特表 2024-509498 データ処理システムによって車両を分類するための方法およびシステム

(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】2024-03-04

(54)【発明の名称】データ処理システムによって車両を分類するための方法およびシステム

(51)【国際特許分類】

   G08G 1/00 20060101AFI20240226BHJP

   G16Y 10/40 20200101ALI20240226BHJP

   G16Y 20/20 20200101ALI20240226BHJP

   G16Y 40/20 20200101ALI20240226BHJP

【ＦＩ】

G08G1/00 D

G16Y10/40

G16Y20/20

G16Y40/20

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023542760

(86)(22)【出願日】2021-04-30

(85)【翻訳文提出日】2023-07-13

(86)【国際出願番号】 EP2021061378

(87)【国際公開番号】W WO2022189004

(87)【国際公開日】2022-09-15

(31)【優先権主張番号】21161805.3

(32)【優先日】2021-03-10

(33)【優先権主張国・地域又は機関】EP

(81)【指定国・地域】

(71)【出願人】

【識別番号】517451940

【氏名又は名称】エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】アントニオ・アルバネセ

(72)【発明者】

【氏名】ヴィンチェンツォ・シャンカレポーレ

(72)【発明者】

【氏名】シャビエル・コスタ－ペレス

【テーマコード（参考）】

5H181

【Ｆターム（参考）】

5H181AA01

5H181BB04

5H181BB20

5H181CC03

5H181CC04

5H181CC12

5H181CC14

5H181CC27

5H181EE02

5H181FF04

5H181FF13

5H181FF27

5H181FF32

5H181LL09

5H181MC04

5H181MC27

(57)【要約】

簡単な手段によって車両の効率的かつ信頼性の高い分類を提供するために、データ処理システムによって車両を分類するための、特に車両の運転者の性質に従って車両を分類するための方法が提供され、方法は、以下のステップ、事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを収集するステップと、前記運転データから前記ローカルエリア内の1つまたは複数の車両の運転ポリシーを学習するステップと、定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子を生成または使用するステップと、少なくとも1つの複合予測子を提供するために、ローカル予測子を前記ローカルエリア内の他の車両と共有するステップと、少なくとも1つの複合予測子を前記ローカルエリア内の車両に再分配するステップと、少なくとも1つのローカル分類を提供するために、少なくとも1つの複合予測子および/またはローカル予測子に基づいて、前記車両のうちの少なくとも1つを、定義可能な車両クラスにローカルに分類するステップとを含む。さらに、データ処理システムによって車両を分類するための対応するシステムが提供される。

【特許請求の範囲】

【請求項1】

データ処理システムによって車両を分類するための、特に車両の運転者の性質に従って車両を分類するための方法であって、
- 事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを収集するステップと、
- 前記運転データから前記ローカルエリア内の1つまたは複数の車両の運転ポリシーを学習するステップと、
- 定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子を生成または使用するステップと、
- 少なくとも1つの複合予測子を提供するために、前記ローカル予測子を前記ローカルエリア内の他の車両と共有するステップと、
- 前記少なくとも1つの複合予測子を前記ローカルエリア内の車両に再分配するステップと、
- 少なくとも1つのローカル分類を提供するために、前記少なくとも1つの複合予測子および/または前記ローカル予測子に基づいて、前記車両のうちの少なくとも1つを、定義可能な車両クラスにローカルに分類するステップと
を含む、方法。

【請求項2】

前記車両クラスが、車両が自律的に運転されているか、人間によって運転されているかの情報を提供する、請求項1に記載の方法。

【請求項3】

前記運転データが、1つまたは複数の車両、好ましくは、前記事前定義されたローカルエリア内の1つもしくは複数の車両の少なくとも1つのセンサもしくはオンボードセンサから、および/または少なくとも1つの道路もしくは環境インフラストラクチャのセンサから収集される、請求項1または2に記載の方法。

【請求項4】

前記運転データが、抽象データ特徴および/または合成データ特徴を含む、請求項1から3のいずれか一項に記載の方法。

【請求項5】

前記学習ステップ中に、車両または自律車両の独自の実装が保存される、請求項1から4のいずれか一項に記載の方法。

【請求項6】

前記分類ステップが、より高いまたは最も高い精度スコアを提供する前記予測子に基づく、請求項1から5のいずれか一項に記載の方法。

【請求項7】

ローカル分類が、好ましくはそれらを組み合わせるために、他の車両と共有される、請求項1から6のいずれか一項に記載の方法。

【請求項8】

ローカル分類に関連する信頼推定値が、好ましくはそれらを組み合わせるために、他の車両と共有される、請求項1から7のいずれか一項に記載の方法。

【請求項9】

前記車両のうちの1つまたは複数、すなわち1つまたは複数の対象車両が、好ましくはすべてのローカル分類および/またはそれらの関連する信頼推定値の出力を組み合わせることによって、グローバルに分類される、請求項1から8のいずれか一項に記載の方法。

【請求項10】

少なくとも1つの分類出力が、交通当局システムに送信される、請求項1から9のいずれか一項に記載の方法。

【請求項11】

前記方法が、1つもしくは複数の車両において、および/または1つもしくは複数の外部データ処理システムもしくはエッジデータ処理システムにおいて実行される、請求項1から10のいずれか一項に記載の方法。

【請求項12】

前記方法が、好ましくは、エッジコンピューティングサーバを有するエッジコンピューティングECネットワークにおいて、機械学習手法として実行される、請求項1から11のいずれか一項に記載の方法。

【請求項13】

前記方法が、直接リンクを介して、クラウドバックエンドを介して、および/またはコネクテッド協調型自動運転プラットホームCCAMを介して通信する、コンピューティングサーバ、好ましくは、エッジコンピューティングサーバを用いて実行される、請求項1から12のいずれか一項に記載の方法。

【請求項14】

前記方法において、前記車両が、ニューラルネットワークをトレーニングし、割り当てられたサーバまたはエッジコンピューティングサーバ上の重みを更新する、請求項1から13の方法。

【請求項15】

データ処理システムによって車両を分類するための、特に、車両の運転者の性質に従って車両を分類するため、好ましくは、請求項1から14のいずれか一項に記載の方法を実行するためのシステムであって、
- 事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを収集するための収集手段と、
- 前記運転データから前記ローカルエリア内の1つまたは複数の車両の運転ポリシーを学習するための学習手段と、
- 定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子を生成または使用するための生成または使用手段と、
- 少なくとも1つの複合予測子を提供するために、前記ローカル予測子を前記ローカルエリア内の他の車両と共有するための共有手段と、
- 前記少なくとも1つの複合予測子を前記ローカルエリア内の車両に再分配するための再分配手段と、
- 少なくとも1つのローカル分類を提供するために、前記少なくとも1つの複合予測子および/または前記ローカル予測子に基づいて、前記車両のうちの少なくとも1つを、定義可能な車両クラスにローカルに分類するための分類手段と
を備える、
システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、データ処理システムによって車両を分類するための方法およびシステムに関する。

【背景技術】

【0002】

そのような方法およびシステムは、従来技術から知られ、対応する従来技術文献は、以下のように列挙される。
[1] D. Petrovic、R. Mijailovic、D. Pesic、"Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles' Drivers"、Elsevier Transportation Research Procedia、vol. 45、161～168頁、2020年
[2] Katherine Shaver、"Why your favorite bench might be there to thwart a terrorist attack"、The Washington Post、2018年8月、[オンライン]、2021年2月22日にアクセスされるhttps://www.washingtonpost.com/local/trafficandcommuting/why-your- favorite-bench-might-be-there-to-thwart-a-terrorist- attack/2018/08/27/28a863fc-9b49-11e8-b60b-1c897f17e185_story.htmlにおいて利用可能
[3] L. Zanzi、A. Albanese、V. Sciancalepore、およびX. Costa-Perez、"NSBchain: A Secure Blockchain Framework for Network Slicing Brokerage"、ICC 2020～2020 IEEE International Conference on Communications、ICC、アイルランド、ダブリン、2020年、1～7頁、doi: 10.1109/ICC40277.2020.9149414.
[4] G. De Angelis、A. De Angelis、V. Pasku、A. Moschitta、およびP. Carbone、"A simple magnetic signature vehicles detection and classification system for Smart Cities"、2016 IEEE International Symposium on Systems Engineering、/SSE、エディンバラ、2016年、1～6頁、doi: 10.1109/SysEng.2016.7753170.
[5] T. Moranduzzo、およびF. Melgani、"Automatic Car Counting Method for Unmanned Aerial Vehicle Images"、in IEEE Transactions on Geoscience and Remote Sensing、vol. 52、no. 3、1635～1647頁、2014年3月、doi: 10.1109/TGRS.2013.2253108.
[6] Jiajun Zhu、David I. Ferguson、およびDmitri A. Dolgov、"System and method for predicting behaviors of detected objects through environment representation"、2014年2月に付与された米国特許第10564639B1号
[7] Dougherty、John Anthony、Jordan Scott Burklund、Kristen Wagner Cerase、Stephen Marc Chaves、Ross Eric Kessler、Paul Daniel Martin、Daniel Warren Mellinger III、およびMichael Joshua Shomin、"Methods And Systems For Managing Interactions Between Vehicles With Varying Levels Of Autonomy"、2020年7月2日に出願した米国特許出願第16/727,179A号

【0003】

ここ数年、自律運転のトレンドについて甚だしい誇大広告が見られてきた。自動車メーカーが、乗員の安全性と快適性とを改善するために、自動運転SAE level3+システムを開発している中、公共または非公共の交通規制当局であるTRは、自律運転車両と人間が運転する車両との間の共存を円滑にする新しい手順を確立する必要がある。例えば、歩行者の近くでの自律車両AVのより高い警戒は、歩行者に先行権を与えるために停止した後に、AVが後ろから追突される事故の主な原因を表す([1]参照)。

【0004】

現代の都市建築は、テロの脅威に対抗するために進化している。ボラードまたはコンクリート障壁を配備する代わりに、歩道および広場は、テロリストの車両の体当たり攻撃を阻止することを可能にしながら、その快適性を維持するために大規模な再設計プロセスを経ている([2]参照)。その上、リスクの高い市街地、例えば、特定の観光旅行の関心の中心領域は、AVのみに制限される場合があり、したがって、間違った車両にアクセスを許可することは、そのような保護解決策の目的を無効にするので、車両を識別および分類する信頼できるシステムが必要である。

【0005】

関連作業
道路システムの観点から、新たなセキュリティ問題の出現、すなわち、AVの制御ユニットの偶然または悪意による改ざんによるAVの不具合の発生を目の当たりにしている。そのような不具合は、車両によって示される運転者の性質と、実際の運転者の性質の間の不一致を結果として生じる場合がある。現在、アイデンティティ管理の信頼性を改善するためのいくつかの技術的解決策、例えば、上記のすべての当事者が関与するブロックチェーン、または車両側における信頼できる実行環境TEE(Trusted Execution Environments)の利用が、利用可能である([3]参照)。しかしながら、このシナリオは、交通規制当局TRが、道路管理エンティティへのアナウンスにもかかわらず、道路上を循環する車両の性質を調査する、検証または反証することができるバックアップ解決策を必要とするほど重大である。

【0006】

車両の検出および追跡を含む自動交通監視は、過去数十年において広く研究されてきた。いくつかの文献は、特定のエリアを通過する車の流れを評価し、その電磁フィンガープリント署名を以前に記録された参照と比較することによって車両モデルを決定するようにパッシブシステムを設計するために、道路インフラストラクチャに組み込まれたセンサ、例えば、埋設誘導ループを利用する([4]参照)。別の一般的な手法は、道路インフラストラクチャに向けられた固定カメラ、エリア上でホバリングしている無人航空機UAV(Unmanned Aerial Vehicle)、またはさらには静止衛星から来る画像によって生成された映像に対してコンピュータビジョンアルゴリズムを使用することである([5]参照)。

【0007】

しかしながら、これらの方法のいずれも、AVまたは人間が運転する車間を区別することに適用することができず、これは、本発明によって対処される未解決の問題を構成する。その理由は、2つのクラスが孤立した散発的な交通イベント内でのみ大きな違いを示す一方、それらの従来の、例えば、2車線道路上の直線の中央線に従うマクロな移動パターンでは、非常に類似しているという事実に基づいている。したがって、分類子は、この種のイベントを捕捉するために、大きい十分な時間窓にわたって対象車両を観察する必要がある。特に、最先端の解決策は、道路脇のカメラまたは人工衛星の場合にはそのような動きを捕捉するには遅すぎる固定された画像に基づき、または非現実的で、いくつかの効率性の懸念を引き起こすバッテリ駆動のUAVによって生成される画像に基づく。さらに、誘導ループまたはカメラなどの固定道路センサによって生成されたデータを統合することは、その移動軌跡に沿った対象車両を追跡するための実行可能なオプションであるが、高密度のセンサ配置を必要とし、交通量の少ないエリア、例えば、田舎では経済的ではない。

【0008】

[6]の著者は、環境内の物体の軌跡を予測する方法を想定することによって、この方向における一歩を踏み出した。AVは、物体の分類および状態情報、すなわち、位置、検出された物体が移動している車線、速さ、加速度、道路への進入、道路からの退出、ヘッドライトの点灯、テールランプの点灯、またはウインカーの点灯を決定する。しかしながら、外部環境の特徴は、物体の状態の一部ではないので、物体と環境との間の関係は、考慮されない。

【0009】

さらに、[6]は、自律車両を制御する方法、すなわち、識別された車両の各々の決定された自律能力メトリックに基づいて、自律車両の運転パラメータを調整する方法を想定している。この目的のため、AVは、1つまたは複数の車でクラスタを形成し、車両間V2V(Vehicle-to-Vehicle)通信を介して、様々な情報、例えば、自律性のレベルまたは速さを共有することができる。システムは、その外部もしくは非外部ハードウェア機器、またはその運転挙動の観察を通じて、対象の自律運転能力を予測する。これは、車両の動作の規則性、近くの車両が走行車線の中心を辿る程度、単位時間あたりの運転ミスの数、地域の道路および安全ルールの遵守、自律車両の反応時間、またはその応答性などの特徴のセットをチェックすることによって実行される。しかしながら、提案されたシステムは、固定数のテスト特徴を含み、これらは、必ずしも対象の運転挙動の複雑さを捕捉していない。

【0010】

さらに、従来技術の参考文献の米国特許第2020/0207360A1号は、対象車両の自律能力メトリックACM(autonomous capability metric)を決定する方法を開示しており、これは、車両内に存在する様々なセンサ、例えば、カメラ、レーダ、LIDARなどからデータを収集する車両自律運転システムVADS(vehicle autonomous driving system)構成要素の助けを借りて、車両が完全自律モード、半自律モード、または手動モードのいずれかであるかなど、対象車両の自律性のレベルを決定することを含む。自律車両は、1つまたは複数の車でクラスタまたはキャラバンを形成し、自律性のレベル、速さ、速度などの様々な情報をキャラバン内の他の車と共有する。VADS構成要素は、様々な機械学習技法またはいくつかの予測方法の助けを借りて、対象車両の自律性のレベルを検出するように構成されてもよい。VADS構成要素は、対象車両の決定された自律性のレベルをより正確に反映するために、他の車両の挙動モデルを調整または修正してもよい。

【0011】

さらに、従来技術の文献の米国特許第8660734B2号は、様々なタイプのセンサの助けを借りて外部物体を検出する方法を開示している。次いで、プロセッサは、データを分析し、対象車両の分類および状態を決定する。対象物体の状態は、位置、物体が移動している車線、速さ、加速度、道路への進入、道路からの退出、ヘッドライトの点灯、テールランプの点灯、またはウインカーの点灯の助けを借りて決定することができ、この情報は、対象物体の分類に使用することもできる。これらの観察および分類は、様々なタイプの機械学習技法の助けを借りて達成することができる。対象車両の分類および状態は、車のグループが接続された中央サーバとみなすことができるサーバを介して、他の隣接車両に共有することができる。

【先行技術文献】

【特許文献】

【0012】

【特許文献1】米国特許第10564639B1号

【特許文献2】米国特許出願第16/727,179A号

【特許文献3】米国特許第2020/0207360A1号

【特許文献4】米国特許第8660734B2号

【非特許文献】

【0013】

【非特許文献1】D. Petrovic、R. Mijailovic、D. Pesic、"Traffic Accidents with Autonomous Vehicles: Type of Collisions, Manoeuvres and Errors of Conventional Vehicles' Drivers"、Elsevier Transportation Research Procedia、vol. 45、161～168頁、2020年

【非特許文献2】Katherine Shaver、"Why your favorite bench might be there to thwart a terrorist attack"、The Washington Post、2018年8月

【非特許文献3】L. Zanzi、A. Albanese、V. Sciancalepore、およびX. Costa-Perez、"NSBchain: A Secure Blockchain Framework for Network Slicing Brokerage"、ICC 2020～2020 IEEE International Conference on Communications、ICC、アイルランド、ダブリン、2020年、1～7頁、doi: 10.1109/ICC40277.2020.9149414.

【非特許文献4】G. De Angelis、A. De Angelis、V. Pasku、A. Moschitta、およびP. Carbone、"A simple magnetic signature vehicles detection and classification system for Smart Cities"、2016 IEEE International Symposium on Systems Engineering、/SSE、エディンバラ、2016年、1～6頁、doi: 10.1109/SysEng.2016.7753170.

【非特許文献5】T. Moranduzzo、およびF. Melgani、"Automatic Car Counting Method for Unmanned Aerial Vehicle Images"、in IEEE Transactions on Geoscience and Remote Sensing、vol. 52、no. 3、1635～1647頁、2014年3月、doi: 10.1109/TGRS.2013.2253108.

【発明の概要】

【発明が解決しようとする課題】

【0014】

数十年にわたって開発および配備されてきた交通監視解決策は、次に来るAV交通に適していない。人間が運転する車両と自律車両との間の相互作用を規制する明確な政策はまだ存在しないが、交通規制当局は、車両の運転者の性質を高い信頼性で独立に判断することが必須である。

【0015】

本発明の目的は、簡単な方法で車両の効率的かつ信頼性の高い分類を提供するためのデータ処理システムによって車両を分類するための方法およびシステムを改善し、さらに開発することである。

【課題を解決するための手段】

【0016】

本発明によれば、前述の目的は、データ処理システムによって車両を分類するための、特に車両の運転者の性質に従って車両を分類するための方法によって達成され、方法は、以下のステップ、
- 事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを収集するステップと、
- 前記運転データから前記ローカルエリア内の1つまたは複数の車両の運転ポリシーを学習するステップと、
- 定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子を生成または使用するステップと、
- 少なくとも1つの複合予測子を提供するために、ローカル予測子を前記ローカルエリア内の他の車両と共有するステップと、
- 少なくとも1つの複合予測子を前記ローカルエリア内の車両に再分配するステップと、
- 少なくとも1つのローカル分類を提供するために、少なくとも1つの複合予測子および/またはローカル予測子に基づいて、前記車両のうちの少なくとも1つを、定義可能な車両クラスにローカルに分類するステップと
を含む。

【0017】

さらに、前述の目的は、データ処理システムによって車両を分類するための、特に車両の運転者の性質に従って車両を分類するためのシステムによって達成され、システムは、
- 事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを収集するための収集手段と、
- 前記運転データから前記ローカルエリア内の1つまたは複数の車両の運転ポリシーを学習するための学習手段と、
- 定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子を生成または使用するための生成または使用手段と、
- 少なくとも1つの複合予測子を提供するために、ローカル予測子を前記ローカルエリア内の他の車両と共有するための共有手段と、
- 少なくとも1つの複合予測子を前記ローカルエリア内の車両に再分配するための再分配手段と、
- 少なくとも1つのローカル分類を提供するために、少なくとも1つの複合予測子および/またはローカル予測子に基づいて、前記車両のうちの少なくとも1つを、定義可能な車両クラスにローカルに分類するための分類手段と
を備える。

【0018】

本発明によれば、事前定義された時間窓内に、事前定義されたローカルエリア内を走行する車両に関する運転データを利用するローカル手法によって、非常に効率的で信頼性の高い方法を提供することができることが認識された。さらに、前記ローカルエリア内の1つまたは複数の車両の運転ポリシーが、前記運転データから学習される。それに加えて、この方法では、定義可能な時間範囲にわたる定義可能な運転者の挙動の予測を示すローカル予測子が生成または使用される。次いで、ローカル予測子は、よりよい精度のための少なくとも1つの複合予測子を提供するために、前記ローカルエリア内の他の車両と共有される。前記ローカルエリア内の車両への少なくとも1つの複合予測子の再分配後、前記車両のうちの少なくとも1つは、少なくとも1つのローカル分類を提供するために、少なくとも1つの複合予測子および/またはローカル予測子に基づいて、定義可能な車両クラスにローカルに分類される。少なくとも1つの複合予測子および/またはローカル予測子の使用は、前記車両のうちの少なくとも1つの分類において高い精度を提供する。提案する方法およびシステムは、検出および分類プロセスにおける高い精度と、低い複雑性とを提供する。

【0019】

したがって、本発明に基づいて、簡単な手段による車両の効率的で信頼性の高い分類が提供される。

【0020】

本発明の一実施形態によれば、車両クラスは、車両が自律的に運転されているか、人間によって運転されているかの情報を提供することができる。車両の運転者の性質に関するこの情報は、交通規制における多くのセキュリティ問題および保護解決策にとって非常に重要である。

【0021】

さらなる実施形態では、運転データは、1つまたは複数の車両、好ましくは、事前定義されたローカルエリア内の1つもしくは複数の車両の少なくとも1つのセンサもしくはオンボードセンサから、および/または少なくとも1つの道路もしくは環境インフラストラクチャのセンサから収集することができる。このことにより、1つまたは複数の適切なセンサを、車載、対象車両以外の車両内、および/または車両の外部に設けることができることが強調されよう。代替的または追加的に、必要な運転データの提供のために、道路または環境インフラストラクチャセンサを使用することができる。

【0022】

さらなる実施形態において、運転データは、抽象データ特徴および/または合成データ特徴を含むことができる。個々の応用状況に応じて、本発明の実施形態内ですべての種類の適切なデータを使用することができる。

【0023】

さらなる実施形態によれば、学習ステップ中に、車両または自律車両の独自の実装を保存することができる。独自の実装における修正または変更は、必要ない。

【0024】

さらなる実施形態において、ローカル予測子は、方法の個々の応用状況に適合された、ローカルに適合された予測子として提供することができる。2つ以上の予測子の生成または使用が可能である。一般に、1つまたは複数の予測子を、2つの分類クラスまたは車両クラスに合わせることができる。

【0025】

さらなる実施形態によれば、分類ステップは、より高いまたは最も高い精度スコアを提供する予測子に基づくことができる。これは、非常に正確な分類を提供する。

【0026】

さらなる実施形態では、分類のさらに強化された精度を提供するために、ローカル分類を、好ましくはそれらを組み合わせるために、他の車両と共有することができる。これは、方法のより高い精度も提供する。

【0027】

さらなる実施形態において、ローカル分類に関連する信頼推定値を、好ましくはそれらを組み合わせるために、他の車両と共有することができる。これは、方法のより高い精度も提供する。

【0028】

さらなる実施形態によれば、前記車両のうちの1つまたは複数、すなわち1つまたは複数の対象車両を、好ましくはすべてのローカル分類および/またはそれらの関連する信頼推定値の出力を組み合わせることによって、グローバルに分類することができる。この特徴は、車両の非常に正確で信頼度の高い分類を提供する。

【0029】

さらなる実施形態では、少なくとも1つの分類出力を交通当局システムに送信することができる。これは、例えば、車両のタイプに基づく適切な自動制御ポリシーの非常に信頼度の高い強制を提供する。

【0030】

さらなる実施形態において、方法は、1つもしくは複数の車両において、および/または1つもしくは複数の外部データ処理システムもしくはエッジデータ処理システムにおいて実行することができる。方法は、自律車両および/または人間が運転する車両において実行することができる。また、対応するシステムは、自律車両および/または人間が運転する車両上に設けることができる。代替的または追加的に、方法のセクション、ならびに/またはシステムおよび/もしくはデータ処理システムの構成要素は、ネットワークエッジにおいて実行することができ、運転データを供給されることが可能である。

【0031】

さらなる実施形態によれば、方法は、好ましくは、エッジコンピューティングサーバを有するエッジコンピューティングEC(edge computing)ネットワークにおいて、機械学習手法として実行することができる。方法およびシステムのそのような実現は、個々の応用状況に依存する可能性がある。機械学習手法は、車両の非常に効率的で信頼度の高い分類を提供し、交通状況の変化による方法の永続的かつ継続的な更新が可能である。

【0032】

さらなる実施形態において、方法は、直接リンクを介して、クラウドバックエンドを介して、および/またはコネクテッド協調型自動運転プラットホームCCAM(connected, cooperative automated mobility)を介して通信する、コンピューティングサーバ、好ましくは、エッジコンピューティングサーバを用いて実行することができる。通信のタイプは、車両の分類における精度を最適化するために選択することができる。

【0033】

さらなる実施形態によれば、方法において、車両は、ニューラルネットワークをトレーニングし、割り当てられたサーバまたはエッジコンピューティングサーバ上の重みを更新することができる。ネットワーク内のグローバルモデルを更新するために、サーバによって提供されるネットワーク間の分散学習メカニズムを導入することができる。

【0034】

本発明の実施形態の利点および態様を以下に列挙する。

【0035】

本発明の実施形態によれば、自律車両は、運転特徴を予測し、それぞれの予測スコアに基づいてそれらを分類することによって検出することができる。

【0036】

さらなる実施形態において、分類出力は、車両のタイプに基づいて適切な自動制御ポリシーを強制するために、交通当局システムに送信することができる。

【0037】

本発明の範囲内で、車両が自律的に運転されているかまたは人間によって運転されているかを自動的に検出するための方法を提供することができる。そのような方法は、以下のステップのうちの1つまたは複数を含むことができる。
1)ある時間窓において収集された抽象データ特徴および/または運転データに従って自律車両の運転ポリシーを学習し、それによって自律車両または運転ユニットの独自の実装を保存する。
2)車両によって提供される車両プール内の少なくとも1つまたは複数のローカル予測を、よりよい精度のためにそれらを組み合わせるために、共有する。
3)組み合わされた、潜在的によりよい予測子を、車両プール内の車両に再分配する。
4)より高い精度スコアを提供する予測子に基づいて、対象車両をローカルに分類する。
5)車両プール内のローカル分類および/または関連する信頼推定値を、よりよい精度のためにそれらを組み合わせるために、共有する。
6)車両プール内のすべてのローカル分類出力および/またはそれらの信頼推定値を組み合わせることによって、対象車両をグローバルに分類する。

【0038】

[6]のシステムとは対照的に、例えば、本発明の解決策の実施形態は、対象車両の主要業績評価指標KPI(Key Performance Indicator)の明示的な評価に依存せず、むしろ本文書において後に論じるように、アドホックな予測子によって運転挙動をそのまま推測することができる。さらに、本発明の解決策の実施形態は、同じTRによって管理されるエリア内のすべてのAVが、グローバルモデルの予測子および分類子のトレーニングに参加することができる分散型学習手法を可能にすることができる。

【0039】

本発明のさらなる実施形態によれば、同じエリア内を走行している他の車両のオンボードセンサ、および/または道路インフラストラクチャセンサを利用し、それによってローカルに適合された予測子に基づいて分類子を構築することによって、道路上の車両が自律型のエンティティであるか人間が運転しているエンティティであるかを自動的に決定するシステムを提供することができる。

【0040】

本発明の一実施形態は、i)車両のAV/人間の運転者のアナウンスを検証することができ、ii)人口の少ないエリアにおける最先端の解決策のデータ不足の問題を最小限に抑えることができる、独立したバックアップシステムを提供する。

【0041】

本発明の教示を有利な方法で設計し、さらに展開するいくつかの方法が存在する。この目的のために、図面に示す本発明の実施形態の例についての以下の説明を参照すべきである。

【図面の簡単な説明】

【0042】

【図1】本発明の一実施形態の基礎的要素およびそれぞれの実行エンティティを示す図である。

【図2】本発明の一実施形態によるエッジコンピューティングシナリオを示す図である。

【発明を実施するための形態】

【0043】

本発明の実施形態は、ローカルで取得する大量のデータを利用することによって、道路上およびインフラストラクチャ内のセンサを有するコネクテッド車両のますますの普及を利点に変えることによって、前述の従来技術の制限を克服する。

【0044】

本発明の一実施形態は、以下で説明する2つの主要なタスクを実行する、限定はしないが、例えば、ネットワークエッジにおいても実行され、車のセンサデータが供給される、両方のクラスの車両上で実行されるサービスを含む。さらに、2つの分類クラス、例えば、自律車両または人間が運転する車両に合わせた予測子の性能に基づく、分類への新しい手法をもたらす。

【0045】

ローカルモデルのトレーニングは、第1のタスクを構成する。そのようなモデルは、車両の運転者の運転ポリシーを学習すること、すなわち、収集されたセンサデータの所与の窓に基づいて、ステアリングホイールの角度、スロットル、および/もしくはブレーキング、ならびに/または運転精度の観点から運転者の挙動を予測することを目的とする。センサデータは、車両の現在の速度および加速度ベクトル、例えば全地球航法衛星システムGNSS(Global Satellite Navigation System)、カメラ、または周囲のレーダ/LiDAR画像によって取得される過去の軌跡などの、豊富な特徴のセットを含む。特徴のリストは、利用可能なオンボードセンサおよびインフラストラクチャセンサのプールに基づいて直接適応させることができるということは、指摘に値する。

【0046】

したがって、ローカル予測子は、特定の時間範囲にわたる運転者の挙動の予測を表示または出力する。過去の時間窓および将来の期間は、予測子の特定の実装形態に関連する文献に従って、予測誤差を最小化するように調整される。

【0047】

合成されたデータ特徴に基づいて運転挙動を観察することによってAVの運転ポリシーを学習することは、i)自律運転モデルの複雑さを免れる可能性が高く、ii)自律運転ユニットの適切な実装を保存し、これは、開示される必要がなく、したがって、自動車メーカーがシステムを実装することを促すので、有益である。それにもかかわらず、自律運転タスクを実行するのに必要な精度を達成することができなくても、予測子は、最終的な分類目的のために十分な性能を依然として提供することができる。

【0048】

トレーニング段階が完了すると、調整された予測子が、両方のクラスに合わせた予測子を収集する交通規制当局TRと共有される。次に、TRは、自由に使える予測子を組み合わせることによって、数個のより細かい予測子を構築するために、取得した予測子を組み合わせる。第1のトレーニング段階の後、車両は、オンライン形式でそれらの予測子をトレーニングし続けることに留意されたい。

【0049】

次いで、連合型のような方式で、最終的な予測子が車両と共有される。ここで、各車両は、第2のタスクを実行することができ、すなわち、入力特徴セットの大部分をそれらの巨視的な挙動によって導出することができるので、両方の予測子を周囲の車両のいずれにも適用することができる。取得できない特徴、例えば、対象車両のカメラ画像は、符号化技法または生成方法によって対処することができ、これらは、対象車両の視点から欠落した画像を生成するために、モデル、例えば、事前にトレーニングされた敵対的生成ネットワークモデルのアダプテーション層において一体となる。

【0050】

両方の予測子の予測性能を見て、どの種類の車両、AVまたは人間が運転する車両のいずれかがトレーニングされたかを認識することによって、本発明は、最高スコアを提供する予測子クラスに従って、対象車両を分類する。本発明の高レベル基礎的要素は、各機能を実行するエンティティ、すなわち、車両またはTRとともに図1に示されている。オンボードセンサデータとインフラストラクチャセンサデータとを収集した後、各車両は、ローカル予測子をトレーニングし、次いで、ローカル予測子は、すべての受信した予測子を組み合わせ、最終的な予測子を車両に分配することを担当しているTRと共有される。このプロセスは、閉ループにおいて続き、それによって、観察されたサンプルおよび関連する車両の数を時間とともに増加させることによって、予測子の精度を改善する。改良された予測子を受信すると、車両は、対象分類を実行し、信頼度の尺度を強化したその分類出力をTRに返し、TRは、最終的にすべての分類出力を組み合わせ、車両クラスと全体的な信頼度とを導出することができる。

【0051】

以下において、エッジコンピューティングECネットワークシナリオにおける機械学習手法を介して得られる本発明のいくつかの実施形態を示す。

【0052】

実施形態1
この実施形態において、本発明者らは、図2に示すように、エッジコンピューティングECサーバを用いるシナリオにおける本発明の可能な実装形態を提示する。特に、本発明者らは、ECサーバが、直接リンクを介して、またはクラウドバックエンドおよび/もしくはコネクテッド協調型自動運転プラットホームCCAMを介して通信することができるマルチサーバアーキテクチャを想定している。

【0053】

ニューラルネットワークモデルは、ニューロン間のリンクの重みをすべての連合当事者で共有することによって容易に分配することができるので、すべての車両は、同じニューラルネットワークモデルをトレーニングし、それらの割り当てられたECサーバにおける重みを更新する。ネットワーク内のグローバルモデルを更新するために、ECサーバ間の分散学習メカニズムを導入することができることに留意されたい。

【0054】

トレーニング段階の後、最終的な予測子は、車両に返される。車両は、生成モデル、例えば、敵対的生成ネットワークモデルを介して必要な対象特徴セットを取得することによって、予測子をそれらの対象車両に適用する。

【0055】

最高の精度を提供する予測子を選択することによって、各車両は、対象車両の分類を得る。車両が任意の対象車両に関する分類出力を取得するたびに、それをそのECサーバに送信し、ECサーバは、すべての分類を収集し、同じ対象に関する分類出力を提供した車両の数、または対象がどれくらい多くの車両にどれくらい長い時間視認されていたかに基づいて、それらの信頼度を評価する。最後に、1つまたは複数のECサーバは、TRが道路上のすべての車両の正当性をチェックするために、ラベルとそれぞれの信頼度レベルとを出力する。

【0056】

このシステムの実施形態は、車両とECサーバの両方に適用される継続的学習技法によって、予測子と分類子に継続的な改良をもたらすことができるので、必ずしもオフラインである必要はないことに留意されたい。

【0057】

CCAMプラットホームの所有者(交通規制当局エンティティ、自動車メーカー、および/または携帯電話事業者)は、交通当局ならびにそのサービスに加入している運転者に事故を防ぐように指示することによって交通安全を高めるために、AV分類に基づいてもよい。

【0058】

実施形態2
この実施形態において、本発明者らは、今後のネットワークスライシングパラダイムを利用し、自動車メーカーが、そのすべての車両を接続するなんらかのサービスオペレータネットワーク内にネットワークスライスを保持していると仮定する。自動車メーカーは、顧客の安全に最も関心を持っているので、他のベンダーからの車両を分類するために本発明を実装し、その性質に基づいて、オンボードの先進運転支援システムADAS(advanced driver- assistance system)を調整することができる。

【0059】

具体的には、これらの動作条件において、1つのメーカーからの車両は、数個の正確な予測子を構築するためにそれらの予測モデルを共有することができ、次に、これらの予測子を車両に分配することができる。再び、そのような予測子は、車両分類のために用いることができる。

【0060】

この手法の精度は、予測子のトレーニングのために利用可能なデータの量、ならびに特定の対象に関する分類出力を提供する車両の数とともに増加することに留意されたい。

【0061】

本明細書に記載の本発明の多くの変更および他の実施形態は、前述の説明および関連する図面において提示された教示の利益を有する、本発明が属する技術分野の当業者に想起するであろう。したがって、本発明は、開示した特定の実施形態に限定されるべきではなく、修正および他の実施形態が、添付の特許請求の範囲内に含まれることが意図されることが理解されるべきである。特定の用語が本明細書において用いられているが、それらは、一般的かつ説明的な意味でのみ使用され、限定を目的としていない。

【図1】

【図2】

【国際調査報告】