JP2017129446A - 物体検出装置 - Google Patents

Abstract

【課題】検出対象物を精度良く検出可能な物体検出装置を提供する。【解決手段】物体検出装置１００は、レーザーを送信して、レーザーを反射した位置を計測点として複数取得するＬＩＤＡＲ１と、計測点を１又は複数のクラスタにクラスタリングするクラスタリング部１１と、クラスタの移動を追跡するクラスタ追跡部１２と、クラスタを形状モデルに当てはめる形状モデル当てはめ部１３と、形状モデルの移動を追跡する形状モデル追跡部１４と、形状モデルの追跡結果に基づいて物体を検出する物体検出部１５と、を備える。形状モデル当てはめ部１３は、クラスタ追跡部１２で追跡されたクラスタの移動速度／移動方向が形状モデル追跡部１４で追跡された形状モデルの移動速度／移動方向と所定の速度閾値／方向閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。【選択図】図１

Description

本発明は、車両の周囲の物体を検出する物体検出装置に関する。

従来、車両の周囲の物体を検出する装置として、例えば、特許文献１に記載された装置がある。特許文献１に記載された装置は、ＬＩＤＡＲを用いて検出された対象車両の計測点をクラスタリングしてクラスタを生成し、生成したクラスタに状態推定用のモデルを当てはめる。そして、この装置は、当てはめた結果を用いてカルマンフィルタ更新処理を行うことによって対象車両の状態を推定している。

国際公開第２０１２／１１７５２８号パンフレット

特許文献１に記載された装置では、検出を行う対象車両との距離、対象車両の素材、及び形状などにより、ＬＩＤＡＲの計測点が疎になった場合に、１台の対象車両であるにも関わらず、計測点が複数にクラスタリングされることが考えられる。この場合、１台の対象車両を、複数の物体と誤認識することが考えられる。

そこで、本発明の一側面は、検出対象物を精度良く検出可能な物体検出装置を提供することを目的とする。

本発明の一側面は、車両の周囲の物体を検出する物体検出装置であって、車両からレーザーを送信して反射したレーザーを受信することにより、レーザーを反射した位置を計測点として複数取得するレーザレーダと、レーザレーダにより取得された複数の計測点の位置に基づいて、複数の計測点を１又は複数のクラスタにクラスタリングするクラスタリング部と、クラスタリング部でクラスタリングされたクラスタの移動を追跡するクラスタ追跡部と、クラスタリング部でクラスタリングされたクラスタを形状モデルに当てはめる当てはめ部と、当てはめ部でクラスタが当てはめられた形状モデルの移動を追跡する形状モデル追跡部と、形状モデル追跡部での形状モデルの追跡結果に基づいて物体を検出する物体検出部と、を備え、当てはめ部は、クラスタ追跡部で追跡されたクラスタの移動速度が形状モデル追跡部で追跡された形状モデルの移動速度と所定の速度閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外すること、及び、クラスタ追跡部で追跡されたクラスタの移動方向が形状モデル追跡部で追跡された形状モデルの移動方向と所定の方向閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外することのうち少なくともいずれか一方を行う。

この物体検出装置では、クラスタ追跡部がクラスタの移動を追跡する。当てはめ部は、クラスタの移動速度が形状モデルの移動速度と所定の速度閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。また、当てはめ部は、クラスタの移動方向が形状モデルの移動方向と所定の方向閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。このようにしてクラスタを形状モデルに当てはめることにより、検出対象物の計測点が複数のクラスタにクラスタリングされたとしても、形状モデルに精度良く当てはめることができ、検出対象物を精度良く検出できる。

本発明の一側面によれば、検出対象物を精度良く検出することができる。

実施形態に係る物体検出装置の概略構成を示す図である。 計測点をクラスタリングする様子を示す図である。 カルマンフィルタの運動モデル（等速直線モデル）を示す図である。 図４（ａ）は、四角形の形状モデルの例を示す図である。図４（ｂ）は、鎖型の形状モデルの例を示す図である。 ヒストグラムフィルタの運動モデルを示す図である。 Ｌ字のグリッドに計測点を投票した様子を示す図である。 ヒストグラムフィルタの観測モデルを示す図である。 カルマンフィルタの運動モデル（等加速度・一定ヨーレートモデル）を示す図である。

以下、本発明の実施形態について図面を参照しながら説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。

図１に示す物体検出装置１００は、乗用車等の自車両Ｖに搭載されている。物体検出装置１００は、検出対象物として自車両Ｖの周囲の物体を検出する。図１に示すように、物体検出装置１００は、ＬＩＤＡＲ［Laser Imaging Detection and Ranging］１、及びＥＣＵ［Electronic Control Unit］２を備えている。

ＬＩＤＡＲ（レーザレーダ）１は、自車両Ｖの前端に設けられている。ＬＩＤＡＲ１は、レーザーを車両前方に送信し、他車両等の物体で反射したレーザーを受信することにより、レーザーを反射した位置を計測点として複数取得する。ＬＩＤＡＲ１は、取得した計測点に関する情報をＥＣＵ２に送信する。

ＥＣＵ２は、ＬＩＤＡＲ１で取得された計測点に基づいて、自車両Ｖの周囲の物体を検出する。本実施形態において、ＥＣＵ２は、自車両Ｖの前方の物体を検出する。ＥＣＵ２は、ＣＰＵ[Central Processing Unit]、ＲＯＭ[Read Only Memory]、ＲＡＭ[Random Access Memory]等を有する電子制御ユニットである。ＥＣＵ２は、ＲＯＭに記憶されているプログラムをＲＡＭにロードし、ＣＰＵで実行することで、各種の制御を実行する。ＥＣＵ２は、複数の電子制御ユニットから構成されていてもよい。

ＥＣＵ２は、機能的には、クラスタリング部１１、クラスタ追跡部１２、形状モデル当てはめ部（当てはめ部）１３、形状モデル追跡部１４、及び物体検出部１５を備えている。

クラスタリング部１１は、ＬＩＤＡＲ１により取得された複数の計測点の位置に基づいて、複数の計測点を１又は複数のクラスタにクラスタリングする。クラスタとは、複数の計測点をまとめて総称するものであり、１つのグループである。クラスタリングとは、複数の計測点のまとまりを生成する（グループ化する）ことである。

具体的には、クラスタリング部１１は、例えば、二次元グリッドを利用してクラスタリングを行う。二次元グリッドを利用する場合、例えば、図２に示すように、クラスタリング部１１は、ＬＩＤＡＲ１における計測点Ｐの座標系（Ｘ‐Ｙ座標系）上に二次元グリッドＧを生成し、検出した計測点Ｐを各グリッドに投票する。そして、クラスタリング部１１は、各グリッドに対してラベリングを行い、同一ラベルに属する計測点Ｐを同一のクラスタとして統合する。また、クラスタリング部１１は、計測点Ｐが含まれるグリッドのうち、隣接するグリッド同士を同一のクラスタとして統合する。これにより、図２に示す例では、クラスタＣ１とクラスタＣ２とが生成される。クラスタリング部１１は、計測点をクラスタリングした複数のクラスタを出力する。

クラスタ追跡部１２は、クラスタリング部１１でクラスタリングされたクラスタ毎に、クラスタの移動を追跡する。クラスタ追跡部１２は、例えば、カルマンフィルタを用いてクラスタの移動を追跡することができる。カルマンフィルタを用いる場合、カルマンフィルタの運動モデルは、仮定が少なく、頑強に追跡を行うことができるモデルであることが好ましい。例えば、カルマンフィルタの運動モデルとして、図３に示される、等速直線モデルを用いることができる。この等速直線モデルでは、対象の位置（ｘ，ｙ）、及び速度（ｖ_ｘ，ｖ_ｙ）を状態とする。また、クラスタの位置（ｘ，ｙ）を観測として、状態の推定を行う。クラスタ追跡部１２は、クラスタの追跡結果として、クラスタの状態の推定値を出力する。

形状モデル当てはめ部１３は、クラスタリング部１１でクラスタリングされたクラスタを形状モデルに当てはめて、形状モデルのパラメータを推定する。なお、形状モデル当てはめ部１３は、クラスタを形状モデルに当てはめる際に、クラスタ追跡部１２で推定されたクラスタの移動速度が形状モデル追跡部１４で推定された形状モデルの移動速度と所定の速度閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。また、形状モデル当てはめ部１３は、クラスタを形状モデルに当てはめる際に、クラスタ追跡部１２で推定されたクラスタの移動方向が形状モデル追跡部１４で推定された形状モデルの移動方向と所定の方向閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。

なお、例えば、初めて形状モデルへの当てはめを行う場合等、形状モデル追跡部１４においてまだ形状モデルの追跡が行われていないことがある。このような場合、形状モデル当てはめ部１３は、例えば、上述した形状モデルへの当てはめからクラスタを除外する処理を行わなくてもよい。

形状モデル当てはめ部１３は、例えば、ヒストグラムフィルタを用いて形状モデルのパラメータを推定することができる。ヒストグラムフィルタを用いる場合、クラスタに含まれるすべての計測点を観測とする。形状モデルとしては、例えば、図４（ａ）に示す四角形や、図４（ｂ）に示す鎖型が挙げられる。

以下、形状モデルが四角形（図４（ａ））であり、且つヒストグラムフィルタを用いる場合に、形状モデル当てはめ部１３で行われる処理の具体例について説明する。形状モデル当てはめ部１３が推定する形状モデルのパラメータは、最近傍角の位置（ｘ_ｃ，ｙ_ｃ）、方向（θ）、幅（ｗ）、長さ（ｌ）とする。

最近傍角の位置（ｘ_ｃ，ｙ_ｃ）、及び方向（θ）は、クラスタ追跡部１２で推定されたクラスタの状態の推定値のうち、ヒストグラムフィルタと対応するクラスタの状態の推定値を用いて計算することができる。或いは、最近傍角の位置（ｘ_ｃ，ｙ_ｃ）、及び方向（θ）は、形状モデル追跡部１４で推定された形状モデルの状態の推定値のうち、ヒストグラムフィルタと対応する形状モデルの状態の推定値を用いて計算することができる。

形状モデル当てはめ部１３は、形状モデルのパラメータのうち、幅（ｗ）及び長さ（ｌ）を、ヒストグラムフィルタにて推定する。幅（ｗ）及び長さ（ｌ）は時間変化しないため、ヒストグラムフィルタの運動モデルとしては、図５に示すように、推定誤差を考慮したランダムウォークを選択することができる。ヒストグラムフィルタの観測モデルとしては、図６及び図７に示すモデルを選択することができる。ここでは、形状モデル当てはめ部１３は、図６に示すように、最近傍角の位置（ｘ_ｃ，ｙ_ｃ）をＬ字の交点（屈曲点）とし、方向（θ）をＬ字の縦線の傾きとするＬ字のグリッドを生成する。

形状モデル当てはめ部１３は、Ｌ字のグリッド内に、入力されたクラスタ内の計測点Ｐを投票する。計測点Ｐが投票されたグリッドのうち、Ｌ字の交点から幅方向（Ｌ字の横線方向）に最も離れたグリッドの代表値を幅の観測（ｚ_ｗ）とし、Ｌ字の交点から長さ方向（Ｌ字の縦線方向）に最も離れたグリッドの代表値を長さの観測（ｚ_ｌ）とする。ヒストグラムフィルタの観測モデルは、幅と長さの観測がそれぞれ独立な正規分布であるとして、グリッド（ｗ，ｌ）の尤度を計算する。

形状モデル当てはめ部１３は、ヒストグラムフィルタの推定値としては、最大事後確率のビンの代表値を出力する。また、形状モデル当てはめ部１３は、推定した形状モデルのパラメータの安定度合い（収束の度合い）を、フィルタの収束で判断する。この収束は、最大事後確率で評価することができる。形状モデル当てはめ部１３は、フィルタが予め定められた基準値以上収束した場合に、形状モデルのパラメータが収束したと判定する。

形状モデル当てはめ部１３は、推定した形状モデルのパラメータと、該当する形状モデルの更新に使用したクラスタ、形状モデルのパラメータが収束したか否かを示すフラグを出力する。

形状モデル追跡部１４は、形状モデル当てはめ部１３でクラスタが当てはめられた形状モデルの移動を追跡する。形状モデル追跡部１４は、形状モデル当てはめ部１３から入力される複数のクラスタを観測として、形状モデル単位の追跡を行う。また、形状モデル追跡部１４は、形状モデル内に含まれる複数のクラスタを統合し、一つのクラスタとする。形状モデル追跡部１４は、統合後のクラスタを用いて形状モデル単位の追跡を行う。

形状モデル追跡部１４は、例えば、カルマンフィルタを用いて形状モデルの移動を追跡することができる。カルマンフィルタを用いる場合、カルマンフィルタの運動モデルは、検出対象なる他車両の運動を正確に推定できるものを用いることが好ましい。例えば、カルマンフィルタの運動モデルとして、図８に示される、等加速度・一定ヨーレートモデルを用いることができる。この等加速度・一定ヨーレートモデルは、対象の位置（ｘ，ｙ）、線速度（ｖ）、姿勢（θ）、線加速度（ａ）、及びヨーレート（ω）を状態として、状態の推定が行われる。また、大きさとしては、形状モデル当てはめ部１３での形状モデルのパラメータの推定値を引き継ぐことができる。形状モデル追跡部１４は、形状モデルの追跡結果として形状モデルの状態の推定値を出力する。

なお、形状モデル追跡部１４は、形状モデルの追跡を行う際に、形状モデルのパラメータが収束した場合に、パラメータが収束した形状モデルの追跡を開始する。形状モデル追跡部１４は、形状モデルのパラメータが収束したか否かを、形状モデル当てはめ部１３から入力されるフラグに基づいて判断することができる。

物体検出部１５は、形状モデル追跡部１４での形状モデルの追跡結果に基づいて、自車両Ｖの周囲の物体を検出する。物体検出部１５での物体の検出結果は、例えば車両の走行制御装置で利用されたり、物体の存在を運転者に報知したりするために利用することができる。

本実施形態は以上のように構成され、物体検出装置１００では、クラスタ追跡部１２がクラスタの移動を追跡する。形状モデル当てはめ部１３は、クラスタの移動速度が形状モデルの移動速度と所定の速度閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。また、形状モデル当てはめ部１３は、クラスタの移動方向が形状モデルの移動方向と所定の方向閾値以上異なるクラスタを、当該形状モデルへの当てはめから除外する。このようにしてクラスタを形状モデルに当てはめることにより、物体検出装置１００は、検出対象物の計測点が複数のクラスタにクラスタリングされたとしても、形状モデルに精度良く当てはめることができ、検出対象物を精度良く検出できる。

また、移動速度／移動方向が形状モデルとは大きく異なるクラスタを当該形状モデルへの当てはめから除外することにより、例えば、検出対象物（他車両）のクラスタとそれ以外（道路構造物等）のクラスタとが接近する場合に、これらのクラスタが誤って統合されることを抑制できる。

形状モデル追跡部１４は、形状モデルの追跡を行う際に、形状モデルのパラメータが収束した場合に、パラメータが収束した形状モデルの追跡を開始する。このように、形状モデルのパラメータが安定したものから追跡を開始することで、例えば、検出対象とする他車両が他の物体に一時的に接近する場合であっても、検出対象物の誤検出を抑制できる。

形状モデル当てはめ部１３は、形状モデルのパラメータのうち、最近傍角の位置（ｘｃ，ｙｃ）、及び方向（θ）として、クラスタ追跡部１２又は形状モデル追跡部１４での推定値を用いることができる。この場合、形状モデル当てはめ部１３における形状モデルのパラメータの計算負荷を抑制できる。

以上、本発明の実施形態について説明したが、本発明は、上記実施形態に限定されるものではない。例えば、上述したカルマンフィルタやヒストグラムフィルタ等は一例であり、他のフィルタ等を用いてもよい。

形状モデル当てはめ部１３は、クラスタを形状モデルに当てはめる際に、クラスタ追跡部１２で推定されたクラスタの移動速度が形状モデル追跡部１４で推定された形状モデルの移動速度と所定の速度閾値以上異なるクラスタを、形状モデルへの当てはめから除外すること、及び、クラスタ追跡部１２で推定されたクラスタの移動方向が形状モデル追跡部１４で推定された形状モデルの移動方向と所定の方向閾値以上異なるクラスタを、形状モデルへの当てはめから除外することのうち、両方を行うことは必須では無い。形状モデル当てはめ部１３は、これらの少なくともいずれか一方を行えばよい。

また、形状モデル追跡部１４は、形状モデルの追跡を行う際に、形状モデルのパラメータが収束した場合に追跡を開始することは必須では無い。

１…ＬＩＤＡＲ（レーザレーダ）、１１…クラスタリング部、１２…クラスタ追跡部、１３…形状モデル当てはめ部（当てはめ部）、１４…形状モデル追跡部、１５…物体検出部、１００…物体検出装置、Ｖ…自車両（車両）。

Claims (1)

1. 車両の周囲の物体を検出する物体検出装置であって、
   前記車両からレーザーを送信して反射したレーザーを受信することにより、レーザーを反射した位置を計測点として複数取得するレーザレーダと、
   前記レーザレーダにより取得された複数の計測点の位置に基づいて、複数の計測点を１又は複数のクラスタにクラスタリングするクラスタリング部と、
   前記クラスタリング部でクラスタリングされた前記クラスタの移動を追跡するクラスタ追跡部と、
   前記クラスタリング部でクラスタリングされた前記クラスタを形状モデルに当てはめる当てはめ部と、
   前記当てはめ部で前記クラスタが当てはめられた前記形状モデルの移動を追跡する形状モデル追跡部と、
   前記形状モデル追跡部での前記形状モデルの追跡結果に基づいて物体を検出する物体検出部と、を備え、
   前記当てはめ部は、前記クラスタ追跡部で追跡された前記クラスタの移動速度が前記形状モデル追跡部で追跡された前記形状モデルの移動速度と所定の速度閾値以上異なる前記クラスタを、当該形状モデルへの当てはめから除外すること、及び、前記クラスタ追跡部で追跡された前記クラスタの移動方向が前記形状モデル追跡部で追跡された前記形状モデルの移動方向と所定の方向閾値以上異なる前記クラスタを、当該形状モデルへの当てはめから除外することのうち少なくともいずれか一方を行う、物体検出装置。

Images