JP2016075905A - 交差点の構造の接合確率モデリング及び推定 - Google Patents

Abstract

【課題】準備の労力をより少なくし、正確且つ詳細な道路の交差点の構造のモデリング方法を提供する。
【解決手段】方法は、道路車線情報を含む第１データの組を受信すること、及び道路の交差点の構造のための車両軌跡情報を含む第２データの組を受信することを含む。方法は、第１データの組及び第２データの組の少なくとも１つから車線ノード位置を決定することを含む。車線ノード位置の間の一組の可能性があるリンクは、集められてもよい。方法は、リンクのそれぞれについて、リンクが正当なリンクである確率を評価し、それぞれのリンクに確率値を割り当てることを更に含んでもよい。リンクは、所定のしきい値確率値に基づいてフィルタリングされてもよく、方法は、一組の正当なリンクを生成することを更に含んでもよい。交差点の構造のモデルは、一組の正当なリンクに基づいて創出される。
【選択図】図９

Description

本開示は、正確な道路地図を生成する方法に関し、より詳細には道路の交差点の構造のモデルを生成する方法に関する。

提供される背景技術の説明は、本開示の背景を一般的に示すことを目的とする。本願発明の発明者の仕事の範囲内で、背景技術は記載されてもよく、本願出願時の従来技術としての資格を有さないかもしれない説明の態様は、本技術に対して従来技術として明示的又は暗示的に認められることはない。

印刷された地図及びデジタル表示形式の地図の何れにおいても、道路は、単一の線又は狭い空間で隔てられた２つの線として示される。空間又は線の幅は、道路の実際の幅に比例することもあるが、比例しないこともある。一般的に、このような地図では、道路の線の数、又は付加的な出口車線、自転車用車線等は示されない。このような地図では、道路の交差点、又は車両が交差点を通過するときに通行可能性がある正当な経路は、何れも示されない。

自動運転車両又は自律走行車等における完全に自動化された運転システムでは、車両は、運転手の相互作用又は他の外部制御なしに、道路で動作するように策定されることが好ましい。高度なドライバ安全システムは、車両の位置、及び付近の車両の位置を含む車両の状況を監視する。このようなシステムは、車線レベルの情報及び道路の交差点の情報の双方を高い精度で符号化した地図が必要になるであろう。車線レベルの情報及び道路の交差点の情報は、経路計画のための滑らかな軌跡の生成、他の車両の動きの予測、又は交差点における車両の固有の動きの計画化及び／又は理由付けのような様々な状況で使用されてもよい。

多くの場合、地図は、テスト車両による正確な車線レイアウトの運転による面倒な手動の注釈処理、又はＧＰＳ行路（GPS tracks）の収集の分析の何れかにより生成される。これらの方法は、注釈又は収集の何れかにより、多量の手作業が必要になる。

したがって、準備の労力をより少なくし、正確且つ詳細な交差点地図を提供することが望まれている。

ここでは、本開示の一般的な概要を提供するが、本開示の全ての範囲又は本開示の構成を総合的に開示するものではない。

様々な態様において、本教示は、道路の交差点の構造をモデリングする方法を提供する。方法は、道路車線情報を含む第１データの組を受信すること、及び道路の交差点の構造のための車両軌跡情報を含む第２データの組を受信することを含んでもよい。方法は、第１データの組及び第２データの組の少なくとも１つから車線ノード位置を決定することを含んでもよい。車線ノード位置の間の一組の可能性があるリンクは、集められてもよい。方法は、リンクのそれぞれについて、リンクが正当なリンクである確率を評価し、それぞれのリンクに確率値を割り当てることを更に含んでもよい。リンクは、所定のしきい値確率値に基づいてフィルタリングされてもよく、方法な、一組の正当なリンクを生成することを含んでもよい。交差点の構造のモデルは、一組の正当なリンクに基づいて創出されてもよい。道路車線情報は、地図データベース又は車線予測アルゴリズムのような第１ソースから受信されてもよく、車両軌跡情報は、ＬＩＤＡＲ、レーザ、静止画像データ及びビデオデータ等のような第２ソースから取得されてもよい。

他の態様では、本教示は、道路の交差点の構造の車線ノード位置の間の一組のリンクを識別することを含む道路の交差点の構造をモデリングする方法を提供する。交差点の構造からの車両軌跡情報は、交差点を通過した一組の車両の行路を生成するために使用されてもよい。方法は、車両の行路を完全な行路と部分的な行路とに分類することを含んでもよい。部分的な行路のそれぞれについて、部分的な行路がリンクに関連付ける確率に関する評価が実行される。確率は、ベイジアンモデル平均（Bayesian Model Averaging）技術を使用して決定されてもよい。方法は、一組の正当なリンクを生成すること、及び一組の正当なリンクに基づいて交差点の構造のモデルを創出することを含んでもよい。

様々な態様において、ベイジアンモデル平均技術は、式

によって規定される。

ここで、p(λ_q|T)は、一組の部分的な行路(T)が与えられたときのリンクλ_qの確率値であり、ｍは交差モデルであり、一組の交差モデル(M)はデータを有する吝嗇性である。

マッピング技術の向上させる適用性の更なる領域及び種々の方法は、本開示が提供される説明から明らかになるであろう。本概要における説明及び特定の例は、説明の目的のためのものであり、本開示の範囲を制限するものではない。

図１は、本開示の方法によって使用されてもよいコンピュータデバイスのブロック図である。 図２は、種々のＬＩＤＡＲ情報を収集するときに進んでもよい例示的な道路コースを絵で示す図である。 図３は、様々な進入交差点車線ノード及び退出交差点車線ノードが示される複数車線の道路から交差点を示す図である。 図４は、図３の交差点に関連する一組の車両行路の一例を示す図である。 図５は、図３の道路の交差点における部分的な車両行路の移動及び交互の車両行路の移動を示す図である。 図６は、図３の道路の交差点の進入車線ノードＮ１から利用可能な退出車線ノードの１つへの可能性があるリンクのそれぞれを示す図である。 図７は、図３の道路の交差点を使用した車両の可能性がある正当な回転リンクのそれぞれを示す図である。 図８は、図３の道路の交差点を使用した車両の可能性がある正当な通過リンクのそれぞれを示す図である。 図９は、図７及び８の正当なリンクを組み合わせた図である。

本開示のより完全な理解及び多くの付随する優位性は、添付図面に関連したときに以下の詳細な説明を参照して、より理解されると共に、直ちに取得されるであろう。

本開示で説明される図面は、ある態様の説明のために、本技術の材料、方法及びデバイスの概略的な特性を例示するものであることを理解すべきである。これらの図面は、所与の態様の特性を正確に反映するものでなくてもよく、本技術の範囲内の特定の実施形態を必然的に規定し又は限定するものではない。また、ある態様は、図面の組み合わせからの構成を包含する。

以下の説明は、実際は、本開示の説明するためのみのものであり、本開示、本開示のアプリケーション及びユーザを限定するものでは全くない。本明細書で使用されるとき、Ａ、Ｂ、及びＣの少なくとも１つとの表現は、非排他的論理「ｏｒ」を使用する論理（「Ａ」ｏｒ「Ｂ」ｏｒ「Ｃ」）を意味すると解釈すべきである。方法に含まれる様々なステップは、本開示の概念を変更することなく異なる順序で実行されてもよいことを理解すべきである。範囲の開示は、全ての範囲の開示と、全体の範囲の内部の細分化された範囲とを含む。

本明細書で使用される表題（「背景技術」及び「発明の概要」のような）及び副表題は、本開示の中の話題の概略的な組織化をするのみのものであり、技術の開示又は技術の何れかの態様を限定するものではない。示された構成を有する複数の実施形態の記述は、付加的な構成を有する他の実施形態、又は示された構成の様々な組み合わせを包含する他の実施形態を排除するものではない。

本明細書で使用されるとき、用語「含む（comprise）」及び「含む（include）」並びにその異形は、連続する用語又はリストの表現が本技術のデバイス及び方法で有用であってもよい他の同様な用語を排除することがないように、非限定的なものである。同様に、用語「できる（can）」及び「してもよい（may）」並びにその異形は、ある要素又は構成を実施形態が有することができる、若しくはある要素又は構成を実施形態が有してもよいとの表現がこれらの要素又は構成を含まない本技術の他の実施形態を排除することがないように、非限定的なものである。

本開示の広範な教示は、様々な形式で実現できる。このため、本開示は特定の例を含むが本開示の本来の範囲は、本明細書及び特許請求の範囲の理解に基づく他の変形が当業者に容易なので、特定の例に限定されるべきではない。

本技術は、自動車のような車両によって走行されてもよい道路の交差点構図の接合確率モデリング及び推定に概して関連する。本明細書で使用されるとき、車両という用語は、狭く解釈すべきではなく、乗用車、トラック、オートバイ、オフロード車両、バス、ボート、飛行機、ヘリコプタ、芝刈り機、レクリエージョナルビークル、遊園地車両、農耕用作業車、建設車両、路面電車、ゴルフカート又は台車を含む全ての形式の車両を限定することなく含むべきである。

運転手のサポート、及び半自律走行車両又は自律走行車両に関連する多くの課題（車両検出、車両追跡、経路プランニング及び経路制御のような）は、高精度の市街地図を使用することによる多くの利点を有する。道路の交差点は、路面塗料の欠如、正当な（合法又半合法の）車両の動きの数の増加、及び実際に運転された軌跡の変動性の増加による特有の課題がある。一例では、２つの車両が走行し、同時に左折すると、最終的に交差点の同一の車線に進入し且つ退出しても、交差点内で非常に種々の経路を横切ることができる。このため、本技術は、交差点の進入し且つ退出するレーンの間の一組の正当な接続を予測する確率モデル及び推定手段を検討するものである。

本明細書で使用される様々なアルゴリズムにおける入力の非限定的な例は、車線マッピング情報及び／又は車線ノード情報と共に、テスト車両から取得されたＬＩＤＡＲデータから抽出された一組の車両の行路を含んでもよい。以下で詳細に説明されるように、行路は、行路の喪失又は他の様々な理由により、位置的なノイズを含み、交差点を実際には十分に横切らないかもしれない。また、追跡された車両と可能な交差点の構造との間に関連するデータに非常な不明確さがあるかもしれない。それにもかかわらず、本技術は、交差点の構造の全ての構成要素に亘って一緒に推論する確率モデルを提供することができる。モデルは、多種多様な現実世界の状況における交差点の構造を見出すことが可能なベイジアンモデル平均技術を、ノイズを含む入力データに使用して到達される。

本開示の技術を使用するために、所与の交差点の車線ノード情報及び車両軌跡情報を識別することが望ましい。図１は、適切な道路セグメント及び車線ノードを決定するために、究極的には１つが導き出される車線ノード又は地図データの識別に関連するある方法、又はある方法の一部を実現するために使用されてもよい例示的なコンピュータデバイス１００のブロック図である。コンピュータデバイス１００は、車載、ハンドヘルド、デスクトップ、又は他の形式の単一のコンピュータデバイスの何れかの形式であってもよく、複数のコンピュータデバイスで構成されてもよい。コンピュータデバイスの処理ユニットは、従来の中央演算装置（central processing unit、ＣＰＵ）であってもよく、情報を操作又は処理する他の形式のデバイス、又は複数のデバイスであってもよい。コンピュータデバイス１００のメモリ１０４は、ランダムアクセスメモリデバイス（ＲＡＭ）又は他の適当な形式の記憶装置デバイスであってもよい。メモリ１０４は、バス１０８を使用してＣＰＵ１０２によってアクセスされるデータ１０６を含んでもよい。

また、メモリ１０４は、オペレーティングシステム１１０と、インストールされたアプリケーション１１２とを含んでもよい。インストールされたアプリケーション１１２は、以下に説明する方法のＣＰＵ１０２による実行を可能にするプログラムを含んでもよい。また、コンピュータデバイス１００は、メモリカード、フラッシュドライブ又は他の何れかの形式のコンピュータ読み取り可能な媒体等の二次的な、付加的な、又は外部の記憶装置を含んでもよい。インストールされたアプリケーション１１２は、全体又は一部が外部記憶装置１１４に記憶され、処理に必要なときにメモリ１０４にロードされてもよい。

また、コンピュータデバイス１００は、１つ又は２つ以上のセンサ１１６、１１８、１２０及び１２２に接続されてもよい。センサ１１６、１１８、１２０及び１２２は、慣性計測装置（inertial measurement unit、ＩＭＵ）、推測航法システム、全地球測位システム（global navigation satellite system、ＧＰＳ）、レーザ画像検出と測距（light detection and ranging、ＬＩＤＡＲ）システム、レーザシステム、超音波探知システム、画像ベースのセンサシステム、又は車両が進む経路の特徴、又は他の局部的な位置のデータ及び／又は信号、及びデータ及び／又は信号に対応するＣＰＵ１０２への出力を含む車両の周囲の環境に特有な情報を捕捉することができる他の形式のシステムによって処理されるデータ及び／又は信号を捕捉できる。概して、姿勢予測及び動作予測は、ＧＰＳナビゲーションシステム内部のApplanix社のｐｏｓ-LV220に由来してもよい。このシステムは、１００Ｈｚで姿勢予測を生成する。ＬＩＤＥＲのデータは、レーザビームを使用し１０Ｈで回転するVelodyne社のHDL-64 Eシステムからであってもよい。ＬＩＤＡＲのリターンのそれぞれの３Ｄ位置に加えて、HDL-64 Eは、照射された表面の相対的な反射に対応する８ビットの強度を測定してもよい。

また、センサ１１８及び１２０は、車両のＸ軸位置、Ｙ軸位置及びＺ軸位置の変化、速度、加速度、回転、角度及び回転角を示すデータを捕捉してもよい。センサ１１８及び１２０が推測航法システムのデータを捕捉するとき、車輪の回転速度、移動距離、ステアリング角、ステアリング角速度の変化は、捕捉されてもよい。センサ１１８及び１２０がＧＰＳの信号を捕捉するとき、受信機は、グローバル座標で推定される車両の位置、及び速度を計算してもよい。複数の衛星は、３次元三角測量及び時間推定を使用して、車両の位置及び速度を推定するために使用してもよい。

コンピュータデバイス１００は、テスト車両又は実験データ採集車両の内部に配置されてもよく、車両から離れた遠隔の代替位置（不図示）に配置されてもよい。コンピュータデバイス１００が車両から離れて遠隔に配置されるとき、車両は、コンピュータデバイス１００と通信する機能を含んでもよい。様々な態様において、車両は、図２に示すような所与の経路１２９に沿った１つの方向に運転されてもよい。経路１２９は、様々な異なる道路を含んでもよい。例えば、図２は、入口ランプ及び出口ランプを有する複数車線の高速道路と、２車線の田舎道と、複数車線の双方向道路とを含んでもよい。

車線データを採集するために、車両は、経路１２９に沿って１つの車線を少なくとも一度走行すべきである。複数回通過することによって、又は隣接する交通、ポールの反射性、車両速度又は他の要因により隠され又は邪魔されていたかもしれない付加的な道路の指標を拾い上げて、ＬＩＤＡＲデータの精度を向上させてもよい。車線データ、車線ノード及び／又は車両の行路の推定経路を採集する付加的且つ例示的な方法は、参照することにより全体が本明細書に包含される２０１３年１０月１３日に出願された米国特許シリアル番号14/069,069及び２０１４年５月９日に出願された米国特許シリアル番号14/273,620に見出すことができる。

本方法は、粗く構造化された従来の地図データを、正確なＬＩＤＡＲ測定に多くの推定アルゴリズムで組み合わせて、正確な道路車線情報を生成することができる。方法は、粗いＬＩＤＡＲデータ及び正確なＬＩＤＡＲデータから、自転車道路、入口ランプ、出口ランプ、道路車線の数の変化等と共に、車線の数、車線のそれぞれの中央を生成してもよい。

ある態様において、図１を参照して説明したセンサのような複数のセンサを含むテスト車両を使用して関連データを採集してもよい。センサの１つ又は２つ以上は、コンピュータデバイス１００がテスト車両の位置及び方向の推定に使用するために、速度、加速度、車輪回転速度、及び周囲環境内部の物体との距離の変化を捕捉し、推測航法システムのためのステアリング角を捕捉し、画像センサの処理のための画像を捕捉し、複数の衛星からの信号に基づいてグローバル座標におけるテスト車両の位置を取得し、テスト車両の現在の状態を決定し、又は環境に対するテスト車両の位置を決定するために使用してもよい他の何れかのデータ及び／又は信号を捕捉するように構成されてもよい。

例えば、センサが白黒カメラ又はＬＩＤＡＲシステムが使用するデータを捕捉するように構成されるとき、センサは、信号がセンサに戻る時間を測定することにより計算された測距距離を有してテスト車両の周囲の領域にある物理的対象からのレーザの戻りに関連するデータを捕捉してもよい。レーザの戻り又は光の戻りは、レーザ光等の光源、センサから発射した光、若しくは車両に搭載された又は車両に近接した他の光源から達した対象で反射した後方散乱光を含んでもよい。光が対象で反射すると、センサは、対象の点のそれぞれの強度値及び反射率を捕捉して、プロセッサ１０２、及びコンピュータデバイス１００の内部に記憶され又はコンピュータデバイス１００からアクセス可能なアプリケーション１１２の１つ等による対象の分析及び分類に使用されてもよい。

本技術の方法を説明するために使用される１つの非限定的な例において、特定の道路の交差点１５０が提供される。図３に示すように、交差点１５０は、２つの進入北行き車線、１つの北行き中央回転車線、及び２つの退出北行き車線、２つの進入南行き車線、１つの南行き中央回転車線、及び２つの退出北行き車線、２つの進入西行き車線、１つの西行き中央回転車線、及び２つの退出西行き車線、並びに２つの進入東行き車線、１つの東行き中央回転車線、及び１つのみの退出東行き車線を含む。

図５〜９と共に、図３を引き続き参照すると、道路の交差点１５０の車線ノード１５２及び１５４のそれぞれは、固有の識別子が割り当てられる。進入車線ノード１５２は、ひし形を有して示され、退出車線ノード１５４は、三角形を有して示される。一例では、符号Ｎ１、Ｎ２及びＮ３が付された車線ノードは、交差点１５０に通じる北方向に向かう車両の進入車線ノード１５２であり、符号Ｎ４及びＮ５が付された車線ノードは、交差点１５０から離れて北方向に向かう車両の退出車線ノード１５４である。符号Ｗ１、Ｗ２及びＷ３が付された車線ノードは、交差点１５０に通じる西方向に向かう車両の進入車線ノード１５２であり、符号Ｗ４及びＷ５が付された車線ノードは、交差点１５０から離れて西方向に向かう車両の退出車線ノード１５４である。同様に、符号Ｓ１、Ｓ２及びＳ３が付された車線ノードは、交差点１５０に通じる南方向に向かう車両の進入車線ノード１５２であり、符号Ｓ４及びＳ５が付された車線ノードは、交差点１５０から離れて南方向に向かう車両の退出車線ノード１５４である。そして、符号Ｅ１、Ｅ２及びＥ３が付された車線ノードは、交差点１５０に通じる東方向に向かう車両の進入車線ノード１５２であり、符号Ｅ４が付された車線ノードは、交差点１５０から離れて東方向に向かう車両の退出車線ノード１５４である。

なお、この特定の交差点１５０の例示的な目的のために、南に進みノードＳ１を通る車両は、右折専用車線であり、西に回転しなければならず、退出車線ノードＷ４又はＷ５の何れかを通る。すなわち、このような車両は、車線ノードＳ４又はＳ５に向かって南に進むことは法律的に認められない。また、個々の中央回転車線は、左折専用であり、交差点の右折又は直進は対象としない。

様々な態様において、本開示の方法は、記憶された第１データの組を使用して取得されてもよく及び／又は第１ソースから受信してもよい道路車線情報及び／又は車線ノード情報を含む第１データの組と、第２データの組を使用して取得されてもよく及び／又は第２ソースから受信してもよい道路の交差点の構造からの車両軌跡情報を含む第２データの組とを含むことが想定される。車線ノード位置又は道路セグメントノード位置が提供されない実施形態において、本開示の方法は、第１データの組及び第２データの組の少なくとも１つから既知のアルゴリズムを使用して車線ノード位置を決定することを含んでもよい。

１つの例において、第１ソースは、オープンストリートマップ（open street map、ＯＳＭ）又は均等物から取得したデータのような既存の地図データベースであってもよい。これは、街路の粗い構造上の有益な地図を提供し、交差点のおおよその位置を識別するのに有用である。他の態様では、車線の数並びに車線ノードのそれぞれの数及び位置は、地図データ１１６（図１）又は他の適当なソースからから受信し又は取得してもよい。様々な態様において、地図データ１１６は、コンピュータデバイスのメモリ１０４に記憶され、又は外部記憶装置１１４に記憶されたデジタル地図情報であってもよく、デジタル地図データソースから無線伝送などにより、遠隔地からプロセッサ１０２に利用可能であってもよい。地図データ１１６は、道路の行き止まり又は分岐の存在及び位置と共に、先の行き止まりのそれぞれの道路に沿った所定の位置からの行き止まりの距離及びサブパス（sub-path）における車線の数を含んでもよい。また、ある態様において、道路の車線の数は、カメラ１１８から取得されてもよい。しかしながら、この地図情報は、道路及び街路のおおよその中央線のみを含み、車線の数又は車線の位置を含むものではないことを理解すべきである。加えて、報告される街路の位置は、左右誤差の数メートルによる誤差を有するかもしれない。このように、第１ソースは、ＬＩＤＡＲデータ、道路データ又は他の関連するデータの組み合わせを使用した車線予測アルゴリズムから取得されるデータを付加的又は代替的に有してもよい。

一例では、車両軌跡情報を提供する第２ソースは、ＬＩＤＡＲデータ、レーザデータ、静止画データ、ビデオデータ、表形式データ及びこれらの組み合わせの少なくも１つを含んでもよい。ＬＩＤＡＲデータが使用されると、車両検出アルゴリズム及び車両追跡アルゴリズムは、入力としてＬＩＤＡＲデータを使用して、交差点を横切る一組の車両行路を生成してもよい。

様々な態様において、ＬＩＤＡＲデータを採集するテスト車両から取得したデータの全てから能動的な一組の行路（例えば、交差点の内部又は交差点を横切る少なくとも一部に位置する）を分離又はフィルタリングすることが望ましい。例えば、図４は、図３の道路の交差点１５０の少なくとも一部を実際に通った車両の処理されたＬＩＤＡＲデータから取得した能動的な一組の車両行路１５６の例を示す図である。データの全てのスキャンから能動的な一組の行路を創出するために、（１）地面と障害物との間を判別し、一組の障害物の点をもたらし、（２）ダイナミックに生成されたＭＲＦエネルギ最小化に基づいて障害物の点をクラスタリングし、（３）サイズに基づいてクラスタリングをフィルタリングし、（４）データ関連スキームを使用して、フィルタリングされたクラスタリングを能動的且つ新しい行路に組み込み、及び／又は（５）追跡された車両のそれぞれの状態（位置及び速度）を推定するフィルタを更新する、ステップのいくつかを実行してもよい。

図４に示されるように、能動的な車両の行路は、リンク当たりの車両の行路の数及び追跡された経路に沿った位置において高い変動性を含む。本明細書で使用されるとき、リンクは、第１車線ノード又は第１車線ノードの近くから開始し、交差点を横切り、第１車線ノードとは相違する第２車線ノード又は第２車線ノードの近くで終了する行路を示す。動的情景を移動する対象、交差点に向かい又は離れるテスト車両の動き、失ったデータの関連、及び行路パイプラインの他の問題のより生じる可能性がある閉塞のため、図４に示す行路の多くは、交差点を完全には横切っていない。このように、完全な行路に加えて多くの部分的な行路がある。加えて、行路位置予測の走行の変動及び誤差のために、同一のリンクを横切る２つの行路は、位置が著しく異なることがある。

図５は、部分的な回転行路１５８、部分的な通過行路１６０、及び交差点の中央で車線を変更する車両からの行路のような合法ではない行路（例えば、車線ノードＮ２から車線ノードＮ４ではなく車線ノードＮ２から車線ノードＮ５に移動する車両）の完全な行路１６２の例を示す図である。本開示の方法に従うと、多くの又は全てのデータが使用されてもよいので、行路データＴは、交差点を横切る行路、横切らない行路、及び非常に位置が変化する行路を含む。

所与の交差点の構造において、本技術は、自律走行車に使用されてもよい交差点の構造を予測する確率モデリング及び推定を提供する。このために、完全な経路／完全なリンクの組から、合法的な経路／正当な経路、又は正当なリンクのみを含む交差点の構造のモデルが創出される必要性がある。図６を参照すると、一例では、進入車線ノードＮ１を通る車両は、退出車線ノードの７つの異なる経路又はリンク−Ｓ４、Ｓ５、Ｗ４、Ｗ５、Ｎ４、Ｎ５及びＥ４−を技術的に有する。多くの米国の運転手は、図６の正当なリンクは、Ｎ１からＷ４へのリンク又はＮ１からＷ５へのリンクのみであることを認識するであろう（Ｎ１からＳ４又はＮ１からＳ５は、合法／正当なＵターンではないとする）。

様々な態様において、本技術は、車線ノード位置の間の可能性がある完全な一組のリンクを集めて、リンクのそれぞれについて、リンクがモデル交差点に使用する正当なリンクである確率を評価する。図３の交差点１５０は、異なる１２個の進入車線ノード１５２を有し、それぞれが異なる７つの退出車線ノード１５４の確率を有するので、車線ノード位置の間に可能性がある８４個の一組のリンクがある。様々な態様において、本技術の方法は、リンクが正当なリンクである確率値をリンクのそれぞれに割り当ててもよい。以下に詳細に説明されるように、確率値は、車両軌跡情報／車両行路データに基づいてもよい。方法は、所定のしきい値確率に基づいてリンクをフィルタリングし、一組の正当なリンクを生成することを含んでもよい。次いで、交差点の構造のモデルは、一組の正当なリンクに基づいて創出される。一組の正当なリンクは、技術的な「正当性」ではなく、運転手が通常運転するもの（例えば、車両軌跡データでサポートされるもの）であることを理解すべきである。このような一例は、図５の経路１６２であってもよい。他の例は、Ｗ１からＮ５の代わりにＷ１からＮ４への運転のような、第２車線に右折するものであってもよい。

様々な態様において、図４の車両行路データは、完全な行路及び部分的な行路の間に車両行路を分類、分離及び／又はフィルタリングできるように処理されてもよい。完全な行路に分類された車両行路において、車両行路が２つの車線ノードを接続できる正当なリンクに関連付ける（例えば、車両は、２つのノード位置を追跡する）可能性が高く、特定な完全な行路又は正当なリンクは、交差点の構造のモデルの創出に使用されるべきである可能性が高い。例えば、完全な行路のそれぞれの確率値は、１の値を割り当てることができる。部分的な行路のそれぞれに、本技術は、部分的な行路が正当なリンクであるべきである確率を評価することが考えられる。部分的な行路のそれぞれの確率値は、０と１との間の分数値又は数値とすることになる。様々な態様において、部分的な行路は、少なくとも１つのノード位置を通過するかもしれないが、少なくとも１つのノード位置を通過する必要はない。

個々のリンクのそれぞれ、及び所与の行路の組の確率を検証することが可能であるとき、このアプローチは、少なくとも２つ理由で不十分になるかもしれない。第１に、不必要なリンクが正しいリンクに大きくオーバラップするかもしれず、正しいリンクから生成された行路は、正しくない行路をサポートすることにもなる。第２に、非常に小さいデータ又はノイズを含むデータがあるかもしれない。これらの問題のために、個々のリンクのそれぞれを考慮し、良好な結果を産するアプローチの考案の実現は、難しいかもしれない。例えば、本技術は、種々のリンク構造の結合確率を考慮する方法を提案する。次いで、種々の構造（モデル）の可能性は、リンクのそれぞれを推論又は分析するために再結合される。所与のリンクλ_qの正当性を検討するために、本技術は、以下の式で説明できるベイジアンモデル平均アプローチを、与えられた行路の組Ｔのリンクの確率を予測するために、使用する。

ここで、ｍは交差点モデルである。ベイジアンモデルを使用するときに一般に行われるように、一組のモデルＭは、データを有する吝嗇性であると解釈される。平均化されるモデルの数は、可能なリンクの数の指数であるので、これは、コンピュータ計算の理由で行われてもよい。

上記の式を評価する１つの重要な計算は、リンクλにおいて生成された行路ｔの確率p(λ_q|T)である。第１ステップは、しきい値距離γ_δより大きく離された行路-リンク対の全てについてこの確率をゼロ（０）に設定することである。図５を参照すると、参照番号１６０で示される経路は、有意な使用を提供するには短すぎるかもしれない。他の行路について、確率の計算は、行路に沿った位置、及び進入車線ノード１５２及び退出車線ノード１５４の位置を使用して、（１）行路が進入ノード及び退出ノードの距離γ_node内を通過するか否かを計算し、双方が近い場合、行路は横切る又は行路は完全な行路であるとし、双方が近くない場合、行路は部分的に横切る又は行路は部分的な行路であるとし、（２）行路と、進入ノードから退出ノードに構成されたスプラインとの間の平均距離δ^t _λを計算し、（３）部分的に横切る行路について、行路がカバーするスプラインの部分ρ^t _λを計算する。

上述のように、横切る行路では、確率p(t|λ)=1である。部分的に横切る行路では、

である。これは、基本的に、平均距離及び行路の観察された距離の積である。ここで、ソフトしきい値アプローチは、

によって使用されてもよい。これは、y=0.5と交差するxの交差値を決定するγ_i、及び傾きを決定するγ_sによってパラメータ化されるロジスティック関数又はシグモイド関数である。

正規化定数は、

を評価して与えられる。交差点のモデルｍは、正当であると評価される一組のリンクΛ_mを示す。モデルの確率及び所与の行路の組は、

で示される。ここで、

である。ここで、λ_m,tは行路ｔの最も確率が高いΛ_m内のリンクである。これは、モデル内の簡明化された仮定である。加えて、全ての正当なリンクが距離δ^t _λ＞γ_δを有するとき、λ_m,tはヌルリンク（null link）λ_noneに等しくなるであろう。p(t|λ_none)=γ_noneは一定値に規定される。

様々な態様において、モデルｍの先の確率p(m)はハンドデザインされ（hand-designed）、又は不利益をもたらすことなく、特定の交差点のリンクの適当な平均数をモデル化することを意味するカスタム機能である。先の確率は、データの項が優位なとき、大きな影響を有しないかもしれない。例えば、n_inが交差点への進入ノードであり、リンクの理想数（ideal number）を

と規定すると、

である。ここで、f_M(n_m)は、交差点のそれぞれのn_idealにより黙示的にパラメータ化され、交差点のそれぞれで相違してもよい。f_M(n_m)は、モデルのリンクの数n_mの関数であり、n_idealを中心とし、区分的線形であり、次の点と順次、

によって接続され、さもなければ０である。定数γ_f及びγ_nのそれぞれは、理想からの遠方のオフセット及び近接したオフセットである。

正規化定数は、全てのモデルのこの関数の和である。

交差点のn_t個の可能なリンクでは、可能なモデルの数は、

であるが、ベイジアンモデルを

に適用するためには急激に多くなり過ぎるかもしれない。行路を分析し、及び横切る行路が１の確率を提供するという事実を使用することによって、一組のモデルは、横切る行路を有する全てのリンクを含み、部分的な行路を有するリンクを含んでもよく、対応する行路を有さないリンクを含まない一組のモデルのみに限定できる。n_pが部分的な行路のみを有するリンクの数である場合、吝嗇性のあるモデルのサイズは、

であり、列挙し且つ総和を演算するために十分に小さい数である。

したがって、上述の説明を考慮すると、当初の確率計算は、ここでは、

となる。項を再配置し、

をリンクλqにおける指標関数とし、モデルのリンクセットｍに適用すると、最終の形式に到達する。

上述のように、総和を演算するモデルの数のコンピュータ計算上の主たる問題は対処されたが、上述の式を高速化するいくつかの方法がある。例えば、正規化α_Mは、交差点のそれぞれで定数にして、キャッシュされてもよい。正規化α_Tは、論理パラメータγ_p,i、γ_p,s、γ_δ,i及びγ_δ,sが与えられた定数にして、キャッシュされてもよい。

関数

は、しきい値距離内のリンク‐行路の全ての対について予め計算される。上述の式の積において、固有の値は、モデルｍのリンクλ_m,tに基づいて選択される。

そして、正規化因数p(T)の計算は、少なくとも１つの横切った行路のリンクの確率λ_trが１、すなわちp(λ_tr|T)=1とすることより、更に簡明化される。吝嗇性のあるモデルを選択するため、全てのモデルについて、I(λ_tr∈Λm)=1とする。したがって、

を得る。この式は、先の議論が適用された極めて直接的な値であろう。

部分的な行路に関連するリンクについて、確率値が決定され又は割り当てられると、本技術の方法は、所定のしきい値確率値に基づいてリンクをフィルタリングする。例えば、一例では、約０．６よりも小さい確率値を有するリンクは、正当なリンクではなく、破棄すべきであると決定されてもよい。例えば、所定のしきい値確率値は０．６の値が割り当てられ、０．６よりも小さい確率値を有する全てのリンクは、一組の正当なリンクから除外される。

図３の交差点において、図４において見出される車両軌跡情報を使用すると、図７は点線１６６で示される可能性がある正当な回転リンクのそれぞれを示す図であり、図８は破線１６８で示される可能性がある正当な通過リンクのそれぞれを示す。図９は、図３の交差点のモデルを示し、図７及び８の一組の正当なリンクの組み合わせである。したがって、進入車線ノード１５２を退出車線ノードに接続する８４個の可能性があるリンクから、１４個の正当な回転リンクと、６つの正当な通過リンクがある。

実施形態の上述の説明は、説明のために提供されている。それは、包括的なものでなく、開示を制限するものでもない。特定の実施形態の個々の要素及び構成は、概略的なものであり、その特定の実施形態に限定するものではなく、適用可能な場合、置換可能であり、具体的に図示されず又は説明されない場合でも、選択された実施形態において使用してもよい。同一は、多くの方法で、変更してもよい。このような変形は、本開示からの逸脱として考えるべきでなく、全ての修正は、本開示の範囲内に含まれるものである。

Claims (17)

1. 道路車線情報を含む第１データの組を受信し、
   道路の交差点の構造のための車両軌跡情報を含む第２データの組を受信し、
   前記第１データの組及び前記第２データの組の少なくとも１つから車線ノード位置を決定し、
   前記車線ノード位置の間の一組の可能性があるリンクを集め、
   リンクのそれぞれについて、前記リンクが正当なリンクである確率を評価して、リンクのそれぞれに確率値を割り当てて、
   所定のしきい値確率値に基づいて、前記リンクをフィルタリングし、一組の正当なリンクを生成し、
   前記一組の正当なリンクに基づいて、前記交差点の構造のモデルを創出する、
   ことを含むことを特徴とする道路の交差点の構造のモデリング方法。
2. リンクのそれぞれについて、前記リンクが正当なリンクである確率を評価するステップは、
   追跡アルゴリズムを使用して、前記第２データの組から前記交差点を通過する単一の車両を追跡したことをそれぞれが示す複数の完全な行路を取得し、
   完全な行路のそれぞれをリンクに関連付けることを含む、請求項１に記載の方法。
3. 完全な行路のそれぞれは、２つのノード位置を通過した単一の車両を追跡したことを示す、請求項２に記載の方法。
4. 完全な行路に関連付けられたリンクのそれぞれに１の確率値を割り当てることを更に含む、請求項２に記載の方法。
5. 前記追跡アルゴリズムを使用して、前記第２データの組から前記交差点の少なくとも一部を通過する単一の車両を追跡したことをそれぞれが示す複数の部分的な行路を取得し、
   部分的な行路のそれぞれをリンクに関連付けることを更に含む、請求項２に記載の方法。
6. 前記部分的な行路は、少なくとも１つのノード位置を通過する、請求項５に記載の方法。
7. 部分的な行路に関連付けられたリンクに前記確率値を割り当てるステップは、ベイジアンモデル平均技術を使用して、１より小さい確率値を計算することを含む、請求項５に記載の方法。
8. 前記ベイジアンモデル平均技術は、式
   

   

   によって規定され、ここで、p(λ_q|T)は、一組の部分的な行路(T)が与えられたときのリンク(λ_q)の確率値であり、ｍは交差モデルであり、一組の交差モデル(M)はデータを有する吝嗇性である、請求項７に記載の方法。
9. 前記道路車線情報は第１ソースから受信され、前記車両軌跡情報は第２ソースから受信される、請求項１に記載の方法。
10. 前記第１ソースは、既存の地図データベースを含む、請求項９に記載の方法。
11. 前記第１ソースは、ＬＩＤＡＲデータと道路地図データとの組み合わせを使用した車線予測アルゴリズムから取得したデータを含む、請求項９に記載の方法。
12. 前記第２ソースは、ＬＩＤＡＲデータ、レーザデータ、静止画データ、ビデオデータ、表形式データ及びこれらの組み合わせの少なくも１つを含む、請求項９に記載の方法。
13. 前記所定のしきい値確率は、前記交差点に特有な値が割り当てられ、前記リンクをフィルタリングすることは、前記一組の正当なリンクから前記所定のしきい値確率値よりも小さい確率値を有する全てのリンクを除外することを含む、請求項１に記載の方法。
14. 道路の交差点の構造の車線ノード位置の間の一組のリンクを識別し、
    前記交差点からの車両軌跡情報を使用して、前記交差点を通過した一組の車両の行路を生成し、
    前記車両の行路を完全な行路と部分的な行路とに分類し、
    部分的な行路のそれぞれについて、前記部分的な行路がリンクに関連付ける確率を評価し、ここで、前記確率は、ベイジアンモデル平均技術を使用して決定され、
    一組の正当なリンクを生成し、
    前記一組の正当なリンクに基づいて前記交差点の構造のモデルを創出する、
    ことを含むことを特徴とする道路の交差点の構造のモデリング方法。
15. 前記一組の正当なリンクを生成するステップは、
    完全な行路のそれぞれに１の確率値を割り当てて、
    部分的な行路のそれぞれに１よりも小さい確率値を割り当てて、
    所定のしきい値確率値に基づいて、前記リンクをフィルタリングする、
    ことを含む、請求項１４に記載の方法。
16. 前記一組の正当なリンクは、前記所定のしきい値確率値よりも小さい割り当て確率値を有する全てのリンクを除外する、請求項１５に記載の方法。
17. 前記ベイジアンモデル平均技術は、式
    

    

    によって規定され、ここで、p(λ_q|T)は、一組の部分的な行路(T)が与えられたときのリンク(λ_q)の確率値であり、ｍは交差モデルであり、一組の交差モデル(M)はデータを有する吝嗇性である、請求項１４に記載の方法。

Images