運転支援装置及びプログラム
【課題】他の走行体視点の状況も考慮した精度の高い衝突判定を行う。
【解決手段】環境認識部３２で、レーザレーダ１２、撮像装置１４、ＧＰＳ装置１６、車両センサ１８の各データ、及び地図情報を用いて、自車両の現在の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルと、他の走行体の現在の状況及び他の走行体を基準とした自車両及びその他の他の走行体の状況を示す走行体ベクトルを算出する。行動予測部４０で、算出された自車両ベクトル及び走行体ベクトルと、変化モデル記憶部３８に記憶された自車両及び他の走行体の行動状態の変化を予測するための自車両変化モデル及び走行体変化モデルとを照合して、自車両及び他の走行体の行動状態の変化を予測し、衝突判定部４２で、予測結果に基づいて、自車両と他の走行体との相対距離を算出して、自車両と他の走行体との衝突の可能性を判定する。
【解決手段】環境認識部３２で、レーザレーダ１２、撮像装置１４、ＧＰＳ装置１６、車両センサ１８の各データ、及び地図情報を用いて、自車両の現在の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルと、他の走行体の現在の状況及び他の走行体を基準とした自車両及びその他の他の走行体の状況を示す走行体ベクトルを算出する。行動予測部４０で、算出された自車両ベクトル及び走行体ベクトルと、変化モデル記憶部３８に記憶された自車両及び他の走行体の行動状態の変化を予測するための自車両変化モデル及び走行体変化モデルとを照合して、自車両及び他の走行体の行動状態の変化を予測し、衝突判定部４２で、予測結果に基づいて、自車両と他の走行体との相対距離を算出して、自車両と他の走行体との衝突の可能性を判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、運転支援装置及びプログラムに係り、特に、自車両周辺に存在する他の走行体との衝突の可能性を判定する運転支援装置及びプログラムに関する。
【背景技術】
【０００２】
従来より、自車両と自車両周辺に存在する他車両、二輪車両、自転車、歩行者等の他の走行体との衝突の可能性を判定し、判定結果に基づいてドライバへの警報を行ったり、車両運動を制御したりすることが行われている。
【０００３】
例えば、自動車等の移動体の外界環境の検出結果からその環境内に含まれる危険度（リスク）に係る情報を適応的に認識するリスク認識システムが提案されている（特許文献１参照）。特許文献１のリスク認識システムでは、ドライバを認識器の学習においての教師とし、ドライバの運転操作からリスク情報を抽出し、その運転操作に基づくリスク情報と、カメラから得られる画像情報との関連を人工知能技術を用いて学習させている。例えば、ドライバが歩行者を回避するような操作行動を行ったとき、その状況が危険であると判断し、そのときに得られた画像は危険であるということを学習させる。そして、次に同じような画像が得られた場合に危険であるという出力を行い、ドライバに警告を与えている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００９−９６３６５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１に記載の発明では、画像特徴量を用いて自車両前方の状況の危険度を推定しているが、画像特徴量のみで危険状態を規定することは困難であり、自車両前方の状況と危険状態とが不確定な関係で対応付けられている場合もある。そのため、運転支援を行うための確度を持ってその学習結果を使用する際に、調整等の煩雑な処理が必要となる、という問題がある。また、衝突の可能性を判定する上で、他の走行体の行動を予測することが重要となるが、特許文献１に記載の発明では、他の走行体視点での他の走行体の行動が考慮されていないため、判定精度が低くなる、という問題がる。
【０００６】
本発明は、上記の問題点を解決するためになされたもので、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる運転支援装置及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
上記目的を達成するために、本発明の運転支援装置は、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段と、前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段と、前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段と、前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段と、を含んで構成されている。
【０００８】
本発明の運転支援装置によれば、取得手段が、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得し、ベクトル算出手段が、取得手段により取得された自車両の走行状態及び走行環境に基づいて、自車両の現在の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、他の走行体の現在の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出する。このように走行体ベクトルも算出することにより、他の走行体視点での他の走行体の行動を考慮することができる。
【０００９】
そして、予測手段が、ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、所定時間後の自車両の行動状態の変化を予測すると共に、ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、所定時間後の他の走行体の行動状態の変化を予測する。すなわち、他の走行体については、他の走行体視点の走行体ベクトルを用いて行動状態の変化を予測することができる。
【００１０】
そして、判定手段が、取得手段により取得された自車両の走行状態及び走行環境、並びに予測手段により予測された所定時間後の自車両の行動状態の変化及び所定時間後の他の走行体の行動状態の変化に基づいて、所定時間経過以降の自車両と他の走行体との相対距離を推定し、推定した相対距離に基づいて、自車両と他の走行体との衝突の可能性を判定する。
【００１１】
このように、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化を予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる。
【００１２】
また、前記ベクトル算出手段は、前記自車両の状況として、少なくとも自車両の位置、速度、加速度、及び向きを含み、前記他の走行体の状況として、少なくとも他の走行体の位置、速度、及び向きを含んだ前記自車両ベクトル及び前記走行体ベクトルを算出するようにすることができる。また、前記取得手段は、走行環境として前記自車両及び前記他の走行体が存在する走路の形状を取得し、前記ベクトル算出手段は、前記自車両の状況として、さらに自車両の進行方向の所定距離先の走路の曲率半径を含み、前記他の走行体の状況として、さらに他の走行体の進行方向の所定距離先の走路の曲率半径を含んだ前記自車両ベクトル及び前記走行体ベクトルを算出するようにすることができる。このように、各種情報を用いて自車両ベクトル及び走行体ベクトルを算出することにより、衝突判定の精度を向上させることができる。
【００１３】
また、前記ベクトル算出手段は、前記自車両周辺に存在する他の走行体が複数存在する場合には、所定個の他の走行体を選択し、前記自車両の現在の状況及び該自車両を基準とした選択された他の走行体の各々の状況を示す自車両ベクトルを算出すると共に、選択された他の走行体の各々について、前記選択された他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況及びその他の選択された他の走行体の各々の状況を示す走行体ベクトルを算出するようにすることができる。その際、前記ベクトル算出手段は、前記自車両と前記選択された他の走行体の各々との距離が近い順に前記自車両ベクトル及び前記走行体ベクトルの要素とするようにすることができる。このように、他の走行体が複数存在するような複雑な状況の場合でも、適切に自車両ベクトル及び走行体ベクトルを算出することができる。
【００１４】
また、前記自車両変化モデルを、前記自車両ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定め、前記走行体変化モデルを、前記走行体ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定めるようにすることができる。このような自車両変化モデル及び走行体変化モデルを用いることにより、自車両及び他の走行体の行動状態の変化を柔軟に予測することができる。
【００１５】
また、前記予測手段は、前記所定時間後の自車両の行動状態の変化別の割合を予測すると共に、前記所定時間後の他の走行体の行動状態の変化別の割合を予測し、前記判定手段は、自車両の行動状態の変化と他の走行体の行動状態の変化との組合せの各々について前記相対距離を推定し、前記相対距離が予め定めた閾値距離より小さくなる組合せの前記自車両の行動状態の変化別の割合と前記他の走行体の行動状態の変化別の割合とを乗算した発生割合に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定するようにすることができる。
【００１６】
また、前記行動状態の変化を、加速、等速、及び減速とすることができる。
【００１７】
また、本発明の運転支援装置は、前記取得手段で取得された自車両の走行状態及び走行環境の履歴に基づいて、前記所定時間後の自車両の行動状態の変化、及び前記所定時間後の他の走行体の行動状態の変化を算出する変化算出手段と、前記ベクトル算出手段により算出された前記自車両ベクトルと前記変化算出手段により算出された前記所定時間後の自車両の行動状態の変化との対応に基づいて、前記自車両変化モデルを更新すると共に、前記ベクトル算出手段により算出された前記走行体ベクトルと前記変化算出手段により算出された前記所定時間後の他の走行体の行動状態の変化との対応に基づいて、前記走行体変化モデルを更新する更新手段と、を含んで構成するようにすることができる。このように、実際に取得されたデータに基づいて、自車両変化モデル及び走行体変化モデルを更新することにより、車両やドライバの個人差を吸収することができる。
【００１８】
また、前記他の走行体には、他車両、二輪車両、自転車、及び歩行者が含まれる。
【００１９】
また、本発明の運転支援プログラムは、コンピュータを、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段、前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段、前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段、及び前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段として機能させるためのプログラムである。
【００２０】
なお、本発明のプログラムを記憶する記憶媒体は、特に限定されず、ハードディスクであってもよいし、ＲＯＭであってもよい。また、ＣＤ−ＲＯＭやＤＶＤディスク、光磁気ディスクやＩＣカードであってもよい。更にまた、該プログラムを、ネットワークに接続されたサーバ等からダウンロードするようにしてもよい。
【発明の効果】
【００２１】
以上説明したように、本発明の運転支援装置及びプログラムによれば、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化を予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる、という効果が得られる。
【図面の簡単な説明】
【００２２】
【図１】本実施の形態の運転支援装置の概略構成を示すブロック図である。
【図２】シーンの一例を示すイメージ図である。
【図３】シーンベクトル記憶部に記憶された自車両ベクトル及び走行体ベクトル、並びに行動状態変化の一例を示す図である。
【図４】自車両変化モデル及び走行体変化モデルの生成を説明するための概略図である。
【図５】自車両変化モデル及び走行体変化モデルの一例を示す図である。
【図６】自車両と他の走行体との相対距離を予測する際の加速度の算出方法の一例を説明するための図である。
【図７】予測された自車両の行動状態変化と他の走行体の行動状態変化の組合せを示す図である。
【図８】自車両と他の走行体との相対距離の予測結果の一例を示す図である。
【図９】本実施の形態の運転支援装置における衝突判定処理ルーチンの内容を示すフローチャートである。
【図１０】本実施の形態の運転支援装置における学習処理ルーチンの内容を示すフローチャートである。
【発明を実施するための形態】
【００２３】
以下、図面を参照して本発明の実施の形態を詳細に説明する。
【００２４】
図１に示すように、本実施の形態に係る運転支援装置１０は、自車両の前方に対してレーザを１次元（水平方向）に走査しながら照射し、レーザの反射によりレーザが照射された物体の２次元位置を検出するレーザレーダ１２と、車両周辺を撮像するＣＣＤカメラ等で構成され、撮像された画像の画像データを出力する撮像装置１４と、ＧＰＳ衛星からの衛星信号を受信し、擬似距離データ等のＧＰＳデータを出力するＧＰＳ装置１６と、自車両の車速を検出する車速センサ、自車両の加速度を検出する加速度センサ、及び自車両のヨー角を検出するヨー角センサを含む車両センサ１８と、判定結果に応じて警報を表示するための表示装置や警報を音声出力するためのスピーカ等で構成された警報装置２２と、自車両と他の走行体との衝突の可能性を判定する処理を実行するコンピュータ３０と、を備えている。
【００２５】
コンピュータ３０は、運転支援装置１０全体の制御を司るＣＰＵ、後述する衝突判定処理ルーチン及び学習処理ルーチンを含む運転支援処理ルーチンを実行するためのプログラム等を記憶したＲＯＭ、データ等を一時的に記憶するＲＡＭ、各種情報が記憶されたメモリ、及びこれらを接続するバスを含んで構成されている。
【００２６】
このコンピュータ３０をハードウエアとソフトウエアとに基づいて定まる機能実現手段毎に分割した機能ブロックで説明すると、図１に示すように、レーザレーダ１２により測定された測定データ、撮像装置１４により撮像された画像データ、ＧＰＳ装置１６から出力されたＧＰＳデータ、車両センサ１８の検出値、及びネットワークを介して接続された電子地図記憶装置２０に記憶された地図情報に基づいて、シーン（状況）に応じた自車両ベクトル及び走行体ベクトル、並びに自車両及び他の走行体の所定時間後の行動状態変化を算出する環境認識部３２と、自車両ベクトルと自車両の行動状態変化、及び走行体ベクトルと他の走行体の行動状態変化とが対応して記憶されるシーンベクトル記憶部３４と、シーンベクトル記憶部３４に記憶された情報を学習して、自車両及び他の走行体の行動状態の変化を予測するための変化モデルを生成する学習部３６と、生成された変化モデルが記憶される変化モデル記憶部３８と、自車両ベクトル、走行体ベクトル、及び変化モデルに基づいて、自車両及び他の走行体の行動を予測する行動予測部４０と、予測された自車両及び他の走行体の行動に基づいて、自車両と他の走行体との衝突の可能性を判定する衝突判定部４２と、を含んだ構成で表すことができる。なお、環境認識部３２が、本発明の取得手段、ベクトル算出手段、及び変化算出手段の一例であり、学習部３６が、本発明の更新手段の一例である。
【００２７】
環境認識部３２は、ＧＰＳ装置１６からＧＰＳデータを取得し、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）を算出する。また、車両センサ１８の車速センサ、加速度センサ、及びヨー角センサの検出値を取得し、自車両の進行方向をＸ軸、Ｘ軸に直交する方向をＹ軸とするＸＹ座標系を想定し、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、自車両の向き（Ｓ＿ｄｉｒ）を算出する。なお、自車両の速度は、ＧＰＳデータのドップラー周波数に基づいて算出するようにしてもよいし、時系列の自車両の位置座標を微分して算出してもよい。また、自車両の加速度は、時系列の自車両の速度を微分して算出してもよい。
【００２８】
また、環境認識部３２は、撮像装置１４から出力された画像データ、及びレーザレーダ１２の測定データを取得し、画像データを画像認識した結果、及びレーザレーダ１２による物体検出の結果に基づいて、自車両の周辺に存在する他の走行体を抽出し、他の走行体リストを生成する。例えば、図２に示すシーンでは、走行体Ａ及び走行体Ｂが抽出される。
【００２９】
また、環境認識部３２は、さらに、可動物識別部３２ａと走路識別部３２ｂとを含んだ構成で表すことができる。
【００３０】
可動物識別部３２ａは、取得した画像データを画像認識して、他の走行体リストに含まれる走行体の属性ｃ（他車両、二輪車両、自転車、歩行者等）を識別する。例えば、図２の例では、走行体Ａの属性は「歩行者」、走行体Ｂの属性は「他車両」と識別される。また、画像認識の結果から、他の走行体の各々の向き（Ｏ＿ｄｉｒ）を算出する。向きｄｉｒは、ｘの正方向を０ｄｅｇ、ｙの正方向を９０ｄｅｇ、ｘの負方向を１８０ｄｅｇとして表した角度（ｄｅｇｒｅｅ）である。
【００３１】
なお、走行体Ａの向きについて表記する場合には「ＯＡ＿ｄｉｒ」とし、走行体Ｂの向きについて表記する場合には「ＯＢ＿ｄｉｒ」とする。以下、他の走行体の各々を区別することなく他の走行体に関する情報を表記する場合には「Ｏ＿」とし、特定の他の走行体の情報を表記する場合には、「ＯＡ＿」「ＯＢ＿」等のように表記する。
【００３２】
さらに、可動物識別部３２ａは、取得したレーザレーダ１２の測定データに基づいて、自車両と他の走行体の各々との相対距離を算出し、相対距離の微分値を自車両に対する他の走行体の各々の相対速度として算出し、相対速度の微分値を自車両に対する他の走行体の各々の相対加速度として算出する。そして、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、相対距離、相対速度、及び相対加速度に基づいて、他の走行体の位置座標（Ｏ＿ｘ，Ｏ＿ｙ）、他の走行体の速度（Ｏ＿ｖｘ，Ｏ＿ｖｙ）、及び他の走行体の加速度（Ｏ＿ａｘ，Ｏ＿ａｙ）を算出する。
【００３３】
走路識別部３２ｂは、電子地図記憶装置２０から地図情報を取得し、地図情報とＧＰＳデータとを照合して、最近傍の走行可能なレーンや歩道等を認識し、自車両及び他の走行体の走行する走路の中央線を識別する。そして、自車両の進行方向走路の中央線をクロソイド曲線で近似した場合における所定距離（Ｓ＿ＷＬ）先の曲率半径（Ｓ＿ＷＲ）を算出する。同様に、他の走行体の進行方向走路の所定距離（Ｏ＿ＷＬ）先の曲率半径（Ｏ＿ＷＲ）を算出する。なお、所定距離ＷＬは、Ｚ秒後（例えば、２〜３秒後）の自車両及び他の走行体の行動を予測することを考慮して、属性に応じたＺ秒間の走行距離を想定した値を予め定めておく。例えば、属性が自車両または他車両であれば、ＷＬ＝５０ｍとして定めておくことができる。
【００３４】
また、環境認識部３２は、他の走行体リストに含まれる他の走行体の中から、自車両との距離が近い順にＮ個の他の走行体を選択する。また、選択した他の走行体について、過去のデータを参照して既にデータが存在する走行体については、既に付与されている走行体固有の識別番号と同一の識別番号を付与する。新たに出現した走行体については、新たな識別番号を付与する。
【００３５】
また、環境認識部３２は、自車両及び過去のデータが存在する走行体の各々について、ｘ方向の速度ｖｘ及びｙ方向の速度ｖｙの合成速度の絶対値の現時点の値ＶＴとＺ秒前の値ＶＴ−Ｚとの増減から行動状態の変化を示す行動状態変化を算出する。本実施の形態では、行動状態変化を、加速、等速、及び減速とする。具体的には、ＶＴ−Ｚ−ＶＴ＜εであれば加速、ＶＴ−Ｚ−ＶＴ＞εであれば減速、その他を等速として行動状態変化を算出する。εは、例えば１ｍ／ｓとすることができる。
【００３６】
また、環境認識部３２は、自車両及び選択されたＮ個の他の走行体の各々について算出した属性ｃ、向きｄｉｒ、位置（ｘ，ｙ）、速度（ｖｘ，ｖｙ）、加速度（ａｘ，ａｙ）、距離ＷＬ、曲率半径ＷＲを用いて、現在のシーンにおける自車両ベクトル及び走行体ベクトルを生成する。例えば、図２に示すようなシーンＱにおける自車両ベクトルは下記（１）式となる。
【００３７】
シーンＱの自車両ベクトル
=(S_c,S_x,S_y,S_vx,S_vy,S_ax,S_ay,S_dir,S_WR,S_WL,
OA_c,OA_x,OA_y,OA_vx,OA_vy,OA_ax,OA_ay,OA_dir,OA_WR,OA_WL,
OB_c,OB_x,OB_y,OB_vx,OB_vy,OB_ax,OB_ay,OB_dir,OB_WR,OB_WL)
・・・（１）
【００３８】
ここで、自車両ベクトルは、自車両、自車両との距離が最も近い走行体、自車両との距離が次に近い走行体、・・・自車両との距離が最も遠い走行体の順に、各々の状況を示す値をベクトルの要素とする。また、他の走行体の走行体ベクトルは、自車両ベクトルと同一の値を用いて、要素の順番を他の走行体との距離が近い順に要素の順番を入れ換えることで生成することができる。シーンＱにおける走行体Ａの走行体ベクトルを下記（２）式に示す。
【００３９】
シーンＱの走行体Ａの走行体ベクトル
=(OA_c,OA_x,OA_y,OA_vx,OA_vy,OA_ax,OA_ay,OA_dir,OA_WR,OA_WL,
OB_c,OB_x,OB_y,OB_vx,OB_vy,OB_ax,OB_ay,OB_dir,OB_WR,OB_WL,
S_c,S_x,S_y,S_vx,S_vy,S_ax,S_ay,S_dir,S_WR,S_WL)
・・・（２）
【００４０】
シーンＱにおける自車両ベクトル及び走行体ベクトルを上記のように生成することにより、自車両ベクトルでは、自車両を基準としたシーンＱの状況を捉えることができ、走行体ベクトルでは、他の走行体を基準とした、すなわち他の走行体視点のシーンＱの状況を捉えることができる。
【００４１】
シーンベクトル記憶部３４には、生成された自車両ベクトル、走行体ベクトル、及び算出された行動状態変化が記憶される。記憶する際には、自車両ベクトル及び走行体ベクトルと、その自車両ベクトル及び走行体ベクトルが生成された時刻（データが取得された時刻）のＺ秒後の時刻に算出された行動状態変化とが対応するように記憶する。
【００４２】
図３にシーンベクトル記憶部３４に記憶された自車両ベクトル及び走行体ベクトル、並びに行動状態変化の一例を示す。図中の「ＩＤ」は自車両及び他の走行体に付与された固有の識別番号であり、自車両は、ＩＤ＝０で固定である。また、図中の行動状態変化は、加速を「１」、等速を「０」、減速を「−１」で示している。また、自車両ベクトルにおける他の走行体の状況を示す要素は、選択されたＮ個の他の走行体について自車両との距離が近い順に「Ｏ１＿」〜「ＯＮ＿」としている。同様に、走行体ベクトルにおける自車両及びその他の他の走行体の状況を示す要素は、基準となる他の走行体を除いた（Ｎ−１）個の他の走行体及び自車両について基準となる他の走行体との距離が近い順に「Ｏ１＿」〜「ＯＮ＿」としている。走行体ベクトルにおいて、基準となる走行体は、「ＯＳ＿」としている。また、データ取得の時間間隔ｄｔは、例えば０．１秒とすることができる。
【００４３】
学習部３６は、さらに、自車両シーン分類部３６ａと走行体シーン分類部３６ｂとを含んだ構成で表すことができる。
【００４４】
自車両シーン分類部３６ａは、シーンベクトル記憶部３４に記憶された自車両ベクトル及び対応して記憶された行動状態変化を学習用データとして学習して、自車両の行動状態の変化を予測するための自車両変化モデルを生成する。具体的には、図４に示すように、自車両ベクトルが投影されるベクトル空間の各軸を離散化してベクトル空間を所定領域に区分したブロック毎に、投影された自車両ベクトルに対応する行動状態変化（加速：ＡＣ、等速：ＣＲ、減速：ＤＣ）別のデータ数、及びその総数Ｍを計算し、行動状態変化別の割合（加速の割合：Ｐ＿ＡＣ、等速の割合：Ｐ＿ＣＲ、減速の割合：Ｐ＿ＤＣ）を算出する。なお、シーンベクトル記憶部３４に該当するデータが存在しない場合に対応するために、初期値として、ＣＲ＝Ｎ（Ｎ＞０、例えばＮ＝１）、ＡＣ＝ＤＣ＝０のように定めておくことができる。離散化の基準をヘッダーとしたブロック毎の行動状態変化別の割合を自車両変化モデルとして、変化モデル記憶部３８に記憶する。
【００４５】
また、別の手法として、自車両ベクトル及び走行体ベクトルを用いたロジスティック回帰にて、以下の３グループを学習する。
ｉ：ＡＣとそれ以外とを２値化し（ＡＣなら１、それ以外なら０）、これを回帰するモデルＦ１
ii：ＤＣとそれ以外とを２値化し（ＤＣなら１、それ以外なら０）、これを回帰するモデルＦ２
iii：ＣＲとそれ以外とを２値化し（ＣＲなら１、それ以外なら０）、これを回帰するモデルＦ３
【００４６】
そして、Ｆ１、Ｆ２、Ｆ３を用いてベクトル空間の各軸を離散化して生成された仮想的な入力ベクトルを用いて、該当するブロック毎にＦ１、Ｆ２、Ｆ３の値 Ｐ＿Ｆ１、Ｐ＿Ｆ２、Ｐ＿Ｆ３を算出し、ＡＣ、ＣＲ、ＤＣの割合Ｐ＿ＡＣ、Ｐ＿ＣＲ、Ｐ＿ＤＣを以下の様に算定することができる。
Ｐ＿ＡＣ＝Ｐ＿Ｆ１／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
Ｐ＿ＣＲ＝Ｐ＿Ｆ２／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
Ｐ＿ＤＣ＝Ｐ＿Ｆ３／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
【００４７】
走行体シーン分類部３６ｂは、走行体ベクトルを用いて、自車両シーン分類部３６ａと同様の手法により、走行体変化モデルを生成して、変化モデル記憶部３８に記憶する。図５に、自車両変化モデル及び走行体変化モデルの一例を示す。
【００４８】
行動予測部４０は、さらに自車両行動予測部４０ａと走行体行動予測部４０ｂとを含んだ構成で表すことができる。
【００４９】
自車両行動予測部４０ａは、環境認識部３２で生成された現在の自車両ベクトルと、変化モデル記憶部３８に記憶された自車両変化モデルとを照合して、Ｚ秒後の自車両の行動状態の変化を予測する。例えば、図５に示す自車両変化モデルにおいて、自車両ベクトルがブロックＡに該当する場合には、Ｚ秒後の自車両の行動状態は、「加速」である場合が０％、「等速」である場合が８０％、「減速」である場合が２０％であると予測する。
【００５０】
走行体行動予測部４０ｂは、自車両行動予測部４０ａと同様の手法により、走行体ベクトルと走行体変化モデルとを照合して、Ｚ秒後の他の走行体の行動状態の変化を予測する。例えば、図５に示す走行体変化モデルにおいて、走行体ベクトルがブロックＣに該当する場合には、Ｚ秒後の他の走行体の行動状態は、「加速」である場合が８０％、「等速」である場合が２０％、「減速」である場合が０％であると予測する。
【００５１】
衝突判定部４２は、自車両及び他の走行体の現在の走行状態、及び行動予測部４０で予測されたＺ秒後の行動状態の変化に基づいて、自車両及び他の走行体の軌跡を算出する。例えば、自車両について、現在の自車両の速度および加速度がＺ秒間継続した後、Ｚ秒後に行動状態変化（例えば、「加速」）が生じた場合の各時刻の予測位置を算定する。行動状態変化における加速は、例えば加速度１ｍ／ｓ２の加速、減速は、例えば加速度−１ｍ／ｓ２の減速として予め定めておく。また、他の走行体の場合には、行動状態変化における加速は、例えば加速度１ｍ／ｓ２の加速、減速は、例えば加速度−２ｍ／ｓ２の減速として、自車両の場合とは異なる値を定めておいてもよい。また、走行体の属性に応じて異なる値を定めておいてもよい。また、以下のように、Ｚ秒経過後以降の加速度を算出してもよい。
【００５２】
図６を参照して、Ｓ＿ｖｘ＋Ｓ＿ａｘ・ｓ＝０とした場合に、Ｚ＞ｓ＞０となるｓが存在し、かつＳ＿ｖｙ＋Ｓ＿ａｙ・ｓ＝０となる場合、または、Ｓ＿ｖｙ＋Ｓ＿ａｙ・ｓ＝０とした場合に、Ｚ＞ｓ＞０となるｓが存在し、かつＳ＿ｖｘ＋Ｓ＿ａｘ・ｓ＝０となる場合は、Ｚはｓとして算定する。現在からＺ秒まで
Ｓ＿ｘ’＝Ｓ＿ｘ＋Ｓ＿ｖｘ・Ｚ＋０．５・Ｓ＿ａｘ・Ｚ２
Ｓ＿ｙ’＝Ｓ＿ｙ＋Ｓ＿ｖｙ・Ｚ＋０．５・Ｓ＿ａｙ・Ｚ２
Ｓ＿ｖｘ’＝Ｓ＿ｖｘ＋Ｓ＿ａｘ・Ｚ
Ｓ＿ｖｙ’＝Ｓ＿ｖｙ＋Ｓ＿ａｙ・Ｚ
【００５３】
減速の場合、ｔの上限は、［（Ｓ＿ｖｘ’）２＋（Ｓ＿ｖｘ’）２］０．５÷（−α）として、（Ｚ＋ｔ）秒後の加速度を以下のように求める。
Ｓ＿ｘ”（ｔ） ＝Ｓ＿ｘ’＋Ｓ＿ｖｘ’・ｔ＋０．５ ・ａｚｘ ・ｔ２
Ｓ＿ｙ”（ｔ） ＝Ｓ＿ｙ’＋Ｓ＿ｖｙ’・ｔ＋０．５ ・ａｚｙ ・ｔ２
【００５４】
また、衝突判定部４２は、予測された行動状態変化毎に算出された自車両及び他の走行体の軌跡に基づいて、予測された行動状態変化別の割合が０％以外の行動状態変化の全組合せについて、自車両と他の走行体との相対距離を算出する。上記の図５の例の場合には、図７に示すように、（１）自車両の行動状態変化が「等速」、他の走行体の行動状態変化が「加速」の場合、（２）自車両の行動状態変化が「減速」、他の走行体の行動状態変化が「加速」の場合、（３）自車両の行動状態変化が「等速」、他の走行体の行動状態変化が「等速」の場合、（４）自車両の状態変化が「減速」、他の走行体の状態変化が「等速」の場合の４つの組合せが存在する。これら（１）〜（４）の組合せの各々についての自車両と他の走行体との相対距離の一例を図８に示す。
【００５５】
現在時刻からＺ秒後を経過した以降の時点において、算出された相対距離が閾値ｄｃｒよりも小さくなる組合せが存在した場合には、その組合せの自車両の行動状態の変化別の割合と他の走行体の行動状態変化別の割合とを乗算して、その組合せが発生する発生割合を算出し、その発生割合が所定の閾値（例えば、３０％）より大きい場合に、自車両と他の走行体とが衝突する可能性があると判定して、警報装置２２により警報が出力されるよう制御する。
【００５６】
次に、図９を参照して、コンピュータ３０で実行される衝突判定処理ルーチンについて説明する。
【００５７】
ステップ１００で、レーザレーダ１２の測定データ、撮像装置１４から出力された画像データ、ＧＰＳ装置１６から出力されたＧＰＳデータ、車両センサ１８で検出された検出値を取得する。
【００５８】
次に、ステップ１０２で、ＧＰＳデータに基づいて、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）を算出する。また、車両センサ１８の車速センサ、加速度センサ、及びヨー角センサの検出値に基づいて、自車両の進行方向をＸ軸、Ｘ軸に直交する方向をＹ軸とするＸＹ座標系を想定し、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、自車両の向き（Ｓ＿ｄｉｒ）を算出する。
【００５９】
次に、ステップ１０４で、画像データを画像認識し、レーザレーダ１２の測定値から自車両の周辺の物体を検出し、画像認識の結果及び物体検出の結果に基づいて、自車両の周辺に存在する他の走行体を抽出し、他の走行体リストを生成する。
【００６０】
次に、ステップ１０６で、画像データを画像認識して、他の走行体リストに含まれる走行体の属性ｃ（他車両、二輪車両、自転車、歩行者等）を識別する。また、画像認識の結果から、他の走行体の各々の向き（Ｏ＿ｄｉｒ）を算出する。
【００６１】
次に、ステップ１０８で、レーザレーダ１２の測定データに基づいて、自車両と他の走行体の各々との相対距離を算出し、相対距離の微分値を自車両に対する他の走行体の各々の相対速度として算出し、相対速度の微分値を自車両に対する他の走行体の各々の相対加速度として算出する。
【００６２】
次に、ステップ１１０で、上記ステップ１０２で算出された自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、上記ステップ１０８で算出された相対距離、相対速度、及び相対加速度に基づいて、他の走行体の位置座標（Ｏ＿ｘ，Ｏ＿ｙ）、他の走行体の速度（Ｏ＿ｖｘ，Ｏ＿ｖｙ）、及び他の走行体の加速度（Ｏ＿ａｘ，Ｏ＿ａｙ）を算出する。
【００６３】
次に、ステップ１１２で、電子地図記憶装置２０から地図情報を取得し、次に、ステップ１１４で、地図情報とＧＰＳデータとを照合して、最近傍の走行可能なレーンや歩道等を認識し、自車両及び他の走行体の走行する走路の中央線を識別する。
【００６４】
次に、ステップ１１６で、上記ステップ１１４で識別した自車両の進行方向走路の中央線をクロソイド曲線で近似した場合における所定距離（Ｓ＿ＷＬ）先の曲率半径（Ｓ＿ＷＲ）を算出する。同様に、他の走行体の進行方向走路の所定距離（Ｏ＿ＷＬ）先の曲率半径（Ｏ＿ＷＲ）を算出する。
【００６５】
次に、ステップ１１８で、上記ステップ１０４で生成した他の走行体リストに含まれる他の走行体の中から、自車両との距離が近い順にＮ個の他の走行体を選択する。また、選択した他の走行体について、過去のデータを参照して既にデータが存在する走行体については、既に付与されている走行体固有の識別番号と同一の識別番号を付与する。新たに出現した走行体については、新たな識別番号を付与する。
【００６６】
次に、ステップ１２０で、自車両及び過去のデータが存在する走行体の各々について、ｘ方向の速度ｖｘ及びｙ方向の速度ｖｙの合成速度の絶対値の現時点の値ＶＴとＺ秒前の値ＶＴ−Ｚとの増減に基づいて、ＶＴ−Ｚ−ＶＴ＜εであれば加速、ＶＴ−Ｚ−ＶＴ＞εであれば減速、その他を等速として行動状態変化を算出する。
【００６７】
次に、ステップ１２２で、自車両及び選択されたＮ個の他の走行体の各々について算出した属性ｃ、向きｄｉｒ、位置（ｘ，ｙ）、速度（ｖｘ，ｖｙ）、加速度（ａｘ，ａｙ）、距離ＷＬ、曲率半径ＷＲを用いて、例えば、上記（１）式に示すような、現在のシーンＱにおける自車両ベクトル、上記（２）式に示すような、現在のシーンＱにおける走行体ベクトルを生成する。なお、上記（２）式では、走行体Ａの走行体ベクトルを示しているが、その他の他の走行体についても、同様に走行体ベクトルを算出する。そして、後述する学習処理のために、生成した自車両ベクトル及び走行体ベクトルの各々と、その自車両ベクトル及び走行体ベクトルの各々が生成された時刻（データが取得された時刻）のＺ秒後の時刻に算出された行動状態変化とを対応させて、シーンベクトル記憶部３４に記憶する。
【００６８】
次に、ステップ１２４で、上記ステップ１２２で生成された現在の自車両ベクトルと、変化モデル記憶部３８に記憶された自車両変化モデルとを照合して、Ｚ秒後の自車両の行動状態変化別の割合を予測する。同様に、走行体ベクトルの各々と走行体変化モデルとを照合して、Ｚ秒後の他の走行体の各々の行動状態変化別の割合を予測する。
【００６９】
次に、ステップ１２６で、自車両及び他の走行体の各々の現在の走行状態、及び上記ステップ１２４で予測されたＺ秒後の行動状態変化別の割合に基づいて、予測された行動状態変化毎に自車両及び他の走行体の各々の軌跡を算出し、予測された行動状態変化別の割合が０％以外の行動状態変化の全組合せについて、自車両と他の走行体の各々との相対距離ｄｉ（ｉは組合せ毎の識別番号、図７の例では（１）〜（４））を算出する。
【００７０】
次に、ステップ１２８で、相対距離ｄｉが閾値ｄｃｒよりも小さくなる組合せｉが存在するか否かを判定する。存在する場合には、ステップ１３０へ移行し、組合せｉの自車両の行動状態変化別の割合と他の走行体の行動状態変化別の割合とを乗算して発生割合を算出し、その発生割合が所定の閾値より大きいか否かを判定する。発生割合が閾値より大きい場合には、ステップ１３２へ移行して、自車両と他の走行体とが衝突する可能性があるとして、警報装置２２により警報が出力されるよう制御して、処理を終了する。
【００７１】
一方、上記ステップ１２８で、ｄ≧ｄｃｒと判定された場合、及び上記ステップ１３０で、発生割合が閾値以下と判定された場合には、そのまま処理を終了する。
【００７２】
次に、図１０を参照して、コンピュータ３０で実行される学習処理ルーチンについて説明する。
【００７３】
ステップ２００で、シーンベクトル記憶部３４から自車両ベクトル及び対応して記憶された行動状態変化を学習用データとして読み出す。
【００７４】
次に、ステップ２０２で、自車両ベクトルが投影されるベクトル空間の各軸を離散化してベクトル空間を所定領域に区分したブロック毎に、投影された自車両ベクトルに対応する行動状態変化（加速：ＡＣ、等速：ＣＲ、減速：ＤＣ）別のデータ数、及びその総数Ｍを計算し、行動状態変化別の割合（加速の割合：Ｐ＿ＡＣ、等速の割合：Ｐ＿ＣＲ、減速の割合：Ｐ＿ＤＣ）を算出する。
【００７５】
次に、ステップ２０４で、離散化の基準をヘッダーとしたブロック毎の行動状態変化別の割合を自車両変化モデルとして、変化モデル記憶部３８に記憶する。
【００７６】
次に、ステップ２０６で、シーンベクトル記憶部３４から走行体ベクトル及び対応して記憶された行動状態変化を学習用データとして読み出し、次に、ステップ２０８及び２１０で、上記ステップ２０２及び２０４と同様に処理して、走行体変化モデルを生成して、変化モデル記憶部３８に記憶して、処理を終了する。
【００７７】
本ルーチンを所定時間毎に実行して、所定時間内にシーンベクトル記憶部３４に新たに記憶されたデータを、前回の処理時点でのブロック毎のデータ数に加算して、ブロック毎の行動状態変化別の割合を算出することで、自車両変化モデル及び走行体変化モデルの各々を更新する。
【００７８】
以上説明したように、本実施の形態の運転支援装置によれば、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両及びその他の他の走行体の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化も予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる。
【００７９】
なお、上記実施の形態では、自車両ベクトル及び走行体ベクトルの要素として、自車両及び他の走行体の属性、向き、位置、速度、加速度、進行方向の所定距離、及び進行方向の所定距離先の曲率半径を用いる場合について説明したが、これら全てを要素として含む必要はなく、自車両ベクトルについては、少なくとも、向き、位置、速度、加速度を含み、走行体ベクトルについては、少なくとも、向き、位置、速度を含むものであればよい。
【００８０】
また、上記実施の形態では、自車両ベクトルに含まれる要素の順番を、自車両との距離が近い順に所定個（Ｎ個）とし、走行体ベクトルに含まれる要素の順番を、他の走行体との距離が近い順に所定個（Ｎ個）とする場合について説明したが、自車両または他の走行体の属性に基づいた優先順位順（例えば、車両、二輪車両、自転車、歩行者の順）としたり、自車両または他の走行体との相対速度が大きい順としたりしてもよい。なお、現在のシーンにおいて、他の走行体の個数がＮ個に満たない場合は、対応する全値を０としたり、予め定めた値としたりしてもよい。
【００８１】
また、上記実施の形態では、自車両変化モデル及び走行体変化モデルを、行動状態変化別の割合で定めた場合について説明したが、１つの自車両ベクトル及び走行体ベクトルに対して１つの行動状態変化を予測するような自車両変化モデル及び走行体変化モデルとしてもよい。
【００８２】
また、上記実施の形態では、実際に検出された自車両及び他の走行体の状況を用いて自車両変化モデル及び走行体変化モデルを生成及び更新する場合について説明したが、車車間通信等により、他車両で検出されたデータを取得して、このデータもあわせて用いて自車両変化モデル及び走行体変化モデルを生成及び更新するようにしてもよいし、更新処理は行わず、予め実験走行等により検出したデータを用いて生成した自車両変化モデル及び走行体変化モデルを用いるようにしてもよい。
【００８３】
また、上記実施の形態では、予測される自車両と他の走行体との相対距離が閾値より小さい組合せの自車両の行動状態変化の割合と他の走行体の行動状態変化の割合とを乗算した発生割合が閾値より大きいか否かにより衝突の可能性を判定する場合について説明したが、相対距離が閾値より小さい組合せが存在する場合には、衝突の可能性ありと判定し、その組合せの発生割合を判定結果として出力するようにしてもよい。
【００８４】
また、上記実施の形態では、衝突の可能性ありと判定された場合に、警報を出力する場合について説明したが、予測された相対距離に基づいて、衝突を回避するように車両運動を制御するようにしてもよい。また、撮像装置で撮像された画像上の衝突の可能性がある他の走行体をウインドウで囲むなどの表示を行うことにより、警報を表示するようにしてもよい。
【００８５】
また、上記実施の形態では、レーザレーダを用いる場合について説明したが、ミリ波レーダ等を用いてもよい。
【００８６】
また、上記実施の形態では、地図情報を外部から取得する場合について説明したが、本装置のコンピュータに地図情報を記憶しておくようにしてもよい。
【符号の説明】
【００８７】
１０ 運転支援装置
１２ レーザレーダ
１４ 撮像装置
１６ ＧＰＳ装置
１８ 車両センサ
２０ 電子地図記憶装置
２２ 警報装置
３０ コンピュータ
３２ 環境認識部
３２ａ 可動物識別部
３２ｂ 走路識別部
３４ シーンベクトル記憶部
３６ 学習部
３６ａ 自車両シーン分類部
３６ｂ 走行体シーン分類部
３８ 変化モデル記憶部
４０ 行動予測部
４０ａ 自車両行動予測部
４０ｂ 走行体行動予測部
４２ 衝突判定部
【技術分野】
【０００１】
本発明は、運転支援装置及びプログラムに係り、特に、自車両周辺に存在する他の走行体との衝突の可能性を判定する運転支援装置及びプログラムに関する。
【背景技術】
【０００２】
従来より、自車両と自車両周辺に存在する他車両、二輪車両、自転車、歩行者等の他の走行体との衝突の可能性を判定し、判定結果に基づいてドライバへの警報を行ったり、車両運動を制御したりすることが行われている。
【０００３】
例えば、自動車等の移動体の外界環境の検出結果からその環境内に含まれる危険度（リスク）に係る情報を適応的に認識するリスク認識システムが提案されている（特許文献１参照）。特許文献１のリスク認識システムでは、ドライバを認識器の学習においての教師とし、ドライバの運転操作からリスク情報を抽出し、その運転操作に基づくリスク情報と、カメラから得られる画像情報との関連を人工知能技術を用いて学習させている。例えば、ドライバが歩行者を回避するような操作行動を行ったとき、その状況が危険であると判断し、そのときに得られた画像は危険であるということを学習させる。そして、次に同じような画像が得られた場合に危険であるという出力を行い、ドライバに警告を与えている。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００９−９６３６５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１に記載の発明では、画像特徴量を用いて自車両前方の状況の危険度を推定しているが、画像特徴量のみで危険状態を規定することは困難であり、自車両前方の状況と危険状態とが不確定な関係で対応付けられている場合もある。そのため、運転支援を行うための確度を持ってその学習結果を使用する際に、調整等の煩雑な処理が必要となる、という問題がある。また、衝突の可能性を判定する上で、他の走行体の行動を予測することが重要となるが、特許文献１に記載の発明では、他の走行体視点での他の走行体の行動が考慮されていないため、判定精度が低くなる、という問題がる。
【０００６】
本発明は、上記の問題点を解決するためになされたもので、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる運転支援装置及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
上記目的を達成するために、本発明の運転支援装置は、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段と、前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段と、前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段と、前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段と、を含んで構成されている。
【０００８】
本発明の運転支援装置によれば、取得手段が、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得し、ベクトル算出手段が、取得手段により取得された自車両の走行状態及び走行環境に基づいて、自車両の現在の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、他の走行体の現在の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出する。このように走行体ベクトルも算出することにより、他の走行体視点での他の走行体の行動を考慮することができる。
【０００９】
そして、予測手段が、ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、所定時間後の自車両の行動状態の変化を予測すると共に、ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、所定時間後の他の走行体の行動状態の変化を予測する。すなわち、他の走行体については、他の走行体視点の走行体ベクトルを用いて行動状態の変化を予測することができる。
【００１０】
そして、判定手段が、取得手段により取得された自車両の走行状態及び走行環境、並びに予測手段により予測された所定時間後の自車両の行動状態の変化及び所定時間後の他の走行体の行動状態の変化に基づいて、所定時間経過以降の自車両と他の走行体との相対距離を推定し、推定した相対距離に基づいて、自車両と他の走行体との衝突の可能性を判定する。
【００１１】
このように、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化を予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる。
【００１２】
また、前記ベクトル算出手段は、前記自車両の状況として、少なくとも自車両の位置、速度、加速度、及び向きを含み、前記他の走行体の状況として、少なくとも他の走行体の位置、速度、及び向きを含んだ前記自車両ベクトル及び前記走行体ベクトルを算出するようにすることができる。また、前記取得手段は、走行環境として前記自車両及び前記他の走行体が存在する走路の形状を取得し、前記ベクトル算出手段は、前記自車両の状況として、さらに自車両の進行方向の所定距離先の走路の曲率半径を含み、前記他の走行体の状況として、さらに他の走行体の進行方向の所定距離先の走路の曲率半径を含んだ前記自車両ベクトル及び前記走行体ベクトルを算出するようにすることができる。このように、各種情報を用いて自車両ベクトル及び走行体ベクトルを算出することにより、衝突判定の精度を向上させることができる。
【００１３】
また、前記ベクトル算出手段は、前記自車両周辺に存在する他の走行体が複数存在する場合には、所定個の他の走行体を選択し、前記自車両の現在の状況及び該自車両を基準とした選択された他の走行体の各々の状況を示す自車両ベクトルを算出すると共に、選択された他の走行体の各々について、前記選択された他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況及びその他の選択された他の走行体の各々の状況を示す走行体ベクトルを算出するようにすることができる。その際、前記ベクトル算出手段は、前記自車両と前記選択された他の走行体の各々との距離が近い順に前記自車両ベクトル及び前記走行体ベクトルの要素とするようにすることができる。このように、他の走行体が複数存在するような複雑な状況の場合でも、適切に自車両ベクトル及び走行体ベクトルを算出することができる。
【００１４】
また、前記自車両変化モデルを、前記自車両ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定め、前記走行体変化モデルを、前記走行体ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定めるようにすることができる。このような自車両変化モデル及び走行体変化モデルを用いることにより、自車両及び他の走行体の行動状態の変化を柔軟に予測することができる。
【００１５】
また、前記予測手段は、前記所定時間後の自車両の行動状態の変化別の割合を予測すると共に、前記所定時間後の他の走行体の行動状態の変化別の割合を予測し、前記判定手段は、自車両の行動状態の変化と他の走行体の行動状態の変化との組合せの各々について前記相対距離を推定し、前記相対距離が予め定めた閾値距離より小さくなる組合せの前記自車両の行動状態の変化別の割合と前記他の走行体の行動状態の変化別の割合とを乗算した発生割合に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定するようにすることができる。
【００１６】
また、前記行動状態の変化を、加速、等速、及び減速とすることができる。
【００１７】
また、本発明の運転支援装置は、前記取得手段で取得された自車両の走行状態及び走行環境の履歴に基づいて、前記所定時間後の自車両の行動状態の変化、及び前記所定時間後の他の走行体の行動状態の変化を算出する変化算出手段と、前記ベクトル算出手段により算出された前記自車両ベクトルと前記変化算出手段により算出された前記所定時間後の自車両の行動状態の変化との対応に基づいて、前記自車両変化モデルを更新すると共に、前記ベクトル算出手段により算出された前記走行体ベクトルと前記変化算出手段により算出された前記所定時間後の他の走行体の行動状態の変化との対応に基づいて、前記走行体変化モデルを更新する更新手段と、を含んで構成するようにすることができる。このように、実際に取得されたデータに基づいて、自車両変化モデル及び走行体変化モデルを更新することにより、車両やドライバの個人差を吸収することができる。
【００１８】
また、前記他の走行体には、他車両、二輪車両、自転車、及び歩行者が含まれる。
【００１９】
また、本発明の運転支援プログラムは、コンピュータを、自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段、前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段、前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段、及び前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段として機能させるためのプログラムである。
【００２０】
なお、本発明のプログラムを記憶する記憶媒体は、特に限定されず、ハードディスクであってもよいし、ＲＯＭであってもよい。また、ＣＤ−ＲＯＭやＤＶＤディスク、光磁気ディスクやＩＣカードであってもよい。更にまた、該プログラムを、ネットワークに接続されたサーバ等からダウンロードするようにしてもよい。
【発明の効果】
【００２１】
以上説明したように、本発明の運転支援装置及びプログラムによれば、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化を予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる、という効果が得られる。
【図面の簡単な説明】
【００２２】
【図１】本実施の形態の運転支援装置の概略構成を示すブロック図である。
【図２】シーンの一例を示すイメージ図である。
【図３】シーンベクトル記憶部に記憶された自車両ベクトル及び走行体ベクトル、並びに行動状態変化の一例を示す図である。
【図４】自車両変化モデル及び走行体変化モデルの生成を説明するための概略図である。
【図５】自車両変化モデル及び走行体変化モデルの一例を示す図である。
【図６】自車両と他の走行体との相対距離を予測する際の加速度の算出方法の一例を説明するための図である。
【図７】予測された自車両の行動状態変化と他の走行体の行動状態変化の組合せを示す図である。
【図８】自車両と他の走行体との相対距離の予測結果の一例を示す図である。
【図９】本実施の形態の運転支援装置における衝突判定処理ルーチンの内容を示すフローチャートである。
【図１０】本実施の形態の運転支援装置における学習処理ルーチンの内容を示すフローチャートである。
【発明を実施するための形態】
【００２３】
以下、図面を参照して本発明の実施の形態を詳細に説明する。
【００２４】
図１に示すように、本実施の形態に係る運転支援装置１０は、自車両の前方に対してレーザを１次元（水平方向）に走査しながら照射し、レーザの反射によりレーザが照射された物体の２次元位置を検出するレーザレーダ１２と、車両周辺を撮像するＣＣＤカメラ等で構成され、撮像された画像の画像データを出力する撮像装置１４と、ＧＰＳ衛星からの衛星信号を受信し、擬似距離データ等のＧＰＳデータを出力するＧＰＳ装置１６と、自車両の車速を検出する車速センサ、自車両の加速度を検出する加速度センサ、及び自車両のヨー角を検出するヨー角センサを含む車両センサ１８と、判定結果に応じて警報を表示するための表示装置や警報を音声出力するためのスピーカ等で構成された警報装置２２と、自車両と他の走行体との衝突の可能性を判定する処理を実行するコンピュータ３０と、を備えている。
【００２５】
コンピュータ３０は、運転支援装置１０全体の制御を司るＣＰＵ、後述する衝突判定処理ルーチン及び学習処理ルーチンを含む運転支援処理ルーチンを実行するためのプログラム等を記憶したＲＯＭ、データ等を一時的に記憶するＲＡＭ、各種情報が記憶されたメモリ、及びこれらを接続するバスを含んで構成されている。
【００２６】
このコンピュータ３０をハードウエアとソフトウエアとに基づいて定まる機能実現手段毎に分割した機能ブロックで説明すると、図１に示すように、レーザレーダ１２により測定された測定データ、撮像装置１４により撮像された画像データ、ＧＰＳ装置１６から出力されたＧＰＳデータ、車両センサ１８の検出値、及びネットワークを介して接続された電子地図記憶装置２０に記憶された地図情報に基づいて、シーン（状況）に応じた自車両ベクトル及び走行体ベクトル、並びに自車両及び他の走行体の所定時間後の行動状態変化を算出する環境認識部３２と、自車両ベクトルと自車両の行動状態変化、及び走行体ベクトルと他の走行体の行動状態変化とが対応して記憶されるシーンベクトル記憶部３４と、シーンベクトル記憶部３４に記憶された情報を学習して、自車両及び他の走行体の行動状態の変化を予測するための変化モデルを生成する学習部３６と、生成された変化モデルが記憶される変化モデル記憶部３８と、自車両ベクトル、走行体ベクトル、及び変化モデルに基づいて、自車両及び他の走行体の行動を予測する行動予測部４０と、予測された自車両及び他の走行体の行動に基づいて、自車両と他の走行体との衝突の可能性を判定する衝突判定部４２と、を含んだ構成で表すことができる。なお、環境認識部３２が、本発明の取得手段、ベクトル算出手段、及び変化算出手段の一例であり、学習部３６が、本発明の更新手段の一例である。
【００２７】
環境認識部３２は、ＧＰＳ装置１６からＧＰＳデータを取得し、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）を算出する。また、車両センサ１８の車速センサ、加速度センサ、及びヨー角センサの検出値を取得し、自車両の進行方向をＸ軸、Ｘ軸に直交する方向をＹ軸とするＸＹ座標系を想定し、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、自車両の向き（Ｓ＿ｄｉｒ）を算出する。なお、自車両の速度は、ＧＰＳデータのドップラー周波数に基づいて算出するようにしてもよいし、時系列の自車両の位置座標を微分して算出してもよい。また、自車両の加速度は、時系列の自車両の速度を微分して算出してもよい。
【００２８】
また、環境認識部３２は、撮像装置１４から出力された画像データ、及びレーザレーダ１２の測定データを取得し、画像データを画像認識した結果、及びレーザレーダ１２による物体検出の結果に基づいて、自車両の周辺に存在する他の走行体を抽出し、他の走行体リストを生成する。例えば、図２に示すシーンでは、走行体Ａ及び走行体Ｂが抽出される。
【００２９】
また、環境認識部３２は、さらに、可動物識別部３２ａと走路識別部３２ｂとを含んだ構成で表すことができる。
【００３０】
可動物識別部３２ａは、取得した画像データを画像認識して、他の走行体リストに含まれる走行体の属性ｃ（他車両、二輪車両、自転車、歩行者等）を識別する。例えば、図２の例では、走行体Ａの属性は「歩行者」、走行体Ｂの属性は「他車両」と識別される。また、画像認識の結果から、他の走行体の各々の向き（Ｏ＿ｄｉｒ）を算出する。向きｄｉｒは、ｘの正方向を０ｄｅｇ、ｙの正方向を９０ｄｅｇ、ｘの負方向を１８０ｄｅｇとして表した角度（ｄｅｇｒｅｅ）である。
【００３１】
なお、走行体Ａの向きについて表記する場合には「ＯＡ＿ｄｉｒ」とし、走行体Ｂの向きについて表記する場合には「ＯＢ＿ｄｉｒ」とする。以下、他の走行体の各々を区別することなく他の走行体に関する情報を表記する場合には「Ｏ＿」とし、特定の他の走行体の情報を表記する場合には、「ＯＡ＿」「ＯＢ＿」等のように表記する。
【００３２】
さらに、可動物識別部３２ａは、取得したレーザレーダ１２の測定データに基づいて、自車両と他の走行体の各々との相対距離を算出し、相対距離の微分値を自車両に対する他の走行体の各々の相対速度として算出し、相対速度の微分値を自車両に対する他の走行体の各々の相対加速度として算出する。そして、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、相対距離、相対速度、及び相対加速度に基づいて、他の走行体の位置座標（Ｏ＿ｘ，Ｏ＿ｙ）、他の走行体の速度（Ｏ＿ｖｘ，Ｏ＿ｖｙ）、及び他の走行体の加速度（Ｏ＿ａｘ，Ｏ＿ａｙ）を算出する。
【００３３】
走路識別部３２ｂは、電子地図記憶装置２０から地図情報を取得し、地図情報とＧＰＳデータとを照合して、最近傍の走行可能なレーンや歩道等を認識し、自車両及び他の走行体の走行する走路の中央線を識別する。そして、自車両の進行方向走路の中央線をクロソイド曲線で近似した場合における所定距離（Ｓ＿ＷＬ）先の曲率半径（Ｓ＿ＷＲ）を算出する。同様に、他の走行体の進行方向走路の所定距離（Ｏ＿ＷＬ）先の曲率半径（Ｏ＿ＷＲ）を算出する。なお、所定距離ＷＬは、Ｚ秒後（例えば、２〜３秒後）の自車両及び他の走行体の行動を予測することを考慮して、属性に応じたＺ秒間の走行距離を想定した値を予め定めておく。例えば、属性が自車両または他車両であれば、ＷＬ＝５０ｍとして定めておくことができる。
【００３４】
また、環境認識部３２は、他の走行体リストに含まれる他の走行体の中から、自車両との距離が近い順にＮ個の他の走行体を選択する。また、選択した他の走行体について、過去のデータを参照して既にデータが存在する走行体については、既に付与されている走行体固有の識別番号と同一の識別番号を付与する。新たに出現した走行体については、新たな識別番号を付与する。
【００３５】
また、環境認識部３２は、自車両及び過去のデータが存在する走行体の各々について、ｘ方向の速度ｖｘ及びｙ方向の速度ｖｙの合成速度の絶対値の現時点の値ＶＴとＺ秒前の値ＶＴ−Ｚとの増減から行動状態の変化を示す行動状態変化を算出する。本実施の形態では、行動状態変化を、加速、等速、及び減速とする。具体的には、ＶＴ−Ｚ−ＶＴ＜εであれば加速、ＶＴ−Ｚ−ＶＴ＞εであれば減速、その他を等速として行動状態変化を算出する。εは、例えば１ｍ／ｓとすることができる。
【００３６】
また、環境認識部３２は、自車両及び選択されたＮ個の他の走行体の各々について算出した属性ｃ、向きｄｉｒ、位置（ｘ，ｙ）、速度（ｖｘ，ｖｙ）、加速度（ａｘ，ａｙ）、距離ＷＬ、曲率半径ＷＲを用いて、現在のシーンにおける自車両ベクトル及び走行体ベクトルを生成する。例えば、図２に示すようなシーンＱにおける自車両ベクトルは下記（１）式となる。
【００３７】
シーンＱの自車両ベクトル
=(S_c,S_x,S_y,S_vx,S_vy,S_ax,S_ay,S_dir,S_WR,S_WL,
OA_c,OA_x,OA_y,OA_vx,OA_vy,OA_ax,OA_ay,OA_dir,OA_WR,OA_WL,
OB_c,OB_x,OB_y,OB_vx,OB_vy,OB_ax,OB_ay,OB_dir,OB_WR,OB_WL)
・・・（１）
【００３８】
ここで、自車両ベクトルは、自車両、自車両との距離が最も近い走行体、自車両との距離が次に近い走行体、・・・自車両との距離が最も遠い走行体の順に、各々の状況を示す値をベクトルの要素とする。また、他の走行体の走行体ベクトルは、自車両ベクトルと同一の値を用いて、要素の順番を他の走行体との距離が近い順に要素の順番を入れ換えることで生成することができる。シーンＱにおける走行体Ａの走行体ベクトルを下記（２）式に示す。
【００３９】
シーンＱの走行体Ａの走行体ベクトル
=(OA_c,OA_x,OA_y,OA_vx,OA_vy,OA_ax,OA_ay,OA_dir,OA_WR,OA_WL,
OB_c,OB_x,OB_y,OB_vx,OB_vy,OB_ax,OB_ay,OB_dir,OB_WR,OB_WL,
S_c,S_x,S_y,S_vx,S_vy,S_ax,S_ay,S_dir,S_WR,S_WL)
・・・（２）
【００４０】
シーンＱにおける自車両ベクトル及び走行体ベクトルを上記のように生成することにより、自車両ベクトルでは、自車両を基準としたシーンＱの状況を捉えることができ、走行体ベクトルでは、他の走行体を基準とした、すなわち他の走行体視点のシーンＱの状況を捉えることができる。
【００４１】
シーンベクトル記憶部３４には、生成された自車両ベクトル、走行体ベクトル、及び算出された行動状態変化が記憶される。記憶する際には、自車両ベクトル及び走行体ベクトルと、その自車両ベクトル及び走行体ベクトルが生成された時刻（データが取得された時刻）のＺ秒後の時刻に算出された行動状態変化とが対応するように記憶する。
【００４２】
図３にシーンベクトル記憶部３４に記憶された自車両ベクトル及び走行体ベクトル、並びに行動状態変化の一例を示す。図中の「ＩＤ」は自車両及び他の走行体に付与された固有の識別番号であり、自車両は、ＩＤ＝０で固定である。また、図中の行動状態変化は、加速を「１」、等速を「０」、減速を「−１」で示している。また、自車両ベクトルにおける他の走行体の状況を示す要素は、選択されたＮ個の他の走行体について自車両との距離が近い順に「Ｏ１＿」〜「ＯＮ＿」としている。同様に、走行体ベクトルにおける自車両及びその他の他の走行体の状況を示す要素は、基準となる他の走行体を除いた（Ｎ−１）個の他の走行体及び自車両について基準となる他の走行体との距離が近い順に「Ｏ１＿」〜「ＯＮ＿」としている。走行体ベクトルにおいて、基準となる走行体は、「ＯＳ＿」としている。また、データ取得の時間間隔ｄｔは、例えば０．１秒とすることができる。
【００４３】
学習部３６は、さらに、自車両シーン分類部３６ａと走行体シーン分類部３６ｂとを含んだ構成で表すことができる。
【００４４】
自車両シーン分類部３６ａは、シーンベクトル記憶部３４に記憶された自車両ベクトル及び対応して記憶された行動状態変化を学習用データとして学習して、自車両の行動状態の変化を予測するための自車両変化モデルを生成する。具体的には、図４に示すように、自車両ベクトルが投影されるベクトル空間の各軸を離散化してベクトル空間を所定領域に区分したブロック毎に、投影された自車両ベクトルに対応する行動状態変化（加速：ＡＣ、等速：ＣＲ、減速：ＤＣ）別のデータ数、及びその総数Ｍを計算し、行動状態変化別の割合（加速の割合：Ｐ＿ＡＣ、等速の割合：Ｐ＿ＣＲ、減速の割合：Ｐ＿ＤＣ）を算出する。なお、シーンベクトル記憶部３４に該当するデータが存在しない場合に対応するために、初期値として、ＣＲ＝Ｎ（Ｎ＞０、例えばＮ＝１）、ＡＣ＝ＤＣ＝０のように定めておくことができる。離散化の基準をヘッダーとしたブロック毎の行動状態変化別の割合を自車両変化モデルとして、変化モデル記憶部３８に記憶する。
【００４５】
また、別の手法として、自車両ベクトル及び走行体ベクトルを用いたロジスティック回帰にて、以下の３グループを学習する。
ｉ：ＡＣとそれ以外とを２値化し（ＡＣなら１、それ以外なら０）、これを回帰するモデルＦ１
ii：ＤＣとそれ以外とを２値化し（ＤＣなら１、それ以外なら０）、これを回帰するモデルＦ２
iii：ＣＲとそれ以外とを２値化し（ＣＲなら１、それ以外なら０）、これを回帰するモデルＦ３
【００４６】
そして、Ｆ１、Ｆ２、Ｆ３を用いてベクトル空間の各軸を離散化して生成された仮想的な入力ベクトルを用いて、該当するブロック毎にＦ１、Ｆ２、Ｆ３の値 Ｐ＿Ｆ１、Ｐ＿Ｆ２、Ｐ＿Ｆ３を算出し、ＡＣ、ＣＲ、ＤＣの割合Ｐ＿ＡＣ、Ｐ＿ＣＲ、Ｐ＿ＤＣを以下の様に算定することができる。
Ｐ＿ＡＣ＝Ｐ＿Ｆ１／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
Ｐ＿ＣＲ＝Ｐ＿Ｆ２／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
Ｐ＿ＤＣ＝Ｐ＿Ｆ３／（Ｐ＿Ｆ１＋Ｐ＿Ｆ２＋Ｐ＿Ｆ３）
【００４７】
走行体シーン分類部３６ｂは、走行体ベクトルを用いて、自車両シーン分類部３６ａと同様の手法により、走行体変化モデルを生成して、変化モデル記憶部３８に記憶する。図５に、自車両変化モデル及び走行体変化モデルの一例を示す。
【００４８】
行動予測部４０は、さらに自車両行動予測部４０ａと走行体行動予測部４０ｂとを含んだ構成で表すことができる。
【００４９】
自車両行動予測部４０ａは、環境認識部３２で生成された現在の自車両ベクトルと、変化モデル記憶部３８に記憶された自車両変化モデルとを照合して、Ｚ秒後の自車両の行動状態の変化を予測する。例えば、図５に示す自車両変化モデルにおいて、自車両ベクトルがブロックＡに該当する場合には、Ｚ秒後の自車両の行動状態は、「加速」である場合が０％、「等速」である場合が８０％、「減速」である場合が２０％であると予測する。
【００５０】
走行体行動予測部４０ｂは、自車両行動予測部４０ａと同様の手法により、走行体ベクトルと走行体変化モデルとを照合して、Ｚ秒後の他の走行体の行動状態の変化を予測する。例えば、図５に示す走行体変化モデルにおいて、走行体ベクトルがブロックＣに該当する場合には、Ｚ秒後の他の走行体の行動状態は、「加速」である場合が８０％、「等速」である場合が２０％、「減速」である場合が０％であると予測する。
【００５１】
衝突判定部４２は、自車両及び他の走行体の現在の走行状態、及び行動予測部４０で予測されたＺ秒後の行動状態の変化に基づいて、自車両及び他の走行体の軌跡を算出する。例えば、自車両について、現在の自車両の速度および加速度がＺ秒間継続した後、Ｚ秒後に行動状態変化（例えば、「加速」）が生じた場合の各時刻の予測位置を算定する。行動状態変化における加速は、例えば加速度１ｍ／ｓ２の加速、減速は、例えば加速度−１ｍ／ｓ２の減速として予め定めておく。また、他の走行体の場合には、行動状態変化における加速は、例えば加速度１ｍ／ｓ２の加速、減速は、例えば加速度−２ｍ／ｓ２の減速として、自車両の場合とは異なる値を定めておいてもよい。また、走行体の属性に応じて異なる値を定めておいてもよい。また、以下のように、Ｚ秒経過後以降の加速度を算出してもよい。
【００５２】
図６を参照して、Ｓ＿ｖｘ＋Ｓ＿ａｘ・ｓ＝０とした場合に、Ｚ＞ｓ＞０となるｓが存在し、かつＳ＿ｖｙ＋Ｓ＿ａｙ・ｓ＝０となる場合、または、Ｓ＿ｖｙ＋Ｓ＿ａｙ・ｓ＝０とした場合に、Ｚ＞ｓ＞０となるｓが存在し、かつＳ＿ｖｘ＋Ｓ＿ａｘ・ｓ＝０となる場合は、Ｚはｓとして算定する。現在からＺ秒まで
Ｓ＿ｘ’＝Ｓ＿ｘ＋Ｓ＿ｖｘ・Ｚ＋０．５・Ｓ＿ａｘ・Ｚ２
Ｓ＿ｙ’＝Ｓ＿ｙ＋Ｓ＿ｖｙ・Ｚ＋０．５・Ｓ＿ａｙ・Ｚ２
Ｓ＿ｖｘ’＝Ｓ＿ｖｘ＋Ｓ＿ａｘ・Ｚ
Ｓ＿ｖｙ’＝Ｓ＿ｖｙ＋Ｓ＿ａｙ・Ｚ
【００５３】
減速の場合、ｔの上限は、［（Ｓ＿ｖｘ’）２＋（Ｓ＿ｖｘ’）２］０．５÷（−α）として、（Ｚ＋ｔ）秒後の加速度を以下のように求める。
Ｓ＿ｘ”（ｔ） ＝Ｓ＿ｘ’＋Ｓ＿ｖｘ’・ｔ＋０．５ ・ａｚｘ ・ｔ２
Ｓ＿ｙ”（ｔ） ＝Ｓ＿ｙ’＋Ｓ＿ｖｙ’・ｔ＋０．５ ・ａｚｙ ・ｔ２
【００５４】
また、衝突判定部４２は、予測された行動状態変化毎に算出された自車両及び他の走行体の軌跡に基づいて、予測された行動状態変化別の割合が０％以外の行動状態変化の全組合せについて、自車両と他の走行体との相対距離を算出する。上記の図５の例の場合には、図７に示すように、（１）自車両の行動状態変化が「等速」、他の走行体の行動状態変化が「加速」の場合、（２）自車両の行動状態変化が「減速」、他の走行体の行動状態変化が「加速」の場合、（３）自車両の行動状態変化が「等速」、他の走行体の行動状態変化が「等速」の場合、（４）自車両の状態変化が「減速」、他の走行体の状態変化が「等速」の場合の４つの組合せが存在する。これら（１）〜（４）の組合せの各々についての自車両と他の走行体との相対距離の一例を図８に示す。
【００５５】
現在時刻からＺ秒後を経過した以降の時点において、算出された相対距離が閾値ｄｃｒよりも小さくなる組合せが存在した場合には、その組合せの自車両の行動状態の変化別の割合と他の走行体の行動状態変化別の割合とを乗算して、その組合せが発生する発生割合を算出し、その発生割合が所定の閾値（例えば、３０％）より大きい場合に、自車両と他の走行体とが衝突する可能性があると判定して、警報装置２２により警報が出力されるよう制御する。
【００５６】
次に、図９を参照して、コンピュータ３０で実行される衝突判定処理ルーチンについて説明する。
【００５７】
ステップ１００で、レーザレーダ１２の測定データ、撮像装置１４から出力された画像データ、ＧＰＳ装置１６から出力されたＧＰＳデータ、車両センサ１８で検出された検出値を取得する。
【００５８】
次に、ステップ１０２で、ＧＰＳデータに基づいて、自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）を算出する。また、車両センサ１８の車速センサ、加速度センサ、及びヨー角センサの検出値に基づいて、自車両の進行方向をＸ軸、Ｘ軸に直交する方向をＹ軸とするＸＹ座標系を想定し、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、自車両の向き（Ｓ＿ｄｉｒ）を算出する。
【００５９】
次に、ステップ１０４で、画像データを画像認識し、レーザレーダ１２の測定値から自車両の周辺の物体を検出し、画像認識の結果及び物体検出の結果に基づいて、自車両の周辺に存在する他の走行体を抽出し、他の走行体リストを生成する。
【００６０】
次に、ステップ１０６で、画像データを画像認識して、他の走行体リストに含まれる走行体の属性ｃ（他車両、二輪車両、自転車、歩行者等）を識別する。また、画像認識の結果から、他の走行体の各々の向き（Ｏ＿ｄｉｒ）を算出する。
【００６１】
次に、ステップ１０８で、レーザレーダ１２の測定データに基づいて、自車両と他の走行体の各々との相対距離を算出し、相対距離の微分値を自車両に対する他の走行体の各々の相対速度として算出し、相対速度の微分値を自車両に対する他の走行体の各々の相対加速度として算出する。
【００６２】
次に、ステップ１１０で、上記ステップ１０２で算出された自車両の位置座標（Ｓ＿ｘ，Ｓ＿ｙ）、自車両の速度（Ｓ＿ｖｘ，Ｓ＿ｖｙ）、自車両の加速度（Ｓ＿ａｘ，Ｓ＿ａｙ）、上記ステップ１０８で算出された相対距離、相対速度、及び相対加速度に基づいて、他の走行体の位置座標（Ｏ＿ｘ，Ｏ＿ｙ）、他の走行体の速度（Ｏ＿ｖｘ，Ｏ＿ｖｙ）、及び他の走行体の加速度（Ｏ＿ａｘ，Ｏ＿ａｙ）を算出する。
【００６３】
次に、ステップ１１２で、電子地図記憶装置２０から地図情報を取得し、次に、ステップ１１４で、地図情報とＧＰＳデータとを照合して、最近傍の走行可能なレーンや歩道等を認識し、自車両及び他の走行体の走行する走路の中央線を識別する。
【００６４】
次に、ステップ１１６で、上記ステップ１１４で識別した自車両の進行方向走路の中央線をクロソイド曲線で近似した場合における所定距離（Ｓ＿ＷＬ）先の曲率半径（Ｓ＿ＷＲ）を算出する。同様に、他の走行体の進行方向走路の所定距離（Ｏ＿ＷＬ）先の曲率半径（Ｏ＿ＷＲ）を算出する。
【００６５】
次に、ステップ１１８で、上記ステップ１０４で生成した他の走行体リストに含まれる他の走行体の中から、自車両との距離が近い順にＮ個の他の走行体を選択する。また、選択した他の走行体について、過去のデータを参照して既にデータが存在する走行体については、既に付与されている走行体固有の識別番号と同一の識別番号を付与する。新たに出現した走行体については、新たな識別番号を付与する。
【００６６】
次に、ステップ１２０で、自車両及び過去のデータが存在する走行体の各々について、ｘ方向の速度ｖｘ及びｙ方向の速度ｖｙの合成速度の絶対値の現時点の値ＶＴとＺ秒前の値ＶＴ−Ｚとの増減に基づいて、ＶＴ−Ｚ−ＶＴ＜εであれば加速、ＶＴ−Ｚ−ＶＴ＞εであれば減速、その他を等速として行動状態変化を算出する。
【００６７】
次に、ステップ１２２で、自車両及び選択されたＮ個の他の走行体の各々について算出した属性ｃ、向きｄｉｒ、位置（ｘ，ｙ）、速度（ｖｘ，ｖｙ）、加速度（ａｘ，ａｙ）、距離ＷＬ、曲率半径ＷＲを用いて、例えば、上記（１）式に示すような、現在のシーンＱにおける自車両ベクトル、上記（２）式に示すような、現在のシーンＱにおける走行体ベクトルを生成する。なお、上記（２）式では、走行体Ａの走行体ベクトルを示しているが、その他の他の走行体についても、同様に走行体ベクトルを算出する。そして、後述する学習処理のために、生成した自車両ベクトル及び走行体ベクトルの各々と、その自車両ベクトル及び走行体ベクトルの各々が生成された時刻（データが取得された時刻）のＺ秒後の時刻に算出された行動状態変化とを対応させて、シーンベクトル記憶部３４に記憶する。
【００６８】
次に、ステップ１２４で、上記ステップ１２２で生成された現在の自車両ベクトルと、変化モデル記憶部３８に記憶された自車両変化モデルとを照合して、Ｚ秒後の自車両の行動状態変化別の割合を予測する。同様に、走行体ベクトルの各々と走行体変化モデルとを照合して、Ｚ秒後の他の走行体の各々の行動状態変化別の割合を予測する。
【００６９】
次に、ステップ１２６で、自車両及び他の走行体の各々の現在の走行状態、及び上記ステップ１２４で予測されたＺ秒後の行動状態変化別の割合に基づいて、予測された行動状態変化毎に自車両及び他の走行体の各々の軌跡を算出し、予測された行動状態変化別の割合が０％以外の行動状態変化の全組合せについて、自車両と他の走行体の各々との相対距離ｄｉ（ｉは組合せ毎の識別番号、図７の例では（１）〜（４））を算出する。
【００７０】
次に、ステップ１２８で、相対距離ｄｉが閾値ｄｃｒよりも小さくなる組合せｉが存在するか否かを判定する。存在する場合には、ステップ１３０へ移行し、組合せｉの自車両の行動状態変化別の割合と他の走行体の行動状態変化別の割合とを乗算して発生割合を算出し、その発生割合が所定の閾値より大きいか否かを判定する。発生割合が閾値より大きい場合には、ステップ１３２へ移行して、自車両と他の走行体とが衝突する可能性があるとして、警報装置２２により警報が出力されるよう制御して、処理を終了する。
【００７１】
一方、上記ステップ１２８で、ｄ≧ｄｃｒと判定された場合、及び上記ステップ１３０で、発生割合が閾値以下と判定された場合には、そのまま処理を終了する。
【００７２】
次に、図１０を参照して、コンピュータ３０で実行される学習処理ルーチンについて説明する。
【００７３】
ステップ２００で、シーンベクトル記憶部３４から自車両ベクトル及び対応して記憶された行動状態変化を学習用データとして読み出す。
【００７４】
次に、ステップ２０２で、自車両ベクトルが投影されるベクトル空間の各軸を離散化してベクトル空間を所定領域に区分したブロック毎に、投影された自車両ベクトルに対応する行動状態変化（加速：ＡＣ、等速：ＣＲ、減速：ＤＣ）別のデータ数、及びその総数Ｍを計算し、行動状態変化別の割合（加速の割合：Ｐ＿ＡＣ、等速の割合：Ｐ＿ＣＲ、減速の割合：Ｐ＿ＤＣ）を算出する。
【００７５】
次に、ステップ２０４で、離散化の基準をヘッダーとしたブロック毎の行動状態変化別の割合を自車両変化モデルとして、変化モデル記憶部３８に記憶する。
【００７６】
次に、ステップ２０６で、シーンベクトル記憶部３４から走行体ベクトル及び対応して記憶された行動状態変化を学習用データとして読み出し、次に、ステップ２０８及び２１０で、上記ステップ２０２及び２０４と同様に処理して、走行体変化モデルを生成して、変化モデル記憶部３８に記憶して、処理を終了する。
【００７７】
本ルーチンを所定時間毎に実行して、所定時間内にシーンベクトル記憶部３４に新たに記憶されたデータを、前回の処理時点でのブロック毎のデータ数に加算して、ブロック毎の行動状態変化別の割合を算出することで、自車両変化モデル及び走行体変化モデルの各々を更新する。
【００７８】
以上説明したように、本実施の形態の運転支援装置によれば、自車両の状況及び自車両を基準とした他の走行体の状況を示す自車両ベクトルだけでなく、他の走行体の状況及び他の走行体を基準とした自車両及びその他の他の走行体の状況を示す走行体ベクトルも算出して、他の走行体の所定時間後の行動状態の変化も予測するため、他の走行体視点の状況も考慮した精度の高い衝突判定を行うことができる。
【００７９】
なお、上記実施の形態では、自車両ベクトル及び走行体ベクトルの要素として、自車両及び他の走行体の属性、向き、位置、速度、加速度、進行方向の所定距離、及び進行方向の所定距離先の曲率半径を用いる場合について説明したが、これら全てを要素として含む必要はなく、自車両ベクトルについては、少なくとも、向き、位置、速度、加速度を含み、走行体ベクトルについては、少なくとも、向き、位置、速度を含むものであればよい。
【００８０】
また、上記実施の形態では、自車両ベクトルに含まれる要素の順番を、自車両との距離が近い順に所定個（Ｎ個）とし、走行体ベクトルに含まれる要素の順番を、他の走行体との距離が近い順に所定個（Ｎ個）とする場合について説明したが、自車両または他の走行体の属性に基づいた優先順位順（例えば、車両、二輪車両、自転車、歩行者の順）としたり、自車両または他の走行体との相対速度が大きい順としたりしてもよい。なお、現在のシーンにおいて、他の走行体の個数がＮ個に満たない場合は、対応する全値を０としたり、予め定めた値としたりしてもよい。
【００８１】
また、上記実施の形態では、自車両変化モデル及び走行体変化モデルを、行動状態変化別の割合で定めた場合について説明したが、１つの自車両ベクトル及び走行体ベクトルに対して１つの行動状態変化を予測するような自車両変化モデル及び走行体変化モデルとしてもよい。
【００８２】
また、上記実施の形態では、実際に検出された自車両及び他の走行体の状況を用いて自車両変化モデル及び走行体変化モデルを生成及び更新する場合について説明したが、車車間通信等により、他車両で検出されたデータを取得して、このデータもあわせて用いて自車両変化モデル及び走行体変化モデルを生成及び更新するようにしてもよいし、更新処理は行わず、予め実験走行等により検出したデータを用いて生成した自車両変化モデル及び走行体変化モデルを用いるようにしてもよい。
【００８３】
また、上記実施の形態では、予測される自車両と他の走行体との相対距離が閾値より小さい組合せの自車両の行動状態変化の割合と他の走行体の行動状態変化の割合とを乗算した発生割合が閾値より大きいか否かにより衝突の可能性を判定する場合について説明したが、相対距離が閾値より小さい組合せが存在する場合には、衝突の可能性ありと判定し、その組合せの発生割合を判定結果として出力するようにしてもよい。
【００８４】
また、上記実施の形態では、衝突の可能性ありと判定された場合に、警報を出力する場合について説明したが、予測された相対距離に基づいて、衝突を回避するように車両運動を制御するようにしてもよい。また、撮像装置で撮像された画像上の衝突の可能性がある他の走行体をウインドウで囲むなどの表示を行うことにより、警報を表示するようにしてもよい。
【００８５】
また、上記実施の形態では、レーザレーダを用いる場合について説明したが、ミリ波レーダ等を用いてもよい。
【００８６】
また、上記実施の形態では、地図情報を外部から取得する場合について説明したが、本装置のコンピュータに地図情報を記憶しておくようにしてもよい。
【符号の説明】
【００８７】
１０ 運転支援装置
１２ レーザレーダ
１４ 撮像装置
１６ ＧＰＳ装置
１８ 車両センサ
２０ 電子地図記憶装置
２２ 警報装置
３０ コンピュータ
３２ 環境認識部
３２ａ 可動物識別部
３２ｂ 走路識別部
３４ シーンベクトル記憶部
３６ 学習部
３６ａ 自車両シーン分類部
３６ｂ 走行体シーン分類部
３８ 変化モデル記憶部
４０ 行動予測部
４０ａ 自車両行動予測部
４０ｂ 走行体行動予測部
４２ 衝突判定部
【特許請求の範囲】
【請求項１】
自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段と、
前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段と、
前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段と、
前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段と、
を含む運転支援装置。
【請求項２】
前記ベクトル算出手段は、前記自車両の状況として、少なくとも自車両の位置、速度、加速度、及び向きを含み、前記他の走行体の状況として、少なくとも他の走行体の位置、速度、及び向きを含んだ前記自車両ベクトル及び前記走行体ベクトルを算出する請求項１記載の運転支援装置。
【請求項３】
前記取得手段は、走行環境として前記自車両及び前記他の走行体が存在する走路の形状を取得し、
前記ベクトル算出手段は、前記自車両の状況として、さらに自車両の進行方向の所定距離先の走路の曲率半径を含み、前記他の走行体の状況として、さらに他の走行体の進行方向の所定距離先の走路の曲率半径を含んだ前記自車両ベクトル及び前記走行体ベクトルを算出する
請求項２記載の運転支援装置。
【請求項４】
前記ベクトル算出手段は、前記自車両周辺に存在する他の走行体が複数存在する場合には、所定個の他の走行体を選択し、前記自車両の現在の状況及び該自車両を基準とした選択された他の走行体の各々の状況を示す自車両ベクトルを算出すると共に、選択された他の走行体の各々について、前記選択された他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況及びその他の選択された他の走行体の各々の状況を示す走行体ベクトルを算出する請求項１〜請求項３のいずれか１項記載の運転支援装置。
【請求項５】
前記ベクトル算出手段は、前記自車両と前記選択された他の走行体の各々との距離が近い順に前記自車両ベクトル及び前記走行体ベクトルの要素とする請求項４記載の運転支援装置。
【請求項６】
前記自車両変化モデルを、前記自車両ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定め、前記走行体変化モデルを、前記走行体ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定めた請求項１〜請求項５のいずれか１項記載の運転支援装置。
【請求項７】
前記予測手段は、前記所定時間後の自車両の行動状態の変化別の割合を予測すると共に、前記所定時間後の他の走行体の行動状態の変化別の割合を予測し、
前記判定手段は、自車両の行動状態の変化と他の走行体の行動状態の変化との組合せの各々について前記相対距離を推定し、前記相対距離が予め定めた閾値距離より小さくなる組合せの前記自車両の行動状態の変化別の割合と前記他の走行体の行動状態の変化別の割合とを乗算した発生割合に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する
請求項６記載の運転支援装置。
【請求項８】
前記行動状態の変化を、加速、等速、及び減速とした請求項１〜請求項７のいずれか１項記載の運転支援装置。
【請求項９】
前記取得手段で取得された自車両の走行状態及び走行環境の履歴に基づいて、前記所定時間後の自車両の行動状態の変化、及び前記所定時間後の他の走行体の行動状態の変化を算出する変化算出手段と、
前記ベクトル算出手段により算出された前記自車両ベクトルと前記変化算出手段により算出された前記所定時間後の自車両の行動状態の変化との対応に基づいて、前記自車両変化モデルを更新すると共に、前記ベクトル算出手段により算出された前記走行体ベクトルと前記変化算出手段により算出された前記所定時間後の他の走行体の行動状態の変化との対応に基づいて、前記走行体変化モデルを更新する更新手段と、
を含む請求項１〜請求項８のいずれか１項記載の運転支援装置。
【請求項１０】
前記他の走行体は、他車両、二輪車両、自転車、及び歩行者を含む請求項１〜請求項９のいずれか１項記載の運転支援装置。
【請求項１１】
コンピュータを、
自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段、
前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段、
前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段、及び
前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段
として機能させるための運転支援プログラム。
【請求項１２】
コンピュータを、請求項１〜請求項１０のいずれか１項記載の運転支援装置を構成する各手段として機能させるための運転支援プログラム。
【請求項１】
自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段と、
前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段と、
前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段と、
前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段と、
を含む運転支援装置。
【請求項２】
前記ベクトル算出手段は、前記自車両の状況として、少なくとも自車両の位置、速度、加速度、及び向きを含み、前記他の走行体の状況として、少なくとも他の走行体の位置、速度、及び向きを含んだ前記自車両ベクトル及び前記走行体ベクトルを算出する請求項１記載の運転支援装置。
【請求項３】
前記取得手段は、走行環境として前記自車両及び前記他の走行体が存在する走路の形状を取得し、
前記ベクトル算出手段は、前記自車両の状況として、さらに自車両の進行方向の所定距離先の走路の曲率半径を含み、前記他の走行体の状況として、さらに他の走行体の進行方向の所定距離先の走路の曲率半径を含んだ前記自車両ベクトル及び前記走行体ベクトルを算出する
請求項２記載の運転支援装置。
【請求項４】
前記ベクトル算出手段は、前記自車両周辺に存在する他の走行体が複数存在する場合には、所定個の他の走行体を選択し、前記自車両の現在の状況及び該自車両を基準とした選択された他の走行体の各々の状況を示す自車両ベクトルを算出すると共に、選択された他の走行体の各々について、前記選択された他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況及びその他の選択された他の走行体の各々の状況を示す走行体ベクトルを算出する請求項１〜請求項３のいずれか１項記載の運転支援装置。
【請求項５】
前記ベクトル算出手段は、前記自車両と前記選択された他の走行体の各々との距離が近い順に前記自車両ベクトル及び前記走行体ベクトルの要素とする請求項４記載の運転支援装置。
【請求項６】
前記自車両変化モデルを、前記自車両ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定め、前記走行体変化モデルを、前記走行体ベクトルが投影されるベクトル空間を複数に区分した各々の領域内での行動状態の変化別の割合で定めた請求項１〜請求項５のいずれか１項記載の運転支援装置。
【請求項７】
前記予測手段は、前記所定時間後の自車両の行動状態の変化別の割合を予測すると共に、前記所定時間後の他の走行体の行動状態の変化別の割合を予測し、
前記判定手段は、自車両の行動状態の変化と他の走行体の行動状態の変化との組合せの各々について前記相対距離を推定し、前記相対距離が予め定めた閾値距離より小さくなる組合せの前記自車両の行動状態の変化別の割合と前記他の走行体の行動状態の変化別の割合とを乗算した発生割合に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する
請求項６記載の運転支援装置。
【請求項８】
前記行動状態の変化を、加速、等速、及び減速とした請求項１〜請求項７のいずれか１項記載の運転支援装置。
【請求項９】
前記取得手段で取得された自車両の走行状態及び走行環境の履歴に基づいて、前記所定時間後の自車両の行動状態の変化、及び前記所定時間後の他の走行体の行動状態の変化を算出する変化算出手段と、
前記ベクトル算出手段により算出された前記自車両ベクトルと前記変化算出手段により算出された前記所定時間後の自車両の行動状態の変化との対応に基づいて、前記自車両変化モデルを更新すると共に、前記ベクトル算出手段により算出された前記走行体ベクトルと前記変化算出手段により算出された前記所定時間後の他の走行体の行動状態の変化との対応に基づいて、前記走行体変化モデルを更新する更新手段と、
を含む請求項１〜請求項８のいずれか１項記載の運転支援装置。
【請求項１０】
前記他の走行体は、他車両、二輪車両、自転車、及び歩行者を含む請求項１〜請求項９のいずれか１項記載の運転支援装置。
【請求項１１】
コンピュータを、
自車両の走行状態及び自車両周辺に存在する他の走行体の走行状態を含む走行環境を取得する取得手段、
前記取得手段により取得された自車両の走行状態及び走行環境に基づいて、前記自車両の現在の状況及び該自車両を基準とした他の走行体の状況を示す自車両ベクトルを算出すると共に、前記他の走行体の現在の状況及び該他の走行体を基準とした自車両の状況を示す走行体ベクトルを算出するベクトル算出手段、
前記ベクトル算出手段により算出された自車両ベクトルと、複数の学習用自車両ベクトルの各々と所定時間後の自車両の行動状態の変化とを対応させた自車両変化モデルとに基づいて、前記所定時間後の自車両の行動状態の変化を予測すると共に、前記ベクトル算出手段により算出された走行体ベクトルと、複数の学習用走行体ベクトルの各々と前記所定時間後の他の走行体の行動状態の変化とを対応させた走行体変化モデルとに基づいて、前記所定時間後の他の走行体の行動状態の変化を予測する予測手段、及び
前記取得手段により取得された前記自車両の走行状態及び走行環境、並びに前記予測手段により予測された前記所定時間後の自車両の行動状態の変化及び前記所定時間後の他の走行体の行動状態の変化に基づいて、前記所定時間経過以降の前記自車両と前記他の走行体との相対距離を推定し、推定した前記相対距離に基づいて、前記自車両と前記他の走行体との衝突の可能性を判定する判定手段
として機能させるための運転支援プログラム。
【請求項１２】
コンピュータを、請求項１〜請求項１０のいずれか１項記載の運転支援装置を構成する各手段として機能させるための運転支援プログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【公開番号】特開２０１１−１９１８９４（Ｐ２０１１−１９１８９４Ａ）
【公開日】平成２３年９月２９日（２０１１．９．２９）
【国際特許分類】
【出願番号】特願２０１０−５６０３１（Ｐ２０１０−５６０３１）
【出願日】平成２２年３月１２日（２０１０．３．１２）
【出願人】（０００００３６０９）株式会社豊田中央研究所 (4,200)
【Ｆターム（参考）】
【公開日】平成２３年９月２９日（２０１１．９．２９）
【国際特許分類】
【出願日】平成２２年３月１２日（２０１０．３．１２）
【出願人】（０００００３６０９）株式会社豊田中央研究所 (4,200)
【Ｆターム（参考）】
[ Back to top ]