JP2023099851A

JP2023099851A - 測定装置、測定方法およびプログラム

Info

Publication number: JP2023099851A
Application number: JP2023087519A
Authority: JP
Inventors: 多史藤谷; Kazufumi Fujitani; 智昭岩井; Tomoaki Iwai; 正浩加藤; Masahiro Kato
Original assignee: Pioneer Electronic Corp
Current assignee: Pioneer Corp
Priority date: 2017-05-19
Filing date: 2023-05-29
Publication date: 2023-07-13
Also published as: JP6986557B2; US20200191956A1; EP3637055A4; JP2022016685A; EP3637055A1; WO2018212283A1; JPWO2018212283A1

Abstract

【課題】状況に応じて白線を検出する範囲を適切に調整し、自車位置推定の精度低下を防止する。【解決手段】測定装置は、周囲の路面線を検出するためのセンサ部からの出力データを取得し、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する。そして、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出し、抽出されたデータに基づいて所定の処理を行う。【選択図】図４

Description

本発明は、地物の位置に基づいて移動体の位置を推定する技術に関する。

自動運転車両では、ＬｉＤＡＲ（ＬｉｇｈｔＤｅｔｅｃｔｉｏｎａｎｄＲａｎｇｉｎｇ）などのセンサで計測した地物位置と、自動運転用の地図情報の地物位置をマッチングして高精度に自車位置を推定する必要がある。ここで利用する地物としては、白線、標識、看板などが挙げられる。特許文献１は、ＬｉＤＡＲを用いて検出した地物位置と、地図情報の地物位置とを用いて自車位置を推定する手法の一例を記載している。また、特許文献２は、道路面に電磁波を送信し、その反射率に基づいて白線を検出する技術を開示している。

特開２０１７－７２４２２号公報特開２０１５－２２２２２３号公報

白線を用いて自車位置を推定する場合、白線の種類（連続線、破線など）や塗装の劣化などによって、ＬｉＤＡＲにより計測できるデータ数に差が生じる。このため、白線を用いて自車位置推定を行う際、白線の検出に使用するＬｉＤＡＲのデータ数が少ない場合と多い場合とでは白線の検出精度が変わり、その結果自車位置推定の精度が変わってくる。

本発明が解決しようとする課題としては、上記のものが例として挙げられる。本発明は、状況に応じて白線を検出する範囲を適切に調整し、自車位置推定の精度低下を防止することを目的とする。

請求項１に記載の発明は、測定装置であって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部と、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定部と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備えることを特徴とする。

請求項５に記載の発明は、測定装置であって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部と、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定部と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備えることを特徴とする。

請求項８に記載の発明は、測定装置により実行される測定方法であって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得工程と、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定工程と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出工程と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備えることを特徴とする。

請求項９に記載の発明は、測定装置により実行される測定方法であって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得工程と、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定工程と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出工程と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備えることを特徴とする。

請求項１０に記載の発明は、コンピュータを備える測定装置により実行されるプログラムであって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定部、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させることを特徴とする。

請求項１１に記載の発明は、コンピュータを備える測定装置により実行されるプログラムであって、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定部、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させることを特徴とする。

白線抽出方法を説明する図である。白線予測範囲の決定方法を説明する図である。白線中心位置の算出方法を説明する図である。破線型白線の白線予測範囲の決定方法を説明する図である。実線部の端の探索方法を説明する図である。カーブしている白線の白線予測範囲の決定方法を説明する図である。測定装置の構成を示すブロック図である。白線を利用した自車位置推定処理のフローチャートである。

本発明の１つの好適な実施形態では、測定装置は、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部と、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定部と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備える。

上記の測定装置は、周囲の路面線を検出するためのセンサ部からの出力データを取得し、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する。そして、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出し、抽出されたデータに基づいて所定の処理を行う。この測定装置では、破線型の路面線について適切に所定範囲を決定することができる。なお、本明細書においての「路面線」とは、測定対象である白線や黄色線などの区画線、および停止線や横断歩道などの線状の道路標示等である。

上記の測定装置の一態様では、前記決定部は、前記自己位置と、前記破線型の路面線の実線部の位置情報に基づいて、前記所定範囲を決定する。この態様では、破線型の路面線の実線部の位置情報を利用し、所定範囲を適切に決定することができる。

上記の測定装置の他の一態様では、前記決定部は、前記実線部の端部を検出し、当該端部を基準として前記所定範囲を決定する。この態様では、実線部の端部に基づいて所定範囲を決定する。好適には、前記決定部は、前記実線部を構成する複数点の位置情報の差分に基づいて前記端部を検出する。

本発明の他の好適な実施形態では、測定装置は、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部と、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定部と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部と、抽出されたデータに基づいて所定の処理を行う処理部と、を備える。

上記の測定装置は、周囲の路面線を検出するためのセンサ部からの出力データを取得し、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する。そして、出力データのうち、前記所定範囲の検出結果に相当するデータを抽出し、抽出されたデータに基づいて所定の処理を行う。この測定装置では、路面線がカーブしている場合でも、その曲率を考慮して適切に所定範囲を決定することができる。

上記の測定装置の他の一態様では、前記測定装置は、移動体に搭載され、前記抽出部は、前記移動体の位置を基準として右前方、右後方、左前方、左後方の４か所に前記所定範囲を設定する。この態様では、移動体の周囲の４か所においてデータが抽出され、それに基づいて所定の処理が行われる。好適には、前記処理部は、前記路面線の位置を検出し、当該路面線の位置に基づいて前記測定装置の位置を推定する処理を行う。

本発明の他の好適な実施形態では、測定装置により実行される測定方法は、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得工程と、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定工程と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出工程と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備える。この測定方法によれば、破線型の路面線について適切に所定範囲を決定することができる。

本発明の他の好適な実施形態では、測定装置により実行される測定方法は、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得工程と、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定工程と、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出工程と、抽出されたデータに基づいて所定の処理を行う処理工程と、を備える。この測定方法によれば、路面線がカーブしている場合でも、その曲率を考慮して適切に所定範囲を決定することができる。

本発明の他の好適な実施形態では、コンピュータを備える測定装置により実行されるプログラムは、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部、自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定部、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させる。このプログラムをコンピュータで実行することにより、上記の測定装置を実現することができる。

本発明の他の好適な実施形態では、コンピュータを備える測定装置により実行されるプログラムは、周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部、自己位置と、前記路面線の位置情報と、前記路面線の曲率とに基づいて、所定範囲を決定する決定部、前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部、抽出されたデータに基づいて所定の処理を行う処理部、として前記コンピュータを機能させる。このプログラムをコンピュータで実行することにより、上記の測定装置を実現することができる。このプログラムは、記憶媒体に記憶して取り扱うことができる。

以下、図面を参照して本発明の好適な実施例について説明する。

［白線抽出方法］
図１は、白線抽出方法を説明する図である。白線抽出とは、道路面にペイントされた白線を検出し、その所定位置、例えば中心位置を算出することをいう。

（白線予測位置の算出）
図示のように、地図座標系（Ｘ_ｍ，Ｙ_ｍ）に車両５が存在し、車両５の位置を基準として車両座標系（Ｘ_ｖ，Ｙ_ｖ）が規定される。具体的に、車両５の進行方向を車両座標系のＸ_ｖ軸とし、それに垂直な方向を車両座標系のＹ_ｖ軸とする。

車両５の左右の側方には車線境界線である白線が存在する。白線の地図座標系における位置、即ち、白線地図位置は、サーバなどにより管理される高度化地図に含まれており、サーバなどから取得される。本実施例では、白線のデータは座標点列として高度化地図内に記憶されているものとする。また、車両５に搭載されたＬｉＤＡＲはスキャンライン２に沿ってスキャンデータを計測する。なお、スキャンライン２は、ＬｉＤＡＲによるスキャンの軌跡を示す。

図１では、車両５の左側の白線ＷＬ１を構成する点の座標、即ち白線地図位置ＷＬＭＰ１は（ｍｘ_ｍ１，ｍｙ_ｍ１）であり、車両５の右側の白線ＷＬ２を構成する点の座標、即ち白線地図位置ＷＬＭＰ２は（ｍｘ_ｍ２，ｍｙ_ｍ２）であるとする。また、地図座標系における予測自車位置ＰＶＰは（ｘ’_ｍ，ｙ’_ｍ）で与えられ、地図座標系における予測自車方位角はΨ’_ｍで与えられる。

ここで、白線の予測位置を示す白線予測位置ＷＬＰＰ（ｌ’ｘ_ｖ，ｌ’ｙ_ｖ）は、白線地図位置ＷＬＭＰ（ｍｘ_ｍ，ｍｙ_ｍ）と、予測自車位置ＰＶＰ（ｘ’_ｍ，ｙ’_ｍ）と、予測自車方位角Ψ’_ｍとを用いて、以下の式（１）により与えられる。

よって、式（１）により、白線ＷＬ１について白線予測位置ＷＬＰＰ１（ｌ’ｘ_ｖ１，ｌ’ｙ_ｖ１）が得られ、白線ＷＬ２について白線予測位置ＷＬＰＰ２（ｌ’ｘ_ｖ２，ｌ’ｙ_ｖ２）が得られる。こうして、白線ＷＬ１、ＷＬ２のそれぞれについて、白線ＷＬ１、ＷＬ２に対応する複数の白線予測位置ＷＬＰＰ１、ＷＬＰＰ２が得られる。

（白線予測範囲の決定）
次に、白線予測位置ＷＬＰＰに基づいて、白線予測範囲ＷＬＰＲが決定される。白線予測範囲ＷＬＰＲは、予測自車位置ＰＶＰを基準として、白線が存在すると考えられる範囲を示す。白線予測範囲ＷＬＰＲは、最大で車両５の右前方、右後方、左前方及び左後方の４か所に設定される。

図２は、白線予測範囲ＷＬＰＲの決定方法を示す。図２（Ａ）において、車両５の前方の任意の位置（距離α_ｖ前方の位置）に前方基準点（α_ｖ，０_ｖ）を設定する。そして、前方基準点（α_ｖ，０_ｖ）と、白線予測位置ＷＬＰＰとに基づいて、前方基準点（α_ｖ，０_ｖ）から最も近い白線予測位置ＷＬＰＰを探索する。具体的には、白線ＷＬ１については、前方基準点（α_ｖ，０_ｖ）と、白線ＷＬ１を構成する複数の白線予測位置ＷＬＰＰ１（ｌ’ｘ_ｖ１，ｌ’ｙ_ｖ１）とに基づいて、以下の式（２）により距離Ｄ１を算出し、距離Ｄ１が最小値となる白線予測位置ＷＬＰＰ１を予測範囲基準点Ｐｒｅｆ１とする。

同様に、白線ＷＬ２については、前方基準点（α_ｖ，０_ｖ）と、白線ＷＬ２を構成する複数の白線予測位置ＷＬＰＰ２（ｌ’ｘ_ｖ２，ｌ’ｙ_ｖ２）とに基づいて、以下の式（３）により距離Ｄ２を算出し、距離Ｄ２が最小値となる白線予測位置ＷＬＰＰ２を予測範囲基準点Ｐｒｅｆ２とする。

そして、図２（Ｂ）に示すように、予測範囲基準点Ｐｒｅｆを基準とした任意の範囲、例えば予測範囲基準点ＰｒｅｆからＸ_ｖ軸方向に±ΔＸ、Ｙ_ｖ軸方向に±ΔＹの範囲を白線予測範囲ＷＬＰＲと設定する。こうして、図１に示すように、車両５の前方の左右位置に白線予測範囲ＷＬＰＲ１とＷＬＰＲ２が設定される。同様に、車両５の後方に後方基準点を設定して予測範囲基準点Ｐｒｅｆを設定することにより、車両５の後方の左右位置に白線予測範囲ＷＬＰＲ３とＷＬＰＲ４が設定される。こうして、車両５に対して４つの白線予測範囲ＷＬＰＲ１～４が設定される。

（白線中心位置の算出）
次に、白線予測位置ＷＬＰＰを用いて白線中心位置ＷＬＣＰを算出する。図３は白線中心位置ＷＬＣＰの算出方法を示す。図３（Ａ）は、白線ＷＬ１が実線である場合を示す。白線中心位置ＷＬＣＰ１は、白線を構成するスキャンデータの位置座標の平均値により算出される。いま、図３（Ａ）に示すように、白線予測範囲ＷＬＰＲ１が設定されると、ＬｉＤＡＲから出力されるスキャンデータのうち、白線予測範囲ＷＬＰＲ１内に存在する白線スキャンデータＷＬＳＤ１（ｗｘ’_ｖ，ｗｙ’_ｖ）が抽出される。白線上は通常の道路上と比較して反射率が高いので、白線上で得られたスキャンデータは、反射強度の高いデータとなる。ＬｉＤＡＲから出力されたスキャンデータのうち、白線予測範囲ＷＬＰＲ１内に存在し、路面上、かつ、反射強度が所定以上値であるスキャンデータが白線スキャンデータＷＬＳＤとして抽出される。そして、抽出された白線スキャンデータＷＬＳＤの数を「ｎ」とすると、以下の式（４）により、白線中心位置ＷＬＣＰ１（ｓｘ_ｖ１，ｓｙ_ｖ１）の座標が得られる。

また、図３（Ｂ）に示すように、白線が破線である場合も同様に白線中心位置ＷＬＣＰ２が算出される。

（特殊な場合の白線予測範囲の決定）
次に、特殊な場合の白線予測範囲ＷＬＰＲの決定方法について説明する。
（１）白線が破線の場合
前述のように、白線予測範囲ＷＬＰＲは、白線予測位置ＷＬＰＰに基づいて決定されるが、白線が破線である場合（以下、この種の白線を「破線型白線」とも呼ぶ。）、白線ＷＬが白線予測範囲ＷＬＰＲに含まれない状況が生じうる。

図４（Ａ）は、破線型白線の場合の白線予測範囲ＷＬＰＲの例を示す。破線型白線ＷＬは、実線部ＲＰとスペース部ＳＰとが交互に配置されてなる。ここで、実線部ＲＰは白線がペイントされている部分であり、スペース部ＳＰは実線部ＲＰの間にあって白線がペイントされていない部分である。いま、図４（Ａ）に示すように前方基準点が規定され、白線予測範囲ＷＬＰＲが決定された場合、白線予測範囲ＷＬＰＲは破線型白線のスペース部ＳＰに対応する位置となり、白線予測範囲ＷＬＰＲ内に破線型白線の実線部ＲＰはほとんど含まれていない状態となる。このような場合、白線予測範囲ＷＬＰＲから十分な数の白線スキャンデータＷＬＳＤを得ることができないので、白線中心位置ＷＬＣＰを精度良く算出することができなくなる。

このような場合の対策として、本実施例では、高度化地図に記憶される白線地図情報に破線に関する情報を持たせておき、破線型白線の実線部の白線位置情報に基づいて白線予測範囲ＷＬＰＲを決定する。具体的には、高度化地図に記憶されている破線型白線の白線地図情報に含まれる白線地図位置ＷＬＭＰを、実線部ＲＰを構成する複数の白線地図位置ＷＬＭＰのみとする。即ち、破線型白線の白線地図情報には、実線部ＲＰに対応する複数の白線地図位置ＷＬＭＰが含まれるが、スペース部ＳＰに対応する白線地図位置ＷＬＭＰは含まれないものとする。こうすると、実線部ＲＰに対応する複数の白線地図位置ＷＬＭＰを用いて前述の白線予測範囲の決定方法を行うことにより、破線型白線の実線部ＲＰを含むように白線予測範囲ＷＬＰＲを決定することができる。

図４（Ｂ）は、この方法により白線予測位置ＷＬＰＲを決定する方法を示す。まず、破線型白線の白線地図情報から、実線部ＲＰに対応する白線地図位置ＷＬＭＰを取得する。次に、実線部ＲＰに対応する白線地図位置ＷＬＭＰを用いて、前述の式（１）により、実線部ＲＰに対応する白線予測位置ＷＬＰＰを算出する。そして、図２を参照して説明した方法により、実線部ＲＰに対応する白線予測位置ＷＬＭＰを用いて、白線予測範囲ＷＬＰＲを決定する。具体的には、前方基準点から最も近い白線予測位置ＷＬＰＰを予測範囲基準点Ｐｒｅｆとし、予測範囲基準点Ｐｒｅｆを基準として所定範囲を白線予測範囲ＷＬＰＲに決定する。

この方法では、破線型白線のスペース部ＳＰに対応する白線地図位置を用いず、実線部ＲＰに対応する白線地図位置ＷＬＭＰのみを用いて白線予測範囲ＷＬＰＲを決定するので、実線部ＲＰを正しく含むように白線予測範囲ＷＬＰＲを決定することができる。

但し、この方法では、白線予測範囲ＷＬＰＲを決定する際に得られる予測範囲基準点Ｐｒｅｆは、破線型白線の実線部ＲＰの端部、即ち上端か下端のいずれかとなる。そこで、得られた予測範囲基準点Ｐｒｅｆが実線部ＲＰの上端であるか下端であるかを判定し、その結果に応じて白線予測範囲ＷＬＰＲを決定する必要がある。

図５は、予測範囲基準点Ｐｒｅｆが実線部ＲＰの上端であるか下端であるかを判定する方法を示す。高度化地図に記憶される白線地図位置ＷＬＭＰには、識別情報としてのＩＤが付与される。また、白線地図位置ＷＬＭＰに基づいて算出された白線予測位置ＷＬＰＰには、基になった白線地図位置ＷＬＭＰと同一のＩＤが付与されるものとする。図５（Ａ）の例では、図中の下から上に向かって、増加するＩＤが付与されている。

ここで、図５（Ａ）から理解されるように、ある実線部ＲＰ１の下端の白線予測位置ＷＬＰＰと、その下方に隣接する実線部ＲＰ２の上端の白線予測位置ＷＬＰＰとの間には、スペース部ＳＰに相当する間隔が存在する。図５（Ａ）の例では、ＩＤ＝（ｉ－１）の白線予測位置ＷＬＰＰと、ＩＤ＝（ｉ－２）の白線予測位置ＷＬＰＰとの間にはスペース部ＳＰに相当する間隔が存在する。そこで、隣接する２つの白線予測位置ＷＬＰＰのＸ_ｖ軸方向における間隔ΔＸを算出する。この場合、間隔の算出方法としては、上側（Ｘ_ｖ軸の正側）の白線予測位置（ＩＤ＝ｐとする）から、下側（Ｘ_ｖ軸の負側）の白線予測位置（ＩＤ＝ｑとする）を減算し、間隔Δ_{（ｐ、ｑ）}を算出するものとする。そして、その間隔Δ_{（ｐ、ｑ）}の絶対値｜ΔＸ_{（ｐ，ｑ）}｜がスペース部ＳＰに相当する所定の閾値ΔＴＨより大きい場合には、その２つの白線予測位置ＷＬＰＰの間にスペース部ＳＰが存在し、その２つの白線予測位置ＷＬＰＰは異なる実線部ＲＰの下端と上端であると判定する。

具体的には、図５（Ａ）の例において、ＩＤ＝ｉの白線予測位置ＷＬＰＰとＩＤ＝（ｉ－１）の白線予測位置ＷＬＰＰとのＸ_ｖ軸方向における間隔ΔＸ_{（ｉ，ｉ－１）}は下記の式（５）により得られる。

この間隔の絶対値｜ΔＸ_{（ｉ，ｉ－１）}｜をスペース部ＳＰの長さに相当する所定の閾値ΔＴＨと比較する。図５（Ａ）からわかるように、｜ΔＸ_{（ｉ，ｉ－１）}｜は閾値ΔＴＨより長くないため、ＩＤ＝ｉの白線予測位置ＷＬＰＰとＩＤ＝（ｉ－１）の白線予測位置ＷＬＰＰとの間にはスペース部ＳＰは存在しないことがわかる。

同様に、ＩＤ＝（ｉ－１）の白線予測位置ＷＬＰＰとＩＤ＝（ｉ－２）の白線予測位置ＷＬＰＰとのＸ_ｖ軸方向における間隔ΔＸ_{（ｉー１，ｉ－２）}は下記の式（６）により得られる。

この間隔の絶対値｜ΔＸ_{（ｉー１，ｉ－２）}｜を所定の閾値ΔＴＨと比較する。図５（Ａ）からわかるように、｜ΔＸ_{（ｉー１，ｉ－２）}｜は閾値ΔＴＨより長いため、ＩＤ＝（ｉー１）の白線予測位置ＷＬＰＰとＩＤ＝（ｉ－２）の白線予測位置ＷＬＰＰとの間にスペース部ＳＰが存在することがわかる。即ち、ＩＤ＝（ｉ－１）の白線予測位置ＷＬＰＰと、ＩＤ＝（ｉ－２）の白線予測位置ＷＬＰＰは、ともに実線部ＲＰの端部であることがわかる。

ここで、いずれが上端でありいずれが下端であるかは、白線地図位置に付与されたＩＤの振り方によって判定される。図５（Ａ）のように、ＩＤが下側から上側、即ち、Ｘ_ｖ軸の負側から正側に向かって増加するように付与されている場合、ΔＸ_{（ｐ，ｑ）}の値は正となる。よって、ΔＸ_{（ｐ，ｑ）}＞０であれば、ＩＤはＸ_ｖ軸の負側から正側に振られていることになり、ＩＤの大きい方の白線予測位置ＷＬＰＰが１つの実線部ＲＰの下端であり、ＩＤの小さい方の白線予測位置ＷＬＰＰがその下側の実線部ＲＰの上端であると判定することができる。図５（Ａ）の例では、ΔＸ_{（ｉー１，ｉ－２）}＞０であるので、ＩＤ＝（ｉー１）の白線予測位置ＷＬＰＰは実線部ＲＰ１の下端であり、ＩＤ＝（ｉー２）の白線予測位置ＷＬＰＰは実線部ＲＰ２の上端であると判定される。

一方、図５（Ａ）とは逆に、ＩＤが上側から下側、即ち、Ｘ_ｖ軸の正側から負側に向かって増加するように付与されている場合、ΔＸ_{（ｐ，ｑ）}の値は負となる。よって、ΔＸ_{（ｐ，ｑ）}＜０であれば、ＩＤはＸ_ｖ軸の正側から負側に振られていることになり、ＩＤの小さい方の白線予測位置ＷＬＰＰが１つの実線部の下端であり、ＩＤの大きい方の白線地図位置ＷＬＰＰがその下側の実線部ＲＰの上端であると判定することができる。

そして、予測範囲基準点Ｐｒｅｆが実線部の上端であるか下端であるかに応じて、白線予測範囲ＷＬＰＲを設定する。例えば、予測範囲基準点Ｐｒｅｆが実線部ＲＰの下端である場合、図５（Ｂ）に示すように、予測範囲基準点ＰｒｅｆからＸ_ｖ軸の正方向へ所定距離ΔＸ、Ｙ_ｖ軸の正負の方向にそれぞれ所定距離ΔＹの範囲を白線予測範囲ＷＬＰＲとする。一方、予測範囲基準点Ｐｒｅｆが実線部ＲＰの上端である場合、図５（Ｃ）に示すように、予測範囲基準点ＰｒｅｆからＸ_ｖ軸の負方向へ所定距離ΔＸ、Ｙ_ｖ軸の正負の方向にそれぞれ所定距離ΔＹの範囲を白線予測範囲ＷＬＰＲとする。

このように、高度化地図内に記憶されている実線部ＲＰの白線地図位置ＷＬＭＰを利用することにより、白線が破線型である場合でも、実線部ＲＰをカバーするように正しく白線予測位置ＷＬＰＲを決定することができる。

なお、上記の例では、高度化地図内の白線地図情報が破線型白線の実線部ＲＰの白線地図位置ＷＬＭＰのみを含むものとしている。その代わりに、白線地図情報は、破線型白線の実線部ＲＰとスペース部ＳＰの両方の白線地図位置ＷＬＭＰを含むものとし、各白線地図位置ＷＬＭＰに実線部ＲＰとスペース部ＳＰのいずれに対応するかを示すフラグなどを付与しておいても良い。その場合には、そのフラグを参照し、実線部ＲＰに対応する白線地図位置ＷＬＭＰのみを取得して上記の処理を行えばよい。

（２）白線が破線の場合
図１などに示す白線予測範囲ＷＬＰＲは、白線が直線的であると想定して設定されているが、白線がカーブしている場合には十分な白線スキャンデータを抽出できなくなる恐れがある。例えば、図６（Ａ）に示すように、白線ＷＬがカーブしていると、白線予測範囲ＷＬＰＲがカバーする白線ＷＬの領域が小さくなり、取得できる白線スキャンデータの数が減少してしまう。

この対策として、高度化地図に記憶されている白線地図情報に白線のカーブの部分の曲率が記憶されている場合には、それを用いて白線予測範囲ＷＬＰＲの形状を適切に決定することができる。具体的には、図６（Ｂ）に示すように、白線地図情報に含まれる白線の曲率に基づいて、白線予測範囲ＷＬＰＲの形状を白線に沿って湾曲させる。こうすると、白線ＷＬのより多くの領域が白線予測範囲ＷＬＰＲ内に含まれるようになり、より多くの白線スキャンデータＷＬＳＤを抽出することが可能となる。よって、白線抽出の精度が向上し、自車位置推定の精度も向上させることができる。

具体的な手法としては、例えば、高度化地図に記憶されている白線の曲率に応じて白線のカーブに相当する近似式などを算出し、その式に基づいて白線予測範囲ＷＬＰＲの外周を規定する座標を決定することができる。また、そのような演算を曲率に応じて予め行い、カーブの曲率に対する白線予測範囲ＷＬＰＲのＸ_ｖ軸方向及びＹ_ｖ軸方向の補正量を算出してルックアップテーブル（ＬＵＴ）などに記憶しておいてもよい。そして、車両５の走行時には、白線地図情報から取得した曲率に基づいてＬＵＴを参照して白線予測範囲ＷＬＰＲを補正すればよい。

［装置構成］
図７は、本発明の測定装置を適用した自車位置推定装置の概略構成を示す。自車位置推定装置１０は、車両に搭載され、無線通信によりクラウドサーバなどのサーバ７と通信可能に構成されている。サーバ７はデータベース８に接続されており、データベース８は高度化地図を記憶している。データベース８に記憶された高度化地図は、ランドマーク毎にランドマーク地図情報を記憶している。また、白線については、白線を構成する点列の座標を示す白線地図位置ＷＬＭＰを含む白線地図情報を記憶している。自車位置推定装置１０は、サーバ７と通信し、車両の自車位置周辺の白線に関する白線地図情報をダウンロードする。

ここで、本実施例では、白線地図情報は、破線型白線については、前述のように実線部ＲＰに対応する白線地図位置のみを含むか、もしくは白線地図位置が実線部ＲＰとスペース部のいずれに対応するかを示すフラグを含む。さらに、白線地図情報は、白線のカーブ部においてはその曲率を含む。

自車位置推定装置１０は、内界センサ１１と、外界センサ１２と、自車位置予測部１３と、通信部１４と、白線地図情報取得部１５と、白線位置予測部１６と、スキャンデータ抽出部１７と、白線中心位置算出部１８と、自車位置推定部１９とを備える。なお、自車位置予測部１３、白線地図情報取得部１５、白線位置予測部１６、スキャンデータ抽出部１７、白線中心位置算出部１８及び自車位置推定部１９は、実際には、ＣＰＵなどのコンピュータが予め用意されたプログラムを実行することにより実現される。

内界センサ１１は、ＧＮＳＳ（ＧｌｏｂａｌＮａｖｉｇａｔｉｏｎＳａｔｅｌｌｉｔｅＳｙｓｔｅｍ）／ＩＭＵ（ＩｎｅｒｔｉａＭｅａｓｕｒｅｍｅｎｔＵｎｉｔ）複合航法システムとして車両の自車位置を測位するものであり、衛星測位センサ（ＧＰＳ）、ジャイロセンサ、車速センサなどを含む。自車位置予測部１３は、内界センサ１１の出力に基づいて、ＧＮＳＳ／ＩＭＵ複合航法により車両の自車位置を予測し、予測自車位置ＰＶＰを白線位置予測部１６に供給する。

外界センサ１２は、車両の周辺の物体を検出するセンサであり、ステレオカメラ、ＬｉＤＡＲなどを含む。外界センサ１２は、計測により得られたスキャンデータＳＤをスキャンデータ抽出部１７へ供給する。

通信部１４は、サーバ７と無線通信するための通信ユニットである。白線地図情報取得部１５は、車両の周辺に存在する白線に関する白線地図情報を通信部１４を介してサーバ７から受信し、白線地図情報に含まれる白線地図位置ＷＬＭＰを白線位置予測部１６へ供給する。

白線位置予測部１６は、白線地図位置ＷＬＭＰと自車位置予測部１３から取得した予測自車位置ＰＶＰとに基づいて、前述の式（１）により白線予測位置ＷＬＰＰを算出する。また、白線位置予測部１６は、白線予測位置ＷＬＰＰに基づいて、前述の式（２）、（３）により白線予測範囲ＷＬＰＲを決定する。なお、白線位置予測部１６は、破線型白線については、前述のように実線部ＲＰの白線地図位置ＷＬＭＰに基づいて白線予測範囲ＷＬＰＲを決定する。また、白線のカーブ部については、前述のようにカーブの曲率に基づいて白線予測範囲ＷＬＰＲを決定する。そして、白線位置予測部１６は、決定した白線予測範囲ＷＬＰＲをスキャンデータ抽出部１７へ供給する。

スキャンデータ抽出部１７は、白線位置予測部１６から供給された白線予測範囲ＷＬＰＲと、外界センサ１２から取得したスキャンデータＳＤとに基づいて白線スキャンデータＷＬＳＤを抽出する。具体的には、スキャンデータ抽出部１７は、スキャンデータＳＤのうち、白線予測範囲ＷＬＰＲに含まれ、路面上、かつ、反射強度が所定値以上であるスキャンデータを、白線スキャンデータＷＬＳＤとして抽出し、白線中心位置算出部１８へ供給する。

白線中心位置算出部１８は、図３を参照して説明したように、式（４）により白線スキャンデータＷＬＳＤから白線中心位置ＷＬＣＰを算出する。そして、白線中心位置算出部１８は、算出された白線中心位置ＷＬＣＰを自車位置推定部１９へ供給する。

自車位置推定部１９は、高度化地図における白線地図位置ＷＬＭＰと、外界センサ１２による白線の計測データである白線中心位置ＷＬＣＰとに基づいて、車両の自車位置と自車方位角を推定する。なお、高度化地図のランドマーク位置情報と外界センサによるランドマークの計測位置情報をマッチングすることにより自車位置を推定する方法の一例が特開２０１７－７２４２２に記載されている。

上記の構成において、外界センサ１２は本発明のセンサ部の一例であり、スキャンデータ抽出部１７は本発明の取得部及び抽出部の一例であり、白線位置予測部１６は本発明の決定部の一例であり、自車位置推定部１９は本発明の処理部の一例である。

［自車位置推定処理］
次に、自車位置推定装置１０による自車位置推定処理について説明する。図８は、自車位置推定処理のフローチャートである。この処理は、ＣＰＵなどのコンピュータが予め用意されたプログラムを実行し、図７に示す各構成要素として機能することにより実現される。

まず、自車位置予測部１３は、内界センサ１１からの出力に基づいて、予測自車位置ＰＶＰを取得する（ステップＳ１１）。次に、白線地図情報取得部１５は、通信部１４を通じてサーバ７に接続し、データベース８に記憶された高度化地図から白線地図情報を取得する（ステップＳ１２）。ここで、白線地図情報取得部１５は、前述のように破線型白線については実線部ＲＰに対応する白線地図位置ＷＬＭＰを取得する。また、白線のカーブ部についての曲率も取得する。なお、ステップＳ１１とＳ１２はいずれが先でもよい。

次に、白線位置予測部１６は、ステップＳ１２で得られた白線位置情報に含まれる白線地図位置ＷＬＭＰと、ステップＳ１１で得られた予測自車位置ＰＶＰに基づいて、白線予測位置ＷＬＰＰを算出する（ステップＳ１３）。また、白線位置予測部１６は、白線予測位置ＷＬＰＰに基づいて白線予測範囲ＷＬＰＲを決定する。この際、破線型白線については前述のように実線部ＲＰの白線地図位置ＷＬＭＰを使用して白線予測範囲ＷＬＰＲを決定する。また、白線のカーブ部については、その曲率に基づいて白線予測範囲ＷＬＰＲを決定する。そして、白線位置予測部１６は、白線予測範囲ＷＬＰＲをスキャンデータ抽出部１７へ供給する（ステップＳ１４）。

次に、スキャンデータ抽出部１７は、外界センサ１２としてのＬｉＤＡＲから得たスキャンデータＳＤのうち、白線予測範囲ＷＬＰＲ内に属し、路面上、かつ、反射強度が所定値以上であるスキャンデータを白線スキャンデータＷＬＳＤとして抽出し、白線中心位置算出部１８へ供給する（ステップＳ１５）。

次に、白線中心位置算出部１８は、白線予測範囲ＷＬＰＲと白線スキャンデータＷＬＳＤに基づいて白線中心位置ＷＬＣＰを算出し、自車位置推定部１９へ供給する（ステップＳ１６）。そして、自車位置推定部１９は、白線中心位置ＷＬＣＰを利用して自車位置推定を行い（ステップＳ１７）、自車位置及び自車方位角を出力する（ステップＳ１８）。こうして自車位置推定処理は終了する。

［変形例］
上記の実施例では、車線を示す車線境界線である白線を使用しているが、本発明の適用はこれには限られず、横断歩道、停止線などの線状の道路標示を利用してもよい。また、白線の代わりに、黄色線などを利用しても良い。これら、白線、黄色線などの区画線や、道路標示などは本発明の路面線の一例である。

５車両
７サーバ
８データベース
１０自車位置推定装置
１１内界センサ
１２外界センサ
１３自車位置予測部
１４通信部
１５白線地図情報取得部
１６白線位置予測部
１７スキャンデータ抽出部
１８白線中心位置算出部
１９自車位置推定部

Claims

周囲の路面線を検出するためのセンサ部からの出力データを取得する取得部と、
自己位置と、破線型の路面線の位置情報とに基づいて、所定範囲を決定する決定部と、
前記出力データのうち、前記所定範囲の検出結果に相当するデータを抽出する抽出部と、
抽出されたデータに基づいて所定の処理を行う処理部と、
を備えることを特徴とする測定装置。