CN113460079B - 车辆控制装置、车辆控制方法及存储介质 - Google Patents
车辆控制装置、车辆控制方法及存储介质 Download PDFInfo
- Publication number
- CN113460079B CN113460079B CN202110330011.6A CN202110330011A CN113460079B CN 113460079 B CN113460079 B CN 113460079B CN 202110330011 A CN202110330011 A CN 202110330011A CN 113460079 B CN113460079 B CN 113460079B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point
- region
- risk
- target track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 33
- 102100040841 C-type lectin domain family 5 member A Human genes 0.000 description 25
- 101150008824 CLEC5A gene Proteins 0.000 description 25
- 101150056111 MDL1 gene Proteins 0.000 description 25
- 101100386697 Magnaporthe oryzae (strain 70-15 / ATCC MYA-4617 / FGSC 8958) DCL1 gene Proteins 0.000 description 25
- 230000001133 acceleration Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 101100236847 Caenorhabditis elegans mdl-1 gene Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- 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
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
提供能够更安全地控制车辆的驾驶的车辆控制装置、车辆控制方法及存储介质。车辆控制装置具备:识别部,其识别物体;生成部,其生成车辆的目标轨道;以及驾驶控制部,其基于所述目标轨道自动地控制车辆,所述生成部算出第一假想线与第二假想线之间的区域作为应该避免所述车辆行驶的区域,并将存在于所述避免行驶区域内的所述目标轨道除外,所述驾驶控制部基于未被除外而保留下来的所述目标轨道来自动地控制所述车辆的驾驶,该第一假想线是通过所述车辆的基准点以及存在于所述物体的外缘附近的第一点的假想线,该第二假想线是通过所述基准点以及存在于所述物体的外缘附近的第二点的第二假想线。
Description
本申请基于在2020年3月31日申请的日本国专利申请第2020-063527号来主张优先权,并将其内容援引于此。
技术领域
本发明涉及车辆控制装置、车辆控制方法及存储介质。
背景技术
已知一种生成车辆将来应该行驶的目标轨道的技术(例如,日本国特开2019-108124号)。
然而,在以往的技术中,有时生成不与周边的状况相适合的目标轨道。其结果是,有时不能够安全地控制车辆的驾驶。
发明内容
本发明的一方案提供一种能够更安全地控制车辆的驾驶的车辆控制装置、车辆控制方法及存储介质。
本发明的车辆控制装置、车辆控制方法及存储介质采用了以下的结构。
本发明的第一方案是一种车辆控制装置,其具备:识别部,其识别存在于车辆的周边的物体;生成部,其基于由所述识别部识别到的所述物体来生成所述车辆应该行驶的一个或多个目标轨道;以及驾驶控制部,其基于由所述生成部生成的所述目标轨道来自动地控制所述车辆的驾驶,所述生成部算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于所述算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于由所述识别部识别到的所述物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线,所述驾驶控制部基于未由所述生成部除外而保留下来的所述目标轨道来自动地控制所述车辆的驾驶。
第二方案是在第一方案的基础上,所述生成部基于模型预测控制来使所述第一假想线及所述第二假想线的形状最优化。
第三方案是在第一或第二方案的基础上,所述车辆控制装置还具备算出部,该算出部算出在由所述识别部识别到的所述物体的周围分布的风险的区域即风险区域,所述生成部对根据所述风险区域来决定所述目标轨道的模型输入由所述算出部算出的所述风险区域,并基于输入了所述风险区域的所述模型的输出结果来生成一个或多个所述目标轨道。
第四方案是在第三方案的基础上,所述模型是以当输入所述风险区域时输出所述目标轨道的方式进行了学习的机器学习模型。
第五方案是在第三或第四方案的基础上,所述生成部将在所述风险区域内的所述物体的外缘附近所述风险的潜在值比阈值低的位置设为所述第一点及所述第二点。
第六方案是在第一至第五方案中的任一方案的基础上,所述生成部在由所述识别部识别到的所述物体是在存在所述车辆的车道上比所述车辆靠前方行驶的先行车辆的情况下,不将所述先行车辆的后方的区域设为所述避免行驶区域。
第七方案是在第一至第六方案中任一方案的基础上,所述生成部在使所述车辆进行车道变更的情况下,算出所述避免行驶区域,并从生成的一个或多个所述目标轨道中将存在于所述避免行驶区域内的所述目标轨道除外。
第八方案是一种车辆控制方法,其中,所述车辆控制方法使搭载于车辆的计算机进行如下处理:识别存在于所述车辆的周边的物体;基于所述识别的物体来生成所述车辆应该行驶的一个或多个目标轨道;基于所述生成的目标轨道来自动地控制所述车辆的驾驶;算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于所述算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于所述识别到的物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线;以及基于未进行所述除外而保留下来的目标轨道来自动地控制所述车辆的驾驶。
第九方案是一种存储介质,其是存储有程序的计算机可读取的存储介质,其中,所述程序用于使搭载于车辆的计算机执行如下处理:识别存在于所述车辆的周边的物体;基于所述识别的物体来生成所述车辆应该行驶的一个或多个目标轨道;基于所述生成的目标轨道来自动地控制所述车辆的驾驶;算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于所述算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于所述识别到的物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线;以及基于未进行所述除外而保留下来的目标轨道来自动地控制所述车辆的驾驶。
根据上述的任意方案,能够更安全地控制车辆的驾驶。
附图说明
图1是利用了实施方式的车辆控制装置的车辆系统的结构图。
图2是实施方式的第一控制部、第二控制部及存储部的功能结构图。
图3是用于说明风险区域的图。
图4是表示某坐标x1处的Y方向上的潜在风险值的变化的图。
图5是表示某坐标x2处的Y方向上的潜在风险值的变化的图。
图6是表示某坐标x3处的Y方向上的潜在风险值的变化的图。
图7是表示某坐标y4处的X方向上的潜在风险值的变化的图。
图8是表示决定了潜在风险值的风险区域的图。
图9是示意性地表示目标轨道的生成方法的图。
图10是表示某一个DNN模型输出的目标轨道的一例的图。
图11是表示由实施方式的自动驾驶控制装置进行的一系列处理的流程的一例的流程图。
图12是表示本车辆可能遭遇的场景的一例的图。
图13是表示多个目标轨道的一例的图。
图14是表示除外的目标轨道的一例的图。
图15是表示本车辆可能遭遇的场景的另一例的图。
图16是用于说明假想线的算出方法的图。
图17是用于说明假想线的最优化方法的图。
图18是表示实施方式的自动驾驶控制装置的硬件结构的一例的图。
具体实施方式
以下,参照附图来说明本发明的车辆控制装置、车辆控制方法及程序的实施方式。实施方式的车辆控制装置例如适用于自动驾驶车辆。自动驾驶例如是指控制车辆的速度及转向中的一方或双方来控制车辆的驾驶。在上述的车辆的驾驶控制中,例如包括ACC(Adaptive Cruise Control System)、TJP(Traffic Jam Pilot)、ALC(Auto LaneChanging)、CMBS(Collision Mitigation Brake System)、LKAS(Lane KeepingAssistance System)这样的各种的驾驶控制。自动驾驶车辆也可以通过乘员(驾驶员)的手动驾驶来控制驾驶。
[整体结构]
图1是利用了实施方式的车辆控制装置的车辆系统1的结构图。搭载车辆系统1的车辆(以下称作本车辆M)例如是二轮、三轮、四轮等的车辆,其驱动源是柴油发动机、汽油发动机等内燃机、电动机、或者它们的组合。电动机使用由与内燃机连结的发电机发出的发电电力、或者二次电池、燃料电池的放电电力来进行动作。
车辆系统1例如具备相机10、雷达装置12、LIDAR(Light Detection and Ranging)14、物体识别装置16、通信装置20、HMI(Human Machine Interface)30、车辆传感器40、导航装置50、MPU(Map Positioning Unit)60、驾驶操作件80、自动驾驶控制装置100、行驶驱动力输出装置200、制动装置210及转向装置220。这些装置、设备通过CAN(Controller AreaNetwork)通信线等多路通信线、串行通信线、无线通信网等互相连接。图1所示的结构只不过是一例,既可以省略结构的一部分,也可以还追加别的结构。自动驾驶控制装置100是“车辆控制装置”的一例。
相机10例如是利用了CCD(Charge Coupled Device)、CMOS(Complementary MetalOxide Semiconductor)等固体摄像元件的数码相机。相机10安装于本车辆M的任意部位。例如,在对本车辆M的前方进行拍摄的情况下,相机10安装于前风窗玻璃上部、车室内后视镜背面等。另外,在对本车辆M的后方进行拍摄的情况下,相机10安装于后风窗玻璃上部等。另外,在对本车辆M的右侧方或左侧方进行拍摄的情况下,相机10安装于车身、车门上后视镜的右侧面或左侧面等。相机10例如周期性地反复对本车辆M的周边进行拍摄。相机10也可以是立体相机。
雷达装置12向本车辆M的周边放射毫米波等电波,并且检测由物体反射的电波(反射波)来至少检测物体的位置(距离及方位)。雷达装置12安装于本车辆M的任意部位。雷达装置12也可以通过FM-CW(Frequency Modulated Continuous Wave)方式来检测物体的位置及速度。
LIDAR14向本车辆M的周边照射光,并测定该照射的光的散射光。LIDAR14基于从发光到受光的时间,来检测到对象为止的距离。照射的光例如可以是脉冲状的激光。LIDAR14安装于本车辆M的任意部位。
物体识别装置16对由相机10、雷达装置12及LIDAR14中的一部分或全部检测的检测结果进行传感器融合处理,来识别物体的位置、种类、速度等。物体识别装置16将识别结果向自动驾驶控制装置100输出。另外,物体识别装置16可以将相机10、雷达装置12及LIDAR14的检测结果直接向自动驾驶控制装置100输出。在该情况下,也可以从车辆系统1中省略物体识别装置16。
通信装置20例如利用蜂窝网、Wi-Fi网、Bluetooth(注册商标)、DSRC(DedicatedShort Range Communication)等与存在于本车辆M的周边的其他车辆通信、或者经由无线基站与各种服务器装置通信。
HMI30对本车辆M的乘员(包括驾驶员)提示各种信息,并且接受由乘员进行的输入操作。HMI30例如可以具备显示器、扬声器、蜂鸣器、触摸面板、麦克风、开关、按键等。
车辆传感器40包括检测本车辆M的速度的车速传感器、检测加速度的加速度传感器、检测绕铅垂轴的角速度的横摆角速度传感器、检测本车辆M的朝向的方位传感器等。
导航装置50例如具备GNSS(Global Navigation Satellite System)接收机51、导航HMI52及路径决定部53。导航装置50在HDD(Hard Disk Drive)、闪存器等存储装置中保持有第一地图信息54。
GNSS接收机51基于从GNSS卫星接收的信号来确定本车辆M的位置。本车辆M的位置也可以通过利用了车辆传感器40的输出的INS(Inertial Navigation System)来确定或补充。
导航HMI52包括显示装置、扬声器、触摸面板、按键等。导航HMI52也可以一部分或全部与前述的HMI30共用化。例如,乘员也可以代替对HMI30输入本车辆M的目的地,或者除此之外还对导航HMI52输入本车辆M的目的地。
路径决定部53例如参照第一地图信息54来决定从由GNSS接收机51确定的本车辆M的位置(或者输入的任意的位置)到由乘员使用HM30、导航HMI52输入的目的地的路径(以下称作地图上路径)。
第一地图信息54例如是通过表示道路的路段和由路段连接的节点来表现道路形状的信息。第一地图信息54也可以包括道路的曲率、POI(Point Of Interest)信息等。地图上路径向MPU60输出。
导航装置50也可以基于地图上路径来进行使用了导航HMI52的路径引导。导航装置50例如也可以由乘员持有的智能手机、平板终端等终端装置的功能来实现。导航装置50也可以经由通信装置20向导航服务器发送当前位置和目的地,并从导航服务器取得与地图上路径同等的路径。
MPU60例如包括推荐车道决定部61,并在HDD、闪存器等存储装置中保持有第二地图信息62。推荐车道决定部61将从导航装置50提供的地图上路径分割为多个区块(例如,在车辆行进方向上按每100[m]进行分割),并参照第二地图信息62按每个区块来决定推荐车道。推荐车道决定部61进行在从左数第几车道上行驶这一决定。推荐车道决定部61在地图上路径存在分支部位的情况下,以使本车辆M能够在用于向分支目的地行进的合理的路径上行驶的方式决定推荐车道。
第二地图信息62是比第一地图信息54高精度的地图信息。第二地图信息62例如包括车道的中央的信息或者车道的边界的信息等。另外,在第二地图信息62中,可以包括道路信息、交通限制信息、住所信息(住所、邮政编码)、设施信息、电话号码信息等。第二地图信息62可以通过通信装置20与其他装置通信而随时被更新。
驾驶操作件80例如包括油门踏板、制动踏板、换挡杆、转向盘、异形方向盘、操纵杆以及其他的操作件。在驾驶操作件80安装有检测操作量或者操作的有无的传感器,其检测结果向自动驾驶控制装置100、或者行驶驱动力输出装置200、制动装置210及转向装置220中的一部分或全部输出。
自动驾驶控制装置100例如具备第一控制部120、第二控制部160及存储部180。第一控制部120及第二控制部160分别例如通过CPU(Central Processing Unit)、GPU(Graphics Processing Unit)等硬件处理器执行程序(软件)来实现。这些构成要素中的一部分或全部也可以通过LSI(Large Scale Integration)、ASIC(Application SpecificIntegrated Circuit)、FPGA(Field-Programmable Gate Array)等硬件(包括电路部:circuitry)来实现,也可以通过软件与硬件的协同配合来实现。程序可以预先保存于自动驾驶控制装置100的HDD、闪存器等存储装置(具备非暂时性的存储介质的存储装置),也可以保存于DVD、CD-ROM等能够装卸的存储介质,并通过存储介质(非暂时性的存储介质)装配于驱动装置来安装于自动驾驶控制装置100的HDD、闪存器。
存储部180由上述的各种存储装置来实现。存储部180例如由HDD、闪存器、EEPROM(Electrically Erasable Programmable Read Only Memory)、ROM(Read Only Memory)、或RAM(Random Access Memory)等实现。在存储部180中,例如除了保存由处理器读出并执行的程序之外,还保存DNN(Deep Neural Network(s))模型数据182等。关于DNN模型数据182的详细情况,见后述。
图2是实施方式的第一控制部120、第二控制部160及存储部180的功能结构图。第一控制部120例如具备识别部130和行动计划生成部140。
第一控制部120例如并行实现基于AI(Artificial Intelligence:人工智能)的功能和基于预先给出的模型的功能。例如,“识别交叉路口”的功能可以通过“并行执行基于深度学习等的交叉路口的识别和基于预先给出的条件(存在能够图案匹配的信号、道路标示等)的识别,并对双方评分而综合地评价”来实现。由此,确保自动驾驶的可靠性。
识别部130识别本车辆M的周边的状况或者环境。例如,识别部130基于从相机10、雷达装置12及LIDAR14经由物体识别装置16输入的信息,来识别存在于本车辆M的周边的物体。由识别部130识别的物体例如包括自行车、摩托车、四轮机动车、行人、道路标识、道路标示、划分线、电线杆、护栏、落下物等。另外,识别部130识别物体的位置、速度、加速度等状态。物体的位置例如识别为以本车辆M的代表点(重心、驱动轴中心等)为原点的相对坐标上的位置(即相对于本车辆M的相对位置),并使用于控制。物体的位置也可以由该物体的重心、角部等代表点来表示,也可以由表现出的区域来表示。物体的“状态”也可以包括物体的加速度、加加速度、或者“行动状态”(例如是否正在进行或者正要进行车道变更)。
另外,识别部130例如识别本车辆M正在行驶的车道(以下称作本车道)、与该本车道相邻的相邻车道等。例如,识别部130通过对从第二地图信息62得到的道路划分线的图案(例如实线与虚线的排列)与根据由相机10拍摄到的图像识别的本车辆M的周边的道路划分线的图案进行比较,来将划分线之间的空间识别为本车道、相邻车道。
另外,识别部130不限于识别道路划分线,也可以通过识别道路划分线、包括路肩、缘石、中央隔离带、护栏等的行驶路边界(道路边界),来识别本车道、相邻车道这样的车道。在该识别中,也可以考虑从导航装置50取得的本车辆M的位置、基于INS的处理结果。另外,识别部130可以识别暂时停止线、障碍物、红灯、收费站、以及其他的道路现象。
识别部130在识别本车道时,识别本车辆M相对于本车道的相对位置、姿态。识别部130例如也可以将本车辆M的基准点从车道中央的偏离、以及本车辆M的行进方向相对于将车道中央相连的线所成的角度识别为本车辆M相对于本车道的相对位置及姿态。也可以代替于此,识别部130将本车辆M的基准点相对于本车道的任意侧端部(道路划分线或道路边界)的位置等识别为本车辆M相对于本车道的相对位置。
行动计划生成部140例如具备事件决定部142、风险区域算出部144及目标轨道生成部146。
事件决定部142在决定有推荐车道的路径上本车辆M处于自动驾驶下的情况下,决定该自动驾驶的行驶形态。以下,将规定了自动驾驶的行驶形态的信息称作事件进行说明。
在事件中,例如包括定速行驶事件、追随行驶事件、车道变更事件、分支事件、汇合事件、接管事件等。定速行驶事件是使本车辆M以恒定的速度在相同的车道上行驶的行驶形态。追随行驶事件是使本车辆M追随在本车道上存在于本车辆M的前方的规定距离以内(例如100[m]以内)且距本车辆M最近的其他车辆(以下称作先行车辆)的行驶形态。
“追随”例如可以是使本车辆M与先行车辆的车间距离(相对距离)维持为恒定的行驶形态,也可以是除了使本车辆M与先行车辆的车间距离维持为恒定以外还使本车辆M在本车道的中央行驶的行驶形态。
车道变更事件是使本车辆M从本车道向相邻车道进行车道变更的行驶形态。分支事件是在道路的分支地点使本车辆M向目的地侧的车道分支的行驶形态。汇合事件是在汇合地点使本车辆M向干线汇合的行驶形态。接管事件是结束自动驾驶并切换为手动驾驶的行驶形态。
另外,在事件中,例如也可以包括赶超事件、躲避事件等。赶超事件是使本车辆M暂且向相邻车道进行车道变更并在相邻车道上赶超先行车辆后再次向原来的车道进行车道变更的行驶形态。躲避事件是为了躲避存在于本车辆M的前方的障碍物而使本车辆M进行制动及转向中的至少一方的行驶形态。
另外,事件决定部142例如可以根据在本车辆M行驶时由识别部130识别到的周边的状况,将对当前的区间已经决定的事件变更为其他的事件、对当前的区间决定新的事件。
风险区域算出部144算出在由识别部130识别出的物体的周围潜在地分布的、或者潜在地存在的风险的区域(以下称作风险区域RA)。风险例如是物体对本车辆M带来的风险。更具体而言,风险可以是由于先行车辆急减速、其他车辆从相邻车道向本车辆M的前方插队而强使本车辆M进行急制动这样的风险,也可以是由于行人、自行车进入车道而强使本车辆M进行急转向这样的风险。另外,风险也可以是本车辆M给物体带来的风险。以下,将这样的风险的高度作为定量的指标值来处理,并将该指标值称作“潜在风险值p”进行说明。
图3是用于说明风险区域RA的图。图中LN1表示划分本车道的一方的划分线,LN2表示划分本车道的另一方、且划分相邻车道的一方的划分线。LN3表示划分相邻车道的另一方的划分线。这些多个划分线中的、LN1及LN3为车道外侧线,LN2为允许车辆为了赶超而超出的中央线。另外,在图示的例子中,在本车道上的本车辆M的前方存在先行车辆m1。图中X表示车辆的行进方向,Y表示车辆的宽度方向,Z表示铅垂方向。
在图示的状况的情况下,在风险区域RA中,越是靠近车道外侧线LN1及LN3的区域,则风险区域算出部144越提高潜在风险值p,越是远离车道外侧线LN1及LN3的区域,则风险区域算出部144越降低潜在风险值p。
另外,在风险区域RA中,越是靠近中央线LN2的区域,则风险区域算出部144越提高潜在风险值p,越是远离中央线LN2的区域,则风险区域算出部144越降低潜在风险值p。中央线LN2与车道外侧线LN1及LN3不同,允许车辆超出,因此风险区域算出部144使针对中央线LN2的潜在风险值p比针对车道外侧线LN1及LN3的潜在风险值p低。
另外,在风险区域RA中,越是靠近作为物体的一种的先行车辆m1的区域,则风险区域算出部144越提高潜在风险值p,越是远离先行车辆ml的区域,则风险区域算出部144越降低潜在风险值p。即,可以的是,在风险区域RA中,本车辆M与先行车辆ml的相对距离越短,则风险区域算出部144越提高潜在风险值p,本车辆M与先行车辆m1的相对距离越长,则风险区域算出部144越降低潜在风险值p。此时,可以的是,先行车辆m1的绝对速度、绝对加速度越大,则风险区域算出部144越提高潜在风险值p。另外,对于潜在风险值p,也可以代替先行车辆m1的绝对速度、绝对加速度或者除此之外还根据本车辆M与先行车辆m1的相对速度、相对加速度、TTC(Time to Collision)等来适当决定。
图4是表示某坐标x1处的Y方向上的潜在风险值p的变化的图。图中y1表示Y方向上的车道外侧线LN1的位置(坐标),y2表示Y方向上的中央线LN2的位置(坐标),y3表示Y方向上的车道外侧线LN3的位置(坐标)。
如图示那样,在车道外侧线LN1所存在的坐标(x1、y1)的附近、车道外侧线LN3所存在的坐标(x1、y3)的附近,潜在风险值p最高,在中央线LN2所存在的坐标(x1、y2)的附近,潜在风险值p相对于坐标(x1、y1)、(x1、y3)次高。如后所述,在潜在风险值p与预先决定的阈值Th相同或为该预先决定的阈值Th以上的区域,为了防止车辆进入该区域,不生成目标轨道TR。
图5是表示某坐标x2处的Y方向上的潜在风险值p的变化的图。坐标x2比坐标x1靠近先行车辆m1。因此,虽然在车道外侧线LN1所存在的坐标(x2、y1)与中央线LN2所存在的坐标(x2、y2)之间的区域不存在先行车辆m1,但是考虑先行车辆m1进行急减速等风险。其结果是,(x2、y1)与(x2、y2)之间的区域的潜在风险值p容易比(x1、y1)与(x1、y2)之间的区域的潜在风险值p高,例如为阈值Th以上。
图6是表示某坐标x3处的Y方向上的潜在风险值p的变化的图。在坐标x3存在先行车辆m1。因此,车道外侧线LN1所存在的坐标(x3、y1)与中央线LN2所存在的坐标(x3、y2)之间的区域的潜在风险值p比(x2、y1)与(x2、y2)之间的区域的潜在风险值p高、且为阈值Th以上。
图7是表示某坐标y4处的X方向上的潜在风险值p的变化的图。坐标y4是y1与y2的中间坐标,在该坐标y4存在先行车辆ml。因此,坐标(x3、y4)处的潜在风险值p最高,比坐标(x3、y4)远离先行车辆ml的坐标(x2、y4)处的潜在风险值p比坐标(x3、y4)处的潜在风险值p低,比坐标(x2、y4)进一步远离先行车辆ml的坐标(x1、y4)处的潜在风险值p比坐标(x2、y4)处的潜在风险值p低。
图8是表示决定了潜在风险值p的风险区域RA的图。如图示那样,风险区域算出部144用多个网格(mesh)(也称作格子:grid)划分风险区域RA,并将这些多个网格分别与潜在风险值p建立对应关系。例如,网格(xi、yi)与潜在风险值pij建立对应关系。即,风险区域RA由向量、张量这样的数据构造表示。
风险区域算出部144当将多个网格与潜在风险值p建立对应关系时,将各网格的潜在风险值p归一化。
例如,可以的是,风险区域算出部144以潜在风险值p的最大值为1且最小值为0的方式将潜在风险值p归一化。具体而言,风险区域算出部144从风险区域RA中包括的全网格的潜在风险值p中选择取最大值的潜在风险值Pmax、以及取最小值的潜在风险值Pmin。风险区域算出部144从风险区域RA中包括的全网格中选出某着眼的一个网格(xi、yj),并从与该网格(xi、yj)建立了对应关系的潜在风险值pij减去最小的潜在风险值Pmin,并且从最大的潜在风险值pmax减去最小的潜在风险值Pmin,并将(Pij-Pmin)除以(Pmax-Pmin)。风险区域算出部144一边改变着眼的网格,一边反复进行上述处理。由此,风险区域RA以潜在风险值p的最大值为1且最小值为0的方式归一化。
另外,风险区域算出部144也可以算出风险区域RA中包括的全网格的潜在风险值p的平均值μ和标准偏差σ,并从与网格(xi、yj)建立了对应关系的潜在风险值pij减去平均值μ,并将(pij-μ)除以标准偏差σ。由此,风险区域RA以潜在风险值p的最大值为1且最小值为0的方式归一化。
另外,风险区域算出部144可以以潜在风险值p的最大值为任意的M且最小值为任意的m的方式将潜在风险值p归一化。具体而言,风险区域算出部144在使(Pij-Pmin)/(Pmax-Pmin)为A的情况下,将该A乘以(M-m),并将A(M-m)加上m。由此,风险区域RA以潜在风险值p的最大值为M且最小值为m的方式归一化。
返回图2的说明。为了原则上本车辆M在由推荐车道决定部61决定的推荐车道上行驶、而且本车辆M在推荐车道上行驶时应对周边的状况,目标轨道生成部146生成以由事件规定的行驶形态使本车辆M自动地(不依赖于驾驶员的操作地)行驶的将来的目标轨道TR。在目标轨道TR中,例如包括确定将来的本车辆M的位置的位置要素、以及确定将来的本车辆M的速度等的速度要素。
例如,目标轨道生成部146将本车辆M应该按顺序到达的多个地点(轨道点)决定为目标轨道TR的位置要素。轨道点是每隔规定的行驶距离(例如数[m]程度)的本车辆M应该到达的地点。规定的行驶距离例如可以通过沿路径行进时的沿途距离来计算。
另外,目标轨道生成部146将每隔规定的采样时间(例如零点几[sec]程度)的目标速度ν及目标加速度α决定为目标轨道TR的速度要素。另外,轨道点也可以是每隔规定的采样时间的、在该采样时刻的本车辆M应该到达的位置。在该情况下,目标速度ν、目标加速度α由采样时间及轨道点的间隔决定。
例如,目标轨道生成部146从存储部180读出DNN模型数据182,并使用由该数据定义的模型来生成一个或多个目标轨道TR。
DNN模型数据182是定义了一个或多个DNN模型MDL1的信息(程序或数据构造)。DNN模型MDL1是以当输入风险区域RA时输出目标轨道TR的方式进行了学习的深度学习模型。具体而言,DNN模型MDL1可以是CNN(Convolutional Neural Network)、RNN(ReccurentNeural Network)、或者它们的组合。在DNN模型数据182中,例如包括构成神经网络的多个层分别包括的单元互相以怎样的方式耦合这样的耦合信息、对所耦合的单元间输入输出的数据赋予的耦合系数等各种信息。DNN模型MDL1是“机器学习模型”的一例。
所谓耦合信息,例如包括各层所包含的单元数、指定各单元的耦合对象的单元的种类的信息、各单元的激活函数、设置于隐含层的单元间的门(gate)等信息。激活函数例如既可以是修正线性函数(ReLU函数),也可以是sigmoid函数、step函数、以及其他的函数等。门例如根据由激活函数返回的值(例如1或0),使在单元间传递的数据选择性地通过、加权。耦合系数例如包括在神经网络的隐含层中从某层的单元向更深的层的单元输出数据时,对输出数据赋予的权重系数。另外,耦合系数也可以包括各层的固有的偏离成分等。
DNN模型MDL1例如基于教师数据充分地进行学习。教师数据例如是相对于风险区域RA而将DNN模型MDL1应该输出的正解的目标轨道TR作为教师标签(也称作目标)建立了对应关系的数据集。即,教师数据是将作为输入数据的风险区域RA、以及作为输出数据的目标轨道TR进行了组合的数据集。正解的目标轨道TR例如可以是通过在风险区域RA所包括的多个网格中潜在风险值p小于阈值Th、且潜在风险值p最低的网格的目标轨道。另外,正解的目标轨道TR例如可以是在某风险区域RA下实际上驾驶员进行了驾驶的车辆的轨道。
目标轨道生成部146对多个DNN模型MDL1分别输入由风险区域算出部144算出的风险区域RA,并基于输入了该风险区域RA的各DNN模型MDL1的输出结果,来生成一个或多个目标轨道TR。
图9是示意性地表示目标轨道TR的生成方法的图。例如,目标轨道生成部146对多个DNN模型MDL1分别输入表示风险区域RA的向量或者张量。在图示的例子中,风险区域RA表示为m行n列的二阶的张量。输入了表示风险区域RA的向量或者张量的各DNN模型MDL1输出一个目标轨道TR。该目标轨道TR例如由包括目标速度ν、目标加速度α、转向的位移量u、轨道的曲率κ这样的多个要素的向量或者张量表示。
图10是表示某一个DNN模型MDL1输出的目标轨道TR的一例的图。如图示的例子那样,先行车辆m1的周边的潜在风险值p变高,因此为了躲避该先行车辆m1而生成目标轨道TR。其结果是,本车辆M向由划分线LN2及LN3划分的相邻车道进行车道变更并赶超先行车辆m1。
返回图2的说明。第二控制部160控制行驶驱动力输出装置200、制动装置210及转向装置220,以使本车辆M按预定的时刻通过由目标轨道生成部146生成的目标轨道TR。第二控制部160例如具备第一取得部162、速度控制部164及转向控制部166。第二控制部160是“驾驶控制部”的一例。
第一取得部162从目标轨道生成部146取得目标轨道TR,并使存储部180的存储器存储该目标轨道TR。
速度控制部164基于存储于存储器的目标轨道TR中包括的速度要素(例如目标速度ν、目标加速度α等),来控制行驶驱动力输出装置200及制动装置210的一方或双方。
转向控制部166根据存储于存储器的目标轨道中包括的位置要素(例如目标轨道的曲率κ、与轨道点的位置相应的转向的位移量u等),来控制转向装置220。
速度控制部164及转向控制部166的处理例如通过前馈控制与反馈控制的组合来实现。作为一例,转向控制部166将与本车辆M的前方的道路的曲率相应的前馈控制与基于从目标轨道TR的偏离的反馈控制组合来执行。
行驶驱动力输出装置200将用于车辆行驶的行驶驱动力(转矩)向驱动轮输出。行驶驱动力输出装置200例如具备内燃机、电动机及变速器等的组合、以及控制它们的功率ECU(Electronic Control Unit)。功率ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息,来控制上述的结构。
制动装置210例如具备制动钳、向制动钳传递液压的液压缸、使液压缸产生液压的电动马达、以及制动ECU。制动ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息来控制电动马达,以使与制动操作相应的制动转矩向各车轮输出。制动装置210可以具备将通过驾驶操作件80中包括的制动踏板的操作产生的液压经由主液压缸向液压缸传递的机构作为备用。需要说明的是,制动装置210不限于上述说明的结构,也可以是按照从第二控制部160输入的信息来控制致动器将主液压缸的液压向液压缸传递的电子控制式液压制动装置。
转向装置220例如具备转向ECU和电动马达。电动马达例如使力作用于齿条-小齿轮机构来变更转向轮的朝向。转向ECU按照从第二控制部160输入的信息、或者从驾驶操作件80输入的信息,来驱动电动马达,使转向轮的朝向变更。
[处理流程]
以下,使用流程图来说明由实施方式的自动驾驶控制装置100进行的一系列处理的流程。图11是表示由实施方式的自动驾驶控制装置100进行的一系列处理的流程的一例的流程图。本流程图的处理例如可以在本车辆M在由事件决定部142决定了车道变更事件的区间行驶的情况(即进行车道变更的情况)下,以规定的周期反复执行。即,本流程图的处理可以在想要使本车辆M的位置在车辆行进方向X及车道宽度方向Y这双方位移的情况下,以规定的周期反复执行。
首先,识别部130识别在本车辆M正在行驶的道路上存在的物体(步骤S100)。该物体可以是如上述那样道路上的划分线、行人、相向车辆这样的各种的物体。
接着,风险区域算出部144基于划分线的位置、种类、周边的其他车辆的位置、速度、朝向等,来算出风险区域RA(步骤S102)。
例如,风险区域算出部144将预先决定的范围分为多个网格,关于该多个网格分别算出潜在风险值p。而且,风险区域算出部144算出各网格与潜在风险值p建立了对应关系的向量或张量作为风险区域RA。此时,风险区域算出部144将潜在风险值p归一化。
接着,目标轨道生成部146算出应该避免使本车辆M行驶的区域(以下称作避免行驶区域AA)(步骤S104)。
例如、目标轨道生成部146算出通过以本车辆为基准的基准点Pref、以及在由识别部130识别到的物体的外缘附近存在的任意的点Px的假想的线(以下称作假想线VL),并且算出通过该基准点Pref、以及存在于物体的外缘附近且与点Px不同的点Py的假想线VL。点Px及点Py中的任一方是“第一点”的一例,另一方是“第二点”的一例。
基准点例如可以是在前面安装的相机10的设置位置等。例如,在物体为四边形形状、六边形状等多边形形状的情况下,物体的外缘可以是多边形的顶点。即,若物体为多边形形状,则可以将“外缘附近”改读作多边形的“顶点附近”。另外,在物体为圆形状的情况下,物体的外缘可以是圆的切点。即,若物体为圆形状,则可以将“外缘附近”改读作圆形的“切点附近”。
另外,假想线VL也可以考虑风险区域RA而被算出。具体而言,假想线VL可以以在物体的外缘附近通过潜在风险值p比阈值th低的位置、以及上述的基准点Pref的方式算出。
图12是表示本车辆M可能遭遇的场景的一例的图。在图示的例子中,在划分线LN1及LN2之间的第一行驶车道上存在其他车辆m1,在划分线LN2及LN3之间的第二行驶车道上存在其他车辆m2,在划分线LN3及LN4之间的第三行驶车道上存在其他车辆m3。本车辆M存在于第二行驶车道上,且任意其他车辆均位于比本车辆M靠前方的位置。
在这样的场景中,目标轨道生成部146在从本车辆M的基准点Pref观察左侧前方时风景与其他车辆m1之间的边界附近的位置设定点Px1及点Pyl。其他车辆m1为四边形形状,因此例如其他车辆m1的4个角部(顶点)中的、左侧的后角部和右侧的前角部成为其他车辆m1的外缘。其他车辆m1的各角部是“物体的外缘附近”的一例。
因此,目标轨道生成部146在左侧的后角部附近设定点Px1,在右侧的前角部附近设定点Py1。此时,目标轨道生成部146可以如上所述考虑风险区域RA,在距其他车辆m1的外缘最近、且潜在风险值p比阈值th低的位置设定点Px1及点Py1。由此,点Px1及点Py1可以设定在稍微从其他车辆m1的外缘偏离的位置、即外缘附近。
目标轨道生成部146当设定点Px1及点Py1时,算出通过基准点Pref和点Px1的假想线VL1,并且算出通过基准点Pref和点Py1的假想线VL2。而且,目标轨道生成部146算出假想线VL1与假想线VL2之间的区域作为避免行驶区域AA1。
关于其他车辆m2及m3,也同样。例如,目标轨道生成部146在从本车辆M的基准点Pref观察前方时风景与其他车辆m2之间的边界附近的位置设定点Px2及点Py2。其他车辆m2的外缘是其他车辆m2的4个角部中的左侧的后角部和右侧的后角部。因此,目标轨道生成部146在左侧的后角部附近设定点Px2,在右侧的后角部附近设定点Py2。目标轨道生成部146当设定点Px2及点Py2时,算出通过基准点Pref和点Px2的假想线VL3,并且算出通过基准点Pref和点Py2的假想线VL4。而且,目标轨道生成部146算出假想线VL3与假想线VL4之间的区域作为避免行驶区域AA2。
另外,例如,目标轨道生成部146在从本车辆M的基准点Pref观察右侧前方时风景与其他车辆m3之间的边界附近的位置设定点Px3及点Py3。其他车辆m3的外缘是其他车辆m3的4个角部中的左侧的前角部和右侧的后角部。因此,目标轨道生成部146在左侧的前角部附近设定点Px3,在右侧的后角部附近设定点Py3。目标轨道生成部146当设定点Px3及点Py3时,算出通过基准点Pref和点Px3的假想线VL5,并且算出通过基准点Pref和点Py3的假想线VL6。而且,目标轨道生成部146算出通过假想线VL5与假想线VL6之间的区域作为避免行驶区域AA3。
返回图11的流程图的说明。接着,目标轨道生成部146使用由DNN模型数据182定义的多个DNN模型MDL1,来生成多个目标轨道TR(步骤S106)。
接着,目标轨道生成部146从所生成的多个目标轨道TR中将在各避免行驶区域AA的内侧存在的目标轨道TR除外,而保留在避免行驶区域AA的外侧存在的目标轨道TR(步骤S108)。
图13是表示多个目标轨道TR的一例的图。例如,在由DNN模型数据182定义有4个DNN模型MDL1的情况下,目标轨道生成部146对4个DNN模型MDL1分别输入在S102的处理中风险区域算出部144算出的风险区域RA。接受到该风险区域RA,各DNN模型MDL1输出一个目标轨道TR。即,如图示那样,生成TR1、TR2、TR3、TR4这样的合计4个目标轨道TR。
如上所述,DNN模型MDL1使用相对于风险区域RA而正解的目标轨道TR(通过潜在风险值p比阈值Th低的区域的轨道)作为教师标签建立了对应关系的教师数据进行学习。即,DNN模型MDL1的权重系数、偏离成分等参数使用随机梯度下降法等而被决定,以使在输入了某风险区域RA时DNN模型MDL1输出的目标轨道TR与相对于该风险区域RA而作为教师标签建立了对应关系的正解的目标轨道TR之间差量(误差)变小。
因此,DNN模型MDL1作为某种的随机模型来进行动作。期待的是,由DNN模型MDL1输出的目标轨道TR是通过潜在风险值p比阈值Th低的区域的轨道。然而,DNN模型MDL1随机地决定目标轨道TR,因此虽然认为该可能性极低,但是也不能否定生成通过潜在风险值p比阈值Th高的区域的轨道的可能性。即,如图示那样,有可能生成本车辆M急接近其他车辆ml、m2这样的目标轨道TR1、TR4。
因此,目标轨道生成部146判定所生成的各目标轨道TR存在于所算出的避免行驶区域AA的内侧或者还是存在于该避免行驶区域AA的外侧,并将存在于避免行驶区域AA的内侧的目标轨道TR除外,存在于避免行驶区域AA的外侧的目标轨道TR直接保留。
图14是表示被除外的目标轨道TR的一例的图。在图的例子中,4个目标轨道TR中的、TR1存在于避免行驶区域AA1的内侧,TR4存在于避免行驶区域AA3的内侧。在该情况下,目标轨道生成部146将目标轨道TR1及TR4除外。
返回图11的流程图的说明。接着,目标轨道生成部146从未被除外而保留下来的一个或多个目标轨道TR中选择最优的目标轨道TR(步骤S110)。
例如,目标轨道生成部146可以从目标轨道TR的平滑度、加减速的平缓度这样的观点出发评价各目标轨道TR,并选择评价最高的目标轨道TR作为最优的目标轨道TR。更具体而言,目标轨道生成部146可以选择曲率κ最小、目标加速度α最小的目标轨道TR作为最优的目标轨道TR。需要说明的是,最优的目标轨道TR的选择不限定于此,也可以考虑其他的观点等来进行选择。
而且,目标轨道生成部146将最优的目标轨道TR向第二控制部160输出。接受到该输出,第二控制部160基于由目标轨道生成部146输出的最优的目标轨道TR,来控制本车辆M的速度及转向中的至少一方(步骤S112)。由此本流程图的处理结束。
根据以上说明的实施方式,自动驾驶控制装置100识别存在于本车辆M的周边的划分线、相向车辆、行人这样的各种的物体,并算出在该物体的周围潜在地存在的风险的区域即风险区域RA。而且,自动驾驶控制装置100算出通过以本车辆M为基准的基准点Pref和存在于物体的外缘附近的点Px的假想线VL、以及通过基准点Pref和存在于物体的外缘附近且与点Px不同的点Py的假想线VL。自动驾驶控制装置100算出所算出的两个假想线VL之间的区域作为避免行驶区域AA。自动驾驶控制装置100从所生成的一个或多个目标轨道TR中将存在于所算出的避免行驶区域AA的内侧的目标轨道TR除外,并基于未被除外而保留下来的目标轨道TR来自动地控制本车辆M的驾驶。由此,能够更安全地控制本车辆M的驾驶。
<实施方式的变形例>
以下,说明上述的实施方式的变形例。在上述的实施方式中,说明了目标轨道生成部146通过对多个DNN模型MDL1分别输入风险区域RA来使多个DNN模型MDL1分别输出目标轨道TR的情况,但不限定于此。例如,目标轨道生成部146也可以对某一个DNN模型MDL1分别输入风险区域RA,并使该DNN模型MDL1输出多个目标轨道TR。在该情况下,DNN模型MDL1是基于对于某一个风险区域RA而DNN模型MDL1应该输出的正解的多个目标轨道TR作为教师标签建立了对应关系的教师数据,进行学习的模型。由此,DNN模型MDL1当输入某风险区域RA时,输出多个目标轨道TR。
另外,在上述的实施方式中,说明了关于其他车辆m2这样的先行车辆也算出避免行驶区域AA的情况,但不限定于此。例如,目标轨道生成部146也可以是不仅是车道变更事件,在本车辆M计划了追随行驶事件、以及其他的事件的区间行驶的情况下,也算出在该区间先行车辆的后方的区域作为避免行驶区域AA。
图15是表示本车辆M可能遭遇的场景的另一例的图。例如,在图示的场景中,使本车辆M追随作为先行车辆的其他车辆m2的情况下,目标轨道TR成为从本车辆M向其他车辆m2延伸的轨道。在这样的情况下,当将其他车辆m2的后方的区域设为避免行驶区域AA时,本车辆M有可能不能追随其他车辆m2。因此,在并非限定于进行车道变更的场景中,目标轨道生成部146不算出先行车辆的后方的区域作为避免行驶区域AA。由此,能够在避免本车辆M堆积这样的状况的同时,更安全地控制本车辆M的驾驶。
另外,在上述的实施方式中,目标轨道生成部146为了算出避免行驶区域AA而以通过物体的外缘附近(例如车辆的角部附近)的方式算出了假想线VL,但并不限定于此。例如,目标轨道生成部146也可以基于物体的周围的潜在风险值p,来算出假想线VL。
图16是用于说明假想线VL的算出方法的图。在图示的例子中,说明了针对其他车辆m3的假想线VL5及VL6的算出方法。图中RAX表示潜在风险值p比阈值th高的区域。如上所述,越是靠近其他车辆m3的区域,则潜在风险值p越高,越是远离其他车辆m3的区域,则潜在风险值p越低。由此,区域RAX成为比其他车辆m3大的区域。区域RAX的内侧由于潜在风险值p高,因此能够视作本车辆M不应该通过的区域。因此,目标轨道生成部146可以算出通过以其他车辆m3为基准的区域RAX的外缘(潜在风险值p与阈值th相同或为该阈值th以下的边界)的直线作为假想线VL5及VL6。换言之,目标轨道生成部146可以算出从其他车辆m3观察通过从其他车辆m3的各角部离开的位置的直线作为假想线VL5及VL6。由此,能够一边考虑其他车辆m3的将来的动作,一边动态地算出避免行驶区域AA。从其他车辆m3的各角部离开的位置是“物体的外缘附近”的另一例。
另外,目标轨道生成部146也可以一边使用模型预测控制(Model PredictiveControl;MPC)等最优化方法将基于物体附近的潜在风险值p而算出的假想线VL变更为最优的形状,一边算出避免行驶区域AA。
图17是用于说明假想线VL的最优化方法的图。例如,在某初始周期t0,算出其他车辆m3的周围的潜在风险值p,并以该潜在风险值p为基础,算出针对其他车辆m3的假想线VL5(t0)及VL6(t0)。在该情况下,目标轨道生成部146可以使处理周期反复,每当算出潜在风险值p时,都解决任意的最优化问题,由此算出假想线VL5及VL6。由此,如图示那样,在某周期tk的假想线VL5(tk)及VL6(tk)能够作为不是线性而是非线性的形状的假想线而算出,能够算出考虑了其他车辆m3的将来的动作的最优的形状的避免行驶区域AA。其结果是,容易选择最优的目标轨道TR,因此能够更安全地控制本车辆M的驾驶。
另外,上述的实施方式的目标轨道生成部146并不限定于DNN,也可以通过对以二叉树型的模型、博弈树型的模型、使低层神经网络如波茨曼机(boltzmann machine)这样进行了相互耦合的模型、强化学习模型、深层强化学习模型这样的其他的机器学习为基础的模型输入风险区域RA,来使其他的机器学习模型输出目标轨道TR。二叉树型的模型、博弈树型的模型、使低层神经网络如波茨曼机那样进行了相互耦合的模型、强化学习模型、深层强化学习模型等是“机器学习模型”的其他例。
[硬件结构]
图18是表示实施方式的自动驾驶控制装置100的硬件结构的一例的图。如图所示,自动驾驶控制装置100成为通信控制器100-1、CPU100-2、作为工作存储器使用的RAM100-3、保存引导程序等的ROM100-4、闪存器、HDD等存储装置100-5、驱动装置100-6等通过内部总线或者专用通信线而相互连接的结构。通信控制器100-1进行与自动驾驶控制装置100以外的构成要素之间的通信。在存储装置100-5中保存有供CPU100-2执行的程序100-5a。该程序通过DMA(Direct Memory Access)控制器(未图示)等向RAM100-3展开,并由CPU100-2执行。由此,实现第一控制部及第二控制部160中的一部分或全部。
上述说明的实施方式能够如以下这样表现。
一种车辆控制装置,其构成为具备:
保存有程序的至少一个以上的存储器;以及
至少一个以上的处理器,
所述处理器通过执行所述程序来进行如下处理:
识别存在于车辆的周边的物体;
基于所述识别到的物体来生成所述车辆应该行驶的一个或多个目标轨道;
基于所述生成的目标轨道来自动地控制所述车辆的驾驶;
算出第一假想线与第二假想线第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于所述算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于所述识别到的物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线;以及
基于未进行所述除外而保留下来的目标轨道来自动地控制所述车辆的驾驶。
以上使用实施方式说明了本发明的具体实施方式,但本发明丝毫不被这样的实施方式限定,在不脱离本发明的主旨的范围内能够施加各种变形及替换。
Claims (9)
1.一种车辆控制装置,其中,
所述车辆控制装置具备:
识别部,其识别存在于车辆的周边的物体;
生成部,其基于由所述识别部识别到的所述物体来生成所述车辆应该行驶的一个或多个目标轨道;以及
驾驶控制部,其基于由所述生成部生成的所述目标轨道来自动地控制所述车辆的驾驶,
所述生成部算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于由所述识别部识别到的所述物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线,
所述驾驶控制部基于未由所述生成部除外而保留下来的所述目标轨道来自动地控制所述车辆的驾驶,
所述基准点、所述第一点及所述第二点设定在由表示所述车辆的行进方向的第一轴和表示所述车辆的宽度方向的第二轴形成的二维空间上。
2.根据权利要求1所述的车辆控制装置,其中,
所述生成部基于模型预测控制来使所述第一假想线及所述第二假想线的形状最优化。
3.根据权利要求1所述的车辆控制装置,其中,
所述车辆控制装置还具备算出部,该算出部算出在由所述识别部识别到的所述物体的周围分布的风险的区域即风险区域,
所述生成部对根据所述风险区域来决定所述目标轨道的模型输入由所述算出部算出的所述风险区域,并基于输入了所述风险区域的所述模型的输出结果来生成一个或多个所述目标轨道。
4.根据权利要求3所述的车辆控制装置,其中,
所述模型是以当输入所述风险区域时输出所述目标轨道的方式进行了学习的机器学习模型。
5.根据权利要求3所述的车辆控制装置,其中,
所述生成部将在所述风险区域内的所述物体的外缘附近所述风险的潜在值比阈值低的位置设为所述第一点及所述第二点。
6.根据权利要求1至5中任一项所述的车辆控制装置,其中,
所述生成部在由所述识别部识别到的所述物体是在存在所述车辆的车道上比所述车辆靠前方行驶的先行车辆的情况下,不将所述先行车辆的后方的区域设为所述避免行驶区域。
7.根据权利要求1至5中任一项所述的车辆控制装置,其中,
所述生成部在使所述车辆进行车道变更的情况下,算出所述避免行驶区域,并从生成的一个或多个所述目标轨道中将存在于所述避免行驶区域内的所述目标轨道除外。
8.一种车辆控制方法,其中,
所述车辆控制方法使搭载于车辆的计算机进行如下处理:
识别存在于所述车辆的周边的物体;
基于识别的物体来生成所述车辆应该行驶的一个或多个目标轨道;
基于所述生成的目标轨道来自动地控制所述车辆的驾驶;
算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于识别到的物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线;以及
基于未进行所述除外而保留下来的目标轨道来自动地控制所述车辆的驾驶,
所述基准点、所述第一点及所述第二点设定在由表示所述车辆的行进方向的第一轴和表示所述车辆的宽度方向的第二轴形成的二维空间上。
9.一种存储介质,其是存储有程序的计算机可读取的存储介质,其中,
所述程序用于使搭载于车辆的计算机执行如下处理:
识别存在于所述车辆的周边的物体;
基于识别的物体来生成所述车辆应该行驶的一个或多个目标轨道;
基于所述生成的目标轨道来自动地控制所述车辆的驾驶;
算出第一假想线与第二假想线之间的区域作为应该避免使所述车辆行驶的区域即避免行驶区域,并从所述生成的一个或多个所述目标轨道中将存在于算出的避免行驶区域内的所述目标轨道除外,所述第一假想线是通过以所述车辆为基准的基准点以及存在于识别到的物体的外缘附近的第一点的假想线,所述第二假想线是通过所述基准点以及存在于所述物体的外缘附近且与所述第一点不同的第二点的假想线;以及
基于未进行所述除外而保留下来的目标轨道来自动地控制所述车辆的驾驶,
所述基准点、所述第一点及所述第二点设定在由表示所述车辆的行进方向的第一轴和表示所述车辆的宽度方向的第二轴形成的二维空间上。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020063527A JP7465705B2 (ja) | 2020-03-31 | 2020-03-31 | 車両制御装置、車両制御方法、及びプログラム |
JP2020-063527 | 2020-03-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113460079A CN113460079A (zh) | 2021-10-01 |
CN113460079B true CN113460079B (zh) | 2024-06-11 |
Family
ID=77857390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110330011.6A Active CN113460079B (zh) | 2020-03-31 | 2021-03-26 | 车辆控制装置、车辆控制方法及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11667281B2 (zh) |
JP (1) | JP7465705B2 (zh) |
CN (1) | CN113460079B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6939376B2 (ja) * | 2017-10-10 | 2021-09-22 | トヨタ自動車株式会社 | 自動運転システム |
KR20220136679A (ko) * | 2021-04-01 | 2022-10-11 | 현대자동차주식회사 | 주행 제어 장치 및 방법 |
JP7550811B2 (ja) | 2022-03-30 | 2024-09-13 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车系统 |
CN107031625A (zh) * | 2016-01-26 | 2017-08-11 | 丰田自动车株式会社 | 车辆用防碰撞辅助系统 |
CN109426263A (zh) * | 2017-09-01 | 2019-03-05 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
JP2019108103A (ja) * | 2017-12-20 | 2019-07-04 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
CN110087959A (zh) * | 2017-02-03 | 2019-08-02 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法及车辆控制程序 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6301714B2 (ja) | 2014-04-14 | 2018-03-28 | 株式会社Soken | 走行経路生成装置 |
JP6354561B2 (ja) | 2014-12-15 | 2018-07-11 | 株式会社デンソー | 軌道判定方法、軌道設定装置、自動運転システム |
JP6507464B2 (ja) | 2016-03-15 | 2019-05-08 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、および車両制御プログラム |
US10872379B1 (en) * | 2016-04-11 | 2020-12-22 | State Farm Mutual Automobile Insurance Company | Collision risk-based engagement and disengagement of autonomous control of a vehicle |
JP6823512B2 (ja) | 2017-03-16 | 2021-02-03 | 本田技研工業株式会社 | 経路決定装置、車両制御装置、経路決定方法、およびプログラム |
JP6817166B2 (ja) | 2017-07-31 | 2021-01-20 | 本田技研工業株式会社 | 自動運転のポリシー生成装置及び車両 |
JP6525412B1 (ja) | 2017-12-28 | 2019-06-05 | マツダ株式会社 | 車両制御装置 |
JP7085259B2 (ja) | 2018-06-22 | 2022-06-16 | 株式会社Soken | 車両制御装置 |
JP7048456B2 (ja) | 2018-08-30 | 2022-04-05 | 本田技研工業株式会社 | 学習装置、学習方法、およびプログラム |
KR102699260B1 (ko) * | 2019-05-27 | 2024-08-28 | 현대자동차주식회사 | 차량 및 그 제어방법 |
CN114555449A (zh) * | 2019-10-14 | 2022-05-27 | 株式会社电装 | 车载装置以及驾驶辅助方法 |
-
2020
- 2020-03-31 JP JP2020063527A patent/JP7465705B2/ja active Active
-
2021
- 2021-03-26 US US17/213,267 patent/US11667281B2/en active Active
- 2021-03-26 CN CN202110330011.6A patent/CN113460079B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车系统 |
CN107031625A (zh) * | 2016-01-26 | 2017-08-11 | 丰田自动车株式会社 | 车辆用防碰撞辅助系统 |
CN110087959A (zh) * | 2017-02-03 | 2019-08-02 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法及车辆控制程序 |
CN109426263A (zh) * | 2017-09-01 | 2019-03-05 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
JP2019108103A (ja) * | 2017-12-20 | 2019-07-04 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7465705B2 (ja) | 2024-04-11 |
JP2021160533A (ja) | 2021-10-11 |
US20210300351A1 (en) | 2021-09-30 |
US11667281B2 (en) | 2023-06-06 |
CN113460079A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113460081B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN111201170B (zh) | 车辆控制装置及车辆控制方法 | |
CN113460077B (zh) | 移动体控制装置、移动体控制方法及存储介质 | |
CN113460080B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN113460079B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN113320541B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN113525413B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
JP2020147139A (ja) | 車両制御装置、車両制御方法、およびプログラム | |
CN113460083B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN110341703B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN114506316B (zh) | 车辆控制装置、车辆控制方法以及存储介质 | |
CN113525378B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN113492845B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN115140086A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN110194153B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN112429001B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
JP7433205B2 (ja) | 車両制御装置、車両制御方法、およびプログラム | |
CN113525407B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN112172804B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
JP2024087350A (ja) | 車両制御装置、車両制御方法、およびプログラム | |
JP2022107296A (ja) | 車両制御装置、車両制御方法、およびプログラム |
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 |