JP2012128739A - 衝突危険判定装置及びプログラム - Google Patents

Abstract

【課題】ドライバの運転特性を反映して、先行車両と衝突する危険性を効率的に判定することができるようにする。
【解決手段】車両状態算出部２０によって、自車両の走行状態及び先行車両の走行状態を算出すると共に、自車両を示すパーティクルを複数生成する。先行車両予測部２２によって、次時刻の先行車両の走行状態を予測する。加減速状態判定部２４によって、各パーティクルについて、自車両の加減速状態を判定し、自車両状態予測部２６によって、各パーティクルの自車両の走行状態を予測する。尤度算出部２８によって、各パーティクルについて尤度を算出し、適切性判定部３０によって、複数のパーティクルを復元抽出する。上記各部による一連の処理を繰り返し行ってＴ秒後まで予測し、衝突判定部３２によって、尤もらしいパーティクルについて車両衝突時間を算出し、先行車両と衝突する危険性を判定する。
【選択図】図１

Description

本発明は、衝突危険判定装置及びプログラムに係り、特に、先行車両と衝突する危険性を判定する衝突危険判定装置及びプログラムに関する。

従来より、障害物の検出位置と道路形状とに基づいて、道路上の各地点における危険度を設定する危険度場設定手段、走行状態に基づいて自車両の走行経路を推定する走行経路推定手段、及び推定された走行経路に沿った危険度の総和が最小になるリスク最小走行軌跡を算出するリスク最小軌跡算出手段を用いることにより、危険な状況を推定し、算出したリスクに基づいて警報を発する危険状況警報装置が知られている（特許文献１）。

特開２００６−１５４９６７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、網羅的に自車位置、他車位置の軌跡を予測するため、計算効率が悪くリアルタイム処理に適していない、という問題がある。また、衝突するか否かに基づいて将来軌跡の妥当性を求めているため、ドライバによってはとりえない軌跡が予測される。すなわち、ドライバの運転特性（車間距離をつめて運転する、あるいは離れて運転する）を反映することができない、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、ドライバの運転特性を反映して、先行車両と衝突する危険性を効率的に判定することができる衝突危険判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衝突危険判定装置は、自車両の走行状態、及び自車両の前方を走行する先行車両の走行状態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自車両の走行状態に基づいて、自車両の走行状態を含む自車両データを複数生成する生成手段と、前記検出手段によって検出された先行車両の走行状態又は前回予測された先行車両の走行状態に基づいて、次時刻の先行車両の走行状態を予測する先行車両予測手段と、前記複数の自車両データの各々について、予め求められた自車両の加減速状態の各々に対する自車両と前記先行車両との相対的な走行状態の確率分布、及び前記自車両データの前記走行状態と前記検出された先行車両の走行状態又は前記予測された先行車両の走行状態とから求められる前記相対的な走行状態に基づいて、前記次時刻の自車両の加減速状態を判定する加減速判定手段と、前記複数の自車両データの各々について、前記加減速判定手段によって判定された加減速状態及び前記自車両データの前記走行状態に基づいて、前記次時刻の自車両の走行状態を予測して、前記自車両データを更新する自車両予測手段と、前記複数の自車両データの各々について、予め求められた前記相対的な走行状態及び加減速状態の組み合わせの確率分布と、前記自車両データの更新された前記走行状態及び前記予測された先行車両の走行状態から求められる前記相対的な走行状態と、前記加減速判定手段によって判定された加減速状態とに基づいて、前記次時刻の尤度を算出する尤度算出手段と、前記複数の自車両データの各々について前記尤度算出手段によって算出された尤度に基づいて、前記複数の自車両データを復元抽出する復元抽出手段と、前記先行車両予測手段による予測、前記加減速判定手段による判定、前記自車両予測手段による予測、前記尤度算出手段による算出、及び前記復元抽出手段による復元抽出を繰り返し行い、前記先行車両予測手段によって予測された先行車両の走行状態、及び前記自車両予測手段によって予測された自車両の走行状態に基づいて、前記先行車両と衝突する危険性を判定する衝突危険判定手段と、を含んで構成されている。

本発明に係るプログラムは、コンピュータを、自車両の走行状態を検出する検出手段によって検出された自車両の走行状態に基づいて、自車両の走行状態を含む自車両データを複数生成する生成手段、自車両の前方を走行する先行車両の走行状態を検出する検出手段によって検出された先行車両の走行状態又は前回予測された先行車両の走行状態に基づいて、次時刻の先行車両の走行状態を予測する先行車両予測手段、前記複数の自車両データの各々について、予め求められた自車両の加減速状態の各々に対する自車両と前記先行車両との相対的な走行状態の確率分布、及び前記自車両データの前記走行状態と前記検出された先行車両の走行状態又は前記予測された先行車両の走行状態とから求められる前記相対的な走行状態に基づいて、前記次時刻の自車両の加減速状態を判定する加減速判定手段、前記複数の自車両データの各々について、前記加減速判定手段によって判定された加減速状態及び前記自車両データの前記走行状態に基づいて、前記次時刻の自車両の走行状態を予測して、前記自車両データを更新する自車両予測手段、前記複数の自車両データの各々について、予め求められた前記相対的な走行状態及び加減速状態の組み合わせの確率分布と、前記自車両データの更新された前記走行状態及び前記予測された先行車両の走行状態から求められる前記相対的な走行状態と、前記加減速判定手段によって判定された加減速状態とに基づいて、前記次時刻の尤度を算出する尤度算出手段、前記複数の自車両データの各々について前記尤度算出手段によって算出された尤度に基づいて、前記複数の自車両データを復元抽出する復元抽出手段、及び前記先行車両予測手段による予測、前記加減速判定手段による判定、前記自車両予測手段による予測、前記尤度算出手段による算出、及び前記復元抽出手段による復元抽出を繰り返し行い、前記先行車両予測手段によって予測された先行車両の走行状態、及び前記自車両予測手段によって予測された自車両の走行状態に基づいて、前記先行車両と衝突する危険性を判定する衝突危険判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、自車両の走行状態、及び自車両の前方を走行する先行車両の走行状態を検出する。生成手段によって、前記検出手段によって検出された自車両の走行状態に基づいて、自車両の走行状態を含む自車両データを複数生成する。

そして、先行車両予測手段によって、前記検出手段によって検出された先行車両の走行状態又は前回予測された先行車両の走行状態に基づいて、次時刻の先行車両の走行状態を予測する。加減速判定手段によって、前記複数の自車両データの各々について、予め求められた自車両の加減速状態の各々に対する自車両と前記先行車両との相対的な走行状態の確率分布、及び前記自車両データの前記走行状態と前記検出された先行車両の走行状態又は前記予測された先行車両の走行状態とから求められる前記相対的な走行状態に基づいて、前記次時刻の自車両の加減速状態を判定する。

自車両予測手段によって、前記複数の自車両データの各々について、前記加減速判定手段によって判定された加減速状態及び前記自車両データの前記走行状態に基づいて、前記次時刻の自車両の走行状態を予測して、前記自車両データを更新する。尤度算出手段によって、前記複数の自車両データの各々について、予め求められた前記相対的な走行状態及び加減速状態の組み合わせの確率分布と、前記自車両データの更新された前記走行状態及び前記予測された先行車両の走行状態から求められる前記相対的な走行状態と、前記加減速判定手段によって判定された加減速状態とに基づいて、前記次時刻の尤度を算出する。

復元抽出手段によって、前記複数の自車両データの各々について前記尤度算出手段によって算出された尤度に基づいて、前記複数の自車両データを復元抽出する。

前記先行車両予測手段による予測、前記加減速判定手段による判定、前記自車両予測手段による予測、前記尤度算出手段による算出、及び前記復元抽出手段による復元抽出を繰り返し行い、衝突危険判定手段によって、前記先行車両予測手段によって予測された先行車両の走行状態、及び前記自車両予測手段によって予測された自車両の走行状態に基づいて、前記先行車両と衝突する危険性を判定する。

このように、加減速状態の各々に対する先行車両との相対的な走行状態の、ドライバの運転特性を反映した確率分布を用いて、各時刻における自車両の加減速状態を判定すると共に、相対的な走行状態及び加減速状態の組み合わせの確率分布を用いて算出される、予測された自車両データに対する尤度を用いて、自車両データの復元抽出を行って、自車両データの予測を繰り返し行うことにより、ドライバの運転特性を反映して、先行車両と衝突する危険性を効率的に判定することができる。

本発明に係る衝突危険判定手段は、前記尤度算出手段によって複数の自車両データの各々について算出された尤度の時系列データの積算値と、前記自車両予測手段によって予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された前記先行車両の走行状態とに基づいて、前記先行車両と衝突するまでの衝突時間を算出し、算出された前記衝突時間に基づいて、前記先行車両と衝突する危険性を判定するようにすることができる。

上記の衝突危険判定手段は、前記尤度算出手段によって算出された尤度の時系列データの積算値が最大となる自車両データを特定し、前記特定された自車両データについて前記自車両予測手段によって予測された自車両の走行状態及び前記先行車両予測手段によって予測された先行車両の走行状態に基づいて、前記先行車両と衝突するまでの衝突時間を算出し、算出された前記衝突時間に基づいて、前記先行車両と衝突する危険性を判定するようにすることができる。これによって、尤もらしい自車両データについて算出される衝突時間を用いて、先行車両と衝突する危険性を精度良く判定することができる。

上記の衝突危険判定手段は、前記自車両予測手段によって前記複数の自車両データについて予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された前記先行車両の走行状態とに基づいて、前記複数の自車両データの各々について前記先行車両と衝突するまでの衝突時間を算出し、前記複数の自車両データについて、前記算出された前記衝突時間に対して、前記自車両データについて算出された尤度の時系列データの積算値に応じた重み付けを行って加算し、重み付け加算された前記衝突時間に基づいて、先行車両と衝突する危険性を判定するようにすることができる。これによって、各自車両データの尤度に基づいて算出される衝突時間を用いて、先行車両と衝突する危険性を精度良く判定することができる。

本発明に係る衝突危険判定手段は、前記自車両予測手段によって前記複数の自車両データの各々について予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された先行車両の走行状態とに基づいて、前記複数の自車両データの各々について前記先行車両との衝突の有無を判定し、前記衝突の有無の判定結果に基づいて、先行車両と衝突する危険性を判定するようにすることができる。

上記の衝突危険判定装置は、前記衝突危険判定手段による判定結果に基づいて、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。

以上説明したように、本発明の衝突危険判定装置及びプログラムによれば、加減速状態の各々に対する先行車両との相対的な走行状態の、ドライバの運転特性を反映した確率分布を用いて、各時刻における自車両の加減速状態を判定すると共に、相対的な走行状態及び加減速状態の組み合わせの確率分布を用いて算出される、予測された自車両データに対する尤度を用いて、自車両データの復元抽出を行って、自車両データの予測を繰り返し行うことにより、ドライバの運転特性を反映して、先行車両と衝突する危険性を効率的に判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の構成を示す概略図である。 相対車速及び車間距離の組み合わせを、加減速状態の３クラスに分割した様子を示すグラフである。 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衝突判定処理ルーチンの内容を示すフローチャートである。 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衝突判定処理ルーチンの内容を示すフローチャートである。

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、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、自車両と先行車両との車間距離を計測する車間距離計測部１２と、自車両の車速を検出する車速センサ１４と、ドライバに対して警報を出力する警報装置１６と、車間距離計測部１２による計測結果、及び車速センサ１４による検出値に基づいて、警報装置１６による警報出力を制御するコンピュータ１８とを備えている。

車間距離計測部１２は、例えば、レーザレーダを用いて構成され、車間距離として、自車両の前方を走行する先行車両との相対距離を計測する。

警報装置１６は、コンピュータ１８の制御に従って、ドライバに対して警報メッセージを音声出力する。なお、警報装置１６は、ドライバに対して警報音を出力するようにしてもよい。また、警報装置１６は、運転支援手段の一例である。

コンピュータ１８は、ＣＰＵと、ＲＡＭと、後述する衝突判定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とを備え、機能的には次に示すように構成されている。コンピュータ１８は、車間距離計測部１２による計測結果及び車速センサ１４の検出値に基づいて、自車両情報、先行車両情報、及び先行車両との相対情報を算出する車両状態算出部２０と、次時刻の先行車両の車両位置を含む走行状態を予測する先行車両予測部２２と、次時刻の自車両の加減速状態を判定する加減速状態判定部２４と、次時刻の自車両の車両位置を含む走行状態を予測する自車両状態予測部２６と、予測された自車両の走行状態に対する尤度を算出する尤度算出部２８と、予測された自車両の走行状態の適切性を判定する適切性判定部３０と、車両衝突時間（ＴＴＣ：Ｔｉｍｅ Ｔｏ Ｃｏｌｌｉｓｉｏｎ）を算出し、車両衝突時間に基づいて衝突事故が発生する危険性があると判定した場合に、警報装置１６により警報を出力するように制御する衝突判定部３２とを備えている。

先行車両予測部２２、加減速状態判定部２４、自車両状態予測部２６、尤度算出部２８、及び適切性判定部３０による一連の処理は、繰り返し行われる。

なお、車両状態算出部２０は、検出手段及び生成手段の一例であり、適切性判定部３０が、復元抽出手段の一例である。

車両状態算出部２０は、車間距離計測部１２による計測結果及び車速センサ１４の検出値に基づいて、自車両情報としての自車位置及び加速度、先行車両情報としての先行車両の車速及び加速度、並びに相対情報としての相対車速を算出する。例えば、車速センサ１４によって検出された自車両の車速の積分値に基づいて、自車位置を算出し、検出された自車両の車速の微分値に基づいて、自車加速度を算出する。車間距離計測部１２によって計測された車間距離の微分値を、先行車両との相対車速として算出する。車速センサ１４によって検出された自車両の車速及び上記の相対車速に基づいて、先行車両の車速を算出し、先行車両の車速の微分値を、先行車両の加速度として算出する。

また、車両状態算出部２０は、自車両の状態をパーティクルと呼ばれる単位で管理し、かつ、複数のパーティクルを用いて将来の多様な状態の可能性を表現するために、自車両データとしてＮ個のパーティクルを生成し、Ｎ個のパーティクルの初期化を行う。１つのパーティクルは、（ｈｐ：自車位置、ｈｖ：自車速度、ｈａ：自車加速度、ｔ：時刻）を有し、ｈｐの初期値として０が格納され、時刻を表す変数ｔに初期値として時刻０が代入される。ｈｖの初期値として、検出された自車両の車速に、所定範囲の乱数を加えた値が格納される。ｈａの初期値として、算出された自車両の加速度に、所定範囲の乱数を加えた値が格納される。なお、以下の説明ではｎ番目のパーティクルのインデックスとして変数ｎを用いる。

先行車両予測部２２は、以下の式に基づいて、次時刻ｔの先行車両の車両位置を含む走行状態を予測する。
ｌｐ（ｔ）＝ｌｐ（ｔ−１）＋ｌｖ（ｔ−１）
ｌｖ（ｔ）＝ｌｖ（ｔ−１）＋ｌａ（０）
ただし、ｌｐは先行車位置、ｌｖは先行車速度、ｌａは先行車加速度である。また、ｌｐ（０）は、計測された自車位置に対する相対距離、ｌｖ（０）は、算出された先行車両の車速、ｌａ（０）は、算出された先行車加速度である。なお、本実施の形態では、速度、加速度が、本処理が仮定する処理単位時間（例：100ｍｓ）によって正規化されているものとする。

また、コンピュータ１８は、衝突危険性を判定する処理の前処理として、データ収集部３４、データ分類部３６、パラメータ算出部３８、確率分布算出部４０、及び記憶部４２を更に備えている。

データ収集部３４は、車両状態算出部２０から出力される自車両の加速度、先行車両との相対車速、及び車間距離を収集して、自車両の加速度、先行車両との相対車速、及び車間距離の組み合わせの時系列データを取得する。

データ分類部３６は、取得した上記の時系列データを、所定時間の間隔で、複数の区間に分割し、分割したそれぞれの区間における、加速度の時系列変化に対するＡＲモデル（自己回帰モデル）のパラメータを求める。また、求められたＡＲモデルのパラメータを、ｋＮＮ（ｋ-Nearest-Neighbor）法によって、３つの領域に分割する。

また、データ分類部３６は、収集した相対車速及び車間距離の組み合わせに対して、同時に収集された加速度に応じて定められる加減速状態（加速、減速、一定車速）を示すクラスラベルを正解値としたクラスタリングをＳＶＭ（Support Vector Machine）を用いて行う。ＳＶＭは２クラス識別であるため、ｏｎｅ−ｖｅｒｓｕｓ−ｏｎｅ−ｌｅｆｔによって当該クラスとそれ以外のクラスとに識別する識別器を組み合わせて、３クラス（加速、減速、一定車速）に、相対車速及び車間距離の組み合わせを分類する。

これによって、図２に示すような、相対車速、車間距離を２軸とした平面を、加速度状態に関する３クラスに分割した領域を得ることができる。

パラメータ算出部３８は、データ分類部３６による加速度状態の分類（３クラス）と、ＡＲモデルのパラメータに関して分割された３つの領域とを対応させ、各クラスについて、当該クラスに対応する分割領域に属するＡＲモデルのパラメータを算出する元となった区間の加速度の時系列変化を収集し、収集した複数の区間の加速度の時系列変化に基づいて、ＡＲモデルのパラメータを算出する。このとき算出されたクラスｉに対するＡＲモデルのパラメータを{ａ_１，ｉ，・・・，ａ_ｊ，ｉ，ｂ_ｉ}と表すこととする。

確率分布算出部４０は、データ分類部３６による、相対車速及び車間距離の組み合わせの分類（３クラス）に基づいて、各クラスについて、相対車速及び車間距離の組み合わせに対する確率密度分布を算出する。

記憶部４２には、パラメータ算出部３８によって算出された各クラスのＡＲモデルのパラメータと、確率分布算出部４０によって算出された各クラスの確率密度分布とが記憶されている。

以上のように、データ収集部３４、データ分類部３６、パラメータ算出部３８、及び確率分布算出部４０による処理が、衝突危険性を判定する処理の前処理として行われ、記憶部４２に、加減速状態に関する各クラスについて、ＡＲモデルのパラメータと、相対車速及び車間距離の組み合わせに対する確率密度分布とが記憶される。

加減速状態判定部２４は、記憶部４２に記憶された各クラスの確率密度分布に基づいて、以下に説明するように、次時刻ｔにおける各パーティクルｎの加減速状態を判定する。

まず、パーティクルｎについて、先行車両との相対車速＝ｌｖ（ｔ−１）−ｈｖ（ｔ−１）、車間距離＝ｌｐ（ｔ−１）−ｈｐ（ｔ−１）を算出する。そして、各クラスの確率密度分布に基づいて、算出した先行車両との相対車速及び車間距離に対する各クラスｉの確率ｐ（ｉ）を算出する。

そして、算出した各クラスｉの確率ｐ（ｉ）で、加減速状態（加速、減速、一定車速）を選択し、選択された加減速状態を、判定結果とする。例えば、［０，１］の一様乱数ｒがｐ（ｉ）／Σｐ（ｉ）より小さくなるクラスｉを求め、このクラスｉに対応する加減速状態を、このパーティクルｎに対する加減速状態の判定結果とする。

自車両状態予測部２６は、加減速状態判定部２４の判定結果及び記憶部４２に記憶されたＡＲモデルのパラメータに基づいて、各パーティクルｎについて、以下の式に従って、パーティクルｎの次時刻ｔの自車両位置ｈｐ（ｔ）、車速ｈｖ（ｔ）、及び加速度ｈａ（ｔ）を予測する。
ｈｐ（ｔ）＝ｈｐ（ｔ−１）＋ｈｖ（ｔ−１）
ｈｖ（ｔ）＝ｈｖ（ｔ−１）＋ｈａ（ｔ−１）
ｈａ（ｔ）＝Σ_ｊ ａ_ｊ，ｉ＊ｈａ（ｔ−ｊ）＋ｂ_ｉ
ただし、ｈｐ（ｔ−１）、ｈｖ（ｔ−１）、ｈａ（ｔ−１）は、時刻ｔ−１におけるパーティクルｎの自車両位置、車速、及び加速度である。また、ｈａ（ｔ−ｊ）は、時刻ｔ−ｊ（ｊ＝１，・・・，ｔ）におけるパーティクルｎの加速度である。上記の式のように、加減速状態判定部２４によって判定された加減速状態ｉに対するＡＲモデルのパラメータ{ａ_１，ｉ，・・・，ａ_ｔ，ｉ，ｂ_ｉ}と、自車両の加速度ｈａ（０）、・・・・、ｈａ（ｔ−１）を用いて、次時刻ｔの自車加速度を予測し、予測された次時刻ｔの自車加速度を用いて、次時刻ｔの自車両の車速及び位置を予測する。

尤度算出部２８は、各パーティクルｎについて、予測された次時刻ｔの走行状態が、当該ドライバにとって、どの程度確からしいかを表現する尤度ｌ（ｎ）を、以下の式に従って算出する。
ｌ（ｎ）=Σ_m ｗ_ｍ・Ｎ（μ_m，σ_ｍ）
上記の式はｍ混合ＧＭＭ(Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ：ガウシアン混合モデル）における尤度計算式であり、（μ_ｍ、σ_ｍ）は混合要素ｍにおける（相対車速、車間距離、自車加速度）の確率密度分布に対する平均、分散ベクトルを表わす。上記の式のように、予測された次時刻ｔの相対車速、車間距離、及び自車加速度に対する混合要素ｍにおける尤度を、重み付き加算することにより、尤度ｌ（ｎ）が算出される。

なお、（相対車速、車間距離、自車加速度）の確率密度分布については、確率分布算出部４０によって、当該ドライバについてデータ収集部３４により収集された運転データに基づいて当該確率密度分布を予め算出して、記憶部４２に記憶しておけばよい。

適切性判定部３０は、尤度算出部２８によって算出された全てパーティクルｎに対する尤度に基づいて、パーティクルｎの走行状態に対する適切性を判定し、Ｎ個のパーティクルを再構成する。具体的には、適切性判定部３０は、パーティクルｎの尤度に比例した重みをπ_ｎ＝ｌ（ｎ）／Σ_ｉｌ（ｉ）として、Ｎ個のパーティクルの集合から、重みΠ＝｛π_１，π_２，．．．，π_N｝に比例して、復元抽出を行う。

例えば、以下の手続き（１）、（２）により、Ｎ個のパーティクルの復元抽出を行う。
（１） 以下の式を満たすｊを返す関数Ｆ（ｘ）を定義する。

（２） ０から１までの実数を生成する乱数ｄに基づき、以下の式に従って、Ｎ個パーティクルを復元抽出する。

上述した先行車両予測部２２による予測処理、加減速状態判定部２４による判定処理、自車両状態予測部２６による予測処理、尤度算出部２８による算出処理、及び適切性判定部３０による判定処理からなる一連の処理は、Ｔ秒後の自車両の走行状態及び先行車両の走行状態を予測するまで、繰り返し行われる。

衝突判定部３２は、Ｎ個のパーティクルの各々について、Ｔ秒後までの各時刻の走行状態に対して算出された尤度を積算し、Ｎ個のパーティクルから、尤度の積算値Ｌ（ｎ）が最も大きいパーティクルを、最尤経路を示すパーティクルとして特定する。衝突判定部３２は、特定したパーティクルについて予測されたＴ秒後の自車両位置ｍｐ、車速ｍｖと、予測されたＴ秒後の先行車両の位置ｌｐ、車速ｌｖとを用いて、以下の式により車両衝突時間ＴＴＣを算出する。
ＴＴＣ＝−（ｌｐ−ｍｐ）／（ｌｖ−ｍｖ）
衝突判定部３２は、算出した車両衝突時間ＴＴＣが、閾値時間Ｔｔｈ未満であるかを判定し、車両衝突時間ＴＴＣが閾値時間Ｔｔｈ未満であれば、衝突する危険性が高いと判定し、ドライバに対して警報を出力するように警報装置１６を制御する。

次に、第１の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。運転支援装置１０を搭載した車両をドライバが操作して走行しているときに、コンピュータ１８は、車間距離計測部１２からの車間距離及び車速センサ１４からの車速を取得し、自車両の加速度及び先行車両との相対車速と、車間距離とを算出して収集する。コンピュータ１８は、収集した自車両の加速度、先行車両との相対車速、及び車間距離に基づいて、相対車速及び車間距離の組み合わせを、加減速状態の３クラス（加速、減速、一定車速）に分類し、各クラスに対するＡＲモデルのパラメータを算出すると共に、各クラスについて、相対車速及び車間距離の組み合わせに対する確率密度分布を算出し、記憶部４２に記憶しておく。

また、コンピュータ１８は、収集した自車両の加速度、先行車両との相対車速、及び車間距離に基づいて、相対車速、車間距離、及び自車加速度の組み合わせに対する確率密度分布を算出して、記憶部４２に記憶しておく。

次に、運転支援装置１０を搭載した車両をドライバが操作して走行しているときに、コンピュータ１８において、図３に示す衝突判定処理ルーチンが実行される。

まず、ステップ１００において、車間距離計測部１２から出力される車間距離と車速センサ１４から出力される車速とを取得し、ステップ１０２において、上記ステップ１００で取得した車間距離と車速とに基づいて、自車両の位置及び加速度、先行車両の車速及び加速度、並びに相対車速を算出する。

そして、ステップ１０４において、初期化処理として、上記ステップ１００で取得した車速及び上記ステップ１０２で算出した自車加速度を用いて、時刻０における自車両の走行状態を示すＮ個のパーティクルを生成する。また、時刻を示す変数ｔに、次時刻を示す１を代入する。

次のステップ１０６では、上記ステップ１０２で算出した先行車両の車速及び加速度と上記ステップ１００で取得した車間距離、あるいは前回予測された先行車両の位置及び車速に基づいて、次の時刻ｔにおける先行車両の位置及び車速を予測する。

そして、ステップ１０８において、パーティクルを識別するための変数ｎに、初期値である１を設定する。ステップ１１０では、時刻ｔ−１におけるパーティクルｎの先行車両との相対車速及び車間距離と、各クラスの確率密度分布とに基づいて、時刻ｔのパーティクルｎの加減速状態を判定する。次のステップ１１２では、上記ステップ１１０の判定結果、時刻ｔ−１におけるパーティクルｎの自車両位置及び車速、並びに時刻ｔ−１までのパーティクルｎの加速度に基づいて、時刻ｔにおけるパーティクルｎの自車両位置、車速、及び加速度を予測する。

そして、ステップ１１４において、上記ステップ１０６における時刻ｔの先行車両の予測結果及び上記ステップ１１２における時刻ｔの自車両の予測結果から得られる時刻ｔの相対車速及び車間距離と、上記ステップ１１２において予測された自車加速度と、予め算出した確率密度分布とに基づいて、時刻ｔにおけるパーティクルｎの尤度を算出する。

次のステップ１１６では、変数ｎが、Ｎ未満であるか否かを判定する。変数ｎがＮ未満である場合には、全てのパーティクルについて予測処理が終了していないと判断し、ステップ１１８において、ｎをインクリメントして、上記ステップ１１０へ戻る。

一方、変数ｎが、Ｎに到達した場合には、全てのパーティクルについて予測処理が終了したと判断し、ステップ１２０へ移行する。ステップ１２０では、時刻ｔが予め定められた予測期間Ｔ未満であるか否かを判定する。時刻ｔがＴ未満である場合には、時刻Ｔまでの予測処理が終了していないと判断し、ステップ１２２において、上記ステップ１１４で算出された時刻ｔにおけるＮ個のパーティクルの各々の尤度に比例して、Ｎ個のパーティクルを復元抽出する。そして、ステップ１２４において、ｔをインクリメントして、上記ステップ１０６へ戻る。

一方、上記ステップ１２０で、時刻ｔがＴに到達したと判定された場合には、時刻Ｔまでの予測処理が終了したと判断し、ステップ１２６へ移行する。この時点で、Ｎ個のパーティクルの各々について、時刻Ｔまでの自車両の走行状態及び尤度が得られ、先行車両についても、時刻Ｔまでの走行状態が得られている。

ステップ１２６では、Ｎ個のパーティクルの各々について上記ステップ１１４で算出された尤度に基づいて、パーティクル毎に、各時刻の尤度の積算値を算出し、尤度の積算値が最大となるパーティクルを、最尤経路を示すパーティクルとして選択する。

次のステップ１２８では、上記ステップ１２６で選択されたパーティクルの時刻Ｔにおける位置及び車速、及び上記ステップ１０６で予測された時刻Ｔにおける先行車両の位置及び車速を用いて、ＴＴＣを算出する。そして、ステップ１３０において、上記ステップ１２８で算出されたＴＴＣが、閾値時間Ｔｔｈ未満であるか否かを判定し、ＴＴＣが、閾値時間Ｔｔｈ未満である場合には、ステップ１３２において、警報を出力するように警報装置１６を制御して、衝突判定処理ルーチンを終了する。一方、ＴＴＣが、閾値時間Ｔｔｈ以上である場合には、警報を出力せずに、衝突判定処理ルーチンを終了する。

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、ドライバの運転データに基づいて予め求められた加減速状態の各々に対する、車間距離及び相対車速の組み合わせの確率密度分布を用いて、各時刻における自車両の加減速状態を判定すると共に、ドライバの運転データに基づいて予め求められた車間距離、相対車速、及び自車加速度の組み合わせの確率密度分布を用いて、自車両の走行状態を示す各パーティクルに対する尤度を算出し、各パーティクルの尤度を用いてパーティクルの復元抽出を行いながら、各パーティクルの走行状態の予測を繰り返し行うことにより、ドライバの運転特性を反映して、先行車両と衝突する危険性を効率的に判定することができる。

また、尤もらしいパーティクルについて算出される先行車両との衝突時間を用いて、先行車両と衝突する危険性を精度良く判定することができる。

衝突危険警報装置の自然な発報タイミングを決めるためのひとつの基準として、普段のドライバのブレーキタイミングに合わせて発報することが考えられる。ここで、ドライバは車両の状態（自車速、先行車速、先行車減速度等）および先行車両との位置関係（車間距離等）からブレーキを踏むタイミングを決めている。しかしながら、人間の判断にはゆれがあるため、ブレーキタイミングは一般的に一定のばらつきを持っている。このばらつきはドライバ毎に異なるため、警報装置の発報タイミングも、このタイミングを考慮する必要がある。本実施の形態では、自車両の複数の車両軌跡をシュミレーション（将来予測）することで求め、そこで得られた自車両と先行車両の複数の位置関係のうち尤度の高い軌跡から、車両衝突時間ＴＴＣを算出する。ここで用いる尤度はドライバの判断のばらつきを反映していると考えられるため、結果としてドライバのブレーキタイミングのばらつきを再現することが可能である。このばらつきを反映した尤度を用いて、適切な発報タイミングを定めることによって、適切なタイミングでの警報の出力が可能となる。

また、ドライバの判断のゆれを考慮することにより、従来よりも誤警報を軽減した上で、早いタイミングで警報を出力することが可能となる。

また、適切性判定部において、各パーティクルの自車走行状態に対する尤度に基づき、パーティクルの復元抽出を行って、逐次ドライバが取りうるべき軌跡を限定することにより、計算量を削減することが可能となる。

また、尤度計算部において、蓄積した運転データに基づいて得られた確率密度分布に基づいて各パーティクルの走行状態に対する尤度を計算することにより、当該ドライバが走行しうる軌跡を確率的に計算することができる。

次に、第２の実施の形態について説明する。なお、第２の実施の形態に係る運転支援装置の構成は、第１の実施の形態と同様の構成であるため、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、車両衝突時間ＴＴＣの算出方法が、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、衝突判定部３２によって、Ｎ個のパーティクルの各々について、Ｔ秒後までの各時刻の走行状態に対して算出された尤度を積算して、尤度の積算値Ｌ（ｎ）を算出する。衝突判定部３２は、Ｎ個のパーティクルの各々について予測されたＴ秒後の位置ｈｐ（ｎ）及び車速ｈｖ（ｎ）と、算出した尤度の積算値Ｌ（ｎ）と、先行車両について予測されたＴ秒後の位置ｌｐ、車速ｌｖとを用いて、以下の式により確率的な車両衝突時間ｐＴＴＣを算出する。
ｐＴＴＣ
＝Σ_ｎ｛（ｌｐ−ｈｐ（ｎ））／（ｌｖ−ｈｖ（ｎ））＊（Ｌ（ｎ）／Σ_ｊＬ（ｊ））｝
上記の式では、Ｎ個のパーティクルの各々に対するＴ秒後の車両衝突確率ＴＴＣに対して、尤度の積算値に応じた重み付けを行って加重平均し、確率的な車両衝突時間ｐＴＴＣを算出している。

衝突判定部３２は、算出した確率的な車両衝突時間ｐＴＴＣが、閾値時間Ｔｔｈ未満であるかを判定し、確率的な車両衝突時間ｐＴＴＣが閾値時間Ｔｔｈ未満であれば、衝突する危険性が高いと判定し、ドライバに対して警報を出力するように警報装置１６を制御する。

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。

このように、自車両の走行状態を示す各パーティクルの尤度に基づいて算出される先行車両との衝突時間を用いて、先行車両と衝突する危険性を精度良く判定することができる。

次に、第３の実施の形態について説明する。なお、第３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であるため、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、車両衝突時間ＴＴＣの算出方法が、第１の実施の形態と異なっている。

第３の実施の形態では、衝突判定部３２によって、Ｎ個のパーティクルの各々について、Ｔ秒後までの各時刻の自車両位置と、Ｔ秒後までの各時刻の先行車両の位置とに基づいて、Ｔ秒後までの自車両の経路において先行車両と衝突するか否かを判断し、Ｎ個のパーティクルに対する判断結果に基づいて、衝突確率ｐｃｏｌを算出する。例えば、衝突判定部３２は、以下の式に従って、衝突確率ｐｃｏｌを算出する。
ｐｃｏｌ＝Σ_ｎ｛ｃｏｌ（ｌｐ（ｎ），ｈｐ（ｎ））｝／Ｎ
ここで、ｃｏｌ（）は、Ｔ秒後までの経路において先行車両と衝突する場合に１、それ以外の場合に０を返す関数である。

また、衝突判定部３２は、算出した衝突確率ｐｃｏｌが、閾値Ｔｈ以上であるかを判定し、衝突確率ｐｃｏｌが閾値Ｔｈ以上であれば、衝突する危険性が高いと判定し、ドライバに対して警報を出力するように警報装置１６を制御する。

次に、第３の実施の形態に係る衝突判定処理ルーチンについて、図４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、車間距離計測部１２から出力される車間距離と車速センサ１４から出力される車速とを取得し、ステップ１０２において、自車両の位置及び加速度、先行車両の車速及び加速度、並びに相対車速を算出する。そして、ステップ１０４において、初期化処理として、時刻０における自車両を示すＮ個のパーティクルを生成すると共に、次時刻を示す変数ｔに１を代入する。

次のステップ１０６では、次時刻ｔにおける先行車両の位置及び車速を予測し、ステップ１０８において、パーティクルを識別するための変数ｎに、１を設定する。ステップ１１０では、次時刻ｔのパーティクルｎの加減速状態を判定する。次のステップ１１２では、次時刻ｔにおけるパーティクルｎの自車両位置、車速、及び加速度を予測する。

そして、ステップ１１４において、次時刻ｔにおけるパーティクルｎの尤度を算出する。

次のステップ１１６では、変数ｎが、Ｎ未満であるか否かを判定する。変数ｎがＮ未満である場合には、ステップ１１８において、ｎをインクリメントして、上記ステップ１１０へ戻る。一方、変数ｎが、Ｎに到達した場合には、全てのパーティクルについて予測処理が終了したと判断し、ステップ１２０へ移行する。ステップ１２０では、時刻ｔが予め定められた予測期間Ｔ未満であるか否かを判定する。時刻ｔがＴ未満である場合には、ステップ１２２において、Ｎ個のパーティクルを復元抽出し、ステップ１２４において、ｔをインクリメントして、上記ステップ１０６へ戻る。

一方、上記ステップ１２０で、時刻ｔがＴに到達したと判定された場合には、時刻Ｔまでの予測処理が終了したと判断し、ステップ３００へ移行する。

ステップ３００では、Ｎ個のパーティクルの各々について、上記ステップ１１２で予測されたＴ秒後までの各時刻の自車両位置と、上記ステップ１０６で予測されたＴ秒後までの各時刻の先行車両の位置とに基づいて、当該パーティクルの経路において、先行車両と衝突するか否かを判定する。

次のステップ３０２では、上記ステップ３００における各パーティクルに対する判定結果に基づいて、衝突確率を算出する。そして、ステップ３０４において、上記ステップ３０２で算出された衝突確率が、閾値Ｔｈ以上であるか否かを判定し、衝突確率が、閾値Ｔｈ以上である場合には、ステップ１３２において、警報を出力するように警報装置１６を制御して、衝突判定処理ルーチンを終了する。一方、衝突確率が、閾値Ｔｈ未満である場合には、警報を出力せずに、衝突判定処理ルーチンを終了する。

このように、自車両の走行状態を示す各パーティクルのＴ秒後までの経路における衝突有無に基づいて、先行車両との衝突確率を算出し、算出した先行車両との衝突確率を用いて、先行車両と衝突する危険性を精度良く判定することができる。

なお、上記の第１の実施の形態〜第３の実施の形態では、車両衝突時間又は衝突確率を算出して、先行車両と衝突する危険性を判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、Ｔ秒後まで走行状態が予測された各パーティクルのうち、尤度の積算値が最大となるパーティクルを選択し、当該パーティクルの経路上での最大減速度を求め、最大減速度が、閾値以上であるか否かに基づいて、先行車両と衝突する危険性を判定するようにしてもよい。または、Ｔ秒後まで走行状態が予測された各パーティクルについて、経路上での最大減速度を求め、求められた各最大減速度に対して、パーティクルの尤度の積算値に応じた重み付けを行い、加重平均して求めた最大減速度が、閾値以上であるか否かに基づいて、先行車両と衝突する危険性を判定するようにしてもよい。

また、車間距離計測部によって計測された車間距離及び車速センサによって検出した車速に基づいて、自車両の位置及び加速度、先行車両の車速及び加速度、並びに相対車速を算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、自車両の位置及び加速度、先行車両の車速及び加速度、並びに相対車速も、各種センサを用いて検出するようにしてもよい。

また、運転支援として、警報を出力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、衝突事故が発生する危険がある場合に、衝突事故を回避するように、制動介入制御や操舵制御を行うようにしてもよい。また、衝突事故が発生する危険がある場合に、運転支援として、ステアリング、ブレーキペダル、又はアクセルペダルの反力調整を行うようにしてもよい。例えば、運転支援として、十分な制動力がより小さなブレーキペダル踏力で得られるように、ブレーキペダルの荷重−ストロークの特性を変更するようにしてもよく、また、運転支援として、ステアリング反力を高めるように、ステアリングの荷重−ストロークの特性を変更するようにしてもよい。また、運転支援として、アクセルペダル反力を高めるように、アクセルペダルの荷重−ストロークの特性を変更するようにしてもよい。

本発明に係るプログラムを、記憶媒体に格納して提供することも可能である。

１０ 運転支援装置
１２ 車間距離計測部
１４ 車速センサ
１６ 警報装置
１８ コンピュータ
２０ 車両状態算出部
２２ 先行車両予測部
２４ 加減速状態判定部
２６ 自車両状態予測部
２８ 尤度算出部
３０ 適切性判定部
３２ 衝突判定部
３８ パラメータ算出部
４０ 確率分布算出部
４２ 記憶部

Claims (7)

1. 自車両の走行状態、及び自車両の前方を走行する先行車両の走行状態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自車両の走行状態に基づいて、自車両の走行状態を含む自車両データを複数生成する生成手段と、
   前記検出手段によって検出された先行車両の走行状態又は前回予測された先行車両の走行状態に基づいて、次時刻の先行車両の走行状態を予測する先行車両予測手段と、
   前記複数の自車両データの各々について、予め求められた自車両の加減速状態の各々に対する自車両と前記先行車両との相対的な走行状態の確率分布、及び前記自車両データの前記走行状態と前記検出された先行車両の走行状態又は前記予測された先行車両の走行状態とから求められる前記相対的な走行状態に基づいて、前記次時刻の自車両の加減速状態を判定する加減速判定手段と、
   前記複数の自車両データの各々について、前記加減速判定手段によって判定された加減速状態及び前記自車両データの前記走行状態に基づいて、前記次時刻の自車両の走行状態を予測して、前記自車両データを更新する自車両予測手段と、
   前記複数の自車両データの各々について、予め求められた前記相対的な走行状態及び加減速状態の組み合わせの確率分布と、前記自車両データの更新された前記走行状態及び前記予測された先行車両の走行状態から求められる前記相対的な走行状態と、前記加減速判定手段によって判定された加減速状態とに基づいて、前記次時刻の尤度を算出する尤度算出手段と、
   前記複数の自車両データの各々について前記尤度算出手段によって算出された尤度に基づいて、前記複数の自車両データを復元抽出する復元抽出手段と、
   前記先行車両予測手段による予測、前記加減速判定手段による判定、前記自車両予測手段による予測、前記尤度算出手段による算出、及び前記復元抽出手段による復元抽出を繰り返し行い、前記先行車両予測手段によって予測された先行車両の走行状態、及び前記自車両予測手段によって予測された自車両の走行状態に基づいて、前記先行車両と衝突する危険性を判定する衝突危険判定手段と、
   を含む衝突危険判定装置。
2. 前記衝突危険判定手段は、前記尤度算出手段によって複数の自車両データの各々について算出された尤度の時系列データの積算値と、前記自車両予測手段によって予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された前記先行車両の走行状態とに基づいて、前記先行車両と衝突するまでの衝突時間を算出し、算出された前記衝突時間に基づいて、前記先行車両と衝突する危険性を判定する請求項１記載の衝突危険判定装置。
3. 前記衝突危険判定手段は、前記尤度算出手段によって算出された尤度の時系列データの積算値が最大となる自車両データを特定し、前記特定された自車両データについて前記自車両予測手段によって予測された自車両の走行状態及び前記先行車両予測手段によって予測された先行車両の走行状態に基づいて、前記先行車両と衝突するまでの衝突時間を算出し、算出された前記衝突時間に基づいて、前記先行車両と衝突する危険性を判定する請求項２記載の衝突危険判定装置。
4. 前記衝突危険判定手段は、前記自車両予測手段によって前記複数の自車両データについて予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された前記先行車両の走行状態とに基づいて、前記複数の自車両データの各々について前記先行車両と衝突するまでの衝突時間を算出し、前記複数の自車両データについて、前記算出された前記衝突時間に対して、前記自車両データについて算出された尤度の時系列データの積算値に応じた重み付けを行って加算し、重み付け加算された前記衝突時間に基づいて、先行車両と衝突する危険性を判定する請求項２記載の衝突危険判定装置。
5. 前記衝突危険判定手段は、前記自車両予測手段によって前記複数の自車両データの各々について予測された前記自車両の走行状態と、前記先行車両予測手段によって予測された先行車両の走行状態とに基づいて、前記複数の自車両データの各々について前記先行車両との衝突の有無を判定し、前記衝突の有無の判定結果に基づいて、先行車両と衝突する危険性を判定する請求項１記載の衝突危険判定装置。
6. 前記衝突危険判定手段による判定結果に基づいて、運転支援を行なう運転支援手段を更に含む請求項１〜請求項５の何れか１項記載の衝突危険判定装置。
7. コンピュータを、
   自車両の走行状態を検出する検出手段によって検出された自車両の走行状態に基づいて、自車両の走行状態を含む自車両データを複数生成する生成手段、
   自車両の前方を走行する先行車両の走行状態を検出する検出手段によって検出された先行車両の走行状態又は前回予測された先行車両の走行状態に基づいて、次時刻の先行車両の走行状態を予測する先行車両予測手段、
   前記複数の自車両データの各々について、予め求められた自車両の加減速状態の各々に対する自車両と前記先行車両との相対的な走行状態の確率分布、及び前記自車両データの前記走行状態と前記検出された先行車両の走行状態又は前記予測された先行車両の走行状態とから求められる前記相対的な走行状態に基づいて、前記次時刻の自車両の加減速状態を判定する加減速判定手段、
   前記複数の自車両データの各々について、前記加減速判定手段によって判定された加減速状態及び前記自車両データの前記走行状態に基づいて、前記次時刻の自車両の走行状態を予測して、前記自車両データを更新する自車両予測手段、
   前記複数の自車両データの各々について、予め求められた前記相対的な走行状態及び加減速状態の組み合わせの確率分布と、前記自車両データの更新された前記走行状態及び前記予測された先行車両の走行状態から求められる前記相対的な走行状態と、前記加減速判定手段によって判定された加減速状態とに基づいて、前記次時刻の尤度を算出する尤度算出手段、
   前記複数の自車両データの各々について前記尤度算出手段によって算出された尤度に基づいて、前記複数の自車両データを復元抽出する復元抽出手段、及び
   前記先行車両予測手段による予測、前記加減速判定手段による判定、前記自車両予測手段による予測、前記尤度算出手段による算出、及び前記復元抽出手段による復元抽出を繰り返し行い、前記先行車両予測手段によって予測された先行車両の走行状態、及び前記自車両予測手段によって予測された自車両の走行状態に基づいて、前記先行車両と衝突する危険性を判定する衝突危険判定手段
   として機能させるためのプログラム。

Images