JP7249384B2 - ルート計画モデルを生成する方法、交通手段の軌跡を決定する方法、ルート計画モデルを生成する装置、交通手段、電子機器、記憶媒体及びコンピュータプログラム - Google Patents

Description

本開示の実施例は、自動運転の技術分野に関し、特に自律駐車の分野に関し、より具体的には、ルート計画モデルを生成する方法、交通手段の軌跡を決定する方法、ルート計画モデルを生成する装置、交通手段、電子機器、記憶媒体及びコンピュータプログラムに関する。

自動運転技術の発展に伴い、現在、機械学習技術に基づいて様々な運転タスクを実行することができる。例えば、機械学習技術を利用して自律駐車などのルート計画を実行することができる。しかしながら、自律駐車が直面するシーンの多様性、及び直面するサイトの環境要因が異なる可能性がある。この場合、いかに少ないトレーニングデータで、異なるサイトに対するルート計画を実現するかが、研究のホットスポットになっている。

本開示の例示的な実施例によれば、ルート計画モデルを生成する技術案を提供する。

本開示の第１様態によれば、ターゲットサイトに関連付けられたターゲットルートデータセットを取得するステップと、前記ターゲットルートデータセット及び第１ルート計画モデルに基づいて、前記ターゲットサイトに対応するサイト最適化ターゲットを使用して、前記ターゲットサイトのターゲットルート計画モデルを決定するステップであって、前記第１ルート計画モデルは、履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定され、前記履歴ルートデータセットは、前記ターゲットサイトとは異なる複数のサイトに関連付けられ、前記第１トレーニングの第１トレーニング最適化ターゲットが前記複数のサイトに対応するステップとを含むルート計画モデルを生成する方法を提供する。

本開示の第２様態によれば、前記ターゲットサイトの現在ルートデータを取得するステップであって、前記現在ルートデータが交通手段の少なくとも１つのセンサによって取得されるステップと、上記のルート計画モデルを生成する方法により決定された前記ターゲットルート計画モデル及び前記現在ルートデータに基づいて、前記交通手段の軌跡を決定するステップとを含む交通手段の軌跡を決定する方法を提供する。

本開示の第３様態によれば、ターゲットサイトに関連付けられたターゲットルートデータセットを取得するデータ取得モジュールと、前記ターゲットルートデータセット及び第１ルート計画モデルに基づいて、前記ターゲットサイトに対応するサイト最適化ターゲットを使用して、前記ターゲットサイトのターゲットルート計画モデルを決定するターゲットルート計画モデル決定モジュールであって、前記第１ルート計画モデルは履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定され、前記履歴ルートデータセットは、前記ターゲットサイトとは異なる複数のサイトに関連付けられ、前記第１トレーニングの第１トレーニング最適化ターゲットが前記複数のサイトに対応するターゲットルート計画モデル決定モジュールとを備えるルート計画モデルを生成する装置を提供する。

本開示の第４様態によれば、交通手段であって、少なくとも１つのセンサを使用して、ターゲットサイトの現在ルートデータを取得するように構成される現在ルートデータ取得モジュールと、上記のルート計画モデルを生成する方法により決定された前記ターゲットルート計画モデル及び前記現在ルートデータに基づいて、前記交通手段の軌跡を決定する軌跡決定モジュールとを備える交通手段交通手段を提供する。

本開示の第５様態によれば、少なくとも１つのプロセッサと、少なくとも１つの該プロセッサに通信可能に接続されるメモリとを備え、該メモリには、少なくとも１つの前記プロセッサによって実行可能な命令が記憶され、該命令は、少なくとも１つの前記プロセッサが上記のルート計画モデルを生成する方法を実行できるように、少なくとも１つの前記プロセッサによって実行される電子機器を提供する。

本開示の第６様態によれば、コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、前記コンピュータ命令は、コンピュータに上記のルート計画モデルを生成する方法を実行させる非一時的なコンピュータ読み取り可能な記憶媒体を提供する。
本開示の第７様態によれば、コンピュータに上記のルート計画モデルを生成する方法を実行させるコンピュータプログラムを提供する。

本開示の実施例は、ルート計画モデルを生成する効率を改善することができる。

なお、本部分に記載されたコンテンツは、本出願の実施例の肝心または重要な特徴を限定することを意図するものではなく、本出願の範囲を限定することを意図するものでもない。本出願の他の特徴は、以下の説明によって容易に理解されやすくなる。

図面と組み合わせて以下の詳細な説明を参照し、本開示の各実施例の上記及び他の特徴、利点及び態様は、より明らかになる。図面において、同じ又は類似する符号は、同じ又は類似する要素を表す。
本開示の複数の実施例においてルート計画モデルの生成を実現できる例示的な環境の概略図である。 本開示のいくつかの実施例に係るルート計画モデルを生成する方法のフローチャートである。 本開示のいくつかの実施例に係るターゲットルートデータセットを取得するプロセスの概略図である。 本開示のいくつかの実施例に係る第１ルート計画モデルを決定するプロセスの概略図である。 本開示のいくつかの実施例に係るターゲットルート計画モデルを決定するプロセスの概略図である。 本開示のいくつかの実施例に係るルート計画モデルを生成する装置の概略ブロック図である。 本開示のいくつかの実施例に係る交通手段の軌跡を決定する方法の概略図である。 本開示のいくつかの実施例に係る交通手段の概略ブロック図である。 本開示の複数の実施例を実施できる電子機器のブロック図である。

以下、図面と組み合わせて本出願の例示的な実施例を説明し、理解を容易にするためにその中には本出願の実施例の様々な詳細事項が含まれており、それらは単なる例示的なものと見なされるべきである。従って、当業者は、本出願の範囲及び精神から逸脱することなく、ここで説明される実施例に対して様々な変更と修正を行うことができる。同様に、わかりやすくかつ簡潔にするために、以下の説明では、周知の機能及び構造の説明を省略する。

本開示の実施例の説明において、「含む」、「備える」または「有する」という用語及びこれに類似する用語を開放的に含むこと、すなわち、「含むが、これらに限定されない」と理解すべきである。「に基づいて」という用語を「少なくとも部分的に基づいて」と理解すべきである。「一実施例」又は「当該実施例」という用語を「少なくとも１つの実施例」と理解すべきである。「第１」、「第２」などという用語は、異なる又は同じオブジェクトを指すことができる。以下には、他の明示的及び暗黙的な定義も含まれる場合がある。

低速学習型自律駐車シーンにおいて、ルート計画課題について、１つの案は最適化アルゴリズムに基づいており、このような案は比較的複雑なルートを計画できるが、高精度地図及び交通手段１１０の高精度測位に依存する必要がある。もう１つは、ニューラルネットワークに基づく案であり、低コストで、比較的閉鎖的な比較的簡単なサイトで利用でき、例えば、深層ニューラルネットワークの端から端までの解決案に基づく従来の方法は、センサの元データ（画像やレーザスポットクラウドなど）を、トレーニング済みのモデル（ニューラルネットワークなど）に入力して算出し、回転角、ブレーキ、アクセルの制御量などの交通手段１１０の制御パラメータを直接出力し、このような案は高精度地図に依存せず、コストが低い。自律駐車アプリケーションでは、このような案が直面する問題は、トレーニングモデルに必要なトレーニングデータが多く、安定したクルーズネットワークを取得するために、ユーザが１つのサイトの１つのルートに対して数十回のルートデータを収集する必要があり、ルードやサイトが変更された場合、新しいサイトやルートに対するデータセットを再度収集し、トレーニングプロセスを再度実行せざるを得ないため、必然的にユーザの体験に影響を与える。

上記問題及び他の潜在的な問題のうちの少なくとも１つを少なくとも部的に解決するために、本開示の実施例は、ターゲットルート計画モデルを生成する技術案を提案する。本技術案では、ターゲットサイトに対するサイト最適化ターゲット及び複数の既知のサイトに対する第１トレーニング最適化ターゲットという概念が提案される。ここで、ターゲットサイトとは、複数の既知のサイトとは異なるサイトを指すことができる。

本開示の実施例によって、複数の既知のサイトに対する第１ルート計画モデルに基づいて、ターゲットサイトにおけるターゲットルート計画モデルを生成することができる。このように、既に存在しているが、ターゲットサイトに関係しない履歴ルートデータに基づいて、サイト最適化ターゲットに向けて最適化することにより、少量のターゲットルートデータを含むターゲットルートデータセットを使用してさらに処理することが可能になる。従って、本開示の案は、より簡単で効果的な方法でターゲットサイトにおけるターゲットルート計画モデルを取得することに有利であり、ターゲットサイトにおける大量のトレーニングサンプルを取得することが困難であるという問題を緩和することができる。

以下、図面を参照して本開示の実施例について詳細に説明する。

図１は本開示の複数の実施例においてルート計画モデルの生成を実現できる例示的な環境１００の概略図である。図１に示されるように、環境１１０において、交通手段１１０が、例えば駐車場のターゲットサイト１２０上を走行しており、ここで、この駐車場は屋外駐車場または屋内駐車場であっても良い。いくつかの実施例では、交通手段１１０は、一定の自動運転能力（例えば、自律駐車能力）を備えた交通手段１１０であっても良く、ここで、自動運転能力は、補助運転能力、半自動運転能力、高度自動運転能力、または完全自動運転能力を含むが、これらに限定されない。
交通手段１１０は、それに固定または取り付けられた画像収集装置１１５によって、周囲環境の複数のリアルタイム画像をキャプチャすることができる。
画像収集装置１１５は、少なくとも１つのセンサを備え、いくつかの実施例では、画像収集装置１１５は、少なくとも１つの広角または超広角を有するカメラであっても良く、これらのカメラが周囲環境の３６０度内のシーンをキャプチャすることができる。変形例として、画像収集装置１１５は、交通手段１１０の外部の複数の方向のリアルタイムシーンを回転可能に検出するために、回転可能な構造を採用しても良い。
いくつかの実施例では、画像収集装置１１５は、Ｌ３級の自動運転センサの配置を採用し、これは、１つの前方広角カメラ、及び４つの魚眼カメラを含むことができる。ここで、Ｌ３とは、特定のシーンでの自動運転を指し、交通手段１１０が動的に走行する場合、ユーザの同意を得て、自動運転システム全体が交通手段１１０走行に介入することができ、ユーザはいつでも交通手段１１０が自動運転中に発生したエラーを修正することができる。運転者の走行の対応する軌跡点データとともに、ターゲットルートデータ１３０をコンピューティングデバイス１５０に送信してさらに処理する。

コンピューティングデバイス１５０は、様々なデータ（少なくともターゲットルートデータ１３０及び履歴ルートデータセット１４０を含む）及び機器学習モデルに基づいてトレーニングすることができるリモートサーバまたはクラウドであっても良い。例えば、コンピューティングデバイス１５０は運転者が走行する軌跡点データを収集された画像ごとに投影し、画像を機器学習モデルに入力し、この画像に投影された軌跡点を出力することができる。言い換えれば、学習されているのは画像から軌跡点へのマッピングである。コンピューティングデバイス１５０は、図２から図６を参照して本明細書で説明されるプロセスを実行することにより、このマッピングをより正確にして、最終的なターゲットルート計画モデル１６０を取得することができる。

機器学習モデルはニューラルネットワークモデルを一例としても良く、例えば、畳み込みニューラルネットワークモデル（ＣＮＮ）、循環ニューラルネットワーク（ＲＮＮ）などであっても良い。ターゲットルートデータ１３０を使用してトレーニングする前に、コンピューティングデバイス１５０は、最終的なターゲットルート計画モデル１６０を生成するために必要なターゲットルートデータ１３０のデータ量を低減させるために、履歴ルートデータセット１４０を使用して事前トレーニングすることができる。なお、履歴ルートデータセット１４０は既知の複数のサイトで収集された複数のルートデータを含み、複数のサイトがターゲットサイト１２０とは異なるため、履歴ルートデータセット１４０は、コンピューティングデバイス１５０に対するストレージデバイスに記憶できる。事前トレーニングされた後、コンピューティングデバイス１５０は、少量のターゲットルートデータ１３０を使用してトレーニングしてから、ターゲットルート計画モデル１６０を取得することができる。ターゲットルート計画モデル１６０は交通手段に配置され、さらに、画像収集装置１１５で収集されたリアルタイムデータを使用して、交通手段１１０の自律駐車のクルーズ機能を実現することができる。

なお、交通手段１１０は画像収集装置１１５に加え、自動運転のための他のセンサまたは検出装置を含むことができ、例えば、交通手段１１０は、レーザレーダ、衛星測位システム及び慣性測定装置などを含むことができることが理解されるべきである。レーザレーダとは、レーザービームを発射してターゲットの位置及び／または速度などの特徴量を探知するレーダ装置であり、その動作原理は、ターゲットに探知信号（レーザービーム）を発射し、ターゲットから反射して受信された信号（ターゲットエコー）を送信信号と比較し、適切な処理を行った後、ターゲット距離、方位、位置、高さ、速度、姿勢、さらには形状などの１つまたは複数のパラメータのようなターゲットの関連情報を取得できる。衛星測位システムは、全地球的測位システム（ＧＰＳ）、ヨーロッパのガリレオ衛星測位システム、中国の北斗衛星測位システムなどに限らず、本開示の実施例と組み合わせて使用することができる。また、図１に示す環境１００は本開示の範囲を制限することなく、本開示の一実施例の例示的な環境にすぎないことを理解されたい。

図２は、本開示の一実施例に係るルート計画モデルを生成する方法２００のフローチャートである。明確な説明を容易にするために、以下、図１の環境１００を参照して本開示の一実施例に係るルート計画モデルを生成する方法２００を説明する。なお、ルート計画モデルを生成する方法２００は、リモートサーバまたはクラウドなどのコンピューティングデバイス１５０において実現することができ、または、一部が交通手段１１０のローカルに実現され、一部がリモートサーバまたはクラウドに実現されることができるのを理解されたい。なお、ルート計画モデルを生成する方法２００は図示されない付加動作を含み、及び／または図示された動作を省略することもできる。本開示の範囲は、この態様に限定されない。ルート計画モデルを生成する方法２００を図１に示すコンピューティングデバイス１５０により実行することについて以下に説明する。

ブロック２０２において、コンピューティングデバイス１５０がターゲットサイト１２０に関連付けられたターゲットルートデータセットを取得する。

本開示の一実施例の説明では、「ターゲットサイト１２０」は、本開示において、「ターゲット駐車場」とも呼ばれる場合があり、ターゲットサイト１２０はこのようなサイトであっても良く、現在、まだそれに対するルート計画モデルが存在しないため、そのルート計画モデルは生成対象である。

「ターゲットルートデータセット」は、ターゲットサイト１２０（例えば、特定の駐車場）に対する複数のターゲットルートデータからなるセットであっても良い。「ルートデータ」は、交通手段１１０（例えば、画像収集装置１１５を介して）によってサイト（例えば、ターゲットサイト１２０）において収集された特定のルート（例えば、駐車場の入り口から所定の駐車スペースまでのルートのような駐車ルート）に対する画像データ（例えば、複数の画像）及び対応する運転軌跡点データを含むことができる。
いくつかの実施例において、複数のターゲットルートデータは、すべて交通手段１１０によってターゲットサイト１２０において収集され、コンピューティングデバイス１５０に送信されても良い。いくつかの実施例において、複数のターゲットルートデータの一部は、交通手段１１０によってターゲットサイト１２０において収集され、コンピューティングデバイス１５０に送信される。その後、コンピューティングデバイス１５０は以下のように図４を参照して詳細に説明されるプロセスにより、複数のターゲットルートデータの残りの部分を生成する。

ブロック２０４において、コンピューティングデバイス１５０は、ターゲットルートデータセット及び第１ルート計画モデルに基づいて、ターゲットサイト１２０に対応するサイト最適化ターゲットを使用して、ターゲットサイト１２０のターゲットルート計画モデル１６０を決定する。ここで、第１ルート計画モデルは履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定され、履歴ルートデータセットはターゲットサイト１２０とは異なる複数のサイトに関連付けられ、第１トレーニングの第１トレーニング最適化ターゲットが複数のサイトに対応する。

コンピューティングデバイス１５０は、ターゲットルートデータセットを第１ルート計画モデルに入力し、サイト最適化ターゲットを使用して第１ルート計画モデルをトレーニングし、トレーニングにより、第１ルート計画モデルのパラメータをさらに調整して、この特定のターゲットサイト１２０に対するサイト最適化を実現し、最終的に最適化されたターゲットルート計画モデル１６０を取得することができる。
ターゲットサイト１２０のサイト最適化ターゲットは、ターゲットルート計画モデル１６０のターゲットサイト１２０におけるルート計画誤差を低減させることができる。言い換えれば、サイト最適化ターゲットはターゲットルート計画モデル１６０に特定のターゲットサイト１２０においてルート計画をさせることができ、取得された予測軌跡と実際の軌跡との間の誤差が第１閾値より小さい。

交通手段１１０は、ターゲットルート計画モデル１６０及び画像収集装置１１５によってターゲットサイト１２０に対する現在ルートデータを取得して、ターゲットサイト１２０における正確なルート計画を実現でき、例えば、ターゲット駐車場における自律駐車のための軌跡を生成し、これを下記で図７を参照しながら詳細に説明する。

例えば、自律駐車のルート計画モデルを生成するアプリケーションにおいて、コンピューティングデバイス１５０の観点から見ると、複数の異なる交通手段１１０は様々な異なる駐車場に直面し、毎回に個々の交通手段１１０に対して、その位置する特定の駐車場に大量のデータサンプルのデータセットを利用してトレーニングする必要がある場合、複数の交通手段にサービスするコンピューティングデバイス１５０が大量の演算を行う必要がある。交通手段１１０の観点から見ると、ユーザは交通手段１１０を運転してターゲットサイト１２０においてターゲットルートデータ１３０の収集を完成する必要があり、ターゲットルートデータセットを形成するために収集が必要なターゲットルートデータ１３０の数が多すぎる場合、ユーザに良くない体験をもたらす可能性がある。従って、上記ターゲットルート計画モデル１６０の決定プロセスにおいて、適切な第１ルート計画モデルの必要性があるため、ユーザがターゲットサイト１２０に対して収集が必要なターゲットルートデータサンプルの数を低減させ、コンピューティングデバイス１５０の計算オーバーヘッドを低減できる。

「第１ルート計画モデル」は「事前トレーニング済みモデル」または「基本トレーニングモデル」とも呼ばれることがあり、ターゲットルート計画モデル１６０を取得するための基礎と見なすことができる。交通手段１１０及びコンピューティングデバイス１５０にとって、ターゲットサイト１２０が未知であるため、比較的少ないターゲットルートデータ１３０でターゲットサイト１２０に対する正確なターゲットルート計画モデル１６０を決定できるために、基本トレーニングモデルはより高い汎化能力（ｇｅｎｅｒａｌｉｚａｔｉｏｎ）を有する必要がある。汎化能力とは、すべての可能なターゲットサイト１２０に対して、少ない数のターゲットルートデータ１３０を使用して、基本トレーニングモデルに基づいて正確なターゲットルート計画モデル１６０を決定することができる能力である。なお、いくつかの実施例では、ブロック２０２、２０４のターゲットルート計画モデル１６０を決定するステップ（オンルートプロセスと呼ばれることがある）を実行する前に、第１ルート計画モデルは、コンピューティングデバイス１５０によって事前にトレーニングされても良く（オフルートプロセスと呼ばれることがある）、使用するために対応するストレージデバイスに記憶される。

第１ルート計画モデルは、履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定されても良い。「履歴ルートデータセット」は、既知の複数のサイトで収集された複数のルートデータを含み、複数サイトがターゲットサイト１２０とは異なる。第１ルート計画モデルは、通常、履歴ルートデータセットに基づいて、トレーニング（即ち、第１トレーニング）により特定の最適化ターゲット（即ち、第１トレーニング最適化ターゲット）に向けて最適化することにより決定される。

より高い汎化能力を具備するために、サイト最適化ターゲットとは異なり、第１トレーニング最適化ターゲットは複数のサイトに対応しており、第１ルート計画モデルをすべての複数のサイト（例えば、ルート計画誤差がすべて小さい）に比較的に近づけるが、ある特定のサイトに対して正確であることではない（例えば、ある特定のサイトに対するルート計画誤差が許容閾値を超えることを許容してもよい）。従って、各未知のターゲットサイト１２０にとって、第１トレーニング最適化ターゲットは、ターゲットルートデータセットに含まれるターゲットルートデータの数を減少させる。いくつかの実施例では、第１トレーニング最適化ターゲットは、第１ルート計画モデルの複数のサイトにおける複数のルート計画誤差を低減させる。いくつかの実施例では、第１トレーニング最適化ターゲットは、第１ルート計画モデルを使用して、すべての複数のターゲットサイトにおいて複数のルート計画を行うことができ、取得された複数の予測軌跡と複数の実際の軌跡との間の複数のルート計画誤差がすべて第２閾値より小さく、この第２閾値がサイト最適化ターゲットに対する第１閾値より大きい。

言い換えれば、上記最適化ターゲットによってトレーニングされた第１ルート計画モデルが、ある特定のターゲットサイト１２０における軌跡（例えば、ターゲット駐車場における駐車軌跡）を十分に正確に計画することはできないが、この第１ルート計画モデルを使用して、ターゲットルート計画モデル１６０を生成するトレーニング過程において、ターゲットサイト１２０におけるトレーニングサンプルの数に対する需要を大幅に低減させることができる。下記で、図４を参照しながら、この第１ルート計画モデルを決定するためのより多くの詳細について説明する。

いくつかの実施例において、最適化ターゲットは損失関数によって表示されても良い。例えば、サイト最適化ターゲットは、ターゲットサイト１２０に対応するターゲット損失関数によって示されても良く、一方で、第１トレーニング最適化ターゲットは、複数のサイトに対応する複数のサイト損失関数の合計によって示されても良い。一例において、損失関数は交差エントロピー損失関数であっても良い。

なお、本開示の範囲を制限することではなく、上記で用語に関する具体的な定義は、説明を容易にするためだけである。本開示の実施例は、他の任意のルート計画の必要がある物理的環境に適用し、本開示の目的を達成できる他の任意のデータタイプ及びモデルタイプにも適用することが理解されたい。本開示の実施例では、すべてのトレーニングは、勾配降下方法のような機械学習分野の通常のトレーニング手段を使用して実現されることができ、すべてのルート計画モデルのネットワーク構造は、ニューラルネットワークであっても良く、例えば、畳み込みニューラルネットワークであっても良いが、本開示の実施例はこれに限定されない。

従って、本開示の実施例によって、ターゲットサイト１２０におけるターゲットルートデータサンプルの数に対する需要を低減させることができる。さらに、他の既知の複数のサイトの例示的なルートデータセットに基づいて取得された基本トレーニングモデルに基づいて、ターゲットサイト１２０に対する比較的少ないルートデータを使用して、ターゲットサイト１２０に対する最適化されたより正確なターゲットルート計画モデル１６０を取得することができる。これにより、ユーザの運転体験を向上させるとともに、サーバの計算オーバーヘッドを低減させることができる。

図３は本開示の一実施例に係るターゲットルートデータセットを取得するプロセス３００の概略図である。例えば、プロセス３００は、図２に示すルート計画モデルを生成する方法２００のブロック２０２の一例としての実現と見なされても良い。なお、プロセス３００はまた、図示されない付加動作を含み、及び／または図示された動作を省略することができる。本開示の範囲は、この態様に限定されない。

ブロック３０２において、コンピューティングデバイス１５０は、ターゲットサイト１２０に関連付けられたターゲットルートデータ１３０を取得する。

上記で説明したように、取得が必要なターゲットルートデータセットは複数のターゲットルートデータを含み、そのうちの一部のターゲットルートデータ１３０は、ユーザによって交通手段１１０を操作してターゲットサイト１２０において収集され（例えば、５回で収集する）、その後、リモートサーバなどのようなコンピューティングデバイス１５０に送信されることができる。コンピューティングデバイス１５０は、さらなる処理のために、これらのターゲットルートデータを受信することができる。なお、ブロック３０２において収集されたターゲットルートデータサンプルの数は、ルート計画モデルを生成する方法２００において使用されるターゲットルートデータセットの複数のターゲットルートデータの数より少ないであっても良いことが理解されることができる。

ブロック３０４において、コンピューティングデバイス１５０は、上記のターゲットルートデータ１３０及びルートデータ変換モデルに基づいて、ターゲットルートデータセットを取得し、ターゲットルートデータセットは少なくとも上記ターゲットルートデータ１３０を含む。

上記で説明したように、ターゲットルートデータは画像データを含むことができる。従って、画像拡張モデルなどのルートデータ変換モデルを使用して、少ない数のターゲットルートデータをより多い数のターゲットルートデータサンプルに変換して、所望のターゲットルートデータセットを生成することができる。

なお、単一の環境条件において収集されたターゲットルートデータを使用してトレーニングされた最終的なターゲットルート計画モデル１６０は、ターゲットルート計画モデル１６０の異なる他の環境条件における精度に影響を与える。これは異なる環境条件において、例えば、照明などの条件において、収集された画像データに大きな影響を与えるためである。例えば、ターゲットルートデータが晴天で収集された場合、このターゲットルートデータに基づいてトレーニングされたターゲットルート計画モデル１６０は、雨天で計画されたルートの正確性が低い可能性がある

従って、いくつかの実施例では、ルートデータ変換モデルは、単一の環境条件において収集されたターゲットルートデータを異なる複数の環境条件において変換された複数のターゲットルートデータに変換してから、収集されたターゲットルートデータと変換された複数のターゲットルートデータが共同にターゲットルートデータセットとして構成される。例えば、ルートデータ変換モデルは、晴天で収集された１つのターゲットルートデータを曇天、雨天、雪天、夕方、夜間、及び逆光条件での６つの変換されたターゲットルートデータに変換し、異なる環境条件におけるデータ量を増加させることができる。

なお、ルートデータ変換モデルは、変換分野における様々な生成的敵対的ネットワーク（ＧＡＮ）、例えば、サイクルＧＡＮ（ＣｙｃｌｅＧＡＮ）、ＤＲＩＴ＋＋（Ｄｉｖｅｒｓｅ Ｉｍａｇｅ－ｔｏ－Ｉｍａｇｅ Ｔｒａｎｓｌａｔｉｏｎ ｖｉａ Ｄｉｓｅｎｔａｎｇｌｅｄ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ）などを採用することができる。第１ルート計画モデルと類似し、ルートデータ変換モデルはオフルート過程において事前にトレーニングされても良い。例えば、ルートデータ変換モデルは、晴天、曇天、雨天、雪天、夕方、夜間、及び逆光条件で収集された各種の画像データからなる画像データトレーニングセットを使用してトレーニングすることができる。いくつかの実施例において、ルートデータ変換モデルはターゲットサイト１２０に関連付けられた（例えば、各種の駐車場の）画像データを使用してトレーニングすることにより、ルートデータ変換モデルの精度をさらに改善する。

いくつかの実施例において、ターゲットルートデータを取得する時の環境条件が所定の環境条件ではない可能性があるため、事前に得られたルートデータ変換モデルは、１グループのルートデータ変換サブモデルを含むことができる。１グループのルートデータ変換サブモデルは、それぞれ異なる環境条件、例えば、晴天、曇天、雨天、雪天、夕方、夜間、及び逆光にそれぞれ対応している。コンピューティングデバイス１５０は、ターゲットデータを受信した後、ターゲットルートデータが存在するターゲット環境条件（例えば、夕方）を決定する。次いで、コンピューティングデバイス１５０は、当該ターゲット環境条件に基づいて、１グループのルートデータ変換サブモデルからターゲット環境条件（例えば、夕方）に対応する１つのルートデータ変換サブモデル（例えば、夕方から他の環境条件への変換サブモデル）を決定する。次に、コンピューティングデバイス１５０は、ターゲットルートデータ及び決定された１つのルートデータ変換サブモデル（例えば、夕方から他の環境条件への変換サブモデル）に基づいて、ターゲットルートデータセットを取得する。これにより、コンピューティングデバイス１５０は、ターゲットルートデータに一致する１つのルートデータ変換サブモデルを使用して変換して、ターゲットルートデータセットを取得することができる。

従って、本開示の実施例によって、ターゲットサイト１２０におけるターゲットルートデータサンプルの数に対する需要をさらに低減させることができる。例えば、ルートデータ変換モデルに基づいて、より少ない実際に収集されたターゲットルートデータに基づいて、ターゲットルートデータセットにおけるより多くのサンプル数を実現することができる。また、得られたターゲットルートデータセットは異なる環境条件におけるターゲットルートデータを含むことができる。これにより、ユーザの運転体験をさらに向上させ、サーバの計算オーバーヘッドを低減させるとともに、最終的なターゲットルート計画モデル１６０の異なる環境条件における精度を改善することができる。特定のターゲットサイト１２０に対しては、ユーザが交通手段１１０を運転してターゲットルートデータを５回で収集するだけでターゲットルート計画モデル１６０を決定することができる。

図４は本開示の一実施例に係る第１ルート計画モデルを決定するプロセス４００の概略図である。例えば、プロセス４００は図２に示すルート計画モデルを生成する方法２００のブロック２０４において利用される第１ルート計画モデルの決定プロセスの例示の実現と見なされても良い。なお、プロセス４００はまた、図示されない付加動作を含み、及び／または図示された動作を省略することができる。本開示の範囲は、この態様に限定されない。

上記で説明したように、第１ルート計画モデルは履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定される。なお、第１トレーニングは、ターゲットサイト１２０に対するターゲットルート計画モデル１６０の決定プロセスの前に、コンピューティングデバイス１５０によって事前に実行されている。以下、第１ルート計画モデルのトレーニングプロセスについて詳細に説明する。

第１トレーニングは、ブロック４０６、４０８に示すステップを含むことができる。

ブロック４０６において、複数の第１履歴ルートデータ及び第１ルート計画サブモデルに基づいて、コンピューティングデバイス１５０が第１トレーニング最適化ターゲットを決定する。ここで、複数の第１履歴ルートデータは履歴ルートデータセットに含まれても良い。

履歴ルートデータセットは複数の既知のサイトに対する複数のルートデータを含むことができる。一例では、履歴ルートデータセットにおいて、Ｎ個のサイトの各サイトに対して、Ｏ回（すなわち、合計Ｎ＊Ｏルートデータがある）で収集すると仮定すると、コンピューティングデバイス１５０は第１トレーニングのために、Ｏ回のルートデータからランダムにＭ回のルートデータを選択しても良い。言い換えれば、本例では、複数の第１履歴ルートデータはＮ＊Ｍ個のルートデータを含む。Ｎ＊Ｍ個のルートデー対象のタスクＴｉ（ｉ＝１，２，３．．．Ｎ）において逆伝播のためにレーニングすることができる。

汎用能力の高い第１ルート計画モデルをトレーニングするために、Ｎは通常、ある所定値より大きい必要があり、例えば、Ｎは５０である。Ｍは所定値（例えば、５５以上の特定値）であっても良いし、トレーニングプロセスにおいて、誤差と以上説明された第２閾値との比較に基づいて決定されても良い。

第１ルート計画サブモデルは、Ｎ個のサイトに対して調整されたモデルであってもよく、第１トレーニング最適化ターゲットは、Ｎ個のサイトに対応する複数の損失関数の合計（即ち、

）によって示されることが決定されても良い。
ここで、
ｆはモデルで採用されたネットワーク構造であり、
Ｌは損失関数であり、
θ´_ｉはサイトｉに対する第１ルート計画サブモデルの調整されたパラメータである。
θ´_ｉは、順伝播においてネットワークｆに入力される。
なお、デバイス１５０は複数の交通手段にサービスを提供し、それにこれらの交通手段の前に収集された複数のルードデータがすでに記憶され、これらのルートデータを使用してモデルをすでに調整した。従って、第１トレーニングにおいて、コンピューティングデバイスは同じ程度（例えば、同じ反復回数、同じ最適化ターゲット）で調整されたモデルを第１ルート計画サブモデルとして直接に取得することにより、θ´_ｉを取得することができる。
変形例として、コンピューティングデバイス１５０は、履歴ルートデータセットを使用して第２トレーニングにより直接に第１ルート計画サブモデルを決定することにより、θ´_ｉを取得しても良い。これは下記のようにブロック４０２、４０４を参照しながら、説明する。言い換えれば、この場合、第１ルート計画モデルのトレーニングプロセスは、２つの異なるトレーニングプロセスを含むことになる。

ブロック４０８において、第１トレーニング最適化ターゲットに基づいて、コンピューティングデバイス１５０は第１ルート計画サブモデルを更新して、第１ルート計画モデルを決定する。

第１トレーニング最適化ターゲットを決定した後、このときコンピューティングデバイス１５０は、Ｎ＊Ｍ回のルートデータを使用して移動トレーニングを行って、第１トレーニング最適化ターゲットに向けて最適化し、第１ルート計画モデルを決定する。一例では、この移動トレーニングは下式（１）のような勾配降下を実行することであっても良い。

ここで、βはハイパーパラメータ学習率であり、既存の経験に基づいて予め決定されることができる。
θは学習対象のパラメータである。つまり、逆伝播計算するのはθに対する勾配であり、更新するのもθである。第１トレーニング動作を複数タウンで継続的に実行して、更新されたθ´´を取得し、第１ルード計画モデルを決定することができる。

上記で説明したように、いくつかの実施例において、第１ルート計画サブモデルは第２トレーニングにより決定されても良く、ここで、第２トレーニングは、例えば図４における点線ブロック４０２および４０４に示すステップを含むことができる。

ブロック４０２において、複数の第２履歴ルートデータおよび初期ルート計画モデルに基づいて、コンピューティングデバイス１５０は初期ルート計画モデルの初期トレーニング最適化ターゲットを決定することができる。ここで、複数の第２履歴ルートデータは履歴ルートデータセットに含まれても良い。

なお、ここでは、どのように初期ルート計画モデルを取得するかを制限せず、当該初期ルート計画モデルはトレーニングされていないモデルであって良いし、他の初歩的にトレーニングされたモデルでも良い。

続いて、合計Ｎ＊Ｏのルートデータを有する履歴ルートデータセットの上記例を参照しながら説明する。各サイトに対して、コンピューティングデバイス１５０は、第２トレーニングのために、Ｏ回のルートデータからランダムにｍ回のルートデータを選択しても良い。いくつかの実施例において、ｍ回のルートデータはＭ回のルートデータと互いに異なる。他の実施例において、ｍ回のルートデータはＭ回のルートデータとは異なる。いくつかの実施例においてｍがＭより小さく、例えば、ｍはＭの所定の点数であっても良い（例えば、１／１１、即ちＭ＝５５の場合ｍ＝５を選択する）。一例において、Ｏ回のルートデータはｍ回と及びＭ回のルートデータからなり、即ち、Ｏ＝Ｍ＋ｍである。このＮ＊ｍ個のルートデータは行列を形成することができ、トレーニング対象のタスクＴ_ｉ（ｉ＝１，２，３．．．Ｎ）と見なされ、ここで、各タスクＴ_ｉにはｍ個のルートデータが含まれることができる。

初期トレーニング最適化ターゲットは、サイトｉにそれぞれ対応するターゲット損失関数（すなわち、

）によって示されることが決定されることができる。
ここで、
ｆはモデルによって採用されたネットワーク構造であり、
Ｌは損失関数であり、
θは順伝播においてネットワークｆに入力される。

ブロック４０４において、初期トレーニング最適化ターゲットに基づいて、コンピューティングデバイス１５０は初期ルート計画モデルを更新して、第１ルート計画サブモデルを決定することができる。

初期トレーニング最適化ターゲットを決定した後、コンピューティングデバイス１５０は、Ｎ＊ｍ回のルートデータを使用して第２トレーニングを行って、初期トレーニング最適化ターゲットに向けて最適化することにより、第１ルート計画サボモデルを決定する。一例では、第２トレーニングは下式（２）のような勾配降下を実行することであっても良い。

ここで、ａはハイパーパラメータ学習率であり、既存の経験に基づいて予め決定されることができ、一般的に、ａは式（１）におけるβより小さいように設定されている。式（１）と類似し、θは学習対象のパラメータであり、複数タウンで第２トレーニング動作を継続的に実行して、第１ルート計画サブモデルを決定し、各サイトｉに対する更新されたθ´_ｉを取得することができる。

従って、本開示の実施例によって、ターゲットの異なる２つのトレーニングプロセスを最適化することにより、汎化能力の高い基本トレーニングモデルを取得して、後に（複数の）ターゲットサイト１２０に対する正確なターゲットルート計画モデル１６０を取得する良好な基礎とすることができる。

図５は本開示の一実施例に係るターゲットルート計画モデル１６０を決定するプロセス５００の概略図である。例えば、プロセス５００は、図２に示すルート計画モデルを生成する方法２００におけるブロック２０４の例示の実現と見なされても良い。プロセス５００はまた、図示されない付加動作を含み、及び／または図示された動作を省略することができる。本開示の範囲はこの態様に限定されない。

ブロック５０２において、コンピューティングデバイス１５０は、ターゲットルートデータセット及び第１ルート計画モデルに基づいて、サイト最適化ターゲットを決定する。具体的には、ターゲットルート計画モデル１６０は、第１ルート計画モデルに基づいて、より少ないサンプル数を含むターゲットルートデータセットによってトレーニングして取得される。トレーニングにおいて、ターゲットルートデータセットにおける１つのターゲットルートデータを第１ルート計画モデルに入力して、予測された軌跡を取得することができる。予測された軌跡と実際に採集された軌跡との間の誤差を決定することができる。サイト最適化ターゲットは、当該誤差を示すことができ、上記で説明したように、サイト最適化ターゲットは、ターゲットサイト１２０に対応するターゲットよって示されることができる。

その後、ブロック５０４において、コンピューティングデバイス１５０はサイト最適化ターゲットに基づいて、第１ルート計画モデルを更新して、ターゲットルート計画モデル１６０を決定する。上記で説明したように、ターゲットサイト１２０のサイト最適化ターゲットは、最適化されたターゲットルート計画モデル１６０が特定のターゲットサイト１２０においてルート計画を行う誤差が１閾値より小さいようになることができる。コンピューティングデバイス１５０は、予測された軌跡と実際の軌跡との間の誤差が小さくなる方向に向かって、第１ルート計画モデルのパラメータを更新して、更新された第１ルート計画モデルを取得する。例えば、前記式２と類似する勾配降下の方式に基づいて上記更新を実行しても良い。複数タウンのトレーニングにおいて、トレーニング操作を反復的に実行して第１ルート計画モデルのパラメータを更新することにより、ターゲットルート計画モデル１６０を決定することができる。

本開示の実施例によって、より少ないトレーニングサンプルを含むターゲットルートデータセットのみを使用する場合に、より正確なターゲットルート計画モデル１６０を取得することができる。これにより、新しいターゲットサイト１２０にとって、少ない数の収集されたターゲットルートデータを使用して、ターゲットルート計画モデル１６０を効果的に取得することができる。

図６は本開示の一実施例に係るルート計画モデルを生成する装置６００の概略ブロック図である。図６に示されるように、ルート計画モデルを生成する装置６００は、ターゲットルートデータセット及び第１ルート計画モデルに基づいて、ターゲットサイト１２０に対応するサイト最適化ターゲットを使用して、ターゲットサイト１２０のターゲットルート計画モデルを決定するデータ取得モジュール６０２を備えることができる。

ルート計画モデルを生成する装置６００は、ターゲットサイト１２０に関連付けられたターゲットルートデータセットを取得するターゲットルート計画モデル決定モジュール６０４をさらに備えることができる。ここで、第１ルート計画モデルは、履歴ルートデータセットに基づいて、少なくとも第１トレーニングを利用して決定され、履歴ルートデータセットは、ターゲットサイト１２０とは異なる複数のサイトに関連付けられ、第１トレーニングの第１トレーニング最適化ターゲットが複数のサイトに対応する。

いくつかの実施例において、サイト最適化ターゲットは、ターゲットルート計画モデルのターゲットサイトにおけるターゲットルート計画誤差を低減させ、第１トレーニング最適化ターゲットは、第１ルート計画モデルの複数のサイトにおける複数のルート計画誤差を低減させる。

いくつかの実施例において、サイト最適化ターゲットは、ターゲットサイト１２０に対応するターゲット損失関数によって示され、第１トレーニング最適化ターゲットは、複数のサイトにそれぞれ対応する複数のサイト損失関数の合計によって示される。

いくつかの実施例において、履歴ルートデータセットは、複数の第１履歴ルートデータを含む。ここで、ターゲットルート計画モデル決定モジュール６０４は、さらに、複数の第１履歴ルートデータ及び第１ルート計画サブモデルに基づいて、第１トレーニング最適化ターゲットを決定する第１トレーニング最適化ターゲット決定モジュールと、第１トレーニング最適化ターゲットに基づいて、第１ルート計画サブモデルを更新して、第１ルート計画モデルを決定する第１ルート計画モデル決定モジュールとを備える。

いくつかの実施例において、履歴ルートデータセットは、さらに、複数の第２履歴ルートデータを含み、第１ルート計画サブモデルはターゲットルート計画モデル決定モジュール６０４によって複数の第２トレーニングを通じて決定される。ここで、ターゲットルート計画モデル決定モジュール６０４は、さらに、複数の第２履歴ルートデータ及び初期ルート計画モデルに基づいて初期ルート計画モデルの初期トレーニング最適化ターゲットを決定する初期トレーニング最適化ターゲット決定モジュールと、初期トレーニング最適化ターゲットに基づいて、初期ルート計画モデルを更新して第１ルート計画サブモデルを決定する第１ルート計画サブモデル決定モジュールとを備える。

いくつかの実施例において、データ取得モジュール６０２は、さらに、ターゲットサイト１２０に関連付けられたターゲットルートデータを取得するターゲットルートデータ取得モジュールと、ターゲットルートデータ及びルートデータ変換モデルに基づいて、少なくともターゲットルートデータが含まれるターゲットルートデータセットを取得するターゲットルートデータセット取得モジュールとを備える。

いくつかの実施例において、ルートデータ変換モデルは、１グループのルートデータ変換サブモデルを含み、１グループのルートデータ変換サブモデルはそれぞれ異なる環境条件に対応する。ここで、データ取得モジュール６０２は、さらに、ターゲットルートデータが存在するターゲット環境条件を決定するターゲット環境条件決定モジュールと、ターゲット環境条件に基づいて、１グループのルートデータ変換サブモデルから、ターゲット環境条件に対応する１つのルートデータ変換サブモデルを決定するルートデータ変換モデル選択モジュールとを備える。そして、ターゲットルートデータセット取得モジュールは、さらに、ターゲットルートデータ、および決定された１つのルートデータ変換サブモデルに基づいてターゲットルートデータセットを取得する。

いくつかの実施例において、ターゲットルート計画モデル決定モジュール６０４は、さらに、ターゲットルートデータセット及び第１ルート計画モデルに基づいて、サイト最適化ターゲットを決定するサイト最適化ターゲット決定モジュールを備える。ここで、ターゲットルート計画モデル決定モジュール６０４は、さらに、サイト最適化ターゲットに基づいて、第１ルート計画モデルを更新してターゲットルート計画モデルを決定する。

図７は本開示の一実施例に係る交通手段の軌跡を決定する方法７００の概略図である。本実施例によれば、ターゲットルート計画モデル１６０を使用して、ターゲットサイト１２０における交通手段１１０の軌跡を決定することができる。一例では、ターゲット駐車場での自律駐車にとって、この軌跡は駐車場の入口から所定の駐車スペースまでのルート上の軌跡点を含むことができる。具体的には、交通手段１１０の軌跡を決定するプロセスは、交通手段１１０において実行されても良いし、または一部が交通手段１１０のローカルで実現され、かつ一部がリモートサーバまたはクラウドにおいて実行されても良いし、またはすべてがリモートサーバまたはクラウドにおいて実行されても良い。下記で、交通手段１１０の軌跡を決定するプロセスを交通手段１１０において実行することについて説明する。

ブロック７０２において、交通手段１１０は、ターゲットサイト１２０の現在ルートデータを取得し、現在ルートデータが交通手段の少なくとも１つのセンサによって取得される。具体的には、交通手段１１０は、リモートサーバなどのコンピューティングデバイス１５０からトレーニング済みのターゲットルート計画モデル１６０を取得することができる。なお、交通手段１１０は、少なくとも１つのセンサに加え、読み取り専用メモリ（ＲＯＭ）に記憶されているコンピュータプログラム命令または記憶ユニットからランダムアクセスメモリ（ＲＡＭ）にロードされたコンピュータプログラム命令に基づいて、様々な適当な動作および処理を実行して、交通手段１１０の軌跡を決定するための中央処理装置（ＣＰＵ）を含むことができる。交通手段１１０がターゲットサイト１２０に入った後、少なくとも１つのセンサ（例えば、画像収集装置１１５）を使用して、ターゲットサイト１２０の現在ルートデータを取得することができる。

ブロック７０４において、ターゲットルート計画モデル１６０及び現在ルートデータに基づいて、交通手段１１０の軌跡を決定する。具体的には、現在ルートデータは、ターゲットサイト１２０に対する複数の画像を含み、複数の画像がターゲットルート計画モデル１６０に入力され、ターゲットルート計画モデル１６０によって算出された後に、ターゲットサイト１２０の軌跡点が出力される。これらの軌跡点を使用して、さらに後続の処理において、制御パラメータ、例えば、交通手段１１０のステアリング、アクセル、ブレーキなどを制御する制御パラメータを算出して、交通手段の対応する実行機構が対応する動作を実行するように命令する。

いくつかの実施例において、交通手段１１０がターゲットサイト１２０において自律駐車する回数が増えるにつれて、毎回に収集された現在ルートデータを使用して、さらに既存のターゲットルート計画モデル１６０を更新することができる。これにより、ターゲットルート計画モデル１６０の精度をさらに改善することができる。

図８は本開示の実施例に係る交通手段８００の概略ブロック図である。交通機関８００は、図１の交通手段１１０を実現するための具体的な一例である。図７に示されるように、交通手段８００は、交通手段の少なくとも１つのセンサを使用して、ターゲットサイト１２０の現在ルートデータを取得する現在ルートデータ取得モジュール８０２と、図２から図５を参照して説明されたルート計画モデルを生成する方法に基づいて決定されたターゲットルート計画モデルと現在ルートデータとに基づいて、交通手段８００の軌跡を決定する軌跡決定モジュール８０４とを備える。

本願の実施例として、電子機器及び読み取り可能な記憶媒体をさらに提供する。
本願の実施例として、コンピュータプログラムを提供する。コンピュータプログラムは、コンピュータに本願によって提供されるルート計画モデルを生成する方法を実行させる。

図９に示されるように、本願の一実施例に係るルート計画モデルを生成する方法の電子機器９００のブロック図である。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレームコンピュータ、及び他の適切なコンピュータなどの様々な形態のデジタルコンピュータを表すことを意図している。電子機器は、パーソナルデジタルプロセッサ、携帯電話、スマートフォン、ウエアラブル装置及び他の類似するコンピューティングデバイスなどの様々な形態のモバイルデバイスを表し得る。本明細書に示されるコンポーネント、それらの接続及び関係、並びにそれらの機能は、単なる例であり、本明細書に説明及び／又は主張される本願の実現を制限することを意図していない。

図９に示されるように、電子機器は、少なくとも１つのプロセッサ９０１と、メモリ９０２と、高速インターフェース及び低速インターフェースを含む、各コンポーネントを接続するインターフェースとを備える。各コンポーネントは、異なるバスで互いに接続され、共通のマザーボードに取り付けられてもよく、必要に応じて他の方法で取り付けられてもよい。ブロセッサは、外部入力／出力装置（例えば、インターフェースに結合された表示装置）にＧＵＩのグラフィック情報をディスプレイするためにメモリ内又はメモリに記憶されている命令を含む、電子機器内で実行可能な命令を処理することができる。他の実施形態において、必要であれば、複数のブロセッサ及び／又は複数本のバスを、複数のメモリと一緒に使用してもよい。同様に、複数の電子機器を接続してもよく、各装置は一部の必要な操作（例えば、サーバアレイ、１グループのブレードサーバ、又はマルチプロセッサシステムとする）を提供する。図９では、１つのプロセッサ９０１を一例に挙げている。

メモリ９０２は、本願によって提供される非一時的なコンピュータ読み取り可能な記憶媒体である。ここで、メモリ９０２には、少なくとも１つのプロセッサが本願によって提供されるルート計画モデルを生成する方法を実行するように、少なくとも１つのプロセッサによって実行可能な命令が記憶されている。本願の非一時的なコンピュータ読み取り可能な記憶媒体には、コンピュータに本願によって提供されるルート計画モデルを生成する方法を実行させるためのコンピュータ命令が記憶されている。

メモリ９０２は、非一時的なコンピュータ読み取り可能な記憶媒体として、本願の一実施例のルート計画モデルを生成する方法に対応するプログラム命令／モジュール（例えば、図６に示す画像デート取得モジュール６０２、及びターゲットルート計画モデル決定モジュール６０４）のような、非一時的なソフトウェアプログラム、非一時的なコンピュータ実行可能なプログラム及びモジュールを記憶する。プロセッサ９０１は、メモリ９０２に記憶されている非一時的なソフトウェアプログラム、命令及びモジュールを実行することにより、サーバの様々な機能アプリケーション及びデータ処理を実行し、即ち、上記のルート計画モデルを生成する方法を実施する。

メモリ９０２は、オペレーティングシステム及び少なくとも１つの機能に必要なアプリケーションプログラムを記憶することが可能なストレージプログラムエリアと、ルート計画モデルを生成する方法の電子機器の使用に応じて作成されたデータなどを記憶することが可能なストレージデータエリアとを含んでもよい。また、メモリ９０２は、高速ランダムアクセスメモリを含んでもよく、非一時的なメモリを含んでもよく、例えば少なくとも１つの磁気ディスクストレージデバイス、フラッシュメモリデバイス、又は他の非一時的なソリッドステートメモリデバイスがある。一部の実施例において、メモリ９０２は、プロセッサ９０１に対して遠隔に設置されたメモリを選択的に含むことができ、これらの遠隔メモリはネットワークを介してルート計画モデルを生成する方法の電子機器に接続できる。上記ネットワークは、一例としてインターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びそれらの組み合わせを含むが、これらに限定されない。

ルート計画モデルを生成する方法の電子機器は、入力装置９０３及び出力装置９０４をさらに備える。プロセッサ９０１、メモリ９０２、入力装置９０３及び出力装置９０４は、バス又は他の方法を介して接続してもよく、図９では、バスによる接続を一例としている。

入力装置９０３は、入力された数字や文字情報を受信し、ルート計画モデルを生成する方法の電子機器のユーザ設定及び機能制御に関するキー信号の入力を発生することができ、例えば、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパネル、ポインティングスティック、少なくとも１つのマウスボタン、トラックボール、ジョイスティック等の入力装置がある。出力装置９０４は、表示装置、補助照明装置（例えば、ＬＥＤ）及び触覚フィードバック装置（例えば、振動モータ）などを含み得る。当該表示装置は、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ及びプラズマディスプレイを含み得るが、これらに限定されない。一部の実施形態において、表示装置はタッチスクリーンであってもよい。

本明細書で説明するシステム及び技術案の様々な実施形態は、デジタル電子回路システム、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせによって実現されることができる。これらの様々な実施形態は次のような方法を含み得る。少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステムで実行及び／又は解釈され得る少なくとも１つのコンピュータプログラムで実施され、プログラマブルプロセッサは、専用又は汎用のプログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置からデータ及び命令を受信するとともに、データ及び命令を記憶システム、少なくとも１つの入力装置、及び少なくとも１つの出力装置に伝播することができる。

これらのコンピューティングプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、またはコードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含み、ハイレベルプロセス及び／又はオブジェクト指向のプログラミング言語、及び／又はアセンブリ／機械語を利用してこれらのコンピューティングプログラムを実施してもよい。本明細書に使用されているような、「機械読み取り可能な媒体」及び「コンピュータ読み取り可能な媒体」という用語は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための如何なるコンピュータプログラム製品、機器、及び／又は装置（例えば、磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指し、機械読み取り可能な信号としての機械命令を受信する機械読み取り可能な媒体を含む。「機械読み取り可能な信号」という用語は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意の信号を指す。

ユーザとの対話を提供するために、コンピュータ上で本明細書に説明したシステム及び技術を実施でき、コンピュータは、ユーザに情報を表示するための表示装置（例えば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ）モニタ）と、キーボード及びポインティングデバイス（例えば、マウスやトラックボールなど）とを有し、ユーザはキーボード及びポインティングデバイスを介して入力をコンピュータに提供することができる。他の種類の装置も、ユーザとのインターアクションを提供するために用いることができ、例えば、ユーザに提供されるフィードバックは、如何なる形態のセンシングフィードバック（例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）であってもよく、如何なる形態（音響入力、音声入力又は触覚入力を含む）でユーザからの入力を受信してもよい。

ここで説明されるシステム及び技術は、バックエンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとする）、又はミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ）、又はフロントエンドコンポーネントを含むコンピューティングシステム（例えば、グラフィカルユーザインタフェース又はウェブブラウザを有するユーザコンピュータであり、ユーザは、グラフィカルユーザインタフェース又はウェブブラウザによってここで説明されるシステム及び技術の実施方式とインタラクションする）、又はこのようなバックエンドコンポーネントと、ミドルウェアコンポーネントと、フロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムで実施することができる。任意の形態又は媒体のデジタルデータ通信（例えば、通信ネットワーク）によってシステムのコンポーネントを相互に接続することができる。通信ネットワークの例は、ローカルエリアネットワーク（ＬＡＮ）と、ワイドエリアネットワーク（ＷＡＮ）と、インターネットとを含む。

コンピュータシステムは、クライアント及びサーバを含み得る。クライアント及びサーバは、一般に、互いに離れていて、通常通信ネットワークを介してインタラクションする。クライアントとサーバとの関係は、対応するコンピュータ上で実行されるとともに互いにクライアント―サーバ関係を有するコンピュータプログラムによって生成される。

本出願の実施例の技術的解決手段によれば、ターゲットサイト１２０におけるターゲットルートデータサンプルの数に対する需要を低減させることができる。さらに、他の既知の複数のサイトの例示的なルートデータセットに基づいて取得された基本トレーニングモデルは、ターゲットサイト１２０に対するより少ないルートデータを使用して、ターゲットサイト１２０に対する最適化されたより正確なターゲットルート計画モデル１６０を取得することができる。これにより、ユーザの運転体験を向上させるとともに、サーバの計算オーバーヘッドを低減させることができる。

なお、上記に示される様々な形態のフローを使用して、ステップを並べ替え、追加、又は削除することができることを理解されたい。例えば、本出願に記載されている各ステップは、並列に実行されてもよいし、順次的に実行されてもよいし、異なる順序で実行されてもよいが、本出願で開示されている技術案が所望の結果を実現することができれば、本明細書では限定されない。

上記の具体的な実施方式は、本出願の保護範囲を制限するものではない。当業者は、設計要求と他の要因に応じて、様々な修正、組み合わせ、サブコンビネーション、及び代替を行うことができる。任意の本出願の精神と原則内で行われる修正、同等の置換、及び改善などは、いずれも本出願の保護範囲内に含まれなければならない。

Claims (19)

1. ルート計画モデルを生成する方法であって、コンピュータによって実行され、
   ターゲットサイトに関連付けられたターゲットルートデータセットを取得するステップと、
   前記ターゲットルートデータセット及び第１ルート計画モデルに基づいて、前記ターゲットサイトに対応するサイト最適化ターゲットを使用して、前記ターゲットサイトのターゲットルート計画モデルを決定するステップであって、
   前記第１ルート計画モデルは、履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定され、前記履歴ルートデータセットは、前記ターゲットサイトとは異なる複数のサイトに関連付けられ、前記第１トレーニングの第１トレーニング最適化ターゲットが前記複数のサイトに対応するステップとを含み、
   前記サイト最適化ターゲットは、前記ターゲットサイトに対応するターゲット損失関数によって示され、前記第１トレーニング最適化ターゲットは、前記複数のサイトにそれぞれ対応する複数のサイト損失関数の合計によって示されるルート計画モデルを生成する方法。
2. 前記サイト最適化ターゲットは、前記ターゲットルート計画モデルの前記ターゲットサイトにおけるターゲットルート計画誤差を低減させ、
   前記第１トレーニング最適化ターゲットは、前記第１ルート計画モデルの前記複数のサイトにおける複数のルート計画誤差を低減させる請求項１に記載のルート計画モデルを生成する方法。
3. 前記履歴ルートデータセットは、複数の第１履歴ルートデータを含み、
   前記第１トレーニングは、
   複数の前記第１履歴ルートデータ及び第１ルート計画サブモデルに基づいて、前記第１トレーニング最適化ターゲットを決定するステップと、
   前記第１トレーニング最適化ターゲットに基づいて、前記第１ルート計画モデルを更新して、前記第１ルート計画モデルを決定するステップとによって実行される請求項１に記載のルート計画モデルを生成する方法。
4. 前記履歴ルートデータセットは、さらに、複数の第２履歴ルートデータを含み、
   前記第１ルート計画サブモデルは、第２トレーニングにより決定され、
   該第２トレーニングは、
   複数の前記第２履歴ルートデータ及び初期ルート計画モデルに基づいて、該初期ルート計画モデルの初期トレーニング最適化ターゲットを決定するステップと、
   前記初期トレーニング最適化ターゲットに基づいて、前記初期ルート計画モデルを更新して、前記第１ルート計画サブモデルを決定するステップとによって実行される請求項３に記載のルート計画モデルを生成する方法。
5. 前記ターゲットルートデータセットを取得するステップは、
   前記ターゲットサイトに関連付けられたターゲットルートデータを取得するステップと、
   前記ターゲットルートデータおよび前記ルートデータ変換モデルに基づいて、前記ターゲットルートデータセットを取得するステップであって、前記ターゲットルートデータセットは少なくとも前記ターゲットルートデータを含むステップとを含む請求項１に記載のルート計画モデルを生成する方法。
6. 前記ルートデータ変換モデルは、１グループのルートデータ変換サブモデルを含み、前記１グループのルートデータ変換サブモデルがそれぞれ異なる環境条件に対応し、
   前記ターゲットルートデータセットを取得するステップは、さらに、
   前記ターゲットルートデータが存在するターゲット環境条件を決定するステップと、
   前記ターゲット環境条件に基づいて、前記１グループのルートデータ変換サブモデルから、前記ターゲット環境条件に対応する１つのルートデータ変換サブモデルを決定するステップと、
   前記ターゲットルートデータと、決定された１つの前記ルートデータ変換サブモデルとに基づいて、前記ターゲットルートデータセットを取得するステップとを含む請求項５に記載のルート計画モデルを生成する方法。
7. 前記ターゲットルート計画モデルを決定するステップは、
   前記ターゲットルートデータセット及び前記第１ルート計画モデルに基づいて、前記サイト最適化ターゲットを決定するステップと、
   前記サイト最適化ターゲットに基づいて、前記第１ルート計画モデルを更新して、前記ターゲットルート計画モデルを決定するステップとを含む請求項１に記載のルート計画モデルを生成する方法。
8. 前記ターゲットサイトの現在ルートデータを取得するステップであって、前記現在ルートデータが交通手段の少なくとも１つのセンサによって取得されるステップと、
   請求項１から請求項７のいずれかに記載のルート計画モデルを生成する方法により決定された前記ターゲットルート計画モデル及び前記現在ルートデータに基づいて、前記交通手段の軌跡を決定するステップとを含む交通手段の軌跡を決定する方法。
9. ターゲットサイトに関連付けられたターゲットルートデータセットを取得するデータ取得モジュールと、
   前記ターゲットルートデータセット及び第１ルート計画モデルに基づいて、前記ターゲットサイトに対応するサイト最適化ターゲットを使用して、前記ターゲットサイトのターゲットルート計画モデルを決定するターゲットルート計画モデル決定モジュールであって、
   前記第１ルート計画モデルは履歴ルートデータセットに基づいて、少なくとも第１トレーニングを使用して決定され、前記履歴ルートデータセットは、前記ターゲットサイトとは異なる複数のサイトに関連付けられ、前記第１トレーニングの第１トレーニング最適化ターゲットが前記複数のサイトに対応するターゲットルート計画モデル決定モジュールとを備え、
   前記サイト最適化ターゲットは、前記ターゲットサイトに対応するターゲット損失関数によって示され、前記第１トレーニング最適化ターゲットは、前記複数のサイトにそれぞれ対応する複数のサイト損失関数の合計によって示されるルート計画モデルを生成する装置。
10. 前記サイト最適化ターゲットは、前記ターゲットルート計画モデルの前記ターゲットサイトにおけるターゲットルート計画誤差を低減させ、前記第１トレーニング最適化ターゲットは、前記第１ルート計画モデルの前記複数のサイトにおける複数のルート計画誤差を低減させる請求項９に記載のルート計画モデルを生成する装置。
11. 前記履歴ルートデータセットは、複数の第１履歴ルートデータを含み、前記ターゲットルート計画モデル決定モジュールは、さらに、
    複数の前記第１履歴ルートデータ及び第１ルート計画サブモデルに基づいて、前記第１トレーニング最適化ターゲットを決定する第１トレーニング最適化ターゲット決定モジュールと、
    前記第１トレーニング最適化ターゲットに基づいて、前記第１ルート計画サブモデルを更新して、前記第１ルート計画モデルを決定する第１ルート計画モデル決定モジュールとを備える請求項９に記載のルート計画モデルを生成する装置。
12. 前記履歴ルートデータセットは、さらに、複数の第２履歴ルートデータを含み、前記第１ルート計画サブモデルが前記ターゲットルート計画モデル決定モジュール６０４によって複数の第２トレーニングを通じて決定され、
    前記ターゲットルート計画モデル決定モジュールは、さらに、
    複数の前記第２履歴ルートデータ及び初期ルート計画モデルに基づいて、該初期ルート計画モデルの初期トレーニング最適化ターゲットを決定する初期トレーニング最適化ターゲット決定モジュールと、
    前記初期トレーニング最適化ターゲットに基づいて、前記初期ルート計画モデルを更新して、前記第１ルート計画サブモデルを決定する第１ルート計画サブモデル決定モジュールとを備える請求項１１に記載のルート計画モデルを生成する装置。
13. 前記データ取得モジュールは、さらに、
    前記ターゲットサイトに関連付けられたターゲットルートデータを取得するターゲットルートデータ取得モジュールと、
    前記ターゲットルートデータ及びルートデータ変換モデルに基づいて、少なくとも前記ターゲットルートデータが含まれる前記ターゲットルートデータセットを取得するターゲットルートデータセット取得モジュールとを備える請求項９に記載のルート計画モデルを生成する装置。
14. 前記ルートデータ変換モデルは、１グループのルートデータ変換サブモデルを含み、前記１グループのルートデータ変換サブモデルがそれぞれ異なる環境条件に対応し、
    前記データ取得モジュールは、さらに、
    前記ターゲットルートデータが存在するターゲット環境条件を決定するターゲット環境条件決定モジュールと、
    前記ターゲット環境条件に基づいて、前記１グループのルートデータ変換サブモデルから、前記ターゲット環境条件に対応する１つのルートデータ変換サブモデルを決定するルートデータ変換モデル選択モジュールとを備え、
    前記ターゲットルートデータセット取得モジュールは、さらに、前記ターゲットルートデータ、および決定された１つの前記ルートデータ変換サブモデルに基づいて、前記ターゲットルートデータセットを取得する請求項１３に記載のルート計画モデルを生成する装置。
15. 前記ターゲットルート計画モデル決定モジュールは、さらに、
    前記ターゲットルートデータセット及び前記第１ルート計画モデルに基づいて、前記サイト最適化ターゲットを決定するサイト最適化ターゲット決定モジュールを備え、
    前記ターゲットルート計画モデル決定モジュールは、さらに、前記サイト最適化ターゲットに基づいて、前記第１ルート計画モデルを更新して、前記ターゲットルート計画モデルを決定する請求項９に記載のルート計画モデルを生成する装置。
16. 交通手段であって、
    少なくとも１つのセンサを使用して、ターゲットサイトの現在ルートデータを取得するように構成される現在ルートデータ取得モジュールと、
    請求項１から請求項７のいずれかに記載のルート計画モデルを生成する方法により決定された前記ターゲットルート計画モデル及び前記現在ルートデータに基づいて、前記交通手段の軌跡を決定する軌跡決定モジュールとを備える交通手段。
17. 少なくとも１つのプロセッサと、
    少なくとも１つの該プロセッサに通信可能に接続されるメモリとを備え、
    該メモリには、少なくとも１つの前記プロセッサによって実行可能な命令が記憶され、該命令は、少なくとも１つの前記プロセッサが請求項１から請求項７のいずれかに記載のルート計画モデルを生成する方法を実行できるように、少なくとも１つの前記プロセッサによって実行される電子機器。
18. コンピュータ命令が記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ命令は、コンピュータに請求項１から請求項７のいずれかに記載のルート計画モデルを生成する方法を実行させる非一時的なコンピュータ読み取り可能な記憶媒体。
19. コンピュータに請求項１から請求項７のいずれかに記載のルート計画モデルを生成する方法を実行させるコンピュータプログラム。

Images