CN103250196A - 可移动物的目标状态确定装置以及程序 - Google Patents

Abstract

本发明提供一种可移动物的目标状态确定装置以及程序，其通过环境运动检测部（40），而对本车辆的车速进行检测，且对周围的可移动物进行检测。通过碰撞概率预测部（41），而对本车辆与所检测出的周围的可移动物之间的将来的碰撞概率进行预测。通过移动规范学习部（44），而根据关于规范的移动而求出的、驶入速度、碰撞概率、以及经过其他可移动物的侧方时的侧方通过速度，对驶入速度和碰撞概率以及侧方通过速度之间的关系进行学习。通过轨迹特征点生成部（48），而根据移动规范学习部（44）的学习结果，对相对于所检测出的驶入速度以及所预测出的碰撞概率的、经过周围的可移动物的侧方时的成为规范的侧方通过速度进行确定。由此，能够高精度地对成为规范的可移动物状态进行确定。

Description

可移动物的目标状态确定装置以及程序

技术领域

本发明涉及一种可移动物的目标状态确定装置以及程序，尤其涉及对目标的可移动物状态进行确定的可移动物的目标状态确定装置以及程序。

背景技术

一直以来，已知一种如下的驾驶辅助装置，即，将驾驶员的驾驶倾向参数化，并在行驶过程中与乘客的驾驶倾向参数进行比较，并向驾驶员进行提示以使驾驶行动接近乘客，从而引入对于乘客而言较为舒适的驾驶状态（日本特开2007－148917号公报）。在该驾驶辅助装置中，目的在于，根据传感器信息而对捕捉了驾驶员的驾驶操作的特征的参数进行推断，并通过提示推断值从而促进驾驶员的行动改变。

此外，已知一种如下的安全驾驶辅助装置，即，将驾驶移动体的驾驶员的状态通过驾驶操作来表现，并根据对外部环境进行检测而提取出的特征量来识别环境风险，且使概率状态转移模型对两者的对应进行学习（日本特开2009－262702号公报）。该安全驾驶辅助装置为，向学习后的概率转移模型输入当前的驾驶操作和外部环境的特征量。而且，安全驾驶辅助装置在尽管环境风险较高，但驾驶操作处于将风险估计为较低这样的状态时，判断为处于危险，从而生成驾驶辅助。

发明内容

发明所要解决的课题

但是，在上述的日本特开2007－148917号公报所记载的技术中，存在如下问题，即，推断值并不是车辆将来应当描绘的轨迹上的特征点，而是乘客（其他人）过去所采取的行动的统计量，从而是与时时刻刻的碰撞可能性无关地进行提示。

此外，在上述的日本特开2009－262702号公报所记载的技术中，着眼于对与通常驾驶时的脱离进行判断的情况。虽然环境风险被定量化，但是驾驶操作的特征量为对驾驶员的内部状态进行反映的参数，与车辆运行情况没有关系。因此，存在如下问题，即，在移动规范未被设定的条件下，时刻输出应该处于何种状态的情况是较为困难的。

本发明是为了解决上述的问题点而完成的，其目的在于，提供一种能够高精度地对作为目标的可移动物状态进行确定的可移动物的目标状态确定装置以及程序。

用于解决课题的方法

为了实现上述的目的，本发明的第一方式所涉及的可移动物的目标状态确定装置被构成为，包括：检测部，其对作为确定对象的可移动物的位置、姿态状态、或作为运动状态的可移动物状态进行检测，且对所述作为确定对象的可移动物的周围的可移动物进行检测；碰撞预测部，其根据由所述检测部所检测出的所述可移动物状态，而对所述作为确定对象的可移动物与所检测出的所述周围的可移动物之间的将来的碰撞概率进行预测；确定部，其根据预先设定的、所述可移动物状态和所述碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、所述作为目标的可移动物状态进行确定。

此外，本发明的第二方式所涉及的程序用于使计算机作为碰撞预测部以及确定部而发挥功能，所述碰撞预测部根据由如下的检测部所检测出的可移动物状态，而对作为确定对象的可移动物、与所检测出的周围的可移动物之间的将来的碰撞概率进行预测，其中，所述检测部对作为确定对象的可移动物的位置、姿态状态、或作为运动状态的可移动物状态进行检测，且对所述作为确定对象的可移动物的周围的可移动物进行检测，所述确定部根据预先设定的、所述可移动物状态和所述碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、所述作为目标的可移动物状态进行确定。

根据本发明的第一方式以及第二方式，通过检测部，而对作为确定对象的可移动物的位置、姿态状态、或作为运动状态的可移动物状态进行检测，且对作为确定对象的可移动物的周围的可移动物进行检测。通过碰撞预测部，而根据由检测部所检测出的可移动物状态，对作为确定对象的可移动物与所检测出的周围的可移动物之间的将来的碰撞概率进行预测。

而且，通过确定部，而根据预先设定的、可移动物状态和碰撞概率以及作为目标的可移动物状态之间的关系，对相对于由检测部所检测出的可移动物状态以及由碰撞预测部所预测出的碰撞概率的、作为目标的可移动物状态进行确定。

如此，通过根据预先设定的、可移动物状态和碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于所检测出的可移动物状态以及所预测出的碰撞概率的、作为目标的可移动物状态进行确定，从而能够高精度地对成为目标的可移动物状态进行确定。

本发明的第三方式所涉及的可移动物的目标状态确定装置可以采用如下方式，即，还包括驾驶辅助部，所述驾驶辅助部根据由确定部所确定的成为目标的可移动物状态、与由检测部所检测出的可移动物状态之间的差分，而实施驾驶辅助。

本发明的第四方式所涉及的可移动物的目标状态确定装置可以采用如下方式，即，还包括生成部，所述生成部根据由确定部所确定的作为目标的可移动物状态，而生成到成为作为目标的可移动物状态为止的、可移动物状态的时间序列数据，驾驶辅助部根据由生成部所生成的可移动物状态的时间序列数据、与由检测部所检测出的可移动物状态之间的差分，而实施驾驶辅助。

本发明的第五方式所涉及的可移动物的目标状态确定装置可以采用如下方式，即，还包括：生成部，其根据由确定部所确定的作为目标的可移动物状态，而生成到成为作为目标的可移动物状态为止的、可移动物状态的时间序列数据；状态预测部，其根据由检测部所检测出的可移动物状态，而对到成为作为目标的可移动物状态为止的、作为确定对象的可移动物的可移动物状态的时间序列数据进行预测，驾驶辅助部根据由生成部所生成的所述可移动物状态的时间序列数据、与由状态预测部所预测出的可移动物状态的时间序列数据之间的差分，而实施驾驶辅助。

本发明的第六方式所涉及的确定部可以采用如下方式，即，根据如下的可移动物状态和碰撞概率以及经过其他可移动物的侧方、前方或后方时的所述可移动物状态之间的关系，而将相对于由检测部所检测出的可移动物状态以及由碰撞预测部所预测出的碰撞概率的、经过周围的可移动物的侧方、前方或后方时的成为规范的可移动物状态，确定为作为目标的可移动物状态，其中，可移动物状态和碰撞概率以及经过其他可移动物的侧方、前方或后方时的可移动物状态之间的所述关系，是根据针对如下情况而求出的可移动物状态、碰撞概率、以及经过其他可移动物的侧方、前方或后方时的可移动物状态而预先设定的，所述情况为，关于可移动物的规范的移动而对与其他可移动物之间的将来的碰撞概率进行预测的情况。

本发明的第七方式所涉及的可移动物的目标状态确定装置可以采用如下方式，即，还包括：学习数据生成部，其将关于作为确定对象的可移动物的规范的移动，而由碰撞预测部所预测出的碰撞概率、在预测该碰撞概率时由检测部所检测出的可移动物状态、以及在经过其他可移动物的侧方、前方或后方时由检测部所检测出的可移动物状态，作为学习数据而生成多个；移动规范学习部，其根据由学习数据生成部所生成的多个学习数据，而对作为确定对象的可移动物的规范的移动中的、可移动物状态和碰撞概率以及经过其他可移动物的侧方、前方或后方时的可移动物状态之间的关系进行学习，确定部根据由移动规范学习部所学习的学习结果，而将相对于由检测部所检测出的可移动物状态以及由碰撞预测部所预测出的碰撞概率的、经过周围的可移动物的侧方、前方或后方时的成为规范的可移动物状态确定为，作为目标的可移动物状态。

发明效果

如以上说明，根据本发明的可移动物的目标状态确定装置以及程序可得到如下的效果，即，通过根据预先设定的、可移动物状态和碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于所检测出的可移动物状态以及所预测出的所述碰撞概率的、作为目标的可移动物状态进行确定，从而能够高精度地对成为目标的可移动物状态进行确定。

附图说明

图1为表示本发明的第一实施方式所涉及的驾驶辅助装置的框图。

图2为表示作为学习数据，而取得驶入速度以及侧方间隔的状态的示意图。

图3为表示学习数据的示例的图。

图4为表示侧方间隔与侧方通过速度之间的关系的曲线图。

图5为表示侧方间隔与非碰撞概率之间的关系的曲线图。

图6为表示碰撞概率与侧方通过速度之间的关系的曲线图。

图7为表示针对于每个驶入速度的、存储了回归系数的表格的图。

图8为表示生成显示成为规范的侧方通过速度的特征点的状态的图。

图9A为表示车辆的位置的变化的曲线图。

图9B为表示车辆的速度的变化的曲线图。

图9C为表示车辆的加速度的变化的曲线图。

图9D为表示加加速度（Jerk）的变化的曲线图。

图10为表示所生成的速度轨迹与所检测出的速度之间的差分的图。

图11为表示本发明的第一实施方式所涉及的驾驶辅助装置的驾驶辅助部的结构的框图。

图12为表示本发明的第一实施方式所涉及的驾驶辅助装置的驾驶辅助处理程序的内容的流程图。

图13为表示神经网络的图。

图14为表示本发明的第三实施方式所涉及的驾驶辅助装置的框图。

图15为表示所生成的特征点、与从所检测出的速度的时间序列数据中提取出的特征点之间的差分的图。

图16为表示本发明的第三实施方式所涉及的驾驶辅助装置的驾驶辅助处理程序的内容的流程图。

图17为表示从所检测出的速度的时间序列数据中提取出了多个特征点的状态的图。

图18为表示本发明的第四实施方式所涉及的驾驶辅助装置的框图。

图19为表示所生成的速度轨迹、与所预测出的速度的时间序列数据之间的差分的图。

图20为表示本发明的第四实施方式所涉及的驾驶辅助装置的驾驶辅助处理程序的内容的流程图。

图21为表示所生成的转向角轨迹与所检测出的转向角之间的差分、以及所生成的速度轨迹与所检测出的速度之间的差分的图。

图22为表示所生成的特征点、与从所检测出的速度的时间序列数据中提取出的特征点之间的差分的图。

图23为表示所生成的转向角轨迹与所检测出的转向角之间的差分的图、以及所生成的速度轨迹与所检测出的速度之间的差分的图。

具体实施方式

以下，参照附图对本发明的实施方式进行详细说明。另外，在本实施方式中，以将本发明应用于被搭载在车辆上的驾驶辅助装置的情况为例而进行说明。

如图1所示，第一实施方式所涉及的驾驶辅助装置10具备：激光雷达12，其向本车辆的前方以一维方式（水平方向）一边进行扫描一边进行照射，并通过激光的反射而对被激光所照射到的物体的二维位置进行检测；运动传感器14，其对本车辆的运动状态进行检测；摄相机18，其对本车辆的前方进行拍摄；GPS装置20，其对本车辆的位置进行检测；计算机22，其根据这些部件的检测结果，而对与成为规范的车速之间的差分进行检测，并且实施驾驶辅助。

此外，激光雷达12为，被设置于车辆前方，并对以装置为基准的、到存在于车辆前方的物体为止的距离进行检测的装置。激光雷达12通过使所输出的激光在水平方向上进行扫描，从而能够通过激光的反射而对存在于本车辆前方的多个物体表面上的多个点的位置进行检测。通过激光雷达12而检测出的检测结果为，表示存在于本车辆前方的物体表面上的某个点的位置的二维坐标的集合。通过激光雷达12而进行的检测处理以固定周期被执行，激光雷达12将表示各个时间点的存在于本车辆前方的物体表面上的多个点的二维位置的数据向计算机22输出。

运动传感器14通过车速传感器、和陀螺传感器或加速度传感器构成，其中，所述车速传感器对本车辆的速度进行测量，陀螺传感器对横摆率进行测量，加速度传感器对本车辆的加速度进行测量。

摄相机18通过小型的CCD（Charge Coupled Device：电荷耦合元件）摄相机或CMOS（Complementary Metal Oxide Semiconductor：互补金属氧化物半导体）摄相机构成，且被安装在车辆的前窗上部等处，以对车辆的前方进行拍摄。由摄相机18所拍摄到的前方的道路状况等图像数据被输入至计算机22。

计算机22被构成为，包括CPU、ROM、RAM以及对CPU、ROM以及RAM进行连接的总线，其中，所述ROM存储有用于执行后述的驾驶辅助处理程序的程序，所述RAM对数据等进行存储。用按照基于硬件和软件而确定的每个功能实现单元而进行分割的功能块来对该计算机22进行说明。如图1所示，计算机22具备：地图数据库38，其存储有电子地图；环境运动检测部40，其根据由激光雷达12所检测出的物体的二维位置、由运动传感器14所检测出的车速、横摆率或加速度、由摄相机18所拍摄到的前方图像、所存储的电子地图、以及由GPS装置20所检测出的本车辆的位置，而对本车辆的运动状态、本车辆周围的可移动物、本车辆周围的可移动物的状态、以及行驶环境的状况进行检测；碰撞概率预测部41，其根据由环境运动检测部40所检测出的检测结果，而对本车辆与本车辆周围的可移动物之间的将来的碰撞概率进行预测；学习数据生成部42，其根据由环境运动检测部40所检测出的检测结果以及所述碰撞概率预测部41的预测结果，而生成学习数据；移动规范学习部44，其根据学习数据，而对表示移动规范的数据进行学习；移动规范存储部46，其对由移动规范学习部44所学习的学习结果进行存储。

在被存储于地图数据库38中的电子地图中，存储有与道路形状、标识表示、建筑物有关的信息。

环境运动检测部40根据由运动传感器14所检测出的检测结果，而取得本车辆的车速、加速度或者横摆率，以作为本车辆的运动状态。此外，环境运动检测部40基于由GPS装置20所检测出的本车辆位置，而根据地图数据库38的电子地图，对与本车辆周围的可驶入区域（车道、人行道、人行横道等）、标识表示（信号、临时停止等）、建筑物有关的信息进行检测。

此外，环境运动检测部40进行如下定义，即，在与激光反射点相比靠传感器侧的区域内不存在物体，且反射点的纵深侧为死角，环境运动检测部40根据激光雷达12的测量数据，而指定从本车辆观察时的由静止物体所形成的死角区域。

此外，环境运动检测部40根据由摄相机18所拍摄到的前方图像以及激光雷达12的测量数据，而通过学习型的图案识别技术（例如，SVM（Support VectorMachines：支持向量机）），对存在于前方的可移动物的位置、大小、可移动物的种类（例如，行人、二轮车、汽车等）、姿态状态（方向、步态等）、以及运动状态（速度、横摆率、加速度等）进行检测。另外，环境运动检测部40通过取得激光雷达12的测量数据的时间差分，从而对移动物和静止物体进行识别。此外，环境运动检测部40还对隐藏在所确定的死角区域内的可移动物的种类以及可移动物的运动状态进行检测。

碰撞概率预测部41生成包含本车辆的周围的地图，并且根据由环境运动检测部40所检测出的本车辆的速度，而将本车辆的位置分布以及速度分布配置在地图上。碰撞概率预测部41根据由环境运动检测部40所检测出的本车辆周围的可移动物的位置以及本车辆周围的可移动物的速度，而将周围可移动物的位置分布以及速度分布配置在地图上。

此外，碰撞概率预测部41在该地图中，对于包括本车辆在内的各个可移动物，根据速度分布，来实施位置分布的线性预测，并实施预先定义的一个距离之后的时刻的将来预测。

碰撞概率预测部41将上文所述的将来分布的预测，反复执行预先设定的预测时间，并且根据所预测出的本车辆的位置分布与周围可移动物的位置分布之间的重叠，而对本车辆与周围可移动物之间的碰撞概率进行计算。

学习数据生成部42在成为规范的驾驶员（例如，熟练驾驶员）进行驾驶时，如图2所示，根据由环境运动检测部40所检测出的检测结果，而取得本车辆的车速，以作为经过周围可移动物的侧方之前（例如，距侧方通过地点还有100m）的驶入速度。学习数据生成部42根据由环境运动检测部40所检测出的检测结果，而取得本车辆的车速，以作为经过周围可移动物的侧方时的侧方通过速度。此外，学习数据生成部42根据由环境运动检测部40所检测出的检测结果，而取得本车辆的位置以及周围可移动物的位置，并且对本车辆的位置与周围可移动物的位置的横向上的距离进行计算，以作为侧方间隔。此外，学习数据生成部42在经过周围可移动物的侧方之前取得由碰撞概率预测部41所预测出的碰撞概率。如图3所示，学习数据生成部42生成多个如上文所述那样而获得的、由驶入速度、侧方间隔、碰撞概率以及侧方通过速度构成的学习数据。

此处，侧方间隔和侧方通过速度可得到如图4所示那样的关系。例如，当将驶入速度设定为60km/h时，侧方间隔越宽则侧方通过速度越增高。此外，侧方间隔、和行人随机地移动时的非碰撞概率，可得到如图5所示那样的关系。例如，当将驶入速度设定为60km/h时，侧方间隔越宽则非碰撞概率越增高。此外，行人的位置的分散越大，则非碰撞概率越降低。

移动规范学习部44根据所生成的多个学习数据，而对作为移动规范的、驶入速度、碰撞概率以及侧方通过速度之间的关系进行学习。如图6所示，针对每个驶入速度，而学习表示碰撞概率p与侧方通过速度v之间的关系的一元线性回归v＝α×p＋β。作为学习结果，得到如图7所示那样的、针对每个驶入速度而存储了一元线性回归的一元系数α和截矩β的表格。

移动规范存储部46对作为学习结果而得到的如下的表格进行存储，所述表格为，针对每个驶入速度，而存储了一元线性回归的一元系数α和截矩β。

计算机22还具备：轨迹特征点生成部48，其根据所预测出的碰撞概率和本车辆的驶入速度，而利用被存储于移动规范存储部46中的表格，对成为移动规范的侧方通过速度进行确定，并生成速度轨迹的特征点；速度轨迹生成部50，其根据速度轨迹的特征点，而生成表示从当前的状态到经过周围可移动物的侧方为止的、成为规范的运动状态的时间序列数据的速度轨迹；轨迹差分检测部52，其对所生成的速度轨迹、与由环境运动检测部40所检测出的本车辆的运动状态中的各个状态之间的差分进行检测；驾驶辅助部54，其根据所生成的速度轨迹、以及所检测出的速度轨迹之间的差分，而实施驾驶干预控制，从而实施驾驶辅助。另外，轨迹特征点生成部48为确定部的一个示例，速度轨迹生成部50为生成部的一个示例。

轨迹特征点生成部48根据被存储于移动规范存储部46中的表格，而取得与所检测出的本车辆的驶入速度最接近的驶入速度相对应的、一元线性回归的回归系数（一元系数α和截矩β）。轨迹特征点生成部48根据应用了所取得的回归系数的一元线性回归，而对与所预测出的碰撞概率相对应的侧方通过速度进行计算，并且，如图8所示，生成表示所计算出的侧方通过速度的特征点。

速度轨迹生成部50生成对在经过周围可移动物的侧方之前所检测出的运动状态（驶入速度）、与所生成的特征点（侧方通过速度）进行连接的平滑的轨迹。例如，根据以下的（1）式，而生成加速度的微分（参照图9D）的总和成为最小的轨迹，即，加加速度（Jerk）最小轨迹（n＝4）（参照图10）。

【数学式1】

$\hat{x}\left(t\right)=\underset{x\left(t\right)}{\arg \min }H\left(x\left(t\right)\right)$

subject to:x(t_p)＝x_p，x(t_f)＝x_f    ...(1)

但是，

$H\left(x\left(t\right)\right)=\frac{1}{2}\underset{t_i}{\overset{t_f}{\∫}}{\left(\frac{d^{n}x}{{\mathrm{dt}}^n}\right)}^2\mathrm{dt}$

此外，t_i为开始时刻，t_f为终端时刻，t_p为经由点通过时刻，x为位置，x_p为经由点位置，x_f为终端点位置。

轨迹差分检测部52在每次检测出本车辆的车速时，如图10所示那样，均对表示所生成的车速的变化的速度轨迹、与所检测出的本车辆的车速中的每一个车速之间的差分进行检测。

驾驶辅助部54根据所检测出的差分，而以使差分减少的方式，实施对本车辆的加减速或转向进行控制的驾驶干预控制。

如图11所示，驾驶辅助部54具备：前馈控制器60，其将自速度轨迹生成部50的输出（速度轨迹）作为输入，而输出控制量（例如，节气门开度）；反馈控制器62，其将自轨迹差分检测部52的输出（与速度轨迹之间的差分）作为输入，而输出控制量（节气门开度）；加法器64，其对由前馈控制器60以及反馈控制器62输出的控制量（节气门开度）进行加法运算；紧急避险判断机构66；乘法器68，其对由加法器64输出的控制量（节气门开度）以及紧急避险判断机构66的输出（节气门开度的紧急时指令值）进行乘法运算，从而计算实际的控制量（节气门开度）。

紧急避险判断机构66在驾驶员通过自己的判断而进行了紧急操作以躲避危险时、或者在减轻碰撞时所受到的伤害的紧急避险装置（图示省略）进行了工作时，将紧急时指令值向乘法器68输出。由此，通过自己的判断而实施的紧急操作、或由紧急避险装置的工作而实施的控制被优先进行。

乘法器68将所计算出的实际的控制量（节气门开度的指令值）向驾驶干预控制的控制对象（例如，发动机）输出。

接下来，对本实施方式所涉及的驾驶辅助装置10的作用进行说明。

首先，通过激光雷达12而使激光在水平方向上对本车辆的前方扫描，并测量到在扫描方向上排列的、作为激光照射位置的物体的二维位置中的每个位置为止的距离，从而检测出存在于本车辆的前方的物体的二维位置。由激光雷达12进行检测的二维位置在每次扫描激光时都能得到。

此外，通过运动传感器14而反复检测车速、以及横摆率或加速度。通过GPS装置20而反复测量本车辆的位置。此外，由摄相机18拍摄前方的图像。

在成为规范的驾驶员进行驾驶时，当指示学习处理开始时，计算机22取得由摄相机18拍摄的前方图像、由GPS装置20所检测出的本车辆位置、激光雷达12的测量数据、由运动传感器14所检测出的车速、横摆率或加速度。而且，计算机22根据在上述中所取得的前方图像、本车辆位置以及地图数据库38的电子地图，而对包括本车辆周围的行驶环境的状况进行检测。计算机22根据在上述中所取得的前方图像以及激光雷达12的测量结果，而对周围的可移动物以及可移动物的运动状态进行检测，并且对可移动物的种类以及静止物体进行识别。

而且，计算机22对所检测出的周围的可移动物与本车辆之间的将来的碰撞概率进行预测。

此外，计算机22将所预测出的将来的碰撞概率、在预测碰撞概率时所检测出的本车辆的车速（驶入速度）、在经过该周围的可移动物的侧方时所检测出的本车辆的车速（侧方通过速度），作为学习数据而进行收集。

接下来，计算机22根据所收集的多个学习数据，针对每个驶入速度，而对表示碰撞概率与侧方通过速度之间的关系的一元线性回归的一元系数α和截矩β进行学习，并且，作为学习结果而得到如下的表格，所述表格中针对每个驶入速度，而存储有一元系数α和截矩β。计算机22将所得到的表格存储于移动规范存储部46中。

而且，通过计算机22而执行图12所示的驾驶辅助处理程序。

首先，在步骤100中，计算机22取得由摄相机18所拍摄到的前方图像以及由GPS装置20所检测出的本车辆位置。接下来，在步骤102中，计算机22从激光雷达12取得表示存在于前方的物体的二维位置（到在扫描方向上排列的各个二维位置为止的测量距离）的数据。在步骤104中，计算机22取得由运动传感器14所检测出的车速、以及横摆率或加速度，以作为本车辆的运动状态。

而且，在步骤106中，计算机22根据在上述中所取得的前方图像、本车辆位置、以及地图数据库38的电子地图，而对本车辆周围的包括区分各种道路的区域以及道路属性在内的行驶环境的状况进行检测。在接下来的步骤108中，计算机22根据在上述中所取得的前方图像、以及激光雷达12的测量结果，而对周围的可移动物以及可移动物的运动状态进行检测，并对可移动物的种类以及静止物体进行识别。

而且，在步骤110中，计算机22生成包括本车辆位置和本车辆周围的地图，并将在上述步骤108中所检测出的周围的可移动物的位置分布以及速度分布配置在地图上。计算机22根据在上述步骤104中所检测出的运动状态，而将本车辆的位置分布以及速度分布配置在地图上。而且，计算机22根据周围的可移动物的位置分布以及速度分布、和本车辆的位置分布以及速度分布，而对将来的碰撞概率进行预测。

在接下来的步骤112中，计算机22对在上述步骤110中所预测出的碰撞概率是否在阈值以上进行判断，且当碰撞概率小于阈值时，判断为不需要驾驶辅助，并返回至上述步骤100。另一方面，当碰撞概率在阈值以上时，在步骤114中，计算机22取得与在上述步骤104中所检测出的本车辆的车速（驶入速度）相对应的、作为表示移动规范的参数的一元线性回归的一元系数α和截矩β。而且，在步骤116中，计算机22根据在上述步骤114中所取得的参数、和在上述步骤110中所预测出的碰撞概率，而对在经过周围的可移动物的侧方时的成为规范的侧方通过速度进行计算，并生成表示所计算出的侧方通过速度的特征点。

在步骤118中，计算机22生成如下的速度轨迹，即，平滑地连接在上述步骤104中所检测出的表示驶入速度的点和在上述步骤116中所生成的特征点的、表示速度的时间序列数据的速度轨迹。

在接下来的步骤120中，计算机22取得由运动传感器14所检测出的车速以作为本车辆的运动状态。在步骤122中，计算机22对所取得的车速、与在上述步骤118中所生成的速度轨迹之间的差分进行检测。

然后，在步骤124中，计算机22以减少在上述步骤122中所检测出的差分的方式实施驾驶干预控制，从而实施驾驶辅助。在接下来的步骤126中，计算机22对是否到达了速度轨迹的终端进行判断，例如，在未经过碰撞概率达到阈值以上的周围的可移动物的侧方时，判断为未到达速度轨迹的终端，并返回至上述步骤120。另一方面，在经过了碰撞概率达到阈值以上的周围的可移动物的侧方时，计算机22判断为到达了速度轨迹的终端，并返回至上述步骤100。

如以上所说明那样，第一实施方式所涉及的驾驶辅助装置，根据所学习的、针对每个驶入速度的将来的碰撞概率与经过其他可移动物的侧方时的侧方通过速度之间的一元线性回归，而对相对于所检测出的驶入速度以及所预测出的将来的碰撞概率的、成为规范的侧方通过速度进行确定。由此，驾驶辅助装置能够高精度地对成为规范的侧方通过速度进行确定。

此外，驾驶辅助装置通过对平滑地连接了所生成的特征点的速度轨迹、与实际的车速之间的差分进行检测，并实施如消除差分那样的反馈控制，从而能够实现以移动规范为基准的驾驶。

此外，驾驶辅助装置能够简化对移动规范进行学习的处理。例如，由于驾驶辅助装置将与行人的距离、行人的方向、行人的速度、行人与人行横道之间的距离等表示各种状况的信息，汇总到碰撞概率中，而对驶入速度以及侧方通过速度之间的关系进行学习，因此能够简化学习处理。

接下来，对第二实施方式所涉及的驾驶辅助装置进行说明。另外，由于第二实施方式所涉及的驾驶辅助装置成为与第一实施方式相同的结构，因此标记相同的符号，并省略其说明。

在第二实施方式中，对将驶入速度和碰撞概率作为输入，而输出侧方通过速度的神经网络进行学习这一点，与第一实施方式不同。

在第二实施方式中，通过移动规范学习部44，而根据所生成的多个学习数据，对作为移动规范的、表示驶入速度、碰撞概率、以及侧方通过速度之间的关系的神经网络进行学习。如图13所示，移动规范学习部44根据多个学习数据，而对以驶入速度和碰撞概率作为输入，输出侧方通过速度的神经网络的连接权重w₁₁、w₁₂、…、w₃₁进行学习。

移动规范存储部46对作为学习结果而得到的、神经网络的连接权重w₁₁、w₁₂、…、w₃₁进行存储。

轨迹特征点生成部48向应用了被存储于移动规范存储部46中的连接权重的神经网络，输入本车辆的驶入速度和所预测出的碰撞概率，从而计算侧方通过速度，并生成表示所计算出的侧方通过速度的特征点。

另外，由于第二实施方式所涉及的驾驶辅助装置的其他的结构以及作用与第一实施方式相同，因此省略其说明。

如以上说明的那样，第二实施方式所涉及的驾驶辅助装置根据所学习的、表示驶入速度和将来的碰撞概率以及经过其他可移动物的侧方时的侧方通过速度之间的关系的神经网络，而对相对于所检测出的驶入速度以及所预测出的将来的碰撞概率的、成为规范的侧方通过速度进行确定。由此，驾驶辅助装置能够高精度地对成为规范的侧方通过速度进行确定。

接下来，对第三实施方式所涉及的驾驶辅助装置进行说明。另外，对成为与第一实施方式相同的结构的部分，标记相同的符号，并省略其说明。

在第三实施方式中，对表示成为规范的侧方通过速度的特征点、与实际的车速之间的差分进行检测，并将差分提示给驾驶员这一点，与第一实施方式不同。

如图14所示，第三实施方式所涉及的驾驶辅助装置310的计算机322具备：地图数据库38；环境运动检测部40；碰撞概率预测部41；学习数据生成部42；移动规范学习部44；移动规范存储部46；轨迹特征点生成部48；特征点提取部350，其根据由环境运动检测部40所检测出的本车辆的运动状态的时间序列数据，而提取与由轨迹特征点生成部48所生成的特征点相对应的特征点；特征点差分检测部352，其对由轨迹特征点生成部48所生成的特征点与由特征点提取部350所提取的特征点之间的差分进行检测；驾驶辅助部354，其将所检测出的特征点的差分显示在显示装置324上，从而向驾驶员进行提示。

特征点提取部350对由环境运动检测部40所检测出的本车辆的车速进行存储，并积存至到达所生成的特征点中最远的特征点的附近为止，从而得到如图15所示那样的、本车辆的车速的时间序列数据。在本车辆经过了与所生成的特征点中最远的特征点相对应的位置之后，特征点提取部350根据本车辆的车速的时间序列数据，而提取与所生成的特征点相对应的特征点。

如上述图15所示，特征点差分检测部352对由轨迹特征点生成部48所生成的特征点和与由特征点提取部350所提取出的特征点之间的差分进行检测。

接下来，利用图16对第三实施方式所涉及的驾驶辅助处理程序进行说明。另外，对于与第一实施方式相同的处理，将标记相同的符号，并省略其详细说明。

首先，在步骤100中，计算机322取得由摄相机18所拍摄的前方图像以及由GPS装置20所检测出的本车辆位置。接下来，在步骤102中，计算机322从激光雷达12取得表示存在于前方的物体的二维位置（到在扫描方向上排列的各个二维位置为止的测量距离）的数据。在步骤104中，计算机322将由运动传感器14所检测出的车速、以及横摆率或加速度作为本车辆的运动状态而取得。

而且，在步骤106中，计算机322对本车辆周围的包含区分各种道路的区域以及道路属性在内的行驶环境的状况进行检测。在接下来的步骤108中，计算机322对周围的可移动物以及可移动物的运动状态进行检测，且对可移动物的种类以及静止物体进行识别。

而且，在步骤110中，计算机322根据周围的可移动物的位置分布以及速度分布、本车辆的位置分布以及速度分布，而对将来的碰撞概率进行预测。在接下来的步骤112中，计算机322对在上述步骤110中所预测出的碰撞概率是否在阈值以上进行判断，在碰撞概率小于阈值时，返回至上述步骤100。另一方面，在碰撞概率在阈值以上时，在步骤114中，计算机322取得与在上述步骤104中所检测出的本车辆的车速（驶入速度）相对应的、一元线性回归的一元系数α和截矩β。

而且，在步骤116中，计算机322对在经过周围的可移动物的侧方时的、成为规范的侧方通过速度进行计算，并生成表示所计算出的侧方通过速度的特征点。

在接下来的步骤368中，计算机322取得由运动传感器14所检测出的车速以作为本车辆的运动状态，并且取得由GPS装置20所检测出的本车辆位置。

而且，在步骤370中，计算机322根据在上述步骤368中所取得的本车辆位置，而对是否到达了在上述步骤116中所生成的最远的特征点附近进行判断。在本车辆位置未到达碰撞概率达到阈值以上的周围的可移动物的侧方时，计算机322返回至上述步骤368。另一方面，在本车辆位置到达了碰撞概率达到阈值以上的周围的可移动物的侧方时，计算机322判断为到达了最远的特征点付近，并进入步骤372。

在步骤372中，计算机322根据在上述步骤368中所取得的本车辆的车速的时间序列数据，而提取与在上述步骤116中所生成的特征点相对应的特征点。在步骤374中，计算机322对所提取出的特征点、与在上述步骤116中所生成的特征点之间的差分进行检测。

在步骤376中，计算机322将在上述步骤374中所检测出的差分事后性地显示在显示装置324上，从而向驾驶员进行提示，并且返回至上述步骤100。例如，计算机322提示应以速度○○km行驶等的信息。

另外，在上述步骤368中，在反复取得本车辆的车速的期间，于车辆由于突发的理由而完全停止、或者碰撞可能性急剧地发生变化、或者驾驶员取消了辅助的情况下等，计算机322只需再次从特征点的生成起重新实施程序即可。

如以上所说明的那样，第三实施方式所涉及的驾驶辅助装置能够给予学习机会，从而驾驶员能够获得与成为规范的驾驶员的速度轨迹相对应的速度控制。

此外，在所生成的特征点、与从实际的速度轨迹中提取出的特征点背离时，驾驶辅助装置能够示范基于移动规范的优选的速度轨迹的特征点。

此外，驾驶辅助装置能够提高相对于所生成的特征点的、直观的说明性。例如，驾驶辅助装置只需将表示与行人的距离、行人的方向、行人的速度、行人与人行横道之间的距离等各种状况的信息，汇总到碰撞概率中，并对所生成的特征点是基于驶入速度和碰撞概率的情况进行说明即可。因此，驾驶员容易理解。

另外，虽然仅对从本车辆的车速的时间序列数据中提取的特征点仅为表示侧方通过速度的点的情况为例而进行了说明，但并不限定于此。例如，如图17所示，驾驶辅助装置还可以将开始实施减速行动的减速地点作为特征点而提取。在该种情况下，驾驶辅助装置只需在对本车辆的车速的时间系列变化施加了低通滤波之后进行微分，并将极大峰值地点作为减速地点而提取即可。

接下来，对第四实施方式所涉及的驾驶辅助装置进行说明。另外，对于成为与第一实施方式相同的结构的部分标记同一符号，并省略其说明。

在第四实施方式中，在对本车辆的将来的运动状态的时间序列数据进行预测这一点、和对到表示成为规范的侧方通过速度的特征点为止的轨迹（时间序列数据）、与所预测出的时间序列数据之间的差分进行检测，并向驾驶员提示差分这一点，与第一实施方式不同。

如图18所示，第四实施方式所涉及的驾驶辅助装置410的计算机422具备：地图数据库38；环境运动检测部40；碰撞概率预测部41；学习数据生成部42；移动规范学习部44；移动规范存储部46；轨迹特征点生成部48；速度轨迹生成部50；本车辆运动预测部450，其根据由环境运动检测部40所检测出的本车辆的运动状态，而对本车辆的运动状态的时间序列数据进行预测；轨迹差分检测部452，其对由速度轨迹生成部50所生成的速度轨迹与由本车辆运动预测部450所预测出的运动状态的时间序列数据之间的差分进行检测；驾驶辅助部454，其根据所检测出的差分，而在显示装置324上进行显示，从而向驾驶员进行提示。另外，本车辆运动预测部450为状态预测部的一个示例。

环境运动检测部40还根据来自制动踏板传感器（图示省略）和加速踏板传感器（图示省略）的输出，而对制动踏板上的脚的位置、以及加速踏板上的脚的位置进行检测。另外，制动踏板传感器和加速踏板传感器，例如利用光电传感器而构成，且对制动踏板上以及加速踏板上的脚的位置进行输出。

本车辆运动预测部450根据所检测出的本车辆的车速、和制动踏板上的脚的位置以及加速踏板上的脚的位置的检测结果，而对本车辆的将来的车速的时间序列数据进行预测。

例如，在检测出脚位于与制动踏板接触的位置处时，本车辆运动预测部450推断为正处于减速行动中，从而对如以固定减速度从当前的本车辆的车速进行减速这样的车速的时间序列数据进行预测。

此外，在检测出脚位于制动踏板的上方时，本车辆运动预测部450推断为具有减速意向，且处于准备制动的状态，从而对如在经过了100ms的怠速行驶时间之后（在当前的本车辆的车速持续了100ms之后），以固定减速度进行减速这样的车速的时间序列数据进行预测。

此外，在检测出脚位于加速踏板的上方时，本车辆运动预测部450推断为具有减速意向，并处于脚从加速踏板离开的状态，从而对如在经过了200ms的怠速行驶时间之后（在当前的本车辆的车速持续了200ms之后），以固定减速度进行减速这样的车速的时间序列数据进行预测。

此外，在检测出脚位于与加速踏板接触的位置处时，本车辆运动预测部450推断为没有减速意向，并且对如在经过了300ms的怠速行驶时间之后（在当前的本车辆的车速持续了300ms之后），以固定减速度进行减速这样的车速的时间序列数据进行预测。

如图19所示，轨迹差分检测部452对表示所生成的车速的变化的速度轨迹，与所预测出的本车辆的将来的车速的时间序列数据之间的差分进行检测。

驾驶辅助部454通过将与差分相对应的踏板踏力或转向力显示在显示装置324上，从而实施驾驶辅助，以减少所检测出的差分。

接下来，利用图20对第四实施方式所涉及的驾驶辅助处理程序进行说明。另外，对于与第一实施方式相同的处理，标记相同的符号，并省略其详细说明。

首先，在步骤100中，计算机422取得由摄相机18所拍摄到的前方图像以及由GPS装置20所检测出的本车辆位置。接下来，在步骤102中，计算机422从激光雷达12取得表示存在于前方的物体的二维位置（到在扫描方向上排列的各个二维位置为止的测量距离）的数据。在步骤468中，计算机422取得由运动传感器14所检测出的车速、以及横摆率或加速度，以作为本车辆的运动状态。计算机422根据来自制动踏板传感器以及加速踏板传感器的输出，而对制动踏板上的脚的位置、以及加速踏板上的脚的位置进行检测。

而且，在步骤106中，计算机422对本车辆周围的包含区分各种道路的区域以及道路属性在内的行驶环境的状况进行检测。在接下来的步骤108中，计算机422对周围的可移动物以及可移动物的运动状态进行检测，并对可移动物的种类以及静止物体进行识别。

而且，在步骤110中，计算机422根据周围的可移动物的位置分布以及速度分布、和本车辆的位置分布以及速度分布，而对将来的碰撞概率进行预测。在接下来的步骤112中，计算机422对在上述步骤110中所预测出的碰撞概率是否在阈值以上进行判断，当碰撞概率小于阈值时，返回至上述步骤100。另一方面，当碰撞概率在阈值以上时，在步骤114中，计算机422取得与在上述步骤104中所检测出的本车辆的车速（驶入速度）相对应的、一元线性回归的一元系数α和截矩β。

而且，在步骤116中，计算机422对经过周围的可移动物的侧方时的成为规范的侧方通过速度进行计算，并生成表示所计算出的侧方通过速度的特征点。在接下来的步骤118中，计算机422生成平滑地对表示在上述步骤104中所检测出的驶入速度的点与在上述步骤116中所生成的特征点进行连接的、表示速度的时间序列数据的速度轨迹。

而且，在步骤470中，计算机422根据在上述步骤468中所取得的本车辆的车速、和所检测出的加速踏板以及制动踏板上的脚的位置，而对本车辆的将来的车速的时间序列数据进行预测。

在接下来的步骤472中，计算机422对在上述步骤470中所预测出的本车辆的将来的车速的时间序列数据、与在上述步骤118中所生成的速度轨迹之间的差分进行检测。

而且，在步骤474中，计算机422将与在上述步骤472中所检测出的差分相对应的踏板踏力或转向力显示在显示装置324上，从而向驾驶员进行提示，并且返回至上述步骤100。

如以上说明那样，第四实施方式所涉及的驾驶辅助装置能够给予学习机会，从而驾驶员能够获得与成为规范的驾驶员的速度轨迹相对应的速度控制。

此外，驾驶辅助装置在所生成的成为规范的速度轨迹、与所预测出的本车辆的速度的时间序列数据背离时，通过提示与差分相对应的踏板踏力或转向力，而实施警报性的辅助，从而能够向基于移动规范的优选的速度轨迹进行引导。

接下来，对第五实施方式所涉及的驾驶辅助装置进行说明。另外，由于第五实施方式所涉及的驾驶辅助装置的结构成为与第一实施方式相同的结构，因此标记相同的符号，并省略其说明。

在第五实施方式中，针对车速和转向角而分别生成成为规范的轨迹，并分别对与实际的车速之间的差分和与转向角之间的差分进行检测这一点，与第一实施方式不同。

在第五实施方式所涉及的驾驶辅助装置中，运动传感器14还具备对转向角进行检测的转向角传感器。环境运动检测部40从由运动传感器14所检测出的检测结果中，进一步取得本车辆的转向角，以作为本车辆的姿态状态。

学习数据生成部42在成为规范的驾驶员（例如，熟练的驾驶员）进行驾驶时，从由环境运动检测部40所检测出的检测结果中取得本车辆的车速，以作为经过周围可移动物的侧方之前的驶入速度。此外，学习数据生成部42从由环境运动检测部40所检测出的检测结果中，取得本车辆的车速，以作为经过周围可移动物的侧方时的侧方通过速度。此外，学习数据生成部42从由环境运动检测部40所检测出的检测结果中，取得本车辆的转向角，以作为经过周围可移动物的侧方之前的驶入转向角，并且取得本车辆的转向角，以作为到经过周围可移动物的侧方为止的经由转向角。

此外，学习数据生成部42从由环境运动检测部40所检测出的检测结果中，取得本车辆的位置以及周围可移动物的位置，并将本车辆的位置与周围可移动物的位置的横向上的距离，作为侧方间隔而进行计算。此外，学习数据生成部42在经过周围可移动物的侧方之前取得由碰撞概率预测部41所预测出的碰撞概率。学习数据生成部42生成多个如下的学习数据，即，如上文所述的那样得到的、由驶入速度、侧方间隔、碰撞概率、侧方通过速度、驶入转向角、以及经由转向角构成的学习数据。

移动规范学习部44根据所生成的多个学习数据，而对作为移动规范的、驶入速度和碰撞概率以及侧方通过速度之间的关系进行学习。此外，移动规范学习部44根据所生成的多个学习数据，而对作为移动规范的、驶入转向角和碰撞概率以及经由转向角之间的关系进行学习。

移动规范存储部46对作为学习结果而得到的如下表格进行存储，所述表格中针对每个驶入速度，而存储有表示碰撞概率与侧方通过速度之间的关系的一元线性回归的一元系数α和截矩β。此外，移动规范存储部46对作为学习结果而得到的如下的表格进行存储，所述表格中针对每个驶入转向角，而存储有表示碰撞概率与经由转向角之间的关系的一元线性回归的一元系数α和截矩β。

轨迹特征点生成部48从被存储于移动规范存储部46中的表格，取得与本车辆的驶入速度相对应的、表示碰撞概率与经由转向角之间的关系的一元线性回归的一元系数α和截矩β，而对与所预测出的碰撞概率相对应的经由转向角进行计算。此外，轨迹特征点生成部48如图21所示那样生成表示所计算出的经由转向角的特征点。

此外，轨迹特征点生成部48从被存储于移动规范存储部46中的表格，取得与本车辆的驶入速度相对应的、表示碰撞概率与侧方通过速度之间的关系的一元线性回归的一元系数α和截矩β，而对与所预测出的碰撞概率相对应的侧方通过速度进行计算。此外，轨迹特征点生成部48如图21所示那样生成表示所计算出的侧方通过速度的特征点。

速度轨迹生成部50生成对当前时间点的运动状态（驶入速度）、与所生成的特征点（侧方通过速度）进行连接的平滑的速度轨迹。此外，速度轨迹生成部50生成对当前时间点的转向角（驶入转向角）、与所生成的特征点（经由转向角）进行连接的平滑的转向角轨迹。

轨迹差分检测部52在每次检测出本车辆的车速时，均对所生成的速度轨迹与所检测出的本车辆的车速之间的差分进行检测。此外，轨迹差分检测部52在每次检测出本车辆的转向角时，均对所生成的转向角轨迹与所检测出的本车辆的转向角之间的差分进行检测。

驾驶辅助部54根据所检测出的车速的差分，而以减少差分的方式实施对本车辆的加减速进行控制的驾驶干预控制。此外，驾驶辅助部54根据所检测出的转向角的差分，而以减少差分的方式实施对本车辆的转向角进行控制的驾驶干预控制。

另外，由于第五实施方式所涉及的驾驶辅助装置的其他的结构以及作用与第一实施方式相同，因此省略其说明。

如以上说明那样，第五实施方式所涉及的驾驶辅助装置根据所学习的、针对于每个驶入速度的、将来的碰撞概率与经过其他可移动物的侧方时的侧方通过速度之间的一元线性回归，而对相对于所检测出的驶入速度以及所预测出的将来的碰撞概率的、成为规范的侧方通过速度进行确定。由此，驾驶辅助装置能够高精度地对成为规范的侧方通过速度进行确定。此外，驾驶辅助装置根据所学习的、针对于每个驶入转向角的、将来的碰撞概率和到经过其他可移动物的侧方为止的经由转向角之间的一元线性回归，而对相对于所检测出的驶入转向角以及所预测出的将来的碰撞概率的、成为规范的经由转向角进行确定。由此，驾驶辅助装置能够高精度地对成为规范的经由转向角进行确定。

另外，可以将在上文所述的第五实施方式中说明的、还对成为规范的经由转向角进行确定的技术，应用于上述第二实施方式至第四实施方式中。

此外，虽然在上文所述的第一实施方式至第五实施方式中，以将所确定的本车辆的状态设定为速度或转向角的情况为例而进行了说明，但并不限定于此。也可以采用如下方式，即，驾驶辅助装置将本车辆的位置等其他的物理量作为本车辆的状态而进行确定。例如，驾驶辅助装置可以对与驶入时的本车辆的位置和将来的碰撞概率相对应的、成为规范的经过侧方时的本车辆的位置进行确定。

此外，虽然以驾驶辅助装置对本车辆的位置分布和周围可移动物的位置分布进行线性预测，从而对碰撞概率进行预测的情况为例而进行了说明，但并不限定于此。例如，也可以采用如下方式，即，驾驶辅助装置对成为处理主体的本车辆和所检测出的周围可移动物分别假定适当的运动方程式，并通过向控制输入中输入随机数，从而充分地通过反复实施多次到几秒之后（例如5秒）为止可移动的区域的预测（蒙特卡罗法）。而且，驾驶辅助装置可以将本车辆与周围可移动物之间的重叠程度作为碰撞概率而进行预测。此外，例如，驾驶辅助装置通过对于成为处理主体的本车辆和所检测出的周围可移动物，而分别在地图上生成预定的个数的可移动物粒子，并反复执行各个可移动物粒子的移动以及重新采样，从而对到几秒之后（例如5秒）为止可移动的区域进行预测。而且，驾驶辅助装置也可以将本车辆与周围可移动物之间的重叠程度作为碰撞概率而进行预测。

此外，虽然以驾驶辅助装置实施与所检测出的差分相对应的、驾驶干预控制或由显示装置进行的显示，从而实施驾驶辅助的情况为例而进行了说明，但并不限定于此。也可以采用如下方式，即，驾驶辅助装置实施与所检测出的差分相对应的驾驶干预控制，且实施与所检测出的差分相对应的由显示装置进行的显示。如此，驾驶辅助装置能够以同一结构来实现预防安全系统和示范程序，所述预防安全系统事先防止以移动规范为基准的碰撞。

此外，虽然以驾驶辅助装置通过与所检测出的差分相对应的显示装置的显示，而向驾驶员进行提示的情况为例而进行了说明，但并不限定于此。也可以采用如下方式，即，驾驶辅助装置输出与所检测出的差分相对应的声音，从而向驾驶员进行提示。

此外，虽然以驾驶辅助装置将通过激光雷达向前方扫描激光而对物体的位置进行检测的情况为例而进行了说明，但并不限定于此。也可以采用如下方式，即，驾驶辅助装置向前方扫描毫米波等电磁波而对物体的位置进行检测。

此外，虽然以驾驶辅助装置通过激光雷达而对本车辆前方的物体的位置进行检测的情况为例而进行了说明，但并不限定于此。例如，也可以采用如下方式，即，驾驶辅助装置根据由立体摄相机所拍摄的前方图像，而对本车辆前方的物体的位置进行检测。

此外，也可以采用如下方式，即，驾驶辅助装置通过利用了摄相机的立体技术，而指定从本车辆观察时的死角区域。

此外，虽然以驾驶主体为驾驶员的情况为例而进行了说明，但并不限定于此，驾驶主体也可以为学习型机械。在此情况下，能够通过优选的速度轨迹、特征点的示范而实现机械学习（由强化学习而进行的学习等）。

此外，虽然以驾驶辅助装置对经过周围可移动物的侧方时的侧方通过速度进行确定，以作为成为目标的可移动物状态的情况为例而进行了说明，但并不限定于此。例如，可以采用如下方式，即，如图22所示，驾驶辅助装置对经过在交叉路口汇合的交叉车辆（在交叉道路处等待左右转弯中的车辆）的前方时的前方通过速度进行确定。在此情况下，驾驶辅助装置根据存储于移动规范存储部46中的表格，而对与所检测出的本车辆的驶入速度以及所预测出的碰撞概率相对应的前方通过速度进行计算，并如上述图22所示那样，生成表示所计算出的前方通过速度的特征点。或者，驾驶辅助装置根据存储于移动规范存储部46中的表格，而对与本车辆的驶入速度以及所预测出的碰撞概率相对应的经由转向角进行计算，并如图23所示那样，生成表示所计算出的经由转向角的特征点。此外，驾驶辅助装置根据存储于移动规范存储部46中的表格，而对与本车辆的驶入速度以及所预测出的碰撞概率相对应的前方通过速度进行计算，并如图23所示那样，生成表示所计算出的前方通过速度的特征点。

此外，也可以将在上述的实施方式中所说明的技术应用于如下情况，即，对经过正在从车库出库的车辆的后方时的后方通过速度进行确定的情况。

此外，虽然以移动规范存储部46存储有表示作为学习结果而得到的、驶入速度和碰撞概率以及侧方通过速度之间的关系的表格的情况为例而进行了说明，但并不限定于此。也可以采用如下方式，即，移动规范存储部46对在成为规范的驾驶员（例如，熟练驾驶员）实施驾驶时所得到的驾驶数据（驶入速度、碰撞概率、以及侧方通过速度）的表格进行存储。

也可以将本发明的程序存储于存储介质中而进行提供。

本发明所涉及的计算机可读介质对用于使计算机作为碰撞预测部以及确定部而发挥作用的程序进行存储，所述碰撞预测部根据由如下的检测部所检测出的所述可移动物状态，而对作为确定对象的可移动物、与所检测出的所述周围的可移动物之间的将来的碰撞概率进行预测，其中，所述检测部对作为确定对象的可移动物的位置、姿态状态、或作为运动状态的可移动物状态进行检测，且对所述作为确定对象的可移动物的周围的可移动物进行检测，所述确定部根据预先设定的、所述可移动物状态和所述碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、所述作为目标的可移动物状态进行确定。

日本申请2010－267551的公开的全部内容以参照的形式而被纳入本说明书中。

本说明书中所记载的所有的文献、专利申请以及技术规格以如下程度，通过参照的方式而被纳入本说明书中，所述程度为，各个文献、专利申请、以及技术规格以参照的形式而被纳入的情况与具体且分别被记载的情况相同的程度。

Claims (7)

1.一种可移动物的目标状态确定装置，其包括：

检测部，其对作为确定对象的可移动物的位置、姿态状态、或作为运动状态的可移动物状态进行检测，且对所述作为确定对象的可移动物的周围的可移动物进行检测；

碰撞预测部，其根据由所述检测部所检测出的所述可移动物状态，而对所述作为确定对象的可移动物与所检测出的所述周围的可移动物之间的将来的碰撞概率进行预测；

确定部，其根据预先设定的、所述可移动物状态和所述碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、所述作为目标的可移动物状态进行确定。

2.如权利要求1所述的可移动物的目标状态确定装置，其中，

还包括驾驶辅助部，所述驾驶辅助部根据由所述确定部所确定的成为目标的所述可移动物状态、与由所述检测部所检测出的所述可移动物状态之间的差分，而实施驾驶辅助。

3.如权利要求2所述的可移动物的目标状态确定装置，其中，

还包括生成部，所述生成部根据由所述确定部所确定的所述作为目标的可移动物状态，而生成到成为所述作为目标的可移动物状态为止的、所述可移动物状态的时间序列数据，

所述驾驶辅助部根据由所述生成部所生成的所述可移动物状态的时间序列数据、与由所述检测部所检测出的所述可移动物状态之间的差分，而实施驾驶辅助。

4.如权利要求2所述的可移动物的目标状态确定装置，其中，

还包括：生成部，其根据由所述确定部所确定的所述作为目标的可移动物状态，而生成到成为所述作为目标的可移动物状态为止的、所述可移动物状态的时间序列数据；

状态预测部，其根据由所述检测部所检测出的所述可移动物状态，而对到成为所述作为目标的可移动物状态为止的、所述作为确定对象的可移动物的所述可移动物状态的时间序列数据进行预测，

所述驾驶辅助部根据由所述生成部所生成的所述可移动物状态的时间序列数据、与由所述状态预测部所预测出的所述可移动物状态的时间序列数据之间的差分，而实施驾驶辅助。

5.如权利要求1至4中的任意一项所述的目标状态确定装置，其中，

所述确定部根据如下的所述可移动物状态和所述碰撞概率以及经过其他可移动物的侧方、前方或后方时的所述可移动物状态之间的关系，而将相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、经过所述周围的可移动物的侧方、前方或后方时的成为规范的所述可移动物状态，确定为所述作为目标的可移动物状态，其中，所述可移动物状态和所述碰撞概率以及经过所述其他可移动物的侧方、前方或后方时的所述可移动物状态之间的所述关系，是根据针对如下情况而求出的所述可移动物状态、所述碰撞概率、以及经过所述其他可移动物的侧方、前方或后方时的所述可移动物状态而预先设定的，所述情况为，关于可移动物的规范的移动而对与所述其他可移动物之间的将来的碰撞概率进行预测的情况。

6.如权利要求5所述的可移动物的目标状态确定装置，其中，

还包括：学习数据生成部，其将关于所述作为确定对象的可移动物的规范的移动，而由所述碰撞预测部所预测出的所述碰撞概率、在预测该碰撞概率时由所述检测部所检测出的所述可移动物状态、以及在经过所述其他可移动物的侧方、前方或后方时由所述检测部所检测出的所述可移动物状态，作为学习数据而生成多个；

移动规范学习部，其根据由所述学习数据生成部所生成的多个学习数据，而对所述作为确定对象的可移动物的规范的移动中的、所述可移动物状态和所述碰撞概率以及经过所述其他可移动物的侧方、前方或后方时的所述可移动物状态之间的关系进行学习，

所述确定部根据由所述移动规范学习部所学习的学习结果，而将相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、经过所述周围的可移动物的侧方、前方或后方时的成为规范的所述可移动物状态确定为，所述作为目标的可移动物状态。

7.一种程序，其用于使计算机作为碰撞预测部以及确定部而发挥功能，

所述碰撞预测部根据由如下的检测部所检测出的可移动物状态，而对作为确定对象的可移动物、与所检测出的周围的可移动物之间的将来的碰撞概率进行预测，其中，所述检测部对所述作为确定对象的可移动物的位置、姿态状态、或作为运动状态的所述可移动物状态进行检测，且对所述作为确定对象的可移动物的所述周围的可移动物进行检测，

所述确定部根据预先设定的、所述可移动物状态和所述碰撞概率以及作为目标的可移动物状态之间的关系，而对相对于由所述检测部所检测出的可移动物状态以及由所述碰撞预测部所预测出的所述碰撞概率的、所述作为目标的可移动物状态进行确定。

Images