JP2016206026A - 物体認識装置 - Google Patents

Abstract

【課題】自車両の周囲に位置する物体を認識する物体認識装置において、マルチエコーを用いることなく解像度を向上できるようにする。【解決手段】物体認識システムにおいては、物体を検出する検出領域を予め水平方向および鉛直方向に格子状に区分した照射領域毎にレーザ光を照射し、それぞれの照射領域にてレーザ光の反射光を受光することで得られるそれぞれの距離と反射強度を含む測距点群を取得し（Ｓ１１０）、測距点群をクラスタリングし（Ｓ１２０）、クラスタリングした点群（クラスタ点群）の位置をクラスタ毎に設定された位置に補正した補正クラスタ点群を生成する（Ｓ１５０）。それぞれのクラスタについて得られた現在時刻の補正クラスタ点群を、過去において各クラスタについて得られた過去時刻の統合クラスタ点群に統合した現在時刻の統合クラスタ点群を得て（Ｓ１５０）、この統合クラスタ点群を用いて識別を行う（Ｓ１７０）。【選択図】図３

Description

本発明は、自車両の周囲に位置する物体を認識する物体認識装置に関する。

上記の物体認識装置として、レーザレーダによって得られる距離情報に含まれるマルチエコー（１つのレーザ光から複数の物体の距離情報を得る技術）を用いて解像度を向上させる技術が知られている（例えば、特許文献１参照）。

特表２０１４−１４２２４２号公報

しかしながら、上記物体認識装置は、マルチエコーを検出可能なレーザレーダは高機能かつ高価なものであるため、シングルエコー（１つのレーザ光から１つの距離情報のみを得る技術）を用いて解像度を向上させることに対する要求がある。

そこで、このような問題点を鑑み、自車両の周囲に位置する物体を認識する物体認識装置において、マルチエコーを用いることなく解像度を向上できるようにすることを本発明の目的とする。

本発明の物体認識装置において、測距点群取得手段は、物体を検出する検出領域を予め水平方向および鉛直方向に格子状に区分した照射領域毎にレーザ光を照射し、それぞれの照射領域にて前記レーザ光の反射光を受光することで得られるそれぞれの距離と反射強度を含む測距点群を取得する。また、クラスタリング手段は、測距点群をクラスタリングする。（以下、クラスタリング手段で生成された測距点群のクラスタをクラスタ点群と呼ぶ。）次に、点群補正手段は、クラスタ点群の位置をクラスタ毎に設定された位置に補正する。（以下、点群補正手段で補正されたクラスタ点群を補正クラスタ点群と呼ぶ。）
統合手段は、過去時刻及び現在時刻の補正クラスタ点群を用いて、各クラスタ点群を統合する。（以下、統合手段で生成されたクラスタ点群を統合クラスタ点群と呼ぶ。）各クラスタについて得られた現在時刻の補正クラスタ点群を、過去において各クラスタについて得られた過去時刻の統合クラスタ点群に統合して現在時刻の統合クラスタ点群を生成する。

このような物体認識装置によれば、１回分の測距点群でなく、過去において得られた測距点群も用いて物体を認識することができるので、マルチエコーを用いることなく解像度を向上させることができる。

なお、各請求項の記載は、可能な限りにおいて任意に組み合わせることができる。この際、一部構成を除外してもよい。

運転支援システム１の概略構成を示す説明図である。 実施形態において、レーザ光を照射する領域を示す模式図である。 レーダ制御部１１が実行する物体認識処理を示すフローチャートである。 測距点群とクラスタリング結果の一例を示す鳥瞰図である。 クラスタ点群の一例を示す立体図である。 第１実施形態の超解像処理を示すフローチャートである。 第１実施形態の超解像処理の概要を示す模式図である。 第１実施形態の識別処理を示すフローチャートである。 第２実施形態の超解像処理を示すフローチャートである。 第２実施形態の超解像処理の概要を示す模式図である。 第３実施形態の超解像処理を示すフローチャートである。 クラスタ点群をモデルに基づいてパーツ点群に分解する例を示す模式図である。 第３実施形態の超解像処理の概要を示す模式図である。 第４実施形態の超解像処理を示すフローチャートである。 距離と反射強度との原理上の関係を示すグラフである。 第５実施形態の超解像処理を示すフローチャートである。 第５実施形態の超解像処理の概要を示す模式図である。 第６実施形態の超解像処理を示すフローチャートである。 第６実施形態の超解像処理の概要を示す模式図である。 第７実施形態の識別処理を示すフローチャートである。 第８実施形態の識別処理を示すフローチャートである。 第８実施形態において補正クラスタ点群領域の一例を示す説明図である。 第９実施形態の識別処理を示すフローチャートである。

以下に本発明にかかる実施の形態を図面と共に説明する。
［第１実施形態］
［本実施形態の構成］
図１は本実施形態の運転支援システム１の概略構成を示す説明図、図２はレーザ光を照射する領域を示す模式図である。運転支援システム１は、例えば乗用車等の車両（以下「自車両」ともいう。）に搭載されており、図１に示すように、レーダ装置１０と、車両制御部３０と、を備えている。

レーダ装置１０は、レーダ制御部１１と、走査駆動部１２と、光学ユニット１３とを備えている。
レーダ制御部１１は、ＣＰＵ１８と、ＲＯＭ，ＲＡＭ等のメモリ１９と、を備えた周知のコンピュータとして構成されている。ＣＰＵ１８は、メモリ１９に記憶されたプログラムに従って、後述する物体認識処理等の各種処理を実施する。なお、レーダ制御部１１は、回路等によるハードウェアで構成してもよい。

走査駆動部１２は、例えばモータ等のアクチュエータとして構成されており、レーダ制御部１１からの指令を受けて、光学ユニット１３を水平方向および鉛直方向の任意の方向に向けることができるよう構成されている。なお、走査駆動部１２は、レーダ制御部１１からの走査開始信号を受ける度に、レーザ光を照射すべき全ての領域から反射光を得る、１サイクル分の走査ができるように光学ユニット１３を駆動する。

光学ユニット１３は、レーダ制御部１１からの指令に応じてレーザ光を射出する発光部１４と、発光部１４からのレーザ光（図１では実線の矢印で示す）が物体５０に反射したときの反射光（図１では破線の矢印で示す）を受光する受光部１５と、を備えている。

なお、走査駆動部１２は、結果として発光部１４によるレーザ光の射出方向が受光部１５により反射光を受光可能な方向と同じ方向となるよう変化させられる構成であればよい。例えば、走査駆動部１２は、光学ユニット１３に換えて、光学ユニット１３に備えられたレーザ光および反射光を任意の方向に反射させるミラーを駆動するよう構成されていてもよい。

この場合には、複数の反射面を有するミラーを走査駆動部１２で回転させることによって水平方向にレーザ光を走査し、反射面の角度をそれぞれ異なる角度に設定することによって、鉛直方向にもレーザ光を振りつつ走査する構成を採用すればよい。また、１つの反射面を有するミラーを任意の方向に向ける機構を採用してもよい。

また、走査駆動部１２は、受光部１５のみの方向を変化させる構成でもよい。この場合、発光部１４は、発光部１４の方向を変化させることなく、受光部１５が走査される領域の一部または全体にレーザ光を照射可能な構成にされていてもよい。

上述のようにレーダ装置１０は、自車両周囲の任意の方向（本実施形態では自車両の進行方向である前方）の所定領域に対して、走査しつつ間欠的に電磁波であるレーザ光を照射し、その反射光をそれぞれ受信することによって、自車両前方の物体を各測距点として検出するレーザレーダとして構成されている。

ここで、本実施形態のレーダ装置１０においてレーダ制御部１１は、前述のように走査駆動部１２を利用して、光学ユニット１３から照射されるレーザ光を所定の領域内において走査させるが、詳細には図２に示すように、この領域の左上隅から右上隅に水平方向右側にレーザ光を照射させる範囲を変化させつつ間欠的に等間隔（等角度）でレーザ光を照射させ、レーザ光が右上隅に到達すると、左上隅よりも所定角度だけ下方の領域から水平方向右側にレーザ光を照射させる範囲を変化させつつ再びレーザ光を照射させる。

この作動を繰り返すことによってレーダ装置１０は、所定領域の全域に順次レーザ光を照射させることになる。そしてレーダ装置１０は、反射光を受信したタイミングとレーザ光を照射した方向とに基づいて、レーザ光を照射する度に物体（測距点）の位置を演算する。

なお、レーザ光の出射方向については、レーザ光を照射する全領域をレーザ光が照射される領域毎にマトリクス状に区切り、各領域に番号を付すことによって特定できるようにしておく。例えば、図２に示すように、水平方向については左から順に番号を付し、この番号を方位番号と呼ぶ。また、鉛直方向については上から順に番号を付し、この番号をライン番号と呼ぶ。

上記の［数１］において、ｉはライン番号、ｊは方位番号、ｒは距離、Ｉは反射強度を表す。

次に、車両制御部３０においては、ＣＰＵ，ＲＯＭ，ＲＡＭ等からなる周知のコンピュータとして構成されており、ＲＯＭ等に記憶されたプログラムに従って、自車両の挙動を制御する処理や、運転者に対する報知を行う等の各種処理を実施する。例えば、車両制御部３０は、自車両の挙動を変更するような（或いは挙動の変更を促すような）運転支援を行う旨の指令をレーダ装置１０から受けると、この指令に応じた制御信号を表示装置、音声出力装置、制動装置、操舵装置等の何れかに出力するようにすればよい。

［本実施形態の処理］
このように構成された運転支援システム１において、レーダ制御部１１は、図３に示す物体認識処理を実施する。物体認識処理は、例えば１サイクル分の全ラインおよび全方位の測距点群が得られる毎に実施される処理である。

物体認識処理では、図３に示すように、まず、測距点群を取得する（Ｓ１１０）。測距点群とは、レーザ光の照射領域毎に得られる物体の座標を表す１サイクル分の測距点の集合であり、測距点の距離（或いは３次元座標）と反射強度の情報とが含まれる。

続いて、クラスタリング（Ｓ１２０）、およびクラスタリングで特定された各クラスタの追跡を行う（Ｓ１３０）。クラスタリング処理では、例えば、互いに近接する複数の測距点をクラスタリングすることで、各物体に対応するクラスタを得る。

また、追跡処理では、クラスタの位置が前フレーム（前サイクルにて得られた測距点群）にて特定されたクラスタに近接するか否かを判定し、近接する場合にこれらが同じ物体から得られたクラスタであると推定する。この場合、各クラスタを時間方向に紐付け各ＩＤを付与し、各クラスタの速度を算出する。

詳細には、例えば、「Multilayer LIDAR-Based Pedestrian Tracking in Urban Environments, S. Sato, M. Hashimoto, M. Takita, K. Takagi, T. Ogawa; IV2010」等にて開示されている手法を採用できる。

このようなクラスタリングによって１つまたは複数のクラスタを得る。Ｋ個のクラスタが得られた場合、各クラスタＣ^ｋのパラメタを以下のように定義する。

上記の［数２］において、ｘ^ｋ、ｙ^ｋは任意に定義されたクラスタの位置を表す。また、ｗ^ｋ、ｄ^ｋは、クラスタＣ^ｋの幅（ｘ軸方向の長さ）、および奥行き幅（ｙ軸方向の長さ）を表す。

ここで、図４に測距点群とクラスタリング結果の一例を示す。なお、本実施形態では、自車両の右方向をｘ軸の正とし、自車両の前方をｙ軸の正とする。また、鉛直方向の上方向をｚ軸の正とする。図４に示す例では、例えば、クラスタの左端と右端の中心のｘ座標をｘ^ｋ、クラスタの前端のｙ座標をｙ^ｋとする。

クラスタＣ^ｋを構成する測距点の集合がクラスタ点群であり、例えば、図５に示すように、Ｎ^ｋ個の測距点で構成される点群としてＲＡＭ等のメモリにて保持する。
特に本実施形態では、点群の情報に加え、点群を取得した時刻の情報も保持する。

続いて、超解像処理を実施する（Ｓ１５０）。超解像処理は、過去のフレームにおいて得られたクラスタ点群と、今回のフレームにおいて得られたクラスタ点群とを、位置を補正して統合する処理である。なお、超解像処理は、各フレームで得られたクラスタ点群毎に実施される。

超解像処理では、図６に示すように、まず、クラスタ点群の重心座標を演算する（Ｓ２１０）。この処理では、例えば、下記式を用いて重心座標を得る。

続いて、座標変換を実施する（Ｓ２２０）。この処理では、例えば、下記式を用いてクラスタ点群の重心座標が原点となるよう平行移動させる。これにより得られたクラスタ点群を補正クラスタ点群と呼ぶ。

続いて、現在時刻で得られた補正クラスタ点群を、過去時刻で得られた統合クラスタ点群に統合して、現在時刻の統合クラスタ点群を生成する（Ｓ２３０）。

この処理では、図７に示すように、例えば、時刻（Ｔ−１）では、時刻（Ｔ−２）にて保持されていた統合クラスタ点群と、時刻（Ｔ−１）にて得られた補正クラスタ点群を統合する。そして、時刻Ｔでは、時刻（Ｔ−１）にて保持されていた統合クラスタ点群と、時刻Ｔにて得られた補正クラスタ点群とをさらに統合する。つまり、ある物体を追跡できれば、各物体の統合クラスタ点群として、より高解像度の測距点が保持できることになる。

このような処理が終了すると、超解像処理を終了する。続いて、図３に戻り、統合クラスタ点群をメモリに格納して保存する（Ｓ１６０）。
続いて、識別処理を実施する（Ｓ１７０）。識別処理は、各統合クラスタ点群に対応する物体の種別を識別する処理である。

識別処理では、図８に示すように、まず、統合クラスタ点群に付随した時刻情報を用いて、識別処理に有効な測距点を選定する（Ｓ３１０）。ここでは、例えば、現時刻から過去所定フレーム（ＴＨ_ＣＴ）分の測距点のみを使用し、それ以前の測距点は使用しないよう設定する。

すなわち、古いデータは信頼性が乏しい可能性があるため、使用されにくく設定する。他には、例えば統合クラスタ点群の中で、時刻が現在に近い測距点ほど重み付けを大きくして識別を行ってもよい。

続いて、選定した測距点を用いて、各クラスタの特徴量を抽出する（Ｓ３２０）。例えば、選定した測距点から得られる、クラスタの幅、高さ、アスペクト比、相対速度、等の各種特徴量を抽出する。

そして、前記特徴量と予め用意した識別モデルを用いて識別スコアの演算を行う（Ｓ３３０）。例えば、既知の多クラスＳＶＭ（Support Vector Machine）を用いる。この処理では、予め種別毎にＳＶＭモデルを学習しておき、各モデルと抽出した特徴量を用いて種別毎の識別スコアを求める。そして、スコアが最大となるモデルの種別を、そのクラスタを示す種別として決定する。

このような処理が終了すると、識別処理を終了し、物体認識処理も終了する。
［本実施形態による効果］
上記のように詳述した第１実施形態の運転支援システム１においてレーダ制御部１１は、物体を検出する検出領域を予め水平方向および鉛直方向に格子状に区分した照射領域毎にレーザ光を照射し、それぞれの照射領域にてレーザ光の反射光を受光することで得られるそれぞれの距離と反射強度を表す測距点群を取得する。また、レーダ制御部１１は、測距点群をクラスタリングし、クラスタ点群の位置をクラスタ毎に設定された位置に補正した補正クラスタ点群を生成する。

また、レーダ制御部１１は、各クラスタについて得られた現在時刻の補正クラスタ点群を、過去において各クラスタについて得られた過去時刻の統合クラスタ点群に統合して現在時刻の統合クラスタ点群を生成する。そして、レーダ制御部１１は、統合クラスタ点群を識別する。

このような運転支援システム１によれば、１回分の測距点群でなく、過去において得られた測距点群も用いて物体を認識することができるので、マルチエコーを用いることなく解像度を向上させることができる。

また、運転支援システム１においてレーダ制御部１１は、クラスタ点群の原点の位置を、過去において得られた統合クラスタ点群にて設定された原点の位置と一致させる補正を行う。

このような運転支援システム１によれば、物体の位置の補正を確実に行うことができる。
また、運転支援システム１においてレーダ制御部１１は、各測距点の取得時刻を含む統合クラスタ点群を生成し、取得時刻に応じた重み付けを行った上で統合クラスタ点群を利用する。

このような運転支援システム１によれば、各測距点を取得した時刻に応じて重み付けを行った上で物体の識別を行うため、信頼度の高い情報のみを用いて高精度な識別を行うことができる。

［第２実施形態］
次に、別形態の運転支援システムについて説明する。本実施形態（第２実施形態）では、第１実施形態の運転支援システム１と異なる箇所のみを詳述し、第１実施形態の運転支援システム１と同様の箇所については、同一の符号を付して説明を省略する。また簡単のため、時刻情報は用いない形態にて説明する。

第２実施形態の運転支援システムでは、図６に示す超解像処理に代えて、図９に示す超解像処理を実施する。すなわち、第２実施形態の超解像処理では、図９に示すように、まず各クラスタ点群をｘｙ平面へ射影する（Ｓ３６０）。

ｘｙ平面への射影とは、３次元空間の任意の点（ｘ、ｙ、ｚ）を２次元空間の点（ｘ、ｙ）に写像することを意味する。

次に、射影後のクラスタ点群に対して主成分分析を行う（Ｓ３７０）。

例えば、主成分分析の結果を図１０の破線矢印で表す。

続いて、回転変換を行う（Ｓ３８０）。この処理では、図１０の上段および中段に示すように、第１主成分である長軸がｘ軸と平行になるように回転する座標変換を行う。

続いて、上記補正クラスタ点群の統合処理を行う（Ｓ３９０）。

このようにすると、図１０に示すように、時刻（Ｔ−１）および時刻Ｔにおいてそれぞれ異なる方向のクラスタ点群の向きを、ｘ軸の方向に揃えてから統合できることになる。このような処理が終了すると、第２実施形態の超解像処理を終了する。

すなわち、上記の第２実施形態の運転支援システムにおいてレーダ制御部１１は、クラスタ点群の方向を推定し、クラスタ点群の方向を予め設定された方向に回転させる。
このような第２実施形態の運転支援システムによれば、時間とともに物体が回転した場合であっても、物体の方向を揃えた上で過去における測距点群とともに利用でき、高精度な識別を行うことができる。

［第３実施形態］
次に、第３実施形態の運転支援システムについて説明する。簡単のため、時刻情報は用いない形態にて説明する。第３実施形態の運転支援システムでは、クラスタ点群を複数のパーツに分割してさらに各パーツの方向を推定し、各パーツのそれぞれについてパーツの方向を予め設定された方向に回転させる。（以下、分割されたそれぞれの点群をパーツ点群と呼ぶ。）
具体的には、図１１に示す第３実施形態の超解像処理を実施する。第３実施形態の超解像処理では、図１１に示すように、まず、クラスタを構成する各パーツを検出し（Ｓ４１０）、パーツ点群を抽出する（Ｓ４２０）。

例えば、識別対象として歩行者を考える。図１２の符号４１にて示すように、歩行者のパーツ（例えば頭・腕・胴体・脚）毎に識別器を用意する。そして、物体が歩行者である可能性がある場合、符号４２に示すそれぞれのパーツを構成する各測距点を、識別器に基づいてパーツ毎に抽出し、符号４３に示すパーツ点群を得る。この処理の際には、例えば、下記の技術を用いることができる。
「Pedestrian Detection Combining RGB and Dense LIDAR Data, C. Premebida, J. Carreira, J. Batista, U. Nunes; IROS2014」
続いて、抽出したパーツ点群の補正を行う。すなわち、歩行者が直立状態のときを標準姿勢と定義し、各パーツの位置と向きが重なるように座標変換する。具体的には、前記第２実施例と同様の考え方で、まず各パーツ点群に対して主成分分析を行う（Ｓ４３０）。

続いて、各パーツ点群に対して回転変換を行う（Ｓ４３５）。この処理では、図１３の上段および中段に示すように、第１主成分ベクトルがｙ軸と平行になるように回転する座標変換を行う。

そして、標準姿勢となったクラスタ点群を、補正クラスタ点群として保持する。

これらの処理によって、図１３に示すように、時刻によって手足の位置がまちまちであった歩行者であっても（図１３上段参照）、手足の位置が統一された状態で（図１３中段参照）、統合することができる。

続いて、補正クラスタ点群の統合処理を行う（Ｓ４４０）。

すなわち、各取得時間で各パーツの向きが異なる場合であっても、各パーツの位置が統一された状態で（図１３中段参照）、補正クラスタ点群が統合されることになる（図１３下段参照）。このような処理が終了すると第３実施形態の超解像処理を終了する。

このような第３実施形態の運転支援システムによれば、例えば、歩行者が腕を振る場合等、物体を構成するパーツの方向が変化した場合においても、各パーツの方向を揃えた上で過去における測距点群とともに利用でき、高精度な識別を行うことができる。

［第４実施形態］
次に、第４実施形態の運転支援システムについて説明する。簡単のため、時刻情報は用いない形態にて説明する。第４実施形態の運転支援システムにおいては、レーダ制御部１１は距離に応じて反射強度を補正する。そして、反射強度も用いて統合クラスタ点群を識別する。

第４実施形態の超解像処理では、図１４に示すように、まず、距離と反射強度とを含むクラスタ点群を取得する。

そして、反射強度の正規化を行う（Ｓ４７０）。

すなわち、図１５に示すように、原理上において反射強度Ｉが距離ｒの２乗に反比例する特性（反射強度の距離二乗則）を利用して、測距点群が同距離（ｒ＝１）に存在すると仮定した反射強度となるよう反射強度を補正する。

そして、反射強度を補正した補正クラスタ点群を用いて、統合処理を行う（Ｓ４８０）。

このようにする場合、予め補正後の反射強度を用いて識別モデルを学習しておき、識別処理では、補正後の反射強度も用いて統合点群クラスタの種別を識別する。

このような第４実施形態の運転支援システムによれば、距離に応じて反射強度を補正するので、距離に依存しない識別モデルを構築でき、高精度な識別を行うことができる。
［第５実施形態］
次に、第５実施形態の運転支援システムについて説明する。簡単のため、時刻情報は用いない形態にて説明する。第５実施形態の運転支援システムにおいては、自車両の姿勢（傾き）を取得し、自車両の姿勢に応じて測距点群を補正する。

詳細には、図１６に示す超解像処理を実施する。第５実施形態の超解像処理では、図１６に示すように、まず、自車両の姿勢推定の一例としてピッチング推定を行う（Ｓ５１０）。ピッチング推定処理は周知であり、例えば、特開２００３−０４３１４７号公報に記載の技術を用いることができる。また、車両の傾きセンサ等からの情報を利用してもよい。

続いて、測距点群の回転変換を実施する（Ｓ５２０）。この処理では、推定したピッチング角αを用いて、ピッチング時に得られた測距点群が実際には物体のどの位置に相当するかを特定し、測距点群を補正する。

続いて、自車両のピッチングを補正した補正クラスタ点群を用いて統合する（Ｓ５３０）。

このような処理を実施すると、例えば、図１７に示すように、車両のピッチングによって各時刻に異なる位置のクラスタ点群が得られる。例えば、時刻（Ｔ−２）にてピッチングが発生していない場合のクラスタ点群に比較し、時刻（Ｔ−１）にて自車両が上向きにピッチングしていると比較的高い位置のクラスタ点群が得られ、時刻Ｔにて自車両が下向きにピッチングしていると比較的低い位置のクラスタ点群が得られる。

図１７に示すように、これらの補正クラスタ点群を統合すると、ピッチングによる点群補正を実施しない場合と比較して、より高解像度な、又は鉛直方向により広い範囲の統合クラスタ点群が得られることになる。このような処理が終了すると、第５実施形態の超解像処理を終了する。

このような第５実施形態の運転支援システムによれば、自車両の姿勢（傾き）に応じて測距点群を補正することで、より高解像度な、又は鉛直方向により広い範囲の統合クラスタ点群が得られるので、高精度な識別を行うことができる。

［第６実施形態］
次に、第６実施形態の運転支援システムについて説明する。簡単のため、時刻情報は用いない形態にて説明する。第６実施形態の運転支援システムにおいては、過去における識別結果を取得し、種別に基づいて物体の形状に合致するように補正クラスタ点群を生成する。

具体的には、図１８に示す超解像処理を実施する。第６実施形態の超解像処理では、図１８に示すように、まず、前回の識別結果を取得する（Ｓ５６０）。そして、識別結果に応じて点群補正処理の際に利用する点群モデルを選択する（Ｓ５７０）。

続いて、点群モデルフィッティングを実施する（Ｓ５８０）。この処理では、例えば図１９に示すように、時刻（Ｔ−２）にて電柱であると識別され、電柱の点群モデルが選択された場合には、電柱の点群モデルに最も合致するように、時刻（Ｔ−１）における各クラスタ点群を補正する。

より具体的には、例えば、ICP（Iterative Closest Point）等の一般的に知られる２点群のフィッティング技術を利用すればよい。この処理では、点群間の位置の誤差が最小となるようにクラスタ点群が補正され、補正クラスタ点群を生成する。

続いて、前述のような補正クラスタ点群の統合処理を行い（Ｓ５９０）、第６実施形態の超解像処理を終了する。
このような第６実施形態の運転支援システムによれば、物体の種別が識別できている場合には、その形状に合わせて位置を補正するので、補正精度が向上し高精度な識別を行うことができる。

［第７実施形態］
次に、第７実施形態の運転支援システムについて説明する。第７実施形態の運転支援システムにおいては、レーダ制御部１１は、測距点群取得時の測距点の距離に応じた重み付けを行った上で統合クラスタ点群を用い、識別処理を行う。
なお、点群補正処理については、例えばここでは第１実施形態の重心座標変換を用いて説明する。

具体的には、まず、クラスタ点群を取得する際に、各測距点の距離ｒも記録しておく。

次に、重心座標を用いた座標変換にて補正クラスタ点群を得る。

そして、測距点の距離を含む補正クラスタ点群を用いて統合する。

そして、第７実施形態の運転支援システムでは、図２０に示す識別処理を実施する。第７実施形態の識別処理では、図２０に示すように、まず、統合クラスタ点群に付随した距離情報を用いて、識別処理に有効な測距点を選定する（Ｓ６１０）。

この処理では、例えば、所定距離（ＴＨ_r）以内の測距点のみを使用し、それ以遠の測距点は使用しないよう設定する。すなわち、ある程度遠距離のデータは信頼性が乏しい可能性があるため、使用されにくく設定する。他には、例えば統合クラスタ点群の中で、距離が近い測距点ほど重み付けを大きくして識別を行ってもよい。

以下、図８にて示したＳ３２０およびＳ３３０の処理を実施し、第７実施形態の識別処理を終了する。

このような第７実施形態の運転支援システムによれば、各測距点の距離に応じて重み付けを行った上で物体の識別を行うため、信頼度の高い情報のみを用いて高精度な識別を行うことができる。

［第８実施形態］
次に、第８実施形態の運転支援システムについて説明する。第８実施形態の運転支援システムにおいては、レーダ制御部１１は、測距点の距離から得られるレーザ光の照射領域（以下、測距点領域と呼ぶ。）とその面積（以下、測距点面積と呼ぶ。）に基づいてクラスタ点群のレーザ光の照射領域（以下、クラスタ点群領域と呼ぶ。）の面積（以下、クラスタ点群面積と呼ぶ。）を演算し、クラスタ点群面積を利用して統合クラスタ点群を識別する。また、第８実施形態の運転支援システムにおいてレーダ制御部１１は、今回得られたクラスタ点群領域と、過去におけるクラスタ点群領域との和集合（以下、統合クラスタ点群領域と呼ぶ。）の面積（以下、統合クラスタ点群面積と呼ぶ。）を用いて統合クラスタ点群を識別する。
なお、点群補正処理については、例えばここでは第１実施形態の重心座標変換を用いて説明する。

具体的には、まず、測距点群を取得する際に、各測距点の測距点領域を記録しておく。

なお、測距点領域は、距離が大きくなるに従って領域が大きくなるよう設定される。
次に、重心座標を用いた座標変換にて補正クラスタ点群を得る。

続いて、測距点領域を含む補正クラスタ点群を用いて統合する。

そして、第８実施形態の運転支援システムでは、図２１に示す識別処理を実施する。第８実施形態の識別処理では、まず、統合クラスタ点群面積を演算する（Ｓ６６０）。この際、図２２に示すように、時刻（Ｔ−１）における補正クラスタ点群領域と時刻Ｔにおける補正クラスタ点群領域に対して、各測距点面積の総和を統合クラスタ点群面積とする。

続いて、統合クラスタ点群面積を特徴量として、予め用意した識別モデルを用いて識別スコアの演算を行う（Ｓ６７０）。このような処理が終了すると、第８実施形態の識別処理を終了する。

このような第８実施形態の運転支援システムによれば、統合クラスタ点群面積を用いて物体を識別するので、物体の面積を高精度に表現でき、高精度な識別を行うことができる。

［第９実施形態］
次に、第９実施形態の運転支援システムについて説明する。第９実施形態の運転支援システムにおいては、レーダ制御部１１は追跡処理（Ｓ１３０）を用いて各クラスタの速度を取得し、予め速度別に学習したモデルから各クラスタの速度に応じて１つのモデルを選択し、選択したモデルを用いて識別を行う。

すなわち、図２３に示す識別処理を実施する。第９実施形態の識別処理では、図２３に示すように、まず、各統合クラスタ点群の平均速度を演算する（Ｓ７１０）。この処理では、自車速や舵角から自車両の速度を求めるとともに、追跡処理（Ｓ１３０）に基づいて各クラスタの速度ｖ_ｋ（ｔ）を求める。そして、過去一連のクラスタの速度の平均を統合クラスタ点群の平均速度とする。

続いて、モデルを選定する（Ｓ７２０）。ここで、レーダ制御部１１においては、予め物体の種別および物体の速度の区分に応じて複数のモデルが準備されている。例えば歩行者の場合、静止状態では姿勢の変化が小さいが、移動中には姿勢の変化が大きいため、速度に応じて複数のモデルを準備する。

続いて、選定したモデルを用いて識別スコアの演算を行う（Ｓ７３０）。このような処理が終了すると、第９実施形態の識別処理を終了する。
このような第９実施形態の運転支援システムによれば、速度に応じて姿勢が変化する場合であっても、姿勢変化に対して頑強な識別を行うことができる。

［その他の実施形態］
本発明は、上記の実施形態によって何ら限定して解釈されない。また、上記の実施形態の説明で用いる符号を特許請求の範囲にも適宜使用しているが、各請求項に係る発明の理解を容易にする目的で使用しており、各請求項に係る発明の技術的範囲を限定する意図ではない。上記実施形態における１つの構成要素が有する機能を複数の構成要素として分散させたり、複数の構成要素が有する機能を１つの構成要素に統合させたりしてもよい。また、上記実施形態の構成の少なくとも一部を、同様の機能を有する公知の構成に置き換えてもよい。また、上記実施形態の構成の一部を、課題を解決できる限りにおいて省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本発明の実施形態である。

上述した運転支援システムの他、当該運転支援システムの構成要素となる制御装置、当該運転支援システムとしてコンピュータを機能させるためのプログラム、このプログラムを記録した媒体、運転支援方法など、種々の形態で本発明を実現することもできる。

［実施形態の構成と本発明の手段との対応関係］
上記実施形態においてレーダ制御部１１は本発明でいう物体認識装置に相当する。また、上記実施形態においてレーダ制御部１１が実行する処理のうちのＳ１１０の処理は本発明でいう測距点群取得手段に相当し、上記実施形態におけるＳ１２０の処理は本発明でいうクラスタリング手段に相当し、Ｓ１５０の処理は本発明でいう点群補正手段と統合手段に相当し、Ｓ１７０の処理は本発明でいう識別手段に相当する。

さらに、上記実施形態におけるＳ２１０〜Ｓ２２０、Ｓ３６０〜Ｓ３８０、Ｓ４１０〜Ｓ４３５、Ｓ４６０〜Ｓ４７０、Ｓ５１０〜Ｓ５２０、Ｓ５６０〜Ｓ５８０の処理は本発明でいう点群補正手段に相当し、上記実施形態におけるＳ２３０、Ｓ３９０、Ｓ４４０、Ｓ４８０、Ｓ５３０、Ｓ５９０の処理は本発明でいう統合手段に相当する。また、上記実施形態におけるＳ１７０、Ｓ３２０〜Ｓ３３０、Ｓ６６０〜Ｓ６７０の処理は本発明でいう識別手段に相当し、上記実施形態におけるＳ３６０〜Ｓ３７０の処理は本発明でいうクラスタ方向推定手段に相当する。

さらに、上記実施形態におけるＳ３８０の処理は本発明でいうクラスタ回転補正手段に相当し、上記実施形態におけるＳ４１０の処理は本発明でいう点群分割手段に相当する。また、上記実施形態におけるＳ４３０の処理は本発明でいうパーツ方向推定手段に相当し、上記実施形態におけるＳ４３５の処理は本発明でいうパーツ回転補正手段に相当する。

さらに、上記実施形態におけるＳ４７０の処理は本発明でいう反射強度補正手段に相当し、上記実施形態におけるＳ５１０の処理は本発明でいう自車両姿勢取得手段に相当する。また、上記実施形態におけるＳ５２０の処理は本発明でいう姿勢補正手段に相当し、上記実施形態におけるＳ５６０の処理は本発明でいう識別結果取得手段に相当に相当する。

さらに、上記実施形態におけるＳ６６０の処理は本発明でいう面積演算手段に相当し、上記実施形態におけるＳ７１０の処理は本発明でいう速度取得手段に相当する。

１…運転支援システム、１０…レーダ装置、１１…レーダ制御部、１２…走査駆動部、１３…光学ユニット、１４…発光部、１５…受光部、１８…ＣＰＵ、１９…メモリ、３０…車両制御部。

Claims (13)

1. 自車両に搭載され、自車両の周囲に位置する物体を認識する物体認識装置（２）であって、
   物体を検出する検出領域を予め水平方向および鉛直方向に格子状に区分した照射領域毎にレーザ光を照射し、それぞれの照射領域にて前記レーザ光の反射光を受光することで得られるそれぞれの物体との距離情報を測距点として、複数の測距点の集合を表す測距点群を取得する測距点群取得手段（Ｓ１１０）と、
   前記測距点群をクラスタリングし、クラスタ点群を得るクラスタリング手段（Ｓ１２０）と、
   前記クラスタ点群の位置をクラスタ毎に設定された位置に補正した補正クラスタ点群を生成する点群補正手段（Ｓ２１０〜Ｓ２２０、Ｓ３６０〜Ｓ３８０、Ｓ４１０〜Ｓ４３５、Ｓ４６０〜Ｓ４７０、Ｓ５１０〜Ｓ５２０、Ｓ５６０〜Ｓ５８０）と、
   それぞれのクラスタについて得られた現在時刻の補正クラスタ点群を、過去において各クラスタについて得られた過去時刻の統合クラスタ点群に統合した現在時刻の統合クラスタ点群を得る統合手段（Ｓ２３０、Ｓ３９０、Ｓ４４０、Ｓ４８０、Ｓ５３０、Ｓ５９０）と、
   を備えたことを特徴とする物体認識装置。
2. 請求項１に記載の物体認識装置において、前記統合クラスタ点群を用いて物体の種別を識別する識別手段（Ｓ１７０、Ｓ３２０〜Ｓ３３０、Ｓ６６０〜Ｓ６７０）、
   を備えたことを特徴とする物体認識装置。
3. 請求項１または請求項２に記載の物体認識装置において、
   前記点群補正手段は、それぞれのクラスタ点群の原点の位置を、過去において得られた統合クラスタ点群にて設定された原点の位置と一致させる補正を行うこと
   を特徴とする物体認識装置。
4. 請求項１〜請求項３の何れか１項に記載の物体認識装置において、
   前記点群補正手段は、
   クラスタ点群の方向を推定するクラスタ方向推定手段（Ｓ３６０〜Ｓ３７０）と、
   クラスタ点群の方向を予め設定された方向に回転させるクラスタ回転補正手段（Ｓ３８０）と、
   を備えたことを特徴とする物体認識装置。
5. 請求項１〜請求項３の何れか１項に記載の物体認識装置において、
   前記点群補正手段は、
   クラスタ点群を複数のパーツに分割して、前記各パーツを構成する点群を表すパーツ点群を生成する点群分割手段（Ｓ４１０）と、
   前記複数のパーツのそれぞれについてパーツ点群の方向を推定するパーツ方向推定手段（Ｓ４３０）と、
   前記複数のパーツ点群の方向を予め設定された方向に回転させるパーツ回転補正手段（Ｓ４３５）と、
   を備えたことを特徴とする物体認識装置。
6. 請求項２に記載の物体認識装置において、
   前記測距点群取得手段は、距離と反射強度とを含む測距点群を取得するよう構成され、
   当該物体認識装置は、
   距離に応じて反射強度を補正する反射強度補正手段（Ｓ４７０）、を備え、
   前記識別手段は、反射強度も用いて物体の種別を識別すること
   を特徴とする物体認識装置。
7. 請求項１〜請求項６の何れか１項に記載の物体認識装置において、
   自車両の姿勢を取得する自車両姿勢取得手段（Ｓ５１０）と、
   自車両の姿勢に応じて測距点群の位置を補正する姿勢補正手段（Ｓ５２０）と、
   を備えたことを特徴とする物体認識装置。
8. 請求項１〜請求項７の何れか１項に記載の物体認識装置において、
   過去における識別結果を取得する識別結果取得手段（Ｓ５６０）、
   を備え、
   前記点群補正手段は、前記物体の種別に基づいて、前記種別に対応して予め設定された形状に合わせて位置を補正するように補正クラスタ点群を生成すること
   を特徴とする物体認識装置。
9. 請求項２または請求項６に記載の物体認識装置において、
   前記点群補正手段は、測距点群の取得時刻を含む補正クラスタ点群を生成し、
   前記識別手段は、前記統合クラスタ点群に含まれる測距点の取得時刻に応じた重み付けを行った上で利用すること
   を特徴とする物体認識装置。
10. 請求項２、請求項６、請求項９の何れか１項に記載の物体認識装置において、
    前記識別手段は、前記統合クラスタ点群に含まれる測距点の距離に応じた重み付けを行った上で利用すること
    を特徴とする物体認識装置。
11. 請求項２、請求項６、請求項９、請求項１０の何れか１項に記載の物体認識装置において、
    測距点の距離に応じて推定されるレーザ光の照射領域に基づいて、統合クラスタ点群の照射領域の面積を演算する面積演算手段（Ｓ６６０）、
    を備え、
    前記識別手段は、前記面積を利用して物体の種別を識別すること
    を特徴とする物体認識装置。
12. 請求項２、請求項６、請求項９〜請求項１１の何れか１項に記載の物体認識装置において、
    前記面積演算手段は、統合クラスタ点群において、各測距点の各照射領域の重複領域に応じて重み付けすることで、統合クラスタ点群の照射領域の重み付き面積を演算し、
    前記識別手段は、前記重み付き面積を用いて物体の種別を識別すること
    を特徴とする物体認識装置。
13. 請求項２、請求項６、請求項９〜請求項１２の何れか１項に記載の物体認識装置において、
    統合クラスタ点群の速度を取得する速度取得手段（Ｓ７１０）、
    を備え、
    前記識別手段は、予め準備された複数のモデルから前記物体の速度に応じてモデルを選択し、該選択したモデルを用いて物体の種別を識別すること
    を特徴とする物体認識装置。