JP2021108031A - 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】車両シミュレーションシステムにおけるシミュレーション結果の有用性を高める。【解決手段】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を検知する。真値生成部２００は、画像解析部２８より高い精度で、車両周辺の状態を検知する。モデル生成部３８は、車両シミュレーションシステムにおいて画像解析部２８による検知率を推定するためのモデルであって、真値生成部２００により検知された状態を説明変数とし、真値生成部２００により検知された状態が、画像解析部２８により検知される確率を目的変数とするモデルを生成する。【選択図】図１６

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

歩行者等の対象物を検知したときの車両の挙動をシミュレーションする場合、対象物を検知できるか否かが現実に即したものでなければ、シミュレーション結果が十分に有用なものとはならない可能性がある。

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システムにおけるシミュレーション結果の有用性を高めることにある。

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、車両の周辺が映る画像データから車両周辺の状態を検知する第１検知部と、第１検知部より高い精度で、車両周辺の状態を検知する第２検知部と、車両のシミュレーションシステムにおいて第１検知部による検知率を推定するためのモデルであって、第２検知部により検知された状態を説明変数とし、第２検知部により検知された状態が、第１検知部により検知される確率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、車両の周辺が映る画像データから車両周辺の状態を検知する検知部について、検知部による検知率を推定するためのモデルであって、車両周辺の状態の真値を説明変数とし、車両周辺の状態が検知部により検知される確率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の車両周辺の状態の真値をモデルに入力することにより、検知部による検知率を推定する推定部と、推定部により推定された検知率にしたがって車両の挙動をシミュレーション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、第１検知部が、車両の周辺が映る画像データから車両周辺の状態を検知し、第２検知部が、第１検知部より高い精度で、車両周辺の状態を検知し、車両のシミュレーションシステムにおいて第１検知部による検知率を推定するためのモデルであって、第２検知部により検知された状態を説明変数とし、第２検知部により検知された状態が、第１検知部により検知される確率を目的変数とするモデルを生成する。

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、車両の周辺が映る画像データから車両周辺の状態を検知する検知部について、検知部による検知率を推定するためのモデルであって、車両周辺の状態の真値を説明変数とし、車両周辺の状態が検知部により検知される確率を目的変数とするモデルを記憶し、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をモデルに入力することにより、検知部による検知率を推定し、推定された検知率をもとに車両の挙動をシミュレーションする。

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、車両シミュレーションシステムにおけるシミュレーション結果の有用性を高めることができる。

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。 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。 図４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。 距離誤差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。 検知率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。 ある姿勢についての検知率表の例を示す図である。 第２実施例のシミュレーション制御部の機能ブロックを示すブロック図である。 シミュレーション結果画像の例を示す図である。 シミュレーション結果画像の例を示す図である。 シミュレーション結果画像の例を示す図である。 検知率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機能ブロックを示すブロック図である。 変形例のセンサモデル部の機能ブロックを示すブロック図である。

＜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（以下の「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、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ｎ_１、・・・ｎ_ｍ、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。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、真値検知部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。

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センシング結果を記憶する。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検出用のデータを記憶する。実施例では、参照データ記憶部２４は、ＬＩＤＡＲ（Light Detection and Ranging）による収集したデータであり、車両と対象物との距離の真値を含むデータを記憶する。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。

真値検知部３０は、参照データ記憶部２４に記憶されたＬＩＤＡＲデータをもとに、車両周辺の状態を検知する。具体的には、真値検知部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。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、真値検知部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、真値検知部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（実施例では画像を用いる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、真値検知部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、真値検知部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、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）でセンサモデルとして生成し、センサモデルのデータとして求めた複数のカテゴリの係数をモデル記憶部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。第１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。

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。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、または、車両から歩行者までの距離の算出に必要なデータを含み、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、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）とタグデータ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、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、図４のセンサモデル部５０の詳細を示すブロック図である。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、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、もしくは真値を算出用のデータ（以下合わせて「真値データ」と称する）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、１となるダミー変数の対応するカテゴリの係数を用いて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、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。真値検知部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、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」とし、そのカテゴリに対応する係数（即ち、モデルデータ）をもちいることにより、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一つの説明変数（即ち、誤差要因）の５８個のカテゴリのそれぞれの係数（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、Range_R）、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、β_R）、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。真値検知部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、真値検知部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１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］
車両の周辺が映る画像データから、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検知する第１検知部と、
前記推定部より高い精度で、前記車両周辺の状態を検知する第２検知部と、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知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。
このモデル生成装置によると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目２］
車両の周辺が映る画像データから、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検知する検知部について、前記検知部による検知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、前記検知部により検知された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、前記検知部による検知結果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自動走行をシミュレーション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。
この車両シミュレーションシステムによると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。また、車両周辺の実際の状態を用いて生成した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。
［項目３］
前記モデルは、前記車両周辺の状態の真値である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車両周辺の状態の真値である説明変数の連続値に対する係数の連続量を求め、前記係数の連続量の中から前記説明変数の連続値に対応する係数を前記モデルに適用する、
項目２に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、曲線フィッティングにより、説明変数に対する適切な重み付けを実現できる。
［項目４］
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２または３に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、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とともに、乱数に関するデータの指定を可能にすることで、シミュレーションの再現性も持たせることができる。
［項目５］
第１検知部が、車両の周辺が映る画像データから、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検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知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。
このモデル生成方法によると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目６］
車両の周辺が映る画像データから、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検知する検知部について、前記検知部による検知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、前記検知部により検知された状態との差を目的変数とするモデルを記憶し、
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、前記検知部による検知結果を推定し、
前記推定部による推定結果をもとに前記車両の自動走行をシミュレーションする、
車両シミュレーション方法。
この車両シミュレーション方法によると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。車両周辺の実際の状態を用いて生成した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。
［項目７］
第１検知部が、車両の周辺が映る画像データから、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検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知結果に関して推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態と、前記第１検知部により検知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。
このコンピュータプログラムによると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。また、モデルの生成において車両周辺の実際の状態を用いることで、現実に即した結果を出力するモデルを生成できる。
［項目８］
車両の周辺が映る画像データから、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検知する検知部について、前記検知部による検知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、前記検知部により検知された状態との差を目的変数とするモデルを記憶し、
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、前記検知部による検知結果を推定し、
前記推定部による推定結果をもとに前記車両の自動走行をシミュレーションする、
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。
このコンピュータプログラムによると、車両をシミュレーションする際に第１検知部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、シミュレーションのコストを低減できる。車両周辺の実際の状態を用いて生成した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。

＜第２実施例＞
第２実施例の概要を説明する。従来の車両シミュレーションシステムでは、シミュレーション結果において、ＣＧの認識結果のみ、または、シミュレーションにおける車両周辺の状態の真値（理想値とも言え、例えば、自車両近傍の他車両の真の位置）のみを描いていた。そのため、シミュレーション結果が、センシングアルゴリズムや制御アルゴリズムの評価、課題抽出、改善等に対して十分に貢献しないことがあった。

第２実施例の車両シミュレーションシステムは、第１実施例の車両シミュレーションシステムと同様に、センサモデルを用いてセンシング結果（誤差を含む）を推定する。また、第２実施例の車両シミュレーションシステムは、センシング結果の推定値をセンシング対象の真値とともに表示させる。さらにまた、第２実施例の車両シミュレーションシステムは、センシング結果の推定値とセンシング対象の真値との誤差に関する情報をさらに出力する。第２実施例の車両シミュレーションシステムによると、センシングアルゴリズムや制御アルゴリズムの評価、課題抽出、改善等に対して一層有用なシミュレーション結果を提供することができる。

以下、第１実施例の構成要素と同一または対応する第２実施例の構成要素には、第１実施例と同じ符号を付して説明する。第２実施例では、第１実施例で説明済の内容は再度の説明を適宜省略し、主に、第１実施例と異なる点を説明する。

第２実施例のセンサモデルも、第１実施例のセンサモデルと同様に、車両周辺の状態に関する複数項目の真値を説明変数とし、車両に搭載された検知部による車両周辺の状態の検知結果と上記真値との差を目的変数とする数理モデル（例えば回帰式）である。検知部は、車両に搭載されるセンサ装置であり、車両周辺の状態（例えば歩行者や障害物の位置等）を検知する。検知部は、例えば、カメラ、レーダー装置、ライダー装置、ソナーの少なくとも１つを含んでもよい。

第２実施例のセンサモデルは、距離誤差を推定するためのセンサモデル（以下「距離誤差モデル」とも呼ぶ。）と、方位誤差を推定するためのセンサモデル（以下「方位誤差モデル」とも呼ぶ。）を含む。距離誤差モデルにおける目的変数は、車両から検知対象物（例えば歩行者や障害物）までの距離に関する検知結果と真値との差（以下「距離誤差」とも呼ぶ。）である。方位誤差モデルにおける目的変数は、車両に対する検知対象物の方位に関する検知結果と真値との差（以下「方位誤差」とも呼ぶ。）である。距離誤差の単位は「メートル」であってもよい。また、方位誤差の単位は「度」であってもよい。

図８は、距離誤差モデル構築のためのサンプルデータの例を示す。サンプルデータは、実車を用いた現実のテスト環境における真値が収集されたものである。サンプルデータにおける目的変数の項目「距離誤差」には、上記のテスト環境で計測された値が設定される。距離誤差モデルの説明変数の項目は、距離、方位、照度、姿勢を含む。距離は、車両から検知対象物までの距離であり、具体的には、車両に搭載された検知部から検知対象物までの距離である。方位は、車両に対する検知対象物の方位（方角とも言える）であり、具体的には、車両に搭載された検知部の光軸と検知対象物とがなす角度（例えば−９０°から９０°の範囲内の値）である。照度は、車両周辺の照度である。姿勢は、検知対象物の姿勢である。図８では、検知対象物が歩行者である場合の姿勢の例を示している。

第１実施例で示したサンプルデータ（図３）と同様に、複数の説明変数のそれぞれは、複数のカテゴリを含む。各サンプルは、実車を用いた現実のテスト環境における真値をもとに、該当するカテゴリの値が「１」に設定され、非該当のカテゴリの値が「０」に設定される。なお、数値型の説明変数（図８では距離、方位、照度）をカテゴライズする場合、刻みは均等でなくてもよい。例えば、照度の場合、０〜１０００ルクスの照度は刻み「１０」とし、１０００ルクスより大きい照度は刻み「１００」としてもよい。

方位誤差モデル構築のためのサンプルデータについて、目的変数は方位誤差（実測値）となるが、説明変数の項目は距離誤差モデルと同じである。すなわち、方位誤差モデル構築のための説明変数も、距離、方位、照度、姿勢を含み、各説明変数は複数のカテゴリに分けられる。ここで、説明変数の項目数をｍ、説明変数の各項目のカテゴリ数をｎ_１、・・・ｎ_ｍ、サンプル数をＮとして一般化すると、距離誤差モデルおよび方位誤差モデルは、第１実施例に記載の式１で表すことができる。

第２実施例のセンサモデル生成装置２０の構成は、第１実施例のセンサモデル生成装置２０の構成（図３）と同様である。センサモデル生成装置２０のモデル生成部３８は、距離誤差モデルのサンプルデータに対する重回帰分析を行って、残差の平方和が最小になるように各説明変数の各カテゴリにかかるカテゴリ係数（重み）を導出する。モデル生成部３８は、導出したカテゴリ係数を設定した回帰式（上記の式１）を距離誤差モデルとして生成し、距離誤差モデルのデータをモデル記憶部４０に格納する。方位誤差モデルの生成方法も同様である。

また、第２実施例のセンサモデルは、車両に搭載された検知部による検知率（すなわち本来検知すべき対象物を検知できる割合）を推定するためのセンサモデル（以下「検知率モデル」とも呼ぶ。）をさらに含む。検知率モデルは、車両周辺の状態に関する複数項目の真値を説明変数とし、検知部による車両周辺の状態の検知有無を目的変数とする数理モデルである。

図９は、検知率モデル構築のためのサンプルデータの例を示す。検知率モデル構築のための説明変数は、距離誤差モデルと同じである。すなわち、検知率モデル構築のための説明変数も、距離、方位、照度、姿勢を含み、各説明変数は複数のカテゴリに分けられている。検知率モデル構築のための目的変数は、検知ＯＫの場合に「１」、検知ＮＧの場合に「０」が設定される。

第２実施例のセンサモデル生成装置２０は、検知率モデルを生成するために、検知有無判定部をさらに備える。検知有無判定部は、誤差導出部３２による誤差の導出に代えて、検知すべき対象物を画像解析部２８（すなわちセンシングアルゴリズム）により検知したか否かを判定する。検知有無判定部は、検知したと判定した場合、サンプルデータに検知ＯＫを示す「１」を設定し、検知しなかったと判定した場合、サンプルデータに検知ＮＧを示す「０」を設定する。

センサモデル生成装置２０のモデル生成部３８は、距離誤差モデルおよび方位誤差モデルと同様の方法にて検知率モデルを生成する。具体的には、モデル生成部３８は、検知率モデルのサンプルデータに対する重回帰分析を行って、残差の平方和が最小になるように各説明変数の各カテゴリにかかるカテゴリ係数（重み）を導出する。モデル生成部３８は、導出したカテゴリ係数を設定した回帰式（上記の式１）を検知率モデルとして生成し、検知率モデルのデータをモデル記憶部４０に格納する。実施例の検知率モデルは、検知可能性が低いほど０に近い値を出力し、検知可能性が高いほど１に近い値を出力する。

変形例として、検知対象物の姿勢ごとに大量のサンプルデータが収集されてもよい。モデル生成部３８は、姿勢ごとにサンプルデータを分類し、分類後のサンプルデータをもとに、距離ｄ、方位θ、照度ｌの組合せごとの検知率（例えば平均値）を導出してもよい。モデル生成部３８は、姿勢ごと、かつ、距離ｄ、方位θ、照度ｌの組合せごとに検知率を並べた表（ここでは「検知率表」と呼ぶ。）を生成してもよい。図１０は、ある姿勢についての検知率表の例を示す。

モデル生成部３８は、姿勢ごとの検知率表を用いて、距離、方位、照度を係数とする多項式近似曲線を検知対象物の姿勢ごとに生成してもよい。この多項式近似曲線は式２で表すことができる。

モデル生成部３８は、多項式近似により式２のａ_１、ａ_２、ｂ_１、ｂ_２、ｃ_１、ｃ_２、ｄ_０を導出してもよい。モデル生成部３８は、検知対象物の複数の姿勢に対応する複数の多項式近似曲線（式２）を複数の検知率モデルとしてモデル記憶部４０に格納してもよい。この変形例の車両シミュレーションでは、複数の検知率モデルのうち検知対象物の姿勢に対応する検知率モデルを用いて検知率を推定する。

第２実施例の車両シミュレーションシステム１１０の構成は、第１実施例の車両シミュレーションシステム１１０の構成（図４）と同様である。また、第２実施例のセンサモデル部５０の構成も、第１実施例のセンサモデル部５０の構成（図５）と同様である。第２実施例のセンサモデル部５０は、車両周辺の状態を検知する検知部について、シミュレーション制御部１０からシミュレーションのパラメータとして車両周辺の状態の真値が与えられた場合に上記検知部による車両周辺の状態の検知結果を推定する推定部として機能する。

具体的には、センサモデル部５０の誤差導出部５６は、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を距離誤差モデルへ入力し、距離誤差モデルからの出力として距離誤差を取得する。また、誤差導出部５６は、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を方位誤差モデルへ入力し、方位誤差モデルからの出力として方位誤差を取得する。シミュレーションのパラメータは、検知部から検知対象物までの距離と方位、車両周辺の照度、検知対象物の姿勢についてそれぞれの真値を含む。

センサモデル部５０の模擬値導出部５８は、第１実施例と同様に、誤差導出部５６により取得された誤差を、シミュレーションにおける車両周辺の状態の真値に加算することで、検知部による検知結果の推定値を導出する。例えば、模擬値導出部５８は、誤差導出部５６により取得された距離誤差を、シミュレーションにおける検知部から検知対象物までの距離真値に加算することで、検知部により検知される距離の推定値を導出する。また、模擬値導出部５８は、誤差導出部５６により取得された方位誤差を、シミュレーションにおける検知部に対する検知対象物の方位真値に加算することで、検知部により検知される方位の推定値を導出する。

また、センサモデル部５０の模擬値導出部５８は、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を検知率モデルへ入力し、検知部による検知率の推定値を導出する。例えば、模擬値導出部５８は、シミュレーションのパラメータとして車両周辺の照度、検知対象物の姿勢を検知率モデルへ入力し、さらに、検知部から検知対象物までの距離と方位の複数パターンの組み合わせを検知率モデルへ入力することにより、検知率モデルからの出力として、距離と方位の組み合わせパターンごとの検知率推定値を取得する。すなわち、模擬値導出部５８は、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を取得する。

模擬値導出部５８は、シミュレーションの結果として、（１）距離推定に関する情報、（２）方位推定に関する情報、（３）検知率推定に関する情報をシミュレーション制御部１０へ出力する。（１）距離推定に関する情報は、検知部により検知される距離の推定値、シミュレーションにおける距離の真値、距離誤差の値、距離誤差の内訳を含む。（２）方位推定に関する情報は、検知部により検知される方位の推定値、シミュレーションにおける方位の真値、方位誤差の値、方位誤差の内訳を含む。（３）検知率推定に関する情報は、距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値を含む。

距離誤差の内訳は、距離誤差モデルにおける複数のカテゴリに対する複数のカテゴリ係数のうち、距離誤差の導出において使用されたカテゴリのカテゴリ係数（言い換えれば車両周辺状態の真値が該当するカテゴリのカテゴリ係数であり、以下「有効カテゴリ係数」と呼ぶ。）を含む。実施例での距離誤差の内訳は、距離誤差モデルにおける説明変数の項目名称（例えば「距離」、「方位」等）と有効カテゴリ係数の組を複数組含む。同様に、方位誤差の内訳は、方位誤差モデルにおける複数のカテゴリに対する複数のカテゴリ係数のうち、方位誤差の導出において使用されたカテゴリのカテゴリ係数（言い換えれば車両周辺状態の真値が該当するカテゴリのカテゴリ係数（有効カテゴリ係数）を含む。実施例での方位誤差の内訳は、方位誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。

第２実施例のシミュレーション制御部１０は、車両シミュレーションの結果を示す画像を生成する機能を含む。図１１は、第２実施例のシミュレーション制御部１０の機能ブロックを示すブロック図である。シミュレーション制御部１０は、パラメータ取得部１２０、パラメータ入力部１２２、模擬値取得部１２４、結果画像生成部１２６、表示制御部１２８を備える。

図１１に示す複数の機能ブロックの機能が実装され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１１に示す各機能ブロックの機能を発揮してもよい。また、図１１に示す複数の機能ブロックの複数の機能は、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１１に示す複数の機能ブロックの複数の機能は、単一の装置に集約されてもよい。

パラメータ取得部１２０は、ユーザインタフェース１２（ユーザ端末等）に対してユーザ（開発者や試験者等）が入力したシミュレーションのパラメータを取得する。シミュレーションのパラメータは、所定の記憶部に予め格納されてもよく、パラメータ取得部１２０は、その記憶部からシミュレーションのパラメータを読み出してもよい。既述したように、シミュレーションのパラメータは、検知部から検知対象物までの距離と方向、車両周辺の照度、検知対象物の姿勢を含む。

パラメータ入力部１２２は、パラメータ取得部１２０により取得されたシミュレーションのパラメータをセンサモデル部５０へ出力することにより、センサモデル部５０にシミュレーション処理を実行させる。既述したように、センサモデル部５０は、シミュレーション制御部１０から入力されたシミュレーションのパラメータを距離誤差モデル、方位誤差モデル、検知率モデルに入力し、各モデルの出力値を含むシミュレーション結果をシミュレーション制御部１０へ出力する。

模擬値取得部１２４は、センサモデル部５０による車両シミュレーションの結果を取得する。具体的には、模擬値取得部１２４は、センサモデル部５０から出力された上述の（１）距離推定に関する情報、（２）方位推定に関する情報、（３）検知率推定に関する情報を取得する。

結果画像生成部１２６は、模擬値取得部１２４により取得されたシミュレーション結果をもとに、そのシミュレーション結果を示す画像（以下「シミュレーション結果画像」とも呼ぶ。）を生成する。結果画像生成部１２６は、シミュレーション結果画像に含まれる後述の複数の要素を生成する。例えば、結果画像生成部１２６は、シミュレーション結果画像として、シミュレーションにおける車両周辺の状態の真値と、車両の検知部による検知結果の推定値とを異なる態様で示す画像を生成する。

表示制御部１２８は、結果画像生成部１２６により生成されたシミュレーション結果画像のデータを表示装置（実施例ではユーザインタフェース１２）へ出力し、シミュレーション結果画像を表示装置に表示させる。

シミュレーション結果画像について詳細に説明する。図１２は、シミュレーション結果画像の例を示す。シミュレーション結果画像１４０は、複数の要素として、車両画像１４１、検知位置画像１４２、真位置画像１４４、距離誤差インジケータ１４６、方位誤差インジケータ１４８、検知範囲画像１５０を含む。車両画像１４１は、シミュレーション対象の検知部を搭載した車両を示す画像である。

検知位置画像１４２は、検知部が検知対象物を検知する位置（シミュレーションにより推定された位置であり、「検知位置」と呼ぶ。）を示す画像である。結果画像生成部１２６は、シミュレーション結果に含まれる距離推定値および方位推定値に基づいて検知位置を求め、その検知位置に検知位置画像１４２を配置する。真位置画像１４４は、シミュレーションにおける検知対象物の真の位置（「真位置」と呼ぶ。）を示す画像である。結果画像生成部１２６は、シミュレーションパラメータとしての距離真値および方位真値に基づいて真位置を求め、その真位置に真位置画像１４４を配置する。

また、検知位置画像１４２は、検知位置と、車両画像１４１の検知部の位置とを結ぶ線を含む。また、真位置画像１４４は、真位置と、車両画像１４１の検知部の位置とを結ぶ線を含む。結果画像生成部１２６は、検知位置画像１４２と真位置画像１４４とを異なる態様に設定し、言い換えれば、検知位置画像１４２と真位置画像１４４の外観を異ならせる。例えば、検知位置画像１４２と真位置画像１４４には、異なる態様の図形、線、または塗りつぶしが設定されてもよい。また、検知位置画像１４２と真位置画像１４４には、異なる色彩や、異なるサイズ、点線・実線の違い、陰影の有無の違いが設定されてもよい。これにより、シミュレーション結果において、検知位置と真位置とを直観的に区別でき、その違いを容易に把握することができる。

距離誤差インジケータ１４６は、検知位置と真位置との距離誤差の大きさを示す画像である。距離誤差インジケータ１４６は、検知位置と、車両画像１４１の検知部の位置とを結ぶ線の長さと、真位置と、車両画像１４１の検知部の位置とを結ぶ線の長さとの差分を強調態様（注意喚起色や太線等）で示すものである。結果画像生成部１２６は、シミュレーション結果の距離誤差に応じて距離誤差インジケータ１４６を設定する。これにより、シミュレーション結果において、距離誤差の把握を容易なものにできる。

方位誤差インジケータ１４８は、検知位置と真位置との方位誤差の大きさを示す画像である。方位誤差インジケータ１４８は、車両画像１４１の検知部の位置から検知位置への方位と、車両画像１４１の検知部の位置から真位置への方位との差分を強調態様（注意喚起色や太線等）で示すものである。結果画像生成部１２６は、シミュレーション結果の方位誤差に応じて方位誤差インジケータ１４８を設定する。これにより、シミュレーション結果において、方位誤差の把握を容易なものにできる。

検知範囲画像１５０は、車両の検知部による検知範囲を示す画像である。実施例のシミュレーション制御部１０は、検知部の種類や製品特性に応じて予め定まる検知部の検知範囲のデータを予め記憶する検知範囲記憶部（不図示）をさらに備える。結果画像生成部１２６は、車両の検知部の検知範囲のデータを記憶部から取得し、その検知範囲（図１２では扇形の範囲）を示す検知範囲画像１５０を生成する。結果画像生成部１２６は、検知範囲の各位置の色を検知部による検知率に応じた色に設定する。これにより、車両シミュレーション結果において、対象物の位置により異なりうる検知率の把握を容易なものにできる。

具体的には、結果画像生成部１２６は、車両シミュレーション結果としての距離と方位の複数パターンの組み合わせに対応する複数個の検知率推定値にしたがって、検知範囲の各位置の検知率推定値を特定する。結果画像生成部１２６は、検知率推定値が相対的に低い位置には相対的に明度が低い色（暗い色）を設定する一方、検知率推定値が相対的に高い位置には相対的に明度が高い色（明るい色）を設定する。言い換えれば、結果画像生成部１２６は、検知率推定値が低い位置ほど、その位置に設定する色の明度を低くし、検知率推定値が高い位置ほど、その位置に設定する色の明度を高くする。図１３の検知範囲画像１５０は、検知部の光軸１５２近傍では検知率が高く、検知範囲の端付近では検知率が低いことを示している。

また、シミュレーション結果画像１４０は、ユーザの所定操作に応じて、真位置と検知位置との差の内訳をさらに表示するよう構成される。図１３は、シミュレーション結果画像の例を示す。同図は、シミュレーション結果画像１４０において方位誤差インジケータ１４８を選択する操作が入力された場合に、方位誤差の内訳を示す画像である誤差内訳１５４が表示されることを示している。例えば、結果画像生成部１２６は、シミュレーション結果画像のデータとともにユーザインタフェース１２へ提供する表示制御スクリプトコード（ＪａｖａＳｃｒｉｐｔ（登録商標）等）に、方位誤差インジケータ１４８がマウスオーバーされた場合に誤差内訳１５４をポップアップ表示させるコードを設定してもよい。

なお、シミュレーション結果画像１４０は、距離誤差インジケータ１４６が選択された場合、距離誤差の内訳を示す誤差内訳１５４を表示させるよう構成される。

第２実施例における誤差内訳１５４は、距離誤差モデルまたは方位誤差モデルにおける複数項目の説明変数それぞれの重みを示すものである。既述したように、センサモデル部５０から出力されるシミュレーション結果は、距離誤差の内訳として、距離誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。また、シミュレーション結果は、方位誤差の内訳として、方位誤差モデルにおける説明変数の項目名称と有効カテゴリ係数の組を複数組含む。結果画像生成部１２６は、距離誤差モデルにおける各説明変数の有効カテゴリ係数の比率を示すように距離誤差の内訳を示す誤差内訳１５４を生成する。結果画像生成部１２６は、方位誤差モデルにおける各説明変数の有効カテゴリ係数の比率を示すように方位誤差の内訳を示す誤差内訳１５４を生成する。誤差内訳１５４の表示により、検知位置と真位置との差を生じさせた要因をユーザに分かり易く提示することができる。

図１３の誤差内訳１５４では、各説明変数の有効カテゴリ係数の比率を円グラフで示したが、誤差内訳１５４は、異なる種類の統計図表を含んでもよい。図１４は、各説明変数の有効カテゴリ係数の比率を積み上げ棒グラフにより示す誤差内訳１５６の表示例を示している。図１４の誤差内訳１５６は、方位誤差と距離誤差の両方の内訳を示す。この場合、方位誤差インジケータ１４８と距離誤差インジケータ１４６のどちらが選択された場合にも同じ内容の誤差内訳１５６を表示させてもよい。なお、誤差内訳は、モデルの各説明変数の有効カテゴリ係数の比率以外の情報を示すものでもよい。例えば、誤差内訳は、モデルの各説明変数の名称のみを示すものであってもよく、また、方位誤差の値または距離誤差の値を示すものであってもよい。

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。

上記第２実施例では、シミュレーション結果画像をユーザインタフェース１２へ提供して表示させたが、変形例として、シミュレーション結果画像を所定の記憶装置に記憶させてもよい。例えば、シミュレーション制御部１０は、表示制御部１２８に代えて、または表示制御部１２８とともに、複数シチュエーションの車両シミュレーションの結果を示す複数のシミュレーション結果画像１４０を所定の記憶部に記憶させる結果画像保存部（不図示）をさらに備えてもよい。表示制御部１２８は、記憶部に記憶された複数のシミュレーション結果画像のうちユーザから指定された１つ以上のシミュレーション結果画像をユーザインタフェース１２に表示させてもよい。

第２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２−１］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定する推定部と、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する生成部と、
を備える車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目２−２］
前記シミュレーションの結果を示す画像は、前記真値と前記推定値との差を示す画像をさらに含む、
項目２−１に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差を直観的に把握可能なシミュレーション結果を提供できる。
［項目２−３］
前記シミュレーションの結果を示す画像は、所定の操作に応じて、前記真値と前記推定値との差の内訳をさらに表示するよう構成される、
項目２−１または２−２に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差の詳細を把握可能なシミュレーション結果を提供できる。
［項目２−４］
前記推定部は、前記車両の周辺の状態に関する複数項目の真値を説明変数とし、前記検知部による前記車両の周辺の状態の検知結果と真値との差を目的変数とするセンサモデルに、シミュレーションのパラメータとして前記車両の周辺の状態に関する複数項目の真値を入力することにより前記検知部による検知結果を推定し、
前記真値と前記推定値との差の内訳は、複数項目の説明変数の重みを示すものである、
項目２−３に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との差を生じさせた主な要因を把握可能なシミュレーション結果を提供できる。
［項目２−５］
前記生成部は、前記シミュレーションの結果を示す画像として、前記検知部による検知範囲を示す画像をさらに生成し、前記検知範囲の各位置の色を、前記検知部による検知率に応じた色に設定する、
項目１から４のいずれかに記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、検知部による検知範囲と検知率を直観的に把握可能なシミュレーション結果を提供できる。
［項目２−６］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定し、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する、
ことをコンピュータが実行する車両シミュレーション方法。
この車両シミュレーション方法によると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。
［項目２−７］
車両の周辺の状態を検知する検知部について、シミュレーションのパラメータとして前記車両の周辺の状態の真値が与えられた場合に前記検知部による前記車両の周辺の状態の検知結果を推定し、
前記シミュレーションの結果を示す画像として、前記車両の周辺の状態の真値と、前記検知部による検知結果の推定値の両方を含み、前記真値と前記推定値とを異なる態様で示す画像を生成する、
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。
このコンピュータプログラムによると、車両の周辺の状態の真値と、検知部による検知結果（推定値）との比較が容易なシミュレーション結果を提供できる。これにより、例えば、検知部が用いる検知アルゴリズムの評価や改善を一層効果的に支援することができる。

＜第３実施例＞
本実施例に関して、第１実施例、第２実施例と相違する点を中心に以下説明し、共通する点の説明を省略する。本実施例の構成要素のうち第１実施例、第２実施例の構成要素と同一または対応する構成要素には同一の符号を付して説明する。

第３実施例では、センサモデルとして、大規模な実環境データに基づく検知結果を用いて、数量化分析の統計処理方法によりセンシング検知率モデル（以下「検知率モデル」とも呼ぶ。）を生成する。この検知率モデルを用いる車両シミュレーションシステムは、ＣＧを用いるものと比べると画像処理の必要がないため、計算コストが低い。また、現実に即したシミュレーション結果を得やすいというメリットがある。

第３実施例の検知率モデルは、車両の周辺が映る画像データから当該車両周辺の状態を検知する検知部について、その検知部による検知率を推定する数理モデルである。また、検知率モデルは、車両周辺の状態に関する複数項目の真値を説明変数とし、車両に搭載された検知部により上記車両周辺の状態が検知される確率（すなわち「検知率」）を目的変数とする。上記の検知部は、車両に搭載されるセンサ装置であり、例えば、カメラ、レーダー装置、ライダー装置、ソナーの少なくとも１つを含んでもよい。

図１５は、図９に対応するものであり、検知率モデル構築のためのサンプルデータの例を示す。検知率モデル構築のための説明変数は、検知率に影響を与える複数個の要因として、（１）車両（実質的に検知部と同じ）から検知対象物までの距離、（２）車両から検知対象物への方位、（３）車両周辺の照度、（４）検知対象物の姿勢を含む。各要因は、複数のカテゴリに分けられている。各要因において該当するカテゴリの値には「１」が設定され、非該当のカテゴリの値には「０」が設定される。また、検知率モデル構築のための目的変数には、検知部により検知された場合（検知ＯＫの場合）に「１」が設定され、検知部により検知されなかった場合（検知ＮＧの場合）に「０」が設定される。

第３実施例において検知率を求める方法を説明する。要因数をＫ（図１５ではＫ＝４）とし、各要因のカテゴリ数をｌ_１，ｌ_２，・・・，ｌ_ｋとする。複数個のサンプルのうち検知部により検知されたサンプル群をグループ１とし、その個数をｎ_１とする。また、複数個のサンプルのうち検知部により検知されなかったサンプル群をグループ２とし、その個数をｎ_２とする。全サンプル数Ｎ＝ｎ_１＋ｎ_２である。

グループ＃ｒのサンプル＃ｊが、要因＃ｉのカテゴリ＃αに対してとる値を、ダミー変数ｘ_ｉ（α） ^ｒ（ｊ）で表す。既述したように、グループ＃ｒのサンプル＃ｊが、要因＃ｉのカテゴリ＃αに対して反応した（ｙｅｓ）場合、ｘ_ｉ（α） ^ｒ（ｊ）＝１となり、反応しない（ｎｏ）場合、ｘ_ｉ（α） ^ｒ（ｊ）＝０とする。
ｉ＝１，２，・・・，Ｋ；α＝ｌ_１，ｌ_２，・・・，ｌ_ｋ
ｒ＝１，２，・・・，Ｍ（サンプルのグループ）；ｊ＝１，２，・・・，ｎ_ｒ
第３実施例では、サンプルは検知ＯＫと検知ＮＧの２つのグループに分け、Ｍ＝２。

ここで、グループ＃ｒのサンプル＃ｊの値ｙ^ｒ（ｊ）は、式３のように一般化できる。

ａ_ｉ（α）は要因（説明変数）＃ｉのカテゴリ＃αの係数（ウエイト）とも呼ぶ。

検知率モデル構築時、外的な基準によって分類された各グループが良く分離されるサンプルの値ｙ^ｒ（ｊ）が算出されるように、各カテゴリの適切なウエイトａ_ｉ（α）を求める。具体的には、各サンプルの値ｙ^ｒ（ｊ）の全分散σ^２と、グループ間分散（言い換えれば級間分散）σ_Ｂ ^２との比η^２を基準として、η^２を最大にするｙ^ｒ（ｊ）の値を求め、すなわち各カテゴリのウエイトａ_ｉ（α）を算出する。

すなわち、第３実施例では、複数個のサンプルのデータ（後述の真値生成部２００により検知された車両周辺の状態（真値）に関するデータを含む）を検知率モデルに入力した場合に検知率モデルが出力する複数個の値について、複数個の値の全分散と、グループ１とグループ２間の分散との比が最大になるように各説明変数の重みを求めることにより検知率モデルを生成する。
グループ間の分離の良さを測る尺度である上記η^２（以下「相関比」とも呼ぶ。）は、式４で表される。

ここで、各グループ内の平均は、式５で表される。

式５中の^ーｘ_ｉ（α） ^ｒは、式６を意味する。

ｒは、１（検知ＯＫ）、または２（検知ＮＧ）である。
全体の平均は、式７で表される。

また、式７中の^ーｘ_ｉ（α）は、式８を意味する。

全分散σ^２は、式９で表される。

グループ間分散σ_Ｂ ^２は、式１０で表される。

以上より、相関比η^２は、Ｌ個の変数ａ_ｇ（β）（ｇ＝１，２，・・・，Ｋ， β＝１，２，・・・，ｌ_ｇ）の関数となる。Ｌは全カテゴリの数であり、式１１で表される。

ここで、式１２に示すように相関比η^２を最大にするａ_ｇ（β）を求めるため、η^２をａ_ｇ（β）で微分して０とおくと、式１３が導出される。

式１３を解くことで、相関比η^２を最大にする各カテゴリのウエイトａ_ｉ（α）（ｉ＝１，２，・・・，Ｋ， α＝１，２，・・・，ｌ_ｉ）を求めることができる。

ａ_ｉ（α）（ｉ＝１，２，・・・，Ｋ， α＝１，２，・・・，ｌ_ｉ）の求め方を見やすくするため、以下ではベクトルと行列を用いて演算を説明する。
まず、カテゴリウエイトからなるベクトルをベクトルＡとする（式１４）。

次に、グループ内平均値からなるＮ行Ｌ列の行列を^ーＸ_Ｂとする（式１５）。

全サンプル平均値からなるＮ行Ｌ列の行列を^ーＸとする（式１６）。

全サンプルからなるＮ行Ｌ列の行列をＸとする（式１７）。

また、二つのＬ行Ｌ列の行列Ｓ_Ｂ（式１８）とＳ（式１９）を作ると、式１３は以下の式２０で表される：

即ち、式２１となる。

式２１を解いて最大のη^２に対応するＡを求めればよい。ここでは詳細な証明は割愛する。各要因内でダミー変数の和は１となる（式２１−２）。

そのため、Ｓの階数は（Ｌ−Ｋ）より大きくならないため、各要因の第１カテゴリのウェイトを０として解くことにする。ベクトルＡ、行列Ｘ、^ーＸ_Ｂ、^ーＸから各要因の第１カテゴリに対応する列を除いたものをそれぞれＡ^＊、Ｘ^＊、^ーＸ_Ｂ ^＊、^ーＸ^＊とし、さらにＳ_Ｂ ^＊とＳ^＊を式２２と式２３で表すと、式２１に対応する式は式２４になる。

次に、式２４によりη^２とＡ^＊を求める。
Ｆは式２５を満たす下三角行列とし、式２４より、η^２は式２６となる固有方程式の根（最も大きい根）として求められる。

一方、Ａ^＊は方程式２６の固有値に対応するベクトルから求められる（式２７）。ここでＣは固有ベクトルである。
ここで、式２７の両辺にＦをかけ、Ｉ＝Ｆ′Ｆ′^−１を代入すると、式２８が得られる。式２８を式２４と比較すれば、式２９が分かる。即ちカテゴリのウエイトのベクトルＡ^＊は式２９で求められる。

各カテゴリのウエイトを求めたら、検知率モデルは、式３０で表される。

式３０により求まる検知率ｙは、最小０、最大１の値にする、即ち、０より小さい値になった場合０とし、１より大きい値になった場合１とする。

図１６は、第３実施例のセンサモデル生成装置２２０の機能ブロックを示すブロック図である。センサモデル生成装置２２０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、真値生成部２００、検知結果分類部２０２、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。これら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の機能が実装されたコンピュータプログラムが、所定の記録媒体を介してセンサモデル生成装置２２０のストレージにインストールされてもよく、ネットワークを介してセンサモデル生成装置２２０のストレージにインストールされてもよい。センサモデル生成装置２２０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。

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走行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センシング結果を記憶する。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、車両の左前方３メートル先に歩行者がいる状態を映した画像データ、車両の正面方向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検出用のデータ（「参照データ」とも呼ぶ。）を記憶する。実施例では、参照データ記憶部２４は、参照データとして、ＬＩＤＡＲ（Light Detection and Ranging）により収集されたデータであって、実質的に対象物の位置（車両から対象物までの距離と方向）の真値に関するデータを記憶する。

タグデータ記憶部２６は、タグデータとして、ユーザ（例えば開発者や試験者等）により設定されたデータを記憶する。第３実施例のタグデータは、検知対象物の姿勢を示すデータと、試験走行時の車両周辺の照度を示すデータを含む。なお、タグデータは、天気、路面の種類（例えばアスファルトまたは土）、温度、季節等、様々なデータを含んでもよい。

画像解析部２８は、車両に搭載されるセンサ装置に対応するものであり、車両の挙動を制御するための車両周辺の状態を検知する。画像解析部２８は、第１検知部として、センサデータ記憶部２２に記憶された車両の周辺が映る画像データをもとに、車両周辺の状態を検知する。例えば、画像解析部２８は、車両周辺の状態として、検知対象物の位置を検知し、具体的には、車両周辺に存在する人や物の車両からの距離と方向を検知する。

真値生成部２００は、第１実施例の真値検知部３０に対応する。真値生成部２００は、第２検知部として、参照データ記憶部２４に記憶された参照データをもとに、画像解析部２８より高い精度で車両周辺の状態を検知する。真値生成部２００も、画像解析部２８と同様に、車両周辺の状態として、検知対象物の位置を検知し、具体的には、車両周辺に存在する人や物の車両からの距離と方向を検知する。

真値量子化部３４は、真値生成部２００により検知された車両周辺の状態に関するデータを量子化する。例えば、真値量子化部３４は、真値生成部２００による検知結果（例えば車両から対象物までの距離と方向）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。真値量子化部３４は、図１５に示したように、車両から対象物までの距離と方向の真値に該当するカテゴリの値（ダミー変数）を「１」に設定し、非該当のカテゴリの値（ダミー変数）を「０」に設定する。

タグ量子化部３６は、タグデータ記憶部２６に記憶されたタグデータを量子化する。例えば、タグ量子化部３６は、検知対象物の姿勢と照度と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。すなわち、該当するカテゴリの値を（ダミー変数）を「１」に設定し、非該当のカテゴリの値（ダミー変数）を「０」に設定する。

検知結果分類部２０２は、サンプルごとに、真値生成部２００により検知された車両周辺の状態が、画像解析部２８により検知されたか否かを判定する。例えば、真値生成部２００により検知された対象物の距離および方向と、画像解析部２８により検知された対象物の距離および方向との差が所定の閾値以内の場合、検知結果分類部２０２は、真値生成部２００により検知された車両周辺の状態が、画像解析部２８により検知されたと判定してもよい。一方、上記の差が上記の閾値を超過する場合、検知結果分類部２０２は、真値生成部２００により検知された車両周辺の状態が、画像解析部２８により検知されないと判定してもよい。上記の閾値は、第３実施例の車両シミュレーションシステム１１０（センサモデル部５０）を用いた実験等により適切な値が決定されてもよい。

検知結果分類部２０２は、真値生成部２００により検知された車両周辺の状態が、画像解析部２８により検知されたか否かに応じて、各サンプルをグループ１（画像解析部２８により検知されたもの）とグループ２（画像解析部２８により検知されないもの）のいずれかに分類する。あるサンプルをグループ１に分類した場合、そのサンプルデータの検知ＯＫ／ＮＧの値を「１」に設定し、グループ２に分類した場合、そのサンプルデータの検知ＯＫ／ＮＧの値を「０」に設定する。

以上の画像解析部２８、真値生成部２００、真値量子化部３４、タグ量子化部３６、検知結果分類部２０２の処理は、同タイミングで収集された画像データと参照データ、および、そのタイミングにおけるタグデータの組み合わせであるサンプルごとに実行される。モデル生成部３８は、図１５に示した形式の複数個のサンプルデータをもとに、検知率モデルを生成する。

モデル生成部３８は、真値生成部２００により検知された車両周辺の状態を説明変数とし、真値生成部２００により検知された車両周辺の状態が、画像解析部２８により検知される確率を目的変数とする検知率モデルを生成する。具体的には、モデル生成部３８は、図１５に示した形式の複数個のサンプルデータをもとに、式３から式３０に示した計算を実行することにより、各カテゴリのウエイトａ_ｉ（α）を算出して、相関比η^２が最大となる検知率モデル（式３０）を生成する。モデル生成部３８は、生成した検知率モデルをモデル記憶部４０に格納する。

次に、センサモデル生成装置２２０により生成されたセンサモデル（距離誤差モデル、方位誤差モデルおよび検知率モデル）を使用する第３実施例の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の構成は、図４に示した第１実施例の車両シミュレーションシステム１１０の構成と同様である。

第３実施例の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、シミュレーション制御部１０からシミュレーションのパラメータとして車両周辺の状態の真値が与えられた場合に、センサモデル生成装置２２０により予め生成されたセンサモデルを用いて、車両周辺の状態を検知する検知部による検知結果を推定する。

図１７は、第３実施例のセンサモデル部５０の機能ブロックを示すブロック図である。センサモデル部５０は、モデル記憶部４０、真値量子化部５４、タグ量子化部５２、誤差導出部５６、検知結果生成部２１０、検知率算出部２１２、出力部２１４を備える。これら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の機能が実装されたコンピュータプログラムが、所定の記録媒体を介してセンサモデル部５０（またはセンサモデル部５０を実現する情報処理装置）のストレージにインストールされてもよく、ネットワークを介してセンサモデル部５０のストレージにインストールされてもよい。センサモデル部５０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。

モデル記憶部４０は、第２実施例に記載した距離誤差モデルと方位誤差モデル（総称して「誤差モデル」とも呼ぶ。）、および、第３実施例に記載した検知率モデルを記憶する。

真値量子化部５４は、シミュレーション制御部１０から入力された、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に関する真値データ（具体的には対象物の距離および方向）を受け付ける。真値量子化部５４は、真値量子化部３４の処理と同様に、受け付けた真値データを量子化し、各センサモデルにおいて予め定められた説明変数の複数カテゴリの中から該当するカテゴリを識別する。具体的には、真値量子化部５４は、誤差モデルと検知率モデルへの入力データとして、各モデルの説明変数である距離と方位について、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」とした入力データを生成する。

タグ量子化部５２は、シミュレーション制御部１０から入力された、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に関するタグデータ（具体的には対象物の姿勢および照度）を受け付ける。タグ量子化部５２は、受け付けたタグデータを量子化し、各センサモデルにおいて予め定められた説明変数の複数カテゴリの中から該当するカテゴリを識別する。具体的には、タグ量子化部５２は、誤差モデルと検知率モデルへの入力データとして、各モデルの説明変数である照度と姿勢について、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」とした入力データを生成する。

誤差導出部５６は、真値量子化部５４により生成された、真値データを量子化した入力データと、タグ量子化部５２により生成された、タグデータを量子化した入力データを誤差モデルに入力し、誤差モデルから出力された距離および方位の誤差を取得する。具体的には、誤差導出部５６は、距離誤差モデルの複数のカテゴリについて、真値データおよびタグデータの値に該当するカテゴリのダミー変数の値を１に設定し、非該当のカテゴリのダミー変数の値を０に設定することにより、ダミー変数の値が１となるカテゴリのウエイトを用いて距離誤差モデルの目的変数である距離誤差を算出する。方位誤差モデルを用いた方位誤差の算出方法も同様である。

検知結果生成部２１０は、第１実施例および第２実施例の模擬値導出部５８に対応するものであり、検知部（画像解析部２８）による画像に基づく検知結果を推定する第１推定部として機能する。具体的には、検知結果生成部２１０は、誤差導出部５６により取得された距離誤差および方位誤差を、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に関する真値データ（対象物の距離および方向）に加算することで、検知部（画像解析部２８）による検知結果の推定値を生成する。

検知率算出部２１２は、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データの量子化データと、タグデータの量子化データを、検知率モデルに入力することにより、検知部（画像解析部２８）による画像に基づく検知率を推定する第２推定部として機能する。具体的には、検知率算出部２１２は、検知率モデルの複数の説明変数の複数のカテゴリについて、真値データおよびタグデータの値に該当するカテゴリのダミー変数の値を１に設定し、非該当のカテゴリのダミー変数の値を０に設定することにより、ダミー変数の値が１となるカテゴリのウエイトを用いて検知率モデルの目的変数である検知率を算出する。

出力部２１４は、検知率算出部２１２により算出された検知率の推定値に応じて、検知結果生成部２１０により生成された、検知部（画像解析部２８）による検知結果の推定値をシミュレーション制御部１０へ出力するか否かを決定する。例えば、車両周辺に歩行者が存在するシミュレーションにおいて、検知率算出部２１２により上記歩行者の検知率が３０％と推定された場合、出力部２１４は、検知部（画像解析部２８）による検知結果の推定値（歩行者の距離および方向）を３０％の確率でシミュレーション制御部１０へ送信してもよい。

既述したように、センサモデル部５０から出力された検知部（画像解析部２８）による検知結果の推定値は、シミュレーション制御部１０を介して、車両モデル部１８に入力される。言い換えれば、センサモデル部５０は、検知部（画像解析部２８）による検知結果の推定値を、シミュレーション制御部１０を介して、車両モデル部１８へ出力する。したがって、車両モデル部１８は、検知率算出部２１２により算出された検知率の推定値にしたがって、シミュレーションにおける車両の挙動を決定する。言い換えれば、検知率算出部２１２により算出された検知率は、車両モデル部１８によるシミュレーション結果に反映される。

以上の構成による動作を説明する。
まず、図１６を参照しつつ、センサモデル生成装置２２０の動作の例を説明する。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装置で上記歩行者の位置を計測させ、複数サンプルの位置情報（真値）を参照データ記憶部２４に記憶させる。さらに開発者は、照度および歩行者の姿勢を含む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に格納された画像をもとに、歩行者までの距離と方位を検知する。真値生成部２００は、サンプルごとに、参照データ記憶部２４に格納された位置情報（真値）をもとに、歩行者までの距離と方位の真値を検知する。真値量子化部３４は、サンプルごとに、歩行者までの距離と方位の真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。

検知結果分類部２０２は、各サンプルをグループ１（真値生成部２００による検知結果が画像解析部２８でも検知されたもの）とグループ２（真値生成部２００による検知結果が画像解析部２８では未検知）のいずれかに分類する。検知結果分類部２０２は、各サンプルの「検知ＯＫ／ＮＧ」の値として、グループ１には「１」を設定し、グループ２には「０」を設定する。

モデル生成部３８は、真値生成部２００による検知結果の量子化データ、および、タグデータの量子化データを説明変数とし、「検知ＯＫ／ＮＧ」の値を目的変数として、グループ間分散対全分散の比が最大になるように検知率モデルを生成する。モデル生成部３８は、検知率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２２０によると、現実の環境に則した検知率を推定可能な検知率モデルであり、かつ、グループ１とグループ２とが良く分離される適切な検知率モデルを生成することができる。

なお、第３実施例のセンサモデル生成装置２２０は、第２実施例と同様の方法で、距離誤差モデルと方位誤差モデルをさらに生成して、モデル記憶部４０に格納する。

次に、図４および図１７を参照しつつ、車両シミュレーションシステム１１０の動作の例を説明する。ここでは、第１実施例と同様に、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、歩行者の位置と姿勢、車両周辺の照度をシミュレーションのパラメータとして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で受け付けられたデータをもとに、車両から歩行者までの距離と方向を示す真値データを生成し、また、歩行者の姿勢と照度を示すタグデータを生成する。

シミュレーション制御部１０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をセンサモデル部５０に入力する。センサモデル部５０の真値量子化部５４は、真値データ（例えば図１５の距離および方位）のカテゴリを特定し、真値データの量子化データを生成する。センサモデル部５０のタグ量子化部５２は、タグデータ（例えば図１５の照度および姿勢）のカテゴリを特定し、タグデータの量子化データを生成する。

センサモデル部５０の誤差導出部５６は、真値データの量子化データと、タグデータの量子化データとを距離誤差モデルに入力することにより距離誤差を取得する。また、誤差導出部５６は、真値データの量子化データと、タグデータの量子化データとを方位誤差モデルに入力することにより方位誤差を取得する。センサモデル部５０の検知結果生成部２１０は、シミュレーション制御部１０から入力された、車両から歩行者までの距離と方向を示す真値データに距離誤差と方位誤差を足すことにより、車両の検知部による検知結果の推定値を生成する。

センサモデル部５０の検知率算出部２１２は、真値データの量子化データと、タグデータの量子化データとを検知率モデルに入力することにより、車両の検知部による検知率を算出する。センサモデル部５０の出力部２１４は、検知率算出部２１２により算出された検知率（０以上１以下の値）に基づく確率で、検知結果生成部２１０により生成された、車両の検知部による検知結果の推定値をシミュレーション制御部１０へ出力する。

シミュレーション制御部１０は、センサモデル部５０から出力された車両の検知部による検知結果の推定値を車両モデル部１８へ入力する。車両モデル部１８は、車両の検知部による検知結果の推定値をもとに、車両の挙動をシミュレーションする。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結果をユーザインタフェース１２に表示させ、または、所定の記憶装置に格納する。

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、車両周辺の状態を画像処理により認識する必要がないため、計算コストを低減することができる。また、車両周辺の実際の状態をもとに生成した検知率モデルを使用することで、現実に即したシミュレーション結果を得ることができる。さらにまた、車載装置等のモデルベース開発を一層効率化することができる。

以上、本開示を第３実施例をもとに説明した。この実施例は例示であり、実施例の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。

変形例を説明する。上記第３実施例では言及していないが、図４のセンサモデル部５０は図１８の機能ブロック図の構造を採用してもよい。図１８において、検知率算出部２１２は、段落０１５２で述べたように、検知率を算出し、誤差導出部５６へ出力する。誤差導出部５６は、検知率算出部２１２により算出された検知率の推定値を確率にし、段落０１５０で述べた誤差算出の処理を行うかどうかを決める。誤差導出部５６は、確率をもとに検出できなかった結果となった場合、「検知できなかった」という結果を検知結果生成部２１０へ出力する。一方、検知できた結果となった場合、誤差導出部５６は、段落０１５０で述べた処理を行い、距離誤差と方位誤差を算出し、「検知できた」という結果と一緒に、検知結果生成部２１０へ出力する。検知結果生成部２１０は、「検知できた」という結果を入力された場合、段落０１５１で述べた処理で検知部（画像解析部２８）による検知結果の推定値を生成し、出力する。一方、「検知できなかった」を入力された場合、検知結果生成部２１０は、「空」の検知結果を出力する。

第３実施例で説明した検知率モデルの生成方法は、第２実施例にも適用可能である。例えば、第３実施例で説明した方法で生成した検知率モデルを第２実施例の車両シミュレーションシステム１１０に適用し、第２実施例で説明したシミュレーション結果画像（図１２等）を生成してもよい。

第３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３−１］
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検知する第１検知部と、
前記第１検知部より高い精度で、前記車両周辺の状態を検知する第２検知部と、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率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。
このモデル生成装置によると、第１検知部による検知率を反映した車両シミュレーションを実現するためのモデルを生成することができる。また、モデルの生成において車両の周辺が映る画像データを用いることで、現実に即した検知率を出力するモデルを実現することができる。また、車両シミュレーションにおいて、各ケースの画像を用意することが不要になり、かつ、各ケースの画像を解析することが不要になり、シミュレーションコストを低減することができる。
［項目３−２］
前記生成部は、前記第２検知部により検知された状態に関するデータを含む複数個のサンプルをもとに前記モデルを生成し、
前記複数個のサンプルを、前記第２検知部により検知された状態が前記第１検知部により検知された第１グループと、前記第２検知部により検知された状態が前記第１検知部により検知されない第２グループとに分類するとき、
前記複数個のサンプルの前記第２検知部により検知された状態に関するデータを、前記モデルに入力した場合に前記モデルが出力する複数個の値について、前記第１グループと前記第２グループ間の分散と、前記複数個の値の全分散との比が最大になるよう前記モデルを生成する、
項目３−１に記載のモデル生成装置。
このモデル生成装置によると、第１グループと第２グループとが良く分離される適切なモデルを生成することができる。
［項目３−３］
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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率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、前記検知部による検知率を推定する推定部と、
前記推定部により推定された検知率にしたがって前記車両の挙動をシミュレーション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。
この車両シミュレーションシステムによると、車両周辺の状態を画像処理により認識する必要がないため、計算コストを低減することができる。また、車両周辺の実際の状態をもとに生成したモデルを使用することで、現実に即した有用なシミュレーション結果を得ることができる。さらにまた、車載装置等のモデルベース開発を一層効率化することができる。
［項目３−４］
前記推定部は、前記検知部による検知結果をさらに推定し、前記検知部による検知率の推定値に応じて、前記検知部による検知結果の推定値を前記シミュレーション部に出力するか否かを決定する、
項目３−３に記載の車両シミュレーションシステム。
この車両シミュレーションシステムによると、検知部の検知率を反映した、現実に即した有用なシミュレーション結果を得ることができる。
［項目３−５］
第１検知部が、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検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率を目的変数とするモデルを生成する、
モデル生成方法。
このモデル生成方法によると、第１検知部による検知率を反映した車両シミュレーションを実現するためのモデルを生成することができる。また、モデルの生成において車両の周辺が映る画像データを用いることで、現実に即した検知率を出力するモデルを実現することができる。また、車両シミュレーションにおいて、各ケースの画像を用意することが不要になり、かつ、各ケースの画像を解析することが不要になり、シミュレーションコストを低減することができる。
［項目３−６］
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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率を目的変数とするモデルを記憶し、
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、前記検知部による検知率を推定し、
推定された検知率をもとに前記車両の挙動をシミュレーションする、
車両シミュレーション方法。
この車両シミュレーション方法によると、車両周辺の状態を画像処理により認識する必要がないため、計算コストを低減することができる。また、車両周辺の実際の状態をもとに生成したモデルを使用することで、現実に即した有用なシミュレーション結果を得ることができる。さらにまた、車載装置等のモデルベース開発を一層効率化することができる。
［項目３−７］
第１検知部が、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検知し、
第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率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。
このコンピュータプログラムによると、第１検知部による検知率を反映した車両シミュレーションを実現するためのモデルを生成することができる。また、モデルの生成において車両の周辺が映る画像データを用いることで、現実に即した検知率を出力するモデルを実現することができる。また、車両シミュレーションにおいて、各ケースの画像を用意することが不要になり、かつ、各ケースの画像を解析することが不要になり、シミュレーションコストを低減することができる。
［項目３−８］
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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率を目的変数とするモデルを記憶し、
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、前記検知部による検知率を推定し、
推定された検知率をもとに前記車両の挙動をシミュレーションする、
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。
このコンピュータプログラムによると、車両周辺の状態を画像処理により認識する必要がないため、計算コストを低減することができる。また、車両周辺の実際の状態をもとに生成したモデルを使用することで、現実に即した有用なシミュレーション結果を得ることができる。さらにまた、車載装置等のモデルベース開発を一層効率化することができる。

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。

１８ 車両モデル部、 ２８ 画像解析部、 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、 ２００ 真値生成部、 ２１２ 検知率算出部、 ２２０ センサモデル生成装置。

Claims (8)

1. 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検知する第１検知部と、
   前記第１検知部より高い精度で、前記車両周辺の状態を検知する第２検知部と、
   前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率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. 前記生成部は、前記第２検知部により検知された状態に関するデータを含む複数個のサンプルをもとに前記モデルを生成し、
   前記複数個のサンプルを、前記第２検知部により検知された状態が前記第１検知部により検知された第１グループと、前記第２検知部により検知された状態が前記第１検知部により検知されない第２グループとに分類するとき、
   前記複数個のサンプルの前記第２検知部により検知された状態に関するデータを、前記モデルに入力した場合に前記モデルが出力する複数個の値について、前記第１グループと前記第２グループ間の分散と、前記複数個の値の全分散との比が最大になるよう前記モデルを生成する、
   請求項１に記載のモデル生成装置。
3. 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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率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、前記検知部による検知率を推定する推定部と、
   前記推定部により推定された検知率にしたがって前記車両の挙動をシミュレーション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。
4. 前記推定部は、前記検知部による検知結果をさらに推定し、前記検知部による検知率の推定値に応じて、前記検知部による検知結果の推定値を前記シミュレーション部に出力するか否かを決定する、
   請求項３に記載の車両シミュレーションシステム。
5. 第１検知部が、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検知し、
   第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
   前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率を目的変数とするモデルを生成する、
   モデル生成方法。
6. 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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率を目的変数とするモデルを記憶し、
   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、前記検知部による検知率を推定し、
   推定された検知率をもとに前記車両の挙動をシミュレーションする、
   車両シミュレーション方法。
7. 第１検知部が、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検知し、
   第２検知部が、前記第１検知部より高い精度で、前記車両周辺の状態を検知し、
   前記車両のシミュレーションシステムにおいて前記第１検知部による検知率を推定するためのモデルであって、前記第２検知部により検知された状態を説明変数とし、前記第２検知部により検知された状態が、前記第１検知部により検知される確率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。
8. 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検知する検知部について、前記検知部による検知率を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が前記検知部により検知される確率を目的変数とするモデルを記憶し、
   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、前記検知部による検知率を推定し、
   推定された検知率をもとに前記車両の挙動をシミュレーションする、
   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。

Images