JP6928722B2 - 車両動作のための位置特定の決定 - Google Patents

Description

本開示は、自律車両動作管理及び自律運転を含む車両動作管理及び運転に関する。

自律車両等の車両は、車両交通ネットワークの一部分を横断することができる。車両交通ネットワークを横断することは、車両のセンサ等によって、車両の動作状態を表すデータを生成又はキャプチャすることを含む。このデータは、車両交通ネットワーク内の車両の位置特定(localization)に用いられてよい。

ここに開示されるのは、測量的及びトポロジ的な位置情報(metric and topological location information)を用いる車両動作のための位置特定の種々の態様、特徴、要素、実装、及び実施形態である。ここで、測量的位置とは、典型的にはグローバル座標系における物理的位置のことを言い、トポロジ的位置とは、典型的にはトポロジ的地図の座標系における車両交通ネットワークの少なくとも一部分を示すトポロジ的地図内の対応する仮想位置のことを言う。修飾語を伴わない位置への参照は、文脈に応じて、測量的位置及びトポロジ的位置のいずれか一方又は両方を参照する場合がある。

開示される実施形態の一態様は、車両交通ネットワークを横断する方法であり、この方法は、車両の車両動作情報を決定することと、車両動作情報を用いて車両の測量的位置推定値を決定することと、車両交通ネットワークの一部分の動作環境情報を決定することと、測量的位置推定値及び動作環境情報を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定することと、車両のトポロジ的位置推定値に基づいて車両により車両交通ネットワークを横断することと、を含む。動作環境情報は、車両にとって観測可能な車両交通ネットワークの一部分のセンサデータを含む。車両にとって観測可能な部分は、車両に動作環境情報を提供するセンサの１つ以上のセンサ範囲と同延であってよく又は異なっていてよい。センサデータはリモート車両位置データを含むことができる。

開示される実施形態の別の態様は車両であり、この車両はプロセッサを含む自律車両であってよく、プロセッサは、非一時的コンピュータ可読媒体に記憶された命令を実行することで、車両の車両動作情報を決定し、車両動作情報を用いて車両の測量的位置推定値を決定し、車両交通ネットワークの一部分の動作環境情報であって、車両にとって観測可能な車両交通ネットワークの一部分の、リモート車両位置データを備えるセンサデータを含む動作環境情報を決定し、測量的位置推定値及び動作環境情報を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定し、車両のトポロジ的位置推定値に基づいて車両により車両交通ネットワークを横断するように構成される。

ここに開示される方法、装置、手順、及びアルゴリズムのこれらの及び他の態様、特徴、要素、実装、及び実施形態の変形は、以下で更に詳細に説明される。

ここに開示される方法及び装置の種々の態様は、以下の説明及び図面において提供される例を参照することにより、より明確になるはずであり、以下の説明及び図面においては、特に断らない限り、同様の参照番号は同様の要素を参照する。

図１はここに開示される種々の態様、特徴、及び要素が実装されてよい車両の一例の図である。

図２はここに開示される種々の態様、特徴、及び要素が実装されてよい車両交通及び通信システムの一部分の一例の図である。

図３は、本開示に従う車両交通ネットワークの一部分の図である。

図４は、本開示の種々の実施形態に従う位置特定の決定を用いて車両交通ネットワークを横断する一例のフロー図である。

図５は、本開示の種々の実施形態に従う位置特定の決定のための非線形損失関数を実装する一例の図である。

図６は、動作環境情報を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定する一例の図である。

図７は、本開示の種々の実施形態に従う位置特定の決定のための隠れマルコフモデル(Hidden Markov Model)を実装する一例の図である。

図８は、本開示の種々の実施形態に従う位置特定の決定のための可変構造多重隠れマルコフモデルを実装する一例の図である。

図９は、本開示の種々の実施形態に従う位置特定の決定のための拡張アースムーバーズ距離測量(Extended Earth Mover’s Distance metric)を実装する一例の図である。

自律車両又は半自律車両等の車両は、車両交通ネットワークの一部分を横断することがある。車両は、１つ以上のセンサを含んでいてよく、車両交通ネットワークを横断することは、車両交通ネットワークを横断する際に用いるためのセンサデータを種々のセンサが生成又はキャプチャすることを含んでいてよい。センサデータは、グローバルポジショニングシステム（ＧＰＳ）座標、車両が移動しているか固定位置にあるか、車両の方位等の車両動作情報を含んでいてよい。また、センサデータは、車両の動作環境に対応する情報、例えば、車両動作環境内の歩行者、リモート車両、他の物体等の１つ以上の外部物体、車両交通ネットワークのジオメトリ若しくはトポロジ、又はこれらの組み合わせに対応する情報を含んでいてもよい。この情報は、ここでは動作環境情報と称することがある。

車両の制御のために、車両の位置特定は、緯度、経度、及び方位等の測量的位置（例えば、観測又は測定された位置）を用いて、特定の街路又は道路の左端車線等、車両交通ネットワーク内のトポロジ的位置を通知してよい。即ち、測量的位置は、センサデータを用いて決定されてよい。トポロジ的位置の決定は、正確なトポロジ的地図及び正確な測量的位置に依存し、これは、トポロジ的地図の座標系内の座標に変換される。

正確な測量的及びトポロジ的な位置推定値は、安全で効果的なナビゲーション及び意思決定に貢献する。測量的位置の正確な決定は、精密なグローバル情報を提供する比較的高価なセンサを用いて行われてよい。低品質なセンサ情報や範囲が限定されたセンサ情報は、測量的位置推定値、すなわちトポロジ的位置推定値の精度を低下させ得る。例えば、精度が低下したセンサは、同じ物理的位置に対して２つの異なる座標セットを示すことがある。推定値は、車両のセンサが誤ったデータを生成し又はセンサ全体が故障した場合にも影響され得る。

測量的位置が正確であったとしても、トポロジ的位置推定値は、望まれるよりも正確ではないことがある。例えば、多くの高解像度（ＨＤ）トポロジ的地図が存在するにもかかわらず、車両交通ネットワーク内の道路の実際のトポロジを地図によって与えられるトポロジと異ならせてしまう建設、交通事故、地滑りのような自然事象等に起因する誤差がそのような地図に生じることがある。低品質な地図はこれらの誤差を悪化させる可能性があり、例えば、車両が走行している道路の特定の車線を正確に識別することが困難になる。

ここで説明する技術は、車両のセンサ、車両が利用可能なトポロジ的地図、あるいはその両方における不確かさ、曖昧さ、及び／又は固有の誤差に対処するものである。

図１は、ここに開示される種々の態様、特徴、及び要素が実装されてよい車両の一例の図である。図示される実施形態において、車両１０００は、シャーシ１１００、パワートレイン１２００、コントローラ１３００、及び車輪１４００を含む。車両１０００は、簡潔さのために４つの車輪１４００を含むものとして図示されているが、プロペラ又はトレッド等の任意の１つ以上の推進デバイスが用いられてもよい。図１において、パワートレイン１２００、コントローラ１３００、及び車輪１４００等の要素を相互接続する線は、データ若しくは制御信号等の情報、電力若しくはトルク等のパワー、又は情報及びパワーの両方がそれぞれの要素間でやりとりされてよいことを示す。例えば、コントローラ１３００は、パワートレイン１２００からパワーを受け取ってよく、パワートレイン１２００、車輪１４００、又はその両方とやりとりして車両１０００を制御してよく、この制御は、車両１０００を加速し、減速し、操舵し、又は他の方法で車両１０００を制御することを含んでいてよい。

図１に例として示されるパワートレイン１２００は、動力源１２１０、トランスミッション１２２０、操舵ユニット１２３０、及びアクチュエータ１２４０を含む。サスペンション、ドライブシャフト、車軸、又は排気システム等のパワートレインの任意の他の要素又はそのような要素の組み合わせが含まれていてもよい。別々に図示されているが、車輪１４００は、パワートレイン１２００に含まれていてもよい。

動力源１２１０は、エンジン、バッテリ、又はそれらの組み合わせを含む。動力源１２１０は、電気エネルギ、熱エネルギ、又は運動エネルギ等のエネルギを提供するように動作する任意のデバイス又はそのようなデバイスの組み合わせであってよい。一例において、動力源１２１０は、内燃機関等のエンジン、電動機、又は内燃機関及び電動機の組み合わせを含み、運動エネルギを推進力として車輪１４００の１つ以上に提供するように動作する。代替的に又は追加的に、動力源１２１０は、ニッケルカドミウム（ＮｉＣｄ）、ニッケル亜鉛（ＮｉＺｎ）、ニッケル水素（ＮｉＭＨ）、リチウムイオン（Ｌｉ−ｉｏｎ）のような乾電池、太陽電池、燃料電池等の潜在的エネルギユニット、又はエネルギを提供可能な任意の他のデバイスを含む。

トランスミッション１２２０は、動力源１２１０から運動エネルギ等のエネルギを受け取り、そのエネルギを車輪１４００に伝達して推進力を提供する。トランスミッション１２２０は、コントローラ１３００、アクチュエータ１２４０、又はその両方によって制御されてよい。操舵ユニット１２３０は、コントローラ１３００、アクチュエータ１２４０、又はその両方によって制御されてよく、車輪１４００を制御して車両を操舵する。アクチュエータ１２４０は、コントローラ１３００から信号を受信し、動力源１２１０、トランスミッション１２２０、操舵ユニット１２３０、又はそれらの任意の組み合わせを作動又は制御して車両１０００を動作させてよい。

図示される実施形態において、コントローラ１３００は、位置ユニット１３１０、電子通信ユニット１３２０、プロセッサ１３３０、メモリ１３４０、ユーザインタフェース１３５０、センサ１３６０、及び電子通信インタフェース１３７０を含む。これらの要素のうちの少数は、コントローラ１３００の一部として存在してよい。コントローラ１３００は単一のユニットとして示されているが、コントローラ１３００の任意の１つ以上の要素は、任意の数の別個の物理ユニットに統合されてもよい。例えば、ユーザインタフェース１３５０及びプロセッサ１３３０が第１の物理ユニットにおいて統合され、メモリ１３４０が第２の物理ユニットにおいて統合されてよい。図１には示していないが、コントローラ１３００は、電池等の電源を含んでいてよい。別個の要素として示されているが、位置ユニット１３１０、電子通信ユニット１３２０、プロセッサ１３３０、メモリ１３４０、ユーザインタフェース１３５０、センサ１３６０、電子通信インタフェース１３７０、又はそれらの任意の組み合わせは、１つ以上のユニット、回路、又はチップに統合されてもよい。

プロセッサ１３３０は、光学プロセッサ、量子プロセッサ、分子プロセッサ、又はそれらの組み合わせを含む、信号又は他の情報を操作又は処理することが可能な既存の又は今後開発される任意のデバイス又はそのようなデバイスの組み合わせを含んでいてよい。例えば、プロセッサ１３３０は、１つ以上の専用プロセッサ、１つ以上のデジタル信号プロセッサ、１つ以上のマイクロプロセッサ、１つ以上のコントローラ、１つ以上のマイクロコントローラ、１つ以上の集積回路、１つ以上の特定用途向け集積回路、１つ以上のフィールドプログラマブルゲートアレイ、１つ以上のプログラマブルロジックアレイ、１つ以上のプログラマブルロジックコントローラ、１つ以上の状態マシン、又はそれらの任意の組み合わせを含んでいてよい。プロセッサ１３３０は、位置ユニット１３１０、メモリ１３４０、電子通信インタフェース１３７０、電子通信ユニット１３２０、ユーザインタフェース１３５０、センサ１３６０、及びパワートレイン１２００のうちの１つ以上と動作可能に結合されている。例えば、プロセッサは、通信バス１３８０を介してメモリ１３４０と動作可能に結合されていてよい。

メモリ１３４０は、任意の有形の非一時的なコンピュータ使用可能媒体又はコンピュータ可読媒体を含み、この媒体は、例えば、プロセッサ１３３０等の任意のプロセッサによって使用され又は任意のプロセッサに関連する機械可読命令又はそれに関連する任意の情報を収容し、記憶し、通信し、又は伝送することが可能である。メモリ１３４０は、例えば、１つ以上のソリッドステートドライブ、１つ以上のメモリカード、１つ以上のリムーバブル媒体、１つ以上のリードオンリメモリ、１つ以上のランダムアクセスメモリ、ハードディスク、フロッピーディスク、光ディスクを含む１つ以上のディスク、磁気若しくは光学カード、若しくは電子情報を記憶するのに適した任意のタイプの非一時的な媒体、又はそれらの任意の組み合わせであってよい。例えば、メモリは、１つ以上のリードオンリメモリ（ＲＯＭ）、１つ以上のランダムアクセスメモリ（ＲＡＭ）、１つ以上のレジスタ、低電力ダブルデータレート（ＬＰＤＤＲ）メモリ、１つ以上のキャッシュメモリ、１つ以上の半導体メモリデバイス、１つ以上の磁気媒体、１つ以上の光学媒体、１つ以上の光磁気媒体、又はそれらの任意の組み合わせであってよい。

通信インタフェース１３７０は、図示のような無線アンテナ、有線通信ポート、光通信ポート、又は有線若しくは無線の電子通信媒体１５００とインタフェースすることが可能な任意の他の有線若しくは無線ユニットであってよい。図１は単一の通信リンクを介して通信する通信インタフェース１３７０を示しているが、通信インタフェースは、多重通信リンクを介して通信するように構成されてもよい。図１は単一の通信インタフェース１３７０を示しているが、車両は、任意の数の通信インタフェースを含んでいてもよい。

通信ユニット１３２０は、通信インタフェース１３７０を介する等、有線又は無線の電子通信媒体１５００を介して信号を送信又は受信するように構成される。図１に明示的には示されていないが、通信ユニット１３２０は、無線周波数（ＲＦ）、紫外線（ＵＶ）、可視光、光ファイバ、有線、又はそれらの組み合わせ等の任意の有線又は無線の通信媒体を介して送信し、受信し、又はその両方を行うように構成されてよい。図１は単一の通信ユニット１３２０及び単一の通信インタフェース１３７０を示しているが、任意の数の通信ユニット及び任意の数の通信インタフェースを用いてもよい。幾つかの実施形態において、通信ユニット１３２０は、専用の短距離通信（ＤＳＲＣ）ユニット、車載ユニット（ＯＢＵ）、又はそれらの組み合わせを含む。

位置ユニット１３１０は、車両１０００の経度、緯度、高度、走行方向、又は速度等の地理的位置情報を決定してよい。一例において、位置ユニット１３１０は、広域補強システム(Wide Area Augmentation System)（ＷＡＡＳ）が使用可能な米国海洋電子機器協会(National Marine -Electronics Association)（ＮＭＥＡ）ユニット、無線三角測量ユニット、又はそれらの組み合わせ等のＧＰＳユニットを含む。位置ユニット１３１０は、例えば、車両１０００の現在の方位、２次元若しくは３次元における車両１０００の現在の位置、車両１０００の現在の角度方向、又はそれらの組み合わせを表す情報を得るために用いることができる。

ユーザインタフェース１３５０は、仮想若しくは物理キーパッド、タッチパッド、ディスプレイ、タッチディスプレイ、ヘッドアップディスプレイ、仮想ディスプレイ、拡張現実ディスプレイ、ハプティックディスプレイ、アイトラッキングデバイスのような特徴トラッキングデバイス、スピーカ、マイク、ビデオカメラ、センサ、プリンタ、又はそれらの任意の組み合わせ等の人とインタフェースすることが可能な任意のユニットを含む。ユーザインタフェース１３５０は、図示されるようにプロセッサ１３３０に動作可能に結合されていてよく、又はコントローラ１３００の任意の他の要素に動作可能に結合されていてよい。単一のユニットとして示されているが、ユーザインタフェース１３５０は、１つ以上の物理ユニットを含んでいてよい。例えば、ユーザインタフェース１３５０は、人とオーディオによるやりとりを行うためのオーディオインタフェース及び人と視覚的でタッチベースのやりとりを行うためのタッチディスプレイの両方を含んでいてよい。ユーザインタフェース１３５０は、多重の物理的に別個のユニット、単一の物理ユニット内の多重の定義された部分、又はそれらの組み合わせ等の多重ディスプレイを含んでいてよい。

センサ１３６０は、車両を制御するために用いられてよい情報を提供するように動作可能である。センサ１３６０は、複数のセンサのアレイであってよい。センサ１３６０は、車両動作情報を含む車両１０００の現在の動作特性に関する情報を提供してよい。センサ１３６０は、例えば、速度センサ、加速度センサ、操舵角センサ、牽引関連センサ、ブレーキ関連センサ、ステアリングホイール位置センサ、アイトラッキングセンサ、着座位置センサ、又は車両１０００の現在の動的状況の何らかの態様に関する情報を報告するように動作可能な任意のセンサ若しくはそのようなセンサの組み合わせを含むことができる。

センサ１３６０は、動作環境情報等の車両１０００周囲の物理的環境に関する情報を得るように動作可能な１つ以上のセンサを含む。例えば、１つ以上のセンサが、車線等の道路形状や固定障害物、車両、及び歩行者等の障害物を検出してよい。センサ１３６０は、１つ以上のビデオカメラ、レーザ検知システム、赤外線検知システム、音響検知システム、若しくは任意の他の適切なタイプの車載環境検知デバイス、若しくは現在知られている若しくは将来開発されるデバイスの組み合わせであってよく又はそれらを含んでいてよい。幾つかの実施形態において、センサ１３６０及び位置ユニット１３１０は組み合わされる。

独立しては図示されていないが、車両１０００は軌跡コントローラを含んでいてよい。例えば、コントローラ１３００が軌跡コントローラを含んでいてよい。軌跡コントローラは、車両１０００の現在の状態及び車両１０００のために計画された経路を表す情報を取得し、この情報に基づいて車両１０００の軌跡を決定及び最適化するように動作可能であってよい。幾つかの実施形態において、軌跡コントローラは、車両１０００が軌跡コントローラによって決定された軌跡をたどるように車両１０００を制御すべく動作可能な信号を出力してよい。例えば、軌跡コントローラの出力は、パワートレイン１２００、車輪１４００、又はその両方に供給されてよい最適化された軌跡であってよい。幾つかの実施形態において、最適化された軌跡は、一連の操舵角等の制御入力であることができ、各操舵角は、ある時点又はある位置に対応している。幾つかの実施形態において、最適化された軌跡は、１つ以上の経路、線、曲線、又はそれらの組み合わせであってよい。

車輪１４００のうちの１つ以上は、操舵ユニット１２３０の制御下で操舵角まで回動させられる操舵車輪、トランスミッション１２２０の制御下で車両１０００を推進するようにトルクをかけられる推進車輪、又は車両１０００を操舵及び推進してよい操舵及び推進車輪であってよい。

図１には図示されていないが、車両は、エンクロージャ、ブルートゥース（登録商標）モジュール、周波数変調（ＦＭ）無線ユニット、近距離無線通信(Near Field Communication)（ＮＦＣ）モジュール、液晶ディスプレイ（ＬＣＤ）表示ユニット、有機発光ダイオード（ＯＬＥＤ）表示ユニット、スピーカ、又はそれらの任意の組み合わせ等の図１には図示されていない追加的なユニット又は要素を含んでいてよい。

車両１０００は、直接的な人間の介入なしに、車両交通ネットワークの一部分を横断するように自律的に制御される自律車両であってよい。図１には独立しては図示されていないが、自律車両は、自律車両のルーティング、ナビゲーション、及び制御を行う自律車両制御ユニットを含んでいてよい。自律車両制御ユニットは、車両の他のユニットと統合されていてもよい。例えば、コントローラ１３００が自律車両制御ユニットを含んでいてよい。

自律車両制御ユニットがある場合、このユニットは、現在の車両動作パラメータに従って車両交通ネットワークの一部分を横断するように車両１０００を制御又は操作してよい。自律車両制御ユニットは、車両を駐車させる等の定義された動作又は手順(operation or maneuver)を行うように車両１０００を制御又は操作してよい。自律車両制御ユニットは、車両情報、環境情報、車両交通ネットワークを表す車両交通ネットワーク情報、又はそれらの組み合わせに基づいて、車両１０００の現在位置等の起点から目的地までの走行経路を生成してよく、またその経路に従って車両交通ネットワークを横断するように車両１０００を制御又は操作してよい。例えば、自律車両制御ユニットは、走行経路を軌跡コントローラに出力して、生成された経路を用いて起点から目的地まで走行するように車両１０００を操作してよい。

図２は、ここに開示される種々の態様、特徴、及び要素が実装されてよい車両交通及び通信システムの一部分の例の図である。車両交通及び通信システム２０００は、図１に示した車両１０００等の１つ以上の車両２１００／２１１０を含んでいてよく、そのような車両は、車両交通ネットワーク２２００の１つ以上の部分を通って走行し、１つ以上の電子通信ネットワーク２３００を介して通信する。図２に明示的には示されていないが、車両はオフロードエリアを横断してもよい。

電子通信ネットワーク２３００は、例えば、車両２１００／２１１０と１つ以上の通信デバイス２４００との間で音声通信、データ通信、ビデオ通信、メッセージング通信、又はそれらの組み合わせ等の通信を提供する多重アクセスシステムであってよい。例えば、車両２１００／２１１０は、車両交通ネットワーク２２００を表す情報等の情報を、ネットワーク２３００を介して通信デバイス２４００から受信してよい。

幾つかの実施形態において、車両２１００／２１１０は、有線通信リンク（図示せず）、無線通信リンク２３１０／２３２０／２３７０、又は任意の数の有線若しくは無線の通信リンクの組み合わせを介して通信してよい。図示されるように、車両２１００／２１１０は、地上無線通信リンク２３１０を介して、非地上無線通信リンク２３２０を介して、又はそれらの組み合わせを介して通信する。地上無線通信リンク２３１０は、イーサネットリンク、シリアルリンク、ブルートゥースリンク、赤外線（ＩＲ）リンク、紫外線（ＵＶ）リンク、又は電子通信を提供可能な任意のリンクを含んでいてよい。

車両２１００／２１１０は、別の車両２１００／２１１０と通信してよい。例えば、ホスト車両、即ち自車両（ＨＶ）２１００は、直接通信リンク２３７０を介して又はネットワーク２３０を介して、基本安全メッセージ（ＢＳＭ）等の１つ以上の自動車両間メッセージ(automated inter-vehicle messages)をリモート車両、即ちターゲット車両（ＲＶ）２１１０から受信してよい。リモート車両２１１０は、３００メートル等の定義されたブロードキャスト範囲内のホスト車両にメッセージをブロードキャストしてよい。幾つかの実施形態において、ホスト車両２１００は、信号中継器（図示せず）又は別のリモート車両（図示せず）等の第三者を介してメッセージを受信してよい。車両２１００／２１１０は、例えば、１００ミリ秒等の定義された間隔に基づいて、１つ以上の自動車両間メッセージを周期的に送信してよい。

自動車両間メッセージは、車両識別情報、地理空間状態情報、例えば経度、緯度、若しくは標高の情報、地理空間位置精度情報、運動学的状態情報、例えば車両加速度情報、ヨーレート情報、速度情報、車両方位情報、ブレーキシステム状態情報、スロットル情報、ステアリングホイール角度情報、若しくは車両経路情報、車両動作状態情報、例えば車両サイズ情報、ヘッドライト状態情報、ウインカ情報、ワイパー状態情報、若しくはトランスミッション情報、又は送信車両状態に関連する任意の他の情報若しくはそのような情報の組み合わせを含んでいてよい。例えば、トランスミッション状態情報は、送信車両のトランスミッションがニュートラル状態、駐車状態、前進状態、又は後進状態のいずれであるかを示してよい。

車両２１００は、アクセスポイント２３３０を介して通信ネットワーク２３００と通信してよい。アクセスポイント２３３０はコンピューティングデバイスを含んでいてよく、有線又は無線通信リンク２３１０／２３４０を介して車両２１００と通信し、通信ネットワーク２３００と通信し、１つ以上の通信デバイス２４００と通信し、又はそれらの組み合わせと通信するように構成されている。例えば、アクセスポイント２３３０は、基地局、基地トランシーバ局（ＢＴＳ）、ノードＢ、強化型ノードＢ（ｅＮｏｄｅ−Ｂ）、ホームノードＢ（ＨＮｏｄｅ−Ｂ）、無線ルータ、有線ルータ、ハブ、中継器、スイッチ、又は任意の同様の有線若しくは無線デバイスであってよい。ここでは単一のユニットとして図示されているが、アクセスポイントは、任意の数の相互接続された要素を含んでいてよい。

車両２１００は、衛星２３５０又は他の非地上通信デバイスを介して通信ネットワーク２３００と通信してよい。衛星２３５０はコンピューティングデバイスを含んでいてよく、１つ以上の通信リンク２３２０／２３６０を介して車両２１００と通信し、通信ネットワーク２３００と通信し、１つ以上の通信デバイス２４００と通信し、又はそれらの組み合わせと通信するように構成されている。ここでは単一のユニットとして図示されているが、衛星は、任意の数の相互接続された要素を含んでいてよい。

電子通信ネットワーク２３００は、音声、データ、又は任意の他のタイプの電子通信を提供するように構成される任意のタイプのネットワークである。例えば、電子通信ネットワーク２３００は、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、仮想プライベートネットワーク（ＶＰＮ）、モバイル若しくはセルラ電話ネットワーク、インターネット、又は任意の他の電子通信システムを含んでいてよい。電子通信ネットワーク２３００は、伝送制御プロトコル（ＴＣＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、インターネットプロトコル（ＩＰ）、リアルタイムトランスポートプロトコル（ＲＴＰ）、ハイパーテキストトランスポートプロトコル（ＨＴＴＰ）、又はそれらの組み合わせ等の通信プロトコルを用いてよい。ここでは単一のユニットとして図示されているが、電子通信ネットワークは、任意の数の相互接続された要素を含んでいてよい。

車両２１００は、車両交通ネットワーク２２００の一部分又は状態を識別してよい。例えば、車両は、図１に示すセンサ１３６０のような少なくとも１つの車載センサ２１０５を含み、車載センサ２１０５は、速度センサ、車輪速度センサ、カメラ、ジャイロスコープ、光学センサ、レーザセンサ、レーダセンサ、音響センサ、若しくは車両交通ネットワーク２２００の一部分若しくは状態を決定し若しくは識別することが可能な任意の他のセンサ若しくはデバイス若しくはそのようなデバイスの組み合わせであってよく又はそれらを含んでいてよい。

車両２１００は、車両交通ネットワーク２２００を表す情報、１つ以上の車載センサ２１０５によって識別される情報、又はそれらの組み合わせ等のネットワーク２３００を介して通信される情報を用いて、車両交通ネットワーク２２００の一部分又は複数の部分を横断してよい。

図２は、簡潔さのために１つの車両交通ネットワーク２２００、１つの電子通信ネットワーク２３００、及び１つの通信デバイス２４００を示しているが、任意の数のネットワーク又は通信デバイスが用いられてよい。車両交通及び通信システム２０００は、図２に図示されていないデバイス、ユニット、又は要素を含んでいてよい。車両２１００は単一のユニットとして図示されているが、車両は任意の数の相互接続された要素を含んでいてよい。

車両２１００は、ネットワーク２３００を介して通信デバイス２４００と通信するように図示されているが、車両２１００は、任意の数の直接又は間接通信リンクを介して通信デバイス２４００と通信してもよい。例えば、車両２１００は、ブルートゥース通信リンク等の直接通信リンクを介して通信デバイス２４００と通信してよい。

図３は、本開示に従う車両交通ネットワークの一部分の図である。車両交通ネットワーク３０００は、建物等の１つ以上のナビゲート不可能なエリア３１００、駐車エリア３２００等の１つ以上の部分的にナビゲート可能なエリア、道路３３００／３４００等の１つ以上のナビゲート可能なエリア、又はそれらの組み合わせを含んでいてよい。幾つかの実施形態において、図１に示す車両１０００等の自律車両、図２に示す車両２１００／２１１０の１つ、半自律車両、又は自律運転を実施する任意の他の車両は、車両交通ネットワーク３０００の一部分又は複数の部分を横断してよい。

車両交通ネットワーク３０００は、１つ以上のナビゲート可能又は部分的にナビゲート可能なエリア３２００／３３００／３４００の間の１つ以上のインターチェンジ３２１０を含んでいてよい。例えば、図３に示す車両交通ネットワーク３００の部分は、駐車エリア３２００と道路３４００の間のインターチェンジ３２１０を含む。道路３３００／３４００等の車両交通ネットワーク３０００の一部分は、１つ以上の車線３３２０／３３４０／３３６０／３４２０／３４４０を含んでいてよく、図３で矢印で示される１つ以上の走行方向と関連付けられていてよい。

車両交通ネットワーク、又は図３に示す車両交通ネットワーク３０００の部分等の車両交通ネットワークの一部分は、車両交通ネットワーク情報として表されてよい。例えば、車両交通ネットワーク情報は、データベース又はファイルに記憶されていてよいマークアップ言語要素等の要素の階層として表現されてよい。簡潔さのために、ここでの図は、車両交通ネットワークの部分を表す車両交通ネットワーク情報を線図又は地図として示しているが、車両交通ネットワーク情報は、車両交通ネットワーク又はその一部分を表すことが可能な任意のコンピュータ使用可能な形態で表現されてよい。幾つかの実施形態において、車両交通ネットワーク情報は、走行方向情報、制限速度情報、料金所情報、傾斜若しくは角度の情報のような勾配情報、表面材料情報、景観情報、又はそれらの組み合わせ等の車両交通ネットワーク制御情報を含んでいてよい。

車両交通ネットワークは、歩行者交通ネットワークに関連付けられていてよく又はそれを含んでいてよい。例えば、図３は歩行者交通ネットワークの一部分３６００を含み、この部分は歩行者通路であってよい。図３には独立しては示されていないが、歩行者横断歩道等の歩行者ナビゲート可能エリアは、車両交通ネットワークのナビゲート可能なエリア又は部分的にナビゲート可能なエリアに対応していてよい。

幾つかの実施形態において、車両交通ネットワークの一部分又は複数部分の組み合わせは、関心地点又は目的地として識別されてよい。例えば、車両交通ネットワーク情報は、ナビゲート不可能なエリア３１００等の建物を識別してよく、隣接する部分的にナビゲート可能な駐車エリア３２００を関心地点として識別してよく、車両は関心地点を目的地として識別してよく、車両は、車両交通ネットワークを横断することにより、起点から目的地まで走行してよい。ナビゲート不可能なエリア３１００に関連付けられた駐車エリア３２００は、図３ではナビゲート不可能なエリア３１００に隣接するものとして示されているが、目的地は、例えば、建物及びその建物に物理的又は地理空間的に隣接しない駐車エリアを含んでいてよい。

車両交通ネットワークの一部分を横断することは、車両のトポロジ的位置推定値から目的地まで継続してよい。目的地は、離散的で一意的に識別可能な地理的位置であってよい。例えば、車両交通ネットワークは、目的地のためのストリートアドレス、郵便アドレス、車両交通ネットワークアドレス、ＧＰＳアドレス、又はそれらの組み合わせ等の定義された位置を含んでいてよい。目的地は、図３に示す入口３５００等の１つ以上の入口に関連付けられてよい。

目的地は、図３に示すドッキング位置３７００等の１つ以上のドッキング位置に関連付けられてよい。ドッキング位置３７００は、乗客の乗車又は降車等のドッキング動作が行われ得るように車両が停止し、停車し、又は駐車してよい目的地近くの指定の又は非指定の位置又はエリアであってよい。車両交通ネットワーク情報は、ドッキング位置３７００の地理的位置を識別する情報等のドッキング位置情報を含んでいてよい。図３には独立しては図示されていないが、ドッキング位置情報は、ドッキング位置３７００に関連付けられたドッキング動作のタイプを識別してよい。例えば、目的地は、乗客の乗車のための第１のドッキング位置及び乗客の降車のための第２のドッキング位置に関連付けられてよい。

図４は、本開示の種々の実施形態に従う位置特定の決定を用いて車両交通ネットワークを横断する例のフロー図である。図４のプロセスは、図１に示す車両１０００等の車両、図２に示す車両２１００／２１１０の１つ、自律車両、半自律車両、又は任意の他の車両に実装されてよい。図４のプロセスは、ネットワーク２３００を介して車両に送信される車両交通ネットワークを横断するための命令と共に、通信デバイス２４００等、車両交通及び通信システム２０００の別の部分に少なくとも部分的に実装されてもよい。いずれの場合にも、そのプロセスは、非一時的な記憶媒体又はメモリに記憶された命令を実行することによって行われてよい。

動作４１００で、プロセスは、車両動作情報を決定することを含む。車両動作情報を決定することは、図１で説明したセンサ１３６０等の車両のセンサからセンサデータを読み取ることを含んでいてよい。車両動作情報を決定することは、車両のセンサから又は車両を観測する他の車両のセンサからセンサデータを受信することを含んでいてよい。車両動作情報は、グローバル座標における車両の位置を含んでいてよい。一例において、位置はセンサにより測定された経度及び緯度によって示される。車両動作情報は、センサによって測定される又は多重センサ値から計算される車両の方位を含んでいてよい。車両の速度等の他の車両動作情報が用いられてもよい。車両が車両交通ネットワークを横断している間、車両動作情報は、多重時間点に対して決定されてよい。例えば、多重時間点は１００ミリ秒毎に又は他の時間間隔で生じる。

動作４２００で、プロセスは、車両動作情報を用いて車両の測量的位置推定値を決定することを含む。測量的位置推定値を決定することは、車両動作情報から位置データを抽出することによって行われてよい。位置データそれ自体は、測量的位置推定値のために用いることができる。但し、これは個々の推定値における統計的雑音や他の不正確さには対処しない。動作４１００で多重時間点に対して決定された車両動作情報を用いて所与の時間点に対する最終的な測量的位置推定値におけるこれらの誤差の影響を低減するカルマンフィルタが組み込まれてよい。

カルマンフィルタは、比較的小さくてモデル化された誤差について効果的であるが、センサ誤差は多くの場合にモデル化することが困難である。これは特にＧＰＳセンサに当てはまる。更に、センサ誤差は、例えば統計的雑音と比較して比較的大きくなる可能性がある。ここで説明される幾つかの実施形態によると、測量的位置の決定における比較的大きなモデル化されていない誤差の影響を軽減することにおける改善は、カルマンフィルタで非線形損失関数を用いることによって達成されてよい。この例では、多重時間点のそれぞれの時間点に対して位置推定値を決定し、それぞれの後続の時間点に対して予測位置推定値を決定し、カルマンフィルタで非線形損失関数を用いて現在の時間点の測量的位置推定値を決定して、モデル化されていないセンサ誤差の影響を軽減する。

非線形損失関数は、位置推定値を同じ時間点に対する予測位置推定値と比較することに基づいていてよい。例えば、同じ時間点での位置間の差異が最小化されてよい。非線形損失関数は、各時間点で継続的に精緻化されてよい（例えば、最小化のために再最適化されてよい）。そのような実装において、それぞれの時間点に対して決定される位置推定値は、現在の位置推定値を前の時間点からの予測位置推定値と比較することに基づいて非線形損失関数が精緻化される前に、非線形損失関数を用いて決定されてよい。

カルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することは、時間点で検知された車両の緯度及び経度により表される測量的地点を、非線形損失関数への入力として提供することを含むことができ、ここで、非線形損失関数は、カルマンフィルタで用いるための測量的地点を選択的に重み付けしてよい（例えばペナルティを課してよい）。

図５は、本開示の種々の実施形態に従い位置特定の決定のための非線形損失関数を実装する一例の図である。非線形損失関数は、カルマンフィルタで用いるセンサデータの値を、測量的位置推定値の決定における値（例えば、位置推定値）に適用されるべきそれぞれの重み付けへとマッピングするユーザ定義の関数とすることができる。図５の例において、車両５１００は、矢印５１１０により示される方位で時間とともに車両交通ネットワークの一部分５０００を横断している。車両５１００は、現在の時間点の前の時間点の測量的位置推定値で示されている。現在の時間点の前の時間点は第１の時間点と称されてよく、現在の時間点は、現在の時間点が第１の時間点の後であることを反映するために、第２の時間点と称されてよい。現在の時間点の予測位置推定値は、第１の時間点で測定された車両の方位又は第１の時間点で測定された値から計算された車両の方位を用いて決定されてよい。次の時間点は定義されたサンプリング間隔から分かるので、車両の速度（例えば、車両動作情報の一部での第１の時間点で決定される）を方位と共に用いて、車両５１００の予測位置推定値５１２０を計算してよい。

図５における非線形損失関数は、現在の時間点での予測位置推定値５１２０の周りの同心円５２００、５３００を定義する多重半径を備える。上述したように、重み付けは、決定された緯度及び経度の値によって表される車両の測量的地点又は位置に適用されてよい。重み付けは、予測位置推定値５１２０と測量的地点の間の差に基づいていてよい。予測位置推定値５１２０と測量的地点の間に差異をもたらすことがある１つの要因は、決定された緯度及び経度の値のソースの精度である。図５において、３つの可能なＧＰＳ読み値５４００、５４１０、及び５４２０が示されている。ＧＰＳ読み取り値５４００、５４１０、及び５４２０は、この例における現在の時間点に対するそれぞれの位置推定値であるが、追加的な車両動作情報を用いて位置推定値を決定することも可能である。

図５の例において、非線形損失関数は、現在の時間点の測量的位置推定値を決定するために、多重半径のうち最小の半径を有する第１の円、ここでは円５２００内に位置している現在の時間点に対する位置推定値に応答して、現在の時間点での経度及び緯度の検知値（即ち、ＧＰＳ読み取り値５４００）をカルマンフィルタに提供する。つまり、検知値は車両の予想位置に比較的近いので、これらの値にはペナルティが課されない（即ち、これらの値は１００％で重み付けされる）。比較的近いとは、検知値が予想位置（即ち、予測位置推定値５１２０）の第１の閾値距離内にあることを意味する。非線形損失関数は、現在の時間点の測量的位置推定値を決定するために、多重半径のうち最大の半径を有する第２の円、ここでは円５３００の外側に位置している現在の時間点に対する位置推定値（即ち、ＧＰＳ読み取り値５４２０）に応答して、検知値をカルマンフィルタから除外する。つまり、検知値は車両の予想位置から比較的遠いので、これらの値は無視される（即ち、これらの値は０％で重み付けされる）。比較的遠いとは、検知値が予想位置（即ち、予測位置推定値５１２０）の第２の閾値距離の外側にあることを意味する。

非線形損失関数は、現在の時間点の位置推定値を決定するために、第１の円（即ち、円５２００）の外側で且つ第２の円（即ち、円５３００）の内側に位置している現在の時間点に対する測量的位置推定値に応答して、検知値（即ち、ＧＰＳ読み取り値５４１０）にペナルティを適用してペナルティが課せられた検知値を得て、このペナルティが課せられた検知値をカルマンフィルタに提供してよい。つまり、検知値が第１の閾値距離の外側にあるが、車両の予想位置から第２の閾値距離内に位置している場合、これらの検知値は、０％を超え１００％未満の何らかの値でペナルティを課せられる。

図５は、２つの同心円５２００、５３００のみを示しているが、予測位置推定値５１２０からの距離に伴って増加する種々のペナルティ値と共に、３つ以上の半径を用いてもよい。

非線形損失関数は、コンテクストベースの関数であってよい。即ち、非線形損失関数のパラメータは、車両のコンテクストに基づいて変化してよい。これらのパラメータは、同心円の半径を含んでいてよい。パラメータは、半径の数、従って同心円の数を含んでいてよい。パラメータは、コンテクストに基づいて非線形損失関数を実装するための種々の形状を定義してよい。従って、パラメータは、形状に対する第１の閾値距離、第２の閾値距離、及び任意の他の閾値距離を含んでいてよい。パラメータは、測定値に適用されるペナルティを含んでいてよい。車両のコンテクストは、速度、車両が転回しているかどうか、車両が坂を下っているのか上っているのか等、車両動作情報に基づいていてよい。車両のコンテクストは、交通渋滞のレベル、車両が都市環境で走行しているのか郊外環境で走行しているか、車両が走行している道路のタイプ等、動作環境情報に基づいていてよい。

カルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することは、ここでは、検知された車両動作情報（例えば緯度及び経度）を非線形損失関数への入力として提供するものとして説明されており、ここで、非線形損失関数は、カルマンフィルタで用いるための値を選択的に重み付けする（即ちペナルティを課す）。幾つかの実装形態において、非線形損失関数及びカルマンフィルタの設計は、非線形損失関数が、測量的位置推定値の決定のための値と共にペナルティをカルマンフィルタに提供するようなものであってよい。非線形損失関数及びカルマンフィルタは、車両が動作する物理システムの座標系において検知又は測定された値を用いるものとして説明されているが、計算の幾つか又は全ては、検知又は測定された値をトポロジ的地図の座標系へと変換することにより生成された位置推定値を用いてもよい。

ここで説明するようにカルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することにより、いつセンサが信頼できなくなるかを識別することができる。例えば、信頼できないＧＰＳセンサは、車両が車両交通システムを横断している間に重みが多重時間点にわたって変化する場合に識別されてよい。ここで説明するようにカルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することにより、センサの品質を与えられてどのセンサを用いるのかを決定することができる。ここで説明するようにカルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することにより、計算においてどのアルゴリズムを所与のセンサと共に用いるのかを決定することができる。例えば、非線形損失関数及びカルマンフィルタへの入力を提供するために、測量的位置推定値を個別に生成し又は組み合わせにより生成することができる種々のセンサが利用可能であってよい。種々のセンサ又はセンサの種々の組み合わせを用いてここでの教示に従い測量的位置推定値を個別に決定することにより、非線形損失関数が検知データにペナルティを課す場合の数及び／又はペナルティの量（例えば、累積又は場合あたりの量）を用いて、どのセンサが最も品質が低く、従って用いるべきでないか又はセンサの障害においてどのアルゴリズムを用いてよいのかを決定してよい。

ここで説明するようにカルマンフィルタで非線形損失関数を用いて時間点の測量的位置推定値を決定することで、誤ったデータに対するロバスト性を増加させることにより、高価なセンサの必要性が低減される。この解決法は実装するのが容易であり、カルマンフィルタを単独で用いることに対する計算上の複雑さの付加は極めて小さい。また、非線形損失関数は、コンテクストに応じて容易に学習され又は修正されてよい。少なくともこれらの理由により、図４を再び参照して、動作４２００においてカルマンフィルタで非線形損失関数を用いて決定された測量的位置推定値を動作４４００で直接用いて、車両交通ネットワーク内の車両のトポロジ的位置推定値を決定してよい。即ち、動作４３００で動作環境情報を決定することが省略されてよく、動作環境情報は、動作４４００で車両のトポロジ的位置推定値を決定することにおいて用いられない。動作４４００でトポロジ的位置推定値を決定することは、トポロジ的位置推定値の座標を、車両交通ネットワークを含むトポロジ的地図の座標系へ変換することを含んでいてよい。トポロジ的位置推定値は、特定の道路に関連付けられていてよい。トポロジ的位置推定値は、特定の多車線道路の特定の車線に関連付けられていてよい。

動作４５００で、車両交通ネットワークは、車両のトポロジ的位置推定値に基づいて横断される。車両のトポロジ的位置推定値に基づいて車両交通ネットワークの一部分を横断することは、ナビゲーション命令を車両に提供することを含んでいてよい。車両のトポロジ的位置推定値に基づいて車両交通ネットワークを横断することは、車両の制御システムへの入力としてトポロジ的位置推定値を用いることを含んでいてよい。例えば、車両が自律車両である場合、車両のトポロジ的位置推定値に基づいて車両交通ネットワークの一部分を横断することは、車線変更を行い、角を曲がり、又は何らかの他の車両動作を行うように車両を制御することを含んでいてよい。

動作４２００においてカルマンフィルタで非線形損失関数を用いて測量的位置推定値を決定することは、車両の位置特定の決定における利点を提供するが、非線形損失関数及びカルマンフィルタの使用を、以下でより詳細に論じるように動作環境情報を用いてトポロジ的位置推定値を決定するために用いられる種々の技術の１つ以上と組み合わせることによって、追加的な利点が達成されてよい。更に、以下でより詳細に論じるように動作環境情報を用いてトポロジ的位置推定値を決定するための種々の技術は、動作４２００で測量的位置推定値がどのように決定されるかにかかわらず、組み合わせて用いられてよく又は個別に用いられてよい。このように、動作４２００で車両の測量的位置推定値を決定することは、最初に論じたように行われてよい。即ち、測量的位置推定は、車両動作情報から位置データを抽出し、位置データ自体を測量的位置推定値として用いることによって行われてよい。より望ましくは、動作４１００で多重時間点に対して決定された車両動作情報を用いて、所与の時間点に対する最終的な測量的位置推定値を提供するように個々の推定値における統計的雑音及び他の不正確さの影響を低減するカルマンフィルタが組み込まれてよい。カルマンフィルタは、任意の既知の方法において設計されてよい。

動作４２００での決定において非線形損失関数が用いられるかどうかにかかわらず、車両交通ネットワークの一部分の動作環境情報を決定することは、動作４３００で生じてよい。動作環境情報は、車両にとって観測可能な車両交通ネットワークの一部分のセンサデータを含む。例えば、この部分は、車両のセンサ範囲によって定義されてよく、又は動作環境情報が車両センサ以外から受信される場合には、車両に関する何らか他の妥当な範囲によって定義されてよい。交通ネットワークの動作環境情報の範囲を制限する１つの理由は、全てのトポロジの可能性についてグローバルに推論することが、可変な数のノードに起因して計算上扱いにくい点にある。更に、ノードの任意の固定セットに対して、固有のトポロジの数は、ノードの数において指数関数的である。代わりに、ローカルの観測可能トポロジ内における位置及び構造に関する推論により、推論アルゴリズムは、ノードの固定セットを与えられて、可変な数のノードだけでなく、多重トポロジを取り扱うことが可能になる。

動作環境情報のセンサデータは、センサ１３６０、センサ２１０５、又は車両の何らかの他のセンサを用いて得てよい。動作環境情報のセンサデータは、１つ以上のリモート車両からのセンサデータの送信から得てよい。動作環境情報のセンサデータは、車両交通及び通信システム２０００内の任意のセンサから得てよい。一例として、センサデータは、リモート車両位置データを備える。車両動作情報を決定することは、１つ以上のリモート車両のグローバル位置をリモート車両位置データとして検知又は受信することを備えていてよい。車両動作情報を決定することは、１つ以上のリモート車両の相対位置をリモート車両位置データとして検知又は受信することを備えていてよい。相対位置は、グローバル座標系におけるものであってよい。グローバル位置又は相対位置のいずれが利用可能であろうと、操作４４００でトポロジ的位置推定値を決定するために、その利用可能な位置をトポロジ的地図の座標系に変換してよい。

車線ラインデータは、トポロジ的位置推定値を決定するのに用いるために、トポロジ的地図から利用可能であってよい。車線ラインデータはグローバル座標に変換されてよい。但し、幾つかの実装形態においては、センサデータが車線ラインデータを備える。即ち、車両動作情報を決定することは、車両が走行している道路の車線ラインに関連するデータを検知又は受信することを備えていてよい。

動作４４００で、プロセス４０００は、測量的位置推定値及び動作環境情報を用いて、車両交通ネットワーク内の車両のトポロジ的位置推定値を決定することを含む。車両交通ネットワーク内の車両のトポロジ的位置推定値を決定するために動作環境情報を用いる例が、図６に示されている。

図６の例では、ローカル検知を活用してトポロジ的位置推定値を決定する。車両６１００は、車両交通ネットワークの一部分６０００内を矢印６１１０によって示される走行方向に走行している。車両６１００は、測量的位置推定値で示されている。リモート車両位置データは、リモート車両（他車両）６３００及びリモート車両（他車両）６４００の車両交通ネットワークの部分６０００内の位置を示す。車線ラインデータは、車線ライン６５００、６５１０、及び６５２０を含む。車線ライン６５３０は検出されない。

動作４４００で測量的位置推定値及び動作環境情報を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定することは、車線ラインデータ及びリモート車両位置データを用いて車両に対する複数の車線仮説（lane hypotheses）を生成することと、トポロジ的位置推定値を、それら車線仮説のうちいずれか測量的位置推定値に基づいている可能性がより高い車線仮説として決定すること（それら車線仮説のうちどの車線仮説が測量的位置推定値に基づいている可能性が高いかを、値で表すということ）と、を含むことができる。

車線仮説を生成することは、車線ラインデータ及びリモート車両位置データを用いて車両交通ネットワークの一部分の多車線を定義することと、多車線の濃度(cardinality)に基づいて車線仮説を生成することと、を含むことができる。車線仮説は、トポロジ的位置推定値が多車線道路の左車線である第１の車線仮説、トポロジ的位置推定値が多車線道路の中央車線である第２の車線仮説、又はトポロジ的位置推定値が多車線道路の右車線である第３の車線仮説の少なくとも２つを備えていてよい。図６においては、例えば、車線ラインデータ（即ち、検出された車線ライン６５００、６５１０、及び６５２０）は、少なくとも２つの車線を示し、その最初の車線６２１０は右車線であり、他の車線６２２０は左車線又は中央車線である。リモート車両位置データは、車線６２２０が中央車線である（左車線ではない）ように、少なくとも３つの車線６２１０、６２２０、及び６２３０があることを示している。

トポロジ的位置推定値を複数の車線仮説のうちいずれか測量的位置推定値に基づいている可能性がより高い車線仮説として決定することは、測量的位置推定値を車線仮説によって表される動作環境情報と比較することを含んでいてよい。図６においては、例えば、車線ラインデータは、リモート車両位置データと共に、車両６１００が走行している車線６２２０のアイデンティティが、左車線又は右車線よりも中央車線である可能性が高いことを示している。

幾つかの実施形態において、トポロジ的位置推定値を複数の車線仮説のうちいずれかリモート車両位置データに基づいている可能性がより高い車線仮説として決定するより前に、リモート車両位置データをフィルタリングして、車両とは異なる方向に走行している任意のリモート車両のデータを除去してよい。このような方法でリモート車両位置データをフィルタリングすることは、車線仮説を生成する前に行われてもよい。フィルタリングは必須ではないが、このようなフィルタリングにより、考慮されている車両交通ネットワークの動作環境情報の範囲が減少し、分析の複雑さが低減される。

リモート車両の位置をトラッキングする上述したローカル検知を活用する技術は、そうしなければ曖昧な２つ車線仮説（例えば、右車線対中央車線又は左車線対中央車線）を区別するのに有益であり得る。更に、他の車両位置をトラッキングすることにより、そうしなければマッピングされていない交通パターンを識別する更なる利点が提供され得る。

上述の図６の議論は、車線の濃度が車線ラインデータ及びリモート車両位置データを用いて正確に決定され得るという仮定に部分的に依存している。但し、このデータが一方でもないと、決定の精度が低下し得る。センサは常にデータを検出しているとは限らない。更に、より複雑なトポロジの結果、車両が複数の車線に存在することを示す車線ラインデータ及びリモート車両位置データがもたらされることがある。これらの理由により、車線メンバーシップをモデル化するためのより一般的な手法が用いられてよい。

車線メンバーシップをモデル化することは、望ましくは、不確かさを表す方法として確率を計算し、多重センサ入力を用い、そして現実世界（例えば、動作環境情報）の物理的制約をモデル化する。ここでの教示によると、動作４４００で車両のトポロジ的位置推定値を決定することは、隠れマルコフモデル（ＨＭＭ）を用いて車両の車線メンバーシップをモデル化することにより、連続する時間点にわたって車両交通ネットワークの多車線道路内の車両の車線メンバーシップを決定することを備えていてよい。

ＨＭＭｓは、システムの区別可能な状態が未知であるが、観測され得るデータをその状態が生成している場合に有用である。観測されたデータから、システムが少なくとも２つの状態のうちどちらの区別可能な状態に存在するかに関する確率を決定することができる。最も高い確率は、システムの最も可能性の高い状態である。ここで、未知数はトポロジ的位置推定値（例えば、車線メンバーシップ）である。トポロジ的位置特定（例えば、車線メンバーシップ）に１つ以上のＨＭＭｓを用いることにより、推論及び学習の多くの効率的なモードがサポートされ、ＨＭＭｓは特定のセンサ特徴、特定のトポロジ的構造、又はその両方に対して容易に設計され得る。ここでの教示によると、各センサのための観測モデルは、観測確率にエンコードされてよく、状態遷移行列は、現実世界の物理的制約をエンコードしてよい。ＨＭＭの解は、多車線道路の車線上の確率分布を生成する。

これらの概念は、図６を参照して最初に説明されてよい。図６において、観測可能な特徴（即ち、車線ライン６５００、６５１０、及び６５２０の車線ラインデータ並びにリモート車両６３００及び６４００のリモート車両位置データ）として、車線状態ｘ_ａ〜ｘ_ｅが示されている。前述の車線仮説は、ＨＭＭにおける車線状態又はＨＭＭにおける車線状態のサブセットに対応していてよい。車線状態ｘ_ａ〜ｘ_ｅは、予想観測値がそれぞれ存在する道路上の区別可能なトポロジ的位置に対応する。例えば、車両６１００が右車線６２１０内（即ち、状態ｘ_ｅ）にあったとすると、車両６１００の左に２つの車線（ここでは車線６５００及び６５１０）の存在を示す車線ラインデータが、予想観測値であることになる。別の例として、車両６１００の左のリモート車両６４００等のリモート車両の観測値は、車両６１００が左車線６２３０内（即ち、状態ｘ_ａ）にあったとすると、予想観測値ではないが、車両６１００が中央の車線６２２０内（即ち、状態ｘ_ｃ）又は右車線６２１０内（即ち、状態ｘ_ｅ）にあったとすると、予想観測値である。図６において、車線状態ｘ_ｃは、車線ラインデータとリモート車両位置データの両方によってサポートされる車両の唯一の状態である。車線ラインデータ単独でも、ｘ_ｃ及びｘ_ｅの両状態において等しいビリーフ(belief)がもたらされてよい。

より一般的に述べると、トポロジ的位置（ここでは、トポロジ的位置推定値）は、ＨＭＭ内の状態ｘ_ｉ∈Ｘの占有率としてモデル化されてよい。この議論において、トポロジ的位置推定値は車線レベルの位置特定に向けられているが、アプリケーションは、道路レベルの位置特定等、他のレベルの粒度に用いられてもよい。車線レベルの位置特定により、ＨＭＭにおける状態Ｘは、車線の中央にあるかのか又は２つの車線の間にあるのかのいずれかに対応していてよい。例えば、図７に詳細を示す２車線道路を表すＨＭＭは、３つの状態ｘ_０、ｘ_１、及びｘ_２を有する。状態ｘ_０及びｘ_２は、それぞれ右端の車線と左端の車線を占める車両に対応する。状態ｘ_１は、車線分割線の上に車両の一部分を有していることを表す。状態ｘ_１は、スイッチング状態であると考えてよい。実際には、ＨＭＭにおける任意の他の状態によっては観測値を説明できない位置のセットを表す１つの追加の状態が含まれていてよい。このように、Ｌ車線の濃度を伴う道路を表すＨＭＭは、幾つかの例では２Ｌの状態を有する。理論上は、任意の数の車線が存在し得るので、任意の数の非ゼロ遷移確率が存在し得る。従って、図７の例は単なる例示であり、一般的なＨＭＭサイズを示すものではない。

図７において、実線は状態間の非ゼロ遷移確率を表し、自己ループは省略されている。状態間の遷移確率は、ここでは状態遷移確率と称することがある。より具体的には、ＨＭＭの状態は、左車線、右車線、及び左車線と右車線の間の位置を備えていてよく（例えば、多車線道路が２車線道路である場合）、ＨＭＭの状態遷移確率は、車両の車線メンバーシップが現在の時間点から次の時間点まで左車線にとどまる第１の確率と、車両の車線メンバーシップが現在の時間点での左車線から次の時間点での左車線と右車線の間の位置に変化する第２の確率と、車両の車線メンバーシップが現在の時間点での左車線と右車線の間の位置から次の時間点での左車線に変化する第３の確率と、車両の車線メンバーシップが現在の時間点から次の時間点まで左車線と右車線の間の位置にとどまる第４の確率と、車両の車線メンバーシップが現在の時間点での左車線と右車線の間の位置から次の時間点での右車線に変化する第５の確率と、車両の車線メンバーシップが現在の時間点での右車線から次の時間点での左車線と右車線の間の位置に変化する第６の確率と、車両の車線メンバーシップが新たな現在の時間点から新たな次の時間点まで左車線と右車線の間の位置にとどまる第７の確率と、を備える。

図７において、破線は観測又は出力の確率(observation or emission probabilities)を表し、それらの幾つかは単一の状態専用である。ＨＭＭの観測確率は、状態に対するセンサデータの可能な出力値のそれぞれの確率を備えていてよい。例えば、ホスト車両又はターゲット車両の右にリモート車両があるとすると、状態ｘ_２及びｘ_１の各々には等しい確率が割り当てられ、状態ｘ_０にはゼロの確率が割り当てられてよい。別の例として、ラインが車両の側面から比較的遠くにある場合（即ち、車両が車線の中央を走行していたとしたとして予想されるよりも遠くにある場合）において、ホスト車両又はターゲット車両の各側で検出された１本の白いラインがあるとすると、状態ｘ_１には１（又は１００％）の確率が割り当てられてよく、状態ｘ_０及びｘ₂の各々にはゼロの確率が割り当てられてよい。これらの例から分かるように、各センサに対する観測モデルは、それぞれの状態の観測確率にエンコードされる。これは、車線の濃度及び車線のサイズが比較的一定であると想定しているので、確率の決定の単純化された説明である。他の技術を用いて、観測又は出力の確率を状態に割り当ててもよい。

観測値のソース（例えば、検知された値）にかかわらず、また観測値がここで用いられるのか又はここで説明されるトポロジ的位置特定のための任意の他の実装及び変形において観測値が用いられるのかにかかわらず、信頼性基準(confidence measures)が観測値と共に用いられてよい。即ち、信頼性基準を各観測値に割り当てて、観測値が任意の得られた確率に影響するように重み付けしてよい。例えば、１）車両に対する範囲、２）トラッキングの継続時間とトラッキングされた属性の一貫性、３）アイテムごとの分離を与えるトラッキング速度、４）絶対速度と相対速度、及び５）相対方位等の基準を用いて、リモート車両位置情報のために信頼性が計算されてよい。真陽性(true positives)は、多くの場合に一般に発生する偽陽性(false positives)によって乱されるこれらの量に対して特徴的な値を呈する。

尚、ＨＭＭの遷移構造は、車両交通ネットワークの２車線道路のトポロジ的構造に適合する。即ち、ＨＭＭは、遷移関数を介して現実世界の動力学を正確にモデル化する能力により、トポロジ的位置特定に特に望ましいものであり得る。車両は、すぐ隣のスイッチング状態を通って動くことにより、１つの車線の中心から隣接する車線の中心に移動することができるだけであるから、遷移関数を表す状態遷移行列は疎(sparse)である。一般に、ｎ状態ＨＭＭに対する状態遷移行列τ^ｎは次のように定義されてよい。

ｉ＝ｊの場合τ^ｎ＝ｔ_ｒ、｜ｉ−ｊ｜＝１の場合τ^ｎ＝ｔ_ｓ、他の場合τ^ｎ＝０ （１）

ここで、ｔ_ｒは同じ状態にとどまる確率に対するパラメータであり、ｔ_ｓは隣接する状態にスイッチングする確率に対するパラメータである。この定義により、多車線にわたる瞬間的な変化等、物理的に不可能な事象の説明が削減される。これにより、パーティクルフィルタ等の他のマルチモーダル手法に対して区別可能な利点がもたらされる。

上記の説明から決定され得るように、ＧＰＳ、及び速度センサ等の固有受容センサ(proprioceptive sensors)に加えて、車線ラインデータ及び他の車両の相対位置の両方が、トポロジ的位置推定値に情報を与えてよい。図６に関して上述した単純化された技術の代わりに、車線に対して、トポロジ的地図からの学習されたパラメータ及び情報の組み合わせを用いて、特定の車線状態が与えられた車両に対してある位置及び方向で車線ラインを観測する尤度を記述するガウス混合モデル(Gaussian Mixture Model)をパラメータ化してよい。

車線ライン情報は、路面状態(occlusions)、天候、時刻、及び多くの道路でのマーキング自体の不存在により断続的である場合がある。外来性信号(exteroceptive signal)がない間のサイクルを減らすために、近くでトラッキングされている複数の車両の相対位置は、特定の車線状態における車両の存在をサポートする。このイノベーションの背後にある論理的根拠は、他の車両（例えば、リモート車両）はグローバルにも相対的にも移動するが、車線メンバーシップによって定義される特定のローカルパターンに従って移動するところにある。例えば、車両（例えば、ホスト車両）が２車線道路上にあり、そのすぐ右にリモート車両を検知した場合、その観測された車両が道路のエッジを越えて走行しているよりも右車線を走行している可能性の方がはるかに高いので、車両は左車線にある可能性が高い。状態ｘ_ｉ及びセンサｑに対する観測関数は、φ（ｘ_ｉ，ｑ）と表される。

上述したように、ＨＭＭの解は、多車線道路、この例では２車線道路の車線上の確率分布を生成する。最も可能性の高い状態は、動作４４００で決定されたトポロジ的位置推定値である。動作４５００では、車両は、トポロジ的位置推定値に基づいて車両交通ネットワークを横断する。動作４５００で車両交通ネットワークを横断することは、前述のように行われてよい。

トポロジ的地図が実質的に正確であり、ＨＭＭにおける状態の数が実際の車線状態の数と一致する場合、単一ＨＭＭはトポロジ的位置特定に対して信頼性があるが、地図誤差又は一時的な事象に起因して地図が正確な車線数を提供しない場合には、単一ＨＭＭは役に立たなくなる可能性がある。地図の不確かさに対処するために、多重ＨＭＭを試験するブルートフォース手法(brute force approach)が可能である。但し、これは計算が複雑な解法である。代わりに、ここでは可変構造多重隠れマルコフモデル(Variable Structure Multiple Hidden Markov Model)（ＶＳＭ−ＨＭＭ）と称するものが組み込まれてよい。

ＶＳＭ−ＨＭＭは、図８を参照して説明されてよく、全可能モデルＵのセットは、Ｍ１、Ｍ２、Ｍ３、及びＭ４でラベル表示されたＨＭＭｓ ｕを含む。モデルＭ１は、例えば、図７のＨＭＭであってよい。モデルＭ２、Ｍ３、又はＭ４の他の１つは、３車線道路のＨＭＭであってよい。他のトポロジがモデル化されてもよい。図８において、初期反復でのＶＳＭ−ＨＭＭは、ＶＳＭ−ＨＭＭ８１００として示され、モデルＭ１及びＭ２はアクティブモデルセットＵ_Ａを形成し、モデルＭ３及びＭ４は非アクティブモデルセットＵ_Ｎを形成する。

全ての反復で、アクティブモデルセットＵ_Ａは、以下のアルゴリズム１(Algorithm 1)に示すように、ライクリモデルセット(Likely Model Set)（ＬＭＳ）アルゴリズム８０００の変形とモデル選択基準とを用いて決定されてよい。更新されたアクティブモデルセットＵ_Ａ´と尤度スコアアレイＳとが初期化される（３〜４行）。セット内の全てのモデル（ｕ∈Ｕ）に対して尤度スコアが計算される（６行）。尤度スコアは、モデルｕがトポロジ的地図（図８における地図データ）に一致する確率Ｐｒ（ｕ｜Ｍ）と、モデルｕが観測値ｚ（図８におけるセンサデータ、動作４３００で決定された動作環境情報としても参照される）に一致する確率と、に依存する。次いで、モデルはそれらのスコアにより降順でソーティングされ（８行）、後続のモデルは、それらのスコアｓ_０と最大スコアｓ_ｍａｘの比が閾値Ｔ_{ａｃｔｉｖｅ}を超えている限り、更新されたアクティブモデルセットＵ_Ａ´に含めるために選択される（１０〜１５行）。更新されたアクティブモデルセットＵ_Ａ´においてアクティブモデルとして選択されたモデル（以下、モデルｕ´と称する）の数は、下限が１であり（１２行）、上限が定数κである（１４行）。定数κは、車両の動作中に予想される計算上の制約に依存していてよい。最後に、既にアクティブなモデルからビリーフがコピーされ、ビリーフは、未だアクティブではないモデルに対して初期化される（１６〜２０行）。ここで用いられる場合、ビリーフは、文脈から明らかでない限り、解(solution)（例えば、確率分布全体に対する解）に対応する。

ＬＭＳアルゴリズム８０００の出力は、更新されたアクティブモデルセットＵ_Ａ´である。図８の例において、モデルＭ２及びＭ４はそれらの状態を変更しない。モデルＭ１は非アクティブ化され、モデルＭ３はアクティブ化される。従って、モデルＭ２及びＭ３がアクティブモデルセットＵ_Ａを形成し、モデルＭ１及びＭ４がＶＳＭ−ＨＭＭ８２００のための非アクティブモデルセットＵ_Ｎを形成する。

トポロジ的地図Ｍと実際のトポロジの不一致は、各アクティブモデル（即ち、アクティブモデルセットＵ_Ａにおける各モデルｕ）に対するビリーフ分布Ｐｒ（ｕ）のエントロピＨ（ｕ）を比較することにより検出されてよい。地図Ｍによって示唆されたモデルが別のモデルと比較して高いエントロピを有している場合、地図Ｍはおそらく不正確である。一般に、高いエントロピは、示唆されたトポロジのどの状態も観測値ｚを説明できないことを示す。一例によると、エントロピＨ（ｕ）は、シャノンエントロピ方程式を用いて計算してよい。

アルゴリズム２は、観測値ｚに対して地図Ｍをチェックする手順の概要を示している。閾値Ｔ_ｅｎｔの値は、地図Ｍの信頼性に基づいて設定される。地図Ｍの信頼性が高いほど、閾値Ｔ_ｅｎｔの値は高くなる。

アクティブモデルのセットがモデルの合計セットと等しい場合（Ｕ_Ａ＝Ｕ）、ＶＳＭ−ＨＭＭは、密な遷移行列τ^*を伴う１つの大きなＨＭＭと等価である。遷移行列τ^*は、各区別可能なトポロジ的仮説τ２、τ４、…τｎを表すサブブロックとそれらの間での遷移とに関して定義されてよい。

そのような技術によると、各サブブロックτκは、遷移行列τ^＊の対角線上に配置されてよい。更に、非対角ブロックは完全に密であってよく、モデルをスイッチングする確率の値ｔ_ｍを有している。従って、次のように定義される。

ｉ，ｊのインデックスがサブブロックｋ内のｌ，ｍである場合、τ^＊ _ｉｊ＝τ^ｋ _ｌｍ、他の場合、τ^＊ _ｉｊ＝ｔ_ｍ （２）

これにより、一般的には、ｐ×ｐ遷移行列が得られ、ここで、ｐ＝Σ_Ｘ∈Ｕ｜Ｘ^ｉ｜である。同様に、Ｘ^＊及びφ^＊は、それぞれ、全ての状態空間及び観測関数の和集合によって定義される。

Ｕ_Ａ⊂Ｕである場合、ＶＳＭ−ＨＭＭは、最も可能性の高いビリーフのサブセットについて推論することにより、等価なＨＭＭを近似している。

ＶＳＭ−ＨＭＭに対する解は、現在の道路に対する種々の可能なトポロジの車線上での確率分布である。最も可能性の高い状態は、動作４４００で決定されたトポロジ的位置推定値である。動作４５００で、車両は、トポロジ的位置推定値に基づいて車両交通ネットワークを横断する。動作４５００で車両交通ネットワークを横断することは、前述したように行われてよい。

ここで説明したＶＳＭ−ＨＭＭを用いて、ローカルトポロジの現在の構造が推定される。即ち、ＶＳＭ−ＨＭＭは外部世界の状態について仮説を立てる。これは、ローカルトポロジ的地図が非ゼロの不確かさを有する（即ち、トポロジ的地図に何らかの不確かさがある）場合に有益である。それにより、多重の可能なトポロジについての並列推論が可能になる。更に、ＨＭＭを用いてトポロジ的位置推定値を決定するために既に利用可能なもの以外の追加の観測値が不要であり、知識（例えば、ＨＭＭｓに関する知識）は、可能であればいつでも再使用される。

トポロジ的位置場所推定値の決定において単一のＨＭＭ又はＶＳＭ−ＨＭＭのいずれを用いるかにかかわらず、ビリーフの移行(belief transfer)が問題になる。ビリーフの移行は、車両が既知のローカルトポロジにおける現在のトポロジ的位置についてビリーフを有するものと考えることにより説明されてよい。このビリーフは離散的であり、ｎシンプレックスΔ^ｎにあり、ここでｎはローカルトポロジ的状態の数であり、この例では車両が走行している道路上の車線数に概ね対応する。車両が交差点又は合流地点に近づいていく場合、車両が最終的に行きつくことになる道路上の車線数は、現在の車線数と異なる場合がある。従って、現在のビリーフ分布は、Δ^ｍにある近い将来のビリーフ分布とは異なる空間Δ^ｎにある。近い将来のビリーフは、現在のビリーフから単純にコピーすることはできない。

１つの選択肢は、新しい道路に入るときに以前の全てのビリーフを消去し、一様分布等の何らかの確率分布からやり直すことである。別の選択肢は、新しいビリーフをどのように初期化するのかを発見的に(heuristically)決定することである。両選択肢とも計算効率は高いが、多くの場合最適には機能しない。第３の選択肢は、Δ^ｎにおける現在の分布に最も近いΔ^ｍにおける予想分布を見つけることであり、ここで近さは何らかの統計的測量値によって定義される。これは他の選択肢よりも好ましいこともあるが、Δ^ｎとΔ^ｍの間に同型性がないことにより複雑になる。ここでの解決法は、アースムーバーズ距離(Earth Mover’s Distance)とも称される第１のワッサースタイン距離(first Wasserstein distance)の変形を説明し、ここではこれを拡張アースムーバーズ距離（ＥＥＭＤ）と称する。ＥＥＭＤは、任意の相対サイズのシンプレックス上の離散的分布間の類似性を定義し、任意の程度の不確かさでマッピングを取り扱う。

次に、ＥＥＭＤをどのように実装するのかを説明する。

ここでＰ^ｎ及びＰ^ｍはそれぞれΔ^ｎ及びΔ^ｍ上の正規化分布である。一般性を失わずに、この例ではｎ＞ｍであるものとする。関数ｆ：Δ^ｍ→Δ^ｎは次のように定義される。

ｊ≦ｍの場合、ｆ_ｊ（Ｐ^ｍ）＝Ｐ^ｍ _ｊ、ｊ＞ｍの場合、ｆ_ｊ（Ｐ^ｍ）＝０ （３）

このように、ｆは本質的にはＰ^ｍにゼロのビリーフを詰めて、Ｐ^ｎと同じサイズにする。この新しい分布は今やｎ次元であり、Ｐ^ｍ´と称されてよい。アースムーバーズ距離（ＥＭＤ）測量の従来の公式を用いて、Ｐ^ｍ´とＰ^ｎの間の距離を計算してよい。

但し、一般的には、２つの分布間のマッピングに不確かさがあることがある。従って、実際にはＰ^ｍ´及びＰ^ｎが同じ現実世界の状態に対応していない場合がある。１つの具体例は、交差点の向こう側で３車線道路になる２車線道路である。これを図９に例として示す。図９の左の最初の道路内の２車線が図９の右に示す後続の３車線道路における右端の２車線、左端の２車線、又は車線の他の組み合わせのいずれに対応しているのかは不明である。マッピングは単射又は全射ではないことがあるので、Ｐ^ｍ´及びＰ^ｎからのｎ^ｎ個の可能なマッピングがある。予想される距離を得るためには、Ｐ^ｍ´に対する全ての固有の可能性の合計を計算すればよく、ＥＭＤを計算して各マッピングの確率で重み付けすればよい。従って、Ｐ^ｍ´とＰ^ｎの間のＥＥＭＤは次のように定義されてよい。

ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝Σ^ｎ＾ｎ _ｉ＝１Ｐｒ（Ｐ^ｍｉ´）ＥＭＤ（Ｐ^ｎ，Ｐ^ｍｉ´） （４）

Ｐｒ（Ｐ^ｍｉ´）は既知であり、全てのｉについて正規化されているものとする。これは、地図Ｍからの情報を用いて計算されてよい。実際には、対応するＰｒ（Ｐ^ｍｉ´）項は０であるので、殆どの加数を無視してよい。

ＥＥＭＤは測量的であり、非負性、同一性、及び対称性の特性を満たしている。例えば、ＥＭＤは測量的であるので、常に正である。Ｐｒ（Ｐ^ｍｉ´）は常に非負である。それらの積は常に非負であり、非負要素の合計も非負である。このようにＥＥＭＤは常に非負である。

ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝０⇒Ｐ^ｎ＝Ｐ^ｍであるので、同一性は満たされる。より具体的には、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝０であれば、全ての加数に対してＰｒ（Ｐ^ｍｉ´）＝０及び／又はＥＭＤ（Ｐ^ｎ，Ｐ^ｍｉ´）＝０のいずれかである。Ｐｒ（Ｐ^ｍｉ´）は分布であるから、Ｐｒ（Ｐ^ｍｉ´）＞０となるような少なくとも１つのｉが存在する必要がある。そのようなｉが複数ある場合、各Ｐ^ｍｉ´は固有でありＥＭＤは測量的であるので、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）はゼロにはなり得ない。但し、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝０であるという仮定には違反する。Ｐｒ（Ｐ^ｍｉ´）＞０となるような単一のｉがある場合、ＥＭＤは測量的でありゼロでなければならないので、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝０⇒ＥＭＤ（Ｐ^ｎ，Ｐ^ｍｉ´）＝０⇒Ｐ^ｎ＝Ｐ^ｍである。更に、Ｐ^ｎ＝Ｐ^ｍ⇒ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝０であり、これはＥＥＭＤ及びＰｒ（Ｐ^ｍｉ´）の定義から明らかである。Ｐ^ｍｉ´＝Ｐ^ｍの場合を除き、全てのＰｒ（Ｐ^ｍｉ´）はゼロになる。この項については、ＥＭＤは測量的であるから、対応するＥＭＤはゼロになる。

最後に、２つの分布の小さい方の次元は、順序にかかわらず常に拡張される。従って、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）とＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）の両方に対して全く同じ計算が行われる。従って、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）＝ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）であり、対称性の特性を満たす。

図９は、２車線道路から新しい３車線道路へのビリーフの移行を示している。上述したように、２車線道路から３車線道路への明確なマッピングがないので、中央車線上のビリーフをどのように推定するのかは曖昧である。但し、２車線道路、例えばＰｒ（２車線道路ＨＭＭ）の全ての車線に対するビリーフが与えられると、ＥＥＭＤ（Ｐ^ｎ，Ｐ^ｍ）は、上述したマッピングの曖昧さ及び不確かさを明確に考慮しつつ、３車線の全ての状態のビリーフの値を生成する。

ＥＥＭＤは、異なるサイズのドメイン間のマッピングを可能にし、マッピングに不確かさがある場合に効率的に概算することができる。ＥＥＭＤは、離散的なドメイン上の任意の２つの分布に適用可能である。

ここに提示された解決法の各々は、車両の位置特定のための現在の技術に対する改良である。上記で説明したように、それらは、独立して又は共に、センサ、地図、又はその両方に関する不確かさ、曖昧さ、固有の誤差、又はこれらの問題の組み合わせに対処する。

更なる実装を以下の例にまとめる。

例１：車両交通ネットワークを横断する方法。この方法は、車両により車両交通ネットワークを横断することを備える。車両交通ネットワークを横断することは、車両が車両交通ネットワークを横断している間に多重時間点で測定された車両の経度及び緯度を備える車両動作情報を決定することと、車両動作情報を用いて車両の測量的位置推定値を決定することと、を含む。車両の測量的位置推定値を決定することは、多重時間点のそれぞれの時間点に対して位置推定値を決定することと、それぞれの後続の時間点に対して予測位置推定値を決定することと、カルマンフィルタで非線形損失関数を用いて現在の時間点の測量的位置推定値を決定して、モデル化されていないセンサ誤差の影響を軽減することと、を備える。非線形損失関数は、位置推定値を同じ時間点に対する予測位置推定値と比較することに基づいている。車両交通ネットワークを横断することは、更に、測量的位置推定値を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定することと、車両のトポロジ的位置推定値に基づいて車両交通ネットワークを横断することと、を含む。

例２：予測位置推定値を決定することは、第１の時間点で測定された車両の方位を用いて第１の時間点に続く第２の時間点に対する予測位置推定値を決定することを備える例１の方法。

例３：車両交通ネットワークの一部分の動作環境情報を決定することを更に備え、動作環境情報は、車両のセンサ範囲によって定義される車両交通ネットワークの一部分内のセンサデータを含み、トポロジ的位置推定値を決定することは、測量的位置推定値及び動作環境情報を用いて車両交通ネットワーク内の車両のトポロジ的位置推定値を決定することを備える例１又は例２の方法。

例４：非線形損失関数は、現在の時間点での第１の予測位置推定値の周りの複数の同心円を定義する多重半径を備え、非線形損失関数は、現在の時間点の測量的位置推定値を決定するために、多重半径のうち最小の半径を有する第１の円内に位置している現在の時間点に対する位置推定値に応答して、現在の時間点での経度及び緯度の検知値をカルマンフィルタに提供し、現在の時間点の測量的位置推定値を決定するために、多重半径のうち最大の半径を有する第２の円の外側に位置している現在の時間点に対する位置推定値に応答して、検知値をカルマンフィルタから除外し、現在の時間点の位置推定値を決定するために、第１の円の外側で且つ第２の円の内側に位置している現在の時間点に対する測量的位置推定値に応答して、検知値にペナルティを適用してペナルティが課せられた検知値を得て、ペナルティが課せられた検知値をカルマンフィルタに提供する例１〜３のいずれかの方法。

例５：非線形損失関数はコンテクストベースの関数である例１〜４の何れかの方法。

例６：コンテクストベースの関数のコンテクストは車両交通システムの一部分の動作環境情報である例５の方法。

例７：動作環境情報は都市環境又は郊外環境のいずれかである例６の方法。

例８：非線形損失関数は、同じ時間点に対する予測位置推定値からの位置推定値の距離に基づき、カルマンフィルタに入力される車両動作情報の少なくとも１つの測定値に適用される重み付けを変化させる例１〜７のいずれかの方法。

例９：例１〜８の方法のいずれかを行う車両。

例１０：プロセッサに例１〜８の方法のいずれかを行わせる命令を記憶する非一時的記憶媒体。

ここで用いられる場合、「命令」という用語は、ここに開示される任意の方法又はその任意の１つ以上の部分を行うための指示又は表現を含んでいてよく、ハードウェア、ソフトウェア、又はそれらの任意の組み合わせにおいて実現されてよい。例えば、命令は、ここで説明するようなそれぞれの方法、アルゴリズム、態様、又はそれらの組み合わせのいずれかを行うためにプロセッサによって実行されてよいメモリに記憶されたコンピュータプログラム等の情報として実装されてよい。幾つかの実施形態において、命令又はその一部分は、ここで説明するような方法、アルゴリズム、態様、又はそれらの組合せのいずれかを実施するための専用ハードウェアを含んでいてよい専用プロセッサ又は回路として実装されてよい。幾つかの実装において、命令のそれぞれの部分は、単一デバイス上の又は多重デバイス上の多重プロセッサにわたって分散されていてよく、これらは、直接又はローカルエリアネットワーク、広域エリアネットワーク、インターネット、若しくはそれらの組み合わせ等のネットワークを介して通信してよい。

ここで用いられる場合、「例」、「実施形態」、「実装」、「態様」、「特徴」、又は「要素」という用語は、例、事例、又は例示としての役割を果たすことを示す。明示的に示されていない限り、任意の例、実施形態、実装、態様、特徴、又は要素は、各別の例、実施形態、実装、態様、特徴、又は要素から独立しており、任意の別の例、実施形態、実装、態様、特徴、又は要素との組み合わせにおいて用いられてよい。

ここで用いられる場合、「決定する」及び「識別する」という用語、又はそれらの任意の変形は、ここに示され説明されるデバイスの１つ以上を用いる任意の方法において選択し、解明し、計算し、調べ、受信し、決定し、確立し、取得し、又はその他の方法で識別し若しくは決定することを含む。

ここで用いられる場合、「又は(or)」という用語は、排他的な「又は」ではなく、包括的な「又は」を意味することが意図されている。即ち、特に断らない限り、あるいは文脈から明らかでない限り、「ＸはＡ又はＢを含む」は、任意の自然な包含的置換を示すことが意図されている。つまり、ＸがＡを含むか、ＸがＢを含むか、あるいはＸがＡ及びＢの両方を含むとすれば、これらの事例の何れかの下で「ＸはＡ又はＢを含む」が満たされる。加えて、本願及び添付の請求項において用いられる冠詞「ａ」及び「ａｎ」は、特に断らないかぎり、あるいは単数形を示すことが文脈から明らかでない限り、一般に「１つ以上の」を意味するものとして解釈されるべきである。

更に、説明を簡潔にするために、ここでの図面及び説明は、シーケンス又は一連のステップ若しくは段階を含んでいてよいが、ここに開示される方法の要素は、種々の順序で又は同時に生じてよい。また、ここに開示される方法の要素は、ここで明示的に提示及び説明されていない他の要素と共に生じてよい。更に、本開示に従う方法を実施するために、ここで説明される方法の全ての要素が必要とされなくてよい。態様、特徴、及び要素が特定の組み合わせにおいてここで説明されているが、各態様、特徴、又は要素は、独立して又は他の態様、特徴、及び要素を伴い若しくは伴わずに種々の組み合わせにおいて用いられてよい。

上述した態様、例、及び実装が、本開示の容易な理解を可能にするために説明されてきたが、これらは限定的なものではない。その一方で、本開示は、添付の請求項の範囲内に含まれる種々の変更及び均等な配置を網羅し、その範囲は、法律で認められる全てのそのような変更及び均等な構造を包含するように最も広い解釈が与えられるべきである。

Claims (20)

1. 車両交通ネットワークを横断する方法であって、
   車両の車両動作情報を決定することと、
   前記車両動作情報を用いて前記車両の測量的位置推定値を決定することと、
   前記車両交通ネットワークの一部分の動作環境情報であって、前記車両にとって観測可能な前記車両交通ネットワークの一部分の、リモート車両位置データを備えるセンサデータを含む動作環境情報を決定することと、
   前記測量的位置推定値及び前記動作環境情報を用いて前記車両交通ネットワーク内の前記車両のトポロジ的位置推定値を決定することと、
   前記車両のトポロジ的位置推定値に基づいて前記車両により前記車両交通ネットワークを横断することと、を含み、
   前記車両動作情報を決定することは、前記車両のグローバル位置を感知することを含み、
   前記測量的位置推定値を決定することは、感知された前記グローバル位置を、モデル化されていないセンサ誤差の影響を軽減するためのカルマンフィルタで非線形損失関数への入力として用いて前記測量的位置推定値を決定することを含み、
   前記測量的位置推定値は、前記カルマンフィルタの出力である方法。
2. 前記センサデータは車線ラインデータを含む請求項１記載の方法。
3. 前記測量的位置推定値及び前記動作環境情報を用いて前記車両交通ネットワーク内の前記車両のトポロジ的位置推定値を決定することは、
   前記車線ラインデータ及び前記リモート車両位置データを用いて前記車両に対する複数の車線仮説を生成することと、
   前記複数の車線仮説のうちいずれか前記測量的位置推定値に基づいている可能性がより高い車線仮説として前記トポロジ的位置推定値を決定することと、を含む請求項２記載の方法。
4. 前記車線ラインデータ及び前記リモート車両位置データを用いて前記車両に対する複数の車線仮説を生成することは、
   前記車線ラインデータ及び前記リモート車両位置データを用いて前記車両交通ネットワークの前記一部分の多車線を定義することと、
   前記多車線の濃度に基づいて前記複数の車線仮説を生成することと、を含み、
   前記複数の車線仮説は、前記トポロジ的位置推定値が前記多車線の道路の左車線である第１の車線仮説、前記トポロジ的位置推定値が前記多車線の道路の中央車線である第２の車線仮説、又は前記トポロジ的位置推定値が前記多車線の道路の右車線である第３の車線仮説の少なくとも２つ含む請求項３記載の方法。
5. 前記複数の車線仮説のうちいずれか前記リモート車両位置データに基づいている可能性がより高い車線仮説として前記トポロジ的位置推定値を決定するより前に、前記リモート車両位置データをフィルタリングして、前記車両とは異なる方向に走行している任意のリモート車両のデータを除去することを含む請求項３記載の方法。
6. 前記リモート車両位置データは、前記車両に対する１つ以上のリモート車両の相対位置を含む請求項１又は２記載の方法。
7. 前記車両のトポロジ的位置推定値は、前記車両交通ネットワークの多車線道路内の車線を含む請求項１又は２記載の方法。
8. 前記車両のトポロジ的位置推定値を決定することは、隠れマルコフモデル（ＨＭＭ）を用いて多車線道路をモデル化することにより、連続する時間点にわたって前記車両交通ネットワークの前記多車線道路内の前記車両の車線メンバーシップを決定することを含み、
   前記ＨＭＭの解は、前記多車線道路の車線上の確率分布を生成する請求項１記載の方法。
9. 前記ＨＭＭの状態は、左車線、右車線、及び前記左車線と前記右車線の間の位置を含み、
   前記ＨＭＭの状態遷移確率は、
   前記車両の車線メンバーシップが現在の時間点から次の時間点まで前記左車線にとどまる第１の確率と、
   前記車両の車線メンバーシップが前記現在の時間点での前記左車線から前記次の時間点での前記左車線と前記右車線の間の位置に変化する第２の確率と、
   前記車両の車線メンバーシップが前記現在の時間点での前記左車線と前記右車線の間の位置から前記次の時間点での前記左車線に変化する第３の確率と、
   前記車両の車線メンバーシップが前記現在の時間点から前記次の時間点まで前記左車線と前記右車線の間の位置にとどまる第４の確率と、
   前記車両の車線メンバーシップが前記現在の時間点での前記左車線と前記右車線の間の位置から前記次の時間点での前記右車線に変化する第５の確率と、
   前記車両の車線メンバーシップが前記現在の時間点での前記右車線から前記次の時間点での前記左車線と前記右車線の間の位置に変化する第６の確率と、
   前記車両の車線メンバーシップが現在の時間点から次の時間点まで前記左車線と前記右車線の間の位置にとどまる第７の確率と、を含み、
   前記ＨＭＭの観測確率は、前記状態に対する前記センサデータの可能な出力値のそれぞれの確率を含む請求項８記載の方法。
10. 前記確率分布の最も高い確率値は前記車両の車線メンバーシップを示す請求項８又は９記載の方法。
11. 前記車線メンバーシップを決定することは、
    多重ＨＭＭｓを備える可変構造多重隠れマルコフモデル内で前記ＨＭＭを用いることを含み、前記多重ＨＭＭｓの各々は、前記多車線道路の車線に対するそれぞれの可能なトポロジをモデル化する請求項８又は９記載の方法。
12. 前記多車線道路の車線の濃度は、前記連続する時間点の第１の時間点から第２の時間点まで変化し、
    前記第２の時間点で前記車両交通ネットワークの多車線道路内の前記車両の車線メンバーシップを決定することは、
    前記第１の時間点で前記ＨＭＭを用いて生成された前記多車線道路の車線上の前記確率分布を、前記第２の時間点での前記多車線道路の車線上の更新された確率分布にマッピングすることを含む請求項８又は９記載の方法。
13. 前記確率分布をマッピングすることは、
    アースムーバーズ距離（ＥＭＤ）測量を用いて前記確率分布をマッピングすることを含む請求項１２記載の方法。
14. 前記車両のグローバル位置を感知することは、グローバルポジショニングシステム（ＧＰＳ）センサを用いて前記車両のグローバル位置を感知することを含み、
    前記車両交通ネットワーク内の前記車両の測量的位置推定値を決定することは、
    前記ＧＰＳセンサの感知値を重み付けする前記非線形損失関数への前記入力として、感知された前記グローバル位置を用いることと、
    前記カルマンフィルタ内で前記非線形損失関数の出力を用いることと、を含み、前記カルマンフィルタは前記測量的位置推定値を出力する請求項１又は２記載の方法。
15. プロセッサを備える車両であって、
    前記プロセッサは、非一時的コンピュータ可読媒体に記憶された命令を実行することで、
    前記車両の車両動作情報を決定し、
    前記車両動作情報を用いて前記車両の測量的位置推定値を決定し、
    車両交通ネットワークの一部分の動作環境情報であって、前記車両にとって観測可能な前記車両交通ネットワークの一部分の、リモート車両位置データを備えるセンサデータを含む動作環境情報を決定し、
    前記測量的位置推定値及び前記動作環境情報を用いて前記車両交通ネットワーク内の前記車両のトポロジ的位置推定値を決定し、
    前記車両のトポロジ的位置推定値に基づいて前記車両により前記車両交通ネットワークを横断するように構成され、
    前記車両動作情報を決定することは、前記車両のグローバル位置を感知することを含み、
    前記測量的位置推定値を決定することは、感知された前記グローバル位置を、モデル化されていないセンサ誤差の影響を軽減するためのカルマンフィルタで非線形損失関数への入力として用いて前記測量的位置推定値を決定することを含み、
    前記測量的位置推定値は、前記カルマンフィルタの出力である車両。
16. 前記プロセッサは、前記非一時的コンピュータ可読媒体に記憶された前記命令を実行して、隠れマルコフモデル（ＨＭＭ）を用いて多車線道路をモデル化することにより前記トポロジ的位置推定値を決定するように構成され、
    前記隠れマルコフモデル（ＨＭＭ）を用いて前記多車線道路をモデル化することは、
    前記多車線道路のトポロジに対応する複数の状態を識別することと、
    複数の状態遷移確率を識別することと、を含み、前記複数の状態遷移確率の各状態遷移確率は、前記複数の状態の第１のそれぞれの状態から前記複数の状態の第２のそれぞれの状態への遷移の確率を表し、
    前記プロセッサは、前記非一時的コンピュータ可読媒体に記憶された前記命令を実行して、更に、
    各々が前記動作環境情報の値に対応する複数の観測値を識別し、
    複数の観測確率を識別するように構成され、前記複数の観測確率の各観測確率は、前記複数の状態のそれぞれの１つ以上の状態に関連する前記複数の観測値のそれぞれの観測値の正確さの確率を示す請求項１５記載の車両。
17. 前記プロセッサは、前記非一時的コンピュータ可読媒体に記憶された前記命令を実行して、
    前記多車線道路の車線上の確率分布を生成するように前記ＨＭＭを解くことと、
    前記確率分布の最も高い確率値を有する前記多車線道路の車線として前記トポロジ的位置推定値を決定することと、により前記トポロジ的位置推定値を決定するように構成される請求項１６記載の車両。
18. 前記プロセッサは、前記非一時的コンピュータ可読媒体に記憶された前記命令を実行して、
    前記車両が前記車両交通ネットワークを横断している間に多重時間点で感知された前記グローバル位置から前記車両の経度及び緯度を決定することにより前記車両動作情報を決定し、
    前記多重時間点のそれぞれの時間点に対して位置推定値を決定することと、
    それぞれの後続の時間点に対して予測位置推定値を決定することと、
    カルマンフィルタで前記非線形損失関数を用いて現在の時間点の前記測量的位置推定値を決定して、モデル化されていないセンサ誤差の前記影響を軽減することと、により前記測量的位置推定値を決定するように構成され、前記非線形損失関数は、前記位置推定値を同じ時間点に対する前記予測位置推定値と比較することに基づいている請求項１５又は１６記載の車両。
19. 前記非線形損失関数は、現在の時間点での第１の予測位置推定値の周りの複数の同心円を定義する多重半径を含み、
    前記非線形損失関数は、
    前記現在の時間点の前記測量的位置推定値を決定するために、前記多重半径のうち最小の半径を有する第１の円内に位置している前記現在の時間点に対する前記位置推定値に応答して、前記現在の時間点での前記経度及び緯度の感知値を前記カルマンフィルタに提供し、
    前記現在の時間点の前記測量的位置推定値を決定するために、前記多重半径のうち最大の半径を有する第２の円の外側に位置している前記現在の時間点に対する前記位置推定値に応答して、前記感知値を前記カルマンフィルタから除外し、
    前記現在の時間点の前記位置推定値を決定するために、前記第１の円の外側で且つ前記第２の円の内側に位置している前記現在の時間点に対する前記測量的位置推定値に応答して、前記感知値にペナルティを適用してペナルティが課せられた感知値を得て、前記ペナルティが課せられた感知値を前記カルマンフィルタに提供する請求項１８記載の車両。
20. グローバルポジショニングシステムセンサを更に備える請求項１８記載の車両。

Images