JP5691237B2 - 運転支援装置 - Google Patents

Description

本発明は、運転支援装置に関し、特に、自車周辺の障害物について自車の運転者に注意喚起を行う運転支援装置に関するものである。

従来、自車周辺の障害物について自車の運転者に注意喚起を行う装置が提案されている。例えば、特許文献１では、周辺車両の情報を収集する手段を設け、自車が交差点、曲がり角などの見通しの利かない領域に接近した時、収集手段より周辺車両の情報を取得し、周辺車両の情報を取得した収集領域を拡大表示すると共に、周辺車両をその所在位置に表示する装置が開示されている。特許文献１の装置は、周辺車両の進行方向及び速度を矢印及びその長さで表示する。更に、特許文献１の装置は、各周辺車両の表示優先順位を、ドライバーの注意すべき度合に基づいて決定し、当該優先順位に基づいて周辺車両の表示の明度を制御し、当該優先順位に基づいて表示又は非表示の別を決定する。ドライバーの注意すべき度合は、自車に接近する車両は高く、遠ざかる車両については低く設定される。

特開２００４−７７２８１号公報

しかしながら、上記の技術では自車に接近する車両はドライバーの注意すべき度合が高く設定されるため、表示優先順位が高くなる。そのため、自車両との接触の可能性がない周辺車両を注意喚起の対象としてしまう可能性がある。自車両に接近し注意喚起の対象となるような周辺車両が多い場合には、ドライバーを混乱させ、有効な運転支援を行なうことができない場合がある。さらに、上記の技術では、自車両との接触の可能性がある周辺車両が注意喚起の対象とされた場合であっても、ドライバーが主観的にはより接触の可能性が高いと感じる周辺車両が、単に自車から遠ざかる状況だというだけで非表示とされる場合がある。そのため、運転者の感性に合わない運転支援が行われる可能性もある。

本発明は、このような実情に考慮してなされたものであり、その目的は、より有効な運転支援を行なうことが可能な運転支援装置を提供することにある。

本発明は、自車周辺の障害物と自車とが接触する可能性である客観的危険度を算出する客観的危険度算出手段と、客観的危険度算出手段が客観的危険度を算出した障害物の内で客観的危険度が第１閾値以上である障害物について、自車の運転者に対して注意喚起を行う注意喚起手段と、客観的危険度が第１閾値より大きい第２閾値以下である障害物について、自車の運転者が障害物と自車とが接触すると感じる度合である主観的危険度を算出する主観的危険度算出手段をさらに備え、注意喚起手段は、客観的危険度が第２閾値以下である障害物について、主観的危険度算出手段が算出した主観的危険度が高い障害物ほど優先的に自車の運転者に対して注意喚起を行う運転支援装置である。

この構成によれば、客観的危険度算出手段が、自車周辺の障害物と自車とが接触する可能性である客観的危険度を算出する。また、注意喚起手段が、客観的危険度予測手段が客観的危険度を予測した障害物の内で客観的危険度が第１閾値以上である障害物について、自車の運転者に対して注意喚起を行う。客観的危険度予測手段が客観的危険度を予測した障害物の内で客観的危険度が第１閾値以上である障害物について注意喚起を行うことにより、全ての障害物について注意喚起を行った場合に比べて運転者にとって有用な情報を絞った上で当該情報を運転者に提供することができるため、より有効な運転支援を行なうことができる。

また、この構成によれば、主観的危険度算出手段が、客観的危険度が第１閾値より大きい第２閾値以下である比較的に客観的危険度が低い障害物について、自車の運転者が障害物と自車とが接触すると主観的に感じる度合である主観的危険度を算出する。また、注意喚起手段は、客観的危険度が第２閾値以下である障害物について、主観的危険度算出手段が算出した主観的危険度が高い障害物ほど優先的に自車の運転者に対して注意喚起を行う。このため、注意喚起手段は、客観的危険度が第２閾値以下である比較的に客観的危険度が低い障害物については、運転者が障害物と自車とが接触すると主観的に感じる障害物ほど優先的に注意喚起を行なうため、運転者の感性に合致した運転支援を行うことができる。

この場合、主観的危険度算出手段は、自車が走行する状況に応じて主観的危険度を算出する方法を変更することが好適である。

この構成によれば、主観的危険度算出手段は、自車が走行する状況に応じて主観的危険度を算出する方法を変更する。自車の運転者が障害物と自車とが接触すると主観的に感じる度合である主観的危険度は、自車が走行する状況に応じて変化する。そのため、自車が走行する状況に応じて主観的危険度を算出する方法を変更することにより、運転者の感性により合致した主観的危険度を算出することができる。

また、主観的危険度算出手段は、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出することが好適である。

この構成によれば、主観的危険度算出手段は、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出する。運転者が障害物が自車に接触すると主観的に感じる度合は、運転者の視野における障害物の面積の時間的な変化率によって変わることが知られている。また、運転者の視野における障害物の面積の時間的な変化率は、（障害物と自車との相対速度）／（障害物と自車との距離）^３に比例することが知られている。そのため、主観的危険度算出手段は、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出することにより、運転者の視野における障害物の面積の時間的な変化率に基づいて、自車の運転者が障害物と自車とが接触すると主観的に感じる度合である主観的危険度を算出することができる。

この場合、主観的危険度算出手段は、交差する道路がない単路及び高速道路のいずれかを自車両が走行しているときに、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出することが好適である。

この構成によれば、主観的危険度算出手段は、交差する道路がない単路及び高速道路のいずれかを自車両が走行しているときに、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出する。単路や高速道路では、自車との接触の可能性がある障害物は一般に運転者の視野の中心付近に位置する。そのため、単路や高速道路においては、運転者の視野における障害物の面積の時間的な変化率は、自車の運転者が障害物と自車とが接触すると主観的に感じる度合に近いものとなる。そのため、交差する道路がない単路及び高速道路のいずれかを自車両が走行しているときに、障害物と自車との相対速度を障害物と自車との距離の３乗で除した値に基づいて主観的危険度を算出することにより、主観的危険度をより精度良く算出することができる。

また、主観的危険度算出手段は、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出することが好適である。

この構成によれば、主観的危険度算出手段は、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出する。このため、運転者の運転経験に応じて自車の運転者が障害物と自車とが接触すると主観的に感じる度合である主観的危険度を算出することができる。

この場合、主観的危険度算出手段は、交差点がある道路を自車が走行しているときに、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出することが好適である。

この構成によれば、主観的危険度算出手段は、交差点がある道路を自車が走行しているときに、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出する。交差点がある道路では、自車との接触の可能性がある障害物は運転者の視野の側方に位置することがある。しかし、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出する方法は、障害物が運転者の視野のどの位置に存在するかに影響を受け難い。そのため、交差点がある道路を自車が走行しているときに、自車の運転者の運転経験に応じて設定される自車周辺の領域に障害物が存在する可能性に基づいて、主観的危険度を算出することにより、主観的危険度をより精度良く算出することができる。

本発明の運転支援装置によれば、より有効な運転支援を行なうことが可能となる。

実施形態に係る運転支援装置の構成を示すブロック図である。 実施形態に係る運転支援装置の動作の概略を示すフローチャートである。 パス設定におけるデフォルトパスとアダプティブパスとを示す平面図である。 パス設定における顕在パスと潜在パスとを示す平面図である。 自車及び他車の行動予測の動作の詳細を示すフローチャートである。 行動目的の予測で用いられる説明変数と目的変数との関係を示す表である。 行動予測における物体の位置と速さとの空間上における存在確率の分布を示す図である。 リスク予測において想定される状況を示す平面図である。 自車及び他車の速度プロファイルを示すグラフである。 想定される交差点の各部の制限速度を示す平面図である。 交差点通過時の速度プロファイルを示すグラフである。 自車の先端部分がクロスポイント上に乗ってから自車の後尾部分がクロスポイントを通過する様子を示す平面図である。 現時刻における他車の存在確率の分布を示すグラフである。 時刻０と時刻ｔとにおける他車の存在確率の分布を示すグラフである。 時刻ｔにおける他車の存在確率の分布を示すグラフである。 図１５のグラフを速度について積分した他車の位置に対する存在確率の分布を示すグラフである。 通過時刻にわたる他車の位置に対する存在確率の分布を示すグラフである。 本実施形態の運転支援装置を搭載した車両から見た交差点の様子を示す図である。 図１８における交錯点を示す図である。 図１８における交錯点に対応したハザードを特定した様子を示す図である。 物理的指標であるリスク値に応じてハザード対象を抽出した物理的リスクテーブルを示す図である。 図２１におけるｔ秒後のハザード対象を抽出した物理的リスクテーブルを示す図である。 車間距離に応じたドライバーの視覚的な面積変化による感性的指標を示す図である。 自車両の全方向に対してドライバーが危険を認識する楕円状の範囲を示す平面図である。 見通しの良い交差点において自車両と他車両とが接近する様子を示す平面図である。 時間ごとの状況と状況に対応した感性的指標を示す図である。 物理的リスクテーブルにおいて物理的指標であるリスク値順に並べられたハザード対象を示す図である。 図２７において感性的指標により順番を変更されたハザード対象を示す図である。 図１８におけるハザードを表示する様子を示す図である。

以下、図面を参照して本発明の実施形態に係る運転支援装置を説明する。本実施形態の運転支援装置は車両に搭載され、自車周辺の障害物について自車の運転者に注意喚起を行うための装置である。図１に示すように、本実施形態の運転支援装置１０は、車速センサ１１、レーダセンサ１２、カメラセンサ１３、ナビゲーションシステム１４、方向指示器センサ１５、操舵角センサ１６、路車間通信機１７、ドライバ認証部１８、ＥＣＵ２０、アクチュエータ類３１及び表示装置３２を備えている。

車速センサ１１は、自車の車軸の回転速度から自車の速度を検出するためのセンサである。

レーダセンサ１２は、例えば自車前方にミリ波を照射することにより、自車前方の他の自動車、自動二輪車、自転車及び歩行者等の障害物を認知するためのものである。また、レーダセンサ１２は、道路上に固定された障害物や、道路の線形、曲率半径、勾配等の道路形状を認知するためのものである。

カメラセンサ１３は、自車前方を撮像し、パターン認識等により、自車前方の他の自動車、自動二輪車、自転車及び歩行者等の障害物を認知するためのものである。また、カメラセンサ１３は、パターン認識等により、道路上に固定された障害物や、道路の線形、曲率半径、勾配等の道路形状を認知するためのものである。

ナビゲーションシステム１４は、ＧＰＳ（Global Positioning System）による自車の測位とデータベース内の地図情報とに基づいて自車が走行する道路の線形、曲率半径、勾配等の道路形状に関する情報を取得するためのものである。ナビゲーションシステム１４は、ドライバーが入力した目的地や経路についての情報から、自車の経路を推定するためにも用いられる。

方向指示器センサ１５は、自車の方向指示器（ウインカ）の指示する方向を検出するためのものである。方向指示器センサ１５は、自車の経路を推定するために用いられる。操舵角センサ１６は、自車の操舵角を検出するためのセンサである。操舵角センサ１６は、自車の経路を推定するために用いられる。

路車間通信機１７は、光ビーコン送信機等の路側の施設から自車前方の道路の線形、曲率半径、勾配等の道路形状に関する情報を取得するためのものである。また、路車間通信機１７は、路側のセンサで検出した他車、歩行者等の障害物に関する情報を受信するためのものである。さらに、路車間通信機１７は、自車が走行する道路の交通量、渋滞、事故、交通規制等の道路の状態に関する情報を取得するためにも用いられる。

ドライバ認証部１８は、自車を運転するドライバーを認証するためのものである。ドライバ認証部１８は、ドライバーによる暗証番号等の入力や、ＩＤカード等の挿入や、ドライバーの指紋、網膜、虹彩等を識別することによる生体認証等により、ドライバーを認証する。

ＥＣＵ（Electronic Control Unit）２０は、車速センサ１１等から得られた情報に基づいて、自車周辺の状況に対する自車の規範的な運転行動の候補である幾つかの規範行動候補について、自車周辺の障害物と自車とが接触するリスクと、当該規範行動候補に係る運転行動により自車が走行した場合の移動効率とを予測する。

アクチュエータ類３１は、ＥＣＵ２０が算出した規範行動候補あるいは規範行動候補から選択された規範行動に基づいて、ドライバーの運転操作に介入して、自車のブレーキやアクセルを駆動させるブレーキアクチュエータやアクセルアクチュエータである。また、アクチュエータ類３１は、例えば、ドライバーのアクセル操作に対して反力を与えるものでも良い。

表示装置３２は、ドライバーに画像を表示するディスプレイや、ドライバーに音声案内を行うスピーカや、ドライバーに警報を与えるブザーである。表示装置３２は、ドライバーにＥＣＵ２０が算出した規範行動候補に基づいた情報を提示するためのものである。本実施形態では、ウィンドシールド上に各種の補助線を表示する形式の物を用いる。

以下、本実施形態の運転支援装置１０の動作について説明する。まず、運転支援装置１０の動作の概略について説明する。図２に示すように、本実施形態の運転支援装置１０のＥＣＵ２０は、自車周辺の他車等の障害物について、環境認識を行う（Ｓ１）。環境認識は、例えばマルチスケール認知により行うことができる。マルチスケール認知は、事故パターンの分析において、事故を回避するための着眼点のカテゴリーを、微視的に細部まで着眼するカテゴリーから、巨視的に全体を把握するカテゴリーまで階層的に多層化することで、自車の置かれた状況に適したカテゴリーの中からリスク予測の対象となり得る障害物を認知し選択する。

運転支援装置１０のＥＣＵ２０は、自車及び障害物のパス設定を行う（Ｓ２）。自車のパス（経路）及び他車のパスの設定は、それぞれのパスを予め複数想定し、パスに当該他車等の可動物を重み付けで割り振り、０．５秒等の短い周期の観測結果ごとにマルチスケール認知を活用して、割り振りの重み付けを更新する。この段階では、パスを１つに絞り込む必要はない。また、パスの設定は、直接に認知可能な障害物の経路である顕在パスと、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在パスとの２種類を設定する。

運転支援装置１０のＥＣＵ２０は、自車及び他車等の障害物の行動を予測する（Ｓ３）。この行動予測では、パス上の位置ｘ、速度ｖを座標とした（ｘ，ｖ）空間上に自車及び他車等が存在する確率分布をセンサ等から得られた情報から推定し、この確率分布を時間ごとに変化させることで、自車及び他車等の未来の位置を予測する。

運転支援装置１０のＥＣＵ２０は、規範行動候補群のリスク予測を行う（Ｓ４）。リスク予測では、自車のパスと他車等の可動物のパスとのクロスポイント（交差点）を算出し、クロスポイントでの接触のリスクを算出する。この場合、可動物の死角に潜在的に存在する可能性がある可動物に対して、潜在的な接触のリスクも算出される。ここで算出されるリスクは、客観的及び物理的に自車と障害物との接触の可能性を示すものである（以下、客観的リスク又は物理的リスクと呼ぶことがある）。

運転支援装置１０のＥＣＵ２０は、リスク値が閾値以上のものをハザード対象として決定する（Ｓ５）。ＥＣＵ２０は、上記の物理的リスクが高い順位を決めてテーブル化する（Ｓ６）。

一方、運転支援装置１０のＥＣＵ２０は、自車の運転者が障害物と自車とが接触すると感じる度合を評価するための複数の感性的な指標の中から一つの指標を状況によって決定する（Ｓ７）。ここで上記指標により算出されるリスクは、運転者の主観的及び感性的に自車と障害物との接触の可能性を示すものである（以下、主観的リスク又は感性的リスクと呼ぶことがある）。

運転支援装置１０のＥＣＵ２０は、物理的なリスクテーブルの中で、物理的リスク値が閾値以下のハザード対象について、選択された感性的なリスク指標による感性的リスクの高い順に順位を変更する（Ｓ８）。ＥＣＵ２０は、以上のようにして得られたハザード対象の順位にしたがって運転者に対して表示装置３２を用いた情報提供を行い、場合によってはアクチュエータ類３１による運転支援を行なう（Ｓ９）。

以下、重要な工程について詳述する。まず、パス設定（Ｓ２）について説明する。ここでは、前提として、レーダセンサ１２、カメラセンサ１３、ナビゲーションシステム１４及び路車間通信機１７等により、道路形状に関する情報が取得できているものと仮定する。図３に示す交差点での状況では、運転支援装置１０のＥＣＵ２０は、路上に障害物がない場合の理想的な自車１００及び他車２００の右左折、直進のパスであるデフォルトパスＰ_ＤＥを想定する。また、運転支援装置１０のＥＣＵ２０は、デフォルトパスＰ_ＤＥに付随して、パスの変種であるアダプティブパスＰＡＤを想定する。ここで、ＥＣＵ２０は、パスは車両のキネマティクスを考慮して部分的（区分的）に準備しておき、これらを即時的な処理で繋げる。本実施形態では、パスを複数化することにより、自車及び他車等についてのリスク予測の精度を向上できる。

また、本実施形態では、図４に示すように、視界Ｓｉ内にあり直接に認知可能な他車２００の経路である顕在パスＰ_ＯＶと、他車２００の影に隠れ直接に認知不可能ではあるが存在が予想される自動二輪等の潜在物体２５０の経路である潜在パスＰ_ＬＡとをＥＣＵ２０は予測する。本実施形態では、潜在パスＰ_ＬＡを予測することで、マルチスケール認知で想定した潜在的に存在する物体に対するリスク予測を行うことができる。

なお、以上のパス設定については、予め道路形状や交通状況に対応したパスをデータべースに格納しておき、それらを自車が走行時に置かれた状況に合わせて抽出することができる。また、即時的に道路形状や交通状況に合わせてパスを導出しても良い。

以下、行動予測の前提として、自車及び他車等がどの想定したどのパス上を移動するかを、段階的に予測する手法について説明する。図５に示すように、ＥＣＵ２０は想定したパスの使用可否の判断を行う（Ｓ３１）。すなわち、ＥＣＵ２０は、自車及び他車等が想定しているパスと大きく離れた動きをしているか否かを判断する。ＥＣＵ２０は、自車及び他車等の実際のパスと最も近い想定したパスとの距離を時系列的に観測し、観測時間の区間において、想定したパスと実際のパスとの距離が、ある閾値以上となる時間が一定以上の時間続いた場合、当該想定したパスは使用できないと判断し、自車及び他車等の実際の動きに沿ってパスを外挿的に生成する。

次に、ＥＣＵ２０は、行動目的の予測を行う（Ｓ３２）。図６に示すようなＥＣＵ２０内あるいは自車外部のデータベースにおいて、自車あるいは他車等の行動の条件を示す説明変数と、パスの重み付けに用いられる目的変数とが対応付けて記憶されている。ＥＣＵ２０は、説明変数と実際の自車及び他車等の行動とが一致することを条件として、目的変数を判定する。ただし、操舵角又は方位変位角については、アナログ値を右左折及び直進の３つの離散値として判定する。

ＥＣＵ２０は、行動目的の予測を踏まえてパスの選択精度を向上する（Ｓ３１）。ＥＣＵ２０は、行動目的の予測の結果ごとに、複数準備したパスを目的変数として、自車及び他車等の行動をどのパスに割り振れば良いかを、バギング法、ブースティング法、ランダムフォレスト法等の集団学習法やカーネル法等で決定する。

以下、行動予測（Ｓ３）及びリスク予測（Ｓ４）について説明する。本実施形態では、基本的な考え方として、想定したパス上を物体が動くものとし、パス上の位置と速さとが座標軸とする空間上で、物体の存在を同時確率密度関数でモデル化される。モデル化した確率密度関数の各々の位置、速度において等加速度運動が仮定され、未来のパス上の位置が予測される。以下、具体的な例を挙げて説明する。

図７に示すように、物体Ｘｉ（１）〜Ｘｉ（ｎ）は、パスＣｉ（ｔ）上を動くものと仮定する。ここで、ｎは物体の数を表し、ｔは時間を表す。パスの目盛が等間隔になるように、パスＣｉの時間パラメータを選ぶものとする。ある物体Ｘｉ（ｋ）の時刻ｔ＝０でのパスＣｉ（ｔ）上の位置を原点とすると（以下、添え字のｋを省略する）、時刻ｔでの物体の位置ｘｉは、下式（１）によって計算することができる。

上式（１）でのノルムは計量から定義するものとする。ある時刻ｔにおけるパスＣｉ（ｔ）上の位置と速さとの空間上に物体Ｘｉの情報が、関数Ｐｔ（ｘ，ｖ）として分布しているものとする。位置や速さの情報には、様々な誤差が含まれているので、これらを分布モデルとして表現することにする。この場合、図７のようになる。

物体は等加速度運動をするものと仮定しているので、時刻ｔ＝０の場合（ｘ_０，ｖ_０）とすると、時刻ｔの場合は、（ｘ_０＋ｖ_０・ｔ＋α・ｔ^２／２，ｖ_０＋α・ｔ）となる。ここで、αは加速度（定数）を表す。従って、この座標変換では面積が保存される。ｖ座標に関して関数Ｐｔ（ｘ，ｖ）をファイバー積分したものをＱｔ（ｘ）と定義する。関数Ｑｔ（ｘ）は、時刻ｔにおける物体の存在確率を表す。すなわち、０≦Ｑｔ（ｘ）≦１となる。

物体Ｘｉが時刻ｔにおいて、クロスポイントに存在する確率は、ｘｃをクロスポイントの位置とすると、下式（２）で計算することができる。なお、下式（２）において、δはデルタ関数である。

上式（２）のｐ（ｔ）を自車がクロスポイントを通過する時間［ｔ_１，ｔ_２］にわたって積分すると、他車等の物体に対する位置ｘｃにおけるリスクＲが下式（３）で計算することができる。ここで、時刻ｔ_１は自車の先頭がクロスポイントに乗る時刻であり、時刻ｔ_２は自車の後端がクロスポイントを通過する時刻である。

また、ＥＣＵ２０は、可動物の死角に潜在的に存在するかもしれない可動物に対しても、上述した潜在パスＰ_ＬＡについて、同様の処理を行い、潜在的なリスクも算出する。以上の処理により、パス上のクロスポイントでリスクを計算するため、道路の全域にわたって存在確率を計算するような手法と異なり、リスクの計算のコストを小さく抑えることができ、即時的な処理が可能となる。

以下、さらに具体的な道路の状況において、実際に上記手法でリスクを計算し、行動候補のモデルにしたがって運転した結果を示す。図８に示す道路の状況において、他車２００に対する自車１００の接触のリスクの計算方法を以下に示す。図８に示すように、自車１００は、クロスポイントｃｐからｘ_０［ｍ］離れた所に位置し、ｖ_０［ｍ／ｓ］の速度を持っている。また、自車１００の全長はｄ_０［ｍ］である。

他車２００は、クロスポイントｃｐからｘ_１［ｍ］離れた所に位置し、平均ｖ_１［ｍ／ｓ］、幅ｄｖの［ｖ_１−０．５ｄｖ，ｖ_１＋０．５ｄｖ］の間に一様に分布するような速度分布を持っている。速度分布の積分値は１になるものとする。また、他車１００の全長はｄ_１［ｍ］である。自車１００の加速度及び減速度は、モデルパラメータで与えられた値を用い、それぞれａ_ａ０，ａ_ｄ０とする。他車の加速度はａ_１とし、誤差は考えない。

リスクの計算では、以下の４つの手順を踏む。
（１）自車１００及び他車２００の速度プロファイルを生成
（２）自車１００がクロスポイントｃｐを通過し始めてから、通過し終わるまでの時間（通過時間）を算出
（３）他車２００の位置分布を算出
（４）他車２００がクロスポイントｃｐにいる確率を通過時間にわたって積分し、リスク値を算出する

まず、自車１００及び他車２００の速度プロファイルを生成する。速度プロファイルとは、自車１００及び他車２００の運動する速度を時刻の関数として表したものである。図９に速度プロファイルの例を示す。自車１００については、行動の選択肢に基づいて、モデルパラメータとして指定した加速度ａ_ａ０あるいは減速度ａ_ｄ０で加減速し、道路の制限速度を守りつつ、停止すべき位置で停止できるような速度変化を求めて、それを速度プロファイルとする。生成された速度プロファイルの例として、図１０に示すような制限速度を持つ道路において、図中にあるパスに沿って運動した場合のものを図１１に示す。

図１１に示すように、加速度としては、５秒間で０ｋｍ／ｈから６０ｋｍ／ｈまで加速できる加速度を用いた。減速度としては、５秒間で６０ｋｍ／ｈから０ｋｍ／ｈまで減速できる減速度を用いた。また、パス上の位置０ｍにおける速度である初速度は４０ｋｍ／ｈとした。他車２００については、加速度は他車２００の持つ値ａ_１とし、道路の法定速度は考えずに運動するような速度プロファイルを生成して用いる。

物体の運動は、速度プロファイルから完全に計算することができる。物体の時刻ｔにおける位置ｘ（ｔ）は、時刻ｔ＝０から時刻ｔまで速度プロファイルを積分すれば良い。つまり、時刻Ｔにおける速度をｖ（Ｔ）として、下式（４）として求められる。

時刻ｔにおける速度は、時刻ｔにおける速度プロファイルの値ｖ（ｔ）である。また、物体が位置Ｘに来る時刻は、下式（５）のようなｔについての方程式を解けば良い。

この例のモデルでは、速度に負の値を許していないため、位置は時刻に対して単調に増加するため、下式（５）の方程式はかならず１つの解を持ち、簡単に解くことができる。

以下、自車１００がクロスポイントｃｐを通過し始めてから、通過し終わるまでの通過時間を算出する手法について説明する。通過時間は、自車１００の先頭部分がクロスポイントｃｐに乗ってから、自車１００の後尾部分がクロスポイントｃｐを通過するまでの時間である。図１２に自車１００のクロスポイントｃｐ通過の様子を示す。自車１００の先頭部分がクロスポイントｃｐに乗る時刻及び自車１００の後尾部分がクロスポイントｃｐを通過するまでの時刻は、速度プロファイルから算出できる。

以下、他車２００の位置分布を算出する手法について説明する。ある時刻における他車２００の位置分布を算出する。時刻ｔ＝０（現在時刻とする）において、他車２００は、位置・速度空間に図１４に示すように分布している。図１３の分布を他車２００の速度プロファイル（等加速度運動）に従って時間発展させると、速度が速いほど先に進み、図１４に示すような分布となる。図１４に示すように、時刻ｔにおける分布は時刻ｔ＝０における分布とは異なる形状に変化するが、等加速度運動（図１４は加速度０の例）であり、加速度には誤差がないものとしていることから、任意の時刻で他車２００の分布は必ず平行四辺形状となる。

図１４に示すような分布を速度について積分すると、時刻ｔにおける他車２００の位置分布が得られる。つまり、時刻ｔにおける位置・速度空間における他車２００の分布をＰｔ（ｘ，ｖ）とすると、時刻ｔにおける他車の位置分布Ｑｔ（ｘ）は、図１５に示すような時刻ｔにおける分布を速度で積分した下式（６）で示される。

図１５に示すような速度・位置空間における分布が平行四辺形状になることから、位置分布は図１６に示すように必ず台形となる。この積分は、位置・速度空間における分布の幾何学的な性質から簡単に行うことができる。

以下、他車２００がクロスポイントｃｐにいる確率を通過時間にわたって積分し、リスク値を算出する手法について説明する。これは、自車１００がクロスポイントｃｐに乗っている間に、他車２００がクロスポイントｃｐに存在する確率を積分することに相当する。自車１００のクロスポイントｃｐの通過時間を［ｔ_１，ｔ_２］とする。ｔ_１で自車１００の先頭部分がクロスポイントｃｐに乗り、ｔ_２で自車１００の後尾がクロスポイントｃｐを通過する。図１７に、上記の通過時間にわたる他車２００の位置分布の積分の概念図を示す。図中太線で示す通過時間［ｔ_１，ｔ_２］において存在確率が積分される。この積分は、数値積分法を用いて計算する。

以上のようにして、障害物に対する客観的リスクを求めることができる。しかし、図１８に破線で示すように、現実の道路では障害物が複数存在する場合がある。このような場合に全ての障害物についての情報を運転者に表示した場合は、運転者を混乱させ、有効な運転支援を行なうことができない場合がある。そこで、本実施形態では以下のようにして運転支援を行う。

まず、ハザード対象の決定と物理的なリスクテーブルの作成とについて詳述する（Ｓ５，Ｓ６）。自車が右折しようとする場合は、図１９に示すような自車のパスとクロスポイントＣＰ１，ＣＰ２が考えられる。ここで検出した物体が図２０に示すように自車のパスに割り付けられる。ここで、クロスポイントＣＰ１には前方を走行するトラックであるハザード対象ＨＺ１が割り付けられ、クロスポイントＣＰ２には対向する自動二輪車であるハザード対象ＨＺ２が割り付けられる。なお、一つのクロスポイントに複数の物体が特定される場合もあり得る。さらに、自車のパスと交錯するクロスポイントＣＰ１，ＣＰ２ごとに物理的リスクが算出される。

運転支援装置１０のＥＣＵ２０は、図２１に示すように、現在の状況におけるクロスポイントごとにハザード対象を抽出した物理的なリスクテーブルを作成する。ＥＣＵ２０は、多くとも各クロスポイントに１０個までデータを保持するものとする。ここで、ＥＣＵ２０は、物理的なリスクテーブルにおいて、物理的リスク値が対象下限値以上のものをハザード対象として決定する（Ｓ５）。さらに、ＥＣＵ２０は、物理的リスク的なリスクテーブルにおいて、物理的リスク値が対象下限値以上のハザード対象を物理的リスク値の高い順に並べる。この場合の対象下限値は、例えば、多くとも４つのハザード対象が物理的リスク値の高い順に抽出されるものとできる。さらにＥＣＵ２０は、図２２に示すように、ｔ秒後の物理的なリスクテーブルを作成する。

次に、感性的リスクの指標とその選択について詳述する（Ｓ７）。上述した物理的リスクは、客観的に自車と障害物との接触の可能性を示すものである。しかしながら、運転者は、物理的リスクが低い障害物であっても、主観的及び感性的に自車と障害物とが接触すると恐れる場合もあり得る。そのため、本実施形態では、このようなハザード対象について優先的に運転者に対して運転支援を行う。

自車両が交差道路のない単路や高速道路を走行している場合、運転者は、先行車等の障害物について、自己の視野における面積の変化によって、障害物の近接や離間を感じていると考えられる。このような近接・離間状態評価指標は、下式（７）により求められる。そのため、下式（７）による近接・離間状態評価指標により熟練ドライバー等の相対速度ごとのデータを図２３の細線のように収集しておき、太線のように標準範囲（閾値）を定め、この範囲を逸脱した場合は異常であると判断することができる。あるいは、当該閾値から逸脱している度合により感性的リスクを算出しても良い。

あるいは、ポテンシャル法における斥力ポテンシャルを応用した手法も考えられる。図２４のように自車１００と他車２００とが存在する場合を考える。ここで、他車２００の速度の曖昧さを考慮して、速度方向に拡張した楕円ポテンシャルが下式（８）にように考えられる。ここで、σ_ｘ，σ_ｙ：楕円の大きさパラメータ、θ：進行角度、ｘ’，ｙ’：他車２００の位置、ｋ_ｘ，ｋ_ｙ：比例定数、Ｖ＝（Ｖ_ｘ ^２＋Ｖ_ｙ ^２）^１／２：他車２００の速度、Ｖ_ｘ：他車２００の速度のｘ成分、Ｖ_ｙ：他車２００の速度のｙ成分、Ｔ：自車１００と他車２００との交錯予測時間である。ＥＣＵ２０は、このような楕円ポテンシャルを同様に自車１００についても算出する。また、ＥＣＵ２０は、他車２００が複数ある場合には、それらについても同様に楕円ポテンシャルを算出する。自車１００の楕円ポテンシャル内における、これらの他車２００の楕円ポテンシャル値の総和によって自車１００と他車２００との交錯の可能性を推定することができる。

ここで、自車１００について算出される楕円ポテンシャルは、自車１００のドライバーに応じてパラメータσ_ｘ，σ_ｙを変更することにより、ドライバーが障害物と自車１００との接触の可能性があると主観的に感じる範囲であると考えることもできる。つまり、楕円ポテンシャルのパラメータσ_ｘ，σ_ｙは、ドライバーの運転経験や技量に応じて大きく変動する。例えば、熟練したドライバーであれば、車速に応じて側方よりも遠方に気を配ろうとするため、σ_ｘが大きくσ_ｙが小さい楕円ポテンシャルとなると予想される。一方、未熟なドライバーであれば、車速に対応した判断が難しいため、σ_ｘが小さくσ_ｙが大きい楕円ポテンシャルとなると予想される。

そこで、ＥＣＵ２０は、ドライバー認証部１８により得られたドライバーの運転経験年数に比例してσ_ｘが大きくσ_ｙが小さい楕円ポテンシャルを設定するものとできる。あるいは、予め運転経験年数に応じたパラメータσ_ｘ，σ_ｙについての統計をとっておき、ドライバー認証部１８により得られたドライバーの運転経験年数に応じて、ＥＣＵ２０は当該ドライバーのパラメータσ_ｘ，σ_ｙを決定しても良い。このようにして決定されたパラメータσ_ｘ，σ_ｙによる自車１００の楕円ポテンシャル内における、他車２００の楕円ポテンシャル値の総和を算出することにより、ドライバーが主観的に他車２００と自車１００とが接触すると感じる度合を算出することができる。

このような感性的リスクを算出する指標は、例えば、図２５に示すように、自車１００が交差する道路を走る他車２００を見ながら、互いに速度Ｖで走行している場合に有効である。

このような場合は、自車１００及び他車２００の運転者は互いに他方の車両が同じ角度に見え続ける。もし、運転者が視野の中心で見ていれば他方の車両の存在に気付く事ができるが、運転しているときにずっと正面ばかり向いていると周辺視野でしか交差する道路を走る自車１００あるいは他車２００を見ることができない。しかも運転者が周辺視野で見ていると、他方の車両がいつも同じ位置に見え、視野内で止まっているものを運転者は背景として扱ってしまい、運転者の意識の中では、他方の車両の存在自体をまるで気が付かないことがあり得る。

このような場合、上述した近接・離間状態評価指標によると、接近する車両については運転者の感性的リスクが高く算出されるため、現実の運転者の感覚とのずれが生じる可能性がある。しかしながら、上記の車両の全方向における斥力ポテンシャルを応用した手法によれば、このような運転者の主観も正確に再現することができるため、有効である。

このような感性的リスクを算出するための他の指標としては、例えば、先行車との現在の相対速度が維持されると仮定した場合に自車が先行車に衝突するまでの時間であるＴＴＣ（Time-To-Collision）の逆数に所定の係数を乗じたものと、現在の自車の速度で現在の先行車の位置に到達するまでの時間であるＴＨＷ（Time-Head Way）の逆数に所定の係数を乗じたものとの和であるＲＦ（Risk Feeling）を感性的リスクを算出するための指標として用いることができる。

運転支援装置１０のＥＣＵ２０は、以上のような複数の感性的リスクを算出するための指標の中から、自車１００が走行する状況に合わせて、感性的リスクを算出するための指標を選択する（Ｓ７）。例えば、図２６に示すように、時間によって自車１００が走行する状況が（Ａ）単路、（Ｂ）交差点、（Ｃ）三叉路といったように変動する場合に、このような状況に最も適した所定の感性的リスクを算出するための指標Ａ、Ｂ、Ｃを選択し、当該指標により感性的リスクを算出することにより、もっとも自車１００の運転者の感覚に合致した感性的リスクを算出することができる。

運転装置１０のＥＣＵ２０は、物理的なリスクテーブルの中で物理的リスクが対象上限値以下のハザード対象について、選択された指標により算出される感性的リスクの順に、順位を変更する（Ｓ８）。例えば、工程Ｓ６により設定された物理的なリスクテーブルが図２７のように作成されていたものとする。ここで、物理的リスクの対象上限値を越えているハザード対象は、客観的に障害物と自車１００とが接触する可能性が高く、自車１００の運転者による操作だけでは障害物の回避が困難であり、アクチュエータ類３１による運転者の操作への介入が障害物の回避に必要と認められる場合である。すなわち、対象上限値は、運転介入臨界値となる。物理的リスクの対象上限値を越えているハザード対象が存在する場合には、ＥＣＵ２０は、アクチュエータ類３１による運転者の操作への介入を実行する。

図２７の例では、対象上限値を超えているハザード対象は存在しないため、ＥＣＵ２０は、クロスポイントＣＰ１におけるハザード対象１、４及び８について、選択された指標により感性的リスクを算出する。ハザード対象１、４及び８においては、感性的リスク値の高い順にハザード対象１、８及び４の順である。そこで、ＥＣＵ２０は、図２８に示すようにクロスポイントＣＰ１における順位を、ハザード対象１、８及び４の順に変更する。ＥＣＵ２０は、同様にして、各クロスポイントＣＰにおけるハザード対象の順位を変更する。

以上のようにして順位を決定されたハザード対象について、図２９に示すように、ＥＣＵ２０は当該順位にしたがって表示装置３２により、ドライバーにハザード対象についての情報を提供する（Ｓ９）。順位の高いハザード対象が優先的に表示され、順位の低いハザード対象ほど、ハザード対称を表示する時間の余裕が無いような場合は表示が適宜省略される。

本実施形態では、運転支援装置１０のＥＣＵ２０が、自車１００周辺の障害物と自車１００とが接触する可能性である客観的リスクを算出する。また、表示装置３２が、ＥＣＵ２０が客観的リスクを予測した障害物の内で客観的リスクが対象下限値以上である障害物について、自車１００の運転者に対して注意喚起を行う。ＥＣＵ２０が客観的リスクを予測した障害物の内で客観的リスクが対象下限値以上である障害物について注意喚起を行うことにより、全ての障害物について注意喚起を行った場合に比べて運転者にとって有用な情報を絞った上で当該情報を運転者に提供することができるため、より有効な運転支援を行なうことができる。

また、本実施形態では、ＥＣＵ２０は、客観的リスクが対象上限値以下である比較的に客観的リスクが低い障害物について、自車１００の運転者が障害物と自車１００とが接触すると主観的に感じる度合である主観的リスクを算出する。また、表示装置３２は、客観的リスクが対象上限値以下である障害物について、算出した主観的リスクが高い障害物ほど優先的に自車１００の運転者に対して注意喚起を行う。このため、表示装置３２は、客観的リスクが対象上限値以下である比較的に客観的リスクが低い障害物については、運転者が障害物と自車１００とが接触すると主観的に感じる障害物ほど優先的に注意喚起を行なうため、運転者の感性に合致した運転支援を行うことができる。

また、本実施形態によれば、ＥＣＵ２０は、自車１００が走行する状況に応じて主観的リスクを算出する方法を変更する。自車１００の運転者が障害物と自車１００とが接触すると主観的に感じる度合である主観的リスクは、自車１００が走行する状況に応じて変化する。そのため、自車１００が走行する状況に応じて主観的リスクを算出する方法を変更することにより、運転者の感性により合致した主観的リスクを算出することができる。

また、本実施形態によれば、ＥＣＵ２０は、障害物と自車１００との相対速度を障害物と自車との距離の３乗で除した値に比例する近接・離間状態評価指標に基づいて主観的リスクを算出する。運転者が障害物が自車１００に接触すると主観的に感じる度合は、運転者の視野における障害物の面積の時間的な変化率によって変わることが知られている。また、運転者の視野における障害物の面積の時間的な変化率は、（障害物と自車との相対速度）／（障害物と自車との距離）^３に比例することが知られている。そのため、ＥＣＵ２０は、障害物と自車１００との相対速度を障害物と自車との距離の３乗で除した近接・離間状態評価指標に基づいて主観的リスクを算出することにより、運転者の視野における障害物の面積の時間的な変化率に基づいて、自車１００の運転者が障害物と自車１００とが接触すると主観的に感じる度合である主観的リスクを算出することができる。

また、本実施形態によれば、ＥＣＵ２０は、交差する道路がない単路及び高速道路のいずれかを自車両が走行しているときに、障害物と自車１００との相対速度を障害物と自車１００との距離の３乗で除した値に基づいた近接・離間状態評価指標により主観的リスクを算出する。単路や高速道路では、自車１００との接触の可能性がある障害物は一般に運転者の視野の中心付近に位置する。そのため、単路や高速道路においては、運転者の視野における障害物の面積の時間的な変化率は、自車１００の運転者が障害物と自車１００とが接触すると主観的に感じる度合に近いものとなる。そのため、交差する道路がない単路及び高速道路のいずれかを自車１００が走行しているときに、近接・離間状態評価指標に基づいて主観的リスクを算出することにより、主観的リスクをより精度良く算出することができる。

また、本実施形態によれば、ＥＣＵ２０は、自車１００の運転者の運転経験に応じて設定される自車周辺の楕円ポテンシャルに障害物が存在する可能性に基づいて、主観的リスクを算出する。このため、運転者の運転経験に応じて自車１００の運転者が障害物と自車１００とが接触すると主観的に感じる度合である主観的リスクを算出することができる。

さらに本実施形態によれば、ＥＣＵ２０は、交差点がある道路を自車１００が走行しているときに、自車１００の運転者の運転経験に応じて設定される自車１００周辺の楕円ポテンシャルに障害物が存在する可能性に基づいて、主観的リスクを算出する。交差点がある道路では、自車１００との接触の可能性がある障害物は運転者の視野の側方に位置することがある。しかし、自車１００の運転者の運転経験に応じて設定される自車周辺の楕円ポテンシャル内に障害物が存在する可能性に基づいて、主観的リスクを算出する方法は、障害物が運転者の視野のどの位置に存在するかに影響を受け難い。そのため、交差点がある道路を自車１００が走行しているときに、自車１００の運転者の運転経験に応じて設定される自車１００周辺の楕円ポテンシャルに障害物が存在する可能性に基づいて、主観的リスクを算出することにより、主観的リスクをより精度良く算出することができる。

尚、本発明は、上記した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変更を加え得ることは勿論である。

１０…運転支援装置、１１…車速センサ、１２…レーダセンサ、１３…カメラセンサ、１４…ナビゲーションシステム、１５…方向指示器センサ、１６…操舵角センサ、１７…路車間通信機、１８…ドライバ認証部、２０…ＥＣＵ、３１…アクチュエータ類、３２…表示装置、１００…自車、２００…他車、２５０…潜在物体。

Claims (5)

1. 自車周辺の障害物と前記自車とが接触する可能性である客観的危険度を算出する客観的危険度算出手段と、
   前記客観的危険度算出手段が前記客観的危険度を算出した前記障害物の内で前記客観的危険度が第１閾値以上である前記障害物について、前記自車の運転者に対して注意喚起を行う注意喚起手段と、
   前記客観的危険度が前記第１閾値より大きい第２閾値以下である前記障害物について、前記自車の運転者が前記障害物と前記自車とが接触すると感じる度合である主観的危険度を算出する主観的危険度算出手段を備え、
   前記注意喚起手段は、前記客観的危険度が前記第２閾値以下である前記障害物について、前記主観的危険度算出手段が算出した前記主観的危険度が高い前記障害物ほど優先的に前記自車の運転者に対して注意喚起を行う、運転支援装置。
2. 前記主観的危険度算出手段は、前記自車が走行する状況に応じて前記主観的危険度を算出する方法を変更する、請求項１に記載の運転支援装置。
3. 前記主観的危険度算出手段は、自車が走行する状況が、交差する道路がない単路及び高速道路のいずれかを前記自車が走行している状況であるか、交差点がある道路を前記自車が走行している状況であるかに応じて、前記主観的危険度を算出する方法を変更する、請求項２に記載の運転支援装置。
4. 前記主観的危険度算出手段は、交差する道路がない単路及び高速道路のいずれかを前記自車が走行している状況では、前記障害物と前記自車との相対速度を前記障害物と前記自車との距離の３乗で除した値に基づいて前記主観的危険度を算出する、請求項３に記載の運転支援装置。
5. 前記主観的危険度算出手段は、交差点がある道路を前記自車が走行している状況では、前記自車の運転者の運転経験に応じて設定される前記自車周辺の領域に、前記障害物が存在する可能性に基づいて、前記主観的危険度を算出する、請求項３又は４に記載の運転支援装置。

Images