JP2020034498A - スケールファクタ学習装置、スケールファクタ学習プログラムおよび記憶媒体 - Google Patents

Abstract

【課題】車速センサのスケールファクタを精度良く学習する。【解決手段】ＳＦ学習部１０は、車両の速度である車速を検出する車速センサ５の検出値である検出速度から車速の真値を求めるための係数であるスケールファクタを学習するものであり、検出値取得部１６、相対速度検出部１７および演算部１８を備える。検出値取得部１６は、車速センサ５の検出値である検出速度を取得する。相対速度検出部１７は、車両の周辺に存在する物体を検出する物体検出部に相当するミリ波センサ６による検出結果などに基づいて、静止した物体である静止物に対する車両の相対速度を検出する。演算部１８は、相対速度および検出速度に基づいてスケールファクタを演算する。【選択図】図１

Description

本発明は、車速センサのスケールファクタを学習するスケールファクタ学習装置、スケールファクタ学習プログラムおよび記憶媒体に関する。

特許文献１には、車両に搭載されたカメラにより撮像された画像を用いてランドマークなどの位置情報を記録し、それら情報をサーバなどにアップロードして疎な地図を生成し、車両の走行時には生成された疎な地図をダウンロードして自車両の位置を決定するシステムに関する技術が開示されている。

特表２０１８−５１０３７３号公報

上述したようなシステムにおいて、サーバにアップロードするためのデータ、つまりプローブデータを車両側にて生成する際、Structure from Motionの手法が用いられる。以下では、Structure from MotionのことをＳｆＭと省略する。ＳｆＭでは、車両の走行速度である車速を検出する車速センサの検出値が用いられる。ここで、車速センサの検出値から車速の真値を求めるための係数であるスケールファクタが本来あるべき値から外れた値となっている場合、ＳｆＭに誤差が発生し、その誤差の影響によりローカライズおよび地図生成の精度が低下するおそれがある。

本発明は上記事情に鑑みてなされたものであり、その目的は、車速センサのスケールファクタを精度良く学習することができるスケールファクタ学習装置、スケールファクタ学習プログラムおよび記憶媒体を提供することにある。

請求項１に記載のスケールファクタ学習装置は、車両の速度である車速を検出する車速センサ（５）の検出値である検出速度から車速の真値を求めるための係数であるスケールファクタを学習するものであり、検出値取得部（１６）、相対速度検出部（１７、２２）および演算部（１８、４３）を備える。検出値取得部は、車速センサの検出値である検出速度を取得する。相対速度検出部は、車両の周辺に存在する物体を検出する物体検出部（３、６）による検出結果に基づいて、静止した物体である静止物に対する車両の相対速度を検出する。演算部は、相対速度および検出速度に基づいてスケールファクタを演算する。

上記構成において、相対速度検出部により検出される静止物に対する車両の相対速度は、車両の対地速度と同等の速度である。したがって、上記構成では、その相対速度が真の車速であると仮定し、その仮定した真の車速と検出速度との関係に基づいて、本来あるべきスケールファクタの値を、演算部による演算によって求めることができる。そのため、上記構成によれば、車速センサのスケールファクタを精度良く学習することができる。

第１実施形態に係る地図システムの構成を模式的に示す図 第１実施形態に係る制御装置による処理の具体例を模式的に示す図 第２実施形態に係る地図システムの構成を模式的に示す図 第３実施形態に係る地図システムの構成を模式的に示す図 第３実施形態に係る制御装置による処理の具体例を模式的に示す図 第４実施形態に係る地図システムの構成を模式的に示す図 第４実施形態に係る制御装置による処理の具体例を模式的に示す図

以下、複数の実施形態について図面を参照して説明する。なお、各実施形態において実質的に同一の構成には同一の符号を付して説明を省略する。
（第１実施形態）
以下、第１実施形態について図１および図２を参照して説明する。

図１に示す地図システム１は、自律的ナビゲーションのための地図システムである。地図システム１は、ＧＰＳなどの自車両の位置を特定する従来の機能に対して、追加的に機能してより高精度に位置の特定をすることに効果を発揮する。地図システム１は、大きく分けて、地図活用および地図更新の２つの機能を備えている。

地図活用においては、サーバ２に格納された地図情報が車両にダウンロードされ、車両はダウンロードされた地図情報と、例えばカメラなどの画像センサ３により撮像された画像に含まれる標識などのランドマークの位置とに基づいて自車両の位置を特定する。以下では、サーバ２に格納された地図情報のことを統合地図とも呼ぶ。この場合、特定した自車両の現在位置に基づいて、車両制御部４が車両に搭載されたハードウェアを動作させるためのアクチュエータに対して対応する命令を出力することで運転支援が実現される。アクチュエータとは、例えばブレーキ、スロットル、ステアリング、ランプなど、車両をハードウェア的に制御するための装置である。

一方、地図更新においては、車両に搭載された画像センサ３や各種センサ（例えば車速センサ５、ミリ波センサ６など）により得られた情報がプローブデータとしてサーバ２にアップロードされ、サーバ２内の統合地図が逐次更新される。これにより、車両は、常に最新の地図情報に基づいて高精度に位置特定がされつつ、例えば運転支援や自動ステアリングが実現される。

地図システム１において、ヒューマンマシンインターフェース７は、各種の情報をユーザに通知したり、ユーザが所定の操作を車両に伝達したりするためのユーザインタフェースである。以下の説明および図１などでは、ヒューマンマシンインターフェースのことをＨＭＩと省略する。ＨＭＩ７には、例えばカーナビゲーション装置に付属するディスプレイ、インストルメントパネルに内蔵されたディスプレイ、ウィンドシールドに投影されるヘッドアップディスプレイ、マイク、スピーカなどが含まれる。さらには、車両と通信可能に接続されたスマートフォンなどのモバイル端末も地図システム１内のＨＭＩ７になり得る。

ユーザはＨＭＩ７に表示される情報を視覚的に得るほか、音声や警告音、振動によっても情報を得ることができる。また、ユーザは、ディスプレイのタッチ操作や音声により車両に対して所望の動作を要求することができる。例えば、ユーザが地図情報を活用して自動ステアリングなどの高度運転支援のサービスを受けようとするとき、ユーザはＨＭＩ７を介して該機能を有効化する。例えば、ディスプレイ上に示された「地図連携」ボタンをタップすると地図活用の機能が有効化され、地図情報のダウンロードが開始される。

別の例では、音声にて命令を与えることにより地図活用の機能が有効化される。なお、地図更新に係る地図情報のアップロードについては、車両とサーバ２との通信が確立されている間常時実行されていてもよいし、「地図連携」ボタンをタップして地図活用の機能が有効化されている間に実行されるようにされてもよいし、ユーザの意思を反映する別のＵＩによって有効化されてもよい。

本実施形態の地図システム１は、サーバ２、画像センサ３、車両制御部４、車速センサ５、ミリ波センサ６、ＨＭＩ７、ＧＰＳ受信部８、制御装置９などを備える。サーバ２は、図示しない制御装置などを備えており、その制御装置により前述した地図更新に関する各種の処理が実行される。ＧＰＳ受信部８は、図示しないＧＰＳアンテナを介して受信した信号により表されるＧＰＳ情報Ｄａを制御装置９などへと出力する。車速センサ５は、車両の速度である車速を検出するものであり、車両が有する車輪の速度を検出する車輪速センサとして構成されている。車速センサ５は、その検出値である検出速度を表す信号Ｓａを制御装置９などへと出力する。

ミリ波センサ６は、車両に搭載され、車両の進行方向前方にレーダ波を送信して車両の周辺に存在する物体により反射された反射波を受信するレーダ装置を備えた構成であり、車両の周辺に存在する物体を検出する物体検出部に相当する。ミリ波センサ６は、検出した物体の位置などを表す信号Ｓｂを制御装置９などへと出力する。

画像センサ３は、車両に搭載され、車両周辺の環境、具体的には車両の進行方向前方における所定範囲の環境を撮像する撮像装置である。なお、画像センサ３は、車両の進行方向前方を撮像するものに限らずともよく、例えば後方、側方を撮像するものでもよい。画像センサ３により撮像された車両周辺の環境の情報は、静止画または動画（以下、これらを総称して画像と称する）の形式で図示しないメモリに格納される。制御装置９は、そのメモリに格納されたデータＤｂを読み出し可能に構成されており、そのデータＤｂに基づいて各種処理を実行する。

制御装置９は、ＣＰＵ、ＲＯＭ、ＲＡＭおよびＩ／Ｏなどを有するマイクロコンピュータを主体として構成されている。制御装置９は、ＳＦ学習部１０、ランドマーク検出部１１、エゴモーション算出部１２、走路認識部１３、地図生成部１４、ローカライズ部１５などの機能ブロックを備える。これら各機能ブロックは、制御装置９のＣＰＵが非遷移的実体的記憶媒体に格納されているコンピュータプログラムを実行することでコンピュータプログラムに対応する処理を実行することにより実現されている、つまりソフトウェアにより実現されている。

ＳＦ学習部１０は、車速センサ５のスケールファクタを学習するスケールファクタ学習装置に相当するもので、検出値取得部１６、相対速度検出部１７および演算部１８を備えている。この場合、制御装置９のマイクロコンピュータが実行するコンピュータプログラムには、車速センサ５のスケールファクタを学習するためのスケールファクタ学習プログラムが含まれている。

車速センサ５のスケールファクタとは、車速センサ５の測定対象である車速に対する車速センサ５の検出値の比、つまり車速センサ５の入力変化に対する出力変化の比のことである。車速センサ５のスケールファクタＳＦは、下記（１）式により表すことができる。ただし、実際の車速、つまり車速の真値をｖａとし、車速センサ５の検出値である検出速度をｖｂとする。
ＳＦ＝ｖａ／ｖｂ …（１）

ＳＦ学習部１０は、車速センサ５から与えられる信号Ｓａ、ミリ波センサ６から与えられる信号Ｓｂおよび画像センサ３により撮像された画像を表すデータＤｂに基づいて、車速センサ５のスケールファクタＳＦを学習する。すなわち、検出値取得部１６は、信号Ｓａに基づいて車速センサ５の検出値である検出速度を取得する。以下では、検出速度のことをセンサ車速とも称する。検出値取得部１６は、取得したセンサ車速を表すデータＤｃを演算部１８へと出力する。なお、検出値取得部１６により実行される各処理は、検出値取得手順に相当する。

相対速度検出部１７は、物体検出部であるミリ波センサ６による検出結果を表す信号Ｓｂに基づいて、静止した物体である静止物に対する車両の相対速度を検出する。この場合、相対速度検出部１７は、ミリ波センサ６による検出結果と画像センサ３により撮像された画像とのフュージョンにより静止物の判定を行ったうえで、ミリ波センサ６により検出される車両からみた静止物の位置の変化に基づいて、その静止物に対する自車両の相対速度を検出する。なお、静止物の判定については、各種の一般的な手法を採用することができる。また、静止物としては、車線を形成する物体であってもよいし、後述するランドマークに対応する物体（例えばポールなど）であってもよい。なお、相対速度検出部１７により実行される各処理は、相対速度検出手順に相当する。

相対速度検出部１７により検出される静止物に対する自車両の相対速度は、車両の対地速度と同等の速度である。そこで、ここでは、相対速度が自車両の実際の車速であると仮定し、その相対速度をスケールファクタの算出に用いるためのリファレンス車速として推定する。相対速度検出部１７は、推定したリファレンス速度を表すデータＤｄを演算部１８へと出力する。

演算部１８は、データＤｃが表すセンサ車速およびデータＤｄが表すリファレンス車速に基づいて車速センサ５のスケールファクタを演算する。詳細は後述するが、演算部１８は、所定の周期で現在時刻のスケールファクタＳＦｃの演算を実行するようになっており、それにより得られる複数の時刻におけるスケールファクタＳＦｃについて時系列処理を行い、スケールファクタの代表値ＳＦを算出する。演算部１８は、算出したスケールファクタの代表値ＳＦを表すデータＤｅをエゴモーション算出部１２へと出力する。なお、この場合、スケールファクタの学習とは、上記したスケールファクタの代表値ＳＦを算出することを意味している。なお、演算部１８により実行される各処理は、演算手順に相当する。

ランドマーク検出部１１は、データＤｂに基づいて、ランドマークを検出し、検出したランドマークの位置に関するランドマーク位置情報Ｄｆを地図生成部１４へと出力する。上記ランドマークには、例えば標識、看板、電柱や街灯などのポール、信号機などが含まれる。エゴモーション算出部１２は、車速センサ５から与えられる信号ＳａおよびＳＦ学習部１０から与えられるデータＤｅに基づいて自車両の車速を検出する。

エゴモーション算出部１２は、その検出した車速と画像センサ３により撮像された画像を表すデータＤｂとに基づいて、車両自身の姿勢を表すパラメータであるエゴモーションを算出する。この場合、エゴモーションの算出には、ＳｆＭの手法が用いられる。また、この場合、エゴモーション算出部１２は、エゴモーションの算出について、ＧＰＳ情報Ｄａに基づく補正、つまりＧＰＳ補正を実施可能に構成されている。エゴモーション算出部１２は、算出したエゴモーションを表すデータＤｇを地図生成部１４へと出力する。

走路認識部１３は、データＤｂに基づいて、自車両の走路を認識して道路パラメータおよび区画線を表す情報である区画線情報を取得する。道路パラメータには、車線の幅であるレーン幅、車線すなわち道路の曲率などの車線の形状を表す情報が含まれる。また、道路パラメータには、車線の幅方向中央位置から自車両の位置までの距離を表すオフセット、車線すなわち道路の接線方向と自車両の進行方向とのなす角度を表すヨー角などの車線の形状に対する自車両の走行状態を表す情報も含まれる。走路認識部１３は、道路パラメータを表すデータＤｈを車両制御部４へと出力するとともに、区画線情報を表すデータＤｉを地図生成部１４へと出力する。

地図生成部１４は、ランドマーク検出部１１から与えられるデータＤｆ、エゴモーション算出部１２から与えられるデータＤｇおよび走路認識部１３から与えられるデータＤｉに基づいて地図情報を生成する。以下では、地図生成部１４により生成される地図情報のことをプローブ地図とも呼ぶ。地図生成部１４により生成されたプローブ地図を表すデータＤｊは、プローブデータとしてサーバ２にアップロードされるとともに、ローカライズ部１５へと出力される。

ローカライズ部１５は、自車両の現在位置を推定するローカライズを実行する。ローカライズ部１５は、サーバ２から統合地図を表すデータＤｋをダウンロードし、そのダウンロードしたデータＤｋと、プローブ地図を表すデータＤｊおよび画像センサ３により撮像された画像を表すデータＤｂに基づいて、統合地図に対してローカライズを行う。なお、ローカライズ部１５は、プローブ地図を表すデータＤｊを用いることなく、ローカライズを実行することもできる。

ローカライズ部１５は、ローカライズが成功した場合、地図情報に基づく道路パラメータを算出する。ローカライズ部１５は、地図情報に基づく道路パラメータを表すデータＤｌを車両制御部４へと出力する。車両制御部４は、走路認識部１３から与えられるデータＤｈとローカライズ部１５から与えられるデータＤｌとに基づいて、自車両の走行を制御するための各種の処理を実行する。すなわち、車両制御部４は、道路パラメータに基づいて自車両の走行を制御するための各種の処理を実行する。

次に、上記構成の制御装置９により実行される処理の具体的な一例について、図２のフローチャートに沿って説明する。制御装置９は、所定の周期毎に図２に示すような内容の処理を実行する。まず、ステップＳ１００では、ミリ波センサ６から与えられる信号Ｓｂなどに基づいて、１つ以上の静止物に対する自車両の相対速度が取得され、リファレンス車速が推定される。この場合、１つの静止物に対する自車両の相対速度が取得された場合、その相対速度がリファレンス車速として推定される。また、２つ以上の静止物に対する自車両の相対速度が取得された場合、それら２つ以上の相対速度の平均値がリファレンス車速として推定される。

ステップＳ２００では、車速センサ５から与えられる信号Ｓａに基づいてセンサ車速が取得される。ステップＳ３００では、下記（２）式に基づいて、現在時刻のスケールファクタＳＦｃが算出される。ただし、リファレンス車速をｖrefとし、センサ車速をｖsenとする。
ＳＦｃ＝ｖref／ｖsen …（２）

ステップＳ４００では、過去Ｎ回分のスケールファクタＳＦｃについて時系列処理が実行され、それによりスケールファクタの代表値「ＳＦ」が算出される。ただし、Ｎは、２以上の正の整数である。具体的には、ステップＳ４００では、Ｎ回分のスケールファクタＳＦｃの平均値が求められ、その平均値が代表値「ＳＦ」として算出される。

ステップＳ５００では、ＳｆＭの手法によりエゴモーションが算出される。このエゴモーションの算出には、代表値「ＳＦ」を用いて検出された自車両の車速の値、画像センサ３により撮像された画像を表すデータＤｂなどが用いられる。ステップＳ６００では、ステップＳ５００で算出されたエゴモーションを表すデータＤｇなどに基づいてプローブ地図が生成される。

ステップＳ７００では、ステップＳ６００で生成されたプローブ地図がサーバ２にアップロードされる。ステップＳ８００では、サーバ２からダウンロードされた統合地図を表すデータＤｋ、プローブ地図を表すデータＤｊおよび画像センサ３により撮像された画像を表すデータＤｂなどに基づいて統合地図に対するローカライズが実行される。ステップＳ８００の実行後、本処理が終了となる。

以上説明した本実施形態によれば、次のような効果が得られる。
本実施形態の構成において、車速センサ５のスケールファクタを学習するＳＦ学習部１０は、検出値取得部１６、相対速度検出部１７および演算部１８を備える。検出値取得部１６は、車速センサ５の検出値である検出速度を取得する。相対速度検出部１７は、ミリ波センサ６による検出結果などに基づいて、静止した物体である静止物に対する自車両の相対速度を検出する。演算部１８は、相対速度および検出速度に基づいてスケールファクタを演算する。

上記構成では、相対速度検出部１７により検出される静止物に対する車両の相対速度は車両の対地速度と同等の速度である。そのため、その相対速度が真の車速であると仮定し、その仮定した真の車速と検出速度との関係に基づいて、本来あるべきスケールファクタの値を、演算部１８による演算によって求めることができる。そのため、上記構成によれば、車速センサ５のスケールファクタを精度良く学習することができる。したがって、本実施形態によれば、スケールファクタが本来あるべき値から大きく外れた値となることがなくなり、その結果、ＳｆＭで誤差が発生することが抑制され、ローカライズおよび地図生成の精度を良好に維持することができるという優れた効果が得られる。

なお、車速センサ５のスケールファクタを学習する手法としては、本実施形態における手法以外にも、例えば次のような２つの手法が考えられる。第１の手法は、長い直線区間で、ＧＰＳ移動量と車速積分とを比較してスケールファクタを学習する手法である。ＧＰＳ移動量は、ＧＰＳ情報Ｄａに基づいて求められる車両の移動量である。また、車速積分は、車速センサ５により検出された検出速度の積分値である。この場合、ＧＰＳ移動量が真値であると仮定することにより、スケールファクタの正しい値が求められる。

また、第２の手法は、長い直線区間で、地図情報上のランドマークの間隔と検出されたランドマークの間隔とを比較してスケールファクタを学習する手法である。この場合、地図情報上のランドマークの間隔が真値であると仮定することにより、スケールファクタの正しい値が求められる。以下の説明では、第１の手法のことを第１比較例と称するとともに、第２の手法のことを第２比較例と称する。

第１比較例および第２比較例では、スケールファクタの正しい値を求めるためには、一定の走行距離が必要となることから、スケールファクタの学習に要する時間が長期化するという問題が生じる。まず、第１比較例では、ＧＰＳによる位置情報には誤差が存在することから、その誤差が無視できる程度の走行距離が必要となる。例えば、移動量に対し誤差が１％以下となる程度の走行距離が必要となる。また、第２比較例では、ランドマークとなる標識などが多く存在しない区間では、ランドマークの間隔を検出するために比較的長い走行距離が必要となる。

これに対し、本実施形態の手法によれば、スケールファクタの学習に要する時間は、車両の走行距離に依存することなく、静止物の判定に要する時間、静止物に対する自車両の相対速度を検出する時間などに基づいて定まる。したがって、本実施形態によれば、第１比較例および第２比較例に比べ、スケールファクタの学習に要する時間を短くすることができ、学習結果を早い段階で反映することができるという効果が得られる。さらに、本実施形態によれば、ミリ波センサ６を用いて静止物に対する自車両の相対速度を検出する構成となっているため、その相対速度の検出精度、ひいてはスケールファクタの学習の精度を一層高めることができるという効果が得られる。

（第２実施形態）
以下、第２実施形態について図３を参照して説明する。
図３に示すように、本実施形態の地図システム２１は、第１実施形態の地図システム１に対し、ミリ波センサ６が省かれている点、相対速度検出部１７に代えて相対速度検出部２２を備えている点などが異なる。相対速度検出部２２は、画像センサ３により撮像された画像における車両からみた静止物のサイズ変化などに基づいて、その静止物に対する自車両の相対速度を検出する。したがって、この場合、画像センサ３は、車両の周辺に存在する物体を検出する物体検出部に相当する。

相対速度検出部２２には、画像センサ３により撮像された画像を表すデータＤｂおよびランドマーク検出部１１により検出されたランドマークの位置に関するランドマーク位置情報Ｄｆが与えられている。相対速度検出部２２は、これらデータＤｂ、Ｄｆに基づいて、画像認識結果の中でサイズが一意に決まる既知の標識、路面標示などの静止物に対する自車両の相対速度を検出する。

この場合、相対速度は、次のように検出することができる。すなわち、１つ以上の静止物が検出されると、その静止物の画像上のサイズが取得され、２時刻以上の画像からサイズ変化、つまり拡大率が取得され、地図情報から物理的なサイズが取得される。そして、静止物の画像上のサイズおよび物理的なサイズに基づいて、自車両から対象となる静止物までの距離が算出される。また、拡大率に基づいて、自車両が対象となる静止物に到達するまでの時間（衝突時間）が算出される。そして、これら算出された距離および時間に基づいて、相対速度が算出される。

また、この場合、サーバ２からダウンロードする統合地図には、相対速度の検出対象となり得る静止物（例えば標識、路面標示など）の物理的なサイズに関する情報が含まれている。このような標識などのサイズに関する情報は、次のようにして求められる。すなわち、標識などは、その種類に応じてサイズが完全に規定されているわけではなく、多少の幅が許容されている。そのため、サーバ２側において、予め標識などの実際のサイズを完全に把握しておくことは困難となる。

そこで、本実施形態では、サーバ２において、各車両からアップロードされるプローブデータに基づいて、標識などの実際のサイズを確認し、そのサイズに関する情報を作成するとともに随時更新するようになっている。相対速度検出部２２は、このようにして生成される統合地図に含まれる標識などの物理的なサイズを参照することにより、前述したようにして相対速度の検出を行うことができる。なお、相対速度検出部２２により実行される各処理は、相対速度検出手順に相当する。

以上説明したように、本実施形態の相対速度検出部２２は、画像センサ３により撮像された画像における車両からみた静止物のサイズ変化などに基づいて、静止した物体である静止物に対する自車両の相対速度を検出することができる。したがって、本実施形態によっても、第１実施形態と同様の手法により、車速センサ５のスケールファクタを精度良く学習することができるため、第１実施形態と同様の効果が得られる。さらに、本実施形態によれば、ミリ波センサ６などのセンサを別途用意することなく、スケールファクタの学習を行うことが可能となるため、車両側の構成を簡略化することができる。

（第３実施形態）
以下、第３実施形態について図４および図５を参照して説明する。
図４に示すように、本実施形態の地図システム３１は、第１実施形態の地図システム１に対し、制御装置９のＳＦ学習部１０が備える機能ブロックとして信頼性判定部３２および中止処理部３３が追加されている点などが異なる。信頼性判定部３２は、演算部１８の演算結果、つまり演算部１８により求められるスケールファクタの代表値「ＳＦ」の信頼性の高低を判定する。信頼性の判定に関する具体的な手法については後述する。なお、信頼性判定部３２により実行される各処理は、信頼性判定手順に相当する。

中止処理部３３は、信頼性判定部３２により代表値「ＳＦ」の信頼性が相対的に低いと判定されると、その代表値「ＳＦ」を用いて求められる車速の値を直接的または間接的に用いて行われる車両に関連する所定の処理の実行を中止させる。この場合、所定の処理としては、地図生成部１４によるプローブ地図のアップロードの処理およびローカライズ部１５によるローカライズの処理などが挙げられる。なお、中止処理部により実行される各処理は、中止処理手順に相当する。

信頼性判定部３２による信頼性の具体的な判定手法としては、以下の手法のいずれか、あるいは、以下の手法の組み合わせを採用することができる。
［１］第１判定手法
第１判定手法は、スケールファクタの学習状況に応じて、代表値「ＳＦ」の信頼性の高低を判定する手法である。第１判定手法では、スケールファクタの学習状況が充分である場合には代表値「ＳＦ」の信頼性が相対的に高いと判定されるとともに、スケールファクタの学習状況が充分でない場合には代表値「ＳＦ」の信頼性が相対的に低いと判定される。

この場合、算出された現在時刻のスケールファクタＳＦｃの数が代表値「ＳＦ」を算出するために必要な数、つまりＮ回分に満たない場合には、スケールファクタの学習状況が充分でないと判断される。また、この場合、このような判断に代えてまたは加えて、代表値「ＳＦ」の算出に用いられたＮ回分のスケールファクタＳＦｃのばらつき（分散）が所定の閾値より大きい場合には、スケールファクタの学習状況が充分でないと判断される。

［２］第２判定手法
車速センサ５は、車輪速センサとして構成されていることから、車輪のサイズ（径）に応じて、そのスケールファクタが変化する。したがって、タイヤ交換が行われると、実際のスケールファクタが大きく変化するおそれがあり、その時点における代表値「ＳＦ」と実際のスケールファクタとの乖離が生じる可能性がある。そこで、第２判定手法では、車両のタイヤ交換が実施されたか否かを判断し、その判断結果に基づいて信頼性の高低を判定する。

この場合、タイヤ交換が実施されていないと判断された場合には代表値「ＳＦ」の信頼性が相対的に高いと判定されるとともに、タイヤ交換が実施されたと判断された場合には代表値「ＳＦ」の信頼性が相対的に低いと判定される。タイヤ交換の実施の有無は、イグニッションスイッチのオンオフ前後におけるＦＯＥ（Focus Of Expansion）のずれなどに基づいて判断することができる。

ＦＯＥのずれに基づいてタイヤ交換の実施の有無を判断する場合、ＦＯＥのずれがタイヤ交換に起因するものであるのか、あるいは、乗員の数、積載物の量などの変化による車重の変化に起因するものであるのか、を切り分ける必要がある。そこで、車両の内部を撮像する内向きカメラなどの画像センサにより撮像された画像、各座席の乗員の有無を検知するために車両の座席のシートに設けられる荷重センサの検出荷重結果などに基づいて、乗員および積載物の有無、乗員の数、積載物の量の変化などを確認することができる構成としておくとよい。このような構成によれば、ＦＯＥのずれがタイヤ交換に起因するものであるか否かを容易に切り分けることができる。

［３］第３判定手法
タイヤの摩耗状態、タイヤの空気圧の変化などによっても、車輪速センサである車速センサ５のスケールファクタが変化するおそれがある。そこで、第３判定手法では、車両のタイヤの摩耗状態および空気圧の変化に基づいて信頼性の高低を判定する。この場合、タイヤの摩耗状態および空気圧の双方の変化率が所定の閾値以下であると判断された場合には代表値「ＳＦ」の信頼性が相対的に高いと判定されるとともに、タイヤの摩耗状態および空気圧のうち少なくとも一方の変化率が所定の閾値よりも大きいと判断された場合には代表値「ＳＦ」の信頼性が相対的に低いと判定される。タイヤの摩耗状態および空気圧の変化は、例えばタイヤマウントセンサなどにより検出することができる。

次に、本実施形態の制御装置９により実行される処理の具体的な一例について、図５のフローチャートに沿って説明する。図５に示す本実施形態の処理は、図２に示す第１実施形態の処理に対し、ステップＳ４５０が追加されている点、ステップＳ５００、Ｓ７００およびＳ８００に代えてステップＳ５０１、Ｓ７０１およびＳ８０１が設けられている点などが異なる。

この場合、ステップＳ４００の実行後、ステップＳ４５０に移行する。ステップＳ４５０では、前述した手法により代表値「ＳＦ」の信頼性が判定される。ステップＳ４５０の実行後、ステップＳ５０１に移行する。ステップＳ５０１では、ステップＳ５００と同様にエゴモーションが算出される。ただし、ステップＳ５０１では、エゴモーションの算出についてＧＰＳ情報Ｄａに基づく補正、つまりＧＰＳ補正を実施する場合、ステップＳ４５０で判定された信頼性に応じてＧＰＳ補正の重みが切り替えられる。

具体的には、代表値「ＳＦ」の信頼性が相対的に高い場合にはＧＰＳ補正が弱くなるとともに、代表値「ＳＦ」の信頼性が相対的に低い場合にはＧＰＳ補正が強くなるように、２段階に重み付けが設定される。なお、ステップＳ４５０において、代表値「ＳＦ」の信頼性を高低の２段階ではなく多段階に判定しておき、ステップＳ５０１において、信頼性が高くなるほどＧＰＳ補正が弱くなるとともに、信頼性が低くなるほどＧＰＳ補正が強くなるように、多段階に重み付けを設定するようにしてもよい。

ステップＳ７０１では、ステップＳ４５０で判定された信頼性を加味してプローブ地図のアップロードが実施される。すなわち、ステップＳ７０１では、代表値「ＳＦ」の信頼性が相対的に高いと判定されている場合にはステップＳ７００と同様にプローブ地図のアップロードが実施される。また、ステップＳ７０１では、代表値「ＳＦ」の信頼性が相対的に低いと判定されている場合にはプローブ地図のアップロードが実施されない。

言い換えると、ステップＳ７０１では、代表値「ＳＦ」の信頼性が相対的に低いと判定されている区間を除外したプローブ地図のアップロードが実施される。なお、代表値「ＳＦ」の信頼性が相対的に低いと判定されている区間を除外せずに、その区間の信頼性が低いというフラグなどの情報を付加してプローブ地図のアップロードを実施してもよい。この場合、サーバ２側で、そのアップロードされたプローブ地図の適切な取り扱いを判断することができる。

ステップＳ８０１では、ステップＳ４５０で判定された信頼性を加味してローカライズが実施される。すなわち、ステップＳ８０１では、代表値「ＳＦ」の信頼性が相対的に高いと判定されている場合にはステップＳ８００と同様にローカライズが実行される。また、ステップＳ８０１では、代表値「ＳＦ」の信頼性が相対的に低いと判定されている場合には、ローカライズが実行されない、あるいは、プローブ地図を表すデータＤｊを用いることなく画像センサ３により撮像された画像を表すデータＤｂに基づいて統合地図に対するローカライズが実行される。

なお、代表値「ＳＦ」の信頼性が相対的に低いと判定されている場合でも、プローブ地図を表すデータＤｊを用いて統合地図に対するローカライズを実行するようにしてもよい。ただし、その場合、ローカライズの成否を判定するための成功判定閾値を通常の値よりも高い値に引き上げることが望ましい。

以上説明したように、本実施形態では、スケールファクタの代表値「ＳＦ」の信頼性の高低を判定する信頼性判定部３２と、信頼性判定部３２により信頼性が相対的に低いと判定されると代表値「ＳＦ」を用いて求められる車速の値を直接的または間接的に用いて行われるプローブ地図のアップロードおよびローカライズを中止させる中止処理部３３が追加されている。

ＳＦ学習部１０による学習によって得られるスケールファクタの代表値「ＳＦ」は、常に本来あるべきスケールファクタの値に近似しているとは限らず、例えばタイヤ交換が実施された場合などには本来あるべきスケールファクタの値と乖離した値となる可能性がある。このように本来あるべきスケールファクタの値と乖離した値である代表値「ＳＦ」を用いて求められる車速の値は、実際の車速とは異なる値となる。そのため、このような値を用いて行われるエゴモーションの算出精度が低下し、ひいては地図生成およびローカライズの精度が低下してしまう。

しかし、本実施形態によれば、例えばタイヤ交換が実施された場合などには代表値「ＳＦ」の信頼性が低いと判定されて、プローブ地図のアップロードおよびローカライズが中止される。このようにすれば、統合地図の誤差要因となり得る信頼性の低いプローブ地図がサーバ２にアップロードされることがなくなるため、統合地図の精度を良好に維持することができる。また、この場合、実際の車速とは異なる値を用いてローカライズが実施されることがなくなることから、ローカライズの精度を良好に維持することができる。

また、本実施形態では、スケールファクタ「ＳＦ」の信頼性が低いと判定された場合、エゴモーションの算出についてＧＰＳ補正を強めるようになっている。これにより、実際の車速とは異なる値を用いて行われるエゴモーションの算出精度の低下を抑えることができる。このようにすれば、代表値「ＳＦ」の信頼性が相対的に低いと判定されている場合でも、プローブ地図を表すデータＤｊを用いて統合地図に対するローカライズを実行することができる。さらに、この場合、ローカライズの成否を判定するための成功判定閾値を通常の値よりも高い値に引き上げることにより、ローカライズの精度を一層良好に維持することができる。

（第４実施形態）
以下、第４実施形態について図６および図７を参照して説明する。
図６に示すように、本実施形態の地図システム４１は、第３実施形態の地図システム３１に対し、制御装置９のＳＦ学習部１０が備える機能ブロックとして路面状態推定部４２が追加されている点、演算部１８および信頼性判定部３２に代えて演算部４３および信頼性判定部４４を備えている点などが異なる。

路面状態推定部４２は、車両が走行する路面の状態である路面状態を推定する。なお、路面状態推定部４２により実行される各処理は、路面状態推定手順に相当する。路面状態推定部４２による路面状態の具体的な推定手法としては、以下の手法のいずれか、あるいは、以下の手法の組み合わせを採用することができる。

［１］第１推定手法
第１推定手法は、ディープラーニングを用いた画像処理による推定手法である。この場合、画像センサ３により撮像された画像を表すデータＤｂに対する画像処理を行うことにより、路面状態が推定される。

［２］第２推定手法
第２推定手法は、サーバ２との間での通信を利用する推定手法である。この場合、例えば車両に搭載される温度センサにより検出される外気温と、気象情報とに基づいて、路面状態が推定される。気象情報は、サーバ２との間での通信を介して取得される。第２推定手法によれば、現在の路面状態が、凍結、雪道、濡れ路面などのいわゆる悪路と呼ばれる路面状態であるか、それ以外の路面状態であるか、を推定することができる。なお、第２推定手法では、さらに、レインセンサにより検出されるウィンドシールド表面の雨滴検出情報も加えて路面状態を推定するようにしてもよい。上記したレインセンサとしては、ウィンドシールドに対向する状態でウィンドシールド内面に取り付けられる一般的なものを使用することができる。

［３］第３推定手法
第３推定手法は、サーバ２との間での通信を利用する推定手法である。この場合、路面状態推定部４２は、現在時刻のスケールファクタＳＦｃが急変した地点の路面状態が、悪路であると推定し、その情報をサーバ２へとアップロードする。そして、サーバ２は、各車両からアップロードされる上記悪路に関する情報を統合し、統合した悪路に関する情報を各車両へと配信する。各車両の路面状態推定部４２は、サーバ２からダウンロードした悪路に関する情報を利用することで、悪路である地点を正確に推定することができる。

本実施形態の演算部４３は、路面状態推定部４２による路面状態の推定結果を加味してスケールファクタの代表値「ＳＦ」を算出する。この場合、スケールファクタの代表値「ＳＦ」は、例えば、乾燥路のスケールファクタの代表値「ＳＦ０」、雪道のスケールファクタの代表値「ＳＦ１」、ダート路のスケールファクタの代表値「ＳＦ２」、といった具合に複数の路面状態のそれぞれに対応して算出される。以下、これら各路面状態に対応して算出された各代表値について区別する必要がない場合、単に代表値「ＳＦ」と呼ぶこととする。なお、演算部４３により実行される各処理は、演算手順に相当する。

本実施形態の信頼性判定部４４は、信頼性判定部３２による信頼性の判定手法に代えてまたは加えて、路面状態推定部４２による路面状態の推定結果に基づいてスケールファクタの代表値「ＳＦ」の信頼性の高低を判定する。上述した悪路では路面が滑りやすく、このような路面状態の場合、スケールファクタは安定しないため、その時点におけるスケールファクタの代表値「ＳＦ」と実際のスケールファクタとの乖離が生じ易い。

そこで、信頼性判定部４４は、路面状態推定部４２により推定された路面状態が悪路以外の路面状態である場合にはスケールファクタの代表値「ＳＦ」の信頼性が相対的に高いと判定するとともに、路面状態推定部４２により推定された路面状態が悪路である場合にはスケールファクタの代表値「ＳＦ」の信頼性が相対的に低いと判定する。なお、信頼性判定部４４により実行される各処理は、信頼性判定手順に相当する。

次に、本実施形態の制御装置９により実行される処理の具体的な一例について、図７のフローチャートに沿って説明する。図７に示す本実施形態の処理は、図５に示す第３実施形態の処理に対し、ステップＳ３５０が追加されている点、ステップＳ４００、Ｓ４５０およびＳ５０１に代えてステップＳ４０２、Ｓ４５２およびＳ５０２が設けられている点などが異なる。この場合、ステップＳ３００の実行後、ステップＳ３５０に移行する。ステップＳ３５０では、前述した手法により路面状態が推定される。

ステップＳ３５０の実行後、ステップＳ４０２に移行する。ステップＳ４０２では、ステップＳ３５０で推定された現在の路面状態に対応したスケールファクタの代表値「ＳＦ」が算出される。なお、算出の方法は、ステップＳ４００と同様の方法を採用することができる。ステップＳ４０２の実行後、ステップＳ４５２に移行する。ステップＳ４５２では、前述した手法により現在の路面状態に対応したスケールファクタの代表値「ＳＦ」の信頼性が判定される。

ステップＳ４５２の実行後、ステップＳ５０２に移行する。ステップＳ５０２では、ステップＳ５０１と同様にエゴモーションが算出される。ただし、ステップＳ５０２では、現在の路面状態に対応したスケールファクタの代表値「ＳＦ」を用いて検出された自車両の車速の値が用いられる。例えば、現在の路面状態が乾燥路であると推定されている場合には代表値「ＳＦ０」が用いられ、現在の路面状態がダート路であると推定されている場合には代表値「ＳＦ２」が用いられる。

以上説明したように、本実施形態では、路面状態を推定する路面状態推定部４２が追加されており、演算部４３は、路面状態推定部４２による路面状態の推定結果を加味し、複数の路面状態のそれぞれに対応するスケールファクタの代表値「ＳＦ」を算出する。そして、現在の路面状態に対応したスケールファクタの代表値「ＳＦ」を用いて検出された自車両の車速の値を用いてエゴモーションの算出が行われる。路面状態が変化すると、実際のスケールファクタも同様に変化する可能性がある。本実施形態によれば、路面状態の変化に合わせて車速の算出に用いられるスケールファクタの代表値「ＳＦ」も変更される、つまり路面状態に応じてスケールファクタの代表値が使い分けられるため、路面状態が変化してもエゴモーションの算出精度を良好に維持することができる。

ＳＦ学習部１０による学習によって得られるスケールファクタの代表値「ＳＦ」は、車両が悪路を走行する場合などにも本来あるべきスケールファクタの値と乖離した値となる可能性がある。そこで、本実施形態の信頼性判定部４４は、路面状態推定部４２による路面状態の推定結果に基づいてスケールファクタの代表値の信頼性の高低を判定するようになっている。そのため、車両が悪路を走行する場合などには代表値「ＳＦ」の信頼性が低いと判定されて、プローブ地図のアップロードおよびローカライズが中止される。このようにすれば、統合地図の誤差要因となり得る信頼性の低いプローブ地図がサーバ２にアップロードされることがなくなるため、統合地図の精度を良好に維持することができる。また、この場合、実際の車速とは異なる値を用いてローカライズが実施されることがなくなることから、ローカライズの精度を良好に維持することができる。

（その他の実施形態）
なお、本発明は上記し且つ図面に記載した各実施形態に限定されるものではなく、その要旨を逸脱しない範囲で任意に変形、組み合わせ、あるいは拡張することができる。
上記各実施形態で示した数値などは例示であり、それに限定されるものではない。

地図システム１、２１、３１、４１において、それぞれの機能ブロックは分散されていてもよい。例えば、車両側の制御装置９が備える各機能ブロックの一部がサーバ２側の制御装置に設けられ、各制御装置が通信を介して各種データの送受信を行うことにより、スケールファクタの学習などを実行する構成としてもよい。

本開示は、実施例に準拠して記述されたが、本開示は当該実施例や構造に限定されるものではないと理解される。本開示は、様々な変形例や均等範囲内の変形をも包含する。加えて、様々な組み合わせや形態、さらには、それらに一要素のみ、それ以上、あるいはそれ以下、を含む他の組み合わせや形態をも、本開示の範疇や思想範囲に入るものである。

３…画像センサ、５…車速センサ、６…ミリ波センサ、１０…ＳＦ学習部、１６…検出値取得部、１７、２２…相対速度検出部、１８、４３…演算部、３２、４４…信頼性判定部、３３…中止処理部、４２…路面状態推定部。

Claims (9)

1. 車両の速度である車速を検出する車速センサ（５）の検出値である検出速度から前記車速の真値を求めるための係数であるスケールファクタを学習するスケールファクタ学習装置であって、
   前記車速センサの検出値である検出速度を取得する検出値取得部（１６）と、
   前記車両の周辺に存在する物体を検出する物体検出部（３、６）による検出結果に基づいて、静止した前記物体である静止物に対する前記車両の相対速度を検出する相対速度検出部（１７、２２）と、
   前記相対速度および前記検出速度に基づいて前記スケールファクタを演算する演算部（１８、４３）と、
   を備えるスケールファクタ学習装置。
2. 前記物体検出部（６）は、前記車両の進行方向前方にレーダ波を送信して前記物体により反射された反射波を受信するレーダ装置を備えた構成であり、
   前記相対速度検出部（１７）は、前記レーダ装置により検出される前記車両からみた前記静止物の位置の変化に基づいて前記相対速度を検出する請求項１に記載のスケールファクタ学習装置。
3. 前記物体検出部（３）は、前記車両の進行方向前方を撮像する撮像装置を備えた構成であり、
   前記相対速度検出部（２２）は、前記撮像装置により撮像された画像における前記車両からみた前記静止物のサイズ変化に基づいて前記相対速度を検出する請求項１に記載のスケールファクタ学習装置。
4. さらに、
   前記演算部の演算結果の信頼性の高低を判定する信頼性判定部（３２、４４）と、
   前記信頼性判定部により前記信頼性が相対的に低いと判定されると、前記スケールファクタを用いて求められる前記車速の値を直接的または間接的に用いて行われる前記車両に関連する所定の処理の実行を中止させる中止処理部（３３）と、
   を備える請求項１から３のいずれか一項に記載のスケールファクタ学習装置。
5. 前記信頼性判定部は、前記車両のタイヤ交換が実施されたか否かを判断し、その判断の結果に基づいて前記信頼性の高低を判定する請求項４に記載のスケールファクタ学習装置。
6. さらに、車両が走行する路面の状態である路面状態を推定する路面状態推定部（４２）を備え、
   前記信頼性判定部（４４）は、前記路面状態推定部による前記路面状態の推定結果に基づいて前記信頼性の高低を判定する請求項４または５に記載のスケールファクタ学習装置。
7. さらに、車両が走行する路面の状態である路面状態を推定する路面状態推定部（４２）を備え、
   前記演算部（４３）は、前記路面状態推定部による前記路面状態の推定結果を加味して前記スケールファクタを演算する請求項１から６のいずれか一項に記載のスケールファクタ学習装置。
8. 車両の速度である車速を検出する車速センサの検出値である検出速度から前記車速の真値を求めるための係数であるスケールファクタを学習するスケールファクタ学習装置に、
   前記車速センサの検出値である検出速度を取得する検出値取得手順と、
   前記車両の周辺に存在する物体を検出する物体検出部による検出結果に基づいて、静止した前記物体である静止物に対する前記車両の相対速度を検出する相対速度検出手順と、
   前記相対速度および前記検出速度に基づいて前記検出速度から前記車速の真値を求めるための係数である前記スケールファクタを演算する演算手順と、
   を実行させるスケールファクタ学習プログラム。
9. 請求項８に記載のスケールファクタ学習プログラムを記憶するコンピュータ読み取り可能な非一時的な記憶媒体。

Images