JP2022086680A - 挙動予測装置 - Google Patents

Abstract

【課題】移動体の種類ごとに複数設定した挙動予測モデルを用いて車両の周囲の移動体の将来挙動を予測する場合において、実用性の高い技術を提供する。【解決手段】分布計算処理と、類似レベル計算処理と、類似レベル評価処理と、衝突判定処理とが行われる。分布計算処理では、移動体の位置及び速度データと、これらの誤差データと、移動体の種類に応じた挙動パターンごとに設定された複数の挙動モデルと、を用いて、移動体の将来位置に関する確率密度分布が挙動パターンごとに計算される。類似レベル計算処理では、確率密度分布と、基準確率密度分布との類似レベルが挙動パターンごとに計算される。類似レベル評価処理では、類似レベルが評価される。類似レベルは、類似許容範囲を下回る範囲外レベルを含む。類似レベル評価処理では、範囲外レベルを有する挙動パターンが衝突判定処理の対象から除外される。【選択図】図１０

Description

この発明は、車両により検出された当該車両の周囲の移動体の将来挙動を予測する装置に関する。

特開２０１９－１８２０９３号公報は、車両の周囲の移動体の将来挙動を予測する装置を開示する。この従来の装置は、車両により検出された移動体の将来挙動を、挙動予測モデルを用いて予測する。挙動予測モデルは、例えば、四輪車、二輪車、歩行者、自転車といった移動体の種類に関連付けて事前に設定される。挙動予測モデルによる予測結果は、車両により検出された移動体の現実の検出結果と比較される。予測結果と検出結果が乖離している場合、従来の装置は、その理由を推定する。乖離の理由も事前に設定されている。従来の装置は、また、推定された乖離の理由に応じて、現在使用中の挙動予測モデルを修正し、又は、これとは異なる種類に対応する挙動予測モデルに切り替える。

特開２０１９－１８２０９３号公報

従来の装置は、乖離の理由の推定に重点を置いたものである。そのため、将来予測の際に用いられる挙動予測モデルの数は、事前に設定された移動体の種類の数と一致する。故に、予測結果と検出結果が乖離した場合、現在使用中の挙動予測モデルが修正され、又は、別の種類に対応する挙動予測モデルに切り替えられる。

移動体との衝突の回避に重点を置いた場合を考える。この場合、挙動予測モデルの数は、移動体の種類ごとに複数設定されることが望ましい。何故なら、挙動予測モデルの数と移動体の種類の数が同じ場合は、予測結果と検出結果の乖離の理由が「衝突が迫っている状況」であるときにも、挙動予測モデルの修正又は切り替えが行われるためである。これでは、「衝突が迫っている状況」での移動体の将来挙動の予測に遅延が生じてしまう。

挙動予測モデルの数を移動体の種類ごとに複数設定すれば、何れかの挙動予測モデルによる予測結果から「衝突が迫っている状況」であることを早期に把握することが可能となる。ところが、この場合は、現実には「衝突が迫っていない状況」であるにも関わらず、何れかの挙動予測モデルによる予測結果が「衝突が迫っている状況」を示す可能性がある。そうすると、この誤った予測結果に基づいて、車両の衝突回避動作が開始されてしまう可能性がある。或いは、この誤った予測結果に基づいて、車両のドライバに対して衝突警告が行われてしまう可能性がある。従って、実用性な観点からの改良が求められる。

本発明の１つの目的は、移動体の種類ごとに複数設定した挙動予測モデルを用いて車両の周囲の移動体の将来挙動を予測する場合において、実用性の高い技術を提供することにある。

本発明の第１の観点は、車両により検出された周囲の移動体の将来挙動を予測する挙動予測装置である。
前記挙動予測装置は、データベースと、メモリと、プロセッサと、を備える。
前記データベースには、前記移動体の種類に応じた挙動パターンごとに設定された複数の挙動モデルが格納される。
前記メモリには、前記移動体の位置及び速度データと、これらのデータの誤差を示す誤差データと、が格納される。
前記プロセッサは、分布計算処理と、類似レベル計算処理と、類似レベル評価処理と、衝突判定処理とを行うように構成される。
前記分布計算処理では、前記位置及び速度データと、前記誤差データと、前記複数の挙動モデルと、を用い、前記移動体の将来位置に関する確率密度分布が、前記挙動パターンごとに計算される。
前記類似レベル計算処理では、前記確率密度分布と、基準確率密度分布との類似レベルが前記挙動パターンごとに計算される。前記基準確率密度分布は、前記分布計算処理の今回の処理タイミングよりも前の処理タイミングにおいて、前記移動体の現在挙動に対応する挙動モデルを用いて計算された前記確率密度分布を示す。
前記類似レベル評価処理では、前記類似レベルが評価される。
前記衝突判定処理では、前記確率密度分布を用いて、前記車両と前記移動体の衝突が判定される。
前記類似レベルは、類似許容範囲を下回る範囲外レベルを含む。
前記プロセッサは、前記類似レベル評価処理において、前記範囲外レベルを有する前記挙動パターンを前記衝突判定処理の対象から除外する。

本発明の第２の観点は、第１の観点において更に次の特徴を有する。
前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された低類似閾値を下回る低類似レベルを含む。
前記プロセッサは、更に、誤差データ変更処理を行うように構成されている。
前記誤差データ変更処理では、前記類似レベルに基づいて前記誤差データが変更される。
前記プロセッサは、前記誤差データ変更処理において、低類似モデルを用いた前記分布計算処理の次回の処理タイミングにおいて用いられる前記誤差データを、前記分布計算処理の今回の処理タイミングにおいて用いられたそれよりも拡大させる。前記低類似モデルは、前記低類似レベルを有する前記挙動パターンに対応する挙動モデルを示す。

本発明の第３の観点は、第１または第２の観点において更に次の特徴を有する。
前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された高類似閾値を上回る高類似レベルを含む。
前記プロセッサは、更に、誤差データ変更処理を行うように構成されている。
前記誤差データ変更処理では、前記類似レベルに基づいて前記誤差データが変更される。
前記プロセッサは、前記誤差データ変更処理において、高類似モデルを用いた前記分布計算処理の次回の処理タイミングにおいて用いられる前記誤差データを、前記分布計算処理の今回の処理タイミングにおいて用いられたそれよりも縮小させる。前記高類似モデルは、前記高類似レベルを有する前記挙動パターンに対応する挙動モデルを示す。

本発明の第４の観点は、第１～第３の観点の何れかにおいて更に次の特徴を有する。
前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された高類似閾値を上回る高類似レベルを含む。
前記プロセッサは、更に、分布再計算処理を行うように構成されている。
前記分布計算処理では、前記高類似レベルを有する前記挙動パターンに対応する挙動モデルを示す高類似モデルを用い、前記確率密度分布が再計算される。
前記プロセッサは、前記分布再計算処理において、前記今回の処理タイミングにおいて前記高類似レベルを用いて計算された前記確率密度分布と、前記今回の処理タイミングよりも前の処理タイミングにおいて前記高類似レベルを用いて計算された前記確率密度分布とを重ね合わせる。
前記プロセッサは、前記衝突判定処理において、前記高類似レベルを有する前記挙動パターンの判定を、前記分布再計算処理による重ね合わせ後の前記確率密度分布に基づいて行う。

第１の観点によれば、分布計算処理、類似レベル計算処理及び類似レベル評価処理が行われる。特に、類似レベル評価処理によれば、範囲外レベルを有する挙動パターンを衝突判定処理の対象から除外することが可能となる。従って、本来不要な衝突回避動作が開始されるのを抑えることが可能となる。従って、各種の挙動モデルを用いた挙動パターンの予測を行う場合において、車両の走行状態が不安定化するのを抑えることが可能となる。また、本来不要な衝突警告が行われるのを抑えることも可能となる。従って、衝突警告の実行がドライバに違和感を与えるのを抑えることも可能となる。以上のことから、第１の観点によれば、実用性の高い技術を提供することが可能となる。

第２の観点によれば、類似レベル評価処理に加えて誤差データ変更処理が行われる。誤差データ変更処理によれば、低類似モデルを用いた分布計算処理の次回の処理タイミングにおいて用いられる誤差データが、分布計算処理の今回の処理タイミングにおいて用いられたそれよりも大きなデータに変更される。誤差データが大きくなれば、次回の処理タイミングにおいて低類似モデルを用いて計算される確率密度分布の標準偏差が大きくなる。そのため、この確率密度分布から計算される類似レベルを下げて、許容範囲を下回らせることが可能となる。そうすると、今回の計算タイミングにおいては低類似レベルを有すると評価された挙動パターンを、次回の計算タイミングにおいて範囲外レベルを有する挙動パターンと評価することが可能となる。よって、類似レベルが比較的低い挙動パターンを、衝突判定処理の対象から除外することが可能となる。

第３の観点によれば、類似レベル評価処理に加えて誤差データ変更処理が行われる。誤差データ変更処理によれば、高類似レベルを用いた分布計算処理の次回の処理タイミングにおいて用いられる誤差データが、分布計算処理の今回の処理タイミングにおいて用いられたそれよりも小さなデータに変更される。誤差データが小さくなれば、次回の処理タイミングにおいて高類似モデルを用いて計算される確率密度分布の標準偏差が小さくなる。ここで、移動体の挙動パターンが各時刻で変わらないような場合は、この挙動パターンの類似レベルが高類似レベルとなることが予想される。ただし、時間の経過に伴い誤差データの影響が累積していくため、確率密度分布の標準偏差は時間の経過に伴って拡大する。そのため、挙動パターンが各時刻で変わらないような場合であっても、移動体から十分に離れた位置において車両と移動体の衝突が将来において発生すると判定されてしまう可能性がある。この点、確率密度分布の標準偏差が小さくなれば、このような不都合が発生するのを抑えることが可能となる。

第４の観点によれば、類似レベル評価処理に加えて分布再計算処理が行われる。分布再計算処理によれば、分布計算処理の今回の処理タイミングにおいて高類似モデルを用いて計算された確率密度分布と、今回の処理タイミングよりも前の処理タイミングおいて高類似モデルを用いて計算された確率密度分布との重ね合わせが行われる。重ね合わせが行われると、重ね合わせ後の確率密度分布の標準偏差が、重ね合わせ前のそれに比べて小さくなる。従って、分布再計算処理によれば、誤差データ変更処理によって誤差データを小さなデータに変更したときに得られる効果と同じ効果が期待される。

実施形態が前提とする状況の一例を示す図である。 移動体の基準点の将来位置の確率密度分布の一例を示す図である。 定速直進モデルに対応する挙動パターン（すなわち、定速直進）における、移動体の基準点の将来位置の確率密度分布の一例を示した図である。 右折モデルに対応する挙動パターン（すなわち、右折）における、移動体の基準点の将来位置の確率密度分布の一例を示した図である。 図３及び４に示した各種の軌道を、将来の時刻を揃えて並べた図である。 加速モデルに対応する挙動パターン（すなわち、加速）における、移動体の基準点の将来位置の確率密度分布の一例を示した図である。 図３及び６に示した各種の軌道を、将来の時刻を揃えて並べた図である。 類似レベルの一例を示した図である。 実施形態に係る挙動予測装置の構成例を示す図である。 将来挙動予測処理に関連する制御装置の機能構成例を示すブロック図である。 類似レベル評価処理の流れを示すフローチャートである。 分布再計算処理の一例を示す図である。

以下、図面を参照して本発明の実施形態について説明する。なお、各図において、同一または相当する部分には同一符号を付してその説明を簡略化しまたは省略する。また、本発明は下記の実施形態に限定されるものではなく、様々な態様にて実施することが可能である。

１．実施形態の要旨
１－１．挙動モデル
図１は、実施形態が前提とする状況の一例を示す図である。図１には、車線Ｌ１上を移動する車両ＶＨが描かれている。車両ＶＨには、実施形態に係る挙動予測装置１０が搭載されている。車両ＶＨは、例えば、ディーゼルエンジンやガソリンエンジンなどの内燃機関を動力源とする自動車、電動機を動力源とする電気自動車、内燃機関と電動機を備えるハイブリッド自動車である。電動機は、二次電池、水素燃料電池、金属燃料電池、アルコール燃料電池などの電池により駆動される。

図１には、また、車線Ｌ２を移動する移動体Ｂ１と、車線Ｌ１の路側帯（又は路肩）を移動する移動体Ｂ２と、が描かれている。移動体Ｂ１及びＢ２は、車両ＶＨにより検出された周囲の移動体Ｂの一例である。移動体Ｂ１としては、四輪車、二輪車及び自転車が例示される。四輪車には、バスなどの大型車両と、乗用車などの小型車両と、が含まれる。移動体Ｂ１の移動方向は、車両ＶＨの進行方向と逆である。移動体Ｂ２としては、歩行者及び動物が例示される。移動体Ｂ２の移動方向は、車両ＶＨの進行方向と同じである。

図１に示す例では、移動体Ｂの状態（位置及び速度）は、車両ＶＨにより検出されている。実施形態では、この検出状態と、移動体Ｂの挙動モデルＭＢと、を用いて、移動体Ｂの将来挙動が予測される。挙動モデルＭＢは、移動体Ｂが取りうる様々な挙動パターンに対応させて事前に設定されている。挙動パターンのそれぞれは、移動体Ｂの将来挙動の候補と言うことができる。挙動パターンは、移動体Ｂの種類ごとに設定される。挙動パターンは、移動体Ｂの移動方向を基準として設定される。

移動体Ｂ１の挙動モデルＭＢ１としては、定速直進モデルＭｈ、減速モデルＭｉ、加速モデルＭｊ、右折モデルＭｋ、左折モデルＭｌ、及びふらつきモデルＭｍが例示される。挙動モデルＭＢ１には、車線Ｌ１とＬ２の境界に近い位置を移動するといった、移動体Ｂ１の走行位置を特定した挙動パターンに対応するモデルも含まれる。減速モデルＭｉ及び加速モデルＭｊには、緩慢モデル及び急速モデルといった、様々な加速度を想定したモデルも含まれる。移動体Ｂ２の挙動モデルＭＢ２は、挙動モデルＭＢ１の設定趣旨と同じ趣旨により設定されている。

図１に破線で示される軌道ＣＰ＿Ｍは、ある挙動モデルＭＢを用いて予測された移動体Ｂの将来軌道を模式的に示したものである。既に説明したように、挙動モデルＭＢは、移動体Ｂが取りうる様々な挙動パターンに対応している。そのため、実際には複数の軌道ＣＰ＿Ｍが存在している。なお、図１に描かれる軌道ＣＰ＿Ｍは、定速直進モデルＭｈ、減速モデルＭｉ又は加速モデルＭｊを用いて予測された移動体Ｂ１及びＢ２の将来軌道に該当する。

１－２．確率密度分布
車両ＶＨによる移動体Ｂの検出状態には、誤差εが含まれる。誤差εは、位置誤差及び速度誤差の少なくとも一方を含んでいる。検出状態に誤差εが含まれる場合、移動体Ｂの将来位置は、軌道ＣＰ＿Ｍ上の位置を最頻値とする確率密度分布により表される。図２は、移動体Ｂの基準点ＲＢの将来位置の確率密度分布ＤＲＢの一例を示す図である。なお、基準点ＲＢは、移動体Ｂの任意の箇所に設定される。時刻ｔ＝ｔ０を現在の時刻とする場合を考える。この場合、将来の時刻ｔ＝ｔ１における基準点ＲＢの位置（つまり、将来位置）は、確率密度分布ＤＲＢ（ｔ１）の１σ～３σの区間（σ：標準偏差）に存在すると言える。

実施形態では、移動体Ｂの将来挙動の予測に誤差εが適用される。この予測では、時刻ｔ＝ｔ０を現在の時刻としたときの将来の時刻ｔ１，ｔ２，ｔ３，・・・における基準点ＲＢの位置の確率密度分布が計算される。

図３は、定速直進モデルＭｈに対応する挙動パターン（すなわち、定速直進）における、基準点ＲＢ１の将来位置の確率密度分布ＤＲＢ１の一例を示した図である。図３の上段（ｉ）には、時刻ｔ＝ｔ０を現在の時刻としたときの将来の時刻ｔ＝ｔ１，ｔ２及びｔ３における確率密度分布ＤＲＢ１（ｔ１），ＤＲＢ１（ｔ２）及びＤＲＢ１（ｔ３）が描かれている。図３の下段（ｉｉ）には、時刻ｔ＝ｔ１を現在の時刻としたときの将来の時刻ｔ＝ｔ２，ｔ３及びｔ４における確率密度分布ＤＲＢ１（ｔ２），ＤＲＢ１（ｔ３）及びＤＲＢ１（ｔ４）が描かれている。なお、図３に示されるように、確率密度分布ＤＲＢの１σ～３σの区間が時間の経過に伴い徐々に拡大する。この理由は、時間の経過に伴い誤差εが累積していくためである。

図４は、右折モデルＭｋに対応する挙動パターン（すなわち、右折）における、基準点ＲＢ１の将来位置の確率密度分布の一例を示した図である。図４の上段（ｉ）及び下段（ｉｉ）に示される確率密度分布ＤＲＢ１の時刻ｔ１～ｔ４は、図３に示した時刻ｔ１～ｔ４と同じ時刻を示している。確率密度分布ＤＲＢの１σ～３σの区間が時間の経過に伴って拡大する理由については、先に説明したとおりである。なお、説明の便宜上、図３及び４では、確率密度分布ＤＲＢ１の計算に用いられた挙動モデルＭＢと、この計算を行った時刻（つまり、現在の時刻）との組み合わせを用いて、軌道ＣＰ＿Ｍが「ＣＰ＿Ｍｈ（ｔ０）」、「ＣＰ＿Ｍｋ（ｔ１）」等と表されている。

１－３．衝突判定
実施形態では、確率密度分布ＤＲＢを用いて、車両ＶＨと移動体Ｂの衝突が将来において発生するか否かの判定（衝突判定）が行われる。図３及び４には、車両ＶＨの基準点ＲＶＨの各時刻における基準点ＲＶＨ（ｔ０）～ＲＶＨ（ｔ４）が描かれている。

衝突判定では、まず、車両ＶＨと移動体Ｂの交差条件が満たされるか否かが判定される。交差条件の判定では、まず、現在の時刻を基準として、基準点ＲＶＨと基準点ＲＢ１の間で将来の時刻が揃えられる。そして、任意の将来の時刻において、基準点ＲＶＨが確率密度分布ＤＲＢ１の１σ～３σの区間（以下、「判定区間」とも称す。）に存在するか否かが判定される。判定区間は、１σ～２σの区間に限定されてもよい。そして、基準点ＲＶＨが判定区間に存在すると判定された場合、交差条件が満たされると判定される。図４の上段（ｉ）は、将来の時刻ｔ３において交差条件が満たされる場合に該当する。

衝突判定では、また、衝突余裕時間ＴＴＣ（Time To Collision）に関する条件（以下、「ＴＴＣ条件」とも称す。）が満たされるか否かが判定される。例えば、時刻ｔ０から時刻ｔ３までの間隔が時間ＴＴＣ以下である場合、ＴＴＣ条件が満たされる。交差条件及びＴＴＣ条件が満たされる場合、車両ＶＨと移動体Ｂの衝突が将来において発生すると判定される。なお、この場合は、車両ＶＨの衝突回避動作（具体的には、減速及び操舵の少なくとも一方の動作）が開始される。或いは、移動体Ｂとの衝突が迫っていることをドライバに警告するための処理が行われる。

既に説明したように、図４の上段（ｉ）は、交差条件が満たされる場合に該当する。そのため、交差条件に加えてＴＴＣ条件が満たされると、衝突回避動作が開始され又は警告処理が行われる。ここで問題となるのは、移動体Ｂの実際の挙動が右折ではなかった場合である。図４の下段（ｉｉ）は、移動体Ｂは時刻ｔ０～時刻ｔ１において定速直進を行ったことを示している。つまり、図４の下段（ｉｉ）は、時刻ｔ０～時刻ｔ１における移動体Ｂの実際の挙動が右折ではなかったことを示している。

ところが、図４の上段（ｉ）の場合において、時刻ｔ０～時刻ｔ１の間にＴＴＣ条件が満たされたときには、衝突回避動作が開始され又は警告処理が行われてしまう。そして、衝突回避動作又は警告処理は、実際には不要なものである。本来不要な衝突回避動作が行われることは、車両ＶＨの走行状態を不安定化させる。本来不要な警告処理が行われることはドライバに違和感を与える。

１－３－１．類似レベル
そこで、実施形態では、衝突判定（交差条件の判定）を行う挙動パターンを絞り込むべく、挙動モデルＭＢを用いて計算される確率密度分布ＤＲＢに「類似レベルＲＬｖ」を適用する。類似レベルＲＬｖは、基準確率密度分布ＳＤＲＢを比較基準とする。基準確率密度分布ＳＤＲＢは、移動体Ｂの現在挙動に対応する挙動モデルＭＢを用いて計算された過去の確率密度分布ＤＲＢである。確率密度分布ＤＲＢと基準確率密度分布ＳＤＲＢの比較は、これらの分布ＤＲＢ及びＳＤＲＢの将来の時刻を揃えた上で、ＫＬＤ（Kullback-Leiber divergence）が計算される。ＫＬＤは、異なる２つの確率密度分布の差異を測るための指標であり、類似レベルＲＬｖの要素として好適である。

図５は、図３及び４に示した軌道ＣＰ＿Ｍｋ（ｔ０）、ＣＰ＿Ｍｈ（ｔ０）、ＣＰ＿Ｍｋ（ｔ１）及びＣＰ＿Ｍｈ（ｔ１）を、将来の時刻を揃えて並べた図である。既に説明したように、図３及び４の例では、時刻ｔ０～ｔ１における実際の挙動パターンが定速直進である。つまり、時刻ｔ＝ｔ１を現在の時刻とすると、少なくとも時刻ｔ０～ｔ１の移動体Ｂの挙動は、移動体Ｂの現在挙動と考えることができる。よって、図５に示す例における現在挙動は「定速直進」となる。また、基準確率密度分布ＳＤＲＢは、定速直進モデルＭｈを用いて時刻ｔ０において予測された確率密度分布ＤＲＢ（ｔ２）及びＤＲＢ（ｔ３）となる。

なお、基準確率密度分布ＳＤＲＢに確率密度分布ＤＲＢ（ｔ１）が含まれない理由は、時刻ｔ＝ｔ１を現在の時刻としているからである。時刻ｔ＝ｔ２の条件を揃えると、基準確率密度分布ＳＤＲＢ（ｔ２）と、時刻ｔ１において定速直進モデルＭｈを用いて計算された確率密度分布ＤＲＢ（ｔ２）との違いは、１σ～３σの大きさのみである。この違いは、時刻ｔ＝ｔ３の条件下でも同じである。よって、よって、確率密度分布ＤＲＢ（ｔ２）及びＤＲＢ（ｔ３）についてのＫＬＤは何れも高スコアであり、これらを要素とする類似レベルＲＬｖも高レベルとなる。

一方、基準確率密度分布ＳＤＲＢ（ｔ２）と、時刻ｔ１において右折モデルＭｋを用いて計算された確率密度分布ＤＲＢ（ｔ２）との間のＫＬＤは低スコアとなる。この理由は、１σ～３σの大きさに加えて、車線Ｌ２の幅方向の位置が異なるためである。また、基準確率密度分布ＳＤＲＢ（ｔ３）と、時刻ｔ１において右折モデルＭｋを用いて計算された確率密度分布ＤＲＢ（ｔ３）との間のＫＬＤは、更に低いスコアとなる。よって、これらを要素とする類似レベルＲＬｖも低レベルとなる。

ここで、図６及び７を用い、加速モデルＭｊを用いて計算された確率密度分布ＤＲＢについての類似レベルＲＬｖについて説明する。図６の上段（ｉ）及び下段（ｉｉ）に示される確率密度分布ＤＲＢ１の時刻ｔ１～ｔ４は、図３及び４に示した時刻ｔ１～ｔ４と同じ時刻を示している。図７に示される軌道ＣＰ＿Ｍｈ（ｔ０）及びＣＰ＿Ｍｈ（ｔ１）は、図５に示したそれと同じである。確率密度分布ＤＲＢの１σ～３σの区間が時間の経過に伴って拡大する理由については、先に説明したとおりである。

図７に示されるように、基準確率密度分布ＳＤＲＢ（ｔ２）と、時刻ｔ１において加速モデルＭｊを用いて計算された確率密度分布ＤＲＢ（ｔ２）との間のＫＬＤは、比較的高いスコアとなる。この理由は、これらの分布の違いが、１σ～３σの大きさと、移動体Ｂ１の移動方向の僅かな位置のずれだけだからである。また、基準確率密度分布ＳＤＲＢ（ｔ３）と、時刻ｔ１において加速モデルＭｊを用いて計算された確率密度分布ＤＲＢ（ｔ３）との間のＫＬＤも、比較的高いスコアとなる。よって、これらを要素とする類似レベルＲＬｖも比較的高いレベルとなる。

１－３－２．類似レベルの評価
実施形態では、現在の時刻ｔにおいて全ての挙動パターンに対して類似レベルＲＬｖが計算される。そして、全ての挙動パターンについての類似レベルＲＬｖが計算されたら、衝突判定（交差条件の判定）を行う挙動パターンの取捨選択を類似レベルＲＬｖに基づいて行う。図８は、類似レベルＲＬｖの一例を示した図である。図８に示されるように、類似レベルＲＬｖには許容範囲ＡＲが設定されている。許容範囲ＡＲは、類似レベルＲＬｖの低い挙動パターンを衝突判定（交差条件の判定）の対象外とするために設定される。つまり、類似レベルＲＬｖが許容範囲ＡＲを下回る挙動パターンは、衝突判定（交差条件の判定）の対象外とされる。

このように、許容範囲ＡＲを下回る挙動パターンを除外すれば、この挙動パターンについての交差条件の判定の実施をキャンセルできる。従って、本来不要な衝突回避動作が開始されるのを抑えることが可能となる。従って、各種の挙動モデルＭＢを用いた挙動パターンの予測を行う場合において、車両ＶＨの走行状態が不安定化するのを抑えることが可能となる。また、本来不要な警告処理が行われるのを抑えることも可能となる。従って、警告処理の実行がドライバに違和感を与えるのを抑えることも可能となる。更に、交差条件の判定処理の負荷を減らして、衝突判定の応答性の低下を抑えることも可能となる。

許容範囲ＡＲには、また、高類似閾値ＴＨ及び低類似閾値ＴＬが設定される。これらの閾値は、確率密度分布ＤＲＢの次回の計算タイミングにおいて用いられる誤差εを変更（拡大又は縮小）するか否かの判定に設定される。「次回の計算タイミング」とは、例えば、時刻ｔ＝ｔ１を現在の時刻としたときの将来の時刻ｔ＝ｔ２に相当する計算タイミングを意味する。実施形態では、類似レベルＲＬｖが高類似閾値ＴＨを上回る挙動パターンについては、それに対応する挙動モデルＭＢを用いた確率密度分布ＤＲＢの次回の計算タイミングで用いる誤差εが減らされる。反対に、類似レベルＲＬｖが低類似閾値ＴＬを下回る挙動パターンについては、誤差εが増やされる。

誤差εを縮小すれば、次回の計算タイミングにおいて計算される確率密度分布ＤＲＢの１σ～３σが小さくなる。移動体Ｂの挙動パターンが各時刻で変わらないような場合は、この挙動パターンについての類似レベルＲＬｖが高類似閾値ＴＨを上回ることが予想される。ただし、確率密度分布ＤＲＢの１σ～３σの区間が時間の経過に伴って拡大することから、このような場合であっても、移動体Ｂから十分に離れた位置において交差条件が満たされてしまう可能性がある。この点、確率密度分布ＤＲＢの１σ～３σが小さくなれば、このような不都合が発生するのを抑えることが可能となる。このことは、衝突判定の精度の向上に寄与する。

誤差εを拡大すれば、次回の計算タイミングにおいて計算される確率密度分布ＤＲＢの１σ～３σが大きくなる。確率密度分布ＤＲＢの１σ～３σが大きくなれば、類似レベルＲＬｖが低下することが予想される。類似レベルＲＬｖが低類似閾値ＴＬを下回る挙動パターンは、許容範囲ＡＲを下回る挙動パターンに分類してもよい場合がある。この点、類似レベルＲＬｖが低下すれば、許容範囲ＡＲを下回る可能性が高まる。よって、類似レベルＲＬｖが低類似閾値ＴＬを下回る挙動パターンについての交差条件の判定の実施をキャンセルすることが可能となる。

以下、実施形態に係る挙動予測装置について詳細に説明する。

２．挙動予測装置
２－１．構成例
図９は、実施形態に係る挙動予測装置１０の構成例を示す図である。図９に示されるように、挙動予測装置１０は、外部情報取得装置１と、内部情報取得装置２と、挙動モデルＤＢ（データベース）３と、ＨＭＩ（Human Machine Interface）ユニット４と、走行装置５と、制御装置６と、を備えている。

外部情報取得装置１は、車両ＶＨの周辺の状況を検出する。外部情報取得装置１としては、レーダセンサおよびカメラが例示される。レーダセンサは、電波（例えば、ミリ波）又は光を利用して、車両ＶＨの周辺の物標を検出する。物標には、固定物標及び移動物標が含まれる。固定物標としては、ガードレール、建物が例示される。移動物標には、四輪車、二輪車、歩行者等の移動体Ｂが含まれる。カメラは、車両ＶＨの外部状況を撮像する。カメラは、例えば、フロントガラスの裏側に取り付けられる。外部情報取得装置１は、検出した外部情報を制御装置６に送信する。

内部情報取得装置２は、車両ＶＨの走行状態を検出する。内部情報取得装置２としては、車速センサ、加速度センサ及びヨーレートセンサが例示される。車速センサは、車両ＶＨの走行速度を検出する。加速度センサは、車両ＶＨの加速度を検出する。ヨーレートセンサは、車両ＶＨの重心の鉛直軸周りのヨーレートを検出する。内部情報取得装置２は、検出した内部情報を制御装置６に送信する。

挙動モデルＤＢ３は、挙動モデルＭＢを格納する。既に説明したように、挙動モデルＭＢは、移動体Ｂが取りうる様々な挙動パターンに対応させて事前に設定されている。

ＨＭＩユニット４は、車両ＶＨのドライバ（又は遠隔オペレータ）に情報を提供し、また、ドライバから情報を受け付けるためのインタフェースである。ＨＭＩユニット４は、例えば、入力装置、表示装置、スピーカおよびマイクを備えている。入力装置としては、タッチパネル、キーボード、スイッチ及びボタンが例示される。ドライバに提供される情報には、車両ＶＨの走行状態、注意喚起及び警告が含まれる。ドライバへの情報の提供は、表示装置およびスピーカを用いて行われる。ドライバからの情報の受け付けは、入力装置およびマイクを用いて行われる。

走行装置５は、各種のアクチュエータを備えている。各種のアクチュエータには、駆動アクチュエータ、制動アクチュエータ及び操舵アクチュエータが含まれる。駆動アクチュエータは、車両ＶＨを駆動する。制動アクチュエータは、車両ＶＨに制動力を付与する。操舵アクチュエータは、車両ＶＨのタイヤを転舵する。

制御装置６は、プロセッサ７及びメモリ８を少なくとも備えるマイクロコンピュータである。制御装置６は、入出力インタフェースを介して各種の情報（例えば、外部情報及び内部情報）を受け取る。制御装置６が受け取った情報はメモリ８に格納される。メモリ８としては、揮発性メモリ及び不揮発性メモリが例示される。メモリ８に格納される情報には、移動体Ｂの位置データｘ、速度データｖ、位置誤差データεｘ、及び速度誤差データεｖが含まれる。プロセッサ７は、メモリ８に格納されたデータ及びプログラムに基づいて、各種の処理を行う。各種の処理には、移動体Ｂの将来挙動を予測する処理（以下、「将来挙動予測処理」とも称す。）が含まれる。以下、将来挙動予測処理に関連する制御装置６の機能構成について説明する。

２－２．制御装置の機能構成例
図１０は、将来挙動予測処理に関連する制御装置６の機能構成例を示すブロック図である。図１０に示されるように、制御装置６は、モデル抽出部６１と、分布計算部６２と、分布履歴格納部６３と、基準分布抽出部６４と、類似レベル計算部６５と、類似レベル評価部６６と、分布再計算部６７と、衝突判定部６８と、誤差データ変更部６９と、を備えている。なお、これらの機能ブロックは、プロセッサ７がメモリ８に格納されたプログラムを実行することにより実現される。

モデル抽出部６１は、外部情報に基づいて、移動体Ｂの種類を特定する。移動体Ｂの種類は、例えば、カメラからの撮像画像の解析により特定される。移動体Ｂの種類は、移動体Ｂの位置データｘ及び速度データｖに基づいて特定してもよい。モデル抽出部６１は、特定した種類に対応する挙動モデルＭＢを、挙動モデルＤＢ３から抽出する。抽出される挙動モデルＭＢは、移動体Ｂの種類に応じて設定された全てのモデルである。モデル抽出部６１は、抽出された挙動モデルＭＢを分布計算部６２に送信する。

モデル抽出部６１は、移動体Ｂの物標ＩＤを特定してもよい。物標ＩＤは、移動体Ｂの位置データｘ及び速度データｖに基づいたトラッキング処理により特定される。トラッキング処理では、現在検出中の物標とは異なる物標が検出された場合、新規の物標ＩＤがこれに割り当てられる。トラッキングの結果、現在検出中の物標と同一と認められる物標が検出された場合、既に割り当てた物標ＩＤと同じ物標ＩＤがこれに付与される。モデル抽出部６１は、新規の物標ＩＤを移動体Ｂに割り当てた場合、移動体Ｂの種類に対応する挙動モデルＭＢを抽出する。そして、この移動体Ｂが検出され続ける間、最初に抽出された挙動モデルＭＢを分布計算部６２に送信する。

モデル抽出部６１は、抽出された挙動モデルＭＢを分布計算部６２に送信する前に、外部情報に基づいて挙動モデルＭＢの一部の送信をキャンセルしてもよい。例えば、車線Ｌ２の路面標識等から車線Ｌ２でのＵターンが禁止されていることが検出された場合、モデル抽出部６１は、Ｕターンに対応する挙動モデルＭＢの送信をキャンセルしてもよい。また、例えば、移動体Ｂの進行方向の先に位置する信号機の赤色点灯状態が認識された場合、モデル抽出部６１は、定速直進及び加速に対応する挙動モデルＭＢの送信をキャンセルしてもよい。このように、交通規則、交通状況等に照らして、挙動モデルＭＢの一部の送信をキャンセルしてもよい。

分布計算部６２は、分布計算処理を行う。分布計算処理では、モデル抽出部６１から受信した挙動モデルＭＢと、移動体Ｂの位置データｘ及び速度データｖと、これらの誤差データεｘ及びεｖとを用いて、確率密度分布ＤＲＢが計算される。確率密度分布ＤＲＢは、位置データｘ及び速度データｖが取得された時刻を現在の時刻とし、ここから所定の時間刻み（例えば、１秒間）で進めた将来の時刻に関連付けて計算される。一回の処理で計算される確率密度分布ＤＲＢの数に特に限定はない。ただし、確率密度分布ＤＲＢの数が増えるほどプロセッサ７の計算負荷が増大する。そのため、一回の処理当たりの計算数は、プロセッサ７の処理能力に応じて事前に設定されていることが望ましい。

誤差データεｘ及びεｖは、原則として事前に設定された値が用いられる。ただし、誤差データ変更部６９から特定の挙動モデルＭＢ＊に関する修正データεｘ＊及びεｖ＊を受信した場合、これらの修正データが例外的に用いられる。具体的に、モデル抽出部６１から受信した挙動モデルＭＢに特定の挙動モデルＭＢ＊が含まれる場合、当該挙動モデルＭＢ＊と、移動体Ｂの位置データｘ及び速度データｖと、修正データεｘ＊及びεｖ＊とを用いて、確率密度分布ＤＲＢが計算される。

分布計算部６２は、分布計算処理により得られた確率密度分布ＤＲＢを類似レベル計算部６５に送信する。

分布履歴格納部６３は、分布計算部６２により計算された確率密度分布ＤＲＢをメモリ８に格納する。確率密度分布ＤＲＢは、物標ＩＤ、挙動モデルＭＢ及びその計算を行った時刻（hh:mm:ss:fff）と組み合わせて格納される。このデータセットは、確率密度分布ＤＲＢの履歴を構成する。

基準分布抽出部６４は、基準確率密度分布ＳＤＲＢを抽出する。分布履歴格納部６３には、現在の時刻から所定の時間刻みで遡った過去の時刻において計算された確率密度分布ＤＲＢが格納されている。基準分布抽出部６４は、確率密度分布ＤＲＢの前回の計算タイミングから今回の計算タイミングまでの外部情報に基づいて、移動体Ｂの現在挙動を推定する。「今回の計算タイミング」とは、現在の時刻に相当する計算タイミングを意味する。「前回の計算タイミング」とは、例えば、時刻ｔ＝ｔ１を現在の時刻としたときの過去の時刻ｔ＝ｔ０に相当する計算タイミングを意味する。

基準分布抽出部６４は、推定された移動体Ｂの現在挙動を探索キーとして、分布履歴格納部６３に格納された履歴の中から、基準確率密度分布ＳＤＲＢを抽出する。なお、この探索キーには、移動体Ｂの物標ＩＤと、確率密度分布ＤＲＢの前回の計算タイミングに相当する時刻ｔと、が含まれる。基準分布抽出部６４は、抽出された基準確率密度分布ＳＤＲＢを類似レベル計算部６５に送信する。

類似レベル計算部６５は、類似レベル計算処理を行う。類似レベル計算処理では、分布計算部６２から受信した確率密度分布ＤＲＢと、基準分布抽出部６４から受信した基準確率密度分布ＳＤＲＢとの間の類似レベルＲＬｖが計算される。類似レベルＲＬｖの計算に際しては、これらの分布ＤＲＢ及びＳＤＲＢの将来の時刻を揃えた上で、ＫＬＤが計算される。ＫＬＤは、将来の時刻ｔごとに計算される。

例えば時刻ｔ＝ｔ０を現在の時刻とすると、類似レベルＲＬｖは、将来の時刻ｔ＝ｔ１，ｔ２，・・・，ｔｎのＫＬＤを用いて次式（１）により計算される。
ＲＬｖ＝ｗ１・ＫＬＤ（ｔ１）＋ｗ２・ＫＬＤ（ｔ２）＋・・・＋ｗｎ・ＫＬＤ（ｔｎ） ・・・（１）
式（１）において、ｗ１、ｗ２及びｗｎは、次式（２）を満たす重み係数である。
ｗ１＋ｗ２＋・・・＋ｗｎ＝１ ・・・（２）
類似レベル計算部６５は、計算された類似レベルＲＬｖを類似レベル評価部６６に送信する。

類似レベル評価部６６は、類似レベル評価処理を行う。この類似レベル評価処理について、図１１を参照しながら説明する。図１１は、プロセッサ７が行う類似レベル評価処理の流れを示すフローチャートである。図１１に示されるルーチンは、現在の時刻における全ての挙動パターンについての類似レベルＲＬｖが計算されるたびに繰り返して実行される。なお、交通規則等に照らして挙動モデルＭＢの一部の送信がキャンセルされている場合は、キャンセルされた挙動モデルＭＢに対応する挙動パターンが「現在の時刻における全ての挙動パターン」に含まれないことは言うまでもない。

図１１に示されるルーチンでは、まず、許容範囲ＡＲを下回る類似レベルＲＬｖ（以下、「範囲外レベルＲＮＡ」とも称す。）を有する挙動パターンが含まれるか否かが判定される（ステップＳ１１）。許容範囲ＡＲの例については図８で説明したとおりである。範囲外レベルＲＮＡを有する挙動パターンが含まれると判定された場合、当該挙動パターンに対応する挙動モデルＭＢを用いて計算された確率密度分布ＤＲＢが破棄される（ステップＳ１２）。

ステップＳ１１の判定結果が否定的な場合、ＲＬｖ≧ＴＨを満たす類似レベルＲＬｖ（以下、「高類似レベルＲＬＨ」とも称す。）を有する挙動パターンが含まれるか否かが判定される（ステップＳ１３）。高類似閾値ＴＨについても図８で説明したとおりである。高類似レベルＲＬＨを有する挙動パターンが含まれると判定された場合、当該挙動パターンに対応する挙動モデルＭＢ（以下、「高類似モデルＭＢＨ」とも称す。）を用いて計算された確率密度分布ＤＲＢが、分布再計算部６７に送信される（ステップＳ１４）。ステップＳ１４の処理では、更に、高類似モデルＭＢＨの情報が誤差データ変更部６９に送信される。

ステップＳ１３の判定結果が否定的な場合、ＲＬｖ≦ＴＬを満たす類似レベルＲＬｖ（以下、「低類似レベルＲＬＬ」とも称す。）を有する挙動パターンが含まれるか否かが判定される（ステップＳ１５）。低類似閾値ＴＬについても図８で説明したとおりである。低類似レベルＲＬＬを有する挙動パターンが含まれると判定された場合、当該挙動パターンに対応する挙動モデルＭＢ（以下、「低類似モデルＭＢＬ」とも称す。）を用いて計算された確率密度分布ＤＲＢが、衝突判定部６８に送信される（ステップＳ１６）。ステップＳ１６の処理では、更に、低類似モデルＭＢＬの情報が誤差データ変更部６９に送信される。

ステップＳ１５の判定結果が否定的な場合は、ＴＬ＜ＲＬｖ＜ＴＨを満たす類似レベルＲＬｖ（以下、「中類似レベルＲＬＭ」とも称す。）を有する挙動パターンが残っていることが想定される。そのため、この場合は、この残りの挙動パターンに対応する挙動モデルＭＢを用いて計算された確率密度分布ＤＲＢが、衝突判定部６８に送信される（ステップＳ１７）。なお、中類似レベルＲＬＭを有する挙動パターンが残っていない場合も想定される。そのため、ステップＳ１７の処理の前に、中類似レベルＲＬＭを有する挙動パターンが含まれるか否かを判定してもよい。そして、この判定結果が肯定的な場合にステップＳ１７の処理を行ってもよい。

図１０に戻り、制御装置６の構成例の説明を続ける。分布再計算部６７は、分布再計算処理を行う。この分布再計算処理について、図１２を参照しながら説明する。図１２は、分布再計算処理の一例を示す図である。分布再計算処理の対象は、高類似モデルＭＢＨを用いて計算された確率密度分布ＤＲＢである。そのため、図１２においては、定速直進モデルＭｈが高類似モデルＭＢＨに該当する場合を例として説明を行う。

図１２に示される例では、図３に示した軌道ＣＰ＿Ｍｈ（ｔ０）及びＣＰ＿Ｍｈ（ｔ１）が、将来の時刻を揃えて並べられている。図３と異なり、図１２には時刻ｔ４において予測された確率密度分布ＤＲＢ（ｔ４）が追加されている。分布再計算処理では、時刻ｔ＝ｔ１を現在の時刻としたときの将来の時刻ｔ２，ｔ３及びｔ４の確率密度分布ＤＲＢ１が重ね合わされる。重ね合わせの対象は、時刻ｔ＝ｔ１において高類似モデルＭＢＨを用いて計算された確率密度分布ＤＲＢ１と、現在の時刻よりも前の時刻（図１２に示される例では、時刻ｔ＝ｔ０）におけるそれである。重ね合わせは、将来の時刻ごとに行われる。なお、現在の時刻である時刻ｔ＝ｔ１における確率密度分布ＤＲＢ１（ｔ１）は、重ね合わせの対象外である。

図１２の上段に示される確率密度分布ＤＲＢ１（ｔ２）～ＤＲＢ１（ｔ４）と、下段に示されるそれとの違いは、１σ～３σの大きさのみである。よって、将来の時刻ごとに上段と下段の確率密度分布ＤＲＢ１が重ね合わされると、重ね合わせ後の確率密度分布ＤＲＢ１＊の１σ～３σは、重ね合わせ前の確率密度分布ＤＲＢ１の１σ～３σに比べて小さくなる。このように、重ね合わせが行われると、移動体Ｂの将来位置のばらつき度合いが小さくなる。

分布計算部６２は、分布再計算処理により得られた重ね合わせ後の確率密度分布ＤＲＢ＊を、衝突判定部６８に送信する。

衝突判定部６８は、衝突判定処理を行う。衝突判定処理では、類似レベル評価部６６又は分布再計算部６７から受信した確率密度分布ＤＲＢを用いて、交差条件及びＴＴＣ条件が満たされるか否かが判定される。交差条件の判定処理では、現在の時刻を基準とし、基準点ＲＶＨと基準点ＲＢの間で将来の時刻が揃えられる。そして、任意の将来の時刻において、基準点ＲＶＨが判定区間に存在するか否かが判定される。そして、基準点ＲＶＨが判定区間に存在すると判定された場合、交差条件が満たされると判定される。

ＴＴＣ条件の判定処理では、現在の時刻から、交差条件が満たされると判定された将来の時刻までの間隔が時間ＴＴＣ以下であるか否かが判定される。この間隔が時間ＴＴＣ以下であると判定された場合、ＴＴＣ条件が満たされると判定される。

衝突判定処理では、交差条件及びＴＴＣ条件が満たされると判定された場合、車両ＶＨと移動体Ｂの衝突が将来において発生すると判定される。衝突が発生すると判定された場合、衝突判定部６８は、車両ＶＨの衝突回避動作を開始するための制御指令を走行装置５に出力する。この制御指令が出力された場合、走行装置５により、制動アクチュエータ及び操舵アクチュエータの少なくとも一方が制御される。衝突判定部６８は、また、移動体Ｂとの衝突が迫っていることを示す警告信号をＨＭＩユニット４に出力する。

誤差データ変更部６９は、誤差データ変更処理を行う。誤差データ変更処理では、類似レベル評価部６６から受信した高類似モデルＭＢＨ及び低類似モデルＭＢＬの情報が参照される。高類似モデルＭＢＨの情報を受信した場合は、この高類似モデルＭＢＨを用いた確率密度分布ＤＲＢの次回の計算タイミングで用いる誤差εが変更される。変更後の誤差ε＊は、変更前の誤差εに比べて小さな値を示す。つまり、誤差εが減らされる。低類似モデルＭＢＬの情報を受信した場合も誤差εが変更される。変更後の誤差ε＊は、変更前の誤差εに比べて大きな値を示す。つまり、誤差εが増やされる。

３．効果
以上説明した実施形態に係る挙動予測装置によれば、分布計算処理、基準分布計算処理、類似レベル計算処理及び類似レベル評価処理が行われる。特に、類似レベル評価処理によれば、範囲外レベルＲＮＡを有する挙動パターンを衝突判定処理の対象から除外することが可能となる。従って、本来不要な衝突回避動作が開始されるのを抑えることが可能となる。従って、各種の挙動モデルＭＢを用いた挙動パターンの予測を行う場合において、車両ＶＨの走行状態が不安定化するのを抑えることが可能となる。また、本来不要な警告処理が行われるのを抑えることも可能となる。従って、警告処理の実行がドライバに違和感を与えるのを抑えることも可能となる。更に、交差条件の判定処理の負荷を減らして、衝突判定の応答性の低下を抑えることも可能となる。

また、実施形態に係る挙動予測装置によれば、類似レベル評価処理に加えて誤差データ変更処理が行われる。誤差データ変更処理によれば、低類似レベルＲＬＬを有する挙動パターンについての誤差εが増やされる。誤差εが増やされれば、次回の計算タイミングにおいて低類似モデルＭＢＬを用いて計算される確率密度分布ＤＲＢの１σ～３σが大きくなる。そのため、この確率密度分布ＤＲＢから計算される類似レベルＲＬｖを下げて、許容範囲ＡＲを下回らせることが可能となる。そうすると、今回の計算タイミングにおいては低類似レベルＲＬＬを有すると評価された挙動パターンが、次回の計算タイミングにおいて範囲外レベルＲＮＡを有する挙動パターンと評価されることになる。よって、類似レベルＲＬｖが比較的低い挙動パターンを、衝突判定処理の対象から除外することが可能となる。

誤差データ変更処理によれば、また、高類似レベルＲＬＨを有する挙動パターンについての誤差εが減らされる。誤差εを減らされれば、次回の計算タイミングにおいて高類似モデルＭＢＨを用いて計算される確率密度分布ＤＲＢの１σ～３σが小さくなる。移動体Ｂの挙動パターンが各時刻で変わらないような場合は、この挙動パターンの類似レベルＲＬｖが高類似レベルＲＬＨとなることが予想される。ただし、確率密度分布ＤＲＢの１σ～３σの区間が時間の経過に伴って拡大することから、このような場合であっても、移動体Ｂから十分に離れた位置において交差条件が満たされてしまう可能性がある。この点、確率密度分布ＤＲＢの１σ～３σが小さくなれば、このような不都合が発生するのを抑えることが可能となる。このことは、衝突判定の精度の向上に寄与する。

また、実施形態に係る挙動予測装置によれば、類似レベル評価処理に加えて分布再計算処理が行われる。分布再計算処理によれば、現在の時刻において高類似モデルＭＢＨを用いて計算された確率密度分布ＤＲＢと、現在の時刻よりも前の時刻において高類似モデルＭＢＨを用いて計算された確率密度分布ＤＲＢとの重ね合わせが行われる。重ね合わせが行われると、重ね合わせ後の確率密度分布ＤＲＢ１＊の１σ～３σは、重ね合わせ前の確率密度分布ＤＲＢ１の１σ～３σに比べて小さくなる。従って、分布再計算処理によれば、誤差データ変更処理によって誤差εを減らしたときに得られる効果と同じ効果が期待される。

３ 挙動モデルデータベース
６ 制御装置
７ プロセッサ
８ メモリ
１０ 挙動予測装置
６１ モデル抽出部
６２ 分布計算部
６３ 分布履歴格納部
６４ 基準分布抽出部
６５ 類似レベル計算部
６７ 分布再計算部
６８ 衝突判定部
６９ 誤差データ変更部
ＡＲ 許容範囲
Ｂ，Ｂ１，Ｂ２ 移動体
ＣＰ＿Ｍ 軌道
ＤＲＢ，ＤＲＢ１ 確率密度分布
ＤＲＢ＊，ＤＲＢ１＊ 重ね合わせ後の確率密度分布
Ｌ１，Ｌ２ 車線
ＭＢ，ＭＢ１，ＭＢ２ 挙動モデル
ＭＢＨ 高類似モデル
ＭＢＬ 低類似モデル
ＲＢ，ＲＢ１，ＲＶＨ 基準点
ＲＬｖ 類似レベル
ＲＬＨ 高類似レベル
ＲＬＬ 低類似レベル
ＲＬＭ 中類似レベル
ＲＮＡ 範囲外レベル
ＳＤＲＢ 基準確率密度分布
ＴＨ 高類似閾値
ＴＬ 低類似閾値
ｖ 速度データ
ｘ 位置データ
ε 誤差
εｖ 速度誤差データ
εｘ 位置誤差データ

Claims (4)

1. 車両により検出された周囲の移動体の将来挙動を予測する挙動予測装置であって、
   前記移動体の種類に応じた挙動パターンごとに設定された複数の挙動モデルが格納されるデータベースと、
   前記移動体の位置及び速度データと、これらのデータの誤差を示す誤差データと、が格納されるメモリと、
   プロセッサと、
   を備え、
   前記プロセッサは、
   前記位置及び速度データと、前記誤差データと、前記複数の挙動モデルと、を用い、前記移動体の将来位置に関する確率密度分布を、前記挙動パターンごとに計算する分布計算処理と、
   前記確率密度分布と、基準確率密度分布との類似レベルを前記挙動パターンごとに計算する類似レベル計算処理であって、前記基準確率密度分布が、前記分布計算処理の今回の処理タイミングよりも前の処理タイミングにおいて、前記移動体の現在挙動に対応する挙動モデルを用いて計算された前記確率密度分布を示す類似レベル計算処理と、
   前記類似レベルを評価する類似レベル評価処理と、
   前記確率密度分布を用いて、前記車両と前記移動体の衝突を判定する衝突判定処理と、
   を行うように構成され、
   前記類似レベルは、類似許容範囲を下回る範囲外レベルを含み、
   前記プロセッサは、前記類似レベル評価処理において、前記範囲外レベルを有する前記挙動パターンを前記衝突判定処理の対象から除外する
   ことを特徴とする挙動予測装置。
2. 請求項１に記載の挙動予測装置であって、
   前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された低類似閾値を下回る低類似レベルを含み、
   前記プロセッサは、更に、前記類似レベルに基づいて前記誤差データを変更する誤差データ変更処理を行うように構成され、
   前記プロセッサは、前記誤差データ変更処理において、低類似モデルを用いた前記分布計算処理の次回の処理タイミングにおいて用いられる前記誤差データを、前記分布計算処理の今回の処理タイミングにおいて用いられたそれよりも拡大させ、
   前記低類似モデルが、前記低類似レベルを有する前記挙動パターンに対応する挙動モデルを示す
   ことを特徴とする挙動予測装置。
3. 請求項１又は２に記載の挙動予測装置であって、
   前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された高類似閾値を上回る高類似レベルを含み、
   前記プロセッサは、更に、前記類似レベルに基づいて前記誤差データを変更する誤差データ変更処理を行うように構成され、
   前記プロセッサは、前記誤差データ変更処理において、高類似モデルを用いた前記分布計算処理の次回の処理タイミングにおいて用いられる前記誤差データを、前記分布計算処理の今回の処理タイミングにおいて用いられたそれよりも縮小させ、
   前記高類似モデルが、前記高類似レベルを有する前記挙動パターンに対応する挙動モデルを示す
   ことを特徴とする挙動予測装置。
4. 請求項１～３の何れか１項に記載の挙動予測装置であって、
   前記類似レベルは、前記類似許容範囲内に存在し、かつ、前記類似許容範囲内に設定された高類似閾値を上回る高類似レベルを含み、
   前記プロセッサは、更に、前記高類似レベルを有する前記挙動パターンに対応する挙動モデルを示す高類似モデルを用い、前記確率密度分布を再計算する分布再計算処理を行うように構成され、
   前記プロセッサは、前記分布再計算処理において、前記今回の処理タイミングにおいて前記高類似レベルを用いて計算された前記確率密度分布と、前記今回の処理タイミングよりも前の処理タイミングにおいて前記高類似レベルを用いて計算された前記確率密度分布とを重ね合わせ、
   前記プロセッサは、前記衝突判定処理において、前記高類似レベルを有する前記挙動パターンの判定を、前記分布再計算処理による重ね合わせ後の前記確率密度分布に基づいて行う
   ことを特徴とする挙動予測装置。

Images