JP2023174272A - 物体認識方法及び物体認識装置 - Google Patents

Abstract

【課題】対象物体の姿勢推定精度を向上する物体認識方法及び物体認識装置を提供する。【解決手段】移動体に搭載された測距センサ１０により生成される移動体の周囲に存在する対象物体の表面の測距点データのうち、同一の対象物体の表面の複数の測距点データを測距点群として抽出し、測距点群を、測距センサの位置を原点とする二次元座標上又は三次元座標上に変換し、二次元座標上又は三次元座標上において、測距点群の全てを含むモデル領域を複数設定し、測距点群により測距センサからの死角となる領域を占有領域として設定し、占有領域以外の領域を非占有領域として設定し、複数の前記モデル領域の中から、モデル領域の各々と非占有領域とが重なる重複領域の面積又は体積が所定値以下となるモデル領域を選択し、選択したモデル領域を、対象物体として認識する。【選択図】図６

Description

本発明は、物体認識方法及び物体認識装置に関する。

特許文献１には、車載レーダにより検出された対象物体の反射点群の検出パターンの情報から対象物体の矩形の推定を行うことにより対象物体の種別を識別する物体認識装置が開示されている。この矩形の推定において、クラスタリングで得られた検出パターンの全ての反射点を、各反射点がプロットされた水平面上でクラスタ中心を原点として１度ずつ回転させ、その都度水平方向の反射点の濃度投影を行う。そして、反射点の濃度値がピークとなる回転状態から少なくとも矩形のＬ字の２辺のいずれか１辺となる軸を見つけ、１軸しか見つけられなければ、その軸となす角が直角な方向に前記Ｌ字の２辺の残りの１辺となるもう一方の軸を設定することで矩形の幅又は奥行きとなる軸の検出を行う。

特開２０１２－５２８３８号公報

しかしながら、水平面上（上面視）で対象物体の輪郭内部に反射点がある場合、濃度値のピークが対象物体の実際の幅又は奥行きとなる辺からずれることがある。特に、対象物体が水平方向に対し傾いているような場合には、対象物体のＬ字の２辺上の反射点が重なり、濃度値のピークが対象物体の実際の幅又は奥行きとなる辺からずれることがある。これにより、矩形の幅又は奥行きとなる軸を誤検出し、対象物体の姿勢推定精度が低下する可能性がある。

本発明は、対象物体の姿勢推定精度を向上することを目的とする。

本発明の一態様に係る物体認識方法及び物体認識装置は、移動体に搭載され、前記移動体の周囲に存在する対象物体の表面の測距点に関する測距点データを生成する測距センサと、前記測距センサから取得した前記測距点データに基づいて、対象物体を認識するコントローラと、を備える。前記コントローラは、前記測距点データのうち、同一の前記対象物体の表面の複数の前記測距点データを測距点群として抽出し、前記測距点群を、前記測距センサの位置を原点とする二次元座標上又は三次元座標上に変換し、前記二次元座標上又は三次元座標上において、前記測距点群の全てを含むモデル領域を複数設定し、前記二次元座標上又は前記三次元座標上において、前記測距点群により前記測距センサからの死角となる領域を占有領域として設定し、前記二次元座標上又は三次元座標上において、前記占有領域以外の領域を非占有領域として設定し、前記複数の前記モデル領域の中から、前記モデル領域の各々と前記非占有領域とが重なる重複領域の面積又は体積が所定値以下となる前記モデル領域を選択し、選択した前記モデル領域を、前記対象物体として認識することを特徴とする。

本発明によれば、対象物体の姿勢推定精度が向上する。

図１は、本発明の実施形態に係る物体認識装置の構成図である。 図２は、他車両の表面の測距点データを移動体上面視の二次元測距点群データに変換する方法の一例を説明するための図である。 図３は、近接する他車両と壁及び他車両と壁の表面の測距点データを示している図である。 図４は、モデル領域の設定方法の一例を説明する図である。 図５は、非占有領域の設定方法を説明する図である。 図６は、モデル領域の選択方法を説明する図である。 図７は、第１実施形態に係る物体認識装置の動作を示すフローチャートである。 図８は、第２実施形態に係る物体認識装置の動作を示すフローチャートである。

（第１実施形態）
以下において、図面を参照して、本発明の第１実施形態を説明する。説明において、同一のものには同一符号を付して重複説明を省略する。

図１を参照して、第１実施形態に係る物体認識装置１の構成例を説明する。図１に示すように、物体認識装置１は、測距センサ１０と、測距点取得部２１、クラスタリング処理部２２、周囲物体認識部２３、運転支援部２４からなる制御部２０を備える。

測距センサ１０は、移動体に搭載され、移動体の周囲に存在する対象物体の表面の測距点に関する測距点データを生成する。測距センサ１０は、移動体の周囲へ探査波を送信して移動体の周囲を走査し、探査波が移動体の周囲に存在する対象物体の表面で反射した反射波を受信する。測距センサ１０は受信した反射波に基づいて、対象物体の表面の複数の位置で探査波がそれぞれ反射した反射点の位置を、移動体の測距センサ１０に対する反射点の相対位置として算出し、各々の反射点の相対位置を表す測距点データを取得する。

測距センサ１０は一例としてライダ（ＬＩＤＡＲ：Ｌａｓｅｒ Ｉｍａｇｉｎｇ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）である。ライダとは周囲の物体に光（レーザ光）を発射し、その光（反射光）が物体に当たって跳ね返ってくるまでの時間を測定することにより、物体までの距離及び方向を測定したり、物体の形状を認識したりする。さらにライダは物体の位置関係を三次元的に取得することが可能である。なお反射光の強度を用いてマッピングすることも可能である。

測距点データは、測距点の位置情報を含む。測距点の位置情報は、測距点の位置座標を示す情報である。位置座標には、測距センサ１０の設置位置を原点とする、ｘ座標、ｙ座標、及びｚ座標で表される三次元座標系が用いられる。位置座標には、測距センサ１０から測距点に向かう方向（ヨー角、ピッチ角）、及び、測距センサ１０から測距点までの距離（深度）で表される極座標系が用いられてもよい。また、測距点データは、所定間隔で取得される。

測距センサ１０は対象物体の表面の複数の測距点の位置を測距点データとして取得できれば、どのようなセンサであってもよく上記に限定されない。例えば、測距センサ１０は、移動体に搭載されたステレオカメラであってもよい。測距センサ１０にステレオカメラを用いる場合、少なくとも２つの視点の異なるカメラ画像を取得し、それら画像間で対応する位置から視差を求め、三角測量の原理によって画像の各位置に対して３次元情報を取得しすることができる。移動体の周囲をステレオカメラで撮像した時の画像内の周囲物体に対応した画素の位置及び距離から測距点データを取得してもよい。測距センサ１０は、取得した上記測距点データを制御部２０の測距点取得部２１に出力する。

制御部２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリ、及び入出力部を備える汎用のマイクロコンピュータである。マイクロコンピュータには、物体認識装置１として機能させるためのコンピュータプログラムがインストールされている。コンピュータプログラムを実行することにより、マイクロコンピュータは物体認識装置１が備える複数の情報処理回路として機能する。制御部２０は、測距センサ１０から取得したデータを処理する。

なおここでは、ソフトウェアによって物体認識装置１が備える複数の情報処理回路を実現する例を示すが、もちろん以下に示す各情報処理を実行するための専用のハードウェアを用意して情報処理回路を構成することも可能である。また複数の情報処理回路を個別のハードウェアにより構成してもよい。

制御部２０は、測距センサ１０か取得した測距点データに基づいて、対象物体を認識する。制御部２０は、複数の情報処理回路（情報処理機能）の一例として、測距点取得部２１、クラスタリング処理部２２、周囲物体認識部２３、運転支援部２４を備える。

以下、制御部２０の各情報処理機能について説明する。
測距点取得部２１は、測距センサ１０から測距点データを取得する。測距センサ１０により取得した測距点データには、物体以外の路面等の様々な測距点データが含まれる。そのため測距点取得部２１は、まず取得した測距点データの中から立体物の測距点データを抽出する。

立体物の測距点データの抽出方法は、路面から第一高さ所定値以上の高さの測距点データを抽出するようにしてもよい。例えば、第一高さ所定値は、三次元座標系のｚ軸において一般的な車両のバンパーの最下部の高さとなるように設定することができる。また、立体物の測距点データの抽出方法は、路面から第一高さ所定値以上かつ第二高さ所定値未満の高さの測距点データを抽出するようにしてもよい。例えば、第二高さ所定値は、カメラ等で認識した駐車車両の車種(大型車、普通車など)から、車種に応じたルーフの高さまでを含むように設定することができる。その他にも、測距点データを蓄積したグリッドマップを生成して路面と立体物の測距点を判定してもよい。

次に、クラスタリング処理部２２は、抽出した立体物の測距点データを抽出するクラスタリング処理を行う。ここで、クラスタリングとは、抽出した立体物の測距点データのうち、同一の対象物体の表面の複数の測距点データをクラスタ（測距点群）として抽出する手法である。一例として、抽出した立体物の複数の測距点データの中から、２点間の距離が所定値以下の測距点データを測距点群として抽出する。例えば、対象物体が車両（他車両）である場合に抽出された測距点群は図２の(ａ)のようになる。

図３は、近接する他車両と壁及び他車両と壁の表面の測距点を示している。他車両と壁が近接しているような場合には、他車両と壁という複数の対象物体の測距点が、同一の対象物体の測距点群として誤抽出されてしまうことがある。その際には、クラスタリング処理部２２は、測距点群を抽出した２点間の距離の所定値を前回より小さくし、再度クラスタリング処理を行って、測距点群を再抽出する。つまり、クラスタリング処理部２２は、測距点群を分割する。具体的なフローについては、図７のフローチャートを用いて後述する。

次に、クラスタリング処理部２２は、抽出した測距点群を、図２の(ｂ)のように移動体上面視の二次元測距点群データに変換する。ここで、移動体上面視の二次元測距点群データとは、測距点群を、測距センサ１０の位置を原点とする、x座標及びｙ座標で表される二次元座標系に投影して、二次元座標に変換した測距点群データのことをいい、以下同様の意味で使う。なお、クラスタリング処理部２２は、測距点群を、測距センサの位置を原点とするｘ座標、ｙ座標及びｚ座標で示される三次元座標系に投影して、三次元座標に変換してもよい。

次に周囲物体認識部２３は、クラスタリング処理部２２から入力された二次元測距点群データに基づいて、対象物体のモデル領域を設定する。周囲物体認識部２３は、二次元座標上において、測距点群の全てを含むモデル領域を複数設定する。交通環境に存在するほとんどの物体(自動車、自動二輪車、自転車等)は、上面視においては矩形に近い形状をしているため、周囲物体認識部２３は、対象物体は矩形形状であるという前提をもとに対象物体を近似した矩形形状を示す矩形領域をモデル領域として設定する。

なお、測距点群が三次元座標に変換された場合には、周囲物体認識部２３は、対象物体は直方体形状であるという前提をもとに、三次元座標上において、対象物体を近似した直方体の領域をモデル領域として設定してもよい。すなわち、周囲物体認識部２３は、二次元座標上又は三次元座標上において測距点群の全てを含むモデル領域を複数設定する。

モデル領域の設定方法の１例として、周囲物体認識部２３は、図４の(ａ)、(ｂ)、(ｃ)のように矩形の長辺方向と対象物体Ｖ２の進行方向の成す角θが異なり、測距点群の全てを含む最小の面積の矩形領域（モデル領域）３０ａ、３０ｂ、３０ｃを設定してもよい。なお、図４の（ｂ）においては、矩形の長辺方向と対象物体Ｖ２の進行方向の成す角θは０°である。例えば、周囲物体認識部２３は、矩形の長辺方向と対象物体の進行方向の成す角θが０°から８９°まで１°ごとにそれぞれ測距点群の全てを含む最小の面積の矩形領域をモデル領域として複数設定してもよい。この場合、矩形の長辺方向と対象物体の進行方向の成す角θが０°から８９°までの９０通りの矩形領域がモデル領域として設定される。また何度ごとにモデル領域を設定するかは上記に限られない。本実施形態では、測距点群の全てを含む最小の面積のモデル領域を設定する例を示したが、測距点の一部を含むモデル領域を設定してもよい。

なお、測距点群が三次元座標に変換された場合には、周囲物体認識部２３は、ｘ－ｙ平面上における直方体の長辺方向と対象物体の進行方向の成す角が異なり、三次元座標上の測距点群の全てを含む最小の体積のモデル領域を複数設定してもよい。この場合、ｘ－ｙ平面上における直方体の長辺方向と対象物体の進行方向の成す角が０°から８９°までの９０通りの直方体の領域がモデル領域として設定されてもよい。

図５において、測距センサ１０は移動体Ｖ１に搭載され、対象物体Ｖ２の測距点群が抽出されているとする。周囲物体認識部２３は、図５のように測距センサ１０の位置を原点とする二次元座標上において測距点群により測距センサ１０（原点）からの死角となる領域を占有領域４０として設定する。また、周囲物体認識部２３は、測距センサ１０の位置を原点とする二次元座標上において、占有領域４０以外の領域を非占有領域５０として設定する。なお、測距点群が三次元座標に変換された場合には、周囲物体認識部２３は、測距センサ１０の位置を原点とする三次元座標上において、測距点群により測距センサ１０（原点）からの死角となる領域を占有領域として設定し、三次元座標上において、占有領域以外の領域を非占有領域として設定してもよい。

ここで、占有領域とは、測距センサ１０の位置を原点として、探査波を当てた際に探査波が測距点群により遮蔽される領域である。なお、測距点群間には連続的に点があるものとみなす。また占有領域は、測距点群のうち、測距センサ１０からの各方位において測距センサ１０からの距離が最短となる測距点に基づいて設定される。

周囲物体認識部２３は、複数のモデル領域の各々と、非占有領域５０とが重なる重複領域の面積を算出する。例として、図４の(ａ)のモデル領域３０ａと非占有領域５０とが重なる重複領域の面積は図６の(ａ)の斜線部分の領域Ｒａの面積になる。図４の（ｂ）のモデル領域３０ｂと非占有領域５０とが重なる重複領域の面積は、図６の（ｂ）に示すように存在しないため、重複領域の面積は０になる。図４の（ｃ）のモデル領域３０ｃと非占有領域５０とが重なる重複領域の面積は、図６の（ｃ）の斜線部分の領域Ｒｃの面積になる。なお、測距点群が三次元座標に変換された場合には、周囲物体認識部２３は、複数のモデル領域の各々と非占有領域とが重なる重複領域の体積を算出する。

周囲物体認識部２３は、重複領域の面積又は体積が所定値以下のモデル領域を選択する。周囲物体認識部２３は、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、重複領域の面積又は体積が最小となるモデル領域を選択してもよい。例えば、図６においては、重複領域の面積が最小（０）となるモデル領域３０ｂ（図示は省略）を選択してもよい。なお、モデル領域の選択方法は上記方法に限られず、周囲物体認識部２３は、複数のモデル領域の各々と、占有領域とが重なる重複領域の面積又は体積が所定値以上のモデル領域を選択してもよい。

周囲物体認識部２３は、選択したモデル領域を、移動体の周囲に存在する対象物体を認識する。つまり、選択したモデル領域の位置及び形状、姿勢を対象物体の位置及び形状、姿勢として認識する。またモデル領域の幅が車両の幅に近い場合はその幅を車両の全面又は背面と推定してもよい。また、地図情報などを用いることで、車両の存在する車線から、車両が前向きであるか、後ろ向きであるか推定できる。モデル領域の大きさ及び形状の少なくとも一方に基づいて認識した対象物体の属性を判別できる。例えばモデル領域の大きさに基づいて車両の車種等(トラック又は乗用車のいずれであるか)を判別できる。

運転支援部２４は周囲物体認識部２３で認識した対象物体の情報に基づいて、測距センサ１０が搭載されている移動体に対し、最適な運転支援を行う。運転支援部２４は、例えば、測距センサ１０が車両に搭載されている場合に、他車両が自車両に接近していると判定した場合には、自車両のステアリングアクチュエータ、アクセルペダルアクチュエータ、ブレーキアクチュエータなどの各種のアクチュエータを制御して自車両を停止、または減速し、もしくは回避操舵を伴う運転支援を行う。この場合、対象物体の車種の推定精度が向上するので、運転支援精度が向上する。

次に図７のフローチャートを参照して、第１実施形態に係る物体認識装置１の一動作例について説明する。

図７のステップＳ１０１において、測距センサ１０は、移動体の周囲に存在する対象物体の表面の測距点に関する測距点データを生成する。測距センサ１０は、生成した測距点データを測距点取得部２１に出力する。測距点取得部２１は、測距センサ１０から測距点データを取得する。

ステップＳ１０２において、測距点取得部２１は、ステップＳ１０１で取得した測距点データの中から、立体物の測距点データを抽出する。

ステップＳ１０３において、クラスタリング処理部２２は、ステップＳ１０２で抽出した立体物の測距点データに対し、クラスタリング処理を行い、同一の対象物体の測距点群を抽出する。クラスタリング処理部２２は、立体物の測距点データのうち、同一の対象物体の表面の複数の測距点データを測距点群として抽出する。

ステップＳ１０４において、クラスタリング処理部２２は、ステップＳ１０３で抽出した測距点群を、測距センサ１０の位置を原点とする二次元座標に変換する。すなわち、ステップＳ１０３で抽出した測距点群を、二次元測距点群データに変換する。

ステップＳ１０５において、周囲物体認識部２３は、ステップＳ１０４においてした二次元測距点群データに基づいて、複数のモデル領域を設定する。周囲物体認識部２３は、二次元座標上において、測距点群の全てを含む最小の面積のモデル領域を複数設定する。例えば、二次元座標上において、矩形の長辺方向と対象物体の進行方向の成す角が０°から８９°までの１°ごとにそれぞれ測距点群の全てを含む最小の面積の矩形領域をモデル領域として設定する。

ステップＳ１０６において、周囲物体認識部２３は、ステップＳ１０４において取得した二次元測距点群データに基づいて、占有領域を設定する。周囲物体認識部２３は、測距センサ１０の位置を原点とする二次元座標上において、測距点群により測距センサ１０（原点）からの死角となる領域を占有領域として設定する。

ステップＳ１０７において、周囲物体認識部２３は、ステップＳ１０４において取得した二次元測距点群データに基づいて、非占有領域を設定する。周囲物体認識部２３は、測距センサ１０の位置を原点とする二次元座標上において、占有領域以外の領域を非占有領域として設定する。

ステップＳ１０８において、周囲物体認識部２３は、ステップＳ１０５で得られた複数のモデル領域の各々と、ステップＳ１０７で得た非占有領域とが重なる重複領域の面積を算出する。

ステップＳ１０９において、周囲物体認識部２３は、上記重複領域の面積が所定値以下のモデル領域が存在するか否か判定する。重複領域の面積が所定値位以下のモデル領域が存在する場合はステップＳ１１１に進み、存在しない場合はステップＳ１１０に進む。

ステップＳ１１０では、クラスタリング処理部２２は、測距点群を分割する。具体的には、クラスタリング処理部２２は、測距点群を抽出した２点間の距離の所定値を前回より小さくする。そして、ステップＳ１０４のフローに戻る。すなわち、クラスタリング処理部２２は、重複領域の面積又は体積が所定値以下のモデル領域が存在しない場合には、測距点群を分割し、分割した測距点群のうち、同一の対象物体の表面の測距点を測距点群として再抽出する。

ステップＳ１１１において、周囲物体認識部２３は、上記重複領域の面積が所定値以下のモデル領域が複数存在するか否かを判定する。重複領域の面積が所定値位以下のモデル領域が複数存在する場合はステップＳ１１３に進み、重複領域の面積が所定値位以下のモデル領域が複数存在しない場合はステップＳ１１２に進む。ステップＳ１１２では、周囲物体認識部２３は、重複領域の面積が所定値以下の矩形領域を選択する。

ステップＳ１１３では、周囲物体認識部２３は、重複領域の面積が最小となるモデル領域を選択する。

ステップＳ１１４では、周囲物体認識部２３は、ステップＳ１１２又はステップＳ１１３で選択したモデル領域を対象物体として認識する。制御部２０は、図７の処理を終了し、運転支援部２４は、ステップＳ１１４で認識した対象物体の情報に基づいて、測距センサ１０が搭載されている移動体に対し、最適な運転支援を行う。

(第1実施形態の効果)
(1)第１実施形態では、移動体に搭載された測距センサ１０により生成される移動体の周囲に存在する対象物体の表面の測距点に関する測距点データに基づいて、対象物体を認識する。測距点データのうち、同一の対象物体の表面の複数の測距点データを測距点群として抽出する。測距点群を、測距センサの位置を原点とする二次元座標上又は三次元座標上に変換する。二次元座標上又は三次元座標上において測距点群の全てを含むモデル領域を複数設定し、測距点群により測距センサ１０からの死角となる領域を占有領域として設定し、占有領域以外の領域を非占有領域として設定する。複数のモデル領域の中から、モデル領域の各々と非占有領域とが重なる重複領域の面積又は体積が所定値以下となるモデル領域を選択し、選択したモデル領域を、対象物体として認識する。

設定した複数のモデル領域のうち、非占有領域との重複領域の面積又は体積が所定値以下のモデル領域を選択して、対象周囲物体として認識できる。これにより、測距点データから設定した複数のモデル領域のうち、対象物体とのずれが所定値以下となるモデル領域を選択できる。選択したモデル領域を対象物体として認識することにより、対象物体の姿勢推定精度を向上することができる。

(2)第１実施形態では、二次元座標上又は三次元座標上において、測距点群のうち、測距センサ１０からの各方位において測距センサ１０からの距離が最短となる測距点に基づいて、占有領域を設定する。
測距センサ１０からの各方位において測距センサからの距離が最短となる測距点とは、対象物体の輪郭上の測距点であるため、対象物体の輪郭上の測距点に基づいて、占有領域を設定できる。これにより、対象物体の輪郭内部の測距点の影響を受けずに占有領域を正確に設定でき、非占有領域を正確に設定できるため、対象物体の姿勢推定精度を向上することができる

(3)第１実施形態では、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、重複領域の面積又は体積が最小となるモデル領域を選択し、対象物体として認識する。
これにより、最適なモデル領域を選択することができる。最適なモデル領域に基づいて、対象物体の姿勢を推定することができる。

(4)第１実施形態では、重複領域の面積が所定値以下のモデル領域が存在しない場合には、測距点群を分割し、分割した測距点群のうち、同一の対象物体の表面の測距点を測距点群として再抽出する。
これにより誤って複数の対象物体の測距点を一つの対象物体の測距点群としてクラスタリングしてしまった場合でも、測距点群をクラスタリングし直すことができる。

(第２実施形態)
以下、本発明の第２実施形態について説明する。第２実施形態は、モデル領域の推定精度が低下した場合でも安定的に対象物体の姿勢の推定精度を維持することを目的とする。なお、第１実施形態と同様の要素には同一の符号を付し、その説明を省略する。以下、本発明の第２実施形態について、第１実施形態と相違する点について説明する。

第１実施形態に係る物体認識装置１においては、周囲物体認識部２３は、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、重複領域の面積又は体積が最小となるモデル領域を選択した。しかしながら、第２実施形態に係る物体認識装置１においては、周囲物体認識部２３は、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、対象物体を１フレーム前に認識した際に選択したモデル領域との角度差が所定角度差以下となるモデル領域を選択し、対象物体として認識する。すなわち、周囲物体認識部２３は、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、前回の処理時に選択し、対象物体として認識したモデル領域との角度差が所定角度差以下の矩形領域を選択する。

図８は第２実施形態に係る物体認識装置１の一動作例を説明するフローチャートである。
図示のように本実施形態では、図８のステップＳ２０１～Ｓ２１２、ステップＳ２１４の処理は、図７のステップＳ１０１～Ｓ１１２、ステップＳ１１４の処理と同一であるため、説明は省略する。図８のステップＳ２１３の処理が第１実施形態と異なる。本実施形態に係る物体認識装置１は、図８に示すステップＳ２０１～Ｓ２１４からなる一連の処理を、所定の周期で繰り返し実行する。繰り返し実行される処理の単位を「フレーム」と呼ぶ。すなわち、第２実施形態に係る物体認識装置１は、図８に示すフレームを繰り返し実行し、フレーム毎に、対象物体として認識されるモデル領域を選択する。

ステップＳ２１３において、周囲物体認識部２３は、前回の処理時に選択し、対象物体として認識したモデル領域との角度差が所定角度差以下のモデル領域を選択する。

(第２実施形態の効果)
(5)第２実施形態では、重複領域の面積又は体積が所定値以下のモデル領域が複数存在する場合には、対象物体を１フレーム前に認識した際に選択したモデル領域との角度差が所定角度差以下となるモデル領域を選択し、前記対象物体として認識する。
これにより瞬間的にモデル領域の推定精度が低下した場合でも、安定的に対象物体の姿勢推定精度を維持することができる。

１０ 測距センサ
２０ 制御部（コントローラ）
２１ 測距点取得部
２２ クラスタリング処理部
２３ 周囲物体認識部
２４ 運転支援部

Claims (6)

1. 移動体に搭載され、前記移動体の周囲に存在する対象物体の表面の測距点に関する測距点データを生成する測距センサと、
   前記測距センサから取得した前記測距点データに基づいて、前記対象物体を認識するコントローラと、を備える物体認識装置の物体認識方法であって、
   前記コントローラは、
   前記測距点データのうち、同一の前記対象物体の表面の複数の前記測距点データを測距点群として抽出し、
   前記測距点群を、前記測距センサの位置を原点とする二次元座標又は三次元座標に変換し、
   前記二次元座標上又は前記三次元座標上において、前記測距点群の全てを含むモデル領域を複数設定し、
   前記二次元座標上又は前記三次元座標上において、前記測距点群により前記測距センサからの死角となる領域を占有領域として設定し、
   前記二次元座標上又は前記三次元座標上において、前記占有領域以外の領域を非占有領域として設定し、
   複数の前記モデル領域の中から、前記モデル領域の各々と前記非占有領域とが重なる重複領域の面積又は体積が所定値以下となる前記モデル領域を選択し、
   選択した前記モデル領域を、前記対象物体として認識する
   ことを特徴とする物体認識方法。
2. 前記コントローラは、
   前記二次元座標上又は前記三次元座標上において、前記測距点群のうち、前記測距センサからの各方位において前記測距センサからの距離が最短となる測距点に基づいて、前記占有領域を設定する
   ことを特徴とする請求項１に記載の物体認識方法。
3. 前記コントローラは、
   前記重複領域の面積又は体積が前記所定値以下の前記モデル領域が複数存在する場合には、前記重複領域の面積又は体積が最も小さい前記モデル領域を選択し、前記対象物体として認識する
   ことを特徴とする請求項１又は２に記載の物体認識方法。
4. 前記コントローラは、
   前記重複領域の面積又は体積が前記所定値以下の前記モデル領域が存在しない場合には、前記測距点群を分割し、前記分割した前記測距点群のうち、同一の前記対象物体の表面の測距点を前記測距点群として再抽出する
   ことを特徴とする請求項１又は２に記載の物体認識方法。
5. 前記コントローラは、
   前記重複領域の面積又は体積が前記所定値以下の前記モデル領域が複数存在する場合には、前記対象物体を１フレーム前に認識した際に選択したモデル領域との角度差が所定角度差以下となる前記モデル領域を選択し、前記対象物体として認識する
   ことを特徴とする請求項１又は２に記載の物体認識方法。
6. 移動体に搭載され、前記移動体の周囲に存在する対象物体の表面の測距点に関する測距点データを生成する測距センサと、
   前記測距センサから取得した前記測距点データに基づいて、前記対象物体を認識するコントローラと、を備え
   前記コントローラは、
   前記測距点データのうち、同一の前記対象物体の表面の複数の前記測距点データを測距点群として抽出し、
   前記測距点群を、前記測距センサの位置を原点とする二次元座標又は三次元座標に変換し、
   前記二次元座標上又は前記三次元座標上において、前記測距点群の全てを含むモデル領域を複数設定し、
   前記二次元座標上又は前記三次元座標上において、前記測距点群により前記測距センサからの死角となる領域を占有領域として設定し、
   前記二次元座標上又は前記三次元座標上において、前記占有領域以外の領域を非占有領域として設定し、
   複数の前記モデル領域の中から、前記モデル領域の各々と前記非占有領域とが重なる重複領域の面積又は体積が所定値以下の前記モデル領域を選択し、
   選択した前記モデル領域を、前記対象物体として認識する
   ことを特徴とする物体認識装置。

Images