JP2019077391A - ヘッドライト制御システム - Google Patents

Abstract

【課題】走行シーンに応じて適切にヘッドライトの照射状態を制御する。【解決手段】ヘッドライト制御システム（１０）は、複数の発光部を含むヘッドライト（２０）及び前方の状況を撮像する撮像手段（３０）を備える移動体のヘッドライト制御システムである。ヘッドライト制御システムは、複数の発光部の各々の発光の有無又は発光度合いの少なくとも一方を変化させて、ヘッドライトの照射状態を複数の状態に変化させる照射状態制御手段（１１０）と、複数の状態ごとに前方の状況を撮像するように撮像手段を制御して撮像画像を取得する撮像制御手段（１２０）と、複数の状態ごとに撮像された撮像画像に基づいて、前方の状況に適した照射状態を学習する学習手段（１３０）とを備える。【選択図】図１

Description

本発明は、移動体のヘッドライトを制御するヘッドライト制御システムの技術分野に関する。

この種の装置として、車両等の移動体に搭載されたヘッドライトの照射パターン（例えば、照射範囲や照射光量等）を制御することで、より適切な運転環境を実現しようとするものが知られている。例えば特許文献１では、ＬＥＤヘッドライトの照射範囲を制御することで、ヘッドライトを照射した際の路面の明暗差によって生ずるグレア現象を抑制し、周辺視の空間認知特性を向上させるという技術が開示されている。

特開２０１６−１０７８６１号公報

ヘッドライトの最適な照射パターンは、例えば天候や時間帯、他車両の状態等の様々な条件（即ち、走行シーン）によって変化すると考えられる。このため、ヘッドライトの照射パターンは、走行シーン毎に適切なものが設定されることが好ましい。具体的には、ヘッドライトが実現可能な複数の照射パターンの中から、現在の走行シーンに適した照射パターンが適宜選択されるように設定されることが望まれる。

しかしながら、走行シーンに適した照射パターンを予め設定するのは、決して容易なことではない。加えて、ヘッドライトが実現可能な照射パターンが増加する（即ち、照射パターンの選択肢が増える）ことで、最適な照射パターンを設定することが更に難しくなっていく。例えば、ヘッドライトの照射パターンが数千万パターン以上ある場合には、その中から最適な照射パターンを見つけるためには、かなりの手間と労力が要求されてしまう。

本発明は、上記問題点に鑑みてなされたものであり、走行シーンに応じて適切にヘッドライトの照射状態を制御することが可能なヘッドライト制御システムを提供することを課題とする。

本発明の一態様にかかるヘッドライト制御システムは、複数の発光部を含むヘッドライト及び前方の状況を撮像する撮像手段を備える移動体のヘッドライト制御システムであって、前記複数の発光部の各々の発光の有無又は発光度合いの少なくとも一方を変化させて、前記ヘッドライトの照射状態を複数の状態に変化させる照射状態制御手段と、前記複数の状態ごとに前記前方の状況を撮像するように前記撮像手段を制御して撮像画像を取得する撮像制御手段と、前記複数の状態ごとに撮像された撮像画像に基づいて、前記前方の状況に適した照射状態を学習する学習手段とを備える。

本実施形態に係るヘッドライト制御システムの構成を示すブロック図である。 ヘッドライトの照射パターンを示す概念図である。 本実施形態に係るヘッドライト制御システムによる学習時の動作の流れを示すフローチャートである。 学習動作時に取得される画像データの一例を示す平面図である。 学習動作時に使用する照射パターン数の変化を示す概念図である。 本実施形態に係るヘッドライト制御システムによる照射パターン自動制御時の動作の流れを示すフローチャートである。

以下、図面を参照してヘッドライト制御システムの実施形態について説明する。なお、本実施形態では、車両に搭載されたヘッドライトを制御するシステムを例に挙げて説明する。

＜装置構成＞
まず、本実施形態に係るヘッドライト制御システムの構成について、図１を参照して説明する。図１は、本実施形態に係るヘッドライト制御システムの構成を示すブロック図である。

図１に示すように、本実施形態に係るヘッドライト制御システム１０は、例えば車両に搭載されるＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）の一部として構成されており、その内部に物理的又は論理的に実現される処理ブロックとして、照射パターン制御部１１０、撮像制御部１２０、及び学習部１３０を備えている。

照射パターン制御部１１０は、後述する付記における「照射状態制御手段」の一具体例であり、ヘッドライト２０の照射パターンを制御することが可能である。なお、照射パターンは、後述する付記における「照射状態」の一具体例である。ヘッドライト２０の照射パターンについて、図２を参照して具体的に説明する。図２は、ヘッドライトの照射パターンを示す概念図である。

図２に示すように、本実施形態に係るヘッドライト２０は、縦４個×横４個のＬＥＤマトリクスで構成されている。なお、ここでのＬＥＤは、後述する付記における「発光部」の一具体例である。照射パターン制御部１１０は、ＬＥＤマトリクスの合計１６箇所の点灯状態を夫々制御することで、様々な照射パターンを実現する。具体的には、ＬＥＤマトリクスの１６箇所の各々を「点灯（即ち、高い明度で点灯した状態）」、「暗（即ち、低い明度で点灯した状態）」、及び「消灯」のいずれかに切替えることで、複数の照射パターンを実現する。なお、このようなヘッドライト２０は、車両の左右に１個ずつ（合計２個）設けられている。よって、全ての照射状態を組み合わせると、膨大な数の照射パターンを実現することができる。

なお、ヘッドライトの２０に含まれるＬＥＤマトリクスの数は、図２で示したものより少なくてもよいし、多くてもよい。また、ＬＥＤの点灯状態は、上記のように３段階（即ち、「点灯」、「暗」及び「消灯」）で切換えられるものに限られず、例えば「点灯」及び「消灯」の２段階で切換え可能とされ得てもよいし、より多段階の調光を実現可能に構成されていてもよい。

図１に戻り、撮像制御部１２０は、後述する付記における「撮像制御手段」の一具体例であり、照射パターン制御部１１０によってヘッドライト２０の照射パターンが切換えられる度に、カメラ３０から車両の前方の状況を示す画像データを取得する。カメラ３０は、後述する付記における「撮像手段」の一具体例であり、車両前方の状況を撮像する車載カメラである。撮像制御部１２０で取得された画像データは、学習部３０に出力される。撮像制御部１２０は、取得した画像データに対して各種処理（例えば、フィルタ処理等）を実行可能であってもよい。

学習部１３０は、後述する付記における「学習手段」の一具体例であり、撮像制御部１２０から入力される複数の画像データを用いて、車両の前方の状況に適したヘッドライト２０の照射パターンを学習する。前方の状況とは、例えば時間帯、天候、明るさ、他車両や歩行者等の障害物の有無など、様々な条件によって定義される。以下では、前方の状況のことを、適宜「走行シーン」と言い換えることがある。学習部１３０が行う学習の具体的な内容については、後に詳述する。

なお、ヘッドライト制御システム１０のうち、照射パターン制御部１１０及び撮像制御部１２０については、車両に搭載されることが好ましいが、学習部１３０については、車両外部のサーバやクラウド等に、その機能を持たせるようにしてもよい。この場合、車両に搭載された照射パターン制御部１１０及び撮像制御部１２０と、車両外部の学習部１３０とは互いに通信可能に構成される。

＜学習動作＞
次に、本実施形態に係るヘッドライト制御システム１０で実行される学習動作（即ち、走行シーンに応じた照射パターンを学習する動作）について、図３を参照して説明する。図３は、本実施形態に係るヘッドライト制御システムによる照射パターン学習時の動作の流れを示すフローチャートである。

図３に示すように、学習動作時には、まず照射パターン制御部１１０が、ヘッドライト２０の照射パターンを切替えるように制御する（ステップＳ１０１）。即ち、それまでの照射パターンとは異なる照射パターンとなるように、ヘッドライト２０に含まれる複数のＬＥＤの点灯状態を制御する。その後、撮像制御部１２０が、切換え後の照射パターンで照らされた車両前方の画像データを取得する（ステップＳ１０２）。なお、ここまでの処理は、様々な走行シーンに応じた画像データを取得するために、車両が走行した状態（即ち、走行シーンが変化するような条件下）で実行されることが好ましい。

照射パターン制御部１１０は、学習動作に使用する照射パターンの数や種類を記憶しており、それら全てに切換えが終了したと判定すると（ステップＳ１０３：ＹＥＳ）、ステップＳ１０４以降の処理に進む。一方で、学習動作に使用する照射パターンの全てに切換えが終了していないと判定すると（ステップＳ１０３：ＮＯ）、ステップＳ１０１から処理を繰り返す。即ち、ヘッドライト２０の照射パターンを切換えて、その際の画像データを取得する処理が繰り返し実行される。これにより、学習動作に使用する複数の照射パターンの各々について、画像データが取得されていく。

ここで、学習動作時に取得される複数の画像データについて、図４を参照して具体的に説明する。図４は、学習動作時に取得される画像データの一例を示す概念図である。

図４に示すように、撮像制御部１２０では、複数の照射パターン対応した画像が順次取得されていく。例えば、図４（ａ）は、全てのＬＥＤが「点灯」である場合の画像データである。図４（ｂ）は、右端の領域に対応するＬＥＤが「消灯」であり、その他の領域に対応するＬＥＤが「点灯」である場合の画像データである。図４（ｃ）は、左半分の領域に対応するＬＥＤが「消灯」であり、その他の領域に対応するＬＥＤが「点灯」である場合の画像データである。図４（ｄ）は、下半分の領域に対応するＬＥＤが「暗」であり、その他の領域に対応するＬＥＤが「点灯」である場合の画像データである。図４（ｅ）は、下端の領域に対応するＬＥＤが「消灯」であり、その一段上の領域に対応するＬＥＤが「暗」であり、その他の領域に対応するＬＥＤが「点灯」である場合の画像データである。

上記のような画像データは、効率的な学習を行うためにも、できるだけ多く取得されることが好ましい。よって、ヘッドライト２０の照射パターンは、カメラのシャッタースピードに応じたスピードで、できるかぎり素早く切換えられることが好ましい。また、ヘッドライト２０の照射パターンを高速で切替えることができれば、車両が走行している場合であっても、ほぼ同一の条件下で（言い換えれば、前方の状況が変化しない状態で）、複数の画像を取得することもできる。この場合、取得した画像データを互いに比較することで、いずれの照射パターンが撮像時の前方の状況に適したものであるかを容易に判断できる。

図３に戻り、画像データを取得した後は、取得した画像データの各々に対してアノテーション（即ち、正解データの付与）を実行する（ステップＳ１０４）。あるいは、ステップＳ１０４のアノテーションは、ステップＳ１０２及びステップ１０３の処理（即ち、照射パターンを切替える処理及び画像データを取得する処理）と並行して実行されてもよい。正解データは、例えば画像の撮像範囲に存在する物体に関する情報（例えば、歩行者、自転車、他車両、その他の障害物の位置情報）を含んでいる。なお、工場出荷前のシミュレーション等であれば学習用の正解データを準備することは容易であるが、例えば出荷後の車両の走行時においては学習用の正解データを準備することは難しい。このように、正解データを準備することが難しい場合には、正解データなしでの学習が実行されてもよい。即ち、ステップＳ１０４の処理は適宜省略されても構わない。

続いて、取得した複数の画像データから、いくつかの学習データセットを作成する（ステップＳ１０５）。なお、ここでは３つの学習データセット（データセットＡ、データセットＢ及びデータセットＣ）を作成する例を挙げているが、より多くの学習データセットが作成されてもよい。学習データセットは、単に撮像画像を所定枚数ごとに振り分けたものであってもよいし、何らかのルールに従って分類されたものでもよい。例えば、学習データセットは、複数の画像データに対して画像認識処理を実行し、夫々の認識結果から推定される走行シーンごとに分類することで作成されてもよい。このようにすれば、走行シーン毎の学習を好適に実行することが可能となる。なお、走行シーンは時間の経過によって変化していくものであると考えられるため、画像データの各々を取得時間（言い換えれば、撮像時刻）によって分類した場合であっても、走行シーンごとの学習データセットを作成することが可能である。

学習データの作成後には、学習部１３０が、各データセットに対して夫々学習処理を実行する。具体的には、データセットＡを用いた学習（ステップＳ１０６）及び評価（ステップＳ１０７）と、データセットＢを用いた学習（ステップＳ１０８）及び評価（ステップＳ１０９）と、データセットＣを用いた学習（ステップＳ１１０）及び評価（ステップＳ１１１）とが夫々並行して実行される。学習部１３０は、ニューラルネットワークを用いて、画像中に存在している物体（例えば、歩行者や他車両等）の認識率を向上させることができる照射パターンを学習していく。具体的には、学習部１３０は、各データセットに含まれる画像データに対して画像認識処理を行って、画像中に存在している物体の認識率を算出する。そして、複数の照射パターンを、走行シーン別に認識率が高い順にランク付けして、より認識率が高い照射パターンを、その走行シーンに適した照射パターンであるとして学習する。なお、ニューラルネットワークを利用した学習方法については、既存の技術を適宜採用することが可能であるため、ここでのより詳細な説明は省略する。

各データセットを用いた学習が終了すると、全ての学習を終了するか否かを判定する（ステップＳ１１２）。学習の終了条件については、事前に適切な条件（例えば、すでに十分な学習が実行されたと判断できるような条件）を設定しておけばよい。なお、後述するように、本実施形態に係る学習動作を進めていくと、学習に利用する照射パターンが徐々に減っていくことになる。このため、学習に利用する照射パターンの数が所定の閾値より少なくなくなった場合に、すべての学習を終了するようにしてもよい。

学習を終了すると判定された場合には（ステップＳ１１２：ＹＥＳ）、一連の学習動作は終了することになる。一方で、学習を終了しないと判定された場合には（ステップＳ１１２：ＮＯ）、これまでの学習結果に基づいて、学習に使用した複数の照射パターンの中から、認識率の高い複数の照射パターン（例えば、認識率が上位１０％の照射パターン）を選択する（ステップＳ１１３）。そして、選択された複数の照射パターンを次回の学習動作に使用する照射パターンに設定した上で、再びステップＳ１０１から処理が実行される。即ち、認識率が高いと判断された照射パターンだけを用いて、再び同様の学習動作が実行される。

ここで、学習動作に使用される照射パターンの数の変化について、図５を参照して具体的に説明する。図５は、学習動作時に使用する照射パターン数の変化を示す概念図である。

図５に示すように、本実施形態に係る学習動作では、学習動作を繰り返す度に使用する照射パターンが減少するため、極めて効率的に学習を行うことができる。例えば１回目の学習では、照射パターンを１億パターン切換えて、１億枚の画像データを取得したとする。このように、極めて大量の学習データを利用する場合、より正確な学習結果を期待できる一方で、学習に要する期間（学習データを取得する期間を含む）は極めて長くなってしまう。よって、学習精度は高いものの効率的な学習を行えているとは言い難い。これに対し本実施形態では、２回目の学習では、１回目の学習結果から、認識率が高いと判断できる１０００万パターンが選択され、それらを用いて学習動作が実行される。このように、認識率が高い照射パターンだけを用いて学習動作を実行すれば、学習の精度を大幅に落とすことなく、学習に要する期間を減らすことが可能である。同様に、３回目の学習では、２回目の学習結果から、認識率が高いと判断できる１００万パターンが選択され、それらを用いて学習動作が実行される。さらに、４回目の学習では、３回目の学習結果から、認識率が高いと判断できる１０万パターンが選択され、それらを用いて学習動作が実行される。以上のように学習動作を繰り返していけば、学習に使用する照射パターンを徐々に減らしつつ、効率的に学習を進めていくことが可能である。

＜自動制御動作＞
次に、上述した学習動作の学習結果を利用したヘッドライト２０の自動制御動作について、図６を参照して説明する。図６は、本実施形態に係るヘッドライト制御システムによる照射パターン自動制御時の動作の流れを示すフローチャートである。

図６に示すように、学習動作が完了したヘッドライト制御システム１０の動作時には、まずヘッドライト２０の自動制御がオンとなっているかを判定する（ステップＳ２０１）。即ち、ヘッドライトの２０の自動制御動作が許可されている状態であるか否かを判定する。なお、自動制御のオンオフについては、例えば車両の搭乗者によるスイッチ操作等によって設定される。なお、自動制御がオフの場合（ステップＳ２０１：ＮＯ）、以降の処理は省略され、一連の処理は終了する。この場合、所定期間後に再びステップＳ２０１の処理が実行されてもよい。

自動制御がオンの場合（ステップＳ２０１：ＹＥＳ）、車両の周辺情報を取得する（ステップＳ２０２）。周辺情報は、走行シーンを推定するために用いる情報であり、例えばカメラ３０や、その他の各種センサ（例えば、車速センサ、加速度センサ、明るさセンサ、レーダー、ライダー等）から取得される。その後、取得した周辺情報に基づいて、現在の走行シーンを推定する（ステップＳ２０３）。なお、走行シーンの推定には、既存の技術を適宜採用することができるため、ここでの詳細な説明は省略する。

続いて、推定した走行シーンに適した照射パターンを決定する（ステップＳ２０４）。即ち、学習の結果に基づいて、現在の車両の走行シーンに最適な照射パターンを決定する。より具体的には、車両のヘッドライト２０で実現可能な照射パターンのうち、現在の走行シーンにおいて物体の認識率が最も高くなるような照射パターンが選択される。その後、決定した照射パターンを実現するように、ヘッドライト２０が制御される。この結果、車両の搭乗者が車両前方の状況を視認し易い状態、又はカメラ３０等の物体認識率が高い状態が実現される。よって、例えば搭乗者が車両前方の障害物を早期に発見し、車両の減速等を行うことができるようになる。あるいは、カメラ３０等の物体認識率が向上することで、より的確な運転支援を実行することができるようになる。

以上で、自動制御動作に関する一連の処理は終了するが、終了後所定期間後に再びステップＳ２０１の処理が実行されてもよい。このように周期的に上記処理を実行すれば、現在の走行シーンに応じた照射パターンが適宜実現されることになる。なお、自動制御動作中においても、適宜学習動作が実行されるようにしてもよい。ただし、学習動作時には照射パターンが比較的早いスピードで切り替わることになるため、車両の走行を妨げない頻度又はタイミングで実施されることが好ましい。

＜技術的効果＞
次に、本実施形態に係るヘッドライト制御システム１０の技術的効果について説明する。

本実施形態に係るヘッドライト制御システム１０によれば、すでに説明したように、走行シーンに応じたヘッドライト２０の照射パターンを好適に学習することが可能である。特に、本実施形態では、ヘッドライト２０の照射パターンを高速で切換えながら撮像される画像データを用いて学習動作が行うこともできるため、通常であれば収集するのに時間を要する大量の学習データを短期間で取得して、より効率的に学習を進めることができる。また、車両が走行しながら学習データを蓄積していくようにすれば、様々な走行シーンに応じた学習データを取得することができる。

複数のＬＥＤを含んで構成されるヘッドライト２０は、各ＬＥＤの点灯状態を夫々制御することで、極めて膨大な数の照射パターンを実現可能であるため、すべての照射パターンの中から走行シーンに応じた最適な照射パターンを見つけるのは容易ではない。しかしながら、本実施形態によれば、学習に使用する学習データを比較的高速に収集することができるため、効率よく学習を実行することができる。また、本実施形態では特に、学習に使用する照射パターンを、認識率が高いものに絞りながら学習動作を繰り返すことで、さらに効率よく学習を進めることができる。従って、ヘッドライト２０が膨大な数の照射パターンを実現可能な場合であっても、好適に最適な照射パターンを学習することができる。

なお、本実施形態では車両に搭載されるヘッドライトを例に挙げて説明したが、車両以外の移動体に搭載されるヘッドライトにも適用可能である。即ち、前方をライトで照らしながら移動するようなものであれば、本実施形態に係るヘッドライト制御システム１０を採用して、同様の技術的効果を得ることができる。また、本実施形態に係るヘッドライト制御システム１０は、移動体の側方又は後方を照らすライトの制御にも応用することが可能である。

＜付記＞
以上説明した実施形態から導き出される発明の各種態様を以下に説明する。

（付記１）
付記１に記載のヘッドライト制御システムは、複数の発光部を含むヘッドライト及び前方の状況を撮像する撮像手段を備える移動体のヘッドライト制御システムであって、前記複数の発光部の各々の発光の有無又は発光度合いの少なくとも一方を変化させて、前記ヘッドライトの照射状態を複数の状態に変化させる照射状態制御手段と、前記複数の状態ごとに前記前方の状況を撮像するように前記撮像手段を制御して撮像画像を取得する撮像制御手段と、前記複数の状態ごとに撮像された撮像画像に基づいて、前記前方の状況に適した照射状態を学習する学習手段とを備える。

付記１に記載のヘッドライト制御システムによれば、その動作時には、ヘッドライトに含まれる複数の発光部の各々の発光の有無又は発光度合いの少なくとも一方（即ち、発光の有無のみ、発光度合いのみ、或いは発光の有無及び発光度合いの両方）を変化させることで、ヘッドライトが複数の照射状態となるように制御される。ヘッドライトの照射状態の制御中は、複数の照射状態ごとに前方の状況が撮像される。即ち、ヘッドライトの照射状態が変化する度に新たな撮像画像が取得されていく。

その後、複数の状態ごとに取得された撮像画像に基づいて、移動体の前方の状況に適したヘッドライトの照射状態が学習される。例えば、移動体の搭乗者が前方の状況を視認し易くなるような照射状態、あるいは撮像手段によって撮像された撮像画像を用いて画像認識を行う場合に、より適切な認識結果を得られるような照射状態が学習される。このような学習を実行すれば、ヘッドライトが複数の照射状態を実現可能な場合に、前方の状況（言い換えれば、走行シーン）に応じて、適切な照射状態を実現することが可能となる。

（付記２）
付記２に記載のヘッドライト制御システムでは、前記照射状態制御手段は、前記移動体の移動中に、前記ヘッドライトの照射状態を複数の状態に変化させ、前記撮像制御手段は、前記移動体の移動中に、前記複数の状態ごとに前記前方の状況を撮像するように前記撮像手段を制御して撮像画像を取得する。

付記２に記載のヘッドライト制御システムによれば、複数の照射状態ごとの撮像（即ち、学習データの収集）が、移動体の移動中に実行されることになる。このため、前方の状況が異なる状態での撮像画像（言い換えれば、様々な走行シーンにおける学習データ）を蓄積していくことができる。よって、前方の状況に適した照射状態を好適に学習することが可能である。

（付記３）
付記３に記載のヘッドライト制御システムでは、前記照射状態制御手段は、前記移動体が移動中であっても前記前方の状況が変化しないとみなせる程度に短い所定期間において、前記ヘッドライトの照射状態を複数の状態に変化させ、前記学習手段は、前記所定期間に撮像された撮像画像を、前記前方の状況が同じである状態で撮像された撮像画像として学習に利用する。

付記３に記載のヘッドライト制御システムによれば、移動体が移動中であったとしても、前方の状況が同じとみなせるような状態で、２つ以上の照射状態に対応する撮像結果を取得することができる。このようにすれば、取得した撮像画像を互いに比較することで、いずれの照射状態が撮像時の前方の状況に適したものであるかを容易に判断できる。よって、前方の状況に適した照射状態を好適に学習することができる。

（付記４）
付記４に記載のヘッドライト制御システムでは、前記学習手段は、前記撮像画像における前記移動体の前方に存在する物体の認識率を算出し、前記認識率が高いほど、より前記前方の状況に適した照射状態であるとして学習する。

付記４に記載のヘッドライト制御システムによれば、撮像画像における物体の認識率を用いることで、前方の状況に適した照射状態を好適に学習することができる。

（付記５）
付記５に記載のヘッドライト制御システムでは、前記照射状態制御手段は、（ｉ）前記学習手段による前回までの学習結果に基づいて、前記前方の状況に適している可能性の高い照射状態を複数選択し、（ｉｉ）次回以降の学習時に、前記ヘッドライトの照射状態を前記選択した照射状態に変化させる。

付記５に記載のヘッドライト制御システムによれば、学習を重ねていくことにより、前方の状況に適している可能性の高い照射状態が徐々に絞られていく。このため、ヘッドライトが実現可能な照射状態の数が極めて多い場合であっても、前方の状況に適した照射状態を効率的に学習することができる。

本発明は、上述した実施形態に限られるものではなく、請求の範囲及び明細書全体から読み取れる発明の要旨或いは思想に反しない範囲で適宜変更可能であり、そのような変更を伴うヘッドライト制御システムもまた本発明の技術的範囲に含まれるものである。

１０ ヘッドライト制御システム
２０ ヘッドライト
３０ カメラ
１１０ 照射パターン制御部
１２０ 撮像制御部
１３０ 学習部

Claims (5)

1. 複数の発光部を含むヘッドライト及び前方の状況を撮像する撮像手段を備える移動体のヘッドライト制御システムであって、
   前記複数の発光部の各々の発光の有無又は発光度合いの少なくとも一方を変化させて、前記ヘッドライトの照射状態を複数の状態に変化させる照射状態制御手段と、
   前記複数の状態ごとに前記前方の状況を撮像するように前記撮像手段を制御して撮像画像を取得する撮像制御手段と、
   前記複数の状態ごとに撮像された撮像画像に基づいて、前記前方の状況に適した照射状態を学習する学習手段と
   を備えることを特徴とするヘッドライト制御システム。
2. 前記照射状態制御手段は、前記移動体の移動中に、前記ヘッドライトの照射状態を複数の状態に変化させ、
   前記撮像制御手段は、前記移動体の移動中に、前記複数の状態ごとに前記前方の状況を撮像するように前記撮像手段を制御して撮像画像を取得する
   ことを特徴とする請求項１に記載のヘッドライト制御システム。
3. 前記照射状態制御手段は、前記移動体が移動中であっても前記前方の状況が変化しないとみなせる程度に短い所定期間において、前記ヘッドライトの照射状態を複数の状態に変化させ、
   前記学習手段は、前記所定期間に撮像された撮像画像を、前記前方の状況が同じである状態で撮像された撮像画像として学習に利用する
   ことを特徴とする請求項２に記載のヘッドライト制御システム。
4. 前記学習手段は、前記撮像画像における前記移動体の前方に存在する物体の認識率を算出し、前記認識率が高いほど、より前記前方の状況に適した照射状態であるとして学習することを特徴とする請求項１から３のいずれか一項に記載のヘッドライト制御システム。
5. 前記照射状態制御手段は、（ｉ）前記学習手段による前回までの学習結果に基づいて、前記前方の状況に適している可能性の高い照射状態を複数選択し、（ｉｉ）次回以降の学習時に、前記ヘッドライトの照射状態を前記選択した照射状態に変化させることを特徴とする請求項１から４のいずれか一項に記載のヘッドライト制御システム。

Images