JP6365035B2

JP6365035B2 - 交通オブジェクト検出装置

Info

Publication number: JP6365035B2
Application number: JP2014142133A
Authority: JP
Inventors: 誉司坂東; 一仁竹中
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2014-07-10
Filing date: 2014-07-10
Publication date: 2018-08-01
Anticipated expiration: 2034-07-10
Also published as: JP2016019212A

Description

本発明は、運転シーン中に存在する交通オブジェクトを検出する技術に関する。

ドライバに対する運転支援において、的確な運転支援を実行するためには、その時々の運転シーンを理解する必要がある。また、運転シーンの理解のためには、自車周囲に存在する交通オブジェクト（車両、歩行者、信号、レーンマークなど）の把握が重要となる。

このような交通オブジェクトを検出する方法として、所定サイズのウィンドで画像データを走査し、ウィンドで切り取った画像領域毎に、検出対象となる交通オブジェクトの特徴を表す辞書データとのパターンマッチングを行う識別器を適用し、検出対象の有無を判断するものが知られている（例えば特許文献１参照）。

特開２０１３−９３６３９号公報

ところで、画像における対象物の見え方は、対象物との位置関係や対象物の状態（ひいては運転シーン）に応じて様々に異なったものとなる。このため、従来手法では、同じ対象物を検出するにしてもそれぞれが異なった辞書データを利用する他種類の識別器を用意する必要がある。しかも、このような識別器の検出精度は、画像データの供給元となるカメラ等の観測手段の特性、取付位置／角度などに強く依存するため、取付位置／角度や観測手段の特性が異なることの多い車種や車両タイプ毎に識別器を用意する必要があるという問題があった。

また、識別器の生成には、実際に車両に搭載されているカメラを用いて収集された大量のデータが必要であり、従来技術では、その大量のデータを前述のとおり車種や車両タイプ毎に用意しなければならず、非効率的であるという問題もあった。

本発明は、こうした問題に鑑みてなされたものであり、センサの種別、特性、取付位置や角度に対してロバストに交通オブジェクトを検出する技術を提供することを目的とする。

本発明の交通オブジェクト検出装置は、データ収集手段と、シーン分割手段と、特徴量分布生成手段と、トピック記憶手段と、割合演算手段と、オブジェクト検出手段とを備える。

データ収集手段は、車両の状態や車両周辺の環境に関するデータを繰り返し収集する。シーン分割手段は、データ収集手段にて収集されたデータの系列を、各々が何等かの運転シーンを表す複数の部分系列に分割する。特徴量分布生成手段は、データ収集手段によって収集されたデータから得られる一種類以上の特徴量について、該特徴量の値域を複数に分割したインデックス毎の出現頻度を表す特徴量分布を、部分系列毎に生成する。トピック記憶手段は、特徴量分布を表現するための基底分布として使用される複数の基底特徴分布、および運転シーン中に現れる予め用意された複数の交通オブジェクトの各々についての出現確率を表す基底オブジェクト分布からなる運転トピックを記憶する。割合演算手段は、特徴量分布生成手段で生成された特徴量分布を、基底特徴分布を用いて表現した場合の混合比であるトピック割合を算出する。オブジェクト検出手段は、部分系列毎に、トピック割合および基底オブジェクト分布に基づいて、オブジェクト分布を生成し、そのオブジェクト分布を用いて部分系列が表す運転シーン中に存在する交通オブジェクトを検出する。

このように本発明では、運転トピックを利用して、運転シーン毎にその運転シーンに応じたオブジェクト分布を生成し、そのオブジェクト分布を利用して運転シーン中の交通オブジェクトを検出している。従って、検出対象となる対象物毎に複数の辞書データを用意する必要がなく、また、未知の運転シーンにも対応することができる。

また、本発明によれば、データ収集手段等により収集されたデータから直接的に交通オブジェクトを抽出するのではなく、複数のセンサにより得られたこれらのデータからまず運転シーンを特定し、その特定された運転シーンに強く関連づけられた交通オブジェクトを、予め用意された運転トピックを用いて抽出する。つまり、運転シーンを、抽象化された運転トピックで表現することにより、運転シーンが特定されさえすれば、この抽象化された運転トピックを通して（言い換えるとセンサの特性等に大きな影響を受けずに）交通オブジェクトは検出される。このため、車両に搭載されているセンサの種別、特性、取付位置や角度等に対してロバストな検出を実現することができる。

また、このようなロバスト性を有することにより、多様な車種で取得されたデータを共有することができるため、運転シーンの分割時に使用する情報の生成や運転トピックの生成に必要となる大量のデータを簡単に取得することができるだけでなく、その生成された情報や運転トピックを車種や車両タイプによらず共通に適用することができる。

例えば、オブジェクト検出のためのセンサを持たない大衆車でも、スマートフォンなどを利用して車両の加速度や前方映像を撮影出来さえすれば、それらの情報から運転シーンを特定することで、オブジェクト検出のためのセンサ（カメラ、レーザレーダなど）を搭載した高級車で収集した情報を利用することも可能となる。

なお、特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本発明の技術的範囲を限定するものではない。

また、本発明は、前述した交通オブジェクト検出装置の他、当該交通オブジェクト検出装置を構成要素とするシステム、当該交通オブジェクト検出装置としてコンピュータを機能させるためのプログラム、交通オブジェクト検出方法など、種々の形態で実現することができる。

交通オブジェクト検出装置の全体構成図である。運転トピックの生成過程、および運転トピックを利用したトピック割合の演算仮定を示す説明図である。特徴量分布生成部で生成される特徴量分布を例示するグラフである。潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）で仮定されるグラフィカルモデルである。基底特徴分布のうち運転挙動データに関する分布を例示した説明図である。トピック割合および基底オブジェクト分布に基づく検出用のオブジェクト分布の生成方法等を示す説明図である。交通オブジェクト検出装置によって運転シーン毎に検出される交通オブジェクトおよび運転シーンに対応する画像の例、交通オブジェクトを検出する過程で生成される運転挙動データ、部分系列、トピック割合を示す説明図である。

以下に本発明が適用された実施形態について、図面を用いて説明する。
＜全体構成＞
交通オブジェクト検出装置１は、図１に示すように、運転挙動データ収集部２と、環境データ収集部３と、正規化部４と、運転シーン離散化部５と、運転シーンデータベース６と、特徴量分布生成部７と、トピック割合演算部８と、運転トピックデータベース９と、交通オブジェクト検出部１０とを備える。

交通オブジェクト検出装置１は、マイクロコンピュータ（マイコン）によって実現され、各部の処理は、マイコンが備える図示しないＣＰＵが所定のプログラムを実行することによって実現されるものである。つまり、図１は、ＣＰＵによって実現される各種機能を機能ブロック毎に分けて図示したものである。但し、これら各部は必ずしもソフトウェアにて実現されている必要はなく、その全部または一部をロジック回路等のハードウェアにて実現してもよい。

＜運転挙動データ収集部＞
運転挙動データ収集部２は、運転者による運転操作に関する運転操作データや、その運転操作の結果として現れる車両の挙動に関する車両挙動データを、車両に搭載された各種センサを介して繰り返し収集すると共に、運転操作データや車両挙動データをそれぞれ微分した微分データを生成し、これら、運転操作データ，車両挙動データ，微分データからなる多次元データを運転挙動データとして出力する。

運転操作データとしては、例えば、アクセルペダルの操作量、ブレーキペダルの操作量、ステアリングホイールの操作量（操舵角）、方向指示器の操作状態、トランスミッションのシフト位置などを用いることができる。車両挙動データとしては、例えば、車両の速度、ヨーレートなどを用いることができる。

＜環境データ収集部＞
環境データ収集部３は、車両周辺を撮影するように設置されたカメラ、レーダ波（超音波やミリ波など）を利用して車両周辺の物標の位置や相対速度を検出するレーダセンサ、全地球測位システム（ＧＰＳ：Global Positioning System ）衛星からの信号を受信して３次元の位置情報等を生成するＧＰＳ受信機、ジャイロや加速度計を用いて３次元の角速度および加速度を求める慣性計測装置（ＩＭＵ：Inertial Measurement Unit ）、時間帯，天候，周囲に存在するインフラの状態などを検出するセンサあるいはこれらの状態を外部から取得する通信機等、各種車載機器から出力されるデータを繰り返し取得し、これらを個別の環境データとして出力する。なお、必ずしも上述した全てのデータを取得するものである必要はなく、これらデータの一部を取得するものであってもよい。

＜正規化部＞
正規化部４は、運転挙動データ収集部２から供給されるデータを、車種毎もしくは車両タイプ毎に予め用意された正規化パラメータμ_ｖ、σ_ｖ、χ_{ｍａｘ，ｖ}、χ_{ｍｉｎ，ｖ}を利用し、（１）または（２）式を用いて正規化する。なお、μ_ｖはデータの平均、σ_ｖはデータの分散であり、χ_{ｍａｘ，ｖ}はデータの最大値、χ_{ｍｉｎ，ｖ}はデータの最小値を表す。

車種毎もしくは車両タイプ毎に異なる正規化パラメータを使用する理由は以下の通りである。即ち、排気量の大きなエンジンを搭載した車両と排気量の小さなエンジンを搭載した車両では、同じ運転シーンかつ同じドライバであっても、アクセルの操作（踏み込み量、踏み込み早さ等）に大きな違いが生じる。このため、正規化していない両データを運転シーン離散化部５にて離散化した場合、互いに異なったシーンとして認識されてしまう場合がある。これに対して、車種毎もしくは車両タイプ毎に用意された正規化パラメータを用いて、運転挙動データ収集部２からのデータを正規化することにより、車種や車両タイプの違いを吸収することができる。

＜運転シーン離散化部＞
運転シーン離散化部５は、ドライバの環境認知から操作に至るモデルを利用して、運転挙動データ収集部２から得られる運転挙動データを統計解析し、ドライバ個人（もしくは一般のドライバ）が感じる運転シーンの切り替わり点を抽出することにより、運転挙動データの時系列を、それぞれが何等かの運転シーンを表す複数の部分系列（以下単に「運転シーン」という）に分節化（離散化）する。

具体的には、二重分節構造を利用した教師なし運転シーン分割法によって分節化を行う二重分節解析器（ＤＡＡ：Double Articulation Analyzer）を利用する。
ＤＡＡは、まず、運転挙動データの値域を表す多次元の空間で運転挙動データから把握される各種の車両の状態を表すクラスタと、各クラスタ間の遷移確率とを予め定義しておき、これらの情報を用いて、運転挙動データ収集部２から取得した運転挙動データがいずれのクラスタに属するかを統計的に処理することにより、運転挙動データの時系列を、区分単位となる車両の状態毎（つまり、クラスタ毎）に区分けする。但し、各クラスタには予め識別用の記号を対応づけておくことにより、運転挙動データの時系列は、どのクラスタに属しているかを表す記号列に変換される。この記号列の生成には、例えば、隠れ状態とその状態間の確率的遷移で表現されるモデルの一つである階層ディリクレ過程隠れマルコフモデル（ＨＤＰ−ＨＭＭ：Hierarchical Dirichlet Process Hidden Markov Model）を利用することができる。但し、ＨＤＰ−ＨＭＭにおいてはクラスタ、および各クラスタ間の遷移確率は、学習によって予め生成されたものを使用する。

次に、ＤＡＡは、生成された記号列を、統計情報を利用した離散文字列の教師なしチャンク化手法の一例であるNested Pitman-Yor Language Model（ＮＰＹＬＭ）を用いて、何等かの意味を持つ部分系列（運転シーン）に分節化する。この際、運転シーンの並びからなる記号列全体の生成確率が最大となるようにする。これにより、運転挙動データから運転シーンへの分節化を行うことが可能になる。但し、運転シーン間の遷移確率、および運転シーンの生成確率は、学習によって予め算出されたものを使用する。

なお、ＨＤＰ−ＨＭＭやＮＰＹＬＭを適用したＤＡＡについては、非特許文献、T. Taniguchi et al, "Semiotic Prediction of Driving Behavior using Unsupervised Double Articulation Analyzer," IEEE Intelligent Vehicles Symposium, 2012、および、K. Takenaka et al, " Contextual Scene Segmentation of Driving Behavior based on Double Articulation Analyzer," IEEE/RSJ International Conference on Intelligent Robots and Systems, 2012、等に詳述されているため、ここでは説明を省略する。但し、記号の生成や記号の分節化に用いる手法は、ＨＤＰ−ＨＭＭやＮＰＹＬＭに限定されるものではなく他の手法を用いてもよい。

＜運転シーンデータベース＞
運転シーンデータベース６は、運転シーン離散化部５が実行する処理で使用する各種データを記憶する。具体的には、運転挙動データの時系列が、どのクラスタに属しているかを表す記号列を生成する際に使用するクラスタおよび各クラスタ間の遷移確率、その記号列を運転シーンに分割する際に使用する運転シーン間の遷移確率および運転シーンの生成確率等を記憶する。これら運転シーンデータベース６に記憶するデータは、様々な車種および車両タイプについて運転挙動データを収集し、その運転挙動データを正規化部４での手法を用いて正規化した正規化運転挙動データに基づいて学習されたものを用いる。

＜特徴量分布生成部＞
特徴量分布生成部７は、運転挙動データ収集部２から出力される時系列の運転挙動データ、および環境データ収集部３から出力される時系列の環境データを、運転シーン離散化部５で分節化された運転シーン毎に、その運転シーン中に現れる特徴量の分布を生成する（図２参照）。

本実施形態では、運転挙動データについては、アクセルペダルの操作量（accel）、ブレーキペダルの操作量（brake）、ステアリングの操作量（steering）、車速（velocity）、およびそれらの微分データΔaccel、Δbrake、Δsteering、Δvelocityのそれぞれを特徴量とし、特徴量分布の生成対象とする。この場合、特徴量分布は、特徴量の値域を表す特徴空間を複数に分割（ここでは特徴量の最小値〜最大値を２０等分）したものをビンとして、そのビン毎に、特徴量の出現頻度を表現したヒストグラムからなる（図３参照）。

運転挙動データに関する特徴量分布は、これに限るものではなく、例えば、アクセルペダル操作量、ブレーキペダル操作量、ステアリング操作量、車両速度、およびこれらの各々の微分データからなる８次元データを、特徴量分布の生成対象としてもよい。この場合、８次元データの値域を表す特徴空間をｋ−ｍｅａｎｓ等の周知のクラスタリング手法を用いてクラスタリングし、その結果として得られたクラスタを特徴量分布のビンとすればよい。

また、環境データについては、例えば、車載カメラからの入力画像を用いる場合、局所特徴量の一つであるＳＩＦＴ（Scale-Invariant Feature Transform ）特徴量を特徴量分布の生成対象とする。具体的には、例えば、入力画像を所定サイズ（例えば、３２０×２４０ピクセル）に圧縮し、その圧縮画像データを、一定間隔（例えば、５ピクセル）毎に所定サイズ（例えば、２４×２４ピクセル）を有する複数（ここでは３０７２点）の局所領域を設定し、その局所領域毎に求めたＳＩＦＴ特徴量を用いる。この場合、特徴量分布のビンは、予め学習によって決定したものを利用する。例えば、ＳＩＦＴ特徴量の値域を表す特徴空間を、ｋ−ｍｅａｎｓ等の周知のクラスタリング手法を用いてクラスタリングし、その結果として得られた各クラスタを特徴量分布のビンとする。なお、画像データに対して使用する特徴量はＳＩＦＴ特徴量に限定されるものではなく他の周知の局所特徴量を用いてもよい。

また、環境データから所定の交通トピックを抽出することができる場合、各交通トピックをインデックスとし、着目する交通トピックが運転シーン中に存在する確からしさを特徴量とする特徴量分布を生成してもよい。この場合、交通トピックが存在する確からしさ（特徴量）としては、運転シーンの全期間のうち着目する交通トピックが検出されている期間の割合を用いてもよいし、交通トピックが存在する位置からの距離や、その位置に到達するまでに要する時間等に基づいて算出された値を用いてもよい。

＜運転トピックデータベース＞
運転トピックデータベース９には、特徴量分布生成部７で生成される特徴量分布群を、複数の分布の混合によって表現する場合に基底として使用される複数（例えば２５個）の運転トピックが予め格納されている。また、各運転トピックは、特徴量のそれぞれに対応する特徴量と同数（ｎ個）の基底分布（基底特徴分布、基底トピック分布）によって構成されている（図２参照）。

ここで運転トピックの生成方法について説明する。
運転トピックの生成には、それぞれが運転シーンを表す各部分系列を「一つの文書」、観測された特徴量を「一つの単語」と見なすことで、自然言語処理分野で利用されている潜在トピック推定手法を利用する。

特に、ここでは、複数種類の特徴量分布を用いて、複数のモダリティに跨る運転トピックを推定するため、潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）を拡張した手法であるマルチモーダルＬＤＡを利用してもよい。

ＬＤＡでは、図４に示すようなグラフィカルモデルを仮定する。但し、Ｄがシーン総数、Ｍ_ｄがｄ番目のシーンでのフレーム総数、Ｋがトピック総数、ｗ_ｄ，ｍがｄ番目のシーンのｍフレームで観測された特徴（即ち運転特徴量）、ｚ_ｄ，ｍが特徴ｗ_ｄ，ｍに対して割り当てられるトピックを指示するトピック指示変数（１〜Ｋの自然数をとる）、θ_ｄがｄ番目のシーンに含まれるトピックの割合を示す多項分布パラメータ、φ_ｋはｋ番目のトピックから各特徴量が生成される割合を示す多項分布パラメータ、α，βはそれぞれθ、φのパラメータである。また、θ_ｄ，φ_ｋ，ｚ_ｄ，ｍ，ｗ_ｄ，ｍは、Ｄｉｒをディリクレ分布、Ｍｕｌｔを多項分布として、（３）〜（６）式で定義される。

このモデルを利用してθ、φを推定することになるが、これらの推定には変分ベイズ、ギブスサンプリングなどの近似手法を使用することができる。これらの手法の詳細については、例えば、D. Blei et al, "Latent Dirichlet Allocation," Journal of Machine Learning Research, 2003、や、T. Griffiths & M. Steyvers, "Finding Scientific Topics," Proceedings of the National Academy of Sciences, 2004 等に記載されているため、ここでは説明を省略する。またマルチモーダルＬＤＡへの拡張についても、T. Nakamura, et al, "Grounding of word meanings in multimodal concepts using LDA," IEEE/RSJ International Conference on Intelligent Robots and Systems, 2009などに記載されているため、ここでは説明を省略する。但し、運転トピックは例えば、次のようにして生成された学習用の特徴量分布を利用して生成される。

まず、実際に車両を走行させて、運転挙動データ収集部２、環境データ収集部３、正規化部４、運転シーン離散化部５、特徴量分布生成部７を作動させることで、学習用画像に対応した学習用の特徴量分布を生成する。なお、学習行画像を収集する際には、少なくとも交通オブジェクトを検出できるように構成された環境データ収集部３を使用する。つまり、学習用の特徴量分布には、交通オブジェクトが存在する確からしさを特徴量として求めたものが少なくとも含まれている。

このようにして用意された学習用の特徴量分布を用いてマルチモーダルＬＤＡにより、基底となる分布（基底特徴分布および基底オブジェクト分布）を推定した結果が運転トピックとなる。このようにして生成された各運転トピックは、それぞれが運転時に繰り返し出現する特定の状況を表したものとなる。図５は、運転挙動データに基づく基底特徴量分布の例を５種類の運転トピックＴＰ１〜ＴＰ５について示したものである。図中、トーンが明るいほど頻度が高いことを表す。

＜トピック割合演算部＞
トピック割合演算部８では、特徴量分布生成部７から出力される特徴量分布が、運転トピックデータベース９に格納された基底特徴分布を混合することで表現されるものとして、その混合比であるトピック割合（各基底特徴分布の含有割合）を算出する（図２参照）。トピック割合は、具体的には、マルチモーダルＬＤＡの推定を実現するＥステップおよびＭステップの処理のうち、Ｅステップだけを実行することで求めることができる。

＜交通オブジェクト検出部＞
交通オブジェクト検出部１０は、図６に示すように、トピック割合演算部８で求められたトピック割合に従って、基底オブジェクト分布を重みづけ加算することによって、検出用のオブジェクト分布を生成する。但し、推定用分布の設定方法は、これに限るものではなく、例えば、トピック割合が最も大きい運転トピックに対応づけられた基底オブジェクト分布を検出用のオブジェクト分布として使用してもよい。

そして、生成された検出用のオブジェクト分布に基づき、特徴量が予め設定された閾値を超えるインデックスに対応づけられた交通オブジェクトを、運転シーン中に存在する交通オブジェクトとして検出する。なお、交通オブジェクトの抽出方法は、これに限るものではなく、例えば、出現頻度が大きいものから所定番目までを抽出してもよい。オブジェクト分布に従って確率的に交通オブジェクトを抽出するようにしてもよい。

＜効果＞
以上説明したように、交通オブジェクト検出装置１では、収集された運転挙動データや環境データから直接的に交通オブジェクトを抽出するのではなく、これらのデータからまず運転シーンを特定し、その特定された運転シーンに強く関連づけられた交通オブジェクトを、予め用意された運転トピック（基底特徴分布、基底オブジェクト分布）を用いて抽出する。つまり、運転シーンを抽象化された運転トピックで表現することにより、運転シーンが特定されさえすれば、この抽象化された運転トピックを通して（言い換えるとセンサの特性等に大きな影響を受けずに）交通オブジェクトは検出される。このため、車両に搭載されているセンサの種別、特性、取付位置や角度等に対してロバストな検出を実現することができる。

また、交通オブジェクト検出装置１では、上述のようなロバスト性を有すること、および、運転挙動データを車種毎あるいは車両タイプ毎に用意された正規化パラメータを用いて正規化していることにより、多様な車種で取得されたデータを共有することができるため、運転シーンの分割時に使用する情報の生成や運転トピックの生成に必要となる大量のデータを簡単に取得することができるだけでなく、その生成された情報や運転トピックを車種や車両タイプによらず共通に適用することができる。

運転トピックは、要するに、様々な運転シーンで観測されるマルチモーダルな特徴量の分布のうち、代表的な特徴量分布の組み合せを表現したものである。これにより、交通オブジェクトの検出を特定のセンサのみに基づく形ではなく、マルチモーダルなセンサの情報を組み合せて行うことができる。このような運転トピックを学習しておくことで、あるモダリティが観測できない場合でも、その他のモダリティの情報から予測を行うことができる。

例えば、完全な自由走行を行う際に８０ｋｍ／ｈで走行するような道路を、６０ｋｍ／ｈで走行しているのであれば、先行車が存在するのではないかという予測や、また、３０ｋｍ／ｈで走行しているのであれば、渋滞中であり先行車との車間距離が迫っているのではないかという予測を、より多岐にわたる交通オブジェクトの組み合せについて行うことが可能となる。

更に、このようなマルチモーダルな特徴量分布間の関係性を「運転トピック」を通してモデル化することにより、オブジェクト検出のためのセンサを持たない大衆車でもスマートフォンなどを利用して車両の加速度や前方映像を撮影出来さえすれば、それらの情報から運転シーンを特定することで、オブジェクト検出のためのセンサ（カメラ、レーザレーダなど）を搭載した高級車で収集した情報を活用することができる。

図７は、交通オブジェクト検出装置１によって抽出された幾つかの運転シーンから検出された交通オブジェクト、および運転シーンに対応する画像を、交通オブジェクトを検出する過程で生成される運転挙動データ、部分系列、トピック割合と共に示したものである。図からは、概ね画像に適合した交通オブジェクトが抽出されていることがわかる。

＜他の実施形態＞
以上、本発明の実施形態について説明したが、本発明は、上記実施形態に限定されることなく、種々の形態を採り得ることは言うまでもない。

本発明の各構成要素は概念的なものであり、上記実施形態に限定されない。例えば、一つの構成要素が有する機能を複数の構成要素に分散させたり、複数の構成要素が有する機能を一つの構成要素に統合したりしてもよい。また、上記実施形態の構成の少なくとも一部を、同様の機能を有する公知の構成に置き換えてもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加、置換等してもよい。

１…交通オブジェクト検出装置２…運転挙動データ収集部３…環境データ収集部４…正規化部５…運転シーン離散化部６…運転シーンデータベース７…特徴量分布生成部８…トピック割合演算部９…運転トピックデータベース１０…交通オブジェクト検出部

Claims

車両の状態に関するデータを繰り返し収集する運転挙動データ収集手段（２）と、
車両周辺の環境に関するデータを繰り返し収集する環境データ収集手段（３）と、
前記運転挙動データ収集手段から出力される時系列の運転挙動データを、車種毎あるいは車両タイプ毎に用意された正規化パラメータを用いて正規化する正規化手段（４）と、
前記正規化手段にて正規化された時系列の運転挙動データを、各々が何等かの運転シーンを表す複数の部分系列に分割するシーン分割手段（５）と、
前記正規化手段にて正規化された時系列の運転挙動データ、及び前記環境データ収集手段から出力される時系列の環境データのそれぞれから得られる特徴量について、該特徴量の値域を複数に分割したインデックス毎の出現頻度を表す特徴量分布を、前記部分系列毎に生成する特徴量分布生成手段（７）と、
前記特徴量分布を表現するための基底分布として使用される複数の基底特徴分布、および前記運転シーン中に現れる予め用意された複数の交通オブジェクトの各々についての出現確率を表す基底オブジェクト分布からなる運転トピックを記憶するトピック記憶手段（９）と、
前記特徴量分布生成手段で生成された前記特徴量分布を、前記基底特徴分布を用いて表現した場合の混合比であるトピック割合を算出する割合演算手段（８）と、
前記部分系列毎に、前記トピック割合および前記基底オブジェクト分布に基づいて、オブジェクト分布を生成し、該オブジェクト分布を用いて前記部分系列が表す運転シーン中に存在する交通オブジェクトを検出するオブジェクト検出手段（１０）と、
を備えることを特徴とする交通オブジェクト検出装置。
前記特徴量分布は、前記特徴量の最大値から最小値までを均等に分割した各値域をインデックスとしたヒストグラムによって表現されることを特徴とする請求項１に記載の交通オブジェクト検出装置。
前記特徴量分布は、前記特徴量をクラスタリングすることで分割された値域をインデックスとしたヒストグラムによって表現されることを特徴とする請求項１に記載の交通オブジェクト検出装置。
前記シーン分割手段は、二重分節構造を利用した教師なし運転シーン分割法によって分節化を行う二重分節解析器（ＤＡＡ：Double Articulation Analyzer）からなることを特徴とする請求項１ないし請求項３のいずれか１項に記載の交通オブジェクト検出装置。
前記割合演算手段は、潜在的ディリクレ配分法（ＬＤＡ：Latent Dirichlet Allocation ）またはマルチモーダルＬＤＡによって、前記トピック割合を求めることを特徴とする請求項１ないし請求項４のいずれか１項に記載の交通オブジェクト検出装置。
前記特徴量分布の生成対象には、ドライバの運転操作に関する運転データから得られる特徴量、車両の挙動に関する挙動データから得られる特徴量、車載カメラで撮影した画像データから得られる特徴量、自車両の位置に関する位置データから得られる特徴量のうち、少なくとも一つが含まれていることを特徴とする請求項１ないし請求項５のいずれか１項に記載の交通オブジェクト検出装置。