JP2021160532A - 車両制御装置、車両制御方法、及びプログラム - Google Patents

Abstract

【課題】車両の周辺の環境を認識する際の難易度に応じて、車両の運転をスムーズに制御すること。
【解決手段】実施形態の車両制御装置は、車両の周辺の環境を認識する認識部と、前記認識部によって認識された前記環境に基づいて、前記環境の認識の難易度を決定する決定部と、前記認識部によって認識された前記環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定部によって決定された前記難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択する生成部と、前記生成部によって選択された前記目標軌道に基づいて、前記車両の運転を自動的に制御する運転制御部と、を備える。
【選択図】図２

Description

本発明は、車両制御装置、車両制御方法、及びプログラムに関する。

自車両の周辺の移動体と自車両との相対位置と、運転者の運転操作との対応関係を定めた複数のモデルの中から、歩行者の進行方向等に応じて、いずれか一つのモデルを選択する技術が知られている（例えば、特許文献１参照）。

国際公開第２０１３／０４２２６０号

しかしながら、従来の技術では、車両の周辺の環境を認識する際の難易度に応じて、車両の運転をスムーズに制御することについて検討されていなかった。

本発明の一態様は、このような事情を考慮してなされたものであり、車両の周辺の環境を認識する際の難易度に応じて、車両の運転をスムーズに制御することができる車両制御装置、車両制御方法、及びプログラムを提供することを目的の一つとする。

本発明に係る車両制御装置、車両制御方法、及びプログラムは以下の構成を採用した。

本発明の第１の態様は、車両の周辺の環境を認識する認識部と、前記認識部によって認識された前記環境に基づいて、前記環境の認識の難易度を決定する決定部と、前記認識部によって認識された前記環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定部によって決定された前記難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択する生成部と、前記生成部によって選択された前記目標軌道に基づいて、前記車両の運転を自動的に制御する運転制御部と、を備える車両制御装置である。

第２の態様は、第１の態様において、前記認識部によって前記環境の一部として認識された物体の周囲に分布するリスクの領域を算出する算出部を更に備え、前記生成部は、前記領域が入力されると前記目標軌道を出力する複数のモデルの其々に対して前記算出部によって算出された前記領域を入力し、前記領域を入力した前記複数のモデルの其々の出力結果に基づいて、前記複数の目標軌道を生成するものである。

第３の態様は、第２の態様において、前記複数のモデルには、ルールベース又はモデルベースの第１モデルと、機械学習ベースの第２モデルとが含まれるものである。

第４の態様は、第３の態様において、前記生成部は、前記難易度が所定値を超える場合、前記第１モデルによって出力された前記目標軌道である第１目標軌道と、前記第２モデルによって出力された前記目標軌道である第２目標軌道とのうち、前記第２目標軌道を選択するものである。

第５の態様は、第１から第４の態様のうちいずれか一つにおいて、前記車両の周囲をセンシングするセンサを更に備え、前記認識部は、ある対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境を表す情報を出力するように学習された機械学習ベースの第３モデルに対して、前記センサによるセンシング結果を入力し、前記センシング結果を入力した前記第３モデルの出力結果に基づいて、前記車両の周辺の環境を認識するものである。

第６の態様は、第５の態様において、前記決定部は、前記第３モデルの学習量に応じて、前記難易度を決定するものである。

第７の態様は、第６の態様において、前記第３モデルは、ある第１環境下における前記対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境が前記第１環境であることを表す情報を出力するように学習され、前記第１環境と異なる第２環境下における前記対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境が前記第２環境であることを表す情報を出力するように学習され、前記決定部は、前記認識部によって前記第１環境が認識された場合、前記第１環境下において学習された前記第３モデルの学習量に応じて前記難易度を決定し、前記認識部によって前記第２環境が認識された場合、前記第２環境下において学習された前記第３モデルの学習量に応じて前記難易度を決定するものである。

第８の態様は、第６又は第７の態様において、前記決定部は、前記第３モデルの学習量が多いほど前記難易度を低くし、前記第３モデルの学習量が少ないほど前記難易度を高くするものである。

第９の態様は、第１から第８の態様のうちいずれか一つにおいて、前記決定部は、前記認識部によって前記環境の一部として認識された移動体の数に応じて、前記難易度を決定するものである。

第１０の態様は、第９の態様において、前記決定部は、前記移動体の数が少ないほど前記難易度を低くし、前記移動体の数が多いほど前記難易度を高くするものである。

第１１の態様は、第１から第１０の態様のうちいずれか一つにおいて、前記決定部は、前記認識部によって前記環境の一部として認識された道路の曲率に応じて、前記難易度を決定するものである。

第１２の態様は、第１１の態様において、前記決定部は、前記道路の曲率が小さいほど前記難易度を低くし、前記道路の曲率が大きいほど前記難易度を高くするものである。

第１３の態様は、第１から第１２の態様のうちいずれか一つにおいて、前記決定部は、前記認識部によって前記環境の一部として認識された複数の移動体の平均速度と、前記車両の速度との相対的な速度差に応じて、前記難易度を決定するものである。

第１４の態様は、第１３の態様において、前記決定部は、前記速度差が小さいほど前記難易度を低くし、前記速度差が大きいほど前記難易度を高くするものである。

第１５の態様は、第１から第１４の態様のうちいずれか一つにおいて、前記決定部は、前記車両の速度に応じて、前記難易度を決定するものである。

第１６の態様は、第１５の態様において、前記決定部は、前記速度が大きいほど前記難易度を低くし、前記速度が小さいほど前記難易度を高くするものである。

第１７の態様は、第１から第１６の態様のうちいずれか一つにおいて、前記決定部は、前記認識部によって前記環境の一部として認識された移動体と前記車両との相対距離及び相対速度に基づいて、前記車両が緊急状態か否かを判定し、前記生成部は、前記決定部によって前記車両が緊急状態であると判定された場合、前記難易度に依らずに、前記第１目標軌道を選択し、前記運転制御部は、前記生成部によって選択された前記第１目標軌道に基づいて、前記移動体を回避するように、前記車両の運転を制御するものである。

第１８の態様は、車両に搭載されたコンピュータが、前記車両の周辺の環境を認識し、前記認識した環境に基づいて、前記環境の認識の難易度を決定し、前記認識した環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定した難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択し、前記選択した目標軌道に基づいて、前記車両の運転を自動的に制御する車両制御方法である。

第１９の態様は、車両に搭載されたコンピュータに、前記車両の周辺の環境を認識すること、前記認識した環境に基づいて、前記環境の認識の難易度を決定すること、前記認識した環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定した難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択すること、前記選択した目標軌道に基づいて、前記車両の運転を自動的に制御すること、を実行させるためのプログラムである。

上記のいずれかの態様によれば、車両の周辺の環境を認識する際の難易度に応じて、車両の運転をスムーズに制御することができる

第１実施形態に係る車両制御装置を利用した車両システムの構成図である。 第１実施形態に係る第１制御部、第２制御部、及び記憶部の機能構成図である。 リスク領域を説明するための図である。 ある座標ｘ１におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｘ２におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｘ３におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｙ４におけるＸ方向のリスクポテンシャルの変化を表す図である。 リスクポテンシャルが決定されたリスク領域を表す図である。 目標軌道の生成方法を模式的に表す図である。 ある一つのＤＮＮモデルが出力した目標軌道の一例を表す図である。 第１実施形態に係る自動運転制御装置による一連の処理の流れの一例を示すフローチャートである。 学習量データの一例を表す図である。 第１時刻における場面の一例を表す図である。 第２時刻における場面の一例を表す図である。 自車両が遭遇し得る場面の一例を表す図である。 自車両が遭遇し得る場面の他の例を表す図である。 実施形態の自動運転制御装置のハードウェア構成の一例を示す図である。

以下、図面を参照し、本発明の車両制御装置、車両制御方法、及びプログラムの実施形態について説明する。実施形態の車両制御装置は、例えば、自動運転車両に適用される。自動運転とは、例えば、車両の速度または操舵のうち、一方または双方を制御して車両の運転を制御することである。上述した車両の運転制御には、例えば、ＡＣＣ（Adaptive Cruise Control System）やＴＪＰ（Traffic Jam Pilot）、ＡＬＣ（Auto Lane Changing）、ＣＭＢＳ（Collision Mitigation Brake System）、ＬＫＡＳ（Lane Keeping Assistance System）といった種々の運転制御が含まれる。自動運転車両は、乗員（運転者）の手動運転によって運転が制御されてもよい。

＜第１実施形態＞
［全体構成］
図１は、第１実施形態に係る車両制御装置を利用した車両システム１の構成図である。車両システム１が搭載される車両（以下、自車両Ｍと称する）は、例えば、二輪や三輪、四輪等の車両であり、その駆動源は、ディーゼルエンジンやガソリンエンジン等の内燃機関、電動機、或いはこれらの組み合わせである。電動機は、内燃機関に連結された発電機による発電電力、或いは二次電池や燃料電池の放電電力を使用して動作する。

車両システム１は、例えば、カメラ１０と、レーダ装置１２と、ＬＩＤＡＲ（Light Detection and Ranging）１４と、物体認識装置１６と、通信装置２０と、ＨＭＩ（Human Machine Interface）３０と、車両センサ４０と、ナビゲーション装置５０と、ＭＰＵ（Map Positioning Unit）６０と、運転操作子８０と、自動運転制御装置１００と、走行駆動力出力装置２００と、ブレーキ装置２１０と、ステアリング装置２２０とを備える。これらの装置や機器は、ＣＡＮ（Controller Area Network）通信線等の多重通信線やシリアル通信線、無線通信網等によって互いに接続される。図１に示す構成はあくまでも一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。自動運転制御装置１００は、「車両制御装置」の一例である。

カメラ１０は、例えば、ＣＣＤ（Charge Coupled Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）等の固体撮像素子を利用したデジタルカメラである。カメラ１０は、自車両Ｍの任意の箇所に取り付けられる。例えば、自車両Ｍの前方を撮像する場合、カメラ１０は、フロントウインドシールド上部やルームミラー裏面等に取り付けられる。また、自車両Ｍの後方を撮像する場合、カメラ１０は、リアウィンドシールド上部等に取り付けられる。また、自車両Ｍの右側方または左側方を撮像する場合、カメラ１０は、車体やドアミラーの右側面または左側面等に取り付けられる。カメラ１０は、例えば、周期的に繰り返し自車両Ｍの周辺を撮像する。カメラ１０は、ステレオカメラであってもよい。カメラ１０は「センサ」の一例である。

レーダ装置１２は、自車両Ｍの周辺にミリ波等の電波を放射すると共に、物体によって反射された電波（反射波）を検出して少なくとも物体の位置（距離および方位）を検出する。レーダ装置１２は、自車両Ｍの任意の箇所に取り付けられる。レーダ装置１２は、ＦＭ−ＣＷ（Frequency Modulated Continuous Wave）方式によって物体の位置および速度を検出してもよい。レーダ装置１２は「センサ」の他の例である。

ＬＩＤＡＲ１４は、自車両Ｍの周辺に光を照射し、その照射した光の散乱光を測定する。ＬＩＤＡＲ１４は、発光から受光までの時間に基づいて、対象までの距離を検出する。照射される光は、例えば、パルス状のレーザ光であってよい。ＬＩＤＡＲ１４は、自車両Ｍの任意の箇所に取り付けられる。ＬＩＤＡＲ１４は「センサ」の他の例である。

物体認識装置１６は、カメラ１０、レーダ装置１２、およびＬＩＤＡＲ１４のうち一部または全部による検出結果に対してセンサフュージョン処理を行って、物体の位置、種類、速度等を認識する。物体認識装置１６は、認識結果を自動運転制御装置１００に出力する。また、物体認識装置１６は、カメラ１０、レーダ装置１２、およびＬＩＤＡＲ１４の検出結果をそのまま自動運転制御装置１００に出力してよい。この場合、車両システム１から物体認識装置１６が省略されてもよい。

通信装置２０は、例えば、セルラー網やＷｉ−Ｆｉ網、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＤＳＲＣ（Dedicated Short Range Communication）等を利用して、自車両Ｍの周辺に存在する他車両と通信したり、或いは無線基地局を介して各種サーバ装置と通信したりする。

ＨＭＩ３０は、自車両Ｍの乗員（運転者を含む）に対して各種情報を提示すると共に、乗員による入力操作を受け付ける。ＨＭＩ３０は、例えば、ディスプレイ、スピーカ、ブザー、タッチパネル、マイクロフォン、スイッチ、キー等を備えてもよい。

車両センサ４０は、自車両Ｍの速度を検出する車速センサ、加速度を検出する加速度センサ、鉛直軸回りの角速度を検出するヨーレートセンサ、自車両Ｍの向きを検出する方位センサ等を含む。

ナビゲーション装置５０は、例えば、ＧＮＳＳ（Global Navigation Satellite System）受信機５１と、ナビＨＭＩ５２と、経路決定部５３とを備える。ナビゲーション装置５０は、ＨＤＤ（Hard Disk Drive）やフラッシュメモリ等の記憶装置に第１地図情報５４を保持している。

ＧＮＳＳ受信機５１は、ＧＮＳＳ衛星から受信した信号に基づいて、自車両Ｍの位置を特定する。自車両Ｍの位置は、車両センサ４０の出力を利用したＩＮＳ（Inertial Navigation System）によって特定または補完されてもよい。

ナビＨＭＩ５２は、表示装置、スピーカ、タッチパネル、キー等を含む。ナビＨＭＩ５２は、前述したＨＭＩ３０と一部または全部が共通化されてもよい。例えば、乗員は、ＨＭＩ３０に対して、自車両Ｍの目的地を入力することに代えて、或いは加えて、ナビＨＭＩ５２に対して、自車両Ｍの目的地を入力してもよい。

経路決定部５３は、例えば、ＧＮＳＳ受信機５１により特定された自車両Ｍの位置（或いは入力された任意の位置）から、ＨＭ３０やナビＨＭＩ５２を用いて乗員により入力された目的地までの経路（以下、地図上経路）を、第１地図情報５４を参照して決定する。

第１地図情報５４は、例えば、道路を示すリンクと、リンクによって接続されたノードとによって道路形状が表現された情報である。第１地図情報５４は、道路の曲率やＰＯＩ（Point Of Interest）情報等を含んでもよい。地図上経路は、ＭＰＵ６０に出力される。

ナビゲーション装置５０は、地図上経路に基づいて、ナビＨＭＩ５２を用いた経路案内を行ってもよい。ナビゲーション装置５０は、例えば、乗員の保有するスマートフォンやタブレット端末等の端末装置の機能によって実現されてもよい。ナビゲーション装置５０は、通信装置２０を介してナビゲーションサーバに現在位置と目的地を送信し、ナビゲーションサーバから地図上経路と同等の経路を取得してもよい。

ＭＰＵ６０は、例えば、推奨車線決定部６１を含み、ＨＤＤやフラッシュメモリ等の記憶装置に第２地図情報６２を保持している。推奨車線決定部６１は、ナビゲーション装置５０から提供された地図上経路を複数のブロックに分割し（例えば、車両進行方向に関して１００［ｍ］毎に分割し）、第２地図情報６２を参照してブロックごとに推奨車線を決定する。推奨車線決定部６１は、左から何番目の車線を走行するといった決定を行う。推奨車線決定部６１は、地図上経路に分岐箇所が存在する場合、自車両Ｍが、分岐先に進行するための合理的な経路を走行できるように、推奨車線を決定する。

第２地図情報６２は、第１地図情報５４よりも高精度な地図情報である。第２地図情報６２は、例えば、車線の中央の情報あるいは車線の境界の情報等を含んでいる。また、第２地図情報６２には、道路情報、交通規制情報、住所情報（住所・郵便番号）、施設情報、電話番号情報等が含まれてよい。第２地図情報６２は、通信装置２０が他装置と通信することにより、随時、アップデートされてよい。

運転操作子８０は、例えば、アクセルペダル、ブレーキペダル、シフトレバー、ステアリングホイール、異形ステア、ジョイスティックその他の操作子を含む。運転操作子８０には、操作量あるいは操作の有無を検出するセンサが取り付けられており、その検出結果は、自動運転制御装置１００、もしくは、走行駆動力出力装置２００、ブレーキ装置２１０、およびステアリング装置２２０のうち一部または全部に出力される。

自動運転制御装置１００は、例えば、第１制御部１２０と、第２制御部１６０と、記憶部１８０とを備える。第１制御部１２０及び第２制御部１６０のそれぞれは、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予め自動運転制御装置１００のＨＤＤやフラッシュメモリ等の記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭ等の着脱可能な記憶媒体に格納されており、記憶媒体（非一過性の記憶媒体）がドライブ装置に装着されることで自動運転制御装置１００のＨＤＤやフラッシュメモリにインストールされてもよい。

記憶部１８０は、上記の各種記憶装置により実現される。記憶部１８０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）等により実現される。記憶部１８０には、例えば、プロセッサによって読み出されて実行されるプログラムに加えて、環境認識モデルデータ１８２や、軌道生成モデルデータ１８４、学習量データ１８６などが格納される。環境認識モデルデータ１８２や軌道生成モデルデータ１８４、学習量データ１８６の詳細については後述する。

図２は、第１実施形態に係る第１制御部１２０、第２制御部１６０、及び記憶部１８０の機能構成図である。第１制御部１２０は、例えば、認識部１３０と、難易度決定部１３５と、行動計画生成部１４０とを備える。

第１制御部１２０は、例えば、ＡＩ（Artificial Intelligence；人工知能）による機能と、予め与えられたモデルによる機能とを並行して実現する。例えば、「交差点を認識する」機能は、ディープラーニング等による交差点の認識と、予め与えられた条件（パターンマッチング可能な信号、道路標示等がある）に基づく認識とが並行して実行され、双方に対してスコア付けして総合的に評価することで実現されてよい。これによって、自動運転の信頼性が担保される。

認識部１３０は、記憶部１８０から環境認識モデルデータ１８２を読み出し、そのデータによって定義されたモデルを用いて、自車両Ｍの周辺の環境を認識する。

環境認識モデルデータ１８２は、環境を認識するために利用される環境認識モデルＭＤＬ１を定義した情報（プログラムまたはデータ構造）である。環境認識モデルＭＤＬ１は、カメラ１０、レーダ装置１２、ＬＩＤＡＲ１４といった種々のセンサのセンシング結果が直接的に入力される、又は物体認識装置１６を介して間接的に入力されると、物体の種類や状態などを環境の一部として出力するように学習されたＤＮＮ（Deep Neural Network(s)）である。具体的には、環境認識モデルＭＤＬ１は、ＣＮＮ（Convolutional Neural Network）や、ＲＮＮ（Reccurent Neural Network）、或いはこれらの組合せであってよい。環境認識モデルＭＤＬ１は、「第３モデル」の一例である。

環境認識モデルデータ１８２には、例えば、ＤＮＮを構成する複数の層のそれぞれに含まれるユニットが互いにどのように結合されるのかという結合情報や、結合されたユニット間で入出力されるデータに付与される結合係数などの各種情報が含まれる。

結合情報とは、例えば、各層に含まれるユニット数や、各ユニットの結合先のユニットの種類を指定する情報、各ユニットの活性化関数、隠れ層のユニット間に設けられたゲートなどの情報を含む。活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ユニット間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、例えば、ニューラルネットワークの隠れ層において、ある層のユニットから、より深い層のユニットにデータが出力される際に、出力データに対して付与される重み係数を含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

環境認識モデルＭＤＬ１は、例えば、教師データに基づいて十分に学習される。教師データは、例えば、ある対象車両に取り付けられたセンサのセンシング結果に対して、その対象車両の周辺に存在する物体の種類及び状態が教師ラベル（ターゲットともいう）として対応付けられたデータセットである。対象車両は、自車両Ｍであってもよいし、自車両Ｍ以外の他の車両であってもよい。すなわち、教師データは、入力データであるセンサのセンシング結果と、出力データである物体の種類及び状態とを組み合わせたデータセットである。

環境認識モデルＭＤＬ１によって出力される物体の種類には、例えば、自転車、オートバイク、四輪自動車、歩行者、道路標識、道路標示、区画線、電柱、ガードレール、落下物などが含まれる。環境認識モデルＭＤＬ１によって出力される物体の状態には、位置、速度、加速度、ジャークなどが含まれる。物体の位置は、例えば、自車両Ｍの代表点（重心や駆動軸中心など）を原点とした相対座標上の位置（すなわち自車両Ｍに対する相対位置）であってよい。物体の位置は、その物体の重心やコーナー等の代表点で表されてもよいし、表現された領域で表されてもよい。

例えば、認識部１３０は、カメラ１０の画像を環境認識モデルＭＤＬ１に入力することで、その環境認識モデルＭＤＬ１が自車両Ｍの周辺の道路区画線の位置及びパターンの種類を出力したとする。この場合、認識部１３０は、環境認識モデルＭＤＬ１によって出力された道路区画線のパターン（例えば実線と破線の配列）と、第２地図情報６２から得られる道路区画線のパターンとを比較し、道路区画線の間の空間を自車線や隣接車線として認識する。

また、認識部１３０は、道路区画線に限らず、道路区画線や路肩、縁石、中央分離帯、ガードレール等を含む走路境界（道路境界）を認識することで、自車線や隣接車線などを認識してもよい。この認識において、ナビゲーション装置５０から取得される自車両Ｍの位置やＩＮＳによる処理結果が加味されてもよい。また、認識部１３０は、一時停止線、障害物、赤信号、料金所、その他の道路事象を認識してよい。

認識部１３０は、自車線を認識する際に、自車線に対する自車両Ｍの相対位置や姿勢を認識する。認識部１３０は、例えば、自車両Ｍの基準点の車線中央からの乖離、および自車両Ｍの進行方向の車線中央を連ねた線に対してなす角度を、自車線に対する自車両Ｍの相対位置および姿勢として認識してもよい。これに代えて、認識部１３０は、自車線のいずれかの側端部（道路区画線または道路境界）に対する自車両Ｍの基準点の位置などを、自車線に対する自車両Ｍの相対位置として認識してもよい。

難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境に基づいて、環境を認識する際の難易度（以下、環境認識難易度と称する）を決定する。環境認識難易度の具体的な決定方法について後述する。

行動計画生成部１４０は、例えば、イベント決定部１４２と、リスク領域算出部１４４と、目標軌道生成部１４６とを備える。

イベント決定部１４２は、推奨車線が決定された経路において自車両Ｍが自動運転下にある場合、その自動運転の走行態様を決定する。以下、自動運転の走行態様を規定した情報をイベントと称して説明する。

イベントには、例えば、定速走行イベント、追従走行イベント、車線変更イベント、分岐イベント、合流イベント、テイクオーバーイベントなどが含まれる。定速走行イベントは、自車両Ｍを一定の速度で同じ車線を走行させる走行態様である。追従走行イベントは、自車線上において自車両Ｍの前方の所定距離以内（例えば１００［ｍ］以内）に存在し、自車両Ｍに最も近い他車両（以下、先行車両と称する）に自車両Ｍを追従させる走行態様である。

「追従する」とは、例えば、自車両Ｍと先行車両との車間距離（相対距離）を一定に維持させる走行態様であってもよいし、自車両Ｍと先行車両との車間距離を一定に維持させることに加えて、自車両Ｍを自車線の中央で走行させる走行態様であってもよい。

車線変更イベントは、自車両Ｍを自車線から隣接車線へと車線変更させる走行態様である。分岐イベントは、道路の分岐地点で自車両Ｍを目的地側の車線に分岐させる走行態様である。合流イベントは、合流地点で自車両Ｍを本線に合流させる走行態様である。テイクオーバーイベントは、自動運転を終了して手動運転に切り替える走行態様である。

また、イベントには、例えば、追い越しイベントや、回避イベントなどが含まれてもよい。追い越しイベントは、自車両Ｍを一旦隣接車線に車線変更させて先行車両を隣接車線において追い越してから再び元の車線へと車線変更させる走行態様である。回避イベントは、自車両Ｍの前方に存在する障害物を回避するために自車両Ｍに制動および操舵の少なくとも一方を行わせる走行態様である。

また、イベント決定部１４２は、例えば、自車両Ｍの走行時に認識部１３０により認識された周辺の状況に応じて、現在の区間に対して既に決定したイベントを他のイベントに変更したり、現在の区間に対して新たなイベントを決定したりしてよい。

リスク領域算出部１４４は、認識部１３０によって環境の一部として認識された物体の周囲に潜在的に分布する、或いは潜在的に存在するリスクの領域（以下、リスク領域ＲＡと称する）を算出する。リスクは、例えば、物体が自車両Ｍに対して及ぼすリスクである。より具体的には、リスクは、先行車両が急減速したり、隣接車線から他車両が自車両Ｍの前方に割り込んだりしたために、自車両Ｍに急な制動を強いるようなリスクであってもよいし、歩行者や自転車が車道に進入したために、自車両Ｍに急な転舵を強いるようなリスクであってもよい。また、リスクは、自車両Ｍが物体に及ぼすリスクであってもよい。以下、このようなリスクの高さを定量的な指標値として扱うものとし、その指標値を「リスクポテンシャルｐ」と称して説明する。

図３は、リスク領域ＲＡを説明するための図である。図中ＬＮ１は、自車線を区画する一方の区画線を表し、ＬＮ２は、自車線を区画する他方の区画線であり、且つ隣接車線を区画する一方の区画線を表している。ＬＮ３は、隣接車線を区画する他方の区画線を表している。これら複数の区画線のうち、ＬＮ１及びＬＮ３は車道外側線であり、ＬＮ２は追い越しのために車両がはみ出すことが許容された中央線である。また、図示の例では、自車線上の自車両Ｍの前方に先行車両ｍ１が存在している。図中Ｘは車両の進行方向を表し、Ｙは車両の幅方向を表し、Ｚは鉛直方向を表している。

図示の状況の場合、リスク領域算出部１４４は、リスク領域ＲＡの中で、車道外側線ＬＮ１及びＬＮ３に近い領域ほどリスクポテンシャルｐを高くし、車道外側線ＬＮ１及びＬＮ３から遠い領域ほどリスクポテンシャルｐを低くする。

また、リスク領域算出部１４４は、リスク領域ＲＡの中で、中央線ＬＮ２に近い領域ほどリスクポテンシャルｐを高くし、中央線ＬＮ２から遠い領域ほどリスクポテンシャルｐを低くする。中央線ＬＮ２は、車道外側線ＬＮ１及びＬＮ３と異なり、車両がはみ出すことが許容されているため、リスク領域算出部１４４は、中央線ＬＮ２に対するリスクポテンシャルｐを、車道外側線ＬＮ１及びＬＮ３に対するリスクポテンシャルｐよりも低くする。

また、リスク領域算出部１４４は、リスク領域ＲＡの中で、物体の一種である先行車両ｍ１に近い領域ほどリスクポテンシャルｐを高くし、先行車両ｍ１から遠い領域ほどリスクポテンシャルｐを低くする。すなわち、リスク領域算出部１４４は、リスク領域ＲＡの中で、自車両Ｍと先行車両ｍ１との相対距離が短いほどリスクポテンシャルｐを高くし、自車両Ｍと先行車両ｍ１との相対距離が長いほどリスクポテンシャルｐを低くしてよい。この際、リスク領域算出部１４４は、先行車両ｍ１の絶対速度や絶対加速度が大きいほどリスクポテンシャルｐを高くしてよい。また、リスクポテンシャルｐは、先行車両ｍ１の絶対速度や絶対加速度に代えて、或いは加えて、自車両Ｍと先行車両ｍ１との相対速度や相対加速度、ＴＴＣ（Time to Collision）等に応じて適宜決定されてもよい。

図４は、ある座標ｘ１におけるＹ方向のリスクポテンシャルｐの変化を表す図である。図中ｙ１は、Ｙ方向に関する車道外側線ＬＮ１の位置（座標）を表し、ｙ２は、Ｙ方向に関する中央線ＬＮ２の位置（座標）を表し、ｙ３は、Ｙ方向に関する車道外側線ＬＮ３の位置（座標）を表している。

図示のように、車道外側線ＬＮ１が存在する座標（ｘ１，ｙ１）の付近や、車道外側線ＬＮ３が存在する座標（ｘ１，ｙ３）の付近では、リスクポテンシャルｐが最も高くなり、中央線ＬＮ２が存在する座標（ｘ１，ｙ２）の付近では、リスクポテンシャルｐが座標（ｘ１，ｙ１）や（ｘ１，ｙ３）の次に高くなる。後述するように、リスクポテンシャルｐが、予め決められた閾値Ｔｈと同じかそれ以上の領域では、その領域に車両が進入することを防ぐため、目標軌道ＴＲが生成されない。

図５は、ある座標ｘ２におけるＹ方向のリスクポテンシャルｐの変化を表す図である。座標ｘ２は、座標ｘ１よりも先行車両ｍ１に近い。そのため、車道外側線ＬＮ１が存在する座標（ｘ２，ｙ１）と、中央線ＬＮ２が存在する座標（ｘ２，ｙ２）との間の領域には先行車両ｍ１が存在していないものの、先行車両ｍ１が急減速するなどのリスクが考慮される。その結果、（ｘ２，ｙ１）と（ｘ２，ｙ２）との間の領域のリスクポテンシャルｐは、（ｘ１，ｙ１）と（ｘ１，ｙ２）との間の領域のリスクポテンシャルｐよりも高くなりやすく、例えば閾値Ｔｈ以上となる。

図６は、ある座標ｘ３におけるＹ方向のリスクポテンシャルｐの変化を表す図である。座標ｘ３には、先行車両ｍ１が存在している。そのため、車道外側線ＬＮ１が存在する座標（ｘ３，ｙ１）と、中央線ＬＮ２が存在する座標（ｘ３，ｙ２）との間の領域のリスクポテンシャルｐは、（ｘ２，ｙ１）と（ｘ２，ｙ２）との間の領域のリスクポテンシャルｐよりも高く、且つ閾値Ｔｈ以上となる。

図７は、ある座標ｙ４におけるＸ方向のリスクポテンシャルｐの変化を表す図である。座標ｙ４はｙ１とｙ２との中間座標であり、その座標ｙ４には先行車両ｍ１が存在している。そのため、座標（ｘ３，ｙ４）におけるリスクポテンシャルｐは最も高くなり、座標（ｘ３，ｙ４）よりも先行車両ｍ１から遠い座標（ｘ２，ｙ４）におけるリスクポテンシャルｐは、座標（ｘ３，ｙ４）におけるリスクポテンシャルｐよりも低くなり、座標（ｘ２，ｙ４）よりも更に先行車両ｍ１から遠い座標（ｘ１，ｙ４）におけるリスクポテンシャルｐは、座標（ｘ２，ｙ４）におけるリスクポテンシャルｐよりも低くなる。

図８は、リスクポテンシャルｐが決定されたリスク領域ＲＡを表す図である。図示のように、リスク領域算出部１４４は、リスク領域ＲＡを複数のメッシュ（グリッドともいう）で区画し、それら複数のメッシュのそれぞれに対してリスクポテンシャルｐを対応付ける。例えば、メッシュ（ｘ_ｉ，ｙ_ｊ）には、リスクポテンシャルｐ_ｉｊが対応付けられる。すなわち、リスク領域ＲＡは、ベクトルやテンソルといったデータ構造で表される。

リスク領域算出部１４４は、複数のメッシュに対してリスクポテンシャルｐを対応付けると、各メッシュのリスクポテンシャルｐを正規化する。

例えば、リスク領域算出部１４４は、リスクポテンシャルｐの最大値が１となり最小値が０となるようにリスクポテンシャルｐを正規化してよい。具体的には、リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュのリスクポテンシャルｐの中から、最大値をとるリスクポテンシャルｐ_ｍａｘと、最小値をとるリスクポテンシャルｐ_ｍｉｎとを選択する。リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュの中から、ある着目する一つのメッシュ（ｘ_ｉ，ｙ_ｊ）を選び出し、そのメッシュ（ｘ_ｉ，ｙ_ｊ）に対応付けられたリスクポテンシャルｐ_ｉｊから最小のリスクポテンシャルｐ_ｍｉｎを減算するとともに、最大のリスクポテンシャルｐ_ｍａｘから最小のリスクポテンシャルｐ_ｍｉｎを減算し、（ｐ_ｉｊ−ｐ_ｍｉｎ）を（ｐ_ｍａｘ−ｐ_ｍｉｎ）で除算する。リスク領域算出部１４４は、着目するメッシュを変えながら、上記処理を繰り返す。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値が１となり最小値が０となるように正規化される。

また、リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュのリスクポテンシャルｐの平均値μと標準偏差σとを算出し、メッシュ（ｘ_ｉ，ｙ_ｊ）に対応付けられたリスクポテンシャルｐ_ｉｊから平均値μを減算し、（ｐ_ｉｊ−μ）を標準偏差σで除算してもよい。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値が１となり最小値が０となるように正規化される。

また、リスク領域算出部１４４は、リスクポテンシャルｐの最大値が任意のＭとなり最小値が任意のｍとなるようにリスクポテンシャルｐを正規化してよい。具体的には、リスク領域算出部１４４は、（ｐ_ｉｊ−ｐ_ｍｉｎ）／（ｐ_ｍａｘ−ｐ_ｍｉｎ）をＡとした場合、そのＡに対して（Ｍ−ｍ）を乗算し、Ａ（Ｍ−ｍ）にｍを加算する。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値がＭとなり最小値がｍとなるように正規化される。

図２の説明に戻る。目標軌道生成部１４６は、原則的には推奨車線決定部６１により決定された推奨車線を自車両Ｍが走行し、更に、自車両Ｍが推奨車線を走行する際に周辺の状況に対応するため、イベントにより規定された走行態様で自車両Ｍを自動的に（運転者の操作に依らずに）走行させる将来の目標軌道ＴＲを生成する。目標軌道ＴＲには、例えば、将来の自車両Ｍの位置を定めた位置要素と、将来の自車両Ｍの速度等を定めた速度要素とが含まれる。

例えば、目標軌道生成部１４６は、自車両Ｍが順に到達すべき複数の地点（軌道点）を、目標軌道ＴＲの位置要素として決定する。軌道点は、所定の走行距離（例えば数［ｍ］程度）ごとの自車両Ｍの到達すべき地点である。所定の走行距離は、例えば、経路に沿って進んだときの道なり距離によって計算されてよい。

また、目標軌道生成部１４６は、所定のサンプリング時間（例えば０コンマ数［ｓｅｃ］程度）ごとの目標速度νおよび目標加速度αを、目標軌道ＴＲの速度要素として決定する。また、軌道点は、所定のサンプリング時間ごとの、そのサンプリング時刻における自車両Ｍの到達すべき位置であってもよい。この場合、目標速度νや目標加速度αは、サンプリング時間および軌道点の間隔によって決定される。

例えば、目標軌道生成部１４６は、記憶部１８０から軌道生成モデルデータ１８４を読み出し、そのデータによって定義されたモデルを用いて、一つ又は複数の目標軌道ＴＲを生成する。そして、目標軌道生成部１４６は、難易度決定部１３５によって決定された環境認識難易度に応じて、生成した一つ又は複数の目標軌道ＴＲの中からいずれか一つの目標軌道ＴＲを選択する。

軌道生成モデルデータ１８４は、目標軌道ＴＲを生成するために利用される複数の軌道生成モデルＭＤＬ２を定義した情報（プログラムまたはデータ構造）である。複数の軌道生成モデルＭＤＬ２には、ルールベースによって実装された軌道生成モデルＭＤＬ２と、ＤＮＮによって実装された軌道生成モデルＭＤＬ２とが含まれる。以下、ルールベースによって実装された軌道生成モデルＭＤＬ２を「ルールベースモデルＭＤＬ２−１」と称し、ＤＮＮによって実装された軌道生成モデルＭＤＬ２を「ＤＮＮモデルＭＤＬ２−２」と称して説明する。ルールベースモデルＭＤＬ２−１は「第１モデル」の一例であり、ＤＮＮモデルＭＤＬ２−２は「第２モデル」の一例である。

ルールベースモデルＭＤＬ２−１は、専門家などによって予め決められたルール群に基づいて、リスク領域ＲＡから目標軌道ＴＲを導き出すモデルである。このようなルールベースモデルＭＤＬ２−１は、専門家などがルール群を決めるため、エキスパートシステムとも呼ばれる。ルール群には、道路交通法などの法律や規則、慣例などが含まれる。

例えば、ルール群の中には、ある条件Ｘに対して目標軌道ＴＲｘが一意に対応付けられたルールが存在し得る。条件Ｘは、例えば、ルールベースモデルＭＤＬ２−１に入力されるリスク領域ＲＡが、自車両Ｍが片側一車線の道路を走行しており、自車両Ｍの前方の所定距離以内に時速ＸＸ［ｋｍ／ｈ］の先行車両が存在する際に生成され得るリスク領域ＲＡ_Ｘと同じことである。目標軌道ＴＲｘは、例えば、目標速度がν_Ｘであり、目標加速度がα_Ｘであり、ステアリングの変位量がｕ_Ｘであり、軌道の曲率がκ_Ｘである目標軌道ＴＲである。このようなルールに従った場合、ルールベースモデルＭＤＬ２−１は、条件Ｘを満たすようなリスク領域ＲＡが入力されると、目標軌道ＴＲｘを出力することになる。

専門家などがルール群を決めているものの、ありとあらゆるルールが網羅的に決められていることは稀である。そのため、自車両Ｍがルール群に存在しない状況（専門家が想定していない状況）に陥ることも想定され、ルールベースモデルＭＤＬ２−１には、ルール群に該当しないリスク領域ＲＡが入力される場合がある。この場合、ルールベースモデルＭＤＬ２−１は、目標軌道ＴＲを出力しないことになる。これに代えて、ルールベースモデルＭＤＬ２−１は、ルール群に該当しないリスク領域ＲＡが入力された場合、予め決められた速度で現在の車線を走行する、といったような現状のリスク領域ＲＡに依存しない予め決められた目標軌道ＴＲを出力してもよい。すなわち、ルール群の中に、事前に想定していないリスク領域ＲＡが入力された場合、現状のリスク領域ＲＡに依存しない予め決められた目標軌道ＴＲを出力する、というイレギュラーな状況に対応するための汎用的なルールが含まれていてもよい。

ＤＮＮモデルＭＤＬ２−２は、リスク領域ＲＡが入力されると、目標軌道ＴＲを出力するように学習されたモデルである。具体的には、ＤＮＮモデルＭＤＬ２−２は、ＣＮＮや、ＲＮＮ、或いはこれらの組合せであってよい。軌道生成モデルデータ１８４には、例えば、上述した結合情報や結合係数などの各種情報が含まれる。

ＤＮＮモデルＭＤＬ２−２は、例えば、教師データに基づいて十分に学習される。教師データは、例えば、リスク領域ＲＡに対して、ＤＮＮモデルＭＤＬ２−２が出力すべき正解の目標軌道ＴＲが教師ラベル（ターゲットともいう）として対応付けられたデータセットである。すなわち、教師データは、入力データであるリスク領域ＲＡと、出力データである目標軌道ＴＲとを組み合わせたデータセットである。正解の目標軌道ＴＲは、例えば、リスク領域ＲＡに含まれる複数のメッシュの中で、リスクポテンシャルｐが閾値Ｔｈ未満であり、且つ最もリスクポテンシャルｐが低いメッシュを通過する目標軌道であってよい。また、正解の目標軌道ＴＲは、例えば、あるリスク領域ＲＡ下において、実際に運転者が運転した車両の軌道であってよい。

目標軌道生成部１４６は、ルールベースモデルＭＤＬ２−１と、ＤＮＮモデルＭＤＬ２−２との其々に対して、リスク領域算出部１４４によって算出されたリスク領域ＲＡを入力し、そのリスク領域ＲＡを入力した各モデルＭＤＬの出力結果に基づいて、目標軌道ＴＲを生成する。

図９は、目標軌道ＴＲの生成方法を模式的に表す図である。例えば、目標軌道生成部１４６は、ＤＮＮモデルＭＤＬ２−２に対して、リスク領域ＲＡを表すベクトル或いはテンソルを入力する。図示の例では、リスク領域ＲＡがｍ行ｎ列の２階のテンソルとして表されている。リスク領域ＲＡを表すベクトル或いはテンソルが入力されたＤＮＮモデルＭＤＬ２−２は、目標軌道ＴＲを出力する。この目標軌道ＴＲは、例えば、目標速度νや、目標加速度α、ステアリングの変位量ｕ、軌道の曲率κ、といった複数の要素を含むベクトル或いはテンソルによって表される。

図１０は、軌道生成モデルＭＤＬ２が出力した目標軌道ＴＲの一例を表す図である。図示の例のように、先行車両ｍ１の周辺のリスクポテンシャルｐは高くなるため、これを避けるように目標軌道ＴＲが生成される。この結果、自車両Ｍは、区画線ＬＮ２及びＬＮ３によって区画された隣接車線に車線変更して先行車両ｍ１を追い越すことになる。

図２の説明に戻る。第２制御部１６０は、目標軌道生成部１４６によって生成された目標軌道ＴＲを、予定の時刻通りに自車両Ｍが通過するように、走行駆動力出力装置２００、ブレーキ装置２１０、およびステアリング装置２２０を制御する。第２制御部１６０は、例えば、第１取得部１６２と、速度制御部１６４と、操舵制御部１６６とを備える。第２制御部１６０は、「運転制御部」の一例である。

第１取得部１６２は、目標軌道生成部１４６から目標軌道ＴＲを取得し、記憶部１８０のメモリに記憶させる。

速度制御部１６４は、メモリに記憶された目標軌道ＴＲに含まれる速度要素（例えば目標速度νや目標加速度α等）に基づいて、走行駆動力出力装置２００およびブレーキ装置２１０の一方または双方を制御する。

操舵制御部１６６は、メモリに記憶された目標軌道に含まれる位置要素（例えば目標軌道の曲率κや、軌道点の位置に応じたステアリングの変位量ｕ等）に応じて、ステアリング装置２２０を制御する。

速度制御部１６４および操舵制御部１６６の処理は、例えば、フィードフォワード制御とフィードバック制御との組み合わせにより実現される。一例として、操舵制御部１６６は、自車両Ｍの前方の道路の曲率に応じたフィードフォワード制御と、目標軌道ＴＲからの乖離に基づくフィードバック制御とを組み合わせて実行する。

走行駆動力出力装置２００は、車両が走行するための走行駆動力（トルク）を駆動輪に出力する。走行駆動力出力装置２００は、例えば、内燃機関、電動機、および変速機などの組み合わせと、これらを制御するパワーＥＣＵ（Electronic Control Unit）とを備える。パワーＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って、上記の構成を制御する。

ブレーキ装置２１０は、例えば、ブレーキキャリパーと、ブレーキキャリパーに油圧を伝達するシリンダと、シリンダに油圧を発生させる電動モータと、ブレーキＥＣＵとを備える。ブレーキＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って電動モータを制御し、制動操作に応じたブレーキトルクが各車輪に出力されるようにする。ブレーキ装置２１０は、運転操作子８０に含まれるブレーキペダルの操作によって発生させた油圧を、マスターシリンダを介してシリンダに伝達する機構をバックアップとして備えてよい。なお、ブレーキ装置２１０は、上記説明した構成に限らず、第２制御部１６０から入力される情報に従ってアクチュエータを制御して、マスターシリンダの油圧をシリンダに伝達する電子制御式油圧ブレーキ装置であってもよい。

ステアリング装置２２０は、例えば、ステアリングＥＣＵと、電動モータとを備える。電動モータは、例えば、ラックアンドピニオン機構に力を作用させて転舵輪の向きを変更する。ステアリングＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って、電動モータを駆動し、転舵輪の向きを変更させる。

［処理フロー］
以下、第１実施形態に係る自動運転制御装置１００による一連の処理の流れを、フローチャートを用いて説明する。図１１は、第１実施形態に係る自動運転制御装置１００による一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し実行されてよい。

まず、認識部１３０は、自車両Ｍの周辺の環境を認識する（ステップＳ１００）。例えば、認識部１３０は、環境認識モデルＭＤＬ１を利用して、物体の種類や状態を認識してよい。

次に、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境に基づいて、環境認識難易度を決定する（ステップＳ１０２）。ここでいう環境とは、例えば、市街地、郊外、悪天候、良天候、夜間、昼間、一般道、高速道路、といった種々の環境であってよい。

例えば、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が市街地である場合、認識部１３０によって認識された自車両Ｍの周辺の環境が郊外である場合に比べて、環境認識難易度を高くする。言い換えれば、難易度決定部１３５は、自車両Ｍが市街地を走行している場合、自車両Ｍが郊外を走行している場合に比べて、環境認識難易度を高くする。

また、例えば、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が悪天候である場合、認識部１３０によって認識された自車両Ｍの周辺の環境が良天候である場合に比べて、環境認識難易度を高くする。言い換えれば、難易度決定部１３５は、自車両Ｍが悪天候の中で走行している場合、自車両Ｍが良天候の中で走行している場合に比べて、環境認識難易度を高くする。

また、例えば、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が夜間である場合、認識部１３０によって認識された自車両Ｍの周辺の環境が昼間である場合に比べて、環境認識難易度を高くする。言い換えれば、難易度決定部１３５は、自車両Ｍが夜間に走行している場合、自車両Ｍが昼間に走行している場合に比べて、環境認識難易度を高くする。

また、例えば、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が一般道である場合、認識部１３０によって認識された自車両Ｍの周辺の環境が高速道路である場合に比べて、環境認識難易度を高くする。言い換えれば、難易度決定部１３５は、自車両Ｍが一般道を走行している場合、自車両Ｍが高速道路を走行している場合に比べて、環境認識難易度を高くする。

また、難易度決定部１３５は、認識部１３０が自車両Ｍの周辺の環境を認識する際に利用する環境認識モデルＭＤＬ１の学習量ｎに応じて、環境認識難易度を決定してよい。環境認識モデルＭＤＬ１の学習量ｎは、学習量データ１８６として予め記憶部１８０に記憶されている。

図１２は、学習量データ１８６の一例を表す図である。図示の例のように、学習量データ１８６は、互いに種類の異なる複数の環境の其々に対して、環境認識モデルＭＤＬ１の学習量ｎが対応付けられたデータである。

例えば、環境認識モデルＭＤＬ１が、ある環境Ａ下において得られたｎ_Ａ個の教師データを使用して、ｎ_Ａ回繰り返し学習されたとする。つまり、環境認識モデルＭＤＬ１が、環境Ａ下における対象車両の周囲のセンシング結果が入力されると、その対象車両の周辺の環境として環境Ａを表す情報を出力するようにｎ_Ａ回繰り返し学習されたとする。この場合、学習量データ１８６では、環境Ａに対して学習量ｎ_Ａが対応付けられる。

同様に、環境認識モデルＭＤＬ１が、ある環境Ｂ下において得られたｎ_Ｂ個の教師データを使用して、ｎ_Ｂ回繰り返し学習されたとする。つまり、環境認識モデルＭＤＬ１が、環境Ｂ下における対象車両の周囲のセンシング結果が入力されると、その対象車両の周辺の環境として環境Ｂを表す情報を出力するようにｎ_Ｂ回繰り返し学習されたとする。この場合、学習量データ１８６では、環境Ｂに対して学習量ｎ_Ｂが対応付けられる。

例えば、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が環境Ａであった場合、学習量データ１８６において環境Ａに対応付けられた学習量ｎ_Ａに応じて、環境認識難易度を決定する。また、難易度決定部１３５は、認識部１３０によって認識された自車両Ｍの周辺の環境が環境Ｂであった場合、学習量データ１８６において環境Ｂに対応付けられた学習量ｎ_Ｂに応じて、環境認識難易度を決定する。

難易度決定部１３５は、環境認識モデルＭＤＬ１の学習量ｎが多いほど環境認識難易度を低くし、環境認識モデルＭＤＬ１の学習量ｎが少ないほど環境認識難易度を高くしてよい。これによって、例えば、学習量ｎ_Ａに比べて学習量ｎ_Ｂの方が少ない場合、環境Ａに比べて環境Ｂの環境認識難易度が高くなる。

また、難易度決定部１３５は、認識部１３０によって環境の一部として認識された自車両Ｍの周辺の移動体（例えば他車両や歩行者、自転車など）の数に応じて、環境認識難易度を決定してもよい。具体的には、難易度決定部１３５は、移動体の数が少ないほど環境認識難易度を低くし、移動体の数が多いほど環境認識難易度を高くしてよい。

また、難易度決定部１３５は、認識部１３０によって環境の一部として認識された道路の曲率に応じて、環境認識難易度を決定してもよい。具体的には、難易度決定部１３５は、道路の曲率が小さいほど環境認識難易度を低くし、道路の曲率が大きいほど環境認識難易度を高くしてよい。

また、難易度決定部１３５は、認識部１３０によって環境の一部として認識された複数の移動体の平均速度と、自車両Ｍとの相対的な速度差に応じて、環境認識難易度を決定してもよい。例えば、認識部１３０が自車両Ｍの周辺に３台の他車両が存在することを認識したとする。この場合、難易度決定部１３５は、３台の他車両の平均速度を算出し、その平均速度と自車両Ｍとの速度差を算出する。例えば、難易度決定部１３５は、速度差が小さいほど環境認識難易度を低くし、速度差が大きいほど環境認識難易度を高くしてよい。これによって、自車両Ｍに比べて周辺の他車両の方が著しく速い又は遅い場合に、環境認識難易度が高くなり、自車両Ｍと周辺の他車両との速度が同程度である場合に、環境認識難易度が低くなる。

また、難易度決定部１３５は、自車両Ｍの速度（絶対速度）に応じて、環境認識難易度を決定してもよい。具体的には、難易度決定部１３５は、自車両Ｍの速度が大きいほど環境認識難易度を低くし、自車両Ｍの速度が小さいほど環境認識難易度を高くしてよい。

図１３は、ある第１時刻ｔ_１における場面の一例を表す図である。図１４は、第２時刻ｔ_２における場面の一例を表す図である。図１３及び図１４に例示する場面では、ｍ１〜ｍ３の３台の他車両が存在している。

第１時刻ｔ_１では、自車両Ｍの速度はν_Ｍ（ｔ_１）であり、他車両ｍ１の速度はν_ｍ１（ｔ_１）であり、他車両ｍ２の速度はν_ｍ２（ｔ_１）であり、他車両ｍ３の速度はν_ｍ３（ｔ_１）である。また、自車両Ｍに対する先行車両である他車両ｍ２と、自車両Ｍとの車間距離はＤ（ｔ_１）である。

一方、第２時刻ｔ_２では、自車両Ｍの速度は、第１時刻ｔ_１の速度ν_Ｍ（ｔ_１）よりも大きいν_Ｍ（ｔ_２）である。他車両ｍ１の速度は、第１時刻ｔ_１の速度ν_ｍ１（ｔ_１）よりも大きいν_ｍ１（ｔ_２）である。他車両ｍ２の速度は、第１時刻ｔ_１の速度ν_ｍ２（ｔ_１）よりも大きいν_ｍ２（ｔ_２）である。他車両ｍ３の速度は、第１時刻ｔ_１の速度ν_ｍ３（ｔ_１）よりも大きいν_ｍ３（ｔ_２）である。このような速度条件下では、第２時刻ｔ_２における他車両ｍ２と自車両Ｍとの車間距離Ｄ（ｔ_２）は、第１時刻ｔ_１のときの車間距離Ｄ（ｔ_１）よりも長くなりやすい。

一般的に、自車両Ｍの速度が大きいほど、自車両Ｍの周辺の他車両の速度も大きくなり、安全性を考慮してこれら車両の車間距離は必然的に広くなりやすい。これは、リスク領域Ｒ内に存在する移動体の数が少なくなることを意味する。つまり、自車両Ｍの速度が大きいほど、リスク領域算出部１４４がリスクポテンシャルｐを算出する対象の物体の数が少なくなる。図１３の場面では、リスクポテンシャルｐの算出対象は、ｍ１〜ｍ３の３台の他車両であるものの、図１３の場面よりも自車両Ｍの速度が大きい図１４の場面では、リスクポテンシャルｐの算出対象は、他車両ｍ１の１台のみである。

リスクポテンシャルｐの算出対象である物体の数が少ないほど、自車両Ｍの周辺の交通状況は単純化されるため、ルールベースモデルＭＤＬ２−１で規定されたルール群に合致しやすくなり、ルールベースモデルＭＤＬ２−１によって出力される目標軌道ＴＲが、自車両Ｍの周辺環境により適した精度の高い軌道となる。

難易度決定部１３５は、上述した種々の要素を基に決めた環境認識難易度の加重和（線形和）を求めてもよい。例えば、難易度決定部１３５は、（１）市街地又は郊外に応じた難易度、（２）悪天候又は良天候に応じた難易度、（３）夜間又は昼間に応じた難易度、（４）一般道又は高速道路に応じた難易度、（５）環境認識モデルＭＤＬ１の学習量ｎに応じた難易度、（６）自車両Ｍの周辺の移動体の数に応じた難易度、（７）複数の移動体の平均速度と自車両Ｍとの相対的な速度差に応じた難易度、（８）自車両Ｍの速度に応じた難易度、といった計８種類の難易度の加重和を、最終的な環境認識難易度としてよい。

図１１のフローチャートの説明に戻る。次に、リスク領域算出部１４４は、認識部１３０によって環境の一部として認識された物体の種類や状態に基づいて、リスク領域ＲＡを算出する（ステップＳ１０４）。

例えば、リスク領域算出部１４４は、自車両Ｍを基準とした予め決められた範囲内を複数のメッシュに区切り、その複数のメッシュの其々についてリスクポテンシャルｐを算出する。そして、リスク領域算出部１４４は、各メッシュに対してリスクポテンシャルｐを対応付けたベクトル或いはテンソルをリスク領域ＲＡとして算出する。この際、リスク領域算出部１４４は、リスクポテンシャルｐを正規化する。

次に、目標軌道生成部１４６は、ルールベースモデルＭＤＬ２−１と、ＤＮＮモデルＭＤＬ２−２との其々に対して、リスク領域算出部１４４によって算出されたリスク領域ＲＡを入力し、そのリスク領域ＲＡを入力した各モデルＭＤＬの出力結果に基づいて、複数の目標軌道ＴＲを生成する（ステップＳ１０６）。

次に、目標軌道生成部１４６は、難易度決定部１３５によって決定された環境認識難易度に応じて、複数の目標軌道ＴＲの中からいずれか一つの目標軌道ＴＲを選択する（ステップＳ１０８）。

例えば、環境認識難易度が０から１の数値範囲で表され、０に近いほど難易度が低く、１に近いほど難易度が高いものとする。この場合、目標軌道生成部１４６は、環境認識難易度が所定値以下の場合（環境認識が易しい場合）、複数の目標軌道ＴＲの中から、ルールベースモデルＭＤＬ２−１によって出力された目標軌道ＴＲ（以下、第１目標軌道ＴＲ１と称する）を選択する。一方、目標軌道生成部１４６は、環境認識難易度が所定値を超える場合（環境認識が難しい場合）、複数の目標軌道ＴＲの中から、ＤＮＮモデルＭＤＬ２−２によって出力された目標軌道ＴＲ（以下、第２目標軌道ＴＲ２と称する）を選択する。所定値は、例えば０．５程度であってよい。

これによって、環境認識難易度が低く、自車両Ｍの周辺の交通状況が比較的単純な場合には、第１目標軌道ＴＲ１が選択されやすくなり、環境認識難易度が高く、自車両Ｍの周辺の交通状況が複雑な場合には、第２目標軌道ＴＲ２が選択されやすくなる。

目標軌道生成部１４６は、複数の目標軌道ＴＲの中から第１目標軌道ＴＲ１又は第２目標軌道ＴＲ２のいずれかを選択すると、その選択した目標軌道ＴＲを第２制御部１６０に出力する。これを受けて、第２制御部１６０は、目標軌道生成部１４６によって出力された目標軌道ＴＲに基づいて、自車両Ｍの速度及び操舵の少なくとも一方を制御する（ステップＳ１１０）。これによって本フローチャートの処理が終了する。

以上説明した第１実施形態によれば、自動運転制御装置１００は、予め学習された環境認識モデルＭＤＬ１を利用して自車両Ｍの周辺の環境を認識する。自動運転制御装置１００は、認識した自車両Ｍの周辺の環境に基づいて、環境認識難易度を決定する。また、自動運転制御装置１００は、認識した自車両Ｍの周辺の環境に基づいて、ルールベースモデルＭＤＬ２−１及びＤＮＮモデルＭＤＬ２−２の双方を利用して、複数の目標軌道ＴＲを生成する。自動運転制御装置１００は、環境認識難易度に応じて、複数の目標軌道ＴＲの中からいずれか一つの目標軌道ＴＲを選択する。そして、自動運転制御装置１００は、選択した目標軌道ＴＲに基づいて、自車両Ｍの運転を自動的に制御する。これによって、自車両Ｍの運転をスムーズに制御することができる。

＜第２実施形態＞
以下、第２実施形態について説明する。第２実施形態では、自車両Ｍが緊急状態であれば、環境認識難易度に依らずに、第１目標軌道ＴＲ１が選択される点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

第２実施形態に係る難易度決定部１３５は、環境認識難易度を決定することに加えて、更に、自車両Ｍが緊急状態であるのか否かを判定する。緊急状態とは、例えば、回避すべきリスクが自車両Ｍに差し迫っているような状態である。具体的には、緊急状態は、歩行者や自転車が車道に飛び出した状態や、先行車両が急減速した状態などである。

例えば、難易度決定部１３５は、認識部１３０によって環境の一部として認識された移動体（歩行者や先行車両など）と、自車両ＭとのＴＴＣに基づいて、自車両Ｍが緊急状態か否かを判定してよい。ＴＴＣは、移動体と自車両Ｍとの相対距離を、移動体と自車両Ｍとの相対速度で除算したものである。例えば、難易度決定部１３５は、ＴＴＣが閾値Ｔ_Ｔｈ以上である場合、自車両Ｍが緊急状態にないと判定し、ＴＴＣが閾値Ｔ_Ｔｈ未満である場合、自車両Ｍが緊急状態にあると判定してよい。

図１５は、自車両Ｍが遭遇し得る場面の一例を表す図である。図中Ｐ１は歩行者を表しており、Ｖ１は歩行者Ｐ１の移動方向を表している。図示の場面では、歩行者Ｐ１と自車両ＭとのＴＴＣ_Ｍ−Ｐ１が閾値Ｔ_Ｔｈ以上である。この場合、難易度決定部１３５は、自車両Ｍが緊急状態にないと判定する。

一方、図示の場面では、歩行者Ｐ１に近い領域のリスクポテンシャルｐは閾値Ｔｈ未満である。このような場合、ルールベースモデルＭＤＬ２−１は、キープレフトといったルールに従って、車道外側線ＬＮ１及びＬＮ２で区画された車線上において、車線中央よりも左寄りの領域を通る軌道を、第１目標軌道ＴＲ１として出力する。ＤＮＮモデルＭＤＬ２−２は、運転者の手動運転の傾向を学習しているため、第１目標軌道ＴＲ１と同様に、車線中央よりも左寄りの領域を通る軌道を、第２目標軌道ＴＲ２として出力しやすい。

図示の場面では、自車両Ｍが緊急状態にないと判定されている。この場合、第２実施形態に係る目標軌道生成部１４６は、環境認識難易度に応じて、第１目標軌道ＴＲ１又は第２目標軌道ＴＲ２のいずれかを選択する。図示の場面では、道路の曲率が大きいため環境認識難易度が高い。従って、第２目標軌道ＴＲ２が選択され、その第２目標軌道ＴＲ２に基づいて自車両Ｍの運転が制御される。

図１６は、自車両Ｍが遭遇し得る場面の他の例を表す図である。図１６の場面では、図１５の場面よりも歩行者Ｐ１が車道に近く、飛び出しのリスクがあることから、歩行者Ｐ１と自車両ＭとのＴＴＣ_Ｍ−Ｐ１が閾値Ｔ_Ｔｈ未満である。この場合、難易度決定部１３５は、自車両Ｍが緊急状態にあると判定する。

一方、図示の場面では、歩行者Ｐ１に近い領域のリスクポテンシャルｐは閾値Ｔｈ以上である。このような場合、ルールベースモデルＭＤＬ２−１は、障害物に対する相対距離を一定以上維持するといったルールに従って、車線中央よりも右寄りの領域を通る軌道を、第１目標軌道ＴＲ１として出力する。ＤＮＮモデルＭＤＬ２−２は、障害物を避けるような運転者の手動運転の傾向を学習しているため、第１目標軌道ＴＲ１と同様に、車線中央よりも右寄りの領域を通る軌道（よりリスクポテンシャルｐが低い領域）を、第２目標軌道ＴＲ２として出力しやすい。

図示の場面では、自車両Ｍが緊急状態にあると判定されている。この場合、第２実施形態に係る目標軌道生成部１４６は、環境認識難易度に依らずに、より安全な運転制御が期待できる第１目標軌道ＴＲ１を選択する。これによって、歩行者Ｐ１を回避するように自車両Ｍの運転が制御されるため、より安全に自車両Ｍの運転を制御することができる。

以上説明した第２実施形態によれば、自動運転制御装置１００は、自車両Ｍが緊急状態か否かを判定し、自車両Ｍが緊急状態であると判定した場合、環境認識難易度に依らずに、第１目標軌道ＴＲ１を選択し、その第１目標軌道ＴＲ１に基づいて、歩行者などの移動体を回避するように自車両Ｍの運転を制御する。これによって、より安全に自車両Ｍの運転を制御することができる。

＜その他の実施形態（変形例）＞
以下、その他の実施形態（変形例）について説明する。上述した第１実施形態或いは第２実施形態において、目標軌道生成部１４６は、ルールベースモデルＭＤＬ２−１と、ＤＮＮモデルＭＤＬ２−２との其々に対して、リスク領域算出部１４４によって算出されたリスク領域ＲＡを入力し、そのリスク領域ＲＡを入力した各モデルＭＤＬの出力結果に基づいて、複数の目標軌道ＴＲを生成するものとして説明したがこれに限られない。

例えば、目標軌道生成部１４６は、ルールベースモデルＭＤＬ２−１に代えて、或いは加えて、モデルベース或いはモデルベースデザインと呼ばれる手法を基に作られたモデル（以下、モデルベースモデルと称する）を用いて、目標軌道ＴＲを生成してもよい。モデルベースモデルは、モデル予測制御（Model Predictive Control；ＭＰＣ）などの最適化手法を利用することで、リスク領域ＲＡに応じて目標軌道ＴＲを決定（或いは出力）するモデルである。モデルベースモデルは、「第１モデル」の他の例である。

また、例えば、目標軌道生成部１４６は、ＤＮＮモデルＭＤＬ２−２に代えて、或いは加えて、バイナリーツリー型のモデルや、ゲームツリー型のモデル、低層ニューラルネットワークをボルツマンマシンのように相互結合させたモデル、強化学習モデル、深層強化学習モデル、といった他の機械学習をベースとしたモデルを用いて、目標軌道ＴＲを生成してもよい。バイナリーツリー型のモデルや、ゲームツリー型のモデル、低層ニューラルネットワークをボルツマンマシンのように相互結合させたモデル、強化学習モデル、深層強化学習モデルなどは、「第２モデル」の他の例である。

［ハードウェア構成］
図１７は、実施形態の自動運転制御装置１００のハードウェア構成の一例を示す図である。図示するように、自動運転制御装置１００は、通信コントローラ１００−１、ＣＰＵ１００−２、ワーキングメモリとして使用されるＲＡＭ１００−３、ブートプログラム等を格納するＲＯＭ１００−４、フラッシュメモリやＨＤＤ等の記憶装置１００−５、ドライブ装置１００−６等が、内部バスあるいは専用通信線によって相互に接続された構成となっている。通信コントローラ１００−１は、自動運転制御装置１００以外の構成要素との通信を行う。記憶装置１００−５には、ＣＰＵ１００−２が実行するプログラム１００−５ａが格納されている。このプログラムは、ＤＭＡ（Direct Memory Access）コントローラ（不図示）等によってＲＡＭ１００−３に展開されて、ＣＰＵ１００−２によって実行される。これによって、第１制御部及び第２制御部１６０のうち一部または全部が実現される。

上記説明した実施形態は、以下のように表現することができる。
プログラムを格納した少なくとも一つ以上のメモリと、
少なくとも一つ以上のプロセッサと、を備え、
前記プロセッサが前記プログラムを実行することにより、
車両の周辺の環境を認識し、
前記認識した環境に基づいて、前記環境の認識の難易度を決定し、
前記認識した環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定した難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択し、
前記選択した目標軌道に基づいて、前記車両の運転を自動的に制御する、
ように構成されている、車両制御装置。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…車両システム、１０…カメラ、１２…レーダ装置、１４…ファインダ、１６…物体認識装置、２０…通信装置、３０…ＨＭＩ、４０…車両センサ、５０…ナビゲーション装置、６０…ＭＰＵ、８０…運転操作子、１００…自動運転制御装置、１２０…第１制御部、１３０…認識部、１３５…難易度決定部、１４０…行動計画生成部、１４２…イベント決定部、１４４…リスク領域算出部、１４６…目標軌道生成部、１６０…第２制御部、１６２…第１取得部、１６４…速度制御部、１６６…操舵制御部、１８０…記憶部、１８２…環境認識モデルデータ、１８４…軌道生成モデルデータ、ＭＤＬ１…環境認識モデル、ＭＤＬ２…軌道生成モデル、ＭＤＬ２−１…ルールベースモデル、ＭＤＬ２−２…ＤＮＮモデル、Ｍ…自車両

Claims (19)

1. 車両の周辺の環境を認識する認識部と、
   前記認識部によって認識された前記環境に基づいて、前記環境の認識の難易度を決定する決定部と、
   前記認識部によって認識された前記環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定部によって決定された前記難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択する生成部と、
   前記生成部によって選択された前記目標軌道に基づいて、前記車両の運転を自動的に制御する運転制御部と、
   を備える車両制御装置。
2. 前記認識部によって前記環境の一部として認識された物体の周囲に分布するリスクの領域を算出する算出部を更に備え、
   前記生成部は、前記領域が入力されると前記目標軌道を出力する複数のモデルの其々に対して前記算出部によって算出された前記領域を入力し、前記領域を入力した前記複数のモデルの其々の出力結果に基づいて、前記複数の目標軌道を生成する、
   請求項１に記載の車両制御装置。
3. 前記複数のモデルには、ルールベース又はモデルベースの第１モデルと、機械学習ベースの第２モデルとが含まれる、
   請求項２に記載の車両制御装置。
4. 前記生成部は、前記難易度が所定値を超える場合、前記第１モデルによって出力された前記目標軌道である第１目標軌道と、前記第２モデルによって出力された前記目標軌道である第２目標軌道とのうち、前記第２目標軌道を選択する、
   請求項３に記載の車両制御装置。
5. 前記車両の周囲をセンシングするセンサを更に備え、
   前記認識部は、ある対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境を表す情報を出力するように学習された機械学習ベースの第３モデルに対して、前記センサによるセンシング結果を入力し、前記センシング結果を入力した前記第３モデルの出力結果に基づいて、前記車両の周辺の環境を認識する、
   請求項１から４のうちいずれか一項に記載の車両制御装置。
6. 前記決定部は、前記第３モデルの学習量に応じて、前記難易度を決定する、
   請求項５に記載の車両制御装置。
7. 前記第３モデルは、ある第１環境下における前記対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境が前記第１環境であることを表す情報を出力するように学習され、前記第１環境と異なる第２環境下における前記対象車両の周囲のセンシング結果が入力されると、前記対象車両の周辺の環境が前記第２環境であることを表す情報を出力するように学習され、
   前記決定部は、前記認識部によって前記第１環境が認識された場合、前記第１環境下において学習された前記第３モデルの学習量に応じて前記難易度を決定し、前記認識部によって前記第２環境が認識された場合、前記第２環境下において学習された前記第３モデルの学習量に応じて前記難易度を決定する、
   請求項６に記載の車両制御装置。
8. 前記決定部は、前記第３モデルの学習量が多いほど前記難易度を低くし、前記第３モデルの学習量が少ないほど前記難易度を高くする、
   請求項６又は７に記載の車両制御装置。
9. 前記決定部は、前記認識部によって前記環境の一部として認識された移動体の数に応じて、前記難易度を決定する、
   請求項１から８のうちいずれか一項に記載の車両制御装置。
10. 前記決定部は、前記移動体の数が少ないほど前記難易度を低くし、前記移動体の数が多いほど前記難易度を高くする、
    請求項９に記載の車両制御装置。
11. 前記決定部は、前記認識部によって前記環境の一部として認識された道路の曲率に応じて、前記難易度を決定する、
    請求項１から１０のうちいずれか一項に記載の車両制御装置。
12. 前記決定部は、前記道路の曲率が小さいほど前記難易度を低くし、前記道路の曲率が大きいほど前記難易度を高くする、
    請求項１１に記載の車両制御装置。
13. 前記決定部は、前記認識部によって前記環境の一部として認識された複数の移動体の平均速度と、前記車両の速度との相対的な速度差に応じて、前記難易度を決定する、
    請求項１から１２のうちいずれか一項に記載の車両制御装置。
14. 前記決定部は、前記速度差が小さいほど前記難易度を低くし、前記速度差が大きいほど前記難易度を高くする、
    請求項１３に記載の車両制御装置。
15. 前記決定部は、前記車両の速度に応じて、前記難易度を決定する、
    請求項１から１４のうちいずれか一項に記載の車両制御装置。
16. 前記決定部は、前記速度が大きいほど前記難易度を低くし、前記速度が小さいほど前記難易度を高くする、
    請求項１５に記載の車両制御装置。
17. 前記決定部は、前記認識部によって前記環境の一部として認識された移動体と前記車両との相対距離及び相対速度に基づいて、前記車両が緊急状態か否かを判定し、
    前記生成部は、前記決定部によって前記車両が緊急状態であると判定された場合、前記難易度に依らずに、前記第１目標軌道を選択し、
    前記運転制御部は、前記生成部によって選択された前記第１目標軌道に基づいて、前記移動体を回避するように、前記車両の運転を制御する、
    請求項４に記載の車両制御装置。
18. 車両に搭載されたコンピュータが、
    前記車両の周辺の環境を認識し、
    前記認識した環境に基づいて、前記環境の認識の難易度を決定し、
    前記認識した環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定した難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択し、
    前記選択した目標軌道に基づいて、前記車両の運転を自動的に制御する、
    車両制御方法。
19. 車両に搭載されたコンピュータに、
    前記車両の周辺の環境を認識すること、
    前記認識した環境に基づいて、前記環境の認識の難易度を決定すること、
    前記認識した環境に基づいて前記車両が走行すべき複数の目標軌道を生成し、前記決定した難易度に応じて、前記生成した複数の目標軌道の中からいずれか一つの目標軌道を選択すること、
    前記選択した目標軌道に基づいて、前記車両の運転を自動的に制御すること、
    を実行させるためのプログラム。

Images