CN114286772A - 自动驾驶控制装置以及自动驾驶控制方法 - Google Patents

自动驾驶控制装置以及自动驾驶控制方法 Download PDF

Info

Publication number
CN114286772A
CN114286772A CN201980099843.2A CN201980099843A CN114286772A CN 114286772 A CN114286772 A CN 114286772A CN 201980099843 A CN201980099843 A CN 201980099843A CN 114286772 A CN114286772 A CN 114286772A
Authority
CN
China
Prior art keywords
automatic driving
control amount
driving control
information
unit
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.)
Pending
Application number
CN201980099843.2A
Other languages
English (en)
Inventor
佐藤匠
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.)
Mitsubishi Electric Corp
Original Assignee
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN114286772A publication Critical patent/CN114286772A/zh
Pending legal-status Critical Current

Links

Images

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
    • B60W60/005—Handover processes
    • 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
    • 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
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/029—Adapting to failures or work around with other constraints, e.g. circumvention by avoiding use of failed parts
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision 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
    • 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
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明包括：获取分别从多个传感器输出的多个车辆周边信息的信息获取部(11)；基于多个车辆周边信息以及机器学习模型(13、13a～13c、13e)来对自动驾驶控制量进行推导，并输出该自动驾驶控制量的控制量推导部(12、12a～12c、12e)；对多个车辆周边信息中的任一个车辆周边信息的可靠度是否降低进行判定的监视部(14、14a～14c)；以及控制部(15、15e)，其在由监视部(14、14a～14c)判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部(12、12a～12c、12e)以输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。

Description

自动驾驶控制装置以及自动驾驶控制方法
技术领域
本发明涉及进行车辆的自动驾驶控制的自动驾驶控制装置以及自动驾驶控制方法。
背景技术
车辆周边的信息(以下称为“车辆周边信息”)能从多个传感器中获取。以往，存在下述技术：通过将从这样的多个传感器中分别输出的多个车辆周边信息输入完成机器学习的模型(以下称为“机器学习模型”)中，从而对车辆的自动驾驶控制所需的各种控制量(以下称为“自动驾驶控制量”)进行推导并输出。
这里，在专利文献1中公开了一种控制装置，该控制装置使用基于复眼摄像头拍摄到的多个图像而生成的周围环境的映射，以便在车辆的自动驾驶控制执行过程中识别周围环境。该控制装置例如在构成复眼摄像头的两个车载摄像头中的任一个发生功能不全时，根据正常动作的一个车载摄像头拍摄到的图像来推测周围环境。
现有技术文献
专利文献
专利文献1：
日本专利特开2019－34664号公报
发明内容
发明所要解决的技术问题
利用机器学习模型推导自动驾驶控制量的上述技术中存在下述问题：当从多个传感器中的任意传感器获取的信息的可靠度降低时，自动驾驶控制量有可能不再适于车辆的自动驾驶控制。
专利文献1中所公开的控制装置在多个车载摄像头中的任意车载摄像头产生了功能不全的情况下，根据正常动作的车载摄像头拍摄到的图像来推测周围环境，但该推测具体而言是利用理论上被确定的计算式来进行的。对此，由于机器学习模型不是利用理论上被确定的计算式进行推导的，因此，不能将专利文献1中所公开的控制装置中的技术作为解决上述问题的手段。
本发明是为了解决上述问题而完成的，其目的在于提供一种自动驾驶控制装置，该自动驾驶控制装置基于分别从多个传感器输出的多个车辆周边信息和机器学习模型，对自动驾驶控制量进行推导并输出，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆的自动驾驶控制的自动驾驶控制量。
用于解决技术问题的技术手段
本发明所涉及的自动驾驶控制装置包括：信息获取部，该信息获取部获取分别从多个传感器输出的多个车辆周边信息；控制量推导部，该控制量推导部基于信息获取部获取到的多个车辆周边信息以及机器学习模型来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部，该监视部对信息获取部获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部，该控制部在由监视部判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部，以使得控制量推导部输出去除了被判定为可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
发明效果
根据本发明，即使在分别从多个传感器输出的多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆的自动驾驶控制的自动驾驶控制量。
附图说明
图1是表示搭载了实施方式1所涉及的自动驾驶控制装置的车辆的结构例的图。
图2是表示实施方式1所涉及的自动驾驶控制装置的结构例的图。
图3是用于说明实施方式1所涉及的自动驾驶控制装置的动作的流程图。
图4是表示实施方式2所涉及的自动驾驶控制装置的结构例的图。
图5是用于说明实施方式2所涉及的自动驾驶控制装置的动作的流程图。
图6是表示实施方式3所涉及的自动驾驶控制装置的结构例的图。
图7是用于说明实施方式3中像素的亮度不同的拍摄图像的一个示例的图，图7A是拍摄图像的所有像素具有足以识别该拍摄图像中的物体的亮度时的拍摄图像的一个示例，图7B是拍摄图像的所有像素具有使图像暗到无法识别该拍摄图像中的物体的亮度时的拍摄图像的一个示例，图7C是拍摄图像的所有像素具有使图像亮到无法识别该拍摄图像中的物体的亮度时的拍摄图像的一个示例。
图8是用于说明实施方式3所涉及的自动驾驶控制装置的动作的流程图。
图9是表示实施方式4所涉及的自动驾驶控制装置的结构例的图。
图10是用于说明实施方式4所涉及的自动驾驶控制装置的动作的流程图。
图11是表示实施方式5所涉及的自动驾驶控制装置的结构例的图。
图12是表示实施方式5中通知控制部显示通知信息的显示器的图像例的图。
图13是表示实施方式5中通知控制部显示通知信息的显示器的其他图像例的图。
图14是表示实施方式6所涉及的自动驾驶控制装置的结构例的图。
图15是用于说明实施方式6所涉及的自动驾驶控制装置的动作的流程图。
图16A、图16B是表示实施方式1～实施方式6所涉及的自动驾驶控制装置的硬件结构的一个示例的图。
图17是表示自动驾驶控制系统的结构例的图，其设为使用图2所说明的实施方式1所涉及的自动驾驶控制装置具备在服务器中。
具体实施方式
以下，参照附图对本发明的实施方式进行详细说明。
实施方式1.
图1是表示搭载了实施方式1所涉及的自动驾驶控制装置1的车辆100的结构例的图。
实施方式1所涉及的自动驾驶控制装置1是搭载于即使不由人进行驾驶操作也能够自动行驶的车辆100的装置。如图1所示，在车辆100中，除了自动驾驶控制装置1之外，还搭载有传感器、车辆控制部3和控制对象设备4。
输出车辆100周边的信息的多个传感器搭载于车辆100。由多个传感器分别输出的信息是与存在于车辆100周边的其他车辆相关的信息、与存在于车辆100周边的其他车辆以外的障碍物相关的信息、与交通信号的状态相关的信息、与车道相关的信息、与地形相关的信息、或者与道路标识相关的信息等。与车道相关的信息包含例如白线或路标。
实施方式1中设为传感器包含摄像头21和毫米波雷达22。
摄像头21拍摄车辆100的周边，例如车辆100的前方等。摄像头21将拍摄到车辆100周边而得的拍摄图像输出到自动驾驶控制装置1。
毫米波雷达22测量从车辆100到车辆100周边存在的物体的距离。毫米波雷达22将测量出的与从车辆100到物体的距离相关的信息(以下称为“距离信息”)输出到自动驾驶控制装置1。自动驾驶控制装置1至少基于从摄像头21输出的拍摄图像以及从毫米波雷达22输出的距离信息来对车辆100的自动驾驶控制所需的自动驾驶控制量进行推导。
在实施方式1中，如上述拍摄图像或距离信息那样，将从传感器输出、并用于自动驾驶控制装置1中的自动驾驶控制量的推导的信息统称为“车辆周边信息”。车辆周边信息是在自动驾驶控制装置1中用于自动驾驶控制量的推导的信息，能包含与车辆100周边相关的各种信息。
实施方式1中，作为前提，对于多个传感器中的一个或多个传感器，例如故障的可能性低到能忽略的程度，从该传感器输出的车辆周边信息实质上不产生问题。另一方面，作为前提，对于多个传感器中的另一个或多个传感器，例如，与上述一部分传感器相比，故障的可能性较高，并且从其他传感器输出的车辆周边信息也较容易出现问题。具体而言，作为前提，对于实施方式1所涉及的传感器所包含的摄像头21和毫米波雷达22中的摄像头21，例如故障的可能性低到能忽略的程度，照相机21的拍摄图像基本上不产生问题。另一方面，作为前提，对于毫米波雷达22，与摄像头21相比较，例如故障的可能性高，并且毫米波雷达22输出的距离信息也较容易出现问题。
在实施方式1中，如后述那样，车辆周边信息被用作针对用于推导自动驾驶控制量的机器学习模型的输入数据。在实施方式1中，作为用于对适于车辆100的自动驾驶控制的自动驾驶控制量进行推导的输入数据，将表示车辆周边信息能否可靠的程度称为车辆周边信息的“可靠度”。
自动驾驶控制装置1基于从传感器输出的车辆周边信息来对自动驾驶控制量进行推导。稍候将与自动驾驶控制装置1的结构例一起阐述自动驾驶控制装置1所进行的自动驾驶控制量的推导的详细内容。
自动驾驶控制装置1将推导出的自动驾驶控制量输出到搭载于车辆100上的车辆控制部3。
车辆控制部3基于从自动驾驶控制装置1输出的自动驾驶控制量来控制车辆100。具体而言，车辆控制部3控制控制对象设备4，使车辆100自动行驶。控制对象设备4是搭载于车辆100上、基于车辆控制部3的控制而动作以使车辆100自动行驶的设备。控制对象设备4例如是加速器、制动器、转向、齿轮或灯。
自动驾驶控制装置1输出的自动驾驶控制量可以是制动器、加速器或转向操作等各控制对象装置4的具体控制量，也可以是由时间序列中的多个纬度和经度的值组成的行驶轨迹的信息。在自动驾驶控制量是行驶轨迹信息的情况下，车辆控制部3计算各控制对象设备4的具体控制量以使得车辆100按照该行驶轨迹自动行驶，并基于计算出的控制量来控制各控制对象设备4。
对实施方式1所涉及的自动驾驶控制装置1的详细内容进行说明。
图2是表示实施方式1所涉及的自动驾驶控制装置1的结构例的图。
自动驾驶控制装置1包括信息获取部11、控制量推导部12、机器学习模型13、监视部14和控制部15。控制量推导部12包括第一控制量推导部121、第二控制量推导部122和选择部123。机器学习模型13包括第一机器学习模型131和第二机器学习模型132。
信息获取部11获取分别从多个传感器输出的多个车辆周边信息；具体而言，信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息作为车辆周边信息。信息获取部11将获取到的车辆周边信息输出到控制量推导部12和监视部14。
控制量推导部12基于信息获取部11获取到的多个车辆周边信息和机器学习模型13来对车辆100的自动驾驶控制量进行推导，并输出该自动驾驶控制量。在实施方式1中，具体而言，将控制量推导部12将推导出的自动驾驶控制量与确定成为控制对象的控制对象设备4的信息相对应关联，并输出给车辆控制部3。
控制量推导部12的第一控制量推导部121基于信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131来对第一自动驾驶控制量进行推导。具体而言，第一控制量推导部121基于信息获取部11从摄像头21获取到的拍摄图像、信息获取部11从毫米波雷达22获取到的距离信息和第一机器学习模型131，对第一自动驾驶控制量进行推导。对第一机器学习模型131将在后面阐述。
第一控制量推导部121将推导出的第一自动驾驶控制量输出到选择部123。
控制量推导部12的第二控制量推导部122基于信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132来对第二自动驾驶控制量进行推导。具体而言，第二控制量推导部122基于多个车辆周边信息中除了可靠度会降低的车辆周边信息之外的车辆周边信息和第二机器学习模型132来对第二自动驾驶控制量进行推导。
如上所述，实施方式1中，作为前提，摄像头21的拍摄图像实质上不产生问题，而毫米波雷达22的距离信息较容易产生问题。因此，如后所述，实施方式1中的第二机器学习模型132具体而言是仅将信息获取部11获取到的拍摄图像作为输入来对第二自动驾驶控制量进行推导的。
第二控制量推导部122将推导出的第二自动驾驶控制量输出到选择部123。
选择部123选择输出第一自动驾驶控制量和第二自动驾驶控制量中的哪一个。在实施方式1中，选择部123将选择出的自动驾驶控制量具体地输出给车辆控制部3。
如后所述，在由监视部14判断为多个车辆周边信息所有的可靠度都没有下降的情况下，控制部15控制控制量推导部12以使得控制量推导部12输出第一自动驾驶控制量。在控制量推导部12被控制部15控制为输出第一自动驾驶控制量的情况下，选择部123选择并输出第一自动驾驶控制量。
另外，在由监视部14判定为多个车辆周边信息中除了被输入到第二机器学习模型132的多个车辆周边信息的一部分之外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第二自动驾驶控制量。在控制量推导部12被控制部15控制为输出第二自动驾驶控制量的情况下，选择部123选择并输出第二自动驾驶控制量。
机器学习模型13是机器学习中的完成学习的模型。具体而言，机器学习模型13是预先进行了机器学习的模型，以在输入信息获取部11获取到的多个车辆周边信息时，输出车辆100的自动驾驶控制所需的自动驾驶控制量。机器学习模型13例如由神经网络构成。
在实施方式1中，机器学习模型13包括第一机器学习模型131和第二机器学习模型132。
第一机器学习模型131将信息获取部11获取到的多个车辆周边信息的全部作为输入，并输出第一自动驾驶控制量。在实施方式1中，第一机器学习模型131将信息获取部11从摄像头21获取的拍摄图像和信息获取部11从毫米波雷达22获取的距离信息这两者作为输入，并输出第一自动驾驶控制量。
第二机器学习模型132将信息获取部11获取的多个车辆周边信息的一部分作为输入，并输出第二自动驾驶控制量。具体而言，在将信息获取部11获取的多个车辆周围信息中除了可靠度降低的车辆周边信息之外的车辆周边信息作为输入的情况下，第二机器学习模型132输出第二自动驾驶控制量。
如上所述，实施方式1中，作为前提，摄像头21的拍摄图像实质上不产生问题，而毫米波雷达22的距离信息较容易产生问题。因此，具体而言，实施方式1中的第二机器学习模型132是仅将信息获取部11获取到的拍摄图像作为输入来输出第二自动驾驶控制量的。
在实施方式1中，如图2所示，设为机器学习模型13具备在自动驾驶控制装置1中，但这只不过是一个示例，机器学习模型13也可以具备在自动驾驶控制装置1的外部的、自动驾驶控制装置1能够参照的场所。
监视部14对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定。实施方式1中，作为前提，摄像头21的拍摄图像实质上不产生问题，而毫米波雷达22的距离信息较容易产生问题。因此，实施方式1的监视部14对信息获取部11从毫米波雷达22获取到的距离信息的可靠度是否降低进行判定。
具体而言，监视部14基于从摄像头21获取到的拍摄图像，对该拍摄图像上存在的某个物体获取从车辆100到该物体的实际空间中的距离(以下称为“基准距离”)。另外，监视部14计算基准距离、与基于从毫米波雷达22获取到的距离信息而得到的从车辆100到上述物体的距离之差。然后，监视部14对计算出的差是否在预定的阈值(以下称为“雷达判定用阈值”)以下进行判定。当判定为计算出的差为雷达判定用阈值以下时，监视部14判定为距离信息的可靠度没有降低。另一方面，当判定为计算出的差大于雷达判定用阈值时，监视部14判定为距离信息的可靠度降低。另外，作为监视部14基于从摄像头21获取到的拍摄图像来获取基准距离时的方法，能够采用已知的任意方法。作为具体的方法，例如，有使用完成学习模型的方法，该完成学习模型基于将拍摄物体而得到的拍摄图像与从车辆100到该物体的实际空间中的距离的实测值的组作为教师数据的学习而得。
监视部14将与判定信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低而得到的结果相关的信息(以下称为“监视结果信息”)输出到控制部15。例如，监视部14在判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，将车辆周边信息的可靠度降低的意思的监视结果信息输出到控制部15。监视结果信息包含用于确定哪个车辆周边信息的可信度降低的信息。在实施方式1中，在监视部14判定为从毫米波雷达22获取到的距离信息的可靠度降低的情况下，监视部14将距离信息的可靠度降低的意思的监视结果信息输出到控制部15。
另外，例如，监视部14在判定为多个车辆周边信息中的任意车辆周边信息的可靠度都没有降低的情况下，将车辆周边信息的可靠度未降低的意思的监视结果信息输出到控制部15。
在由监视部14判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出去除了被判定为可靠度降低的车辆周边信息的影响后的自动驾驶控制量。
具体而言，在由监视部14判定为多个车辆周边信息中除了被输入到第二机器学习模型132的多个车辆周边信息的一部分之外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第二自动驾驶控制量。在控制量推导部12被控制部15控制为输出第二自动驾驶控制量的情况下，控制量推导部12的选择部123选择并输出第二自动驾驶控制量。
另一方面，在由监视部14判断为多个车辆周边信息中所有车辆周边信息的可靠度都没有降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第一自动驾驶控制量。在控制量推导部12被控制部15控制为输出第一自动驾驶控制量的情况下，控制量推导部12的选择部123选择并输出第一自动驾驶控制量。
对实施方式1所涉及的自动驾驶控制装置1的动作进行说明。
图3是用于说明实施方式1所涉及的自动驾驶控制装置1的动作的流程图。
信息获取部11获取分别从多个传感器输出的多个车辆周边信息。具体而言，信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息(步骤ST301)。信息获取部11将获取到的车辆周边信息输出到控制量推导部12和监视部14。
控制量推导部12的第一控制量推导部121基于在步骤ST301中信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131来对第一自动驾驶控制量进行推导。具体而言，第一控制量推导部121基于在步骤ST301中信息获取部11从摄像头21获取到的拍摄图像、在步骤ST301中信息获取部11从毫米波雷达22获取到的距离信息和第一机器学习模型131，来对第一自动驾驶控制量进行推导(步骤ST302)。
第一控制量推导部121将推导出的第一自动驾驶控制量输出到选择部123。
控制量推导部12的第二控制量推导部122基于在步骤ST301中信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132来对第二自动驾驶控制量进行推导。具体而言，第二控制量推导部122仅将在步骤ST301中信息获取部11从摄像头21获取到的拍摄图像作为输入来对第二自动驾驶控制量进行推导(步骤ST303)。
第二控制量推导部122将推导出的第二自动驾驶控制量输出到选择部123。
监视部14对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定。具体而言，首先，监视部14基于在步骤ST301中信息获取部11从摄像头21获取到的拍摄图像，对该拍摄图像上存在的某物体获取基准距离(步骤ST304)。
然后，监视部14计算在步骤ST304中获取到的基准距离、与基于在步骤ST301中信息获取部11从毫米波雷达22获取到的距离信息而得到的从车辆100到该物体的距离之差，并对计算出的差是否在雷达判定用阈值以下进行判定(步骤ST305)。
在步骤ST305中判定为计算出的差大于雷达判定用阈值的情况(在步骤ST305中为“否”的情况)下，监视部14判定为从毫米波雷达22获取到的距离信息的可靠度降低，并且将距离信息的可靠度降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12，以使得控制量推导部12输出步骤ST303中第二控制量推导部122推导出的第二自动驾驶控制量。选择部123选择第二自动驾驶控制量，并将其输出到车辆控制部3(步骤ST306)。
在步骤ST305中判定为计算出的差在雷达判定用阈值以下的情况(在步骤ST305中为“是”的情况)下，监视部14判定为从毫米波雷达22获取到的距离信息的可靠度没有降低，并且将距离信息的可靠度未降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12，以使得控制量推导部12输出在步骤ST302中第一控制量推导部121推导出的第一自动驾驶控制量。选择部123选择第一自动驾驶控制量，并将其输出到车辆控制部3(步骤ST307)。
当进行步骤ST306或步骤ST307的动作时，自动驾驶控制装置1的动作返回到步骤ST301，并重复以后的动作。
对于上述说明的动作，当在步骤ST302中推导第一自动驾驶控制量时，第一控制量推导部121不需要使用在之前的步骤ST301中信息获取部11获取到的拍摄图像和距离信息。例如，信息获取部11可以将获取到的车辆周边信息预先存储在存储部(省略图示)中，并且第一控制量推导部121可以使用存储在存储部中的、在之前的步骤ST301之前信息获取部11获取到的拍摄图像和距离信息，来对第一自动驾驶控制量进行推导。
另外，当在步骤ST303中推导第二自动驾驶控制量时，第二控制量推导部122不需要使用在之前的步骤ST301中信息获取部11获取到的拍摄图像。例如，第二控制量推导部122可以使用存储在存储部中的、在之前的步骤ST301之前信息获取部11获取到的拍摄图像来对第二自动驾驶控制量进行推导。
如上所述，实施方式1所涉及的自动驾驶控制装置1对从毫米波雷达22输出的距离信息的可靠度是否降低进行判定，在判定为距离信息的可靠度降低的情况下，能够不使用从毫米波雷达22输出的距离信息，而继续实施自动驾驶控制量的推导。
另外，即使在判定为从毫米波雷达22获取到的距离信息的可靠度降低的情况下，自动驾驶控制装置1也能够继续车辆100的自动驾驶，但自动驾驶的水平可能降低。即，由于第二控制量推导部122用于自动驾驶控制量的推导的车辆周边信息的数量小于第一控制量推导部121，因此可能产生推导水平的差异。
具体而言，例如，可能产生如下这样的推导水平的差异：第一控制量推导部121能够对用于进行拥挤时的车道变更等复杂控制的自动驾驶控制量进行推导，与此相对地，第二控制量推导部122只能进行用于进行保持行驶中的车道的行驶的自动驾驶控制量的推导。
然而，在不考虑从毫米波雷达22输出的距离信息的可靠度会降低的情况下，更具体而言，在自动驾驶控制装置1构成为仅包括第一控制量推导部121的情况下，当距离信息的可靠度降低时，自动驾驶无法正常地继续的可能性较高。对此，实施方式1所涉及的自动驾驶控制装置1包括第二控制量推导部122，第二控制量推导部122能够基于从摄像头21获取到的拍摄图像和第二机器学习模型132来对第二自动驾驶控制量进行推导。在从毫米波雷达22输出的距离信息的可靠度降低的情况下，使用第二控制量推导部122推导出的第二自动驾驶控制量来控制车辆100的自动驾驶。其结果是，即使在从多个传感器获取到的多个车辆周边信息中的任意车辆周边信息的可靠性降低的情况下，尽管水平相对较低但也能够继续进行车辆100的自动驾驶。
在以上的实施方式1中，在自动驾驶控制装置1中，在监视部14对距离信息的可靠度是否降低进行判定(参照图3的步骤ST305)之前，第一控制量推导部121和第二控制量推导部122分别进行第一自动驾驶控制量和第二自动驾驶控制量的推导(参照图3的步骤ST302和步骤ST303)。然而，这只不过是一个示例，第一控制量推导部121或第二控制量推导部122可以通过接收监视部14所进行的距离信息的可靠度是否降低的判定，来进行自动驾驶控制量的推导。具体而言，例如，在由监视部14判定为距离信息的可靠度降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第二自动驾驶控制量。在控制量推导部12被控制部15控制为输出第二自动驾驶控制量的情况下，第二控制量推导部122对第二自动驾驶控制量进行推导。另一方面，在由监视部14判定为距离信息的可靠度没有降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第一自动驾驶控制量。在控制量推导部12被控制部15控制为输出第一自动驾驶控制量的情况下，第一控制量推导部121对第一自动驾驶控制量进行推导。控制量推导部12基于控制部15的控制，将第一控制量推导部121推导出的第一自动驾驶控制量或第二控制量推导部122推导出的第二自动驾驶控制量输出到车辆控制部3。在这样构成的情况下，自动驾驶控制装置1能够不包括选择部123。
另外，在以上的实施方式1中，多个车辆周边信息是拍摄图像和距离信息这两个，并且，由于是以仅距离信息较容易产生问题为前提的，因此，作为多个车辆周边信息中任意车辆周边信息的可靠度降低时的机器学习模型，仅具备将拍摄图像作为输入的第二机器学习模型132。但是，在多个车辆周边信息中，有时也存在多个应该考虑可靠度降低的可能性的车辆周边信息。在该情况下，设为包括将去除了应考虑该可靠度降低的可能性的多个车辆周边信息的任一个而得到的车辆周边信息作为输入来进行推导的第二机器学习模型、以及将去除了应考虑可靠性降低的可能性的多个车辆周边信息的任意多个组合而得到的车辆周边信息作为输入来进行推导的第二机器学习模型。
如上所述，根据实施方式1，自动驾驶控制装置1构成为包括：信息获取部11，该信息获取部11获取分别从多个传感器(摄像头21、毫米波雷达22)输出的多个车辆周边信息；控制量推导部12，该控制量推导部12基于信息获取部11获取到的多个车辆周边信息以及机器学习模型13来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部14，该监视部14对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部15，该控制部15在由监视部14判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部12，以使得控制量推导部12输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
更具体地说，在实施方式1所涉及的自动驾驶控制装置1中，控制量推导部12包含：第一控制量推导部121，该第一控制量推导部121基于信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131对第一自动驾驶控制量进行推导；以及第二控制量推导部122，该第二控制量推导部122基于信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132对第二自动驾驶控制量进行推导，在由监视部14判定为多个车辆周边信息中、除了被输入到第二机器学习模型132的多个车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12，以使得控制量推导部12输出第二自动驾驶控制量。因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
实施方式2.
实施方式1中，作为前提，从多个传感器中的一个或多个传感器输出的车辆周边信息实质上不会产生问题，另一方面，从多个传感器中的另一个或多个传感器输出的车辆周边信息较容易产生问题。具体而言，实施方式1中，作为前提，包含在传感器中的摄像头21和毫米波雷达22中，从摄像头21输出的拍摄图像实质上不产生问题，另一方面，从毫米波雷达22输出的距离信息较容易产生问题。
在实施方式2中，假定多个传感器中至少一个是摄像头21的情况。然后，将说明这样的实施方式：在以多个传感器的所有传感器均发生故障的可能性都低到能忽略的程度、而另一方面对于从摄像头21输出的拍摄图像例如由于气象的影响较容易产生问题为前提下，即使在该拍摄图像的可靠度降低的情况下，自动驾驶控制装置1也进行适于车辆100的自动驾驶控制的自动驾驶控制量的推导。
实施方式2所涉及的自动驾驶控制装置1a与实施方式1所涉及的自动驾驶控制装置1同样地假设搭载于车辆100。
实施方式2中，如后述的图4那样，传感器是摄像头21和毫米波雷达22。如上所述，实施方式2中，作为前提，摄像头21、毫米波雷达22发生故障的可能性都低到能忽略的程度，而另一方面对于从摄像头21输出的拍摄图像例如由于天气的影响而较容易产生问题。
自动驾驶控制装置1a与实施方式1同样地，获取从摄像头21输出的拍摄图像和从毫米波雷达22输出的距离信息，以作为车辆周边信息。另外，在实施方式2中，在车辆100上搭载了GNSS(Global Navigation SatelliteSystem：全球导航卫星系统)23，自动驾驶控制装置1a获取从GNSS 23输出的与车辆100的当前位置有关的信息，以作为用于判定拍摄图像的可靠度是否降低的信息。
图4是表示实施方式2所涉及的自动驾驶控制装置1a的结构例的图。
关于实施方式2所涉及的自动驾驶控制装置1a，对与实施方式1中使用图2说明的自动驾驶控制装置1相同的结构标注相同的标号，省略重复的说明。实施方式2所涉及的自动驾驶控制装置1a的结构与实施方式1所涉及的自动驾驶控制装置1的结构的不同点在于包括气象判定部16。另外，控制量推导部12a的第二控制量推导部122a以及监视部14a的具体动作与实施方式1所涉及的自动驾驶控制装置1的第二控制量推导部122以及监视部14的具体动作不同。
如上所述，实施方式2中，作为前提，从摄像头21输出的拍摄图像较容易产生问题。因此，为了应对在拍摄图像的可靠度降低的情况，实施方式2所涉及的第二机器学习模型132a将信息获取部11从毫米波雷达22获取到的距离信息作为输入来输出第二自动驾驶控制量。第二控制量推导部122a基于信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132a来对第二自动驾驶控制量进行推导。
信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息作为车辆周边信息。信息获取部11将获取到的车辆周边信息输出到控制量推导部12a和监视部14a。
气象判定部16从GNSS23获取与车辆100的当前位置相关的信息。另外，气象判定部16经由因特网等网络从后述的云气象服务器5中获取气象信息。气象判定部16基于从GNSS23获取到的与车辆100的当前位置相关的信息、从云气象服务器5中获取到的气象信息，来判定车辆100周边的气象。气象判定部16例如对车辆100周边是否有雾或降水进行判定。
这里，气象判定部16判定的有雾的状态或有降水的状态是如从摄像头21输出的拍摄图像的可靠度降低到不适于自动驾驶控制量的推导的程度的大雾的状态或剧烈降水的状态。即使在摄像头21本身没有故障的情况下，在车辆100的周边有大雾或者剧烈降水的情况下，从摄像头21输出的摄影图像中，有时没有明确地拍摄到存在于车辆100的周边的其他车辆等，因此，这样的摄影图像不适于自动驾驶控制量的推导。
另外，成为气象判定部16判定是否有雾或降水的对象的车辆100周边例如预先决定为以车辆100当前位置为中心的周围1km以内。
云气象服务器5是用于发布与气象状况相关的信息的服务器。
气象判定部16将判定出的与车辆100周边的天气有关的信息输出到监视部14a。
监视部14a根据与从气象判定部16输出的气象相关的信息，对从摄像头21输出的摄影图像的可靠度是否降低进行判定。
具体而言，监视部14a例如在气象判定部16判定为车辆100周边有雾或降水的情况下，判定为从摄像头21获得的摄影图像的可靠度降低。
对实施方式2所涉及的自动驾驶控制装置1a的动作进行说明。
图5是用于说明实施方式2所涉及的自动驾驶控制装置1a的动作的流程图。
信息获取部11获取分别从多个传感器输出的多个车辆周边信息。具体而言，信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息作为车辆周边信息。另外，气象判定部16从GNSS23获取与车辆100的当前位置相关的信息(步骤ST501)。信息获取部11将获取到的车辆周边信息输出到控制量推导部12a和监视部14a。
控制量推导部12a的第一控制量推导部121基于在步骤ST501中信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131来对第一自动驾驶控制量进行推导。具体而言，第一控制量推导部121基于在步骤ST501中信息获取部11从摄像头21获取到的拍摄图像、在步骤ST501中信息获取部11从毫米波雷达22获取到的距离信息和第一机器学习模型131，来对第一自动驾驶控制量进行推导(步骤ST502)。第一控制量推导部121将推导出的第一自动驾驶控制量输出到选择部123。
控制量推导部12a的第二控制量推导部122a基于在步骤ST501中信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132a来对第二自动驾驶控制量进行推导。具体而言，第二控制量推导部122a基于在步骤ST501中信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132a来对第二自动驾驶控制量进行推导(步骤ST503)。
第二控制量推导部122a将推导出的第二自动驾驶控制量输出到选择部123。
气象判定部16基于从GNSS23获取到的与车辆100的当前位置相关的信息、从云气象服务器5中获取到的气象信息，来判定车辆100周边的气象(步骤ST504)。气象判定部16将判定出的与车辆100周边的天气有关的信息输出到监视部14a。
监视部14a基于在步骤ST504中与从气象判定部16输出的气象相关的信息，对从摄像头21获得的摄影图像的可靠度是否降低进行判定。
具体而言，监视部14a基于与从气象判定部16输出的气象相关的信息，对例如在车辆100周边是否有雾或者降水进行判定(步骤ST505)。
在步骤ST505中，在判定为车辆100周边没有雾也没有降水的情况(步骤ST505为“否”的情况)下，监视部14a判定为从摄像头21获取到的拍摄图像的可靠度没有降低，将拍摄图像的可靠度没有降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12a，以使得控制量推导部12a输出在步骤ST502中第一控制量推导部121推导出的第一自动驾驶控制量。选择部123选择第一自动驾驶控制量，并将其输出到车辆控制部3(步骤ST506)。
在步骤ST505中，在判定为车辆100周边有雾或降水的情况(步骤ST505为“是”的情况)下，监视部14a判定为从摄像头21获取到的拍摄图像的可靠度降低，将表示拍摄图像的可靠度降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12a，以使得控制量推导部12a输出步骤ST503中第二控制量推导部122a推导出的第二自动驾驶控制量。选择部123选择第二自动驾驶控制量，并将其输出到车辆控制部3(步骤ST507)。
当进行步骤ST506或步骤ST507的动作时，自动驾驶控制装置1a的动作返回到步骤ST501，并重复以后的动作。
关于以上说明的动作，气象判定部16从GNSS23获取与车辆100的当前位置相关的信息的处理(参照图5的步骤ST501)、以及气象判定部16基于从GNSS 23获取到的与车辆100的当前位置相关的信息和从云气象服务器5获取到的气象信息来判定车辆100周边的气象的处理(参照图5的步骤ST504、步骤ST505)，不必每次都进行。例如，在进行以上说明的步骤ST501～步骤ST507的处理的期间，也可以每分钟仅进行一次。在气象判定部16每次不进行基于车辆100的位置信息和气象信息来判定车辆100周边气象的处理的情况下，气象判定部16基于从云气象服务器5获取到的最新气象信息来判定车辆100周边的气象。
如上所述，在从摄像头21输出的拍摄图像的可靠度降低到不适于自动驾驶控制量的推导那样程度的、成为大雾的状态或者剧烈降水的状态那样的气象状况下，实施方式2所涉及的自动驾驶控制装置1a判定摄像头21拍摄到的拍摄图像的可靠度降低。当判定为拍摄图像的可靠性降低时，自动驾驶控制装置1a能够继续实施自动驾驶控制量的推导，而不使用从摄像头21输出的拍摄图像。
另外，在实施方式2中，用于获取车辆周边信息的多个传感器中至少有一个是摄像头21即可，除了摄像头21以外的传感器并不限于上述毫米波雷达22。
然而，作为除了摄像头21以外的传感器，需要使用在从摄像头21输出的拍摄图像的可靠度降低的气象条件下，从该传感器输出的车辆周边信息的可靠度不降低的传感器。
另外，在以上的实施方式2中，在自动驾驶控制装置1a中，在监视部14a对拍摄图像的可靠度是否降低进行判定(参照图5的步骤ST505)之前，第一控制量推导部121和第二控制量推导部122a分别进行第一自动驾驶控制量和第二自动驾驶控制量的推导(参照图5的步骤ST502和步骤ST503)。然而，这只不过是一个示例，第一控制量推导部121或第二控制量推导部122a可以通过接收监视部14a所进行的拍摄图像的可靠度是否降低的判定，来进行自动驾驶控制量的推导。具体而言，例如在由监视部14a判定为拍摄图像的可靠度降低的情况下，控制部15控制控制量推导部12a，以使得控制量推导部12a输出第二自动驾驶控制量。在控制量推导部12a被控制部15控制为输出第二自动驾驶控制量的情况下，第二控制量推导部122a对第二自动驾驶控制量进行推导。另一方面，在由监视部14a判定为拍摄图像的可靠度没有降低的情况下，控制部15控制控制量推导部12a，以使得控制量推导部12a输出第一自动驾驶控制量。在控制量推导部12a被控制部15控制为输出第一自动驾驶控制量的情况下，第一控制量推导部121对第一自动驾驶控制量进行推导。控制量推导部12a基于控制部15的控制，将第一控制量推导部121推导出的第一自动驾驶控制量或第二控制量推导部122推导出的第二自动驾驶控制量输出到车辆控制部3。在这样构成的情况下，自动驾驶控制装置1a能够不包括选择部123。
如上所述，根据实施方式2，自动驾驶控制装置1a构成为包括：信息获取部11，该信息获取部11获取分别从多个传感器(摄像头21、毫米波雷达22)输出的多个车辆周边信息；控制量推导部12a，该控制量推导部12a基于信息获取部11获取到的多个车辆周边信息以及机器学习模型13a来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部14a，该监视部14a对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部15，该控制部15在由监视部14a判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部12a，以使得控制量推导部12a输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13a来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1a中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
更详细地，在实施方式2所涉及的自动驾驶控制装置1a中，控制量推导部12a包含：第一控制量推导部121，该第一控制量推导部121基于信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131对第一自动驾驶控制量进行推导；以及第二控制量推导部122a，该第二控制量推导部122a基于信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132a对第二自动驾驶控制量进行推导，在由监视部14a判定为多个车辆周边信息中、除了被输入到第二机器学习模型132a的多个车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12a，以使得控制量推导部12a输出第二自动驾驶控制量。因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13a来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1a中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
实施方式3.
在实施方式2中，假定多个传感器中至少一个是摄像头21的情况。而且，作为前提，多个传感器所有传感器均发生故障的可能性都低到能忽略的程度，而另一方面对于从摄像头21输出的拍摄图像例如由于气象的影响较容易产生问题。然后，说明了下述实施方式：自动驾驶控制装置1a基于车辆100周边的气象，对从摄像头21输出的拍摄图像的可靠度是否降低进行判定，即使在该拍摄图像的可靠度降低的情况下，也进行适于车辆100的自动驾驶控制的自动驾驶控制量的推导。
在实施方式3中，说明自动驾驶控制装置1b以与实施方式2不同的方法，对从摄像头21输出的拍摄图像的可靠度是否降低进行判定的实施方式。
实施方式3所涉及的自动驾驶控制装置1b与实施方式1所涉及的自动驾驶控制装置1同样地假设搭载于车辆100。
实施方式3中，如后述的图6所示那样，传感器是摄像头21和毫米波雷达22。如上所述，实施方式3中，作为前提，摄像头21、毫米波雷达22发生故障的可能性都低到能忽略的程度，而另一方面对于从摄像头21输出的拍摄图像则较容易产生问题。
图6是表示实施方式3所涉及的自动驾驶控制装置1b的结构例的图。
关于实施方式3所涉及的自动驾驶控制装置1b，对与实施方式1中使用图2说明的自动驾驶控制装置1相同的结构标注相同的标号，省略重复的说明。在实施方式3所涉及的自动驾驶控制装置1b中，控制量推导部12b的第2控制量推导部122b以及监视部14b的具体动作与实施方式1所涉及的自动驾驶控制装置1的第2控制量推导部122以及监视部14的具体动作不同。
如上所述，实施方式3中，作为前提，从摄像头21输出的拍摄图像较容易产生问题。因此，为了应对在拍摄图像的可靠度降低的情况，实施方式3所涉及的第二机器学习模型132b将信息获取部11从毫米波雷达22获取到的距离信息作为输入来输出第二自动驾驶控制量。第二控制量推导部122b基于信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132b来对第二自动驾驶控制量进行推导。
监视部14b基于信息获取部11获取到的拍摄图像的亮度，对该拍摄图像的可靠度是否降低进行判定。
具体而言，例如，在信息获取部11获取到的拍摄图像的各像素的亮度的最大值在预设的阈值(以下称为“亮度判定用阈值”)以下时，监视部14b判定为从摄像头21获得的拍摄图像的可靠度降低。在亮度判定用阈值中，例如预先设定亮度值，使得当拍摄图像的所有像素的亮度在该亮度判定用阈值以下时，整个拍摄图像成为暗到无法识别物体的图像。
这里，图7是用于说明实施方式3中像素的亮度不同的拍摄图像的一个示例的图。图7A是在拍摄图像的所有像素具有足以识别该拍摄图像中的物体的亮度的情况下的拍摄图像的一个示例，图7B是在拍摄图像的所有像素具有使得图像暗到无法识别该拍摄图像中的物体的亮度的情况下的拍摄图像的一个示例，图7C是在拍摄图像的所有像素具有使得图像亮到无法识别该拍摄图像中的物体的亮度的情况下的拍摄图像的一个示例。
例如，在拍摄图像中，在将全黑像素的亮度设为“0”、将全白像素的亮度设为“255”的情况下，对亮度判定用阈值设定“5”。
此外，如图7C所示，即使拍摄图像过亮，也无法识别拍摄图像中的物体。因此，例如，在亮度判定用阈值中，可以预先设定亮度值，使得当拍摄图像的所有像素的亮度在该亮度判定用阈值以上时，整个拍摄图像成为亮到无法识别物体的图像。此时，监视部14b在信息获取部11获取到的拍摄图像的各像素的亮度的最小值在亮度判定用阈值以上的情况下，判定为从摄像头21获得的拍摄图像的可靠度降低。例如，在拍摄图像中，在将全黑像素的亮度设为“0”、将全白像素的亮度设为“255”的情况下，对亮度判定用阈值设定“250”。
对实施方式3所涉及的自动驾驶控制装置1b的动作进行说明。
图8是用于说明实施方式3所涉及的自动驾驶控制装置1b的动作的流程图。
信息获取部11获取分别从多个传感器输出的多个车辆周边信息。具体而言，信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息以作为车辆周边信息(步骤ST801)。信息获取部11将获取到的车辆周边信息输出到控制量推导部12b和监视部14b。
控制量推导部12b的第一控制量推导部121基于在步骤ST801中信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131来对第一自动驾驶控制量进行推导。具体而言，第一控制量推导部121基于在步骤ST801中信息获取部11从摄像头21获取到的拍摄图像、在步骤ST801中信息获取部11从毫米波雷达22获取到的距离信息和第一机器学习模型131，来对第一自动驾驶控制量进行推导(步骤ST802)。第一控制量推导部121将推导出的第一自动驾驶控制量输出到选择部123。
控制量推导部12的第二控制量推导部122b基于在步骤ST801中信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132b来对第二自动驾驶控制量进行推导。具体而言，第二控制量推导部122b基于在步骤ST801中信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132b来对第二自动驾驶控制量进行推导(步骤ST803)。第二控制量推导部122b将推导出的第二自动驾驶控制量输出到选择部123。
监视部14b对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定。具体而言，首先，监视部14b在步骤ST801中信息获取部11获取从摄像头21获取到的拍摄图像(步骤ST804)。
监视部14b对在步骤ST804中对获取到的拍摄图像的各像素的亮度的最大值是否在亮度判定用阈值以下进行判定(步骤ST805)。
在步骤ST805中，在判定为拍摄图像中的像素的亮度的最大值大于亮度判定用阈值的情况(步骤ST805为“否”的情况)下，监视部14b判定为从摄像头21获取到的拍摄图像的可靠度没有降低，将拍摄图像的可靠度未降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12b，以使得控制量推导部12b输出在步骤ST802中第一控制量推导部121推导出的第一自动驾驶控制量。选择部123选择第一自动驾驶控制量，并将其输出到车辆控制部3(步骤ST806)。
在步骤ST805中，在判定为图像中的像素的亮度的最大值在亮度判定用阈值以下的情况(步骤ST805为“是”的情况)下，监视部14b判定为从摄像头21获取到的拍摄图像的可靠度降低，将拍摄图像的可靠度降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12b，以使得控制量推导部12b输出步骤ST803中第二控制量推导部122b推导出的第二自动驾驶控制量。选择部123选择第二自动驾驶控制量，并将其输出到车辆控制部3(步骤ST807)。
当进行步骤ST806或步骤ST807的动作时，自动驾驶控制装置1b的动作返回到步骤ST801，并重复以后的动作。
如上所述，在从摄像头21输出的拍摄图像是具有该拍摄图像的可靠度降低到不适于自动驾驶控制量的推导那样的、无法识别拍摄图像中的物体的亮度的拍摄图像时，实施方式3所涉及的自动驾驶控制装置1b判定摄像头21拍摄到的拍摄图像的可靠度降低。在判定为拍摄图像的可靠性降低的情况下，自动驾驶控制装置1b可以不使用拍摄图像而继续实施自动驾驶控制量的推导。具有无法识别拍摄图像中的物体的亮度的拍摄图像是指，例如在漆黑的状况下、在摄像头21的曝光校正功能不佳的状况下、或者在摄像头21前有遮挡物而无法拍摄的状况下拍摄而得到的拍摄图像。在这种情况下，自动驾驶控制装置1b从摄像头21获取的拍摄视频例如是暗到无法识别拍摄图像中的物体的图像，或者是亮到无法识别拍摄图像中的物体的图像。
另外，在实施方式3中，用于获取车辆周边信息的多个传感器中至少有一个是摄像头21即可，除了摄像头21以外的传感器并不限于上述毫米波雷达22。
如上所述，根据实施方式3，自动驾驶控制装置1b构成为包括：信息获取部11，该信息获取部11获取分别从多个传感器(摄像头21、毫米波雷达22)输出的多个车辆周边信息；控制量推导部12b，该控制量推导部12b基于信息获取部11获取到的多个车辆周边信息以及机器学习模型13b来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部14b，该监视部14b对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部15，该控制部15在由监视部14b判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部12b，以使得控制量推导部12b输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13b来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1b中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
更详细地，在实施方式3所涉及的自动驾驶控制装置1b中，控制量推导部12b包含：第一控制量推导部121，该第一控制量推导部121基于信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131对第一自动驾驶控制量进行推导；以及第二控制量推导部122b，该第二控制量推导部122b基于信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132b对第二自动驾驶控制量进行推导，在由监视部14b判定为多个车辆周边信息中、除了被输入到第二机器学习模型132b的多个车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12b，以使得控制量推导部12b输出第二自动驾驶控制量。因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13b来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1b中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
实施方式4.
实施方式2和实施方式3中，作为前提，假设多个传感器中至少有一个是摄像头21的情况，多个传感器的每一个发生故障的可能性都低到能忽略的程度，而另一方面，从摄像头21输出的拍摄图像比较容易产生问题。然后，说明了下述实施方式：自动驾驶控制装置1a、1b基于车辆100周边的气象或拍摄图像的像素的亮度，对从摄像头21输出的拍摄图像的可靠度是否降低进行判定，即使在该拍摄图像的可靠度降低的情况下，也进行适于车辆100的自动驾驶控制的自动驾驶控制量的推导。
在实施方式4中，说明自动驾驶控制装置1c以与实施方式2和实施方式3不同的方法，对从摄像头21输出的拍摄图像的可靠度是否降低进行判定的实施方式。
实施方式4所涉及的自动驾驶控制装置1c与实施方式1～实施方式3所涉及的自动驾驶控制装置1同样地假设搭载于车辆100。
实施方式4中，如后述的图9所示那样，传感器是摄像头21和毫米波雷达22。实施方式4也与实施方式2和实施方式3同样地，作为前提，摄像头21、毫米波雷达22发生故障的可能性都低到能忽略的程度，而另一方面对于从摄像头21输出的拍摄图像则较容易产生问题。
自动驾驶控制装置1c与实施方式1～3同样地，获取从摄像头21输出的拍摄图像和从毫米波雷达22输出的距离信息，以作为车辆周边信息。另外，在实施方式4中，自动驾驶控制装置1c从车辆行驶传感器24输出的、用于判定车辆100是否正在行驶的信息(以下称为“车辆行驶信息”)。在实施方式4中，“车辆100正在行驶”与“车辆100正在移动”同义。“车辆100正在移动”与“车辆100的速度不是‘0’”同义。
车辆行驶传感器24输出车辆行驶信息。车辆行驶传感器24输出能够判定车辆100是否正在行驶的信息即可，车辆行驶传感器24例如可以是获取车轮的旋转数的传感器，也可以是获取与车辆100的当前位置相关的信息的GNSS等。
另外，后述的行驶判定部17基于从车辆行驶传感器24输出的车辆行驶信息进行车辆100是否正在行驶的判定。
图9是表示实施方式4所涉及的自动驾驶控制装置1c的结构例的图。
关于实施方式4所涉及的自动驾驶控制装置1c，对与实施方式1中使用图2说明的自动驾驶控制装置1相同的结构标注相同的标号，省略重复的说明。实施方式4所涉及的自动驾驶控制装置1c的结构与实施方式1所涉及的自动驾驶控制装置1的结构的不同点在于包括行驶判定部17。另外，在实施方式4所涉及的自动驾驶控制装置1c中，控制量推导部12c的第2控制量推导部122c以及监视部14c的具体动作与实施方式1所涉及的自动驾驶控制装置1的第2控制量推导部122以及监视部14的具体动作不同。
如上所述，实施方式4中，作为前提，从摄像头21输出的拍摄图像较容易产生问题。因此，为了应对在拍摄图像的可靠度降低的情况，实施方式4所涉及的第二机器学习模型132c将信息获取部11从毫米波雷达22获取到的距离信息作为输入来输出第二自动驾驶控制量。第二控制量推导部122c基于信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132c来对第二自动驾驶控制量进行推导。
信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息作为车辆周围信息。信息获取部11将获取到的车辆周边信息输出到控制量推导部12c和监视部14c。
行驶判定部17基于从车辆行驶传感器24获取到的车辆行驶信息，对车辆100是否正在行驶进行判定。
行驶判定部17将判定出的车辆100是否正在行驶的信息输出到监视部14c。
监视部14c基于从行驶判定部17获取到的车辆100是否正在行驶的信息和从信息获取部11获取到的拍摄图像，对拍摄图像的可靠度是否降低进行判定。具体而言，监视部14c对车辆100是否正在行驶、且在从摄像头21获取到的拍摄图像中所拍摄的车辆100周边的风景是否没有发生变化进行判定。监视部14c基于从信息获取部11c获取到的拍摄图像和存储部中存储的拍摄图像，来对在摄影图像中所拍摄的风景是否没有发生变化进行判定。例如，监视部14c以像素为单位来比较从信息获取部11获取到的摄影图像(设为“第1拍摄图像”)、和最近存储在存储部中的拍摄图像(设为“第2拍摄图像”)，在比较的结果是满足预定的比较条件的情况下，判定为在第一拍摄图像中所拍摄的风景没有变化。所谓预定的比较条件，例如是第一拍摄图像和第二拍摄图像的各像素的像素值之差的绝对值的平均在预定的阈值以下。另外，这只不过是一个示例，比较条件可以被设定为能够判定为第一拍摄图像和第二拍摄图像相同的条件。在实施方式4中，第一拍摄图像和第2拍摄图像相同，但并不限于完全相同，也包括基本相同。
监视部14c在车辆100正在行驶、且在拍摄图像中所拍摄的车辆100周边的风景没有发生变化的情况下，判定为拍摄图像的可靠度降低。
在车辆100正在行驶的情况下，假设在拍摄图像中所拍摄的风景发生变化。因此，无论车辆100是否正在行驶，在拍摄图像中所拍摄的风景没有发生变化意味着拍摄图像的可靠度降低。
另外，在实施方式4中，在自动驾驶控制装置1c中，信息获取部11将从摄像头21获取到的拍摄图像存储在存储部中。监视部14c基于从信息获取部11获取到的拍摄图像和存储部中存储的拍摄图像，来对在拍摄图像中所拍摄的风景是否没有发生变化进行判定。
对实施方式4所涉及的自动驾驶控制装置1c的动作进行说明。
图10是用于说明实施方式4所涉及的自动驾驶控制装置1c的动作的流程图。
信息获取部11获取分别从多个传感器输出的多个车辆周边信息。具体而言，信息获取部11获取摄像头21拍摄到的拍摄图像和毫米波雷达22测量出的距离信息作为车辆周边信息。另外，行驶判定部17从车辆行驶传感器24获取车辆行驶信息(步骤ST1001)。信息获取部11将获取到的车辆周边信息输出到控制量推导部12c和监视部14c。
控制量推导部12c的第一控制量推导部121基于在步骤ST1001中信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131来对第一自动驾驶控制量进行推导。具体而言，第一控制量推导部121基于在步骤ST1001中信息获取部11从摄像头21获取到的拍摄图像、在步骤ST1001中信息获取部11从毫米波雷达22获取到的距离信息和第一机器学习模型131，来对第一自动驾驶控制量进行推导(步骤ST1002)。第一控制量推导部121将推导出的第一自动驾驶控制量输出到选择部123。
控制量推导部12c的第二控制量推导部122c基于在步骤ST1001中信息获取部11c获取到的多个车辆周边信息的一部分和第二机器学习模型132c来对第二自动驾驶控制量进行推导。具体而言，第二控制量推导部122c基于在步骤ST1001中信息获取部11从毫米波雷达22获取到的距离信息和第二机器学习模型132c来对第二自动驾驶控制量进行推导(步骤ST1003)。
第二控制量推导部122c将推导出的第二自动驾驶控制量输出到选择部123。
行驶判定部17基于从车辆行驶传感器24获取到的车辆行驶信息，对车辆100是否正在行驶进行判定(步骤ST1004)。行驶判定部17将判定出的车辆100是否正在行驶的信息输出到监视部14c。
监视部14c对过去从摄像头21获取到的拍摄图像是否存储在存储部进行判定(步骤ST1005)。
在步骤ST1005中，在被判定为拍摄图像存储在存储部的情况(步骤ST1005为“否”的情况)下，监视部14c判定为从摄像头21获取到的拍摄图像的可靠度没有降低，将拍摄图像的可靠度未降低的意思的监视结果信息输出到控制部15。自动驾驶控制装置1c的动作前进到步骤ST1007。
在步骤ST1005中，在判定为拍摄图像存储在存储部的情况(步骤ST1005为“是”的情况)下，监视部14c基于在步骤ST1001中从信息获取部11输出的拍摄图像、以及在步骤ST1004中从行驶判定部17输出的车辆100是否正在行驶的信息，来对拍摄图像的可靠度是否降低进行判定。具体而言，监视部14c对车辆100是否正在行驶、且在拍摄图像中所拍摄的车辆100周边的风景是否没有发生变化进行判定。
在步骤ST1006中，在监视部14c判定为车辆100不是正在行驶的情况、或者判定为在拍摄图像中所拍摄的车辆100周边的风景发生了变化的情况(步骤ST1006为“否”的情况)下，监视部14c判定为从摄像头21获取到的拍摄图像的可靠度没有降低，将拍摄图像的可靠度未降低的意思的监视结果信息输出到控制部15。自动驾驶控制装置1c的动作前进到步骤ST1007。
在步骤ST1007中，控制部15控制控制量推导部12c，以使得控制量推导部12c输出在步骤ST1002中第一控制量推导部121推导出的第一自动驾驶控制量。选择部123选择第一自动驾驶控制量，并将其输出到车辆控制部3(步骤ST1007)。
另一方面，在步骤ST1006中，在判定为车辆100正在行驶、且在拍摄图像中所拍摄的车辆100周边的风景没有发生变化的情况(步骤ST1006为“是”的情况)下，监视部14c判定为从摄像头21获取到的拍摄图像的可靠度降低，将拍摄图像的可靠度降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12c，以使得控制量推导部12c输出步骤ST1003中第二控制量推导部122c推导出的第二自动驾驶控制量。选择部123选择第二自动驾驶控制量，并将其输出到车辆控制部3(步骤ST1008)。
当进行步骤ST1007或步骤ST1008的动作时，自动驾驶控制装置1c的动作返回到步骤ST1001，并重复以后的动作。
如上所述，实施方式4所涉及的自动驾驶控制装置1c在如不能正确地推导自动驾驶控制量那样的、只能获取无法适当拍摄行驶的车辆100中的车辆周边状况的摄影图像那样的状况的情况下，判定为从摄像头21获取到的摄影图像的可靠度降低。当判定为拍摄图像的可靠性降低时，自动驾驶控制装置1c能够继续实施自动驾驶控制量的推导，而不使用从摄像头21输出的拍摄图像。
另外，在实施方式4中，用于获取车辆周边信息的多个传感器中至少有一个是摄像头21即可，除了摄像头21以外的传感器并不限于上述毫米波雷达22。
如上所述，根据实施方式4，自动驾驶控制装置1c构成为包括：信息获取部11，该信息获取部11获取分别从多个传感器(摄像头21、毫米波雷达22)输出的多个车辆周边信息；控制量推导部12c，该控制量推导部12c基于信息获取部11获取到的多个车辆周边信息以及机器学习模型13c来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部14c，该监视部14c对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部15，该控制部15在由监视部14c判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部12c，以使得控制量推导部12c输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13c来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1c中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
更详细地，在实施方式4所涉及的自动驾驶控制装置1c中，控制量推导部12c包含：第一控制量推导部121，该第一控制量推导部121基于信息获取部11获取到的多个车辆周边信息的全部和第一机器学习模型131对第一自动驾驶控制量进行推导；以及第二控制量推导部122c，该第二控制量推导部122c基于信息获取部11获取到的多个车辆周边信息的一部分和第二机器学习模型132c对第二自动驾驶控制量进行推导，在由监视部14c判定为多个车辆周边信息中、除了被输入到第二机器学习模型132c的多个车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，控制部15控制控制量推导部12c，以使得控制量推导部12c输出第二自动驾驶控制量。因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13c来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1c中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
实施方式5.
在实施方式1所涉及的自动驾驶控制装置1中，在判定为从传感器输出的车辆周边信息的可靠度降低的情况下，也能够将表示该可靠度降低的信息输出到自动驾驶控制装置1的外部。
在实施方式5中，对自动驾驶控制装置1在判定为从传感器输出的车辆周边信息的可靠度降低的情况下，也能够将表示该可靠度降低的信息输出到自动驾驶控制装置1的外部的实施方式进行说明。
图11是表示实施方式5所涉及的自动驾驶控制装置1d的结构例的图。
关于实施方式5所涉及的自动驾驶控制装置1d，对与实施方式1中使用图2说明的自动驾驶控制装置1相同的结构标注相同的标号，省略重复的说明。实施方式5所涉及的自动驾驶控制装置1d的结构与实施方式1所涉及的自动驾驶控制装置1的结构的不同点在于包括通知控制部18。
在控制部15控制控制量推导部12以使得控制量推导部12输出第二自动驾驶控制量的情况下，通知控制部18输出表示多个车辆周边信息中的一部分的车辆周边信息的可靠性降低的通知信息。具体而言，在由监视部14判定为距离信息的可靠度降低、且控制部15控制控制量推导部12以使得控制量推导部12输出第二自动驾驶控制量时，通知控制部18输出表示从毫米波雷达22输出的距离信息的可靠度降低的通知信息。通知控制部18将通知信息输出到经由网络连接到自动驾驶控制装置1d的输出装置(省略图示)。输出装置例如是搭载于车辆100上的汽车导航系统所具备的显示器。通知控制部18使显示器显示通知信息。
在实施方式4中，在由监视部14判定为除了多个车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，控制部15进行控制以输出第二自动驾驶控制量，并且将表示车辆周边信息的可靠度降低的信息输出到通知控制部18。
这里，图12和图13是表示实施方式5中通知控制部18显示通知信息的显示器的图像例的图。
例如，如图12所示，通知控制部18使显示器显示“毫米波雷达无法使用”的消息，作为表示从毫米波雷达22输出的距离信息的可靠度降低的信息(参照图12的1201)如上所述，表示距离信息的可靠度降低的信息例如包含输出可靠度降低的车辆周边信息的传感器不可使用的意思的消息。
另外，例如，如图13所示，通知控制部18使显示器显示“当前车道变更功能无法使用”的消息，作为表示从毫米波雷达22输出的距离信息的可靠度降低的信息(参照图13的1301)。如上所述，表示距离信息的可靠度降低的信息例如包含通知由于有被判定为可靠度降低的车辆周边信息而不能用于车辆100的自动驾驶控制的功能的消息。例如，在从毫米波雷达22输出的距离信息在车辆100的自动驾驶的控制中不能使用的情况下，无法进行车道变更。
对实施方式5所涉及的自动驾驶控制装置1d的动作进行说明。
自动驾驶控制装置1d的动作与实施方式1中使用图3说明的动作基本上相同，因此省略流程图的图示。
在步骤ST305中，在判定为在步骤ST304中获取到的基准距离、与基于在步骤ST301中信息获取部11从毫米波雷达22获取到的距离信息而得的从车辆100到该物体的距离之差大于雷达判定用阈值的情况(在步骤ST305中为“否”的情况)下，监视部14判定为从毫米波雷达22获取到的距离信息的可靠度降低，将距离信息的可靠度降低的意思的监视结果信息输出到控制部15。
控制部15控制控制量推导部12，以使得控制量推导部12输出在步骤ST303中第二控制量推导部122推导出的第二自动驾驶控制量，将表示车辆周边信息的可靠度降低的信息输出到通知控制部18。通知控制部18输出表示多个车辆周边信息中一部分车辆周边信息的可靠度降低的通知信息。
如上所述，实施方式5所涉及的自动驾驶控制装置1d中，在控制部15控制控制量推导部12以使得控制量推导部12输出第二自动驾驶控制量的情况下，通知控制部18输出表示多个车辆周边信息中的一部分的车辆周边信息的可靠性降低的通知信息。由此，自动驾驶控制装置1d能够将一部分车辆周边信息的可靠度降低的情况通知给车辆100的驾驶员等。当驾驶员等确认一部分车辆周边信息的可靠度降低时，例如确认毫米波雷达22的天线是否没有脏污，如果天线脏污，则进行清洁。或者，驾驶员等修理毫米波雷达22。
另外，在实施方式5所涉及的自动驾驶控制装置1d中，通知控制部18例如在输出图13所示的通知信息的情况下，能够向驾驶员等通知所能推导的自动驾驶的功能发生了变更的情况。由此，自动驾驶控制装置1d能够使驾驶员等掌握到不能使用所期望的自动驾驶功能，从而防止驾驶员等对所期望的自动驾驶的功能不能使用感到困惑。如上所述，虽然通知控制部18也能够输出如图12所示的通知信息，但是如图13所示，通知自动驾驶控制中的功能降低，对于驾驶员等来说，能够具体地掌握自动驾驶的哪个功能不能使用。
在以上的实施方式5中，作为一个示例，通知控制部18输出通知信息的输出装置是汽车导航系统所具备的显示器，但这只是一个示例。例如，通知控制部18输出通知信息的输出装置可以是仪表板，通知控制部18可以以消息或图标等的方式显示通知信息。另外，通知控制部18并不限于显示通知信息，还可以通过声音输出通知信息。具体而言，例如，可以将输出装置设为扬声器等声音输出装置，通知控制部18可以从声音输出装置输出通知信息。通知控制部18可以以自动声音的方式输出通知信息，也可以简单地以蜂鸣器声音的方式输出通知信息。另外，通知控制部18可以将通知信息作为消息显示在显示器上，并且作为声音或蜂鸣器声音输出。
另外，也可以将以上说明的实施方式5所涉及的自动驾驶控制装置1d的结构应用于上述实施方式2～4。即，在实施方式2所涉及的自动驾驶控制装置1a、实施方式3所涉及的自动驾驶控制装置1b、或者实施方式4所涉及的自动驾驶控制装置1c中，具备通知控制部18，通知控制部18也能够输出表示从摄像头21获取到的拍摄图像的可靠度降低的信息。
如上所述，根据实施方式5，自动驾驶控制装置1d除了实施方式1所涉及的自动驾驶控制装置1的结构以外，还包括通知控制部18，在控制部15控制控制量推导部12以使得控制量推导部12输出第二自动驾驶控制量的情况下，该通知控制部18输出表示多个车辆周边信息中的一部分的车辆周边信息的可靠度降低的通知信息。因此，在自动驾驶控制装置1d判定为从传感器输出的车辆周边信息的可靠度降低时，自动驾驶控制装置1d能够向驾驶员等通知该可靠度下降的情况。
实施方式6.
实施方式1～5所涉及的自动驾驶控制装置1～1d在对于从多个传感器输出的多个车辆周边信息并没有可靠度降低的车辆周边信息的情况下，使用第一机器学习模型131，在对于从多个传感器输出的多个车辆周边信息有可靠度降低的车辆周边信息的情况下，使用第二机器学习模型132、132a～132c。
然而，这些只不过是一个示例，对于从多个传感器输出的多个车辆周边信息，不管是在没有可靠度降低的车辆周边信息的情况下，还是在有可靠度降低的车辆周边信息的情况下，自动驾驶控制装置都能够使用相同的一个机器学习模型13。在实施方式6中，对自动驾驶控制装置在上述两种情况中的任一种情况下都使用相同的一个机器学习模型的实施方式进行说明。
图14是表示实施方式6所涉及的自动驾驶控制装置1e的结构例的图。
另外，这里，作为一个示例，将实施方式6所涉及的自动驾驶控制装置1e的结构及动作作为变更了实施方式1所涉及的自动驾驶控制装置1的结构及动作的一部分后的示例进行说明。然而，也可以通过变更实施方式2～5所涉及的自动驾驶控制装置1a～1d中的任意结构及动作的一部分来实现实施方式6所涉及的自动驾驶控制装置1e的结构及动作。
关于实施方式6所涉及的自动驾驶控制装置1e，对与实施方式1中使用图2说明的自动驾驶控制装置1相同的结构标注相同的标号，省略重复的说明。根据实施方式6所涉及的自动驾驶控制装置1e的结构与根据实施方式1所涉及的自动驾驶控制装置1的结构的不同点在于，控制量推导部12e不包括第一控制量推导部121、第二控制量推导部122和选择部123，机器学习模型13e不包括第一机器学习模型131和第二机器学习模型132。
另外，实施方式6所涉及的自动驾驶控制装置1e与实施方式1所涉及的自动驾驶控制装置1的控制部15e的动作不同。
控制部15e对信息获取部11获取到的多个车辆周边信息的全部赋予基于监视部14所进行的可靠度的判定结果而得到的信息有效标志。信息有效标志是表示各车辆周边信息是有效还是无效的信息。即，在某一车辆周边信息的可靠度没有降低的情况下，赋予表示该车辆周边信息有效的信息有效标志。另外，在某一车辆周边信息的可靠度降低的情况下，赋予表示该车辆周边信息无效的信息有效标志。
实施方式6中，如后述的图14所示那样，传感器与实施方式1的传感器同样地是摄像头21和毫米波雷达22。另外，实施方式6中，与实施方式1的前提同样地，摄像头21的拍摄图像实质上不产生问题，而另一方面，毫米波雷达22的距离信息较容易产生问题。
因此，具体而言，在由监视部14判定为从毫米波雷达22输出的距离信息的可靠度降低的情况下，控制部15e对从摄像头21输出的拍摄图像赋予信息有效标志“1”，并对从毫米波雷达22输出的距离信息赋予信息有效标志“0”。在实施方式6中，作为一个示例，在信息有效标志为“1”的情况下，表示被赋予了该信息标志的车辆周边信息的可靠度没有降低，在信息有效标志为“0”的情况下，表示被赋予了该信息有效标志的带标志的车辆周边信息的可靠度降低。
以下，将被赋予了信息有效标志的车辆周边信息称为“带有标志的车辆周边信息”。
控制部15e将对信息获取部11获取到的多个车辆周边信息的全部赋予信息有效标志而生成的带有多个标志的车辆周边信息输出到控制量推导部12e。
当从控制部15e获取多个带标志的车辆周边信息时，控制量推导部12e基于多个该带标志车辆周边信息的全部和机器学习模型13e来对自动驾驶控制量进行推导，并输出自动驾驶控制量。
机器学习模型13e将从控制部15e输出的多个带标志车辆周边信息全部作为输入，并输出自动驾驶控制量。机器学习模型13e是在多个带标志车辆周边信息中除去作为信息有效标志被赋予了“0”的车辆周边信息的影响，以能够对自动驾驶控制量进行推导的方式进行学习的模型。例如，这样的学习例如能够基于学习数据来进行,该学习数据是将能够输入到机器学习模型13e的多个带标志车辆周边信息、和仅基于多个该带标志车辆周边信息中有效的车辆周边信息而预先导出的理想的自动驾驶控制量的正确答案设为组而得到的。
控制量推导部12e基于上述机器学习模型13e和多个带标志车辆周边信息来对自动驾驶控制量进行推导，从而能够对除去了可靠性降低的车辆周围信息的影响后而得到的自动驾驶控制量进行推导，并输出该自动驾驶控制量。这里，所谓“除去了可靠度降低的车辆周边信息的影响”，不仅包含完全除去了可靠度降低的车辆周边信息的影响的状态，还包含在能够获取可继续进行自动驾驶控制的自动驾驶控制量的程度上可靠度降低的车辆周边信息的影响实质上被除去的状态。
对实施方式6所涉及的自动驾驶控制装置1e的动作进行说明。
图15是用于说明实施方式6所涉及的自动驾驶控制装置1e的动作的流程图。
图15中，步骤ST1501～步骤ST1502的具体动作分别与实施方式1中所说明的图3的步骤ST301、步骤ST304的具体动作相同，因此省略重复的说明。
监视部14进行从毫米波雷达22获取的距离信息的可靠度是否降低的判定处理(步骤ST1503)。具体而言，监视部14计算在步骤ST1502中获取到的基准距离、与基于在步骤ST1501中信息获取部11从毫米波雷达22获取到的距离信息而得到的从车辆100到该物体的距离之差，并对计算出的差是否在雷达判定用阈值以下进行判定(步骤ST1503)。步骤ST1503的具体动作与实施方式1中所说明的图3的步骤ST305的具体动作相同。
判定为所计算出的差大于雷达判定用阈值的情况下，监视部14判定为从毫米波雷达22获取到的距离信息的可靠度降低，并将距离信息的可靠度降低的意思的监视结果信息输出到控制部15e。
另一方面，在判定为所计算出的差在雷达判定用阈值以下的情况下，监视部14判定为从毫米波雷达22获取到的距离信息的可靠度没有降低，并将距离信息的可靠度未降低的意思的监视结果信息输出到控制部15e。
控制部15e基于步骤ST1503中监视部14判定出的判定结果，对车辆周边信息赋予信息有效标志(步骤ST1504)。具体而言，例如，在监视部14判定为从毫米波雷达22获取到的距离信息的可靠度降低的情况下，控制部15e对距离信息赋予信息有效标志“0”。控制部15e从监视部14取得距离信息即可。例如，在监视部14判定为从毫米波雷达22获取到的距离信息的可靠度没有降低的情况下，控制部15对距离信息赋予信息有效标志“1”。
在实施方式6中，与实施方式1的前提同样地，摄像头21的拍摄图像实质上不会产生问题，因此，控制部15e对拍摄图像始终赋予信息有效标志“1”。
控制部15e将带标志车辆周边信息输出到控制量推导部12e。
控制量推导部12e基于从控制部15e输出的带标志车辆周边信息和机器学习模型13e来对车辆100的自动驾驶控制量进行推导(步骤ST1505)。然后，控制量推导部12e将基于推导出的自动驾驶控制量的车辆控制信息输出到车辆控制部3(步骤ST1506)。
如上所述，自动驾驶控制装置1e中也能够仅包括一个控制量推导部12e和机器学习模型13e。由此，不需要准备与所输入的车辆周边信息的数量相对应的多个机器学习模型，与预先准备与车辆周边信息的数量相对应的多个机器学习模型的情况相比，能够以更简单的结构进行自动驾驶控制量的推导。
此外，当进行自动驾驶控制量的推导时，自动驾驶控制装置1e对车辆周边信息赋予信息有效标志，从而能够判别车辆周边信息对于用于自动驾驶控制量的推导是否有效。因此，即使在从多个传感器中的一个或多个传感器输出的车辆周边信息的可靠度降低的情况下，自动驾驶控制装置1e也能够对能用于车辆100的自动驾驶控制的自动控制量进行推导。
如上所述，根据实施方式6，自动驾驶控制装置1e构成为包括：信息获取部11，该信息获取部11获取分别从多个传感器(摄像头21、毫米波雷达22)输出的多个车辆周边信息；控制量推导部12e，该控制量推导部12e基于信息获取部11获取到的多个车辆周边信息以及机器学习模型13来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；监视部14，该监视部14对信息获取部11获取到的多个车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及控制部15e，该控制部15e在由监视部14判定为多个车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制控制量推导部12e，以使得控制量推导部12e输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1e中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。
更详细地，在实施方式6所涉及的自动驾驶控制装置1e中，控制部15e对信息获取部11获取到的多个车辆周边信息的全部，基于监视部14所进行的可靠度的判定结果来赋予信息有效标志，控制量推导部12e基于由控制部15e赋予了信息有效标志的多个车辆周边信息的全部和机器学习模型13e，对自动驾驶控制量进行推导，并输出该自动驾驶控制量。因此，在基于分别从多个传感器输出的多个车辆周边信息和机器学习模型13e来对自动驾驶控制量进行推导并输出的自动驾驶控制装置1e中，即使在多个该车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，也能够输出适于车辆100的自动驾驶控制的自动驾驶控制量。另外，与根据车辆周边信息的种类而预先准备机器学习模型13e的情况相比，能够以更简单的结构进行自动驾驶控制量的推导。
图16A、图16B是表示实施方式1～实施方式6所涉及的自动驾驶控制装置1～1e的硬件结构的一个示例的图。
在实施方式1～6中，信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18的功能通过处理电路1601来实现。即，自动驾驶控制装置1～1e包括处理电路1601，该处理电路1601进行用于控制车辆100的自动驾驶的自动驾驶控制量的推导。
处理电路1601可以如图16A所示那样是专用硬件，还可以如图16B所示那样是执行存储于存储器1606的程序的CPU(Central Processing Unit：中央处理单元)1605。
在处理电路1601是专用硬件的情况下，处理电路1601例如与单一电路、复合电路、程序化后的处理器、并联程序化后的处理器、ASIC(Application Specific IntegratedCircuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)或它们的组合相对应。
在处理电路1601是CPU1605的情况下，信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17和通知控制部18的功能通过软件、固件或软件与固件的组合来实现。即，信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18通过执行HDD(Hard DiskDrive：硬盘驱动器)1602、存储器1606等中存储的程序的CPU1605、系统LSI(Large-ScaleIntegration：大规模集成化)等处理电路来实现。另外，HDD1602、存储器1606等中存储的程序也可以说是使计算机执行信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18的步骤或方法的程序。此处，存储器1606例如可以是RAM、ROM(Read Only Memory：只读存储器)、闪存、EPROM(ErasableProgrammable Read Only Memory：可擦除可编程只读存储器)、EEPROM(ElectricallyErasable 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、以及磁盘、软盘、光盘、压缩磁盘、小型磁盘、DVD(Digital VersatileDisc：数字通用盘)等。
另外，关于信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18的功能，一部分通过专用硬件来实现，一部分可以通过软件或固件来实现。例如，对于信息获取部11，可以由作为专用硬件的处理电路1601来实现其功能，对于控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18，可以由处理电路1601读取并执行存储器1606中所存储的程序来实现其功能。
此外，自动驾驶控制装置1～1e具有输入接口装置1603和输出接口装置1604，用于与传感器、车辆控制部3或者输出装置等装置进行有线通信或无线通信。
另外，在以上的实施方式1～6中，自动驾驶控制装置1～1e作为搭载于车辆100上的车载装置，在自动驾驶控制装置1～1e中包括信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17和通知控制部18。
并不限于此，也可以将信息获取部11、控制量推导部12～12e、监视部14～14c、控制部15、15e、气象判定部16、行驶判定部17、通知控制部18中的一部分搭载于车辆100的车载装置上，将其他部分具备在与该车载装置经由网络连接的服务器中，由车载装置和服务器构成自动驾驶控制系统。
图17是表示使用图2所说明的实施方式1所涉及的自动驾驶控制装置1具备在服务器200中的自动驾驶控制系统的结构例的图。
在如图17中作为一个示例所示那样的自动驾驶控制系统中，自动驾驶控制装置1和车载装置经由通信装置101和通信装置201相连接。传感器获取到的车辆周围信息经由通信装置101和通信装置201发送到服务器200上的自动驾驶控制装置1。自动驾驶控制装置1基于从车载装置接收到的车辆周边信息来对自动驾驶控制量进行推导。然后，自动驾驶控制装置1推导出的自动驾驶控制量经由通信装置201和通信装置101而发送到搭载于车载装置上的车辆控制部3。车辆控制部3基于获取到的自动驾驶控制量来控制控制对象设备4。
这里，作为一个示例，自动驾驶控制装置1的所有功能具备在服务器200中，但是自动驾驶控制装置1的一部分功能也可以具备在服务器200中。例如，自动驾驶控制装置1的信息获取部11和监视部14可以具备在车载装置中，自动驾驶控制装置1的其他功能也可以具备在服务器200中。
另外，图17中，作为一个示例，自动驾驶控制系统是实施方式1所涉及的自动驾驶控制装置1具备在服务器200中的系统，但该自动驾驶控制系统也可以是实施方式2～6所涉及的自动驾驶控制装置1a～1e中的任意自动驾驶控制装置具备在服务器200中的系统。在将自动驾驶控制系统设为实施方式2～6所涉及的自动驾驶控制装置1a～1e的任意自动驾驶控制装置具备在服务器200中的情况下，在图17所示的构成例中，服务器200中具备自动驾驶控制装置1a～1e的功能的一部分或全部。
另外，本发明申请可以在其发明的范围内对各实施方式进行自由组合，或对各实施方式的任意构成要素进行变形，或省略各实施方式中的任意的构成要素。
工业上的实用性
本发明所涉及的自动驾驶控制装置能够应用于进行车辆的自动驾驶控制的自动驾驶控制装置。
标号说明
1～1e 自动驾驶控制装置
11 信息获取部
12～12c、12e 控制量推导部
121 第一控制量推导部
122～122c 第二控制量推导部
123 选择部
13～13c、13e 机器学习模型
131 第一机器学习模型
132～132c 第二机器学习模型
14～14c 监视部
15、15e 控制部
16 气象判定部
17 行驶判定部
18 通知控制部
21 摄像头
22 毫米波雷达
23 GNSS
24 车辆行驶传感器
3 车辆控制部
4 控制设备
200 服务器
101、201 通信装置
1601 处理电路
1602 HDD
1603 输入接口装置
1604 输出接口装置
1605 CPU
1606 存储器。

Claims (14)

1.一种自动驾驶控制装置，其特征在于，包括：
信息获取部，该信息获取部获取分别从多个传感器输出的多个车辆周边信息；
控制量推导部，该控制量推导部基于所述信息获取部获取到的多个所述车辆周边信息以及机器学习模型来对自动驾驶控制量进行推导，并输出该自动驾驶控制量；
监视部，该监视部对所述信息获取部获取到的多个所述车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定；以及
控制部，该控制部在由所述监视部判定为多个所述车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制所述控制量推导部，从而使所述控制量推导部输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
2.如权利要求1所述的自动驾驶控制装置，其特征在于，
所述控制量推导部包含：第一控制量推导部，该第一控制量推导部基于所述信息获取部获取到的多个所述车辆周边信息的全部和第一机器学习模型对第一自动驾驶控制量进行推导；以及第二控制量推导部，该第二控制量推导部基于所述信息获取部获取到的多个所述车辆周边信息的一部分和第二机器学习模型对第二自动驾驶控制量进行推导，
在由所述监视部判定为多个所述车辆周边信息中、除了被输入到所述第二机器学习模型中的多个所述车辆周边信息的一部分以外的车辆周边信息的可靠度降低的情况下，所述控制部控制所述控制量推导部，以使得所述控制量推导部输出所述第二自动驾驶控制量。
3.如权利要求2所述的自动驾驶控制装置，其特征在于，
所述控制量推导部包括选择部，该选择部选择输出所述第一自动驾驶控制量和所述第二自动驾驶控制量中的任一个，
在所述控制量推导部被所述控制部控制从而输出所述第二自动驾驶控制量的情况下，所述选择部选择并输出所述第二自动驾驶控制量。
4.如权利要求2所述的自动驾驶控制装置，其特征在于，
在所述控制量推导部被所述控制部控制从而输出所述第二自动驾驶控制量的情况下，所述第二控制量推导部对所述第二自动驾驶控制量进行推导。
5.如权利要求1所述的自动驾驶控制装置，其特征在于，
对于所述信息获取部获取到的多个所述车辆周边信息的全部，所述控制部基于所述监视部所进行的可靠度的判定结果赋予信息有效标志，
所述控制量推导部基于由所述控制部赋予了所述信息有效标志的多个所述车辆周边信息的全部和所述机器学习模型，对所述自动驾驶控制量进行推导，并输出该自动驾驶控制量。
6.如权利要求1所述的自动驾驶控制装置，其特征在于，
多个所述传感器至少包含摄像头和毫米波雷达，
作为多个所述车辆周边信息，所述信息获取部至少获取所述摄像头拍摄到所述车辆周边存在的物体而得的拍摄图像、以及与所述毫米波雷达测量出的到所述物体的距离相关的距离信息，
在基于所述信息获取部获取到的拍摄图像所得的到所述物体的距离、与基于所述信息获取部获取到的距离信息所得的到所述物体的距离之差大于雷达判定用阈值时，所述监视部判定为从所述毫米波雷达获取到的距离信息的可靠度降低。
7.如权利要求1所述的自动驾驶控制装置，其特征在于，
多个所述传感器中的一个是摄像头，
作为多个所述车辆周边信息中的一个，所述信息获取部获取所述摄像头拍摄到车辆周边而得到的拍摄图像，
所述自动驾驶控制装置包括气象判定部，该气象判定部对车辆周边的气象进行判定，
所述监视部基于所述气象判定部判定出的气象，对从所述摄像头获取到的拍摄图像的可靠度是否降低进行判定。
8.如权利要求7所述的自动驾驶控制装置，其特征在于，
在所述气象判定部判定为所述车辆周边有雾或降水的情况下，所述监视部判定为从所述摄像头获取到的拍摄图像的可靠度降低。
9.如权利要求1述的自动驾驶控制装置，其特征在于，
多个所述传感器中的一个是摄像头，
作为多个所述车辆周边信息中的一个，所述信息获取部获取所述摄像头拍摄到车辆周边而得到的拍摄图像，
所述监视部基于所述信息获取部获取到的拍摄图像的亮度，对从所述摄像头获取到的拍摄图像的可靠度是否降低进行判定。
10.如权利要求1所述的自动驾驶控制装置，其特征在于，
多个所述传感器中的一个是摄像头，
作为多个所述车辆周边信息中的一个，所述信息获取部获取所述摄像头拍摄到车辆周边而得到的拍摄图像，
所述自动驾驶控制装置包括行驶判定部，该行驶判定部对车辆是否正在行驶进行判定，
在所述行驶判定部判定为所述车辆正在行驶、且在所述信息获取部获取到的拍摄图像中所拍摄的所述车辆周边的风景没有变化的情况下，所述监视部判定为从所述摄像头获取到的拍摄图像的可靠度降低。
11.如权利要求2所述的自动驾驶控制装置，其特征在于，
包括通知控制部，该通知控制部输出通知信息，该通知信息示出了在所述控制部控制所述控制量推导部以使得所述控制量推导部输出所述第二自动驾驶控制量的情况下、多个所述车辆周边信息中的一部分的车辆周边信息的可靠度降低的消息。
12.如权利要求11述的自动驾驶控制装置，其特征在于，
所述通知信息是输出被判定为所述可靠度降低的车辆周边信息的传感器不可使用的意思的消息。
13.如权利要求11述的自动驾驶控制装置，其特征在于，
所述通知信息是通知由于存在被判定为所述可靠度降低的车辆周边信息而不能在自动驾驶控制中使用的功能的消息。
14.一种自动驾驶控制方法，其特征在于，包括下述步骤：
信息获取部获取分别从多个传感器输出的多个车辆周边信息的步骤；
控制量推导部基于所述信息获取部获取到的多个所述车辆周边信息以及机器学习模型来对自动驾驶控制量进行推导，并输出该自动驾驶控制量的步骤；
监视部对所述信息获取部获取到的多个所述车辆周边信息中的任意车辆周边信息的可靠度是否降低进行判定的步骤；以及
控制部在由所述监视部判定为多个所述车辆周边信息中的任意车辆周边信息的可靠度降低的情况下，控制所述控制量推导部，从而使所述控制量推导部输出去除了被判定为该可靠度降低的车辆周边信息的影响而得到的自动驾驶控制量。
CN201980099843.2A 2019-09-02 2019-09-02 自动驾驶控制装置以及自动驾驶控制方法 Pending CN114286772A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/034441 WO2021044486A1 (ja) 2019-09-02 2019-09-02 自動運転制御装置および自動運転制御方法

Publications (1)

Publication Number Publication Date
CN114286772A true CN114286772A (zh) 2022-04-05

Family

ID=74852328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980099843.2A Pending CN114286772A (zh) 2019-09-02 2019-09-02 自动驾驶控制装置以及自动驾驶控制方法

Country Status (5)

Country Link
US (1) US20220242446A1 (zh)
JP (1) JP7330278B2 (zh)
CN (1) CN114286772A (zh)
DE (1) DE112019007681T5 (zh)
WO (1) WO2021044486A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7370495B2 (ja) * 2021-03-22 2023-10-27 三菱電機株式会社 制御装置および制御方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060140449A1 (en) * 2004-12-27 2006-06-29 Hitachi, Ltd. Apparatus and method for detecting vehicle
WO2017179209A1 (ja) * 2016-04-15 2017-10-19 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
WO2019017253A1 (ja) * 2017-07-18 2019-01-24 パイオニア株式会社 制御装置、制御方法、およびプログラム
CN109641588A (zh) * 2016-09-01 2019-04-16 三菱电机株式会社 自动驾驶等级降低可否判定装置及自动驾驶等级降低可否判定方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017047176A1 (ja) * 2015-09-18 2017-03-23 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP6682833B2 (ja) * 2015-12-04 2020-04-15 トヨタ自動車株式会社 物体認識アルゴリズムの機械学習のためのデータベース構築システム
US10410113B2 (en) * 2016-01-14 2019-09-10 Preferred Networks, Inc. Time series data adaptation and sensor fusion systems, methods, and apparatus
JP6558282B2 (ja) * 2016-03-09 2019-08-14 トヨタ自動車株式会社 自動運転システム
JP6858002B2 (ja) * 2016-03-24 2021-04-14 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 物体検出装置、物体検出方法及び物体検出プログラム
JP6690450B2 (ja) * 2016-07-19 2020-04-28 株式会社デンソー 運転支援装置
JP6548690B2 (ja) * 2016-10-06 2019-07-24 株式会社アドバンスド・データ・コントロールズ シミュレーションシステム、シミュレーションプログラム及びシミュレーション方法
US10427645B2 (en) * 2016-10-06 2019-10-01 Ford Global Technologies, Llc Multi-sensor precipitation-classification apparatus and method
WO2018134863A1 (ja) * 2017-01-17 2018-07-26 株式会社日立製作所 移動体の走行制御装置
US10007269B1 (en) * 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
JP6944308B2 (ja) * 2017-08-18 2021-10-06 ソニーセミコンダクタソリューションズ株式会社 制御装置、制御システム、および制御方法
WO2019116518A1 (ja) * 2017-12-14 2019-06-20 株式会社日立製作所 物体検出装置及び物体検出方法
US20220161810A1 (en) * 2019-03-11 2022-05-26 Mitsubishi Electric Corportion Driving assistance device and driving assistance method
EP3947081A4 (en) * 2019-03-29 2023-06-21 INTEL Corporation AUTONOMOUS VEHICLE SYSTEM

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060140449A1 (en) * 2004-12-27 2006-06-29 Hitachi, Ltd. Apparatus and method for detecting vehicle
WO2017179209A1 (ja) * 2016-04-15 2017-10-19 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
CN108885828A (zh) * 2016-04-15 2018-11-23 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
CN109641588A (zh) * 2016-09-01 2019-04-16 三菱电机株式会社 自动驾驶等级降低可否判定装置及自动驾驶等级降低可否判定方法
WO2019017253A1 (ja) * 2017-07-18 2019-01-24 パイオニア株式会社 制御装置、制御方法、およびプログラム

Also Published As

Publication number Publication date
DE112019007681T5 (de) 2022-06-09
WO2021044486A1 (ja) 2021-03-11
JP7330278B2 (ja) 2023-08-21
JPWO2021044486A1 (ja) 2021-11-25
US20220242446A1 (en) 2022-08-04

Similar Documents

Publication Publication Date Title
US20210365696A1 (en) Vehicle Intelligent Driving Control Method and Device and Storage Medium
CN108399777B (zh) 一种辅助驾驶方法、装置及电子设备
US11205284B2 (en) Vehicle-mounted camera pose estimation method, apparatus, and system, and electronic device
CN111932901B (zh) 道路车辆跟踪检测设备、方法及存储介质
CN107031656A (zh) 用于车轮止动器检测的虚拟传感器数据生成
US9646213B2 (en) Survey apparatus, computer-readable storage medium and survey method
KR101573576B1 (ko) Avm 시스템의 이미지 처리 방법
JP2010068069A (ja) 車両周辺撮影システム
JP2018081545A (ja) 画像データ抽出装置及び画像データ抽出方法
CN111157014A (zh) 路况展示方法、装置及车载终端、存储介质
US20200125861A1 (en) Road line detection device and road line detection method
WO2014054288A1 (ja) 車両用ナビゲーションシステム
JP2005202922A (ja) 運転支援装置及び運転支援プログラム
US20190197730A1 (en) Semiconductor device, imaging system, and program
CN114286772A (zh) 自动驾驶控制装置以及自动驾驶控制方法
CN112633151B (zh) 一种确定监控图像中斑马线的方法、装置、设备及介质
JP5134608B2 (ja) 車両周辺表示装置、車両周辺表示方法およびプログラム
US20220101025A1 (en) Temporary stop detection device, temporary stop detection system, and recording medium
CN116259033A (zh) 车辆信息丢失的目标跟踪方法、系统、介质及设备
US11562648B2 (en) Method for providing assistance to driver based on HD map, and vehicle apparatus applying method
JP2020086956A (ja) 撮影異常診断装置
CN115761668A (zh) 摄像头的污渍识别方法、装置、车辆及存储介质
JP6961125B2 (ja) 車両姿勢測定装置および車両姿勢測定方法
US11912297B2 (en) Driving assistance device and driving assist method
JP7302615B2 (ja) 運転支援装置、運転支援方法及び運転支援用コンピュータプログラム

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