JP2019220054A - 行動予測装置及び自動運転装置 - Google Patents

Abstract

【課題】交通参加者の行動の予測精度を向上させることができる行動予測装置及び自動運転装置を提供する。【解決手段】行動予測装置１は、交通参加者の推定加速度α及び推定曲率ρを含むモデル（式（１２），（２１），（２２））を用いて、交通参加者の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出し、交通参加者の周辺における干渉対象の交通参加者との干渉度合いを表す速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊを算出し、干渉度合いが減少するように、推定加速度α及び推定曲率ρを決定する。【選択図】図１８Ａ

Description

本発明は、交通参加者の行動を予測する行動予測装置及び自動運転装置に関する。

従来、行動予測装置として、特許文献１に記載されたものが知られている。この行動予測装置は、交通参加者としての歩行者の行動を予測するものであり、車両に搭載されたカメラ装置、ヨーレートセンサ及び速度センサなどを備えている。この行動予測装置では、カルマンフィルタによってモデル化した線形モデル式を用いて、２次元座標系における歩行者の速度ｖｘ，ｖｙ及び位置ｘ，ｙを要素とする状態ベクトルの予測値が、歩行者の行動の予測値として算出される。

特開２００９−８９３６５号公報

上記従来の行動予測装置によれば、カルマンフィルタによってモデル化した線形モデル式を用いている関係上、歩行者の行動に対して干渉する可能性がある干渉対象（例えば、他の歩行者、信号の状態及び周辺環境）が存在している場合、その干渉対象を考慮して歩行者の行動を予測できず、予測精度が低いという問題がある。また、同じ理由により、歩行者が曲がったり、蛇行したりしながら歩行している条件下では、その予測値の算出誤差が増大し、予測精度が大幅に低下してしまう。

本発明は、上記課題を解決するためになされたもので、交通参加者の行動の予測精度を向上させることができる行動予測装置及び自動運転装置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、本発明は、交通参加者（歩行者Ｍ、Ｍ２〜Ｍ６、車両３Ａ，３Ｂ）の行動を予測する行動予測装置１であって、交通参加者の周辺状況を認識する周辺状況認識手段（ＥＣＵ２、情報検出装置４、各種パラメータ算出部９）と、周辺状況認識手段による周辺状況の認識結果（位置（Ｘ、Ｙ）、速度Ｖ、傾斜角度θ）と、交通参加者の行動態様を表す行動態様パラメータ（推定加速度α、推定曲率ρ）を含む、交通参加者の行動をモデル化した行動モデル（式（１２），（２１），（２２））とを用いて、交通参加者の未来の行動の予測値である行動予測値（予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）、予測Ｙ座標値Ｙ（ｋ＋ｎ））を算出する行動予測値算出手段（ＥＣＵ２、行動予測値算出部１０）と、行動予測値を用いて、交通参加者の周辺における干渉対象の交通参加者との干渉度合いを表す干渉度合いパラメータ（速度干渉関数値Ｐｖ＿ｊ、軌道干渉関数値Ｐｔ＿ｊ）を算出する干渉度合いパラメータ算出手段（干渉関数値算出部８）と、干渉度合いパラメータが表す干渉度合いが減少するように、行動態様パラメータを決定する行動態様パラメータ決定手段（ＥＣＵ２、加速度算出部２０、曲率算出部５０）と、を備えることを特徴とする。

この行動予測装置によれば、周辺状況認識手段による周辺状況の認識結果と、交通参加者の行動態様を表す行動態様パラメータを含む、交通参加者の行動をモデル化した行動モデルとを用いて、交通参加者の未来の行動の予測値である行動予測値が算出され、行動予測値を用いて、干渉対象の交通参加者との干渉度合いを表す干渉度合いパラメータが算出される。さらに、干渉度合いパラメータが表す干渉度合いが減少するように、行動態様パラメータが決定されるので、そのような行動態様パラメータを含む行動モデルを用いることにより、行動予測値は、交通参加者が干渉対象から干渉される度合いが減少するように算出されることになる。その結果、行動予測値の算出精度を向上させることができ、交通参加者の行動の予測精度を向上させることができる（なお、本明細書における「干渉対象」は、他の交通参加者、信号の表示、道路区分、交通環境及び障害物などを含む）。

本発明において、交通参加者の行動は、交通参加者の実空間位置の時系列を表す位置軌道であり、行動モデルは、交通参加者の位置軌道をモデル化した位置軌道モデルであり、行動予測値は、位置軌道の予測値であり、交通参加者の位置軌道を取得する位置軌道取得手段（ＥＣＵ２、各種パラメータ算出部９）と、位置軌道取得手段によって取得された位置軌道の過去値である過去位置軌道（過去Ｘ’座標値Ｘ’（ｋ−ｉ）、過去Ｙ’座標値Ｙ’（ｋ−ｉ））を記憶する過去位置軌道記憶手段（ＥＣＵ２、軌道モデル評価関数値算出部５１）と、行動態様パラメータと過去軌道記憶手段に記憶された過去位置軌道における少なくとも一成分である座標値（過去Ｘ’座標値Ｘ’（ｋ−ｉ））を用いて、過去位置軌道のモデル値である過去位置軌道モデル値（過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ））を算出する過去位置軌道モデル値算出手段（ＥＣＵ２、軌道モデル評価関数値算出部５１）と、過去位置軌道と過去位置軌道モデル値との間の誤差を表す誤差パラメータ（二乗和誤差ＲＳＳ）を算出する誤差パラメータ算出手段（ＥＣＵ２、軌道モデル評価関数値算出部５１）と、をさらに備え、行動態様パラメータ決定手段は、干渉度合いパラメータが表す干渉度合いに加えて、誤差パラメータが表す誤差がさらに減少するように、行動態様パラメータを決定することが好ましい。

この行動予測装置によれば、交通参加者の位置軌道が取得され、取得された位置軌道の過去値である過去位置軌道が記憶され、行動態様パラメータと過去軌道記憶手段に記憶された過去位置軌道における少なくとも一成分である座標値を用いて、位置軌道のモデル値である過去位置軌道モデル値が算出され、過去位置軌道と過去位置軌道モデル値との間の誤差を表す誤差パラメータが算出される。そして、干渉度合いパラメータが表す干渉度合いに加えて、誤差パラメータが表す誤差がさらに減少するように、行動態様パラメータが決定されるので、行動態様パラメータを、過去位置軌道と過去位置軌道モデル値の関連性が高くなるように決定することができる。その結果、そのような行動態様パラメータを含む位置軌道モデルを用いることにより、位置軌道の予測値の算出精度をさらに向上させることができ、交通参加者の位置軌道の予測精度をさらに向上させることができる。これに加えて、干渉対象の交通参加者との干渉度合いが極めて小さく、これを減少させる必要がない条件下でも、行動態様パラメータを、過去位置軌道と過去位置軌道モデル値の関連性のみが高くなるように決定できる（なお、本明細書における「位置軌道の取得」などの「取得」は、センサなどによりこれらを直接検出することに限らず、この値を何らかのパラメータに基づいて算出することを含む）。

本発明において、位置軌道は、第１座標値及び第２座標値を成分とする２次元座標系の位置軌道であり、過去位置軌道は、第１座標値の過去値である第１座標過去値（過去Ｘ’座標値Ｘ’（ｋ−ｉ））と第２座標値の過去値である第２座標過去値（過去Ｙ’座標値Ｙ’（ｋ−ｉ））を成分とし、過去位置軌道モデル値算出手段は、過去位置軌道モデル値として、行動態様パラメータと過去位置軌道における第１座標過去値を用いて、第２座標過去値のモデル値である第２座標過去モデル値（過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ））を算出し、誤差パラメータ算出手段は、誤差パラメータとして、第２座標過去値と第２座標過去モデル値との誤差を表す値を算出することが好ましい。

この行動予測装置によれば、位置軌道は、第１座標値及び第２座標値を成分とする２次元座標系の位置軌道であり、過去位置軌道は、第１座標値の過去値である第１座標過去値と第２座標値の過去値である第２座標過去値を成分とし、過去位置軌道モデル値として、行動態様パラメータと過去位置軌道における第１座標値を用いて、第２座標過去値のモデル値である第２座標過去モデル値が算出される。そして、誤差パラメータとして、第２座標過去値と第２座標過去モデル値との誤差を表す値が算出されるので、誤差パラメータなどの各種パラメータを演算する際、２次元よりも高次元（例えば３次元）の座標系の位置軌道モデルを用いる場合と比べて、その演算負荷を減少させることができ、演算時間を短縮することができる。

本発明において、干渉度合いパラメータ算出手段は、誤差パラメータ（二乗和誤差ＲＳＳ）に応じて補正値（Ｘ座標側補正係数Ｋｘ，Ｙ座標側補正係数Ｋｙ）を算出し、補正値で干渉度合いパラメータの基準値（Ｘ座標側基準値Ｐｔ＿ｘ＿ｂｓ、Ｙ座標側基準値Ｐｔ＿ｙ＿ｂｓ）を補正した値を用いて、干渉度合いパラメータ（軌道干渉関数値Ｐｔ＿ｊ）を算出することが好ましい。

この行動予測装置によれば、誤差パラメータに応じて補正値が算出され、補正値で干渉度合いパラメータの基準値を補正した値を用いて、干渉度合いパラメータが算出されるので、過去位置軌道と過去位置軌道モデル値との間の誤差が大きく、交通参加者の過去位置軌道が位置軌道モデルに対して離間している度合いが大きい場合には、それを反映させながら、干渉度合いパラメータを算出することができ、その算出精度を向上させることができる。

本発明において、位置軌道モデルは、交通参加者の位置軌道を、交通参加者の現時点の進行方向に延びる直線を接線とする円弧状の位置軌道としてモデル化したものであることが好ましい。

この行動予測装置によれば、位置軌道モデルが、交通参加者の位置軌道を、交通参加者の現時点の進行方向に延びる直線を接線とする円弧状の位置軌道としてモデル化したものであるので、特許文献１の場合と異なり、交通参加者が曲がったり、蛇行したりしながら移動している条件下でも、それに応じて、位置軌道の予測値を精度よく算出することができる。

本発明において、行動態様パラメータ決定手段は、干渉度合いパラメータ（軌道干渉関数値Ｐｔ＿ｊ）及び誤差パラメータ（二乗和誤差ＲＳＳ）を独立変数として含む評価関数（軌道モデル評価関数値Ｊ＿ｔｒｊ）を用い、評価関数が極値を示すときの解として、行動態様パラメータ（推定曲率ρ）を決定することが好ましい。

この行動予測装置によれば、干渉度合いパラメータ及び誤差パラメータを独立変数として含む評価関数を用い、評価関数が極値を示すときの解として、行動態様パラメータが決定されるので、行動態様パラメータを、干渉度合いパラメータが表す干渉度合い及び誤差パラメータが表す誤差を減少させることができる最適解として決定することができる。

本発明において、行動態様パラメータ決定手段は、干渉度合いパラメータを独立変数として含む評価関数を用い、評価関数が極値を示すときの解として、行動態様パラメータを決定することが好ましい。

この行動予測装置によれば、干渉度合いパラメータを独立変数として含む評価関数を用い、評価関数が極値を示すときの解として、行動態様パラメータが決定されるので、行動態様パラメータを、干渉度合いパラメータが表す干渉度合いを減少させることができる最適解として決定することができる。

本発明において、交通参加者の行動は、交通参加者の実空間位置の時系列を表す位置軌道及び交通参加者の速度の少なくとも一方であることが好ましい。

この行動予測装置によれば、交通参加者の実空間位置の時系列を表す位置軌道及び／又は交通参加者の速度の予測値を、交通参加者が干渉対象から干渉される度合いが減少するように算出することができ、これらの予測値を精度よく算出することができる。

本発明の自動運転装置１は、以上のいずれかに記載の行動予測装置１と、行動予測値（予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）、予測Ｙ座標値Ｙ（ｋ＋ｎ））に基づき、車両３の自動運転制御を実行する制御手段（ＥＣＵ２、ＳＴＥＰ３０〜３２）と、を備えることを特徴とする。

この自動運転装置によれば、交通参加者の行動予測値が精度よく算出されるので、そのような行動予測値に基づき、車両の自動運転を精度よく制御することができる。

本発明の一実施形態に係る行動予測装置及び自動運転装置を備えた自動運転車両の構成を示す図である。 自動運転装置の機能的な構成を示すブロック図である。 行動予測値算出部の構成を示すブロック図である。 加速度算出部の構成を示すブロック図である。 速度モデル評価関数値Ｊ＿ｖと信号付加加速度αｗの関係を説明するための図である。 移動平均値Ｐａ＿ｖと信号付加加速度αｗとの関係を説明するための図である。 曲率算出部の構成を示すブロック図である。 交通参加者の速度モデルを説明するための図である。 交通参加者が干渉対象に到達するまでの軌道を示す図である。 交通参加者の軌道モデルを説明するための図である。 交通参加者が干渉対象に到達するまでの軌道をＸ’−Ｙ’座標系で示す図である。 干渉対象が存在しない条件下で、歩行者が等速でほぼ直線歩行している場合の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出例を示す図である。 干渉対象が存在しない条件下で、歩行者が等速でカーブ歩行している場合の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出例を示す図である。 干渉対象が存在しない条件下で、歩行者が減速しながらほぼ直線歩行している場合の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出例を示す図である。 干渉対象が存在しない条件下で、歩行者が増速しながらカーブ歩行している場合の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出例を示す図である。 歩行者が歩道から車道の横断歩道に向かって歩行している状態で信号機が青信号である交通条件下での予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）の算出例を示す図である。 図１６Ａの交通条件下での予測速度Ｖ（ｋ＋ｎ）の算出例を示す図である。 図１６Ａの交通条件下での速度干渉関数値Ｐｖ＿１の算出用マップの一例を示す図である。 歩行者が歩道から車道の横断歩道に向かって歩行している状態で信号機が赤信号である交通条件下での予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）の算出例を示す図である。 図１７Ａの交通条件下での予測速度Ｖ（ｋ＋ｎ）の算出例を示す図である。 図１７Ａの交通条件下での速度干渉関数値Ｐｖ＿１の算出用マップの一例を示す図である。 歩行者が等速でカーブ歩行している状態で、その進行方向に干渉対象として駐車車両が存在している交通条件下での予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）の算出例を示す図である。 図１８Ａの交通条件下での予測速度Ｖ（ｋ＋ｎ）の算出例を示す図である。 図１８Ａの交通条件下での軌道干渉関数値Ｐｔ＿２のＸ座標マップ値Ｐｔ＿２ｘ及びＹ座標マップ値Ｐｔ＿２ｙの算出に用いるマップの一例を示す図である。 歩行者が等速でカーブ歩行している状態で、その進行方向に干渉対象として車道が存在している交通条件下での予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）の算出例を示す図である。 図１９Ａの交通条件下での予測速度Ｖ（ｋ＋ｎ）の算出例を示す図である。 図１９Ａの交通条件下での軌道干渉関数値Ｐｔ＿３の算出に用いるマップの一例を示す図である。 ３人の歩行者が互いに交差する交通条件下での予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）の算出例を示す図である。 図２０Ａの交通条件下での予測速度Ｖ（ｋ＋ｎ）の算出例を示す図である。 Ｘ座標側基準値Ｐｔ＿ｘ＿ｂｓの算出に用いるマップの一例を示す図である。 Ｘ座標側基準値Ｐｔ＿ｘ＿ｂｓのマップを実際の算出に用いるときを説明するための図である。 Ｙ座標側基準値Ｐｔ＿ｙ＿ｂｓの算出に用いるマップの一例を示す図である。 Ｙ座標側基準値Ｐｔ＿ｙ＿ｂｓのマップを実際の算出に用いるときを説明するための図である。 Ｘ座標側補正係数Ｋｘの算出に用いるマップの一例を示す図である。 Ｘ座標側基準値Ｐｔ＿ｘ＿ｂｓのマップ値をＸ座標側補正係数Ｋｘで補正した状態を示す図である。 Ｙ座標側補正係数Ｋｙの算出に用いるマップの一例を示す図である。 Ｙ座標側基準値Ｐｔ＿ｙ＿ｂｓのマップ値をＹ座標側補正係数Ｋｙで補正した状態を示す図である。 干渉関数値算出部と行動予測値算出部との間でのデータの入出力状態を示す図である。 行動予測値算出部による予測位置の算出シミュレーション結果などを示す図である。 干渉関数値算出処理を示すフローチャートである。 自動運転準備処理を示すフローチャートである。 行動予測値算出処理を示すフローチャートである。 走行軌道決定処理を説明するための図である。 自動運転制御処理を示すフローチャートである。

以下、図面を参照しながら、本発明の一実施形態に係る行動予測装置及び自動運転装置について説明する。なお、本実施形態の自動運転装置は行動予測装置も兼用しているので、以下の説明では、自動運転装置について説明するとともに、その中で、行動予測装置の機能及び構成についても説明する。

図１に示すように、この自動運転装置１は、四輪車両３（以下「自車両３」という）に適用されたものであり、自車両３の自動運転制御を実行するために、後述するアルゴリズムによって、交通参加者の行動を予測する。

この自動運転装置１は、ＥＣＵ２を備えており、このＥＣＵ２には、情報検出装置４、原動機５及びアクチュエータ６が電気的に接続されている。この情報検出装置４（周辺状況認識手段）は、カメラ、ミリ波レーダ、ＬＩＤＡＲ、レーザーレーダ、ソナー、ＧＰＳ、各種のセンサ、及び、ＩＴＳやＶＴＳと呼ばれるインフラからの情報受信装置などで構成されており、自車両３の位置及び自車両３の進行方向の周辺情報を検出してＥＣＵ２に出力する。この場合、周辺情報としては、信号、車道と歩道の境界及び交通参加者（歩行者、他の車両、障害物）の情報などが含まれている。

ＥＣＵ２は、後述するように、この情報検出装置４からの周辺情報に基づいて、交通参加者の行動を予測するとともに、交通参加者の行動の予測結果、自車両３の位置及び自車両３の周辺の交通環境などに基づいて、自車両３の未来の走行軌道や走行速度などを決定する。

原動機５は、例えば、電気モータなどで構成されており、自車両３の未来の走行軌道や走行速度などが決定されたときに、自車両３がこの走行軌道及び走行速度で走行するように、ＥＣＵ２によって原動機５の出力が制御される。

また、アクチュエータ６は、制動用アクチュエータ及び操舵用アクチュエータなどで構成されており、自車両３の未来の走行軌道や走行速度などが決定されたときに、自車両３がこの走行軌道及び走行速度で走行するように、ＥＣＵ２によってアクチュエータ６の動作が制御される。

一方、ＥＣＵ２は、ＣＰＵ、ＲＡＭ、ＲＯＭ、Ｉ／Ｏインターフェース及び各種の電気回路（いずれも図示せず）などからなるマイクロコンピュータで構成されている。ＥＣＵ２は、上述した情報検出装置４からの周辺情報などに基づいて、後述するように、行動予測値算出処理などを実行する。また、以下の説明においてＥＣＵ２で算出された各種のデータは、ＥＣＵ２のＲＡＭ内に記憶されるものとする。

なお、本実施形態では、ＥＣＵ２が、周辺状況認識手段、行動予測値算出手段、行動態様パラメータ決定手段、位置軌道取得手段、過去位置軌道記憶手段、過去位置軌道モデル値算出手段、誤差パラメータ算出手段及び制御手段に相当する。

次に、図２を参照しながら、本実施形態の自動運転装置１の機能的な構成について説明する。この自動運転装置１は、自車両３の自動運転制御を実行するために、以下に述べるアルゴリズムによって、交通参加者の行動を予測するものであり、以下の説明では、交通まず、参加者を歩行者とし、その行動を速度及び位置軌道として予測する場合を例にとって説明する。

また、以下の説明では、交通参加者の行動に対して干渉する対象を「干渉対象」という。この場合、他の交通参加者や、交通環境（道路環境や信号の状態など）が干渉対象に相当する。

図２に示すように、自動運転装置１は、干渉関数値算出部８、各種パラメータ算出部９及び行動予測値算出部１０を備えている。干渉関数値算出部８は、ＥＣＵ２とは別個の演算記憶装置として設けられており、各種パラメータ算出部９及び行動予測値算出部１０は、具体的にはＥＣＵ２によって構成されている。これらの要素８〜１０での演算処理は、所定の制御周期ΔＴ（例えば５ｍｓｅｃ）で実行される。

なお、以下の説明において、各離散データにおける記号（ｋ）は、制御時刻を表しており、記号（ｋ）は今回の制御タイミングで算出又はサンプリングされた今回値であることを表し、記号（ｋ−１）は前回の制御タイミングで算出又はサンプリングされた前回値であることを表す。以下の離散データにおいて、これらの記号（ｋ）は、適宜、省略する。また、以下の説明では、便宜上、交通参加者の前後方向をＸ座標軸、左右方向をＹ座標軸としてそれぞれ規定し、交通参加者の現在位置を位置（Ｘ（ｋ），Ｙ（ｋ））とする。

次に、上述した干渉関数値算出部８（干渉度合いパラメータ算出手段）について説明する。この干渉関数値算出部８は、制御周期ΔＴで、前述した周辺情報、各種パラメータ算出部９による各種パラメータの算出結果、及び行動予測値算出部１０による行動予測値の算出結果に基づいて、後述する速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊを算出するとともに、それらの干渉関数値Ｐｖ＿ｊ，Ｐｔ＿ｊを行動予測値算出部１０に出力する。この干渉関数値算出部８における干渉関数値Ｐｖ＿ｊ，Ｐｔ＿ｊの算出手法については後述する。

また、各種パラメータ算出部９は、制御周期ΔＴで、情報検出装置４からの周辺情報に基づき、所定の算出アルゴリズム（例えば、深層ニューラルネットワークを用いた強化学習法など）を用いて、交通参加者の速度Ｖ、交通参加者の位置（Ｘ，Ｙ）及び進行方向の傾斜角度θなどの各種パラメータを算出する。なお、本実施形態では、各種パラメータ算出部９が周辺状況認識手段及び位置軌道取得手段に相当し、交通参加者の速度Ｖ、交通参加者の位置（Ｘ，Ｙ）及び進行方向の傾斜角度θが周辺状況の認識結果に相当する。

次に、行動予測値算出部１０（行動予測値算出手段）について説明する。この行動予測値算出部１０は、上述した各種パラメータ及び周辺情報に基づき、後述する交通参加者の行動モデル（速度モデル、位置軌道モデル）を用いて、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）などを行動予測値として算出するものである。この予測速度Ｖ（ｋ＋ｎ）は、今回の制御タイミングからｎ（ｎは整数）回の制御周期分だけ未来の時刻における交通参加者の速度の予測値であり、今回の制御タイミングで算出される。

これと同様に、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、今回の制御タイミングからｎ（ｎは整数）回の制御周期分、未来における交通参加者のＸ座標値及びＹ座標値の予測値であり、今回の制御タイミングで算出される。

これらの予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、交通参加者の位置の予測値に相当するので、以下、これらを適宜、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））という。なお、本実施形態では、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）が行動予測値に相当する。

図３に示すように、行動予測値算出部１０は、加速度算出部２０、第１予測値算出部４０、曲率算出部５０及び第２予測値算出部７０を備えている。この加速度算出部２０では、後述するように、周辺情報及び各種パラメータなどを用いて、交通参加者の推定加速度αが算出される。

また、第１予測値算出部４０では、後述するように、交通参加者の推定加速度αなどを用いて、予測速度Ｖ（ｋ＋ｎ）及び予測道なり距離Ｚ（ｋ＋ｎ）が算出される。さらに、曲率算出部５０では、後述するように、予測道なり距離Ｚ（ｋ＋ｎ）などを用いて、推定曲率ρが算出される。

そして、第２予測値算出部７０では、後述するように、推定曲率ρなどを用いて、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）が算出される。これらの予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、交通参加者の未来の位置の予測値に相当するので、以下の説明では、これらをまとめて、適宜、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））という。

次に、上述した加速度算出部２０（行動態様パラメータ決定手段）について説明する。この加速度算出部２０は、交通参加者の推定加速度α（行動態様パラメータ）を算出するものであり、図４に示すように、速度モデル評価関数値算出部２１及び極値探索コントローラ３０を備えている。

この速度モデル評価関数値算出部２１では、交通参加者の速度Ｖ及び道なり距離Ｚを以下に述べるようにモデル化することにより、速度モデル評価関数値Ｊ＿ｖが算出される。まず、図８に示すように、交通参加者が円弧状の軌道で移動すると仮定した場合、その速度Ｖのモデル（すなわち速度モデル）及び道なり距離Ｚのモデルは、下式（１），（２）に示すようにそれぞれ定義される。

上式（１）を参照すると明らかなように、この速度モデルでは、推定加速度αがモデルパラメータに相当する。この式（１）において、左辺の速度Ｖを推定速度Ｖ＿ｈａｔに、推定加速度αを信号付加加速度αｗにそれぞれ置き換えると、下式（３）が得られる。この信号付加加速度αｗは、後述するように、極値探索コントローラ３０において算出される。

この式（３）の推定速度Ｖ＿ｈａｔを用いて、下式（４）により、速度モデル評価関数値Ｊ＿ｖが算出される。

この式（４）の右辺第１項は、推定速度Ｖ＿ｈａｔと速度Ｖとの二乗誤差であり、この速度Ｖは、今回の制御タイミングにおいて各種パラメータ算出部９で算出された値を用いる。

また、式（４）の右辺第２項のＰｖ＿ｊ（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、速度干渉関数値であり、この速度干渉関数値Ｐｖ＿ｊは、図９に示すように、交通参加者が円弧状の軌道に沿って移動し、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ）に到達したときに、その位置において干渉対象との間で生じる干渉度合い（影響度合い）、より具体的には交通参加者の速度Ｖに対する干渉度合いを表すものである。この速度干渉関数値Ｐｖ＿ｊは、後述するように、干渉関数値算出部８において、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び／又は予測Ｙ座標値Ｙ（ｋ＋ｎ）を独立変数として算出される。なお、本実施形態では、速度干渉関数値Ｐｖ＿ｊが干渉度合いパラメータに相当する。

また、式（４）の右辺第２項において、Ｎは干渉対象の数に相当する整数であり、Ｗｖ＿ｊは重み係数である。この重み係数Ｗｖ＿ｊは、速度干渉関数値Ｐｖ＿ｊを重み付けするためのものであり、干渉対象の種類に応じて、値０〜１の間の値に設定される。

次に、前述した極値探索コントローラ３０について説明する。この極値探索コントローラ３０は、速度モデル評価関数値Ｊ＿ｖを用いて、推定加速度α及び信号付加加速度αｗを算出するものであり、図４に示すように、ウォッシュアウトフィルタ３１、参照信号発生器３２、乗算器３３、移動平均フィルタ３４、探索コントローラ３５及び信号付加加速度算出部３６を備えている。

このウォッシュアウトフィルタ３１では、下式（５）により、フィルタ値Ｈ＿ｖが算出される。

上式（５）に示すように、フィルタ値Ｈ＿ｖは、速度モデル評価関数値の今回値Ｊ＿ｖ（ｋ）と前回値Ｊ＿ｖ（ｋ−１）の差分として算出される。また、ウォッシュアウトフィルタ３１は、速度モデル評価関数値Ｊ＿ｖに含まれている、後述する参照信号値ｗ＿ｖに起因する周波数成分を通過させるためのものである。この場合、上式（５）に代えて、後述する参照信号値ｗ＿ｖの周波数成分を通過させるフィルタアルゴリズム（バタワースハイパスフィルタアルゴリズム又はバンドパスフィルタアルゴリズム）を用いて、フィルタ値Ｈを算出するように構成してもよい。

また、参照信号発生器３２では、下式（６）により、参照信号値ｗ＿ｖが算出される。

上式（６）のＡ＿ｖは、所定ゲインであり、Ｆｓｉｎは、所定周期ΔＴｗ＿ｖの正弦関数値である。なお、参照信号値の波形としては、例えば、正弦波、余弦波、三角波、台形波及び矩形波などを用いてもよい。

さらに、乗算器３３では、下式（７）により、中間値Ｐｃ＿ｖが算出される。

また、移動平均フィルタ３４では、下式（８）により、移動平均値Ｐａ＿ｖが算出される。

この式（８）において、移動平均値Ｐａ＿ｖのサンプリング個数１＋ｍ＿ｖは、移動平均値Ｐａ＿ｖから参照信号値ｗ＿ｖの周波数成分を除去するために、サンプリング個数１＋ｍ＿ｖと制御周期ΔＴの積ΔＴ・１＋ｍ＿ｖが正弦関数値Ｆｓｉｎの所定周期ΔＴｗ＿ｖの整数倍になるように設定されている。

次いで、探索コントローラ３５では、下式（９），（１０）に示すスライディングモード制御アルゴリズムにより、推定加速度αが算出される。

上式（９）のＳ＿ｖは、所定の応答指定パラメータであり、σ＿ｖは切換関数である。さらに、上式（１０）のＫ＿ｖは、所定ゲインである。以上の式（９），（１０）を参照すると明らかなように、推定加速度αは、適応則入力のみのスライディングモード制御アルゴリズムによって、移動平均値Ｐａ＿ｖを値０に収束させる機能を有するように算出される。

そして、信号付加加速度算出部３６では、下式（１１）により、信号付加加速度α＿ｗが算出される。

次に、以上の算出アルゴリズムを用いて、信号付加加速度α＿ｗ及び推定加速度αを算出した理由及びその原理について説明する。まず、速度モデル評価関数値Ｊ＿ｖは、前述した式（４）に示すように、推定速度Ｖ＿ｈａｔと速度Ｖの二乗誤差を右辺第１項とし、重み係数Ｗｖ＿ｊと速度干渉関数値Ｐｖ＿ｊの乗算値の総和を右辺第２項として、これら右辺第１項と右辺第２項の和として算出されるので、速度モデル評価関数値Ｊ＿ｖが極値（極小値又は極大値）になるように推定加速度αを算出した場合、その推定加速度αは、右辺第１項及び右辺第２項が最小になるように算出されることになる。

すなわち、推定速度Ｖ＿ｈａｔと速度Ｖの間の誤差（偏差）が最小になるとともに、交通参加者と干渉対象との干渉度合いも最小になるように、推定加速度αが算出されることになる。この理由により、本実施形態では、速度モデル評価関数値Ｊ＿ｖが極値となるように推定加速度αを算出するために、以下の原理が用いられる。まず、速度モデル評価関数値Ｊ＿ｖは、信号付加加速度αｗを用いて算出される関係上、信号付加加速度αｗに含まれる参照信号値ｗ＿ｖの特性（周期関数）に起因して、所定振幅の振動的な挙動を示すことになる。

ここで、信号付加加速度αｗと速度モデル評価関数値Ｊ＿ｖの関係が例えば図５に示す曲線として表されると仮定した場合、参照信号値ｗ＿ｖに起因する速度モデル評価関数値Ｊ＿ｖの振動的な挙動は、図中の矢印Ｙ１，Ｙ２に示すように、ある傾きを持った状態となる。なお、図５のαｗ１は、信号付加加速度の所定値である。一方、前述した移動平均値Ｐａ＿ｖは、速度モデル評価関数値Ｊ＿ｖのフィルタ値Ｈ＿ｖと参照信号値ｗ＿ｖの積の移動平均値であるので、速度モデル評価関数値Ｊ＿ｖと参照信号値ｗ＿ｖの相関関数に相当する値となる。

そのため、相関関数に相当する移動平均値Ｐａ＿ｖが正値であれば、速度モデル評価関数値Ｊ＿ｖの傾きが正値を示し、移動平均値Ｐａ＿ｖが負値であれば、速度モデル評価関数値Ｊ＿ｖの傾きは負値を示すことになる。これに加えて、移動平均値Ｐａ＿ｖは、前述した式（８）で算出されることにより、参照信号値ｗ＿ｖの周波数成分が除去された状態で算出される。以上の理由により、移動平均値Ｐａ＿ｖと信号付加加速度αｗの関係は、例えば、図６に示すような単調増加の関数として表すことができる。すなわち、移動平均値Ｐａ＿ｖは、信号付加加速度αｗを変更したときに、速度モデル評価関数値Ｊ＿ｖが変化する方向を表すことになる。

したがって、速度モデル評価関数値Ｊ＿ｖが極値（図５では極小値）になるように、信号付加加速度αｗを算出するには、図６に示す関数の傾きが値０になるように、移動平均値Ｐａ＿ｖを算出すればよいことになる。すなわち、移動平均値Ｐａ＿ｖが値０に収束するように、スライディングモード制御アルゴリズムなどのフィードバック制御アルゴリズムを用いて、信号付加加速度αｗ言い換えれば推定加速度αを算出すればよいことになる。

以上の原理により、本実施形態の信号付加極値探索コントローラ３０では、式（９），（１０）のスライディングモード制御アルゴリズムを用いて、速度モデル評価関数値Ｊ＿ｖが極値になるような解として、推定加速度αが算出される。

次に、前述した第１予測値算出部４０では、下式（１２），（１３）に示すモデル式により、予測速度Ｖ（ｋ＋ｎ）及び予測道なり距離Ｚ（ｋ＋ｎ）がそれぞれ算出される。

なお、上式（１２）は、前述した速度Ｖのモデル式（１）から導出され、上式（１３）は、前述した道なり距離Ｚのモデル式（２）から導出される。

次に、前述した曲率算出部５０（行動態様パラメータ決定手段）について説明する。この曲率算出部５０は、交通参加者の位置軌道の推定曲率ρ（行動態様パラメータ）を算出するものであり、図７に示すように、軌道モデル評価関数値算出部５１及び極値探索コントローラ６０を備えている。なお、本実施形態では、軌道モデル評価関数値算出部５１が、過去位置軌道記憶手段、過去位置軌道モデル値算出手段及び誤差パラメータ算出手段に相当する。

この軌道モデル評価関数値算出部５１では、交通参加者の位置軌道を以下に述べるように位置軌道モデルとしてモデリングすることにより、軌道モデル評価関数値Ｊ＿ｔｒｊが算出される。まず、図１０に示すように、交通参加者の現時点の進行方向に延びる直線を接線とする円弧を規定し、この円弧上の軌道を、交通参加者が現時点の道なり距離Ｚ（ｋ）の位置から予測道なり距離Ｚ（ｋ＋ｎ）の位置まで移動すると仮定した場合、その移動角φ（ｋ）は、下式（１４）のように定義される。

この式（１４）のｒは、曲率半径であり、推定曲率ρの逆数１／ρとして算出される。この式（１４）において曲率半径ｒとして前回値ｒ（ｋ−１）を用いる理由は、軌道モデル評価関数値Ｊ＿ｔｒｊの算出後に推定曲率ρの今回値が算出されるためである。

また、Ｘ’−Ｙ’座標系を、交通参加者の現時点の進行方向をＸ’座標とし、その直交座標をＹ’座標とする座標系として定義した場合、そのＸ’−Ｙ’座標系では、予測Ｘ’座標値Ｘ’（ｋ＋ｎ）及び予測Ｙ’座標値Ｙ’（ｋ＋ｎ）のモデル式は、下式（１５），（１６）のように定義される。

ここで、交通参加者の現在位置を原点として、上記Ｘ’−Ｙ’座標系を図１０の反時計回りに交通参加者の進行方向の傾斜角θ（ｋ）分、回転させた回転座標系をＸ”−Ｙ”座標系とした場合、予測Ｘ”座標値Ｘ”（ｋ＋ｎ）及び予測Ｙ”座標値Ｙ”（ｋ＋ｎ）は、予測Ｘ’座標値Ｘ’（ｋ＋ｎ）及び予測Ｙ’座標値Ｙ’（ｋ＋ｎ）を用いて、下式（１７），（１８）のように定義される。なお、交通参加者の進行方向の傾斜角θ（ｋ）は、前述した各種パラメータ算出部９において算出される。

さらに、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、予測Ｘ”座標値Ｘ”（ｋ＋ｎ）及び予測Ｙ”座標値Ｙ”（ｋ＋ｎ）を用いて、下式（１９），（２０）のように定義される。

上式（１９），（２０）と前述した式（１７），（１８）とから、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）のモデル式として、下式（２１），（２２）が得られる。

モデル式（２１），（２２）は、以上の式（１４）〜（２０）を用いて導出されるので、推定曲率ρをモデルパラメータとするモデルとなる。

なお、交通参加者が直進している場合、前述した推定曲率ρが値０として算出される状態になることがあるが、その場合には、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、式（２１），（２２）に代えて、他の算出手法で算出される。例えば、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、交通参加者の速度Ｖ、Ｘ座標値の今回値Ｘ（ｋ）及びＹ座標値の今回値Ｙ（ｋ）に基づいて、算出される。

また、以上のモデル式（１５），（１６），（２１），（２２）に基づき、軌道モデル評価関数値Ｊ＿ｔｒｊの算出式は、下式（２３）のように導出される。

上式（２３）において、右辺第１項のｍはサンプル数を表す整数であり、Ｙｍ’（ｋ−ｉ）は過去のＸ’座標値に対応する軌道モデルＹ’座標の過去値（以下「過去軌道モデルＹ’座標値」という）であり、Ｙ’（ｋ−ｉ）は実際の交通参加者の過去の位置軌道におけるＹ’座標の過去値（以下「過去Ｙ’座標値」という）である。これらの値Ｙｍ’（ｋ−ｉ），Ｙ’（ｋ−ｉ）の具体的な算出手法については後述する。

なお、式（２３）の右辺第１項は、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との二乗和誤差すなわち残差平方和に相当するので、以下、式（２３）の右辺第１項を二乗和誤差ＲＳＳ（誤差パラメータ）という。

また、式（２３）の右辺第２項の軌道干渉関数値Ｐｔ＿ｊ（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、後述するように、干渉関数値算出部８において算出される。この軌道干渉関数値Ｐｔ＿ｊ（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、交通参加者が予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））に到達したときに、その位置において干渉対象との間で生じる干渉度合い（影響度合い）、より具体的には交通参加者の軌道に対する干渉度合いを表すものである。
なお、本実施形態では、軌道干渉関数値Ｐｔ＿ｊが干渉度合いパラメータに相当する。

さらに、式（２３）の右辺第２項のＷｔｒｊ＿ｊは、干渉関数値Ｐｔ＿ｊ（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））を重み付けするための重み係数であり、干渉対象の種類に応じて、値０〜１の間の値に設定される。

次に、上述した過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）及び過去Ｙ’座標値Ｙ’（ｋ−ｉ）の算出手法について説明する。まず、現在の交通参加者の位置をＸ’−Ｙ’座標系の原点とし、Ｘ座標値及びＹ座標値の前回値Ｘ（ｋ−１），Ｙ（ｋ−１）を、Ｘ’−Ｙ’座標系の値に変換することにより、Ｘ’座標値及びＹ’座標値の前回値Ｘ’（ｋ−１），Ｙ’（ｋ−１）を算出する。

次いで、Ｘ’座標値の前回値Ｘ’（ｋ−１）及び推定曲率の前回値ρ（ｋ−１）に応じて、図示しないマップを検索することにより、軌道モデルＹ’座標値の前回値Ｙｍ’（ｋ−１）が算出される。この軌道モデルＹ’座標値の前回値Ｙｍ’（ｋ−１）は、Ｘ’座標値の前回値Ｘ’（ｋ−１）に対応する、図１１に示す円弧状の位置軌道モデル上のＹ’座標値に相当する。

以上と同じ手法により、過去Ｘ’座標値Ｘ’（ｋ−ｉ）及び過去Ｙ’座標Ｙ’（ｋ−ｉ）を算出し、この過去Ｘ’座標値Ｘ’（ｋ−ｉ）及び推定曲率の前回値ρ（ｋ−１）に応じて、図示しないマップを検索することにより、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）が算出される。

なお、本実施形態では、過去Ｘ’座標値Ｘ’（ｋ−ｉ）が過去位置軌道及び第１座標過去値に相当し、過去Ｙ’座標値Ｙ’（ｋ−ｉ）が過去位置軌道及び第２座標過去値に相当し、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）が過去位置軌道モデル値及び第２座標過去モデル値に相当する。

次に、前述した極値探索コントローラ６０について説明する。この極値探索コントローラ６０は、軌道モデル評価関数値Ｊ＿ｔｒｊを用いて、推定曲率ρ及び信号付加曲率ρｗを算出するものであり、図７に示すように、ウォッシュアウトフィルタ６１、参照信号発生器６２、乗算器６３、移動平均フィルタ６４、探索コントローラ６５及び信号付加加速度算出部６６を備えている。

このウォッシュアウトフィルタ６１では、下式（２４）により、フィルタ値Ｈ＿ｔが算出される。

上式（２４）に示すように、フィルタ値Ｈ＿ｔは、軌道モデル評価関数値の今回値Ｊ＿ｔｒｊ（ｋ）と前回値Ｊ＿ｔｒｊ（ｋ−１）の差分として算出される。また、ウォッシュアウトフィルタ６１は、軌道モデル評価関数値Ｊ＿ｔｒｊに含まれている、後述する参照信号値ｗ＿ｔに起因する周波数成分を通過させるためのものである。

また、参照信号発生器６２では、下式（２５）により、参照信号値ｗ＿ｔが算出される。

上式（２５）のＡ＿ｔは、所定ゲインである。

さらに、乗算器６３では、下式（２６）により、中間値Ｐｃ＿ｔが算出される。

また、移動平均フィルタ６４では、下式（２７）により、移動平均値Ｐａ＿ｔが算出される。

この式（２７）において、移動平均値Ｐａ＿ｔのサンプリング個数１＋ｍ＿ｔは、移動平均値Ｐａ＿ｔから参照信号値ｗ＿ｔの周波数成分を除去するために、サンプリング個数１＋ｍ＿ｔと制御周期ΔＴの積ΔＴ・１＋ｍ＿ｔが正弦関数値Ｆｓｉｎの所定周期ΔＴｗ＿ｔの整数倍になるように設定されている。

次いで、探索コントローラ６５では、下式（２８），（２９）に示すスライディングモード制御アルゴリズムにより、推定曲率ρが算出される。

上式（２８）のＳ＿ｔは、所定の応答指定パラメータであり、σ＿ｔは切換関数である。さらに、上式（２９）のＫ＿ｔは、所定ゲインである。以上の式（２８），（２９）を参照すると明らかなように、推定曲率ρは、適応則入力のみのスライディングモード制御アルゴリズムによって、移動平均値Ｐａ＿ｔを値０に収束させる機能を有するように算出される。

そして、信号付加加速度算出部６６では、下式（３０）により、信号付加曲率ρ＿ｗが算出される。

以上のように、この極値探索コントローラ６０では、前述した信号付加加速度αｗ及び推定加速度αの算出手法と同じ原理の算出手法により、信号付加曲率ρ＿ｗ及び推定曲率ρが算出される。

それにより、推定曲率ρは、軌道モデル評価関数値Ｊ＿ｔｒｊが極値（極小値又は極大値）になるような解として算出されることで、式（２１）の二乗和誤差ＲＳＳ（右辺第１項）及び右辺第２項が最小になるように算出される。すなわち、軌道モデルＹ’座標値Ｙｍ’とＹ’座標値Ｙ’の間の誤差（偏差）が最小になるとともに、交通参加者と干渉対象との干渉度合いも最小になるように、推定曲率ρが算出される。

さらに、前述した第２予測値算出部７０では、以上のように算出された推定曲率ρなどを用いて、前述した式（２１），（２２）により、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）が算出される。

次に、以上のような算出手法を用いたときの、交通参加者の予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の模式的な算出結果について説明する。まず、図１２〜１５を参照しながら、交通参加者として一人の歩行者Ｍ２のみが存在し、その干渉対象が存在しない場合を例にとって説明する。

まず、歩行者Ｍ２が等速でほぼ直線で歩行している場合には、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、図１２に示すように算出される。なお、この図１２の場合、理解の容易化のために、Ｘ座標とＹ座標は、前述した図１０の縦軸と横軸を入れ換えた関係に設定されている。

この図１２中において、○で示すポイントは、各制御時刻における算出値を示しており、制御時刻ｋ＋ｎの○で示す速度Ｖが予測速度Ｖ（ｋ＋ｎ）を示している。また、制御時刻ｋ＋ｎの○で示すＸ座標値Ｘ及びＹ座標値Ｙが予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）をそれぞれ示している。

さらに、細い実線で示す軌道及び速度はそれぞれ、歩行者Ｍ２の実際の軌道及び速度であり、太い実線で示す軌道及び速度はそれぞれ、推定曲率ρ及び推定加速度αに基づいて算出した軌道モデル値及び速度モデル値である。以上の点は以下の図１３〜２０においても同様である。

また、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）は、歩行者が等速でカーブ歩行している場合には、図１３に示すように算出され、歩行者が減速しながらほぼ直線で歩行している場合には、図１４に示すように算出され、歩行者が増速しながらカーブ歩行している場合には、図１５に示すように算出される。

以上の図１２〜１５に示すような、干渉対象が存在しない条件下では、前述した速度モデル評価関数値Ｊ＿ｖ及び軌道モデル評価関数値Ｊ＿ｔｒｊの算出式（４），（２３）において、右辺第２項がいずれも値０になるとともに、右辺第１項がいずれも最小になるように算出されることになる。すなわち、推定速度Ｖ＿ｈａｔと速度Ｖの二乗誤差が最小になるとともに、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との二乗和誤差ＲＳＳが最小になるように算出されることになる。

次に、図１６Ａ〜１９Ｃを参照しながら、歩行者Ｍ２の進行方向に干渉対象が存在するときの、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊの算出手法及びその原理について説明する。この場合、干渉関数値算出部８では、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊが、前回の制御タイミングにおいて行動予測値算出部１０で算出された予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を用いて、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊの今回値が算出される。

なお、以下の説明では、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊの算出結果が、干渉関数値算出部８から行動予測値算出部１０に入力されたときの予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出例についても併せて説明する。

まず、図１６Ａに示すように、歩行者Ｍ２が歩道から車道の横断歩道に向かって歩行しており、干渉対象として信号機が存在している条件下において、信号機が青信号のときには、予測Ｘ座標値Ｘ（ｋ＋ｎ）に応じて、図１６Ｃに示すマップを検索することにより、青信号の信号機が干渉対象であるときの速度干渉関数値Ｐｖ＿１が算出される。同図に示すように、このマップでは、青信号の信号機は、歩行者Ｍ２の速度Ｖに対して干渉することがないので、速度干渉関数値Ｐｖ＿１は、Ｘ座標値に対して値０に設定されている。

それにより、信号機が青信号のときには、速度干渉関数値Ｐ１＿ｖは、予測Ｘ座標値Ｘ（ｋ＋ｎ）に応じて値０として算出されるので、そのような値０の速度干渉関数値Ｐｖ＿１が干渉関数値算出部８から行動予測値算出部１０に入力されることにより、予測速度Ｖ（ｋ＋ｎ）は、図１６Ｂに示すように、Ｖ（ｋ＋ｎ）＝Ｖ（ｋ）が成立した状態となるように算出される。

また、上記と同じ理由により、青信号の信号機が干渉対象であるときの軌道干渉関数値Ｐｔ＿１のマップ値も、Ｘ座標値に対して値０に設定されている。それにより、値０の軌道干渉関数値Ｐｔ＿１が干渉関数値算出部８から行動予測値算出部１０に入力されることによって、軌道モデル評価関数値Ｊ＿ｔｒｊは、算出式（２３）の右辺第２項が値０になり、右辺第１項の二乗和誤差ＲＳＳが最小になるように算出される。その結果、予測Ｙ座標値Ｙ（ｋ＋ｎ）及び予測Ｘ座標値Ｘ（ｋ＋ｎ）は、図１６Ａに示すように、横断歩道内まで移動した位置として算出される。

これに対して、図１７Ａに示すように、信号機が赤信号のときには、これが歩行者Ｍ２の速度Ｖに対して干渉するので、赤信号の信号機が干渉対象であるときの速度干渉関数値Ｐｖ＿ｊは、図１７Ｃのマップに示すように、Ｘ座標値が歩道と車道の境界に近い値になるほど、より大きい値になるように設定されている。そして、予測Ｘ座標値Ｘ（ｋ＋ｎ）に応じて、そのようなマップを検索することにより、速度干渉関数値Ｐｖ＿ｊが算出される。

さらに、そのように算出された速度干渉関数値Ｐｖ＿ｊが干渉関数値算出部８から行動予測値算出部１０に入力されることによって、速度モデル評価関数値Ｊ＿ｖの算出式（４）の右辺第２項が算出される。その場合、行動予測値算出部１０では、信号機が干渉対象のときの重み係数ｗｖ＿１は、比較的大きい値に設定されているので、算出式（４）の右辺第２項が増大する。

さらに、推定速度Ｖ＿ｈａｔ（ｋ）と速度Ｖ（ｋ）の誤差が大きくなるので、速度モデル評価関数値Ｊ＿ｖの算出式（４）の右辺第１項も増大する。その結果、図１７Ｂに示すように、予測速度Ｖ（ｋ＋ｎ）は、値０まで減少するように算出される。すなわち、歩行者Ｍ２が停止すると予測した状態となる。

また、同じ理由により、赤信号の信号機が干渉対象であるときの軌道干渉関数値Ｐｔ＿１も、Ｘ座標値が歩道と車道の境界に近い値になるほど、より大きい値になるように設定されている。そして、予測Ｘ座標値Ｘ（ｋ＋ｎ）に応じて、そのようなマップを検索することにより、軌道干渉関数値Ｐｔ＿１が算出される。さらに、そのように算出された軌道干渉関数値Ｐｔ＿１が干渉関数値算出部８から行動予測値算出部１０に入力されることにより、軌道モデル評価関数値Ｊ＿ｔｒｊの算出式（２３）の右辺第２項が算出される。

その場合、行動予測値算出部１０では、信号機が干渉対象のときには、歩行者の軌道は、速度と比べて信号機からの影響（干渉度合い）が小さいので、重み係数ｗｔ＿１は、重み係数ｗｖ＿１よりも小さい値に設定されている。その結果、図１７Ａに示すように、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、歩道と車道の境界付近の位置として算出される。

また、図１８Ａに示すように、歩行者Ｍ２が等速でカーブ歩行している条件下で、その進行方向に駐車車両が干渉対象として存在している場合、干渉関数値算出部８では、駐車車両が干渉対象のときの軌道干渉関数値Ｐｔ＿２が、以下に述べるように算出される。なお、図１８Ａにおいて破線で示す曲線は、制御時刻ｋにおいて干渉対象が存在していないと仮定したときの位置軌道モデルを表すものである。この点は、以下に述べる図１９Ａ，２０Ａにおいても同様である。

この場合、軌道干渉関数値Ｐｔ＿２のＸ座標マップ値Ｐｔ＿２ｘは、図１８Ｃのマップに示すように、Ｘ座標値に対して、駐車車両の中心部で最大値を示すとともに、確率変数の確率分布状態と同じ傾向に設定されている。また、軌道干渉関数値Ｐｔ＿２のＹ座標マップ値Ｐｔ＿２ｙは、Ｙ座標値に対して、駐車車両の中心部で最大値を示すとともに、確率変数の確率分布状態と同じ傾向に設定されている。

そして、予測Ｘ座標値Ｘ（ｋ＋ｎ）に応じて、マップを検索することにより、Ｘ座標マップ値Ｐｔ＿２ｘを算出し、予測Ｙ座標値Ｙ（ｋ＋ｎ）に応じて、マップを検索することにより、Ｙ座標マップ値Ｐｔ＿２ｙを算出するとともに、両者を乗算することにより、軌道干渉関数値Ｐｔ＿２が算出される（Ｐｔ＿２＝Ｐｔ＿２ｘ・Ｐｔ＿２ｙ）。

そして、そのように算出された軌道干渉関数値Ｐｔ＿２が、干渉関数値算出部８から行動予測値算出部１０に入力された場合、行動予測値算出部１０では、歩行者の円弧状の軌道が、歩行者の進行方向に延びる直線を間にして反転するように、推定曲率ρが算出されることになる。その結果、図１８Ａに示すように、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、駐車車両を避けることができるような値として算出される。

また、干渉関数値算出部８では、駐車車両が干渉対象のときの速度干渉関数値Ｐｖ＿２は、軌道干渉関数値Ｐｔ＿２と同様に算出される。そして、そのように算出された速度干渉関数値Ｐｖ＿２が、干渉関数値算出部８から行動予測値算出部１０に入力された場合、行動予測値算出部１０では、図１８Ｂに示すように、予測速度Ｖ（ｋ＋ｎ）が、駐車車両を避けることができるように算出される。

一方、図１９Ａに示すように、歩行者Ｍ２が等速でカーブ歩行している条件下で、その進行方向に干渉対象として車道が存在している場合、干渉関数値算出部８では、車道が干渉対象のときの軌道干渉関数値Ｐ３＿ｔが、以下に述べるように算出される。

すなわち、図１９Ｃのマップに示すように、軌道干渉関数値Ｐ３＿ｔのマップ値は、Ｙ座標値に対して、車道と歩道の境界の位置Ｙｒｅｆに近づくほど、急増するように設定されている。そして、予測Ｙ座標値Ｙ（ｋ＋ｎ）に応じて、このマップを検索することにより、軌道干渉関数値Ｐ３＿ｔが算出される。

このように算出された軌道干渉関数値Ｐ３＿ｔが、干渉関数値算出部８から行動予測値算出部１０に入力された場合、歩歩行者の円弧状の軌道が、歩行者の進行方向に延びる直線を間にして反転するように、推定曲率ρが算出されることになる。その結果、図１９Ａに示すように、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））は、車道内の位置ではなく、歩道内の位置として算出される。

また、干渉関数値算出部８では、車道が干渉対象のときの速度干渉関数値Ｐ３＿ｖは、図示しないが、軌道干渉関数値Ｐ３＿ｔと同様に算出される。そして、そのように算出された速度干渉関数値Ｐ３＿ｖが、干渉関数値算出部８から行動予測値算出部１０に入力された場合、行動予測値算出部１０では、図１９Ｂに示すように、予測速度Ｖ（ｋ＋ｎ）は、駐車車両を避けることができるように算出される。

以上の図１６Ａ〜１９Ｃは、交通参加者を一人の歩行者Ｍ２とした例であるが、実際の交通環境下では、多数の歩行者が交通参加者として存在するとともに、互いに干渉対象として存在することになる。例えば、図２０Ａに示すように、３人の歩行者Ｍ３〜Ｍ５が存在する条件下では、歩行者Ｍ３と歩行者Ｍ４が互いに干渉対象となるとともに、歩行者Ｍ４と歩行者Ｍ５が互いに干渉対象となる。

以下、図２１〜２６を参照しながら、軌道干渉関数値Ｐｔ＿ｊを例にとって、このように二人の歩行者が互いに干渉対象となる場合の干渉関数値の算出手法について説明する。ここで、二人の歩行者の一方の予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））が予測位置（Ｘ^＃，Ｙ^＃）であり、他方の予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））が予測位置（Ｘ^＊，Ｙ^＊）であると仮定した場合、予測位置（Ｘ^＃，Ｙ^＃）における軌道干渉関数値Ｐｔ＿ｊ（Ｘ^＃，Ｙ^＃）は、下式（３１）により算出される。

上式（３１）のＰｔ＿ｘ＿ｂｓは、軌道干渉関数値のＸ座標側基準値（干渉度合いパラメータの基準値）である。このＸ座標側基準値Ｐｔ＿ｘ＿ｂｓは、Ｘ座標値に対して、図２１のマップに示すように確率分布を表す確率関数と同様の傾向に設定されている。予測位置（Ｘ^＃，Ｙ^＃）における軌道干渉関数値Ｐｔ＿ｊ（Ｘ^＃，Ｙ^＃）を算出する場合には、図２１のＸ座標の値０を予測Ｘ座標値Ｘ^＊に置き換えた図２２に示すマップを用い、値Ｘ^＃−Ｘ^＊に応じてこのマップを検索することにより、値Ｐｔ＿ｘ＿ｂｓ（Ｘ^＃−Ｘ^＊）を算出する。

また、式（３１）のＰｔ＿ｙ＿ｂｓは、軌道干渉関数値のＹ座標側基準値（干渉度合いパラメータの基準値）である。このＹ座標側基準値Ｐｔ＿ｙ＿ｂｓは、Ｙ座標値に対して、図２３のマップに示すように確率分布を表す確率関数と同様の傾向に設定されている。予測位置（Ｘ^＃，Ｙ^＃）における軌道干渉関数値Ｐｔ＿ｊ（Ｘ^＃，Ｙ^＃）を算出する場合には、ように、図２３のＹ座標の値０を予測Ｙ座標値Ｙ^＊に置き換えた図２４に示すマップを用い、値Ｙ^＃−Ｙ^＊に応じてこのマップを検索することにより、値Ｐｔ＿ｙ＿ｂｓ（Ｙ^＃−Ｙ^＊）を算出する。

さらに、式（３１）のＫｘは、Ｘ座標側補正係数（補正値）であり、このＸ座標側補正係数Ｋｘは、前述した二乗和誤差ＲＳＳに応じて、図２５に示すマップを検索することにより、算出される。同図に示すように、Ｘ座標側補正係数Ｋｘは、二乗和誤差ＲＳＳが大きいほど、より大きい値に設定されている。このように、Ｘ座標側補正係数Ｋｘが設定されているのは以下の理由による。

すなわち、式（３１）に示すように、Ｘ座標側補正係数Ｋｘは、Ｘ座標側基準値Ｐｔ＿ｘ＿ｂｓに乗算されるので、図２６に示すように、図２１又は図２２のマップ値（図２６に破線で示す値）を、図中の実線で示す値に補正したことになる。このＸ座標側補正係数Ｋｘは、上述したように、二乗和誤差ＲＳＳが大きいほど、より大きい値として算出されるので、二乗和誤差ＲＳＳが大きい場合、二乗和誤差ＲＳＳが小さい場合と比べて、確率分布の領域を拡げるように補正することになる。

ここで、二乗和誤差ＲＳＳが大きい状態は、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との間の離間度合いが大きい状態である関係上、そのような状態のときには、その交通参加者と他の交通参加者との間での干渉度合いが増大する可能性が高くなる。この場合、離間度合いが大きい状態とは、例えば、歩行者がスマートフォンを見ながら歩行したり、歩行者が泥酔した状態で歩行したり、傘を差して前方を見ずに下を見ながら歩行したりしている状態のときである。したがって、それを軌道干渉関数値Ｐｔ＿ｊ（Ｘ^＃，Ｙ^＃）に反映させるために、Ｘ座標側補正係数Ｋｘは、二乗和誤差ＲＳＳに対して、図２５に示すように設定されている。

また、式（３１）のＫｙは、Ｙ座標側補正係数（補正値）であり、このＹ座標側補正係数Ｋｙは、前述した二乗和誤差ＲＳＳに応じて、図２７に示すマップを検索することにより算出される。同図に示すように、Ｙ座標側補正係数は、Ｘ座標側補正係数Ｋｘと同様に、二乗和誤差ＲＳＳが大きいほど、より大きい値に設定されている。これは上述した理由による。また、式（３１）に示すように、このＹ座標側補正係数Ｋｙは、Ｙ座標側基準値Ｐｔ＿ｙ＿ｂｓに乗算されるので、図２３又は図２４のマップを、図２８に示すマップのように補正したことになる。

以上の手法により、干渉関数値算出部８では、二人の歩行者が互いに干渉対象となる場合の軌道干渉関数値Ｐｔ＿ｊが算出される。また、二人の歩行者が互いに干渉対象となる場合の速度干渉関数値Ｐｖ＿ｊも、軌道干渉関数値Ｐｔ＿ｊと同様の手法によって算出される。

また、実際の交通環境下では、多数の交通参加者及び干渉対象が存在するので、図２９に示すように、干渉関数値算出部８では、行動予測値算出部１０から入力される予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））の前回値を用いて、２×Ｎ個の干渉関数値Ｐｔ＿１〜Ｎ，Ｐｖ＿１〜Ｎが制御周期毎に算出され、それらが行動予測値算出部１０に出力される。

一方、行動予測値算出部１０では、これらの２×Ｎ個の干渉関数値Ｐｔ＿ｊ，Ｐｖ＿ｊ（ｊ＝１〜Ｎ）を用いて、Ｎｘ（Ｎｘは整数）個の予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））が算出され、その算出結果が予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））の前回値として行動予測値算出部１０に出力される。この場合、値Ｎｘは交通参加者の数を表している。

次に、図３０を参照しながら、以上のように構成された本実施形態の行動予測値算出部１０による予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））の算出シミュレーション結果（以下「本願結果」という）について説明する。同図において、実線で示す曲線が本願結果を位置軌道として表したものであり、１点鎖線で示す曲線が歩行者の実際の位置軌道を表している。また、破線で示す曲線は、比較のために、特許文献１と同じ手法による予測位置の算出シミュレーション結果（以下「比較結果」という）を位置軌道として表したものである。

同図に示すように、歩行者の実際の位置軌道は、干渉対象を回避するように推移しているのに対して、比較結果の位置軌道の場合、干渉対象に衝突してからこれを回避するように推移しており、その予測精度が低いことが判る。これに対して、本願結果の位置軌道の場合、歩行者の実際の軌道と同様に、干渉対象を適切に回避できており、その予測精度が比較結果よりも高いことが判る。

次に、図３１を参照しながら、干渉関数値算出処理について説明する。この干渉関数値算出処理は、前述した算出手法によって、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊを算出するものであり、干渉関数値算出部８によって、前述した所定の制御周期ΔＴで実行される。

同図に示すように、まず、行動予測値算出部１０すなわちＥＣＵ２から入力されるＮｘ個の予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））を読み込む（図３１／ＳＴＥＰ１）。

次いで、干渉対象の種類に応じて、前述した各種のマップ検索、又は前述した式（３１）により、Ｎ個の速度干渉関数値Ｐｖ＿ｊ（ｊ＝１〜Ｎ）及びＮ個の軌道干渉関数値Ｐｔ＿ｊを算出する（図３１／ＳＴＥＰ２）。

次に、以上のように算出した速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊをＥＣＵ２に出力する（図／ＳＴＥＰ３）。その後、本処理を終了する。

次に、図３２を参照しながら、自動運転準備算出処理について説明する。この自動運転準備算出処理は、自車両３の走行軌道を決定するものであり、ＥＣＵ２によって、前述した所定の制御周期ΔＴで実行される。

同図に示すように、まず、行動予測値算出処理を実行する（図３２／ＳＴＥＰ１０）。この行動予測値算出処理は、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出するものであり、具体的には、図３３に示すように実行される。

同図に示すように、まず、干渉関数値算出部８から入力されるＮ個の速度干渉関数値Ｐｖ＿ｊ及びＮ個の軌道干渉関数値Ｐｔ＿ｊを読む込む（図３３／ＳＴＥＰ２０）。

次いで、前述した式（３），（４）により、速度モデル評価関数値Ｊ＿ｖを算出し（図３３／ＳＴＥＰ２１）、その後、前述した式（５）〜（１１）により、推定加速度α及び信号付加加速度αｗを算出する（図３３／ＳＴＥＰ２２）。

次に、前述した式（１２），（１３）により、予測速度Ｖ（ｋ＋ｎ）及び予測道なり距離Ｚ（ｋ＋ｎ）を算出し（図３３／ＳＴＥＰ２３）、その後、前述した式（２３）により、軌道モデル評価関数値Ｊ＿ｔｒｊを算出する（図３３／ＳＴＥＰ２４）。

次いで、前述した式（２４）〜（３０）により、推定曲率ρ及び信号付加曲率ρｗを算出し（図３３／ＳＴＥＰ２５）、その後、前述した式（２１），（２２）により、Ｎｘ個の予測Ｘ座標値Ｘ（ｋ＋ｎ）及びＮｘ個の予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出する（図３３／ＳＴＥＰ２６）。

そして、以上のように算出したＮｘ個の予測Ｘ座標値Ｘ（ｋ＋ｎ）及びＮｘ個の予測Ｙ座標値Ｙ（ｋ＋ｎ）を干渉関数値算出部８に出力し（図３３／ＳＴＥＰ２７）、その後、本処理を終了する。

図３２に戻り、行動予測値算出処理（図３２／ＳＴＥＰ１０）を以上のように実行した後、走行軌道決定処理を実行する（図３２／ＳＴＥＰ１１）。この走行軌道は、自車両３の未来の走行軌道を決定するものであり、具体的には、自車両３の現在の車速及び位置と、前述したように算出された交通参加者の予測速度Ｖ（ｋ＋ｎ）及び予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））に基づいて決定される。

例えば、図３４に示すように、自車両３が右折する場合には、まず、自車両３の右折時の走行軌道を決定する。具体的には、例えば、本出願人が特願２０１８−３３０９号で提案済みの手法により、走行軌道を決定する。

次いで、交通参加者である対向車両３Ａ，３Ｂ及び歩行者Ｍ６の予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））に基づいて、自車両３の走行軌道と交通参加者の軌道が交差するか否かを判定する。その結果、対向車両３Ａと自車両３の軌道がポイントＰ＿ＣＲＳで交差すると判定された場合には、対向車両３ＡがこのポイントＰ＿ＣＲＳに到達するまでの時間Ｔｏを対向車両３Ａの予測速度Ｖ（ｋ＋ｎ）に基づいて算出し、この時間Ｔｏと自車両３がこのポイントＰ＿ＣＲＳに到達するまでの時間Ｔｅとを比較する。

そして、ＴｅがＴｏよりも極めて小さい場合には、決定した走行軌道をそのまま用いる。一方、それ以外の場合には、走行軌道の決定結果を削除し、その位置に停車するように決定する。以上のように、走行軌道決定処理を実行した後、本処理を終了する。

次に、図３５を参照しながら、自動運転制御算出処理について説明する。この自動運転制御算出処理は、自車両３の自動運転制御を実行するものであり、ＥＣＵ２によって、前述した所定の制御周期ΔＴよりも長い制御周期ΔＴｎ（例えば数十〜数百ｍｓｅｃ）で実行される。

同図に示すように、まず、上述した走行軌道決定処理で決定された走行軌道を読み込む（図３５／ＳＴＥＰ３０）。

次いで、走行軌道及び現在の車速に応じて、原動機５を駆動する（図３５／ＳＴＥＰ３１）。次に、走行軌道及び現在の車速に応じて、アクチュエータ６を駆動する（図３５／ＳＴＥＰ３２）。その後、本処理を終了する。以上のように、自動運転制御算出処理を実行することにより、自車両３が上記の走行軌道で走行する。

以上のように、本実施形態の自動運転装置１によれば、交通参加者の速度をモデル化したモデル式（１２）を用いて、予測速度Ｖ（ｋ＋ｎ）が算出され、交通参加者の位置軌道をモデル化したモデル式（２１），（２２）を用いて、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）が算出される。また、干渉対象の種類、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）に応じて、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊが算出される。

そして、推定速度Ｖ＿ｈａｔと速度Ｖの二乗誤差と、重み係数と速度干渉関数値との積Ｗｖ＿ｊ・Ｐｖ＿ｊの総和とを含む速度モデル評価関数値Ｊ＿ｖが極値を示すときの解として、推定加速度αが算出されるので、そのような推定加速度αを含むモデル式（１２）を用いて、予測速度Ｖ（ｋ＋ｎ）を算出することにより、交通参加者と干渉対象との間の干渉度合いが最小になるとともに、推定速度Ｖ＿ｈａｔと速度Ｖとの間の誤差が最小になるような値として、予測速度Ｖ（ｋ＋ｎ）を算出することができる。

さらに、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との二乗和誤差ＲＳＳと、重み係数と軌道干渉関数値との積Ｗｔｒｊ＿ｊ・Ｐｔ＿ｊの総和とを含む軌道モデル評価関数値Ｊ＿ｔｒｊが極値を示すときの解として、推定曲率ρが算出される。この場合、前述したモデル式（２１），（２２）は、式（１４）〜（１６）を参照すると明らかなように、推定曲率ρ（＝１／ｒ）を含んでいるので、そのような推定曲率ρを用いて、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出することにより、交通参加者と干渉対象との間の干渉度合いが最小になるとともに、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との間の誤差が最小になるような値として、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出することができる。

以上の理由により、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）の算出精度を向上させることができ、交通参加者の行動の予測精度を向上させることができる。

また、軌道干渉関数値Ｐｔ＿ｊは、前述した式（３１）に示すように、二乗和誤差ＲＳＳに応じて２つのＸ座標側補正係数Ｋｘ，Ｙ座標側補正係数Ｋｙを算出し、これらの値でＸ座標側基準値Ｐｔ＿ｘ＿ｂｓ及びＹ座標側基準値Ｐｔ＿ｙ＿ｂｓを補正した値の積として算出されるとともに、速度干渉関数値Ｐｖ＿ｊも同じ手法により算出される。したがって、過去軌道モデルＹ’座標値Ｙｍ’（ｋ−ｉ）と過去Ｙ’座標値Ｙ’（ｋ−ｉ）との間の誤差が大きく、交通参加者の過去位置軌道が位置軌道モデルに対して離間している度合いが大きい場合には、それを反映させながら、軌道干渉関数値Ｐｔ＿ｊ及び速度干渉関数値Ｐｖ＿ｊを適切に算出することができる。

さらに、位置軌道モデルとして、交通参加者の位置軌道を、交通参加者の現時点の進行方向に延びる直線を接線とする円弧状の位置軌道としてモデル化したものを用いているので、特許文献１の場合と異なり、交通参加者が曲がったり、蛇行したりしながら移動している条件下でも、それに応じて、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））を精度よく算出することができる。

これに加えて、以上のように精度よく算出された、交通参加者の予測速度Ｖ（ｋ＋ｎ）及び予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））を用いて、自動運転制御を実行することができるので、自動運転の制御精度を向上させることができる。

また、ＥＣＵ２とは別個の干渉関数値算出部８において、速度干渉関数値Ｐｖ＿ｊ及び軌道干渉関数値Ｐｔ＿ｊが算出されるので、ＥＣＵ２の演算負荷を低減することができる。

なお、実施形態は、歩行者を交通参加者として説明した例であるが、本発明の交通参加者はこれに限らず、行動するものであればよい。例えば、車両、可動機器及び動物などを交通参加者としてもよい。

また、実施形態は、交通参加者の行動予測値として、予測速度Ｖ（ｋ＋ｎ）、予測Ｘ座標値Ｘ（ｋ＋ｎ）及び予測Ｙ座標値Ｙ（ｋ＋ｎ）を算出した例であるが、行動予測値として、予測速度Ｖ（ｋ＋ｎ）のみを算出したり、予測位置（Ｘ（ｋ＋ｎ），Ｙ（ｋ＋ｎ））のみを算出したりするように構成してもよい。予測速度Ｖ（ｋ＋ｎ）のみを算出する場合には、この予測速度Ｖ（ｋ＋ｎ）に応じて、速度干渉関数値Ｐｖ＿ｊを算出するように構成してもよい。

さらに、実施形態は、位置軌道モデルとして、２次元座標系モデルを用いた例であるが、これに代えて３次元座標系モデルを用いてもよい。その場合には、３次元座標系モデルと交通参加者の過去位置軌道における１つの次元の座標値又は２つの次元の座標値を用いて、残りの次元の座標値における過去位置軌道のモデル値を算出すればよい。

また、実施形態は、軌道モデル評価関数値Ｊ＿ｔｒｊとして、式（２３）を用いた例であるが、これに代えて、式（２３）の右辺第１項（二乗和誤差ＲＳＳ）を省略し、式（２３）の右辺第２項（重み係数と干渉関数値の乗算値の総和）のみを従属変数とする評価関数値を軌道モデル評価関数値Ｊ＿ｔｒｊとして用いてもよい。

さらに、実施形態は、速度モデル評価関数値Ｊ＿ｖとして、式（４）を用いた例であるが、これに代えて、式（４）の右辺第１項を省略し、式（４）の右辺第２項（重み係数と干渉関数値の乗算値の総和）のみを従属変数とする評価関数値を速度モデル評価関数値Ｊ＿ｖとして用いてもよい。

また、実施形態は、誤差パラメータとして、過去位置軌道と過去位置軌道モデル値との二乗和誤差を用いた例であるが、本発明の誤差パラメータはこれに限らず、過去位置軌道と過去位置軌道モデル値との間の誤差を表すものであればよい。例えば、誤差パラメータとして、過去位置軌道と過去位置軌道モデル値との偏差の積分値を用いてもよい。

さらに、実施形態は、交通参加者の位置軌道モデルとして、交通参加者の位置軌道を交通参加者の現時点の進行方向に延びる直線を接線とする円弧状の位置軌道としてモデル化したものを用いた例であるが、本発明の位置軌道モデルはこれに限らず、交通参加者の位置軌道をモデル化したものであればよい。例えば、位置軌道モデルとして、交通参加者の行動軌跡を線分と角度を組み合わせて変化するように定義したものを用いてもよい。

さらに、実施形態は、本発明の行動予測装置を自動運転車両に搭載した例であるが、本発明の行動予測装置はこれに限らず、行動予測装置を単独で使用してもよく、自動運転車両以外の自転車などの各種機器に搭載してもよい。

一方、実施形態は、交通参加者と干渉対象との干渉度合いが最小になるように、行動態様パラメータとしての推定加速度α及び推定曲率ρを算出する手法を用いた例であるが、干渉度合いパラメータの算出手法はこれに限らず、干渉度合いパラメータが減少するように、推定加速度α及び推定曲率ρを算出できる手法であればよい。

１ 自動運転装置、行動予測装置
２ ＥＣＵ（周辺状況認識手段、行動予測値算出手段、行動態様パラメータ決定手段 、位置軌道取得手段、過去位置軌道記憶手段、過去位置軌道モデル値算出手段、 誤差パラメータ算出手段、制御手段）
３ 車両
３Ａ 車両（交通参加者）
３Ｂ 車両（交通参加者）
４ 情報検出装置（周辺状況認識手段）
９ 各種パラメータ算出部（周辺状況認識手段、位置軌道取得手段）
８ 干渉関数値算出部（干渉度合いパラメータ算出手段）
１０ 行動予測値算出部（行動予測値算出手段）
２０ 加速度算出部（行動態様パラメータ決定手段）
５０ 曲率算出部（行動態様パラメータ決定手段）
５１ 軌道モデル評価関数値算出部（過去位置軌道記憶手段、過去位置軌道モデル値算 出手段、誤差パラメータ算出手段）
Ｍ，Ｍ２〜Ｍ６ 歩行者（交通参加者）
Ｘ Ｘ座標値（周辺状況の認識結果）
Ｙ Ｙ座標値（周辺状況の認識結果）
Ｖ 交通参加者の速度（周辺状況の認識結果）
θ 傾斜角度（周辺状況の認識結果）
α 推定加速度（行動態様パラメータ）
ρ 推定曲率（行動態様パラメータ）
Ｖ（ｋ＋ｎ） 予測速度（行動予測値）
Ｘ（ｋ＋ｎ） 予測Ｘ座標値（行動予測値）
Ｙ（ｋ＋ｎ） 予測Ｙ座標値（行動予測値）
Ｐｖ＿ｊ 速度干渉関数値（干渉度合いパラメータ）
Ｐｔ＿ｊ 軌道干渉関数値（干渉度合いパラメータ）
Ｐｔ＿ｘ＿ｂｓ Ｘ座標側基準値（干渉度合いパラメータの基準値）
Ｐｔ＿ｙ＿ｂｓ Ｙ座標側基準値（干渉度合いパラメータの基準値）
Ｋｘ Ｘ座標側補正係数（補正値）
Ｋｙ Ｙ座標側補正係数（補正値）
Ｘ’（ｋ−ｉ） 過去Ｘ’座標値（過去位置軌道、第１座標過去値）
Ｙ’（ｋ−ｉ） 過去Ｙ’座標値（過去位置軌道、第２座標過去値）
Ｙｍ’（ｋ−ｉ） 過去軌道モデルＹ’座標値（過去位置軌道モデル値、第２座標過去モ デル値）
ＲＳＳ 二乗和誤差（誤差パラメータ）
Ｊ＿ｔｒｊ 軌道モデル評価関数値

Claims (9)

1. 交通参加者の行動を予測する行動予測装置であって、
   前記交通参加者の周辺状況を認識する周辺状況認識手段と、
   当該周辺状況認識手段による前記周辺状況の認識結果と、前記交通参加者の行動態様を表す行動態様パラメータを含む、前記交通参加者の行動をモデル化した行動モデルとを用いて、前記交通参加者の未来の行動の予測値である行動予測値を算出する行動予測値算出手段と、
   前記行動予測値を用いて、前記交通参加者の周辺における干渉対象の当該交通参加者との干渉度合いを表す干渉度合いパラメータを算出する干渉度合いパラメータ算出手段と、
   当該干渉度合いパラメータが表す干渉度合いが減少するように、前記行動態様パラメータを決定する行動態様パラメータ決定手段と、
   を備えることを特徴とする行動予測装置。
2. 前記交通参加者の行動は、当該交通参加者の実空間位置の時系列を表す位置軌道であり、
   前記行動モデルは、前記交通参加者の前記位置軌道をモデル化した位置軌道モデルであり、
   前記行動予測値は、前記位置軌道の予測値であり、
   前記交通参加者の前記位置軌道を取得する位置軌道取得手段と、
   当該位置軌道取得手段によって取得された前記位置軌道の過去値である過去位置軌道を記憶する過去位置軌道記憶手段と、
   前記行動態様パラメータと当該過去軌道記憶手段に記憶された前記過去位置軌道における少なくとも一成分である座標値を用いて、前記過去位置軌道のモデル値である過去位置軌道モデル値を算出する過去位置軌道モデル値算出手段と、
   前記過去位置軌道と前記過去位置軌道モデル値との間の誤差を表す誤差パラメータを算出する誤差パラメータ算出手段と、
   をさらに備え、
   前記行動態様パラメータ決定手段は、前記干渉度合いパラメータが表す干渉度合いに加えて、前記誤差パラメータが表す誤差がさらに減少するように、前記行動態様パラメータを決定することを特徴とする請求項１に記載の行動予測装置。
3. 前記位置軌道は、第１座標値及び第２座標値を成分とする２次元座標系の位置軌道であり、
   前記過去位置軌道は、前記第１座標値の過去値である第１座標過去値と前記第２座標値の過去値である第２座標過去値を成分とし、
   前記過去位置軌道モデル値算出手段は、前記過去位置軌道モデル値として、前記行動態様パラメータと前記過去位置軌道における前記第１座標過去値を用いて、前記第２座標過去値のモデル値である第２座標過去モデル値を算出し、
   前記誤差パラメータ算出手段は、前記誤差パラメータとして、前記第２座標過去値と前記第２座標過去モデル値との誤差を表す値を算出することを特徴とする請求項２に記載の行動予測装置。
4. 前記干渉度合いパラメータ算出手段は、前記誤差パラメータに応じて補正値を算出し、当該補正値で前記干渉度合いパラメータの基準値を補正した値を用いて、前記干渉度合いパラメータを算出することを特徴とする請求項２又は３に記載の行動予測装置。
5. 前記位置軌道モデルは、前記交通参加者の前記位置軌道を、当該交通参加者の現時点の進行方向に延びる直線を接線とする円弧状の位置軌道としてモデル化したものであることを特徴とする請求項２ないし４のいずれかに記載の行動予測装置。
6. 前記行動態様パラメータ決定手段は、前記干渉度合いパラメータ及び前記誤差パラメータを独立変数として含む評価関数を用い、当該評価関数が極値を示すときの解として、前記行動態様パラメータを決定することを特徴とする請求項２ないし５のいずれかに記載の行動予測装置。
7. 前記行動態様パラメータ決定手段は、前記干渉度合いパラメータを独立変数として含む評価関数を用い、当該評価関数が極値を示すときの解として、前記行動態様パラメータを決定することを特徴とする請求項１に記載の行動予測装置。
8. 前記交通参加者の行動は、当該交通参加者の実空間位置の時系列を表す位置軌道及び当該交通参加者の速度の少なくとも一方であることを特徴とする請求項１に記載の行動予測装置。
9. 請求項１ないし８のいずれかに記載の行動予測装置と、
   前記行動予測値に基づき、車両の自動運転制御を実行する制御手段と、を備えることを特徴とする自動運転装置。