CN102598083A - 驾驶辅助装置 - Google Patents

Abstract

本发明涉及一种驾驶辅助装置，驾驶辅助装置(10)的ECU(20)对于至少一种以上的规范行动候选，来预测本车(100)按照所述规范行动候选所涉及的驾驶行动而行驶时的、本车(100)周围的障碍物与本车(100)相接触的风险，其中，规范行动候选为，相对于本车周围的状况的、本车(100)的规范的驾驶行动的候选。因此，能够提供将本车(100)周围的障碍物与本车(100)相接触的风险纳入考虑的规范行动候选。

Description

驾驶辅助装置

技术领域

本发明涉及一种驾驶辅助装置，特别是涉及一种实施成为用于本车行驶的规范的驾驶辅助的驾驶辅助装置。

背景技术

以往，提出了一种提供如下信息的装置，所述信息成为用于本车行驶于路径上的规范。例如，专利文献1中公开了，用于对车辆周围的行驶环境和车辆自身的状态进行综合判断，从而进行最适合车辆驾驶员的驾驶辅助的装置。在该装置中，对车辆所处的驾驶环境进行检测，并对车辆的状态进行检测。根据所检测出的行驶环境和车辆状态来推断车辆的驾驶状态。此外，对成为对应于行驶环境的行驶规范的、车辆的驾驶理想模型进行计算。而且，对推断驾驶状态从驾驶理想模型的偏差的有无进行运算，并通过在发生了偏差的情况下驱动作动器，从而进行车辆的驾驶辅助。在该装置中，根据交通规则和道德而算出驾驶理想模型。

在先技术文献

专利文献

专利文献1：日本特开2005-202512号公报

发明内容

发明所要解决的课题

但是，无论成为哪种规范的模型，仍可能存在本车周围的障碍物与本车相接触的风险。因此，为了提高安全，而期望进行考虑到该风险的驾驶辅助。

本发明为考虑到这种实际情况而完成的发明，其目的在于，提供一种能够进行驾驶辅助的驾驶辅助装置，所述驾驶辅助成为，将本车周围的障碍物与本车相接触的风险纳入考虑的、用于车辆行驶的规范。

用于解决课题的方法

本发明为一种驾驶辅助装置，具备：风险预测单元，其对于至少一种以上的规范行动候选，来预测本车按照规范行动候选所涉及的驾驶行动而行驶时的、本车周围的障碍物与本车相接触的风险，其中，所述规范行动候选为，相对于本车周围的状况的、本车的规范的驾驶行动的候选。

根据该结构，由于风险预测单元对于至少一种以上的规范行动候选，来预测本车按照规范行动候选所涉及的驾驶行动而行驶时的、本车周围的障碍物与本车相接触的风险，其中，所述规范行动候选为，相对于本车周围的状况的、本车的规范的驾驶行动的候选，因此，能够提供将本车周围的障碍物与本车相接触的风险纳入考虑的规范行动候选。

此外，本发明为一种驾驶辅助装置，具备：风险预测单元，其对于至少一种以上的规范行动候选，来预测本车按照所述规范行动候选所涉及的驾驶行动来行驶时的、本车周围的障碍物与本车相接触的风险，其中，规范行动候选为，相对于所述本车周围的状况的、本车的规范的驾驶行动的候选；移动效率取得单元，其取得本车根据规范行动候选所涉及的驾驶行动而行驶时的移动效率。

根据该结构，由于风险预测单元对于至少一种以上的规范行动候选，来预测本车按照规范行动候选所涉及的驾驶行动来行驶时的、本车周围的障碍物与本车相接触的风险，其中，所述规范行动候选为，相对于所述本车周围的状况的、本车的规范的驾驶行动的候选，并且，移动效率取得单元取得本车根据规范行动候选所涉及的驾驶行动而行驶时的移动效率，因此，能够提供将本车周围的障碍物与本车相接触的风险、和移动效率纳入考虑的规范行动候选。

此时，优选为，风险预测单元根据障碍物信息、和从数据库取得的信息，来识别障碍物，并对障碍物与本车相接触的风险进行预测，障碍物信息为，对于本车周围的障碍物而取得的信息，数据库分级地存储有如下信息中的某一种信息，即：更宏观地与障碍物信息相关联的信息、以及更微观地与障碍物信息相关联的信息。

根据该结构，风险预测单元根据障碍物信息、和从数据库取得的信息，来识别障碍物，并对障碍物与本车相接触的风险进行预测，障碍物信息为，对于本车周围的障碍物而取得的信息，数据库分级地存储有如下信息中的某一种信息，即：更宏观地与障碍物信息相关联的信息、以及更微观地与障碍物信息相关联的信息。因此，即使对于障碍物而取得的障碍物信息是有限的，也能够从所获得的信息的范围内得到更宏观或更微观的信息，从而能够实现更有益的障碍物的识别。

此外，优选为，风险预测单元对于使本车的被预测目的地与障碍物中的某一个障碍物的被预测目的地相同的路径，而预测出最常规的路径即通常路径、和与通常路径不同的路径即非常规路径，并对障碍物与本车相接触的风险进行预测。

根据该结构，由于风险预测单元对于使本车的被预测目的地与障碍物中的某一个障碍物的被预测目的地相同的路径，而预测出最常规的路径即通常路径、和与通常路径不同的路径即非常规路径，并对障碍物与本车相接触的风险进行预测，因此，能够将多条路径纳入考虑从而使预测风险的精度提高。

此时，优选为，风险预测单元对于障碍物的被预测路径，而预测出能够直接识别的障碍物的路径即显现路径、和虽然不能直接识别但预想到会存在的障碍物的路径即潜在路径，并对障碍物与所述本车相接触的风险进行预测。

根据该结构，由于风险预测单元对于障碍物的被预测路径，而预测出能够直接识别的障碍物的路径即显现路径、和虽然不能直接识别但预想到会存在的障碍物的路径即潜在路径，并对障碍物与所述本车相接触的风险进行预测，因此，对于与潜在的障碍物相关的风险也能够进行预测，从而能够使所预测的风险的可靠性提高。

此外，优选为，风险预测单元根据在本车的被预测路径上以及障碍物的被预测路径上的、本车以及所述障碍物存在的概率的概率分布，从而对障碍物与本车相接触的风险进行预测。

根据该结构，由于风险预测单元根据在本车的被预测路径上以及障碍物的被预测路径上的、本车以及所述障碍物存在的概率的概率分布，从而对障碍物与本车相接触的风险进行预测，因此，与例如跨越道路的全部区域而对本车以及障碍物存在的概率进行计算的方法相比，能够通过较少的计算量而对障碍物与本车相接触的风险进行预测。

此时，优选为，风险预测单元根据在以本车的被预测路径上以及障碍物的被预测路径上的位置和速度为坐标轴的空间内的、本车以及障碍物存在的概率的概率分布，从而对障碍物与本车相接触的风险进行预测。

根据该结构，由于风险预测单元根据在以本车的被预测路径上以及障碍物的被预测路径上的位置和速度为坐标轴的空间内的、本车以及障碍物存在的概率的概率分布，从而对障碍物与本车相接触的风险进行预测，因此，能够通过较少的计算量而对障碍物与本车相接触的风险进行预测。

此外，优选为，风险预测单元在本车根据规范行动候选所涉及的驾驶行动来行驶时，对短期风险和长期风险分别进行预测，其中，短期风险为，从当前起经过预定时间时的、障碍物与本车相接触的风险；长期风险为，经过与预定时间相比更长的时间后的、障碍物与本车相接触的风险。

根据该结构，由于风险预测单元在本车根据规范行动候选所涉及的驾驶行动来行驶时，对短期风险和长期风险分别进行预测，因此能够对于行动规范候选而从短期观点和长期观点，更多方面地对障碍物与本车相接触的风险进行预测，其中，短期风险为，从当前起经过预定时间时的、障碍物与本车相接触的风险；长期风险为，经过与预定时间相比更长的时间后的、障碍物与本车相接触的风险。

此时，优选为，风险预测单元在短期风险大于预定的阈值时，中止对本车根据该规范行动候选所涉及的驾驶行动来行驶时的、长期风险的预测。

根据该结构，由于在短期风险大于预定的阈值，且该规范行动候选所涉及的驾驶行动的风险在短期内极高时，该规范行动候选的妥当性较低，从而对之后的长期风险进行预测的必要性较低，因此，风险预测单元能够通过中止长期风险的预测，从而降低不必要的计算量。

发明效果

根据本发明的驾驶辅助装置，能够提供将本车周围的障碍物与本车相接触的风险纳入考虑的规范行动候选。

附图说明

图1为表示实施方式所涉及的驾驶辅助装置的结构的框图。

图2为表示实施方式所涉及的驾驶辅助装置的动作的概要的流程图。

图3为表示多尺度识别的概念的图。

图4为表示路线设定中的默认路线和适应路线的俯视图。

图5表示路线设定中的显现路线和潜在路线的俯视图。

图6表示本车以及其他车辆的行动预测的动作的详细情况的流程图。

图7表示行动目的的预测中所使用的说明变量和目的变量之间的关系的表。

图8表示行动预测中的物体的位置和速度在空间上的存在概率的分布的图。

图9为表示在风险预测中假设的状况的俯视图。

图10为表示本车以及其他车辆的速度曲线的图表。

图11为表示假设的交叉路口的各部分的限制速度的俯视图。

图12为表示交叉路口通过时的速度曲线的图表。

图13为表示从本车的前端部分驶过交叉点上到本车的车尾部分通过交叉点的情形的俯视图。

图14为表示当前时刻的其他车辆的存在概率的分布的图表。

图15为表示时刻0和时刻t时的其他车辆的存在概率的分布的图表。

图16为表示时刻t时的其他车辆的存在概率的分布的图表。

图17为表示对图16的图表关于速度而进行了积分的、相对于其他车辆的位置的存在概率的分布的图表。

图18为表示跨越通过时刻的、相对于其他车辆的位置的存在概率的分布的图表。

图19为表示使反射判断和长期判断组合后的风险预测以及规范行动判断的步骤的图。

图20为表示在规范行动的风险预测以及规范行动判断中所假设的状况的俯视图。

图21为表示图20的状况下的规范行动候选的速度曲线的图表。

图22为表示图21中规范行动候选中的每个时间的风险预测值的图表。

图23为表示在图20的状况下本车停止时的情况的俯视图。

图24为表示图23的状况下的规范行动候选的速度曲线的图表。

图25为表示图24的规范行动候选中的每个时间的风险预测值的图表。

图26为表示每个行动规范行动候选的速度曲线的图表。

图27为表示对于行人以及自行车等进行风险预测时的状况的俯视图。

图28为表示对各个交叉点到达时刻处的风险值进行了判断的每个时刻的表。

图29为表示本车与其他车辆以及自行车的交叉点的俯视图。

图30为表示规范行动候选1的速度曲线的图表。

图31为表示规范行动候选2的速度曲线的图表。

图32为表示规范行动候选3的速度曲线的图表。

符号说明

10驾驶辅助装置

11车速传感器

12雷达传感器

13摄像机传感器

14导航系统

15方向指示器传感器

16转向角传感器

17路车间通信机

18驾驶员认证部

20ECU

31作动器类

32显示装置

100本车

200其他车辆

250潜在物体

260自行车

280行人

具体实施方式

以下，参照附图对本发明的实施方式所涉及的驾驶辅助装置进行说明。本实施方式的驾驶辅助装置被搭载于车辆上，是用于为本车的司机提供成为如下规范的规范行动的装置，所述规范为，用于以较低的风险且较高的移动效率而行驶过路径的规范。如图1所示，本实施方式的驾驶辅助装置10具备：车速传感器11、雷达传感器12、摄像机传感器13、导航系统14、方向指示器传感器15、转向角传感器16、路车间通信机17、驾驶员认证部18、ECU20、作动器类31以及显示装置32。

车速传感器11为，用于根据本车的车轴的旋转速度而检测出本车的速度的传感器。

雷达传感器12为，例如通过向本车前方照射毫米波，从而对本车前方的其他的汽车、摩托车、自行车以及行人等的障碍物进行识别的构件。此外，雷达传感器12为，用于对被固定在道路上的障碍物、或道路的线形、曲率半径、坡度等的道路形状进行识别的构件。

摄像机传感器13为，用于对本车前方进行摄像，并通过图案识别等而对本车前方的其他的汽车、摩托车、自行车以及行人等障碍物进行识别的构件。此外，摄像机传感器13为，用于通过图案识别等，从而对被固定在道路上的障碍物、或道路的线形、曲率半径、坡度等道路形状进行识别的构件。

导航系统14为，用于根据由GPS(全球定位系统，Global PositioningSystem)实施的本车的定位和数据库内的地图信息，而取得本车行驶的道路的线形、曲率半径、坡度等的与道路形状相关的信息的系统。导航系统14还被用于，根据驾驶员输入的目的地或与路径相关的信息，从而对本车的路径进行推断。

方向指示器传感器15为，用于对本车的方向指示器(方向指示灯)的指示方向进行检测的构件。方向指示器传感器15被用于推断本车的路径。转向角传感器16为，用于对本车的转向角进行检测的传感器。转向角传感器16被用于推断本车的路径。

路车间通信机17为，用于从光信标发射机等路侧的设施取得本车前方的道路的线形、曲率半径、坡度等与道路形状相关的信息的构件。此外，路车间通信机17为，用于接收与由路侧的传感器检测到的其他车辆、行人等障碍物相关的信息的构件。而且，路车间通信机17还被用于，取得本车行驶的道路的交通量、交通阻塞、事故、交通管制等的与道路的状态相关的信息。

驾驶员认证部18为，用于对驾驶本车的驾驶员进行认证的构件。驾驶员认证部18通过由驾驶员设定的密码等的输入、识别卡等的插入、或者对驾驶员的指纹、视网膜、虹膜等进行识别的生物认证等，从而对驾驶员进行认证。

ECU(Electronic Control Unit)20根据由车速传感器11等得到的信息，对于几种规范行动候选，来预测本车周围的障碍物与本车相接触的风险、和本车按照该规范行动候选所涉及的驾驶行动来行驶时的移动效率，其中，所述规范行动候选为，相对于本车周围的状况的、本车的规范的驾驶行动候选。

作动器类31为，根据ECU20计算出的规范行动候选或者选自规范行动候选的规范行动，通过驾驶员的驾驶操作，从而驱动本车的制动器或加速器的制动器作动器或加速器作动器。此外，作动器类31也可以为，例如对驾驶员的加速操作施加反作用力的作动器。

显示装置32为，对驾驶员显示图像的显示器、对驾驶员进行声音引导的扬声器、或对驾驶员提供警报的蜂鸣器。显示装置32为，用于对驾驶员提示基于ECU20所计算出的规范行动候选的信息的构件。

以下，对本实施方式的驾驶辅助装置10的动作进行说明。首先，对驾驶辅助装置10的动作的概要进行说明。如图2所示，本实施方式的驾驶辅助装置10对于本车周围的其他车辆等的障碍物，实施通过多尺度识别而进行的环境辨认(S1)。多尺度识别在事故模式的分析中，从微观地着眼至细节的范畴、到宏观地把握全体的范畴，从而分级地将用于避免事故的着眼点的范畴多层化，由此从适合本车所处状况的范畴中识别并选择能够成为风险预测的对象的障碍物。

驾驶辅助装置10对基于路线设定的规范行动候选进行选择(S2)。本车路线(路径)以及其他车辆的路线的设定为，预先假设多条各个车辆的路线，并对该其他车辆等的可移动物进行加权而分配在路线上，然后对于每0.5秒等的短周期内的观测结果而灵活运用多尺度识别，从而更新分配的权重。在该阶段，不需要将路线缩减到一条。此外，关于路线的设定，对能够直接识别的障碍物的路径即显现路线、和虽然不能直接识别但预想到会存在的障碍物的路径即潜在路线这两种路线进行设定。

驾驶辅助装置10对本车以及其他车辆等的障碍物的行动进行预测(S3)。在该行动预测中，根据由传感器等所获得的信息，从而推断在以路线上的位置x、速度v为坐标的(x，v)空间上本车以及其他车辆等存在的概率分布，通过使该概率分布在按照时间而发生变化，从而预测本车以及其他车辆等的未来的位置。

驾驶辅助装置10进行规范行动候选组的风险预测(S4)。在风险预测中，计算出本车的路线与其他车辆等的可移动物的路线的交叉点(交叉路口)，并计算出在交叉点处的接触的风险。此时，对于可能潜在地存在于可移动物的死角上的可移动物，也计算出潜在的接触风险。驾驶辅助装置10对于规范行动候选组分别进行短期风险预测和长期风险预测，从而计算出各自的风险。

驾驶辅助装置10从规范行动候选中选择性地决定风险为最小、且移动效率为最大的规范行动(S5)。此时的规范行动的决定，根据每个驾驶员的驾驶行动的倾向来进行决定。

驾驶辅助装置10对于本车以及其他车辆等可移动物的行动预测的实际结果，再次对风险进行计算(S6)。当本车以及其他车辆等的实际的路线大幅偏离所预测的路线时，以外推方式而实时地生成路线，并计算出本车以及其他车辆等的交叉点处的风险。

驾驶辅助装置10检测出规范行动与实际的驾驶行动之间的差，并使用作动器类31和显示装置32而进行驾驶辅助(S7)。

以下，对重要的工序进行详细叙述。首先，对多尺度识别(S1)进行说明。如图3所示，在ECU20内或本车外部的数据库中，关于例如进入四岔路交叉路口的状况，考虑用于防止典型性事故的概念的大小，并作为技术信息而被保持。

在此，例如，假设在通过雷达传感器12、摄像机传感器13或者路车间通信机17而接收到的、与路侧的传感器所检测到的物体相关的信息中，某些“腿”能够作为信息Inf0而被识别。此时，驾驶辅助装置10的ECU20能够从微观的观点出发，从图3的数据库提取“SHIFT”、“HOG”、“Haar”这种与特征量相关的信息。此外，驾驶辅助装置10的ECU20能够从宏观的观点出发，从图3的数据库提取“人/自行车”这种与对象物是什么相关的信息。而且，也可以提取其他的等级的信息。

在本实施方式中，由于使用多尺度的概念的网络结构来尝试无遗漏地对引发典型性事故的对象进行检测，因此能够提高危险预测的精度。而且，能够通过使根据三岔路、直路等其他的交通状况而得到的多尺度识别复合，从而综合性地表现用于不引起事故的技术信息。通过上述方式，从而在多尺度识别中，能够在可取得的信息的范围内实现更为有用的识别。

接下来，对路线设定(S2)进行说明。在此，作为前提，假设能够通过雷达传感器12、摄像机传感器13、导航系统14以及路车间通信机17等而取得与道路形状相关的信息。在图4所示的交叉路口处的状况下，驾驶辅助装置10的ECU20假设了默认路线P_DE，所述默认路线P_DE为，道路上没有障碍物的情况下的、理想状态下的本车100以及其他车辆200的左转右转、直行的路线。此外，驾驶辅助装置10的ECU20附带于默认路线P_DE而假设了路线的变形、即适应路线P_AD。在此，路线考虑了车辆的运动学并预先部分地(分段地)进行了准备，ECU20通过即时处理而将这些路线相联系。在本实施方式中，通过使路线多数化，从而能够提高对于本车以及其他车辆等的风险预测的精度。

此外，在本实施方式中，如图5所示，ECU20对处于视野Si内而能够直接识别的其他车辆200的路线即显现路线P_OV、和虽然隐藏在其他车辆200的阴影中而无法直接识别但预想到会存在的摩托车等的潜在物体250的路线即潜在路线P_LA进行预测。在本实施方式中，通过预测潜在路线P_LA，从而能够进行对于如下物体的风险预测，所述物体为，通过多尺度识别而假设的潜在地存在的物体。

另外，在以上的路线设定中，可以预先将对应于道路形状或交通状沉的路线储存在数据库中，并配合本车行驶时所处的状况而提取这些路线。此外，也可以即时地配合道路形状或交通状况而导出路线。

以下，作为行动预测的前提，对于阶段性地对本车以及其他车辆等在如何假设的哪条路线上移动来进行预测的方法进行说明。ECU20对所假设的路线能否使用进行判断(S31)。即，ECU20对本车以及其他车辆是否正在进行大幅偏离原假设路线的移动进行判断。ECU20按照时间序列而对本车以及其他车辆等的实际路线与最近的假设的路线之间的距离进行观测，在观测时间的区间内，当假设的路线与实际的路线之间的距离达到某阈值以上的时间持续了一定值以上的时间时，判断该假设的路线无法使用，从而沿着本车以及其他车辆等的实际的移动而以外推的方式生成路线。

接下来，ECU20进行行动目的的预测(S32)。在如图7所示的ECU20内或本车外部的数据库中，以相互对应的方式而存储有，表示本车或其他车辆等的行动的条件的说明变量、和路线的加权中所使用的目的变量。ECU20将说明变量与实际的本车以及其他车辆等的行动相一致的情况作为条件，而对目的变量进行判断。但是，对于转向角或方位角，将模拟值作为左转右转以及直行的三个离散值来进行判断。

ECU20根据行动目的的预测而提高路线的选择精度(S31)。ECU20按照每个行动目的的预测的结果，以多个准备好的路线作为目的变量，通过bagging算法、提升(boosting)算法、随机森林算法等的集团学习法或核方法等，来决定将本车以及其他车辆等的行动分配给哪条路线比较好。

以下，对行动预测(S3)以及风险预测(S4)进行说明。在本实施方式中，作为基本的想法，假设物体在假设的路线上移动，在以路线上的位置和速度作为坐标轴的空间上，通过联合概率密度函数而使物体的存在模型化。在模型化后的概率密度函数的各个位置、速度中假设等加速度运动，从而预测未来的路线上的位置。以下，列举具体的示例进行说明。

如图8所示，假定物体Xi(1)～Xi(n)在路线Ci(t)上移动。在此，n表示物体的数量，t表示时间。以使路线的刻度成为等间隔的方式，来选择路线Ci的时间参数。当以某物体Xi(k)在时刻t＝0时的路线Ci(t)上的位置为原点时(以下，省略附标k)，时刻t时的物体的位置xi可以通过下式(1)来进行计算。

式1

$\mathrm{xi}={\∫}_0^t\left|\right|\mathrm{dCi}/\mathrm{dt}\left|\right|\mathrm{dt}...\left(1\right)$

上式(1)中的范数由测量来进行定义。在某时刻t的路线Ci(t)上的位置和速度的空间上，物体Xi的信息以函数Pt(x，v)的方式而分布。在位置和速度的信息中，由于包含各种误差，因此将它们作为分布模型来进行表现。此时的状况如图8所示。

由于假设物体作等加速度运动，因此当在时刻t＝0时设为(x0，v0)时，则在时刻t时成为(x₀+v₀·t+α·t²/2，v₀+α·t)。在此，α表示加速度(常数)。因此，在该坐标变换中面积被保存。将与v坐标相关并对函数Pt(x，v)进行了纤维积分(Fiber integral)的曲线定义为Qt (x)。函数Qt(x)表示时刻t上的物体的存在概率。即，成为0≤Qt(x)≤1。

物体Xi在时刻t上存在于交叉点处的概率，在将xc设为交叉点的位置时能够通过下式(2)来进行计算。另外，在下式(2)中，δ为点突函数(delta函数)。

式2

$p\left(t\right)={\∫}_{x=-\∞}^{x=+\∞}\mathrm{Qt}\left(x\right)\mathrm{\δ}(x-\mathrm{xc})\mathrm{dx}=\mathrm{Qt}\left(\mathrm{xc}\right)...\left(2\right)$

当跨越本车通过交叉点的时间[t₁，t₂]而对上式(2)的p(t)进行积分时，相对于其他车辆等物体的、位置xc处的风险R能够通过下式(3)来进行计算。此时，时刻t₁为本车的车头到达交叉点的时刻，时刻t₂为本车的后端通过交叉点的时刻。

式3

$R={\∫}_{t=t1}^{t=t2}p\left(t\right)\mathrm{dt}...\left(3\right)$

此外，ECU20即使对于可能潜在地存在于可移动物的死角处的可移动物，也关于上述的潜在路线P_LA进行相同的处理，从而也计算出潜在的风险。通过以上的处理，由于在路线上的交叉点处计算了风险，因此与跨越道路的全部区域来计算存在概率这样的方法不同，能够将风险计算的花费抑制于较小程度，从而能够实现即时的处理。

以下，还示出了在具体的道路的状况下，实际通过上述方法来计算风险，并根据行动候选的模型而进行了驾驶的结果。在图9所示的道路的状况下，本车100与其他车辆200相接触的风险的计算方法如下所示。如图9所示，本车100位于从交叉点cp离开了x₀[m]的位置上，且具有v₀[m/s]的速度。此外，本车100的全长为d₀[m]

其他车辆200位于从交叉点cp离开了x₁[m]的位置上，具有平均v₁[m/s]、且在宽度dv的[v₁-0.5dv，v₁+0.5dv]之间均匀地分布的这种速度分布。设定速度分布的积分值为1。此外，其他车辆100的全长为d₁[m]。本车100的加速度和溅速度使用通过模型参数而被提供的值，分别设为a_a0，a_a0。其他车辆的加速度设为a₁，不考虑误差。

在风险的计算中，遵循以下的4个步骤。

(1)生成本车100以及其他车辆200的速度曲线

(2)计算出从本车100开始通过交叉点cp起、到通过结束为止的时间(通过时间)

(3)计算出其他车辆200的位置分布

(4)以通过时间而对其他车辆200位于交叉点cp的概率进行积分，从而计算出风险值。

首先，生成本车100以及其他车辆200的速度曲线。速度曲线为，将本车100以及其他车辆200的运动速度作为时刻的函数来进行表示的曲线。图10中示出了速度曲线的示例。对于本车100，根据行动的选项，以作为模型参数而指定的加速度a_a0或者溅速度a_d0来进行加速减速，在遵守道路的限制速度的同时，求出能够在应停止位置停止的速度变化，从而将该速度变化作为速度曲线。作为所生成的速度曲线的示例，将在图11所示的具有限制速度的道路上，沿着图中的路线而进行运动的情况示于图12中。

如图12所示，作为加速度，使用了能够在5秒内从0km/h加速至60km/h的加速度。作为溅速度，使用了能够在5秒内从60km/h减速至0km/h的溅速度。此外，将路线上的位置0m处的速度、即初速度设为40km/h。对于其他车辆200，使加速度设为其他车辆200所具有的值a₁，且生成不考虑道路的法定速度而进行运动的速度曲线并进行使用。

物体的运动能够根据速度曲线而完美地进行计算。物体在时刻t时的位置x(t)，只要从时刻t＝0起到时刻t为止对速度曲线进行积分即可。即，将时刻T时的速度设为v(T)，并通过下式(4)而进行求取。

式4

$x\left(t\right)={\∫}_{T=0}^{t}v\left(T\right)\mathrm{dt}...\left(4\right)$

时刻t时的速度为，时刻t时的速度曲线的值v(t)。此外，物体到达位置X的时刻，只要对下式(5)这种与t相关的方程式求解即可。

式5

$X={\∫}_{T=0}^{t}v\left(T\right)\mathrm{dt}...\left(5\right)$

在该示例的模型中，由于速度不允许为负值，因此位置相对于时刻而单调地增加，因而下式(5)的方程式一定具有一个解，从而能够简单地求解。

以下，对计算本车100从开始通过交叉点cp起到通过结束为止的通过时间的方法进行说明。通过时间为，从本车100的车头部分驶过交叉点cp起、到本车100的车尾部分通过交叉点cp为止的时间。图13中图示了本车100通过交叉点cp时的情形。本车100的车头部分驶过交叉点cp的时刻和本车100的车尾部分通过交叉点cp的时刻能够根据速度曲线而来计算。

以下，对计算其他车辆200的位置分布的方法进行说明。对某个时刻的其他车辆200的位置分布进行计算。在时刻t＝0(设为当前时刻)时，其他车辆200如图14所示而分布于位置/速度空间。当根据其他车辆200的速度曲线(等加速度运动)而使图14的分布进行时间发展时，速度越快则越在先前进，从而成为图15所示的分布。如图15所示，虽然时刻t处的分布变化为与时刻t＝0处的分布不同的形状，但是仍为等加速度运动(图15为加速度0的示例)，由于设定加速度不存在误差，因此在任意的时刻，其他车辆200的分布必定呈平行四边形形状。

当对图15所示的分布关于速度而进行积分时，能够得到时刻t处的其他车辆200的位置分布。即，当将时刻t处的位置/速度空间内的其他车辆200的分布设为Pt(x，v)时，时刻t处的其他车辆的位置分布Qt(x)通过下式(6)而进行表示，所述下式(6)对图16所示的时刻t处的分布利用速度而进行了积分。

式6

$\mathrm{Qt}\left(x\right)={\∫}_{v0-0.5\mathrm{dv}}^{v0+0.5\mathrm{dv}}\mathrm{Pt}(x,v)\mathrm{dv}...\left(6\right)$

由于图16所示的速度/位置空间的分布呈平行四边形形状，因此位置分布如图17所示必定呈梯形。该积分能够根据位置/速度空间的分布的几何学性质而简单地实施。

以下，对以通过时间而对其他车辆200位于交叉点cp的概率进行积分，从而计算出风险值的方法进行说明。这相当于，在本车100驶过交叉点cp的期间，对其他车辆200存在于交叉点cp的概率进行积分的情况。将本车100的交叉点cp的通过时间设为[t₁，t₂]。在t₁处本车100的车头部分驶过交叉点cp，在t₂处本车100的车尾通过交叉点cp。在图18中图示了，经过上述的通过时间的其他车辆200的位置分布的积分的示意图。在图中粗线所示的通过时间[t₁，t₂]内对存在概率进行积分。该积分使用数值积分法来进行计算。

以下，对本实施方式的风险预测(S4)和规范行动决定(S5)进一步进行详细说明。作为基本的想法，在本实施方式中，考虑人的驾驶行动的模式，并准备与其相同的选项，从而选择风险在可允许的范围内、且移动效率良好的规范行动。如图19所示，在本实施方式中，在进行较短时间的反射性风险回避(反射性判断)的同时，对于在深思熟虑了较长时间的基础上的风险回避(过度诠释判断)进行了风险预测。在图19的示例中，假设满足规范行动的决定标准的解为例如4秒以内的过去或4秒以内的未来，从而对风险进行预测。即，在本实施方式中，实现了关于预测时间的多尺度化。

如图19所示，在反射性判断中，灵活运用了过去1秒的信息。如图中所示，例如每隔0.5秒而对本车100周围的障碍物进行识别，从而检测出可视对象。例如进行限定至1秒后的未来的短期预测，从而计算出短期风险。在此，当短期风险大于阈值时进入程序R3，从而设定短期的行动计划，并再次进行车速等的短期行动的短期风险的计算。

另一方面，当短期风险小于阈值时，进入程序R1，从而再次每隔0.5秒而进行短期风险的计算。此时，同时执行程序R2，而进行过度诠释判断。如图中所示，进行2～4秒后的风险计算即2～4秒风险计算、和2～4秒间的行动计划即2～4秒间行动计划的设定。在这些2～4秒间行动计划中，选择并执行移动效率最大、且风险最小的行动计划。例如，对在交叉路口中央近前处暂时停止然后进行右转、或者不暂时停止而进行右转等的行动计划进行选择。在执行程序R3时，由于短期风险较高，因此不执行程序R1以及程序R2。与短期的行动计划相同，被选择的行动计划再次进行车速等的短期行动的短期风险的计算。这些行动计划每隔0.5秒而被随时更新，从而总是采用最新的计划。

以上述方式，在本实施方式中，1秒间的短期风险计算和2～4秒间风险计算，相对于多个规范行动而以并列的方式被处理。对于2～4秒间行动计划，通过选择移动效率最大、且风险最小的行动计划，从而决定最合适的行动计划。另外，灵活运用上述的过去几秒间的信息来计算到几秒后为止的风险，是根据驾驶员的驾驶倾向而决定的，也可以决定适合驾驶员个人的规范行动。

在本实施方式中，作为基本的想法，对于本车100的每个行动目的而准备本车100的多个规范行动的选项，从而按照移动效率最大、且风险最小这样的标准来选择规范行动。其结果是，决定了规范车速等的规范行动。

如图20所示，假设本车100相对于作为相向车的其他车辆200进行右转的情形。如图21所示，由于在作为行动选项的规范行动1中没有进行暂时停止，因此如图22所示，风险预测值较高，而移动效率较高。另一方面，如图23和图24的规范行动2所示，在本车100在右转中进行了暂时停止的情况下，如图25所示，风险预测值较低，但移动效率较低。

作为交叉路口右转行动的选项的主要类型，可以列举以下四种。

(1)在交叉路口前临时停止(由于信号、临时停止线等的限制)

(2)在交叉路口中央附近停止(由于相向车的存在)

(3)在右转目标道路近前处停止(由于右转目标存在行人等)

(4)不停止而进行右转

在上述的交叉路口右转行动的状沉中，规范行动1属于上述的(4)的分类，规范行动2属于上述的(2)的分类。在如上述(1)～(4)这样的大分类中，存在多个的行动选项的变形。例如，作为与作为行动选项的规范行动1不同的选项，如图26所示，具有行动选项1+α。如此，在本实施方式中，在所假设的行动选项的大分类中，在行动选项的大分类中以及大分类之间，选择性地决定风险较低且移动效率最高的行动。例如，在图26中，如果行动选项1和行动选项1+α的所预测的风险相同，则也会由于行动选项1的移动效率更好，因此选择行动选项1。

而且，对于其他车辆200，虽然除例外的情况以外大幅偏离假设的路线的情况较少，但如图27所示，对于自行车260或行人280，则存在如图中的虚线所示，在从图中的实线所示的假设路线大幅偏离的路线上移动的可能性。对于这种虚线所示的行动，可以通过每隔某单位时间而使用过去的信息进行预测的方式来求出。具体而言，通过简单的运动的一次近似模型或时序分析中的状态空间模型等而进行预测，从而对设想外的交叉点cp1，cp2也进行风险预测。

与本车100与其他车辆200等的接触可能性相关的风险预测为，如图28所示，对各种交叉点cp1～cp(n)的到达时刻的风险值分别进行预测。图中虚线部所示的部分成为，该时刻处的CP(交叉点)向量。

根据当前时间点的CP向量而计算出图29所示的各个交叉点cp1等处的风险值的和，并选择风险为最小的规范行动候选。例如，在图30～32所示的规范行动候选1～3中，选择风险值R为0的规范行动候选2。如果存在某固定的风险允许值界限以下的规范候选，则根据到达目标地点为止的移动效率来决定规范驾驶。例如，如果将风险允许值界限设定为0.4以下，则在图30～32中，选择风险值R为0.3和0.4以下、且移动效率高于规范行动候选2的规范行动候选1。

另外，在上述的示例中，过去，虽然根据过去1个周期前(例如，0.5秒前)的车速等数据而预测了其他车辆200等的位置和速度，但也可以使用过去几秒的数据。例如，过去几秒的数据的数据个数为如下情况。

(1)使用过去4秒间的数据预测车的位置和速度(数据个数为8)

(2)使用过去3秒间的数据预测车的位置和速度(数据个数为6)

(3)使用过去2秒间的数据预测车的位置和速度(数据个数为4)

(4)使用过去1秒间的数据预测车的位置和速度(数据个数为2)

(5)使用过去0.5秒间的数据预测车的位置和速度(数据个数为1)

通过观测过去的数据，从而作为其他车辆200等和本车100的行动预测精度的评价标准，将预测稳定性作为标准。例如，在预测结果根据观测时间而大幅变化的情况下，由于根据过去的较长时间而得到的预测稳定性较低且可靠性较低，因此使用过去1秒间等的较短时间的观测结果来进行预测。另一方面，在预测结果不根据观测时间而大幅变化的情况下，由于预测稳定性较高，因此通过使用长于过去1秒的时间的观测结果，从而进行抗干扰较强的预测。

根据本实施方式，驾驶辅助装置10的ECU20对于至少一种以上的规范行动候选，来预测本车100按照规范行动候选所涉及的驾驶行动而行驶时的、本车100周围的障碍物与本车100相接触的风险，其中，规范行动候选为，相对于本车周围的状况的、本车100的规范的驾驶行动的候选。因此，能够提供将本车100周围的障碍物与本车100相接触的风险纳入考虑的规范行动候选。

此外，根据本实施方式，由于驾驶辅助装置10的ECU20对于至少一种以上的规范行动候选，来预测本车100按照规范行动候选所涉及的驾驶行动而行驶时的、本车100周围的障碍物与本车100相接触的风险，并取得本车100根据规范行动候选所涉及的驾驶行动而行驶时的移动效率，其中，规范行动候选为，相对于本车周围的状况的、本车100的规范的驾驶行动的候选，因此，能够提供将本车100周围的障碍物与本车100相接触的风险、和移动效率纳入考虑的规范行动候选。

此外，ECU20根据对于本车100周围的障碍物而取得的信息、和从数据库取得的信息，从而通过多尺度识别来识别障碍物，并对障碍物与本车100相接触的风险进行预测，数据库分级地存储有如下信息中的某一种信息，即：更宏观地与障碍物信息相关联的信息、以及更微观地与障碍物信息相关联的信息。因此，即使关于障碍物而取得的障碍物信息是有限的，也能够从所取得的信息的范围内得到更宏观或更微观的信息，从而能够实现更有益的障碍物的识别。

此外，由于ECU20对于使本车100的被预测目的地与障碍物中的某一个障碍物的被预测目的地相同的路线，而预测出最常规的路径即默认路线P_DE、和与常规路径不同的路径即适应路线P_AD，并对障碍物与本车100相接触的风险进行预测，因此能够将多条路径纳入考虑从而提高预测风险的精度。

此外，由于ECU20对于障碍物的被预测路径，而预测出能够直接识别的障碍物的路径即显现路线P_OV、和虽然不能直接识别但预想到会存在的障碍物的路径即潜在路线P_LA，并对障碍物与本车100相接触的风险进行预测，因此还能够预测与潜在的障碍物相关的风险，从而能够使所预测的风险的可靠性提高。

此外，由于ECU20根据在本车100的被预测路径上以及障碍物的被预测路径上的、本车100以及障碍物存在的概率的概率分布，从而对障碍物与本车100相接触的风险进行预测，因此，与例如跨越道路整个区域而对本车100以及障碍物存在的概率进行计算的方法相比，能够通过较少的计算量而对障碍物与本车100相接触的风险进行预测。

特别是，由于ECU20根据在以本车100的被预测路径上以及障碍物的被预测路径上的位置和速度为坐标轴的空间内的、本车100以及障碍物存在的概率的概率分布，从而对障碍物与本车100相接触的风险进行预测，因此能够通过较少的计算量而对障碍物与本车100相接触的风险进行预测。

而且，由于ECU20在本车100根据规范行动候选所涉及的驾驶行动来行驶时，对短期风险和长期的2～4秒间风险分别进行预测，因此能够对于行动规范候选而从短期视观点和长期观点，更多方面地对障碍物与本车100相接触的风险进行预测，其中，短期风险为，从当前起经过预定时间时的、障碍物与本车100相接触的风险；长期风险为，经过与预定时间相比更长的时间后的、障碍物与本车100相接触的风险。

此外，由于在短期风险的风险值大于预定的阈值，且该规范行动候选所涉及的驾驶行动的风险在短期内极高时，该规范行动候选的妥当性较低，对之后的长期风险进行预测的必要性较低，因此ECU20能够通过中止长期风险的预测，从而降低不必要的计算量。

以上，对本发明的实施方式进行了说明，但本发明并不限于上述实施方式，而能够实施各种变形。

产业上的可利用性

根据本发明的驾驶辅助装置，能够提供将本车周围的障碍物与本车相接触的风险纳入考虑的规范行动候选。

Claims (9)

1.一种驾驶辅助装置，具备：

风险预测单元，其对于至少一种以上的规范行动候选，来预测本车按照所述规范行动候选所涉及的驾驶行动而行驶时的、所述本车周围的障碍物与所述本车相接触的风险，其中，所述规范行动候选为，相对于所述本车周围的状况的、所述本车的规范的驾驶行动的候选。

2.一种驾驶辅助装置，具备：

风险预测单元，其对于至少一种以上的规范行动候选，来预测本车按照所述规范行动候选所涉及的驾驶行动来行驶时的、所述本车周围的障碍物与所述本车相接触的风险，其中，所述规范行动候选为，相对于所述本车周围的状况的、所述本车的规范的驾驶行动的候选；

移动效率取得单元，其取得所述本车根据所述规范行动候选所涉及的驾驶行动而行驶时的移动效率。

3.如权利要求1或2所述的驾驶辅助装置，其中，

所述风险预测单元根据障碍物信息、和从数据库取得的信息，来识别所述障碍物，并对所述障碍物与所述本车相接触的风险进行预测，所述障碍物信息为，对于所述本车周围的所述障碍物而取得的信息，所述数据库分级地存储有如下信息中的某一种信息，即：更宏观地与所述障碍物信息相关联的信息、以及更微观地与所述障碍物信息相关联的信息。

4.如权利要求1至3中任意一项所述的驾驶辅助装置，其中，

所述风险预测单元对于使所述本车的被预测目的地与所述障碍物中的某一个障碍物的被预测目的地相同的路径，而预测出最常规的路径即通常路径、和与所述通常路径不同的路径即非常规路径，并对所述障碍物与所述本车相接触的风险进行预测。

5.如权利要求1至4中任意一项所述的驾驶辅助装置，其中，

所述风险预测单元对于所述障碍物的被预测路径，而预测出能够直接识别的障碍物的路径即显现路径、和虽然不能直接识别但预想到会存在的障碍物的路径即潜在路径，并对所述障碍物与所述本车相接触的风险进行预测。

6.如权利要求1至5中任意一项所述的驾驶辅助装置，其中，

所述风险预测单元根据在所述本车的被预测路径上以及所述障碍物的被预测路径上的、所述本车以及所述障碍物存在的概率的概率分布，从而对所述障碍物与所述本车相接触的风险进行预测。

7.如权利要求6所述的驾驶辅助装置，其中，

所述风险预测单元根据在以所述本车的被预测路径上以及所述障碍物的被预测路径上的位置和速度为坐标轴的空间内的、所述本车以及所述障碍物存在的概率的概率分布，从而对所述障碍物与所述本车相接触的风险进行预测。

8.如权利要求1至7中任意一项所述的驾驶辅助装置，其中，

所述风险预测单元在所述本车根据所述规范行动候选所涉及的驾驶行动来行驶时，对短期风险和长期风险分别进行预测，其中，所述短期风险为，从当前起经过预定时间时的、所述障碍物与所述本车相接触的风险；所述长期风险为，经过与所述预定时间相比更长的时间后的、所述障碍物与所述本车相接触的风险。

9.如权利要求8所述的驾驶辅助装置，其中，

所述风险预测单元在所述短期风险大于预定的阈值时，中止对所述本车根据该规范行动候选所涉及的驾驶行动来行驶时的、所述长期风险的预测。

Images