JP2020109386A - モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム - Google Patents

モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム Download PDF

Info

Publication number
JP2020109386A
JP2020109386A JP2019029204A JP2019029204A JP2020109386A JP 2020109386 A JP2020109386 A JP 2020109386A JP 2019029204 A JP2019029204 A JP 2019029204A JP 2019029204 A JP2019029204 A JP 2019029204A JP 2020109386 A JP2020109386 A JP 2020109386A
Authority
JP
Japan
Prior art keywords
vehicle
unit
model
state
movement amount
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2019029204A
Other languages
English (en)
Inventor
荒川　博
Hiroshi Arakawa
博 荒川
芸芸 曹
Geigei So
芸芸 曹
西村　洋文
Hirofumi Nishimura
洋文 西村
裕太 河野
Yuta Kono
裕太 河野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of JP2020109386A publication Critical patent/JP2020109386A/ja
Pending legal-status Critical Current

Links

Abstract

【課題】車両シミュレーションを支援する技術を提供する。【解決手段】センサモデル生成装置２０は、第１導出部と、第２導出部と、生成部を備える。第１導出部は、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出する。第２導出部は、第１導出部より高い精度で、車両に関する属性の状態を導出する。生成部は、車両のシミュレーションのためのモデルであって、第１導出部または第２導出部により導出された状態を説明変数とし、第２導出部により導出された状態と、第１導出部により導出された状態との差を目的変数とするモデルを生成する。【選択図】図３

Description

本開示はデータ処理技術に関し、特にモデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラムに関する。
車載機器の開発フェーズや評価フェーズでは、開発や評価に要するコストを削減するため、現実の車両を用いる代わりに、現実の車両の挙動を模擬する車両シミュレーションシステムが用いられることがある。
特表２０１８−５１４０４２号公報
歩行者等の対象物を検知したときの挙動をシミュレーションする場合、これまでは、対象物を含む車両周辺の状態を示すＣＧ（Computer Graphics）を作成し、車両シミュレーションシステムは、そのＣＧを解析して対象物を検知し、その検知結果をもとに車両の挙動がどうなるかを確認していた。しかし、シミュレーションすべき多数のケースについて、ケースごとにＣＧを作成し、ケースごとにＣＧを解析して対象物を検知するには、多くの時間と費用を要する。
また、車両の移動量に関するシミュレーションでは、環境要因のために車両の移動量をモデル化することは容易でなく、また、誤差が生じやすい。
本開示はこうした状況に鑑みてなされたものであり、１つの目的は、車両シミュレーションを支援する技術を提供することにある。
上記課題を解決するために、本発明のある態様のモデル生成装置は、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出する第１導出部と、第１導出部より高い精度で、車両に関する属性の状態を導出する第２導出部と、車両のシミュレーションのためのモデルであって、第１導出部または第２導出部により導出された状態を説明変数とし、第２導出部により導出された状態と、第１導出部により導出された状態との差を目的変数とするモデルを生成する生成部と、を備える。
本発明の別の態様は、車両シミュレーションシステムである。この車両シミュレーションシステムは、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出する導出部について、導出部により導出される属性の状態、または、属性の状態の真値に関して推定するためのモデルであって、導出部により導出された属性の状態、または、属性の状態の真値を説明変数とし、属性の状態の真値と、導出部により導出された属性の状態との差を目的変数とするモデルを記憶する記憶部と、シミュレーションのパラメータとして、導出部により導出される属性の状態と属性の状態の真値の一方をモデルに入力することにより、導出部により導出される属性の状態と属性の状態の真値の他方を推定する推定部と、推定部による推定結果をもとに車両に関するシミュレーションを実行するシミュレーション部と、を備える。
本発明のさらに別の態様は、モデル生成方法である。この方法は、第１導出部が、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出し、第２導出部が、第１導出部より高い精度で、車両に関する属性の状態を導出し、車両のシミュレーションのためのモデルであって、第１導出部または第２導出部により導出された状態を説明変数とし、第２導出部により導出された状態と、第１導出部により導出された状態との差を目的変数とするモデルを生成する。
なお、以上の構成要素の任意の組合せ、本開示の表現を、装置、コンピュータプログラム、コンピュータプログラムを記録した記録媒体、車両支援システムを搭載した車両などの間で変換したものもまた、本開示の態様として有効である。
本開示によれば、車両シミュレーションを支援することができる。
従来の車両シミュレーションシステムの機能ブロックを示すブロック図である。 第１実施例におけるセンサモデル構築のためのサンプルデータの例を示す図である。 第１実施例のセンサモデル生成装置の機能ブロックを示すブロック図である。 第１実施例の車両シミュレーションシステムの機能ブロックを示すブロック図である。 第１実施例のセンサモデル部の詳細を示すブロック図である。 曲線フィッティングの例を示す図である。 変形例における車両周辺の状態を示す図である。 第２実施例におけるセンサモデル構築のためのサンプルデータの例を示す図である。 第２実施例のセンサモデル生成装置の機能ブロックを示すブロック図である。 第２実施例のセンサモデル部の詳細を示すブロック図である。 第３実施例のセンサモデル生成装置の機能ブロックを示すブロック図である。 第３実施例のセンサモデル部の詳細を示すブロック図である。
概要を説明する。第１実施例〜第３実施例では、車両シミュレーションを支援する技術として、センサモデル生成装置と、センサモデル生成装置により生成されたモデルを利用する車両シミュレーションシステムを提案する。
第１実施例〜第３実施例のセンサモデル生成装置は、第１導出部と、第２導出部と、生成部とを備える。第１導出部は、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出する。第２導出部は、第１導出部より高い精度で、車両に関する属性の状態を導出する。生成部は、車両のシミュレーションのためのモデルであって、第１導出部または第２導出部により導出された状態を説明変数とし、第２導出部により導出された状態と、第１導出部により導出された状態との差を目的変数とするモデルを生成する。
また、第１実施例〜第３実施例の車両シミュレーションシステムは、記憶部と、推定部と、シミュレーション部とを備える。記憶部は、車両に搭載されたセンサの出力結果をもとに、車両の自動走行に関する属性の状態を導出する導出部について、導出部により導出される上記属性の状態、または、上記属性の状態の真値に関して推定するためのモデルであって、導出部により導出された上記属性の状態、または、上記属性の状態の真値を説明変数とし、上記属性の状態の真値と、導出部により導出された上記属性の状態との差を目的変数とするモデルを記憶する。推定部は、シミュレーションのパラメータとして、導出部により導出される上記属性の状態と上記属性の状態の真値の一方をモデルに入力することにより、導出部により導出される上記属性の状態と上記属性の状態の真値の他方を推定する。シミュレーション部は、推定部による推定結果をもとに車両に関するシミュレーションを実行する。
（第１実施例）
図１は、従来の車両シミュレーションシステム１００の機能ブロックを示すブロック図である。本開示のブロック図において示される各ブロックは、ハードウェア的には、コンピュータのＣＰＵ・メモリをはじめとする素子や機械装置で実現でき、ソフトウェア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろなかたちで実現できることは、当業者には理解されるところである。
車両シミュレーションシステム１００は、シミュレーション制御部１０、ユーザインタフェース１２、環境データ生成部１４、画像解析部１６、車両モデル部１８を備える。シミュレーション制御部１０は、車両の挙動のシミュレーションを制御する。また、シミュレーション制御部１０は、ユーザインタフェース１２、環境データ生成部１４、画像解析部１６、車両モデル部１８とデータを送受信する。
ユーザインタフェース１２は、ユーザ（またはユーザの端末）とのインタフェースを提供する。環境データ生成部１４は、ユーザにより指定されたパラメータ（例えば歩行者までの距離や方位等）に応じて、後述の画像解析部１６に解析させるための画像データ（ＣＧ）を生成する。例えば、環境データ生成部１４は、自車の６メートル先に歩行者がいることを示すＣＧを生成する。
画像解析部１６は、画像データを解析することにより、車両の自動走行を制御するための車両周辺の状態（障害物の位置等）を検知する。例えば、画像解析部１６は、自車の進行方向６メートル先に歩行者がいることを示すＣＧを解析して、自車と歩行者との距離が６．２メートルであることを検知する。この場合、０．２メートルの誤差が生じている。なお、画像解析部１６による解析対象は、実際の車両では車載カメラによる撮像画像となるが、車両シミュレーションシステム１００では環境データ生成部１４により生成されたＣＧとなる。
車両モデル部１８は、画像解析部１６による解析結果をもとに、車両の挙動を決定し、すなわち、車両の自動走行をシミュレーションする。例えば、画像解析部１６により自車の進行方向の６．２メートル先に歩行者がいることが検知された場合、車両モデル部１８は、ブレーキを作動させること、その結果、歩行者の１メートル手前で停車することを出力してもよい。シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を、所定の表示装置に表示させ、または、所定の記憶装置に格納する。
このように従来の車両シミュレーションシステム１００では、車両周辺の状態を示す画像を作成し、その画像から車両周辺の状態を検知し、自動運転の内容をシミュレーションしていた。シミュレーションの網羅性を高めるためには、車両周辺の明るさ（天気等）や路面状況、障害物までの距離、車両速度等、様々なケースに対応する多くの画像を作成する必要があるが、多くの画像を作成するためには多くの時間や費用を要する。
また、車両周辺の状態を示す画像は、理論モデル（例えば車両速度や明るさ等の複数のパラメータに基づく机上の計算式）をもとに作成することも考えられるが、理論モデルにより作成された画像は、現実の環境と乖離することもある。その結果、車両シミュレーションの結果が、現実の車両の挙動と乖離する可能性がある。
そこで第１実施例では、車両周辺の現実の状態を示す環境データ（言い換えれば現実環境のデータ）と、画像解析結果とに基づいて、数量化分析を用いた統計処理により数理モデル（以下「センサモデル」とも呼ぶ。）を生成する。そして、センサモデルを使用して、車両の挙動をシミュレーションする。これにより、車両周辺の状態を検知するシミュレーションに、各ケースの画像を作成することが不要になり、シミュレーションのコストを低減でき、また、現実に即した車両挙動をシミュレーションすることができる。
まず、第１実施例のセンサモデルを説明する。第１実施例のセンサモデルは、車両のシミュレーションシステムにおいて、画像に基づく検知結果（すなわち画像解析部１６および後述の画像解析部２８による検知結果）に関して推定するためのモデルである。図２は、第１実施例におけるセンサモデル構築のためのサンプルデータの例を示す。同図は、歩行者の識別に関するセンサモデルを構築するためのサンプルデータを示している。各サンプルは、歩行者の識別精度に影響を与える２つの要因として、車両から歩行者までの距離と天気とを含む。
要因「距離」は、車両から歩行者までの複数段階の距離（真値）に対応する１０個のカテゴリを含む。例えば、あるカテゴリは、０．１メートルから２メートルの範囲となり、また、別のカテゴリは、２メートルから４メートルの範囲となる。要因「天気」は、晴れ、曇り、雨の３個のカテゴリを含む。各サンプルは、該当するカテゴリの値を「１」とし、非該当のカテゴリの値を「０」とする。これにより、定量的なデータだけでなく、定性的なデータ（言い換えれば質に関するデータ）も数量として扱うことができる。なお、要因は説明変数とも呼ばれる。また、要因の各カテゴリはダミー変数とも呼ばれる。
また、各サンプルは、画像解析の精度を示すデータとして、車両から歩行者までの距離の真値と、画像解析により検知された車両から歩行者までの距離との差（「検知距離誤差」とも呼ぶ。）を含む。実施例のセンサモデルは、車両から検知対象物（歩行者等）までの複数段階の距離に対応する複数個のダミー変数を含む。具体的には、距離の１０カテゴリと天気の３カテゴリの合計１３項目をダミー変数とし、検出距離誤差を目的変数として重回帰分析を行うことにより、各要因の各カテゴリが検出距離誤差に与える影響の大きさを示すセンサモデルを生成する。
要因の数をｍ、各要因のカテゴリ数をｎ１、・・・ｎｍ、サンプル数をＮとして一般化すると、センサモデルは式１で表すことができる。
式１のεｋは残差であり、ａｉｊはｉ番目の要因のｊ番目のカテゴリを表すダミー変数にかかる係数である（以下「カテゴリ係数」とも呼ぶ。）。実施例のセンサモデル生成装置は、重回帰分析によって、残差の平方和が最小になるように各ダミー変数にかかるカテゴリ係数を導出する。
図３は、第１実施例のセンサモデル生成装置２０の機能ブロックを示すブロック図である。第１実施例のセンサモデル生成装置２０は、センサデータ記憶部２２、参照データ記憶部２４、タグデータ記憶部２６、画像解析部２８、真値導出部３０、誤差導出部３２、真値量子化部３４、タグ量子化部３６、モデル生成部３８を備える。
図３に示す複数の機能ブロックの機能を実装した複数のモジュールを含むコンピュータプログラムが、センサモデル生成装置２０のストレージに記憶されてもよい。センサモデル生成装置２０のＣＰＵは、このコンピュータプログラムをメインメモリに読み出して実行することにより、図３に示す各機能ブロックの機能を発揮してもよい。また、図３に示す複数の機能は、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。他の実施例においても同様である。
センサデータ記憶部２２、参照データ記憶部２４には、現実の車両を用いた試験等において収集されたデータを記憶する。センサデータ記憶部２２は、検知の対象物について各種車載センサによる検知結果を記憶する。実施例では、センサデータ記憶部２２は、車載カメラにより撮像された複数の画像データを記憶し、例えば、３メートル先に歩行者がいる状態を映した画像データ、６メートル先に歩行者がいる状態を映した画像データ、・・・等を記憶する。
参照データ記憶部２４は、検知の対象物に関する真値を記憶する。実施例では、参照データ記憶部２４は、ＬＩＤＡＲ（Light Detection and Ranging）による検知結果であり、車両と対象物との距離の真値を示すデータを記憶する。タグデータ記憶部２６は、タグデータとして、ユーザ（開発者や試験者等）により設定されたデータを記憶する。例えば、タグデータ記憶部２６は、車両を用いた試験等がなされた日の天気を示すタグデータを記憶する。タグデータは、路面の種類（例えばアスファルトまたは土）や温度、季節等、様々なデータを含んでもよい。
なお、センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４に格納されるデータであって、同じ試験で収集または入力されたデータは、互いに対応付けられ１組のサンプルデータとなる。センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４には、複数の組のサンプルデータ（例えば図２で示したように１万組のサンプルデータ）が格納される。
画像解析部２８は、図１の画像解析部１６に対応し、また、上記概要に記載の第１導出部に対応する。すなわち、画像解析部２８は、センサデータ記憶部２２に記憶された画像データをもとに、車両の自動走行を制御するための車両周辺の状態を検知する。具体的には、画像解析部２８は、センサデータ記憶部２２に記憶された複数のサンプルの画像データをもとに、複数のサンプルにおける車両と歩行者との距離を検知する。画像をもとに車両と歩行者との距離を導出する方法は公知技術を採用してよい。
真値導出部３０は、上記概要に記載の第２導出部に対応する。真値導出部３０は、参照データ記憶部２４に記憶されたＬＩＤＡＲ検知結果をもとに、車両周辺の状態を検知する。具体的には、真値導出部３０は、参照データ記憶部２４に記憶された複数のサンプルのＬＩＤＡＲ検知結果をもとに、複数のサンプルにおける車両と歩行者との距離を検知する。ここで、画像を用いた距離検知よりＬＩＤＡＲを用いた距離検知の方が精度が高く、実質的に、ＬＩＤＡＲによる距離検知の結果は、車両と歩行者との距離の真値を示す。すなわち、真値導出部３０は、車両と歩行者との距離の真値を検知するとも言える。
誤差導出部３２は、サンプルごとに、真値導出部３０による検知結果（実施例では車両と歩行者との距離の真値）と、画像解析部２８による検知結果（実施例では車両と歩行者との検知距離）との差である検知距離誤差を算出する。
真値量子化部３４は、サンプルごとに、真値導出部３０による検知結果（実施例では車両と歩行者との距離の真値）を、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部３４は、図２で示したように、真値導出部３０により検知された車両と歩行者との距離の真値を、１０個のカテゴリのうち該当するカテゴリに分類してもよい。
タグ量子化部３６は、サンプルごとに、タグデータ記憶部２６に記憶されたタグデータを、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、タグ量子化部３６は、図２で示したように、天気を示すタグデータを、３個のカテゴリのうち該当するカテゴリに分類してもよい。
モデル生成部３８は、上記概要に記載の生成部に対応する。モデル生成部３８は、誤差導出部３２により算出された誤差と、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとの組み合わせをサンプルごとに作成する。モデル生成部３８は、誤差導出部３２により算出された誤差を目的変数とし、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとをダミー変数として統計処理（実施例では重回帰分析）を実行することにより、複数のカテゴリにかかる複数のカテゴリ係数を導出する。モデル生成部３８は、カテゴリ係数を設定した回帰式（上記の式１）をセンサモデルとして生成し、センサモデルのデータをモデル記憶部４０に格納する。
次に、センサモデル生成装置２０により生成されたセンサモデルを使用する車両シミュレーションシステムを説明する。図４は、第１実施例の車両シミュレーションシステム１１０の機能ブロックを示すブロック図である。実施例の車両シミュレーションシステム１１０は、シミュレーション制御部１０、ユーザインタフェース１２、環境データ生成部１４、車両モデル部１８、センサモデル部５０を備える。
図４に示す複数の機能ブロックの機能を実装した複数のモジュールを含むコンピュータプログラムが、車両シミュレーションシステム１１０のストレージに記憶されてもよい。車両シミュレーションシステム１１０のＣＰＵ（またはシステム内の装置のＣＰＵ）は、このコンピュータプログラムをメインメモリに読み出して実行することにより、図４に示す各機能ブロックの機能を発揮してもよい。また、図４に示す複数の機能は、複数個の装置に分散されてもよく、それら複数個の装置がシステムとして連携することで実現されてもよい。さらにまた、図４に示す複数の機能は、単一の装置に集約されてもよい。他の実施例においても同様である。
第１実施例の車両シミュレーションシステム１１０の機能ブロックのうち、図１に示した従来の車両シミュレーションシステム１００の機能ブロックと同一または対応する機能ブロックには同一の符号を付している。以下、図１に関連して説明済みの内容は再度の説明を適宜省略する。
環境データ生成部１４は、ユーザインタフェース１２で受け付けられたパラメータ、または、ファイル等の外部ソースから入力されたパラメータに応じて、シミュレーションの前提となる環境データを生成する。環境データは、センサモデルの説明変数の値を含む。第１実施例の環境データは、真値データとして車両から歩行者までの距離を含み、タグデータとして天気を示す値を含む。
センサモデル部５０は、上記概要に記載の推定部に対応し、従来の車両シミュレーションシステム１００における画像解析部１６の代替となる機能を提供する。センサモデル部５０は、車両シミュレーションのパラメータとしての車両周辺の状態の真値（実施例では車両から歩行者までの距離）をセンサモデルに入力することにより、画像解析部１６が上記状態を示す画像を解析した場合の検知結果を推定する推定部として機能する。
車両モデル部１８は、上記概要に記載のシミュレーション部に対応する。車両モデル部１８は、センサモデル部５０による推定結果をもとに車両の挙動を決定し、すなわち、車両の自動走行をシミュレーションする。例えば、センサモデル部５０により自車の進行方向の６．２メートル先に歩行者がいるという結果が得られた場合、車両モデル部１８は、ブレーキを作動させること、その結果、歩行者の１メートル手前で停車することを出力してもよい。シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を表示装置に表示させてもよく、または、記憶装置に格納してもよい。
図５は、第１実施例のセンサモデル部５０の詳細を示すブロック図である。第１実施例のセンサモデル部５０は、タグ量子化部５２、真値量子化部５４、誤差導出部５６、模擬値導出部５８、モデル記憶部４０を含む。モデル記憶部４０は、上記概要に記載の記憶部に対応する。モデル記憶部４０は、センサモデル生成装置２０により生成されたセンサモデルを記憶する。
タグ量子化部５２は、環境データ生成部１４により生成されたタグデータを、シミュレーション制御部１０を介して受け付け、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、タグ量子化部５２は、図２で示したように、天気を示すタグデータを、３個のカテゴリのうち該当するカテゴリに分類してもよい。
真値量子化部５４は、環境データ生成部１４により生成された真値データを、シミュレーション制御部１０を介して受け付け、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部５４は、図２で示したように、車両から歩行者への距離の真値を、１０個のカテゴリのうち該当するカテゴリに分類してもよい。
誤差導出部５６は、環境データ生成部１４により生成された真値データおよびタグデータと、モデル記憶部４０に記憶されたセンサモデル（例えば上記の式１）とにしたがって、検知距離誤差を導出する。実施例では、誤差導出部５６は、センサモデルのダミー変数のうち、タグ量子化部５２および真値量子化部５４により選択されたカテゴリに対応するダミー変数の値を１（非選択のカテゴリに対応するダミー変数値は０）に設定することにより、センサモデルの目的変数である検知距離誤差を算出する。
模擬値導出部５８は、誤差導出部５６により導出された検知距離誤差を、環境データ生成部１４により生成された真値データに足すことにより、画像解析部１６（画像解析部２８）による検知結果をシミュレーションする。例えば、模擬値導出部５８は、現実の車両の６メートル先に歩行者がいる場合に画像解析部１６が検知するであろう歩行者までの距離（誤差を含む値であり、例えば６．２メートル）を導出する。模擬値導出部５８により導出された値（例えば歩行者までの距離）は、シミュレーション制御部１０を介して車両モデル部１８へ入力され、車両の挙動がシミュレーションされる。
以上の構成による動作を説明する。
まず、図３を参照しつつ、第１実施例のセンサモデル生成装置２０に関する動作を説明する。車両シミュレーションシステムを顧客やパートナー企業に提供すべき車載機器の開発者は、実際に車両を走行させて、車載カメラで車外の歩行者を撮像し、複数サンプルの撮像画像をセンサデータ記憶部２２に記憶させる。それとともに開発者は、ＬＩＤＡＲ装置で上記歩行者までの距離を計測させ、複数サンプルの距離の真値を示す計測結果を参照データ記憶部２４に記憶させる。さらにまた、開発者は、天気等の定性的な内容を示す複数サンプルのタグデータをタグデータ記憶部２６に記憶させる。
画像解析部２８は、サンプルごとに、センサデータ記憶部２２に格納された画像から歩行者までの距離を検知する。真値導出部３０は、サンプルごとに、参照データ記憶部２４に格納された計測結果から歩行者までの距離の真値を検知する。誤差導出部３２は、サンプルごとに、画像に基づく検知距離と真値との差である検知距離誤差を導出する。真値量子化部３４は、歩行者までの距離の真値のカテゴリを特定し、タグ量子化部３６は、タグデータのカテゴリを特定する。
モデル生成部３８は、歩行者までの距離の真値のカテゴリと、タグデータのカテゴリとをダミー変数とし、検知距離誤差を目的変数として、複数のサンプルによる重回帰分析を実行することで、センサモデルを生成する。モデル生成部３８は、生成したセンサモデルをモデル記憶部４０に格納する。
第１実施例のセンサモデル生成装置２０によると、車両の挙動をシミュレーションする際に画像解析による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意すること、また、各ケースの画像を解析することが不要になり、シミュレーションに要する時間および費用を低減できる。また、車両周辺の実際の状態を示すデータを用いてセンサモデルを生成することで、現実に即した結果を出力するセンサモデルを生成できる。
次に、図４および図５を参照しつつ、第１実施例の車両シミュレーションシステム１１０に関する動作を説明する。ここでは、車両の近傍に歩行者が存在する場合の車両の挙動をシミュレーションすることとする。ユーザは、車両から歩行者までの距離と、天気とをシミュレーションのパラメータとして車両シミュレーションシステム１１０のユーザインタフェース１２へ入力する。環境データ生成部１４は、ユーザインタフェース１２で受け付けられた車両から歩行者までの距離を示す真値データを生成し、また、ユーザインタフェース１２で受け付けられた天気を示すタグデータを生成する。
タグ量子化部５２は、タグデータ（例えば図２の天気）のカテゴリを特定し、真値量子化部５４は、真値データ（例えば図２の距離）のカテゴリを特定する。誤差導出部５６は、モデル記憶部４０に記憶されたセンサモデルの説明変数のカテゴリを示すダミー変数のうち、タグ量子化部５２および真値量子化部５４により特定されたカテゴリ（ダミー変数）の値を「１」とすることにより、目的変数である検知距離誤差を得る。模擬値導出部５８は、車両から歩行者までの距離（真値）に検知距離誤差を足すことにより、画像解析部２８により検知される車両から歩行者までの距離（誤差を含む）を推定する。
車両モデル部１８は、模擬値導出部５８により導出された車両から歩行者までの距離（誤差を含む）に基づいて、車両の挙動を決定する。シミュレーション制御部１０は、車両モデル部１８による決定内容をシミュレーション結果として、所定の出力装置に出力し、または、所定の記憶装置に記憶させる。
第１実施例の車両シミュレーションシステム１１０によると、車両の挙動をシミュレーションする際に画像解析による検知結果が必要な場合、シミュレーションすべき各ケースの画像を用意し、各ケースの画像を解析することが不要になり、シミュレーションに要する時間および費用を低減できる。また、シミュレーションの網羅性を高めやすくなる。さらにまた、車両周辺の実際の状態を用いて生成したセンサモデルを用いることで、現実に即した車両挙動等をシミュレーションすることができる。
以上、本開示を第１実施例をもとに説明した。第１実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。以下変形例を示す。
第１変形例を説明する。車両シミュレーションシステム１１０のセンサモデル部５０は、複数個のダミー変数に係る複数個の係数から、曲線フィッティングにより対象物（例えば歩行者）までの距離の真値に応じた係数をセンサモデルに適用する。
図６は、曲線フィッティングの例を示す。ここでは、センサモデルが、少なくとも５８個のカテゴリ（説明変数）を含むこととする。例えば、車両と歩行者との距離を１０センチ刻みでカテゴリとしてもよい。カテゴリ係数グラフ６０は、センサモデルにおける５８個のカテゴリ（説明変数）それぞれの係数（カテゴリ係数）を示す折れ線グラフである。センサモデル部５０の誤差導出部５６は、複数個のカテゴリ係数に対して曲線フィッティングを行うことにより近似曲線６２（二次多項式近似曲線とも言える）を導出する。
誤差導出部５６は、車両から歩行者までの距離の真値に対応するカテゴリ係数を近似曲線６２から取得する。例えば、距離が１０センチ刻みの場合、距離の真値が３．２メートルであれば、誤差導出部５６は、カテゴリ番号「３２」における近似曲線６２の値（例えば「０」）をカテゴリ係数として取得してもよい。誤差導出部５６は、近似曲線６２から取得したカテゴリ係数をダミー変数（図２の例ではダミー変数の値は「１」）の重みとして適用し、目的変数の値（例えば検知距離誤差）を導出してもよい。また、距離真値を連続量として横軸の座標に変換し、近似曲線式に代入し算出した値を上記距離真値に対応する係数として適用してもよい。これらの変形例によると、曲線フィッティングにより、入力された説明変数に対する適切な重み付けを実現できる。
第２変形例を説明する。車両シミュレーションシステム１１０のユーザインタフェース１２は、乱数に関するデータの指定をユーザから受け付ける受付部として機能してもよい。センサモデル部５０の模擬値導出部５８は、ユーザから指定された乱数に関するデータをもとに、センサモデルを用いた推定値にホワイトノイズを足してもよい。
例えば、ユーザは、乱数に関するデータとして、擬似乱数列を生成するためのシードをユーザインタフェース１２へ入力してもよい。模擬値導出部５８は、ユーザから入力されたシードをもとに擬似乱数列を生成して、その擬似乱数列をもとにホワイトノイズのデータを生成し、車両と歩行者との距離の推定値にホワイトノイズを足してもよい。実環境のデータにはホワイトノイズの成分が含まれるため、本変形例によると、ホワイトノイズを加味して、より現実に即した推定結果を求めることができる。
第３変形例を説明する。上記実施例では、車両と歩行者との距離をセンサモデルにより推定したが、実施例に記載の技術は、車両周辺の状態に関する様々なものをモデルにより推定する場合に適用可能である。第３変形例では、駐車枠（駐車区画とも言える）の位置をセンサモデルにより推定する例を示す。
図７は、変形例における車両周辺の状態を示す。本変形例では、駐車枠７６をその４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）のＸＹ座標と、駐車枠７６の方向（車両の進行方向に対する駐車枠７６の角度であり、図７のθ）で表す。本変形例では、画像解析部により検知された駐車枠７６の４隅それぞれの座標は、上記４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）のカメラ７２からの距離（例えば、前方右側のポイントＦＲの場合、RangeR）、カメラ７２の光軸７４との角度（例えば、前方右側のポイントＦＲの場合、βR）、および駐車枠７６の方向（θ）の影響を受ける。本変形例のセンサモデル生成装置２０は、カメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向のそれぞれをカテゴライズする。
具体的には、センサモデル生成装置２０の画像解析部２８は、車両の周辺が映る画像データから、車両周辺の状態として、駐車枠の位置（座標等）を検知する。真値導出部３０は、ＬＩＤＡＲ装置の検知結果に基づき、駐車枠の位置（座標等）の真値を検知する。モデル生成部３８は、真値導出部３０により検知された駐車枠７６の座標（ＦＲの座標とする）と、画像解析部２８により検知された駐車枠７６の座標（ＦＲの座標とする）との差を目的変数として識別する。
また、モデル生成部３８は、カメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向θの、カメラの光軸７４との角度を説明変数として扱う。これらのデータは、実施例と同様に、実際の車両を用いた試験により収集され、複数のサンプルが作成される。モデル生成部３８は、複数のサンプルに基づく重回帰分析を実行して、各カテゴリ（ダミー変数）の係数を求める。なお、実際には、駐車枠７６の４隅の座標のそれぞれに対応するセンサモデルが生成されてもよい。
車両シミュレーションシステム１１０のシミュレーション制御部１０は、シミュレーションのパラメータとして、４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）の座標と駐車枠方向をユーザ等から受け付け（座標系は車両座標系でもよく、センサ座標系でもよい）、それらのパラメータをセンサモデル部５０へ入力する。センサモデル部５０は、シミュレーションのパラメータをセンサモデルへ入力することにより、画像解析部２８による検知結果を推定し、すなわち、駐車枠７６の座標を推定する。具体的には、センサモデル部５０は、まず、入力された上記４隅（ＦＬ、ＦＲ、ＢＬ、ＢＲ）の座標と駐車枠方向を、説明変数であるカメラ７２からの距離、カメラ７２の光軸７４との角度、および駐車枠７６の方向に変換する。次に、センサモデル部５０は、得られた説明変数の値に基づきカテゴリを求め、それに対応する係数を適用する。車両モデル部１８は、センサモデル部５０により推定された駐車枠７６の座標に基づいて、車両の自動走行（例えば駐車枠７６への自動入庫）をシミュレーションする。
（第２実施例）
車両に関するシミュレーションでは、車両の移動量（以下「オドメトリ」とも呼ぶ。）に基づくシミュレーションが行われることがある。オドメトリの理論モデルに基づく計算量は多くはない。しかし、環境要因のために、オドメトリのモデル化は容易でなく、また、モデルの出力値と真値との差（すなわち誤差）が大きくなりやすい。環境要因は、例えば、天候や路面材質、車両重量等に依存するタイヤと路面との滑り具合等が含まれる。
そこで、第２実施例のセンサモデル生成装置は、車両または車両周辺の現実の状態を示す環境データと、車両の移動量に関するデータとに基づいて、数量化分析を用いた統計処理によりセンサモデルを生成する。そして、第２実施例の車両シミュレーションシステムは、そのセンサモデルを活用することにより精度の高いシミュレーションを実現する。第２実施例のセンサモデル生成装置および車両シミュレーションシステムの構成要素のうち、第１実施例で説明した部材と同一または対応するものには同じ符号を付す。また、第１実施例と重複する内容は再度の説明を適宜省略する。
まず、第２実施例のセンサモデルを説明する。第２実施例のセンサモデルは、車両のシミュレーションシステムにおいて、車両の移動量に関する推定を行うためのモデルである。具体的には、第２実施例のセンサモデルは、後述の移動量導出部１２０により検知された移動量の成分を説明変数とし、かつ、後述の真値導出部３０により検知された移動量の成分の真値と、移動量導出部１２０により検知された移動量の成分値との差を目的変数とするモデルである。移動量の成分は、横移動量、縦移動量、旋回角の３つを含む。
図８は、第２実施例におけるセンサモデル構築のためのサンプルデータの例を示し、すなわち、車両の移動量に関するセンサモデルを構築するためのサンプルデータを示している。図８では、サンプルデータの要因（すなわちセンサモデルの説明変数）のうち一部を示している。第２実施例におけるセンサモデルの説明変数は、（１）横移動量、（２）縦移動量、（３）旋回角、（４）天気、（５）気温、（６）車両重量、（７）タイヤ種別、（８）路面種別を含む。
横移動量は、予め定められた単位時間当りに車両が横方向（すなわち進行方向に対して垂直方向）へ移動した量であり、言い換えれば、横方向への移動速度である。縦移動量は、予め定められた単位時間当りに車両が縦方向（すなわち進行方向）へ移動した量であり、言い換えれば、縦方向への移動速度である。横移動量と縦移動量は、例えば、時速１０キロメートル単位でカテゴリ分けされてよいが、低速度ではより小さい単位でカテゴリ分けされることが望ましい。例えば、時速１５キロメートル未満は、時速５キロメートル単位でカテゴリ分けされてもよい。旋回角は、予め定められた単位時間当りに車両が旋回した角度であり、言い換えれば、角速度である。旋回角は、例えば、０．５度単位でカテゴリ分けされてもよい。
天気は、車両走行時の天気であり、第１実施例と同様に、晴れ、曇り、雨を含む。気温は、車両走行時の気温であり、例えば、２℃単位でカテゴリ分けされてもよい。車両重量は、例えば、数１０キログラム（例えば大人または子供１人の平均体重）単位でカテゴリ分けされてもよい。タイヤ種別は、車両に装着されたタイヤの種別であり、例えば、夏用タイヤまたは冬用タイヤでカテゴリ分けされてもよい。路面種別は、車両が走行する路面の種別であり、例えば、アスファルト、土、坂道等でカテゴリ分けされてもよい。既述したように、要因の各カテゴリはダミー変数とも呼ばれる。
また、各サンプルは、移動量検知の精度を示すデータとして、車両の移動量の真値と、センサデータをもとに検知された車両の移動量との差（以下「移動量誤差」とも呼ぶ。）を含む。第２実施例では、車両の移動量の真値は、ＧＰＳ（Global Positioning System）等のＧＮＳＳ（Global Navigation Satellite System、全球測位衛星システム）を用いた測位処理により求められる。
各要因の各カテゴリをダミー変数（説明変数）とし、移動量誤差を目的変数として重回帰分析を行うことにより、各要因の各カテゴリが移動量誤差に与える影響の大きさ（以下「カテゴリ係数」と呼ぶ。）を示すセンサモデルを生成できる。要因の数をｍ、各要因のカテゴリ数をｎ１、・・・ｎｍ、サンプル数をＮとして一般化すると、第２実施例のセンサモデルも、第１実施例と同様に、上記の式１で表すことができる。既述したように、ａｉｊはｉ番目の要因のｊ番目のカテゴリを表すダミー変数（Xijk）にかかるカテゴリ係数である。
図９は、第２実施例のセンサモデル生成装置２０の機能ブロックを示すブロック図である。第２実施例のセンサモデル生成装置２０は、センサデータ記憶部２２、参照データ記憶部２４、タグデータ記憶部２６、移動量導出部１２０、真値導出部３０、誤差導出部３２、移動量量子化部１２１、タグ量子化部３６、モデル生成部３８を備える。
センサデータ記憶部２２は、速度センサや操舵角センサ等の各種車載センサからの出力結果を示すサンプルデータであり、言い換えれば、現実の車両の状態を検知した結果を示すサンプルデータを記憶する。実施例では、センサデータ記憶部２２は、サンプルごとに、少なくとも車両の速度と操舵角（転舵角でもよい）を記憶する。
参照データ記憶部２４は、現実の車両の状態の真値を記憶する。実施例では、参照データ記憶部２４は、サンプルごとに、ＧＰＳ装置により特定された車両の現在位置を時系列に並べたデータ、言い換えれば、時系列での車両位置の推移を示すデータを記憶する。
タグデータ記憶部２６は、センサ以外の手段で取得された現実の車両の状態に関するデータであるタグデータを記憶する。タグデータ記憶部２６は、ユーザ（開発者や試験者等）により設定されたタグデータを記憶する。タグデータは、例えば、車両を用いた試験等（すなわちサンプルデータの収集）がなされた際の天気、気温、車両重量、タイヤ種別、路面種別を含んでもよい。
なお、センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４に格納されるデータであって、同じ試験で収集または入力されたデータは、互いに対応付けられ１組のサンプルデータとなる。センサモデル生成装置２０、センサデータ記憶部２２、参照データ記憶部２４には、複数の組のサンプルデータ（例えば図８で示したように１万組のサンプルデータ）が格納される。
移動量導出部１２０は、上記概要に記載の第１導出部に対応する。移動量導出部１２０は、センサデータ記憶部２２に記憶されたセンサの出力結果を示すサンプルデータをもとに、サンプルごとに、車両の自動走行に関する属性の状態として、車両の移動量の成分を検知する。具体的には、移動量導出部１２０は、各サンプルが示す速度と操舵角とに基づいて、各サンプルの横移動量、縦移動量、旋回角（いずれも所定の単位時間当りの値）を導出する。この導出方法には、公知技術を採用してよい。
真値導出部３０は、上記概要に記載の第２導出部に対応する。真値導出部３０は、参照データ記憶部２４に記憶された各サンプルが示す車両の時系列での位置の推移に基づいて、サンプルごとに、車両の移動量の成分を検知する。具体的には、真値導出部３０は、各サンプルの横移動量、縦移動量、旋回角（いずれも所定の単位時間当りの値）を導出する。この導出方法にも、公知技術を採用してよい。
なお、真値導出部３０は、実際の車両位置の変化に基づいて車両の移動量の成分を導出する。そのため、真値導出部３０により導出される車両の移動量の成分値は、移動量導出部１２０により導出される車両の移動量の成分値より精度が高い。第２実施例では、真値導出部３０により導出された車両の移動量の成分値を真値として取り扱う。なお、真値導出部３０により導出される車両の移動量の成分値は、厳密には真値と異なってもよいが、真値と同一と見なせる範囲内（予め定められた閾値内）の値であることが望ましい。
誤差導出部３２は、サンプルごと、かつ、移動量の成分の種類ごとに、真値導出部３０による検知結果と、移動量導出部１２０による検知結果との差を導出する。すなわち、誤差導出部３２は、サンプルごとに、横移動量の誤差、縦移動量の誤差、および旋回角の誤差（以下総称する場合「移動量誤差」とも呼ぶ。）を導出する。例えば、図８は、目的変数を横移動量誤差とする例を示すが、誤差導出部３２は、図８に示すようなサンプルデータを、目的変数を横移動量誤差とするもの、目的変数を縦移動量誤差とするもの、目的変数を旋回角誤差とするものの３パターン生成する。
移動量量子化部１２１は、サンプルごとに、移動量導出部１２０による検知結果を、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、移動量量子化部１２１は、移動量導出部１２０により検知された横移動量、縦移動量、旋回角のそれぞれについて、予め定められた複数のカテゴリのいずれかに分類する。第２実施例では、図８で示したように、該当するカテゴリの値を「１」に設定する。
タグ量子化部３６は、サンプルごとに、タグデータ記憶部２６に記憶されたタグデータを、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、タグ量子化部３６は、図８で示したように、天気を示すタグデータを、３個のカテゴリのうち該当するカテゴリに分類し、該当するカテゴリの値を「１」に設定する。
モデル生成部３８は、上記概要に記載の生成部に対応する。モデル生成部３８は、真値導出部３０による検知結果を推定するためのセンサモデルであり、すなわち、車両の移動量の真値に関して推定するためのセンサモデルを生成する。モデル生成部３８は、移動量導出部１２０により導出された車両の移動量の成分を説明変数とし、かつ、真値導出部３０により導出された車両の移動量の成分値（すなわち真値）と、移動量導出部１２０により導出された車両の移動量の成分値との差を目的変数とするセンサモデルを生成する。
具体的には、図８に例示したように、モデル生成部３８は、誤差導出部３２により導出された誤差と、移動量量子化部１２１により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとの組合せを、サンプルごと、かつ、移動量の成分ごとに作成する。モデル生成部３８は、誤差導出部３２により算出された誤差を目的変数とし、移動量量子化部１２１により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとをダミー変数（値は「１」）として統計処理（実施例では重回帰分析）を実行することにより、複数のカテゴリにかかる複数のカテゴリ係数を導出する。
モデル生成部３８は、移動量の成分のそれぞれについて、カテゴリ係数を設定した回帰式（上記の式１）をセンサモデルとして生成し、センサモデルのデータをモデル記憶部４０に格納する。すなわち、モデル生成部３８は、横移動量の誤差を目的変数とするセンサモデル、縦移動量の誤差を目的変数とするセンサモデル、および旋回角の誤差を目的変数とするセンサモデルを生成してモデル記憶部４０に格納する。
次に、センサモデル生成装置２０により生成されたセンサモデルを使用する車両シミュレーションシステムを説明する。第２実施例の車両シミュレーションシステム１１０の基本的な機能ブロックは、図４に示す第１実施例の車両シミュレーションシステム１１０の機能ブロックと同様である。
環境データ生成部１４は、センサモデルの説明変数の値を含む環境データを生成する。第２実施例の環境データは、車両シミュレーションのパラメータとしての、車載センサからの出力結果に基づく車両の移動量の想定値（単位時間当りの横移動量、縦移動量、旋回角）を含む。この想定値は、移動量導出部１２０により検知される移動量の成分の想定値とも言える。また、第２実施例の環境データは、車両シミュレーションのパラメータとしてのタグデータ、例えば、天気、気温、車両重量等をさらに含む。
センサモデル部５０は、上記概要に記載の推定部に対応する。センサモデル部５０は、
移動量導出部１２０により検知される車両の移動量成分をセンサモデルに入力することにより、車両の移動量成分の真値を推定する。
車両モデル部１８は、上記概要に記載のシミュレーション部に対応する。車両モデル部１８は、センサモデル部５０により推定された車両の移動量成分の真値をもとに車両シミュレーションを実行する。例えば、車両モデル部１８は、車両の移動量成分の真値に基づいて、車両の次の挙動を決定してもよい。
シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を不図示の表示装置に表示させてもよく、または、不図示の記憶装置に格納してもよい。シミュレーションの担当者は、車両モデル部１８により決定された上記次の挙動の内容を表示装置にて確認し、次の挙動が問題ないか否かを確認してもよい。
図１０は、第２実施例のセンサモデル部５０の詳細を示すブロック図である。第２実施例のセンサモデル部５０は、タグ量子化部５２、移動量量子化部１２２、誤差導出部５６、補正部１２４、モデル記憶部４０を含む。モデル記憶部４０は、上記概要に記載の記憶部に対応する。モデル記憶部４０は、センサモデル生成装置２０により生成された車両の移動量成分ごとのセンサモデルを記憶する。
移動量量子化部１２２は、環境データ生成部１４により生成された移動量成分値を、シミュレーション制御部１０を介して受け付け、成分ごとに、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、移動量量子化部１２２は、図８で示したように、移動量成分値のうち横移動量を、複数のカテゴリ（０〜５、５〜１０等）のうち該当するカテゴリに分類する。
誤差導出部５６は、環境データ生成部１４により生成された移動量成分値およびタグデータと、モデル記憶部４０に記憶されたセンサモデル（例えば上記の式１）とにしたがって、移動量誤差を導出する。具体的には、誤差導出部５６は、センサモデルのダミー変数のうち、タグ量子化部５２および移動量量子化部１２２により選択された（すなわち該当すると判断された）カテゴリに対応するダミー変数の値を１に設定することにより、センサモデルの目的変数である移動量誤差の値を算出する。なお、誤差導出部５６は、横移動量の誤差に関するセンサモデル、縦移動量の誤差に関するセンサモデル、旋回角の誤差に関するセンサモデルを使用して、横移動量の誤差、縦移動量の誤差、旋回角の誤差のそれぞれを導出する。
補正部１２４は、誤差導出部５６により導出された車両の移動量成分ごとの誤差を、環境データ生成部１４により生成された移動量成分値に足すことにより、車両の移動量成分ごとの真値を導出する。補正部１２４により導出される車両の移動量成分ごとの真値は、移動量導出部１２０より精度が高い真値導出部３０による車両の移動量の検知結果に対応するものである。補正部１２４により導出された値（すなわち真値としての横移動量、縦移動量、旋回角）は、シミュレーション制御部１０を介して車両モデル部１８へ入力され、例えば車両の挙動がシミュレーションされる。
以上の構成による動作を説明する。
まず、図９を参照しつつ、第２実施例のセンサモデル生成装置２０に関する動作を説明する。車両シミュレーションシステムを顧客やパートナー企業に提供すべき車載機器の開発者は、実際に車両を走行させて、車載センサ（速度センサ、操舵角センサ等）から出力された複数サンプル分のセンサデータをセンサデータ記憶部２２に記憶させる。各車載センサは、検知結果を示すセンサデータを車載ネットワークであるＣＡＮ（Controller Area Network）へ出力してもよく、センサデータ記憶部２２は、ＣＡＮを流れるセンサデータを収集し、記憶してもよい。
それとともに開発者は、車両走行時にＧＰＳ装置により計測された複数サンプル分の位置データ（車両の位置の推移を示すデータ）を参照データ記憶部２４に記憶させる。さらにまた、開発者は、天気や路面種別等の定性的な内容を含む複数サンプル分のタグデータをタグデータ記憶部２６に記憶させる。
移動量導出部１２０は、サンプルごとに、センサデータ記憶部２２に格納されたセンサデータをもとに車両の移動量成分（横移動量、縦移動量、旋回角）の値を導出する。真値導出部３０は、サンプルごとに、参照データ記憶部２４に格納された位置データから車両の移動量成分の真値を導出する。具体的には、真値導出部３０は、参照データ記憶部２４に格納された現フレームの位置データと、前フレームの位置データとを読み出し、その差分に応じて、車両の移動量成分の真値を算出する。誤差導出部３２は、サンプルごとに、横移動量の誤差、縦移動量の誤差、旋回角の誤差を導出する。移動量量子化部１２１は、サンプルごとに、移動量導出部１２０により検知された移動量成分の値のカテゴリを特定する。タグ量子化部３６は、サンプルごとに、タグデータのカテゴリを特定する。
モデル生成部３８は、移動量導出部１２０により検知された移動量成分の値のカテゴリと、タグデータのカテゴリとをダミー変数とし、車両の移動量成分の誤差を目的変数として、複数のサンプルによる重回帰分析を実行することで、センサモデルを生成する。第２実施例では、モデル生成部３８は、横移動量の誤差、縦移動量の誤差、旋回角の誤差のそれぞれを目的変数とする３種類のセンサモデルを生成する。モデル生成部３８は、３種類のセンサモデルをモデル記憶部４０に格納する。
第２実施例のセンサモデル生成装置２０によると、環境要因を加味した車両の移動量に関するセンサモデルであり、現実に即した結果を出力するセンサモデルを実現できる。例えば、天気や路面種別等の定性的な内容を反映した結果を出力するセンサモデルを実現できる。また、第２実施例のセンサモデルでは、センサ検知に基づく、誤差を含み得る移動量の値から、移動量の真値に関するデータを得ることができる。
次に図４および図１０を参照しつつ、第２実施例の車両シミュレーションシステム１１０に関する動作を説明する。環境データ生成部１４は、ユーザインタフェース１２を介して入力されたユーザ操作に応じて、車両シミュレーションのパラメータとして、移動量成分値とタグデータを生成する。これらのパラメータの値は、ユーザ（ユーザ端末）により指定されてもよい。また、車両シミュレーションのパラメータとしての移動量成分値は、車載センサからの出力結果に基づく横移動量、縦移動量、旋回角の想定値であり、真値とは異なり得る。
タグ量子化部５２は、環境データ生成部１４により生成されたタグデータ（例えば天気や路面種別等）のカテゴリを特定する。移動量量子化部１２２は、環境データ生成部１４により生成された移動量成分値のカテゴリを特定する。
誤差導出部５６は、モデル記憶部４０に記憶された３種類のセンサモデルの説明変数のカテゴリを示すダミー変数のうち、タグ量子化部５２および移動量量子化部１２１により特定されたカテゴリ（ダミー変数）の値を「１」に設定する。これにより、誤差導出部５６は、３種類のセンサモデルの目的変数の値として、横移動量の誤差、縦移動量の誤差、旋回角の誤差を得る。補正部１２４は、環境データ生成部１４により生成された移動量成分値に誤差を足すことにより、横移動量の真値、縦移動量の真値、旋回角の真値を推定する。
車両モデル部１８は、補正部１２４により推定された横移動量の真値、縦移動量の真値、旋回角の真値に基づいて、車両シミュレーションを実行し、例えば、車両の次の挙動を決定する。シミュレーション制御部１０は、車両モデル部１８によるシミュレーションの結果を、所定の出力装置に出力し、または、所定の記憶装置に記憶させる。
第２実施例の車両シミュレーションシステム１１０によると、環境要因を加味した車両の移動量に関するセンサモデルであり、現実に即した結果を出力するセンサモデルを使用することにより、精度の高いシミュレーションを実現できる。例えば、車載センサからの出力結果に基づく移動量の想定値をもとに、環境要因を加味した移動量の真値を精度よく推定することができる。
以上、本開示を第２実施例をもとに説明した。第２実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。
第１実施例の第１変形例に記載した曲線フィッティングは、第２実施例の変形例としても適用できる。センサモデルを使用して目的変数の値を求める推定部（第２実施例では誤差導出部５６が対応する）は、複数個のダミー変数に係る各々のカテゴリ係数から、曲線フィッティングにより説明変数の連続値に対するカテゴリ係数の連続値を求めてもよい。誤差導出部５６は、上記カテゴリ係数の連続値の中から車両シミュレーションにおける説明変数の値に対応するカテゴリ係数の値をセンサモデルに適用してもよい。
図６の例と同様に、誤差導出部５６は、横移動量の複数個のカテゴリに対応する複数個のカテゴリ係数に対して曲線フィッティングを行うことにより近似曲線を導出してもよい。誤差導出部５６は、縦移動量、旋回角、タグデータのうち定量的なもの（気温等）についても同様に、複数個のカテゴリ係数に応じた近似曲線を導出してもよい。誤差導出部５６は、環境データ生成部１４により生成された横移動量、縦移動量、旋回角、タグデータのうち定量的なものについて、それぞれの値に対応するカテゴリ係数を近似曲線から取得し、センサモデル（例えば上記の式１）に当てはめてもよい。なお、ダミー変数の値を「１」にすることは実施例と同様である。この変形例によると、曲線フィッティングにより、入力された説明変数の値に対する適切な重み付けを実現できる。
第１実施例の第２変形例に記載したホワイトノイズの足し込みは、第２実施例の変形例としても適用できる。すなわち、車両シミュレーションシステム１１０のユーザインタフェース１２は、乱数に関するデータの指定をユーザから受け付ける受付部として機能してもよい。センサモデル部５０の補正部１２４は、ユーザから指定された乱数に関するデータをもとに、センサモデルを用いた推定値（誤差の値または移動量の成分値）にホワイトノイズを足してもよい。この変形例によると、ホワイトノイズを加味して、より現実に即した推定結果を求めることができる。
（第３実施例）
車両シミュレーションでは、シナリオに基づき車両の移動量の正確な値（真値）が既知の場合がある。この場合、車両の移動量の真値に基づく公知の計算によりセンサデータ（車速、操舵角等）を算出可能であるが、車両の横滑り等があると、センサデータの算出値は、実際の値とは異なるものになってしまう。
第３実施例のセンサモデル生成装置も、第２実施例と同様に、車両または車両周辺の現実の状態を示す環境データと、車両の移動量に関するデータとに基づいて、数量化分析を用いた統計処理によりセンサモデルを生成する。そして、第３実施例の車両シミュレーションシステムは、そのセンサモデルを活用することにより精度の高いシミュレーションを実現する。第３実施例のセンサモデル生成装置および車両シミュレーションシステムを構成する部材のうち、第１実施例または第２実施例で説明した部材と同一または対応するものには同じ符号を付す。また、第１実施例または第２実施例と重複する内容は再度の説明を適宜省略する。
まず、第３実施例のセンサモデルを説明する。第３実施例のセンサモデルは、車両のシミュレーションシステムにおいて、車両の移動量に関する推定を行うためのモデルである。具体的には、第３実施例のセンサモデルは、真値導出部３０により検知された移動量の成分を説明変数とし、かつ、真値導出部３０により検知された移動量の成分の真値と、移動量導出部１２０により検知された移動量の成分値との差を目的変数とするモデルである。第３実施例のセンサモデルも、第１実施例および第２実施例と同様に、上記の式１で表すことができる。
第３実施例におけるセンサモデル構築のためのサンプルデータは、図８と同様である。ただし、第２実施例では、少なくとも（１）横移動量、（２）縦移動量、（３）旋回角は、移動量導出部１２０により導出されたものであり、真値と異なり得る値であった。一方、第３実施例では、少なくとも（１）横移動量、（２）縦移動量、（３）旋回角は、真値導出部３０により導出されたものであり、真値（または真値と見なせる値）である。
図１１は、第３実施例のセンサモデル生成装置２０の機能ブロックを示すブロック図である。第３実施例のセンサモデル生成装置２０は、第２実施例のセンサモデル生成装置２０における移動量量子化部１２１に代えて真値量子化部３４を備える。第３実施例のセンサモデル生成装置２０における機能ブロックのうち、センサデータ記憶部２２、参照データ記憶部２４、タグデータ記憶部２６、移動量導出部１２０、真値導出部３０、誤差導出部３２、タグ量子化部３６は、第２実施例と同様であるため説明を省略する。
真値量子化部３４は、サンプルごとに、真値導出部３０による検知結果を、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部３４は、真値導出部３０により検知された横移動量、縦移動量、旋回角（いずれも所定の単位時間当りの真値）のそれぞれについて、予め定められた複数のカテゴリのいずれかに分類する。第３実施例では、図８で示したように、該当するカテゴリの値を「１」に設定する。
モデル生成部３８は、移動量導出部１２０による検知結果を推定するためのセンサモデルであり、言い換えれば、車載センサから出力されるセンサデータを推定するためのセンサモデルを生成する。モデル生成部３８は、真値導出部３０により導出された車両の移動量の成分を説明変数とし、かつ、真値導出部３０により導出された車両の移動量の成分値（すなわち真値）と、移動量導出部１２０により導出された車両の移動量の成分値との差を目的変数とするセンサモデルを生成する。
具体的には、図８に例示したように、モデル生成部３８は、誤差導出部３２により導出された誤差と、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとの組合せを、サンプルごと、かつ、移動量の成分ごとに作成する。モデル生成部３８は、誤差導出部３２により算出された誤差を目的変数とし、真値量子化部３４により選択されたカテゴリと、タグ量子化部３６により選択されたカテゴリとをダミー変数（値は「１」）として統計処理（実施例では重回帰分析）を実行することにより、複数のカテゴリにかかる複数のカテゴリ係数を導出する。
モデル生成部３８は、移動量の成分のそれぞれについて、カテゴリ係数を設定した回帰式（上記の式１）をセンサモデルとして生成し、センサモデルのデータをモデル記憶部４０に格納する。すなわち、モデル生成部３８は、横移動量の誤差を目的変数とするセンサモデル、縦移動量の誤差を目的変数とするセンサモデル、および旋回角の誤差を目的変数とするセンサモデルを生成してモデル記憶部４０に格納する。
次に、センサモデル生成装置２０により生成されたセンサモデルを使用する車両シミュレーションシステムを説明する。第３実施例の車両シミュレーションシステム１１０の基本的な機能ブロックは、図４に示す第１実施例の車両シミュレーションシステム１１０の機能ブロックと同様である。
環境データ生成部１４は、センサモデルの説明変数の値を含む環境データを生成する。第３実施例の環境データは、車両シミュレーションのシナリオに基づいて予め定められた、車両シミュレーションのパラメータとしての、車両の移動量成分の真値（単位時間当りの横移動量、縦移動量、旋回角）を含む。この真値は、真値導出部３０により検知される移動量の成分値に対応する。また、第３実施例の環境データは、第２実施例と同様に、車両シミュレーションのパラメータとしてのタグデータ、例えば、天気、気温、車両重量等をさらに含む。
センサモデル部５０は、真値導出部３０による検知結果に対応する値であり、すなわち、車両の移動量成分の真値をセンサモデルに入力することにより、移動量導出部１２０により検知される車両の移動量成分値を推定する。言い換えれば、センサモデル部５０は、真値が示す移動（典型的にはシミュレーションのシナリオ通りの移動）を車両が行った場合に、車載センサ（速度センサ、操舵角センサ等）の出力結果に基づいて検知される車両の移動量（以下「センサ検知移動量」とも呼ぶ。）を推定する。センサ検知移動量は、単位時間当りの横移動量、縦移動量、旋回角を含み、また、真値とは異なり得る。
車両モデル部１８は、センサモデル部５０により推定されたセンサ検知移動量をもとに車両シミュレーションを実行する。例えば、車両モデル部１８は、センサ検知移動量（推定値）を、自動走行制御プログラム（もしくはそのプログラムが実装されたＥＣＵ（Electronic Control Unit））に入力し、自動走行制御プログラムの実行結果をシミュレーション結果として出力してもよい。
シミュレーション制御部１０は、車両モデル部１８によるシミュレーション結果を不図示の表示装置に表示させてもよく、または、不図示の記憶装置に格納してもよい。シミュレーションの担当者は、車両モデル部１８により出力された自動走行制御プログラムの実行結果を確認し、問題がないか否かを確認してもよい。
図１２は、第３実施例のセンサモデル部５０の詳細を示すブロック図である。第３実施例のセンサモデル部５０は、タグ量子化部５２、真値量子化部５４、誤差導出部５６、補正部１２４、モデル記憶部４０を含む。モデル記憶部４０は、センサモデル生成装置２０により生成された車両の移動量成分ごとのセンサモデルを記憶する。
真値量子化部５４は、環境データ生成部１４により生成された移動量成分の真値を、シミュレーション制御部１０を介して受け付け、成分ごとに、予め定められた説明変数の複数のカテゴリのいずれかに分類する。例えば、真値量子化部５４は、図８で示したように、移動量成分の真値のうち横移動量の真値を、複数のカテゴリ（０〜５、５〜１０等）のうち該当するカテゴリに分類する。
誤差導出部５６は、環境データ生成部１４により生成された移動量成分の真値およびタグデータと、モデル記憶部４０に記憶されたセンサモデル（例えば上記の式１）とにしたがって、移動量誤差を導出する。具体的には、誤差導出部５６は、センサモデルのダミー変数のうち、タグ量子化部５２および真値量子化部５４により選択されたカテゴリに対応するダミー変数の値を１に設定することにより、センサモデルの目的変数である移動量誤差の値を算出する。なお、誤差導出部５６は、横移動量の誤差に関するセンサモデル、縦移動量の誤差に関するセンサモデル、旋回角の誤差に関するセンサモデルを使用して、横移動量の誤差、縦移動量の誤差、旋回角の誤差のそれぞれを導出する。
補正部１２４は、誤差導出部５６により導出された車両の移動量成分ごとの誤差を、環境データ生成部１４により生成された移動量成分の真値に足すことにより、センサ検知移動量の各成分の値を導出する。補正部１２４により導出されるセンサ検知移動量は、真値導出部３０より精度が低い移動量導出部１２０による検知結果に対応するものである。補正部１２４により導出されたセンサ検知移動量の各成分の値（すなわち横移動量、縦移動量、旋回角）は、シミュレーション制御部１０を介して車両モデル部１８へ入力され、例えば、自動運転制御用のＥＣＵの挙動がシミュレーションされる。
以上の構成による動作を説明する。
まず、図１１を参照しつつ、第３実施例のセンサモデル生成装置２０に関する動作を説明する。移動量導出部１２０、真値導出部３０、誤差導出部３２、タグ量子化部３６の動作は、第２実施例の動作と同じであるため説明を省略する。真値量子化部３４は、サンプルごとに、真値導出部３０により検知された移動量成分の真値のカテゴリを特定する。
モデル生成部３８は、真値量子化部３４により検知された移動量成分の真値のカテゴリと、タグデータのカテゴリとをダミー変数とし、移動量成分の誤差を目的変数として、複数のサンプルによる重回帰分析を実行することで、センサモデルを生成する。第３実施例でも、モデル生成部３８は、横移動量の誤差、縦移動量の誤差、旋回角の誤差のそれぞれを目的変数とする３種類のセンサモデルを生成する。モデル生成部３８は、３種類のセンサモデルをモデル記憶部４０に格納する。
第３実施例のセンサモデル生成装置２０によると、環境要因を加味した車両の移動量に関するセンサモデルであり、現実に即した結果を出力するセンサモデルを実現できる。例えば、天気や路面種別等の定性的な内容を反映した結果を出力するセンサモデルを実現できる。また、第３実施例のセンサモデルでは、車両の移動量の真値から、誤差を含み得るセンサ検知移動量に関するデータを得ることができる。
次に図４および図１２を参照しつつ、第３実施例の車両シミュレーションシステム１１０に関する動作を説明する。環境データ生成部１４は、ユーザインタフェース１２を介して入力されたユーザ操作に応じて、車両シミュレーションのパラメータとして、シミュレーションのシナリオに基づいてユーザが決定した移動量の真値と、タグデータを生成する。センサモデル部５０のタグ量子化部５２は、環境データ生成部１４により生成されたタグデータ（例えば天気や路面種別等）のカテゴリを特定する。真値量子化部５４は、環境データ生成部１４により生成された移動量成分の真値のカテゴリを特定する。
誤差導出部５６は、モデル記憶部４０に記憶された３種類のセンサモデルの説明変数のカテゴリを示すダミー変数のうち、タグ量子化部５２および真値量子化部５４により特定されたカテゴリ（ダミー変数）の値を「１」に設定する。これにより、誤差導出部５６は、３種類のセンサモデルの目的変数の値として、横移動量の誤差、縦移動量の誤差、旋回角の誤差を得る。補正部１２４は、環境データ生成部１４により生成された移動量成分の真値に誤差を足すことにより、センサ検知移動量としての横移動量、縦移動量、旋回角を推定する。
車両モデル部１８は、補正部１２４により推定された横移動量、縦移動量、旋回角に基づいて、車両シミュレーションを実行する。例えば、車両モデル部１８は、自動運転制御用のプログラム（またはＥＣＵ）にセンサ検知移動量としての横移動量、縦移動量、旋回角を入力し、そのプログラム（またはＥＣＵ）の出力結果を得る。なお、車両モデル部１８は、センサ検知移動量をもとに対応するセンサデータ（車速、操舵角等）を導出し、そのセンサデータを、自動運転制御用のプログラム（またはＥＣＵ）に入力してもよい。シミュレーション制御部１０は、車両モデル部１８によるシミュレーションの結果を、所定の出力装置に出力し、または、所定の記憶装置に記憶させる。
第３実施例の車両シミュレーションシステム１１０によると、環境要因を加味した車両の移動量に関するセンサモデルであり、現実に即した結果を出力するセンサモデルを使用することにより、精度の高いシミュレーションを実現できる。例えば、シミュレーションのシナリオに基づく車両の移動量の真値をもとに、現実の車両がそのシナリオの挙動を行う場合のセンサ検知移動量を特定し、そのセンサ検知移動量において車両に不具合が生じないことを確認することができる。
以上、本開示を第３実施例をもとに説明した。第３実施例は例示であり、各構成要素あるいは各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。
第１実施例の第１変形例に記載した曲線フィッティング、および、第１実施例の第２変形例に記載したホワイトノイズの足し込みは、第２実施例の変形例のみならず、第３実施例の変形例としても適用できることはもちろんである。
上述した実施例および変形例の任意の組み合わせもまた本開示の実施の形態として有用である。組み合わせによって生じる新たな実施の形態は、組み合わされる実施例および変形例それぞれの効果をあわせもつ。また、請求項に記載の各構成要件が果たすべき機能は、実施例および変形例において示された各構成要素の単体もしくはそれらの連携によって実現されることも当業者には理解されるところである。
実施例および変形例に記載の技術は、以下の項目によって特定されてもよい。
［項目１］
車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出する第１導出部と、
前記第１導出部より高い精度で、前記車両に関する属性の状態を導出する第２導出部と、
前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する生成部と、
を備えるモデル生成装置。
［項目２］
前記車両の自動走行に関する属性の状態は、前記車両の自動走行を制御するための前記車両周辺の状態であり、
前記第１導出部は、前記車両の周辺が映る画像データから、前記車両周辺の状態を導出し、
前記モデルは、前記車両のシミュレーションにおいて前記第１導出部による導出結果に関して推定するためのモデルであって、前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルである、
項目１に記載のモデル生成装置。
［項目３］
前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
前記モデルは、前記車両のシミュレーションにおいて前記第２導出部による導出結果に関して推定するためのモデルであって、前記第１導出部により導出された移動量の成分を説明変数とし、前記第２導出部により導出された移動量の成分と、前記第１導出部により導出された移動量の成分との差を目的変数とするモデルである、
項目１に記載のモデル生成装置。
［項目４］
前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
前記モデルは、前記車両のシミュレーションにおいて前記第１導出部による導出結果に関して推定するためのモデルであって、前記第２導出部により導出された移動量の成分を説明変数とし、前記第２導出部により導出された移動量の成分と、前記第１導出部により導出された移動量の成分との差を目的変数とするモデルである、
項目１に記載のモデル生成装置。
［項目５］
車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出する導出部について、前記導出部により導出される前記属性の状態、または、前記属性の状態の真値に関して推定するためのモデルであって、前記導出部により導出された前記属性の状態、または、前記属性の状態の真値を説明変数とし、前記属性の状態の真値と、前記導出部により導出された前記属性の状態との差を目的変数とするモデルを記憶する記憶部と、
シミュレーションのパラメータとして、前記導出部により導出される前記属性の状態と前記属性の状態の真値の一方を前記モデルに入力することにより、前記導出部により導出される前記属性の状態と前記属性の状態の真値の他方を推定する推定部と、
前記推定部による推定結果をもとに前記車両に関するシミュレーションを実行するシミュレーション部と、
を備える車両シミュレーションシステム。
［項目６］
前記導出部は、車両の周辺が映る画像データから、前記車両の自動走行に関する属性の状態として、前記車両の自動走行を制御するための前記車両周辺の状態を導出するものであり、
前記モデルは、前記導出部による導出結果に関して推定するためのモデルであって、前記車両周辺の状態の真値を説明変数とし、前記車両周辺の状態の真値と、前記導出部により導出された状態との差を目的変数とするモデルであり、
前記推定部は、シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記モデルに入力することにより、前記導出部による導出結果を推定する、
項目５に記載の車両シミュレーションシステム。
［項目７］
前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
前記モデルは、前記移動量の成分の真値に関して推定するためのモデルであって、前記導出部により導出された移動量の成分を説明変数とし、前記移動量の成分の真値と、前記導出部により導出された移動量の成分との差を目的変数とするモデルであり、
前記推定部は、前記導出部により導出される移動量の成分を前記モデルに入力することにより、前記移動量の成分の真値を推定する、
項目５に記載の車両シミュレーションシステム。
［項目８］
前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
前記モデルは、前記移動量の成分の真値に関して推定するためのモデルであって、前記移動量の成分の真値を説明変数とし、前記移動量の成分の真値と、前記導出部により導出された移動量の成分との差を目的変数とするモデルであり、
前記推定部は、前記移動量の成分の真値を前記モデルに入力することにより、前記導出部により導出される移動量の成分を推定する、
項目５に記載の車両シミュレーションシステム。
［項目９］
前記モデルは、前記説明変数の複数段階の値に対応する複数個のダミー変数を含み、
前記推定部は、前記複数個のダミー変数に係る各々の係数から、曲線フィッティングにより前記説明変数の連続値に対する係数の連続値を求め、前記係数の連続値の中からシミュレーションにおける前記説明変数の値に対応する係数値を前記モデルに適用する、
項目５から８のいずれかに記載の車両シミュレーションシステム。
［項目１０］
乱数に関するデータの指定をユーザから受け付ける受付部をさらに備え、
前記推定部は、前記乱数に関するデータをもとに、前記モデルを用いた推定値にホワイトノイズを足す、
項目５から９のいずれかに記載の車両シミュレーションシステム。
［項目１１］
第１導出部が、車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出し、
第２導出部が、前記第１導出部より高い精度で、前記車両に関する属性の状態を導出し、
前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する、
モデル生成方法。
［項目１２］
第１導出部が、車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出し、
第２導出部が、前記第１導出部より高い精度で、前記車両に関する属性の状態を導出し、
前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する、
ことをコンピュータに実行させるためのコンピュータプログラム。
１８ 車両モデル部、 ２０ センサモデル生成装置、 ２８ 画像解析部、 ３０ 真値導出部、 ３２ 誤差導出部、 ３８ モデル生成部、 ４０ モデル記憶部、 ５０ センサモデル部、 １１０ 車両シミュレーションシステム。

Claims (12)

  1. 車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出する第１導出部と、
    前記第１導出部より高い精度で、前記車両に関する属性の状態を導出する第２導出部と、
    前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する生成部と、
    を備えるモデル生成装置。
  2. 前記車両の自動走行に関する属性の状態は、前記車両の自動走行を制御するための前記車両周辺の状態であり、
    前記第１導出部は、前記車両の周辺が映る画像データから、前記車両周辺の状態を導出し、
    前記モデルは、前記車両のシミュレーションにおいて前記第１導出部による導出結果に関して推定するためのモデルであって、前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルである、
    請求項１に記載のモデル生成装置。
  3. 前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
    前記モデルは、前記車両のシミュレーションにおいて前記第２導出部による導出結果に関して推定するためのモデルであって、前記第１導出部により導出された移動量の成分を説明変数とし、前記第２導出部により導出された移動量の成分と、前記第１導出部により導出された移動量の成分との差を目的変数とするモデルである、
    請求項１に記載のモデル生成装置。
  4. 前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
    前記モデルは、前記車両のシミュレーションにおいて前記第１導出部による導出結果に関して推定するためのモデルであって、前記第２導出部により導出された移動量の成分を説明変数とし、前記第２導出部により導出された移動量の成分と、前記第１導出部により導出された移動量の成分との差を目的変数とするモデルである、
    請求項１に記載のモデル生成装置。
  5. 車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出する導出部について、前記導出部により導出される前記属性の状態、または、前記属性の状態の真値に関して推定するためのモデルであって、前記導出部により導出された前記属性の状態、または、前記属性の状態の真値を説明変数とし、前記属性の状態の真値と、前記導出部により導出された前記属性の状態との差を目的変数とするモデルを記憶する記憶部と、
    シミュレーションのパラメータとして、前記導出部により導出される前記属性の状態と前記属性の状態の真値の一方を前記モデルに入力することにより、前記導出部により導出される前記属性の状態と前記属性の状態の真値の他方を推定する推定部と、
    前記推定部による推定結果をもとに前記車両に関するシミュレーションを実行するシミュレーション部と、
    を備える車両シミュレーションシステム。
  6. 前記導出部は、車両の周辺が映る画像データから、前記車両の自動走行に関する属性の状態として、前記車両の自動走行を制御するための前記車両周辺の状態を導出するものであり、
    前記モデルは、前記導出部による導出結果に関して推定するためのモデルであって、前記車両周辺の状態の真値を説明変数とし、前記車両周辺の状態の真値と、前記導出部により導出された状態との差を目的変数とするモデルであり、
    前記推定部は、シミュレーションのパラメータとしての前記車両周辺の状態の真値を前記モデルに入力することにより、前記導出部による導出結果を推定する、
    請求項５に記載の車両シミュレーションシステム。
  7. 前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
    前記モデルは、前記移動量の成分の真値に関して推定するためのモデルであって、前記導出部により導出された移動量の成分を説明変数とし、前記移動量の成分の真値と、前記導出部により導出された移動量の成分との差を目的変数とするモデルであり、
    前記推定部は、前記導出部により導出される移動量の成分を前記モデルに入力することにより、前記移動量の成分の真値を推定する、
    請求項５に記載の車両シミュレーションシステム。
  8. 前記車両の自動走行に関する属性の状態は、前記車両の移動量の成分であり、
    前記モデルは、前記移動量の成分の真値に関して推定するためのモデルであって、前記移動量の成分の真値を説明変数とし、前記移動量の成分の真値と、前記導出部により導出された移動量の成分との差を目的変数とするモデルであり、
    前記推定部は、前記移動量の成分の真値を前記モデルに入力することにより、前記導出部により導出される移動量の成分を推定する、
    請求項５に記載の車両シミュレーションシステム。
  9. 前記モデルは、前記説明変数の複数段階の値に対応する複数個のダミー変数を含み、
    前記推定部は、前記複数個のダミー変数に係る各々の係数から、曲線フィッティングにより前記説明変数の連続値に対する係数の連続値を求め、前記係数の連続値の中からシミュレーションにおける前記説明変数の値に対応する係数値を前記モデルに適用する、
    請求項５から８のいずれかに記載の車両シミュレーションシステム。
  10. 乱数に関するデータの指定をユーザから受け付ける受付部をさらに備え、
    前記推定部は、前記乱数に関するデータをもとに、前記モデルを用いた推定値にホワイトノイズを足す、
    請求項５から９のいずれかに記載の車両シミュレーションシステム。
  11. 第１導出部が、車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出し、
    第２導出部が、前記第１導出部より高い精度で、前記車両に関する属性の状態を導出し、
    前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する、
    モデル生成方法。
  12. 第１導出部が、車両に搭載されたセンサの出力結果をもとに、前記車両の自動走行に関する属性の状態を導出し、
    第２導出部が、前記第１導出部より高い精度で、前記車両に関する属性の状態を導出し、
    前記車両のシミュレーションのためのモデルであって、前記第１導出部または前記第２導出部により導出された状態を説明変数とし、前記第２導出部により導出された状態と、前記第１導出部により導出された状態との差を目的変数とするモデルを生成する、
    ことをコンピュータに実行させるためのコンピュータプログラム。
JP2019029204A 2018-12-28 2019-02-21 モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム Pending JP2020109386A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018246962 2018-12-28
JP2018246962 2018-12-28

Publications (1)

Publication Number Publication Date
JP2020109386A true JP2020109386A (ja) 2020-07-16

Family

ID=71570025

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019029204A Pending JP2020109386A (ja) 2018-12-28 2019-02-21 モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム
JP2019054370A Pending JP2020109602A (ja) 2018-12-28 2019-03-22 モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2019054370A Pending JP2020109602A (ja) 2018-12-28 2019-03-22 モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム

Country Status (1)

Country Link
JP (2) JP2020109386A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022254790A1 (ja) * 2021-05-31 2022-12-08 ソニーセミコンダクタソリューションズ株式会社 情報処理装置、情報処理方法、及び、プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7320756B2 (ja) * 2020-03-27 2023-08-04 パナソニックＩｐマネジメント株式会社 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム
JP2022120598A (ja) * 2021-02-05 2022-08-18 直之 村上 コンピユーターの目（ｐｃｅｙｅ）

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022254790A1 (ja) * 2021-05-31 2022-12-08 ソニーセミコンダクタソリューションズ株式会社 情報処理装置、情報処理方法、及び、プログラム

Also Published As

Publication number Publication date
JP2020109602A (ja) 2020-07-16

Similar Documents

Publication Publication Date Title
US10453256B2 (en) Lane boundary detection data generation in virtual environment
US10671077B2 (en) System and method for full-stack verification of autonomous agents
CN102445902B (zh) 用于机器状况监视的条件多输出回归的系统和方法
US20170109458A1 (en) Testbed for lane boundary detection in virtual driving environment
Lu et al. A video-based approach to calibrating car-following parameters in VISSIM for urban traffic
CN108645413A (zh) 一种移动机器人的同时定位与地图创建的动态纠正方法
CN111179300A (zh) 障碍物检测的方法、装置、系统、设备以及存储介质
JP2020109386A (ja) モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム
CN111275969B (zh) 一种基于道路环境智能识别的车辆轨迹填充方法
EP4172022A1 (en) Systems and methods for optimizing trajectory planner based on human driving behaviors
CN116702096B (zh) 车辆高原环境道路滑行阻力测算方法及装置
WO2023043533A1 (en) Lidar simulation system
JP7320756B2 (ja) 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム
Krajewski et al. Using drones as reference sensors for neural-networks-based modeling of automotive perception errors
JP7365633B2 (ja) 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム
CN105180955A (zh) 机动车实时精准定位方法及装置
Zhou et al. Crater identification simulation using LiDAR on Lunar rover
JP7349626B2 (ja) モデル生成装置、車両シミュレーションシステム、モデル生成方法、車両シミュレーション方法およびコンピュータプログラム
Li et al. Efficient method based on recurrent neural networks for pavement evenness detection
JP7320755B2 (ja) 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム
EP4148392A1 (en) Method and apparatus for vehicle positioning
CN112651535A (zh) 局部路径规划方法、装置、存储介质、电子设备及车辆
JP7446416B2 (ja) 時空間ポーズ／オブジェクトデータベース
Zhang et al. Using simulation to design an MPC policy for field navigation using GPS sensing
Wang et al. Estimating adaptive cruise control model parameters from on-board radar units