JP2020143920A - 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 - Google Patents

Abstract

【課題】物標のゴーストが発生するか否かを精度よくシミュレーションすることを支援する。【解決手段】レーダ結果識別部４８は、ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する。真値識別部５０は、ゴーストが生じない第２のセンサの出力結果をもとに、上記車両の周辺に存在する物標を検知する。モデル生成部５８は、上記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する。モデル生成部５８は、レーダ結果識別部４８により検知された物標の中に、真値識別部５０により未検知の物標があればゴースト有りを示す値を目的変数に設定し、レーダ結果識別部４８により検知された物標の中に、真値識別部５０により未検知の物標が無ければゴースト無しを示す値を目的変数に設定して統計処理を実行することで上記モデルを生成する。【選択図】図４

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、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

これまでレーダ装置を搭載した車両をシミュレーションする場合、シミュレーションのシナリオが定める車両周辺に存在する物体（壁や樹木、他車両等であり「ターゲット」とも呼ぶ。）に対してレーダの反射係数をパラメータとして設定した３次元ＣＧ（Computer Graphics）モデルを作成し、車両の挙動を確認していた。

レーダにより車両周辺の状態を検知する際、レーダを強反射するターゲットと自車体との多重反射によってゴーストが発生することがあり、また、レーダのマルチパスによってゴーストが発生することもある。これまで、ゴーストが発生するか否かを精度よくシミュレーションすることは容易でなく、また、多大なコストを要する場合もあった。

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、物標のゴーストが発生するか否かを精度よくシミュレーションするための技術を提供することにある。

上記課題を解決するために、本開示のある態様のモデル生成装置は、ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知部と、ゴーストが生じない第２のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第２検知部と、車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成部と、を備える。生成部は、第１検知部により検知された物標の中に、第２検知部により未検知の物標があればゴースト有りを示す値を目的変数に設定し、第１検知部により検知された物標の中に、第２検知部により未検知の物標が無ければゴースト無しを示す値を目的変数に設定して、統計処理を実行することによりモデルを生成する。

本開示の別の態様は、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、車両周辺の状態を説明変数とし、センサにより検知された物標におけるゴーストの有無を目的変数として統計処理により生成されたモデルを記憶する記憶部と、車両のシミュレーションにおける車両の周辺の状態に関するデータの入力を受け付ける受付部と、受付部により受け付けられたデータをモデルに入力することにより、ゴーストの有無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の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。

本開示のさらに別の態様は、モデル生成方法である。この方法は、ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知処理と、ゴーストが生じない第２のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第２検知処理と、車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成処理と、をコンピュータが実行し、生成処理は、第１検知処理で検知された物標の中に、第２検知処理で未検知の物標があればゴースト有りを示す値を目的変数に設定し、第１検知処理で検知された物標の中に、第２検知処理で未検知の物標が無ければゴースト無しを示す値を目的変数に設定して、統計処理を実行することによりモデルを生成する。

本開示のさらに別の態様は、車両シミュレーション方法である。この方法は、車両周辺の状態を説明変数とし、センサにより検知された物標のゴーストの有無を目的変数として統計処理により生成されたモデルを記憶するコンピュータが、車両のシミュレーションにおける車両の周辺の状態に関するデータの入力を受け付ける処理と、受け付けたデータをモデルに入力することにより、ゴーストの有無を推定する処理と、ゴーストの有無の推定結果をもとに車両のシミュレーションを実行する処理と、を実行する。

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、システム、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、物標のゴーストが発生するか否かを精度よくシミュレーションすることを支援できる。

図１（ａ）、図１（ｂ）、図１（ｃ）は、ゴーストが発生する例を示す図である。 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。 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。 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。 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。 図５のセンサモデル部の詳細を示すブロック図である。 多重反射起因のゴースト発生位置の推定例を示す図である。 マルチパス起因のゴースト発生位置の推定例を示す図である。

まず概要を説明する。電波を発射し、その反射波を測定することにより周囲の物標（物体とも言える）を検知するレーダ装置を搭載した車両が普及しつつある。レーダによる物標検知は、ロバスト性に優れており、また、レーダ波はバンパーを透過するため、レーダ装置をバンパー内に格納することで車両の美観を損なわないというメリットがある。一方、レーダによる物標検知では、レーダ波を強反射するターゲットと自車体との多重反射によってゴーストが検知されることがある。また、レーダ波のマルチパスによってゴーストが検知されることもある。ゴーストは実際には存在しない物標の像である。

図１（ａ）、図１（ｂ）、図１（ｃ）は、ゴーストが発生する例を示す。図１（ａ）は、多重反射の例を示している。同図では、車両１０と強反射ターゲットである建物１２とが２重、３重・・・に反射を繰り返すことで、車両１０から建物１２への方位に、車両１０から建物１２までの距離の２倍、３倍・・・の距離にゴースト１４が発生する。多重反射により生じるゴーストの特徴は、車両１０に搭載したセンサ観測値において、相対速度が２倍、３倍・・・となり、反射パワーが徐々に落ちていくことである。

図１（ｂ）は、マルチパスの例を示している。強反射ターゲットである強反射体１６が鏡のように作用することで、実在する車両１８の鏡像としてゴースト２０が発生する。マルチパスにより生じるゴーストの特徴は、車両１０に搭載したセンサ観測値において、センサから強反射体１６で電波が反射したポイントを経由した車両１８までの距離とゴースト２０までの距離が同じになり、かつ、車両１８とゴースト２０の相対速度も同じになることである。

図１（ｃ）は、多重反射とマルチパスの両方の例を示している。同図では、車両１０と強反射ターゲットである車両２２がレーダ波の反射を繰り返すことで、ゴースト２４が発生する。また、強反射体２６が鏡のように作用することで、実在する車両２８の鏡像としてゴースト３０が発生する。

車両シミュレーションにおいて、ゴーストが発生した場合の車両の挙動を模擬することが求められることがある。しかし、理論モデルに実際の環境を忠実に反映させることは容易でなく、また、理論モデルによりゴーストの発生有無を精度よく算出することは困難であった。

そこで実施例では、実環境に対するアクティブセンサによる識別結果に対して、数量化分析の統計処理を実行することにより、アクティブセンサ特有のゴースト発生有無を識別可能な数理モデル（以下「センサモデル」とも呼ぶ。）を生成する技術を提案する。また、そのセンサモデルを活用する車両シミュレーションシステムを提案する。代表的なアクティブセンサには、レーダ、ライダー（ＬｉＤａｒ）、ソナーがあるが、このうちレーダとソナーによる物標検知では、前述したような、多重反射やマルチパスといったゴーストが生じうる。一方、ライダーによる物標検知ではこのようなゴーストは生じない。

実施例のセンサモデルを説明する。実施例のセンサモデルは、レーダによる物標検知において、多重反射やマルチパスを要因としてゴーストが発生するか否かを推定するためのモデルである。図２は、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、多重反射起因のゴーストを推定するセンサモデル構築用のサンプルデータを示している。各サンプルデータは、ゴーストの発生に影響を与える４つの要因（実施例ではセンサモデルにおける説明変数に対応）として、距離、幅、向き、種別を含む。

要因「距離」は、レーダ装置を搭載した車両（図１（ａ）の車両１０に相当し、「ホスト車両」とも呼ぶ。）から、ゴーストを生じさせる要因となる物体（壁や金網、建物、他車両等であり、以下「ゴースト要因」と呼ぶ。」）までの距離である。例えば、ホスト車両のレーダ装置からゴースト要因までの、レーダ装置の検知範囲の中心軸に沿った距離であってもよい。要因「幅」は、ゴースト要因の幅である。例えば、ホスト車両に相対するゴースト要因の面の横幅であってもよい。要因「向き」は、ホスト車両に対してゴースト要因がなす角である。要因「種別」は、ゴースト要因が何かを示すデータである。

目的変数であるゴーストフラグは、ゴースト有りの場合に「１」が設定され、ゴースト無しの場合に「０」が設定される。実施例の数量化分析は、具体的には数量化分析２類に該当する。

図３も、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、マルチパス起因のゴーストを推定するセンサモデル構築用のサンプルデータを示している。各サンプルデータは、ゴーストの発生に影響を与える７つの要因を含む。７つの要因は、ターゲット物標に関する情報である物標距離、物標方位、物標種別と、ゴースト要因に関する情報である距離、幅、向き、種別を含む。ゴースト要因に関する情報である距離、幅、向き、種別は、図２に関して説明した通りである。

ターゲット物標は、レーダ波が照射された実在する物標であり、鏡像（すなわちゴースト）の元になった物標である。例えば、図１（ｂ）における車両１８が該当する。要因「物標距離」は、ホスト車両からターゲット物標までの距離である。要因「物標方位」は、ホスト車両からターゲット物標への方位（角度）である。要因「物標種別」は、ターゲット物標が何かを示すデータである。

図２および図３に示すように、各要因には、複数個の値に対応する複数個のカテゴリが設けられる。要因が数値データで表される場合は、複数段階の値に対応する複数個のカテゴリが設けられる。要因が数値データで表されない場合は、複数種類の値に対応する複数個のカテゴリが設けられる。サンプルデータでは、要因ごとに、該当するいずれかのカテゴリの値が「１」に設定され、非該当のカテゴリの値は「０」に設定される。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）もモデルに反映させることができる。なお、各カテゴリは、ダミー変数とも呼ばれる。

実施例では、図２に示す４要因の各カテゴリを説明変数とし、ゴーストの発生有無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、多重反射起因のゴースト発生有無に与える影響の大きさを示すセンサモデル（以下「第１センサモデル」とも呼ぶ。）を生成する。また、図３に示す７要因の各カテゴリを説明変数とし、ゴーストの発生有無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、マルチパス起因のゴースト発生有無に与える影響の大きさを示すセンサモデル（以下「第２センサモデル」とも呼ぶ。）を生成する。

要因の数をｍ、各要因のカテゴリ数をｎ_１、・・・ｎ_ｍ、サンプル数をＮとして一般化すると、第１センサモデルおよび第２センサモデルは式１で表すことができる。

式１のε_ｋは残差であり、ａ^ｉｊ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カテゴリ係数を導出する。

図４は、実施例のセンサモデル生成装置４０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。

センサモデル生成装置４０は、センサデータ記憶部４２、参照データ記憶部４４、タグデータ記憶部４６、レーダ結果識別部４８、真値識別部５０、ゴースト判定部５２、物標量子化部５４、タグ量子化部５６、モデル生成部５８を備える。

図４に示す複数の機能ブロックのうち少なくとも一部の機能ブロックに対応する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４０のストレージに記憶されてもよい。モデル生成部５８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、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。他のブロック図についても同様である。

センサデータ記憶部４２は、多重反射やマルチパスを要因としてゴーストが生じうる第１のセンサであるレーダ装置による検知結果（車両周辺の状態を示すデータ）を記憶する。センサデータ記憶部４２は、多重反射やマルチパスを要因としてゴーストが生じない第２のセンサであるライダー装置による検知結果（車両周辺の状態を示すデータ）を記憶する。実施例では、レーダ装置とライダー装置の両方を搭載した車両を実際に走行させ、レーダ装置による検知結果を収集してセンサデータ記憶部４２に格納し、また、ライダー装置による検知結果を収集して参照データ記憶部４４に格納する。

タグデータ記憶部４６は、レーダ装置とライダー装置の両方を搭載した車両が走行した際の、車両周辺の状態を示すタグデータを記憶する。タグデータは、図２および図３に示したゴースト要因情報を含む。また、タグデータは、センサモデルの開発者や試験者等により設定されてもよい。センサデータ記憶部４２、参照データ記憶部４４およびタグデータ記憶部４６は、同じ時点に関するデータを１組のサンプルとして対応付けて記憶する。

レーダ結果識別部４８は、サンプルごとに、センサデータ記憶部４２に記憶されたレーダ装置の出力結果をもとに、公知の手法により、車両周辺に存在する物標を検知する。真値識別部５０は、サンプルごとに、参照データ記憶部４４に記憶されたライダー装置の出力結果をもとに、公知の手法により、車両周辺に存在する物標を検知する。レーダ結果識別部４８と真値識別部５０のそれぞれで検知される物標のデータは、車両から物標までの距離（図３の物標距離）、車両から物標への方位（図３の物標方位）、物標が何かを示すデータ（図３の物標種別）を含む。

レーダ装置の出力結果には、ライダー装置では検知されない物標（すなわちゴースト）のデータが含まれる可能性がある。したがって、レーダ結果識別部４８は、真値識別部５０では検知されないゴーストを検知する可能性がある。ゴースト判定部５２は、サンプルごとに、レーダ結果識別部４８により検知された物標の中に、真値識別部５０により未検知の物標があれば、ゴースト有りと判定する。ゴースト判定部５２は、レーダ結果識別部４８により検知された物標の中に、真値識別部５０により未検知の物標が無ければ、ゴースト無しと判定する。

変形例として、ゴースト判定部５２は、レーダ結果識別部４８により検知された物標と、真値識別部５０により検知された物標に差がある場合、ゴースト判定部５２は、ゴースト有りと判定してもよい。一方、ゴースト判定部５２は、レーダ結果識別部４８により検知された物標と、真値識別部５０により検知された物標に差がなければ、ゴースト無しと判定してもよい。

物標量子化部５４は、サンプルごとに、真値識別部５０により検知された物標のデータを、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、物標量子化部５４は、サンプルごとに、図３に示したターゲット物標情報の各要因（物標距離、物標方位、物標種別）について、サンプルが該当するいずれかのカテゴリを選択する。

タグ量子化部５６は、サンプルごとに、タグデータ記憶部４６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５６は、サンプルごとに、図２および図３に示したゴースト要因情報の各要因（距離、幅、向き、種別）について、サンプルが該当するいずれかのカテゴリを選択する。

モデル生成部５８は、車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするセンサモデルを示すデータを生成し、そのデータをモデル記憶部６０に格納する。

具体的には、モデル生成部５８は、サンプルごとに、ゴースト判定部５２により判定されたゴースト有無と、ゴースト要因情報との組合せを作成する。ゴースト有無の値は０または１を設定する。また、タグ量子化部５６により選択されたゴースト要因情報のカテゴリには１を設定し、未選択のカテゴリには０を設定する。すなわち、モデル生成部５８は、図２に示した多重反射起因のゴーストに関するサンプルデータを作成する。

モデル生成部５８は、ゴースト要因情報を説明変数に設定し、ゴースト有無を目的変数として重回帰分析処理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５８は、カテゴリ係数を設定した回帰式（例えば上記の式１）を、多重反射起因のゴースト有無を推定する第１センサモデルとして生成し、モデル記憶部６０に格納する。

また、モデル生成部５８は、サンプルごとに、ゴースト判定部５２により判定されたゴースト有無と、ターゲット物標情報と、ゴースト要因情報との組合せを作成する。ゴースト有無の値は０または１を設定する。また、物標量子化部５４により選択されたターゲット物標情報のカテゴリには１を設定し、未選択のカテゴリには０を設定する。また、タグ量子化部５６により選択されたゴースト要因情報のカテゴリには１を設定し、未選択のカテゴリには０を設定する。すなわち、モデル生成部５８は、図３に示したマルチパス起因のゴーストに関するサンプルデータを作成する。

モデル生成部５８は、ターゲット物標情報およびゴースト要因情報を説明変数に設定し、ゴースト有無を目的変数として重回帰分析処理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５８は、カテゴリ係数を設定した回帰式（例えば上記の式１）を、マルチパス起因のゴースト有無を推定する第２センサモデルとして生成し、モデル記憶部６０に格納する。

次に、センサモデル生成装置４０により生成されたセンサモデルを使用する情報処理システムである車両シミュレーションシステムを説明する。図５は、実施例の車両シミュレーションシステム７０の機能ブロックを示すブロック図である。車両シミュレーションシステム７０は、シミュレーション制御部７２、ユーザインタフェース７４、環境データ生成部７６、センサモデル部７８、車両モデル部８０を備える。

シミュレーション制御部７２は、車両シミュレーションの全体の動作を制御する。また、シミュレーション制御部７２は、ユーザインタフェース７４、環境データ生成部７６、センサモデル部７８、車両モデル部８０とデータを送受信する。

ユーザインタフェース７４および環境データ生成部７６は、車両シミュレーションにおける車両周辺の状態に関するデータの入力を受け付ける受付部として機能する。具体的には、ユーザインタフェース７４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７６は、ユーザインタフェース７４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パラメータ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み、具体的には、図２および図３で示したゴースト要因情報の値を含む。また、環境データは、シミュレーションのシナリオに基づく、真値としての物標情報（以下「真値物標情報」とも呼ぶ。）を含む。真値物標情報は、車両シミュレーションにおいて車両の周辺に存在する物標に関する真値を示す。具体的には、真値物標情報は、図３に示すターゲット物標情報に対応し、物標距離、物標方位、物標種別それぞれの真値を示す。

センサモデル部７８は、環境データ生成部７６により生成された環境データをセンサモデルに入力することによりゴーストの有無を推定する推定部（後述の推定部１０６）を含む。車両モデル部８０は、センサモデル部７８による推定結果をもとに車両シミュレーションを実行する。シミュレーション制御部７２は、車両モデル部８０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てもよく、または、所定の記憶装置に格納してもよい。

図６は、図５のセンサモデル部７８の詳細を示すブロック図である。センサモデル部７８は、モデル記憶部１００、タグ量子化部１０２、真値量子化部１０４、推定部１０６を備える。モデル記憶部１００は、図４のモデル記憶部６０に対応し、センサモデル生成装置４０により生成された第１センサモデルと第２センサモデルを記憶する。

タグ量子化部１０２は、環境データ生成部７６により生成された環境データを、シミュレーション制御部７２を介して受け付け、環境データに含まれるタグデータ（実施例ではゴースト要因情報）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１０２は、図２および図３に示したゴースト要因情報の各要因（距離、幅、向き、種別）について、環境データのゴースト要因情報が該当するいずれかのカテゴリを選択する。

真値量子化部１０４は、環境データ生成部７６により生成された環境データを、シミュレーション制御部７２を介して受け付け、環境データに含まれる真値物標情報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１０４は、図３に示したターゲット物標情報（真値物標情報に対応する）の各要因（物標距離、物標方位、物標種別）について、環境データの真値物標情報が該当するいずれかのカテゴリを選択する。

推定部１０６は、ゴースト推定部１０８と位置推定部１１０を含む。ゴースト推定部１０８は、モデル記憶部１００に記憶された第１センサモデルの複数の説明変数（カテゴリ）のうち、タグ量子化部１０２により選択されたカテゴリの値を「１」に設定することにより、第１センサモデルの目的変数の値（０〜１の間の値であり、以下「ゴースト判定値」とも呼ぶ。）を取得する。推定部１０６は、ゴースト判定値が所定の閾値（実施例では０．５）より大きければ、多重反射起因のゴーストが有ると推定する。一方、推定部１０６は、ゴースト判定値が上記閾値以下であれば、多重反射起因のゴーストが無いと推定する。

また、ゴースト推定部１０８は、モデル記憶部１００に記憶された第２センサモデルの複数の説明変数（カテゴリ）のうち、タグ量子化部１０２により選択されたカテゴリの値と、真値量子化部１０４により選択されたカテゴリの値を「１」に設定することにより、第２センサモデルの目的変数であるゴースト判定値を取得する。推定部１０６は、ゴースト判定値が所定の閾値（実施例では０．５）より大きければ、マルチパス起因のゴーストが有ると推定する。一方、推定部１０６は、ゴースト判定値が上記閾値以下であれば、マルチパス起因のゴーストが無いと推定する。上記の閾値は、開発者の知見や、車両シミュレーションシステム７０を用いた実験等により適切な値が決定されてよい。

位置推定部１１０は、ゴースト推定部１０８がゴースト有りと推定した場合、ゴーストの要因となる物体と、車両との位置関係に応じて、ゴーストが発生した位置を推定する。位置推定部１１０は、数量化分析に基づくモデルを使用するのではなく、理論値（理論的な計算）によりゴーストの発生位置を推定する。これにより、車両シミュレーションシステム７０における演算コストを低減することができる。

ゴーストの発生位置の推定方法を説明する。図７は、多重反射起因のゴースト発生位置の推定例を示す。車両１２０は、シミュレーションの対象となる車両であり、レーダ装置１２２は、車両に搭載されたレーダ装置である。要因１２４は、多重反射を生じさせる要因であり、例えば、建物や他車両等の強反射体である。同図で「既知」と記載したパラメータは、シミュレーションのシナリオ、ゴースト要因情報およびターゲット物標情報等により予め定まる。位置推定部１１０は、図７に示す２つの直角三角形が合同になることに基づく所定の計算式にて、ゴースト１２６の位置および速度を導出する。

例えば、図７において要因傾きθ＝９０度の場合、以下の式により求められる。
ゴーストのＸ軸方向位置x_G = x_R+2d*cosα
ゴーストのＹ軸方向位置y_G = y_R
ゴーストのＸ軸方向速度v_Gx = -v_Ax
ゴーストのＹ軸方向速度v_Gy = v_Ay

図８は、マルチパス起因のゴースト発生位置の推定例を示す。車両１３０は、シミュレーションの対象となる車両であり、レーダ装置１３２は、車両に搭載されたレーダ装置である。要因１３４は、マルチパスを生じさせる要因であり、例えば、建物や他車両等の強反射体である。ターゲット物標１３６は、ゴースト（鏡像）の元となった実在の物標であり、例えば他車両等である。同図で「既知」と記載したパラメータは、シミュレーションのシナリオ、ゴースト要因情報およびターゲット物標情報等により予め定まる。位置推定部１１０は、図８に示す２つの直角三角形が合同になることに基づく所定の計算式にて、ゴースト１３８の位置および速度を導出する。

例えば、図８において要因傾きθ＝０度の場合、以下の式により求められる。
ゴーストのＸ軸方向位置x_G = x_T+x_R
ゴーストのＹ軸方向位置y_G = -y_T+2(d*sinα+y_R)
ゴーストのＸ軸方向速度v_Gx = v_Tx
ゴーストのＹ軸方向速度v_Gy = -v_Ty

以上の構成による動作を説明する。
図４を参照しつつ、センサモデル生成装置４０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の開発者は、レーダ装置およびライダー装置を搭載した車両を実際に走行させ、レーダ装置による検知結果をセンサデータ記憶部４２に格納し、ライダー装置による検知結果を参照データ記憶部４４に格納する。また、開発者は、車両の周辺状態を示すタグデータであり、ゴースト要因情報を含むタグデータを作成し、タグデータ記憶部４６に格納する。同じ時点で収集され、または、同じ時点の車両周辺の状態を示すレーダ装置の検知結果、ライダー装置の検知結果およびタグデータは、１組のサンプルとして対応付けて保存される。

レーダ結果識別部４８は、サンプルごとに、センサデータ記憶部４２に記憶されたレーダ装置の検知結果をもとに、車両の周辺に存在する物標を検知する。真値識別部５０は、サンプルごとに、参照データ記憶部４４に記憶されたライダー装置の検知結果をもとに、車両の周辺に存在する物標を検知する。

ゴースト判定部５２は、サンプルごとに、レーダ結果識別部４８により検知された物標の中に、真値識別部５０により未検知の物標が有るか否かに応じて、ゴーストの有無を判定する。物標量子化部５４は、サンプルごとに、真値識別部５０により検知された物標について、ターゲット物標情報のカテゴリを特定する。タグ量子化部５６は、サンプルごとに、ゴースト要因情報のカテゴリを特定する。

モデル生成部５８は、図２に示したように、タグ量子化部５６により特定されたゴースト要因情報のカテゴリの値を「１」に設定し、ゴースト有りの場合にゴーストフラグを「１」、ゴースト無しの場合にゴーストフラグを「０」に設定したサンプルデータを生成する。モデル生成部５８は、ゴースト要因情報の各カテゴリを説明変数とし、ゴーストフラグを目的変数として重回帰分析を実行することにより、多重反射起因のゴースト推定用の第１センサモデルを生成する。

また、モデル生成部５８は、図３に示したように、物標量子化部５４により特定されたターゲット物標情報のカテゴリの値を「１」に設定し、タグ量子化部５６により特定されたゴースト要因情報のカテゴリの値を「１」に設定し、ゴースト有りの場合にゴーストフラグを「１」、ゴースト無しの場合にゴーストフラグを「０」に設定したサンプルデータを生成する。モデル生成部５８は、ターゲット物標情報およびゴースト要因情報の各カテゴリを説明変数とし、ゴーストフラグを目的変数として重回帰分析を実行することにより、マルチパス起因のゴースト推定用の第２センサモデルを生成する。

モデル生成部５８は、生成した第１センサモデルおよび第２センサモデルをモデル記憶部６０へ出力し、車両シミュレーションにおいて利用可能にする。実施例のセンサモデル生成装置４０によると、大がかりなシミュレーション環境を構築しなくても、アクティブセンサで発生し得る多重反射起因のゴーストおよびマルチパス起因のゴーストをシミュレーション可能なシステムを実現するためのセンサモデルを提供できる。また、車両を実際に走行させて得られたセンサデータをもとにセンサモデルを生成するため、現実に即した結果を出力するセンサモデルを提供できる。

次に、図５および図６を参照しつつ、車両シミュレーションシステム７０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７０のユーザは、シミュレーションのシナリオに基づき、ターゲット物標情報とゴースト要因情報に関するシミュレーションのパラメータを車両シミュレーションシステム７０に入力する。車両シミュレーションシステム７０のシミュレーション制御部７２は、ユーザインタフェース７４を介して、ユーザから入力されたパラメータを取得し、環境データ生成部７６に渡す。なお、シミュレーションのパラメータは、ユーザ端末等の外部装置から通信により車両シミュレーションシステム７０へ入力されてもよい。

環境データ生成部７６は、入力されたシミュレーションのパラメータをもとに、ターゲット物標情報を含む環境データと、ゴースト要因情報を含む環境データを生成し、シミュレーション制御部７２へ出力する。シミュレーション制御部７２は、それらの環境データをセンサモデル部７８へ入力する。

センサモデル部７８のタグ量子化部１０２は、予め定められたゴースト要因情報の複数のカテゴリの中から、入力された環境データが示すゴースト要因情報に該当するカテゴリを特定する。真値量子化部１０４は、予め定められたターゲット物標情報の複数のカテゴリの中から、入力された環境データが示すターゲット物標情報に該当するカテゴリを特定する。

ゴースト推定部１０８は、モデル記憶部１００に記憶された第１センサモデルのカテゴリ（言い換えれば説明変数）のうち、タグ量子化部１０２により特定されたカテゴリの値を「１」とすることにより、目的変数であるゴーストフラグの値を得る。ゴースト推定部１０８は、ゴーストフラグの値が「０．５」より大きければ、多重反射起因のゴーストが発生していると推定する。一方、ゴースト推定部１０８は、ゴーストフラグの値が「０．５」以下であれば、多重反射起因のゴーストが未発生と推定する。

また、ゴースト推定部１０８は、モデル記憶部１００に記憶された第２センサモデルのカテゴリのうち、タグ量子化部１０２または真値量子化部１０４により特定されたカテゴリの値を「１」とすることにより、目的変数であるゴーストフラグの値を得る。ゴースト推定部１０８は、ゴーストフラグの値が「０．５」より大きければ、マルチパス起因のゴーストが発生していると推定する。一方、ゴースト推定部１０８は、ゴーストフラグの値が「０．５」以下であれば、マルチパス起因のゴーストが未発生と推定する。

位置推定部１１０は、ゴースト推定部１０８によりゴーストが発生していると推定された場合、ゴーストの要因となる物体と、車両との位置関係に応じた理論値に基づいて、ゴーストの位置を推定する。センサモデル部７８は、ゴースト有無およびゴースト位置を示す推定結果をシミュレーション制御部７２へ出力し、シミュレーション制御部７２は、その推定結果を車両モデル部８０へ入力する。

車両モデル部８０は、ゴースト有無およびゴースト位置に応じて、車両シミュレーションを実行する。例えば、車両モデル部８０は、車両の自動走行を制御する自動運転コントローラのコンピュータプログラムやＥＣＵ（Electronic Control Unit）にゴースト位置を入力することにより、ゴーストが発生している場合の、自動走行中の車両の挙動をシミュレーションしてもよい。車両モデル部８０は、車両シミュレーションの結果をシミュレーション制御部７２へ出力する。シミュレーション制御部７２は、車両シミュレーションの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。例えば、ユーザは、車両シミュレーションの結果を見て、ゴースト発生時における車両の自動走行に問題がないかを確認することができる。

実施例の車両シミュレーションシステム７０によると、大がかりなシミュレーション環境を構築しなくても、アクティブセンサで発生し得る多重反射起因のゴーストおよびマルチパス起因のゴーストをシミュレーション可能になる。また、車両シミュレーションシステム７０が用いるセンサモデルは、車両を実際に走行させて得られたセンサデータをもとに生成されたものであるため、車両シミュレーションシステム７０によると、実環境との誤差が少ないシミュレーション結果を得ることができる。

以上、本開示を実施例をもとに説明した。この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。

上記実施例では、多重反射やマルチパスを要因としてゴーストが生じうる第１のセンサとしてレーダ装置を例示し、多重反射やマルチパスを要因としてゴーストが生じない第２のセンサとしてライダー装置を例示した。しかし、実施例に記載の技術は、この組み合わせ以外にも適用可能である。例えば、第１のセンサは、ソナー装置であってもよい。第２のセンサは、多重反射やマルチパスを要因としてゴースト生じない高精度のレーダ装置であってもよく、また、多重反射やマルチパスを要因としてゴーストが生じない高精度のカメラであってもよい。

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］
ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知部と、
ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知部と、
前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成部と、
を備え、
前記生成部は、前記第１検知部により検知された物標の中に、前記第２検知部により未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知部により検知された物標の中に、前記第２検知部により未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
モデル生成装置。
［項目２］
車両周辺の状態を説明変数とし、センサにより検知された物標におけるゴーストの有無を目的変数として統計処理により生成されたモデルを記憶する記憶部と、
前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける受付部と、
前記受付部により受け付けられたデータを前記モデルに入力することにより、ゴーストの有無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の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３］
前記推定部は、ゴースト有りと推定した場合、ゴーストの要因となる物体と前記車両との位置関係に応じて、ゴーストが発生した位置をさらに推定する、
項目２に記載の車両シミュレーションシステム。
［項目４］
ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知処理と、
ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知処理と、
前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成処理と、
をコンピュータが実行し、
前記生成処理は、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
モデル生成方法。
［項目５］
車両周辺の状態を説明変数とし、センサにより検知された物標のゴーストの有無を目的変数として統計処理により生成されたモデルを記憶するコンピュータが、
前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける処理と、
受け付けたデータを前記モデルに入力することにより、ゴーストの有無を推定する処理と、
ゴーストの有無の推定結果をもとに前記車両のシミュレーションを実行する処理と、
を実行する車両シミュレーション方法。
［項目６］
ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知処理と、
ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知処理と、
前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成処理と、
をコンピュータに実行させ、
前記生成処理は、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
コンピュータプログラム。
［項目７］
車両周辺の状態を説明変数とし、センサにより検知された物標のゴーストの有無を目的変数として統計処理により生成されたモデルを記憶するコンピュータに、
前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける処理と、
受け付けたデータを前記モデルに入力することにより、ゴーストの有無を推定する処理と、
ゴーストの有無の推定結果をもとに前記車両のシミュレーションを実行する処理と、
を実行させるコンピュータプログラム。

４０ センサモデル生成装置、 ４８ レーダ結果識別部、 ５０ 真値識別部、 ５８ モデル生成部、 ７０ 車両シミュレーションシステム、 １００ モデル記憶部、 １０６ 推定部。

Claims (7)

1. ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知部と、
   ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知部と、
   前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成部と、
   を備え、
   前記生成部は、前記第１検知部により検知された物標の中に、前記第２検知部により未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知部により検知された物標の中に、前記第２検知部により未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
   モデル生成装置。
2. 車両周辺の状態を説明変数とし、センサにより検知された物標におけるゴーストの有無を目的変数として統計処理により生成されたモデルを記憶する記憶部と、
   前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける受付部と、
   前記受付部により受け付けられたデータを前記モデルに入力することにより、ゴーストの有無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の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。
3. 前記推定部は、ゴースト有りと推定した場合、ゴーストの要因となる物体と前記車両との位置関係に応じて、ゴーストが発生した位置をさらに推定する、
   請求項２に記載の車両シミュレーションシステム。
4. ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知処理と、
   ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知処理と、
   前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成処理と、
   をコンピュータが実行し、
   前記生成処理は、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
   モデル生成方法。
5. 車両周辺の状態を説明変数とし、センサにより検知された物標のゴーストの有無を目的変数として統計処理により生成されたモデルを記憶するコンピュータが、
   前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける処理と、
   受け付けたデータを前記モデルに入力することにより、ゴーストの有無を推定する処理と、
   ゴーストの有無の推定結果をもとに前記車両のシミュレーションを実行する処理と、
   を実行する車両シミュレーション方法。
6. ゴーストが生じうる第１のセンサの出力結果をもとに、車両の周辺に存在する物標を検知する第１検知処理と、
   ゴーストが生じない第２のセンサの出力結果をもとに、前記車両の周辺に存在する物標を検知する第２検知処理と、
   前記車両の周辺の状態を説明変数とし、ゴーストの有無を示す値を目的変数とするモデルを生成する生成処理と、
   をコンピュータに実行させ、
   前記生成処理は、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標があればゴースト有りを示す値を前記目的変数に設定し、前記第１検知処理で検知された物標の中に、前記第２検知処理で未検知の物標が無ければゴースト無しを示す値を前記目的変数に設定して統計処理を実行することにより前記モデルを生成する、
   コンピュータプログラム。
7. 車両周辺の状態を説明変数とし、センサにより検知された物標のゴーストの有無を目的変数として統計処理により生成されたモデルを記憶するコンピュータに、
   前記車両のシミュレーションにおける前記車両の周辺の状態に関するデータの入力を受け付ける処理と、
   受け付けたデータを前記モデルに入力することにより、ゴーストの有無を推定する処理と、
   ゴーストの有無の推定結果をもとに前記車両のシミュレーションを実行する処理と、
   を実行させるコンピュータプログラム。

Images