JP2020142766A - 自動車用演算装置 - Google Patents

Abstract

【課題】深層学習を利用する機能を有する自動車用演算装置において、機能安全レベルを向上させる。【解決手段】深層学習を利用して車外環境を推定する車外環境推定部１１１と、車外環境推定部の推定結果を基にして、第１経路候補を算出する第１経路算出部１１３と、深層学習を利用せずに、所定のルールにより車外の対象物を認定する対象物認定部１２１と、対象物認定部１２１の結果を基にして、第２安全領域ＳＡ２を算出する第２安全領域算出部１２２と、自動車１の目標運動を決定する目標運動決定部１３０とを備え、目標運動決定部１３０は、第１経路候補が第２安全領域ＳＡ２内にあるときには、第１経路候補を自動車１が走行すべき経路として選択する一方、第１経路候補が第２安全領域ＳＡ２を逸脱しているときには、第１経路候補を自動車１が走行すべき経路としては選択しない。【選択図】図６

Description

ここに開示された技術は、自動車用演算装置に関する技術分野に属する。

昨今、ニューラルネットワークを用いた深層学習を利用して、車内外の環境認識を行う技術が自動車に対しても利用されるようになっている。

例えば、特許文献１には、車両の装備に対する乗員の状態を推定する推定装置であって、ニューラルネットワークを利用した深層学習により構築されたモデルを記憶する記憶部と、装備を含む画像を入力し、モデルを用いて乗員の状態を推定し、乗員の特定部位の骨格位置を示す第１の情報と、装備に対する乗員の状態を示す第２の情報と、を出力する処理部とを備える推定装置が開示されている。

特開２０１８−１３２９９６号公報

ところで、昨今では、国家的に自動運転システムの開発が推進されている。自動運転システムでは、一般に、カメラ等により車外環境情報が取得され、取得された車外環境情報に基づいて自動車が走行すべき経路が算出される。この経路の算出においては、車外環境の認定が重要であり、この車外環境の認定において、深層学習を利用することが検討されている。

ここで、自動運転を担う演算装置における機能安全のソフトウェア設計のコンセプトとして、プログラムを構成する複数のモジュールの機能安全の適用に関し、例えば、自動車用機能安全規格（ＩＳＯ ２６２６２）では、ハザードを評価する指標としてＡＳＩＬ（Automotive Safety Integrity Level）が提案されている。ＡＳＩＬでは、ＡＳＩＬ−ＡからＡＳＩＬ-Ｄまでの各機能安全レベルに見合った設計レベルでの開発が要求されている。

これに対し、深層学習を利用した車外環境の認定及び経路の算出は、未だ発展途上の状態であり、ＡＳＩＬ−Ｂ程度に留まるとされている。このため、自動運転機能を有する自動車においてＡＳＩＬ−Ｄ程度の機能安全レベルを満たすためには、演算装置を、深層学習を利用する機能のみで構成するのでは不十分である。

ここに開示された技術は、斯かる点に鑑みてなされたものであり、その目的とするところは、深層学習を利用する機能を有する演算装置において、機能安全レベルを向上させることにある。

前記課題を解決するために、ここに開示された技術では、自動車に搭載される自動車用演算装置を対象として、車外環境の情報を取得する情報取得手段からの出力を基にして、深層学習を利用して車外環境を推定する車外環境推定部と、前記車外環境推定部の推定結果を基にして、経路候補を算出する経路算出部と、前記情報取得手段からの出力を基にして、深層学習を利用せずに、所定のルールにより車外の対象物を認定する対象物認定部と、前記対象物認定部の結果を基にして、安全領域を算出する安全領域算出部と、前記経路算出部からの出力及び前記安全領域算出部からの出力を受けて、前記自動車の目標運動を決定する目標運動決定部とを備え、前記目標運動決定部は、前記経路候補が前記安全領域内にあるときには、該経路候補を前記自動車が走行すべき経路として選択して、前記自動車が前記経路候補を通るように該自動車の目標運動を決定する一方、前記経路候補が前記安全領域を逸脱しているときには、該経路候補を前記自動車が走行すべき経路としては選択しない、という構成とした。

この構成によると、深層学習による車外環境の推定とは別に、所定のルールにより車外の対象物が認定される。ここでいう、所定のルールとは、従来より自動車等に採用されている物標等の認定方法であって、所定のルールに基づく対象物の認定機能は、ＡＳＩＬ−Ｄ相当の機能安全レベルである。このため、対象物認定部の結果を基にして算出される安全領域は、安全性の高い領域であるといえる。

そして、目標運動決定部は、深層学習により推定された車外環境に基づいて算出された経路候補（以下、推定経路候補という）が安全領域内にあるときには、該推定経路候補を自動車が走行すべき経路とする。これにより、自動車が安全性の高い経路を走行することができる。一方で、推定経路候補が安全領域を逸脱しているときには、該経路候補を自動車が走行すべき経路としては選択しない。このときには、例えば、所定のルールにより認定された対象物情報に基づいて安全領域を通る経路を再算出したり、自動車に運転者が搭乗している場合には該運転者に運転を任せたりすることで、自動車が安全性の高い経路を走行することができる。

したがって、深層学習を利用する機能を有する演算装置において、機能安全レベルを向上させることができる。

前記自動車用演算装置の一実施形態では、前記経路算出部は、複数の前記経路候補を算出し、前記目標運動決定部は、前記複数の経路候補のうち前記安全領域から逸脱した経路については、前記自動車が走行すべき経路としては選択しない。

この構成によると、自動車はより効果的に安全性の高い経路を走行することができる。例えば、複数の経路候補のうち一部の候補が安全領域から逸脱しており、残りの候補は安全領域内にあるときには、該残りの経路のうちの１つを、自動車が走行すべき経路として選択することで、自動車は安全性の高い経路を走行することができる。また、複数の経路候補の全てが安全領域から逸脱しているときには、前述したように、所定のルールにより認定された対象物情報に基づいて安全領域を通る経路を再算出したり、自動車に運転者が搭乗している場合には該運転者に運転を任せたりすることで、自動車が安全性の高い経路を走行することができる。

前記自動車用演算装置において、前記経路算出部は、強化学習を利用して前記経路候補を算出する、という構成でもよい。

この構成によると、例えば、安全性（例えば、障害物との衝突リスクの低さ）を強化学習のＱ値として設定すれば、深層学習が適当である場合には、安全性の高い推定経路候補が算出されやすくなる。これにより、自動車はより効果的に安全性の高い経路を走行することができる。

以上説明したように、ここに開示された技術によると、深層学習を利用する機能を有する演算装置において、機能安全レベルを向上させることができる。

実施形態１に係る自動車用演算装置の機能構成を示すブロック図である。 演算装置により設定される走行経路の一例を示す図である。 第１演算部により設定される安全領域と第２演算部により設定される安全領域とを比較する図である。 深層学習により推定された車外環境に基づいて算出された経路候補と安全領域との関係の一例を示す図である。 深層学習により推定された車外環境に基づいて算出された経路候補と安全領域との関係を示す別の図である。 自動車の運転経路を決定する際のフローチャートである。 実施形態２に係る自動車用演算装置の機能構成を示すブロック図である。

以下、例示的な実施形態について、図面を参照しながら詳細に説明する。

（実施形態１）
図１は、本実施形態１に係る自動車用演算装置（以下、省略して演算装置１００という）の構成を示す。演算装置１００は、例えば、四輪の自動車１に搭載される演算装置である。自動車１は、運転者によるアクセル等の操作に応じて走行するマニュアル運転と、運転者の操作をアシストして走行するアシスト運転と、運転者の操作なしに走行する自動運転とが可能な自動車である。尚、以下の説明では、演算装置１００が搭載された自動車１を他の車両と区別するために、自車両１ということがある。

演算装置１００は、１つ又は複数のチップで構成されたマイクロプロセッサであって、ＣＰＵやメモリ等を有している。尚、図１においては、本実施形態に係る機能（後述する経路生成機能）を発揮するための構成を示しており、演算装置１００が有する全ての機能を示しているわけではない。

図１に示すように、演算装置１００は、複数のセンサ等からの出力に基づいて、自動車１の目標運動を決定して、デバイスの作動制御を行う。演算装置１００に情報を出力するセンサ等は、自動車１のボディ等に設けられかつ車外環境を撮影する複数のカメラ５０と、自動車１のボディ等に設けられかつ車外の物標等を検知する複数のレーダ５１と、自動車１の絶対速度を検出する車速センサ５２と、自動車１のアクセルペダルの踏み込み量を検出するアクセル開度センサ５３と、自動車１のステアリングホイールの回転角度（操舵角）を検出する操舵角センサ５４と、自動車１のブレーキペダルの踏み込み量を検出するブレーキセンサ５５と、全地球測位システム（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ：ＧＰＳ）を利用して、自動車１の位置（車両位置情報）を検出する位置センサ５６とを含んでいる。一方で、演算装置１００が制御する対象は、エンジン１０と、ブレーキ２０と、ステアリング３０とを含んでいる。

各カメラ５０は、自動車１の周囲を水平方向に３６０°撮影できるようにそれぞれ配置されている。各カメラ５０は、車外環境を示す光学画像を撮像して画像データを生成する。各カメラ５０は、生成した画像データを演算装置１００に出力する。カメラ５０は、車外環境の情報を取得する情報取得手段の一例である。

各レーダ５１は、カメラ５０と同様に、検出範囲が自動車１の周囲を水平方向に３６０°広がるようにそれぞれ配置されている。レーダ５１の種類が特に限定されず、例えば、ミリ波レーダや赤外線レーダを採用することができる。レーダ５１は、車外環境の情報を取得する情報取得手段の一例である。

エンジン１０は、動力駆動源であり、内燃機関（ガソリンエンジン、ディーゼルエンジン）を含む。演算装置１００は、自動車１を加速又は減速させる必要がある場合に、エンジン１０に対してエンジン出力変更信号を出力する。エンジン１０は、マニュアル運転時には、運転者のアクセルペダルの操作量等により制御されるが、アシスト運転や自動運転時には、演算装置１００により算出された目標運動に基づいて制御される。尚、図示は省略しているが、エンジン１０の回転軸には、エンジン１０の出力により発電する発電機が連結されている。

ブレーキ２０は、ここでは電動ブレーキである。演算装置１００は、自動車１を減速させる必要がある場合に、ブレーキ２０に対してブレーキ要求信号を出力する。ブレーキ要求信号を受けたブレーキ２０は、該ブレーキ要求信号に基づいてブレーキアクチュエータ（図示省略）を作動させて、自動車１を減速させる。ブレーキ２０は、マニュアル運転時には、運転者のブレーキペダルの操作量等により制御されるが、アシスト運転や自動運転時には、演算装置１００により算出された目標運動に基づいて制御される。

ステアリング３０は、ここではＥＰＳ（Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｓｔｅｅｒｉｎｇ）である。演算装置１００は、自動車１の進行方向を変更する必要がある場合に、ステアリング３０に対して操舵方向変更信号を出力する。ステアリング３０は、マニュアル運転時には、運転者のステアリングホイール（所謂ハンドル）の操作量等により制御されるが、アシスト運転や自動運転時には、演算装置１００により算出された目標運動に基づいて制御される。

トランスミッション４０は、有段式のトランスミッションである。演算装置１００は、出力すべき駆動力に応じて、トランスミッション４０に対してギヤ段変更信号を出力する。トランスミッション４０は、マニュアル運転時には、運転者のシフトレバーの操作や運転者のアクセルペダルの操作量等により制御されるが、アシスト運転や自動運転時には、演算装置１００により算出された目標運動に基づいて制御される。

演算装置１００は、マニュアル運転時には、アクセル開度センサ５２等の出力に基づく制御信号をエンジン１０等に送信する。一方で、演算装置１００は、アシスト運転時や自動運転時には、自動車１の走行経路を設定して、自動車１が該走行経路を走行するように、エンジン１０等に制御信号を出力する。演算装置１００は、アシスト運転時や自動運転時において、エンジン１０等に出力する制御信号を生成するための構成として、深層学習を利用して車外環境を推定する機能を有する第１演算部１１０と、深層学習を用いずに所定のルールに基づいて対象物を認定する機能を有する第２演算部１２０と、第１及び第２演算部１１０，１２０からの出力を受けて自動車１の目標運動を決定する目標運動決定部１３０と、目標運動決定部１３０が決定した目標運動を達成する上で、最もエネルギー効率がよくなるように各種デバイス（後述のエンジン１０等）の制御量を算出するエネルギーマネジメント部１４０とを有している。

第１演算部１１０は、カメラ５０及びレーダ５１からの出力を基にして、深層学習を利用して車外環境を推定する車外環境推定部１１１と、車外環境推定部１１１で推定された車外環境に対して、第１安全領域ＳＡ１（図３参照）を設定する第１安全領域設定部１１２と、車外環境推定部１１１の推定結果と第１安全領域設定部１１２で設定された第１安全領域ＳＡ１を基にして、第１経路候補を算出する第１経路算出部１１３とを有する。

車外環境推定部１１１は、カメラ５０及びレーダ５１からの出力を基にして、深層学習を用いた画像認識処理により車外環境を推定する。具体的には、車外環境推定部１１１は、カメラ５０からの画像データを基に深層学習により物体識別情報を構築するとともに、該物体識別情報にレーダによる測位情報を統合して車外環境を表す３Ｄマップを作成する。また、該３Ｄマップに対して、深層学習に基づく各物体の挙動予測等を統合して環境モデルを生成する。深層学習では、多層ニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）が用いられる。多層ニューラルネットワークとして、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）がある。

第１安全領域設定部１１２は、車外環境推定部１１１により作成された３Ｄマップに対して第１安全領域ＳＡ１を設定する。この第１安全領域ＳＡ１は、深層学習を利用して構築されたモデルを用いて、自車両が通過可能な領域として設定される。モデルは、例えば、自動車１の車種毎に予め構築されたモデルを、運転者の過去の運転履歴等を基に再構築することで構築される。尚、第１安全領域ＳＡ１は、基本的には、道路上であって、他の車両や歩行者等の動的な障害物、及び中央分離体やセンターポールなどの静的な障害物が存在しない領域をいう。第１安全領域ＳＡ１は、緊急駐車が可能な路肩のスペースを含んでいてもよい。

第１経路算出部１１３は、第１安全領域設定部１１２で設定された第１安全領域ＳＡ１内を通るような第１経路候補を算出する。第１経路算出部１１３は、強化学習を利用して第１経路候補を算出する。強化学習は、一連のシミュレーションの結果（ここでは経路候補）に対して評価関数を設定し、ある目的に適ったシミュレーションには良い評価を与え、そうでない結果に対しては低い評価を与えることで、目的に適った経路候補を学習する機能である。実際の算出方法については後述する。

第２演算部１２０は、カメラ５０及びレーダ５１からの出力を基にして、深層学習を利用せずに、所定のルールにより車外の対象物を認定する対象物認定部１２１と、対象物認定部１２１の結果を基にして、第２安全領域ＳＡ２（図４参照）を算出する第２安全領域算出部１２２、対象物認定部１２１の結果と第２安全領域設定部１２２で設定された第２安全領域ＳＡ２を基にして、第２経路候補を算出する第２経路算出部１２３とを有する。

対象物認定部１２１は、従来より利用されている対象物認定ルールに基づいて対象物を認定する。対象物は、例えば、走行車両、駐車車両、歩行者等である。対象物認定部１２１は、自車両と対象物との間の相対距離や相対速度についても認定する。また、対象物認定部１２１は、カメラ５０及びレーダ５１からの出力を基にして、走行路（区画線等を含む）についても認定する。

第２安全領域設定部１２２は、対象物認定部１２１が認定した対象物との衝突を回避可能な領域として、第２安全領域ＳＡ２を設定する。この第２安全領域ＳＡ２は、例えば、対象物の周囲数ｍを回避不能範囲とみなす等の所定のルールに基づいて設定される。第２安全領域設定部１２２は、走行車両の速度や歩行者の速度を考慮して第２安全領域ＳＡ２を設定可能に構成されている。尚、第２安全領域ＳＡ２は、第１安全領域ＳＡ１と同様に、基本的には、道路上であって、他の車両や歩行者等の動的な障害物、及び中央分離体やセンターポールなどの静的な障害物が存在しない領域をいう。第２安全領域ＳＡ２は、緊急駐車が可能な路肩のスペースを含んでいてもよい。

第２経路算出部１２３は、第２安全領域設定部１２２で設定された第２安全領域ＳＡ２内を通るような第２経路候補を算出する。実際の算出方法については後述する。

目標運動決定部１３０は、第１及び第２演算部１１０，１２０からの出力、特に、第１及び第２安全領域ＳＡ１，ＳＡ２の情報、並びに第１経路候補及び第２経路候補の情報を受けて自動車１の目標運動を決定する。目標運動決定部１３０は、自動車１が走行すべき経路を設定して、該経路を自動車１が走行するように、各種デバイス（主にエンジン１０、ブレーキ２０、ステアリング３０、トランスミッション４０）への要求作動量（例えば、エンジントルクやブレーキアクチュエータの作動量等）を決定する。

エネルギーマネジメント部１４０は、目標運動決定部１３０で決定された各種デバイスへの要求量を達成する上で、最もエネルギー効率がよくなるように各種デバイス（後述のエンジン１０等）の制御量を算出する。

エネルギーマネジメント部１４０は、例えば、目標運動決定部１３０で決定された要求駆動力を出力するにあたり、エンジン１０の燃料消費量が最も少なくなるように、トランスミッション４０の段数と、吸排気バルブ（図示省略）の開閉タイミングやインジェクタ（図示省略）の燃料噴射タイミング等を算出する。また、エネルギーマネジメント部１４０は、目標の制動力を出力するにあたり、エンジンブレーキが最小となるように、エンジン１０に接続された前記発電機の回生発電量や冷房用コンプレッサの駆動負荷を強めることにより前記制動力を生成する。また、エネルギーマネジメント部１４０は、コーナリング時に自動車１にかかる転がり抵抗が最も小さくなるように、車速と舵角とを制御する。具体的には、ローリングと自動車１の前部が沈み込むピッチングとを同期して発生させてダイアゴナルロール姿勢が生じるように、制動力の発生と操舵タイミングとを調整する。ダイアゴナルロール姿勢が生じることにより、前側の旋回外輪にかかる荷重が増大して、小さな舵角で旋回でき、自動車１にかかる転がり抵抗を小さくすることができる。

次に、図２を参照しながら、第１経路候補の算出方法について説明する。図２では第１安全領域ＳＡ１については図示を省略しているが、算出される第１経路候補は第１安全領域ＳＡ１内を通る経路である。尚、第１経路候補の算出が行われるのは、自動車１の運転モードがアシスト運転か自動運転のときであり、マニュアル運転のときには第１経路候補の算出は実行されない。

まず、第１経路算出部１２１は、図２に示すように、走行路情報に基づいて、グリッド点設定処理を実行する。グリッド点設定処理において、ＥＣＵ１０は、先ず走行路５の形状（即ち、走行路５の延びる方向，走行路幅等）を特定し、走行路５上にグリッド点Ｇｎ（ｎ＝１，２，・・・Ｎ）を含むグリッド領域ＲＷを設定する。

グリッド領域ＲＷは、走行路５に沿って自車両１の周囲から自車両１の所定距離前方まで延びる。この距離（縦方向長さ）Ｌは、自車両１の現在の車速に基づいて計算される。本実施形態では、距離Ｌは、現在の車速（Ｖ）で所定の固定時間ｔ（例えば、３秒）に走行すると予想される距離である（Ｌ＝Ｖ×ｔ）。しかしながら、距離Ｌは、所定の固定距離（例えば、１００ｍ）であってもよいし、車速（及び加速度）の関数であってもよい。また、グリッド領域ＲＷの幅Ｗは、走行路５の幅に設定される。

グリッド領域ＲＷは、走行路５の延伸方向Ｘと幅方向（横方向）Ｙとに沿ってそれぞれ延びる複数のグリッド線によって多数の矩形のグリッド区画に分割される。Ｘ方向とＹ方向のグリッド線の交点がグリッド点Ｇｎである。グリッド点ＧｎのＸ方向の間隔、及びＹ方向の間隔は、それぞれ固定値に設定される。本実施形態では、例えば、Ｘ方向のグリッド間隔は１０ｍ、Ｙ方向のグリッド間隔は０．８７５ｍである。しかしながら、グリッド間隔を、車速等に応じて可変値としてもよい。

尚、図２では、走行路５が直線区間であって、グリッド領域ＲＷ及びグリッド区画が矩形状に設定されている。走行路が曲線区間を含む場合には、グリッド領域及びグリッド区画は矩形状に設定されてもよいし、矩形状にならなくてもよい。

次に、第１経路算出部１１３は、第１経路候補の計算において、外部信号に応じて、グリッド領域ＲＷ内の所定のグリッド点ＧＴを目標到達位置ＰＥに設定すると共に、目標到達位置ＰＥ（ＧＴ）での目標速度を設定する。外部信号は、例えば、自車両１に搭載されたナビゲーションシステム（図示省略）から送信される目的地（パーキングエリア等）への誘導指示信号である。

次に、第１経路算出部１１３は、経路候補演算処理を実行する。この経路候補演算処理において、第１経路算出部１１３は、まず複数の第１経路候補Ｒ１ｍ（ｍ＝1，２，３・・・）を計算する経路候補計算処理を実行する。この処理は、従前のステートラティス法を用いた経路候補の計算と同様である。

経路候補の計算の概略を説明する。第１経路算出部１１３は、自車両１の現在位置ＰＳ（始点）からグリッド領域ＲＷ内の各グリッド点Ｇｎ（終点）までの経路候補を作成する。また、第１経路算出部１１３は、終点における速度情報を設定する。

始点と終点は、１又は複数のグリッド点Ｇｎを介して、又はグリッド点Ｇｎを介さないで、連結される。第１経路算出部１１３は、各第１経路候補Ｒ１ｍについて、グリッド点間を経路曲線パターンでフィッティングすることにより位置情報を計算し、速度変化パターンに適合するように速度変化プロファイルを計算する。速度変化パターンは、急加速（例えば、０．３Ｇ）、緩加速（例えば、０．１Ｇ）、車速維持、緩減速（例えば、−０．１Ｇ）、急加速（例えば、−０．３Ｇ）の組み合わせで生成され、グリッド毎ではなく当該第１経路候補Ｒ１ｍの所定長さ（例えば、５０ｍ〜１００ｍ）にわたって設定される。

さらに、第１経路算出部１１３は、各経路候補について、サンプリング点ＳＰを設定し、各サンプリング点ＳＰでの速度情報を計算する。図２には、多数の経路候補のうち、３つの第１経路候補Ｒ１１，Ｒ１２，Ｒ１３のみが示されている。なお、本実施形態では、各第１経路候補Ｒ１ｍは、始点から固定時間（例えば、３秒）後の到達位置までの経路である。

次に、第１経路算出部１１３は、得られた第１経路候補Ｒ１ｍの経路コストを計算する。各第１経路候補Ｒ１ｍの経路コストの計算において、第１経路算出部１１３は、例えば、各サンプリング点ＳＰについて、車両１の運動による慣性力Ｆｉ，障害物（ここでは、他車両３）との衝突確率Ｐｃ，及びこの衝突により乗員が受ける衝撃力Ｆｃ（又は衝突に対する反作用力）を計算し、これらの値に基づいて乗員に掛かる外力ＦＣを計算して、第１経路候補Ｒ１ｍ上のすべてのサンプリング点ＳＰでの外力ＦＣ（絶対値）の合計値を、第１経路候補Ｒ１ｍの経路コスト（候補経路コスト）ＥＰｍとして算出することができる。

そして、第１経路算出部１１３は、すべての第１経路候補Ｒ１ｍをそれぞれの経路コスト情報とともに、目標運動決定部１３０に出力する。

以上のようにして、経路候補が設定される。第２経路候補も基本的には前述と同様に算出される。ただし、第２経路候補は、前記経路コストが最も小さい経路が選択されて、目標運動決定部１３０に出力される。

ここで、本実施形態１では、経路候補として、第１演算部１１０で算出される第１経路候補と第２演算部１２０で算出される第２経路候補とがあるが、目標運動決定部１３０は、基本的には、第１経路候補を採用するようにしている。これは、深層学習や強化学習を利用して設定される第１経路候補の方が、運転者の意思を反映した経路、すなわち、障害物を回避するに当たって慎重過ぎるなどの冗長さを運転者に感じさせない経路となりやすいためである。

しかしながら、深層学習を利用した車外環境の認定は、未だ発展途上の状態である。すなわち、深層学習を利用して構築された環境モデルは、環境モデルの基となった情報と類似するような範囲については正確な情報を算出することができるが、実際の車外環境等が環境モデルと大きく異なると、実際の車外環境と乖離した車外環境を推定することがある。

例えば、図３には、第１安全領域設定部１１２で設定される第１安全領域ＳＡ１と、第２安全領域設定部１２２で設定される第２安全領域ＳＡ２とを示す。第１安全領域ＳＡ１は、図３におけるハッチングをした部分であり、第２安全領域ＳＡ２は、図３におけるハッチングをした部分から点線で示す枠よりも内側を除いた部分である。図３に示すように、第１安全領域ＳＡ１では他車両３の一部まで安全領域に設定されている。これは、深層学習による画像認定において他車両３の車幅を正確に推定できなかった場合等に起こり得る。

このように、深層学習を利用した車外環境の認定では、実際の車外環境と乖離した車外環境を推定することがあるため、自動車用機能安全規格（ＩＳＯ ２６２６２）で提案されている機能安全レベル（ＡＳＩＬ）においては、深層学習を利用した機能はＡＳＩＬ−Ｂに相当するものとされている。このため、機能安全レベルを向上させる工夫が必要である。

そこで、本実施形態１では、演算装置１００の目標運動決定部１３０は、第１経路候補が第２安全領域ＳＡ２内にあるときには、該第１経路候補を自動車１（自車両１）が走行すべき経路として選択して、自動車１が第１経路候補を通るように該自動車１の目標運動を決定する一方、第１経路候補が第２安全領域ＳＡ２を逸脱しているときには、該第１経路候補を自動車１が走行すべき経路としては選択しないようにしている。より具体的には、目標運動決定部１３０は、第１経路候補を算出する際に、経路候補として設定される複数の第１経路候補Ｒ１ｎ（ｎ＝１，２，３・・・）の全てが第２安全領域ＳＡ２から逸脱しているときには、第２経路候補を自動車１が走行すべき経路として選択する。

例えば、図４に示すように、第１経路算出部１１３により、第１経路候補Ｒ１１，Ｒ１２，Ｒ１３が設定されたとする。この３つの第１経路候補Ｒ１１〜Ｒ１３のうち経路Ｒ１１と経路Ｒ１２については、経路の一部が第２安全領域ＳＡ２を逸脱しているが、経路Ｒ１３については、第２安全領域ＳＡ２内を通っている。このときには、目標運動決定部１３０は、第２安全領域ＳＡ２を逸脱した経路Ｒ１１，Ｒ１２は、自動車１が走行すべき経路としては選択せず、経路Ｒ１３を自動車１が走行すべき経路として選択する。

一方で、図５に示すように、第１経路算出部１１３により、第１経路候補Ｒ１４，Ｒ１５，Ｒ１６が設定されたとする。この３つの第１経路候補Ｒ１４〜Ｒ１６は、全て経路の一部が第２安全領域ＳＡ２を逸脱している。このときには、目標運動決定部１３０は、第２演算部１２０で算出される複数の第２経路候補のうち最も経路コストが小さい第２経路候補Ｒ２を自動車１が走行すべき経路として選択する。

対象物認定部１２１は、従来より存在する所定のルールに基づいて対象物の認定を行うため、対象物の大きさ等を精度良く認定できる。また、第２安全領域設定部１２２は、対象物の周囲数ｍを回避不能範囲とみなす等の所定のルールに基づいて第２安全領域ＳＡ２を設定するため、第２経路候補は、他車両３を回避する場合でも、他車両３との間に十分な距離を確保することができる経路となる。すなわち、第２演算部１２０の機能はＡＳＩＬ−Ｄ相当にすることができる。このため、目標運動決定部１３０が、第１経路候補を算出する際に、経路候補として設定される複数の第１経路候補Ｒ１ｎの全てが第２安全領域ＳＡ２から逸脱しているときには、第２経路候補を自動車１が走行すべき経路として選択することで、自動車１が安全性の高い経路を走行できるようになる。これにより、深層学習を利用する機能を有する演算装置１００において、機能安全レベルを向上させることができる。

次に、自動車１の運転経路を決定する際の演算装置１００の処理動作について図６のフローチャートを参照しながら説明する。尚、自動車１の運転モードは、アシスト運転又は自動運転である。

まず、ステップＳ１において、演算装置１００は、各カメラ５０、各レーダ５１、及び各センサ５２〜５６からの情報を読み込む。

次に、演算装置１００は、第１経路候補の算出と第２経路候補の算出とを並行して行う。

ステップＳ２では、演算装置１００は、深層学習を利用して車外環境を推定する。

次のステップＳ３では、演算装置１００は、第１安全領域ＳＡ１を設定する。

次のステップＳ４では、演算装置１００は、強化学習を使用して第１経路候補を算出する。

一方で、ステップＳ５では、演算装置１００は、所定のルールに基づいて対象物の認定をする。

前記ステップＳ６では、演算装置１００は、第２安全領域ＳＡ２を設定する。

前記ステップＳ７では、演算装置１００は、所定のルールに基づいて第２経路候補を算出する。

続く、ステップＳ８では、演算装置１００は、目標運動決定部１３０に前記ステップＳ４及びステップＳ５の情報を出力して、目標運動部１３０において第１経路候補が第２安全領域ＳＡ２内にあるか否かを判定する。このステップＳ８において、複数の第１経路候補に、その全経路が第２安全領域ＳＡ２に含まれる経路があるＹＥＳのときには、ステップＳ９に進む一方で、複数の第１経路候補の全てが、その経路における少なくとも一部が第２安全領域ＳＡ２から逸脱するＮＯのときには、ステップＳ１０に進む。

上記ステップＳ９では、目標運動決定部１３０は、第１経路候補を自動車１が走るべき経路として選択する。

一方、上記ステップＳ１０では、目標運動決定部１３０は、第２経路候補を自動車１が走るべき経路として選択する。

次のステップＳ１１では、目標運動決定部１３０は、自動車１の目標運動を算出する。

続くステップＳ１２では、エネルギーマネジメント部１４０は、前記ステップＳ１１で算出された目標運動を達成しかつエネルギー効率が最大となるように、目標制御量を設定する。

次のステップＳ１３では、演算装置１００は、各デバイスの制御量が前記ステップＳ１２で算出した目標制御量となるように、各デバイスの運転制御をする。ステップＳ１３の後はリターンする。

したがって、本実施形態１では、演算装置１００は、車外環境の情報を取得する情報取得手段からの出力を基にして、深層学習を利用して車外環境を推定する車外環境推定部１１１と、車外環境推定部１１１の推定結果を基にして、第１経路候補を算出する第１経路算出部１１３と、情報取得手段からの出力を基にして、深層学習を利用せずに、所定のルールにより車外の対象物を認定する対象物認定部１２１と、対象物認定部の結果を基にして、安全領域を算出する第２安全領域算出部１２２と、第１経路算出部１１３からの出力及び第２安全領域算出部１２２からの出力を受けて、自動車１の目標運動を決定する目標運動決定部１３０とを備える。目標運動決定部１３０は、第１経路候補が第２安全領域ＳＡ２内にあるときには、該第１経路候補を自動車１が走行すべき経路として選択して、自動車１が第１経路候補ＳＡ１を通るように該自動車１の目標運動を決定する一方、経路候補が安全領域を逸脱しているときには、経路候補として自動車１が走行すべき経路としては選択しない。

この構成によると、これにより、深層学習を利用する機能を有する演算装置１００において、機能安全レベルを向上させることができる。

（実施形態２）
以下、実施形態２について、図面を参照しながら詳細に説明する。尚、以下の説明において前記実施形態１と共通の部分については、同じ符号を付して、その詳細な説明を省略する。

本実施形態２では、演算装置２００における第２演算部２２０の構成が、前記実施形態１における演算装置１００とは異なる。具体的には、本実施形態２では、前記実施形態１とは異なり、第２演算部２２０は、第２経路算出部を含んでいない。

この構成であっても、第１演算部１１０で算出される第１経路候補の全てが第２安全領域ＳＡ２から逸脱しているときには、目標運動決定部１３０は、第１経路候補を自動車１が走行すべき経路として選択しない。本実施形態２では、目標運動決定部１３０が第１経路候補を選択しなかったときには、例えば、自動車１の運転モードをマニュアル運転に切り換えるなどして、自動車１が安全な経路を走行できるようにする。このとき、自動運転からマニュアル運転に切り換えるときには、ドライバにブザー等により、運転モードが変わることを報知することが望ましい。

したがって、本実施形態２でも、深層学習を利用する機能を有する演算装置２００において、機能安全レベルを向上させることができる。

（その他の実施形態）
ここに開示された技術は、上記実施形態に限られるものではなく、請求の範囲の主旨を逸脱しない範囲で代用が可能である。

例えば、前述の実施形態１及び２では、目標運動決定部１３０で目標運動を決定したあと、エネルギーマネジメント部１４０により目標運動を達成しかつエネルギー効率が最大となるように目標制御量を設定していた。これに限らず、エネルギーマネジメント部１４０は省略してもよい。すなわち、目標運動決定部１３０が目標運動を達成する目標制御量を設定してもよい。

上述の実施形態は単なる例示に過ぎず、本開示の範囲を限定的に解釈してはならない。本開示の範囲は請求の範囲によって定義され、請求の範囲の均等範囲に属する変形や変更は、全て本開示の範囲内のものである。

ここに開示された技術は、自動車に搭載される自動車用演算装置として有用である。

１ 自動車
１００ 自動車用演算装置
１１１ 車外環境推定部
１１３ 第１経路候補算出部
１２１ 対象物認定部
１２２ 第２安全領域設定部
１３０ 目標運動決定部

Claims (3)

1. 自動車に搭載される自動車用演算装置であって、
   車外環境の情報を取得する情報取得手段からの出力を基にして、深層学習を利用して車外環境を推定する車外環境推定部と、
   前記車外環境推定部の推定結果を基にして、経路候補を算出する経路算出部と、
   前記情報取得手段からの出力を基にして、深層学習を利用せずに、所定のルールにより車外の対象物を認定する対象物認定部と、
   前記対象物認定部の結果を基にして、安全領域を算出する安全領域算出部と、
   前記経路算出部からの出力及び前記安全領域算出部からの出力を受けて、前記自動車の目標運動を決定する目標運動決定部とを備え、
   前記目標運動決定部は、前記経路候補が前記安全領域内にあるときには、該経路候補を前記自動車が走行すべき経路として選択して、前記自動車が前記経路候補を通るように該自動車の目標運動を決定する一方、前記経路候補が前記安全領域を逸脱しているときには、該経路候補を前記自動車が走行すべき経路としては選択しないことを特徴とする自動車用演算装置。
2. 請求項１に記載の自動車用演算装置において、
   前記経路算出部は、複数の前記経路候補を算出し、
   前記目標運動決定部は、前記複数の経路候補のうち前記安全領域から逸脱した経路については、前記自動車が走行すべき経路としては選択しないことを特徴とする自動車用演算装置。
3. 請求項１又は２に記載の自動車用演算装置において、
   前記経路算出部は、強化学習を利用して前記経路候補を算出することを特徴とする自動車用演算装置。

Images