JP5838901B2

JP5838901B2 - 物体識別装置及び物体識別方法

Info

Publication number: JP5838901B2
Application number: JP2012099928A
Authority: JP
Inventors: 照元小森
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2012-04-25
Filing date: 2012-04-25
Publication date: 2016-01-06
Anticipated expiration: 2032-04-25
Also published as: JP2013228259A

Description

本発明は、レーザレーダを用いて物体を検知しその識別を行う物体識別装置及び物体識別方法に関する。

車両や運搬用ロボット等において周辺に存在する物体の位置や速度を推定することは、衝突回避のための自動制動や前車追従走行等を行う上で重要な技術である。周辺の物体の位置や速度を推定する方法の１つとして、従前より、レーザレーダにより計測された物体表面の位置（複数のレーザ計測点からなる点群データとして得られる）から推定する技術が知られている。

この技術では、基本的な処理として、取得された点群を物体毎に分かれるように複数のクラスタに分割するクラスタリングと、所定時間毎に各クラスタの対応付けを行い、各クラスタの移動量を算出するトラッキングと、クラスタの大きさや移動量から対象物体を識別する処理を行っている。このうち、クラスタリング処理では、正しく物体毎に分けることが技術課題となっている。

従来、この種の物体識別を行うための方法として、各点間の距離の大小に応じて物体を区分する方法、レーザ光を走査した際に得られる反射点の角度方向の連続性などを利用して対象物体を判断する方法、距離に加えて法線ベクトルの変化から対象物体を判断する方法などが提案されている。また、検出物体までの距離とその移動量の同一性により対象物体を判断するようにしたもの（例えば、特許文献１参照）が知られている。

特開２００７−２９８４０９号公報

しかしながら、上述したような各点間の距離に基づいて物体を区分する方法や、反射点の角度方向の連続性、法線ベクトルの変化などを利用する方法では、基本的に各点間の距離を使っているので、近い距離範囲にある複数の物体を区分することができない場合があった。

特に、レーザレーダの分解能が低い場合に、レーザレーダから取得された点群のデータを物体毎に区分できず、複数の物体を１つの物体と誤判定するという問題があった。例えば、道路上で２人の歩行者が近い距離にいる場合、分解能の低いレーザレーダを用いて２人の歩行者を計測すると、各人の手や腕の部分が計測データ上ほぼ連続しているように検出される。このため、２人の歩行者を個々に識別することができず、１つの物体であると誤判定されることになる。

また、上記の特許文献１に記載されるような、検出物体までの距離とその移動量の同一性により対象物体を判断する方法では、反射点レベルで速度を正確に求めることは困難であり、以下の問題があった。即ち、特許文献１に開示された技術では、移動ベクトルと距離が同一と判断されたターゲットを同一の物体としてグルーピングしているので、例えば、同一速度で移動している２つの物体が近接している場合、個々の物体を識別することが難しいという問題があった。

本発明は、上述したような従来の問題を解決するためになされたもので、複数の物体が近接し同一速度で移動している場合でも、安定的に個々の物体を識別することができる物体識別装置及び物体識別方法を提供することを目的とする。

本発明の一形態に係る物体識別装置は、上記目的達成のため、レーザレーダにより検出される複数の検出点を基に物体を識別する装置であって、検出点間の互いの距離が所定距離以内にある検出点の集合を１つのクラスタ候補として認識するとともに、前記所定距離を最大値から最小値まで徐々に変化させたときに認識されるクラスタ候補に含まれる検出点の数の変化が許容変化量以内になるときの前記所定距離の変化量によって規定される安定度を算出し、所定値以上の安定度を有した形状のクラスタ候補を前記所定距離に対応付けて検出するクラスタ候補検出部と、所定時間毎に前回検出した各クラスタ候補に含まれる検出点と今回検出した各クラスタ候補に含まれる検出点との距離を算出し、当該距離が最小となる点を一定の割合以上含む２つのクラスタ候補の対応付けを行い、ＩＣＰ法を用いて当該対応付けされた２つのクラスタ候補を位置合わせした上で当該２つのクラスタ候補に含まれる検出点の位置誤差を算出し、算出した位置誤差が所定値以内となる検出点の数に基づいて、当該２つのクラスタ候補の形状の一致度を算出する候補トラッキング部と、を備え、前記候補トラッキング部は、算出された前記形状の一致度が所定閾値以上の場合に当該２つのクラスタ候補を１つの物体として特定することを特徴とする。

この構成により、本発明に係る物体識別装置は、１つのクラスタ候補として認識される検出点の集合を規定する所定距離を変化させたときに、クラスタリングによって得られる当該クラスタ候補の形状の安定度を算出し、所定値以上の安定度を有した形状をクラスタ候補として検出するようにしている。そして、この検出されたクラスタ候補を用いて所要の候補トラッキング処理を行い、所定閾値以上の形状一致度を有したクラスタ候補を１つの物体として特定するようにしている。

即ち、本発明に係る物体識別装置は、同一物体から得られる形状が同一であることを利用し、その形状が安定して得られる適当な閾値（所定距離）をクラスタ候補毎に動的に設定するようにしている。その結果、上述したような従来の技術と比べて、安定的に個々の物体を識別することができる。特に、複数の物体が近接し同一速度で移動している場合でも、個々の物体を区分することが可能となる。

本発明の他の形態に係る物体識別方法は、上記目的達成のため、レーザレーダにより検出される複数の検出点を基に物体を識別する方法であって、検出点間の互いの距離が所定距離以内にある検出点の集合を１つのクラスタ候補として認識するとともに、前記所定距離を最大値から最小値まで徐々に変化させたときに認識されるクラスタ候補に含まれる検出点の数の変化が許容変化量以内になるときの前記所定距離の変化量によって規定される安定度を算出し、所定値以上の安定度を有した形状のクラスタ候補を前記所定距離に対応付けて検出する段階と、所定時間毎に前回検出した各クラスタ候補に含まれる検出点と今回検出した各クラスタ候補に含まれる検出点との距離を算出し、当該距離が最小となる点を一定の割合以上含む２つのクラスタ候補の対応付けを行い、ＩＣＰ法を用いて当該対応付けされた２つのクラスタ候補を位置合わせした上で当該２つのクラスタ候補に含まれる検出点の位置誤差を算出し、算出した位置誤差が所定値以内となる検出点の数に基づいて、当該２つのクラスタ候補の形状の一致度を算出する段階と、を備え、算出された前記形状の一致度が所定閾値以上の場合に当該２つのクラスタ候補を１つの物体として特定することを特徴とする。

この構成により、本発明に係る物体識別方法は、上記の一形態に係る物体識別装置と同様の作用効果を奏することができる。

本発明によれば、複数の物体が近接し同一速度で移動している場合でも、安定的に個々の物体を識別することができる物体識別装置及び物体識別方法を提供することができる。これにより、例えば、本発明の物体識別装置を車両に搭載した場合、車両周辺に存在する物体（対向車や、歩行している人など）を識別することで、その物体との衝突を回避することが可能となる。

本発明の一実施形態に係る物体識別装置の概略構成を示すブロック図である。図１の物体識別装置が行う物体識別方法を実現するための機能ブロック図である。図１に示したレーザレーダから取得された点群データの一例を示す図であり、（ａ）は時点ｔ１における点群データ、（ｂ）は時点ｔ２（ｔ１から所定時間経過後）における点群データ、をそれぞれ示す図である。（ａ）及び（ｂ）はそれぞれ時点ｔ１及びｔ２における閾値Ｔｈ_ｄｍａｘのときのクラスタリング結果を示す図である。（ａ）及び（ｂ）はそれぞれ時点ｔ１及びｔ２における閾値Ｔｈ_ｄ１のときのクラスタリング結果を示す図である。（ａ）及び（ｂ）はそれぞれ時点ｔ１及びｔ２における閾値Ｔｈ_ｄ２のときのクラスタリング結果を示す図である。クラスタ候補の形状の安定度を説明するための図であり、（ａ）は閾値（所定距離）の変化によるクラスタ候補の形状の変化、（ｂ）、（ｃ）及び（ｄ）はそれぞれ当該クラスタ候補の形状の安定度を示す図である。図３（ａ）に示す点群データから得られた安定度の高いクラスタ候補を示す図である。図３（ｂ）に示す点群データから得られた安定度の高いクラスタ候補を示す図である。時点ｔ１とｔ２で得られた各クラスタ候補の対応付け（その１）を説明するための図である。時点ｔ１とｔ２で得られた各クラスタ候補の対応付け（その２）を説明するための図である。時点ｔ１とｔ２で得られた各クラスタ候補の対応付け（その３）を説明するための図である。対応付けされた各クラスタ候補の形状一致度の算出を説明するための図である。形状が一致すると判定されたクラスタ候補を示す図である。階層構造をなすクラスタ候補群の説明図である。図１に示したコントローラにより実行されるクラスタ候補検出処理の一例を示すフローチャートである。図１６に示したステップＳ９で行う処理の詳細を示すフローチャートである。図１に示したコントローラにより実行される候補トラッキング処理の一例を示すフローチャート（その１）である。図１に示したコントローラにより実行される候補トラッキング処理の一例を示すフローチャート（その２）である。

以下、本発明の実施形態について、図面を参照して詳細に説明する。
まず、構成について説明する。

図１に示すように、本実施形態の物体識別装置１は、レーザレーダ２と、コントローラ３と、メモリ４と、を備えている。物体識別装置１は、特に図示はしないが、路面上を走行する自車両に搭載されている。

レーザレーダ２は、本実施形態では１つのみ設けられ、例えば、自車両の前部に設置されている。このレーザレーダ２は、コントローラ３からの制御に基づき、自車両の前方に存在する物体（例えば、反対車線を走行している対向車、壁際を歩行している人など）にレーザ光をスキャンさせて照射し、その時に物体表面で反射されるレーザ光を受けることで、物体表面の位置を所定時間毎に計測するようになっている。このレーザレーダ２により計測された物体表面の位置は、複数のレーザ計測点（点群データ）として得られる。

コントローラ３は、ＣＰＵ（Central Processing Unit）３ａを中心とするマイクロプロセッサから構成されている。コントローラ３は、さらに、処理プログラムを記憶するＲＯＭ（Read Only Memory）３ｂと、データを一時的に記憶するＲＡＭ（Random Access Memory）３ｃと、図示しない入出力ポート及び通信ポートと、を備えている。このコントローラ３は、ＲＯＭ３ｂに記憶された処理プログラムに従って、後述するように自車両の周辺に存在する物体を個々に識別するための処理を制御するようになっている。

このコントローラ３は、図２に示すように、物体識別に係る処理制御を実現するための機能ブロックとして、路面推定部１１と、クラスタ候補検出部１２と、候補トラッキング部１３と、を備えている。

路面推定部１１は、レーザレーダ２から取得された点群データ（複数のレーザ計測点）に基づいて、路面位置を推定し、路面部分を除去して物体に関するレーザ計測点のみを抽出するようになっている。この路面推定部１１が行う路面推定処理については、その方法自体は当業者には知られている手法であり、本発明には関係しないので、これ以上は詳述しない。

クラスタ候補検出部１２は、所定時間毎に、路面推定部１１から取得された点群データに基づき、物体に関する複数のレーザ計測点をおおよその物体毎に分割するためのクラスタ候補を検出するようになっている。

特に、このクラスタ候補検出部１２は、クラスタリング結果の安定性、即ち、クラスタリングによって得られるクラスタ候補の形状が変化しない度合を計算し、クラスタ候補毎に形状が安定する適当な閾値（本実施形態では、レーザ計測点を中心とする所定距離の半径）を動的に設定するようになっている。

候補トラッキング部１３は、クラスタ候補検出部１２で所定時間毎に検出された複数のクラスタ候補のうちから、連続した時刻間で形状が類似（ほぼ一致）しているクラスタ候補を見つけ（クラスタ候補の「対応付け」）、最終的に物体として特定されるべき正しいクラスタ候補とそのクラスタ候補の移動量を推定するようになっている。

また、候補トラッキング部１３は、その算出された移動量に基づいて当該クラスタ候補の形状の一致度を算出し、その算出された形状の一致度に基づいて、当該クラスタ候補を１つの物体として特定できるようになっている。

メモリ４は、レーザレーダ２により検出された複数のレーザ計測点のうち所定距離の範囲内に含まれるレーザ計測点（点群データ）をクラスタ候補として登録しておくためのものである。ここでいう「所定距離」は、例えばユークリッド距離を用いれば、後述する図４〜図６において破線で示すように、レーザ計測点（図中、Ｐ１〜Ｐ１７、Ｑ１〜Ｑ１８で示す点）を中心とする半径（Ｔｈ_ｄｍａｘ、Ｔｈ_ｄ１、Ｔｈ_ｄ２）の円によって囲まれる範囲をいう。なお、以降では、この半径をクラスタリング閾値Ｔｈ_ｄと呼ぶ。また、距離はレーザレーダの計測誤差の異方性を考慮しマハラノビス距離等を用いてもよい。

また、このメモリ４には、後述するようにコントローラ３により２つのクラスタ候補が同じ物体であると判定されたときの当該クラスタ候補の情報、及びその対応付けが記憶されるようになっている。

図３は、レーザレーダ２から取得された点群データの一例を示しており、（ａ）は任意の時刻（時点ｔ１）において取得された点群データ、（ｂ）は時点ｔ１から所定時間経過後（時点ｔ２）に取得された点群データをそれぞれ示している。図３の例では、路面上の壁２１際を人２２が歩行し、かつ、反対車線を対向車２３が走行している状況に対して、図示しない自車両に搭載されたレーザレーダ２を横方向にスキャンすることによって得られた点群データの例を示している。

図３（ｂ）の状態では、図３（ａ）の状態から所定時間が経過しており、人２２と車両（自車両と共に対向車２３）が移動しているので、図３（ａ）の状態と比べて計測位置がずれている。このため、レーザレーダ２から取得される点群データも変化している。即ち、前回取得された点群データは、図３（ａ）に示すようにＰ１〜Ｐ１７の計測点を含むのに対し、今回取得された点群データは、図３（ｂ）に示すようにＱ１〜Ｑ１８の計測点を含んでいる。

以下、コントローラ３（クラスタ候補検出部１２、候補トラッキング部１３）が行うクラスタ候補検出処理及び候補トラッキング処理について説明する。

先ず、コントローラ３（クラスタ候補検出部１２）が行うクラスタ候補検出処理について、図３〜図８を参照しながら説明する。

図４（ａ）は、前回の時点ｔ１（図３（ａ）の状態）において取得されたレーザ計測点データ（点群データＰ１〜Ｐ１７）に対して、クラスタリング閾値Ｔｈ_ｄの予め設定された最大値（最大閾値）Ｔｈ_ｄｍａｘでクラスタリングした結果を示したものである。図４（ａ）を参照すると、閾値Ｔｈ_ｄｍａｘでは、対向車（点Ｐ１０〜Ｐ１７）のクラスタリングや、壁の一部（点Ｐ８，Ｐ９）のクラスタリングは適切になされているが（クラスタ候補Ｂ１１、Ｃ１１）、壁の他の一部（点Ｐ１〜Ｐ４）と人（点Ｐ５〜Ｐ７）は同一のクラスタ候補Ａ１１に含まれている。

図５（ａ）は、図４（ａ）の状態からクラスタリング閾値Ｔｈ_ｄを下げて、閾値Ｔｈ_ｄ１でクラスタリングした結果を示したものである。図５（ａ）の状態では、クラスタ候補Ａ１１に含まれていた人（点Ｐ５〜Ｐ７）と壁（点Ｐ１〜Ｐ４）は別々のクラスタ候補Ａ２１、Ａ２２に分割されるが、対向車（点Ｐ１０〜Ｐ１７）は過剰に分割されてしまう。

図６（ａ）は、図５（ａ）の状態からクラスタリング閾値Ｔｈ_ｄを下げて、閾値Ｔｈ_ｄ２でクラスタリングした結果を示したものである。図６（ａ）の状態では、人（点Ｐ５〜Ｐ７）以外は過剰に分割されている。

以上より、以下のことが導き出される。先ず、物体までの距離や形状が異なるため、同一の閾値で、かつ全ての状況で個々の物体毎にクラスタ候補が得られるようにクラスタリングすることは困難である。これに対し、クラスタ候補毎に適切なクラスタリング閾値を設定することができれば、個々の物体毎にクラスタリングすることが可能である。

そこで、本実施形態では、この適切なクラスタリング閾値を設定する手段として、クラスタリング結果の安定性を評価し、この安定性が維持されるクラスタリング閾値を得るようにしている。これは、それぞれの物体毎にその形状によりクラスタリングに用いる距離等の指標がある程度の範囲に入ること、異なる物体間は形状の違いによりその範囲が異なっている性質を利用することで、実現され得る。

以下、安定性を推定する方法について、図７を参照しながら説明する。
安定性は、「クラスタリングの指標を変化させたときの形状の変化の少ない区間」として求められる。本実施形態では、レーザ計測点の点間距離をクラスタリングの指標にしている。先ず、既に図４（ａ）を参照しながら説明したように、最大閾値Ｔｈ_ｄｍａｘでクラスタリングを行うと、Ａ１１、Ｂ１１、Ｃ１１の３つのクラスタ候補が得られる。

ここで、最大閾値Ｔｈ_ｄｍａｘにおけるクラスタ候補Ａ１１に着目する。最大閾値Ｔｈ_ｄｍａｘから最小閾値Ｔｈ_ｄｍｉｎ（図７参照）まで徐々にクラスタリング閾値Ｔｈ_ｄを変化させていくと、図７（ａ）に示すように、閾値Ｔｈ_ｄ１でクラスタ候補Ａ１１が複数のクラスタ候補Ａ２１、Ａ２２に分割される。このとき、初期のクラスタ候補Ａ１１の形状変化を見るための指標として、各クラスタリング閾値における最大サイズのクラスタ候補に含まれる検出点（レーザ計測点）の数が好適に用いられる。この指標（以下、構成点数と記す）を参照すると（図７（ｂ））、当初クラスタ候補Ａ１１の構成点数が「７」（Ｐ１〜Ｐ７）であるのに対し、閾値Ｔｈ_ｄ１における最大サイズのクラスタ候補Ａ２２の構成点数は「４」と大きく減少している。

さらにクラスタリング閾値Ｔｈ_ｄを変化させると、閾値Ｔｈ_ｄ２でクラスタ候補Ａ２１が最大サイズとなり、その構成点数は「３」となる。

クラスタリング結果の安定性を評価するためには、クラスタリング閾値Ｔｈ_ｄの変化に伴う構成点数の変化量を指標とすることが好ましい。以下、この指標を許容変化量Ｔｈ_{ｍａｔｃｈ}と呼ぶ。図７（ｂ）に示すように、クラスタ候補Ａ１１の構成点数は、閾値Ｔｈ_ｄｍａｘから閾値Ｔｈ_ｄ１の範囲で一定であるが、閾値Ｔｈ_ｄ１から閾値Ｔｈ_ｄ２の範囲で許容変化量Ｔｈ_{ｍａｔｃｈ}を超えて変化している。言い換えれば、クラスタ候補Ａ１１の構成点数が安定している区間（閾値の範囲）が、Ｔｈ_ｄｍａｘからＴｈ_ｄ１までの区間Ｔ_１１であることがわかる。この区間Ｔ_１１は、クラスタリング閾値Ｔｈ_ｄの変動に対してクラスタ候補Ａ１１の「形状が安定的に維持される度合い」を表していると考えられることから、このＴ_１１をクラスタ候補Ａ１１の「安定度」として用いることができる。

クラスタ候補Ａ１１から分割されたクラスタ候補Ａ２１、Ａ２２についても、同様に、図７（ｃ）及び（ｄ）に示すように安定度Ｔ_２２、Ｔ_２１が計算される。これらの安定度Ｔ_１１、Ｔ_２２、Ｔ_２１が閾値Ｔｈ_ＧＬより大きい形状をクラスタ候補として抽出する。例えば、図４（ａ）の例に対しては、図８（ａ）〜（ｃ）に示すように安定度の高いクラスタ候補Ａ１１、Ａ２１、Ａ２２、Ｂ１１、Ｂ２１、Ｃ１１が得られる。クラスタ候補は、最大閾値Ｔｈ_ｄｍａｘにより得られたクラスタ候補Ａ１１、Ｂ１１、Ｃ１１を根ノードにもつツリー構造として表現される。

次に、コントローラ３（候補トラッキング部１３）が行う候補トラッキング処理について、図３〜図７、図９〜図１４を参照しながら説明する。

時点ｔ１から所定時間経過後の時点ｔ２（図３（ｂ）の状態）において取得されたレーザ計測点データ（点群データＱ１〜Ｑ１８）に対して、上記の図７に示した方法と同様にして最大閾値Ｔｈ_ｄｍａｘから最小閾値Ｔｈ_ｄｍｉｎまで徐々にクラスタリング閾値Ｔｈ_ｄをＴｈ_ｄ１、Ｔｈ_ｄ２と変化させていくと、図９（ａ）〜（ｃ）に示すように安定度の高いクラスタ候補Ｄ１１、Ｄ２１、Ｄ２２、Ｅ１１、Ｅ２１、Ｆ１１が得られる。それぞれの閾値Ｔｈ_ｄｍａｘ、Ｔｈ_ｄ１、Ｔｈ_ｄ２においては、図４（ｂ）、図５（ｂ）、図６（ｂ）に示した例と同様に、各クラスタ候補の構成点数が変化する。

候補トラッキング処理においては、前回の時点ｔ１（図３（ａ）の状態）で検出されたクラスタ候補と、今回の時点ｔ２（図３（ｂ）の状態）で検出されたクラスタ候補とを対応付けることで、最終的に１つの物体として特定されるべき正しいクラスタ候補と、そのクラスタ候補の移動量を計算する。

クラスタ候補の対応付けは、クラスタ候補がツリー構造をなしていることを利用して、根ノードのクラスタ候補から子ノードのクラスタ候補に向かって（つまり、ツリー構造の階層の深い方向に）行われる。

例えば、時点ｔ１のときの根ノードのクラスタ候補Ａ１１を例にとって説明する。先ず、候補トラッキング部１３は、クラスタ候補Ａ１１に対応する可能性のある時点ｔ２のときの根ノードにあるクラスタ候補Ｄ１１、Ｅ１１、Ｆ１１（図４（ｂ）参照）を探す。この探索は、次に説明するように、時点ｔ１のクラスタ候補Ａ１１と時点ｔ２のクラスタ候補Ｄ１１、Ｅ１１、Ｆ１１との間の距離の近さに基づいて行われる。

図１０を参照して、このクラスタ候補間の距離の計算方法を説明する。候補トラッキング部１３は、時点ｔ１のクラスタ候補Ａ１１の各点Ｐ１〜Ｐ７と、時点ｔ２のクラスタ候補Ｄ１１、Ｅ１１、Ｆ１１に含まれる各点Ｑ１〜Ｑ１８との間の距離を算出することにより、点Ｑ１〜Ｑ１８のうち、各点Ｐ１〜Ｐ７からの距離が最小となる点を検出する。

さらに、候補トラッキング部１３は、各点Ｑ１〜Ｑ１８のうち、各点Ｐ１〜Ｐ７からの距離が最小となる点を一定の割合以上含むクラスタ候補を、時点ｔ１のクラスタ候補と対応する可能性のあるクラスタ候補として抽出する。図１０に示す例では、根ノードのクラスタ候補Ａ１１に含まれる７つの点（Ｐ１〜Ｐ７）に関して、クラスタ候補Ｄ１１に対応する点は６点（Ｐ１〜Ｐ３、Ｐ５〜Ｐ７）、クラスタ候補Ｅ１１に対応する点は０、クラスタ候補Ｆ１１に対応する点は１点（Ｐ４）である。例えば、上記の一定の割合を３０％としたとき、時点ｔ１のクラスタ候補Ａ１１に対応する時点ｔ２のクラスタ候補はＤ１１のみとなる。他の根ノードのクラスタ候補Ｂ１１、Ｃ１１についても同様に対応する時点ｔ２のクラスタ候補が抽出される。

次に、候補トラッキング部１３は、時点ｔ１、ｔ２間で対応する可能性のある根ノードのクラスタ候補内から、形状が類似する（ほぼ一致する）クラスタ候補を探し、正しい対応付けと移動量を推定する。

根ノードのクラスタ候補Ａ１１を例に、図１１を参照して説明する。先ず、候補トラッキング部１３は、クラスタ候補Ａ１１と、クラスタ候補Ａ１１と対応する可能性のあるクラスタ候補Ｄ１１の形状が一致するか否かを確認する。さらに、候補トラッキング部１３は、図１１（ａ）に示すように、子ノードのクラスタ候補Ｄ２１、Ｄ２２についても、クラスタ候補Ａ１１との形状の比較を行う。

ここで、候補トラッキング部１３は、以下に説明する形状一致度Ｓを算出する。形状一致度Ｓは、図１３に示すように、対応する可能性のある２つのクラスタ候補Ａ１１、Ｄ１１に対してＩＣＰ（Iterative Closest Point）法を用いて、各クラスタ候補における各点（Ｐ１〜Ｐ７とＱ１〜Ｑ８）のおおよその位置を合わせた上で、位置誤差がＴｈ_Ｐ（図１３に示される矢印の長さに相当する距離）以内で一致する点の数Ｎｐ（図示の例では７点）により、以下の式（１）から算出することができる。

Ｓ＝Ｎｐ／（Ｎ_１＋Ｎ_２）.........（１）
なお、Ｎ_１、Ｎ_２は、それぞれ２つのクラスタ候補Ａ１１、Ｄ１１の構成点数である。
この形状一致度Ｓが所定閾値Ｔｈ_Ｓ以上であれば、２つのクラスタ候補は一致しているとみなす。

この形状一致度Ｓで、形状が一致するクラスタ候補を探索した場合に、根ノードのクラスタ候補Ａ１１に一致する候補が、クラスタ候補Ｄ１１、Ｄ２１、Ｄ２２において見つからなかったとする。この場合、根ノードのクラスタ候補Ａ１１の１段下の階層にあるクラスタ候補Ａ２１、Ａ２２について、形状が一致するクラスタ候補を探索する。そうした場合、図１１（ｂ）及び（ｃ）に示すように、クラスタ候補Ａ２１に対応するクラスタ候補としてＤ２１が得られ、Ａ２２に対応するクラスタ候補としてＤ２２が得られる。このように、注目している階層に対して形状が一致するクラスタ候補が全て見つかったときに、そのクラスタ候補のツリー（クラスタ候補群）に対する対応付けを終了する。

一方、形状が一致するクラスタ候補が見つからないノードがある場合には、そのノードについて、さらに階層を深くして探索を行う。その際、既に別の階層で形状が一致すると判定されたクラスタ候補と、そのクラスタ候補と同じツリーに含まれる子ノードのクラスタ候補については、探索を行わないようにする。これにより、無駄な計算を削減することができる。

全ての階層で探索しても形状が一致するクラスタ候補（子ノード）が見つからない場合には、そのクラスタ候補（根ノード）は新規物体（時点ｔ２の物体）、又は消失物体（時点ｔ１の物体）と判定する。

他の根ノードのクラスタ候補Ｂ１１、Ｃ１１についても同様に、形状が一致するクラスタ候補（子ノード）を探索する。クラスタ候補Ｂ１１の場合は、図１２（ａ）に示すように、クラスタ候補Ｂ１１とＥ１１の根ノードの候補が一致するため、これ以降の階層の探索を行わないようにする。クラスタ候補Ｃ１１の場合も同様に、図１２（ｂ）に示すように、クラスタ候補Ｃ１１とＦ１１の根ノードの候補が一致するため、これ以降の階層の探索を行わないようにする。これは、無駄な計算の削減に寄与する。

このようにして、最終的に、対応付けができた各クラスタ候補をクラスタリング結果として出力する（図１４）。

以上の処理（コントローラ３が行うクラスタ候補検出処理及び候補トラッキング処理）により、２つの物体が近接している場合でも、従来技術の場合と比べて、より適切なクラスタリング結果を生成することができる。その結果、物体の速度や、その物体の種別の推定精度、即ち、その物体が車両であるか、人であるか等を推定し得る度合いを高めることができる。

以下、上記の処理（コントローラ３が行うクラスタ候補検出処理及び候補トラッキング処理）について、図１５のツリー構造の説明図、及び、図１６〜図１９に示すフローチャートを参照して説明する。

図１５は、コントローラ３（クラスタ候補検出部１２）が行うクラスタ候補検出処理によって検出されるクラスタ候補群の構成を示したものである。図１５に示すように、クラスタ候補群はツリー状の階層構造をなしている。ここでは、各クラスタ候補をＣ_{ｉ，ｊ，ｋｊ}と表している。サフィックスの１番目の文字「ｉ」は、最大閾値Ｔｈ_ｄｍａｘでクラスタリングされたクラスタ候補の番号を表し、２番目の文字「ｊ」は、クラスタリングの階層の深さ（第１層、第２層、......）を表し、３番目の文字「ｋｊ」は、ｊ番目の階層におけるノード番号を表している。各クラスタ候補Ｃ_{ｉ，ｊ，ｋｊ}は、最大閾値Ｔｈ_ｄｍａｘにより得られた根ノードと、最大閾値Ｔｈ_ｄｍａｘよりも小さいクラスタリング閾値Ｔｈ_ｄから得られた子ノードとに分類される。

先ず、クラスタ候補検出処理（図１６、図１７参照）について説明する。
図１６を参照すると、先ず、コントローラ３（クラスタ候補検出部１２）は、最大閾値Ｔｈ_ｄｍａｘでクラスタリングを行い、クラスタ候補Ｃ_ｉ（１≦ｉ≦Ｎ_ｒｏｏｔ）を得る（ステップＳ１）。そして、全て（Ｎ_ｒｏｏｔ個）のクラスタ候補Ｃ_ｉに対して、後述するステップＳ２〜Ｓ１２の処理を繰り返す。

先ず、コントローラ３は、クラスタ候補Ｃ_ｉの番号ｉを１に初期化し（ステップＳ２）、番号ｉのクラスタ候補Ｃ_ｉを基に作成されるクラスタ群のツリー構造の深さ（クラスタリングの階層の深さ）ｊを１に初期化する（ステップＳ３）。次のステップＳ４では、コントローラ３は、クラスタ候補Ｃ_ｉをｉ番目のクラスタ候補群の根ノードとしてメモリ４に登録する。これにより、最低１つのクラスタ候補が初期クラスタ候補群Ｃ_{ｉ，ｊ，ｋｊ}（ｋｊ＝１）としてメモリ４に記憶される。

次に、コントローラ３は、クラスタリング閾値Ｔｈ_ｄを、最大閾値Ｔｈ_ｄｍａｘから所定値ｊ×ΔＤだけ減少させた値に更新する（ステップＳ５）。次のステップＳ６では、この新しい閾値（Ｔｈ_ｄｍａｘ−ｊ・ΔＤ）で、注目している深さｊのクラスタ候補Ｃ_{ｉ，ｊ，ｋｊ}をそれぞれクラスタリングし、クラスタリング結果を得る。

次のステップＳ７では、コントローラ３は、ステップＳ６で得られたクラスタリング結果（クラスタ候補）のうち、構成点数が所定閾値Ｔｈ_ｓｉｚｅ以上のクラスタ候補をＣ_{ｉ，ｊ＋１，ｋ（ｊ＋１）}として、対応する分割前のクラスタ候補の子ノードになるようにメモリ４に登録する。これにより、以降の処理で不要な処理時間を削減できる。なお、ステップＳ６のクラスタリングを行った前後で、クラスタリング結果が変化しない場合も、分割後のクラスタ候補を分割前のクラスタ候補の子ノードとして登録する。

次に、ステップＳ８では、コントローラ３は、クラスタリング閾値Ｔｈ_ｄが最小閾値Ｔｈ_ｄｍｉｎより大きい（ＹＥＳ）か否（ＮＯ）かを判定し、判定結果がＮＯの場合（Ｔｈ_ｄ≦Ｔｈ_ｄｍｉｎ）には、クラスタ候補の抽出を終えてステップＳ９の処理を実行する。一方、ステップＳ８において判定結果がＹＥＳの場合（Ｔｈ_ｄ＞Ｔｈ_ｄｍｉｎ）には、コントローラ３は、深さｊを１つ増やし（ステップＳ１０）、ステップＳ５に戻って上記の処理を繰り返す。

ステップＳ９では、コントローラ３は、得られた全てのクラスタ候補から、安定度の高いクラスタ候補を抽出する。この処理については後述する（図１７）。

次のステップＳ１１では、コントローラ３は、クラスタ候補の番号ｉがステップＳ１で得られたクラスタ候補Ｃ_ｉの総数Ｎ_ｒｏｏｔ未満である（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＮＯの場合（ｉ≧Ｎ_ｒｏｏｔ）には、コントローラ３は、本処理を終了し（ＥＮＤ）、判定結果がＹＥＳの場合（ｉ＜Ｎ_ｒｏｏｔ）には、番号ｉを１つ増やし（ステップＳ１２）、ステップＳ３に戻って上記の処理を繰り返す。

次に、上記のステップＳ９で行う「安定度の高いクラスタ候補の抽出」処理について、図１７を参照しながら説明する。

図１７に示すように、ステップＳ２１では、コントローラ３は、注目する階層の深さｍが処理対象のクラスタ候補群のツリー構造の最大深さＤ_ｍａｘより小さい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｍ＜Ｄ_ｍａｘ）には、コントローラ３は、ステップＳ２２の処理を実行し、判定結果がＮＯの場合（ｍ≧Ｄ_ｍａｘ）には、本処理を終了する（ＥＮＤ）。

ステップＳ２２〜Ｓ２８の処理では、コントローラ３は、安定度の高いクラスタを抽出する。先ずステップＳ２２では、コントローラ３は、クラスタ番号ｋｍを１に初期化し、次のステップＳ２３では、注目するクラスタ候補Ｃ_{ｉ，ｍ，ｋｍ}に対して、構成点数の差（変化量）Ｓ_ｋｍが許容変化量Ｔｈ_{ｍａｔｃｈ}（図７参照）以内となる子ノードの最大の深さｎ_{ｉ，ｍ，ｋｍ}を求める。ここで、最大の深さｎ_{ｉ，ｍ，ｋｍ}は、注目するクラスタ候補Ｃ_{ｉ，ｍ，ｋｍ}からの構成点数の変化量が許容変化量Ｔｈ_{ｍａｔｃｈ}以内となるクラスタリング閾値の下限値と関連付けられる値である。

次に、コントローラ３は、安定度Ｔ_ｍ，ｋｍを以下の式（２）により算出する（ステップＳ２４）。ここで、安定度Ｔ_ｍ，ｋｍは、注目するクラスタリング閾値と上記下限値との差に関連付けられる値である（図７参照）。
Ｔ_ｍ，ｋｍ＝ｎ_{ｉ，ｍ，ｋｍ}−ｍ.........（２）

次のステップＳ２５では、コントローラ３は、安定度Ｔ_ｍ，ｋｍが閾値Ｔｈ_Ｔｌｅｎ以上である（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（Ｔ_ｍ，ｋｍ≧Ｔｈ_Ｔｌｅｎ）には、コントローラ３は、ステップＳ２６の処理を実行し、判定結果がＮＯの場合（Ｔ_ｍ，ｋｍ＜Ｔｈ_Ｔｌｅｎ）には、ステップＳ２７の処理を実行する。ここで、閾値Ｔｈ_Ｔｌｅｎは、図７における閾値Ｔｈ_ＧＬに関連付けられる値である。

ステップＳ２６では（Ｔ_ｍ，ｋｍ≧Ｔｈ_Ｔｌｅｎの場合）、コントローラ３は、注目するクラスタ候補Ｃ_{ｉ，ｍ，ｋｍ}は安定度が高いと判断し、安定度の高いクラスタ候補としてメモリ４に登録する。そして、ステップＳ２８では、コントローラ３は、クラスタ番号ｋｍのクラスタ候補の深さｎ_{ｉ，ｍ，ｋｍ}＋１以降の安定度の高いクラスタ候補を抽出する。この処理は、クラスタ番号ｋｍのクラスタ候補を根ノードと見立てて、本処理（図１７）を実行することで実現される。

一方、ステップＳ２７では（Ｔ_ｍ，ｋｍ＜Ｔｈ_Ｔｌｅｎの場合）、深さがｍ＋１以降の安定度の高いクラスタ候補を抽出する。この処理も同様にして、クラスタ番号ｋｍのクラスタ候補を根ノードと見立てて、本処理（図１７）を実行することで実現される。

ステップＳ２９では、コントローラ３は、クラスタ番号ｋｍが深さｍのクラスタ数Ｋｍよりも小さい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＮＯの場合（ｋｍ≧Ｋｍ）には、本処理を終了し（ＥＮＤ）、判定結果がＹＥＳの場合（ｋｍ＜Ｋｍ）には、番号ｋｍを１つ増やし（ステップＳ３０）、ステップＳ２３に戻って上記の処理を繰り返す。

次に、候補トラッキング処理（図１８及び図１９参照）について説明する。
この候補トラッキング処理では、ステップＳ４１〜Ｓ６１の処理を繰り返すことで、クラスタ候補群の中から正しいクラスタ候補を決定することができる。

現在の時刻を時点ｔ２（図３（ｂ）の状態）とするとき、コントローラ３は、先ずステップＳ４１において、前回の時点ｔ１（図３（ａ）の状態）の注目するクラスタ候補群番号ｐを１に初期化する。次のステップＳ４２では、コントローラ３は、番号ｐのクラスタ候補群（時点ｔ１）に対応する時点ｔ２のクラスタ候補群ｑを選択する。

そして、コントローラ３は、ステップＳ４３〜Ｓ５９の処理を繰り返すことで、クラスタ候補群ｐとクラスタ候補群ｑの中から、抽出すべきクラスタ候補とその移動量を計算する。具体的には、コントローラ３は、先ずステップＳ４３において、番号ｐに関するクラスタ候補群のツリー構造の注目する深さｄｐを１に初期化する。そして、コントローラ３は、ステップＳ４４〜Ｓ５７の処理（図１９参照）を繰り返す。

先ずステップＳ４４において、コントローラ３は、深さｄｐの注目するクラスタ候補番号ｎ_ｐ，ｄｐを１に初期化する。次に、コントローラ３は、クラスタ候補群番号ｑに関するクラスタ候補群のツリー構造の注目する深さｄｑを１に初期化し（ステップＳ４５）、深さｄｑの注目するクラスタ候補番号ｎ_ｑ，ｄｑを１に初期化する（ステップＳ４６）。

次いで、コントローラ３は、クラスタ候補番号ｎ_ｐ，ｄｐとｎ_ｑ，ｄｑの位置をＩＣＰ法によって合わせ（ステップＳ４７）、そのときの形状一致度Ｓを前述した式（１）により算出する（ステップＳ４８）。

次のステップＳ４９では、コントローラ３は、その形状一致度Ｓが閾値Ｔｈ_ｓより小さい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（Ｓ＜Ｔｈ_ｓ）には、コントローラ３は、ステップＳ５０の処理を実行し、判定結果がＮＯの場合（Ｓ≧Ｔｈ_ｓ）には、ステップＳ５６の処理を実行する。

次いで、コントローラ３は、クラスタ候補番号ｎ_ｑ，ｄｑを１増やし（ステップＳ５０）、次のステップＳ５１では、クラスタ候補番号ｎ_ｑ，ｄｑがクラスタ候補数Ｎ_ｑ，Ｄｑより大きい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｎ_ｑ，ｄｑ＞Ｎ_ｑ，Ｄｑ）には、コントローラ３は、ステップＳ５２の処理を実行し、判定結果がＮＯの場合（ｎ_ｑ，ｄｑ≦Ｎ_ｑ，Ｄｑ）には、ステップＳ４７に戻って上記の処理を繰り返す。

さらに、コントローラ３は、深さｄｑを１増やし（ステップＳ５２）、次のステップＳ５３では、深さｄｑが最大深さＤｑより大きい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｄｑ＞Ｄｑ）には、コントローラ３は、ステップＳ５４の処理を実行し、判定結果がＮＯの場合（ｄｑ≦Ｄｑ）には、ステップＳ４６に戻って上記の処理を繰り返す。

一方、ステップＳ５６では（形状一致度Ｓ≧閾値Ｔｈ_ｓの場合）、コントローラ３は、クラスタ候補番号ｎ_ｐ，ｄｐとｎ_ｑ，ｄｑの対応する２つのクラスタ候補は同じ物体であると判断し、当該クラスタ候補の情報、及びその対応付けをメモリ４に記憶する。さらに、コントローラ３は、クラスタ候補番号ｎ_ｐ，ｄｐとｎ_ｑ，ｄｑの子ノード以下のクラスタ候補をメモリ４から削除する（ステップＳ５７）。削除されたクラスタ候補は、この時点ｔ２での対応付けには使用されない。これにより、削除されたクラスタ候補については探索を行わずにすむので、無駄な計算を削減することができる。

次いで、コントローラ３は、クラスタ候補番号ｎ_ｐ，ｄｐを１増やし（ステップＳ５４）、次のステップＳ５５では、クラスタ候補番号ｎ_ｐ，ｄｐが全クラスタ候補数Ｎ_ｐ，ｄｐより大きい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｎ_ｐ，ｄｐ＞Ｎ_ｐ，ｄｐ）には、コントローラ３は、本処理を終了し（ＥＮＤ）、判定結果がＮＯの場合（ｎ_ｐ，ｄｐ≦Ｎ_ｐ，ｄｐ）には、ステップＳ４５に戻って上記の処理を繰り返す。

ステップＳ５８（図１８参照）では、コントローラ３は、注目する深さｄｐを１増やし、次のステップＳ５９では、注目する深さｄｐがクラスタ候補群番号ｐの最大深さＤｐよりも大きい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｄｐ＞Ｄｐ）には、コントローラ３は、ステップＳ６０の処理を実行し、判定結果がＮＯの場合（ｄｐ≦Ｄｐ）には、ステップＳ４４（図１９参照）に戻って上記の処理を繰り返す。

ステップＳ６０（図１８参照）では、コントローラ３は、クラスタ候補群番号ｐを１増やし、次のステップＳ６１では、クラスタ候補群番号ｐが全てのクラスタ候補群Ｎｐよりも大きい（ＹＥＳ）か否（ＮＯ）かを判定する。判定結果がＹＥＳの場合（ｐ＞Ｎｐ）には、コントローラ３は、本処理を終了し（ＥＮＤ）、判定結果がＮＯの場合（ｐ≦Ｎｐ）には、ステップＳ４２に戻って上記の処理を繰り返す。

以上の候補トラッキング処理により、連続した２時刻間（時点ｔ１とｔ２の間）のクラスタ候補群の中から、形状が安定し、かつ、同一物体と推定されるクラスタ候補を抽出することができる。

以上説明したように、本実施形態に係る物体識別装置１及び方法は、１つのクラスタ候補Ｃ_{ｉ，ｊ，ｋｊ}として認識される検出点（Ｐ１〜Ｐ１７、Ｑ１〜Ｑ１８）の集合を規定する所定距離（Ｔｈ_ｄｍａｘ、Ｔｈ_ｄ１、Ｔｈ_ｄ２）を変化させていったときに、クラスタリングによって得られる当該クラスタ候補の形状の安定度Ｔ_１１、Ｔ_２２、Ｔ_２１を算出し、所定閾値ＴＨ_Ｔｌｅｎ以上の安定度を有した形状をクラスタ候補として検出するようにしている（図１６、図１７）。そして、この検出されたクラスタ候補を用いて所要の候補トラッキング処理を行い（図１８、図１９）、所定閾値Ｔｈ_ｓ以上の形状一致度Ｓを有したクラスタ候補を１つの物体として特定するようにしている。

即ち、本実施形態に係る物体識別装置１は、同一物体から得られる形状が同一であることを利用し、その形状が安定して得られる適当な閾値（所定距離）をクラスタ候補毎に動的に設定するようにしている。これにより、２つの物体が近接している場合でも、従来技術の場合と比べて、より適切なクラスタリング結果を生成することができる。

その結果、物体の速度や、その物体の種別の推定精度（車両であるか、人であるか等を推定し得る度合い）を高めることができる。例えば、２つの物体が近接して同一速度で移動している場合でも、各物体を個別に安定的に識別することが可能となる。

また、各物体を個別に安定的に識別できることにより、車両周辺に存在する物体（対向車２３や、歩行している人２２など）との衝突を回避することが可能となる。

なお、上記の実施形態では、本発明に係る物体識別装置を車両に搭載した場合を例にとって説明したが、この適用形態に限定されないことはもちろんである。例えば、自動車の製造ライン等において運搬用ロボットに本発明の物体識別装置を搭載し、周辺に存在する障害物との衝突を回避するための自動制動等に利用することも可能である。

また、本発明に係る物体識別装置は、必ずしも車両や運搬用ロボット等の移動体に搭載される必要はなく、例えば、道路に付属する構造物（陸橋や照明ポール等）に固定的に設けるようにしてもよい。

また、上記の実施形態では、１つのレーザレーダ２によりレーザ光をスキャン照射することで周辺物体から複数のレーザ計測点を取得するようにしたが、かかる実施形態に限定されないことはもちろんである。例えば、複数のレーザレーダを使用し、各レーザレーダからのレーザ光をそれぞれ周辺物体の異なる部位に照射することで（この場合、スキャン動作は不要）、複数のレーザ計測点を取得するようにしてもよい。

以上説明したように、本発明に係る物体識別装置及び方法は、複数の物体が近接し同一速度で移動している場合でも、安定的に個々の物体を識別することができるという効果を奏するものであり、レーザレーダを用いて物体を検知しその識別を行う物体識別装置及び方法に有用である。

１物体識別装置
２レーザレーダ
３コントローラ
４メモリ
１１路面推定部
１２クラスタ候補検出部
１３候補トラッキング部
Ｃ_{ｉ，ｊ，ｋｊ} クラスタ候補
Ｐ１〜Ｐ１７、Ｑ１〜Ｑ１８レーザ計測点（検出点）
Ｓクラスタ候補の形状の一致度
Ｔｈ_ｄｍａｘ、Ｔｈ_ｄ１、Ｔｈ_ｄ２クラスタリング閾値（所定距離）
Ｔｈ_{ｍａｔｃｈ} （クラスタ候補の形状の）許容変化量
Ｔ_１１、Ｔ_２２、Ｔ_２１（クラスタ候補の形状の）安定度

Claims

レーザレーダにより検出される複数の検出点を基に物体を識別する装置であって、
検出点間の互いの距離が所定距離以内にある検出点の集合を１つのクラスタ候補として認識するとともに、前記所定距離を最大値から最小値まで徐々に変化させたときに認識されるクラスタ候補に含まれる検出点の数の変化が許容変化量以内になるときの前記所定距離の変化量によって規定される安定度を算出し、所定値以上の安定度を有した形状のクラスタ候補を前記所定距離に対応付けて検出するクラスタ候補検出部と、
所定時間毎に前回検出した各クラスタ候補に含まれる検出点と今回検出した各クラスタ候補に含まれる検出点との距離を算出し、当該距離が最小となる点を一定の割合以上含む２つのクラスタ候補の対応付けを行い、ＩＣＰ法を用いて当該対応付けされた２つのクラスタ候補を位置合わせした上で当該２つのクラスタ候補に含まれる検出点の位置誤差を算出し、算出した位置誤差が所定値以内となる検出点の数に基づいて、当該２つのクラスタ候補の形状の一致度を算出する候補トラッキング部と、を備え、
前記候補トラッキング部は、算出された前記形状の一致度が所定閾値以上の場合に当該２つのクラスタ候補を１つの物体として特定することを特徴とする物体識別装置。
路面上を走行する車両に搭載され、
前記レーザレーダにより検出された複数の検出点から前記路面の位置を推定し、路面部分を除去して物体に関する検出点のみを抽出する路面推定部をさらに備え、
前記クラスタ候補検出部は、前記路面推定部により抽出された検出点に基づいてクラスタ候補を検出することを特徴とする請求項１に記載の物体識別装置。
レーザレーダにより検出される複数の検出点を基に物体を識別する方法であって、
検出点間の互いの距離が所定距離以内にある検出点の集合を１つのクラスタ候補として認識するとともに、前記所定距離を最大値から最小値まで徐々に変化させたときに認識されるクラスタ候補に含まれる検出点の数の変化が許容変化量以内になるときの前記所定距離の変化量によって規定される安定度を算出し、所定値以上の安定度を有した形状のクラスタ候補を前記所定距離に対応付けて検出する段階と、
所定時間毎に前回検出した各クラスタ候補に含まれる検出点と今回検出した各クラスタ候補に含まれる検出点との距離を算出し、当該距離が最小となる点を一定の割合以上含む２つのクラスタ候補の対応付けを行い、ＩＣＰ法を用いて当該対応付けされた２つのクラスタ候補を位置合わせした上で当該２つのクラスタ候補に含まれる検出点の位置誤差を算出し、算出した位置誤差が所定値以内となる検出点の数に基づいて、当該２つのクラスタ候補の形状の一致度を算出する段階と、を備え、
算出された前記形状の一致度が所定閾値以上の場合に当該２つのクラスタ候補を１つの物体として特定することを特徴とする物体識別方法。
前記物体識別方法を、路面上を走行する車両において実施する場合に、
前記レーザレーダにより検出された複数の検出点から前記路面の位置を推定し、路面部分を除去して物体に関する検出点のみを抽出する段階をさらに含み、
前記抽出された検出点に基づいて前記クラスタ候補を検出することを特徴とする請求項３に記載の物体識別方法。