JP2012030659A - 状況適合型運転支援装置 - Google Patents

Abstract

【課題】様々な走行状況に適合した最適な運転支援を行うことができる状況適合型運転支援装置を提供する。
【解決手段】モデルを予測しつつアシスト量最適化問題を逐次解くことにより、最適アシスト量を逐次決定するモデル予測部４１と、そのモデル予測部４１が決定した最適アシスト量に基づいて、減速アクチュエータ１０の制御を行うアクチュエータ制御装置２０とを備え、さらに、車両の危険度を判断する危険度判断部４２と、その危険度判断部４２が判断した危険度に応じて、アシスト量最適化問題に含まれるパラメータを調整するパラメータ調整部４３を備える。モデル予測部４１は、パラメータ調整部４３が調整したパラメータを用いて最適アシスト量を逐次決定する。
【選択図】図１

Description

本発明は、状況に適合した運転支援を行うことができる状況適合型運転支援装置に関する。

ドライバの運転操作を支援する装置は種々提案されているが、その多くは、平均的なドライバを支援するものである。この理由は、ドライバの個人特性を定量的かつ客観的に反映したモデルの構築が容易ではないからである。

ドライバの個人特性を反映したモデルの構築が容易ではないのは、ドライバは、認知、判断を経て操作を行うが、これらのうち、認知、操作は連続系であるのに対して、判断は離散系であることから、認知、判断、操作を統合したモデルの構築が困難だからである。

一方、非特許文献１には、PWARX（Piece Wise AutoRegressive eXogeneous）モデルに基づいたハイブリッドシステムの同定論を適用することで、ドライバの認知・判断・操作が統一的な枠組みの中で表現されたモデルが提案されている。この特許文献１において提案されているPWARXモデルは、ドライバの運転モードに対応した複数のモード別に、ドライバ毎の運転特性を示すARXモデルを備えている。このPWARXモデルにおける各ARXモデルのパラメータを同定し、且つ、モードの境界面を求めることにより、個々のドライバの特性に応じた運転支援制御を可能としている。

また、非特許文献１では、PWARXモデル表現のドライバの運転行動モデルと車両モデルとを、MLDS（Mixed Logical Dynamical System）として表現することで、混合整数線形計画問題（Mixed Integer Linear Program：MILP）に帰着させて、アシスト量の最適化問題を定式化している。そして、これをオンラインで解くことにより最適アシスト量を逐次計算している。

三上晃司、他５名、「ハイブリッドシステム論による前方車追従行動におけるモデル予測型アシスト制御の実現」、計測自動制御学会産業論文集、vol.9、No.5、29/36 (2010)

非特許文献１におけるアシスト量の最適化問題は、ドライバ毎に異なるドライバモデルを用いるが、車両の走行状況に応じて式を変えることはできない。そのため、車両の走行状況によっては運転支援制御が適切でなくなってしまう可能性があった。

本発明は、この事情に基づいて成されたものであり、その目的とするところは、様々な走行状況に適合した最適な運転支援を行うことができる状況適合型運転支援装置を提供することにある。

その目的を達成するための請求項１記載の発明によれば、最適アシスト量決定部において、アシスト量最適化問題を逐次解くことにより最適アシスト量を逐次決定するが、このアシスト量最適化問題のパラメータを、車両の走行状況に応じて調整する。従って、車両の走行状況に対応した最適なアシスト量を決定することができる。

なお、ここでの走行状況とは、絶対速度或いは相対速度の状況（高速か低速かなど）、前方車両など、周囲の物体との間の距離の状況、時間的状況（走行中の時間が朝なのか昼なのか夜なのかなど）、車両のタイヤと路面との摩擦の状況、路面勾配の状況などがある。これらは物理的状況を直接示す状況であるが、さらには、これら物理的状況から定まる二次的状況、たとえば、衝突危険性の状況なども走行状況に含み、本発明では、これらの状況のうち、一つ以上の状況に応じた運転支援を行う。また、走行制御には、減速制御および加速制御のみならず、操舵角制御も含み、これらのうち、いずれか１つの制御、または、２つ以上の制御を組み合わせて用いることもできる。また、パラメータ調整部が調整するパラメータはアシスト量最適化問題に含まれる係数や定数項であり、それら係数、定数項を１つ以上調整する。

また、請求項２記載の発明のように、運転支援装置に状況判断部を備えておき、状況を自動的に判断することもできる。また、これとは異なり、ドライバが状況を入力するための入力部を備えておき、この入力部から入力された状況に応じてパラメータを調整する態様としてもよい。

なお、走行状況には、前述のように、速度の状況、周囲の物体との間の距離の状況、時間的状況、路面との摩擦の状況、路面勾配の状況などがある。これらを状況判断部が判断する場合、たとえば、絶対速度は、車速センサからの信号により判断する。相対速度は、周囲の物体の位置をレーダ、カメラ等により逐次検出し、その時間変化から判断する。周囲の物体との間の距離の状況も、レーダ、カメラ等により判断する。時間の状況は、車両内外に備えられている時計から時刻を取得して判断する。路面との摩擦の状況は、種々の公知の路面摩擦係数判定装置を用いて判断する。路面勾配の状況は、たとえば、傾斜センサからの信号や、地図情報から判断する。

また、請求項３記載の発明は、走行状況として、車両が周辺物体（前方車両など）と衝突する衝突危険性の状況を示す危険度を判断する。そして、その危険度に応じて、アシスト量最適化問題に含まれるパラメータを調整する。よって、車両が周辺物体に衝突する危険性に対応した最適なアシスト量を決定することができる。

調整するパラメータは、請求項４のように評価関数の重み係数でもよいし、また、請求項５のように、挙動制約条件に含まれるパラメータでもよい。

請求項４記載の発明では、評価関数は、走行状況を定量化した状況指標に対するペナルティ項と、アシスト量に対するペナルティ項とを含み、且つ、少なくとも一方のペナルティ項には重み係数が乗じられており、パラメータ調整部は、少なくとも、重み係数を調整する。このようにすることで、好ましくない走行状況をどの程度許容するかということと、その走行状況を改善するためにどの程度アシストを行うかという、走行状況の許容程度とアシスト量とのバランスを、重み係数により調整することができる。

また、請求項５記載の発明では、挙動制約条件に含まれるパラメータを調整することで、挙動制約条件を変化させて最適アシスト量を計算することができる。なお、ここで調整するパラメータは、１つでもよいし、また、複数でもよい。また、重み係数や挙動制約条件に含まれるパラメータの調整方法としては、たとえば、走行状況と、重み係数あるいは挙動制約条件のパラメータとの対応関係マップを備えておき、このマップと実際の走行状況とから重み係数あるいはパラメータを調整する方法とすることができる。

また、請求項６記載の発明は、請求項４記載の発明と請求項５記載の発明とを組み合わせた発明であるので、それら２つの発明の両方の効果が得られる。

また、最適アシスト量決定部で決定するアシスト量と走行制御が行う制御の種類は当然対応しており、たとえば、アシストの種類および走行制御は、請求項７記載のように、加減速度の最適アシスト量および加減速制御とすることができる。

本実施形態の運転支援装置１の構成を示すブロック図である。 図１のドライバモデル決定部の処理内容を示すフローチャートである。 モデル予測部４１の処理内容を示すフローチャートである。 危険値Δ、ブレーキ判別式、危険度切替値TH1,TH２、アシスト調整係数ω、アシスト量瞬間上限値ξ^maxの関係を示す図である。 １ステップ毎に、車間距離、相対速度、アクセル、アシスト量を記録した結果を示すグラフである。

以下、本発明の実施形態を図面に基づいて説明する。以下に説明する実施形態の状況適合他が運転支援装置（以下、単に運転支援装置）は、減速支援を行う運転支援装置であり車両に搭載される。図１は、本実施形態の運転支援装置１の構成を示すブロック図である。

この図１に示すように、本実施形態の運転支援装置１は、減速アクチュエータ１０と、アクチュエータ制御装置２０と、メイン制御装置３０とを備えている。

減速アクチュエータ１０は、減速度を調整可能なアクチュエータであり、たとえば、ブレーキ油圧を調整するものである。また、ブレーキペダルの踏み込み量を調整するものでもよい。

アクチュエータ制御装置２０、メイン制御装置３０は、いずれも、ＣＰＵ、ＲＯＭ、ＲＡＭ等を備えたコンピュータである。アクチュエータ制御装置２０は、上記減速アクチュエータ１０を制御するものであり、メイン制御装置３０によって演算されたアシスト量に基づいて減速アクチュエータ１０を制御する。本実施形態では、このアクチュエータ制御装置２０が特許請求の範囲の走行制御部に相当する。

メイン制御装置３０は、ドライバモデル決定部３１とアシスト量オンライン最適化部４０とを備えている。アシスト量オンライン最適化部４０は、ドライバモデル等の挙動制約条件の下で、評価関数値Ｊを最小化する最適化問題をオンラインで解くことにより、最適アシスト量z_asを逐次計算し、その計算した最適アシスト量z_asをアクチュエータ制御装置２０に出力する。

ドライバモデル決定部３１は、アシスト量オンライン最適化部４０のモデル予測部４１において用いる前方車追従行動モデルの係数およびモード遷移条件を決定する。上記前方車追従行動モデルとは、後述する(12)式に示すものである。まず、この前方車追従行動モデルの導出方法を説明する。

前方車追従行動をモデル化するに当たり、まず、ドライバの入力出力変数を以下のように定義する。
入力変数
u₁：接近離間状態評価指標KdB[dB]
u₂：前方車と自車の車間距離[ｍ]
u₃：前方車と自車の相対速度[m/s]
u=[u₁u₂ u₃]^T (1)
出力変数 y：自車加速度[m/s²]
なお、KdBは、ドライバの網膜に映る前方車の背面積の変化率を表しており、ドライバが認知するリスク（危険感）をよく示す指標として知られている。このKdBは(2)式で定義される。

入出力変数の上記定義を用いると、前方車追従行動は(4)式で示すPWARXモデルで表現できる。この(4)式は２つの式からなっている。つまり、(4)式のモデルは、２モードで前方車追従行動を表すモデルである。このように２モードとしたのは計算負荷の観点からであり、計算負荷が許容されれば３モード以上のモデルとしてもよい。また、各モードの項数も計算負荷の観点から４項としているが、計算負荷が許容されれば５項以上でもよい。

上記(4)式において、iは時系列データのインデックスを示す。また、θはドライバ毎に異なる係数、すなわち、個々のドライバの特性を反映した係数、C_１、C_２は、それぞれ、回帰ベクトル(u(i-1),y(i-1))が張る４次元空間内の部分空間を表し、それぞれ、モード１、モード２に対応する。

上記(4)式において、C₁、C₂の境界面を(5)式に示す線形不等式で表現する。なお、ηはこの線形不等式のパラメータを表している。この(5)式におけるS=0がモード境界面である。

したがって、(4)式は次の(6)式のように書き改められる。

この(6)式には、if文が含まれており、最適化には適さない。そこで、PWARXモデルである(6)式をMLDS形式に変換する。そのためには、まず、二値変数δ(i)（δ(i)∈{0,1}）を用いて(7)式のように、if文と論理変数を関連付ける。

この(7)式をMLDSにおける基本的なアイデアに基づいて不等式表現に置き換えた式が(8)式である。

なお、(8)式において、Ｓ_Ｍ、Ｓ_ｍは、それぞれ、Ｓの最大値と最小値である。

また、(11)式の導出には、δ=0、δ=1によって入出力特性の切り替えを表現する必要がある。そのため、補助変数zを、論理変数δ(i)と変数u,yの積として導入する。

たとえば補助変数z₁₁(i)は、δ(i)=1ならばz₁₁(i)=u₁(i)となり、δ(i)=0ならばz₁₁(i)=0となる。しかしながら、(9)式は変数同士の積を含む非線形制約式となるので、(8)式と同様に等価な不等式群を作る。たとえば、z₁₁=δ・u₁に関しては、(10)式のような不等式群で表現できる。

(10)式においてu_1M、u_1mはそれぞれ、u₁の最大値と最小値である。

このように定義された補助変数zを用いると、(6)式の前方車追従行動モデルは、以下のように書き改めることができる。

すなわち、(6)式は、線形等式表現である(11)式と線形不等式表現である(10)式、(11)式（z₁₁~z₂₄の等価不等式表現群）の組み合わせ（MLDS表現）で記述できる。

上記(11)式はドライバの前方車追従行動モデルであり、この(11)式にアシスト量z_asを加えた前方車追従行動モデルが次の(12)式であり、実際に演算に用いる式である。この(12)式はアシストz_asの項を備えている。よって、(12)式が示すモデルは、ドライバの行動にアシスト量を加えた運動行動（本実施形態では、減速行動）のモデルである。なお、アシスト量z_asは、本実施形態では、δ₁=1の場合に働き、それ以外は0とする。すなわち、危険モードに入ったときのみアシストが働くとする。

ドライバモデル決定部３１では、(12)式におけるθを決定するとともに、(5)式におけるηを求める。ただし、上記(12)式はMLDS表現の前方車追従行動モデルであるが、MLDS表現とする前、すなわち、PWARX表現における前方車追従行動モデルである(4)式を用いてθを求める。

ドライバモデル決定部３１は、図２に示すフローチャートに従って、公知のデータクラスタリング手法を用いてθ、ηを決定する。このドライバモデル決定部３１は、アシスト量オンライン最適化部４０において最適アシスト量z_asを逐次決定する前の事前準備として、種々のドライバ同定手法（たとえば、ＩＤ認証、生体情報認証等）により同定したドライバに対して、これらθ、ηが決定されていないと判断した場合であって、車両走行中に実行する。なお、このドライバモデル決定部３１を備えずに、外部装置においてドライバ毎のθ、ηを決定しておいて、それを、この運転支援装置１が取得する態様とすることも可能である。

図２において、まず、ステップＳ１０では、環境情報、出力情報を取得、蓄積する。ここで、環境情報とは、前方車との車間距離Dおよび前方車との相対速度Vである。これら車間距離D、相対速度Vの取得には、種々の公知の手法を用いる。たとえば、車間距離Dは、レーザレーダ、ミリ波レーダ、ステレオカメラからの信号を用いる。また、相対速度Vは、たとえば、車間距離Dを微分することで求める。この場合には、車両外部の情報として取得するのは、車間距離Dのみである。また、自車速度を自車の車速センサから取得するとともに、前方車両の速度を、車車間通信等の無線通信により取得して、これらから相対速度Vを算出してもよい。出力情報は、前述の定義における出力変数、すなわち、自車加速度である。これは、加速度センサから取得する。なお、情報の取得周期、蓄積期間は、制御精度を満足すれば特に制限はないが、一例としては、16msec周期、10分間である。

上記車間距離D、相対速度Vは、PWARXモデルにおける入力変数のu₂,u₃であるが、入力変数としては、他にu₁が必要である。このu₁は、(3)式から分かるように、u₂、u₃から求めることができる。そこで、続くステップＳ１２では、ステップＳ１０で蓄積した環境情報D、Vに基づいて(3)式から、各環境情報D、Vに対応するKdBを算出する。

続くステップＳ１４では、ステップＳ１０、Ｓ１２で用意した入出力変数（u,y）に対して、距離の近いc個のデータを集めて局所集合LD_skを作り、特徴量ξ_k（k=0,…,T、T+1はデータのサンプル数）を求める。ここで、特徴量ξ_kは、LDs_k中のデータに対して線形入出力モデルを当てはめ、最小二乗推定を施すことにより得られるパラメータ（(4)式中のθ）とLDs_k中のデータの平均値とから構成される。

続くステップＳ１６では、ステップＳ１４で求めた特徴量に変換した各データ（特徴空間上の各データ）に対して、K-means法に基づくクラスタリングを行う。そして、ステップＳ１８では、クラスタリング結果を元のデータ系列に割り当てることで、元のデータ系列を各モードに分割する。

続くステップＳ２０では、分割したモード別に、元のデータに対して最小二乗推定を施すことで、各モードにおけるパラメータを求める。なお、すべての変数は正規化した。さらに、ステップＳ２２では、(5)式のηを次のようにして求める。すなわち、前述のステップＳ１８において各データはモード分割されているので、各モードのデータを用いて、最小二乗法やサポートベクタマシンを用いることで、(5)式の上式および下式のηをそれぞれ求める。

次に、アシスト量オンライン最適化部４０を説明する。アシスト量オンライン最適化部４０は、モデル予測部４１、危険度判断部４２、パラメータ調整部４３を備えている。

モデル予測部４１は、特許請求の範囲の最適アシスト量決定部に相当し、出力の予測区間および入力区間を１サンプル時間ずつ先にずらしながら、アシスト量最適化問題を繰り返し解く。まず、このアシスト量最適化問題について説明する。

本実施形態のアシスト量最適化問題はモデル予測型である。モデル予測型の制御は、Receding Horizon制御とも呼ばれ、出力の予測区間および入力を決定する区間を１サンプル時間ずつ先にずらしながら、実時間の最適化問題を繰り返すことで制御入力を得る制御である。

従って、アシスト量最適化問題を定式化するには、自車、および、前方車の位置、車間距離、相対速度の数ステップ先の情報が必要となる。上記情報を現した自車のモデルは、本実施形態では前後方向のみの運動であることから、自車の速度をv₀、位置をp₀、自車の加速度の正規化係数をy_max、サンプリング周期をT[s]とおき、次式で近似表現する。

また、前方車の位置等の情報を求めるために、前方車の速度を線形予測して、前方車の数ステップ先の位置を計算する。前方車の速度をv_f、位置をp_f、車間距離の正規化係数をd_max、相対速度の正規化係数をv_maxとおくと、これらの変数には(14)式の関係がある。

そして、車両およびドライバモデルを含んだアシスト量の最適化問題は、(15)式〜(18)式に示す混合整数線形計画問題（MILP）として定式化したものである。

上記(17)式においてKはhorizonと呼ばれ、最適化の対象となる予測区間を表す。このKの値は計算時間の観点から決定するが、ここではK=5として説明する。また、z₁₁はモード１におけるKdBであり、ωはアシスト調整係数である。なお、このωは特許請求の範囲の重み係数に相当する。

評価関数値Ｊは、第１項と第２項との和を最小にするものであり、第１項はモード１におけるKdBの総和であり、このKdBは前述のように、ドライバが認知する危険感を表す危険指標である。従って、第１項は、危険指標に対するペナルティ項である（なお、危険指標は、特許請求の範囲の状況指標に相当する）。また、第２項のz_asはアシスト量（ただし、本実施形態ではアシストはブレーキのみであるのでz_as≦0）であるので、第２項はアシストに対するペナルティ項（過大なアシストを防止する項）である。

ただし、第１項にはアシスト調整係数ωが乗じられており、このアシスト調整係数ωが大きいほど、評価関数（(17)式）における第１項の影響が大きくなることから、よりz₁₁を小さくしようとする。よって、積極的なアシストが働くことになる。反対にアシスト調整係数ωが小さいほど、評価関数における第１項の影響が小さくなることから、アシストが働きにくくなる。すなわち、アシスト調整係数ωの大きさによって、アシストの働きやすさを調整することができる。このアシスト調整係数ωの大きさは、パラメータ調整部４３によって調整される。パラメータ調整部４３の内容は後述する。

上記(18)式は、いずれも、評価関数の第１項、第２項の少なくともいずれか一方に影響を与える挙動制約条件である。アシスト量最適化問題は、これらの挙動制約条件の下で評価関数値Ｊを最小化する(16)式を決定するものである。

前述したように、モデル予測部４１は、出力の予測区間および入力区間を１サンプル時間ずつ先にずらしながら、アシスト量最適化問題を繰り返し解く。また、アシスト量最適化問題は、挙動制約条件の下で評価関数値Ｊを最小化する(16)式を決定するものであり、(16)式は、入力変数u、出力変数y、アシスト量z_as等を決定する式である。

従って、モデル予測制御部４１は、出力の予測区間および入力区間を１サンプル時間ずつ先にずらしながら、入力変数u、出力変数y、アシスト量z_as等を決定する。

図３は、モデル予測部４１の処理内容を示すフローチャートである。まず、ステップＳ３０では、現時刻(i)における前方車の位置p_f、速度v_f、自車の位置p_o、速度v_o、加速度y、および、KdBを取得する。すなわち、(15)式の情報を取得する。これらのうち、一部はセンサ信号として取得でき、また、一部は、取得したセンサ信号から算出する。なお、自車の位置p_oは、GPS等により検出する絶対位置でもよく、また、ある時点を基準とした相対位置でもよい。また、KdBは、前述の(2)式で定義されるので、精度の点ではこの(2)式を用いてKdBを算出することが好ましいが、計算負荷軽減の観点から、ここでは(2)式を線形近似した(19)式を用いてKdBを算出する。

続くステップＳ３２では、ステップＳ３０で取得した情報を基に、MILPとして定式化したアシスト量最適化問題を解くことで、5ステップ先までの環境情報および最適アシスト量z_asを計算する。ここでの環境情報は、入力変数u、二値変数δ、補助変数zを意味する。すなわち、ステップＳ３２では(16)式を求める。また、5ステップ先までとしているのは、１周期内にアシスト量最適化問題を解く必要があるからであり、計算が１周期内に終了するのであれば、さらに先のステップまでの環境情報および最適アシスト量z_asを計算してもよい。

続くステップＳ３４では、ステップＳ３２で計算した5ステップ先までの最適アシスト量z_asのうち、現時刻に対応する最適アシスト量z_asをアクチュエータ制御装置２０へ出力する。アクチュエータ制御装置２０は、次に、新たな最適アシスト量z_asが入力されるまで、モデル予測部４３から入力される最適アシスト量z_asに基づいて減速アクチュエータ１０の制御を行う。なお、この減速アクチュエータの制御量と運転者のペダル操作量から定まる減速力が車両に加わり、この減速力と、車両重量、路面状況等が反映されて、最終的な車両の加速度（本実施形態では負の加速度＝減速度）が定まる。

続くステップＳ３６では、現時刻をi+1とする。その後、ステップＳ３０へ戻る。なお、この図３の処理周期は、本実施形態では、200msecとなっている。この処理周期が経過した後、ステップＳ３０から再度実行する。

次に、危険度判断部４２およびパラメータ調整部４３を説明する。危険度判断部４２は、特許請求の範囲の状況判断部に対応しており、本実施形態におけるアシストの内容である減速アシストに関連する車両の走行状況として、先行車両に衝突する危険性を定性的に示す危険度を走行中に逐次判断する。

より詳しくは、危険度判断部４２は、まず、危険値Δを算出し、その危険値Δに基づいて危険度を判断する。危険値Δとしては、KdB_cとブレーキ判別式から求められる閾値との差（KdB_c−閾値）を用いる。KdB_cとは、前述のKdBを前方車の速度v_fで補正したものであり、(20)式から算出することができる。なお、(20)式においてαは1以下の係数であり、α=0.3程度が最適であることが知られている。

一方、ブレーキ判別式は(21)式で示される。

そして、危険度判断部４２は、危険値Δと予め設定された危険度切替値TH1（＞0）、TH2（＞0）とを比較して、Δ≧TH1である場合には危険度＝大、−TH2＜Δ＜TH1である場合には危険度＝小、Δ≦−TH2である場合には危険度＝なしと、それぞれ判断する。

パラメータ調整部４３は、危険度とアシスト調整係数ωとの対応関係、および、危険度とアシスト量瞬間上限値ξ^maxとの対応関係を予め記憶しており、その予め記憶した対応関係と危険度判断部４２が判断した危険度とに基づいて、モデル予測部４１において用いるアシスト調整係数ω、ξ^maxの値を決定する。そして、決定したアシスト調整係数ω、アシスト量瞬間上限値ξ^maxをモデル予測部４１に送る。モデル予測部４１は、パラメータ調整部４３から送られたωを用いて、前述のアシスト量最適化問題を解くことになる。

図４は、危険度判断部４２で算出する危険値Δ、(21)式（ブレーキ判別式）、危険度切替値TH1,TH２、アシスト調整係数ω、アシスト量瞬間上限値ξ^maxの関係を示す図である。この図に示すように、本実施形態では、Δ≧TH1（危険度＝大）の場合には、ω＝ω₁、ξ^max= ξ^max ₁を選択し、−TH2＜Δ＜TH1（危険度＝小）の場合には、ω＝ω₂、ξ^max=ξ^max ₂を選択し、Δ≦−TH2（危険度＝なし）の場合には支援を行わない。なお、ω₁＞ω₂、ξ^max ₁＞ξ^max ₂である。よって、危険度＝大では、危険度＝小の場合よりもアシストが働きやすく、且つ、大きなアシストが働くことになるので、緊急時の追突防止により対処しやすいと言える。一方、危険度＝小では、危険度＝大の場合よりも過剰なアシストが抑制されていると言え、通常の減速支援に適していると言える。

次に、本実施形態のように、危険度に応じてパラメータを調整することの効果を図５を用いて説明する。図５は、１ステップ（200msec間隔）毎に、車間距離、相対速度、アクセル、アシスト量を記録した結果を示すグラフである。なお、図５において、アクセルにはマイナスも含まれている。アクセルがマイナスの場合には、運転者がブレーキ操作をしたことを意味する。また、ここでのアシストは減速アシストであるので、アシスト量はマイナスの値となっている。また、図５（Ａ）と（Ｂ）との違いはサンプリング期間であり、点線で囲んだ期間に、運転者は比較的大きなブレーキ操作を行っている。また、緊急時追突防止モードは、危険度＝大と判断して、ω₁、ξ^max ₁を選択したモードを意味し、通常減速支援モードは、危険度＝小と判断して、ω₂、ξ^max ₂を選択したモードを意味する。また、この図５は、ドライビングシミュレータ上での実験であるが、前述の運転支援装置１でも同様の結果が得られる。

図５（Ａ）の点線で囲んだ部分における運転者のブレーキ操作は、適切なタイミング、適切な踏み込み量であり、このようなブレーキ操作の場合には、緊急追突防止モードにはなっていない。一方、図５（Ｂ）の点線で囲んだ部分における運転者のブレーキ操作は、操作開始当初の踏み込み量が十分ではない。この場合には、緊急追突防止モードとなり、これにより、大きな減速アシストが働いていることが分かる。

この図５のように、危険度に応じて、緊急追突防止モード、通常減速支援モード、支援なしモードの間で制御モードを切り替えることができる。通常減速支援モードは、運転者に違和感を与えない減速度で減速するモードである一方、緊急追突防止モードは、運転者が感じる減速感よりも、追突防止を優先させるモードであることから、これら２つのモードは制御コンセプトが大きく異なる。それにも関らず、本実施形態の運転支援装置１によれば、パラメータ（ω、ξ^max）を変更するだけで、制御コンセプトが大きく異なる２つの制御モードを実現することができる。

以上、説明した本実施形態によれば、危険度判断部４２において危険度を逐次判断し、この危険度に応じて、評価関数のωおよび挙動拘束条件のξ^maxを調整している。そして、この調整したω、ξ^maxが反映されたアシスト量最適化問題を逐次解くことにより最適アシスト量を逐次決定する。従って、車両の危険度に対応した最適なアシスト量を決定することができる。

以上、本発明の実施形態を説明したが、本発明は上述の実施形態に限定されるものではなく、次の実施形態も本発明の技術的範囲に含まれ、さらに、下記以外にも要旨を逸脱しない範囲内で種々変更して実施することができる。

たとえば、前述の実施形態は減速アシストのみであったが、これに加えて加速アシストを行うようにしてもよい。加速アシストにおいても、前述の危険度に応じてパラメータを調整するようにしてもよいし、他の走行状況、たとえば、路面勾配の状況に応じてパラメータを調整するようにしてもよい。路面勾配の状況に応じて調整するパラメータは、前述の実施形態と同じでもよいが、運転者がアクセル操作を行う場合は、同じ加速感を得るためであっても、路面勾配に応じてアクセル踏み込み量が異なる。すなわち、運転行動が異なることになる。そのため、ドライバモデルの係数を調整するようにしてもよい。また、ドライバモデルに定数項を追加して、この定数項を調整するようにしてもよい。

また、減速アシストにおいても、路面勾配の状況を判断してパラメータを調整するようにしてもよい。

また、走行状況において調整するパラメータは、前述の実施形態に限られない。たとえば、ωのみを調整するようにしてもよいし、また、ξ^maxのみを調整するようにしてもよい。また、これらとは異なるパラメータを調整するようにしてもよい。たとえば、走行状況の種類に応じて調整するパラメータの種類が定まるマップを用意しておき、種々の走行状況を逐次判断し、変化が生じた走行状況に応じて、上記マップから定まるパラメータを調整するようにすることもできる。

また、前述の実施形態では、危険指標としてKdBを用いていたが、これに代えて、TTC^-1（=V_k/D_k）を用いてもよい。また、このTTC^-1を危険値Δとして用いてもよい。

また、前述の(17)式は、第１項および第２項ともに２乗となっていたが、下記(22)式のように、各項を１乗とした評価関数を用いてもよい。

また、挙動制約条件は、前述の実施形態のものに限られず、他の種々の制約条件を追加してもよい。他の制約条件としては、たとえば、加加速度（ジャーク）の制約条件がある。また、前述の挙動制約条件をすべて用いる必要もない。また、ドライバモデルや、自車のモデル、前方車のモデルも、前述の実施形態の具体的モデルに限られず、種々変更可能である。

また、前述の実施形態のドライバモデル決定部３１では、データクラスタリング法を用いていたが、再帰的ベイズ推定に基づく手法や、混合整数計画法に帰着する手法を用いてもよい。

１：運転支援装置
１０：減速アクチュエータ
２０：アクチュエータ制御装置（走行制御部）
３０：メイン制御装置
４０：アシスト量オンライン最適化部
４１：モデル予測部（最適アシスト量決定部）
４２：危険度判断部（状況判断部）
４３：パラメータ調整部

Claims (7)

1. 車両に搭載され、その車両を運転する運転者に対して、走行状況に応じた運転支援を行う状況適合型運転支援装置であって、
   定式化したアシスト量最適化問題を逐次解くことにより、最適アシスト量を逐次決定する最適アシスト量決定部と、
   その最適アシスト量決定部が決定した最適アシスト量に基づいて、前記車両の走行制御を行う走行制御部とを備え、
   さらに、前記車両の走行状況に応じて、前記アシスト量最適化問題に含まれるパラメータを調整するパラメータ調整部を備え、
   前記最適アシスト量決定部は、パラメータ調整部が調整したパラメータを用いて前記最適アシスト量を逐次決定することを特徴とする状況適合型運転支援装置。
2. 請求項１において、
   前記車両の走行状況を判断する状況判断部を備え、
   前記パラメータ調整部は、前記状況判断部が判断した走行状況に応じて、前記アシスト量最適化問題に含まれるパラメータを調整することを特徴とする状況適合型運転支援装置。
3. 請求項２において、
   前記状況判断部は、前記走行状況として、前記車両が周辺物体と衝突する危険度を判断し、
   前記パラメータ調整部は、前記状況判断部が判断した危険度に応じて、前記アシスト量最適化問題に含まれるパラメータを調整することを特徴とする状況適合型運転支援装置。
4. 請求項１〜３のいずれか１項において、
   前記アシスト量最適化問題は評価関数を有しており、
   その評価関数は、アシスト量に対するペナルティ項と、アシストによって変化する走行状況を定量化した状況指標に対するペナルティ項とを含み、且つ、少なくとも一方のペナルティ項には重み係数が乗じられており、
   前記アシスト量最適化問題は、この評価関数を、前記状況指標および前記アシスト量の少なくとも一方に影響を与える１つ以上の挙動制約条件の下で最小化するものであり、
   前記パラメータ調整部は、少なくとも、前記重み係数を調整することを特徴とする状況適合型運転支援装置。
5. 請求項１〜３のいずれか１項において、
   前記アシスト量最適化問題は評価関数を有しており、
   その評価関数は、アシスト量に対するペナルティ項と、アシストによって変化する走行状況を定量化した状況指標に対するペナルティ項とを含み、且つ、少なくとも一方のペナルティ項には重み係数が乗じられており、
   前記アシスト量最適化問題は、この評価関数を、前記状況指標および前記アシスト量の少なくとも一方に影響を与える１つ以上の挙動制約条件の下で最小化するものであり、
   前記パラメータ調整部は、前記挙動制約条件に含まれるパラメータを調整することを特徴とする状況適合型運転支援装置。
6. 請求項１〜３のいずれか１項において、
   前記アシスト量最適化問題は評価関数を有しており、
   その評価関数は、アシスト量に対するペナルティ項と、アシストによって変化する走行状況を定量化した状況指標に対するペナルティ項とを含み、且つ、少なくとも一方のペナルティ項には重み係数が乗じられており、
   前記アシスト量最適化問題は、この評価関数を、前記状況指標および前記アシスト量の少なくとも一方に影響を与える１つ以上の挙動制約条件の下で最小化するものであり、
   前記パラメータ調整部は、前記重み係数および前記挙動制約条件に含まれるパラメータを調整することを特徴とする状況適合型運転支援装置。
7. 請求項１〜６のいずれか１項において、
   前記最適アシスト量決定部では、加減速度の最適アシスト量を逐次決定し、
   前記走行制御部では、その加減速度の最適アシスト量に基づいて、前記車両の加減速制御を行うことを特徴とする状況適合型運転支援装置。

Images