特表 2023-514079 ナビゲーションシステム

(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】2023-04-05

(54)【発明の名称】ナビゲーションシステム

(51)【国際特許分類】

   G01C 21/34 20060101AFI20230329BHJP

   G08G 1/0969 20060101ALI20230329BHJP

   G16Y 10/40 20200101ALI20230329BHJP

   G16Y 40/60 20200101ALI20230329BHJP

【ＦＩ】

G01C21/34

G08G1/0969

G16Y10/40

G16Y40/60

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022544848

(86)(22)【出願日】2021-02-04

(85)【翻訳文提出日】2022-09-16

(86)【国際出願番号】 EP2021052659

(87)【国際公開番号】W WO2021156363

(87)【国際公開日】2021-08-12

(31)【優先権主張番号】2001468.4

(32)【優先日】2020-02-04

(33)【優先権主張国・地域又は機関】GB

(81)【指定国・地域】

(71)【出願人】

【識別番号】515288214

【氏名又は名称】トムトム ナビゲーション ベスローテン フエンノートシャップ

【氏名又は名称原語表記】ＴｏｍＴｏｍ Ｎａｖｉｇａｔｉｏｎ Ｂ．Ｖ．

【住所又は居所原語表記】Ｄｅ Ｒｕｉｊｔｅｒｋａｄｅ １５４， １０１１ ＡＣ， Ａｍｓｔｅｒｄａｍ， Ｎｅｔｈｅｒｌａｎｄｓ

(74)【代理人】

【識別番号】110003281

【氏名又は名称】弁理士法人大塚国際特許事務所

(72)【発明者】

【氏名】クロエラー， アレクサンダー

(72)【発明者】

【氏名】ヴァン ハルスト， ミック

(72)【発明者】

【氏名】コスマ， ルカス

(72)【発明者】

【氏名】カザーレ， ピエールルイジ

(72)【発明者】

【氏名】ゼニ， マッティア

【テーマコード（参考）】

2F129

5H181

【Ｆターム（参考）】

2F129AA03

2F129BB03

2F129BB49

2F129CC25

2F129DD13

2F129DD15

2F129DD20

2F129DD35

2F129DD39

2F129EE02

2F129EE23

2F129EE52

2F129EE78

2F129EE79

2F129EE91

2F129EE94

2F129EE96

2F129FF02

2F129FF12

2F129FF15

2F129FF17

2F129FF20

2F129FF32

2F129FF59

2F129FF62

2F129FF63

2F129FF71

2F129GG17

2F129HH12

5H181AA01

5H181BB04

5H181BB05

5H181BB15

5H181BB20

5H181CC04

5H181FF04

5H181FF10

5H181FF13

5H181FF14

5H181FF22

5H181FF32

5H181FF38

(57)【要約】

本明細書では、ナビゲーションサーバ及び複数のナビゲーションクライアントを動作させる技術が開示される。前記ナビゲーションクライアントの各々は、ローカル訓練データセット上で訓練されたモデルデータを前記ナビゲーションサーバへ送信する。前記ナビゲーションクライアントはまた、前記ローカル訓練データセットを特徴付ける属性データを前記ナビゲーションサーバへ送信する。前記ナビゲーションサーバは、前記属性データを使用して、ローカルモデルデータを改良するために前記ナビゲーションクライアントへの配信のためのモデルパラメータの集約されたセットへの重み付けされた集約を実行するために前記モデルデータの寄与を重み付けする。
【選択図】図４

【特許請求の範囲】

【請求項1】

ナビゲーションシステムを動作させる方法であって、前記ナビゲーションシステムはサーバおよび複数のナビゲーションクライアントデバイスを含み、前記方法は、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを収集するために、時間とともに、それぞれの位置センサを使用することと、前記ナビゲーション履歴データを前記ナビゲーションクライアントデバイスのメモリに記憶することと、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
前記サーバが、前記ナビゲーションクライアントデバイスから前記モデルデータおよび前記属性データを受信することと、
前記サーバが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
前記サーバが、パラメータの前記集約されたセットを表すデータを、前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
前記第１のナビゲーションクライアントデバイスが、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を含む、方法。

【請求項2】

前記サーバが、パラメータの前記集約されたセットを表す前記データを前記複数のナビゲーションクライアントデバイスの各々へ送信することと、
前記複数のナビゲーションクライアントデバイスの各々が、前記それぞれのナビゲーションクライアントデバイスの前記メモリに記憶された前記それぞれのローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を含む、請求項１に記載の方法。

【請求項3】

各ステップは、時間とともに繰り返される、請求項１または２に記載の方法。

【請求項4】

サーバおよび複数のナビゲーションクライアントデバイスを含むナビゲーションシステムであって、
各ナビゲーションクライアントデバイスはそれぞれ、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、を備え、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
を行うように構成されており、
前記サーバは、
前記ナビゲーションクライアントデバイスから、前記モデルデータおよび前記属性データを受信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
パラメータの前記集約されたセットを表すデータを前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
を行うように構成され、
前記第１のナビゲーションクライアントデバイスは、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、ナビゲーションシステム。

【請求項5】

前記共通の特性は、前記それぞれの訓練セットのエントロピーまたは分散を表す、請求項４に記載のナビゲーションシステム。

【請求項6】

前記共通の特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項４または５に記載のナビゲーションシステム。

【請求項7】

各ナビゲーションクライアントデバイスは、
可能な目的地のショートリストを決定することと、
目的地までのルートを予測することと、
目的地への到着時間を予測することと、
ユーザから受け付けた検索クエリに基づいて１つ以上の検索結果を予測することと、
のうちの１つ以上を行うために前記それぞれのローカル機械学習モデルを使用するように構成される、請求項４乃至６の何れか１項に記載のナビゲーションシステム。

【請求項8】

前記サーバは、パラメータの前記集約されたセットを前記複数のナビゲーションクライアントデバイスの各々へ送信するか、または送信しようと試みるように構成される、請求項４乃至７の何れか１項に記載のナビゲーションシステム。

【請求項9】

各ナビゲーションクライアントデバイスは、１つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項４乃至８の何れか１項に記載のナビゲーションシステム。

【請求項10】

位置センサと、
メモリと、
処理システムと、
通信モジュールと、
を含むナビゲーションクライアントデバイスであって、
前記ナビゲーションクライアントデバイスは、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、ローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信することと、
を行うように構成される、ナビゲーションクライアントデバイス。

【請求項11】

パラメータの集約されたセットを表すデータを前記サーバから受信することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を行うようにさらに構成される、請求項１０に記載のナビゲーションクライアントデバイス。

【請求項12】

前記特性は、前記訓練セットのエントロピーまたは分散を表す、請求項１０または１１に記載のナビゲーションクライアントデバイス。

【請求項13】

前記特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項１０乃至１２の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項14】

前記位置センサは、衛星測位センサである、請求項１０乃至１３の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項15】

前記訓練セットは、目的地データまたはルートデータを含む、請求項１０乃至１４の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項16】

前記ローカル機械学習モデルを訓練するために、前記ナビゲーションクライアントデバイスによって訪問された位置を表すデータに加えて、検索データを使用するように構成される、請求項１０乃至１５の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項17】

可能な目的地のショートリストを決定するために前記ローカル機械学習モデルを使用するように構成され、可能な目的地の前記ショートリストをユーザに提示するように構成される、請求項１０乃至１６の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項18】

目的地までのルートを予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１７の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項19】

目的地への到着時間を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１８の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項20】

ユーザから受け付けた検索クエリに基づいて１つ以上の検索結果を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１９の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項21】

出力を予測するために前記ローカルモデルに入力データを提供するように構成され、前記入力データは、時間、天候、および現在のユーザのＩＤのうちの１つ以上を表す、請求項１０乃至２０の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項22】

前記更新されたパラメータをパラメータの前記集約されたセットで置き換えることによって前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、請求項１０乃至２１の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項23】

１つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項１０乃至２２の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項24】

位置センサと、メモリと、通信モジュールとを有するナビゲーションクライアントデバイスのプロセッサによって実行されると、前記プロセッサに、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶されたローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信するように前記通信モジュールを制御することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信するように前記通信モジュールを制御することと、
を行わせる命令を含むコンピュータプログラム製品。

【請求項25】

前記プロセッサによって実行されると、前記プロセッサに、
サーバからパラメータの集約されたセットを表すデータを受信するために前記通信モジュールを使用することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を行わせる命令をさらに含む、請求項１５に記載のコンピュータプログラム製品。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ナビゲーションデバイス及びシステム、並びにその動作方法に関する。

【背景技術】

【0002】

ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）信号受信処理機能を含むナビゲーションデバイスが周知であり、車両ナビゲーションシステムとして広く採用されている。概して、最新のナビゲーションデバイスは、プロセッサ、メモリ（揮発性および不揮発性のうちの少なくとも一方、および一般的に両方）、および前記メモリ内に記憶された地図データを備え得る。そのようなナビゲーションデバイスは一般に、デバイスの現在位置を決定するためにＧＰＳ位置データを処理することができる。

【0003】

ＧＰＳ位置データは、デバイスの現在位置に基づいて、ナビゲーション機能を提供するために、または他の位置ベースのサービスを実行するために、デバイスによって使用され得る。例えば、デバイスは、ルートに沿ってナビゲートするときにデバイスのユーザを支援するために、関連するナビゲーション命令（例えば、「次のジャンクションで左折」）を提供することができる。

【0004】

複数のそのようなナビゲーションデバイスからのＧＰＳ位置データは、中央サーバに提供され、例えば、道路ネットワーク内の交通状況のピクチャを構築するために使用され得る。そのようなナビゲーション履歴データはまた、例えば、そのようなナビゲーションデバイスによって使用され得る電子地図を更新または構築するために、ある範囲のデジタルマッピング目的のために使用され得る。

【0005】

しかしながら、ナビゲーションクライアントデバイスから、ユーザによって訪問されたルートおよび目的地などのナビゲーションデータをエクスポートすることは、情報が個人的にセンシティブであり得るので、プライバシーの懸念を生じ得る。

【0006】

本発明は、ユーザのプライバシーを維持しながら、ナビゲーションシステムの性能を改善するためにデータを使用することを可能にする、ナビゲーション履歴データを処理するための新しいアプローチを提供することを目的とする。

【発明の概要】

【0007】

第１の態様から、本発明は、ナビゲーションシステムを動作させる方法であって、前記ナビゲーションシステムはサーバおよび複数のナビゲーションクライアントデバイスを含み、前記方法は、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを収集するために、時間とともに、それぞれの位置センサを使用することと、前記ナビゲーション履歴データを前記ナビゲーションクライアントデバイスのメモリに記憶することと、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスのメモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
前記サーバが、前記ナビゲーションクライアントデバイスから前記モデルデータおよび前記属性データを受信することと、
前記サーバが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
前記サーバが、パラメータの前記集約されたセットを表すデータを、前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
前記第１のナビゲーションクライアントデバイスが、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を含む、方法を提供する。

【0008】

第２の態様から、本発明は、サーバおよび複数のナビゲーションクライアントデバイスを含むナビゲーションシステムであって、
各ナビゲーションクライアントデバイスはそれぞれ、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、を備え、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
を行うように構成されており、
前記サーバは、
前記ナビゲーションクライアントデバイスから、前記モデルデータおよび前記属性データを受信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
パラメータの前記集約されたセットを表すデータを前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
を行うように構成され、
前記第１のナビゲーションクライアントデバイスは、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、ナビゲーションシステムを提供する。

【0009】

第３の態様から、本発明は、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、
を含むナビゲーションクライアントデバイスであって、
前記ナビゲーションクライアントデバイスは、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、ローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信することと、
を行うように構成される、ナビゲーションクライアントデバイスを提供する。

【0010】

前記ナビゲーションクライアントデバイスは、
パラメータの集約されたセットを表すデータを前記サーバから受信することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を行うようにさらに構成されてもよい。

【0011】

第４の態様から、本発明は、位置センサと、メモリと、通信モジュールとを有するナビゲーションクライアントデバイスのプロセッサによって実行されると、前記プロセッサに、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶されたローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信するように前記通信モジュールを制御することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信するように前記通信モジュールを制御することと、
を行わせる命令を含むコンピュータプログラム製品を提供する。

【0012】

この態様は、前記コンピュータプログラム製品を搭載する一時的または非一時的な媒体に及ぶ。

【0013】

前記コンピュータプログラム製品は、前記プロセッサによって実行されると、前記プロセッサに、
サーバからパラメータの集約されたセットを表すデータを受信するために前記通信モジュールを使用することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を行わせる命令をさらに含んでもよい。

【0014】

したがって、本発明によれば、単一のクライアントデバイス上の機械学習モデルは、前記クライアントデバイスのいずれも前記クライアントデバイスからセンシティブな履歴データをエクスポートする必要なく、前記システム内の他のナビゲーションクライアントデバイスによって収集されたナビゲーション履歴データから恩恵を受けることができることが分かる。

【0015】

さらに、モデル全体に対する各クライアントデバイスの寄与は、各それぞれのクライアントデバイス上に記憶されたナビゲーションデータの特性に基づいて重み付けされる。これは、それぞれのナビゲーションクライアントデバイスの使用パターンが、ナビゲーションシステムの場合に典型的にそうであるように、互いに大きく異なる場合に、モデル全体において生じる不安定性を防ぐのに役立つことができる。例えば、ユーザは一般に、異なる移動パターンを有し、実質的に異なる地図エリア（すなわち、国全体にわたって異なる物理的位置）で動作する。異なるナビゲーションデバイスが個々の旅で移動する典型的な距離、および／または異なるユーザが所与の道路または道路タイプに沿って移動する速度には、有意な差が存在し得る。異なるデバイスの寄与を重み付けすることによって、不安定性およびバイアスの可能性を低減することができ、これは、パラメータの集約されたセットが、集約されたパラメータが送信される任意のクライアントデバイスのナビゲーション性能を実際に改善することを保証するのに役立ち得る。

【0016】

そのような連合機械学習アプローチは、同じモデルが多数のナビゲーションクライアントデバイスに展開されることを可能にすることができ、それは、ユーザの個人データに従ってそれぞれのローカルモデルパラメータを個別に更新することができる。これらの更新されたパラメータは、各クライアントデバイスからのローカル訓練データの特性に基づく重み付けを使用して、１つの更新された集中モデルとして集約され得る。このプロセスは、すべてのナビゲーションクライアントデバイスにわたって分散されたローカルモデルに対して、進行中の改善が行われることを可能にするために、間隔をおいて繰り返され得る。サーバに送信される更新されたモデルパラメータは、一般に、元の訓練セットを再現するようにリバースエンジニアリングすることができないので、この分散反復アプローチは、強力なユーザプライバシーを可能にすることができる。

【0017】

各訓練セットの共通の特性は、ナビゲーション履歴データの訓練セットの任意の属性に関連し得る。しかしながら、いくつかの実施形態では、共通の特性は、訓練セットのエントロピーまたは情報コンテンツを表す。これは、単に訓練セットの生のサイズと同じではなく、例えば、たとえ生の履歴データがナビゲーションデバイスのメモリ内の同様の量のメモリを占有し得るとしても、異なる日に移動された同じルートの２０個のインスタンスからなるナビゲーション履歴データは、２０個の完全に異なるルートの２０個のインスタンスよりもはるかに低い情報コンテンツを有することになる。したがって、それぞれの値は、エントロピー値であり得る。エントロピーは、ここでは例えばＳｈａｎｎｏｎによって定義されるような形式的な数学的意味で、またはより一般的な意味で理解され得る。いくつかの実施形態では、共通の特性は、訓練セットの分散を表す統計値など、の訓練セットの統計値である。

【0018】

いくつかの実施形態では、前記共通の特性は、前記訓練セットによってカバーされる地理的エリアのサイズ、例えば、前記ナビゲーション履歴データに含まれる位置のセットの一部または全部を含む最小凸形状のエリアを表す。前記エリアは、２Ｄ位置を正規分布データサンプルとして見るとき、位置のすべて、またはサブセットのみ、たとえば、９５％などの所定の値の信頼楕円内の位置を含み得る。共通の特性の値は、カバーされたエリアを、絶対エリアとして、または相対エリアとして、たとえば、所定の地図エリア（たとえば、国）などのより大きいエリアの割合として表すことができる。

【0019】

前記位置センサは、ＧＰＳセンサなどの衛星測位センサであってもよい。

【0020】

ナビゲーション履歴データの前記訓練セットは、タイムスタンプされ得る位置データ（例えば、座標データ）を含み得る。位置は、前記ナビゲーションデバイスによって行われるトリップ（移動）の目的地であってもよい。位置は、前記ナビゲーションデバイスによって移動されるルートに沿った地点であってもよい。前記訓練セットは、ルートデータを含むことができる。

【0021】

前記ローカル機械学習モデルは、前記位置センサから収集されないさらなるデータを使用して追加的に訓練されてもよい。いくつかの実施形態では、さらなるデータは、検索データ、例えば、ユーザによって入力された符号化検索用語、またはユーザに対して以前に提示された検索結果を含むことができる。前記クライアントデバイスによって送信される前記属性データは、さらなるデータの１つ以上の特性の値をさらに符号化し得る。前記サーバは、パラメータの前記集約されたセットを決定するために更新されたパラメータの前記セットの各々を重み付けするときに、これらのさらなる値をさらに使用することができる。

【0022】

前記ローカル機械学習モデルは、畳み込みニューラルネットワーク、回帰型ニューラルネットワーク（ＲＮＮ）、ゲート付き回帰型ユニット（ＧＲＵ）モデル、ロングショートタームメモリ（ＬＳＴＭ）モデル、微分可能ニューラルコンピュータ（ＤＮＣ）モデル、フィードフォワードニューラルネットワーク、ペアワイズランキングモデル、または任意の他の適切なモデルなど、任意の適当なモデルであり得る。

【0023】

ナビゲーションクライアントデバイスは、任意の適切な訓練プロセスを使用して、例えば確率的勾配降下法を使用して、そのそれぞれのローカル機械学習モデルを訓練することができる。

【0024】

ナビゲーションクライアントデバイスは、前記ローカル機械学習モデルを使用して、前記デバイスのユーザに機能を提供することができる。

【0025】

前記デバイスは、ユーザ入力を受信するためのタッチスクリーンなどの入力を備え得る。それは、地図などの情報をユーザに表示するための表示画面などの出力を備えてもよい。

【0026】

いくつかの実施形態において、前記モデルは、目的地を予測するために使用される。前記デバイスは、可能な目的地のショートリストを決定するために前記モデルを使用してもよい。それは、ユーザが所望の目的地を選択するために、このリストを前記ユーザに（例えば、表示画面上で）提示することができる。前記デバイスは、各目的地が前記ユーザの所望の目的地である推定尤度によって、可能な目的地をランク付けすることができる。

【0027】

いくつかの実施形態では、前記モデルは、例えば、ユーザから受信された目的地データに応じて、または前記モデルによって予測された目的地に応じて、または前記クライアントデバイス上に記憶されたさらなるローカル機械学習モデルによって、目的地へのルートを予測するために使用される。前記デバイスは、可能なルートのショートリストを決定するために前記ローカル機械学習モデルを使用することができる。ユーザが所望のルートを選択するために、このリストを前記ユーザに提示することができる。前記デバイスは、各ルートが前記ユーザのための所望のルートである推定尤度によって、可能なルートをランク付けすることができる。あるいは、単一のルートを決定してもよい。前記デバイスは、選択されたまたは決定されたルートに沿ってユーザをナビゲートするように構成されてもよい。

【0028】

いくつかの実施形態では、前記モデルは、目的地への到着時間を予測するために使用される。前記デバイスは、例えば、移動を開始する前または移動中に、これを推定到着時間としてユーザに提示することができる。

【0029】

いくつかの実施形態では、前記モデルは、例えば、所望の目的地の検索結果または検索結果のセットを予測するために使用される。前記予測は、ユーザから受信された（受け付けた）検索クエリ、例えば、地名の最初の数文字などの部分検索用語、または「パリの良好なレストラン」などの複数の可能な結果を有するクエリに基づくことができる。前記デバイスは、ユーザによる位置検索のためのコンテキスト化されたランキングを提供するために前記モデルを使用し得る。前記デバイスは、それらを前記ユーザに表示する前に、位置のセットをランク付けすることができる。

【0030】

前記ローカルモデルは、現在の時間、現在の天気、または現在のユーザのアイデンティティ（ＩＤ）などの１つ以上の入力を受信することができ、それは、予測を決定するときに使用することができる。

【0031】

前記サーバは、パラメータの前記集約されたセットを、前記複数のナビゲーションクライアントデバイスのうちの１つ以上のさらなるナビゲーションクライアントデバイスへ送信し得る。それは、前記システム内のすべてのナビゲーションクライアントデバイスへ、パラメータの前記集約されたセットを送信するか、または送信しようと試みることができる。

【0032】

第１のナビゲーションクライアントデバイス、およびパラメータの前記集約されたセットを受信する任意の他のクライアントデバイスは、パラメータの前記集約されたセットを使用して、前記ローカル機械学習モデルのための記憶されたパラメータのセット（たとえば、前記サーバに送信される更新されたパラメータ）を、パラメータの前記受信された集約されたセットで置き換えることによって、そのそれぞれのローカル機械学習モデルを更新することができる。

【0033】

各クライアントデバイスは、（たとえば、前記デバイスが電源投入され、ネットワーク接続性を有するときに応じて）規則的または不規則的であり得る間隔で、更新されたパラメータおよび関連する特性値を前記サーバへ送信するように構成され得る。前記クライアントデバイスは、継続的に、または間隔をおいて、例えば、閾値量よりも多くの新たなナビゲーション履歴データが収集されたときに、ローカルモデルを訓練することができる。

【0034】

クライアントデバイスは、前記記憶されたナビゲーション履歴データのすべてを使用してそのローカルモデルを訓練することができる。しかしながら、いくつかの実施形態では、クライアントデバイスは、前記記憶されたナビゲーション履歴データをフィルタリングして、１つ以上の選択基準を満たす訓練セットを選択するように構成される。それは、例えば、特定のタイプのデータを除外することができ、または、それは、ホーム位置または作業（仕事）位置などの除外された目的地に関連付けられたデータを除外することができる。これにより、ユーザのプライバシーをさらに向上させることができる。

【0035】

前記サーバは、例えば、一定の間隔で、またはクライアントデバイスから更新されたパラメータを受信することに応答して、経時的にパラメータの集約されたセットの連続を計算するように構成され得る。それは、前記第１のナビゲーションクライアントデバイスおよび／または前記システム内のさらなるクライアントデバイスに、パラメータの各集約されたセットを連続して送信するか、または送信しようと試みることができる。

【0036】

本明細書に記載の任意の態様または実施形態の特徴は、適切な場合にはいつでも、本明細書に記載の任意の他の態様または実施形態に適用することができる。様々な実施形態または実施形態のセットが参照される場合、これらは必ずしも別個ではなく、重複し得ることを理解されたい。

【図面の簡単な説明】

【0037】

ここで、本発明の特定の好ましい実施形態を、添付の図面を参照して、単なる例として説明する。

【図1】図１は、本発明を具体化するクライアントナビゲーションデバイスの概略図である。

【図2】図２は、全てが本発明を具体化し、異なるフォームファクタを有する一組の変形クライアントナビゲーションデバイスのセットである。

【図3】図３は、本発明を具体化するナビゲーションシステムの概略図である。

【図4】図４は、ナビゲーションシステムの機械学習サーバと機械学習クライアントモジュールとの間の構成要素およびデータフローのより詳細を示す概略図である。

【図5】図５は、本発明を具体化するナビゲーションシステムにおける機械学習サーバおよび変形機械学習クライアントモジュール内およびそれらの間の構成要素およびデータフローを示す概略図である。

【図6】図６は、本発明を具体化するナビゲーションシステムによって使用される連合訓練プロセスのフローチャートである。

【発明を実施するための形態】

【0038】

図１は、本発明を実施するクライアントナビゲーションデバイス１の主要な要素を示す。

【0039】

ナビゲーションデバイス１は、他の構成要素の中でも、プロセッサ２と、プロセッサ２による実行のためのソフトウェアを格納する不揮発性フラッシュメモリ３と、一時データを格納するための揮発性ＲＡＭ ４と、表示画面５と、ＧＰＳモジュール６と、バッテリ７とを含む。

【0040】

フラッシュメモリ３は、プロセッサ２が実行するためのナビゲーションクライアントソフトウェアプログラムを格納する。ナビゲーションクライアントプログラムは、ＧＰＳモジュール６から位置データを受信し、これを使用して、表示画面５上に表示された電子地図上にデバイス１の現在位置の視覚的表現を表示することができる。

【0041】

そのようなナビゲーションクライアントソフトウェアを実行することができる広範囲のコンピューティングデバイスが存在する。

【0042】

図２は、タブレットデバイス１'、スマートフォン１''、ラップトップコンピュータ１'''、および複合インフォテインメントシステムであり得る内蔵車載ナビゲーションシステム１''''を含む、いくつかの例を示す。各々は、ユーザにナビゲーションデータ、例えば地図を表示するための表示画面５'、５''、５'''、５''''を有する。これは、ユーザが所望の目的地までナビゲートするのを支援することができる。しかしながら、視覚表示は必須ではなく、例えば、いくつかの実施形態は、音声ナビゲーション命令などの音響出力のみを提供し得る。

【0043】

パーソナルナビゲーションデバイス（ＰＮＤ）は、単一目的のコンピューティングデバイスである。車両はまた、ナビゲーションクライアントと一体化されたコンピューティングデバイスを有する。他のコンピューティングデバイスは、携帯電話、タブレット、およびウェアラブル（腕時計）などの汎用コンピューティングデバイスである。これらのデバイスのいずれかを使用して、本発明の実施形態を実施することができる。

【0044】

図３は、本発明を実施するナビゲーションシステム４００の機能図を提供する。

【0045】

システム４００は、ナビゲーションクライアントデバイス４０２と、地図サーバ４０４と、交通情報サーバ４０６と、機械学習（ＭＬ）サーバ５００とを含む。これらのサーバ４０４、４０６、５００およびそれらのモジュールを有するクライアントデバイス４０２は、以下でより詳細に説明される。

【0046】

ナビゲーションクライアントデバイス４０２は、図１のようなデバイス１であってもよいが、これは必須ではない。その機能は、クライアントナビゲーションデバイス１のプロセッサ２上で実行されるソフトウェアを使用して実装され得る。

【0047】

システム４００は、典型的には多くの他のナビゲーションクライアントデバイス（図３には図示せず）を含み、各々は、このナビゲーションクライアント４０２と同様である。これらは、例えば、図２に例示されるように、様々なハードウェアプラットフォームにわたって実装され得る。

【0048】

ナビゲーションクライアント４０２は、地図サーバ４０４、交通情報サーバ４０６、およびＭＬサーバ５００と無線で通信する。より詳細には、ナビゲーションクライアント４０２上のＨＴＴＰＳクライアント４２４が、地図サーバ４０４上の地図データサービス４３８および交通情報サーバ４０６上の交通情報サービス４４４にアクセスすることができる。ナビゲーションクライアント４０２上のプローブインタフェース４２８は、交通情報サーバ４０６上のプローブデータサービス４４６と通信することができる。ナビゲーションクライアント４０２上の機械学習（ＭＬ）クライアントモジュール４２９は、ＭＬサーバ５００上の機械学習サービス４５０と通信することができる。これらの通信は、セルラー電話回線及び／又はＢｌｕｅｔｏｏｔｈ^TMもしくはＷｉＦｉ^TM及び／又は任意の他の好適なデータチャネルを介して行うことができる。

【0049】

地図サーバ４０４、交通情報サーバ４０６、およびＭＬサーバ５００は、別個のサーバであってもよく、または単一のサーバシステム内で少なくとも部分的に組み合わされてもよい。サーバ４０４、４０６、５００は、個々の物理サーバであってもよく、または、ナビゲーションクライアントデバイスのための負荷分散を提供するか、またはアクセスの速度を向上させるために、それぞれが複数の場所にわたって物理的に配置された分散サーバであってもよい。

【0050】

ナビゲーションクライアント４０２
図３のナビゲーションクライアントデバイス４０２は、ほとんどのコンピューティングデバイスに共通のユーザ入力デバイス４１０および出力デバイス（たとえば、表示画面４１２）を含む。地図データコントローラ４１４は、地図データを取得し、コンピューティングデバイス（例えば、クライアントナビゲーションデバイス１）の不揮発性メモリ（例えば、フラッシュメモリ３）に格納する。位置センサ４１６（例えば、ＧＰＳモジュール６）は、処理ユニット、メモリ、ディスプレイ、長期記憶装置（フラッシュメモリ）、およびネットワーキングインタフェースなどの従来のコンピューティングハードウェア構成要素に加えて、位置センサ（例えば、ＧＰＳ受信機）を備える。

【0051】

ナビゲーションクライアント４０２は、地理的エリアの電子地図を使用して動作する。地図情報は、デバイス上にローカルに長期間（例えば、不揮発性のソリッドステートメモリ内に）記憶されてもよく、または地図サーバ４０４から必要に応じて、例えば、断片的に取り出されてもよい。ナビゲーションクライアント４０２は、電子地図を使用して、ディスプレイ４１２上の関心のある地理的エリアの地図ビューを生成する。通常、地理的エリアは、ナビゲーションクライアントソフトウェアアプリケーションを実行するクライアントデバイスの現在位置を中心とする。衛星測位（ＧＰＳ、ＧＮＳＳなど）、ＷｉＦｉ^TM、携帯電話追跡、Ｂｌｕｅｔｏｏｔｈ^TMビーコン、画像解析（例えば、ＰＣＴ／ＥＰ２０１６／０６８５９３、ＰＣＴ／ＥＰ２０１６／０６８５９４、ＰＣＴ／ＥＰ２０１６／０６８５９５、およびＰＣＴ／ＩＢ２０１６／００１１９８に記載されているようなＴｏｍＴｏｍ^TMからのＲｏａｄＤＮＡ^TM）、地図マッチング、デッドレコニング、および他の位置センサなどの既知の位置検出技術を使用する位置センサ４１６に基づいて現在位置が決定される。位置検出誤差が存在する場合、「地図マッチング」として知られるプロセスを使用して、測定された位置を、地図上の道路セグメントに最もよくマッチングするように調整することができる。

【0052】

ナビゲーションクライアント４０２は、人間のユーザが現在位置から目的位置までナビゲートするのを支援することができる。目的地は、目的地選択モジュール４１８を使用して入力することができる。モジュール４１８は、ユーザが名称（例えば、「London」）または他のクエリ（例えば、「Fish & chip near me」）によって所望の目的地を検索することを可能にする検索インタフェースを提供することができる。それは、ユーザが文字「Ｌ」および「Ｏ」をタイプするとき、リスト中の「London」、「Loughborough」などを提案するなど、不完全な検索語からの検索語を示唆する可能性がある自動補完機能を提供することができる。ナビゲーションクライアントは、例えば尤度順に、検索提案及び／又は検索結果を順序付けるために順序付けプロセスを使用することができる。順序付け処理は、以下でより詳細に説明するように、機械学習モデルを使用することができ、機械学習モデルは、ユーザの検索履歴およびナビゲーションデータについて訓練することができる。それはまた、本明細書に開示されるような連合（federated）学習アプローチを使用して、他のユーザの検索履歴およびナビゲーションパターンを考慮することができる。

【0053】

ナビゲーションクライアント４０２のルーティングモジュール４２０は、選択された目的地までのルートを算出する。ルーティングモジュール４２０は、地図データコントローラ４１４を介して電子地図にアクセスすることに加えて、交通情報サーバ４０６から現在の交通情報を取得して、推定移動時間または推定到着時間を決定（判定）することができる。現在の交通情報は、電子地図の地理的エリアにおける道路ネットワーク上の現在の状況を記述する。これは、現在の平均速度、現在の交通密度、現在の道路閉鎖などを含む。

【0054】

ルーティングモジュール４２０は、異なる道路または道路タイプ上のユーザの典型的な運転速度などのデータを用いて訓練され得る機械学習モデルを使用して、移動時間または到着時間の推定値を決定し得る。モデルはまた、本明細書に開示される連合学習アプローチを使用して、他のユーザの運転データを考慮に入れてもよい。

【0055】

ルーティングモジュール４２０は、好ましいルート、ならびに代替ルートを提示することができ、ユーザが好ましいルートを選択することを可能にする。

【0056】

ナビゲーションクライアント４０２の案内モジュール４２２は、選択された好ましいルートを使用して、エンドユーザを選択された目的地に案内する。それは、ディスプレイ４１２を使用して、地図および目的地までの経路の一部を示すことができる。案内は、ディスプレイ４１２上の追加のグラフィカル表示の形態をとることもできる。ほとんどのナビゲーションクライアント４０２はまた、ターンバイターン命令を用いて音声案内をサポートする。

【0057】

アクティブナビゲーションクライアント４０２は、位置プローブジェネレータ４２６を用いて、位置センサ４１６を使用して位置プローブを生成し、これらを交通情報サーバ４０６に提供する。通信は、交通情報サーバ４０６上のプローブデータサービス４４６と通信するクライアント４０２上のプローブインタフェース４２８を介して行われる。

【0058】

地図サーバ４０４
地図サーバ４０４は、電子地図を作成するための大量の情報、およびナビゲーションのための電子地図の使用を記憶し、管理し、作成するためのインフラストラクチャを提供する。

【0059】

地図サーバ４０４は、広範な国（約２００カ国）の１０⁷～１０⁸キロメートルの道路ネットワークに関連する地図情報を管理する。地図情報は、高品質である必要があるので、サーバインフラストラクチャ４０４は、毎秒約１０００回の更新を平均化する更新レートで、地図情報に対する更新を処理する。さらに、地図情報は、ナビゲーションクライアント４０２のグローバルインフラストラクチャに配信される。配信は、配信される地図情報を生成するために、クラウドコンピューティングシステムに加えて、高度なコンテンツ配信ネットワーク（図示せず）を必要とする。したがって、地図サーバ４０４は、複数の物理的位置にわたって分散され得る。

【0060】

地図データソース４３４は、地図生成モジュール４３２にデータを供給し、そこから地図コンパイラ４３０に渡される。これは、情報を使用して、地図情報を適切なフォーマット、例えば、標準化された地図仕様（ＮＤＳ、ＯＳＭなど）に準拠するものにコンパイルするか、または特定のアプリケーション（カーナビゲーション、オンフットナビゲーション、車両タイプ特定ナビゲーション、公共交通航法、自律車両ナビゲーションなど）のための地図情報を生成するバックオフィスアプリケーションである。地図コンパイラは、１つのプレゼンテーションフォーマットから関連情報を取得し、特定の地図エリアに関連する地図情報を生成する。

【0061】

コンパイルされた地図データは、地図データサーバ４３８および関連する地図メタデータサービス４３６を介してリモートナビゲーションクライアント４０２に利用可能にされる。ナビゲーションクライアント４０２は、時折のみ（例えば、有線インターネット接続を介した単一の大規模なダウンロードとして）、または必要に応じてほぼリアルタイムで（例えば、クライアント４０２の現在位置に応じて、より小さい地図ユニットまたはタイルを無線でダウンロードする）更新を取得することができる。

【0062】

交通情報サーバ４０６
交通情報サーバ４０６は、交通情報コンパイラ４４０を使用して、交通情報サービス４４４を介してナビゲーションクライアント４０２に道路情報および交通情報を提供する。サーバ４０６はまた、ナビゲーションクライアント４０２からプローブを受信し、これらのプローブを使用して、リアルタイム交通情報を計算し、更新し、提供する。

【0063】

交通情報サーバ４０６は、ナビゲーションクライアント４０２からの位置プローブを、開始位置から目的地まで移動した経路を記述する一連の位置プローブに集約する。そのような時限位置データは機密性の高い個人データである。このようなデータの取り扱いは、欧州の一般データ保護規則などの法規制の対象となる。ＴｏｍＴｏｍ^ＴＭ特許である欧州特許第３０９５２２６号明細書は、本システム４００において使用され得るリアルタイムプローブデータを取り扱う際のプライバシー問題に対処するためのメカニズムを開示している。これは、トレースデータが「ライブトレース」データベースから「履歴トレース」データベースに移動されるときに、トレース内のすべてのプローブからデバイス識別子の値（ユーザを識別する）を除去する解決策を説明する。プローブは、プローブデータソース４４２に記憶される。

【0064】

地図情報は、通常、履歴データに基づく静的交通情報を含む。交通密度、駐車場利用可能性、事故、道路閉鎖、更新された道路標識、関心地点などのより動的な交通情報のために、交通情報サーバ４０６は、ナビゲーションクライアント４０２からの位置プローブデータを使用する。交通情報コンパイラ４４０は、現在の位置プローブデータを使用して、現在の交通情報を提供することができる。

【0065】

機械学習サーバ５００
ＭＬサーバ５００は、ナビゲーションクライアント４０２に機械学習サービス５０１を提供する。ＭＬサーバ５００は、複数のナビゲーションクライアント４０２から受信したデータを集約し、ナビゲーションクライアント４０２へのモデルデータの送信を制御する、モデル更新エンジン５２０を含む。モデル更新モジュール５２０は、サーバ５００上のメモリに記憶されている中央モデル５１０にアクセスする。

【0066】

図４は、ＭＬサーバ５００およびＭＬクライアントモジュール４２９のさらなる詳細を提供する。

【0067】

機械学習サーバ５００および複数のナビゲーションクライアントデバイス４０２のクライアントモジュール４２９は共に、各クライアントデバイス４０２がローカルデータを使用して、中央サーバ５００から取得されたローカル機械学習モデルを独立して更新し、更新されたモデルを中央サーバ５００へ返す、連合（統合）機械学習システムを実装する。ＭＬサーバ５００は、受信された更新されたモデルをマージし、更新モデルデータをナビゲーションクライアント４０２に提供する。このクライアント更新サイクルは、時間とともに（経時的に）繰り返される。

【0068】

このアプローチは、ナビゲーションおよび位置履歴などの機密ユーザデータを含む中央データリポジトリの必要性を回避し、データ漏洩に対する保護を提供し、ユーザプライバシーを改善する。

【0069】

ＭＬサーバ５００およびクライアントモジュール４２９は、最新技術（例：国際公開第２０１８／０５７３０２号で開示されている）で知られている連合機械学習の原則を実装することができる。しかしながら、それらはまた、本明細書に開示されるような追加の新規なプロセスを実施する。

【0070】

図４は、中央モデル５１０を符号化するデータを記憶するＭＬサーバ５００、および、ＭＬサーバ５００と通信する複数のナビゲーションクライアントのうちの代表ナビゲーションクライアント４０２を示す。各ナビゲーションクライアント４０２は、（上記で開示したような訓練セットを実施する）クライアントデータ６４０を含むプライベートデータストアを有する。

【0071】

最初に初期化されると（例えば、ユーザが、購入後にデバイス４０２を最初にスイッチオンすると）、クライアント４０２は、中央モデル５１０を表すデータを受信し、それをクライアントモデル６１０として使用する。その後、各クライアント４０２は、そのクライアントデータ６４０を使用してクライアントモデル６１０を調整し、間隔を置いて、更新されたクライアントモデル６１０をサーバへ送信する。サーバ５００内の中央モデル更新モジュール５２０は、これらの更新されたクライアントモデルを集約して、更新されたモデルを生成し、この更新されたモデルは、現在の中央モデル５１０として記憶される（５２２）。このプロセスは、時間とともに繰り返され、それによって、各反復で中央モデル５１０を改善（改良）する。クライアントデータ６４０は、ローカルに記憶されたままであるので、この方法は、クライアントデータ６４０のプライバシーを保持するが、それははるかに大きいクライアントデータのセットに基づくクライアントモデル６１０を各クライアント４０２に提供し、結果として得られるクライアントモデルの品質を改善する。

【0072】

各ナビゲーションクライアント４０２は、そのＭＬクライアントモジュール４２９内に、現在の中央モデル５１０を受信し（５１２）且つ記憶されたクライアントモデル６１０を最新の受信された中央モデル５１０に置き換えるクライアントモデル更新モジュール６２０を有する。クライアントデバイス４０２は、クライアントデータ６４０を使用して、ローカル機械学習訓練プロセスを通してローカルクライアントモデル６１０を変更する更新パラメータ６３２を決定する学習アルゴリズムモジュール６３０をさらに有する。クライアント４０２は、更新されたクライアントモデル６１０を表すデータ６１２を、間隔を置いて、ＭＬサーバ５００に送り返す。データ６１２は、モデル更新マトリックスを符号化することができる。例えば、米国特許出願公開第２０１８／００８９５８７号明細書で開示されている原則を使用することができる。

【0073】

重要なことに、クライアント４０２はまた、（上記で開示された属性データを具体化する）重みデータ６５２をＭＬサーバ５００に送信する。クライアント４０２は、重みデータ６５２を生成するためにクライアント４０２のクライアントデータ６４０にアクセスする重み推定モジュール６５０を含む。重みデータ６５２は、学習アルゴリズム６３０が現在のクライアントモデル６１０を訓練するために使用したクライアントデータ６４０の１つ以上の特性を記述する。それは、クライアント４０２のクライアントデータ６４０を特徴付けることができる。

【0074】

いくつかの実施形態では、重みデータ６５２は、クライアントデータの情報エントロピーを表すエントロピー値、すなわち、クライアントデータに含まれる新しい情報または予期しない情報の量を含む。他の実施形態では、重みデータ６５２は、クライアントデータ６４０の統計的分散を表すことができる。重みデータ６５２は、いくつかの実施形態では、ローカルデータのサイズおよび／またはクライアントデータの分散関数を特徴付ける分散パラメータのセットを備え得る。

【0075】

いくつかの実施形態では、重みデータ６５２は、クライアントデータ６４０内に表される位置の物理的範囲または幾何学的範囲を表し得る。それは、例えば、クライアントデータ６４０内の全ての位置のうちの全て又は所定の比率（例えば、９０％）を含む領域の面積（例えば、ｋｍ^２）を表し得る。領域は、全ての位置を含む最小の凸領域として、または任意の他の適切な方法で規定することができる。重みデータ６５２は、全体のデータ空間（例えば、国全体のようなより大きな地図エリア）に対する一般的に移動したエリアの比率として決定されたエリア比率値を符号化することができる。重み値は、追加的に又は代替的に、移動される道路タイプなどの他の要因を使用して決定されてもよい。

【0076】

例えば、主に単一のルート（例えば、自宅と職場との間の移動）上を移動する第１のナビゲーションクライアント４０２と、多数のルート上を移動する第２のナビゲーションクライアントとは、実質的に異なるローカルクライアントデータ６４０を有する。いくつかの実施形態では、それぞれの重み推定モジュール６５０が、２つのクライアント間の重みデータ６５２におけるこれらの差異を特徴付けることができる。

【0077】

それぞれの重み推定部６５０は、（上述のように、共通の特性の値を具体化する）重み値としてＭＬサーバ５００へ送信するためのそれぞれの統計値ｚ_jを計算することができる。

【0078】

サーバ５００は、例えばＳｏｆｔｍａｘ関数を使用して、受信した重み値を正規化することができる。

【数1】

ｊ=１、．．Ｋ、
ここで、Ｋは、システム内のナビゲーションクライアント４０２の数であり、ｊによってインデックス付けされ、ここで、ｘ＝（ｚ₁，．．．，ｚ_k）∈Ｒ^Ｋは、ｋ個のクライアント４０２からサーバ５００によって受信されたｋ個の最新の重み値ｚ_Kのセットである。

【0079】

これにより、サーバ５００は、重みを確率分布としてスケーリングすることができる（すなわち、合計を１にする）。しかしながら、Ｓｏｆｔｍａｘの使用は必須ではなく、サーバ５００は、例えば、各受信された重み値を、Ｋ個のクライアント４０２にわたるＫ個の最新の受信された重み値の合計で単純に除算することができる。

【0080】

システム４００を最初に構成するとき、各クライアントモデルの係数（パラメータ）は、例えば、論文「Ｃｏｍｍｕｎｉｃａｔｉｏｎ－Ｅｆｆｉｃｉｅｎｔ Ｌｅａｒｎｉｎｇ ｏｆ Ｄｅｅｐ Ｎｅｔｗｏｒｋｓ ｆｒｏｍ Ｄｅｃｅｎｔｒａｌｉｚｅｄ Ｄａｔａ」（ａｒＸｉｖ：１６０２．０５６２９）に記載されているように、同じ値に初期化されてもよい。しかしながら、ローカルクライアント学習アルゴリズム６３０による、クライアントデータ６４０に基づくクライアントモデル６１０のさらなる訓練の後、クライアント４０２は、クライアントモデルデータ６１２および重みデータ６５２をサーバ５００へ送信する。

【0081】

異なる特性および／またはエントロピーの度合いを有する異なるナビゲーションクライアント４０２からのクライアントデータ上で動作することができる連合機械学習モデルのこのアプローチは、ＭＬサーバ５００が、実質的に異なるクライアントデータ６４０上で訓練されたナビゲーションクライアント４０２からローカルモデルデータを受信するときでさえ、安定したモデルを開発することを可能にする。これは、ユーザが通常、ナビゲーションパターン（例えば、カバーされる地図エリア、使用されるルート、頻度、移動回数、移動時間）が実質的に変化するナビゲーションシステムにおいて非常に有用であり、例えば、ほとんどのユーザは、移動時間の大部分を、自宅に比較的近接して過ごすことになる。

【0082】

クライアントナビゲーション履歴データ６４０から導出された重みデータ６５２の使用は、ユーザプライバシーも維持しながら、全体的なデータセットとの重複度が広く変化するローカルデータを使用するときでさえ、中央モデル５１０の速い収束および安定性を提供することができる。

【0083】

サーバ５００の中央更新モジュール５２０は、ナビゲーションクライアント４０２から受信した重みデータ６５２を使用して、関連する更新されたクライアントモデル６１２の寄与を調整し、更新された中央モデル５２２を生成する。中央モデル更新モジュール５２０は、関連する重みデータ６５２に従って重み付けされたクライアントモデル６１２の重み付けモデル平均化を実行する。たとえば、更新モジュール５２０は、より多くの「新しい」情報を提供する可能性が高いので、より高いエントロピー重み付けを有するモデルに、より多くの重みを付与することができる。

【0084】

クライアント４０２からのすべてのモデルおよび重みを処理した後、更新された中央モデル５２２は、クライアント４０２への配信のために中央モデル５１０を置き換える。新しい中央モデル５１０は、一定の間隔で、または更新されたモデルデータ６１２が閾値数のクライアント４０２から受信されたときはいつでも、計算され得る。いくつかの実施形態では、更新は任意の新しいクライアントモデルデータ６１２および重みデータ６５２が受信されるたびに実行され得、これは、中央モデル５１０が可能な限り最新であることを確実にするが、計算効率が低くなり得る。サーバ５００の初期化後、中央モデルが安定したバージョンに収束するために、クライアント更新の数回の反復を要することがある。

【0085】

ナビゲーションクライアント４０２は、典型的には訪問位置、開始位置、終了位置、移動時間、移動速度、地図位置検索、または輸送モードのうちの１つ以上を含むクライアントデータ６４０を格納する。

【0086】

図５は、変形機械学習モジュール４２９'を有する変形ナビゲーションクライアントデバイス４０２'を示す。この実施形態におけるナビゲーションクライアント４０２'は、図４に示されるデバイスと同様であるが、学習アルゴリズムモジュール６３０および重み推定モジュール６５０において使用されるクライアントデータ６４０を管理するローカルデータコントローラモジュール６６０をさらに含む。ローカルデータコントローラ６６０は、特定のローカルデータが分散学習システムで使用されないように、すなわち、ローカルデータ６４０の一部のみが訓練セットを形成するように、ローカルデータ６４０に対してフィルタ演算を実行する。例えば、ナビゲーションクライアント４０２'は、特定のタイプのデータを除外することができ、または、自宅の位置または職場の位置などの目的地に関連するデータを分散学習システムでの使用から除外することができる。

【0087】

いくつかの実施形態では、クライアント４０２、４０２'は、異なる目的を果たす複数の異なるクライアントモデルを記憶することができる。異なる機械学習モデルは、異なる関連する学習アルゴリズム、重み推定モジュール、中央モデルなどを有することができる。モデルは、異なるそれぞれのＭＬサーバ上に、または同じＭＬサーバ５００上に記憶され得る。したがって、図４に記載される特徴のうちの少なくともいくつかは、必要に応じて、クライアント４０２内およびサーバ５００上で複製され得る。

【0088】

ここで、本明細書に開示されるようにナビゲーションシステムによって連合して開発された、ＭＬモデルのための多種多様な用途およびユースケースを示すために、いくつかの特定の実施形態が与えられる。これらは限定的なものではなく、他のユースケースも可能である。

【0089】

目的地予測
いくつかの実施形態では、中央およびローカルＭＬモデル５１０、６１０は、ユーザが手動で目的地を挿入する必要なしに、移動のための意図された目的地を予測するために使用される。これは、マルチクラス分類問題である。

【0090】

多くの異なるユーザからのモデルパラメータを組み込んだ中央モデル５１０を開発することによって、ローカルクライアントモデル６１０は、特定のユーザのための以前に訪れた位置を予測するだけでなく、たとえば同じクラス「スーパーマーケット」内のいくつかの特性に従って、以前に訪れた目的地に類似する新しい、未訪問の目的地を予測することもできる。

【0091】

プロセスは、以下の観点で、入力として、顧客の過去の行動、すなわち、彼の以前のトリップ（移動）を取る。－ＧＰＳトレースのシーケンス（各シーケンスはトリップである）。
－ＧＰＳトレースからの地図属性のシーケンス（例えば、地図のバージョン、移動した道路セグメントの個数、移動した道路セグメントについて登録された平均速度、使用した平均ターン回数、等のうちの１つ以上）。
－天気、個人用カレンダーなどの外部データベース。
－以前のトリップにおける最後のインデックスアイテムから、および／または以前の検索クエリから生じるアイテムから導出され得る、以前の目的地。

【0092】

これらは、クライアントデータ６４０に記憶され、学習アルゴリズム６３０によって使用されて、ローカルクライアントモデル６１０を訓練する。

【0093】

このプロセスは、時間とともに繰り返される以下のステップからなる。
－履歴データが利用可能でない場合、ナビゲーションデバイス４０２は、事前に訓練された中央モデル５１０を受信し、このモデルも利用可能でない場合、ランダムモデルが初期化される。
－各反復（トリップ、トリップの一部、検索クエリ）の後、ローカルクライアントモデル６１０は、新しいクライアントデータ６４０上での訓練によって更新され、地図マッチングプロセスは、トリップ／目的地から地図属性を抽出するためにオンラインで実行され得る。
－周期的に、ローカルモデル６１０（すなわち、パラメータデータ６１２）および重みデータ６５２は、モデル更新モジュール５２０によって集約動作が実行されるＭＬサーバ４００に送られる。
－周期的に、中央モデル５１０は、システム４００内のすべての個々のナビゲーションデバイス４０２に送信され、それは、それらのそれぞれのローカルモデル６１０を、受信された中央モデル５１０と置き換え、ローカルモデル６１０を、コンテキスト変更に対してよりロバストにする。

【0094】

図６は、これらのステップを、クライアントデバイス４０２の観点からのフローチャートとして示す。

【0095】

第１のステップ６００において、クライアントデバイス４０２は、サーバ４００から事前訓練（プレトレーニング）モデルデータを受信することによって初期化される。

【0096】

次に、６０１で、ユーザは、ナビゲーション目的のためにデバイスの使用を開始し、ナビゲーション履歴データがメモリに記憶され始める。これは、ローリングベースで、例えば、固定サイズのバッファに記憶されてもよく、または、履歴は、ローカルモデルが更新されるたびにクリアされてもよい。

【0097】

次いで、６０２において、適切な量のデータが取得されると（例えば、各トリップが終了した後、または各検索クエリの後）、ローカルモデルは、（例えば、勾配降下法を使用して）新しい材料を組み込むように再訓練される。

【0098】

次いで、６０３において、訓練が終了した後、または一定の間隔で、更新されたモデルデータ６１２および属性データ（重みデータ６５２）がサーバ４００に送信され、サーバは、データを重み付けされた集約プロセスに入力して、更新された集約されたモデルデータを生成する。

【0099】

次いで、クライアントデバイス４０２（他のクライアントデバイスとともに）は、サーバからこれらの集約されたパラメータを受信し（６０４）、受信されたパラメータに応じてそのローカルモデルを更新する（６０５）。

【0100】

このプロセスは、新しいナビゲーションデータが取得される（６０１）と繰り返される。

【0101】

目的地予測の例示的なユースケースでは、学習アルゴリズム６３０によって実行される機械学習タスクは、マルチクラス分類であり、モデルは、時間次元に依存するために、シーケンスを扱う深層学習モデルである。それは、１次元畳み込みニューラルネットワーク；ゲート付き回帰型ユニット（ＧＲＵ）、ロングショートタームメモリ（ＬＳＴＭ）、または微分可能ニューラルコンピュータ（ＤＮＣ）モデルなどの回帰型ニューラルネットワーク（ＲＮＮ）；フィードフォワードニューラルネットワーク；または任意の他の適切なモデルであり得る。

【0102】

ルート予測
いくつかの実施形態では、中央およびローカルＭＬモデル５１０、６１０は、ユーザがルートを手動で選択する必要なしに、移動のための最適なルートを予測するために使用される。

【0103】

問題は、ナビゲーションシステム４００が単一のメトリック（例えば、移動時間または距離）に従って最適化することによってではなく、代わりに、例えば、ユーザの運転スタイルおよびコンテキスト情報に基づいて、ルートの異なる部分についての複数のメトリックに基づいて、顧客のルートを予測することとして説明することができる。例えば、システムは「私が目的地Ａに遅れているとき、朝、私は常に避けられる特定のハイウェイを除いて、ハイウェイ（最も速い）を取ることを好み、その場合、より短い迂回を取ることを好む」というユーザの好みを学習することができる。

【0104】

本明細書に開示される連合学習アプローチは、現在のユーザによる以前に使用されたルートを予測することだけでなく、いくつかの特性、例えば、クラス「ハイウェイ」などに従って、以前に使用されたルートに類似する新しいルートに一般化することも可能にする。

【0105】

プロセスは、以下の観点で、入力として、顧客の過去の行動、すなわち、彼の以前のトリップを取る。
－ＧＰＳトレースのシーケンス（各シーケンスはトリップ）
－ＧＰＳトレースからの地図属性のシーケンス
－天気、個人用カレンダーなどの外部データベース。

【0106】

これらは、クライアントデータ６４０に記憶され、学習アルゴリズム６３０によって使用されて、ローカルクライアントモデル６１０を訓練する。

【0107】

この場合のＭＬモデルは、時間次元に依存するため、シーケンスを扱う深層学習モデルである。さらに、問題の性質および予測されるべき膨大な数のクラスのために、最も適したモデルは、回帰型ニューラルネットワークであり得る。

【0108】

連合学習プロセスは、目的地予測のために上記でしたものと同じまたは同様であり得る。

【0109】

到着時間予測
いくつかの実施形態では、中央およびローカルＭＬモデル５１０、６１０は、ユーザに属する機密情報を共有することなく、自身の個人的な運転スタイルを考慮に入れて、トリップ（移動）中のユーザの推定到着時間（ＥＴＡ）を予測するために使用される。

【0110】

連合学習アプローチは、以前に使用したルート上のユーザのＥＴＡを予測することを可能にするが、新しいルートに一般化することもできる。

【0111】

プロセスは、以下の観点で、入力として、顧客の過去の行動、すなわち、彼の以前のトリップを取る。
－ＧＰＳトレースのシーケンス（各シーケンスはトリップ）
－ＧＰＳトレースからの地図属性のシーケンス
－天気、個人用カレンダーなどの外部データベース。

【0112】

これらは、クライアントデータ６４０に記憶され、学習アルゴリズム６３０によって使用されて、ローカルクライアントモデル６１０を訓練する。

【0113】

この例におけるＭＬ問題は、回帰問題として、またはマルチクラス分類問題として考えることができる。マルチクラス分類モデルの場合、ＥＴＡは予め定義される必要があり（例えば、１、５、１０、１５、３０分）、タスクは、次いで、予め定義されたクラスのうちの１つを予測することを含む。回帰タスクの場合、正確な到達時間が推論され、これは、このアプローチが正確な到達時間を予測しようと試みることを意味する。

【0114】

連合学習プロセスは、目的地予測のために上記したものと同じまたは同様であり得る。

【0115】

検索結果のランク付け
いくつかの実施形態では、中央およびローカルＭＬモデル５１０、６１０は、ユーザによる位置検索のためのコンテキスト化されたランキングを提供するために使用される。検索処理は、ローカルおよび／またはリモートで行われ（例えば、地図サーバ４０４との通信を含む）、結果が生成されると、処理は、顧客に表示する前に位置をランク付けする。

【0116】

ランク付けは、ユーザの個人的な好み（例えば、彼の検索履歴）に基づくが、連合学習に起因して、他のユーザによって、例えば、同じ地域で実行された以前の検索から恩恵を受けることにもなる。

【0117】

プロセスは、以下の観点で、入力として、顧客の過去の行動、すなわち、彼の以前のとリップを取る。
－以前に訪問した目的地（ＧＰＳトレースから取得したものなど）
－以前の検索データ（クエリログなど）。

【0118】

これらは、クライアントデータ６４０に記憶され、学習アルゴリズム６３０によって使用されて、ローカルクライアントモデル６１０を訓練する。

【0119】

この例におけるＭＬ問題は、機械学習ベースのランキング（ＭＬＲ）の形態である。学習アルゴリズム６３０によって使用されるＭＬモデルは、ペアワイズランキングモデルであってもよい。モデルは、可能な結果のペア（ｓ１、ｓ２）を与えられたときに、顧客のユーザクエリの情報の必要性に対して以下のどちらがより適しているかを予測しようとするものである。。

【0120】

連合学習プロセスは、目的地予測のために上記したものと同じまたは同様であり得る。

【0121】

さらなる一般的な詳細
概して、本明細書に開示される任意の実施形態では、本明細書に開示されるプロセスを実装するために使用され得るシステムおよび装置は、スマートフォン、携帯電話、ポータブルパーソナルコンピュータ（ＰＣ）、携帯情報端末（ＰＤＡ）、専用ポータブルナビゲーションデバイス（ＰＮＤ）、自動車などの車両、またはルート計画およびナビゲーション機能を提供するようにポータブルな方法でナビゲーションソフトウェアを実行するように構成される任意のタイプの処理デバイスを含み得る。

【0122】

いくつかの実施形態は、道路セグメントを参照して説明されている。本発明は、経路、河川、運河、自転車経路、引き船道、鉄道線路などのセグメントなどの他のナビゲート可能なセグメントにも適用可能であり得ることを理解されたい。参照を容易にするために、これらは、本明細書では一般に道路セグメントと呼ばれる。

【0123】

また、ルート計画が本発明のいくつかの実施形態で実行される場合、これは、ユーザがある地点から別の地点へのナビゲート方法に関する命令を求めておらず、単に所与の位置のビューを提供されることを望む状況においても起こり得ることも明らかであろう。そのような状況では、ユーザによって選択された「目的地」位置が、ユーザがナビゲーションを開始することを望む対応する開始位置を有する必要がなく、結果として、本明細書における「目的地」位置または実際に「目的地」ビューへの言及は、ルートの生成が必須であること、「目的地」への移動が行われなければならないこと、または実際に、目的地の存在が対応する開始位置の指定を必要とすることを意味すると解釈されるべきではない。

【0124】

実施形態は、例えば、トンネルや屋根のある駐車場など、圏外でない場合に、全地球測位システム（ＧＰＳ）を利用してもよい。一般に、ＧＰＳは、連続的な位置、速度、時間、および場合によっては無制限の数のユーザのための方向情報を決定することができる衛星無線ベースのナビゲーションシステムである。以前はＮＡＶＳＴＡＲとして知られていたＧＰＳは、極めて正確な軌道で地球を周回する複数の衛星を組み込んでいる。これらの正確な軌道に基づいて、ＧＰＳ衛星は、ＧＰＳデータとして、それらの位置を任意の数の受信ユニットに中継することができる。しかしながら、ＧＬＯＳＮＡＳＳ、ヨーロッパガリレオ測位システム、ＣＯＭＰＡＳＳ測位システム、またはＩＲＮＳＳ(インド地域航法衛星システム）などの他の全地球測位システムが使用され得ることが理解されるのであろう。

【0125】

ＧＰＳシステムは、ＧＰＳデータを受信するように特別に装備されたデバイス１が、ＧＰＳ衛星信号の無線周波数の走査を開始するときに実施される。ＧＰＳ衛星から無線信号を受信すると、デバイス１は、複数の異なる従来の方法のうちの１つを介して、その衛星の正確な位置を決定する。デバイス１は、ほとんどの場合、少なくとも３つの異なる衛星信号を取得するまで、信号を走査し続ける（位置は、通常ではないが、他の三角測量技術を使用して２つの信号のみで決定することができることに留意されたい）。幾何学的三角測量を実施すると、受信機は、３つの既知の位置を利用して、衛星に対するそれ自体の２次元位置を決定する。これは公知の方法で行うことができる。さらに、第４の衛星信号を取得することにより、受信デバイス１は、既知の方法で、同じ幾何学的計算によってその３次元位置を計算することができる。位置および速度のデータは、無制限の数のユーザによって連続的にリアルタイムで更新することができる。

【0126】

本発明を具体化するデバイス１は、デジタル接続、例えば、既知のＢｌｕｅｔｏｏｔｈ^ＴＭ技術を介したデジタル接続を確立するために、必要に応じて、モバイル端末、例えば、携帯電話、ＰＤＡ、および／または移動電話技術を有する任意のデバイスを介して、「モバイル」ネットワークまたは電気通信ネットワークのネットワークハードウェアを用いてデータセッションを確立することが可能であってもよい。その後、そのネットワークサービスプロバイダを介して、モバイルデバイスは、サーバとのネットワーク接続を（例えばインターネットを介して）確立することができる。したがって、「モバイル」ネットワーク接続は、デバイス（単独でおよび／または車両内で移動するのでモバイルであり得、しばしばモバイルである）とサーバとの間で確立され、情報のための「リアルタイム」ゲートウェイまたは少なくとも非常に「最新の」ゲートウェイを提供することができる。

【0127】

モバイル端末（サービスプロバイダを介して）１、４０２と、サーバ４０４、４０６、５００などの別のデバイスとの間のネットワーク接続の確立は、例えば、既知の方法で行うことができる。この点において、任意の数の適切なデータ通信プロトコル、例えばＴＣＰ／ＩＰ階層化プロトコルを使用することができる。さらに、モバイルデバイスは、ＣＤＭＡ２０００、ＧＳＭ、ＩＥＥＥ ８０２．１１ａ／ｂ／ｃ／ｇ／ｎなどの任意の数の通信規格を利用することができる。したがって、インターネット接続を利用することができ、これは、例えば、ナビゲーションデバイス内の携帯電話または携帯電話技術を介して、データ接続を介して達成することができることが分かる。

【0128】

デバイス１、４０２は、セルラーネットワークデータ接続、インターネットを介したパーソナルコンピュータを介した直接接続など、いくつかの異なる構成のいずれかによって実装され得る汎用通信チャネルを介して、サーバ４０４、４０６、５００と通信することが可能であってもよい。１つの例示的な構成では、通信チャネルは、電話およびコンピュータネットワークを含む。さらに、通信チャネルは、無線通信、たとえば、赤外線通信、マイクロ波周波数通信などの無線周波数通信を収容することが可能であり得る。さらに、通信チャネルは、衛星通信に対応することができる。

【0129】

通信チャネルを介して送信される通信信号は、所与の通信技術のために必要とされ、または所望され得る信号を含むが、これらに限定されない。たとえば、信号は、時分割多元接続（ＴＤＭＡ）、周波数分割多元接続（ＦＤＭＡ）、符号分割多元接続（ＣＤＭＡ）、グローバルシステムフォーモバイルコミュニケーションズ（ＧＳＭ（登録商標））、汎用パケット無線サービス（ＧＰＲＳ）などのセルラー通信技術において使用されるように適合され得る。デジタル信号およびアナログ信号の両方が、通信チャネルを介して送信され得る。これらの信号は、通信技術にとって望ましい場合があるように、変調され、暗号化され、および／または圧縮された信号であり得る。

【0130】

リモートサーバ４０４、４０６、５００は、他の構成要素に加えて、メモリに動作可能に接続され、さらに有線または無線接続を介して大容量データ記憶デバイスに動作可能に接続されたプロセッサを含み得る。大容量記憶デバイスは、ナビゲーションデータおよび地図情報の記憶装置を含み、やはりサーバとは別個のデバイスであってもよく、またはサーバに組み込まれてもよい。プロセッサは、通信チャネルを介してナビゲーションデバイス１、４０２との間で情報を送受信するために、送信機および受信機にさらに動作可能に接続される。送信および受信される信号は、データ、通信、および／または他の伝搬信号を含み得る。送信機および受信機は、ナビゲーションシステムのための通信設計において使用される通信要件および通信技術に従って選択または設計され得る。さらに、送信機および受信機の機能は、単一のトランシーバに組み合わされ得ることに留意されたい。

【0131】

本発明を具体化するデバイス１、４０２は、プロセッサ２と、デバイスの機能的ハードウェア構成要素とデバイスによって実行されるソフトウェアとの間のインタフェースとして機能するＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ/Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）をサポートするように協働し得るメモリ３、４とを備え得る。プロセッサ２は、アプリケーションソフトウェア（たとえば、ルート計画およびナビゲーション機能を実装する）が実行され得る環境を提供する、メモリ３、４からオペレーティングシステムをロードし得る。アプリケーションソフトウェアは、デバイスのコア機能、例えば、地図閲覧、ルート計画、ナビゲーション機能、およびそれに関連する任意の他の機能をサポートするグラフィカルユーザインタフェース（ＧＵＩ）を含む動作環境を提供することができる。この点に関して、アプリケーションソフトウェアの一部は、ビュー生成モジュールを備えることができる。

【0132】

デバイス１のプロセッサ２は、アンテナによって受信されたＧＰＳデータを受信し、時々、そのＧＰＳデータを、ＧＰＳデータが受信されたときのタイムスタンプとともに、メモリ内に記憶して、ナビゲーションデバイスの位置の記録を構築するようにプログラムされ得る。そのように記憶された各データ記録は、ＧＰＳフィックスと考えることができ、すなわち、それは、ナビゲーションデバイスの位置のフィックスであり、緯度、経度、タイムスタンプ、および精度レポートを含む。

【0133】

データは、実質的に、例えば５秒毎に、周期的に記憶されてもよい。当業者は、他の期間が可能であり、データ分解能とメモリ容量との間にバランスがあることを理解するのであろう。すなわち、より多くのサンプルを採取することによってデータの分解能が増加するにつれて、データを保持するためにより多くのメモリが必要とされる。しかしながら、他の実施形態では、分解能が実質的に、１秒、１０秒、１５秒、２０秒、３０秒、４５秒、１分、２．５分（または実際にはこれらの期間の間の任意の期間）ごとであってもよい。したがって、デバイスのメモリ内に、ある時点におけるデバイス２００の所在の記録が構築される。

【0134】

いくつかの実施形態では、捕捉されたデータの質は期間が長くなるにつれて低下し、劣化の程度は少なくとも部分的に、デバイス１がおよそ１５秒の期間移動していた速度に依存し得るが、適切な上限を提供し得ることが見出され得る。

【0135】

デバイス１は、一般に、その所在の記録を構築するように構成されるが、いくつかの実施形態は、移動の開始または終了時に所定の期間および／または距離の間、データを記録しない。このような構成は、自宅（ホーム）及び他の頻繁な目的地の位置を保護する可能性が高いので、デバイスのユーザのプライバシーを保護するのに役立つ。例えば、デバイス１は、おおよそ移動の最初の５分間、及び／又はおおよそ移動の最初の１マイルの間、データを記憶しないように構成されてもよい。

【0136】

他の実施形態では、ＧＰＳは、定期的に記憶されなくてもよいが、所定のイベントが発生したときにメモリ内に記憶されてもよい。例えば、プロセッサは、デバイスが道路ジャンクション、道路セグメント（区分）の変化、または他のそのようなイベントを通過するときに、ＧＰＳデータを記憶するようにプログラムされてもよい。

【0137】

さらに、プロセッサ２は、時々、デバイス１、４０２の所在の記録（すなわち、ＧＰＳデータおよびタイムスタンプ、ならびに／または本明細書で説明する光センサまたはマイクロフォンを使用して取得された位置およびタイムスタンプデータ）をサーバ４０４、４０６、５００にアップロードするようにプログラムされてもよい。デバイスがそれをサーバに接続する永続的な通信チャネル、または少なくとも一般的に存在する通信チャネルを有するいくつかの実施形態では、データのアップロードは、例えば、２４時間ごとに１回であってもよい定期に行われる。当業者は、他の期間が可能であり、実質的に以下の期間：１５分、３０分、毎時、２時間毎、５時間毎、１２時間毎、２日毎、毎週、またはこれらの間の任意の時間のいずれかであり得ることを理解するのであろう。実際に、そのような実施形態では、プロセッサは、所在の記録を実質的にリアルタイムベースでアップロードするように構成され得るが、これは、データが実際には送信間の比較的短い期間で時間ごとに送信されることを必然的に意味し得、したがって、より正確には擬似リアルタイムであると考えられ得る。そのような擬似リアルタイム実施形態では、デバイスは、メモリ内のＧＰＳフィックスをバッファリングして、所定の数が記憶されたときにこれらを送信するように構成され得る。この所定の数は、２０、３６、１００、２００のオーダー、またはその間の任意の数であってもよい。当業者は、所定の数がメモリのサイズによって部分的に支配されることを理解するのであろう。

【0138】

一般に存在する通信チャネルを有さない他の実施形態では、プロセッサ２は、通信チャネルが確立されると、記録をサーバ４０４、４０６、５００にアップロードするように構成され得る。これは、たとえば、デバイス１、４０２がユーザのコンピュータに接続されているとき、またはネットワーク接続がないトンネルまたは他のエリアから出るときであり得る。この場合も、そのような実施形態では、ナビゲーションデバイス１、４０２は、メモリ内の位置フィックスをバッファリングするように構成され得る。メモリが位置フィックスでいっぱいになった場合、デバイスは最も古い位置フィックスを削除するように構成され得、したがって、それは先入れ先出し（ＦＩＦＯ）バッファと考えられてもよい。

【0139】

いくつかの実施形態では、デバイス１、４０２の所在の記録は、１つ以上のトレースを含むことができ、各トレースは例えば、２４時間以内のデバイスの移動を表す。各期間は暦日と一致するように構成されてもよいが、他の実施形態では、これは必ずしもそうである必要はない。一般に、デバイスのユーザは、サーバにアップロードされるデバイスの所在の記録について、自分の同意を与える。同意が与えられない場合、いくつかの実施形態では、記録はサーバにアップロードされない。デバイス１、４０２自体、および／またはデバイスが接続されるコンピュータは、所在記録のそのような使用に対するユーザの同意をユーザに求めるように構成され得る。リモートサーバ４０４、４０６、５００は、デバイスの所在の記録を受信し、処理のために大容量データストレージ内にこれを記憶するように構成され得る。

【0140】

本発明はその様々な特定の実施形態を説明することによって例示されているが、これらの実施形態に限定されるものではなく、添付の特許請求の範囲内で、多くの変形および修正が可能であることが、当業者によって理解されるのであろう。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【手続補正書】

【提出日】2022-09-16

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

ナビゲーションシステムを動作させる方法であって、前記ナビゲーションシステムはサーバおよび複数のナビゲーションクライアントデバイスを含み、前記方法は、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを収集するために、時間とともに、それぞれの位置センサを使用することと、前記ナビゲーション履歴データを前記ナビゲーションクライアントデバイスのメモリに記憶することと、
各ナビゲーションクライアントデバイスが、前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
各ナビゲーションクライアントデバイスが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
前記サーバが、前記ナビゲーションクライアントデバイスから前記モデルデータおよび前記属性データを受信することと、
前記サーバが、更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
前記サーバが、パラメータの前記集約されたセットを表すデータを、前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
前記第１のナビゲーションクライアントデバイスが、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を含む、方法。

【請求項2】

前記サーバが、パラメータの前記集約されたセットを表す前記データを前記複数のナビゲーションクライアントデバイスの各々へ送信することと、
前記複数のナビゲーションクライアントデバイスの各々が、前記それぞれのナビゲーションクライアントデバイスの前記メモリに記憶された前記それぞれのローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を含む、請求項１に記載の方法。

【請求項3】

各ステップは、時間とともに繰り返される、請求項１または２に記載の方法。

【請求項4】

サーバおよび複数のナビゲーションクライアントデバイスを含むナビゲーションシステムであって、
各ナビゲーションクライアントデバイスはそれぞれ、
位置センサと、
メモリと、
処理システムと、
通信モジュールと、を備え、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すそれぞれのナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、それぞれのローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのそれぞれのセットを決定するために、前記ナビゲーション履歴データのそれぞれの訓練セットを使用することと、
更新されたパラメータの前記それぞれのセットを表すモデルデータを前記サーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの共通の特性のそれぞれの値を表す属性データを前記サーバへ送信することと、
を行うように構成されており、
前記サーバは、
前記ナビゲーションクライアントデバイスから、前記モデルデータおよび前記属性データを受信することと、
更新されたパラメータの前記セットを決定するために使用される前記それぞれの訓練セットの前記特性の前記値に応じて、更新されたパラメータの前記セットの各々が重み付けされる重み付けされた集約を実行することによって、更新されたパラメータの前記セットからパラメータの集約されたセットを決定することと、
パラメータの前記集約されたセットを表すデータを前記複数のナビゲーションクライアントデバイスのうちの第１のナビゲーションクライアントデバイスへ送信することと、
を行うように構成され、
前記第１のナビゲーションクライアントデバイスは、前記第１のナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、ナビゲーションシステム。

【請求項5】

前記共通の特性は、前記それぞれの訓練セットのエントロピーまたは分散を表す、請求項４に記載のナビゲーションシステム。

【請求項6】

前記共通の特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項４または５に記載のナビゲーションシステム。

【請求項7】

各ナビゲーションクライアントデバイスは、
可能な目的地のショートリストを決定することと、
目的地までのルートを予測することと、
目的地への到着時間を予測することと、
ユーザから受け付けた検索クエリに基づいて１つ以上の検索結果を予測することと、
のうちの１つ以上を行うために前記それぞれのローカル機械学習モデルを使用するように構成される、請求項４乃至６の何れか１項に記載のナビゲーションシステム。

【請求項8】

前記サーバは、パラメータの前記集約されたセットを前記複数のナビゲーションクライアントデバイスの各々へ送信するか、または送信しようと試みるように構成される、請求項４乃至７の何れか１項に記載のナビゲーションシステム。

【請求項9】

各ナビゲーションクライアントデバイスは、１つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項４乃至８の何れか１項に記載のナビゲーションシステム。

【請求項10】

位置センサと、
メモリと、
処理システムと、
通信モジュールと、
を含むナビゲーションクライアントデバイスであって、
前記ナビゲーションクライアントデバイスは、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された、ローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信することと、
を行うように構成される、ナビゲーションクライアントデバイス。

【請求項11】

パラメータの集約されたセットを表すデータを前記サーバから受信することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用することと、
を行うようにさらに構成される、請求項１０に記載のナビゲーションクライアントデバイス。

【請求項12】

前記特性は、前記訓練セットのエントロピーまたは分散を表す、請求項１０または１１に記載のナビゲーションクライアントデバイス。

【請求項13】

前記特性は、前記訓練セットによってカバーされる地理的エリアのサイズを表す、請求項１０乃至１２の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項14】

前記位置センサは、衛星測位センサである、請求項１０乃至１３の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項15】

前記訓練セットは、目的地データまたはルートデータを含む、請求項１０乃至１４の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項16】

前記ローカル機械学習モデルを訓練するために、前記ナビゲーションクライアントデバイスによって訪問された位置を表すデータに加えて、検索データを使用するように構成される、請求項１０乃至１５の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項17】

可能な目的地のショートリストを決定するために前記ローカル機械学習モデルを使用するように構成され、可能な目的地の前記ショートリストをユーザに提示するように構成される、請求項１０乃至１６の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項18】

目的地までのルートを予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１７の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項19】

目的地への到着時間を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１８の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項20】

ユーザから受け付けた検索クエリに基づいて１つ以上の検索結果を予測するために前記ローカル機械学習モデルを使用するように構成される、請求項１０乃至１９の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項21】

出力を予測するために前記ローカルモデルに入力データを提供するように構成され、前記入力データは、時間、天候、および現在のユーザのＩＤのうちの１つ以上を表す、請求項１０乃至２０の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項22】

前記更新されたパラメータをパラメータの前記集約されたセットで置き換えることによって前記ローカル機械学習モデルを更新するために、パラメータの前記集約されたセットを使用するように構成される、請求項１０乃至２１の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項23】

１つ以上の選択基準を満たす訓練セットを選択するために、前記記憶されたナビゲーション履歴データをフィルタリングするように構成される、請求項１０乃至２２の何れか１項に記載のナビゲーションクライアントデバイス。

【請求項24】

位置センサと、メモリと、通信モジュールとを有するナビゲーションクライアントデバイスのプロセッサによって実行されると、前記プロセッサに、
前記ナビゲーションクライアントデバイスによって訪問された位置を表すナビゲーション履歴データを時間とともに収集するために前記位置センサを使用することと、
前記ナビゲーション履歴データを前記メモリに記憶することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶されたローカル機械学習モデルを訓練し、前記ローカル機械学習モデルのための更新されたパラメータのセットを決定するために、前記ナビゲーション履歴データの訓練セットを使用することと、
更新されたパラメータの前記セットを表すモデルデータをサーバへ送信するように前記通信モジュールを制御することと、
更新されたパラメータの前記セットを決定するために使用される前記訓練セットの特性の値を表す属性データを前記サーバへ送信するように前記通信モジュールを制御することと、
を行わせる命令を含むコンピュータプログラム。

【請求項25】

前記プロセッサによって実行されると、前記プロセッサに、
サーバからパラメータの集約されたセットを表すデータを受信するために前記通信モジュールを使用することと、
前記ナビゲーションクライアントデバイスの前記メモリに記憶された前記ローカル機械学習モデルを更新するためにパラメータの前記集約されたセットを使用することと、
を行わせる命令をさらに含む、請求項２４に記載のコンピュータプログラム。

【国際調査報告】