特表 2022-544715 譲歩挙動のモデリングおよび予測

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2022-10-20

(54)【発明の名称】譲歩挙動のモデリングおよび予測

(51)【国際特許分類】

   B60W 30/095 20120101AFI20221013BHJP

   B60W 40/04 20060101ALI20221013BHJP

   B60W 60/00 20200101ALI20221013BHJP

   G08G 1/16 20060101ALI20221013BHJP

【ＦＩ】

B60W30/095

B60W40/04

B60W60/00

G08G1/16 A

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022512376

(86)(22)【出願日】2020-08-19

(85)【翻訳文提出日】2022-04-22

(86)【国際出願番号】 US2020047017

(87)【国際公開番号】W WO2021041121

(87)【国際公開日】2021-03-04

(31)【優先権主張番号】16/549,704

(32)【優先日】2019-08-23

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ブルートゥース

(71)【出願人】

【識別番号】518156417

【氏名又は名称】ズークス インコーポレイテッド

(74)【代理人】

【識別番号】110001243

【氏名又は名称】弁理士法人谷・阿部特許事務所

(72)【発明者】

【氏名】アビシェク クリシュナ アケラ

(72)【発明者】

【氏名】ヴァシリー カラセフ

(72)【発明者】

【氏名】カイ ジェンユー ワン

(72)【発明者】

【氏名】リック ジャン

【テーマコード（参考）】

3D241

5H181

【Ｆターム（参考）】

3D241BA32

3D241BB16

3D241BB33

3D241DC18Z

3D241DC21Z

5H181AA01

5H181AA21

5H181AA28

5H181BB04

5H181BB05

5H181BB20

5H181CC03

5H181CC04

5H181CC11

5H181CC12

5H181CC14

5H181CC27

5H181EE02

5H181FF04

5H181FF10

5H181FF13

5H181FF22

5H181FF27

5H181FF32

5H181LL01

5H181LL02

5H181LL04

5H181LL09

5H181MB02

5H181MC24

(57)【要約】

車両アクションを決定して、環境における車両をナビゲートするための車両アクションを実行するように車両を制御するための技術は、車線変更のアクションのような車両が環境において実行するための車両アクションを決定することを含んでよい。車両は、少なくとも部分的にセンサーデータに基づいて、車線変更のアクションセンサーデータに関連付けられる対象車線に関連付けられるオブジェクトを検出することが可能である。ある例示において、車両は、オブジェクトに関連付けられる属性データを決定してよく、譲歩スコアを出力し得る機械学習モデルに属性データを入力してよい。このような譲歩スコアに基づいて、車両は、車線変更のアクションを実行することが安全であるかを決定してよい。

【特許請求の範囲】

【請求項1】

車両のセンサーから、環境のセンサーデータを受信するステップと、
少なくとも部分的に前記センサーデータに基づいて、前記環境におけるオブジェクトの存在を決定するステップと、
少なくとも部分的に前記センサーデータに基づいて、
前記車両に関連付けられる第１の速度データと、
前記オブジェクトに関連付けられる第２の速度データと、
前記車両と前記オブジェクトとの間の距離とを含む、属性データを決定するステップと、
前記属性データを機械学習モデルへと入力するステップと、
前記機械学習モデルから、前記オブジェクトに関連付けられる譲歩アクションの確率を示す譲歩スコアを受信するステップと、
少なくとも部分的に前記譲歩スコアに基づいて、前記車両を制御するステップと
を備える方法。

【請求項2】

前記属性データは、第１の時間に関連付けられる第１の属性データであり、前記距離は、第１の距離であり、前記方法は、
第２の時間に関連付けられる第２の属性データを決定するステップであって、前記第２の属性データは、
前記車両に関連付けられる第３の速度データと、
前記オブジェクトに関連付けられる第４の速度データと、
前記車両と前記オブジェクトとの間の第２の距離とを含む、ステップと、
前記第２の属性データを前記機械学習モデルへと入力するステップと
をさらに備える請求項１に記載の方法。

【請求項3】

車線変更の表示を実行するために前記車両を制御するステップをさらに備え、
前記属性データを決定するステップは、少なくとも部分的に前記車線変更の表示にさらに基づいている、
る請求項２に記載の方法。

【請求項4】

前記譲歩スコアが譲歩スコアの閾値を満たすか、または上回るという決定をするステップであって、前記車両を制御するステップは、少なくとも部分的に、前記譲歩スコアの閾値を満たすか、または上回る前記譲歩スコアにさらに基づいているステップ、または
前記譲歩スコアが前記譲歩スコアの閾値を下回っているという決定をするステップであって、前記車両を制御するステップは、少なくとも部分的に、前記譲歩スコアが前記譲歩スコアの閾値を下回っていることに基づいて、前記車両が車線変更のアクションを実行することを控えるステップのうちの少なくとも１つをさらに備える、
請求項３に記載の方法。

【請求項5】

少なくとも部分的に前記譲歩スコアに基づいて前記オブジェクトの予測されるモーションを示す予測されるモーションプロファイルを決定するステップをさらに備え、
前記車両を制御するステップは、少なくとも部分的に、前記予測されるモーションプロファイルにさらに基づいている、
請求項１ないし４のいずれか一項に記載の方法。

【請求項6】

少なくとも部分的に、前記予測されるモーションプロファイルに基づいて、車線変更のアクションを決定するステップさらに備え、
前記車両を制御するステップは、前記車線変更のアクションを実行するように前記車両を制御するステップを含み、
前記オブジェクトは、前記車線変更のアクションの対象車線に配置されている、
請求項５に記載の方法。

【請求項7】

少なくとも部分的に前記譲歩スコアに基づいて、前記車線変更のアクションに関連付けられるコストを決定するステップをさらに備え、
前記自律車両を制御するステップは、少なくとも部分的に前記コストにさらに基づいている、
請求項６に記載の方法。

【請求項8】

前記機械学習モデルは、少なくとも部分的に、訓練の属性データおよび車線変更の成功を示すグラウンドトゥルースの属性データに基づいて訓練される、
請求項１ないし７のいずれか一項に記載の方法。

【請求項9】

コンピューターで実行される場合に、請求項１ないし８のいずれか一項に記載の方法を実装する符号化された命令を備える、
コンピュータープログラム製品。

【請求項10】

１つまたは複数のプロセッサと、
実行される場合に、１つまたは複数のプロセッサに、
車両のセンサーから、環境のセンサーデータを受信することと、
少なくとも部分的に前記センサーデータに基づいて、前記環境におけるオブジェクトの存在を決定することと、
少なくとも部分的に前記センサーデータに基づいて、属性データを決定することと、
前記属性データを機械学習モデルへと入力することと、
前記機械学習モデルから、前記オブジェクトに関連付けられる譲歩アクションの確率を示す譲歩スコアを受信することと、
少なくとも部分的に前記譲歩スコアに基づいて、前記環境を横断するように前記車両を制御することとを含む動作を実行させる、
コンピューター実行可能な命令を格納する１つまたは複数の非一時的なコンピューター可読媒体と
を備えるシステム。

【請求項11】

前記センサーデータは、シミュレーションされるセンサーデータを含み、前記環境は、シミュレーションされる環境であり、前記車両は、シミュレーションされる車両である、
請求項１０に記載のシステム。

【請求項12】

前記属性データは、第１の時間に関連付けられる第１の属性データであり、前記動作は、
第２の時間に関連付けられる第２の属性データを決定することと、
前記第２の属性データを前記機械学習モデルへと入力することと
をさらに含む請求項１０または１１に記載のシステム。

【請求項13】

方向指示器を有効にすること、
前記車両の速度を低下させること、
前記車両の速度を増加させること、または
前記車両と対象車線との間の距離を減少させるように前記車両を制御することのうちの少なくとも一つを含む車線変更の表示を実行するように前記車両を制御することをさらに備える、
請求項１０ないし１２のいずれか一項に記載のシステム。

【請求項14】

前記譲歩スコアが譲歩スコアの閾値を満たすか、または上回るという決定をすることと、
少なくとも部分的に、前記譲歩スコアが前記譲歩スコアの閾値を満たすか、または上回るという決定をすることに基づいて、車線変更のアクションを決定することとをさらに備え、
前記車両を制御することは、前記車線変更のアクションを実行するように前記車両を制御することを含む、
請求項１０ないし１３のいずれか一項に記載のシステム。

【請求項15】

少なくとも部分的に前記譲歩スコアに基づいて前記オブジェクトの予測されるモーションを示す予測されるモーションプロファイルを決定することをさらに備え、
前記車両を制御することは、少なくとも部分的に、前記予測されるモーションプロファイルにさらに基づいている、
請求項１０ないし１４のいずれか一項に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、譲歩挙動のモデリングおよび予測に関する。

【背景技術】

【0002】

本特許出願は、２０１９年８月２３日に出願された米国特許出願第１６／５４９，７０４号の優先権を主張する。出願番号第１６／５４９，７０４号は、参照により本明細書に完全に組み込まれる。

【0003】

自律車両は、さまざまな方法、装置、およびシステムを用いることが可能であり、環境を通して自律車両を誘導する。例えば、自律車両は、プラニング方法、装置、およびシステムを用いることが可能であり、動的なオブジェクト（例えば、車両、歩行者、動物など）および静的オブジェクト（例えば、建物、標識、立ち往生した車両など）を含む環境を通して走行経路を決定して、自律車両を誘導する。ある例示において、動的オブジェクトは、環境を横断するときに自律車両のアクションに影響を与えることが可能である。

【図面の簡単な説明】

【0004】

詳細な説明は、添付の図面を参照して説明される。図面において、参照番号の左端の数字は、その参照番号が最初に出現する図面を識別する。異なる図面における同一の参照番号の使用は、類似または同一の構成要素または特徴を示す。

【0005】

【図1】本開示の例示に従って、軌道を生成し、環境におけるオブジェクトに関連付けられる譲歩スコアを決定して、車両アクションを実行するための例示的なシステムを示す図である。

【図2】本開示の例示に従って、第１の属性データを決定し、および／または第１の時間での車線変更を示して、第２の時間での第２の属性データを決定するための図解フロー図である。

【図3】本開示の例示に従って、交差点でのオブジェクトに関連付けられる譲歩スコアを決定する車両の例示的な環境を示す図である。

【図4】本開示の例示に従って、譲歩スコアおよび／またはモーションプロファイルデータを決定するための技術のブロック図である。

【図5】本明細書で説明される技術を実装するための例示的なシステムのブロック図である。

【図6】本開示の例示に従って、譲歩スコアを決定して、少なくとも部分的に譲歩スコアに基づいて車両を制御するための例示的なプロセスのフロー図である。

【図7】本開示の例示に従って、少なくとも部分的に、キャプチャ／生成されたセンサーデータおよびグラウンドトゥルースデータに基づいて、譲歩スコアを決定する機械学習モデルを訓練するための例示的なプロセスのフロー図である。

【発明を実施するための形態】

【0006】

車両に近接するオブジェクトのアクションを予測するための技術が本明細書で説明される。例えば、車両が環境を横断するとき、車両は、このような横断の一部として、現在の車線から対象車線に車線変更することを計画することが可能である。さらに、車両は、車両に近接するオブジェクトのセンサーデータをキャプチャすることが可能であり、これは、車両および環境における他のオブジェクトの相対的な位置、速度、加速度などを示すことが可能である。ある例示において、このようなセンサーデータ（またはセンサーデータに基づくデータ）は、機械学習モデルに入力されることが可能であり、これは、車両に近接するオブジェクト（例えば、車線変更のアクションのための対象車線でのオブジェクト）が車両に譲歩し得るか、またはそうでなければ、車両が車線変更の操作を安全に実行することが可能であることを示すことが可能である挙動を提示し得るかの表示（例えば、尤度または確率）を提供することが可能である。車両が、オブジェクトが譲歩し得るという決定をする場合に（または譲歩の尤度または確率が閾値を満たすか、または上回る場合に）、車両は、そうでなければ可能となり得るよりも早く車線変更のアクションを安全に実行することが可能である。したがって、本明細書で説明される技術は、車両（自律車両など）が環境を安全に横断することを可能とし得る環境において、他の車両またはオブジェクトの予測または表示を提供することが可能である。

【0007】

ある例示において、自律車両のコンピューティングデバイスは、センサーデータ（例えば、飛行時間データ、ライダーデータ、レーダーデータ、ソナーデータなど）を受信することが可能であり、軌道をたどるように車両を決定および／または制御し、これは、現在の車線から対象車線へと車線変更のアクションを含んでよい。センサーデータを用いて、コンピューティングデバイスは、オブジェクトを検出することが可能であり、これは、環境のセンサーデータに表現される動的オブジェクトであってよい。ある例示において、オブジェクトは、対象車線または運転可能な領域の異なる部分に沿って横断している別の車両、または車両の周りの環境において動いている任意の他のオブジェクトであってよい。

【0008】

ある例示において、コンピューティングデバイスは、オブジェクト、自律車両、および／または環境に関連付けられることが可能である属性データを決定することが可能である。属性データは、速度データ、加速度データ、および／またはオブジェクトおよび／または自律車両に関連付けられる距離データ（例えば、オブジェクトと自律車両との間の距離を示す）を含んでよい。速度、加速度、および距離データは、車両の参照フレーム、環境の参照フレーム、および／または任意の他の適切なフレームに対して示されてよい。追加的または代替的に、属性データは、オブジェクトの範囲（例えば、長さ、幅、高さ）、車両の状態データ（例えば、診断情報、ヘッドライトおよび／または方向指示器の状態、スピーカーの状態など）、および／またはオブジェクトの状態データ（例えば、ヘッドライトおよび／または方向指示器の状態、オブジェクトのオペレーターのジェスチャーなど）を含んでよい。追加的または代替的に、属性データは、交通信号の状態、鉄道の踏切の状態、道路の状態、天候の状態などのような環境の状態データを含んでよい。

【0009】

上記のように、コンピューティングデバイスは、機械学習モデルへとセンサーデータおよび／または属性データを入力することが可能であり、機械学習モデルから対象車線でのオブジェクトが自律車両に譲歩する（または自律車両に対して譲歩アクションを実行する）こととなるということの表示（例えば、尤度または確率）を受信することが可能である。例示の目的であり、限定することなく、自律車両は、環境を横断している間に、自律車両の右側の方向指示器を作動させることが可能であり、および／または対象車線が自律車両の右側に向かう対象車線に向かって「近づく」ことが可能である。ある例示において、対象車線へと近づくことは、対象車線に向かう現在の車線内の自律車両の横方向の位置の変更を含んでよい。ある例示において、オブジェクトが譲歩することとなる確率（例えば、オブジェクトが観測されるデータ（例えば、センサーデータ）が真であることを考慮して譲歩しているという仮説の尤度または事後確率）は、オブジェクトに関連付けられる譲歩スコアとして表現されることが可能である。例示の目的であり、限定することなく、譲歩スコアは、０と１との間の数値であってよく、ここで、０に近い譲歩スコアは、オブジェクトが自律車両に譲歩する低い確率を示してよく、ここで、１に近い譲歩スコアは、オブジェクトが自律車両に譲歩する高い確率を示してよい。少なくともある例示において、このような確率は、譲歩スコア（例えば、譲歩スコアは、このような確率または尤度の関数である）を決定することに用いられてよい。

【0010】

上記の例示のいずれにおいても、譲歩スコアは、車両が取るべきアクションを決定すべく、他のスコアと組み合わされ（例えば、合計され）てよい。非限定的な例示として、譲歩スコアは、高くてよい（例えば、さらなる車両の譲歩を示す）が、合計スコアに寄与する他の因子（例えば、安全性、他のオブジェクトの存在、道路のルール（例えば、交差点で車線変更をしない）など）は、車両が車線変更のアクションを実行することを不可能にしてよい。このような例示において、譲歩スコアは、合計スコアを決定するための任意の他のスコアに対して効果的に重み付けされることができる。

【0011】

ある例示において、コンピューティングデバイスは、さらなる属性データをキャプチャおよび／または決定することが可能であり、オブジェクトが譲歩することとなる確率を決定する。例えば、方向指示器を作動させた後で、時間期間が経過している間および／または経過した後で、自律車両は、さらなる属性データをキャプチャおよび／または決定することが可能である。例示の目的であり、限定することなく、自律車両は、実質的に同時である第２の属性データの前に、第１の属性データを決定することが可能であり、および／または自律車両の右側の方向指示器を作動させた後で、第３の属性データを決定することが可能である。ある例示において、コンピューティングデバイスは、属性データログとして、時間ウィンドウ（例えば、５００ミリ秒、１秒、３秒、５秒など）にわたって属性データをコンパイルしてよい。

【0012】

機械学習モデルの訓練は、少なくとも部分的にログデータに基づいてよい。例えば、車両または複数の車両は、環境を横断することが可能であり、車両の動作に関連付けられるログデータを生成することが可能である。ログデータは、車両の１つまたは複数のセンサーによってキャプチャされるセンサーデータ、車両に搭載される１つまたは複数のシステムによって識別される（または後処理段階の間に生成される）オブジェクトを示す知覚データ、推定されるオブジェクトの将来の位置、速度、および／または加速度を示す予測データ（記録の間に生成されるか、またはその後で生成されたか）、および／または診断情報、軌道情報、ヘッドライトおよび／または方向指示器の作動、および／または車両によって生成される他の情報を示す状態データを含んでよい。ログデータに含まれ得る車両によって生成されるデータの例示は、例えば、「Scenario Editor and Simulator」と題され、２０１９年４月２３日に出願された米国特許出願第１６／３９２，０９４号に見出すことが可能であり、その全体が参照によって組み込まれる。

【0013】

ある例示において、ログデータは、車線変更データのような車両アクションデータを含んでよい。車線変更データは、車線変更のアクションおよび／または試みられる車線変更のアクションを示してよく、車両が車線変更のアクションを正常に完了した場合、および車両が車線変更のアクションを完了することが可能ではなかった場合も含んでよい。さらに、ログデータは、車両および／またはオブジェクトに関連付けられる属性データ（例えば、速度、姿勢、相対距離など）を示してよい。ログデータの少なくとも一部は、機械学習モデルを訓練するためのグラウンドトゥルースデータ（グラウンドトゥルース属性データとも称される）として用いられてよい。

【0014】

ある例示において、ログデータは、追加的または代替的に、シミュレーションされるログデータを含んでよい。例えば、ログデータは、環境のセンサーデータをキャプチャする車両を用いることなく生成される合成ログデータ（またはシミュレーションされるセンサーデータ）であってよい。合成ログデータは、シミュレーションされる状況を生成することに用いられてよく、シミュレーターは、シミュレーションされる状況を実行することが可能であり、シミュレーションされる状況内で動作する自律車両コントローラー（またはシミュレーションされる車両）をシミュレーションする。シミュレートされる状況を実行することによって、シミュレーターは、機械学習モデルを訓練するためにも用いられ得るシミュレーションデータを生成することが可能である。

【0015】

機械学習モデルが訓練された後で、機械学習モデルは、譲歩スコアを出力することが可能である。ある例示において、コンピューティングデバイスは、譲歩スコアの閾値を用いることが可能であり、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るかを決定する。譲歩スコアが譲歩スコアの閾値を満たすか、または上回る場合、コンピューティングデバイスは、車線変更のアクションを実行するように車両を制御することが可能である。譲歩スコアが譲歩スコアの閾値を満たさない、または上回らない場合、コンピューティングデバイスは、車線変更のアクションを実行することを控えることが可能である（または、さらなるシグナル伝達、近づくことなどのさらなるアクションを実行することができる）。車線変更のアクションを含む生成されている軌道の例示は、例えば、「Cost Scaling in Trajectory Generation」と題され、２０１８年１１月２日に出願された米国特許出願第１６／１７９，７１１号に見出すことが可能であり、これは、その全体が参照によって本明細書に組み込まれる。

【0016】

上記のように、車両が自律車両である場合において、コンピューティングデバイスは、車両を制御することが可能であり、譲歩スコアに基づき得る軌道をたどる。上記のように、譲歩スコアは、オブジェクトが車両に譲歩する、または車両に譲歩しない確率を示すことが可能である。オブジェクトが譲歩しないこととすることを予測することによって、車両は、オブジェクトに関連付けられる予測される軌道を回避する対象軌道を決定することが可能であり、これは衝突の尤度を減少させることが可能である。さらに、オブジェクトが譲歩することとなるということを予測することによって、車両は、車両とオブジェクトとの間の安全な距離を含む対象軌道を決定することが可能である。それ故に、譲歩スコアを用いて、軌道は、車両に対して譲歩するオブジェクトを考慮することによって、譲歩スコアを用いない対象軌道よりも安全であり、および／またはより快適な軌道であってよい。

【0017】

本明細書で説明される技術は、車両を制御するための安全且つ効率的な軌道を決定すべく、オブジェクトの譲歩すること、または譲歩しないことの潜在的な結果を決定するためのコンピューティングデバイスを新たに装備することによって、コンピューティングデバイスの機能を改善することが可能である。本明細書で説明されるような状況を譲歩することにおいて、本明細書に開示される技術に従って車両に対する適切な軌道を決定することは、車両の動作の安全性および効率を改善することが可能である。本明細書で説明される技術に従って決定される軌道は、オブジェクトの挙動に対する人間の反応よりもほぼ近似的であってよく、またはよりよく実行されてもよく、したがって、負の安全結果の確率を減少させてよく、車両が環境をナビゲートする効率を増加させてよい。

【0018】

さらに、本明細書で説明される技術は、要求される算定リソースの量を低減させることが可能である。例えば、車両に関連付けられるコンピューティングデバイスは、環境を横断しながら車線変更のアクションを含む１つまたは複数の軌道を決定することが可能である。コンピューティングデバイスは、同様のシミュレーションされる環境における同様の軌道に基づいて訓練された機械学習モデルを用いてよく、環境におけるオブジェクトに関連付けられる譲歩スコアを出力して、軌道に関連付けられる参照コストを有してよい。本明細書で説明される技術は、少なくとも部分的に譲歩スコアに基づいて難しい譲歩決定の状況おける適切な軌道を決定するためのコンピューティングデバイスを装備することが可能であり、このような状況における適切な軌道を決定するために要求される算定リソース（例えば、処理能力、ネットワーク利用率など）の量を低減することが可能である。

【0019】

本明細書で説明される技術は、複数の方法で実装されることが可能である。例示的な実装は、以下の図面を参照することで以下に提供される。自律車両のコンテキストにおいて説明されているが、本明細書で説明される技術は、オブジェクトの決定および検出を要求するさまざまなシステムに適用されることが可能であり、自律車両に限定されない。ある例示において、同様の技術は、このようなシステムがさまざまな操作を実行することが安全であるか表示を提供し得る運転者制御車両で利用されてよい。別の例示において、システム、方法、および装置は、航空および／または航海のコンテキストで用いられてよい。さらに、本明細書で説明される技術は、（例えば、センサーを用いてキャプチャされる）キャプチャされるデータ、（例えば、シミュレーターによって生成される）シミュレーションされるデータ、またはこの２つの任意の組合せで用いられてよい。

【0020】

図１は、軌道を生成し、環境におけるオブジェクトに関連付けられる譲歩スコアを決定して、車両アクションを実行するための例示的なシステムを図示する。より具体的には、図１は、車両１０２が環境１００において走行している例示的な環境１００図示するが、他の例示において、車両１０２は、静止していてよく、および／または環境１００において駐車していてもよい。１つまたは複数のオブジェクト、またはエージェントは、また、環境１００の中にある。例えば、図１は、環境１００におけるさらなる車両１０４（オブジェクトとも称される）を図示する。言うまでもなく、任意の数および／またはオブジェクトのタイプが追加的または代替的に環境１００において存在してよい。例えば、歩行者、自転車／自転車運転者、バイク／バイク運転者、バス、路面電車、トラック、動物などのオブジェクトは、環境１００において存在してよい。

【0021】

例示の目的で、車両１０２は、米国国家幹線道路交通安全局によって発行されたレベル５分類に従って動作するように構成される自律車両であってよく、これは、運転者（または乗員）による常時車両制御を期待することなく全行程に対するすべてのセーフティクリティカルな機能を実行することが可能である車両を説明する。このような例示において、車両１０２は、すべての駐車機能を含む開始から停止までのすべての機能を制御するように構成されてよいため、搭乗者なしであってよい。これは、例示に過ぎず、本明細書で説明されるシステムおよび方法は、運転者によって常時、手動で制御される必要がある車両から、部分的に、または完全に自律的に制御される車両までに及ぶ車両を含め、任意の陸路車両、空路車両、または水路車両へと組み込まれてよい。車両１０２に関連付けられるさらなる詳細は、以下で説明される。

【0022】

図１の例示において、車両１０２は、センサーシステム１０６に関連付けられてよい。センサーシステム１０６は、センサーデータ１０８を生成することが可能であり、これは、車両１０２に関連付けられる車両コンピューティングデバイス１１０によって用いられることが可能であり、１つまたは複数のオブジェクト、例えば、オブジェクト１０４を認識する。センサーシステム１０６は、光検出および測距（ＬＩＤＡＲ）センサー、無線検出および測距（ＲＡＤＡＲ）センサー、飛行時間センサー（ｔｉｍｅ－ｏｆ－ｆｌｉｇｈｔ ｓｅｎｓｏｒｓ）超音波トランスデューサー、音波航法および測距（ＳＯＮＡＲ）センサー、位置センサー（例えば、全地球測位システム（ＧＰＳ）、コンパスなど）、慣性センサー（例えば、慣性測定ユニット、加速度計、磁気計、ジャイロスコープなど）、カメラ（例えば、ＲＧＢ、赤外線（ＩＲ）、強度、深度など）、ホイールエンコーダー、マイク、環境センサー（例えば、温度センサー、湿度センサー、光センサー、圧力センサーなど）などを含んでよいが、これ／これらに限定されない。

【0023】

少なくとも１つの例示において、車両コンピューティングデバイス１１０は、知覚システム１１２を含んでよく、これは、少なくとも部分的に、センサーシステム１０６から受信したセンサーデータ１０８に基づいて、オブジェクトの検出、セグメンテーション、および／または分類を実行してよい。例えば、知覚システム１１２は、センサーシステム１０６によって生成されるセンサーデータ１０８に基づいて、環境１００のおけるオブジェクト１０４を検出することが可能である。さらに、知覚システム１１２は、オブジェクト１０４の範囲（例えば、高さ、重さ、長さなど）、姿勢（例えば、ｘ座標、ｙ座標、ｚ座標、ピッチ、ロール、ヨー）などを決定することが可能である。センサーシステム１０６は、センサーデータ１０８を（例えば、ほぼリアルタイムで）継続して生成することが可能であり、これは、知覚システム（および車両コンピューティングデバイス１１０の他のシステム）によって用いられることが可能である。

【0024】

車両コンピューティングデバイス１１０は、また、軌道生成コンポーネント１１４、属性コンポーネント１１６、および機械学習モデル１１８を含んでよい。軌道生成コンポーネント１１４は、本明細書で説明される実施形態に従って、車両軌道１２０を生成する機能を含んでよく、これは、走行可能な領域１２２内の参照軌道または対象軌道であってよい。属性コンポーネント１１６は、少なくとも部分的にセンサーデータ１０８に基づいてオブジェクト１０４のようなオブジェクトに関連付けられる属性データを決定する機能を含んでよい。属性データは、オブジェクトの範囲、オブジェクトの分類、オブジェクトの姿勢、オブジェクトの軌道、および／またはオブジェクトの速度、オブジェクト１０４のインジケーター（例えば、ヘッドライト、他の信号）の状態、オブジェクト１０４のオペレーターのジェスチャーなどの属性を含んでよい。機械学習モデル１１８は、入力として属性データを受信して、譲歩スコア１２４を出力する機能を含んでよい。上記のように、譲歩スコア１２４は、オブジェクトが車両に譲歩する確率を示し得る数値であってよい。

【0025】

図１に図示すように、車両軌道１２０は、例えば、現在の車線１２６から対象車線１２８への車線変更のアクションを含んでよい。ある例示において、車線変更のアクションは、近づきつつあるアクションに基づいてよい。例示の目的であり、限定することなく、車両１０２は、近づきつつある交差点での右折を含む車両軌道１２０をたどることが可能である。右折に備えるために、車両１０２は、対象車線１２８への車線変更のアクションを実行することが可能である。ある例示において、車線変更のアクションは、車線変更のアクションが車両１０２を交通および／または環境１００を通してより効率的および／またはより安全に横断することを可能とし得る走行可能な領域１２２における交通条件および／または障害物に基づいてよい。

【0026】

上記のように、車両１０２は、静止していてよく、および／または環境１００において駐車していてよい。例示の目的であり、限定することなく、車両１０２は、現在の車線１２６が駐車車線であってよく、車両軌道１２０が車両１０２を交通車線であり得る対象車線１２８に入ることを可能とする。

【0027】

ある例示において、対象車線１２８は、図１に図示されるように、現在の車線１２６に隣接する車線であってよい。ある例示において、対象車線１２８は、走行可能な領域１２２の一部によって分離される車線であってよい。例示の目的であり、限定することなく、自転車車線は、対象車線１２８に入るべく、車線変更のアクションを実行する対象車線１２８から現在の車線１２６を分離することが可能であり、車両１０２を自転車車線に横断させることとなる。ある例示において、バス車線は、対象車線１２８から現在の車線１２６を分離することが可能であるが、他の車線のタイプおよび／または走行可能な領域が企図される。自転車車線、バス車線などの任意の中間車線は、車両１０２によって決定されてよく、本明細書で説明される技術は、追加的にまたは代替的に中間車線に適用されてよい。例えば、車両コンピューティングデバイス１１０は、対象車線１２８に関連付けられる第１の譲歩スコアおよび中間車線に関連付けられる第２の譲歩スコアを決定してよい。車両コンピューティングデバイス１１０は、少なくとも部分的に、第１の譲歩スコアおよび／または第２の譲歩スコアに基づいて車線変更のアクションを実行するかを決定してよい。

【0028】

車両１０２は、センサーデータ１０８をキャプチャすることが可能であり、オブジェクト１０４がセンサーデータ１０８に表現されて、対象車線１２８での環境１００を横断しているということを決定することが可能である。センサーデータ１０８に基づいて、属性コンポーネント１１６は、オブジェクト１０４および／または車両１０２に関連付けられる属性データを決定することが可能である。センサーデータ１０８に基づいて、属性コンポーネント１１６は、オブジェクト１０４および／または車両１０２に関連付けられる属性データを決定することが可能である。上記のように、属性データは、速度データ、加速度データ、および／またはオブジェクト１０４および／または車両１０２に関連付けられる距離データ、および／またはオブジェクト１０４に関連付けられる任意の他のパラメーター（例えば、照明の状態、サイズ、相対速度など）を含んでよい。

【0029】

属性データは、譲歩スコア１２４を出力する決定をし得る入力として、機械学習モデル１１８に提供されてよい。少なくともある例示において、時間期間にわたる複数のこのような属性は、このようなモデル（例えば、任意の数の観測が企図されているが、１ｓ、２ｓ、８ｓなどの期間にわたって）へと入力されてよい。上記のように、譲歩スコア１２４は、０と１との間の数値であってよく、ここで、０に近い譲歩スコア１２４は、オブジェクト１０４が車両１０２に譲歩することとなる低い確率または低い尤度を示してよく、ここで、１に近い譲歩スコア１２４は、オブジェクト１０４が車両１０２に譲歩することとなる高い確率または高い尤度を示してよい。

【0030】

ある例示において、機械学習モデル１１８は、譲歩スコア１２４に基づいて推定されるオブジェクト軌道１３０を決定することが可能であり、これは、モーションプロファイル（予測されるモーションプロファイルとも称される）を含んでよく、および／またはそれに関連付けられてよい。モーションプロファイルは、オブジェクトの予測されるモーションを提供することが可能であり、オブジェクト１０４がオブジェクト１０４の速度をどのように変更させるか、および／またはオブジェクト１０４が車両１０２に譲歩することとなるかまたは否かを示すことが可能である。機械学習モデル１１８は、例えば、譲歩スコア１２４、オブジェクト１０４の速度、オブジェクト１０４の加速度、オブジェクト１０４の車輪に関連付けられる姿勢、オブジェクト１０４の方向指示器の状態などを考慮することによって、推定されるオブジェクト軌道１３０（および／またはモーションプロファイル）を決定することが可能である。

【0031】

例示の目的であり、限定することなく、属性データは、車両１０２が毎秒１５メートルの速度で走行していることを示すことが可能であり、オブジェクト１０４が対象車線１２８で毎秒１６メートルの速度で車両１０２の後ろを走行していることを示すことが可能である。さらに、属性データは、車両１０２とオブジェクト１０４との間の距離が４０メートルであることを示すことが可能である。時間期間（例えば、２秒）が経過した後で、コンピューティングデバイスは、車両１０２が毎秒１６メートルの速度で走行していること、オブジェクト１０４が毎秒１３メートルの速度で走行していること、および自律車両と動的オブジェクトとの間の距離が４２メートルであることを示すさらなる属性データを収集することが可能である。コンピューティングデバイスは、属性データおよびさらなる属性データに基づいて、推定されるオブジェクト軌道１３０を決定することが可能である機械学習モデル１１８への入力として、属性データおよびさらなる属性データを提供することが可能である。

【0032】

オブジェクト１０４がその速度を毎秒１６メートルから毎秒１３メートルに減少させること、車両１０２とオブジェクト１０４との間の距離の増加、および候補オブジェクトの軌道間の比較に基づいて、機械学習モデル１１８は、０．９５の譲歩スコア１２４を決定することが可能である。譲歩スコア１２４に基づいて、車両コンピューティングデバイス１１０は、車線変更のアクションを実行することが安全であるということを決定することが可能であり、車両１０２を対象車線１２８へと移行させるように制御するための車両軌道１２０を決定することが可能である。

【0033】

車両軌道１２０は、対象軌道であってよく、１つまたは複数のコストを評価することによって参照軌道に対して生成されてよい。参照軌道は、車両１０２がたどるための初期経路または軌道を表現してよく、車両コンピューティングデバイス１１０によって生成または受信されてよい。ある例示において、参照軌道は、道路セグメント（例えば、現在の車線１２６）の中心線に対応することが可能であるとはいえ、参照軌道は、環境１００における任意の経路を表現することが可能である。譲歩スコア１２４に基づいて、対象軌道は、車線変更のアクションを含んでよく、および／または車両１０２が車線変更のアクションを実行することを控えてよく、参照軌道のポイントに関連付けられる１つまたは複数のコストを評価することによって参照軌道に対して生成されてよい。一般に、１つまたは複数のコストは、参照コスト、障害物コスト、横方向のコスト、長手方向のコストなどを含んでよいが、これらに限定されない。例えば、コストは、少なくとも部分的に、走行可能な領域１２２の境界に基づいてよく、車両１０２は、コストに基づいて対象軌道を変更してよい。

【0034】

対象軌道は、車両によって走行可能な領域１２２内の環境１００を横断するために実行されるように（例えば、後退する地平線にわたって）意図される別個の制御セグメントに関連して決定されてよい。走行可能な領域内の軌道を決定するための技術の例示は、例えば、「Drive Envelope Determination」と題され、２０１８年５月１７日に出願された米国特許出願第１５／９８２，６９４号に見出すことが可能であり、これは、その全体が参照により本明細書に組み込まれる。ある例示において、車両１０２は、上記のように、対象車線１２８への車線変更のアクションのような車両アクションを含み得る対象軌道をたどることが可能である。

【0035】

上記のコストに関して、参照コストは、参照軌道のポイント（参照ポイントとも称される）と対象軌道の対応するポイント（ポイントまたは対象ポイントとも称される）との間の差に関連付けられるコストを含んでよく、これによって、差は、ヨー、横方向のオフセット、速度、加速度、曲率、曲率レートなどの１つまたは複数の差を表現する。ある例示において、参照コストに関連付けられる重み付けを減少させることは、参照軌道から離れた距離に配置されている対象軌道に関連付けられるペナルティを低減することが可能であり、これは、より安全および／またはより快適な車両動作につながるよりスムーズな移行を提供することが可能である。

【0036】

ある例示において、障害物コストは、参照軌道または対象軌道のポイントと環境における障害物に関連付けられるポイントとの間の距離に関連付けられるコストを含んでよい。例示として、障害物に関連付けられるポイントは、走行可能な領域の境界のポイントに対応することが可能であり、または環境における障害物に関連付けられるポイントに対応することが可能である。ある例示において、環境における障害物は、静的オブジェクト（例えば、建物、縁石、歩道、車線区分線、道標、信号、木など）または動的オブジェクト（例えば、車両、自転車運転者、歩行者、動物など）を含んでよいが、これらに限定されない。ある例示において、動的オブジェクトは、また、エージェントと称されてよい。ある例示において、静的オブジェクトまたは動的オブジェクトは、一般的にオブジェクトまたは障害物と称されてよい。

【0037】

ある例示において、横方向のコストは、車両の速度に対する最大のステアリング入力のような車両へのステアリング入力に関連付けられるコストを参照してよい。ある例示において、長手方向のコストは、車両の速度および／または加速度（例えば、最大ブレーキおよび／または加速度）に関連付けられるコストを参照してよい。このようなコストは、乗員が輸送されるための実行可能な限度内および／または快適性の限度内で車両が動作しているということを確実にするために用いられてよい。ある例示において、プラニングシステムは、現在の車線１２６での走行可能な領域１２２に関連付けられる軌道に対する第１のコストを決定してよく、これは、車線変更のアクションに関連付けられる第２のコストよりも高くてよい。それ故に、アクションは、それぞれのアクションに関連付けられるコストに基づいて選択または決定されてよい。アクションに関連付けられるコストを決定する例示は、例えば、「Trajectory Generation Using Curvature Segments」と題され、２０１８年１２月１４日に出願された米国特許出願第１５／８４３，５１２号に見出すことが可能であり、これは、その全体が参照により本明細書に組み込まれる。

【0038】

ある例示において、第１の対象車線に関連付けられる第１のコストは、第２の対象車線に関連付けられる第２のコストよりも低くてよい。例示の目的であり、限定することなく、車両１０２は、中央車線に関連付けられる障害物を用いて中央車線での環境を横断していることが可能である。車両１０２は、第１の対象車線での第１のオブジェクトに関連付けられる第１の譲歩スコアおよび第２の対象車線での第２のオブジェクトに関連付けられる第２の譲歩スコアを決定することが可能である。第１の譲歩スコアは、第２の譲歩スコアよりも高くてよく、続いて、第２の車線に関連付けられる障害物コストと比較する場合に、第１の車線に関連付けられる障害物コストを減少させてよい。したがって、少なくとも部分的に譲歩スコアに基づいて、第１の対象車線に関連付けられる第１のコストは、第２の対象車線に関連付けられる第２のコストよりも低くてよい。

【0039】

ある例示において、推定されるオブジェクト軌道１３０は、さらに、対象車線１２８に関連付けられる障害物コストを決定することに用いられることが可能である。例えば、譲歩スコア１２４は、低い譲歩スコアであってよく、推定されるオブジェクト軌道１３０は、オブジェクト１０４がその速度を増加させることとなることを示してよい。オブジェクト１０４の速度の増加は、車両１０２との衝突の尤度を増加させることが可能であり、対象車線１２８に関連付けられる障害物コストを増加させることが可能である。このような状況において、車両１０２は、車線変更のアクションを中止することが可能であり、オブジェクト１０４が車両１０２へと衝突する可能性を回避する。

【0040】

ある例示において、車両コンピューティングデバイス１１０は、譲歩スコアの閾値を用いることが可能であり、車線変更のアクションを実行することが安全であるということを決定する。例示の目的であり、限定することなく、譲歩スコアの閾値は０．９であってよく、譲歩スコア１２４は、０．９５であってよく、この場合において、車両コンピューティングデバイス１１０は、車両１０２を対象車線１２８へと移行させる車両軌道１２０を実行することを決定してよい。譲歩スコアが譲歩スコアの閾値を満たさない、または上回らない場合、車両コンピューティングデバイス１１０は、車両１０２を、前の軌道を維持させることが可能であり、ならびに／または現在の車線１２６および／もしくは対象車線１２８に関連付けられる新しい候補軌道を生成させることが可能である。ある例示において、車両コンピューティングデバイス１１０は、対象車線１２８に関連付けられる新しい候補軌道を生成することができ、時間および／または距離が通過した後で（例えば、３秒後、５秒後、１０メートル後ろで）、および／またはオブジェクト１０４が車両１０２を通過したということを検出した後で、譲歩スコアの決定を再実行することができる。

【0041】

図１は、環境における軌道を決定するための譲歩スコアを用いる１つの例示を図示する。他の例示は、また、企図される。例えば、属性コンポーネント１１６は、環境における多様なオブジェクトに対する属性データを決定することが可能である。

【0042】

図２は、車線変更のアクションを含む車両軌道２０８を車両１０２がたどる環境２０２および環境２０４を通る例示的なプロセス２００の図解フロー図を図示する。図２は、さらに、環境２０２および環境２０４におけるオブジェクト１０４を図示する。

【0043】

例示的なプロセス２００の動作２０６で、車両１０２は、現在の車線１２６で横断しながら車両軌道２０８をたどることが可能である。ある例示において、車両軌道２０８は、図１の車両軌道１２０に対応することが可能であるが、車両軌道２０８は、環境２０２における任意の経路または軌道を表現することが可能である。さらに、車両１０２は、第１の時間で、第１の属性データを決定することが可能であり、および／または車線変更のアクションを示すことが可能である。第１の属性データは、車両１０２および／またはオブジェクト１０４に関連付けられる速度データ、車両１０２および／またはオブジェクト１０４に関連付けられる加速度データ、および／またはオブジェクト１０４と車両１０２との間の距離２１０を示す距離データを含んでよい。ある例示において、車両１０２は、車線変更のアクションを示すことが可能である。例示の目的であり、限定することなく、車両１０２は、車両１０２の右側の方向指示器を作動させることが可能であり、および／または対象車線が車両１０２の右側に向かう対象車線１２８に向かって「近づく」ことが可能である。上記のように、ある例示において、対象車線１２８へと近づくことは、対象車線１２８に向かう現在の車線１２６内の車両１０２の横方向の位置の変更を含んでよい。

【0044】

例示的なプロセス２００の動作２１２で、車両１０２は、現在の車線１２６で横断しながら車両軌道２１４をたどることが可能である。さらに、車両１０２は、第２の時間で、第２の属性データを決定することが可能である。第２の時間（例えば、車両１０２が方向指示器、ある他の信号エミッター作動させる、および／またはオブジェクト１０４に関連付けられる属性データを変更させる、間におよび／または後で）に関連付けられる第２の属性データは、車両１０２および／またはオブジェクト１０４に関連付けられる速度データ、車両１０２および／またはオブジェクト１０４に関連付けられる加速度データ、および／またはオブジェクトと自律車両との間の距離２１６を示す距離データを含んでよい。ある例示において、オブジェクト１０２は、車線変更のアクションを示す車両１０２に反応することが可能である。例示の目的であり、限定することなく、オブジェクト１０４は、車両１０２が方向指示器を作動させることが可能であり、および／または対象車線１２８に向かって「近づく」ことを観察することが可能である。続いて、オブジェクト１０４は、オブジェクト１０４の速度を維持または変更することが可能である。

【0045】

例えば、オブジェクト１０４が減速しているか、または速度を維持していることを示す属性データは、機械学習モデルへと入力されることが可能であり、オブジェクト１０４が譲歩しているということを示し得る譲歩スコアを生成する。ある例示において、オブジェクト１０４がオブジェクト１０４の速度を増加させることを示す属性データを機械学習モデルへと入力されることが可能であり、オブジェクト１０４が譲歩していないことを示す譲歩スコアを生成する。

【0046】

ある例示において、第２の属性データは、車両が車線変更のアクションの指示を提供することなく、第１の属性データを決定した後に決定されることが可能である。それ故に、第１の属性データおよび第２の属性データの決定は、継続的および／または周期的原則で実行されることが可能である。さらに、属性データは、継続的および／または周期的原則でオブジェクト１０４に関連付けられる譲歩スコアを生成し得る機械学習モデルへと入力されることが可能である。例示の目的であり、限定することなく、車両１０２は、０．５秒ごとなどの周期的原則で車両１０２および／またはオブジェクト１０４に関連付けられる属性データを決定することが可能であり、車両１０２および／またはオブジェクト１０４に関連付けられる一組の属性データを決定することが可能である。次に、車両１０２は、一組の属性データを機械学習モデルへと入力することが可能であり、オブジェクト１０４に関連付けられる譲歩スコアを決定する。

【0047】

上記のように、譲歩スコアは、推定されるオブジェクト軌道２１８を決定することに用いられることが可能であり、これは、ある例示において、図１の推定されるオブジェクト軌道１３０に対応することが可能であるが、推定されるオブジェクト軌道２１８は、環境２０２における任意の経路または軌道を表現することが可能である。例示の目的であり、限定することなく、推定されるオブジェクト軌道２１８は、オブジェクト１０４の速度をどのように変更させることとなるか、または変更させないかを示すことが可能であり、オブジェクト１０４が車両１０２に譲歩するか、または車両１０２に譲歩しない。

【0048】

図３は、交差点でのオブジェクト１０４に関連付けられる譲歩スコアを決定する車両１０２の例示的な環境３００を図示する。

【0049】

上記のように、車両１０２は、現在の車線３０４から対象車線３０６への右折を含む車両軌道３０２を決定することが可能である。ある例示において、車両１０２は、交差点に向かって車両１０２の接近の間に方向指示器を有効にすることが可能である。

【0050】

車両１０２が環境３００を横断するとき、車両１０２は、環境３００の一部のセンサーデータをキャプチャすることが可能である。センサーデータを用いて、車両１０２のコンピューティングデバイスは、オブジェクト１０４を検出することが可能であり、これは、環境３００のセンサーデータに表現される動的オブジェクトであってよい。図３に図示されるように、オブジェクト１０４は、対向する方向から交差点に接近している別の車両であってよい。ある例示において、オブジェクト１０４は、交差点で静止していてよい。ある例示において、オブジェクト１０４は、異なる方向（例えば、交差点の車両１０２に対して左側）から交差点に接近してよい。交差点は、制御されていない交差点であってよい。例えば、交差点は、交通信号および／または交通標識（例えば、停止標識、譲歩標識など）によって制御されない交差点であってよい。

【0051】

上記のように、車両１０２は、車両１０２が交差点に接近するにつれて、オブジェクトおよび／または車両１０２に関連付けられる属性データを決定することが可能である。ある例示において、交差点は、交差点の少なくとも一部が交通信号および／または交通標識に関連付けられる制御される交差点であってよい。ある例示において、属性データは、交差点が制御されるか、または制御されていないか、交通信号の状態などを示し得るセンサーデータを含んでよい。機械学習モデルは、オブジェクト１０４が交通信号および／または交通標識に一致することとなるかを決定するために訓練されることが可能であり、譲歩スコアを決定する。例示の目的であり、限定することなく、車両１０２は、少なくとも部分的にセンサーデータに基づいて、車両１０２が制御されていない交差点に接近するときに車両１０２を制御するための車両軌道３０２を決定する。示される例示において、車両軌道３０２は、制御されていない交差点で、現在の車線３０４から対象車線３０６への右折を含む。属性データは、オブジェクト１０４が左の方向指示器が有効になっている状態で交差点で静止していることを示すことが可能である。属性データに基づいて、車両１０２は、オブジェクト１０４が対象車線３０６へと左折することを意図していることを示す推定されるオブジェクト軌道３０８を決定することが可能である。属性データに基づいて、車両１０２は、オブジェクト１０４が対象車線３０６へと左折することを意図することを示す推定されるオブジェクト軌道３０８を決定することが可能である。

【0052】

車両１０２のコンピューティングデバイスは、オブジェクト１０４に関連付けられる譲歩スコアを出力することが可能である機械学習モデルへの入力として属性データを提供することが可能である。機械学習モデルによって決定される譲歩スコアの閾値および／またはモーションプロファイルを満たすか、または上回る譲歩スコアに基づいて、車両１０２は、オブジェクト１０４が車両１０２に譲歩し得ることとなるということを決定することが可能であり、車両軌道３０２を実行することが可能である。

【0053】

例示の目的であり、限定することなく、属性データは、オブジェクト１０４が制御されていない交差点に接近していることを示すことが可能であり、車両が右の方向指示器を有効にした後で、オブジェクト１０４がオブジェクト１０４の速度を低下させることを示すことが可能である。ある例示において、属性データは、到着時間（例えば、交差点に関連付けられる領域または位置に対して）、交差点への距離などを示すことが可能である。属性データは、機械学習モデルへと入力されることが可能であり、オブジェクト１０４が車両１０２に譲歩することとなることを示し得る譲歩スコアを出力する。ある例示において、譲歩スコアは、速度の低下にもかかわらず、オブジェクト１０４が車両１０２に譲歩しないこととなることを示すことが可能である。機械学習モデルは、進路変更に備えて速度を低下させるオブジェクトを譲歩に備えて速度を低下させるオブジェクトとは異なるものとして区別するように訓練されてよい。上記のように、機械学習モデルは、キャプチャされたログデータおよび／または合成ログデータに基づいて訓練されてよく、これらの状況に対してグラウンドトゥルースデータとして機能する。

【0054】

図４は、少なくとも部分的に譲歩スコアに基づいてモーションプロファイルを決定するための技術のブロック図４００を図示する。上記のように、機械学習モデル４０２は、入力として、センサーデータおよび／または属性データ４０４を受信することが可能であり、環境におけるオブジェクトに関連付けられる譲歩スコア４０６を決定する。ある例示において、機械学習モデル４０２は、図１の機械学習モデル１１８に対応してよい。センサーデータおよび／または属性データ４０４を受信した後で、機械学習モデル４０２は、環境におけるオブジェクトに関連付けられる譲歩スコア４０６を決定することが可能である。

【0055】

上記のように、譲歩スコア４０６は、対象車線におけるオブジェクトが車両に譲歩することとなること（例えば、尤度または確率）を示してよい。例示の目的であり、限定することなく、譲歩スコア４０６は、０と１との間の数値であってよく、ここで、０に近い譲歩スコアは、オブジェクトが自律車両に譲歩する低い確率を示してよく、ここで、１に近い譲歩スコアは、オブジェクトが自律車両に譲歩する高い確率を示してよい。ある例示において、このようなスコアは、用いられる具体的なの形成に基づいて（上記の逆数のように）異なることがある。

【0056】

譲歩スコア４０６を用いて、モーションプロファイルコンポーネント４０８は、モーションプロファイル４１０を決定することが可能であり、オブジェクトが時間期間にわたってどのように挙動し得ることとなるかを示すことが可能である。ある例示において、モーションプロファイルコンポーネント４０８は、ログデータに表現される他のオブジェクトに関連付けられる一組の候補モーションプロファイルを含み得る候補モーションプロファイルデータ４１２を受信することが可能である。上記のように、ログデータは、車両の１つまたは複数のセンサーによってキャプチャされるセンサーデータ、車両に搭載される１つまたは複数のシステムによって識別される（または後処理段階の間に生成される）オブジェクトを示す知覚データ、推定されるオブジェクトの将来の位置、速度、および／または加速度を示す予測データ（記録の間に生成されるか、またはその後で生成されたか）、および／または診断情報、軌道情報、ヘッドライトおよび／または方向指示器の作動、および／または車両によって生成される他の情報を示す状態データを含んでよい。ログデータからのモーションプロファイルは、候補モーションプロファイルデータ４１２としてデータベースに格納されてよい。さらに、候補モーションプロファイルデータ４１２は、車線変更のアクションが車両によって試みられた前、間、および／または後でどのようにオブジェクトに挙動したか、および車線変更のアクションが成功したかを示すことが可能である。

【0057】

ある例示において、モーションプロファイルコンポーネント４０８は、モーションプロファイル機械学習モデルを含んでよく、モーションプロファイル４１０を生成する。例えば、モーションプロファイル機械学習モデルは、機械学習モデル４０２によって生成される譲歩スコアおよびオブジェクトの動きを示すグラウンドトゥルースデータに基づいて訓練されることが可能であり、譲歩スコアに基づいてオブジェクトのモーションプロファイルを決定する。次に、モーションプロファイルコンポーネント４０８は、譲歩スコア４０６を受信することが可能であり、モーションプロファイル４１０を生成することが可能である。

【0058】

したがって、機械学習モデル４０２は、センサーデータおよび／または属性データ４０４および／または属性データを用いることが可能であり、譲歩スコア４０６を決定し、次に、モーションプロファイルコンポーネント４０８は、譲歩スコア４０６を用いることが可能であり、候補モーションプロファイルデータ４１２の一組の候補モーションプロファイルに関連付けられる候補譲歩スコアと比較する。比較に基づいて、モーションプロファイルコンポーネント４０８は、候補モーションプロファイルに基づき得るモーションプロファイル４１０を決定することが可能であり、オブジェクトが時間期間にわたってどのように挙動し得ることとなるかを示す。ある例示において、モーションプロファイルコンポーネント４０８は、譲歩スコア４０６に加えてセンサーデータおよび／または属性データ４０４を用いることが可能であり、センサーデータおよび／または属性データ４０４および譲歩スコア４０６を候補モーションプロファイルデータ４１２に格納されるデータと比較して、モーションプロファイル４１０を決定する。

【0059】

図４に図示されるように、モーションプロファイル４１０は、ｘ軸に沿った速度およびｙ軸に沿った時間を有するグラフとして表現されてよい。例示の目的であり、限定することなく、モーションプロファイル４１０は、モーションプロファイル４１０に関連付けられるオブジェクトが速度を維持して、時間期間（例えば、反応時間４１４）後で、その速度を低下させることを示すことが可能である。反応時間４１４は、車両が車線変更のアクションを開始する場合と、車両が車線変更のアクションを開始することに応答してオブジェクトがその速度を変更する場合との間の時間量を示すことが可能である。ある例示において、モーションプロファイルコンポーネント４０８は、反応時間４１４を含むモーションプロファイル４１０を決定することが可能である。ある例示において、モーションプロファイルコンポーネント４０８は、オブジェクトが既に車両に譲歩し始めているという決定をする場合、反応時間４１４を除外するモーションプロファイル４１０を決定することが可能である。上記のように、モーションプロファイル４１０は、用いられることが可能であり、車線変更のアクションおよび／または対象車線に関連付けられる障害物コストを決定する。

【0060】

図５は、本明細書で説明される技術を実装するための例示的なシステム５００のブロック図を図示する。少なくとも１つの例示において、システム５００は、車両５０２を含んでよい。

【0061】

車両５０２は、車両コンピューティングデバイス５０４、センサーシステム５０６、エミッター５０８、通信接続５１０、少なくとも１つの直接接続５１２、および駆動システム５１４を含んでよい。

【0062】

車両コンピューティングデバイス５０４は、プロセッサ５１６およびプロセッサ５１６と通信可能に結合されるメモリ５１８を含んでよい。図示される例示において、車両５０２は、自律車両であるが、車両５０２は、任意の他のタイプの車両であってよい。図示される例示において、車両コンピューティングデバイス５０４のメモリ５１８は、ローカリゼーションコンポーネント５２０、知覚コンポーネント５２２、マップ５２４、システムコントローラー５２６、および軌道生成コンポーネント１１４、表示コンポーネント５３０、属性コンポーネント１１６、機械学習モデル１１８、モーションプロファイルコンポーネント４０８、および比較コンポーネント５３２を含むプラニング／予測コンポーネント５２８を格納する。例示的な目的のために、メモリ５１８に存在するものとして図５で図示されるが、ローカリゼーションコンポーネント５２０、知覚コンポーネント５２２、マップ５２４、システムコントローラー５２６、プラニング／予測コンポーネント５２８、軌道生成コンポーネント１１４、表示コンポーネント５３０、属性コンポーネント１１６、機械学習モデル１１８、モーションプロファイルコンポーネント４０８、および比較コンポーネント５３２は、追加的、または代替的に、（例えば、リモートで格納される）車両５０２にアクセス可能であってよいことが企図される。

【0063】

少なくとも１つの例示において、ローカリゼーションコンポーネント５２０は、センサーシステム５０６からのデータを受信する機能を含んでよく、車両５０２の位置および／または方向（例えば、ｘ位置、ｙ位置、ｚ位置、ロール、ピッチ、またはヨーのうちの１つまたは複数）を決定する。例えば、ローカリゼーションコンポーネント５２０は、環境のマップを含んでよく、および／または環境のマップを要求／受信してよく、マップ内で自律車両の位置および／または方向を継続的に決定してよい。ある例示において、ローカリゼーションコンポーネント５２０は、自律車両の位置を正確に決定するために画像データ、ライダーデータ、レーダーデータ、ＩＭＵデータ、ＧＰＳデータ、ホイールエンコーダーデータなどを受信するためのＳＬＡＭ（同時ローカリゼーションおよびマッピング）、ＣＬＡＭＳ（同時に、較正、ローカリゼーション、およびマッピング）、相対ＳＬＡＭ、バンドル調整、非線形最小二乗最適化などを利用してよい。ある例示において、本明細書で説明されるように、ローカリゼーションコンポーネント５２０は、車両５０２のさまざまなコンポーネントにデータを提供することが可能であり、軌道を生成することに対して、および／またはマップデータを生成することに対して自律車両の初期位置を決定する。

【0064】

ある例示において、知覚コンポーネント５２２は、オブジェクトの検出、セグメンテーション、および／または分類を実行する機能を含んでよい。ある例示において、知覚コンポーネント５２２は、車両５０２に近接するエンティティの存在および／またはエンティティのタイプ（例えば、自動車、歩行者、自転車運転者、建物、木、路面、縁石、歩道、不明など）としてのエンティティの分類を示す処理されたセンサーデータを提供することが可能である。追加的または代替的な例示において、知覚コンポーネント５２２は、検出されたエンティティ（例えば、追跡されるオブジェクト）に関連付けられる１つまたは複数の特徴（属性とも称される）および／またはエンティティが配置されている環境を示す処理されたセンサーデータを提供することが可能である。ある例において、エンティティに関連付けられる特徴は、ｘ位置（グローバル位置および／またはローカル位置）、ｙ位置（グローバル位置および／またはローカル位置）、ｚ位置（グローバル位置および／またはローカル位置）、方向（例えば、ロール、ピッチ、ヨー）、エンティティのタイプ（例えば、分類）、エンティティの速度、エンティティの加速度、エンティティの範囲（サイズ）などを含んでよいが、これらに限定されない。環境に関連付けられる特徴は、環境における別のエンティティの存在、環境における別のエンティティの状態、時刻、曜日、季節、気象条件、暗さ／明るさの表示などを含んでよいが、これらに限定されない。

【0065】

メモリ５１８は、環境内をナビゲートするために車両５０２によって用いられ得るマップ５２４をさらに含んでよい。この説明の目的のために、マップは、例えば、（交差点のような）トポロジー、車道、山脈、道路、地形、および一般的な環境のような環境についての情報を提供することが可能である２次元、３次元、またはＮ次元でモデル化される任意の数のデータ構造であってよいが、これらに限定されない。ある例において、マップは、テクスチャー情報（例えば、色情報（例えば、ＲＧＢ色情報、Ｌａｂ色情報、ＨＳＶ／ＨＳＬ色情報）など）、強度情報（例えば、ライダー情報、レーダー情報など）、空間情報（例えば、メッシュへ投影された画像データ、個々の「サーフェル」（例えば、個々の色および／または強度に関連付けられる多角形））、反射率情報（例えば、鏡面性情報、再帰反射性情報、ＢＲＤＦ情報、ＢＳＳＲＤＦ情報など）を含んでよいが、これらに限定されない。１つの例示において、マップは、環境の３次元メッシュを含んでよい。ある例示において、本明細書で説明されるように、マップは、タイル形式で格納されることが可能であることによって、マップの個々のタイルが環境の別個の部分を表現して、必要に応じて作業メモリへとロードされることが可能である。少なくとも１つの例示において、マップ５２４は、少なくとも１つのマップ（例えば、画像および／またはメッシュ）を含んでよい。ある例示において、車両５０２は、少なくとも部分的にマップ５２４に基づいて制御されてよい。つまり、マップ５２４は、軌道生成コンポーネント１１４、ローカリゼーションコンポーネント５２０、知覚コンポーネント５２２、および／またはプラニング／予測コンポーネント５２８に関連して用いられてよく、車両５０２の位置を決定し、環境におけるオブジェクトを識別し、および／または環境内をナビゲートするためのルートおよび／または軌道を生成する。

【0066】

ある例示において、マップ５２４は、ネットワーク５３４を介してアクセス可能であるリモートコンピューティングデバイス（コンピューティングデバイス５３６など）に格納されてよい。ある例において、多様なマップ５２４は、例えば、特徴（例えば、エンティティのタイプ、時刻、曜日、その年の季節など）に基づいて格納されてよい。多様なマップ５２４を格納することは、同様のメモリ要件を有してよいが、マップにおけるデータがアクセスされ得る速度を増加させる。

【0067】

少なくとも１つの例示において、車両コンピューティングデバイス５０４は、システムコントローラー５２６を含んでよく、これは、ステアリング、推進、制動、安全性、エミッター、通信、および車両５０２の他のシステムを制御するように構成されてよい。これらのシステムコントローラー５２６は、駆動システム５１４および／または車両５０２の他のコンポーネントに対応するシステムと通信および／または制御することが可能である。

【0068】

一般に、プランニング／予測コンポーネント５２８は、環境を横断する車両５０２がたどる経路を決定することが可能である。例えば、プランニング／予測コンポーネント５２８は、さまざまなルートおよび軌道、ならびにさまざまな詳細のレベルを決定することが可能である。例えば、プランニング／予測コンポーネント５２８は、第１の位置（例えば、現在位置）から第２の位置（例えば、対象位置）まで移動するルートを決定することが可能である。この説明の目的のために、ルートの一部は、現在の車線から対象車線への車線変更のアクションを含んでよい。さらに、プラニング／予測コンポーネント５２８は、現在の車線から対象車線へのルートの少なくとも一部に沿って自律車両を誘導するための命令を生成することが可能である。ある例示において、命令は、軌道、または軌道の一部であってよい。ある例示において、多様な軌道（例えば、多様な対象車線に関連付けられる多様な車線変更のアクション）は、後退水平技法（receding horizon technique）に従って実質的に同時に（例えば、技術的許容範囲内で）生成されてよく、ここで、多様な軌道のうちの１つは、車両５０２がナビゲートするために選択される。

【0069】

ある例示において、プラニング／予測コンポーネント５２８は、環境におけるオブジェクトの予測される軌道（モーションプロファイルとも称される）を生成する機能を含んでよい。例えば、プラニング／予測コンポーネント５２８は、車両５０２からの閾値距離内の車両、歩行者、動物などに対して、１つまたは複数の予測される軌道を生成することが可能である。ある例示において、プラニング／予測コンポーネント５２８は、オブジェクトのトラックを測定することが可能であり、観察および予測される挙動に基づいてオブジェクトに対する軌道を生成することが可能である。予測される軌道を生成する例示は、２０１８年１０月４日に出願された米国特許出願番号第１６／１５１，６０７号および２０１８年５月１７日に出願された１５／９８２，６５８号に記載されている。出願番号１６／１５１，６０７号および１５／９８２，６５８号は、その全体が参照により本明細書に組み込まれる。

【0070】

ある例示において、軌道生成コンポーネント１１４は、走行可能な領域内に参照軌道および／または対象軌道を生成するための機能を含んでよい。例えば、走行可能な領域コンポーネント１１４は、センサーシステム５０６からセンサーデータを受信することが可能であり、および／または知覚コンポーネント５２２から環境のおける障害物および／またはオブジェクトについての情報を受信することが可能である。少なくとも部分的に、センサーデータおよび／またはオブジェクトに関連付けられる情報（例えば、位置、姿勢、範囲、分類、速度、予測される軌道など）に基づいて、軌道生成コンポーネント１１４は、走行可能な領域を決定することが可能である。ある例示において、軌道生成コンポーネント１１４は、領域に近接するオブジェクトに関連付けられる分類タイプに基づいて、および／または車両５０２の速度に基づいて、領域の範囲を決定することが可能である。

【0071】

軌道を生成するために、軌道生成コンポーネント１１４は、参照軌道を受信または決定することが可能であり、これは、環境を通る道路セグメントまたは他の経路の中心線に対応することが可能である。ある例示において、軌道生成コンポーネント１１４は、２０１７年１２月１５日に出願された米国特許出願番号第１５／８４３，５９６号で説明される技術に従って生成されるモーションプリミティブに対応し得るセグメントを生成することが可能である。出願番号第１５／８４３，５９６号は、その全体が参照により本明細書に組み込まれる。上記のように、軌道生成コンポーネント１１４によって生成される軌道は、現在の車線から対象車線への車線変更のアクションを含んでよい。

【0072】

ある例示において、軌道生成コンポーネント１１４は、参照軌道に対して対象軌道を生成するための１つまたは複数のコストを評価する機能を含んでよい。上記のように、１つまたは複数のコストは、参照コスト、障害物コスト、横方向のコスト、および長手方向のコストなどを含んでよいが、これに限定されない。ある例示において、１つまたは複数のコストは、２０１８年９月２８日に出願された米国特許出願番号第１６／１４７，４９２号で説明される技術に従って評価することが可能であり、これは参照によりその全体が本明細書に組み込まれる。

【0073】

ある例示において、表示コンポーネント５３０は、車線変更の表示を実行する機能を含んでよい。例えば、表示コンポーネント５３０は、車線変更のアクションが軌道生成コンポーネント１１４によって生成される軌道に関連付けられるということを決定することが可能である。次に、表示コンポーネント５３０は、例えば、方向指示器（例えば、エミッター５０８のうちの１つであり、これは、例えば、スピーカーおよび／またはライトを含んでよい）を作動させること、および／または対象車線に向かって「近づく」ことを含み得る車線変更の表示を実行することが可能である。

【0074】

ある例示において、属性コンポーネント１１６は、少なくとも部分的に、センサーシステム５０６によって生成されるセンサーデータに基づいて、属性データを決定する機能を含んでよい。属性データは、オブジェクトに関連付けられる速度データ、自律車両に関連付けられる速度データ、オブジェクトに関連付けられる加速度データ、自律車両に関連付けられる加速度データ、および／またはオブジェクトと自律車両との間の距離を示す距離データを含んでよいが、オブジェクトの範囲（例えば、長さ、幅、高さ）、車両の状態データ（例えば、診断情報、ヘッドライトおよび／または方向指示器の状態、スピーカーの状態など）、および／またはオブジェクトの状態データ（例えば、ヘッドライトおよび／または方向指示器の状態、オブジェクトのオペレーターのジェスチャーなど）などの他のタイプのデータが企図される。

【0075】

ある例示において、機械学習モデル１１８は、入力としてセンサーデータおよび／または属性データを受信して、環境におけるオブジェクトに関連付けられる譲歩スコアを出力する機能を含んでよい。機械学習モデル１１８は、ニューラルネットワークとして実装されてよい。ある例示において、機械学習モデル１１８は、属性データに基づいて、例えば、オブジェクトが時間期間にわたってどのように挙動することとなるかを示し得るモーションプロファイルを決定ことが可能である。機械学習モデル１１８は、例えば、オブジェクトに関連付けられる譲歩スコア、オブジェクトの速度、オブジェクトの加速度、オブジェクトの車輪に関連付けられる姿勢、オブジェクトの方向指示器の状態などを考慮することによって、モーションプロファイルを決定することが可能である。

【0076】

上記のように、モーションプロファイルコンポーネント４０８は、モーションプロファイルのデータベースを格納および／またはアクセスすることが可能である。機械学習モデル１１８がオブジェクトに関連付けられる譲歩スコアを決定するとき、モーションプロファイルコンポーネント４０８は、センサーデータ／属性データおよび譲歩スコアを用いることが可能であり、モーションプロファイルデータのモーションプロファイルと比較する。比較に基づいて、モーションプロファイルコンポーネント４０８は、オブジェクトが時間期間にわたってどのように挙動し得ることとなるかを示し得る環境におけるオブジェクトに関連付けられるモーションプロファイルを決定することが可能である。

【0077】

比較コンポーネント５３２は、機械学習モデル１１８によって出力される譲歩スコアを譲歩スコアの閾値と比較する機能を含んでよい。譲歩スコアの閾値を満たすか、または上回る譲歩スコアは、譲歩スコアに関連付けられるオブジェクトが譲歩しないことよりも起こり易く、譲歩スコアの閾値を満たさないか、または上回らない譲歩スコアは、オブジェクトが譲歩しないことよりも起こり易いことを示すことが可能である。譲歩スコアを譲歩スコアの閾値と比較することによって、車両コンピューティングデバイス５０４は、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るということを決定することが可能であり、車線変更のアクションを実行することが安全であるということを決定する。

【0078】

ある例示において、譲歩スコアは、譲歩スコアの範囲の中央値であってよい。例示の目的であり、限定することなく、譲歩スコアは、０と１との間の数値であってよく、譲歩スコアの閾値は、０．５であってよい。ある例示において、譲歩スコアの閾値は、機械学習モデル１１８によって決定されてよい。例えば、機械学習モデル１１８は、訓練属性データ、センサーデータ、および／またはグラウンドトゥルースデータを含み得る訓練データに基づいて訓練されることが可能であり、譲歩スコアの閾値を決定することによって、入力センサーデータおよび／または属性データに基づいて生成される譲歩スコアは、それぞれ、センサーデータおよび／または属性データがオブジェクトを譲歩することとなるか、または譲歩しないこととなるかを示す場合、譲歩スコアの閾値を満たすこととなるか、または上回ることとなるか、または譲歩スコアの閾値を下回ることとなる。

【0079】

本明細書で説明される機械学習モデル１１８は、ニューラルネットワークを含んでよく、これは、入力データが一連の接続されるレイヤーを通過して出力を生成する生物学的に着想を得たアルゴリズムである。ニューラルネットワークにおけるそれぞれのレイヤーは、また、別のニューラルネットワークを含んでよく、または任意の数のレイヤーを（畳み込みであるか、否か）含んでよい。本開示の脈絡で理解されることが可能であるように、ニューラルネットワークは、機械学習を利用することが可能であり、これは、出力が学習されたパラメーターに基づいて生成されるこのような幅広いクラスのアルゴリズムを参照することが可能である。例えば、ニューラルネットワークは、ＲｅｓＮｅｔ ５０、ＲｅｓＮｅｔ １０１、ＲｅｓＮｅｔ １５２、ＶＧＧ、ＤｅｎｓｅＮｅｔ、ＰｏｉｎｔＮｅｔなどの１つまたは複数のニューラルネットワークを含んでよい。

【0080】

ニューラルネットワークの脈絡で説明されるものの、任意のタイプの機械学習が本開示と整合するように用いられてよい。例えば、機械学習アルゴリズムは、回帰アルゴリズム（例えば、通常最小二乗回帰（ＯＬＳＲ）、線形回帰、ロジスティック回帰、段階的回帰、多変量適応回帰スプライン（ＭＡＲＳ）、局所的に推定される散布図の平滑化（ＬＯＥＳＳ）、インスタンスベースのアルゴリズム（例えば、リッジ回帰、最小絶対値縮小選択演算子（ＬＡＳＳＯ）、弾性ネット、最小角回帰（ＬＡＲＳ）、決定木アルゴリズム（例えば、分類回帰木（ＣＡＲＴ）、反復二分法３（ＩＤ３）、カイ二乗自動相互作用検出（ＣＨＡＩＤ）、決定切り株、条件付き決定木）、ベイジアンアルゴリズム（例えば、ナイーブベイズ、ガウスナイーブベイズ、多項式ナイーブベイズ、平均１依存性推定器（ＡＯＤＥ）、ベイジアン信頼度ネットワーク（ＢＮＮ）、ベイジアンネットワーク）、クラスタリングアルゴリズム（例えば、ｋ平均法、ｋメジアン法、期待値最大化（ＥＭ）、階層的クラスタリング）、関連規則学習アルゴリズム（例えば、パーセプトロン、誤差逆伝播法、ホップフィールドネットワーク、動径基底関数ネットワーク（ＲＢＦＮ））、深層学習アルゴリズム（例えば、深層ボルツマンマシン（ＤＢＭ）、深層信頼ネットワーク（ＤＢＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、積層型オートエンコーダ）、次元削減アルゴリズム（例えば、主成分分析（ＰＣＡ）、主成分回帰（ＰＣＲ）、部分最小二乗回帰（ＰＬＳＲ）、サモンマッピング、多次元スケーリング（ＭＤＳ）、射影追跡法、線形判別分析（ＬＤＡ）、混合判別分析（ＭＤＡ）、二次判別分析（ＱＤＡ）、柔軟判別分析（ＦＤＡ））、アンサンブルアルゴリズム（例えば、ブースティング、ブートストラップ集約（バギング）、エイダブースト、階層型一般化（ブレンディング）、勾配ブースティングマシン（ＧＢＭ）、勾配ブースト回帰木（ＧＢＲＴ）、ランダムフォレスト）、ＳＶＭ（サポートベクトルマシン）、教師付き学習、教師なし学習、半教師付き学習などを含んでよいが、これらに限定されない。

【0081】

少なくとも１つの例示において、センサーシステム５０６は、ライダーセンサー、レーダーセンサー、超音波トランスデューサー、ソナーセンサー、位置センサー（例えば、ＧＰＳ、コンパスなど）、慣性センサー（例えば、慣性測定ユニット(ＩＭＵ)、加速度計、磁力計、ジャイロスコープなど）、カメラ（例えば、ＲＧＢ、ＩＲ、強度、深度など）、飛行時間センサー（ｔｉｍｅ ｏｆ ｆｌｉｇｈｔ ｓｅｎｓｏｒｓ）、マイク、ホイールエンコーダー、環境センサー（例えば、温度センサー、湿度センサー、光センサー、圧力センサーなど）などを含んでよい。センサーシステム５０６は、センサーのこれらまたは他のタイプのそれぞれの多様な例示を含んでよい。例えば、ライダーセンサーは、車両５０２の角部、前部、後部、側面、および／または上部に配置されている個々のライダーセンサーを含んでよい。別の例示として、カメラセンサーは、車両５０２の外部および／または内部のさまざまな位置に配置されている多様なカメラを含んでよい。センサーシステム５０６は、車両コンピューティングデバイス５０４に入力を提供することが可能である。追加的および／または代替的に、センサーシステム５０６は、リアルタイムに近い時間などで、所定の時間期間が経過した後で、センサーデータを１つまたは複数のネットワーク５３４を介して、具体的な頻度で１つまたは複数のコンピューティングデバイス５３６に送信することが可能である。

【0082】

車両５０２は、また、上記のように、光および／または音を発するための１つまたは複数のエミッター５０８を含んでよい。この例示のエミッター５０８は、車両５０２の乗員と通信するための内部オーディオおよび視覚エミッターを含んでよい。例示の目的であり、限定ではなく、内部エミッターは、スピーカー、ライト、標識、ディスプレイ画面、タッチスクリーン、触覚エミッター（例えば、振動および／または力フィードバック）、機械的アクチュエータ（例えば、シートベルトテンショナー、シートポジショナー、ヘッドレストポジショナーなど）などを含んでよい。この例示におけるエミッター５０８は、また外部エミッターを含む。例示の目的であり、限定ではなく、この例示における外部エミッターは、移動の方向の信号を送る照明、もしくは車両のアクションの他のインジケーター（例えば、インジケーター照明、標識、照明アレイなど）、ならびに歩行者、または音響ビームステアリング技術を含む１つまたは複数の近隣の他の車両と音響で通信する１つまたは複数のオーディオエミッター（例えば、スピーカー、スピーカーアレイ、ホーンなど）を含む。

【0083】

車両５０２は、また、車両５０２と他のローカルまたはリモートコンピューティングデバイスとの間の通信を可能にする通信接続５１０を含んでよい。例えば、通信接続５１０は、車両５０２および／または駆動システム５１４に対する他のローカルコンピューティングデバイスとの通信を容易にすることが可能である。また、通信接続５１０は、車両が他の近隣のコンピューティングデバイス（例えば、他の近隣の車両、交通信号など）と通信することを可能とすることが可能である。通信接続５１０は、また、車両５０２が遠隔操作コンピューティングデバイスまたは他のリモートサービスと通信することを可能にする。

【0084】

通信接続５１０は、車両コンピューティングデバイス５０４を別のコンピューティングデバイスまたはネットワーク５３４などのネットワークに接続するための物理的および／または論理的インターフェースを含んでよい。例えば、通信接続５１０は、ＩＥＥＥ８０２．１１規格によって定義された周波数、ブルートゥースなどの短距離無線周波数、セルラー通信（例えば、２Ｇ、３Ｇ、４Ｇ、４Ｇ ＬＴＥ、５Ｇなど）、またはそれぞれのコンピューティングデバイスが他のコンピューティングデバイスとインターフェースで接続することを可能にする任意の適切な有線または無線通信プロトコルを介するようなＷｉ－Ｆｉベースの通信を可能にすることが可能である。

【0085】

少なくとも１つの例示において、車両５０２は、駆動システム５１４を含んでよい。ある例示において、車両５０２は、１つの駆動システム５１４を有してよい。少なくとも１つの例示において、車両５０２が多様な駆動システム５１４を有する場合、個々の駆動システム５１４は、車両５０２の両端部（例えば前部および後部など）に配置されてよい。少なくとも１つの例示において、駆動システム５１４は、駆動システム５１４および／または車両５０２の周囲の条件を検出するための１つまたは複数のセンサーシステムを含んでよい。例示の目的であり、限定ではなく、センサーシステムは、駆動システムのホイールの回転を感知するための１つまたは複数のホイールエンコーダー（例えば、ロータリーエンコーダー）、駆動システムの方向および加速度を測定するための慣性センサー（例えば、慣性測定ユニット、加速度計、ジャイロスコープ、磁力計など）、カメラまたは他の画像センサー、駆動システムの周囲の状態におけるオブジェクトを音響的に検出するための超音波センサー、ライダーセンサー、レーダーセンサーなどを含んでよい。ホイールエンコーダーのようなあるセンサーは、駆動システム５１４に一意であってよい。ある例示において、駆動システム５１４に対するセンサーシステムは、車両５０２の対応するシステム（例えばセンサーシステム５０６）と重複または補完することが可能である。

【0086】

駆動システム５１４は、高電圧バッテリー、車両を推進させるためのモーター、他の車両システムによる使用のためにバッテリーからの直流を交流に変換するためのインバーター、ステアリングモーターとステアリングラックとを含むステアリングシステム（これは電動式であってよい）、油圧アクチュエータまたは電気アクチュエータを含むブレーキシステム、油圧コンポーネントおよび／または空気圧コンポーネントを含むサスペンションシステム、トラクションの損失を緩和し、制御を維持するために制動力を分配するための安定性制御システム、ＨＶＡＣシステム、照明（例えば、車両の外周を照明するためのヘッドライド／テールライトなどの照明）、および１つまたは複数の他のシステム（例えば、冷却システム、安全システム、車載充電システム、ＤＣ／ＤＣコンバーターなどの他の電気コンポーネント、高電圧ジャンクション、高電圧ケーブル、充電システム、充電ポートなど）を含めて、車両システムの多くを含んでよい。また、駆動システム５１４は、センサーシステムからデータを受信して、前処理をし得るさまざまな車両システムの動作を制御するための駆動システムコントローラーを含んでよい。ある例示において、駆動システムコントローラーは、１つまたは複数のプロセッサと通信可能に結合されるプロセッサおよびメモリを含んでよい。メモリは、駆動システム５１４のさまざまな機能性を実行するための１つまたは複数のコンポーネントを格納することが可能である。さらに、駆動システム５１４は、また、それぞれの駆動システムによる１つまたは複数の他のローカルコンピューティングデバイスまたはリモートコンピューティングデバイスとの通信を可能にする１つまたは複数の通信接続を含んでよい。

【0087】

少なくとも１つの例において、直接接続５１２は、１つまたは複数の駆動システム５１４を車両５０２の本体と結合するための物理的なインターフェースを提供することが可能である。例えば、直接接続５１２は、駆動システム５１４と車両との間でエネルギー、流体、空気、データなどを伝達することを可能とすることが可能である。ある例示において、直接接続５１２は、さらに、駆動システム５１４を車両５０２の本体に着脱可能に固定することが可能である。

【0088】

ある例示において、車両５０２は、ネットワーク５３４を介して１つまたは複数のコンピューティングデバイス５３６にセンサーデータを送信することが可能である。ある例示において、車両５０２は、生のセンサーデータをコンピューティングデバイス５３６に送信することが可能である。他の例示において、車両５０２は、処理されたセンサーデータおよび／またはセンサーデータの表現をコンピューティングデバイス５３６に送信することが可能である。ある例示において、車両５０２は、所定の期間が経過した後、ほぼリアルタイムで、具体的な頻度でセンサーデータをコンピューティングデバイス５３６に送信することが可能である。ある場合において、車両５０２は、センサーデータ（生または処理された）を１つまたは複数のログファイルとしてコンピューティングデバイス５３６に送信することが可能である。

【0089】

コンピューティングデバイス５３６は、プロセッサ５３８およびプラニング／予測コンポーネント５４２を格納するメモリ５４０を含んでよい。

【0090】

ある例示において、プラニング／予測コンポーネント５４２は、プラニング／予測コンポーネント５２８に実質的に対応することが可能であり、環境における車両５０２に対する軌道を生成する機能を含んでよい。ある例示において、メモリ５４０は、軌道生成コンポーネント１１４、属性コンポーネント１１６、機械学習モデル１１８、モーションプロファイルコンポーネント４０８、表示コンポーネント５３０、および／または比較コンポーネント５３２のうちのいずれかを追加的または代替的に格納してよい。例えば、コンピューティングデバイス５３６は、モーションプロファイルコンポーネント４０８によって、少なくとも部分的に、１つまたは複数の車両から受信したログデータに基づいてモーションプロファイルを決定してよく、モーションプロファイルをモーションプロファイルコンポーネント４０８に関連してストレージのために１つまたは複数の車両に伝送してよい。

【0091】

車両５０２のプロセッサ５１６およびコンピューティングデバイス５３６のプロセッサ５３８は、本明細書で説明されるようなデータを処理して、動作を実行するための命令を実行することが可能である任意の適切なプロセッサであってよい。例示の目的であり、限定ではなく、プロセッサ５１６および５３８は、１つまたは複数の中央処理装置（ＣＰＵ）、Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ（ＧＰＵ）、または電子データを処理して電子データをレジスタまたはメモリに格納し得る他の電子データへと変換する他の任意のデバイスまたはデバイスの一部を含んでよい。ある例示において、集積回路（例えば、ＡＳＩＣなど）ゲートアレイ（例えば、ＦＰＧＡなど）、および他のハードウェアデバイスは、また、それらがエンコードされた命令を実装するように構成される限り、プロセッサとみなされてよい。

【0092】

メモリ５１８および５４０は、非一時的なコンピューター可読媒体の例示である。メモリ５１８および５４０は、オペレーティングシステム、ならびに本明細書において説明される方法、およびさまざまなシステムに割り当てられた機能を実装する１つまたは複数のソフトウェアアプリケーション、命令、プログラム、および／またはデータを格納することが可能である。さまざまな実装において、メモリは、スタティックランダムアクセスメモリ（ＳＲＡＭ）、シンクロナスダイナミックＲＡＭ（ＳＤＲＡＭ）、不揮発性／フラッシュタイプメモリ、または、情報を格納することが可能な任意の他のタイプのメモリなどの任意の適切なメモリ技術を用いて、実装されてよい。本明細書で説明されるアーキテクチャ、システム、および個々の要素は、多くの他の論理、プログラマティック、および物理的なコンポーネントを含んでよく、その中で、添付の図面に示されるものは、本明細書での説明に関連する例示に過ぎない。

【0093】

ある場合において、メモリ５１８および５４０は、少なくとも作業メモリおよびストレージメモリを含んでよい。例えば、作業メモリは、プロセッサ５１６および５３８によって操作されるデータを格納するために用いられる制限された容量の高速メモリ（例えば、キャッシュメモリ）であってよい。ある例示において、メモリ５１８および５４０は、データの長期ストレージに用いられる比較的大容量の低速メモリであり得るストレージメモリを含んでよい。ある場合において、プロセッサ５１６および５３８は、ストレージメモリに格納されるデータを直接操作することが可能ではなく、本明細書で説明されるように、データに基づいて動作を実行するためにデータを作業メモリへとロードする必要があることがある。

【0094】

図５は分散システムとして図示されているが、代替の例示において、車両５０２のコンポーネントをコンピューティングデバイス５３６に関連付けられてよく、および／またはコンピューティングデバイス５３６のコンポーネントを車両５０２に関連付けられてよいということに留意されたい。つまり、車両５０２は、コンピューティングデバイス５３６に関連付けられる機能のうちの１つまたは複数を実行することが可能であり、逆もまた同様である。

【0095】

図５および図６は、本開示の実施形態に従って、例示的なプロセスを図示する。これらのプロセスは、論理フローグラフとして図示され、それぞれの動作は、ハードウェア、ソフトウェア、またはそれらの組み合わせにおいて実装され得る一連の動作を表現する。ソフトウェアのコンテキストにおいて、動作は、１つまたは複数のプロセッサによって実行された場合に、列挙した動作を実行する１つまたは複数のコンピューター可読媒体に格納されたコンピューター実行可能な命令を表現する。一般に、コンピューター実行可能な命令は、具体的な機能を実行するか、または具体的な抽象データ型を実装するルーティン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。動作が説明される順序は、限定として解釈されることが意図されるわけではなく、任意の数の説明される動作が、プロセスを実装する任意の順序で、および／または並行して組み合わされてよい。

【0096】

図６は、本開示の実施形態に従って、譲歩スコアを決定して、制御するために、少なくとも部分的に譲歩スコアに基づいて、車両が車線変更のアクションを実行する例示的なプロセス６００を図示する。例えば、プロセス６００の一部またはすべては、本明細書で説明されるように、図１または図５での１つまたは複数のコンポーネントによって実行されることが可能できる。例えば、プロセス６００の一部またはすべては、車両コンピューティングデバイス１１０、車両コンピューティングデバイス５０４、および／またはコンピューティングデバイス５３６によって実行されることが可能である。

【0097】

例示的なプロセス６００の動作６０２で、プロセス６００は、車両のセンサーから、環境の少なくとも一部を表現するセンサーデータを受信することを含んでよい。ある例示において、車両は、静止していてよく、および／または環境において駐車していてよい。ある例示において、車両は、センサーからセンサーデータを受信しながら環境を横断していてよい。

【0098】

例示的なプロセス６００の動作６０４で、プロセス６００は、車両が環境において実行する車線変更のアクションを決定することを含んでよい。ある例示において、車線変更のアクションを決定することは、少なくとも部分的に、車線変更のアクションを含む軌道に基づいてよい。例えば、車両のコンピューティングデバイスは、少なくとも部分的に、車線変更のアクションが車両を交通および／または環境をより効率的および／またはより安全に横断することを可能とする環境における交通条件および／または障害物に基づいて、軌道の一部として車線変更のアクションを決定することが可能である。ある例示において、車線変更のアクションは、少なくとも部分的に近づきつつあるアクションに基づいてよい。例示の目的であり、限定することなく、車両は、近づきつつある交差点での右折を含む軌道をたどることが可能である。右折に備えるために、車両は、対象車線への車線変更のアクションを実行することが可能である。ある例示において、車線変更のアクションは、保護されていない進路変更および／または保護されている交差点での進路変更を含んでよい。車線変更のアクションは、対象車線および／または中間車線（例えば、自転車車線、バス車線）に関連付けられてよい。本明細書での説明は、主に対象車線に関するが、本明細書で説明される技術は、追加的または代替的に、中間車線に適用され得ることが理解される。

【0099】

例示的なプロセス６００の動作６０６で、プロセス６００は、対象車線に関連付けられているセンサーデータに表現されるオブジェクトよりも決定することを含んでよい。上記のように、車両は、少なくとも部分的に、センサーから受信したセンサーデータに基づいてオブジェクトの検出、セグメンテーション、および／または分類を実行することが可能であり、センサーデータがオブジェクトを表現して、オブジェクトが対象車線に関連付けられているということを決定する。

【0100】

例示的なプロセス６００の動作６０８で、プロセス６００は、少なくとも部分的にセンサーデータに基づいて、属性データを決定することを含んでよい。ある例示において、属性データは、オブジェクトの光の状態、オブジェクトのオペレーターのジェスチャーなどの他の属性が企図されるが、オブジェクトの範囲、オブジェクトの分類、オブジェクトの姿勢、オブジェクトの軌道、オブジェクトの加速度、オブジェクトの状態、車両からのオブジェクトの距離、および／またはオブジェクトの速度などの属性を含んでよい。属性データは、追加的または代替的に、車両に対応する同様のデータを含んでよく、および／または属性データは、車両に関連付けられる属性データを参照して表示されてよい（例えば、オブジェクトの速度は、車両の位置および／または速度を参照して表示されてよい）。少なくともある例示において、このような属性データは、現在の時間（例えば、１ｓ、２ｓ、４ｓ、８ｓなど）に先行して、および現在の時間まで、および／または現在の時間を含む時間期間にわたって決定される属性を含んでよい。

【0101】

例示的なプロセス６００の動作６１０で、プロセス６００は、譲歩スコアを出力するように訓練される機械学習モデルへの入力として属性データを提供することを含んでよい。

【0102】

例示的なプロセス６００の動作６１２で、プロセス６００は、機械学習モデルから、オブジェクトが車両に譲歩している確率を示す譲歩スコアを受信することを含んでよい。譲歩スコアは、オブジェクトが車両に譲歩する確率を示し得る数値であってよい。機械学習モデルは、ログデータからの同様のシミュレーションされる環境で表現される同様の軌道に基づいて訓練されてよい。

【0103】

例示的なプロセス６００の動作６１４で、プロセス６００は、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るかを決定することを含んでよい。譲歩スコアが譲歩スコアの閾値を満たさないか、または上回らない場合、プロセス６００は、動作６０８に戻ることが可能である。譲歩スコアが譲歩スコアの閾値を満たすか、または上回る場合、プロセス６００は、動作６１６に進むことが可能である。ある例示において、譲歩スコアは、コストに関連付けられてよい。例えば、より低い譲歩スコアは、オブジェクトが譲歩することとなるより低い確率に関連付けられてよく、次に、車線変更のアクションを実行するより高いコストに関連付けられてよい。同様に、より高い譲歩スコアは、オブジェクトが譲歩することとなるより高い確率に関連付けられてよく、次に、車線変更のアクションを実行するより低いコストに関連付けられてよい。ある例示において、動作６１４は、コストがコストの閾値を満たすか、または上回るかを決定することを含んでよい。

【0104】

例示的なプロセス６００の動作６１６で、プロセス６００は、少なくとも部分的に譲歩スコアに基づいて、車両を制御することを含んでよく、車線変更のアクションを実行する。例えば、車両は、少なくとも部分的に、譲歩スコアが譲歩スコアの閾値を満たさないか、または上回らないという決定をすることに基づいて車線変更のアクションを中止する決定をしてよく、または車両は、少なくとも部分的に、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るという決定をすることに基づいて車線変更のアクションを完了させてもよい。ある例示において、譲歩スコアの閾値を下回る譲歩スコアは、車線変更のアクション、対象車線、および／または対象軌道に関連付けられる障害物コストを増加させることが可能である。コストの増加に応答して、車両は、車線変更のアクションを中止することを決定することが可能である。

【0105】

図７は、譲歩スコアを生成するために機械学習モデルを訓練するための例示的なプロセス７００を図示する。

【0106】

例示的なプロセス７００の動作７０２で、プロセス７００は、センサーデータをキャプチャすることが可能であり、および／または生成することが可能であり、そこから属性データを決定することが可能であり、ここで、属性データは、車両のメモリに格納されるデータベースにおけるオブジェクトに関連付けられてよい。ある例示において、センサーデータは、環境を横断している間に１つまたは複数の車両によってキャプチャされることが可能である。ある例示において、センサーデータは、シミュレーション環境で生成される合成センサーデータであってよい。

【0107】

例示的なプロセス７００の動作７０４で、プロセス７００は、車線変更の成功または失敗の表示をグラウンドトゥルースデータとして生成することを含んでよい。グラウンドトゥルースデータは、センサーデータ、属性データ、および／またはモーションプロファイルに基づいて、車両が車線変更の操作を実行しようと試みたか、成功したか、および／または失敗したかを示すことが可能である。ある例示において、グラウンドトゥルースデータは、車線変更の試みおよび／または共に関連付けられる属性データに関連して用いられるモーションプロファイル（および／または最高の譲歩スコアに関連付けられるモーションプロファイル）を示すことが可能である。

【0108】

例示的なプロセス７００の動作７０６で、センサーデータは、機械学習モデルへと入力することが可能であり、譲歩スコアを生成する。機械学習モデルは、少なくとも部分的に、センサーデータおよびグラウンドトゥルースデータに基づいて譲歩スコアを生成するように訓練されることが可能である。例えば、センサーデータは、周知の結果（例えば、周知の車線変更の成功、車線変更の失敗、正しいモーションプロファイルを示すグラウンドトゥルースデータ）が用いられてよく、誤差を最小限に抑えるために機械学習モデルの重み付けおよび／またはパラメーターを調整することに用いられ得る機械学習モデルに入力されてよい。ある例示において、グラウンドトゥルースデータは、センサーデータおよび／または属性データにラベル付けされてよい。ある例示において、グラウンドトゥルースデータは、合成センサーデータであってよい。上記のように、機械学習モデルは、誤差を最小限に抑えるために損失関数（例えば、Ｌ１、Ｌ２、ｓｏｆｔｍａｘなど）を用いることが可能である。このようなモデルは、線形またはロジスティック回帰のうちの１つまたは複数であってよく、またはそうでないこともある。

【0109】

本明細書で説明されるさまざまな技術は、コンピューター可読ストレージに格納されて、図面に図示されているような１つまたは複数のコンピューターまたは他のデバイスのプロセッサによって実行される、コンピューター実行可能な命令またはプログラムモジュールのようなソフトウェアのコンテキストにおいて実装されてよい。一般に、プログラムモジュールは、ルーティン、プログラム、オブジェクト、コンポーネント、およびデータ構造など含み、具体的なタスクを実行するために動作ロジックを定義するか、または具体的な抽象データ型を実装する。

【0110】

他のアーキテクチャは、説明される機能を実装することに用いられてよく、本開示の範囲内にあることが意図されている。さらに、責任の具体的な分配は、説明の目的のために上記に画定されているが、さまざまな機能および責任は、状況に応じて異なる方法で、分配および分割されてよい。同様に、ソフトウェアは、さまざまな方法および異なる手段を用いて、格納および分配されることが可能であり、上記で説明される具体的なソフトウェアストレージおよび実行形態は、多くの異なる方法で変更されることが可能である。それ故に、上記で説明される技術を実装するソフトウェアは、さまざまなタイプのコンピューター可読媒体に分配されることが可能であり、具体的に説明されるメモリの形態に限定されない。

【0111】

（例示的な条項）
Ａ：システムは、１つまたは複数のプロセッサ、および実行される場合に、１つまたは複数のプロセッサに、自律車両のセンサーから、少なくとも部分的に環境を表現するセンサーデータを受信すること、環境において実行する自律車両に対する車線変更のアクションを決定すること、車線変更のアクションに関連付けられる対象車線に関連付けられるセンサーデータに表現されるオブジェクトを決定するということ、少なくとも部分的にセンサーデータに基づいて、環境におけるオブジェクトの存在を決定すること、少なくとも部分的にセンサーデータに基づいて、自律車両に関連付けられる第１のデータ、オブジェクトに関連付けられる第２のデータ、および自律車両とオブジェクトとの間の距離を含む属性データを決定すること、属性データを機械学習モデルへと入力すること、機械学習モデルから、オブジェクトが自律車両に譲歩する確率を示す譲歩スコアを受信すること、および少なくとも部分的に譲歩スコアに基づいて、自律車両に車線変更のアクションを実行させるように制御することを含む動作を実行させる、コンピューター実行可能な命令を格納する１つまたは複数の非一時的なコンピューター可読媒体を備える。

【0112】

Ｂ：段落Ａに記載のシステムであって、属性データは、第１の時間に関連付けられる第１の属性データであり、距離は、第１の距離であり、動作は、第２の時間に関連付けられる第２の属性データを決定すること、第２の属性データは、自律車両に関連付けられる第３の速度データ、オブジェクトに関連付けられる第４の速度データ、および第２の時間で、自律車両とオブジェクトとの間の第２の距離を含み、および第２の属性データを機械学習モデルへと入力することをさらに含む。

【0113】

Ｃ：段落Ｂに記載のシステムであって、第２の属性データは、さらに、少なくとも部分的に車線変更の表示に基づいている。

【0114】

Ｄ：段落Ａに記載のシステムであって、動作は、少なくとも部分的に譲歩スコアに基づいて、車線変更のアクションに関連付けられるコストを決定することをさらに含み、自律走行車を制御することは、少なくとも部分的にコストにさらに基づいている。

【0115】

Ｅ：段落Ａに記載のシステムであって、オブジェクトは、さらなる車両、自転車運転者、バイク、またはトラックのうちの少なくとも１つに関連付けられる。

【0116】

Ｆ：方法は、車両のセンサーから、環境のセンサーデータを受信すること、少なくとも部分的にセンサーデータに基づいて、環境におけるオブジェクトの存在を決定すること、少なくとも部分的にセンサーデータに基づいて、属性データは、車両に関連付けられる第１の速度データ、オブジェクトに関連付けられる第２の速度データ、および車両とオブジェクトとの間の距離を含み、属性データを機械学習モデルへと入力すること、機械学習モデルから、オブジェクトに関連付けられる譲歩アクションの確率を示す譲歩スコアを受信すること、および少なくとも部分的に譲歩スコアに基づいて、車両を制御することを備える。

【0117】

Ｇ：段落Ｆに記載の方法であって、属性データは、第１の時間に関連付けられる第１の属性データであり、距離は、第１の距離であり、方法は、第２の時間に関連付けられる第２の属性データを決定すること、第２の属性データは、車両に関連付けられる第３の速度データ、オブジェクトに関連付けられる第４の速度データ、および車両とオブジェクトとの間の第２の距離を含み、および第２の属性データを機械学習モデルへと入力することをさらに備える。

【0118】

Ｈ：段落Ｇに記載の方法であって、車線変更の表示を実行するように車両を制御することをさらに備え、属性データを決定することは、少なくとも部分的に車線変更の表示に基づいている。

【0119】

Ｉ：段落Ｈに記載の方法であって、譲歩スコアは、譲歩スコアの閾値を満たすか、または上回るという決定をすることをさらに備え、車両を制御することは、少なくとも部分的に、譲歩スコアの閾値を満たすか、または上回る譲歩スコアに基づいている。

【0120】

Ｊ：段落Ｆに記載の方法であって、少なくとも部分的に譲歩スコアに基づいて、オブジェクトの予測されるモーションを示す予測されるモーションプロファイルを決定することをさらに備え、車両を制御することは、少なくとも部分的に、予測されるモーションプロファイルに基づいている。

【0121】

Ｋ：段落Ｊに記載の方法であって、少なくとも部分的に、予測されるモーションプロファイルに基づいて、車線変更のアクションを決定することをさらに含み、車両を制御することは、車線変更のアクションを実行するように車両を制御することを含み、オブジェクトは、車線変更のアクションの対象車線に配置されている。

【0122】

Ｌ：段落Ｆに記載の方法であって、譲歩スコアが譲歩スコアの閾値を下回っているという決定をすることであって、車両を制御することは、少なくとも部分的に、譲歩スコアが譲歩スコアの閾値を下回っていることに基づいて、車両が車線変更のアクションを実行することを控えることである。

【0123】

Ｍ：段落Ｆに記載の方法であって、機械学習モデルは、少なくとも部分的に、車線変更の成功を示す訓練の属性データおよびグラウンドトゥルースの属性データに基づいて訓練される。

【0124】

Ｎ： プロセッサによって実行可能である命令を格納する非一時的なコンピューター可読媒体であって、命令は、実行される場合に、プロセッサに、車両のセンサーから、環境のセンサーデータを受信すること、少なくとも部分的にセンサーデータに基づいて、環境におけるオブジェクトの存在を決定すること、少なくとも部分的にセンサーデータに基づいて、属性データを決定すること、属性データを機械学習モデルへと入力すること、機械学習モデルから、オブジェクトに関連付けられる譲歩アクションの確率を示す譲歩スコアを受信すること、および少なくとも部分的に譲歩スコアに基づいて、車両が環境を横断するように制御することを含む動作を実行させる。

【0125】

Ｏ：段落Ｎに記載の非一時的なコンピューター可読媒体であって、センサーデータは、シミュレーションされるセンサーデータを含み、環境がシミュレーションされる環境であり、車両がシミュレーションされる車両である。

【0126】

Ｐ：段落Ｎに記載の非一時的なコンピューター可読媒体であって、動作は、第２の時間に関連付けられる第２の属性データを決定すること、および第２の属性データを機械学習モデルへと入力することをさらに含む。

【0127】

Ｑ：段落Ｐに記載の非一時的なコンピューター可読媒体であって、動作は、方向指示器を有効にすること、車両の速度を低下させること、車両の速度を増加させること、または車両と対象車線との間の距離を減少させるように車両を制御することのうちの少なくとも一つを含む車線変更の表示を実行するように車両を制御することをさらに含む。

【0128】

Ｒ：段落Ｎに記載の非一時的なコンピューター可読媒体であって、動作は、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るという決定をすること、および少なくとも部分的に、譲歩スコアが譲歩スコアの閾値を満たすか、または上回るという決定をすることに基づいて、車線変更のアクションを決定することをさらに備え、車両を制御することは、車線変更のアクションを実行するように車両を制御することを含む。

【0129】

Ｓ：段落Ｎに記載の非一時的なコンピューター可読媒体であって、機械学習モデルは、少なくとも部分的に、グラウンドトゥルースデータに基づいて訓練されて、グラウンドトゥルースデータは、グラウンドトゥルースの属性データおよび車線変更の成功を示すグラウンドトゥルースの属性データに関連付けられるデータを含む。

【0130】

Ｔ：段落Ｎに記載の非一時的なコンピューター可読媒体であって、動作は、少なくとも部分的に譲歩スコアに基づいてオブジェクトの予測されるモーションを示す予測されるモーションプロファイルを決定することをさらに含み、車両を制御することは、少なくとも部分的に、予測されるモーションプロファイルにさらに基づいている。

【0131】

上記で説明される例示的な条項は、１つの具体的な実装に関して説明される一方で、本明細書の文脈において、例示的な条項の内容は、また、方法、デバイス、システム、コンピューター可読媒体、および／または別の実装を介して実施されることが可能であることを理解されたい。さらに、例示Ａ～Ｔのいずれかは、単独で、または他の１つもしくは複数の例示Ａ～Ｔと組み合わせて実装されてよい。

【0132】

（結論）
本明細書で説明される技術の１つまたは複数の例示が説明されてきた一方で、それらの例示の様々な変更形態、追加形態、置換形態、および均等形態が、本明細書で説明される技術範囲内に含まれる。

【0133】

例示の説明において、主張される特許の主題の具体的な例示を示す、本願の一部を形成する添付図面に対する参照が行われる。他の例示が用いられることが可能であること、および構造上の変更などの変更または変形が行われることが可能であることを理解されたい。このような例示、変更、または変形は、必ずしも、意図されて主張される主題の範囲からの逸脱ではない。本明細書で説明されるステップは、特定の順序で提示されることが可能である一方で、ある場合において、順序は、変更されることが可能であることにより、説明されるシステムおよび方法の機能を変更することなく、特定の入力が異なる時間で、または異なる順序で提供される。また、開示される手続きは、異なる順序で実行されることも可能である。さらに、本明細書におけるさまざまな算定は、開示される順序で実行される必要はなく、算定の代替の順序を用いる他の例示が容易に実装されることが可能である。順序変更されることに加えて、算定は、また、同一の結果を伴って部分的計算に分解されることが可能である。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【国際調査報告】