特表 2023-516433 乗用車用のデジタルツインインターフェースを含む知的交通システム

(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】2023-04-19

(54)【発明の名称】乗用車用のデジタルツインインターフェースを含む知的交通システム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20230412BHJP

【ＦＩ】

G06Q10/04

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022553123

(86)(22)【出願日】2021-03-02

(85)【翻訳文提出日】2022-11-02

(86)【国際出願番号】 US2021020433

(87)【国際公開番号】W WO2021178385

(87)【国際公開日】2021-09-10

(31)【優先権主張番号】62/984,225

(32)【優先日】2020-03-02

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/069,537

(32)【優先日】2020-08-24

(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．ＪＡＶＡ

(71)【出願人】

【識別番号】522350689

【氏名又は名称】ストロング フォース ティーピー ポートフォリオ ２０２２，エルエルシー

(74)【代理人】

【識別番号】110001999

【氏名又は名称】弁理士法人はなぶさ特許商標事務所

(72)【発明者】

【氏名】セラ，チャールズ ハワード

(72)【発明者】

【氏名】パレンティ，ジェナ リン

(72)【発明者】

【氏名】カロン，テイラー ディー．

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA04

(57)【要約】

輸送システムは、車両のユーザに対して車両の動作状態のセットを提示することができ、概して、車両のユーザに車両の動作状態のセットを提示するためのシステムを含む。このシステムは、車両動作状態を有する車両の一部と、車両動作状態を判定するために、１つ以上の入力から車両パラメータデータを受信するデジタルツインシステムと、車両のユーザに車両動作状態を提示するための、デジタルツインシステム用のインターフェースと、を含む。

【特許請求の範囲】

【請求項1】

車両のユーザに対して前記車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する前記車両の一部と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記ユーザに対して前記車両動作状態を提示するための、前記デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項2】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項１記載のシステム。

【請求項3】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項１記載のシステム。

【請求項4】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項１記載のシステム。

【請求項5】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項１記載のシステム。

【請求項6】

前記車両動作状態は、車両ドライバー状態であることを特徴とする請求項１記載のシステム。

【請求項7】

前記デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項１記載のシステム。

【請求項8】

更に、前記車両のユーザのアイデンティティ及び役割のセットを管理するアイデンティティ管理システムを含むことを特徴とする請求項１記載のシステム。

【請求項9】

前記アイデンティティ管理システムは、前記デジタルツインシステムを閲覧、修正、及び設定する機能を含み、該機能が前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいていることを特徴とする請求項８記載のシステム。

【請求項10】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１記載のシステム。

【請求項11】

前記デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１記載のシステム。

【請求項12】

前記デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１記載のシステム。

【請求項13】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１０記載のシステム。

【請求項14】

前記デジタルツインシステムは、ドライバーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１０記載のシステム。

【請求項15】

前記デジタルツインシステムは、ライダーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１０記載のシステム。

【請求項16】

更に、ライダーユーザの生理的状態を収集するために前記車両に配置されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ライダーユーザの検出された満足状態を検出する第１のニューラルネットワークと、
前記ライダーユーザの好ましい満足状態を達成するために、前記ライダーユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項１記載のシステム。

【請求項17】

前記ライダーユーザの前記検出された満足状態は、前記ライダーユーザの検出された感情状態であり、前記ライダーユーザの前記好ましい満足状態が、前記ライダーユーザの好ましい感情状態であることを特徴とする請求項１６記載のシステム。

【請求項18】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項１６記載のシステム。

【請求項19】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項１６記載のシステム。

【請求項20】

前記第２のニューラルネットワークは、車両動作状態と前記ライダーユーザのライダー満足状態との間の相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項１６記載のシステム。

【請求項21】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ライダーユーザの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項１６記載のシステム。

【請求項22】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項１６記載のシステム。

【請求項23】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項１６記載のシステム。

【請求項24】

車両のユーザに対して前記車両の状態のセットを提示するための方法であって、
１つ又は複数の入力から前記車両の１つ又は複数のコンポーネントのパラメータデータを取得すること、
前記車両の１つ又は複数の動作状態を生成するために、前記パラメータデータで前記車両のデジタルツインシステムを更新すること、及び、
前記車両の前記１つ又は複数の動作状態を前記車両の前記ユーザに提示するためのインターフェースを提供すること、を含むことを特徴とする方法。

【請求項25】

前記１つ又は複数の車両動作状態は、車両メンテナンス状態、車両エネルギー利用状態、車両ナビゲーション状態、車両コンポーネント状態、或いは車両ドライバー状態のうち、１つ以上を含むことを特徴とする請求項２４記載の方法。

【請求項26】

前記デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、１つ以上を含むことを特徴とする請求項２４記載の方法。

【請求項27】

更に、前記車両のユーザのアイデンティティ及び役割のセットを管理すること、及び、前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいて、前記デジタルツインシステムを設定すること、を含むことを特徴とする請求項２４記載の方法。

【請求項28】

更に、前記車両の外部のシステムへの５Ｇ接続、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続、又は車載人工知能システムへの５Ｇ接続のうち、１つ以上を有するように構成された前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して前記デジタルツインシステムに入力すること、を含むことを特徴とする請求項２４記載の方法。

【請求項29】

更に、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムで前記デジタルツインシステムを自動的に設定すること、を含むことを特徴とする請求項２８記載の方法。

【請求項30】

更に、ライダーユーザの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータを、第１のニューラルネットワークを用いて分析することにより、前記車両に搭乗する前記ライダーユーザの検出された満足状態を検出すること、及び、前記ライダーユーザの好ましい満足状態を達成するように、第２のニューラルネットワークを用いて、前記ライダーユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化すること、を含むことを特徴とする請求項２４記載の方法。

【請求項31】

前記ライダーユーザの前記検出された満足状態は、前記ライダーユーザの検出された感情状態であり、前記ライダーユーザの前記好ましい満足状態が、前記ライダーユーザの好ましい感情状態であることを特徴とする請求項３０記載の方法。

【請求項32】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項２４記載の方法。

【請求項33】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項３０記載の方法。

【請求項34】

前記第２のニューラルネットワークでの前記動作パラメータの最適化は、車両動作状態と前記ライダーユーザのライダーユーザ満足状態との間の相関関係に基づいて行われることを特徴とする請求項３０記載の方法。

【請求項35】

前記第２のニューラルネットワークでの前記動作パラメータの最適化は、前記第１のニューラルネットワークによる前記ライダーユーザの前記検出された満足状態の前記検出に応答して行われることを特徴とする請求項３０記載の方法。

【請求項36】

更に、前記第１のニューラルネットワークを用いて、有向サイクルを形成する１つ又は複数の接続されたノードを形成することを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項３０記載の方法。

【請求項37】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項３０記載の方法。

【請求項38】

車両のデジタルツインを生成するためのコンピュータ実装される方法であって、
インターフェースを介して、前記車両の状態情報を表示するように前記車両のユーザから要求を受信すること、
１つ又は複数のプロセッサを使用して、前記車両の前記状態情報に基づく１つ又は複数のユーザ入力に基づいて、前記車両のデジタルツイン表現を生成すること、及び、
前記インターフェースを使用して、前記車両の前記デジタルツイン表現を用いた前記車両の前記状態情報を表示すること、を含むことを特徴とする方法。

【請求項39】

前記車両の前記状態情報は、車両メンテナンス状態、車両エネルギー利用状態、車両ナビゲーション状態、車両コンポーネント状態、或いは車両ドライバー状態のうち、１つ以上を含むことを特徴とする請求項３８記載の方法。

【請求項40】

前記デジタルツイン表現のための前記ユーザ入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、１つ以上を含むことを特徴とする請求項３８記載の方法。

【請求項41】

更に、前記車両のユーザのアイデンティティ及び役割のセットを管理すること、及び、前記車両の前記ユーザのアイデンティティのセットからのアイデンティティに基づいて、前記デジタルツイン表現を構成すること、を含むことを特徴とする請求項３８記載の方法。

【請求項42】

更に、前記車両の外部のシステムへの５Ｇ接続、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続、又は車載人工知能システムへの５Ｇ接続のうち、１つ以上を有するように構成された前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して前記デジタルツイン表現を入力すること、を含むことを特徴とする請求項３８記載の方法。

【請求項43】

更に、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムで前記デジタルツイン表現を自動的に構成すること、を含むことを特徴とする請求項４２記載の方法。

【請求項44】

車両のドライバーに対して前記車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両の一部と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記ドライバーに前記車両動作状態を提示するための、前記デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項45】

前記デジタルツインシステム用の前記インターフェースは、前記ドライバーに前記車両のモデルの三次元レンダリングを示す３Ｄビューを提供することを特徴とする請求項４４記載のシステム。

【請求項46】

前記デジタルツインシステム用の前記インターフェースは、近隣の車両、歩行者、及びインフラストラクチャとのリアルタイムの情報交換を通じて、状況認識を向上させるためのナビゲーションビューを前記ドライバーに提供することを特徴とする請求項４４記載のシステム。

【請求項47】

前記デジタルツインシステム用の前記インターフェースは、利用率及びバッテリーの健全性を含む車両内のバッテリー／燃料の状態を判定するためのエネルギービューを、前記ドライバーに提供することを特徴とする請求項４４記載のシステム。

【請求項48】

前記デジタルツインシステム用の前記インターフェースは、前記車両の状態に基づいて前記車両の状態及びブルーブックの価値を表示するための価値ビューを、前記ドライバーに提供することを特徴とする請求項４４記載のシステム。

【請求項49】

前記デジタルツインシステム用の前記インターフェースは、前記車両のコンポーネントの摩耗及び故障を示し、前記車両の状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューを前記ドライバーに提供することを特徴とする請求項４８記載のシステム。

【請求項50】

前記デジタルツインシステム用の前記インターフェースは、仮想現実（ＶＲ）環境に没入した前記車両を示すためのワールドビューを、前記ドライバーに提供することを特徴とする請求項４４記載のシステム。

【請求項51】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項４４記載のシステム。

【請求項52】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項４４記載のシステム。

【請求項53】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項４４記載のシステム。

【請求項54】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項４４記載のシステム。

【請求項55】

前記車両動作状態は、車両ドライバー状態であることを特徴とする請求項４４記載のシステム。

【請求項56】

前記デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項４４記載のシステム。

【請求項57】

更に、前記車両のユーザのアイデンティティ及び役割のセットを管理するアイデンティティ管理システムを含むことを特徴とする請求項４４記載のシステム。

【請求項58】

前記アイデンティティ管理システムは、前記デジタルツインシステムを閲覧、修正、及び設定する機能を含み、該機能が前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいていることを特徴とする請求項５７記載のシステム。

【請求項59】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項４４記載のシステム。

【請求項60】

デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項４４記載のシステム。

【請求項61】

デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項４４記載のシステム。

【請求項62】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項６１記載のシステム。

【請求項63】

前記デジタルツインシステムは、前記ドライバーによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項６１記載のシステム。

【請求項64】

前記デジタルツインシステムは、前記ドライバーによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項６１記載のシステム。

【請求項65】

更に、前記ドライバーの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ドライバーの検出された満足状態を検出する第１のニューラルネットワークと、
前記ドライバーの好ましい満足状態を達成するために、前記ドライバーの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項４４記載のシステム。

【請求項66】

前記ドライバーの前記検出された満足状態は、前記ドライバーの検出された感情状態であり、前記ドライバーの前記好ましい満足状態が、前記ドライバーの好ましい感情状態であることを特徴とする請求項６５記載のシステム。

【請求項67】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項６５記載のシステム。

【請求項68】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項６５記載のシステム。

【請求項69】

前記第２のニューラルネットワークは、車両動作状態と前記ドライバーのドライバー満足状態との間の相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項６５記載のシステム。

【請求項70】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ドライバーの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項６５記載のシステム。

【請求項71】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項６５記載のシステム。

【請求項72】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項６５記載のシステム。

【請求項73】

車両の製造業者に対して車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記製造業者に前記車両動作状態を提示するための、前記デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項74】

前記デジタルツインシステム用の前記インターフェースは、生成設計技法を通じて新しい車両モデルの最適システムアーキテクチャの一部を決定する際に、前記製造業者に情報を提供するための設計ビューを、前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項75】

前記デジタルツインシステム用の前記インターフェースは、前記製造業者が前記車両とそのコンポーネント及びサブシステムとの性能を最適化するために規範モデルを実行できるようにするための、アセンブリビューの一部を前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項76】

前記インターフェースは、前記製造業者が実世界の状況下で前記車両及びそのコンポーネントの品質試験のためのシミュレーションを実行できるようにするための、品質ビューの一部を前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項77】

前記インターフェースは、前記製造業者がデータ解析を実行して幅広いメトリクスを計算し、チャート、グラフ、及びモデルを構築し、前記車両及びそのコンポーネントのパラメータの変化が車両性能に及ぼす影響を可視化できるようにするための、リアルタイム解析ビューを前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項78】

前記デジタルツインシステム用の前記インターフェースは、前記製造業者に前記車両のモデルの三次元レンダリングを示す３Ｄビューを提供することを特徴とする請求項７３記載のシステム。

【請求項79】

前記デジタルツインシステム用の前記インターフェースは、利用率及びバッテリーの健全性を含む前記車両内のバッテリー／燃料の状態を判定するためのエネルギービューを、前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項80】

前記デジタルツインシステム用の前記インターフェースは、前記車両の状態に基づいて前記車両の状態及びブルーブックの価値を表示するための価値ビューを、前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項81】

前記デジタルツインシステム用の前記インターフェースは、前記車両のコンポーネントの摩耗及び故障を示し、前記車両の状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューを前記製造業者に提供することを特徴とする請求項７３記載のシステム。

【請求項82】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項７３記載のシステム。

【請求項83】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項７３記載のシステム。

【請求項84】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項７３記載のシステム。

【請求項85】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項７３記載のシステム。

【請求項86】

前記車両運転状態は、車両ドライバー状態であることを特徴とする請求項７３記載のシステム。

【請求項87】

前記デジタルツインシステムのための１つ又は複数の入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項７３記載のシステム。

【請求項88】

更に、通信のための同意が前記製造業者に与えられた前記車両のユーザの、アイデンティティ及び役割のセットを管理するアイデンティティ管理システムを含むことを特徴とする請求項７３記載のシステム。

【請求項89】

前記アイデンティティ管理システムは、前記デジタルツインシステムを閲覧、修正、及び設定する機能を含み、該機能が前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいていることを特徴とする請求項８８記載のシステム。

【請求項90】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項７３記載のシステム。

【請求項91】

前記デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項７３記載のシステム。

【請求項92】

前記デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項７３記載のシステム。

【請求項93】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項７３記載のシステム。

【請求項94】

前記デジタルツインシステムは、前記ドライバー又は前記製造業者の一方による使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項７３記載のシステム。

【請求項95】

更に、ユーザの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ユーザの検出された満足状態を検出する第１のニューラルネットワークと、
前記ユーザの好ましい満足状態を達成するために、前記ユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項７３記載のシステム。

【請求項96】

前記ユーザの前記検出された満足状態は、前記ユーザの検出された感情状態であり、前記ユーザの前記好ましい満足状態が、前記ユーザの好ましい感情状態であることを特徴とする請求項９５記載のシステム。

【請求項97】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項９５記載のシステム。

【請求項98】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項９５記載のシステム。

【請求項99】

前記第２のニューラルネットワークは、車両動作状態と前記ユーザの満足状態との間の相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項９５記載のシステム。

【請求項100】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ユーザの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項９５記載のシステム。

【請求項101】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項９５記載のシステム。

【請求項102】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項９５記載のシステム。

【請求項103】

車両のディーラーに対して車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記ディーラーに前記車両動作状態を提示するための、前記デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項104】

前記インターフェースは、利用可能なコンポーネントのセットから互換性のあるコンポーネント及びサブシステムの組み合わせを選択することによって、潜在的な顧客の好みに基づいて車両を構成するためのコンフィギュレータビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項105】

前記インターフェースは、ドライバー又はライダーの好みに基づいて前記車両の性能を個人用設定にするために、１つ又は複数のコンポーネントの特性を変更又は調整するための性能調整ビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項106】

前記コンポーネントの１つが、前記車両のエンジンであることを特徴とする請求項１０５記載のシステム。

【請求項107】

前記コンポーネントの１つ以上が、前記車両のサスペンションであることを特徴とする請求項１０５記載のシステム。

【請求項108】

前記コンポーネントの１つが、前記車両のボディであることを特徴とする請求項１０５記載のシステム。

【請求項109】

前記インターフェースは、前記車両の潜在的な顧客が前記車両に仮想的に試乗することを可能にするための試乗ビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項110】

前記車両が中古車であることを特徴とする請求項１０９記載のシステム。

【請求項111】

前記インターフェースは、前記ディーラーが潜在的な顧客に対して前記車両の状態に関する証明を提供することを可能にするための証明ビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項112】

前記車両が中古車であることを特徴とする請求項１１１記載のシステム。

【請求項113】

前記インターフェースは、前記ディーラーが実世界の状況で前記車両及びそのコンポーネントを品質テストするためのシミュレーションを実行できるようにする、品質ビューの一部を前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項114】

前記デジタルツインシステム用の前記インターフェースは、前記ディーラーに前記車両のモデルの三次元レンダリングを示す３Ｄビューを提供することを特徴とする請求項１０３記載のシステム。

【請求項115】

前記デジタルツインシステム用の前記インターフェースは、前記車両の状態に基づいて前記車両の状態及びブルーブックの価値を表示するための価値ビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項116】

前記デジタルツインシステム用の前記インターフェースは、前記車両のコンポーネントの摩耗及び故障を示し、前記車両の状態の条件に基づいてサービス、修理、又は交換の必要性を予測するためのサービス及びメンテナンスビューを、前記ディーラーに提供することを特徴とする請求項１０３記載のシステム。

【請求項117】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項１０３記載のシステム。

【請求項118】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項１０３記載のシステム。

【請求項119】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項１０３記載のシステム。

【請求項120】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項１０３記載のシステム。

【請求項121】

前記車両動作状態は、車両ドライバー状態であることを特徴とする請求項１０３記載のシステム。

【請求項122】

前記デジタルツインシステムのための１つ又は複数の前記入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項１０３記載のシステム。

【請求項123】

更に、通信のための同意が前記ディーラーに与えられた前記車両のユーザの、アイデンティティ及び役割のセットを管理するアイデンティティ管理システムを含むことを特徴とする請求項１０３記載のシステム。

【請求項124】

前記アイデンティティ管理システムは、前記デジタルツインシステムを閲覧、修正、及び設定する機能を含み、該機能が前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいていることを特徴とする請求項１２３記載のシステム。

【請求項125】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１０３記載のシステム。

【請求項126】

前記デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１０３記載のシステム。

【請求項127】

デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１０３記載のシステム。

【請求項128】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１２７記載のシステム。

【請求項129】

前記デジタルツインシステムは、ドライバー又は前記ディーラーの一方による使用活動の訓練セットに基づいて、前記人工知能システムにより自動的に設定されることを特徴とする請求項１２７記載のシステム。

【請求項130】

更に、ユーザの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ユーザの検出された満足状態を検出する第１のニューラルネットワークと、
前記ユーザの好ましい満足状態を達成するために、前記ユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項１０３記載のシステム。

【請求項131】

前記ユーザの前記検出された満足状態は、前記ユーザの検出された感情状態であり、前記ユーザの前記好ましい満足状態が、前記ユーザの好ましい感情状態であることを特徴とする請求項１３０記載のシステム。

【請求項132】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項１３０記載のシステム。

【請求項133】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項１３０記載のシステム。

【請求項134】

前記第２のニューラルネットワークは、車両動作状態と前記ユーザの満足状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項１３０記載のシステム。

【請求項135】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ユーザの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項１３０記載のシステム。

【請求項136】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項１３０記載のシステム。

【請求項137】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項１３０記載のシステム。

【請求項138】

車両の所有者に車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記所有者に前記車両動作状態を提示するための、デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項139】

前記デジタルツインシステム用の前記インターフェースは、１つ又は複数の車両の移動／経路／状態を追跡及び監視するためのフリート監視ビューを、前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項140】

前記デジタルツインシステム用の前記インターフェースは、前記所有者がドライバーによる安全でない又は危険な運転の事例を監視することを可能にするための、ドライバー行動監視ビューを前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項141】

前記デジタルツインシステム用の前記インターフェースは、車両状態に基づいて車両の保険契約の見積もりを判定する際に、前記所有者を支援するための保険ビューを前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項142】

前記デジタルツインシステム用の前記インターフェースは、前記車両の状態に基づいて、排気ガス／汚染物質及び他の規制規範に関するコンプライアンス状況を示すためのコンプライアンスビューを、前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項143】

前記インターフェースは、前記所有者の好みに基づいて前記車両の性能を個人用設定にするために、１つ又は複数のコンポーネントの特性を変更又は調整するための性能調整ビューを、前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項144】

前記コンポーネントの１つは、前記車両のエンジンであることを特徴とする請求項１４３記載のシステム。

【請求項145】

前記コンポーネントの１つ以上は、前記車両のサスペンションであることを特徴とする請求項１４３記載のシステム。

【請求項146】

前記コンポーネントの１つは、前記車両のボディであることを特徴とする請求項１４３記載のシステム。

【請求項147】

前記デジタルツインシステム用の前記インターフェースは、前記所有者に前記車両のモデルの三次元レンダリングを示す３Ｄビューを提供することを特徴とする請求項１３８記載のシステム。

【請求項148】

前記デジタルツインシステム用の前記インターフェースは、前記車両の状態に基づいて前記車両の状態及びブルーブックの価値を表示するための価値ビューを、前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項149】

前記デジタルツインシステム用の前記インターフェースは、前記車両のコンポーネントの摩耗及び故障を示し、前記車両の状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューを前記所有者に提供することを特徴とする請求項１３８記載のシステム。

【請求項150】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項１３８記載のシステム。

【請求項151】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項１３８記載のシステム。

【請求項152】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項１３８記載のシステム。

【請求項153】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項１３８記載のシステム。

【請求項154】

前記車両動作状態は、車両ドライバー状態であることを特徴とする請求項１３８記載のシステム。

【請求項155】

前記デジタルツインシステムのための１つ又は複数の前記入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項１３８記載のシステム。

【請求項156】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１３８記載のシステム。

【請求項157】

前記デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１３８記載のシステム。

【請求項158】

前記デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１３８記載のシステム。

【請求項159】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１５８記載のシステム。

【請求項160】

前記デジタルツインシステムは、前記所有者による使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１５８記載のシステム。

【請求項161】

更に、ユーザの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ユーザの検出された満足状態を検出する第１のニューラルネットワークと、
前記ユーザの好ましい満足状態を達成するために、前記ユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項１３８記載のシステム。

【請求項162】

前記ユーザの前記検出された満足状態は、前記ユーザの検出された感情状態であり、前記ユーザの前記好ましい満足状態が、前記ユーザの好ましい感情状態であることを特徴とする請求項１６１記載のシステム。

【請求項163】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項１６１記載のシステム。

【請求項164】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項１６１記載のシステム。

【請求項165】

前記第２のニューラルネットワークは、車両動作状態と前記ユーザの満足状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項１６１記載のシステム。

【請求項166】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ユーザの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項１６１記載のシステム。

【請求項167】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項１６１記載のシステム。

【請求項168】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項１６１記載のシステム。

【請求項169】

車両のライダーに対して車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインシステムと、
前記車両の前記ライダーに前記車両動作状態を提示するための、前記デジタルツインシステム用のインターフェースと、を含むことを特徴とするシステム。

【請求項170】

前記インターフェースは、ライダーの好みに基づいて乗車体験を個人用設定にするための体験モードを前記ライダーが選択できるようにするための、体験最適化ビューを前記ライダーに提供することを特徴とする請求項１６９記載のシステム。

【請求項171】

前記体験モードは、快適モードを含むことを特徴とする請求項１７０記載のシステム。

【請求項172】

前記体験モードは、スポーツモードを含むことを特徴とする請求項１７０記載のシステム。

【請求項173】

前記体感モードは、高効率モードを含むことを特徴とする請求項１７０記載のシステム。

【請求項174】

前記体験モードは、作業モードを含むことを特徴とする請求項１７０記載のシステム。

【請求項175】

前記体験モードは、エンターテインメントモードを含むことを特徴とする請求項１７０記載のシステム。

【請求項176】

前記体験モードは、スリープモードを含むことを特徴とする請求項１７０記載のシステム。

【請求項177】

前記体験モードは、リラクゼーションモードを含むことを特徴とする請求項１７０記載のシステム。

【請求項178】

前記体験モードは、長距離旅行モードを含むことを特徴とする請求項１７０記載のシステム。

【請求項179】

車両のユーザに対して車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインと、
前記車両の前記ユーザに前記車両動作状態を提示するための、前記デジタルツイン用のインターフェースと、
前記車両のユーザのアイデンティティ及び役割のセットを管理し、アイデンティティ及び役割の前記セットの解析に基づいて、前記デジタルツインを閲覧、変更、及び設定する機能を決定するアイデンティティ管理システムと、を含むことを特徴とするシステム。

【請求項180】

前記車両動作状態は、車両メンテナンス状態であることを特徴とする請求項１７９記載のシステム。

【請求項181】

前記車両動作状態は、車両エネルギー利用状態であることを特徴とする請求項１７９記載のシステム。

【請求項182】

前記車両動作状態は、車両ナビゲーション状態であることを特徴とする請求項１７９記載のシステム。

【請求項183】

前記車両動作状態は、車両コンポーネント状態であることを特徴とする請求項１７９記載のシステム。

【請求項184】

前記車両動作状態は、車両ドライバー状態であることを特徴とする請求項１７９記載のシステム。

【請求項185】

前記デジタルツインのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは前記車両の外部のシステムのうち、少なくとも１つを含むことを特徴とする請求項１７９記載のシステム。

【請求項186】

更に、前記車両のユーザのアイデンティティ及び役割のセットを管理するためのアイデンティティ管理システムを含むことを特徴とする請求項１７９記載のシステム。

【請求項187】

前記アイデンティティ管理システムは、前記デジタルツインシステムを閲覧、修正、及び設定する機能を含み、該機能が前記車両の前記ユーザのアイデンティティの前記セットからのアイデンティティに基づいていることを特徴とする請求項１８６記載のシステム。

【請求項188】

前記デジタルツインシステムは、前記車両の外部のシステムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１７９記載のシステム。

【請求項189】

前記デジタルツインシステムは、前記車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１７９記載のシステム。

【請求項190】

前記デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する前記車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力されることを特徴とする請求項１７９記載のシステム。

【請求項191】

前記デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１９０記載のシステム。

【請求項192】

前記デジタルツインシステムは、ドライバーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１９０記載のシステム。

【請求項193】

前記デジタルツインシステムは、ライダーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定されることを特徴とする請求項１９０記載のシステム。

【請求項194】

更に、ライダーユーザの生理的状態を収集するために前記車両に配備されたセンサから収集されたデータの分析を通じて、前記車両に搭乗する前記ライダーユーザの検出された満足状態を検出する第１のニューラルネットワークと、
前記ライダーユーザの好ましい満足状態を達成するために、前記ライダーユーザの前記検出された満足状態に応じて前記車両の動作パラメータを最適化する第２のニューラルネットワークと、を含むことを特徴とする請求項１７９記載のシステム。

【請求項195】

前記ライダーユーザの前記検出された満足状態は、前記ライダーユーザの検出された感情状態であり、前記ライダーユーザの前記好ましい満足状態が、前記ライダーユーザの好ましい感情状態であることを特徴とする請求項１９４記載のシステム。

【請求項196】

前記第１のニューラルネットワークは、リカレントニューラルネットワークであり、前記第２のニューラルネットワークは、放射基底関数ニューラルネットワークであることを特徴とする請求項１９４記載のシステム。

【請求項197】

前記ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含むことを特徴とする請求項１９４記載のシステム。

【請求項198】

前記第２のニューラルネットワークは、車両動作状態と前記ライダーユーザのライダー満足状態との相関関係に基づいて、前記動作パラメータを最適化することを特徴とする請求項１９４記載のシステム。

【請求項199】

前記第２のニューラルネットワークは、前記第１のニューラルネットワークによる前記ライダーユーザの前記検出された満足状態の前記検出に応答して、前記動作パラメータをリアルタイムで最適化することを特徴とする請求項１９４記載のシステム。

【請求項200】

前記第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、前記第１のニューラルネットワークが、前記接続されたノード間のデータの双方向のフローを更に促進することを特徴とする請求項１９４記載のシステム。

【請求項201】

最適化される前記動作パラメータは、前記車両の経路、車載オーディオコンテンツ、前記車両の速度、前記車両の加速度、前記車両の減速度、前記経路に沿ったオブジェクトへの接近、及び前記経路に沿った他の車両への接近のうち、少なくとも１つに影響を与えることを特徴とする請求項１９４記載のシステム。

【請求項202】

車両のユーザに対して車両の動作状態のセットを提示するためのシステムであって、
車両動作状態を有する車両と、
前記車両動作状態を判定するために、１つ又は複数の入力から車両パラメータデータを受信するデジタルツインと、
前記車両の前記ユーザに前記車両動作状態を提示するための、前記デジタルツイン用のインターフェースと、を含み、
前記デジタルツインは、識別されたユーザのモバイルデバイスを介した表示及び設定のために前記デジタルツインが自動的に提供されるように、ユーザのアイデンティティにリンクされていることを特徴とするシステム。

【請求項203】

車両の動作状態のセットとライダーのユーザ体験状態のセットとに基づいて、車両体験を設定するためのシステムであって、
車両動作状態を有する車両と、
ユーザ体験状態を有するライダーと、
前記車両と前記ライダーとの複合状態を判定し、該複合状態に基づいて前記車両体験を設定するために、１つ又は複数の入力から車両パラメータデータ及びライダーユーザ体験データを受信するデジタルツインシステムと、を含むことを特徴とするシステム。

【請求項204】

車両の動作状態のセットとドライバーのユーザ体験状態のセットとに基づいて、車両体験を設定するためのシステムであって、
車両動作状態を有する車両と、
ユーザ体験状態を有するドライバーと、
前記車両と前記ドライバーとの結合状態を判定し、該結合状態に基づいて前記車両体験を設定するために、１つ又は複数の入力から車両パラメータデータ及びドライバーユーザ体験データを受信するデジタルツインシステムと、を含むことを特徴とするシステム。

【請求項205】

前記車両動作状態は、車両物理的状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項206】

前記車両動作状態は、車両メンテナンス状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項207】

前記車両動作状態は、車両エネルギー利用状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項208】

前記車両動作状態は、車両コンポーネント状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項209】

前記車両動作状態は、車両環境状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項210】

前記ドライバーユーザ体験状態は、ドライバー生理的状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項211】

前記ドライバーユーザ体験状態は、ドライバー心理的状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項212】

前記ドライバーユーザ体験状態は、ドライバー物理的状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項213】

前記ドライバーユーザ体験状態は、ドライバー位置状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項214】

前記ドライバーユーザ体験状態は、ドライバー感情状態を含むことを特徴とする請求項２０４記載のシステム。

【請求項215】

前記車両が自律型車両であることを特徴とする請求項２０４記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願との相互参照）
本出願は、２０２０年３月２日に出願された「Intelligent Transportation Systems including Digital Twin Interface for a Passenger Vehicle」と題する米国仮出願番号６２／９８４，２２５の優先権を主張し、また、２０２０年８月２４日に出願された「Information Technology Systems and Methods for Transportation Artificial Intelligence Leveraging Digital Twins」と題する米国仮出願番号６３／０６９，５３７の優先権を主張し、これらはそれぞれその全体を完全に本書に記載するかのように参照により組み込まれる。

【0002】

本開示は、乗用車のデジタルツインに関し、より詳細には、車両のユーザに対して車両の一連の状態を示すための設定可能なデジタルツインインターフェースに関する。

【背景技術】

【0003】

デジタルツインは、機械、物理デバイス、システム、プロセス、人などに関するデジタルな情報の構成体である。一度作成されたデジタルツインは、実世界のシステムのデジタル表現で機械を表現するために使用することができる。デジタルツインは、対応する機械と形状や動作が同じになるように作成される。更に、デジタルツインは、より大きなシステム内の機械の状態を反映させることができる。例えば、機械にセンサを設置して、物理オブジェクトからリアルタイム（又は略リアルタイム）のデータを取得し、遠方のデジタルツインに中継することができる。

【0004】

一般的に、デジタルツインは、仮想世界内で機械や物理デバイスの動作をシミュレートしたり、模倣したりするために使用される。その際、デジタルツインは、機械の構造部品を表示したり、ライフサイクルや設計のステップを示したり、ユーザインターフェースを介して閲覧可能であったりする。

【0005】

デジタルツインは、自動車産業において様々な用途に活用されている。このようなツインは、設計者や製品開発者が新車を開発する際に使用される。デジタルツインによって、エンジニアは自動車の新しい安全機能をモデル化してテストすることができ、製造業者は自動車の様々なコンポーネントやサブシステムを改良することができるようになる。しかしながら、自動車の所有者やドライバーを含むユーザの顧客体験を管理し、向上させるためのデジタルツインの応用は限定的であった。更に、デジタルツインのインターフェースはかなり原始的であり、通常は、ユーザのプロファイルに基づいてインターフェースを構成又はカスタマイズするためのオプションを提供していない。出願人は、乗用車のデジタルツインシステムに対するニーズ及び機会を認識した。

【発明の概要】

【0006】

特に、本明細書で提供されるのは、個別に又は集合的に輸送システムの進歩を可能にする方法、システム、コンポーネント、プロセス、モジュール、ブロック、回路、サブシステム、物品、及び他の要素（場合によっては集合的に「プラットフォーム」又は「システム」と呼ばれ、これらの用語は、文脈上そうでない場合を除き上記のいずれをも包含すると理解すべきである）である。

【0007】

実施形態において、車両の動作状態のセットを車両のユーザに示すためのシステムは、車両動作状態を有する車両の一部と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両のユーザに提示するためのデジタルツインシステムのインターフェースと、を含む。

【0008】

実施形態において、車両動作状態は、車両メンテナンス状態である。実施形態において、車両動作状態は、車両エネルギー利用状態である。実施形態において、車両動作状態は、車両ナビゲーション状態である。実施形態において、車両動作状態は、車両コンポーネント状態である。実施形態において、車両動作状態は、車両ドライバー状態である。実施形態において、デジタルツインシステムの入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両外部のシステムのうちの少なくとも１つを含む。

【0009】

実施形態において、システムは、車両のユーザのアイデンティティ（identities）及び役割（role）のセットを管理するためのアイデンティティ管理システムを含む。実施形態において、アイデンティティ管理システムは、デジタルツインシステムを閲覧、修正、及び設定する機能を含み、車両のユーザのアイデンティティのセットからのアイデンティティに基づく。実施形態において、デジタルツインシステムは、車両の外部のシステムに５Ｇ接続を提供する車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力される（populated）。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへ内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車載人工知能システムへ５Ｇ接続を提供する車両のエッジインテリジェンスシステムから、ＡＰＩを介して入力される。

【0010】

実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動（usage activity）の訓練セットに基づいて、人工知能システムにより自動的に構成される。実施形態において、デジタルツインシステムは、ドライバーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に構成される。実施形態において、デジタルツインシステムは、ライダー（rider、乗り手）ユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に構成される。

【0011】

実施形態において、システムは、ライダーユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するライダーユーザの検出された満足状態を検出する第１のニューラルネットワークと、ライダーユーザの好ましい満足状態を達成するために、ライダーユーザの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0012】

実施形態において、ライダーユーザの検出された満足状態は、ライダーユーザの検出された感情状態である。実施形態において、ライダーユーザの好ましい満足状態は、ライダーユーザの好ましい感情状態である。実施形態において、第１のニューラルネットワークは、リカレントニューラルネットワークであり、第２のニューラルネットワークは、放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであり、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両の動作状態とライダーユーザのライダー満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるライダーユーザの検出された満足状態の検出に応答して、動作パラメータをリアルタイムで最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0013】

実施形態において、車両の一連の状態を車両のユーザに提示する方法は、１つ以上の入力から車両の１つ以上のコンポーネントのパラメータデータを取得すること、車両の１つ以上の動作状態を生成するために車両のデジタルツインをパラメータデータで更新すること、車両の１つ以上の動作状態を車両のユーザへ提示するためのインターフェースを提供すること、を含む。

【0014】

実施形態において、１つ以上の車両動作状態は、車両メンテナンス状態、車両エネルギー利用状態、車両ナビゲーション状態、車両コンポーネント状態、或いは車両ドライバー状態のうち、１つ以上を含む。実施形態において、デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、１つ以上を含む。

【0015】

実施形態において、本方法は、車両のユーザのアイデンティティ及び役割のセットを管理すること、及び車両のユーザのアイデンティティのセットからのアイデンティティに基づいて、デジタルツインシステムを設定すること、を含む。

【0016】

実施形態において、本方法は、車両の外部のシステムへの５Ｇ接続、車両のセンサ及びデータソースのセットへの内部５Ｇ接続、又は車載人工知能システムへの５Ｇ接続のうち、１つ以上を有するように構成された車両のエッジインテリジェンスシステムから、ＡＰＩを介してデジタルツインシステムに入力を行うことを含む。

【0017】

実施形態において、本方法は、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムでデジタルツインシステムを自動的に設定することを含む。

【0018】

実施形態において、本方法は、ライダーユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータを、第１のニューラルネットワークを使用して分析することによって、車両に搭乗するライダーユーザの検出された満足状態を検出すること、及びライダーユーザの好ましい満足状態を達成するために、ライダーユーザの検出された満足状態に応じて車両の動作パラメータを第２のニューラルネットワークを使用して最適化すること、を含む。

【0019】

実施形態において、ライダーユーザの検出された満足状態は、ライダーユーザの検出された感情状態である。実施形態において、ライダーユーザの好ましい満足状態は、ライダーユーザの好ましい感情状態である。

【0020】

実施形態において、第１のニューラルネットワークは、リカレントニューラルネットワークであり、第２のニューラルネットワークは、放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであり、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークによる動作パラメータの最適化は、車両動作状態とライダーユーザのライダーユーザ満足状態との間の相関関係に基づいて行われる。実施形態において、第２のニューラルネットワークによる動作パラメータの最適化は、第１のニューラルネットワークによるライダーユーザの検出された満足状態の検出に応答して行われる。

【0021】

実施形態において、本方法は、第１のニューラルネットワークを使用して、有向サイクルを形成する１つ又は複数の接続されたノードを形成することを含む。実施形態において、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0022】

実施形態において、車両のデジタルツインを生成するためのコンピュータ実装される方法は、インターフェースを介して、車両のユーザから車両の状態情報を表示する要求を受信すること；１つ以上のプロセッサを用いて、車両の状態情報に基づく１つ以上のユーザ入力に基づいて車両のデジタルツイン表現を生成すること；インターフェースを用いて、車両のデジタルツイン表現を用いて車両の状態情報を表示すること、を含む。実施形態において、車両の状態情報は、車両メンテナンス状態、車両エネルギー利用状態、車両ナビゲーション状態、車両コンポーネント状態、或いは車両ドライバー状態のうち、１つ以上を含む。実施形態において、デジタルツイン表現のためのユーザ入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、１つ以上を含む。

【0023】

実施形態において、本方法は、車両のユーザのアイデンティティ及び役割のセットを管理すること、及び車両のユーザのアイデンティティのセットからのアイデンティティに基づいて、デジタルツイン表現を構成すること、を含む。実施形態において、本方法は、車両の外部のシステムへの５Ｇ接続、車両のセンサ及びデータソースのセットへの内部５Ｇ接続、或いは車載人工知能システムへの５Ｇ接続のうち、１つ以上を備えて構成された車両のエッジインテリジェンスシステムから、ＡＰＩを介してデジタルツイン表現を入力することを含む。実施形態において、本方法は、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムでデジタルツイン表現を自動的に構成することを含む。

【0024】

実施形態において、車両のドライバーに車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両の一部と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両のドライバーに提示するためのデジタルツインシステム用のインターフェースと、を含む。

【0025】

実施形態において、デジタルツインシステム用のインターフェースは、車両のモデルの三次元レンダリングを示す３Ｄビューをドライバーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、近くの車両、歩行者、及びインフラストラクチャとのリアルタイムの情報交換を通じて、状況認識を向上させるためのナビゲーションビューをドライバーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、利用率及びバッテリーの健全性を含む車両内のバッテリー／燃料の状態を判定するためのエネルギービューをドライバーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて車両の状態及びブルーブック（blue book）の価値（value）を表示するための価値ビューをドライバーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のコンポーネントの摩耗及び故障を表示し、車両状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューをドライバーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、仮想現実（ＶＲ）環境に没入した車両を示すためのワールドビューをドライバーに提供する。実施形態において、車両動作状態は車両メンテナンス状態である。実施形態において、車両動作状態は車両エネルギー利用状態である。実施形態において、車両動作状態は車両ナビゲーション状態である。実施形態において、車両動作状態は車両コンポーネント状態である。実施形態において、車両動作状態は車両ドライバー状態である。実施形態において、デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両外部のシステムのうち、少なくとも１つを含む。

【0026】

実施形態において、システムは、車両のユーザのアイデンティティ及び役割のセットを管理するためのアイデンティティ管理システムを含む。実施形態において、アイデンティティ管理システムは、デジタルツインシステムを閲覧、修正、及び構成する機能を含み、車両のユーザのアイデンティティのセットからのアイデンティティに基づく。実施形態において、デジタルツインシステムは、車両の外部のシステムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。

【0027】

実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ドライバーによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ドライバーによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。

【0028】

実施形態において、システムは、ドライバーの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するドライバーの検出された満足状態を検出する第１のニューラルネットワークと、ドライバーの好ましい満足状態を達成するために、ドライバーの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0029】

実施形態において、ドライバーの検出された満足状態は、ドライバーの検出された感情状態である。実施形態において、ドライバーの好ましい満足状態は、ドライバーの好ましい感情状態である。実施形態において、第１のニューラルネットワークはリカレントニューラルネットワークであり、第２のニューラルネットワークは放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであり、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両動作状態とドライバーのドライバー満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるドライバーの検出された満足状態の検出に応答して、動作パラメータをリアルタイムで最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0030】

実施形態において、車両の製造業者に車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両の製造業者に提示するためのデジタルツインシステム用のインターフェースと、を含む。

【0031】

実施形態において、デジタルツインシステム用のインターフェースは、生成設計技法（generative design techniques）を通じて新しい車両モデルの最適システムアーキテクチャの一部を決定する際に、製造業者に情報を提供するための設計ビューを製造業者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、製造業者が車両とそのコンポーネント及びサブシステムとの性能を最適化するために規範（prescriptive）モデルを実行することを可能にするための、アセンブリビューの一部を製造業者に提供する。実施形態において、インターフェースは、製造業者が実世界の状況において車両及びそのコンポーネントを品質試験するためにシミュレーションを実行することを可能にするための、品質ビューの一部を製造業者に提供する。実施形態において、インターフェースは、製造業者がデータ分析を実行して広範囲のメトリクス（metrics）を計算し、チャート、グラフ、及びモデルを構築し、車両及びそのコンポーネントのパラメータの変化の車両性能への影響を可視化できるようにするための、リアルタイム分析ビューを製造業者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のモデルの三次元レンダリングを示す３Ｄビューを製造業者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、利用率及びバッテリーの健全性を含む車両内のバッテリー／燃料の状態を判定するためのエネルギービューを製造業者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて車両の状態及びブルーブックの価値を表示するための価値ビューを製造者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のコンポーネントの摩耗及び故障を表示し、車両状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューを製造業者に提供する。実施形態において、車両動作状態は、車両メンテナンス状態である。実施形態において、車両動作状態は、車両エネルギー利用状態である。実施形態において、車両動作状態は、車両ナビゲーション状態である。実施形態において、車両動作状態は、車両コンポーネント状態である。実施形態において、車両動作状態は、車両ドライバー状態である。実施形態において、デジタルツインシステムのための１つ以上の入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、少なくとも１つを含む。

【0032】

実施形態において、システムは、通信のための同意が製造業者に付与された、車両のユーザのアイデンティティ及び役割のセットを管理するアイデンティティ管理システムを含む。実施形態において、アイデンティティ管理システムは、デジタルツインシステムを閲覧、修正、及び構成する機能を含み、車両のユーザのアイデンティティのセットからのアイデンティティに基づくものである。実施形態において、デジタルツインシステムは、車両の外部のシステムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ドライバー又は製造業者の一方による使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。

【0033】

実施形態において、システムは、ユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するユーザの検出された満足状態を検出する第１のニューラルネットワークと、ユーザの好ましい満足状態を達成するために、ユーザの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0034】

実施形態において、ユーザの検出された満足状態は、ユーザの検出された感情状態である。実施形態において、ユーザの好ましい満足状態は、ユーザの好ましい感情状態である。実施形態において、第１のニューラルネットワークはリカレントニューラルネットワークであり、第２のニューラルネットワークは、放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両動作状態とユーザの満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるユーザの検出された満足状態の検出に応答して、リアルタイムで動作パラメータを最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0035】

実施形態において、車両のディーラーに車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両のディーラーに提示するためのデジタルツインシステム用のインターフェースと、を含む。実施形態において、インターフェースは、利用可能なコンポーネントのセットから互換性のあるコンポーネント及びサブシステムの組み合わせを選ぶことによって、潜在的な顧客の好みに基づいて車両を構成するためのコンフィギュレータビューをディーラーに提供する。実施形態において、インターフェースは、ドライバー又はライダーの好みに基づいて車両の性能を個人用設定にするために、１つ又は複数のコンポーネントの特性を変更又は調整するための性能調整ビューをディーラーに提供する。

【0036】

実施形態において、コンポーネントの１つは車両のエンジンである。実施形態において、コンポーネントの１つ又は複数は、車両のサスペンションである。実施形態において、コンポーネントの１つは車両のボディである。

【0037】

実施形態において、インターフェースは、車両の潜在的な顧客が車両を仮想的に試乗することを可能にするための、試乗ビューをディーラーに提供する。実施形態において、車両は中古車両である。

【0038】

実施形態において、インターフェースは、ディーラーが潜在的な顧客に対して車両の状態に関する証明を提供することを可能にするための、証明ビューをディーラーに提供する。実施形態において、車両は中古車両である。

【0039】

実施形態において、インターフェースは、ディーラーが実世界の状況で車両及びそのコンポーネントを品質試験するためにシミュレーションを実行することを可能にするための、品質ビューの一部をディーラーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のモデルの三次元レンダリングを示す３Ｄビューをディーラーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて車両の状態及びブルーブックの価値を表示するための価値ビューをディーラーに提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のコンポーネントの摩耗及び故障を表示し、車両状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューをディーラーに提供する。

【0040】

実施形態において、車両動作状態は、車両メンテナンス状態である。実施形態において、車両動作状態は、車両エネルギー利用状態である。実施形態において、車両動作状態は、車両ナビゲーション状態である。実施形態において、車両動作状態は、車両コンポーネント状態である。実施形態において、車両動作状態は、車両ドライバー状態である。実施形態において、デジタルツインシステムのための入力の１つ以上は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、少なくとも１つを含む。

【0041】

実施形態において、システムは、通信のための同意がディーラーに付与された車両のユーザのアイデンティティ及び役割のセットを管理するためのアイデンティティ管理システムを含む。実施形態において、アイデンティティ管理システムは、デジタルツインシステムを閲覧、修正、及び設定する機能を含み、それは、車両のユーザのアイデンティティのセットからのアイデンティティに基づく。

【0042】

実施形態において、デジタルツインシステムは、車両の外部のシステムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。

【0043】

実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ドライバー又はディーラーの一方による使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。

【0044】

実施形態において、システムは、ユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するユーザの検出された満足状態を検出する第１のニューラルネットワークと、ユーザの好ましい満足状態を達成するために、ユーザの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0045】

実施形態において、ユーザの検出された満足状態は、ユーザの検出された感情状態である。実施形態において、ユーザの好ましい満足状態は、ユーザの好ましい感情状態である。実施形態において、第１のニューラルネットワークはリカレントニューラルネットワークであり、第２のニューラルネットワークは放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両動作状態とユーザの満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるユーザの検出された満足状態の検出に応答して、リアルタイムで動作パラメータを最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0046】

実施形態において、車両の所有者に車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両の所有者に提示するためのデジタルツインシステム用のインターフェースと、を含む。

【0047】

実施形態において、デジタルツインシステム用のインターフェースは、１台以上の車両の移動／経路／状態を追跡及び監視するための、フリート監視ビューを所有者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、ドライバーによる安全でない又は危険な運転の事例を所有者が監視することを可能にするための、ドライバー行動監視ビューを所有者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて車両の保険契約の見積りを判定する際に所有者を支援するための保険ビューを所有者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて、排気ガス／汚染物質及び他の規制規範に関するコンプライアンス状態を示すための、コンプライアンスビューを所有者に提供する。実施形態において、インターフェースは、所有者の好みに基づいて車両の性能を個人用設定にするために、１つ又は複数のコンポーネントの特性を変更又は調整するための性能調整ビューを所有者に提供する。

【0048】

実施形態において、コンポーネントの１つは車両のエンジンである。実施形態において、コンポーネントの１つ又は複数は、車両のサスペンションである。実施形態において、コンポーネントの１つは車両のボディである。

【0049】

実施形態において、デジタルツインシステム用のインターフェースは、所有者に対して、車両のモデルの三次元レンダリングを示す３Ｄビューを提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両の状態に基づいて車両の状態及びブルーブックの価値を表示するための価値ビューを所有者に提供する。実施形態において、デジタルツインシステム用のインターフェースは、車両のコンポーネントの摩耗及び故障を表示し、車両状態の条件に基づいてサービス、修理、又は交換の必要性を予測するための、サービス及びメンテナンスビューを所有者に提供する。実施形態において、車両動作状態は、車両メンテナンス状態である。実施形態において、車両動作状態は、車両エネルギー利用状態である。実施形態において、車両動作状態は、車両ナビゲーション状態である。実施形態において、車両動作状態は、車両コンポーネント状態である。実施形態において、車両動作状態は、車両ドライバー状態である。実施形態において、デジタルツインシステムのための入力の１つ以上は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、少なくとも１つを含む。実施形態において、デジタルツインシステムは、車両の外部のシステムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。

【0050】

実施形態において、デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、所有者による使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。

【0051】

実施形態において、システムは、ユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するユーザの検出された満足状態を検出する第１のニューラルネットワークと、ユーザの好ましい満足状態を達成するために、ユーザの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0052】

実施形態において、ユーザの検出された満足状態は、ユーザの検出された感情状態である。実施形態において、ユーザの好ましい満足状態は、ユーザの好ましい感情状態である。実施形態において、第１のニューラルネットワークはリカレントニューラルネットワークであり、第２のニューラルネットワークは放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両動作状態とユーザの満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるユーザの検出された満足状態の検出に応答して、リアルタイムで動作パラメータを最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0053】

実施形態において、車両のライダーに車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインシステムと、車両動作状態を車両のライダーに提示するためのデジタルツインシステム用のインターフェースと、を含む。

【0054】

実施形態において、インターフェースは、ライダーの好みに基づいて乗車（riding experience）を個人用設定にするための体験モードをライダーが選択することを可能にするための、体験最適化ビューをライダーに対して提供する。

【0055】

実施形態において、体験モードは快適モードを含む。実施形態において、体験モードはスポーツモードを含む。実施形態において、体験モードは高効率モードを含む。実施形態において、体験モードは作業モードを含む。実施形態において、体験モードはエンターテイメントモードを含む。実施形態において、体験モードはスリープモードを含む。実施形態において、体験モードはリラクゼーションモードを含む。実施形態において、体験モードは長距離旅行モードを含む。

【0056】

実施形態において、車両の動作状態のセットを車両のユーザに提示するためのシステムは、車両の動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインと、車両動作状態を車両のユーザに提示するためのデジタルツイン用のインターフェースと、車両のユーザのアイデンティティ及び役割のセットを管理し、アイデンティティ及び役割のセットの解析に基づいてデジタルツインを閲覧、変更、及び設定する機能を決定するアイデンティティ管理システムと、を含む。

【0057】

実施形態において、車両動作状態は、車両メンテナンス状態である。実施形態において、車両動作状態は、車両エネルギー利用状態である。実施形態において、車両動作状態は、車両ナビゲーション状態である。実施形態において、車両動作状態は、車両コンポーネント状態である。実施形態において、車両動作状態は、車両ドライバー状態である。実施形態において、デジタルツインシステムのための入力は、車載診断システム、遠隔測定システム、車両設置センサ、或いは車両の外部のシステムのうち、少なくとも１つを含む。

【0058】

実施形態において、システムは、車両のユーザのアイデンティティ及び役割のセットを管理するためのアイデンティティ管理システムを含む。実施形態において、アイデンティティ管理システムは、デジタルツインシステムを閲覧、修正、及び設定する機能を含み、それは、車両のユーザのアイデンティティのセットからのアイデンティティに基づくものである。

【0059】

実施形態において、デジタルツインシステムは、車両の外部のシステムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車両のセンサ及びデータソースのセットへの内部５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。実施形態において、デジタルツインシステムは、車載人工知能システムへの５Ｇ接続を提供する車両のエッジインテリジェンスシステムからＡＰＩを介して入力される。

【0060】

実施形態において、デジタルツインシステムは、デジタルツインユーザのセットによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ドライバーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。実施形態において、デジタルツインシステムは、ライダーユーザによる使用活動の訓練セットに基づいて、人工知能システムにより自動的に設定される。

【0061】

実施形態において、システムは、ライダーユーザの生理的状態を収集するために車両に配備されたセンサから収集されたデータの分析を通じて、車両に搭乗するライダーユーザの検出された満足状態を検出する第１のニューラルネットワークと、ライダーユーザの好ましい満足状態を達成するために、ライダーユーザの検出された満足状態に応じて車両の動作パラメータを最適化する第２のニューラルネットワークと、を含む。

【0062】

実施形態において、ライダーユーザの検出された満足状態は、ライダーユーザの検出された感情状態である。実施形態において、ライダーユーザの好ましい満足状態は、ライダーユーザの好ましい感情状態である。実施形態において、第１のニューラルネットワークはリカレントニューラルネットワークであり、第２のニューラルネットワークは放射基底関数ニューラルネットワークである。実施形態において、ニューラルネットワークの少なくとも１つは、ハイブリッドニューラルネットワークであって、畳み込みニューラルネットワークを含む。実施形態において、第２のニューラルネットワークは、車両動作状態とライダーユーザのライダー満足状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、第２のニューラルネットワークは、第１のニューラルネットワークによるライダーユーザの検出された満足状態の検出に応答して、動作パラメータをリアルタイムで最適化する。実施形態において、第１のニューラルネットワークは、有向サイクルを形成する複数の接続されたノードを含み、第１のニューラルネットワークは、接続されたノード間のデータの双方向のフローを更に促進する。実施形態において、最適化される動作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速度、経路に沿ったオブジェクトへの接近、及び経路に沿った他の車両への接近のうち、少なくとも１つに影響を与える。

【0063】

実施形態において、車両のユーザに対して車両の動作状態のセットを提示するためのシステムは、車両動作状態を有する車両と、車両動作状態を判定するために１つ以上の入力から車両パラメータデータを受け取るデジタルツインと、車両動作状態を車両のユーザに提示するためのデジタルツイン用のインターフェースと、を含む。実施形態において、デジタルツインは、識別されたユーザのモバイルデバイスを介した表示及び設定のためにデジタルツインが自動的に提供されるように、ユーザのアイデンティティにリンクされる。

【0064】

実施形態において、車両の動作状態のセット及びライダーのユーザ体験状態のセットに基づいて車両体験（vehicle experience）を設定するためのシステムは、車両動作状態を有する車両と、ユーザ体験状態を有するライダーと、車両及びライダーの複合状態（combined state）を判定するために１つ以上の入力から車両パラメータデータ及びライダーユーザ体験データを受信し、複合状態に基づいて車両体験を設定するデジタルツインシステムと、を含む。

【0065】

実施形態において、車両の動作状態のセット及びドライバーのユーザ体験状態のセットに基づいて車両体験を設定するためのシステムは、車両動作状態を有する車両と、ユーザ体験状態を有するドライバーと、車両及びドライバーの複合状態を判定するために１つ以上の入力から車両パラメータデータ及びドライバーユーザ体験データを受信し、複合状態に基づいて車両体験を設定するデジタルツインシステムと、を含む。

【0066】

実施形態において、車両動作状態は、車両物理的状態を含む。実施形態において、車両動作状態は、車両メンテナンス状態を含む。実施形態において、車両動作状態は、車両エネルギー利用状態を含む。実施形態において、車両動作状態は、車両コンポーネント状態を含む。実施形態において、車両動作状態は、車両環境状態を含む。実施形態において、ドライバーユーザ体験状態は、ドライバー生理的状態を含む。実施形態において、ドライバーユーザ体験状態は、ドライバー心理的状態を含む。実施形態において、ドライバーユーザ体験状態は、ドライバー物理的状態を含む。実施形態において、ドライバーユーザ体験状態は、ドライバー位置状態を含む。実施形態において、ドライバーユーザ体験状態は、ドライバー感情状態を含む。実施形態において、車両は自律型車両である。

【0067】

本明細書に開示された方法からの特徴及び／又は本明細書に開示されたシステムからの特徴の、任意の組み合わせが一緒に使用されてもよいこと、及び／又は、これらの態様のいずれか又は全てからの任意の特徴が、本開示に記載されるような利点を達成するために本明細書に開示された実施形態及び／又は例の特徴のいずれかと組み合わされ得ることは、理解されるであろう。

【図面の簡単な説明】

【0068】

添付した図において、同様の参照数字は、個々の図全体を通して同一又は機能的に同様の要素を示し、以下の詳細な説明と共に本明細書に組み込まれ、その一部を構成し、様々な実施形態をさらに説明するのに役立ち、本明細書に開示するシステム及び方法に従って、様々な原理及び利点をすべて説明するのに役立つ。

【0069】

【図1】本開示の様々な実施形態に関連する特定の例示的な構成要素及び配置を示す輸送システムのためのアーキテクチャを示す斜視図である。

【0070】

【図2】本開示の様々な実施形態に関連する車両のパワートレイン構成要素を最適化するためのハイブリッドニューラルネットワークの使用を示す斜視図である。

【0071】

【図3】本開示の様々な実施形態に関連するエキスパートシステム／人工知能（ＡＩ）システムへの入力として提供され、及び／又はそれによって支配され得る状態のセットを示す図解的な図である。

【0072】

【図4】本開示を通じて説明されるようなエキスパートシステムもしくはＡＩシステム、又はそのコンポーネントによって入力として取られ得る、又は本開示の様々な実施形態に関連するそのようなシステム及び／又は１つもしくは複数のセンサ、カメラ、もしくは外部システムからの出力として提供され得るパラメータの範囲を示す図解的図面である。

【0073】

【図5】本開示の様々な実施形態に関連する車両ユーザインターフェースのセットを示す斜視図である。

【0074】

【図6】本開示の様々な実施形態に関連する輸送システム構成要素間のインターフェースのセットを示す斜視図である。

【0075】

【図7】本開示の様々な実施形態に関連する様々なソースからのデータを処理し得る、データ処理システムを例示する斜視図である。

【0076】

【図8】本開示の様々な実施形態に関連して本開示を通じて説明される輸送システムの多くの実施形態のうちの１つ以上に関連して実行され得るアルゴリズムのセットを示す斜視図である。

【0077】

【図9】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0078】

【図10】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0079】

【図11】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0080】

【図12】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0081】

【図13】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0082】

【図14】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0083】

【図15】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0084】

【図16】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0085】

【図17】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0086】

【図18】本開示の様々な実施形態に関連する本開示全体を通して説明されるシステムを示す斜視図である。

【0087】

【図19】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0088】

【図20】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0089】

【図21】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0090】

【図22】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0091】

【図23】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0092】

【図24】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0093】

【図25】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0094】

【図26】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0095】

【図26A】本開示の様々な実施形態に関連する本開示全体を通して説明されるシステムを示す斜視図である。

【0096】

【図27】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0097】

【図28】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0098】

【図29】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0099】

【図30】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0100】

【図31】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0101】

【図32】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0102】

【図33】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0103】

【図34】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0104】

【図35】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0105】

【図36】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0106】

【図37】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0107】

【図38】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0108】

【図39】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0109】

【図40】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0110】

【図41】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0111】

【図42】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0112】

【図43】本開示の様々な実施形態に関連する本開示を通じて説明される方法を示す斜視図である。

【0113】

【図44】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0114】

【図45】本開示の様々な実施形態に関連する本開示を通じて説明されるシステム及び方法を例示する斜視図である。

【0115】

【図46】本開示の様々な実施形態に関連する本開示を通じて説明されるシステム及び方法を例示する斜視図である。

【0116】

【図47】本開示の様々な実施形態に関連する本開示を通じて説明されるシステム及び方法を例示する斜視図である。

【0117】

【図48】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0118】

【図49】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0119】

【図50】本開示の様々な実施形態に関連する本開示を通じて説明される方法を示す斜視図である。

【0120】

【図51】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0121】

【図52】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0122】

【図53】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0123】

【図54】本開示の様々な実施形態に関連する本開示を通じて説明される方法を説明する斜視図である。

【0124】

【図55】本開示の様々な実施形態に関連する本開示を通じて説明される方法を例示する斜視図である。

【0125】

【図56】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0126】

【図57】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0127】

【図58】本開示の様々な実施形態に関連する本開示を通じて説明されるシステムを例示する斜視図である。

【0128】

【図59】本開示の様々な実施形態に関連する特定の例示的な構成要素及び配置を示す車両のデジタルツインシステムを含む輸送システムのためのアーキテクチャを示す斜視図である。

【0129】

【図60】本開示の特定の実施形態による、アイデンティティ及びアクセス管理システムと統合されたデジタルツインシステムの概略図である。

【0130】

【図61】本開示の様々な実施形態に関連する車両のドライバーのユーザデバイス上に提示されるデジタルツインシステムのインターフェースの概略図である。

【0131】

【図62】本開示の例示的な実施形態によるインターフェースの１つ以上のビュー及びモードを使用したドライバーとデジタルツインとの間の相互作用を示す概略図である。

【0132】

【図63】本開示の様々な実施形態に従って、車両の製造者のユーザ装置に提示されるデジタルツインシステムのインターフェースの概略図である。

【0133】

【図64】本開示の例示的な実施形態に従って、製造者がデジタルツインインターフェースの品質ビューを使用して、シミュレーションを実行し、車両の品質試験のためのｗｈａｔ－ｉｆシナリオを生成するシナリオを描いている。

【0134】

【図65】車両のディーラーのユーザデバイスに提示されるデジタルツインシステムのインターフェースの概略図である。

【0135】

【図66】例示的な実施形態による、車両を購入する顧客の経験をパーソナライズすることを目的とした、１つ又は複数のビューを用いたディーラーとデジタルツインの間の対話を説明する図である。

【0136】

【図67】本開示の様々な実施形態による、ドライバー、車両の製造者及びディーラーを含む車両のユーザに提示されるサービス＆メンテナンスビューを説明する図である。

【0137】

【図68】例示的な実施形態による、車両の故障を検出し、将来のあらゆる故障を予測するためにデジタルツインによって使用される方法である。

【0138】

【図69】本開示の例示的な実施形態による、車両に予知保全を行うためのデジタルツインシステムを有する車両のアーキテクチャを示す斜視図である。

【0139】

【図70】本開示の様々な実施形態による、車両のデジタルツインを生成するための方法を示すフローチャートである。

【0140】

【図71】本開示の様々な実施形態による、車両及びデジタルツインシステムを含む輸送システムの代替アーキテクチャを示す斜視図である。

【0141】

【図72】本開示の特定の実施形態による、車両と車両のドライバーの両方の状態のセットの組み合わせを表すデジタルツインを示す図である。

【0142】

【図73】例示的な実施形態に従って、統合された車両及びドライバーのデジタルツインが車両体験を構成し得るシナリオを示す模式図である。

【0143】

【図74】本開示のいくつかの実施形態による、デジタルツインを活用した交通人工知能のための情報技術システムの一部の例を示す概略図である。

【0144】

熟練した当業者は、図中の要素は、単純化及び明確化のために図示されており、必ずしも縮尺通りに描かれていないことを理解するであろう。例えば、図中のいくつかの要素の寸法は、本明細書に開示されるシステム及び方法の多くの実施形態の理解を向上させるのに役立つように、他の要素に対して誇張されている場合がある。

【発明を実施するための形態】

【0145】

次に、添付の図面及び展示物を参照して、その様々な例示的、非限定的な実施形態を説明することにより、本開示を詳細に説明する。しかしながら、本開示は、多くの異なる形態で具体化されてもよく、本明細書に記載された例示的な実施形態に限定されるものと解釈されるべきではない。むしろ、実施形態は、この開示が徹底され、当業者に本開示の概念を完全に伝えるように提供される。本開示の真の範囲を確認するために、特許請求の範囲を参照すべきである。

【0146】

本明細書に開示されたシステム及び方法に従う実施形態を詳細に説明する前に、実施形態は主に方法及び／又はシステム構成要素の組み合わせに存在することを観察されたい。したがって、システム構成要素及び方法は、図面において従来の記号によって適宜表されており、本明細書に開示されるシステム及び方法の実施形態を理解するのに適切な特定の詳細のみを示している。

【0147】

本書に記載されたすべての文書は、参照することによりその全体が本書に組み込まれる。単数形の項目への言及は、そうでないことが明示されているか、文脈から明らかでない限り、複数形の項目を含むと理解されるべきであり、その逆も同様である。文法的接続詞は、特に断りのない限り、又は文脈から明らかな場合を除き、結合された節、文、語などの任意の及びすべての接続的な組み合わせを表現することを意図している。したがって、「又は」という用語は、文脈上明らかにそうでない場合を除き、一般に「及び／又は」等を意味すると理解されるべきである。

【0148】

本明細書における値の範囲の暗唱は、限定することを意図しておらず、代わりに、本明細書で特に示されない限り、範囲内に入る任意の及びすべての値を個別に参照し、そのような範囲内の各個別の値は、本明細書に個別に記載されているかのように本明細書に組み入れられる。数値を伴う場合の「約」、「約」等の語は、意図された目的のために満足に動作するように当業者に理解されるであろう偏差を示すものとして解釈される。数値の範囲及び／又は数値は、本明細書において例としてのみ提供され、記載された実施形態の範囲を制限するものではない。本明細書で提供される任意の及び全ての例、又は例示的な言語（「例えば」、「例えば」等）の使用は、単に実施形態をより良く照らすことを目的としており、実施形態又は請求項の範囲に対する制限をもたらすものでない。本明細書におけるいかなる文言も、実施形態の実施に不可欠なものとして、請求されていない要素を示すものとして解釈されるべきではない。

【0149】

以下の説明において、「第１」、「第２」、「第３」、「上」、「下」などの用語は便宜上の言葉であり、明示的に別段の記載がない限り、時系列順序を意味するものとして、又は、対応する任意の要素を制限するものとして解釈されないことが理解される。セット」という用語は、単一の部材又は複数の部材を有するセットを包含するものと理解されるべきである。

【0150】

図１を参照すると、輸送システム１１１のためのアーキテクチャが描かれており、本明細書に記載される特定の実施形態に関連する特定の例示的構成要素及び配置が示されている。輸送システム１１１は、パワートレイン１１３、サスペンションシステム１１７、ステアリングシステム、ブレーキシステム、燃料システム、充電システム、座席１２８、燃焼エンジン、電気自動車駆動系、トランスミッション１１９、ギアセットなどの様々な機械、電気、及びソフトウェアコンポーネントとシステムを含む１つ又は複数の車両１１０を含んでもよい。車両は、車両ユーザインターフェース１２３を有していてもよく、このインターフェースは、本開示を通じて説明したように、ステアリングシステム、ボタン、レバー、タッチスクリーンインターフェース、オーディオインターフェースなどを含む一組のインターフェースを含んでいてもよい。車両は、１つ以上のニューラルネットワーク（本明細書に記載のハイブリッドニューラルネットワーク１４７を含んでもよい）など、本開示を通じて説明されるエキスパートシステム／人工知能機能に入力を提供するためなど、一組のセンサ１２５（カメラ１２７を含む）を有していてもよい。センサ１２５及び／又は外部情報は、エキスパートシステム／人工知能（ＡＩ）システム１３６に通知し、本明細書で説明する車両動作状態３４５（図３）、ユーザ体験状態３４６（図３）、及びその他のような１つ又は複数の車両状態１４４を示す又は追跡するためにも使用されてよく、これらはエキスパートシステム／ＡＩ部品のセットに対する入力として又はそこから出力として取られる可能性もある。ルーティング情報１４３は、車内ナビゲーション機能及び外部ナビゲーション機能、たとえばＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎ Ｓｙｓｔｅｍ）、三角測量によるルーティング（セルタワーなど）、他の車両１２１とのピアツーピアルーティングなどの利用を含む、エキスパートシステム／ＡＩシステム１３６に情報を与え、そこから入力を取ってもよい。コラボレーションエンジン１２９は、集団経験の管理、フリートの管理などのために、車両間及び／又は車両のユーザ間のコラボレーションを促進してもよい。車両１１０は、認知無線、セルラー、無線、又は他のネットワーキング機能を使用するなど、ピアツーピア方式で互いの間でネットワーク化されてもよい。ＡＩシステム１３６又は他のエキスパートシステムは、オンボード診断システム、遠隔測定システム、及び他のソフトウェアシステムから、ならびに車両に位置するセンサ１２５から、及び外部システムからのような、広範囲の車両パラメータ１３０を入力として受け取ってもよい。実施形態では、システムは、所定のタスク又は目的を達成するための一連の結果に関する学習のために、特定のユーザ動作を誘発するため、及び／又はＡＩシステム１３６にフィードバックを提供するためなど、一連のフィードバック／報酬１４８、インセンティブなどを管理してもよい。エキスパートシステム又はＡＩシステム１３６は、本明細書に記載されるような多種多様を含むアルゴリズム１４９のセットから出力を通知、使用、管理、又は取り出してもよい。図１に描かれた本開示の実施例では、データ処理システム１６２が、ハイブリッドニューラルネットワーク１４７に接続される。データ処理システム１６２は、様々なソースからのデータを処理してもよい（図７参照）。図１に描かれた本開示の実施例では、システムユーザインタフェース１６３、がハイブリッドニューラルネットワーク１４７に接続されている。インターフェースに関する更なる開示は、図６に関連する以下の開示を参照されたい。図１は、車両周辺１６４が交通システム１１１の一部であってもよいことを示している。車両周辺は、道路、気象条件、照明条件などを含んでもよい。図１は、例えば携帯電話及びコンピュータシステム、ナビゲーションシステムなどのデバイス１６５が、交通システム１１１の様々な要素に接続されてもよく、したがって、本開示の交通システム１１１の一部であってもよいことを示している。

【0151】

図２を参照すると、本明細書で提供されるのは、車両のパワートレイン２１３を最適化するためのハイブリッドニューラルネットワーク２４７を有する輸送システムであって、ハイブリッドニューラルネットワーク２４７の少なくとも２つの部分がパワートレイン２１３の異なる部分を最適化する、輸送システムである。人工知能システムは、動作モデル（エネルギー変換のための物理モデル、電気力学モデル、流体力学モデル、化学モデルなどの他、動的に相互作用する様々なシステムコンポーネントの動作のための機械モデルなど）に基づいて、パワートレイン部品２１５を制御してもよい。例えば、ＡＩシステムは、パワートレイン状態２６１を達成するためにパワートレイン動作パラメータ２６０を操作することによってパワートレイン構成要素２１５を制御してもよい。ＡＩシステムは、結果のデータセット（例えば、燃料効率、安全性、ライダー満足度など）に対する訓練、及び／又はオペレータの動作のデータセット（例えば、センサセット、カメラなど、又は車両情報システムによって感知されたドライバーの動作）に対する訓練によって、パワートレイン構成要素２１５を操作するように訓練されてもよい。実施形態では、１つのニューラルネットワークがパワートレインの１つの部分（例えば、ギアシフト操作のための）を最適化し、別のニューラルネットワークが別の部分（例えば、ブレーキ、クラッチ係合、又はエネルギー放電及び充電など）を最適化する、ハイブリッドアプローチが使用されてもよい。本開示を通じて説明したパワートレイン構成要素のいずれも、ハイブリッドニューラルネットワーク２４７の少なくとも１つの構成要素からの出力からなる制御命令のセットによって制御され得る。

【0152】

図３は、エキスパートシステム／ＡＩシステム３３６への入力として提供され、及び／又はエキスパートシステム／ＡＩシステム３３６によって支配され、さらに、本明細書に記載される様々な実施形態における様々なシステム及びコンポーネントと関連して使用され得る状態の集合を示す。状態３４４は、車両構成状態、コンポーネント状態、診断状態、性能状態、位置状態、メンテナンス状態、及び他の多くのものを含む車両動作状態３４５、ならびに経験特有の状態、ユーザの感情状態３６６、満足状態３６７、位置状態、コンテンツ／エンターテインメント状態、他の多くのものを含むユーザ経験状態３４６を含んでもよい。

【0153】

図４は、本開示を通じて説明されるように、エキスパートシステムもしくはＡＩシステム１３６（図１）、又はそのコンポーネントによって入力として取られ得る、又はそのようなシステム及び／もしくは１つもしくは複数のセンサ１２５（図１）、カメラ１２７（図１）、又は外部システムからの出力として提供され得るパラメータ４３０の範囲を例示するものである。パラメータ４３０は、燃料効率、旅行時間、満足度、財務効率、安全性などに関連するような性能目標４３３などの１つ又は複数の目標４３１又は目的（反復及び／又は機械学習など、エキスパートシステム／ＡＩシステムによって最適化されるべきものなど）を含んでもよい。パラメータ４３０は、商品、サービス、燃料、電気、広告、コンテンツなどの価格、可用性、位置などに関連するような、市場フィードバックパラメータ４３５を含んでもよい。パラメータ４３０は、快適さ４３９、感情状態、満足度、目標、旅行の種類、疲労などに関するパラメータなど、ライダー状態パラメータ４３７を含んでもよい。パラメータ４３０は、交通プロファイル４４０（場所、方向、密度、時間内のパターンなど多くのもの）、道路プロファイル４４１（標高、曲率、方向、路面状態など多くのもの）、ユーザプロファイルなど、様々な交通関連プロファイルのパラメータを含んでもよい。パラメータ４３０は、現在の車両位置、目的地、ウェイポイント、興味のあるポイント、旅行の種類、旅行の目標、必要な到着時間、所望のユーザ体験、及び多くの他のものなどのルーティングパラメータ４４２を含んでもよい。パラメータ４３０は、ライダー（ドライバーを含む）、フリートマネージャー、広告主、商人、所有者、オペレータ、保険会社、規制当局、及びその他に対する満足度パラメータ４４３を含んでもよい。パラメータ４３０は、本開示を通じて説明される多種多様なものを含む、動作パラメータ４４４を含んでもよい。

【0154】

図５は、一組の車両ユーザインターフェース５２３を図示している。車両ユーザインターフェース５２３は、ステアリングインターフェース、ブレーキインターフェース、シート、窓、ムーンルーフ、グローブボックスなどのインターフェースなどの電気機械的インターフェース５６８を含んでもよい。インターフェース５２３は、ゲームインターフェース５６９、ナビゲーションインターフェース５７０、エンターテインメントインターフェース５７１、車両設定インターフェース５７２、検索インターフェース５７３、電子商取引インターフェース５７４などの様々なソフトウェアインターフェース（タッチパネル、ダイヤル、ノブ、ボタン、アイコン又は他の機能を有する場合がある）を含んでもよい。車両インターフェースは、本開示全体を通して実施形態で説明されるような１つ又は複数のＡＩシステム／専門家システムに入力を提供するために使用されてもよく、それによって支配されてもよい。

【0155】

図６は、ホストシステム内のインターフェース（車両又は車両群を管理するなど）、及びホストシステムと１つ又は複数の第三者及び／又は外部システムとの間のホストインターフェース６５０を含む、輸送システムコンポーネント間の一連のインターフェースを示す図である。インターフェースは、図５に関連して指摘したようにライダーによって使用され得る車載インターフェースを含むホストシステムのユーザーのための第三者インターフェース６５５及びエンドユーザーインターフェース６５１、ならびにフリートマネージャー、保険会社、規制当局、警察、広告主、商人、コンテンツプロバイダ、及びその他多数のような他者のためのユーザインターフェースも含まれる。インターフェースは、商人が、広告、提供物に関連するコンテンツ、及びユーザの側の経路誘導又は他の行動を誘発するための１つ以上の報酬を提供し得るような、商人インターフェース６５２を含んでもよい。インターフェースは、アプリケーションプログラミングインターフェース（ＡＰＩ）６５４、ネットワーキングインターフェース、ピアツーピアインターフェース、コネクタ、ブローカー、抽出変換ロード（ＥＴＬ）システム、ブリッジ、ゲートウェイ、ポートなどの機械インターフェース６５３を含んでもよい。インターフェースは、神経ネットワークコンポーネントの設定、モデルに対する重みの設定、１つ又は複数の目標又は目的の設定、報酬パラメータ６５６の設定など、本明細書に記載される多くの実施形態の１つ又は複数をホストが管理及び／又は設定し得る１つ又は複数のホストインターフェースを含んでもよい。インターフェースは、１つ以上のモデル６５８の選択、データセット６５９（センサデータ、外部データ、及び本明細書に記載の他の入力など）の選択及び構成、ＡＩ選択６６０及びＡＩ構成６６１（ニューラルネットワークカテゴリの選択、パラメータ重み付けなど）、学習のためなどのエキスパートシステム／ＡＩシステムのフィードバック選択６６２、及び監督構成６６３、その他多くのための、エキスパートシステム／ＡＩシステム構成インターフェース６５７を含み得る。

【0156】

図７は、ソーシャルメディアデータソース７６９、気象データソース７７０、道路プロファイルソース７７１、交通データソース７７２、メディアデータソース７７３、センサセット７７４、及び他の多くのものを含む様々なソースからのデータを処理し得る、データ処理システム７５８を示す。データ処理システムは、データを抽出し、データを（インターフェースシステム、ＡＩシステム／専門家システム、又は他のシステムによって使用するためなどの）適切な形式に変換し、適切な場所にロードし、データを正規化し、データを清浄化し、データを重複排除し、（クエリを可能にするなど）データを保存し、本開示を通じて説明した幅広い処理作業を行うように構成され得る。

【0157】

図８は、本開示を通じて説明される輸送システムの多くの実施形態のうちの１つ以上に関連して実行され得る一組のアルゴリズム８４９を例示する。アルゴリズム８４９は、本明細書で説明される多くのタイプのような、一組のＡＩシステム／専門家システムから入力を取り、出力を提供し、それによって管理されてもよい。アルゴリズム８４９は、ユーザ満足度８７４を提供又は管理するためのアルゴリズム、本明細書に記載されるシステムの１つ又は複数の最適化に関連して好ましい状態、パラメータ、又は状態／パラメータの組み合わせを求めるためのような１つ又は複数の遺伝的アルゴリズム８７５を含んでもよい。アルゴリズム８４９は、様々な車両動作パラメータ、ユーザ体験パラメータ、又は本明細書に記載される他の状態、パラメータ、プロファイル等、及び様々な目標又は目的に敏感なものを含む、車両ルーティングアルゴリズム８７６を含んでもよい。アルゴリズム８４９は、物体検出アルゴリズム８７６を含んでもよい。アルゴリズム８４９は、エネルギーパラメータを計算するため、燃料使用量、電気使用量などを最適化するため、給油又は再充電時間、場所、量などを最適化するためなどの、エネルギー計算アルゴリズム８７７を含んでもよい。アルゴリズムは、交通予測アルゴリズム８７９、交通予測アルゴリズム８８０、及び本開示を通して説明されるような交通システムの他の状態又はパラメータを予測するためのアルゴリズムなどの、予測アルゴリズムを含んでもよい。

【0158】

様々な実施形態において、本明細書に記載される輸送システム１１１は、車両（フリート及び他の車両のセットを含む）、ならびに様々なインフラストラクチャシステムを含んでもよい。インフラシステムは、モノのインターネットシステム（例えば、道路上又は道路内に配置された、信号機、電柱、料金所、標識及び他の路側デバイス及びシステム、建物上又は建物内等のカメラ及び他のセンサを用いるもの）、給油及び充電システム（サービスステーション、充電場所等、及び無線電力転送を用いる無線充電システム等）及び他の多くを含んでいてもよい。

【0159】

本明細書に記載される車両の電気的、機械的及び／又はパワートレイン構成要素は、トランスミッション、ギアシステム、クラッチシステム、ブレーキシステム、燃料システム、潤滑システム、ステアリングシステム、サスペンションシステム、照明システム（室内及び外灯と同様に緊急照明を含む）、電気システム、並びにそれらの様々なサブシステム及び構成要素を含む広範囲のシステムを含むことができる。

【0160】

車両の動作状態及びパラメータは、経路、旅行の目的、ジオロケーション、方向、車両範囲、パワートレインパラメータ、現在のギア、速度／加速度、サスペンションプロファイル（各車輪などの様々なパラメータを含む）、電気及びハイブリッド車両の充電状態、燃料車両の燃料状態、ならびに本開示を通じて説明した多くの他のものを含むことができる。

【0161】

本開示を通じて説明されるライダー及び／又はユーザー体験の状態及びパラメータは、感情状態、快適状態、心理状態（例えば、不安、緊張、リラックスなど）、覚醒／睡眠状態、及び／又は満足、覚醒、健康、ウェルネス、一つ以上の目標又は目的、及び多くの他のものに関係する状態を含んでもよい。本明細書に記載されるユーザ体験パラメータは、運転、ブレーキ、カーブアプローチ、座席位置、窓の状態、換気システム、気候制御、温度、湿度、音レベル、娯楽コンテンツタイプ（例えば、ニュース、音楽、スポーツ、コメディなど）、ルート選択（ＰＯＩ、景観、新しいサイトなど）、及びその他多くのものに関連するものをさらに含んでもよい。

【0162】

実施形態において、経路は、ＡＩシステム／専門家システムの制御の下で、ユーザ体験又は他の要因を改善するために最適化され得る価値のパラメータなど、様々な価値のパラメータを付与されてもよい。経路の価値のパラメータは、速度、持続時間、定刻到着、長さ（例えば、マイル単位）、目標（例えば、ＰＯＩ（ＰｏｉｎｔｏｆＩｎｔｅｒｅｓｔ）を見ること、タスク（例えば、買い物リストの完成、配送スケジュールの完成、会議の完成など）を完了すること、給油又は充電パラメータ、ゲームベースの目標などを含んでもよい。多くの例の１つとして、経路は、モデルにおいて、及び／又は経路を最適化するように構成されたＡＩシステム若しくはエキスパートシステムに対する入力若しくはフィードバックとして、タスク完了のために、値を帰属させることができる。ユーザは、例えば、目的を設定することができるユーザインターフェース又はメニューと対話することによって、週末に一連の友人のうちの少なくとも１人と会うという目的を示すことができる。ルートは、予測された友人の位置（これは、本開示を通じて説明されるように、ニューラルネットワーク又は他のＡＩシステム／専門家システムによって予測されてもよい）と交差することによって、及び待ち合わせの可能性を示す車載メッセージ（又はモバイルデバイスへのメッセージ）を提供することによって、待ち合わせの可能性を高めるように（他の車両の位置情報を含むシステムとの対話及び／又は社会データフィードなど、友人の位置に関する認識を与える入力によって含む）設定され得る。

【0163】

市場フィードバック要素は、本開示を通じて説明されるような輸送システムの様々な要素、例えば、現在及び予測される価格及び／又はコスト（例えば、燃料、電気等の、並びに経路に沿って及び／又は車両内で利用可能な物品、サービス、コンテンツ等の）、現在及び予測される容量、１つ又は複数の輸送関連要素（燃料、電気、充電容量、メンテナンス、サービス、交換部品、新規又は中古車両、乗り合いを行う能力、自動運転車両の容量又は利用可能性等）の供給及び／又は需要、及び他の多くのものを最適化するために使用されてもよい。

【0164】

車両内又は車両上のインターフェースは、入札システム、価格交渉システム、報酬交渉システムなどの交渉システムを含んでもよい。例えば、ユーザは、商人の場所に再ルートすることに同意することと引き換えに、より高い報酬を得るように交渉してもよく、ユーザは、ユーザが燃料に対して支払うことを望む価格を挙げることができ（その価格を満たすことを提供し得る近くの給油ステーションに提供してもよい）、又はそのようなものが挙げられる。交渉からの出力（合意された価格、旅行など）は、ＡＩシステム／専門家システムによって支配されるものなど、経路の再構成を自動的にもたらすことがある。

【0165】

本明細書で説明するような、特に商人又はホストによって提供されるような報酬には、場所で交換可能なような１つ又は複数のクーポン、（複数の車両の集団ルーティングにおけるような）高い優先権の提供、「高速レーン」の使用許可、充電又は燃料補給能力の優先、その他多数が含まれてもよい。車両での報酬につながる行動には、ゲームをする、アプリをダウンロードする、ある場所まで運転する、場所又はオブジェクトの写真を撮る、ウェブサイトを訪問する、広告を見る又は聞く、ビデオを見る、及び他の多くのものが含まれる場合がある。

【0166】

実施形態では、ＡＩシステム／専門家システムは、電気自動車又はハイブリッド車のバッテリーを充電するためなどの充電計画のための１つ以上のパラメータを使用又は最適化してもよい。充電計画のパラメータは、経路（充電場所への経路など）、提供される充電又は燃料の量、充電のための時間、バッテリー状態、バッテリー充電プロファイル、充電に必要な時間、充電の価値、価値の指標、市場価格、充電のための入札、利用可能な供給能力（ジオフェンス内又は車両の集合の範囲など）、需要（検出された充電／燃料補給状態に基づいて、要求された需要に基づいてなど）、供給、及びその他を含んでもよい。モデル又はアルゴリズム（遺伝的アルゴリズムなど）を使用するニューラルネットワーク又は他のシステム（任意に、本明細書に記載するハイブリッドシステム）が使用されてもよく（結果に関する一連の試行にわたって訓練されることによって、及び／又は人間が作成又は人間が監督した入力の訓練セットを使用するなど）、パラメータに基づいて車両又は車両のセットに対して好ましい及び／又は最適な充電計画を提供することができる。他の入力は、特定の車両に対する優先順位（例えば、緊急対応者向け、又は本明細書に記載される様々な実施形態に関連して優先順位を与えられた人向け）を含んでもよい。

【0167】

実施形態において、本明細書に記載されるようなプロセッサは、ラムダファブリックのようなファブリックを採用するものなどのニューラル処理チップを含んでいてもよい。このようなチップは、２５６個などの複数のコアを有してもよく、各コアは、同じチップ上の他のコアとニューロン状に配置されて構成される。各コアは、マイクロスケールのデジタル信号プロセッサを構成してもよく、ファブリックは、コアがチップ上の他のコアに容易に接続することを可能にすることができる。実施形態において、ファブリックは、多数のコア（例えば、５０万個を超えるコア）及び／又はチップを接続してもよく、それによって、例えば、大規模なニューラルネットワーク、超並列計算、及び大規模で複雑な条件論理を必要とする計算環境での使用を容易にすることができる。実施形態では、デバイス間、ラック間などのレイテンシが４００ナノ秒、３００ナノ秒、２００ナノ秒、１００ナノ秒、又はそれ以下であるものなど、低レイテンシのファブリックが使用される。チップは、環境からのエネルギーハーベスティング、検査信号からのエネルギーハーベスティング、オンボードアンテナからのエネルギーハーベスティング等によって電力供給できるような、低電力チップであってもよい。実施形態において、コアは、スパース行列異種機械学習アルゴリズムのセットの適用を可能にするように構成されてもよい。チップは、C＋＋、Ｊａｖａなどのオブジェクト指向プログラミング言語を実行してもよい。実施形態において、チップは、各コアを異なるアルゴリズムで実行するようにプログラムされてもよく、それによって、本開示を通じて説明されるハイブリッドニューラルネットワークの実施形態の１つ以上を可能にするように、アルゴリズムの異種性を実現することができる。チップは、それによって、複数のデータソースから複数の入力（例えば、コアごとに１つ）を取り、大きなセットの異なるアルゴリズムを使用して超並列処理を行い、複数の出力（コアごと又はコアのセットごとに１つなど）を提供することができる。

【0168】

実施形態では、チップは、ニューラルネットワーク、ハイブリッドＡＩソリューションなどの処理タスクを引き受けることに加えて、コンテンツ検査、（ブラックリスト、ホワイトリストなどに対する）パケット検査などを実行するためのファブリックなどのセキュリティファブリックを含むか、可能にすることができる。

【0169】

実施形態において、本明細書に記載のプラットフォームは、ロボットプロセス自動化（ＲＰＡ）のためのシステムを含み、それと統合し、又はそれと接続してもよく、それによって、人工知能／機械学習システムは、人間が一連のインターフェースと対話する際に人間の対話のセットを追跡及び記録することからなるデータの訓練セットで訓練されてもよい、例えば、グラフィカルユーザインターフェース（ｅ．ｇ．マウス、トラックパッド、キーボード、タッチスクリーン、ジョイスティック、遠隔操作デバイスとの相互作用による）、オーディオシステムインターフェース（マイク、スマートスピーカー、音声応答インターフェース、知的エージェントインターフェース（例えば、Ｓｉｒｉ及びＡｌｅｘａ）によるもの等。Ｓｉｒｉ及びＡｌｅｘａ）などによるもの）、人間機械インタフェース（ロボットシステム、人工装具、サイバネティックシステム、外骨格システム、ウェアラブル（衣類、ヘッドギア、ヘッドフォン、時計、リストバンド、眼鏡、アームバンド、トルソーバンド、ベルト、指輪、ネックレス及びその他の付属品を含む）、物理又は機械インタフェース（例えば、ボタン、ダイヤル、トグル、ノブ、タッチスクリーン、レバー、ハンドル、ステアリングシステム、ホイールなど）、光学インターフェース（アイトラッキング、顔認識、ジェスチャー認識、感情認識などをトリガーとするものを含む）、などである。センサ対応インターフェース（カメラ、ＥＥＧ又はその他の電気信号センシング（ブレインコンピューターインターフェース用など）、磁気センシング、加速度計、ガルバニック皮膚反応センサ、光学センサ、ＩＲセンサ、LIDＡR、及び思考、ジェスチャー（顔、手、姿勢、その他）、発話などを認識できるその他のセンサセットを含むもの、その他）。人間のインタラクションを追跡及び記録することに加えて、ＲＰＡシステムは、人間が関与しているシステム及びプロセスによって、その中で、そのシステムから、又はそのプロセスについて発生する一連の状態、アクション、イベント及び結果も追跡及び記録することができる。例えば、ＲＰＡシステムは、人間が映像内の関心点を強調する、映像内のオブジェクトにタグを付ける、パラメータ（サイズ、寸法など）を取得する、又はグラフィカルユーザインターフェース内で映像に対して他の操作を行うなど、人間が映像をレビューするプロセス内に現れる映像のフレームに対するマウスクリックを記録してもよい。ＲＰＡシステムは、システム又はプロセスの状態及びイベントも記録することができ、例えば、どの要素が対話の対象であったか、対話の前、間及び後にシステムの状態がどうであったか、及びシステムによってどのような出力が提供されたか又はどのような結果が達成されたかを記録することができる。人間の相互作用とシステムの状態、事象、及び結果を観察する大規模な訓練セットを通じて、ＲＰＡシステムは、人間のそれを模倣する方法でシステムと相互作用することを学習することができる。学習は、人間が行ったであろう行動（例えば、正しいオブジェクトにタグ付けする、アイテムに正しくラベル付けする、プロセスの次のステップを起動するために正しいボタンを選択する、など）をＲＰＡシステムが一連の試行で行おうとするときに人間が修正するなど、訓練及び監視によって強化されてもよく、一連の試行の間にＲＰＡシステムは人間が行ったであろう行動を再現することにますます有効になるようにすることができる。学習は、成功した成果（成功したプロセス完了、財務的歩留まり、及び本開示を通じて説明される他の多くの成果測定に基づくなど）などの成果に基づいて学習を強化することによるような、深層学習を含んでもよい。実施形態において、ＲＰＡシステムは、ＲＰＡシステムがシステムとの専門家の対話を再現できるようになり始めるように、学習段階の間に専門家の人間の対話のセットで種付けされ得る。例えば、エキスパートドライバーの遠隔制御車両又はＵＡＶなどのロボットシステムとの対話は、車両の状態（例えば、周辺環境、ナビゲーションパラメータ、及び目的）に関する情報と共に記録されてよく、ＲＰＡシステムがエキスパートドライバーと同じ選択を反映する方法で車両を運転することを学習し得るようにする。専門家の人間のスキル又は専門知識を複製するように教示された後、ＲＰＡシステムは、深層学習モードに移行してもよく、そこでは、システムが、アプローチのあるレベルのバリエーションを試みるように構成されるなど、一連の結果に基づいてさらに向上する（例えば、ＲＰＡシステムが、バリエーション／実験（遺伝的プログラミング技術、ランダムウォーク技術、ランダムフォレスト技術などを用いるなど、ランダム化、ルールベースなどであってもよい）及び選択によって、人間の専門家の専門知識を超えるように学習できるように、（フィードバックを用いて）結果を追跡することである。したがって、ＲＰＡシステムは、人間の専門家から学習し、システム又はプロセスとの対話における専門知識を獲得し、プロセスの自動化を促進し（例えば、獲得したスキルの一貫した実行を必要とするものを含む、より反復的なタスクの一部を引き継ぐことによって）、システム又はプロセスの結果に関するフィードバックを伴う機械学習によって改善することができる種モデル又はシステムを提供するなど、人工知能に非常に有効な種を与えることができる。

【0170】

ＲＰＡシステムは、人間の専門知識又は知識が訓練及び経験によって獲得される状況、並びに人間の脳及び感覚系が計算上困難な又は非常に複雑な問題を解決するために特に適合され進化した状況において、特に価値を有する可能性がある。したがって、実施形態において、ＲＰＡシステムは、特に、以下のことを引き受けるために学習するために使用されてもよい、本明細書に記載される様々なシステム、プロセス、ワークフロー及び環境に関する視覚パターン認識タスク（例えば、ビデオストリーム内の物体又は実体の動的相互作用の意味の認識（例えば、ビデオ内で人間及び物体が相互作用すると何が起こっているかを理解する）、視覚パターンの意義の認識（例えば、写真又はＸ線画像内のオブジェクト、構造、欠陥、及び状態を認識すること）、視覚的パターン内の関連オブジェクトのタグ付け（例えば、タイプ、カテゴリ、又は特定のアイデンティティ（人物認識など）によるオブジェクトのタグ付け又はラベル付け）、視覚的パターン内のメトリックの表示（Ｘ線画像などの寸法をクリックして示されるオブジェクトの寸法など）、カテゴリによる視覚的パターン内の活動のラベル付け（例えば、どのような作業工程が行われているかなど。信号として表示されるパターン（例えば、周波数領域、時間領域、又は他の信号処理表現における波又は同様のパターン）の認識、現在の状態に基づく将来の状態の予測（例えば、現在の状態に基づいて将来の状態を予測する（例えば、飛行又は転がる物体の動きを予測する、プロセスにおける人間の次の行動を予測する、機械の次のステップを予測する、イベントに対する人間の反応を予測する、その他多数）、感情の状態や反応を認識し予測する（例えば、顔の表情、姿勢、ボディランゲージなどに基づく）、決定論的計算なしに好ましい状態を達成するためのヒューリスティックを適用する（例えば、スポーツ又はゲームにおける有利な戦略の選択、ビジネス戦略の選択、交渉戦略の選択、製品の価格の設定、製品又はアイデアを促進するためのメッセージの開発、創造的コンテンツの生成、好ましいスタイル又はファッションの認識、及びその他多数）、任意の多くの他のものである。実施形態において、ＲＰＡシステムは、人、システム、及び物体（内部部品を含む）の視覚的検査を伴うワークフロー、ソフトウェアインターフェースにおける一連の画面との連続的な相互作用を伴うようなソフトウェアタスクの実行を伴うワークフロー、ロボット及び他のシステム及び装置の遠隔操作を伴うワークフロー、コンテンツ作成を伴うワークフロー（例えば選択、編集、及び配列）、コンテンツ作成を伴うワークフローを自動化し得る。コンテンツ作成（コンテンツの選択、編集、順序付けなど）、財務上の意思決定や交渉（金融取引などの価格や条件の設定など）、意思決定（システム又はサブシステムの最適構成の選択、ワークフロー、プロセス、動的意思決定を伴う他の活動での最適経路や行動シーケンスの選択など）を伴うワークフローなど、多数ある。

【0171】

実施形態において、ＲＰＡシステムは、一連のＩｏＴデバイス及びシステム（カメラ及びセンサーなど）を使用して、環境内の様々なインターフェース及びシステムに関する人間の行動及び相互作用を追跡及び記録してよい。ＲＰＡシステムはまた、オンボードセンサー、遠隔測定、及びイベント記録システム（車両上の遠隔測定システム及びコンピュータ上のイベントログなど）からのデータを使用してもよい。したがって、ＲＰＡシステムは、様々なエンティティ（人間及び非人間）、システム、プロセス、アプリケーション（例えば、ワークフローを可能にするために使用されるソフトウェアアプリケーション）、状態、イベント、及び結果を含む、ＲＰＡシステム（又は様々なプロセス及びワークフローを自動化するために専用のＲＰＡシステムのセット）を訓練して、蓄積された人間の専門知識を反映及び模倣する方法でプロセス及びワークフローを達成し、最終的にさらなる機械学習によってその人間の専門知識の結果を改善するために使用できるものである。

【0172】

図９を参照すると、本明細書で提供される実施形態では、少なくとも１つの最適化された動作状態を決定するために、可能な車両動作状態のセット９４５を探索するために少なくとも１つの遺伝的アルゴリズム９７５を使用する人工知能システム９３６を有する輸送システム９１１である。実施形態において、遺伝的アルゴリズム９７５は、少なくとも１つの車両性能パラメータ９８２及び少なくとも１つのライダー状態９３７に関連する入力を取る。

【0173】

本明細書で提供される態様は、輸送用システム９１１であって、車両動作状態９４５を有する車両９１０と、少なくとも１つの最適化車両動作状態を決定するために初期車両動作状態から変異を生成する遺伝的アルゴリズム９７５を実行する人工知能システム９３６と、を備えることを特徴とする。実施形態において、車両動作状態９４５は、車両パラメータ値のセット９８４を含む。実施形態において、遺伝的アルゴリズム９７５は、対応する時間期間中に車両９１０が車両パラメータ値９８４のセットに従って動作するように、対応する時間期間のセットについて車両パラメータ値９８４のセットを変化させ、評価を生成するために措置９８３のセットに従って対応する時間期間のそれぞれについて車両動作状態９４５を評価し、車両９１０の将来の動作について、評価に基づいて車両パラメータ値の最適化セットを選定することである。

【0174】

実施形態において、車両動作状態９４５は、車両のライダーのライダー状態９３７を含む。実施形態において、少なくとも１つの最適化された車両動作状態は、ライダーの最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態を最適化することである。実施形態において、措置のセット９８３に従って評価することは、車両パラメータ値９８４に対応するライダーの状態を決定することである。

【0175】

実施形態において、車両動作状態９４５は、車両のライダーの状態を含む。実施形態において、車両パラメータ値セット９８４は、車両性能制御値セットを含む。実施形態において、少なくとも１つの最適化された車両動作状態は、車両の性能の最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態及び車両の性能の状態を最適化することである。実施形態において、措置のセット９８３に従って評価することは、車両性能制御値に対応するライダーの状態及び車両の性能の状態を決定することである。

【0176】

実施形態において、車両パラメータ値セット９８４は、車両性能制御値セットを含む。実施形態において、少なくとも１つの最適化された車両動作状態は、車両の性能の最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、車両の性能の状態を最適化することである。実施形態において、措置のセット９８３に従って評価することは、車両性能制御値に対応する車両の性能の状態を決定することである。

【0177】

実施形態において、車両パラメータ値のセット９８４は、ライダー占有パラメータ値を含む。実施形態において、ライダー占有パラメータ値は、車両９１０におけるライダーの存在を肯定する。実施形態において、車両動作状態９４５は、車両のライダーのライダー状態９３７を含む。実施形態において、少なくとも１つの最適化された車両動作状態は、ライダーの最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態を最適化することである。実施形態において、措置のセット９８３に従って評価することは、車両パラメータ値９８４に対応するライダーの状態を決定することである。実施形態において、ライダーの状態は、ライダー満足度パラメータを含む。実施形態において、ライダーの状態は、ライダーを代表する入力を含む。実施形態において、ライダーを代表する入力は、ライダー状態パラメータ、ライダー快適性パラメータ、ライダー感情状態パラメータ、ライダー満足度パラメータ、ライダー目標パラメータ、旅行の分類、及びそれらの組み合わせからなる群から選択される。

【0178】

実施形態において、車両パラメータ値セット９８４は、車両性能制御値セットを含む。実施形態において、少なくとも１つの最適化された車両動作状態は、車両の性能の最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態及び車両の性能の状態を最適化することである。実施形態において、措置のセット９８３に従った評価は、車両性能制御値に対応するライダーの状態及び車両の性能の状態を決定することである。実施形態において、車両パラメータ値のセット９８４は、車両性能制御値のセットを含む。実施形態において、少なくとも１つの最適化された車両動作状態は、車両の性能の最適化された状態を含む。実施形態において、遺伝的アルゴリズム９７５は、車両の性能の状態を最適化することである。実施形態において、措置のセット９８３に従って評価することは、車両性能制御値に対応する車両の性能の状態を決定することである。

【0179】

実施形態において、車両性能制御値のセットは、燃料効率、旅行期間、車両摩耗、車両メーカー、車両モデル、車両エネルギー消費プロファイル、燃料容量、リアルタイム燃料レベル、充電容量、充電能力、回生ブレーキ状態、及びそれらの組み合わせからなる群から選択される。実施形態において、車両性能制御値のセットの少なくとも一部は、オンボード診断システム、遠隔測定システム、ソフトウェアシステム、車両に配置されたセンサ、及び車両９１０の外部のシステムのうちの少なくとも１つから供給される。実施形態において、措置のセット９８３は、車両動作基準のセットに関連する。実施形態において、措置のセット９８３は、ライダー満足度の基準のセットに関する。実施形態において、措置のセット９８３は、車両動作基準及びライダー満足度基準の組み合わせに関する。実施形態において、各評価は、車両の性能の状態及びライダーの状態の少なくとも一方に対する影響を示すフィードバックを使用する。

【0180】

本明細書で提供される態様は、輸送９１１のためのシステムであって、車両の状態又はライダー状態９３７に影響を与える車両パラメータのセットを最適化するために、遺伝的アルゴリズム９７５で車両の状態の間に車両の状態を代表する入力及び車両を占有するライダーのライダー状態９３７を代表する入力を処理する人工知能システム９３６を備えることを特徴とする。実施形態において、遺伝的アルゴリズム９７５は、入力のバリエーションを用いて一連の評価を実行することである。実施形態において、一連の評価の各評価は、車両動作状態９４５及びライダー状態９３７の少なくとも一方への影響を示すフィードバックを使用する。実施形態において、ライダー状態９３７を代表する入力は、ライダーが車両９１０から不在であることを示す。実施形態において、車両の状態は、車両動作状態９４５を含む。実施形態において、車両パラメータのセットにおける車両パラメータは、車両性能パラメータ９８２を含む。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態について車両パラメータのセットを最適化することである。

【0181】

実施形態において、車両パラメータのセットを最適化することは、遺伝的アルゴリズム９７５によって、好ましいライダー状態をもたらす少なくとも１つの車両パラメータを特定することに応答している。実施形態において、遺伝的アルゴリズム９７５は、車両パラメータのセットを車両性能のために最適化することである。実施形態において、遺伝的アルゴリズム９７５は、ライダーの状態のために車両パラメータのセットを最適化することであり、車両性能のために車両パラメータのセットを最適化することである。実施形態において、車両パラメータのセットを最適化することは、遺伝的アルゴリズム９７５が、好ましい車両動作状態、及びライダー状態９３７を維持する好ましい車両性能のうちの少なくとも１つを特定することに応答するものである。実施形態において、人工知能システム９３６は、複数の異なるニューラルネットワークから選択されたニューラルネットワークをさらに含む。実施形態において、ニューラルネットワークの選択は、遺伝的アルゴリズム９７５を含む。実施形態において、ニューラルネットワークの選択は、複数の異なるニューラルネットワークの間の構造化された競合に基づく。実施形態において、遺伝的アルゴリズム９７５は、複数の車両操作システム及びライダーの間の相互作用を処理して、最適化された車両パラメータのセットを生成するために、ニューラルネットワークを訓練することを容易にする。

【0182】

実施形態において、少なくとも１つの車両パラメータに関連する一組の入力は、オンボード診断システム、遠隔測定システム、車両に位置するセンサ、及び車両の外部のシステムのうちの少なくとも１つによって提供される。実施形態において、ライダー状態９３７を代表する入力は、快適さ、感情状態、満足度、目標、旅行の分類、又は疲労のうちの少なくとも１つからなる。実施形態において、ライダー状態９３７を代表する入力は、ドライバー、フリート管理者、広告主、商人、所有者、オペレータ、保険会社、及び規制当局のうちの少なくとも１つの満足度パラメータを反映する。実施形態では、ライダー状態９３７を代表する入力は、認知システムで処理されるとライダー状態９３７をもたらす、ユーザに関する入力からなる。

【0183】

図１０を参照すると、本明細書で提供される実施形態では、車両１０１０の連続可変パワートレイン１０１３の動作状態を最適化するためのハイブリッドニューラルネットワーク１０４７を有する輸送システム１０１１が提供される。実施形態において、ハイブリッドニューラルネットワーク１０４７の少なくとも一部分は、車両１０１０の状態を分類するように動作し、ハイブリッドニューラルネットワーク１０４７の別の部分は、トランスミッション１０１９の少なくとも１つの動作パラメータ１０６０を最適化するように動作する。実施形態において、車両１０１０は、自動運転車両であってもよい。一例では、ハイブリッドニューラルネットワークの第１の部分１０８５は、車両１０１０を、高トラフィック状態（例えば、他の車両の存在を示すＬＩＤＡＲ、ＲＡＤＡＲなどの使用、又はトラフィック監視システムからの入力の取得、又はモバイルデバイスの高密度の存在の検出によって動作するように分類してもよい。など）、悪天候状態（例えば、濡れた道路（視覚ベースのシステムを用いるなど）、降水（レーダーによって決定されるなど）、氷の存在（温度感知、視覚ベースの感知など）、ひょう（衝撃検出、音感知など）、雷（視覚ベースのシステム、音ベースのシステムなど）、などを示す入力を取ることによって、など）、などに分類する。分類されると、別のニューラルネットワーク１０８６（任意選択で別のタイプの）は、車両１０１０を安全運転モードにすることなどにより、分類された状態に基づいて車両動作パラメータを最適化してもよい（例えば、好天時よりも距離及び／又は低速で前方感知警告を行うことにより、好天時よりも早く、より積極的に自動ブレーキを提供するなどにより、好天時よりも積極的に自動ブレーキを提供するなどにより、好天時よりも積極的に自動ブレーキを提供する）。

【0184】

本明細書で提供される態様は、輸送のためのシステム１０１１であって、車両１０１０の連続可変パワートレイン１０１３の動作状態を最適化するためのハイブリッドニューラルネットワーク１０４７と、を備える。実施形態において、ハイブリッドニューラルネットワーク１０４７の一部１０８５は、車両１０１０の状態１０４４を分類し、それによって車両の分類された状態を生成するように動作することであり、ハイブリッドニューラルネットワーク１０４７の他の一部１０８６は、連続可変パワートレイン１０１３のトランスミッション１０１９部分の少なくとも一つの動作パラメータ１０６０を最適化するように動作することである。

【0185】

実施形態において、輸送用システム１０１１は、少なくとも１つのプロセッサ１０８８上で動作する人工知能システム１０３６と、車両の状態を分類するために動作するハイブリッドニューラルネットワーク１０４７の部分１０８５を動作させる人工知能システム１０３６と、分類された車両の状態に基づいて連続可変パワートレイン１０１３のトランスミッション１０１９部分の少なくとも１つの動作パラメータ１０８７を最適化するためにハイブリッドニューラルネットワーク１０４７の他の部分１０８６を動作させる人工知能システム１０３６と、をさらに具備して構成されている。実施形態において、車両１０１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを構成する。実施形態において、車両１０１０は、少なくとも半自律型車両である。実施形態において、車両１０１０は、自動的にルーティングされることである。実施形態において、車両１０１０は、自動運転車両である。実施形態において、車両の分類された状態は、車両メンテナンス状態、車両健康状態、車両動作状態、車両エネルギー利用状態、車両充電状態、車両満足状態、車両コンポーネント状態、車両サブシステム状態、車両パワートレイン系状態、車両ブレーキ系状態、車両クラッチ系状態、車両潤滑系状態、車両交通インフラ系状態、又は車両乗員状態である。実施形態において、ハイブリッドニューラルネットワーク１０４７の少なくとも一部は、畳み込みニューラルネットワークである。

【0186】

図１１は、本明細書に開示されるシステム及び方法の実施形態による、車両の連続可変車両パワートレインの動作を最適化するための方法１１００を示す図である。１１０２で、方法は、少なくとも１つのプロセッサ上でハイブリッドニューラルネットワークの第１のネットワークを実行することを含み、第１のネットワークは、車両の複数の動作状態を分類する。実施形態において、動作状態の少なくとも一部は、車両の連続可変パワートレインの状態に基づいている。１１０４において、本方法は、少なくとも１つのプロセッサ上でハイブリッドニューラルネットワークの第２のネットワークを実行することを含み、第２のネットワークは、車両の複数の分類された運転状態の少なくとも１つについて、車両及び車両の乗員に関連する少なくとも１つの検出された状態を説明する入力物を処理する。実施形態において、第２のネットワークによる入力の処理は、車両の複数の運転状態に対して、車両の連続可変パワートレインの少なくとも１つの運転パラメータの最適化を引き起こす。

【0187】

図１０と図１１を一緒に参照すると、実施形態では、車両は、人工知能システム１０３６を備え、方法は、人工知能システム１０３６によって車両の少なくとも１つの制御パラメータを自動化することをさらに含む。実施形態において、車両１０１０は、少なくとも半自律型車両である。実施形態において、車両１０１０は、自動的にルーティングされることである。実施形態において、車両１０１０は、自動運転車両である。実施形態において、方法は、人工知能システム１０３６によって、連続可変パワートレイン１０１３のトランスミッション１０１９部分の少なくとも１つの他の動作パラメータ１０８７を調整することによって、連続可変パワートレイン１０１３の最適化された少なくとも１つの動作パラメータ１０６０に基づいて車両の連続可変パワートレイン１０１３の動作状態を最適化することを更に備える。

【0188】

実施形態において、本方法は、人工知能システム１０３６によって、複数のソーシャルデータソースからのソーシャルデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、非構造化データ源からのデータのストリームから供給されるデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、ウェアラブルデバイスから供給されたデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、車載センサから供給されるデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、ライダーヘルメットから供給されたデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。

【0189】

実施形態において、本方法は、人工知能システム１０３６によって、ライダーヘッドギアから供給されるデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、ライダー音声システムから供給されたデータを処理することによって、連続可変パワートレイン１０１３の動作状態を最適化することをさらに備える。実施形態において、本方法は、人工知能システム１０３６によって、ハイブリッドニューラルネットワーク１０４７の第３のネットワークを動作させて、車両の分類された複数の動作状態のうちの少なくとも１つとトランスミッション１０１９の少なくとも１つの動作パラメータとに少なくとも部分的に基づいて車両の状態を予測することをさらに備える。実施形態において、ハイブリッドニューラルネットワーク１０４７の第１のネットワークは、ハイブリッドニューラルネットワーク１０４７の第１のネットワークを動作させた結果に応答して第１のネットワークの構造を適応させるための構造適応型ネットワークを構成している。実施形態において、ハイブリッドニューラルネットワーク１０４７の第１のネットワークは、ソーシャルデータソースからの複数のソーシャルデータを処理して、車両の複数の動作状態を分類することである。

【0190】

実施形態において、ハイブリッドニューラルネットワーク１０４７の少なくとも一部は、畳み込みニューラルネットワークである。実施形態において、車両の分類された複数の動作状態のうちの少なくとも１つは、車両メンテナンス状態、又は車両健康状態である。実施形態において、車両の分類された状態の少なくとも１つは、車両動作状態、車両エネルギー利用状態、車両充電状態、車両満足状態、車両コンポーネント状態、車両サブシステム状態、車両パワートレインシステム状態、車両ブレーキシステム状態、車両クラッチシステム状態、車両潤滑システム状態、又は車両交通インフラシステム状態である。実施形態において、車両の分類された状態のうちの少なくとも１つは、車両ドライバー状態である。実施形態において、車両の分類された状態の少なくとも１つは、車両ライダー状態である。

【0191】

図１２を参照すると、実施形態において、本明細書で提供されるのは、指定された車両のセット間のネゴシエーションを促進することによって決定された経路パラメータに基づいて、車両のセット１２９４内で少なくとも１つの車両１２１０をルーティングするための認知システムを有する輸送システム１２１１である。実施形態において、ネゴシエーションは、少なくとも１人のライダーが経路１２９５の少なくとも１つのパラメータ１２３０に帰属させる価値に関する入力を受け入れる。ユーザ１２９０は、１つ以上のパラメータ（例えば、全体を通して指摘されたパラメータのいずれか）を評価するユーザインターフェースによって、行動によって（例えば、時間通りに到着すること、所定の経路１２９５に従うことなどに帰属する価値を反映又は示す行動を引き受けること）、又は価値を提供又は提供することによって（例えば、通貨、トークン、ポイント、暗号通貨、報酬などを提供すること）価値を表現してもよい。例えば、ユーザ１２９０は、ユーザ１２９０が指定された時間に到着した場合に与えられるトークンをシステムに提供することによって、好ましい経路について交渉してもよく、一方、他の者は、代替経路を取る（それによって混雑を減らす）ことと引き換えにトークンを受け入れることを申し出てもよい。したがって、人工知能システムは、報酬システムが一連の結果を最適化するように、報酬を提供する、又は報酬に応答して行動を引き受けるための申し出の組み合わせを最適化してもよい。交渉は、例えば、ドライバーが、ドライバーが通過する際に一時的に経路を離れることと引き換えに、道路上でドライバーの前方にいるドライバーに報酬を与えることを申し出るような、明示的な交渉を含んでもよい。

【0192】

本明細書で提供される態様は、輸送のためのシステム１２１１であって、指定された車両のセット間のネゴシエーションを促進することによって決定されたルーティングパラメータに基づいて車両のセット１２９４内で少なくとも１つの車両１２１０をルーティングするための認知システムであって、ネゴシエーションがルート１２９５の少なくとも１つのパラメータに少なくとも１人のユーザー１２９０によって帰属する値に関する入力を受理する、ことを含んでいる。

【0193】

図１３は、本明細書に開示されるシステム及び方法の実施形態に従った、ネゴシエーションに基づく車両ルーティングの方法１３００を示す図である。１３０２において、本方法は、車両のセット内の少なくとも１つの車両をルーティングするために車両ルーティングシステムによって使用される複数のパラメータに対するルート調整値のネゴシエーションを促進することを含む。１３０４において、本方法は、ネゴシエーションに基づいて、少なくとも１つの結果を最適化するための複数のパラメータにおけるパラメータを決定することを含む。

【0194】

図１２及び図１３を参照すると、実施形態では、ユーザ１２９０は、車両１２９４のセットの中の少なくとも１つの車両１２１０によって使用される道路のセットのための管理者である。実施形態において、ユーザ１２９０は、車両のセット１２９４を含む車両のフリートに対する管理者である。実施形態において、本方法は、車両１２９４のセットに関して、複数のパラメータ１２３０のための提供されたユーザ指示値のセットをユーザ１２９０に提供することをさらに含む。実施形態において、ルート調整値１２２４は、提供されたユーザ指示値のセット１２９７に少なくとも部分的に基づいている。実施形態において、ルート調整値１２２４は、提供に対する少なくとも１つのユーザ応答に基づいてさらに行われる。実施形態において、ルート調整値１２２４は、提供されたユーザ指示値１２９７のセットと、車両１２９４のセットの少なくとも１人のユーザによるそれに対する少なくとも１つの応答とに少なくとも部分的に基づいている。実施形態において、決定されたパラメータは、車両１２９４のセット内の車両１２１０の少なくとも１つのルート１２９５を調整することを容易にする。実施形態において、経路を調整することは、車両ルーティングシステムによる使用のために決定されたパラメータに優先順位を付けることを含む。

【0195】

実施形態において、交渉を促進することは、サービスの価格の交渉を促進することを含む。実施形態において、交渉を促進することは、燃料の価格の交渉を促進することを含む。実施形態において、ファシリテートネゴシエーションは、充電の価格のネゴシエーションをファシリテートすることを含む。実施形態において、促進する交渉は、ルーティングアクションを取るための報酬を交渉することを促進することを含む。

【0196】

本明細書で提供される態様は、交渉に基づく車両ルーティングのための輸送システム１２１１を含む。ユーザ１２９１のセットのユーザ１２９０が、車両１２９４のセットの中の少なくとも１つの車両１２１０をルーティングするために車両ルーティングシステム１２９２によって用いられる複数のパラメータ１２３０の少なくとも１つに対するルート調整値１２２４を交渉するルート調整交渉システム１２８９、及び複数のパラメータ１２３０の少なくとも１つに対するルート調整値１２２４に基づいて車両１２９４のセットの少なくとも１つのユーザ１２９０のルート１２９５の一部を最適化するユーザルート最適化回路１２９３、を備える。実施形態において、ルート調整値１２２４は、ユーザ指示値１２９７及びそれに対する車両セット１２９４の少なくとも１人のユーザによる少なくとも１つの交渉応答に少なくとも部分的に基づいている。実施形態において、輸送システム１２１１は、車両ルーティングシステムによって使用される複数のパラメータ１２３０に対するユーザ指示値１２９７が取り込まれる車両ベースのルートネゴシエーションインターフェースをさらに備える。実施形態において、ユーザ１２９０は、少なくとも１つの車両１２１０のライダーである。実施形態において、ユーザ１２９０は、少なくとも１つの車両１２１０によって使用される道路のセット１２９４の管理者である。

【0197】

実施形態において、ユーザ１２９０は、車両セット１２９４を含む車両のフリートに対する管理者である。実施形態において、複数のパラメータ１２３０のうちの少なくとも１つは、少なくとも１つの車両１２１０の経路１２９５を調整することを容易にする。実施形態において、ルート１２９５を調整することは、車両ルーティングシステムによる使用のために決定されたパラメータに優先順位を付けることを含む。実施形態において、ユーザ指示値１２９７の少なくとも１つは、１つ以上のルートパラメータの評価の表現を容易にするために、インターフェースを介して複数のパラメータ１２３０の少なくとも１つに帰着される。実施形態において、車両ベースのルートネゴシエーションインターフェースは、１つ又は複数のルートパラメータの格付けの表現を容易にする。実施形態において、ユーザ指示値１２９７は、ユーザ１２９０の動作から導出される。実施形態において、車両ベースのルートネゴシエーションインターフェースは、ユーザ挙動をユーザ指示値１２９７に変換することを容易にする。実施形態において、ユーザ行動は、車両セット１２９４内の少なくとも１つの車両１２１０の経路１２９５に影響を与えるために車両ルーティングシステムによって使用される少なくとも１つのパラメータに付与された値を反映する。実施形態において、少なくとも１人のユーザ１２９０によって示されるユーザ指示値は、ユーザ１２９０によって提供される価値の項目に相関する。実施形態において、価値の項目は、少なくとも１つのパラメータに基づくルーティングの結果と引き換えに、価値の項目の提供を通じて、ユーザ１２９０によって提供される。実施形態において、経路調整値１２２４の交渉は、車両セット１２９４のユーザーに価値のあるアイテムを提供することを含む。

【0198】

図１４を参照すると、本明細書で提供される実施形態では、指定された車両セット１４９８の間の調整を促進することによって決定されたルーティングパラメータに基づいて車両セット１４９４内で少なくとも１つの車両１４１０をルーティングするための認知システムを有する輸送システム１４１１が提供される。実施形態では、調整は、車両のライダーのための少なくとも１つのゲームベースのインターフェース１４９９から少なくとも１つの入力を取ることによって達成される。ゲームベースのインターフェース１４９９は、補助的な利益を提供するゲーム的な行動（すなわち、ゲーム活動１４１０１）を引き受けるための報酬を含んでもよい。例えば、車両１４１０のライダーは、車両１４１０を（コインを収集する、アイテムを捕獲するなどの）高速道路外の興味のあるポイントにルートすることに対して報酬を得てもよく、ライダーの出発は、定刻到着などの他の目的を達成しようとしている他の車両のためのスペースを空けることになる。例えば、ポケモンゴー（登録商標）のようなゲームは、混雑した場所から離れた場所で交通を引き寄せるために、珍しいポケモン（登録商標）の生き物の存在を示すように構成されてもよい。他には、混雑した道路から離れたユーザー１４９０を引きつけるためにプールされ得る報酬（例えば、通貨、暗号通貨など）を提供してもよい。

【0199】

本明細書で提供される態様は、輸送のためのシステム１４１１であって、指定された車両セット１４９８の間の調整を促進することによって決定されたルーティングパラメータ１４３０のセットに基づいて車両セット１４９４内で少なくとも１つの車両１４１０をルーティングするための認知システムであって、調整は、車両セット１４９８内の車両１４１０のユーザ１４９０に対する少なくとも１つのゲームベースのインターフェース１４９９から少なくとも１つの入力を取ることによって達成される、認知システムを備えることを特徴とする。

【0200】

実施形態において、輸送のためのシステムは、ルーティングパラメータのセット１４３０に基づいて少なくとも１つの車両１４１０をルーティングする車両ルーティングシステム１４９２と、ユーザ１４９０が、ゲームベースのインターフェース１４９９において提供されるゲームアクティビティ１４１０１を引き受けるために、車両のセット１４９４内の少なくとも１つの車両１４１０に対するルーティングプレファレンス１４１００を指示する、ゲームベースのインターフェース１４９９をさらに備え、このゲームベースのインターフェース１４９９は、ユーザ１４９０にルーティングパラメータのセット１４３０に基づいて好ましいルーティング選択肢のセットを引き受けるよう誘導するためのものである。本明細書で使用される場合、「ルーティングする」とは、経路１４９５を選択することを意味する。

【0201】

実施形態において、車両ルーティングシステム１４９２は、車両セット１４９４内で少なくとも１つの車両１４１０をルーティングする際に、ユーザ１４９０のルーティングプレファレンス１４１００を考慮する。実施形態では、ゲームベースインターフェース１４９９は、図１４にゲームベースインターフェースから車両１用のボックス内に延びる線によって示されるように、車内使用のために配置される。実施形態では、ユーザ１４９０は、少なくとも１つの車両１４１０のライダーである。実施形態において、ユーザ１４９０は、車両セット１４９４の中の少なくとも１つの車両１４１０によって使用される道路セットの管理者である。実施形態において、ユーザ１４９０は、車両のセット１４９４を含む車両のフリートに対する管理者である。実施形態において、ルーティングパラメータのセット１４３０は、交通渋滞、所望の到着時間、好ましいルート、燃料効率、汚染低減、事故回避、悪天候の回避、悪路状態の回避、燃料消費の低減、二酸化炭素排出量の低減、地域の騒音の低減、高犯罪地域の回避、集団満足、最高速度制限、有料道路の回避、市道の回避、未分配の高速道路の回避、左折回避、ドライバー操作型車両の回避の少なくとも１つを含んでいる。実施形態において、ゲームベースインターフェース１４９９で提供されるゲーム活動１４１０１は、コンテストを含む。実施形態において、ゲームベースインターフェース１４９９において提供されるゲームアクティビティ１４１０１は、エンターテインメントゲームを含む。

【0202】

実施形態では、ゲームベースインターフェース１４９９で提供されるゲームアクティビティ１４１０１は、対戦型ゲームを含む。実施形態において、ゲームベースインターフェース１４９９で提供されるゲームアクティビティ１４１０１は、戦略ゲームを含む。実施形態において、ゲームベースインターフェース１４９９で提供されるゲームアクティビティ１４１０１は、スカベンジャーハントを含む。実施形態において、有利な経路選択のセットは、車両ルーティングシステム１４９２が燃料効率目標を達成するように構成される。実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が交通量削減目的を達成するように構成される。実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が低減された汚染目的を達成するように構成される。実施形態において、有利な経路選択セットは、車両経路選択システム１４９２が削減されたカーボンフットプリント目的を達成するように構成される。

【0203】

実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が近隣のノイズの低減目的を達成するように構成される。実施形態において、有利な経路選択セットは、車両経路制御システム１４９２が集団満足の目的を達成するように構成される。実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が事故現場を回避する目的を達成するように構成される。実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が高犯罪地域を回避する目的を達成するように構成される。実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が交通渋滞の減少目的を達成するように構成される。実施形態において、有利な経路選択セットは、車両ルーティングシステム１４９２が悪天候回避目的を達成するように構成されている。

【0204】

実施形態において、有利な経路選択のセットは、車両経路制御システム１４９２が最大移動時間目標を達成するように構成される。実施形態において、有利な経路選択セットは、車両ルーティングシステム１４９２が最大速度制限目的を達成するように構成されている。実施形態において、有利な経路選択のセットは、車両ルーティングシステム１４９２が有料道路の回避目的を達成するように構成されている。実施形態において、有利な経路選択セットは、車両ルーティングシステム１４９２が市街地道路の回避目的を達成するように構成される。実施形態において、有利な経路選択セットは、車両経路制御システム１４９２が未分割高速道路の回避を達成するように構成されている。実施形態において、有利な経路選択セットは、車両経路制御システム１４９２が左折の回避目的を達成するように構成されている。実施形態において、有利な経路選択セットは、車両経路選択システム１４９２がドライバー操作車両の回避目的を達成するように構成される。

【0205】

図１５は、本明細書に開示されるシステム及び方法の実施形態に従ったゲームベースの協調車両ルーティングの方法１５００を示す図である。１５０２で、本方法は、ゲームベースのインターフェースにおいて、車両経路の好みに影響を与えるゲーム活動を提示することを含む。１５０４において、本方法は、ゲームベースのインターフェースを介して、提示されたゲーム活動に対するユーザ応答を受信することを含む。１５０６において、本方法は、受信した応答に応答して、ユーザーの経路プリファレンスを調整することを含む。１５０８において、本方法は、車両をルーティングするための調整されたルーティングプリファレンスを反映するために、車両をルーティングするために使用される少なくとも１つの車両ルーティングパラメータを決定することを含む。において、本方法は、車両ルーティングシステムで、調整されたルーティングプレファレンスを反映するように調整された少なくとも１つの決定された車両ルーティングパラメータに応答して、車両のセット内の車両をルーティングすることを含み、車両のルーティングは、車両のセット内の少なくとも複数の車両に対して決定されたルーティングパラメータを調整することを含むことを特徴とする。

【0206】

図１４及び図１５を参照すると、実施形態では、方法は、ゲームベースのインターフェース１４９９によって、ゲーム活動１４１０１を受け入れるための報酬値１４１０２を示すことをさらに備える。実施形態において、ゲームベースインターフェース１４９９は、ライダーがゲーム活動１４１０１を受け入れるための報酬値１４１０２を交渉するためのルーティングプレファレンス交渉システム１４３６をさらに備える。実施形態において、報酬値１４１０２は、車両のセット内のライダーからの価値の寄与をプールした結果である。実施形態では、車両セット１４９４内の車両１４１０をルーティングするために車両ルーティングシステム１４９２によって使用される少なくとも１つのルーティングパラメータ１４３０は、ゲーム活動１４１０１に関連付けられ、ゲーム活動１４１０１のユーザ受け入れは、ルーティングの好みを反映するために少なくとも１つのルーティングパラメータ１４３０を（例えば、ルーティング調整値１４２４で）調整する。実施形態では、提示されたゲームアクティビティ１４１０１に対するユーザ応答は、ゲームベースインターフェース１４９９とのユーザインタラクションから得られる。実施形態において、車両ルーティングシステム１４９２が車両セット１４９４内の車両１４１０をルーティングするために使用する少なくとも１つのルーティングパラメータは、以下のうちの少なくとも１つを含む。交通渋滞、所望の到着時間、好ましい経路、燃料効率、汚染低減、事故回避、悪天候の回避、悪路状態の回避、燃料消費の低減、二酸化炭素排出量の低減、地域の騒音の低減、高犯罪地域の回避、集団満足、最高速度制限、有料道路の回避、市道の回避、未分配の高速道路の回避、左折回避、運転操作車両の回避のうち、少なくとも１つ。

【0207】

実施形態では、ゲームベースインターフェース１４９９で提示されるゲームアクティビティ１４１０１は、コンテストを含む。実施形態において、ゲームベースインターフェース１４９９で提示されるゲームアクティビティ１４１０１は、エンターテインメントゲームを含む。実施形態において、ゲームベースインターフェース１４９６で提示されるゲームアクティビティ１４１０１は、対戦ゲームを含む。実施形態において、ゲームベースインターフェース１４９９で提示されるゲームアクティビティ１４１０１は、戦略ゲームを含む。実施形態において、ゲームベースインターフェース１４９９で提示されるゲームアクティビティ１４１０１は、スカベンジャーハントを含む。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、燃料効率目標を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、低減されたトラフィック目的を達成する。

【0208】

実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、低減された汚染目標を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、低減されたカーボンフットプリント目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、近隣のノイズの低減目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、集団満足の目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、事故現場を回避する目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、高犯罪地域を回避する目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、交通渋滞の低減目的を達成する。

【0209】

実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、悪天候回避の目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、最大移動時間目標を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、最大速度制限目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、有料道路の回避の目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、市街地の道路の回避目的を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、未分割の高速道路目的の回避を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、左折目的の回避を達成する。実施形態において、少なくとも１つの決定された車両ルーティングパラメータ１４１０３に応答するルーティングは、ドライバーが操作する車両の回避目的を達成する。

【0210】

実施形態において、本明細書で提供されるのは、少なくとも１つの車両をルーティングするための認知システムを有する輸送システム１６１１であり、ルーティングは、ライダーが車両に乗っている間にある行動を引き受けることによって報酬１６１０２を得ることができるライダーインターフェースからの少なくとも１つの入力を処理して少なくとも部分的に決定される。実施形態において、ライダーインターフェースは、ライダーが、車両のナビゲーションシステム（又は、ユーザー１６９０が少なくとも部分的に制御するライドシェアシステムの）又は自動運転車両のルーティングシステム１６９２がルーティングを支配するために報酬をもたらす行動を使用できるようにするなど、追求すべき報酬のセット、（例えば、タッチパネル又はオーディオインターフェースとの対話によって）種々のアクションを行うために利用できる報酬のセットを表示しても良い。例えば、サイトに参加するための報酬の選択は、サイトに中間目的地を設定するために、ナビゲーション又はルーティングシステム１６９２に信号を送信する結果となり得る。別の例として、コンテンツの一部を見る意思を示すことは、ルーティングシステム１６９２に、コンテンツを見たり聞いたりするのに十分な時間を許容する経路を選択させることになり得る。

【0211】

本明細書で提供される態様は、少なくとも１台の車両１６１０をルーティングするための認知システム１６１１であって、ルーティングは、少なくとも部分的に、ライダーインターフェースからの少なくとも１つの入力を処理することによって基づいており、少なくとも１台の車両１６１０に乗っている間にライダーが所定の行為を引き受けることに応答して報酬１６１０２がライダーに利用可能にされる、ことを備える、輸送用システム１６１１を含む。

【0212】

本明細書で提供される態様は、報酬に基づく協調的な車両ルーティングのための輸送システム１６１１を含み、以下を備える。報酬１６１０２を提供するための報酬ベースのインターフェース１６１０４と、それを通じて、車両セット１６９４に関連するユーザー１６９０が、報酬ベースのインターフェース１６１０４で提供された報酬１６１０２に応答することによって、報酬１６１０２に関連するユーザー１６９０のルーティングの好みを示すための報酬ベースのインターフェース１６１０４。報酬１６１０２に対するユーザ応答から生じる少なくとも１つのユーザアクションを決定し、少なくとも１つのルーティングパラメータ１６３０に対する対応する効果１６１０６を決定する報酬提供応答処理回路１６１０５、及びユーザ１６９０のルーティングプレファレンス１６１００及び少なくとも１つのルーティングパラメータに対する対応する効果を使用して車両セット１６９４のルーティングを支配する車両ルーティングシステム１６９２。

【0213】

実施形態では、ユーザ１６９０は、車両１６９４のセットの中の少なくとも１つの車両１６１０のライダーである。実施形態において、ユーザ１６９０は、車両１６９４のセット内の少なくとも１つの車両１６１０によって使用される道路のセットのための管理者である。実施形態において、ユーザ１６９０は、車両１６９４のセットを含む車両のフリートに対する管理者である。実施形態において、報酬ベースインターフェース１６１０４は、車載用に配置される。実施形態において、少なくとも１つのルーティングパラメータ１６３０は、渋滞、所望の到着時間、優先ルート、燃料効率、汚染低減、事故回避、悪天候の回避、悪路状態の回避、燃料消費の低減、二酸化炭素排出量の低減、地域の騒音の低減、高犯罪地域の回避、集団満足、最高速度制限、有料道路の回避、市道の回避、未分配の高速道路の回避、左折回避、ドライバーの操作する車両の回避のうち少なくとも一つを含む。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、燃料効率目標を達成するために車両の集合のルーティングを支配することである。実施形態において、車両経路制御システム１６９２は、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果とを使用して、交通量削減目的を達成するために車両一式の経路制御を行うことである。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、低減された汚染目的を達成するために、車両セットのルーティングを支配することである。実施形態において、車両経路制御システム１６９２は、ユーザー１６９０の経路選択と、少なくとも１つの経路制御パラメータに対する対応する効果を使用して、カーボンフットプリント低減目的を達成するために車両一式の経路制御を行うことである。

【0214】

実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、近隣騒音の低減目的を達成するために車両集合のルーティングを支配することである。実施形態において、車両経路制御システム１６９２は、集団満足目的を達成するために車両セットの経路制御を支配するために、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果と、を使用することである。実施形態において、車両経路制御システム１６９２は、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果とを使用して、事故現場回避目的`を達成するために車両集合の経路制御を行うことである。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、高犯罪地域を回避する目的を達成するために車両セットのルーティングを支配することである。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、交通渋滞の減少目的を達成するために車両一式のルーティングを支配することである。

【0215】

実施形態において、車両経路制御システム１６９２は、悪天候回避目的を達成するために車両のセットの経路制御を行うために、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果と、を使用することである。実施形態において、車両経路制御システム１６９２は、最大移動時間目的を達成するために車両のセットの経路制御を支配するために、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果と、を使用することである。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、最大速度制限目的を達成するために車両セットのルーティングを支配することである。実施形態において、車両ルーティングシステム１６９２は、有料道路の回避目的を達成するために車両セットのルーティングを支配するために、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果と、を使用することである。実施形態において、車両ルーティングシステム１６９２は、市街地道路の回避目的を達成するために車両セットのルーティングを支配するために、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果と、を使用することである。

【0216】

実施形態において、車両経路制御システム１６９２は、未分割高速道路の回避目的を達成するために車両セットの経路制御を支配するために、ユーザ１６９０の経路制御プリファレンスと、少なくとも１つの経路制御パラメータに対する対応する効果と、を使用することである。実施形態において、車両ルーティングシステム１６９２は、左折の回避目的を達成するために車両セットのルーティングを管理するために、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果と、を使用することである。実施形態において、車両ルーティングシステム１６９２は、ユーザ１６９０のルーティングプレファレンスと、少なくとも１つのルーティングパラメータに対する対応する効果とを使用して、ドライバー操作車両の回避目的を達成するために車両セットのルーティングを支配することである。

【0217】

図１７は、本明細書に開示されるシステム及び方法の実施形態による報酬ベースの調整された車両ルーティングの方法１７００を示す。１７０２において、本方法は、報酬ベースのインターフェースを通じて、報酬ベースのインターフェースにおいて提供される報酬に対する車両の集合に関連するユーザーの応答を受信することを含む。１７０４において、本方法は、ユーザーの応答に基づいてルーティングプリファレンスを決定することを含む。１７０６において、本方法は、報酬に対するユーザーの応答から生じる少なくとも１つのユーザアクションを決定することを含む。１７０８において、本方法は、少なくとも１つのルーティングパラメータに対する少なくとも１つのユーザアクションの対応する効果を決定することを含む。において、本方法は、ルーティングの好み及び少なくとも１つのルーティングパラメータに対する対応する効果に応答して、車両のセットのルーティングを支配することを含む。

【0218】

実施形態では、ユーザ１６９０は、車両１６９４のセットの中の少なくとも１つの車両１６１０のライダーである。実施形態では、ユーザ１６９０は、車両１６９４のセット内の少なくとも１つの車両１６１０によって使用される道路のセットのための管理者である。実施形態において、ユーザ１６９０は、車両１６９４のセットを含む車両のフリートに対する管理者である。

【0219】

実施形態において、報酬ベースインターフェース１６１０４は、車載用に配置される。実施形態において、少なくとも１つのルーティングパラメータ１６３０は、渋滞、所望の到着時間、好ましい経路、燃料効率、汚染低減、事故回避、悪天候の回避、悪路状態の回避、燃料消費の低減、二酸化炭素排出量の低減、地域の騒音の低減、高犯罪地域の回避、集団満足、最高速度制限、有料道路の回避、市道の回避、未分配の高速道路の回避、左折回避、運転操作車両の回避のうち少なくとも１つを含む。実施形態では、ユーザ１６９０は、報酬ベースのインターフェース１６１０４で提供された報酬１６１０２を受け入れること、報酬ベースのインターフェース１６１０４で提供された報酬１６１０２を拒否すること、又は報酬ベースのインターフェース１６１０４で提供された報酬１６１０２を無視することによって、報酬１６１０２に応答する。実施形態では、ユーザ１６９０は、報酬ベースインターフェース１６１０４において提供される報酬１６１０２を受け入れるか、又は拒否するかのいずれかによって、ルーティングプリファレンスを示す。実施形態では、ユーザ１６９０は、報酬１６１０２をユーザ１６９０に転送することを容易にする、車両セット１６９４内の少なくとも１つの車両１６１０における行動を引き受けることによって、ルーティングの優先順位を指示する。

【0220】

実施形態において、本方法は、報酬提供応答処理回路１６１０５を介して、車両ルーティングシステム１６９２に、ユーザ１６９０が少なくとも１つのユーザアクションを実行するための十分な時間を許容する車両ルートを選択する信号を送信することをさらに備える。実施形態では、方法は、報酬提供応答処理回路１６１０５を介して、車両ルーティングシステム１６９２に信号を送信すること、その信号は、少なくとも１つのユーザアクションに関連する車両の目的地を示すこと、及び車両ルーティングシステム１６９２によって、少なくとも１つのユーザアクションに関連する車両１６９５の経路を調整して目的地を含むことを更に備える。実施形態において、報酬１６１０２は、車両ルーティング燃料効率目標の達成に関連している。

【0221】

実施形態において、報酬１６１０２は、車両ルーティング低減されたトラフィック目的の達成に関連する。実施形態において、報酬１６１０２は、車両ルーティング低減された汚染目的の達成と関連している。実施形態において、報酬１６１０２は、車両ルーティング低減されたカーボンフットプリント目的の達成に関連する。実施形態において、報酬１６１０２は、車両ルーティング低減された近隣の騒音目的を達成することと関連している。実施形態において、報酬１６１０２は、車両ルーティング集団満足目的の達成と関連している。実施形態において、報酬１６１０２は、車両ルーティングの事故現場回避目的の達成と関連している。

【0222】

実施形態において、報酬１６１０２は、高犯罪地域を回避する車両ルーティングの目的を達成することと関連している。実施形態において、報酬１６１０２は、車両ルーティングの交通渋滞軽減目的の達成に関連する。実施形態において、報酬１６１０２は、車両ルーティング悪天候回避目的の達成と関連している。実施形態において、報酬１６１０２は、車両ルーティング最大移動時間目的の達成と関連している。実施形態において、報酬１６１０２は、車両ルーティング最大速度制限目的の達成と関連している。実施形態において、報酬１６１０２は、車両ルーティングの有料道路回避目的の達成と関連している。実施形態において、報酬１６１０２は、市街地道路の車両ルーティング回避目的を達成することと関連している。実施形態において、報酬１６１０２は、未分割高速道路目的の車両ルーティング回避の達成に関連する。実施形態において、報酬１６１０２は、左折の車両ルーティング回避の目的の達成と関連している。実施形態において、報酬１６１０２は、運転操作された車両の車両ルーティング回避の目的の達成に関連する。

【0223】

図１８を参照すると、本明細書で提供される実施形態では、複数の社会的データ源１８６９からデータ１８１１４を取り、ニューラルネットワーク１８１０８を使用して、個人のグループに対する出現した交通ニーズ１８１１２を予測するためのデータ処理システム１８６２を有する交通システム１８１１である。上述したような様々な社会的データソース１８１０７のうち、友人グループ、家族、職場の同僚、クラブのメンバー、共通の興味や所属を有する人々、政治的グループなどの社会的グループに関する大量のデータが利用可能である。上述したエキスパートシステムは、全体を通して説明したように、例えば、人間の予測のトレーニングデータセット、及び／又は、結果のフィードバックを伴うモデルを使用して、グループの交通ニーズを予測するように、トレーニングすることが可能である。例えば、ソーシャルネットワークフィード上に少なくとも部分的に示されるソーシャルグループのディスカッションスレッドに基づいて、グループミーティング又は旅行が行われることが明らかになり、システムは（それぞれのメンバーの位置情報、及び旅行の目的地セットの指標などを使用して）、各参加メンバーが参加するためにいつ、どこに移動する必要があるかを予測することができる。このような予測に基づいて、システムは、利用可能な公共交通機関の選択肢、フライトの選択肢、ライドシェアの選択肢など、移動のための選択肢を自動的に特定し、表示することができる。そのような選択肢は、一緒に移動するためにグループのメンバーのセットをピックアップすることになるルートを示すなど、グループが交通手段を共有することができるものを含むことができる。ソーシャルメディア情報は、投稿、ツイート、コメント、チャット、写真などを含むことができ、上述のように処理されることができる。

【0224】

本明細書で提供される態様は、輸送のためのシステム１８１１であって、複数のソーシャルデータソース１８６９からデータ１８１１４を取り、ニューラルネットワーク１８１０８を使用して、個人１８１１０のグループに対する新たな輸送ニーズ１８１１２を予測するためのデータ処理システム１８６２と、を備えることを含む。

【0225】

図１９は、本明細書に開示されるシステム及び方法の実施形態に従った、グループの共通の輸送ニーズを予測する方法１９００を説明する図である。１９０２で、本方法は、複数の個人に関するソーシャルメディアソースデータを収集することを含み、データは、複数のソーシャルメディアソースからソースされる。１９０４において、本方法は、データを処理して、データ中のグループ所属参照に基づいてソーシャルグループを形成する複数の個人のサブセットを識別することを含む。１９０６において、本方法は、輸送の必要性を示すデータ中のキーワードを検出することを含む。１９０８において、本方法は、検出されたキーワードに基づいて輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、複数の個人のサブセットのための共通の輸送ニーズを特定することを含む。

【0226】

図１８及び図１９を参照すると、実施形態では、ニューラルネットワーク１８１０８は、畳み込みニューラルネットワーク１８１１３である。実施形態において、ニューラルネットワーク１８１０８は、ソーシャルメディアにおけるフレーズを交通活動にマッチングさせることを容易にするモデルに基づいて訓練される。実施形態において、ニューラルネットワーク１８１０８は、共通の輸送ニーズを共有する複数の個人のサブセット１８１１０の目的地及び到着時間の少なくとも１つを予測する。実施形態において、ニューラルネットワーク１８１０８は、社会的グループ内の個人の一部の間のディスカッションスレッドにおいて検出された交通ニーズ示唆キーワードの分析に基づいて、共通の交通ニーズを予測する。実施形態において、本方法は、社会集団の一部が予測された共通の交通ニーズ１８１１２を満たすことを容易にする少なくとも１つの共有交通サービス１８１１１を特定することを更に含む。実施形態において、少なくとも１つの共有輸送サービスは、社会的グループの一部をピックアップすることを容易にする車両ルートを生成することを備える。

【0227】

図２０は、本明細書に開示されるシステム及び方法の実施形態に従った、グループの輸送の必要性を予測する方法２０００を例示する。２００２において、本方法は、複数の個人に関するソーシャルメディアソースデータを収集することを含み、データは、複数のソーシャルメディアソースから供給される。２００４年、本方法は、データを処理して、グループ輸送の必要性を共有する複数の個人のサブセットを識別することを含む。２００６年、本方法は、複数の個人のサブセットに対するグループ輸送の必要性を示すデータ中のキーワードを検出することを含む。２００８年、本方法は、検出されたキーワードに基づいて輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、グループ輸送ニーズを予測することを含む。２００９年、本方法は、グループ輸送の必要性を満たすように車両ルーティングシステムを指示することを含む。

【0228】

図１８及び図２０を参照すると、実施形態において、ニューラルネットワーク１８１０８は、畳み込みニューラルネットワーク１８１１３である。実施形態において、グループ輸送ニーズを満たすために車両ルーティングシステムを指示することは、ソーシャルメディアソースデータ１８１１４から導出された目的地に複数の車両をルーティングすることを含む。実施形態において、ニューラルネットワーク１８１０８は、ソーシャルメディアソース化データ１８１１４内のフレーズを輸送活動とマッチングさせることを容易にするモデルに基づいて訓練される。実施形態において、本方法は、ニューラルネットワーク１８１０８によって、グループ輸送ニーズを共有する複数の個人１８１０９のサブセット１８１１０の目的地及び到着時刻の少なくとも１つを予測することをさらに含む。実施形態において、本方法は、ニューラルネットワーク１８１０８によって、ソーシャルメディアソースデータ１８１１４内の議論スレッドにおいて検出された輸送ニーズ示唆キーワードの分析に基づいて、グループ輸送ニーズを予測することをさらに備える。実施形態において、本方法は、複数の個人のサブセット１８１１０の少なくとも一部について予測されたグループ輸送ニーズを満たすことを容易にする少なくとも１つの共有輸送サービス１８１１１を特定することをさらに備える。実施形態では、少なくとも１つの共有輸送サービス１８１１１は、複数の個人のサブセット１８１１０の少なくとも一部をピックアップすることを容易にする車両経路を生成することを備える。

【0229】

図２１は、本明細書に開示されるシステム及び方法の実施形態に従った、集団輸送の必要性を予測する方法２１００を例示する。２１０２において、本方法は、複数のソーシャルメディアソースからソーシャルメディアソースデータを収集することを含む。２１０４で、本方法は、イベントを識別するためにデータを処理することを含む。２１０６において、本方法は、イベントを示すデータ中のキーワードを検出して、イベントに関連する輸送の必要性を決定することを含む。において、本方法は、ソーシャルメディアソースデータに少なくとも部分的に基づいて輸送ニーズを予測するように訓練されたニューラルネットワークを使用して、輸送ニーズを満たすように車両ルーティングシステムを指示することを含む。

【0230】

図１８及び図２１を参照すると、実施形態では、ニューラルネットワーク１８１０８は、畳み込みニューラルネットワーク１８１１３である。実施形態において、車両ルーティングシステムは、複数の車両をイベントに関連する場所にルーティングすることによって、輸送ニーズを満たすように指示される。実施形態において、車両経路制御システムは、イベントに関連付けられた場所に近接する領域を回避するように複数の車両を経路制御することによって、輸送ニーズを満たすように指示される。実施形態において、車両経路制御システムは、ソーシャルメディアソースデータ１８１１４が輸送の必要性を示していないユーザーに関連する車両を、イベントに関連する場所に近接する地域を避けるように経路制御することによって、輸送の必要性を満たすように指示される。実施形態において、本方法は、交通ニーズを満たすための少なくとも１つの交通サービスを提示することをさらに含む。実施形態において、ニューラルネットワーク１８１０８は、ソーシャルメディアソース化されたデータ１８１１４内のフレーズを交通活動とマッチングさせることを容易にするモデルに基づいて訓練される。

【0231】

実施形態において、ニューラルネットワーク１８１０８は、イベントに参加する個人の目的地及び到着時間のうちの少なくとも１つを予測する。実施形態では、ニューラルネットワーク１８１０８は、ソーシャルメディアソースデータ１８１１４内のディスカッションスレッドにおいて検出された交通ニーズ示唆キーワードの分析に基づいて、交通ニーズを予測する。実施形態において、本方法は、ソーシャルメディアソース化データ１８１１４において識別された個人の少なくともサブセットについて予測された輸送ニーズを満たすことを容易にする少なくとも１つの共有輸送サービスを識別することをさらに備える。実施形態において、少なくとも１つの共有輸送サービスは、ソーシャルメディアソース化されたデータ１８１１４において識別された個人のサブセットの一部をピックアップすることを容易にする車両ルートを生成することを含む。

【0232】

図２２を参照すると、本明細書で提供される実施形態では、複数のソーシャルデータソース２２１０７の２２６９からソーシャルメディアデータ２２１１４を取り込むためのデータ処理システム２２１１を有する交通システム２２１１１と、ハイブリッドニューラルネットワーク２２４７を使用してソーシャルデータソース２２１０７を処理した上で交通システム２２１１１の動作状態を最適化するためのシステム２２４７と、がある。ハイブリッドニューラルネットワーク２２４７は、例えば、ソーシャルメディアデータ２２１１４の処理に基づいて分類又は予測を行うニューラルネットワークコンポーネント（例えば、多くの人々のイベントへの関心を示す多くのソーシャルメディアフィード上の画像を処理することによるイベントの高い出席率の予測、交通量の予測、など。トピックに対する個人の関心の分類、その他多数）、及び車内状態、（個々の車両２２１０又は車両２２９４の集合に対する）ルーティング状態、ユーザ体験状態、又は本開示を通じて説明されるその他の状態など、輸送システムの動作状態を最適化する別の構成要素（ｅ．ｇ．非常に高い出席者がいる可能性が高い音楽祭のような会場に個人を早期にルーティングする、音楽祭に参加するバンドのために車両２２１０で音楽コンテンツを再生する、など）。

【0233】

本明細書で提供される態様は、輸送のためのシステムを含み、複数のソーシャルデータソース２２６９からソーシャルメディアデータ２２１１４を取るためのデータ処理システム２２１１と、複数のソーシャルデータソース２２６９からのデータ２２１１４をハイブリッドニューラルネットワーク２２４７で処理することに基づいて輸送システムの動作状態を最適化するためにハイブリッドニューラルネットワーク２２４７を用いることと、を備える。

【0234】

本明細書で提供される態様は、輸送システム最適化のためのハイブリッドニューラルネットワークシステム２２１１５を含み、ハイブリッドニューラルネットワークシステム２２１１５は、複数の２２６９個のソーシャルメディアデータソース２２１０７から供給されるソーシャルメディアデータ２２１１４の分析を通じて輸送システム上の局所効果２２１１６を予測する第１のニューラルネットワーク２２２２、及び予測された局所効果２２１１６に基づいて輸送システムの動作状態を最適化する第２のニューラルネットワーク２２２０を含む、ハイブリッドネットワーク２２４７を備える。

【0235】

実施形態において、第１のニューラルネットワーク２２２２及び第２のニューラルネットワーク２２２０の少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、第２のニューラルネットワーク２２２０は、車内ライダー経験状態を最適化することである。実施形態において、第１のニューラルネットワーク２２２２は、車両位置と局所的効果２２１１６の領域との相関関係に基づいて、局所的効果２２１１６に寄与する車両２２９４のセットを識別する。実施形態において、第２のニューラルネットワーク２２２０は、局地的効果２２１１６の場所に近接する車両に対する輸送システムのルーティング状態を最適化することである。実施形態において、ハイブリッドニューラルネットワーク２２４７は、交通システム最適化アクションの結果を示すソーシャルメディアデータ内のキーワードに基づいて、予測及び最適化のうちの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディア投稿に基づいて予測及び最適化することの少なくとも１つのために訓練される。

【0236】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアフィードに基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４から導出された評価に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４において検出された好き嫌いのアクティビティに基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における関係の指標に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４において検出されたユーザ行動に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるディスカッションスレッドに基づいて予測すること及び最適化することの少なくとも１つのために訓練される。

【0237】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるチャットに基づく予測及び最適化のうちの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における写真に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるトラフィック影響情報に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における場所での特定の個人の表示に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、特定の個人は、有名人である。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における場所での稀な又は過渡的な現象の存在に基づいて予測及び最適化することの少なくとも１つのために訓練される。

【0238】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４内のロケーションにおけるコマース関連イベントを予測し、それに基づいて最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における場所でのエンターテイメントイベントを予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、交通状況を含む。実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、気象条件を含む。実施形態において、交通システムに対する局地的な影響を予測するために分析されたソーシャルメディアデータは、エンターテイメントオプションを含む。

【0239】

実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、リスク関連の条件を含む。実施形態では、リスク関連条件は、潜在的に危険な理由のために集まる群衆を含む。実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、商取引関連条件を含む。実施形態では、交通システムへの局所的な影響を予測するために分析されたソーシャルメディアデータは、目標に関連する条件を含む。

【0240】

実施形態において、交通システムへの局所的な影響を予測するために分析されたソーシャルメディアデータは、イベントへの出席者の推定値を含む。実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、イベントへの出席者の予測を含む。実施形態において、交通システムへの局所的な影響を予測するために分析されたソーシャルメディアデータは、交通機関のモードを含む。実施形態において、交通の態様は、自動車交通を含む。実施形態において、交通機関のモードは、公共交通機関の選択肢を含む。

【0241】

実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、ハッシュタグを含む。実施形態において、交通システムに対する局所的な影響を予測するために分析されたソーシャルメディアデータは、トピックのトレンド化を含む。実施形態において、交通システム最適化アクションの成果は、燃料消費量の削減である。実施形態において、交通システム最適化アクションの成果は、交通渋滞を低減することである。実施形態において、交通システム最適化アクションの成果は、汚染の低減である。実施形態において、交通システム最適化アクションの成果は、悪天候の回避である。実施形態において、最適化される交通システムの動作状態は、車載状態を含む。実施形態において、最適化される輸送システムの動作状態は、ルーティング状態を含む。

【0242】

実施形態では、ルーティング状態は、個々の車両２２１０のためのものである。実施形態において、ルーティング状態は、車両２２９４のセットに対するものである。実施形態において、最適化される輸送システムの動作状態は、ユーザ体験状態を含む。

【0243】

図２３は、本明細書に開示されるシステム及び方法の実施形態に従った、輸送システムの動作状態を最適化する方法２３００を示す。２３０２で、本方法は、複数の個人に関するソーシャルメディアソースデータを収集することを含み、データは、複数のソーシャルメディアソースから供給される。において、本方法は、ハイブリッドニューラルネットワークを使用して、輸送システムの動作状態を最適化することを含む。２３０６において、本方法は、ハイブリッドニューラルネットワークの第１のニューラルネットワークによって、ソーシャルメディアから供給されたデータの分析を通じて、輸送システムへの影響を予測することを含む。２３０８において、本方法は、ハイブリッドニューラルネットワークの第２のニューラルネットワークによって、予測されたそれに対する影響に応答して、輸送システムの少なくとも１つの動作状態を最適化することを含む。

【0244】

図２２及び図２３を参照すると、実施形態において、第１のニューラルネットワーク２２２２及び第２のニューラルネットワーク２２２０のうちの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、第２のニューラルネットワーク２２２０は、車載ライダー体験状態を最適化する。実施形態において、第１のニューラルネットワーク２２２２は、車両位置と効果領域の相関関係に基づいて、効果に寄与する車両の集合を特定する。実施形態において、第２のニューラルネットワーク２２２０は、影響の場所に近接する車両に対する交通システムのルーティング状態を最適化する。

【0245】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、交通システム最適化アクションの結果を示すソーシャルメディアデータ内のキーワードに基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディア投稿に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアフィードに基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４から導出された評価に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４において検出された好き嫌いのアクティビティに基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における関係の指標に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。

【0246】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４において検出されたユーザ行動に基づいて予測及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるディスカッションスレッドに基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるチャットに基づく予測及び最適化のうちの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４における写真に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ２２１１４におけるトラフィックに影響を与える情報に基づいて予測及び最適化することの少なくとも１つのために訓練される。

【0247】

実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ内の位置における特定の個人の表示に基づいて、予測及び最適化の少なくとも１つのために訓練される。実施形態において、特定の個人は、有名人である。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ内の場所における稀な又は過渡的な現象の存在に基づいて予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ内のロケーションにおけるコマース関連イベントを予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、ハイブリッドニューラルネットワーク２２４７は、ソーシャルメディアデータ内の場所におけるエンターテイメントイベントを予測すること及び最適化することの少なくとも１つのために訓練される。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、交通状況を含む。

【0248】

実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、気象条件を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、エンターテイメントの選択肢を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、リスクに関連する条件を含む。実施形態において、リスク関連条件は、潜在的に危険な理由のために集まる群衆を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、商業関連の条件を含む。実施形態では、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、目標に関連する条件を含む。

【0249】

実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、イベントへの出席者の推定値を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、イベントへの出席者の予測を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、交通機関のモードを含む。実施形態において、交通機関のモードは、自動車交通を含む。実施形態において、交通機関のモードは、公共交通機関の選択肢を含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、ハッシュタグを含む。実施形態において、交通システムへの影響を予測するために分析されたソーシャルメディアデータは、トピックのトレンド化を含む。

【0250】

実施形態において、交通システム最適化アクションの成果は、燃料消費を低減することである。実施形態において、交通システム最適化アクションの成果は、交通渋滞の低減である。実施形態において、交通システム最適化行動の成果は、公害の低減である。実施形態において、交通システム最適化アクションの成果は、悪天候の回避である。実施形態において、最適化される交通システムの動作状態は、車載状態を含む。実施形態において、最適化されている輸送システムの動作状態は、ルーティング状態を含む。実施形態において、ルーティング状態は、個々の車両に対するものである。実施形態において、ルーティング状態は、車両のセットに対するものである。実施形態において、最適化される輸送システムの動作状態は、ユーザ体験状態を含む。

【0251】

図２４は、本明細書に開示されるシステム及び方法の実施形態に従った、輸送システムの動作状態を最適化する方法２４００を示す図である。２４０２で、方法は、ハイブリッドニューラルネットワークの第１のニューラルネットワークを使用して、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを輸送システムに影響を与えるものとして分類することを含む。２４０４で、本方法は、ハイブリッドニューラルネットワークの第２のネットワークを使用して、分類されたソーシャルメディアデータに基づいて輸送システムの少なくとも１つの動作目標を予測することを含む。２４０６において、本方法は、ハイブリッドニューラルネットワークの第３のネットワークを使用して、輸送システムの少なくとも１つの動作目的を達成するために、輸送システムの動作状態を最適化することを含む。

【0252】

図２２及び図２４を参照すると、実施形態において、ハイブリッドニューラルネットワーク２２４７のニューラルネットワークの少なくとも１つは、畳み込みニューラルネットワークである。

【0253】

図２５を参照すると、本明細書で提供される実施形態では、複数のソーシャルデータソース２５１０７からソーシャルメディアデータ２５１１４を取るためのデータ処理システム２５６２を有する輸送システム２５１１、及びハイブリッドニューラルネットワーク２５４７を使用してソーシャルデータソースを処理することに基づいて車両２５１０の動作状態２５４５を最適化するために、ハイブリッドニューラルネットワーク２５４７を用いることができる。実施形態において、ハイブリッドニューラルネットワーク２５４７は、予測のための１つのニューラルネットワークカテゴリと、分類のための別のものと、１つ又は複数の所望の結果（効率的な移動、満足度の高いライダー体験、快適な乗り心地、定時到着などの提供など）の最適化に基づくなど、１つ又は複数の動作状態の最適化のための別のものを含むことが可能である。社会的データソース２５６９は、旅行時間を予測するため、ユーザの興味をプロファイリングするためなどのコンテンツを分類するため、輸送計画の目的（個人又はグループに対して全体的な満足を提供するものなど）を予測するためなど、異なるニューラルネットワークカテゴリ（本明細書に記載されるタイプのいずれかなど）によって使用されてもよい。ソーシャルデータソース２５６９は、成功した結果の指標を提供することなどにより、最適化を知らせることもできる（例えば、Facebookフィードのようなソーシャルデータソース２５１０７は、旅行が「素晴らしい」又は「ひどい」ことを示すかもしれない、Yelpレビューはレストランがひどいことを示すかもしれない、などである）。したがって、ソーシャルデータソース２５６９は、結果追跡に寄与することによって、タイミング、目的地、旅行目的、どのような個人を招待すべきか、どのような娯楽オプションを選択すべきか、及び他の多くのものに関連するなど、交通計画を最適化するためにシステムを訓練するために使用することができる。

【0254】

本明細書で提供される態様は、輸送用システム２５１１であって、複数のソーシャルデータソース２５１０７からソーシャルメディアデータ２５１１４を取り込むためのデータ処理システム２５６２と、複数のソーシャルデータソース２５１０７からのデータ２５１１４をハイブリッドニューラルネットワーク２５４７で処理することに基づいて車両２５１０の動作状態２５４５を最適化するためのハイブリッドニューラルネットワーク２５４６と、を備える、システムを含む。

【0255】

図２６は、本明細書に開示されるシステム及び方法の実施形態に従った、車両の動作状態を最適化する方法２６００を示す。２６０２で、方法は、ハイブリッドニューラルネットワークの第１のニューラルネットワーク２５２２（図２５）を使用して、複数のソーシャルメディアソースから供給されたソーシャルメディアデータ２５１１９（図２５）を、輸送システムに影響を与えるものとして分類することを含む。２６０４で、本方法は、ハイブリッドニューラルネットワークの第２のニューラルネットワーク２５２０（図２５）を使用して、分類されたソーシャルメディアデータの輸送システムに対する１つ以上の影響２５１１８（図２５）を予測することを含む。２６０６で、本方法は、ハイブリッドニューラルネットワークの第３のニューラルネットワーク２５１１７（図２５）を用いて、輸送システムの少なくとも１つの車両の状態を最適化することを含み、最適化は、少なくとも１つの車両に対する予測された１つ又は複数の効果の影響に対処することを含む。

【0256】

図２５及び図２６を参照すると、実施形態において、ハイブリッドニューラルネットワーク２５４７のニューラルネットワークのうちの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディア投稿を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディアフィードを含む。実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディアにおいて検出された好き嫌いアクティビティを含む。実施形態において、ソーシャルメディアデータ２５１１４は、関係の指標を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ユーザ動作を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ディスカッションスレッドを含む。実施形態において、ソーシャルメディアデータ２５１１４は、チャットを含む。実施形態において、ソーシャルメディアデータ２５１１４は、写真を含む。

【0257】

実施形態において、ソーシャルメディアデータ２５１１４は、トラフィックアフェクション情報を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ある場所における特定の個人の表示を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ある場所における有名人の表示を含む。実施形態において、ソーシャルメディアデータ２５１１４は、場所における稀な又は一過性の現象の存在を含む。実施形態において、ソーシャルメディアデータ２５１１４は、コマース関連イベントを含む。実施形態において、ソーシャルメディアデータ２５１１４は、場所における娯楽イベントを含む。実施形態において、ソーシャルメディアデータ２５１１４は、交通状況を含む。実施形態において、ソーシャルメディアデータ２５１１４は、天候状況を含む。実施形態において、ソーシャルメディアデータ２５１１４は、エンターテイメントの選択肢を含む。

【0258】

実施形態において、ソーシャルメディアデータ２５１１４は、リスク関連条件を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントへの出席の予測を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントへの出席の推定を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントと共に使用される交通手段を含む。実施形態において、交通機関に対する効果２５１１８は、燃料消費量の削減を含む。実施形態において、交通システムに対する効果２５１１８は、交通渋滞を低減することを含む。実施形態において、交通システムに対する効果２５１１８は、カーボンフットプリントの削減を含む。実施形態において、輸送システムに対する効果２５１１８は、低減された公害を含む。

【0259】

実施形態において、少なくとも１つの車両２５１０の最適化された状態２５４４は、車両の動作状態２５４５である。実施形態において、少なくとも１つの車両の最適化された状態は、車載状態を含む。実施形態において、少なくとも１つの車両の最適化された状態は、ライダー状態を含む。実施形態において、少なくとも１つの車両の最適化された状態は、ルーティング状態を含む。実施形態において、少なくとも１つの車両の最適化された状態は、ユーザ体験状態を含む。実施形態において、ソーシャルメディアデータ２５１１４における最適化の結果の特徴付けは、最適化を改善するためのフィードバックとして使用される。実施形態において、フィードバックは、結果の好き嫌いを含む。実施形態において、フィードバックは、結果を参照するソーシャルメディア活動を含む。

【0260】

実施形態において、フィードバックは、結果を参照するソーシャルメディア活動のトレンド化を含む。実施形態において、フィードバックは、結果に関連するハッシュタグを含む。実施形態において、フィードバックは、成果の評価を含む。実施形態において、フィードバックは、成果に対する要求を含む。

【0261】

図２６Ａは、本明細書に開示されるシステム及び方法の実施形態に従った、車両の動作状態を最適化する方法２６Ａ００を示す。２６Ａ０２で、方法は、ハイブリッドニューラルネットワークの第１のニューラルネットワークを使用して、複数のソーシャルメディアソースから供給されたソーシャルメディアデータを、輸送システムに影響を与えるものとして分類することを含む。２６Ａ０４で、本方法は、ハイブリッドニューラルネットワークの第２のニューラルネットワークを使用して、分類されたソーシャルメディアデータに基づいて、交通システムの少なくとも１つの車両動作目的を予測することを含む。２６Ａ０６において、本方法は、ハイブリッドニューラルネットワークの第３のニューラルネットワークを使用して、輸送システムの少なくとも１つの車両動作目的を達成するために、輸送システム内の車両の状態を最適化することを含む。

【0262】

図２５及び図２６Ａを参照すると、実施形態において、ハイブリッドニューラルネットワーク２５４７のニューラルネットワークの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、車両動作目的は、車両内の少なくとも１人のライダーのライダー状態を達成することからなる。実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディア投稿を含む。

【0263】

実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディアフィードを含む。実施形態において、ソーシャルメディアデータ２５１１４は、ソーシャルメディアにおいて検出された好き嫌いアクティビティを含む。実施形態において、ソーシャルメディアデータ２５１１４は、関係の指標を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ユーザ動作を含む。実施形態において、ソーシャルメディアデータ２５１１４は、ディスカッションスレッドを含む。実施形態において、ソーシャルメディアデータ２５１１４は、チャットを含む。実施形態では、ソーシャルメディアデータ２５１１４は、写真を含む。実施形態において、ソーシャルメディアデータ２５１１４は、トラフィックアフェクション情報を含む。

【0264】

実施形態において、ソーシャルメディアデータ２５１１４は、ある場所における特定の個人の表示を含む。実施形態において、ソーシャルメディアデータ２５１１４は、場所における有名人の表示を含む。実施形態において、ソーシャルメディアデータ２５１１４は、場所における稀な又は一過性の現象の存在を含む。実施形態において、ソーシャルメディアデータ２５１１４は、コマース関連イベントを含む。実施形態において、ソーシャルメディアデータ２５１１４は、場所における娯楽イベントを含む。実施形態において、ソーシャルメディアデータ２５１１４は、交通状況を含む。実施形態において、ソーシャルメディアデータ２５１１４は、天候状況を含む。実施形態において、ソーシャルメディアデータ２５１１４は、エンターテイメントオプションを含む。

【0265】

実施形態において、ソーシャルメディアデータ２５１１４は、リスク関連条件を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントへの出席の予測を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントへの出席の推定を含む。実施形態において、ソーシャルメディアデータ２５１１４は、イベントと共に使用される交通機関のモードを含む。実施形態において、交通機関への効果は、燃料消費を低減することを含む。実施形態において、交通システムに対する効果は、交通渋滞を低減することを含む。実施形態において、交通システムに対する効果は、カーボンフットプリントの削減を含む。実施形態において、輸送システムに対する効果は、低減された汚染を含む。実施形態において、車両の最適化された状態は、車両の動作状態である。

【0266】

実施形態において、車両の最適化された状態は、車載状態を含む。実施形態において、車両の最適化された状態は、ライダー状態を含む。実施形態において、車両の最適化された状態は、ルーティング状態を含む。実施形態において、車両の最適化された状態は、ユーザ体験状態を含む。実施形態において、ソーシャルメディアデータにおける最適化の結果の特徴付けは、最適化を改善するためのフィードバックとして使用される。実施形態において、フィードバックは、結果に対する好き嫌いを含む。実施形態において、フィードバックは、結果を参照するソーシャルメディアの活動を含む。実施形態において、フィードバックは、結果を参照するソーシャルメディア活動のトレンド化を含む。

【0267】

実施形態において、フィードバックは、結果に関連付けられたハッシュタグを含む。実施形態において、フィードバックは、結果の評価を含む。実施形態において、フィードバックは、結果に対する要求を含む。

【0268】

図２７を参照すると、本明細書で提供される実施形態では、複数のソーシャルデータソース２７６９からソーシャルデータ２７１１４を取るためのデータ処理システム２７６２を有する輸送システム２７１１と、ハイブリッドニューラルネットワーク２７４７を用いてソーシャルデータソースを処理することに基づいて車両２７１０における少なくとも１人のライダー２７１２０の満足度２７１２１を最適化するためにハイブリッドニューラルネットワーク２７４６を用いることが挙げられる。ソーシャルデータソース２７６９は、例えば、あるニューラルネットワークカテゴリによって、ライダー２７１２０にとってどのような娯楽オプションが最も効果的であるかを予測するために使用されてもよく、別のニューラルネットワークカテゴリは、経路計画を最適化するために（例えば、起こりやすい交通、関心ポイントなどを示すソーシャルデータに基づく）使用されることがある。ソーシャルデータ２７１１４は、エンターテイメントオプションに関しても、交通計画、ルーティングなどに関しても、システムを最適化するための結果追跡及びフィードバックのために使用することもできる。

【0269】

本明細書で提供される態様は、輸送用システム２７１１であって、複数のソーシャルデータソース２７６９からソーシャルデータ２７１１４を取り込むためのデータ処理システム２７６２と、複数のソーシャルデータソース２７６９からのソーシャルデータ２７１１４をハイブリッドニューラルネットワーク２７４７で処理することに基づいて車両２７１０における少なくとも１人のライダー２７１２０の満足度２７１２１を最適化するためのハイブリッドニューラルネットワーク２７４６を備える、システムと、を備える。

【0270】

図２８は、本明細書に開示されるシステム及び方法の実施形態に従った、ライダー満足度を最適化する方法２８００を示す図である。２８０２で、方法は、ハイブリッドニューラルネットワークの第１のニューラルネットワーク２７２２（図２７）を使用して、複数のソーシャルメディアソースから供給されたソーシャルメディアデータ２７１１９（図２７）を、輸送システムに対する影響を示すものとして分類することを含む。２８０４で、本方法は、ハイブリッドニューラルネットワークの第２のニューラルネットワーク２７２０（図２７）を使用して、交通システムへの影響を示すものとして分類されたソーシャルメディアデータから得られた交通システムへの影響によって影響を受けるライダー満足度の少なくとも１つの側面２７１２２（図２７）を、予測することを含む。２８０６で、本方法は、ハイブリッドニューラルネットワークの第３のニューラルネットワーク２７１１７（図２７）を使用して、交通システム内の車両を占有する少なくとも１人のライダーに対するライダー満足度の少なくとも１つのアスペクトを最適化することを含む。

【0271】

図２７及び図２８を参照すると、実施形態において、ハイブリッドニューラルネットワーク２５４７のニューラルネットワークの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、ライダー満足度の少なくとも１つの側面２７１２１は、ライダーに提示するためのエンターテイメントオプションを予測することによって最適化される。実施形態において、ライダー満足度の少なくとも１つの側面２７１２１は、ライダーによって占有される車両に対する経路計画を最適化することによって最適化される。実施形態において、ライダー満足度の少なくとも１つの側面２７１２１は、ライダー状態であり、ライダー状態を最適化することを含むライダー満足度の側面の最適化を行う。実施形態では、ライダーに固有のソーシャルメディアデータを分析して、ライダー満足度の少なくとも１つの側面２７１２１を最適化する可能性が高い少なくとも１つの最適化アクションを決定する。実施形態において、最適化アクションは、ユーザにとって関心のあるポイントを通過することを含むように経路計画を調整すること、ソーシャルメディアデータから予測される交通渋滞を回避すること、及び娯楽オプションを提示することからなるアクションの群から選択される。

【0272】

実施形態において、ソーシャルメディアデータは、ソーシャルメディア投稿を含む。実施形態において、ソーシャルメディアデータは、ソーシャルメディアフィードを含む。実施形態において、ソーシャルメディアデータは、ソーシャルメディアにおいて検出された好き嫌いアクティビティを含む。実施形態において、ソーシャルメディアデータは、関係の指標を含む。実施形態において、ソーシャルメディアデータは、ユーザ動作を含む。実施形態において、ソーシャルメディアデータは、ディスカッションスレッドを含む。実施形態では、ソーシャルメディアデータは、チャットを含む。実施形態において、ソーシャルメディアデータは、写真を含む。

【0273】

実施形態において、ソーシャルメディアデータは、トラフィックに影響を与える情報を含む。実施形態において、ソーシャルメディアデータは、ある場所にいる特定の個人の表示を含む。実施形態において、ソーシャルメディアデータは、ある場所での有名人の表示を含む。実施形態において、ソーシャルメディアデータは、ある場所における稀な又は一過性の現象の存在を含む。実施形態において、ソーシャルメディアデータは、コマース関連イベントを含む。実施形態において、ソーシャルメディアデータは、場所における娯楽イベントを含む。実施形態において、ソーシャルメディアデータは、交通状況を含む。実施形態において、ソーシャルメディアデータは、天候の状況を含む。実施形態において、ソーシャルメディアデータは、エンターテイメントの選択肢を含む。実施形態において、ソーシャルメディアデータは、リスク関連条件を含む。実施形態において、ソーシャルメディアデータは、イベントへの出席の予測を含む。実施形態において、ソーシャルメディアデータは、イベントへの出席の推定を含む。実施形態において、ソーシャルメディアデータは、イベントと共に使用される交通機関のモードを含む。実施形態において、交通機関への効果は、燃料消費を低減することを含む。実施形態において、交通システムに対する効果は、交通渋滞を低減することを含む。実施形態において、交通システムに対する効果は、カーボンフットプリントの削減を含む。実施形態において、輸送システムに対する効果は、汚染の低減を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、車両の動作状態である。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、車内状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ライダー状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ルーティング状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ユーザ体験状態を含む。

【0274】

実施形態において、ソーシャルメディアデータにおける最適化の結果の特徴付けは、最適化を改善するためのフィードバックとして使用される。実施形態において、フィードバックは、結果に対する好き嫌いを含む。実施形態において、フィードバックは、結果を参照するソーシャルメディアの活動を含む。実施形態において、フィードバックは、結果を参照するソーシャルメディア活動のトレンド化を含む。実施形態において、フィードバックは、結果に関連するハッシュタグを含む。実施形態において、フィードバックは、結果の評価を含む。実施形態において、フィードバックは、成果に対する要求を含む。

【0275】

本明細書で提供される態様は、ライダー満足度２７１２１を最適化するためのライダー満足度システム２７１２３を含み、該システムは、以下を備える。交通システム２７１１への影響を示すものとして複数のソーシャルメディアソース２７１０７から供給されたソーシャルメディアデータ２７１１４を分類するハイブリッドニューラルネットワーク２７４７の第１のニューラルネットワーク２７２２と、交通システムへの影響を示すものとして分類されたソーシャルメディアデータから得られる交通システムへの影響によって影響を受けるライダー満足２７１２１の少なくとも１つの側面２７１２２を予測するハイブリッドニューラルネットワーク２７４７の第２のニューラルネットワーク２７２０と及び、ハイブリッドニューラルネットワーク２７４７の第３のニューラルネットワーク２７１１７は、交通システム２７１１内の車両２７１０を占有する少なくとも１人のライダー２７４４について、ライダー満足度の少なくとも１つの側面２７１２１を最適化するためのものである。実施形態において、ハイブリッドニューラルネットワーク２７４７のニューラルネットワークのうちの少なくとも１つは、畳み込みニューラルネットワークである。

【0276】

実施形態において、ライダー満足度２７１２１の少なくとも１つの側面は、ライダー２７４４に提示するためのエンターテイメントオプションを予測することによって最適化される。実施形態において、ライダー満足度の少なくとも１つの側面２７１２１は、ライダー２７４４によって占有される車両２７１０のための経路計画を最適化することによって最適化される。実施形態において、ライダー満足度の少なくとも１つの側面２７１２１は、ライダー状態２７３７であり、ライダー満足度の少なくとも１つの側面２７１２１を最適化することは、ライダー状態２７３７を最適化することから構成される。実施形態では、ライダー２７４４に固有のソーシャルメディアデータが分析され、ライダー満足度の少なくとも１つの側面２７１２１を最適化する可能性が高い少なくとも１つの最適化アクションが決定される。実施形態において、少なくとも１つの最適化アクションは、ユーザにとって関心のある通過点を含むように経路計画を調整すること、ソーシャルメディアデータから予測される交通渋滞を回避すること、経済的利益を得ること、利他的利益を得ること、及び娯楽オプションを提示することからなる群から選択される。

【0277】

実施形態において、経済的利益は、節約された燃料である。実施形態において、利他的利益は、環境負荷の低減である。実施形態において、ソーシャルメディアデータは、ソーシャルメディア投稿を含む。実施形態において、ソーシャルメディアデータは、ソーシャルメディアフィードを含む。実施形態において、ソーシャルメディアデータは、ソーシャルメディアにおいて検出された好き嫌いアクティビティを含む。実施形態において、ソーシャルメディアデータは、関係の指標を含む。実施形態において、ソーシャルメディアデータは、ユーザ動作を含む。実施形態において、ソーシャルメディアデータは、ディスカッションスレッドを含む。実施形態において、ソーシャルメディアデータは、チャットを含む。実施形態において、ソーシャルメディアデータは、写真を含む。実施形態において、ソーシャルメディアデータは、トラフィックに影響を与える情報を含む。実施形態において、ソーシャルメディアデータは、ある場所における特定の個人の表示を含む。

【0278】

実施形態において、ソーシャルメディアデータは、場所における有名人の表示を含む。実施形態において、ソーシャルメディアデータは、場所における稀な又は一過性の現象の存在を含む。実施形態において、ソーシャルメディアデータは、商取引関連イベントを含む。実施形態において、ソーシャルメディアデータは、場所における娯楽イベントを含む。実施形態において、ソーシャルメディアデータは、交通状況を含む。実施形態において、ソーシャルメディアデータは、天候の状況を含む。実施形態において、ソーシャルメディアデータは、エンターテイメントの選択肢を含む。実施形態において、ソーシャルメディアデータは、リスク関連条件を含む。実施形態において、ソーシャルメディアデータは、イベントへの出席の予測を含む。実施形態において、ソーシャルメディアデータは、イベントへの出席の推定を含む。実施形態において、ソーシャルメディアデータは、イベントと共に使用される交通手段を含む。

【0279】

実施形態において、交通システムに対する効果は、燃料消費を低減することを含む。実施形態において、交通システムに対する効果は、交通渋滞の低減を含む。実施形態において、輸送システムに関する効果は、カーボンフットプリントの削減を含む。実施形態において、輸送システムに対する効果は、汚染の低減を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、車両の動作状態である。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、車内状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ライダー状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ルーティング状態を含む。実施形態において、ライダー満足度の最適化された少なくとも１つの側面は、ユーザ体験状態を含む。実施形態において、ソーシャルメディアデータにおける最適化の結果の特徴付けは、最適化を改善するためのフィードバックとして使用される。実施形態において、フィードバックは、結果に対する好き嫌いを含む。実施形態において、フィードバックは、結果を参照するソーシャルメディアの活動を含む。実施形態において、フィードバックは、結果を参照するソーシャルメディア活動のトレンド化を含む。実施形態において、フィードバックは、結果に関連するハッシュタグを含む。実施形態において、フィードバックは、結果の評価を含む。実施形態において、フィードバックは、成果に対する要求を含む。

【0280】

図２９を参照すると、本明細書で提供される実施形態では、１つのニューラルネット２９２２が車両２９１０のライダー２９４４に関するセンサ入力２９１２５を処理して感情状態２９１２６を決定し、別のニューラルネットがライダーの感情状態２９６６を改善するために車両の少なくとも１つの動作パラメータ２９１２４を最適化する、ハイブリッドニューラルネットワーク２９４７を有する輸送システム２９１１である。例えば、人間の感覚を模倣する１つ以上のパーセプトロン２９１２７を含むニューラルネット２９２２は、様々な感覚が刺激された程度に基づいてライダー２９１２６の起こりやすい感情状態を決定することを模倣又は支援するために使用され、別のニューラルネットワーク２９２０は、動作パラメータの様々な組み合わせのランダム及び／又はシステム化された変動を行うエキスパートシステム（娯楽設定、シート設定、サスペンション設定、ルートタイプなど。シート設定、サスペンション設定、ルートタイプなど）を、任意に、感情状態を予測するパーセプトロン含有ニューラルネットワーク２９２２の出力からの入力に基づいて、好ましい組み合わせを促進し、好ましくない組み合わせを排除する遺伝的プログラミングで行うエキスパートシステムに使用される。これら及び他の多くのそのような組み合わせは、本開示によって包含される。図２９において、パーセプトロン２９１２７は、任意選択として描かれている。

【0281】

本明細書で提供される態様は、輸送用システム２９１１であって、１つのニューラルネットワーク２９２２が、車両２９１０のライダー２９４４に対応するセンサ入力２９１２５を処理してライダー２９４４の感情状態２９６６を決定し、別のニューラルネットワーク２９２０が、ライダー２９４４の感情状態２９６６を改善するために車両の少なくとも１つの動作パラメータ２９１２４を最適化するハイブリッドニューラルネットワーク２９４７を備える、ことを特徴とする。

【0282】

本明細書で提供される態様は、ライダー満足のためのハイブリッドニューラルネットワーク２９４７であって、ライダーの生理学的状態を収集するために車両２９１０に配備されたセンサ２９２５から収集されたセンサ入力２９１２５の分析を通じて、車両２９１０を占有するライダー２９４４の検出された感情状態２９１２６を検出する第１のニューラルネットワーク２９２２と、ライダーの好ましい感情状態２９１２６に応じて車両の運用パラメータ２９１２４を最適化するための第２のニューラルネットワーク２９２０とを備える、ライダーの感情状態検出装置２９１７。

【0283】

実施形態において、第１のニューラルネットワーク２９２２はリカレントニューラルネットワークであり、第２のニューラルネットワーク２９２０はラジアル基底関数ニューラルネットワークである。実施形態において、ハイブリッドニューラルネットワーク２９４７のニューラルネットワークのうちの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、第２のニューラルネットワーク２９２０は、車両動作状態２９４５とライダーの感情状態２９６６との間の相関関係に基づいて、動作パラメータ２９１２４を最適化することである。実施形態において、第２のニューラルネットワーク２９２０は、第１のニューラルネットワーク２９２２によるライダー２９４４の検出された感情状態２９１２６の検出に応答して、リアルタイムで操作パラメータ２９１２４を最適化することである。実施形態において、第１のニューラルネットワーク２９２２は、有向サイクルを形成する複数の接続ノードからなり、第１のニューラルネットワーク２９２２は、接続ノード間のデータの双方向のフローをさらに促進する。実施形態において、最適化される運用パラメータ２９１２４は、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速度、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与える。

【0284】

本明細書で提供される態様は、ライダー満足度を最適化するための人工知能システム２９３６であって、以下を含むハイブリッドニューラルネットワーク２９４７、リカレントニューラルネットワーク（例えば、図では、リカレントニューラルネットワークであってもよい）を含む。２９では、ニューラルネットワーク２９２２はリカレントニューラルネットワークであってもよい）と、車両２９１０に搭乗している間にライダーの感情状態を示すデータを捕捉するために配備された少なくとも１つのセンサ２９２５によって捕捉されたライダーの生理データのパターンの認識を通して車両２９１０に搭乗しているライダー２９４４の感情状態の変化を示すための放射基底関数ニューラルネットワーク（例えば、図２９では、第２のニューラルネットワーク２９２０は、ラジアル基底関数ニューラルネットワークであってもよい）を用いて、ライダーの好ましい感情状態を達成するために、ライダーの感情状態の変化の指示に応答して、車両の運転パラメータ２９１２４を最適化する。実施形態において、最適化されるべき車両の運用パラメータ２９１２４は、ライダーの好ましい感情状態を誘導するために決定され、調整されることである。

【0285】

本明細書で提供される態様は、ライダー満足度を最適化するための人工知能システム２９３６であって、以下を含むハイブリッドニューラルネットワーク２９４７、少なくとも１つの画像センサ（図２９において、参照数字２９２２で描かれたニューラルネットワーク１は、任意選択的に畳み込みニューラルネットワークであってもよい）によって捕捉されたライダーの視覚データのパターンの認識を通じて、車両に搭乗中のライダーの感情状態の変化を指示するための畳み込みニューラルネットワーク（図２９において、参照数字２９２２で描かれたネットワーク２は、任意選択的にニューラルネットワークでなくてもよい）を備える。２９において、センサ２９２５は、任意選択的にイメージセンサであってもよい）によって捕捉されたライダーの視覚データのパターンの認識を通じて、車両に搭乗しているライダーの感情状態の変化を示すための第２のニューラルネットワーク２９２０と、ライダーの好ましい感情状態を達成するために、ライダーの感情状態の変化の指示に応答して車両の運転パラメータ２９１２４を最適化するための第２のニューラルネットワーク２９２０と、を備える。

【0286】

実施形態において、最適化されるべき車両の操作パラメータ１９１２４は、ライダーの好ましい感情状態を誘発するように決定され、調整されることである。

【0287】

図３０を参照すると、本明細書で提供される実施形態では、車両内のライダーの顔の画像の特徴ベクトルを処理して感情状態を決定し、ライダーの感情状態を改善するために車両の少なくとも１つの動作パラメータを最適化するための人工知能システム３０３６を有する輸送システム３０１１が提供される。顔は、車載カメラ、利用可能な携帯電話又は他のモバイルデバイスのカメラ、又は他のソースからの画像に基づいて分類されることができる。任意選択で人間によって提供されるデータの訓練セットに基づいて訓練されるか、又はディープラーニングによって訓練されるエキスパートシステムは、改善された感情状態を提供するために車両パラメータ（本明細書に記載される任意のものなど）を調整することを学習してもよい。例えば、ライダーの顔がストレスを示している場合、車両は、ストレスの少ないルートを選択し、リラックスできる音楽を再生し、ユーモラスなコンテンツを再生するなどしてもよい。

【0288】

本明細書で提供される態様は、輸送システム３０１１であって、車両３０１０内のライダー３０４４の顔３０１２８の画像３０１２９の特徴ベクトルを処理して、ライダーの感情状態３０６６を決定するための人工知能システム３０３６と、ライダー３０４４の感情状態３０６６を改善するために車両の運用パラメータ３０１２４を最適化するための人工知能システムと、を備えることを特徴とする。

【0289】

実施形態では、人工知能システム３０３６は以下を含む。車両３０１０におけるライダー３０４４の顔３０１２８の画像３０１２９の特徴ベクトル３０１３０のパターンの認識を通じてライダーの感情状態３０１２６を検出する第１のニューラルネットワーク３０２２であって、特徴ベクトル３０１３０はライダーの好ましい感情状態及びライダーの好ましくない感情状態の少なくとも一方を示す、第１のニューラルネットワーク３０２２と及び、ライダーの好ましい感情状態を達成するために、検出されたライダーの感情状態３０１２６に応答して、車両の動作パラメータ３０１２４を最適化する第２のニューラルネットワーク３０２０と、を備える。

【0290】

実施形態において、第１のニューラルネットワーク３０２２はリカレントニューラルネットワークであり、第２のニューラルネットワーク３０２０はラジアル基底関数ニューラルネットワークである。実施形態において、第２のニューラルネットワーク３０２０は、車両動作状態３０４５とライダーの感情状態３０６６との間の相関関係に基づいて、動作パラメータ３０１２４を最適化することである。実施形態において、第２のニューラルネットワーク３０２０は、車両の動作パラメータの最適値を決定し、輸送システム３０１１は、車両の動作パラメータ３０１２４を最適値に調節して、ライダーの好ましい感情状態を誘導することである。実施形態において、第１のニューラルネットワーク３０２２は、訓練データセット３０１３１を処理することによって、特徴ベクトルのパターンを分類し、パターンを一連の感情状態及びその変化と関連付けることをさらに学習する。実施形態において、トレーニングデータセット３０１３１は、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声認識システムからのデータの流れのうちの少なくとも１つから供給される。

【0291】

実施形態において、第２のニューラルネットワーク３０２０は、第１のニューラルネットワーク３０２２によるライダーの感情状態の検出に応答して、リアルタイムで操作パラメータ３０１２４を最適化することである。実施形態において、第１のニューラルネットワーク３０２２は、特徴ベクトルのパターンを検出することである。実施形態において、パターンは、ライダーの感情状態が第１の感情状態から第２の感情状態へ変化することと関連付けられる。実施形態において、第２のニューラルネットワーク３０２０は、感情状態の変化に関連するパターンの検出に応答して、車両の運転パラメータを最適化する。実施形態において、第１のニューラルネットワーク３０２２は、有向サイクルを形成する複数の相互接続されたノードを備え、第１のニューラルネットワーク３０２２は、相互接続されたノード間のデータの双方向のフローをさらに促進する。実施形態において、輸送システム３０１１は、ライダーの顔の画像のセットを処理する特徴ベクトル生成システムであって、ライダー３０４４が車両３０１０にいる間に複数の画像キャプチャ装置３０２７から時間間隔にわたってキャプチャされた画像のセットは、画像のセットの処理は、ライダーの顔の画像の特徴ベクトル３０１３０を生成することである、をさらに具備している。実施形態において、輸送システムは、複数の視点から車両内のライダーの顔の画像のセットをキャプチャするように配置された画像キャプチャ装置３０２７と、複数の視点のうちの少なくとも１つからキャプチャされた画像のセットから特徴ベクトルを生成する画像処理システムとを更に備える。

【0292】

実施形態において、輸送システム３０１１は、特徴ベクトルの時間シーケンスを通信するために、第１のニューラルネットワークと画像処理システム３０１３２との間のインターフェース３０１３３をさらに備え、特徴ベクトルは、ライダーの感情状態を示すものである。実施形態において、特徴ベクトルは、ライダーの感情状態の変化、ライダーの安定した感情状態、ライダーの感情状態の変化率、ライダーの感情状態の変化の方向、ライダーの感情状態の変化の極性、ライダーの感情状態が好ましくない感情状態に変化している、及びライダーの感情状態が好ましい感情状態に変化している、のうちの少なくとも一つを示す。

【0293】

実施形態において、最適化される操作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与えるものである。実施形態において、第２のニューラルネットワークは、操作パラメータを調整するために車両制御システムと対話することである。実施形態において、人工知能システムは、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットワークをさらに備えている。実施形態において、人工知能システムは、車両内のライダーの顔の画像の特徴ベクトルのパターンの認識を通じてライダーの感情状態の変化を指示するリカレントニューラルネットワークと、ライダーの感情状態の変化の指示に応答して、ライダーの好ましい感情状態を達成するために、車両の動作パラメータを最適化する放射基底関数ニューラルネットワークと、を含む。

【0294】

実施形態において、ラジアル基底関数ニューラルネットワークは、車両の動作状態とライダーの感情状態との間の相関関係に基づいて、動作パラメータを最適化することである。実施形態において、最適化される車両の運転パラメータは、好ましいライダー感情状態を誘発するように決定され、調整される。実施形態において、リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されたトレーニングデータセットから特徴ベクトルのパターンを分類して、特徴ベクトルのパターンを感情状態とその変化と関連付けるようにさらに学習する。実施形態において、ラジアル基底関数ニューラルネットワークは、リカレントニューラルネットワークによるライダーの感情状態の変化の検知に応答して、リアルタイムで操作パラメータを最適化することである。実施形態において、リカレントニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態へ変化していることを示す特徴ベクトルのパターンを検出する。実施形態において、ラジアル基底関数ニューラルネットワークは、示された感情状態の変化に応答して、車両の動作パラメータを最適化することである。

【0295】

実施形態において、リカレントニューラルネットワークは、有向サイクルを形成する複数の接続ノードを備え、リカレントニューラルネットワークは、接続ノード間のデータの双方向のフローをさらに促進する。実施形態において、特徴ベクトルは、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性のうちの少なくとも１つを示す、ライダーの感情状態が好ましくない感情状態に変化していること、及びライダーの感情状態が好ましい感情状態に変化していることである。実施形態において、最適化される操作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与える。

【0296】

実施形態において、ラジアル基底関数ニューラルネットワークは、操作パラメータ３０１２４を調整するために、車両制御システム３０１３４と相互作用することである。実施形態において、人工知能システム３０３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットワークをさらに備えることである。実施形態において、人工知能システム３０３６は、モジュラーニューラルネットワークを介してライダーの好ましい感情状態を維持することであり、モジュラーニューラルネットワークは、車両内のライダーの顔の画像の特徴ベクトルを処理してパターンを検出するライダー感情状態判定ニューラルネットワークと、を備える。実施形態において、特徴ベクトルのパターンは、好ましい感情状態及び好ましくない感情状態の少なくとも一方を示す、ライダー感情状態決定ニューラルネットワークからのデータを車両運用状態データに変換する仲介回路、及び車両運用状態データに応答して車両の運用パラメータを調整する車両運用状態最適化ニューラルネットワーク。

【0297】

実施形態において、車両動作状態最適化ニューラルネットワークは、ライダーの好ましい感情状態を達成するために、車両の動作パラメータ３０１２４を調整することである。実施形態において、車両動作状態最適化ニューラルネットワークは、車両動作状態３０４５とライダー感情状態３０６６との間の相関関係に基づいて、動作パラメータを最適化することである。実施形態において、最適化される車両の運転パラメータは、好ましいライダー感情状態を誘発するように決定され、調整される。実施形態において、ライダー感情状態決定ニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されたトレーニングデータセットから、特徴ベクトルのパターンを分類し、特徴ベクトルのパターンを感情状態及びその変化と関連付けるようにさらに学習する。

【0298】

実施形態において、車両運転状態最適化ニューラルネットワークは、ライダー感情状態決定ニューラルネットワークによるライダーの感情状態３０１２６の変化の検出に応答して、運転パラメータ３０１２４をリアルタイムで最適化することである。実施形態において、ライダー感情状態決定ニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態へ変化していることを示す特徴ベクトル３０１３０のパターンを検出することである。実施形態において、車両運転状態最適化ニューラルネットワークは、示された感情状態の変化に応答して、車両の運転パラメータを最適化することである。実施形態において、人工知能システム３０３６は、有向サイクルを形成する複数の接続ノードを備え、人工知能システムは、接続ノード間のデータの双方向フローをさらに促進する。

【0299】

実施形態において、特徴ベクトル３０１３０は、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性の少なくとも１つを示す、ライダーの感情状態が好ましくない感情状態に変化していること、及びライダーの感情状態が好ましい感情状態に変化していることである。実施形態において、最適化される運転パラメータは、車両のルート、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、ルートに沿ったオブジェクトへの近接、及びルートに沿った他の車両への近接のうちの少なくとも１つに影響を与える。実施形態において、車両運転状態最適化ニューラルネットワークは、運転パラメータを調整するために車両制御システムと相互作用する。

【0300】

実施形態において、人工知能システム３０３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットをさらに含む。ニューラルネット」及び「ニューラルネットワーク」という用語は、本開示において互換的に使用されることが理解されよう。実施形態において、ライダー感情状態決定ニューラルネットワークは、ライダーの感覚のうちの少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ以上のパーセプトロンを備える。実施形態において、人工知能システム３０３６は、車両内のライダーの顔の画像の特徴ベクトルのパターンの認識を通じて車両内のライダーの感情状態の変化を示すリカレントニューラルネットワークを含み、輸送システムは、複数の車両動作パラメータ３０１２４を調整することによって車両の動作を制御する車両制御システム３０１３４と、車両制御システム３０１３４と人工知能システム３０３６の間でライダーの感情状態の示された変化を伝達するフィードバックループとを更に備える。実施形態において、車両制御システムは、ライダーの感情状態の示された変化に応答して、複数の車両運用パラメータ３０１２４のうちの少なくとも１つを調整することである。実施形態において、車両制御システムは、車両運用状態とライダー感情状態との間の相関関係に基づいて、複数の車両運用パラメータのうちの少なくとも１つを調整する。

【0301】

実施形態において、車両制御システムは、好ましいライダー感情状態を示す複数の車両運用パラメータ３０１２４のうちの少なくとも１つを調整する。実施形態において、車両制御システム３０１３４は、好ましいライダー感情状態を生じさせることを示す複数の車両運用パラメータ３０１２４のうちの少なくとも１つの調整を選択する。実施形態において、リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給された訓練データセット３０１３１から特徴ベクトルのパターンを分類して感情状態とその変化とを関連付けることを更に学習する。実施形態において、車両制御システム３０１３４は、複数の車両操作パラメータ３０１２４のうちの少なくとも１つをリアルタイムで調整する。実施形態において、リカレントニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態へ変化していることを示す特徴ベクトルのパターンを検出する。実施形態において、車両運転制御システムは、示された感情状態の変化に応答して、車両の運転パラメータを調整する。実施形態において、リカレントニューラルネットワークは、有向サイクルを形成する複数の接続ノードを備え、リカレントニューラルネットワークは、接続ノード間のデータの双方向のフローをさらに促進する。

【0302】

実施形態において、特徴ベクトルは、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性の少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化していること、ライダーの感情状態が好ましい状態に変化していることである。実施形態において、応答的に調整される複数の車両運転パラメータのうちの少なくとも１つは、車両のルート、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、ルートに沿ったオブジェクトへの近接、ルートに沿った他の車両への近接に影響を与える。実施形態において、応答的に調整される複数の車両動作パラメータのうちの少なくとも１つは、車両のパワートレイン及び車両のサスペンションシステムの動作に影響を与える。実施形態において、放射状基底関数ニューラルネットワークは、車両の現在の動作状態に対するライダーの感情状態反応を示す車両制御データを生成する人工知能システム３０３６の仲介コンポーネントを介して、リカレントニューラルネットワークと相互作用する。実施形態において、特徴ベクトルのパターンの認識は、複数の車両操作パラメータの少なくとも１つを調整する前、複数の車両操作パラメータの少なくとも１つを調整する間、及び複数の車両操作パラメータの少なくとも１つを調整した後の少なくとも２つの間に取り込まれたライダーの顔のイメージの特徴ベクトルを処理することを含む。

【0303】

実施形態において、複数の車両運用パラメータのうちの少なくとも１つを調整すること３０１２４は、車両内のライダーの感情状態を改善する。実施形態において、複数の車両運用パラメータのうちの少なくとも１つを調整することは、ライダーの感情状態を好ましくない感情状態から好ましい感情状態へと変化させる。実施形態において、その変化は、リカレントニューラルネットワークによって示される。実施形態において、リカレントニューラルネットワークは、複数の運転パラメータのうちの少なくとも１つを調整する前に取り込まれたライダーの顔の画像の特徴ベクトルの第１のセットと、複数の運転パラメータのうちの少なくとも１つを調整している間又は後に取り込まれたライダーの顔の画像の特徴ベクトルの第２のセットとの間の差を決定することによって、車両の運転パラメータの変更に応答するライダーの感情状態の変更を指示する。

【0304】

実施形態において、リカレントニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態へ変化していることを示す特徴ベクトルのパターンを検出する。実施形態において、車両運転制御システムは、示された感情状態の変化に応答して、車両の運転パラメータを調整する。

【0305】

図３１を参照すると、実施形態において、本明細書で提供されるのは、車両内のライダーの音声を処理して感情状態を決定し、ライダーの感情状態を改善するために車両の少なくとも１つの動作パラメータを最適化するための人工知能システムを有する輸送システムである。音声分析モジュールは、音声入力を取り、個人が話している間に感情状態を示すラベル付きデータのトレーニングセット及び／又は個人が話している間に知覚された感情状態を示すために他の人がデータにタグ付けするかどうかを使用して、機械学習システム（本明細書に記載するタイプのいずれかなど）が、音声に基づいて個人の感情状態を分類するために（教師あり学習、深層学習などを使用して）トレーニングされてもよい。機械学習は、大きな試行セットからのフィードバックを使用することによって分類を改善してもよく、各インスタンスにおけるフィードバックは、話すインスタンスの場合に、システムが個人の感情状態を正しく評価したか否かを示している。感情状態を分類するように一旦訓練されると、エキスパートシステム（任意に、別の機械学習システム又は他の人工知能システムを使用）は、一組の個人の感情状態の結果のフィードバックに基づいて、より好ましい状態を維持又は誘導するために、本開示全体を通して指摘した様々な車両パラメータを最適化するように訓練することができる。例えば、他の多くの指標の中で、個人の声が幸福を示す場合、専門家システムは、その状態を維持するためにアップビートの音楽を選択又は推奨することができる。音声がストレスを示す場合、システムは、計画されたルートをよりストレスの少ないもの（例えば、ストップアンドゴー交通が少ない、又は定刻到着の確率がより高い）に変更するように推奨又は制御信号を提供してもよい。実施形態では、システムは、システムのインテリジェントエージェントモジュールを使用するなどして、一連の質問を使用して、ライダーがストレスを経験しているかどうか、ストレスの原因が何であるか（例えば、交通状況、遅刻の可能性、定刻到着の確率など）についてライダーに質問するなど、ユーザーの感情状態に関するフィードバックをユーザーから得るのに役立つように構成された対話（画面上の対話又は音声対話など）に関与するように構成されてもよい。ストレスの原因（交通状況、到着が遅れる可能性、他のドライバーの行動、又は乗車の性質とは無関係な他の原因など）、ストレスを軽減する可能性のあるもの（経路オプション、通信オプション（到着が遅れる可能性があるというメモを送ることを提案するなど）、娯楽オプション、乗車構成オプションなど）などを、ライダーに尋ねるなど。ドライバーの反応は、感情状態の指標としてエキスパートシステムに入力されるだけでなく、ドライバーのストレス源に関係しない構成の選択肢を利用可能な構成のセットから除外するなどして、１つ又は複数の車両パラメータを最適化する努力を制限するために供給されることもある。

【0306】

本明細書で提供される態様は、輸送用システム３１１１であって、車両３１１０内のライダー３１４４の音声３１１３５を処理してライダー３１４４の感情状態３１６６を決定するための人工知能システム３１３６と、ライダー３１４４の感情状態３１６６を改善するために車両３１１０の少なくとも一つの動作パラメータ３１１２４を最適化することと、を備える、態様を含む。

【0307】

本明細書で提供される態様は、交通システム３１１１におけるライダー満足度を向上させるための音声処理のための人工知能システム３１３６であって、以下を備える。車両３１１０に搭乗しているライダー３１４４の音声出力３１１２８を捕捉するように配置されたライダー音声捕捉システム３０１３６と、捕捉されたライダーの音声出力についてライダーの感情状態３１１３８を分類する機械学習を用いて訓練された音声分析回路３１１３２と、ライダーの感情状態を改善された感情状態として分類される感情状態に変えるために車両の少なくとも一つの動作パラメータ３１１２４を最適化する機械学習を用いたエキスパートシステム３１１３９と、を備える。

【0308】

実施形態において、ライダーボイスキャプチャシステム３１１３６は、ライダー感情状態分類のための音声分析回路３１１３２によって使用するためのライダーフィードバックを得るためにライダーと対話する知的エージェント３１１４０から構成される。実施形態において、音声分析回路３１１３２は、第１の機械学習システムを使用し、専門家システム３１１３９は、第２の機械学習システムを使用する。実施形態において、エキスパートシステム３１１３９は、一組の個人に対して少なくとも１つの動作パラメータ３１１２４を調整する際に、感情状態の結果のフィードバックに基づいて少なくとも１つの動作パラメータ３１１２４を最適化するように訓練される。実施形態において、ライダーの感情状態３１６６は、ライダーの捕捉された音声出力３１１２８と少なくとも１つの他のパラメータとの組合せによって決定される。実施形態において、少なくとも１つの他のパラメータは、ライダーのカメラベースの感情状態判定である。実施形態において、少なくとも１つの他のパラメータは、交通情報である。実施形態では、少なくとも１つの他のパラメータは、気象情報である。実施形態において、少なくとも１つの他のパラメータは、車両状態である。実施形態において、少なくとも１つの他のパラメータは、ライダーの生理学的データの少なくとも１つのパターンである。実施形態において、少なくとも１つの他のパラメータは、車両の経路である。実施形態において、少なくとも１つの他のパラメータは、車載オーディオコンテンツである。実施形態において、少なくとも１つの他のパラメータは、車両の速度である。実施形態において、少なくとも１つの他のパラメータは、車両の加速度である。実施形態において、少なくとも１つの他のパラメータは、車両の減速である。実施形態において、少なくとも１つの他のパラメータは、経路に沿ったオブジェクトへの近接性である。実施形態において、少なくとも１つの他のパラメータは、ルートに沿った他の車両への近接である。

【0309】

本明細書で提供される態様は、ライダーの満足度を向上させるための音声処理のための人工知能システム３１３６であって、以下を含む。人間の声の分析に基づいて感情状態を分類するように訓練された第１のニューラルネットワーク３１２２は、ライダーが車両３１１０に搭乗している間に取り込まれたライダーの音声出力３１１２８の、ライダーの少なくとも１つの感情状態３１６６に相関する側面の認識を通じてライダーの感情状態を検出し、第２のニューラルネットワーク３１２０は、ライダーの好ましい感情状態を達成するために、検出したライダーの感情状態３１１２６に応じて車両の運転パラメータ３１１２４を最適化する３１４２。実施形態において、ニューラルネットワークのうちの少なくとも１つは、畳み込みニューラルネットワークである。実施形態において、第１のニューラルネットワーク３１２２は、感情状態クラスを人間の音声パターンに関連付ける訓練データセットの使用を通じて訓練される。実施形態において、第１のニューラルネットワーク３１２２は、感情状態識別データでタグ付けされた音声録音のトレーニングデータセットの使用を通じて訓練される。実施形態において、ライダーの感情状態は、ライダーの捕捉された音声出力と、少なくとも１つの他のパラメータとの組み合わせによって決定される。実施形態において、少なくとも１つの他のパラメータは、ライダーのカメラベースの感情状態判定である。実施形態において、少なくとも１つの他のパラメータは、交通情報である。実施形態において、少なくとも１つの他のパラメータは、気象情報である。実施形態において、少なくとも１つの他のパラメータは、車両状態である。

【0310】

実施形態において、少なくとも１つの他のパラメータは、ライダーの生理学的データの少なくとも１つのパターンである。実施形態において、少なくとも１つの他のパラメータは、車両の経路である。実施形態において、少なくとも１つの他のパラメータは、車載オーディオコンテンツである。実施形態において、少なくとも１つの他のパラメータは、車両の速度である。実施形態において、少なくとも１つの他のパラメータは、車両の加速度である。実施形態において、少なくとも１つの他のパラメータは、車両の減速である。実施形態において、少なくとも１つの他のパラメータは、経路に沿ったオブジェクトへの近接性である。実施形態において、少なくとも１つの他のパラメータは、ルートに沿った他の車両への近接である。

【0311】

ここで図３２を参照すると、本明細書で提供される実施形態では、ライダーと車両の電子商取引システムとの相互作用からのデータを処理してライダーの状態を決定し、ライダーの状態を改善するために車両の少なくとも１つの動作パラメータを最適化するための人工知能システム３２３６を有する輸送システム３２１１である。装置インターフェースのユーザにとっての別の一般的な活動は、ショッピング、オークションでの入札、アイテムの販売などの電子商取引である。電子商取引システムは、検索機能を使用し、広告を引き受け、最終的に注文、購入、入札などをもたらす可能性のある様々なワークフローでユーザーを関与させる。本明細書で検索について説明したように、車載関連検索結果のセットは、車載関連広告と同様に、電子商取引のために提供されてもよい。さらに、車載関連インターフェース及びワークフローは、車載ライダーの検出に基づいて構成されてもよく、これは、スマートフォン用又はデスクトップシステム用に構成される電子商取引インターフェースに提供されるワークフローとは全く異なる可能性がある。他の要因の中で、車載システムは、ルート情報（方向、予定停車地、予定時間などを含む）、ライダーの気分及び行動情報（過去のルートから、及び車載センサセットから検出されるなど）、車両構成及び状態情報（メーカー及びモデルなど）、並びに本開示を通じて説明した他の車両関連パラメータのいずれかを含む従来の電子商取引システムには利用できない情報にアクセスできるかもしれない。一例として、（退屈を検出するように訓練されたエキスパートシステムを使用するなど、車載センサセットによって検出される）退屈しており、（自動車によって実施されているルートによって示される）長旅をしているライダーは、典型的なモバイルユーザよりもはるかに我慢強く、より深く、より豊富なコンテンツ、及びより長いワークフローに関与する可能性がある場合がある。別の例として、車内ユーザーは、無料トライアル、調査、又はブランドとのエンゲージメントを促進するその他の行動に関与する可能性がはるかに高い可能性がある。また、車内のユーザーは、必要なものを買うなど、特定の目的を達成するために、他の時間を使うことができるかもしれない。車内ユーザに同じインターフェース、コンテンツ、及びワークフローを提示すると、ユーザの注意を引くために多くのものが競合する他の環境ではほとんどないであろう、より深いエンゲージメントの優れた機会を逃す可能性がある。実施形態では、車載ユーザに対して電子商取引システムインターフェースが提供されてもよく、インターフェース表示、コンテンツ、検索結果、広告、及び１つ以上の関連ワークフロー（ショッピング、入札、検索、購入、フィードバック提供、製品表示、評価又はレビュー入力などのためのもの）の少なくとも１つが、車載インターフェースの使用の検出に基づいて構成される。ディスプレイ及びインタラクションは、ディスプレイタイプ（例えば、大型のHDディスプレイのためにリッチな又はより大きな画像を可能にする）、ネットワーク能力（例えば、最初にレンダリングする低解像度画像をキャッシュすることによってより速いロード及び低レイテンシを可能にする）、オーディオシステム能力（例えば、対話管理及び知能アシスタント相互作用にオーディオを使用する）、及び車両に対する同様のものの検出に基づいて（任意に一連の規則に基づいて又は機械学習に基づいて）さらに設定されてもよい。表示要素、コンテンツ、及びワークフローは、代替のインタラクションタイプの構成及び結果の追跡など、Ａ／Bテスト及び／又は遺伝的プログラミング技術の使用など、機械学習によって構成されてもよい。車載電子商取引インターフェースのワークフローの自動構成を訓練するために用いられる成果には、関与の程度、歩留まり、購入、ライダーの満足度、評価、及びその他が含まれ得る。車載ユーザは、従来の電子商取引と同様に、行動プロファイリング、人口統計プロファイリング、心理統計プロファイリング、ロケーションベースプロファイリング、協調フィルタリング、類似性ベースのクラスタリング等によってプロファイリング及びクラスタリングされてもよいが、プロファイルは、経路情報、車両情報、車両構成情報、車両状態情報、ライダー情報等によって拡張されてもよい。車載ユーザプロファイル、グループ、及びクラスタのセットは、従来のユーザプロファイルとは別に維持されてもよく、検索結果、広告、製品提供、割引などを対象とする際に、車載ショッピングエリアの差異が考慮される可能性を高めて、提示すべきコンテンツ、及び提示方法に関する学習が達成されるようにする。

【0312】

本明細書で提供される態様は、輸送用システム３２１１であって、ライダー３２４４と車両の電子商取引システムとの相互作用からのデータを処理してライダー状態を決定するための人工知能システム３２３６と、ライダー状態を改善するために車両の少なくとも１つの動作パラメータを最適化することと、を備える、態様を含む。

【0313】

本明細書で提供される態様は、ライダー満足度３２１２１を最適化するためのライダー満足度システム３２１２３を含み、ライダー満足度システムは、以下を備える。車両３２１０内のライダーがアクセスするために配備された電子商取引インターフェース３２１４１と、配備されたインターフェース３２１４１とのライダー対話を捕捉するライダー対話回路と、捕捉されたライダー対話３２１４４を処理してライダー状態３２１４５を決定するライダー状態決定回路３２１４３と、ライダー状態３２３７に応答して、ライダー状態３２３７を改善すべく車両の運転に影響を及ぼす少なくとも１つのパラメータ３２１２４を最適化するように訓練された人工知能システム３２３６と、を備える。実施形態において、車両３２１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを備える。実施形態では、車両は、少なくとも半自律型車両である。実施形態において、車両は、自動的に経路設定される。実施形態において、車両は、自動運転車両である。実施形態において、電子商取引インターフェースは、自己適応型であり、ライダーのアイデンティティ、車両のルート、ライダーの気分、ライダーの行動、車両の構成、及び車両状態のうちの少なくとも１つに応答する。

【0314】

実施形態において、電子商取引インターフェース３２１４１は、ライダーのアイデンティティ、車両のルート、ライダーの気分、ライダーの行動、車両構成、及び車両状態のうちの少なくとも１つに基づく、車両内関連コンテンツ３２１４６を提供する。実施形態において、電子商取引インターフェースは、車両３２１０のライダー３２４４による使用に適合されたユーザインタラクションワークフロー３２１４７を実行する。実施形態において、電子商取引インターフェースは、車両での提示に適合された検索クエリ３２１４８の１つ又は複数の結果を提供する。実施形態において、車両での提示に適合された検索クエリの結果は、車両での提示に適合された広告とともに電子商取引インターフェースに提示される。実施形態において、ライダー相互作用回路３２１４２は、インターフェースに提示されるコンテンツ３２１４６に応答するインターフェースとのライダー相互作用３２１４４を捕捉する。

【0315】

図３３は、本明細書に開示されるシステム及び方法の実施形態に従った、車両のパラメータを最適化するための方法３３００を示す図である。３３０２で、方法は、車載電子商取引システムでライダーインタラクションを捕捉することを含む。３３０４で、本方法は、捕捉されたライダーインタラクション及び車両の少なくとも１つの動作パラメータに基づいてライダー状態を決定することを含む。３３０６において、本方法は、ライダー状態に影響を与える車両の少なくとも１つの動作パラメータを示唆するように適合されたライダー満足度モデルで、ライダー状態を処理することを含む。において、本方法は、ライダー状態を維持及び改善することの少なくとも一方のために、提案された少なくとも１つの動作パラメータを最適化することを含む。

【0316】

図３２及び図３３を参照する。３３、本明細書で提供される態様は、ライダー満足度を向上させるための人工知能システム３２３６であって、以下を含む。ライダーが車両に搭乗している間に捕捉されたライダー相互作用３２１４４の、ライダーの少なくとも１つの状態３２３７に相関する側面の認識を通じてライダー状態３２１４９を検出するために、車両内電子商取引システムとのライダー相互作用３２１４４の分析に基づいてライダー状態を分類するように訓練された第１のニューラルネットワーク３２２２、及び検出されたライダーの状態に応答してライダーの好ましい状態を達成するために車両の運転パラメータを最適化する第２のニューラルネットワーク３２２０を備えている。

【0317】

図３４を参照すると、本明細書で提供される実施形態では、車両３４１０の環境３４１５１内の少なくとも１つのモノのインターネット（ＩｏＴ）デバイス３４１５０からのデータを処理して車両の状態３４１５２を決定するための人工知能システム３４３６を有する輸送システム３４１１と、車両の決定した状態３４１５２に基づいてライダーの状態３４３７を改善するために車両の少なくとも１つの動作パラメータ３４１２４を最適化することが挙げられる。

【0318】

本明細書で提供される態様は、輸送用システム３４１１であって、車両３４１０の環境３４１５１における少なくとも１つのＩｏＴデバイス３４１５０からのデータを処理して車両の決定状態３４１５２を決定し、車両３４１０の決定状態３４１５２に基づいてライダーの状態３４３７を改善するために車両の少なくとも１つの動作パラメータ３４１２４を最適化する人工知能システム３４３６を備える、ことを特徴とする。

【0319】

図３５は、本明細書に開示されるシステム及び方法の実施形態による、車両の動作の最適化を通じてライダーの状態を改善するための方法３５００を示す図である。３５０２で、本方法は、少なくとも１つのＩｏＴデバイスで車両操作関連データをキャプチャすることを含む。３５０４で、本方法は、取り込まれた車両動作関連データの一部に少なくとも部分的に基づいて車両の状態を決定する第１のニューラルネットワークで、取り込まれたデータを分析することを含む。３５０６において、本方法は、動作中の車両を占有するライダーの状態を記述するデータを受信することを含む。第３５０８回において、本方法は、ニューラルネットワークを使用して、運転車両に搭乗しているライダーの状態に影響を与える少なくとも１つの車両運転パラメータを決定することを含む。において、本方法は、人工知能ベースのシステムを使用して、最適化の結果がライダーの状態の改善からなるように、少なくとも１つの車両操作パラメータを最適化することを含む。

【0320】

図３４及び図３５を参照すると、実施形態において、車両３４１０は、車両３４１０の少なくとも１つの制御パラメータ３４１５３を自動化するためのシステムを構成している。実施形態において、車両３４１０は、少なくとも半自律型車両である。実施形態において、車両３４１０は、自動的に経路設定される。実施形態において、車両３４１０は、自動運転車両である。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、車両の動作環境３４１５４に配置される。実施形態において、車両３４１０に関するデータを捕捉する少なくとも１つのＩｏＴデバイス３４１５０は、車両３４１０の外部に配置される。実施形態において、少なくとも１つのＩｏＴデバイスは、ダッシュボードカメラである。実施形態において、少なくとも１つのＩｏＴデバイスは、ミラーカメラである。実施形態において、少なくとも１つのＩｏＴデバイスは、モーションセンサである。実施形態において、少なくとも１つのＩｏＴ装置は、シートベースのセンサシステムである。実施形態において、少なくとも１つのＩｏＴデバイスは、ＩｏＴ対応照明システムである。実施形態において、照明システムは、車内照明システムである。実施形態において、照明システムは、ヘッドライト照明システムである。実施形態において、少なくとも１つのＩｏＴデバイスは、交通信号カメラ又はセンサである。実施形態において、少なくとも１つのＩｏＴデバイスは、車道カメラである。実施形態において、路面カメラは、電話機及び電柱の少なくとも一方に配置される。実施形態において、少なくとも１つのＩｏＴデバイスは、道路内センサである。実施形態において、少なくとも１つのＩｏＴデバイスは、車載サーモスタットである。実施形態において、少なくとも１つのＩｏＴデバイスは、料金所である。実施形態において、少なくとも１つのＩｏＴデバイスは、道路標識である。実施形態において、少なくとも１つのＩｏＴデバイスは、交通制御信号機である。実施形態において、少なくとも１つのＩｏＴデバイスは、車両搭載センサである。実施形態において、少なくとも１つのＩｏＴデバイスは、給油システムである。実施形態において、少なくとも１つのＩｏＴ装置は、再充電システムである。実施形態において、少なくとも１つのＩｏＴデバイスは、無線充電ステーションである。

【0321】

本明細書で提供される態様は、車両３４１０内のライダー３４４４の状態３４３７を改善するためのライダー状態修正システム３４１５５を含み、本システムは、以下を備える。車両３４１０の動作中にモノのインターネット装置３４１５０によって取り込まれた車両に関する情報の分析を通じて車両の状態を分類するように動作する第１のニューラルネットワーク３４２２と、車両の分類された状態３４１５２、車両に搭乗するライダーの状態に関する情報、及び車両の動作とライダー状態への影響とを相関させる情報に基づいて車両の少なくとも一つの動作パラメータ３４１２４を最適化するように動作する第２のニューラルネットワーク３４２０と、を備える。

【0322】

実施形態において、車両は、車両３４１０の少なくとも１つの制御パラメータ３４１５３を自動化するためのシステムを構成している。実施形態において、車両３４１０は、少なくとも半自律型車両である。実施形態において、車両３４１０は、自動的にルーティングされる。実施形態において、車両３４１０は、自動運転車両である。実施形態において、少なくとも１つのモノのインターネット装置３４１５０は、車両３４１０の動作環境内に配置される。実施形態において、車両３４１０に関するデータを捕捉する少なくとも１つのＩｏＴデバイス３４１５０は、車両３４１０の外部に配置される。実施形態において、少なくとも１つのＩｏＴデバイスは、ダッシュボードカメラである。実施形態において、少なくとも１つのＩｏＴデバイスは、ミラーカメラである。実施形態において、少なくとも１つのＩｏＴデバイスは、モーションセンサである。実施形態において、少なくとも１つのＩｏＴ装置は、シートベースのセンサシステムである。実施形態において、少なくとも１つのＩｏＴデバイスは、ＩｏＴ対応照明システムである。

【0323】

実施形態において、照明システムは、車内照明システムである。実施形態において、照明システムは、ヘッドライト照明システムである。実施形態において、少なくとも１つのＩｏＴデバイスは、交通信号カメラ又はセンサである。実施形態において、少なくとも１つのＩｏＴデバイスは、車道カメラである。実施形態において、路面カメラは、電話機及び電柱の少なくとも一方に配置される。実施形態において、少なくとも１つのＩｏＴデバイスは、道路内センサである。実施形態において、少なくとも１つのＩｏＴデバイスは、車載サーモスタットである。実施形態において、少なくとも１つのＩｏＴデバイスは、料金所である。実施形態において、少なくとも１つのＩｏＴデバイスは、道路標識である。実施形態において、少なくとも１つのＩｏＴデバイスは、交通制御信号機である。実施形態において、少なくとも１つのＩｏＴデバイスは、車両搭載センサである。実施形態において、少なくとも１つのＩｏＴデバイスは、給油システムである。実施形態において、少なくとも１つのＩｏＴ装置は、再充電システムである。実施形態において、少なくとも１つのＩｏＴデバイスは、無線充電ステーションである。

【0324】

本明細書で提供される態様は、以下を備える人工知能システム３４３６を含む。車両の動作環境３４１５４で取り込まれた車両に関するデータから車両３４１０の動作状態３４１５２を決定するように訓練された第１のニューラルネットワーク３４２２であって、車両が動作している間に少なくとも１つのモノのインターネット装置３４１５０によって取り込まれる車両３４１０に関する情報を処理することによって車両の動作状態３４１５２を識別するように動作する第１のニューラルネットワーク３４２２。車両の動作状態に影響を与える動作パラメータの決定を容易にするデータ構造３４１５６と、車両３４１０に搭乗するライダー３４４４の状態に関する情報、及び車両の動作とライダーの状態への影響とを相関させる情報を処理することによって、識別された動作状態３４１５２に基づいて車両の決定済み動作パラメータ３４１２４の少なくとも１つを最適化するよう動作する第２のニューラルネットワーク３４２０と、を備える。

【0325】

実施形態において、ライダーの状態の改善は、最適化された少なくとも１つの車両動作パラメータに基づく車両動作に応答して取り込まれたライダーの状態を記述する更新データに反映される。実施形態において、ライダーの状態の改善は、最適化に応答して車両３４１０を占有している間にライダー３４４４に関する情報を取り込むように配置された少なくとも１つのＩｏＴデバイス３４１５０によって取り込まれるデータに反映される。実施形態では、車両３４１０は、車両の少なくとも１つの制御パラメータ３４１５３を自動化するためのシステムを構成する。実施形態において、車両３４１０は、少なくとも半自律型車両である。実施形態において、車両３４１０は、自動的に経路設定される。実施形態において、車両３４１０は、自動運転車両である。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、車両の動作環境３４１５４に配置される。実施形態において、車両に関するデータを捕捉する少なくとも１つのＩｏＴデバイス３４１５０は、車両の外部に配置される。実施形態では、少なくとも１つのＩｏＴデバイス３４１５０は、ダッシュボードカメラである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、ミラーカメラである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、モーションセンサである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、シートベースのセンサシステムである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、ＩｏＴ化された照明システムである。

【0326】

実施形態において、照明システムは、車内照明システムである。実施形態において、照明システムは、ヘッドライト照明システムである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、交通信号カメラ又はセンサである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、車道カメラである。実施形態において、路面カメラは、電話機及び電柱の少なくとも一方に配置される。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、道路内センサである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、車載サーモスタットである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、料金所である。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、道路標識である。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、交通制御信号機である。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、車両搭載センサである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、給油システムである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、再充電システムである。実施形態において、少なくとも１つのＩｏＴデバイス３４１５０は、ワイヤレス充電ステーションである。

【0327】

図３６を参照すると、本明細書で提供される実施形態では、車両３６１０内のウェアラブルデバイス３６１５７からの感覚入力を処理して感情状態３６１２６を決定し、ライダーの感情状態３６３７を改善するために車両３６１０の少なくとも一つの動作パラメータ３６１２４を最適化するための人工知能システム３６３６を有する輸送システム３６１１である。本開示全体を通して説明されるいずれかのようなウェアラブルデバイス３６１５０は、本明細書に記載される感情状態のいずれか（好ましい又は好ましくない）を検出し、好ましくない状態を改善又は好ましい状態を維持する目的を示すような、リアルタイム制御システム（本書に記載されるいずれかのタイプのモデルベース、ルールベース又は人工知能システムなど）への入力として、ならびに好ましい状態を促進又は維持するために動作パラメータ３６１２４のセットを構成するように人工知能システム３６３６を訓練するフィードバック機構としての両方として使用され得る。

【0328】

本明細書で提供される態様は、輸送用システム３６１１であって、車両３６１０内のウェアラブルデバイス３６１５７からの感覚入力を処理して、車両３６１０内のライダー３６４４の感情状態３６１２６を決定するための人工知能システム３６３６と、ライダー３６４４の感情状態３６３７を改善するために車両の運転パラメータ３６１２４を最適化することと、を備える、態様を含む。実施形態において、車両は、自動運転車両である。実施形態において、人工知能システム３６３６は、ライダー３６４４が着用する一組のウェアラブルセンサ３６１５７からの感情状態指示データのパターンの認識によって、自動運転車両に乗るライダーの感情状態３６１２６を検出することである。実施形態において、パターンは、ライダーの好ましい感情状態及びライダーの好ましくない感情状態のうちの少なくとも１つを示すものである。実施形態において、人工知能システム３６３６は、ライダーの検出された好ましい感情状態を維持すること、及び好ましくない感情状態の検出に続いてライダーの好ましい感情状態を達成することの少なくとも１つを達成するために、ライダーの検出された感情状態に応答して車両の動作パラメータ３６１２４を最適化することである。実施形態において、人工知能システム３６３６は、ライダーが装着したウェアラブルセンサ３６１５７のセットから受け取ったライダー感情状態指示データを処理することによって、ライダーの感情状態を検出するエキスパートシステムを備える。実施形態において、エキスパートシステムは、ライダーのセットの感情状態指標のトレーニングセット及びトレーナーが生成したライダー感情状態指標のうちの少なくとも１つを使用して、ライダー感情状態指標データを処理する。実施形態において、人工知能システムは、ライダーの感情状態を検出するリカレントニューラルネットワーク３６２２を具備する。

【0329】

実施形態において、リカレントニューラルネットワークは、有向サイクルを形成する複数の接続ノードからなり、リカレントニューラルネットワークは、接続ノード間のデータの双方向フローをさらに促進する。実施形態において、人工知能システム３６３６は、動作パラメータ３６１２４を最適化する放射状基底関数ニューラルネットワークを備える。実施形態において、操作パラメータ３６１２４を最適化することは、車両操作状態３６４５とライダー感情状態３６３７との間の相関関係に基づいている。実施形態において、相関関係は、ライダーのセットの感情状態指標のトレーニングセット及び人間のトレーナーが生成したライダー感情状態指標の少なくとも１つを使用して決定される。実施形態において、最適化される車両の操作パラメータは、好ましいライダー感情状態を誘発するように決定され、調整される。

【0330】

実施形態において、人工知能システム３６３６は、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給された訓練データセット３６１３１から感情状態指標データのパターンを分類して、パターンと感情状態及びその変化とを関連付けることを更に学習する。実施形態において、人工知能システム３６３６は、ライダーの感情状態が第１の感情状態から第２の感情状態に変化していることを示すライダー感情状態指示データのパターンを検出し、車両の運転パラメータの最適化は、示された感情状態の変化に応答している。実施形態において、ライダー感情状態指示データのパターンは、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化の方向、及びライダーの感情状態の変化の極性の少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化していること、及びライダーの感情状態が好ましい状態に変化していることである。

【0331】

実施形態において、最適化される運用パラメータ３６１２４は、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接の少なくとも１つに影響を与える。実施形態において、人工知能システム３６３６は、動作パラメータを最適化するために車両制御システムと相互作用する。実施形態において、人工知能システム３６３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネット３６２２をさらに含む。実施形態において、ウェアラブルセンサ３６１５７のセットは、腕時計、指輪、リストバンド、アームバンド、足首バンド、胴体バンド、皮膚パッチ、頭部装着デバイス、眼鏡、フットウェア、手袋、耳内デバイス、衣類、ヘッドフォン、ベルト、指環、親指環、及びネックレスのうちの少なくとも２つを含む。実施形態において、人工知能システム３６３６は、ライダーの感情状態を好ましい感情状態及び好ましくない感情状態のうちの少なくとも１つとして示すウェアラブルセンサ生成感情状態指示データのパターンを決定するために、ディープラーニングを使用する。実施形態において、人工知能システム３６３６は、ライダーが示した感情状態を達成し維持することの少なくとも１つに操作パラメータを最適化することによって、ライダーが示した感情状態に応答する。

【0332】

実施形態では、人工知能システム３６３６は、ライダーが自動運転車両に乗る目的、時間帯、交通状況、天候を示すデータを含む複数のソースから収集されたコンテキストに基づいて、ライダーの好ましい感情状態の特徴付けを適応させ、適応された好ましい感情状態を達成及び維持することの少なくとも１つのために、動作パラメータ３６１２４を最適化する。実施形態において、人工知能システム３６３６は、ライダーの感情状態の検知に応答してリアルタイムで操作パラメータを最適化する。実施形態では、車両は、自動運転車両である。実施形態において、人工知能システムは、以下を備える。ライダーが車両に装着した複数のウェアラブル生理状態センサのライダー感情状態指標ウェアラブルセンサデータのエキスパートシステムベースの処理を通じてライダーの感情状態を検出する第１のニューラルネットワーク３６２２であって、感情状態指標ウェアラブルセンサデータはライダーの好ましい感情状態及びライダーの好ましくない感情状態の少なくとも一方を示す、第１のニューラルネットワーク３６２２と及び、ライダーの好ましい感情状態の達成及び維持の少なくとも一方のために、ライダーの検出された感情状態に応答して、車両の動作パラメータ３６１２４を最適化する第２のニューラルネットワーク３６２０と、を備える。実施形態では、第１のニューラルネットワーク３６２２はリカレントニューラルネットワークであり、第２のニューラルネットワーク３６２０はラジアル基底関数ニューラルネットワークである。

【0333】

実施形態において、第２のニューラルネットワーク３６２０は、車両動作状態３６４５とライダー感情状態３６３７との間の相関関係に基づいて、動作パラメータ３６１２４を最適化する。実施形態において、最適化される車両の操作パラメータは、好ましいライダー感情状態を誘発するように決定され、調整される。実施形態において、第１のニューラルネットワーク３６２２は、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されたトレーニングデータセットから、ライダー感情状態指示ウェアラブルセンサデータのパターンを分類し、パターンを感情状態及びその変化に関連付けることをさらに学習する。実施形態において、第２のニューラルネットワーク３６２０は、第１のニューラルネットワーク３６２２によるライダーの感情状態の検出に応答して、リアルタイムで操作パラメータを最適化する。実施形態において、第１のニューラルネットワーク３６２２は、ライダーの感情状態が第１の感情状態から第２の感情状態に変化していることを示す、ライダーの感情状態を示すウェアラブルセンサデータのパターンを検出する。実施形態において、第２のニューラルネットワーク３６２０は、示された感情状態の変化に応答して、車両の動作パラメータを最適化する。

【0334】

実施形態において、第１のニューラルネットワーク３６２２は、有向サイクルを形成する複数の接続ノードからなり、第１のニューラルネットワーク３６２２は、接続ノード間のデータの双方向フローをさらに容易にする。実施形態において、第１のニューラルネットワーク３６２２は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを含む。実施形態において、ライダーの感情状態を示すウェアラブルセンサデータは、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性のうちの少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化していること、及びライダーの感情状態が好ましい状態に変化していることである。実施形態において、最適化される運転パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与える。実施形態において、第２のニューラルネットワーク３６２０は、操作パラメータを調整するために車両制御システムと相互作用する。実施形態において、第１のニューラルネットワーク３６２２は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを含む。

【0335】

実施形態では、車両は、自動運転車両である。実施形態において、人工知能システム３６３６は、ライダーが装着する一組のウェアラブルセンサからの感情状態指示データのパターンの認識によって、少なくとも部分的に、自動運転車両に乗るライダーの感情状態の変化を検出することである。実施形態において、パターンは、ライダーの好ましい感情状態の減退及びライダーの好ましくない感情状態の発症の少なくとも一方を示すものである。実施形態において、人工知能システム３６３６は、感情状態を示すデータのパターンと車両の動作パラメータのセットとの相関関係に基づいて、感情状態の変化を示す自動運転車両の少なくとも１つの動作パラメータ３６１２４を決定することである。実施形態において、人工知能システム３６３６は、ライダーの好ましい感情状態を回復すること、及びライダーの好ましくない感情状態の発症の低減を達成することの少なくとも一方を達成するための少なくとも１つの動作パラメータ３６１２４の調節を決定することである。

【0336】

実施形態において、ライダー感情状態指標ウェアラブルセンサデータのパターンの相関は、ライダーのセットの感情状態ウェアラブルセンサ指標の訓練セット及び人間のトレーナーが生成したライダー感情状態ウェアラブルセンサ指標の少なくとも１つを使用して決定される。実施形態において、人工知能システム３６３６は、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されるトレーニングデータセットから、感情状態指標ウェアラブルセンサデータのパターンを分類し、パターンをライダー感情状態の変化に関連付けることをさらに学習する。実施形態において、ライダーの感情状態を示すウェアラブルセンサデータのパターンは、ライダーの感情状態が変化している、ライダーの感情状態が安定している、ライダーの感情状態の変化率、ライダーの感情状態の変化の方向、及びライダーの感情状態の変化の極性の少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化している、及びライダーの感情状態が好ましい状態に変化している。

【0337】

実施形態において、ライダーの感情状態を示すウェアラブルセンサデータを処理した結果から決定される操作パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与える。実施形態において、人工知能システム３６３６は、動作パラメータを調整するために車両制御システムとさらに相互作用する。実施形態において、人工知能システム３６３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットをさらに含む。

【0338】

実施形態において、ウェアラブルセンサのセットは、腕時計、指輪、リストバンド、アームバンド、足首バンド、胴体バンド、皮膚パッチ、頭部装着デバイス、アイグラス、フットウェア、グローブ、耳掛けデバイス、衣類、ヘッドフォン、ベルト、指環、親指環、及びネックレスのうちの少なくとも２つを含む。実施形態において、人工知能システム３６３６は、ライダーの感情状態の変化を示すウェアラブルセンサ生成感情状態指示データのパターンを決定するために、ディープラーニングを使用する。実施形態において、人工知能システム３６３６はさらに、ライダーが自動運転車両に乗る目的、時間帯、交通状況、天候を示すデータを含む複数のソースから収集されたコンテキストに基づいてライダーの感情状態の変化を決定し、適合された好ましい感情状態を達成及び維持することの少なくとも１つに動作パラメータ３６１２４を最適化する。実施形態において、人工知能システム３６３６は、ライダー感情状態の変化の検出に応答して、リアルタイムで操作パラメータを調整する。

【0339】

実施形態において、車両は、自動運転車両である。実施形態において、人工知能システム３６３６は、ライダーによって装着されたウェアラブルセンサのセットからの感情状態を示すウェアラブルセンサデータのパターンの認識によって、自動運転車両におけるライダーの感情状態の変化を示すためのリカレントニューラルネットワークを含む。実施形態において、パターンは、ライダーの好ましい感情状態の第１の程度及びライダーの好ましくない感情状態の第２の程度のうちの少なくとも１つを示す、及びライダーの感情状態の変化の指示に応答して、ライダーの目標感情状態を達成するために、車両の動作パラメータ３６１２４を最適化する放射基底関数ニューラルネットワークを有する。

【0340】

実施形態において、放射状基底関数ニューラルネットワークは、車両の動作状態とライダー感情状態との間の相関関係に基づいて、動作パラメータを最適化する。実施形態において、目標感情状態は、好ましいライダー感情状態であり、最適化される車両の運転パラメータは、好ましいライダー感情状態を誘発するように決定され、調整される。実施形態において、リカレントニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されたトレーニングデータセットから、感情状態を示すウェアラブルセンサデータのパターンを分類し、感情状態とその変化とを関連付けることを更に学習する。実施形態において、ラジアル基底関数ニューラルネットワークは、リカレントニューラルネットワークによるライダーの感情状態の変化の検出に応答して、リアルタイムで操作パラメータを最適化する。実施形態において、リカレントニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態に変化していることを示す感情状態指標ウェアラブルセンサデータのパターンを検出する。実施形態において、ラジアル基底関数ニューラルネットワークは、示された感情状態の変化に応答して、車両の動作パラメータを最適化する。実施形態において、リカレントニューラルネットワークは、有向サイクルを形成する複数の接続ノードを備え、リカレントニューラルネットワークは、接続ノード間のデータの双方向のフローをさらに促進する。

【0341】

実施形態において、感情状態を示すウェアラブルセンサデータのパターンは、ライダーの感情状態が変化していること、ライダーの感情状態が安定していること、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性のうちの少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化していること、及びライダーの感情状態が好ましい状態に変化していることである。実施形態において、最適化される操作パラメータは、車両のルート、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、ルートに沿ったオブジェクトへの近接、及びルートに沿った他の車両への近接のうちの少なくとも１つのパラメータに影響を与える。実施形態において、ラジアル基底関数ニューラルネットワークは、操作パラメータを調整するために車両制御システムと相互作用する。実施形態において、リカレントニューラルネットは、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを含む。

【0342】

実施形態において、人工知能システム３６３６は、モジュール式ニューラルネットワークの使用によってライダーの好ましい感情状態を維持することであり、モジュール式ニューラルネットワークは、車両内のライダーの感情状態を示すウェアラブルセンサデータを処理してパターンを検出するライダー感情状態判定ニューラルネットワークと、を備える。実施形態において、感情状態指標ウェアラブルセンサデータに見出されるパターンは、ライダーの好ましい感情状態及びライダーの好ましくない感情状態の少なくとも一方を示す、ライダー感情状態決定ニューラルネットワークからの出力データを車両動作状態データに変換する仲介回路、及び車両動作状態データに応答して車両の動作パラメータ３６１２４を調節する車両動作状態最適化ニューラルネットワークを備えている。

【0343】

実施形態において、車両運転状態最適化ニューラルネットワークは、ライダーの好ましい感情状態を達成するために、車両の運転パラメータを調整する。実施形態において、車両運転状態最適化ニューラルネットワークは、車両運転状態とライダー感情状態との間の相関関係に基づいて、運転パラメータを最適化する。実施形態において、最適化される車両の運転パラメータは、好ましいライダー感情状態を誘導するように決定され、調整される。実施形態において、ライダー感情状態決定ニューラルネットワークは、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも１つから供給されたトレーニングデータセットから、感情状態を示すウェアラブルセンサデータのパターンを分類して、感情状態及びその変化と関連付けることを更に学習する。

【0344】

実施形態において、車両運転状態最適化ニューラルネットワークは、ライダー感情状態決定ニューラルネットワークによるライダーの感情状態の変化の検出に応答して、運転パラメータをリアルタイムで最適化する。実施形態において、ライダー感情状態決定ニューラルネットワークは、ライダーの感情状態が第１の感情状態から第２の感情状態に変化していることを示す感情状態指示ウェアラブルセンサデータのパターンを検出する。実施形態において、車両動作状態最適化ニューラルネットワークは、示された感情状態の変化に応答して、車両の動作パラメータを最適化する。実施形態において、人工知能システム３６３６は、有向サイクルを形成する複数の接続ノードを備え、人工知能システム３６３６は、接続ノード間のデータの双方向のフローをさらに促進する。実施形態において、感情状態を示すウェアラブルセンサデータのパターンは、ライダーの感情状態が変化している、ライダーの感情状態が安定している、ライダーの感情状態の変化率、ライダーの感情状態の変化方向、及びライダーの感情状態の変化の極性のうちの少なくとも１つを示す、ライダーの感情状態が好ましくない状態に変化している、及びライダーの感情状態が好ましい状態に変化している。

【0345】

実施形態において、最適化される運用パラメータは、車両の経路、車載オーディオコンテンツ、車両の速度、車両の加速、車両の減速、経路に沿ったオブジェクトへの近接、及び経路に沿った他の車両への近接のうちの少なくとも１つに影響を与える。実施形態において、車両運転状態最適化ニューラルネットワークは、運転パラメータを調整するために車両制御システムと相互作用する。実施形態において、人工知能システム３６３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする、人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットをさらに含む。実施形態において、ライダー感情状態決定ニューラルネットワークは、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを備える。

【0346】

実施形態において、人工知能システム３６３６は、車両内のライダーの感情状態を示すウェアラブルセンサデータのパターンの認識を通じて、車両内のライダーの感情状態の変化を示すことであり、輸送システムは、複数の車両動作パラメータを調整することによって車両の動作を制御する車両制御システム、及びライダーの感情状態の変化の指示が車両制御システムと人工知能システム３６３６の間で伝達されるフィードバックループを更に備える。実施形態において、車両制御システムは、変化の指示に応答して、複数の車両動作パラメータのうちの少なくとも１つを調整する。実施形態では、車両制御システムは、車両動作状態とライダー感情状態との間の相関関係に基づいて、複数の車両動作パラメータのうちの少なくとも１つを調整する。

【0347】

実施形態において、車両制御システムは、好ましいライダー感情状態を示す複数の車両運用パラメータのうちの少なくとも１つを調整する。実施形態において、車両制御システムは、好ましいライダー感情状態を生じさせることを示す複数の車両運用パラメータのうちの少なくとも１つの調整を選択する。実施形態において、人工知能システム３６３６は、非構造化データソース、ソーシャルメディアソース、ウェアラブルデバイス、車載センサ、ライダーヘルメット、ライダーヘッドギア、及びライダー音声システムからのデータの流れのうちの少なくとも一つから供給された訓練データセットから、感情状態を示すウェアラブルセンサデータのパターンを分類して、感情状態とその変化とを関連付けることを更に学習する。実施形態では、車両制御システムは、複数の車両操作パラメータのうちの少なくとも１つをリアルタイムで調整する。

【0348】

実施形態において、人工知能システム３６３６は、ライダーの感情状態が第１の感情状態から第２の感情状態に変化していることを示す感情状態指示ウェアラブルセンサデータのパターンをさらに検出する。実施形態において、車両運転制御システムは、示された感情状態の変化に応答して、車両の運転パラメータを調整する。実施形態において、人工知能システム３６３６は、有向サイクルを形成する複数の接続ノードを備え、人工知能システム３６３６は、接続ノード間のデータの双方向のフローをさらに促進する。実施形態において、応答的に調整される複数の車両動作パラメータのうちの少なくとも１つは、車両のパワートレイン及び車両のサスペンションシステムの動作に影響を与える。

【0349】

実施形態において、ラジアルベース関数ニューラルネットワークは、車両の現在の動作状態に対するライダーの感情状態反応を示す車両制御データを生成する人工知能システム３６３６の中間コンポーネントを介して、リカレントニューラルネットワークと相互作用する。実施形態において、人工知能システム３６３６は、ライダーの感情状態の変化を示すためのライダー感情状態リカレントニューラルネットワークと、車両動作状態ラジアルベース関数ニューラルネットワークと、仲介システムとを含むモジュラーニューラルネットワークをさらに備える。実施形態において、仲介システムは、リカレントニューラルネットワークからのライダー感情状態特徴付けデータを、ラジアルベース関数ニューラルネットワークが少なくとも１つの操作パラメータを調整するために車両制御システムと対話するために使用する車両制御データへと処理する。

【0350】

実施形態において、人工知能システム３６３６は、ライダーの感覚の少なくとも１つが刺激される程度に基づいてライダーの感情状態を決定することを容易にする人間の感覚を模倣する１つ又は複数のパーセプトロンを含むニューラルネットを備える。実施形態において、感情状態を示すウェアラブルセンサデータのパターンの認識は、複数の車両動作パラメータの少なくとも１つを調整する前、複数の車両動作パラメータの少なくとも１つを調整する間、及び複数の車両動作パラメータの少なくとも１つを調整した後の少なくとも２つの間に取り込まれた感情状態を示すウェアラブルセンサデータを処理することを具備している。

【0351】

実施形態において、人工知能システム３６３６は、複数の動作パラメータの少なくとも１つを調整する前に取り込まれたライダーの感情状態を示すウェアラブルセンサデータの第１のセットと、複数の動作パラメータの少なくとも１つを調整する間又は後に取り込まれたライダーの感情状態を示すウェアラブルセンサデータの第２のセットの間の差を決定することにより、車両の動作パラメータ３６１２４の変化に応答してライダーの感情状態の変化を示す。

【0352】

図３７を参照すると、本明細書で提供される実施形態では、自動運転車両のライダー３７４４のための座席内広告の広告市場を管理するための認知システム３７１５８を有する輸送システム３７１１が提供される。実施形態において、認知システム３７１５８は、車両の座席３７２８のライダー３７４４にインターフェース３７１３内で配信されるべき広告の価格、タイプ、及び場所の少なくとも１つを決定するために、車両及び／又はライダー３７４４の少なくとも１つのパラメータ３７１２４に関連する入力を取り込む。検索に関連して上述したように、車載ライダー、特に自動運転車のライダーは、車両に乗っているときに、他のときとは全く異なる広告に対する状況的配置をされる可能性がある。退屈しているライダーは、広告コンテンツを見たり、オファー又はプロモーションをクリックしたり、調査に従事したりすることなどに、より積極的である可能性がある。実施形態において、広告マーケットプレイスプラットフォームは、車載広告のための広告配置（広告配置のための入札及び依頼等の処理を含む）をセグメント化して別々に処理してもよい。このような広告市場プラットフォームは、広告配置機会を特徴付ける際に、車両タイプ、ディスプレイタイプ、オーディオシステム機能、スクリーンサイズ、ライダー人口統計情報、ルート情報、位置情報など、車両に固有の情報を使用して、車載広告配置に対する入札がそのような車両、ライダー、及び他の交通関連パラメータを反映するようにしてもよい。例えば、広告主は、５万ドル以上の価値があり、朝の通勤時間帯にハイウェイ１０１を北にルートしている自動運転車両の車載ディスプレイシステムへの広告の配置に入札することができる。広告市場プラットフォームは、多くのそのような車両関連の配置機会を構成し、そのような機会の入札を処理し、広告を配置し（例えば、広告をキャッシュする負荷分散型サーバによって）、結果を解決するために使用されてもよい。歩留まり指標は、追跡され、マーケットプレイスの構成を最適化するために使用されてもよい。

【0353】

本明細書で提供される態様は、輸送のためのシステムであって、自動運転車両のライダーのための座席内広告の広告市場を管理するための認知システム３７１５８であって、認知システム３７１５８は、車両の座席３７２８のライダー３７４４にインターフェース３７１３内で配信されるべき広告の特性３７１６０を決定するために車両又はライダー３７４４の少なくとも一つのパラメータ３７１５９に対応する入力を取り、広告の特性３７１６０が価格、カテゴリ、場所及びこれらの組み合わせからなる群から選択されることを備えることを備える、システム。

【0354】

図３８は、本明細書に開示されるシステム及び方法の実施形態による車両座席内広告の方法３８００を示す。３８０２で、この方法は、車両の少なくとも１つのパラメータに関連する入力を取ることを含む。３８０４で、方法は、車両を占有するライダーの少なくとも１つのパラメータに関連する入力を取ることを含む。において、方法は、車両に関連する入力とライダーに関連する入力とに基づいて、車両の座席にいるライダーに車両のインターフェース内で配信されるべき広告の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定することを含む。

【0355】

図３７及び図３８を参照すると、実施形態では、車両３７１０は、自動的に経路設定される。実施形態において、車両３７１０は、自動運転車両である。実施形態において、認知システム３７１５８は、さらに、広告配置の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定する。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告を配信することは、落札価格に基づいて行われる。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、車両分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、ディスプレイ分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、オーディオシステム能力を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、画面サイズを含む。

【0356】

実施形態では、車両の少なくとも１つのパラメータに関連する入力３７１６２は、経路情報を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、位置情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、事前の座席内広告に対するライダーの応答を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーのソーシャルメディア活動を含む。

【0357】

図３９は、本明細書に開示されるシステム及び方法の実施形態による車内広告インタラクション追跡の方法３９００を示す図である。３９０２で、本方法は、車両の少なくとも１つのパラメータに関連する入力と、車両を占有するライダーの少なくとも１つのパラメータに関連する入力とを取ることを含む。３９０４で、本方法は、複数の車両に渡って入力を集約することを含む。３９０６において、本方法は、認知システムを使用して、集約された入力に基づいて車内広告配置の機会を決定することを含む。３９０７において、本方法は、配置機会に対する入札を促進する広告ネットワークにおいて配置機会を提供することを含む。３９０８において、本方法は、入札の結果に基づいて、車両のユーザインターフェース内に配置のための広告を配信することを含む。３９０９において、本方法は、車両のユーザインターフェースに提示された広告と車両ライダーとのインタラクションを監視することを含む。

【0358】

図３７及び図３９を参照すると、実施形態において、車両３７１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを構成する。実施形態において、車両３７１０は、少なくとも半自律型車両である。実施形態において、車両３７１０は、自動的にルーティングされる。実施形態において、車両３７１０は、自動運転車両である。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告の配信は、落札額に基づいて行われる。実施形態において、監視された車両ライダー相互作用情報は、クリックベースの支払を解決するための情報を含む。実施形態において、監視された車両ライダーインタラクション情報は、監視の分析結果を含む。実施形態において、分析結果は、広告に対する関心の尺度である。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、車両分類を含む。

【0359】

実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、ディスプレイ分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、オーディオシステム能力を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、画面サイズを含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、経路情報を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、位置情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも１つのパラメータに関する入力３７１６３は、事前の座席内広告に対するライダーの反応を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーのソーシャルメディア活動を含む。

【0360】

図４０は、本明細書に開示されるシステム及び方法の実施形態による車内広告の方法４０００を示す。４００２で、方法は、車両の少なくとも１つのパラメータに関連する入力と、車両を占有するライダーの少なくとも１つのパラメータに関連する入力とを取ることを含む。４００４で、本方法は、複数の車両に渡って入力を集約することを含む。４００６において、本方法は、認知システムを使用して、集約された入力に基づいて車内広告配置の機会を決定することを含む。４００８において、本方法は、配置の機会に対する入札を促進する広告ネットワークにおいて配置の機会を提供することを含む。４００９において、本方法は、入札の結果に基づいて、車両のインターフェース内に配置するための広告を配信することを含む。

【0361】

図３７及び図４０を参照すると、実施形態では、車両３７１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを構成する。実施形態において、車両３７１０は、少なくとも半自律型車両である。実施形態において、車両３７１０は、自動的にルーティングされる。実施形態において、車両３７１０は、自動運転車両である。実施形態において、認知システム３７１５８は、さらに、広告配置の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定する。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告を配信することは、落札価格に基づいて行われる。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、車両分類を含む。

【0362】

実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、ディスプレイ分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、オーディオシステム能力を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、画面サイズを含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、経路情報を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、位置情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、事前の座席内広告に対するライダーの応答を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーのソーシャルメディア活動を含む。

【0363】

本明細書で提供される態様は、車両座席内広告の広告システムを含み、該広告システムは、以下を備える。車両３７１０の少なくとも１つのパラメータ３７１２４に関する入力３７１６２を取り、車両に搭乗するライダーの少なくとも１つのパラメータ３７１６１に関する入力を取る認知システム３７１５８と、車両関連入力３７１６２及びライダー関連入力３７１６３に基づいて車両３７１０の座席３７２８のライダー３７４４に車両３７１０のインターフェース３７１３３内で配信すべき広告の価格、分類、コンテンツ及び位置の少なくとも１つを決定するシステム３７１４と、を備える。

【0364】

実施形態において、車両４１１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを備える。実施形態において、車両４１１０は、少なくとも半自律型車両である。実施形態において、車両４１１０は、自動的に経路設定される。実施形態において、車両４１１０は、自動運転車両である。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、車両分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、ディスプレイ分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、オーディオシステム能力を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、画面サイズを含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、経路情報を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力３７１６２は、位置情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも１つのパラメータに関する入力３７１６３は、事前の座席内広告に対するライダーの反応を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力３７１６３は、ライダーのソーシャルメディア活動を含む。

【0365】

実施形態において、広告システムは、車両の少なくとも１つのパラメータに関連する入力３７１６２から車両動作状態を決定することをさらに特徴とする。実施形態において、配信される広告が、決定された車両動作状態に少なくとも部分的に基づいて決定される。実施形態において、広告システムは、ライダーの少なくとも１つのパラメータに関連する入力３７１６３からライダー状態３７１４９を決定することをさらに有する。実施形態において、配信されるべき広告は、決定されたライダー状態３７１４９に少なくとも部分的に基づいて決定される。

【0366】

図４１を参照すると、本明細書で提供される実施形態では、車両４１１０のライダーに対する座席内広告のための広告市場を管理するためのハイブリッド認知システム４１１６４を有する輸送システム４１１１である。実施形態において、ハイブリッド認知システム４１１６４の少なくとも一部分は、車両の少なくとも１つのパラメータ４１１２４に関する入力４１１６２を処理して、車両動作状態を決定し、認知システムの少なくとも他の一部分は、ライダーに関する入力を処理して、ライダー状態を決定する。実施形態では、認知システムは、車両の座席にいるライダーにインターフェース内で配信される広告の価格、種類、及び位置のうちの少なくとも１つを決定する。

【0367】

本明細書で提供される態様は、輸送用システム４１１１であって、車両４１１０のライダー４１４４に対する座席内広告のための広告市場を管理するためのハイブリッド認知システム４１１６４と、を備えることを特徴とする。実施形態では、ハイブリッド認知システムの少なくとも１つの部分４１１６５は、車両の少なくとも１つのパラメータに対応する入力４１１６２を処理して、車両動作状態４１１６８を決定し、認知システム４１１６４の少なくとも１つの他の部分４１１６６は、ライダーに関連する入力４１１６３を処理してライダー状態４１１４９を決定する。実施形態では、認知システム４１１６４は、車両４１１０の座席４１２８にいるライダー４１４４にインターフェース４１１３３内で配信されるべき広告の特性４１１６０を決定する。実施形態において、広告の特性４１１６０は、価格、カテゴリ、場所、及びそれらの組み合わせからなる群から選択される。

【0368】

本明細書で提供される態様は、車両座席内広告のための人工知能システム４１３６を含み、以下の通りである。車両の少なくとも１つのパラメータに関連する入力４１１６２を処理することによって車両の動作状態４１１６８を決定する人工知能システム４１３６の第１の部分４１１６５と、ライダーの少なくとも１つのパラメータに関連する入力４１１６３を処理することによって車両のライダーの状態４１１４９を決定する人工知能システム４１３６の第２の部分４１１６６とを備える。及び、車両（動作）状態４１１６８及びライダー状態４１１４９に基づいて、車両４１１０の座席にいるライダー４１４４に車両のインターフェース４１１３３内で配信されるべき広告の価格、分類、内容及び位置のうちの少なくとも１つを決定する人工知能システム４１３６の第３部分４１１６７を備える。

【0369】

実施形態において、車両４１１０は、車両の少なくとも１つの制御パラメータを自動化するためのシステムを備える。実施形態では、車両は、少なくとも半自律型車両である。実施形態において、車両は、自動的に経路設定される。実施形態において、車両は、自動運転車両である。実施形態において、認知システム４１１６４は、さらに、広告配置の価格、分類、コンテンツ、及び位置のうちの少なくとも１つを決定する。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告を配信することは、落札価格に基づいて行われる。実施形態において、車両の少なくとも１つのパラメータに関連する入力は、車両分類を含む。

【0370】

実施形態において、車両の少なくとも１つのパラメータに関連する入力は、ディスプレイ分類を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力は、オーディオシステム能力を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力は、画面サイズを含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力は、経路情報を含む。実施形態において、車両の少なくとも１つのパラメータに関連する入力は、位置情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力は、事前の座席内広告に対するライダーの反応を含む。実施形態において、ライダーの少なくとも１つのパラメータに関連する入力は、ライダーのソーシャルメディア活動を含む。

【0371】

図４２は、本明細書に開示されるシステム及び方法の実施形態による車内広告インタラクション追跡の方法４２００を示す図である。４２０２で、方法は、車両の少なくとも１つのパラメータに関連する入力と、車両を占有するライダーの少なくとも１つのパラメータに関連する入力とを取ることを含む。４２０４で、本方法は、複数の車両に渡って入力を集約することを含む。４２０６において、本方法は、ハイブリッド認知システムを使用して、集約された入力に基づいて車内広告配置の機会を決定することを含む。４２０７で、本方法は、配置の機会に対する入札を促進する広告ネットワークにおいて配置の機会を提供することを含む。４２０８で、本方法は、入札の結果に基づいて、車両のユーザインターフェース内に配置のための広告を配信することを含む。４２０９において、本方法は、車両のユーザインターフェース内に提示された広告と車両ライダーとのインタラクションを監視することを含む。

【0372】

図41及び図42を参照すると、実施形態において、車両4110は、車両の少なくとも1つの制御パラメータを自動化するためのシステムを構成している。実施形態において、車両4110は、少なくとも半自律型車両である。実施形態において、車両4110は、自動ルーティングされる。実施形態において、車両4110は、自動運転車両である。実施形態において、ハイブリッド認知システム41164の第1の部分41165は、車両の少なくとも1つのパラメータに関連する入力を処理することによって、車両の動作状態を決定する。実施形態において、ハイブリッド認知システム41164の第2の部分41166は、ライダーの少なくとも1つのパラメータに関連する入力を処理することによって、車両のライダーの状態41149を決定する。実施形態では、ハイブリッド認知システム41164の第3の部分41167は、車両状態及びライダー状態に基づいて、車両の座席にいるライダーに車両のインターフェース内で配信されるべき広告の価格、分類、コンテンツ及び位置のうちの少なくとも1つを決定する。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告の配信は、落札額に基づいて行われる。実施形態において、監視された車両ライダー相互作用情報は、クリックベースの支払を解決するための情報を含む。実施形態において、監視された車両ライダーインタラクション情報は、監視の分析結果を含む。実施形態において、分析結果は、広告に対する関心の尺度である。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、車両分類を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、ディスプレイ分類を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、オーディオシステム能力を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、画面サイズを含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、経路情報を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、位置情報を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも1つのパラメータに関する入力41163は、事前の座席内広告に対するライダーの反応を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダーのソーシャルメディア活動を含む。

【0373】

図43は、本明細書に開示されるシステム及び方法の実施形態による車内広告の方法4300を示す。4302で、方法は、車両の少なくとも1つのパラメータに関連する入力と、車両を占有するライダーの少なくとも1つのパラメータに関連する入力と、を取ることを含む。4304で、本方法は、複数の車両に渡って入力を集約することを含む。4306において、本方法は、ハイブリッド認知システムを使用して、集約された入力に基づいて車内広告配置の機会を決定することを含む。4308において、本方法は、配置機会に対する入札を促進する広告ネットワークにおいて配置機会を提供することを含む。4309において、本方法は、入札の結果に基づいて、車両のインターフェース内に配置するための広告を配信することを含む。

【0374】

図41及び図43を参照すると、実施形態において、車両4110は、車両の少なくとも1つの制御パラメータを自動化するためのシステムを構成している。実施形態において、車両4110は、少なくとも半自律型車両である。実施形態において、車両4110は、自動ルーティングされる。実施形態において、車両4110は、自動運転車両である。実施形態において、ハイブリッド認知システム41164の第1の部分41165は、車両の少なくとも1つのパラメータに関連する入力41162を処理することによって、車両の動作状態41168を決定する。実施形態において、ハイブリッド認知システム41164の第2の部分41166は、ライダーの少なくとも1つのパラメータに関連する入力41163を処理することによって、車両のライダーの状態41149を決定する。実施形態では、ハイブリッド認知システム41164の第3の部分41167は、車両（動作）状態41168及びライダー状態41149に基づいて、車両4110の座席4128のライダー4144に車両4110のインターフェース41133内で配信すべき広告の価格、分類、内容及び位置の少なくとも1つを決定する。実施形態において、広告は、落札した広告主から配信される。実施形態において、広告を配信することは、落札に基づいて行われる。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、車両分類を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、ディスプレイ分類を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、オーディオシステム能力を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、画面サイズを含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、経路情報を含む。実施形態において、車両の少なくとも1つのパラメータに関連する入力41162は、位置情報を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダー人口統計学的情報を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダーの感情状態を含む。実施形態において、ライダーの少なくとも1つのパラメータに関する入力41163は、事前の座席内広告に対するライダーの反応を含む。実施形態において、ライダーの少なくとも1つのパラメータに関連する入力41163は、ライダーのソーシャルメディア活動を含む。

【0375】

図44を参照すると、本明細書で提供される実施形態では、環境44171における装着者44172の位置および向きの登録に基づいて拡張現実体験を提供するように構成されたオートバイ用ヘルメット44170を有する輸送システム4411である。

【0376】

本明細書で提供される態様は、輸送用システム4411であって、環境44171におけるヘルメット44170の着用者44172の位置および向きの登録に基づいて拡張現実体験を提供するためのオートバイヘルメット44170と、を備えることを含む。

【0377】

本明細書で提供される態様は、以下を備えるオートバイ用ヘルメット44170を含む。ヘルメット44170を着用するライダー44172とオートバイ44169との間の通信を容易にするように構成されたデータプロセッサ4488であって、オートバイ44169およびヘルメット44170がオートバイ44169の位置および向き44173を通信するデータプロセッサ4488、およびヘルメットを着用するライダーの環境44171においてコンテンツの拡張を提示することを容易にするように配置されたディスプレイ44175を備える拡張現実システム44174であって、拡張はオートバイ44169の通信される位置および向き44128の登録に対して応答性を持つ拡張システム44274。実施形態において、増強の少なくとも1つのパラメータは、ライダー44172およびオートバイ44180の少なくとも一方に関連する少なくとも1つの入力に関する機械学習によって決定される。

【0378】

実施形態において、二輪車44169は、二輪車の少なくとも1つの制御パラメータを自動化するためのシステムを含む。実施形態において、オートバイ44169は、少なくとも半自律型オートバイである。実施形態において、二輪車44169は、自動的にルーティングされる。実施形態において、オートバイ44169は、自動運転オートバイである。実施形態において、環境内のコンテンツは、ヘルメットを装着したライダーの視野の一部で見ることができるコンテンツである。実施形態において、ライダーの入力に関する機械学習は、ライダーの感情状態を決定し、少なくとも1つのパラメータに対する値は、ライダーの感情状態に応答して適合される。実施形態において、オートバイの入力に関する機械学習は、オートバイの動作状態を決定し、少なくとも1つのパラメータに対する値は、オートバイの動作状態に応答して適合される。実施形態において、ヘルメット44170は、少なくとも1つの入力に応答して、少なくとも1つのパラメータ44156の値の調整を拡張現実システムに推奨するためのオートバイ構成エキスパートシステム44139をさらに備える。

【0379】

本明細書で提供される態様は、オートバイヘルメット拡張現実システムを含む。ヘルメットをかぶっているライダーの環境においてコンテンツの拡張を提示することを容易にするように配置されたディスプレイ44175と、ライダーが乗っているオートバイの位置および方向の少なくとも一方を登録する回路4488と、ライダー44163およびオートバイ44180の少なくとも一方に関連する少なくとも一つの入力を処理することにより少なくとも一つの拡張パラメータ44156を決定する機械学習回路44179と、ライダー44163の位置および方向の少なくとも一方に応答して、拡張要素44155を生成するリアリティ拡張回路4488とおよび、登録されたオートバイの位置および向きの少なくとも一方に応答して、ディスプレイ44175に提示するための拡張要素44177を生成する現実拡張回路4488であって、生成は、決定された少なくとも1つの拡張パラメータ44156に少なくとも部分的に基づく、現実拡張回路4488。

【0380】

実施形態において、二輪車44169は、二輪車の少なくとも1つの制御パラメータを自動化するためのシステムを含む。実施形態において、オートバイ44169は、少なくとも半自律型オートバイである。実施形態において、二輪車44169は、自動的にルーティングされる。実施形態において、オートバイ44169は、自動運転オートバイである。実施形態において、環境内のコンテンツ44176は、ヘルメットを装着したライダー44172の視野の一部で見ることができるコンテンツである。実施形態において、ライダーの入力に関する機械学習は、ライダーの感情状態を決定し、少なくとも1つのパラメータに対する値は、ライダーの感情状態に応答して適合される。実施形態において、オートバイの入力に関する機械学習は、オートバイの動作状態を決定し、少なくとも1つのパラメータに対する値は、オートバイの動作状態に応答して適合される。

【0381】

実施形態において、ヘルメットは、少なくとも1つの入力に応答して、拡張現実システム4488に少なくとも1つのパラメータ44156の値の調整を推奨するためのオートバイ構成エキスパートシステム44139をさらに備える。

【0382】

実施形態において、輸送システムのためのネットワーク技術を活用することは、輸送システム内の車両のための認知的集団充電又は給油計画をサポートしてもよい。そのような輸送システムは、自動運転車などの複数の車両に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのための再充電又は給油計画の少なくとも1つのパラメータを決定するための人工知能システムを含んでもよい。

【0383】

実施形態において、輸送システムは、車両輸送システムであってもよい。そのような車両輸送システムは、複数のネットワーク対応車両4510の少なくとも1つからの動作状態及びエネルギー消費情報を含む入力などが収集され得るネットワーク（例えば、インターネットなど）インターフェースを提供し得るネットワーク対応車両情報取り込みポート4532を含んでもよい。実施形態において、そのような入力は、複数のネットワーク対応車両4510が車両の動作状態、エネルギー消費、及び他の関連情報に接続し、配信する際にリアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態から決定されてもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両の予測された交通状況を含んでもよい。輸送システムは、1つ以上の車両充電インフラ制御システム（複数可）4534を含むことができる車両充電又は給油インフラを含むこともできる。これらの制御システム（複数可）4534は、複数のネットワーク対応車両4510の動作状態及びエネルギー消費情報を、取り込みポート4532を介して、又はインターネット等の共通又は一連の接続ネットワークを通じて直接受信してもよい。このような輸送システムは、例えば、動作状態及びエネルギー消費情報の受信に応答して、複数のネットワーク対応車両4510の少なくとも一部のための充電計画4512が依存する少なくとも1つの充電計画パラメータ4514を決定、提供、調整又は作成してもよい車両充電インフラ制御システム（複数可）4534と機能的に接続されてよい人工知能システム4536をさらに含んでもよい。この依存関係は、制御システム（複数可）4534のプロセッサが充電計画4512に由来する又は基づくプログラムを実行する場合など、制御システム（複数可）4534による充電計画4512の適用における変化をもたらす可能性がある。充電インフラストラクチャ制御システム（複数可）4534は、充電インフラストラクチャシステムから遠隔の（例えば、電気自動車充電キオスクなどから遠隔の）クラウドベースのコンピューティングシステムを含んでもよく；また、燃料ステーション、充電キオスクなどのインフラ要素と共に配置され、及び／又はそれと統合されてもよいローカル充電インフラストラクチャシステム4538を含んでもよい。実施形態において、人工知能システム4536は、クラウドベースシステム4534、ローカル充電インフラシステム4538、またはその両方とインタフェースし、調整することができる。実施形態において、クラウドベースシステムの調整は、ローカル充電インフラシステム4538との調整よりも、複数の充電キオスクなどに影響を与えるパラメータを提供するなど、異なるインターフェースの形態をとってもよく、ローカルシステムが、例えばクラウドベース制御システム4534から提供され得る充電システム制御コマンドなどを適応するために使用し得る情報を提供してもよい。一例では、クラウドベースの制御システム（利用可能な充電／給油インフラストラクチャ装置の局所的なセットなどの一部のみを制御してもよい）は、高度に並行な車両充電を促進する充電率を設定することによって、人工知能システム4536の充電計画パラメータ4514に応答してもよい。しかしながら、ローカル充電インフラシステム4538は、例えば、人工知能システム4536によって提供された制御計画パラメータに基づいて、異なる充電速度（例えば、より速い充電速度）を許可するように、例えば、期間内にローカル充電キオスクを使用するためにキューイングされているか推定されている車両の蓄積に対応するために短時間だけこの制御計画を適応させてもよい。このようにして、充電インフラ運用計画4512になされる少なくとも1つのパラメータ4514への調整は、複数の車両4510のうちの少なくとも1つが、目標エネルギー更新地理的領域4516においてエネルギー更新へのアクセスを有することを保証するものである。

【0384】

実施形態において、充電又は給油計画は、車両固有から車両グループ固有、車両位置固有及びインフラストラクチャに影響を与える側面に至る広範囲の輸送側面に影響を与え得る複数のパラメータを有してもよい。したがって、計画のパラメータは、充電インフラストラクチャへの車両ルーティング、提供することが許可される充電量、充電のための時間またはレート、バッテリーの条件または状態、バッテリー充電プロファイル、車両の消費ニーズに基づくことができる最小値への充電に必要な時間、充電の市場価値、市場価値の指標、市場価格、インフラストラクチャプロバイダ利益、一つ以上の充電または燃料補給インフラキオスクへの燃料または電気の提供に関する入札または提供、利用可能な供給能力、充電需要（ローカル、地域、システム全体）など、いずれかに影響を与えまたは関連し得る。

【0385】

実施形態において、認知充電又は給油計画を促進するために、輸送システムは、人工知能システム4536と相互作用して、複数の充電計画パラメータ4514のうちの少なくとも1つに調整値4524を適用する充電計画更新設備を含んでもよい。調整値4524は、調整値を適用することのフィードバックに基づいてさらに調整されてもよい。実施形態において、フィードバックは、調整値をさらに調整するために人工知能システム4534によって使用されてもよい。一例として、フィードバックは、1台以上の車両に対する目標充電地理的地域4516又は地理的範囲など、局所的な方法で充電又は給油インフラ設備に適用される調整値に影響を与える可能性がある。実施形態において、パラメータ調整値を提供することは、複数の車両のうちの少なくとも1台の残りのバッテリー充電状態の消費を最適化することを容易にし得る。

【0386】

エネルギー関連の消費、需要、可用性、およびアクセス情報などを処理することによって、人工知能システム4536は、4526でボックス内に示されるような車両の電気使用など、輸送システムの側面を最適化してもよい。人工知能システム4536は、さらに、充電時間、場所、および量のうちの少なくとも1つを最適化してもよい。一例では、フィードバックに基づいて構成及び更新されてもよい充電計画パラメータは、4526でボックスに示されるように、複数の車両のうちの少なくとも1つのためのルーティングパラメータであってもよい。

【0387】

人工知能システム4536は、例えば、最適化された少なくとも1つのパラメータに基づいて、複数の充電式車両4510のための短期的な充電ニーズに対応するために、輸送システムの充電または給油制御計画パラメータ4514をさらに最適化してもよい。人工知能システム4536は、エネルギーパラメータ（車両及び非車両エネルギーを含む）を計算し、少なくとも車両及び／又は充電又は給油インフラストラクチャの電力使用を最適化し、少なくとも1つの充電又は給油インフラストラクチャ固有の充電時間、場所、及び量を最適化してもよい、最適化アルゴリズムを実行してもよい。

【0388】

実施形態において、人工知能システム4534は、地理的領域4516内の1つ又は複数の車両のジオロケーション4518を予測してもよい。地理的領域4516は、現在その領域に位置する、または予測される車両を含んでもよく、任意選択で再充電または給油を必要とする、または好む可能性がある。ジオロケーション及び充電計画へのその影響を予測する例として、充電計画パラメータは、地理的領域4516内の充電又は給油インフラへの、現在その地域にある又は予測される車両の割り当てを含んでもよい。実施形態において、ジオロケーション予測は、人工知能システムが複数の車両のジオロケーションの予測に基づいて少なくとも1つの充電計画パラメータ4514を最適化できるように、ジオロケーション範囲内の複数の車両の充電状態又は予測される車両に関連する入力を受け取ることを含んでもよい。

【0389】

充電計画には、影響を受ける可能性のある多くの側面がある。いくつかの側面は、車両の充電または給油のための期間、量、および価格の少なくとも1つの自動交渉など、財務に関連する可能性がある。

【0390】

輸送システム認知充電計画システムは、人工知能システムがハイブリッドニューラルネットワークで構成されることを含んでもよい。ハイブリッドニューラルネットワークの第1のニューラルネットワーク4522は、複数の車両の充電又は燃料状態（車両から直接又は車両情報ポート4532を介して受信される）に関する入力を処理するために使用されてもよく、ハイブリッドニューラルネットワークの第2のニューラルネットワーク4520は、充電又は燃料補給インフラ等に関する入力を処理するために使用される。実施形態において、第1のニューラルネットワーク4522は、複数の車両の車両ルート及び蓄積エネルギー状態情報からなる入力を処理して、複数の車両のうちの少なくとも1つの車両について目標エネルギー更新領域を予測してもよい。第2のニューラルネットワーク4520は、目標エネルギー更新領域内の車両エネルギー更新インフラ設備の使用及び需要情報を処理して、目標エネルギー更新領域4516における更新エネルギーへの複数の車両のうちの少なくとも1台によるアクセスを容易にする充電インフラ運用計画4512の少なくとも1つのパラメータ4514を決定してもよい。実施形態において、第1及び／又は第2のニューラルネットワークは、限定されることなく畳み込み型ネットワークを含む本明細書に記載されるニューラルネットワークのいずれかとして構成されてもよい。

【0391】

実施形態において、輸送システムは、分散型であってもよく、複数の車両4510に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのための再充電及び給油計画4512の少なくとも1つのパラメータ4514を決定するための人工知能システム4536を含んでもよい。実施形態において、そのような入力は、複数の車両4510が接続し、車両の動作状態、エネルギー消費、及び他の関連情報を配信する際にリアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態から決定されてもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両に対する予測された交通状況を含んでもよい。分散型輸送システムは、エネルギー消費量及び動作情報などの車両に関する情報、並びに充電又は給油インフラなどの輸送システムに関する情報を交換するクラウドベース及び車両ベースのシステムも含んでもよい。人工知能システムは、交通システムの充電又は給油インフラストラクチャの少なくとも一部に対する認知充電計画の実行を容易にする制御パラメータを用いて、クラウド及び車両ベースのシステムによって共有される交通システム及び車両情報に応答してもよい。人工知能システム4536は、複数の車両4510の少なくとも一部のための充電計画4512が依存する少なくとも1つの充電計画パラメータ4514を決定、提供、調整、または作成してもよい。この依存関係は、プロセッサが充電計画4512に由来する又は充電計画4512に基づくプログラムを実行するときなど、クラウドベースシステム及び車両ベースシステムの少なくとも一方による充電計画4512の実行における変化をもたらす可能性がある。

【0392】

実施形態において、交通システムの人工知能システムは、車両充電設備利用最適化アルゴリズムを複数の充電式車両固有の入力、例えば、複数の充電式車両のうちの1台の目標充電範囲に存在する充電式車両の現在の動作状態データに適用することによって、認知充電計画の実行を促進してもよい。また、人工知能システムは、複数の充電計画パラメータが目標充電範囲内の交通システムの充電インフラに与える影響を評価してもよい。人工知能システムは、例えば複数の充電式車両によるエネルギー使用の最適化を容易にする複数の充電計画パラメータのうちの少なくとも1つを選択し、複数の充電計画パラメータのうちの少なくとも1つに対する調整値を生成してもよい。人工知能システムは、例えば、充電式車両固有の入力から決定され得る複数の充電式車両の動作状態に基づいて、対象領域内の複数の充電式車両の一部に対する充電の近い将来の必要性をさらに予測してもよい。この予測及び近い将来の充電インフラの可用性及び容量情報に基づいて、人工知能システムは、充電計画の少なくとも1つのパラメータを最適化してもよい。実施形態において、人工知能システムは、予測及びパラメータ選択又は調整のために、ハイブリッドニューラルネットワークを動作させてもよい。実施例では、ハイブリッドニューラルネットワークの第1の部分は、1つ以上の充電式車両のルートプランに関連する入力を処理してもよい。実施例では、ハイブリッドニューラルネットワークの、第1の部分とは異なる第2の部分は、充電式車両の少なくとも1つの充電範囲内の充電インフラに関連する入力を処理してもよい。この例では、ハイブリッドニューラルネットの第2の異なる部分は、ターゲット領域内の複数の車両のジオロケーションを予測する。充電計画の実行を容易にするために、パラメータは、予測された地理的領域内の充電インフラの少なくとも一部への車両の割り当てに影響を与えることができる。

【0393】

実施形態において、本明細書に記載される車両は、車両の少なくとも1つの制御パラメータを自動化するためのシステムを含んでいてもよい。車両は、さらに、少なくとも半自律型車両として動作してもよい。車両は、自動的にルーティングされてもよい。また、車両、充電等は、自走式車両であってもよい。

【0394】

実施形態において、輸送システムのためのネットワーク技術を活用することは、輸送システム内の車両に対する認知的集団充電又は給油計画をサポートしてもよい。そのような輸送システムは、自動運転車両などの複数の車両のバッテリー状態に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのバッテリー動作を最適化するための再充電及び／又は給油計画の少なくとも1つのパラメータを決定するための人工知能システムを含んでもよい。

【0395】

実施形態において、そのような車両輸送システムは、複数のネットワーク対応車両4610の少なくとも1つからの動作状態及びエネルギー消費情報及び電池状態を含む入力などが収集されてもよいネットワーク（例えば、インターネットなど）インターフェースを提供してもよいネットワーク対応車両情報取り込みポート4632を含んでもよい。実施形態において、そのような入力は、複数の車両4610がネットワークに接続し、車両の動作状態、エネルギー消費、バッテリー状態、及び他の関連情報を配信すると、リアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態を含んでもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両の予測された交通状況を含んでもよい。輸送システムは、1つ以上の車両充電インフラ制御システム4634を含むことができる車両充電または給油インフラを含むこともできる。これらの制御システムは、取り込みポート4632を介して、及び／又は、無線ネットワーク等を含むインターネットインフラ等の共通又は一連の接続されたネットワークを通じて、複数のネットワーク対応車両4610のバッテリー状態情報等を直接受信してもよい。このような輸送システムは、複数の車両の一部からの少なくともバッテリー状態情報に基づいて、複数のネットワーク対応車両4610の少なくとも一部のための充電計画4612が依存する少なくとも1つの充電計画パラメータ4614を決定、提供、調整または作成してもよい車両充電インフラ制御システムと機能的に接続されてもよい人工知能システム4636をさらに含んでもよい。このパラメータ依存性は、制御システム（複数可）4634のプロセッサが充電計画4612に由来する又は基づくプログラムを実行するときなど、制御システム（複数可）4634による充電計画4612の適用における変化をもたらす可能性がある。これらの変更は、1つ以上の車両の予想されるバッテリー使用量を最適化するために適用されてもよい。最適化は、車両固有であってもよいし、車両のセットにわたって集約されてもよいし、そのようなものであってもよい。充電インフラストラクチャ制御システム（複数可）4634は、充電インフラストラクチャシステムから遠隔の（例えば、電気自動車充電キオスクなどから遠隔の）クラウドベースのコンピューティングシステムを含んでもよく；また、燃料ステーション、充電キオスクなどのインフラ要素と共に配置され、及び／又はそれに統合されてもよいローカル充電インフラストラクチャシステム4638を含んでもよい。実施形態において、人工知能システム4636は、クラウドベースシステム4634、ローカル充電インフラストラクチャシステム4638、またはその両方とインターフェースすることができる。実施形態において、人工知能システムは、予想されるバッテリー使用の最適化を促進するために、個々の車両とインターフェイスしてもよい。実施形態において、クラウドベースシステムとのインターフェースは、複数の充電キオスクに影響を与えるパラメータを提供するなど、充電計画のインフラストラクチャ全体の影響に影響を与える可能性がある。ローカル充電インフラシステム4638とのインターフェースは、ローカルシステムが、例えば、クラウドベースの制御システム4634などの地域的またはより広範な制御システムから提供され得る充電システム制御コマンドなどを適応させるために使用し得る情報を提供することを含み得る。一例では、（利用可能な充電または給油インフラストラクチャ装置の局所的なセット、町、郡、市、区、郡などの対象または地理的地域のみを制御し得る）クラウドベースの制御システムは、車両バッテリー使用を最適化できるように高並列車両充電を促進する充電率を設定することによって人工知能システム4636の充電計画パラメータ4614に応答し得る。しかしながら、ローカル充電インフラシステム4638は、人工知能システム4636によって提供された制御計画パラメータに基づいて、予想されるバッテリー使用量がまだ最適化されていない車両の蓄積に対応するために短期間など、異なる充電速度（例えば、より速い充電速度）を可能にするために、この制御計画を適応させてもよい。このようにして、充電インフラ運用計画4612になされる少なくとも1つのパラメータ4614への調整は、複数の車両4610のうちの少なくとも1つが目標エネルギー更新領域4616においてエネルギー更新へのアクセスを有することを保証する。実施形態において、ターゲットエネルギー更新領域は、その地域の管理者によって構成され得るジオフェンスによって定義されてもよい。例では、管理者は、管轄区域（例えば、町村など）に対する管理または責任を有してよい。例では、管理者は、管轄区域と実質的に一致する地域のためのジオフェンスを構成してもよい。

【0396】

実施形態において、充電又は給油計画は、車両固有から車両グループ固有、車両位置固有及びインフラストラクチャに影響を与える側面に至る広範囲の輸送側面に影響を与え得る複数のパラメータを有してもよい。したがって、計画のパラメータは、充電インフラへの車両の経路、提供することが許可される充電量、充電のための時間またはレート、バッテリーの状態または状態、バッテリー充電プロファイル、車両の消費ニーズに基づくことができる最小値までの充電に必要な時間のいずれかに影響を与え、または関連付けることができる。充電の市場価値、市場価値の指標、市場価格、インフラ提供者の利益、1つ以上の充電または給油インフラキオスクに燃料または電気を提供するための入札または申し出、利用可能な供給能力、充電需要（ローカル、地域、システム全体）、最大エネルギー使用率、電池充電間の時間、などである。

【0397】

実施形態において、認知充電又は給油計画を促進するために、輸送システムは、人工知能システム4636と相互作用して、複数の充電計画パラメータ4614のうちの少なくとも1つに調整値4624を適用する充電計画更新設備を含んでもよい。調整値4624は、調整値を適用することのフィードバックに基づいてさらに調整されてもよい。実施形態において、フィードバックは、調整値をさらに調整するために人工知能システム4634によって使用されてもよい。一例では、フィードバックは、例えば、交通渋滞の期間中、十分なバッテリー電力を有するように、バッテリー動作が最適化されるように、交通渋滞によって影響を受ける、または影響を受けると予測される車両の集合のみに影響を与えるなど、局所的に充電または燃料補給インフラ設備に適用される調整値に影響を与えてもよい。実施形態において、パラメータ調整値を提供することは、複数の車両のうちの少なくとも1台の残りのバッテリー充電状態の消費を最適化することを容易にし得る。

【0398】

エネルギー関連の消費、需要、可用性、およびアクセス情報などを処理することによって、人工知能システム4636は、4626でボックス内に示されるような車両の電気使用など、輸送システムの側面を最適化することができる。人工知能システム4636は、4626でボックス内に示されるように、再充電時間、場所、および量のうちの少なくとも1つをさらに最適化してもよい。一例では、フィードバックに基づいて構成され更新され得る充電計画パラメータは、複数の車両のうちの少なくとも1つのためのルーティングパラメータであってよい。

【0399】

人工知能システム4636は、最適化された少なくとも1つのパラメータに基づいて、例えば、複数の充電式車両4610のための短期的な充電ニーズに対応するために、輸送システムの充電または給油制御計画パラメータ4614をさらに最適化してもよい。人工知能システム4636は、予想されるバッテリー使用量に影響を与え得るエネルギーパラメータ（車両及び非車両エネルギーを含む）を計算し、少なくとも車両及び／又は充電又は給油インフラストラクチャの電力使用量を最適化し、少なくとも1つの充電又は給油インフラストラクチャ固有の充電時間、場所、及び量を最適化し得る車両再充電最適化アルゴリズムを実行し得る。

【0400】

実施形態において、人工知能システム4634は、地理的領域4616内の1つまたは複数の車両のジオロケーション4618を予測してもよい。地理的領域4616は、現在その領域に位置する、または予測される車両を含んでもよく、オプションとして、再充電または給油を必要とする、または好む可能性がある。ジオロケーション及び充電計画へのその影響を予測する例として、充電計画パラメータは、地理的領域4616内の充電又は給油インフラへの、現在その地域にある又は予測される車両の割り当てを含んでもよい。実施形態において、ジオロケーション予測は、人工知能システムが複数の車両のジオロケーションの予測に基づいて少なくとも1つの充電計画パラメータ4614を最適化できるように、ジオロケーション範囲内の複数の車両のバッテリー及びバッテリー充電状態及び再充電ニーズに関連する入力を受け取ることを含んでもよい。

【0401】

充電計画には、影響を受ける可能性のある多くの側面がある。いくつかの側面は、車両の充電または燃料補給のための期間、量、および価格の少なくとも1つの自動交渉など、財務に関連する可能性がある。

【0402】

輸送システム認知充電計画システムは、人工知能システムがハイブリッドニューラルネットワークで構成されることを含んでもよい。ハイブリッドニューラルネットワークの第1のニューラルネットワーク4622は、複数の車両のバッテリー充電または燃料状態（車両から直接受信するか、車両情報ポート4632を介して受信する）に関する入力を処理するために使用されてもよく、ハイブリッドニューラルネットワークの第2のニューラルネットワーク4620は、充電または燃料補給インフラ等に関する入力を処理するために使用される。実施形態において、第1のニューラルネットワーク4622は、複数の車両の充電システム及び車両ルートに関する情報及び蓄積エネルギー状態情報を含む入力を処理して、複数の車両のうちの少なくとも1つについて、目標エネルギー更新領域を予測してもよい。第2のニューラルネットワーク4620は、さらに、複数の車両の一部の、別の車両又は車両の集合に対するジオロケーションを予測してもよい。第2のニューラルネットワーク4620は、目標エネルギー更新領域内の車両エネルギー更新インフラ設備の使用及び需要情報を処理して、複数の車両のうちの少なくとも1台による目標エネルギー更新領域4616内の更新エネルギーへのアクセスを容易にする充電インフラ運用計画4612の少なくとも1つのパラメータ4614を決定してもよい。実施形態において、第1及び／又は第2のニューラルネットワークは、限定されることなく畳み込み型ネットワークを含む本明細書に記載されるニューラルネットワークのいずれかとして構成されてもよい。

【0403】

実施形態において、輸送システムは、分散型であってもよく、複数の車両4610に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのための再充電及び給油計画4612の少なくとも1つのパラメータ4614を決定するための人工知能システム4636を含んでもよい。実施形態において、そのような入力は、複数の車両4610がネットワークに接続し、車両の動作状態、エネルギー消費、及び他の関連情報を配信する際にリアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態から決定されてもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両に対する予測された交通状況を含んでもよい。分散型輸送システムは、エネルギー消費量及び動作情報などの車両に関する情報、並びに充電又は給油インフラなどの輸送システムに関する情報を交換するクラウドベース及び車両ベースのシステムも含んでもよい。人工知能システムは、交通システムの充電又は給油インフラストラクチャの少なくとも一部に対する認知充電計画を実行することを容易にする制御パラメータで、クラウドベースシステム及び車両ベースシステムによって共有される交通システム及び車両情報に応答してもよい。人工知能システム4636は、複数の車両4610の少なくとも一部のための充電計画4612が依存する少なくとも1つの充電計画パラメータ4614を決定、提供、調整、または作成してもよい。この依存関係は、プロセッサが充電計画4612に由来するまたは充電計画4612に基づくプログラムを実行するときなど、クラウドベースシステムおよび車両ベースシステムの少なくとも一方による充電計画4612の実行における変化をもたらす可能性がある。

【0404】

実施形態において、交通システムの人工知能システムは、複数の充電式車両固有の入力、例えば、複数の充電式車両の1つの目標充電範囲に存在する充電式車両の現在の動作状態データに、車両バッテリー動作最適化アルゴリズムの車両再充電設備利用を適用することによって、認知充電計画の実行を促進してもよい。また、人工知能システムは、複数の充電計画パラメータが目標充電範囲内の交通システムの充電インフラに与える影響を評価してもよい。人工知能システムは、例えば複数の充電式車両によるエネルギー使用の最適化を容易にする複数の充電計画パラメータのうちの少なくとも1つを選択し、複数の充電計画パラメータのうちの少なくとも1つに対する調整値を生成してもよい。人工知能システムは、例えば、充電式車両固有の入力から決定され得る複数の充電式車両の動作状態に基づいて、対象地域内の複数の充電式車両の一部に対する充電の近い将来の必要性をさらに予測してもよい。この予測及び近い将来の充電インフラの可用性及び容量情報に基づいて、人工知能システムは、充電計画の少なくとも1つのパラメータを最適化してもよい。実施形態において、人工知能システムは、予測及びパラメータ選択又は調整のために、ハイブリッドニューラルネットワークを動作させてもよい。実施例では、ハイブリッドニューラルネットワークの第1の部分は、1つ以上の充電式車両のルートプランに関連する入力を処理してもよい。実施例では、ハイブリッドニューラルネットワークの、第1の部分とは異なる第2の部分は、充電式車両の少なくとも1つの充電範囲内の充電インフラに関連する入力を処理してもよい。この例では、ハイブリッドニューラルネットの第2の異なる部分は、ターゲット領域内の複数の車両のジオロケーションを予測する。充電計画の実行を容易にするために、パラメータは、予測された地理的領域内の充電インフラの少なくとも一部への車両の割り当てに影響を与えることができる。

【0405】

実施形態において、本明細書に記載される車両は、車両の少なくとも1つの制御パラメータを自動化するためのシステムを含んでいてもよい。車両は、さらに、少なくとも半自律型車両として動作してもよい。車両は、自動的にルーティングされてもよい。また、車両、充電等は、自走式車両であってもよい。

【0406】

実施形態において、輸送システムのためのネットワーク技術を活用することは、輸送システム内の車両のための認知的集団充電又は給油計画をサポートしてもよい。そのような輸送システムは、自動運転車両などの複数の車両に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのための再充電及び／又は給油計画の少なくとも1つのパラメータを決定するためのクラウドベースの人工知能システムを含んでもよい。

【0407】

実施形態において、そのような車両輸送システムは、複数のネットワーク対応車両4710の少なくとも1つからの動作状態およびエネルギー消費情報を含む入力などが収集され、本明細書に記載されるクラウドベースの制御および人工知能システムなどのクラウドリソースに提供され得るネットワーク（例えば、インターネットなど）インターフェースを提供してもよいクラウド対応車両情報取込ポート4732を含むことがある。実施形態において、そのような入力は、複数の車両4710がクラウドに接続し、少なくともポート4732を介して車両の動作状態、エネルギー消費、及び他の関連情報を配信する際に、リアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態から決定されてもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両の予測された交通状況を含んでもよい。輸送システムは、1つ以上の車両充電インフラクラウドベース制御システム（複数可）4734を含むことができる車両充電または給油インフラを含むこともできる。これらのクラウドベース制御システム（複数可）4734は、クラウド対応取り込みポート4732を介して、及び／又はインターネット等の共通又は一連の接続ネットワークを通じて、複数のネットワーク対応車両4710の動作状態及びエネルギー消費情報を直接受信してもよい。このような輸送システムは、例えば、複数のネットワーク対応車両4710の少なくとも一部の充電計画4712が依存する少なくとも1つの充電計画パラメータ4714を決定、提供、調整または作成する車両充電インフラクラウドベース制御システム（複数可）4734と機能的に接続されてもよいクラウドベース人工知能システム4736をさらに含んでもよい。この依存関係は、クラウドベース制御システム（複数可）4734のプロセッサが充電計画4712に由来するまたはそれに基づくプログラムを実行する場合など、クラウドベース制御システム（複数可）4734による充電計画4712の適用における変更をもたらす可能性がある。充電インフラクラウドベース制御システム（複数可）4734は、充電インフラシステムから遠隔の（例えば、電気自動車充電キオスクなどから遠隔の）クラウドベースコンピューティングシステムを含んでもよく；また、燃料ステーション、充電キオスクなどのインフラ要素と共に配置され、及び／又はそれに統合されてもよいローカル充電インフラシステム4738を含んでもよい。実施形態において、クラウドベース人工知能システム4736は、クラウドベース充電インフラストラクチャ制御システム4734、ローカル充電インフラストラクチャシステム4738、またはその両方とインタフェースし調整することができる。実施形態において、クラウドベースシステムの調整は、ローカル充電インフラシステム4738との調整とは異なる場合がある複数の充電キオスクなどに影響を与えるパラメータを提供するなど、インターフェイスの形態をとる場合があり、ローカルシステムが、例えばクラウドベース制御システム4734から提供される場合があるクラウドベース充電システム制御コマンドなどを適合するために使用し得る情報を提供する場合がある。一例では、（利用可能な充電または給油インフラストラクチャ装置の局所的なセットなどの一部のみを制御し得る）クラウドベースの制御システムは、高度に並列な車両充電を促進する充電率を設定することによって、クラウドベースの人工知能システム4736の充電計画パラメータ4714に応答し得る。しかしながら、ローカル充電インフラシステム4738は、クラウドベースの人工知能システム4736によって提供された制御計画パラメータに基づいて、異なる充電速度（例えば、より速い充電速度）、例えば、期間内にローカル充電キオスクを使用するためにキューイングされているか推定されている車両の蓄積に対応するために短い期間だけ充電速度を許可するなど、この制御計画を適応させてもよい。このようにして、充電インフラ運用計画4712になされる少なくとも1つのパラメータ4714への調整は、複数の車両4710のうちの少なくとも1つが目標エネルギー更新領域4716においてエネルギー更新へのアクセスを有することを保証するものである。

【0408】

実施形態において、充電又は給油計画は、車両固有から車両グループ固有、車両位置固有及びインフラストラクチャに影響を与える側面に至る広範囲の輸送側面に影響を与え得る複数のパラメータを有してもよい。したがって、計画のパラメータは、充電インフラストラクチャへの車両ルーティング、提供することが許可される充電量、充電のための時間またはレート、バッテリーの条件または状態、バッテリー充電プロファイル、車両の消費ニーズに基づくことができる最小値への充電に必要な時間、充電の市場価値、市場価値の指標、市場価格、インフラストラクチャプロバイダ利益、一つ以上の充電または燃料補給インフラキオスクへの燃料または電気の提供に関する入札または提供、利用可能な供給能力、充電需要（ローカル、地域、システム全体）など、いずれかに影響を与えまたは関連し得る。

【0409】

実施形態において、認知充電又は給油計画を促進するために、輸送システムは、クラウドベースの人工知能システム4736と相互作用して、複数の充電計画パラメータ4714のうちの少なくとも1つに調整値4724を適用する充電計画更新設備を含んでもよい。調整値4724は、調整値を適用することのフィードバックに基づいてさらに調整されてもよい。実施形態において、フィードバックは、クラウドベースの人工知能システム4734によって、調整値をさらに調整するために使用されてもよい。一例として、フィードバックは、1台以上の車両に対する目標充電エリア4716又は地理的範囲など、局所的な方法で充電又は給油インフラ設備に適用される調整値に影響を及ぼしてもよい。実施形態において、パラメータ調整値を提供することは、複数の車両のうちの少なくとも1台の残りのバッテリー充電状態の消費を最適化することを容易にし得る。

【0410】

エネルギー関連の消費、需要、可用性、およびアクセス情報などを処理することによって、クラウドベースの人工知能システム4736は、車両の電気使用など、輸送システムの側面を最適化してもよい。クラウドベースの人工知能システム4736は、さらに、充電時間、場所、および量のうちの少なくとも1つを最適化してもよい。一例では、フィードバックに基づいて構成及び更新され得る充電計画パラメータは、複数の車両のうちの少なくとも1つのためのルーティングパラメータであってもよい。

【0411】

クラウドベースの人工知能システム4736は、最適化された少なくとも1つのパラメータに基づいて、例えば、複数の充電式車両4710の短期的な充電ニーズに対応するために、輸送システムの充電又は給油制御計画パラメータ4714をさらに最適化してもよい。クラウドベースの人工知能システム4736は、エネルギーパラメータ（車両及び非車両エネルギーを含む）を計算し、少なくとも車両及び／又は充電又は給油インフラストラクチャの電力使用を最適化し、少なくとも1つの充電又は給油インフラストラクチャ固有の充電時間、場所及び量を最適化することができる最適化アルゴリズムを実行してもよい。

【0412】

実施形態において、クラウドベースの人工知能システム4734は、地理的領域4716内の1つまたは複数の車両のジオロケーション4718を予測してもよい。地理的領域4716は、現在その領域に位置する、または予測される車両を含んでもよく、任意選択で再充電または給油を必要とする、または好む可能性がある。ジオロケーション及び充電計画へのその影響を予測する例として、充電計画パラメータは、地理的領域4716内の充電又は給油インフラへの、現在その地域にある又は予測される車両の割り当てを含んでもよい。実施形態において、ジオロケーション予測は、クラウドベースの人工知能システムが、複数の車両のジオロケーションの予測に基づいて少なくとも1つの充電計画パラメータ4714を最適化できるように、ジオロケーション範囲内の複数の車両の充電状態または予測される車両に関連する入力を受信することを含んでもよい。

【0413】

充電計画には、影響を受ける可能性のある多くの側面がある。いくつかの側面は、車両の充電または燃料補給のための期間、量、および価格の少なくとも1つの自動交渉など、財務に関連する可能性がある。

【0414】

輸送システム認知充電計画システムは、クラウドベースの人工知能システムがハイブリッドニューラルネットワークで構成されることを含んでもよい。ハイブリッドニューラルネットワークの第1のニューラルネットワーク4722は、複数の車両の充電または燃料状態（車両から直接または車両情報ポート4732を介して受信される）に関する入力を処理するために使用されてもよく、ハイブリッドニューラルネットワークの第2のニューラルネットワーク4720は、充電または燃料補給インフラ等に関する入力を処理するために使用される。実施形態において、第1のニューラルネットワーク4722は、複数の車両の車両ルート及び蓄積エネルギー状態情報からなる入力を処理して、複数の車両のうちの少なくとも1つの車両について目標エネルギー更新領域を予測してもよい。第2のニューラルネットワーク4720は、目標エネルギー更新領域内の車両エネルギー更新インフラ設備の使用及び需要情報を処理して、複数の車両のうちの少なくとも1台による目標エネルギー更新領域4716内の更新エネルギーへのアクセスを容易にする充電インフラ運用計画4712の少なくとも1つのパラメータ4714を決定してもよい。実施形態において、第1及び／又は第2のニューラルネットワークは、限定されることなく畳み込み型ネットワークを含む本明細書に記載されるニューラルネットワークのいずれかとして構成されてもよい。

【0415】

実施形態において、輸送システムは、分散型であってもよく、複数の車両4710に関連する入力を取り、入力に基づいて複数の車両の少なくとも1つのための再充電及び給油計画4712の少なくとも1つのパラメータ4714を決定するためのクラウドベースの人工知能システム4736を含んでもよい。実施形態において、そのような入力は、複数の車両4710が接続し、車両の動作状態、エネルギー消費、及び他の関連情報を配信する際にリアルタイムで収集されてもよい。実施形態において、入力は、車両エネルギー消費に関連してもよく、複数の車両の一部のバッテリー充電状態から決定されてもよい。入力は、車両のルート計画、車両の充電の値の指標などを含んでもよい。入力は、複数の車両に対する予測された交通状況を含んでもよい。分散型輸送システムは、エネルギー消費量及び動作情報などの車両に関する情報、並びに充電又は給油インフラなどの輸送システムに関する情報を交換するクラウドベース及び車両ベースのシステムも含んでもよい。クラウドベースの人工知能システムは、交通システムの充電または給油インフラストラクチャの少なくとも一部に対する認知充電計画の実行を容易にする制御パラメータを用いて、クラウドベースのシステムおよび車両ベースのシステムが共有する交通システム情報および車両情報に応答してよい。クラウドベースの人工知能システム4736は、複数の車両4710の少なくとも一部のための充電計画4712が依存する少なくとも1つの充電計画パラメータ4714を決定、提供、調整、または作成してもよい。この依存関係は、プロセッサが充電計画4712に由来するまたは充電計画4712に基づくプログラムを実行するときなど、クラウドベースおよび車両ベースのシステムの少なくとも一方による充電計画4712の実行に変化をもたらす可能性がある。

【0416】

実施形態において、交通システムのクラウドベースの人工知能システムは、車両充電設備利用最適化アルゴリズムを複数の充電式車両固有の入力、例えば複数の充電式車両のうちの1台の目標充電範囲に存在する充電式車両の現在の動作状態データに適用することによって、認知充電計画の実行を促進してもよい。また、クラウドベースの人工知能システムは、複数の充電計画パラメータが目標充電範囲内の交通システムの充電インフラに与える影響を評価してもよい。クラウドベースの人工知能システムは、例えば複数の充電式車両によるエネルギー使用の最適化を容易にする複数の充電計画パラメータのうちの少なくとも1つを選択し、複数の充電計画パラメータのうちの少なくとも1つに対する調整値を生成してもよい。クラウドベースの人工知能システムは、充電式車両固有の入力から決定され得る、例えば複数の充電式車両の動作状態に基づいて、対象地域内の複数の充電式車両の一部に対する充電の近い将来の必要性をさらに予測してもよい。この予測及び近い将来の充電インフラの可用性及び容量情報に基づいて、クラウドベースの人工知能システムは、充電計画の少なくとも1つのパラメータを最適化してもよい。実施形態において、クラウドベースの人工知能システムは、予測およびパラメータ選択または調整のために、ハイブリッドニューラルネットワークを動作させてもよい。実施例では、ハイブリッドニューラルネットワークの第1の部分は、1つ以上の充電式車両のルートプランに関連する入力を処理してもよい。実施例では、ハイブリッドニューラルネットワークの、第1の部分とは異なる第2の部分は、充電式車両の少なくとも1つの充電範囲内の充電インフラに関連する入力を処理してもよい。この例では、ハイブリッドニューラルネットの第2の異なる部分は、ターゲット領域内の複数の車両のジオロケーションを予測する。充電計画の実行を容易にするために、パラメータは、予測された地理的領域内の充電インフラの少なくとも一部への車両の割り当てに影響を与えることができる。

【0417】

実施形態において、本明細書に記載される車両は、車両の少なくとも1つの制御パラメータを自動化するためのシステムを含んでいてもよい。車両は、さらに、少なくとも半自律型車両として動作してもよい。車両は、自動的にルーティングされてもよい。また、車両、充電等は、自走式車両であってもよい。

【0418】

図48を参照すると、本明細書で提供されるのは、ロボティックプロセスオートメーションシステム48181（RPAシステム）を有する輸送システム4811である。実施形態において、個人／ユーザ4890が車両4811のユーザインターフェース4823と相互作用する際に、一組の個人／ユーザ4891のそれぞれについてデータが捕捉され、人工知能システム4836がデータを用いて訓練されて、ユーザ4890に代わって車両4810との行動を自動的に引き受けるために車両4810と相互作用する。RPAシステム48181のために収集されたデータ48114は、本開示を通じて説明される多くの他のタイプのデータのうち、画像のシーケンス、センサデータ、遠隔測定データなどを含んでもよい。個人／ユーザ4890の車両4810との相互作用は、本開示全体を通じて説明されるような様々な車両インターフェースとの相互作用を含んでもよい。例えば、ロボティックプロセスオートメーション（RPA）システム4810は、ブレーキパターン、他の車両の後ろの典型的な後続距離、カーブへのアプローチ（例えば、入口角、入口速度、出口角、出口速度など）、加速パターン、車線の好み、追い越し好みなどのドライバーのパターンを観察してもよい。このようなパターンは、ビジョンシステム48186（例えば、ドライバー、ハンドル、ブレーキ、周辺環境48171などを観察するもの）を通じて、車両データシステム48185（例えば、ステアリング、ブレーキなどの状態および状態の変化を示すデータストリーム、ならびに前方および後方カメラおよびセンサ）、接続システム48187（たとえば、GPS、セルラーシステム、および他のネットワークシステム、ならびにピアツーピア、車両間、メッシュおよび認知ネットワークなど）、および他のソースを通じて、学習データセットを使用する。訓練データセットを使用して、本明細書に記載される任意のタイプのニューラルネットワーク48108を介するなどして、RPAシステム48181は、ドライバーと同じスタイルで運転することを学習してもよい。実施形態において、RPAシステム48181は、時間帯、旅行の長さ、旅行の種類などに基づく、異なる状況における攻撃性のレベルの変化など、スタイルの変化を学習してもよい。このように、自動運転車は、その典型的なドライバーのように運転することを学習してもよい。同様に、RPAシステム48181は、ナビゲーションシステム、オーディオエンターテイメントシステム、ビデオエンターテイメントシステム、気候制御システム、シート暖房及び／又は冷却システム、ステアリングシステム、ブレーキシステム、ミラーシステム、ウィンドウシステム、ドアシステム、トランクシステム、給油システム、ムーンルーフシステム、換気システム、ランバーサポートシステム、シートポジショニングシステム、GPSシステム、WIFIシステム、グローブボックスシステムなどに対するドライバー、乗客又は他の個人の相互作用を観察するために使用されても良い。

【0419】

本明細書で提供される態様は、輸送のためのシステム4811であって、ロボットプロセス自動化システム48181を備える。実施形態において、データのセットは、各ユーザー4890が車両4810のユーザインターフェース4823と相互作用する際に、ユーザー4891のセット内の各ユーザー4890について捕捉される。実施形態において、人工知能システム4836は、ユーザー4890に代わって車両4810との行動を自動的に引き受けるために、車両4810と相互作用するデータのセット48114を使用して訓練される。

【0420】

図49は、本明細書に開示されるシステムおよび方法の実施形態に従った、車両の人間のオペレータ操作を模倣することを容易にするロボットプロセスオートメーションの方法4900を示す図である。4902で、本方法は、車両制御促進インターフェースとの人間の相互作用を追跡することを含む。において、本方法は、追跡された人間の相互作用をロボットプロセス自動化システム訓練データ構造内に記録することを含む。4906で、本方法は、車両の動作状態情報を追跡することを含む。実施形態において、車両は、車両制御-促進インターフェースを介して制御されることである。4908で、本方法は、ロボットプロセス自動化システム訓練データ構造に車両動作状態情報を記録することを含む。4909で、本方法は、少なくとも1つのニューラルネットワークの使用を通じて、人間の相互作用とロボットプロセス自動化システム訓練データ構造における車両操作状態情報とに基づいて、人間の相互作用と一致する方法で車両を操作するように人工知能システムを訓練することを含む。

【0421】

実施形態において、本方法は、訓練された人工知能システムで車両の少なくとも1つの側面を制御することをさらに備える。実施形態において、本方法は、人間の相互作用を模倣するために車両の少なくとも1つの側面の制御における構造化された変動によって車両の少なくとも1つの側面の制御に深層学習を適用し、機械学習によって車両の少なくとも1つの側面の制御からのフィードバックを処理することをさらに備える。実施形態において、車両の少なくとも1つのアスペクトを制御することは、車両制御促進インターフェースを介して実行される。

【0422】

実施形態において、車両の少なくとも1つの態様を制御することは、人間によって操作される制御促進インターフェースをエミュレートする人工知能システムによって実行される。実施形態において、車両制御-促進インターフェースは、人間の可聴表現を捕捉する音声捕捉システム、人間-機械インターフェース、機械インターフェース、光学インターフェース及びセンサーベースインターフェースのうちの少なくとも1つを備える。実施形態において、追跡車両動作状態情報は、人間の相互作用によって影響を受ける一連の車両システム及び一連の車両動作プロセスのうちの少なくとも1つを追跡することを含む。実施形態において、追跡車両動作状態情報は、少なくとも1つの車両システム要素を追跡することを含んでいる。実施形態において、少なくとも1つの車両システム要素は、車両制御容易化インターフェースを介して制御される。実施形態において、少なくとも1つの車両システム要素は、人間との相互作用によって影響を受ける。実施形態において、車両動作状態情報を追跡することは、人間との対話の前、対話の間、及び対話の後に車両動作状態情報を追跡することを含む。

【0423】

実施形態において、追跡車両動作状態情報は、人間の相互作用から生じる複数の車両制御システム出力と、人間の相互作用に応答して達成される車両動作結果のうちの少なくとも1つを追跡することを含む。実施形態において、車両は、人間の相互作用を介して達成される結果と一致する結果を達成するように制御されることである。実施形態において、本方法は、複数の車両搭載センサで車両に近接する状態を追跡及び記録することを更に含む。実施形態において、人工知能システムの訓練は、人間の相互作用と同時期に追跡された車両に近接する条件にさらに応答するものである。実施形態において、訓練は、遠隔センサからの複数のデータフィードにさらに応答し、複数のデータフィードは、人間との相互作用と同時期に除去センサによって収集されたデータを含む。実施形態において、人工知能システムは、意思決定を伴うワークフローを採用し、ロボットプロセス自動化システムは、意思決定の自動化を促進する。実施形態において、人工知能システムは、車両の遠隔制御を伴うワークフローを採用し、ロボットプロセス自動化システムは、車両の遠隔制御の自動化を促進する。

【0424】

本明細書で提供される態様は、車両4810の人間の操作を模倣するための輸送システム4811であって、以下を備えるロボットプロセス自動化システム48181を含む。車両制御システムインターフェース48191との人間オペレータの対話を捕捉するオペレータデータ収集モジュール48182と、人間オペレータの対話と少なくとも同時期に関連する車両応答および動作条件を捕捉する車両データ収集モジュール48183と、人間オペレータの対話と少なくとも同時期に関連する環境情報のインスタンスを捕捉する環境データ収集モジュール48184と、人間オペレータを真似ることを学ぶ人工知能システム4836（e.g.,ユーザ4890）を模倣して、ロボットプロセス自動化システム48181が、同時期に捕捉された車両応答および動作条件に関連する環境情報の複数のインスタンスのうちの少なくとも1つを示すデータ48114を検出することに応答して、車両4810を制御する、人工知能システム4836と、を備える。

【0425】

実施形態において、オペレータデータ収集モジュール48182は、ブレーキパターン、後続距離、カーブへの接近加速パターン、車線の好み、および追い越しの好みを含むデータのパターンを捕捉することである。実施形態において、車両データ収集モジュール48183は、ステアリング、ブレーキ、加速度、前方確認画像、および後方確認画像の状態および変化を示すデータストリームを提供する複数の車両データシステム48185からデータを取り込むことである。実施形態において、人工知能システム4836は、人工知能システム4836を訓練するためのニューラルネットワーク48108を含む。

【0426】

図50は、本明細書に開示されるシステム及び方法の実施形態による、車両の人間の操作を模倣するロボットプロセス自動化方法5000を示す。5002で、本方法は、車両制御システムインターフェースとの人間のオペレータのインタラクションを捕捉することを含む。5004で、本方法は、少なくとも同時期に人間操作者の相互作用に関連する車両応答及び動作条件を捕捉することを含む。5006において、本方法は、人間オペレータの対話と少なくとも同時に関連する環境情報のインスタンスを捕捉することを含む。5008において、本方法は、環境データ収集モジュールが、同時期に捕捉された車両応答及び動作条件に関連する環境情報の複数のインスタンスのうちの少なくとも1つを示すデータを検出することに応答して、人間のオペレータを模倣して車両を制御するように人工知能システムを訓練することを含む。

【0427】

実施形態において、本方法は、人間の相互作用を模倣するために車両の少なくとも1つの側面の制御における構造化された変動によって車両の少なくとも1つの側面の制御に影響を与え、機械学習で車両の少なくとも1つの側面の制御からのフィードバックを処理することによって、車両運転安全性のマージンを最適化するために人工知能システムにおいて深層学習を適用することを更に備える。実施形態において、ロボットプロセス自動化システムは、人工知能システムによって採用される意思決定ワークフローの自動化を促進する。実施形態において、ロボットプロセス自動化システムは、人工知能システムが車両を遠隔制御するために採用する遠隔制御ワークフローの自動化を促進する。

【0428】

図51を参照すると、変動から利益を得るユーザ状態を改善するために、車内経験のパラメータを自動的にランダム化する人工知能システム5136を有する輸送システム5111が提供される。実施形態において、（自動運転車、アシスト車、または従来の車両におけるような）ドライバーまたは乗客の経験を制御するために使用されるシステムは、健康、満足、気分、安全、1つまたは複数の財務指標、効率などを改善するために1つまたは複数の車両システムに出力を提供するために、人工知能システム5136が訓練データセットからの結果で訓練されるような、目的またはフィードバック関数に基づいて自動的に行動を引き受けるよう構成されてもよい。

【0429】

そのようなシステムは、広範囲の車内経験パラメータ（本明細書に記載される経験パラメータのいずれかを含む）、例えば、運転経験（アシスト及び自動運転、並びに制御されたサスペンション性能、カーブへのアプローチ、ブレーキなどの入力に対する車両応答性を含む）、シート位置（ランバーサポート、レッグルーム、シートバック角度、シート高及び角度など）、気候制御（換気、窓又はムーンルーフ状態（例えば、,を含む）、音（例．音量、低音、高音、スピーカーの個別制御、音の焦点範囲など）、コンテンツ（音楽、ニュース、広告など、オーディオ、ビデオ、その他の種類）、ルート選択（例：速度、道路状況（例：滑らかか荒れ模様か、平坦か坂道か。を選択すること、速度、道路状況（例えば、平坦または丘陵、直線または曲線）、POI（Point of Interest）、景色（例えば、景勝ルート）、新規性（例えば、異なる場所を見る）、および／または定義した目的（例えば、買い物機会、燃料節約、給油機会、充電機会など）のためである。

【0430】

多くの状況において、1つ以上の車両体験パラメータの変動は、そのようなパラメータの単一の最適化された状態を見出そうとすることと比較して、車両5110（又は車両のセット）、ユーザ（車両ライダー51120など）、又はその両方にとって好ましい状態を提供するか又は結果としてもたらす可能性がある。例えば、ユーザは好みの座席位置を有することができるが、毎日、又は同じ日に長時間、同じ位置に座っていると、特定の関節に過度の圧力をかける、特定の筋肉の萎縮を促す、軟組織の柔軟性を低下させる、などの悪影響がある可能性がある。このような状況において、自動制御システム（本明細書に記載される種類のいずれかの人工知能を使用するように構成されるものを含む）は、本明細書に記載されるユーザ体験パラメータの1つ以上における変動を誘発するように構成されてよく、任意にランダム変動または、理学療法、カイロプラクティック、または他の医療もしくは健康利益をもたらすために開発されるものなどのレジメンに従って規定される変動であってよいものを有することができる。一例として、関節、筋肉、靭帯、軟骨などの健康を促進するために、座席の位置決めを経時的に変化させることができる。別の例として、個人が温度、湿度、およびその他の気候要因の大きな変化を経験すると人間の健康が改善されるという証拠に基づき、ユーザーの健康、気分、または注意力を改善するために、温度、湿度、新鮮な空気（窓または換気を開くことによるものを含む）などを変化させるために、気候制御システムを（ランダムにまたは定められたレジメンに従って）変化させてもよい。

【0431】

人工知能ベースの制御システム5136は、そのような変動のタイミング及び程度の選択を含む、所望の結果を達成するユーザ経験の変動のレベルを提供するために、一連の結果（本明細書に記載の様々なタイプの）について訓練されてもよい。別の例として、オーディオシステムは、聴覚を維持するために（累積音圧レベル、累積投与量などを追跡することに基づくなど）、覚醒を促進するために（コンテンツの種類を変えることなど）、及び／又は健康を改善するために（刺激と緩和のコンテンツのミックスを提供するなど）変化させられることがある。実施形態では、そのような人工知能システム5136は、ウェアラブルデバイス51157（センサセットを含む）、または車両5110内の生理学的モニタリングを提供することができるシステムおよび／またはセンサのセット（例えば、ユーザを観察するビジョンベースシステム51186、生理学的パラメータを測定できる座席、ハンドルなどに埋め込まれたセンサ5125など）を含む生理学的感知システム51190からのようなセンサデータ51444を与えられることができる。例えば、車両インターフェース51188（ステアリングホイールまたは本明細書に記載の任意の他のインターフェースなど）は、生理的パラメータ（例えば、ドライバーまたは他のユーザのストレスレベル、コルチゾールレベルなどを示すためのガルバニック皮膚反応など）を測定でき、これは、制御の目的のために現在の状態を示すために使用でき、または所望の結果を得るためにユーザ体験の変動の制御など制御から利益を得ることができる1または複数のパラメータを最適化するための訓練データセットの一部として使用することができる。そのような一例では、人工知能システム5136は、状態における健康的な変化を誘発するように、ユーザのホルモン系（コルチゾールおよび他の副腎系ホルモンなど）の変化を考慮して、運転経験、音楽などのパラメータを変化させてもよい（1日の間にコルチゾールレベルが変化することは健康な個人では典型的であるが、ある時間における過度に高いまたは低いレベルは不健康または安全であるかもしれないという証拠と整合している）。このようなシステムは、例えば、コルチゾールレベルの上昇が健康的である午前中に、より攻撃的な設定（例えば、カーブへの加速、よりきついサスペンション、及び／又はより大きな音楽）により体験を「アップ」させ、コルチゾールレベルが健康を促進するために低いレベルに低下すべき午後に、体験を「メローアウト」（柔らかいサスペンション、リラックスできる音楽及び／又は穏やかな運転動作など）させても良いだろう。体験は、ユーザーの健康と安全性の両方を考慮することができる。例えば、レベルは時間とともに変化するが、高い覚醒度が要求される状況では覚醒度（したがって安全性）を保証するために十分に高くなるようにすることである。コルチゾール（重要なホルモン）が例として提供されているが、インスリン関連系、心血管系（例えば、脈拍及び血圧に関連する）、胃腸系、その他多くの他のホルモン系又は生物系に関して、ユーザ体験パラメータを（任意にランダム又は設定された変動で）制御してもよい。

【0432】

本明細書で提供される態様は、輸送用システム5111であって、ユーザ状態を改善するために車内体験のパラメータを自動的にランダム化する人工知能システム5136と、を備えることを特徴とする。実施形態において、ユーザ状態は、パラメータの変動から利益を得る。

【0433】

本明細書で提供される態様は、輸送用システム5111であって、車両5110内のライダー51120の生理学的感知データを収集するための車両インターフェース51188と、ライダーの車内経験に関する成果のセットについて学習され、感知されたライダーの生理学的データに反応して、成果のセットにおける少なくとも一つの所望の結果を達成するためにユーザ経験パラメータの一つ以上の変動を誘導する人工知能ベース回路51189であって、変動の誘導が変動のタイミング及び程度の制御を含む、人工知能ベース回路51189と、を備えることを含む。

【0434】

実施形態において、誘導された変動は、ランダムな変動を含む。実施形態において、誘導された変動は、所定のパターンに従っている変動を含む。実施形態において、所定のパターンは、レジメンに従って処方される。実施形態において、レジメンは、理学療法、カイロプラクティック、及び他の医療健康効果のうちの少なくとも1つを提供するために開発される。実施形態において、1つ以上のユーザ体験パラメータは、座席位置、温度、湿度、車内空気源、又は音声出力の少なくとも1つに影響を与える。実施形態において、車両インターフェース51188は、ライダー51120によって着用されるように配置された少なくとも1つのウェアラブルセンサ51157を備える。実施形態において、車両インターフェース51188は、ライダー51120の複数の視点からの画像を捕捉し分析するように配置されたビジョンシステム51186を備える。実施形態において、ユーザ体験パラメータの1つ以上の変動は、車両5110の制御の変動を構成する。

【0435】

実施形態において、車両5110の制御のバリエーションは、車両5110をアグレッシブな走行性能のために構成することを含む。実施形態において、車両5110の制御におけるバリエーションは、非攻撃的な運転性能のために車両5110を構成することを含む。実施形態において、バリエーションは、ライダー51120のホルモンレベルの指示を含む生理学的感知データに応答し、人工知能ベース回路51189は、ライダーの安全を促進するホルモン状態を促進するために1つ以上のユーザー体験パラメータを変化させる。

【0436】

次に図52を参照すると、ユーザ5290のホルモン系レベルの指標を取り、安全を促進するホルモン状態を促進するために車両5210でのユーザ体験を自動的に変化させるためのシステム52192を有する輸送システム5211も本明細書に提供される。

【0437】

本明細書で提供される態様は、輸送用システム5211であって、ユーザ5290のホルモン系レベルの指標を検出し、安全を促進するホルモン状態を促すために車両5210でのユーザ体験を自動的に変化させるためのシステム52192を備える。

【0438】

本明細書で提供される態様は、輸送のためのシステム5211を含み：ライダー（例えば、。人工知能ベースの回路52189は、ライダーの車内経験に関連する一連の結果について訓練され、感知されたライダーのホルモン状態データに応答して、一連の結果における少なくとも1つの所望の結果を達成するためにユーザー経験パラメータの1つ又は複数に変動を誘発し、一連の結果は、ライダーの安全を促進する少なくとも1つの結果を含み、変動を誘発することは変動のタイミング及び範囲の制御を含む。

【0439】

実施形態において、1つ以上のユーザ体験パラメータの変動は、ライダー（例えば、ユーザ5290）の所望のホルモン状態を促進するために、人工知能システム5236によって制御される。実施形態において、ライダーの所望のホルモン状態は、安全性を促進する。実施形態において、結果のセットにおける少なくとも1つの所望の結果は、ライダーの安全性を促進する少なくとも1つの結果である。実施形態において、1つ以上のユーザー体験パラメータの変動は、ライダー（例えば、ユーザー5290）に提供される食品及び飲料の少なくとも1つを変動させることを含む。実施形態において、1つ以上のユーザ体験パラメータは、座席位置、温度、湿度、車内空気源、又は音声出力の少なくとも1つに影響を与える。実施形態において、車両インターフェース52188は、ライダー（例えば、ユーザー5290）によって着用されるように配置された少なくとも1つのウェアラブルセンサ52157を備える。

【0440】

実施形態において、車両インターフェース52188は、ライダー（例えば、ユーザ5290）の複数の視点からの画像を捕捉し分析するように配置されたビジョンシステム52186からなる。実施形態において、ユーザ体験パラメータのうちの1つ以上の変動は、車両5210の制御における変動を含んでいる。実施形態において、車両5210の制御における変動は、アグレッシブな運転性能のために車両5210を構成することを含む。実施形態において、車両5210の制御におけるバリエーションは、非攻撃的な運転性能のために車両5210を構成することを含む。

【0441】

図53を参照すると、本明細書で提供されるのは、安全マージン53204を提供するために車両パラメータ53159及びユーザ体験パラメータ53205の少なくとも1つを最適化するためのシステムを有する輸送システム5311である。実施形態において、安全マージン53204は、ユーザのプロファイルに基づいて選択されるか、ユーザインターフェースとの対話によってなどユーザによって能動的に選択されるか、又は車両5310における行動及びソーシャルメディア上、電子商取引、コンテンツ消費、場所から場所への移動など他のコンテキストにおける行動を含むユーザ行動を追跡することによって開発されたプロファイルに基づいて選択されるなど、ユーザ選択安全マージン又はユーザベース安全マージンであってもよい。多くの状況において、動的システムの性能の最適化（例えば、燃料効率のようなある目的関数を達成すること）と、システムに存在する1つまたは複数のリスクとの間にトレードオフが存在する。特に、1つ以上のパラメータを最適化することによるメリットと、そのパラメータが関与する動的システムに存在するリスクとの間に非対称性がある場合、この傾向は顕著になる。例えば、（毎日の通勤などの）移動時間を最小化しようとすると、到着が遅れる可能性が高くなる。これは、車両交通を含む動的システムにおけるさまざまな影響が連鎖的に発生する傾向があり、周期的に移動時間が大きく変動する（しかも、多くの場合、不利に）ためである。多くのシステムにおける変動は対称的ではない。例えば、異常に混雑していない道路は30マイルの通勤時間を数分改善するかもしれないが、事故や高い渋滞は同じ通勤時間を1時間以上増加させる可能性がある。したがって、高い悪影響を及ぼすリスクを回避するために、広い安全マージンが必要とされる場合がある。実施形態では、エキスパートシステム（本明細書に記載されるように、モデルベース、ルールベース、深層学習、ハイブリッド、または他の知的システムであってもよい）を使用して、輸送関連の動的システムに存在する有害事象に関して所望の安全マージンを提供するためのシステムが、本明細書に提供される。安全マージン53204は、命令、車両5310または車載ユーザ体験のための制御パラメータなど、エキスパートシステム5336の出力を介して提供されてもよい。人工知能システム5336は、交通データ、天候データ、事故データ、車両保守データ、給油及び充電システムデータ（車両内データ及び充電ステーション、給油ステーション、並びにエネルギー生産、輸送、及び貯蔵システムなどのインフラシステムからのデータを含む）、ユーザ行動データ、ユーザ健康データ、ユーザ満足データ、財務情報（例えば、ユーザの財務情報、価格情報（例えば、燃料、食品、経路上の宿泊施設など）、車両安全データ、故障モードデータ、車両情報システムデータなど）、及び本明細書及び参照により本書に組み込まれる文書に記載される多くの他の種類のデータ。

【0442】

本明細書で提供される態様は、輸送用システム5311であって、安全マージン53204を提供するために車両パラメータ53159及びユーザ体験パラメータ53205の少なくとも1つを最適化するためのシステム、を備えることを含む。

【0443】

本明細書で提供される態様は、車両5310の人間の操作を模倣するときに安全マージンを最適化するための輸送システム5311を含み、輸送システム5311は、ロボットプロセス自動化システム53181のセットと、を備える。車両制御システムインターフェース53191との人間オペレータ5390の相互作用53201を捕捉するオペレータデータ収集モジュール53182と、人間オペレータ相互作用53201と少なくとも同時期に関連する車両応答及び動作条件を捕捉する車両データ収集モジュール53183と、人間オペレータ相互作用53201と少なくとも同時期に関連する環境情報53203のインスタンスを捕捉する環境データ収集モジュール53184と、人間オペレータをまねる一方で最適化した安全性のマージンで車両5310を制御するように学ぶための人工知能システム5336と、であることを特徴とする。実施形態において、人工知能システム5336は、ロボットプロセス自動化システム53181に応答的である。実施形態において、人工知能システム5336は、同時期に捕捉された車両応答及び動作条件に関連する環境情報の複数のインスタンスのうちの少なくとも1つを示すデータを検出することである。実施形態において、最適化された安全マージンは、一組のエキスパート人間車両オペレータの車両制御システムインターフェース53191との相互作用から収集された一組の人間オペレータ相互作用データに基づいて車両5310を制御するように人工知能システム5336を訓練することによって達成されることである。

【0444】

実施形態において、オペレータデータ収集モジュール53182は、ブレーキパターン、追従距離、カーブへの接近加速パターン、車線の好み、または追い越しの好みを含むデータのパターンを捕捉する。実施形態において、車両データ収集モジュール53183は、ステアリング、ブレーキ、加速度、前方確認画像、または後方確認画像における状態および状態の変化を示すデータストリームを提供する複数の車両データシステムからデータを捕捉する。実施形態において、人工知能システムは、人工知能システム53114を訓練するためのニューラルネットワーク53108を含む。

【0445】

図54は、本明細書に開示されるシステム及び方法の実施形態に従って、車両運用安全性の最適化されたマージンを達成するためのロボットプロセスオートメーションの方法5400を示す。5402で、本方法は、車両制御促進インターフェースとの専門家車両制御人間インタラクションを追跡することを含む。5404で、本方法は、追跡された専門家車両制御ヒューマンインタラクションをロボットプロセス自動化システム訓練データ構造に記録することを含む。5406において、本方法は、車両の車両動作状態情報を追跡することを含む。5407で、本方法は、ロボットプロセス自動化システム訓練データ構造に車両動作状態情報を記録することを含む。で5408、方法は、少なくとも1つのニューラルネットワークを介して、エキスパート車両制御人間相互作用とロボットプロセス自動化システム訓練データ構造中の車両動作状態情報とに基づいて、エキスパート車両制御人間相互作用と一致する方法で車両動作安全性の最適化されたマージンを用いて動作するように車両を訓練することを含む。5409において、本方法は、訓練された人工知能システムで車両の少なくとも1つのアスペクトを制御することを含む。

【0446】

図53及び図54を参照すると、実施形態において、方法は、エキスパート車両制御人間相互作用53201を模倣するために車両の少なくとも1つの側面の制御における構造化された変動を通じて車両の少なくとも1つの側面を制御することによって車両運用安全性のマージンを最適化し、車両の少なくとも1つの側面を制御からのフィードバックを機械学習で処理するために深層学習を適用することを更に含む。実施形態において、車両の少なくとも1つの側面を制御することは、車両制御促進インターフェース53191を介して実行される。実施形態において、車両の少なくとも1つの側面の制御は、専門家車両制御人間53202によって操作される制御-促進インターフェースをエミュレートする人工知能システムによって実行される。実施形態において、車両制御促進インターフェース53191は、専門家車両制御人間の可聴表現を捕捉する音声捕捉システム、人間-機械インターフェース、機械インターフェース、光学インターフェース及びセンサーベースインターフェースのうちの少なくとも1つを備える。実施形態において、追跡車両動作状態情報は、専門家車両制御人間の相互作用によって影響を受ける車両システム及び車両動作プロセスの少なくとも1つを追跡することを含む。実施形態において、追跡車両動作状態情報は、少なくとも1つの車両システム要素を追跡することからなる。実施形態において、少なくとも1つの車両システム要素は、車両制御促進インタフェースを介して制御される。実施形態において、少なくとも1つの車両システム要素は、エキスパート車両制御の人間との対話によって影響を受ける。

【0447】

実施形態において、追跡車両動作状態情報は、専門家車両制御人間対話の前、間、及び後に車両動作状態情報を追跡することからなる。実施形態において、追跡車両動作状態情報は、エキスパート車両制御人間対話から生じる複数の車両制御システム出力と、エキスパート車両制御人間対話に応答して達成される車両動作結果とのうちの少なくとも1つを追跡することからなる。実施形態において、車両は、専門家車両制御人間対話を介して達成された結果と一致する結果を達成するように制御されることである。

【0448】

実施形態において、本方法は、複数の車両搭載センサで車両に近接する条件を追跡し記録することをさらに含む。実施形態において、人工知能システムの訓練は、エキスパート車両制御の人間との対話と同時期に追跡された車両に近接する条件にさらに応答的である。実施形態において、訓練は、遠隔センサからの複数のデータフィードにさらに応答し、複数のデータフィードは、専門家車両制御人間相互作用と同時期に遠隔センサによって収集されたデータを含む。

【0449】

図55は、本明細書に開示されたシステムおよび方法の実施形態によるロボティックプロセスオートメーションによって車両の人間の操作を模倣するための方法5500を例示する。5502で、本方法は、車両に動作可能に接続された車両制御システムインターフェースとの人間のオペレータの相互作用を捕捉することを含む。5504で、本方法は、人間オペレータの対話と少なくとも同時期に関連する車両応答及び動作条件を捕捉することを含む。5506において、本方法は、人間操作者相互作用と少なくとも同時に関連する環境情報を捕捉することを含む。において、本方法は、人間のオペレータを模倣しながら最適化された安全マージンで車両を制御するために人工知能システムを訓練することを含み、人工知能システムは、同時に収集された車両応答及び動作条件に関連する環境情報のインスタンスに関する環境データ収集モジュールからの入力を取る。実施形態において、最適化された安全マージンは、専門家である人間の車両オペレータの相互作用から収集された人間のオペレータ相互作用データのセットと、車両安全イベントのセットからの結果データに基づいて車両を制御するように人工知能システムを訓練することによって達成される。

【0450】

実施形態における図53及び図55を参照すると、方法は、エキスパート車両制御人間相互作用53201を模倣するために、車両の少なくとも1つの側面の制御における構造化された変動を通じて車両の少なくとも1つの側面の制御に影響を与えることによって車両動作安全53204のマージンを最適化するために人工知能システム53114の深い学習を適用することと、機械学習を用いて車両の少なくとも1つの側面の制御からフィードバックを処理することとを更に含む。実施形態において、人工知能システムは、意思決定を伴うワークフローを採用し、ロボットプロセス自動化システム53181は、意思決定の自動化を促進する。実施形態において、人工知能システムは、車両の遠隔制御を伴うワークフローを採用し、ロボットプロセス自動化システムは、車両5310を遠隔制御することの自動化を促進する。

【0451】

次に図56を参照すると、一組のエキスパートシステム5657が、一組の車両パラメータ、一組のフリートパラメータ、及び一組のユーザ体験パラメータの少なくとも1つを管理するためのそれぞれの出力56193を提供するように構成され得るインターフェース56133を含む、輸送システム5611が描かれている。

【0452】

そのようなインターフェース56133は、グラフィカルユーザインターフェース（エキスパートシステム5657の選択および／または構成を可能にするために操作され得る一連の視覚要素、メニュー項目、フォームなどを有するなど）、アプリケーションプログラミングインターフェース、計算プラットフォーム（例えば、1以上のサービス、プログラム、モジュール、または同様のもののパラメータを構成することなど）へのインターフェース、およびその他を含んでもよい。例えば、インターフェース56133は、モデル（例えば、車両、フリート、またはユーザの挙動を表すための選択されたモデル、または天候モデル、交通モデル、燃料消費モデル、エネルギー分布モデル、価格モデルなどの輸送に関連する環境の側面を表すモデル）、人工知能システム（例えば、本書に記載の任意の種類のニューラルネットワーク、深層学習システムなどのタイプを選択）、またはそれらの組み合わせまたはハイブリッドなどのエキスパートシステム5657の種類を選択するために使用されてもよい。例えば、ユーザは、インターフェース56133において、ユーザの買い物行動を予測するためのリカレントニューラルネットワーク（例えば、交通ルートに沿ったユーザの可能性の高い好みを示すなど）とともに、交通環境に影響を与え得る気象イベントを予測するための欧州中距離天気予報センター（ECMWF）を使用することを選択することができる。

【0453】

したがって、インターフェース56133は、ホスト、マネージャ、オペレータ、サービスプロバイダ、ベンダー、または輸送システム5611内もしくはそれと相互作用する他のエンティティに、モデル、エキスパートシステム5657、ニューラルネットワークカテゴリなどの範囲を検討する能力を提供するように構成されてもよい。インターフェース56133は、任意選択で、1つ以上の評価、有効性の統計的尺度など、所定の目的に対する適合性の1つ以上の指標を提供されてもよい。インターフェース56133はまた、所与の輸送システム、環境、及び目的によく適合するセット（例えば、モデル、エキスパートシステム、ニューラルネットワークなど）を選択するように構成されてもよい。実施形態において、そのようなインターフェース56133は、ユーザ5690が、エキスパートシステム5657の1つ以上のパラメータ、例えば、モデルが適用されるべき1つ以上の入力データソース及び／又はニューラルネットワークへの1つ以上の入力、1つ以上の出力タイプ、目標、期間、又は目的、モデル又は人工知能システム内の1つ以上の重み、モデル、グラフ構造、ニューラルネットワーク内の1つ以上のノードセット及び／又は相互接続を設定することが可能であってもよい。など、入力、出力、または動作の1つ以上の期間、動作、計算などの1つ以上の頻度、1つ以上のルール（本明細書に記載されるように構成されたパラメータのいずれかに適用するルール、または本明細書に記載される入力または出力のいずれかに作用するルールなど）、1つ以上のインフラストラクチャパラメータ（ストレージパラメータ、ネットワーク利用パラメータ、処理パラメータ、処理プラットフォームパラメータなど）などが挙げられる。他の多くの可能な例のうちの一例として、ユーザ5690は、車両5610のためのルーティングシステムにリアルタイム出力56193を提供するために、天候モデル、交通モデル、およびリアルタイム交通報告システムからの入力を取るように選択したニューラルネットワークを構成してもよく、ニューラルネットワークは、1000万ノードを有し、選択したクラウド・プラットフォーム上で処理を引き受けるよう構成される。

【0454】

実施形態において、インターフェース56133は、モデルに対して、機械学習システムに対して、入力、フィードバック、または監督を提供するものなど、システムおよび／またはサブシステムの目的、目標、または所望の結果を選択および／または構成するための要素を含んでもよい。例えば、ユーザ5690は、インターフェース56133において、感情的成果、金銭的成果、性能成果、旅行期間成果、エネルギー利用成果、環境影響成果、交通回避成果などを含み得る所望の成果に対応するモード（例えば、快適モード、スポーツモード、高効率モード、仕事モード、娯楽モード、睡眠モード、リラックスモード、長距離旅行モード、など）の中から選択することが許可される場合がある。成果は、様々なレベルの具体性をもって宣言することができる。成果は、所定のユーザ5690によって、又はユーザ5690のために（ユーザプロファイル又は行動に基づいてなど）、又はユーザのグループ（例えば、一連のライダーのそれぞれについて許容可能な状態と一致する所望の構成を選択するなど、複数のユーザプロファイルに従って成果を調和させる1つ又は複数の機能によって）定義されてもよい。一例として、あるライダーは、積極的な娯楽という好ましい結果を示し、別のライダーは、最大限の安全性という好ましい結果を示すかもしれない。そのような場合、インターフェース56133は、リスクを低減する行動とエンターテイメントを増大させる行動に対して、モデルまたはエキスパートシステム5657に報酬パラメータを提供し、両方のライダーの目的に一致する結果をもたらすことができる。報酬は、一連の結果を最適化するように、重み付けされてもよい。潜在的に相反する結果間の競争は、モデルによって、規則によって（例えば、車両所有者の目的は、他のライダーよりも、子供よりも親の方が高く重み付けされてもよい）、または機械学習によって、例えば遺伝的プログラミング技術を用いることによって（例えば、重みおよび／または結果の組み合わせをランダムにまたは系統的に変化させて、ライダーまたはライダーのセットの総合満足度を決定するなど）解決することができる。

【0455】

本明細書で提供される態様は、輸送のためのシステム5611であって、車両パラメータのセット、フリートパラメータのセット、ユーザ体験パラメータのセット、およびそれらの組み合わせからなる群から選択されるパラメータのセットを管理するためのそれぞれの出力56193を提供するためにエキスパートシステム5657のセットを構成するためのインターフェース56133と、を備えることを含む。

【0456】

本明細書で提供される態様は、輸送システム5611の構成要素の構成管理のためのシステムを含み、以下を備えるインターフェース56133を備える。車両パラメータのセットを管理するためのエキスパートコンピューティングシステム5657の第1のエキスパートコンピューティングシステムを構成するためのインターフェース56133の第1の部分56194、車両フリートパラメータのセットを管理するためのエキスパートコンピューティングシステム5657の第2のエキスパートコンピューティングシステムを構成するためのインターフェース56133の第2の部分56195、およびユーザ経験パラメータのセットを管理するための第3のエキスパートコンピューティングシステムを構成するためのインターフェース56133の第3の部分56196を備えている。実施形態において、インターフェース56133は、グラフィカルユーザインターフェースにおいて提示される一組の視覚要素56197が、インターフェース56133において操作されると、第1、第2、および第3のエキスパートシステム5657のうちの1つまたは複数の選択および構成のうちの少なくとも1つを引き起こす、それを介するグラフィカルユーザインターフェースである。実施形態において、インターフェース56133は、アプリケーションプログラミングインターフェースである。実施形態において、インターフェース56133は、1つ以上の輸送中心サービス、プログラム、及びモジュールが構成されるクラウドベースのコンピューティングプラットフォームへのインターフェースである。

【0457】

本明細書で提供される態様は、輸送システム5611を含み：輸送システム5611が輸送関連パラメータを管理する出力56193を提供するためにエキスパートシステムのセット5657を構成するためのインターフェース56133を備える。実施形態において、パラメータは、車両のセット、車両のフリート、及び輸送システムのユーザ経験のうちの少なくとも1つの操作を促進する；及び、インターフェース56133及び複数の輸送システム5611によって構成可能であるエキスパートシステム5657のセットの属性及びパラメータを表す複数の視覚要素56197を備える。実施形態において、インターフェース56133は、視覚的要素56197を操作することを容易にし、それによってエキスパートシステム5657のセットの構成を引き起こすように構成されている。実施形態において、複数の輸送システムは、一組の車両5610から構成される。

【0458】

実施形態において、複数の輸送システムは、一組の車両5610を支持する一組のインフラストラクチャ要素56198からなる。実施形態において、インフラストラクチャ要素56198のセットは、車両給油要素からなる。実施形態において、インフラストラクチャ要素56198のセットは、車両充電要素からなる。実施形態において、インフラストラクチャ要素56198のセットは、交通制御灯からなる。実施形態では、インフラストラクチャ要素56198のセットは、料金所からなる。実施形態では、インフラストラクチャ要素56198のセットは、鉄道システムからなる。実施形態では、インフラストラクチャ要素56198のセットは、自動化された駐車設備からなる。実施形態では、インフラストラクチャ要素56198のセットは、車両監視センサからなる。

【0459】

実施形態において、視覚的要素56197は、エキスパートシステム5657のセットで使用するために選択することができる複数のモデルを表示する。実施形態において、視覚的要素56197は、エキスパートシステム5657のセットにおいて使用するために選択され得る複数のニューラルネットワークカテゴリを表示する。実施形態において、複数のニューラルネットワークカテゴリのうちの少なくとも1つは、畳み込みニューラルネットワークを含む。実施形態において、視覚的要素56197は、所定の目的に対する複数の視覚的要素56197によって表されるアイテムの適合性の1つまたは複数のインジケータを含む。実施形態において、複数のエキスパートシステム5657を構成することは、複数のエキスパートシステム5657の少なくとも一部によって使用するための入力の選択ソースを容易にすることを含んでいる。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部のために、1つまたは複数の出力タイプ、ターゲット、持続時間、および目的の選択を容易にする。

【0460】

実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部に対して、モデルまたは人工知能システム内の1つまたは複数の重みの選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部に対して、モデル内のノードまたは相互接続の1つまたは複数のセットの選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部のために、グラフ構造の選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部について、ニューラルネットワークの選択を容易にする。実施形態において、インターフェースは、複数のエキスパートシステムの少なくとも一部について、入力、出力、又は動作の1つ以上の時間帯の選択を容易にする。

【0461】

実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部について、1つまたは複数の動作周波数の選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部について、計算の頻度の選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部に対して、複数のパラメータに適用するための1つまたは複数の規則の選択を容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも一部に対して、入力のいずれかに対して、または提供された出力に対して動作するための1つまたは複数のルールの選択を容易にする。実施形態において、複数のパラメータは、ストレージパラメータ、ネットワーク利用パラメータ、処理パラメータ、及び処理プラットフォームパラメータからなる群から選択される1つ又は複数のインフラストラクチャパラメータから構成される。

【0462】

実施形態において、インターフェース56133は、人工知能コンピューティングシステムのクラス、選択された人工知能コンピューティングシステムへの入力源、選択された人工知能コンピューティングシステムのコンピューティング能力、人工知能コンピューティングシステムを実行するためのプロセッサ、及び人工知能コンピューティングシステムを実行する結果目的を選択することを容易にする。実施形態において、インターフェース56133は、輸送システム5611内の車両5610の少なくとも1つの1つ以上の動作モードを選択することを容易にする。実施形態において、インターフェース56133は、複数のエキスパートシステム5657の少なくとも1つによって生成される出力56193に対する特異性の度合いを選択することを容易にする。

【0463】

ここで、図57を参照すると、輸送システム5711の一例が、車両5710の構成に対する推薦を構成するためのエキスパートシステム5757を有することが描かれている。実施形態において、推薦状は、車両パラメータ57159及びユーザ体験パラメータ57205の少なくとも1つのパラメータを制御するエキスパートシステム5757のための構成の少なくとも1つのパラメータを含む。このような推薦システムは、ユーザプロファイル、ユーザ行動追跡（車両内および車両外）、コンテンツ推薦システム（音楽、映画、ビデオおよび他のコンテンツを推薦するために用いられる協調フィルタリングシステムなど）、コンテンツ検索システム（例えば、クエリに関連する検索結果を提供するために用いられるなど）、電子商取引追跡システム（ユーザの好み、興味および意図を示すなど）などの、他のユーザの満足度を示すデータセットはもとより、多くの幅広い情報に基づいてユーザに設定を推薦しても良い。推薦システム57199は、前述のものを使用して、ライダーをプロファイルし、他のライダーによる満足度の指標に基づいて、ライダーのための車両5710の構成、または車両5710内の経験を決定することができる。

【0464】

構成は、類似性（例えば、類似性マトリックスアプローチ、属性ベースのクラスタリングアプローチ（例えば、k-meansクラスタリング）、または他の技術を使用して、ライダーを他の類似するライダーとグループ化してもよい。構成は、特定のコンテンツ、経験などについてライダーに問い合わせ、それらが好ましいか好ましくないかについての入力を取る（任意に、評価システム（例えば、コンテンツの素晴らしいアイテムには5つ星）のような好ましさの程度を伴う）ような、協調フィルタリングを使用してもよい。推薦システム57199は、車両パラメータおよび／またはユーザ体験パラメータの組み合わせを（ランダムおよび／または系統的な変動で）構成し、ライダーまたはライダーの集合（例えば、大規模な調査グループ）から入力を取って好ましい構成の集合を決定するなど、遺伝子プログラミングを用いてもよい。これは、結果の大きなセットにわたって機械学習で発生してもよく、ここで、結果は、全体的な満足度の指標及び／又は特定の目的の指標を含む、本明細書に記載されるタイプの様々な報酬関数を含んでもよい。したがって、機械学習システムまたは他のエキスパートシステム5757は、ライダーまたはライダーのセットのために全体的な乗り物を構成すること、およびライダーに対してそのような構成を推奨することを学習してもよい。推奨は、ライダーが一人であるかグループであるか、一日の時間（または週、月、年）、旅行の種類、旅行の目的、種類または道路、旅行の期間、ルートなどのコンテキストに基づいてもよい。

【0465】

本明細書で提供される態様は、輸送のためのシステム5711であって、車両構成の推奨を構成するエキスパートシステム5757を備える。実施形態において、推薦文は、車両パラメータ57159、ユーザ体験パラメータ57205、およびそれらの組み合わせからなる群から選択されるパラメータを制御するエキスパートシステム5757のための構成の少なくとも1つのパラメータを含む。

【0466】

本明細書で提供される態様は、車両5710の構成を推奨するための推奨システム57199を含み、推奨システム57199は、車両パラメータ57159および車両ライダー経験パラメータ57205の少なくとも1つを制御する車両制御システム57134を構成するためのパラメータの推奨を生成するエキスパートシステム5757を備える。

【0467】

実施形態において、車両5710は、車両5710の少なくとも1つの制御パラメータを自動化するためのシステムを備える。実施形態では、車両は、少なくとも半自律型車両である。実施形態において、車両は、自動的に経路設定される。実施形態において、車両は、自動運転車両である。

【0468】

実施形態において、エキスパートシステム5757は、ニューラルネットワークシステムである。実施形態において、エキスパートシステム5757は、ディープラーニングシステムである。実施形態において、エキスパートシステム5757は、機械学習システムである。実施形態において、エキスパートシステム5757は、モデルベースシステムである。実施形態において、エキスパートシステム5757は、ルールベースシステムである。実施形態において、エキスパートシステム5757は、ランダムウォークベースのシステムである。実施形態において、エキスパートシステム5757は、遺伝的アルゴリズムシステムである。実施形態において、エキスパートシステム5757は、畳み込みニューラルネットワークシステムである。実施形態において、エキスパートシステム5757は、自己組織化システムである。実施形態において、エキスパートシステム5757は、パターン認識システムである。実施形態において、エキスパートシステム5757は、ハイブリッド人工知能ベースのシステムである。実施形態において、エキスパートシステム5757は、アクリルグラフベースのシステムである。

【0469】

実施形態において、エキスパートシステム5757は、交通システム5711における車両5710の複数のライダーの満足度に基づく推薦を生成する。実施形態において、エキスパートシステム5757は、ライダーエンターテイメント満足度に基づいて推薦を生成する。実施形態において、エキスパートシステム5757は、ライダー安全満足度に基づいて推薦を作成する。実施形態において、エキスパートシステム5757は、ライダー快適性満足度に基づく推奨を生成する。実施形態において、エキスパートシステム5757は、ライダーの車内検索満足度に基づいて推薦を作成する。

【0470】

実施形態において、少なくとも1つのライダー（またはユーザ）体験パラメータ57205は、交通渋滞のパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、所望の到着時間のパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、好ましいルートのパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、燃費のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、汚染低減のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、事故回避のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、悪天候を回避するパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、悪い道路状況を回避するパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、燃料消費量の低減のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、低減されたカーボンフットプリントのパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、地域における騒音が低減されるパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、高犯罪地域を回避するパラメータである。

【0471】

実施形態において、少なくとも1つのライダー体験パラメータ57205は、集団満足のパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、最高速度制限のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、有料道路の回避のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、市街地の道路の回避のパラメータである。実施形態において、少なくとも1つのライダー体験パラメータ57205は、未分割の高速道路を回避するパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、左折の回避のパラメータである。実施形態において、少なくとも1つのライダー経験パラメータ57205は、運転操作された車両の回避のパラメータである。

【0472】

実施形態において、少なくとも1つの車両パラメータ57159は、燃料消費量のパラメータである。実施形態において、少なくとも1つの車両パラメータ57159は、カーボンフットプリントのパラメータである。実施形態において、少なくとも1つの車両パラメータ57159は、車両速度のパラメータである。実施形態において、少なくとも1つの車両パラメータ57159は、車両加速度のパラメータである。実施形態において、少なくとも1つの車両パラメータ57159は、移動時間のパラメータである。

【0473】

実施形態において、専門家システム5757は、ライダー（例えば、ユーザー5790）のユーザー行動およびライダーと車両5710のコンテンツアクセスインターフェース57206との相互作用の少なくとも1つに基づいて推薦を生成する。実施形態において、専門家システム5757は、ライダー（例えば、ユーザー5790）のプロファイルと他のライダーのプロファイルとの類似性に基づいて推薦を生成する。実施形態において、エキスパートシステム5757は、ライダー（例えば、ユーザ5790）に問い合わせ、それに対するライダーの応答を好ましいから好ましくないまでの範囲の応答クラスのスケールで分類することを容易にする入力を取ることによって決定される協調フィルタリングの結果に基づいて勧告を生成する。実施形態において、エキスパートシステム5757は、旅行の分類、時間帯、道路の分類、旅行期間、構成された経路、及びライダーの数からなる群から選択される少なくとも1つを含む、ライダー（例えば、ユーザ5790）に関連するコンテンツに基づいて推薦を生成する。

【0474】

ここで図58を参照すると、例示的な輸送システム5811は、車内検索者にネットワーク検索結果を提供するように構成された検索システム58207を有することが描かれている。

【0475】

自動運転車では、タッチスクリーン、バーチャルアシスタント、エンターテイメントシステムインターフェース、コミュニケーションインターフェース、ナビゲーションインターフェースなどの車載インターフェースと関わる機会が大幅に増えている。ライダーのモバイルデバイスのインターフェースを車載インターフェースに表示するシステムは存在するが、モバイルデバイスの画面に表示されるコンテンツは、必ずしも車両に乗るライダーの固有の状況に合わせて調整されているわけでない。実際、車両内のライダーは、車両内の存在自体が、自宅に座っている、机に座っている、または歩き回っているユーザーとは異なる多くのことを示す傾向があるため、インターフェースに関与する他の個人とは、直接的なニーズが集合的にかなり異なる可能性がある。デスクトップ、モバイル、ウェアラブルデバイスなど、さまざまなデバイスで行われる検索は、ほぼすべてのデバイスユーザーが参加するアクティビティの1つである。検索には通常、キーワード入力が含まれ、自然言語によるテキスト入力や音声による問い合わせが行われる。クエリは、1つまたは複数のリストまたはメニュー要素で検索結果を提供するために処理され、多くの場合、スポンサー付き結果と非スポンサー付き結果の区別を伴う。ランキングアルゴリズムは、一般的に、幅広い入力、特に、他のユーザーにとっての所定の検索結果の有用性（関与、クリック、注目、ナビゲーション、購入、閲覧、聴取などによって示される）の程度を考慮し、より有用なアイテムがリスト内でより高く評価されるようにする。

【0476】

しかし、自動運転車に乗っているライダーと、より一般的な検索者では、検索結果の有用性が大きく異なる可能性がある。例えば、（ルートが自動運転車両に必要な入力であるため）定義されたルートで運転されているライダーは、同じ個人が職場の個人のデスクや自宅のコンピュータに座っているよりも、ルート上でライダーの先にある場所に関連する検索結果を評価する可能性がはるかに高いかもしれない。したがって、従来の検索エンジンは、自動運転車両に乗ったライダーの状況を考慮すると、最も関連性の高い結果を配信できない、より関連性の高い結果を混同して配信する、などの可能性がある。

【0477】

図58のシステム5811の実施形態では、検索結果ランキングシステム（検索システム58207）は、車載関連検索結果を提供するように構成されてもよい。実施形態において、そのような構成は、車載結果が他のユーザによる車載検索に関する結果に基づいてランク付けされるように、車載検索の集合にのみ関連して観測されるランキングパラメータを含むように検索結果ランキングアルゴリズムを区分することによって達成されてもよい。実施形態において、このような構成は、車載検索が検出されたとき（例えば、通信プロトコルタイプ、IPアドレス、車両に保存されたクッキーの存在、移動性の検出などによる車載システムの指標を検出することによって）、従来の検索アルゴリズムにおける1以上の重みに適用される重み付けパラメータを調節することによって達成されてもよい。例えば、ランキングアルゴリズムにおいて、ローカル検索結果の比重を高くすることができる。

【0478】

実施形態では、車両5810からの経路情報は、経路上の前方のローカルな関心点に関連する結果の有利な重み付けを可能にするなど、ランキングアルゴリズムへの入力として使用され得る。

【0479】

実施形態において、コンテンツタイプは、気象情報、交通情報、イベント情報などの車載クエリの検出に基づいて、検索結果においてより重く評価されてもよい。実施形態において、追跡された成果は、ランキングの要因として経路変更を含むこと（例えば、検索結果が検索結果の主題であった場所への経路変更と時間的に関連するように見える場合）、検索結果に関するライダーのフィードバックを含むこと（乗車に対する満足度指標など）、検索結果に由来するように見える車載動作を検出すること（検索結果に現れた音楽を再生するなど）などにより、車載検索ランキングを調整することができる。

【0480】

実施形態では、車載関連検索結果のセットは、ライダー57120が従来の検索エンジン結果、スポンサー付き検索結果及び車載関連検索結果を見ることができるウィンドウの一部など、検索結果インターフェース（例えば、ライダーインターフェース58208）の別の部分に提供されてもよい。実施形態では、一般的な検索結果及びスポンサー付き検索結果の両方は、車載関連検索結果を提供するために、本明細書に記載された技術のいずれか又は当業者に理解される、であろう他の技術を使用して構成されてもよい。

【0481】

車載関連検索結果及び従来の検索結果が同じインターフェース（例えば、ライダーインターフェース58208）で提示される実施形態では、車載関連検索結果の選択及び関与は、1つ以上の検索アルゴリズム58211を訓練又は強化する成功メトリックとして使用され得る。実施形態において、車載検索アルゴリズム58211は、任意に、車載動作と他の動作との間の差異を企図し得るユーザ動作の1つ以上のモデルに基づいて調整された初期パラメータを提供されてもよい1つ以上の従来の検索モデルによってシードされた機械学習を用いて訓練されてもよい。機械学習は、ニューラルネットワーク、深層学習システム、モデルベースシステムなどの使用を含んでもよい。機械学習へのフィードバックは、検索に使用される従来のエンゲージメントメトリクス、ならびにライダー満足度のメトリクス、感情状態、歩留まりメトリクス（例えば、スポンサー付き検索結果、バナー広告、および同種のもの）などを含んでもよい。

【0482】

本明細書で提供される態様は、輸送用システム5811であって、車載検索者にネットワーク検索結果を提供する検索システム58207と、を備えることを特徴とする。

【0483】

本明細書で提供される態様は、車両5810の車載ネットワーク検索システム58207を含み、該検索システムは、以下を具備する。車両5810のライダー58120が検索システム58207と係合することを可能にするライダーインターフェース58208と、以前に行われた複数の車内検索から得られる一連の車内検索基準に基づいて検索結果を優遇する検索結果生成回路58209と、検索結果の位置コンポーネントと車両5810の構成済み経路の関連性に基づいて、優遇した検索結果を順序付ける検索結果表示ランキング回路58210と、を備える。

【0484】

実施形態において、車両5810は、車両5810の少なくとも1つの制御パラメータを自動化するためのシステムを備える。実施形態において、車両5810は、少なくとも半自律型車両である。実施形態において、車両5810は、自動ルーティングされる。実施形態において、車両5810は、自動運転車両である。

【0485】

実施形態において、ライダーインターフェース58208は、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインターフェース、通信インターフェース、及びナビゲーションインターフェースのうちの少なくとも1つから構成される。

【0486】

実施形態において、好意的な検索結果は、設定されたルートに近接する結果が他の結果の前に表示されるように、検索結果表示ランキング回路58210によって順序付けされる。実施形態において、車載検索基準は、一組の車載検索のランキングパラメータに基づくものである。実施形態において、ランキングパラメータは、車載検索のセットにのみ関連して観察される。実施形態において、検索システム58207は、車内行動に相関する検索結果を優先するように検索結果生成回路58209を適合させる。実施形態において、車内行動に相関する検索結果は、検索を行う前と後のライダー行動の比較を通じて決定される。実施形態において、検索システムは、車載ライダー行動モデルに基づく複数の検索者の検索結果のセットと検索結果生成パラメータのセットから検索結果生成回路58209を学習させることを促進する機械学習回路58212をさらに備える。

【0487】

本明細書で提供される態様は、車両5810の車載ネットワーク検索システム58207を含み、検索システム58207は、以下を含む。車両5810のライダー58120が検索システム5810と係合することを可能にするライダーインターフェース58208と、車両5810が自動運転モードまたは自律モードにあるか、アクティブドライバーによって運転されているかの検出に基づいて検索結果を変化させる検索結果生成回路58209と、検索結果の位置コンポーネントと車両5810の構成済み経路の関連性に基づいて検索結果を注文する検索結果表示ランキング回路58210と、を備える。実施形態において、検索結果は、ユーザ（例えば、ライダー58120）が車両5810のドライバーであるか、車両5810の乗客であるかに基づいて変化する。

【0488】

実施形態において、車両5810は、車両5810の少なくとも1つの制御パラメータを自動化するためのシステムを備える。実施形態において、車両5810は、少なくとも半自律型車両である。実施形態において、車両5810は、自動ルーティングされる。実施形態において、車両5810は、自動運転車両である。

【0489】

実施形態において、ライダーインターフェース58208は、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインターフェース、通信インターフェース、及びナビゲーションインターフェースのうちの少なくとも1つから構成される。

【0490】

実施形態では、検索結果表示順位決定回路58210により、設定された経路に近接する結果が他の結果より先に表示されるように、検索結果が順序付けされる。

【0491】

実施形態において、検索結果生成回路58209によって使用される検索基準は、車載検索のセットのランキングパラメータに基づく。実施形態において、ランキングパラメータは、車載検索のセットにのみ関連して観察される。実施形態において、検索システム58207は、車載動作に相関する検索結果を優先するように検索結果生成回路58209を適合させる。実施形態において、車内行動に相関する検索結果は、検索を行う前と後のライダーの行動の比較を通じて決定される。実施形態において、検索システム58207は、車載ライダー行動モデルに基づく複数の検索者の検索結果セットと検索結果生成パラメータセットから検索結果生成回路58209を学習することを容易にする機械学習回路58212をさらに備える。

【0492】

本明細書で提供される態様は、車両5810の車載ネットワーク検索システム58207を含み、検索システム58207は、車両5810のライダー58120が検索システム58207と関わることを可能にするライダーインターフェース58208、ユーザー（例えば、ライダー58120）かどうかに基づいて検索結果を変える検索結果生成回路58209、および検索結果の場所構成要素の関連性に基づいて検索結果を並べる検索結果表示ランキング回路58210を含む。ライダー58120）が車両のドライバーであるか、車両の乗客であるかに基づいて検索結果を変化させる検索結果生成回路58209と、検索結果の位置成分と車両5810の設定された経路との関連性に基づいて検索結果を順序付ける検索結果表示ランキング回路58210と、を備える。

【0493】

実施形態において、車両5810は、車両5810の少なくとも1つの制御パラメータを自動化するためのシステムを備える。実施形態において、車両5810は、少なくとも半自律型車両である。実施形態において、車両5810は、自動ルーティングされる。実施形態において、車両5810は、自動運転車両である。

【0494】

実施形態において、ライダーインターフェース58208は、タッチスクリーン、仮想アシスタント、エンターテイメントシステムインターフェース、通信インターフェース、及びナビゲーションインターフェースのうちの少なくとも1つから構成される。

【0495】

実施形態では、検索結果は、設定されたルートに近接する結果が他の結果の前に表示されるように、検索結果表示ランキング回路58210によって順序付けされる。実施形態において、検索結果生成回路58209によって使用される検索基準は、一組の車載検索のランキングパラメータに基づくものである。実施形態では、ランキングパラメータは、車載検索のセットにのみ関連して観察される。

【0496】

実施形態において、検索システム58204は、車内行動に相関する検索結果を優先するように、検索結果生成回路58209を適合させる。実施形態において、車内行動に相関する検索結果は、検索を行う前と後のライダー行動の比較を通じて決定される。実施形態において、検索システム58207は、車載ライダー行動モデルに基づく複数の検索者の検索結果セットと検索結果生成パラメータセットから検索結果生成回路58209を学習させることを容易にする機械学習回路58212をさらに備える。

【0497】

図59を参照すると、輸送システム60100のためのアーキテクチャが描かれており、本明細書に記載される特定の実施形態に関連する特定の例示的な構成要素および配置が示されている。システム60100は、車両60104を含み、この車両は、パワートレイン、サスペンションシステム、ステアリングシステム、ブレーキシステム、燃料システム、充電システム、座席、燃焼エンジン、電気車両駆動系、トランスミッション、ギアセットなどの様々な機械、電気、およびソフトウェアコンポーネントとシステムを含んでも良い。車両は、ステアリングシステム、ボタン、レバー、タッチスクリーンインターフェース、オーディオインターフェースなどを含むインターフェースのセットを含む車両ユーザインターフェースを有してもよい。車両は、本開示を通じて説明されるエキスパートシステム／人工知能システムに入力を提供するためのような、一組のセンサ60108（カメラを含む）を有していてもよい。センサ60108及び／又は外部情報は、エキスパートシステム／人工知能（AI）システム60112に通知するため、及び、本明細書で説明するエネルギー利用状態、保守状態、コンポーネント状態、ユーザ体験状態、及びその他を含む車両動作状態などの1又は複数の車両状態60116を示す又は追跡するために使用されても良い。AIシステム60112は、車載診断システム、遠隔測定システム、及び他のソフトウェアシステムから、並びにセンサ60108から、及び外部システムからのような、広範囲の車両パラメータを入力として取り、車両60104の1つ又は複数の構成要素を制御してもよい。車両状態60116に関するデータを含むセンサ60108からのデータは、メモリ60126への格納及び処理のために、ネットワーク60120を介してクラウドコンピューティングプラットフォーム60124に送信されてもよい。実施形態では、クラウドコンピューティングプラットフォーム60124及びそれと共に配置された又はそこで動作する全ての要素は、システム60100の残りの要素とは別に具現化されてもよい。クラウドコンピューティングプラットフォーム60124上のモデリングアプリケーション60128は、クラウドコンピューティングプラットフォーム60124上のプロセッサ60132によって実行されると、車両60104のデジタルツイン60136を生成し操作するために動作可能なコード及び関数を含む。デジタルツイン60136は、車両及びその環境に関する他のもののうち、仮想モデルを通じて車両60104の動作状態を表す。ネットワーク60120を介してクラウドコンピューティングプラットフォーム60124及び車両60104に接続されたユーザ装置60140は、モデリングアプリケーション60128及びクラウドコンピューティングプラットフォーム60124上の他のソフトウェアと対話し、デジタルツイン60136を介してなど、車両60104からデータを受信し、その動作を制御してもよい。ユーザ装置60140上のインターフェース60144は、ドライバー、ライダー、第三者観察者、車両の所有者、車両のフリートのオペレータ／所有者、交通安全担当者、車両設計者、デジタルツイン開発エンジニアなど、車両60104に関連するユーザに対してデジタルツイン60136を使用して1以上の車両状態60116を表示することができる。実施形態において、ユーザ装置60140は、データがクラウドコンピューティングプラットフォーム60124上の1つまたは複数のアプリケーションによって処理されると、車両60104に関するデータの特定のビューを受信することができる。例えば、ユーザ装置60140は、データがデジタルツイン60136などの1つ以上のアプリケーションによって処理される際に、車両60104に関する車両、その内部、サブシステム及びコンポーネント、車両に近接する環境、ナビゲーションビュー、メンテナンスタイムライン、安全試験ビューなどのグラフィックビューを含むデータの特定のビューを受信してもよい。別の例として、ユーザ装置60140は、クラウドコンピューティングプラットフォーム60124によってホストされる1つまたは複数のアプリケーションを使用して、ユーザがデジタルツイン60136、車両60104、モデリングアプリケーション60128などにコマンドを入力することを可能にするグラフィカルユーザインターフェースを表示し得る。

【0498】

実施形態において、クラウドコンピューティングプラットフォーム60124は、地理的に分散し、ネットワークを介して互いに接続された、複数のサーバ又はプロセッサを含んでいてもよい。実施形態において、クラウドコンピューティングプラットフォーム60124は、クラウドコンピューティングプラットフォーム60124に結合された、またはその中に含まれるAIシステム60130を含んでいてもよい。

【0499】

実施形態において、クラウドコンピューティングプラットフォーム60124は、クラウドコンピューティングプラットフォーム60124に結合された、またはその中に含まれるデータベース60118内のデータへのアクセスを作成、監視、および制御するためのデータベース管理システムを含んでもよい。クラウドコンピューティングプラットフォーム60124は、開発者がアプリケーションを構築またはテストするために使用することができるサービスも含んでもよい。クラウドコンピューティングプラットフォーム60124は、インターフェース60144を介して、ユーザデバイス60140をリモートで構成すること、および／または制御することを可能にしてもよい。また、クラウドコンピューティングプラットフォーム60124は、ユーザ機器60140から定期的に収集されるデータの保存及び分析、並びにインタフェース60144を介してユーザ機器140の製造者、ドライバー又は所有者を含むユーザへの分析、洞察及び警告の提供を容易にしてもよい。

【0500】

実施形態では、クラウドコンピューティングプラットフォーム60124の代わりに、オンプレミスサーバーを使用してデジタルツイン60136をホストすることができる。

【0501】

実施形態では、ネットワーク60120は、従来のタイプ、有線または無線であってよく、スター構成、トークンリング構成、または他の構成を含む多数の異なる構成を有してもよい。さらに、ネットワーク60120は、ローカルエリアネットワーク（LAN）、ワイドエリアネットワーク（WAN）（例えば、インターネット）、又は複数のデバイス及び／若しくはエンティティが通信し得る他の相互接続されたデータ経路を含んでいてもよい。いくつかの実施形態では、ネットワーク60120は、ピアツーピアネットワークを含んでもよい。ネットワーク60120はまた、様々な異なる通信プロトコルでデータを送信するための電気通信ネットワークの一部に結合されてもよく、またはその一部を含んでもよい。いくつかの実施形態では、ネットワーク60120は、ショートメッセージングサービス（SMS）、マルチメディアメッセージングサービス（MMS）、ハイパーテキスト転送プロトコル（HTTP）、直接データ接続、無線アプリケーションプロトコル（WAP）、電子メール、DSRC、全二重無線通信などを介して含むデータを送信及び受信するためのBluetooth(R)通信ネットワーク又はセルラー通信網を含んでいる。また、ネットワーク60120は、3G、4G、5G、LTE、LTE-V2X、VoLTE、または他の任意のモバイルデータネットワークもしくはモバイルデータネットワークの組み合わせを含むことができるモバイルデータネットワークを含んでもよい。さらに、ネットワーク60120は、1つまたは複数のIEEE 802.11無線ネットワークを含んでもよい。

【0502】

実施形態において、車両60104のデジタルツイン60136は、リアルタイム及び過去の運用データを結合し、構造モデル、数学モデル、物理プロセスモデル、ソフトウェアプロセスモデル等を含む車両60104のハードウェア、ソフトウェア、及びプロセスの仮想複製物である。実施形態において、デジタルツイン60136は、車両と様々なコンポーネント及びサブシステムとの間の階層及び機能的関係を包含し、システムオブシステムとして表現されてもよい。したがって、車両60104のデジタルツイン60136は、エンジン、ブレーキ、燃料ポンプ、オルタネータなどのコンポーネントのデジタルツインと同様に、車両内装レイアウト、電気および燃料サブシステムのような車両サブシステムのデジタルツインを包含すると見なすことができる。

【0503】

デジタルツイン60136は、限定されないが、乗客環境、車両内のドライバー及び乗客、近くの車両を含む車両に近接する環境、インフラ、並びに、例えば、車両のセンサ及び車両に近接して配置されたセンサを介して検出可能な他の物体、例えば他の車両、交通制御インフラ、歩行者安全インフラなど、車両環境の他の側面を表現する方法及びシステムを包含してよい。

【0504】

実施形態において、車両60104のデジタルツイン60136は、車両60104またはその任意の部分もしくは環境の動作をシミュレートするように構成される。実施形態において、デジタルツイン60136は、音声、テキスト、ジェスチャーなどの一連の通信チャネルを介して車両60104のユーザと通信するように構成されてもよい。実施形態において、デジタルツイン60136は、ユーザー、近くの車両、交通信号、歩行者などのデジタルツインを含む他のエンティティのデジタルツインと通信するように構成されてもよい。

【0505】

実施形態において、デジタルツインは、識別されたユーザーのモバイルデバイスを介して表示及び設定するためにデジタルツインが自動的に提供されるように、ユーザーのアイデンティティにリンクされる。例えば、ユーザーが車両を購入し、製造者によって提供されるモバイルアプリケーションをインストールすると、デジタルツインは、ユーザーによって表示および制御されるように予め構成される。

【0506】

実施形態では、デジタルツインはアイデンティティ管理システムと統合され、デジタルツインを表示、修正、および設定する機能は、アイデンティティ管理システムによって管理される一連のアイデンティティおよびロールを解析する認証および承認システムによって管理されるようにする。

【0507】

図60は、本明細書に記載される特定の実施形態による、アイデンティティ及びアクセス管理システム60204と統合されたデジタルツインシステム60200の概略図である。アイデンティティ及びアクセス管理システム60204におけるアイデンティティマネージャ60208は、デジタルツインシステム200のユーザの様々なアイデンティティ、属性及び役割を管理する。アイデンティティ及びアクセス管理システム60204におけるアクセスマネージャ60212は、認証されたユーザにアクセスを提供するために、アクセスポリシーに基づいてユーザ属性を評価し、ユーザのアクセスレベルを規制する。アイデンティティマネージャ60208は、クレデンシャル管理60216、ユーザ管理60220、プロビジョニング60224を含む。クレデンシャル管理60216は、ユーザ名、パスワード、バイオメトリクス、暗号鍵などのユーザクレデンシャルのセットを管理する。ユーザ管理60220は、ユーザIDと、各ユーザの各種属性、ロール定義、プリファレンス等を含むプロファイル情報とを管理する。プロビジョニング60224は、デジタルツインシステムのリソースへのアクセスに関連するものを含むユーザの権利及び特権を作成、管理及び維持する。アクセスマネージャ60212は、認証60228、認可60232、及びアクセスポリシー60236を含む。認証60228は、ユーザによって提供されたクレデンシャルをクレデンシャル管理60216に格納されているものと照合することによってユーザのアイデンティティを検証し、検証されたユーザに対してデジタルツインシステムへのアクセスを提供する。認可60232は、一連のアイデンティティ及びロールを解析し、デジタルツインを閲覧、修正、及び構成する能力を含む各ユーザのエンタイトルメントを決定する。認可60232は、ユーザからのリソースアクセス要求をアクセスポリシー60236と照合することによって実行されてもよい。データベース60118は、アイデンティティ及びアクセス管理システム60204の全てのユーザディレクトリ、アイデンティティ、ロール、属性、及び認可等に関するデータを格納してもよい。役割は、ドライバー、製造者、ディーラー、ライダー、所有者、サービス部門などを含んでもよい。役割ベースのデジタルツイン認証アクセスの例では、製造者の役割は、車両の摩耗、メンテナンス状況、サービスの必要性、品質検査などに関連するコンテンツおよびビューにアクセスすることを許可され（例えば、摩耗したタイヤの交換を推奨し、ひどく摩耗したタイヤの最大速度などの車両動作パラメータ制限を調整する）、車両所有者によって機密とみなされる可能性があるコンテンツなどの他のコンテンツへのアクセスを許可されないかもしれない。実施形態において、特定の役割によるコンテンツへのアクセスは、一連の規則によって、製造業者によって、車両の所有者によって、または同様のものによって構成されてもよい。

【0508】

図61は、車両60104のドライバーのユーザデバイス上に提示されるデジタルツインシステムのインターフェース60300の概略図である。インターフェース60300は、グラフィカルユーザインターフェース（GUI）モード60304、音声モード60308、及び拡張現実（AR）モード60312のような複数のモードを含む。さらに、デジタルツイン60136は、音声、テキスト、ジェスチャーなどの複数の通信チャネルを介してユーザと通信するように構成されてもよい。GUIモード60304は、車両60104又はその構成要素の1つ以上の動作状態を表す様々なグラフ及びチャート、図及び表をドライバーに提供してもよい。音声モード60308は、デジタルツイン60136と通信するための音声インターフェースをドライバーに提供してもよく、それによってデジタルツインは、車両60104に関するドライバーからの問合せを受け取り、問合せに対する応答を生成し、かかる応答をドライバーに伝達することができる。拡張現実（AR）モード60312は、ユーザ装置60140の前方向カメラを使用し、車両60104のデジタルツイン60136からの1つまたは複数の要素で画面を拡張する拡張現実（AR）ビューをユーザに提示してもよい。デジタルツイン60136は、物理的なビューが、画像、アニメーション、ビデオ、道順に関連するテキスト、道路標識などを含むコンピュータグラフィックスで拡張された世界の収束したビューをユーザに表示してもよい。

【0509】

インターフェース60300は、ドライバーにビューのセットを提示し、各ビューは、車両60104、またはその構成要素、サブシステム、または環境の1つ以上の動作状態、側面、パラメータ等を示している。Dビュー60316は、車両60104のモデルの3次元レンダリングをドライバーに提示する。ドライバーは、3Dビューにおいて1つ又は複数の構成要素を選択して、構成要素に関する関連データを含む構成要素の3Dモデルを見ることができる。ナビゲーションビュー60320は、ドライバーがリアルタイムのナビゲーションパラメータを見ることを可能にするナビゲーションスクリーン内のデジタルツインを表示してもよい。ナビゲーションビューは、交通状況、目的地までの時間、目的地までの経路及び好ましい経路、道路状況、気象条件、駐車場、ランドマーク、信号機等に関する情報をドライバーに提供してもよい。さらに、ナビゲーションビュー60320は、近くの車両（V2V）、歩行者（V2P）及びインフラ（V2I）との通信を確立し、リアルタイム情報を交換することによって、ドライバーに状況認識を高めることを提供してもよい。エネルギービュー60324は、利用率及びバッテリーの健康状態を含む車両60104の燃料又はバッテリーの状態を示す。価値ビュー60328は、車両60104の状態及び状態に基づくブルーブック価値を示す。このような情報は、例えば、中古車市場で車両60104を販売する際に有用である。サービスビュー60332は、車両60104の構成要素の摩耗及び故障に関連する情報及びビューを提示し、現在及び過去の動作状態データに基づいてサービス、修理又は交換の必要性を予測することができる。ワールドビュー60336は、仮想現実（VR）環境に没入した車両60104を示してもよい。

【0510】

デジタルツイン60136は、関連するデータを分析し、様々な見解をドライバーに提示するために、人工知能システム60112（本開示全体及び参照により組み込まれる文書に記載される様々なエキスパートシステム、ニューラルネットワーク、教師付き学習システム、機械学習システム、深層学習システム、及び他のシステムのいずれかを含む）を利用してもよい。

【0511】

図62は、本開示の例示的な実施形態によるインターフェースの1つまたは複数のビューおよびモードを使用したドライバーとデジタルツインとの間の相互作用を示す概略図である。車両60104のドライバー60244は、インターフェース60300を使用してデジタルツイン60136と対話し、少なくとも、デジタルツイン60136が、車載ナビゲーションシステムには容易に利用できない環境の知識、例えば、実世界の車両から仮想動作環境内のそれぞれのデジタルツインに伝達され得るリアルタイムまたはほぼリアルタイムな交通活動、道路状況など、を持ち得る他のデジタルツインと相互作用する仮想車両動作環境に展開される場合があるので、ナビゲーションにおける支援を要請する。デジタルツイン60136は、地図上の車両60104の位置だけでなく、近接車両の予想されるルート（例えば、次の出口を取るようにルート設定されている近接車両であるが、近接車両はまだ出口レーンにいない）、当該近接車両のドライバーの傾向（例えば、ドライバーが方向指示信号を使用せずに車線を変更する傾向があるか、等）および車両60104が目的地に取ることのできる一つまたは複数の候補ルートも示し得るナビゲーションビュー60320をドライバー60244に表示して良い。デジタルツイン60136は、ドライバー60244と対話し、ナビゲーションなどの支援を提供するためなど、音声モード60308を使用することもできる。実施形態では、デジタルツインは、GUIモード60304と音声モードとの組み合わせを使用して、ドライバーの問い合わせに応答してもよい。実施形態において、デジタルツイン60136は、それらの挙動を決定し、交通を調整し、環境の3600非視線認識を得るために、近くの車両、歩行者、交通信号、料金所、道路標識、給油システム、充電システム等を含むインフラ要素のデジタルツインと対話してもよい。実施形態において、デジタルツイン60136は、インフラストラクチャ要素との相互作用のために、802.11p／専用短距離通信（DSRC）およびセルラーV2Xの組合せを使用することができる。実施形態において、デジタルツイン60136は、事故を防ぐのに役立つように、デジタルツイン60136が複数のデジタルツイン仮想動作環境における他のデジタルツインの動作に基づいて認識し得る、今後の急激な左折または右折についてドライバー60244に通知してもよい。実施形態において、デジタルツイン60136は、近くの車両のデジタルツインと相互作用して、急減速または車線変更の任意のインスタンスを識別し、同じことについてドライバー60244に警告を提供することができる。実施形態において、デジタルツイン60136は、近くの車両のデジタルツインと相互作用して、任意の潜在的な運転の危険性を識別し、同じことについてドライバー60244に通知してもよい。実施形態において、デジタルツイン60136は、外部センサデータおよび交通情報を利用して、運転環境をモデル化し、ドライバー60244のために運転経路を最適化してもよい。運転経路を最適化する例として、デジタルツイン60136は、近くの車両の後ろの出口レーンに移動することが、道路のさらに上の出口レーンに移動するのを待っている車両のドライバーよりも危険な運転状態を回避する確率が高いと判断してよい。実施形態において、デジタルツイン60136は、交通信号機のデジタルツインと相互作用して、最小限の停止でルートを選ぶ、または、特に、出口のないルートに沿った渋滞の長い期間の前など、いつバイオ休憩を取るかを提案することができる。実施形態において、デジタルツイン60136は、情報を得るために他のツインと相互作用することによって、近くの駐車場の空きスペースを見つけるためにドライバーを支援し、および／またはすぐに開くかもしれないスペースについてドライバーに警告してもよい。実施形態において、デジタルツイン60136は、デジタルツインと車両60104等との相互作用を通じて検出され得る事故または犯罪のような、いかなる緊急事態または窮状においても、法執行機関または警察等に手を差し伸べてもよい。実施形態において、デジタルツイン60136は、ブラインドカーブ周辺の交通における予期せぬ減速など、前方に発生しているかまたは発生しそうな運転状況の予測される変化に基づいて、運転速度または行動に関してドライバーに助言してもよい。例えば、デジタルツイン60136は、天候が「霧」から「雨」に変化すると、運転速度を時速20～40kmの安全範囲に落とすようドライバーに助言してもよい。実施形態において、デジタルツイン60136は、そのような問題を診断し、次に、そのような問題が継続または悪化する可能性を緩和するために、それらを修正するためのオプションおよび／または車両60104の動作パラメータまたはモードを調整することを示すことによって車両60104に関する任意の問題を解決するためにドライバー60244を支援する。例えば、ドライバー60244は、デジタルツイン60136に、車両60104から出現するガラガラ音の潜在的な理由について質問することができる。実施形態において、デジタルツイン60136は、車両内／車両とともに配備されたオーディオセンサ（例えば、乗客室内、エンジン室内など）からガラガラ音の表示を受信してもよく、ガラガラ音を軽減するためにドライバーおよび／または任意の乗客が取り得る行動（例えば、車両60104の窓に対して振動している金属物体を固定するなど）を積極的に示唆することもできる。ツインは、データを解剖し、相関関係を検索し、診断を策定し、潜在的な問題を解決するためにドライバー60244と対話してもよい。実施形態において、デジタルツイン60136は、そのような例において、ノイズ分析などを実行し得るプラットフォーム60124によって及び／又はそれを通じてアクセス可能な他のアルゴリズムと通信し得る。例えば、デジタルツイン60136は、本明細書に記載された手段のいずれかを通じて、ノイズが車両ドアの不良油圧によって引き起こされると判断してもよく、それは、問題を修正するために特定のドアの油圧を微調整できるソフトウェア更新をダウンロードしインストールすることができる。あるいは、騒音は排気システムの不具合に起因すると判断し、触媒コンバータを交換することで解決できるかもしれない。その後、ツインは、電子商取引ウェブサイトを使用して新しい触媒コンバータを注文し、および/または車両60104の近傍の整備工場に連絡を取ることによって、問題の解決を進めることができる。

【0512】

図63は、本開示の様々な実施形態に従って、車両60104の製造者60240のユーザ装置に提示されるデジタルツインシステムのインターフェースの概略図である。示されるように、製造者60240に提供されるインターフェースは、車両60104のドライバー60244に表示されるものと異なる。製造者60240には、製造者の役割及びニーズに沿ったデジタルツイン60136のビューが表示され、例えば、車両組立ライン又は動作中の車両に修正を加えるために有用な情報を提供することができる。とはいえ、製造者のインターフェースのいくつかの部分は、ドライバーのインターフェースのものと類似している可能性がある。例えば、3Dビュー60516は、製造者60240に、車両60104のモデルの3次元レンダリング、ならびに様々なコンポーネントおよび関連データを提示する。設計ビュー60520は、車両60104及びその個々の車両コンポーネントの設計情報を記述するデジタルデータを含む。例えば、設計情報は、車両60104又はその個々の車両コンポーネントのCAD（Computer-Aided Design）データを含む。設計ビューは、製造者60240が、多種多様な表現の下で車両60104を見ること、任意の所望の角度から見ることを可能にする3次元で回転すること、車両部品の正確な寸法及び形状を提供することを可能にする。実施形態において、設計ビューは、製造者60240が、車両及びその部品並びにサブシステムの設計を最適化し、駆動するためのシミュレーション方法を使用することを可能にする。実施形態において、設計ビュー60520は、生成的設計技法を通じて新しい車両モデルの最適なシステムアーキテクチャを決定する際に、製造者60240を可能にする。アセンブリビュー60524は、製造業者60240が、車両がどのように機能するかを示す規定モデルを実行し、車両60104及びその構成要素並びにサブシステムの性能を最適化することを可能にする。製造者60240は、ビューを使用して、設計、モデリング、エンジニアリング、及びシミュレーションを組み合わせることによって、統合ワークフローを作成することができる。これにより、製造業者60240は、製造プロセスにおける高価な変更にコミットする前に、車両がどのように機能するかを予測することができる場合がある。例として、製造業者60240がハイブリッド車の新モデルを製造する場合、トランスミッション、燃料タイプ、及びエンジン排気量の異なるオプションが燃費や小売価格などの指標に及ぼす影響を評価することができる。次に、アセンブリビュー60524におけるシミュレーションは、シミュレーションで使用されるトランスミッション、燃料タイプ、及びエンジン排気量の組み合わせに基づいて、異なる燃費及び小売価格を製造業者60240に提供してもよい。製造者60240は、例えば、所定のセグメントの顧客に対して所定のモデルで使用するトランスミッション、燃料タイプ、及びエンジン排気量の組み合わせを決定するために、ビジネス上の決定を行うためにこのようなシミュレーションを使用することができる。品質ビュー60528は、製造業者60240が、実世界の状況でコンポーネントをテストし、製造業者60240が費用のかかる品質およびリコール関連の問題を回避するのに役立つ「what-if」シナリオを生成するために、数百万のシミュレーションを実行することを可能にする。例えば、メーカー60240は、品質シナリオを実行して、異なる作動油オプションが急ブレーキの状況におけるブレーキの有効性に及ぼす影響を判断し、最も有効性の高いオプションを選択することができる。リアルタイム分析ビュー60532は、製造業者60240が広範囲の測定基準を計算し、車両及びコンポーネントパラメータの変化が運転性能に及ぼす影響を可視化するのを助けるために、広範囲のチャート、グラフ及びモデルを構築するためのデータ分析を実行することを可能にしてもよい。サービス＆メンテナンスビュー60536は、車両60104の構成要素の摩耗及び故障に関連する情報を提示し、現在及び過去の動作状態データに基づいてサービス、修理又は交換の必要性を予測してもよい。また、このビューは、製造者60240がデータ分析を実行し、車両60104の1つ以上の構成要素の残りの耐用年数に関する予測を策定するのを助けてもよい。

【0513】

図64は、製造者60240がデジタルツインインターフェースの品質ビューを使用して、例示的な実施形態に従って、車両の品質テストのためにシミュレーションを実行し、what-ifシナリオを生成するシナリオを描いている。デジタルツインインターフェースは、製造者60240に、様々な車両状態に関連するオプションの中から選択するためのリストを提供してもよい。例えば、状態は、速度60604、加速度60608、気候60612、道路勾配60616、駆動60620、及び伝送60624を含んでもよい。製造者60240は、所定の状態について異なる値を選択するためのグラフィカルメニューを提供されてもよい。その後、デジタルツイン60136は、車両状態のこの組み合わせを使用して、所与のシナリオにおける車両60104の挙動を予測するためにシミュレーションを実行してもよい。実施形態において、デジタルツイン60136は、急ブレーキの場合に車両60104がとる軌跡を表示し、また、車両60104の前を走る他の車両からの最小安全距離を提供してもよい。実施形態において、デジタルツイン60136は、突然のタイヤ破裂の場合の車両60104の挙動を表示するとともに、乗員又は他の車両への影響を表示してもよい。実施形態において、デジタルツイン60136は、現実的な事故シナリオの大規模なセットを生成し、その後、そのようなシナリオにおける車両60104の応答を確実にシミュレートしてもよい。実施形態において、デジタルツイン60136は、ブレーキ故障の場合に車両60104が取る軌跡と、乗員または他の車両への影響を表示してもよい。実施形態において、デジタルツイン60136は、衝突を防ぐのを助けるために、近接する他の車両のデジタルツインと通信してもよい。実施形態において、デジタルツイン60136は、車両60104から所与の距離にある他の車両からの衝突までの時間（TTC）を予測してもよい。実施形態において、デジタルツイン60136は、衝突の場合の車両60104の衝突安全性及び転倒特性を決定してもよい。実施形態において、デジタルツイン60136は、車両60104の正面衝突の構造的衝撃を解析して、乗員の安全性を決定してもよい。実施形態において、デジタルツイン60136は、乗員の安全性を決定するために、車両60104に対する横向き衝突の構造的影響を分析してもよい。

【0514】

図65は、車両60104のディーラー60702のユーザ装置に提示されるデジタルツインシステムのインターフェース700を示す概略図である。示されるように、ディーラー60702に提供されるインターフェースは、車両60104のドライバー60244及び製造者60240に提供されるものと異なる。ディーラー60702には、ディーラーの役割及びニーズに沿ったデジタルツイン60136のビューが示され、例えば、優れた販売及び顧客体験を提供するために有用な情報を提供することができる。しかし、ディーラーのインターフェースのいくつかの部分は、製造業者またはドライバーのインターフェースのものと類似している可能性がある。例えば、3Dビュー60716は、ディーラー60702に、車両60104のモデルの3次元レンダリング、ならびに様々なコンポーネントおよび関連データを提示する。性能チューニングビュー60720は、ディーラー60702が、ドライバー又はライダーの好みに応じて車両の特性をパーソナライズするように、車両60104を変更することを可能にする。例えば、車両は、より良い燃費を提供し、より多くのパワーを生成し、又はより良いハンドリング及び走行を提供するようにチューニングされ得る。性能チューニングビュー60720は、エンジン、ボディ、サスペンションなどの1つ以上のコンポーネントの性能を変更またはチューニングする際に、ディーラー60702を許可してもよい。コンフィギュレータビュー60724は、販売店60702が、潜在顧客の好みに基づいて、エンジン、ホイール、内装、外装、色、アクセサリーなどを含む車両の様々なコンポーネント及び材料を構成する際に、潜在顧客を支援することを可能にする。コンフィギュレータビュー60724は、車両の異なる可能な構成を決定し、潜在的な顧客の好みに基づいて構成を選択し、次に選択された構成の価格を計算する際に、ディーラー60702を支援する。テストドライブビュー60728は、ディーラー60702が、デジタルツイン60136を使用して潜在的な顧客が新しい又は中古の車両を仮想的にテストドライブすることを可能にすることを可能にし得る。認証ビュー60732は、中古車ディーラーが、デジタルツインを使用して、潜在的な顧客に中古車の状態に関する認証を提供することを可能にする。サービス＆メンテナンスビュー60736は、車両60104の構成要素の摩耗および故障に関連する情報を提示し、現在および過去の動作状態データに基づいてサービス、修理または交換の必要性を予測することができる。また、このビューは、ディーラー60702がデータ分析を実行し、車両60104の1つ以上のコンポーネントの残りの耐用年数に関する予測を策定するのを助けてもよい。

【0515】

図66は、例示的な実施形態に従って、車両60104を購入する潜在的な顧客の経験を個人化する目的で、1つ以上のビューを用いてディーラー60702とデジタルツイン60136との間の相互作用を説明する図である。デジタルツイン60136は、ディーラー60702が、顧客の好みだけでなく、構成要素の利用可能性および互換性に基づいて、車両を構成するための1つまたは複数の構成要素またはオプションを対話的に選択することを可能にする。さらに、デジタルツイン60136は、ディーラー60702が、顧客の好みに沿って車両60104の性能を変更することを可能にするとともに、顧客が最終的に同じものを購入する前にカスタマイズされた車両をテストドライブすることを可能にする。

【0516】

車両60104のディーラー60702は、インターフェース60700のコンフィギュレータビュー60724を使用してデジタルツイン60136と対話し、顧客のために車両を構成する際に支援を要求する。デジタルツイン60136は、1つまたは複数のコンポーネントについて利用可能なすべての異なるオプションを示すコンフィギュレータビュー60724のGUI60704をディーラー60702に表示し得る。その後、ディーラー60702は、ドロップダウン・メニューを使用して1つまたは複数のコンポーネントを選択するか、またはドラッグ＆ドロップ操作を使用して1つまたは複数のコンポーネントを追加して、顧客の好みに応じて車両を構成することができる。例示的な実施形態では、デジタルツインのGUIビュー60704は、車両グレード60804、エンジン60808、シート60812、色60816及びホイール60820のオプションを表示する。

【0517】

デジタルツイン60136は、有効な関係の事前定義されたデータベースのセットを使用して、ディーラー60702によって選択された1つまたは複数のコンポーネントと車両60104のモデルとの間の互換性をチェックしてもよい。実施形態において、コンポーネントの特定の組み合わせは、車両の所定のグレードと互換性がない場合があり、ディーラー60702は、同じことについて助言される場合がある。例えば、グレードEXは、車両のベースモデルを表し、レザーシートのオプションを提供しない場合がある。同様に、グレードZXは、車両のプレミアムモデルを意味し、CVTエンジン、ファブリックシート及び20インチアルミホイールは提供されない場合がある。実施形態では、ディーラー60702は、コンフィギュレータビューによって互換性のある組み合わせのみが表示される。そして、デジタルツインのコンフィギュレータビューは、ディーラー60702が、互換性のあるコンポーネントおよびサブシステムのセットを追加することによって、完全な車両を構成することを可能にする。構成が完了すると、デジタルツイン60136は、個々のコンポーネントの価格に基づいて組み立てられた車両の価格60824を計算し、ディーラー60702に同じものを提示する。

【0518】

実施形態において、デジタルツイン60136は、音声モード60708を使用して、ディーラー60702と対話し、構成に関する支援を提供することもできる。実施形態において、デジタルツイン136は、GUIモード60704と音声モード60708の組み合わせを使用して、ディーラーの問い合わせに応答してもよい。

【0519】

実施形態において、デジタルツイン60136はさらに、ディーラー60702が性能チューニングビュー60720を使用して車両の性能をチューニングする際に顧客を支援することを可能にしてもよい。ディーラー60702は、スポーツ、低燃費、アウトドア、および快適性を含む異なるモード60828を提示されてもよく、それらのうちの1つを選んで、それに応じて車両60104の性能をチューニングすることができる。

【0520】

同様に、デジタルツイン60136は、所有者の要件に基づいて、車両60104、またはその構成要素、サブシステム、または環境の1つ以上の動作状態、側面、パラメータなどを示すビューを車両60136の所有者に提示してもよい。フリート監視ビューは、所有者が1つ以上の車両の移動／ルート／状態を追跡及び監視することを可能にし得る。ドライバー行動監視ビューは、所有者がドライバーによる安全でない又は危険な運転の事例を監視することを可能にすることができる。保険ビューは、車両の状態に基づいて車両の保険契約の見積もりを決定する際に所有者を支援することができる。コンプライアンスビューは、車両の状態に基づいて、排気ガス／汚染物質及び他の規制規範に関する車両のコンプライアンス状態を示すことができる。

【0521】

同様に、デジタルツイン60136は、車両60136のライダーに対して、ライダーに関連する側面を示すビューを提示してもよい。例えば、ライダーは、ライダーの好み／乗車目的に基づいて乗車経験をパーソナライズするためにライダーが経験モードを選択することを可能にする経験最適化ビューを提供されてもよい。ライダーは、快適モード、スポーツモード、高効率モード、仕事モード、娯楽モード、睡眠モード、リラックスモード、及び長距離旅行モードを含む1つ又は複数の経験モードから選択することができる。

【0522】

図67は、例示的な実施形態による、車両60104のドライバー60244、製造者60240、及びディーラー60702を含む車両のユーザに提示されるサービス＆メンテナンスビューを説明する図である。デジタルツインによって提供されるサービス＆メンテナンスビューは、ディーラー60702のようなユーザが、車両60104の1つまたは複数のコンポーネントまたはサブシステムの健全性を監視することを可能にする。ビューには、エンジン60904、ステアリング60908、バッテリー60912、排気＆エミッション60916、タイヤ60920、ショックアブソーバ60924、ブレーキパッド60928及びギアボックス60932を含むいくつかの主要コンポーネントが表示される。ディーラー60702は、コンポーネントのアイコンをクリックして、そのコンポーネントに関連する詳細なデータおよび診断を表示することができる。例えば、デジタルツイン60136は、振動60936および温度60940のようなパラメータに関連する分析、ならびに履歴車両データ60944およびリアルタイムシリーズセンサデータ948をディーラー60702に提示してもよい。デジタルツイン60136は、健康スキャンを実施して、エンジンの健康状態に問題がないことを発見し、「0 issues detected」メッセージをディーラー60702に提示することもできる。また、デジタルツイン60136は、ディーラー60702が（コンポーネント単位のスキャンではなく）完全な車両に対して完全なヘルススキャンを実施することを許可してもよい。デジタルツインは、問題を診断し、問題を解決するためにディーラー60702を支援してもよい。この例では、デジタルツインは、フルヘルススキャン時に、「ショックアブソーバの緩み」と「スパークプラグワイヤの不具合」という2つの問題を検出している。

【0523】

実施形態では、デジタルツイン60136は、車両の1つ以上の構成要素がいつメンテナンスを受けるべきかの予測も支援し得る。デジタルツイン60136は、履歴及び現在の動作データを検討することによって、車両60104の構成要素の予想される摩耗及び故障を予測し、それによって、予定外のダウンタイムのリスク及び定期保守の必要性を低減させることができる。車両60104を過剰に保守する代わりに、デジタルツイン60136によって予測された任意の問題は、コストのかかるダウンタイム、修理または交換を回避するために、予防的またはジャストインタイム方式で対処されてもよい。

【0524】

デジタルツイン60136は、車両60104のCANネットワークを介して通信され得るコンポーネントに関するリアルタイムのセンサデータを含むオンボードデータを収集してもよい。また、デジタルツイン60136は、データベース60118から修理及び修理診断に関するデータを含む車両統計及びメンテナンスに関する履歴又は他のデータを収集してもよい。

【0525】

人工知能システム60112によって駆動される予測分析は、データを分解し、相関関係を検索し、予測モデリングを採用して、車両60104の状態を決定し、1つまたは複数のコンポーネントのメンテナンスの必要性および残りの耐用年数を予測する。

【0526】

クラウドコンピューティングプラットフォーム60124は、デジタルツイン60136を使用して車両60104の1つ以上のコンポーネントの状態監視、異常検出、故障予測、及び予知保全を行うための人工知能（本開示を通じて説明した様々なエキスパートシステム、人工知能システム、ニューラルネットワーク、教師あり学習システム、機械学習システム、深層学習システム、及び他のシステムのいずれかを含む）を学習させるために車両活動のセットに関するデータ源から収集した結果、パラメータ、データの学習セットで学習を行うシステムを含んでも良い。

【0527】

実施形態において、クラウドコンピューティングプラットフォーム60124は、デジタルツイン60136を使用して車両60104の予測的メンテナンスを行うために人工知能システム60112を訓練するために、車両活動のセットに関するデータソースから収集した車両メンテナンス結果、パラメータ、及びデータの訓練セットで学習するためのシステムを含んでもよい。

【0528】

実施形態において、人工知能システム60112は、予測モデル（例えば、様々なタイプのニューラルネットワーク、分類ベースのモデル、回帰ベースのモデル、及び他の機械学習モデル）などのモデルを訓練することができる。実施形態において、トレーニングは、教師あり、半教師あり、又は教師なしとすることができる。実施形態において、訓練は、訓練目的のために収集または生成され得る訓練データを用いて行うことができる。

【0529】

例示的な人工知能システムは、車両予測保守モデルを訓練する。予測保守モデルは、車両関連データを受信し、車両60104の残りの寿命に関する1つ以上の予測または回答を出力するモデルであってよい。学習データは、車両又はコンポーネントの仕様、環境データ、センサデータ、運用情報、及び結果データを含む複数のソースから収集することができる。人工知能システム60112は、生データを取り込み、前処理を行い、機械学習アルゴリズムを適用して、予知保全モデルを生成する。実施形態において、人工知能システム60112は、データベース60118内のモデルデータストアに予測モデルを格納してもよい。

【0530】

人工知能システム60112は、予知保全に関する異なる質問に答えるために、複数の予測モデルを訓練してもよい。例えば、分類モデルは、所定の時間ウィンドウ内の故障を予測するために訓練されてもよく、回帰モデルは、車両60104又は1つ以上のコンポーネントの残りの耐用年数を予測するために訓練されてもよい。

【0531】

実施形態において、トレーニングは、システムによって受信されたフィードバックに基づいて行われてもよく、これは、「強化学習」とも称される。実施形態において、人工知能システム60112は、予測につながった一連の状況（例えば、車両の属性、モデルの属性など）および車両に関連する結果を受信してもよく、フィードバックに従ってモデルを更新してもよい。

【0532】

実施形態において、人工知能システム60112は、クラスタリングアルゴリズムを使用して、故障データに隠された故障パターンを特定し、1つまたは複数のコンポーネントの非特徴的または異常な挙動を検出するためのモデルを訓練してもよい。複数の車両およびそれらの履歴記録にわたる故障データをクラスタリングして、異なるパターンが特定の摩耗ダウン挙動とどのように相関するかを理解し、故障に共鳴するように保守計画を策定してもよい。

【0533】

実施形態において、人工知能システム60112は、各予測が可能な結果に対応する、可能な各予測に対するスコアを出力してもよい。例えば、車両60104または1つ以上のコンポーネントが次の1週間で故障する可能性を決定するために使用される予測モデルを使用する際に、予測モデルは、「故障する」結果に対するスコアと「故障しない」結果に対するスコアとを出力してもよい。次いで、人工知能システム60112は、より大きなスコアを有する結果を予測として選択してもよい。あるいは、システム60112は、それぞれのスコアを要求元システムに出力してもよい。実施形態において、システム60112からの出力は、予測の正確さの確率を含む。

【0534】

図68は、例示的な実施形態による、車両60104の故障を検出し、将来のあらゆる故障を予測するためにデジタルツイン60136によって使用される例示的な方法である。

【0535】

61002で、複数のデータソースからの車両関連データの複数のストリームが、デジタルツイン60136によって受信される。これには、機械的特性のような車両仕様、保守記録からのデータ、センサ60112から収集された動作データ、異なる時間および異なる動作条件で走行する複数の車両からの故障データを含む履歴データなどが含まれる。61004で、生データは、データ収集時に車両60104の何らかの技術的問題に起因して発生し得る、欠落またはノイズの多いデータを除去することによって、クリーニングされる。61006で、1つ以上のモデルが、デジタルツイン60136によるトレーニングのために選択される。モデルの選択は、デジタルツイン60136で利用可能なデータの種類と、モデルの所望の結果とに基づいて行われる。例えば、車両からの故障データが利用できない場合や、定期的なメンテナンスが行われているため、限られた数の故障データセットしか存在しない場合がある。このような場合、分類モデルや回帰モデルはうまく機能せず、クラスタリングモデルが最も適している可能性がある。別の例として、モデルの所望の結果が車両の現在の状態を決定し、任意の故障を検出することである場合、故障検出モデルが選択されてもよく、一方、所望の結果が将来の故障を予測することである場合、残存耐用年数予測モデルが選択され得る。61008で、1つ以上のモデルは、トレーニングデータセットを使用してトレーニングされ、テストデータセットを使用して性能をテストされる。61010で、学習されたモデルは、生産データ上で車両60104の故障検出と将来の故障予測に使用される。

【0536】

図69は、車両60104の予知保全を実行するためのデジタルツイン60136の展開を示す例示的な実施形態である。デジタルツイン60136は、リアルタイムまたはほぼリアルタイムでデータベース60118からデータを受信する。データベース60118は、異なるタイプのデータを異なるデータストアに格納してもよい。例えば、車両データストア61102は、車両の識別及び属性、車両の状態及びイベントデータ、保守記録からのデータ、過去の運転データ、車両サービスエンジニアからのメモ等に関連するデータを格納してもよい。センサデータストア61104は、信号または時系列データとして格納され得る温度、圧力、および振動センサからのデータを含む、運転からのセンサデータを格納してもよい。故障データストア61106は、異なる時間および異なる運転条件下でのコンポーネントまたは類似の車両の故障データを含む、車両60104からの故障データを格納してもよい。モデルデータストア61108は、故障検出モデル及び余寿命予測モデルを含む異なる予測モデルに関連するデータを格納してもよい。

【0537】

デジタルツイン60136は、人工知能システムと連携して、利用可能なデータの種類及び質並びに所望の回答又は結果に基づいて、1つ又は複数のモデルを選択する。例えば、デジタルツイン60136の意図された用途が、what-ifシナリオをシミュレートし、そのようなシナリオの下で車両がどのように動作するかを予測することである場合、物理モデル61110が選択され得る。故障検出及び診断モデル61112は、車両60104の現在の健康状態及び任意の不具合状態を決定するために選択されてもよい。単純な故障検出モデルは、正規の動作と故障した動作とを区別するために1つ以上の状態指標を使用してもよく、超過した場合に故障状態を示す状態指標の閾値を有してもよい。より複雑なモデルは、分類器を訓練して、1つ以上の状態指標の値を故障状態に関連する値と比較し、1つ以上の故障状態が存在する確率を返してもよい。

【0538】

残存耐用年数（RUL）予測モデル61114は、将来の故障を予測するために用いられ、劣化モデル61116、生存モデル61118及び類似性モデル61120を含んでもよい。例示的なRUL予測モデルは、状態指標の時間発展を適合させ、状態指標が故障を示すある閾値を横切るまでにどれだけの時間がかかるかを予測してもよい。別のモデルは、状態インジケータの時間発展を、故障に至った類似のシステムからの測定またはシミュレーションされた時系列と比較することができる。

【0539】

実施形態では、これらのモデルの1つ以上の組み合わせが、デジタルツイン60136によって選択されてもよい。

【0540】

人工知能システム60112は、機械学習プロセス61122、クラスタリングプロセス61124、分析プロセス61126、及び自然言語プロセス61128を含んでもよい。機械学習プロセス61122は、デジタルツイン60136と協働して、上記で特定されたような1つ以上のモデルを訓練する。そのような機械学習されたモデルの一例は、RUL予測モデル61114である。モデル61114は、データベース60118からの訓練データセット61130を使用して訓練され得る。モデル61114及び分類器の性能は、その後、テストデータセット61132を使用してテストされてもよい。

【0541】

クラスタリング処理61124は、特徴的でないまたは異常な動作を検出するためのモデルを訓練するために、故障データに隠された故障パターンを特定するために実施されてもよい。複数の車両及びその履歴記録にわたる故障データをクラスタリングして、異なるパターンが特定の摩耗挙動とどのように相関するかを理解してもよい。分析プロセス61126は、様々なデータに対してデータ分析を実行し、洞察を特定し、結果を予測する。自然言語プロセス61128は、デジタルツイン60136と連携して、成果および結果を車両60104のユーザに伝達する。

【0542】

成果60234は、モデリング結果61136、警告および警報61138、または残存耐用年数（RUL）予測61140の形態であってよい。デジタルツイン60136は、成果61134を伝えるために、音声、テキスト、ジェスチャーなどの複数の通信チャネルを介してユーザと通信してもよい。

【0543】

実施形態において、モデルは、その後、モデル結果61134に基づいて更新または強化されてもよい。例えば、人工知能システム60112は、故障の予測につながった一連の状況及び結果を受信してもよく、フィードバックに基づいてモデルを更新してもよい。

【0544】

図70は、本開示の特定の実施形態による、車両のデジタルツインを生成するための方法を示すフローチャートである。61202で、車両60104に関連する所有者、賃借人、ドライバー、フリートオペレータ／所有者、整備士などのユーザからの要求が、車両60104に設けられたインターフェースまたはユーザが携帯するユーザデバイス60140などを通じて、車両60104によって受信されて、車両60104の状態情報を提供される。61204で、車両60104のデジタルツイン60136が、車載診断システム、遠隔測定システム、車両に位置するセンサ、及び車両外部のシステムからの車両状態に関する1つ又は複数の入力に基づいて、1又は複数のプロセッサを使用して生成される。61206で、ユーザは、インタフェースを通じて、上述のように車両60104のデジタルツイン60136を使用することによって決定された車両60104の状態情報のバージョンを提示される。

【0545】

図71は、本開示の様々な実施形態による、車両とデジタルツインシステムとを含む輸送システムの代替アーキテクチャを示す斜視図である。車両60104は、車両60104の外部のシステムへの5G接続性、車両60104の一連のセンサ60108およびデータソースへの内部接続性、ならびにオンボード人工知能システム60112を提供するエッジインテリジェンスシステム61304を含む。エッジインテリジェンスシステム61304は、クラウドコンピューティングプラットフォーム60124上にホストされるデジタルツインシステム60200の人工知能システム60130と通信することもできる。デジタルツインシステム60200は、エッジインテリジェンスシステム61304からアプリケーションプログラミングインターフェース（API）を介して入力され得る。

【0546】

エッジインテリジェンスシステム61304は、クラウドベースのインテリジェンスに依存する代わりに、車両60104においてローカルに特定のインテリジェンスを提供することを支援する。これは、例えば、低オーバーヘッド計算を必要とするタスク及び／又は低レイテンシ条件で実行されるタスクを含むことができる。これは、システムが、限られたネットワーク帯域幅の状況でも確実に実行し、ドロップアウトを回避するのに役立つ。

【0547】

図72は、本開示の特定の実施形態による、車両と車両のドライバーの両方の状態のセットの組み合わせを表すデジタルツインを示す図である。

【0548】

統合された車両及びドライバーツイン61404は、車両60104のデジタルツインとドライバーのデジタルツインとを統合することなどにより作成されてもよい。実施形態では、このような統合は、各ツインが使用する3Dモデルを正規化して一貫したスケールを表し、APIを介してリンクして各ツインの定期的な更新（車両の現在の動作状態およびドライバーの現在の生理状態、姿勢など）を取得することによって達成されてもよい。

【0549】

その後、統合車両及びドライバーツインは、エッジインテリジェンスシステム1304と協働して、結合された車両状態60116及びドライバー状態61408に基づいて車両経験を構成することができる。

【0550】

図73は、例示的な実施形態に従って、統合車両およびドライバデジタルツインが車両体験を構成し得るシナリオを示す概略図である。

【0551】

例示的なシナリオでは、統合車両とドライバーツイン61404は、瞳孔の大きさと瞼の動きを追跡するIRカメラのセットと、ドライバー60244の（たるんだ）姿勢と（遅くなった）反応時間を追跡するセンサ60108のセットからの入力に基づいて、ドライバーの状態が「眠い」ことを判断してもよい。また、ツインは、速度、横位置、旋回角、移動コースの追跡に基づいて、車両が「不安定」であると判断することもできる。統合車両及びドライバーツイン61404は、ドライバー60244と通信して、そのような状態で運転する潜在的な安全上の危険についてドライバー60244に警告してよい。あるいは、統合車両及びドライバーツイン61404は、音楽のスイッチを入れたり音量を上げたりするようにドライバーを目覚めさせるための1つ以上のステップ、及び／又は車両をオートパイロット又はオートステアモードに切り替えることによってドライバー及び車両の安全性を確保するステップを取ってもよい。

【0552】

別の例として、統合車両およびドライバーツインは、車両状態（例えば、燃料残量）およびドライバー状態（例えば、ドライバーが最後に食事をしてからの時間）に関する情報を使用して、好みの燃料プロバイダの近くを通るおいしい食事場所への予定ルートに沿った寄り道を提案するポイント提案機能を起動してもよい。

【0553】

実施形態では、車両60104のデジタルツインをライダーのデジタルツインと統合することなどにより、統合された車両とライダーのツインが作成されてもよい。実施形態において、このような統合は、ツインの各々が使用する3Dモデルを正規化して一貫したスケールを表し、APIを介してリンクして各ツインの定期的な更新（車両の現在の動作状態およびライダーの現在の生理的状態、姿勢など）を取得することによって達成されてもよい。

【0554】

実施形態では、第2のライダーが車両に乗り込むと、統合された車両とライダーのツインが更新される。

【0555】

実施形態において、統合車両およびライダーツインは、エッジインテリジェンスシステム61304と協働して、結合された車両状態およびライダー状態に基づいて車両体験を構成することができる。

【0556】

例えば、車両とライダーの統合されたツインは、1つ以上のセンサ60108などからの入力に基づいて、ライダー状態が「疲労」であると判断してもよい。実施形態では、ライダーの身体の一部に巻かれたシート一体型でセンサ付きの布が、ライダー状態を決定する際にツインを支援してもよい。また、ツインは、車両状態が高い交通渋滞および損傷した道路状態を含むと判断してもよい。ツインは、腕、脚、背中、および首／頭のサポートを含む機能的サポートをライダーに提供するために、シート一体型のロボット外骨格要素を作動させてもよい。あるいは、ツインは、ライダーにリラックスと快適さを提供するために、胴体、脚などを含むライダーの身体の部分に巻かれたシート一体型でセンサ対応の布の電気刺激要素を作動させてもよい。

【0557】

別の例として、統合車両とライダーツインは、1つ以上のセンサ60108などからの入力に基づいて、ライダー状態が「シビレ」であると判断してもよい。実施形態では、ライダーの身体の一部に巻かれたシート一体型でセンサ付きの布が、ライダー状態を決定する際にツインを支援してもよい。また、ツインは、車両状態が雨天状態を含むと判断してもよい。ツインは、ライダーに暖かさと快適さを提供するために、胴体、脚などを含むライダーの体の部分の周りに巻かれたシート一体型でセンサ対応の布の暖房要素または中赤外線（浸透熱）用要素を作動させてもよい。

【0558】

実施形態において、デジタルツインは、ネットワークによって認識されるもの（例えば、携帯電話、ラップトップ、タブレット、または他のコンピューティングデバイスのデバイス識別子など、ネットワークによって認識されるデバイス識別子を有することによって）および／またはオブジェクト認識のためにコンピュータビジョンを用いるものを含むカメラなどの車内センサによって識別されるものなど、車両に含まれるアイテムのセットを表すことができる。したがって、デジタルツインは、ユーザが同じことを確認できるように、アイテムの存在または不在を描写する車両の内部コンテンツのユーザのビューを提供し得る。これは、紛失物の発見、旅行に必要なアイテムの存在確認（デジタルパッキングリストを含むパッキングリストとの調整など）、スポーツ用品、食料、携帯シート、傘、または他のアクセサリーやユーザーの個人所有物のアイテムの存在確認に役立ち得る。実施形態において、車両のデジタルツインは、デジタルツインのユーザの個人的所有物のアイテムを含む他のアイテムを表すデジタルツインのセットと統合するか、またはそのセットからの情報を統合してもよい。実施形態において、モバイルアプリケーションなどのアプリケーションは、車両製造業者またはディーラーなどによって、または車両製造業者またはディーラーにリンクされて、車両付属品および車両に典型的に輸送または保管されるアイテムの典型的なセットを含む、ユーザーの私物を、アイテムの一部または全部をそれぞれ表す一連のデジタルツインを介して追跡するために提供されてもよい。ユーザは、アイテムを名前または説明によって識別することによって、アイテムにリンクすることによって（例えば、電子商取引サイトにおける識別子（または購入を示す確認メールなど、かかるサイトからの通信にリンクすることによって）、アイテムの写真を取り込むことによって、アイテムのQRコード（登録商標）、バーコードなどを取り込むことによって、または他の技術によって、アイテムを入力するように促される場合がある。識別されたアイテムは、タイプに基づいて（例えば、電子商取引サイトまたはプロバイダなどの関連するデータソースから寸法、画像、および他の属性を取得することによって）、または実際の画像に基づいて（構造化光、LIDAR、または他の寸法推定技術を使用するなど、画像キャプチャ中に取り込まれた寸法情報に基づいてサイズ決定されてよい）デジタルツインのセットで表されるかもしれない。モバイルアプリケーションにおいて、ユーザは、個人所有物を追跡する希望を示すことができ、この場合、タグベースのシステム（RFIDシステムなど）、ラベルベースのシステム（QRシステムなど）、センサベースのシステム（カメラおよび他のセンサを使用するなど）、ネットワークベースのシステム（ＩｏＴシステムなど）などの位置追跡システムは、個人所有物の位置を追跡することができる。実施形態において、位置追跡システムからの位置情報は、ユーザの車両を表すもの、ユーザの車両内の位置（車両デジタルツインにおいて）、ユーザの家庭内の位置（家庭デジタルツインにおいてなど）、ユーザの職場内の位置（職場デジタルツインにおいてなど）などのデジタルツインのセットにおいてアイテムを表すことができる。実施形態において、ユーザーは、リストまたはメニューから、または検索機能を介してなど、モバイルアプリケーション内のアイテムを選択することができ、モバイルアプリケーションは、適切なデジタルツインを取得し、アイテムの現在の位置に基づいてデジタルツイン内にアイテムを表示することになる。

【0559】

図74を参照すると、人工知能システム65248は、交通機関の1つまたは複数のデータ処理、データ分析、シミュレーション作成、およびシミュレーション分析に関連する分析、シミュレーション、意思決定、および予測作成を行うための機械学習モデル65102を定義してもよい。機械学習モデル65102は、明示的な命令を使用せずに特定のタスクを実行し、代わりにパターンおよび推論に依存するアルゴリズムおよび／または統計モデルである。機械学習モデル65102は、特定のタスクを実行するように明示的にプログラムされることなく、予測及び／又は決定を行うために、トレーニングデータに基づいて1つ又は複数の数学的モデルを構築する。機械学習モデル65102は、輸送エンティティの1つ以上に関連するイベントデータ65124及び状態データ65702を含む、センサデータの入力を学習データとして受信してもよい。機械学習モデル65102に入力されたセンサデータは、機械学習モデル65102を訓練して、輸送エンティティの1つ以上のデータ処理、データ分析、シミュレーション作成、及びシミュレーション分析に関する分析、シミュレーション、意思決定、及び予測作成を実行するために使用されてもよい。また、機械学習モデル65102は、情報技術システムのユーザ又は利用者からの入力データを用いてもよい。機械学習モデル65102は、人工ニューラルネットワーク、決定木、サポートベクターマシン、ベイジアンネットワーク、遺伝的アルゴリズム、機械学習モデルの任意の他の適切な形態、又はそれらの組合せを含んでもよい。機械学習モデル65102は、教師あり学習、教師なし学習、強化学習、自己学習、特徴学習、スパース辞書学習、異常検出、関連ルール、それらの組み合わせ、または学習のための任意の他の適切なアルゴリズムを通じて学習するように構成されてもよい。

【0560】

人工知能システム65248はまた、デジタルツインシステム65330を定義して、1つ以上の輸送エンティティのデジタルレプリカを作成してもよい。輸送実体の1つ以上のデジタルレプリカは、輸送実体の実質的にリアルタイムの仮想表現を提供するために、実質的にリアルタイムのセンサデータを使用してもよく、1つ以上の輸送実体の1つ以上の可能な将来の状態のシミュレーションを提供する。デジタルレプリカは、複製される1つ又は複数の輸送機関と同時に存在する。デジタルレプリカは、複製される1つ又は複数の輸送機関の物理的要素及び特性、並びに、実施形態では、複製される1つ又は複数の輸送機関のライフスタイル全体にわたるその力学の両方についての1つ又は複数のシミュレーションを提供する。デジタルレプリカは、例えば、1つ又は複数の交通機関が建設又は製作される前の設計段階において、又は1つ又は複数の交通機関の建設又は製作の間若しくは後に、センサデータの仮想的な外挿を可能にして1つ又は複数の交通機関の状態をシミュレートすることで、当該交通機関の仮想的なシミュレーションを提供し得る。例えば、高応力時、部品の摩耗が問題となり得る期間が経過した後、最大スループット動作時、1つ又は複数の仮想的又は計画的な改善が1つ又は複数の輸送機関になされた後、又は任意の他の適切な仮想的状況などである。いくつかの実施形態では、機械学習モデル65102は、1つ以上の輸送エンティティに対する可能な改善を予測すること、1つ以上の輸送エンティティの1つ以上のコンポーネントがいつ故障し得るかを予測すること、及び／又はタイミング設定、配置、コンポーネント、又は輸送エンティティに対する任意の他の適切な変更の変更など、1つ以上の輸送エンティティに対する可能な改善点を提案するなど、デジタルレプリカとのシミュレーションのための仮想状況を自動的に予測してもよい。デジタルレプリカは、1つ又は複数の輸送機関の設計及び運用の両方の段階における1つ又は複数の輸送機関のシミュレーション、並びに1つ又は複数の輸送機関の仮想的な運用条件及び構成のシミュレーションを可能にする。デジタルレプリカは、1つ以上の輸送実体の各構成要素内、上、及び周囲だけでなく、いくつかの実施形態では1つ以上の輸送実体内の温度、摩耗、光、振動などを含むほぼあらゆるタイプのメトリックの観察及び測定を容易にすることによって、1つ以上の輸送実体の計り知れない分析及びシミュレーションを可能にする。いくつかの実施形態では、機械学習モデル65102は、イベントデータ65124及び状態データ65702を含むセンサデータを処理して、デジタルツインシステム65330によって使用するためのシミュレーションデータを定義してもよい。機械学習モデル65102は、例えば、複数の交通機関のうちの特定の交通機関に関連する状態データ65702及びイベントデータ65124を受信し、状態データ65702及びイベントデータ65124に対して一連の演算を実行して、交通機関のデジタルレプリカの作成においてデジタルツインシステム65330が使用するのにふさわしいフォーマットに状態データ65702及びイベントデータ65124をフォーマットすることができる。例えば、1つ又は複数の輸送エンティティは、隣接する組立ライン上の製品を増強するように構成されたロボットを含んでもよい。機械学習モデル65102は、ロボット上、近く、中、及び／又は周りに配置された1つ又は複数のセンサからデータを収集してもよい。機械学習モデル65102は、センサデータに対する演算を実行して、センサデータをシミュレーションデータに処理し、シミュレーションデータをデジタルツインシステム65330に出力してもよい。デジタルツインシミュレーション65330は、シミュレーションデータを使用して、ロボットの1つ以上のデジタル複製を作成してもよく、シミュレーションは、例えば、ロボット及びその構成要素の温度、摩耗、速度、回転、及び振動を含む測定基準を含む。シミュレーションは、実質的にリアルタイムのシミュレーションであってもよく、情報技術の人間のユーザが、ロボットのシミュレーション、それに関連する測定基準、及びその構成要素に関連する測定基準を実質的にリアルタイムで見ることができるようにする。シミュレーションは、予測的又は仮想的な状況であってもよく、情報技術の人間のユーザが、ロボットの予測的又は仮想的なシミュレーション、それに関連する測定基準、及びその構成要素に関連する測定基準を閲覧することを可能にする。

【0561】

いくつかの実施形態において、機械学習モデル65102及びデジタルツインシステム65330は、センサデータを処理し、複数の交通機関の交通機関の集合のデジタルレプリカを作成して、交通機関の関連グループの設計、リアルタイムシミュレーション、予測シミュレーション、及び／又は仮想シミュレーションを容易にしてもよい。交通機関の集合のデジタルレプリカは、交通機関の集合の実質的にリアルタイムの仮想表現を提供し、交通機関の集合の1つ又は複数の可能な将来の状態のシミュレーションを提供するために、実質的にリアルタイムのセンサデータを使用することができる。デジタルレプリカは、複製される交通機関の集合と同時に存在する。デジタルレプリカは、複製される交通機関のセットのライフスタイル全体にわたる実施形態において、複製される交通機関のセットの物理的要素及び特性並びにそのダイナミクスの両方の1つ又は複数のシミュレーションを提供する。つ以上のシミュレーションは、モニタ上で見ることができ、拡張現実（AR）装置を使用し、又は仮想現実（VR）装置を使用することができる1つ以上の輸送実体のワイヤフレーム仮想表現などの、視覚的シミュレーションを含んでもよい。視覚的シミュレーションは、シミュレーションの構成要素をズームまたはハイライトすること、及び／または1つ以上の輸送機関の分解図を提供することなど、情報技術システムの人間のユーザによって操作されることが可能であってよい。デジタルレプリカは、例えば、1つ以上の輸送体が建設又は製作される前の設計段階において、又は1つ以上の輸送体の建設又は製作の間若しくは後に、センサデータの仮想的な外挿を可能にして輸送体の集合の状態をシミュレートすることによって、輸送体の集合の仮想的なシミュレーションを提供してもよい。例えば、高応力時、部品の摩耗が問題となり得る期間が経過した後、最大スループット動作時、1つ又は複数の仮想的又は計画的な改善が輸送体のセットになされた後、又は任意の他の適切な仮想的状況などである。いくつかの実施形態では、機械学習モデル65102は、輸送実体のセットに対する可能な改善を予測すること、輸送実体のセットの1つ以上の構成要素がいつ故障し得るかを予測すること、及び／又は輸送実体のセットに対する可能な改善、例えばタイミング設定、配置、構成要素、又は輸送実体に対する任意の他の適切な変更を提案するなど、デジタルレプリカとのシミュレーションのための仮想状況を自動的に予測してもよい。デジタルレプリカは、一組の輸送体の設計及び運用段階の両方における一組の輸送体のシミュレーションを可能にし、一組の輸送体の仮想的な運用条件及び構成のシミュレーションを可能にする。デジタルレプリカは、輸送実体のセットの各構成要素の中、上、及び周囲だけでなく、いくつかの実施形態では輸送実体のセット内の温度、摩耗、光、振動などを含むほぼあらゆるタイプのメトリックの観察及び測定を容易にすることによって、1つ又は複数の輸送実体の計り知れない分析及びシミュレーションを可能にする。いくつかの実施形態において、機械学習モデル65102は、イベントデータ65124及び状態データ65702を含むセンサデータを処理して、デジタルツインシステム65330によって使用するためのシミュレーションデータを定義してもよい。機械学習モデル65102は、例えば、複数の輸送エンティティのうちの特定の輸送エンティティに関連する状態データ65702及びイベントデータ65124を受け取り、状態データ65702及びイベントデータ65124に対して一連の演算を実行して、輸送エンティティのセットのデジタルレプリカの作成においてデジタルツインシステム65330が使用するのにふさわしいフォーマットに状態データ65702及びイベントデータ65124をフォーマットすることができる。例えば、一組の輸送エンティティは、製品をコンベヤベルト上に配置するように構成されたダイマシン、ダイマシンが製品を配置するように構成されたコンベヤベルト、及び製品が組立ラインに沿って移動する際に製品に部品を追加するように構成された複数のロボットを含んでもよい。機械学習モデル65102は、ダイマシン、コンベヤベルト、及び複数のロボットのそれぞれ上、近く、中、及び／又は周りに配置された1つ又は複数のセンサからデータを収集してもよい。機械学習モデル65102は、センサデータに対する演算を実行して、センサデータをシミュレーションデータに加工し、シミュレーションデータをデジタルツインシステム65330に出力してもよい。デジタルツインシミュレーション65330は、シミュレーションデータを使用して、ダイマシン、コンベヤベルト、及び複数のロボットの1つ又は複数のデジタルレプリカを作成してもよく、シミュレーションは、ダイマシン、コンベヤベルト、及び複数のロボット並びにそれらの構成要素の温度、摩耗、速度、回転、及び振動などの例えば指標を含む。シミュレーションは、実質的にリアルタイムのシミュレーションであってよく、情報技術の人間のユーザが、ダイマシン、コンベヤベルト、及び複数のロボットのシミュレーション、それに関する測定基準、並びにそれらの構成要素に関する測定基準を実質的にリアルタイムで見ることができるようにする。シミュレーションは、予測的又は仮想的な状況であってもよく、情報技術の人間のユーザが、ダイマシン、コンベヤベルト、及び複数のロボット、それに関する測定基準、並びにそれらの構成要素に関連する測定基準の予測的又は仮想的なシミュレーションを見ることができるようにしてもよい。

【0562】

いくつかの実施形態では、機械学習モデル65102は、交通機関の1つ以上のデジタルレプリカシミュレーションで使用するためのセンサデータの収集に優先順位を付けてもよい。機械学習モデル65102は、センサデータ及びユーザ入力を使用して学習し、それによって、どのタイプのセンサデータが交通機関の1つ又は複数のデジタルレプリカシミュレーションの作成に最も効果的であるかを学習してもよい。例えば、機械学習モデル65102は、特定の輸送エンティティが、温度、湿度、及び負荷によって影響を受けるコンポーネントの摩耗及びスループットなどの動的特性を有することを見出してもよい。機械学習モデル65102は、機械学習を通じて、温度、湿度、及び負荷に関連するセンサデータの収集を優先してもよく、優先されたタイプのセンサデータをデジタルツインシステム65330に出力するためのシミュレーションデータへ処理することを優先してもよい。いくつかの実施形態では、機械学習モデル65102は、優先されたタイプのより多くの及び／又はより良いデータがそのデジタルレプリカを介して輸送体のシミュレーションにおいて使用され得るように、シミュレーションされている輸送体の近く及び周囲の情報技術において優先されたタイプのより多くの及び／又は異なるセンサを実装することを情報技術システムのユーザに対して提案し得る。

【0563】

いくつかの実施形態では、機械学習モデル65102は、モデリング目標及びセンサデータの品質又は種類の一方又は両方に基づいて、どの種類のセンサデータがデジタルツインシステム65330に送信するためのシミュレーションデータに処理されるべきかを決定するように学習するように構成されてもよい。モデリング目標は、情報技術システムのユーザによって設定された目的であってもよいし、機械学習モデル65102によって予測または学習されてもよい。モデリング目標の例は、組立ラインのスループットのダイナミクスを示すことができるデジタルレプリカの作成を含み、これは、例えば、コンベヤベルト、組立機械、1つ又は複数の製品、及び輸送エコシステムの他の構成要素の熱、電力、構成要素の摩耗、及び他の測定基準の収集、シミュレーション、及びモデリングを含んでもよい。機械学習モデル65102は、そのようなモデルを実現するために、どのタイプのセンサデータがデジタルツインシステム65330に送信するためのシミュレーションデータに処理される必要があるかを決定するように学習するように構成されてもよい。いくつかの実施形態では、機械学習モデル65102は、どのタイプのセンサデータが収集されているか、収集されているセンサデータの質及び量、並びに収集されているセンサデータが何を表しているかを分析してもよく、どのタイプのセンサデータがモデリング目標の達成に関連するか及び／又は関連しないかに関連して、モデリング目標の達成においてデジタルツインシステム65330が用いるためのシミュレーションデータへと加工されているセンサデータの質及び量を優先させ、改善し、及び／又は達成するための決定、予測、分析及び／又は決定を行う可能性がある。

【0564】

いくつかの実施形態において、情報技術システムのユーザは、モデリング目標を機械学習モデル65102に入力してもよい。機械学習モデル65102は、学習データを分析して、どのタイプのセンサデータがモデリング目標の達成に最も関連するかに関する情報技術システムのユーザへの提案を出力するように学習してもよく、例えば、中、上、又は近くに位置付けられた1又は複数のタイプのセンサのような、モデリング目標の達成に関連するセンサデータを出力してもよい。又は、モデリング目標の達成に関連する輸送エンティティ又は複数の輸送エンティティの近くにあるセンサは、モデリング目標の達成に十分である及び／又は十分でなく、センサを追加、除去、又は再配置するなど、センサのタイプの異なる構成は、機械学習モデル65102及びデジタルツインシステム65330によるモデリング目標の達成をより促進し得るかに関する提案を、情報技術システムのユーザに出力する。いくつかの実施形態では、機械学習モデル65102は、モデリング目標を達成するため又はより良く達成するために、収集レート、処理、ストレージ、サンプリングレート、帯域幅割り当て、ビットレート、及びセンサデータ収集の他の属性を自動的に増加又は減少させてもよい。いくつかの実施形態では、機械学習モデル65102は、モデリング目標を達成するため、またはより良く達成するために、収集率、処理、ストレージ、サンプリング率、帯域幅割り当て、ビットレート、およびセンサデータ収集の他の属性を増減させることに関連する提案または予測を情報技術システムのユーザに行ってもよい。いくつかの実施形態では、機械学習モデル65102は、複数の輸送機関のうちの1つ以上の輸送機関のセンサデータ、シミュレーションデータ、以前、現在、及び／又は将来のデジタルレプリカシミュレーションを使用して、モデリング目標を自動的に作成及び／又は提案し得る。いくつかの実施形態では、機械学習モデル65102によって自動的に作成されたモデリング目標は、機械学習モデル65102によって自動的に実装されてもよい。いくつかの実施形態では、機械学習モデル65102によって自動的に作成されたモデリング目標は、情報技術システムのユーザに提案され、ユーザによって提案されたモデリング目標に対して修正がなされた後など、ユーザによる受け入れ及び／又は部分的な受け入れ後にのみ実行されてもよい。

【0565】

いくつかの実施形態では、ユーザは、例えば、情報技術システムに1つ又は複数のモデリングコマンドを入力することにより、1つ又は複数のモデリング目標を入力してもよい。つ以上のモデリングコマンドは、例えば、機械学習モデル65102及びデジタルツインシステム65330に対して、1つの輸送エンティティ又は輸送エンティティのセットのデジタルレプリカシミュレーションを作成するためのコマンドを含んでもよく、デジタルレプリカシミュレーションがリアルタイムシミュレーション、及び仮想シミュレーションの1以上とするためのコマンドを含んでもよい。モデリングコマンドは、例えば、どのような種類のセンサデータを使用すべきか、センサデータのサンプリングレート、及び1つ以上のデジタルレプリカシミュレーションで使用されるセンサデータの他のパラメータを含んでもよい。いくつかの実施形態では、機械学習モデル65102は、学習データとして以前のモデリングコマンドを使用することなどにより、モデリングコマンドを予測するように構成されてもよい。機械学習モデル65102は、例えば、交通機関の管理にとって有用であり得る交通機関の1つ以上のシミュレーションを容易にするため、及び／又は交通機関の潜在的な問題若しくは交通機関に対する可能な改善をユーザが容易に特定できるように、予測モデリングコマンドを情報技術システムのユーザに対して提案してもよい。

【0566】

いくつかの実施形態では、機械学習モデル65102は、輸送エンティティの1つ又は複数の仮想シミュレーションのセットを評価するように構成されてもよい。仮想シミュレーションのセットは、機械学習モデル65102及びデジタルツインシステム65330によって、1つ以上のモデリングコマンドの結果として、1つ以上のモデリング目標の結果として、1つ以上のモデリングコマンドによって、機械学習モデル65102による予測によって、又はそれらの組み合わせによって作成されてもよい。機械学習モデル65102は、ユーザによって定義された1つ以上のメトリック、機械学習モデル65102によって定義された1つ以上のメトリック、又はそれらの組み合わせに基づいて、仮想シミュレーションのセットを評価してもよい。いくつかの実施形態では、機械学習モデル65102は、仮想シミュレーションのセットの仮想シミュレーションの各々を互いに独立して評価してもよい。いくつかの実施形態では、機械学習モデル65102は、例えば、1つ又は複数の測定基準に基づいて仮想シミュレーションをランク付けするか又は仮想シミュレーションの階層を作成することによって、仮想シミュレーションのセットの仮想シミュレーションの1つ又は複数を互いに関連して評価してもよい。

【0567】

いくつかの実施形態では、機械学習モデル65102は、機械学習モデル65102の出力、ならびに機械学習モデル65102の認知およびプロセスに関連する情報および洞察の人間理解を促進するための1つまたは複数のモデル解釈可能性システムを含んでもよく、すなわち、1つまたは複数のモデル解釈可能性システムによって、機械学習モデル65102が「何を」出力しているかと同時に「なぜ」その出力を出しており、どのプロセスが65102に出力を策定させることにつながったかについても人間理解できるようにする。つ以上のモデル解釈可能性システムはまた、機械学習モデル65102の訓練を改善し導くため、機械学習モデル65102のデバッグを助けるため、機械学習モデル65102におけるバイアスの認識を助けるために、人間のユーザによって使用され得る。つ以上のモデル解釈可能システムは、線形回帰、ロジスティック回帰、一般化線形モデル（GLM）、一般化加法モデル（GAM）、決定木、決定規則、ルールフィット（RuleFit）、ナイブ‐ベイ‐クラシファイア（Naive Bayes Classifier）のうちの1つ以上を含んでもよい。K-最近傍アルゴリズム、部分依存プロット、個別条件付き期待値（ICE）、累積局所効果（ALE）プロット、特徴相互作用、順列特徴重要度、グローバルサロゲートモデル、ローカルサロゲート（LIME）モデル、スコープ付きルール、つまり、アンカー、シェイプリー。e.アンカー、シャプレー値、シャプレー加法説明（SHAP）、特徴可視化、ネットワーク解剖、または任意の他の適切な機械学習解釈可能性実装である。いくつかの実施形態において、1つ以上のモデル解釈可能性システムは、モデルデータセット可視化システムを含んでもよい。モデルデータセット視覚化システムは、センサデータ、シミュレーションデータ、及び機械学習モデル65102のデータノードの値の分布に関連する視覚的分析を、情報技術システムの人間ユーザに自動的に提供するように構成される。

【0568】

いくつかの実施形態では、機械学習モデル65102は、ベイジアンケースモデル（BCM）又はグラスボックスなどの組み込みモデル解釈可能システムを含み、及び／又は実装してもよい。ベイズケースモデルは、ベイズケースベース推論、プロトタイプ分類、及びクラスタリングを使用して、機械学習モデル65102のセンサデータ、シミュレーションデータ、及びデータノードなどのデータの人間の理解を容易にする。いくつかの実施形態では、モデル解釈可能性システムは、機械学習モデル65102のセンサデータ、シミュレーションデータ、及びデータノードなどのデータの人間の理解を容易にするために、ガウスプロセスなどのグラスボックス解釈可能性方法を含み、及び／又は実装してもよい。

【0569】

いくつかの実施形態において、機械学習モデル65102は、概念活性化ベクトル（TCAV）を用いたテストを含み、及び／又は実装してもよい。TCAVは、機械学習モデル65102が、概念の定義、概念活性化ベクトルの決定、及び方向微分の計算を含むプロセスによって、例から「走る」、「走らない」、「動力付き」、「動力無し」、「ロボット」、「人間」、「トラック」、又は「船」などの人間解釈可能な概念を学習することを可能にする。TCAVは、人間が解釈可能な概念、オブジェクト、状態などを学習することにより、機械学習モデル65102が、情報技術システムの人間のユーザが容易に理解できる形式で、輸送エンティティ及びそこから収集されたデータに関連する有用な情報を出力することを可能にし得る。

【0570】

いくつかの実施形態では、機械学習モデル65102は、人工ニューラルネットワーク、例えば、例を考慮することによって、かつタスク固有の規則で明示的にプログラムされることなくタスクを実行するように「学習」するように構成されたコネクショニストシステムであってもよく、及び／又はこれを含んでもよい。機械学習モデル65102は、いくつかの方法で生物学的脳内のニューロンをエミュレートし得る人工ニューロンのように動作し得る接続されたユニット及び／又はノードの集合体に基づいてもよい。ユニット及び／又はノードはそれぞれ、他のユニット及び／又はノードへの1つ又は複数の接続を有していてもよい。ユニット及び／又はノードは、情報、例えば1つ又は複数の信号を他のユニット及び／又はノードに送信し、他のユニット及び／又はノードから受信した信号を処理し、処理した信号を他のユニット及び／又はノードに転送するように構成されていてもよい。ユニット及び／又はノードとその間の接続の1つ以上は、1つ以上の数値的な「重み」が割り当てられていてもよい。割り当てられた重みは、機械学習モデル65102の学習、すなわち、訓練を促進するように構成されてもよい。割り当てられた重みは、1つ又は複数のユニット及び／又はノード間の1つ又は複数の信号を増加及び／又は減少させてもよく、いくつかの実施形態では、重みのうちの1つ又は複数に関連する1つ又は複数の閾値を有してもよい。つ又は複数の閾値は、信号及び／又は集合信号が閾値を越えた場合に、1つ又は複数のユニット及び／又はノードの間で信号が送信されるように構成されてもよい。いくつかの実施形態では、ユニット及び／又はノードは、複数の層に割り当てられ、各層は、入力及び出力の一方又は両方を有することができる。第1の層は、トレーニングデータを受信し、トレーニングデータの少なくとも一部を変換し、トレーニングデータ及びその変換に関連する信号を第2の層に送信するように構成されてもよい。最終層は、機械学習モデル65102による1つ以上の入力の処理の推定、結論、製品、または他の結果を出力するように構成されてもよい。層の各々は、1つ又は複数のタイプの変換を実行してもよく、1つ又は複数の信号は、1つ又は複数の層を1回又は複数回通過してもよい。いくつかの実施形態では、機械学習モデル65102は、深層学習を採用し、1つ以上の隠れ層を含むように構成されることによって、深層ニューラルネットワーク、深層信念ネットワーク、再帰神経ネットワーク、及び／又は畳み込みニューラルネットワークとして少なくとも部分的にモデル化及び／又は構成され得る。

【0571】

いくつかの実施形態では、機械学習モデル65102は、決定木、例えば、入力に基づいて1つ又は複数の観測を識別し、1つ又は複数の結論を決定するように構成された木ベースの予測モデルであってもよく、及び／又はこれを含んでもよい。観測結果は、決定木の1つ又は複数の「枝」としてモデル化されてもよく、結論は、決定木の1つ又は複数の「葉」としてモデル化されてもよい。いくつかの実施形態では、決定木は分類木であってもよい。分類木は、1つ以上のクラスラベルを表す1つ以上の葉と、クラスラベルを導くように構成された特徴の1つ以上の接続を表す1つ以上の枝とを含んでもよい。いくつかの実施形態では、決定木は回帰木であってもよい。回帰木は、1つ又は複数の対象変数が連続値を取り得るように構成されてもよい。

【0572】

いくつかの実施形態では、機械学習モデル65102は、サポートベクターマシン、例えば、データの分類及び回帰ベースのモデリングの一方又は両方において使用するように構成された関連する教師あり学習方法のセットであってもよく、及び／又はそれを含んでもよい。サポートベクターマシンは、新しい例が1つ以上のカテゴリに入るかどうかを予測するように構成されてもよく、1つ以上のカテゴリは、サポートベクターマシンのトレーニング中に構成される。

【0573】

いくつかの実施形態では、機械学習モデル65102は、1つ又は複数の入力と1つ又は複数の入力の1つ又は複数の特徴との間の関係を決定及び／又は推定するために回帰分析を実行するように構成されてもよい。回帰分析は、線形回帰を含んでもよく、機械学習モデル65102は、1つ又は複数の数学的基準に従って入力データに最も適合する単一の直線を計算してもよい。

【0574】

実施形態において、機械学習モデル65102（回帰モデル、ベイジアンネットワーク、教師ありモデル、または他のタイプのモデルなど）への入力は、モデル65102の精度に対する様々な入力の影響をテストするために、機械学習モデルの作成および／または訓練に使用されたデータセットから独立しているテストデータのセットを使用するなどして、テストされてもよい。例えば、回帰モデルへの入力は、入力の不在がモデル65102の成功の重大な劣化を生じさせるかどうかを判断するために、単一の入力、入力の組、三つ組などを含めて除去されてもよい。これは、実際に相関している（例えば、同じ基礎データの線形結合である）入力、重複している入力、または同様の入力の認識を支援することができる。モデルの成功の比較は、モデルにおいて最も少ない「ノイズ」を生成する入力（いくつかの同様のものの中から）を識別する、最も低いコストでモデルの有効性に最も影響を与える、などのように、同様の情報を提供する代替入力データセットの中から選択するのに役立つ場合がある。したがって、入力変動および入力変動のモデル有効性への影響のテストは、本開示を通じて説明される機械学習システムのいずれに対しても、モデル性能を刈り込みまたは強化するために使用され得る。

【0575】

いくつかの実施形態では、機械学習モデル65102は、ベイジアンネットワークであってもよく、及び／又はベイジアンネットワークを含んでもよい。ベイジアンネットワークは、確率変数の集合及び確率変数の集合の条件付き独立性を表すように構成された確率的グラフィカルモデルであってよい。ベイジアンネットワークは、有向無サイクルグラフを介して、確率変数及び条件付き独立性を表現するように構成されてもよい。ベイジアンネットワークは、ダイナミックベイジアンネットワークとインフルエンスダイアグラムの一方または両方を含んでもよい。

【0576】

いくつかの実施形態では、機械学習モデル65102は、教師あり学習、すなわち、1つ又は複数の入力及び所望の出力を含む訓練データのセットの数学的モデルを構築するように構成された1つ又は複数のアルゴリズムを介して定義されてもよい。訓練データは、訓練例のセットから構成されてもよく、訓練例の各々は、1つ又は複数の入力及び所望の出力、すなわち、監督信号を有する。訓練例の各々は、機械学習モデル65102において、配列及び／又はベクトル、すなわち特徴ベクトルによって表されてもよい。学習データは、機械学習モデル65102において、行列によって表されてもよい。機械学習モデル65102は、目的関数の反復最適化を介して1つ又は複数の関数を学習し、それによって、新しい入力に関連する出力を予測するように学習してもよい。最適化されると、目的関数は、機械学習モデル65102に、学習データに含まれる入力以外の入力に対する出力を正確に決定する能力を提供し得る。いくつかの実施形態では、機械学習モデル65102は、能動学習、統計的分類、回帰分析、及び類似性学習などの1つ又は複数の教師あり学習アルゴリズムを介して定義されてもよい。能動学習は、機械学習モデル65102によって、ユーザ及び／又は情報源に対話的に問い合わせ、所望の出力で新しいデータ点をラベル付けすることを含んでもよい。統計的分類は、機械学習モデル65102によって、既知のカテゴリを有する観測値を含むデータの訓練セットに基づいて、新しい観測値がサブカテゴリのセット、すなわちサブ集団のいずれに属するかを識別することを含んでもよい。回帰分析は、機械学習モデル65102によって、従属変数、すなわち結果変数と、1つ以上の独立変数、すなわち予測因子、共変量、及び／又は特徴との間の関係を推定することを含んでもよい。類似性学習は、機械学習モデル65102によって、類似性関数を用いて例から学習することを含んでもよく、類似性関数は、2つのオブジェクトがどの程度類似しているか又は関連しているかを測定するように設計されている。

【0577】

いくつかの実施形態では、機械学習モデル65102は、教師なし学習、すなわち、データ点のグループ化またはクラスタリングなどのデータ内の構造を見つけることによって、入力のみを含むデータセットの数学モデルを構築するように構成された1つまたは複数のアルゴリズムを介して定義されてもよい。いくつかの実施形態では、機械学習モデル65102は、ラベル付け、分類、又はカテゴライズされていないテストデータ、すなわち学習データから学習してもよい。教師なし学習アルゴリズムは、機械学習モデル65102によって、学習データにおける共通性を識別することと、新たなデータにおける識別された共通性の存在または不在に基づいて反応することによって学習することとを含んでもよい。いくつかの実施形態では、機械学習モデル65102は、1つ又は複数の確率密度関数を生成してもよい。いくつかの実施形態では、機械学習モデル65102は、内部コンパクト性、分離、推定密度、及び／又はグラフ接続性が要因である類似性メトリックに従うなど、1つ以上の予め指定された基準に従って、観測値のセットをサブセット、すなわちクラスタに割り当てるなど、クラスタ分析を行うことによって学習してもよい。

【0578】

いくつかの実施形態では、機械学習モデル65102は、半教師付き学習、すなわち、いくつかの訓練例が訓練ラベルを欠く場合がある訓練データを使用する1つ以上のアルゴリズムを介して定義されてもよい。半教師付き学習は、弱教師付き学習であってよく、訓練ラベルは、ノイズが多く、限定的で、及び／又は不正確であってよい。ノイズの多い、限定的な、及び／又は不正確な訓練ラベルは、生成するのがより安く、及び／又はより労力がかからない場合があり、したがって、機械学習モデル65102がより少ないコスト及び／又は労力でより大きな訓練データのセットで訓練することを可能にする。

【0579】

いくつかの実施形態において、機械学習モデル65102は、機械学習モデル65102が累積報酬を最大化するために環境において行動を起こすことによって訓練し得るような動的プログラミング技術を用いた1以上のアルゴリズムなどの強化学習を介して定義されてもよい。いくつかの実施形態では、学習データは、マルコフ決定過程として表される。

【0580】

いくつかの実施形態では、機械学習モデル65102は、自己学習を経由して定義されてもよく、機械学習モデル65102は、クロスバー適応アレイ（CAA）を採用することなどにより、外部報酬および外部教示を伴わない訓練データを使用して訓練するように構成される。CAAは、結果状況についての行動及び／又は感情に関する決定をクロスバー方式で計算し、それによって、認知と感情との間の相互作用によって機械学習モデル65102の教示を駆動してもよい。

【0581】

いくつかの実施形態では、機械学習モデル65102は、特徴学習、すなわち、訓練中、例えば訓練データ中に提供される1つ又は複数の入力のますます正確及び／又は適切な表現を発見するように設計された1つ又は複数のアルゴリズムを介して定義されてもよい。特徴学習は、主成分分析及び／又はクラスタ分析を介した学習を含んでもよい。特徴学習アルゴリズムは、機械学習モデル65102によって、入力訓練データを保存しつつ、変換された入力訓練データが有用であるように入力訓練データを変換する試みを含んでもよい。いくつかの実施形態では、機械学習モデル65102は、入力訓練データの1つ以上の分類及び／又は予測を実行する前に、入力訓練データを変換するように構成されてもよい。したがって、機械学習モデル65102は、分布に従った入力訓練データのありえない構成に必ずしも適合することなく、1つまたは複数の未知のデータ生成分布から入力訓練データを再構成するように構成されてもよい。いくつかの実施形態において、特徴学習アルゴリズムは、機械学習モデル65102によって、教師あり、教師なし、又は半教師ありの方法で実行されてもよい。

【0582】

いくつかの実施形態では、機械学習モデル65102は、異常検出を介して、すなわち、1つ以上の項目、事象及び／又は観測の稀な及び／又は異常値のインスタンスを識別することによって、定義されてもよい。希少及び／又は異常値インスタンスは、インスタンスが学習データの大多数のパターン及び／又は特性から著しく異なることによって識別されてもよい。教師なし異常検出は、機械学習モデル65102によって、学習データの大部分が「正常」であるという仮定の下で、ラベル付けされていない学習データセットにおける異常の検出を含んでもよい。教師あり異常検出は、訓練データの少なくとも一部が「正常」及び／又は「異常」としてラベル付けされているデータセットで訓練することを含んでもよい。

【0583】

いくつかの実施形態では、機械学習モデル65102は、ロボット学習を介して定義されてもよい。ロボット学習は、機械学習モデル65102による、1つ以上のカリキュラムの生成、カリキュラムは学習経験のシーケンスであり、機械学習モデル65102によって導かれる探索及び機械学習モデル65102による人間との社会的相互作用を介して新しいスキルを累積的に獲得することを含んでもよい。新しいスキルの獲得は、能動学習、成熟、運動シナジー、及び／又は模倣などの1つ又は複数のガイダンスメカニズムによって促進されてもよい。

【0584】

いくつかの実施形態では、機械学習モデル65102は、アソシエーションルール学習を介して定義され得る。関連ルール学習は、「面白さ」のいくつかの尺度を用いて強いルールを識別するために、機械学習モデル65102によって、データベース内の変数間の関係を発見することを含むことができる。関連規則学習は、知識を記憶、操作、及び／又は適用するための規則を特定、学習、及び／又は進化させることを含んでもよい。機械学習モデル65102は、関係ルールのセットを特定及び／又は利用することによって学習するように構成されてもよく、関係ルールは、機械学習モデル65102によって捕捉された知識を集合的に表す。関係ルール学習は、学習分類器システム、帰納論理プログラミング、及び人工免疫システムのうちの1つ又は複数を含んでもよい。学習分類器システムは、1つ以上の遺伝的アルゴリズムなどの発見コンポーネントと、教師あり学習、強化学習、または教師なし学習のための1つ以上のアルゴリズムなどの学習コンポーネントとを組み合わせてもよいアルゴリズムである。帰納的論理プログラミングは、機械学習モデル65102による、訓練中に機械学習モデル65102によって決定された入力例、背景知識、及び仮説のうちの1つ以上を表現するための論理プログラミングを使用した、ルール学習を含んでもよい。機械学習モデル65102は、既知の背景知識の符号化、及び事実の論理データベースとして表される例の集合を与えられた、全ての正の例を包含する仮説論理プログラムを導出するように構成されてもよい。

【0585】

このように、本願の技術のいくつかの側面および実施形態を説明してきたが、当業者には様々な変更、修正、および改良が容易に生じることを理解されたい。そのような変更、修正、および改良は、本願に記載された技術の精神および範囲内にあることが意図される。例えば、当業者は、本明細書に記載された機能を実行し、及び／又は結果及び／又は1つ以上の利点を得るための様々な他の手段及び／又は構造を容易に想定するであろうし、そのような変形及び／又は修正の各々は、本明細書に記載の実施形態の範囲内にあると見なされる。

【0586】

当業者は、本明細書に記載された特定の実施形態に対する多くの等価物を、日常的な実験以上のことを用いずに認識するか、または確認することができるであろう。したがって、前述の実施形態は例示としてのみ提示され、添付の特許請求の範囲及びその均等物の範囲内で、発明的実施形態は、具体的に説明されたものとは別に実施され得ることを理解されたい。さらに、本明細書に記載された2つ以上の特徴、システム、物品、材料、キット、及び／又は方法の任意の組み合わせは、かかる特徴、システム、物品、材料、キット、及び／又は方法が相互に矛盾しないならば、本開示の範囲に含まれる。

【0587】

上述した実施形態は、多数の方法のいずれかで実施されてもよい。プロセスまたは方法の実行を伴う本願の1つまたは複数の態様および実施形態は、プロセスまたは方法の実行または制御を行うために、装置（例えば、コンピュータ、プロセッサ、または他の装置）により実行可能なプログラム命令を利用することができる。

【0588】

本明細書で使用する場合、システムという用語は、1つ以上の機能を実行するために独立してまたは分散して動作する1つ以上のコンピューティングデバイス、プロセッサ、モジュール、ソフトウェア、ファームウェア、または回路の任意の組合せを定義することができる。システムは、1つまたは複数のサブシステムを含むことができる。

【0589】

この点、様々な発明概念は、1つ以上のコンピュータまたは他のプロセッサ上で実行されると、上述の様々な実施形態の1つ以上を実施する方法を実行する1つ以上のプログラムがコード化されたコンピュータ可読記憶媒体（または複数のコンピュータ可読記憶媒体）（例えば、コンピュータメモリ、1つ以上のフロッピーディスク、コンパクトディスク、光ディスク、磁気テープ、フラッシュメモリ、フィールド・プログラマブル・ゲート・アレイまたは他の半導体デバイスにおける回路構成、または他の有形コンピュータ記憶媒体）として具現化することができる。

【0590】

コンピュータ可読媒体または媒体は、そこに格納されたプログラムまたはプログラムが、1つまたは複数の異なるコンピュータまたは他のプロセッサにロードされて、上述の態様の様々なものを実装することができるように、搬送可能であってよい。いくつかの実施形態では、コンピュータ可読媒体は、非一時的な媒体であってもよい。

【0591】

「プログラム」または「ソフトウェア」という用語は、本明細書では、コンピュータまたは他のプロセッサをプログラムして上記のような様々な態様を実施するために採用され得る、任意のタイプのコンピュータコードまたはコンピュータ実行可能命令のセットを指す一般的意味で使用される。さらに、一態様によれば、実行されたときに本願の方法を実行する1つまたは複数のコンピュータプログラムは、単一のコンピュータまたはプロセッサ上に存在する必要はなく、本願の様々な態様を実施するために多数の異なるコンピュータまたはプロセッサの間でモジュール方式で分散されてもよいことが理解されるべきである。

【0592】

コンピュータ実行可能な命令は、1つ以上のコンピュータまたは他のデバイスによって実行されるプログラムモジュールなど、多くの形態であってもよい。一般に、プログラムモジュールは、特定のタスクを実行する、又は特定の抽象的なデータ型を実装するルーチン、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。一般に、プログラムモジュールの機能は、様々な実施形態において所望に応じて組み合わせたり、分散させたりすることができる。

【0593】

また、データ構造は、任意の適切な形態でコンピュータ可読媒体に格納されてもよい。図示を簡単にするために、データ構造は、データ構造内の位置を介して関連するフィールドを有するように示されてもよい。そのような関係は、同様に、フィールド間の関係を伝えるコンピュータ可読媒体内の位置を有するフィールドのためのストレージを割り当てることによって達成されてもよい。しかし、データ構造のフィールドの情報間の関係を確立するために、ポインタ、タグ、またはデータ要素間の関係を確立する他の機構の使用など、任意の適切な機構が使用されてもよい。

【0594】

また、説明したように、いくつかの態様は、1つ以上の方法として具現化されてもよい。方法の一部として実行される行為は、任意の適切な方法で順序付けされてもよい。したがって、例示的な実施形態では連続した行為として示されていても、いくつかの行為を同時に行うことを含む、例示とは異なる順序で行為が実行される実施形態が構築されてもよい。

【0595】

したがって、本開示は、上述した特定の実施形態に限定されると考えるべきではない。本開示が適用され得る様々な変更、同等のプロセス、及び多数の構造は、本開示を検討すれば、本開示が向けられる当業者には容易に明らかであろう。

【0596】

本開示の詳細な実施形態が本明細書に開示されているが、開示された実施形態は、様々な形態で具体化され得る本開示の単なる例示に過ぎないことが理解されよう。したがって、本明細書に開示された特定の構造的及び機能的な詳細は、限定的に解釈されるものではなく、単に特許請求の範囲の根拠として、及び当業者が実質的に任意の適切に詳細な構造で本開示を多様に採用することを教示するための代表的な根拠として解釈されるものである。

【0597】

本開示のいくつかの実施形態のみを示し、説明してきたが、以下の請求項に記載される本開示の精神および範囲から逸脱することなく、多くの変更および修正がそれに対してなされ得ることは、当業者には明らかであろう。本明細書で参照されるすべての特許出願および特許（外国および国内の両方）ならびにすべての他の刊行物は、法律で許可される最大限の範囲において、その全体が本明細書に組み込まれる。

【0598】

本明細書に記載された方法及びシステムは、プロセッサ上でコンピュータソフトウェア、プログラムコード、及び／又は命令を実行する機械を通じて、一部又は全部を展開することができる。本開示は、機械上の方法として、機械の一部又は機械に関連するシステム又は装置として、又は機械の1つ又は複数上で実行されるコンピュータ可読媒体に具現化されたコンピュータプログラム製品として実施されてもよい。実施形態において、プロセッサは、サーバ、クラウドサーバ、クライアント、ネットワークインフラ、モバイルコンピューティングプラットフォーム、据置型コンピューティングプラットフォーム、または他のコンピューティングプラットフォームの一部であってよい。プロセッサは、中央処理装置（CPU）、汎用処理装置（GPU）、論理ボード、チップ（例えば、グラフィックチップ、ビデオ処理チップ、データ圧縮チップなど）、チップセット、コントローラ、システムオンチップ（例えば、RFシステムオンチップ、AIシステムオンチップ、映像処理システムオンチップなど）、集積回路、特定用途向け集積回路（ASIC）、フィールドプログラマブルゲートアレイ（FPGA）、近似計算プロセッサ、量子計算プロセッサ、並列計算プロセッサ、ニューラルネットワークプロセッサ、又は他の種類のプロセッサである。プロセッサは、信号プロセッサ、デジタルプロセッサ、データプロセッサ、組み込みプロセッサ、マイクロプロセッサ、または、その上に格納されたプログラムコードまたはプログラム命令の実行を直接的または間接的に促進し得るコプロセッサ（数学コプロセッサ、グラフィックコプロセッサ、通信コプロセッサ、ビデオコプロセッサ、AIコプロセッサなど）等の任意の変種であってもよいし、それを含んでいてもよい。さらに、プロセッサは、複数のプログラム、スレッド、及びコードの実行を可能にしてもよい。スレッドは、プロセッサの性能を向上させ、アプリケーションの同時動作を容易にするために、同時に実行されてもよい。実施態様として、本明細書に記載される方法、プログラムコード、プログラム命令などは、1つまたは複数のスレッドで実装されてもよい。スレッドは、それらに関連する割り当てられた優先順位を有することができる他のスレッドを生成してもよく、プロセッサは、プログラムコードに提供される命令に基づく優先順位または他の任意の順序に基づいてこれらのスレッドを実行してもよい。プロセッサ、または1を利用する任意の機械は、本明細書および他の場所で説明されるような方法、コード、命令およびプログラムを格納する非一時的なメモリを含んでもよい。プロセッサは、本明細書および他の場所で説明されるような方法、コード、および命令を格納することができるインターフェースを介して非一時的な記憶媒体にアクセスしてもよい。コンピューティングまたは処理デバイスによって実行可能な方法、プログラム、コード、プログラム命令または他のタイプの命令を格納するためのプロセッサに関連する記憶媒体は、CD-ROM、DVD、メモリ、ハードディスク、フラッシュドライブ、RAM、ROM、キャッシュ、ネットワーク接続ストレージ、サーバベースストレージなどのうちの1以上を含むことができるが、それだけに限られない可能性がある。

【0599】

プロセッサは、マルチプロセッサの速度および性能を向上させ得る1つまたは複数のコアを含んでもよい。実施形態では、プロセスは、2つ以上の独立したコア（ダイと呼ばれることもある）を組み合わせたデュアルコアプロセッサ、クアッドコアプロセッサ、他のチップレベルマルチプロセッサ等であってもよい。

【0600】

本明細書に記載される方法及びシステムは、サーバ、クライアント、ファイアウォール、ゲートウェイ、ハブ、ルータ、スイッチ、インフラストラクチャ・アズ・ア・サービス、プラットフォーム・アズ・ア・サービス、又は他のそのようなコンピュータ及び／若しくはネットワーキングのハードウェア若しくはシステム上でコンピュータソフトウェアを実行する機械を通して、一部又は全部を配備することができる。ソフトウェアは、ファイルサーバ、プリントサーバ、ドメインサーバ、インターネットサーバ、イントラネットサーバ、クラウドサーバ、インフラストラクチャアズサービスサーバ、プラットフォームアズサービスサーバ、Webサーバ、およびセカンダリサーバ、ホストサーバ、分散サーバ、フェイルオーバーサーバ、バックアップサーバ、サーバファームなどの他の変形を含み得るサーバに関連付けられることがある。サーバは、メモリ、プロセッサ、コンピュータ可読媒体、記憶媒体、ポート（物理および仮想）、通信装置、および有線または無線媒体を通じて他のサーバ、クライアント、マシン、および装置にアクセスすることができるインターフェースのうちの1つ以上を含んでもよい。本明細書等に記載された方法、プログラム、またはコードは、サーバによって実行され得る。さらに、本願に記載されるような方法の実行に必要な他の装置は、サーバに関連するインフラの一部とみなすことができる。

【0601】

サーバは、クライアント、他のサーバ、プリンタ、データベースサーバ、プリントサーバ、ファイルサーバ、通信サーバ、分散サーバ、ソーシャルネットワークなどを含む他の装置へのインタフェースを提供してもよい。さらに、この結合および／または接続は、ネットワークを介したプログラムのリモート実行を促進してもよい。これらのデバイスの一部またはすべてのネットワーク化は、本開示の範囲から逸脱することなく、1つまたは複数の場所でのプログラムまたは方法の並列処理を容易にし得る。さらに、インターフェースを介してサーバに接続された装置のいずれかが、方法、プログラム、コード及び／又は命令を格納することができる少なくとも1つの記憶媒体を含んでもよい。中央リポジトリは、異なるデバイス上で実行されるようにプログラム命令を提供してもよい。この実施態様では、リモートリポジトリは、プログラムコード、命令、及びプログラムのための記憶媒体として機能してもよい。

【0602】

ソフトウェアプログラムは、ファイルクライアント、印刷クライアント、ドメインクライアント、インターネットクライアント、イントラネットクライアント、および二次クライアント、ホストクライアント、分散クライアントなどの他の変形を含むことができるクライアントに関連付けられることがある。クライアントは、メモリ、プロセッサ、コンピュータ可読媒体、記憶媒体、ポート（物理および仮想）、通信装置、および有線または無線媒体を通じて他のクライアント、サーバ、マシン、および装置にアクセスすることができるインターフェースなどのうちの1つまたは複数を含んでもよい。本明細書等に記載された方法、プログラム、またはコードは、クライアントによって実行され得る。さらに、本願に記載されるような方法の実行に必要な他の装置は、クライアントに関連するインフラの一部と考えることができる。

【0603】

クライアントは、サーバ、他のクライアント、プリンタ、データベースサーバ、プリントサーバ、ファイルサーバ、通信サーバ、分散サーバなどを含む他の装置へのインタフェースを提供してもよい。さらに、この結合および／または接続は、ネットワークを介したプログラムのリモート実行を促進してもよい。これらのデバイスの一部またはすべてのネットワーク化は、本開示の範囲から逸脱することなく、1つまたは複数の場所でのプログラムまたは方法の並列処理を容易にすることができる。さらに、インターフェースを介してクライアントに取り付けられる装置のいずれかが、方法、プログラム、アプリケーション、コードおよび／または命令を格納することができる少なくとも1つの記憶媒体を含んでもよい。中央リポジトリは、異なるデバイス上で実行されるプログラム命令を提供してもよい。この実施態様では、リモートリポジトリは、プログラムコード、命令、およびプログラムのための記憶媒体として機能してもよい。

【0604】

本明細書に記載される方法およびシステムは、一部または全体がネットワークインフラを通して展開され得る。ネットワークインフラは、コンピューティングデバイス、サーバ、ルータ、ハブ、ファイアウォール、クライアント、パーソナルコンピュータ、通信デバイス、ルーティングデバイス、及び当該技術分野で知られている他の能動的及び受動的デバイス、モジュール及び／又はコンポーネントなどの要素を含んでもよい。ネットワークインフラに関連するコンピューティング及び／又は非コンピューティングデバイス（複数可）は、他の構成要素とは別に、フラッシュメモリ、バッファ、スタック、RAM、ROM等の記憶媒体を含んでもよい。本明細書および他の場所で説明されるプロセス、方法、プログラムコード、命令は、ネットワークインフラストラクチャー要素の1つまたは複数によって実行されてもよい。本明細書に記載された方法及びシステムは、サービスとしてのソフトウェア（SaaS）、サービスとしてのプラットフォーム（PaaS）、及び／又はサービスとしてのインフラストラクチャ（IaaS）の特徴を伴うものを含む、任意の種類のプライベート、コミュニティ、又はハイブリッドクラウドコンピューティングネットワーク又はクラウドコンピューティング環境での使用に適合され得る。

【0605】

本明細書および他の場所で説明される方法、プログラムコード、および命令は、複数のセルを有するセルラーネットワークで実施されてもよい。セルラーネットワークは、周波数分割多重アクセス（FDMA）ネットワークまたは符号分割多重アクセス（CDMA）ネットワークのいずれかであってよい。セルラーネットワークは、モバイルデバイス、セルサイト、基地局、リピータ、アンテナ、タワーなどを含んでもよい。セルラーネットワークは、GSM、GPRS、3G、4G、5G、LTE、EVDO、メッシュ、または他のネットワークタイプであってもよい。

【0606】

本明細書および他の場所で説明される方法、プログラムコード、および命令は、モバイルデバイス上で、またはモバイルデバイスを通して実施されてもよい。モバイルデバイスは、ナビゲーションデバイス、携帯電話、モバイルパーソナルデジタルアシスタント、ラップトップ、パームトップ、ネットブック、ポケットベル、電子ブックリーダー、音楽プレーヤーなどを含んでもよい。これらの装置は、他の構成要素とは別に、フラッシュメモリ、バッファ、RAM、ROMなどの記憶媒体、及び1つ以上のコンピューティングデバイスを含んでもよい。モバイルデバイスに関連するコンピューティングデバイスは、そこに格納されたプログラムコード、方法、および命令を実行することが可能であってもよい。あるいは、モバイルデバイスは、他のデバイスと協働して命令を実行するように構成されてもよい。モバイルデバイスは、サーバとインターフェース接続され、プログラムコードを実行するように構成された基地局と通信してもよい。モバイルデバイスは、ピアツーピアネットワーク、メッシュネットワーク、または他の通信ネットワーク上で通信してもよい。プログラムコードは、サーバに関連付けられた記憶媒体に格納され、サーバ内に組み込まれたコンピューティングデバイスによって実行されてもよい。基地局は、コンピューティングデバイスと記憶媒体とを含んでもよい。記憶媒体は、プログラムコードと、基地局に関連するコンピューティングデバイスによって実行される命令とを記憶してもよい。

【0607】

コンピュータソフトウェア、プログラムコード、および／または命令は、以下を含む機械可読媒体に格納および／またはアクセスすることができる：コンピュータコンポーネント、デバイス、およびコンピューティングに使用されるデジタルデータをある間隔の間保持する記録媒体；ランダムアクセスメモリ（RAM）として知られる半導体ストレージ；光ディスク、ハードディスク、テープ、ドラム、カードなどの磁気ストレージの形態などの、より永久保存用の通常マスストレージ；プロセッサレジスタ、キャッシュメータ、揮発メモリ、不揮発メモリ；CD、DVDなどの光学ストレージ；フラッシュメモリ（例えば、USBスティックやキー）、フロッピーディスク、磁気テープ、紙テープ、パンチカード、スタンドアロンRAMディスク、Zipドライブ、リムーバブルマスストレージ、オフラインなどのリムーバブルメディア；ダイナミックメモリ、スタティックメモリ、リード／ライトストレージ、ミュータブルストレージ、読み取り専用、ランダムアクセス、順次アクセス、ロケーションアドレス可能、ファイルアドレス可能、コンテンツアドレス可能、ネットワーク接続ストレージ、ストレージエリアネットワーク、バーコード、磁気インク、ネットワーク接続ストレージ、ネットワークストレージ、NVMEアクセスストレージ、PCIE接続ストレージ、分散ストレージ、など他のコンピュータメモリなどである。

【0608】

本明細書に記載される方法及びシステムは、物理的及び／又は無形のアイテムをある状態から別の状態に変換し得る。本明細書に記載される方法およびシステムはまた、物理的および／または無形のアイテムを表すデータをある状態から別の状態に変換してもよい。

【0609】

図中のフローチャートおよびブロック図を含め、本明細書で説明および描写される要素は、要素間の論理的な境界を意味するものである。しかしながら、ソフトウェアまたはハードウェア工学の実践に従って、描かれた要素およびその機能は、モノリシックソフトウェア構造として、スタンドアロンソフトウェアモジュールとして、または外部ルーチン、コード、サービスなどを採用するモジュールとして、またはこれらの任意の組み合わせとして、そこに格納されたプログラム命令を実行できるプロセッサを用いてコンピュータ実行コードを通じて機械に実装されてよく、そのような実装のすべてが本開示の範囲内にある可能性がある。このような機械の例としては、パーソナルデジタルアシスタント、ラップトップ、パーソナルコンピュータ、携帯電話、他の携帯コンピューティングデバイス、医療機器、有線または無線通信デバイス、トランスデューサ、チップ、電卓、衛星、タブレットPC、電子書籍、ガジェット、電子装置、デバイス、人工知能、コンピューティングデバイス、ネットワーク機器、サーバ、ルータなどが挙げられ得るが、それらに限られるわけではない。さらに、フローチャートやブロック図に描かれた要素、またはその他の論理的構成要素は、プログラム命令を実行可能な機械で実装することができる。したがって、前述の図面および説明は、開示されたシステムの機能的側面を示しているが、これらの機能的側面を実装するためのソフトウェアの特定の配置は、明示的に記載されているか、または文脈から明らかでない限り、これらの説明から推論されるべきではない。同様に、上記で特定され、説明された様々なステップは、変化させてもよく、ステップの順序は、本明細書に開示された技術の特定の用途に適合させてもよいことが理解されるであろう。全てのそのような変形及び修正は、本開示の範囲内に入ることが意図されている。そのため、様々なステップに対する順序の描写及び／又は説明は、特定の用途によって要求されない限り、又は明示的に記載されるか、又は文脈から明らかでない限り、それらのステップに対する特定の実行順序を要求すると理解すべきではない。

【0610】

上述した方法及び／又はプロセス、並びにそれに関連するステップは、ハードウェア、ソフトウェア、又は特定の用途に適したハードウェアとソフトウェアとの任意の組み合わせで実現されてもよい。ハードウェアは、汎用コンピュータ及び／又は専用コンピューティングデバイス又は特定のコンピューティングデバイス又は特定のコンピューティングデバイスの特定の態様又はコンポーネントを含んでもよい。プロセスは、内部及び／又は外部メモリと共に、1つ又は複数のマイクロプロセッサ、マイクロコントローラ、組み込みマイクロコントローラ、プログラム可能なデジタル信号プロセッサ又は他のプログラム可能なデバイスにおいて実現されてもよい。プロセスはまた、またはその代わりに、特定用途向け集積回路、プログラマブルゲートアレイ、プログラマブルアレイロジック、または電子信号を処理するように構成され得る任意の他のデバイスまたはデバイスの組み合わせにおいて具現化され得る。さらに、プロセスの1つ以上は、機械可読媒体上で実行可能なコンピュータ実行可能コードとして実現されてもよいことが理解されよう。

【0611】

コンピュータ実行可能コードは、Cなどの構造化プログラミング言語、C++などのオブジェクト指向プログラミング言語、または他の高位または低位プログラミング言語（アセンブリ言語、ハードウェア記述言語、データベースプログラミング言語および技術を含む）を使用して作成されてもよく、上記の装置の1つ、ならびにプロセッサ、プロセッサアーキテクチャ、または異なるハードウェアとソフトウェアの異種組み合わせ、またはプログラム命令を実行できる他の機械上で実行するために格納、コンパイル、または解釈されてもよい。コンピュータソフトウェアは、仮想化、仮想マシン、コンテナ、ドック施設、ポーテナー、および他の機能を採用してもよい。

【0612】

したがって、1つの態様において、上述の方法およびその組み合わせは、1つまたは複数のコンピューティングデバイス上で実行されるとき、そのステップを実行するコンピュータ実行可能コードで具現化されてもよい。別の態様では、方法は、そのステップを実行するシステムで具現化されてもよく、多くの方法でデバイス間に分散されてもよく、または機能のすべてが、専用のスタンドアロンデバイスまたは他のハードウェアに統合されてもよい。別の態様では、上述のプロセスに関連するステップを実行するための手段は、上述のハードウェアおよび／またはソフトウェアのいずれかを含んでもよい。そのようなすべての順列および組み合わせは、本開示の範囲に入ることが意図されている。

【0613】

本開示は、詳細に示され説明された好ましい実施形態に関連して開示されているが、それに対する様々な変更および改良は、当業者にとって容易に明らかになるであろう。したがって、本開示の精神および範囲は、前述の例によって限定されるものではなく、法律で許容される最も広い意味で理解されるものである。

【0614】

本開示を説明する文脈における（特に以下の請求項の文脈における）用語「a」及び「an」及び「the」並びに同様の参照語の使用は、本明細書において別途示されるか又は文脈によって明らかに矛盾しない限り、単数と複数の両方をカバーするように解釈されるものとする。用語「からなる」、「有する」、「含む」、及び「含む」は、特に断らない限り、オープンエンド用語（すなわち、「含むが、これに限定されない」という意味）として解釈されるものとする。本明細書における値の範囲の叙述は、本明細書に特に示されない限り、範囲内に入る各別の値を個別に参照するための略記法として役立つことを単に意図しており、各別の値は、本明細書に個別に叙述されているかのように本明細書に組み込まれる。本明細書に記載される全ての方法は、本明細書に別途示されない限り、または文脈によって明らかに矛盾しない限り、任意の適切な順序で実行することができる。本明細書で提供される任意の及び全ての例、又は例示的な言語（例えば、「など」）の使用は、単に本開示をより良く照らすことを意図しており、特に主張しない限り本開示の範囲に制限を与えるものではない。用語「セット」は、単一の部材を有するセットを含むことができる。本明細書におけるいかなる文言も、請求されていない要素を本開示の実施に不可欠であると示すものとして解釈されるべきではない。

【0615】

前述の書面の説明により、当業者は、現在その最良の態様と考えられるものを製造し使用することができるが、当業者は、本明細書における特定の実施形態、方法、及び例の変形、組み合わせ、及び等価物の存在を理解し理解することができるであろう。したがって、本開示は、上述した実施形態、方法、及び例によって限定されるべきではなく、本開示の範囲及び精神の範囲内の全ての実施形態及び方法によって限定されるべきである。

【0616】

本書で参照されるすべての文書は、参照することにより、本書に完全に記載されているかのように本書に組み込まれる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図26A】

【図27】

【図28】

【図29】

【図30】

【図31】

【図32】

【図33】

【図34】

【図35】

【図36】

【図37】

【図38】

【図39】

【図40】

【図41】

【図42】

【図43】

【図44】

【図45】

【図46】

【図47】

【図48】

【図49】

【図50】

【図51】

【図52】

【図53】

【図54】

【図55】

【図56】

【図57】

【図58】

【図59】

【図60】

【図61】

【図62】

【図63】

【図64】

【図65】

【図66】

【図67】

【図68】

【図69】

【図70】

【図71】

【図72】

【図73】

【図74】

【国際調査報告】