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
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 Download PDFInfo
- Publication number
- JP2020143920A JP2020143920A JP2019038634A JP2019038634A JP2020143920A JP 2020143920 A JP2020143920 A JP 2020143920A JP 2019038634 A JP2019038634 A JP 2019038634A JP 2019038634 A JP2019038634 A JP 2019038634A JP 2020143920 A JP2020143920 A JP 2020143920A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- ghost
- target
- model
- unit
- 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
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
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。
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。
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n1、・・・nm、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xG = xR+2d*cosα
ゴーストのY軸方向位置yG = yR
ゴーストのX軸方向速度vGx = -vAx
ゴーストのY軸方向速度vGy = vAy
ゴーストのX軸方向位置xG = xR+2d*cosα
ゴーストのY軸方向位置yG = yR
ゴーストのX軸方向速度vGx = -vAx
ゴーストのY軸方向速度vGy = vAy
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xG = xT+xR
ゴーストのY軸方向位置yG = -yT+2(d*sinα+yR)
ゴーストのX軸方向速度vGx = vTx
ゴーストのY軸方向速度vGy = -vTy
ゴーストのX軸方向位置xG = xT+xR
ゴーストのY軸方向位置yG = -yT+2(d*sinα+yR)
ゴーストのX軸方向速度vGx = vTx
ゴーストのY軸方向速度vGy = -vTy
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。
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。
[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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019038634A JP2020143920A (ja) | 2019-03-04 | 2019-03-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019038634A JP2020143920A (ja) | 2019-03-04 | 2019-03-04 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020143920A true JP2020143920A (ja) | 2020-09-10 |
Family
ID=72353965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019038634A Pending JP2020143920A (ja) | 2019-03-04 | 2019-03-04 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020143920A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023063095A1 (ja) * | 2021-10-13 | 2023-04-20 | 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、および情報処理方法、並びにプログラム |
-
2019
- 2019-03-04 JP JP2019038634A patent/JP2020143920A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023063095A1 (ja) * | 2021-10-13 | 2023-04-20 | 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、および情報処理方法、並びにプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106767852B (zh) | 一种生成探测目标信息的方法、装置和设备 | |
US10990854B2 (en) | Method for quick estimation of a perspectival occlusion in a simulation of an imaging sensor | |
Hanke et al. | Generation and validation of virtual point cloud data for automated driving systems | |
US11208110B2 (en) | Method for modeling a motor vehicle sensor in a virtual test environment | |
Rosenberger et al. | Benchmarking and functional decomposition of automotive lidar sensor models | |
US11941888B2 (en) | Method and device for generating training data for a recognition model for recognizing objects in sensor data of a sensor, in particular, of a vehicle, method for training and method for activating | |
US10133834B2 (en) | Method for simulating wave propagation; simulator, computer program and recording medium for implementing the method | |
US20190227164A1 (en) | Automotive Testing Method, System and Computer Program Product | |
US11842529B2 (en) | Spatial localization design service | |
US11354459B2 (en) | Computer vision and speech algorithm design service | |
Ngo et al. | A multi-layered approach for measuring the simulation-to-reality gap of radar perception for autonomous driving | |
CN114460588B (zh) | 基于主动式声学成像仪的高精度成像方法 | |
KR102464236B1 (ko) | 연속파 라이다 센서들을 시뮬레이션하는 방법 | |
JP2020109602A (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 | |
JP2020143920A (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 | |
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 | |
US7366053B2 (en) | System and method for imaging and tracking contacts within a medium | |
Ngo | A methodology for validation of a radar simulation for virtual testing of autonomous driving | |
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 | |
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 | |
CN116299374B (zh) | 基于机器视觉的声呐成像水下自动校准定位方法和系统 | |
US20230162382A1 (en) | Method and system for determining lidar intensity values, and training method | |
US20230243926A1 (en) | Ranging error calculation device, ranging error calculation method and storage medium | |
Walenta et al. | Bayesian Gaussian Mixture Models for Enhanced Radar Sensor Modeling: A Data-Driven Approach towards Sensor Simulation for ADAS/AD Development | |
CN114545398A (zh) | 一种对象的外观探测系统、方法、装置及电子设备 |