JP2021082286A - 車線変更の検出を改良するためのシステム、非一時的コンピュータ可読媒体および方法 - Google Patents

Abstract

【課題】自車両の車線変更の検出を改良するための車線変更システムを提供する。【解決手段】車線変更システムは、自車両の車線変更の検出を改良する。車線変更の検出を改良するための方法は、自車両により周囲環境について取得されたセンサデータからの周囲車両の検出を受けて、自車両に対する周囲車両の相対位置を推定することを含む。この方法は、自車両が走行している現在車道に対する周囲車両の状況を判断することを含む。方法は、状況に従って周囲車両を変更グループに選択的に分類することを含む。変更グループは、自車両の移動を判定するための一つ以上の車両を含む。この方法は、変更グループの車両の相対移動を解析して、自車両が車線変更を実施したかどうかのインジケータを生成することを含む。【選択図】図２

Description

本願に記載される主題は、概して車線変更の検出を改良するためのシステム、非一時的コンピュータ可読媒体および方法に関し、より詳しくは、車線変更検出の実施時に、共通する集団的移動エリア内の車両を検討から除外することに関する。

車両は、他の車両、障害物、歩行者、そして周囲環境の付加的な側面の認知を容易にするセンサを装備しうる。例えば、光を使用して周囲環境を走査する光検出測距（ＬＩＤＡＲ）センサを車両が装備し、ＬＩＤＡＲと関連するロジックは、取得したデータを解析して、物体の存在と周囲環境の他の特徴とを検出する。さらなる例では、カメラなどの付加的／代替的センサが周囲環境についての情報を取得するように実装され、システムはこの情報から周囲環境の側面についての知覚を得る。このセンサデータは、センサが上記の側面を認知して関連の機能を正確に実施できるように周囲環境の認知を向上させるため、様々な情況において有用でありうる。

概して、車両により周囲環境についての知覚がさらに進展すればするほど、運転を支援するより良い補足情報が運転者に与えられる。および／または、自律システムが車両をより良好に制御して危険を回避できる。しかしながら、様々なセンサにより取得されるセンサデータは、概ね幾らかの量のエラーを含む。ゆえに、１回の監視を使用した車両の個別の識別を本質的に信用すると、例えば、誤検出と、運転者および／または自律システムへの紛らわしい情報の提供とが結果的に生じることがある。

車線識別の状況では、車両のセンサによる周囲環境の監視は、車線維持機能、車線変更、そして他の自律的／警告動作のために車線を識別するのに使用されうる。しかしながら、車線区分線は質および種類が変化するので、車線を識別すること、および車線と被監視車両とを相関させることには特有の困難さが見られる。すなわち、周囲車両が特定の車線内を走行しているかどうかを判断することは、車両の的確な検出を保証し、車両の詳細な場所を判断し、車線の境界を検出するなどのためのセンサデータの解釈と関連する困難さを増幅させうるのである。

事情をさらに煩雑にするものとして、進入ランプ、退出ランプ、平行／近接車道等のような複雑な道路構造により、導出される車線変更などの判断について誤検出が生じうる。例えば、システムが通常、車道での集団的移動を使用して、車線区分線には依存せずに車線変更を識別すると、車両が一定的かつ集団的に車道へ移動する進入ランプにより、自車両の車線変更の誤検出が結果的に生じる。これにより、車両の事態知覚におけるエラーにつながる。そのため、既存のシステムは、的確な車線区分線などの二次的なソースが利用可能でない時や、例えば移動を追跡するための車両の存在が少ない時にはとりわけ、車線変更を的確に認知するのは困難である。

本願で開示されるシステムおよび方法の例は、自車両の車線変更の検出の改良に関する。例えば、一つのアプローチにおいて、自車両は認知した周囲車両の相対移動に基づいて車線変更についての判断を行う。すなわち、自車両が妥当な車線区分線を認知しない時、車道についての包括的な幾何学的マッピングを有していない時、および／または、車線位置および車線変更を理解するための付加的機構を通して他の形で動作を改良する時に、開示のアプローチでは、周囲車両の移動組み合わせを相関させて自車両の移動（つまり車線変更）を推測する。しかしながら、上記のように、進入／退出ランプなどある種の車道構成は車両の集団的な一定の移動と関連しており、これは自車両が車線変更を実施しているとシステムが誤って指示する結果を生じうる。

それゆえ、一つ以上のアプローチでは、今回開示するように、自車両は、進入／退出ランプなど特定の車道特徴が存在する時を判断し、自車両車線変更の判断で異常の結果を生じうる、これらの場所で集団的に車線を変更している車両の影響を軽減する。例えば、一態様で、開示のシステムは周囲車両を検出し、その車両の状況を判断する。状況は、進入ランプ、退出ランプ等のように車両の集団的移動が予想されるエリアに車両が所在しているかどうかを概ね含む。状況に従って、システムは、自車両が車線変更を実施しているかどうかを判断する時にこの車両を検討から除外する。さらなるアプローチで、開示のシステムは、車両の特定の状況／場所に応じて別々の重みを車両に割り当てることができる。例えば、車線変更検出の実施時には、退出／進入ランプに所在する車両を除外する一方で、検討のため高ノイズ車線（例えばランプの隣りの合流車線）の車両に部分重み（例えば０．５）を割り当てる。こうして、開示のシステムおよび方法では、自車両車線変更の的確な判定を通して上記の困難を回避し、自車両の機能を改良する。

一実施形態では、自車両の車線変更の検出を改良するための車線変更システムが開示される。車線変更システムは、一つ以上のプロセッサと、一つ以上のプロセッサと通信可能に結合されるメモリとを含む。メモリは、一つ以上のプロセッサによる実行時に、自車両により周囲環境について取得されたセンサデータからの周囲車両の検出を受けて自車両に対する周囲車両の相対位置を一つ以上のプロセッサに推定させる命令を含む取得モジュールを記憶する。メモリは、一つ以上のプロセッサによる実行時に、自車両が走行している現在車道に対する周囲車両の状況を一つ以上のプロセッサに判断させる命令を含む車線モジュールを記憶する。車線モジュールは、状況に従って周囲車両を変更グループに選択的に分類する命令を含む。変更グループは、自車両の移動を判定するための一つ以上の車両を含む。車線モジュールは、変更グループの一つ以上の車両の相対移動を解析して、自車両が車線変更を実施したかどうかのインジケータを生成する命令を含む。

一実施形態において、一つ以上のプロセッサによる実行時に一つ以上のプロセッサに一つ以上の機能を実施させる命令を含む、自車両についての車線変更の検出を改良するための非一時的コンピュータ可読媒体が開示される。命令は、自車両により周囲環境について取得されたセンサデータからの一つ以上の周囲車両の検出を受けて自車両に対する周囲車両の相対位置を推定する命令を含む。命令は、自車両が走行している現在車道に対する周囲車両のそれぞれの状況を判断する命令を含む。命令は、状況に従って一つ以上の周囲車両の相対移動を解析して、自車両が車線変更を実施したかどうかのインジケータを生成する命令を含む。

一実施形態では、自車両についての車線変更の検出を改良するための方法が開示される。一実施形態において、この方法は、自車両により周囲環境について取得されたセンサデータからの周囲車両の検出を受けて、自車両に対する周囲車両の相対位置を推定することを含む。この方法は、自車両が走行している現在車道に対する周囲車両の状況を判断することを含む。この方法は、状況に従って周囲車両を変更グループに選択的に分類することを含む。変更グループは、自車両の移動を判定するための一つ以上の車両を含む。この方法は、変更グループの車両の相対移動を解析して、自車両が車線変更を実施したかどうかのインジケータを生成することを含む。

明細書に組み込まれてその一部を成す添付図面は、開示の様々なシステム、方法、他の実施形態を図示している。これらの図に図示されている要素の境界線（例えばボックス、ボックスグループ、または他の形状）は、境界線の一実施形態を表す。幾つかの実施形態では、一つの要素が多数の要素として設計されるか、多数の要素が一つの要素として設計されてもよい。幾つかの実施形態で、別の要素の内部コンポーネントとして示されている要素が外部コンポーネントとして実装されてもよく、その逆でもよい。さらに、要素は一定比率で描かれていないことがある。

図１は、本願で開示されるシステムおよび方法が具現されうる車両の一実施形態を図示する。 図２は、識別された状況関係に従った車両の除外と関連する車線変更システムの一実施形態を図示する。 図３Ａ、３Ｂ、３Ｃおよび３Ｄは、車道と車道の除外区分とを図示する一連の図解である。 図４Ａおよび４Ｂは、異なる車道の除外区分の例を図示する図解である。 図５は、多数のランプを備える車道を図示する図解である。 図６Ａ、６Ｂ、６Ｃおよび６Ｄは、差圧の発生を図示するグラフである。 図７は、自車両の車線変更の推測と関連する方法の一実施形態を図示するフローチャートである。 図８は、状況に従って車両を除外することによる車線変更の判断の改良と関連する方法の一実施形態を図示するフローチャートである。

自車両の車線変更の検出の改良と関連するシステム、方法、および他の実施形態が開示される。上記のように、車道の特性（例えば、進入／退出ランプ）が例えば合流行動を通した周囲車両の集合的移動を誘発する時に、車道の他の車両の認知された相対移動を使用して自車両の車線変更を推測する際には、困難さが生じる。すなわち、多くの車両は進入／退出ランプの近くで相応の集団的移動を行う。多くの近隣車両によるこのような集団的移動は他の点では発生が珍しいものであるため、自車両はこの移動を自身の車線変更として誤認知しうるのである。ゆえに、自車両が妥当な車線区分線を認知しない時、車道の包括的な幾何学的マッピングを有さない時、および／または、車線位置／変更を理解する追加機構を通して他の形で動作を改良しようとする時に、周囲車両の移動組み合わせを相関させて自車両の移動（つまり車線変更）を推測するための開示アプローチが提供される。しかしながら、車道の特定の構造において発生する他の車両による集団的移動により、このアプローチには困難さが生じる。

それゆえ、今回提示される一つ以上のアプローチでは、進入／退出ランプなど特定の車道特徴が存在する時を自車両が判断する。自車両は車道の明確な幾何学形状の情報を有していないが、車両は、車線の数、進入／退出ランプの長手方向場所、ランプの両側の横方向場所、ランプの車線数、その他など、車道のメタデータ／セマンティクスを概ね知覚している。また、自車両は、周囲車両の監視された軌道に従って車道上の車線位置を概ね推定する。ゆえに、入手可能な情報および入力されるセンサデータを通して、自車両は、少なくとも一つのアプローチにおいて、進入／退出ランプなど明確な車道特徴に接近している時に周囲車両を検出して周囲車両の相対的な場所を推定することができる。

例えば、一態様において、開示のシステムは周囲車両を検出し、車道特徴に対する周囲車両の状況を被推定所在値から判断する。状況は概ね、進入ランプ、退出ランプ、平行車道、合流車線等に車両が所在するかどうかを含む。システムは、低ノイズ、高ノイズ、除去等の状況内で多様なカテゴリを規定できる。状況に従って、システムは、特定の周囲車両の状況を検討しながら自車両が車線変更を実施したかどうかを判断して誤検出の防止を容易にすることができる。一つのアプローチで、自車両は、自車両車線変更についての何らかの判断からランプと関連する状況を有する車両を簡単に除外／除去する。さらなる態様では、この状況／位置の車両が車線変更を実施しているという特定の確率に応じて、自車両は多様な状況について別々に重みを付ける。例えば、車線変更検出の実施時の検討のため、システムは、進入／退出ランプに所在する車両を除外する（例えば０の重みを割り当てる）一方で、高ノイズ車線（例えばランプの隣りの合流車線）の車両に部分重み（例えば０．５）を割り当てる。こうして、開示のシステムおよび方法は、上記の困難さを回避して、自車両車線変更の的確な判定を通して自車両の機能を改良する。

図１を参照すると、車両１００の一例が図示されている。ここで使用される際に、「車両」は何らかの形の動力付き輸送手段である。一つ以上の実装例で、車両１００は自動車である。ここでは自動車に関して形態が説明されるが、実施形態は自動車に限定されないことが理解されるだろう。幾つかの実装例で、車両１００は、例えば周囲環境の様態を認知するセンサを含むロボット装置または動力付き輸送手段の形式をとり、ゆえに車両１００の車線変更についての相対的判断を行う本明細書に記載の機能性が有利に働く。さらなる注意として、本開示は、周囲車両とともに車道上を走行しているものとして車両１００を一般的に記載し、周囲車両は車両１００自体と同じように解釈されることが意図されている。すなわち、周囲車両は、車道で車両１００が遭遇しうる車両（例えばオートバイ、トラクタ・トレーラ、乗用車、バス等）を含みうる。

付加的に、開示はさらに、多数の車道を含む車道を走行しているものとして車両１００を記載する。ゆえに、車線占有および車線変更を判断する今回のアプローチは様々な構成の多車線車道（例えば単一方向に走行する２，３，４本またはそれより多い車線）に適用されうる。概して、ここに提示されるアプローチは、自車両１００に対する車両の相対的配置を特徴とし、合流車線、進入ランプ、退出ランプ等と、例えば車道に固有の幾何学的構成など特定の車道特徴に対する車両位置の知覚は得られていない。ゆえに、今回のアプローチは、幹線道路と類似の合流交通構成が存在する他の車道とを内含する情況において適用可能である。また、取得されたセンサデータを通して周囲環境の知覚を展開する車両１００の観点から開示のアプローチが記述されるので、ここでは車両１００は自車両１００として概ね言及される。

車両１００は様々な要素も含む。様々な実施形態において、図１に示されている要素をすべて車両１００が有することが必要なわけではないことが理解されるだろう。車両１００は図１に示されている様々な要素の何らかの組み合わせを有しうる。さらに、車両１００は図１に示されている要素の追加要素を有しうる。幾つかの形態で、車両１００は図１に示されている要素の一つ以上を伴わずに具現されうる。様々な要素が図１の車両１００内に所在するものとして示されているが、これらの要素のうち一つ以上が車両１００の外部に所在しうることが理解されるだろう。さらに、示されている要素は大きな距離で物理的に分離されてよい。

考えられる車両１００の要素の幾つかが図１に示されており、後続の図とともに説明される。しかしながら、この説明の簡潔性を目的として、図２〜８について記述した後に図１の要素の多くの説明が提示される。付加的に、図示の簡易性および明瞭性のため、適切な場合には、対応または類似の要素を指示するのに参照符号が異なる図で繰り返されていることが了解されるだろう。加えて、記述ではここに記載の実施形態の完全な理解を与えるように多数の明確な詳細が概説される。しかしながら、ここに記載の実施形態がこれらの要素の様々な組み合わせを使用して実践されうることを当業者は理解するだろう。

いずれのケースでも、車両１００は、周囲車両と周囲車両の状況との検出に関するここに開示の方法および他の機能を実施して自車両１００の車線変更についての判断の異常を軽減するように具現される車線変更システム１７０を含む。上記の機能および方法は、図についてのさらなる記載により一層明白となるだろう。

図２を参照すると、図１の車線変更システム１７０の一実施形態がさらに図示されている。車線変更システム１７０は、図１の車両１００のプロセッサ１１０を含むものとして示されている。したがって、プロセッサ１１０は車線変更システム１７０の一部であるか、車線変更システム１７０は車両１００のプロセッサ１１０のうちの別々のプロセッサを含みうるか、車線変更システム１７０がデータバスまたは別の通信路を通してプロセッサ１１０にアクセスしうる。一実施形態において、車線変更システム１７０は、取得モジュール２２０と車線モジュール２３０とを記憶するメモリ２１０を含む。メモリ２１０は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、ハードディスクドライブ、フラッシュメモリ、またはモジュール２２０，２３０を記憶するための他の適当なメモリである。モジュール２２０，２３０は例えば、プロセッサ１１０による実行時にここに開示の様々な機能をプロセッサ１１０に実施させるコンピュータ可読命令である。

したがって、取得モジュール２２０は、プロセッサ１１０を制御して、車両１００の一つ以上のセンサからの、センサデータ２５０を形成するデータ入力を受信または他の形で取得するように機能する命令を概ね含み、これは存在しうる周囲車両を少なくとも含む車両１００の周囲環境の監視を具体化したものである。本記述は、例えばカメラ１２６を含む車両１００の多数のセンサを使用するセンサデータ２５０の取得を中心とする。しかしながら、一つ以上のカメラを備えるＬＩＤＡＲセンサなどのセンサ、多様なタイプのＬＩＤＡＲおよびカメラ、レーダとカメラの組み合わせ、ソナー、単一のセンサ（例えばカメラ）の使用、周囲車両のセンサの使用、あるいは車車間通信（Ｖ２Ｖ）または車両インフラストラクチャ間通信（Ｖ２Ｉ）を介して活用されるインフラストラクチャその他などさらなる構成を包含するように開示のアプローチが拡張されうることが了解されるべきである。

したがって、取得モジュール２２０は一実施形態において、それぞれのセンサを制御して、データ入力をセンサデータ２５０の形で提供うる。付加的に、様々なセンサを制御してセンサデータ２５０を提供するものとして取得モジュール２２０が記されるが、一つ以上の実施形態で、取得モジュール２２０は、能動的と受動的のいずれかであるセンサデータ２５０を取得する他の技術を採用できる。例えば、取得モジュール２２０は様々なセンサにより車両１００内のさらなるコンポーネントに提供される電子情報の流れからセンサデータ２５０を受動的に感知しうる。また、前に指摘したように、取得モジュール２２０は、センサデータ２５０の提供時に多数のセンサから、および／またはワイヤレス通信リンク（例えばＶ２Ｖ）を経由して１台以上の周囲車両から取得されるセンサからのデータを融合させる様々なアプローチを取ることができる。ゆえに、センサデータ２５０は、一実施形態で、多数のセンサから取得された測定値の組み合わせを表す。

センサデータ２５０自体は、例えば車道の車線および／または他の特徴（例えば進入／退出ランプ）に関して取得モジュール２２０が周囲車両の位置を推定するための自車両１００と周囲車両との間の相対的測定値を概ね提供する。センサデータ２５０は、例えば周囲車両および／または周囲環境の他の様態を識別するのに使用される測定値以外の情報（例えば軌跡）も含みうる。また、取得モジュール２２０は、一実施形態では、周囲環境の包括的な判定を提供するため、センサを制御して車両１００の周囲３６０度を包囲するエリアについてのセンサデータ２５０を取得する。言うまでもないが、代替的実施形態で、取得モジュール２２０は、例えば車両の周囲の追加領域および／または他の理由のために走査されない(例えば現在条件が既知であるため不要である)追加領域を含むさらなるセンサを車両１００が装備していない時には、前方方向のみについてセンサデータを取得しうる。

さらに、一実施形態において、車線変更システム１７０はデータストア２４０を含む。データストア２４０は一実施形態において、メモリ２１０または別のデータストアに記憶されて、記憶データの解析、記憶データの提供、記憶データの整理等のためにプロセッサ１１０により実行されうるルーチンを含む構成である電子データ構造（例えばデータベース）である。ゆえに、一実施形態において、データストア２４０は、様々な機能を実行する際にモジュール２２０，２３０により使用されるデータを記憶する。一実施形態で、データストア２４０は、例えば車道データ２６０などモジュール２２０，２３０により使用される他の情報とともに、センサデータ２５０を含む。言うまでもなく、さらなる実施形態において、データストア２４０は、被監視車両とこれらの車両の補間軌跡についての以前の相対的測定値を示す車両軌道などの追加情報も記憶する。

車道データ２６０は、自車両１００が走行している車道のセマンティックな記述を概ね含む。すなわち、車道データ２６０は、車線の数、進入ランプおよび退出ランプの場所、ランプの車線数、合流車線の場所、登坂車線の場所などのような車道についての情報を示す。また、位置は車道に沿った長手方向のインジケータ（例えばマイルマーカ）として概ね提供されるが、さらなるアプローチではＧＰＳ情報または他の適当な場所情報により指定されうる。

いずれのケースでも、車道データ２６０は、車道の概略構成を説明する情報を含む。しかしながら、車道データ２６０は、長手方向位置とランプ側の指定の他の幾何学的記述、あるいは車線、中央分離帯、ランプの場所、このような車線の他の様態が分析される車道の高解像度マッピングを含まない。ゆえに、車線変更システム１７０は、車線幾何学形状および機能についての明白な既定の情報なしで機能するように、少なくとも一つの態様では車線区分線の情報なしで機能するように、概ね規定されている。すなわち、車線変更システム１７０は、続いてより詳しく記載するように、測定履歴における周囲車両の軌道の解析を介して、自車両１００の現在車線と周囲車両の車線とを推測する。こうして、車線変更システム１７０は、区分線が摩耗している時や、悪天候条件（例えば雪）で見失う等の時に起こりうるように車線区分線の存在に関係なく、相対位置と走行車線とを識別するように機能できる。

車線モジュール２３０および／または取得モジュール２２０により活用されて上記の判断を行うセンサデータ２５０についてのさらなる説明として、センサデータ２５０は、３Ｄ点群データ、カメラ画像、カメラ１２６からの映像、レーダ測定などを含みうる。さらなる実施形態において、センサデータ２５０は、ここに記載のプロセスを支援するものとして様々なタスク（例えばモーションブラー補正）を実施するのに使用されうるさらなるセンサ（例えば慣性測定ユニット（ＩＭＵ））からの情報を含む。

取得モジュール２２０は一実施形態で、それぞれのセンサを制御してセンサデータ２５０を取得および提供すること以外の追加タスクを実施するようにさらに構成される。例えば、取得モジュール２２０は最初にセンサデータ２５０を解析して周囲環境（例えば背景、車道等）から周囲車両を区別する。様々なアプローチで、取得モジュール２２０は多様な物体認識技術を採用して周囲車両を識別する。周囲車両を識別するのに採用される特定の技術は、車両１００内の利用可能なセンサ、車両１００の計算能力（例えばプロセッサ出力）などに依存しうる。

一つのアプローチで、取得モジュール２２０は、畳み込みニューラルネットワーク（ＣＮＮ）など、取得モジュール２２０内に埋め込まれる機械学習アルゴリズムを使用して、周囲車両が識別および抽出されるセンサデータ２５０に対してセマンティックセグメンテーションを実施する。言うまでもなく、さらなる態様では、多様な機械学習アルゴリズムを採用するか、セマンティックセグメンテーションを実施するための多様なアプローチを実装し、これらは、深層畳み込みエンコーダ・デコーダアーキテクチャ、拡張畳み込みを使用するマルチスケール状況集約アプローチ、イメージで表される別々の物体クラスについてセマンティックラベルを生成する別の適当なアプローチを含みうる。取得モジュール２２０がどの特定アプローチを具現しても、取得モジュール２２０は、一つ以上の実施形態で、センサデータ２５０で表される周囲車両を識別する出力を提供する。こうして、車線変更システム１７０は周囲環境の物体を区別し、別々の物体についての付加的な判断をシステム１７０に実施させる。

結果的に、取得モジュール２２０は、周囲車両の相対位置についての測定値をセンサデータ２５０から取得するため周囲車両を識別することが概ね可能である。ゆえに、例として挙げると、取得モジュール２２０は、一つのアプローチで、最初にセンサデータ２５０を取得し、多数のセンサからのセンサデータ２５０を融合し（つまり情報を記録して組み合わせ）、センサデータ２５０内の周囲車両を識別し、そして周囲車両と関連する相対位置の測定値を判断する。取得モジュール２２０は、例えば自車両１００の中心位置に対する周囲車両の各々についてのセンサデータ２５０を解析することにより、測定値を判断する。すなわち、一つのアプローチで、取得モジュール２２０は車両１００の重心から周囲車両までを測定する。代替的に、取得モジュール２２０は、自車両１００が走行している車線の中心点から、自車両１００の前縁部中心点、制御センサの場所、自車両１００の別の規定点を測定する。いずれのケースでも、取得モジュール２２０は、測定値の間に一貫性を維持するため、点をまとめて単一の基準点に変換するか、上記の点のうち単一の点を概ね使用する。

したがって、取得モジュール２２０は特定の実装例のために測定機構を変化させうるが、自車両１００に対する位置の的確な相対的判定として測定値を提供する。付加的に、取得モジュール２２０は一実施形態において、識別された周囲車両についてのセンサデータ２５０から測定値を提供する。測定値は、一実施形態において、自車両１００の測定点に対する距離および方向の量である。ゆえに、測定値は、距離および方向、直線量（例えば２Ｄ平面での二つの終点等）の形であるか、別の適当な形でありうる。一つのアプローチで、測定値は、単独の周囲車両と関連する測定履歴（利用可能時）を維持するデータ構造で提供される。取得モジュール２２０は、例えば、測定値のタイムスタンプ、測定値と関連する周囲車両の一意な識別子、位置、位置分散を記憶する構造体として、個々の測定値を提供する。位置の詳細な形は実装例に従って変化しうる。概して、前述したように自車両１００の測定点に対する車道平面での相対的２Ｄ位置として、位置が提供される。代替的に、取得モジュール２２０は、高度変化を表す自車両１００に対する３Ｄ点として位置を生成しうる。

いずれのケースでも、取得モジュール２２０は、一つ以上のアプローチで、各周囲車両についての位置履歴としてデータ構造の測定値をまとめて記憶できる。取得モジュール２２０は、自車両１００からの相対距離範囲にわたって測定値履歴により周囲車両を追跡しうる。すなわち、例えば、取得モジュール２２０は自車両１００の前後１００メートルの距離にあって自車両１００と同じ方向に概ね走行している周囲車両を最初に取得できる。ゆえに、周囲車両がこの追跡範囲から外れると、周囲車両についての測定値が履歴から除去され、記録されるか、さもなければ車線占有判断の状況においてもはや検討されなくなる。＋／−１００ｍの追跡範囲に注目すると、システム１７０により具現される特定の追跡範囲はセンサ忠実度および／または他の制御要因に従って変化しうることが了解されるべきである。

続いてより詳しく記載すると、取得モジュール２２０は、周囲車両についての測定値を使用して、現在推定される車両１００に対する相対位置を特殊なやり方で識別するか、周囲車両を追跡して周囲車両および／または自車両１００の特定の車線占有を確定する。この目的のため、推定される現在相対位置が概ね参照される。なぜなら現在位置は現在の判断に影響する状況的な場所（例えば進入／退出ランプ）に周囲車両が現在所在しているかどうかを示すからである。しかしながら、車線変更システム１７０が、別々に、または追加システムとの組み合わせで、測定履歴／追跡を使用して、自車両１００および周囲車両の車線を互いに関する経時的な追跡の解析を通して判断できることが了解されるべきである。

また、図２をさらに参照すると、一実施形態において、車線モジュール２３０は、プロセッサ１１０を制御して様々な動作を実行させる命令を概ね含む。例えば、一実施形態において、車線モジュール２３０は、取得モジュール２２０の測定値から周囲車両の状況を判断する。車線モジュール２３０は、様々な実装例で、状況を異なるやり方で規定しうる。例えば、一つのアプローチで、車線モジュール２３０は状況を２値の形で規定する。すなわち、車線モジュール２３０は、周囲車両が進入／退出ランプに所在している（つまりその境界線内にある）か、単に車道を走行しているかを判断する。ゆえに、周囲車両が推定による相対位置に従って判断されるように進入／退出ランプまたは別の指定エリアにある時に、車線モジュール２３０は、車線変更判断について周囲車両を検討しないように、周囲車両の状況を除去・除去済みとして事前設定する。結果的に、割り当てられる周囲車両の状況は効果的に車両を検討から除外できる。

さらなるアプローチで、車線モジュール２３０は、可変の程度／レベルで状況を規定する。例えば、車線モジュール２３０は、低ノイズ、高ノイズ、除去を含む三つの別々のレベルを規定しうる。低ノイズは、集団的移動の確率が低い車線／領域を概ね示し、ゆえに低ノイズ状況を有する車両は解析において充分に検討される。高ノイズは、進入／退出ランプに近接する車線など集団的移動の確率が高い車線／領域を示し、除去は、進入／退出ランプ自体、合流車線、終点になる車線などのように、集団的移動の確率が非常に高い車線／領域を示す。ゆえに、車線モジュール２３０は、１―低ノイズ、０．５―高ノイズ、０―除去などの重みを割り当てうる。言うまでもないが、さらなる実装例で、車線モジュール２３０はさらなるカテゴリ／レベルを規定してもよく、例えば学習済みの場所確率に従って多様な重みを割り当てうる。いずれのケースでも、車線モジュール２３０は、自車両１００に関する相対位置を使用して現在車道に対する周囲車両の状況を判断する。

周囲車両の状況についてのさらなる説明として、車道３００の四つの別々の図を示す図３Ａ〜Ｄを検討する。車道３００は、図３Ａの自車両１００に加えて、進入ランプ３１０と退出ランプ３２０と車両３３０，３４０，３５０，３６０とを含む。ゆえに、図３Ｂに示されているように、進入ランプ３１０から車道３００へ合流するそれぞれの車両３３０，３４０，３５０，３６０の経路が図示されている。図３Ｂには集団的動作エリア３７０が図示されている。図３Ａの車両は車道３００へ合流するものとして示されているが、車道から退出ランプ３２０へ出る車両についても同様の集団的動作領域が示されている。図３Ｃは、上記の２値状況アプローチで具現されるような二つの別々の状況３８０，３９０を図示している。図３Ｄは、車線モジュール２３０が例えば部分重み（例えば０．５）を割り当てる追加の高ノイズ領域３９５を含む三つの別々の状況を伴う重み付けの例を図示している。

言うまでもないが、特定の状況構成は実装例と具体的な道路構造とに応じて変化しうる。図４Ａおよび４Ｂに示されているように、進入ランプ４００と退出ランプ４１０とを有する３車線車道について重み付けされた状況が図示されている。例えば、ランプ全体での車両動作は車道まで一定であると予想されるので、進入ランプを含む車道４００は進入ランプ全体に除去の重みを付ける。しかしながら、ランプが存在するため、既存車両が流入してくる交通を予測して中央車線へ合流すると予想されるので、ランプの前の領域４２０は高ノイズ状況と識別される。車両が車道に、さらにはより奥の車線（例えば中央車線）に合流すると予想されるため、領域４３０は高ノイズと識別される。一方で領域４４０は、合流した車両がさらに左側の車線へ合流を続けると予想されるため、高ノイズである（つまり部分重みが付けられる）。退出ランプ車道４１０の事例では、４５０の退出ランプより前の多数車線が高ノイズになり、退出ランプに近接する車線４６０は、これらの場所での退出路への集団的移動の確率が高いため、高ノイズである。図５は、左進入ランプ５１０と右退出ランプ５２０とを含む３車線を備えるさらなる車道の例５００を図示している。図のように、高ノイズ領域５３０は、車道５００上での既存車両の移動のためのリードエリアと、進入ランプ５１０から車道へ入る車両のための合流エリアとを含む。高ノイズ領域５４０は、退出ランプ５２０と平行でこれに接近する２本の車線を含む。ゆえに、車道の構成に応じて、車線モジュール２３０は様々な形態の状況を規定しうる。

図２に戻ると、車線モジュール２３０は、状況に従って周囲車両を変更グループに選択的に分類する。一実施形態において、車線モジュール２３０は、自車両の移動（つまり車線変更）を判定する時に検討される車両を含むように変更グループを規定する。ゆえに、変更グループは一実施形態において、ゼロ以外の重みが割り当てられる周囲車両を含む。例えば、第１の状況事例（例えば２値）では、車線モジュール２３０は本質的に二つの重み（０と１）を規定する。すなわち、車道の除去セグメント（例えばランプ）を走行している車両はゼロの重みを割り当てられ、一方で他の車両は１の重みが割り当てられる。そのため、車線モジュール２３０はゼロの重みを割り当てることにより車両を効果的に除外し、こうしてこれらの車両を変更グループの一部として検討することはない。同様に、より精細な粒度での検討が行われる状況用の部分重みを車道構成に割り当てることにより、各車両を、部分的な検討のための変更グループ（例えば高ノイズ車線）に選択的に追加する。

それから車線モジュール２３０は、状況について割り当てた重みに従って変更グループの車両の相対移動を解析して、自車両１００が車線変更を実施したかどうかを判断する。例えば、監視される周囲車両のすべてが同じ方向に調和して移動することはほぼないので、車線モジュール２３０は、自車両自体の動作として車線上の周囲車両について認知された集団的移動を相関させる。自車両１００の動作を推測するこのアプローチは、車線区分線が存在しない時など様々な情況での判断を改良する。

認知された周囲車両の動きから車線モジュール２３０が自車両の動きをどのように推測するのかの理解をさらに得るため、認知された周囲車両の動きの多数の例を図示する図６Ａ〜Ｄを検討する。図６Ａの例は、車線モジュール２３０が自車両１００の実際の車線変更を検出する事例を図示している。図６Ａの例に示されているように、自車両１００は、３台の周囲車両が前方走行経路を維持している間に車線を変更する。ゆえに自車両１００により認知されるように、周囲車両は６Ａの例で、すべて集団的に左へ移動しているように見える。車線モジュール２３０はこの集団的移動を自車両１００自体の車線変更と解釈する。なぜなら、このような集団的移動は、車線変更以外の場合には珍しいものであり、実際の動きが自車両１００によるものである時に認知されるのと同じようには、一般的に同期しないからである。

続いて図６Ｂでは、一台の周囲車両が自車両１００の左へ車線変更しており、他の周囲車両が直線車線を走行し続けるという事例が図示されている。このような情況で、車線モジュール２３０は周囲車両の動きを解析し、集団的移動に反するものとして一台の車両の単独移動を監視する。ゆえに、車線モジュール２３０は６Ｂの例については車線変更と推測しない。図６Ｃに図示されている例は、進入ランプと退出ランプの両方を含み３台の車両が進入ランプから車道へ合流する一方で自車両１００が直線経路を走行しつづける車道を示している。自車両１００は合流車両の集団的移動を認知し、間違って車線変更と指摘する。なぜなら、図６Ｃの例に示されているようにシステム１７０は状況を識別して車両を選択的に分類するようには機能しないからである。もし開示のアプローチに従って車線変更システム１７０が合流車両を除外していた場合には、間違った車線変更の推測が結果的に回避されていることが了解されるべきである。

図６Ｄは、進入ランプから生じる間違った判断の別の発生を図示している。６Ｄの例に示されているように、３台の車両が進入ランプから車道へ合流する間に自車両１００は左へ車線を変更する。ゆえに、自車両１００により認知される合流車両の動きは、合流車両が自車両１００に対して前進軌道を維持する一方で前方の一台の車両が右へ車線を変更するように見えるというものである。したがって、６Ｄの実例で、合流車両の集団的移動が自車両１００の車線変更の動きを相殺してしまうことで、自車両１００が車線を変更していないという間違った判断につながる。言うまでもないが、もし６Ｄの例で、車線変更解析において車線変更システム１７０が周囲車両を検討から除外するように機能していたとすると、車線モジュール２３０は３台の合流車両を検討に入れず、代わりに右前方の車両の動きを監視して自車両１００の車線変更を的確に推測すると予想される。

自車両の車線変更の検出を改良する付加的な態様が、図７に関連して記載される。図７は、周囲車両の相対位置を使用して自車両１００などの、車線占有についての判断を行うことに関連する方法７００のフローチャートを示している。図７の記載は状況情報として提供され、開示される取得モジュール２２０および車線モジュール２３０のプロセスがどのように車線判断および車線変更判断に介入して機能性全体を改良するかをさらに明瞭にする。方法７００は、図１および２の車線変更システム１７０の観点から記載されている。方法７００は車線変更システム１７０との組み合わせで記載されているが、方法７００は車線変更システム１７０内での具現に限定されず、むしろ方法７００を具現しうるシステムの一例であることが了解されるべきである。

７１０で、取得モジュール２２０はセンサシステム１２０を制御してセンサデータ２５０を取得する。一実施形態で、取得モジュール２２０は車両１００のＬＩＤＡＲセンサ１２４とカメラ１２６とを制御して周囲環境を監視する。代替的または付加的に、取得モジュール２２０はカメラ１２６とレーダ１２３または別のセンサ集合を制御してセンサデータ２５０を取得する。センサを制御してセンサデータ２５０を取得することの一部として、自車両１００の周囲の領域のセンサデータ２５０をセンサが取得し、多様なタイプのセンサから取得されたデータは、各時間ステップでの周囲環境の包括的なサンプリングを提供するために概ね重複していることは概ね理解されている。概して、センサデータ２５０は周囲環境の全く同じ境界領域のものである必要はないが、エリアの個別の様態が相関されうるように充分な重複エリアを含むべきである。こうして、取得モジュール２２０は、一実施形態において、センサを制御して周囲環境のセンサデータ２５０を取得する。

また、さらなる実施形態において、取得モジュール２２０はセンサを制御して連続的な反復または時間ステップでセンサデータ２５０を取得する。こうして、車線変更システム１７０は、一実施形態において、ブロック７１０〜７６０に記載の機能を反復的に実行してセンサデータ２５０を取得し、これからの情報を提供する。さらに、取得モジュール２２０は、一実施形態において、認識の更新を維持するため上記の機能のうち一つ以上を別々に監視するため並列的に実行する。付加的に、上記のように、取得モジュール２２０は、多数のセンサからデータを取得する時に、データを一緒に融合してセンサデータ２５０を形成し、検出、所在場所などの判断を改良する。

７２０で、取得モジュール２２０は、自車両１００とともに車道を走行している周囲車両を検出する。一実施形態において、取得モジュール２２０は、上記のように、周囲車両を検出／識別するため、セマンティックセグメンテーションまたは別の物体認識ルーチンをセンサデータ２５０に適用する。付加的に、取得モジュール２２０は単一の周囲車両を識別するものとして概ね記載されるが、ここに開示されるシステムおよび方法は、検出される周囲車両の数「ｎ」について上記のタスクを並列的に実施し、「ｎ」はゼロより大きい整数値であることが了解されるべきである。

言うまでもないが、取得モジュール２２０は、空、道路、建物、車線区分線、カーブ、歩道、標識、支柱、樹木などのようなさらなる特徴も、周囲車両に加えて識別しうる。こうして、車線変更システム１７０は周囲環境の様態の間を区別して周囲車両を抽出する。また、取得モジュール２２０は、一つのアプローチにおいて、他の車両、インフラストラクチャセンサ、高解像度マップなどのような一つ以上の追加ソースをさらに採用して、周囲環境の多様な様態（例えば車線区分線）の輪郭を定める。

７３０で、取得モジュール２２０は、７２０で検出された周囲車両の相対位置を自車両１００に対して判断（例えば推定）し、可能な場合には車両軌道を更新する。一実施形態では、上記のように、自車両が走行している車線の中心点から、また自車両１００の車線での長手方向の場所に対して、相対位置が判断される。さらなる態様では、自車両１００の重心または別の適当な場所から相対位置が判断される。いずれのケースでも、取得モジュール２２０は、周囲車両の横方向幾何学中心の測定値として相対位置を判断する。ゆえに、相対位置は例えば、自車両１００が中心に所在する二次元座標系の位置に従って概ね規定される。

付加的に、取得モジュール２２０は自車両１００に対する周囲車両について車両軌道を更新する。一実施形態において、取得モジュール２２０は、周囲車両の前回測定値の測定履歴に測定値を付加し、前回の更新以来の自車両の動きに従って前回測定値を調節する。取得モジュール２２０は、測定の間での周囲車両の追跡を容易にする一意な識別子を周囲車両と関連付ける。一態様において、取得モジュール２２０は、自車両１００の動きに従って周囲車両の測定履歴を更新して相対座標を維持する。取得モジュール２２０は、更新された履歴から更新後の車両軌跡を生成できる。車両軌跡は、周囲車両の推定経路を規定する測定履歴のパラメータ表示である。ゆえに、取得モジュール２２０は、一つのアプローチで、スプライン補間または別の適当なアプローチに従って車両軌道を補間する。このようにして、自車両に対する周囲車両の概略経路が規定される。言うまでもないが、取得モジュール２２０が履歴を限定するか、さもなければ周囲車両の軌道をさらに検討しない（例えば、車線位置判断を伴わない車線変更判断のみ）という様々な事例で、取得モジュール２２０は、軌道または経路を生成することなく相対位置を簡単に判断してよい。

しかしながら、７３０で車線変更システム１７０が周囲車両および自車両１００の車線位置／占有も判断する際に、車線モジュール２３０は、車両軌道にわたる、そして監視される環境の様態から直接、または自車両１００を含む様々な車両軌道の配置からの推測を介して、自車両１００により識別される車線の区画に従った周囲車両についての平均横方向オフセットを表す個別の確率を判断する。すなわち、車線モジュール２３０は例えば車道上の対応の場所での自車両１００の軌道からの横方向オフセットを判断する。概して、車線モジュール２３０は、例えばガウス分布に従って横方向オフセットを確率分布として計算する。横方向オフセットは、自車両１００および周囲車両の車両軌道の間で判断される。車両軌道車線が車線間からはみ出さない時に、軌道、つまり経時的な横方向オフセットは、概ね車線と相関する。

したがって、車線モジュール２３０は、車両軌道にわたる横方向オフセットを使用して周囲車両の平均横方向位置について個別の確率を計算する。一実施形態において、車線モジュール２３０は逆分散重み付けの形を使用して別々の横方向オフセット分布を組み合わせて単一の個別確率を得る。さらなる実施形態で、車線モジュール２３０は、修正された形のベイズ推定、カルマンフィルタリング、または別の適当なアプローチを具現して周囲車両についての横方向オフセット分布から個別の確率を生成する。いずれのケースでも、結果的に得られる個別の確率は、周囲車両の予想相対位置についての単一の個別値である平均横方向オフセットを表す。

車線モジュール２３０は、一つ以上の実施形態で、個別の確率を使用して周囲車両の予想横方向位置を示す位置確率を生成する。すなわち、車線モジュール２３０は、車両が走行している車道の周知の構成（例えば車線の数）との組み合わせで個別の確率を使用して、自車両１００を含む車両の各々の予想走行車線を判断する。

一つ以上の実施形態において、７３０で車線モジュール２３０はさらに位置確率を占有閾値（例えば最小確率）と比較して、周囲車線のうち関連する車線を車両が占有する許容度を位置確率が示しているかどうかを判断する。いずれのケースでも、車線変更システム１７０はブロック７１０〜７３０で、入手可能な情報に従って自車両１００を含む車両の相対位置および／または軌道を概ね判断するように機能する。

７４０で、車線モジュール２３０は周囲車両の相対移動を解析する。一実施形態において、車線モジュール２３０は、周囲車両による集団的移動の証拠を通して自車両１００が車線を変更したと判断する。すなわち、図６Ａのように、協調的かつ集団的であると思われる（つまりすべての車線が調和して移動する）動きを自車両１００が認知する際に、車線モジュール２３０はこの集団的動作を自車両１００の車線変更と推測する。概して、自車両の基準枠は周囲環境を参照して静的または静止と解釈され、自車両１００自体が他の物体に対する移動の原因である可能性があっ、周囲環境内の物体が移動しているように見える。そのため、自車両１００の移動は周囲車両／物体の集団的移動として認知され、システム１７０はこの集団的移動を車両１００による移動の証拠として使用できる。言うまでもなく、上記のように、車両１００と同期的な移動、特定の車道特徴での集団的移動等のように様々な情況が生じ、これは車線変更判断でのこのような証拠の使用を困難にする。いずれのケースでも、認知される周囲車両の相対的な動きは自車両１００による実際の動きの付加的な証拠となり、これは車線変更判断全体を改良する。

付加的に、車線モジュール２３０は、環境の被監視点（つまり周囲車両）の移動追跡を介して相対的な動きを概ね解析する。一つのアプローチで、車線モジュール２３０は測定履歴から成る車両軌道を使用して、規定の時間枠（例えば１．０秒）にわたって測定値を明確に調査する。さらなる態様で、取得モジュール２２０は相対的な測定値で軌跡を符号化して相対移動の判断を行う。例えば、取得モジュール２２０は、一つのアプローチで、相対的な動きの指示を提供するため、センサデータ２５０の一部であるレーダデータからの判断により相対位置の測定値を符号化する。ゆえに、車線モジュール２３０は、別々の周囲車両の相対的な動きを解析して、集団的な動きが存在する時を判断して自車両１００の車線変更を推測する。

７５０で、車線モジュール２３０は相対的な動きが車線変更を示すかどうかを判断する。一実施形態において、車線モジュール２３０は、例えば車両の閾値数がまとまって相対的な動きを表す時に自車両１００の車線変更を指摘する。例えば、図６Ｂに示されているように、３台の周囲車両のうち１台のみが動きを見せる。ゆえにこの動きは独立しており、他の周囲車両との集団的なものではない。それゆえ、図６Ｂに示されているように、動きは車線変更を示すのに不充分である。しかしながら、図６Ａの例に図示されているように、被監視車両すべてが左に移動しているように見えるので周囲車両の相対的な動きは集団的であることにより、車両１００の右への車線変更を示す。様々な実装例で、車線変更を判断するための閾値は変化しうる。例えば、一つのアプローチにおいて、システム１７０は、集団的な動きを識別するための被監視車両の数を、被監視グループのパーセンテージ（例えば７５％）として規定しうる。さらなるアプローチで、システム１７０は、集団的な動きを有する車両の最小数（例えば少なくとも２台）を規定して車線変更を推測しうる。いずれのケースでも、閾値を規定するのに使用される車両の数／パーセントは、本アプローチを使用する車線変更の判断の信頼性と相関し、それゆえ特定の実装例および関連の制約を概ね受ける。

７６０で、車線モジュール２３０は車線変更の発生を明確にするインジケータを生成する。一実施形態で、車線モジュール２３０は、車両バス（例えばＣＡＮバス）を経由して車両１００内の様々なコンポーネント／システムへインジケータを電子通信し、車両１００の車線位置および現在操作についてコンポーネント／システムの事態認知を更新するか少なくとも補足する。すなわち、少なくとも一つのアプローチでは、車線変更の指示がシステム１７０により適用されて、ある車線を車両が走行している可能性を更新する。例えば、車線モジュール２３０は、車線変更と車線変更の方向とを指定するインジケータを自律運転モジュール１６０に提供し、自律運転モジュールはこの指示を使用して経路計画および／または他の自律的または半自律的な機能を更新する。さらなる態様で、車線モジュール２３０はインジケータを使用して、車線保持システムの一部としてのアラートをオペレータに提供する。いずれのケースでも、車線モジュール２３０はインジケータを使用して、少ない交通量、悪い運転条件（例えば雪）、車線区分線の消失などの状況ではとりわけ、車両１００の事態認知全体を向上させうる。

自車両についての車線変更の検出を改良する付加的な態様が図８に関して記載される。図８は、周囲車両の相対的な動きと車道特徴についての知覚とを使用して誤った車線変更検出を軽減することに関連する方法８００のフローチャートを示している。図８は、方法７００を概ね反復したものである様々な機能ブロックを含み、ゆえに、簡潔性を目的として重複する記載は省略される。方法８００は、図１および２の車線変更システム１７０の視点から記載される。方法８００は車線変更システム１７０との組み合わせで記載されるが、方法８００は車線変更システム１７０内で具現されるものに限定されず、むしろ方法７００を具現しうるシステムの一例であることが了解されるべきである。

図のように、ブロック７１０，７２０，７３０に関連して記載される取得モジュール２２０の機能性は、概ね図７の記載ですでに指摘したものである。したがって、簡潔性を目的として、記載は繰り返されない。

８１０で、車線モジュール２３０は周囲車両の状況を判断する。一実施形態において、車線モジュール２３０は７３０で判断された推定による相対位置を車道についての周知の車線構成と相関させて、状況を判断する。すなわち、車線モジュール２３０は、自車両１００の車線位置を概ね知覚している。ゆえに、車線モジュール２３０は、車道の詳細な幾何学的構成が未知であっても、相対位置（つまり自車両１００に対する距離および角度）を使用して周囲車両の予想場所を判断する。ゆえに、車線モジュール２３０は、一つのアプローチで、車道の車線数と、進入／退出ランプの長手方向場所とを使用して、周囲車両の車線位置を判断する。

一例として、車線モジュール２３０は、自車両１００の現在車線位置が３車線幹線道路の車線２であることを知る。車線モジュール２３０はさらに、車線の数（つまり３）と進入ランプの場所とを知覚する。そのため、車線モジュール２３０は、車道の標準的な車線幅と既知の構成とにしたがって様々な周囲の車線／ランプまでの距離を概ね知ることになる。一つのアプローチで、車線モジュール２３０は周囲車両の横方向オフセットを判断して、周囲車両の測定距離から相対的車線位置を判断する。こうして、車線モジュール２３０は、特定の車線との関連性に従って規定される推定位置、ゆえに状況を、多様な周囲車両に割り当てる。

一つのアプローチで、車線モジュール２３０は規定のスキーマを使用して、状況、または代替的に状況を規定する車道の規定マッピングを割り当てる。例えば、スキーマは、車線および車線区分を除外区分として規定する属性を示しうる。様々なアプローチで、スキーマは、２値の除外／非除外の定義（例えば除去と低ノイズ）に従って除外区分を規定し、除外される状況は、進入／退出ランプ車線と、また一つのアプローチでは近接する別々の車道の車線（例えば側道、地方道路等）と相関する。別々のアプローチで、スキーマは精細な粒度で、そして部分的に状況を規定しうる。すなわち、図４Ａ、図４Ｂと図５に関して上述したように、進入／退出ランプへの近接度に従って、第１重みを使用する進入／退出ランプ、第２重みの近接／合流車線、そして第３重みの他の車線または車線部分を規定しうる（例えば、除去、高ノイズ、低ノイズ）。言うまでもないが、様々な実装例で三つのカテゴリが概ね記載されているが、割り当ての粒度をより精細にするようにカテゴリの数が増加されてもよい。

いずれのケースでも、スキーマは、関連の車線／領域を走行している車両が自車両１００の車線変更の判断のために検討されるべきかどうかに従って多様な状況を規定する。ゆえに、２値アプローチのケースで、スキーマは、検討から除去される車両とランプを関連付ける状況を規定する。精細な粒度の検討の事例で、スキーマは、車両を除外する（例えばゼロの重みを割り当てる）ゾーンとしてランプを規定し、部分的に車両を検討する（例えば０．５の重みを割り当てる）ゾーンとしてランプに近接する合流車線／車線区分を規定し、そして充分に車両を検討する（例えば１の重みを割り当てる）エリアとして残りの車線／ゾーンを規定する。スキーマは、一つ以上のアプローチで、多様な状況と隣接車線の数に含めるランプ前後の距離を規定する。

スキーマは、異なる車道構成については異なる形でゾーンを規定できることが了解されるべきである。例えば、図４Ｂの例４１０に示されているように、退出ランプに通じる多数車線を越えて合流する車両を考慮するため、高ノイズ／部分重み状況は退出ランプの車道の多数車線に延在しうる。また、図４Ａの例４００に示されているように、高ノイズ／部分重み状況は、ランプの前および／またはランプを過ぎたところの車線のエリアまで延在しうる。このようなケースで、高ノイズ状況ゾーンは概ね、他の車両が車道へ合流できるように移動する既存車両と、続いてランプの後で別の車線へ移動する合流車両を考慮している。いずれのケースでも、車道の特定構成に従って、また自車両１００の車線変更判断を困難にする車両に共通の集団的移動エリアを考慮するため、スキーマは別の状況ゾーンの詳細な構成を規定できる。上記のように、さらなるアプローチで、車線モジュール２３０は、車道を走る車両を別々に監視することで経時的に集約および解析されるように、車道の特定区分について学習された行動に従って状況ゾーン（ここでは除外区分とも呼ばれる）を規定しうる。

８２０で、車線モジュール２３０は状況に従って周囲車両を変更グループに選択的に分類する。概して、変更グループは、車線モジュール２３０がその移動を基準にして自車両１００の車線変更の判断を行う周囲車両を含む。ゆえに、車線モジュール２３０は特定のアプローチに従って周囲車両を多様な形で選択的に分類しうる。すなわち、車線モジュール２３０は、割り当て状況と関連して割り当てられる重みを使用して仮想的に車両を変更グループに分類する。例えば、ゼロの重みを割り当てると、車両を検討から効果的に除去し、ゆえに車両を変更グループから除外する機構として機能しうる。さらなる例で、車線モジュール２３０は別のデータ構造を維持し、例えば、変更グループに含まれる車両の識別子または他の情報を能動的に追加しうる。概して、車線モジュール２３０は、共通の集団的移動のエリア（つまりランプのような除外区分）にある車両が検討から除去されるように、変更グループを規定し、このような移動により以後の判断が負の影響を受けないようにする。

７４０の記載と概ね並列である８３０で、車線モジュール２３０は、変更グループ内に含まれる車両の相対移動を解析する。一実施形態では、前に明記したように、自車両１００が車線間で移動したかどうかを判断するため車線モジュール２３０が車両の現在軌跡を検討する。特に、８３０で、車線モジュール２３０は、一実施形態で、変更グループに分類される車両を、車両のそれぞれの状況により規定される程度にのみ検討する。

例えば、車線モジュール２３０は、特定車両の状況ゾーンに対応する割り当て重みに従って変更グループの周囲車両を検討する。ゆえに、車線モジュール２３０は概して、低ノイズの走行車線と反対の高ノイズ車線の車両に少ない重みを付与する。車両に別々の重みを付けると、間違った車線変更の判断を回避するとともに、車道で利用可能な車両が少ない時に判断を行う能力も得られる。

変更グループの車両を解析する際に、車線モジュール２３０は、図７の方法７００と関連して記載したのと同じやり方で次の７５０および７６０での解析へ進む。しかしながら、車線モジュール２３０により方法８００の８１０〜８３０で検討されたような車両の状況位置についての付加的な認識により、明瞭な車線区分線が利用可能でないかあるいは天候や他の情況のために検討されない情況ではとりわけ、自車両１００の車線変更の判断が改良されることが了解されるべきである。そのため、方法８００に関連して記載したアプローチは、位置／移動の知覚改良を通して車両１００の情況知覚全体を改良するように機能する。

さて、ここに開示されるシステムおよび方法が機能する環境例として図１が充分に詳しく記載される。幾つかの事例で、車両１００は自律モード、一つ以上の半自律動作モード、および／または、手動モードの間で選択的に切り替わるように構成される。このような切り替えは適当なやり方で具現されうる。「手動モード」は、車両の誘導および／または操作のすべてまたは大半がユーザ（例えば運転者の人間）から受け取られた入力に従って実施されることを意味する。一つ以上の形態において、車両１００は手動モードのみで機能するように構成される従来の車両でありうる。

一つ以上の実施形態において、車両１００は自律車両である。ここで使用される際に、「自律車両」は自律モードで機能する車両を指す。「自律モード」は、運転者の人間からの最小の入力で、または入力無しで車両１００を制御する一つ以上の計算システムを使用して車両１００を走行ルートで誘導および／または操作することを指す。一つ以上の実施形態において、車両１００は高度自動化または完全自動化されている。一実施形態で、車両１００は、一つ以上の計算システムが走行ルートにおいて車両１００の誘導および／または操作の一部分を実施し、車両オペレータ（つまり運転者）が車両に入力を提供して走行ルートにおける車両１００の誘導および／または操作の一部分を実施する一つ以上の半自律動作モードを備える構成である。このような半自律動作は、車両１００が規定の状態制約内にあることを保証するように車線変更システム１７０により具現される監視制御を含みうる。

車両１００は一つ以上のプロセッサ１１０を含みうる。一つ以上の形態で、プロセッサ１１０は車両１００のメインプロセッサでありうる。例を挙げると、プロセッサ１１０は電子制御ユニット（ＥＣＵ）でありうる。車両１００は、一つ以上のタイプのデータを記憶するための一つ以上のデータストア１１５を含みうる。データストア１１５は揮発性および／または不揮発性のメモリを含みうる。適当なデータストア１１５の例は、ＲＡＭ（ランダムアクセスメモリ）、フラッシュメモリ、ＲＯＭ（リードオンリメモリ）、ＰＲＯＭ（プログラマブルリードオンリメモリ）、ＥＰＲＯＭ（消去可能プログラマブルリードオンリメモリ）、ＥＥＰＲＯＭ（電気的消去可能プログラマブルリードオンリメモリ）、レジスタ、磁気ディスク、光学ディスク、ハードドライブ、または他の適当な記憶媒体、あるいはこれらの組み合わせを含む。データストア１１５はプロセッサ１１０のコンポーネントであるか、データストア１１５は使用のためプロセッサ１１０に動作接続されうる。本明細書を通じて使用される「動作接続」の語は、直接的な物理的接触を伴わない接続を含む直接的または間接的な接続を含みうる。

一つ以上の形態において、一つ以上のデータストア１１５はマップデータ１１６を含みうる。マップデータ１１６は、一つ以上の地域のマップを含みうる。幾つかの事例で、マップデータ１１６は、道路の情報またはデータ、交通制御装置、道路区分線、構造、特徴、および／または一つ以上の地域の目印を含みうる。マップデータ１１６は何らかの適当な形でありうる。幾つかの事例で、マップデータ１１６はエリアの鳥瞰図を含みうる。幾つかの事例で、マップデータ１１６は、３６０度地勢図を含めてエリアの地勢図を含みうる。マップデータ１１６は、マップデータ１１６に含まれる一つ以上の項目についての、および／または、マップデータ１１６に含まれる他の項目に対する測定値、寸法、距離、および／または情報を含みうる。マップデータ１１６は、道路幾何学形状についての情報を伴うデジタルマップを含みうる。マップデータ１１６は高品質および／または高詳細でありうる。

一つ以上の形態において、マップデータ１１６は、一つ以上の地形マップ１１７を含みうる。地形マップ１１７は、一つ以上の地域の地面、地形、道路、表面、および／または他の特徴についての情報を含みうる。地形マップ１１７は一つ以上の地域での標高データを含みうる。マップデータ１１６は高品質および／または高詳細でありうる。地形マップ１１７は、舗装道路、未舗装道路、土地、地表を画定する他のものを含みうる、一つ以上の地表を規定できる。

一つ以上の形態において、マップデータ１１６は一つ以上の静止障害物マップ１１８を含みうる。静止障害物マップ１１８は、一つ以上の地域内に所在する一つ以上の静止障害物についての情報を含みうる。「静止障害物」は、ある期間にわたって位置が変化しないか実質的に変化しない、および／または、ある期間にわたって大きさが変化しないか実質的に変化しない物理的な物体である。静止障害物の例は、樹木、建物、カーブ、フェンス、鉄道、中央分離帯、電柱、立像、記念碑、標識、ベンチ、家具、郵便ポスト、巨岩、丘を含む。静止障害物は地面レベルより上に延在する物体でありうる。静止障害物マップ１１８に含まれる一つ以上の静止障害物は、場所データ、大きさデータ、寸法データ、材料データ、および／または、これと関連する他のデータを有しうる。静止障害物マップ１１８は、一つ以上の静止障害物の測定値、寸法、距離、および／または、寸法を含みうる。静止障害物マップ１１８は高品質および／または高詳細でありうる。静止障害物マップ１１８は、マップエリア内の変化を反映するように更新されうる。

一つ以上のデータストア１１５はセンサデータ１１９を含みうる。この状況で、「センサデータ」は、このようなセンサについての性能および他の情報を含めて、車両１００が装備するセンサについての何らかの情報を意味する。以下で説明するように、車両１００はセンサシステム１２０を含みうる。センサデータ１１９は、センサシステム１２０の一つ以上のセンサに関連しうる。一例として、一つ以上の形態で、センサデータ１１９は、センサシステム１２０の一つ以上のＬＩＤＡＲセンサ１２４についての情報を含みうる。

幾つかの実例で、マップデータ１１６および／またはセンサデータ１１９の少なくとも一部分は、車両１００に搭載される一つ以上のデータストア１１５に所在しうる。代替的または付加的に、マップデータ１１６および／またはセンサデータ１１９の少なくとも一部分は、車両１００から遠隔位置にある一つ以上のデータストア１１５に所在しうる。

上記のように、車両１００はセンサシステム１２０を含みうる。センサシステム１２０は一つ以上のセンサを含みうる。「センサ」は、何かを検出および／または検知できる装置、コンポーネント、および／またはシステムを意味する。一つ以上のセンサは、実時間で検出および／または検知するように構成されうる。ここで使用される際に、「実時間」の語は、特定のプロセスまたは判断が行われるのに充分なほど即座にユーザまたはシステムが検知するか、幾つかの外部プロセスをプロセッサが継続できるようにする処理応答性のレベルを意味する。

センサシステム１２０が複数のセンサを含む形態において、センサは互いに独立して作用しうる。代替的に、センサのうち二つ以上が互いとの組み合わせで作用してもよい。このようなケースで、二つ以上のセンサはセンサネットワークを形成できる。センサシステム１２０および／または一つ以上のセンサは、車両１００のプロセッサ１１０、データストア１１５、および／または別の要素（図１に示されている要素のいずれかを含む）に動作接続されうる。センサシステム１２０は、車両１００（例えば近隣車両）の外部環境の少なくとも一部分のデータを取得できる。

センサシステム１２０は、適当なタイプのセンサを含みうる。多様なタイプのセンサの様々な例がここで説明される。しかしながら、実施形態は、説明される特定のセンサに限定されないことが理解されるだろう。センサシステム１２０は一つ以上の車両センサ１２１を含みうる。車両センサ１２１は、車両１００自体についての情報を検出、判断、および／または検知できる。一つ以上の形態において、車両センサ１２１は、例えば慣性加速度などに基づいて車両１００の位置および方位の変化を検出および／または検知するように構成されうる。一つ以上の形態において、車両センサ１２１は、一つ以上の加速度計、一つ以上のジャイロスコープ、慣性測定ユニット（ＩＭＵ）、デッドレコニングシステム、グローバルナビゲーション衛星システム（ＧＮＳＳ）、グローバル測位システム（ＧＰＳ）、ナビゲーションシステム１４７、および／または他の適当なセンサを含みうる。車両センサ１２１は、車両１００の一つ以上の性質を検出および／または検知するように構成されうる。一つ以上の形態において、車両センサ１２１は、車両１００の現在速度を判断する速度計を含みうる。

代替的または付加的に、センサシステム１２０は、運転環境データを取得および／または検知するように構成される一つ以上の環境センサ１２２を含みうる。「運転環境データ」は、自律車両かその一つ以上の部分が所在している外部環境についてのデータまたは情報を含む。例えば、一つ以上の環境センサ１２２は、車両１００の外部環境の少なくとも一部分での障害物、および／またはこのような障害物についての情報／データを検出、数量化、および／または検知するように構成されうる。このような障害物は静的物体および／または動的物体でありうる。一つ以上の環境センサ１２２は、例えば、車線区分線、標識、交通信号、交通標識、車線、横断歩道、車両１００に近接したカーブ、道路外の物体等のような、車両１００の外部環境の他の物を検出、測定、数量化、および／または検知するように構成されうる。

センサシステム１２０のセンサの様々な例がここに説明される。センサ例は、一つ以上の環境センサ１２２および／または一つ以上の車両センサ１２１の一部でありうる。しかしながら、説明される特定のセンサに実施形態が限定されないことが理解されるだろう。

一例として、一つ以上の形態で、センサ１２０は、一つ以上のレーダセンサ１２３、一つ以上のＬＩＤＡＲセンサ１２４、一つ以上のソナーセンサ１２５、および／または一つ以上のカメラ１２６を含みうる。一つ以上の形態において、一つ以上のカメラ１２６は、ハイダイナミックレンジ（ＨＤＲ）カメラまたは赤外線（ＩＲ）カメラでありうる。

車両１００は入力システム１３０を含みうる。「入力システム」は、機械への情報／データの入力を可能にする何らかの装置、コンポーネント、システム、要素または形態、あるいはそのグループを含む。入力システム１３０は車両乗員（例えば運転者または乗員）から入力を受け取る。車両１００は出力システム１３５を含みうる。「出力システム」は、車両乗員（例えば人、車両乗員等）への情報／データの提示を可能にする何らかの装置、コンポーネントまたは形態、あるいはそのグループを含む。

車両１００は一つ以上の車両システム１４０を含みうる。一つ以上の車両システム１４０の様々な例が図１に示されている。しかしながら、車両１００は、これより多い、これより少ない、または異なる車両システムを含みうる。特定の車両システムが別々に規定されているが、システムまたはその部分の各々またはいずれかが、車両１００内でハードウェアおよび／またはソフトウェアを介して他の形で組み合わされるか分かれていてもよいことが了解されるべきである。車両１００は、推進システム１４１、制動システム１４２、ステアリングシステム１４３、スロットルシステム１４４、トランスミッションシステム１４５、シグナリングシステム１４６、および／または、ナビゲーションシステム１４７を含みうる。これらのシステムの各々は、現在周知であるか今後開発される一つ以上の装置、コンポーネント、および／またはその組み合わせを含みうる。

ナビゲーションシステム１４７は、車両１００の地理的場所を判断する、および／または、車両１００の走行ルートを判断するように構成される、現在周知であるか今後開発される一つ以上の装置、アプリケーション、および／またはその組み合わせを含みうる。ナビゲーションシステム１４７は、車両１００の走行ルートを判断する一つ以上のマッピングアプリケーションを含みうる。ナビゲーションシステム１４７は、グローバル測位システム、ローカル測位システム、またはジオロケーションシステムを含みうる。

プロセッサ１１０、車線変更システム１７０、および／または自律運転モジュール１６０は、様々な車両システム１４０および／またはその個々のコンポーネントと通信するように動作接続されうる。例えば、図１に戻ると、プロセッサ１１０および／または自律運転モジュール１６０は、様々な車両システム１４０から情報を送信および／または受信して車両１００の移動、速度、操作、進路、方向等を制御するように通信状態にある。プロセッサ１１０、車線変更システム１７０、および／または自律運転モジュール１６０は、これらの車両システム１４０の幾つかまたはすべてを制御し、ゆえに、部分的または完全に自律的でありうる。

プロセッサ１１０、車線変更システム１７０、および／または、自律運転モジュール１６０は、様々な車両システム１４０および／またはその個々のコンポーネントと通信するように動作接続されうる。例えば、図１に戻ると、プロセッサ１１０、車線変更システム１７０、および／または自律運転モジュール１６０は、様々な車両システム１４０からの情報を送信および／または受信して、車両１００の移動、速度、操作、進路、方向等を制御するように通信状態にありうる。プロセッサ１１０、車線変更システム１７０、および／または、自律運転モジュール１６０は、これらの車両システム１４０の幾つかまたはすべてを制御しうる。

プロセッサ１１０、車線変更システム１７０、および／または、自律運転モジュール１６０は、車両システム１４０および／またはそのコンポーネントのうち一つ以上を制御することにより車両１００の誘導および／または操作を制御するように作動可能である。例を挙げると、自律モードでの作動時に、プロセッサ１１０、車線変更システム１７０、および／または、自律運転モジュール１６０は、車両１００の方向および／または速度を制御できる。プロセッサ１１０、車線変更システム１７０、および／または、自律運転モジュール１６０は、車両１００に、（例えばエンジンに提供される燃料の供給を増加させることによる）加速、（例えば、エンジンへの燃料の供給を減少させる、および／または、ブレーキを使用することによる）減速、および／または（例えば二つの前輪を回転させることによる）方向転換を行うようにさせうる。

車両１００は一つ以上のアクチュエータ１５０を含みうる。アクチュエータ１５０は、プロセッサ１１０および／または自律運転モジュール１６０からの信号または他の入力の受信を受けて、車両システム１４０またはそのコンポーネントの一つ以上を修正、調節、および／または変更するように作動可能な要素または要素の組み合わせでありうる。何らかの適当なアクチュエータが使用されうる。例を挙げると、一つ以上のアクチュエータ１５０は、わずかな可能例を挙げるにとどめるが、モータ、空気アクチュエータ、油圧ピストン、継電器、ソレノイド、および／または圧電アクチュエータを含みうる。

車両１００は、少なくとも幾つかがここで説明される一つ以上のモジュールを含みうる。モジュールは、プロセッサ１１０による実行時に、ここで説明される様々なプロセスのうち一つ以上を具現するコンピュータ可読プログラムコードとして実装されうる。一つ以上のモジュールがプロセッサ１１０のコンポーネントでありうるか、一つ以上のモジュールが、プロセッサ１１０が動作接続される他の処理システムで実行されうる、および／または、他の処理システムの間で分散されうる。モジュールは、一つ以上のプロセッサ１１０により実行されうる命令（例えばプログラムロジック）を含みうる。代替的または付加的に、一つ以上のデータストア１１５はこのような命令を含みうる。

一つ以上の形態において、ここに説明される一つ以上のモジュールは、人工または計算知能要素、例えばニューラルネットワーク、ファジーロジック、または他の機械学習アルゴリズムを含みうる。さらに、一つ以上の形態において、一つ以上のモジュールは、ここに説明される複数のモジュールの間で分散されうる。一つ以上の形態において、ここで説明されるモジュールのうち二つ以上が単一のモジュールに組み合わされうる。

車両１００は、一つ以上の自律運転モジュール１６０を含みうる。自律運転モジュール１６０は、センサシステム１２０および／または、車両１００および／または車両１００の外部環境に関する情報を獲得できる他のタイプのシステムから、データを受信するように構成されうる。一つ以上の形態において、自律運転モジュール１６０は、このようなデータを使用して一つ以上の運転シーンモデルを生成できる。自律運転モジュール１６０は車両１００の位置および速度を判断できる。自律運転モジュール１６０は、障害物の場所、障害物、または交通標識、樹木、低木、近隣車両、歩行者等を含む他の環境特徴を判断できる。

自律運転モジュール１６０は、プロセッサ１１０および／またはここで説明されるモジュールのうち一つ以上による使用のために車両１００の外部環境内の障害物の場所情報を受信および／または判断して、複数の衛星からの信号、または車両１００の現状を判断するのに使用されうる他のデータおよび／または信号に基づいて車両１００の位置および方位、グローバル座標での車両位置を推定するか、マップの作成とマップデータに関する車両１００の位置の判断のいずれかに使用するために環境に関する車両１００の位置を判断するように構成されうる。

自律運転モジュール１６０は、単独で、または車線変更システム１７０との組み合わせで、走行経路と、車両１００の現在自律運転操作、センサシステム１２０により取得されるデータに基づく将来的な自律運転操作および／または現在自律運転操作の修正、運転シーンモデル、および／または車線モジュール２３０により具現されるセンサデータ２５０からの判断など他の適当なソースからのデータを判断するように構成されうる。「運転操作」は、車両の移動に影響する一つ以上の動作を意味する。運転操作の例は、幾つかの可能例を挙げるに留めるが、加速、減速、制動、転回、車両１００の横方向での移動、走行車線の変更、走行車線への合流、および／または後退を含む。自律運転モジュール１６０は、判断された運転操作を具現するように構成されうる。自律運転モジュール１６０は、直接的または間接的に、このような自律運転操作を具現する。自律運転モジュール１６０は、様々な車両機能を実行する、および／または、車両１００またはその一つ以上のシステム（例えば車両システム１４０のうち一つ以上）へデータを送信する、これからデータを受信する、これと相互作用を行う、および／または、これを制御するように構成されうる。

本願では詳細な実施形態が開示されている。しかしながら、開示される実施形態は単なる例として意図されたものであることが理解されるはずである。それゆえ、ここに開示される具体的な構造および機能の詳細は限定としてではなく、請求項の根拠として、また仮想的には適切な詳細構造で当業者が態様を様々に採用するように教示するための代表的な根拠として解釈されなければならない。さらに、ここで使用される語および語句は限定ではなく、むしろ考えられる実装例について理解可能な説明を提供することを意図している。様々な実施形態が図１〜８に示されているが、実施形態は図の構造または用途に限定されない。

図のフローチャートおよびブロック図は、様々な実施形態によるシステム、方法、およびコンピュータプログラム製品の可能な実装例のアーキテクチャ、機能性、および動作を図示している。これに関して、フローチャートまたはブロック図の各ブロックは、指定のロジック機能を具現するための一つ以上の実行可能命令を包含するモジュール、セグメント、またはコード部分を表しうる。幾つかの代替的実装例で、ブロックに記される機能は図に記される順序以外で起こりうることにも注意すべきである。例えば、関係する機能性に応じて、連続して示されている二つのブロックは実際に、実質的に同時に実行されうるか、ブロックが時には逆の順序で実行されうる。

上に説明されたシステム、コンポーネント、および／またはプロセスは、ハードウェアまたはハードウェアとソフトウェとの組み合わせで実現され、一つの処理システムで集中的に、または多様な要素が幾つかの相互接続処理システムに広がる場合には分散的に実現されうる。ここに説明される方法を実行するのに適応したいかなる種類の処理システムまたは別の機器も適している。ハードウェアとソフトウェアの一般的な組み合わせは、ロードおよび実行時にここに記載の方法を実行するように処理システムを制御するコンピュータ使用可能なプログラムコードを含む処理システムでありうる。システム、コンポーネント、および／またはプロセスは、機械により読み取り可能で、機械により実行可能な命令のプログラムを有形に具体化してここに記載の方法およびプロセスを実施するコンピュータプログラム製品または他のデータプログラム記憶装置などのコンピュータ可読記憶手段に埋め込まれうる。これらの要素も、ここに記載の方法の実装例を可能にするすべての特徴を包含して処理システムへのロード時にこれらの方法を実行できるアプリケーション製品に埋め込まれうる。

さらに、ここに記載の形態は、コンピュータ可読プログラムコードが埋め込まれる、例えば記憶される一つ以上のコンピュータ可読媒体として具体化されるコンピュータプログラム製品の形を取りうる。一つ以上のコンピュータ可読媒体のいずれの組み合わせも利用されうる。コンピュータ可読媒体はコンピュータ可読信号媒体またはコンピュータ可読記憶媒体でありうる。「コンピュータ可読記憶媒体」の語句は非一時的な記憶媒体を意味する。コンピュータ可読記憶媒体は例えば、限定ではないが、電子、磁気、光学、電磁、赤外線、または半導体のシステム、機器、または装置、あるいは上記の適当な組み合わせでありうる。コンピュータ可読記憶媒体のより具体的な例（非網羅的リスト）は、以下を含む。ポータブルコンピュータディスケット、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、リードオンリメモリ（ＲＯＭ）、消去可能なプログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、ポータブルコンパクトディスクリードオンリメモリ（ＣＤ‐ＲＯＭ）、デジタル多目的ディスク（ＤＶＤ）、光学記憶装置、磁気記憶装置、または上記の適当な組み合わせ。本願の状況において、コンピュータ可読媒体は、命令実行システム、機器、または装置による使用のための、またはこれらと接続状態のプログラムを格納または記憶できる何らかの有形媒体でありうる。

概して、ここで使用されるモジュールは、特定のタスクを実施するか特定のデータタイプを具現するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。さらなる態様において、メモリは概して上記のモジュールを記憶する。モジュールと関連するメモリは、プロセッサ、ＲＡＭ、ＲＯＭ、フラッシュメモリ、または別の適当な電子記憶媒体に埋め込まれるバッファまたはキャッシュでありうる。またさらなる態様で、本開示で想定されるモジュールは、特定用途向け集積回路（ＡＳＩＣ）、システム・オン・チップ（ＳｏＣ）のハードウェアコンポーネントとして、プログラマブルロジックアレイ（ＰＬＡ）として、または開示の機能を実施するための規定の構成集合（例えば命令）が埋め込まれる別の適当なハードウェアコンポーネントとして実装されうる。

コンピュータ可読媒体に埋め込まれるプログラムコードは、無線、有線、光ファイバ、ケーブル、ＲＦ等、または上記の適当な組み合わせを含む何らかの適切な媒体を使用して送信されうる。本形態の態様の動作を実行するためのコンピュータプログラムコードは、ＪＡＶＡ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのようなオブジェクト指向プログラミング言語と、「Ｃ」プログラミング言語または類似のプログラミング言語のような従来の手続き型プログラミング言語とを含む一つ以上のプログラミング言語の組み合わせで書かれる。プログラムコードは、全体がユーザのコンピュータで、一部がユーザのコンピュータで独立ソフトウェアパッケージとして、一部がユーザのコンピュータで一部が遠隔コンピュータで、または完全に遠隔コンピュータやサーバで実行されうる。後者のシナリオで、遠隔コンピュータは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む何らかのタイプのネットワークを通してユーザのコンピュータに接続されうるか、（例えばインターネットサービスプロバイダを使用してインターネット経由で）外部コンピュータへの接続が行われうる。

ここで使用される「．．．と．．．のうち少なくとも一つ」の語句は、挙げられた関連する項目のうち一つ以上のいずれかとその可能な組み合わせすべてを指してこれらを内含する。一例として、「ＡとＢとＣのうち少なくとも一つ」は、Ａのみ、Ｂのみ、Ｃのみ、またはその何らかの組み合わせ（例えばＡＢ、ＡＣ、ＢＣまたはＡＢＣ）を含む。

本願の態様は、その趣旨または本質的な属性を逸脱することなく他の形でも具体化されうる。したがって、範囲を示すものとしては、上記の明細書ではなく以下の請求項を参照すべきである。

Claims (20)

1. 自車両の車線変更の検出を改良するための車線変更システムであって、
   一つ以上のプロセッサと、
   前記一つ以上のプロセッサに通信可能に結合されるメモリであって、
   取得モジュールであり、前記一つ以上のプロセッサによる実行時に、前記自車両により周囲環境について取得されたセンサデータからの周囲車両の検出を受けて、前記自車両に対する前記周囲車両の相対位置を前記一つ以上のプロセッサに推定させる命令を含む取得モジュールと、
   車線モジュールであり、前記一つ以上のプロセッサによる実行時に、前記一つ以上のプロセッサに、
   前記自車両が走行している現在車道に対する前記周囲車両の状況を判断させ、
   前記状況に従って、前記自車両の移動を判定するための一つ以上の車両を含む変更グループに前記周囲車両を選択的に分類させ、
   前記変更グループの前記一つ以上の車両の相対移動を解析させて、前記自車両が車線変更を実施したかどうかのインジケータを生成させる、
   命令を含む車線モジュールと、
   を記憶するメモリと、
   を備える車線変更システム。
2. 前記現在車道への進入ランプと、前記現在車道からの退出ランプと、前記現在車道に近接する別の平行車道とのうち一つ以上を前記現在車道が含むかどうかに従って前記現在車道の一つ以上の除外区分を規定する命令を含めて、前記周囲車両の前記状況を判断する命令を前記車線モジュールが含み、
   前記自車両の識別された車線位置を含めて前記自車両に対する前記周囲車両の前記相対位置を評価する命令を含む、前記状況を判断する命令を前記車線モジュールが含む、
   請求項１の車線変更システム。
3. 前記周囲車両が前記除外区分の一つに所在している時に前記周囲車両を前記変更グループから除外する命令を含めて、前記周囲車両を前記変更グループに選択的に分類する命令を前記車線モジュールが含む、請求項２の車線変更システム。
4. 前記現在車道への進入ランプと、前記現在車道からの退出ランプと、前記現在車道に近接する別の平行車道と、前記進入ランプまたは前記退出ランプに隣接する少なくとも一つの合流車線とのうち一つ以上を前記現在車道が含むかどうかに従って、前記現在車道の一つ以上の除外区分を規定する命令を含めて、前記周囲車両の前記状況を判断する命令を前記車線モジュールが含み、
   前記インジケータの生成時にそれぞれの前記除外区分での車両の移動が検討される程度に従って前記除外区分への別々の重みを規定する命令を含めて、前記一つ以上の除外区分を規定する命令を前記車線モジュールが含む、
   請求項１の車線変更システム。
5. 集団的移動の確率により前記除外区分のうち割り当て区分に従って規定される重みを用いて前記周囲車両を前記変更グループに追加する命令を含めて、前記周囲車両を前記変更グループに選択的に分類する命令を前記車線モジュールが含み、
   前記進入ランプおよび前記退出ランプに対応する前記除外区分の一つには検討不要の重みが付けられて、前記少なくとも一つの合流車線に対応する前記除外区分の一つには部分的検討の重みが付けられる、
   請求項４の車線変更システム。
6. 前記自車両の現在車線位置に従って前記除外区分に重みを割り当てる命令を含めて、前記周囲車両を前記変更グループに選択的に分類する命令を前記車線モジュールが含む、請求項５の車線変更システム。
7. 前記自車両に対する前記変更グループの車両の認知された集団的移動を識別して前記自車両が車線を変更した時を判断する命令を含めて、前記相対移動を解析して前記インジケータを生成する命令を前記車線モジュールが含む、請求項１の車線変更システム。
8. 前記現在車道上の位置での前記自車両からの横方向オフセットを判断することにより前記周囲車両および他の車両の相対的車線位置を追跡する命令を前記車線モジュールが含む、請求項１の車線変更システム。
9. 自車両の車線変更の検出を改良するための非一時的コンピュータ可読媒体であって、一つ以上のプロセッサによる実行時に、前記一つ以上のプロセッサに、
   前記自車両により周囲環境について取得されたセンサデータからの一つ以上の周囲車両の検出を受けて、前記自車両に対する前記周囲車両の相対位置を推定させ、
   前記自車両が走行している現在車道に対する前記周囲車両の各状況を判断させ、
   前記状況に従って前記一つ以上の周囲車両の相対移動を解析して、前記自車両が車線変更を実施したかどうかのインジケータを生成させる、
   命令を含む非一時的コンピュータ可読媒体。
10. 前記一つ以上の周囲車両の前記状況を判断する前記命令が、前記現在車道への進入ランプと、前記現在車道からの退出ランプと、前記現在車道に近接する別の平行車道とのうち一つ以上を前記現在車道が含むかどうかに従って、前記現在車道の一つ以上の除外区分を規定する命令を含み、
    前記状況を判断する前記命令が、前記自車両の識別された車線位置を含めて前記自車両に対する前記一つ以上の周囲車両の前記相対位置を評価する命令を含む、
    請求項９の非一時的コンピュータ可読媒体。
11. 前記一つ以上の除外区分を規定する命令が、前記インジケータの生成時にそれぞれの前記除外区分での車両の移動が検討される程度に従って前記除外区分への別々の重みを規定する命令を含む、請求項１０の非一時的コンピュータ可読媒体。
12. 前記相対移動を解析して前記インジケータを生成する前記命令が、前記自車両に対する前記周囲車両の認知された集団的移動を識別して前記自車両が車線を変更した時を判断する命令を含む、請求項９の非一時的コンピュータ可読媒体。
13. 前記現在車道上の位置での前記自車両から前記一つ以上の周囲車両への横方向オフセットを判断する命令を含めて、前記一つ以上の周囲車両の相対的車線位置を追跡する命令を更に含む、請求項９の非一時的コンピュータ可読媒体。
14. 自車両の車線変更の検出を改良する方法であって、
    前記自車両により周囲環境について取得されたセンサデータからの周囲車両の検出を受けて、前記自車両に対する前記周囲車両の相対位置を推定することと、
    前記自車両が走行している現在車道に対する前記周囲車両の状況を判断することと、
    前記状況に従って前記周囲車両を変更グループに選択的に分類することであって、前記変更グループが、前記自車両の移動を判定するための一つ以上の車両を含むことと、
    前記変更グループの車両の相対移動を解析して、前記自車両が車線変更を実施したかどうかのインジケータを生成することと、
    を備える方法。
15. 前記周囲車両の前記状況の判断が、前記現在車道への進入ランプと、前記現在車道からの退出ランプと、前記現在車道に近接する別の平行車道とのうち一つ以上を前記現在車道が含むかどうかに従って、前記現在車道の一つ以上の除外区分を規定することを含み、
    前記状況の判断が、前記自車両の識別された車線位置を含む前記自車両に対する前記周囲車両の前記相対位置を評価することを含む、
    請求項１４の方法。
16. 前記変更グループへ前記周囲車両を選択的に分類することが、前記周囲車両が前記除外区分の一つに所在する時に前記変更グループから前記周囲車両を除外することを含む、請求項１５の方法。
17. 前記周囲車両の前記状況の判断が、前記現在車道への進入ランプと、前記現在車道からの退出ランプと、前記現在車道に近接する別の平行車道と、前記進入ランプまたは前記退出ランプに隣接する少なくとも一つの合流車線とのうち一つ以上を前記現在車道が含むかどうかに従って前記現在車道の一つ以上の除外区分を規定することを含み、
    前記一つ以上の除外区分の規定が、前記インジケータの生成時にそれぞれの前記除外区分の車両の移動が検討される程度に従って前記除外区分への別々の重みを規定することを含む、
    請求項１４の方法。
18. 前記変更グループへ前記周囲車両を選択的に分類することが、集団的移動の確率により前記除外区分のうちの割り当て区分に従って規定される重みを用いて前記周囲車両を前記変更グループに追加することを含み、
    前記進入ランプおよび前記退出ランプに対応する前記除外区分の一つには検討不要の重みが付けられ、前記少なくとも一つの合流車線に対応する前記除外区分の一つには部分的検討の重みが付けられる、
    請求項１７の方法。
19. 前記変更グループへ前記周囲車両を選択的に分類することが、前記自車両の現在車線位置に従って前記除外区分に重みを割り当てることを含む、請求項１８の方法。
20. 前記インジケータを生成するための前記相対移動の解析が、前記自車両に対する前記変更グループの車両の認知された集団的移動を識別して前記自車両が車線を変更した時を判断することを含む、請求項１４の方法。

Images