JP2020199807A - 運転支援制御装置 - Google Patents

Abstract

【課題】レーンキープアシスト制御の実行中にドライバーが覚える違和感を抑制する運転支援制御装置を提供する。【解決手段】運転支援制御装置１３は、車両通行帯における自車両の走行状況を示す走行情報を取得する前方認識センサー１１および各種センサー１２と、走行情報に基づき特徴量を抽出するとともにその特徴量に基づき操舵角を演算するリカレントニューラルネットワーク３１と、を備える。運転支援制御装置１３は、リカレントニューラルネットワーク３１が演算した操舵角を操舵指示値としてステアリングアクチュエーターに出力する。リカレントニューラルネットワーク３１は、長短期記憶層で構成された隠れ層３４−１，…，３４−ｎを有する。【選択図】図３

Description

本発明は、ドライバーの運転を支援する運転支援制御装置に関する。

例えば特許文献１のように、ドライバーの運転を支援する運転支援制御としてレーンキープアシスト制御が知られている。レーンキープアシスト制御は、車両通行帯（レーン）における自車両の位置を把握し、自車両が車両通行帯の中央を維持しながら走行するようにドライバーのステアリング操作をアシストする。

特開２００２−１２０７４４号公報

従来のレーンキープアシスト制御は、例えば車両通行帯における自車両の位置に基づくフィードバック制御によりステアリング操作をアシストしていた。しかしながら、従来のレーンキープアシスト制御においては、ステアリング操作のアシストを受けたドライバーが違和感を覚えることがあった。

本発明は、レーンキープアシスト制御の実行中にドライバーが覚える違和感を抑制する運転支援制御装置を提供することを目的とする。

上記課題を解決する運転支援制御装置は、車両通行帯における自車両の走行状況を示す走行情報を取得する走行情報取得部と、前記走行情報に基づき特徴量を抽出する特徴量抽出部と、前記特徴量に基づき操舵角を演算する操舵角演算部と、を備え、前記操舵角演算部の演算した操舵角を操舵指示値としてステアリングアクチュエーターを制御することによりレーンキープアシスト制御を実行する運転支援制御装置であって、前記特徴量抽出部および前記操舵角演算部は、長短期記憶層で構成された隠れ層を有するリカレントニューラルネットワークで構成されている。

リカレントニューラルネットワークを構成する長短期記憶層は、演算結果の一部が一時的に記憶されて次サイクルの演算に利用される。上記構成によれば、直前における自車両の走行状況の変化を加味したうえで特徴量が演算され、その演算された特徴量に基づいて操舵指示値が演算される。これにより、レーンキープに対する操舵指示値の精度が高められることから、レーンキープアシスト制御の実行中にドライバーが覚える違和感を抑制することができる。

上記運転支援制御装置において、前記リカレントニューラルネットワークは、最新の前記走行情報を取得した時刻から設定時間だけ経過した時刻における操舵角を教師データとして学習を行うことが好ましい。

上記構成によれば、リカレントニューラルネットワークは、現時刻から設定時間だけ近未来の操舵角、例えばステアリング操作についての応答遅れ等が考慮された操舵角を演算することとなる。これにより、レーンキープに対する操舵指示値の精度がより高められることから、レーンキープアシスト制御の実行中にドライバーが覚える違和感をより抑制することができる。

上記運転支援制御装置は、前記設定時間における前記自車両の走行距離を示す走行目標距離を演算する走行目標距離演算部をさらに備え、前記操舵角演算部は、前記特徴量と前記走行目標距離とに基づいて操舵角を演算することが好ましい。上記構成のように、走行目標距離を加味して操舵指示値を演算することにより、レーンキープに対する操舵指示値の精度をさらに高めることができる。

上記運転支援制御装置は、前記自車両の前方における前記車両通行帯の曲率を推定する曲率推定部をさらに備え、前記リカレントニューラルネットワークには、前記曲率推定部が推定した曲率が入力されることが好ましい。上記構成のように、自車両の前方における車両通行帯の曲率を加味して操舵角が演算されることでレーンキープに対する操舵指示値の精度をさらに高めることができる。

上記運転支援制御装置において、前記リカレントニューラルネットワークの教師データは、シミュレーションにより作成されたデータであり、前記走行情報を構成するパラメーターの１つとして前記自車両に対する横風を含んでいることが好ましい。

上記構成によれば、自車両に対する横風が外乱として入力されることによって、シミュレーションで作成された教師データを用いた学習を通じてレーンキープアシスト制御のロバスト性を向上させることができる。

上記運転支援制御装置において、前記リカレントニューラルネットワークの教師データは、シミュレーションにより作成されたデータであり、前記走行情報を構成するパラメーターの１つとして前記車両通行帯におけるカントを含んでいることが好ましい。

上記構成によれば、車両走行帯におけるカントが外乱として入力されることによって、シミュレーションで作成された教師データを用いた学習を通じてレーンキープアシスト制御のロバスト性を向上させることができる。また、横風とカントとが外乱として入力されることでレーンキープアシスト制御のロバスト性をさらに向上させることができる。

運転支援制御装置の一実施形態を搭載した車両の概略構成を示す図。 前方認識センサーが検出する物体の一例を示す斜視図。 運転支援制御装置の構成の一例を示すブロック図。 操舵指示値演算部の機能的な構成の一例を示す機能ブロック図。 長短期記憶層の構成の一例を模式的に示す図。

図１〜図５を参照して、運転支援制御装置の一実施形態について説明する。
図１に示すように、自車両である車両１０は、走行動力源として内燃機関およびモーターの少なくとも一方を有する貨物自動車などの大型自動車である。車両１０は、前方認識センサー１１、各種センサー１２、運転支援制御装置１３、および、ステアリングアクチュエーター１４を有している。運転支援制御装置（以下、単に制御装置という。）１３は、ドライバーのステアリング操作をアシストすることにより、レーンキープアシスト制御を行う。レーンキープアシスト制御において、制御装置１３は、前方認識センサー１１および各種センサー１２の検出した情報に基づいて操舵指示値Ａｃｏｍを演算し、その演算した操舵指示値Ａｃｏｍに基づいてステアリングアクチュエーター１４を制御する。こうした運転支援機能により、レーンキープ走行についてのドライバーへの負荷を軽減することができる。

図２に示すように、前方認識センサー１１は、車両１０の走行状況を示す走行情報を取得する走行情報取得部として機能する。前方認識センサー１１は、車載カメラや赤外線カメラ等の周辺監視カメラ、ミリ波レーダーやＬｉＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ）などの外部の物体を感知するレーダー装置などで構成されている。

前方認識センサー１１は、周辺監視カメラやレーダー装置の出力データに基づいて車両１０の前方に位置する物体を検出し、その物体までの距離やその物体の種別を識別する。例えば、前方認識センサー１１は、周辺監視カメラが撮像した撮像データなどに基づいて、レーン（車両通行帯）１６を形成する右側車線１７および左側車線１８を検出する。また、前方認識センサー１１は、位置情報取得部として、周辺監視カメラが撮像した撮像データなどに基づいて、レーン１６における車両１０の位置である車両走行位置を検出する。車両走行位置は、レーン１６における車両１０の横方向中央の位置であり、例えばレーン１６の仮想中央線１６Ｃに対する車両１０の中心のずれ量である。前方認識センサー１１は、検出した物体の位置や種別、車両走行位置を含む周辺情報を図１に示す車載ネットワーク１９を介して制御装置１３に出力する。車両通行位置、ならびに、車両１０に対する右側車線１７および左側車線１８の位置を含む周辺情報は、車両１０の走行状況に関する情報である走行情報の１つである。なお、図２に示すレーン１６の仮想中央線１６Ｃに沿って車両通行位置が移動する走行を「理想走行」という。

図３に示すように、各種センサー１２は、車両１０の走行状況を示す走行情報を取得する走行情報取得部として機能する。各種センサー１２は、車速センサー２１、前後加速度センサー２２、横加速度センサー２３、ヨー角センサー２４、ヨーレートセンサー２５、および、操舵角センサー２６等で構成される。

車速センサー２１は、車両１０の車速を検出し、その検出した車速を示す信号を車載ネットワーク１９に出力する。車速は、例えば、単位時間あたりの車両１０の走行距離を示す情報の１つである。前後加速度センサー２２は、車両１０の加速度情報を取得する加速度情報取得部として機能する。前後加速度センサー２２は、車両１０の前後方向における加速度である前後加速度を検出し、その検出した前後加速度を示す信号を車載ネットワーク１９に出力する。前後加速度は、例えば、燃料噴射量や車速、図示されない変速機の変速比などとの関係に基づく車両１０の重量に関する情報の１つである。横加速度センサー２３は、車両１０の加速度情報を取得する加速度情報取得部として機能する。横加速度センサー２３は、車両１０の横方向における加速度である横加速度を検出し、その検出した横加速度を示す信号を車載ネットワーク１９に出力する。横加速度は、例えば、車両１０が受ける横風に関する情報の１つである。ヨー角センサー２４は、車両１０のヨー角を検出し、その検出したヨー角を示す信号を車載ネットワーク１９に出力する。ヨー角は、例えば、車両１０の向きに関する情報の１つである。ヨーレートセンサー２５は、車両１０のヨー角の加速度であるヨーレートを検出し、その検出したヨーレートを車載ネットワーク１９に出力する。ヨーレートは、例えば、車両１０の向きの変化量に関する情報の１つである。

制御装置１３は、前方認識センサー１１および各種センサー１２が検出した車両１０の走行情報に基づいてステアリングアクチュエーター１４を制御することによりドライバーのステアリング操作をアシストする。

図３を参照して制御装置１３の概略構成について説明する。制御装置１３は、車載ネットワーク１９に出力された各種情報を取得し、その取得した各種情報、および、メモリーに記憶したプログラムや各種データに基づいて各種処理を実行する。制御装置１３は、ＡＳＩＣ等の１つ以上の専用のハードウェア回路、コンピュータプログラム（ソフトウェア）に従って動作する１つ以上のプロセッサ、或いは、それらの組み合わせ、を含む回路として構成し得る。プロセッサは、ＣＰＵ並びに、ＲＡＭ及びＲＯＭ等のメモリーを含み、メモリーは、処理をＣＰＵに実行させるように構成されたプログラムコードまたは指令を格納している。メモリーすなわちコンピューター可読媒体は、汎用または専用のコンピューターでアクセスできるあらゆる利用可能な媒体を含む。

制御装置１３は、操舵指示値Ａｃｏｍを演算する操舵指示値演算部３０を有している。操舵指示値演算部３０は、リカレントニューラルネットワーク（ＲＮＮ：Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）３１を中心に構成されている。

ＲＮＮ３１は、走行情報が入力される入力層３２、操舵指示値Ａｃｏｍを出力する出力層３３、および、入力層３２と出力層３３との間に位置する複数の隠れ層３４（例えば、１５層〜３０層）を有する。以下では、最下層に位置する隠れ層を隠れ層３４−１、最上層に位置する隠れ層を隠れ層３４−ｎ（ｎは１以上の整数）で示す。入力層３２は、走行情報に基づいた各種演算を行い、その演算結果を隠れ層３４−１に出力する。隠れ層３４の各々は、時刻ｔ−１の演算結果を戻り値として時刻ｔの演算に用いる。出力層３３は、隠れ層３４−ｎの演算結果を用いて操舵指示値Ａｃｏｍを演算する。

図４を参照して操舵指示値演算部３０の機能的な構成について詳しく説明する。
図４に示すように、操舵指示値演算部３０は、操舵角第１微分器３６、操舵角第２微分器３７、走行位置第１微分器３８、走行位置第２微分器３９、曲率推定部４０、および、正規化部４２を有している。

操舵角第１微分器３６は、操舵角センサー２６の検出値である操舵角を離散微分することにより操舵角速度を演算し、その演算した操舵角速度を正規化部４２に出力する。操舵角第２微分器３７は、操舵角速度を離散微分することにより操舵角加速度を演算し、その演算した操舵角加速度を正規化部４２に出力する。

走行位置第１微分器３８は、車両走行位置を離散微分することにより、車両１０の横方向の位置の変化速度である位置変化速度を演算し、その演算した位置変化速度を正規化部４２に出力する。走行位置第２微分器３９は、位置変化速度を離散微分することにより位置変化加速度を演算し、その演算した位置変化加速度を正規化部４２に出力する。

曲率推定部４０は、前方認識センサー１１の検出した周辺情報に基づいて、車両１０の前方におけるレーン１６の曲率の推定値である推定曲率を演算する。曲率推定部４０は、その演算した推定曲率を正規化部４２に出力する。

正規化部４２は、車速、前後角速度、横加速度、ヨー角、ヨーレート、操舵角、操舵角速度、操舵角加速度、車両走行位置、位置変化速度、位置変化加速度、および、レーン１６の推定曲率を正規化する。正規化部４２は、正規化した各種パラメーターを特徴量抽出部４３に出力する。

特徴量抽出部４３は、正規化部４２から入力された各種パラメーターに基づいて演算を行うことにより１以上の特徴量を抽出する。特徴量抽出部４３は、ＲＮＮ３１の入力層３２と隠れ層３４とで構成されている。入力層３２には、正規化部４２によって正規化された各種要素が入力される。隠れ層３４は、最終的な演算結果として１以上の特徴量を演算する。隠れ層３４の各々は、長短期記憶層（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）で構成されている。

図５を参照して、長短期記憶層（以下、単にＬＳＴＭという。）について説明する。
図５に示すように、ＬＳＴＭ４５は、時刻ｔの入力ｘ（ｔ）に基づいて時刻ｔの出力ｈ（ｔ）を演算する。出力ｈ（ｔ）は、上層に対して入力ｘ（ｔ）として入力される。また、ＬＳＴＭ４５は、出力ｈ（ｔ）を演算する過程においてセル状態Ｃ（ｔ）を演算し、その演算したセル状態Ｃ（ｔ）に加えて、出力ｈ（ｔ）を示す出力状態ｈ（ｔ）を次サイクルの演算における戻り値として取り扱う。すなわち、ＬＳＴＭ４５は、１つ前の時刻（ｔ−１）における演算結果であるセル状態Ｃ（ｔ−１）および出力状態ｈ（ｔ−１）に加えて、時刻（ｔ）における下層からの入力ｘ（ｔ）に基づいて、時刻（ｔ）におけるセル状態Ｃ（ｔ）および出力状態ｈ（ｔ）を演算する。

ＬＳＴＭ４５は、時刻ｔ−１のセル状態Ｃ（ｔ−１）を制御する忘却ゲート層４６、入力ゲート層４７、ｔａｎｈ層４８、および、出力ゲート層４９を有している。
忘却ゲート層４６は、式（１）に示す演算を行うことにより、セル状態Ｃ（ｔ−１）から削除するパラメーターを判別する。本実施形態の忘却ゲート層４６は、時刻ｔ直前の算入期間βにおいて前方認識センサー１１および各種センサー１２が検出した各種情報に基づいてセル状態Ｃ（ｔ）が演算されるように構成される。算入期間βは、予め行ったシミュレーションなどによって規定される時間である。算入期間βは、制御装置１３への演算負荷を抑えつつ、その時々の走行状況に応じた特徴量が演算可能な時間に設定される。算入期間βは、例えば１ｓｅｃ〜２ｓｅｃである。

入力ゲート層４７は、式（２）に示す演算を行うことにより、入力ｘ（ｔ）および出力状態ｈ（ｔ）からセル状態Ｃ（ｔ−１）に対して新たに加えるべきパラメーターを判別する。ｔａｎｈ層４８は、式（３）に示す演算を行うことにより、入力ｘ（ｔ）および出力状態ｈ（ｔ）からセル状態Ｃ（ｔ−１）に追加すべきパラメーターの候補値を演算する。ＬＳＴＭ４５は、入力ゲート層４７およびｔａｎｈ層４８の演算結果を用いて式（４）に示す演算を行うことにより、セル状態Ｃ（ｔ−１）をセル状態Ｃ（ｔ）に更新する。

出力ゲート層４９は、式（５）に示す演算を行うことにより、セル状態Ｃ（ｔ）のうちで出力するパラメーターを判別する。そしてＬＳＴＭ４５は、式（６）に示す演算を行うことで出力ｈ（ｔ）を演算する。ＬＳＴＭ４５は、セル状態Ｃ（ｔ）と出力状態ｈ（ｔ）（＝出力ｈ（ｔ））を戻り値として取り扱う。

なお、下記の式（１）〜（６）に示される重みベクトルＷｆ，Ｗｉ，Ｗｃ，Ｗｏ、および、バイアスベクトルｂｆ，ｂｉ，ｂｃ，ｂｏの各々は、学習により更新されるベクトルである。また、σ（）はシグモイド関数、「＊」はアダマール積である。

操舵角演算部５１は、特徴量抽出部４３が抽出した特徴量に基づいて時刻ｔから設定時間αだけ経過した近未来の操舵角を操舵指示値Ａｃｏｍとして演算する。設定時間αは、例えば、操舵指示値Ａｃｏｍに基づいてステアリングアクチュエーター１４が駆動された場合に、実際の操舵角が操舵指示値Ａｃｏｍに変更されるまでに要する時間、すなわち操舵指示値Ａｃｏｍの応答遅れの時間を含むものである。操舵角演算部５１は、ＲＮＮ３１の出力層３３で構成されている。出力層３３は、上述したＬＳＴＭ４５で構成されている。操舵角演算部５１は、ＬＳＴＭ４５として演算したセル状態Ｃ（ｔ）および出力ｈ（ｔ）（この場合、出力ｈ（ｔ）は操舵指示値Ａｃｏｍ）を記憶部５２に記憶する。操舵角演算部５１は、特徴量抽出部４３が抽出した特徴量、記憶部５２に記憶したセル状態Ｃ（ｔ）および出力ｈ（ｔ）、ならびに、走行目標距離演算部５３が演算した走行目標距離に基づいて操舵角を演算する。なお、操舵角演算部５１には、特徴量抽出部４３が抽出した特徴量と走行目標距離演算部５３が演算した走行目標距離とが入力ｘ（ｔ）として入力される。

走行目標距離演算部５３は、車速センサー２１の検出した車速に基づいて走行目標距離を演算する。走行目標距離演算部５３は、時刻ｔから設定時間αだけ経過するまでの車両１０の走行距離を走行目標距離として演算する。すなわち、走行目標距離演算部５３は、操舵指示値Ａｃｏｍに基づいてステアリングアクチュエーター１４が駆動された場合に、実際の操舵角が操舵指示値Ａｃｏｍに変更されるまでの走行距離を走行目標距離として演算する。ちなみに、レーン１６の推定曲率、時刻ｔにおける操舵角、および、走行目標距離等により、設定時間α経過後における車両通行位置を予測することが可能である。

最適化実行部５５は、特徴量抽出部４３および操舵角演算部５１を構成するＲＮＮ３１について、所定のアルゴリズムの学習則に則った学習により重みベクトルＷｆ，Ｗｉ，Ｗｃ，Ｗｏおよびバイアスベクトルｂｆ，ｂｉ，ｂｃ，ｂｏを最適化する。

最適化実行部５５は、学習に用いられる時系列的な実測データと教師データとを保持している。教師データは、実測データにおける各時刻ｔに対応付けられた操舵角であって、各時刻ｔから設定時間αだけ経過したときの操舵角で構成されている。最適化実行部５５は、例えば、ＲＮＮ３１が演算した操舵角と教師データにおける操舵角とを最小二乗誤差法を用いて評価・学習することで重みベクトルＷｆ，Ｗｉ，Ｗｃ，Ｗｏおよびバイアスベクトルｂｆ，ｂｉ，ｂｃ，ｂｏを最適化する。

実測データおよび教師データの一例は、理想ドライバーが車両１０を実際に運転したときに前方認識センサー１１および各種センサー１２が検出した情報に基づいて作成される。教師データは、実測データにおける各時刻ｔについて、当該時刻ｔから設定時間αだけ経過したときに操舵角センサー２６が測定した操舵角で構成されている。なお、理想ドライバーとは、車両１０の理想走行を小さい振り幅のステアリング操作で実現可能なドライバーである。

実測データおよび教師データの他の例は、レーン１６を車両１０が理想走行するシミュレーションに基づいて作成される。このシミュレーションには、車両１０のモデルおよび前方認識センサー１１のモデルが用いられる。車両１０のモデルには、走行に関する各種の条件に加えて、環境条件として強さおよび方向が各時刻ｔにおいてランダムに選択される横風が入力される。なお、実際の走行およびシミュレーションにおいては、車両１０の積載量についての条件やレーン１６についての条件（例えば、直線部の距離や曲線部のカント、レーン１６の勾配、曲線部の曲率半径など）が一様分布となるように設定されるとよい。また、車両１０の車型（ホイールベースや車軸数、タイヤのトレッド幅、サスペンション構造）ごとに、車両１０の積載量についての条件やレーン１６についての条件が一様分布となるように設定されるとよい。

上述した構成の制御装置１３の作用について説明する。
上述した制御装置１３は、理想走行時における操舵角を教師データとするとともに車両走行位置だけでなく車両１０の加速情報なども含む走行情報を考慮した学習によってＲＮＮ３１が構築される。こうした構成によれば、学習済みの制御装置１３が演算する操舵角、すなわち操舵指示値Ａｃｏｍは、理想ドライバーのステアリング操作に近い値となる。

ドライバーは、通常、車両１０が理想走行するようにステアリング操作を行う。しかしながら、運転技量はドライバーによって異なるため、理想走行を目標とする走行時のステアリング操作はドライバーによって異なる。例えば、理想ドライバーよりも運転技量の低いドライバーは、ステアリング操作の振れ幅が理想ドライバーよりも大きくなる。

上述した操舵指示値Ａｃｏｍは、理想ドライバーにとっては自身のステアリング操作に近い値となる。また、操舵指示値Ａｃｏｍは、理想ドライバーよりも運転技量の低いドライバーにとっては自身が目標としている走行に近づく値となり、その振れ幅も小さくなる。これらのことから、上述した制御装置１３によれば、レーンキープアシスト制御の実行中にドライバーが覚える違和感を抑制することができる。

本実施形態の作用及び効果について説明する。
（１）ＲＮＮ３１は、時刻ｔ直前の算入期間βにおいて前方認識センサー１１および各種センサー１２が検出した情報と時刻ｔから設定時間αだけ経過したときの操舵角とに基づくデータを教師データとした学習により構築される。そのため、ＲＮＮ３１は、車速および各種加速度、レーン１６の曲率やレーン１６に対する車両１０の向きなど、算入期間βにおける各種パラメーターの変化に応じた学習を行うことができる。こうした構成によれば、制御装置１３は、理想走行を具現化する操舵指示値Ａｃｏｍとして、算入期間βにおける各種パラメーターの変化に応じた値を演算することができる。これにより、操舵指示値Ａｃｏｍは、少ないステイリング操作量のもとで理想走行を具現化することのできる値となる。そのため、操舵指示値Ａｃｏｍは、理想ドライバーにとっては自身のステアリング操作に近い値となり、運転技量の低いドライバーにとっては少ない操作量で理想走行に近づけることができる値となる。その結果、レーンキープアシスト制御の実行中にドライバーが覚える違和感をより抑制することができる。

（２）制御装置１３は、設定時間αを考慮した近未来の値を操舵指示値Ａｃｏｍとして演算する。これにより、操舵指示値Ａｃｏｍでの車両１０の走行をより理想走行に近づけることができる。その結果、レーンキープアシスト制御の実行中にドライバーが覚える違和感をより抑制することができる。

（３）制御装置１３は、レーン１６の推定曲率を演算する曲率推定部４０と、推定曲率を入力の１つとして操舵指示値Ａｃｏｍを演算するＲＮＮ３１とを有している。こうした構成によれば、車両１０の予定走行経路におけるレーン１６の曲率を考慮したうえで操舵指示値Ａｃｏｍが演算される。その結果、操舵指示値Ａｃｏｍで車両１０を走行させた場合に、その走行をさらに理想走行に近づけることができる。

（４）制御装置１３は、時刻ｔから設定時間αだけ経過するまでの車両１０の走行距離を走行目標距離として演算する走行目標距離演算部５３と、走行目標距離を考慮して操舵指示値Ａｃｏｍを演算する操舵角演算部５１とを有している。

こうした構成によれば、制御装置１３は、設定時間α後におけるレーン１６での車両１０の位置を考慮した操舵指示値Ａｃｏｍを演算することができる。そのため、理想走行に最適な操舵角に対する操舵指示値Ａｃｏｍの誤差を小さくすることができる。これにより、理想走行を具現化するうえで操舵角の振れ幅が小さくなることから、走行時における車両１０の安定性を向上させつつ理想走行に近づけることができる。

（５）教師データを作成するシミュレーションにおいては、強さおよび方向がランダムに選択される横風が入力される。こうした構成によれば、より実際の走行状況に近い状況を再現した教師データをシミュレーションで作成することができる。その結果、操舵指示値Ａｃｏｍをより正確に演算することができる。また、シミュレーションで教師データを作成することにより、実際に車両１０を走行させる必要もないことから、ＲＮＮ３１を構築するうえでのコストを削減することもできる。

（６）シミュレーションにおいては、車両１０の積載量についての条件やレーン１６についての条件（例えば、直線部の距離や曲線部のカント、レーン１６の勾配、曲線部の曲率半径など）が一様分布となるように作成される。また、車両１０の車型（ホイールベースや車軸数、タイヤのトレッド幅、サスペンション構造）ごとに、車両１０の積載量についての条件やレーン１６についての条件が一様分布となるように作成される。こうした構成によれば、様々な条件を考慮してＲＮＮ３１が構築されることから、ＲＮＮ３１のロバスト性を向上させることができる。

本実施形態は、以下のように変更して実施することができる。本実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
・制御装置１３は、曲率推定部４０を備えていなくともよい。換言すれば、特徴量抽出部４３は、入力ｘ（ｔ）に推定曲率を含んでいなくともよい。こうした構成によれば、制御装置１３に対する演算負荷を軽減することができる。

・制御装置１３は、走行目標距離演算部５３を備えていなくともよい。換言すれば、操舵角演算部５１は、走行目標距離を使うことなく操舵指示値Ａｃｏｍを演算してもよい。こうした構成によれば、制御装置１３に対する演算負荷を軽減することができる。

・教師データがシミュレーションによって作成される場合、その教師データには、走行情報を構成するパラメーターとして車両１０に対する横風が含まれていなくともよい。
・ＲＮＮ３１は、走行情報を取得した時刻における操舵角を教師データとして学習を行ってもよい。こうした構成であっても上記（１）に記載した効果に準拠する効果を得ることができる。

・走行情報は、車両１０の走行状況を示すものであればよい。そのため、走行情報は、上述したもののほか、例えば、ロール角、ピッチ角、アクセル開度、駆動シャフト回転数、燃料噴射量、吸入空気量等のうちの少なくとも１つを含んでいればよい。また、走行情報取得部は、走行情報を構成するパラメーターの値を検出する検出部やパラメーターの値を推定する推定部であってもよい。

１０…車両、１１…前方認識センサー、１２…各種センサー、１３…運転支援制御装置、１４…ステアリングアクチュエーター、１６…レーン、１６Ｃ…仮想中央線、１７…右側車線、１８…左側車線、１９…車載ネットワーク、２１…車速センサー、２２…前後加速度センサー、２３…横加速度センサー、２４…ヨー角センサー、２５…ヨーレートセンサー、２６…操舵角センサー、３０…操舵指示値演算部、３１…リカレントニューラルネットワーク、３２…入力層、３３…出力層、３４…隠れ層、３６…操舵角第１微分器、３７…操舵角第２微分器、３８…走行位置第１微分器、３９…走行位置第２微分器、４０…曲率推定部、４２…正規化部、４３…特徴量抽出部、４５…ＬＳＴＭ、４６…忘却ゲート層、４７…入力ゲート層、４８…ｔａｎｈ層、４９…出力ゲート層、５１…操舵角演算部、５２…記憶部、５３…走行目標距離演算部、５５…最適化実行部。

Claims (6)

1. 車両通行帯における自車両の走行状況を示す走行情報を取得する走行情報取得部と、
   前記走行情報に基づき特徴量を抽出する特徴量抽出部と、
   前記特徴量に基づき操舵角を演算する操舵角演算部と、を備え、
   前記操舵角演算部の演算した操舵角を操舵指示値としてステアリングアクチュエーターを制御することによりレーンキープアシスト制御を実行する運転支援制御装置であって、
   前記特徴量抽出部および前記操舵角演算部は、長短期記憶層で構成された隠れ層を有するリカレントニューラルネットワークで構成されている
   運転支援制御装置。
2. 前記リカレントニューラルネットワークは、最新の前記走行情報を取得した時刻から設定時間だけ経過した時刻における操舵角を教師データとして学習を行う
   請求項１に記載の運転支援制御装置。
3. 前記設定時間における前記自車両の走行距離を示す走行目標距離を演算する走行目標距離演算部をさらに備え、
   前記操舵角演算部は、前記特徴量と前記走行目標距離とに基づいて操舵角を演算する
   請求項２に記載の運転支援制御装置。
4. 前記自車両の前方における前記車両通行帯の曲率を推定する曲率推定部をさらに備え、
   前記リカレントニューラルネットワークには、前記曲率推定部が推定した曲率が入力される
   請求項１〜３のいずれか一項に記載の運転支援制御装置。
5. 前記リカレントニューラルネットワークの教師データは、シミュレーションにより作成されたデータであり、前記走行情報を構成するパラメーターの１つとして前記自車両に対する横風を含んでいる
   請求項１〜４のいずれか一項に記載の運転支援制御装置。
6. 前記リカレントニューラルネットワークの教師データは、シミュレーションにより作成されたデータであり、前記走行情報を構成するパラメーターの１つとして前記車両通行帯におけるカントを含んでいる
   請求項１〜５のいずれか一項に記載の運転支援制御装置。