JP7609866B2 - センサデータアラインメントの補正及び環境マッピング関連アプリケーション - Google Patents

Description

本ＰＣＴ国際出願は、参照により本明細書に組み込まれる、２０１９年１１月２６日に出願された米国特許出願第１６／６９７，１１７号の優先権の利益を主張する。

ロボット及び他のデバイス、例えば拡張現実デバイスは、センサデータを収集して、デバイスを取り囲む環境内に何のオブジェクトがあり、デバイスがそれらのオブジェクトに対して環境内でどこにあるかを判定し得る。いくつかの例では、センサデータは、環境のマップ及び環境を通るデバイスの経路を生成するために収集され得る。そのようなマップ内の不正確さは、マップに依存するデバイスに、環境内のデバイスの位置を誤って判定させる可能性があり、デバイスによって実行される動作を阻害する可能性があり、またはデバイスのユーザまたは環境内の他のユーザの安全を危険にさらす可能性さえある。

さらに、センサデータ及び／またはマップは、信じられないほど複雑であり、かつ／または機械言語で符号化され、都市全体などの大きな領域にわたって収集され得る。これらの要因のいずれかは、人間がセンサデータ及び／またはそこから生成されたマップ内の誤差を検出することを怪しくし、または不可能にさえする。

米国特許出願第１５／６７４，８５３号明細書 米国特許出願第１５／６７５，４８７号明細書

詳細な説明は、添付の図面を参照してなされる。図面において、参照番号の左端の数字は、その参照番号が最初に現れる図を識別する。異なる図面における同一の参照番号は、類似するまたは同一の項目を示している。
図１は、位置決めコンポーネントで構成された自律車両が、センサデータ及びマップに少なくとも部分的に基づいて環境に対する自律車両のポーズを決定し得、及び／または車両の推定軌道及び／またはマップを決定するためのセンサデータを収集し得る例示的なシナリオを示す。 図２は、位置決めコンポーネント、マッピングコンポーネント、及び補正コンポーネントを含む例示的なシステムのブロック図を示す。 図３Ａは、環境の例示的なトップダウン表現を示す。 図３Ｂは、２つの異なるポーズ、ポーズ間のリンク、及び例示的なセンサデータアラインメントに関連付けられたセンサデータの２つのセットを示す。 図４は、センサ位置決め、センサデータアラインメント、並びに／または軌道を補正し、マップを決定し、及び／または機械学習モデルを訓練するための訓練データを生成して、除去、追加、または調整するリンクを識別するための例示的なプロセスのフローチャートを示す。 図５Ａは、２種類のリンク修正を示す。図５Ａは、異なるトンネル内に位置する２つのポーズ間のリンク削除を示す。 図５Ｂは、２種類のリンク修正を示す。図５Ｂは、高速道路の両側の２つのポーズ間のリンク追加を示す。

環境に関連付けられたマップを生成することは、１つ以上の車両から受信したセンサデータを収集することを含み得る。車両は、環境に関連付けられたセンサデータをキャプチャする１つ以上のセンサで構成された自律車両、半自律車両、及び／または有人車両を含み得る。１つ以上のセンサは、光検出及び測距（ライダー）センサ、無線検出及び測距（レーダー）センサ、音検出及び測距（ソナー）センサ、画像キャプチャデバイス（例えば、ＲＧＢカメラ、強度カメラ、ＩＲカメラ、ステレオカメラ、深度カメラ等）、または他のセンサを含んでよい。非限定的な例として、車両は、８つのライダーセンサで構成された自律車両であってもよい。ライダーセンサのそれぞれは、環境内の検出された表面に対応するデータを返すことができる。データは、検出された表面の少なくとも一部に対応する座標（例えば、デカルト座標、極座標等）を有する点（例えば、データポイント）として表されてよい。

いくつかの例では、１つまたは複数の車両は、同じまたは類似の視点から、及び／または異なる視点から環境の一部を複数回通過してもよく、１つまたは複数の車両によってキャプチャされたセンサデータは、受信されて、センサデータの集合体に集約されてよい。したがって、１つ以上の車両から受信したセンサデータの収集は、環境の同じ部分に関連付けられたセンサデータのサブセットを含み得る。例えば、センサデータの収集は、環境の一部と関連付けられて車両から受信された第１のセンサデータと、後続の時間にその車両から受信された同じ部分に関連付けられた第２のセンサデータと、または別の車両から受信された第２のセンサデータとを含み得る。第１のセンサデータ及び第２のセンサデータは、同じ、類似、または異なるセンサポーズに関連付けられ得る。換言すれば、第１のセンサデータがキャプチャされた時点で、車両のセンサ（複数可）は、第１のポーズ（すなわち、ポーズは、位置及び／または向きを含んでよい）に位置して配向され、第２のセンサデータは、車両（または別の車両）のセンサ（複数可）が同じ、類似、または異なるポーズに位置している間にキャプチャされている。換言すれば、環境の一部は、同じ及び異なるポーズから見えてよい。換言すれば、第１のセンサデータがキャプチャされた時点で、車両のセンサ（複数可）は、第１のポーズ（すなわち、ポーズは、位置及び／または向きを含んでよい）に位置して配向され、第２のセンサデータは、車両（または別の車両）のセンサ（複数可）が同じ、類似、または異なるポーズに位置している間にキャプチャされている。換言すれば、環境の一部は、同じ及び異なるポーズから見えてよい。したがって、第２のセンサデータは、第１のセンサデータと同じ環境の部分に関連付けられ得るが、第２のセンサデータは、その部分の代替または追加の部分に関連付けられたセンサデータの少なくとも一部を含み得る。例えば、第１のセンサデータは、建物の第１の側面の表面を示すデータポイントを含み得、第２のセンサデータは、第１のセンサデータとは異なるポーズから第２のセンサデータがキャプチャされることにより、同じ建物の第１の側面及び／または第２の側面の表面を示すデータポイントを含み得る。

収集されたセンサデータの少なくとも一部を使用して環境のマップを決定することは、収集されたセンサデータの第１のセンサデータと第２のセンサデータとの間のリンクを決定することを含み得、リンクは、第１のセンサデータ及び第２のセンサデータが環境の同じ部分に関連付けられていることを示し得、及び／またはリンクは、第１のポーズが第２のポーズに関連付けられていることを示し得る。リンクを判定することは、第１のポーズ及び第２のポーズが、例えば、ポーズ間の閾値距離、２つのポーズに関連付けられたセンサデータの類似性等のグローバルパラメータを満たすと判定することに少なくとも部分的に基づいてもよい。そのようなリンクは、提案されたリンクであり得る。第１のポーズは、第１のセンサデータと関連付けられ得、第２のポーズは、第２のセンサデータと関連付けられ得るため、リンクは、第１のセンサデータ及び第２のセンサデータと暗黙的に（または上記のように明示的に）関連付けられ得る。いくつかの例では、第１のポーズ及び／または第２のポーズは、２０１７年８月１１日に出願された特許文献１（その全体が本明細書に組み込まれる）でより詳細に論じられているように、（例えば、ベイズフィルタ（カルマンフィルタなど）、バンドル調整、最大事後確率推定（ＭＡＰ）、及び／または任意のＳＬＡＭ（simultaneous localization and mapping）アルゴリズムを使用して）自律走行車によって推定されるポーズであってもよい。

いくつかの例では、マップを決定することは、追加的または代替的に、リンクに少なくとも部分的に基づいて、第１のセンサデータの第２のセンサデータへのアラインメント（alignment）を決定することを含み得る。例えば、アラインメントを決定することは、第１のポーズと第２のポーズとの間の提案されたリンクの存在に少なくとも部分的に基づいてもよい。リンクは、本明細書で論じられるシステムに、ポーズ（複数可）の変換を決定して、それに関連付けられたセンサデータを整列させ（align）、及び／または変換（複数可）が決定されると、変換（複数可）をリンクに関連付けることを試みさせ得る。いくつかの例では、技法は、アラインメント（複数可）及び／またはマップを決定する前に、提案されたリンクを表示することを含み得る。第１のセンサデータ及び第２のセンサデータを整列させることは、第１のセンサデータ及び第２のセンサデータに関連付けられたポーズのうちの少なくとも１つを摂動して、整列に関連付けられた誤差を低減することを含み得る。いくつかの例では、誤差は、第１のセンサデータ及び第２のセンサデータのそれぞれのデータポイントの間の合計残差を含み得る。換言すると、誤差は、第１のセンサデータが第２のセンサデータとアラインメントされている距離からどの程度離れているかを示すものであり得る。

ポーズを摂動すること（perturbing）は、ポーズの位置及び／または向き（例えば、ポーズに関連付けられた横方向及び／または縦方向に変化する座標、ポーズに関連付けられたヨー、ロール、及び／またはピッチを変更すること）を移動することを含み得、これは、それに関連付けられたセンサデータの向きに関連付けられ得る。換言すると、ポーズの位置及び／または向きの変更は、それに関連付けられたセンサデータに対応する変更を引き起こし得る。いくつかの例では、ポーズは、別個のセンサのポーズであってもよく、またはポーズは、センサが関連付けられている車両の位置及び／または向きなどの１つ以上のセンサの基準フレームであってもよい。後者の例では、離散センサは、車両のポーズに対してセンサのポーズに関連付けられ得る。誤差が最小限に抑えられるか、またはそうでなければ十分である（例えば、誤差が誤差閾値を下回る）と、ポーズを摂動する／センサデータを整列させることによって、整列に関連付けられた変換は、リンクと関連付けられて記憶され得る。

本明細書で論じられる技術は、リンクを追加する、リンクを削除する、またはリンクに関連付けられたパラメータを修正する命令を含む修正を受信することを含み得る。例えば、修正は、ユーザインタフェースとのユーザインタラクションに少なくとも部分的に基づいて受信され得、パラメータは、共分散及び／または閾値距離を含み得る。本技術は、修正を受信することに少なくとも部分的に基づいて、新しいセンサデータアラインメントを開始することを含み得る。リンクが追加されると、この新しいアラインメントは、以前にアラインメントされていなかったセンサデータをアラインメントすることを含み得、一方、リンクが削除されると、新しいアラインメントは、以前にアラインメントされていたセンサデータを分離することを含み得る。共分散などのパラメータへの修正は、新しいアラインメント内のポーズ及び／またはセンサデータを追加的に含む、または除外することを含み得る。

修正が受信されるとき、修正に基づく任意の新しいセンサデータアラインメントは、（例えば、領域全体を再アラインメントするのではなく）センサデータのウィンドウに関連付けられたセンサデータを再アラインメントすることに限定され得るが、修正に関連付けられた領域全体を再アラインメントすることが企図され得る。いくつかの例では、ウィンドウを決定することは、閾値距離（例えば、ポーズに関連付けられた位置からの動作±２メートルに関連付けられたセンサデータ）、閾値時間（例えば、ポーズに関連付けられた時間からの動作±０．５秒に関連付けられたセンサデータ）、車速、リンクされたポーズ間の距離、及び／または同様のものに少なくとも部分的に基づいてもよい。少なくともいくつかの例では、そのようなウィンドウ化された再最適化は、ガウス分布、線形関数、多項式、またはそれ以外の場合、選択された領域からのさらなる測定値が少しずつ修正されるように、限定されないが、提案された領域からの距離の関数として、測定値からの寄与をダウンウェイトすることを含み得る。

マップを決定することは、センサデータアラインメントに少なくとも部分的に基づいて環境の表現を生成することを含み得る（例えば、リンクがそれぞれ、それぞれのセンサデータをアラインメントするそれに関連付けられた変換を有する例では、リンクに関連付けられた変換を使用する）。いくつかの例では、都市などの大域のマップを決定することは、数千または数百万のセンサデータアラインメントに少なくとも部分的に基づいて、環境のメッシュ及び／またはワイヤフレームモデルなどの表現を生成することを含み得る。現在のクラウドコンピューティングの計算上の制約において、センサデータアラインメントからマップを生成するプロセスは、最大１週間かかる場合がある。いくつかの例では、車両は、車載コンピューティングリソースを使用して、及び／または１つ以上の車両並びに／またはコンピューティングリソースにわたって計算を分散することによって、より低解像度のマップを生成し得る。

本明細書で論じられる技術は、アラインメントの数が計算的及び時間的にコストがかかり得るため、マップを生成することの一部として（すなわち、マップ生成時間で）、環境にわたるセンサデータアラインメントを決定し得る。いくつかの例では、修正が受信されると、それに関連付けられたセンサデータのアラインメントを再決定するオプションが利用可能にされ得、及び／または再決定が自動的にトリガされて、修正の有効性が評価され得る。追加的または代替的に、アラインメントは、マップを生成する前に計算され得る。少なくとも１つの非限定的な例では、技法は、任意の修正またはユーザ選択によってアラインメントがトリガされる少なくとも修正に関連付けられたそれらのセンサデータアラインメントを除いて、マップ生成動作までセンサデータアラインメントを決定するのを待つことを含み得る。

本技術は、追加的または代替的に、収集されたセンサデータ、それに関連付けられた推定軌道データ、及び／または提案されたリンクを表示することを含み得る。推定軌道データは、車両によってキャプチャされたセンサデータに関連付けられた車両によって推定された一連の過去のポーズを含み得る。非限定的な例では、技法は、少なくとも推定軌道データ、提案されたリンク、及び／または２次元道路表現（例えば、トップダウンマップ）を表示することを含み得る。いくつかの例では、２次元道路表現は、軌道データと併せて使用されて、リンクが追加され、削除され、及び／またはそれに関連付けられたパラメータが修正される可能性を判定し得る。例えば、技法は、センサデータアラインメントに関連付けられた合計残差が閾値を満たす、または超えると判定すること、センサデータ及び／または問題となり得る領域（例えば、追加、削除、または調整されたリンクを必要とし得る）を判定するために機械学習モデルを訓練すること、及び／または同様のものを含んでよい。追加または代替の例では、表示は、センサデータアラインメントに関連付けられた誤差（例えば、残差）が閾値誤差を下回って低減できないと判定することに少なくとも部分的に基づいて生成され得る。

本明細書で論じられる技術は、追加的または代替的に、リンクを追加及び／または削除し、リンクに関連付けられたパラメータを修正し、及び／またはリンクを潜在的に追加、削除、または修正する領域を示すために、機械学習（ＭＬ）モデルを訓練するための訓練データセットに、それに関連付けられたリンク及び／またはデータに受信された任意の修正を追加することを含み得る。いくつかの例では、訓練データは、修正の種類（例えば、リンク追加、リンク削除、リンクパラメータ調整）及び／またはそれに関連付けられたデータ（例えば、ポーズデータ、センサデータ、リンクデータ）の表示を含み得る。

本明細書で論じられる技術は、環境のマップ（例えば、３次元表現）を生成する時間を短縮し、マップを生成するための計算リソース及び電力を低減し、マップの精度を改善し得る。これらの技術は、精度の向上のために、マップを使用してセンサの較正及び／または位置決めを行う車両の安全性を向上させ得る。

（例示的なシナリオ）
図１は、車両１０２を含む例示的なシナリオ１００を示している。いくつかの例では、車両１０２は、米国運輸省道路交通安全局によって発行されたレベル５分類に従って動作するよう構成される自律車両であってよく、これは、全ての安全上重要な機能を全行程で実行することが可能な車両を記述したものであり、運転者（または乗員）はどんなときでも車両を制御することを期待されていない。しかしながら、他の例では、車両１０２は、任意の他のレベルまたは分類を有する完全なまたは部分的な自律車両であってよい。本明細書で説明される技術は、自律車両のようなロボット制御を越えるものに適用され得ることが企図される。例えば、本明細書に記載される技術は、検索、製造、拡張現実などに適用され得る。さらに、車両１０２は、陸上車両として描写されているが、宇宙船、水上機、及び／または同様のものであってもよい。いくつかの例では、車両１０２は、シミュレーション車両としてシミュレーションにおいて表されてもよい。簡潔にするために、本明細書での考察は、シミュレーション車両と現実世界の車両とを区別しない。したがって、「車両」への言及は、シミュレーション車両及び／または現実世界の車両を示し得る。

本明細書に記載される技術によれば、車両１０２は、車両１０２のセンサ１０４からセンサデータを受信し得る。例えば、センサ１０４は、位置センサ（例えば、全地球測位システム（ＧＰＳ）センサ）、慣性センサ（例えば、加速度センサ、ジャイロスコープセンサ等）、磁場センサ（例えば、コンパス）、位置／速度／加速度センサ（例えば、速度計、駆動システムセンサ）、深度位置センサ（例えば、ライダーセンサ、レーダーセンサ、ソナーセンサ、飛行時間（ＴｏＦ）カメラ、深度カメラ、超音波並びに／またはソナーセンサ、及び／または他の深度感知センサ）、画像センサ（例えば、カメラ）、音声センサ（例えば、マイクロフォン）、及び／または環境センサ（例えば、気圧計、湿度計等）を含んでよい。

センサ１０４は、センサデータを生成することができ、センサデータは、車両１０２に関連付けられるコンピューティングデバイス１０６によって受信され得る。しかしながら、他の例では、センサ１０４及び／またはコンピューティングデバイス１０６のうちのいくつかまたは全ては、車両１０２から離れて別個に、及び／または車両１０２から遠隔に配置され、データキャプチャ、処理、コマンド、及び／または制御は、有線及び／または無線ネットワークを介して１つまたは複数のリモートコンピューティングデバイスによって車両１０２との間で通信され得る。

コンピューティングデバイス１０６は、知覚コンポーネント１１０、プランニングコンポーネント１１２、位置決めコンポーネント１１４、及び／またはシステムコントローラ１１６を格納するメモリ１０８を備え得る。例示的な目的のために図１に描写されるが、位置決めコンポーネント１１４は、他のコンポーネントのうちのいずれか１つまたは複数よりも別個のコンピューティングデバイス（またはそれ以外の場合）に存在し得ることを理解されたい。いくつかの例では、知覚コンポーネント１１０は、衝突回避コンポーネントの一部であり得る二次知覚コンポーネントなどの他の知覚コンポーネントのうちの一次知覚コンポーネントであり得る。いくつかの例では、知覚コンポーネント１１０、プランニングコンポーネント１１２，及び／または位置決めコンポーネント１１４は、１つ以上のＧＰＵ、ＭＬモデル、カルマンフィルタ、及び／または同様のものを含んでもよい、ハードウェア及び／またはソフトウェアのパイプラインを含んでもよい。

一般に、知覚コンポーネント１１０は、車両１０２を取り囲む環境に何があるかを判定してよく、プランニングコンポーネント１１２は、知覚コンポーネント１１０から受信した情報に従って車両１０２を操作する方法を判定してよい。例えば、プランニングコンポーネント１１２は、知覚データ及び／または例えば、１つ以上のマップ、位置決めコンポーネント１１４によって生成された位置決めデータ（例えば、車両１０２が知覚コンポーネント１１０によって検出される環境及び／または特徴の表現１２０に対して環境内のどこにいるか）等の他の情報に少なくとも部分的に基づいて軌道１１８を決定してもよい。軌道１１８は、車両位置、車両速度、及び／または車両加速度をもたらし得るステアリング角度及び／またはステアリングレートを実現するように車両１０２の駆動コンポーネントを作動させるためのコントローラ１１６に対する命令を含んでよい。例えば、軌道１１８は、コントローラ１１６が追跡するためのターゲット方向、ターゲットステアリング角度、ターゲットステアリングレート、ターゲット位置、ターゲット速度、及び／またはターゲット加速度を備え得る。知覚コンポーネント１１０、プランニングコンポーネント１１２、及び／または位置決めコンポーネント１１４は、１つ以上の機械学習（ＭＬ）モデル及び／または他のコンピュータ実行可能命令を含んでもよい。

いくつかの例では、知覚コンポーネント１１０は、センサ１０４からセンサデータを受信し、車両１０２の近傍のオブジェクトに関連するデータ（例えば、検出されたオブジェクト、インスタンスセグメンテーション、セマンティックセグメンテーション、２次元及び／または３次元バウンディングボックス、トラックに関連付けられた分類）、車両の目的地を指定するルートデータ、車道の特徴を識別するグローバルマップデータ（例えば、自律車両をローカライズするのに有用な異なるセンサモダリティで検出可能な特徴）、車両に近接して検出された特徴を識別するローカルマップデータ（例えば、建物、木、フェンス、消火栓、停止標識の位置及び／または寸法、並びに様々なセンサモダリティで検出可能な任意の他の特徴）などを判定し得る。知覚コンポーネント１１０によって決定されるオブジェクト分類は、例えば、乗用車、歩行者、自転車運転者、配送トラック、セミトラック、交通標識等の異なるオブジェクトタイプを区別し得る。トラックは、これまでの、現在の、及び／または予測されるオブジェクトの位置、速度、加速度、及び／または向きを含み得る。知覚コンポーネント１１０によって生成されたデータは、知覚データと総称され得る。知覚コンポーネント１１０が知覚データを生成すると、知覚コンポーネント１１０は、知覚データをプランニングコンポーネント１１２に提供し得る。

プランニングコンポーネント１１２は、知覚コンポーネント１１０から受信された知覚データ及び／または位置決めコンポーネント１１４から受信された位置決めデータを使用して、１つまたは複数の軌道を判定し、車両１０２の運きを制御して経路またはルートをトラバースし、及び／またはそれ以外の場合、車両１０２の動作を制御し得るが、任意のそのような動作は、様々な他のコンポーネントで実行され得る（例えば、位置決めは、知覚データに少なくとも部分的に基づき得る位置決めコンポーネントによって実行され得る）。例えば、プランニングコンポーネント１１２は、第１の位置から第２の位置への車両１０２の経路を決定し、（そのようなデータ内の検出されたオブジェクトに関する予測をさらに含み得る）知覚データ及び／またはシミュレートされた知覚データに実質的に同時にかつ少なくとも部分的に基づいて、後退する水平線技法（例えば、１マイクロ秒、半秒）に従って車両１０２の動きを制御するための複数の潜在的な軌道を生成して、（例えば、検出されたオブジェクトのいずれかを回避するために）経路をトラバースするように車両を制御し、車両１０２の駆動コンポーネントに送信され得る駆動制御信号を生成するために使用され得る潜在的な軌道のうちの１つを車両１０２の軌道１１８として選択することができる。図１は、方向、速度、及び／または加速度を示す矢印として表されるそのような軌道１１８の例を示すが、軌道自体は、コントローラ１１６のための命令を含んでもよく、コントローラ１１６は、次いで、車両１０２の駆動システムを作動させてもよい。

いくつかの例では、位置決めコンポーネント１１４は、センサデータ及び／または知覚データを受信し、センサデータ、知覚データ、及び／またはマップに少なくとも部分的に基づいて車両１０２のポーズを決定し得る。例えば、マップは、コンピューティングデバイス１０６のメモリに記憶されてもよく、本明細書で論じられる技術のいずれかに従って生成された環境の表現１２０を含んでもよい。いくつかの例では、表現１２０は、メッシュ（図１に示すように）または環境の任意の他の３次元（または他の次元）表現であってもよい。いくつかの例では、表現１２０は、ブロックまたは車両の周囲などの小さな領域、都市、またはそれ以上を少なくとも含み得るので、表現１２０は、符号化及び／または圧縮され得る。いくつかの例では、表現１２０は、ネットワークインタフェースを介して車両１０２に利用可能であり得る。例えば、表現１２０は、車両１０２の経路及び／または位置に少なくとも部分的に基づいて、車両１０２にストリーミングまたは他の方法で送信されてもよい。いくつかの例では、車両１０２は、マップまたはマップの少なくとも一部を決定し得る。

位置決めコンポーネント１１４は、センサデータをマップにマッチングさせ、車両の相対的なポーズを決定することによって、マップに少なくとも部分的に基づいて（例えば、表現１２０に対して）車両のポーズ（例えば、位置及び／または向き）を決定することができる。表現１２０は、マップに対する車両のポーズを決定することが、車両のグローバルポーズ（例えば、都市全体、国全体、または地球全体のマップに対する位置及び／または向き）及び／またはローカルポーズ（例えば、都市ブロックに沿った車両の位置及び／または向き）を決定するのに十分であり得るように、グローバル座標及び／またはローカル座標を含んでよい。いくつかの例では、位置決めコンポーネント１１４は、センサデータを表現１２０と比較し、その比較に少なくとも部分的に基づいて車両のリアルタイムポーズを決定し得る。追加的または代替的に、位置決めコンポーネント１１４は、２０１７年８月１１日に出願された特許文献１（その全体が本明細書に組み込まれる）でより詳細に論じられているように、表現１２０に少なくとも部分的に基づいてセンサ１０４を較正し得る。いくつかの例では、センサ１０４の１つを較正することは、車両１０２のポーズに対してセンサに関連付けられたポーズを調整することを含み得る。

いくつかの例では、車両１０２は、マッピング車両であってもよく、知覚コンポーネント１１０及び／またはプランニングコンポーネント１１２を含んでもよく、または含まなくてもよく、位置決めコンポーネント１１４は、マッピングコンポーネントを含んでもよい。そのようなマッピング車両は、そのようなマップを生成するためにデータを収集するセンサを備えた手動操作車両を含み得る。

いくつかの例では、位置決めコンポーネント１１４は、センサデータ１２２が受信されたときに推定されたポーズ１２４などの車両の推定されたポーズに関連付けられたログに、センサデータ１２２などのセンサデータを格納し得る。いくつかの例では、車両のポーズ１２４を推定することは、オドメトリ測定（例えば、ホイールエンコーダ出力、ＩＭＵ出力）、他のセンサ情報（例えば、ＧＰＳ位置、コンパス出力）、知覚データ、及び／または位置決めデータ（例えば、ＳＬＡＭ技術に少なくとも部分的に基づいた推定ポーズ）などのセンサデータに少なくとも部分的に基づいてもよい。いくつかの例では、ログを生成することは、移動オブジェクト検出、ループ閉鎖の検出、及び／または同様のことを実行し得るＳＬＡＭ技術及び／またはその構成要素を含み得る。少なくともいくつかのそのような例では、そのようなループ閉鎖は、本明細書で詳細に説明されるように、リンクを提案するために使用され得る。ポーズ１２４は、位置１２６及び／または向き１２８（例えば、ヨー、ピッチ、及び／またはロールを含み得る配向）を含み得る。いくつかの例では、複数の推定ポーズは、推定軌道１３０に集約され得る。センサデータは、推定軌道１３０を構成するポーズのうちの１つ以上に関連付けられ得る。少なくとも１つの非限定的な例では、推定軌道１３０は、地図／表現１２０に少なくとも部分的に基づいているＳＬＡＭ技術に少なくとも部分的に基づいて決定され得る。ＳＬＡＭ技術は、ベイズフィルタ（カルマンフィルタなど）、バンドル調整、最大事後確率推定（ＭＡＰ）、及び／または任意のＳＬＡＭアルゴリズムを含み得る。

いくつかの例では、車両１０２は、推定軌道１３０及びそれに関連付けられたセンサデータをリモートコンピューティングデバイスに送信してもよく、リモートコンピューティングデバイスは、分散コンピューティングサービス、別の車両、及び／または同様のものを含んでもよい。リモートコンピューティングデバイス及び／または車両１０２は、表現１２０及び／または表現１２０への更新を含み得るマップを生成し得る。いくつかの例では、マップを決定することは、補正軌道１３４によって示されるように、推定軌道に対する補正１３２を決定することを含み得る。推定軌道１３０は、補正軌道１３４と比較して、車道１３６の位置及び方向に対する推定軌道のより大きな誤差／より小さいアラインメントの程度（degree）に関連付けられ得ることに留意されたい。いくつかの例では、センサデータアラインメントへの変更は、結果として生じるマップに少なくとも部分的に基づいて軌道が推定される場合に、軌道に対する変更になり得る。いくつかの例では、補正軌道１３４は、車両１０２に送信されてもよい。

いくつかの例では、アラインメントに関連付けられた誤差及び／または程度は、リンク修正（例えば、追加、除去、または調整）の候補として推定軌道１３０の領域及び／または１つ以上のポーズを識別するために本明細書で使用され得る。アラインメントの程度及び／または提案されたリンク修正は、監視された技術に少なくとも部分的に基づいて訓練されたＭＬモデルの出力であってもよい（例えば、利用可能な場合、ＧＰＳデータを使用して、データラベリングを使用して、知覚及び／または計画データを使用して）。

いくつかの例では、コントローラ１１６は、軌道１１８を追跡するのに十分な車両１０２の駆動コンポーネントを作動させるためのソフトウェア及び／またはハードウェアを備え得る。例えば、コントローラ１１６は、１つまたは複数のＰＩＤ（proportional-integral-derivative）コントローラを備え得る。

（システムの例）
図２は、本明細書で論じられる技術を実装する例示的なシステム２００のブロック図を示す。いくつかの例では、例示的なシステム２００は、図１の車両１０２を表し得る車両２０２を含み得る。いくつかの例では、車両２０２は、米国運輸省道路交通安全局によって発行されたレベル５分類に従って動作するように構成された自律走行車であってよく、これは、全行程で全てのセーフティクリティカルな機能を実行することができる車両を記述したものであり、運転者（または乗員）はどんなときでも車両を制御することを期待されていない。しかしながら、他の例では、車両２０２は、他のレベルまたは分類を有する完全にまたは部分的な自律車両であり得る。さらに、場合によっては、本明細書に記載の技術は、非自律型車両によっても使用可能であり得る。

車両２０２は、車両コンピューティングデバイス２０４、センサ２０６、エミッタ２０８、ネットワークインタフェース２１０、及び／または駆動コンポーネント２１２を含み得る。車両コンピューティングデバイス２０４は、コンピューティングデバイス１０６を表し得、センサ２０６は、センサ１０４を表し得る。システム２００は、追加的または代替的に、コンピューティングデバイス２１４を含み得る。

いくつかの例では、センサ２０６は、センサ１０４を表し得、ライダーセンサ、レーダーセンサ、超音波トランスデューサ、ソナーセンサ、位置センサ（例えば、グローバルポジショニングシステム（ＧＰＳ）、コンパスなど）、慣性センサ（例えば、慣性測定ユニット（ＩＭＵ）、加速度計、磁力計、ジャイロスコープなど）、画像センサ（例えば、赤緑青（ＲＧＢ）、赤外線（ＩＲ）、強度、深度、飛行時間カメラなど）、マイク、ホイールエンコーダ、環境センサ（例えば、温度計、湿度計、光センサ、圧力センサなど）などを含み得る。センサ２０６は、これらまたは他のタイプのセンサのそれぞれの複数のインスタンスを含み得る。例えば、レーダーセンサは、車両２０２の角部、前部、後部、側部、及び／または上部に位置する個々のレーダーセンサを含んでよい。別の例として、カメラは、車両２０２の外部及び／または内部に関する様々な場所に配置された複数のカメラを含み得る。センサ２０６は、車両コンピューティングデバイス２０４及び／またはコンピューティングデバイス２１４に入力を提供し得る。

車両２０２はまた、上記のように、光及び／または音を放出するためのエミッタ２０８を含み得る。この例におけるエミッタ２０８は、車両２０２の乗客と通信するための内部オーディオ及びビジュアルエミッタを含み得る。限定ではなく例として、内部エミッタは、スピーカ、ライト、サイン、ディスプレイスクリーン、タッチスクリーン、触覚エミッタ（例えば、振動及び／または力フィードバック）、機械的アクチュエータ（例えば、シートベルトテンショナー、シートポジショナー、ヘッドレストポジショナーなど）などを含み得る。この例におけるエミッタ２０８はまた、外部エミッタを含み得る。限定ではなく例として、この例における外部エミッタは、進行方向を信号で伝えるためのライトまたは車両動作の他のインジケータ（例えば、インジケータライト、サイン、ライトアレイなど）、及び歩行者または他の近くの車両と聴覚的に通信するための１つまたは複数のオーディオエミッタ（例えば、スピーカ、スピーカアレイ、ホーンなど）を含み得、それらの１つまたは複数は、音響ビームステアリング技術を含む。

車両２０２はまた、車両２０２と１つ以上の他のローカルまたはリモートコンピューティングデバイスとの間の通信を可能にするネットワークインタフェース２１０を含み得る。例えば、ネットワークインタフェース２１０は、車両２０２及び／または駆動コンポーネント２１２上の他のローカルコンピューティングデバイスとの通信を容易にし得る。また、ネットワークインタフェース２１０は、追加的または代替的に、車両が他の近くのコンピューティングデバイス（例えば、他の車両、交通信号など）と通信することを可能にし得る。ネットワークインタフェース２１０は、追加的または代替的に、車両２０２がコンピューティングデバイス２１４と通信することを可能にし得る。いくつかの例では、コンピューティングデバイス２１４は、分散コンピューティングシステム（例えば、クラウドコンピューティングアーキテクチャ）の１つまたは複数のノードを含み得る。

ネットワークインタフェース２１０は、車両コンピューティングデバイス２０４を別のコンピューティングデバイスまたはネットワーク２１６などのネットワークに接続するための物理的及び／または論理的インターフェースを含み得る。例えば、ネットワークインタフェース２１０は、ＩＥＥＥ２００．１１規格によって定義された周波数、ブルートゥース（登録商標）などの短距離無線周波数、セルラー通信（例えば、２Ｇ、３Ｇ、４Ｇ、４Ｇ ＬＴＥ、５Ｇなど）、またはそれぞれのコンピューティングデバイスが他のコンピューティングデバイスとインターフェイスできるようにする適切な有線または無線通信プロトコルを介するなどのＷｉ－Ｆｉベースの通信を可能にし得る。場合によっては、車両コンピューティングデバイス２０４及び／またはセンサ２０６は、所定の期間の経過後、ほぼリアルタイムで、など、ネットワーク２１６を介して、特定の周波数でセンサデータをコンピューティングデバイス２１４に送信し得る。

いくつかの例では、車両２０２は、１つ以上の駆動コンポーネント２１２を含み得る。いくつかの例では、車両２０２は、単一の駆動コンポーネント２１２を有し得る。いくつかの例では、駆動コンポーネント２１２は、駆動コンポーネント２１２及び／または車両２０２の周囲の状態を検出するための１つまたは複数のセンサを含み得る。限定ではなく例として、駆動コンポーネント２１２のセンサは、駆動コンポーネントの車輪の回転を感知するための１つまたは複数の車輪エンコーダ（例えば、回転エンコーダ）、駆動コンポーネント、カメラまたはその他の画像センサの方向と加速度を測定する慣性センサ（例えば、ＩＭＵ、加速度計、ジャイロスコープ、磁気計など）、駆動コンポーネントの周囲のオブジェクトを音響的に検出する超音波センサ、ＬＩＤＡＲセンサ、レーダーセンサなどを含み得る。ホイールエンコーダのようなあるセンサは、駆動コンポーネント２１２に特有のものであってよい。場合によっては、駆動コンポーネント２１２上のセンサは、車両２０２の対応するシステム（例えば、センサ２０６）と重複するか、または補足し得る。

駆動コンポーネント２１２は、高電圧バッテリー、車両を推進するモーター、バッテリーからの直流電流を他の車両システムによって利用される交流電流へと変換するインバーター、ステアリングモーター及びステアリングラック（これは、電動であってよい）を含むステアリングシステム、油圧または電気アクチュエータを含むブレーキシステム、油圧及び／または空気圧コンポーネントを含むサスペンションシステム、トラクションの損失を軽減し、且つ制御を維持するよう制動力の分散をする安定制御システム、ＨＶＡＣシステム、照明（例えば、車両の外部周囲を照らすヘッド／テールライトなどの照明）、及び１つまたは複数の他のシステム（例えば、冷却システム、安全システム、車載充電システム、ＤＣ／ＤＣコンバーター、高電圧ジャンクション、高電圧ケーブル、充電システム、充電ポートなどのその他の電装コンポーネント）を含む多くの車両システムを含み得る。さらに、駆動コンポーネント２１２は、センサからデータを受信して前処理をし得る駆動コンポーネントコントローラを含み、様々な車両システムの動作を制御し得る。場合によっては、駆動コンポーネントコントローラは、１つまたは複数のプロセッサと、１つまたは複数のプロセッサと通信可能に結合されたメモリとを含み得る。メモリは、駆動コンポーネント２１２の様々な機能を実行する１つ以上のコンポーネントを記憶し得る。さらに、駆動コンポーネント２１２はまた、それぞれの駆動コンポーネントによる、１つまたは複数の他のローカルコンピューティングデバイスまたはリモートコンピューティングデバイスとの通信を可能にする１つまたは複数の通信接続を含むことができる。

車両コンピューティングデバイス２０４は、プロセッサ２１８と、１つ以上のプロセッサ２１８と通信可能に結合されたメモリ２２０とを含み得る。メモリ２２０は、メモリ１０８を表し得る。コンピューティングデバイス２１４はまた、プロセッサ２２２、及び／またはメモリ２２４を含んでもよい。プロセッサ２１８及び／または２２２は、データを処理し、本明細書に記載されるような動作を実行するための命令を実行することができる任意の適切なプロセッサであり得る。限定ではなく例として、プロセッサ２１８及び／または２２２は、１つまたは複数の中央処理装置（ＣＰＵ）、グラフィックス処理装置（ＧＰＵ）、集積回路（例えば、特定用途向け集積回路（ＡＳＩＣ））、ゲートアレイ（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ））、及び／または電子データを処理してその電子データを、レジスタ及び／またはメモリに格納され得る他の電子データに変換する他のデバイスまたはデバイスの一部を含み得る。

メモリ２２０及び／またはメモリ２２４は、非一時的なコンピュータ可読媒体の例であり得る。メモリ２２０及び／またはメモリ２２４は、オペレーティングシステム、及び本明細書で説明される方法及び様々なシステムに起因する機能を実装するための１つ以上のソフトウェアアプリケーション、命令、プログラム、及び／またはデータを格納し得る。様々な実装において、メモリは、スタティックＲＡＭ（ＳＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、不揮発性／フラッシュタイプメモリ、または情報を格納可能な任意の他のタイプのメモリのような適切なメモリ技術を用いて実装されてよい。本明細書で説明される、アーキテクチャ、システム、及び個々のエレメントは、多くの他の論理的、プログラム的、及び物理的なコンポーネントを含んでよく、それらのうちの添付図面に示されるものは、単に本明細書での説明に関連する例示に過ぎない。

いくつかの例では、メモリ２２０及び／またはメモリ２２４は、位置決めコンポーネント２２６、知覚コンポーネント２２８、プランニングコンポーネント２３０、マッピングコンポーネント３３２、マップ２３４、及び／またはシステムコントローラ２３６を格納し得る。位置決めコンポーネント２２６は、位置決めコンポーネント１１４を表し得、知覚コンポーネント２２８は、知覚コンポーネント１１０を表し得、及び／またはプランニングコンポーネント２３０は、プランニングコンポーネント１１２を表し得る。

少なくとも１つの例において、位置決めコンポーネント２２６は、車両２０２の位置、速度及び／または方向（例えば、ｘ位置、ｙ位置、ｚ位置、ロール、ピッチ、またはヨーのうちの１つまたは複数）を決定するためにセンサ２０６からのデータを受信するハードウェア及び／またはソフトウェアを含んでよい。例えば、位置決めコンポーネント２２６は、環境のマップ２３４を含み、及び／または要求／受信することができ、マップ２３４内の自律車両の位置、速度、及び／または向きを継続的に決定できる。ある例において、位置決めコンポーネント２２６は、ＳＬＡＭ（simultaneous localization and mapping）、ＣＬＡＭＳ（calibration, localization and mapping, simultaneously）、相対ＳＬＡＭ、バンドル調整、非線形最小二乗最適化などを利用し、画像データ、ライダーデータ、レーダーデータ、ＩＭＵデータ、ＧＰＳデータ、ホイールエンコーダデータなどを受信し、自律車両の位置、ポーズ、及び／または速度を正確に決定できる。いくつかの例では、本明細書で論じるように、位置決めコンポーネント２２６は、車両２０２の様々なコンポーネントにデータを提供して、軌道を生成するための、及び／または地図データを生成するための自律車両の初期位置を決定できる。いくつかの例では、位置決めコンポーネント２２６は、マッピングコンポーネント２３２に、環境に対する車両２０２のポーズ（例えば、位置及び／または方位）（例えば、マップ２３４に対する位置及び／または方位を介して）及び／またはそれに関連付けられたセンサデータを提供し得る。

いくつかの例では、知覚コンポーネント２２８は、ハードウェア及び／またはソフトウェアに実装された予測システムを含んでもよい。知覚コンポーネント２２８は、車両２０２を取り巻く環境内のオブジェクトを検出し（例えば、オブジェクトが存在することを識別する）、オブジェクトを分類し（例えば、検出されたオブジェクトに関連付けられたオブジェクトタイプを決定する）、センサデータ及び／または環境の他の表現をセグメント化し（例えば、センサデータの一部及び／または環境の表現を検出されたオブジェクト及び／またはオブジェクトタイプに関連付けられているものとして識別する）、オブジェクトに関連付けられた特性（例えば、オブジェクトに関連付けられた現在の、予測された、及び／または以前の位置、向き、速度、及び／または加速度を識別するトラック）及び／または同様のものを決定し得る。知覚コンポーネント２２８によって決定されるデータは、知覚データと呼ばれる。

プランニングコンポーネント２３０は、位置決めコンポーネント２２６から車両２０２の位置並びに／または向き、及び／または知覚コンポーネント２２８から知覚データを受信して、このデータのいずれかに少なくとも部分的に基づいて車両２０２の動作を制御する命令を決定してもよい。いくつかの例では、命令を決定することは、命令が関連付けられたシステムに関連付けられたフォーマットに少なくとも部分的に基づいて命令を決定することを含み得る（例えば、自律車両の動きを制御するための第１の命令は、システムコントローラ２３６及び／または駆動コンポーネント２１２が解析する／実行させ得るメッセージ及び／または信号（例えば、アナログ、デジタル、空気力学、キネマティック）の第１のフォーマットでフォーマットされてもよく、エミッタ２０８のための第２の命令は、それに関連付けられた第２のフォーマットに従ってフォーマットされてもよい）。

マッピングコンポーネント２３２は、車両２０２及び／またはコンピューティングデバイス２１４上で動作してもよい。いくつかの例では、マッピングコンポーネント２３２は、センサ２０６、パイプライン内の知覚コンポーネント２２８、及び／またはプランニングコンポーネント２３０から（出力を受信する）ダウンストリームであってよい。位置決めコンポーネント２２６は、位置決めコンポーネント２２６の出力の全てまたは一部を、マッピングコンポーネント２３２に渡すように、または全く渡さないように構成され得る。いくつかの例では、マッピングコンポーネント２３２は、１つ以上の車両からセンサデータ、知覚データ、及び／またはポーズデータを収集することを決定し、リンクを決定し、センサデータアラインメントを決定し、及び／またはセンサデータ、リンク、及び／またはポーズデータに少なくとも部分的に基づいて環境の表現を含むマップを決定するためのコンポーネントを含んでもよい。

メモリ２２０及び／またはメモリ２２４は、追加的または代替的に、衝突回避システム、ライドマネジメントシステム などを格納し得る。位置決めコンポーネント２２６、知覚コンポーネント２２８、プランニングコンポーネント２３０、マップ２３４、及び／またはシステムコントローラ２３６は、メモリ２２０に格納されているように図示されるが、これらのコンポーネントのうちのいずれかは、プロセッサ実行可能命令、機械学習モデル（例えば、ニューラルネットワーク）、及び／またはハードウェアを含んでもよく、これらのコンポーネントのいずれかの全てまたは一部は、メモリ２２４に格納されてもよく、またはコンピューティングデバイス２１４の一部として構成されてもよい。いくつかの例では、車両２０２上で動作するマッピングコンポーネントは、センサデータ（例えば、生センサデータ、センサデータアラインメント、知覚ラベル付きセンサデータ）、ポーズデータ、及び／またはコンピューティングデバイス２１４への送信のための知覚データを収集し及び／または符号化し得る。車両及び／またはコンピューティングデバイス２１４上で動作するマッピングコンポーネントは、リンク修正に少なくとも部分的に基づいてマップを生成するために、本明細書で説明される動作を実行し得る。

いくつかの例では、コンピューティングデバイス２１４（及び／または２０４）は、チューニングコンポーネント２３８を含み得る。いくつかの例では、チューニングコンポーネントは、本明細書で論じられる訓練データで訓練された１つ以上のＭＬモデルを含み得る。チューニングコンポーネントは、ポーズ、センサデータ、及び／またはリンク修正の候補であり得る領域を識別するように訓練されてもよく、及び／またはチューニングコンポーネントは、リンク修正を出力してもよい。チューニングコンポーネントは、追加的または代替的に、推定されたポーズデータの車道へのアラインメントの程度を決定し得る。候補修正に関連付けられたポーズ及び／またはセンサデータを決定することは、それに関連付けられたアラインメントの程度に少なくとも部分的に基づいてよい。

本明細書に記載されるように、位置決めコンポーネント２２６、知覚コンポーネント２２８、プランニングコンポーネント２３０、チューニングコンポーネント２３８、及び／またはシステム２００の他のコンポーネントは、１つ以上のＭＬモデルを含み得る。例えば、位置決めコンポーネント２２６、知覚コンポーネント２２８、プランニングコンポーネント２３０、及び／またはチューニングコンポーネント２３８は、それぞれ異なるＭＬモデルパイプラインを含んでよい。いくつかの例では、ＭＬモデルは、ニューラルネットワークを含み得る。例示的なニューラルネットワークは、一連の接続レイヤを通して入力データを渡して出力を生じさせるバイオインスパイアードアルゴリズムである。ニューラルネットワークにおけるそれぞれのレイヤが別のニューラルネットワークを含むことも可能であり、または任意の数のレイヤ（畳み込み層であるか否か）を含むことが可能である。本開示のコンテキストで理解されることが可能である通り、ニューラルネットワークは、機械学習を利用することが可能であり、これは、出力が学習されたパラメータに基づいて生成される幅広いクラスのこのようなアルゴリズムを参照することが可能である。

ニューラルネットワークのコンテキストで説明されるものの、任意のタイプの機械学習が本開示と整合するように用いられることが可能である。例えば、機械学習アルゴリズムは、限定はされないが、回帰アルゴリズム（例えば、通常最小二乗回帰（ＯＬＳＲ）、線形回帰、ロジスティック回帰、段階的回帰、ＭＡＲＳ（multivariate adaptive regression splines）、ＬＯＥＳＳ（locally estimated scatterplot smoothing））、インスタンスベースアルゴリズム（例えば、リッジ回帰、ＬＡＳＳＯ（least absolute shrinkage and selection operator）、Elastic net、ＬＡＲＳ（least-angle regression））、決定木アルゴリズム（例えば、分類及び回帰木（ＣＡＲＴ）、ＩＤ３（iterative dichotomiser 3）、カイ二乗自動相互作用検出（ＣＨＡＩＤ）、決定切り株、条件付き決定木）、ベイジアンアルゴリズム（例えば、ナイーブベイズ、ガウスナイーブベイズ、多項ナイーブベイズ、ＡＯＤＥ（average one-dependence estimators）、ベイジアンビリーフネットワーク（ＢＮＮ）、ベイジアンネットワーク）、クラスタリングアルゴリズム（例えば、ｋ平均、ｋメジアン、期待値の最大化（ＥＭ）、階層的クラスタリング）、相関ルール学習アルゴリズム（例えば、パーセプトロン、誤差逆伝搬、ホップフィールドネットワーク、ＲＢＦＮ（Radial Basis Function Network））、深層学習アルゴリズム（例えば、深層ボルツマンマシン（ＤＢＭ）、深層ビリーフネットワーク（ＤＢＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、積層オートエンコーダ）、次元縮小アルゴリズム（例えば、主成分分析（ＰＣＡ）、主成分回帰（ＰＣＲ）、部分最小二乗回帰（ＰＬＳＲ）、サモンマッピング、多次元尺度構成法（ＭＤＳ）、射影追跡、線形判別分析（ＬＤＡ）、混合判別分析（ＭＤＡ）、二次判別分析（ＱＤＡ）、柔軟判別分析（ＦＤＡ））、アンサンブルアルゴリズム（例えば、ブースティング、ブートストラップアグリゲーション（バギング）、アダブースト、積層ジェネラリゼーション（ブレンディング）、勾配ブースティングマシン（ＧＢＭ）、勾配ブースト回帰木（ＧＢＲＴ）、ランダムフォレスト）、ＳＶＭ（サポートベクタマシン）、教師あり学習、教師なし学習、半教師あり学習などを含むことができる。アーキテクチャのさらなる例としては、ＲｅｓＮｅｔ－５０、ＲｅｓＮｅｔ－１０１、ＶＧＧ、ＤｅｎｓｅＮｅｔ、ＰｏｉｎｔＮｅｔなどのニューラルネットワークが挙げられる。

メモリ２２０は、追加的または代替的に、１つまたは複数のシステムコントローラ２３６を格納し得、これは、車両２０２のステアリング、推進、ブレーキ、安全、エミッタ、通信、及び他のシステムを制御するように構成され得る。これらのシステムコントローラ２３６は、駆動コンポーネント２１２及び／または車両２０２の他のコンポーネントの対応するシステムと通信し、及び／または制御し得る。システムコントローラ２３６は、プランニングコンポーネント２３０から受信した命令に少なくとも部分的に基づいて、車両２０２の動作を制御し得る。

図２は分散システムとして示されているが、代替の例では、車両２０２の構成要素は、コンピューティングデバイス２１４に関連付けられ得、及び／またはコンピューティングデバイス２１４の構成要素は、車両２０２に関連付けられ得ることに留意されたい。すなわち、車両２０２は、コンピューティングデバイス２１４に関連する１つまたは複数の機能を実行し得、逆もまた同様である。

（センサデータのアラインメント、軌道、及びリンクの例）
図３Ａは、環境３００の例示的なトップダウン表現を示す。例示的な環境３００は、２つの車道（それぞれ３０２及び３０４）、複数のライトポスト３０６、及び噴水３０８の基部を含む。

図３Ｂは、自律型及び／またはマッピング車両によって生成されたログデータの一部であり得るデータを示す。図示の例では、ログデータは、参照のために環境３００の表現に重ねられ、環境３００の表現は、灰色の線で表される。いくつかの例では、ログデータは、１つ以上の自律車両及び／またはマッピング車両から受信されたログデータを含み得る。ログデータは、例えば、少なくともセンサデータ３１２に関連付けられたポーズ３１０（例えば、車両の推定位置及び／または向き）を含んでよく、これらの両方は、環境３００をトラバースするときに第１の車両によって生成されてよい。ログデータは、追加的または代替的に、センサデータ３１６に関連付けられたポーズ３１４を含んでもよく、これらの両方は、第１の車両または第２の車両が環境３００をトラバースするときに、第１の車両または第２の車両によって生成されてもよい。センサデータ３１２及び／またはセンサデータ３１６は、ライダーデータ、深度カメラデータ、及び／または同様のものを表し得る。いくつかの例では、ポーズ３１０及び／またはポーズ３１４は、車両によって生成された軌道の一部であり得る。

ログデータは、コンピューティングデバイス２１４などのコンピューティングデバイス（複数可）に送信されてよく、コンピューティングデバイス２１４は、ＳＬＡＭ、ループ閉鎖、及び／または２つの異なるポーズに関連付けられたセンサデータが環境の共通のビューを含む可能性が高いことを判定するための他のマッピングアルゴリズムの１つまたは複数のグローバルパラメータに少なくとも部分的に基づいて、ポーズ３１０とポーズ３１４との間のリンク３１８を判定してよい（例えば、２つのセンサデータのセットの少なくとも一部は、環境の同じ部分及び／または環境の同じ部分の異なる視点に対応する）。例えば、グローバルパラメータは、閾値距離及び／または閾値類似性（例えば、閾値アラインメントの程度）を含むことができ、（提案された）リンク３１８を決定することは、ポーズ３１０とポーズ３１４との間の距離が、センサデータ３１２とセンサデータ３１６との間で決定される閾値距離及び／またはアラインメントの程度以下であること、またはその距離が閾値アラインメントの程度を満たすか、または超えることを決定することを含み得る。いくつかの例では、リンク３１８を決定することは、リンクの終端の閾値パラメータ内（例えば、リンクの終端の共分散σまたはリンクの終端の共分散３σ内）でポーズ（複数可）を決定することを含み得る。

図３Ｂは、センサデータが重複しない及び／または不連続であるため、センサデータの事前アラインメントを描写してもよく、またはセンサデータのアラインメントを描写してもよい。アラインメントを判定することは、ポーズ（複数可）に関連付けられたセンサデータを判定することを含み得る。例えば、センサデータを判定することは、ポーズのウィンドウ内にあるセンサデータを判定することを含み得、ウィンドウは、ポーズの周りの距離または時間のスパン（例えば、±２メートル、±０．５秒）であってもよいが、他のウィンドウは企図されており、正方向及び負方向に均一である必要はなく、車両の速度またはフレームキャプチャレートなどのセンサの動作特性に少なくとも部分的に基づいていてもよい）。そのようなアラインメントは、例えば、本明細書に記載されるようなＩＣＰ（Iterative Closest Point）推定、または他の最適化を含んでよい。描写される例では、第１のセンサデータ及び第２のセンサデータは両方とも複数のライダーデータコレクションを含み、それぞれが異なるポーズに関連付けられてもよく、または他の例では、ポーズがセンサデータがキャプチャされる周波数よりも低い周波数で決定されるときに同じポーズに関連付けられてもよい。アラインメントを判定することは、第１のデータの第２のデータへのアラインメントの誤差を低減するために、センサデータに関連付けられた推定されたポーズを摂動することを含み得る。例えば、センサデータ３１２及びセンサデータ３１６を整列させることは、ライトポスト３０６及び噴水３０８に関連付けられたセンサデータ３１２及びセンサデータ３１６が重複及び／または連続するまで、ポーズ３１０及び／またはポーズ３１４を摂動することを含み得る。

図３Ｂはまた、（例えば、リンク３１８を追加するか、またはリンク３１８に関連付けられたパラメータを修正することによって）リンク３１８を修正する命令を受信することに応答して、本明細書で論じられる技術によって引き起こされ得るディスプレイの例を提供する。命令を受信することに少なくとも部分的に基づいて、リンク３１８に関連付けられたセンサデータのアラインメントは、環境のマップが生成される前に、修正から生じるアラインメントが評価され得るように、トリガされてもよく、またはユーザ起動（user initiation）のために利用可能にされてもよい。修正されていないリンクに関連付けられたセンサデータのセンサデータアラインメントは、マップが生成されるまで遅延され得るが、そのようなアラインメントは、任意の他の時間に（例えば、いくつかの例ではリンクを決定する一部として）決定され得ることが理解される。

（例示的な処理）
図４は、環境のマップを生成し、マップの部分を識別及び／または修正し、及び／または生成中または生成前にリンクを修正するために機械学習モデルを訓練するための例示的なプロセス４００のフロー図を示す。いくつかの例では、例示的なプロセス４００は、少なくともマッピングコンポーネント及び／またはチューニングコンポーネントによって実行されてもよい。

動作４０２において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、環境に関連付けられたセンサデータを受信すること、及び／または推定軌道を受信することを含み得る。例えば、センサデータは、ライダーデータ、レーダーデータ、赤外線画像データ、視覚画像データ、ソナーデータ、及び／または同様のものを含んでよい。いくつかの例では、推定軌道は、センサデータに関連付けられ得る。センサデータ及び／または推定軌道は、１つ以上の車両から受信されたセンサデータ及び／または推定軌道の収集の一部であり得る。いくつかの例では、推定軌道は、１つ以上のポーズを含み得る。ポーズは、車両によって行われる環境の単純なマッピングに少なくとも部分的に基づいてもよいＳＬＡＭアルゴリズムに少なくとも部分的に基づいて推定されるように、車両の推定位置及び／または向きを示してもよい。ポーズは、センサデータの１つ以上のフレーム（例えば、シリアライズされたまたはタイムスタンプされたセンサデータ）に関連付けられ得る。例えば、ポーズは、車両が推定ポーズを決定した時点で、またはその前後でキャプチャされたセンサデータのフレームに関連付けられ得る。

動作４０４において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、グローバルパラメータ、センサデータ、及び／または推定軌道に少なくとも部分的に基づいてリンクを決定することを含み得る。例えば、リンクを決定することは、ノードが異なるポーズである係数グラフのノード間のエッジを決定することを含み得、２つの異なるポーズに関連付けられたセンサデータを一致させようとする。少なくとも１つの非限定的な例では、アルゴリズムは、周波数（例えば、５メートルごとに、車両の速度に少なくとも部分的に基づいてよい）で軌道をサンプリングし、別の軌道がサンプルに対してグローバルパラメータを満たすかどうかを判定し得る。例えば、動作４０４は、軌道をサンプリングすることに少なくとも部分的に基づいて第１のポーズを決定することと、第１のポーズから第２の軌道の第２のポーズまでの距離が閾値距離未満であることを決定することとを含み得る。

いくつかの例では、リンクは、２つ以上のポーズに関連付けられた変換（例えば、２つ以上のポーズに関連付けられたセンサデータを整列させることに少なくとも部分的に基づいて決定される）及び／または共分散並びに／または閾値距離等のパラメータを含み得る。共分散及び／または閾値距離は、ポーズを摂動するための同じ要素及び／または制約（複数可）に関連付けられ得るセンサデータを識別するアラインメントの決定の一部として使用され得る。いくつかの例では、リンクを決定することは、例えば、マッチスコア閾値、ポーズ間の閾値距離等のグローバルパラメータに少なくとも部分的に基づいてもよい。

動作４０６において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、センサデータ及びリンクに少なくとも部分的に基づいて、第１のアラインメントを決定することを含み得る。いくつかの例では、リンクを決定することは、アラインメントを決定することの一部であり得る。アラインメントを決定することは、２０１７年８月１１日に出願された特許文献２（その全体が本明細書に組み込まれる）でさらに論じられているように、第１のデータの第２のデータへのアラインメントの誤差を低減するために、センサデータに関連付けられた推定されたポーズを摂動することを含み得る。いくつかの例では、リンク及び／またはアラインメントを決定することは、アンクシャスサーチ（anxious search）、ＩＣＰ（iterative closest points）アルゴリズム、グラフベースのＳＬＡＭ、及び／または任意の他のＳＬＡＭアルゴリズムを含んでもよい。いくつかの例では、アラインメントを達成するためのポーズ（複数可）の最終的な摂動は、リンクに関連付けられた変換として記憶され得る。いくつかの例では、変換は、推定されたポーズを修正並びに／または改良し、及び／または修正された／改良された軌道を決定するために使用され得る。追加的または代替的に、動作４０６は、マップを決定することを含み得る。追加的または代替的な例では、動作４０６は、センサデータアラインメントを決定する前に改良された軌道を決定することを含み得る。

動作４０８において、プロセス４００の例は、第１のアラインメントに関連付けられたアラインメントの程度を決定することを含み得る。いくつかの例では、アラインメントの程度は、ポーズ摂動の一部として計算された残差及び／またはアラインメントに関連付けられた追加の誤差を含み得る。追加または代替の例では、ＭＬモデルまたは他のアルゴリズムは、複数のポーズを含む軌道のセクションに関連付けられたアラインメントの程度を判定するように訓練され得る。

動作４１０において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、アラインメントの程度及び／または誤差が閾値を満たすか超えるかを判定することを含んでよい。アラインメントの程度及び／または誤差が閾値を満たすか、または超える場合、動作４１０は、動作４１２に遷移してもよく、そうでなければ、例示的なプロセス４００は、動作４０２、４１４、または４１６に遷移してもよい。

動作４１２において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、第１のアラインメント及び／または改良された軌道に関連付けられた通知の表示を引き起こすことを含み得る。例えば、例示的なプロセス４００は、第１のアラインメント及び／または改良された軌道に関連付けられたデータと共に警告メッセージを送信すること、第１のアラインメント及び／または改良された軌道の表示を引き起こすこと、第１のアラインメント及び／または改良された軌道を少なくとも部分的に（例えば、改良された軌道の表示を色分けすること）に基づいて符号化すること、及び／または同様のことを含み得る。いくつかの例では、アラインメントの程度が閾値を満たさず、第１のポーズと第２のポーズとの間にリンクが存在する場合、動作４１２は、リンクを削除するための提案及び／またはオプションの表示を引き起こすことを含み得る。追加または代替の例では、アラインメントの程度が閾値を満たすか、または超え、リンクが存在しない場合、動作４１２は、アラインメントに関連付けられた２つのポーズへのリンクを追加するための提案及び／またはオプションの表示を引き起こすことを含み得る。

動作４１４において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、提案されたリンクを追加し、リンクを削除し、及び／またはリンクに関連付けられたパラメータを変更する命令を含む修正を受信することを含み得る。いくつかの例では、センサデータアラインメントは、命令を受信することに応答して決定されてもよく、及び／またはセンサデータアラインメントを実行するオプションが利用可能にされてもよい（例えば、ユーザインタフェースを介して、発行サブスクライブシステムを介してチューニング及び／またはマッピングコンポーネントに利用可能にされてもよい）。

図５Ａは、リンクを削除することで、結果として生じるマップの精度が向上する例示的なシナリオ５００を示す。図５Ａは、２つのトンネル、トンネル５０２及びトンネル５０４を示す。トンネルは、センサデータにおいて非常に類似しているように見える場合があるため、リンク判定ステップは、トンネル５０２内のポーズ５０６をトンネル５０４内のポーズ５０８と関連付けるリンク５１０を生成し得る。マップがリンク５１０に少なくとも部分的に基づいて生成される場合、センサデータは十分に整列し得、結果として生じるマップは、２つのトンネルを単一のトンネルにマージし得る。オーバーパスやその他の均一な機能は、この効果を引き起こす可能性もある。リンク５１０を削除すると、マッピングコンポーネントは、ポーズ５０６に関連付けられたセンサデータをポーズ５０８にアラインメントされたセンサデータと整列させようとしてスキップし、結果として生じるマップ内の２つの異なるトンネルをもたらし得る。いくつかの例では、このシナリオにおけるリンクの生成は、リンク生成及び／またはセンサデータアラインメントに関連付けられたグローバルパラメータによって許可され得る。

図５Ｂは、高速道路フェンス５１８によって分割された高速道路の２つの側（それぞれ５１４及び５１６）を示す例示的なシナリオ５１２を示す。例示的なシナリオ５１２では、高速道路側５１４上のポーズ５２０は、２つのポーズに関連付けられたかなりの量のセンサデータが重複しているにもかかわらず、高速道路側５１６上のポーズ５２２にリンクされなかった。リンク５２４を追加することは、マッピングコンポーネントに、ポーズ５２０及びポーズ５２２にそれぞれ関連付けられたセンサデータのセンサデータアラインメントを決定させることができる。センサデータアラインメントから生成されたマップは、リンク５４２の追加の結果として、より詳細なものを含み得る。いくつかの例では、このシナリオにおけるリンクの生成の失敗は、リンクの生成を制限するグローバルパラメータに少なくとも部分的に基づいてもよい。

いくつかの例では、リンクへの修正（例えば、追加、削除、変更）に少なくとも部分的に基づいてセンサデータアラインメントを更新（再整列）することは、センサデータを非関連付けることを含んでもよく、及び／またはさらなるポーズがリンクからのダウンウェイト摂動を含んでもよいが、追加または代替の例では、摂動は等しくまたは他の方法で重み付けされてもよい。いくつかのそのような例では、そのような再整列（realignment）は、ポーズグラフ緩和（pose graph relaxation）、非線形最小二乗最適化、バンドル調整、または任意の他のフィルタリング／マッピングアルゴリズム（例えば、ＳＬＡＭ）を含み得る。

動作４１６において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、センサデータ及び修正に少なくとも部分的に基づいて、第２のマップ、第２の改良された軌道、及び／または第２のアラインメントを決定することを含み得る。第２のアラインメントを決定することは、新しいアラインメントを決定すること、または再アラインメントを決定することを含み得る。いくつかの例では、第２のアラインメントを決定することは、修正に関連付けられたセンサデータのウィンドウを決定することを含み得る。例えば、これは、互いに非関連付けられた２つのポーズ、新たに関連付けられた２つのポーズ、またはパラメータが変更された２つのポーズに関連付けられたリンクと関連付けられたセンサデータを判定することを含み得る。ウィンドウは、ポーズに対する時間及び／または距離のスパンを含み得る。いくつかの例では、センサデータのウィンドウに関連付けられたセンサデータを新たに整列／再整列させることは、センサデータのリンクされたポーズに関連付けられた時間及び／または位置への近接性に少なくとも部分的に基づいてセンサデータを重み付けすることを含み得る。例えば、アラインメントは、センサデータをアラインメントさせようとすると、センサデータが時間及び／または距離においてリンクされたポーズから離れているほど、ダウンウェイト（例えば、より低いスカラー値を適用し、共分散または他の剛性パラメータを増加させる）し得る。そのような重み付けは、ガウス、線形、多項式、シグモイドなどを含むが、これらに限定されない、そのような距離の関数であり得る。いくつかの例では、センサデータのウィンドウに関連付けられた重みを修正することは、センサデータのウィンドウに関連付けられたサンプリングレートを修正すること（例えば、関連付けられる時間及び／または位置から離れたサンプリングレートを減少させること）を含み得る。

いくつかの例では、修正（複数可）が受信され、任意の更新されたアラインメントが生成され、マップを生成する命令が受信されたとき、残りのセンサデータアラインメントは、それに関連付けられたそれぞれのリンクに少なくとも部分的に基づいて決定され得る（例えば、いくつかの例では、センサデータは、更新されたアラインメントを作成するために選択されなかった、または自動アラインメントを引き起こすように設定されなかった非修正されたリンク及び／または修正されたリンクに関連付けられる）。アラインメントを決定することは、ポーズグラフ緩和、ＩＣＰ、アンクシャスサーチ、及び／または同様のものを含み得る。

いくつかの例では、マップを決定することは、センサデータアラインメントに少なくとも部分的に基づいて環境の表現を決定することを含み得る。例えば、マップを決定することは、マーチングスクエアアルゴリズム、Ｄｕａｌ Ｃｏｎｔｏｕｒｉｎｇアルゴリズムなどによってポリラインモデルを決定すること、及び／またはマーチングキューブアルゴリズム、Ｄｕａｌ Ｃｏｎｔｏｕｒｉｎｇアルゴリズム、レイトレーシングなどに少なくとも部分的に基づいて、メッシュモデル及び／またはワイヤフレームモデルを決定することを含み得る。

動作４１８において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、第２のマップを自律車両に送信することを含み得る。いくつかの例では、自律車両は、マップを使用して、センサキャリブレーションを実施し、自律車両及び／または自律車両のセンサを位置決めし得る。

動作４２０において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、修正及び／またはそれに関連付けられたデータを訓練データセットに追加することを含み得る。例えば、修正の受け入れ時（例えば、暗黙的受け入れを提供するマップを生成する命令が受信されたとき、またはユーザから明示的受け入れが受信されたとき）、修正及び／または関連データが訓練データセットに追加され得る。いくつかの例では、訓練データは、どのような種類の修正が行われたかのインジケーション、リンクに関連付けられたパラメータ（例えば、終端の位置、それに関連付けられた共分散）、リンクに関連付けられた知覚データ（例えば、ブリッジ、オーバーパス、または他の問題のある構造が検出された）、センサデータの少なくとも一部、及び／または２つ以上のポーズ、及び／または環境の特徴（例えば、環境内のオブジェクトの寸法、位置、及び／または数、車道の車線の数、車道に関連付けられた曲率、車道の一部の交差点への近接、車道で交差する車道の数）を含み得る。

動作４２２において、例示的なプロセス４００は、本明細書で論じられる技術のいずれかに従って、訓練データセットに少なくとも部分的に基づいてＭＬモデルを訓練することを含み得る。ＭＬモデルは、訓練されて、修正されたグローバルパラメータのセット、修正を必要とし得る環境の領域及び／またはポーズ、リンクを修正する命令、リンクが生成及び／または削除される可能性を出力し、センサデータが閾値を満たさないアラインメントの程度に関連付けられそうな可能性を判定し、及び／または同様のものを行い得る。いくつかの例では、実行時に、ＭＬモデルは、入力として領域に関連付けられた提案されたアラインメントデータを受信してもよく、領域に関連付けられたリンク（複数可）へのヌル出力または修正を出力してもよい。提案されたアラインメントデータは、センサデータ、ポーズ／軌道データ、及び／または領域に関連付けられたそれらのために生成された任意のリンクを含み得る。ＭＬモデルは、調査された環境に関連付けられた提案されたアラインメントデータがＭＬモデルへの入力として提供されるまで、入力を繰り返し領域ごとに受信し、及び各領域への任意の修正を出力し得る。

例示的なプロセス４００は、より多くまたはより少ない動作を含んでもよく、本明細書に描写及び論じられる動作は、任意の他の順序であってもよい。本明細書で論じられる動作は、異なるプロセスとして達成されてもよく、及び／または並行して処理されてもよい。いくつかの例では、異なるものとして描写される動作は、単一の動作にマージされ得、逆もまた同様である。

（例示的な条項）
Ａ．環境に関連付けられるセンサデータを受信することと、センサデータ及びリンクに少なくとも部分的に基づいて、車両に関連付けられる第１のマップ及び第１の軌道を決定することであって、第１の軌道は複数のポーズを含み、リンクは、第１の軌道の第１のポーズに関連付けられるセンサデータの第１の部分が第２のポーズに関連付けられるセンサデータの第２の部分に対応するというインジケーションを含む、ことと、提案されたリンクを追加する命令またはリンクを削除する命令のうちの少なくとも１つを含む修正を受信することと、センサデータ及び修正に少なくとも部分的に基づいて、第２のマップ及び第２の軌道を決定することと、第２のマップを追加の車両に送信することとを備える方法。

Ｂ．センサデータは、第１のセンサデータ及び第２のセンサデータを含み、第１のセンサデータは、第１のシステムの第１のセンサに関連付けられ、前記第２のセンサデータは、第２のシステムの第２のセンサデータに関連付けられる、条項Ａに記載の方法。

Ｃ．第２のマップまたは第２の軌道のうちの少なくとも１つを決定することは、修正に関連付けられるセンサデータのウィンドウを決定することを含み、第２のマップを決定することは、センサデータのウィンドウに対応する環境の部分に関連付けられる第１のマップの部分を再決定することを含む、条項ＡまたはＢに記載の方法。

Ｄ．センサデータのウィンドウを決定することは、修正に関連付けられる位置または時間の閾値距離または閾値時間内であるセンサデータのサブセットを決定することを含む、条項Ａ乃至Ｃのいずれか一項に記載の方法。

Ｅ．第１の部分及び第２の部分を決定することは、リンクに関連付けられる共分散、サンプリングレート、またはスカラーの少なくとも１つに少なくとも部分的に基づいており、修正は、共分散、サンプリングレート、またはスカラーの少なくとも１つの変更をさらに含む、条項Ａ乃至Ｄのいずれか一項に記載の方法。

Ｆ．修正を受信することに少なくとも部分的に基づいて、修正、第１の部分、及び第２の部分が訓練データセットに追加され、方法は、訓練データセットに少なくとも部分的に基づいて、機械学習モデルを訓練することであって、機械学習モデルは、リンクを追加する、またはリンクを削除するための１つまたは複数の修正を識別するように訓練される、ことをさらに含む、条項Ａ乃至Ｅのいずれか一項に記載の方法。

Ｇ．１つまたは複数のプロセッサ及びプロセッサ実行可能命令を格納するメモリを備えたシステムであって、プロセッサ実行可能命令は、１つまたは複数のプロセッサによって実行されると、システムに、環境に関連付けられるセンサデータを受信することと、センサデータ及びリンクに少なくとも部分的に基づいて、第１のアラインメントを決定することであって、前記リンクは、車両の第１のポーズに関連付けられるセンサデータの第１の部分が第２のポーズに関連付けられるセンサデータの第２の部分に対応するというインジケーションを含み、第１のアラインメントは、センサデータの第１の部分とセンサデータの第２の部分のアラインメントを含む、ことと、提案されたリンクを追加する命令、リンクを削除する命令、またはリンクに関連付けられる不確かさを変更する命令のうちの少なくとも１つを含む修正を受信することと、センサデータおよび修正に少なくとも部分的に基づいて、第２のアラインメントを決定することとを含む動作を実行させる、システム。

Ｈ．動作は、第２のアラインメントに少なくとも部分的に基づいてマップを決定することと、マップを自律車両に送信すること、または第２のアラインメントを表示させることのうちの少なくとも１つを行うこととをさらに含む、条項Ｇに記載のシステム。

Ｉ．動作は、第１のアラインメントまたはアラインメントされていなかったセンサデータに関連付けられるアラインメントの程度を決定することと、アラインメントの程度に関連付けられる領域を示す通知を生成することであって、通知は、修正候補を示し、修正は、通知に少なくとも部分的に基づいて受信される、こととをさらに含む、条項ＧまたはＨに記載のシステム。

Ｊ．センサデータは、第１のセンサデータ及び第２のセンサデータを含み、第１のセンサデータは、第１のシステムの第１のセンサに関連付けられ、第２のセンサデータは、第２のシステムの第２のセンサデータに関連付けられる、条項Ｇ乃至Ｉのいずれか一項に記載のシステム。

Ｋ．第２のアラインメントを決定することは、修正に関連付けられるセンサデータのウィンドウを決定することを含み、第２のアラインメントを決定することは、センサデータのウィンドウに対応する環境の部分に関連付けられる第１のアラインメントの部分を再決定することを含む、条項Ｇ乃至Ｊのいずれか一項に記載のシステム。

Ｌ．センサデータのウィンドウを決定することは、修正に関連付けられる位置または時間の閾値距離内または閾値時間内であるセンサデータのサブセットを決定することを含む、条項Ｇ乃至Ｋのいずれか一項に記載のシステム。

Ｍ．修正を受信することに少なくとも部分的に基づいて、修正、第１の部分、及び第２の部分が訓練データセットに追加され、動作は、訓練データセットに少なくとも部分的に基づいて、機械学習モデルを訓練することであって、機械学習モデルは、別のリンクを追加する、リンクを削除する、またはリンクに関連付けられるパラメータを変更するための１つまたは複数の修正を識別するように訓練される、ことをさらに含む、条項Ｇ乃至Ｌのいずれか一項に記載のシステム。

Ｎ．プロセッサ実行可能命令を格納する１つまたは複数の非一時的コンピュータ可読媒体であって、プロセッサ実行可能命令は、１つまたは複数のプロセッサによって実行されると、１つまたは複数のプロセッサに、環境に関連付けられるセンサデータを受信することと、センサデータ及びリンクに少なくとも部分的に基づいて、第１のアラインメントを決定することであって、前記リンクは、車両の第１のポーズに関連付けられるセンサデータの第１の部分が第２のポーズに関連付けられるセンサデータの第２の部分に対応するというインジケーションを含み、第１のアラインメントは、センサデータの第１の部分とセンサデータの第２の部分のアラインメントを含む、ことと、提案されたリンクを追加する命令、リンクを削除する命令、またはリンクに関連付けられるパラメータの変更のうちの少なくとも１つを含む修正を受信することと、センサデータおよび修正に少なくとも部分的に基づいて、第２のアラインメントを決定することとを含む動作を実行させる、１つまたは複数の非一時的コンピュータ可読媒体。

Ｏ．動作は、第２のアラインメントに少なくとも部分的に基づいてマップを決定することと、マップを自律車両に送信すること、または第２のアラインメントを表示させることのうちの少なくとも１つを行うこととをさらに含む、条項Ｎに記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｐ．動作は、第１のアラインメントまたはアラインメントされていなかったセンサデータに関連付けられるアラインメントの程度を決定することと、アラインメントの程度に関連付けられる領域を示す通知を生成することであって、通知は、修正候補を示し、修正は、通知に少なくとも部分的に基づいて受信される、こととをさらに含む、条項ＮまたはＯに記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｑ．センサデータは、第１のセンサデータ及び第２のセンサデータを含み、第１のセンサデータは、第１のシステムの第１のセンサに関連付けられ、第２のセンサデータは、第２のシステムの第２のセンサに関連付けられる、条項Ｎ乃至Ｐのいずれか一項に記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｒ．第２のアラインメントを決定することは、修正に関連付けられるセンサデータのウィンドウを決定することを含み、第２のアラインメントを決定することは、センサデータのウィンドウに対応する環境の部分に関連付けられる第１のアラインメントの部分を再決定することを含む、条項Ｎ乃至Ｑのいずれか一項に記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｓ．センサデータのウィンドウを決定することは、修正に関連付けられる位置または時間の閾値距離内又は閾値時間内であるセンサデータのサブセットを決定することを含む、条項Ｎ乃至Ｒのいずれか一項に記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｔ．修正を受信することに少なくとも部分的に基づいて、修正、第１の部分、及び第２の部分が訓練データセットに追加され、動作は、訓練データセットに少なくとも部分的に基づいて、機械学習モデルを訓練することであって、機械学習モデルは、リンクを追加する、またはリンクを削除するための１つまたは複数の修正を識別するように訓練される、ことをさらに含む、条項Ｎ乃至Ｓのいずれか一項に記載の１つまたは複数の非一時的コンピュータ可読媒体。

Ｕ．摂動することは、第２のセンサに対する第１のセンサに関連付けられる推定位置および向きの縦方向、横方向、垂直、ヨー、ロール、またはピッチの動きのうちの少なくとも１つを含む、条項Ａ乃至Ｆのいずれか一項に記載の方法。

Ｖ．自律車両から追加のセンサデータを受信することと、追加のセンサデータを第２のマップと比較することに少なくとも部分的に基づいて、追加の自律車両の位置または向きのうちの少なくとも１つを決定することをさらに含む、条項Ａ乃至Ｆ、またはＵのいずれか一項に記載の方法。

Ｗ．位置または向きの少なくとも１つに少なくとも部分的に基づいて自律車両を制御することをさらに含む、条項Ａ乃至Ｆ、ＵまたはＶのいずれか一項に記載の方法。

Ｘ．マップを決定することは、リンク、第１のポーズデータ及び第２のポーズデータのセットに少なくとも部分的に基づいて、第１のセンサデータ及び第２のセンサデータをボクセル空間に投影することと、ボクセル空間のメッシュ表現を決定することとを含む、条項Ａ乃至Ｆ、Ｕ乃至Ｗのいずれか一項に記載の方法。

上記で説明される例示的な条項は、１つの特定の実装形態に関して説明される一方で、本明細書のコンテキストにおいて、例示的な条項の内容は、方法、デバイス、システム、コンピュータ可読媒体、及び／または別の実装形態を介して実施されることも可能であることを理解されたい。さらに、例Ａ～Ｘのいずれかは、単独で、または他の１つもしくは複数の例Ａ～Ｘと組み合わせて実装されることができる。

（結論）
発明の主題は、構造的な特徴及び／または方法的な動作に特有の言語で説明されてきたが、添付の特許請求の範囲の中で画定される発明の主題は、必ずしも説明される特定の特徴、または動作に限定されるものではないことを理解されたい。むしろ、特定の特徴、及び動作は、特許請求の範囲を実施する例示的形態として開示される。

本明細書で説明されるコンポーネントは、任意のタイプのコンピュータ可読媒体に格納し得、且つソフトウェア及び／またはハードウェアにおいて実装され得る命令を表す。上述の方法及びプロセスの全ては、１つもしくは複数のコンピュータまたはプロセッサ、ハードウェア、またはそれらのいくつかの組み合わせによって実行されるソフトウェアコードコンポーネント及び／またはコンピュータ実行可能命令を介して具体化され、及び完全に自動化され得る。あるいは、方法のうちの一部または全ては、専門のコンピュータハードウェアで具現化し得る。

本明細書に記載されるプロセスのうちの少なくともいくつかは、論理フローグラフとして図示され、それぞれの動作は、ハードウェア、ソフトウェア、またはそれらの組み合わせにおいて実装されることが可能である動作のシーケンスを表す。ソフトウェアのコンテキストにおいて、動作は、１つまたは複数のプロセッサによって実行されるとき、記載される動作をコンピュータまたは自律車両に実行させる、１つまたは複数の非一時的コンピュータ可読記憶媒体上に記憶されたコンピュータ実行可能命令を表す。一般的に、コンピュータ実行可能命令は、具体的な機能を実行するか、または具体的な抽象データ型を実装するルーティン、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。動作が説明される順序は、限定として解釈されることが意図されるわけではなく、任意の数の説明される動作が、プロセスを実装する任意の順序で、及び／または並行して組み合わされることが可能である。

そうではないと特に明記されていない限り、特に「可能である」、「得る」、「できる」または「してよい」などの条件付きの用語は、とりわけ、他の例示が含まないある特徴、要素及び／またはステップをある例示が含むことを提示するための文脈内で理解される。したがって、そのような条件付きの用語は、概して、ある特徴、要素及び／またはステップが、１つまたは複数の例示に任意の方法で要求されるか、またはその１つまたは複数の例示が、ユーザのインプット、またはプロンプトを用いて、または用いずに、ある特徴、要素及び／またはステップが任意の具体的な例示に含まれるか、または実行されるべきであるかを判断するための論理を必ずしも含むことを暗示することは意図されていない。

「Ｘ、Ｙ、またはＺのうちの少なくとも１つ」という句などの接続詞は、そうではないと特に明記されていない限り、項目、用語などがＸ、ＹまたはＺのいずれか、またはそれぞれの要素の集合を含む、それらの任意の組み合わせであってよいと理解されるべきである。単数として明示的に説明されていない限り、「ある」は、単数及び複数を意味する。

本明細書で説明され、及び／または添付の図面に示したフロー図における任意のルーティンの説明、要素、またはブロックは、ルーティンにおける特定の論理機能または要素を実装するための１つまたは複数のコンピュータ実行可能命令を含むモジュール、セグメント、またはコードの部分を潜在的に表すものとして理解されるべきである。代替的な実装は、本明細書に説明される例示の範囲内に含まれ、その中で、要素または機能は、当業者によって理解されるように、関係する機能に応じて、追加の動作と実質的に同時、または逆の順序を含む、図示されたもの、または説明されたものと順不同で、削除され、実行されることが可能である。

上述の例示に対して多くの変形例、及び修正例を作成することが可能であり、それらの要素は、他の容認できる例示の中にあるものとして理解されるべきである。このような変更例及び変形例の全てが本開示の範囲内で本明細書に含まれ、以下の特許請求の範囲によって保護されることが意図される。

Claims (19)

1. １つまたは複数のプロセッサと、
   プロセッサ実行可能命令を格納するメモリと、
   を備えたシステムであって、前記プロセッサ実行可能命令は、前記１つまたは複数のプロセッサによって実行されると、前記システムに、
   第１の車両の第１のポーズに関連付けられる第１のセンサデータおよび第２の車両の第２のポーズに関連付けられる第２のセンサデータを受信することと、
   前記第１のセンサデータ、前記第２のセンサデータ、および第１のリンクに少なくとも部分的に基づいて、第１のアラインメントを決定することであって、
   前記第１のリンクは、前記第１のセンサデータが前記第２のセンサデータと同じまたは類似の環境の部分に関連付けられるというインジケーションを含み、
   前記第１のアラインメントは、前記第１のセンサデータと前記第２のセンサデータとのアラインメントを含む、
   ことと、
   提案された第２のリンクを追加する命令、前記第１のリンクを削除する命令、または前記第１のリンクに関連付けられるパラメータを変更する命令のうちの少なくとも１つを含む修正を受信することと、
   前記第１のセンサデータ、前記第２のセンサデータ、および前記修正に少なくとも部分的に基づいて、前記第１のセンサデータと前記第２のセンサデータとの第２のアラインメントを決定することと、
   前記第２のアラインメントに少なくとも部分的に基づいてマップデータを決定することと、
   を含む動作を実行させる、システム。
2. 前記動作は、前記マップデータを第３の車両に送信すること、または前記第２のアラインメントを表示させることのうちの少なくとも１つをさらに含み、前記第１の車両は、前記第２の車両および前記第３の車両のうちの１つまたは複数と同じ車両である、請求項１のシステム。
3. 前記動作は、
   前記第１のアラインメントに関連付けられるアラインメントの程度を決定することと、
   前記アラインメントの程度に関連付けられる領域を示す通知を生成することであって、前記通知は、修正候補を示し、前記修正候補は、前記通知に少なくとも部分的に基づいて受信される、ことと、
   をさらに含む、請求項１のシステム。
4. 前記第１のセンサデータは、第１のセンサシステムの第１のセンサに関連付けられ、前記第２のセンサデータは、第２のセンサシステムの第２のセンサに関連付けられる、請求項１のシステム。
5. 前記第２のアラインメントを決定することは、前記修正に関連付けられるセンサデータのウィンドウを決定することを含み、前記第２のアラインメントを決定することは、前記センサデータのウィンドウに対応する環境の部分に関連付けられる前記第１のアラインメントの部分を再決定することを含み、前記センサデータのウィンドウは、前記第１のセンサデータおよび前記第２のセンサデータのうちの少なくとも１つの部分を含む、請求項１のシステム。
6. 前記センサデータのウィンドウを決定することは、前記修正に関連付けられる位置からの閾値距離内にある、または前記修正に関連付けられる時間の閾値時間内である前記第１のセンサデータおよび前記第２のセンサデータのサブセットを決定することを含む、請求項５のシステム。
7. 前記修正を受信することに少なくとも部分的に基づいて、前記修正、前記第１のセンサデータ、および前記第２のセンサデータが訓練データセットに追加され、
   前記動作は、前記訓練データセットに少なくとも部分的に基づいて、機械学習モデルを訓練することであって、前記機械学習モデルは、前記第２のリンクを追加する、前記第１のリンクを削除する、または前記第１のリンクに関連付けられるパラメータを変更するための１つまたは複数の修正を識別するように訓練される、ことをさらに含む、
   請求項１のシステム。
8. 前記動作は、
   前記第１のアラインメントに少なくとも部分的に基づいて第１の軌道および第１のマップの少なくとも１つを決定することと、
   第２の軌道および第２のマップの少なくとも１つとして、前記第２のアラインメントに少なくとも部分的に基づいて前記第１の軌道および前記第１のマップの少なくとも１つを修正することと、
   をさらに含む、請求項１のシステム。
9. 前記第１のセンサデータは、第１のシステムの第１のセンサに関連付けられており、前記第２のセンサデータは、第２のシステムの第２のセンサに関連付けられている、請求項８のシステム。
10. 前記動作は、
    前記第１のアラインメントに少なくとも部分的に基づいて第１のマップデータを決定することをさらに含み、
    前記マップデータは、第２のマップデータであり、
    前記動作は、
    前記修正に関連付けられるセンサデータのウィンドウを決定することと、
    前記センサデータのウィンドウに対応する環境の一部に関連付けられる前記第１のマップデータの一部を再決定することを含む前記第２のマップデータを決定することと、
    をさらに含む、請求項８のシステム。
11. 前記動作は、
    前記第１のアラインメントに少なくとも部分的に基づいて第１の軌道および第１のマップの少なくとも１つを決定することと、
    第２の軌道および第２のマップの少なくとも１つとして、前記第２のアラインメントに少なくとも部分的に基づいて前記第１の軌道および前記第１のマップの少なくとも１つを修正することと、
    をさらに含む、請求項８のシステム。
12. プロセッサ実行可能命令を格納する１つまたは複数の非一時的コンピュータ可読媒体であって、前記プロセッサ実行可能命令は、１つまたは複数のプロセッサによって実行されると、前記１つまたは複数のプロセッサに、
    第１の車両の第１のポーズに関連付けられる第１のセンサデータおよび第２の車両の第２のポーズに関連付けられる第２のセンサデータを受信することと、
    前記第１のセンサデータ、前記第２のセンサデータ、および第１のリンクに少なくとも部分的に基づいて、第１のアラインメントを決定することであって、
    前記第１のリンクは、前記第１のセンサデータが前記第２のセンサデータに関連付けられるというインジケーションを含み、
    前記第１のアラインメントは、前記第１のセンサデータと第２のセンサデータとのアラインメントを含む、
    ことと、
    提案された第２のリンクを追加する命令、前記第１のリンクを削除する命令、または前記第１のリンクに関連付けられるパラメータを変更する命令のうちの少なくとも１つを含む修正を受信することと、
    前記第１のセンサデータ、前記第２のセンサデータ、および前記修正に少なくとも部分的に基づいて、第２のアラインメントを決定することと、
    前記第２のアラインメントに少なくとも部分的に基づいてマップデータを決定することと、
    を含む動作を実行させる、１つまたは複数の非一時的コンピュータ可読媒体。
13. 前記動作は、
    前記マップデータを第３の車両に送信すること、または前記第２のアラインメントを表示させることのうちの少なくとも１つを行うことをさらに含み、
    前記第１の車両は、前記第２の車両および前記第３の車両のうちの１つまたは複数と同じ車両である、請求項１２の１つまたは複数の非一時的コンピュータ可読媒体。
14. 前記動作は、
    前記第１のアラインメントに関連付けられるアラインメントの程度を決定することと、
    前記アラインメントの程度に関連付けられる領域を示す通知を生成することであって、前記通知は、修正候補を示し、前記修正候補は、前記通知に少なくとも部分的に基づいて受信される、ことと、
    をさらに含む、請求項１３の１つまたは複数の非一時的コンピュータ可読媒体。
15. 前記第１のセンサデータは、第１のシステムの第１のセンサに関連付けられ、前記第２のセンサデータは、第２のシステムの第２のセンサに関連付けられる、請求項１４の１つまたは複数の非一時的コンピュータ可読媒体。
16. 前記第２のアラインメントを決定することは、前記修正に関連付けられるセンサデータのウィンドウを決定することを含み、前記第２のアラインメントを決定することは、前記センサデータのウィンドウに対応する環境の部分に関連付けられる前記第１のアラインメントの部分を再決定することを含み、前記センサデータのウィンドウは、前記第１のセンサデータおよび前記第２のセンサデータのうちの少なくとも１つの部分を含む、請求項１２の１つまたは複数の非一時的コンピュータ可読媒体。
17. 前記センサデータのウィンドウを決定することは、前記修正に関連付けられる位置からの閾値距離内にある、または前記修正に関連付けられる時間の閾値時間内である前記第１のセンサデータおよび前記第２のセンサデータのサブセットを決定することを含む、請求項１６の１つまたは複数の非一時的コンピュータ可読媒体。
18. 前記修正を受信することに少なくとも部分的に基づいて、前記修正、前記第１のセンサデータ、および前記第２のセンサデータが訓練データセットに追加され、
    前記動作は、前記訓練データセットに少なくとも部分的に基づいて、機械学習モデルを訓練することであって、前記機械学習モデルは、前記第２のリンクを追加する、または前記第１のリンクを削除するための１つまたは複数の修正を識別するように訓練される、ことをさらに含む、請求項１２の１つまたは複数の非一時的コンピュータ可読媒体。
19. 前記動作は、
    前記第１のアラインメントに少なくとも部分的に基づいて第１の軌道および第１のマップの少なくとも１つを決定することと、
    第２の軌道および第２のマップの少なくとも１つとして、前記第２のアラインメントに少なくとも部分的に基づいて前記第１の軌道および前記第１のマップの少なくとも１つを修正することと、
    をさらに含む、請求項１２の１つまたは複数の非一時的コンピュータ可読媒体。

Images