JP2018124663A - 移動物体予測装置 - Google Patents

Abstract

【課題】
移動物体の将来位置の予測精度を確保しつつ、計算負荷の軽減を可能にすることにある。
【解決手段】
移動物体行動予測部２０２は、自車両６０１の周囲の歩行者６０３，６０４の将来位置を予測する。移動物体行動予測部２０２は、歩行者６０３，６０４の将来位置を簡易予測する簡易予測部４０１と、簡易予測部４０１よりも高精度に歩行者６０４の将来位置を本予測する個別予測部３０４と、前記簡易予測の結果に応じて個別予測部３０４によって前記将来位置を本予測する歩行者６０４を割振る物体割振り部３０２を備える移動物体予測装置。
【選択図】図３

Description

本発明は、自動車等の車両、特に自動運転走行中の自車両の周囲に存在する移動物体の行動を予測する移動物体予測装置に関する。

従来、自車両の進路周辺の物体情報を取得し、取得した物体情報から各移動物体の進路を予測するシステムが開発されている。（例えば、特許文献１を参照）

特開２０１５−２６１７９号公報

しかしながら、多数の移動物体が存在する場合には、それぞれの移動物体の予測演算を同一の方法で実施すると、自車両の走行計画に影響を及ぼさない移動物体に対する計算の負荷が高まり、走行計画に必要な予測演算が十分に行なえない可能性が考えられる。

そこで、本発明の目的は、自車両に影響する移動物体の予測精度を確保しつつ、計算負荷の軽減を可能にすることにある。

本発明は、自車両の周囲の移動物体の将来位置を予測する移動物体予測装置であって、前記移動物体の将来位置を簡易予測する第一の予測部と、前記第一の予測部よりも高精度に前記移動物体の将来位置を本予測する第二の予測部と、前記簡易予測の結果に応じて前記第二の予測部によって前記将来位置を本予測する移動物体を割振る割振り部とを備える移動物体予測装置。

本発明によれば、移動物体の将来位置の予測精度を保ちつつ、計算負荷を軽減することができる。

実施例１に係る自車両の走行駆動系およびセンサの説明図を示す。 実施例１に係る車両走行制御装置のブロック図を示す。 実施例１に係る移動物体行動予測部のブロック図を示す。 実施例１に係る予測物体精度判断部のブロック図を示す。 実施例１に係る自車影響判定結果および精度情報の関係を示す 実施例１に係る自車両およびその周囲の移動物体の一例を示す。 実施例１に係る制御フローを示す。 実施例１に係る歩行者及び自車両への影響度の関係を示す。 実施例１に係る自車両およびその周囲物体の一例を示す。 実施例２に係る予測物体精度判定部のブロック図を示す。 実施例２に係る相互作用がある移動物体の一例を示す。 実施例２に係る将来時刻および相互作用確率との関係を示す。 実施例２に係る自車影響判定結果および相互作用判定結果の関係を示す。 実施例２に係る自車両およびその周囲の移動物体の一例を示す。 実施例２に係る制御フローを示す。 実施例３に係る制御フローを示す。 実施例４に係る移動物体行動予測部のブロック図を示す。

幾つかの実施例を図面を参照して詳細に説明する。

図１は、実施例１に係る車両走行制御装置１を搭載した自車両１００の全体構成を示した説明図である。ＦＬ輪、ＦＲ輪、ＲＬ輪およびＲＲ輪は、左前輪、右前輪、左後輪および右後輪をそれぞれ意味する。

自車両１００は、外界を認識するセンサとして、前方にカメラ２と、左右側方にレーザーレーダ３，４と、後方にミリ波レーダ５とを備えており、自車両１００と周囲車両との相対距離および相対速度を検出することができる。尚、本実施例では、センサの構成の一例として上記センサの組み合わせを示しているが、それに限定するものではなく、超音波センサ、ステレオカメラ、赤外線カメラなどとの組み合わせでもよい。上記センサ信号が、車両走行制御装置１に入力される。

さらに、自車両１００は、車両走行制御装置１と、操舵制御装置８と、制動制御装置１５と、加速制御装置１９と、通信装置２３と、表示装置２４とを備えている。

車両走行制御装置１は、例えば、ＣＰＵと、ＲＯＭと、ＲＡＭと、入出力装置とを有する。ＲＯＭには、車両走行制御のフローが記憶されている。車両走行制御装置１は、各種センサ２，３，４，５の情報に基づいて、進行方向を制御するためのステアリング制御機構１０、ブレーキ制御機構１３、スロットル制御機構２０への指令値を演算する。

操舵制御装置８は、車両走行制御装置１からの指令値に基づいて、上記ステアリング制御機構１０を制御する。制動制御装置１５は、車両走行制御装置１からの指令値に基づいて、上記ブレーキ制御機構１３を制御し、各輪のブレーキ力配分を調整する。加速制御装置１９は、車両走行制御装置１からの指令値に基づいて、スロットル制御機構２０を制御し、エンジンのトルク出力を調整する。通信装置２３は、路車間または車車間の通信を行う。表示装置２４は、自車両１００の走行計画および周辺に存在する移動物体の行動予測を表示する。

このように構成された車両走行制御装置１は、詳細は後述する、生成した走行計画に従って車両走行を制御するための各アクチュエータ１０，１３，２０の指令値を演算する。各アクチュエータ１０、１３、２０の制御装置８，１５，１９は、車両走行制御装置１の指令値を通信により受信し、当該指令値に基づいて、各アクチュエータ１０，１３，２０を制御する。

次いで、ブレーキの動作について説明する。ドライバが自車両１００を運転している状態では、ドライバのブレーキペダル１２を踏む踏力をブレーキブースタ（不図示）で倍力し、その力に応じた油圧をマスタシリンダ（不図示）によって発生させる。発生した油圧は、ブレーキ制御機構１３を介して、ホイルシリンダ１６に供給される。ホイルシリンダ１６ＦＬ〜１６ＲＲは、シリンダ（不図示）と、ピストンと、パッド等とを有しており、マスタシリンダ９から供給された作動液によってピストンが推進され、ピストンに連結されたパッドがディスクロータに押圧される。尚、ディスクロータは、車輪と共に回転している。そのため、ディスクロータに作用したブレーキトルクは、車輪と路面との間に作用するブレーキ力となる。以上により、ドライバのブレーキペダル操作に応じて、各輪に制動力が発生させることができる。

制動制御装置１５は、車両走行制御装置１と同様に、例えば、ＣＰＵと、ＲＯＭと、ＲＡＭと、入出力装置とを有する。制動制御装置１５には、コンバインセンサ１４と、車輪速センサ１１ＦＬ〜１１ＲＲと、上述の制動制御装置１５からのブレーキ力指令と、後述する操舵制御装置８を介してハンドル角検出装置２１からのセンサ信号とが入力されている。コンバインセンサ１４は、前後加速度、横加速度、ヨーレートを検出する、車輪速センサ１１ＦＬ〜１１ＲＲは、各輪に設置されている。さらに、制動制御装置１５は、出力側がポンプ（不図示）と、制御バルブを有するブレーキ制御機構１３とに接続されており、ドライバのブレーキペダル操作とは独立して各輪に任意の制動力を発生させることができる。制動制御装置１５は、上記各種情報に基づいて自車両１００のスピン、ドリフトアウト、および車輪のロックを推定し、それらを抑制するように該当輪の制動力を発生させることによって、ドライバの操縦安定性を高める役割を担っている。さらに、車両走行制御装置１は、制動制御装置１５にブレーキ指令を通信することによって、自車両１００に任意のブレーキ力を発生させることができ、ドライバの操作が生じない自動運転の場合、自動的に制動を行う役割を担っている。但し、本実施例では、上記制動制御装置１５に限定するものではなく、例えば、ブレーキバイワイヤ等の他のアクチュエータを用いてもよい。

次いで、ステアリングの動作について説明する。ドライバが自車両１００を運転している状態では、ドライバがハンドル６を介して入力した操舵トルクとハンドル角とをそれぞれ操舵トルク検出装置７とハンドル角検出装置２１とで検出する。操舵制御装置８は、それらの情報に基づいてモータ９を制御し、アシストトルクを発生させる。尚、操舵制御装置８も、車両走行制御装置１と同様に、例えば、ＣＰＵと、ＲＯＭと、ＲＡＭと、入出力装置とを有する。ステアリング制御機構１０が、ドライバの操舵トルクと、モータ９によるアシストトルクとの合力により可動すると、前輪が切られ、前輪の切れ角に応じて路面からの反力がステアリング制御機構に伝わると、その反力が路面反力としてドライバに伝わる。

操舵制御装置８は、ドライバのステアリング操作とは独立してモータ９によってトルクを発生し、ステアリング制御機構１０を制御することができる。従って、車両走行制御装置１は、操舵制御装置８に操舵力指令を通信することによって、前輪を任意の切れ角に制御することができ、ドライバの操作が生じない自動運転においては自動的に操舵を行う役割を担っている。但し、本実施例では、上記操舵制御装置８に限定するものではなく、ステアバイワイヤ等の他のアクチュエータを用いてもよい。

次いで、アクセルについて説明する。ドライバの操作によるアクセルペダル１７の踏み込み量は、ストロークセンサ１８によって検出され、加速制御装置１９に入力される。尚、加速制御装置１９も、車両走行制御装置１と同様に、例えば、ＣＰＵと、ＲＯＭと、ＲＡＭと、入出力装置とを有する。加速制御装置１９は、上記アクセルペダル１７の踏み込み量に応じてスロットル開度を調節し、エンジンを制御する。以上により、ドライバのアクセルペダル１７の操作に応じて、自車両１００を加速させることができる。さらに、加速制御装置１９は、ドライバのアクセル操作とは独立してスロットル開度を制御することができる。従って、車両走行制御装置１は、加速制御装置１９に加速指令を通信することによって、自車両１００に任意の加速度を発生させることができ、ドライバの操作が生じない自動運転の場合、自動的に加速を行う役割を担っている。

図２は、本実施例に係る車両走行制御装置１のブロック図である。

外界を認識する各種センサ２，３，４，５の情報に基づいて得られた周囲の環境の情報がセンサ入力処理部２０１に入力されると、自車両１００の周囲に存在する移動物体の物体情報に変換される。具体的な物体情報としては、例えば、歩行者、自転車、車両の属性情報や、それらの現在位置および現在の速度ベクトルが抽出される。ここで、移動物体には、現時刻で得られた速度がゼロであったとしても、将来において動く可能性がある駐車車両が含まれる。

次いで、前述した物体情報と、後述する方法によって前演算ステップで演算された軌道および速度計画情報とが、「移動物体予測装置」としての移動物体行動予測部２０２に入力される。移動物体行動予測部２０２では、詳細は後述する、入力情報に基づいて、各移動物体の将来の位置および速度情報（物体予測情報）を演算する。

次いで、軌道／運動計画部２０３について説明する。軌道／運動計画部２０３は、入力情報である物体予測情報および地図情報に基づいて、自車両１００の走行軌道およびその際の速度を計画する。具体的には、軌道／運動計画部２０３は、例えば、自車両１００の前方の走行車両および駐車車両の将来位置の物体予測情報から、それらの移動物体との衝突を避けるような軌道を生成する。それと同時に、軌道／運動計画部２０３は、自車両１００に同乗しているドライバが出来る限り不快と感じない範囲の加減速で自動運転走行をするように計画する。

次いで、アクチュエータ指令値演算部２０４について説明する。アクチュエータ指令値演算部２０４は、入力情報である軌道・速度計画情報に基づいて、例えば、ブレーキ、ステアリング、アクセルの操作量を演算する。具体的には、軌道・速度計画情報は、自車両１００の将来における目標情報であるため、アクチュエータ指令値演算部２０４は、目標位置および速度が入力されると、自車両１００の物理モデルに基づいて、各アクチュエータ１０，１３，２０の制御量を出力する。

図３は、本実施例の車両走行制御装置１に実装されている移動物体行動予測部２０２のブロック図である。

予測物体精度判断部３０１は、詳細は後述する、物体情報および前回演算時の軌道・速度計画情報に基づいて、各物体の精度情報を演算する。「割振り部」としての物体割振り部３０２は、精度情報に基づいて、物体情報から個別物体情報を抽出し、複数の個別予測部３０３，３０４に送信する。複数の個別予測部３０３，３０４は、予測精度が低精度な複数の個別予測部３０３の組と、予測精度が高精度な「第二の予測部」としての個別予測部３０４の組との二組に分けられ、両組の個別予測部３０３，３０４は、相互に異なる予測モデルを有している。物体割振り部３０２は、必要な予測精度が考慮された精度情報に基づいて、適切な個別予測部３０３，３０４に個別物体情報を割り振る。

次いで、予測結果集約部３０５について説明する。個別予測部３０３，３０４によって予測された個別予測結果を、予測演算周期および座標系を同一の形式とし、物体予測情報として集約した形式とする。特に、個別予測部３０３，３０４では、予測モデル毎に演算周期が異なる場合があるため、短周期および長周期で予測した演算結果を同一の予測周期とするような補間演算が必要となる。

図４は、本実施例の車両走行制御装置１に実装されている予測物体精度判定部３０１のブロック図である。

「第一の予測部」としての簡易予測部４０１は、物体情報に基づいて、各物体の将来時間Ｔにおける位置Ｒ（Ｘ（Ｔ），Ｙ（Ｔ））を簡易予測する。具体的には、簡易予測部４０１は、物体ＯＢ＿Ｎの現在位置をＲｎ０（Ｘｎ（０），Ｙｎ（０））、現在速度をＶｎ（Ｖｘｎ，Ｖｙｎ）とした場合、以下の線形予測式（１）に基づいて、予測演算する。

Ｒｎ（Ｘｎ（Ｔ），Ｙｎ（Ｔ））＝Ｖｎ（Ｖｘｎ，Ｖｙｎ）×Ｔ
＋Ｒｎ０（Ｘｎ（０），Ｙｎ（０）） ・・・（１）

演算方法は、各物体が将来時間においても現在速度を維持して移動する等速直線運動を仮定している。これにより、短時間に多くの物体の予測が可能となる。

次いで、自車影響判定部４０２は、簡易予測演算結果と軌道・速度計画情報が入力されると、自車両１００への影響を判定する。具体的には、自車影響判定部４０２は、将来時刻において、自車両１００と予測移動物体とが衝突する確率が所定値以上あるか否かを演算し、所定値以上の場合は、自車両１００への影響ありと判定し、所定値以下の場合は、自車両１００への影響なしと判定する。衝突する確率の演算する方法としては、将来位置における各物体と自車両１００との衝突予想時間ＴＴＣ（Ｔｉｍｅ Ｔｏ Ｃｏｌｌｉｓｉｏｎ）を用いる。ここで、ＴＴＣ［ｓ］＝相対距離［ｍ］÷相対速度［ｍ／ｓ］である。ＴＴＣを用いた判定では、例えば、第１所定値以下である場合は、衝突確率５０％、第２所定値（＜第１所定値）以下である場合は、衝突確率７０％とする。

次いで、精度情報演算部４０３について説明する。精度情報演算部４０３は、自車影響判定結果に基づいて、精度情報を演算する。

図５は、自車影響判定結果および精度情報の関係を示す。
精度情報演算部４０３は、図５に示すように、自車影響判定結果が「小」である場合は精度情報として「低」、自車影響判定結果が「中」である場合は精度情報として「中」、自車影響判定結果が「大」である場合は精度情報として「高」の３水準の何れかに分類する。ここで、精度情報を３水準としたのは、個別予測部３０３，３０４で用いる予測モデルの分類水準と等しくするためである。

図６は、本実施例の自車両６０１およびその周囲の歩行者６０３，６０４の一例を示す。

図６に示した状況において、車両走行制御装置１の移動物体行動予測部２０２の作用効果を以下に説明する。自車両６０１は、両側にある道路端６０２で規格される道路上を、走行計画軌道６０５に沿って自動運転走行している。自車両６０１の周囲には、二人の「移動物体」としての歩行者６０３，６０４が歩行している。歩行者６０３は、自車両６０１の右後方を自車両６０１とは反対の方向に歩行している。歩行者６０４は、自車両６０１の走行計画軌道と交差する方向に歩行している。

図７は、本実施例の図６の状況における制御フローを示す。

ステップＳ７００では、車両走行制御装置１の制御部（ＣＰＵ）は、外界を認識する各種センサ２，３，４，５の情報に基づいて得られた自車両６０１の周囲の環境の情報をセンサ入力処理部２０１に入力し、自車両６０１の周囲に存在する移動物体の物体情報に変換する。これにより、両歩行者６０３，６０４の位置および速度ベクトルの情報を得ることができる。

ステップＳ７０１では、車両走行制御装置１の制御部（ＣＰＵ）は、ステップＳ７００で得られた移動物体の物体情報に基づき、移動物体毎を個別に簡易予測する。ここでは、両歩行者６０３，６０４の５秒後までの位置を予測間隔１秒で予測する。両歩行者６０３，６０４の１〜５秒後の位置を、符号６０８，６０９で表している。

ステップＳ７０２では、車両走行制御装置１の制御部（ＣＰＵ）は、自車両６０１への影響を判定する。歩行者６０３は、自車両６０１の走行計画軌道６０５と反対方向に歩行している。

図８は、歩行者６０３，６０４及び自車両６０１への影響度の関係を示す。

ここで、図８に示すように、歩行者６０３は、衝突確率（自車両６０１への影響度）が時間経過と共に低下していく。そのため、予測時間５秒間において、予測情報は「低」と判定される。歩行者６０４は、将来時刻２秒から３秒の間に、自車両６０１の走行計画軌道６０５と交差する可能性があり、衝突確率（自車両６０１への影響度）が高い。ただし、簡易的な予測では、予測間隔が長くなるため、より詳細な予測を行なう必要がある。そのため、予測情報としては、「高」が選択される。

図７に戻る。ステップＳ７０８では、予測情報が「高」と判定された場合、ステップＳ７０３に進み、「低」と判定された場合、ステップＳ７０４に進む。

ステップＳ７０３では、車両走行制御装置１の制御部（ＣＰＵ）は、予測精度（高）モデルを用いて行動を本予測する。ここでは、ステップＳ７０１で用いた予測モデルと比較して、高精度に予測できるモデルを用いる。具体的には、例えば、ポテンシャル法を用いたポテンシャルモデル、予測周期が短いモデル、現在の加速度を考慮した等加速度運動モデル、周囲車両およびデータセンタと通信することによって得られた予測対象の事前の動きを統計処理して算出したパラメータを補正項とするモデルを用いる。

図９は、駐車車両９０１と道路端９０３とが発生するポテンシャル場において、歩行者９０２が駐車車両９０１を避けるように移動していく場合の予測結果の例を示す。

ここで、個別予測部３０４が有するポテンシャル法を用いた予測モデルについて述べる。ポテンシャル法は、例えば、道路端９０３および駐車車両９０１の障害物から仮想的な力学ポテンシャルが発生していると仮定し、歩行者９０２がポテンシャルの最も低い個所を通過するように移動するとして、歩行者９０２の位置を予測する手法である。発生させる力学ポテンシャルとしては、例えば、ガウス関数を用いたり、べき乗関数で近似する。一例としては、駐車車両９０１から発生させるポテンシャルを以下の式で表す。

Ｕ（ｘ,ｙ）＝Ｗ×ｅｘｐ（−（ｘ−ｘ０）／σｘ＾２−（ｙ−ｙ０）／σｙ＾２）
・・・（２）

ここで、Ｗはポテンシャルの重み、（ｘ０，ｙ０）は駐車車両９０１の位置、（σｘ，σｙ）はｘ方向およびｙ方向の分散を表す。複数の物体が存在する場合には、重ね合わせの原理に基づいて演算を行なう。

再び、図７に戻る。ステップＳ７０４では、車両走行制御装置１の制御部（ＣＰＵ）は、予測精度（低）モデルを用いて行動を簡易予測する。ここでは、ステップ７０１で用いた等速直線運動モデルと同程度の精度のモデルを用いる。若しくは、ステップ７０１で演算した結果をＲＯＭに格納し、その演算結果を再利用しても良い。または、メモリおよび通信量を削減するために、演算を省略（例えば、固定値とする）しても良い。

ステップＳ７０５では、車両走行制御装置１の制御部（ＣＰＵ）は、ステップＳ７０３およびステップＳ７０４で演算した予測結果を集約する。ここでは、予測精度（高）モデルで予測した結果は、予測精度（低）モデルで予測した結果よりも演算周期間隔が短くなっているため、短い予測周期間隔に統一できるように、例えば線形補間を行なう。

以上に述べた処理によって、移動物体行動予測部２０２は、歩行者６０３，６０４の将来位置を簡易予測する簡易予測部４０１と、前記簡易予測部４０１よりも高精度に歩行者６０４の将来位置を本予測する個別予測部３０４と、簡易予測の結果に応じて個別予測部３０４によって将来位置を本予測する歩行者６０４を割振る物体割振り部３０２とを備えるので、歩行者６０３，６０４に対する予測精度を保ちつつ、計算負荷を軽減することができる。従って、自車両６０１の急加減速頻度を低減することができ、さらにＥＣＵに搭載するＣＰＵを低速度ＣＰＵへ置き換えることが可能となり、ＥＣＵを低コスト化することができる。

物体割振り部３０２は、自車両６０１と干渉する可能性が高い歩行者６０４を個別予測部３０４に割振るので、自車両６０１への影響が高い歩行者６０４の予測を高精度に行なうと同時に、影響が小さい歩行者６０３は、予測演算への負荷を低減することができ、自車両６０１と両歩行者６０３，６０４との干渉および計算負荷を低減することができる。

個別予測部３０４による本予測は、簡易予測部４０１による簡易予測よりも演算周期が短いので、本予測の予測精度を高めることができる。

簡易予測部４０１による予備予測と、個別予測部３０４による本予測とは、予測モデルが異なるので、歩行者６０３，６０４毎に予測モデルを選択する自由度が向上する。

簡易予測部４０１は、線形予測法によって移動物体の将来位置を簡易予測するので、移動物体行動予測部２０２の計算負荷を軽減することができる。

個別予測部３０４は、ポテンシャルマップを用いるポテンシャル法によって歩行者６０４の将来位置を予測するので、高い精度で歩行者６０４を本予測することができる。

簡易予測部４０１と、個別予測部３０４とは、複数の歩行者６０３，６０４の各々の将来位置を個別に予測するので、歩行者６０３，６０４毎の予測精度を高めることができる。

簡易予測の結果に応じて本予測をしないと判断された歩行者６０３には、簡易予測の結果を流用するので、歩行者６０３に対する計算負荷を軽減することができる。

図１０は、実施例２の車両走行制御装置１に実装されている予測物体精度判定部３０１のブロック図を示す。実施例２の予測物体精度判定部３０１には、実施例１の予測物体精度判定部３０１に相互作用判定部１００４が追加されている。相互作用判定部１００４は、各予測移動物体の簡易予測結果に基づいて、それぞれの移動物体が相互作用を起こすかを判定する演算を行なう。具体的には、簡易予測演算結果でそれぞれの予測結果の軌跡が交差する、若しくは将来時間においてＴＴＣが所定値以下となる場合があると判定された場合には、それらの物体間には相互作用があるとする。

図１１および図１２には、２人の歩行者がｘ軸方向およびｙ軸方向に沿って歩行している場合の一例を示す。以下、歩行者間の相互作用について説明する。

図１１では、それぞれの歩行者の１秒後から５秒後までの予測位置を白丸で表す。それぞれの歩行者の予測軌跡は、３〜４秒の間に交わっている。図１２は、将来時刻における相互作用確率を表している。相互作用確率の演算は、例えば、ＴＴＣの逆数を規格化する。相互作用確率が所定値以上となる場合には、２人の歩行者は相互作用すると判定される。

図１０に戻る。次いで、相互作用を含む精度情報演算部１００５について説明する。精度情報演算部１００５は、自車影響判定結果および相互作用判定結果に基づいて、精度情報を演算する。

図１３は、自車影響判定結果および相互作用判定結果の関係を示す。

具体的には、図１３に示すように、相互作用判定結果が「無し」のときは、実施例１と同様に、自車影響判定結果に基づいて、精度情報は「低」「中」「高」を切り替える。相互作用判定結果が「有り」のときは、自車影響判定結果が「小」の場合、精度情報を「低」とする。一方で、自車影響判定結果が「中」もしくは「大」の場合、精度情報を「相互作用」とする。精度情報が「相互作用」のときは、移動物体の相互作用を考慮することが可能な予測モデルを使う。尚、相互作用を考慮することが可能な例としては、前述したポテンシャル法を用いた予測方法がある。

図１４は、本実施例の自車両６０１と、その周囲の歩行者６０３，６０４および駐車車両１４１１との一例を示す。

図１４において、自車両６０１は、両側にある道路端６０２で規格される道路上を、走行計画軌道６０５に沿って自動運転走行している。自車両６０１の周囲には、二人の歩行者６０３，６０４が歩行している。歩行者６０３は、自車両６０１の右後方を自車両６０１とは反対の方向に歩行している。歩行者６０４は、自車両６０１と平行方向に歩行している。さらに、自車両６０１の左前方には、駐車車両１４１１が駐車している。

図１５は、本実施例の図１４の状況における制御フローを示す。

ステップＳ７００と、ステップＳ７０１と、ステップＳ７０２とにおいて、車両走行制御装置１の制御部（ＣＰＵ）は、歩行者６０３、歩行者６０４および駐車車両１４１１に対して、実施例１と同様の方法で処理を行なう。歩行者６０３は、実施例１と同様に、走行計画軌道６０５への影響は考えられないため、自車影響判定は「低」となる。歩行者６０４は、現時刻において自車両６０１と平行方向に歩行しており、自車両６０１との距離は近いことから衝突確率も小さくない。そのため、ここでは影響度は「中」であると判定される。尚、駐車車両１４１１は、停車しているため、自車への影響度は「低」となる。

ステップＳ１５０６では、車両走行制御装置１の制御部（ＣＰＵ）は、相互作用を判定する。ここでは、各移動物体間の相互作用を演算する。ここでは、歩行者６０４の歩行方向には駐車車両１４１１が存在する。そのため、これら歩行者６０４および駐車車両１４１１間には、相互作用があると判定される。一方、歩行者６０３に関しては、歩行者６０４および駐車車両１４１１との相互作用は「なし」と判定される。

ステップＳ１５０９では、車両走行制御装置１の制御部（ＣＰＵ）は、自車影響度判定および相互作用判定結果に基づいて、予測情報を演算し、各予測部に割振る。ここで、実施例２の移動物体行動予測部２０２は、移動物体行動予測部２０２に、相互作用を演算できる個別予測部３０４を有している。

図１４の状況においては、歩行者６０３に対し、ステップＳ７０４の予測精度（低）モデルを用いた行動予測を行い、歩行者６０４および駐車車両１４１１に対し、ステップＳ１５０７の予測精度（相互作用）モデルを用いて行動予測する。

ステップＳ７０５では、車両走行制御装置１の制御部（ＣＰＵ）は、ステップＳ１５０７およびステップＳ７０４で演算した予測結果を集約する。

以上により、自車両６０１への影響が小さく且つ相互作用がない場合には、低精度の予測モデルを使うことによって演算負荷を低減し、自車両６０１への影響が大きく且つ相互作用がある場合は、相互作用を考慮することができる予測モデルを使う。従って、より高精度の予測演算が可能となる。図１４の状況においては、相互作用を用いて演算した結果、歩行者６０４は駐車車両１４１１を避けるような軌道１４１４が予測できるようになる。これにより、相互作用を考えないで予測した場合には自車両６０１への影響が中となっていた歩行者６０４は、自車両６０１の走行計画軌道６０５と交差するように予測されることによって、自車両６０１は、走行計画軌道６０５を変更し、歩行者６０４との衝突を回避するような新たな走行計画軌道１４１１（図中、破線で示す）を演算することが可能となる。

本実施例によれば、自車両７０１以外の歩行者６０４と駐車車両１４１１との相互作用を予測するので、歩行者６０４と駐車車両１４１１とが相互に干渉する場合であっても、歩行者６０４と駐車車両１４１１との予測精度を高めることができる。

複数の歩行者６０３，６０４の各々の将来位置を、逐次繰り返して予測しても良い。これにより、歩行者６０３，６０４の将来位置を高い精度で予測することができる。

図１６は、実施例３の制御フローを示す。

実施例３の移動物体行動予測部２０２による制御は、実施例１の移動物体行動予測部２０２による制御のステップ８０４が、車両走行制御装置１の制御部（ＣＰＵ）によって予測精度（中）モデルを用いて行動を予測するステップＳ１６０４に置き換えられている。即ち、この実施例の移動物体行動予測部２０２は、「第三の予測部」としての個別予測部３０４を有している。この個別予測部３０４は、簡易予測および本予測の中間の精度で歩行者６０３，６０４の将来位置を予測する。

この実施例によれば、簡易予測部４０１および個別予測部３０４の中間の精度で歩行者６０４の将来位置を予測する個別予測部３０４を備え、物体割振り部３０２は、簡易予測の結果に応じて将来位置を予測する歩行者６０３，６０４を第一の予測部および前記第三の予測部に割振る

図１７は、実施例４に係る移動物体行動予測部２０２のブロック図である。

この実施例の移動物体行動予測部２０２の各個別予測部３０３，３０４は、モデル精度切替部１７０４を有している。モデル精度切替部１７０４は、「相互作用モデル」を選択する。この相互作用モデルには、複数の個別物体情報を入力することが可能である。

ここで、複数の個別予測部３０３，３０４が、事前に予測モデル毎にメモリに用意されている必要があるため、用意した予測モデル以上の物体を、その予測精度で演算できない場合がある。例えば、高精度予測モデルを有するＮ個の個別予測部３０４をメモリに用意した場合に、Ｎ＋１個以上の物体情報を高精度に予測しようとしても不可能となる。そのため、図１６に示すように、精度情報に基づいて、個別予測部３０３，３０４において予測に用いる予測モデルを切り替えるモデル精度切替部１７０４を有している。この構成では、不必要にメモリ領域を確保する必要がなくなるため、メモリを有効に利用することが可能となる。ここでは、「低」と記載されているモデル精度切替部１７０４は、低精度の予測モデルを使用することを示す。

尚、個別予測部３０３，３０４の個数を、演算周期毎もしくはある周囲環境毎に変更できる構成としても良い。例えば、歩行者や自転車が存在する一般道を走行する場合は、自動車専用道路を走行する場合と比較して、予測する物体の個数を多くする必要がある。そのため、自車両が一般道を走行する場合は、個別予測部３０３，３０４の個数を、自動車専用道を走行する場合と比較して多く用意してもよい。これにより、事前に個別予測部３０３，３０４に対して、メモリ領域を不必要に多く確保する必要がなくなるため、不要なメモリ領域を削減することが可能となる。

１０１…自車両
２０２…移動物体行動予測部
３０２…物体割振り部
３０３，３０４…個別予測部
４０１…簡易予測部
６０１…自車両
６０３，６０４…歩行者
１００４…相互作用判定部
１４１１…駐車車両

Claims (11)

1. 自車両の周囲の移動物体の将来位置を予測する移動物体予測装置であって、
   前記移動物体の将来位置を簡易予測する第一の予測部と、
   前記第一の予測部よりも高精度に前記移動物体の将来位置を本予測する第二の予測部と、
   前記簡易予測の結果に応じて前記第二の予測部によって前記将来位置を本予測する移動物体を割振る割振り部と
   を備える移動物体予測装置。
2. 前記割振り部は、前記自車両と干渉する可能性が高い移動物体を前記第二の予測部に割振る、
   請求項１に記載の移動物体予測装置。
3. 前記本予測は、前記簡易予測よりも演算周期が短い、
   請求項１又は２に記載の移動物体予測装置。
4. 前記簡易予測と、前記本予測とは、予測モデルが異なる、
   請求項１乃至３の何れか一項に記載の移動物体予測装置。
5. 前記第一の予測部は、線形予測法によって前記移動物体の将来位置を予測する、
   請求項１乃至４の何れか一項に記載の移動物体予測装置。
6. 前記第二の予測部は、ポテンシャルマップを用いるポテンシャル法によって前記移動物体の将来位置を予測する、
   請求項１乃至５の何れか一項に記載の移動物体予測装置。
7. 前記第一の予測部と、前記第二の予測部とは、複数の前記移動物体の各々の将来位置を個別に予測する、
   請求項１乃至６の何れか一項に記載の移動物体予測装置。
8. 前記簡易予測の結果に応じて前記本予測をしないと判断された移動物体には、前記簡易予測の結果を流用する、
   請求項１乃至７の何れか一項に記載の移動物体予測装置。
9. 複数の前記移動物体同士の相互作用を予測する相互作用判定部を備える、
   請求項１乃至８の何れか一項に記載の移動物体予測装置。
10. 複数の前記移動物体の各々の将来位置を、逐次繰り返して予測する、
    請求項９に記載の移動物体予測装置。
11. 前記第一の予測部および前記第二の予測部の中間の精度で前記移動物体の将来位置を予測する第三の予測部を備え、
    前記割振り部は、前記簡易予測の結果に応じて前記将来位置を予測する移動物体を前記第一の予測部および前記第三の予測部に割振る、
    請求項１乃至７の何れか一項に記載の移動物体予測装置。
    
    

Images