JP2009098877A - 状態変数推定装置 - Google Patents
状態変数推定装置 Download PDFInfo
- Publication number
- JP2009098877A JP2009098877A JP2007269286A JP2007269286A JP2009098877A JP 2009098877 A JP2009098877 A JP 2009098877A JP 2007269286 A JP2007269286 A JP 2007269286A JP 2007269286 A JP2007269286 A JP 2007269286A JP 2009098877 A JP2009098877 A JP 2009098877A
- Authority
- JP
- Japan
- Prior art keywords
- observation
- likelihood
- particle
- state variable
- particle distribution
- 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.)
- Withdrawn
Links
Images
Abstract
【課題】センサの未検出に対する脆弱性の改善を図った状態変数推定装置を提供すること。
【解決手段】複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新する。これにより、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)を採用して、パーティクル分布を更新する。このように、最高尤度を観測セットの尤度として計算することで、未検出に対する脆弱性を回避することができる。
【選択図】図3
【解決手段】複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新する。これにより、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)を採用して、パーティクル分布を更新する。このように、最高尤度を観測セットの尤度として計算することで、未検出に対する脆弱性を回避することができる。
【選択図】図3
Description
本発明は、センサによる対象物の観測値に基づいて、対象物の状態変数を推定する状態変数推定装置に関する。
従来、このような分野において、不完全な観測に基づいて、対象物の状態変数を推定する技術として、BSE(Bayesian Sequential Estimation)手法がある。このBSE手法としては、カルマンフィルタ(Kalman Filter)、パーティクルフィルタ(Particle Filter)等が挙げられる。カルマンフィルタは従来から広く用いられ、パーティクルフィルタは、近年注目を集めている。このパーティクルフィルタは、複数のパーティクルを用いて確率分布を表現し、各パーティクルの観測値に対する尤度を用いて確率分布を更新して、対象物の状態変数を推定している(例えば、特許文献1参照)。
特開2006−302133号公報
しかしながら、従来のBSE手法では、確率分布を積算するため、観測値の誤検出や誤差に対して適切に対処できるという利点があるものの、未検出に対しては、対処できないという問題があった。
本発明は、このような課題を解決するために成されたものであり、センサの未検出に対処して、信頼性の向上を図った状態変数推定装置を提供することを目的とする。
本発明による状態変数推定装置は、対象物の観測値に対してパーティクルフィルタ処理を実行し、対象物の状態変数の解を推定する状態変数推定装置であって、対象物の状態変数の解候補である複数のパーティクルを含んだパーティクル分布を生成するパーティクル分布生成手段と、パーティクル分布に含まれる複数のパーティクルを複製するパーティクル複製手段と、パーティクル複製手段によって複製されたパーティクルを、対象物の運動モデルに従い移動させて拡散させるパーティクル拡散手段と、対象物の観測値に対する尤度を算出する尤度算出手段と、対象物に対する異なる時刻の複数の観測を観測セットとし、観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段と、最高尤度算出手段によって算出された最高尤度に基づいてパーティクル分布を更新するパーティクル分布更新手段と、を備えたことを特徴としている。
このような状態変数推定装置によれば、異なる時刻の複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新するため、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)が採用されて、パーティクル分布が更新される。このように、最高尤度を観測セットの尤度として計算することで、センサの未検出に対処して信頼性の向上を図ることができ、未検出に対する脆弱性を回避することができる。
ここで、観測セットにおける観測回数Lは、下記式:
(ただし、上記式中、Qは観測セットの回数、Paimは目標とする未検出率、Pは各観測における未検出率である)で表されることが好ましい。なお、観測値が未検出の場合でも、観測回数Lとして加算される。
また、本発明による状態変数推定装置は、対象物の観測値に対してパーティクルフィルタ処理を実行し、対象物の状態変数の解を推定する状態変数推定装置であって、対象物の状態変数の解候補である複数のパーティクルを含んだパーティクル分布を生成するパーティクル分布生成手段と、パーティクル分布に含まれる複数のパーティクルを複製するパーティクル複製手段と、パーティクル複製手段によって複製されたパーティクルを、対象物の運動モデルに従い移動させて拡散させるパーティクル拡散手段と、対象物の観測値に対する尤度を算出する尤度算出手段と、対象物に対する異なるセンサによる複数の観測を観測セットとし、観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段と、最高尤度算出手段によって算出された最高尤度に基づいてパーティクル分布を更新するパーティクル分布更新手段と、を備えたことを特徴としている。
このような状態変数推定装置によれば、異なるセンサによる複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新するため、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)が採用されて、パーティクル分布が更新される。このように、最高尤度を観測セットの尤度として計算することで、センサの未検出に対処して信頼性の向上を図ることができ、未検出に対する脆弱性を回避することができる。
本発明による状態変数推定装置によれば、センサの未検出に対処して信頼性の向上を図ることができ、未検出に対する脆弱性を回避することができる。
以下、本発明の状態変数推定装置の好適な実施形態について図面を参照しながら説明する。なお、図面の説明において、同一または相当要素には同一の符号を付し、重複する説明は省略する。
(第1実施形態)
まず、第1実施形態に係る情報処理装置(状態変数推定装置)について説明する。図1は、本発明の第1実施形態に係る情報処理装置を示すブロック図である。
まず、第1実施形態に係る情報処理装置(状態変数推定装置)について説明する。図1は、本発明の第1実施形態に係る情報処理装置を示すブロック図である。
図1に示す情報処理装置10は、被検出物(対象物)の物理的情報(例えば光、温度、圧力や位置など)を検出し、その検出結果である観測値を出力するセンサ12と、センサ12の観測値を処理して被検出物の状態変数を求める電子制御ユニット(以下「ECU」という)14とを備えている。情報処理装置10は、例えば、車両などに搭載され、車両周辺の歩行者や他車両などの被検出物を検出して、被検出物の位置及び移動を認識するものである。
センサ12は、例えばCCDカメラであり、車両のフロントウィンドウ上部(例えば、バックミラーの裏側)に設置され、前方に向けられている。センサ12は、車両前方の風景を撮像して画像情報を取得する。センサ12により取得された画像情報は、ECU14に出力される。
ECU14は、演算を行うマイクロプロセッサ、マイクロプロセッサに各処理を実行させるためのプログラム等を記憶するROM、演算結果などの各種データを記憶するRAMおよび12Vバッテリによってその記憶内容が保持されるバックアップRAM等により構成されている。
ECU14は、被検出物の観測値に対してパーティクルフィルタ処理を実行して、被検出物の状態変数の解を推定するものである。情報処理装置10では、複数回の観測を「観測セット」として設定し、複数の観測値に対してそれぞれ尤度を算出する。ECU14では、観測セットの観測値に対する尤度のうちで、最高である尤度を最高尤度として算出する。
ECU14では、記憶部であるROMに記憶されたプログラムを実行することで、観測値検出部16、パーティクル生成部18、パーティクル複製部20、パーティクル拡散部22、尤度算出部24、尤度更新部26、パーティクル分布更新部28、及び観測セット数設定部30が構築されている。
観測値検出部16は、センサから入力された情報に基づいて、所定の単位時間毎に被検出物の観測値を検出する。パーティクル生成部18は、被検出物の状態変数の解候補である複数のパーティクルを含んだパーティクル分布を生成する(図2(a))。パーティクル生成部18は、初期パーティクル{x(0,i)}i=1…Nを相空間全域にばらまいてパーティクル分布を生成する。図2に示す相空間は、横軸に被検出物の速度を示し、縦軸に被検出物の位置を示している。
パーティクル複製部20は、それぞれのパーティクルx(t,1)をM個ずつ複製する({x(t,i,j)}i=1…N,j=1…M、図2(b))。パーティクル拡散部22は、被検出物の運動モデルp(xt|xt-1)に従って、各パーティクルx(t,i,j)を移動させる({x(t+1,i,j)}i=1…N,j=1…M、図2(c))。ここでは、被検出物の運動モデルを等速直線運動として取り扱うこととしている。そして、パーティクル拡散部22は、運動モデルにノイズ項(変動分)を考慮して、各パーティクルを移動させる。なお、被検出物の運動モデルは、等速直線運動に限定されない。
尤度算出部24は、被検出物の観測値yt+1に対する各パーティクルx(t+1,i,j)の尤度p(yt+1|x(t+1,i,j))を算出する(図2(d))。尤度更新部26は、被検出物に対する異なる時刻の複数の観測を観測セットとし、観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段として機能する。尤度更新部26では、算出された尤度p(yt+1|x(t+1,i,j))と過去の観測値に対する最高尤度p_max(x(t+1,i,j))との比較を行う。なお、過去の観測値に対する最高尤度は、例えば、記憶部に記憶されている。算出された尤度p(yt+1|x(t+1,i,j))が過去の観測値に対する最高尤度p_max(x(t+1,i,j))より大きい場合には、尤度p(yt+1|x(t+1,i,j))を最高尤度として更新する。
パーティクル分布更新部28は、最高尤度p_max(x(t+1,i,j))に比例する確率で、パーティクル{x(t+1,i,j)}i=1…N,j=1…Mの中からN個をランダムに選択し、選択されたものをパーティクル{x(0,i)}i=1…Nとして更新する(図2(e))。
観測セット数設定部28は、観測セットにおける観測回数Lを設定する。観測セットにおける観測回数Lは、下記式:
(ただし、上記式中、Qは観測セットの回数、Paimは目標とする未検出率、Pは各観測における未検出率である)によって、算出される。
なお、全観測セットで未検出しない確率は、(1−pL)Q≒1−QpL(ただし、pLは観測セットで未検出となる確率=観測セット中の全ての観測で未検出となる確率、1−PLは、観測セットで未検出とならない確率である)によって表現され、(1−pL)Q≒1−QpLとなればよいので、上記式(1)を満たせばよい(ただし、logp、logpaimは負である)。例えば、各観測における未検出率p=0.01、目標とする未検出率Paim=10−10、観測セットの回数Q=10である場合、L=6となる。
次に、ECU14で実行される制御処理について、図3を参照して説明する。図3は、パーティクルフィルタ処理の一例の動作手順を示すフローチャートである。まず、ECU14は、初期パーティクル{x(0,i)}i=1…Nをランダムに生成してパーティクル分布を生成する(S1)。次に、ECU14は、各パーティクルx(t,1)をM個ずつ複製({x(t,i,j)}i=1…N,j=1…M)する(S2)。
続いて、ECU14は、過去の観測値に対する最高尤度p_max(x(t+1,i,j))をリセットする(S3)。なお、初回など、過去の観測値に対する最高尤度p_max(x(t+1,i,j))が記憶されていない場合には、リセットしない。
次に、ECU14は、運動モデルp(xt|xt-1)に従って各パーティクルx(t,i,j)を移動({x(t+1,i,j)}i=1…N,j=1…M)させる(S4)。続いて、ECU14は、観測値yt+1に対する各パーティクルx(t+1,i,j)の尤度p(yt+1|x(t+1,i,j))を算出する(S5)。なお、観測値が未検出の場合には、尤度を算出せずに、ステップ6に進む。
次に、ECU14は、観測値yt+1に対する各パーティクルx(t+1,i,j)の尤度p(yt+1|x(t+1,i,j))が観測セット内の過去の観測値に対する最高尤度p_max(x(t+1,i,j))より大きいか否かを判定する(S6)。尤度p(yt+1|x(t+1,i,j))が記憶部に記憶されている最高尤度p_max(x(t+1,i,j))より大きいと判定された場合には、ステップ7に進み、尤度p(yt+1|x(t+1,i,j))が最高尤度p_max(x(t+1,i,j))より大きいと判定されなかった場合には、ステップ8に進む。
ステップ7では、ECU14は、記憶部に記憶されている最高尤度p_max(x(t+1,i,j))を尤度p(yt+1|x(t+1,i,j))に更新する。
ステップ8では、ECU14は、一つの観測セットにおける観測回数分の観測ができたか否かを判定する。情報処理装置10では、単位時間毎に観測を実行しているので、設定された観測回数Lに対応する時間が経過した場合には、観測回数分の観測ができたと判定し、ステップ9に進む。観測回数に対応する時間が経過していない場合には、ステップ4に進み、ステップ4〜7の処理を繰り返し、観測回数分の観測が実行された後にステップ9に進む。なお、観測を実行して未検出であった場合も、観測回数としてカウントされている。
ステップ9では、ECU14は、最高尤度p_max(x(t+1,i,j))に比例する確率で{x(t+1,i,j)}i=1…N,j=1…Mの中からN個をランダムに選択し、これを{x(0,i)}i=1…Nとして、パーティクル分布の更新を行い、ステップ2〜9の処理を繰り返す。
このような情報処理装置10では、異なる時刻の複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新している。一般的に、センサによる観測では、「未検出」の場合は、偶然観測できない場合である。そのため、偶然観測できないことは、稀であり、観測セット内で最も良い観測をその物体(対象物)の観測とみなし、観測セットをパーティクルフィルタの一観測とみなすことができる。従って、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)が採用されて、パーティクル分布が更新される。最高尤度を観測セットの尤度として計算することで、未検出に対する脆弱性が回避され、装置の信頼性を向上させることができる。
(第2実施形態)
次に、第2実施形態に係る情報処理装置について説明する。図4は、本発明の第2実施形態に係る情報処理装置を示すブロック図である。この第2実施形態に係る情報処理装置40が第1実施形態に係る情報処理装置10と異なる点は、複数の異なる種類のセンサを備え、異なるセンサによる複数の観測を観測セットとしている点である。
次に、第2実施形態に係る情報処理装置について説明する。図4は、本発明の第2実施形態に係る情報処理装置を示すブロック図である。この第2実施形態に係る情報処理装置40が第1実施形態に係る情報処理装置10と異なる点は、複数の異なる種類のセンサを備え、異なるセンサによる複数の観測を観測セットとしている点である。
図4に示す情報処理装置40は、例えば車両に搭載され、他車両、歩行者等を含む被検出物を検出し、被検出物の位置、相対速度等の状態変数を推定するものである。情報処理装置40は、ミリ波レーダ42、モノクロカメラ44、画像処理ECU46、レーザレーダ48、ECU50を備えている。
ミリ波レーダ42は、ミリ波を利用して対象物を検出するレーダである。ミリ波レーダ42は、自車両の前面の中央に取り付けられている。ミリ波レーダ42では、自車両から対象物までの距離(dist[i])、対象物の方向(dir[i])、自車両に対する対象物の相対速度(Vr[i])に関する情報を観測値として、ECU50に出力する。
モノクロカメラ44は、自車両の車室前方中央に配置され、フロントガラス越しに自車両前方の画像を取得するものである。画像処理ECU46は、モノクロカメラ44から入力された映像信号に基づいて、画像処理を行い、自車両前方の対象物を検出する。画像処理ECU46では、対象物の中心位置(u[i],v[i])に関する情報を観測値として、ECU50に出力する。
レーザレーダ48は、レーザを利用して対象物を検出するレーダである。レーザレーダ48は、自車両の前面の中央に取り付けられている。レーザレーダ48では、自車両から対象物までの距離(dist[i])、対象物の方向(dir[i])に関する情報を観測値として、ECU50に出力する。
ECU50は、被検出物の観測値に対してパーティクルフィルタ処理を実行して、被検出物の状態変数の解を推定するものである。情報処理装置40では、複数回の観測を「観測セット」として設定し、複数の観測値に対してそれぞれ尤度を算出する。ECU14では、観測セットの観測値に対する尤度のうちで、最高である尤度を最高尤度として算出する。
ECU50では、記憶部であるROMに記憶されたプログラムを実行することで、観測値検出部16、パーティクル生成部18、パーティクル複製部20、パーティクル拡散部22、尤度算出部24、尤度更新部26、パーティクル分布更新部28、及び観測セット数設定部30が構築される。
尤度算出部24では、ミリ波レーダ42の観測値yに対する各パーティクルx(t,i,j)の尤度ミリ波レーダ(観測値:dist,dir,vr|x(t,i,j))、モノクロカメラ44の観測値ytに対する各パーティクルx(t,i,j)の尤度モノクロカメラ(観測値:u,v|x(t,i,j))、レーザレーダ42の観測値ytに対する各パーティクルx(t,i,j)の尤度レーザレーダ(観測値:dist,dir|x(t,i,j))を算出する。
尤度更新部26は、被検出物に対する異なるセンサの複数の観測を観測セットとし、観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段として機能する。尤度更新部26では、算出された尤度ミリ波レーダ(観測値:dist,dir,vr|x(t,i,j))、尤度モノクロカメラ(観測値:u,v|x(t,i,j))、及び尤度レーザレーダ(観測値:dist,dir|x(t,i,j))のうちの最高値を最高尤度として更新する。
このような情報処理装置40では、異なるセンサ42,44,48による複数の観測を観測セットとし、観測セット内の観測値に対する尤度のうちの最高値を最高尤度として算出し、算出された最高尤度に基づいてパーティクル分布を更新している。そのため、観測値の未検出があった場合でも、観測セット内のその他の観測値に対する尤度(最高尤度)が採用されて、パーティクル分布が更新される。このように、最高尤度を観測セットの尤度として計算することで、未検出に対する脆弱性が回避される。なお、複数のセンサは、同じ種類のセンサを複数備えるものでもよい。
以上、本発明をその実施形態に基づき具体的に説明したが、本発明は、上記実施形態に限定されるものではない。例えば、センサによる検出対象物は、他車両、歩行者等に限定されず、例えば、道路上の障害物、白線、建築物を始め、その他の物であってもよい。また、状態変数推定装置は、飛行機、船舶、ロボット等、その他の機器に搭載されていてもよい。
また、観測セットの観測回数(観測セットの長さ)は、実験等によって算出されたデータ等に基づいて設定してもよい。
10,40…情報処理装置、12…センサ、14、50…電子制御ユニット(ECU)、16…観測値検出部、18…パーティクル生成部、20…パーティクル複製部、22…パーティクル拡散部、24…尤度算出部、26…尤度更新部、28…パーティクル分布更新部、30…観測セット数設定部、42…ミリ波レーダ、44…モノクロカメラ、46…画像処理ECU、48…レーザレーダ。
Claims (3)
- 対象物の観測値に対してパーティクルフィルタ処理を実行し、前記対象物の状態変数の解を推定する状態変数推定装置であって、
前記対象物の状態変数の解候補である複数のパーティクルを含んだパーティクル分布を生成するパーティクル分布生成手段と、
前記パーティクル分布に含まれる前記複数のパーティクルを複製するパーティクル複製手段と、
前記パーティクル複製手段によって複製された前記パーティクルを、前記対象物の運動モデルに従い移動させて拡散させるパーティクル拡散手段と、
前記対象物の観測値に対する尤度を算出する尤度算出手段と、
前記対象物に対する異なる時刻の複数の観測を観測セットとし、前記観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段と、
前記最高尤度算出手段によって算出された前記最高尤度に基づいて前記パーティクル分布を更新するパーティクル分布更新手段と、を備えたことを特徴とする状態変数推定装置。 - 対象物の観測値に対してパーティクルフィルタ処理を実行し、前記対象物の状態変数の解を推定する状態変数推定装置であって、
前記対象物の状態変数の解候補である複数のパーティクルを含んだパーティクル分布を生成するパーティクル分布生成手段と、
前記パーティクル分布に含まれる前記複数のパーティクルを複製するパーティクル複製手段と、
前記パーティクル複製手段によって複製された前記パーティクルを、前記対象物の運動モデルに従い移動させて拡散させるパーティクル拡散手段と、
前記対象物の観測値に対する尤度を算出する尤度算出手段と、
前記対象物に対する異なるセンサによる複数の観測を観測セットとし、前記観測セット内の観測値に対する尤度の最高値を最高尤度として算出する最高尤度算出手段と、
前記最高尤度算出手段によって算出された前記最高尤度に基づいて前記パーティクル分布を更新するパーティクル分布更新手段と、を備えたことを特徴とする状態変数推定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007269286A JP2009098877A (ja) | 2007-10-16 | 2007-10-16 | 状態変数推定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007269286A JP2009098877A (ja) | 2007-10-16 | 2007-10-16 | 状態変数推定装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009098877A true JP2009098877A (ja) | 2009-05-07 |
Family
ID=40701832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007269286A Withdrawn JP2009098877A (ja) | 2007-10-16 | 2007-10-16 | 状態変数推定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009098877A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012184989A (ja) * | 2011-03-04 | 2012-09-27 | Nec Corp | 目標追跡システム及び目標追跡方法 |
WO2012172632A1 (ja) * | 2011-06-13 | 2012-12-20 | トヨタ自動車株式会社 | 運転支援装置及び運転支援方法 |
JP2018142316A (ja) * | 2017-02-28 | 2018-09-13 | トヨタ自動車株式会社 | 可観測性グリッドベースの自律的環境探索 |
JP2018534205A (ja) * | 2016-02-11 | 2018-11-22 | 三菱電機株式会社 | 車両の運動を制御する方法、及び車両の制御システム |
-
2007
- 2007-10-16 JP JP2007269286A patent/JP2009098877A/ja not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012184989A (ja) * | 2011-03-04 | 2012-09-27 | Nec Corp | 目標追跡システム及び目標追跡方法 |
US9453911B2 (en) | 2011-03-04 | 2016-09-27 | Nec Corporation | Target tracking system and target tracking method |
WO2012172632A1 (ja) * | 2011-06-13 | 2012-12-20 | トヨタ自動車株式会社 | 運転支援装置及び運転支援方法 |
CN103597527A (zh) * | 2011-06-13 | 2014-02-19 | 丰田自动车株式会社 | 驾驶辅助装置和驾驶辅助方法 |
CN103597527B (zh) * | 2011-06-13 | 2016-03-16 | 丰田自动车株式会社 | 驾驶辅助装置和驾驶辅助方法 |
JP2018534205A (ja) * | 2016-02-11 | 2018-11-22 | 三菱電機株式会社 | 車両の運動を制御する方法、及び車両の制御システム |
JP2018142316A (ja) * | 2017-02-28 | 2018-09-13 | トヨタ自動車株式会社 | 可観測性グリッドベースの自律的環境探索 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2709334C2 (ru) | Способ обнаружения препятствий, расположенных рядом с транспортным средством | |
US10160448B2 (en) | Object tracking using sensor fusion within a probabilistic framework | |
US10929986B2 (en) | Techniques for using a simple neural network model and standard camera for image detection in autonomous driving | |
JP5600332B2 (ja) | 運転支援装置 | |
JP2021518553A (ja) | センサー較正 | |
EP3193306A1 (en) | A method and a device for estimating an orientation of a camera relative to a road surface | |
JP6003673B2 (ja) | 3次元位置推定装置、車両制御装置、および3次元位置推定方法 | |
JP2007249309A (ja) | 障害物追跡装置及びその方法 | |
US20160217335A1 (en) | Stixel estimation and road scene segmentation using deep learning | |
WO2021059714A1 (ja) | 占有グリッドマップ生成装置、占有グリッドマップ生成システム、占有グリッドマップ生成方法、およびプログラム | |
CN106183979A (zh) | 一种根据车距对车辆进行提醒的方法和装置 | |
CN114450691A (zh) | 稳健定位 | |
CN112991389B (zh) | 一种目标跟踪方法、装置及移动机器人 | |
US20210192347A1 (en) | Method for Determining Continuous Information on an Expected Trajectory of an Object | |
JP2023512604A (ja) | モデル幾何学学習を用いて移動物体の拡大状態を追跡するためのシステムおよび方法 | |
JP2009098877A (ja) | 状態変数推定装置 | |
JP6806107B2 (ja) | 障害物認識支援装置、障害物認識支援方法、プログラム | |
JP2019220054A (ja) | 行動予測装置及び自動運転装置 | |
JP2019514011A (ja) | 可動オブジェクトのオブジェクト・キネマティクスを割り出すための装置および方法 | |
JP7081098B2 (ja) | 走行環境認識装置、走行環境認識方法、プログラム | |
US20210190509A1 (en) | Position estimating apparatus and position estimating method | |
CN112950999A (zh) | 一种汽车预警方法、装置、电子设备及存储介质 | |
Meissner et al. | Road user tracking using a Dempster-Shafer based classifying multiple-model PHD filter | |
US20210133947A1 (en) | Deep neural network with image quality awareness for autonomous driving | |
JP6905433B2 (ja) | 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100122 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20110322 |