JP2024047442A

JP2024047442A - Automatic Driving Device

Info

Publication number: JP2024047442A
Application number: JP2022153057A
Authority: JP
Inventors: 英之原
Original assignee: Isuzu Motors Ltd
Current assignee: Isuzu Motors Ltd
Priority date: 2022-09-26
Filing date: 2022-09-26
Publication date: 2024-04-05
Anticipated expiration: 2042-09-26
Also published as: JP7400911B1

Abstract

The present invention relates to a method for determining driving behavior that improves the safety of autonomous vehicles.
[Solution] The autonomous driving device 1 includes a basic driving potential generation unit 124 that generates vehicle speed and lane potential, an obstacle potential generation unit 122 that generates an obstacle potential, a traffic potential generation unit 125 that generates a stopping position potential, a cost function generation unit 126 that generates an acceleration cost function having the acceleration of the host vehicle V as a parameter and including the vehicle speed potential within the vehicle speed prediction time, the obstacle risk based on the obstacle potential within the obstacle risk prediction time, and the violation risk based on the stopping position potential within the violation risk prediction time, and a yaw rate cost function that has the yaw rate of the host vehicle as a parameter and includes the lane potential, obstacle risk, and violation risk within the lane prediction time, and a driving behavior determination unit 127 that calculates the acceleration that minimizes the acceleration cost function and then calculates the yaw rate that minimizes the yaw rate cost function.
[Selected figure] Figure 2

Description

本発明は、自車両の運転行動を決定する自動運転装置に関する。 The present invention relates to an automatic driving device that determines the driving behavior of a vehicle.

リスクポテンシャル法により自車両の運転行動を決定する技術が知られている。特許文献１には、所定の予測時間内における各時刻のポテンシャルの累積値によってコスト関数を評価して、制動や操舵等の運転行動を決定する技術が開示されている。 Technology is known that uses the risk potential method to determine the driving behavior of a vehicle. Patent Document 1 discloses a technology that evaluates a cost function based on the cumulative value of the potential at each time within a specified prediction time, and determines driving behavior such as braking and steering.

特開２０１０－１８０６２号公報JP 2010-18062 A

しかしながら、複雑な交通状況に対する運転行動を同じ予測時間を使って決定すると、時間的に遠い衝突のリスクを考慮することができない等、自車両の安全性が低下するおそれがあった。 However, if the same prediction time is used to determine driving behavior in complex traffic situations, there is a risk that the safety of the vehicle may be reduced, for example by not being able to take into account the risk of a collision that is far away in time.

そこで、本発明はこれらの点に鑑みてなされたものであり、自動運転車両の安全性を向上する運転行動を決定することを目的とする。 The present invention has been made in consideration of these points, and aims to determine driving behavior that improves the safety of autonomous vehicles.

本発明の態様においては、ポテンシャル場に基づいて自車両の運転行動を決定する自動運転装置であって、前記自車両の走行軌道に応じて、前記自車両の車速の推奨度合いを示す車速ポテンシャル及び前記自車両の目標位置の推奨度合いを示す車線ポテンシャルを生成する基本走行ポテンシャル生成部と、前記自車両の周辺の障害物に応じて、障害物ポテンシャルを生成する障害物ポテンシャル生成部と、前記自車両の進行方向の前方に前記自車両が停止すべき位置が特定されると、前記自車両の停止位置の推奨度合いを示す停止位置ポテンシャルを生成する交通ポテンシャル生成部と、所定の車速予測時間内の前記車速ポテンシャルと、前記車速予測時間と異なる障害物リスク予測時間内の前記障害物ポテンシャルに基づく障害物リスクと、前記車速予測時間及び障害物リスク予測時間と異なる違反リスク予測時間内の前記停止位置ポテンシャルに基づく違反リスクとを含み、前記自車両の加速度をパラメータとする加速度コスト関数と、前記車速予測時間、前記障害物リスク予測時間及び前記違反リスク予測時間と異なる車線予測時間内の前記車線ポテンシャルと、前記障害物リスクと、前記違反リスクとを含み、前記自車両のヨーレートをパラメータとするヨーレートコスト関数と、を生成するコスト関数生成部と、前記加速度コスト関数を最小化する加速度を求めた後、前記ヨーレートコスト関数を最小化するヨーレートを求めて、前記自車両の運転行動を決定する運転行動決定部と、を備える自動運転装置を提供する。 In one aspect of the present invention, an automatic driving device that determines the driving behavior of a vehicle based on a potential field includes a basic driving potential generation unit that generates a vehicle speed potential indicating a recommended degree of the vehicle speed of the vehicle and a lane potential indicating a recommended degree of a target position of the vehicle in accordance with the driving trajectory of the vehicle, an obstacle potential generation unit that generates an obstacle potential in accordance with obstacles around the vehicle, a traffic potential generation unit that generates a stopping position potential indicating a recommended degree of the stopping position of the vehicle when a position where the vehicle should stop is identified ahead of the vehicle in the traveling direction, and a traffic potential generation unit that generates the vehicle speed potential within a predetermined vehicle speed prediction time and the obstacle potential within an obstacle risk prediction time different from the vehicle speed prediction time. and a violation risk based on the stop position potential within a violation risk prediction time different from the vehicle speed prediction time and the obstacle risk prediction time, and the acceleration of the host vehicle is a parameter. A cost function generation unit generates a yaw rate cost function including the lane potential within a lane prediction time different from the vehicle speed prediction time, the obstacle risk prediction time, and the violation risk prediction time, the obstacle risk, and the violation risk, and the yaw rate of the host vehicle is a parameter. The autonomous driving device includes a driving behavior determination unit that determines the driving behavior of the host vehicle by determining the acceleration that minimizes the acceleration cost function and then determining the yaw rate that minimizes the yaw rate cost function.

前記コスト関数生成部は、前記目標位置と前記自車両の位置との距離に応じて前記車線予測時間を設定してもよい。 The cost function generation unit may set the lane prediction time according to the distance between the target position and the position of the vehicle.

前記コスト関数生成部は、前記加速度コスト関数を最小化する加速度及び前記ヨーレートコスト関数を最小化するヨーレートの少なくともいずれかで前記自車両が走行するときの、前記障害物リスクが所定のリスク閾値以上であれば、前記障害物リスク予測時間よりも短い短期最大リスク予測時間内の前記障害物ポテンシャルに基づく短期最大リスクを含み前記加速度及び前記ヨーレートをパラメータとする障害物回避コスト関数を生成し、前記運転行動決定部は、前記障害物回避コスト関数が生成された場合には、前記障害物回避コスト関数が最小になる前記加速度及び前記ヨーレートを同時に求めて、前記自車両の運転行動を決定してもよい。 When the obstacle risk is equal to or greater than a predetermined risk threshold when the host vehicle is traveling at an acceleration that minimizes the acceleration cost function and/or a yaw rate that minimizes the yaw rate cost function, the cost function generation unit generates an obstacle avoidance cost function that includes a short-term maximum risk based on the obstacle potential within a short-term maximum risk prediction time that is shorter than the obstacle risk prediction time and has the acceleration and the yaw rate as parameters, and when the obstacle avoidance cost function is generated, the driving behavior determination unit may determine the driving behavior of the host vehicle by simultaneously determining the acceleration and the yaw rate that minimize the obstacle avoidance cost function.

前記運転行動決定部は、前記自車両が前記走行軌道に沿って走行するように定めた初期ヨーレートが入力された前記加速度コスト関数を最小化する加速度を決定してもよい。 The driving behavior determination unit may determine an acceleration that minimizes the acceleration cost function to which an initial yaw rate determined so that the host vehicle travels along the travel trajectory is input.

前記運転行動決定部は、前記加速度コスト関数を最小化する加速度が入力された前記ヨーレートコスト関数を最小化するヨーレートを決定してもよい。 The driving behavior determination unit may determine a yaw rate that minimizes the yaw rate cost function to which an acceleration that minimizes the acceleration cost function is input.

前記コスト関数生成部は、現時点から前記車速予測時間が経過した時点までの前記車速ポテンシャルの累積値と、前記障害物リスク予測時間内の複数の時点の各々の前記障害物ポテンシャルに基づく障害物リスクのうちの最大障害物リスクと、前記違反リスク予測時間内の複数の時点の各々の前記停止位置ポテンシャルに基づく違反リスクのうちの最大違反リスクと、を含む前記加速度コスト関数を生成してもよい。 The cost function generating unit may generate the acceleration cost function including a cumulative value of the vehicle speed potential from the current time to the time when the vehicle speed prediction time has elapsed, a maximum obstacle risk among obstacle risks based on the obstacle potential at each of a plurality of time points within the obstacle risk prediction time, and a maximum violation risk among violation risks based on the stop position potential at each of a plurality of time points within the violation risk prediction time.

前記コスト関数生成部は、前記車速ポテンシャルの累積値、前記最大障害物リスク及び前記最大違反リスクに加えて、前記運転行動決定部が直前に決定した加速度周辺で正則化するための正則化項を含む前記加速度コスト関数を生成してもよい。 The cost function generation unit may generate the acceleration cost function including a regularization term for regularizing around the acceleration most recently determined by the driving behavior determination unit in addition to the cumulative value of the vehicle speed potential, the maximum obstacle risk, and the maximum violation risk.

前記コスト関数生成部は、現時点から前記車線予測時間が経過した時点までの前記車線ポテンシャルの累積値と、前記障害物リスク予測時間内の複数の時点の各々の前記障害物ポテンシャルに基づく障害物リスクのうちの最大障害物リスクと、前記違反リスク予測時間内の複数の時点の各々の前記停止位置ポテンシャルに基づく違反リスクのうちの最大違反リスクと、を含む前記ヨーレートコスト関数を生成してもよい。 The cost function generating unit may generate the yaw rate cost function including a cumulative value of the lane potential from the current time to the time when the lane prediction time has elapsed, a maximum obstacle risk among obstacle risks based on the obstacle potential at each of a plurality of time points within the obstacle risk prediction time, and a maximum violation risk among violation risks based on the stop position potential at each of a plurality of time points within the violation risk prediction time.

前記コスト関数生成部は、前記車線ポテンシャルの累積値、前記最大障害物リスク及び前記最大違反リスクに加えて、前記運転行動決定部が直前に決定したヨーレート又は前記自車両の走行経路の曲率と前記車速との積で算出されるヨーレート周辺で正則化するための正則化項を含む前記ヨーレートコスト関数を生成してもよい。 The cost function generating unit may generate the yaw rate cost function including, in addition to the cumulative value of the lane potential, the maximum obstacle risk, and the maximum violation risk, a regularization term for regularizing around the yaw rate determined immediately before by the driving behavior determining unit or the yaw rate calculated by the product of the curvature of the travel path of the host vehicle and the vehicle speed.

前記基本走行ポテンシャル生成部は、前記車速予測時間、前記障害物リスク予測時間、前記違反リスク予測時間及び前記車線予測時間と異なる軌道予測時間内の前記障害物ポテンシャルを含む軌道コスト関数を最小化する前記走行軌道に応じて前記車速ポテンシャル及び前記車線ポテンシャルを生成してもよい。 The basic driving potential generating unit may generate the vehicle speed potential and the lane potential according to the driving trajectory that minimizes a trajectory cost function including the vehicle speed prediction time, the obstacle risk prediction time, the violation risk prediction time, and the obstacle potential within a trajectory prediction time that is different from the lane prediction time.

本発明によれば、自動運転車両の安全性を向上する運転行動を決定できるという効果を奏する。 The present invention has the effect of determining driving behavior that improves the safety of autonomous vehicles.

実施の形態に係る自動運転装置が実行する処理の概要を説明するための図である。FIG. 2 is a diagram for explaining an overview of the processing executed by the autonomous driving device according to the embodiment. 自動運転装置の構成を説明するための図である。FIG. 1 is a diagram for explaining the configuration of an automatic driving device. 運転行動決定する処理の一例を示すフローチャートである。10 is a flowchart showing an example of a process for determining a driving behavior.

［自動運転装置１が実行する処理の概要］
図１は、実施の形態に係る自動運転装置が実行する処理の概要を説明するための図である。自動運転装置は、自動運転装置が搭載された自車両の運転行動である加速度及びヨーレートをポテンシャル場に基づいて決定する。 [Overview of Processing Executed by Autonomous Driving Device 1]
1 is a diagram for explaining an outline of a process executed by an automatic driving device according to an embodiment. The automatic driving device determines the acceleration and yaw rate, which are driving behaviors of a host vehicle equipped with the automatic driving device, based on a potential field.

自動運転装置は、自車両の複数の走行モードから一の走行モードを選択することにより自車両の基本走行モードを決定する（図１（１））。複数の走行モードは、車線維持モード、右車線変更モード、左車線変更モード、障害物右回避モード及び障害物左回避モードである。自動運転装置は、自車両の基本走行モードを、各走行モードに対応する走行軌道のうちの走行軌道に対応する軌道コスト関数の関数値が最小になる走行軌道を走行する走行モードに決定する。 The autonomous driving device determines the basic driving mode of the host vehicle by selecting one of multiple driving modes of the host vehicle (Figure 1 (1)). The multiple driving modes are lane keeping mode, right lane change mode, left lane change mode, right obstacle avoidance mode, and left obstacle avoidance mode. The autonomous driving device determines the basic driving mode of the host vehicle to be a driving mode in which the host vehicle travels along a driving trajectory that minimizes the function value of the trajectory cost function corresponding to the driving trajectory among the driving trajectories corresponding to each driving mode.

自動運転装置は、自車両の加速度をパラメータとする加速度コスト関数を生成する（図１（２））。加速度コスト関数は、自車両の車速の推奨度合を示す車速ポテンシャルの累積値、自車両周辺の障害物に基づく障害物ポテンシャルによる接触リスク及び停止位置の推奨度合いを示す停止位置ポテンシャルによる交通ルールに違反する違反リスクの各々を、それぞれ異なる予測時間で予測するコスト関数である。加速度コスト関数の詳細は後述する。次に、自動運転装置は、加速度コスト関数を最小化する加速度を決定する（図１（３））。 The autonomous driving device generates an acceleration cost function with the acceleration of the host vehicle as a parameter (Figure 1 (2)). The acceleration cost function is a cost function that predicts, at different prediction times, the cumulative value of the vehicle speed potential, which indicates the recommended degree of the host vehicle's speed, the risk of contact due to obstacle potential based on obstacles around the host vehicle, and the risk of violating traffic rules due to the stopping position potential, which indicates the recommended degree of the stopping position. Details of the acceleration cost function will be described later. Next, the autonomous driving device determines the acceleration that minimizes the acceleration cost function (Figure 1 (3)).

自動運転装置は、加速度を決定した後、自車両のヨーレートをパラメータとするヨーレートコスト関数を生成する（図１（４））。ヨーレートコスト関数は、自車両の車速の推奨度合を示す車線ポテンシャルの累積値、接触リスク及び違反リスクの各々をそれぞれ異なる予測時間で予測するコスト関数である。自動運転装置は、ヨーレートコスト関数を最小化するヨーレートを決定する（図１（５））。 After determining the acceleration, the autonomous driving device generates a yaw rate cost function with the yaw rate of the host vehicle as a parameter (Figure 1 (4)). The yaw rate cost function is a cost function that predicts the cumulative value of the lane potential, which indicates the recommended degree of the host vehicle's speed, the contact risk, and the violation risk, each at a different prediction time. The autonomous driving device determines the yaw rate that minimizes the yaw rate cost function (Figure 1 (5)).

自動運転装置は、加速度及びヨーレートを決定したら、自車両の周辺に存在する障害物と自車両が接触するリスクを示す最大障害物リスクがリスク閾値未満であるか否かを判定する（図１（６））。リスク閾値は、自車両Ｖの周辺の障害物を直ちに回避する必要があるか否かを判定するための閾値である。リスク閾値は、平均的な運転者が車両を運転する際に直ちに障害物を回避する必要があると判断する場合の基準リスクよりも低い値である。基準リスクは、実験などにより適宜定めればよい。 After determining the acceleration and yaw rate, the autonomous driving device judges whether the maximum obstacle risk, which indicates the risk of the host vehicle coming into contact with an obstacle present in the vicinity of the host vehicle, is less than the risk threshold (Figure 1 (6)). The risk threshold is a threshold for judging whether an obstacle in the vicinity of the host vehicle V needs to be immediately avoided. The risk threshold is a value lower than the reference risk when an average driver judges that an obstacle needs to be immediately avoided when driving a vehicle. The reference risk may be determined as appropriate through experiments, etc.

自動運転装置は、障害物を直ちに回避すべき状況でなければ、決定した加速度とヨーレートを通常運転行動に決定する（図１（７））。これにより、アクセルやブレーキを操作して加速度を決定した後にハンドルを操作してヨーレートを決定するという運転者の運転行動に即した運転行動を決定できる。その結果、旋回中に加速してしまう等、安全性が低下するおそれのある運転行動を決定してしまうことを抑制できるので、自動運転車両の安全性を向上する運転行動を決定できる。 If the autonomous driving device is not in a situation where it must immediately avoid an obstacle, it will determine the normal driving behavior based on the determined acceleration and yaw rate (Figure 1 (7)). This allows it to determine driving behavior that matches the driver's driving behavior, which is to determine the acceleration by operating the accelerator and brake, and then to determine the yaw rate by operating the steering wheel. As a result, it is possible to prevent the autonomous driving device from determining driving behavior that may reduce safety, such as accelerating while turning, and it is possible to determine driving behavior that improves the safety of the autonomous vehicle.

一方、最大障害物リスクがリスク閾値以上であれば、自動運転装置は、障害物を直ちに回避すべき状況であると判定し、緊急運転行動を決定する処理を実行する。具体的には、まず、自動運転装置は、障害物回避コスト関数を生成する（図１（８））。障害物回避コスト関数は、短期最大リスクのみを含み、自車両の加速度及びヨーレートをパラメータとするコスト関数である。障害物回避コスト関数の詳細は後述する。次に、自動運転装置は、障害物回避コスト関数を最小化する加速度及びヨーレートを同時に決定する（図１（９））。 On the other hand, if the maximum obstacle risk is equal to or greater than the risk threshold, the autonomous driving device determines that the situation requires immediate obstacle avoidance and executes a process to determine emergency driving behavior. Specifically, the autonomous driving device first generates an obstacle avoidance cost function (Figure 1 (8)). The obstacle avoidance cost function is a cost function that includes only the short-term maximum risk and has the acceleration and yaw rate of the host vehicle as parameters. Details of the obstacle avoidance cost function will be described later. Next, the autonomous driving device simultaneously determines the acceleration and yaw rate that minimize the obstacle avoidance cost function (Figure 1 (9)).

これにより、自動運転装置は、障害物を直ちに回避すべき状況であれば、短期最大リスクのみを含む障害物回避コスト関数を最小化するので、複数のポテンシャル及びリスクを含むコスト関数を最小化する値を求める場合よりも短い時間で運転行動を決定できる。また、自動運転装置は、加速度及びヨーレートを同時に決定することにより、自車両と障害物の接触を回避できる確率を高める最適な運転行動を決定できる。 As a result, if the autonomous driving device is in a situation where an obstacle must be avoided immediately, it minimizes the obstacle avoidance cost function that includes only the short-term maximum risk, and can determine driving behavior in a shorter time than if a value that minimizes a cost function that includes multiple potentials and risks were sought. In addition, by simultaneously determining acceleration and yaw rate, the autonomous driving device can determine optimal driving behavior that increases the probability of avoiding contact between the vehicle and an obstacle.

［自動運転装置１の構成］
図２は、自動運転装置１の構成を説明するための図である。自動運転装置１は、自動運転車両である自車両Ｖに搭載されている。自車両Ｖは、自動運転装置１の他に、センサ群２及びＥＣＵ（Electronic Control Unit）３を搭載している。 [Configuration of automatic driving device 1]
2 is a diagram for explaining the configuration of the automatic driving device 1. The automatic driving device 1 is mounted on a host vehicle V, which is an automatic driving vehicle. In addition to the automatic driving device 1, the host vehicle V is mounted with a sensor group 2 and an ECU (Electronic Control Unit) 3.

センサ群２は、自車両Ｖの状態及び周辺環境を検出するセンサである。センサ群２は、例えば自車両Ｖの状態として車速をセンサ及び加速度を検出する加速度センサを含み、自車両Ｖの車速及び加速度を検出する。センサ群２は、車両の位置を検出するためのＧＰＳ（Global Positioning System）受信機を含み、自車両Ｖの位置を検出する。また、センサ群２は、自車両Ｖの状態として、ヨーレートを検出するセンサを含み、ヨーレートを検出する。 The sensor group 2 is a sensor that detects the state of the host vehicle V and the surrounding environment. The sensor group 2 includes, for example, a vehicle speed sensor and an acceleration sensor that detects acceleration as the state of the host vehicle V, and detects the vehicle speed and acceleration of the host vehicle V. The sensor group 2 includes a GPS (Global Positioning System) receiver for detecting the position of the vehicle, and detects the position of the host vehicle V. The sensor group 2 also includes a sensor that detects yaw rate as the state of the host vehicle V, and detects the yaw rate.

センサ群２は、周辺環境を検出するセンサとして、カメラ、レーダ、ＬＩＤＡＲ等の外部センサを有する。センサ群２は、外部センサの出力値を自動運転装置１に出力する。 The sensor group 2 includes external sensors such as cameras, radar, and LIDAR to detect the surrounding environment. The sensor group 2 outputs the output values of the external sensors to the autonomous driving device 1.

ＥＣＵ３は、自車両Ｖを制御するＥＣＵである。ＥＣＵ３は、自動運転装置１が決定した運転行動に従い、自車両Ｖのアクセルや操舵角を制御する。 ECU3 is an ECU that controls the host vehicle V. ECU3 controls the accelerator and steering angle of the host vehicle V according to the driving behavior determined by the automatic driving device 1.

自動運転装置１は、記憶部１１及び制御部１２を備える。記憶部１１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）及びハードディスク等を含む記憶媒体である。記憶部１１は、制御部１２が実行するプログラムを記憶する。記憶部１１は、自車両Ｖが走行する道路を含む地図を記憶していてもよい。例えば、記憶部１１は、信号機の位置、停止線の位置、横断歩道の位置及び交差点の位置を含む地図を記憶する。 The autonomous driving device 1 includes a memory unit 11 and a control unit 12. The memory unit 11 is a storage medium including a ROM (Read Only Memory), a RAM (Random Access Memory), a hard disk, etc. The memory unit 11 stores a program executed by the control unit 12. The memory unit 11 may store a map including the road on which the host vehicle V travels. For example, the memory unit 11 stores a map including the positions of traffic lights, stop lines, pedestrian crossings, and intersections.

制御部１２は、例えばＣＰＵ（Central Processing Unit）等のプロセッサを含む計算リソースである。制御部１２は、記憶部１１に記憶されたプログラムを実行することにより、障害物検出部１２１、障害物ポテンシャル生成部１２２、基本走行モード決定部１２３、基本走行ポテンシャル生成部１２４、交通ポテンシャル生成部１２５、コスト関数生成部１２６及び運転行動決定部１２７としての機能を実現する。 The control unit 12 is a computational resource including a processor such as a CPU (Central Processing Unit). The control unit 12 executes the programs stored in the memory unit 11 to realize the functions of an obstacle detection unit 121, an obstacle potential generation unit 122, a basic driving mode determination unit 123, a basic driving potential generation unit 124, a traffic potential generation unit 125, a cost function generation unit 126, and a driving behavior determination unit 127.

障害物検出部１２１は、センサ群２の出力値に基づいて自車両Ｖの周囲の障害物を検出する。例えば、障害物検出部１２１は、移動障害物（例えば、他車両、自転車、歩行者等）及び静止障害物（塀、ガードレール、標識、看板等）を検出する。また、センサ群２は、自車両Ｖが走行する走行車線の位置や幅等を検出する。障害物検出部１２１は、記憶部１１に記憶された地図を参照して、自車両Ｖの位置から基準距離よりも長い検出距離以内の静止障害物を検出してもよい。基準距離は、例えば５０メートルであるが、これに限定するものではない。例えば、障害物検出部１２１は、検出距離を、自車両Ｖの車速が大きいほど基準距離よりも長くする。一例を挙げると、障害物検出部１２１は、自車両Ｖの走行経路上の停止線及び横断歩道の位置を取得することにより、自車両Ｖの走行経路上の停止線及び横断歩道を特定する。 The obstacle detection unit 121 detects obstacles around the host vehicle V based on the output value of the sensor group 2. For example, the obstacle detection unit 121 detects moving obstacles (e.g., other vehicles, bicycles, pedestrians, etc.) and stationary obstacles (fences, guard rails, signs, billboards, etc.). The sensor group 2 also detects the position and width of the lane on which the host vehicle V is traveling. The obstacle detection unit 121 may refer to a map stored in the memory unit 11 to detect stationary obstacles within a detection distance longer than a reference distance from the position of the host vehicle V. The reference distance is, for example, 50 meters, but is not limited to this. For example, the obstacle detection unit 121 sets the detection distance longer than the reference distance as the vehicle speed of the host vehicle V increases. As an example, the obstacle detection unit 121 identifies the stop lines and crosswalks on the travel path of the host vehicle V by acquiring the positions of the stop lines and crosswalks on the travel path of the host vehicle V.

障害物ポテンシャル生成部１２２は、自車両の周辺の障害物に応じて、障害物ポテンシャルを生成する。具体的には、障害物ポテンシャル生成部１２２は、障害物検出部１２１が検出した自車両Ｖの周辺の移動障害物に応じて移動障害物ポテンシャル場を生成する。移動障害物ポテンシャル場は、移動障害物の速度及び向きに応じて所定時間毎に更新される時系列ポテンシャルである。また、障害物ポテンシャル生成部１２２は、静止障害物に応じて占有グリッドマップを生成する。具体的には、障害物ポテンシャル生成部１２２は、自車両Ｖが進入可能な領域と進入不可能な領域を区別するための占有グリッドマップを生成する。障害物ポテンシャル生成部１２２は、移動障害物ポテンシャル場及び占有グリッドマップを合成した障害物ポテンシャルを生成する。障害物ポテンシャルは、障害物と自車両が接触するリスクを示す斥力ポテンシャルである。 The obstacle potential generation unit 122 generates an obstacle potential according to obstacles around the vehicle. Specifically, the obstacle potential generation unit 122 generates a moving obstacle potential field according to moving obstacles around the vehicle V detected by the obstacle detection unit 121. The moving obstacle potential field is a time-series potential that is updated at predetermined intervals according to the speed and direction of the moving obstacle. In addition, the obstacle potential generation unit 122 generates an occupancy grid map according to stationary obstacles. Specifically, the obstacle potential generation unit 122 generates an occupancy grid map for distinguishing between areas that the vehicle V can enter and areas that the vehicle V cannot enter. The obstacle potential generation unit 122 generates an obstacle potential that is a combination of the moving obstacle potential field and the occupancy grid map. The obstacle potential is a repulsive potential that indicates the risk of contact between the obstacle and the vehicle.

基本走行モード決定部１２３は、複数の走行モードから一の走行モードを選択することにより自車両Ｖの基本走行モードを決定する。基本走行モード決定部１２３は、自車両Ｖが走行中の走行車線を走行し続けるように、基本走行モードを車線維持モードに決定し、自車両Ｖが走行中の走行車線の幅方向における中心位置を走行する走行軌道を生成する。走行軌道には、例えば、現時点から所定の予測時間後までの各時刻における自車両の目標速度、目標位置及び目標位置に到達する目標時刻を示す情報が含まれている。 The basic driving mode determination unit 123 determines the basic driving mode of the host vehicle V by selecting one driving mode from a plurality of driving modes. The basic driving mode determination unit 123 determines the basic driving mode to be a lane keeping mode so that the host vehicle V continues to travel in the driving lane in which it is traveling, and generates a driving trajectory in which the host vehicle V travels at the center position in the width direction of the driving lane in which it is traveling. The driving trajectory includes information indicating, for example, the target speed of the host vehicle at each time from the current time until a predetermined predicted time, the target position, and the target time to reach the target position.

基本走行モード決定部１２３は、自車両Ｖの走行車線の進行方向前方に障害物が検出されたら、当該障害物を回避するための、自車両Ｖの複数の走行モードの各々に応じた走行軌道を生成する。基本走行モード決定部１２３は、走行軌道のコストを予測するための軌道コスト関数Ｃ^Ｌを最小化する走行軌道に対応する走行モードを、自車両の走行モードに決定する。軌道コスト関数は、軌道コスト予想時間ΔＴ^Ｌ内の障害物ポテンシャルを含む、走行モードＩをパラメータとするコスト関数である。軌道コスト関数Ｃ^Ｌは、下記式（１）で示される。
Ｃ^Ｌ（Ｉ）＝－ｗ^Ｌ _ｓｓ／（Ｖ^ｔｇｔΔＴ^Ｌ）＋ｗ^Ｌ _Ｒ（Ｒ^Ｌ _ｍａｘ／Ｒ_ｔｈ）…（１） When an obstacle is detected ahead in the travel direction of the travel lane of the host vehicle V, the basic travel mode determination unit 123 generates a travel trajectory corresponding to each of a plurality of travel modes of the host vehicle V to avoid the obstacle. The basic travel mode determination unit 123 determines, as the travel mode of the host vehicle, a travel mode corresponding to a travel trajectory that minimizes a trajectory cost function C ^L for predicting the cost of the travel trajectory. The trajectory cost function is a cost function that takes the travel mode I as a parameter and includes an obstacle potential within a trajectory cost prediction time ΔT ^L. The trajectory cost function C ^L is expressed by the following formula (1).
C ^L (I) = - w ^L _ss / ( V ^tgt ΔT ^L ) + w ^L _R ( R ^L _max / R _th ) ... (1)

式（１）の第１項のｗ^Ｌ _ｓｓは、走行軌道において現時点から軌道コスト予想時間ΔＴ^Ｌまでに自車両Ｖが走行すると予想される道のりの長さを示す。また、第１項は、走行距離の道のりの長さｗ^Ｌ _ｓｓを、目標速度Ｖ^ｔｇｔと軌道コスト予想時間ΔＴ^Ｌとの積で算出された理想的な道のりの長さで除することで正規化されている。第１項は、負のコストである利得であり、予想される道のりの長さが理想的な道のりの長さに近いほど絶対値が小さくなる。 The first term w ^L _s s in formula (1) indicates the length of the path that the host vehicle V is expected to travel on the travel path from the current time to the trajectory cost predicted time ΔT ^L. The first term is normalized by dividing the path length w ^L _s s of the travel distance by the ideal path length calculated by the product of the target speed V ^tgt and the trajectory cost predicted time ΔT ^L. The first term is a gain, which is a negative cost, and the absolute value becomes smaller as the predicted path length approaches the ideal path length.

式（１）の第２項は、走行軌道を走行するリスクを正規化した値である。最大衝突リスクＲ^Ｌ _ｍａｘは、走行軌道の複数の経路点の各々の衝突リスクのうちの最大値である。各経路点の衝突リスクは、障害物ポテンシャルにより定まる。閾値Ｒ_ｔｈは、例えば、平均的な運転者が車両を運転する際の衝突リスクよりも低い値である。第２項は、正のコストである罰則であり、最大衝突リスクＲ^Ｌ _ｍａｘが閾値Ｒ_ｔｈよりも小さいほど絶対値が小さくなる。 The second term of equation (1) is a normalized value of the risk of traveling along the travel trajectory. The maximum collision risk R ^L _max is the maximum value of the collision risks of each of the multiple route points of the travel trajectory. The collision risk of each route point is determined by the obstacle potential. The threshold value R _th is, for example, a value lower than the collision risk when an average driver drives a vehicle. The second term is a penalty that is a positive cost, and the absolute value becomes smaller as the maximum collision risk R ^L _max is smaller than the threshold value R _th .

基本走行モード決定部１２３は、軌道コスト関数Ｃ^Ｌに各走行軌道の情報を入力することにより、各走行軌道に対応する軌道コスト関数Ｃ^Ｌの関数値を算出する。基本走行モード決定部１２３は、複数の軌道コスト関数Ｃ^Ｌの関数値のうちの、関数値が最小の走行モードを、基本走行モードに決定する。一例を挙げると、基本走行モード決定部１２３は、複数の関数値のうちの最小の関数値に対応する走行モードが障害物右回避モードであれば、基本走行モードを障害物右回避モードに決定する。 The basic driving mode determination unit 123 inputs information on each driving trajectory into the trajectory cost function C ^L to calculate a function value of the trajectory cost function C ^L corresponding to each driving trajectory. The basic driving mode determination unit 123 determines the driving mode having the smallest function value among the function values of the trajectory cost function C ^L as the basic driving mode. As an example, if the driving mode corresponding to the smallest function value among the plurality of function values is the obstacle right avoidance mode, the basic driving mode determination unit 123 determines the basic driving mode to be the obstacle right avoidance mode.

基本走行ポテンシャル生成部１２４は、基本走行モード決定部１２３が決定した走行モードの走行軌道を走行するように設定された基本走行ポテンシャルを生成する。具体的には、基本走行ポテンシャル生成部１２４は、自車両Ｖの車速の推奨度合いを示す車速ポテンシャル及び目標位置の推奨度合いを示す車線ポテンシャルを生成する。車速ポテンシャルＵ^ｖａｌは、自車両の目標速度と現時刻の速度との差に比例する引力又は斥力ポテンシャルである。車線ポテンシャルＵ^ｌａｎｅは、自車両の目標位置を基準とするポテンシャルであり、自車両の目標位置と現時刻の位置との差に比例する引力ポテンシャルである。 The basic driving potential generating unit 124 generates a basic driving potential set to drive on a driving trajectory of the driving mode determined by the basic driving mode determining unit 123. Specifically, the basic driving potential generating unit 124 generates a vehicle speed potential indicating the recommended degree of the vehicle speed of the host vehicle V and a lane potential indicating the recommended degree of the target position. The vehicle speed potential ^Uval is an attractive or repulsive potential proportional to the difference between the target speed of the host vehicle and the speed at the current time. ^The lane potential Ulane is a potential based on the target position of the host vehicle, and is an attractive potential proportional to the difference between the target position of the host vehicle and the position at the current time.

交通ポテンシャル生成部１２５は、自車両Ｖの進行方向の前方の停止位置に対応する停止位置ポテンシャルＵ^ｓｔｏｐを生成する。停止位置ポテンシャルＵ^ｓｔｏｐは、停止位置に対する自車両Ｖの停止位置の推奨度合いを示すポテンシャルであり、自車両Ｖが交通ルールに違反する違反リスクを示す斥力ポテンシャルである。交通ポテンシャル生成部１２５は、自車両Ｖの進行方向の前方に停止位置が特定されなくなったら、生成した停止位置ポテンシャルＵ^ｓｔｏｐを消去する。 The traffic potential generating unit 125 generates a stop position potential U ^stop corresponding to a stop position ahead in the traveling direction of the host vehicle V. The stop position potential U ^stop is a potential indicating the degree of recommendation of the stop position of the host vehicle V with respect to a stop position, and is a repulsive potential indicating a violation risk of the host vehicle V violating a traffic rule. When a stop position is no longer identified ahead in the traveling direction of the host vehicle V, the traffic potential generating unit 125 erases the generated stop position potential U ^stop .

交通ポテンシャル生成部１２５は、センサ群２の出力値に基づいて、自車両Ｖの進行方向の前方の自車両Ｖが停止すべき停止位置を特定する。停止位置は、自車両Ｖの走行車線の進行方向前方の停止線、横断歩道の手前及び交差点の手前であるが、これに限定するものではない。具体的には、交通ポテンシャル生成部１２５は、カメラが撮像した撮像画像を解析することにより、自車両Ｖの進行方向前方の停止線及び横断歩道を特定する。交通ポテンシャル生成部１２５は、特定した停止線の位置及び横断歩道の手前に停止位置ポテンシャルＵ^ｓｔｏｐを生成する。 The traffic potential generation unit 125 identifies a stop position ahead in the traveling direction of the host vehicle V where the host vehicle V should stop, based on the output values of the sensor group 2. The stop positions are, but are not limited to, a stop line ahead in the traveling direction of the traveling lane of the host vehicle V, in front of a pedestrian crossing, and in front of an intersection. Specifically, the traffic potential generation unit 125 identifies a stop line and a pedestrian crossing ahead in the traveling direction of the host vehicle V by analyzing an image captured by the camera. The traffic potential generation unit 125 generates a stop position potential U ^stop at the positions of the identified stop line and in front of the pedestrian crossing.

コスト関数生成部１２６は、自車両Ｖの通常運転行動を決定するためのコスト関数を生成する。まず、コスト関数生成部１２６は、加速度コスト関数Ｃ^Ｍ _１を生成する。例えば、コスト関数生成部１２６は、車速ポテンシャルと、障害物ポテンシャルに基づく障害物リスクと、停止位置ポテンシャルに基づく違反リスクとを含み、自車両の加速度をパラメータとする加速度コスト関数Ｃ^Ｍ _１を生成する。加速度コスト関数Ｃ^Ｍ _１は、下記式（２）で示される。
The cost function generation unit 126 generates a cost function for determining a normal driving behavior of the host vehicle V. First, the cost function generation unit 126 generates an acceleration cost function C ^M _1. For example, the cost function generation unit 126 generates an acceleration cost function C M ₁ that includes a vehicle speed potential, an obstacle risk based on an obstacle potential, and a violation risk based on a stopping position potential, and that uses the acceleration of the host vehicle as a parameter. The acceleration cost function ^{C M} ¹ _is expressed by the following formula (2).

式（２）の第１項は、現時点ｔ_０から車速予測時間ΔＴ^ｖｅｌが経過した時点までの車速ポテンシャルＵ^ｖａｌの累積値である。車速予測時間ΔＴ^ｖｅｌは、軌道コスト予想時間ΔＴ^Ｌと異なる。車速予測時間ΔＴ^ｖｅｌの具体的な値は、２秒であるが、これに限定するものではない。例えば、コスト関数生成部１２６は、自車両Ｖの車速が大きいほど車速予測時間ΔＴ^ｖｅｌを２秒よりも短くする。式（２）の第１項は、累積値を車速予測時間ΔＴ^ｖｅｌで除することで単位をそろえている。 The first term of formula (2) is the cumulative value of the vehicle speed potential U ^val from the current time _t0 to the time when the vehicle speed prediction time ΔT ^vel has elapsed. The vehicle speed prediction time ΔT ^vel is different from the trajectory cost prediction time ΔT ^L. A specific value of the vehicle speed prediction time ΔT ^vel is 2 seconds, but is not limited to this. For example, the cost function generation unit 126 shortens the vehicle speed prediction time ΔT ^vel to less than 2 seconds as the vehicle speed of the host vehicle V increases. The first term of formula (2) is made consistent in unit by dividing the cumulative value by the vehicle speed prediction time ΔT ^vel .

式（２）の第２項の最大障害物リスクＲ^Ｍ _ｍａｘは、障害物リスク予測時間ΔＴ^Ｍ内の複数の時点の各々の障害物ポテンシャルに基づく障害物リスクＲ^Ｍ _ｔのうちの最大値である。障害物リスク予測時間ΔＴ^Ｍは、車速予測時間ΔＴ^ｖｅｌ、及び軌道コスト予想時間ΔＴ^Ｌと異なる。障害物リスク予測時間ΔＴ^Ｍの具体的な値は、例えば１秒以上２秒未満であるが、これに限定するものではない。 The maximum obstacle risk R ^M _max in the second term of formula (2) is the maximum value among the obstacle risks R ^M _t based on the obstacle potentials at multiple points in time within the obstacle risk prediction time ΔT ^M. The obstacle risk prediction time ΔT ^M is different from the vehicle speed prediction time ΔT ^vel and the trajectory cost prediction time ΔT ^L. A specific value of the obstacle risk prediction time ΔT ^M is, for example, not less than 1 second and less than 2 seconds, but is not limited thereto.

最大障害物リスクＲ^Ｍ _ｍａｘは、下記式（３）で表される。各時刻の障害物リスクＲ^Ｍ _ｔは、下記式（４）で表される。
式（３）の距離時間ΔＴ^Ｄは、自車両Ｖと障害物の距離に基づく時間であり、例えば自車両Ｖと他車両との車間距離が０になるまでの時間である。距離時間ΔＴ^Ｄは、自車両Ｖの周辺の障害物との距離が長いほど長くする。具体的には、距離時間ΔＴ^Ｄは、自車両Ｖの進行方向前方の先行車両と自車両Ｖの車間距離が長いほど長くする。距離時間ΔＴ^Ｄの具体的な値は３秒であるが、これに限定するものではない。 The maximum obstacle risk R ^M _max is expressed by the following formula (3): The obstacle risk R ^M _t at each time is expressed by the following formula (4).
The distance time ΔT ^D in formula (3) is a time based on the distance between the host vehicle V and an obstacle, for example, the time until the inter-vehicle distance between the host vehicle V and another vehicle becomes 0. The distance time ΔT ^D is made longer as the distance between the host vehicle V and an obstacle in its periphery increases. Specifically, the distance time ΔT ^D is made longer as the inter-vehicle distance between the host vehicle V and a leading vehicle ahead of the host vehicle V in the traveling direction increases. A specific value of the distance time ΔT ^D is 3 seconds, but is not limited to this.

障害物ポテンシャルＵ^ｏｂｊ _ｔは、各時刻の障害物ポテンシャルである。障害物リスクＲ^Ｍ _ｔは、各時刻における自車両Ｖの外縁と障害物の接触リスクの大きさを示している。 The obstacle potential U ^obj _t is the obstacle potential at each time, and the obstacle risk R ^M _t indicates the magnitude of the risk of contact between the outer edge of the host vehicle V and an obstacle at each time.

Ｘ^ｅｖａｌ _ｔは、各時刻の自車両Ｖの外縁のＸ座標を示す。Ｙ^ｅｖａｌ _ｔは、各時刻の自車両Ｖの外縁のＹ座標を示す。Ｘ^ｅｖａｌ _ｔ及びＹ^ｅｖａｌ _ｔは、運動学モデル又は動力学モデルを用いて予測される。本実施の形態の自車両運動の予測は例えば、後輪軸の中心点が微小時間Δｔ内の二つの時刻の各々の自車両Ｖの向きの間の向きに直線運動すると仮定して計算される。運動学モデルは、後輪軸中心ですべり角による横速度の発生を想定しないモデルである。運動学モデルを用いた場合、計算が簡単になり、計算に必要な時間が短くなる。運動学モデルは特に極低速域で安定かつ高速に精度の良い予測を得ることができる。一方、本実施の形態の動力学モデルは、自車両運動の将来予測中に後輪軸中心での滑り角による横速度の発生を想定するモデルである。動力学モデルを用いることにより、車速が高い領域での各時刻の自車両Ｖの位置の予測精度が向上する。 X ^eval _t indicates the X coordinate of the outer edge of the host vehicle V at each time. Y ^eval _t indicates the Y coordinate of the outer edge of the host vehicle V at each time. X ^eval _t and Y ^eval _t are predicted using a kinematic model or a dynamic model. The prediction of the host vehicle motion in this embodiment is calculated, for example, by assuming that the center point of the rear wheel axle moves linearly in a direction between the directions of the host vehicle V at each of two times within the infinitesimal time Δt. The kinematic model is a model that does not assume the generation of lateral velocity due to a slip angle at the center of the rear wheel axle. When the kinematic model is used, the calculation is simplified and the time required for calculation is shortened. The kinematic model can obtain a stable, high-speed, and accurate prediction especially in an extremely low speed range. On the other hand, the dynamic model in this embodiment is a model that assumes the generation of lateral velocity due to a slip angle at the center of the rear wheel axle during future prediction of the host vehicle motion. By using the dynamic model, the prediction accuracy of the position of the host vehicle V at each time in a high vehicle speed range is improved.

加速度コスト関数Ｃ^Ｍ _１（式（２）を参照）の第３項の最大違反リスクＲ^ｖｉｏ _ｍａｘは、違反リスク予測時間ΔＴ^Ｓ内の複数の時点の各々の停止位置ポテンシャルＵ^ｓｔｏｐに基づく交通ルールに対する違反リスクＲ^ｖｉｏ _ｔのうちの最大値である。違反リスクＲ^ｖｉｏ _ｔは、自車両Ｖが停止することなく停止位置を超えて進行してしまい、交通ルールに違反してしまうリスクである。違反リスク予測時間ΔＴ^Ｓは、車速予測時間ΔＴ^ｖｅｌ、障害物リスク予測時間ΔＴ^Ｍ、及び軌道コスト予想時間ΔＴ^Ｌと異なる。違反リスク予測時間ΔＴ^Ｓは、交通ルールに違反してしまうリスクを予測するための時間である。違反リスク予測時間ΔＴ^Ｓの具体的な値は、例えば３秒よりも大きいが、これに限定するものではない。最大違反リスクＲ^ｖｉｏ _ｍａｘは、下記式（５）で表される。各時刻の違反リスクＲ^ｖｉｏ _ｔは、下記式（６）で表される。
The maximum violation risk R ^vio _max of the third term of the acceleration cost function C ^M ₁ (see formula (2)) is the maximum value of the violation risk R ^vio _t for a traffic rule based on each stop position potential U ^stop at a plurality of time points within the violation risk prediction time ΔT ^S. The violation risk R ^vio _t is the risk that the host vehicle V will proceed beyond the stop position without stopping and will violate a traffic rule. The violation risk prediction time ΔT ^S is different from the vehicle speed prediction time ΔT ^vel , the obstacle risk prediction time ΔT ^M , and the trajectory cost prediction time ΔT ^L. The violation risk prediction time ΔT ^S is a time for predicting the risk of violating a traffic rule. A specific value of the violation risk prediction time ΔT ^S is, for example, greater than 3 seconds, but is not limited to this. The maximum violation risk R ^vio _max is expressed by the following formula (5). The violation risk R ^vio _t at each time point is expressed by the following formula (6).

Ｘ^{ｆｒｏｎｔ} _ｔは、自車両Ｖの先端のＸ座標を示す。Ｙ^{ｆｒｏｎｔ} _ｔは、自車両Ｖの先端のＹ座標を示す。違反リスクＲ^ｖｉｏ _ｔは、各時刻において自車両Ｖが停止位置を超えてしまうリスクの大きさを示している。 X ^front _t indicates the X coordinate of the front end of the host vehicle V. ^{Y front} _t indicates the Y coordinate of the front end of the host vehicle V. The violation risk R ^vio _t indicates the magnitude of the risk that the host vehicle V will exceed the stopping position at each time.

加速度コスト関数Ｃ^Ｍ _１（式（２）を参照）の第４項は、加速度α^ｒｅｆ周辺で正則化するための正規化項である。加速度α^ｒｅｆは、例えば０であるが、直前に決定された加速度であってもよい。コスト関数生成部１２６は、加速度α^ｒｅｆを直前の加速度にした加速度コスト関数を生成することにより、加速度を急激に変化させないようにする加速度コスト関数Ｃ^Ｍ _１を生成できる。 The fourth term of the acceleration cost function C ^M1 (see equation (2)) is a normalization term for regularizing around the acceleration α ^ref . The acceleration α ^ref is, for example _, 0, but may be the most recently determined acceleration. The cost function generating unit 126 can generate an acceleration cost function C ^M1 that prevents the acceleration from suddenly changing by generating an acceleration cost function in which the acceleration α ^ref is the most recently determined _acceleration .

コスト関数生成部１２６は、自車両Ｖが走行軌道に沿って走行するように定めた初期ヨーレートγ^ｒｅｆを入力した加速度コスト関数を生成する。例えば、コスト関数生成部１２６は、曲線の道路の走行車線の幅方向の中心位置を走行するように設定された走行軌道に沿って走行するように定めた初期ヨーレートγ^ｒｅｆを入力した加速度コスト関数を生成する。また、コスト関数生成部１２６は、自車両Ｖが走行する道路の曲率又は走行軌道の曲率に基づいて初期ヨーレートγ^ｒｅｆを定めてもよい。 The cost function generating unit 126 generates an acceleration cost function to which an initial yaw rate γ ^ref determined so that the host vehicle V travels along a travel trajectory is input. For example, the cost function generating unit 126 generates an acceleration cost function to which an initial yaw rate γ ^ref determined so that the host vehicle V travels along a travel trajectory set to travel along the center position in the width direction of a travel lane of a curved road is input. The cost function generating unit 126 may also determine the initial yaw rate γ ^ref based on the curvature of the road on which the host vehicle V travels or the curvature of the travel trajectory.

運転行動決定部１２７は、初期ヨーレートγ^ｒｅｆが入力された加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*を以下の式（７）に基づいて求める。
The driving behavior determination unit 127 calculates the acceleration α ^* that minimizes the acceleration cost function C ^M ₁ to which the initial yaw rate γ ^ref is input, based on the following equation (7).

コスト関数生成部１２６は、運転行動決定部１２７が加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*を求めた後、ヨーレートコスト関数を生成する。具体的には、コスト関数生成部１２６は、車線予測時間ΔＴ^ｌａｎｅ内の車線ポテンシャルと、最大障害物リスクＲ^Ｍ _ｍａｘと、最大違反リスクＲ^ｖｉｏ _ｍａｘとを含み、自車両のヨーレートをパラメータとするヨーレートコスト関数を生成する。車線予測時間ΔＴ^ｌａｎｅは、車速予測時間ΔＴ^ｖｅｌ、及び障害物リスク予測時間ΔＴ^Ｍと異なる。 The cost function generating unit 126 generates a yaw rate cost function after the driving behavior determining unit 127 determines the acceleration α ^* that minimizes the acceleration cost function C ^M _1. Specifically, the cost function generating unit 126 generates a yaw rate cost function that includes the lane potential within the lane prediction time ΔT ^lane , the maximum obstacle risk R ^M _max , and the maximum violation risk R ^vio _max , and has the yaw rate of the host vehicle as a parameter. The lane prediction time ΔT ^lane is different from the vehicle speed prediction time ΔT ^vel and the obstacle risk prediction time ΔT ^M .

コスト関数生成部１２６は、目標位置と自車両の距離に応じて車線予測時間ΔＴ^ｌａｎｅを設定する。例えば、コスト関数生成部１２６は、目標位置と自車両の距離が大きいほど大きくした車線予測時間ΔＴ^ｌａｎｅを設定する。具体的には、コスト関数生成部１２６は、最小車線予測時間以上、最大車線予測時間以下の範囲内で、目標位置と自車両の距離が大きいほど大きくした車線予測時間ΔＴ^ｌａｎｅを設定する。最小車線予測時間は、例えば２秒であり、最大車線予測時間は例えば３秒であるが、これに限定するものではない。 The cost function generating unit 126 sets ^{the lane} prediction time ΔT according to the distance between the target position and the vehicle. For example, the cost function generating unit 126 sets ^{a lane} prediction time ΔT that is larger as the distance between the target position and the vehicle increases. Specifically, the cost function generating unit 126 sets a lane prediction time ΔT that is larger as the distance between the target position and the vehicle increases within a range between the minimum lane prediction time and the maximum ^lane prediction time. The minimum lane prediction time is, for example, 2 seconds, and the maximum lane prediction time is, for example, 3 seconds, but is not limited thereto.

コスト関数生成部１２６は、加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*を入力したヨーレートコスト関数Ｃ^Ｍ _２を生成する。ヨーレートコスト関数は、下記式（８）で示される。
The cost function generating unit 126 generates a yaw rate cost function C ^M ₂ to which the acceleration α ^* that minimizes the acceleration cost function C ^M ₁ is input. The yaw rate cost function is expressed by the following formula (8).

式（８）の第１項は、現時点ｔ_０から車線予測時間ΔＴ^ｌａｎｅが経過した時点までの車線ポテンシャルＵ^ｌａｎｅの累積値である。式（８）の第１項は、累積値を車線予測時間ΔＴ^ｌａｎｅで除することで単位をそろえている。 The first term of the formula (8) is the cumulative value of ^the lane potential U from the current time _t0 to the time when ^{the lane} prediction time ΔT has elapsed. The first term of the formula (8) is divided by ^{the lane} prediction time ΔT to make the units consistent.

式（８）の第４項は、ヨーレートγ^ｒｅｆ周辺で正則化するための正規化項である。ヨーレートγ^ｒｅｆは、０であるが、直前に決定されたヨーレートであってもよい。コスト関数生成部１２６は、ヨーレートγ^ｒｅｆを直前のヨーレートにしたヨーレートコスト関数を生成することにより、ヨーレートを急激に変化させないようにするヨーレートコスト関数を生成できる。また、ヨーレートγ^ｒｅｆは、目標とする走行経路の曲率と自車両Ｖの積で算出されるヨーレートであってもよい。この場合、コスト関数生成部１２６は、曲率に車速を乗じてヨーレートγ^ｒｅｆを算出し、算出したヨーレートγ^ｒｅｆを入力したヨーレートコスト関数を生成する。これにより、コスト関数生成部１２６は、走行経路に沿うヨーレートに近づくようなヨーレートコスト関数を生成できる。 The fourth term of the formula (8) is a normalization term for regularizing around the yaw rate γ ^ref . The yaw rate γ ^ref is 0, but may be the yaw rate determined immediately before. The cost function generating unit 126 can generate a yaw rate cost function that prevents the yaw rate from changing suddenly by generating a yaw rate cost function in which the yaw rate γ ^ref is the immediately previous yaw rate. The yaw rate γ ^ref may be a yaw rate calculated by multiplying the curvature of the target travel route and the host vehicle V. In this case, the cost function generating unit 126 calculates the yaw rate γ ^ref by multiplying the curvature by the vehicle speed, and generates a yaw rate cost function to which the calculated yaw rate γ ^ref is input. This allows the cost function generating unit 126 to generate a yaw rate cost function that approaches the yaw rate along the travel route.

運転行動決定部１２７は、加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*が入力されたヨーレートコスト関数Ｃ^Ｍ _２を最小化するヨーレートγ^*を以下の式（９）に基づいて求める。
運転行動決定部１２７は、加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*及びヨーレートコスト関数Ｃ^Ｍ _２を最小化するヨーレートγ^*を、自車両Ｖの運転行動として決定する。 The driving behavior determination unit 127 obtains the yaw rate γ ^* that minimizes the yaw rate cost function C ^M ₂ to which the acceleration α ^* that minimizes the acceleration cost function C ^M ₁ is input, based on the following equation (9).
The driving behavior determining unit 127 determines, as the driving behavior of the host vehicle V, the acceleration α ^* that minimizes the acceleration cost function C ^M ₁ and the yaw rate γ ^* that minimizes the yaw rate cost function C ^M ₂ .

このように、加速度コスト関数及びヨーレートコスト関数、車速ポテンシャルＵ^ｖａｌの累積値、車線ポテンシャルＵ^ｌａｎｅの累積値、最大障害物リスクＲ^Ｍ _ｍａｘ及び最大違反リスクＲ^ｖｉｏ _ｍａｘの各々に対して、それぞれ異なる予測時間が用いられている。そのため、運転行動決定部１２７は、車速ポテンシャルＵ^ｖａｌの累積値、車線ポテンシャルＵ^ｌａｎｅの累積値、最大障害物リスクＲ^Ｍ _ｍａｘ及び最大違反リスクＲ^ｖｉｏ _ｍａｘの各々を算出する際に、それぞれ最適な予測時間を用いた値を算出できる。つまり、運転行動決定部１２７は、車速ポテンシャルＵ^ｖａｌの累積値を算出するのに最適な車速予測時間ΔＴ^ｖｅｌを用いることができ、車線ポテンシャルＵ^ｌａｎｅの累積値を算出するのに最適な車線予測時間ΔＴ^ｌａｎｅを用いることができる。 In this way, different prediction times are _used for each of the acceleration cost function and the yaw rate cost function, the accumulated value of the vehicle speed potential ^Uval , the accumulated value of the lane potential ^Ulane , the maximum obstacle risk R ^Mmax _, and the maximum violation risk R ^viomax _. Therefore, when calculating each of the accumulated value of the vehicle speed potential ^Uval , the accumulated value of ^{the lane} potential _Ulane , the maximum obstacle risk R ^Mmax , and the maximum violation risk R ^viomax , the driving behavior determination unit 127 can calculate values using the optimal prediction times. In other words, the driving behavior determination unit 127 can use the optimal vehicle speed prediction time ^ΔTvel to calculate the accumulated value of the vehicle speed potential ^Uval , and can use the optimal lane prediction time ^ΔTlane to calculate the accumulated value of the lane potential ^Ulane .

また、運転行動決定部１２７は、最大障害物リスクＲ^Ｍ _ｍａｘ及び最大違反リスクＲ^ｖｉｏ _ｍａｘの各々を予測するのに最適な予測時間を用いて評価できる。そのため、自動運転装置１は、いずれかのリスクを過剰に評価したり過少に評価してしまったりすることを抑制して、最大障害物リスクＲ^Ｍ _ｍａｘ及び最大違反リスクＲ^ｖｉｏ _ｍａｘを適切に評価できる。 Furthermore, the driving behavior determination unit 127 can use optimal prediction times for predicting each of the maximum obstacle risk R ^M _max and the maximum violation risk R ^vio _max , and therefore the autonomous driving device 1 can appropriately evaluate the maximum obstacle risk R ^M _max and the maximum violation risk R ^vio _max while preventing any of the risks from being overestimated or underestimated.

そして、運転行動決定部１２７は、加速度を決定した後、ヨーレートを決定することにより、アクセルやブレーキを操作して加速度を決定した後にハンドルを操作してヨーレートを決定するという運転者の運転行動に即した運転行動を決定できる。また、運転行動決定部１２７は、加速度とヨーレートを個別に最適化するので、運転に必須の車速維持と車線維持をともに最適化できる。さらに、自動運転装置１は、加速度とヨーレートを個別に決定することにより、加速度とヨーレートを同時に求める場合よりも計算時間を低減できるので、運転行動の決定に必要な時間を短くできる。 The driving behavior determination unit 127 determines the acceleration and then the yaw rate, thereby determining driving behavior that conforms to the driver's driving behavior of determining the acceleration by operating the accelerator and brake, and then determining the yaw rate by operating the steering wheel. Furthermore, since the driving behavior determination unit 127 individually optimizes the acceleration and yaw rate, it can optimize both maintaining vehicle speed and keeping in lane, which are essential for driving. Furthermore, by individually determining the acceleration and yaw rate, the autonomous driving device 1 can reduce the calculation time compared to when the acceleration and yaw rate are calculated simultaneously, thereby shortening the time required to determine the driving behavior.

コスト関数生成部１２６は、運転行動決定部１２７が加速度及びヨーレートを決定した後、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であれば、自車両Ｖの運転行動を決定するための障害物回避コスト関数を生成する。例えば、コスト関数生成部１２６は、加速度コスト関数を最小化する加速度及びヨーレートコスト関数を最小化するヨーレートの少なくともいずれかで自車両が走行するときの最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であれば、障害物回避コスト関数を生成する。具体的には、コスト関数生成部１２６は、短期最大リスクを含み加速度及びヨーレートをパラメータとする障害物回避コスト関数を生成する。 If the maximum obstacle risk R ^M _max is equal to or greater than a risk threshold after the driving behavior determination unit 127 has determined the acceleration and yaw rate, the cost function generation unit 126 generates an obstacle avoidance cost function for determining the driving behavior of the host vehicle V. For example, if the maximum obstacle risk R M max is equal to or greater than a risk threshold when the host vehicle travels at at least one of an acceleration that minimizes ^the acceleration cost function and a yaw _rate that minimizes the yaw rate cost function, the cost function generation unit 126 generates an obstacle avoidance cost function that includes a short-term maximum risk and has the acceleration and yaw rate as parameters.

短期最大リスクは、決定した加速度及びヨーレートで自車両が走行するときの短期最大リスク予測時間内の障害物ポテンシャルに基づく自車両の周辺に存在する障害物と自車両が接触するリスクを示す。短期最大リスクＲ^Ｓ _ｍａｘは、障害物リスク予測時間ΔＴ^Ｍよりも短い短期最大リスク予測時間ΔＴ^ｓ内の複数の時点の各々の短期障害物リスクＲ^ｓ _ｔのうちの最大値である。短期最大リスク予測時間ΔＴ^ｓは、軌道コスト予想時間ΔＴ^Ｌ、車線予測時間ΔＴ^ｌａｎｅ、車速予測時間ΔＴ^ｖｅｌ、及び障害物リスク予測時間ΔＴ^Ｍと異なる。短期最大リスク予測時間ΔＴ^ｓは、例えば１秒未満であるが、これに限定するものではない。短期最大リスクＲ^Ｓ _ｍａｘは、下記式（１０）で表される。短期障害物リスクＲ^ｓ _ｔは、下記式（１１）で表される。
コスト関数生成部１２６は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であれば、当該短期最大リスクＲ^Ｓ _ｍａｘを含み加速度及びヨーレートをパラメータとする障害物回避コスト関数Ｃ^Ｓを生成する。障害物回避コスト関数Ｃ^Ｓは、下記式（１２）で表される。
Ｃ^Ｓ（α，γ）＝Ｒ^Ｓ _ｍａｘ＋Ｗ_αα^２＋Ｗ_γγ^２…（１２） The short-term maximum risk indicates the risk of the host vehicle coming into contact with an obstacle present around the host vehicle based on the obstacle potential within the short-term maximum risk prediction time when the host vehicle travels at the determined acceleration and yaw rate. The short-term maximum risk R ^S _max is the maximum value among the short-term obstacle risks R ^s ^t at multiple points in time within a short-term maximum risk prediction time ΔT ^s that is shorter than the obstacle risk prediction time ΔT _M. The short-term maximum risk prediction time ΔT ^s is different from the trajectory cost prediction time ΔT ^L , the lane prediction time ΔT ^lane , the vehicle speed prediction time ΔT ^vel , and the obstacle risk prediction time ΔT ^M. The short-term maximum risk prediction time ΔT ^s is, for example, less than 1 second, but is not limited thereto. The short-term maximum risk R ^S _max is expressed by the following formula (10). The short-term obstacle risk R ^s _t is expressed by the following formula (11).
If the maximum obstacle risk R ^M _max is equal to or greater than the risk threshold, the cost function generator 126 generates an obstacle avoidance cost function C ^S that includes the short-term maximum risk R ^S _max and has acceleration and yaw rate as parameters. The obstacle avoidance cost function C ^S is expressed by the following formula (12).
C ^S (α, γ) = R ^S _max + W _α α ² + W _γ γ ² ... (12)

式（１２）の第２項及び第３項は、０周りで正則化するための正規化項である。上記の式（１２）のとおり、障害物回避コスト関数Ｃ^Ｓは、短期最大リスクＲ^Ｓ _ｍａｘのみを含み、車速ポテンシャルＵ^ｖａｌ及び車線ポテンシャルＵ^ｌａｎｅの累積値と、停止位置ポテンシャルＵ^ｓｔｏｐに基づく最大違反リスクＲ^ｖｉｏ _ｍａｘとを含まない。 The second and third terms in equation (12) are normalization terms for regularizing around 0. As shown in equation (12) above, the obstacle avoidance cost function C ^S includes only the short-term maximum risk R ^S _max , and does not include the accumulated values of the vehicle speed potential U ^val and the lane potential U ^lane , and the maximum violation risk R ^vio _max based on the stopping position potential U ^stop .

運転行動決定部１２７は、障害物回避コスト関数Ｃ^Ｓが生成された場合には、障害物回避コスト関数Ｃ^Ｓが最小になる加速度α及びヨーレートγを同時に求めて、自車両Ｖの運転行動を決定する。具体的には、運転行動決定部１２７は、下記式（１３）に基づいて運転行動を決定する。
When the obstacle avoidance cost function C ^S is generated, the driving behavior determination unit 127 simultaneously obtains the acceleration α and the yaw rate γ that minimize the obstacle avoidance cost function C ^S , and determines the driving behavior of the host vehicle V. Specifically, the driving behavior determination unit 127 determines the driving behavior based on the following formula (13).

このように、運転行動決定部１２７は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であり、障害物を直ちに回避すべき状況で、短期最大リスクＲ^Ｓ _ｍａｘのみを含み、通常運転行動を予測する時間（例えば障害物リスク予測時間ΔＴ^Ｍ）よりも短い短期最大リスク予測時間ΔＴ^ｓでの障害物回避コスト関数Ｃ^Ｓを最小化する。そのため、運転行動決定部１２７は、通常運転行動を決定するためのコスト関数よりも含まれる項の数が少ないコスト関数を、通常運転行動を予測する時間よりも短い時間内で最小化する値を求めることができる。その結果、障害物を緊急回避する運転行動を決定するのに必要な時間が、通常運転行動を決定するのに必要な時間よりも短くなるので、自車両Ｖが障害物を回避可能な時間内で自車両Ｖの運転行動を決定できる。 In this way, the driving behavior determination unit 127 minimizes the obstacle avoidance cost function _{C S} ^at a short-term maximum risk prediction time ΔT ^S that includes only the short-term maximum risk R ^S _max and is shorter than the time to predict the normal driving behavior (e.g., the obstacle risk prediction time ΔT ^M ) in a situation where the maximum obstacle risk R ^M max is equal to or greater than the risk threshold and the obstacle should be avoided immediately. Therefore, the driving behavior determination unit 127 can obtain a value that minimizes a cost function that includes fewer terms than the cost function for determining the normal driving behavior, within a time shorter than the time to predict the normal driving behavior. As a result, the time required to determine a driving behavior for emergency obstacle avoidance is shorter than the time required to determine the normal driving behavior, so that the driving behavior of the host vehicle V can be determined within the time in which the host vehicle V can avoid the obstacle.

また、運転行動決定部１２７は、加速度及びヨーレートを同時に決定することにより、障害物を回避できる確率を高められる運転行動を決定できる。具体的には、運転行動決定部１２７は、減速だけでなく、操舵による回避や、加速による回避も運転行動として決定することができるようになる。 In addition, the driving behavior determination unit 127 can determine driving behavior that increases the probability of avoiding an obstacle by simultaneously determining the acceleration and yaw rate. Specifically, the driving behavior determination unit 127 can determine not only deceleration but also avoidance by steering and avoidance by acceleration as driving behaviors.

なお、コスト関数生成部１２６は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値未満であれば、障害物回避コスト関数Ｃ^Ｓを生成しない。運転行動決定部１２７は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値未満であれば、決定した加速度及びヨーレートを通常運転行動に決定する。このように、運転行動決定部１２７は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であれば障害物との接触を回避するための最適な運転行動を決定でき、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値未満であれば車速維持と車線維持をともに最適化できる。その結果、運転行動決定部１２７は、安全性を向上するとともに、運転に必須の操作の最適化を同時に達成できるようになる。 Note that the cost function generating unit 126 does not generate the obstacle avoidance cost function C ^S if the maximum obstacle risk R ^M _max is less than the risk threshold. The driving behavior determining unit 127 determines the determined acceleration and yaw rate as normal driving behavior if the maximum obstacle risk R ^M _max is less than the risk threshold. In this way, the driving behavior determining unit 127 can determine the optimal driving behavior for avoiding contact with an obstacle if the maximum obstacle risk R ^M _max is equal to or greater than the risk threshold, and can optimize both vehicle speed maintenance and lane keeping if the maximum obstacle risk R ^M _max is less than the risk threshold. As a result, the driving behavior determining unit 127 can improve safety and simultaneously achieve optimization of operations essential for driving.

［運転行動決定処理］
図３は、運転行動決定する処理の一例を示すフローチャートである。図３のフローチャートは、自車両Ｖが走行している間及び一時停止している間、繰り返し実行される。 [Driving behavior decision process]
3 is a flowchart showing an example of a process for determining a driving behavior, which is repeatedly executed while the host vehicle V is traveling and while the host vehicle V is stopped.

コスト関数生成部１２６は、加速度をパラメータとする加速度コスト関数を生成する（ステップＳ１）。具体的には、コスト関数生成部１２６は、自車両Ｖが走行軌道に沿って走行するように定めた初期ヨーレートγ^ｒｅｆを入力した加速度コスト関数Ｃ^Ｍ _１を生成する。運転行動決定部１２７は、生成された加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*を求める（ステップＳ２）。 The cost function generating unit 126 generates an acceleration cost function with acceleration as a parameter (step S1). Specifically, the cost function generating unit 126 generates an acceleration cost function C ^M ₁ to which an initial yaw rate γ ^ref determined so that the host vehicle V travels along the travel path is input. The driving behavior determining unit 127 determines an acceleration α ^* that minimizes the generated acceleration cost function C ^M ₁ (step S2).

コスト関数生成部１２６は、ヨーレートをパラメータとするヨーレートコスト関数Ｃ^Ｍ _２を生成する（ステップＳ３）。具体的には、コスト関数生成部１２６は、加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*を入力したヨーレートコスト関数Ｃ^Ｍ _２を生成する。運転行動決定部１２７は、生成されたヨーレートコスト関数Ｃ^Ｍ _２を最小化するヨーレートγ^*を求める（ステップＳ４）。 The cost function generating unit 126 generates a yaw rate cost function C ^M ₂ with the yaw rate as a parameter (step S3). Specifically, the cost function generating unit 126 generates the yaw rate cost function C ^M ₂ by inputting the acceleration α ^* that minimizes the acceleration cost function C ^M 1. The driving behavior determining unit 127 obtains the yaw rate γ ^* that minimizes _the generated yaw rate cost function C ^M ₂ (step S4).

コスト関数生成部１２６は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値未満か否かを判定する（ステップＳ５）。コスト関数生成部１２６は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値未満であれば（ステップＳ５でＹｅｓ）、緊急回避コスト関数Ｃ^Ｓを生成せず、運転行動決定部１２７は、加速度コスト関数Ｃ^Ｍ _１を最小化する加速度α^*と、ヨーレートコスト関数Ｃ^Ｍ _２を最小化するヨーレートγ^*とを自車両Ｖの運転行動に決定する（ステップＳ６）。 The cost function generating unit 126 determines whether the maximum obstacle risk R ^Mmax is less than _{the risk threshold (step S5). If the maximum obstacle risk R Mmax} ^is _less than the risk threshold (Yes in step S5), the cost function generating unit 126 does not generate the emergency avoidance cost function C ^S , and the driving behavior determining unit 127 determines the acceleration α ^* that minimizes the acceleration cost function C ^M1 and the yaw rate γ _* that minimizes the yaw rate ^cost function C ^M2 as _the driving behavior of the host vehicle V (step S6).

コスト関数生成部１２６は、最大障害物リスクＲ^Ｍ _ｍａｘがリスク閾値以上であれば（ステップＳ５でＮｏ）、加速度及びヨーレートをパラメータとする障害物回避コスト関数Ｃ^Ｓを生成する（ステップＳ７）。具体的には、コスト関数生成部１２６は、短期最大リスクＲ^Ｓ _ｍａｘのみを含み加速度及びヨーレートをパラメータとする障害物回避コスト関数Ｃ^Ｓを生成する。障害物回避コスト関数Ｃ^Ｓが生成されたら、運転行動決定部１２７は、障害物回避コスト関数Ｃ^Ｓを最小化する加速度及びヨーレートを同時に求める（ステップＳ８）。そして、運転行動決定部１２７は、同時に求めた加速度及びヨーレートを自車両Ｖの運転行動に決定する。 If the maximum obstacle risk R ^M _max is equal to or greater than the risk threshold (No in step S5), the cost function generating unit 126 generates an obstacle avoidance cost function C ^S having acceleration and yaw rate as parameters (step S7). Specifically, the cost function generating unit 126 generates an obstacle avoidance cost function C ^S including only the short-term maximum risk R ^S _max and having acceleration and yaw rate as parameters. Once the obstacle avoidance cost function C ^S has been generated, the driving behavior determining unit 127 simultaneously determines the acceleration and yaw rate that minimize the obstacle avoidance cost function C ^S (step S8). Then, the driving behavior determining unit 127 determines the acceleration and yaw rate determined simultaneously as the driving behavior of the host vehicle V.

［自動運転装置１の効果］
以上説明したとおり、自動運転装置１は、車速ポテンシャル、障害物ポテンシャル及び停止位置ポテンシャルの各々をそれぞれ異なる時間で予測する、加速度をパラメータとする加速度コスト関数と、車線ポテンシャル、障害物ポテンシャル及び停止位置ポテンシャルの各々をそれぞれ異なる時間で予測する、ヨーレートをパラメータとするヨーレートコスト関数とを生成する。そして、自動運転装置１は、加速度コスト関数を最小化する加速度を決定した後、ヨーレートコスト関数を最小化するヨーレートを決定する。 [Effects of the automatic driving device 1]
As described above, the autonomous driving device 1 generates an acceleration cost function with acceleration as a parameter that predicts each of the vehicle speed potential, obstacle potential, and stopping position potential at different times, and a yaw rate cost function with yaw rate as a parameter that predicts each of the lane potential, obstacle potential, and stopping position potential at different times. Then, the autonomous driving device 1 determines the acceleration that minimizes the acceleration cost function, and then determines the yaw rate that minimizes the yaw rate cost function.

このようにすることで、自動運転装置１は、車速ポテンシャルの累積値、車線ポテンシャルの累積値、障害物ポテンシャルに基づく最大障害物リスク及び停止位置ポテンシャルに基づく最大違反リスクの各々を求めるのに、それぞれ異なる予測時間を用いることができる。そのため、自動運転装置１は、車速ポテンシャルの累積値、車線ポテンシャルの累積値、最大障害物リスク及び最大違反リスクの各々を予測する際に、それぞれに最適な予測時間を用いることができる。つまり、自動運転装置１は、車速ポテンシャルの累積値を算出するのに最適な車速予測時間を用いて車速ポテンシャルの累積値を算出でき、車線ポテンシャルの累積値を算出するのに最適な車線予測時間を用いて車線ポテンシャルの累積値を算出できる。 In this way, the autonomous driving device 1 can use different prediction times to calculate the accumulated value of the vehicle speed potential, the accumulated value of the lane potential, the maximum obstacle risk based on the obstacle potential, and the maximum violation risk based on the stopping position potential. Therefore, the autonomous driving device 1 can use the optimal prediction time when predicting each of the accumulated value of the vehicle speed potential, the accumulated value of the lane potential, the maximum obstacle risk, and the maximum violation risk. In other words, the autonomous driving device 1 can calculate the accumulated value of the vehicle speed potential using the vehicle speed prediction time that is optimal for calculating the accumulated value of the vehicle speed potential, and can calculate the accumulated value of the lane potential using the lane prediction time that is optimal for calculating the accumulated value of the lane potential.

また、最大障害物リスク及び最大違反リスクの各々を同じ予測時間で予測してしまうと、いずれかのリスクを過剰に評価したり過少に評価してしまったりする。自動運転装置１は、最大障害物リスク及び最大違反リスクの各々を、それぞれ最適な予測時間を用いて予測できる。そのため、自動運転装置１は、リスクを過剰に評価したり過少に評価してしまったりすることを抑制して、最大障害物リスク及び最大違反リスクを適切に評価できる。 Furthermore, if the maximum obstacle risk and maximum violation risk are predicted using the same prediction time, one of the risks may be over- or under-estimated. The autonomous driving device 1 can predict the maximum obstacle risk and maximum violation risk using their respective optimal prediction times. Therefore, the autonomous driving device 1 can appropriately evaluate the maximum obstacle risk and maximum violation risk by preventing the risk from being over- or under-estimated.

さらに、自動運転装置１は、加速度を決定した後、ヨーレートを決定するので、アクセルやブレーキを操作して加速度を決定した後にハンドルを操作してヨーレートを決定するという運転者の運転行動に即した運転行動を決定できる。その結果、旋回中に加速してしまう等、安全性が低下するおそれのある運転行動を決定してしまうことを抑制できるので、自動運転車両の安全性を向上する運転行動を決定できる。また、自動運転装置１は、加速度とヨーレートを個別に決定することにより、加速度とヨーレートを同時に求める場合よりも計算時間を低減できるので、運転行動の決定に必要な時間を短くできる。 Furthermore, because the autonomous driving device 1 determines the yaw rate after determining the acceleration, it can determine driving behavior that is in line with the driver's driving behavior, which is to determine the acceleration by operating the accelerator or brake and then to determine the yaw rate by operating the steering wheel. As a result, it is possible to prevent the driver from deciding on driving behavior that may reduce safety, such as accelerating while turning, and it is possible to determine driving behavior that improves the safety of the autonomous vehicle. Furthermore, by determining the acceleration and yaw rate separately, the autonomous driving device 1 can reduce calculation time compared to when the acceleration and yaw rate are calculated simultaneously, thereby shortening the time required to determine driving behavior.

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。 Although the present invention has been described above using embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes are possible within the scope of the gist of the invention. For example, all or part of the device can be configured by distributing or integrating functionally or physically in any unit. In addition, new embodiments resulting from any combination of multiple embodiments are also included in the embodiments of the present invention. The effect of the new embodiment resulting from the combination also has the effect of the original embodiment.

１自動運転装置
１１記憶部
１２制御部
１２１障害物検出部
１２２障害物ポテンシャル生成部
１２３基本走行モード決定部
１２４基本走行ポテンシャル生成部
１２５交通ポテンシャル生成部
１２５交通ポテンシャル生成部
１２６コスト関数生成部
１２７運転行動決定部
２センサ群
３ＥＣＵ Reference Signs List 1 Automatic driving device 11 Memory unit 12 Control unit 121 Obstacle detection unit 122 Obstacle potential generation unit 123 Basic driving mode determination unit 124 Basic driving potential generation unit 125 Traffic potential generation unit 125 Traffic potential generation unit 126 Cost function generation unit 127 Driving behavior determination unit 2 Sensor group 3 ECU

Claims

An automatic driving device that determines a driving behavior of a vehicle based on a potential field,
a basic driving potential generating unit that generates a vehicle speed potential indicating a recommended degree of a vehicle speed of the host vehicle and a lane potential indicating a recommended degree of a target position of the host vehicle according to a driving trajectory of the host vehicle;
an obstacle potential generating unit that generates an obstacle potential in response to an obstacle around the host vehicle;
a traffic potential generating unit that generates a stop position potential indicating a degree of recommendation of the stop position of the host vehicle when a position where the host vehicle should stop is identified ahead in a traveling direction of the host vehicle;
an acceleration cost function including the vehicle speed potential within a predetermined vehicle speed prediction time, an obstacle risk based on the obstacle potential within an obstacle risk prediction time different from the vehicle speed prediction time, and a violation risk based on the stop position potential within a violation risk prediction time different from the vehicle speed prediction time and the obstacle risk prediction time, the acceleration cost function having the acceleration of the host vehicle as a parameter;
a cost function generating unit that generates a yaw rate cost function including the lane potential within a lane prediction time different from the vehicle speed prediction time, the obstacle risk prediction time, and the violation risk prediction time, the obstacle risk, and the violation risk, and having a yaw rate of the host vehicle as a parameter;
a driving behavior determination unit that determines a driving behavior of the host vehicle by determining an acceleration that minimizes the acceleration cost function and then determining a yaw rate that minimizes the yaw rate cost function;
An automatic driving device equipped with the above.

the cost function generation unit sets the lane prediction time in accordance with a distance between the target position and a position of the host vehicle.
The automatic driving device according to claim 1.

the cost function generation unit generates an obstacle avoidance cost function having the acceleration and the yaw rate as parameters, the obstacle avoidance cost function including a short-term maximum risk based on the obstacle potential within a short-term maximum risk prediction time that is shorter than the obstacle risk prediction time, if the obstacle risk is equal to or greater than a predetermined risk threshold when the host vehicle travels at at least one of the acceleration that minimizes the acceleration cost function and the yaw rate that minimizes the yaw rate cost function;
the driving behavior determination unit, when the obstacle avoidance cost function is generated, simultaneously obtains the acceleration and the yaw rate that minimize the obstacle avoidance cost function, and determines the driving behavior of the host vehicle.
The automatic driving device according to claim 1.

The driving behavior determination unit determines an acceleration that minimizes the acceleration cost function to which an initial yaw rate determined so that the host vehicle travels along the travel trajectory is input.
The automatic driving device according to claim 1.

The driving behavior determination unit determines a yaw rate that minimizes the yaw rate cost function to which the acceleration that minimizes the acceleration cost function is input.
The automatic driving device according to claim 3.

the cost function generating unit generates the acceleration cost function including a cumulative value of the vehicle speed potential from a current time point to a time point when the vehicle speed prediction time has elapsed, a maximum obstacle risk among obstacle risks based on the obstacle potential at each of a plurality of time points within the obstacle risk prediction time, and a maximum violation risk among violation risks based on the stop position potential at each of a plurality of time points within the violation risk prediction time.
The automatic driving device according to any one of claims 1 to 4.

The cost function generating unit generates the acceleration cost function including a regularization term for regularizing around the acceleration most recently determined by the driving behavior determining unit in addition to the cumulative value of the vehicle speed potential, the maximum obstacle risk, and the maximum violation risk.
The automatic driving device according to claim 6.

the cost function generation unit generates the yaw rate cost function including an accumulated value of the lane potential from a current time point to a time point when the lane prediction time has elapsed, a maximum obstacle risk among obstacle risks based on the obstacle potential at each of a plurality of time points within the obstacle risk prediction time, and a maximum violation risk among violation risks based on the stop position potential at each of a plurality of time points within the violation risk prediction time.
The automatic driving device according to any one of claims 1 to 4.

The cost function generation unit generates the yaw rate cost function including, in addition to the accumulated value of the lane potential, the maximum obstacle risk, and the maximum violation risk, a regularization term for regularizing around a yaw rate determined immediately before by the driving behavior determination unit or a yaw rate calculated by a product of a curvature of the travel path of the host vehicle and the vehicle speed.
The automatic driving device according to claim 8.

the basic traveling potential generating unit generates the vehicle speed potential and the lane potential according to the traveling trajectory that minimizes a trajectory cost function including the vehicle speed prediction time, the obstacle risk prediction time, the violation risk prediction time, and the obstacle potential within a trajectory prediction time different from the lane prediction time,
The automatic driving device according to any one of claims 1 to 4.