CN113494938A - 物体识别装置及物体识别方法 - Google Patents

物体识别装置及物体识别方法 Download PDF

Info

Publication number
CN113494938A
CN113494938A CN202110321336.8A CN202110321336A CN113494938A CN 113494938 A CN113494938 A CN 113494938A CN 202110321336 A CN202110321336 A CN 202110321336A CN 113494938 A CN113494938 A CN 113494938A
Authority
CN
China
Prior art keywords
data
unit
delay time
sensor
correction
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
Application number
CN202110321336.8A
Other languages
English (en)
Other versions
CN113494938B (zh
Inventor
秋山智广
森谷贵行
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mazda Motor Corp
Mitsubishi Electric Corp
Original Assignee
Mazda Motor Corp
Mitsubishi Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mazda Motor Corp, Mitsubishi Electric Corp filed Critical Mazda Motor Corp
Publication of CN113494938A publication Critical patent/CN113494938A/zh
Application granted granted Critical
Publication of CN113494938B publication Critical patent/CN113494938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/862—Combination of radar systems with sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/66—Sonar tracking systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/66—Tracking systems using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • 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
    • B60W2554/4043—Lateral speed
    • 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
    • B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明得到抑制识别物体的精度变差的物体识别装置及物体识别方法。物体识别装置包括至少一个以上的传感器、数据接收部、设定部。传感器检测在能进行检测的范围内存在的物体，并发送包含表示物体的状态的多个物理量在内的物体数据。数据接收部从传感器接收物体数据。设定部基于数据接收部接收到的过去的物体数据中的至少一部分物体数据以及物体中的运动模型，来生成对当前的物体数据进行预测而得的预测数据，并基于与预测数据中包含的多个物理量的每一个对应的多个物理量延迟时间，来设定用于决定预测数据与当前的物体数据之间的相关关系的相关可能区域。

Description

物体识别装置及物体识别方法
技术领域
本发明涉及物体识别装置及物体识别方法。
背景技术
现有的物体识别装置(例如，参照专利文献1)构成为具备处理部，该处理部从搭载于本车的多个传感器分别接收包含表示物体的状态的物理量的检测值在内的物体数据，并处理接收到的物体数据，由此来识别本车辆周边的物体。
上述物体识别装置设定有与多个传感器单独对应的多个传感器延迟时间。这里，传感器延迟时间表示可考虑为在从传感器检测物体起到上述处理部从该传感器接收物体数据为止的期间存在的时间。
上述处理部构成为将从传感器接收到物体数据的接收时刻中减去与该传感器对应的传感器延迟时间，由此来运算该传感器检测到物体的时刻即物体检测时刻。此外，上述处理部构成为将从传感器接收到的物体数据与运算出的物体检测时刻对应起来。
现有技术文献
专利文献
专利文献1：日本专利特开2017－75881号公报
发明内容
发明所要解决的技术问题
这里，考虑如下情况：构成为在上述物体识别装置中，上述处理部生成包含与物体数据相对应的物体检测时刻下的物理量的预测值在内的预测数据，并决定所生成的预测数据与该物体数据之间的相关关系。该情况下，在对应于物体检测时刻的预测数据中所包含的物理量的预测值、与对应于物体检测时刻的物体数据中所包含的物理量的检测值之间，有可能产生对相关关系的决定造成影响的程度的大小的误差。另外，作为具体示例，考虑上述传感器是摄像头、上述物理量包含纵向位置和纵向速度的情况。
上述情况下，当摄像头检测物体并运算该物体的纵向位置的检测值和纵向速度的检测值双方时，进行彼此不同的平滑处理。因此，在纵向位置与纵向速度中的至少一方的物理量中，在预测值与检测值之间有可能产生上述那样的误差。该情况下，由上述物体识别装置所决定的相关关系并不正确，其结果是，物体识别装置识别物体的精度有可能变差。
本发明是为了解决上述问题而完成的，其目的在于获得一种物体识别装置和物体识别方法，能抑制对物体进行识别的精度变差。
解决技术问题所采用的技术方案
本发明中的物体识别装置包括：至少一个以上的传感器，该传感器检测存在于能进行检测的范围内的物体，并发送包含表示所述物体的状态的多个物理量在内的物体数据；数据接收部，该数据接收部从所述传感器接收所述物体数据；以及设定部，该设定部基于所述数据接收部接收到的过去的所述物体数据中的至少一部分的所述物体数据、以及所述物体中的运动模型，来生成对当前的所述物体数据进行预测而得的预测数据，并基于所述预测数据、与多个所述物理量的每一个对应的多个物理量延迟时间，来设定用于决定所述预测数据与当前的所述物体数据之间的相关关系的相关可能区域。
发明效果
根据本发明，能获得一种物体识别装置和物体识别方法，能抑制对物体进行识别的精度变差。
附图说明
图1是示出具备实施方式1中的物体识别装置的车辆控制系统的结构的框图。
图2是示出实施方式1中的预测部所生成的相关可能区域的一个示例的说明图。
图3是示出实施方式1的校正部生成校正相关可能区域的一系列处理的流程图。
图4是示出由实施方式1中的校正部从预测部获取的相关可能区域的示例的说明图。
图5是示出由实施方式1中的校正部生成的校正相关可能区域的第1示例的说明图。
图6是示出由实施方式1中的校正部生成的校正相关可能区域的第2示例的说明图。
图7是示出由实施方式1中的校正部生成的校正相关可能区域的第3示例的说明图。
图8是示出由实施方式1中的物体识别装置生成的时刻tk下的航迹数据的说明图。
图9是示出由实施方式1中的物体识别装置生成的时刻tk+1下的预测数据的说明图。
图10是示出实施方式2中的预测部所生成的相关可能区域的一个示例的说明图。
图11是示出实施方式2的校正部生成校正相关可能区域的一系列处理的流程图。
图12是示出由实施方式2中的校正部从预测部获取的相关可能区域的示例的说明图。
图13是示出由实施方式2中的校正部生成的校正相关可能区域的第1示例的说明图。
图14是示出由实施方式2中的校正部生成的校正相关可能区域的第2示例的说明图。
图15是示出由实施方式2中的校正部生成的校正相关可能区域的第3示例的说明图。
图16是示出由实施方式2中的物体识别装置生成的时刻tk下的航迹数据的说明图。
图17是示出由实施方式2中的物体识别装置生成的时刻tk+1下的预测数据的说明图。
图18是示出具备实施方式3中的物体识别装置的车辆控制系统的结构的框图。
图19是示出具备实施方式4中的物体识别装置的车辆控制系统的结构的框图。
图20是示出具备实施方式5中的物体识别装置的车辆控制系统的结构的框图。
图21是说明实施方式5中的物体识别装置的控制例的流程图。
具体实施方式
以下，按照优选的实施方式并使用附图来对本发明所涉及的物体识别装置和物体识别方法进行说明。另外，在附图的说明中，对相同部分或相当部分标注相同标号，并省略重复的说明。
实施方式1.
图1是示出具备实施方式1中的物体识别装置100的车辆控制系统的结构的框图。图1中，车辆控制系统设置于本车，并包括物体识别装置100和车辆控制装置200。
物体识别装置100包括第1传感器101、第2传感器102和处理部110。另外，实施方式1中，例示出传感器的数量为2个的情况，但传感器的数量也可以是1个或3个以上。即，传感器的数量为至少1个以上即可。
第1传感器101和第2传感器102分别检测存在于能进行检测的范围内的本车周边的物体，并将包含表示该物体的状态的多个物理量在内的物体数据D发送到处理部110。
作为一个示例，第1传感器101和第2传感器102分别接收从物体放射的光、电磁波等检测波，并对接收到的检测波进行信号处理、图像处理等所需的处理，由此来运算上述多个物理量。作为其它示例，第1传感器101和第2传感器102分别将检测波照射到物体，接收从该物体反射出的检测波，并对接收到的检测波进行信号处理、图像处理等所需的处理，由此来运算上述多个物理量。
更具体而言，作为第1传感器101和第2传感器102，例如可以分别使用雷达、超声波传感器、红外线传感器、光学摄像头、车车间通信设备等。第1传感器101和第2传感器102可以是彼此不同种类的传感器，也可以是彼此相同种类的传感器。
这里，上述多个物理量至少包含物体的纵向位置和物体的纵向速度这2个物理量。另外，实施方式1中，作为具体示例，例示出如下情况：上述多个物理量至少包含物体相对于本车的相对的纵向位置px、以及物体相对于本车的相对的纵向速度vx这2个物理量。
另外，在检测范围内存在的物体的数量为1个的情况下，第1传感器101和第2传感器102分别将与1个物体对应的1个物体数据D发送到处理部110。此外，在检测范围内存在的物体的数量为多个的情况下，第1传感器101和第2传感器102分别将与多个物体单独对应的多个物体数据D发送到处理部110。
以下，根据需要，将第1传感器101所发送的物体数据D记为“物体数据D1”，将第2传感器102所发送的物体数据D记为“物体数据D2”。
处理部110包括数据接收部111、预测部112、存储部113、校正部114、相关部115和更新部116。
数据接收部111分别从第1传感器101和第2传感器102接收物体数据D。以下，根据需要，将物体数据D中包含的纵向位置px记为“纵向位置检测值Dpx”，将物体数据D中包含的纵向速度vx记为“纵向速度检测值Dvx”。
数据接收部111中设定有与第1传感器101和第2传感器102单独对应的2个传感器延迟时间设定值。2个传感器延迟时间设定值是预先确定的固定值。以下，根据需要，将与第1传感器101对应的传感器延迟时间设定值记为“传感器延迟时间设定值Td_set1”，将与第2传感器102对应的传感器延迟时间设定值记为“传感器延迟时间设定值Td_set2”。
若从第1传感器101和第2传感器102中的任一个传感器接收物体数据D，则数据接收部111从接收到该物体数据D的接收时刻中减去与该物体数据D的发送源的传感器对应的传感器延迟时间设定值，由此来确定物体检测时刻。此外，数据接收部111将接收到的该物体数据D与确定出的该物体检测时刻对应起来。
这里，对于传感器延迟时间设定值，以第传感器101为例来进行说明。从第1传感器101检测出物体起，到数据接收部111从第1传感器101接收该物体的物体数据D1为止的期间中存在延迟时间。对于第2传感器102也相同。
因此，数据接收部111中设定有传感器延迟时间设定值Td_set1，以作为与第1传感器101对应的延迟时间。若从第1传感器101接收物体数据D1，则数据接收部111从接收到该物体数据D1的接收时刻中减去传感器延迟时间设定值Td_set1，由此来确定物体检测时刻。数据接收部111将物体数据D1与这样确定出的物体检测时刻对应起来，并输出到预测部112、校正部114和相关部115。
此外，数据接收部111中设定有传感器延迟时间设定值Td_set2，以作为与第2传感器102对应的延迟时间。若从第2传感器102接收物体数据D2，则数据接收部111从接收到该物体数据D2的接收时刻中减去传感器延迟时间设定值Td_set2，由此来确定物体检测时刻。数据接收部111将物体数据D2与这样确定出的物体检测时刻对应起来，并输出到预测部112、校正部114和相关部115。
预测部112使用与数据接收部111接收到的物体数据D对应起来的物体检测时刻之前的上次的物体检测时刻所对应的航迹数据F，来生成与物体检测时刻对应的航迹数据F的预测结果即预测数据P。
具体而言，预测部112使与上次的物体检测时刻对应的航迹数据F按照预先确定的运动模型进行时间转移，由此来预测与本次的物体检测时刻对应的航迹数据F，并将该预测结果作为预测数据P输出。以下，根据需要，将预测数据P中包含的纵向位置px记为“纵向位置预测值Ppx”，将预测数据P中包含的纵向速度vx记为“纵向速度预测值Pvx”。
预测部112基于所生成的预测数据P中包含的纵向位置预测值Ppx，来生成与纵向位置px对应的相关可能区域Sp。具体而言，预测部112生成以所生成的预测数据P中包含的纵向位置预测值Ppx为中心的区域即相关可能区域Sp。预测部112将所生成的预测数据P和相关可能区域Sp输出到校正部114。
这里，参照图2，对预测部112生成的相关可能区域Sp的一个示例进行说明。图2是示出实施方式1中的预测部112所生成的相关可能区域Sp的一个示例的说明图。
如图2所示，相关可能区域Sp是以预测数据P中包含的纵向位置预测值Ppx为中心的区域。相关可能区域Sp的形状和尺寸预先确定，因此，相关可能区域Sp由纵向位置预测值Ppx唯一确定。
相关可能区域Sp用于决定预测数据P与物体数据D的相关关系。即，若物体数据D中包含的纵向位置检测值Dpx位于相关可能区域Sp内，则视为预测数据P与物体数据D相关。另一方面，若物体数据D中包含的纵向位置检测值Dpx位于相关可能区域Sp外，则视为预测数据P与物体数据D不相关。
存储部113中存储有与第1传感器101和第2传感器102单独对应的2个传感器延迟时间设定值，即传感器延迟时间设定值Td_set1和传感器延迟时间设定值Td_set2。存储部113还存储有与第1传感器101和第2传感器102单独对应的2个物理量延迟时间组。
上述2个物理量延迟时间组各自包含与纵向位置px和纵向速度vx单独对应的2个物理量延迟时间。分别包含于2个物理量延迟时间组的2个物理量延迟时间是预先确定的固定值。
具体而言，第1传感器101所对应的物理量延迟时间组包含对应于纵向位置px的纵向位置延迟时间Td_px1、对应于纵向速度vx的纵向速度延迟时间Td_vx1。纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1是预先确定的固定值。
第2传感器102所对应的物理量延迟时间组包含对应于纵向位置px的纵向位置延迟时间Td_px2、对应于纵向速度vx的纵向速度延迟时间Td_vx2。纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2是预先确定的固定值。
以下，根据需要，将与第1传感器101对应的物理量延迟时间组记为“物理量延迟时间组Td_ph1”，将与第2传感器102对应的物理量延迟时间组记为“物理量延迟时间组Td_ph2”。
这里，对于物理量延迟时间组，以第1传感器101为例来进行说明。在对应于物体检测时刻的物体数据D1中包含的纵向位置检测值Dpx、与对应于该物体检测时刻的预测数据P中包含的纵向位置预测值Ppx之间有时产生误差。对于物体数据D1中包含的纵向速度检测值Dvx、预测数据P中包含的纵向速度预测值Pvx也相同。该情况下，数据接收部111为了确定物体检测时刻而使用的传感器延迟时间设定值Td_set1有可能并不恰当。因此，实施方式1中，对于第1传感器101，导入了物理量延迟时间组Td_ph1这一参数。
即，物理量延迟时间组Td_ph1中包含的纵向位置延迟时间Td_px1是用于补偿上述纵向位置检测值Dpx与纵向位置预测值Ppx之间产生的误差的参数。物理量延迟时间组Td_ph1中包含的纵向速度延迟时间Td_vx1是用于补偿上述纵向速度检测值Dvx与纵向速度预测值Pvx之间产生的误差的参数。
对于第2传感器102，也同样地导入了物理量延迟时间组Td_ph2这一参数。
校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，来校正预测部112所生成的相关可能区域Sp，由此来生成与纵向位置px对应的校正相关可能区域Sp_mod。校正部114将所生成的校正相关可能区域Sp_mod输出到相关部115。
这里，参照图3，对校正部114生成校正相关可能区域Sp_mod的处理进行说明。图3是示出实施方式1的校正部114生成校正相关可能区域Sp_mod的一系列处理的流程图。以下，将与数据接收部111接收到的物体数据D对应起来的物体检测时刻的前1个的上次的物体检测时刻称为“上次的物体检测时刻”。
步骤S1中，校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，如下述那样运算预测部112生成的预测数据P所对应的时间差ΔTd_Ppx。
即，校正部114确定与上次的物体检测时刻对应起来的物体数据D的发送源的传感器。在确定出的传感器为第1传感器101的情况下，校正部114使用传感器延迟时间设定值Td_set1和纵向位置延迟时间Td_px1，按照以下式(1-1)来运算时间差ΔTd_Ppx。
ΔTd_Ppx＝Td_set1-Td_px1 (1-1)
另一方面，在确定出的传感器为第2传感器102的情况下，校正部114使用传感器延迟时间设定值Td_set2和纵向位置延迟时间Td_px2，按照以下式(1-2)来运算时间差ΔTd_Ppx。
ΔTd_Ppx＝Td_set2-Td_px2 (1-2)
接着，在步骤S2中，校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，如下述那样运算数据接收部111接收到的物体数据D所对应的时间差ΔTd_Dpx。
即，校正部114确定数据接收部111接收到的物体数据D的发送源的传感器。在确定出的传感器为第1传感器101的情况下，校正部114使用传感器延迟时间设定值Td_set1和纵向位置延迟时间Td_px1，按照以下式(1-3)来运算时间差ΔTd_Dpx。
ΔTd_Dpx＝Td_set1-Td_px1 (1-3)
另一方面，在确定出的传感器为第2传感器102的情况下，校正部114使用传感器延迟时间设定值Td_set2和纵向位置延迟时间Td_px2，按照以下式(1-4)来运算时间差ΔTd_Dpx。
ΔTd_Dpx＝Td_set2-Td_px2 (1-4)
接着，步骤S3中，校正部114使用步骤S1中运算出的时间差ΔTd_Ppx、步骤S2中运算出的时间差ΔTd_Dpx、预测部112所生成的预测数据P中包含的纵向速度预测值Pvx，按照以下式(1-5)，来运算用于校正相关可能区域Sp的校正量Mp。
Mp＝Pvx×(ΔTd_Ppx-ΔTd_Dpx) (1-5)
接着，步骤S4中，校正部114使用步骤S3中运算出的校正量Mp，对预测部112生成的相关可能区域Sp进行校正，由此来生成校正相关可能区域Sp_mod。
这里，参照图4和图5对校正部114使用校正量Mp来生成校正相关可能区域Sp_mod的第1示例进行说明。图4是示出由实施方式1中的校正部114从预测部112获取的相关可能区域Sp的示例的说明图。图5是示出实施方式1中的校正部114所生成的校正相关可能区域Sp_mod的第1示例的说明图。
图4所示的相关可能区域Sp如上述那样，是以预测数据P中包含的纵向位置预测值Ppx为中心点的区域。以下，将相关可能区域SP的中心点记为中心点Cp，将相关可能区域Sp的纵向宽度记为纵向宽度Wp。
作为第1示例，校正部114对图4所示的相关可能区域Sp的中心点Cp进行校正，由此来生成图5所示的校正相关可能区域Sp_mod。即，校正部114使用校正量Mp，按照以下式(1-6)，来运算校正相关可能区域Sp_mod的中心点即校正中心点Cp_mod。
Cp_mod＝Cp+Mp (1-6)
另外，第1示例中，校正相关可能区域Sp_mod的纵向宽度即校正纵向宽度Wp_mod、与相关可能区域Sp的纵向宽度Wp设为相同。
校正部114生成以运算出的校正中心点Cp_mod为中心点的区域，以作为校正相关可能区域Sp_mod。由此，校正部114使用校正量Mp来校正相关可能区域Sp，由此来生成校正相关可能区域Sp_mod。
接着，参照图6，对校正部114使用校正量Mp来生成校正相关可能区域Sp_mod的第2示例进行说明。图6是示出实施方式1中的校正部114所生成的校正相关可能区域Sp_mod的第2示例的说明图。
作为第2示例，校正部114对图4所示的相关可能区域Sp的尺寸进行校正，由此来生成图6所示的校正相关可能区域Sp_mod。即，校正部114使用校正量Mp，按照以下式(1-7)，来运算校正纵向宽度Wp_mod。
Wp_mod＝Wp+Mp×2 (1-7)
另外，第2示例中，校正相关可能区域Sp_mod的校正中心点Cp_mod、与相关可能区域Sp的中心点Cp设为相同。
校正部114生成作为以校正中心点Cp_mod、即中心点Cp为中心点的区域、且将区域的纵向宽度从Wp变更为Wp_mod而得的区域，以作为校正相关可能区域Sp_mod。由此，校正部114使用校正量Mp来校正相关可能区域Sp，由此来生成校正相关可能区域Sp_mod。
接着，参照图7，对校正部114使用校正量Mp来生成校正相关可能区域Sp_mod的第3示例进行说明。图7是示出实施方式1中的校正部114所生成的校正相关可能区域Sp_mod的第3示例的说明图。
作为第3示例，校正部114对图4所示的相关可能区域Sp的中心点Cp和尺寸进行校正，由此来生成图7所示的校正相关可能区域Sp_mod。即，校正部114使用校正量Mp，按照以下式(1-8)，来运算校正中心点Cp_mod和校正纵向宽度Wp_mod。
Cp_mod＝Cp+Mp÷2
Wp_mod＝Wp+Mp (1-8)
校正部114生成作为以校正中心点Cp_mod为中心点的区域、且将区域的纵向宽度从Wp变更为Wp_mod而得的区域，以作为校正相关可能区域Sp_mod。由此，校正部114使用校正量Mp来校正相关可能区域Sp，由此来生成校正相关可能区域Sp_mod。
相关部115使用由校正部114生成的校正相关可能区域Sp_mod，来决定与预测部112生成的预测数据P相关的物体数据D。即，相关部115使用校正相关可能区域Sp_mod，来决定预测数据P与物体数据D的相关关系。
具体而言，相关部115在位于校正相关可能区域Sp_mod内的所有物体数据D的每一个、与预测数据P的组合中，选择在物体数据D与预测数据P之间纵向位置差为最小的组合。相关部115将选择出的组合中的预测数据P与物体数据D视为相关。
相关部115将预测数据P和物体数据D与所决定的相关关系对应起来并输出到更新部116。
更新部116使用预测部112所生成的预测数据P、以及与预测数据P相关的物体数据D，对与上次的物体检测时刻对应的航迹数据F进行更新，由此来生成与物体检测时刻对应的航迹数据F。即，更新部116使用预测数据P、以及与该预测数据P相关的物体数据D来更新航迹数据F的上次值，并将该更新结果作为航迹数据F来生成。换言之，更新部116对于上次的物体检测时刻下的航迹数据F，获取在本次的物体检测时刻下的相关的预测数据P和物体数据D，由此来生成本次的物体检测时刻下的航迹数据F。更新部116将所生成的航迹数据F输出到车辆控制装置200和预测部112。
另外，更新部116构成为使用公知的方法来更新航迹数据F的上次值。作为公知的方法，例如可举出α-β滤波器、卡尔曼滤波器等。当存在不与预测数据P相关的物体数据D的情况下，更新部116将该物体数据D作为航迹数据F输出到车辆控制装置200和预测部112。
以下，根据需要，将航迹数据F中包含的纵向位置px记为“纵向位置航迹值Fpx”，将航迹数据F中包含的纵向速度vx记为“纵向速度航迹值Fvx”。
车辆控制装置200使用从更新部116获取到的航迹数据F来控制本车。具体而言，车辆控制装置200使用航迹数据F，来进行减轻本车与前方的物体碰撞时的损伤的碰撞损伤减轻制动系统的控制、以及追踪前方车辆的自适应巡航控制系统的控制等。
接着，参照图8和图9，对实施方式1中的物体识别装置100的动作例进行说明。图8是示出由实施方式1中的物体识别装置100生成的时刻tk下的航迹数据F(tk)的说明图。图9是示出由实施方式1中的物体识别装置100生成的时刻tk+1下的预测数据P(tk+1)的说明图。
另外，图8和图9所示的状况下，设为传感器延迟时间设定值Td_set1、纵向位置延迟时间Td_px1、纵向速度延迟时间Td_vx1、传感器延迟时间设定值Td_set2、纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2分别满足以下条件。
Td_set1＝Td_vx1＝0
Td_px1＝0
Td_vx1＝0
Td_set2＝Td_vx2＝0
Td_px2＞0
Td_vx2＝0
如图8所示，在时刻tk以前，并不生成航迹数据F，在时刻tk，数据接收部111从第1传感器101接收物体数据D1。该物体数据D1中包含纵向位置检测值Dpx和纵向速度检测值Dvx。
上述情况下，数据接收部111从接收到物体数据D1的接收时刻、即时刻tk中减去传感器延迟时间设定值Td_set1，由此来确定物体检测时刻。这里，如上述那样，由于满足Td_set1＝Td_vx1＝0的条件，因此接收时刻与物体检测时刻为相同时刻，即成为时刻tk。此外，数据接收部111将接收到的物体数据D1与物体检测时刻、即时刻tk对应起来。
此外，在图8所示的状况下，并不存在时刻tk以前的航迹数据F。因此，时刻tk下的预测数据P、即预测数据P(tk)并不由预测部112生成。该情况下，更新部116将时刻tk下的物体数据D、即物体数据D(tk)设为时刻tk下的航迹数据F、即航迹数据F(tk)。
即，如图8所示，物体数据D(tk)中包含的纵向位置检测值Dpx、即纵向位置检测值Dpx(tk)与航迹数据F(tk)中包含的纵向位置航迹值Fpx、即纵向位置航迹值Fpx(tk)等价。同样地，物体数据D(tk)中包含的纵向速度检测值Dvx、即纵向速度检测值Dvx(tk)与航迹数据F(tk)中包含的纵向速度航迹值Fvx、即纵向速度航迹值Fvx(tk)等价。
接着，如图9所示，在时刻tk的下一个时刻tk+1，数据接收部111从第2传感器102接收物体数据D2。
上述情况下，数据接收部111从接收到物体数据D2的接收时刻、即时刻tk+1中减去传感器延迟时间设定值Td_set2，由此来确定物体检测时刻。这里，如上述那样，由于满足Td_set2＝Td_vx2＝0的条件，因此接收时刻与物体检测时刻为相同时刻，即成为时刻tk+1。此外，数据接收部111将接收到的物体数据D2与物体检测时刻、即时刻tk+1对应起来。
预测部112使用上次的物体检测时刻、即时刻tk下的航迹数据F(tk)，按照预先确定的运动模型、具体而言按照等速直线运动模型，来生成本次的物体检测时刻、即时刻tk+1下的航迹数据F(tk+1)的预测结果即预测数据P(tk+1)。
即，预测部112使纵向位置航迹值Fpx(tk)从时刻tk到时刻tk+1按纵向速度航迹值Fvx(tk)进行定速直线运动，由此来预测时刻tk+1下的纵向位置航迹值Fpx(tk+1)，并将该预测结果设为纵向位置预测值Ppx(tk+1)。此外，预测部112将纵向速度航迹值Fvx(tk)设为时刻tk+1下的纵向速度预测值Pvx(tk+1)。
另外，预测部112可以使纵向位置航迹值Fpx(tk-1)从时刻tk-1到时刻tk+1按纵向速度航迹值Fvx(tk-1)进行定速直线运动，由此来预测时刻tk+1下的纵向位置航迹值Fpx(tk+1)。另外，如上述那样，纵向位置航迹值Fpx(tk-1)与纵向位置检测值Dpx(tk-1)等价。因此，预测部112可以使用纵向位置检测值Dpx(tk-1)同样地进行预测。
即，预测部112基于数据接收部111接收到的过去的物体数据D中的至少一部分物体数据D与物体中的运动模型，来生成对当前的物体数据D进行预测而得的预测数据P。校正部114基于预测数据P中包含的多个物理量的每一个所对应的多个物理量延迟时间的至少一个，来设定用于决定预测数据P与当前的物体数据D之间的相关关系的相关可能区域。
这里，实施方式1中，存储部113、预测部112和校正部114包含于设定部120。即，设定部120基于数据接收部111接收到的过去的物体数据D中的至少一部分物体数据D与物体中的运动模型，来生成对当前的物体数据D进行预测而得的预测数据P。设定部120基于预测数据P中包含的多个物理量的每一个所对应的多个物理量延迟时间的至少一个，来设定用于决定预测数据P与当前的物体数据D之间的相关关系的相关可能区域。
另外，过去的物体数据D可以包含上次的物体数据D(tk)与上上次的物体数据D(tk-1)双方。此外，过去的物体数据D可以在上上次的物体数据D(tk-1)之前。即，过去的物体数据D可以具有相当于多个周期的物体数据D。这里，周期是指数据接收部111接收物体数据D的周期。
此外，预测部112生成以所生成的纵向位置预测值Ppx(tk+1)为中心的区域即相关可能区域Sp。
这里，若比较时刻tk+1下的物体数据D(tk+1)与时刻tk+1下的预测数据P(tk+1)，则如图9所示，在纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)之间产生偏移。这是因如上述那样满足Td_px2＞0的条件、即存在纵向位置延迟时间Td_px2而导致的。
由此，若在纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)之间产生偏移，则由预测部112生成的相关可能区域Sp的中心值成为从纵向位置检测值Dpx(tk+1)偏移后的位置。该情况下，纵向位置检测值Dpx(tk+1)有可能不进入以纵向位置预测值Ppx(tk+1)为中心点的相关可能区域Sp内。其结果是，尽管纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)来源于同一物体，但有可能误决定为两者并不相关。
因此，实施方式1中，校正部114构成为基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2来校正相关可能区域Sp。
图9所示的状况下，与上次的物体检测时刻、即时刻tk相对应的物体数据D的发送源的传感器为第1传感器101。此外，与本次的物体检测时刻、即时刻tk+1相对应的物体数据D的发送源的传感器为第2传感器102。
上述情况下，校正部114使用传感器延迟时间设定值Td_set1和纵向位置延迟时间Td_px1，按照上述式(1-1)来运算时间差ΔTd_Ppx。这里，如上述那样，满足Td_set1＝Td_vx1＝0、Td_px1＝0的条件，因此成为ΔTd_Ppx＝0。
接着，校正部114使用传感器延迟时间设定值Td_set2和纵向位置延迟时间Td_px2，按照上述式(1-4)来运算时间差ΔTd_Dpx。这里，如上述那样，满足Td_set2＝Td_vx2＝0、Td_px2＞0的条件，因此成为ΔTd_Dpx＝-Td_px2。
接着，校正部114使用时间差ΔTd_Ppx、时间差ΔTd_Dpx和纵向速度预测值Pvx(tk+1)，按照上述式(1-5)，来运算用于校正相关可能区域Sp的校正量Mp。
通过上述运算，能推定纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)之间的偏移量。这里，满足ΔTd_Ppx＝0、ΔTd_Dpx＝-Td_px2的条件，因此成为Mp＝Pvx(tk+1)×Td_px2。
接着，校正部114使用运算出的校正量Mp，如上述那样生成校正相关可能区域Sp_mod。由此，相关可能区域Sp被校正，可得到校正后的相关可能区域Sp、即校正相关可能区域Sp_mod。
相关部115使用上述校正相关可能区域Sp_mod，来决定预测数据P(tk+1)与物体数据D(tk+1)的相关关系。由此，正确地决定为包含纵向位置检测值Dpx(tk+1)的物体数据D(tk+1)与包含纵向位置预测值Ppx(tk+1)的预测数据P(tk+1)相关的可能性变高。
以上，根据实施方式1，物体识别装置100的处理部110构成为基于与多个传感器101、102单独对应的多个传感器延迟时间设定值Td_set1、Td_set2、以及与多个传感器101、102单独对应的多个物理量延迟时间组Td_ph1、Td_ph2，来校正相关可能区域Sp。这里，物理量延迟时间组Td_ph1包含与纵向位置px和纵向速度vx单独对应的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。物理量延迟时间组Td_ph2包含与纵向位置px和纵向速度vx单独对应的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2。
如上所述，将传感器的物理量延迟时间考虑在内来校正相关可能区域Sp，由此，与现有的物体识别装置相比，能使物体识别的精度提高。即，能抑制由物体识别装置决定的物体数据D与预测数据P的相关关系产生错误，其结果是，能抑制识别物体的精度变差。
实施方式2.
实施方式2中，对物体识别装置100进行说明，该物体识别装置100构成为对用于决定预测数据P与物体数据D的相关关系的相关可能区域Sp和相关可能区域Sv进行校正。实施方式2中，存储部113、预测部112和校正部114包含于设定部120。另外，在实施方式2中，省略与先前实施方式1的相同点的说明，以与先前实施方式1的不同点为中心进行说明。
这里，在之前的实施方式1中，为了决定预测数据P与物体数据D的相关关系，使用了与纵向位置px对应的相关可能区域Sp。之前的实施方式1中的物体识别装置100构成为对该相关可能区域Sp进行校正。与此相对，实施方式2中，为了决定预测数据P与物体数据D的相关关系，除了相关可能区域Sp以外，还使用了与纵向速度vx对应的相关可能区域Sv。实施方式2中的物体识别装置100构成为对上述相关可能区域Sp和相关可能区域Sv进行校正。
与之前的实施方式1同样地，预测部112基于所生成的预测数据P中包含的纵向位置预测值Ppx，来生成与纵向位置px对应的相关可能区域Sp。此外，预测部112基于所生成的预测数据P中包含的纵向速度预测值Pvx，来生成与纵向速度vx对应的相关可能区域Sv。具体而言，预测部112生成以所生成的预测数据P中包含的纵向速度预测值Pvx为中心的区域即相关可能区域Sv。预测部112将所生成的预测数据P、相关可能区域Sp和相关可能区域Sv输出到校正部114。
这里，参照图10，对预测部112生成的相关可能区域Sv的一个示例进行说明。图10是示出实施方式2中的预测部112所生成的相关可能区域Sv的一个示例的说明图。
如图10所示，相关可能区域Sv是以预测数据P中包含的纵向速度预测值Pvx为中心的区域。相关可能区域Sv的形状和尺寸预先确定，因此，相关可能区域Sv由纵向速度预测值Pvx唯一确定。
相关可能区域Sv用于和相关可能区域Sp一起决定预测数据P与物体数据D的相关关系。
即，在物体数据D中包含的纵向位置检测值Dpx位于相关可能区域Sp内、且物体数据D中包含的纵向速度检测值Dvx位于相关可能区域Sv内的情况下，视为预测数据P与物体数据D相关。另一方面，在纵向位置检测值Dpx位于相关可能区域Sp外、或纵向速度检测值Dvx位于相关可能区域Sv外的情况下，视为预测数据P与物体数据D并不相关。
物理量延迟时间组Td_ph1如上述那样，包含与纵向位置px对应的纵向位置延迟时间Td_px1、以及与纵向速度vx对应的纵向速度延迟时间Td_vx1。物理量延迟时间组Td_ph2包含与纵向位置px对应的纵向位置延迟时间Td_px2、以及与纵向速度vx对应的纵向速度延迟时间Td_vx2。
校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，来校正预测部112所生成的相关可能区域Sp，由此来生成与纵向位置px对应的校正相关可能区域Sp_mod。此外，校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，来校正预测部112所生成的相关可能区域Sv，由此来生成与纵向速度vx对应的校正相关可能区域Sv_mod。校正部114将所生成的校正相关可能区域Sp_mod、Sv_mod输出到相关部115。
对于校正部114生成校正相关可能区域Sp_mod的处理，与之前的实施方式1相同。这里，参照图11，对校正部114生成校正相关可能区域Sv_mod的处理进行说明。图11是示出实施方式2的校正部114生成校正相关可能区域Sv_mod的一系列处理的流程图。
步骤S11中，校正部114基于传感器延迟时间设定值Td_set1、Td_set2、纵向速度延迟时间Td_vx1、Td_vx2，如下述那样运算预测部112生成的预测数据P所对应的时间差ΔTd_Pvx。
即，校正部11确定与上次的物体检测时刻对应的物体数据D的发送源的传感器。在确定出的传感器为第1传感器101的情况下，校正部114使用传感器延迟时间设定值Td_set1和纵向速度延迟时间Td_vx1，按照以下式(2-1)来运算时间差ΔTd_Pvx。
ΔTd_Pvx＝Td_set1-Td_vx1 (2-1)
另一方面，在确定出的传感器为第2传感器102的情况下，校正部114使用传感器延迟时间设定值Td_set2和纵向速度延迟时间Td_vx2，按照以下式(2-2)来运算时间差ΔTd_Pvx。
ΔTd_Pvx＝Td_set2-Td_vx2 (2-2)
接着，在步骤S12中，校正部114基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2，如下述那样运算数据接收部111接收到的物体数据D所对应的时间差ΔTd_Dvx。
即，校正部114确定数据接收部111接收到的物体数据D的发送源的传感器。在确定出的传感器为第1传感器101的情况下，校正部114使用传感器延迟时间设定值Td_set1和纵向速度延迟时间Td_vx1，按照以下式(2-3)来运算时间差ΔTd_Dvx。
ΔTd_Dvx＝Td_set1-Td_vx1 (2-3)
另一方面，在确定出的传感器为第2传感器102的情况下，校正部114使用传感器延迟时间设定值Td_set2和纵向速度延迟时间Td_vx2，按照以下式(2-4)来运算时间差ΔTd_Dvx。
ΔTd_Dvx＝Td_set2-Td_vx2 (2-4)
接着，步骤S13中，校正部114使用步骤S11中运算出的时间差ΔTd_Pvx、步骤S12中运算出的时间差ΔTd_Dvx、纵向加速度预测值Pax，按照以下式(2-5)，来运算用于校正相关可能区域Sv的校正量Mv。另外，纵向加速度预测值Pax例如通过对预测部112所生成的预测数据P中包含的纵向速度预测值Pvx进行时间微分来得到。
Mv＝Pax×(ΔTd_Pvx-ΔTd_Dvx) (2-5)
接着，步骤S14中，校正部114使用步骤S13中运算出的校正量Mv，对预测部112生成的相关可能区域Sv进行校正，由此来生成校正相关可能区域Sv_mod。
这里，参照图12和图13对校正部114使用校正量Mv来生成校正相关可能区域Sv_mod的第1示例进行说明。图12是示出由实施方式2中的校正部114从预测部112获取的相关可能区域Sv的示例的说明图。图13是示出实施方式2中的校正部114所生成的校正相关可能区域Sv_mod的第1示例的说明图。
图12所示的相关可能区域Sv如上述那样，是以预测数据P中包含的纵向速度预测值Pvx为中心点的区域。以下，将相关可能区域Sv的中心点记为中心点Cv，将相关可能区域Sv的纵向宽度记为纵向宽度Wv。
作为第1示例，校正部114对图12所示的相关可能区域Sv的中心点Cv进行校正，由此来生成图13所示的校正相关可能区域Sv_mod。即，校正部114使用校正量Mv，按照以下式(2-6)，来运算校正相关可能区域Sv_mod的中心点即校正中心点Cv_mod。
Cv_mod＝Cv+Mv (2-6)
另外，第1示例中，校正相关可能区域Sv_mod的纵向宽度即校正纵向宽度Wv_mod、与相关可能区域Sv的纵向宽度Wv设为相同。
校正部114生成以运算出的校正中心点Cv_mod为中心点的区域，以作为校正相关可能区域Sv_mod。由此，校正部114使用校正量Mv来校正相关可能区域Sv，由此来生成校正相关可能区域Sv_mod。
接着，参照图14，对校正部114使用校正量Mv来生成校正相关可能区域Sv_mod的第2示例进行说明。图14是示出实施方式2中的校正部114所生成的校正相关可能区域Sv_mod的第2示例的说明图。
作为第2示例，校正部114对图12所示的相关可能区域Sv的尺寸进行校正，由此来生成图14所示的校正相关可能区域Sv_mod。即，校正部114使用校正量Mv，按照以下式(2-7)，来运算校正纵向宽度Wv_mod。
Wv_mod＝Wv+Mv×2 (2-7)
另外，第2示例中，校正相关可能区域Sv_mod的校正中心点Cv_mod、与相关可能区域Sv的中心点Cv设为相同。
校正部114生成作为以校正中心点Cv_mod、即中心点Cv为中心点的区域、且将区域的纵向宽度从Wv变更为Wv_mod而得的区域，以作为校正相关可能区域Sv_mod。由此，校正部114使用校正量Mv来校正相关可能区域Sv，由此来生成校正相关可能区域Sv_mod。
接着，参照图15，对校正部114使用校正量Mv来生成校正相关可能区域Sv_mod的第3示例进行说明。图15是示出实施方式2中的校正部114所生成的校正相关可能区域Sv_mod的第3示例的说明图。
作为第3示例，校正部114对图12所示的相关可能区域Sv的中心点Cv和尺寸进行校正，由此来生成图15所示的校正相关可能区域Sv_mod。即，校正部114使用校正量Mv，按照以下式(2-8)，来运算校正中心点Cv_mod和校正纵向宽度Wv_mod。
Cv_mod＝Cv+Mv÷2
Wv_mod＝Wv+Mv (2-8)
校正部114生成作为以校正中心点Cv_mod为中心点的区域、且将区域的纵向宽度从Wv变更为Wv_mod而得的区域，以作为校正相关可能区域Sv_mod。由此，校正部114使用校正量Mv来校正相关可能区域Sv，由此来生成校正相关可能区域Sv_mod。
相关部115使用由校正部114生成的校正相关可能区域Sp_mod、Sv_mod，来决定与预测部112生成的预测数据P相关的物体数据D。即，相关部115使用校正相关可能区域Sp_mod、Sv_mod，来决定预测数据P与物体数据D的相关关系。
接着，参照图16和图17，对实施方式2中的物体识别装置100的动作例进行说明。图16是示出由实施方式2中的物体识别装置100生成的时刻tk下的航迹数据F(tk)的说明图。图17是示出由实施方式2中的物体识别装置100生成的时刻tk+1下的预测数据P(tk+1)的说明图。
另外，图16和图17所示的状况下，设为传感器延迟时间设定值Td_set1、纵向位置延迟时间Td_px1、纵向速度延迟时间Td_vx1、传感器延迟时间设定值Td_set2、纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2分别满足以下条件。
Td_set1＝Td_vx1＝0
Td_px1＝0
Td_vx1＝0
Td_set2＝0
Td_px2＞0
Td_vx2＞0
如图16所示，在时刻tk以前，并不生成航迹数据F，在时刻tk，数据接收部111从第1传感器101接收物体数据D1。该物体数据D1中包含纵向位置检测值Dpx和纵向速度检测值Dvx。
上述情况下，数据接收部111从接收到物体数据D1的接收时刻、即时刻tk中减去传感器延迟时间设定值Td_set1，由此来确定物体检测时刻。这里，如上述那样，由于满足Td_set1＝0的条件，因此接收时刻与物体检测时刻为相同时刻，即成为时刻tk。此外，数据接收部111将接收到的物体数据D1与物体检测时刻、即时刻tk对应起来。
此外，在图16所示的状况下，并不存在时刻tk以前的航迹数据F。因此，时刻tk下的预测数据P、即预测数据P(tk)并不由预测部112生成。该情况下，更新部116将时刻tk下的物体数据D、即物体数据D(tk)设为时刻tk下的航迹数据F、即航迹数据F(tk)。
即，如图16所示，物体数据D(tk)中包含的纵向位置检测值Dpx、即纵向位置检测值Dpx(tk)与航迹数据F(tk)中包含的纵向位置航迹值Fpx、即纵向位置航迹值Fpx(tk)等价。同样地，物体数据D(tk)中包含的纵向速度检测值Dvx、即纵向速度检测值Dvx(tk)与航迹数据F(tk)中包含的纵向速度航迹值Fvx、即纵向速度航迹值Fvx(tk)等价。
接着，如图17所示，在时刻tk的下一个时刻tk+1，数据接收部111从第2传感器102接收物体数据D2。
上述情况下，数据接收部111从接收到物体数据D2的接收时刻、即时刻tk+1中减去传感器延迟时间设定值Td_set2，由此来确定物体检测时刻。这里，如上述那样，由于满足Td_set2＝0的条件，因此接收时刻与物体检测时刻为相同时刻，即成为时刻tk+1。此外，数据接收部111将接收到的物体数据D2与物体检测时刻、即时刻tk+1对应起来。
预测部112使用上次的物体检测时刻、即时刻tk下的航迹数据F(tk)，按照预先确定的运动模型、具体而言按照等加速度直线运动模型，来生成本次的物体检测时刻、即时刻tk+1下的航迹数据F(tk+1)的预测结果即预测数据P(tk+1)。
即，预测部112以纵向速度航迹值Fvx(tk)为初速度，按照等加速度直线运动模型，使纵向位置航迹值Fpx(tk)从时刻tk到时刻tk+1进行时间转移，由此来预测时刻tk+1下的纵向位置航迹值Fpx(tk+1)，并将该预测结果设为纵向位置预测值Ppx(tk+1)。此外，预测部112按照等加速度直线运动模型，使纵向速度航迹值Fvx(tk)从时刻tk到时刻tk+1进行时间转移，由此来预测时刻tk+1下的纵向速度航迹值Fvx(tk+1)，并将该预测结果设为纵向速度预测值Pvx(tk+1)。
此外，预测部112生成以所生成的纵向位置预测值Ppx(tk+1)为中心的区域即相关可能区域Sp。并且，预测部112生成以所生成的纵向速度预测值Pvx(tk+1)为中心的区域即相关可能区域Sv。
这里，若比较时刻tk+1下的物体数据D(tk+1)与时刻tk+1下的预测数据P(tk+1)，则如图17所示，在纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)之间产生偏移。这是因如上述那样满足Td_px2＞0的条件、即存在纵向位置延迟时间Td_px2而导致的。
此外，如图17所示，在纵向速度检测值Dvx(tk+1)与纵向速度预测值Pvx(tk+1)之间产生偏移。这是因如上述那样满足Td_vx2＞0的条件、即存在纵向速度延迟时间Td_vx2而导致的。
由此，若在纵向位置检测值Dpx(tk+1)与纵向位置预测值Ppx(tk+1)之间产生偏移，则由预测部112生成的相关可能区域Sp的中心值成为从纵向位置检测值Dpx(tk+1)偏移后的位置。该情况下，纵向位置检测值Dpx(tk+1)有可能不进入以纵向位置预测值Ppx(tk+1)为中心点的相关可能区域Sp内。此外，若在纵向速度检测值Dvx(tk+1)与纵向速度预测值Pvx(tk+1)之间产生偏移，则由预测部112生成的相关可能区域Sv的中心值成为从纵向速度检测值Dvx(tk+1)偏移后的位置。该情况下，纵向速度检测值Dvx(tk+1)有可能不进入以纵向速度预测值Pvx(tk+1)为中心点的相关可能区域Sv内。其结果是，尽管包含纵向位置检测值Dpx(tk+1)和纵向速度检测值Dvx(tk+1)的物体数据D、与包含纵向位置预测值Ppx(tk+1)和纵向速度预测值Pvx(tk+1)的预测数据P来源于同一物体，但有可能误决定为两者并不相关。
因此，实施方式2中，校正部114构成为基于传感器延迟时间设定值Td_set1、Td_set2、物理量延迟时间组Td_ph1、Td_ph2来校正相关可能区域Sp、Sv。
图17所示的状况下，与上次的物体检测时刻、即时刻tk相对应的物体数据D的发送源的传感器为第1传感器101。此外，与本次的物体检测时刻、即时刻tk+1相对应的物体数据D的发送源的传感器为第2传感器102。
上述情况下，校正部114进行与之前的实施方式1同样的运算，由此来生成校正相关可能区域Sp_mod。由此，相关可能区域Sp被校正，可得到校正后的相关可能区域Sp、即校正相关可能区域Sp_mod。
此外，校正部114使用传感器延迟时间设定值Td_set1和纵向速度延迟时间Td_vx1，按照上述式(2-1)来运算时间差ΔTd_Pvx。这里，如上述那样，满足Td_set1＝0、Td_vx1＝0的条件，因此成为ΔTd_Pvx＝0。
接着，校正部114使用传感器延迟时间设定值Td_set2和纵向速度延迟时间Td_vx2，按照上述式(2-4)来运算时间差ΔTd_Dvx。这里，如上述那样，满足Td_set2＝0、Td_vx2＞0的条件，因此成为ΔTd_Dvx＝-Td_vx2。
接着，校正部114使用时间差ΔTd_Pvx、时间差ΔTd_Dvx和纵向加速度预测值Pax(tk+1)，按照上述式(2-5)，来运算用于校正相关可能区域Sv的校正量Mv。通过上述运算，能推定纵向速度检测值Dvx(tk+1)与纵向速度预测值Pvx(tk+1)之间的偏移量。这里，满足ΔTd_Pvx＝0、ΔTd_Dvx＝-Td_vx2的条件，因此成为Mv＝Pax(tk+1)×Td_vx2。
接着，校正部114使用运算出的校正量Mv，如上述那样生成校正相关可能区域Sv_mod。由此，相关可能区域Sv被校正，可得到校正后的相关可能区域Sv、即校正相关可能区域Sv_mod。
相关部115使用上述校正相关可能区域Sp_mod和校正相关可能区域Sv_mod，来决定预测数据P(tk+1)与物体数据D(tk+1)的相关关系。由此，正确地决定为包含纵向位置检测值Dpx(tk+1)和纵向速度检测值Dvx(tk+1)的物体数据D(tk+1)、与包含纵向位置预测值Ppx(tk+1)和纵向速度预测值Pvx(tk+1)的预测数据P(tk+1)相关的可能性变高。
以上，根据实施方式2，物体识别装置100的处理部110构成为相对于之前的实施方式1的结构，基于与多个传感器101、102单独对应的多个传感器延迟时间设定值Td_set1、Td_set2、以及与多个传感器101、102单独对应的多个物理量延迟时间组Td_ph1、Td_ph2，来进一步校正相关可能区域Sv。
由此，即使在相关可能区域Sp的基础上还使用了相关可能区域Sv的情况下，也能抑制由物体识别装置决定的物体数据D与预测数据P的相关关系产生错误。其结果是，能抑制识别物体的精度变差。
另外，之前的实施方式1的结构中，作为用于决定预测数据P与物体数据D的相关关系的相关可能区域，例示出使用了与纵向位置px对应的相关可能区域Sp的情况。但并不限于此，相对于之前的实施方式1的结构，也能使用相关可能区域Sv来代替相关可能区域Sp。
实施方式3.
实施方式3中，对具备处理部110的物体识别装置100进行说明，上述处理部110构成为将本车的状态考虑在内来分别推定物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。实施方式3中，延迟时间推定部117、预测部112和校正部114包含于设定部120。另外，在本实施方式3中，省略与之前实施方式1、2的相同点的说明，以与之前的实施方式1、2的不同点为中心进行说明。
这里，在之前的实施方式1和2中，物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2分别是预先确定的固定值。与此相对，实施方式3中，假设物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2分别根据本车的状态、例如本车的加速度而变化的情况。
图18是示出具备实施方式3中的物体识别装置100的车辆控制系统的结构的框图。图18中，车辆控制系统设置于本车，并包括物体识别装置100和车辆控制装置200。
物体识别装置100包括第1传感器101、第2传感器102、本车传感器103和处理部110。
本车传感器103检测本车的状态，并将包含表示本车的状态的物理量在内的本车数据发送到处理部110。作为表示本车的状态的物理量，可举出例如本车的速度、本车的加速度，本车的偏航率等。
处理部110包括数据接收部111、预测部112、延迟时间推定部117、校正部114、相关部115和更新部116。
与之前的实施方式1和2同样地，数据接收部111将从第1传感器101接收到的物体数据D1与确定出的物体检测时刻对应起来输出到预测部112、校正部114和相关部115，并进一步输出到延迟时间推定部117。
同样地，数据接收部111将从第2传感器102接收到的物体数据D2与确定出的物体检测时刻对应起来输出到预测部112、校正部114和相关部115，并进一步输出到延迟时间推定部117。并且，数据接收部111从本车传感器103接收本车数据，并将接收到的本车数据输出到延迟时间推定部117。
延迟时间推定部117基于本车传感器103所发送的本车数据，分别推定物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。具体而言，延迟时间推定部117预先保持将本车的加速度与纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1关联起来的第1映射。第1映射通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px1与纵向速度延迟时间Td_vx1根据本车的加速度的值变为怎样的值。
同样地，延迟时间推定部117预先保持将本车的加速度与纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2关联起来的第2映射。第2映射通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px2与纵向速度延迟时间Td_vx2根据本车的加速度的值变为怎样的值。
在从数据接收部111输入的物体数据D的发送源的传感器为第1传感器101的情况下，延迟时间推定部117如以下那样，使用第1映射来推定包含于物理量延迟时间组Td_ph1的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。
即，延迟时间推定部117按照第1映射来运算从而推定与从数据接收部111输入的本车数据中所包含的加速度对应的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。该本车数据是与从数据接收部111输入的物体数据D对应的物体检测时刻所对应的本车数据。
同样地，在从数据接收部111输入的物体数据D的发送源的传感器为第2传感器102的情况下，延迟时间推定部117使用第2映射来推定包含于物理量延迟时间组Td_ph2的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2。
延迟时间推定部117将推定出的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1、以及预先确定的固定值即传感器延迟时间设定值Td_set1输出到校正部114。
同样地，延迟时间推定部117将推定出的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2、以及预先确定的固定值即传感器延迟时间设定值Td_set2输出到校正部114。
在应用之前的实施方式1的结构的情况下，与之前的实施方式1同样地，校正部114从数据接收部111获取物体数据D，并从预测部112获取预测数据P和相关可能区域Sp。并且，校正部114使用延迟时间推定部117推定的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2来校正相关可能区域Sp，由此来生成校正相关可能区域Sp_mod。由此，可以使用将本车的加速度考虑在内而推定出的纵向位置延迟时间Td_px1和纵向位置延迟时间Td_px2，来校正相关可能区域Sp。另外，在应用之前的实施方式2的结构的情况下，校正部114如下所示，构成为进一步生成校正相关可能区域Sv_mod。即，校正部114构成为使用延迟时间推定部117推定的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2来进一步校正相关可能区域Sv，由此来进一步生成校正相关可能区域Sv_mod。
另外，实施方式3中，例示出了构成为使用本车的加速度来分别推定物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2的情况，但并不限于此。例如，若物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2根据本车的加速度以外的其它状态变化，则也可以构成为使用其它状态，来分别推定物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。作为本车的加速度以外的其它状态，例如可以考虑本车的速度、本车的偏航率等。
以上，根据实施方式3，物体识别装置100的处理部110构成为相对于之前的实施方式1和2各自的结构，基于本车数据，来分别推定多个物理量延迟时间组Td_ph1、Td_ph2。由此，可得到与之前的实施方式1和2同样的效果，并且能应对多个物理量延迟时间组Td_ph1、Td_ph2分别根据本车的状态而变化的情况。
实施方式4.
实施方式4中，对具备第1传感器101和第2传感器102的物体识别装置100进行说明，第1传感器101和第2传感器102构成为分别发送物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。实施方式4中，预测部112和校正部114包含于设定部120。另外，在实施方式4中，省略与之前实施方式1～3的相同点的说明，以与之前的实施方式1～3的不同点为中心进行说明。
这里，在之前的实施方式1和2中，处理部110保持预先确定的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。与此相对，实施方式4中，处理部110从第1传感器101和第2传感器102分别获取物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2。
图19是示出具备实施方式4中的物体识别装置100的车辆控制系统的结构的框图。图19中，车辆控制系统设置于本车，并包括物体识别装置100和车辆控制装置200。
物体识别装置100包括第1传感器101、第2传感器102和处理部110。
第1传感器101预先保持与本身对应的物理量延迟时间组Td_ph1。第1传感器101将物体数据D与物理量延迟时间组Td_ph1发送到处理部110。
第2传感器102预先保持与本身对应的物理量延迟时间组Td_ph2。第2传感器102将物体数据D与物理量延迟时间组Td_ph2发送到处理部110。
处理部110包括数据接收部111、预测部112、校正部114、相关部115和更新部116。
与之前的实施方式1和2同样地，数据接收部111将从第1传感器101接收到的物体数据D1与确定出的物体检测时刻对应起来输出到预测部112、校正部114和相关部115。并且，数据接收部111将从第1传感器101获取到的物理量延迟时间组Td_ph1和所设定的传感器延迟时间设定值Td_set1输出到校正部114。
与之前的实施方式1和2同样地，数据接收部111将从第2传感器102接收到的物体数据D2与确定出的物体检测时刻对应起来输出到预测部112、校正部114和相关部115。并且，数据接收部111将从第2传感器102获取到的物理量延迟时间组Td_ph2和所设定的传感器延迟时间设定值Td_set2输出到校正部114。
在应用之前的实施方式1的结构的情况下，与之前的实施方式1同样地，校正部114从数据接收部111获取物体数据D，并从预测部112获取预测数据P和相关可能区域Sp。并且，校正部114使用由第1传感器101和第2传感器102分别发送的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2来校正相关可能区域Sp，由此来生成校正相关可能区域Sp_mod。另外，在应用之前的实施方式2的结构的情况下，校正部114如下所示，构成为进一步生成校正相关可能区域Sv_mod。即，校正部114构成为使用由第1传感器101和第2传感器102分别发送的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2来进一步校正相关可能区域Sv，由此来进一步生成校正相关可能区域Sv_mod。
由此，校正部114构成为在应用之前的实施方式1的结构的情况下，使用由与之前的实施方式1不同的方法获取到的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2，来校正相关可能区域Sp。此外，校正部114构成为在应用之前的实施方式2的结构的情况下，使用由与之前的实施方式2不同的方法获取到的物理量延迟时间组Td_ph1和物理量延迟时间组Td_ph2，来校正相关可能区域Sp和相关可能区域Sv。
以上，根据实施方式4，构成为物体识别装置100的多个传感器101、102分别将与本身对应的物理量延迟时间组Td_ph1、Td_ph2和物体数据D一起发送。在由此构成的情况下，也能获得与之前的实施方式1和2同样的效果。
实施方式5.
实施方式5中，对包括本车行驶场景获取部104和物理量延迟时间推定部118的物体识别装置100进行说明。实施方式5中，预测部112和校正部114包含于设定部120。另外，在实施方式5中，省略与之前实施方式1～4的相同点的说明，以与之前的实施方式1～4的不同点为中心进行说明。
这里，在之前的实施方式3中，数据接收部111从本车传感器103接收本车数据。与此相对，实施方式5中假设如下情况：当从本车行驶场景获取部104发送与本车行驶场景对应的本车行驶场景数据时，数据接收部111接收本车行驶场景数据。
图20是示出具备实施方式5中的物体识别装置100的车辆控制系统的结构的框图。图20中，车辆控制系统设置于本车，并包括物体识别装置100和车辆控制装置200。
物体识别装置100包括第1传感器101、第2传感器102、本车行驶场景获取部104和处理部110。
处理部110包括数据接收部111、预测部112、校正部114、相关部115、更新部116和物理量延迟时间推定部118。
本车行驶场景获取部104具有传感器组104a和场景运算部104b。传感器组104a具有激光传感器和照度传感器。场景运算部104b基于激光传感器和照度传感器的检测结果来获取本车行驶场景。
激光传感器例如安装在本车的车顶。作为激光传感器，例如，LIDAR(LIghtDetection And Ranging：光探测和测距)安装在本车的车顶。LIDAR具有多个投光部、1个受光部和运算部。多个投光部相对于本车的移动方向前方在垂直方向上以多个角度配置。
LIDAR采用TOF(Time Of Flight：飞行时间)方式。具体而言，LIDAR中的多个投光部具有在预先设定的投光时间的期间内在水平方向上旋转并放射状地对激光进行投光的功能。LIDAR中的受光部具有在预先设定的受光时间的期间内对来自物体的反射光进行受光的功能。LIDAR中的运算部具有求出成为多个投光部中的投光时刻、与受光部中的受光时刻的差分的往返时间的功能。LIDAR中的运算部具有基于该往返时间来求出与物体之间的距离的功能。
LIDAR具有通过求出与物体之间的距离，还测定与物体之间的方向的功能。因此，基于LIDAR测定出的测定结果，来观测本车周围所存在的物体的位置、速度和方向。
场景运算部104b基于本车周围所存在的物体的位置、速度和方向，来检测本车周围所存在的物体中、作为追尾对象的目标的数量、以及目标以外的反射物的数量等。
在目标的数量超过目标上限值的情况下，场景运算部104b将本车行驶场景检测为第1场景。场景运算部104b将第1场景作为本车行驶场景数据发送到数据接收部111。
在目标以外的反射物的数量超过非目标上限值的情况下，场景运算部104b将本车行驶场景检测为第2场景。场景运算部104b将第2场景作为本车行驶场景数据发送到数据接收部111。
另一方面，照度传感器安装于前窗、内后视镜、仪表板等。照度传感器例如由包含光电IC二极管的电路构成。照度传感器对本车周围的光量进行检测。
在照度传感器检测出的照度小于照度阈值的情况下，场景运算部104b将本车行驶场景检测为第3场景。场景运算部104b将第3场景作为本车行驶场景数据发送到数据接收部111。
换言之，本车行驶场景获取部104获取搭载有物体识别装置100的车辆中的当前的车辆行驶场景。本车行驶场景获取部104将其作为与本车行驶场景对应的本车行驶场景数据发送到数据接收部111。
另外，在本车搭载有车载摄像头的情况下，可以用车载摄像头来代替照度传感器的功能。
该情况下，场景运算部104b基于车载摄像头拍摄到的拍摄图像中所包含的亮度值来导出本车周围的照度即可。
当从第1传感器101或第2传感器102发送了物体数据时，数据接收部111接收物体数据。当从本车行驶场景获取部104发送了本车行驶场景数据时，数据接收部111接收本车行驶场景数据。数据接收部111将本车行驶场景数据发送到物理量延迟时间推定部118。另外，对于数据接收部111接收物体数据和本车行驶场景数据中的任一个的顺序，并没有特别限定。
在本车行驶场景成为第1场景的情况下，第1传感器101和第2传感器102全部受到影响。具体而言，第1传感器101和第2传感器102各自的检测误差并没有变大，但随着目标数的增加，检测处理所需的时间增加。因此，仅第1传感器101和第2传感器102各自的物理量延迟时间变大。
这里，物理量延迟时间推定部118在目标的数量越是增加时，越使纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1增加。
具体而言，物理量延迟时间推定部118预先保持有第1校正映射I，该第1校正映射I将第1场景、目标的数量、纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1相关联。第1校正映射I通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1根据预先获取到的行驶实验数据中所包含的目标的数量变为怎样的值。
同样地，物理量延迟时间推定部118预先保持有第2校正映射I，该第2校正映射I将第1场景、目标的数量、纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2相关联。第2校正映射I通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2根据预先获取到的行驶实验数据中所包含的目标的数量变为怎样的值。
物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第1传感器101、且本车行驶场景为第1场景的情况下，使用第1校正映射I来推定纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。
同样地，物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第2传感器102、且本车行驶场景为第1场景的情况下，使用第2校正映射I来推定纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2。
物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1、以及预先确定的固定值即传感器延迟时间设定值Td_set1输出到校正部114。
同样地，物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2、以及预先确定的固定值即传感器延迟时间设定值Td_set2输出到校正部114。
校正部114不使相关可能区域Sp变大，仅对相关可能区域Sp的中心点Cp进行校正。校正部114使用式(1-1)～式(1-5)，如上述那样，基于预测数据P和物理量延迟时间来运算校正量Mp。如式(1-1)～式(1-5)所明确的那样，物理量延迟时间即纵向位置延迟时间Td_px1越增加，则校正量Mp越增加。
即，目标的数量越增加，则校正量Mp越增加。
校正部114按照上述式(1-6)，对校正相关可能区域Sp_mod的中心点即校正中心点Cp_mod进行运算。如式(1-6)所明确的那样，校正量Mp越增加，则校正中心点Cp_mod越远离相关可能区域Sp的中心点Cp。
在本车行驶场景成为第2场景的情况下，第1传感器101和第2传感器102中相当于雷达的传感器受到影响。具体而言，雷达受到目标以外的反射物所引起的反射的影响。因此，雷达中的距离、速度和角度的检测误差变大。
为了抑制上述检测误差，提高雷达内的低通滤波器的平滑度即可。由此，雷达的检测结果中所包含的高频噪声被抑制。然而，物理量延迟时间变大。
因此，物理量延迟时间推定部118在目标以外的反射物的数量越增加时，越使物理量延迟时间增加。
具体而言，物理量延迟时间推定部118预先保持有第3校正映射II，该第3校正映射II将第2场景、目标以外的反射物的数量、纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1相关联。第3校正映射II通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1根据预先获取到的行驶实验数据中所包含的目标以外的反射物的数量变为怎样的值。
同样地，物理量延迟时间推定部118预先保持有第4校正映射II，该第4校正映射II将第2场景、目标以外的反射物的数量、纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2相关联。第4校正映射II通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2根据预先获取到的行驶实验数据中所包含的目标以外的反射物的数量变为怎样的值。
物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第1传感器101、且本车行驶场景为第2场景的情况下，使用第3校正映射II来推定纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。
同样地，物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第2传感器102、且本车行驶场景为第2场景的情况下，使用第4校正映射II来推定纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2。
物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1、以及预先确定的固定值即传感器延迟时间设定值Td_set1输出到校正部114。
同样地，物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2、以及预先确定的固定值即传感器延迟时间设定值Td_set2输出到校正部114。
校正部114使相关可能区域Sp变大。校正部114使用式(1-1)～式(1-5)，如上述那样，基于预测数据P和物理量延迟时间来运算校正量Mp。如式(1-1)～式(1-5)所明确的那样，物理量延迟时间即纵向位置延迟时间Td_px1越增加，则校正量Mp越增加。
即，目标以外的反射物的数量越增加，则校正量Mp越增加。
校正部114按照上述式(1-7)，对校正纵向宽度Wp_mod进行运算。如式(1-7)所明确的那样，校正量Mp越增加，则校正纵向宽度Wp_mod越扩大。因此，相关可能区域Sp扩大。
另外，在自动行驶场景为第2场景的情况下，校正部114可以不仅使相关可能区域Sp变大，也可以对相关可能区域Sp的中心点Cp进行校正。校正部114按照上述式(1-8)，对校正中心点Cp_mod和校正纵向宽度Wp_mod进行运算。如式(1-8)所明确的那样，校正量Mp越增加，则校正中心点Cp_mod越远离相关可能区域Sp的中心点Cp，且校正纵向宽度Wp_mod越扩大。
在本车行驶场景成为第3场景的情况下，第1传感器101和第2传感器102中相当于光学摄像头的传感器受到影响。具体而言，光学摄像头受到周边的亮度的影响，如昼和夜、隧道内和隧道外等那样。例如，在本车的周边较暗的情况下，与本车的周边较亮的情况相比，光学摄像头无法准确地检测目标的轮廓。其结果是，光学摄像头中的纵向位置和横向位置的检测误差变大。
为了抑制上述检测误差，提高光学摄像头内的低通滤波器的平滑度即可。由此，光学摄像头的检测结果中所包含的高频噪声被抑制。然而，物理量延迟时间变大。
因此，物理量延迟时间推定部118在本车周边越是变暗时，越使物理量延迟时间增加。
具体而言，物理量延迟时间推定部118预先保持有第5校正映射III，该第5校正映射III将第3场景、照度、纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1相关联。第5校正映射III通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1根据预先获取到的行驶实验数据中所包含的光量变为怎样的值。
同样地，物理量延迟时间推定部118预先保持有第6校正映射III，该第6校正映射III将第3场景、照度、纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2相关联。第6校正映射III通过预先进行实验来得到，该实验调查纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2根据预先获取到的行驶实验数据中所包含的光量变为怎样的值。
物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第1传感器101、且本车行驶场景为第3场景的情况下，使用第5校正映射III来推定纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1。
同样地，物理量延迟时间推定部118在从数据接收部111输入的物体数据D的发送源的传感器为第2传感器102、且本车行驶场景为第3场景的情况下，使用第6校正映射III来推定纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2。
物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px1和纵向速度延迟时间Td_vx1、以及预先确定的固定值即传感器延迟时间设定值Td_set1输出到校正部114。
同样地，物理量延迟时间推定部118将推定出的纵向位置延迟时间Td_px2和纵向速度延迟时间Td_vx2、以及预先确定的固定值即传感器延迟时间设定值Td_set2输出到校正部114。
校正部114使相关可能区域Sp变大。校正部114使用式(1-1)～式(1-5)，如上述那样，基于预测数据P和物理量延迟时间来运算校正量Mp。如式(1-1)～式(1-5)所明确的那样，物理量延迟时间即纵向位置延迟时间Td_px1越增加，则校正量Mp越增加。
即，本车周边变得越暗，则校正量Mp越增加。如式(1-7)所明确的那样，校正量Mp越增加，则校正纵向宽度Wp_mod越扩大。因此，相关可能区域Sp扩大。
校正部114按照上述式(1-7)，对校正纵向宽度Wp_mod进行运算。
另外，在自动行驶场景为第3场景的情况下，校正部114可以不仅使相关可能区域Sp变大，也可以对相关可能区域Sp的中心点Cp进行校正。校正部114按照上述式(1-8)，对校正中心点Cp_mod和校正纵向宽度Wp_mod进行运算。如式(1-8)所明确的那样，校正量Mp越增加，则校正中心点Cp_mod越远离相关可能区域Sp的中心点Cp，且校正纵向宽度Wp_mod越扩大。
由此，校正部114基于预测数据P和物理量延迟时间，来设定相关可能区域Sp。
另外，对于第1校正映射I、第2校正映射I、第3校正映射II、第4校正映射II、第5校正映射III和第6校正映射III中不直接存在的值，适当进行内插处理或外插处理来导出即可。
接着，对实施方式5中的物体识别装置100的控制例进行说明。
图21是说明实施方式5中的物体识别装置100的控制例的流程图。
步骤S21中，本车行驶场景获取部104判定目标的数量是否超过目标上限值。在本车行驶场景获取部104判定为目标的数量超过目标上限的情况下，步骤S21的处理转移至步骤S22的处理。
步骤S22中，本车行驶场景获取部104将本车行驶场景检测为第1场景。接着，步骤S22的处理转移到步骤S23的处理。
另一方面，步骤S21中，在由本车行驶场景获取部104判定为目标的数量未超过目标上限的情况下，步骤S21的处理转移至步骤S23的处理。
步骤S23中，本车行驶场景获取部104判定目标以外的反射物的数量是否超过非目标上限值。在本车行驶场景获取部104判定为目标以外的反射物的数量超过非目标上限值的情况下，步骤S23的处理转移至步骤S24的处理。
步骤S24中，本车行驶场景获取部104将本车行驶场景检测为第2场景。接着，步骤S24的处理转移到步骤S25的处理。
另一方面，步骤S23中，在本车行驶场景获取部104判定为目标以外的反射物的数量未超过非目标上限值的情况下，步骤S23的处理转移至步骤S25的处理。
步骤S25中，本车行驶场景获取部104判定照度是否小于照度阈值。在本车行驶场景获取部104判定为照度小于照度阈值的情况下，步骤S25的处理转移至步骤S26的处理。
步骤S26中，本车行驶场景获取部104将本车行驶场景检测为第3场景。接着，步骤S26的处理转移到步骤S27的处理。
另一方面，步骤S25中，在本车行驶场景获取部104判定为照度并非小于照度阈值的情况下，即、在本车行驶场景获取部104判定为照度在照度阈值以上的情况下，步骤S25的处理转移至步骤S27的处理。
步骤S27中，物理量延迟时间推定部118判定本车行驶场景是否成为第1场景。在物理量延迟时间推定部118判定为本车行驶场景为第1场景的情况下，步骤S27的处理转移至步骤S28的处理。
步骤S28中，物理量延迟时间推定部118基于第1校正映射I和第2校正映射I来推定当前的物理量推定时间。接着，步骤S28的处理转移到步骤S29的处理。
另一方面，步骤S27中，在物理量延迟时间推定部118判定为本车行驶场景不为第1场景的情况下，步骤S27的处理转移至步骤S29的处理。
步骤S29中，物理量延迟时间推定部118判定本车行驶场景是否成为第2场景。在物理量延迟时间推定部118判定为本车行驶场景为第2场景的情况下，步骤S29的处理转移至步骤S30的处理。
步骤S30中，物理量延迟时间推定部118基于第3校正映射II和第4校正映射II来推定当前的物理量推定时间。接着，步骤S30的处理转移到步骤S31的处理。
另一方面，步骤S29中，在物理量延迟时间推定部118判定为本车行驶场景不为第2场景的情况下，步骤S29的处理转移至步骤S31的处理。
步骤S31中，物理量延迟时间推定部118判定本车行驶场景是否成为第3场景。在物理量延迟时间推定部118判定为本车行驶场景为第3场景的情况下，步骤S31的处理转移至步骤S32的处理。
步骤S32中，物理量延迟时间推定部118基于第5校正映射I II和第6校正映射III来推定当前的物理量推定时间。接着，步骤S32的处理转移到步骤S33的处理。
另一方面，步骤S31中，在物理量延迟时间推定部118判定为本车行驶场景不为第3场景的情况下，步骤S31的处理转移至步骤S33的处理。
步骤S33中，校正部114基于预测部112所生成的预测数据P、以及物理量延迟时间推定部118推定出的物理量延迟时间，来设定相关可能区域Sp。接着，步骤S33的处理结束，而不转移到其它处理。
以上，根据实施方式5，本车行驶场景获取部104检测当前的本车行驶场景。本车行驶场景获取部104将与本车行驶场景对应的本车行驶场景数据发送到数据接收部111。
当从本车行驶场景获取部104发送了本车行驶场景数据时，数据接收部111接收本车行驶场景数据。
物理量延迟时间推定部118基于数据接收部111接收到的本车行驶场景数据，来推定与物体数据D中包含的多个物理量的每一个对应的多个物理量延迟时间中的至少1个。
设定部120基于数据接收部111接收到的过去的物体数据D中的至少一部分物体数据D与物体中的运动模型，来生成对当前的物体数据D进行预测而得的预测数据P。设定部120基于预测数据P和多个物理量延迟时间，来设定相关可能区域，该相关可能区域用于决定预测数据P与当前的物体数据D之间的相关关系。
根据上述结构，能基于传感器的物理量延迟时间和检测误差中的至少一方，来设定相关可能区域Sp。因此，能抑制识别物体的精度变差。
此外，物理量延迟时间推定部118基于预先存储的场景、基于该场景预先存储的多个物理量延迟时间、以及当前的本车行驶场景，来推定当前的多个物理量延迟时间。
根据上述结构，无需为了推定当前的多个物理量延迟时间而进行复杂的运算。因此，能缩短运算所需的时间。
另外，实施方式1～5中，例示出将物体识别装置100应用于多个物理量包含物体的纵向位置px和物体的纵向速度vx的方式，但并不限于此。即，对于多个物理量包含物体的横向位置和物体的横向速度以代替纵向位置px和纵向速度vx的方式，也能应用物体识别装置100。此外，对于多个物理量包含物体的纵向加速度、物体的横向加速度、物体的角度、物体的角速度以及本车到物体的距离中的2个的方式，也能期待应用物体识别装置100。
此外，上述实施方式1～5各自的物体识别装置100的处理部110的各功能由处理电路来实现。实现各功能的处理电路可以是专用硬件，也可以是执行存储器中所存储的程序的处理器。车辆控制装置200的功能也同样由处理电路来实现。
在处理电路为专用的硬件的情况下，处理电路例如相当于单一电路、复合电路、程序化处理器、并联程序化处理器、ASIC(Application Specific Integrated Circuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)或它们的组合。数据接收部111、预测部112、校正部114、相关部115、更新部116、延迟时间推定部117、场景运算部104b、物理量延迟时间推定部118和设定部120的各部分的功能可以分别用单独的处理电路来实现，也可以将各部分的功能汇总并用处理电路来实现。
另一方面，在处理电路为处理器的情况下，数据接收部111、预测部112、校正部114、相关部115、更新部116、延迟时间推定部117、场景运算部104b、物理量延迟时间推定部118和设定部120各部分的功能由软件、固件、或软件和固件的组合来实现。软件和固件被表述为程序，并存储于存储器。处理器读取储存于存储器的程序并执行，从而实现各部分的功能。即，具备用于存储程序的存储器，上述程序最终执行数据接收步骤、预测步骤、校正步骤、相关步骤、更新步骤和延迟时间推定步骤。
这些程序也可以是使计算机执行上述各部分的步骤或方法的程序。这里，存储器例如相当于RAM(Random Access Memory：随机存取存储器)、ROM(Read Only Memory：只读存储器)、闪存、EPROM(Erasable Programmable Read Only Memory：可擦可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory：电可擦可编程只读存储器)等非易失性或易失性的半导体存储器。另外，磁盘、软盘、光盘、压缩磁盘、小型磁盘、DVD等也相当于存储器。
另外，对于上述各部分的功能，可以用专用硬件来实现一部分，并用软件或固件来实现一部分。
由此，处理电路可以利用硬件、软件、固件或它们的组合来实现上述各部分的功能。
标号说明
100 物体识别装置
101 第1传感器
102 第2传感器
103 本车传感器
104 本车行驶场景获取部
110 处理部
111 数据接收部
112 预测部
113 存储部
114 校正部
115 相关部
116 更新部
117 延迟时间推定部
118 物理量延迟时间推定部
120 设定部
200 车辆控制装置。

Claims (11)

1.一种物体识别装置，其特征在于，包括：
至少一个以上的传感器，该传感器检测存在于能进行检测的范围内的物体，并发送包含表示所述物体的状态的多个物理量在内的物体数据；
数据接收部，该数据接收部从所述传感器接收所述物体数据；以及
设定部，该设定部基于所述数据接收部接收到的过去的所述物体数据中的至少一部分的所述物体数据、以及所述物体中的运动模型，来生成对当前的所述物体数据进行预测而得的预测数据，并基于所述预测数据、与多个所述物理量的每一个对应的多个物理量延迟时间，来设定用于决定所述预测数据与当前的所述物体数据之间的相关关系的相关可能区域。
2.如权利要求1所述的物体识别装置，其特征在于，
多个所述物理量延迟时间是预先确定的固定值。
3.如权利要求1所述的物体识别装置，其特征在于，
所述传感器将与本身对应的所述物理量延迟时间和所述物体数据一起发送。
4.一种物体识别装置，其特征在于，包括：
至少一个以上的传感器，该传感器检测存在于能进行检测的范围内的物体，并发送包含表示所述物体的状态的多个物理量在内的物体数据；
本车行驶场景获取部，该本车行驶场景获取部检测搭载有该物体识别装置的车辆中的当前的本车行驶场景，并发送与所述本车行驶场景对应的本车行驶场景数据；
数据接收部，该数据接收部在从所述传感器发送了所述物体数据时接收所述物体数据，在从所述本车行驶场景获取部发送了所述本车行驶场景数据时接收所述本车行驶场景数据；
物理量延迟时间推定部，该物理量延迟时间推定部基于所述本车行驶场景数据，来推定与所述物体数据中包含的多个所述物理量的每一个对应的多个物理量延迟时间中的至少1个；以及
设定部，该设定部基于所述数据接收部接收到的过去的所述物体数据中的至少一部分的所述物体数据、以及所述物体中的运动模型，来生成对当前的所述物体数据进行预测而得的预测数据，并基于所述预测数据和多个所述物理量延迟时间，来设定用于决定所述预测数据与当前的所述物体数据之间的相关关系的相关可能区域。
5.如权利要求4所述的物体识别装置，其特征在于，
所述物理量延迟时间推定部基于预先存储的场景、基于所述场景预先存储的多个所述物理量延迟时间、以及当前的所述本车行驶场景，来推定当前的多个所述物理量延迟时间。
6.如权利要求1至5中任一项所述的物体识别装置，其特征在于，
多个所述物理量包含所述物体中的纵向位置和纵向速度。
7.如权利要求1至5中任一项所述的物体识别装置，其特征在于，
多个所述物理量包含所述物体中的横向位置和横向速度。
8.如权利要求1至7中任一项所述的物体识别装置，其特征在于，
所述设定部对所述相关可能区域的中心点进行校正，由此来设定所述相关可能区域。
9.如权利要求1至7中任一项所述的物体识别装置，其特征在于，
所述设定部对所述相关可能区域的尺寸进行校正，由此来设定所述相关可能区域。
10.如权利要求1至7中任一项所述的物体识别装置，其特征在于，
所述设定部对所述相关可能区域的中心点以及所述相关可能区域的尺寸进行校正，由此来设定所述相关可能区域。
11.一种物体识别方法，其特征在于，包括：
检测存在于能进行检测的范围内的物体，并发送包含表示所述物体的状态的多个物理量在内的物体数据的至少一个以上的工序；
通过发送所述物体数据的至少一个以上的工序来接收所述物体数据的工序；以及
基于接收所述物体数据的工序所接收到的过去的所述物体数据中的至少一部分的所述物体数据、以及所述物体中的运动模型，来生成对当前的所述物体数据进行预测而得的预测数据，并基于与所述预测数据中所包含的多个所述物理量的每一个对应的多个物理量延迟时间，来设定用于决定所述预测数据与当前的所述物体数据之间的相关关系的相关可能区域的工序。
CN202110321336.8A 2020-04-02 2021-03-25 物体识别装置及物体识别方法 Active CN113494938B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020066624A JP7412254B2 (ja) 2020-04-02 2020-04-02 物体認識装置および物体認識方法
JP2020-066624 2020-04-02

Publications (2)

Publication Number Publication Date
CN113494938A true CN113494938A (zh) 2021-10-12
CN113494938B CN113494938B (zh) 2024-05-17

Family

ID=74884857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110321336.8A Active CN113494938B (zh) 2020-04-02 2021-03-25 物体识别装置及物体识别方法

Country Status (4)

Country Link
US (1) US11921191B2 (zh)
EP (1) EP3889641A1 (zh)
JP (1) JP7412254B2 (zh)
CN (1) CN113494938B (zh)

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720237A (ja) * 1993-06-28 1995-01-24 Masuo Ikeuchi 物体の位置認識システム
JPH1183997A (ja) * 1997-09-01 1999-03-26 Fujitsu Ten Ltd 車間距離制御システムにおけるターゲット認識方法
JP2004347489A (ja) * 2003-05-23 2004-12-09 Daihatsu Motor Co Ltd 物体認識装置及び認識方法
CN102047073A (zh) * 2008-11-05 2011-05-04 松下电器产业株式会社 物体位置推定系统、物体位置推定装置、物体位置推定方法及物体位置推定程序
US20110248880A1 (en) * 2010-04-09 2011-10-13 Denso Corporation Apparatus and method of recognizing presence of objects
CN102449672A (zh) * 2009-06-02 2012-05-09 丰田自动车株式会社 车辆用周边监视装置
CN104925055A (zh) * 2014-03-18 2015-09-23 福特全球技术公司 用于检测车辆周围区域中的移动物体的方法和装置
RU2599259C1 (ru) * 2015-11-05 2016-10-10 Алексей Викторович Бондаренко Способ бондаренко а.в. получения радиотехнической информации и радиотехнический комплекс для его осуществления
KR20160129443A (ko) * 2015-04-30 2016-11-09 주식회사 케이엠씨로보틱스 사람과 동물의 식별이 가능한 지능형 센서장치 및 이를 이용한 보안시스템
CN106164624A (zh) * 2014-03-31 2016-11-23 日立汽车系统株式会社 物理量检测装置
CN106574961A (zh) * 2014-08-06 2017-04-19 株式会社电装 使用多个物体检测单元的物体识别装置
CN107235044A (zh) * 2017-05-31 2017-10-10 北京航空航天大学 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法
CN107490794A (zh) * 2016-06-10 2017-12-19 三菱电机株式会社 物体辨识处理装置、物体辨识处理方法及自动驾驶系统
CN107544491A (zh) * 2016-06-24 2018-01-05 三菱电机株式会社 物体识别装置、物体识别方法以及自动驾驶系统
JP2018040642A (ja) * 2016-09-06 2018-03-15 株式会社Ihi 移動体の認識装置及び認識方法
CN108431630A (zh) * 2015-12-21 2018-08-21 株式会社小糸制作所 车辆用图像获取装置、控制装置、包括了车辆用图像获取装置或控制装置的车辆和车辆用图像获取方法
CN108688660A (zh) * 2017-04-06 2018-10-23 丰田自动车株式会社 运行范围确定装置
JP2019064572A (ja) * 2017-09-29 2019-04-25 株式会社豊田中央研究所 車載器、移動体運動制御装置、風情報予測装置、風状況送信方法、移動体運動制御方法、風情報予測方法、風状況送信プログラム、移動体運動制御プログラム、及び風情報予測プログラム
CN110126838A (zh) * 2018-02-09 2019-08-16 本田技研工业株式会社 车辆行驶控制装置
WO2019172103A1 (ja) * 2018-03-08 2019-09-12 日立オートモティブシステムズ株式会社 信号処理システム、及びその評価システム、並びにその信号処理システムに用いられる信号処理装置
CN110232836A (zh) * 2018-03-06 2019-09-13 丰田自动车株式会社 物体识别装置以及车辆行驶控制系统
JP2019185347A (ja) * 2018-04-09 2019-10-24 株式会社デンソー 物体認識装置、及び、物体認識方法
WO2019230055A1 (ja) * 2018-05-29 2019-12-05 三菱電機株式会社 物体認識装置および物体認識方法
CN110582803A (zh) * 2017-04-26 2019-12-17 三菱电机株式会社 处理装置和物体识别信息的生成方法
WO2020053170A1 (de) * 2018-09-10 2020-03-19 Volkswagen Aktiengesellschaft Verfahren zum erzeugen einer informationssammlung zu fahrszenarien wenigstens eines fahrzeugs, sowie fahrzeug, anordnung und daraus bestehendes system
CN110901637A (zh) * 2018-09-14 2020-03-24 现代自动车株式会社 车辆的驾驶控制装置和方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5697734B1 (ja) 2013-11-29 2015-04-08 三菱電機株式会社 移動体搭載電子機器制御装置
JP6393523B2 (ja) 2014-06-04 2018-09-19 北陽電機株式会社 レーザセンサ及び自動搬送装置
JP6169146B2 (ja) 2015-10-16 2017-07-26 三菱電機株式会社 物体認識統合装置および物体認識統合方法
WO2019097731A1 (ja) 2017-11-20 2019-05-23 三菱電機株式会社 障害物認識装置および障害物認識方法
JP6910545B2 (ja) 2018-05-14 2021-07-28 三菱電機株式会社 物体検出装置及び物体検出方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0720237A (ja) * 1993-06-28 1995-01-24 Masuo Ikeuchi 物体の位置認識システム
JPH1183997A (ja) * 1997-09-01 1999-03-26 Fujitsu Ten Ltd 車間距離制御システムにおけるターゲット認識方法
JP2004347489A (ja) * 2003-05-23 2004-12-09 Daihatsu Motor Co Ltd 物体認識装置及び認識方法
CN102047073A (zh) * 2008-11-05 2011-05-04 松下电器产业株式会社 物体位置推定系统、物体位置推定装置、物体位置推定方法及物体位置推定程序
CN102449672A (zh) * 2009-06-02 2012-05-09 丰田自动车株式会社 车辆用周边监视装置
US20110248880A1 (en) * 2010-04-09 2011-10-13 Denso Corporation Apparatus and method of recognizing presence of objects
CN104925055A (zh) * 2014-03-18 2015-09-23 福特全球技术公司 用于检测车辆周围区域中的移动物体的方法和装置
CN106164624A (zh) * 2014-03-31 2016-11-23 日立汽车系统株式会社 物理量检测装置
CN106574961A (zh) * 2014-08-06 2017-04-19 株式会社电装 使用多个物体检测单元的物体识别装置
KR20160129443A (ko) * 2015-04-30 2016-11-09 주식회사 케이엠씨로보틱스 사람과 동물의 식별이 가능한 지능형 센서장치 및 이를 이용한 보안시스템
RU2599259C1 (ru) * 2015-11-05 2016-10-10 Алексей Викторович Бондаренко Способ бондаренко а.в. получения радиотехнической информации и радиотехнический комплекс для его осуществления
CN108431630A (zh) * 2015-12-21 2018-08-21 株式会社小糸制作所 车辆用图像获取装置、控制装置、包括了车辆用图像获取装置或控制装置的车辆和车辆用图像获取方法
CN107490794A (zh) * 2016-06-10 2017-12-19 三菱电机株式会社 物体辨识处理装置、物体辨识处理方法及自动驾驶系统
CN107544491A (zh) * 2016-06-24 2018-01-05 三菱电机株式会社 物体识别装置、物体识别方法以及自动驾驶系统
JP2018040642A (ja) * 2016-09-06 2018-03-15 株式会社Ihi 移動体の認識装置及び認識方法
CN108688660A (zh) * 2017-04-06 2018-10-23 丰田自动车株式会社 运行范围确定装置
CN110582803A (zh) * 2017-04-26 2019-12-17 三菱电机株式会社 处理装置和物体识别信息的生成方法
CN107235044A (zh) * 2017-05-31 2017-10-10 北京航空航天大学 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法
JP2019064572A (ja) * 2017-09-29 2019-04-25 株式会社豊田中央研究所 車載器、移動体運動制御装置、風情報予測装置、風状況送信方法、移動体運動制御方法、風情報予測方法、風状況送信プログラム、移動体運動制御プログラム、及び風情報予測プログラム
CN110126838A (zh) * 2018-02-09 2019-08-16 本田技研工业株式会社 车辆行驶控制装置
CN110232836A (zh) * 2018-03-06 2019-09-13 丰田自动车株式会社 物体识别装置以及车辆行驶控制系统
WO2019172103A1 (ja) * 2018-03-08 2019-09-12 日立オートモティブシステムズ株式会社 信号処理システム、及びその評価システム、並びにその信号処理システムに用いられる信号処理装置
JP2019185347A (ja) * 2018-04-09 2019-10-24 株式会社デンソー 物体認識装置、及び、物体認識方法
WO2019230055A1 (ja) * 2018-05-29 2019-12-05 三菱電機株式会社 物体認識装置および物体認識方法
WO2020053170A1 (de) * 2018-09-10 2020-03-19 Volkswagen Aktiengesellschaft Verfahren zum erzeugen einer informationssammlung zu fahrszenarien wenigstens eines fahrzeugs, sowie fahrzeug, anordnung und daraus bestehendes system
CN110901637A (zh) * 2018-09-14 2020-03-24 现代自动车株式会社 车辆的驾驶控制装置和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘志强;张中昀;倪捷;张腾;: "双动态条件下多传感器融合的车辆检测方法研究", 机械设计与制造, no. 2 *
张永捷: "基于物体的相似性预测未知物体所处场景的研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 10 *
胡秀华;郭雷;李晖晖;燕攀登;: "一种新的可变数目机动目标联合检测与跟踪算法", 中南大学学报(自然科学版), no. 10 *

Also Published As

Publication number Publication date
US11921191B2 (en) 2024-03-05
JP2021160662A (ja) 2021-10-11
CN113494938B (zh) 2024-05-17
US20210312196A1 (en) 2021-10-07
JP7412254B2 (ja) 2024-01-12
EP3889641A1 (en) 2021-10-06

Similar Documents

Publication Publication Date Title
CN107490794B (zh) 物体辨识处理装置、物体辨识处理方法及自动驾驶系统
US9440650B2 (en) Collision prediction apparatus
US10366295B2 (en) Object recognition apparatus
US10311340B2 (en) Object recognition integration device and object recognition integration method
CN111417869A (zh) 障碍物识别装置及障碍物识别方法
US11789141B2 (en) Omnidirectional sensor fusion system and method and vehicle including the same
US10793145B2 (en) Object recognition device, object recognition method, and vehicle control system
US11892536B2 (en) Object-detecting device
CN111492258A (zh) 用于确定车辆所行驶的道路与测量或雷达传感器的检测方向之间的安装角度的方法和装置
JP6169146B2 (ja) 物体認識統合装置および物体認識統合方法
JP6333437B1 (ja) 物体認識処理装置、物体認識処理方法および車両制御システム
CN113795726B (zh) 自身位置修正方法及自身位置修正装置
CN113494938B (zh) 物体识别装置及物体识别方法
CN111989541A (zh) 立体摄像机装置
CN111630411A (zh) 用于对横向运动进行可信度检验的方法和设备
JP2019219180A (ja) 車両用物体検知装置
CN111295566B (zh) 物体识别装置及物体识别方法
CN110570452B (zh) 物标识别装置
JP2022538676A (ja) 検出値のストリングに基づいたセンサ較正
US20180350094A1 (en) Target recognition system, target recognition method, and storage medium
JP2020063934A (ja) 物体認識装置およびこれを用いた車両制御装置並びに物体認識方法およびこれを用いた車両制御方法
KR20230173401A (ko) 차량에서의 센서 퓨전 방법 및 시스템
CN112346040A (zh) 确定两个传感器的传感器数据中的视差问题的方法和设备

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