移動領域予測装置
【課題】自車両周辺において正常な移動体と異常な移動体が混在する環境においても移動体毎に適切な移動領域を予測できる移動領域予測装置を提供することを課題とする。
【解決手段】自車両周辺の移動体を検知する移動体検知手段（走行情報取得手段１０、対象検出手段１１）と、移動体検知手段で検知した移動体の移動領域を予測する予測手段（動き予測モデル選択手段１３、動き予測手段１４）と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段（正常度推定手段１２）とを備え、予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【解決手段】自車両周辺の移動体を検知する移動体検知手段（走行情報取得手段１０、対象検出手段１１）と、移動体検知手段で検知した移動体の移動領域を予測する予測手段（動き予測モデル選択手段１３、動き予測手段１４）と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段（正常度推定手段１２）とを備え、予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、移動体の移動領域を予測する移動領域予測装置に関する。
【背景技術】
【０００２】
自車両の走行進路を予測し、その予測進路において自車両の周辺に存在する他車両などの移動体との衝突を防止するための技術が開発されている。また、自車両が目的地に向かうための目標進路を取得し、その目標進路に従って各種走行制御を行ったりあるいは自動運転を行う技術も開発されており、この技術においても周辺の移動体との衝突を回避しながら走行することが重要となる。特許文献１に記載の装置では、センサで検出された自車両のヨーレートや速度に基づいて自車両の予測走行軌跡及びその予測走行軌跡の両側に所定距離を有する予測走行エリアを求めるとともに、レーダで検出された障害物の位置や速度に基づいて障害物（他車両など）の予測走行軌跡及びその予測走行軌跡の両側に所定距離を有する予測走行エリアを求める。さらに、その自車両の予測走行エリアと障害物の予測走行エリアに基づいて衝突点又は近接点を算出し、目標減速加速度及び目標減速度を算出することにより衝突危険性を判別し、衝突の危険性が生じたときには目標減速加速度及び目標減速度に応じた自車両の速度制御を行う。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開平７−１０４０６２号公報
【特許文献２】特開２００３−５８９９４号公報
【特許文献３】特開２００７−２３３６４６号公報
【特許文献４】特開２００６−８５２８５号公報
【特許文献５】特開２００８−３７０７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
一般的な交通環境では、運転者の居眠り、飲酒、交通ルールの遵守状況などによって異常な走行を行う車両と正常な走行を行う車両とが混在していることは不可避である。しかし、従来の装置では、上記のように、他車両が移動するエリアを各車両に対して一律に設定している。そのため、異常な車両を想定し、周辺の全ての他車両に対して広いエリアを設定した場合、周辺の全ての車両（正常な車両の場合あり）との衝突危険性が高くなり、自車両の走行の効率が著しく低下する（図２（ａ）参照）。一方、正常な車両を想定し、周辺の全ての他車両に対して狭いエリアを設定した場合、周辺の全ての車両との衝突危険性が低くなり、異常な他車両が存在する場合には自車両の走行の安全性が低下する（図２（ｂ）参照）。
【０００５】
そこで、本発明は、自車両周辺において正常な移動体と異常な移動体が混在する環境においても移動体毎に適切な移動領域を予測できる移動領域予測装置を提供することを課題とする。
【課題を解決するための手段】
【０００６】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段とを備え、予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、正常度取得手段で取得した正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【０００７】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度（逆に言えば、異常度）を取得する。さらに、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し（複数個選択してもよい）、その選択した移動予測モデルを用いて移動体の移動領域を予測する。例えば、正常度の高い移動体に対しては、移動する範囲をある程度絞ることができる。一方、正常度の低い（異常度の高い）移動体に対しては、どのように移動するのか予測するのが難しい。よって、移動領域を正常度が高いほど限定し、低いほど広げるような移動予測モデルを適用する。このように、移動領域予測装置では、移動体毎に正常度に応じた移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。この移動体毎の移動領域を用いて自車両を走行支援や自動運転することにより、正常な移動体と異常な移動体が混在するような環境においても、移動体との関係での安全と自車両が目的地に向かって進む効率とを両立することができる。
【０００８】
なお、移動体は、例えば、車両、自動二輪車、自転車、歩行者である。移動体の移動状況の正常度は、例えば、その移動体のふらつき度、交通ルールの遵守度、加減速度、他の対象との衝突に対してその移動体が受け入れているリスク（衝突確率）から求められる。複数の移動予測モデルとしては、各正常度に対応する個々の移動予測モデルとしてもよい。
【０００９】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段とを備え、予測手段は、移動体の移動領域を予測するための予測パラメータを有する移動予測モデルを備え、正常度取得手段で取得した正常度に基づいて予測パラメータ値を決定し、当該決定した予測パラメータ値の移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【００１０】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。さらに、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて移動予測モデルの予測パラメータのパラメータ値（１つでも、複数でもよい）を決定し、その決定したパラメータ値の移動予測モデルを用いて移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に正常度に応じた予測パラメータ値の移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００１１】
なお、予測パラメータとしては、例えば、移動体のふらつき度、交通ルールの遵守度、加減速度、操舵角、他の対象との衝突に対してその移動体が受け入れているリスク（衝突確率）などがある。予測パラメータは、正常度と同じパラメータとしてもよい。ちなみに、正常度をパラメータに持つ一つの移動予測モデルに正常度に応じた異なるパラメータ値を代入することによって複数の移動予測モデルとしてもよい。１つの移動予測モデルが有する予測パラメータは、１つでもよいし、複数でもよい。
【００１２】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の移動の履歴に基づいて正常度を取得する構成としてもよい。
【００１３】
この移動領域予測装置では、正常度取得手段により、移動体の移動の履歴（過去の動き）を検出し、その移動の履歴に基づいて正常度を取得する。移動体の移動の履歴としては、移動体が過去に走行したときの時系列の位置の軌跡、速度の時間変化（加減速度）、走行方向の時間変化などがある。例えば、過去の走行において位置の変化が大きい（車両のふらつき度合いが大きい）場合、速度の変化が大きい場合、走行方向の変化が大きい場合には正常度が低い。
【００１４】
本発明の上記移動領域予測装置では、移動体の位置に基づいて正常度を取得する構成としてもよい。さらに、本発明の上記移動領域予測装置では、正常度取得手段は、移動体の位置及び速度に基づいて正常度を取得する構成としてもよい。
【００１５】
この移動領域予測装置では、正常度取得手段により、移動体の位置や速度を検出し、その位置や速度に基づいて正常度を取得する。位置の変化が大きく、車両のふらつき度合いが大きい場合や速度の変化が大きい場合には正常度が低い。
【００１６】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の運転者の状態に基づいて正常度を取得する構成としてもよい。
【００１７】
この移動領域予測装置では、正常度取得手段により、移動体の運転者の状態を検出し、運転者の状態に基づいて移動体の移動状況の正常度を取得する。運転者の状態としては、飲酒状態、覚醒状態、疲労状態、心理状態（イライラなど）などがある。例えば、飲酒している場合や覚醒度が低い場合には車両のふらつき度合いが大きくなる可能性が高く、イライラしている場合には加減速度が大きくなる可能性が高く、これらの場合には正常度が低い。移動体の運転者についての情報の取得方法としては、例えば、移動領域予測装置に設けられたセンサでその移動体の運転者の状態を検出する方法でもよいし、その移動体又はインフラ等に取り付けられているセンサでその移動体の運転者の状態を検出し、車車間通信や路車間通信を用いて移動領域予測装置に配信する方法でもよい。配信データとしては、正常度に関連する運転者の状態でもよいし、その運転者の状態から求められた正常度でもよい。
【００１８】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の交通ルールの遵守状況に基づいて正常度を取得する構成としてもよい。特に、交通ルールの遵守状況を、優先順位付けされた複数の交通ルールに対する遵守度の組み合わせとすると好適である。
【００１９】
この移動領域予測装置では、正常度取得手段により、移動体の交通ルールの遵守状況を検出し、交通ルールの遵守状況に基づいて移動体の移動状況の正常度を取得する。交通ルールを遵守する傾向が高いほど正常度が高く、遵守する傾向が低いほど正常度が低い。しかし、多数の交通ルールの中には重要度が異なる様々なルールがある。そこで、交通ルールの遵守状況として優先順位付けされた複数の交通ルールに対する遵守度の組み合わせとすることにより、どのレベルの交通ルールまで遵守度が高く、どのレベルの交通ルールから遵守度が低くなるのかに応じた適切な移動予測モデルを選択できる。遵守度は、遵守と違反の二値でもよいし、三段階以上で表したものでもよい。
【００２０】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段とを備え、予測手段は、移動体の移動領域を予測するための予測時間の異なる複数の移動予測モデルを備え、複数の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする。
【００２１】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、予測手段により、移動体毎に、予測時間の異なる複数の移動予測モデルを用いて並行して予測を行い、移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に予測時間の異なる複数の移動予測モデルを用いて移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。なお、複数の移動予測モデルの予測時間は、同じ時間があってもよいし、全て異なる時間でもよい。
【００２２】
本発明の上記移動領域予測装置では、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、予測手段は、正常度取得手段で取得した正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測する構成としてもよい。
【００２３】
この移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。そして、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて複数の移動予測モデルの中から予測時間の異なる移動予測モデルを選択し、当該選択した予測時間の異なる移動予測モデルを用いて並行して予測を行い、移動体の移動領域を予測する。移動状況が正常な移動体に対して正常な移動予測モデルで予測する場合、予測時間が長くなっても移動領域がある程度限定されるので、長い予測時間においても予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。一方、移動状況が異常な移動体に対して正常な移動予測モデルで予測する場合、予測時間が長くなるにつれて移動領域が広い範囲に拡散していくので、長い予測時間においては予測結果の信頼性がなく、その移動体と自車両との安全性を確保できない。しかしながら、異常な移動予測モデルで予測する場合でも、短い予測時間であれば、移動領域が限定されるため、予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。
【００２４】
したがって、移動状況が正常な移動体の予測をする場合であっても、予測時間の短い予測をする際には、あえて移動状況が異常な移動予測モデルを用いて予測することにより、予測結果の信頼性を失うことなく、その移動体が急に異常な移動状況に陥った場合にも対応できるため、安全性を更に高めることができる。また、予測時間の長い予測をする際には、移動状況が正常な移動予測モデルを用いて予測することにより、必要な予測をすることができる。したがって、この移動領域予測装置では、移動状況が正常な移動体の予測を複数の移動予測モデルで並行して予測する場合、短い予測時間については移動状況が異常な移動予測モデルで予測し、長い予測時間については移動状況が正常な移動予測モデルで予測すると好適である。
【００２５】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段とを備え、予測手段は、移動体の移動領域を予測するための予測時間が可変である移動予測モデルを備え、予測時間が可変の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする。
【００２６】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、予測手段により、移動体毎に、移動予測モデルでの予測時間を変え、各予測時間で予測を行い、移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に予測時間を変えた移動予測モデルを用いて移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００２７】
本発明の上記移動領域予測装置では、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、予測手段は、正常度取得手段で取得した正常度に基づいて予測時間を決定し、当該決定した予測時間とした移動予測モデルを用いて移動体の移動領域を予測する構成としてもよい。
【００２８】
この移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。そして、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて予測時間を決定し、当該選択した予測時間の移動予測モデルを用いて予測を行い、移動体の移動領域を予測する。
【００２９】
本発明の上記移動領域予測装置では、複数の移動予測モデルで並行して予測した複数の予測結果において予測時間の短い予測結果から順に評価すると好適である。
【００３０】
移動予測モデルは、予測時間が短いほど、信頼性が高く、予測した移動領域も狭くなる。したがって、移動体と自車両との関係で安全性を高めるためには、短い予測時間（近い未来）の移動領域ほど確実に回避する必要がある。そこで、この移動領域予測装置では、予測時間の短い予測結果（移動領域）から順に評価することにより、安全性を確保することができる。例えば、予測時間の短い予測結果から後段の処理部に出力し、後段の処理部である予測時間の予測結果と未来の自車両の位置とが交差すると判定した場合には衝突が差し迫っていると判断できるので、移動領域予測装置ではその予測時間の予測結果を評価するところまでで処理を打ち切り、衝突を回避するための処理に移行する。
【発明の効果】
【００３１】
本発明は、移動体の運転者の正常度や予測時間に応じた移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【図面の簡単な説明】
【００３２】
【図１】第１の実施の形態に係る動き予測装置の構成図である。
【図２】従来の動き予測装置での前方の他車両に対する動き予測結果の一例であり、（ａ）が全ての車両を異常な車両と想定した場合であり、（ｂ）が全ての車両が正常な車両と想定した場合である。
【図３】図１の動き予測装置での前方の他車両に対する動き予測結果の一例である。
【図４】図１の動き予測装置での動作の流れを示すフローチャートである。
【図５】第２の実施の形態に係る動き予測装置の構成図である。
【図６】カーブ路における車両の動きの一例である。
【図７】前方に車両が停止している場合の後方の車両の動きの一例である。
【図８】動き予測モデルによる動き予測結果の一例であり、（ａ）が対向車両が逆走していない場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｂ）が対向車両が逆走している場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｃ）が対向車両が逆走していない場合の車線維持を想定した動き予測モデルによる動き予測結果である。
【図９】図５の動き予測装置での動作の流れを示すフローチャートである。
【図１０】第３の実施の形態に係る動き予測装置の構成図である。
【図１１】各種動き予測モデルによる動き予測結果の一例であり、（ａ）が予測時間が１秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｂ）が予測時間が１秒間で車線維持を想定した動き予測モデルによる動き予測結果である。（ｃ）が予測時間が５秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｄ）が予測時間が５秒間で車線維持を想定した動き予測モデルによる動き予測結果である。
【図１２】図１０の動き予測装置での動作の流れを示すフローチャートである。
【図１３】シーケンシャル処理と並行予測を組み合わせた場合の動き予測モデルの選択方法の一例を示す表である。
【発明を実施するための形態】
【００３３】
以下、図面を参照して、本発明に係る移動領域予測装置の実施の形態を説明する。
【００３４】
本実施の形態では、本発明に係る移動領域予測装置を、車両に搭載される動き予測装置に適用する。本実施の形態に係る動き予測装置は、複数の動き予測モデルを利用して自車両周辺の対象（移動体）の動きを予測し、その予測結果を各種運転支援装置（衝突防止装置など）あるいは自動運転装置などに提供する。本実施の形態には、３つの形態があり、第１の実施の形態が周辺対象の正常度に応じて動き予測モデルを選択する形態であり、第２の実施の形態が周辺対象の交通ルールの遵守状況に応じて動き予測モデルを選択する形態であり、第３の実施の形態が複数の動き予測モデルで並行して予測する形態である。
【００３５】
図１〜図３を参照して、第１の実施の形態に係る動き予測装置１について説明する。図１は、第１の実施の形態に係る動き予測装置の構成図である。図２は、従来の動き予測装置での前方の他車両に対する動き予測結果の一例であり、（ａ）が全ての車両を異常な車両と想定した場合であり、（ｂ）が全ての車両が正常な車両と想定した場合である。図３は、図１の動き予測装置での前方の他車両に対する動き予測結果の一例である。
【００３６】
動き予測装置１は、自車両周辺の対象毎に複数の動き予測モデルの中から周辺対象に適した動き予測モデルを選択し、その選択した動き予測モデルに基づいて周辺対象の動きを予測する。特に、動き予測装置１では、周辺対象毎に、移動状況における正常度を推定し、正常度に応じた動き予測モデルを選択する。そのために、動き予測装置１は、走行情報取得手段１０、対象検出手段１１、正常度推定手段１２、動き予測モデル選択手段１３、動き予測手段１４を備えている。対象検出手段１１、正常度推定手段１２、動き予測モデル選択手段１３、動き予測手段１４は、ＣＰＵ[Central Processing Unit]、ＲＯＭ[ReadOnly Memory]、ＲＡＭ[Random Access Memory]などからなるＥＣＵ[Electronic Control Unit]内に構成される。
【００３７】
なお、第１の実施の形態では、走行情報取得手段１０及び対象検出手段１１が特許請求の範囲に記載する移動体検知手段に相当し、正常度推定手段１２が特許請求の範囲に記載する正常度取得手段に相当し、動き予測モデル選択手段１３及び動き予測手段１４が特許請求の範囲に記載する予測手段に相当し、動き予測モデル選択手段１３で予め用意される複数の動き予測モデルが特許請求の範囲に記載する複数の移動予測モデルに相当する。
【００３８】
走行情報取得手段１０は、自車両の走行状態、自車両周辺のセンシング情報、事前知識などを走行情報として取得する手段である。
【００３９】
自車両の走行状態としては、速度、加速度、操舵角、現在位置などがある。これらの情報の検出手段としては、速度、加速度、操舵角などの各種センサ、ＧＰＳ受信装置、カーナビゲーション装置などである。
【００４０】
自車両周辺のセンシング手段としては、ミリ波レーダなどの各種レーダ、ステレオカメラなどのカメラ（画像センサ）、レーザレンジファインダなどがある。そのセンシング情報としては、レーダでの検出点毎のデータ（発光時刻、受光時刻、走査方向、反射強度など）、カメラの撮像画像、レーザレンジファインダでの検出データなどである。
【００４１】
事前知識は、事前に取得可能な車両走行に必要な各種情報であり、道路地図、道路上の位置に対応付けた各種交通ルール（例えば、一方通行、制限速度、一旦停止、区画線（黄線、白線）、優先道路と非優先道路）や信号機などがある。事前知識は動き予測装置１に構成されるデータベースに予め格納され、自車両の現在位置に応じてデータベースからその周辺の情報が取り出される。
【００４２】
対象検出手段１１は、走行情報取得手段１０での自車両周辺のセンシング情報に基づいて自車両周辺の対象を検出する手段である。具体的には、対象検出手段１１では、レーザでの検出点毎のデータに対する処理や撮像画像に対する画像処理などを行い、周辺対象を検出し、周辺対象を検出できた場合には周辺対象毎の情報を算出する。周辺対象としては、車両、自動二輪車、自転車、歩行者などの移動体である。周辺対象の情報としては、自車両に対する相対的な位置（ｘ，ｙ）、自車両に対する相対的な速度あるいは絶対的な速度、自車両に対する相対的な向きあるいは絶対的な向き、車両の場合には車体に対するタイヤ向きなどがある。
【００４３】
正常度推定手段１２は、対象検出手段１１で検出した周辺対象毎に、周辺対象の過去の動きを利用して、周辺対象の行動（移動状況）の正常度を推定する手段である。過去の動きとしては、時系列の位置の軌跡、速度の時間変化（加減速度）、向きの時間変化などがある。正常度の推定方法としては、その周辺対象のふらつき度、交通ルールの遵守度、加減速度（許容される加減速度有り）、他の対象との衝突に対してその周辺対象が受け入れているリスク（衝突確率）などから推定する。ふらつき度は、周辺対象の時系列の位置の軌跡などから推定される。交通ルールの遵守度は、現在位置周辺の各種交通ルール、信号機の状態などと周辺対象の時系列の位置の軌跡、速度などとを比較して推定される。衝突確率は、周辺対象と他の周辺対象及び自車両との時系列の位置の軌跡、速度の時間変化、向きの時間変化などから推定される。
【００４４】
正常度は、周辺対象の移動状況が正常な度合いであり、正常なほど高く、異常なほど低い。例えば、ふらつきが大きいほど正常度が低く、交通ルールの遵守度が低いほど正常度が低く、受け入れている衝突確率が高いほど正常度が低く、加減速度が大きいほど正常度が低い。正常度としては複数のパラメータを持っていてもよく、パラメータ毎に正常な度合いが設定される。例えば、ふらつき度などに基づいて左右方向の正常度があり、ふらつき度が大きいほど左右方向の正常度が低くなる。また、加減速度などに基づいて進行方向の正常度があり、加減速度が大きいほど進行方向の正常度が低くなる。
【００４５】
動き予測モデル選択手段１３は、対象検出手段１１で検出した周辺対象毎に、正常度推定手段１２で推定した正常度に応じた最適な動き予測モデルを選択する。複数の動き予測モデルは、動き予測装置１に構成されるデータベースに予め格納されている。動き予測モデル選択手段１３では、正常度をキーとしてデータベースを検索し、データベースから正常度に応じた動き予測モデルを抽出する。
【００４６】
動き予測モデルは、正常度に応じてそれぞれ用意される。動き予測モデルは、周辺対象の情報（位置、速度、向きなど）を入力すると、その周辺対象の動きとして所定時間後（例えば、５秒後）の存在範囲を出力する。この存在範囲は、範囲のみでもよいし、その各範囲内での存在確率を持っているものでもよい。この各動き予測モデルは、正常度に応じて所定時間後の存在範囲（必要に応じて存在確率も）を予測する（図３参照）。この予測される存在範囲や存在確率は、正常度に応じて各範囲の大きさや形状、各範囲での確率値などが異なる。例えば、左右方向の正常度が低いほど、存在範囲が左右方向に広くなり、存在確率が低くなるような動き予測モデルである。また、進行方向の正常度が低いほど、進行方向に長くなり、存在確率が低くるような動き予測モデルである。
【００４７】
動き予測手段１４は、対象検出手段１１で検出した周辺対象毎に、動き予測モデル選択手段１３で選択した動き予測モデルによって周辺対象の動きを予測する手段である。具体的には、動き予測手段１４では、周辺対象毎に、選択された動き予測モデルにその周辺対象の情報を入力し、動き予測モデルによって所定時間後の存在範囲（必要に応じて存在確率も）を出力する。
【００４８】
図２には、片側三車線の道路において、自車両ＭＶが左車線を走行し、自車両ＭＶの前方において左車線に他車両ＰＶ１が走行し、更に前方において中央車線に他車両ＰＶ２が走行している場合を示している。ここでは、他車両ＰＶ１が正常な走行をしており、他車両ＰＶ２がふらつきが大きく異常な走行をしている。
【００４９】
図２（ａ）は、全ての他車両を異常な車両と想定して動き予測した場合であり、他車両ＰＶ１，ＰＶ２の所定時間後の存在範囲ＡＡ１，ＡＡ２として広い範囲が予測され、その範囲ＡＡ１，ＡＡ２が他車両ＰＶ１，ＰＶ２の走行車線から大きくはみ出している。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ１，ＰＶ２との関係で安全性を確保するために、他車両ＰＶ１の後方で少しずつ進むような目標進路ＴＣ１が生成される。この目標軌跡ＴＣ１に従って自車両ＭＶが走行した場合、目的地に向かって進む効率が著しく低下する。
【００５０】
図２（ｂ）は、全ての他車両を正常な車両と想定して動き予測した場合であり、他車両ＰＶ１，ＰＶ２の所定時間後の存在範囲ＮＡ１，ＮＡ２として狭い範囲が予測され、その範囲ＮＡ１，ＮＡ２が他車両ＰＶ１，ＰＶ２の走行車線内に十分に入っている。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ，ＰＶ２の側方車線を進むような進路を生成でき、車線変更して他車両ＰＶ２の右側方を進むような目標進路ＴＣ２が生成される。しかし、この目標軌跡ＴＣ２に従って自車両ＭＶが走行した場合、ふらつきの大きい他車両ＰＶ２との衝突確率が高くなり、安全性が低下する。
【００５１】
図３は、図２に示す状況において、動き予測装置１を適用して他車両ＰＶ１，ＰＶ２の動きを予測した場合である。この場合、正常な走行している他車両ＰＶ１に対しては正常度の高い動き予測モデルが選択され、この動き予測モデルによって他車両ＰＶ１の所定時間後の存在範囲Ａ１として狭い範囲が予測される。一方、異常な走行している他車両ＰＶ２に対しては正常度の低い動き予測モデルが選択され、この動き予測モデルによって他車両ＰＶ２の所定時間後の存在確率毎の範囲Ａ２として広い範囲が予測される。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ１，ＰＶ２との関係で安全性を確保すると、他車両ＰＶ１の右側方（中央車線）に車線変更するとともに他車両ＰＶ２の後方で進むような目標進路ＴＣが生成される。この目標軌跡ＴＣに従って自車両ＭＶが走行した場合、安全性を確保した上で目的地に向かって進む効率も向上する。
【００５２】
図１を参照して、動き予測装置１の動作を図４のフローチャートに沿って説明する。図４は、図１の動き予測装置での動作の流れを示すフローチャートである。
【００５３】
動き予測装置１では、自車両の走行状態を検出する（Ｓ１０）。また、動き予測装置１では、自車両周辺の対象をセンシングする（Ｓ１１）。そして、動き予測装置１では、そのセンシング情報に基づいて、周辺対象毎の情報を検出する（Ｓ１２）。
【００５４】
周辺対象毎に、動き予測装置１では、周辺対象の過去の動きに基づいて行動の正常度を推定する（Ｓ１３）。そして、動き予測装置１では、正常度に応じて最適な動き予測モデルを選択する（Ｓ１４）。さらに、動き予測装置１では、その選択した動き予測モデルを利用し、周辺対象の動きを予測する（Ｓ１５）。
【００５５】
そして、動き予測装置１では、周辺対象毎の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。
【００５６】
この動き予測装置１によれば、周辺対象（移動体）の行動の正常度に応じた動き予測モデルで動きを予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。この各移動体の予測結果を利用して自車両を走行支援や自動運転することにより、正常な移動体と異常な移動体が混在するような環境においても、移動体との関係での安全と自車両が目的地に向かって進む効率とを両立することができる。
【００５７】
図５〜図８を参照して、第２の実施の形態に係る動き予測装置２について説明する。図５は、第２の実施の形態に係る動き予測装置の構成図である。図６は、カーブ路における車両の動きの一例である。図７は、前方に車両が停止している場合の後方の車両の動きの一例である。図８は、動き予測モデルによる動き予測結果の一例であり、（ａ）が対向車両が逆走していない場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｂ）が対向車両が逆走している場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｃ）が対向車両が逆走していない場合の車線維持を想定した動き予測モデルによる動き予測結果である。
【００５８】
動き予測装置２は、自車両周辺の対象毎に複数の動き予測モデルの中から周辺対象に適した動き予測モデルを選択し、その選択した動き予測モデルに基づいて周辺対象の動きを予測する。特に、動き予測装置２では、周辺対象毎に、複数の交通ルールの遵守度をそれぞれ判定し、遵守度の低い交通ルールの中で重要度の最も高い交通ルールに応じた動き予測モデルを選択する。そのために、動き予測装置２は、走行情報取得手段２０、対象検出手段２１、交通ルール判定手段２２、動き予測モデル選択手段２３、動き予測手段２４を備えている。対象検出手段２１、交通ルール判定手段２２、動き予測モデル選択手段２３、動き予測手段２４は、ＣＰＵ、ＲＯＭ、ＲＡＭなどからなるＥＣＵ内に構成される。なお、走行情報取得手段２０、対象検出手段２１、動き予測手段２４は、第１の実施の形態に係る走行情報取得手段１０、対象検出手段１１、動き予測手段１４と同様の手段なので、その説明を省略する。
【００５９】
なお、第２の実施の形態では、走行情報取得手段２０及び対象検出手段２１が特許請求の範囲に記載する移動体検知手段に相当し、交通ルール判定手段２２が特許請求の範囲に記載する正常度取得手段に相当し、動き予測モデル選択手段２３及び動き予測手段２４が特許請求の範囲に記載する予測手段に相当し、動き予測モデル選択手段２３で予め用意される複数の動き予測モデルが特許請求の範囲に記載する複数の移動予測モデルに相当する。
【００６０】
交通ルール判定手段２２は、対象検出手段２１で検出した周辺対象毎に、過去の動きや現在の走行状態に基づいて、複数の交通ルールについての遵守度を判定する手段である。本願発明での交通ルールは、交通の各種法規の他に交通のマナーも包括する概念である。したがって、車両走行においてスピンしないように走行（摩擦円に収まる走行）することや道路内を走行することなど、車両走行において最低限の守るべきことも交通ルールに含めることとする。
【００６１】
具体的には、交通ルール判定手段２２では、周辺対象の過去の動きや現在の走行状態及び現在位置周辺における周辺対象の向きに応じた複数の交通ルールに基づいて、複数の交通ルールの遵守度をそれぞれ判定する。遵守度としては、遵守と違反の二値でもよいし、あるいは、三段階以上の遵守度（違反度）としてもよい。交通ルールは、周辺対象の現在位置や周辺対象の向きをキーとして、データベースから抽出されるもの（制限速度など）、周辺対象の現在位置や周辺対象の向きに関係なく常に周辺対象に適用されるもの（スピンしない走行など）がある。また、周辺対象に適用される交通ルールを、車車間通信や路車間通信を利用して取得してもよい。
【００６２】
周辺対象（特に、車両）が単に交通ルールを遵守しているかあるいは違反しているかを二者択一（全ての交通ルールを守っているかあるいは違反しているか）で判定した場合、その周辺対象の運転者の交通ルールに対しての行動を正確に判別できない。例えば、制限速度を１０ｋｍ／ｈ程度オーバして走行している車両に対して、一律に交通ルールを違反する車両とするのは正確性に欠く。そこで、複数の交通ルールについて個別に判定し、周辺対象の交通ルールに対する行動を正確に判別する。
【００６３】
ここでは、複数の交通ルールとして、図１３に示すように、「摩擦円に収まる」、「路外逸脱しない」、「逆走しない」、「遷移ルールを守る」、「後突しない」、「優先を守る」を例に挙げて説明する。「摩擦円に収まる」は車両の横力と前後力との合力がタイヤの摩擦力の限界を超えない範囲で走行することであり、摩擦円を超えると車両をコントロールできなくなる。「路外逸脱しない」は、車両が走行する際に道路内を走行することである。「逆走しない」は、車両が道路上を走行する際に対向車線を走行しないということである。「遷移ルールを守る」は、黄線を超えない走行や赤信号では停止線手前で停止などの遷移ルールを守ることである。「後突しない」は、前方車両に後方から衝突しないことである。「優先を守る」は、非優先道路を走行中の車両が優先道路を走行中の車両の走行を優先させることである。これらの６つの交通ルールについての遵守度を判定することにより、運転者の交通ルールに対する行動を正確に判別することができる。
【００６４】
動き予測モデル選択手段２３は、対象検出手段２１で検出した周辺対象毎に、交通ルール判定手段２２で判定した複数の交通ルールに対する遵守度に応じた最適な動き予測モデルを選択する手段である。複数の動き予測モデルは、動き予測装置２に構成されるデータベースに予め格納されている。
【００６５】
具体的には、動き予測モデル選択手段２３では、周辺対象に対する複数の交通ルールの遵守度を交通ルールの重要度に従ってソートする（複数の交通ルールに優先順位付けを行う）。これによって、複数の交通ルールにおいてどのレベルの交通ルールまでは遵守し（遵守度が高く）、どのレベルの交通ルールから違反する（遵守度が低い）かを判別できる。そして、動き予測モデル選択手段２３では、遵守度が低かった（違反している）交通ルールの中で重要度の最も高い交通ルールをキーとしてデータベースを検索し、データベースからその交通ルールまで違反することを想定した場合に対応した動き予測モデルを抽出する。
【００６６】
安全上絶対に遵守しなければならない交通ルールなど、複数の交通ルールにはそれぞれ重要度があり、周辺対象の運転者も重要度に応じて交通ルールを遵守する傾向がある。例えば、対向車線を逆走や赤信号を無視するような運転者が非優先道路を走行中に優先道路の車両を優先させるような走行することは考えられない。逆に、優先道路と非優先道路の関係を守るような運転者が対向車線を逆走や赤信号を無視するような走行することは考えられない。したがって、複数の交通ルールに対して重要度に従って優先順位付けを行い、複数の交通ルールにおいてどのレベルの交通ルールまでは遵守し、どのレベルの交通ルールから違反するかを判定することにより、その運転者の交通ルールに対しての行動をより正確に判別できる。このような交通ルールを守っているレベルに応じて、その周辺対象の動きの範囲も予測することができる。
【００６７】
上記した６つの交通ルールについての重要度（優先順位）について考える。摩擦円を超えると車両のコントロールができなくなり、他の交通ルールを遵守できなくなる可能性があるので、「摩擦円に収まる」が重要度が最も高い。次に、道路内を走行することは必須要件となるので、「路外逸脱しない」がその次に重要度が高い。次に、対向車線の逆走禁止は安全上絶対に守らなければならないなので、「逆走しない」がその次に重要度が高い。図６に示す例の場合、カーブ路を自車両ＭＶが走行中に対向車線において他車両ＰＶが前方から走行してきているときに、他車両ＰＶが走行車線をキープできないような状況になると、通常、他車両ＰＶの運転者は道路外に出るよりは対向車線を一時的に逆走することを選択すると予測される。
【００６８】
次に、交通秩序として信号機や黄線などを守って走行しなければならないので、「遷移ルールを守る」がその次に重要度が高い。さらに、「後突しない」がその次に重要度が高い。図７に示す例の場合、自車両ＭＶが停止線で停止中に後方から他車両ＰＶが後方から高車速で走行してきているときに、他車両ＰＶが自車両ＭＶの後方で停止できないような状況になると、通常、他車両ＰＶの運転者は対向車線を逆走するよりは自車両ＭＶに後方から衝突することを選択すると予測される。
【００６９】
動き予測モデルは、優先順位付けされて複数の交通ルールに応じてそれぞれ用意される。この各動き予測モデルは、優先順位付けされた複数の交通ルールの中で任意の交通ルールまで違反すると想定した場合（なお、任意の交通ルールを違反する場合にはその交通ルールとそれより重要度が低い全ての交通ルールも違反していると想定する）に応じた所定時間後の存在範囲（必要に応じて存在確率も）を予測する。この予測される存在範囲や存在確率は、各交通ルールまで違反すると想定した場合に応じて各範囲の大きさや形状、各範囲での確率値などが異なる。例えば、重要度の高い交通ルールまで違反する場合、範囲が広くなり、存在確率が低くなるような動き予測モデルである。また、全ての交通ルールを遵守する場合、範囲全体が非常に狭くなり、中心の存在確率が高くなるような動き予測モデルである。
【００７０】
上記した６つの交通ルールの例の場合、全ての交通ルールを違反する場合に応じた動き予測モデル、路外逸脱しないまでの交通ルールを違反する場合に応じた動き予測モデル、逆走しないまでの交通ルールを違反する場合に応じた動き予測モデル、遷移ルールを守るまでの交通ルールを違反する場合に応じた動き予測モデル、後突しないまでの交通ルールを違反する場合に応じた動き予測モデル、優先を守るまでの交通ルールを違反する場合に応じた動き予測モデル、全ての交通ルールを守る場合に応じた動き予測モデルが用意される。
【００７１】
図８には、自車両ＭＶが走行中に対向車線において他車両ＰＶが前方から走行してきているときに、他車両ＰＶが走行車線を走行している場合と対向車線（自車両ＭＶの走行車線）を逆走している場合を示している。図８（ａ）に示す例では、他車両ＰＶが走行車線を走行している場合、この他車両ＰＶに対して対向車線を逆走する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ１が対向車線まで広がっている。この場合、自車両ＭＶの目標進路を生成した場合、他車両ＰＶとの関係で安全性を確保するために、少しずつ進むような目標進路が生成されるかあるいは停止する目標進路が生成される。この目標進路に従って自車両ＭＶが走行した場合、他車両ＰＶが車線維持して走行しているにもかかわらず、目的地に向かって進む効率が著しく低下する。また、図８（ｂ）に示す例では、他車両ＰＶが対向車線を走行している場合、この他車両ＰＶに対して対向車線を逆走する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ２が対向車線まで広がっている。この場合も、自車両ＭＶの目標進路を生成すると上記と同様の目標進路が生成される。しかし、この場合は実際に他車両ＰＶが対向車線を逆走しているので、このような目標進路が生成されてもよい。
【００７２】
他車両ＰＶが走行車線を維持して走行している場合、対向車線の逆走まで想定して動きを予測する必要はなく、車線維持を想定して動きを予測するのが妥当である。したがって、図８（ｃ）に示すように、他車両ＰＶが走行車線を維持して走行している場合（逆走しない交通ルールを遵守している場合）、この他車両ＰＶに対して車線維持する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ３が走行車線内に限定されるべきである。この場合、自車両ＭＶの目標進路を生成した場合、他車両ＰＶとの関係で安全性を確保する上で、目的地に向かって大きく進むような目標進路が生成される。
【００７３】
図５を参照して、動き予測装置２の動作を図９のフローチャートに沿って説明する。図９は、図５の動き予測装置での動作の流れを示すフローチャートである。
【００７４】
動き予測装置２では、第１の実施の形態に係る動き予測装置１と同様の動作により、自車両の走行状態を検出するとともに周辺対象をセンシングし（Ｓ２０，Ｓ２１）、そのセンシング情報により周辺対象毎の情報を検出する（Ｓ２２）。
【００７５】
周辺対象毎に、動き予測装置２では、周辺対象の動きに基づいて複数の交通ルールの遵守度を判定する（Ｓ２３）。そして、動き予測装置２では、複数の交通ルールの遵守判定結果を交通ルールの重要度に従ってソートする（Ｓ２４）。さらに、動き予測装置２では、その優先順位付けされた複数の交通ルールの遵守判定結果から遵守度の低い中で最も重要度の高い交通ルールに応じて最適な動き予測モデルを選択する（Ｓ２５）。そして、動き予測装置２では、その選択した動き予測モデルを利用し、周辺対象の動きを予測する（Ｓ２６）。
【００７６】
そして、動き予測装置２では、周辺対象毎の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。
【００７７】
この動き予測装置２によれば、周辺対象（移動体）の複数の交通ルールに対する遵守判定結果に応じた最適な動き予測モデルで動きを予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。特に、動き予測装置２によれば、複数の交通ルールの遵守判定結果を重要度に従って優先順位付けし、シーケンシャルに動き予測モデルを選択することにより、効率的に最適な動き予測モデルを選択することができる。
【００７８】
図１０〜図１１を参照して、第３の実施の形態に係る動き予測装置３について説明する。図１０は、第３の実施の形態に係る動き予測装置の構成図である。図１１は、各種動き予測モデルによる動き予測結果の一例であり、（ａ）が予測時間が１秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｂ）が予測時間が１秒間で車線維持を想定した動き予測モデルによる動き予測結果である。（ｃ）が予測時間が５秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｄ）が予測時間が５秒間で車線維持を想定した動き予測モデルによる動き予測結果である。
【００７９】
動き予測装置３は、自車両周辺の対象毎に複数の動き予測モデルに基づいて周辺対象の動きをそれぞれ予測する。特に、動き予測装置３では、予測時間が異なりかつ各予測時間に応じた予測を行う複数の動き予測モデルで並行して予測する。そのために、動き予測装置３は、走行情報取得手段３０、第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎ、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎを備えている。第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎ、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎは、ＣＰＵ、ＲＯＭ、ＲＡＭなどからなるＥＣＵ内に構成される。なお、走行情報取得手段３０は、第１の実施の形態に係る走行情報取得手段１０と同様の手段なので、その説明を省略する。
【００８０】
なお、第３の実施の形態では、走行情報取得手段３０及び第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎが特許請求の範囲に記載する移動体検知手段に相当し、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎが特許請求の範囲に記載する予測手段に相当し、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎでそれぞれ予め用意される動き予測モデルが特許請求の範囲に記載する移動予測モデルに相当する。
【００８１】
第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎは、第１の実施の形態に係る対象検出手段１１と同様に、走行情報取得手段３０での自車両周辺の対象に対するセンシング情報に基づいて自車両周辺の対象を検出する手段である。特に、第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎは、同じ周辺対象を検出するが、第１〜第ｎの動き予測手段３４１〜３４ｎでそれぞれ用意される第１〜第ｎの動き予測モデルでそれぞれ必要とされる周辺対象の情報を算出する。なお、対象検出手段３１を１つだけ構成し、この１つの対象検出手段３１で第１〜第ｎの動き予測手段３４１〜３４ｎでそれぞれ用意される第１〜第ｎの動き予測モデルで必要とされる周辺対象の全ての情報を算出するようにしてもよい。
【００８２】
第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎは、対象検出手段３１で検出した周辺対象毎に、各手段３４１〜３４ｎでそれぞれ用意されている動き予測モデルによって周辺対象の動きをそれぞれ予測する手段である。つまり、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎでは、周辺対象毎に、異なる動き予測モデルを利用して、並行して予測することになる。具体的には、例えば、第１動き予測手段３４１では、周辺対象毎に、第１対象検出手段３１１で算出された周辺対象の情報を入力し、第１動き予測モデルによって最も短い予測時間後の存在範囲（必要に応じて存在確率も）を出力する。また、第ｎ動き予測手段３４ｎでは、周辺対象毎に、第ｎ対象検出手段３１ｎで算出された周辺対象の情報を入力し、第ｎ動き予測モデルによって最も長い予測時間後の存在範囲（必要に応じて存在確率も）を出力する。
【００８３】
動き予測モデルとしては、予測時間が異なる複数のモデルが用意される。動き予測モデルは、予測時間が短いほど、信頼性が高く、予測した存在範囲も狭くなる。したがって、周辺対象と自車両との関係で安全性を高めるためには、短い予測時間（近い未来）の存在範囲ほど確実に回避する必要がある。
【００８４】
そこで、遠い未来に予測される周辺対象の動きと比較して、予測結果に含まれる不確定性が少ない近い未来に予測される周辺対象の動きを確実に回避するためには、予測時間が異なる複数の予測結果に対して予測時間の短い予測結果から優先的に安全性を評価する必要がある。
【００８５】
例えば、自車両の最適な進路を選択する場合、周辺対象についての最も短い予測時間の予測結果に対する複数の自車両の進路候補についての安全性をそれぞれ評価し、安全を確保できる進路候補のみを最適な進路候補として選択する。この選択された最適な進路候補が複数ある場合、周辺対象についての次に短い予測時間の予測結果に対する選択された最適な進路候補についての安全性をそれぞれ評価し、安全を確保できる最適な進路候補を更に絞り込む。このような評価及び絞り込みを、最適な進路候補の数が十分に少なくなるかあるいは最も長い予測時間に対する安全性の評価が終了するまで繰り返し行う。以上により、遠い未来に予測される周辺対象の動きと比較して、近い未来に予測される周辺対象の動きを優先的に回避することが可能となる。
【００８６】
なお、遠い未来に予測される周辺対象の動きと比較して、近い未来に予測される周辺対象の動きの優先的に回避する手段は、予測時間の短い予測結果から優先的に安全性を評価する方法に限らない。例えば、予測時間が短い予測結果ほど高い重みをつけ、全ての予測時間の予測結果に対する安全性を同時に評価してもよい。
【００８７】
また、全ての予測時間に対して必ずしも同一の予測モデルを適用する必要はなく、各予測時間に対して適切な予測方法の予測モデルを複数用意してもよい。例えば、交通ルールを守っている一般的な運転者（正常度が高い運転者）の場合、瞬間的に過剰な操作を行う可能性はあるが（例えば、障害物回避時、オーディオ操作時など）、その過剰な操作を長時間継続することは非常に稀である。よって、近い未来は過剰な操作を想定した動き予測モデルを利用し、遠い未来は限定された動き予測モデルを利用することにより、安全と走行の効率を両立する面から好適である。なお、限定された動き予測モデルは、周辺対象が交通ルールを守る前提を入れることなどで実現できる。
【００８８】
つまり、移動状況が正常な周辺対象に対して正常な動き予測モデルで予測する場合、予測時間が長くなっても存在範囲がある程度限定されるので、長い予測時間においても予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。一方、移動状況が異常な周辺対象に対して正常な動き予測モデルで予測する場合、予測時間が長くなるにつれて存在範囲が広い範囲に拡散していくので、長い予測時間においては予測結果の信頼性がなく、その移動体と自車両との安全性を確保できない。しかしながら、異常な動き予測モデルで予測する場合でも、短い予測時間であれば、存在範囲が限定されるため、予測結果に信頼性があり、その周辺対象と自車両との安全性を確保できる。
【００８９】
したがって、移動状況が正常な周辺対象の予測をする場合であっても、予測時間の短い予測をする場合、移動状況が異常な動きモデルを用いて予測することにより、予測結果の信頼性を失うことなく、その周辺対象が急に異常な操作などを行った場合にも対応できるため、安全性を更に高めることができる。また、予測時間の長い予測をする場合、移動状況が正常な動きモデルを用いて予測することにより、必要な予測をすることができる。したがって、移動状況が正常な周辺対象の予測を複数の動き予測モデルで並行して予測する場合、短い予測時間については移動状況が異常な動きモデルで予測し、長い予測時間については移動状況が正常な動きモデルで予測するにより、安全と走行の効率を両立することができる。
【００９０】
図１１には、自車両ＭＶが走行中に、他車両ＰＶが対向車線を前方から走行してきた場合を示している。図１１（ａ）に示す例では、操作確率が一様分布（つまり、運転者が何をやるかわからない場合）の動き予測モデルによって他車両ＰＶに対して１秒後の存在範囲Ａ１を予測している。この動き予測モデルを用いた場合、車両が物理的に１秒間で動ける範囲となるので、１秒後でも他車両ＰＶの走行車線一杯に広がる範囲Ａ１を予測する。図１１（ｂ）に示す例では、車線維持を想定した動き予測モデルによって他車両ＰＶに対して１秒後の存在範囲Ａ２を予測している。この動き予測モデルを用いた場合、車両が車線逸脱しないので、他車両ＰＶの走行車線内に限定される範囲Ａ２を予測する。図１１（ｃ）に示す例では、操作確率が一様分布の動き予測モデルによって他車両ＰＶに対して５秒後の存在範囲Ａ３を予測している。この動き予測モデルを用いた場合、車両が物理的に５秒間で動ける範囲となるので、他車両ＰＶの対向車線（自車両ＭＶの走行車線）まで広がる範囲Ａ３を予測する。図１１（ｄ）に示す例では、車線維持を想定した動き予測モデルによって他車両ＰＶに対しての５秒後の存在範囲Ａ４を予測している。この動き予測モデルを用いた場合、車両が車線逸脱しないので、５秒後でも他車両ＰＶの走行車線内に限定される範囲Ａ４を予測する。この例の場合、安全と走行の効率を両立するためには、操作確率が一様分布な動き予測モデルによる１秒間の予測結果（図１１（ａ））と車線維持を想定した動き予測モデルによる５秒間の予測結果（図１１（ｄ））を利用する。
【００９１】
特に、予測時間が短い予測結果ほど、その予測結果の信頼性が高い。また、予測時間の短い予測結果ほど（つまり、近い未来の他車両の動きほど）、その動きとの安全性を確実に確保しなければならない。したがって、予測時間がそれぞれ異なる複数の予測結果を評価する場合、予測時間の短い予測結果から順に評価するとよい。
【００９２】
図１０を参照して、動き予測装置３の動作を図１２のフローチャートに沿って説明する。図１２は、図１０の動き予測装置での動作の流れを示すフローチャートである。
【００９３】
動き予測装置３では、第１の実施の形態に係る動き予測装置１と同様の動作により、自車両の走行状態を検出するとともに周辺対象をセンシングする（Ｓ３０，Ｓ３１）。そして、動き予測装置３では、そのセンシング情報に基づいて、周辺対象毎に、第１〜第ｎの動き予測モデルにそれぞれ対応した情報を検出する（Ｓ３２１〜Ｓ３２ｎ）。
【００９４】
周辺対象毎に、動き予測装置３では、予測時間の異なる第１〜第ｎの動き予測モデルをそれぞれ利用し、周辺対象の動きをそれぞれ予測する（Ｓ３３１〜Ｓ３３ｎ）。
【００９５】
そして、動き予測装置３では、周辺対象毎の複数の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。この複数の動き予測結果を入力する装置側では、所定周期毎に、周辺対象毎に予測時間の異なる複数の予測結果が入力される。そして、装置側では、予測時間の短い予測結果から順次評価し、自車両の目標軌跡生成などを行う。
【００９６】
この動き予測装置３によれば、予測時間の異なる複数の動き予測モデルで並行して予測することにより、様々な移動体の移動状況に対応して適切な予測時間での予測が可能であり、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００９７】
図１３を参照して、第２の実施の形態における優先順位付けされた交通ルールの遵守判定結果に応じた動き予測モデルの切り替え（シーケンシャル処理）と第３の実施の形態における予測時間の異なる動き予測モデルによる並行予測を組み合わせた動き予測について説明する。図１３は、シーケンシャル処理と並行予測を組み合わせた場合の動き予測モデルの選択方法の一例を示す表である。
【００９８】
この例では、予測時間は、１秒、５秒、１０秒である。この各予測時間に対して複数の動き予測モデルがそれぞれ用意される。なお、この例では、複数の交通ルールを第２の実施の形態で例示した６つの交通ルールとする。
【００９９】
予測時間が１秒の動き予測モデルとしては、この例では２つ用意されている。この２つの動き予測モデルは、摩擦円に収まらない場合に応じた動き予測モデルと摩擦円に収まる場合に応じた動き予測モデルである。この２つの動き予測モデルは、例えば、操作確率を一様分布にすることによって構成される。
【０１００】
予測時間が５秒の動き予測モデルとしては、この例では第２の実施の形態で説明した６つが用意される。路外逸脱しないまでの交通ルールを違反する場合に応じた動き予測モデルは、例えば、操作確率を一様分布にすることによって構成される。それ以外の５つの動き予測モデルは、操作確率を任意の分布にすることによって構成される。任意の分布としては、一様分布、正規分布、混合正規分布、ノンパラメトリック分布などがある。
【０１０１】
予測時間が１０秒の動き予測モデルとしては、この例では３つ用意される。この３つの動き予測モデルは、後突しないまでの交通ルールを違反する場合に応じた動き予測モデル、優先を守るまでの交通ルールを違反する場合に応じた動き予測モデル、全ての交通ルールを守る場合に応じた動き予測モデルが用意される。この３つの動き予測モデルは、例えば、車両の行動要素である直進、右左折、車線変更などの組み合わせによって構成される。
【０１０２】
周辺対象毎に、各予測時間について複数の動き予測モデルの中から交通ルールの遵守判定結果に応じて１つの動き予測モデルがそれぞれ選択され、各予測時間の動き予測モデルで並行してそれぞれ予測を行う。このように、各予測時間についての優先順位付けした複数の交通ルールに対する遵守判定結果に応じた最適な動き予測モデルで並行して予測を行うことにより、上記した第２の実施の形態における効果と第３の実施の形態における効果を得ることができる。
【０１０３】
以上、本発明に係る実施の形態について説明したが、本発明は上記実施の形態に限定されることなく様々な形態で実施される。
【０１０４】
例えば、本実施の形態では動き予測装置に適用したが、移動体の動きの予測結果を必要とする各種運転支援装置（衝突防止装置など）あるいは自動運転装置などの他の装置に適用してもよい。
【０１０５】
また、本実施の形態では自車両に搭載したセンサで周辺対象をセンシングする構成としたが、車車間通信や路車間通信などで周辺対象の情報を取得する構成としてもよい。この場合、周辺対象あるいはインフラに取り付けたセンサで周辺対象の運転者の状態を検出し、その検出した運転者の状態あるいはその運転者の状態から求められた運転者の正常度を車車間通信や路車間通信で自車両に配信する構成としてもよい。正常度として、他車両の運転者の状態（覚醒状態、飲酒状態、精神状態など）を取得してもよい。
【０１０６】
また、第１の実施の形態では正常度毎に用意した複数の動き予測モデルを切り替える構成としたが、正常度をパラメータとして持つ一つの動き予測モデルが用意され、推定された正常度をパラメータ値とする動き予測モデルを設定する構成としてもよい。例えば、走行上許容される加減速度をパラメータとして持つ動き予測モデルの場合、周辺の移動体の加減速度を推定し、その加減速度の推定値をパラメータ値とする動き予測モデルを設定する。また、予測パラメータを持つ一つの動き予測モデルが用意され、推定された正常度に基づいてその予測パラメータのパラメータ値を決定し、そのパラメータ値の動き予測モデルを設定する構成としてもよい。例えば、走行上許容される加減速度を予測パラメータとして持つ動き予測モデルの場合、周辺の移動体の正常度に基づいてその移動体の加減速度の値を決定し、その結滞した加減速度をパラメータ値とする動き予測モデルを設定する。
【０１０７】
また、第２の実施の形態では交通ルールの遵守状況として優先順位付けした複数の交通ルールの遵守判定結果をシーケンシャル的に評価する構成としたが、交通ルールの遵守状況については他のものでよく、例えば、複数の交通ルールの遵守／違反の結果に基づいて遵守度を複数の段階で設定する。また、重要度が高い順に交通ルールの遵守度を判定し、遵守度が低い交通ルールを判別できた時点でその交通ルールに応じて動き予測モデルを選択してもよい。
【０１０８】
また、第３の実施の形態では複数の動き予測モデルでそれぞれ予測した複数の予測結果を下段側の装置に出力する構成としたが、複数の予測結果を時間のパラメータを加味した１つの結果に統合したものとしてもよい。
【０１０９】
また、第３の実施の形態では予測時間の異なる複数の動き予測モデルで並行して予測し、その予測結果を評価する構成としたが、予測時間に可変に設定できる動き予測モデルを用いて、その動き予測モデルでの予測時間を変えて予測し、その予測結果を評価してもよい。この場合、正常度に基づいて予測時間を決定し、その動き予測モデルでの予測時間を決定した予測時間に変えて予測を行ってもよい。
【０１１０】
また、交通ルールによらない正常度の推定方法として、ふらつき度の他に、線形予測の残差を利用して推定してもよい。残差は、例えば、式（１）のように求められる。式（１）におけるｋは、予測のために予め定められた次数である。
【数１】
【０１１１】
また、残差の大きさによる方法もある。この場合、残差が大きい場合、すなわち予測誤差が大きい場合には、正常度が低いとすればよい。また、この残差自体を予測モデルの広がり方のパラメータとして用いることも可能である。なお、正常度の推定方法は、予測の困難さを評価できるものであればよく、上記の方法に限定されるものではない。
【符号の説明】
【０１１２】
１，２，３…動き予測装置、１０，２０，３０…走行情報取得手段、１１，２１…対象検出手段、１２…正常度推定手段、１３，２３…動き予測モデル選択手段、１４，２４…動き予測手段，２２…交通ルール判定手段、３１１〜３１ｎ…第１対象検出手段〜第ｎ対象検出手段、３４１〜３４ｎ…第１動き予測手段〜第ｎ動き予測手段
【技術分野】
【０００１】
本発明は、移動体の移動領域を予測する移動領域予測装置に関する。
【背景技術】
【０００２】
自車両の走行進路を予測し、その予測進路において自車両の周辺に存在する他車両などの移動体との衝突を防止するための技術が開発されている。また、自車両が目的地に向かうための目標進路を取得し、その目標進路に従って各種走行制御を行ったりあるいは自動運転を行う技術も開発されており、この技術においても周辺の移動体との衝突を回避しながら走行することが重要となる。特許文献１に記載の装置では、センサで検出された自車両のヨーレートや速度に基づいて自車両の予測走行軌跡及びその予測走行軌跡の両側に所定距離を有する予測走行エリアを求めるとともに、レーダで検出された障害物の位置や速度に基づいて障害物（他車両など）の予測走行軌跡及びその予測走行軌跡の両側に所定距離を有する予測走行エリアを求める。さらに、その自車両の予測走行エリアと障害物の予測走行エリアに基づいて衝突点又は近接点を算出し、目標減速加速度及び目標減速度を算出することにより衝突危険性を判別し、衝突の危険性が生じたときには目標減速加速度及び目標減速度に応じた自車両の速度制御を行う。
【先行技術文献】
【特許文献】
【０００３】
【特許文献１】特開平７−１０４０６２号公報
【特許文献２】特開２００３−５８９９４号公報
【特許文献３】特開２００７−２３３６４６号公報
【特許文献４】特開２００６−８５２８５号公報
【特許文献５】特開２００８−３７０７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
一般的な交通環境では、運転者の居眠り、飲酒、交通ルールの遵守状況などによって異常な走行を行う車両と正常な走行を行う車両とが混在していることは不可避である。しかし、従来の装置では、上記のように、他車両が移動するエリアを各車両に対して一律に設定している。そのため、異常な車両を想定し、周辺の全ての他車両に対して広いエリアを設定した場合、周辺の全ての車両（正常な車両の場合あり）との衝突危険性が高くなり、自車両の走行の効率が著しく低下する（図２（ａ）参照）。一方、正常な車両を想定し、周辺の全ての他車両に対して狭いエリアを設定した場合、周辺の全ての車両との衝突危険性が低くなり、異常な他車両が存在する場合には自車両の走行の安全性が低下する（図２（ｂ）参照）。
【０００５】
そこで、本発明は、自車両周辺において正常な移動体と異常な移動体が混在する環境においても移動体毎に適切な移動領域を予測できる移動領域予測装置を提供することを課題とする。
【課題を解決するための手段】
【０００６】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段とを備え、予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、正常度取得手段で取得した正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【０００７】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度（逆に言えば、異常度）を取得する。さらに、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し（複数個選択してもよい）、その選択した移動予測モデルを用いて移動体の移動領域を予測する。例えば、正常度の高い移動体に対しては、移動する範囲をある程度絞ることができる。一方、正常度の低い（異常度の高い）移動体に対しては、どのように移動するのか予測するのが難しい。よって、移動領域を正常度が高いほど限定し、低いほど広げるような移動予測モデルを適用する。このように、移動領域予測装置では、移動体毎に正常度に応じた移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。この移動体毎の移動領域を用いて自車両を走行支援や自動運転することにより、正常な移動体と異常な移動体が混在するような環境においても、移動体との関係での安全と自車両が目的地に向かって進む効率とを両立することができる。
【０００８】
なお、移動体は、例えば、車両、自動二輪車、自転車、歩行者である。移動体の移動状況の正常度は、例えば、その移動体のふらつき度、交通ルールの遵守度、加減速度、他の対象との衝突に対してその移動体が受け入れているリスク（衝突確率）から求められる。複数の移動予測モデルとしては、各正常度に対応する個々の移動予測モデルとしてもよい。
【０００９】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段と、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段とを備え、予測手段は、移動体の移動領域を予測するための予測パラメータを有する移動予測モデルを備え、正常度取得手段で取得した正常度に基づいて予測パラメータ値を決定し、当該決定した予測パラメータ値の移動予測モデルを用いて移動体の移動領域を予測することを特徴とする。
【００１０】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。さらに、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて移動予測モデルの予測パラメータのパラメータ値（１つでも、複数でもよい）を決定し、その決定したパラメータ値の移動予測モデルを用いて移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に正常度に応じた予測パラメータ値の移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００１１】
なお、予測パラメータとしては、例えば、移動体のふらつき度、交通ルールの遵守度、加減速度、操舵角、他の対象との衝突に対してその移動体が受け入れているリスク（衝突確率）などがある。予測パラメータは、正常度と同じパラメータとしてもよい。ちなみに、正常度をパラメータに持つ一つの移動予測モデルに正常度に応じた異なるパラメータ値を代入することによって複数の移動予測モデルとしてもよい。１つの移動予測モデルが有する予測パラメータは、１つでもよいし、複数でもよい。
【００１２】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の移動の履歴に基づいて正常度を取得する構成としてもよい。
【００１３】
この移動領域予測装置では、正常度取得手段により、移動体の移動の履歴（過去の動き）を検出し、その移動の履歴に基づいて正常度を取得する。移動体の移動の履歴としては、移動体が過去に走行したときの時系列の位置の軌跡、速度の時間変化（加減速度）、走行方向の時間変化などがある。例えば、過去の走行において位置の変化が大きい（車両のふらつき度合いが大きい）場合、速度の変化が大きい場合、走行方向の変化が大きい場合には正常度が低い。
【００１４】
本発明の上記移動領域予測装置では、移動体の位置に基づいて正常度を取得する構成としてもよい。さらに、本発明の上記移動領域予測装置では、正常度取得手段は、移動体の位置及び速度に基づいて正常度を取得する構成としてもよい。
【００１５】
この移動領域予測装置では、正常度取得手段により、移動体の位置や速度を検出し、その位置や速度に基づいて正常度を取得する。位置の変化が大きく、車両のふらつき度合いが大きい場合や速度の変化が大きい場合には正常度が低い。
【００１６】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の運転者の状態に基づいて正常度を取得する構成としてもよい。
【００１７】
この移動領域予測装置では、正常度取得手段により、移動体の運転者の状態を検出し、運転者の状態に基づいて移動体の移動状況の正常度を取得する。運転者の状態としては、飲酒状態、覚醒状態、疲労状態、心理状態（イライラなど）などがある。例えば、飲酒している場合や覚醒度が低い場合には車両のふらつき度合いが大きくなる可能性が高く、イライラしている場合には加減速度が大きくなる可能性が高く、これらの場合には正常度が低い。移動体の運転者についての情報の取得方法としては、例えば、移動領域予測装置に設けられたセンサでその移動体の運転者の状態を検出する方法でもよいし、その移動体又はインフラ等に取り付けられているセンサでその移動体の運転者の状態を検出し、車車間通信や路車間通信を用いて移動領域予測装置に配信する方法でもよい。配信データとしては、正常度に関連する運転者の状態でもよいし、その運転者の状態から求められた正常度でもよい。
【００１８】
本発明の上記移動領域予測装置では、正常度取得手段は、移動体の交通ルールの遵守状況に基づいて正常度を取得する構成としてもよい。特に、交通ルールの遵守状況を、優先順位付けされた複数の交通ルールに対する遵守度の組み合わせとすると好適である。
【００１９】
この移動領域予測装置では、正常度取得手段により、移動体の交通ルールの遵守状況を検出し、交通ルールの遵守状況に基づいて移動体の移動状況の正常度を取得する。交通ルールを遵守する傾向が高いほど正常度が高く、遵守する傾向が低いほど正常度が低い。しかし、多数の交通ルールの中には重要度が異なる様々なルールがある。そこで、交通ルールの遵守状況として優先順位付けされた複数の交通ルールに対する遵守度の組み合わせとすることにより、どのレベルの交通ルールまで遵守度が高く、どのレベルの交通ルールから遵守度が低くなるのかに応じた適切な移動予測モデルを選択できる。遵守度は、遵守と違反の二値でもよいし、三段階以上で表したものでもよい。
【００２０】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段とを備え、予測手段は、移動体の移動領域を予測するための予測時間の異なる複数の移動予測モデルを備え、複数の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする。
【００２１】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、予測手段により、移動体毎に、予測時間の異なる複数の移動予測モデルを用いて並行して予測を行い、移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に予測時間の異なる複数の移動予測モデルを用いて移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。なお、複数の移動予測モデルの予測時間は、同じ時間があってもよいし、全て異なる時間でもよい。
【００２２】
本発明の上記移動領域予測装置では、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、予測手段は、正常度取得手段で取得した正常度に基づいて複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測する構成としてもよい。
【００２３】
この移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。そして、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて複数の移動予測モデルの中から予測時間の異なる移動予測モデルを選択し、当該選択した予測時間の異なる移動予測モデルを用いて並行して予測を行い、移動体の移動領域を予測する。移動状況が正常な移動体に対して正常な移動予測モデルで予測する場合、予測時間が長くなっても移動領域がある程度限定されるので、長い予測時間においても予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。一方、移動状況が異常な移動体に対して正常な移動予測モデルで予測する場合、予測時間が長くなるにつれて移動領域が広い範囲に拡散していくので、長い予測時間においては予測結果の信頼性がなく、その移動体と自車両との安全性を確保できない。しかしながら、異常な移動予測モデルで予測する場合でも、短い予測時間であれば、移動領域が限定されるため、予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。
【００２４】
したがって、移動状況が正常な移動体の予測をする場合であっても、予測時間の短い予測をする際には、あえて移動状況が異常な移動予測モデルを用いて予測することにより、予測結果の信頼性を失うことなく、その移動体が急に異常な移動状況に陥った場合にも対応できるため、安全性を更に高めることができる。また、予測時間の長い予測をする際には、移動状況が正常な移動予測モデルを用いて予測することにより、必要な予測をすることができる。したがって、この移動領域予測装置では、移動状況が正常な移動体の予測を複数の移動予測モデルで並行して予測する場合、短い予測時間については移動状況が異常な移動予測モデルで予測し、長い予測時間については移動状況が正常な移動予測モデルで予測すると好適である。
【００２５】
本発明に係る移動領域予測装置は、自車両周辺の移動体を検知する移動体検知手段と、移動体検知手段で検知した移動体の移動領域を予測する予測手段とを備え、予測手段は、移動体の移動領域を予測するための予測時間が可変である移動予測モデルを備え、予測時間が可変の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする。
【００２６】
この移動領域予測装置では、移動体検知手段により自車両周辺の移動体を検知する。そして、移動領域予測装置では、予測手段により、移動体毎に、移動予測モデルでの予測時間を変え、各予測時間で予測を行い、移動体の移動領域を予測する。このように、移動領域予測装置では、移動体毎に予測時間を変えた移動予測モデルを用いて移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００２７】
本発明の上記移動領域予測装置では、移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、予測手段は、正常度取得手段で取得した正常度に基づいて予測時間を決定し、当該決定した予測時間とした移動予測モデルを用いて移動体の移動領域を予測する構成としてもよい。
【００２８】
この移動領域予測装置では、正常度取得手段により自車両周辺の移動体の移動状況におおける正常度を取得する。そして、移動領域予測装置では、予測手段により、移動体毎に、正常度に基づいて予測時間を決定し、当該選択した予測時間の移動予測モデルを用いて予測を行い、移動体の移動領域を予測する。
【００２９】
本発明の上記移動領域予測装置では、複数の移動予測モデルで並行して予測した複数の予測結果において予測時間の短い予測結果から順に評価すると好適である。
【００３０】
移動予測モデルは、予測時間が短いほど、信頼性が高く、予測した移動領域も狭くなる。したがって、移動体と自車両との関係で安全性を高めるためには、短い予測時間（近い未来）の移動領域ほど確実に回避する必要がある。そこで、この移動領域予測装置では、予測時間の短い予測結果（移動領域）から順に評価することにより、安全性を確保することができる。例えば、予測時間の短い予測結果から後段の処理部に出力し、後段の処理部である予測時間の予測結果と未来の自車両の位置とが交差すると判定した場合には衝突が差し迫っていると判断できるので、移動領域予測装置ではその予測時間の予測結果を評価するところまでで処理を打ち切り、衝突を回避するための処理に移行する。
【発明の効果】
【００３１】
本発明は、移動体の運転者の正常度や予測時間に応じた移動予測モデルを適用して移動領域を予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【図面の簡単な説明】
【００３２】
【図１】第１の実施の形態に係る動き予測装置の構成図である。
【図２】従来の動き予測装置での前方の他車両に対する動き予測結果の一例であり、（ａ）が全ての車両を異常な車両と想定した場合であり、（ｂ）が全ての車両が正常な車両と想定した場合である。
【図３】図１の動き予測装置での前方の他車両に対する動き予測結果の一例である。
【図４】図１の動き予測装置での動作の流れを示すフローチャートである。
【図５】第２の実施の形態に係る動き予測装置の構成図である。
【図６】カーブ路における車両の動きの一例である。
【図７】前方に車両が停止している場合の後方の車両の動きの一例である。
【図８】動き予測モデルによる動き予測結果の一例であり、（ａ）が対向車両が逆走していない場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｂ）が対向車両が逆走している場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｃ）が対向車両が逆走していない場合の車線維持を想定した動き予測モデルによる動き予測結果である。
【図９】図５の動き予測装置での動作の流れを示すフローチャートである。
【図１０】第３の実施の形態に係る動き予測装置の構成図である。
【図１１】各種動き予測モデルによる動き予測結果の一例であり、（ａ）が予測時間が１秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｂ）が予測時間が１秒間で車線維持を想定した動き予測モデルによる動き予測結果である。（ｃ）が予測時間が５秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｄ）が予測時間が５秒間で車線維持を想定した動き予測モデルによる動き予測結果である。
【図１２】図１０の動き予測装置での動作の流れを示すフローチャートである。
【図１３】シーケンシャル処理と並行予測を組み合わせた場合の動き予測モデルの選択方法の一例を示す表である。
【発明を実施するための形態】
【００３３】
以下、図面を参照して、本発明に係る移動領域予測装置の実施の形態を説明する。
【００３４】
本実施の形態では、本発明に係る移動領域予測装置を、車両に搭載される動き予測装置に適用する。本実施の形態に係る動き予測装置は、複数の動き予測モデルを利用して自車両周辺の対象（移動体）の動きを予測し、その予測結果を各種運転支援装置（衝突防止装置など）あるいは自動運転装置などに提供する。本実施の形態には、３つの形態があり、第１の実施の形態が周辺対象の正常度に応じて動き予測モデルを選択する形態であり、第２の実施の形態が周辺対象の交通ルールの遵守状況に応じて動き予測モデルを選択する形態であり、第３の実施の形態が複数の動き予測モデルで並行して予測する形態である。
【００３５】
図１〜図３を参照して、第１の実施の形態に係る動き予測装置１について説明する。図１は、第１の実施の形態に係る動き予測装置の構成図である。図２は、従来の動き予測装置での前方の他車両に対する動き予測結果の一例であり、（ａ）が全ての車両を異常な車両と想定した場合であり、（ｂ）が全ての車両が正常な車両と想定した場合である。図３は、図１の動き予測装置での前方の他車両に対する動き予測結果の一例である。
【００３６】
動き予測装置１は、自車両周辺の対象毎に複数の動き予測モデルの中から周辺対象に適した動き予測モデルを選択し、その選択した動き予測モデルに基づいて周辺対象の動きを予測する。特に、動き予測装置１では、周辺対象毎に、移動状況における正常度を推定し、正常度に応じた動き予測モデルを選択する。そのために、動き予測装置１は、走行情報取得手段１０、対象検出手段１１、正常度推定手段１２、動き予測モデル選択手段１３、動き予測手段１４を備えている。対象検出手段１１、正常度推定手段１２、動き予測モデル選択手段１３、動き予測手段１４は、ＣＰＵ[Central Processing Unit]、ＲＯＭ[ReadOnly Memory]、ＲＡＭ[Random Access Memory]などからなるＥＣＵ[Electronic Control Unit]内に構成される。
【００３７】
なお、第１の実施の形態では、走行情報取得手段１０及び対象検出手段１１が特許請求の範囲に記載する移動体検知手段に相当し、正常度推定手段１２が特許請求の範囲に記載する正常度取得手段に相当し、動き予測モデル選択手段１３及び動き予測手段１４が特許請求の範囲に記載する予測手段に相当し、動き予測モデル選択手段１３で予め用意される複数の動き予測モデルが特許請求の範囲に記載する複数の移動予測モデルに相当する。
【００３８】
走行情報取得手段１０は、自車両の走行状態、自車両周辺のセンシング情報、事前知識などを走行情報として取得する手段である。
【００３９】
自車両の走行状態としては、速度、加速度、操舵角、現在位置などがある。これらの情報の検出手段としては、速度、加速度、操舵角などの各種センサ、ＧＰＳ受信装置、カーナビゲーション装置などである。
【００４０】
自車両周辺のセンシング手段としては、ミリ波レーダなどの各種レーダ、ステレオカメラなどのカメラ（画像センサ）、レーザレンジファインダなどがある。そのセンシング情報としては、レーダでの検出点毎のデータ（発光時刻、受光時刻、走査方向、反射強度など）、カメラの撮像画像、レーザレンジファインダでの検出データなどである。
【００４１】
事前知識は、事前に取得可能な車両走行に必要な各種情報であり、道路地図、道路上の位置に対応付けた各種交通ルール（例えば、一方通行、制限速度、一旦停止、区画線（黄線、白線）、優先道路と非優先道路）や信号機などがある。事前知識は動き予測装置１に構成されるデータベースに予め格納され、自車両の現在位置に応じてデータベースからその周辺の情報が取り出される。
【００４２】
対象検出手段１１は、走行情報取得手段１０での自車両周辺のセンシング情報に基づいて自車両周辺の対象を検出する手段である。具体的には、対象検出手段１１では、レーザでの検出点毎のデータに対する処理や撮像画像に対する画像処理などを行い、周辺対象を検出し、周辺対象を検出できた場合には周辺対象毎の情報を算出する。周辺対象としては、車両、自動二輪車、自転車、歩行者などの移動体である。周辺対象の情報としては、自車両に対する相対的な位置（ｘ，ｙ）、自車両に対する相対的な速度あるいは絶対的な速度、自車両に対する相対的な向きあるいは絶対的な向き、車両の場合には車体に対するタイヤ向きなどがある。
【００４３】
正常度推定手段１２は、対象検出手段１１で検出した周辺対象毎に、周辺対象の過去の動きを利用して、周辺対象の行動（移動状況）の正常度を推定する手段である。過去の動きとしては、時系列の位置の軌跡、速度の時間変化（加減速度）、向きの時間変化などがある。正常度の推定方法としては、その周辺対象のふらつき度、交通ルールの遵守度、加減速度（許容される加減速度有り）、他の対象との衝突に対してその周辺対象が受け入れているリスク（衝突確率）などから推定する。ふらつき度は、周辺対象の時系列の位置の軌跡などから推定される。交通ルールの遵守度は、現在位置周辺の各種交通ルール、信号機の状態などと周辺対象の時系列の位置の軌跡、速度などとを比較して推定される。衝突確率は、周辺対象と他の周辺対象及び自車両との時系列の位置の軌跡、速度の時間変化、向きの時間変化などから推定される。
【００４４】
正常度は、周辺対象の移動状況が正常な度合いであり、正常なほど高く、異常なほど低い。例えば、ふらつきが大きいほど正常度が低く、交通ルールの遵守度が低いほど正常度が低く、受け入れている衝突確率が高いほど正常度が低く、加減速度が大きいほど正常度が低い。正常度としては複数のパラメータを持っていてもよく、パラメータ毎に正常な度合いが設定される。例えば、ふらつき度などに基づいて左右方向の正常度があり、ふらつき度が大きいほど左右方向の正常度が低くなる。また、加減速度などに基づいて進行方向の正常度があり、加減速度が大きいほど進行方向の正常度が低くなる。
【００４５】
動き予測モデル選択手段１３は、対象検出手段１１で検出した周辺対象毎に、正常度推定手段１２で推定した正常度に応じた最適な動き予測モデルを選択する。複数の動き予測モデルは、動き予測装置１に構成されるデータベースに予め格納されている。動き予測モデル選択手段１３では、正常度をキーとしてデータベースを検索し、データベースから正常度に応じた動き予測モデルを抽出する。
【００４６】
動き予測モデルは、正常度に応じてそれぞれ用意される。動き予測モデルは、周辺対象の情報（位置、速度、向きなど）を入力すると、その周辺対象の動きとして所定時間後（例えば、５秒後）の存在範囲を出力する。この存在範囲は、範囲のみでもよいし、その各範囲内での存在確率を持っているものでもよい。この各動き予測モデルは、正常度に応じて所定時間後の存在範囲（必要に応じて存在確率も）を予測する（図３参照）。この予測される存在範囲や存在確率は、正常度に応じて各範囲の大きさや形状、各範囲での確率値などが異なる。例えば、左右方向の正常度が低いほど、存在範囲が左右方向に広くなり、存在確率が低くなるような動き予測モデルである。また、進行方向の正常度が低いほど、進行方向に長くなり、存在確率が低くるような動き予測モデルである。
【００４７】
動き予測手段１４は、対象検出手段１１で検出した周辺対象毎に、動き予測モデル選択手段１３で選択した動き予測モデルによって周辺対象の動きを予測する手段である。具体的には、動き予測手段１４では、周辺対象毎に、選択された動き予測モデルにその周辺対象の情報を入力し、動き予測モデルによって所定時間後の存在範囲（必要に応じて存在確率も）を出力する。
【００４８】
図２には、片側三車線の道路において、自車両ＭＶが左車線を走行し、自車両ＭＶの前方において左車線に他車両ＰＶ１が走行し、更に前方において中央車線に他車両ＰＶ２が走行している場合を示している。ここでは、他車両ＰＶ１が正常な走行をしており、他車両ＰＶ２がふらつきが大きく異常な走行をしている。
【００４９】
図２（ａ）は、全ての他車両を異常な車両と想定して動き予測した場合であり、他車両ＰＶ１，ＰＶ２の所定時間後の存在範囲ＡＡ１，ＡＡ２として広い範囲が予測され、その範囲ＡＡ１，ＡＡ２が他車両ＰＶ１，ＰＶ２の走行車線から大きくはみ出している。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ１，ＰＶ２との関係で安全性を確保するために、他車両ＰＶ１の後方で少しずつ進むような目標進路ＴＣ１が生成される。この目標軌跡ＴＣ１に従って自車両ＭＶが走行した場合、目的地に向かって進む効率が著しく低下する。
【００５０】
図２（ｂ）は、全ての他車両を正常な車両と想定して動き予測した場合であり、他車両ＰＶ１，ＰＶ２の所定時間後の存在範囲ＮＡ１，ＮＡ２として狭い範囲が予測され、その範囲ＮＡ１，ＮＡ２が他車両ＰＶ１，ＰＶ２の走行車線内に十分に入っている。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ，ＰＶ２の側方車線を進むような進路を生成でき、車線変更して他車両ＰＶ２の右側方を進むような目標進路ＴＣ２が生成される。しかし、この目標軌跡ＴＣ２に従って自車両ＭＶが走行した場合、ふらつきの大きい他車両ＰＶ２との衝突確率が高くなり、安全性が低下する。
【００５１】
図３は、図２に示す状況において、動き予測装置１を適用して他車両ＰＶ１，ＰＶ２の動きを予測した場合である。この場合、正常な走行している他車両ＰＶ１に対しては正常度の高い動き予測モデルが選択され、この動き予測モデルによって他車両ＰＶ１の所定時間後の存在範囲Ａ１として狭い範囲が予測される。一方、異常な走行している他車両ＰＶ２に対しては正常度の低い動き予測モデルが選択され、この動き予測モデルによって他車両ＰＶ２の所定時間後の存在確率毎の範囲Ａ２として広い範囲が予測される。そのため、自車両ＭＶの目標進路を生成した場合、他車両ＰＶ１，ＰＶ２との関係で安全性を確保すると、他車両ＰＶ１の右側方（中央車線）に車線変更するとともに他車両ＰＶ２の後方で進むような目標進路ＴＣが生成される。この目標軌跡ＴＣに従って自車両ＭＶが走行した場合、安全性を確保した上で目的地に向かって進む効率も向上する。
【００５２】
図１を参照して、動き予測装置１の動作を図４のフローチャートに沿って説明する。図４は、図１の動き予測装置での動作の流れを示すフローチャートである。
【００５３】
動き予測装置１では、自車両の走行状態を検出する（Ｓ１０）。また、動き予測装置１では、自車両周辺の対象をセンシングする（Ｓ１１）。そして、動き予測装置１では、そのセンシング情報に基づいて、周辺対象毎の情報を検出する（Ｓ１２）。
【００５４】
周辺対象毎に、動き予測装置１では、周辺対象の過去の動きに基づいて行動の正常度を推定する（Ｓ１３）。そして、動き予測装置１では、正常度に応じて最適な動き予測モデルを選択する（Ｓ１４）。さらに、動き予測装置１では、その選択した動き予測モデルを利用し、周辺対象の動きを予測する（Ｓ１５）。
【００５５】
そして、動き予測装置１では、周辺対象毎の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。
【００５６】
この動き予測装置１によれば、周辺対象（移動体）の行動の正常度に応じた動き予測モデルで動きを予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。この各移動体の予測結果を利用して自車両を走行支援や自動運転することにより、正常な移動体と異常な移動体が混在するような環境においても、移動体との関係での安全と自車両が目的地に向かって進む効率とを両立することができる。
【００５７】
図５〜図８を参照して、第２の実施の形態に係る動き予測装置２について説明する。図５は、第２の実施の形態に係る動き予測装置の構成図である。図６は、カーブ路における車両の動きの一例である。図７は、前方に車両が停止している場合の後方の車両の動きの一例である。図８は、動き予測モデルによる動き予測結果の一例であり、（ａ）が対向車両が逆走していない場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｂ）が対向車両が逆走している場合の対向車線の逆走を想定した動き予測モデルによる動き予測結果であり、（ｃ）が対向車両が逆走していない場合の車線維持を想定した動き予測モデルによる動き予測結果である。
【００５８】
動き予測装置２は、自車両周辺の対象毎に複数の動き予測モデルの中から周辺対象に適した動き予測モデルを選択し、その選択した動き予測モデルに基づいて周辺対象の動きを予測する。特に、動き予測装置２では、周辺対象毎に、複数の交通ルールの遵守度をそれぞれ判定し、遵守度の低い交通ルールの中で重要度の最も高い交通ルールに応じた動き予測モデルを選択する。そのために、動き予測装置２は、走行情報取得手段２０、対象検出手段２１、交通ルール判定手段２２、動き予測モデル選択手段２３、動き予測手段２４を備えている。対象検出手段２１、交通ルール判定手段２２、動き予測モデル選択手段２３、動き予測手段２４は、ＣＰＵ、ＲＯＭ、ＲＡＭなどからなるＥＣＵ内に構成される。なお、走行情報取得手段２０、対象検出手段２１、動き予測手段２４は、第１の実施の形態に係る走行情報取得手段１０、対象検出手段１１、動き予測手段１４と同様の手段なので、その説明を省略する。
【００５９】
なお、第２の実施の形態では、走行情報取得手段２０及び対象検出手段２１が特許請求の範囲に記載する移動体検知手段に相当し、交通ルール判定手段２２が特許請求の範囲に記載する正常度取得手段に相当し、動き予測モデル選択手段２３及び動き予測手段２４が特許請求の範囲に記載する予測手段に相当し、動き予測モデル選択手段２３で予め用意される複数の動き予測モデルが特許請求の範囲に記載する複数の移動予測モデルに相当する。
【００６０】
交通ルール判定手段２２は、対象検出手段２１で検出した周辺対象毎に、過去の動きや現在の走行状態に基づいて、複数の交通ルールについての遵守度を判定する手段である。本願発明での交通ルールは、交通の各種法規の他に交通のマナーも包括する概念である。したがって、車両走行においてスピンしないように走行（摩擦円に収まる走行）することや道路内を走行することなど、車両走行において最低限の守るべきことも交通ルールに含めることとする。
【００６１】
具体的には、交通ルール判定手段２２では、周辺対象の過去の動きや現在の走行状態及び現在位置周辺における周辺対象の向きに応じた複数の交通ルールに基づいて、複数の交通ルールの遵守度をそれぞれ判定する。遵守度としては、遵守と違反の二値でもよいし、あるいは、三段階以上の遵守度（違反度）としてもよい。交通ルールは、周辺対象の現在位置や周辺対象の向きをキーとして、データベースから抽出されるもの（制限速度など）、周辺対象の現在位置や周辺対象の向きに関係なく常に周辺対象に適用されるもの（スピンしない走行など）がある。また、周辺対象に適用される交通ルールを、車車間通信や路車間通信を利用して取得してもよい。
【００６２】
周辺対象（特に、車両）が単に交通ルールを遵守しているかあるいは違反しているかを二者択一（全ての交通ルールを守っているかあるいは違反しているか）で判定した場合、その周辺対象の運転者の交通ルールに対しての行動を正確に判別できない。例えば、制限速度を１０ｋｍ／ｈ程度オーバして走行している車両に対して、一律に交通ルールを違反する車両とするのは正確性に欠く。そこで、複数の交通ルールについて個別に判定し、周辺対象の交通ルールに対する行動を正確に判別する。
【００６３】
ここでは、複数の交通ルールとして、図１３に示すように、「摩擦円に収まる」、「路外逸脱しない」、「逆走しない」、「遷移ルールを守る」、「後突しない」、「優先を守る」を例に挙げて説明する。「摩擦円に収まる」は車両の横力と前後力との合力がタイヤの摩擦力の限界を超えない範囲で走行することであり、摩擦円を超えると車両をコントロールできなくなる。「路外逸脱しない」は、車両が走行する際に道路内を走行することである。「逆走しない」は、車両が道路上を走行する際に対向車線を走行しないということである。「遷移ルールを守る」は、黄線を超えない走行や赤信号では停止線手前で停止などの遷移ルールを守ることである。「後突しない」は、前方車両に後方から衝突しないことである。「優先を守る」は、非優先道路を走行中の車両が優先道路を走行中の車両の走行を優先させることである。これらの６つの交通ルールについての遵守度を判定することにより、運転者の交通ルールに対する行動を正確に判別することができる。
【００６４】
動き予測モデル選択手段２３は、対象検出手段２１で検出した周辺対象毎に、交通ルール判定手段２２で判定した複数の交通ルールに対する遵守度に応じた最適な動き予測モデルを選択する手段である。複数の動き予測モデルは、動き予測装置２に構成されるデータベースに予め格納されている。
【００６５】
具体的には、動き予測モデル選択手段２３では、周辺対象に対する複数の交通ルールの遵守度を交通ルールの重要度に従ってソートする（複数の交通ルールに優先順位付けを行う）。これによって、複数の交通ルールにおいてどのレベルの交通ルールまでは遵守し（遵守度が高く）、どのレベルの交通ルールから違反する（遵守度が低い）かを判別できる。そして、動き予測モデル選択手段２３では、遵守度が低かった（違反している）交通ルールの中で重要度の最も高い交通ルールをキーとしてデータベースを検索し、データベースからその交通ルールまで違反することを想定した場合に対応した動き予測モデルを抽出する。
【００６６】
安全上絶対に遵守しなければならない交通ルールなど、複数の交通ルールにはそれぞれ重要度があり、周辺対象の運転者も重要度に応じて交通ルールを遵守する傾向がある。例えば、対向車線を逆走や赤信号を無視するような運転者が非優先道路を走行中に優先道路の車両を優先させるような走行することは考えられない。逆に、優先道路と非優先道路の関係を守るような運転者が対向車線を逆走や赤信号を無視するような走行することは考えられない。したがって、複数の交通ルールに対して重要度に従って優先順位付けを行い、複数の交通ルールにおいてどのレベルの交通ルールまでは遵守し、どのレベルの交通ルールから違反するかを判定することにより、その運転者の交通ルールに対しての行動をより正確に判別できる。このような交通ルールを守っているレベルに応じて、その周辺対象の動きの範囲も予測することができる。
【００６７】
上記した６つの交通ルールについての重要度（優先順位）について考える。摩擦円を超えると車両のコントロールができなくなり、他の交通ルールを遵守できなくなる可能性があるので、「摩擦円に収まる」が重要度が最も高い。次に、道路内を走行することは必須要件となるので、「路外逸脱しない」がその次に重要度が高い。次に、対向車線の逆走禁止は安全上絶対に守らなければならないなので、「逆走しない」がその次に重要度が高い。図６に示す例の場合、カーブ路を自車両ＭＶが走行中に対向車線において他車両ＰＶが前方から走行してきているときに、他車両ＰＶが走行車線をキープできないような状況になると、通常、他車両ＰＶの運転者は道路外に出るよりは対向車線を一時的に逆走することを選択すると予測される。
【００６８】
次に、交通秩序として信号機や黄線などを守って走行しなければならないので、「遷移ルールを守る」がその次に重要度が高い。さらに、「後突しない」がその次に重要度が高い。図７に示す例の場合、自車両ＭＶが停止線で停止中に後方から他車両ＰＶが後方から高車速で走行してきているときに、他車両ＰＶが自車両ＭＶの後方で停止できないような状況になると、通常、他車両ＰＶの運転者は対向車線を逆走するよりは自車両ＭＶに後方から衝突することを選択すると予測される。
【００６９】
動き予測モデルは、優先順位付けされて複数の交通ルールに応じてそれぞれ用意される。この各動き予測モデルは、優先順位付けされた複数の交通ルールの中で任意の交通ルールまで違反すると想定した場合（なお、任意の交通ルールを違反する場合にはその交通ルールとそれより重要度が低い全ての交通ルールも違反していると想定する）に応じた所定時間後の存在範囲（必要に応じて存在確率も）を予測する。この予測される存在範囲や存在確率は、各交通ルールまで違反すると想定した場合に応じて各範囲の大きさや形状、各範囲での確率値などが異なる。例えば、重要度の高い交通ルールまで違反する場合、範囲が広くなり、存在確率が低くなるような動き予測モデルである。また、全ての交通ルールを遵守する場合、範囲全体が非常に狭くなり、中心の存在確率が高くなるような動き予測モデルである。
【００７０】
上記した６つの交通ルールの例の場合、全ての交通ルールを違反する場合に応じた動き予測モデル、路外逸脱しないまでの交通ルールを違反する場合に応じた動き予測モデル、逆走しないまでの交通ルールを違反する場合に応じた動き予測モデル、遷移ルールを守るまでの交通ルールを違反する場合に応じた動き予測モデル、後突しないまでの交通ルールを違反する場合に応じた動き予測モデル、優先を守るまでの交通ルールを違反する場合に応じた動き予測モデル、全ての交通ルールを守る場合に応じた動き予測モデルが用意される。
【００７１】
図８には、自車両ＭＶが走行中に対向車線において他車両ＰＶが前方から走行してきているときに、他車両ＰＶが走行車線を走行している場合と対向車線（自車両ＭＶの走行車線）を逆走している場合を示している。図８（ａ）に示す例では、他車両ＰＶが走行車線を走行している場合、この他車両ＰＶに対して対向車線を逆走する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ１が対向車線まで広がっている。この場合、自車両ＭＶの目標進路を生成した場合、他車両ＰＶとの関係で安全性を確保するために、少しずつ進むような目標進路が生成されるかあるいは停止する目標進路が生成される。この目標進路に従って自車両ＭＶが走行した場合、他車両ＰＶが車線維持して走行しているにもかかわらず、目的地に向かって進む効率が著しく低下する。また、図８（ｂ）に示す例では、他車両ＰＶが対向車線を走行している場合、この他車両ＰＶに対して対向車線を逆走する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ２が対向車線まで広がっている。この場合も、自車両ＭＶの目標進路を生成すると上記と同様の目標進路が生成される。しかし、この場合は実際に他車両ＰＶが対向車線を逆走しているので、このような目標進路が生成されてもよい。
【００７２】
他車両ＰＶが走行車線を維持して走行している場合、対向車線の逆走まで想定して動きを予測する必要はなく、車線維持を想定して動きを予測するのが妥当である。したがって、図８（ｃ）に示すように、他車両ＰＶが走行車線を維持して走行している場合（逆走しない交通ルールを遵守している場合）、この他車両ＰＶに対して車線維持する場合に応じた動き予測モデルが適用され、所定時間後の存在範囲Ａ３が走行車線内に限定されるべきである。この場合、自車両ＭＶの目標進路を生成した場合、他車両ＰＶとの関係で安全性を確保する上で、目的地に向かって大きく進むような目標進路が生成される。
【００７３】
図５を参照して、動き予測装置２の動作を図９のフローチャートに沿って説明する。図９は、図５の動き予測装置での動作の流れを示すフローチャートである。
【００７４】
動き予測装置２では、第１の実施の形態に係る動き予測装置１と同様の動作により、自車両の走行状態を検出するとともに周辺対象をセンシングし（Ｓ２０，Ｓ２１）、そのセンシング情報により周辺対象毎の情報を検出する（Ｓ２２）。
【００７５】
周辺対象毎に、動き予測装置２では、周辺対象の動きに基づいて複数の交通ルールの遵守度を判定する（Ｓ２３）。そして、動き予測装置２では、複数の交通ルールの遵守判定結果を交通ルールの重要度に従ってソートする（Ｓ２４）。さらに、動き予測装置２では、その優先順位付けされた複数の交通ルールの遵守判定結果から遵守度の低い中で最も重要度の高い交通ルールに応じて最適な動き予測モデルを選択する（Ｓ２５）。そして、動き予測装置２では、その選択した動き予測モデルを利用し、周辺対象の動きを予測する（Ｓ２６）。
【００７６】
そして、動き予測装置２では、周辺対象毎の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。
【００７７】
この動き予測装置２によれば、周辺対象（移動体）の複数の交通ルールに対する遵守判定結果に応じた最適な動き予測モデルで動きを予測することにより、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。特に、動き予測装置２によれば、複数の交通ルールの遵守判定結果を重要度に従って優先順位付けし、シーケンシャルに動き予測モデルを選択することにより、効率的に最適な動き予測モデルを選択することができる。
【００７８】
図１０〜図１１を参照して、第３の実施の形態に係る動き予測装置３について説明する。図１０は、第３の実施の形態に係る動き予測装置の構成図である。図１１は、各種動き予測モデルによる動き予測結果の一例であり、（ａ）が予測時間が１秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｂ）が予測時間が１秒間で車線維持を想定した動き予測モデルによる動き予測結果である。（ｃ）が予測時間が５秒間で操作確率が一様分布の動き予測モデルによる動き予測結果であり、（ｄ）が予測時間が５秒間で車線維持を想定した動き予測モデルによる動き予測結果である。
【００７９】
動き予測装置３は、自車両周辺の対象毎に複数の動き予測モデルに基づいて周辺対象の動きをそれぞれ予測する。特に、動き予測装置３では、予測時間が異なりかつ各予測時間に応じた予測を行う複数の動き予測モデルで並行して予測する。そのために、動き予測装置３は、走行情報取得手段３０、第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎ、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎを備えている。第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎ、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎは、ＣＰＵ、ＲＯＭ、ＲＡＭなどからなるＥＣＵ内に構成される。なお、走行情報取得手段３０は、第１の実施の形態に係る走行情報取得手段１０と同様の手段なので、その説明を省略する。
【００８０】
なお、第３の実施の形態では、走行情報取得手段３０及び第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎが特許請求の範囲に記載する移動体検知手段に相当し、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎが特許請求の範囲に記載する予測手段に相当し、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎでそれぞれ予め用意される動き予測モデルが特許請求の範囲に記載する移動予測モデルに相当する。
【００８１】
第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎは、第１の実施の形態に係る対象検出手段１１と同様に、走行情報取得手段３０での自車両周辺の対象に対するセンシング情報に基づいて自車両周辺の対象を検出する手段である。特に、第１対象検出手段３１１，・・・，第ｎ対象検出手段３１ｎは、同じ周辺対象を検出するが、第１〜第ｎの動き予測手段３４１〜３４ｎでそれぞれ用意される第１〜第ｎの動き予測モデルでそれぞれ必要とされる周辺対象の情報を算出する。なお、対象検出手段３１を１つだけ構成し、この１つの対象検出手段３１で第１〜第ｎの動き予測手段３４１〜３４ｎでそれぞれ用意される第１〜第ｎの動き予測モデルで必要とされる周辺対象の全ての情報を算出するようにしてもよい。
【００８２】
第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎは、対象検出手段３１で検出した周辺対象毎に、各手段３４１〜３４ｎでそれぞれ用意されている動き予測モデルによって周辺対象の動きをそれぞれ予測する手段である。つまり、第１動き予測手段３４１，・・・，第ｎ動き予測手段３４ｎでは、周辺対象毎に、異なる動き予測モデルを利用して、並行して予測することになる。具体的には、例えば、第１動き予測手段３４１では、周辺対象毎に、第１対象検出手段３１１で算出された周辺対象の情報を入力し、第１動き予測モデルによって最も短い予測時間後の存在範囲（必要に応じて存在確率も）を出力する。また、第ｎ動き予測手段３４ｎでは、周辺対象毎に、第ｎ対象検出手段３１ｎで算出された周辺対象の情報を入力し、第ｎ動き予測モデルによって最も長い予測時間後の存在範囲（必要に応じて存在確率も）を出力する。
【００８３】
動き予測モデルとしては、予測時間が異なる複数のモデルが用意される。動き予測モデルは、予測時間が短いほど、信頼性が高く、予測した存在範囲も狭くなる。したがって、周辺対象と自車両との関係で安全性を高めるためには、短い予測時間（近い未来）の存在範囲ほど確実に回避する必要がある。
【００８４】
そこで、遠い未来に予測される周辺対象の動きと比較して、予測結果に含まれる不確定性が少ない近い未来に予測される周辺対象の動きを確実に回避するためには、予測時間が異なる複数の予測結果に対して予測時間の短い予測結果から優先的に安全性を評価する必要がある。
【００８５】
例えば、自車両の最適な進路を選択する場合、周辺対象についての最も短い予測時間の予測結果に対する複数の自車両の進路候補についての安全性をそれぞれ評価し、安全を確保できる進路候補のみを最適な進路候補として選択する。この選択された最適な進路候補が複数ある場合、周辺対象についての次に短い予測時間の予測結果に対する選択された最適な進路候補についての安全性をそれぞれ評価し、安全を確保できる最適な進路候補を更に絞り込む。このような評価及び絞り込みを、最適な進路候補の数が十分に少なくなるかあるいは最も長い予測時間に対する安全性の評価が終了するまで繰り返し行う。以上により、遠い未来に予測される周辺対象の動きと比較して、近い未来に予測される周辺対象の動きを優先的に回避することが可能となる。
【００８６】
なお、遠い未来に予測される周辺対象の動きと比較して、近い未来に予測される周辺対象の動きの優先的に回避する手段は、予測時間の短い予測結果から優先的に安全性を評価する方法に限らない。例えば、予測時間が短い予測結果ほど高い重みをつけ、全ての予測時間の予測結果に対する安全性を同時に評価してもよい。
【００８７】
また、全ての予測時間に対して必ずしも同一の予測モデルを適用する必要はなく、各予測時間に対して適切な予測方法の予測モデルを複数用意してもよい。例えば、交通ルールを守っている一般的な運転者（正常度が高い運転者）の場合、瞬間的に過剰な操作を行う可能性はあるが（例えば、障害物回避時、オーディオ操作時など）、その過剰な操作を長時間継続することは非常に稀である。よって、近い未来は過剰な操作を想定した動き予測モデルを利用し、遠い未来は限定された動き予測モデルを利用することにより、安全と走行の効率を両立する面から好適である。なお、限定された動き予測モデルは、周辺対象が交通ルールを守る前提を入れることなどで実現できる。
【００８８】
つまり、移動状況が正常な周辺対象に対して正常な動き予測モデルで予測する場合、予測時間が長くなっても存在範囲がある程度限定されるので、長い予測時間においても予測結果に信頼性があり、その移動体と自車両との安全性を確保できる。一方、移動状況が異常な周辺対象に対して正常な動き予測モデルで予測する場合、予測時間が長くなるにつれて存在範囲が広い範囲に拡散していくので、長い予測時間においては予測結果の信頼性がなく、その移動体と自車両との安全性を確保できない。しかしながら、異常な動き予測モデルで予測する場合でも、短い予測時間であれば、存在範囲が限定されるため、予測結果に信頼性があり、その周辺対象と自車両との安全性を確保できる。
【００８９】
したがって、移動状況が正常な周辺対象の予測をする場合であっても、予測時間の短い予測をする場合、移動状況が異常な動きモデルを用いて予測することにより、予測結果の信頼性を失うことなく、その周辺対象が急に異常な操作などを行った場合にも対応できるため、安全性を更に高めることができる。また、予測時間の長い予測をする場合、移動状況が正常な動きモデルを用いて予測することにより、必要な予測をすることができる。したがって、移動状況が正常な周辺対象の予測を複数の動き予測モデルで並行して予測する場合、短い予測時間については移動状況が異常な動きモデルで予測し、長い予測時間については移動状況が正常な動きモデルで予測するにより、安全と走行の効率を両立することができる。
【００９０】
図１１には、自車両ＭＶが走行中に、他車両ＰＶが対向車線を前方から走行してきた場合を示している。図１１（ａ）に示す例では、操作確率が一様分布（つまり、運転者が何をやるかわからない場合）の動き予測モデルによって他車両ＰＶに対して１秒後の存在範囲Ａ１を予測している。この動き予測モデルを用いた場合、車両が物理的に１秒間で動ける範囲となるので、１秒後でも他車両ＰＶの走行車線一杯に広がる範囲Ａ１を予測する。図１１（ｂ）に示す例では、車線維持を想定した動き予測モデルによって他車両ＰＶに対して１秒後の存在範囲Ａ２を予測している。この動き予測モデルを用いた場合、車両が車線逸脱しないので、他車両ＰＶの走行車線内に限定される範囲Ａ２を予測する。図１１（ｃ）に示す例では、操作確率が一様分布の動き予測モデルによって他車両ＰＶに対して５秒後の存在範囲Ａ３を予測している。この動き予測モデルを用いた場合、車両が物理的に５秒間で動ける範囲となるので、他車両ＰＶの対向車線（自車両ＭＶの走行車線）まで広がる範囲Ａ３を予測する。図１１（ｄ）に示す例では、車線維持を想定した動き予測モデルによって他車両ＰＶに対しての５秒後の存在範囲Ａ４を予測している。この動き予測モデルを用いた場合、車両が車線逸脱しないので、５秒後でも他車両ＰＶの走行車線内に限定される範囲Ａ４を予測する。この例の場合、安全と走行の効率を両立するためには、操作確率が一様分布な動き予測モデルによる１秒間の予測結果（図１１（ａ））と車線維持を想定した動き予測モデルによる５秒間の予測結果（図１１（ｄ））を利用する。
【００９１】
特に、予測時間が短い予測結果ほど、その予測結果の信頼性が高い。また、予測時間の短い予測結果ほど（つまり、近い未来の他車両の動きほど）、その動きとの安全性を確実に確保しなければならない。したがって、予測時間がそれぞれ異なる複数の予測結果を評価する場合、予測時間の短い予測結果から順に評価するとよい。
【００９２】
図１０を参照して、動き予測装置３の動作を図１２のフローチャートに沿って説明する。図１２は、図１０の動き予測装置での動作の流れを示すフローチャートである。
【００９３】
動き予測装置３では、第１の実施の形態に係る動き予測装置１と同様の動作により、自車両の走行状態を検出するとともに周辺対象をセンシングする（Ｓ３０，Ｓ３１）。そして、動き予測装置３では、そのセンシング情報に基づいて、周辺対象毎に、第１〜第ｎの動き予測モデルにそれぞれ対応した情報を検出する（Ｓ３２１〜Ｓ３２ｎ）。
【００９４】
周辺対象毎に、動き予測装置３では、予測時間の異なる第１〜第ｎの動き予測モデルをそれぞれ利用し、周辺対象の動きをそれぞれ予測する（Ｓ３３１〜Ｓ３３ｎ）。
【００９５】
そして、動き予測装置３では、周辺対象毎の複数の動きの予測結果を各種運転支援装置あるいは自動運転装置に出力する。この複数の動き予測結果を入力する装置側では、所定周期毎に、周辺対象毎に予測時間の異なる複数の予測結果が入力される。そして、装置側では、予測時間の短い予測結果から順次評価し、自車両の目標軌跡生成などを行う。
【００９６】
この動き予測装置３によれば、予測時間の異なる複数の動き予測モデルで並行して予測することにより、様々な移動体の移動状況に対応して適切な予測時間での予測が可能であり、正常な移動体と異常な移動体が混在するような環境においても移動体毎に適切な移動領域を予測できる。
【００９７】
図１３を参照して、第２の実施の形態における優先順位付けされた交通ルールの遵守判定結果に応じた動き予測モデルの切り替え（シーケンシャル処理）と第３の実施の形態における予測時間の異なる動き予測モデルによる並行予測を組み合わせた動き予測について説明する。図１３は、シーケンシャル処理と並行予測を組み合わせた場合の動き予測モデルの選択方法の一例を示す表である。
【００９８】
この例では、予測時間は、１秒、５秒、１０秒である。この各予測時間に対して複数の動き予測モデルがそれぞれ用意される。なお、この例では、複数の交通ルールを第２の実施の形態で例示した６つの交通ルールとする。
【００９９】
予測時間が１秒の動き予測モデルとしては、この例では２つ用意されている。この２つの動き予測モデルは、摩擦円に収まらない場合に応じた動き予測モデルと摩擦円に収まる場合に応じた動き予測モデルである。この２つの動き予測モデルは、例えば、操作確率を一様分布にすることによって構成される。
【０１００】
予測時間が５秒の動き予測モデルとしては、この例では第２の実施の形態で説明した６つが用意される。路外逸脱しないまでの交通ルールを違反する場合に応じた動き予測モデルは、例えば、操作確率を一様分布にすることによって構成される。それ以外の５つの動き予測モデルは、操作確率を任意の分布にすることによって構成される。任意の分布としては、一様分布、正規分布、混合正規分布、ノンパラメトリック分布などがある。
【０１０１】
予測時間が１０秒の動き予測モデルとしては、この例では３つ用意される。この３つの動き予測モデルは、後突しないまでの交通ルールを違反する場合に応じた動き予測モデル、優先を守るまでの交通ルールを違反する場合に応じた動き予測モデル、全ての交通ルールを守る場合に応じた動き予測モデルが用意される。この３つの動き予測モデルは、例えば、車両の行動要素である直進、右左折、車線変更などの組み合わせによって構成される。
【０１０２】
周辺対象毎に、各予測時間について複数の動き予測モデルの中から交通ルールの遵守判定結果に応じて１つの動き予測モデルがそれぞれ選択され、各予測時間の動き予測モデルで並行してそれぞれ予測を行う。このように、各予測時間についての優先順位付けした複数の交通ルールに対する遵守判定結果に応じた最適な動き予測モデルで並行して予測を行うことにより、上記した第２の実施の形態における効果と第３の実施の形態における効果を得ることができる。
【０１０３】
以上、本発明に係る実施の形態について説明したが、本発明は上記実施の形態に限定されることなく様々な形態で実施される。
【０１０４】
例えば、本実施の形態では動き予測装置に適用したが、移動体の動きの予測結果を必要とする各種運転支援装置（衝突防止装置など）あるいは自動運転装置などの他の装置に適用してもよい。
【０１０５】
また、本実施の形態では自車両に搭載したセンサで周辺対象をセンシングする構成としたが、車車間通信や路車間通信などで周辺対象の情報を取得する構成としてもよい。この場合、周辺対象あるいはインフラに取り付けたセンサで周辺対象の運転者の状態を検出し、その検出した運転者の状態あるいはその運転者の状態から求められた運転者の正常度を車車間通信や路車間通信で自車両に配信する構成としてもよい。正常度として、他車両の運転者の状態（覚醒状態、飲酒状態、精神状態など）を取得してもよい。
【０１０６】
また、第１の実施の形態では正常度毎に用意した複数の動き予測モデルを切り替える構成としたが、正常度をパラメータとして持つ一つの動き予測モデルが用意され、推定された正常度をパラメータ値とする動き予測モデルを設定する構成としてもよい。例えば、走行上許容される加減速度をパラメータとして持つ動き予測モデルの場合、周辺の移動体の加減速度を推定し、その加減速度の推定値をパラメータ値とする動き予測モデルを設定する。また、予測パラメータを持つ一つの動き予測モデルが用意され、推定された正常度に基づいてその予測パラメータのパラメータ値を決定し、そのパラメータ値の動き予測モデルを設定する構成としてもよい。例えば、走行上許容される加減速度を予測パラメータとして持つ動き予測モデルの場合、周辺の移動体の正常度に基づいてその移動体の加減速度の値を決定し、その結滞した加減速度をパラメータ値とする動き予測モデルを設定する。
【０１０７】
また、第２の実施の形態では交通ルールの遵守状況として優先順位付けした複数の交通ルールの遵守判定結果をシーケンシャル的に評価する構成としたが、交通ルールの遵守状況については他のものでよく、例えば、複数の交通ルールの遵守／違反の結果に基づいて遵守度を複数の段階で設定する。また、重要度が高い順に交通ルールの遵守度を判定し、遵守度が低い交通ルールを判別できた時点でその交通ルールに応じて動き予測モデルを選択してもよい。
【０１０８】
また、第３の実施の形態では複数の動き予測モデルでそれぞれ予測した複数の予測結果を下段側の装置に出力する構成としたが、複数の予測結果を時間のパラメータを加味した１つの結果に統合したものとしてもよい。
【０１０９】
また、第３の実施の形態では予測時間の異なる複数の動き予測モデルで並行して予測し、その予測結果を評価する構成としたが、予測時間に可変に設定できる動き予測モデルを用いて、その動き予測モデルでの予測時間を変えて予測し、その予測結果を評価してもよい。この場合、正常度に基づいて予測時間を決定し、その動き予測モデルでの予測時間を決定した予測時間に変えて予測を行ってもよい。
【０１１０】
また、交通ルールによらない正常度の推定方法として、ふらつき度の他に、線形予測の残差を利用して推定してもよい。残差は、例えば、式（１）のように求められる。式（１）におけるｋは、予測のために予め定められた次数である。
【数１】
【０１１１】
また、残差の大きさによる方法もある。この場合、残差が大きい場合、すなわち予測誤差が大きい場合には、正常度が低いとすればよい。また、この残差自体を予測モデルの広がり方のパラメータとして用いることも可能である。なお、正常度の推定方法は、予測の困難さを評価できるものであればよく、上記の方法に限定されるものではない。
【符号の説明】
【０１１２】
１，２，３…動き予測装置、１０，２０，３０…走行情報取得手段、１１，２１…対象検出手段、１２…正常度推定手段、１３，２３…動き予測モデル選択手段、１４，２４…動き予測手段，２２…交通ルール判定手段、３１１〜３１ｎ…第１対象検出手段〜第ｎ対象検出手段、３４１〜３４ｎ…第１動き予測手段〜第ｎ動き予測手段
【特許請求の範囲】
【請求項１】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と、
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項２】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と、
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測パラメータを有する移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて予測パラメータ値を決定し、当該決定した予測パラメータ値の移動予測モデルを用いて移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項３】
前記正常度取得手段は、移動体の移動の履歴に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項４】
前記正常度取得手段は、移動体の位置に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項５】
前記正常度取得手段は、移動体の位置及び速度に基づいて正常度を取得することを特徴とする請求項４に記載する移動領域予測装置。
【請求項６】
前記正常度取得手段は、移動体の運転者の状態に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項７】
前記正常度取得手段は、移動体の交通ルールの遵守状況に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項８】
交通ルールの遵守状況は、優先順位付けされた複数の交通ルールに対する遵守度の組み合わせであることを特徴とする請求項７に記載する移動領域予測装置。
【請求項９】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測時間の異なる複数の移動予測モデルを備え、前記複数の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項１０】
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、
前記予測手段は、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする請求項９に記載の移動領域予測装置。
【請求項１１】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測時間が可変である移動予測モデルを備え、前記予測時間が可変の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項１２】
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、
前記予測手段は、前記正常度取得手段で取得した正常度に基づいて前記予測時間を決定し、当該決定した予測時間とした移動予測モデルを用いて移動体の移動領域を予測することを特徴とする請求項１１に記載の移動領域予測装置。
【請求項１３】
前記複数の移動予測モデルで並行して予測した複数の予測結果において予測時間の短い予測結果から順に評価することを特徴とする請求項９〜請求項１２のいずれか１項に記載する移動領域予測装置。
【請求項１】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と、
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための複数の移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項２】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と、
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測パラメータを有する移動予測モデルを備え、前記正常度取得手段で取得した正常度に基づいて予測パラメータ値を決定し、当該決定した予測パラメータ値の移動予測モデルを用いて移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項３】
前記正常度取得手段は、移動体の移動の履歴に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項４】
前記正常度取得手段は、移動体の位置に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項５】
前記正常度取得手段は、移動体の位置及び速度に基づいて正常度を取得することを特徴とする請求項４に記載する移動領域予測装置。
【請求項６】
前記正常度取得手段は、移動体の運転者の状態に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項７】
前記正常度取得手段は、移動体の交通ルールの遵守状況に基づいて正常度を取得することを特徴とする請求項１又は請求項２に記載する移動領域予測装置。
【請求項８】
交通ルールの遵守状況は、優先順位付けされた複数の交通ルールに対する遵守度の組み合わせであることを特徴とする請求項７に記載する移動領域予測装置。
【請求項９】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測時間の異なる複数の移動予測モデルを備え、前記複数の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項１０】
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、
前記予測手段は、前記正常度取得手段で取得した正常度に基づいて前記複数の移動予測モデルの中から移動予測モデルを選択し、当該選択した移動予測モデルを用いて移動体の移動領域を予測することを特徴とする請求項９に記載の移動領域予測装置。
【請求項１１】
自車両周辺の移動体を検知する移動体検知手段と、
前記移動体検知手段で検知した移動体の移動領域を予測する予測手段と
を備え、
前記予測手段は、移動体の移動領域を予測するための予測時間が可変である移動予測モデルを備え、前記予測時間が可変の移動予測モデルで予測を行い、移動体の移動領域を予測することを特徴とする移動領域予測装置。
【請求項１２】
前記移動体検知手段で検知した移動体の移動状況の正常度を取得する正常度取得手段を備え、
前記予測手段は、前記正常度取得手段で取得した正常度に基づいて前記予測時間を決定し、当該決定した予測時間とした移動予測モデルを用いて移動体の移動領域を予測することを特徴とする請求項１１に記載の移動領域予測装置。
【請求項１３】
前記複数の移動予測モデルで並行して予測した複数の予測結果において予測時間の短い予測結果から順に評価することを特徴とする請求項９〜請求項１２のいずれか１項に記載する移動領域予測装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【公開番号】特開２０１０−１８２２３６（Ｐ２０１０−１８２２３６Ａ）
【公開日】平成２２年８月１９日（２０１０．８．１９）
【国際特許分類】
【出願番号】特願２００９−２７２６２（Ｐ２００９−２７２６２）
【出願日】平成２１年２月９日（２００９．２．９）
【出願人】（０００００３２０７）トヨタ自動車株式会社 (59,920)
【Ｆターム（参考）】
【公開日】平成２２年８月１９日（２０１０．８．１９）
【国際特許分類】
【出願日】平成２１年２月９日（２００９．２．９）
【出願人】（０００００３２０７）トヨタ自動車株式会社 (59,920)
【Ｆターム（参考）】
[ Back to top ]