CN110520916A - 行驶辅助方法及行驶辅助装置 - Google Patents

Abstract

一种行驶辅助方法，检测本车辆(51)周围的其他车辆(52)以及物体，设定从其他车辆(52)看的死角区域(55)，从检测出的物体中确定位于死角区域中的物体(53、54)，基于所确定的物体(53、54)预测其他车辆(52)采取的动作。

Description

行驶辅助方法及行驶辅助装置

技术领域

本发明涉及预测本车辆周围的其他车辆的动作的行驶辅助方法及行驶辅助装置。

背景技术

一直以来，已知有车辆在存在死角的状况下行驶的情况下，对应其状况控制车辆的车辆控制装置(参照专利文献1)。专利文献1的车辆控制装置判断本车辆的行进路和其他车辆的行进路的相对的优先级，并基于判断出的优先级预测其他车辆的动作。

专利文献

专利文献1：国际公开第2016-104198号

但是，专利文献1的车辆控制装置例如在行进路的优先级方面即使本车辆比其他车辆高但在某一时刻应该使其他车辆先行驶的行驶场景、或者在行进路的优先级方面即使本车辆比其他车辆低但在某一时刻应该使本车辆先行驶的行驶场景中，难以正确地预测其他车辆的动作。

发明内容

本发明是为了解决上述目前的课题而完成的，其目的在于提供一种提高其他车辆的动作的预测精度的行驶辅助方法及行驶辅助装置。

本发明的一个方式的行驶辅助方法检测本车辆周围的其他车辆及物体，设定其他车辆的死角区域，从检测出的物体中确定位于死角区域中的物体，基于所确定的物体预测其他车辆采取的动作。

根据本发明的一个方式，能够提高其他车辆的动作的预测精度。

附图说明

图1是表示实施方式的行驶辅助装置及动作预测装置的结构的框图。

图2是表示图1的行驶辅助装置及动作预测装置的动作的一例的流程图。

图3是表示图2的步骤06的详细顺序的一例的流程图。

图4是表示在单侧单车道的对面通行道路上，本车辆51在本车道上行驶，其他车辆52在本车辆51前方的对向车道上行驶的行驶场景的俯视图。

图5A是表示在图4所示的行驶场景中，从对向车道偏离到本车道侧的其他车辆52的动作的俯视图。

图5B是表示在图4所示的行驶场景中，在停车车辆53的跟前暂时停车的其他车辆52的动作的俯视图。

图5C是表示在图4所示的行驶场景中，为了超越停车车辆53而暂时超出到本车辆51行驶的车道侧，但由于注意到停车车辆54b的存在而减速停车的其他车辆52的动作的俯视图。

图6是表示在双车道的一侧通行道路上，本车辆51在左侧车道上行驶，其他车辆52在本车辆51的斜前方的右侧车道上并行行驶的行驶场景的俯视图。

图7A是表示在图6所示的行驶场景中，偏离到左侧车道侧的其他车辆52的动作的俯视图。

图7B是表示在图6所示的行驶场景中，在停车车辆53的跟前暂时停车的其他车辆52的动作的俯视图。

图8是表示本车辆51以及其他车辆52分别朝向单侧单车道的对面通行道路的交叉路口行驶的行驶场景的俯视图。

图9A是表示在双车道的弯道上行驶的其他车辆52的基本轨迹(直行)61及有效轨迹(直行)71的俯视图。

图9B是表示在双车道的弯道上行驶的其他车辆52的基本轨迹(车道变更)62及有效轨迹(车道变更)72的俯视图。

具体实施方式

下面，参照附图详细说明实施方式。

实施方式的行驶辅助装置例如在图4所示的行驶场景中有效地发挥功能。如图4所示，在单侧单车道的对面通行道路中，本车辆51在本车道上行驶，其他车辆52在本车辆51的前方的对向车道上行驶。在本车辆51和其他车辆52之间的对向车道上，多辆停车车辆(物体的一例)(53、54a、54b)相连而停车。因此，本车辆51和其他车辆52无法同时通过多个停车车辆的侧方，需要任意一方将道路让给另一方，使其先通过。

在行进路的优先级方面，本车辆51比其他车辆52高。另外，本车辆51到达停车车辆54b为止的预想时间T1s比其他车辆52到达停车车辆53为止的预想时间T2s短。因此，本车辆51判断为在行进路的优先级和时间这两者上应该优先于其他车辆52。而且，如图5B所示，本车辆51预测在停车车辆53的跟前暂时停车的其他车辆52的动作。

但是，由于多个停车车辆(53、54a、54b)相连而停车，因此，由于停车车辆53而产生其他车辆52的死角区域55，在死角区域55中包含停车车辆(54a、54b)。即使从本车辆51可看到停车车辆(54a、54b)，由于从其他车辆52看不到停车车辆(54a、54b)，所以搭载在其他车辆52上的物体检测传感器无法检测出停车车辆(54a、54b)。因此，其他车辆52错误地将本车辆51到达停车车辆53为止的预想时间T1s’与预想时间T2s进行比较。其结果，在预想时间T1s’比预想时间T2s长的情况下，其他车辆52误认为应该自己先行驶，如图5A所示，其他车辆52有可能超出到本车辆51行驶的车道侧。在本车辆51的车道内，其他车辆520挡住本车辆51的行驶等，有时陷入与本车辆51的行驶相关的行驶状况。另外，例如，在夜间、雾、存在遮挡物(施工区间、招牌)等因行驶环境而使乘客的视野较差的状况下，容易产生误认，如图5A所示，存在其他车辆52超出到本车辆51行驶的车道侧的可能性。于是，在本发明的实施方式中，也可以仅在因行驶环境而导致乘客的视野差的状况下实施。

这样，虽然从本车辆51可以看到停车车辆(54a、54b)，但是从其他车辆52不能看到停车车辆(54a、54b)，因此有时本车辆51不能正确预测其他车辆52的动作。由于本车辆51不能预测超出到本车道的其他车辆52的动作，所以需要使自身的行为(举动)急剧变化，因此，会给本车辆51的乘客带来不适感。

于是，实施方式的行驶辅助装置在存在从本车辆51看到但从其他车辆52看不到的死角区域55的情况下，考虑死角区域55的状况，预测其他车辆52的动作。然后，基于预测到的其他车辆52的动作控制本车辆51。由此，在行进路的优先级方面即使本车辆51比其他车辆52高，但在某一时间应让其他车辆52优先行进的行驶场景、以及在行进路的优先级方面即使本车辆51比其他车辆52低，但在某一时间应让本车辆51优先行进的行驶场景中，能够正确地预测其他车辆52的动作。另外，所谓“能够从车辆看到”不仅包含车辆的驾驶员能够看到，还包含搭载于车辆的物体检测传感器能够检测到的意思的概念。另外，“死角区域”不仅包括从乘客(驾驶员、同乘者)看的死角区域，还包括搭载于车辆的物体检测传感器的检测范围以外的区域，以及在有遮挡物的情况下，在连接本车辆和遮挡物的方向上，隔着遮挡物与本车辆相反侧的区域等。另外，该死角区域可以在遇到其他车辆时在本车辆侧计算，也可以预先计算，在遇到其他车辆时应用预先计算的死角区域，另外，也可以通过车车间通信、路车间通信，从本车辆外获取死角区域的信息。

参照图1，说明实施方式的行驶辅助装置的结构。行驶辅助装置具备：物体检测装置1、本车位置推定装置3、地图获取装置4和微型计算机100。

物体检测装置1具备搭载在本车辆51上的激光雷达、毫米波雷达、摄像机等、检测本车辆51周围的物体的多个不同种类的物体检测传感器。物体检测装置1利用多个物体检测传感器来检测本车辆51周围的物体。物体检测装置1检测包含其他车辆、摩托车、自行车、行人的移动物体、以及包含停车车辆的静止物体。例如，检测移动物体以及静止物体相对于本车辆51的位置、姿势、大小、速度、加速度、减速度、横摆率。另外，将物体的位置、姿势(横摆角)、大小、速度、加速度、减速度、横摆率统称为物体的“行为”。物体检测装置1例如输出从本车辆51的上方的空中观察的俯视图(也称为平面图)中的二维物体的行为并作为检测结果。

本车位置推定装置3具备搭载于本车辆51上的GPS(全球定位系统)以及测距法等测量本车辆51的绝对位置的位置检测传感器。本车位置推定装置3利用位置检测传感器测量本车辆51的绝对位置、即本车辆51相对于规定基准点的位置、姿势及速度。

地图获取装置4获取表示本车辆51行驶的道路的结构的地图信息。地图获取装置4可以拥有存储地图信息的地图数据库，也可以通过云计算从外部的地图数据服务器获取地图信息。地图获取装置4获取的地图信息中包含车道的绝对位置、车道的连接关系、相对位置关系等道路结构的信息。

微型计算机100(控制部的一例)基于物体检测装置1以及本车位置推定装置3的检测结果以及地图获取装置4的获取信息，预测其他车辆的动作，并根据其他车辆的动作生成本车辆51的路径，按照生成的路径控制本车辆51。

另外，在实施方式中，微型计算机100作为控制本车辆51的行驶辅助装置的示例进行说明。但是，本发明不限于此。例如，微型计算机100也可以作为预测其他车辆动作的动作预测装置来实施。即，微型计算机100也可以不进行本车辆51的路径生成以及沿着路径的行驶控制，而最终输出预测的其他车辆的动作。

微型计算机100是具备CPU(中央处理装置)、存储器以及输入/输出部的通用微型计算机。在微型计算机100中安装有用于使其作为行驶辅助装置发挥功能的计算机程序(行驶辅助程序)。通过执行计算机程序，微型计算机100作为行驶辅助装置所具备的多个信息处理电路(2a、2b、5、10、21、22)发挥作用。另外，在此，表示了通过软件实现行驶辅助装置所具备的多个信息处理电路(2a、2b、5、10、21、22)的示例，当然，也可以准备用于执行以下所示的各信息处理的专用硬件构成信息处理电路(2a、2b、5、10、21、22)。另外，也可以由单独的硬件构成多个信息处理电路(2a、2b、5、10、21、22)。另外，信息处理电路(2a、2b、5、10、21、22)也可以与车辆有关的其他控制中利用的电子控制单元(ECU)兼用。

微计算机100作为多个信息处理电路(2a、2b、5、10、21、22)具备：检测综合部2a、物体追踪部2b、地图内位置运算部5、动作预测部10、本车路径生成部21以及车辆控制部22。另外，动作预测部10具备：行为判断部11、动作候补预测部12、第一动作候补修正部13、第二动作候补修正部15、轨迹预测部16、似然度推定部17、死角区域检测部18、被遮挡物提取部19、以及被遮挡物轨迹预测部14。另外，在作为预测其他车辆动作的动作预测装置来实施的情况下，不需要信息处理电路(本车路径生成部21以及车辆控制部22)。

检测综合部2a综合从物体检测装置1所具备的多个物体检测传感器分别获得的多个检测结果，对各物体输出一个检测结果。具体而言，根据从各个物体检测传感器获得的物体的行为，并在考虑了各物体检测传感器的误差特性等的基础上，计算出误差最少的最合理的物体的行为。具体而言，通过利用已知的感测融合技术，综合评价由多种传感器获取的检测结果，获得更正确的检测结果。

物体追踪部2b追踪由物体检测装置1检测出的物体。具体而言，根据由检测综合部2a综合的检测结果，并根据在不同时刻输出的物体的行为，进行不同时刻间的物体的同一性的验证(对应附加)，并且基于该对应附加预测物体的行为。另外，在不同时刻输出的物体的行为被存储在微型计算机100内的存储器中，在后述的轨迹预测时被利用。

地图内位置运算部5根据通过本车位置推定装置3获得的本车辆51的绝对位置、以及通过地图获取装置4获取的地图数据，推定地图上的本车辆51的位置以及姿势。例如，确定本车辆51行驶的道路、以及该道路中的本车辆51行驶的车道。

在动作预测部10中，基于通过检测综合部2a获得的检测结果以及通过地图内位置运算部5确定的本车辆51的位置，预测本车辆51周围的移动物体的动作。以下，对动作预测部10的具体结构进行说明。

行为判断部11根据地图上的本车辆51的位置以及通过检测综合部2a获得的物体的行为，确定地图上的物体的位置和行为。另外，行为判断部11在物体在地图上的位置随着时间的经过而变化的情况下，判断为该物体是“移动物体”，并根据移动物体的大小和速度，判断该移动物体的属性(其他车辆、行人)。然后，在判断为移动物体是行驶中的“其他车辆”的情况下，行为判断部11判断该其他车辆行驶的道路以及车道。

另外，在物体在地图上的位置不随着时间的经过而变化的情况下，判断为静止物体，并根据静止物体在地图上的位置、姿势以及大小，判断静止物体的属性(停车车辆、行人等)。

动作候补预测部12预测基于地图的其他车辆的动作候补。动作候补预测部12根据地图信息中包含的道路结构以及其他车辆所属的车道信息，预测其他车辆接下来如何行驶的动作意图，并根据道路结构运算基于该动作意图的其他车辆的基本轨迹。所谓“动作候补”，是包含动作意图及基本轨迹的上位概念。“基本轨迹”不仅表示不同时刻的其他车辆的位置的曲线，还表示各位置的其他车辆的速度的曲线。

例如，在其他车辆行驶在单车道的单侧和弯道的情况下，动作候补预测部12预测沿着车道的形状行驶的动作意图(直行)，运算沿着地图上的车道的轨迹作为基本轨迹。另外，在其他车辆行驶在多车道的单侧及弯道的情况下，动作候补预测部12预测动作意图(直行)和向右侧或左侧变更车道的动作意图(车道变更)。动作意图(车道变更)中的其他车辆的基本轨迹是基于道路结构和预定的车道变更时间进行车道变更的轨迹。进而，行驶在交叉路口的情况下，动作候补预测部12预测直行、右转及左转的动作意图，并将基于地图上的交叉路口的道路结构的直行轨迹、右转轨迹、左转轨迹作为基本轨迹进行运算。另外，在“基本轨迹”的运算中，考虑道路结构，但不考虑由检测综合部2a综合的其他车辆的行为。

第一动作候补修正部13考虑由物体检测装置1检测出的静止物体，对由动作候补预测部12预测的动作候补进行修正。具体而言，第一动作候补修正部13判断其他车辆的基本轨迹与静止物体的位置是否干涉。在干涉的情况下，新追加避开静止物体的并行车辆52的动作意图及基本轨迹。

具体而言，在图4所示的行驶场景中，动作候补预测部12预测沿着车道的形状行驶的其他车辆52的动作意图(直行)，并运算基本轨迹(直行)。第一动作候补修正部13判断为其他车辆52的基本轨迹(直行)与作为静止物体的停车车辆(53、54a、54b)的位置干涉。然后，动作候补预测部12重新追加图5A所示的超出到本车辆51行驶的车道侧而行驶的其他车辆52的动作候补(基本轨迹63)、和图5B所示的在停车车辆53的跟前暂时停车的其他车辆52的动作候补(基本轨迹64)。

在与图4所示的其他车辆52同时通过物体检测装置1检测出其他移动物体的情况下(省略图示)，第一动作候补修正部13考虑其他移动物体对由动作候补预测部12预测的动作候补进行修正。具体而言，第一动作候补修正部13时序地判断是否存在其他移动物体与并行车辆52的干涉。在存在移动物体彼此之间的干涉的情况下，新追加避免与其他移动物体的干涉的其他车辆52的动作意图以及基本轨迹。

死角区域检测部18检测因通过物体检测装置1检测出的物体而产生的从其他车辆52看成为死角的死角区域。通过物体检测装置1检测出的物体在本车辆51的周围产生从其他车辆52看的死角区域。死角区域检测部18在地图上设定从其他车辆52看的死角区域。具体而言，如图4的俯视图所示，基于从物体检测装置1输出的物体(52、53、54a、54b)的位置，设定从其他车辆52看的死角区域55。死角区域检测部18检测因停车车辆53而产生的从其他车辆52看的死角区域55。

死角区域检测部18也可以在图4的俯视图中首先设定从本车辆51能够检测出的区域，在该区域中设定不能从其他车辆52检测出的死角区域55。由此，能够设定从本车辆51可看到但从其他车辆52看不到的死角区域55。如上所述，是否可见的判断基准可以是车辆的驾驶员或车载的物体检测传感器中的任意一个。

另外，死角区域55不限于俯视图上的二维区域，也可以考虑物体的高度，设定为具有高度成分(Z成分)的三维区域。例如，在图4中，也可以根据停车车辆53的车辆高度，设定由停车车辆53引起的死角区域55的高度方向的形状。

进而，死角区域检测部18也可以不针对其他车辆52的全方位计算从其他车辆52看的死角区域55。根据其他车辆52的行进方向、位置、地图信息计算出其他车辆52有可能行进的道路区域中的死角区域即可。即，死角区域检测部18也可以基于其他车辆52的位置、其他车辆52的行进方向以及其他车辆52的周围的道路结构，仅在其他车辆52有可能行进的区域内设定其他车辆52的死角区域55。由此，能够在不降低其他车辆52的动作预测的精度的情况下减轻微型计算机100的计算负荷。即，能够高效地计算死角区域55。

另外，在设定死角区域55时，也可以设定时间的阈值。具体而言，也可以在从其他车辆52看不到的状态持续了基准时间(500毫秒)以上的情况下，判断为发生了从其他车辆52看的死角区域55。由此，能够在不影响其他车辆52的动作预测的短时间内从死角区域55排除从其他车辆52看不到的区域。因此，能够减轻微型计算机100的计算负荷，提高计算速度。但是，基准时间也可以不是固定值，也可以根据地图中的位置、状况进行变更。

被遮挡物提取部19从由检测综合部2a检测出的物体中提取存在于死角区域55中的物体(被遮挡物)。换言之，被遮挡物提取部19在死角区域55中提取本车辆51检测出的物体。由此，能够确定从本车辆51可看到但从其他车辆52看不到的物体(以下也称为“被遮挡物”)。另外，被遮挡物只要能够确定即可，不需要确定属性(行人、车辆)等被遮挡物的详细信息。另外，被遮挡物的确定可以通过本车辆51所具备的传感器进行检测，也可以通过本车辆51以外的其他检测装置进行检测，并由本车辆51获得检测装置检测出的信息。

在图4所示的行驶场景中，检测综合部2a检测停车车辆(54a、54b)。因此，被遮挡物提取部19能够提取存在于死角区域55中的停车车辆(54a、54b)作为被遮挡物。

被遮挡物提取部19也可以考虑死角区域55及物体(被遮挡物)的高度来判断物体是否位于死角区域55中。例如，在图4所示的行驶场景中，在停车车辆53的车辆高度比停车车辆54a的车辆高度低的情况下，死角区域55的高度也比停车车辆54a的高度低。因此，在这种情况下，由于能够从其他车辆52检测出停车车辆54a的一部分，所以不判断为停车车辆54a处于死角区域55中。由此，也可以考虑死角区域55的高度成分，判断整个物体是否收束在死角区域55中。

被遮挡物轨迹预测部14基于由行为判断部11确定的位于死角区域55中的物体的行为预测物体的轨迹。在被遮挡物是移动物体的情况下，基于其行为能够预测其他车辆52的动作。于是，首先，被遮挡物轨迹预测部14基于被遮挡物的行为预测被遮挡物的轨迹。例如，在图4所示的行驶场景中，在停车车辆54b使右侧的方向指示器闪烁的情况下，根据停车车辆54b的该行为预测停车车辆54b的起步动作及起步动作时的轨迹。另外，也可以根据物体的速度预测其行进方向。

第二动作候补修正部15基于本车辆51以及其他车辆52的推定到达时间，推定针对由动作候补预测部12以及第一动作候补修正部13预测的多个动作候补的似然度。进而，第二动作候补修正部15考虑能够从本车辆51检测出但不能从其他车辆52检测出的死角区域55的状况，推定针对多个动作候补的似然度。例如，在死角区域55中存在物体的情况下，基于死角区域55中存在的物体，推定其他车辆52所采取的动作候补的似然度。具体而言，首先，判断死角区域55中是否存在物体。在死角区域55中存在物体的情况下，由于死角区域55中从其他车辆52看不到，因此能够推测其他车辆52在无法识别死角区域55中存在的物体的状态下进行动作。第二动作候补修正部15基于该推测，预测其他车辆52未识别位于死角区域55中的物体的情况下的其他车辆52的动作意图，推定针对已预测的多个动作候补的似然度。

例如，在图4所示的行驶场景中，第二动作候补修正部15推定本车辆51和其他车辆52中的哪一个首先通过停车车辆(53、54a、54b)的侧方的似然度。

在不考虑死角区域55的状况的情况下，本车辆51到达停车车辆54b为止的预想时间比其他车辆52到达停车车辆53为止的预想时间短。因此，第二动作候补修正部15判断为本车辆51能够先通过，将在停车车辆53的跟前暂时停车的其他车辆52的动作候补(图5B)的似然度推定得较高，将其他车辆52先超越的似然度推定得较低。

另一方面，在考虑了死角区域55的状况的情况下，预测其他车辆52不识别停车车辆(54a、54b)而进行动作。即，由于本车辆51到达停车车辆53为止的预想时间T1s’比预想时间比T2s长，因此预测到其他车辆52误认为应该自己先通过。于是，如图5A所示，第二动作候补修正部15将其他车辆52超出到本车辆51行驶的车道侧的动作候补的似然度预测得较高。即，第二动作候补修正部15将图5A所示的动作候补的似然度推定得比图5B所示的动作候补高。

这样，第二动作候补修正部15不仅考虑本车辆51以及其他车辆52的推定到达时间，还考虑死角区域55的状况，推定其他车辆52采取的动作候补的似然度。如果仅通过本车辆51检测出的物体进行判断，则预测到其他车辆52采取先让本车辆51通过的动作，从而使本车辆51先通过停车车辆(53、54a、54b)的侧方。但是，其他车辆52有可能仅以其他车辆52检测出的物体进行判断。在这种情况下，其他车辆52判断为本车辆51让路，其他车辆52首先应该通过停车车辆(53、54a、54b)的侧方。在其他车辆52先通过停车车辆(53、54a、54b)的侧方的情况下，本车辆51需要采取紧急回避其他车辆52的动作。第二动作候补修正部15在从其他车辆52看的死角区域55中存在物体的情况下，基于其他车辆52的可检测的物体，推定动作候补的似然度。

另外，在由被遮挡物轨迹预测部14预测到位于死角区域55中的物体的轨迹的情况下，第一动作候补修正部13基于被遮挡物的轨迹，追加其他车辆52采取的动作候补。并且，第二动作候补修正部15能够基于被遮挡物的轨迹，预测其他车辆52所采取的动作候补的似然度。例如，在图4所示的行驶场景中，在预测到停车车辆54b的起步动作的情况下，由于若停车车辆54b起步则停车车辆54b脱离死角区域55，因此，其他车辆52能够检测到停车车辆54b。在该情况下，如图5C所示，为了超越停车车辆53而暂时超出到本车辆51行驶的车道侧，但由于注意到停车车辆54b的存在，因此，第一动作候补修正部13追加进行急减速而停车的动作候补(动作意图及基本轨迹63’)。另外，第二动作候补修正部15设定比图5A及图5B所示的其他动作候补(63、64)更高的似然度。

进而，在图4所示的行驶场景中，即使停车车辆(53、54a、54b)全部是静止物体，第一动作候补修正部13也能够追加图5C所示的动作候补(动作意图及基本轨迹63’)。其原因在于，其他车辆52为了超越停车车辆53而超出到本车辆51行驶的车道侧，由此其他车辆52能够检测停车车辆54b。

轨迹预测部16基于在行为判断部11中检测出的行为，预测其他车辆52所采取的轨迹(有效轨迹)。具体而言，轨迹预测部16利用例如卡尔曼滤波器等已知的状态推定技术来运算按照上述预测的动作意图进行动作时的其他车辆52的有效轨迹。使“有效轨迹”与基本轨迹同样，不仅表示其他车辆52在不同时刻的位置，而且表示在各位置的其他车辆52的速度的曲线。有效轨迹和基本轨迹在都是其他车辆52所采取的轨迹这一点上是共通的，但有效轨迹是考虑其他车辆52的行为而进行运算的，但基本轨迹是不考虑其他车辆的行为而进行运算的，这一点上两者不同。

图9A及图9B所示的基本轨迹(61、62)是基于动作意图及道路结构导出的其他车辆52的轨迹的示例，没有考虑其他车辆52的动作。因此，例如，由于没有考虑其他车辆52的当前姿势(横摆角)，因此多个基本轨迹(61、62)从其他车辆52的当前位置向不同方向延伸。与此相对，轨迹预测部16考虑其他车辆52的行为，运算沿着上述动作意图的轨迹(有效轨迹)。换言之，运算在采取了沿着上述动作意图的动作的情况下的其他车辆52的有效轨迹。

图5A、图5B、图5C、图7A、图7B所示的轨迹(63、63’、64、65、66)也是基于其他车辆52的动作意图及道路结构导出的其他车辆52的基本轨迹的一例。

在图9A及图9B中，其他车辆52的姿势(横摆角)比沿着道路的形状行驶的基本轨迹61更向左侧倾斜，其他车辆52的速度仅由行进方向的速度分量构成，车宽方向的速度分量为零。即，并行车辆52处于直行状态。因此，在以该姿势及速度为起点其他车辆52按照沿着道路形状的行驶的动作意图行驶的情况下，如图9A所示，在从基本轨迹61向左侧偏离之后，成为接近基本轨迹61而一致的有效轨迹71。换言之，预测描绘对从行驶车道的偏离进行修正的修正轨迹(过冲轨迹)。轨迹预测部16预测以其他车辆52的姿势(横摆角)及速度为起点按照沿着道路形状的行驶的动作意图(直行)行驶的有效轨迹71。

接着，在以相同的姿势及速度为起点其他车辆52按照车道变更的动作意图行驶的情况下，如图9B所示，成为开始向左方向转弯，向左侧车道移动后，向右转弯而向沿着左侧车道的轨迹进行修正的有效轨迹72。即，描绘由转向角从中立位置的状态开始的左转弯的回旋曲线以及右转弯的回旋曲线构成的有效轨迹72。因此，有效轨迹72成为花费与运算车道变更轨迹62时的“规定的车道变更时间”大致相同的时间而完成车道变更的轨迹。另外，描绘执行轨迹时的曲线不一定是回旋曲线，也可以利用其他曲线来描绘。如图9B所示，有效轨迹72成为与车道变更中的基本轨迹62大致相同的轨迹。

与图9A及图9B同样地，对于图5A、图5B、图5C、图7A、图7B所示的基本轨迹(63、63’、64、65、66)，轨迹预测部16也考虑其他车辆52的行为，运算沿着动作意图的轨迹(有效轨迹)。例如，以其他车辆52的姿势(横摆角)及速度为起点，分别运算按照偏离行驶车道的动作意图或暂时停止的动作意图行驶的其他车辆52的有效轨迹。

在此，作为其他车辆52的行为的示例考虑了姿势及速度，但也可以考虑其他车辆52的位置、加速度、减速度来运算有效轨迹。例如，可以预测到与直行相比，车道变更时的减速度变大的情况。

似然度推定部17通过将由动作候补预测部12以及第一动作候补修正部13预测到的动作候补和由检测综合部2a综合的其他车辆52的行为进行对比，预测其他车辆52的动作。另外，似然度推定部17考虑由第二动作候补修正部15预测的似然度，预测其他车辆52的动作。

具体而言，似然度推定部17针对由动作候补预测部12以及第一动作候补修正部13预测的各个动作候补，对比基本轨迹和有效轨迹。然后，根据基本轨迹和有效轨迹的差异求出各动作候补的似然度。基本轨迹和实效轨迹的差异越小，计算出的似然度就越高。

进而，似然度推定部17基于由第二动作候补修正部15预测的似然度，对各动作候补的似然度进行加权。例如，将由第二动作候补修正部15预测的似然度作为系数，与各动作候补的似然度相乘。由此，能够将由第二动作候补修正部15预测的似然度与似然度推定部17推定的似然度结合。例如，与图5B所示的暂时停止的动作候补64的似然度相比，似然度推定部17乘以比图5A所示的偏离车道的动作候补63的似然度更大的系数。

如果考虑其他车辆52的行为以及死角区域55的状况，则能够判断出被运算出似然度最高的动作候补是最可能的动作候补。因此，似然度推定部17将似然被评价为最高的动作候补确定为其他车辆52的动作。基本轨迹和有效轨迹的差异例如基于两轨迹间的位置以及速度的曲线差异的总和来计算。图9A及图9B所示的面积S1、S2是对基本轨迹与有效轨迹的位置差异进行积分而获得的总和的一例。由于能够判断为面积越窄则位置的差异越小，因此运算较高的似然度。作为其他的示例，即使位置的差异小，在速度的曲线差异较大的情况下，也能够运算较低的似然度。另外，似然度是表示该动作候补实际发生的可能性的指标的一例，也可以是似然度以外的表现。

似然度推定部17对于图5A～图5B所示的各个动作候补(63、64、63’)，也通过比较基本轨迹和有效轨迹来计算似然度，再对该似然度乘以系数(由第二动作候补修正部15预测的似然度)。然后，将似然度最大的动作候补(63、64、63’)确定为其他车辆52的动作。

如以上说明的那样，在动作预测部10中，基于由似然度推定部17假定的各动作候补的似然度，预测其他车辆52的动作。另外，“其他车辆的动作”中包含其他车辆的轨迹及速度的曲线。以不同的时刻的其他车辆52的位置的曲线表示其他车辆52的轨迹。

本车路径生成部21基于由动作预测部10预测的其他车辆52的动作，生成本车辆51的路径。例如，在动作预测部10预测到图5A所示的动作63的情况下，能够生成在预测到其他车辆52的车道偏离的基础上的本车辆51的路径81。路径81是接近路肩且在停车车辆54b的跟前停车的路径。因此，能够生成不与其他车辆52接触，且根据其他车辆52的行为本车辆51不会成为急减速或急转向的平滑的本车辆51的路径。“本车辆51的路径”不仅表示不同时刻的本车辆51的位置的曲线，还表示各位置的本车辆51的速度的曲线。

在此，基于地图上的其他车辆52的行为，预测包含其他车辆52的轨迹的其他车辆的动作。因此，基于其他车辆52的轨迹生成本车辆51的路径，是基于与其他车辆52的相对距离的变化、加减速度或姿势角的差生成本车辆51的路径。

例如，如图5B所示，在显示其他车辆52停留在车道内并且减速的行为的情况下，其他车辆52的行为可以解释为表示将道路让给本车辆51、希望让本车辆51先行驶的动作意图。在这种情况下，能够考虑其他车辆52的动作意图而形成本车辆51的路径，或者通过控制本车辆51，使本车辆51不减速或者加速而先通过停车车辆(53、54a、54b)的侧方。由此，能够避免其他车辆52和本车辆51双方相互谦让的状况，因此能够实现顺畅的交通流。

在车辆控制部22中，基于由地图内位置运算部5运算出的自身位置，驱动转向促动器、加速踏板促动器、以及制动踏板促动器中的至少一个，以使本车辆51按照由本车路径生成部21生成的路径行驶。另外，在实施方式中，表示了按照本车辆51的路径进行控制的情况，但也可以不生成本车辆51的路径而控制本车辆51。在这种情况下，也可以基于与其他车辆52的相对距离、或者其他车辆52与本车辆51的姿势角的差进行控制。

参照图2及图3，对利用了图1的行驶辅助装置的行驶辅助方法进行说明。另外，通过利用图1的微型计算机100作为预测其他车辆52动作的动作预测装置，能够实施作为最终输出图2的步骤S06所示的处理动作的结果的行驶辅助方法。

首先，在步骤S01中，物体检测装置1利用多个物体检测传感器检测本车辆51周围的物体的行为。进入步骤S02，检测综合部2a将从多个物体检测传感器分别获得的多个检测结果进行综合，对各物体输出一个检测结果。然后，物体追踪部2b追踪检测及综合后的各物体。

进入步骤S03，本车位置推定装置3利用位置检测传感器测量本车辆51相对于规定基准点的位置、姿势及速度。进入步骤S04，地图获取装置4获取表示本车辆51行驶的道路的结构的地图信息。

进入步骤S05，地图内位置运算部5根据在步骤S03中测量的本车辆51的位置、以及在步骤S04中获取的地图数据，推定本车辆51在地图上的位置以及姿势。进入步骤S06，动作预测部10基于在步骤S02中获得的检测结果(其他车辆52的行为)和在步骤S05中确定的本车辆51的位置，预测本车辆51周围的其他车辆52的动作。

参照图3说明步骤S06的详细情况。首先，在步骤S611中，行为判断部11根据地图上的本车辆51的位置和在步骤S02中获得的物体的行为，判断其他车辆52行驶的道路及车道。进入步骤S612，动作候补预测部12预测基于地图的其他车辆52的动作候补。例如，根据道路结构预测动作意图。

进入步骤S613，微型计算机100对在步骤S01中检测出的所有的其他车辆52实施步骤S611以及S612。实施后(S613中为“是”)进入步骤S614，第一动作候补修正部13考虑在步骤S01中同时检测出的静止物体，修正在步骤S612中预测的动作候补。例如，追加图5A、图5C以及图7A所示的偏离车道的动作意图和基本轨迹(63、65)、以及在图5B及图7B所示的静止物体跟前停止的动作意图和基本轨迹(64、66)。

进入步骤S615，在步骤S01中与其他车辆52同时检测出其他移动物体的情况下，第一动作候补修正部13考虑其他移动物体，修正在步骤S612中预测的动作候补。例如，在检测出停车车辆54b的起步动作的情况下，第一动作候补修正部13追加图5C所示的动作候补(动作意图以及基本轨迹63’)。

进入步骤S616，死角区域检测部18判断在步骤S01中检测出的物体是否产生从其他车辆52看的死角区域55。在产生死角区域55的情况下(S616中为“是”)，进入步骤S617，被遮挡物提取部19从由检测综合部2a检测出的物体中提取存在于死角区域55中的物体(被遮挡物)。在图4所示的行驶场景中，被遮挡物提取部19提取存在于死角区域55中的停车车辆(54a、54b)作为被遮挡物。进入步骤S618，在被遮挡物是移动物体的情况下，被遮挡物轨迹预测部14基于存在于死角区域55中的物体的行为预测物体的轨迹。

进入步骤S619，第二动作候补修正部15基于本车辆51以及其他车辆52的推定到达时间，推定针对由动作候补预测部12以及第一动作候补修正部13预测的多个动作候补的似然度。进而，第二动作候补修正部15考虑从本车辆51能够检测但从其他车辆52无法检测的死角区域55的状况推定针对多个动作候补的似然度。在图4所示的行驶场景中，第二动作候补修正部15基于存在于死角区域55中的停车车辆(54a、54b)推定本车辆51和其他车辆52中的哪一个先通过停车车辆(53、54a、54b)的侧方的似然度。然后，处理进入步骤S620。

另一方面，在没有产生死角区域的情况下(在S606中为“否”)，进入步骤S620。微型计算机100对在步骤S01中检测出的所有其他车辆实施步骤S614～S619。在实施后(在S620中为“是”)，进入步骤S621，轨迹预测部16利用例如卡尔曼滤波器等已知的状态推定技术，运算其他车辆52维持行为、且按照预测的动作意图进行动作时的其他车辆52的有效轨迹(71、72、参照图9A及图9B)。

进入步骤S622，似然度推定部17针对在S612、S614以及S615中预测的各个动作候补，对比基本轨迹(61～63)和有效轨迹(71～73)。然后，根据基本轨迹和有效轨迹的差异求出各动作候补的似然度。进而，似然度推定部17基于在步骤S619中推定的似然度，对各动作候补的似然度进行加权。似然度推定部17将似然度被评价为最高的动作候补确定为其他车辆52的动作。

进入步骤S621，微型计算机100对在步骤S01中检测出的所有其他车辆实施步骤S621～S622。由此，图2的步骤S06结束。

进入图2的步骤S07，本车路径生成部21基于由步骤S06预测的其他车辆的动作，生成本车辆51的路径。进入步骤S08，车辆控制部22控制本车辆51以使得本车辆51按照在步骤S07中生成的路径行驶。另外，在本实施方式中，在本车辆的轨迹中反映了其他车辆的预测结果，但不限于此，也能够反映在本车辆的车速、加速度、旋转角速度、到各自的规定时间后的曲线、转向控制、驱动控制、制动控制等与本车辆的行为相关的控制中，能够执行各自的控制。

另外，本实施方式不仅在图4所示的行驶场景中有效地发挥功能，在图6及图8所示的行驶场景中也能够有效地发挥功能。

如图6所示，在双车道的一侧通行道路上，本车辆51在左侧车道上行驶，其他车辆52在本车辆51的斜前方的右侧车道上并行行驶。这种情况下的其他车辆52也称为并行车辆。多个停车车辆(53、54a、54b)接连停车在其他车辆52前方的右侧车道上。因此，与图4的行驶场景同样地，本车辆51以及其他车辆52不能同时通过多个停车车辆(53、54a、54b)的侧方，需要其中的任一方将道路让给另一方先通过。另外，在行进路的优先级方面，本车辆51比其他车辆52高。

其他车辆52能够检测出最接近其他车辆52的停车车辆53。但是，由于停车车辆53，产生从其他车辆52看的死角区域55。在停车车辆(54a、54b)包含在死角区域55中的情况下，其他车辆52无法检测到停车车辆(54a、54b)。另一方面，在左侧车道上行驶的本车辆51能够检测出相邻的右侧车道上的所有停车车辆(53、54a、54b)。

在图6所示的行驶场景中，本车辆51以及其他车辆52分别到达最近的停车车辆53为止的时间(T1s、T2s)根据是否考虑死角区域55的状况而不会发生变化。另一方面，本车辆51和其他车辆52分别通过最远的停车车辆54b为止的时间，根据是否考虑死角区域55的状况而变化。本车辆51能够对本车辆51通过停车车辆54b为止的预想时间T1e和其他车辆52通过停车车辆54b为止的预想时间T2e进行比较。但是，其他车辆52错误地比较本车辆51通过停车车辆53为止的预想时间T1e’和其他车辆52通过停车车辆53为止的预想时间T2e’。其结果，其他车辆52误认为应该自己先行驶，如图7A所示，其他车辆52有可能超出到本车辆51行驶的左侧车道。

于是，第二动作候补修正部15通过考虑死角区域55的状况，与本车辆51先通过停车车辆(53、54a、54b)侧方的动作候补66(图7B)的似然度相比，对其他车辆52先通过停车车辆(53、54a、54b)侧方的动作候补65(图7A)的似然度进行较高地评价。动作候补66是在停车车辆53的跟前暂时停车的其他车辆52的动作候补。动作候补65是其他车辆52超出到本车辆51行驶的左侧车道的其他车辆52的动作候补。

另外，虽然省略了图示，但第二动作候补修正部15也可以重新预测为了超越停车车辆53而暂时超出到本车辆51行驶的车道侧，但由于注意到停车车辆(54a、54b)的存在，所以减速停车的其他车辆52的动作候补。

如图8所示，本车辆51以及其他车辆52朝向单侧单车道的对面通行道路的交叉路口行驶。本车辆51在本车道上行驶，其他车辆52在对向车道上行驶。其他车辆52例如使右侧的方向指示器闪烁等表示在交叉路口右转的意思显示。本车辆51以及其他车辆52不能同时通过交叉路口，需要任意一方将道路让给另一方先通过。另外，在行进路的优先级方面，本车辆51比其他车辆52高。在其他车辆52的侧方有在本车辆51的前方行驶的两台前行车辆(53a、53b)。另外，在两台前行车辆(53a、53b)的侧方有想横穿交叉路口的自行车54。

其他车辆52能够检测出前行车辆(53a、53b)。但是，由于前行车辆(53a、53b)而产生从其他车辆52看的死角区域55。在自行车54包含在死角区域55中的情况下，其他车辆52无法检测出自行车54。另一方面，本车辆51能够检测出自行车54。

即使在图8所示的行驶场景中，本车辆51以及其他车辆52分别到达交叉路口内的时间(T1s、T2s)也不会根据是否考虑死角区域55的状况而变化。另一方面，其他车辆52通过交叉路口为止的时间根据是否考虑死角区域55的状况而变化。在自行车54横穿交叉路口后，其他车辆52要通过交叉路口，因此识别到自行车54的本车辆51预测比较长的时间(T2e)。与此相对，由于其他车辆52在没有识别到存在于死角区域55中的自行车54的情况下进行动作，因此预想比较短的时间(T2e’)。因此，其他车辆52错误地比较预想时间T1s和预想时间T2e’，其结果是，其他车辆52误认为自己应该先前进，其他车辆52有可能比本车辆51先进入交叉路口。

在其他车辆52检测到自行车54的情况下，考虑其他车辆52和本车辆51的时间以及其他车辆52和自行车54的时间，能够判断是否进行右转动作。另一方面，在其他车辆52未检测出自行车54的情况下，不考虑其他车辆52和自行车54的时间，仅考虑其他车辆52和本车辆51的时间来判断右转动作。

于是，第二动作候补修正部15通过考虑位于死角区域55中的自行车54，与本车辆51先进入交叉路口的动作候补的似然度相比，对其他车辆52先进入交叉路口的动作候补的似然度进行较高地评价。由此，能够实现本车辆51不会急减速或急转向的平滑的行驶。

与图4及图6的行驶场景相同，第二动作候补修正部15也可以重新预测为了右转弯动作而暂时进入交叉路口，但由于注意到存在横穿交叉路口的自行车54，所以减速而停车的其他车辆52的动作候补(省略图示)。

如以上说明的那样，根据实施方式，能够获得以下的作用效果。

微型计算机100(控制部的一例)在地图上设定其他车辆52的死角区域55，从由物体检测传感器检测出的物体中确定存在于死角区域55中的物体，并基于确定出的物体预测其他车辆52采取的动作。由此，在其他车辆52的死角区域55中存在物体的情况下，能够基于其他车辆52的可检测出的物体，正确地预测其他车辆52的动作。

微型计算机100也可以根据存在于死角区域55中的物体的行为，预测其他车辆52的动作。由此，在死角区域55中存在的物体是移动物体的情况下，能够更正确地预测其他车辆52的动作。

微型计算机100也可以基于其他车辆52的位置、其他车辆52的行进方向以及其他车辆52周围的道路结构，仅在其他车辆52有可能行进的区域内设定从其他车辆52看的死角区域55。由此，能够在不降低其他车辆52的动作预测精度的情况下减轻微型计算机100的计算负荷。即，能够高效地计算死角区域55。另外，也能够提高微型计算机100的运算处理的速度。

微型计算机100也可以在其他车辆52没有识别到存在于死角区域55中的物体的情况下预测其他车辆52采取的动作。由此，在其他车辆52的死角区域55中存在物体的情况下，能够基于其他车辆52的可检测出的物体，正确地预测其他车辆52的动作。

微型计算机100也可以基于本车辆51的周围的道路结构预测在其他车辆52未识别存在于死角区域55中的物体的情况下其他车辆52所采取的动作候补，并通过比较其他车辆52的行为和动作候补来预测其他车辆52的动作。由此，基于其他车辆52的可检测出的物体，能够正确地预测其他车辆52的动作。

微型计算机100设定其他车辆52的乘客的死角作为死角区域55。由此，能够正确地估计死角区域55，因此能够正确地预测乘客根据未预期的物体而对其他车辆52产生操作、行为(包括急制动、急转向等急操作)的情况。

微型计算机100设定其他车辆55的传感器的检测范围以外的区域作为死角区域55。由此，由于能够正确地估计死角区域55，因此能够执行自动驾驶控制以及行驶辅助控制(自动制动)的其他车辆52能够通过搭载的传感器检测其他车辆52周围的状况，在根据检测出的物体进行车辆控制的情况下，能够正确地预测其他车辆52通过检测死角区域55的物体而产生的行为(也包含轨迹)。

微型计算机100基于预测到的其他车辆52的动作控制本车辆51。由此，本车辆51作为自动驾驶控制或行驶辅助控制(也包括自动制动等)，例如能够执行事先减速、靠近路肩、通过车道的顺序等抑制给乘客带来的不适感的控制。另外，由于能够事先预测其他车辆52的动作，因此本车辆51能够抑制急制动、急转向等急剧的车辆行为变化，所以能够抑制给本车辆51的乘客带来的不适感。

微型计算机100基于预测的其他车辆52的动作生成本车辆51的路径，并基于本车辆51的路径控制本车辆51。由此，对于风险更加安全，并且，根据其他车辆52的行为，能够进行本车辆51不成为急减速或急转向的平滑的本车辆51的控制。

微型计算机100将其他车辆52的行为和其他车辆52采取的动作候补进行比较，在其他车辆52的行为(举动)与其他车辆52采取的动作候补类似的情况下，能够基于其他车辆52采取的动作候补来控制本车辆51。因此，在死角区域55中实际存在被隐藏物的情况下，本车辆51能够进行与没注意被隐藏物而行动的其他车辆52的动作相对应的适当的初始动作。因此，能够抑制本车辆51的行为的急剧变化，能够抑制给乘客带来的不适感。

微型计算机100将其他车辆52的行为与其他车辆52所采取的动作候补进行比较，在其他车辆52的行为(举动)与其他车辆52所采取的动作候补不类似的情况下，能够基于其他车辆52的行为来控制本车辆。因此，即使在死角区域55中实际存在被遮挡物，本车辆51也能够进行与实际的其他车辆52的行为相应的适当的初始动作。因此，能够抑制本车辆51的行为的急剧变化，抑制给乘客带来的不适感。

以上，利用实施方式说明了本发明的内容，但本发明并不限定于这些记载，对于本领域技术人员来说显而易见的是可以进行各种变形及改进。

在实施方式中，例示了本车辆51是能够自主行驶的自动驾驶模式的情况，但是本车辆51也可以是驾驶员的手动驾驶模式。在这种情况下，作为本车辆51的控制(驾驶辅助)，微型计算机100利用声音或图像等，控制用于对驾驶员引导方向盘、加速器、制动器的操作的扬声器、显示器、以及它们的用户界面即可。

符号说明

1 物体检测装置(物体检测传感器)

51 本车辆

52 其他车辆

53 停车车辆(物体)

53a、53b 前行车辆(物体)

54 自行车(位于死角区域中的物体)

54a、54b 停车车辆(位于死角区域中的物体)

55 死角区域

100 微型计算机(控制部)

Claims (12)

1.一种行驶辅助方法，预测本车辆周围的其他车辆的动作，并利用预测的结果辅助本车辆的行驶，其特征在于，

检测所述其他车辆及所述本车辆周围的物体，

设定从上述其他车辆看成为死角的死角区域，

从检测出的所述物体中确定位于所述死角区域中的物体，

基于所确定的所述物体预测其他车辆采取的动作。

2.如权利要求1所述的行驶辅助方法，其特征在于，

根据位于所述死角区域中的物体的行为，预测所述其他车辆的动作。

3.如权利要求1或2所述的行驶辅助方法，其特征在于，

基于所述其他车辆的位置、所述其他车辆的行进方向以及所述其他车辆的周围的道路结构，仅在所述其他车辆有可能行进的区域内设定所述死角区域。

4.如权利要求1～3中任一项所述的行驶辅助方法，其特征在于，

预测在所述其他车辆未识别位于所述死角区域中的物体的情况下所述其他车辆采取的动作。

5.如权利要求4所述的行驶辅助方法，其特征在于，

基于所述本车辆周围的道路结构，预测在所述其他车辆未识别位于所述死角区域中的物体的情况下所述其他车辆采取的动作候补，

通过比较所述其他车辆的行为和所述动作候补，预测所述其他车辆的动作。

6.如权利要求1～4中任一项所述的行驶辅助方法，其特征在于，

设定从所述其他车辆的乘客看的死角作为所述死角区域。

7.如权利要求1～4中任一项所述的行驶辅助方法，其特征在于，

设定所述其他车辆的传感器的检测范围以外作为所述死角区域。

8.如权利要求1～7中任一项所述的行驶辅助方法，其特征在于，

基于预测到的所述动作，控制本车辆。

9.如权利要求8所述的行驶辅助方法，其特征在于，

检测本车辆周围的其他车辆及物体，

设定所述死角区域，

从检测出的所述物体中确定位于所述死角区域中的物体，

基于所述本车辆周围的道路结构，预测在所述其他车辆未识别所确定的所述物体的情况下所述其他车辆采取的动作候补，

通过比较所述其他车辆的行为和所述动作候补，预测所述其他车辆的动作，

基于预测到的所述其他车辆的动作，控制所述本车辆。

10.如权利要求8或9所述的行驶辅助方法，其特征在于，

在所述行为和所述动作候补类似的情况下，基于所述动作候补控制所述本车辆。

11.如权利要求8～10中任一项所述的行驶辅助方法，其特征在于，

在所述行为和所述动作候补不类似的情况下，基于所述行为来控制所述本车辆。

12.一种行驶辅助装置，预测本车辆周围的其他车辆的动作，并基于预测结果辅助本车辆的行驶，其特征在于，具备：

物体检测传感器，其检测所述其他车辆以及所述本车辆的周围的物体；

控制部，其预测所述其他车辆的动作，

所述控制部设定从所述其他车辆看的死角区域，

从检测出的所述物体中确定位于所述死角区域中的物体，

基于所确定的所述物体预测所述其他车辆采取的动作。