JP2012118741A - 可動物の目標状態決定装置及びプログラム - Google Patents

可動物の目標状態決定装置及びプログラム Download PDF

Info

Publication number
JP2012118741A
JP2012118741A JP2010267551A JP2010267551A JP2012118741A JP 2012118741 A JP2012118741 A JP 2012118741A JP 2010267551 A JP2010267551 A JP 2010267551A JP 2010267551 A JP2010267551 A JP 2010267551A JP 2012118741 A JP2012118741 A JP 2012118741A
Authority
JP
Japan
Prior art keywords
movable object
state
detected
speed
collision probability
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
JP2010267551A
Other languages
English (en)
Other versions
JP5189157B2 (ja
Inventor
Yoshiko Ohama
吉紘 大濱
Tsukasa Shimizu
司 清水
Shinichi Nagata
真一 永田
Takuya Kaminade
琢也 上撫
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.)
Toyota Motor Corp
Toyota Central R&D Labs Inc
Original Assignee
Toyota Motor Corp
Toyota Central R&D Labs Inc
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 Toyota Motor Corp, Toyota Central R&D Labs Inc filed Critical Toyota Motor Corp
Priority to JP2010267551A priority Critical patent/JP5189157B2/ja
Priority to CN2011800574392A priority patent/CN103250196A/zh
Priority to KR1020137016741A priority patent/KR101512428B1/ko
Priority to US13/990,608 priority patent/US9132775B2/en
Priority to PCT/JP2011/076837 priority patent/WO2012073745A1/ja
Priority to EP11844116.1A priority patent/EP2648172A4/en
Publication of JP2012118741A publication Critical patent/JP2012118741A/ja
Application granted granted Critical
Publication of JP5189157B2 publication Critical patent/JP5189157B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Abstract

【課題】規範となる可動物状態を精度良く決定することができるようにする。
【解決手段】環境運動検出部４０によって、自車両の車速を検出すると共に、周辺の可動物を検出する。衝突確率予測部４１によって、自車両と、検出された周辺の可動物との将来的な衝突確率を予測する。移動規範学習部４４によって、規範的な移動に関して求めた、進入速度、衝突確率、及び他の可動物の側方を通過するときの側方通過速度に基づいて、進入速度、衝突確率、及び側方通過速度の関係を学習する。軌道特徴点生成部４８によって、移動規範学習部４４の学習結果に基づいて、検出された進入速度及び予測された衝突確率に対する、周辺の可動物の側方を通過するときの規範となる側方通過速度を決定する。
【選択図】図１

Description

本発明は、可動物の目標状態決定装置及びプログラムに係り、特に、目標の可動物状態を決定する可動物の目標状態決定装置及びプログラムに関する。
従来より、運転者の運転傾向をパラメータ化し、走行中に同乗者の運転傾向パラメータと比較して運転者に提示して運転行動を同乗者に近づけさせ、同乗者にとって快適な運転状態に引き込む運転支援装置が知られている（特許文献１）。この運転支援装置では、運転者の運転操作の特徴をとらえたパラメータをセンサ情報から推定し、推定値を提示することによって運転者の行動変容を促すことを目的としている。
また、移動体を運転するドライバの状態を運転操作で表現し、外部環境をセンシングして抽出した特徴量から環境リスクを認識し、両者の対応を確率的状態遷移モデルに学習させる安全運転支援装置が知られている（特許文献２）。この安全運転支援装置では、学習後の確率的遷移モデルに対して、現在の運転操作と外部環境の特微量を入力し、環境リスクが高いのにもかかわらず、運転操作が、リスクを低く見積もるような状態である場合に、危険であると判断して運転支援を生成している。
特開２００７−１４８９１７号公報 特開２００９−２６２７０２号公報
しかしながら、上記の特許文献１に記載の技術では、推定値が、車両が将来描くべき軌道上の特徴点ではなく、同乗者（他者）が過去にとった行動の統計量であり、時々刻々の衝突可能性とは無関係に提示される、という問題がある。
また、上記の特許文献２に記載の技術では、通常運転時との逸脱を判定することに主眼を置いており、環境リスクが定量化されているものの、運転操作の特徴量は、運転者の内部状態を反映するものであって、車両挙動とは無関係である。したがって、移動規範が設定されず、時々刻々にどのような状態であるべきかを出力することは困難である、という問題がある。
本発明は、上記の問題点を解決するためになされたもので、目標となる可動物状態を精度良く決定することができる可動物の目標状態決定装置及びプログラムを提供することを目的とする。
上記の目的を達成するために本発明に係る可動物の目標状態決定装置は、決定対象の可動物の、位置、姿勢状態、又は運動状態である可動物状態を検出すると共に、前記決定対象の可動物の周辺の可動物を検出する検出手段と、前記検出手段によって検出された前記可動物状態に基づいて、前記決定対象の可動物と、前記検出された周辺の可動物との将来的な衝突確率を予測する衝突予測手段と、予め設定した、前記可動物状態、前記衝突確率、目標の可動物状態の関係に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記目標の可動物状態を決定する決定手段と、を含んで構成されている。
また、本発明に係るプログラムは、コンピュータを、決定対象の可動物の、位置、姿勢状態、又は運動状態である可動物状態を検出すると共に、前記決定対象の可動物の周辺の可動物を検出する検出手段によって検出された前記可動物状態に基づいて、前記決定対象の可動物と、前記検出された周辺の可動物との将来的な衝突確率を予測する衝突予測手段、及び予め設定した、前記可動物状態、前記衝突確率、目標の可動物状態の関係に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記目標の可動物状態を決定する決定手段として機能させるためのプログラムである。
本発明によれば、検出手段によって、決定対象の可動物の、位置、姿勢状態、又は運動状態である可動物状態を検出すると共に、決定対象の可動物の周辺の可動物を検出する。衝突予測手段によって、検出手段によって検出された可動物状態に基づいて、決定対象の可動物と、検出された周辺の可動物との将来的な衝突確率を予測する。
そして、決定手段によって、予め設定した、可動物状態、衝突確率、目標の可動物状態の関係に基づいて、検出手段によって検出された可動物状態及び衝突予測手段によって予測された衝突確率に対する、目標の可動物状態を決定する。
このように、予め設定した、可動物状態、衝突確率、及び目標の可動物状態の関係に基づいて、検出された可動物状態及び予測された衝突確率に対する、目標の可動物状態を決定することにより、目標となる可動物状態を精度良く決定することができる。
本発明に係る規範状態推定装置は、決定手段によって決定された目標となる可動物状態と、検出手段によって検出された可動物状態との差分に応じて、運転支援を行なう運転支援手段を更に含むようにすることができる。
本発明に係る規範状態推定装置は、決定手段によって決定された目標の可動物状態に基づいて、目標の可動物状態となるまでの可動物状態の時系列データを生成する生成手段を更に含み、運転支援手段は、生成手段によって生成された可動物状態の時系列データと、検出手段によって検出された可動物状態との差分に応じて、運転支援を行なうようにすることができる。
本発明に係る規範状態推定装置は、決定手段によって決定された目標の可動物状態に基づいて、目標の可動物状態となるまでの可動物状態の時系列データを生成する生成手段と、検出手段によって検出された可動物状態に基づいて、目標の可動物状態となるまでの決定対象の可動物の可動物状態の時系列データを予測する状態予測手段とを更に含み、運転支援手段は、生成手段によって生成された可動物状態の時系列データと、状態予測手段によって予測された可動物状態の時系列データとの差分に応じて、運転支援を行なうようにすることができる。
本発明に係る決定手段は、可動物の規範的な移動に関して他の可動物との将来的な衝突確率が予測される場合について求めた、可動物状態、衝突確率、及び他の可動物の側方、前方、又は後方を通過するときの可動物状態に基づいて予め設定した、可動物状態、衝突確率、及び他の可動物の側方、前方、又は後方を通過するときの可動物状態の関係に基づいて、検出手段によって検出された可動物状態及び衝突予測手段によって予測された衝突確率に対する、周辺の可動物の側方、前方、又は後方を通過するときの規範となる可動物状態を、目標の可動物状態として決定するようにすることができる。
上記の規範状態推定装置は、決定対象の可動物の規範的な移動に関して、衝突予測手段によって予測された衝突確率、該衝突確率を予測したときに検出手段によって検出された可動物状態、及び他の可動物の側方、前方、又は後方を通過するときに検出手段によって検出された可動物状態を、学習データとして複数生成する学習データ生成手段と、学習データ生成手段によって生成された複数の学習データに基づいて、決定対象の可動物の規範的な移動における、可動物状態、衝突確率、及び他の可動物の側方、前方、又は後方を通過するときの可動物状態の関係を学習する移動規範学習手段とを更に含み、決定手段は、移動規範学習手段による学習結果に基づいて、検出手段によって検出された可動物状態及び衝突予測手段によって予測された衝突確率に対する、周辺の可動物の側方、前方、又は後方を通過するときの規範となる可動物状態を目標の可動物状態として決定するようにすることができる。
以上説明したように、本発明の可動物の目標状態決定装置及びプログラムによれば、予め設定した、可動物状態、衝突確率、及び目標の可動物状態の関係に基づいて、検出された可動物状態及び予測された衝突確率に対する、目標の可動物状態を決定することにより、目標となる可動物状態を精度良く決定することができる、という効果が得られる。
本発明の第１の実施の形態に係る運転支援装置を示すブロック図である。 学習データとして、進入速度及び側方間隔を取得する様子を示すイメージ図である。 学習データの例を示す図である。 側方間隔と側方通過速度との関係を示すグラフである。 側方間隔と非衝突確率との関係を示すグラフである。 衝突確率と側方通過速度との関係を示すグラフである。 進入速度毎の、回帰係数を格納したテーブルを示す図である。 規範となる側方通過速度を表わす特徴点を生成する様子を示す図である。 （Ａ）車両の位置の変化を示すグラフ、（Ｂ）車両の速度の変化を示すグラフ、（Ｃ）車両の加速度の変化を示すグラフ、及び（Ｄ）ジャークの変化を示すグラフである。 生成された速度軌道と、検出された速度との差分を示す図である。 本発明の第１の実施の形態に係る運転支援装置の運転支援部の構成を示すブロック図である。 本発明の第１の実施の形態に係る運転支援装置における運転支援処理ルーチンの内容を示すフローチャートである。 ニューラルネットワークを示す図である。 本発明の第３の実施の形態に係る運転支援装置を示すブロック図である。 生成された特徴点と、検出された速度の時系列データから抽出された特徴点との差分を示す図である。 本発明の第３の実施の形態に係る運転支援装置における運転支援処理ルーチンの内容を示すフローチャートである。 検出された速度の時系列データから複数の特徴点を抽出した様子を示す図である。 本発明の第４の実施の形態に係る運転支援装置を示すブロック図である。 生成された速度軌道と、予測した速度の時系列データとの差分を示す図である。 本発明の第４の実施の形態に係る運転支援装置における運転支援処理ルーチンの内容を示すフローチャートである。 （Ａ）生成された操舵角軌道と、検出された操舵角との差分を示す図、及び（Ｂ）生成された速度軌道と、検出された速度との差分を示す図である。 生成された特徴点と、検出された速度の時系列データから抽出された特徴点との差分を示す図である。 （Ａ）生成された操舵角軌道と、検出された操舵角との差分を示す図、及び（Ｂ）生成された速度軌道と、検出された速度との差分を示す図である。
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、車両に搭載された運転支援装置に、本発明を適用した場合を例に説明する。
図１に示すように、第１の実施の形態に係る運転支援装置１０は、自車両の前方に対してレーザを１次元（水平方向）に走査しながら照射し、レーザの反射によりレーザが照射された物体の２次元位置を検出するレーザレーダ１２と、自車両の運動状態を検出する運動センサ１４と、自車両の前方を撮影するカメラ１８と、自車両の位置を検出するＧＰＳ装置２０と、これらの検出結果に基づいて、規範となる車速との差分を検出して、運転支援を行うコンピュータ２２とを備えている。
また、レーザレーダ１２は、車両前方に設置され、装置を基準とする車両前方に存在する物体までの距離を検出する装置であり、出力するレーザを水平方向に走査することで、レーザの反射により自車両前方に存在する複数の物体表面上の複数の点の位置を検出することができる。レーザレーダ１２による検出結果は、自車両前方に存在する物体表面のある点の位置を表す２次元座標の集合である。レーザレーダ１２による検出処理は一定サイクルで実行され、レーザレーダ１２は、各時点での自車両前方に存在する物体表面の複数の点の２次元位置を示すデータをコンピュータ２２に出力する。
運動センサ１４は、自車両の速度を計測する車速センサと、ヨーレートを計測するジャイロセンサ又は自車両の加速度を計測する加速度センサとで構成されている。
カメラ１８は、小型のＣＣＤカメラ又はＣＭＯＳカメラで構成され、車両の前方を撮影するように車両のフロントウィンドウ上部等に取り付けられている。カメラ１８で撮影された前方の道路状況等の画像データは、コンピュータ２２に入力される。
コンピュータ２２は、ＣＰＵ、後述する運転支援処理ルーチンを実行するためのプログラムを記憶したＲＯＭ、データ等を記憶するＲＡＭ、及びこれらを接続するバスを含んで構成されている。このコンピュータ２２をハードウエアとソフトウエアとに基づいて定まる機能実現手段毎に分割した機能ブロックで説明すると、図１に示すように、電子地図を記憶した地図データベース３８と、レーザレーダ１２により検出された物体の２次元位置、運動センサ１４により検出された車速、ヨーレート、又は加速度、カメラ１８によって撮影された前方画像、記憶された電子地図、及びＧＰＳ装置２０によって検出された自車両の位置に基づいて、自車両の運動状態、自車両周辺の可動物、自車両周辺の可動物の状態、及び走行環境の状況を検出する環境運動検出部４０と、環境運動検出部４０による検出結果から、自車両と、自車両周辺の可動物との将来的な衝突確率を予測する衝突確率予測部４１と、環境運動検出部４０による検出結果及び前記衝突確率予測部４１の予測結果から、学習データを生成する学習データ生成部４２と、学習データに基づいて、移動規範を表わすデータを学習する移動規範学習部４４と、移動規範学習部４４による学習結果を記憶する移動規範記憶部４６と、を備えている。
地図データベース３８に記憶されている電子地図には、道路形状や標識表示、建造物に関する情報が格納されている。
環境運動検出部４０は、運動センサ１４による検出結果から、自車両の運動状態として、自車両の車速、加速度、又はヨーレートを取得する。また、環境運動検出部４０は、ＧＰＳ装置２０によって検出された自車位置に基づいて、地図データベース３８の電子地図から、自車両周辺の進入可能領域（車線、歩道、横断歩道など）や、標識表示（信号、一時停止など）、建造物に関する情報を検出する。
また、環境運動検出部４０は、レーザレーダ１２の計測データに基づいて、レーザ反射点よりもセンサ側の領域には物体が存在しておらず、反射点の奥行き側は死角であると定義して、自車から見た静止物によって形成される死角領域を特定する。
また、環境運動検出部４０は、カメラ１８によって撮影された前方画像及びレーザレーダ１２の計測データから、学習型のパターン認識技術（例えば、ＳＶＭ）によって、前方に存在する可動物の位置や大きさ、可動物の種類（例えば、歩行者、二輪車、自動車等）、姿勢状態（向き、歩様など）、及び運動状態（速度、ヨーレート、加速度など）を検出する。なお、環境運動検出部４０は、レーザレーダ１２の計測データの時間差分をとることによって、移動物と静止物とを識別する。また、環境運動検出部４０は、更に、特定された死角領域内に潜在する可動物の種類及び可動物の運動状態を検出する。
衝突確率予測部４１は、自車両の周辺を含むマップを生成し、環境運動検出部４０によって検出された自車両の速度に基づいて、自車両の位置分布及び速度分布をマップ上に配置すると共に、環境運動検出部４０によって検出された自車両周辺の可動物の位置及び自車両周辺の可動物の速度に基づいて、周辺可動物の位置分布及び速度分布をマップ上に配置する。
また、衝突確率予測部４１は、当該マップにおいて、自車両を含む各可動物について、速度分布に基づいて、位置分布の線形予測を行って、あらかじめ定義した１ステップ分だけ先の時刻の将来予測を行う。
衝突確率予測部４１は、上記の将来分布の予測を、予め設定された予測時間分だけ繰り返し実行し、予測された自車両の位置分布と周辺可動物の位置分布との重なりに基づいて、自車両と周辺可動物との衝突確率を算出する。
学習データ生成部４２は、規範となる運転者（例えば、熟練運転者）が運転しているときに、図２に示すように、環境運動検出部４０による検出結果から、周辺可動物の側方を通過する前（例えば、側方通過地点より１００ｍ手前）の進入速度として、自車両の車速を取得すると共に、周辺可動物の側方を通過したときの側方通過速度として、自車両の車速を取得する。また、学習データ生成部４２は、環境運動検出部４０による検出結果から、自車両の位置及び周辺可動物の位置を取得し、自車両の位置と周辺可動物の位置における横方向の距離を、側方間隔として算出する。また、学習データ生成部４２は、周辺可動物の側方を通過する前に衝突確率予測部４１によって予測された衝突確率を取得する。学習データ生成部４２は、図３に示すように、上記のように得られた、進入速度、側方間隔、衝突確率、及び側方通過速度からなる学習データを複数生成する。
ここで、側方間隔と側方通過速度とは、図４に示すような関係が得られる。例えば、進入速度を６０ｋｍ／ｈとした場合に、側方間隔が広いほど、側方通過速度は高くなる。また、側方間隔と、歩行者がランダムに動く場合の非衝突確率とは、図５に示すような関係が得られる。例えば、進入速度を６０ｋｍ／ｈとした場合に、側方間隔が広いほど、非衝突確率は高くなる。また、歩行者の位置の分散が、大きいほど、非衝突確率は低くなる。
移動規範学習部４４は、生成された複数の学習データに基づいて、移動規範としての、進入速度、衝突確率、及び側方通過速度の関係を学習する。図６に示すように、進入速度毎に、衝突確率ｐと側方通過速度ｖとの関係を表わす１次線形回帰ｖ＝α×ｐ＋βが学習され、学習結果として、図７に示すような、進入速度毎に、１次線形回帰の１次係数αと切片βとが格納されたテーブルが得られる。
移動規範記憶部４６は、学習結果として得られた、進入速度毎に、１次線形回帰の１次係数αと切片βとが格納されたテーブルを記憶する。
コンピュータ２２は、更に、予測された衝突確率と、自車両の進入速度とに基づいて、移動規範記憶部４６に記憶されたテーブルを用いて、移動規範となる側方通過速度を決定して、速度軌道の特徴点を生成する軌道特徴点生成部４８と、速度軌道の特徴点に基づいて、現在の状態から周辺可動物の側方を通過するまでの規範となる運動状態の時系列データを表わす速度軌道を生成する速度軌道生成部５０と、生成された速度軌道と、環境運動検出部４０によって検出された自車両の運動状態の各々との差分を検出する軌道差分検出部５２と、生成された速度軌道、及び検出された速度軌道との差分に基づいて、運転介入制御を行って、運転支援を行なう運転支援部５４とを備えている。なお、軌道特徴点生成部４８が、決定手段の一例であり、速度軌道生成部５０が、生成手段の一例である。
軌道特徴点生成部４８は、移動規範記憶部４６に記憶されたテーブルから、検出された自車両の進入速度に最も近い進入速度に対応する、１次線形回帰の回帰係数（１次係数αと切片β）を取得し、取得した回帰係数を適用した１次線形回帰に従って、予測された衝突確率に対応する側方通過速度を算出し、図８に示すように、算出された側方通過速度を表わす特徴点を生成する。
速度軌道生成部５０は、周辺可動物の側方を通過する前に検出された運動状態（進入速度）と、生成された特徴点（側方通過速度）とを接続する滑らかな軌道を生成する。例えば、以下の（１）式に従って、加速度の微分（図９（Ｄ）参照）の総和が最小となる軌道、すなわち、Ｊｅｒｋ最小軌道（ｎ＝４）を生成する（図１０参照）。
Figure 2012118741
また、ｔiは、開始時刻、ｔfは終端時刻、ｔpは経由点通過時刻、ｘは位置、ｘpは経由点位置、ｘfは終端点位置である。
軌道差分検出部５２は、自車両の車速が検出される毎に、図１０に示すように、生成された車速の変化を表わす速度軌道と、検出された自車両の車速の各々との差分を検出する。
運転支援部５４は、検出された差分に基づいて、差分を減少させるように、自車両の加減速又は操舵を制御する運転介入制御を行う。
運転支援部５４は、図１１に示すように、速度軌道生成部５０からの出力（速度軌道）を入力として、制御量（例えば、スロットル開度）を出力するフィードフォワード制御器６０と、軌道差分検出部５２からの出力（速度軌道との差分）を入力として、制御量（スロットル開度）を出力するフィードバック制御器６２と、フィードフォワード制御器６０及びフィードバック制御器６２から出力される制御量（スロットル開度）を加算する加算器６４と、緊急回避判断機構６６と、加算器６４から出力される制御量（スロットル開度）及び緊急回避判断機構６６の出力（スロットル開度の緊急時指令値）を乗算して、実際の制御量（スロットル開度）を算出する乗算器６８とを備えている。
緊急回避判断機構６６は、ドライバが、自己判断で危険を避けるために急操作した場合や、衝突時の被害を軽減する緊急回避装置（図示省略）が作動した場合に、緊急時指令値を乗算器６８へ出力する。これによって、自己判断による急操作や、緊急回避装置の作動による制御が優先される。
乗算器６８は、算出した実際の制御量（スロットル開度の指令値）を、運転介入制御の制御対象（例えばエンジン）に出力する。
次に、本実施の形態に係る運転支援装置１０の作用について説明する。
まず、レーザレーダ１２によって、レーザが自車両の前方を水平方向に走査されて、走査方向に並んだレーザ照射位置としての物体の２次元位置の各々までの距離が計測され、自車両の前方に存在する物体の２次元位置が検出される。レーザレーダ１２によって検出される２次元位置は、レーザを走査する毎に得られる。
また、運動センサ１４によって、車速、及びヨーレート又は加速度が繰り返し検出され、ＧＰＳ装置２０によって、自車両の位置が繰り返し計測され、また、カメラ１８によって、前方の画像が撮影される。
規範となるドライバが運転しているときに、学習処理の開始が指示されると、コンピュータ２２は、カメラ１８により撮影された前方画像、ＧＰＳ装置２０によって検出された自車両位置、レーザレーダ１２の計測データ、運動センサ１４により検出された車速、ヨーレート又は加速度を取得する。そして、コンピュータ２２は、上記で取得した前方画像、自車両位置、及び地図データベース３８の電子地図に基づいて、自車両周辺の含む走行環境の状況を検出し、上記で取得した前方画像及びレーザレーダ１２の計測結果に基づいて、周辺の可動物及び可動物の運動状態を検出すると共に、可動物の種類及び静止物を識別する。
そして、コンピュータ２２は、検出された周辺の可動物と自車両との将来の衝突確率を予測する。
また、コンピュータ２２は、予測された将来の衝突確率と、衝突確率を予測したときに検出された自車両の車速（進入速度）と、当該周辺の可動物の側方を通過したときに検出された自車両の車速（側方通過速度）とを学習データとして収集する。
次に、コンピュータ２２は、収集した複数の学習データに基づいて、進入速度毎に、衝突確率と側方通過速度との関係を表わす１次線形回帰の１次係数αと切片βを学習し、学習結果として、進入速度毎に、１次係数αと切片βとが格納されたテーブルを得る。コンピュータ２２は、得られたテーブルを、移動規範記憶部４６に格納する。
そして、コンピュータ２２によって、図１２に示す運転支援処理ルーチンが実行される。
まず、ステップ１００において、カメラ１８により撮影された前方画像及びＧＰＳ装置２０によって検出された自車両位置を取得する。次に、ステップ１０２において、レーザレーダ１２から、前方に存在する物体の２次元位置（走査方向に並んだ各２次元位置までの計測距離）を示すデータを取得し、ステップ１０４において、運動センサ１４により検出された車速、及びヨーレート又は加速度を、自車両の運動状態として取得する。
そして、ステップ１０６において、上記で取得した前方画像、自車両位置、及び地図データベース３８の電子地図に基づいて、自車両周辺の各種走路区分の領域及び道路属性を含む走行環境の状況を検出する。次のステップ１０８では、上記で取得した前方画像、及びレーザレーダ１２の計測結果に基づいて、周辺の可動物及び可動物の運動状態を検出すると共に、可動物の種類及び静止物を識別する。
そして、ステップ１１０において、自車両位置や自車両周辺を含むマップを生成し、上記ステップ１０８で検出された周辺の可動物の位置分布及び速度分布をマップ上に配置すると共に、上記ステップ１０４で検出された運動状態に基づいて、自車両の位置分布及び速度分布をマップ上に配置する。そして、周辺の可動物の位置分布及び速度分布と、自車両の位置分布及び速度分布とに基づいて、将来の衝突確率を予測する。
次のステップ１１２では、上記ステップ１１０で予測された衝突確率が閾値以上であるか否かを判定し、衝突確率が閾値未満である場合には、運転支援が不要であると判断し、上記ステップ１００へ戻る。一方、衝突確率が閾値以上である場合には、ステップ１１４において、上記ステップ１０４で検出された自車両の車速（進入速度）に対応する、移動規範を表わすパラメータとして、１次線形回帰の１次係数αと切片βを取得する。そして、ステップ１１６において、上記ステップ１１４で取得したパラメータと、上記ステップ１１０で予測された衝突確率とに基づいて、周辺の可動物の側方を通過するときの規範となる側方通過速度を算出し、算出された側方通過速度を表わす特徴点を生成する。
ステップ１１８では、上記ステップ１０４で検出した進入速度を表わす点と、上記ステップ１１６で生成された特徴点とを滑らかに接続する、速度の時系列データを表わす速度軌道を生成する。
次のステップ１２０では、運動センサ１４により検出された車速を自車両の運動状態として取得し、ステップ１２２において、取得した車速と、上記ステップ１１８で生成された速度軌道との差分を検出する。
そして、ステップ１２４において、上記ステップ１２２で検出された差分が減少するように運転介入制御を行って、運転支援を行なう。次のステップ１２６では、速度軌道の終端へ到達したか否かを判定し、例えば、衝突確率が閾値以上となる周辺の可動物の側方を通過していない場合には、速度軌道の終端へ到達していないと判断し、上記ステップ１２０へ戻る。一方、衝突確率が閾値以上となる周辺の可動物の側方を通過した場合には、速度軌道の終端へ到達したと判断し、上記ステップ１００へ戻る。
以上説明したように、第１の実施の形態に係る運転支援装置によれば、学習した、進入速度毎の、将来の衝突確率と他の可動物の側方を通過するときの側方通過速度との１次線形回帰に基づいて、検出された進入速度及び予測された将来の衝突確率に対する、規範となる側方通過速度を決定することにより、規範となる側方通過速度を精度良く決定することができる。
また、生成した特徴点をなめらかに接続した速度軌道と、実際の車速との差分を検出し、差分を解消するようなフィードバック制御を行うことで、移動規範に準じた運転が可能となる。
また、移動規範を学習する処理を簡易化することができる。例えば、歩行者との距離、歩行者の向き、歩行者速度、歩行者と横断歩道の距離など、種々の状況を表わす情報を、衝突確率にまとめて、進入速度及び側方通過速度との関係を学習しているため、学習処理を簡易化することができる。
次に、第２の実施の形態に係る運転支援装置について説明する。なお、第２の実施の形態に係る運転支援装置は、第１の実施の形態と同様の構成となるため、同一符号を付して説明を省略する。
第２の実施の形態では、進入速度と衝突確率とを入力とし、側方通過速度を出力するニューラルネットワークを学習している点が、第１の実施の形態と異なっている。
第２の実施の形態では、移動規範学習部４４によって、生成された複数の学習データに基づいて、移動規範としての、進入速度、衝突確率、及び側方通過速度の関係を表わすニューラルネットワークを学習する。図１３に示すように、複数の学習データに基づいて、進入速度と衝突確率とを入力とし、側方通過速度を出力するニューラルネットワークの結合重みｗ11、ｗ12、・・・、ｗ31を学習する。
移動規範記憶部４６は、学習結果として得られた、ニューラルネットワークの結合重みｗ11、ｗ12、・・・、ｗ31を記憶する。
軌道特徴点生成部４８は、移動規範記憶部４６に記憶された結合重みを適用したニューラルネットワークに、自車両の進入速度と予測された衝突確率とを入力して、側方通過速度を算出し、算出された側方通過速度を表わす特徴点を生成する。
なお、第２の実施の形態に係る運転支援装置の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。
以上説明したように、第２の実施の形態に係る運転支援装置によれば、学習した、進入速度と、将来の衝突確率と、他の可動物の側方を通過するときの側方通過速度との関係を表わすニューラルネットワークに基づいて、検出された進入速度及び予測された将来の衝突確率に対する、規範となる側方通過速度を決定することにより、規範となる側方通過速度を精度良く決定することができる。
次に、第３の実施の形態に係る運転支援装置について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
第３の実施の形態では、規範となる側方通過速度を表わす特徴点と、実際の車速との差分を検出して、差分をドライバに提示している点が、第１の実施の形態と異なっている。
図１４に示すように、第３の実施の形態に係る運転支援装置３１０のコンピュータ３２２は、地図データベース３８と、環境運動検出部４０と、衝突確率予測部４１と、学習データ生成部４２と、移動規範学習部４４と、移動規範記憶部４６と、軌道特徴点生成部４８と、環境運動検出部４０によって検出された自車両の運動状態の時系列データから、軌道特徴点生成部４８によって生成された特徴点と対応する特徴点を抽出する特徴点抽出部３５０と、軌道特徴点生成部４８によって生成された特徴点と特徴点抽出部３５０によって抽出された特徴点との差分を検出する特徴点差分検出部３５２と、検出された特徴点の差分を表示装置３２４に表示して、ドライバに提示する運転支援部３５４とを備えている。
特徴点抽出部３５０は、環境運動検出部４０によって検出された自車両の車速を記録し、生成した特徴点のうち最も遠いものの付近に至るまで蓄積して、図１５に示すような、自車両の車速の時系列データを得る。生成した特徴点のうち最も遠いものに対応する位置を自車両が通過した後、特徴点抽出部３５０は、自車両の車速の時系列データから、生成した特徴点に対応する特徴点を抽出する。
特徴点差分検出部３５２は、上記図１５に示すように、軌道特徴点生成部４８によって生成された特徴点と特徴点抽出部３５０によって抽出された特徴点との差分を検出する。
次に、第３の実施の形態に係る運転支援処理ルーチンについて図１６を用いて説明する。なお、第１の実施の形態と同様の処理については、同一符号を付して詳細な説明を省略する。
まず、ステップ１００において、カメラ１８により撮影された前方画像及びＧＰＳ装置２０によって検出された自車両位置を取得する。次に、ステップ１０２において、レーザレーダ１２から、前方に存在する物体の２次元位置（走査方向に並んだ各２次元位置までの計測距離）を示すデータを取得し、ステップ１０４において、運動センサ１４により検出された車速、及びヨーレート又は加速度を自車両の運動状態として取得する。
そして、ステップ１０６において、自車両周辺の各種走路区分の領域及び道路属性を含む走行環境の状況を検出し、次のステップ１０８では、周辺の可動物及び可動物の運動状態を検出すると共に、可動物の種類及び静止物を識別する。
そして、ステップ１１０において、周辺の可動物の位置分布及び速度分布と、自車両の位置分布及び速度分布とに基づいて、将来の衝突確率を予測する。次のステップ１１２では、上記ステップ１１０で予測された衝突確率が閾値以上であるか否かを判定し、衝突確率が閾値未満である場合には、上記ステップ１００へ戻る。一方、衝突確率が閾値以上である場合には、ステップ１１４において、上記ステップ１０４で検出された自車両の車速（進入速度）に対応する、１次線形回帰の１次係数αと切片βを取得する。
そして、ステップ１１６において、周辺の可動物の側方を通過するときの規範となる側方通過速度を算出し、算出された側方通過速度を表わす特徴点を生成する。
次のステップ３６８では、運動センサ１４により検出された車速を自車両の運動状態として取得すると共に、ＧＰＳ装置２０によって検出された自車両位置を取得する。
そして、ステップ３７０において、上記ステップ３６８で取得した自車両位置に基づいて、上記ステップ１１６で生成した最も遠い特徴点付近に到達したか否かを判定する。自車両位置が、衝突確率が閾値以上となる周辺の可動物の側方に到達しない場合には、上記ステップ３６８へ戻るが、自車両位置が、衝突確率が閾値以上となる周辺の可動物の側方に到達した場合には、最も遠い特徴点付近に到達したと判断し、ステップ３７２へ進む。
ステップ３７２では、上記ステップ３６８で取得した自車両の車速の時系列データから、上記ステップ１１６で生成した特徴点に対応する特徴点を抽出し、ステップ３７４において、抽出した特徴点と、上記ステップ１１６で生成された特徴点との差分を検出する。
ステップ３７６では、上記ステップ３７４で検出された差分を、事後的に表示装置３２４に表示して、ドライバに提示し、上記ステップ１００へ戻る。例えば、速度○○ｋｍで走るべき、などのメッセージを提示する。
なお、上記ステップ３６８で、自車両の車速を繰り返し取得している間に、突発的な理由により車両が完全に停止したり、衝突可能性が急激に変化したり、運転者が支援をキャンセルした場合などには、再度、特徴点の生成からやり直すようにすればよい。
以上説明したように、第３の実施の形態に係る運転支援装置によれば、ドライバが、規範となる運転者の速度軌道に応じた速度制御を獲得できるように学習機会を与えることができる。
また、生成した特徴点と、実際の速度軌道から抽出した特徴点とが乖離していた場合、移動規範による望ましい速度軌道の特徴点を教示できる。
また、生成した特徴点に対する、直感的な説明性を向上させることができる。例えば、歩行者との距離、歩行者の向き、歩行者速度、歩行者と横断歩道の距離など、種々の状況を表わす情報を、衝突確率にまとめており、生成した特徴点が、進入速度と衝突確率に基づくことを説明すればよいため、ドライバにわかりやすい。
なお、自車両の車速の時系列データから抽出する特徴点が、側方通過速度を表わす点だけである場合を例に説明したが、これに限定されるものではなく、例えば、図１７に示すように、更に、減速行動を開始した減速地点を、特徴点として抽出してもよい。この場合には、自車両の車速の時系列変化に低域通過フィルタをかけた後に微分して、極大ピーク地点を減速地点として抽出すればよい。
次に、第４の実施の形態に係る運転支援装置について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
第４の実施の形態では、自車両の将来の運動状態の時系列データを予測している点と、規範となる側方通過速度を表わす特徴点までの軌道（時系列データ）と、予測された時系列データとの差分を検出して、差分をドライバに提示している点が、第１の実施の形態と異なっている。
図１８に示すように、第４の実施の形態に係る運転支援装置４１０のコンピュータ４２２は、地図データベース３８と、環境運動検出部４０と、衝突確率予測部４１と、学習データ生成部４２と、移動規範学習部４４と、移動規範記憶部４６と、軌道特徴点生成部４８と、速度軌道生成部５０と、環境運動検出部４０によって検出された自車両の運動状態に基づいて、自車両の運動状態の時系列データを予測する自車運動予測部４５０と、速度軌道生成部５０によって生成された速度軌道と自車運動予測部４５０によって予測された運動状態の時系列データとの差分を検出する軌道差分検出部４５２と、検出された差分に応じて、表示装置３２４に表示して、ドライバに提示する運転支援部４５４とを備えている。なお、自車運動予測部４５０が、状態予測手段の一例である。
環境運動検出部４０は、更に、ブレーキペダルセンサ（図示省略）やアクセルペダルセンサ（図示省略）からの出力に基づいて、ブレーキペダル上の足の位置、及びアクセルペダル上の足の位置を検出する。なお、ブレーキペダルセンサやアクセルペダルセンサは、例えば光電センサを用いて構成され、ブレーキペダル上及びアクセルペダル上の足の位置を出力する。
自車運動予測部４５０は、検出された自車両の車速と、ブレーキペダル上の足の位置及びアクセルペダル上の足の位置の検出結果とに基づいて、自車両の将来の車速の時系列データを予測する。
例えば、ブレーキペダルと接触する位置に足があることが検出された場合には、減速行動中であると推定して、現在の自車両の車速から、一定減速度で減速するような車速の時系列データを予測する。
また、ブレーキペダルの上方に足があることが検出された場合には、減速意図があり、ブレーキに構えている状態であると推定して、空走時間を１００ｍｓ経過した後（現在の自車両の車速が１００ｍｓ継続した後）、一定減速度で減速するような車速の時系列データを予測する。
また、アクセルペダルの上方に足があることが検出された場合には、減速意図があり、アクセルから足を離している状態であると推定して、空走時間を２００ｍｓ経過した後（現在の自車両の車速が２００ｍｓ継続した後）、一定減速度で減速するような車速の時系列データを予測する。
また、アクセルペダルと接触する位置に足があることが検出された場合には、減速意図がないと推定して、空走時間を３００ｍｓ経過した後（現在の自車両の車速が３００ｍｓ継続した後）、一定減速度で減速するような車速の時系列データを予測する。
軌道差分検出部４５２は、図１９に示すように、生成された車速の変化を表わす速度軌道と、予測された自車両の将来の車速の時系列データとの差分を検出する。
運転支援部４５４は、検出された差分を減少させるように、差分に応じたペダル踏力又は操舵力を、表示装置３２４に表示することにより、運転支援を行なう。
次に、第４の実施の形態に係る運転支援処理ルーチンについて図２０を用いて説明する。なお、第１の実施の形態と同様の処理については、同一符号を付して詳細な説明を省略する。
まず、ステップ１００において、カメラ１８により撮影された前方画像及びＧＰＳ装置２０によって検出された自車両位置を取得する。次に、ステップ１０２において、レーザレーダ１２から、前方に存在する物体の２次元位置（走査方向に並んだ各２次元位置までの計測距離）を示すデータを取得し、ステップ４６８において、運動センサ１４により検出された車速、及びヨーレート又は加速度を、自車両の運動状態として取得すると共に、ブレーキペダルセンサ及びアクセルペダルセンサからの出力に基づいて、ブレーキペダル上の足の位置、及びアクセルペダル上の足の位置を検出する。
そして、ステップ１０６において、自車両周辺の各種走路区分の領域及び道路属性を含む走行環境の状況を検出し、次のステップ１０８では、周辺の可動物及び可動物の運動状態を検出すると共に、可動物の種類及び静止物を識別する。
そして、ステップ１１０において、周辺の可動物の位置分布及び速度分布と、自車両の位置分布及び速度分布とに基づいて、将来の衝突確率を予測する。次のステップ１１２では、上記ステップ１１０で予測された衝突確率が閾値以上であるか否かを判定し、衝突確率が閾値未満である場合には、上記ステップ１００へ戻る。一方、衝突確率が閾値以上である場合には、ステップ１１４において、上記ステップ１０４で検出された自車両の車速（進入速度）に対応する、１次線形回帰の１次係数αと切片βを取得する。
そして、ステップ１１６において、周辺の可動物の側方を通過するときの規範となる側方通過速度を算出し、算出された側方通過速度を表わす特徴点を生成する。次のステップ１１８では、上記ステップ１０４で検出した進入速度を表わす点と、上記ステップ１１６で生成された特徴点とを滑らかに接続する、速度の時系列データを表わす速度軌道を生成する。
そして、ステップ４７０において、上記ステップ４６８で取得した自車両の車速と、検出されたアクセルペダル及びブレーキペダル上の足位置に基づいて、自車両の将来の車速の時系列データを予測する。
次のステップ４７２では、上記ステップ４７０で予測した自車両の将来の車速の時系列データと、上記ステップ１１８で生成した速度軌道との差分を検出する。
そして、ステップ４７４において、上記ステップ４７２で検出された差分に応じたペダル踏力又は操舵力を、表示装置３２４に表示して、ドライバに提示し、上記ステップ１００へ戻る。
以上説明したように、第４の実施の形態に係る運転支援装置によれば、ドライバが、規範となる運転者の速度軌道に応じた速度制御を獲得できるように学習機会を与えることができる。
また、生成した規範となる速度軌道と、予測された自車両の速度の時系列データとが乖離していた場合、差分に応じたペダル踏力又は操舵力を提示して、警報的支援を行なうことにより、移動規範による望ましい速度軌道に誘導することができる。
次に、第５の実施の形態に係る運転支援装置について説明する。なお、第５の実施の形態に係る運転支援装置の構成は、第１の実施の形態と同様の構成となるため、同一符号を付して説明を省略する。
第５の実施の形態では、車速と操舵角の各々について、規範となる軌道を生成し、実際の車速や操舵角との差分を各々検出している点が、第１の実施の形態と異なっている。
第５の実施の形態に係る運転支援装置では、運動センサ１４は、更に、操舵角を検出する操舵角センサを備えている。環境運動検出部４０は、運動センサ１４による検出結果から、更に、自車両の姿勢状態として、自車両の操舵角を取得する。
学習データ生成部４２は、規範となる運転者（例えば、熟練運転者）が運転しているときに、環境運動検出部４０による検出結果から、周辺可動物の側方を通過する前の進入速度として、自車両の車速を取得すると共に、周辺可動物の側方を通過したときの側方通過速度として、自車両の車速を取得する。また、学習データ生成部４２は、環境運動検出部４０による検出結果から、周辺可動物の側方を通過する前の進入操舵角として、自車両の操舵角を取得すると共に、周辺可動物の側方を通過するまでにおける経由操舵角として、自車両の操舵角を取得する。
また、学習データ生成部４２は、環境運動検出部４０による検出結果から、自車両の位置及び周辺可動物の位置を取得し、自車両の位置と周辺可動物の位置における横方向の距離を、側方間隔として算出する。また、学習データ生成部４２は、周辺可動物の側方を通過する前に衝突確率予測部４１によって予測された衝突確率を取得する。学習データ生成部４２は、上記のように得られた、進入速度、側方間隔、衝突確率、側方通過速度、進入操舵角、及び経由操舵角からなる学習データを複数生成する。
移動規範学習部４４は、生成された複数の学習データに基づいて、移動規範としての、進入速度、衝突確率、及び側方通過速度の関係を学習する。また、移動規範学習部４４は、生成された複数の学習データに基づいて、移動規範としての、進入操舵角、衝突確率、及び経由操舵角の関係を学習する。
移動規範記憶部４６は、学習結果として得られた、進入速度毎に、衝突確率と側方通過速度との関係を表わす１次線形回帰の１次係数αと切片βとが格納されたテーブルを記憶する。また、移動規範記憶部４６は、学習結果として得られた、進入操舵角毎に、衝突確率と経由操舵角との関係を表わす１次線形回帰の１次係数αと切片βとが格納されたテーブルを記憶する。
軌道特徴点生成部４８は、移動規範記憶部４６に記憶されたテーブルから、自車両の進入速度に対応する、衝突確率と経由操舵角との関係を表わす１次線形回帰の１次係数αと切片βを取得し、予測された衝突確率に対応する経由操舵角を算出し、図２１（Ａ）に示すように、算出された経由操舵角を表わす特徴点を生成する。
また、軌道特徴点生成部４８は、移動規範記憶部４６に記憶されたテーブルから、自車両の進入速度に対応する、衝突確率と側方通過速度との関係を表わす１次線形回帰の１次係数αと切片βを取得し、予測された衝突確率に対応する側方通過速度を算出し、図２１（Ｂ）に示すように、算出された側方通過速度を表わす特徴点を生成する。
速度軌道生成部５０は、現時点の運動状態（進入速度）と、生成された特徴点（側方通過速度）とを接続する滑らかな速度軌道を生成する。また、速度軌道生成部５０は、現時点の操舵角（進入操舵角）と、生成された特徴点（経由操舵角）とを接続する滑らかな操舵角軌道を生成する。
軌道差分検出部５２は、自車両の車速が検出される毎に、生成された速度軌道と、検出された自車両の車速との差分を検出する。また、軌道差分検出部５２は、自車両の操舵角が検出される毎に、生成された操舵角軌道と、検出された自車両の操舵角との差分を検出する。
運転支援部５４は、検出された車速の差分に基づいて、差分を減少させるように、自車両の加減速を制御する運転介入制御を行う。また、運転支援部５４は、検出された操舵角の差分に基づいて、差分を減少させるように、自車両の操舵角を制御する運転介入制御を行う。
なお、第５の実施の形態に係る運転支援装置の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。
以上説明したように、第５の実施の形態に係る運転支援装置によれば、学習した、進入速度毎の、将来の衝突確率と他の可動物の側方を通過するときの側方通過速度との１次線形回帰に基づいて、検出された進入速度及び予測された将来の衝突確率に対する、規範となる側方通過速度を決定することにより、規範となる側方通過速度を精度良く決定することができる。また、学習した、進入操舵角毎の、将来の衝突確率と他の可動物の側方を通過するまでの経由操舵角との１次線形回帰に基づいて、検出された進入操舵角及び予測された将来の衝突確率に対する、規範となる経由操舵角を決定することにより、規範となる経由操舵角を精度良く決定することができる。
なお、上記の第５の実施の形態で説明した、規範となる経由操舵角も決定する技術を、上記第２の実施の形態〜第４の実施の形態に適用してもよい。
また、上記の第１の実施の形態〜第５の実施の形態では、決定する自車両の状態を、速度や操舵角とした場合を例に説明したが、これに限定されるものではなく、自車両の位置などの他の物理量を、自車両の状態として決定してもよい。例えば、進入時の自車両の位置と、将来の衝突確率とに対応する、規範となる側方通過時の自車両の位置を決定するようにしてもよい。
また、自車両の位置分布と周辺可動物の位置分布とを線形予測し、衝突確率を予測する場合を例に説明したが、これに限定されるものではない。例えば、処理主体となる自車両と、検出された周辺可動物との各々について、適当な運動方程式を仮定し、制御入力に乱数を入力することによって、数秒先（例えば５秒）までに移動しうる領域の予測を、十分に多くの回数に渡って繰り返し行い（モンテカルロ法）、自車両と周辺可動物との重なり度合いを、衝突確率として予測するようにしてもよい。また、例えば、処理主体となる自車両と、検出された周辺可動物との各々について、マップ上に、あらかじめ定めた個数の可動物粒子を生成し、各可動物粒子の移動及びリサンプリングを繰り返すことにより、数秒先（例えば５秒）までに移動しうる領域を予測し、自車両と周辺可動物との重なり度合いを、衝突確率として予測するようにしてもよい。
また、検出された差分に応じた、運転介入制御又は表示装置による表示を行って、運転支援を行なう場合を例に説明したが、これに限定されるものではなく、検出された差分に応じた運転介入制御を行うと共に、検出された差分に応じた表示装置による表示を行ってもよい。このように、移動規範をもとにした衝突を未然に防ぐ予防安全システムと、教示システムとを同一構成で実現できる。
また、検出された差分に応じた表示装置の表示により、ドライバに提示する場合を例に説明したが、これに限定されるものではなく、検出された差分に応じた音声を出力して、ドライバに提示するようにしてもよい。
また、レーザレーダによりレーザを前方に走査して物体の位置を検出する場合を例に説明したが、これに限定されるものではなく、ミリ波などの電磁波を前方に走査して物体の位置を検出するようにしてもよい。
また、レーザレーダによって自車両前方の物体の位置を検出する場合を例に説明したが、これに限定されるものではなく、例えば、ステレオカメラによって撮影された前方画像から、自車両前方の物体の位置を検出するようにしてもよい。
また、カメラを用いたステレオ技術によって、自車両から見た死角領域を特定するようにしてもよい。
また、運転主体がドライバである場合を例に説明したが、これに限定されるものではなく、運転主体が学習型機械であってもよい。この場合には、望ましい速度軌道や特徴点の教示により機械学習が可能となる（強化学習による学習等）。
また、目標となる可動物状態として、周辺可動物の側方を通過するときの側方通過速度を決定する場合を例に説明したが、これに限定されるものではない。例えば、図２２に示すように、交差点出会い頭の交差車両（交差路で右左折待ち中の車両）の前方を通過するときの前方通過速度を決定してもよい。この場合には、移動規範記憶部４６に記憶されたテーブルに基づいて、検出された自車両の進入速度及び予測された衝突確率に対応する前方通過速度を算出し、上記図２２に示すように、算出された前方通過速度を表わす特徴点を生成する。あるいは、移動規範記憶部４６に記憶されたテーブルから、自車両の進入速度及び予測された衝突確率に対応する経由操舵角を算出し、上記図２３（Ａ）に示すように、算出された経由操舵角を表わす特徴点を生成する。また、移動規範記憶部４６に記憶されたテーブルから、自車両の進入速度及び予測された衝突確率に対応する前方通過速度を算出し、図２３（Ｂ）に示すように、算出された前方通過速度を表わす特徴点を生成する。
また、車庫から出庫している車両の後方を通過するときの後方通過速度を決定する場合にも適用できる。
また、移動規範記憶部４６が、学習結果として得られた進入速度、衝突確率、及び側方通過速度の関係を示すテーブルを記憶している場合を例に説明したが、これに限定されるものではなく、規範となる運転者（例えば、熟練運転者）が運転しているときに得られた運転データ（進入速度、衝突確率、及び側方通過速度）のテーブルを記憶するようにしてもよい。
本発明のプログラムを、記憶媒体に格納して提供することも可能である。
１０、３１０、４１０ 運転支援装置
１２ レーザレーダ
１４ 運動センサ
１８ カメラ
２０ ＧＰＳ装置
２２、３２２、４２２ コンピュータ
３８ 地図データベース
４０ 環境運動検出部
４１ 衝突確率予測部
４２ 学習データ生成部
４４ 移動規範学習部
４６ 移動規範記憶部
４８ 軌道特徴点生成部
５０ 速度軌道生成部
５２、４５２ 軌道差分検出部
５４、３５４、４５４ 運転支援部
３２４ 表示装置
３５０ 特徴点抽出部
３５２ 特徴点差分検出部
４５０ 自車運動予測部

Claims (7)

  1. 決定対象の可動物の、位置、姿勢状態、又は運動状態である可動物状態を検出すると共に、前記決定対象の可動物の周辺の可動物を検出する検出手段と、
    前記検出手段によって検出された前記可動物状態に基づいて、前記決定対象の可動物と、前記検出された周辺の可動物との将来的な衝突確率を予測する衝突予測手段と、
    予め設定した、前記可動物状態、前記衝突確率、目標の可動物状態の関係に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記目標の可動物状態を決定する決定手段と、
    を含む可動物の目標状態決定装置。
  2. 前記決定手段によって決定された目標となる前記可動物状態と、前記検出手段によって検出された前記可動物状態との差分に応じて、運転支援を行なう運転支援手段を更に含む請求項１記載の可動物の目標状態決定装置。
  3. 前記決定手段によって決定された前記目標の可動物状態に基づいて、前記目標の可動物状態となるまでの前記可動物状態の時系列データを生成する生成手段を更に含み、
    前記運転支援手段は、前記生成手段によって生成された前記可動物状態の時系列データと、前記検出手段によって検出された前記可動物状態との差分に応じて、運転支援を行なう請求項２記載の可動物の目標状態決定装置。
  4. 前記決定手段によって決定された前記目標の可動物状態に基づいて、前記目標の可動物状態となるまでの前記可動物状態の時系列データを生成する生成手段と、
    前記検出手段によって検出された前記可動物状態に基づいて、前記目標の可動物状態となるまでの前記決定対象の可動物の前記可動物状態の時系列データを予測する状態予測手段とを更に含み、
    前記運転支援手段は、前記生成手段によって生成された前記可動物状態の時系列データと、前記状態予測手段によって予測された前記可動物状態の時系列データとの差分に応じて、運転支援を行なう請求項２記載の可動物の目標状態決定装置。
  5. 前記決定手段は、可動物の規範的な移動に関して他の可動物との将来的な衝突確率が予測される場合について求めた、前記可動物状態、前記衝突確率、及び前記他の可動物の側方、前方、又は後方を通過するときの前記可動物状態に基づいて予め設定した、前記可動物状態、前記衝突確率、及び前記他の可動物の側方、前方、又は後方を通過するときの前記可動物状態の関係に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記周辺の可動物の側方、前方、又は後方を通過するときの規範となる前記可動物状態を、前記目標の可動物状態として決定する請求項１〜請求項４の何れか１項記載の目標状態決定装置。
  6. 前記決定対象の可動物の規範的な移動に関して、前記衝突予測手段によって予測された前記衝突確率、該衝突確率を予測したときに前記検出手段によって検出された前記可動物状態、及び前記他の可動物の側方、前方、又は後方を通過するときに前記検出手段によって検出された前記可動物状態を、学習データとして複数生成する学習データ生成手段と、
    前記学習データ生成手段によって生成された複数の学習データに基づいて、前記決定対象の可動物の規範的な移動における、前記可動物状態、前記衝突確率、及び前記他の可動物の側方、前方、又は後方を通過するときの前記可動物状態の関係を学習する移動規範学習手段とを更に含み、
    前記決定手段は、前記移動規範学習手段による学習結果に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記周辺の可動物の側方、前方、又は後方を通過するときの規範となる前記可動物状態を前記目標の可動物状態として決定する請求項５記載の可動物の目標状態決定装置。
  7. コンピュータを、
    決定対象の可動物の、位置、姿勢状態、又は運動状態である可動物状態を検出すると共に、前記決定対象の可動物の周辺の可動物を検出する検出手段によって検出された前記可動物状態に基づいて、前記決定対象の可動物と、前記検出された周辺の可動物との将来的な衝突確率を予測する衝突予測手段、及び
    予め設定した、前記可動物状態、前記衝突確率、目標の可動物状態の関係に基づいて、前記検出手段によって検出された可動物状態及び前記衝突予測手段によって予測された前記衝突確率に対する、前記目標の可動物状態を決定する決定手段
    として機能させるためのプログラム。
JP2010267551A 2010-11-30 2010-11-30 可動物の目標状態決定装置及びプログラム Active JP5189157B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2010267551A JP5189157B2 (ja) 2010-11-30 2010-11-30 可動物の目標状態決定装置及びプログラム
CN2011800574392A CN103250196A (zh) 2010-11-30 2011-11-21 可移动物的目标状态确定装置以及程序
KR1020137016741A KR101512428B1 (ko) 2010-11-30 2011-11-21 가동물의 목표 상태 결정 장치 및 방법
US13/990,608 US9132775B2 (en) 2010-11-30 2011-11-21 Mobile object target state determination device and program
PCT/JP2011/076837 WO2012073745A1 (ja) 2010-11-30 2011-11-21 可動物の目標状態決定装置及びプログラム
EP11844116.1A EP2648172A4 (en) 2010-11-30 2011-11-21 TARGET STATE DETERMINING DEVICE FOR MOBILE OBJECT, AND PROGRAM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010267551A JP5189157B2 (ja) 2010-11-30 2010-11-30 可動物の目標状態決定装置及びプログラム

Publications (2)

Publication Number Publication Date
JP2012118741A true JP2012118741A (ja) 2012-06-21
JP5189157B2 JP5189157B2 (ja) 2013-04-24

Family

ID=46171688

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010267551A Active JP5189157B2 (ja) 2010-11-30 2010-11-30 可動物の目標状態決定装置及びプログラム

Country Status (6)

Country Link
US (1) US9132775B2 (ja)
EP (1) EP2648172A4 (ja)
JP (1) JP5189157B2 (ja)
KR (1) KR101512428B1 (ja)
CN (1) CN103250196A (ja)
WO (1) WO2012073745A1 (ja)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198708A (zh) * 2013-03-21 2013-07-10 东南大学 一种降低侧向撞击交通事故概率的车辆调控方法
US8949018B2 (en) 2011-06-13 2015-02-03 Toyota Jidosha Kabushiki Kaisha Driving assistance device and driving assistance method
US9405727B2 (en) 2011-02-23 2016-08-02 Toyota Jidosha Kabushiki Kaisha Driving support device, driving support method, and driving support program
WO2017056382A1 (ja) * 2015-09-29 2017-04-06 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
JP2017117157A (ja) * 2015-12-24 2017-06-29 マツダ株式会社 運転支援装置
KR101794310B1 (ko) 2017-08-28 2017-11-07 공간정보기술 주식회사 스테레오 카메라를 이용한 교차로 이동 객체 충돌 방지시스템
JP6257872B1 (ja) * 2017-06-01 2018-01-10 三菱電機株式会社 移動体制御装置、移動体制御方法及び移動体制御プログラム
JP2018028906A (ja) * 2016-08-16 2018-02-22 トヨタ自動車株式会社 ディープ（双方向）再帰型ニューラルネットワークを用いたセンサデータの時間融合に基づく効率的な運転者行動予測システム
JP2018034709A (ja) * 2016-09-01 2018-03-08 マツダ株式会社 車両制御装置
JP2018039303A (ja) * 2016-09-05 2018-03-15 マツダ株式会社 車両制御装置
JP2018045426A (ja) * 2016-09-14 2018-03-22 いすゞ自動車株式会社 衝突確率推定装置
JP2018152056A (ja) * 2017-02-14 2018-09-27 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 視界に制限のある交差点への接近のためのリスクベースの運転者支援
JPWO2018042499A1 (ja) * 2016-08-29 2018-12-06 マツダ株式会社 車両制御装置
JPWO2018042498A1 (ja) * 2016-08-29 2018-12-20 マツダ株式会社 車両制御装置
JP2019053377A (ja) * 2017-09-13 2019-04-04 株式会社デンソーアイティーラボラトリ 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
WO2020085412A1 (ja) * 2018-10-25 2020-04-30 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
WO2020189624A1 (ja) * 2019-03-18 2020-09-24 いすゞ自動車株式会社 衝突確率算出装置、衝突確率算出システムおよび衝突確率算出方法

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011116169A1 (de) * 2011-10-14 2013-04-18 Continental Teves Ag & Co. Ohg Vorrichtung zur Unterstützung eines Fahrers beim Fahren eines Fahrzeugs oder zum autonomen Fahren eines Fahrzeugs
US9327693B2 (en) 2013-04-10 2016-05-03 Magna Electronics Inc. Rear collision avoidance system for vehicle
US9205835B2 (en) * 2014-01-30 2015-12-08 Mobileye Vision Technologies Ltd. Systems and methods for detecting low-height objects in a roadway
DE102014205014A1 (de) * 2014-03-18 2015-09-24 Ford Global Technologies, Llc Verfahren und Vorrichtung zum Erfassen von bewegten Objekten in der Umgebung eines Fahrzeugs
DE102014205170A1 (de) * 2014-03-20 2015-11-26 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug
JP5799238B1 (ja) * 2014-03-28 2015-10-21 パナソニックＩｐマネジメント株式会社 無線装置、処理装置、及び処理システム
US10482658B2 (en) * 2014-03-31 2019-11-19 Gary Stephen Shuster Visualization and control of remote objects
KR102051142B1 (ko) * 2014-06-13 2019-12-02 현대모비스 주식회사 차량용 운전자 위험 지수 관리 시스템 및 그 방법
US10049574B2 (en) * 2014-09-01 2018-08-14 Komatsu Ltd. Transporter vehicle, dump truck, and transporter vehicle control method
JP6413621B2 (ja) * 2014-10-22 2018-10-31 株式会社デンソー 車載用物体判別装置
KR101628503B1 (ko) * 2014-10-27 2016-06-08 현대자동차주식회사 운전자 보조장치 및 그 작동 방법
KR102295698B1 (ko) * 2014-11-28 2021-08-30 현대모비스 주식회사 차량의 전방충돌위험경보 및 안전운행가이드 시스템 및 그 제어방법
EP3239957A4 (en) * 2014-12-26 2018-08-15 The Yokohama Rubber Co., Ltd. Collision avoidance system
WO2017002258A1 (ja) * 2015-07-02 2017-01-05 三菱電機株式会社 経路予測装置
SE539097C2 (en) * 2015-08-20 2017-04-11 Scania Cv Ab Method, control unit and system for avoiding collision with vulnerable road users
WO2017038166A1 (ja) * 2015-08-28 2017-03-09 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
KR101714250B1 (ko) 2015-10-28 2017-03-08 현대자동차주식회사 주변 차량의 이동 경로의 예측 방법
JP6139722B1 (ja) * 2016-02-19 2017-05-31 ヤフー株式会社 推定装置、推定方法及び推定プログラム
JP6531689B2 (ja) * 2016-03-22 2019-06-19 株式会社デンソー 移動軌跡検出装置、移動物体検出装置、移動軌跡検出方法
US10351130B2 (en) 2016-09-06 2019-07-16 Mazda Motor Corporation Vehicle control system
US10994726B2 (en) * 2016-10-21 2021-05-04 Mazda Motor Corporation Vehicle control system
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles
US20200062244A1 (en) * 2016-11-29 2020-02-27 Mazda Motor Corporation Vehicle control device
CN110023165A (zh) * 2016-11-29 2019-07-16 马自达汽车株式会社 车辆控制装置
EP3549837A4 (en) * 2016-12-05 2020-07-29 Mazda Motor Corporation VEHICLE CONTROL UNIT
WO2018132608A2 (en) * 2017-01-12 2018-07-19 Mobileye Vision Technologies Ltd. Navigation based on occlusion zones
JP6460580B2 (ja) * 2017-03-17 2019-01-30 マツダ株式会社 運転支援制御装置
US10814913B2 (en) 2017-04-12 2020-10-27 Toyota Jidosha Kabushiki Kaisha Lane change assist apparatus for vehicle
KR102060662B1 (ko) * 2017-05-16 2019-12-30 삼성전자주식회사 차량의 주행 이벤트를 검출하는 전자 장치 및 방법
US10710579B2 (en) * 2017-06-01 2020-07-14 Waymo Llc Collision prediction system
JP6627821B2 (ja) 2017-06-06 2020-01-08 トヨタ自動車株式会社 車線変更支援装置
JP6642522B2 (ja) * 2017-06-06 2020-02-05 トヨタ自動車株式会社 車線変更支援装置
JP6627822B2 (ja) 2017-06-06 2020-01-08 トヨタ自動車株式会社 車線変更支援装置
KR102221153B1 (ko) * 2017-06-08 2021-02-26 현대모비스 주식회사 차량용 헤드램프 시스템 및 이의 제어 방법
JP6897349B2 (ja) * 2017-06-09 2021-06-30 トヨタ自動車株式会社 運転支援装置
US10814811B2 (en) * 2017-09-30 2020-10-27 Physician Electronic Networks, L.L.C. Collision detection system
JP6573223B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6573224B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6573222B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6917878B2 (ja) * 2017-12-18 2021-08-11 日立Astemo株式会社 移動体挙動予測装置
CN108082107B (zh) * 2017-12-19 2019-07-09 奇瑞汽车股份有限公司 信息提醒方法、装置及计算机可读存储介质
JP6525413B1 (ja) * 2017-12-28 2019-06-05 マツダ株式会社 車両制御装置
DE102018206786A1 (de) * 2018-05-03 2019-11-07 Robert Bosch Gmbh Verfahren zur satellitengestützten Ermittlung einer Fahrzeugposition mittels eines Bewegungs- und Positionssensors
US11062606B2 (en) * 2018-05-10 2021-07-13 Bastien Beauchamp Method and system for vehicle-to-pedestrian collision avoidance
US10814870B2 (en) * 2018-12-04 2020-10-27 GM Global Technology Operations LLC Multi-headed recurrent neural network (RNN) for multi-class trajectory predictions
US10919543B2 (en) * 2019-01-30 2021-02-16 StradVision, Inc. Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
GB202215836D0 (en) 2019-05-07 2022-12-07 Motional Ad Llc Systems and methods for planning and updating a vehicle's trajectory
US11132562B2 (en) 2019-06-19 2021-09-28 Toyota Motor Engineering & Manufacturing North America, Inc. Camera system to detect unusual circumstances and activities while driving
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
KR20220026656A (ko) * 2020-08-25 2022-03-07 현대모비스 주식회사 차량의 주행 제어 시스템 및 방법
CN112382820B (zh) * 2020-11-12 2021-08-17 上海理工大学 一种主动控制电池保护装置及其控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009087062A (ja) * 2007-09-28 2009-04-23 Sumitomo Electric Ind Ltd 車両運転支援システム、運転支援装置、車両及び車両運転支援方法
JP2009234442A (ja) * 2008-03-27 2009-10-15 Equos Research Co Ltd 運転操作支援装置
JP2009244985A (ja) * 2008-03-28 2009-10-22 Toyota Central R&D Labs Inc 運転支援装置及び歩行者検出装置
JP2010072839A (ja) * 2008-09-17 2010-04-02 Toyota Motor Corp 衝突予測装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3938023B2 (ja) * 2002-11-27 2007-06-27 日産自動車株式会社 リスクポテンシャル算出装置、車両用運転操作補助装置、その装置を備える車両およびリスクポテンシャル演算方法
JP4097519B2 (ja) 2002-12-24 2008-06-11 株式会社豊田中央研究所 危険感受度推定装置、安全運転評価装置及び警報装置
JP4578795B2 (ja) 2003-03-26 2010-11-10 富士通テン株式会社 車両制御装置、車両制御方法および車両制御プログラム
JP4055656B2 (ja) * 2003-05-30 2008-03-05 トヨタ自動車株式会社 衝突予測装置
FR2889882B1 (fr) * 2005-08-19 2009-09-25 Renault Sas Procede et systeme de prediction de choc entre un vehicule et un pieton.
JP4720386B2 (ja) * 2005-09-07 2011-07-13 株式会社日立製作所 運転支援装置
CN101287634B (zh) * 2005-10-13 2012-08-15 日产自动车株式会社 车辆驾驶辅助系统
JP2007148917A (ja) 2005-11-29 2007-06-14 Aisin Aw Co Ltd 運転支援装置
WO2007102367A1 (ja) * 2006-02-28 2007-09-13 Toyota Jidosha Kabushiki Kaisha 物体進路予測方法、装置、プログラム、および自動運転システム
US20070276600A1 (en) * 2006-03-06 2007-11-29 King Timothy I Intersection collision warning system
EP1898232B1 (en) * 2006-09-08 2010-09-01 Ford Global Technologies, LLC Method and system for collision avoidance
JP2008234593A (ja) * 2007-03-23 2008-10-02 Toyota Motor Corp 車両の行動予測装置
US7710248B2 (en) * 2007-06-12 2010-05-04 Palo Alto Research Center Incorporated Human-machine-interface (HMI) customization based on collision assessments
EP2085279B1 (en) * 2008-01-29 2011-05-25 Ford Global Technologies, LLC A system for collision course prediction
JP5161643B2 (ja) 2008-04-23 2013-03-13 富士重工業株式会社 安全運転支援システム
JP4853525B2 (ja) 2009-02-09 2012-01-11 トヨタ自動車株式会社 移動領域予測装置
JP4706984B2 (ja) * 2009-02-25 2011-06-22 トヨタ自動車株式会社 衝突推定装置及び衝突推定方法
JP2010235072A (ja) 2009-03-31 2010-10-21 Equos Research Co Ltd 制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009087062A (ja) * 2007-09-28 2009-04-23 Sumitomo Electric Ind Ltd 車両運転支援システム、運転支援装置、車両及び車両運転支援方法
JP2009234442A (ja) * 2008-03-27 2009-10-15 Equos Research Co Ltd 運転操作支援装置
JP2009244985A (ja) * 2008-03-28 2009-10-22 Toyota Central R&D Labs Inc 運転支援装置及び歩行者検出装置
JP2010072839A (ja) * 2008-09-17 2010-04-02 Toyota Motor Corp 衝突予測装置

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9405727B2 (en) 2011-02-23 2016-08-02 Toyota Jidosha Kabushiki Kaisha Driving support device, driving support method, and driving support program
US8949018B2 (en) 2011-06-13 2015-02-03 Toyota Jidosha Kabushiki Kaisha Driving assistance device and driving assistance method
CN103198708A (zh) * 2013-03-21 2013-07-10 东南大学 一种降低侧向撞击交通事故概率的车辆调控方法
JPWO2017056382A1 (ja) * 2015-09-29 2018-08-09 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
WO2017056382A1 (ja) * 2015-09-29 2017-04-06 ソニー株式会社 情報処理装置、情報処理方法、及びプログラム
US11915522B2 (en) 2015-09-29 2024-02-27 Sony Corporation Information processing apparatus and information processing method
US10949656B2 (en) 2015-09-29 2021-03-16 Sony Corporation Information processing apparatus and information processing method
JP2017117157A (ja) * 2015-12-24 2017-06-29 マツダ株式会社 運転支援装置
JP2018028906A (ja) * 2016-08-16 2018-02-22 トヨタ自動車株式会社 ディープ（双方向）再帰型ニューラルネットワークを用いたセンサデータの時間融合に基づく効率的な運転者行動予測システム
JPWO2018042498A1 (ja) * 2016-08-29 2018-12-20 マツダ株式会社 車両制御装置
JPWO2018042499A1 (ja) * 2016-08-29 2018-12-06 マツダ株式会社 車両制御装置
JP2018034709A (ja) * 2016-09-01 2018-03-08 マツダ株式会社 車両制御装置
US10322720B2 (en) 2016-09-01 2019-06-18 Mazda Motor Corporation Vehicle control device including object detection, speed distribution area setting and avoidance control execution sections
JP2018039303A (ja) * 2016-09-05 2018-03-15 マツダ株式会社 車両制御装置
JP2018045426A (ja) * 2016-09-14 2018-03-22 いすゞ自動車株式会社 衝突確率推定装置
JP2018152056A (ja) * 2017-02-14 2018-09-27 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 視界に制限のある交差点への接近のためのリスクベースの運転者支援
JP6257872B1 (ja) * 2017-06-01 2018-01-10 三菱電機株式会社 移動体制御装置、移動体制御方法及び移動体制御プログラム
WO2018220786A1 (ja) * 2017-06-01 2018-12-06 三菱電機株式会社 移動体制御装置、移動体制御方法及び移動体制御プログラム
KR101794310B1 (ko) 2017-08-28 2017-11-07 공간정보기술 주식회사 스테레오 카메라를 이용한 교차로 이동 객체 충돌 방지시스템
JP2019053377A (ja) * 2017-09-13 2019-04-04 株式会社デンソーアイティーラボラトリ 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
WO2020085412A1 (ja) * 2018-10-25 2020-04-30 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
JP2020066365A (ja) * 2018-10-25 2020-04-30 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
JP7195588B2 (ja) 2018-10-25 2022-12-26 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
WO2020189624A1 (ja) * 2019-03-18 2020-09-24 いすゞ自動車株式会社 衝突確率算出装置、衝突確率算出システムおよび衝突確率算出方法

Also Published As

Publication number Publication date
KR20130103779A (ko) 2013-09-24
WO2012073745A1 (ja) 2012-06-07
KR101512428B1 (ko) 2015-04-16
CN103250196A (zh) 2013-08-14
EP2648172A4 (en) 2016-12-28
US20130293395A1 (en) 2013-11-07
US9132775B2 (en) 2015-09-15
EP2648172A1 (en) 2013-10-09
JP5189157B2 (ja) 2013-04-24

Similar Documents

Publication Publication Date Title
JP5189157B2 (ja) 可動物の目標状態決定装置及びプログラム
JP5620147B2 (ja) 可動物予測装置及びプログラム
JP6800899B2 (ja) 視界に制限のある交差点への接近のためのリスクベースの運転者支援
US9566981B2 (en) Method and system for post-collision manoeuvre planning and vehicle equipped with such system
US7974748B2 (en) Driver assistance system with vehicle states, environment and driver intention
RU2735340C1 (ru) Способ управления парковкой и устройство управления парковкой
JP2018206036A (ja) 車両制御システム及び方法、並びに走行支援サーバ
US20190009784A1 (en) Vehicle control apparatus, vehicle control method, and vehicle control program
EP2654028A1 (en) Orientation sensitive traffic collision warning system
US9592828B2 (en) Long term driving danger prediction system
JP5535816B2 (ja) 移動物予測装置及びプログラム
JP5423724B2 (ja) ドライバ状態判定装置
JP5577126B2 (ja) 走行支援装置
JP2011201396A (ja) 誤操作検出装置及び誤操作検出方法
JP6156520B2 (ja) 衝突回避支援装置及び衝突回避支援方法
JP2022008854A (ja) 制御装置
JP2010039718A (ja) 車両制御装置、車両制御方法および車両制御処理プログラム
JP5747593B2 (ja) 規範車速算出装置及びプログラム
JP2021136001A (ja) 運転支援装置
US11403948B2 (en) Warning device of vehicle and warning method thereof
JP2019164812A (ja) 車両制御システム及び方法、並びに走行支援サーバ
CN113393664A (zh) 驾驶辅助装置
JP6209969B2 (ja) 運転支援装置
JP2010224786A (ja) 衝突危険度推定装置及びプログラム
Dushyanth et al. Rear View Object Detection based on Camera Sensors.

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120507

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20130108

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130123

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20160201

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 5189157

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250