CN111201554A - 行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及程序 - Google Patents
行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及程序 Download PDFInfo
- Publication number
- CN111201554A CN111201554A CN201780095722.1A CN201780095722A CN111201554A CN 111201554 A CN111201554 A CN 111201554A CN 201780095722 A CN201780095722 A CN 201780095722A CN 111201554 A CN111201554 A CN 111201554A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- travel
- traveling
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims description 15
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 40
- 230000033001 locomotion Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 55
- 238000004891 communication Methods 0.000 description 46
- 239000000523 sample Substances 0.000 description 44
- 230000006399 behavior Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 19
- 230000003287 optical effect Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 7
- 230000001629 suppression Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 230000001172 regenerating effect Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000010720 hydraulic oil Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010034719 Personality change Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/10—Interpretation of driver requests or demands
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Human Computer Interaction (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种行驶模型生成系统,其适当地处理具有与学习数据的特征大不相同的特征的数据,防止学习的精度的降低。获取来自车辆的行驶数据,并进行过滤以从该行驶数据中排除设为学习的对象外的行驶数据。对将设为学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果来生成车辆的行驶模型。根据与该行驶数据建立关联的条件对设为学习的对象外的行驶数据进行处理。
Description
技术领域
本发明涉及生成车辆的行驶模型的行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及程序。
背景技术
在自动驾驶、自动驾驶辅助的实现中,有时从专家司机所驾驶的车辆收集行驶数据,并将收集到的行驶数据作为学习数据来进行机器学习。
在进行机器学习的情况下,重要的是不降低学习的精度。在专利文献1中记载了:使用目标域和判断为对迁移学习有效的事先域,执行导入了迁移学习的机械学习来生成识别用特征数据。进一步地,在专利文献1中记载了,为了将引起负迁移的可能性高的事先域从识别用特征数据中排除,判定事先域是否对迁移学习有效。
现有技术文献
专利文献
专利文献1:日本特开2016-191975号公报
发明内容
发明所要解决的问题
在专利文献1中记载了,在事先域由具有与目标域所包括的图像的特征大不相同的特征的图像构成的情况下,防止将该事先域用于识别用特征数据的生成。
在自动驾驶、自动驾驶辅助的实现中,即使从车辆得到的行驶数据与学习数据的特征大不相同,有时该行驶数据也会成为极其重要的数据。例如,在因地震而巨石等存在于路上的状况下,专家司机如何进行行驶这样的数据对于实现自动驾驶、自动驾驶辅助而言是极其重要的数据。因而,在利用与学习数据的特征大不相同的行驶数据排除的构成中,无法制作能够应对上述那样的状况的行驶模型。
本发明的目的在于提供适当地对具有与学习数据的特征大不相同的特征的数据进行处理来防止学习的精度降低的行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及程序。
用于解决问题的手段
本发明所涉及的行驶模型生成系统是基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统,其特征在于,所述行驶模型生成系统具备:获取单元,其获取来自车辆的行驶数据;过滤单元,其从由所述获取单元获取的所述行驶数据中排除设为学习的对象外的行驶数据;生成单元,其对由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果生成第一行驶模型;以及处理单元,其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
另外,本发明所涉及的车辆是基于车辆的行驶数据来生成车辆的行驶模型的行驶模型生成系统中的车辆,其特征在于,所述车辆具备:获取单元,其获取来自车辆的行驶数据;过滤单元,其从由所述获取单元获取的所述行驶数据中排除设为行驶模型生成装置中的学习的对象外的行驶数据,所述行驶模型生成装置生成车辆的行驶模型;发送单元,其向所述行驶模型生成装置发送由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据;以及处理单元,其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
另外,本发明所涉及的处理方法处理方法是在基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统中执行的处理方法,其特征在于,所述处理方法具有:获取步骤,在所述获取步骤中,获取来自车辆的行驶数据;过滤步骤,在所述过滤步骤中,从在所述获取步骤中获取的所述行驶数据中排除设为学习的对象外的行驶数据;生成步骤,在所述生成步骤中,对在所述过滤步骤中将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果生成第一行驶模型;以及处理步骤,在所述处理步骤中,根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
另外,本发明所涉及的处理方法是基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统中的车辆中执行的处理方法,其特征在于,所述处理方法具有:获取步骤,在所述获取步骤中,获取来自车辆的行驶数据;过滤步骤,在所述过滤步骤中,从在所述获取步骤中获取的所述行驶数据中排除设为行驶模型生成装置中的学习的对象外的行驶数据,所述行驶模型生成装置生成车辆的行驶模型;发送步骤,在所述发送步骤中,向所述行驶模型生成装置发送在所述过滤步骤中将设为所述学习的对象外的行驶数据排除后的行驶数据;以及处理步骤,在所述处理步骤中,根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
发明效果
根据本发明,能够适当地对具有与学习数据的特征大不相同的特征的数据进行处理来防止学习的精度的降低。
本发明的其他特征以及优点,通过以附图为参照的以下说明而得以明确。此外,在附图中,对于相同或同样的构成,标注相同的附图标记。
附图说明
附图包括于说明书中且构成其一部分,表示本发明的实施方式并与其记述一起用于说明本发明的原理。
图1是表示行驶模型生成系统的构成的图。
图2A是表示服务器的构成的图。
图2B是表示无线基站的构成的图。
图3是车辆用控制系统的框图。
图4是车辆用控制系统的框图。
图5是车辆用控制系统的框图。
图6是表示服务器中的到行驶模型的生成为止的模块构成的图。
图7是表示到存储所生成的行驶模型为止的处理的流程图。
图8是表示过滤处理的流程图。
图9是表示过滤处理的流程图。
图10是表示过滤处理的流程图。
图11A是用于说明特定场景的图。
图11B是用于说明特定场景的图。
图12是表示车辆中的到致动器的控制为止的模块构成的图。
图13是表示到探测数据输出为止的处理的流程图。
图14是表示过滤处理的流程图。
图15是表示过滤处理的流程图。
图16是表示过滤处理的流程图。
具体实施方式
[第一实施方式]
图1是表示本实施方式中的自动驾驶或自动驾驶辅助用的行驶模型生成系统的构成的图。如图1所示,在行驶模型生成系统100中,服务器101和无线基站103构成为能够经由包括有线、无线等媒介的网络102相互通信。车辆104发送探测数据。在此,探测数据是指用于生成自动驾驶、自动驾驶辅助用的行驶模型的行驶数据,例如包括速度、加速度等车辆运动信息、通过HMI(人机界面)输入的司机的注释信息。此外,在本实施方式中,将车辆104作为专家司机(老司机)驾驶的车辆而进行说明。另外,也存在车辆104是安装有由服务器101生成的行驶模型而构成自动驾驶辅助系统的车辆的情况。
无线基站103例如设置于信号机等公共设施,并经由网络102向服务器101发送从车辆104发送的探测数据。在图1中,为了便于说明,将无线基站103和车辆104表示为一对一,但也存在多台车辆104对应于一个无线基站103的情况。
服务器101学习从车辆104收集到的探测数据,生成自动驾驶、自动驾驶辅助用的行驶模型。行驶模型除了弯道、交叉路口、跟随行驶等基本行驶模型之外,还包括突然出现预测、超车预测等避免风险模型。服务器101还能够收集来自安装有由服务器101生成的行驶模型的车辆104的探测数据,进而进行学习。
图2A是表示服务器101的构成的图。处理器201综合地控制服务器101,例如将存储于存储部203的控制程序读出到作为存储介质的一个例子的存储器202并进行执行,由此实现本实施方式的动作。网络接口(NWI/F)204是用于能够与网络102通信的接口,具有与网络102的媒介相对应的构成。
学习部205例如包括能够构建深度神经网络的模型的GPU,并基于探测数据所包括的周边环境信息、GPS位置信息来识别车辆104的周边环境。由学习部205生成的行驶模型等被存储在学习完毕数据保持部206中。图2A所示的各模块构成为能够经由总线207相互通信。另外,学习部205能够经由GPS获取车辆104的位置周边的地图信息,例如,能够基于探测数据所包括的周边环境信息和车辆104的位置周边的地图信息来生成3D地图。
图2B是表示无线基站103的构成的图。处理器211例如将存储于存储部213的控制程序读出到存储器212并进行执行,由此综合地控制无线基站103。网络接口(NWI/F)215是用于能够与网络102通信的接口,具有与网络102的媒介相对应的构成。接口(I/F)214是与车辆104通信的无线通信接口,无线基站103接收通过I/F214从车辆104接收到的探测数据。所接收到的探测数据被进行数据转换,并通过NWI/F215经由网络102被发送到服务器101。图2B所示的各模块构成为能够经由总线216相互通信。
图3~图5是本实施方式中的车辆用控制系统1的框图。控制系统1控制车辆V。在图3以及图4中,车辆V的概要由俯视图和侧视图表示。作为一个例子,车辆V是轿车型的四轮乘用车。控制系统1包括控制装置1A和控制装置1B。图3是表示控制装置1A的框图,图4是表示控制装置1B的框图。图5主要表示控制装置1A与控制装置1B之间的通信线路以及电源的构成。
控制装置1A和控制装置1B是将车辆V实现的一部分功能多重化或冗余化的装置。由此,能够提高系统的可靠性。控制装置1A例如除了进行自动驾驶控制、手动驾驶中的通常的动作控制以外,还进行与避免危险等相关的行驶辅助控制。控制装置1B主要负责与避免危险等相关的行驶辅助控制。有时将行驶辅助称为驾驶辅助。通过在控制装置1A和控制装置1B中进行功能冗余化并且进行不同的控制处理,能够实现控制处理的分散化,并且提高可靠性。
本实施方式的车辆V是并联方式的混合动力车辆,在图4中示意性地图示了输出使车辆V的驱动轮旋转的驱动力的动力装置50的构成。动力装置50具有内燃机EG、马达M以及自动变速器TM。马达M能够用作使车辆V加速的驱动源,并且还能够在减速时等用作发电机(再生制动)。
<控制装置1A>
参照图3对控制装置1A的构成进行说明。控制装置1A包括ECU组(控制单元组)2A。ECU组2A包括多个ECU20A~ECU29A。各ECU包括以CPU为代表的处理器、半导体存储器等存储设备、以及与外部设备的接口等。在存储设备中储存处理器所执行的程序、处理器在处理中所使用的数据等。各ECU可以具备多个处理器、存储设备以及接口等。此外,关于ECU的数量、负责的功能,能够适当地设计,能够比本实施方式更细化或者整合。此外,在图3以及图5中,标注了ECU20A~ECU29A的代表性的功能的名称。例如,在ECU20A中记载为“自动驾驶ECU”。
ECU20A作为车辆V的行驶控制而执行与自动驾驶相关的控制。在自动驾驶中,不依赖于驾驶员的驾驶操作而自动地进行车辆V的驱动(基于动力装置50的车辆V的加速等)、转向或制动中的至少一者。在本实施方式中,也包括自动地进行驱动、转向以及制动的情况。
ECU21A是基于检测车辆V的周围状况的检测单元31A、32A的检测结果来识别车辆V的行驶环境的环境识别单元。ECU21A生成后述的目标数据作为周边环境信息。
在本实施方式的情况下,检测单元31A是通过摄像来检测车辆V周围的物体的摄像设备(以下,有时表述为摄像机31A。)。摄像机31A设置于车辆V的车顶前部以便能够拍摄车辆V的前方。通过对摄像机31A拍摄到的图像的解析,能够提取目标的轮廓、道路上的车道的划分线(白线等)。
在本实施方式的情况下,检测单元32A是利用光来检测车辆V周围的物体的光学雷达(LIDAR:Light Detection and Ranging)(光学雷达)(以下,有时表述为光学雷达32A),对车辆V的周围的目标进行检测,或者对与目标之间的距离进行测距。在本实施方式的情况下,光学雷达32A设置有五个,在车辆V的前部的各角部各设置有一个,在后部中央设置有一个,在后部各侧方各设置有一个。可以适当选择光学雷达32A的数量、配置。
ECU29A是基于检测单元31A的检测结果而作为车辆V的行驶控制来执行与行驶辅助(换言之,驾驶辅助)相关的控制的行驶辅助单元。
ECU22A是控制电动动力转向装置41A的转向控制单元。电动动力转向装置41A包括根据驾驶员对方向盘ST的驾驶操作(转向操作)来使前轮转向的机构。电动动力转向装置41A包括发挥用于对转向操作进行辅助或者使前轮自动转向的驱动力的马达、检测马达的旋转量的传感器、检测驾驶员所负担的转向扭矩的扭矩传感器等。
ECU23A是控制液压装置42A的制动控制单元。驾驶员对制动踏板BP的制动操作在制动主缸BM中被转换为液压而传递至液压装置42A。液压装置42A是能够基于从制动主缸BM传递来的液压而对向分别设置于四轮中的制动装置(例如盘式制动装置)51供给的工作油的液压进行控制的致动器,ECU23A进行液压装置42A具备的电磁阀等的驱动控制。在本实施方式的情况下,ECU23A以及液压装置23A构成电动伺服制动器,ECU23A例如控制基于四个制动装置51的制动力与基于马达M的再生制动的制动力的分配。
ECU24A是对设置于自动变速器TM的电动驻车锁定装置50a进行控制的停止维持控制单元。电动驻车锁定装置50a具备主要在P挡(驻车挡)选择时锁定自动变速器TM的内部机构的机构。ECU24A能够控制基于电动驻车锁定装置50a的锁定以及锁定解除。
ECU25A是对向车内报告信息的信息输出装置43A进行控制的车内报告控制单元。信息输出装置43A例如包括平视显示器等显示装置、语音输出装置。也可以进一步包括振动装置。ECU25A使信息输出装置43A例如输出车速、外部气温等各种信息、路径引导等信息。
ECU26A是对向车外报告信息的信息输出装置44A进行控制的车外报告控制单元。在本实施方式的情况下,信息输出装置44A是方向指示器(危险警示灯),ECU26A作为方向指示器而进行信息输出装置44A的闪烁控制,由此对车外报告车辆V的行进方向,并向车外报告车辆V的行进方向,另外,作为危险警示灯而进行信息输出装置44A的闪烁控制,由此能够使车外提高对车辆V的注意力。
ECU27A是对动力装置50进行控制的驱动控制单元。在本实施方式中,对动力装置50分配了一个ECU27A,但也可以分别对内燃机EG、马达M以及自动变速器TM各分配一个ECU。ECU27A例如与由设置于油门踏板AP的操作检测传感器34a、设置于制动踏板BP的操作检测传感器34b检测到的驾驶员的驾驶操作、车速等对应地控制内燃机EG、马达M的输出,或者切换自动变速器TM的变速挡。此外,在自动变速器TM中,作为检测车辆V的行驶状态的传感器,设置有检测自动变速器TM的输出轴的转速的转速传感器39。能够根据转速传感器39的检测结果来运算车辆V的车速。
ECU28A是识别车辆V的当前位置、行进路线的位置识别单元。ECU28A进行陀螺仪传感器33A、GPS传感器28b、通信装置28c的控制以及检测结果或通信结果的信息处理。陀螺仪传感器33A检测车辆V的旋转运动。能够根据陀螺仪传感器33的检测结果等判定车辆V的行进路线。GPS传感器28b检测车辆V的当前位置。通信装置28c与提供地图信息、交通信息的服务器进行无线通信,获取这些信息。在数据库28a中,能够储存高精度的地图信息,ECU28A能够基于该地图信息等来更高精度地确定车道上的车辆V的位置。另外,通信装置28c也被用于车车间通信、路车间通信,例如能够获取其他车辆的信息。
输入装置45A以驾驶员能够操作的方式配置于车内,接受来自驾驶员的指示、信息的输入。
<控制装置1B>
参照图4对控制装置1B的构成进行说明。控制装置1B包括ECU组(控制单元组)2B。ECU组2B包括多个ECU21B~ECU25B。各ECU包括以CPU、GPU为代表的处理器、半导体存储器等存储设备、以及与外部设备的接口等。在存储设备中储存处理器所执行的程序、处理器在处理中所使用的数据等。各ECU可以具备多个处理器、存储设备以及接口等。此外,关于ECU的数量、负责的功能,能够适当地设计,能够比本实施方式更细化或者整合。此外,与ECU组2A同样地,在图4以及图5中标注ECU21B~ECU25B的代表性的功能的名称。
ECU21B是基于检测车辆V的周围状况的检测单元31B、32B的检测结果来识别车辆V的行驶环境的环境识别单元,并且是作为车辆V的行驶控制而执行与行驶辅助(换言之,驾驶辅助)相关的控制的行驶辅助单元。ECU21B生成后述的目标数据作为周边环境信息。
此外,在本实施方式中,构成为ECU21B具有环境识别功能和行驶辅助功能,但也可以如控制装置1A的ECU21A和ECU29A那样为每个功能设置ECU。相反,在控制装置1A中,也可以构成为如ECU21B那样由一个ECU实现ECU21A和ECU29A的功能。
在本实施方式的情况下,检测单元31B是通过摄像来检测车辆V周围的物体的摄像设备(以下,有时表述为摄像机31B。)。摄像机31B设置于车辆V的车顶前部以便能够拍摄车辆V的前方。通过对摄像机31B拍摄到的图像的解析,能够提取目标的轮廓、道路上的车道的划分线(白线等)。在本实施方式的情况下,检测单元32B是通过电波检测车辆V的周围的物体的毫米波雷达(以下,有时表述为雷达32B),对车辆V的周围的目标进行检测,或者对与目标之间的距离进行测距。在本实施方式的情况下,雷达32B设置有五个,在车辆V的前部中央设置有一个,在前部各角部各设置有一个,在后部各角部各设置有一个。能够适当选择雷达32B的数量、配置。
ECU22B是控制电动动力转向装置41B的转向控制单元。电动动力转向装置41B包括根据驾驶员对方向盘ST的驾驶操作(转向操作)来使前轮转向的机构。电动动力转向装置41B包括发挥用于对转向操作进行辅助或者使前轮自动转向的驱动力的马达、检测马达的旋转量的传感器、检测驾驶员所负担的转向扭矩的扭矩传感器等。另外,在ECU22B经由后述的通信线路L2而电连接有转向角传感器37,能够基于转向角传感器37的检测结果来控制电动动力转向装置41B。ECU22B能够获取检测驾驶员是否把持方向盘ST的传感器36的检测结果,能够监视驾驶员的把持状态。
ECU23B是控制液压装置42B的制动控制单元。驾驶员对制动踏板BP的制动操作在制动主缸BM中被转换为液压而传递至液压装置42B。液压装置42B是能够基于从制动主缸BM传递来的液压而对向各车轮的制动装置51供给的工作油的液压进行控制的致动器,ECU23B进行液压装置42B所具备的电磁阀等的驱动控制。
在本实施方式的情况下,在ECU23B以及液压装置23B中电连接有与分别设置于四轮的车轮速度传感器38、偏航率传感器33B、检测制动主缸BM内的压力的压力传感器35,基于它们的检测结果,实现ABS功能、牵引力控制以及车辆V的姿态控制功能。例如,ECU23B基于分别设置于四轮的车轮速度传感器38的检测结果来调整各车轮的制动力,抑制各车轮的滑行。另外,基于偏航率传感器33B检测到的车辆V的绕铅垂轴的旋转角速度来调整各车轮的制动力,抑制车辆V的急剧的姿态变化。
另外,ECU23B也作为对向车外报告信息的信息输出装置43B进行控制的车外报告控制单元而发挥功能。在本实施方式的情况下,信息输出装置43B是制动灯,在制动时等,ECU23B能够点亮制动灯。由此,能够使后续车辆提高对车辆V的注意力。
ECU24B是对设置于后轮的电动驻车制动装置(例如鼓式制动器)52进行控制的停止维持控制单元。电动驻车制动装置52具备锁定后轮的机构。ECU24B能够控制基于电动驻车制动装置52的后轮的锁定以及锁定解除。
ECU25B是对向车内报告信息的信息输出装置44B进行控制的车内报告控制单元。在本实施方式的情况下,信息输出装置44B包括配置于仪表板的显示装置。ECU25B能够使信息输出装置44B输出车速、油耗等各种信息。
输入装置45B以驾驶员能够操作的方式配置于车内,接受来自驾驶员的指示、信息的输入。
<通信线路>
参照图5对将ECU间连接为能够通信的、控制系统1的通信线路的例子进行说明。控制系统1包括有线的通信线路L1~L7。通信线路L1上连接有控制装置1A的各ECU20A~ECU27A、ECU29A。此外,ECU28A也可以与通信线路L1连接。
通信线路L2上连接有控制装置1B的各ECU21B~ECU25B。另外,控制装置1A的ECU20A也与通信线路L2连接。通信线路L3将ECU20A与ECU21A连接。通信线路L5连接ECU20A、ECU21A以及ECU28A。通信线路L6连接ECU29A和ECU21A。通信线路L7连接ECU29A和ECU20A。
通信线路L1~L7的协议可以相同也可以不同,但也可以根据通信速度、通信量、耐久性等通信环境而不同。例如,在通信速度方面,通信线路L3以及L4可以是Ethernet(注册商标)。例如,通信线路L1、L2、L5~L7可以是CAN。
控制装置1A具备网关GW。网关GW对通信线路L1和通信线路L2进行中继。因此,例如,ECU21B能够经由通信线路L2、网关GW以及通信线路L1向ECU27A输出控制指令。
<电源>
参照图5对控制系统1的电源进行说明。控制系统1包括大容量电池6、电源7A和电源7B。大容量电池6是马达M的驱动用电池,并且是由马达M充电的电池。
电源7A是向控制装置1A供给电力的电源,包括电源电路71A和电池72A。电源电路71A是将大容量电池6的电力供给至控制装置1A的电路,例如将大容量电池6的输出电压(例如190V)降压至基准电压(例如12V)。电池72A例如是12V的铅电池。通过设置电池72A,从而即使在大容量电池6、电源电路71A的电力供给被切断或者降低的情况下,也能够向控制装置1A进行电力的供给。
电源7B是向控制装置1B供给电力的电源,包括电源电路71B和电池72B。电源电路71B是与电源电路71A同样的电路,是将大容量电池6的电力供给至控制装置1B的电路。电池72B是与电池72A同样的电池,例如是12V的铅电池。通过设置电池72B,从而即使在大容量电池6、电源电路71B的电力供给被切断或者降低的情况下,也能够向控制装置1B进行电力的供给。
<冗余化>
对控制装置1A与控制装置1B所具有的功能的共通性进行说明。通过使相同功能冗余化,能够提高控制系统1的可靠性。另外,就冗余化的一部分功能而言,并非对完全相同的功能进行多重化,而是发挥不同的功能。这抑制了功能的冗余化所导致的成本上升。
[致动器系统]
〇转向
控制装置1A具有电动动力转向装置41A以及控制该电动动力转向装置41A的ECU22A。控制装置1B也具有电动动力转向装置41B以及控制该电动动力转向装置41B的ECU22B。
〇制动
控制装置1A具有液压装置42A以及控制该液压装置42A的ECU23A。控制装置1B具有液压装置42B以及控制该液压装置42B的ECU23B。它们均能够用于车辆V的制动。另一方面,控制装置1A的制动机构将基于制动装置51的制动力与基于马达M的再生制动的制动力的分配作为主要功能,与此相对地,控制装置1B的制动机构将姿态控制等作为主要功能。两者尽管在制动这一点上是共通的,但发挥互不相同的功能。
〇停止维持
控制装置1A具有电动驻车锁定装置50a以及控制该电动驻车锁定装置50a的ECU24A。控制装置1B具有电动驻车制动装置52以及控制该电动驻车制动装置52的ECU24B。它们均能够用于维持车辆V的停车。另一方面,电动驻车锁定装置50a是在自动变速器TM的P挡选择时发挥功能的装置,与此相对地,电动驻车制动装置52是锁定后轮的装置。两者尽管在维持车辆V的停止这一点上是共通的,但发挥互不相同的功能。
〇车内报告
控制装置1A具有信息输出装置43A以及控制该信息输出装置43A的ECU25A。控制装置1B具有信息输出装置44B以及控制该信息输出装置44B的ECU25B。它们均能够用于向驾驶员报告信息。另一方面,信息输出装置43A例如是平视显示器,信息输出装置44B是仪表类等显示装置。两者尽管在车内报告这一点上是共通的,但能够采用互不相同的显示装置。
〇车外报告
控制装置1A具有信息输出装置44A以及控制该信息输出装置44A的ECU26A。控制装置1B具有信息输出装置43B以及控制该信息输出装置43B的ECU23B。它们均能够用于向车外报告信息。另一方面,信息输出装置43A是方向指示器(危险警示灯),信息输出装置44B是制动灯。两者尽管在车外报告这一点上是共通的,但发挥互不相同的功能。
〇差异点
控制装置1A具有控制动力装置50的ECU27A,与此相对地,控制装置1B不具有控制动力装置50的单独的ECU。在本实施方式的情况下,控制装置1A以及控制装置1B均能够单独地进行转向、制动、停止维持,即使在控制装置1A或者控制装置1B中的任一方性能降低或者电源切断或者通信切断的情况下,也能够抑制车道的偏离并且减速而维持停止状态。另外,如上所述,ECU21B能够经由通信线路L2、网关GW以及通信线路L1向ECU27A输出控制指令,从而ECU21B也能够控制动力装置50。通过使控制装置1B不具备控制动力装置50的单独的ECU,能够抑制成本上升,但也可以具备控制动力装置50的单独的ECU。
[传感器系统]
〇周围状况的检测
控制装置1A具有检测单元31A以及检测单元32A。控制装置1B具有检测单元31B以及检测单元32B。它们均能够用于车辆V的行驶环境的识别。另一方面,检测单元32A是光学雷达,检测单元32B是雷达。光学雷达一般在形状的检测中较为有利。另外,雷达通常比光学雷达在成本方面较为有利。通过并用特性不同的这些传感器,能够实现目标的识别性能的提高、成本削减。检测单元31A、31B都为摄像机,但可以使用特性不同的摄像机。例如,可以是一方比另一方分辨率高的摄像机。另外,视角也可以互不相同。
就控制装置1A与控制装置1B的比较而言,检测单元31A以及检测单元32A的检测特性可以与检测单元31B以及检测单元32B不同。在本实施方式的情况下,检测单元32A是光学雷达,通常,目标的边缘的检测性能比雷达(检测单元32B)高。另外,在雷达中,相对于光学雷达,通常相对速度检测精度、耐候性优异。
另外,如果将摄像机31A设为比摄像机31B分辨率高的摄像机,则检测单元31A以及检测单元32A的检测性能比检测单元31B以及检测单元32B的检测性能高。通过组合多个这些检测特性以及成本不同的传感器,在以系统整体进行考量的情况下,有时能得到成本优势。另外,通过组合检测特性不同的传感器,从而与将同一传感器进行冗余的情况相比,还能够减少漏检测、误检测。
〇车速
控制装置1A具有转速传感器39。控制装置1B具有车轮速度传感器38。它们均能够用于检测车速。另一方面,转速传感器39检测自动变速器TM的输出轴的转速,车轮速度传感器38检测车轮的转速。两者尽管在能够检测车速这一点上是共通的,但是为检测对象互不相同的传感器。
〇偏航率
控制装置1A具有陀螺仪33A。控制装置1B具有偏航率传感器33B。它们均能够用于检测车辆V绕铅垂轴的角速度。另一方面,陀螺仪33A用于车辆V的行进路线判定,偏航率传感器33B用于车辆V的姿态控制等。两者尽管在能够检测车辆V的角速度这一点上是共通的,但是为利用目的互不相同的传感器。
〇转向角以及转向扭矩
控制装置1A具有对电动动力转向装置41A的马达的旋转量进行检测的传感器。控制装置1B具有转向角传感器37。它们均能够用于检测前轮的转向角。在控制装置1A中,不对转向角传感器37进行增设而利用对电动动力转向装置41A的马达的旋转量进行检测的传感器,由此能够抑制成本上升。不过,也可以增设转向角传感器37并将其也设置于控制装置1A。
另外,通过使电动动力转向装置41A、41B均包括扭矩传感器,从而在控制装置1A、1B的任一者中均能够识别转向扭矩。
〇制动操作量
控制装置1A具有操作检测传感器34b。控制装置1B具有压力传感器35。它们均能够用于检测驾驶员的制动操作量。另一方面,操作检测传感器34b用于对基于四个制动装置51的制动力与基于马达M的再生制动的制动力的分配进行控制,压力传感器35用于姿态控制等。两者尽管在检测制动操作量这一点上是共通的,但是为利用目的相互不同的传感器。
[电源]
控制装置1A从电源7A接受电力的供给,控制装置1B从电源7B接受电力的供给。即使在电源7A或者电源7B中的任一者的电力供给被切断或者降低的情况下,也向控制装置1A或者控制装置1B中的任一方供给电力,因此能够更可靠地确保电源而提高控制系统1的可靠性。在电源7A的电力供给被切断或者降低的情况下,夹设有在控制装置1A中设置的网关GW的ECU间的通信变得困难。但是,在控制装置1B中,ECU21B能够经由通信线路L2而与ECU22B~ECU24B、ECU44B进行通信。
[控制装置1A内的冗余化]
控制装置1A具备进行自动驾驶控制的ECU20A和进行行驶辅助控制的ECU29A,从而具备两个进行行驶控制的控制单元。
<控制功能的例子>
能够由控制装置1A或者控制装置1B执行的控制功能包括与车辆V的驱动、制动、转向的控制相关的行驶关联功能、以及与对驾驶员的信息的报告相关的报告功能。
作为行驶关联功能,例如能够列举车道维持控制、车道偏离抑制控制(偏离道路抑制控制)、车道变更控制、前行车辆跟随控制、碰撞减轻制动控制、误起步抑制控制。作为报告功能,能够列举相邻车辆报告控制、前行车辆起动报告控制。
车道维持控制是指车辆相对于车道的位置的控制之一,是使车辆在设定于车道内的行驶轨道上自动地(与驾驶员的驾驶操作无关地)进行行驶的控制。车道偏离抑制控制是指车辆相对于车道的位置的控制之一,是对白线或中央分离带进行检测而并以使车辆不超线的方式自动地进行转向的控制。如此,车道偏离抑制控制和车道维持控制的功能不同。
车道变更控制是指使车辆自动地从行驶中的车道向相邻车道移动的控制。前行车跟随控制是指自动地跟随在本车辆的前方行驶的其他车辆的控制。碰撞减轻制动控制是指,在与车辆的前方的障碍物的碰撞可能性升高的情况下自动地进行制动来辅助避免碰撞的控制。误起步抑制控制是在车辆的停止状态下驾驶员的加速操作为规定量以上的情况下限制车辆的加速的控制,抑制突然起步。
相邻车辆报告控制是指,向驾驶员报告在与本车辆的行驶车道相邻的相邻车道上行驶的其他车辆的存在的控制,例如,报告在本车辆的侧方、后方行驶的其他车辆的存在。前行车辆起步报告控制是指报告本车辆及其前方的其他车辆处于停止状态而前方的其他车辆进行了起步的情况的控制。这些报告能够通过上述的车内报告设备(信息输出装置43A、信息输出装置44B)来进行。
ECU20A、ECU29A以及ECU21B能够分担执行这些控制功能。能够适当选择将哪个控制功能分配给哪个ECU。
接着,参照图6以及图7对本实施方式中的服务器101的动作进行说明。图6是表示在服务器101中从探测数据的输入到行驶模型的生成为止的模块构成的图。图6的模块601、602、603、604、605、606由服务器101的学习部205实现。此外,模块607由服务器101的学习完毕数据保持部206实现。
图7是表示从探测数据的输入到所生成的行驶模型的存储为止的处理的流程图。在S101中,模块601输入探测数据。此处所输入的探测数据是从车辆104发送的行驶数据。另外,探测数据包括速度、加速度等车辆运动信息、表示车辆104的位置的GPS位置信息、车辆104的周边环境信息、通过HMI输入的司机的注释信息。在S101中,如图1所示,从各车辆104接收探测数据。
在S102中,模块602基于车辆运动信息和周边环境信息来生成环境模型。在此,周边环境信息例如是指由搭载于车辆104的检测单元31A、31B、32A、32B(摄像机、雷达、光学雷达)获取的图像信息、检测信息。或者,周边环境信息有时也通过车车间通信、路车间通信而获取。模块602对弯道、交叉路口这样的每个场景生成环境模型1、2、……N,并且识别护栏、分离带等障碍物或标识等并输出到模块606。模块606基于模块602的识别结果而计算用于最佳路径判断的潜在风险,并将该计算结果输出到模块604。
在S103中,模块603基于由模块602生成的环境模型和探测数据的车辆运动信息,为了提取成为模块604中的判断对象的车辆行为而进行过滤。关于S103中的过滤将在后面阐述。
在S104中,模块604基于由模块603过滤而得的车辆行为、由模块606计算出的潜在风险和已经生成并存储在学习完毕数据保持部206中的行驶模型来判断最佳路径。例如通过对与从各车辆104收集到的探测数据对应的车辆行为的特征量进行回归分析来导出最佳路径。
在S105中,模块605基于模块603的判断结果,生成与各场景对应的行驶模型1~N(基本行驶模型)。另外,对于需要避免风险的特定场景,生成避免风险模型。关于特定场景将在后面阐述。
在S106中,模块607将由模块605生成的生成完毕行驶模型607存储在学习完毕数据保持部206中。所存储的生成完毕行驶模型607用于模块604中的判断。在S106之后,结束图7的处理。在S105中生成的生成完毕行驶模型607除了为了用于模块604中的判断而存储于学习完毕数据保持部206之外,也存在向车辆104安装的情况。
图8是表示S103的过滤处理的流程图。在S201中,模块603从由模块601输入的探测数据中获取车辆运动信息。而且,在S202中,模块603获取由模块602生成的环境模型。
在S203中,模块603对与所收集到的探测数据对应的车辆行为的特征量进行类别分类。然后,在S204中,模块603判定当前关注的车辆行为的特征量在聚类分析完毕的分类机中是否属于特定类别。特定类别可以基于S104的最佳路径判断的判断基准(例如,司机的驾驶技术等级)来决定。例如,可以为,预先将专家司机的驾驶技术等级设定得越高,则判断为所收集的探测数据的可靠性越高,决定越多特定类别。针对被判定为属于特定类别的车辆行为的特征量,结束图8的处理,进行S104的最佳路径判断。另一方面,在判定为不属于特定类别的情况下,进入S205。在S205中,模块603对被判定为不属于特定类别的车辆行为的特征量是否属于特定场景进行判定。此外,S204中的“不属于特定类别”这样的判定例如也可以基于异常检测的发现而进行。
在此,对特定场景进行说明。尽管设为具有规定的驾驶技术的专家司机驾驶车辆104,但是行驶环境并不总是保持为恒定的状态。例如,也可能存在因地震而在车道的局部发生地裂的状况。图11A、11B是表示在车道的局部发生了地裂的场景的图。图11A表示司机视点下的场景,图11B表示从上方观察的视点下的场景。在此,如图11B的虚线所示,设为专家司机驾驶车辆104避开了地裂。
图11A以及图11B所示的场景是极为罕见的状况,因此,希望将虚线所示的车辆运动信息从模块604中的判断对象中排除。但是,另一方面,在遭遇到图11A以及11B所示那样的场景时,也需要将沿着怎样的行驶道路来避开地裂生成为行驶模型。因此,在本实施方式中,在遭遇到图11A以及图11B那样的场景的情况下,专家司机通过HMI输入“当前、避免风险中”等注释。然后,车辆104将该注释信息包括在内地作为探测数据进行发送。
在S205中,模块603基于探测数据中包括的注释信息,对被判定为不属于特定类别的车辆行为的特征量是否属于特定场景进行判定。在判定为属于特定场景的情况下,在S206中,模块604针对该车辆行为的特征量进行回归分析,模块605基于该分析结果而生成针对特定场景的避免风险模型。在S206之后,结束图8的处理,进行S106的处理。
另一方面,在被判定为不属于特定类别的车辆行为的特征量被判定为不属于特定场景的情况下,进入S207。在S207中,模块603将该车辆行为的特征量设为模块604中的判断对象外。在S207中,例如也可以丢弃该车辆行为的特征量。在S207之后,获取接下来要关注的车辆运动信息和环境模型。
通过图8的处理,能够过滤并排除对于最佳路径判断而言不合适的车辆行为的特征量。另外,在该排除的特征量适合作为避免风险模型的情况下,能够从自车辆104接收到的行驶数据中提取该特征量并用于避免风险模型的生成。
图9是表示S103的过滤处理的其他的流程图。S301~S306与图8的S201~S206中的说明相同,因此省略其说明。
在图9中,在S305中将被判定为不属于特定类别的车辆行为的特征量判定为不属于特定场景的情况下,在S307中,模块603对该车辆行为的特征量赋予负的回报。即,在针对该车辆行为的特征量赋予了负的回报的基础上结束图9的处理,进行S104的最佳路径判断。通过这样的构成,在模块604中的判断中,能够防止泛化能力的降低。
在图8以及图9中,针对被判定为不属于特定类别的车辆行为的特征量,进行S205或者S305之后的处理。在上述中,列举了图11A以及图11B的例子,从而判定是否属于特定类别的判定对象为行驶路径,但并不特别限定于行驶路径。例如,加速度、减速度也可以作为该判定对象。这样的状况是指例如行驶环境正常但动物等突然进入行驶道路的状况。在这样的情况下,也能够通过参照来自专家司机的经由HMI的注释来认定为属于特定场景,并在S206以及S306中生成针对特定场景的避免风险模型。
另外,S205、S305中的针对特定场景的判定并不限定于基于来自专家司机的经由HMI的注释所进行的判定。例如,可以使遵循车辆104所安装的避免风险模型的警报、紧急制动的工作的信息包括在探测数据中,并基于该信息判定为车辆行为的特征量属于特定场景。
图10是表示S103的过滤处理的其他的流程图。S401、S402、S404~S406与图8的S201、S202、S205~S207中的说明相同,因此省略其说明。
在图8以及图9中,针对类别分类的结果被判定为不属于特定类别的车辆行为的特征量,进行S205或者S305之后的处理。但是,也可以采用使用类别分类的结果以外的判定方法。
在图10中,在S403中,模块603判定是否满足用于在模块604中进行判定的条件。例如,如果模块606的潜在风险为阈值以上,则判定为不满足条件,进入S404。这例如是由于活动的举办而步行者非常多的状况。在该情况下,在S404中,由于潜在风险为规定值以上,因此可以判定为车辆行为的特征量属于特定场景。
另外可以认为,如果是以上所述那样的特殊的状况、即特定场景,则即使是专家司机也会处于少许的紧张状态。因此,服务器101可以与探测数据一起从车辆104收集司机的生物体信息、脸部图像。司机的生物体信息例如从来自方向盘等与司机的皮肤接触的部分中的传感器获取,另外,脸部图像例如从设置于车内的摄像头获取。另外,可以从平视显示器获取司机的视线信息,并对其晃动进行判断。
可以为,在判断为司机的心率、面部表情、制动踏板或油门踏板的踩踏力等不处于通常状态(例如存在变动)的情况下,认定为不满足条件而进入S404。在该情况下,在S404中,如果潜在风险为阈值以上,则可以判定为车辆行为的特征量属于特定场景。另外,如果潜在风险小于阈值,则判断为仅是由于司机的身体不适的缘故,在S406中对该车辆行为的特征量赋予负的回报,或者也可以与S207同样地将该特征量设为模块604中的判断对象外。
在本实施方式中,由于并不将过滤功能构成在车辆104中而是构成在服务器101中,因此在想要变更过滤的特性的情况下、例如在想要变更S204中的是否属于特定类别的判断基准的情况下也能够容易地进行应对。
<实施方式的总结>
本实施方式的行驶模型生成系统是基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统,其特征在于,所述行驶模型生成系统具备:获取单元(S201、S202),其获取来自车辆的行驶数据;过滤单元(S204),其从由所述获取单元获取的所述行驶数据中排除设为学习的对象外的行驶数据;生成单元(S104、S105),其对由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果生成第一行驶模型;以及处理单元(S206、S207、S307),其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。通过这样的构成,能够防止学习精度的降低,并且对设为学习的对象外的行驶数据也能够适当地进行处理。
另外,本实施方式的行驶模型生成系统的特征在于,所述条件为所述车辆在特定场景中行驶(S205:是),所述处理单元针对设为所述学习的对象外的行驶数据生成第二行驶模型(S206)。通过这样的构成,在特定场景中行驶的情况下,能够针对设为学习的对象外的行驶数据生成行驶模型。
另外,本实施方式的行驶模型生成系统的特征在于,所述处理单元根据所述条件来丢弃设为所述学习的对象外的行驶数据(S207)。通过这样的构成,能够不将设为学习的对象外的行驶数据用于学习。
另外,本实施方式的行驶模型生成系统的特征在于,所述处理单元根据所述条件对设为所述学习的对象外的行驶数据赋予负的回报,并将该行驶数据设为所述学习的对象(S307)。通过这样的构成,能够防止学习的泛化能力的降低。
另外,本实施方式的行驶模型生成系统的特征在于,所述条件为所述车辆未在特定场景中行驶(S205:否)。通过这样的构成,能够对未在行驶场景中行驶的情况下的行驶数据进行适当的处理。
另外,本实施方式的行驶模型生成系统的特征在于,所述行驶模型生成系统还具备判定单元(S205),所述判定单元判定所述车辆是否在所述特定场景中行驶。另外,本实施方式的行驶模型生成系统的特征在于,所述判定单元基于所述行驶数据中包括的注释信息,判定为所述车辆在所述特定场景中行驶(S205)。通过这样的构成,例如能够基于来自司机的注释而判定为在特定场景中行驶。
另外,本实施方式的行驶模型生成系统的特征在于,所述判定单元基于所述行驶数据中包括的所述车辆的紧急操作信息,判定为所述车辆在所述特定场景中行驶(S205)。通过这样的构成,例如能够基于紧急制动的动作信息而判定为在特定场景中行驶。
另外,本实施方式的行驶模型生成系统的特征在于,所述判定单元基于所述行驶数据中包括的与所述车辆的司机相关的信息,判定为所述车辆在所述特定场景中行驶(S205)。通过这样的构成,例如能够基于司机的心率来判定是否在特定场景中行驶。
另外,本实施方式的行驶模型生成系统的特征在于,所述判定单元基于从所述行驶数据得到的潜在风险,判定为所述车辆在所述特定场景中行驶(S205)。通过这样的构成,例如,作为特定场景,能够判定为在步行者较多的场景中行驶。
另外,本实施方式的行驶模型生成系统的特征在于,所述过滤单元将对由所述获取单元获取的所述行驶数据进行的类别分类的结果为不属于特定类别的行驶数据设为所述学习的对象外(S203、S204)。通过这样的构成,能够将不属于特定类别的行驶数据设为学习的对象外。
本实施方式的行驶模型生成系统的特征在于,由所述获取单元获取的所述行驶数据包括车辆运动信息(S201)。通过这样的构成,例如能够将速度、加速度、减速度用于学习。
另外,本实施方式的行驶模型生成系统的特征在于,所述生成单元包括学习行驶数据的学习单元(模块604),所述学习单元使用已经学习完毕的数据来对由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习。通过这样的构成,能够使用已经学习完毕的数据进行学习。
[第二实施方式]
在第一实施方式中,说明了在数据收集系统100中由服务器101进行过滤的处理的构成。在本实施方式中,对由车辆104进行过滤的处理的构成进行说明。以下,对与第一实施方式的不同点进行说明。另外,本实施方式的动作例如通过处理器读出并执行存储介质所存储的程序来实现。
图12是表示在车辆104中从外界信息的获取到致动器的控制为止的模块构成的图。图12的模块1201例如由图3的ECU21A实现。模块1201获取车辆V的外界信息。在此,外界信息例如是指由搭载于车辆104的检测单元31A、31B、32A、32B(摄像机、雷达、光学雷达)获取的图像信息、检测信息。或者,也存在通过车车间通信、路车间通信来获取外界信息的情况。模块1201识别护栏、分离带等障碍物或标识等,并将其识别结果输出到模块1202以及模块1208。模块1208例如由图3的ECU29A实现,基于由模块1201识别出的障碍物、行人、其他车辆等的信息,计算用于最佳路径判断的潜在风险,并将其计算结果输出到模块1202。
模块1202例如由图3的ECU29A实现。模块1202根据外界信息的识别结果、速度、加速度等车辆运动信息、来自司机1210的操作信息(转向量、油门量等)等来判断最佳路径。此时,考虑行驶模型1205、避免风险模型1206。行驶模型1205、避免风险模型1206例如是基于预先通过专家司机所进行的测试行驶而由服务器101收集到的探测数据进行学习的结果而生成的行驶模型。特别是,行驶模型1205是针对弯道、交叉路口等各场景生成的基本行驶模型,避免风险模型1206例如是基于前行车辆的急刹车预测、行人等移动体的移动预测的行驶模型。由服务器101生成的基本行驶模型、避免风险模型作为行驶模型1205、避免风险模型1206而安装于车辆104。在车辆104中构成自动驾驶辅助系统的情况下,模块1202基于来自司机1210的操作信息和目标值来决定辅助量,并将该辅助量发送至模块1203。
模块1203例如由图3的ECU22A、ECU23A、ECU24A、ECU27A实现。例如,基于由模块1202判断出的最佳路径、辅助量来决定致动器的控制量。致动器1204包括转向、制动、停止维持、车内报告、车外报告的系统。模块1207是作为与司机1210之间的接口的HMI(人机界面),且被实现为输入装置45A、45B。在模块1207中,例如接受自动驾驶模式与司机驾驶模式的切换的通知、在车辆104由上述的专家司机驾驶的情况下来自探测数据的发送时的司机的注释。注释被包括在探测数据中进行发送。模块1209将由在图3~图5中所说明的那样的各种传感器检测到的车辆运动信息作为探测数据进行发送,并由通信装置28c实现。
图13是表示到探测数据输出为止的处理的流程图。在S501中,模块1201获取车辆104的外界信息。在此,车辆V的外界信息例如包括通过检测单元31A、31B、32A、32B(摄像机、雷达、光学雷达)、车车间通信、路车间通信而获取的信息。在S502中,模块1201识别护栏、分离带等障碍物或标识等外界环境,并将该识别结果输出到模块1202以及模块1208。在S503中,模块1202从致动器1204获取车辆运动信息。
在S504中,模块1202基于各获取的信息、行驶模型1205以及避免风险模型406,判断最佳路径。例如,在车辆104中构成有自动驾驶辅助系统的情况下,基于来自司机1210的操作信息来决定辅助量。在S505中,模块1203基于在S504中判断出的最佳路径来控制致动器1204。在S506中,模块1209输出(发送)由各种传感器检测到的车辆运动信息作为探测数据。
在S507中,模块1202基于判断出的最佳路径,对成为模块1209中的探测数据输出对象的车辆行为的特征量进行过滤。关于S507中的过滤将在后面阐述。
图14是表示S507中的过滤的处理的流程图。在S601中,模块1202对于在S504中被设为判断对象的车辆行为的特征量进行针对行驶模型1205的类别分类,判定是否属于特定类别。在S602中判定为类别分类的结果属于特定类别的情况下,结束图14的处理,在S506中输出探测数据。另一方面,在S602中判定为不属于特定类别的情况下,进入S603。在S603中,模块1202对被判定为不属于特定类别的车辆行为的特征量是否属于特定场景进行判定。模块1202例如通过参照通过HMI从司机1210接受到的注释信息来判定是否属于特定场景。在判定为属于特定场景的情况下,结束图14的处理,在S506中输出探测数据。在该情况下的探测数据中包括上述注释信息。在该情况下,服务器101可以通过接收该探测数据来生成针对特定场景的避免风险模型。或者,也可以如第一实施方式那样,如果进行与来自其他车辆104的探测数据的类别分类而判定为不属于特定类别,则生成针对特定场景的避免风险模型。
另一方面,在S603中判定为不属于特定场景的情况下,在S604中,模块1202将该车辆行为的特征量设为S506中的探测数据输出的对象外。在S604中,例如也可以丢弃该车辆行为的特征量。在S604之后,对接下来要关注的最佳路径相关的车辆行为进行关注,进行S601的处理。
通过图14的处理,能够过滤并排除对于在服务器101中的行驶模型制作而言不合适的车辆行为的特征量。另外,在该排除的特征量适合作为服务器101中的避免风险模型制作的对象的情况下,能够将该特征量发送到服务器101。另外,通过图14的处理,能够减少向无线基站103发送的探测数据的发送量。
图15是表示S507的过滤处理的其他的流程图。S701~S703与图14的S601~S603中的说明相同,因此省略其说明。
在图15中,在S703中判定为不属于特定场景的情况下,在S704中,模块1202对该车辆行为的特征量赋予负的回报。即,在针对该车辆行为的特征量赋予了负的回报的基础上结束图15的处理,进行S506中的探测数据的输出。其结果是,在服务器101的模块604中的判断中,能够防止泛化能力的降低。
与第一实施方式同样地,图14以及图15中的判定是否属于特定类别的判定对象可以是行驶路径,也可以是加速度、减速度。另外,S603、S703中的判定也可以不基于来自专家司机的经由HMI的注释。例如,可以基于遵循车辆104所安装的避免风险模型的警报、紧急制动的工作的信息,判定车辆行为的特征量是否属于特定场景。在该情况下,使警报、紧急制动的动作的信息包括在探测数据中。
图16是表示S507的过滤处理的其他的流程图。
在图14以及图15中,针对类别分类的结果而被判定为不属于特定类别的车辆行为的特征量进行S603或S703之后的处理。但是,也可以采用使用类别分类的结果以外的判定方法。
在图16中,在S1601中,模块1202对是否满足用于作为探测数据进行输出的条件进行判定。例如可以为,在判断为司机的心率、面部表情、制动踏板、油门踏板的踩踏力等不处于通常状态(例如,存在变动)的情况下,如果潜在风险小于阈值,则判断为仅是由于司机的身体不适的缘故,从而认定为不满足条件而进入S802。在该情况下,在S802中,对该车辆行为的特征量赋予负的回报,或者与S604同样地将该特征量设为探测数据输出对象外。
<实施方式的总结>
本实施方式的行驶模型生成系统中的车辆是基于车辆的行驶数据来生成车辆的行驶模型的行驶模型生成系统中的车辆,其特征在于,所述车辆具备:获取单元(S501、S503),其获取来自车辆的行驶数据;过滤单元(S602),其从由所述获取单元获取的所述行驶数据中排除设为行驶模型生成装置中的学习的对象外的行驶数据,所述行驶模型生成装置生成车辆的行驶模型;发送单元(S602:否、S506),其向所述行驶模型生成装置发送由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据;以及处理单元(S603、S604、S704),其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。通过这样的构成,能够防止学习精度的降低,并且对设为学习的对象外的行驶数据也能够适当地进行处理。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述条件为所述车辆在特定场景中行驶(S603:是),所述处理单元将设为所述学习的对象外的行驶数据与该特定场景的行驶的信息一起向所述行驶模型生成装置发送(S603:是、S506)。通过这样的构成,在行驶于特定场景的情况下,能够向行驶模型生成装置发送设为学习的对象外的行驶数据。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述处理单元根据所述条件来丢弃设为所述学习的对象外的行驶数据(S604)。通过这样的构成,能够不将设为学习的对象外的行驶数据用于学习。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述处理单元根据所述条件对设为所述学习的对象外的行驶数据赋予负的回报,并向所述行驶模型生成装置发送该行驶数据(S704)。通过这样的构成,能够防止学习的泛化能力的降低。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述条件为所述车辆未在特定场景中行驶(S603:否)。通过这样的构成,能够对未在行驶场景中行驶的情况下的行驶数据进行适当的处理。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述车辆还具备判定单元(S603),所述判定单元判定所述车辆是否在特定场景中行驶。另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述判定单元基于所述行驶数据中包括的注释信息,判定为所述车辆在所述特定场景中行驶(S603)。通过这样的构成,例如能够基于来自司机的注释而判定为在特定场景中行驶。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述判定单元基于所述行驶数据中包括的所述车辆的紧急操作信息,判定为所述车辆在所述特定场景中行驶(S603)。通过这样的构成,例如能够基于紧急制动的动作信息而判定为在特定场景中行驶。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述判定单元基于所述行驶数据中包括的与所述车辆的司机相关的信息,判定为所述车辆在所述特定场景中行驶(S603)。通过这样的构成,例如能够基于司机的心率来判定是否在特定场景中行驶。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述判定单元基于从所述行驶数据得到的潜在风险,判定为所述车辆在所述特定场景中行驶(S603)。通过这样的构成,例如,作为特定场景,能够判定为在步行者较多的场景中行驶。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,所述过滤单元将对由所述获取单元获取的所述行驶数据进行的类别分类的结果为不属于特定类别的行驶数据设为所述学习的对象外(S601、S602)。通过这样的构成,能够将不属于特定类别的行驶数据设为学习的对象外。
另外,本实施方式的行驶模型生成系统中的车辆的特征在于,由所述获取单元获取的所述行驶数据包括车辆运动信息(S503)。通过这样的构成,例如能够将速度、加速度、减速度用于学习。
本发明并不局限于上述实施方式,可以不脱离本发明的精神以及范围地进行各种变更以及变形。因而,为了公开本发明的范围,附上以下的权利要求。
附图标记说明
100:行驶模型生成系统;101:服务器;102:网络;103:无线基站;104:车辆。
Claims (29)
1.一种行驶模型生成系统,其是基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统,其特征在于,
所述行驶模型生成系统具备:
获取单元,其获取来自车辆的行驶数据;
过滤单元,其从由所述获取单元获取的所述行驶数据中排除设为学习的对象外的行驶数据;
生成单元,其对由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果生成第一行驶模型;以及
处理单元,其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
2.根据权利要求1所述的行驶模型生成系统,其特征在于,
所述条件为所述车辆在特定场景中行驶,
所述处理单元针对设为所述学习的对象外的行驶数据生成第二行驶模型。
3.根据权利要求1所述的行驶模型生成系统,其特征在于,所述处理单元根据所述条件来丢弃设为所述学习的对象外的行驶数据。
4.根据权利要求1所述的行驶模型生成系统,其特征在于,所述处理单元根据所述条件对设为所述学习的对象外的行驶数据赋予负的回报,并将该行驶数据设为所述学习的对象。
5.根据权利要求3或4所述的行驶模型生成系统,其特征在于,所述条件为所述车辆未在特定场景中行驶。
6.根据权利要求2或5所述的行驶模型生成系统,其特征在于,所述行驶模型生成系统还具备判定单元,所述判定单元判定所述车辆是否在所述特定场景中行驶。
7.根据权利要求6所述的行驶模型生成系统,其特征在于,所述判定单元基于所述行驶数据中包括的注释信息,判定为所述车辆在所述特定场景中行驶。
8.根据权利要求6所述的行驶模型生成系统,其特征在于,所述判定单元基于所述行驶数据中包括的所述车辆的紧急操作信息,判定为所述车辆在所述特定场景中行驶。
9.根据权利要求6所述的行驶模型生成系统,其特征在于,所述判定单元基于所述行驶数据中包括的与所述车辆的司机相关的信息,判定为所述车辆在所述特定场景中行驶。
10.根据权利要求6所述的行驶模型生成系统,其特征在于,所述判定单元基于从所述行驶数据得到的潜在风险,判定为所述车辆在所述特定场景中行驶。
11.根据权利要求1至9中任一项所述的行驶模型生成系统,其特征在于,所述过滤单元将对由所述获取单元获取的所述行驶数据进行的类别分类的结果为不属于特定类别的行驶数据设为所述学习的对象外。
12.根据权利要求11所述的行驶模型生成系统,其特征在于,由所述获取单元获取的所述行驶数据包括车辆运动信息。
13.根据权利要求1至12中任一项所述的行驶模型生成系统,其特征在于,
所述生成单元包括学习行驶数据的学习单元,
所述学习单元使用已经学习完毕的数据来对由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习。
14.一种车辆,其是基于车辆的行驶数据来生成车辆的行驶模型的行驶模型生成系统中的车辆,其特征在于,
所述车辆具备:
获取单元,其获取来自车辆的行驶数据;
过滤单元,其从由所述获取单元获取的所述行驶数据中排除设为行驶模型生成装置中的学习的对象外的行驶数据,所述行驶模型生成装置生成车辆的行驶模型;
发送单元,其向所述行驶模型生成装置发送由所述过滤单元将设为所述学习的对象外的行驶数据排除后的行驶数据;以及
处理单元,其根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
15.根据权利要求14所述的车辆,其特征在于,
所述条件为所述车辆在特定场景中行驶,
所述处理单元将设为所述学习的对象外的行驶数据与该特定场景的行驶的信息一起向所述行驶模型生成装置发送。
16.根据权利要求14所述的车辆,其特征在于,所述处理单元根据所述条件来丢弃设为所述学习的对象外的行驶数据。
17.根据权利要求14所述的车辆,其特征在于,所述处理单元根据所述条件对设为所述学习的对象外的行驶数据赋予负的回报,并向所述行驶模型生成装置发送该行驶数据。
18.根据权利要求16或17所述的车辆,其特征在于,所述条件为所述车辆未在特定场景中行驶。
19.根据权利要求15或18所述的车辆,其特征在于,所述车辆还具备判定单元,所述判定单元判定所述车辆是否在特定场景中行驶。
20.根据权利要求19所述的车辆,其特征在于,所述判定单元基于所述行驶数据中包括的注释信息,判定为所述车辆在所述特定场景中行驶。
21.根据权利要求19所述的车辆,其特征在于,所述判定单元基于所述行驶数据中包括的所述车辆的紧急操作信息,判定为所述车辆在所述特定场景中行驶。
22.根据权利要求19所述的车辆,其特征在于,所述判定单元基于所述行驶数据中包括的与所述车辆的司机相关的信息,判定为所述车辆在所述特定场景中行驶。
23.根据权利要求19所述的车辆,其特征在于,所述判定单元基于从所述行驶数据得到的潜在风险,判定为所述车辆在所述特定场景中行驶。
24.根据权利要求14至23中任一项所述的车辆,其特征在于,所述过滤单元将对由所述获取单元获取的所述行驶数据进行的类别分类的结果为不属于特定类别的行驶数据设为所述学习的对象外。
25.根据权利要求24所述的车辆,其特征在于,由所述获取单元获取的所述行驶数据包括车辆运动信息。
26.一种处理方法,其是在基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统中执行的处理方法,其特征在于,
所述处理方法具有:
获取步骤,在所述获取步骤中,获取来自车辆的行驶数据;
过滤步骤,在所述过滤步骤中,从在所述获取步骤中获取的所述行驶数据中排除设为学习的对象外的行驶数据;
生成步骤,在所述生成步骤中,对在所述过滤步骤中将设为所述学习的对象外的行驶数据排除后的行驶数据进行学习,并基于该学习的结果生成第一行驶模型;以及
处理步骤,在所述处理步骤中,根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
27.一种处理方法,其是基于车辆的行驶数据而生成车辆的行驶模型的行驶模型生成系统中的车辆中执行的处理方法,其特征在于,
所述处理方法具有:
获取步骤,在所述获取步骤中,获取来自车辆的行驶数据;
过滤步骤,在所述过滤步骤中,从在所述获取步骤中获取的所述行驶数据中排除设为行驶模型生成装置中的学习的对象外的行驶数据,所述行驶模型生成装置生成车辆的行驶模型;
发送步骤,在所述发送步骤中,向所述行驶模型生成装置发送在所述过滤步骤中将设为所述学习的对象外的行驶数据排除后的行驶数据;以及
处理步骤,在所述处理步骤中,根据与设为所述学习的对象外的行驶数据建立关联的条件来处理该行驶数据。
28.一种程序,其使计算机执行权利要求26或27所述的处理方法的各步骤。
29.一种计算机可读取的存储介质,其存储权利要求28所述的程序。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/037583 WO2019077685A1 (ja) | 2017-10-17 | 2017-10-17 | 走行モデル生成システム、走行モデル生成システムにおける車両、処理方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111201554A true CN111201554A (zh) | 2020-05-26 |
CN111201554B CN111201554B (zh) | 2022-04-08 |
Family
ID=66173127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780095722.1A Active CN111201554B (zh) | 2017-10-17 | 2017-10-17 | 行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200234191A1 (zh) |
JP (1) | JP6889274B2 (zh) |
CN (1) | CN111201554B (zh) |
WO (1) | WO2019077685A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
CN113291142A (zh) * | 2021-05-13 | 2021-08-24 | 广西大学 | 一种智能行驶系统及其控制方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6782188B2 (ja) * | 2016-05-27 | 2020-11-11 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 電子制御ユニット、通信方法及び車載ネットワークシステム |
JP7076997B2 (ja) * | 2017-12-12 | 2022-05-30 | 矢崎総業株式会社 | 車載システム、及び、検出器ハブ |
JP7377042B2 (ja) * | 2019-09-25 | 2023-11-09 | 株式会社Subaru | 車両システム |
WO2022107595A1 (ja) * | 2020-11-17 | 2022-05-27 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
CN113090406B (zh) * | 2021-04-08 | 2022-08-12 | 联合汽车电子有限公司 | 自学习方法、车辆及可读存储介质 |
JP7501499B2 (ja) * | 2021-11-12 | 2024-06-18 | 株式会社デンソー | 制御装置、制御システム、制御方法、制御プログラム |
WO2024080191A1 (ja) * | 2022-10-14 | 2024-04-18 | ソフトバンクグループ株式会社 | 自動運転車両の制御装置、プログラム、信号制御装置、信号機装置、信号機システム、信号制御プログラム、情報通知装置、及び情報通知プログラム |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007307992A (ja) * | 2006-05-17 | 2007-11-29 | Toyota Motor Corp | ワイパ制御装置 |
JP2008238831A (ja) * | 2007-03-23 | 2008-10-09 | Fuji Heavy Ind Ltd | オンラインリスク学習システム |
US20120304085A1 (en) * | 2011-05-23 | 2012-11-29 | The Boeing Company | Multi-Sensor Surveillance System with a Common Operating Picture |
CN104054117A (zh) * | 2012-01-20 | 2014-09-17 | 丰田自动车株式会社 | 驾驶模型的制作装置、驾驶模型的制作方法、驾驶评价装置、驾驶评价方法以及驾驶辅助系统 |
KR101484249B1 (ko) * | 2014-09-22 | 2015-01-16 | 현대자동차 주식회사 | 차량의 주행 모드 제어 장치 및 방법 |
CN104417563A (zh) * | 2013-09-11 | 2015-03-18 | 丰田自动车株式会社 | 驾驶辅助装置 |
US20160023665A1 (en) * | 2014-07-22 | 2016-01-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for remote communication with and through a vehicle |
CN105539441A (zh) * | 2014-10-27 | 2016-05-04 | 富士重工业株式会社 | 车辆的行驶控制装置 |
CN105590087A (zh) * | 2015-05-19 | 2016-05-18 | 中国人民解放军国防科学技术大学 | 一种道路识别方法及装置 |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
WO2016141100A2 (en) * | 2015-03-03 | 2016-09-09 | Prenav Inc. | Scanning environments and tracking unmanned aerial vehicles |
WO2016170773A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援プログラム |
WO2016170763A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援プログラム |
WO2016197986A1 (zh) * | 2015-06-12 | 2016-12-15 | 北京中飞艾维航空科技有限公司 | 一种无人机高精度自主避障飞行方法 |
JP2016215658A (ja) * | 2015-05-14 | 2016-12-22 | アルパイン株式会社 | 自動運転装置および自動運転システム |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
WO2017057528A1 (ja) * | 2015-10-01 | 2017-04-06 | 株式会社発明屋 | 非ロボットカー、ロボットカー、道路交通システム、車両共用システム、ロボットカー教習システム及びロボットカー教習方法 |
US20170137033A1 (en) * | 2015-11-06 | 2017-05-18 | Denso Corporation | Vehicle control apparatus |
US20170291611A1 (en) * | 2016-04-06 | 2017-10-12 | At&T Intellectual Property I, L.P. | Methods and apparatus for vehicle operation analysis |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3521691B2 (ja) * | 1997-07-07 | 2004-04-19 | 日産自動車株式会社 | 車両走行制御装置 |
JP2003185453A (ja) * | 2001-12-20 | 2003-07-03 | Mitsubishi Electric Corp | ナビゲーション装置および経路探索方法 |
US20060184314A1 (en) * | 2005-02-14 | 2006-08-17 | Microsoft Corporation | Multi-modal navigation system and method |
US7512487B1 (en) * | 2006-11-02 | 2009-03-31 | Google Inc. | Adaptive and personalized navigation system |
US9074907B2 (en) * | 2007-07-12 | 2015-07-07 | Alpine Electronics, Inc. | Navigation method and system for selecting and visiting scenic places on selected scenic byway |
US8234063B2 (en) * | 2009-12-18 | 2012-07-31 | Telenav, Inc. | Navigation system with location profiling and method of operation thereof |
WO2011124271A1 (en) * | 2010-04-09 | 2011-10-13 | Tomtom International B.V. | Method of generating a route |
WO2014066562A2 (en) * | 2012-10-25 | 2014-05-01 | Intel Corporation | Route optimization including points of interest |
GB201321107D0 (en) * | 2013-11-29 | 2014-01-15 | Costello Con W | A method for identifying scenic routes |
US9494440B2 (en) * | 2014-06-30 | 2016-11-15 | Strol, LLC | Generating travel routes for increased visual interest |
EP3209969B1 (en) * | 2014-10-20 | 2020-03-04 | TomTom Navigation B.V. | Alternative routes |
US9689690B2 (en) * | 2015-07-13 | 2017-06-27 | Here Global B.V. | Indexing routes using similarity hashing |
KR102057532B1 (ko) * | 2016-10-12 | 2019-12-20 | 한국전자통신연구원 | 자율주행 차량의 판단 지능 향상을 위한 주행상황 데이터 공유 및 학습 장치 및 그 동작 방법 |
US10317240B1 (en) * | 2017-03-30 | 2019-06-11 | Zoox, Inc. | Travel data collection and publication |
-
2017
- 2017-10-17 WO PCT/JP2017/037583 patent/WO2019077685A1/ja active Application Filing
- 2017-10-17 JP JP2019549038A patent/JP6889274B2/ja active Active
- 2017-10-17 CN CN201780095722.1A patent/CN111201554B/zh active Active
-
2020
- 2020-04-07 US US16/841,804 patent/US20200234191A1/en not_active Abandoned
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007307992A (ja) * | 2006-05-17 | 2007-11-29 | Toyota Motor Corp | ワイパ制御装置 |
JP2008238831A (ja) * | 2007-03-23 | 2008-10-09 | Fuji Heavy Ind Ltd | オンラインリスク学習システム |
US20120304085A1 (en) * | 2011-05-23 | 2012-11-29 | The Boeing Company | Multi-Sensor Surveillance System with a Common Operating Picture |
CN104054117A (zh) * | 2012-01-20 | 2014-09-17 | 丰田自动车株式会社 | 驾驶模型的制作装置、驾驶模型的制作方法、驾驶评价装置、驾驶评价方法以及驾驶辅助系统 |
CN104417563A (zh) * | 2013-09-11 | 2015-03-18 | 丰田自动车株式会社 | 驾驶辅助装置 |
US20160023665A1 (en) * | 2014-07-22 | 2016-01-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method for remote communication with and through a vehicle |
KR101484249B1 (ko) * | 2014-09-22 | 2015-01-16 | 현대자동차 주식회사 | 차량의 주행 모드 제어 장치 및 방법 |
CN105539441A (zh) * | 2014-10-27 | 2016-05-04 | 富士重工业株式会社 | 车辆的行驶控制装置 |
WO2016141100A2 (en) * | 2015-03-03 | 2016-09-09 | Prenav Inc. | Scanning environments and tracking unmanned aerial vehicles |
WO2016170763A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援プログラム |
WO2016170773A1 (ja) * | 2015-04-21 | 2016-10-27 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援プログラム |
JP2016215658A (ja) * | 2015-05-14 | 2016-12-22 | アルパイン株式会社 | 自動運転装置および自動運転システム |
CN105590087A (zh) * | 2015-05-19 | 2016-05-18 | 中国人民解放军国防科学技术大学 | 一种道路识别方法及装置 |
WO2016197986A1 (zh) * | 2015-06-12 | 2016-12-15 | 北京中飞艾维航空科技有限公司 | 一种无人机高精度自主避障飞行方法 |
WO2017057528A1 (ja) * | 2015-10-01 | 2017-04-06 | 株式会社発明屋 | 非ロボットカー、ロボットカー、道路交通システム、車両共用システム、ロボットカー教習システム及びロボットカー教習方法 |
US20170137033A1 (en) * | 2015-11-06 | 2017-05-18 | Denso Corporation | Vehicle control apparatus |
US20170291611A1 (en) * | 2016-04-06 | 2017-10-12 | At&T Intellectual Property I, L.P. | Methods and apparatus for vehicle operation analysis |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
CN113291142A (zh) * | 2021-05-13 | 2021-08-24 | 广西大学 | 一种智能行驶系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6889274B2 (ja) | 2021-06-18 |
CN111201554B (zh) | 2022-04-08 |
WO2019077685A1 (ja) | 2019-04-25 |
US20200234191A1 (en) | 2020-07-23 |
JPWO2019077685A1 (ja) | 2020-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111201554B (zh) | 行驶模型生成系统、行驶模型生成系统中的车辆、处理方法以及存储介质 | |
CN110203199B (zh) | 行驶控制装置以及行驶控制方法 | |
CN109515430B (zh) | 行驶控制系统以及车辆的控制方法 | |
JP7425174B2 (ja) | 車両用制御システムおよび制御方法 | |
CN110290999B (zh) | 车辆用控制系统及控制方法 | |
RU2668138C1 (ru) | Устройство управления транспортного средства и способ управления транспортным средством | |
CN111758125B (zh) | 行驶控制装置、行驶控制方法以及程序 | |
JP2021079954A (ja) | 車両用制御システムおよび制御方法 | |
CN113291317B (zh) | 车辆控制装置以及车辆控制方法 | |
CN109720343B (zh) | 车辆控制设备 | |
CN109501798B (zh) | 行驶控制装置、以及行驶控制方法 | |
CN111434551A (zh) | 行驶控制装置、行驶控制方法以及存储程序的存储介质 | |
JP6636484B2 (ja) | 走行制御装置、走行制御方法およびプログラム | |
CN111480188A (zh) | 车辆及其控制系统以及控制方法 | |
JP6632581B2 (ja) | 走行制御装置、走行制御方法およびプログラム | |
CN110007301B (zh) | 物体识别装置、物体识别方法以及车辆 | |
CN114506316B (zh) | 车辆控制装置、车辆控制方法以及存储介质 | |
US12091026B2 (en) | Vehicle control device, vehicle control system, vehicle control method, and program | |
CN113264061B (zh) | 车辆控制装置、车辆、车辆控制方法以及存储介质 | |
CN115230732A (zh) | 远程功能选择装置 | |
CN115461261A (zh) | 车辆控制系统及车辆控制方法 | |
US20210312814A1 (en) | Vehicle, device, and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |