JP2017204145A - 走行経路生成装置、モデル学習装置、及びプログラム - Google Patents

Abstract

【課題】障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画することができるようにする。【解決手段】車線検出部２８、物理境界検出部３０、車両検出部３２、先行車判定部３４、及び車両状態推定部３６によって、障害物を含む自車両の環境情報を認識する。走行経路生成部４０によって、自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、生成したフォースマップに基づいて、自車両の走行経路を計画する。【選択図】図１

Description

本発明は、走行経路生成装置、モデル学習装置、及びプログラムに関する。

従来より、安全運転への危険ポテンシャルを推定するために移動物体を検出する危険度判定装置が知られている（特許文献１）。

また、経路生成のための仮想物体を生成するために自由道路空間と障害物を検出する走行経路生成装置が知られている（特許文献２）。

また、障害物が取り得る移動軌跡の候補を複数生成し、生成された移動軌跡の各候補について、障害物が移動軌跡に沿って動いた場合に自車両が障害物に接触することを回避可能な自車両の走行経路を算出し、算出された複数の走行経路の中から最適な走行経路を選択する走行経路生成装置が知られている（特許文献３）。

また、自車レーン内の前方車両又は先行車両の軌跡を選択又はシフトすることによって経路計画を行う走行経路生成装置が知られている（特許文献４）。

また、環境地図に基づく自律走行のための経路計画を行う自律走行装置が知られている（特許文献５）。

また、非特許文献１では、スネーク方式を用いた、いわゆる仮想力法に基づいて経路を計画する方法が記載されている。

特開２０１３−１２０３１６８号公報 特開２０１５−１５７６８号公報 特開２０１０−２２８７４０号公報 特開２０１４−１２３２８３号公報 特開２０１４−１０７９７号公報

Harm M.J. Kuijpers, Hendrikus G. Visser, " NOISE ABATEMENT PATH PLANNING USING VIRTUAL FORCES", 29th Congress of the international council of the aeronautical sciences, 2014.

上記の特許文献１に記載の技術では、危険ポテンシャルを経験的に定義している。

上記の特許文献２に記載の技術では、経路生成のために高コストの仮想物体を追加してコストマップを改定している。これはある状況では現実的であるが、駐車車両を迂回するために車両が黄線を越えなければならないような重大な場合には困難となる可能性がある。

上記の特許文献３に記載の技術では、異なる複数のタイムフレーム間での経路候補は、すべてのタイムフレームを一緒に考慮した最適経路ほど良好でない可能性がある。

上記の特許文献４に記載の技術では、道路環境においては物体が移動中であるために、先行車両軌跡を移動させることは自車両に対してはうまく機能しない可能性がある。

上記の特許文献５に記載の技術では、経路計画のための目的関数が経験的に定義されている。

上記の非特許文献１に記載の技術では、仮想力（コスト）と目的関数が、経験パラメータで別々に定義されている。

本発明は、上記の事情を鑑みてなされたもので、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画することができる走行経路生成装置、モデル学習装置、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明の走行経路生成装置は、障害物を含む自車両の環境情報を認識する環境認識手段と、前記環境認識手段によって認識された自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、自車両の走行経路を計画する走行経路計画手段と、を含んで構成されている。

第２の発明に係るプログラムは、コンピュータを、障害物を含む自車両の環境情報を認識する環境認識手段、及び前記環境認識手段によって認識された自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、自車両の走行経路を計画する走行経路計画手段として機能させるためのプログラムである。

第１の発明及び第２の発明によれば、環境認識手段によって、障害物を含む自車両の環境情報を認識する。そして、走行経路計画手段によって、前記環境認識手段によって認識された自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、自車両の走行経路を計画する。

このように、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、自車両の走行経路を計画することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画することができる。

第３の発明に係るモデル学習装置は、車両が走行したときの、障害物を含む前記車両の環境情報、及び前記車両の走行軌跡を含む走行データを蓄積したデータベースと、前記車両の環境情報とモデルパラメータとに基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習するモデル学習手段と、を含み、前記走行データ毎に、前記モデル学習手段による学習を繰り返す。

第４の発明に係るプログラムは、車両が走行したときの、障害物を含む前記車両の環境情報、及び前記車両の走行軌跡を含む走行データを蓄積したデータベースを含むコンピュータを、前記車両の環境情報とモデルパラメータとに基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習するモデル学習手段として機能させるためのプログラムであって、前記走行データ毎に、前記モデル学習手段による学習を繰り返すプログラムである。

第３の発明及び第４の発明によれば、モデル学習手段によって、前記車両の環境情報とモデルパラメータとに基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習する。走行データ毎に、前記モデル学習手段による学習が繰り返される。

このように、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画するためのモデルパラメータを学習することができる。

なお、本発明のプログラムを記憶する記憶媒体は、特に限定されず、ハードディスクであってもよいし、ＲＯＭであってもよい。また、ＣＤ−ＲＯＭやＤＶＤディスク、光磁気ディスクやＩＣカードであってもよい。更にまた、該プログラムを、ネットワークに接続されたサーバ等からダウンロードするようにしてもよい。

以上説明したように、本発明の走行経路生成装置及びプログラムによれば、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、自車両の走行経路を計画することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画することができる、という効果が得られる。

本発明のモデル学習装置及びプログラムによれば、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画するためのモデルパラメータを学習することができる、という効果が得られる。

本発明の第１の実施の形態に係る運転支援制御装置を示すブロック図である。 （Ａ）駐車車両の周辺における誘導力及び反発力の例を示す図、及び（Ｂ）先行車両の周辺における誘導力及び反発力の例を示す図である。 （Ａ）自車両の走行車線内における誘導力の例を示す図、及び（Ｂ）カーブにおける走行軌跡に対する誘導力の例を示す図である。 ＭＳＤモデルを説明するための図である。 経路上の各制御点に対する誘導力、反発力、内部引力の例を示す図である。 本発明の第１の実施の形態に係るモデル学習装置を示すブロック図である。 本発明の第１の実施の形態に係るモデル学習装置のコンピュータにおける学習処理ルーチンの内容を示すフローチャートである。 本発明の第１の実施の形態に係る運転支援制御装置のコンピュータにおける経路生成処理ルーチンの内容を示すフローチャートである。 本発明の第１の実施の形態に係る運転支援制御装置のコンピュータにおける最適経路を算出する処理の流れを示すフローチャートである。交差点を通過するときにおける追従先行車両の推定結果を示す図である。 前方画像の例を示す図である。 （Ａ）フォースマップの例を示す図、及び（Ｂ）生成された走行経路の例を示す図である。 （Ａ）フォースマップの例を示す図、及び（Ｂ）生成された走行経路の例を示す図である。 本発明の第２の実施の形態に係る運転支援制御装置を示すブロック図である。 本発明の第２の実施の形態に係る運転支援制御装置のコンピュータにおける経路生成学習処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、車線維持制御を行う際の自車走行経路を生成して運転支援部に出力する運転支援制御装置に、本発明を適用した場合を例に説明する。

＜本実施の形態の概要＞
本発明の実施の形態では、人がするような車両運転経路の生成方法を提供する。従来の経路計画／生成法では、先ずルート／中間地点に低コストを、そして障害物と黄線などに高コストを割り当てることによってコストマップを決定し、次に予め定義された目的関数を用いて経路を計画する。コストマップと目的関数は、経験的に定義されるか、または実際のデータから別々に学習される。

ただし、コストマップと経路計画の目的関数は実際には互いに密接な相関を持っている。従って本発明の実施の形態においては、その両者を共に考慮して、実際の運転データによりその両者を一緒に学習する。本発明の実施の形態のキーとなる新規な点は次の通りである。

第一に、手作業でラベル付けした物体や地図情報の代わりに、標準的なカメラとＧＰＳ／ＩＮＳセンサを持った普通の自動車で収集した物体認識と車両軌跡の実走行データを利用して、コストマップに相当するフォースマップ、および人がするような経路計画のモデルのパラメータを学習する。例えば、従来法ではレーンの中心に低コストを割り当てるが、ここではそのレーンを実際に通過した車両軌跡にも低コストを割り当てる。

第二に、ＥＭ（期待値−最大化）学習を用いてフォースマップと経路計画のモデルを連結して学習する。

第三に、従来法とは異なり、車両の環境情報に含まれる各カテゴリの物体からの影響を、統一形式としての力でモデル化し、例えば移動中の車と路側に駐車している車に対して、異なる力を計算する。

第四に、経路計画のモデルとして、質量−ばね−ダンパ（ＭＳＤ）モデルを用いて、質点間の経路を３次スプラインで補間する。経路モデルとしてＭＳＤを用いることは新しくはないが、ＭＳＤモデルのパラメータの学習方法は新しい。さらにはダンパを学習することで、従来のスプライン方式による経路の空間的滑らかさに加えて経路の時間的滑らかさを与えることができる。

＜システム構成＞
図１に示すように、本発明の実施の形態に係る運転支援制御装置１０は、ＧＰＳ衛星からの電波を受信するＧＰＳ受信部１２と、自車両の前方を撮像して、ステレオ画像を生成する撮像装置１４と、ＧＰＳ受信部１２によって受信されたＧＰＳ衛星からの受信信号、及び撮像装置１４によって撮像されたステレオ画像に基づいて、自車両の走行経路を計画して、運転支援部１８に出力するコンピュータ１６と、を備えている。

運転支援部１８は、計画された自車両の走行経路に基づいて、例えば、自車両の車線維持制御を行う。

ＧＰＳ受信部１２は、各時刻について、複数のＧＰＳ衛星からの電波を受信して、受信した全てのＧＰＳ衛星からの受信信号を、コンピュータ１６へ出力する。

撮像装置１４は、各時刻について、自車両の前方を繰り返し撮像して、ステレオ画像を繰り返し生成し、コンピュータ１６へ出力する。

コンピュータ１６を機能ブロックで表すと、上記図１に示すように、ＧＰＳ受信部１２から、電波を受信した全てのＧＰＳ衛星について、ＧＰＳ衛星の情報を取得して、各時刻における自車両の絶対位置を算出する位置検出部２０と、位置検出部２０によって算出された自車両の絶対位置の時系列データを、車両走行軌跡として生成する走行軌跡生成部２２と、生成された車両走行軌跡を、複数のクラスの何れかに分類する走行軌跡分類部２４とを備えている。

また、コンピュータ１６は、道路情報を記憶する地図データベース２６と、撮像装置１４によって生成されたステレオ画像から、自車両が走行している走行車線を検出する車線検出部２８と、撮像装置１４によって生成されたステレオ画像から、自車両の走行路の物理的な境界を検出する物理境界検出部３０と、撮像装置１４によって生成されたステレオ画像から、自車両の周辺に存在する車両を検出する車両検出部３２と、検出された車両から自車両の先行車両を判定して、先行車両の走行軌跡を生成する先行車判定部３４と、検出された車両の車両状態を推定する車両状態推定部３６と、複数のクラスの各々に対して予め学習されたモデルパラメータを記憶したモデル記憶部３８と、自車両の走行車線、走行路の物理的な境界、先行車両の車両走行軌跡、周辺の車両の車両状態、及び自車両の走行軌跡が分類されたクラスのモデルパラメータに基づいて、自車両の走行経路を計画する走行経路生成部４０とを備えている。なお、車線検出部２８、物理境界検出部３０、車両検出部３２、先行車判定部３４、及び車両状態推定部３６は、環境認識手段の一例であり、走行経路生成部４０が、走行経路計画手段の一例である。

位置検出部２０は、ＧＰＳ受信部１２から、電波を受信した全てのＧＰＳ衛星について、ＧＰＳ衛星の情報を取得し、取得したＧＰＳ情報に基づいて、自車両の絶対位置を算出する。本実施の形態では、自車両の絶対位置は、ＧＰＳ衛星の情報とＩＮＳ（Inertial Navigation System）センサ（図示省略）によって得られた情報とを用いて、特許文献６（特開２０１３−１３０４８０号公報参照）に記載の測位システムと同様の手法により算出される。特許文献６に記載の測位システムの手法では、ＧＰＳおよびＩＮＳ（Inertial Navigation System）センサを使用するので、自車両の絶対位置は、誤差を有している。概して、絶対位置誤差は、１ｍから３ｍに及ぶ。ＩＮＳセンサとしては、例えば、加速度センサ、地磁気センサ、ジャイロセンサ等を用いればよい。

走行軌跡生成部２２は、特許文献６に記載の測位システムと同様の手法により、位置検出部２０によって算出された自車両の絶対位置の時系列データを収集し、自車両の走行軌跡を生成する。

走行軌跡分類部２４は、走行軌跡生成部２２によって生成された自車両の走行軌跡を、走行パターンに応じた複数のクラスの何れかに分類する。例えば、車両軌跡は、以下のクラスの何れかに分類される。

ａ）レーン内走行、ｂ）左へレーン内回避、ｃ）右へレーン内回避、ｄ）左へレーン変更、ｅ）右へレーン変更、ｆ）交差点で左折、ｇ）交差点で右折、ｈ）交差点を直進

走行軌跡の分類は、例えば、自車両のハンドル操作データの解析によって自動的に行われる。

車線検出部２８は、撮像装置１４によって生成されたステレオ画像、及び地図データベース２６から、自車両が走行している走行車線を検出する。走行車線の検出方法としては、従来既知の手法を用いればよいため、説明を省略する。例えば、非特許文献（Guo, Chunzhao, Junichi Meguro, Kazuhiro Yamaguchi, Kiyosumi Kidono, and Yasuhiro Kojima, “Improved lane detection based on past vehicle trajectories”; Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on, pp. 1956-1963. IEEE, 2014.）に記載の手法を用いればよい。

物理境界検出部３０は、撮像装置１４によって生成されたステレオ画像、及び地図データベース２６から、自車両の走行路の物理的な境界を検出する。物理的な境界の検出方法としては、従来既知の手法を用いればよいため、説明を省略する。例えば、非特許文献（Guo, Chunzhao, Junichi Meguro, Yoshiko Kojima, and Takashi Naito. "CADAS: A multimodal advanced driver assistance system for normal urban streets based on road context understanding." In Intelligent Vehicles Symposium (IV), 2013 IEEE, pp. 228-235. IEEE, 2013.）に記載の手法を用いればよい。

車両検出部３２は、撮像装置１４によって撮像されたステレオ画像に基づいて、前方に存在する車両を検出する。車両の検出に、例えば、本発明者らが提案した参考文献（K.Goto, K. Kidono, Y. Kimura and T. Naito, "Pedestrian Detection and Direction Estimation by Cascade Detector with Multi-Classifiers Utilizing Feature Interaction Descriptor", in proc. of 2011 IEEE Intelligent Vehicles Symposium (IV), pp. 224-229, 2011）を適用することができる。これは、特徴相関記述子（ＦＩＮＤ）を利用する複数の分類器をカスケード組合せしたものである。

先行車判定部３４は、車両検出部３２による車両の検出結果に基づいて、自車両の追従先行車両を判定する。自車両の追従先行車両の判定は、非特許文献（Guo, Chunzhao, Kiyosumi Kidono, and Yoshiko Kojima, "Understanding surrounding vehicles in urban traffic scenarios based on a low-cost lane graph" ; Intelligent Vehicles Symposium (IV), 2015 IEEE, pp. 511-518. IEEE, 2015.）に記載の手法を用いる。

また、先行車判定部３４は、判定された追従先行車両の位置に基づいて、追従先行車両の走行軌跡を生成する。

車両状態推定部３６は、撮像装置１４によって撮像されたステレオ画像に基づいて、車両検出部３２によって検出された車両の各々について、車両の状態を推定する。たとえば、ａ）車両速度、ｂ）車両のライト（ハザードライト、ブレーキライト、方向指示信号）を用いて、車両の状態として、駐車中の車、走行車の最後尾、近接中の車などが推定される。

モデル記憶部３８は、後述するモデル学習装置１００により予め学習された、フォースマップを生成するためのパラメータ、及びＭＳＤのパラメータを記憶している。

走行経路生成部４０は、車線検出部２８によって検出された自車両の走行車線、物理境界検出部３０によって検出された自車両の走行路の物理的な境界、先行車判定部３４によって生成された追従先行車両の走行軌跡、および車両状態推定部３６によって推定された各検出車両の車両状態に基づいて、各地点における、障害物を避けて自車両が走行することを表す反発力、及び自車両の走行車線や追従先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、生成したフォースマップに基づいて、自車両の走行経路を計画する。ただし、走行経路生成部４０は、モデル記憶部３８に記憶されたパラメータを用いて、各地点における各反発力及び各誘導力を算出してフォースマップを生成すると共に、自車両の走行経路を計画する。

ここで、フォースマップを生成する原理について説明する。

本発明者らは、手作業でラベル付けした物体や地図情報の代わりに、フォースマップを生成するために、標準的なカメラとＧＰＳ／ＩＮＳセンサを持った通常の自動車で収集される物体認識と車両軌跡の実走行データを利用する。例えば、従来法ではレーンの中心に低コストを割り当てるが、本実施の形態では、そのレーンを実際に通過した車両の軌跡にも低コストを割り当てるようにフォースマップを生成する。

障害物などの物体やレーンマークは、自車両が避けて走行することを表す外部反発力を発し、これはコストマップにおけるコストポテンシャルに等しい。物体への距離が近いほど、反発力は大きな力となる。

また、従来法とは異なり、発明者らは各カテゴリの物体を統一形式としての力でモデル化し、そこでは例えば移動中の車と路側に駐車している車は異なる力を持っている。

また、本実施の形態では、図２（Ａ）に示す物体を避けて走行することを表す外部反発力と、図２（Ｂ）に示す他車の走行軌跡に沿って誘導されるように走行することを表す誘導力とをセットとして考慮する。われわれ人間の運転手と全く同様に、路上に車を見つけると、反発力又はそれからのコスト(安全距離を維持するための)のみでなく、リスクを最小(すなわち最小コスト)とするために自車がどこへ行けばよいかを考慮する。従来の方法では、物体（例えば車）から発せられるコスト／力を考慮するだけであるが、本実施の形態では、誘導力もセットにして一緒に考慮する。

図２（Ａ）、（Ｂ）に示す車両の例では、従来法のような、車両から発せられるコスト／反発力をモデル化／学習するだけではなく、誘導されるように走行することを表す誘導力をモデル化／学習する。そして自車が安全であるために検出車両からどれだけ離れるべきであるかを知るだけではなく、どこのコストが低くて、低コスト領域の経路をどのように計画できるかをわかるようにフォースマップを生成する。より具体的には、まず、周辺車両の状態を推定する。それが駐車中の車であれば、右回避の走行軌跡に沿って走行する誘導力が、駐車中の車両を避けて走行することを表す反発力とともに、当該駐車中の車の周辺の各位置に対して算出される。それが追従先行車であれば、その追従先行者の周辺及び走行軌跡の各位置に対して、追従先行車の走行軌跡に沿って誘導される誘導力が、当該追従先行者を避けて走行することを表す反発力とともに算出される。

また、図３（Ａ）に示すような、自車両の走行車線の中央に沿って誘導される誘導力が各位置に対して算出される。また、過去の車両軌跡が得られる場合には、自車両の走行車線内の実際の車両軌跡に沿って誘導される誘導力を算出してもよい。これは、図３（Ｂ）に示すように、特に左折／右折行動において特に重要であり、ロボットのような急なターンをするのではなく、交差点で丸く曲がるような、より“人間に似た”行動とすることができる。例えば、交差点において車両は、大きな曲率をもつ理論的に安全な経路よりも道路の端／交差点の角のより近くを走行するのが普通である。

本実施の形態では、以下の反発力及び誘導力をフォースマップの各位置について算出する。

１）自車両の走行車線： 自車両の走行車線は、所定のルートに沿って自車両をその走行車線内部で走行させ続けようとする誘導力を生成する。それは次式で定義される。

(１)

ここで、ｄ_iは質点ｉと自車両の走行車線との間の距離であり、σ_lは分散である。λ_lは吸引力の最大振幅である。τ_lは打ち切りの閾値である。これは、走行車線の中央では、自車両は右側走行をする必要がないからである。ここで、上記（１）式の力は、縁石や側方のレーンマークなどのレーン境界を避けて走行することを表す反発力とみなすことも可能である。

２）追従先行車の走行軌跡：追従先行車の走行軌跡は、“生きた”走行レーンとして自車両の参考に利用される。したがって、（２）式で表わされる、追従先行車の走行軌跡に従って誘導されるように走行することを表す誘導力を生成する。

(２)

３）周辺車両：周辺車両は、避けるように走行することを表す反発力を与えて、自車両をそれらから安全な距離に離しておくようにする。質点ｉに作用する周辺車両ｊからの反発力は、次のように定義される。

(３)

ここで、τ_vは、車両が接触することになる場合に無限大の反発力を質点ｉに与えることを表す定数である。ｄ_x、ｄ_yは周辺車両ｊと質点ｉとの間の、それぞれｘ軸方向とｙ軸方向の距離であり、σ_x、σ_yは分散である。

以上説明した原理に従って、走行経路生成部４０は、車線検出部２８によって検出された自車両の走行車線、物理境界検出部３０によって検出された自車両の走行路の物理的な境界、先行車判定部３４によって生成された追従先行車両の走行軌跡、および車両状態推定部３６によって推定された各検出車両の車両状態に基づいて、上記（１）式、（２）式、（３）式に従って、各地点において、周辺車両を避けて自車両が走行することを表す反発力、自車両の走行車線に沿って誘導されるように自車両が走行することを表す誘導力、及び追従先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す誘導力を算出して、フォースマップを生成する。

次に、自車両の走行経路を計画する原理について説明する。

安全で円滑かつ安定した走行経路を生成するために、走行経路は、図４に示す質量−ばね−ダンパ（ＭＳＤ）システムを用いて３次スプラインでモデル化される。黒丸の２点は、質量ｍを持つ経路の制御点であり、図５に示すように、ＭＳＤユニットが隣接する制御点の間に張り付けられる。これは図５の実線矢印で示す内部引力を発生させて制御点を一緒に移動させる。ＭＳＤシステム間の力は伝播することができ、その結果制御点が全体的に最適化される。つまり、１つの制御点を移動させる力が存在すると、ＭＳＤシステム間を伝播する引力によって他のすべての制御点が移動することになる。

また、ＭＳＤシステムでは、ダンパを学習することで、従来のスプラインベースの方法による経路の空間的滑らかさに加えて、経路の時間的滑らかさを付与することができる。なお、経路内の質点の座標は、車両の座標ではなく世界座標で定義される。

フォースマップの反発力及び誘導力は制御点を押しやり、ＭＳＤシステムは制御点を一緒に移動させ続ける。力の最適化／均衡が、自車両の走行経路を生成する。

図５に示すように、スプラインの制御点は実際には質点であり、それが相互にバネとダンパで接続されている。運動学的には、質点が曲線上にあって、局所的な制御を受けている。すなわち１つの制御点の変更は、その制御点の近傍の曲線部分にしか影響を与えない。さらに、Ｐiにおける接線ベクトルは、Ｐi-1とＰi+1とを結ぶ直線に平行である。これらの特性により、遠い地点にある急峻なカーブ又は交差点を通る経路は、近い地点における進行経路の生成には影響を与えない。動的には、バネとダンパが制御点同士の空間的相互作用をモデル化し、それらの位置は独立してではなく連結して決定され、局所的な整合性が達成される。より具体的には、バネは収縮力を与え、これが制御点を連結して移動させて軌跡の長さの減少を可能とする。ダンパは抵抗力を与え、これが軌跡の急激な変化を抑制し、軌跡生成における不連続性を防止する。Ｐ-1，Ｐ0，Ｐ1，…，Ｐnの位置にｉ∈｛−１，０，１，…，ｎ｝としてインデックスが付けられたｎ＋２個の制御点があり、これらは走行経路に沿って均一に分布しているものとする。Ｐ0は自車両の位置にあり、Ｐnを走行経路の端部に設定する。Ｐ-1は自車両の後方にＰ1と同じ横方向位置にあるものとし、第１の走行経路セグメント

が現時点の車両の進行方向に一致するものとする。

質点ｉに作用する２つのバネ力は、

(４)

であり、ここでкはバネ定数である。質点ｉに作用する２つの減衰力は、

(５)

であり、ここでｃは減衰定数である。

上記（１）式〜（５）式で表わされる力を用いて、走行経路運動は次のように表される。

(６)

上記（６）式より、自車両の走行車線の外力は制御点を走行車線内に引き付け、内力は他車がいない場合にはそれを最短で一定に維持しようとする。自車両の走行車線の近くに他車がいる場合には、反発外力が制御点にかけられる。この場合、制御点は障害物車両から移動して離れ、制御点の間に作用する内力は、制御点が連結して円滑な移動をするようにさせる。式（６）の値を最小化して平衡状態に到達すれば、最適な軌跡が得られる。

以上説明した原理に従って、走行経路生成部４０は、自車両の走行車線に沿って、初期経路を設定する。次に、走行経路生成部４０は、経路上の各制御点に係る反発力及び誘導力を計算し、各制御点について計算された反発力及び誘導力を用いて、上記（６）式の値を最小化するように最適経路を生成して、運転支援部１８へ出力する。生成された最適経路は、次の反復において初期経路として用いられる。

＜モデル学習装置の構成＞

上述したフォースマップの生成及び走行経路の生成で用いられるパラメータ

は、図６に示すモデル学習装置１００により、予め学習される。

モデル学習装置１００は、コンピュータで構成され、機能ブロックで表すと、上記図６に示すように、各車両の走行軌跡及び環境情報を記憶した軌跡データベース１１０と、軌跡データベース１１０に記憶された各車両の走行軌跡を、複数のクラスの何れかに分類する走行軌跡分類部１１２と、クラス毎に、当該クラスに分類された走行軌跡及び環境情報に基づいて、当該クラスに対応するパラメータを学習するモデル学習部１１４とを備えている。

軌跡データベース１１０には、収集された、各車両の走行軌跡が、走行時に得られた環境情報と共に記憶されている。環境情報には、上記車線検出部２８と同様に検出された自車両の走行車線、上記物理境界検出部３０と同様に検出された自車両の走行路の物理的な境界、上記先行車判定部３４と同様に生成された追従先行車両の走行軌跡、および上記車両状態推定部３６と同様に推定された各検出車両の車両状態が含まれる。

走行軌跡分類部１１２は、走行軌跡分類部２４と同様に、軌跡データベース１１０に記憶された各車両の走行軌跡を、走行パターンに応じた複数のクラスの何れかに分類する。

モデル学習部１１４は、クラス毎に、当該クラスに分類された走行軌跡及び環境情報に基づいて、当該クラスに対応するパラメータβを学習する。

ここで、パラメータβを学習する原理について説明する。

本実施の形態では、ＥＭ（期待値−最大化）学習を利用して、フォースマップと経路のモデルのパラメータを学習する。フォースマップと経路計画は相互に影響しあうので、それらのパラメータを一緒に学習するために、本実施の形態ではＥＭ学習を利用する。すなわち、学習対象のクラスについて、先ず、軌跡データベース１１０に記憶された環境情報を用いてフォースマップを計算し、フォースマップを用いて経路を生成し、生成した経路と、軌跡データベース１１０に記憶された走行軌跡とに基づいて、パラメータβを学習する。このパラメータβの学習を、学習対象のクラスに分類された走行軌跡のそれぞれについて反復して、当該クラスのパラメータβを学習する。

また、パラメータβの学習を、全てのクラスについて繰り返す。

このようにクラス毎に学習されたパラメータβが、運転支援制御装置１０のモデル記憶部３８に格納される。

次に、本実施の形態の作用について説明する。

＜モデル学習装置の作用＞
モデル学習装置１００の軌跡データベース１１０に、収集された各車両の走行軌跡が環境情報と共に格納され、走行軌跡分類部１１２が、各車両の走行軌跡を、走行パターンに応じた複数のクラスの何れかに分類する。

モデル学習装置１００は、クラス毎に、当該クラスを、学習対象のクラスとして、図７に示す学習処理ルーチンを実行する。

まず、ステップＳ１００において、学習対象のクラスに分類された走行軌跡と、当該走行軌跡に対応する環境情報を、軌跡データベース１１０から読み込む。

ステップＳ１０２では、上記ステップＳ１００で読み込んだ環境情報に基づいて、走行経路生成部４０と同様に、各地点における反発力及び誘導力を表すフォースマップを生成する。

ステップＳ１０４では、上記ステップＳ１０２で生成されたフォースマップに基づいて、各反発力及び各誘導力の合力が小さいエリアに対して、初期経路を設定する。そして、ステップＳ１０６において、上記ステップＳ１０４で設定された初期経路の各制御点に対して、走行経路生成部４０と同様に、上記（６）式の値を最小化するように、最適経路を生成する。

ステップＳ１０８では、上記ステップＳ１００で読み込んだ走行軌跡と、上記ステップＳ１０６で生成された最適経路とに基づいて、当該走行軌跡と一致した最適経路が生成されるように、パラメータβを更新する。このとき、既存の最適化手法（例えば、勾配降下法）を用いて、パラメータβを更新すればよい。

そして、ステップＳ１１０では、学習対象のクラスに分類されたすべての走行軌跡について、上記ステップＳ１００〜Ｓ１０８の処理を実行したか否かを判定し、上記ステップＳ１００〜Ｓ１０８の処理を実行していない走行軌跡が存在する場合には、上記ステップＳ１００へ戻り、当該走行軌跡を読み込む。一方、学習対象のクラスに分類されたすべての走行軌跡について、上記ステップＳ１００〜Ｓ１０８の処理を実行した場合には、学習処理ルーチンを終了する。

＜運転支援制御装置の作用＞
複数のクラス毎に学習されたパラメータβが、運転支援制御装置１０に入力され、モデル記憶部３８に格納される。

そして、運転支援制御装置１０を搭載した車両が走行しているときであって、撮像装置１４によって自車両の前方を撮像し、ステレオ画像を逐次生成すると共に、ＧＰＳ受信部１２によって、ＧＰＳ衛星からの信号を逐次受信しているときに、運転支援制御装置１０は、図８に示す経路生成処理ルーチンを実行する。

ステップＳ１２０において、ＧＰＳ受信部１２によって受信したＧＰＳ信号を取得する。

ステップＳ１２２において、撮像装置１４によって生成されたステレオ画像を取得する。

そして、ステップＳ１２４において、上記ステップＳ１２０で取得したＧＰＳ信号と、ＩＮＳセンサ（図示省略）から出力されたＩＮＳ情報とに基づいて、自車両の絶対位置を検出する。

ステップＳ１２６では、上記ステップＳ１２２で取得したステレオ画像から、自車両の周辺に存在する周辺車両を検出する。

そして、ステップＳ１２８において、上記ステップＳ１２２で取得したステレオ画像、及び地図データベース２６から、走行路の物理的な境界を検出する。

ステップＳ１３０では、上記ステップＳ１２２で取得したステレオ画像、及び地図データベース２６から、自車両の走行車線を検出する。

ステップＳ１３２では、上記ステップＳ１２０〜ステップＳ１３０の処理を、一定期間経過するまで繰り返したか否かを判定する。一定期間経過するまで繰り返した場合には、ステップＳ１３４へ進み、一方、一定期間経過していない場合には、上記ステップＳ１２０へ戻る。

ステップＳ１３４では、上記ステップＳ１２４で検出された自車両の絶対位置に基づいて、自車両の走行軌跡を生成する。

ステップＳ１３６では、上記ステップＳ１３４で生成された自車両の走行軌跡を、複数のクラスの何れかに分類する。

そして、ステップＳ１３８では、モデル記憶部３８から、上記ステップＳ１３６で分類されたクラスに対応するパラメータβを読み込む。

ステップＳ１４０では、上記ステップＳ１２６での検出結果に基づいて、追従先行車両を判定して追跡し、追従先行車両の追跡結果に基づいて、追従先行車両の走行軌跡を生成する。

ステップＳ１４２では、上記ステップＳ１２６での検出結果に基づいて、周辺車両の状態を推定する。

そして、ステップＳ１４４では、上記ステップＳ１２６で検出された周辺車両、上記ステップＳ１２８で検出された物理的な境界、上記ステップＳ１３０で検出された自車両の走行車線、上記ステップＳ１３８で得られたパラメータβ、上記ステップＳ１４０で生成された追従先行車両の走行軌跡、及び上記ステップＳ１４２で推定された周辺車両の状態に基づいて、自車両の走行経路を計画し、運転支援部１８に出力して、上記ステップＳ１２０へ戻る。

上記の経路生成処理ルーチンが繰り返し実行されることにより、逐次計画された自車両の走行経路が、運転支援部１８へ出力され、運転支援部１８により、計画された自車両の走行経路に基づく運転支援が行われる。

上記ステップＳ１４４は、図９に示す処理ルーチンによって実現される。

ステップＳ１５０において、上記ステップＳ１２６で検出された周辺車両、上記ステップＳ１２８で検出された物理的な境界、上記ステップＳ１３０で検出された自車両の走行車線、上記ステップＳ１３８で得られたパラメータβ、上記ステップＳ１４０で生成された追従先行車両の走行軌跡、及び上記ステップＳ１４２で推定された周辺車両の状態に基づいて、各地点における各反発力及び各誘導力を算出して、フォースマップを生成する。

そして、ステップＳ１５２において、上記ステップＳ１３０で検出された自車両の走行車線、又は前回生成された最適経路に基づいて、初期経路を設定する。

ステップＳ１５４では、上記ステップＳ１５０で生成されたフォースマップに基づいて、上記ステップＳ１５２で設定された初期経路の各制御点に対して、上記（６）式の値を最小化するように、最適経路を生成し、自車両の走行経路として、運転支援部１８に出力し、処理ルーチンを終了する。

以上説明したように、本発明の第１の実施の形態に係る運転支援制御装置によれば、各地点における、周辺車両を避けて自車両が走行することを表す反発力、自車両の走行車線に沿って誘導されるように自車両が走行することを表す誘導力、及び追従先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、自車両の走行経路を計画することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画することができる。

また、本発明の第１の実施の形態に係るモデル学習装置によれば、収集された走行軌跡に対応する環境情報に基づいて、各地点における、周辺車両を避けて自車両が走行することを表す反発力、自車両の走行車線に沿って誘導されるように自車両が走行することを表す誘導力、及び追従先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、車両の走行経路を計画し、計画された車両の走行経路と車両の走行軌跡とに基づいて、モデルパラメータを学習することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画するためのモデルパラメータを学習することができる。

例えば、図１０に示すような前方画像が得られ、かつ、追従先行車両が存在する場合に、図１１（Ａ）に示すようなフォースマップが生成され、図１１（Ｂ）に示すような走行経路が生成される。なお、図１１（Ｂ）の中抜きの白丸が、制御点を表している。

また、追従先行車両が存在しない場合には、図１２（Ａ）に示すようなフォースマップが生成され、図１２（Ｂ）に示すような走行経路が生成される。

従来の経路計画法では、先ず走行レーンの中央線に低コストを、そして障害物と黄線に高コストを割り当てることによってコストマップを決定し、次に予め定義された目的関数を用いて経路を計画する。コストマップと目的関数は経験的に定義されるか、または実際のデータから別々に学習される。しかしながら、コストマップと経路計画は実際には互いに密接な相関を持っている。したがって本発明の実施の形態では、フォースマップと経路計画の両者を連結して考慮し、人が運転する車両からの物体検出と車両軌跡を含む実データを用いて、フォースマップと経路計画のパラメータを一緒に学習する。そのような実際の運転データを利用する学習ベース機構は、高い水準の、人と同じような経路計画をもたらす。

次に、第２の実施の形態に係る運転支援制御装置について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。

第２の実施の形態では、リアルタイムにパラメータを学習している点が、第１の実施の形態と異なっている。

＜システム構成＞
図１３に示すように、第２の実施の形態に係る運転支援制御装置２１０のコンピュータ２１６は、位置検出部２０と、走行軌跡生成部２２と、走行軌跡分類部２４と、地図データベース２６と、車線検出部２８と、物理境界検出部３０と、車両検出部３２と、先行車判定部３４と、モデル記憶部３８と、走行経路生成部４０と、走行経路生成部４０によって計画された自車両の走行経路及び走行軌跡生成部２２によって生成された自車両の走行軌跡に基づいて、自車両の走行軌跡が分類されたクラスのモデルパラメータを学習するモデル学習部２４２と、を備えている。

モデル学習部２４２は、走行軌跡分類部２４によって自車両の走行軌跡が分類されたクラスについて、走行経路生成部４０によって計画された自車両の走行経路及び走行軌跡生成部２２によって生成された自車両の走行軌跡に基づいて、自車両の走行軌跡が分類されたクラスのパラメータβを学習し、モデル記憶部３８に記憶されている当該クラスのパラメータβを更新する。

ここで、パラメータβを学習する原理について説明する。

本実施の形態では、ＥＭ（期待値−最大化）学習を利用して、フォースマップと経路のモデルのパラメータを学習する。まず、走行経路生成部４０によって、第１の実施の形態と同様に、環境情報を用いてフォースマップを計算し、フォースマップを用いて経路を生成する。また、走行軌跡生成部２２は、生成された経路に対応する自車両の走行軌跡を生成し、走行軌跡分類部２４によって、自車両の走行軌跡を分類し、モデル学習部２４２は、分類されたクラスについて、生成した経路と、自車両の走行軌跡とに基づいて、パラメータβを学習する。このパラメータβの学習を、走行経路生成部４０によって経路が生成される度に反復して、各クラスのパラメータβを学習する。

次に、本実施の形態の作用について説明する。

＜運転支援制御装置の作用＞
複数のクラス毎のパラメータβの初期値が、運転支援制御装置２１０に入力され、モデル記憶部３８に格納される。

そして、運転支援制御装置２１０を搭載した車両が走行しているときであって、撮像装置１４によって自車両の前方を撮像し、ステレオ画像を逐次生成すると共に、ＧＰＳ受信部１２によって、ＧＰＳ衛星からの信号を逐次受信しているときに、運転支援制御装置１０は、図１４に示す経路生成学習処理ルーチンを実行する。

まず、ステップＳ２００において、上記第１の実施の形態で説明した図８に示す経路生成処理ルーチンを実行して、自車両の走行経路を計画し、運転支援部１８に出力する。

ステップＳ２０２において、ＧＰＳ受信部１２によって受信したＧＰＳ信号を取得する。

そして、ステップＳ２０４において、上記ステップＳ２０２で取得したＧＰＳ信号と、ＩＮＳセンサ（図示省略）から出力されたＩＮＳ情報とに基づいて、自車両の絶対位置を検出する。

ステップＳ２０６では、上記ステップＳ２０２〜ステップＳ２０４の処理を、一定期間経過するまで繰り返したか否かを判定する。一定期間経過するまで繰り返した場合には、ステップＳ２０８へ進み、一方、一定期間経過していない場合には、上記ステップＳ２０２へ戻る。

ステップＳ２０８では、上記ステップＳ２０４で検出された自車両の絶対位置に基づいて、自車両の走行軌跡を生成する。

ステップＳ２１０では、上記ステップＳ２０８で生成された自車両の走行軌跡を、複数のクラスの何れかに分類する。

ステップＳ２１２では、上記ステップＳ２０８で生成した走行軌跡と、上記ステップＳ２００で生成された経路とに基づいて、当該走行軌跡と一致した経路が生成されるように、上記ステップＳ２１０で分類されたクラスのパラメータβを更新し、上記ステップＳ２００へ戻る。

以上説明したように、第２の実施の形態に係る運転支援制御装置によれば、各地点における、周辺車両を避けて自車両が走行することを表す反発力、自車両の走行車線に沿って誘導されるように自車両が走行することを表す誘導力、及び追従先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成して、自車両の走行経路を計画すると共に、自車両の走行軌跡を生成し、計画された自車両の走行経路と、生成された自車両の走行軌跡とに基づいて、モデルパラメータを学習することにより、障害物や、環境情報に沿って誘導されるように走行することを考慮して、適切な走行経路を計画するためのモデルパラメータを学習することができる。

また、実際の環境認識と車両走行軌跡を用いることで、フォースマップと走行経路のモデルパラメータを繰り返し学習することができる。学習したフォースマップと走行経路モデルに基づいて、ハイレベル・知能化の運転意思決定（停止、追従、追い越し等）と具体的な安全の走行経路を生成することができる。

なお、上記第２の実施の形態において、自車両の最適経路を生成すると共に追従先行車両の走行軌跡を生成し、自車両の最適経路と追従先行車両の走行軌跡から、モデルパラメータを学習するようにしてもよい。

また、上記の第１、第２の実施の形態では、地図データベース及びモデル記憶部が、自車両の運転支援制御装置内に設けられている場合を例に説明したが、これに限定されるものではなく、地図データベース及びモデル記憶部が、他の装置に設けられており、ネットワークを介して、当該他の装置の地図データベース及びモデル記憶部にアクセスするようにしてもよい。

また、上記の第１、第２の実施の形態では、撮像装置１４によって撮像されたステレオ画像から環境情報を認識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、レーザレーダによって観測された自車両の周辺に存在する物体情報に基づいて、環境情報を認識してもよい。この場合には、車線検出部２８は、レーザレーダの観測結果に基づいて、自車両の走行車線を検出し、物理境界検出部３０は、レーザレーダの観測結果に基づいて、自車両の走行路の物理的な境界を検出し、車両検出部３２は、レーザレーダの観測結果に基づいて、周辺車両を検出するようにすればよい。

１０、２１０ 運転支援制御装置
１２ ＧＰＳ受信部
１４ 撮像装置
１６、２１６ コンピュータ
１８ 運転支援部
２０ 位置検出部
２２ 走行軌跡生成部
２４ 走行軌跡分類部
２６ 地図データベース
２８ 車線検出部
３０ 物理境界検出部
３２ 車両検出部
３４ 先行車判定部
３６ 車両状態推定部
３８ モデル記憶部
４０ 走行経路生成部
１００ モデル学習装置
１１０ 軌跡データベース
１１２ 走行軌跡分類部
１１４、２４２ モデル学習部

Claims (14)

1. 障害物を含む自車両の環境情報を認識する環境認識手段と、
   前記環境認識手段によって認識された自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、自車両の走行経路を計画する走行経路計画手段と、
   を含む走行経路生成装置。
2. 前記走行経路計画手段は、予め学習されたモデルパラメータを用いて、前記フォースマップを生成すると共に、自車両の走行経路を計画する請求項１記載の走行経路生成装置。
3. 自車両の走行軌跡を生成する走行軌跡生成手段と、
   前記走行軌跡生成手段によって生成された自車両の走行軌跡と、前記走行経路計画手段によって計画された自車両の走行経路とに基づいて、前記モデルパラメータを学習するモデル学習手段と、
   を更に含む請求項２記載の走行経路生成装置。
4. 前記走行軌跡生成手段によって生成された自車両の走行軌跡を、走行パターンに応じた複数のクラスの何れかに分類する走行軌跡分類手段を更に含み、
   前記走行経路計画手段は、前記走行軌跡分類手段によって分類された自車両の走行軌跡のクラスに対して予め学習された前記モデルパラメータを用いて、前記フォースマップを生成すると共に、自車両の走行経路を計画する請求項３記載の走行経路生成装置。
5. 前記環境認識手段は、自車両に搭載され、かつ、自車両の周辺を撮像して画像を生成する撮像手段によって生成された画像、又はレーザレーダによって観測された自車両の周辺に存在する物体情報に基づいて、自車両の走行車線及び障害物を含む自車両の環境情報を認識する請求項１〜請求項４の何れか１項記載の走行経路生成装置。
6. 前記環境認識手段は、更に、予め求められた道路情報を用いて、自車両の環境情報を認識する請求項５記載の走行経路生成装置。
7. 前記モデルパラメータは、ＭＳＤ（Mass-Spring-Dumper）モデルのパラメータを含み、
   前記走行経路計画手段は、前記ＭＳＤモデルのパラメータに基づいて計算される、前記走行経路上の制御点間での内部引力を更に考慮して、前記走行経路を計画する請求項２〜請求項４の何れか１項記載の走行経路生成装置。
8. 前記自車両の環境情報は、更に、周辺車両を含み、
   前記環境認識手段は、更に、自車両の環境情報が表す周辺車両が、駐車車両であるか否かを推定し、
   前記誘導力は、前記駐車車両を道路中心側に避けて走行する走行軌跡に沿って誘導されるように自車両が走行することを表し、
   前記反発力は、前記駐車車両を避けて自車両が走行することを表す前記反発力を表す請求項１〜請求項７の何れか１項記載の走行経路生成装置。
9. 前記自車両の環境情報は、更に、自車両の先行車両を含み、
   前記環境認識手段は、更に、自車両の環境情報が表す先行車両の走行軌跡を推定し、
   前記誘導力は、先行車両の走行軌跡に沿って誘導されるように自車両が走行することを表す前記誘導力を表す請求項１〜請求項８の何れか１項記載の走行経路生成装置。
10. 前記自車両の環境情報は、自車両の走行車線を含み、
    前記誘導力は、自車両の走行車線に沿って誘導されるように自車両が走行することを表す請求項１〜請求項９の何れか１項記載の走行経路生成装置。
11. 前記自車両の環境情報は、更に、自車両が走行している走行路の物理的な境界を含み、
    前記反発力は、自車両が走行している走行路の物理的な境界を避けて自車両が走行することを表す請求項１〜請求項１０の何れか１項記載の走行経路生成装置。
12. 車両が走行したときの、障害物を含む前記車両の環境情報、及び前記車両の走行軌跡を含む走行データを蓄積したデータベースと、
    前記車両の環境情報とモデルパラメータとに基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習するモデル学習手段と、
    を含み、
    前記走行データ毎に、前記モデル学習手段による学習を繰り返す
    モデル学習装置。
13. コンピュータを、
    障害物を含む自車両の環境情報を認識する環境認識手段、及び
    前記環境認識手段によって認識された自車両の環境情報に基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、自車両の走行経路を計画する走行経路計画手段
    として機能させるためのプログラム。
14. 車両が走行したときの、障害物を含む前記車両の環境情報、及び前記車両の走行軌跡を含む走行データを蓄積したデータベースを含むコンピュータを、
    前記車両の環境情報とモデルパラメータとに基づいて、各地点における、前記環境情報が表す障害物を避けて自車両が走行することを表す反発力、及び前記環境情報に沿って誘導されるように自車両が走行することを表す誘導力を表すフォースマップを生成し、前記生成したフォースマップに基づいて、前記車両の走行経路を計画し、前記計画された前記車両の走行経路と前記車両の走行軌跡とに基づいて、前記モデルパラメータを学習するモデル学習手段
    として機能させるためのプログラムであって、
    前記走行データ毎に、前記モデル学習手段による学習を繰り返す
    プログラム。