JP2023133049A - 自律マシンシステム及びアプリケーションのための認知ベースの駐車支援 - Google Patents
自律マシンシステム及びアプリケーションのための認知ベースの駐車支援 Download PDFInfo
- Publication number
- JP2023133049A JP2023133049A JP2022062311A JP2022062311A JP2023133049A JP 2023133049 A JP2023133049 A JP 2023133049A JP 2022062311 A JP2022062311 A JP 2022062311A JP 2022062311 A JP2022062311 A JP 2022062311A JP 2023133049 A JP2023133049 A JP 2023133049A
- Authority
- JP
- Japan
- Prior art keywords
- parking
- virtual
- ego
- machine
- virtual parking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008447 perception Effects 0.000 title abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000033001 locomotion Effects 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 43
- 230000001149 cognitive effect Effects 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 52
- 238000013528 artificial neural network Methods 0.000 description 47
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000000670 limiting effect Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 241000269400 Sirenidae Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000008093 supporting effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 2
- PVFZKRMYBKEXBN-UHFFFAOYSA-N piperidine;piperidine-1-carbodithioic acid Chemical compound C1CCNCC1.SC(=S)N1CCCCC1 PVFZKRMYBKEXBN-UHFFFAOYSA-N 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 229920002451 polyvinyl alcohol Polymers 0.000 description 2
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 101001056128 Homo sapiens Mannose-binding protein C Proteins 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 102100026553 Mannose-binding protein C Human genes 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Image Analysis (AREA)
Abstract
【課題】自律及び半自律マシン・アプリケーションのための認知ベースの駐車支援を提供する。【解決手段】様々な実例で、エゴマシンのための認知ベースの駐車支援システム及び方法が提示される。例示的実施例は、エゴマシンに対する現実世界の駐車帯の位置及び駐車帯の関連駐車ルールを判定し得る。仮想駐車帯及び1つ又は複数の仮想駐車標識が、エゴマシンの環境内の1つ又は複数の検出された特徴及びエゴマシンの追跡された運動に少なくとも部分的に基づいて生成され得、仮想駐車帯は、駐車帯位置及び関連駐車ルールを追跡するために使用され得る。仮想駐車帯及び関連ルールは、駐車位置を判定するために及び/又は適切な駐車スポットへとナビゲートするためにエゴマシンによって依拠され得る。【選択図】図1
Description
公道及びハイウェイで動作する自律又は半自律マシンは、駐車ルールを忠実に守ることが期待されている。たとえば、自律型配達トラックは、荷物を降ろす及び引き取るための駐車スポットを見つけるために、並びに駐車規制の順守を維持する及び他のマシン及び車両の動作を妨げることを回避するために、それがどこで停車することを許可されているかを確認することが期待されることになる。指定された道路脇の駐車帯は、乗用車、トラック、及び他の車両又はマシンが一時的に交通の流れを出て停車又は駐車することができる都市エリアの街路に関する共通の特徴である。駐車領域がどのような標示をされているか、及び/又は駐車領域がその環境内の他の特徴に対してどこに位置しているかに応じて、車両のオペレータは、特定の位置における彼らの車両の駐車又は停車が禁止されているか又は許可されているか、及び許可されている場合にはどのような状況下で許可されるかを確認することができる。対応する駐車ルールは、しばしば、駐車位置の周り又は近くの標識によって表示される、或いは交差点までの距離又は消火栓及び/又は塗装された縁の存在などの他の特徴によって暗示される。標識又は他の特徴が、駐車場のどのエリアが有効な駐車スペースであるか及びどれが禁止された駐車スペースかを知らせるために、存在する、駐車場内にある駐車スペースについても、同じことが言える。
位置ベースの交通管理データベースは、車両ナビゲーション支援のために現在使用されている1つの現存する技術を表す。たとえば、現代の全地球測位システム(GPS)受信器は、近づいている道路標識のグラフィック表現を運転者に対してしばしば表示する、たとえば、現在のスピード制限又は近づいている交差点若しくはハイウェイが存在することを、運転者に指示するための道路標識位置及び街路マップのデータベースに車両の現在の位置を相互に関連付けるために搭載システムによって使用され得る。しかしながら、そのようなデータベース内の情報は、静的であり、時間とともに古く(不正確に)なる傾向がある。また、駐車ルール情報を伝える、街路に沿って遭遇する非常に多くの物体が、実在し得る。さらに、既存の駐車標識が地方自治体によって一時的に適用されるときなど、駐車ルールの一時的変更は、珍しくなく、データベースには表されていないことになる。結果として、これらの従来のシステムは、古い情報に依拠することがあり、違法な車両駐車及び/又は未指定の駐車スポットをもたらし得る。
本開示の実施例は、自律及び半自律マシン・アプリケーションのための認知ベースの駐車支援に関する。搭載センサによってキャプチャされたデータを使用するエゴマシンのための認知ベースの駐車支援を提供する、システム及び方法が、開示される。構文解析されたセンサ・データは、検出された駐車帯のジオメトリとそれらの駐車帯に対応する駐車ルールとの両方を確認するために使用される詳細な駐車情報を含む。
たとえば、前述のものなどの従来のシステムとは対照的に、本明細書に記載の認知ベースの駐車支援は、エゴマシンの認知された特徴及び/又は追跡される運動に少なくとも部分的に基づいて仮想駐車帯のジオメトリを計算する。エゴマシンに搭載されたカメラ又は他の画像センサによって観測された駐車標識及び他の特徴が、仮想駐車帯の開始及び終了境界線を確立するために使用される。一実例として、仮想駐車帯の開始を定義する第1の特徴が認知されたとき、仮想駐車標識が、進行路上の対応する位置において生成される。エゴマシンの追跡された運動は、駐車帯の終了を示す1つ又は複数の第2の特徴が認知されるまで、第1の特徴の位置から開始する進行路に沿って仮想駐車帯の長さを伸ばすために使用される。認知ベースの駐車支援のために使用される特徴が、エゴマシンの現在の進行路に関連するものであるように、認知された特徴は、フィルタ処理され得る。構文解析されたセンサ・データはまた、駐車ルールを仮想駐車帯と関連付けるために使用され得る。駐車ルールは、たとえば、以下の駐車関連情報を提供することができる:駐車が仮想駐車帯内で許可されている、停車が仮想駐車帯内で許可されている、駐車が仮想駐車帯内で許可されていない、又は停車が仮想駐車帯内で許可されていない。駐車ルールは、駐車ルールが適用される時間、日付、及び/又は他の条件を示し得る。結果として生じる駐車支援出力は、駐車ルール及びエゴマシンに対する1つ又は複数の仮想駐車帯の相対位置を示す出力を含む。この駐車支援出力は、駐車帯の駐車ルールに従ってエゴマシンを駐車帯の中へ手動で又は自律的に向かわせるために、エゴマシンの1つ又は複数のダウンストリーム構成要素によって使用され得る。
自律マシン・アプリケーションのための認知ベースの駐車支援のための本システム及び方法について、添付の図面を参照して、以下に詳しく説明する。
自律マシン・アプリケーションのための認知ベースの駐車支援に関して、システム及び方法が、開示される。本開示は、例示的自律型車両500(或いは本明細書で「車両500」又は「エゴマシン500」とも称され、その実例が図5A~5Dに関して説明される)に関して説明されることがあるが、これは限定を意図していない。たとえば、本明細書に記載のシステム及び方法は、非自律型車両、半自律型車両(たとえば、1つ又は複数の高度運転者支援システム(ADAS:advanced driver assistance system)における)、有人及び無人ロボット又はロボティクス・プラットフォーム、倉庫車両、オフロード車両、1つ又は複数のトレーラに連結された車両、飛行船舶、ボート、シャトル、緊急対応車両、オートバイ、電気若しくは原動機付自転車、航空機、建設車両、潜水艦、ドローン、及び/又は、他の車両タイプによって使用されてもよいが、これに限定されない。加えて、本開示は、オペレータ運転型車両又は自律型車両のいずれかのための駐車支援に関して説明されることがあるが、これは限定を意図しておらず、本明細書に記載のシステム及び方法は、拡張現実、仮想現実、混合現実、ロボット工学、セキュリティ及び監視、自律若しくは半自律マシン・アプリケーション、及び/又は、エゴマシンの認知ベースの動作が使用され得る任意の他の技術空間において使用され得る。
本開示は、自律又は半自律マシンによって使用するための駐車情報の認知ベースの生成に関する。より詳細には、本開示で提示されるシステム及び方法は、自律型車両が停車又は駐車することを許可されている位置を判定するためにその環境から取得される情報を構文解析する際に自律マシンを支援する。本開示の実施例は、特に、搭載センサによってキャプチャされたデータを構文解析する認知ベースの駐車支援システム及び対応する方法に関する。構文解析されたセンサ・データは、検出された駐車帯のジオメトリとそれらの駐車帯に対応する駐車ルールとの両方を確認するために使用される詳細な駐車情報を含む。搭載センサは、以下のうちの1つ又は複数を含み得る(これらに限定せずに):カメラ若しくは他の光センサ、RADARセンサ、超音波若しくは他のSONARセンサ、LiDARセンサ、ワイヤレス・ビーコン受信器、GPS若しくは他のナビゲーション受信器、及び/又は、エゴマシンに近接する特徴の特性を検出するように構成された他のセンサ。
ジオメトリ計算に関して、仮想駐車帯が、認知された特徴及びエゴマシンの追跡された運動に少なくとも部分的に基づいて認知ベースの駐車支援システムによって生成される。たとえば、仮想駐車帯のジオメトリは、エゴマシンに搭載されたカメラ又は他の画像センサによって観測された駐車標識に基づいて生成され得る。エゴマシンの計画された進行路とは無関係の駐車標識は、非限定的実例として、標識と進路との距離を推定することによって、フィルタ処理で除去され得る。実施例において、駐車標識又は他の検出された特徴は、追加で又は別法として、特徴がエゴマシンの軌道多様体の外にあること、エゴマシンとは異なる進路上に位置していること、又はエゴマシンと特徴との距離が閾値距離より大きいときなどの基準に基づいて、フィルタ処理で除去され得る。計画された進路に関連する特徴は、仮想駐車標識としてメモリに記憶され得る。実施例において、仮想駐車標識は、検出された標識又は特徴と同タイプでなくてもよい。たとえば、赤く塗装された縁は、駐車禁止帯の開始に対応する仮想駐車標識を生成するために使用され得る。同様に、検出された「3時間駐車」標識は、駐車帯の開始に対応する仮想駐車標識を生成するために使用され得る。
仮想駐車帯のジオメトリは、次いで、エゴマシンの運動と並行してフィルタ処理済みのセットの特徴から計算され得る。仮想駐車帯の開始を定義する第1の特徴が認知されたとき、仮想駐車標識が、進路上の対応する位置において生成される。エゴマシンの追跡された運動は、第1の特徴の位置から開始する進行路に沿って仮想駐車帯の長さを伸ばすために使用され得る。すなわち、仮想駐車帯の長さは、駐車帯の終了を示す1つ又は複数の第2の特徴が認知されるまで、エゴマシンの追跡された運動に基づいて進路に沿って伸ばされる。1つ又は複数の第2の特徴の位置は、進路上の第2の仮想駐車標識及び仮想駐車帯の終了境界線を生成するために使用され得る。第1の及び第2の特徴が両方とも標識である必要はなく、同タイプの特徴である必要さえない、ということに留意されたい。たとえば、駐車アシスト・システムは、道路脇の駐車標識の検出に基づいて仮想駐車帯の開始を生成することができ、非限定的実例として、交差点、進路に沿った表面の色、及び/又は進路に沿った表面上の記号を検出することに応答してその仮想駐車帯の終了を生成することができる。
さらに、他のインスタンスでは、バス停標識又は道路脇の消火栓の存在など、単一の特徴が、仮想駐車帯を定義するために使用され得る。そのようなインスタンスでは、仮想駐車帯の長さは、予め定義され得、たとえば、単一の特徴の304・8cm(10フィート)前から304・8cm(10フィート)後まで、そして、仮想駐車標識が、それらの位置において生成され得る。さらに、仮想駐車帯は、検出された特徴がどこに位置するか、それらの外観のシーケンス、及び/又はそれらが伝える情報(たとえば、1つ又は複数のテキスト認識アルゴリズム、コンピュータ・ビジョン・アルゴリズム、物体検出アルゴリズム、機械学習モデル、ニューラル・ネットワーク、及び/又は同類のものを使用して判定されるものとしての)に基づいて、進路のいずれかの側について生成され得る。
仮想駐車標識が、仮想駐車帯の開始及び/又は終了境界線を示して、生成されるとき、認知ベースの駐車支援システムは、エゴマシンからのそれらの仮想駐車標識の相対距離(たとえば、エゴマシンの基準点から進路への仮想駐車標識の投影まで)を計算し得る。次いで、エゴマシンがそれの進路に沿って進むとき、エゴマシンの追跡された運動はまた、エゴマシンから及び/又は互いからの生成された仮想駐車標識の相対距離を更新するために使用される。そのようなものとして、仮想駐車帯のジオメトリを開発する際に、認知ベースの駐車支援システムは、エゴマシンが進んでいる進路における任意の曲率に関してあいまいである可能性がある。すなわち、特徴から仮想駐車標識の相対的順序は、処理された特徴は局所的にまっすぐな軌道上にあるという前提の下で、エゴマシンからのそれらの相対距離とともにメモリにおいて維持され得(少なくとも所定の持続期間について)、エゴマシンの前又はエゴマシンの後ろの仮想駐車標識までの相対距離は、更新される。何らかの持続期間にわたりメモリにおいて仮想駐車帯を維持することは、エゴマシンが同じセットの特徴を通過するたびに仮想駐車帯を再計算する必要なしに、最も制限されない距離にわたりエゴマシンが前に及び後ろに進むことを可能にする。いくつかの実施例では、通過した仮想駐車標識は、エゴマシンからのそれらの相対距離が閾値距離を超えると、メモリから取り除かれる。いくつかの実施例では、記憶された駐車帯は、検出された駐車帯の位置、ジオメトリ、及び/又はタイプで環境のより多くの長期メモリを更新するために、たとえば、GNSSマップを更新するために、又は高解像度(HD:high definition)マップを更新するために、使用され得る。
検出された特徴を使用して仮想駐車帯のジオメトリを生成することに加えて、構文解析されたセンサ・データは、駐車ルールを仮想駐車帯と関連付けるために使用され得る。すなわち、駐車ルールは、検出された特徴から取得された情報から少なくとも部分的に判定され得る。駐車ルールは、たとえば、以下の駐車関連情報を提供することができる:駐車が仮想駐車帯内で許可されている、停車が仮想駐車帯内で許可されている、駐車が仮想駐車帯内で許可されていない、又は停車が仮想駐車帯内で許可されていない。駐車ルールは、駐車ルールが適用される時間、日付、及び/又は他の条件を示し得る。駐車又は停車が許可されている場合、駐車ルールはまた、その許可は有効な許可証、たとえば、身体障害者用駐車許可証、を有することを条件とするか、或いは許可された居住者、教職員に、又は使用法によって、たとえば、配達のためのみに、限定されるかを示し得る。
いくつかの実施例では、認知ベースの駐車支援システムはまた、駐車帯ジオメトリを生成する及び/又は関連駐車ルールを判定するためにナビゲーション・ビーコン又は他のナビゲーション補助器からの信号などのセンサ・データを組み込み得る。たとえば、認知ベースの駐車支援システムは、ナビゲーション受信器(たとえば、GPS受信器、衛星ナビゲーション・システム、又は他のナビゲーション・システム)からエゴマシンの位置情報を受信し得る。駐車ルールは、国によって又は国の異なるエリア内でも変わるので、認知ベースの駐車支援システムは、エゴマシンの地理的位置情報を使用して、検出された特徴についての適用可能なローカル駐車ルールを判定し得る。たとえば、1つのコミュニティでは、有効な合法的駐車は、交差点まで304・8cm(10フィート)まで可能にされ得、その一方で、別のコミュニティでは、有効な合法的駐車は、交差点まで457・2cm(15フィート)まで可能にされ得る。特徴から駐車ルールを解釈するためのそのような情報は、搭載メモリ又はデータ構造体において記憶され得る。
いくつかの実施例では、認知ベースの駐車支援システムは、どこで仮想駐車帯の開始及び終了が定義されるかを示す特徴を識別する、及び特徴が伝えるのはどの特定の駐車ルールかを識別するために、搭載センサによってキャプチャされたセンサ・データの分析を実行する搭載特徴分類器を含む或いはそれと通信する。いくつかの実施例では、特徴分類器は、駐車情報を伝える特徴を認識するように及び認識された特徴から対応する駐車ルールを構文解析するようにトレーニングされた人工知能(AI)推論エンジン又は他のニューラル・ネットワーク技術と実装される。搭載特徴分類器はまた、それが特徴から判定する駐車ルールの精度の信頼性を示す信頼性レベルを出力することができる。たとえば、検出された特徴が、部分的に閉塞又は損傷している場合、特徴分類器は、駐車ルールを出力することができるが、判定された駐車ルールが正しい可能性の推定を示す信頼性レベルもまた出力することができる。認知ベースの駐車支援システムは次いで、それが、信頼性レベルが信頼性閾値を超える場合にのみ、有効な駐車帯が存在することを示すことになるような、信頼性閾値を適用し得る。交互に、認知ベースの駐車支援システムは、信頼性レベルが信頼性閾値未満にあるとき、デフォルト駐車ルール(たとえば、「駐車は許されていない」)を選択し、駐車帯に適用し得る。
エゴマシンによって進まれる計画された進路は、任意の1つのタイプの進路又は表面に限定されず、ハイウェイ、舗装道路、未舗装道路、私道、駐車場の一部、小道、線路、河川、歩道、環境の線引きされた部分、又は航空路などの進路、或いはエゴマシンが駐車する又は停車するために指定エリアへ操作することが期待されている任意の他の状況を含み得る。たとえば、駐車場について、認知ベースの駐車支援システムは、センサで検出された特徴を駐車スペースに相互に関連付け(たとえば、仮想駐車標識を生成するための検出された特徴の駐車スペースへの投影に基づいて)、その駐車スペースの駐車ルールを特徴から構文解析することができる。
認知ベースの駐車支援システムによって生成された出力は、駐車ルール及びエゴマシンに対する仮想駐車帯の相対位置を示す駐車支援出力を含み得る。この駐車支援出力は、環境を通してエゴマシンを制御するための1つ又は複数の動作を実行するために、エゴマシンの1つ又は複数のダウンストリーム構成要素-たとえば、世界モデル・マネージャ、進路プランナ、制御構成要素、ローカリゼーション構成要素、障害物回避構成要素、作動構成要素、及び/又は同類のもの-によって使用され得る。いくつかの実施例では、認知ベースの駐車支援システムとエゴマシンのそのようなダウンストリーム構成要素との通信は、アプリケーション・プログラミング・インターフェース(API)を介して認知ベースの駐車支援システムによって実装される。
半自律エゴマシン(又は半自律モードで動作するエゴマシン)について、仮想駐車帯の相対位置は、エゴマシンが停車又は駐車することができる位置又はその近くにいつあるかを判定する際にオペレータを支援するために、エゴマシンオペレータに対して(たとえば、ヘッドアップ・フロントガラス・ディスプレイ又は他の表示画面上に)表示され得る。そのようなディスプレイは、以下のうちのいずれか又はすべてを含むことができる:エゴマシンが通過した第1の仮想駐車帯、エゴマシンが隣接して進んでいる第2の仮想駐車帯、及び/又はエゴマシンが入ろうとしている第3の仮想駐車帯、又はエゴマシンが進んでいる進路のいずれかの側のこれらの任意の組合せ。いくつかの実施例では、各仮想駐車帯の表示はまた、その駐車帯に関連する駐車ルールのグラフィック表現とともに、各仮想駐車帯の開始及び終了に位置する仮想駐車標識を含むことになる。いくつかの実施例では、各仮想駐車標識の表示は、仮想駐車標識がそこから生成された特徴の標準化されたレプリカ、又は特徴を表す別のグラフィック若しくはアイコンを含む。
エゴマシンがより高度の自律性を有する他の実施例では、認知ベースの駐車支援システムによって生成される出力は、メモリに記憶された又は自動駐車ナビゲーション機能を実装する別のエゴマシン・システムに他の方法で送信されるデータのセットを含む。1つのそのような実施例では、自動駐車ナビゲーション機能は、認知ベースの駐車支援システムによって生成された出力を入力して、エゴマシンがその中に駐車又は停車するための有効な仮想駐車帯を識別し、次いで、有効な仮想駐車帯に関連する物理位置へとエゴマシンをナビゲートするためのそれの機能を実行する。その有効な駐車帯は、エゴマシンが現在位置する進路に直ぐ隣接する若しくは沿ったもの、進路上の先のエゴマシンが入ろうとしている駐車帯、又はエゴマシンが最近通過した駐車帯でもよい。
認知ベースの駐車支援システム及び対応する方法は、メモリに連結された1つ又は複数の処理ユニットで少なくとも部分的に実行され得る。処理ユニットは、認知ベースの駐車支援システムの特徴及び機能のうちの1つ又は複数を実装して仮想駐車帯のジオメトリを計算するためのコードを実行するように、及び駐車ルールを仮想駐車帯と関連付けるようにプログラムされる。ジオメトリ及び駐車ルールは、特徴分類器によって識別された駐車情報を示す特徴から処理ユニットによって判定される。いくつかの実施例では、すべての処理は、エゴマシンに搭載されて実行されるが、他の実施例では、認知ベースの駐車支援システムの特徴及び機能は、分散され、搭載プロセッサ及びクラウド計算資源の任意の組合せ、及びデータ・センタ又は他のサーバから取得された補足データで強化された搭載センサから取得されるセンサ・データによって実行され得る。そのような実装形態において、エゴマシンはさらに、認知ベースの駐車支援システムをワイヤレス通信ネットワークに連結するための少なくとも1つのワイヤレス通信インターフェースを含む。
図1を参照すると、図1は、本開示のいくつかの実施例による、エゴマシン(たとえば、図5Aに関して後述する自律型車両500)の認知ベースの駐車支援システム100の構成要素の相互接続及び情報若しくはデータの流れを示す例示的データ流れ図である。本明細書に記載のこの及び他の構成は単に実例として記載されていることを理解されたい。他の構成及び要素(たとえば、マシン、インターフェース、機能、順番、機能のグループ化など)が、図示されたものに加えて又はそれらの代わりに使用され得、いくつかの要素は、完全に省略され得る。さらに、本明細書に記載の要素の多数は、個別の若しくは分散された構成要素として又は他の構成要素と併せて、並びに任意の適切な組合せ及び場所において実装され得る機能エンティティである。エンティティによって実行されるものとして本明細書に記載された様々な機能は、ハードウェア、ファームウェア、及び/又はソフトウェアによって実施され得る。たとえば、様々な機能が、メモリ(たとえば、非一時的物理形態を有する有形メモリ記憶デバイスなど)に記憶された命令を実行するプロセッサによって、実施され得る。いくつかの実施例において、本明細書に記載のシステム、方法、及びプロセスは、図5A~5Dの例示的自律型車両500、図6の例示的計算デバイス600、及び/又は図7の例示的データ・センタ700のそれらに類似の構成要素、特徴、及び/又は機能性を使用して実行され得る。
本明細書では、「駐車帯」及び「駐車標識」、「駐車情報」などと併せて使用されるものとしての「駐車」という用語は、駐車及び停車シナリオの両方に適用可能なものとして包括的であることが意図されている。一般に、停車は、交通状況又は交通制御命令(たとえば、交通信号灯、譲れ若しくは停止の標識、又は公共安全管理者の命令に従う際の)に起因しないエゴマシンにおける意図的な休止を含み得る。エゴマシンは、通常は、ある特定の時間持続期間(たとえば、3分)より長くオペレータがエゴマシンを離れる及び/又はエゴマシンが停止されるときに、駐車されたと考えられることになる。駐車ルールが、停車が駐車帯内で許可されていないことを示す場合、その指示はさらに、駐車がその駐車帯内で許可されていないという駐車ルールを暗示する。駐車ルールが、駐車が駐車帯名で許可されていることを示す場合、その指示はさらに、停車もまたその駐車帯内で許可されているという駐車ルールを暗示する。しかしながら、駐車が駐車帯内で許可されていないことのみを示す駐車ルールは、停車が品物又は乗客を積む又は降ろすためなどの一時的停止としてその駐車帯内で許可されていることを暗示し得る。
図1に示すように、プロセス100を実行する認知ベースの駐車支援システムは、特徴データ104を入力する、及び検出された駐車帯のジオメトリ、及びそれらの駐車帯に対応する駐車ルールを確認するために駐車帯プロセッサ102によって使用される駐車情報を抽出することができる、駐車帯プロセッサ102を含む。この実例では、特徴データ104は、エゴマシン(たとえば、図5A~5Dのエゴマシン500)の1つ又は複数の搭載センサ110によってキャプチャされたセンサ・データ108から導出され得る。実施例において、特徴分類器106は、センサ110によってキャプチャされたセンサ・データ108の分析を実行して、どこで仮想駐車帯の開始及び終了が定義されるかを示す特徴を識別する、及び特徴が伝えるのはどの特定の駐車ルールかを識別するために、センサ110に連結され得る。特徴分類器106は、駐車情報を伝える特徴を認識するために、そしてまた、いくつかの実施例では、認識された特徴から対応する駐車ルール情報を構文解析するためにトレーニングされた、人工知能(AI)推論エンジン又は他のニューラル・ネットワーク技術と実装され得る。特徴分類器106はまた、それがセンサ・データ108から判定する駐車ルール情報の精度における信頼性レベルを示す駐車帯プロセッサ102への信頼性レベルを出力し得る。駐車帯プロセッサ102は、エゴマシンの運動(「エゴ運動」)に関する情報-たとえば、エゴマシンがその計画された進路に沿って進むときのエゴマシンのスピード、ベロシティ、姿勢、及び位置-を含み得る入力として追跡運動データ112を受信し得る。たとえば、スピード及びベロシティ情報は、後述のコントローラ536及び/又はセンサ544から入力され得る。仮想駐車帯の開始を定義する第1の特徴が、特徴データ104から駐車帯プロセッサ102によって認知された後は、追跡運動データ112によって示されるものとしてのエゴマシンの追跡された運動は、第1の特徴の位置から開始する進行路に沿って仮想駐車帯の長さを伸ばすために使用され得る。仮想駐車帯の長さは、1つ又は複数の第2の特徴が、駐車帯の終了を示す特徴データ104から認知されるまで、エゴマシンの追跡運動データ112に基づいて進路に沿って伸ばされ得る。実施例において、現在の駐車帯の終了が検出されない場合でも、駐車帯は、何らかの閾値距離(たとえば、20メートル、30メートルなど)の後に終わらせることができ、新しい駐車帯が、開始され得る。
図1に示すように、認知ベースの駐車支援システムは、特徴データ104を入力する並びに検出された駐車帯のジオメトリを確認するために駐車帯プロセッサ102によって使用される駐車情報、及びそれらの駐車帯に対応する駐車ルールを抽出する、特徴分類器106を含み得る。特徴データ104及び抽出された駐車情報はまた、仮想駐車帯に対応する駐車ルールを判定する及び関連付けるために駐車帯プロセッサ102によって使用され得る。駐車ルールは、検出された特徴データ104から取得された情報から少なくとも部分的に判定され得る。駐車ルールは、たとえば、以下の駐車関連情報を提供することができる:駐車が仮想駐車帯内で許可されている、停車が仮想駐車帯内で許可されている、駐車が仮想駐車帯内で許可されていない、又は停車が仮想駐車帯内で許可されていない。前述のように、いくつかの実施例では、駐車帯プロセッサ102はまた、ある特定の特徴が検出されたときにどんなセットの現地法又は規制が適用されるかを決定するために、位置情報をナビゲーション受信器114から受信し得る。ナビゲーション受信器114は、非限定的実例として、GNSS受信器(たとえば、GPS受信器)、衛星ナビゲーション・システム、又は他のナビゲーション・システムを含み得る。たとえば、駐車帯プロセッサ102は、駐車情報を本質的に伝えない特徴(たとえば、交差点、私道、歩道傾斜路、標示のない線路、又は消火栓など)を検出すると、エゴマシンの現在の位置に関する効力のあるローカル駐車ルール・ポリシを参照して、検出された特徴についての駐車ルールを決定する、及びそれに応じて仮想駐車帯へとそのルールを関連付けることができる。別の実例として、エゴマシンがトンネルを通っていることを検出することは、他の検出された特徴が、それとは反対の駐車ルールを指示しない限り、駐車ルール(たとえば、駐車又は停車禁止)を伝え得る。駐車情報及び/又は駐車ルールを伝える他の特徴には、進路に沿った表面の色、又は進路に沿った表面上の記号が含まれ得る。たとえば、縁又は表面の赤色は、停車、動かないこと、又は駐車の禁止(バスは、バスのために標示されたレッド・ゾーンにおいて停止してもよい)を示し得、縁又は表面の赤色は、駐車が禁止されているが、車両はある特定の時間に乗客を拾う及び乗せるために停車することを許可され得ることを示し得、縁又は表面の白色は、乗客を拾う若しくは降ろすのに十分な長さの又は他の限定された持続期間の配送(たとえば、郵便ポストで郵便を預ける)に停車が許されていることを示し得、縁又は表面の青色は、身体障害者用駐車のみ許可を示し得る、及び/又は、縁又は表面の緑色は、縁又は標識に掲示されたものとしての制限された時間についてのみ駐車が許可されることを示し得る。
いくつかの実施例では、エゴマシンが、それがローカル駐車ルール・ポリシを有していない領域に入る(又は入ろうとする)ときに、エゴマシンが、クラウドベースのサービス(又はサーバ)に問い合わせてローカル駐車ルール・ポリシをダウンロードすることができるように、駐車帯プロセッサ102は、ワイヤレス・ネットワーク・インターフェース118に連結され得る。
図2は、1つの実施例の例示的駐車帯プロセッサ102を示すブロック図である。図2に示すように、駐車帯プロセッサ102は、仮想駐車帯ジェネレータ210及び駐車ルール・ポリシ212を含む。仮想駐車帯ジェネレータ210は、前述のように、特徴データ104及び追跡運動データ112を入力し、仮想駐車帯のジオメトリを計算することができる。仮想駐車帯ジェネレータ210はまた、適切な駐車ルールを仮想駐車帯に割り当てるために、特徴データ104を駐車ルール・ポリシ212に適用することができる。いくつかの実施例では、特徴データ104から判定されるものとしての駐車ルールにおける信頼性が、信頼性閾値未満であるとき、駐車ルール・ポリシ212は、仮想駐車帯に適用するためのデフォルト駐車ルール(たとえば、「駐車は許されていない」)を示し得る。駐車ルール・ポリシ212は、メモリに記憶された1つ又は複数のローカル駐車ルール・ポリシを含む駐車ルール・データ216で強化され得る。仮想駐車帯が、仮想駐車帯ジェネレータ210によって生成されるとき、仮想駐車帯に関する情報は、仮想駐車帯メモリ218に記憶され得る。たとえば、仮想駐車帯メモリ218は、エゴマシンからの及び/又は互いからのそれらの相対距離とともに、各仮想駐車帯について生成された以前計算された仮想駐車標識の履歴を含み得る。仮想駐車帯ジェネレータ210はさらに、追跡運動データ112に基づいて、仮想駐車帯メモリ218に記憶された仮想駐車標識のそのような相対距離を更新することができる。
いくつかの実施例では、エゴマシンの計画された進行路と無関係の特徴データ104内に存在する駐車標識又は他の検出された特徴は、1つ又は複数の特徴フィルタ220によってフィルタ処理で除去され得る。非限定的実例として、特徴フィルタ220は、検出された特徴、進路、及び/又はエゴマシンの間の距離を推定することができ、指定の距離閾値より大きい距離を有するものをフィルタ処理で除去することができる。実施例において、駐車標識又は他の検出された特徴は、追加で又は別法として、特徴がエゴマシンの軌道多様体の外にあること、エゴマシンとは異なる進路上に位置していることなどの基準に基づいて、特徴フィルタ220によってフィルタ処理で除去され得る。
駐車帯プロセッサ102からの出力は、駐車ルール及びエゴマシンに対する仮想駐車帯の相対位置を示す駐車支援出力を含み得る。この駐車支援出力は、後述のコントローラ536などのエゴマシンの1つ又は複数のダウンストリーム・ナビゲーション構成要素124によって使用され得る。ダウンストリーム・ナビゲーション構成要素124は、たとえば、駐車帯プロセッサ102からの駐車支援出力を入力してエゴマシンが駐車又は停車するための有効な仮想駐車帯を識別する自動駐車ナビゲーション機能を実装することができ、次いで、有効な仮想駐車帯に関連する物理位置へとエゴマシンをナビゲートするように推進システム550及びステアリング・システム554を動作させるためのそれの機能を実行し得る。
半自律エゴマシン(又は半自律モードで動作するエゴマシン)について、駐車支援出力は、エゴマシンのオペレータに対する表示(たとえば、ヘッドアップ・フロントガラス・ディスプレイ又は他の表示画面上の)を含むヒューマン・マシン・インターフェース(HMI)118によって入力され得る。実施例において、駐車帯プロセッサ102によって生成された仮想駐車帯の相対位置は、エゴマシンが停車又は駐車することができる位置又はその近くにエゴマシンがいつあるかを判定する際にオペレータを支援するために、HMI120に表示され得る。そのような表示は、以下のうちのいずれか又はすべてを含むことができる:エゴマシンが通過した第1の仮想駐車帯、エゴマシンが隣接して進んでいる第2の仮想駐車帯、及び/又はエゴマシンが入ろうとしている第3の仮想駐車帯、或いはエゴマシンが進んでいる進路のいずれかの側のこれらの任意の組合せ。
図3は、例示的グラフィック・ディスプレイ300(たとえば、HMIディスプレイ120上に駐車帯プロセッサ102によって生成された仮想駐車帯の表示の)を示す図である。図3に示すように、仮想駐車帯ジェネレータ210は、指示された進行方向307を有する進路302を進むエゴマシン(305に示された)のグラフィック表現又はアイコンをHMIディスプレイ120上に提示する。この特定の実例において、エゴマシン・アイコン305の右に、進路302の右側のエゴマシンが隣接して進んでいる仮想駐車帯310が、示されている。いくつかの実施例では、仮想駐車帯ジェネレータ210は、エゴマシンが通過した進路302の右側の仮想駐車帯314及び/又はエゴマシンが入ろうとしている進路302の右側の仮想駐車帯312をディスプレイ300上に生成し得る。エゴマシン・アイコン305の左には、進路302の左側の、エゴマシンが隣接して進んでいる、仮想駐車帯320が、示されている。いくつかの実施例では、仮想駐車帯ジェネレータ210は、エゴマシンが通過した進路302の左側の仮想駐車帯324及び/又はエゴマシンが入ろうとしている進路302の左側の仮想駐車帯322をディスプレイ300上に生成し得る。様々な実装形態において、ディスプレイ300は、仮想駐車帯310、312、314、329、322、又は324のうちの任意の1つ又は複数、及びその任意の組合せを含み得る、ということを理解されたい。
この例示的ディスプレイ300において、それぞれの仮想駐車帯は、それぞれの開始及び終了境界線を示す仮想駐車標識を含むように示されている。これらの仮想駐車標識は、本明細書に記載のように、特徴データ104から検出された駐車情報に応答して仮想駐車帯ジェネレータ210によって生成されることになる。いくつかの実施例では、仮想駐車標識の表示のために使用されるグラフィックスは、仮想駐車標識及び対応する駐車ルールに関連する他の特徴の標準化された表現を含む仮想駐車帯グラフィックス・ライブラリ222から仮想駐車帯ジェネレータ210によって取得され得る。すなわち、仮想駐車帯グラフィックス・ライブラリ222が、どんな駐車ルールが仮想駐車帯に適用されるかを判定した後は、それは、その駐車ルール及び検出された特徴の特性の組合せに基づいて表示するための正しいグラフィックを参照することができる。図3について論じられる特定の仮想駐車標識及びそれらの関連ルールは、非制限的な例示のみを目的として使用されている、ということを理解されたい。
図3に示すように、エゴマシンが通過した右側の仮想駐車帯314は、仮想駐車帯314内の駐車が禁止されていることを示す、それの開始境界線にある駐車禁止開始仮想駐車標識342及びそれの終了境界線にある駐車禁止終了仮想駐車標識340と標示されている。エゴマシンが現在隣接している、仮想駐車帯310について、それの開始境界線にある第1の仮想駐車標識338は、駐車が仮想駐車帯310内で許可されていることを示す。いくつかの実施例では、仮想駐車標識338及び340の生成は、共通の検出された特徴によってともにトリガされてもよい、ということに留意されたい。たとえば、駐車禁止終了仮想駐車標識340及び駐車許可開始仮想駐車標識338が、両方ともに生成され得るように、特徴データ104からの駐車許可駐車標識の検出は、駐車禁止の以前の駐車ルールはもはや適用されないことを暗示することになる。同様に、駐車許可終了仮想駐車標識336が、駐車許可終了駐車標識の実際の検出に基づいて生成され得る、又は次の仮想駐車帯312の開始時に駐車禁止仮想駐車標識334の生成をトリガした特徴によって指示される駐車ルールの変更に基づいて黙示的に生成され得る。仮想駐車帯312自体が、仮想駐車標識332によって表されるものとしての交差点の検出によって終了させられる(仮想駐車標識334の駐車禁止ルールの開始の適用可能性とともに)。
エゴマシンが通過した左側の、仮想駐車帯324は、仮想駐車帯324内で停車又は駐車が禁止されていることを示す、それの開始境界線にある停車禁止開始仮想駐車標識362及びそれの終了境界線にある停車禁止終了仮想駐車標識360と標示される。仮想駐車帯320は、単一の検出された特徴から生成された駐車ルールから定義(長さ及びタイプの両方において)され得る仮想駐車帯324の一実例を提供する。たとえば、バス停標識を含む特徴の検出は、検出された特徴の後に15.24m(50フィート)まで伸びる、検出された特徴より15.24m(50フィート)前に開始する仮想駐車帯320、及び、この駐車帯はバスのために確保されていることを示す仮想駐車帯320の開始及び停止における仮想駐車標識356及び358の表示を生成するように仮想駐車帯ジェネレータ210をトリガし得る。仮想駐車帯322は、それの開始境界線にある停車禁止仮想駐車標識354で開始する。いくつかの実施例では、停車禁止仮想駐車標識354は、この駐車ルールを指示する実際の特徴の検出に基づいて生成され得る、又はバス停より手前の仮想駐車帯324から停車禁止ルールを有効なままにすることに基づき得る。仮想駐車帯322は、仮想駐車標識352によって表されるものとしての交差点の検出によって、それ自体が終了される(仮想駐車標識354の停車禁止ルールの開始の適用性とともに)。
様々な実施例において、仮想駐車帯は、一方向の交通又は二方向の交通のいずれかを運ぶ進路について本明細書で説明されるように生成され得る、ということに留意されたい。いくつかの実施例では、仮想駐車帯310、312、314、329、322、又は324のうちの1つ又は複数は、指示された進行方向307においてエゴマシン305が移動するときエゴマシン305に面する特徴から生成され得、駐車帯を検出するためにフロントビュー又はサラウンド・センサによってキャプチャされ得る。仮想駐車帯310、312、314、329、322、又は324のうちの1つ又は複数はまた、エゴマシン305と進路302を反対方向に進む交通に面する特徴から生成され得、それらの駐車帯を検出するためにリアビュー又はサラウンド・センサによってキャプチャされ得る。たとえば、進路302が、右側通行の、二方向の交通を運ぶ場合、右側の仮想駐車帯310、312、314のうちの1つ又は複数が、エゴマシン305が進むときにエゴマシン305に面する特徴から駐車帯プロセッサ102によって生成され得、フロントビュー又はサラウンド・センサによってキャプチャされ得、そして、左側の仮想駐車帯320、322、324のうちの1つ又は複数は、エゴマシン305が進むときにエゴマシン305から離れて面する特徴から生成され得、リアビュー又はサラウンド・センサによってキャプチャされ得る。駐車帯プロセッサ102は、エゴマシン305が進むときにエゴマシン305に面する特徴から1つ又は複数の左側の仮想駐車帯320、322、324を生成して、及びエゴマシン305が進むときエゴマシン305から離れて面する特徴から1つ又は複数の右側の仮想駐車帯310、312、314を生成して、進路302が左側通行の二方向の交通を運ぶ場合に、逆を同様に実装することになる。さらに他の実施例において、駐車帯プロセッサ102は、フロントビュー、リアビュー、及び/又はサラウンド、センサを使用するエゴマシンが進む特定の進路以外の隣接進路の1つ又は複数の仮想駐車帯を生成及び表示し得る。たとえば、分かれたハイウェイ又は大通りの場合、駐車帯プロセッサ102は、隣接進路に適用されるキャプチャされた特徴に基づいて隣接進路の仮想駐車帯を生成及び表示し得る。同様に、駐車帯プロセッサ102は、隣接サービス道路について同じように仮想駐車帯を生成及び表示し得る。
図4は、本開示のいくつかの実施例による、認知ベースの駐車支援のための方法400を示す流れ図である。本明細書に記載の方法400の各ブロックは、ハードウェア、ファームウェア、及び/又はソフトウェアの任意の組合せを使用して実行され得る計算プロセスを含む。たとえば、様々な機能は、メモリに記憶された命令を実行するプロセッサによって、実施され得る。方法400はまた、コンピュータ記憶媒体に記憶されたコンピュータ使用可能命令として実施され得る。方法400は、いくつか例を挙げると、独立型アプリケーション、サービス若しくはホスト型サービス(独立型の若しくは別のホスト型サービスと組み合わせた)、又は別の製品へのプラグインによって、提供され得る。加えて、方法400は、例として、図1のプロセス100に含まれる認知ベースの駐車支援システムに関して説明される。しかしながら、この方法400は追加で又は別法として、本明細書に記載のものを含むが、これらに限定されない、任意の1つのシステム、又はシステムの任意の組合せによって実行され得る。したがって、図4の方法400に関して本明細書に記載された特徴及び要素は、本明細書で説明される他の実施例のいずれかと併せて、組み合わせて、又はその要素に置き換えて使用され得、逆もしかりである、ということを理解されたい。さらに、図4に記載の実施例の要素の機能、構造、及び他の記述が、本明細書に記載の図及び/又は実施例のいずれかにわたり類似の又は同様に名付けられた若しくは記述された要素に適用され得、逆もしかりである、ということを理解されたい。
一般に、方法400は、エゴマシンの環境内の1つ又は複数の検出された特徴に少なくとも部分的に基づいて生成された仮想駐車帯及び1つ又は複数の仮想駐車標識を使用してエゴマシンに対する現実世界の駐車帯の位置及び駐車帯の関連駐車ルールを判定することを含む。
方法400は、ブロックB402において、エゴマシンの計画された進路の少なくとも一部に関連する駐車情報を示す1つ又は複数の特徴を、エゴマシンの1つ又は複数のセンサを使用して生成されたセンサ・データに少なくとも部分的に基づいて、検出することを含む。非限定的実例として、駐車情報を示す1つ又は複数の検出された特徴は、本明細書で論じるように、標識、交差点、進路に沿った表面の色、特定の物体、又は進路に沿った表面上の記号、又は駐車情報を含意する任意の他の特徴を含み得る。
方法400は、ブロックB404において、1つ又は複数の特徴及びエゴマシンの追跡された運動に少なくとも部分的に基づいて仮想駐車帯のジオメトリを計算することを含む。たとえば、仮想駐車帯のジオメトリは、本明細書に記載のように、エゴマシンの運動と並行してフィルタ処理済みのセットの特徴から計算され得る。エゴマシンの追跡された運動は、駐車帯の終了を示す1つ又は複数の第2の特徴が認知されるまで、第1の特徴の位置から開始する進行路に沿って仮想駐車帯の長さを伸ばすために使用される。1つ又は複数の第2の特徴の位置は、進路上の第2の仮想駐車標識及び仮想駐車帯の終了境界線を生成するために使用され得る。
方法400は、ブロックB406において、1つ又は複数の特徴に少なくとも部分的に基づいて駐車ルールを仮想駐車帯と関連付けることを含む。すなわち、駐車ルールは、検出された特徴から取得された情報から少なくとも部分的に判定され得る。駐車ルールは、たとえば、以下の駐車関連情報を提供することができる:駐車が仮想駐車帯内で許可されている、停車が仮想駐車帯内で許可されている、駐車が仮想駐車帯内で許可されていない、又は停車が仮想駐車帯内で許可されていない。駐車ルールは、駐車ルールが適用される時間、日付、及び/又は他の条件を示し得る。駐車又は停車が許可されている場合、駐車ルールはまた、その許可は有効な許可証、たとえば、身体障害者用駐車許可証、を有することを条件とするか、或いは居住者、教職員に、又は使用法によって限定されるか、たとえば、配達のためのみ、を示し得る。
方法400は、ブロックB408において、駐車ルール及びエゴマシンに対する仮想駐車帯の相対位置を示す駐車支援出力を生成することを含む。この駐車支援出力は、エゴマシンのナビゲーションにおいてオペレータを支援するために、又は環境を通してエゴマシンを制御するための1つ又は複数の自動動作を実行するための入力として、エゴマシンの1つ又は複数のダウンストリーム構成要素によって使用され得る。
本明細書に記載のシステム及び方法は、非自律型車両、半自律型車両(たとえば、1つ又は複数の適応型運転者支援システム(ADAS:adaptive driver assistance system)における)、有人及び無人ロボット又はロボティクス・プラットフォーム、倉庫車両、オフロード車両、1つ又は複数のトレーラに連結された車両、飛行船舶、ボート、シャトル、緊急対応車両、オートバイ、電気若しくは原動機付自転車、航空機、建設車両、潜水艦、ドローン、及び/又は、他の車両タイプによって使用されてもよいが、これに限定されない。さらに、本明細書に記載のシステム及び方法は、様々な目的で、たとえば及び限定せずに、マシン制御、マシン移動、マシン運転、合成データ生成、モデル・トレーニング、知覚、拡張現実、仮想現実、混合現実、ロボット工学、セキュリティ及び監視、自律又は半自律マシン・アプリケーション、深層学習、環境シミュレーション、データ・センタ処理、対話型AI、光輸送シミュレーション(たとえば、レイトレーシング、進路トレーシングなど)、3D資産の共同コンテンツ作成、クラウド・コンピューティング及び/又は任意の他の適切なアプリケーションのために、使用され得る。
開示される実施例は、自動車システム(たとえば、自律又は半自律マシンの制御システム、自律又は半自律マシンの認知システム)、ロボットを使用して実装されるシステム、航空システム、医療システム、船舶システム、スマート・エリア・モニタリング・システム、深層学習動作を実行するためのシステム、シミュレーション動作を実行するためのシステム、エッジ・デバイスを使用して実装されるシステム、1つ又は複数の仮想マシン(VM)を組み込むシステム、合成データ生成動作を実行するためのシステム、データ・センタにおいて少なくとも部分的に実装されるシステム、対話型AI動作を実行するためのシステム、光輸送シミュレーションを実行するためのシステム、3D資産の共同コンテンツ作成を実行するためのシステム、クラウド・コンピューティング資源を使用して少なくとも部分的に実装されるシステム、及び/又は他のタイプのシステムなどの様々な異なるシステムに含まれ得る。
例示的自律型車両
図5Aは、本開示のいくつかの実施例による認知ベースの駐車支援システム100を含むエゴマシンの例示的自律型車両500の実装形態のイラストレーションである。自律型車両500(或いは、本明細書で「車両500」と称される)は、旅客車両、たとえば、乗用車、トラック、バス、ファースト・レスポンダ車両、シャトル、電気又は原動機付自転車、オートバイ、消防車、警察車両、救急車、ボート、建設車両、潜水艦、ドローン、トレーラに連結された車両、及び/又は別のタイプの車両(たとえば、無人の及び/又は1人若しくは複数の乗客を乗せた)を含み得るが、これらに限定されない。自律型車両は、一般に、米国運輸省道路交通***(NHTSA:National Highway Traffic Safety Administration)、米国運輸省の部署、及び自動車技術者協会(SAE:Society of Automotive Engineers)「Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicle」(2018年6月15日に公開された規格番号J3016-201806、2016年9月30日に公開された規格番号J3016-201609、及びこの規格の前の及び未来のバージョン)によって定義される、自動化レベルに関して記述される。移動車500は、自律運転レベルのレベル3~レベル5のうちの1つ又は複数による機能の能力を有し得る。車両500は、自律運転レベルのレベル1~レベル5のうちの1つ又は複数による機能性の能力を有し得る。たとえば、車両500は、実施例に応じて、運転者支援(レベル1)、部分的自動化(レベル2)、条件的自動化(レベル3)、高い自動化(レベル4)、及び/又は完全な自動化(レベル5)の能力を有し得る。本明細書では「自律」という用語は、車両500又は他のマシンの任意の及び/又はすべてのタイプの自律性、たとえば、完全に自律していること、高度に自律していること、条件的に自律していること、部分的に自律していること、補助的自律を提供すること、半自律していること、主として自律していること、又は他の指定、を含み得る。
図5Aは、本開示のいくつかの実施例による認知ベースの駐車支援システム100を含むエゴマシンの例示的自律型車両500の実装形態のイラストレーションである。自律型車両500(或いは、本明細書で「車両500」と称される)は、旅客車両、たとえば、乗用車、トラック、バス、ファースト・レスポンダ車両、シャトル、電気又は原動機付自転車、オートバイ、消防車、警察車両、救急車、ボート、建設車両、潜水艦、ドローン、トレーラに連結された車両、及び/又は別のタイプの車両(たとえば、無人の及び/又は1人若しくは複数の乗客を乗せた)を含み得るが、これらに限定されない。自律型車両は、一般に、米国運輸省道路交通***(NHTSA:National Highway Traffic Safety Administration)、米国運輸省の部署、及び自動車技術者協会(SAE:Society of Automotive Engineers)「Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicle」(2018年6月15日に公開された規格番号J3016-201806、2016年9月30日に公開された規格番号J3016-201609、及びこの規格の前の及び未来のバージョン)によって定義される、自動化レベルに関して記述される。移動車500は、自律運転レベルのレベル3~レベル5のうちの1つ又は複数による機能の能力を有し得る。車両500は、自律運転レベルのレベル1~レベル5のうちの1つ又は複数による機能性の能力を有し得る。たとえば、車両500は、実施例に応じて、運転者支援(レベル1)、部分的自動化(レベル2)、条件的自動化(レベル3)、高い自動化(レベル4)、及び/又は完全な自動化(レベル5)の能力を有し得る。本明細書では「自律」という用語は、車両500又は他のマシンの任意の及び/又はすべてのタイプの自律性、たとえば、完全に自律していること、高度に自律していること、条件的に自律していること、部分的に自律していること、補助的自律を提供すること、半自律していること、主として自律していること、又は他の指定、を含み得る。
移動車500は、移動車のシャシ、車体、車輪(たとえば、2、4、6、8、18など)、タイヤ、車軸、及び他の構成要素などの構成要素を含み得る。移動車500は、内部燃焼エンジン、ハイブリッド動力装置、完全な電気式エンジン、及び/又は別の推進システム・タイプなど、推進システム550を含み得る。推進システム550は、移動車500の推進力を有効にするために、トランスミッションを含み得る、移動車500のドライブ・トレインに接続され得る。推進システム550は、スロットル/加速装置552からの信号の受信に応答して制御され得る。
ハンドルを含み得る、ステアリング・システム554は、推進システム550が動作しているときに(たとえば、移動車が移動中のときに)移動車500のかじを取る(たとえば、所望の(計画された)進路又はルートに沿って)ために使用され得る。ステアリング・システム554は、ステアリング・アクチュエータ556から信号を受信することができる。ハンドルは、完全自動化(レベル5)機能のオプションでもよい。
ブレーキ・センサ・システム546は、ブレーキ・アクチュエータ548及び/又はブレーキ・センサからの信号の受信に応答して移動車ブレーキを動作させるために使用され得る。
1つ又は複数のシステム・オン・チップ(SoC:system on Chip)504(図5C)及び/又はGPUを含み得る、コントローラ536は、移動車500の1つ若しくは複数の構成要素及び/又はシステムに信号(たとえば、コマンドの表現)を提供することができる。たとえば、コントローラは、1つ又は複数のブレーキ・アクチュエータ548を介して移動車ブレーキを動作させて、1つ又は複数のステアリング・アクチュエータ556を介してステアリング・システム554を動作させて、1つ又は複数のスロットル/加速装置552を介して推進システム550を動作させるために、信号を送ることができる。コントローラ536は、センサ信号を処理する、並びに律的運転を可能にするために及び/又は運転者の移動車500の運転を支援するために動作コマンド(たとえば、コマンドを表す信号)を出力する、1つ又は複数の搭載された(たとえば、統合された)計算デバイス(たとえば、スーパーコンピュータ)を含み得る。コントローラ536は、自律運転機能のための第1のコントローラ536、機能的安全性機能のための第2のコントローラ536、人工知能機能(たとえば、コンピュータ・ビジョン)のための第3のコントローラ536、インフォテインメント機能のための第4のコントローラ536、緊急状態における冗長性のための第5のコントローラ536、及び/又は他のコントローラを含み得る。いくつかの実例では、単一のコントローラ536が、前述の機能のうちの2個以上を処理することができ、2個以上のコントローラ536が、単一の機能、及び/又はその任意の組合せを処理することができる。
コントローラ536は、1つ又は複数のセンサから受信したセンサ・データ(たとえば、センサ入力)に応答して移動車500の1つ若しくは複数の構成要素及び/又はシステムを制御するための信号を提供することができる。センサ・データは、たとえば、そして制限なしに、全地球的航法衛星システム・センサ558(たとえば、グローバル・ポジショニング・システム・センサ)、RADARセンサ560、超音波センサ562、LIDARセンサ564、慣性計測装置(IMU:inertial measurement unit)センサ566(たとえば、加速度計、ジャイロスコープ、磁気コンパス、磁力計など)、マイクロフォン596、ステレオ・カメラ568、ワイド・ビュー・カメラ570(たとえば、魚眼カメラ)、赤外線カメラ572、サラウンド・カメラ574(たとえば、360度カメラ)、長距離及び/又は中距離カメラ598、スピード・センサ544(たとえば、移動車500のスピードを測定するための)、振動センサ542、ステアリング・センサ540、ブレーキ・センサ(たとえば、ブレーキ・センサ・システム546の一部としての)、及び/又は他のセンサ・タイプから受信され得る。さらに、コントローラ536は、駐車ルール及びエゴマシンに対する仮想駐車帯の相対位置を指示する駐車帯プロセッサ102からの駐車支援出力を受信し得る。駐車支援出力で、コントローラ536は、駐車及び/又は停車が許可されていないときには駐車帯を回避しながら、有効な駐車又は停車駐車帯へとナビゲートするように車両500を操作することができる。
コントローラ536のうちの1つ又は複数のコントローラは、移動車500の計器群532から入力(たとえば、入力データによって表される)を受信し、出力(たとえば、出力データ、表示データなどによって表される)をヒューマン・マシン・インターフェース(HMI:human-machine interface)ディスプレイ534、可聴式アナンシエータ、ラウドスピーカ、及び/又は移動車500の他の構成要素を介して提供することができる。出力は、移動車ベロシティ、スピード、時間、マップ・データ(たとえば、図5CのHDマップ522)、位置データ(たとえば、マップ上などの、移動車の500の位置)、方向、他の移動車の位置(たとえば、占有グリッド)、コントローラ536によって把握されるものとしての物体及び物体の状況に関する情報などの、情報を含み得る。たとえば、HMIディスプレイ534は、1つ又は複数の物体(たとえば、道路標識、警告標識、交通信号の変化など)の存在、及び/又は移動車が行った、行っている、又は行うであろう運転操作(たとえば、今、車線変更をしていること、3.22km(2マイル)内の出口34Bを出ることなど)に関する情報を表示することができる。さらに、HMIディスプレイ534は、図3に関して図示及び前述したように、駐車帯プロセッサ102によって生成された仮想駐車帯を表示することができる。仮想駐車帯ジェネレータ210は、指示された進行方向307を有する進路302を進むエゴマシン305及び対応する仮想駐車標識との車両500の近接において検出されるものとしての1つ又は複数の仮想駐車帯のグラフィック表現又はアイコンをHMIディスプレイ534上に提示する。
移動車500はさらに、1つ若しくは複数のワイヤレス・アンテナ526及び/又はモデムを使用して1つ若しくは複数のネットワークを介して通信することができるネットワーク・インターフェース524を含む。たとえば、ネットワーク・インターフェース524は、LTE、WCDMA(登録商標)、UMTS、GSM、CDMA2000などを介する通信の能力を有し得る。ワイヤレス・アンテナ526はまた、ブルートゥース(登録商標)、ブルートゥース(登録商標)LE、Z-Wave、ZigBeeなどのローカル・エリア・ネットワーク、及び/又はLoRaWAN、SigFoxなどのロー・パワー・ワイドエリア・ネットワーク(LPWAN:low power wide-area network)を使用し、環境内の物体(たとえば、移動車、モバイル・デバイスなど)の間の通信を可能にすることができる。いくつかの実施例では、駐車帯プロセッサ102は、定期的に、又は車両500の位置に基づいて、ネットワーク・インターフェース524を介して駐車ルール・データ216をダウンロードする、たとえば、ローカル駐車ルールのそれの知識を更新するために。
図5Bは、本開示のいくつかの実施例による、図5Aの例示的自律型車両500のカメラ位置及び視野の実例である。カメラ及びそれぞれの視野は、1つの例示的実施例であり、制限することは意図されていない。たとえば、追加の及び/又は代替カメラが含まれ得る、及び/又はカメラは移動車500の異なる位置に置かれ得る。図5Bに示すようなそのようなカメラのうちの任意の1つ又は複数は、駐車帯プロセッサ102に特徴データ104として最終的に入力されるセンサ・データ108をキャプチャするためのセンサ110として使用され得る。
カメラのカメラ・タイプは、移動車500の構成要素及び/又はシステムと使用するようになされ得るデジタル・カメラを含み得るが、これに限定されない。カメラは、自動車安全整合性レベル(ASIL:automotive safety integrity level)Bにおいて及び/又は別のASILにおいて動作することができる。カメラ・タイプは、実施例に応じて、60フレーム/秒(fps)、120fps、240fpsなど、任意の画像キャプチャ・レートの能力を有し得る。カメラは、ロール・シャッタ、グローバル・シャッタ、別のタイプのシャッタ、又はその組合せを使用する能力を有し得る。いくつかの実例では、カラー・フィルタ・アレイは、RCCC(red clear clear clear)カラー・フィルタ・アレイ、RCCB(red clear clear blue)カラー・フィルタ・アレイ、RBGC(red blue green clear)カラー・フィルタ・アレイ、Foveon X3カラー・フィルタ・アレイ、Bayerセンサ(RGGB)カラー・フィルタ・アレイ、モノクロ・センサ・カラー・フィルタ・アレイ、及び/又は別のタイプのカラー・フィルタ・アレイを含み得る。一部の実施例では、RCCC、RCCB、及び/又はRBGCカラー・フィルタ・アレイを有するカメラなどのクリア画素カメラは、光感度を上げるための取り組みにおいて使用され得る。
いくつかの実例では、カメラのうちの1つ又は複数が、高度運転者支援システム(ADAS:advanced driver assistance system)機能(たとえば、冗長又はフェイルセーフ設計の一部として)を実行するために使用され得る。たとえば、多機能モノ・カメラは、車線逸脱警報、交通標識アシスト及びインテリジェント・ヘッドランプ制御を含む機能を提供するために設置され得る。カメラのうちの1つ又は複数(たとえば、すべてのカメラ)が、画像データ(たとえば、ビデオ)を同時に記録及び提供することができる。
カメラのうちの1つ又は複数は、カメラの画像データ・キャプチャ能力を妨げることがある自動車内からの迷光及び反射(たとえば、フロントガラスのミラーにおいて反射されたダッシュボードからの反射)を取り除くために、カスタム設計された(3D印刷された)部品などの取付部品において取り付けられ得る。サイドミラー取付部品を参照すると、サイドミラー部品は、カメラ取付板がサイドミラーの形状に合うように、カスタム3D印刷され得る。いくつかの実例では、カメラは、サイドミラー内に統合され得る。サイドビュー・カメラについては、カメラはまた、キャビンの各角にある4個の支柱内に統合され得る。
移動車500の前の環境の部分を含む視野を有するカメラ(たとえば、前向きのカメラ)は、前向きの進路及び障害物の識別を助け、1つ若しくは複数のコントローラ536及び/又は制御SoCの助けにより、占有グリッドの生成及び/又は好ましい移動車進路の決定に不可欠な情報の提供の提供を助けるための、サラウンド・ビューのために使用され得る。前向きのカメラは、緊急ブレーキ、歩行者検出、及び衝突回避を含む、LIDARと同じADAS機能の多くを実行するために使用され得る。前向きのカメラはまた、車線逸脱警報(LDW:Lane Departure Warning)、自律的クルーズ制御(ACC:Autonomous Cruise Control)、及び/又は交通標識認識などの他の機能を含むADAS機能及びシステムのために使用され得る。
様々なカメラが、たとえば、CMOS(complementary metal oxide semiconductor)カラー画像化装置を含む単眼カメラ・プラットフォームを含む、前向きの構成において使用され得る。別の実例は、周辺(たとえば、歩行者、交差する交通又は自転車)からのビューに入る物体を把握するために使用され得るワイド・ビュー・カメラ570でもよい。図5Bにはワイド・ビュー・カメラは1つだけ示されているが、移動車500には任意の数のワイド・ビュー・カメラ570が存在し得る。加えて、長距離カメラ598(たとえば、ロングビュー・ステレオ・カメラ・ペア)が、特に、ニューラル・ネットワークがまだトレーニングされていない物体について、深度ベースの物体検出のために使用され得る。長距離カメラ598はまた、物体検出及び分類、並びに基本物体追跡のために使用され得る。
1つ又は複数のステレオ・カメラ568もまた、前向きの構成に含まれ得る。ステレオ・カメラ568は、単一のチップ上に統合されたCAN又はイーサネット(登録商標)・インターフェースを有するプログラマブル論理(FPGA)及びマルチコア・マイクロプロセッサを提供し得る、拡張可能な処理ユニットを備えた統合された制御ユニットを含み得る。そのようなユニットは、画像内のすべてのポイントの距離推定値を含む、移動車の環境の3Dマップを生成するために使用され得る。代替ステレオ・カメラ568は、2個のカメラ・レンズ(左と右に1つずつ)と、移動車から対象物体までの距離を測定する及び生成された情報(たとえば、メタデータ)を使用して自律的緊急ブレーキ及び車線逸脱警報機能をアクティブにすることができる画像処理チップとを含み得る、コンパクト・ステレオ・ビジョン・センサを含み得る。他のタイプのステレオ・カメラ568が、本明細書に記載のものに加えて、又はそれらの代わりに、使用されてもよい。
移動車500の側面に対する環境の部分を含む視野を有するカメラ(たとえば、サイドビュー・カメラ)が、占有グリッドを作成及び更新するために並びに側面衝撃衝突警報を生成するために使用される情報を提供する、サラウンド・ビューのために使用され得る。たとえば、サラウンド・カメラ574(たとえば、図5Bに示されるような4個のサラウンド・カメラ574)は、移動車500上に位置付けられ得る。サラウンド・カメラ574は、ワイド・ビュー・カメラ570、魚眼カメラ、360度カメラ、及び/又は同類のものを含み得る。たとえば、4個の魚眼カメラが、移動車の前、後ろ、及び側面に配置され得る。代替配置において、移動車は、3個のサラウンド・カメラ574(たとえば、左、右、及び後部)を使用してもよく、第4のサラウンド・ビュー・カメラとして1つ又は複数の他のカメラ(たとえば、前向きのカメラ)を活用してもよい。
移動車500の後ろに対する環境の部分を含む視野を有するカメラ(たとえば、後方確認カメラ)が、駐車支援、サラウンド・ビュー、後部衝突警報、並びに占有グリッドの作成及び更新のために使用され得る。本明細書に記載のように、前向きのカメラ(たとえば、長距離及び/又は中距離カメラ598、ステレオ・カメラ568)、赤外線カメラ572など)としても適したカメラを含むがこれらに限定されない、多種多様なカメラが使用され得る。
図5Cは、本開示のいくつかの実施例による、図5Aの例示的自律型車両500の例示的システム・アーキテクチャのブロック図である。本明細書に記載されているこの及び他の配置は単に実例として説明されていることを理解されたい。他の配置及び要素(たとえば、マシン、インターフェース、機能、順番、機能のグループ分けなど)が、示されたものに加えて又はこれらに代わって使用されてもよく、いくつかの要素はともに除外されてもよい。さらに、本明細書に記載の要素の多くは、個別の又は分散された構成要素として又は他の構成要素と併せて、並びに任意の適切な組合せ及び場所において、実装され得る機能エンティティである。エンティティによって実行されるものとして本明細書に記載された様々な機能は、ハードウェア、ファームウェア、及び/又はソフトウェアによって実施され得る。たとえば、様々な機能が、メモリに記憶された命令を実行するプロセッサによって実施され得る。
図5Cの移動車500の構成要素、特徴、及びシステムのそれぞれは、バス502を介して接続されるものとして図示されている。バス502は、コントローラ・エリア・ネットワーク(CAN)データ・インターフェース(或いは、「CANバス」と称される)を含み得る。CANは、ブレーキ、加速度、ブレーキ、ステアリング、フロントガラス・ワイパなどの作動など、移動車500の様々な特徴及び機能の制御を助けるために使用される移動車500内のネットワークでもよい。CANバスは、それぞれが独自の一意の識別子(たとえば、CAN ID)を有する、数ダース又は数百ものノードを有するように構成され得る。CANバスは、ハンドル角度、対地速度、1分間のエンジン回転(RPM:revolutions per minute)、ボタン位置、及び/又は他の移動車状況指標を見つけるために読み取られ得る。CANバスは、ASIL B準拠でもよい。
バス502は、CANバスであるものとして本明細書に記載されているが、これは制限することを意図されていない。たとえば、CANバスに加えて、又はこのその代替として、FlexRay及び/又はイーサネット(登録商標)が使用されてもよい。加えて、単一の線が、バス502を表すために使用されているが、これは制限することを意図されていない。たとえば、1つ若しくは複数のCANバス、1つ若しくは複数のFlexRayバス、1つ若しくは複数のイーサネット(登録商標)・バス、及び/又は異なるプロトコルを使用する1つ若しくは複数の他のタイプのバスを含み得る、任意の数のバス502が存在し得る。いくつかの実例では、2個以上のバス502が、異なる機能を実行するために使用され得る、及び/又は冗長性のために使用され得る。たとえば、第1のバス502は衝突回避機能のために使用されてもよく、第2のバス502は作動制御のために使用されてもよい。任意の実例において、各バス502は、移動車500の構成要素のいずれかと通信し得、2個以上のバス502が同じ構成要素と通信し得る。いくつかの実例では、移動車内の各SoC504、各コントローラ536、及び/又は各コンピュータは、同じ入力データ(たとえば、移動車500のセンサからの入力)へのアクセスを有し得、CANバスなどの共通バスに接続され得る。
移動車500は、図5Aに関して本明細書で説明されるものなど、1つ又は複数のコントローラ536を含み得る。コントローラ536は、様々な機能のために使用され得る。コントローラ536は、移動車500の様々な他の構成要素及びシステムのいずれかに連結されてもよく、移動車500、移動車500の人工知能、移動車500のためのインフォテインメント、及び/又は同類のものの制御のために使用され得る。たとえば、駐車帯プロセッサ102又は特徴分類器106のうちの1つ又は両方の特徴及び機能は、1つ又は複数のコントローラ536によって少なくとも部分的に実行され得る。
移動車500は、システム・オン・チップ(SoC)504を含み得る。SoC504は、CPU506、GPU508、プロセッサ510、キャッシュ512、加速装置514、データ・ストア516、及び/又は図示されていない他の構成要素及び特徴を含み得る。SoC504は、様々なプラットフォーム及びシステム内の移動車500を制御するために使用され得る。たとえば、SoC504は、1つ又は複数のサーバ(たとえば、図5Dのサーバ578)からネットワーク・インターフェース524を介してマップのリフレッシュ及び/又は更新を取得することができるHDマップ522を有するシステム(たとえば、移動車500のシステム)において結合され得る。
CPU506は、CPUクラスタ又はCPU複合体(或いは、「CCPLEX」とも称される)を含み得る。CPU506は、複数のコア及び/又はL2キャッシュを含み得る。たとえば、一部の実施例では、CPU506は、コヒーレント・マルチプロセッサ構成内の8個のコアを含み得る。一部の実施例では、CPU506は、4個のデュアルコア・クラスタを含むことができ、各クラスタが専用のL2キャッシュ(たとえば、2MBL2キャッシュ)を有する。CPU506(たとえば、CCPLEX)は、CPU506のクラスタの任意の組合せが任意の所与の時間にアクティブになることを可能にする同時クラスタ動作をサポートするように構成され得る。
CPU506は、以下の特徴のうちの1つ又は複数を含む電力管理能力を実装することができる:個別ハードウェア・ブロックが、動的電力を節約するためにアイドル状態のときに自動的にクロック・ゲーティングされ得る、各コア・クロックは、WFI/WFE命令の実行により命令をコアがアクティブに実行していないときにゲーティングされ得る、各コアは、独立してパワー・ゲーティングされ得る、各コア・クラスタは、すべてのコアがクロック・ゲーティングされる若しくはパワー・ゲーティングされるときに、独立してクロック・ゲーティングされ得る、及び/又は、各コア・クラスタは、すべてのコアがパワー・ゲーティングされるときに、独立してパワー・ゲーティングされ得る。CPU506は、電力状態を管理するための強化されたアルゴリズムをさらに実装することができ、そこでは、許容される電力状態及び予想されるウェイクアップ時間が指定され、ハードウェア/マイクロ・コードが、コア、クラスタ、及びCCPLEXに入力するための最良の電力状態を決定する。処理コアは、作業がマイクロ・コードにオフロードされたソフトウェアにおける簡略化された電力状態入力シーケンスをサポートすることができる。
GPU508は、統合されたGPU(或いは本明細書において「iGPU」と称される)を含み得る。GPU508は、プログラマブルになり得、並行のワークロードに効率的になり得る。一部の実例では、GPU508は、強化されたテンソル命令セットを使用することができる。GPU508は、1つ又は複数のストリーミング・マイクロプロセッサを含み得、そこで、各ストリーミング・マイクロプロセッサは、L1キャッシュ(たとえば、少なくとも96KB記憶容量を有するL1キャッシュ)を含み得、ストリーミング・マイクロプロセッサのうちの2個以上が、キャッシュ(たとえば、512KB記憶容量を有するL2キャッシュ)を共用し得る。一部の実施例では、GPU508は、少なくとも8個のストリーミング・マイクロプロセッサを含み得る。GPU508は、計算アプリケーション・プログラミング・インターフェース(API)を使用することができる。加えて、GPU508は、1つ若しくは複数の並行のコンピューティング・プラットフォーム及び/又はプログラミング・モデル(たとえば、NVIDIAのCUDA)を使用することができる。
GPU508は、自動車の及び組み込まれた使用事例における最高のパフォーマンスのために電力最適化され得る。たとえば、GPU508は、FinFET(Fin field-effect transistor)上に製造され得る。しかしながら、これは制限することを意図されておらず、GPU508は、他の半導体製造プロセスを使用し、製造され得る。各ストリーミング・マイクロプロセッサは、複数のブロックに区切られたいくつかの混合精度処理コアを組み込むことができる。限定ではなく、たとえば、64 PF32コア及び32 PF64コアは、4個の処理ブロックに区切られてもよい。そのような実例では、各処理ブロックは、16 FP32コア、8 FP64コア、16 INT32コア、深層学習行列演算のための2個の混合精度NVIDIAテンソル・コア、L0命令キャッシュ、ワープ・スケジューラ、発送ユニット、及び/又は64KBレジスタ・ファイルを割り当てられ得る。加えて、ストリーミング・マイクロプロセッサは、計算及びアドレス指定演算の混合を有するワークロードの効率的な実行を提供するための独立した並行の整数及び浮動小数点データ進路を含み得る。ストリーミング・マイクロプロセッサは、並行スレッドの間のより高い細粒度の同期及び連携を可能にするために、独立したスレッド・スケジューリング能力を含み得る。ストリーミング・マイクロプロセッサは、プログラミングを単純化しつつ性能を向上させるために、結合されたL1データ・キャッシュ及び共用メモリ・ユニットを含み得る。
GPU508は、一部の実例では、900GB/秒のピーク・メモリ帯域幅に関して、提供するための高帯域幅メモリ(HBM:high bandwidth memory)及び/又は16GBHBM2メモリ・サブシステムを含み得る。いくつかの実例では、HBMメモリに加えて、又はこれの代わりに、グラフィックス・ダブル・データ・レート・タイプ5同期ランダム・アクセス・メモリ(GDDR5:graphics double data rate type five synchronous random-access memory)などの同期グラフィックス・ランダム・アクセス・メモリ(SGRAM:synchronous graphics random-access memory)が使用され得る。
GPU508は、メモリ・ページに最も頻繁にアクセスするプロセッサへのそれらのメモリ・ページのより正確な移動を可能にするためにアクセス・カウンタを含む統一されたメモリ技術を含むことができ、それにより、プロセッサ間で共用される記憶範囲の効率を向上させる。いくつかの実例では、アドレス変換サービス(ATS:address translation service)サポートが、GPU508がCPU506ページ・テーブルに直接アクセスすることを可能にするために使用され得る。そのような実例では、GPU508メモリ管理ユニット(MMU:memory management unit)がミスを経験するとき、アドレス変換要求が、CPU506に送信され得る。応答して、CPU506は、アドレスの仮想対現実マッピングのためのそのページ・テーブルを調べることができ、GPU508に変換を送り返す。そのようなものとして、統一されたメモリ技術は、CPU506とGPU508との両方のメモリの単一統一仮想アドレス空間を可能にすることができ、それによりGPU508へのアプリケーションのGPU508プログラミング及び移植を単純化する。
加えて、GPU508は、他のプロセッサのメモリへのGPU508のアクセスの頻度を記録することができるアクセス・カウンタを含み得る。アクセス・カウンタは、メモリ・ページが最も頻繁にそのページにアクセスしているプロセッサの物理メモリに移動されることを確実にするのを助けることができる。
SoC504は、本明細書に記載のものを含む任意の数のキャッシュ512を含み得る。たとえば、キャッシュ512は、CPU506とGPU508との両方に利用可能な(たとえば、CPU506とGPU508との両方に接続された)L3キャッシュを含み得る。キャッシュ512は、キャッシュ・コヒーレンス・プロトコル(たとえば、MEI、MESI、MSIなど)を使用することなどによって、線の状態を記録することができるライトバック・キャッシュを含み得る。L3キャッシュは、より小さいキャッシュ・サイズが使用されてもよいが、実施例に応じて、4MB以上を含み得る。
SoC504は、車両500の様々なタスク又は動作のいずれか(たとえば、処理DNN)に関して処理を実行する際に活用され得る論理演算ユニット(ALU:arithmetic logic unit)を含み得る。加えて、SoC504は、システム内で数学演算を実行するための浮動小数点演算ユニット(FPU:floating point unit)(又は他のマス・コプロセッサ又は数値演算コプロセッサ・タイプ)を含み得る。たとえば、SoC104は、CPU506及び/又はGPU508内の実行ユニットとして統合された1つ又は複数のFPUを含み得る。
SoC504は、1つ又は複数の加速装置514(たとえば、ハードウェア・加速装置、ソフトウェア・加速装置、又はその組合せ)を含み得る。たとえば、SoC504は、最適化されたハードウェア加速装置及び/又は大きなオンチップ・メモリを含み得る、ハードウェア加速クラスタを含み得る。大きなオンチップメモリ(たとえば、4MBのSRAM)は、ハードウェア加速クラスタがニューラル・ネットワーク及び他の演算を加速することを可能にし得る。たとえば、特徴分類器106の1つ又は複数の態様は、加速装置514を利用して、駐車帯プロセッサ102に入力される特徴データ104を生成し得る。ハードウェア加速クラスタは、GPU508を補完するために及びGPU508のタスクの一部をオフロードするために(たとえば、他のタスクを実行するためのGPU508のより多くのサイクルを解放するために)使用され得る。一実例として、加速装置514は、加速に適するように十分に安定している対象ワークロード(たとえば、知覚、畳み込みニューラル・ネットワーク(CNN:convolutional neural network)など)のために使用され得る。本明細書では、「CNN」という用語は、領域ベースの又は領域的畳み込みニューラル・ネットワーク(RCNN:regional convolutional neural network)及び高速RCNN(たとえば、物体検出のために使用されるものとしての)を含む、すべてのタイプのCNNを含み得る。
加速装置514(たとえば、ハードウェア加速クラスタ)は、深層学習加速装置(DLA:deep learning accelerator)を含み得る。DLAは、深層学習アプリケーション及び推論のために1秒あたり追加の10兆の動作を提供するように構成することができる1つ又は複数のテンソル処理ユニット(TPU:Tensor processing unit)を含み得る。TPUは、画像処理機能(たとえば、CNN、RCNNなどの)を実行するように構成及び最適化された加速装置でもよい。DLAはさらに、特定のセットのニューラル・ネットワーク・タイプ及び浮動小数点演算、並びに推論のために最適化され得る。DLAの設計は、汎用GPUよりも1ミリメートルあたりより多くのパフォーマンスを提供することができ、CPUのパフォーマンスを大きく超える。TPUは、たとえば、特徴と重みとの両方についてINT8、INT16、及びFP16データ・タイプをサポートする、単一インスタンス畳み込み機能、並びにポストプロセッサ機能を含む、いくつかの機能を実行することができる。
DLAは、以下を含むがこれらに限定されない、様々な機能のいずれかのために処理済み又は未処理のデータでニューラル・ネットワーク、特にCNN、を迅速に及び効率的に実行することができる:カメラ・センサからのデータを使用する物体識別及び検出のためのCNN、カメラ・センサからのデータを使用する距離推定のためのCNN、マイクロフォンからのデータを使用する緊急車両検出及び識別及び検出のためのCNN、カメラ・センサからのデータを使用する顔認識及び移動車所有者識別のためのCNN、及び/又は、セキュリティ及び/又は安全性関連イベントのためのCNN。
DLAは、GPU508の任意の機能を実行することができ、そして、推論加速装置を使用することによって、たとえば、設計者は、任意の機能のためにDLA又はGPU508のいずれかを対象にすることができる。たとえば、設計者は、DLA上のCNN及び浮動小数点演算の処理に重点的に取り組み、他の機能をGPU508及び/又は他の加速装置514に任せることができる。
加速装置514(たとえば、ハードウェア加速クラスタ)は、或いはコンピュータ・ビジョン加速装置と本明細書で称され得るプログラマブル・ビジョン加速装置(PVA:programmable vision accelerator)を含み得る。PVAは、高度運転者支援システム(ADAS:advanced driver assistance system)、自律運転、及び/又は拡張現実(AR:augmented reality)及び/又は仮想現実(VR:virtual reality)アプリケーションのためのコンピュータ・ビジョン・アルゴリズムを加速するように設計及び構成され得る。PVAは、パフォーマンスと柔軟性との間のバランスをもたらすことができる。たとえば、各PVAは、たとえば、任意の数の縮小命令セット・コンピュータ(RISC:reduced instruction set computer)コア、直接メモリ・アクセス(DMA:direct memory access)、及び/又は任意の数のベクトル・プロセッサを含み得るが、これらに限定されない。
RISCコアは、画像センサ(たとえば、本明細書に記載のカメラのうちのいずれかのカメラの画像センサ)、画像信号プロセッサ、及び/又は同類のものと相互作用することができる。それぞれのRISCコアは、任意の量のメモリを含み得る。RISCコアは、実施例に応じて、いくつかのプロトコルのいずれかを使用することができる。いくつかの実例では、RISCコアは、リアルタイム・オペレーティング・システム(RTOS:real-time operating system)を実行することができる。RISCコアは、1つ若しくは複数の集積回路デバイス、特定用途向け集積回路(ASIC)、及び/又はメモリ・デバイスを使用して、実装され得る。たとえば、RISCコアは、命令キャッシュ及び/又はしっかりと結合されたRAMを含み得る。
DMAは、CPU506から独立したシステム・メモリにPVAの構成要素がアクセスすることを可能にし得る。DMAは、多次元アドレス指定及び/又は循環アドレス指定をサポートすることを含むがこれに限定されないPVAに最適化をもたらすために使用される任意の数の特徴をサポートすることができる。いくつかの実例では、DMAは、ブロック幅、ブロック高さ、ブロック深度、水平ブロック・ステッピング、垂直ブロック・ステッピング、及び/又は深度ステッピングを含み得る、6次元まで又はそれ以上のアドレス指定をサポートすることができる。
ベクトル・プロセッサは、コンピュータ・ビジョン・アルゴリズムのプログラミングを効率的に柔軟に実行する及び信号処理能力を提供するように設計され得るプログラマブル・プロセッサでもよい。いくつかの実例では、PVAは、PVAコア及び2個のベクトル処理サブシステム・パーティションを含み得る。PVAコアは、プロセッサ・サブシステム、DMAエンジン(たとえば、2個のDMAエンジン)、及び/又は他の周辺装置を含み得る。ベクトル処理サブシステムは、PVAの1次的処理エンジンとして動作することができ、ベクトル処理ユニット(VPU:vector processing unit)、命令キャッシュ、及び/又はベクトル・メモリ(たとえば、VMEM)を含み得る。VPUコアは、たとえば、単一の命令、複数のデータ(SIMD)、超長命令語(VLIW:very long instruction word)デジタル信号プロセッサなど、デジタル信号プロセッサを含み得る。SIMD及びVLIWの組合せは、スループット及びスピードを高めることができる。
それぞれのベクトル・プロセッサは、命令キャッシュを含み得、専用のメモリに連結され得る。結果として、一部の実例では、それぞれのベクトル・プロセッサは、他のベクトル・プロセッサから独立して実行するように構成され得る。他の実例において、特定のPVAに含まれるベクトル・プロセッサは、データ並列処理を用いるように構成され得る。たとえば、一部の実施例では、単一のPVAに含まれる複数のベクトル・プロセッサは、同じコンピュータ・ビジョン・アルゴリズムを、しかし画像の異なる領域上で、実行することができる。他の実例において、特定のPVAに含まれるベクトル・プロセッサは、異なるコンピュータ・ビジョン・アルゴリズムを、同じ画像上で、同時に実行することができ、或いは順次画像又は画像の部分で異なるアルゴリズムを実行することさえできる。特に、任意の数のPVAは、ハードウェア加速クラスタに含まれ得、任意の数のベクトル・プロセッサは、それぞれのPVAに含まれ得る。加えて、PVAは、全体的システム安全性を高めるために、追加のエラー訂正コード(ECC:error correcting code)メモリを含み得る。
加速装置514(たとえば、ハードウェア加速クラスタ)は、加速装置514のための高帯域幅、低レイテンシSRAMを提供するための、コンピュータ・ビジョン・ネットワーク・オンチップ及びSRAMを含み得る。いくつかの実例では、オンチップ・メモリは、たとえば、そして制限ではなく、PVAとDLAとの両方によってアクセス可能でもよい、8個のフィールド構成可能なメモリ・ブロックから成る、少なくとも4MBのSRAMを含み得る。各ペアのメモリ・ブロックは、高度周辺バス(APB:advanced peripheral bus)インターフェース、構成回路、コントローラ、及びマルチプレクサを含み得る。任意のタイプのメモリが、使用され得る。PVA及びDLAは、メモリへの高速アクセスを有するPVA及びDLAを提供するバックボーンを介してメモリにアクセスすることができる。バックボーンは、(たとえば、APBを使用して)PVA及びDLAをメモリに相互接続するコンピュータ・ビジョン・ネットワーク・オンチップを含み得る。
コンピュータ・ビジョン・ネットワーク・オンチップは、PVAとDLAとの両方が作動可能及び有効信号を提供することを、任意の制御信号/アドレス/データの送信の前に、決定するインターフェースを含み得る。そのようなインターフェースは、制御信号/アドレス/データを送信するための別個のフェーズ及び別個のチャネル、並びに連続的データ転送のためのバーストタイプの通信を提供することができる。このタイプのインターフェースは、ISO26262又はIEC61508規格に従うことができるが、他の規格及びプロトコルが使用されてもよい。
いくつかの実例では、SoC504は、2018年8月10日に出願された米国特許出願第16/101,232号に記載されるような、リアルタイム・レイトレーシング・ハードウェア加速装置を含み得る。リアルタイム・レイトレーシング・ハードウェア加速装置は、RADAR信号解釈のための、音響伝播合成及び/又は分析のための、SONARシステムのシミュレーションのための、一般波伝播シミュレーションのための、ローカリゼーション及び/又は他の機能を目的とするLIDARデータに対する比較のための、及び/又は他の使用のための、リアルタイム視覚化シミュレーションを生成するために、(たとえば、世界モデル内の)物体の位置及び規模を迅速に効率的に決定するために使用され得る。一部の実施例では、1つ又は複数の木の走査ユニット(TTU:tree traversal unit)が、1つ又は複数のレイトレーシング関連動作を実行するために使用され得る。
加速装置514(たとえば、ハードウェア加速装置クラスタ)は、自律運転のための多様な用途を有する。PVAは、ADAS及び自律型車両における極めて重要な処理段階に使用され得るプログラマブル・ビジョン加速装置でもよい。PVAの能力は、低電力及び低レイテンシにおいて、予測可能な処理を必要とするアルゴリズムの領域にふさわしい。言い換えれば、PVAは、低レイテンシ及び低電力とともに予測可能な実行時間を必要とする、小さなデータ集合上でも、半高密度の又は高密度の通常の計算で上手く機能する。それ故に、PVAは、物体検出及び整数計算での動作において効率的であるので、自律型車両のためのプラットフォームとの関連で、PVAは、クラシック・コンピュータ・ビジョン・アルゴリズムを実行するように設計される。
たとえば、本技術の1つの実施例によれば、PVAは、コンピュータ・ステレオ・ビジョンを実行するために使用される。半グローバルなマッチングベースのアルゴリズムが、一部の実例では使用され得るが、これは制限することを意図されていない。レベル3~5の自律運転のための多数のアプリケーションは、動き推定/ステレオ・マッチング・オンザフライ(たとえば、SFM(structure from motion)、歩行者認識、レーン検出など)を必要とする。PVAは、2個の単眼カメラからの入力でコンピュータ・ステレオ・ビジョン機能を実行することができる。
いくつかの実例では、PVAは、高密度のオプティカル・フローを実行するために使用され得る。処理されたRADARを提供するために未加工のRADARデータを処理する(たとえば、4D高速フーリエ変換を使用して)ことによる。他の実例において、PVAは、たとえば、飛行データの未加工の時間を処理して飛行データの処理済み時間を提供することにより、飛行深度処理の時間に使用される。
DLAは、たとえば、各物体検出の信頼性の測定値を出力するニューラル・ネットワークを含む、制御及び運転安全性を強化するために任意のタイプのネットワークを実行するために使用され得る。そのような信頼性値は、確率として、又は他の検出と比較した各検出の相対的「重み」を提供するものとして、解釈され得る。この信頼性値は、どの検出が誤判定検出ではなくて真陽性検出と考えられるべきであるかに関するさらなる決定をシステムが行うことを可能にする。たとえば、システムは、信頼性の閾値を設定し、真陽性検出としての閾値を超える検出のみを考慮することができる。実施例において、そのような信頼性値は、認知された特徴データ104から導出された駐車ルールが仮想駐車帯に関連付けられるのに十分に信頼できるかの程度を判定する際に、駐車帯プロセッサ102によって使用され得る。高い信頼性値(たとえば、信頼性閾値を少なくとも満たす)を有する駐車ルールが、仮想駐車帯に割り当てられ得る。低い信頼性値を有する(たとえば、信頼性閾値を満たさない)駐車ルールは、無視されてもよく、デフォルト駐車ルールが仮想駐車帯に割り当てられる。
自動非常ブレーキ(AEB:automatic emergency braking)システムにおいて、誤判定検出は、移動車に非常ブレーキを自動で実行させることになり、これは明らかに望ましくない。したがって、最も確信のある検出のみが、AEBのトリガとして考えられるべきである。DLAは、信頼性値を退行するニューラル・ネットワークを実行し得る。ニューラル・ネットワークは、境界ボックス次元、(たとえば、別のサブシステムから)取得されたグラウンド・プレーン推定、ニューラル・ネットワーク及び/又は他のセンサ(たとえば、LIDARセンサ564又はRADARセンサ560)から取得された物体の移動車500方位、距離、3D位置推定と相関する慣性計測装置(IMU:inertial measurement unit)センサ566出力、その他など、少なくともいくつかのサブセットのパラメータをその入力として受け取ることができる。
SoC504は、データ・ストア516(たとえば、メモリ)を含み得る。データ・ストア516は、SoC504のオンチップ・メモリでもよく、GPU及び/又はDLAで実行されることになるニューラル・ネットワークを記憶することができる。いくつかの実例では、データ・ストア516は、冗長性及び安全性のためにニューラル・ネットワークの複数のインスタンスを記憶するのに十分な大きさの容量を有し得る。データ・ストア512は、L2又はL3キャッシュ512を備え得る。データ・ストア516の参照は、本明細書に記載のような、PVA、DLA、及び/又は他の加速装置514に関連するメモリの参照を含み得る。
SoC504は、1つ又は複数のプロセッサ510(たとえば、組み込まれたプロセッサ)を含み得る。プロセッサ510は、ブート電力及び管理能力及び関連するセキュリティ施行を処理するための専用のプロセッサ及びサブシステムでもよいブート及び電力管理プロセッサを含み得る。ブート及び電力管理プロセッサは、SoC504ブート・シーケンスの一部でもよく、実行時間電力管理サービスを提供することができる。ブート電力及び管理プロセッサは、クロック及び電圧プログラミング、システム低電力状態移行の支援、SoC504熱及び温度センサの管理、及び/又はSoC504電力状態の管理を提供することができる。各温度センサは、その出力頻度が温度に比例するリング発振器として実装されてもよく、SoC504は、リング発振器を使用してCPU506、GPU508、及び/又は加速装置514の温度を検出することができる。温度が、閾値を超えたと判定された場合、ブート及び電力管理プロセッサは、温度障害ルーティンに入り、SoC504をより低い電力状態に置く及び/又は移動車500をショーファーの安全停止モードにする(たとえば、移動車500を安全停止させる)ことができる。
プロセッサ510は、オーディオ処理エンジンの機能を果たし得る1セットの組み込まれたプロセッサをさらに含み得る。オーディオ処理エンジンは、複数のインターフェースを介するマルチチャネル・オーディオの完全なハードウェア・サポートとオーディオI/Oインターフェースの広く柔軟な範囲とを可能にするオーディオ・サブシステムでもよい。いくつかの実例では、オーディオ処理エンジンは、専用のRAMを有するデジタル信号プロセッサを有する専用のプロセッサ・コアである。
プロセッサ510は、低電力センサ管理及びウェイク使用事例をサポートするための必要なハードウェア特徴を提供することができる常時オンのプロセッサ・エンジンをさらに含み得る。常時オンのプロセッサ・エンジンは、プロセッサ・コア、しっかりと結合されたRAM、支援周辺装置(たとえば、タイマ及び割り込みコントローラ)、様々なI/Oコントローラ周辺装置、及びルーティング論理を含み得る。
プロセッサ510は、自動車のアプリケーションの安全性管理を処理するために専用のプロセッサ・サブシステムを含む安全性クラスタ・エンジンをさらに含み得る。安全性クラスタ・エンジンは、2個以上のプロセッサ・コア、しっかりと結合されたRAM、サポート周辺装置(たとえば、タイマ、割り込みコントローラなど)、及び/又はルーティング論理を含み得る。安全性モードにおいて、2個以上のコアは、ロックステップ・モードにおいて動作し、それらの動作の間の何らかの差を検出するための比較論理を有する単一のコアとして機能することができる。
プロセッサ510は、リアルタイム・カメラ管理を処理するための専用のプロセッサ・サブシステムを含み得るリアルタイム・カメラ・エンジンをさらに含み得る。
プロセッサ510は、カメラ処理パイプラインの一部であるハードウェア・エンジンである画像信号プロセッサを含み得る高ダイナミック・レンジ信号プロセッサをさらに含み得る。
プロセッサ510は、プレイヤ・ウインドウのための最終的画像を生み出すためにビデオ再生アプリケーションによって必要とされるビデオ処理後機能を実装する処理ブロック(たとえば、マイクロプロセッサに実装された)でもよいビデオ画像合成器を含み得る。ビデオ画像合成器は、ワイド・ビュー・カメラ570で、サラウンド・カメラ574で、及び/又はキャビン内監視カメラ・センサでレンズ歪み補正を実行することができる。キャビン内監視カメラ・センサは好ましくは、キャビン内イベントを識別し、適切に応答するように構成された、高度SoCの別のインスタンス上で実行するニューラル・ネットワークによって監視される。キャビン内システムは、セルラ・サービスをアクティブにする及び電話をかける、電子メールを書き取らせる、移動車の目的地を変更する、移動車のインフォテインメント・システム及び設定をアクティブにする又は変更する、或いは音声起動型ウェブ・サーフィンを提供するために、読唇術を実行することができる。ある特定の機能は、自律モードで動作しているときにのみ運転者に利用可能であり、そうでない場合には無効にされる。
ビデオ画像合成器は、空間的ノイズ低減及び時間的ノイズ低減の両方のための強化された時間的ノイズ低減を含み得る。たとえば、動きがビデオ内で生じた場合、ノイズ低減は、隣接するフレームによって提供される情報の重みを減らし、空間的情報に適切に重みを加える。画像又は画像の一部が動きを含まない場合、ビデオ画像合成器によって実行される時間的ノイズ低減は、前の画像からの情報を使用して現在の画像におけるノイズを減らすことができる。
ビデオ画像合成器はまた、入力ステレオ・レンズ・フレーム上でステレオ・レクティフィケーションを実行するように構成され得る。ビデオ画像合成器はさらに、オペレーティング・システム・デスクトップが使用中であるときにユーザ・インターフェース合成のために使用することができ、GPU508は、新しい表面を連続してレンダリングために必要とされない。GPU508の電源が入れられ、3Dレンダリングをアクティブに行っているときでも、ビデオ画像合成器は、GPU508をオフロードしてパフォーマンス及び反応性を向上させるために使用され得る。
SoC504は、カメラからビデオ及び入力を受信するためのモバイル・インダストリ・プロセッサ・インターフェース(MIPI:mobile industry processor interface)カメラ・シリアル・インターフェース、高速インターフェース、及び/又は、カメラ及び関連画素入力機能のために使用され得るビデオ入力ブロックをさらに含み得る。SoC504は、ソフトウェアによって制御され得る、及び特定の役割にコミットされていないI/O信号を受信するために使用され得る、入力/出力コントローラをさらに含み得る。
SoC504は、周辺装置、オーディオ・コーデック、電力管理、及び/又は他のデバイスとの通信を可能にするために、広範囲の周辺インターフェースをさらに含み得る。SoC504は、(たとえば、ギガビット・マルチメディア・シリアル・リンク及びイーサネット(登録商標)を介して接続された)カメラからのデータ、センサ(たとえば、イーサネット(登録商標)を介して接続され得るLIDARセンサ564、RADARセンサ560など)、バス502からのデータ(たとえば、移動車500のスピード、ハンドル位置など)、(たとえば、イーサネット(登録商標)又はCANバスを介して接続された)GNSSセンサ558からのデータを処理するために使用され得る。SoC504は、独自のDMAエンジンを含み得る及びルーティン・データ管理タスクからCPU506を解放するために使用され得る専用の高性能大容量記憶コントローラをさらに含み得る。
SoC504は、自動化レベル3~5に広がる柔軟なアーキテクチャを有する終端間プラットフォームでもよく、それによって、多様性及び冗長性のためにコンピュータ・ビジョン及びADAS技法を活用し、効率的に使用し、深層学習ツールとともに、柔軟な、信頼できる運転ソフトウェア・スタックのためのプラットフォームを提供する、総合的機能的安全性アーキテクチャを提供する。SoC504は、従来のシステムよりも高速で、信頼でき、さらにエネルギ効率がよく、空間効率がよくなり得る。たとえば、加速装置514が、CPU506と結合されるとき、GPU508、及びデータ・ストア516は、レベル3~5の自律型車両のための高速で効率的なプラットフォームを提供することができる。
したがって、本技術は、従来のシステムによって達成することができない能力及び機能性をもたらす。たとえば、コンピュータ・ビジョン・アルゴリズムは、多種多様な視覚的データにわたり多種多様な処理アルゴリズムを実行するために、Cプログラミング言語などの高レベルのプログラミング言語を使用して構成され得る、CPUで実行され得る。しかしながら、CPUは、しばしば、たとえば、実行時間及び電力消費に関連するものなど、多数のコンピュータ・ビジョン・アプリケーションの性能要件を満たすことができない。具体的には、多数のCPUは、移動車内ADASアプリケーションの要件及び実際のレベル3~5の自律型車両の要件である、リアルタイムでの複合物体検出アルゴリズムを実行することができない。
従来のシステムとは対照的に、CPU複合体、GPU複合体、及びハードウェア加速クラスタを提供することによって、本明細書に記載の技術は、複数のニューラル・ネットワークが同時に及び/又は連続して実行されることと、レベル3~5の自律運転機能を可能にするために結果が結合されることとを可能にする。たとえば、DLA又はdGPU(たとえば、GPU520)で実行するCNNは、ニューラル・ネットワークが具体的にトレーニングされていない標識を含む、交通標識をスーパーコンピュータが読み取る及び理解することを可能にする、テキスト及び単語認識を含み得る。DLAは、標識の意味論的理解を識別、解釈、及び提供することと、CPU複合体で実行する進路計画立案モジュールに意味論的理解を渡すこととを行うことができる、ニューラル・ネットワークをさらに含み得る。
別の実例として、複数のニューラル・ネットワークは、レベル3、4、又は5の運転に必要とされるように、同時に実行され得る。たとえば、電光とともに、「注意:点滅光は、凍った状態を示す」から成る警告標識は、いくつかのニューラル・ネットワークによって独立して又は集合的に解釈され得る。標識自体は、第1の配備されたニューラル・ネットワーク(たとえば、トレーニングされてあるニューラル・ネットワーク)によって交通標識として識別され得、テキスト「点滅光は、凍った状態を示す」は、点滅光が検出されるときには凍った状態が存在することを移動車の進路計画立案ソフトウェア(好ましくはCPU複合体上で実行する)に知らせる、第2の配備されたニューラル・ネットワークによって解釈され得る。点滅光は、点滅光の存在(又は無いこと)を移動車の進路計画立案ソフトウェアに知らせ、複数のフレームを介して第3の配備されたニューラル・ネットワークを動作させることによって識別され得る。すべての3個のニューラル・ネットワークは、DLA内及び/又はGPU508上などで、同時に実行することができる。
いくつかの実例では、顔認識及び移動車所有者識別のためのCNNは、カメラ・センサからのデータを使用して移動車500の正規の運転者及び/又は所有者の存在を識別することができる。常時オンのセンサ処理エンジンは、所有者が運転席側のドアに近づくときに移動車を解錠する及び明かりをつけるために、並びに、セキュリティ・モードにおいて、所有者が移動車を離れるときに移動車の動作を停止させるために、使用され得る。このようにして、SoC504は、盗難及び/又は車の乗っ取りに対するセキュリティをもたらす。
別の実例では、緊急車両検出及び識別のためのCNNは、マイクロフォン596からのデータを使用して緊急車両サイレンを検出及び識別することができる。一般分類子を使用してサイレンを検出する及び特徴を手動で抽出する従来のシステムとは対照的に、SoC504は、環境の及び都市の音の分類、並びに視覚的データの分類のためにCNNを使用する。好ましい一実施例では、DLA上で実行するCNNは、(たとえば、ドップラー効果を使用することによって)緊急車両の相対的終速度を識別するようにトレーニングされる。CNNはまた、GNSSセンサ558によって識別されるように、移動車が稼働しているローカル・エリアに特有の緊急車両を識別するようにトレーニングされ得る。それ故に、たとえば、欧州で稼働しているとき、CNNは、欧州のサイレンを検出しようとすることになり、そして、米国にあるとき、CNNは、北米のサイレンのみを識別しようとすることになる。緊急車両が検出された後は、制御プログラムが、緊急車両が通過するまで、超音波センサ562の支援を受けて、移動車を減速する、道の端に停止させる、移動車を駐車する、及び/又は移動車をアイドリングさせる、緊急車両安全性ルーティンを実行するために使用され得る。
移動車は、高速相互接続(たとえば、PCIe)を介してSoC504に連結され得るCPU518(たとえば、個別のCPU、又はdCPU)を含み得る。CPU518は、たとえば、X86プロセッサを含み得る。CPU518は、たとえば、ADASセンサとSoC504との間の潜在的に不整合の結果を調停すること、及び/又はコントローラ536及び/又はインフォテインメントSoC530の状況及び調子を監視することを含む、様々な機能のいずれかを実行するために使用され得る。
移動車500は、高速相互接続(たとえば、NVIDIAのNVLINK)を介してSoC504に連結され得るGPU520(たとえば、個別のGPU、又はdGPU)を含み得る。GPU520は、冗長及び/又は異なるニューラル・ネットワークを実行することなどによって、付加的人工知能機能をもたらすことができ、移動車500のセンサからの入力(たとえば、センサ・データ)に基づいてニューラル・ネットワークをトレーニング及び/又は更新するために使用され得る。
移動車500は、1つ又は複数のワイヤレス・アンテナ526(たとえば、セルラ・アンテナ、ブルートゥース(登録商標)・アンテナなど、異なる通信プロトコルのための1つ又は複数のワイヤレス・アンテナ)を含み得るネットワーク・インターフェース524をさらに含み得る。ネットワーク・インターフェース524は、インターネットを介するクラウドとの(たとえば、サーバ578及び/又は他のネットワーク・デバイスとの)、他の移動車との、及び/又は計算デバイス(たとえば、乗客のクライアント・デバイス)とのワイヤレス接続を使用可能にするために使用され得る。他の移動車と通信するために、直接リンクが2個の移動車の間に確立され得る、及び/又は、間接リンクが(たとえば、ネットワークを通じて及びインターネットを介して)確立され得る。直接リンクは、移動車対移動車通信リンクを使用し、提供され得る。移動車対移動車通信リンクは、移動車500に近接する移動車(たとえば、移動車500の前の、横の、及び/又は後ろの移動車)に関する移動車500情報を提供することができる。この機能は、移動車500の共同適応クルーズ制御機能の一部でもよい。
ネットワーク・インターフェース524は、変調及び復調機能を提供する及びコントローラ536がワイヤレス・ネットワークを介して通信することを可能にする、SoCを含み得る。ネットワーク・インターフェース524は、ベースバンドから無線周波数へのアップコンバージョン、及び無線周波数からベースバンドへのダウンコンバージョンのための無線周波数フロントエンドを含み得る。周波数コンバージョンは、よく知られているプロセスを通して実行することができ、及び/又はスーパーヘテロダイン・プロセスを用いて実行することができる。いくつかの実例では、無線周波数フロントエンド機能は、別個のチップによって提供され得る。ネットワーク・インターフェースは、LTE、WCDMA(登録商標)、UMTS、GSM、CDMA2000、ブルートゥース(登録商標)、ブルートゥース(登録商標)LE、Wi-Fi、Z-Wave、ZigBee、LoRaWAN、及び/又は他のワイヤレス・プロトコルを介して通信するためのワイヤレス機能を含み得る。
移動車500は、チップ外の(たとえば、SoC504外の)ストレージを含み得るデータ・ストア528をさらに含み得る。データ・ストア528は、RAM、SRAM、DRAM、VRAM、フラッシュ、ハードディスク、及び/又は、少なくとも1ビットのデータを記憶することができる他の構成要素及び/又はデバイスを含む、1つ又は複数の記憶素子を含み得る。
車両500は、GNSSセンサ558をさらに含み得る。GNSSセンサ558(たとえば、GPS、支援されたGPSセンサ、ディファレンシャルGPS(DGPS)センサなど)は、マッピング、知覚、占有グリッド生成、及び/又は進路計画策定機能を支援する。たとえば、シリアル(RS-232)ブリッジへのイーサネット(登録商標)を有するUSBコネクタを使用するGPSを含むが、これに限定されない、任意の数のGNSSセンサ558が、使用され得る。実施例において、追跡運動データ112は、GNSSセンサ558の出力から少なくとも部分的に生成され得る。
移動車500は、RADARセンサ560をさらに含み得る。RADARセンサ560は、暗闇及び/又は厳しい気象条件においても、長距離移動車検出のために移動車500によって使用され得る。実施例において、RADARセンサ560は、そこから特徴データ104が導出されるセンサ・データ108をキャプチャするためのセンサ110の役割を果たし得る。RADAR機能安全性レベルは、ASIL Bでもよい。一部の実例では、RADARセンサ560は、未加工のデータにアクセスするためのイーサネット(登録商標)へのアクセスを用いて、制御のために及び物体追跡データにアクセスするために(たとえば、RADARセンサ560によって生成されたデータを送信するために)CAN及び/又はバス502を使用することができる。多種多様なRADARセンサ・タイプが、使用され得る。たとえば、そして制限なしに、RADARセンサ560は、前部、後部、及び側部RADAR使用に適し得る。一部の実例では、パルス・ドップラーRADARセンサが使用される。
RADARセンサ560は、狭い視野を有する長距離、広い視野を有する短距離、短距離側部カバレッジなど、異なる構成を含み得る。いくつかの実例では、長距離RADARは、適応クルーズ制御機能のために使用され得る。長距離RADARシステムは、250mの範囲内など、2個以上の独立したスキャンによって実現される広い視野を提供することができる。RADARセンサ560は、静的物体と動く物体との区別を助けることができ、緊急ブレーキ・アシスト及び前方衝突警報のためのADASシステムによって使用され得る。長距離RADARセンサは、複数の(たとえば、6つ以上の)固定RADARアンテナと高速CAN及びFlexRayインターフェースとを有するモノスタティック・マルチモーダルRADARを含み得る。6つのアンテナを有する一実例では、中央の4個のアンテナは、隣接レーン内の交通からの干渉を最小限にして高速で移動車500の周囲を記録するように設計された、集束ビーム・パターンを作成し得る。他の2個のアンテナは、視野を広げることができ、移動車500のレーンに入る又はこれを去る移動車を迅速に検出することを可能にする。
一実例として、中距離RADARシステムは、560m(前)又は80m(後)までの範囲、及び42度(前)又は550度(後)までの視野を含み得る。短距離RADARシステムは、後部バンパの両端に設置されるように設計されたRADARセンサを含み得るが、これに限定されない。後部バンパの両端に設置されるとき、そのようなRADARセンサ・システムは、移動車の後ろ及び隣の死角を常に監視する2個のビームを作成することができる。
短距離RADARシステムは、死角検出及び/又はレーン変更アシストのためにADASシステムにおいて使用され得る。
移動車500は、超音波センサ562をさらに含み得る。移動車500の前部、後部、及び/又は側部に位置付けられ得る、超音波センサ562は、駐車アシストのために及び/又は占有グリッドの作成及び更新のために使用され得る。多種多様な超音波センサ562が使用され得、異なる超音波センサ562が、異なる範囲の検出(たとえば、2.5m、4m)のために使用され得る。超音波センサ562は、ASIL Bの機能的安全性レベルにおいて動作することができる。
移動車500はLIDARセンサ564を含み得る。LIDARセンサ564は、物体及び歩行者検出、緊急ブレーキ、衝突回避、及び/又は他の機能のために使用され得る。LIDARセンサ564は、機能的安全性レベルASIL Bでもよい。いくつかの実例では、移動車500は、(たとえば、ギガビット・イーサネット(登録商標)・スイッチにデータを提供するために)イーサネット(登録商標)を使用することができる複数の(たとえば、2個、4個、6個などの)LIDARセンサ564を含み得る。
いくつかの実例では、LIDARセンサ564は、物体及び360度視野のそれらの距離のリストを提供する能力を有し得る。市販のLIDARセンサ564は、たとえば、2cm~3cmの精度を有し、500Mbpsイーサネット(登録商標)接続のサポートを有して、約500mの広告された範囲を有し得る。いくつかの実例では、1つ又は複数の非突出したLIDARセンサ564が、使用され得る。そのような実例では、LIDARセンサ564は、移動車500の前部、後部、側部、及び/又は角に組み込まれ得る小さいデバイスとして実装され得る。そのような実例では、LIDARセンサ564は、低反射物体についても200mの範囲を有し、120度水平及び35度垂直視野まで提供することができる。前部に取り付けられたLIDARセンサ564は、45度と135度との間の水平視野向けに構成され得る。
いくつかの実例では、3DフラッシュLIDARなどのLIDAR技術もまた使用され得る。3DフラッシュLIDARは、約200mまで移動車の周囲を照らすために、送信元としてレーザーのフラッシュを使用する。フラッシュLIDARユニットは、移動車から物体までの範囲に順番に対応する、レーザー・パルス走行時間及び各画素上の反射光を記録する、レセプタを含む。フラッシュLIDARは、周囲の高精度の及び歪みのない画像があらゆるレーザー・フラッシュで生成されることを可能にし得る。いくつかの実例では、4個のフラッシュLIDARセンサが、移動車500の各側面に1つずつ、配備され得る。利用可能な3DフラッシュLIDARシステムは、送風機以外に動く部分を有さないソリッドステート3Dステアリング・アレイLIDARカメラ(たとえば、非スキャン型LIDARデバイス)を含む。フラッシュLIDARデバイスは、1フレームにつき5ナノ秒クラスI(目に安全な)レーザー・パルスを使用することができ、3D範囲点群及び共記載された強度データの形で反射レーザー光をキャプチャし得る。フラッシュLIDARを使用することによって、また、フラッシュLIDARは、動く部分を有さないソリッドステート・デバイスであるので、LIDARセンサ564は、モーション・ブラー、振動、及び/又は衝撃の影響を受けにくくなり得る。
移動車は、IMUセンサ566をさらに含み得る。一部の実例では、IMUセンサ566は、移動車500の後部車軸の中央に位置付けられ得る。IMUセンサ566は、たとえば、加速度計、磁力計、ジャイロスコープ、磁気コンパス、及び/又は他のセンサ・タイプを含み得るが、これらに限定されない。いくつかの実例では、6軸アプリケーションなどにおいて、IMUセンサ566は、加速度計及びジャイロスコープを含み得るが、9軸アプリケーションにおいて、IMUセンサ566は、加速度計、ジャイロスコープ、及び磁力計を含み得る。実施例において、追跡運動データ112は、IMUセンサ566の出力から少なくとも部分的に生成され得る。
一部の実施例では、IMUセンサ566は、マイクロ電気機械システム(MEMS:micro-electro-mechanical system)慣性センサ、高感度GPSレシーバ、及び高度カルマン・フィルタリング・アルゴリズムを結合して位置、ベロシティ、及び姿勢の推定値を提供するミニチュア、高性能GPS支援型慣性航行システム(GPS/INS:GPS-Aided Inertial Navigation System)として実装され得る。そのようなものとして、一部の実例では、IMUセンサ566は、GPSからIMUセンサ566までのベロシティの変化を直接観測すること及び関連付けることによって、磁気センサからの入力を必要とせずに進行方向を移動車500が推定することを可能にし得る。いくつかの実例では、IMUセンサ566及びGNSSセンサ558は、単一の統合されたユニットにおいて結合され得る。
移動車は、移動車500内及び/又は周囲に置かれたマイクロフォン596を含み得る。マイクロフォン596は、中でも、緊急車両検出及び識別のために使用され得る。
移動車は、ステレオ・カメラ568、ワイド・ビュー・カメラ570、赤外線カメラ572、サラウンド・カメラ574、長距離及び/又は中距離カメラ598、及び/又は他のカメラ・タイプを含む、任意の数のカメラ・タイプをさらに含み得る。カメラは、移動車500の全外面の周りの画像データをキャプチャするために使用され得る。使用されるカメラのタイプは、移動車500の実施例及び要件に応じて決まり、任意の組合せのカメラ・タイプが、移動車500の周りの必要なカバレッジを実現するために使用され得る。加えて、カメラの数は、実施例に応じて異なり得る。たとえば、移動車は、6個のカメラ、7個のカメラ、10個のカメラ、12個のカメラ、及び/又は別の数のカメラを含み得る。カメラは、一実例として、ギガビット・マルチメディア・シリアル・リンク(GMSL:Gigabit Multimedia Serial Link)及び/又はギガビット・イーサネット(登録商標)をサポートし得るが、これに限定されない。それぞれのカメラは、図5A及び図5Bに関連して本明細書においてさらに詳しく説明される。
移動車500は、振動センサ542をさらに含み得る。振動センサ542は、車軸など、移動車の構成要素の振動を測定することができる。たとえば、振動の変化は、道路の表面の変化を示し得る。別の実例では、2個以上の振動センサ542が使用されるとき、振動の差は、道路表面の摩擦又は滑りを判定するために使用され得る(たとえば、振動の差が電力駆動車軸と自由回転車軸との間であるとき)。
移動車500は、ADASシステム538を含み得る。一部の実例では、ADASシステム538は、SoCを含み得る。ADASシステム538は、自律/適応/自動クルーズ制御(ACC:autonomous/adaptive/automatic cruise control)、共同適応クルーズ制御(CACC:cooperative adaptive cruise control)、前方衝突警報(FCW:forward crash warning)、自動緊急ブレーキ(AEB:automatic emergency braking)、車線逸脱警報(LDW:lane departure warning)、レーン・キープ・アシスト(LKA:lane keep assist)、死角警報(BSW:blind spot warning)、後部交差交通警報(RCTW:rear cross-traffic warning)、衝突警報システム(CWS:collision warning system)、レーン・センタリング(LC:lane centering)、及び/又は他の特徴及び機能を含み得る。
ACCシステムは、RADARセンサ560、LIDARセンサ564、及び/又はカメラを使用し得る。ACCシステムは、縦ACC及び/又は横ACCを含み得る。縦ACCは、移動車500の直ぐ前の移動車までの距離を監視及び制御し、前方の移動車からの安全距離を維持するために移動車速度を自動的に調整する。横ACCは、距離の保持を実行し、必要なときにレーンを変更するように移動車500にアドバイスする。横ACCは、LCA及びCWSなどの他のADASアプリケーションに関連する。
CACCは、ワイヤレス・リンクを介して他の移動車からネットワーク・インターフェース524及び/又はワイヤレス・アンテナ526を介して、或いは間接的にネットワーク接続を介して(たとえば、インターネットを介して)、受信することができる、他の移動車からの情報を使用する。直接リンクは、移動車対移動車(V2V:vehicle-to-vehicle)通信リンクによって提供され得、一方、間接リンクは、インフラストラクチャ対移動車(I2V:infrastructure-to-vehicle)通信リンクでもよい。一般に、V2V通信概念は、直前の移動車(たとえば、移動車500と同じレーン内にある、移動車500の直ぐ前の移動車)に関する情報を提供し、一方、I2V通信概念は、さらに前の交通に関する情報を提供する。CACCシステムは、I2V情報ソースとV2V情報ソースとのいずれか又は両方を含み得る。移動車500の前方の移動車の情報を所与として、CACCは、より高信頼になり得、CACCは、交通の流れをよりスムーズにし、道路の渋滞を減らす可能性を有する。
運転者が修正行動を取ることができるように、FCWシステムは、危険を運転者に警告するように設計される。FCWシステムは、ディスプレイ、スピーカ、及び/又は振動部品など、運転者フィードバックに電気的に連結された、専用のプロセッサ、DSP、FPGA、及び/又はASICに連結された、前向きのカメラ及び/又はRADARセンサ560を使用する。FCWシステムは、音響、視覚的警報、振動及び/又はクイック・ブレーキ・パルスなどの形で、警報を提供することができる。
AEBシステムは、別の移動車又は他の物体との差し迫った前方衝突を検出し、運転者が指定された時間又は距離パラメータ内に修正行動を取らない場合に、ブレーキを自動的に適用することができる。AEBシステムは、専用のプロセッサ、DSP、FPGA、及び/又はASICに連結された、前向きのカメラ及び/又はRADARセンサ560を使用することができる。AEBシステムが危険を検出するとき、AEBシステムは通常は、先ず、衝突を回避するための修正行動を取るように運転者に警告し、運転者が修正行動を取らない場合、AEBシステムは、予測される衝突の影響を防ぐ、又は少なくとも軽減するための努力の一環としてブレーキを自動的に適用することができる。AEBシステムは、ダイナミック・ブレーキ・サポート及び/又は衝突切迫ブレーキなどの技法を含み得る。
LDWシステムは、ハンドル又はシートの振動など、視覚的、可聴式、及び/又は触覚的警報を提供して、移動車500が車線区分線を越えたときに運転者に警告する。LDWシステムは、運転者が、方向指示器を起動することによって、意図的な車線逸脱を指示するときには、起動しない。LDWシステムは、ディスプレイ、スピーカ、及び/又は振動部品など、運転者フィードバックに電気的に連結された、専用のプロセッサ、DSP、FPGA、及び/又はASICに連結された、前側を向いたカメラを使用することができる。
LKAシステムは、LDWシステムの変更形態である。LKAシステムは、移動車500が車線をはみ出し始めた場合に移動車500を修正するためにステアリング入力又はブレーキを提供する。
BSWシステムは、自動車の死角において移動車の運転者に検出及び警告する。BSWシステムは、合流又はレーンの変更が安全ではないことを指示するために視覚的、可聴式、及び/又は触覚的警告を提供することができる。システムは、運転者が方向指示器を使用するときに、付加的警告を提供することができる。BSWシステムは、運転者フィードバック、たとえば、ディスプレイ、スピーカ、及び/又は振動部品、に電気的に結合された、専用プロセッサ、DSP、FPGA、及び/又はASICに結合された、後ろ側を向いたカメラ及び/又はRADARセンサ560を使用することができる。
RCTWシステムは、車両500がバックしているときに、物体がリアカメラ範囲外で検出されたときに、視覚、可聴、及び/又は触覚通知を提供することができる。いくつかのRCTWシステムは、車両ブレーキが衝突を回避するために適用されることを確実にするために、AEBを含む。RCTWシステムは、運転者フィードバック、たとえば、ディスプレイ、スピーカ、及び/又は振動部品、に電気的に連結された、専用プロセッサ、DSP、FPGA、及び/又はASICに連結された、1つ又は複数の後ろ向きのRADARセンサ560を使用し得る。
従来のADASシステムは、運転者に警告し、安全状態が本当に存在するかどうかを運転者が判定し、それに応じて行動することを可能にするので、従来のADASシステムは、通常は壊滅的ではないが、運転者を悩ませている及び気を散らせていることがある誤判定結果を生み出す傾向にあることがあった。しかしながら、自律型車両500では、結果が矛盾する場合には、移動車500自体が、1次的コンピュータ又は2次的コンピュータ(たとえば、第1のコントローラ536又は第2のコントローラ536)からの結果を聞き入れるかどうかを決定しなければならない。たとえば、一部の実施例では、ADASシステム538は、知覚情報をバックアップ・コンピュータ合理性モジュールに提供するためのバックアップ及び/又は2次的コンピュータでもよい。バックアップ・コンピュータ合理性モニタは、ハードウェア構成要素で冗長な多様なソフトウェアを実行して、知覚及び動的運転タスクにおいて障害を検出することができる。ADASシステム538からの出力は、監督MCUに提供され得る。1次的コンピュータ及び2次的コンピュータからの出力が矛盾する場合、監督MCUは、安全な動作を確実にするためにその矛盾をどのように調整するかを決定する必要がある。
いくつかの実例では、1次的コンピュータは、選択された結果における1次的コンピュータの信頼性を指示する、信頼性スコアを監督MCUに提供するように構成され得る。信頼性スコアが閾値を超えた場合、監督MCUは、2次的コンピュータが矛盾する又は不整合の結果を与えるかどうかにかかわらず、1次的コンピュータの指示に従い得る。信頼性スコアが閾値を満たさない場合、及び1次的及び2次的コンピュータが異なる結果を示す(たとえば、矛盾する)場合、監督MCUは、コンピュータの間で調停して適切な結果を決定することができる。
監督MCUは、2次的コンピュータが誤ったアラームを提供する状態を、1次的コンピュータ及び2次的コンピュータからの出力に基づいて判定するようにトレーニング及び構成されたニューラル・ネットワークを実行するように構成され得る。したがって、監督MCU内のニューラル・ネットワークは、2次的コンピュータの出力が信頼され得るとき、及びそれが信頼され得ないときを学習することができる。たとえば、2次的コンピュータがRADARベースのFCWシステムであるとき、監督MCU内のニューラル・ネットワークは、アラームをトリガする下水溝の鉄格子又はマンホールの蓋など、実際には危険ではない金属製の物をいつFCWが識別しているかを学習することができる。同様に、2次的コンピュータがカメラベースのLDWシステムであるとき、監督MCU内のニューラル・ネットワークは、自転車に乗った人又は歩行者が存在し、車線逸脱が、実際には、最も安全な操作であるときに、LDWを無視することを学習することができる。監督MCU上で実行中のニューラル・ネットワークを含む実施例では、監督MCUは、関連メモリを有するニューラル・ネットワークを実行するのに適したDLA又はGPUのうちの少なくとも1つを含み得る。好ましい実施例において、監督MCUは、SoC504の構成要素を備え得る、及び/又はSoC504の構成要素として含まれ得る。
他の実例において、ADASシステム538は、コンピュータ・ビジョンの従来のルールを使用するADAS機能を実行する2次的コンピュータを含み得る。そのようなものとして、2次的コンピュータは、古典的コンピュータ・ビジョン・ルール(if-then)を使用することができ、監督MCU内のニューラル・ネットワークの存在は、信頼性、安全性及び性能を向上させることができる。たとえば、多様な実装形態及び意図的な非同一性は、特にソフトウェア(又はソフトウェア-ハードウェア・インターフェース)機能によって引き起こされる障害に対して、システム全体をよりフォールトトレラントにする。たとえば、1次的コンピュータで実行中のソフトウェア内にソフトウェア・バグ又はエラーが存在し、2次的コンピュータで実行中の同一でないソフトウェア・コードが同じ総合的結果を提供する場合、監督MCUは、総合的結果は正しく、1次的コンピュータ上のソフトウェア又はハードウェア内のバグは重大なエラーを引き起こしていないというより大きな確信を有し得る。
いくつかの実例では、ADASシステム538の出力は、1次的コンピュータの知覚ブロック及び/又は1次的コンピュータの動的運転タスク・ブロックに供給され得る。たとえば、ADASシステム538が、直ぐ前の物体が原因で、前方衝突警報を示した場合、知覚ブロックは、物体を識別するときに、この情報を使用することができる。他の実例において、2次的コンピュータは、本明細書に記載のように、トレーニングされ、それ故に誤判定のリスクを減らす、独自のニューラル・ネットワークを有し得る。
移動車500は、インフォテインメントSoC530(たとえば、移動車内のインフォテインメント・システム(IVI:in-vehicle infotainment system))をさらに含み得る。SoCとして図示及び記述されているが、インフォテインメント・システムは、SoCでなくてもよく、2個以上の個別の構成要素を含み得る。インフォテインメントSoC530は、オーディオ(たとえば、音楽、携帯情報端末、ナビゲーション命令、ニュース、無線など)、ビデオ(たとえば、TV、映画、ストリーミングなど)、電話(たとえば、ハンズフリー通話)、ネットワーク接続(たとえば、LTE、Wi-Fiなど)、及び/又は情報サービス(たとえば、ナビゲーション・システム、後方駐車支援、無線データシステム、燃料レベル、総移動距離、ブレーキ燃料レベル、オイル・レベル、ドアを開ける/閉じる、エア・フィルタ情報などの移動車関連情報)を移動車500に提供するために使用され得るハードウェア及びソフトウェアの組合せを含み得る。たとえば、インフォテインメントSoC530は、無線、ディスク・プレイヤ、ナビゲーション・システム、ビデオ・プレイヤ、USB及びブルートゥース(登録商標)接続、カーピュータ、車内エンターテインメント、Wi-Fi、ハンドル・オーディオ制御装置、ハンズ・フリー音声制御、ヘッドアップ・ディスプレイ(HUD:heads-up display)、HMIディスプレイ534、テレマティックス・デバイス、制御パネル(たとえば、様々な構成要素、特徴、及び/又はシステムを制御する及び/又はこれと相互に作用するための)、及び/又は他の構成要素でもよい。インフォテインメントSoC530は、ADASシステム538からの情報、計画された移動車操作などの自律運転情報、軌道、周囲環境情報(たとえば、交差点情報、移動車情報、道路情報など)、及び/又は他の情報など、移動車のユーザへの情報(たとえば、視覚的及び/又は可聴式の)を提供するためにさらに使用され得る。
インフォテインメントSoC530は、GPU機能性を含み得る。インフォテインメントSoC530は、バス502(たとえば、CANバス、イーサネット(登録商標)など)を介して、移動車500の他のデバイス、システム、及び/又は構成要素と通信することができる。いくつかの実例では、インフォテインメント・システムのGPUが、1次的コントローラ536(たとえば、移動車500の1次的及び/又はバックアップ・コンピュータ)が故障した場合に、いくつかのセルフドライブ機能を実行することができるように、インフォテインメントSoC530は、監督MCUに連結され得る。そのような実例では、インフォテインメントSoC530は、本明細書に記載のように、移動車500をショーファーの安全停止モードにすることができる。
移動車500は、計器群532(たとえば、デジタル・ダッシュ、電子計器群、デジタル計器パネルなど)をさらに含み得る。計器群532は、コントローラ及び/又はスーパーコンピュータ(たとえば、個別のコントローラ又はスーパーコンピュータ)を含み得る。計器群532は、スピードメーター、燃料レベル、油圧、タコメーター、オドメーター、方向指示器、ギアシフト位置インジケータ、シート・ベルト警告灯、パーキングブレーキ警告灯、エンジン故障灯、エアバッグ(SRS)システム情報、照明制御装置、安全システム制御装置、ナビゲーション情報など、1セットの器具類を含み得る。いくつかの実例では、情報は、インフォテインメントSoC530及び計器群532の間で表示及び/又は共有され得る。言い換えれば、計器群532は、インフォテインメントSoC530の一部として含まれてもよく、逆もまた同様である。
図5Dは、本開示のいくつかの実施例による、図5Aのクラウドベースのサーバと例示的自律型車両500との間の通信のシステム図である。システム576は、サーバ578、ネットワーク590、及び、移動車500を含む移動車を含み得る。サーバ578は、複数のGPU584(A)~584(H)(本明細書でGPU584と総称される)、PCIeスイッチ582(A)~582(H)(本明細書でPCIeスイッチ582と総称される)、及び/又はCPU580(A)~580(B)(本明細書でCPU580と総称される)を含み得る。GPU584、CPU580、及びPCIeスイッチは、たとえば、NVIDIAによって開発されたNVLinkインターフェース588及び/又はPCIe接続586などの、これらに限定されない、高速相互接続で相互に接続され得る。いくつかの実例では、GPU584は、NVLink及び/又はNVSwitch SoCを介して接続され、GPU584及びPCIeスイッチ582は、PCIe相互接続を介して接続される。8個のGPU584、2個のCPU580、及び2個のPCIeスイッチが図示されているが、これは制限を意図されていない。実施例に応じて、それぞれのサーバ578は、任意の数のGPU584、CPU580、及び/又はPCIeスイッチを含み得る。たとえば、サーバ578は、それぞれ、8個、16個、32個、及び/又はそれ以上のGPU584を含み得る。
サーバ578は、最近開始された道路工事など、予想外の又は変更された道路状態を示す画像を表す画像データを、ネットワーク590を介して、移動車から、受信することができる。サーバ578は、ニューラル・ネットワーク592、更新されたニューラル・ネットワーク592、及び/又は、交通及び道路状態に関する情報を含むマップ情報594をネットワーク590を介して移動車に送信することができる。マップ情報594の更新は、建設現場、くぼみ、迂回路、洪水、及び/又は他の障害物に関する情報など、HDマップ522の更新を含み得る。いくつかの実例では、ニューラル・ネットワーク592、更新されたニューラル・ネットワーク592、及び/又はマップ情報594は、環境において任意の数の移動車から受信されたデータにおいて表された新しいトレーニング及び/又は経験から、及び/又は(たとえば、サーバ578及び/又は他のサーバを使用する)データ・センタにおいて実行されたトレーニングに基づいて生じた可能性がある。
サーバ578は、トレーニング・データに基づいて機械学習モデル(たとえば、ニューラル・ネットワーク)をトレーニングするために使用され得る。トレーニング・データが、車両によって生成され得る、及び/又は、シミュレーション(たとえば、ゲーム・エンジンを使用する)において、及び/又は異種コンテンツ作成アプリケーションのための共同コンテンツ作成プラットフォームの多次元(たとえば、2D又は3D)資産として、合成的に生成され得る。いくつかの実例では、トレーニング・データは、タグ付けされる(たとえば、ニューラル・ネットワークが、監督された学習の恩恵を受ける場合)及び/又は他の事前処理を受けるが、他の実例において、トレーニング・データは、タグ付け及び/又は事前処理されない(たとえば、ニューラル・ネットワークが、監督された学習を必要としない場合)。トレーニングは、たとえば以下のクラスを含むがこれらに限定されない、任意の1つ又は複数のクラスの機械学習技法に従って、実行され得る:監視されたトレーニング、半監視されたトレーニング、監視されていないトレーニング、自己学習、強化学習、連合型学習、転移学習、特徴学習(主要構成要素及びクラスタ分析を含む)、マルチ線形部分空間学習、多様体学習、表現学習(予備辞書学習を含む)、ルールに基づく機械学習、異常検出、及びそれらの変更形態若しくは組合せ。機械学習モデルがトレーシングされた後は、機械学習モデルは、移動車によって使用され得(たとえば、ネットワーク590を介して移動車に送信される)、及び/又は、機械学習モデルは、移動車を遠隔監視するために、サーバ578によって使用され得る。
いくつかの実例では、サーバ578は、移動車からデータを受信し、リアルタイムのインテリジェント推論のために最新のリアルタイムのニューラル・ネットワークにデータを適用することができる。サーバ578は、NVIDIAによって開発されたDGX及びDGXステーション・マシンなど、GPU584によって電力供給される深層学習スーパーコンピュータ及び/又は専用のAIコンピュータを含み得る。しかしながら、一部の実例では、サーバ578は、CPU電源式データ・センタのみを使用する深層学習インフラストラクチャを含み得る。
サーバ578の深層学習インフラストラクチャは、高速のリアルタイム推論の能力を有することでき、その能力を使用して移動車500内のプロセッサ、ソフトウェア、及び/又は関連ハードウェアの調子を評価及び検証することができる。たとえば、深層学習インフラストラクチャは、移動車500がそのシーケンスの画像内に位置したシーケンスの画像及び/又は物体など、移動車500からの定期的更新を受信することができる(たとえば、コンピュータ・ビジョン及び/又は他の機械学習物体分類技法を介して)。深層学習インフラストラクチャは、物体を識別し、移動車500によって識別された物体とそれらを比較するために、独自のニューラル・ネットワークを実行することができ、結果が一致せず、インフラストラクチャが、移動車500内のAIは正常に機能していないという結論を下した場合、サーバ578は、制御を推測し、乗客に通知し、安全な駐車操作を完了するように移動車500のフェイルセーフ・コンピュータに命じる移動車500への信号を送信することができる。
推論のために、サーバ578は、GPU584及び1つ又は複数のプログラマブル推論加速装置(たとえば、NVIDIAのTensorRT)を含み得る。GPU電源式サーバ及び推論加速の組合せは、リアルタイムの反応性を可能にすることができる。パフォーマンスがさほど必要とされない場合など、他の実例では、CPU、FPGA、及び他のプロセッサによって電力供給されるサーバが、推論のために使用され得る。
例示的計算デバイス
図6は、たとえば、駐車帯プロセッサ102及び/又は特徴分類器106などの、しかしこれらに限定されない、本開示のいくつかの実施例の実装において使用するのに適した例示的計算デバイス600のブロック図である。計算デバイス600は、以下のデバイスを間接的に又は直接的につなぐ相互接続システム602を含み得る:メモリ604、1つ又は複数の中央処理装置(CPU)606、1つ又は複数のグラフィック処理ユニット(GPU)608、通信インターフェース610、入力/出力(I/O)ポート612、入力/出力構成要素614、電力供給装置616、1つ又は複数の提示構成要素618(たとえば、ディスプレイ)、及び1つ又は複数の論理ユニット620。少なくとも1つの実施例において、計算デバイス600は、1つ又は複数の仮想マシン(VM)を含み得る、及び/又は、その構成要素のいずれかは、仮想構成要素(たとえば、仮想ハードウェア構成要素)を含み得る。非限定的実例として、GPU608のうちの1つ又は複数は、1つ又は複数のvGPUを含み得、CPU606のうちの1つ又は複数は、1つ又は複数のvCPUを含み得、及び/又は、論理ユニット620のうちの1つ又は複数は、1つ又は複数の仮想論理ユニットを含み得る。そのようなものとして、計算デバイス600は、個別の構成要素(たとえば、計算デバイス600専用の全GPU)、仮想構成要素(たとえば、計算デバイス600専用のGPUの一部分)、又はその組合せを含み得る。
図6は、たとえば、駐車帯プロセッサ102及び/又は特徴分類器106などの、しかしこれらに限定されない、本開示のいくつかの実施例の実装において使用するのに適した例示的計算デバイス600のブロック図である。計算デバイス600は、以下のデバイスを間接的に又は直接的につなぐ相互接続システム602を含み得る:メモリ604、1つ又は複数の中央処理装置(CPU)606、1つ又は複数のグラフィック処理ユニット(GPU)608、通信インターフェース610、入力/出力(I/O)ポート612、入力/出力構成要素614、電力供給装置616、1つ又は複数の提示構成要素618(たとえば、ディスプレイ)、及び1つ又は複数の論理ユニット620。少なくとも1つの実施例において、計算デバイス600は、1つ又は複数の仮想マシン(VM)を含み得る、及び/又は、その構成要素のいずれかは、仮想構成要素(たとえば、仮想ハードウェア構成要素)を含み得る。非限定的実例として、GPU608のうちの1つ又は複数は、1つ又は複数のvGPUを含み得、CPU606のうちの1つ又は複数は、1つ又は複数のvCPUを含み得、及び/又は、論理ユニット620のうちの1つ又は複数は、1つ又は複数の仮想論理ユニットを含み得る。そのようなものとして、計算デバイス600は、個別の構成要素(たとえば、計算デバイス600専用の全GPU)、仮想構成要素(たとえば、計算デバイス600専用のGPUの一部分)、又はその組合せを含み得る。
図6の様々なブロックは、線で相互接続システム602を介して接続しているように示されているが、これは制限することを意図されておらず、単に分かりやすくするためである。たとえば、一部の実施例では、表示デバイスなどの提示構成要素618は、I/O構成要素614と考えられ得る(たとえば、ディスプレイがタッチ・スクリーンである場合)。別の実例として、CPU606及び/又はGPU608はメモリを含み得る(たとえば、メモリ604は、GPU608、CPU606、及び/又は他の構成要素のメモリに加えた記憶デバイスを表し得る)。言い換えれば、図6の計算デバイスは、単に例示である。「ワークステーション」、「サーバ」、「ラップトップ」、「デスクトップ」、「タブレット」、「クライアント・デバイス」、「モバイル・デバイス」、「ハンドヘルド・デバイス」、「ゲーム機」、「電子制御ユニット(ECU:electronic control unit)」、「仮想現実システム」、及び/又は他のデバイス若しくはシステム・タイプなどのカテゴリはすべて、図6の計算デバイスの範囲内にあることが意図されているので、これらは区別されない。
相互接続システム602は、1つ又は複数のリンク又はバス、たとえば、アドレス・バス、データ・バス、制御バス、又はその組合せ、を表し得る。相互接続システム602は、1つ又は複数のバス又はリンク・タイプ、たとえば、業界標準アーキテクチャ(ISA:industry standard architecture)バス、拡張業界標準アーキテクチャ(EISA:extended industry standard architecture)バス、VESA(video electronics standards association)バス、周辺構成要素相互接続(PCI:peripheral component interconnect)バス、周辺構成要素相互接続エクスプレス(PCIe:peripheral component interconnect express)バス、及び/又は別のタイプのバス若しくはリンク、を含み得る。一部の実施例では、構成要素の間に直接接続が存在する。一実例として、CPU606は、メモリ604に直接接続され得る。さらに、CPU606は、GPU608に直接接続され得る。構成要素の間に直接、又はポイント対ポイント接続が存在する場合、相互接続システム602は、接続を実施するためのPCIeリンクを含み得る。これらの実例では、PCIバスは、計算デバイス600に含まれる必要はない。
メモリ604は、様々なコンピュータ可読媒体のいずれかを含み得る。コンピュータ可読媒体は、計算デバイス600によってアクセスすることができる任意の利用可能な媒体でもよい。コンピュータ可読媒体は、揮発性及び不揮発性媒体の両方、及び取り外し可能な及び取り外し不可能な媒体を含み得る。例として、しかし限定ではなく、コンピュータ可読媒体は、コンピュータ記憶媒体及び通信媒体を備え得る。
コンピュータ記憶媒体は、コンピュータ可読命令、データ構造体、プログラム・モジュール、及び/又は他のデータ・タイプなどの情報の記憶のための任意の方法又は技術において実装された揮発性及び不揮発性媒体及び/又は取り外し可能な及び取り外し不可能な媒体の両方を含み得る。たとえば、メモリ604は、オペレーティング・システムなど、(たとえば、プログラム及び/又はプログラム要素を表す)コンピュータ可読命令を記憶することができる。コンピュータ記憶媒体は、RAM、ROM、EEPROM、フラッシュメモリ又は他のメモリ技術、CD-ROM、デジタル多用途ディスク(DVD:digital versatile disk)又は他の光ディスク・ストレージ、磁気カセット、磁気テープ、磁気ディスク・ストレージ又は他の磁気記憶デバイス、或いは、所望の情報を記憶するために使用し得る及び計算デバイス600によってアクセスし得る任意の他の媒体を含み得るが、これらに限定されない。本明細書では、コンピュータ記憶媒体は、信号自体を含まない。
コンピュータ記憶媒体は、搬送波などの変調データ信号又は他の移送機構においてコンピュータ可読命令、データ構造体、プログラム・モジュール、及び/又は他のデータ・タイプを実施することができ、任意の情報配信媒体を含む。「変調データ信号」という用語は、その特性セットのうちの1つ又は複数を有する或いは信号内の情報をエンコードするような方式で変化した信号を指し得る。例として、しかし限定せず、コンピュータ記憶媒体は、ワイヤード・ネットワーク又は直接ワイヤード接続などのワイヤード媒体と、音響、RF、赤外線及び他のワイヤレス媒体などのワイヤレス媒体とを含み得る。前述のいずれかの組合せもまた、コンピュータ可読媒体の範囲に含まれるべきである。
CPU606は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス600の1つ又は複数の構成要素を制御して本明細書に記載の方法及び/又はプロセスのうちの1つ又は複数を実行するように構成され得る。たとえば、駐車帯プロセッサ102及び/又は特徴分類器106のうちの1つ又は複数は、CPU606によって実行されるコードとして実装され得る。CPU606は、多数のソフトウェア・スレッドを同時に処理する能力を有する1つ又は複数の(たとえば、1個、2個、4個、8個、28個、72個などの)コアをそれぞれ含み得る。CPU606は、任意のタイプのプロセッサを含み得、実装された計算デバイス600のタイプに応じて、異なるタイプのプロセッサを含み得る(たとえば、モバイル・デバイスのためのより少数のコアを有するプロセッサ、及びサーバのためのより多数のコアを有するプロセッサ)。たとえば、計算デバイス600のタイプに応じて、プロセッサは、縮小命令セット計算(RISC:Reduced Instruction Set Computing)を使用して実装されたAdvanced RISC Machines(ARM)プロセッサ、又は複合命令セット計算(CISC:Complex Instruction Set Computing)を使用して実装されたx86プロセッサでもよい。計算デバイス600は、計算コプロセッサなど、1つ又は複数のマイクロプロセッサ又は補助コプロセッサ内の1つ又は複数のCPU606を含み得る。
CPU606に加えて又はその代わりに、GPU608は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス600の1つ又は複数の構成要素を制御して本明細書に記載の方法及び/又はプロセスのうちの1つ又は複数を実行するように構成され得る。GPU608のうちの1つ若しくは複数は、統合されたGPU(たとえば、CPU606のうちの1つ又は複数とでもよく、及び/又はGPU608のうちの1つ若しくは複数は、離散GPUでもよい。実施例では、GPU608のうちの1つ又は複数は、CPU606のうちの1つ又は複数のコプロセッサでもよい。GPU608は、グラフィックス(たとえば、3Dグラフィックス)、HMIディスプレイ120へと駐車帯プロセッサ102から出力される駐車支援の視覚表示、をレンダリングするために、又は汎用計算を実行するために、計算デバイス600によって使用され得る。GPU608は、グラフィックス(たとえば、3Dグラフィックス)をレンダリングする又は汎用計算を実行するために、計算デバイス600によって使用され得る。たとえば、GPU608は、GPUによる汎用計算(GPGPU:General-Purpose computing on GPU)のために使用され得る。GPU608は、同時に数百又は数千のソフトウェア・スレッドを処理する能力を有する数百又は数千のコアを含み得る。GPU608は、レンダリング・コマンド(たとえば、ホスト・インターフェースを介して受信されたCPU606からのレンダリング・コマンド)に応答して、出力画像のための画素データを生成することができる。GPU608は、画素データ又は任意の他の適切なデータ、たとえばGPGPUデータ、を記憶するためのグラフィックス・メモリ、たとえば表示メモリ、を含み得る。表示メモリは、メモリ604の一部として含まれ得る。GPU608は、並行して動作する(たとえば、リンクを介して)2個以上のGPUを含み得る。リンクは、GPUに直接接続することができ(たとえば、NVLINKを使用して)、又はスイッチを介して(たとえば、NVSwitchを使用して)GPUを接続することができる。ともに結合されるとき、各GPU608は、出力の異なる部分の又は異なる出力の画素データ又はGPGPUデータ(たとえば、第1の画像の第1のGPU及び第2の画像の第2のGPU)を生成することができる。各GPUは、独自のメモリを含むことができ、又は他のGPUとメモリを共有することができる。いくつかの実施例では、GPU608は、仮想駐車帯グラフィックス・ライブラリ222から画像に基づいてHMIディスプレイ120へと仮想駐車帯及び仮想駐車標識の要素をレンダリングし得る。
CPU606及び/又はGPU608に加えて又はその代わりに、論理ユニット620は、コンピュータ可読命令のうちの少なくともいくつかを実行して計算デバイス600のうちの1つ又は複数を制御して本明細書に記載の方法及び/又はプロセスのうちの1つ又は複数を実行するように構成され得る。実施例では、CPU606、GPU608、及び/又は論理ユニット620は、方法、プロセス及び/又はその部分の任意の組合せを離散的に又は合同で実行することができる。論理ユニット620のうちの1つ若しくは複数は、CPU606及び/若しくはGPU608のうちの1つ若しくは複数の一部でもよく及び/又はそこで統合されてもよく、及び/又は、論理ユニット620のうちの1つ若しくは複数は、CPU606及び/若しくはGPU608に対する離散構成要素であっても若しくは他の方法でそれらの外部にあってもよい。実施例では、論理ユニット620のうちの1つ又は複数は、CPU606のうちの1つ若しくは複数及び/又はGPU608のうちの1つ若しくは複数のコプロセッサでもよい。
論理ユニット620の実例は、1つ又は複数の処理コア及び/又はその構成要素、たとえば、データ処理ユニット(DPU:Data Processing Unit)、テンソル・コア(TC:Tensor Core)、テンソル処理ユニット(TPU:Tensor Processing Unit)、画素ビジュアル・コア(PVC:Pixel Visual Core)、ビジョン処理ユニット(VPU:Vision Processing Unit)、グラフィックス処理クラスタ(GPC:Graphics Processing Cluster)、テクスチャ処理クラスタ(TPC:Texture Processing Cluster)、ストリーミング・マルチプロセッサ(SM:Streaming Multiprocessor)、木の走査ユニット(TTU:Tree Traversal Unit)、人工知能加速装置(AIA:Artificial Intelligence Accelerator)、深層学習加速装置(DLA:Deep Learning Accelerator)、論理演算ユニット(ALU)、特定用途向け集積回路(ASIC)、浮動小数点演算ユニット(FPU)、入力/出力(I/O)エレメント、周辺構成要素相互接続(PCI)又は周辺構成要素相互接続エクスプレス(PCIe)エレメント、及び/又は同類のもの、を含む。
通信インターフェース610は、ワイヤード及び/又はワイヤレス通信を含む、電子通信ネットワークを介して計算デバイス600が他の計算デバイスと通信することを可能にする、1つ又は複数のレシーバ、トランスミッタ、及び/又はトランシーバを含み得る。通信インターフェース610は、ワイヤレス・ネットワーク(たとえば、Wi-Fi、Z-Wave、ブルートゥース(登録商標)、ブルートゥース(登録商標)LE、ZigBeeなど)、ワイヤード・ネットワーク(たとえば、イーサネット(登録商標)又はInfiniBandを介して通信すること)、低電力ワイド・エリア・ネットワーク(たとえば、LoRaWAN、SigFoxなど)、及び/又はインターネットなどの、いくつかの異なるネットワークのうちのいずれかを介する通信を可能にするための構成要素及び機能を含み得る。1つ又は複数の実施例において、論理ユニット620及び/又は通信インターフェース610は、ネットワークを介して及び/又は相互接続システム602を通して受信されるデータを1つ又は複数のGPU608(たとえば、そのメモリ)に直接に送信するために1つ又は複数のデータ処理装置(DPU)を含み得る。
I/Oポート612は、そのうちのいくつかは計算デバイス600に内蔵(たとえば、統合)され得る、I/O構成要素614、提示構成要素618、及び/又は他の構成要素を含む、他のデバイスに計算デバイス600が論理的に連結されることを可能にすることができる。例示的なI/O構成要素614は、マイクロフォン、マウス、キーボード、ジョイスティック、ゲーム・パッド、ゲーム・コントローラ、サテライト・ディッシュ、スキャナ、プリンタ、ワイヤレス・デバイスなどを含む。I/O構成要素614は、エア・ジェスチャ、音声、又は、ユーザによって生成される他の生理的入力を処理する自然ユーザ・インターフェース(NUI:natural user interface)を提供することができる。場合によっては、入力は、さらなる処理のための適切なネットワーク要素に送信され得る。NUIは、音声認識、スタイラス認識、顔認識、生体認識、画面上での及び画面の隣でのジェスチャ認識、エア・ジェスチャ、頭部及び視標追跡、並びに計算デバイス600のディスプレイに関連するタッチ認識(さらに詳しく後述するような)の任意の組合せを実装し得る。計算デバイス600は、ジェスチャ検出及び認識のための、ステレオスコープ・カメラ・システム、赤外線カメラ・システム、RGBカメラ・システム、タッチ画面技術、及びこれらの組合せなど、深度カメラを含み得る。追加で、計算デバイス600は、動きの検出を可能にする加速度計又はジャイロスコープを含み得る(たとえば、慣性測定ユニット(IMU:inertia measurement unit)の一部として)。いくつかの実例では、加速度計又はジャイロスコープの出力は、没入型拡張現実又は仮想現実をレンダリングするために、計算デバイス600によって使用され得る。
電力供給装置616は、ハードワイヤード電力供給装置、バッテリ電力供給装置、又はその組合せを含み得る。電力供給装置616は、計算デバイス600の構成要素が動作することを可能にするために計算デバイス600に電力を提供することができる。
提示構成要素618は、ディスプレイ(たとえば、モニタ、タッチ画面、テレビジョン画面、ヘッドアップ表示装置(HUD)、他のディスプレイタイプ、又はその組合せ)、スピーカ、及び/又は他の提示構成要素を含み得る。提示構成要素618は、他の構成要素(たとえば、GPU608、CPU606、DPUなど)からデータを受信し、データを(たとえば、画像、ビデオ、音響などとして)出力することができる。
例示的データ・センタ
図7は、本開示の少なくとも1つの実施例において使用され得る例示的データ・センタ700を示す。データ・センタ700は、データ・センタ・インフラストラクチャ層710、フレームワーク層720、ソフトウェア層730、及び/又はアプリケーション層740を含み得る。データ・センタ700は、1つ又は複数のサービスを認知ベースの駐車支援システム100(ワイヤレス・ネットワーク・インターフェース118を介してデータ・センタ700にアクセスすることができる)に提供し得る。たとえば、認知ベースの駐車支援システム100は、データ・センタ700に問い合わせて、エゴマシンの位置に基づくローカル駐車ルール情報を受信する、及び/又は、ファームウェア、ソフトウェア又は特徴データ104における検出された特徴からの駐車情報を解釈及び/又は表示するために使用される他の情報の更新、又は他の能力アップグレードを受信することができる。
図7は、本開示の少なくとも1つの実施例において使用され得る例示的データ・センタ700を示す。データ・センタ700は、データ・センタ・インフラストラクチャ層710、フレームワーク層720、ソフトウェア層730、及び/又はアプリケーション層740を含み得る。データ・センタ700は、1つ又は複数のサービスを認知ベースの駐車支援システム100(ワイヤレス・ネットワーク・インターフェース118を介してデータ・センタ700にアクセスすることができる)に提供し得る。たとえば、認知ベースの駐車支援システム100は、データ・センタ700に問い合わせて、エゴマシンの位置に基づくローカル駐車ルール情報を受信する、及び/又は、ファームウェア、ソフトウェア又は特徴データ104における検出された特徴からの駐車情報を解釈及び/又は表示するために使用される他の情報の更新、又は他の能力アップグレードを受信することができる。
図7に示すように、データ・センタ・インフラストラクチャ層710は、資源オーケストレータ712、グループ化された計算資源714、及びノード計算資源(「ノードC.R.」)716(1)~716(N)を含み得、そこで、「N」は、任意の整数の、自然数を表す。少なくとも1つの実施例において、ノードC.R.716(1)~716(N)は、任意の数の中央処理装置(CPU)又は他のプロセッサ(DPU、加速装置、フィールド・プログラマブル・ゲート・アレイ(FPGA)、グラフィックス・プロセッサ若しくはグラフィックス・プロセッシング・ユニット(GPU)などを含む)、メモリ・デバイス(たとえば、動的リード・オンリ・メモリ)、記憶デバイス(たとえば、ソリッドステート若しくはディスク・ドライブ)、ネットワーク入力/出力(NW I/O)デバイス、ネットワーク・スイッチ、仮想マシン(VM)、電力モジュール、及び/又は冷却モジュールなどを含み得るが、これらに限定されない。いくつかの実施例において、ノードC.R.716(1)~716(N)のうちの1つ又は複数のノードC.R.は、前述の計算資源のうちの1つ又は複数を有するサーバに対応し得る。加えて、いくつかの実施例において、ノードC.R.716(1)~7161(N)は、1つ若しくは複数の仮想構成要素、たとえば、vGPU、vCPU、及び/若しくは同類のもの、を含み得る、並びに/又は、ノードC.R.716(1)~716(N)のうちの1つ若しくは複数は、仮想マシン(VM)に対応し得る。
少なくとも1つの実施例において、グループ化された計算資源714は、1つ又は複数のラック(図示せず)内に収容された別個のグループのノードC.R.716、或いは様々な地理的場所(やはり図示せず)にあるデータ・センタに収容された多数のラックを含み得る。グループ化された計算資源714内の別個のグループのノードC.R.716は、1つ又は複数のワークロードをサポートするように構成する又は割り当てることができる、グループ化された計算、ネットワーク、メモリ又はストレージ資源を含み得る。少なくとも1つの実施例において、CPU、GPU、DPU、及び/又は他のプロセッサを含むいくつかのノードC.R.716は、1つ又は複数のワークロードをサポートするための計算資源を提供するために、1つ又は複数のラック内にグループ化され得る。1つ又は複数のラックはまた、任意の組合せで、任意の数の電力モジュール、冷却モジュール、及び/又はネットワーク・スイッチを含み得る。
資源オーケストレータ712は、1つ若しくは複数のノードC.R.716(1)~716(N)及び/又はグループ化された計算資源714を構成又は他の方法で制御することができる。少なくとも1つの実施例において、資源オーケストレータ712は、データ・センタ700のソフトウェア設計インフラストラクチャ(「SDI」)管理エンティティを含み得る。資源オーケストレータ712は、ハードウェア、ソフトウェア、又はその何らかの組合せを含み得る。
少なくとも1つの実施例において、図7に示すように、フレームワーク層720は、ジョブ・スケジューラ733、構成マネージャ734、資源マネージャ736、及び/又は分散型ファイル・システム738を含み得る。フレームワーク層720は、ソフトウェア層730のソフトウェア732及び/又はアプリケーション層740の1つ若しくは複数のアプリケーション742をサポートするためにフレームワークを含み得る。ソフトウェア732又はアプリケーション742は、ウェブベースのサービス・ソフトウェア又はアプリケーション、たとえば、アマゾン・ウェブ・サービス、グーグル・クラウド及びMicrosoft Azureによって提供されるもの、をそれぞれ含み得る。フレームワーク層720は、大規模データ処理(たとえば、「ビッグ・データ」)のための分散型ファイル・システム738を使用し得るApache Spark(商標)(以下「Spark」)などのフリー及びオープン・ソース・ソフトウェア・ウェブ・アプリケーション・フレームワークのタイプでもよいが、これに限定されない。少なくとも1つの実施例において、ジョブ・スケジューラ733は、データ・センタ700の様々な層によってサポートされるワークロードのスケジューリングを容易にするために、Sparkドライバを含み得る。構成マネージャ734は、異なる層、たとえば、ソフトウェア層730と、大規模データ処理をサポートするためのSpark及び分散型ファイル・システム738を含むフレームワーク層720、を構成する能力を有し得る。資源マネージャ736は、分散型ファイル・システム738及びジョブ・スケジューラ733のサポートのためにマップされた又は割り当てられたクラスタ化された又はグループ化された計算資源を管理する能力を有し得る。少なくとも1つの実施例において、クラスタ化された又はグループ化された計算資源は、データ・センタ・インフラストラクチャ層710にグループ化された計算資源714を含み得る。資源マネージャ736は、資源オーケストレータ712と調整して、これらのマップされた又は割り当てられた計算資源を管理することができる。
少なくとも1つの実施例において、ソフトウェア層730に含まれるソフトウェア732は、ノードC.R.716(1)~716(N)の少なくとも部分、グループ化された計算資源714、及び/又はフレームワーク層720の分散型ファイル・システム738によって使用されるソフトウェアを含み得る。1つ又は複数のタイプのソフトウェアは、インターネット・ウェブ・ページ検索ソフトウェア、電子メール・ウイルス・スキャン・ソフトウェア、データベース・ソフトウェア、及びストリーミング・ビデオ・コンテンツ・ソフトウェアを含み得るが、これらに限定されない。
少なくとも1つの実施例において、アプリケーション層740に含まれるアプリケーション742は、ノードC.R.716(1)~716(N)の少なくとも部分、グループ化された計算資源714、及び/又はフレームワーク層720の分散型ファイル・システム738によって使用される1つ又は複数のタイプのアプリケーションを含み得る。1つ又は複数のタイプのアプリケーションは、任意の数のゲノミクス・アプリケーション、認知計算、並びに、トレーニング若しくは推論ソフトウェア、機械学習フレームワーク・ソフトウェア(たとえば、PyTorch、TensorFlow、Caffeなど)、及び/又は1つ若しくは複数の実施例と併せて使用される他の機械学習アプリケーションを含む、機械学習アプリケーションを含み得るが、これらに限定されない。
少なくとも1つの実施例において、構成マネージャ734、資源マネージャ736、及び資源オーケストレータ712のうちのいずれかは、任意の技術的に可能な方式で取得される任意の量及びタイプのデータに基づいて任意の数及びタイプの自己書換え型アクションを実装することができる。自己書換え型アクションは、よくない可能性のある構成決定を行うこと並びにデータ・センタの十分に活用されていない及び/又は実行の不十分な部分を恐らく回避することからデータ・センタ700のデータ・センタ・オペレータを解放し得る。
データ・センタ700は、1つ又は複数の機械学習モデルをトレーニングする或いは本明細書に記載の1つ又は複数の実施例による1つ又は複数の機械学習モデルを使用して情報を予測する又は推論するために、ツール、サービス、ソフトウェア或いは他の資源を含み得る。たとえば、機械学習モデルは、データ・センタ700に関して前述されたソフトウェア及び/又は計算資源を使用するニューラル・ネットワーク・アーキテクチャによる重量パラメータの計算によって、トレーニングされ得る。少なくとも1つの実施例において、1つ又は複数のニューラル・ネットワークに対応するトレーニングされた又は配備された機械学習モデルは、たとえば、本明細書に記載のものに限定されない、1つ又は複数のトレーニング技法を介して計算された重量パラメータを使用することによって、データ・センタ700に関して前述された資源を使用して情報を推論又は予測するために使用され得る。
少なくとも1つの実施例において、データ・センタ700は、前述の資源を使用するトレーニング及び/又は推論の実行のために、CPU、特定用途向け集積回路(ASIC)、GPU、FPGA、及び/又は他のハードウェア(若しくはそれに対応する仮想計算資源)を使用することができる。さらに、前述の1つ又は複数のソフトウェア及び/又はハードウェア資源は、情報の推論をユーザがトレーニング又は実行することを可能にするためのサービス、たとえば、画像認識、音声認識、又は他の人工知能サービス、として構成され得る。
例示的ネットワーク環境
本開示の実施例の実装において使用するのに適したネットワーク環境は、1つ若しくは複数のクライアント・デバイス、サーバ、ネットワーク接続型ストレージ(NAS:network attached storage)、他のバックエンド・デバイス、及び/又は他のデバイス・タイプを含み得る。クライアント・デバイス、サーバ、及び/又は他のデバイス・タイプ(たとえば、各デバイス)は、図6の計算デバイス600の1つ又は複数のインスタンスで実装され得、たとえば、各デバイスは、計算デバイス600の類似の構成要素、特徴、及び/又は機能性を含み得る。加えて、バックエンド・デバイス(たとえば、サーバ、NASなど)が、実装される場合、バックエンド・デバイスは、データ・センタ700の一部として含まれ得、その実例は、図7に関して本明細書でさらに詳述される。
本開示の実施例の実装において使用するのに適したネットワーク環境は、1つ若しくは複数のクライアント・デバイス、サーバ、ネットワーク接続型ストレージ(NAS:network attached storage)、他のバックエンド・デバイス、及び/又は他のデバイス・タイプを含み得る。クライアント・デバイス、サーバ、及び/又は他のデバイス・タイプ(たとえば、各デバイス)は、図6の計算デバイス600の1つ又は複数のインスタンスで実装され得、たとえば、各デバイスは、計算デバイス600の類似の構成要素、特徴、及び/又は機能性を含み得る。加えて、バックエンド・デバイス(たとえば、サーバ、NASなど)が、実装される場合、バックエンド・デバイスは、データ・センタ700の一部として含まれ得、その実例は、図7に関して本明細書でさらに詳述される。
ネットワーク環境の構成要素は、ワイヤード、ワイヤレス、又はその両方でもよい、ネットワークを介して互いに通信し得る。ネットワークは、複数のネットワーク、又はネットワークのネットワークを含み得る。実例として、ネットワークは、1つ若しくは複数のワイド・エリア・ネットワーク(WAN)、1つ若しくは複数のローカル・エリア・ネットワーク(LAN)、1つ若しくは複数のパブリック・ネットワーク、たとえば、インターネット及び/若しくは公衆交換電話網(PSTN)、並びに/又は1つ若しくは複数のプライベート・ネットワークを含み得る。ネットワークが、ワイヤレス電気通信ネットワークを含む場合、構成要素、たとえば、基地局、通信塔、或いはアクセス・ポイント(並びに他の構成要素)、は、ワイヤレス接続を提供し得る。
互換性のあるネットワーク環境は、1つ又は複数のピア・ツー・ピア・ネットワーク環境(その場合、サーバはネットワーク環境に含まれないことがある)と、1つ又は複数のクライアント・サーバ・ネットワーク環境(その場合、1つ又は複数のサーバがネットワーク環境に含まれ得る)とを含み得る。ピア・ツー・ピア・ネットワーク環境では、サーバに関して本明細書に記載した機能性は、任意の数のクライアント・デバイスで実装され得る。
少なくとも1つの実施例において、ネットワーク環境は、1つ又は複数のクラウドベースのネットワーク環境、分散型計算環境、その組合せなどを含み得る。クラウドベースのネットワーク環境は、フレームワーク層、ジョブ・スケジューラ、資源マネージャ、並びに、1つ若しくは複数のコア・ネットワーク・サーバ及び/又はエッジ・サーバを含み得る、サーバのうちの1つ又は複数で実装された分散型ファイル・システムを含み得る。フレームワーク層は、ソフトウェア層のソフトウェア及び/又はアプリケーション層の1つ若しくは複数のアプリケーションをサポートするために、フレームワークを含み得る。ソフトウェア又はアプリケーションは、それぞれ、ウェブベースのサービス・ソフトウェア又はアプリケーションを含み得る。実施例において、クライアント・デバイスのうちの1つ又は複数は、ウェブベースのサービス・ソフトウェア又はアプリケーションを使用し得る(たとえば、1つ又は複数のアプリケーション・プログラミング・インターフェース(API)を介してサービス・ソフトウェア及び/又はアプリケーションにアクセスすることによって)。フレームワーク層は、たとえば大規模データ処理(たとえば、「ビッグ・データ」)のための分散型ファイル・システムを使用し得る、フリー及びオープン・ソース・ソフトウェア・ウェブ・アプリケーション・フレームワークのタイプでもよいが、これに限定されない。
クラウドベースのネットワーク環境は、本明細書に記載の計算及び/又はデータ・ストレージ機能(又は1つ若しくは複数のその部分)の任意の組合せを実施するクラウド計算及び/又はクラウド・ストレージを提供し得る。これらの様々な機能のいずれも、セントラル又はコア・サーバ(たとえば、州、領域、国、世界にわたって分散され得る1つ又は複数のデータ・センタなどの)から複数の場所に分散され得る。ユーザ(たとえば、クライアント・デバイス)への接続が、エッジ・サーバに比較的近い場合、コア・サーバは、機能性の少なくとも一部分をエッジ・サーバに任じ得る。クラウドベースのネットワーク環境は、プライベート(たとえば、単一の組織に制限される)でもよく、パブリック(たとえば、多数の組織に利用可能)、及び/又はその組合せ(たとえば、ハイブリッド・クラウド環境)でもよい。
クライアント・デバイスは、図6に関して本明細書に記載の例示的計算デバイス600の構成要素、特徴、及び機能性のうちの少なくともいくつかを含み得る。実例として、及び制限ではなく、クライアント・デバイスは、パーソナル・コンピュータ(PC)、ラップトップ・コンピュータ、モバイル・デバイス、スマートフォン、タブレット・コンピュータ、スマート・ウォッチ、ウェアラブル・コンピュータ、パーソナル・デジタル・アシスタント(PDA)、MP3プレイヤ、仮想現実ヘッドセット、全地球測位システム(GPS)又はデバイス、ビデオ・プレイヤ、ビデオカメラ、監視デバイス又はシステム、車両、ボート、飛行船、仮想マシン、ドローン、ロボット、ハンドヘルド通信デバイス、病院デバイス、ゲーミング・デバイス又はシステム、娯楽システム、車両コンピュータ・システム、組み込み型システム・コントローラ、リモート制御、器具、民生用電子デバイス、ワークステーション、エッジ・デバイス、これらの描写されたデバイスの任意の組合せ、或いは任意の他の適切なデバイスとして実施され得る。
本開示は、コンピュータ又は、携帯情報端末若しくは他のハンドヘルド・デバイスなどの、他のマシンによって実行されている、プログラム・モジュールなどのコンピュータ実行可能命令を含む、コンピュータ・コード又はマシン使用可能命令との一般的関連において説明されることがある。一般に、ルーティン、プログラム、オブジェクト、構成要素、データ構造体などを含むプログラム・モジュールは、特定のタスクを実行する又は特定の抽象データ・タイプを実装するコードを指す。本開示は、ハンドヘルド・デバイス、家電製品、汎用コンピュータ、より特殊な計算デバイスなどを含む、様々な構成で実施され得る。本開示はまた、通信ネットワークを介してリンクされた遠隔処理デバイスによってタスクが実行される分散型コンピューティング環境において実施され得る。
本明細書では、2個以上の要素に関する「及び/又は」の記述は、1つの要素のみ、又は要素の組合せを意味すると解釈されるべきである。たとえば、「要素A、要素B、及び/又は要素C」は、要素Aのみ、要素Bのみ、要素Cのみ、要素A及び要素B、要素A及び要素C、要素B及び要素C、或いは、要素A、B、及びCを含み得る。加えて、「要素A又は要素Bのうちの少なくとも1つ」は、要素Aの少なくとも1つ、要素Bの少なくとも1つ、或いは、要素Aの少なくとも1つ及び要素Bの少なくとも1つを含み得る。さらに、「要素A及び要素Bのうちの少なくとも1つ」は、要素Aのうちの少なくとも1つ、要素Bのうちの少なくとも1つ、或いは、要素Aのうちの少なくとも1つ及び要素Bのうちの少なくとも1つを含み得る。
本開示の主題は、法定の要件を満たすために特異性を有して記述されている。しかしながら、その記述自体が本開示の範囲を制限することは意図されていない。そうではなくて、本発明者は、請求されている主題が、他の現在の又は未来の技術と併せて、異なるステップ又は本文書に記載されたものと類似のステップの組合せを含むように、他の形で実施され得ることを意図している。さらに、「ステップ」及び/又は「ブロック」という用語は、使用される方法の異なる要素を含意するように本明細書で使用され得るが、これらの用語は、個別のステップの順番が明示的に記載されていない限り及びそのように記載されているときを除いて本明細書で開示される様々なステップの間に何らかの特定の順番を暗示するものとして解釈されるべきではない。
Claims (25)
- エゴマシンの1つ又は複数のセンサを使用して生成されたセンサ・データに少なくとも部分的に基づいて、前記エゴマシンの計画された進路の少なくとも一部に関連する駐車情報を示す1つ又は複数の特徴を検出し、
前記1つ又は複数の特徴及び前記エゴマシンの追跡された運動に少なくとも部分的に基づいて仮想駐車帯のジオメトリを計算し、
前記1つ又は複数の特徴に少なくとも部分的に基づいて駐車ルールを前記仮想駐車帯と関連付け、
前記駐車ルール及び前記エゴマシンに対する前記仮想駐車帯の相対位置を示す駐車支援出力を生成する
1つ又は複数の回路を含む、プロセッサ。 - 前記駐車ルールが、
駐車が前記仮想駐車帯内で許可されていること、
停車が前記仮想駐車帯内で許可されていること、
駐車が前記仮想駐車帯内で許可されていないこと、
停車が前記仮想駐車帯内で許可されていないこと、又は
駐車が許可証を条件として前記仮想駐車帯内で許可されていること
のうちの少なくとも1つを示す、請求項1に記載のプロセッサ。 - 前記1つ又は複数の特徴が、標識、交差点、前記計画された進路に沿った表面の色、又は前記計画された進路に沿った前記表面上の記号を含む、請求項1に記載のプロセッサ。
- 前記1つ又は複数の特徴の前記検出が、
前記1つ又は複数の特徴のうちの少なくとも1つの特徴をフィルタ処理で除去して特徴のフィルタ処理済みのセットを生成すること
を含み、前記フィルタ処理が、
前記少なくとも1つの特徴が前記エゴマシンの軌道多様体の外にあること、
前記少なくとも1つの特徴が前記エゴマシンとは異なる進路上に位置していること、又は、
前記エゴマシンと前記少なくとも1つの特徴との間の距離が閾値距離より大きいこと
のうちの少なくとも1つに少なくとも部分的に基づき、
前記仮想駐車帯の前記ジオメトリの前記計算が、前記特徴のフィルタ処理済みのセットを使用して実行される、
請求項1に記載のプロセッサ。 - 前記仮想駐車帯の前記ジオメトリの前記計算が、
前記仮想駐車帯の開始点を示す前記1つ又は複数の特徴のうちの第1の特徴の第1の位置に少なくとも部分的に基づいて前記仮想駐車帯の開始境界線を生成すること、
前記1つ又は複数の特徴の第2の特徴の第2の位置が前記仮想駐車帯の終点を示すまで、前記エゴマシンの前記追跡された運動に基づいて前記計画された進路に沿って前記仮想駐車帯の長さを伸ばすこと、及び、
前記第2の位置に少なくとも部分的に基づいて前記仮想駐車帯の終了境界線を生成すること
を含む、請求項1に記載のプロセッサ。 - 前記仮想駐車帯の前記ジオメトリの前記計算がさらに、
前記エゴマシンに対する前記第1の位置及び前記第2の位置の相対位置に少なくとも部分的に基づいて前記仮想駐車帯の前記ジオメトリを計算すること
を含む、請求項5に記載のプロセッサ。 - 前記1つ又は複数の回路がさらに、
前記仮想駐車帯の前記開始境界線に対応する第1の仮想標識を生成し、
前記仮想駐車帯の前記終了境界線に対応する第2の仮想標識を生成し、
前記第1の位置、前記第1の仮想標識に対応する意味論的情報、前記第2の位置、及び前記第2の仮想標識に対応する意味論的情報を前記エゴマシンのメモリに記憶する
電気回路を含む、請求項5に記載のプロセッサ。 - 前記駐車支援出力の前記生成が、前記仮想駐車帯の開始境界線に対応する第1の仮想標識の第1のグラフィック及び前記仮想駐車帯の終了境界線に対応する第2の仮想標識への第2のグラフィックの、前記エゴマシンのディスプレイでの、表示を引き起こすことを含む、請求項1に記載のプロセッサ。
- 前記1つ又は複数の回路がさらに、
前記エゴマシンが通過した第1の仮想駐車帯、前記エゴマシンが隣接して進んでいる第2の仮想駐車帯、又は前記エゴマシンが入ろうとしている第3の仮想駐車帯のうちの少なくとも1つを含む表示を生成する
電気回路を含む、請求項1に記載のプロセッサ。 - 前記1つ又は複数の回路がさらに、
前記駐車情報に少なくとも部分的に基づいて前記仮想駐車帯に関連する前記駐車ルールの信頼性レベルを判定し、
前記信頼性レベルが所定の閾値未満であるとき、デフォルト駐車ルールを選択する
電気回路を含む、請求項1に記載のプロセッサ。 - 前記駐車ルールが、前記エゴマシンの地理的位置に関連する駐車ルールに少なくとも部分的に基づく、請求項1に記載のプロセッサ。
- 前記1つ又は複数の特徴の前記検出が、前記1つ又は複数の特徴と前記計画された進路との間の距離を推定することに少なくとも部分的に基づいて、前記駐車情報が前記計画された進路の前記少なくとも一部に関連していると判定することを含む、請求項1に記載のプロセッサ。
- 前記1つ又は複数の回路がさらに、
前記計画された進路に沿った以前計算された仮想駐車帯の履歴を前記エゴマシンのメモリにおいて保持する
電気回路を含む、請求項1に記載のプロセッサ。 - 前記計画された進路が、
舗装道路、
未舗装道路、
ハイウェイ、
私道、
駐車場の一部、
小道、
線路、
河川、
歩道、
環境の線引きされた部分、又は
航空路
のうちの少なくとも1つを含む、請求項1に記載のプロセッサ。 - 前記プロセッサが、
自律若しくは半自律マシンの制御システム、
自律若しくは半自律マシンの認知システム、
シミュレーション動作を実行するシステム、
機械学習を使用して合成データを生成するシステム、
共同コンテンツ作成プラットフォームを使用して多次元資産を生成するシステム、
深層学習動作を実行するシステム、
エッジ・デバイスを使用して実装されるシステム、
ロボットを使用して実装されるシステム、
1つ又は複数の仮想マシン(VM)を組み込むシステム、
データ・センタにおいて少なくとも部分的に実装されるシステム、又は
クラウド計算資源を使用して少なくとも部分的に実装されるシステム
のうちの少なくとも1つに含まれる、請求項1に記載のプロセッサ。 - センサ・データを生成する1つ又は複数のセンサと、
処理電気回路を含む1つ又は複数の処理ユニットと
を含むシステムであって、前記処理電気回路は、
エゴマシンの計画された進路の少なくとも一部に関連する駐車情報を示す1つ又は複数の特徴を、前記センサ・データに少なくとも部分的に基づいて検出し、
前記1つ又は複数の特徴及び前記エゴマシンの追跡された運動に少なくとも部分的に基づいて仮想駐車帯のジオメトリを計算し、
前記1つ又は複数の特徴に少なくとも部分的に基づいて駐車ルールを前記仮想駐車帯と関連付け、
前記仮想駐車帯及び前記関連付けられた駐車ルールに少なくとも部分的に基づいて1つ又は複数の動作を実行する、
システム。 - 前記1つ又は複数の特徴が、標識、交差点、前記計画された進路に沿った表面の色、又は前記計画された進路に沿った前記表面上の記号を含む、請求項16に記載のシステム。
- 前記1つ又は複数の特徴の前記検出が、
前記1つ又は複数の特徴のうちの少なくとも1つの特徴をフィルタ処理で除去して特徴のフィルタ処理済みのセットを生成すること
を含み、前記フィルタ処理が、
前記少なくとも1つの特徴が前記エゴマシンの軌道多様体の外にあること、
前記少なくとも1つの特徴が前記エゴマシンとは異なる進路上に位置していること、又は
前記エゴマシンと前記少なくとも1つの特徴との間の距離が閾値距離より大きいこと
のうちの少なくとも1つに少なくとも部分的に基づき、
前記仮想駐車帯の前記ジオメトリの前記計算が、前記特徴のフィルタ処理済みのセットを使用して実行される、
請求項16に記載のシステム。 - 前記仮想駐車帯の前記ジオメトリの前記計算が、
前記仮想駐車帯の開始点を示す前記1つ又は複数の特徴のうちの第1の特徴の第1の位置に少なくとも部分的に基づいて前記仮想駐車帯の開始境界線を生成することと、
前記1つ又は複数の特徴の第2の特徴の第2の位置が前記仮想駐車帯の終点を示すまで、前記エゴマシンの前記追跡された運動に基づいて前記計画された進路に沿って前記仮想駐車帯の長さを伸ばすことと、
前記第2の位置に少なくとも部分的に基づいて前記仮想駐車帯の終了境界線を生成することと
を含む、請求項16に記載のシステム。 - 前記仮想駐車帯の前記ジオメトリの前記計算が、
前記エゴマシンに対する前記第1の位置及び前記第2の位置の相対位置に少なくとも部分的に基づいて前記仮想駐車帯の前記ジオメトリを計算すること
をさらに含む、請求項19に記載のシステム。 - 前記処理電気回路がさらに、
前記仮想駐車帯の前記開始境界線に対応する第1の仮想標識を生成し、
前記仮想駐車帯の前記終了境界線に対応する第2の仮想標識を生成し
前記第1の位置、前記第1の仮想標識に対応する意味論的情報、前記第2の位置、及び前記第2の仮想標識に対応する意味論的情報を前記エゴマシンのメモリに記憶する、
請求項19に記載のシステム。 - 前記1つ又は複数の特徴の前記検出が、前記1つ又は複数の特徴と前記計画された進路との間の距離を推定することに少なくとも部分的に基づいて、前記駐車情報が前記計画された進路の前記少なくとも一部に関連していると判定することを含む、請求項16に記載のシステム。
- 前記システムが、
自律若しくは半自律マシンの制御システム、
自律若しくは半自律マシンの認知システム、
シミュレーション動作を実行するシステム、
機械学習を使用して合成データを生成するシステム、
共同コンテンツ作成プラットフォームを使用して多次元資産を生成するシステム、
深層学習動作を実行するシステム、
エッジ・デバイスを使用して実装されるシステム、
ロボットを使用して実装されるシステム、
1つ又は複数の仮想マシン(VM)を組み込むシステム、
データ・センタにおいて少なくとも部分的に実装されるシステム、又は
クラウド計算資源を使用して少なくとも部分的に実装されるシステム
のうちの少なくとも1つに含まれる、請求項16に記載のシステム。 - エゴマシンに対する現実世界の駐車帯の位置及び前記現実世界の駐車帯の関連付けられた駐車ルールを、前記エゴマシンの環境内の1つ又は複数の検出された特徴に少なくとも部分的に基づいて生成された仮想駐車帯及び1つ又は複数の仮想駐車標識を使用して判定するステップ
を含む、方法。 - 前記1つ又は複数の検出された特徴が、標識、交差点、計画された進路に沿った表面の色、又は前記計画された進路に沿った前記表面上の記号を含む、請求項24に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/690,865 | 2022-03-09 | ||
US17/690,865 US20230311855A1 (en) | 2022-03-09 | 2022-03-09 | Perception-based parking assistance for autonomous machine systems and applications |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023133049A true JP2023133049A (ja) | 2023-09-22 |
Family
ID=87759695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022062311A Pending JP2023133049A (ja) | 2022-03-09 | 2022-04-04 | 自律マシンシステム及びアプリケーションのための認知ベースの駐車支援 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230311855A1 (ja) |
JP (1) | JP2023133049A (ja) |
CN (1) | CN116767182A (ja) |
DE (1) | DE102023105582A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351014B (zh) * | 2023-12-05 | 2024-03-01 | 青岛市勘察测绘研究院 | 一种基于实景三维的无人机飞行安全检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10836379B2 (en) * | 2018-03-23 | 2020-11-17 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
US11010907B1 (en) * | 2018-11-27 | 2021-05-18 | Zoox, Inc. | Bounding box selection |
-
2022
- 2022-03-09 US US17/690,865 patent/US20230311855A1/en active Pending
- 2022-04-04 JP JP2022062311A patent/JP2023133049A/ja active Pending
- 2022-08-17 CN CN202210985367.8A patent/CN116767182A/zh active Pending
-
2023
- 2023-03-07 DE DE102023105582.8A patent/DE102023105582A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
CN116767182A (zh) | 2023-09-19 |
DE102023105582A1 (de) | 2023-09-14 |
US20230311855A1 (en) | 2023-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7399164B2 (ja) | 駐車スペース検出に適したスキューされたポリゴンを使用した物体検出 | |
JP7424866B2 (ja) | 環境内のオブジェクトのレーン割り当てを決定するための障害物及びレーン検出の活用 | |
US11884294B2 (en) | Lane change planning and control in autonomous machine applications | |
US20240061075A1 (en) | Deep neural network for detecting obstacle instances using radar sensors in autonomous machine applications | |
JP2023531330A (ja) | マシン学習を使用した自律マシン・アプリケーションのためのセンサ融合 | |
JP2022530091A (ja) | 自律マシン・アプリケーションにおける交差点姿勢検出 | |
JP2023507695A (ja) | 自律運転アプリケーションのための3次元交差点構造予測 | |
JP2022526825A (ja) | 自律マシン・アプリケーションのためのマップ情報で拡張されたグラウンド・トゥルース・データを使用するニューラル・ネットワーク・トレーニング | |
JP2023548721A (ja) | 自律システム及びアプリケーションにおけるビヘイビア予測のためのモデルベースの強化学習 | |
US20230110713A1 (en) | Training configuration-agnostic machine learning models using synthetic data for autonomous machine applications | |
JP2023031237A (ja) | 自律マシン・アプリケーションのためのLiDARデータを使用する物体追跡 | |
US20230130814A1 (en) | Yield scenario encoding for autonomous systems | |
US11926346B2 (en) | Behavior planning for autonomous vehicles in yield scenarios | |
US20230341235A1 (en) | Automatic graphical content recognition for vehicle applications | |
JP2023131069A (ja) | 自律システム及びアプリケーションのためのニューラル・ネットワークを使用したマップ情報の物体データ・キュレーション | |
US20230406315A1 (en) | Encoding junction information in map data | |
JP2022165372A (ja) | 高解像度マップを更新するためのシステム及び方法 | |
JP2023071168A (ja) | 自律マシン・アプリケーションのための粒子ベース危険検出 | |
US20220301186A1 (en) | Motion-based object detection for autonomous systems and applications | |
US20230311855A1 (en) | Perception-based parking assistance for autonomous machine systems and applications | |
CN116772874A (zh) | 用于自主***和应用的使用占用网格进行危险检测 | |
CN117581117A (zh) | 自主机器***和应用中使用LiDAR数据的动态对象检测 | |
CN117396926A (zh) | 用于自主机器***和应用的基于感知的标志检测和解释 | |
JP2022117916A (ja) | 自律マシン・アプリケーションのための配備されたディープ・ニューラル・ネットワークのパッチ | |
US20230324194A1 (en) | Translating route information between data structures for autonomous systems and applications |