰ（混合整数線形計画）またはＭＩＱＰ（混合整数二次計画）問題の解につながる。ＭＩＰの解に基づいて、ＣＡＶ（コネクテッド自動運転車両）毎ごとに、交通網におけるその今後の計画または予測されるルートに沿った最適な一連の進入時間ならびに脱出時間ならびに平均速度１０２２および／または速度分布ならびに一連の計画的停止１０２４が、１つまたは複数のプロセッサ１０１４によって決定され得る。
【0111】
図１１Ａは、本発明のいくつかの実施の形態に係る、多層誘導および制御アーキテクチャ１１０２を備えた車両１１０１の概略を示す図である。多層誘導および制御アーキテクチャ１１０２は、大域的マルチ車両意思決定システムによって計算され得る交通網の今後のルート計画および対応するモーションプランに基づいて、車両の動きを制御する。本明細書において使用するとき、車両１１０１は、乗用車、トラック、シャトル、バス、またはローバーなど、任意の種類の車輪付き車両であり得る。また、車両１１０１は、自動運転車両であってもよく、半自動運転車両であってもよい。たとえば、大域的マルチ車両意思決定システムによって計算され得るモーションプランに基づいて、いくつかの実施の形態は、車両１１０１の動きを制御する。動きとして、車両１１０１のステアリングシステム１１０３によって制御される車両の横の動きなどが挙げられる。本発明のいくつかの実施の形態では、ステアリングシステム１１０３は、多層誘導および制御アーキテクチャ１１０２によって制御される。これに加えて、またはこれに代えて、ステアリングシステム１１０３は、車両１１０１の（人間の）ドライバーによって制御されてもよい。
【0112】
また、車両は、エンジン１１０６を備え得る。エンジン１１０６は、多層誘導および制御アーキテクチャ１１０２によって直接制御されてもよく、車両１１０１のその他の構成要素によって制御されてもよい。また、車両は、周辺環境を検知するために１つ以上の車載センサー１１０４を備え得る。センサー１１０４として、レンジファインダー、レーダー、ライダー、およびカメラなどが挙げられる。また、車両１１０１は、その現在の動作量および内部状態を検知するために、１つ以上の車載センサー１１０５を備え得る。センサー１１０５として、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）、加速度計、慣性計測装置、ジャイロスコープ、シャフト回転センサー、トルクセンサ、たわみセンサー、圧力センサー、およびフローセンサなどが挙げられる。車載センサーは、多層誘導および制御アーキテクチャ１１０２に情報を提供する。たとえば、本発明のいくつかの実施の形態に係る大域的マルチ車両意思決定システムと車両１１０１が通信できるように、車両には、有線またはワイヤレスの通信チャネルを通して多層誘導および制御アーキテクチャ１１０２の通信機能を可能にするトランシーバ１１０６が搭載されてもよい。
【0113】
図１１Ｂは、本発明のいくつかの実施の形態に係る、多層誘導および制御アーキテクチャ１１０２（すなわち、意思決定、モーションプランニング、車両制御および／または推定のためのアルゴリズムと技術の層）と車両１１０１のその他のコントローラ１１２０とのインタラクションの概略を示す図である。たとえば、いくつかの実施の形態では、車両１１０１のコントローラ１１２０は、車両１１２０の回転および加速をそれぞれ制御するステアリングコントローラ１１２５およびブレーキ／スロットルコントローラ１１３０である。このような場合、多層誘導および制御アーキテクチャ１１０２は、車両の状態１１０１を制御するためのコントローラ１１２５および１１３０に操作量を出力する。また、コントローラ１１２０は、多層誘導および制御アーキテクチャ１１０２の操作量をさらに処理する上位コントローラ、たとえば、レーンキープアシストコントローラ１１３５を含み得る。いずれの場合であっても、車両１１０１の動きを制御するために、コントローラ１１２０は、多層誘導および制御アーキテクチャ１１０２の出力を利用して、車両１１０１のハンドルおよび／またはブレーキなど、車両１１０１の少なくとも１つのアクチュエータを制御する。本発明のいくつかの実施の形態では、車両１１０１は、交通網にある複数台のＣＡＶのうち１台であり、車両１１０１への入力が車両１１０１の加速、車両１１０１のエンジントルク、制動トルク、および操舵角のうち１つまたはそれらの組合せを含み得る大域的マルチ車両意思決定システムによって計算されるモーションプランに基づいて、多層誘導および制御アーキテクチャ１１０２は、車両１１０１への入力を決定する。
【0114】
図１２Ａは、大域的マルチ車両意思決定システム３００とシッピングヤード管理システム１２００とのインタラクションの概略を示す図である。大域的マルチ車両意思決定システム３００とシッピングヤード管理システム１２００は、シッピングヤードにある制御車両および無制御車両についての効率的なジョブスケジュール管理、モーションプランニング、および意思決定のために互いに組み合せて使用され得る。本発明のいくつかの実施の形態では、シッピングヤード管理システムは、１つまたは複数のトラックおよび／または交通誘導員（ｓｐｏｔｔｅｒ）が下記のタスクのうち１つまたは複数を実行するためのタスク割り当ておよび計画ルートを計算する。
●１人または複数人のドック作業員によって１つまたは複数のトレーラーを積み込むまたは荷下ろしするための１つまたは複数のドックに向かうルート計画。
●シッピングヤードのある場所から別の場所に１つまたは複数のトレーラーを移動させるためのルート計画。
●１つまたは複数のトレーラーを持ち出したり降ろしたりするための駐車場の特定の区画に向かうルート計画。
●シッピングヤードエリアの相互に接続された交通網に進入および脱出するためのルート計画。
●１人または複数人のドック作業員によって１つまたは複数のトレーラーを積み込むまたは荷下ろしするための１つまたは複数のドックに向かうルート計画。
●シッピングヤードのある場所から別の場所に１つまたは複数のトレーラーを移動させるためのルート計画。
●１つまたは複数のトレーラーを持ち出したり降ろしたりするための駐車場の特定の区画に向かうルート計画。
●シッピングヤードエリアの相互に接続された交通網に進入および脱出するためのルート計画。
【0115】
本発明のいくつかの実施の形態では、シッピングヤード管理システムは、構成要素の中でも特に、予約スケジュール管理１２０５、セキュリティゲート管理１２１０、ドック管理１２１５、および交通誘導員スケジュール管理１２２０、のうち１つまたは複数を備え得る。予約スケジュール管理１２０５システムは、カーゴを積み込んだり荷下ろしたりするためのシッピングヤードに到着予定のトラック毎の予約を保証する。セキュリティゲート管理１２１０システムは、場合によってはセキュリティまたは検証処理と組み合わされて、各トラックのチェックインをドライバーがいてもいなくても行う。セキュリティゲート管理システムは、シッピングヤード管理システム１２００と大域的マルチ車両意思決定システム３００の両方がシッピングヤードエリアに現在存在するすべてのトラックおよびドライバーを認識していることを保証する。ドック管理１２１５システムは、１人または複数人のドック作業員による特定のトレーラーのカーゴの積み込みや荷下ろしにどの特定のドックを使うことができるかを決定するタスク割り当てまたはジョブスケジュール管理システムに基づく。交通誘導員スケジュール管理１２２０システムは、トレーラーを持ち出してシッピングヤードの特定の駐車場または特定のドックまで移動するよう特定の交通誘導員を指示するべきかどうかを決定する。
【0116】
本発明のいくつかの実施の形態では、シッピングヤード管理システムのタスク割り当て、ジョブスケジュール管理、マッピング、および／またはナビゲーションは、ＭＩＰ（混合整数計画）問題の解によって実装され得る。たとえば、１つまたは複数のモバイルエッジコンピュータを用いて、タスク割り当てまたはジョブスケジュール管理のＭＩＰは、大域的マルチ車両意思決定システムにおけるモーションプランニングのＭＩＰとは別個に解くこともでき、合わせて解くこともできる。本発明のその他の実施の形態では、実行可能であるが最適に満たないであろうスケジュールを大幅に低いシッピングヤード管理の計算コストで計算するために、シッピングヤード管理システムのタスク割り当てまたはジョブスケジュール管理は、ヒューリスティック探索技術に基づいて実装される。
【0117】
図１２Ｂは、セキュリティゲート１２６５、１つまたは複数の駐車場１２６０、および１つまたは複数のドック１２７０間で１つまたは複数の車両がシッピングヤードエリア内を走行するための相互に接続された交通網１２５５を備えるシッピングヤード管理システム１２５０の概略を示す図である。シッピングヤード管理システムは、製造工場、倉庫、または配送センターの作業場内でのトラックの移動をとりまとめることを目的とする。本発明のいくつかの実施の形態では、車両のそれぞれは、自動運転車両であってもよく、半自動運転車両（ＣＡＶ）であってもよく、無制御車両（ＮＣＶ）であってもよく、車両のそれぞれは、トラック１２６１（トレーラー１２６２の有無にかかわらず）、交通誘導員１２６３、またはヤードジョッキーのいずれかであってもよい。シッピングヤード管理システム１２５０は、トラック１２６１、トレーラー１２６２、交通誘導員１２６３、またはドック作業員１２６４のうち１人または複数人、ならびに駐車場１２６０またはドック１２７０のうち１つまたは複数にタスクをそれぞれ割り当てる。タスク割り当ての結果は、ドック作業員１２６４のうち１人もしくは複数人、ならびにトラック１２６１および交通誘導員１２６３のうち１つまたは複数、ならびに／またはトラック１２６１の１人もしくは複数人のドライバーおよび交通誘導員１２６３に伝送され得る。たとえば、ドック作業員および／またはドライバーのうち１人または複数人が保持し得るモバイル機器またはコンピュータと、シッピングヤード管理システムとの間の電子通信と組み合わせたＶ２Ｘ（Ｖｅｈｉｃｌｅ－Ｔｏ－Ｅｖｅｒｙｔｈｉｎｇ）通信機器および技術が用いられてもよい。その後、大域的マルチ車両意思決定システムは、計画または予測されるルートに沿ったＣＡＶおよびＮＣＶのそれぞれがシッピングヤード内でタスクを実行するための、相互に接続された交通網内の粒度の粗いモーションプランを計算する。
【0118】
本発明のいくつかの実施の形態は、シッピングヤード管理システムが車両のそれぞれに割り当てた特定のタスクにより、車両間には優先順位の階層が存在し得る、という認識に基づく。本発明のいくつかの実施の形態では、大域的マルチ車両意思決定システムは、重み付き多目的最小化に基づいたＭＩＰ問題に対する解に基づき、シッピングヤード管理システムによって決定される優先順位がより高い１つまたは複数の車両を優先するモーションプランを計算する。たとえば、優先順位がより高い１つまたは複数の車両の走行時間および／または待ち時間の重み値は、大域的マルチ車両意思決定システムにおけるＭＩＰ問題の重み付き多目的最小化では比較的大きな値と決められ得る。
【0119】
上述した本発明の実施の形態は、数多くの方法のいずれによっても実現できる。たとえば、ハードウェア、ソフトウェア、または、それらの組合せを用いて実施の形態を実現してもよい。ソフトウェアで実現された場合、１つのコンピュータ上に配置されていても複数のコンピュータ間で分散されていても、任意の適切なプロセッサまたはプロセッサの集まり上でこのソフトウェアコードを実行できる。このようなプロセッサは、１つの集積回路部品に１つ以上のプロセッサを含めた集積回路として実現されてもよい。しかし、プロセッサは、任意の適切なフォーマットの回路を用いて実現されてもよい。
【0120】
また、本明細書において概要を説明した様々な方法または工程は、様々なオペレーティングシステムまたはプラットフォームのいずれか１つを採用する１つ以上のプロセッサ上で実行可能なソフトウェアとしてコーディングされてもよい。これに加えて、このようなソフトウェアは、複数の適したプログラミング言語および／もしくはプログラミングツールもしくはスクリプティングツールのいずれかを用いて書かれてもよく、または、フレームワークもしくは仮想マシン上で実行される実行可能な機械言語コードもしくは中間コードとしてコンパイルされてもよい。通常、プログラムモジュールの機能は、様々な実施の形態において所望されるように組み合わせたり分散させたりしてもよい。
【0121】
また、本発明の実施の形態は、説明を行った方法として実装されてもよい。方法の一部として実行される動作は、適切に順序付けされてもよい。したがって、例示した順序とは異なる順序で動作を実行する実施の形態が構成されてもよく、例示した実施の形態では連続した動作として示されていたとしても、一部の動作を同時に行うことを含んでもよい。
【0122】
好ましい実施の形態を例として本発明を説明したが、本発明の要旨および範囲内で様々なその他の改作および変更が行われてもよいことを理解されたい。そのため、添付の特許請求の範囲の目的は、本発明の趣旨および範囲に含まれるすべてのこのような変形例および変更例を対象として含むことである。
【図1】
【図2A】
【図2B】
【図3】
【図4A】
【図4B】
【図5A】
【図5B】
【図6A】
【図6B】
【図6C】
【図7】
【図8A】
【図8B】
【図8C】
【図8D】
【図9A】
【図9B】
【図10】
【図11A】
【図11B】
【図12A】
【図12B】
