JP2023148239A - 地図生成装置 - Google Patents

Abstract

【課題】環境変化の影響を受けにくい地図を適切に生成すること。【解決手段】地図生成装置は、自車両の周囲の状況を検出する車載検出器１ａで検出された検出情報から特徴点を抽出する抽出部１７１と、抽出部１７１で抽出された複数の特徴点から算出部１７３で算出に用いる特徴点を選択する選択部１７２と、複数の検出情報に基づいて、車載検出器１ａの位置および姿勢を用いて、複数の検出情報に含まれる同一の特徴点の３次元位置を、選択部１７２で選択された複数の異なる特徴点に対してそれぞれ算出する算出部１７３と、算出部１７３で算出された複数の異なる特徴点の３次元位置を用いて、各３次元位置の情報を含む地図を生成する生成部１７４と、を備え、選択部１７２は、あらかじめ複数の物体毎に設定されている優先度情報に基づき、検出情報に含まれた複数の物体のうち優先度が高く設定されている物体上の特徴点を選択する。【選択図】図２

Description

本発明は、自車両の位置の推定に用いられる地図を生成する地図生成装置に関する。

この種の装置として、従来、走行中の車両に搭載されたカメラにより取得された撮像画像から抽出した特徴点を用いて環境地図を作成するように構成された装置が知られている（例えば特許文献１参照）。

特開２０２０－１５３９５６号公報

従来の技術では、環境地図の作成に用いた特徴点に対応する地物の構造が変化してしまい、地図の情報が現実と合わなくなる場合があった。

本発明の一態様である地図生成装置は、自車両の周囲の状況を検出する車載検出器で検出された検出情報から特徴点を抽出する抽出部と、抽出部で抽出された複数の特徴点から後記算出部で算出に用いる特徴点を選択する選択部と、複数の検出情報に基づいて、車載検出器の位置および姿勢を用いて、複数の検出情報に含まれる同一の特徴点の３次元位置を、選択部で選択された複数の異なる特徴点に対してそれぞれ算出する算出部と、算出部で算出された複数の異なる特徴点の３次元位置を用いて、各３次元位置の情報を含む地図を生成する生成部と、を備え、選択部は、あらかじめ複数の物体毎に設定されている優先度情報に基づき、検出情報に含まれた複数の物体のうち優先度が高く設定されている物体上の特徴点を選択する。

本発明によれば、環境変化の影響を受けにくい地図を適切に生成することが可能になる。

発明の実施の形態に係る車両制御システムの全体構成を概略的に示すブロック図。 実施の形態に係る地図生成装置の要部構成を示すブロック図。 カメラ画像の一例を示す図。 抽出された特徴点を例示する図。 コントローラで実行されるプログラムによる処理の一例を説明するフローチャート。 コントローラで実行されるプログラムによる処理の一例を説明するフローチャート。 図４ＡのステップＳ３０の詳細を示す図。 図４ＢのステップＳ２４０の詳細を示す図。

以下、図面を参照して発明の実施の形態について説明する。
発明の実施の形態に係る地図生成装置は、自動運転機能を有する車両、すなわち自動運転車両に適用することができる。なお、本実施の形態に係る地図生成装置が適用される車両を、他車両と区別して自車両と呼ぶことがある。自車両は、内燃機関（エンジン）を走行駆動源として有するエンジン車両、走行モータを走行駆動源として有する電気自動車、エンジンと走行モータとを走行駆動源として有するハイブリッド車両のいずれであってもよい。自車両は、ドライバによる運転操作が不要な自動運転モードでの走行だけでなく、ドライバの運転操作による手動運転モードでの走行も可能である。

まず、自動運転に係る自車両の概略構成について説明する。図１は、実施の形態に係る地図生成装置を有する自車両の車両制御システム１００の全体構成を概略的に示すブロック図である。図１に示すように、車両制御システム１００は、コントローラ１０と、コントローラ１０にそれぞれ通信可能に接続された外部センサ群１と、内部センサ群２と、入出力装置３と、測位ユニット４と、地図データベース５と、ナビゲーション装置６と、通信ユニット７と、走行用のアクチュエータＡＣとを主に有する。

外部センサ群１は、自車両の周辺情報である外部状況を検出する複数のセンサ（外部センサ）の総称である。例えば外部センサ群１には、自車両の全方位の照射光に対する散乱光を測定して自車両から周辺の障害物までの距離を測定するライダ、電磁波を照射し反射波を検出することで自車両の周辺の他車両や障害物等を検出するレーダ、自車両に搭載され、ＣＣＤやＣＭＯＳ等の撮像素子（イメージセンサ）を有して自車両の周辺（前方、後方および側方）を撮像するカメラ等が含まれる。

内部センサ群２は、自車両の走行状態を検出する複数のセンサ（内部センサ）の総称である。例えば内部センサ群２には、自車両の車速を検出する車速センサ、自車両の前後方向の加速度および左右方向の加速度（横加速度）をそれぞれ検出する加速度センサ、走行駆動源の回転数を検出する回転数センサ、自車両の重心の鉛直軸回りの回転角速度を検出するヨーレートセンサ等が含まれる。手動運転モードでのドライバの運転操作、例えばアクセルペダルの操作、ブレーキペダルの操作、ステアリングホイールの操作等を検出するセンサも内部センサ群２に含まれる。

入出力装置３は、ドライバから指令が入力されたり、ドライバに対し情報が出力されたりする装置の総称である。例えば入出力装置３には、操作部材の操作によりドライバが各種指令を入力する各種スイッチ、ドライバが音声で指令を入力するマイク、ドライバに表示画像を介して情報を提供するディスプレイ、ドライバに音声で情報を提供するスピーカ等が含まれる。

測位ユニット（ＧＮＳＳユニット）４は、測位衛星から送信された測位用の信号を受信する測位センサを有する。測位衛星は、ＧＰＳ衛星や準天頂衛星等の人工衛星である。測位ユニット４は、測位センサが受信した測位情報を利用して、自車両の現在位置（緯度、経度、高度）を測定する。

地図データベース５は、ナビゲーション装置６に用いられる一般的な地図情報を記憶する装置であり、例えばハードディスクや半導体素子により構成される。地図情報には、道路の位置情報、道路形状（曲率等）の情報、交差点や分岐点の位置情報が含まれる。なお、地図データベース５に記憶される地図情報は、コントローラ１０の記憶部１２に記憶される高精度な地図情報とは異なる。

ナビゲーション装置６は、ドライバにより入力された目的地までの道路上の目標経路を探索するとともに、目標経路に沿った案内を行う装置である。目的地の入力および目標経路に沿った案内は、入出力装置３を介して行われる。目標経路は、測位ユニット４により測定された自車両の現在位置と、地図データベース５に記憶された地図情報とに基づいて演算される。外部センサ群１の検出値を用いて自車両の現在位置を測定することもでき、この現在位置と記憶部１２に記憶される高精度な地図情報とに基づいて目標経路を演算するようにしてもよい。

通信ユニット７は、インターネット網や携帯電話網等に代表される無線通信網を含むネットワークを介して図示しない各種サーバと通信し、地図情報、走行履歴情報および交通情報等を定期的に、あるいは任意のタイミングでサーバから取得する。走行履歴情報を取得するだけでなく、通信ユニット７を介して自車両の走行履歴情報をサーバに送信するようにしてもよい。ネットワークには、公衆無線通信網だけでなく、所定の管理地域ごとに設けられた閉鎖的な通信網、例えば無線ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Bluetooth（登録商標）等も含まれる。取得した地図情報は、地図データベース５や記憶部１２に出力され、地図情報がアップデート（update）される。

アクチュエータＡＣは、自車両の走行を制御するための走行用アクチュエータである。走行駆動源がエンジンである場合、アクチュエータＡＣには、エンジンのスロットルバルブの開度（スロットル開度）を調整するスロットル用アクチュエータが含まれる。走行駆動源が走行モータである場合、走行モータがアクチュエータＡＣに含まれる。自車両の制動装置を作動するブレーキ用アクチュエータと転舵装置を駆動する転舵用アクチュエータもアクチュエータＡＣに含まれる。

コントローラ１０は、電子制御ユニット（ＥＣＵ）により構成される。より具体的には、コントローラ１０は、ＣＰＵ（マイクロプロセッサ）等の演算部１１と、ＲＯＭ，ＲＡＭ等の記憶部１２と、Ｉ／Ｏインターフェース等の図示しないその他の周辺回路とを有するコンピュータを含んで構成される。なお、エンジン制御用ＥＣＵ、走行モータ制御用ＥＣＵ、制動装置用ＥＣＵ等、機能の異なる複数のＥＣＵを別々に設けることができるが、図１では、便宜上、これらＥＣＵの集合としてコントローラ１０が示される。

記憶部１２には、高精度の詳細な地図情報（高精度地図情報と呼ぶ）が記憶される。高精度地図情報には、道路の位置情報、道路形状（曲率等）の情報、道路の勾配の情報、交差点や分岐点の位置情報、白線等の道路の区画線の種別やその位置情報、車線数の情報、車線の幅員および車線毎の位置情報（車線の中央位置や車線位置の境界線の情報）、地図上の目印としてのランドマーク（建物、信号機、標識等）の位置情報、路面の凹凸等の路面プロファイルの情報が含まれる。実施の形態では、中央線、車線境界線、車道外側線等を総称して道路の区画線と呼ぶ。
記憶部１２に記憶される高精度地図情報には、通信ユニット７を介して自車両の外部から取得した地図情報（外部地図情報と呼ぶ）と、外部センサ群１による検出値あるいは外部センサ群１と内部センサ群２との検出値を用いて自車両自体で作成される地図（内部地図情報と呼ぶ）とが含まれる。

外部地図情報は、例えばクラウドサーバを介して取得した地図（クラウド地図と呼ぶ）の情報であり、内部地図情報は、例えばＳＬＡＭ（Simultaneous Localization and Mapping）等の技術を用いてマッピングにより生成される３次元の点群データからなる地図（環境地図と呼ぶ）の情報である。外部地図情報は、自車両と他車両とで共有されるのに対し、内部地図情報は、自車両の独自の地図情報（例えば自車両が単独で有する地図情報）である。自車両で未走行の道路、新設された道路等においては、自車両自らによって環境地図が作成される。なお、内部地図情報を、通信ユニット７を介してサーバ装置や他車両に提供するようにしてもよい。
記憶部１２は、上述した高精度地図情報の他に、自車両の走行軌跡情報、各種制御のプログラム、およびプログラムで用いられる閾値等の情報も記憶する。

演算部１１は、機能的構成として、自車位置認識部１３と、外界認識部１４と、行動計画生成部１５と、走行制御部１６と、地図生成部１７とを有する。

自車位置認識部１３は、測位ユニット４で得られた自車両の位置情報および地図データベース５の地図情報に基づいて、地図上の自車両の位置（自車位置）を認識（推定と呼んでもよい）する。
記憶部１２に記憶された高精度地図情報と、外部センサ群１が検出した自車両の周辺情報とを用いて自車位置を認識（推定）してもよく、これにより自車位置を高精度に認識することができる。
内部センサ群２の検出値に基づいて自車両の移動情報（移動方向、移動距離）を算出し、これにより自車位置を認識することもできる。なお、道路上や道路脇の外部に設置されたセンサで自車位置を測定可能であるとき、そのセンサと通信ユニット７を介して通信することにより、自車位置を認識することもできる。

外界認識部１４は、ライダ、レーダ、カメラ等の外部センサ群１からの信号に基づいて自車両の周囲の外部状況を認識する。例えば自車両の周辺を走行する周辺車両（前方車両や後方車両）の位置、速度や加速度、自車両の周囲に停車または駐車している周辺車両の位置、および他の物体の位置や状態等を認識する。他の物体には、標識、信号機、道路の区画線や停止線等の標示、建物、ガードレール、電柱、看板、歩行者、自転車等が含まれる。他の物体の状態には、信号機の色（赤、青、黄）、歩行者や自転車の移動速度や向き等が含まれる。他の物体のうち静止している物体の一部は、地図上の位置の指標となるランドマークを構成し、外界認識部１４は、ランドマークの位置と種別も認識する。

行動計画生成部１５は、例えばナビゲーション装置６で演算された目標経路と、記憶部１２に記憶された高精度地図情報と、自車位置認識部１３で認識された自車位置と、外界認識部１４で認識された外部状況とに基づいて、現時点から所定時間先までの自車両の走行軌道（目標軌道）を生成する。目標経路上に目標軌道の候補となる複数の軌道が存在するときには、行動計画生成部１５は、その中から法令を順守し、かつ効率よく安全に走行する等の基準を満たす最適な軌道を選択し、選択した軌道を目標軌道とする。そして、行動計画生成部１５は、生成した目標軌道に応じた行動計画を生成する。行動計画生成部１５は、先行車両を追い越すための追い越し走行、走行車線を変更する車線変更走行、先行車両に追従する追従走行、走行車線を逸脱しないように車線を維持するレーンキープ走行、減速走行または加速走行等に対応した種々の行動計画を生成する。行動計画生成部１５は、目標軌道を生成する際に、まず走行態様を決定し、走行態様に基づいて目標軌道を生成する。

走行制御部１６は、自動運転モードにおいて、行動計画生成部１５で生成された目標軌道に沿って自車両が走行するように各アクチュエータＡＣを制御する。より具体的には、走行制御部１６は、自動運転モードにおいて道路勾配等により定まる走行抵抗を考慮して、行動計画生成部１５で算出された単位時間毎の目標加速度を得るための要求駆動力を算出する。そして、例えば内部センサ群２により検出された実加速度が目標加速度となるようにアクチュエータＡＣをフィードバック制御する。すなわち、自車両が目標車速および目標加速度で走行するようにアクチュエータＡＣを制御する。なお、手動運転モードでは、走行制御部１６は、内部センサ群２により取得されたドライバからの走行指令（ステアリング操作等）に応じて各アクチュエータＡＣを制御する。

地図生成部１７は、手動運転モードで走行しながら、外部センサ群１により検出された検出値を用いて、自車両が走行した道路周辺の環境地図を、内部地図情報として生成する。例えば、カメラにより取得された複数フレームのカメラ画像から、画素ごとの輝度や色の情報に基づいて物体の輪郭を示すエッジを抽出するとともに、そのエッジ情報を用いて特徴点を抽出する。特徴点は例えばエッジの交点であり、建物の角や道路標識の角等に対応する。地図生成部１７は、ＳＬＡＭ技術のアルゴリズムにしたがって、複数フレームのカメラ画像間で同一の特徴点が１点に収束するようにカメラの位置と姿勢を推定しながら、その特徴点について３次元位置を算出する。この算出処理を複数の特徴点に対してそれぞれ行うことにより、３次元の点群データからなる環境地図を生成する。
なお、カメラに代えて、レーダやライダにより取得されたデータを用いて自車両の周囲の物体の特徴点を抽出し、環境地図を生成するようにしてもよい。
また、地図生成部１７は、環境地図を生成する際に、上記３次元位置の算出に用いなかった特徴点を有する所定の地物（例えば道路の区画線、信号機、標識等）がカメラ画像に含まれていることをパターンマッチング処理等により判定すると、カメラ画像に基づく地物の特徴点に対応する点の位置情報を環境地図に追加し、記憶部１２に記録する。

自車位置認識部１３は、地図生成部１７による地図作成処理と並行して、自車両の位置認識処理を行う。すなわち、特徴点の時間経過に伴う位置の変化に基づいて、自車位置を推定する。地図作成処理と位置認識（推定）処理とは、ＳＬＡＭ技術のアルゴリズムにしたがって同時に行われる。地図生成部１７は、手動運転モードで走行するときだけでなく、自動運転モードで走行するときにも同様に環境地図を生成することができる。既に環境地図が生成されて記憶部１２に記憶されている場合、地図生成部１７は、新たに取得されたカメラ画像から新たに抽出された特徴点（新特徴点と呼んでもよい）に基づき、環境地図をアップデートしてもよい。

ところで、ＳＬＡＭ技術を用いて生成された環境地図の情報を用いて自車位置を推定するとき、環境地図の生成時と自車位置の推定時との間に時間差（例えば２～３か月ないし半年から１年）があると、道路工事、道路周辺の建物の新築、改築、取り壊し、街路樹等の季節変化等により、環境構造（例えば道路および道路周辺の地物の構造等）が変化している場合がある。
そのため、環境地図を構成する特徴点が、自車位置推定時にカメラ画像から抽出された特徴点とマッチしなくなり、自車位置を正しく推定することが困難になる。
実施の形態では、ＳＬＡＭ技術のアルゴリズムにしたがって複数フレームのカメラ画像間で同一の特徴点を追跡し、その特徴点について３次元位置を算出する前に、環境変化の影響を受けにくい特徴点を選ぶ。さらに、環境地図を生成した後の環境変化に合わせて環境地図を構成する特徴点の情報をアップデートする。

上記の処理を行う地図生成装置について、さらに詳細に説明する。
図２は、実施の形態に係る地図生成装置６０の要部構成を示すブロック図である。地図生成装置６０は、自車両の走行動作の制御に用いるものであり、図１の車両制御システム１００の一部を構成する。図２に示すように、地図生成装置６０は、コントローラ１０と、カメラ１ａと、レーダ１ｂと、ライダ１ｃとを有する。

カメラ１ａは、図１の外部センサ群１の一部を構成する。カメラ１ａは単眼カメラでもステレオカメラでもよく、自車両の周囲を撮像する。カメラ１ａは、例えば自車両の前部の所定位置に取り付けられ、自車両の前方空間を所定のフレームレートで連続的に撮像し、検出情報としてのフレーム画像データ（単にカメラ画像と呼ぶ）を逐次コントローラ１０に出力する。
図３Ａは、カメラ１ａで取得されたあるフレームのカメラ画像の一例を示す図である。カメラ画像ＩＭには、自車両の前方を走行する他車両Ｖ１、自車両の右側レーンを走行する他車両Ｖ２、自車両の周辺の信号機ＳＧ、歩行者ＰＥ、交通標識ＴＳ１、ＴＳ２、自車両の周辺の建物ＢＬ１、ＢＬ２、ＢＬ３、車道外側線ＯＬ、車線境界線ＳＬ等が含まれている。

図２のレーダ１ｂは、自車両に搭載され、電磁波を照射し反射波を検出することで自車両の周辺の他車両や障害物等を検出する。レーダ１ｂは、検出情報としての検出値（検出データ）をコントローラ１０に出力する。ライダ１ｃは、自車両に搭載され、自車両の全方位の照射光に対する散乱光を測定して自車両から周辺の障害物までの距離を検出する。ライダ１ｃは、検出情報としての検出値（検出データ）をコントローラ１０に出力する。

コントローラ１０は、演算部１１および記憶部１２を含む。演算部１１は、機能的構成として、情報取得部１４１と、抽出部１７１と、選択部１７２と、算出部１７３と、生成部１７４と、自車位置認識部１３とを有する。
情報取得部１４１は、例えば図１の外界認識部１４に含まれる。抽出部１７１、選択部１７２、算出部１７３および生成部１７４は、例えば図１の地図生成部１７に含まれる。
また、記憶部１２は、地図記憶部１２１および軌跡記憶部１２２を含む。

情報取得部１４１は、記憶部１２（地図記憶部１２１）から、自車両の走行動作の制御に用いる情報を取得する。より詳細には、情報取得部１４１は、地図記憶部１２１から環境地図に含まれるランドマーク情報を読み出し、さらに、ランドマーク情報から自車両が走行する道路の区画線の位置と、それらの区画線の延在方向とを示す情報（以下、区画線情報と呼ぶ）を取得する。
なお、区画線情報に区画線の延在方向を示す情報が含まれないとき、情報取得部１４１は、区画線の位置に基づいてそれらの区画線の延在方向を算出してもよい。また、地図記憶部１２１に記憶された道路地図情報や白線地図（白色、黄色等の区画線の位置を示す情報）等から、自車両が走行する道路の区画線の位置および延在方向を示す情報を取得してもよい。

抽出部１７１は、カメラ１ａで取得されたカメラ画像ＩＭ（図３Ａに例示）から物体の輪郭を示すエッジを抽出するとともに、そのエッジ情報を用いて特徴点を抽出する。上述したように、特徴点は例えばエッジの交点である。図３Ｂは、図３Ａのカメラ画像ＩＭに基づいて抽出部１７１で抽出された特徴点を例示する図である。図中の黒丸は、特徴点を示している。

選択部１７２は、抽出部１７１で抽出した特徴点の中から３次元位置を算出する特徴点を選択する。実施の形態では、他の特徴点と区別しやすいユニークな特徴点を選ぶ。

先ず、選択部１７２は、機械学習（ＤＮＮ（Deep Neural Network）等）技術を用いて、カメラ画像ＩＭをカメラ画像ＩＭに写る物体毎の領域に分けるセグメンテーション（segmentation）を行う。例えば、カメラ画像ＩＭを（１）道路、（２）他車両、（３）歩行者、（４）工事標識等（標識、パイロン（pylon）等）、（５）交通標識・信号機、（６）ガードレール・フェンス、（７）建物、（８）街路樹・植栽、（９）雲、（１０）空の領域に分類する。なお、図３Ａに例示したカメラ画像ＩＭには、これらの物体の一部を例示する。

実施の形態では、例示した１０種の各領域の物体に対し、時間的な変化のしやすさを示す順位があらかじめ定められている。例えば、（２）他車両、（３）歩行者、（４）工事標識等（標識、パイロン等）および（９）雲は、短期間で変化しやすいため、時間的な変化のしやすさを示す順位は１番である。（１０）空についても同様とする。
次いで（８）街路樹・植栽は季節（例えば３か月）で変化しやすいため、時間的な変化のしやすさを示す順位は２番である。
そして、（１）道路、（５）交通標識・信号機、（６）ガードレール・フェンス、および（７）建物は、他の物体と比べて変化しにくいため、時間的な変化のしやすさを示す順位は３番である。

選択部１７２は、抽出部１７１で抽出した特徴点の中から３次元位置を算出するための特徴点を選択する場合、上記分類した領域のうちの変化しにくい物体（上記順位が３番）の領域に含まれる特徴点を優先して選択する。そのため、（１）道路、（５）交通標識・信号機、（６）ガードレール・フェンス、および（７）建物のエッジ情報に基づく特徴点に対する優先度を高く設定し、他の特徴点よりも先に選択する。
選択部１７２は、季節的に変化する（８）街路樹・植栽のエッジ情報に基づく特徴点については、地図作成時および地図作成時から所定期間（例えば３か月）において、上記変化しにくい物体のエッジ情報に基づく特徴点の次に選択対象とする。そのため、（８）街路樹・植栽のエッジ情報に基づく特徴点に対する優先度を中（上記高くと下記低くの中間）に設定し、（１）道路、（５）交通標識・信号機、（６）ガードレール・フェンス、および（７）建物のエッジ情報に基づく特徴点の次に選択する。
選択部１７２は、季節が移り変わった後の（８）街路樹・植栽のエッジ情報に基づく特徴点に対しては、選択する優先度を下げて実質的に選択しない。季節が移り変わった後は、植物の成長または落葉等により、植物の姿が変化している可能性が高いからである。

また、選択部１７２は、時間的に変化しやすい物体（上記順位が１番）の領域に含まれる特徴点を選択しない。そのため、（２）他車両、（３）歩行者、（４）工事標識等（標識、パイロン等）、（９）雲および（１０）空のエッジ情報に基づく特徴点に対する優先度を低く設定し、これを選択しない。
なお、（９）雲および（１０）空の領域の特徴点を選択しないことは、他の物体に対して著しく遠方の特徴点を選択しない点においても好都合である。他の特徴点と比べて著しく遠方の特徴点を選択しないことで、３次元位置の算出精度の低下を防ぐことが可能になる。

算出部１７３は、複数フレームのカメラ画像ＩＭ間で同一の特徴点が１点に収束するようにカメラ１ａの位置と姿勢を推定しながら、その特徴点について３次元位置を算出する。算出部１７３は、選択部１７２で選択された複数の異なる特徴点の３次元位置をそれぞれ算出する。

生成部１７４は、算出部１７３で算出された複数の異なる特徴点の３次元位置を用いて、各３次元位置の情報を含む３次元の点群データからなる環境地図を生成する。

自車位置認識部１３は、地図記憶部１２１に記憶されている環境地図に基づいて、環境地図上の自車位置を推定する。
先ず、自車位置認識部１３は、自車両の車幅方向の位置を推定する。詳細には、自車位置認識部１３は、機械学習技術を用いて、カメラ１ａで新たに取得されたカメラ画像ＩＭに含まれる道路の区画線を認識する。自車位置認識部１３は、地図記憶部１２１に記憶されている環境地図に含まれるランドマーク情報から取得した区画線情報に基づいて、カメラ画像ＩＭに含まれる区画線の環境地図上の位置や延在方向を認識する。そして、自車位置認識部１３は、区画線の環境地図上の位置や延在方向に基づいて、自車両と区画線との車幅方向における相対的な位置関係（環境地図上の位置関係）を推定する。このようにして、環境地図上の自車両の車幅方向の位置が推定される。

次いで、自車位置認識部１３は、自車両の進行方向の位置を推定する。詳細には、自車位置認識部１３は、カメラ１ａで新たに取得されたカメラ画像ＩＭ（図３Ａ）からパターンマッチング等の処理によりランドマーク（例えば建物ＢＬ１）を認識するとともに、抽出部１７１で抽出された特徴点の中からそのランドマーク上の特徴点を認識する。さらに、自車位置認識部１３は、カメラ画像ＩＭにおいて写るランドマークの特徴点の位置に基づいて、自車両からランドマークまでの進行方向における距離を推定する。なお、自車両からランドマークまでの距離は、レーダ１ｂやライダ１ｃの検出値に基づいて算出されてもよい。

自車位置認識部１３は、地図記憶部１２１に記憶されている環境地図の中で、上記ランドマークに対応する特徴点を探す。換言すると、新たに取得されたカメラ画像ＩＭから認識されたランドマークの特徴点とマッチする特徴点を、環境地図を構成する複数の特徴点（点群データ）の中から認識する。
次いで、自車位置認識部１３は、ランドマークの特徴点に対応する環境地図上の特徴点の位置と、自車両からランドマークまでの進行方向における距離とに基づいて、環境地図上の自車両の進行方向における位置を推定する。
以上説明したように、自車位置認識部１３は、環境地図上の自車両の車幅方向および進行方向における推定位置に基づいて、環境地図上の自車両の位置を認識する。

地図記憶部１２１は、生成部１７４で生成された環境地図の情報を記憶する。
軌跡記憶部１２２は、自車両の走行軌跡を示す情報を記憶する。走行軌跡は、例えば自車位置認識部１３で走行中に認識された、環境地図上の自車位置として表される。

＜フローチャートの説明＞
あらかじめ定められたプログラムにしたがって図２のコントローラ１０で実行される処理の一例について、図４Ａおよび図４Ｂのフローチャートを参照して説明する。図４Ａは、環境地図が作成される前の処理を示すものであり、例えば手動運転モードで開始され、所定周期で繰り返される。図４Ｂは、図４Ａの地図作成処理と並行して行われる処理を示す。また、図４Ｂは、環境地図が作成された後に、例えば自動運転モードで開始され、所定周期で繰り返される。図４Ｃは、図４ＡのステップＳ３０の詳細を示す。図４Ｄは、図４ＢのステップＳ２４０の詳細を示す。

図４ＡのステップＳ１０において、コントローラ１０は、カメラ１ａから検出情報としてのカメラ画像ＩＭを取得してステップＳ２０へ進む。

ステップＳ２０において、コントローラ１０は、抽出部１７１によりカメラ画像ＩＭから特徴点を抽出してステップＳ３０へ進む。

ステップＳ３０において、コントローラ１０は、以下の手順で選択部１７２により特徴点を選択する。
図４ＣのステップＳ３１において、選択部１７２は、セグメンテーションを行ってカメラ画像ＩＭをカメラ画像ＩＭに写る物体毎の領域に分類してステップＳ３２へ進む。
ステップＳ３２において、選択部１７２は、抽出部１７１で抽出した特徴点を各領域に対応付けてステップＳ３３へ進む。
ステップＳ３２において、選択部１７２は、１０種の各領域の特徴点に対する優先度順に、特徴点を選択して図４Ｃによる処理を終了する。
以上の選択処理により、時間的に変化しにくい物体のエッジ情報に基づく特徴点を優先的に選択することが可能になる。

ステップＳ４０において、コントローラ１０は、算出部１７３により、複数の異なる特徴点の３次元位置をそれぞれ算出してステップＳ５０へ進む。

ステップＳ５０において、コントローラ１０は、生成部１７４により、複数の異なる特徴点の各３次元位置の情報を含む３次元の点群データからなる環境地図を生成してステップＳ６０へ進む。

ステップＳ６０において、コントローラ１０は、自車両が走行する位置が過去の走行軌跡上にあると認識した場合に、ループクロージング（Loop Closing）処理により、環境地図に含まれている３次元位置の情報を修正してステップＳ７０へ進む。
ループクロージング処理を簡単に説明する。一般に、ＳＬＡＭ技術では自車両が移動しながら自車位置を認識するため誤差が蓄積する。例えば、自車両がロの字に閉じた道路を周回する場合、蓄積誤差によって始点と終点の位置が一致しなくなる。そこで、自車両が走行する位置が過去の走行軌跡上にあると認識した場合に、過去と同じ走行地点で新たに取得したカメラ画像から抽出した特徴点（新特徴点と呼ぶ）を用いて認識した自車両の位置と、過去の走行時に取得したカメラ画像から抽出した特徴点を用いて過去に認識した自車両の位置とを同じ座標とするループクロージング処理を行う。

ステップＳ７０において、コントローラ１０は、環境地図の情報を記憶部１２の地図記憶部１２１に記録して図４Ａによる処理を終了する。

図４ＢのステップＳ２１０において、コントローラ１０は、カメラ１ａから検出情報としてのカメラ画像ＩＭを取得してステップＳ２２０へ進む。

ステップＳ２２０において、コントローラ１０は、抽出部１７１によりカメラ画像ＩＭから新特徴点を抽出してステップＳ２３０へ進む。なお、図４Ｂの処理において抽出する特徴点は、図４Ａの処理において抽出した特徴点と同じ物体上の点の場合でも新特徴点と呼ぶ。

ステップＳ２３０において、コントローラ１０は、選択部１７２により新特徴点を選択してステップＳ２４０へ進む。ステップＳ２３０では、ステップＳ３０と同様に、時間的に変化しにくい物体のエッジ情報に基づく新特徴点を優先的に選択する。

ステップＳ２４０において、コントローラ１０は、以下の手順で自車位置認識部１３により環境地図に基づいて自車位置を認識（推定）する。
図４ＤのステップＳ２４１において、コントローラ１０は、自車位置認識部１３により、記憶部１２の地図記憶部１２１に記憶されている環境地図を構成する複数の特徴点（点群データ）の中で、選択部１７２により選択された新特徴点に対応する点の情報を探し、ステップＳ２４２へ進む。

ステップＳ２４２において、自車位置認識部１３は、環境地図内にマッチする点がある、換言すると、環境地図を構成する複数の特徴点の中に新特徴点に対応する点がある場合にステップＳ２４２を肯定判定してステップＳ２４３へ進む。コントローラ１０は、環境地図内にマッチする点がない、換言すると、環境地図を構成する複数の特徴点の中に新特徴点に対応する点がない場合にはステップＳ２４２を否定判定してステップＳ２４６へ進む。

ステップＳ２４３において、自車位置認識部１３は、マッチした点に基づいて環境地図上の自車両の位置を認識（推定）し、ステップＳ２４４へ進む。

ステップＳ２４４において、コントローラ１０は、ステップＳ２４１の処理においてマッチした点、換言すると、環境地図内で新特徴点に対応する点に対する評価値に１を加えてステップＳ２４５へ進む。
実施の形態では、環境地図内で自車両の位置の認識（推定）時にマッチした点は、その評価値に１を加えてマッチした履歴を残すものとする。一方で、自車両の位置の認識（推定）時にマッチしない点は、その評価値から１を減じるものとする。コントローラ１０は、評価値がゼロになって所定期間が経過した場合、その点の情報を環境地図から削除する。環境地図内で自車両の位置の認識（推定）時にマッチした回数が多い点は、その評価値の値が大きくなるため、仮に、しばらくマッチしない期間があるとしても、評価値がゼロになって所定期間が経過するまでの間、環境地図にその情報を残しておくことが可能になる。

ステップＳ２４５において、コントローラ１０は、ステップＳ２４１の処理においてマッチしない点、換言すると、環境地図内で新特徴点に対応しない点に対する評価値から１を減じて図４Ｄの処理を終了する。なお、評価値の最小値はゼロとする。

ステップＳ２４２を否定判定して進むステップＳ２４６において、自車位置認識部１３は、新特徴点の位置情報に基づいて環境地図上の自車両の位置を認識（推定）し、ステップＳ２４５へ進む。新特徴点の位置情報は、例えばカメラ画像ＩＭにおいて写る物体の位置に基づいて、自車両から物体までの距離を推定して得る。なお、自車両から物体までの距離は、レーダ１ｂやライダ１ｃの検出値に基づいて取得してもよい。

図４ＢのステップＳ２５０において、コントローラ１０は環境地図に情報を追加する。コントローラ１０は、ステップＳ２４６（図４Ｄ）において推定した環境地図上の自車両の位置情報に対応する点の情報を、環境地図に追加してステップＳ２６０へ進む。
このように構成したので、道路環境の変化によって新たに存在するようになった新ランドマーク等の新特徴点の情報を環境地図に取込むことが可能になる。
なお、コントローラ１０は、追加した点に対する評価値を１（初期値）とする。実施の形態では、環境地図に初めて情報を記録する点に対して１を設定するものとする。

ステップＳ２６０において、コントローラ１０は環境地図から情報を削除する。コントローラ１０は、環境地図を構成する複数の特徴点の中で、例えば評価値０が所定期間（例えば半年）継続した点について、その情報を環境地図から削除する。このように構成したので、道路環境の変化によって存在しなくなった旧ランドマーク等の特徴点の情報を環境地図から除外することが可能になる。

ステップＳ２７０において、ステップＳ２５０およびステップＳ２６０によるアップデート後の環境地図の情報を、地図記憶部１２１に記録して図４Ｂによる処理を終了する。

以上説明した実施の形態によれば、以下のような作用効果が得られる。
（１）地図生成装置６０は、自車両の周囲の状況を検出する車載検出器としてのカメラ１ａで検出された検出情報としてのカメラ画像ＩＭから特徴点を抽出する抽出部１７１と、抽出部１７１で抽出された複数の特徴点から算出部１７３で算出に用いる特徴点を選択する選択部１７２と、複数フレームのカメラ画像ＩＭに基づいて、カメラ１ａの位置および姿勢を用いて、複数フレームのカメラ画像ＩＭに含まれる同一の特徴点の３次元位置を、選択部１７２で選択された複数の異なる特徴点に対してそれぞれ算出する算出部１７３と、算出部１７３で算出された複数の異なる特徴点の３次元位置を用いて、各３次元位置の情報を含む環境地図を生成する生成部１７４と、を備え、選択部１７２は、あらかじめ複数の物体毎に設定されている優先度情報に基づき、カメラ画像ＩＭに含まれた複数の物体のうち優先度が高く設定されている物体上の特徴点を選択する。
このように構成したので、あらかじめ設定された優先度が高い物体（例えば、道路、交通標識等）の特徴点を優先的に選択するとともに、あらかじめ設定された優先度が低い物体（例えば、他車両等）の特徴点の選択を避けることによって、環境地図の生成に用いる特徴点の数を抑えつつ、自車位置の認識（推定）に有用な物体の情報を環境地図に含めることが可能になる。
このように、安全な車両制御に必要な環境地図を適切に生成することが可能になる。

（２）上記（１）において、優先度情報は、時間経過に伴って変化する可能性が低い物体ほど優先度が高く設定されている。
このように構成したので、環境地図の生成後に時間が経過しても、自車位置の認識（推定）に有用な物体の情報が環境地図内に残る可能性が高くなる。つまり、環境変化の影響を受けにくい特徴点の情報を含む環境地図を、適切に生成することが可能になる。

（３）上記（１）の地図生成装置６０において、生成した環境地図を記憶する地図記憶部１２１と、カメラ１ａで新たに検出されたカメラ画像ＩＭから抽出部１７１で抽出した新特徴点を、地図記憶部１２１に記憶された環境地図内の特徴点に照合することにより、自車両の位置を推定する位置推定部としての自車位置認識部１３と、を備え、生成部１７４は、環境地図内の複数の特徴点の情報のうち、新特徴点とマッチする回数が少ない特徴点の情報を環境地図から削除する。
このように構成したので、自車位置の認識（推定）に無用な物体の情報を環境地図から除外することが可能になる。例えば、環境地図の生成時に存在したものの、環境の変化によって存在しなくなった旧ランドマーク等の特徴点の情報を、環境地図から除外することが可能になる。

（４）上記（１）の地図生成装置６０において、生成した環境地図を記憶する地図記憶部１２１と、カメラ１ａで新たに検出されたカメラ画像ＩＭから抽出部１７１で抽出した新特徴点を、地図記憶部１２１に記憶された環境地図内の特徴点に照合することにより、自車両の位置を推定する位置推定部としての自車位置認識部１３と、を備え、生成部１７４は、新特徴点とマッチする情報が環境地図に含まれていない場合、新特徴点に対応する点の情報を環境地図に追加する。
このように構成したので、自車位置の認識（推定）に有用な物体の情報を、後から環境地図に追加することが可能になる。例えば、環境地図の生成時に存在しなかったものの、道路環境の変化によって新たに存在するようになった新ランドマーク等の新特徴点の情報を、環境地図に取込むことが可能になる。

上記実施の形態は、種々の形態に変形することができる。以下、変形例について説明する。
（変形例１）
選択部１７２がセグメンテーションによりカメラ画像ＩＭを１０種の物体の領域に分ける例を説明したが、物体の種類は例示であり、適宜変更して構わない。また、選択部１７２が選択する物体上の特徴点に対する優先度を、その特徴点を含む物体の種別により高、中、低の３段階に分ける例を説明したが、優先度を示す段階をさらに細かく分けてもよい。

（変形例２）
実施の形態では、わかりやすく説明するために、便宜上図４Ａに示す処理を環境地図が作成される前の処理として説明した。しかしながら、環境地図が作成された後でも図４Ａに示す処理を図４Ｂの自車位置認識処理と並行して行ってよい。環境地図の完成後にも行うことにより、例えば道路環境に変化があった場合等に、その情報を適切に環境地図に反映させることが可能になる。

以上の説明はあくまで一例であり、本発明の特徴を損なわない限り、上述した実施の形態および変形例により本発明が限定されるものではない。上記実施の形態と変形例の１つまたは複数を任意に組み合わせることも可能であり、変形例同士を組み合わせることも可能である。

１ａ カメラ、１ｂ レーダ、１ｃ ライダ、１０ コントローラ、１１ 演算部、１２ 記憶部、１３ 自車位置認識部、１４ 外界認識部、１７ 地図生成部、６０ 地図生成装置、１２１ 地図記憶部、１２２ 軌跡記憶部、１７１ 抽出部、１７２ 選択部、１７３ 算出部、１７４ 生成部、ＢＬ１～ＢＬ３ 建物、ＩＭ カメラ画像、ＯＬ 車道外側線、ＳＧ 信号機、ＳＬ 車線境界線、ＴＳ１，ＴＳ２ 交通標識、Ｖ１，Ｖ２ 他車両

Claims (4)

1. 自車両の周囲の状況を検出する車載検出器で検出された検出情報から特徴点を抽出する抽出部と、
   前記抽出部で抽出された複数の前記特徴点から後記算出部で算出に用いる特徴点を選択する選択部と、
   複数の前記検出情報に基づいて、前記車載検出器の位置および姿勢を用いて、複数の前記検出情報に含まれる同一の前記特徴点の３次元位置を、前記選択部で選択された複数の異なる前記特徴点に対してそれぞれ算出する算出部と、
   前記算出部で算出された複数の異なる前記特徴点の３次元位置を用いて、各前記３次元位置の情報を含む地図を生成する生成部と、を備え、
   前記選択部は、あらかじめ複数の物体毎に設定されている優先度情報に基づき、前記検出情報に含まれた複数の物体のうち優先度が高く設定されている物体上の前記特徴点を選択することを特徴とする地図生成装置。
2. 請求項１に記載の地図生成装置において、
   前記優先度情報は、時間経過に伴って変化する可能性が低い物体ほど前記優先度が高く設定されていることを特徴とする地図生成装置。
3. 請求項１に記載の地図生成装置において、
   前記生成した地図を記憶する地図記憶部と、
   前記車載検出器で新たに検出された検出情報から前記抽出部で抽出した新特徴点を、前記地図記憶部に記憶された前記地図内の前記特徴点に照合することにより、前記自車両の位置を推定する位置推定部と、を備え、
   前記生成部は、前記地図内の複数の前記特徴点の情報のうち、前記新特徴点とマッチする回数が少ない前記特徴点の情報を前記地図から削除することを特徴とする地図生成装置。
4. 請求項１に記載の地図生成装置において、
   前記生成した地図を記憶する地図記憶部と、
   前記車載検出器で新たに検出された検出情報から前記抽出部で抽出した新特徴点を、前記地図記憶部に記憶された前記地図内の前記特徴点に照合することにより、前記自車両の位置を推定する位置推定部と、を備え、
   前記生成部は、前記新特徴点とマッチする情報が前記地図に含まれていない場合、前記新特徴点に対応する点の情報を前記地図に追加することを備えることを特徴とする地図生成装置。

Images