JP2017105260A - Course parameter estimation device and program - Google Patents
Course parameter estimation device and program Download PDFInfo
- Publication number
- JP2017105260A JP2017105260A JP2015238890A JP2015238890A JP2017105260A JP 2017105260 A JP2017105260 A JP 2017105260A JP 2015238890 A JP2015238890 A JP 2015238890A JP 2015238890 A JP2015238890 A JP 2015238890A JP 2017105260 A JP2017105260 A JP 2017105260A
- Authority
- JP
- Japan
- Prior art keywords
- lane
- parameter
- lateral position
- covariance matrix
- moving body
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 102
- 230000008859 change Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Abstract
Description
本発明は、走路パラメータ推定装置及びプログラムに関する。 The present invention relates to a runway parameter estimation apparatus and program.
従来より、車両が走行車線を変更したとき、前回算出した横変位に車線幅を加算又は減算することによって、横変位を補正する技術が知られている（例えば、特許文献１）。 2. Description of the Related Art Conventionally, a technique for correcting lateral displacement by adding or subtracting a lane width to a previously calculated lateral displacement when the vehicle changes a traveling lane is known (for example, Patent Document 1).
上記の特許文献１に記載の技術では、自車から見た車線中心の横変位（横位置）に着目し、横変位の絶対値が設定閾値以上であれば車線変更と判定する。そして、車線変更と判定した場合は、以下のように横位置を補正する。 In the technique described in Patent Document 1 described above, attention is paid to the lateral displacement (lateral position) at the center of the lane viewed from the host vehicle, and if the absolute value of the lateral displacement is equal to or greater than a set threshold, it is determined that the lane is changed. And when it determines with a lane change, a horizontal position is correct | amended as follows.
横位置＝横位置＋車線幅；右車線変更の場合
横位置＝横位置−車線幅；左車線変更の場合
Lateral position = Lateral position + Lane width; Right lane change Lateral position = Lateral position-Lane width; Left lane change
車両が追跡中の白線は、車線変更の前後で、右白線だったものは左白線に、左白線だったものは右白線に切り替わる。 The white line that the vehicle is tracking changes before and after the lane change. The white line that was the right white line is changed to the left white line, and the white line that was the left white line is changed to the right white line.
上記特許文献１に記載の技術のように、車両の車線変更時に横位置を補正しただけでは、ノイズに対するロバスト性が劣化して、推定パラメータの大きな変動が生じる場合がある。特に、左右白線のどちらかが検出できずに、片側単独白線を追跡している状態で車線変更した場合に影響が大きい。 Just by correcting the lateral position when changing the lane of the vehicle as in the technique described in Patent Document 1, the robustness against noise is deteriorated, and a large fluctuation of the estimation parameter may occur. In particular, when either the left or right white line cannot be detected and the lane is changed while the single white line is being tracked, the influence is great.
本発明は、上記の事情に鑑みてなされたもので、移動体の車線変更が行われた場合でも、走路パラメータを精度良く推定することができる走路パラメータ推定装置及びプログラムを提供することを目的とする。 The present invention has been made in view of the above circumstances, and an object of the present invention is to provide a road parameter estimation device and a program capable of accurately estimating a road parameter even when a lane change of a moving body is performed. To do.
上記の目的を達成するために本発明に係る走路パラメータ推定装置は、移動体が走行する走路の画像に基づいて、前記移動体が走行する走行車線の境界の位置を検出し、検出された前記走行車線の境界の位置に基づいて、予め定められた走路モデルに関する走路パラメータであって、かつ前記移動体に対する車線の横位置を含む走路パラメータを、拡張カルマンフィルタを用いて推定する推定手段と、前記移動体の走行状態が車線変更である場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正する補正手段と、を含んで構成されている。 In order to achieve the above object, the road parameter estimation device according to the present invention detects a position of a boundary of a travel lane on which the mobile body travels based on an image of a travel road on which the mobile body travels, Estimating means for estimating, using an extended Kalman filter, a road parameter related to a predetermined road model based on the position of the boundary of the driving lane and including a lateral position of the lane relative to the moving body, When the traveling state of the moving body is a lane change, the vehicle includes a correcting unit that corrects a lateral position of the lane of the lane parameter and a covariance matrix in the extended Kalman filter.
本発明に係るプログラムは、コンピュータに、移動体が走行する走路の画像に基づいて、前記移動体が走行する走行車線の境界の位置を検出し、検出された前記走行車線の境界の位置に基づいて、予め定められた走路モデルに関する走路パラメータであって、かつ前記移動体に対する車線の横位置を含む走路パラメータを、拡張カルマンフィルタを用いて推定する推定手段、及び前記移動体の走行状態が車線変更である場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正する補正手段として機能させるためのプログラムである。 The program according to the present invention detects, on a computer, a position of a boundary of a traveling lane on which the moving body travels based on an image of a traveling path on which the moving body travels, and based on the detected position of the boundary of the traveling lane. An estimation means for estimating a road parameter relating to a predetermined road model and including a lateral position of the lane with respect to the moving object using an extended Kalman filter, and the driving state of the moving object is changed to a lane Is a program for functioning as a correcting means for correcting the lateral position of the lane of the lane parameter and the covariance matrix in the extended Kalman filter.
本発明によれば、推定手段によって、移動体が走行する走路の画像に基づいて、移動体が走行する走行車線の境界の位置を検出し、検出された走行車線の境界の位置に基づいて、予め定められた走路モデルに関する走路パラメータであって、かつ移動体に対する車線の横位置を含む走路パラメータを、拡張カルマンフィルタを用いて推定する。 According to the present invention, the estimation means detects the position of the boundary of the travel lane on which the mobile body travels based on the image of the travel path on which the mobile body travels, and based on the detected position of the boundary of the travel lane, A travel path parameter relating to a predetermined travel path model and including a lateral position of the lane with respect to the moving body is estimated using an extended Kalman filter.
そして、補正手段によって、移動体の走行状態が車線変更である場合に、走路パラメータの車線の横位置と、拡張カルマンフィルタにおける共分散行列とを補正する。 Then, when the traveling state of the moving body is a lane change, the correcting means corrects the lateral position of the lane of the lane parameter and the covariance matrix in the extended Kalman filter.
このように、移動体の走行状態が車線変更である場合に、走路パラメータの車線の横位置と、拡張カルマンフィルタにおける共分散行列とを補正することにより、移動体の車線変更が行われた場合でも、走路パラメータを精度良く推定することができる。 Thus, even when the lane change of the moving body is performed by correcting the lateral position of the lane of the lane parameter and the covariance matrix in the extended Kalman filter when the traveling state of the moving body is a lane change. The runway parameters can be estimated with high accuracy.
また、本発明は、前記走路パラメータは車線幅に関するパラメータを含み、前記補正手段は、前記移動体の走行状態が車線変更である場合に、前記拡張カルマンフィルタにおける共分散行列の部分行列であって、前記車線幅に関するパラメータと、前記車線幅に関するパラメータと異なる他の走路パラメータとの相関を表す部分行列の符号を反転するように、前記拡張カルマンフィルタにおける共分散行列を補正するようにすることができる。 In the present invention, the lane parameter includes a parameter related to a lane width, and the correction unit is a partial matrix of a covariance matrix in the extended Kalman filter when the traveling state of the moving body is a lane change, The covariance matrix in the extended Kalman filter can be corrected so as to invert the sign of the submatrix representing the correlation between the parameter relating to the lane width and another lane parameter different from the parameter relating to the lane width.
また、本発明は、前記推定手段によって検出された前記走行車線の境界の位置に基づいて、前記移動体に対する車線中心の横位置の絶対値が、車線幅の１／２以上の位置である場合に、前記移動体の走行状態が車線変更であると判定する判定手段を更に含み、前記補正手段は、前記判定手段によって前記移動体の走行状態が車線変更と判定された場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正するようにすることができる。 In the present invention, the absolute value of the lateral position of the lane center with respect to the moving body is a position that is 1/2 or more of the lane width based on the position of the boundary of the traveling lane detected by the estimating means. And determining means for determining that the traveling state of the moving body is a lane change, and the correcting means determines the lane parameter when the traveling state of the moving body is determined to be a lane change by the determining means. The lateral position of the lane and the covariance matrix in the extended Kalman filter can be corrected.
また、本発明の前記補正手段は、前記移動体の走行状態が右側車線への車線変更である場合に、前記車線の横位置に車線幅を加算して補正し、前記移動体の走行状態が左側車線への車線変更と判定された場合に、前記車線の横位置から前記車線幅を減算して補正するようにすることができる。 Further, the correction means of the present invention corrects by adding a lane width to the lateral position of the lane when the traveling state of the moving body is a lane change to the right lane, and the traveling state of the moving body is When it is determined that the lane is changed to the left lane, the lane width can be subtracted from the lateral position of the lane to correct it.
また、本発明のプログラムは、記憶媒体に格納して提供することも可能である。 The program of the present invention can also be provided by being stored in a storage medium.
以上説明したように、本発明の走路パラメータ推定装置及びプログラムによれば、移動体の走行状態が車線変更である場合に、走路パラメータの車線の横位置と、拡張カルマンフィルタにおける共分散行列とを補正することにより、移動体の車線変更が行われた場合でも、走路パラメータを精度良く推定することができる、という効果が得られる。 As described above, according to the road parameter estimation apparatus and program of the present invention, when the traveling state of the moving body is a lane change, the lateral position of the lane of the road parameter and the covariance matrix in the extended Kalman filter are corrected. By doing this, even when the lane change of the moving body is performed, an effect that the road parameter can be estimated with high accuracy is obtained.
以下、図面を参照して、本発明の実施の形態について説明する。本発明の実施の形態では、走路パラメータを推定する走路パラメータ推定装置に本発明を適用した場合を例に説明する。 Embodiments of the present invention will be described below with reference to the drawings. In the embodiment of the present invention, a case where the present invention is applied to a road parameter estimation device that estimates a road parameter will be described as an example.
［第１の実施の形態］
＜走路パラメータ推定装置のシステム構成＞
図１に示すように、第１の実施の形態に係る走路パラメータ推定装置１０は、自車両の前方を撮像する撮像装置１２と、撮像装置１２によって撮像された自車両の前方の道路画像に基づいて、走路パラメータを推定するコンピュータ１４とを備えている。
[First Embodiment]
<System configuration of runway parameter estimation device>
As shown in FIG. 1, the runway parameter estimation device 10 according to the first embodiment is based on an imaging device 12 that images the front of the host vehicle and a road image in front of the host vehicle that is captured by the imaging device 12. And a computer 14 for estimating the runway parameters.
撮像装置１２は、自車両の前方の道路を撮像する車載カメラである。撮像装置１２は、例えば車両のリアビューミラー付近に設置され、自車両が走行する走路の画像の一例として、自車両の前方の道路画像を撮像する。なお、以下では説明の簡易化のため、撮像装置１２は車両の中心に設置され、かつ車両の進行方向（ｚ軸方向向き）へ向けて設置され、かつ路面に対して水平に設置されているものとする。 The imaging device 12 is an in-vehicle camera that images a road ahead of the host vehicle. The imaging device 12 is installed near the rear view mirror of the vehicle, for example, and captures a road image in front of the host vehicle as an example of an image of a traveling road on which the host vehicle travels. In the following, for simplification of description, the imaging device 12 is installed in the center of the vehicle, is installed in the traveling direction of the vehicle (direction in the z-axis direction), and is installed horizontally with respect to the road surface. Shall.
コンピュータ１４は、ＣＰＵと、ＲＡＭと、後述する走路パラメータ推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１４は、撮像装置１２によって撮像された道路画像に基づいて、自車両が走行する走路に関する走路パラメータを推定する走路認識部１６と、自車両の走行状態が車線変更であるか否かを判定する車線変更判定部１８と、自車両に対する車線の中心の横位置を補正する横位置補正部２０と、拡張カルマンフィルタにおける共分散行列を補正する共分散行列補正部２２と、走路パラメータを出力する出力部２４とを備えている。なお、走路認識部１６は、推定手段の一例であり、車線変更判定部１８は、判定手段の一例であり、横位置補正部２０及び共分散行列補正部２２は、補正手段の一例である。 The computer 14 includes a CPU, a RAM, and a ROM that stores a program for executing a runway parameter estimation processing routine to be described later, and is functionally configured as follows. The computer 14 determines, based on the road image captured by the imaging device 12, a travel path recognition unit 16 that estimates a travel path parameter relating to a travel path on which the host vehicle travels, and whether or not the travel state of the host vehicle is a lane change. A lane change determination unit 18 that performs correction, a lateral position correction unit 20 that corrects the lateral position of the center of the lane relative to the host vehicle, a covariance matrix correction unit 22 that corrects a covariance matrix in the extended Kalman filter, and an output that outputs a lane parameter Part 24. The lane recognition unit 16 is an example of an estimation unit, the lane change determination unit 18 is an example of a determination unit, and the lateral position correction unit 20 and the covariance matrix correction unit 22 are examples of correction units.
走路認識部１６は、撮像装置１２によって撮像された道路画像に基づいて、自車両が走行する走行車線の境界の位置を検出する。そして、走路認識部１６は、検出された走行車線の境界の位置に基づいて、予め定められた走路モデルに関する走路パラメータを、拡張カルマンフィルタを用いて推定する。 The travel path recognition unit 16 detects the position of the boundary of the travel lane on which the host vehicle travels based on the road image captured by the imaging device 12. And the runway recognition part 16 estimates the runway parameter regarding a predetermined runway model using an extended Kalman filter based on the position of the boundary of the detected travel lane.
具体的には、まず走路認識部１６は、前処理として、道路画像から走行車線の境界の候補点の位置の座標値を抽出する。前処理では、自車両が走行中の車線の左右の境界を抽出する。 Specifically, first, the road recognition unit 16 extracts the coordinate value of the position of the candidate point on the boundary of the driving lane from the road image as preprocessing. In the preprocessing, the left and right boundaries of the lane in which the host vehicle is traveling are extracted.
一般には、走路には白線レーンマークが敷設されているため、走路認識部１６は、白線レーンマークを走行車線の境界の候補として抽出すればよい。白線レーンマークは、道路画像上では走路面に対して輝度が高いため、走路認識部１６は、例えば、道路画像を既知のＳｏｂｅｌフィルタ等によって処理し、得られた処理結果が閾値よりも大きい点を走行車線の境界の候補点として抽出する。 In general, since a white line lane mark is laid on the road, the road recognition unit 16 may extract the white line lane mark as a candidate for the boundary of the driving lane. Since the white line lane mark has a higher brightness than the road surface on the road image, the road recognition unit 16 processes the road image using a known Sobel filter or the like, and the obtained processing result is larger than the threshold value. Is extracted as a candidate point of the boundary of the traveling lane.
さらに、白線レーンマークは、局所的には進行方向に直線状に連続しているため、Ｈｏｕｇｈ変換等の手法により、直線上に連続している箇所を、車線の境界の候補として絞り込んでもよい。また、白線レーンマークの幅は局所的には一定なので、白線レーンマークの左右の車線の境界の候補対を照合して、車線の境界の候補点として選別してもよい。 Furthermore, since the white line lane mark is locally continuous in a straight line in the traveling direction, a portion that is continuous on the straight line may be narrowed down as a lane boundary candidate by a method such as Hough transform. Further, since the width of the white line lane mark is locally constant, the candidate pair of the left and right lane boundaries of the white line lane mark may be collated and selected as a candidate point of the lane boundary.
次に、走路認識部１６は、後処理として、走行車線の境界の候補点の座標値に対して予め設定された走路モデルを当てはめ、拡張カルマンフィルタを用いて走路パラメータを推定する。 Next, as post-processing, the road recognition unit 16 applies a road model set in advance to the coordinate values of the candidate points on the boundary of the driving lane, and estimates the road parameters using the extended Kalman filter.
第１の実施の形態では、走路モデルとして平行直線モデルを用いる場合について説明する。図２に平行直線モデルを説明するための図を示す。 In the first embodiment, a case in which a parallel straight line model is used as the runway model will be described. FIG. 2 is a diagram for explaining the parallel straight line model.
図２に示すように、平行直線モデルは、走路が直線であることを想定し、走路の曲率・曲率変化率を無視したモデルである。平行直線モデルでは、道路画像上の車線の境界の位置を記述する観測モデルと、車両の時間更新を記述する時間更新モデルとが設定される。 As shown in FIG. 2, the parallel straight line model is a model that ignores the curvature / curvature change rate of the road, assuming that the road is a straight line. In the parallel straight line model, an observation model that describes the position of the boundary of the lane on the road image and a time update model that describes the time update of the vehicle are set.
以下では、まず、観測モデルについて説明する。観測モデルでは、走路は平面上にあると仮定して、上記図２に示すように、自車両を基準としたｘ−ｚ車両座標系を設定する。さらに、走路境界を規定する白線は平行直線で表現されると仮定する。この場合、走行平面上の走路境界である白線の位置ｘは、以下の式（１．１）で表現することができる。なお、以下では、自車両が走行している走路を走行車線とし、車線の境界を白線として説明する。 Below, an observation model is demonstrated first. In the observation model, assuming that the road is on a plane, an xz vehicle coordinate system based on the host vehicle is set as shown in FIG. Further, it is assumed that the white line that defines the road boundary is expressed as a parallel straight line. In this case, the position x of the white line that is the road boundary on the travel plane can be expressed by the following formula (1.1). In the following description, the traveling road on which the host vehicle is traveling is defined as a traveling lane, and the boundary of the lane is defined as a white line.
上記式（１．１）における、ｘ０は自車両が走行している走行車線の中心の横位置［ｍ］を表し、θはヨー角（車線の傾き）［ｒａｄ］を表し、ｗは車線幅［ｍ］を表し、ｓは観測点が右白線の場合＋１、左白線の場合−１となる変数を表す。ｘ−ｚ車両座標上の白線は、道路画像上に設定されたＩ−Ｊ座標系へ透視変換することにより、撮像装置１２に撮像されて観測される白線点の座標値（Ｉｉ，Ｊｉ）として得られる。 In the formula (1.1), x 0 represents the horizontal position of the center of the traffic lane which the vehicle is traveling [m], theta represents the yaw angle (the inclination of the lane) [rad], w lane The width [m] is represented, and s represents a variable that becomes +1 when the observation point is the right white line and −1 when the observation point is the left white line. The white lines on the xz vehicle coordinates are perspective-transformed into the IJ coordinate system set on the road image, and the coordinate values (I i , J i) of the white line points that are imaged and observed by the imaging device 12. ).
なお、上記透視変換は、以下の式（１．２）及び（１．３）によって表される。 Note that the perspective transformation is expressed by the following equations (1.2) and (1.3).
上記式（１．２）及び（１．３）において、Ｉｉは画像上のｉ番目の白線点の垂直方向の座標値［画素］を表し、Ｊｉは道路画像上のｉ番目の白線点の水平方向の座標値［画素］を表し、φはピッチ角［ｒａｄ］（ここでは変数ではなく、固定値と見なす）を表し、Ｈｃは路面平面からの撮像装置の高さ［ｍ］を表し、ｆは焦点距離［ｍ］を表し、Ｉｃは画像中心の垂直方向の座標値［画素］を表し、Ｊｃは画像中心の水平方向の座標値［画素］を表す。また、Ｒｖは道路画像の垂直方向分解能を表し、Ｒｈは道路画像の水平方向分解能を表す。 In the above formulas (1.2) and (1.3), I i represents the vertical coordinate value [pixel] of the i-th white line point on the image, and J i is the i-th white line point on the road image. Represents a horizontal coordinate value [pixel], φ represents a pitch angle [rad] (here, not a variable, but a fixed value), and H c represents the height [m] of the imaging device from the road surface plane. F represents the focal length [m], I c represents the vertical coordinate value [pixel] of the image center, and J c represents the horizontal coordinate value [pixel] of the image center. Also, R v represents a vertical resolution of the road image, R h represents a horizontal resolution of the road image.
上記式（１．１）及び上記式（１．３）より、以下の式（１．４）が得られる。 From the above formula (1.1) and the above formula (1.3), the following formula (1.4) is obtained.
上記式（１．４）中のｚは、上記式（１．２）を変形した以下の式（１．５）より白線点毎に求められる。 Z in the above formula (1.4) is obtained for each white line point from the following formula (1.5) obtained by modifying the above formula (1.2).
次に、時間更新モデルについて説明する。時刻ｔの走路パラメータＸｔを、以下の式（１．６）で定義する。以下の式（１．６）に示すように、走路パラメータは、自車両に対する走行車線の中心の横位置ｘ０が含まれている。 Next, the time update model will be described. The track parameters X t at time t, defined by the following equation (1.6). As shown in the following equation (1.6), the track parameters include lateral position x 0 of the center of the traffic lane with respect to the vehicle.
時刻ｔ−１の走路パラメータＸｔ−１から時刻ｔの走路パラメータＸｔの時間更新は、以下の式（１．７）で表現される。 Time update of track parameters X t at time t-1 of the track parameters X t-1 from the time t is expressed by the following equation (1.7).
このとき、上記式（１．７）における更新行列Ｆとシステムに付加される入力ｕとは、以下の式（１．８）及び（１．９）で表現される。また、上記式（１．７）におけるｖはシステムノイズ項を表す。 At this time, the update matrix F in the equation (1.7) and the input u added to the system are expressed by the following equations (1.8) and (1.9). In the above equation (1.7), v represents a system noise term.
上記式（１．８）及び（１．９）において、Δｚは車速から算出した更新周期時間Δｔ内の自車両の移動距離［ｍ］を表し、Δｔは更新周期時間［ｓ］を表し、Ｙｒはヨーレイト［ｒａｄ/ｓ］を表す。 In the above formulas (1.8) and (1.9), Δz represents the movement distance [m] of the host vehicle within the update cycle time Δt calculated from the vehicle speed, Δt represents the update cycle time [s], and Y r represents yaw rate [rad / s].
また、観測行列Ｈは以下の式（１．１０）で表現される。 The observation matrix H is expressed by the following formula (1.10).
また、上記式（１．４）を走路パラメータの各要素で偏微分することにより、以下の式（１．１１）〜式（１．１４）が得られる。 Moreover, the following formula | equation (1.11)-formula | equation (1.14) are obtained by carrying out partial differentiation of said formula (1.4) by each element of a track parameter.
以上をまとめると、以下の式（１．１５）が得られる。 Summarizing the above, the following equation (1.15) is obtained.
上記式（１．６）に示す走路パラメータＸと、上記式（１．４）と上記式（１．５）から予測される道路上の左右の白線位置と観測値との偏差の二乗和をコストとして、当該コストを最小化する最適化計算をすれば、走路パラメータＸの最適値が得られる。この最適化計算には、観測データの一時的部分的な欠陥にロバストな拡張カルマンフィルタを利用することができる。拡張カルマンフィルタにより、画像上の観測値に付加される観測ノイズや自車両運動によって発生するシステムノイズを考慮した走路パラメータＸの最適な推定値が得られる。拡張カルマンフィルタの計算方法は既知であり、例えば以下の参考文献等に記載されている。 The sum of squares of the deviation between the road parameter X shown in the above formula (1.6), the left and right white line positions on the road predicted from the above formula (1.4) and the above formula (1.5), and the observed value. If the optimization calculation that minimizes the cost is performed as the cost, the optimum value of the lane parameter X can be obtained. For this optimization calculation, an extended Kalman filter that is robust against temporary partial defects in the observed data can be used. With the extended Kalman filter, an optimum estimated value of the runway parameter X can be obtained in consideration of observation noise added to the observation value on the image and system noise generated by the own vehicle motion. The calculation method of the extended Kalman filter is known, and is described in, for example, the following references.
参考文献：片山徹，“応用カルマンフィルタ”，朝倉書店，１９８３ References: Toru Katayama, “Applied Kalman Filter”, Asakura Shoten, 1983
拡張カルマンフィルタにより、走路パラメータＸを推定されると共に、その共分散行列Ｐも更新される。拡張カルマンフィルタの適用には、ダイナミクスモデルを状態遷移行列として設定する必要があるが、変動が緩やかな場合は単位行列を設定すればよい。 The runway parameter X is estimated by the extended Kalman filter, and the covariance matrix P is also updated. In order to apply the extended Kalman filter, it is necessary to set the dynamics model as a state transition matrix. However, if the fluctuation is moderate, a unit matrix may be set.
また、車両運動に関する知見が得られた場合、その知見をダイナミクスモデルに組み込むことにより推定性能を改善することができる。また、本実施の形態では、左右白線がｘ−ｚ車両座標系で平行な直線を想定したが、道路線形の曲率や曲率変化率を推定ベクトルとして考慮すれば、提案手法は容易に適用することができる。 In addition, when knowledge about vehicle motion is obtained, estimation performance can be improved by incorporating the knowledge into a dynamics model. Further, in the present embodiment, the left and right white lines are assumed to be straight lines in the xz vehicle coordinate system, but the proposed method can be easily applied if the road linear curvature and the curvature change rate are taken into consideration as an estimated vector. Can do.
次に、拡張カルマンフィルタへの適用について説明する。 Next, application to the extended Kalman filter will be described.
以上で説明した観測モデルと時間更新モデルとを、以下に示す拡張カルマンフィルタの更新式（１．１６）〜（１．２３）に適用することにより、ｍ個の観測値から時々刻々の走路パラメータＸ＾ｔと、時々刻々の共分散行列Ｐｔが最新値に更新される。 By applying the observation model and the time update model described above to the update equations (1.16) to (1.23) of the extended Kalman filter shown below, the runway parameter X from time to time is obtained from m observation values. ^ and t, the covariance matrix P t of every moment is updated to the latest value.
上記式（１．１６）〜（１．２３）において、Ｋはカルマンゲイン、Ｈは観測行列、Ｊｔ ｏｂｓ，ｉは時刻ｔの画像中のｉ番目の白線点の観測値である。また、Ｊｔ ｉは時刻ｔの画像中のｉ番目の白線点の予測値ベクトルであり上記式（１．４）と式（１．５）とＸ￣ｔとＩｉとから算出される。 In the above equations (1.16) to (1.23), K is a Kalman gain, H is an observation matrix, and J t obs, i is an observation value of the i-th white line point in the image at time t. Further, J t i is the predicted value vector of i-th white line point in the image at time t is calculated from the above equation (1.4) Equations (1.5) and X - t and I i.
また、上記式（１．１８）に含まれるＲは観測ノイズの分散行列で、以下の式（１．２４）に示すように画像上の白線点位置の観測誤差の標準偏差二乗σ２ ｏｂｓを要素とした対角行列である。 Also, R included in the above equation (1.18) is a dispersion matrix of observation noise, and the standard deviation square σ 2 obs of the observation error at the position of the white line point on the image is expressed as shown in the following equation (1.24). It is a diagonal matrix as elements.
また、上記式（１．１７）に含まれるＱは、以下の式（１．２５）で示されるシステムノイズ分散行列である。 Further, Q included in the above formula (1.17) is a system noise variance matrix represented by the following formula (1.25).
拡張カルマンフィルタによる推定処理は、予測ステップとフィルタリングステップとを含んで構成される。以下、走路認識部１６によって実行される拡張カルマンフィルタによる予測ステップとフィルタリングステップとについて説明する。 The estimation process by the extended Kalman filter includes a prediction step and a filtering step. Hereinafter, the prediction step and the filtering step by the extended Kalman filter executed by the runway recognition unit 16 will be described.
（１）予測ステップ
まず、予測ステップにおける処理について説明する。走路認識部１６は、予測ステップにおいて、前回のステップで算出された時刻ｔ−１の走路パラメータＸｔ−１と、上記式（１．８）に示す更新行列Ｆ＾とに基づいて、上記式（１．１６）に従って、時刻ｔの走路パラメータＸ￣ｔを算出する。
(1) Prediction Step First, the process in the prediction step will be described. The runway recognition unit 16, the prediction step, the runway parameters X t-1 at time t-1 calculated in the previous step, based on the updated matrix F ^ and shown in the equation (1.8), the equation According to (1.16), the road parameter X パ ラ メ ー タt at time t is calculated.
そして、走路認識部１６は、上記式（１．８）に示す更新行列Ｆ＾と、前回のステップで推定された共分散行列Ｐｔ−１と、システムノイズ分散行列Ｑとに基づいて、上記式（１．１７）に従って、共分散行列Ｐ￣ｔを算出する。 And the runway recognition part 16 is based on the update matrix F ^ shown to said Formula (1.8), the covariance matrix Pt-1 estimated by the last step, and the system noise dispersion matrix Q, A covariance matrix P t is calculated according to the equation (1.17).
（２）フィルタリングステップ
次に、フィルタリングステップにおける処理について説明する。走路認識部１６は、フィルタリングステップにおいて、予測ステップで算出された共分散行列Ｐ￣ｔと、観測行列Ｈと、観測ノイズの分散行列Ｒとに基づいて、上記式（１．１８）に従って、カルマンゲインＫを算出する。
(2) Filtering Step Next, processing in the filtering step will be described. The runway recognition unit 16, in the filtering step, the covariance matrix P t calculated in the prediction step, and the observation matrix H, based on the covariance matrix R of the observation noise, according to the above formula (1.18), Kalman The gain K is calculated.
次に、走路認識部１６は、算出されたカルマンゲインＫと、予測ステップで算出された時刻ｔにおける状態ベクトルＸ￣ｔと、上記式（１．２１）で示す観測値ｈｏｂｓと、上記式（１．２２）で示す予測値ベクトルと、上記式（１．２３）に示す観測行列Ｈとに基づいて、上記式（１．１９）に従って、時刻ｔにおける走路パラメータＸ＾ｔを推定する。 Next, the track recognition unit 16, and the Kalman gain K calculated, and the state vector X - t at the time t calculated by the prediction step, the observed value h obs indicated by Formula (1.21), the formula Based on the predicted value vector represented by (1.22) and the observation matrix H represented by the above formula (1.23), the runway parameter X ^ t at time t is estimated according to the above formula (1.19).
そして、走路認識部１６は、予測ステップで推定された共分散行列Ｐ￣ｔと、算出されたカルマンゲインＫと、上記式（１．２３）に示す観測行列Ｈとに基づいて、上記式（１．２０）に従って、共分散行列Ｐｔを算出する。 Then, the runway recognition unit 16 uses the above equation (based on the covariance matrix P ￣ t estimated in the prediction step, the calculated Kalman gain K, and the observation matrix H shown in the above equation (1.23). 1. Calculate the covariance matrix P t according to 1.20).
フィルタリングステップで算出された各値（カルマンゲインＫ、走路パラメータＸ＾ｔ、共分散行列Ｐｔ）は、原則として次回の予測ステップにおける処理で用いられる。しかし、本実施の形態では、後述する車線変更判定部１８による判定処理に応じて、走路パラメータＸ＾ｔのうち自車両に対する走行車線の中心の横位置ｘ０と共分散行列Ｐｔとが補正される。 Each value (Kalman gain K, runway parameter X ^ t , covariance matrix Pt ) calculated in the filtering step is used in the processing in the next prediction step in principle. However, in the present embodiment, in response to determination processing by the lane change determination unit 18 to be described later, track parameters X ^ and lateral position x 0 of the center of the traffic lane with respect to the vehicle and covariance matrix P t is the correction of t Is done.
車線変更判定部１８は、走路認識部１６によって検出された走行車線の境界の位置に基づいて、自車両の走行状態が車線変更であるか否かを判定する。具体的には、車線変更判定部１８は、走路認識部１６によって検出された走行車線の境界の位置に基づいて、自車両に対する車線中心の横位置の絶対値が、車線幅の１／２以上の位置である場合に、自車両の走行状態が車線変更であると判定する。 The lane change determination unit 18 determines whether or not the traveling state of the host vehicle is a lane change based on the position of the boundary of the traveling lane detected by the traveling path recognition unit 16. Specifically, the lane change determination unit 18 determines that the absolute value of the lateral position of the lane center with respect to the host vehicle is ½ or more of the lane width based on the position of the boundary of the lane detected by the lane recognition unit 16. When the vehicle is in the position, it is determined that the traveling state of the host vehicle is a lane change.
具体的には、撮像装置１２によって撮像された道路画像の観測フレームの拡張カルマンフィルタによる走路パラメータの更新が終了した時点で、車線変更の判定と車線の変更時の各処理とが実行される。車線変更の判定式は以下の式（１．２６）で表現される。 Specifically, when the update of the runway parameter by the extended Kalman filter of the observation frame of the road image captured by the imaging device 12 is completed, the determination of the lane change and each process at the time of the lane change are executed. The lane change judgment formula is expressed by the following formula (1.26).
なお、上記式（１．２６）のαは車線の境界付近で車線変更の判定の頻発を防ぐためのヒステリシス項である。 In the above equation (1.26), α is a hysteresis term for preventing frequent lane change determinations in the vicinity of the lane boundary.
横位置補正部２０は、車線変更判定部１８によって自車両の走行状態が右側車線への変更と判定された場合に、車線の横位置に車線幅を加算して補正する。また、横位置補正部２０は、車線変更判定部１８によって自車両の走行状態が左側車線への変更と判定された場合に、車線の横位置から車線幅を減算して補正する。 The lateral position correction unit 20 adds and corrects the lane width to the lateral position of the lane when the lane change determination unit 18 determines that the traveling state of the host vehicle is a change to the right lane. The lateral position correction unit 20 corrects the lane width by subtracting the lane width from the lateral position of the lane when the lane change determination unit 18 determines that the traveling state of the host vehicle is a change to the left lane.
図３に、車両の車線変更の判定処理の一例を示す。図３では、自車両が車線１を走行している状態から、白線を跨ぐ状態に移り、最終的に車線２を走行する状態に移行する。車線の変更の前後で、観測している左右の白線はａ，ｂからｂ，ｃに切り替わるため、自車両が走行している走行車線の中心の横位置は、以下の式（１．２７）のように修正する必要があることが分かる。 FIG. 3 shows an example of a determination process for changing the lane of the vehicle. In FIG. 3, the state where the host vehicle is traveling on the lane 1 shifts to a state where the own vehicle straddles the white line, and finally the state where the vehicle travels on the lane 2 is shifted. Before and after the lane change, the observed white lines on the left and right are switched from a, b to b, c. Therefore, the lateral position of the center of the traveling lane in which the host vehicle is traveling is expressed by the following equation (1.27) As you can see, it needs to be corrected.
なお、上記式（１．２７）におけるプラスマイナスの符号は、右側車線へ変更する場合が正で、左側車線へ変更する場合は負である。 The sign of plus or minus in the above formula (1.27) is positive when changing to the right lane and negative when changing to the left lane.
共分散行列補正部２２は、車線変更判定部１８によって自車両の走行状態が車線変更であると判定された場合に、車線幅に関するパラメータと車線幅に関するパラメータと異なる他の走路パラメータとの相関を表す部分行列の符号を反転するように、拡張カルマンフィルタにおける共分散行列を補正する。 When the lane change determination unit 18 determines that the traveling state of the host vehicle is a lane change, the covariance matrix correction unit 22 correlates a parameter related to the lane width and another parameter different from the parameter related to the lane width. The covariance matrix in the extended Kalman filter is corrected so that the sign of the submatrix to be expressed is inverted.
具体的には、共分散行列補正部２２は、車線変更が行われた場合に、以下の式（１．２８）で表される拡張カルマンフィルタの共分散行列Ｐを、以下の式（１．２９）に従って、車線変更後の共分散行列Ｐｌｃへ補正する。 Specifically, when the lane change is performed, the covariance matrix correction unit 22 converts the covariance matrix P of the extended Kalman filter expressed by the following expression (1.28) into the following expression (1.29). ) To the covariance matrix P lc after the lane change.
上記式（１．２８）及び（１．２９）に基づく補正処理は、車線変更の左右の方向にかかわらず処理は同一である。また、上記式（１．２８）及び（１．２９）において、Ｐ０は車線幅ｗを除いた共分散行列Ｐの部分行列、Ｐｗは車線幅ｗに対応する共分散行列Ｐの部分行列、Ｐ１は共分散行列Ｐの車線幅ｗに対応する列から対角項を除いた部分行列である。また、Ｐ１は車線幅に関するパラメータと車線幅に関するパラメータと異なる他の走路パラメータとの相関を表す部分行列である。なお、推定する走路パラメータの個数をｎ個とするとＰ０のサイズは（ｎ−１）×（ｎ−１）、Ｐ１のサイズは（ｎ−１）×１、Ｐｗのサイズは１×１である。 The correction processing based on the above equations (1.28) and (1.29) is the same regardless of the left / right direction of the lane change. In the above equations (1.28) and (1.29), P 0 is a partial matrix of the covariance matrix P excluding the lane width w, and P w is a partial matrix of the covariance matrix P corresponding to the lane width w. , P 1 is a partial matrix obtained by removing the diagonal term from the column corresponding to the lane width w of the covariance matrix P. Also, P 1 is a partial matrix indicating the correlation parameter and the different other track parameters related parameters and the lane width in the lane width. If the number of estimated runway parameters is n, the size of P 0 is (n−1) × (n−1), the size of P 1 is (n−1) × 1, and the size of P w is 1 ×. 1.
出力部２４は、車線変更判定部１８によって自車両の走行状態が車線変更であると判定された場合には、横位置補正部２０によって補正された走行車線の中心の横位置と、走路認識部１６によって推定された走行車線の中心の横位置以外の走路パラメータと、共分散行列補正部２２によって補正された共分散行列とを結果として出力し、メモリ（図示省略）に格納する。一方、出力部２４は、車線変更判定部１８によって自車両の走行状態が車線変更でないと判定された場合には、走路認識部１６によって推定された走路パラメータと共分散行列とを結果として出力し、メモリ（図示省略）に格納する。 When the lane change determining unit 18 determines that the traveling state of the host vehicle is a lane change, the output unit 24 detects the lateral position of the center of the traveling lane corrected by the lateral position correcting unit 20 and the lane recognition unit. The road parameter other than the lateral position of the center of the travel lane estimated by 16 and the covariance matrix corrected by the covariance matrix correction unit 22 are output as a result and stored in a memory (not shown). On the other hand, when the lane change determination unit 18 determines that the traveling state of the host vehicle is not a lane change, the output unit 24 outputs the lane parameter and the covariance matrix estimated by the lane recognition unit 16 as a result. And stored in a memory (not shown).
＜走路パラメータ推定装置の１０の動作＞
次に、第１の実施の形態に係る走路パラメータ推定装置の１０の動作について説明する。まず、自車両が走行し、撮像装置１２によって自車両の前方が逐次撮像されているときに、コンピュータ１４において、図４に示す走路認識処理ルーチンが実行される。
<10 operations of the runway parameter estimation device>
Next, 10 operations of the lane parameter estimation apparatus according to the first embodiment will be described. First, when the host vehicle travels and the front of the host vehicle is sequentially imaged by the imaging device 12, a running path recognition processing routine shown in FIG.
ステップＳ１００において、走路認識部１６は、撮像装置１２によって撮像された道路画像を取得する。 In step S <b> 100, the travel path recognition unit 16 acquires a road image captured by the imaging device 12.
ステップＳ１０２において、走路認識部１６は、前処理として、上記ステップＳ１００で受け付けた道路画像から、走行車線の境界の候補点の位置の座標値を抽出する。 In step S102, the road recognition unit 16 extracts the coordinate value of the position of the candidate point of the boundary of the driving lane from the road image received in step S100 as preprocessing.
ステップＳ１０４において、走路認識部１６は、後処理として、上記ステップＳ１０２で抽出された走行車線の境界の候補点の座標値に対して走路モデルを当てはめ、拡張カルマンフィルタを用いて走路パラメータを推定する。ステップＳ１０４は、図５に示す走路パラメータ推定処理ルーチンによって実現される。 In step S104, the runway recognition unit 16 applies a runway model to the coordinate values of the candidate points of the travel lane boundary extracted in step S102 as post-processing, and estimates the runway parameters using the extended Kalman filter. Step S104 is realized by the runway parameter estimation processing routine shown in FIG.
＜走路パラメータ推定処理ルーチン＞
ステップＳ２００において、走路認識部１６は、予測ステップにおいて、前回のステップＳ１１２でメモリ（図示省略）に格納された走路パラメータＸｔ−１と、上記式（１．８）に示す更新行列Ｆ＾とに基づいて、上記式（１．１６）に従って、時刻ｔの走路パラメータＸ￣ｔを算出する。
<Runway parameter estimation processing routine>
In step S200, the runway recognition unit 16 uses the runway parameter X t−1 stored in the memory (not shown) in the previous step S112 and the update matrix F ^ shown in the above formula (1.8) in the prediction step. Based on the above, the runway parameter X パ ラ メ ー タt at time t is calculated according to the above equation (1.16).
ステップＳ２０２において、走路認識部１６は、上記式（１．８）に示す更新行列Ｆ＾と、前回のステップＳ１１２でメモリ（図示省略）に格納された共分散行列Ｐｔ−１と、システムノイズ分散行列Ｑとに基づいて、上記式（１．１７）に従って、共分散行列Ｐ￣ｔを算出する。 In step S202, the runway recognition unit 16 updates the update matrix F ^ shown in the above equation (1.8), the covariance matrix P t-1 stored in the memory (not shown) in the previous step S112, and the system noise. Based on the variance matrix Q, a covariance matrix P t is calculated according to the above equation (1.17).
ステップＳ２０４において、走路認識部１６は、フィルタリングステップにおいて、上記ステップＳ２０２で算出された共分散行列Ｐ￣ｔと、観測行列Ｈと、観測ノイズの分散行列Ｒとに基づいて、上記式（１．１８）に従って、カルマンゲインＫを算出する。 In step S204, the runway recognition unit 16 performs the above expression (1...) Based on the covariance matrix P ｔ t calculated in step S202, the observation matrix H, and the observation noise dispersion matrix R in the filtering step. According to 18), the Kalman gain K is calculated.
ステップＳ２０６において、走路認識部１６は、上記ステップＳ２０４で算出されたカルマンゲインＫと、予測ステップで算出された時刻ｔにおける状態ベクトルＸ￣ｔと、上記式（１．２１）で示す観測値ｈｏｂｓと、上記式（１．２２）で示す予測値ベクトルと、上記式（１．２３）に示す観測行列Ｈとに基づいて、上記式（１．１９）に従って、時刻ｔにおける走路パラメータＸ＾ｔを推定する。 In step S206, the track recognition unit 16, and the Kalman gain K calculated in step S204, the state vector X - t at the time t calculated in the prediction step, the observed value h shown by the formula (1.21) On the basis of obs , the predicted value vector represented by the above formula (1.22), and the observation matrix H represented by the above formula (1.23), according to the above formula (1.19), the runway parameter X ^ Estimate t .
ステップＳ２０８において、走路認識部１６は、上記ステップＳ２０２で算出された共分散行列Ｐ￣ｔと、上記ステップＳ２０４で算出されたカルマンゲインＫと、上記式（１．２３）に示す観測行列Ｈとに基づいて、上記式（１．２０）に従って、共分散行列Ｐｔを算出する。 In step S208, the runway recognition unit 16 calculates the covariance matrix P ￣ t calculated in step S202, the Kalman gain K calculated in step S204, and the observation matrix H expressed in the above equation (1.23). Based on the above, the covariance matrix P t is calculated according to the above equation (1.20).
ステップＳ２１０において、走路認識部１６は、上記ステップＳ２０６で算出された走路パラメータＸ＾ｔと、上記ステップＳ２０８で算出された共分散行列Ｐｔを結果として出力する。 In step S210, the track recognition unit 16, and outputs a track parameters X ^ t calculated in step S206, the covariance matrix P t calculated in step S208 as a result.
次に、走路認識処理ルーチンに戻り、ステップＳ１０６において、車線変更判定部１８は、上記ステップＳ１０２で検出された走行車線の境界の位置に基づいて、自車両の走行状態が車線変更であるか否かを判定する。自車両に対する車線中心の横位置の絶対値が、車線幅の１／２以上の位置である場合に、自車両の走行状態が車線変更であると判定し、ステップＳ１０８へ進む。一方、自車両に対する車線中心の横位置の絶対値が、走路幅の１／２未満の位置である場合に、自車両の走行状態は車線変更でないと判定し、ステップＳ１１２へ進む。 Next, returning to the travel path recognition processing routine, in step S106, the lane change determination unit 18 determines whether the travel state of the host vehicle is a lane change based on the position of the boundary of the travel lane detected in step S102. Determine whether. When the absolute value of the lateral position of the center of the lane relative to the host vehicle is a position that is 1/2 or more of the lane width, it is determined that the traveling state of the host vehicle is a lane change, and the process proceeds to step S108. On the other hand, if the absolute value of the lateral position of the lane center with respect to the host vehicle is a position less than ½ of the road width, it is determined that the driving state of the host vehicle is not a lane change, and the process proceeds to step S112.
ステップＳ１０８において、横位置補正部２０は、自車両の走行状態が右側車線への変更と判定された場合に、上記ステップＳ１０４で得られた走路パラメータの車線の横位置ｘ０に車線幅ｗを加算して補正する。また、横位置補正部２０は、自車両の走行状態が左側車線への変更と判定された場合に、上記ステップＳ１０４で得られた走路パラメータの車線の横位置ｘ０から車線幅ｗを減算して補正する。 In step S108, the lateral position correcting unit 20, when the running state of the vehicle is determined to change to the right lane, the lateral position x 0 of the lane runway parameters obtained in step S104 the lane width w Add and correct. The horizontal position correcting unit 20, when the running state of the vehicle is determined to change to the left lane, it subtracts the lane width w from the lateral position x 0 of the lane runway parameters obtained in step S104 To correct.
ステップＳ１１０において、共分散行列補正部２２は、上記式（１．２９）に示すように、車線幅に関するパラメータｗと車線幅に関するパラメータｗと異なる他の走路パラメータとの相関を表す部分行列の符号を反転するように、上記ステップＳ１０４得られた共分散行列Ｐｔを補正する。 In step S110, the covariance matrix correction unit 22, as shown in the above formula (1.29), encodes the submatrix that represents the correlation between the parameter w related to the lane width and the other road parameter different from the parameter w related to the lane width. Is corrected so that the covariance matrix P t obtained in step S104 is corrected.
ステップＳ１１２において、出力部２４は、走路パラメータと共分散行列Ｐｔとを結果として出力し、メモリ（図示省略）に格納する。 In step S112, the output unit 24 outputs the runway parameters and the covariance matrix Pt as a result and stores them in a memory (not shown).
そして、ステップＳ１１４において、時刻ｔを１インクリメントして、ステップＳ１００へ戻る。 In step S114, time t is incremented by 1, and the process returns to step S100.
なお、補正された走路パラメータの車線の横位置ｘ０と共分散行列Ｐｔとは、次回の走路パラメータの推定で用いられる。 Note that the lateral position x 0 of the lane of the corrected track parameters and covariance matrix P t is used in the estimation of the next track parameters.
以上説明したように、第１の実施の形態に係る走路パラメータ推定装置によれば、自車両の走行状態が車線変更と判定された場合に、走路パラメータの車線の横位置と、拡張カルマンフィルタにおける共分散行列とを補正することにより、車両の車線変更が行われた場合でも、走路パラメータを精度良く推定することができる。 As described above, according to the lane parameter estimation device according to the first embodiment, when the traveling state of the host vehicle is determined to be lane change, the lateral position of the lane of the lane parameter and the common in the extended Kalman filter are determined. By correcting the variance matrix, it is possible to accurately estimate the road parameter even when the lane of the vehicle is changed.
また、自車両からみて片側の車線境界しか検出されない場合であっても走路パラメータを算出することができる。図６に、従来手法において片側の車線境界しか検出されない場合の例を示し、図７に、本実施の形態による提案法において片側の車線境界しか検出されない場合の例を示す。 Even when only one lane boundary is detected when viewed from the host vehicle, the road parameter can be calculated. FIG. 6 shows an example where only one lane boundary is detected in the conventional method, and FIG. 7 shows an example where only one lane boundary is detected in the proposed method according to the present embodiment.
図６に示すように、片側白線のみを観測する状態が継続した場合、従来法では車線変更の直前（Ａ）と直後（Ｂ）とで白線に投影された共分散が不連続に増大するため観測ノイズの影響を受けやすくなる。一方、図７に示す本実施の形態による提案法では、直前（Ａ）と直後（Ｂ）とで白線に投影された共分散が連続して変化しないので、観測ノイズの影響を受けにくい。 As shown in FIG. 6, when the state of observing only the white line on one side continues, the covariance projected on the white line immediately before (A) and immediately after (B) of the lane change increases discontinuously in the conventional method. It becomes susceptible to observation noise. On the other hand, in the proposed method according to the present embodiment shown in FIG. 7, the covariance projected on the white line does not continuously change between immediately before (A) and immediately after (B), so that it is not easily affected by observation noise.
また、第１の実施の形態に係る走路パラメータ推定装置では、車両の走路変更時に、車両に対する走路の中心の横位置の補正に合わせて、同時に、拡張カルマンフィルタにおける共分散行列を補正する。具体的には、車線変更後に追跡中の車線境界（例えば白線）は、右白線だったものは左白線に、左白線だったものは右白線に切り替わる。拡張カルマンフィルタによって更新された共分散行列には、左右の白線の情報が保存されているため、走路変更に合わせて共分散行列も補正することにより、左右の白線の情報の整合性をとることができる。
これにより、車線変更の直後のノイズに対するロバスト性を向上させることができる。また、車線変更の直後の走路パラメータの異常値の発生を低減させることができ、車線変更の直後の走路パラメータのばたつきを低減させることができる。
Moreover, in the lane parameter estimation apparatus according to the first embodiment, the covariance matrix in the extended Kalman filter is corrected simultaneously with the correction of the lateral position of the center of the lane relative to the vehicle when the vehicle lane is changed. Specifically, the lane boundary (for example, white line) that is being tracked after the lane change is switched to the left white line if it was a right white line, and to the right white line if it was a left white line. Since the information on the left and right white lines is stored in the covariance matrix updated by the extended Kalman filter, the consistency of the information on the left and right white lines can be obtained by correcting the covariance matrix in accordance with the runway change. it can.
Thereby, the robustness with respect to the noise immediately after a lane change can be improved. Moreover, the occurrence of an abnormal value of the road parameter immediately after the lane change can be reduced, and the flutter of the road parameter immediately after the lane change can be reduced.
［第２の実施の形態］
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走路パラメータ推定装置は、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。
[Second Embodiment]
Next, a second embodiment will be described. In addition, since the runway parameter estimation apparatus which concerns on 2nd Embodiment becomes the structure similar to 1st Embodiment, it attaches | subjects the same code | symbol and abbreviate | omits description.
第２の実施の形態では、走路モデルとして曲線モデルを用いる点が第１の実施の形態と異なっている。 The second embodiment is different from the first embodiment in that a curve model is used as the runway model.
第１の実施の形態では、最低限の走路パラメータ（車線幅と車線の横位置との２つのパラメータを含む走路パラメータ）の単純な場合で説明したが、実際のシステムでは曲率等を含む走路パラメータが推定されるため、第２の実施の形態において説明する。また、第２の実施の形態では、第１の実施の形態で説明を省略した車線変更時の共分散行列の補正式の導出証明についても説明する。 In the first embodiment, the simple case of the minimum lane parameters (the lane parameters including the two parameters of the lane width and the lateral position of the lane) has been described. However, in the actual system, the lane parameters including the curvature and the like are described. Will be described in the second embodiment. In the second embodiment, the proof of derivation of the correction equation for the covariance matrix at the time of lane change, which is not described in the first embodiment, will also be described.
第２の実施の形態に係る走路パラメータ推定装置の走路認識部１６は、走行車線の境界の候補点の座標値に対して予め設定された走路モデルを当てはめ、拡張カルマンフィルタを用いて走路パラメータを推定する。第２の実施の形態では、走路モデルとして曲線モデルを用いるため、第２の実施の形態走路パラメータは、第１の実施の形態の走路パラメータと異なる。 The runway recognition unit 16 of the runway parameter estimation apparatus according to the second embodiment applies a preset runway model to the coordinate values of the candidate points on the boundary of the travel lane, and estimates the runway parameters using the extended Kalman filter. To do. In the second embodiment, since a curved line model is used as the runway model, the runway parameters in the second embodiment are different from the runway parameters in the first embodiment.
図８に、第２の実施の形態で用いる曲線モデルを説明するための図を示す。図８に示す曲線モデルにおいて、拡張カルマンフィルタにより走路パラメータを推定するためには、道路画像上の白線位置を記述する観測モデルと、車両と走路曲率の時間更新を記述する時間更新モデルとが設定される。 FIG. 8 shows a diagram for explaining a curve model used in the second embodiment. In the curved line model shown in FIG. 8, in order to estimate the road parameter by the extended Kalman filter, an observation model that describes the position of the white line on the road image and a time update model that describes the time update of the vehicle and the road curvature are set. The
以下では、まず観測モデルについて説明する。 Below, an observation model is demonstrated first.
上記図８に示すように、走路は平面上にあると仮定して、自車両を基準としたｘ‐ｚ車両座標系を設定する。さらに、走路境界を規定する白線は３次関数で表現されると仮定する。この場合、走行平面上の白線位置は以下の式（２．１）で表現できる。 As shown in FIG. 8, the xz vehicle coordinate system based on the host vehicle is set on the assumption that the road is on a plane. Furthermore, it is assumed that the white line that defines the road boundary is expressed by a cubic function. In this case, the position of the white line on the travel plane can be expressed by the following formula (2.1).
上記式（２．１）において、ｘ０は自車両が走行している走行車線の中心の横位置［ｍ］を表し、θはヨー角（走路の傾き）［ｒａｄ］を表し、ｃ０は撮像装置の位置直下（（ｘ，ｚ）＝（０，０））の曲率［１／ｍ］を表し、ｃ１は曲率変化率［１／ｍ２］を表し、ｗは車線幅［ｍ］を表し、ｓは観測点が右白線の場合＋１、左白線の場合−１となる変数を表す。 In the above formula (2.1), x 0 represents the lateral position [m] at the center of the traveling lane in which the host vehicle is traveling, θ represents the yaw angle (slope of the traveling path) [rad], and c 0 represents The curvature [1 / m] immediately below the position of the imaging device ((x, z) = (0, 0)) is represented, c 1 represents the curvature change rate [1 / m 2 ], and w represents the lane width [m]. S represents a variable that becomes +1 when the observation point is the right white line and -1 when the observation point is the left white line.
ｘ−ｚ車両座標上の白線は、道路画像上に設定されたＩ−Ｊ座標系へ透視変換することにより、撮像装置１２によって撮像されて観測される白線点の座標値（Ｉｉ，Ｊｉ）として得られる。 The white line on the xz vehicle coordinates is perspective-transformed into the IJ coordinate system set on the road image, whereby the coordinate value (I i , J i) of the white line point captured and observed by the imaging device 12 is obtained. ).
なお、上記透視変換は、以下の式（２．２）及び（２．３）によって表される。 Note that the perspective transformation is expressed by the following equations (2.2) and (2.3).
このとき，Ｉｉは画像上のｉ番目の白線点の垂直方向の座標値［画素］を表し、Ｊｉは道路画像上のｉ番目の白線点の水平方向の座標値［画素］を表し、φはピッチ角［ｒａｄ］を表し、Ｈｃは路面平面からの撮像装置の高さ［ｍ］を表し、ｆは焦点距離［ｍ］を表し、Ｉｃは画像中心の垂直方向の座標値［画素］を表し、Ｊｃは画像中心の水平方向の座標値［画素］を表す。また、Ｒｖは道路画像の垂直方向分解能を表し、Ｒｈは道路画像の水平方向分解能を表す。 At this time, I i represents the vertical coordinate value [pixel] of the i-th white line point on the image, J i represents the horizontal coordinate value [pixel] of the i-th white line point on the road image, φ represents the pitch angle [rad], H c represents the height [m] of the imaging device from the road surface plane, f represents the focal length [m], and I c represents the vertical coordinate value of the image center [ represents a pixel], J c represents the horizontal coordinate of the image center [pixel]. Also, R v represents the vertical resolution of the road image, R h represents a horizontal resolution of the road image.
上記式（２．１）及び上記式（２．３）より、以下の式（２．４）が得られる。 From the above formula (2.1) and the above formula (2.3), the following formula (2.4) is obtained.
上記式（２．４）中のｚは、上記式（２．２）を変形した以下の式（２．５）より白線点毎に求められる。 Z in the above equation (2.4) is obtained for each white line point from the following equation (2.5) obtained by modifying the above equation (2.2).
次に、時間更新モデルについて説明する。時刻ｔの走路パラメータＸｔを、以下の式（２．６）で定義する。以下の式（２．６）に示すように、走路パラメータは、上記式（２．４）と上記式（２．５）の中で使用した自車両の位置姿勢と白線形状を規定したパラメータである。ここで、Ｔは転置記号を表す。 Next, the time update model will be described. The track parameters X t at time t, defined by the following equation (2.6). As shown in the following formula (2.6), the road parameter is a parameter that defines the position and orientation of the host vehicle and the shape of the white line used in the formula (2.4) and the formula (2.5). is there. Here, T represents a transposed symbol.
時刻ｔ−１の走路パラメータＸｔ−１から時刻ｔの走路パラメータＸｔの時間更新は、以下の式（２．７）で表現される。 Time update of track parameters X t at time t-1 of the track parameters X t-1 from the time t is expressed by the following equation (2.7).
このとき、上記式（２．７）における更新行列Ｆとシステムに付加される入力ｕとは、以下の式（２．８）及び（２．９）で表現される。また、上記式（２．７）におけるｖはシステムノイズ項を表す。 At this time, the update matrix F in the equation (2.7) and the input u added to the system are expressed by the following equations (2.8) and (2.9). In the above equation (2.7), v represents a system noise term.
上記式（２．８）及び（２．９）において、Δｚは車速から算出した更新周期時間Δｔ内の自車両の移動距離［ｍ］を表し、Δｔは更新周期時間［ｓ］を表し、Ｙｒはヨーレイト［ｒａｄ/ｓ］を表す。 In the above formulas (2.8) and (2.9), Δz represents the movement distance [m] of the host vehicle within the update cycle time Δt calculated from the vehicle speed, Δt represents the update cycle time [s], and Y r represents yaw rate [rad / s].
拡張カルマンフィルタへの適用については、上記第１の実施の形態と同様であるため、説明を省略する。 Since the application to the extended Kalman filter is the same as that of the first embodiment, the description thereof is omitted.
＜共分散行列の補正式の導出＞
次に、拡張カルマンフィルタの共分散行列Ｐの補正式を導出する。
<Derivation of correction formula for covariance matrix>
Next, a correction formula for the covariance matrix P of the extended Kalman filter is derived.
導出の前提として、推定値Ｘ＾の場合の白線ｂ上の任意の点の水平方向座標Ｊの分散を計算する。白線点の水平方向座標Ｊは式（２．４）で表現されるが、以下では式展開の簡易化のために式（３．１）のように関数ｈで表す。 As a premise of derivation, the variance of the horizontal coordinate J of an arbitrary point on the white line b in the case of the estimated value X ^ is calculated. The horizontal coordinate J of the white line point is expressed by the formula (2.4), but in the following, it is expressed by the function h as in the formula (3.1) for the sake of simplifying the formula expansion.
ここで、線形の範囲で推定値Ｘ＾の微小変化分をΔＸ＾とすると、それによって生じるＪの微小変化分ΔＪは次式で得られる。 Here, if the minute change of the estimated value X ^ is ΔX ^ in the linear range, the minute change ΔJ of J caused thereby is obtained by the following equation.
既知の分散の公式より、以下の式（３．３）が既知である。 From the known dispersion formula, the following equation (3.3) is known.
ただし、Ｖａｒは分散を表し，Ａは行列で、Ｘとαとはベクトルを表す。上記式（３．３）を上記式（３．２）へ適用することにより、以下の式（３．４）が得られる。 However, Var represents variance, A is a matrix, and X and α represent vectors. By applying the above formula (3.3) to the above formula (3.2), the following formula (3.4) is obtained.
式（３．５）のＶａｒ（ΔＸ＾）を誤差共分散行列Ｐと見なすと次式が得られる。 When Var (ΔX ^) in Equation (3.5) is regarded as an error covariance matrix P, the following equation is obtained.
以上をまとめると、以下の式（３．７）が得られる。 Summarizing the above, the following equation (3.7) is obtained.
このとき、Ｈは以下の式（３．８）に示す観測行列である。 At this time, H is an observation matrix shown in the following equation (3.8).
上記式（２．４）より、画像上の白線点Ｊ座標値は、以下の式（３．９）で表される。 From the above equation (2.4), the white line point J coordinate value on the image is expressed by the following equation (3.9).
上記式（３．９）を走路パラメータの各要素で偏微分することにより、以下の式(３．１０)〜式(３．１６)が得られる。 The following equations (3.10) to (3.16) are obtained by partial differentiation of the above equation (3.9) with each element of the road parameter.
上記式（３．８）、上記式（３．１０）〜式（３．１６）より以下の式（３．１７）が得られる。 The following formula (3.17) is obtained from the above formula (3.8) and the above formulas (3.10) to (3.16).
特に車線変更時は、白線を跨いでいる位置にあるので、以下の式（３．１８）が成立する。 In particular, when the lane is changed, the following equation (3.18) is established because the vehicle is in a position straddling the white line.
上記式（３．１７）と上記式（３．１８）より，以下の式（３．１９）が得られる。 From the above formula (3.17) and the above formula (3.18), the following formula (3.19) is obtained.
上記式（３．１９）より、右車線変更時の観測行列Ｈｒは以下の式（３．２０）で表される。 From the above equation (3.19), the observation matrix H r when the right lane is changed is expressed by the following equation (3.20).
また、上記式（３．１９）より、左車線変更時の観測行列Ｈｌは、以下の式（３．２１）で表される。 Further, from the above equation (3.19), the observation matrix H l at the time of changing the left lane is represented by the following equation (3.21).
上記式（３．２０）と上記式（３．２１）とを比較すると、右車線変更時と左車線変更時の観測行列は、車線幅に関する項の符号が正負反転している点だけが違っていることが分かる。 Comparing the above equation (3.20) with the above equation (3.21), the observation matrix at the time of the right lane change and the left lane change is different only in that the sign of the term relating to the lane width is inverted. I understand that
上記式（３．２０）と上記式（３．２１）との中のｈｗは車線幅の偏微分項で、ｈ０は車線幅以外の項を要素としたベクトルである。 In the above equations (3.20) and (3.21), h w is a partial differential term of the lane width, and h 0 is a vector having terms other than the lane width as elements.
ここで、車線変更前の共分散行列をＰとして、その要素を以下の式（３．２２）で設定する。 Here, the covariance matrix before the lane change is set as P, and its elements are set by the following equation (3.22).
このとき、Ｐ０は車線幅以外に対応する部分行列、Ｐｗは車線幅に対応する部分行列である。また、Ｐ１は車線幅の非対角項の部分行列であり、車線幅に関するパラメータｗと車線幅に関するパラメータｗと異なる他の走路パラメータとの相関を表す部分行列である。また、車線変更後の共分散行列をＰｌｃとして、その要素を以下の式（３．２３）で設定する。 At this time, P 0 is a partial matrix corresponding to other than the lane width, and P w is a partial matrix corresponding to the lane width. Also, P 1 is a partial matrix of non-diagonal terms of the lane width, a submatrix representing the correlation between the parameter w related parameter w and the lane width in the lane width different from other runway parameters. Further, the covariance matrix after the lane change is set as P lc , and its elements are set by the following expression (3.23).
このとき、Ｐｌｃ０は車線幅以外の部分行列、Ｐｌｃｗは車線幅に対応する部分行列、Ｐｌｃ１は車線幅の非対角項の部分行列である。図３の右車線変更の例では、車線変更の直前・直後で、白線ｂの観測が継続している。そのため、車線変更の直前・直後で白線ｂの分散も連続している必要がある。よって、車線変更の直前・直後で注目した全ての白線点の分散は変化しないと仮定すると、以下の式（３．２４）が得られる。 At this time, P lc0 the partial matrix other than the lane width, P LCW the partial matrix corresponding to the lane width, P lc1 is a partial matrix of non-diagonal terms of the lane width. In the example of the right lane change in FIG. 3, the observation of the white line b is continued immediately before and after the lane change. For this reason, it is necessary that the dispersion of the white line b be continuous immediately before and after the lane change. Therefore, assuming that the variance of all white line points noticed immediately before and after the lane change does not change, the following expression (3.24) is obtained.
上記式（３．２４）に、上記式（３．２０）〜式（３．２３）を代入すると、以下の式（３．２５）が得られる。 By substituting the above formulas (3.20) to (3.23) into the above formula (3.24), the following formula (3.25) is obtained.
上記式（３．２５）を展開すると、以下の式（３．２６）が得られる。 When the above formula (3.25) is expanded, the following formula (3.26) is obtained.
上記式（３．２６）を整理すると、以下の式（３．２７）が得られる。 By arranging the above equation (3.26), the following equation (3.27) is obtained.
上記式（３．２７）の２番目と３番目の項はスカラーなので、以下の式（３．２８）のように整理することができる。 Since the second and third terms of the equation (3.27) are scalars, they can be arranged as the following equation (3.28).
上記式（３．２８）が白線ｂ上の任意の一点について成立するためには、以下の式（３．２９）〜式（３．３２）が成立すればよい。 In order for the above formula (3.28) to hold for any one point on the white line b, the following formulas (3.29) to (3.32) may be satisfied.
以上より、車線変更後の共分散行列Ｐｌｃは次式で表される。 From the above, the covariance matrix P lc after the lane change is expressed by the following equation.
すなわち、車両の車線変更時、共分散行列は、走路パラメータの「車線幅」に対応する行と列の非対角項の符号を反転するように補正すればよい。以上は右車線変更で例示したが、左車線変更時も同様である。 That is, when the vehicle lane is changed, the covariance matrix may be corrected so as to invert the signs of the off-diagonal terms in the rows and columns corresponding to the “lane width” of the lane parameter. The above is illustrated by changing the right lane, but the same applies when changing the left lane.
なお、第２の実施の形態に係る走路パラメータ推定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。 In addition, about the other structure and effect | action of the lane parameter estimation apparatus which concern on 2nd Embodiment, since it is the same as that of 1st Embodiment, description is abbreviate | omitted.
以上説明したように、第２の実施の形態に係る車両挙動予測装置によれば、走路モデルとして曲線モデルを用い、自車両の走行状態が走路の変更と判定された場合に、走路パラメータの走路の横位置と、拡張カルマンフィルタにおける共分散行列とを補正することにより、車両の車線変更が行われた場合でも、走路パラメータを精度良く推定することができる。 As described above, according to the vehicle behavior prediction apparatus according to the second embodiment, when a curved model is used as the road model, and the driving state of the host vehicle is determined to be a change of the road, the road of the road parameter Is corrected, and the covariance matrix in the extended Kalman filter is corrected, the road parameter can be accurately estimated even when the lane of the vehicle is changed.
＜実施例＞
上記実施の形態に係る走路パラメータ推定装置による、車線変更処理の効果の例を図９に示す。片側白線観測時の車線変更直後の白線位置推定誤差σ（標準偏差）を比較したシミュレーション結果を図９に示した。図９では観測ノイズσの設定が１画素と１０画素の場合について示している。図９より、推定された白線位置σの推定誤差σが半減していることから、本実施の形態に係る提案法の効果が確認される。
<Example>
FIG. 9 shows an example of the effect of the lane change process by the lane parameter estimation apparatus according to the above embodiment. A simulation result comparing the white line position estimation error σ (standard deviation) immediately after the lane change at the time of one-side white line observation is shown in FIG. FIG. 9 shows the case where the setting of the observation noise σ is 1 pixel and 10 pixels. From FIG. 9, since the estimation error σ of the estimated white line position σ is halved, the effect of the proposed method according to the present embodiment is confirmed.
なお、上記の実施の形態では、移動体として車両を対象と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、他の移動体を対象としてもよい。 In the above-described embodiment, the case where a vehicle is targeted as a moving body has been described as an example. However, the present invention is not limited to this, and another moving body may be targeted.
また、撮像装置１２に代えてレーザレーダを用いることもできる。レーザレーダは対象までの距離を計測するアクティブセンサであるが反射波の受光強度により道路画像を生成することも可能である。 Further, a laser radar can be used instead of the imaging device 12. The laser radar is an active sensor that measures the distance to the object, but it is also possible to generate a road image based on the received light intensity of the reflected wave.
なお、本発明のプログラムは、記録媒体に格納して提供することができる。 The program of the present invention can be provided by being stored in a recording medium.
１０ 走路パラメータ推定装置
１２ 撮像装置
１４ コンピュータ
１６ 走路認識部
１８ 車線変更判定部
２０ 横位置補正部
２２ 共分散行列補正部
２４ 出力部
DESCRIPTION OF SYMBOLS 10 Runway parameter estimation apparatus 12 Imaging device 14 Computer 16 Runway recognition part 18 Lane change determination part 20 Lateral position correction part 22 Covariance matrix correction part 24 Output part
Claims (5)
前記移動体の走行状態が車線変更である場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正する補正手段と、
を含む走路パラメータ推定装置。 Based on the image of the travel path on which the mobile body travels, the position of the boundary of the travel lane on which the mobile body travels is detected, and the travel path related to a predetermined travel path model based on the detected position of the boundary of the travel lane An estimation means for estimating a road parameter including a lateral position of a lane with respect to the moving body, using an extended Kalman filter;
When the traveling state of the moving body is a lane change, correction means for correcting the lateral position of the lane of the road parameter and the covariance matrix in the extended Kalman filter,
A lane parameter estimation device including
前記補正手段は、前記移動体の走行状態が車線変更である場合に、前記拡張カルマンフィルタにおける共分散行列の部分行列であって、前記車線幅に関するパラメータと、前記車線幅に関するパラメータと異なる他の走路パラメータとの相関を表す部分行列の符号を反転するように、前記拡張カルマンフィルタにおける共分散行列を補正する
請求項１に記載の走路パラメータ推定装置。 The runway parameters include parameters related to lane width,
The correction means is a partial matrix of a covariance matrix in the extended Kalman filter when the traveling state of the moving body is a lane change, and is different from the parameter related to the lane width and the parameter related to the lane width. The lane parameter estimation device according to claim 1, wherein the covariance matrix in the extended Kalman filter is corrected so as to invert the sign of the submatrix representing the correlation with the parameter.
前記補正手段は、前記判定手段によって前記移動体の走行状態が車線変更と判定された場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正する
請求項１又は請求項２に記載の走路パラメータ推定装置。 Based on the position of the boundary of the traveling lane detected by the estimating means, when the absolute value of the lateral position of the lane center with respect to the moving body is a position that is 1/2 or more of the lane width, the moving body A determination means for determining that the traveling state is a lane change;
The correction means corrects the lateral position of the lane of the road parameter and the covariance matrix in the extended Kalman filter when the traveling state of the moving body is determined to be a lane change by the determination means. Or the runway parameter estimation apparatus of Claim 2.
請求項１〜請求項３の何れか１項に記載の走路パラメータ推定装置。 When the traveling state of the moving body is a lane change to the right lane, the correcting means corrects the lateral position of the lane by adding a lane width, and the traveling state of the moving body is a lane to the left lane. The lane parameter estimation device according to any one of claims 1 to 3, wherein when the change is determined, the lane width is subtracted from a lateral position of the lane to correct the lane width.
移動体が走行する走路の画像に基づいて、前記移動体が走行する走行車線の境界の位置を検出し、検出された前記走行車線の境界の位置に基づいて、予め定められた走路モデルに関する走路パラメータであって、かつ前記移動体に対する車線の横位置を含む走路パラメータを、拡張カルマンフィルタを用いて推定する推定手段、及び
前記移動体の走行状態が車線変更である場合に、前記走路パラメータの前記車線の横位置と、前記拡張カルマンフィルタにおける共分散行列とを補正する補正手段
として機能させるためのプログラム。 On the computer,
Based on the image of the travel path on which the mobile body travels, the position of the boundary of the travel lane on which the mobile body travels is detected, and the travel path related to a predetermined travel path model based on the detected position of the boundary of the travel lane Parameters, and estimation means for estimating a lane parameter including a lateral position of the lane relative to the moving body using an extended Kalman filter, and when the traveling state of the moving body is a lane change, the lane parameter A program for functioning as a correcting means for correcting a lateral position of a lane and a covariance matrix in the extended Kalman filter.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015238890A JP6488226B2 (en) | 2015-12-07 | 2015-12-07 | Runway parameter estimation apparatus and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015238890A JP6488226B2 (en) | 2015-12-07 | 2015-12-07 | Runway parameter estimation apparatus and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017105260A true JP2017105260A (en) | 2017-06-15 |
| JP6488226B2 JP6488226B2 (en) | 2019-03-20 |
Family
ID=59058519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015238890A Active JP6488226B2 (en) | 2015-12-07 | 2015-12-07 | Runway parameter estimation apparatus and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6488226B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101671A (en) * | 2017-11-30 | 2019-06-24 | いすゞ自動車株式会社 | Information processing device and information processing system |
| CN111537990A (en) * | 2020-04-27 | 2020-08-14 | 西安象德信息技术有限公司 | Lane calibration method and device and electronic equipment |
| CN112298194A (en) * | 2019-07-29 | 2021-02-02 | 初速度（苏州）科技有限公司 | Lane changing control method and device for vehicle |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002109695A (en) * | 2000-10-02 | 2002-04-12 | Nissan Motor Co Ltd | Traveling road recognition device for vehicle |
| JP2009140192A (en) * | 2007-12-05 | 2009-06-25 | Zhencheng Hu | Road white line detection method, road white line detection program and road white line detection apparatus |
| JP2012519346A (en) * | 2009-03-04 | 2012-08-23 | コンチネンタル・テーヴエス・アクチエンゲゼルシヤフト・ウント・コンパニー・オツフエネハンデルスゲゼルシヤフト | Method for automatically recognizing driving maneuvering of a vehicle and driver assistance system including the method |
| JP2015140114A (en) * | 2014-01-29 | 2015-08-03 | いすゞ自動車株式会社 | lateral displacement calculation device |
-
2015
- 2015-12-07 JP JP2015238890A patent/JP6488226B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002109695A (en) * | 2000-10-02 | 2002-04-12 | Nissan Motor Co Ltd | Traveling road recognition device for vehicle |
| JP2009140192A (en) * | 2007-12-05 | 2009-06-25 | Zhencheng Hu | Road white line detection method, road white line detection program and road white line detection apparatus |
| JP2012519346A (en) * | 2009-03-04 | 2012-08-23 | コンチネンタル・テーヴエス・アクチエンゲゼルシヤフト・ウント・コンパニー・オツフエネハンデルスゲゼルシヤフト | Method for automatically recognizing driving maneuvering of a vehicle and driver assistance system including the method |
| JP2015140114A (en) * | 2014-01-29 | 2015-08-03 | いすゞ自動車株式会社 | lateral displacement calculation device |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019101671A (en) * | 2017-11-30 | 2019-06-24 | いすゞ自動車株式会社 | Information processing device and information processing system |
| JP6992452B2 (en) | 2017-11-30 | 2022-01-13 | いすゞ自動車株式会社 | Information processing equipment and information processing system |
| CN112298194A (en) * | 2019-07-29 | 2021-02-02 | 初速度（苏州）科技有限公司 | Lane changing control method and device for vehicle |
| CN111537990A (en) * | 2020-04-27 | 2020-08-14 | 西安象德信息技术有限公司 | Lane calibration method and device and electronic equipment |
| CN111537990B (en) * | 2020-04-27 | 2022-02-22 | 西安象德信息技术有限公司 | Lane calibration method and device and electronic equipment |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6488226B2 (en) | 2019-03-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11816991B2 (en) | Vehicle environment modeling with a camera | |
| US11270131B2 (en) | Map points-of-change detection device | |
| KR102399963B1 (en) | Road plane output with lateral slope | |
| JP6770393B2 (en) | Tracking device and program | |
| US10147003B2 (en) | Lane detection device and method thereof, curve starting point detection device and method thereof, and steering assistance device and method thereof | |
| EP2757527B1 (en) | System and method for distorted camera image correction | |
| JP6520740B2 (en) | Object detection method, object detection device, and program | |
| JP2007300181A (en) | Periphery monitoring apparatus and periphery monitoring method and program thereof | |
| US9098750B2 (en) | Gradient estimation apparatus, gradient estimation method, and gradient estimation program | |
| EP3282389B1 (en) | Image processing apparatus, image capturing apparatus, moving body apparatus control system, image processing method, and program | |
| JP2015005132A (en) | Virtual lane generation device and program | |
| US10853666B2 (en) | Target object estimating apparatus | |
| JP6488226B2 (en) | Runway parameter estimation apparatus and program | |
| EP1236126B1 (en) | System for detecting obstacles to vehicle motion | |
| JP2006285493A (en) | Device and method for estimating road model | |
| JP2020118575A (en) | Inter-vehicle distance measurement device, error model generation device, learning model generation device, and method and program thereof | |
| KR20180047149A (en) | Apparatus and method for risk alarming of collision | |
| KR102003387B1 (en) | Method for detecting and locating traffic participants using bird's-eye view image, computer-readerble recording medium storing traffic participants detecting and locating program | |
| CN114037977B (en) | Road vanishing point detection method, device, equipment and storage medium | |
| JP3985610B2 (en) | Vehicle traveling path recognition device | |
| JP2017020942A (en) | Estimation device and estimation program | |
| JP6845124B2 (en) | Track estimation device and program | |
| JP4847303B2 (en) | Obstacle detection method, obstacle detection program, and obstacle detection apparatus | |
| EP3287948B1 (en) | Image processing apparatus, moving body apparatus control system, image processing method, and program | |
| Iwata et al. | Forward obstacle detection in a lane by stereo vision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180214 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181127 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190125 |
|
| 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: 20190212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190225 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6488226 Country of ref document: JP 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 |