JP6548376B2

JP6548376B2 - レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム

Info

Publication number: JP6548376B2
Application number: JP2014205609A
Authority: JP
Inventors: 宏幸加茂; 義彦桑原
Original assignee: Shizuoka University NUC; Nidec America Corp
Current assignee: Shizuoka University NUC; Nidec America Corp
Priority date: 2014-10-06
Filing date: 2014-10-06
Publication date: 2019-07-24
Anticipated expiration: 2034-10-06
Also published as: CN105487070A; US10067227B2; JP2016075558A; US10627508B2; US20160097853A1; US20180341017A1

Description

本開示は、１台または複数台の先行車両の配置をレーダによって認識する技術に関する。

従来、車載レーダシステムには、ＦＭＣＷ（ＦｒｅｑｕｅｎｃｙＭｏｄｕｌａｔｅｄＣｏｎｔｉｎｕｏｕｓＷａｖｅ）レーダ、多周波ＣＷ（ＣｏｎｔｉｎｕｏｕｓＷａｖｅ）レーダ、およびパルスレーダの方式を利用した電子走査型のレーダが用いられている。このようなレーダシステムにおいては、一般に、変調された連続波、またはパルス波を「送信波」として送信アンテナから放射し、先行車両で反射されて受信アンテナに戻ってきた到来波を「受信波」として受け取る。そして、受信波によるアンテナ信号（受信信号）に基づいて、先行車両の位置および速度が推定される。先行車両の位置は、レーダシステムが搭載された車両を基準として、先行車両までの距離および先行車両の方向によって規定される。なお、本明細書では、レーダシステムが搭載された車両を「自車両」と称し、自車両よりも前を走行する車両を「先行車両」と称する。「先行車両」は、自車両が走行する車線と同じ車線、またはその車線に隣接する同一方向の車線を走行しているとする。

車載レーダシステムにおいて、先行車両の「方向」は、道路を含む面（近似的には「平面」）内における方位（ａｚｉｍｕｔｈ）によって規定され得る。このため、本明細書では、レーダによって探知される物体に関して、「方向（ｄｉｒｅｃｔｉｏｎ）」と「方位（ａｚｉｍｕｔｈ）」とを同意義の用語として使用する場合がある。

先行車両の方向は、到来波の到来方向（ＤＯＡ: ＤｉｒｅｃｔｉｏｎＯｆＡｒｒｉｖａｌ）」の角度で表すことができる。レーダ技術の分野において、先行車両のように送信波を反射する物体は、「物標（ターゲット）」と呼ばれることがある。物標は、「反射波」の波源として機能する。物標は、受信アンテナに到来する波、すなわち受信波、の信号源である。

車載用のレーダシステムでは、小型で低価格のアンテナを用いることが求められている。例えば４個または５個のアンテナ素子を構成要素とするアレーアンテナが受信用アンテナとして用いられている。アレーアンテナには、アンテナ素子の配列形態に応じて、リニアアレイ型、プレーナアレイ型、サーキュラーアレイ型、およびコンフォーマルアレイ型がある。

このようなアレーアンテナの各アンテナ素子から得られる受信信号に基づけば、信号処理技術により、送信波を反射する物体の方位（到来方向）を推定することが可能になる。しかし、送信波を反射する物体の個数が複数であるとき、個々の物体で生じた反射波は異なる角度で受信アンテナに入射する。このため、受信アンテナからは、複数の到来波が重畳した複雑な信号が生成される。また、車載レーダシステムでは、アレーアンテナに対する物体の配置関係および距離が動的に変化する。したがって、アレーアンテナの受信信号に基づいて１または複数台の先行車両の各方位を正確に推定するためには、コンピュータを用いて膨大な演算を高速に実行することが必要になる。

到来方向を推定するため、アレーアンテナの受信信号を処理する各種のアルゴリズムが提案されている。公知の到来方向推定アルゴリズムには、以下の方法が含まれる（特許文献１及び２参照）。
（１）デジタルビームフォーマ（ＤＢＦ: ＤｉｇｉｔａｌＢｅａｍＦｏｒｍｅｒ）法
（２）Ｃａｐｏｎ法
（３）線形予測法
（４）最小ノルム法
（５）ＭＵＳＩＣ（ＭＵｌｔｉｐｌｅＳＩｇｎａｌＣｌａｓｓｉｆｉｃａｔｉｏｎ）法
（６）ＥＳＰＲＩＴ（ＥｓｔｉｍａｔｉｏｎｏｆＳｉｇｎａｌＰａｒａｍｅｔｅｒｓｖｉａＲｏｔａｔｉｏｎａｌＩｎｖａｒｉａｎｃｅＴｅｃｈｎｉｑｕｅｓ）法

一般に、方向推定の角度分解能が高いほど、信号処理に要する演算の量が増大する。上記の到来方向推定方法（１）〜（６）においては、方法（１）から方法（６）までの順序で角度分解能が高くなり、演算量が増加する。角度分解能が特に高いＭＵＳＩＣ法およびＥＳＰＲＩＴ法は、「超分解能アルゴリズム」とも呼ばれ、アレーアンテナの受信信号に対して演算量が多い処理を高速に行うことを必要とする。具体的には、超分解能アルゴリズムによると、各アレーアンテナの受信信号のデータから自己相関行列を作成する。そして、この自己相関行列の固有値展開（ｅｉｇｅｎｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ）により、受信波の到来方向が推定される。行列の固有値展開とは、行列を、固有値を対角成分に持つ対角行列に分解することであり、「固有値分解」とも呼ばれる。自己相関行列の固有値展開を行うとき、自己相関行列の固有値および固有ベクトルが求められる（例えば特許文献３）。

到来方向の推定精度は、自己相関行列のノイズ成分が除去されるほど向上する。エルゴード性からアンサンブル平均は時間平均に等しいとすることができるため、受信データの時間平均を用いて自己相関行列が作成される。例えば、ＦＭＣＷレーダでは、ビート信号のデータセット（周波数領域のデータに変換できる、一定時間区間の時系列データ）のサンプル数、すなわちスナップショット数、をできる限り多くし、平均化した自己相関行列を使用することが好ましい。したがって、先行車両の位置が常に変化し得る状況で到来方向推定の精度を高めるには、高速なサンプリングを行う必要があり、サンプリングされたデータのメモリ容量も増大する。

特開２００９−１５６５８２号公報特開２００６−２７５８４０号公報特開２００６−０４７２８２号公報特開２００７−０４０８０６号公報

ＭＵＳＩＣなどの超分解能アルゴリズムは演算処理量が多い。そのような演算処理量に対応するためには、高速に動作する、高価な車載用のマイクロプロセッサが必要とされる。そのような事情から、相対的に低性能なマイクロプロセッサでも動作し得るよう、演算処理量を低減するための試みが行われてきた（例えば特許文献４参照）。

しかしながら、特許文献４などの技術によって演算処理量を低減したとしても、依然として処理量は多い。したがって、車載用レーダに利用可能な、処理量をより低く抑えたターゲットを認識する技術が必要とされている。

本開示の例示的なレーダシステムは、各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、学習済みのニューラルネットワークが構築された信号処理回路とを備え、前記信号処理回路は、前記受信信号を受け取り、前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、前記ニューラルネットワークから、前記到来波の個数を示す信号を出力するよう構成されている。

本開示の例示的なレーダシステムによれば、受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークに入力して、到来波の個数を示す信号を得ることができる。ニューラルネットワークの演算に必要な演算処理量は、ＭＵＳＩＣなどの超分解能アルゴリズムに必要な演算処理と比較すると、相対的に非常に少なく、またニューラルネットワークの学習を予め十分行っておくことで、到来波の個数の判定精度を高めることができる。

ある態様では、上述の到来波の個数は、先行車両の配置を示す情報として取得される。

図１は、本開示による車両の識別処理の手順を示す図である。図２（ａ）は、直線状に配置されたＭ個のアンテナ素子を有するアレーアンテナＡＡと、複数の到来波ｋ（ｋ：１〜Ｋの整数）との関係を示す図であり、図２（ｂ）は、ｋ番目の到来波を受信するアレーアンテナＡＡを示す図である。図３は、一般的な階層型ニューラルネットワークの構造モデルを示す図である。図４は、ガウス型核関数の波形の概要を示す図である。図５（ａ）〜（ｄ）は、自車両５が第１車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₁とを示す図である。図６（ａ）〜（ｄ）は、自車両５が第２車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₂とを示す図である。図７（ａ）〜（ｅ）は、自車両５が３車線のうちの中央の車線を走行している際の先行車両（５−１）、（５−２）および／または（５−３）の走行状況と、教師信号Ｔ₃とを示す図である。図８は、学習処理の手順を示すフローチャートである。図９は、先行車両の識別処理の手順を示すフローチャートである。図１０は、本開示による車両走行制御装置１の基本構成の一例を示すブロック図である。図１１は、本開示による車両走行制御装置の基本構成の他の例を示すブロック図である。図１２は、本開示のより具体的な実施形態を詳細に説明するためのブロック図である。図１３は、本実施形態におけるレーダシステム１００のより詳細な構成例を示すブロック図である。図１４は、三角波生成回路が生成した信号に基づいて変調された送信信号の周波数変化を示す図である。図１５は、「上り」の期間におけるビート周波数ｆｕ、および「下り」の期間におけるビート周波数ｆｄを示す図である。図１６は、信号処理回路３０がプロセッサＰＲおよびメモリ装置ＭＤを備えるハードウェアによって実現されている形態を示すブロック図である。図１７は、ニューラルネットワークへの入力としてビート信号を利用しないレーダシステム１００ａの構成例を示すブロック図である。図１８は、車両走行制御装置１（図１２）の処理手順を示すフローチャートである。図１９は、ＳＡＧＥ法を利用した到来方向推定処理の手順を示すフローチャートである。

＜用語説明＞
「車両」は、走行のための駆動力を発するエンジンおよび／または電気モータを備え、道路上を走行する乗り物（Ｖｅｈｉｃｌｅ）である。車両は、４輪自動車、３輪自動車、および鞍乗り型モータサイクルを含む。車両の走行の一部または全部が自動制御によって実行されても良いし、無人で走行するように構成されていても良い。

「受信信号」は、アレーアンテナの各アンテナ素子からの出力信号（アナログ・デジタル両方を含む）である。

「二次信号」は、受信信号を処理して得られる信号を意味する。二次信号の例は、ビート信号、相関係数の非対角成分を含む信号、および、解析信号（ａｎａｌｙｔｈｉｃ
ｓｉｇｎａｌ）を含む。ここで「解析信号」とは、受信信号(実数成分)と、受信信号の直交信号(虚数成分)との和で表される複素信号である。受信信号の直交信号は、例えばヒルベルト変換によって受信信号から生成され得る。

「学習データ」は、ニューラルネットワークの各ノードへの各入力に適用される重みの値である。

「到来波」は、物標（波源または信号源）からアレーアンテナに到来する電磁波である。アレーアンテナが自車両の前面に搭載されているとき、到来波の波源として機能する物標の典型例は、先行車両である。

＜本願発明者の知見＞
自動車の衝突防止システムや自動運転などの安全技術には、特に自車両から同じ距離だけ離れた位置を並んで走行する（併走する）複数の車両（物標）の識別が不可欠である。本明細書で「同じ距離」とは、完全に同一の距離のみならず、レーダシステムの距離に関する分解能以下の差を有する場合も含む。そのような場合、車両の識別には、到来波の方向を推定することが不可欠であると考えられてきた。

従来行われてきた、アレーアンテナを用いて到来波の方向を推定する技術は、各到来波の到来方向（角度）を如何に正確に特定するかを目的としていた。各到来波を正確に特定することは、先行車両の位置を正確に特定することを意味しているからである。

上述のとおり、自己相関行列を用いる種々の方法が開発されており、到来方向を高い精度で特定可能な分解能が実現されている。しかしながら、自己相関行列の生成および固有ベクトルの算出のための演算量は依然として非常に多く、それに見合う処理能力を有するプロセッサを使う必要がある。高性能のプロセッサはコストの増大を生じさせる原因となる。

なお、自己相関行列を用いる種々の方法では、相関の高い複数の到来波を検出する際、空間平均法を使用する必要がある。計算に当たっては、アレーアンテナのアレーの次元は１つ減少するため、同時に検出可能な到来波数が減少してしまう。ＳＡＧＥ（Ｓｐａｃｅ−ＡｌｔｅｒｎａｔｉｎｇＧｅｎｅｒａｌｉｚｅｄＥｘｐｅｃｔａｔｉｏｎ−ｍａｘｉｍｉｚａｔｉｏｎ）法などの最尤推定法は相関の高い複数の到来波を検出できるが、予備知識として到来波数の情報が必要である。

到来波の方向推定技術を車載用レーダシステムに適用する場合には、より高速なレスポンスを実現することが好ましい。その理由は、道路では、自車両の位置および速度、ならびに先行車両の位置および速度が刻々変化するため、それらを正確かつ高速に認識することが必要とされるからである。また、車両の衝突防止、衝突被害軽減、レーンキーピングアシストを行うため、画像センサおよび他のレーダを用いて周囲の情報を取得し、種々の信号処理を行うことが必要になりつつある。このような各種の信号処理を行うことを目的として、際限なく処理能力の高いプロセッサを搭載することはできない。また、高性能のプロセッサを採用しても、十分と言える程度の高速なレスポンスを得ることは必ずしもできない。このため、到来方向推定アルゴリズムにおける演算量を削減することが種々検討されている。

本願発明者らは、レーダシステムの信号処理に必要とされる演算量を減らすための手法を、従来とは全く異なる観点から検討した。従来、各到来波の到来方向を高い精度で識別しようとされてきた理由は、その識別結果を利用すれば、先行車両の台数と位置とを正確に把握できるからである。しかしながら、最終的に取得したい情報は、元々、何台の先行車両が存在しているのか、および各先行車両がどの車線を走行しているのか、である。

本願発明者らは、各到来波の到来方向を算出することなく、先行車両の台数および先行車両が走行している車線を判断する手法の検討を進めた。その結果、アレーアンテナの信号処理にニューラルネットワークを用いると、個々の先行車両の方向（反射波の到来方向）を正確に求めなくても、先行車両の台数および先行車両が走行している車線を直接に決定することができることを見出した。これにより、先行車両の走行状況を把握するために必要な信号処理の計算量を大幅に削減することが可能になる。

なお、アダプティブクルーズコントロール（以下、「ＡＣＣ」と記述することもある。）のモードで走行する場合は、同一車線（および隣接する車線）上に先行車両が存在するか否かを示す情報、先行車両までの距離、および先行車両の速度を示す情報があれば、先行車両の正確な方位を示す角度を求めることまでは必要としないことが多い。

＜本開示にかかる原理の説明＞
以下、実施の形態の説明に先立って、本願発明者らによって得られた知見の基本原理を説明する。

本明細書では、ニューラルネットワークの学習処理、および学習済みのニューラルネットワークを用いた、先行車両の数および配置の識別処理をそれぞれ説明する。学習処理が一度行われると、その後、識別処理を行うことが可能となる。本開示の車載用のレーダシステムでは、典型的には、学習処理はレーダシステムの実装前に行われ、識別処理は、車両に搭載されたプロセッサに代表される信号処理回路によってドライバによる運転時に行われ得る。

ニューラルネットワークを利用する利点の一つは、高分解能アルゴリズムを用いて到来波の到来方向を推定し、それによって先行車両の数および配置を検出する処理と比較すると、識別処理に要する計算資源を大幅に低減できることにある。以下では、まず図１を参照しながら識別処理を説明し、その後、識別処理に関する各ステップの説明ともに、学習処理の内容を説明する。

図１は、本開示による車両の識別処理の手順を示す。図１の各処理は、信号処理回路が実行する。

まず、ステップＳ１において、信号処理回路は、Ｍ個のアンテナ素子（Ｍ：３以上の整数。以下同じ。）のアレーアンテナＡＡが取得したアレー受信信号に前処理を行い、入力ベクトルｂを生成する。入力ベクトルｂの内容は後述する。このアレー受信信号は雑音を含む。

ステップＳ２において、信号処理回路は、入力ベクトルｂを学習済みのニューラルネットワークに入力する。

ステップＳ３において、信号処理回路は、ニューラルネットワークの出力Ｙから、車線ごとの車両の有無を判断する。

以下、ステップＳ１〜Ｓ３の各々を説明する。

図２（ａ）は、直線状に配置されたＭ個のアンテナ素子を有するアレーアンテナＡＡと、複数の到来波ｋ（ｋ：１〜Ｋの整数。以下同じ。Ｋの意味は後述する。）との関係を示している。アレーアンテナＡＡは、様々な角度から同時に入射する複数の到来波を受ける。到来波の入射角度（到来方向を示す角度）は、アレーアンテナＡＡのブロードサイドＢ（アンテナ素子群が並ぶ直線方向に垂直な方向）を基準とする角度を表している。

いま、ｋ番目の到来波に注目する。「ｋ番目の到来波」とは、異なる方位に存在するＫ個の物標からアレーアンテナにＫ個の到来波が入射しているときにおける、入射角θ_kによって識別される到来波を意味する。

図２（ｂ）は、ｋ番目の到来波を受信するアレーアンテナＡＡを示している。アレーアンテナＡＡが受信した信号は、Ｍ個の要素を持つ「ベクトル」として、数１のように表現できる。
（数１）
Ｓ＝［ｓ₁，ｓ₂，…，ｓ_M］^T

ここで、ｓ_m（ｍ：１〜Ｍの整数；以下同じ。）は、ｍ番目のアンテナ素子が受信した信号の値である。上つきのＴは転置を意味する。Ｓは列ベクトルである。列ベクトルＳは、アレーアンテナの構成によって決まる方向ベクトル（ステアリングベクトルまたはモードベクトル）と、波源（信号源、すなわち物標）における信号を示す複素ベクトルとの積によって与えられる。波源の個数がＫであるとき、各波源から個々のアンテナ素子に到来する信号の波が線形的に重畳される。このとき、ｓ_mは数２のように表現できることが知られている。

数２におけるａ_k、θ_kおよびφ_kは、それぞれ、ｋ番目の到来波の振幅、到来波の入射角度（到来方向を示す角度）、および初期位相である。また、λは到来波の波長、ｊは虚数単位である。

数２から理解されるように、ｓ_mは、実部（Ｒｅ）と虚部（Ｉｍ）とから構成される複素数として表現されている。

ノイズ（内部雑音または熱雑音）を考慮してさらに一般化すると、アレー受信信号Ｘは数３のように表現できる。
（数３）
Ｘ＝Ｓ＋Ｎ
Ｎはノイズのベクトル表現である。

図１のステップＳ１において、信号処理回路は、数３に示されるアレー受信信号Ｘを用いて到来波の自己相関行列Ｒｘｘ（数４）を求め、さらに自己相関行列Ｒｘｘの非対角成分を含む信号（数５）を生成する。

ここで、上付きのＨは複素共役転置（エルミート共役）を表す。

ベクトルｂ₀は、自己相関行列Ｒｘｘの対角成分を除いた上三角行列の要素を実部と虚部とに分けて表現した列ベクトルである。「Ｒｅ（Ｒｘｘ_pq）」は自己相関行列の（ｐ，ｑ）成分の実部を表し、「Ｉｍ（Ｒｘｘ_pq）」は自己相関行列の（ｐ，ｑ）成分の虚部を表す。

信号処理回路は、上記ベクトルｂ０を単位ベクトル化（規格化）し、ニューラルネットワークへ入力されるベクトルｂとして求める。

右辺の分母（||ｂ₀||）は、ベクトルｂ０のノルムを表す。

数６のような規格化を行う理由は、ニューラルネットワークへの入力が過大になることを防ぐためである。ただし、規格化は必須ではない。上述のベクトルｂ₀および／またはｂは、本明細書において、受信信号から生成した二次信号、と記述することもある。

上述の説明では、アレーアンテナＡＡで得られた受信信号Ｘを直接利用して、自己相関行列を求めている。しかしながら、受信信号Ｘから得られた別の信号を利用して、上述の自己相関行列を求めてもよい。別の信号の一例は、送信信号と受信信号とを利用して生成されるビート信号である。

次に、図１のステップＳ２において用いられるニューラルネットワークを詳細に説明する。

図３は、一般的な階層型ニューラルネットワークの構造モデルを示す。本明細書では、階層型ニューラルネットワークの一例であるＲＢＦ（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ：放射基底関数）ニューラルネットワークを用いて説明するが、他の階層型ニューラルネットワーク、または非階層型のニューラルネットワークを利用してもよい。

図３に示されるように、ＲＢＦニューラルネットワークは、入力信号ｘ_i（ｉ：１〜Ｉの整数）を受け付けるノード１〜Ｉの入力層ｘ_iと、ノード１〜Ｊの中間層φ_j（ｊ：１〜Ｊの整数）と、ノード１〜Ｋの出力層ｙ_k（ｋ：１〜Ｋの整数）とを有する。

ＲＢＦネットワークの出力ｙ_k（ｘ）は数７のように表される。

数７において、Ｊは中間層のニューロン数、ｗ_kjは中間層のｊ番目のニューロンと出力層ｋ番目のニューロン間の重み、ｃ_jは中間層のｊ番目のニューロンの中心ベクトル、ｘは入力ベクトルである。また、φ_jは数８に示すガウス型核関数である。

数８において、σ_jは、中間層のｊ番目のニューロンの中心ベクトルの幅を示すパラメータである。

図４は、数８に示すガウス型核関数の波形の概要を示す。横軸は入力、縦軸は出力である。図４から理解されるように、中間層の各ニューロンは、入力ベクトルがＲＢＦの中心ベクトルに近い場合にのみ大きな反応を示す。すなわち、各中間層は特定の入力に対してのみ反応する。

ＲＢＦニューラルネットワークは、入力層ｘ_iに与えられるパターンと、出力層ｙ_kから出力されるパターン（教師信号）との関係を学習させることができる。

本願発明者らは、レーダシステムを用いて、自車両の前方を走行する１台または複数台の先行車両の数および配置を認識する際に、ＲＢＦニューラルネットワークを利用する態様を想定した。

ＲＢＦニューラルネットワークを学習させる際に、ＲＢＦニューラルネットワークの入力層ｘ_iに与えられるパターンは、アレー受信信号から得られた数６に記載のベクトルｂである。一方、教師信号として、そのベクトルｂが得られた時の１台または複数台の先行車両の数および配置を特定する信号（ベクトル表記）が与えられる。その対応付けの学習を繰り返すことにより、あるパターンが入力層ｘ_iに与えられたときに出力される信号は、学習結果を反映した、１台または複数台の先行車両の数および配置を精度よく特定する信号となる。

以下、ＲＢＦニューラルネットワークの学習方法を具体的に説明する。

本願発明者らは、本開示によるレーダシステムを搭載した自車両の走行状況を以下のように想定した。
（Ａ）自車両が、同一方向の隣接する２車線（第１および第２車線）のうちの第１車線を走行している。
（Ｂ）自車両が、同一方向の隣接する２車線（第１および第２車線）のうちの第２車線を走行している。
（Ｃ）自車両が、同一方向の連続する３車線（第１〜第３車線）のうち、第２車線（中央車線）を走行している。

図５（ａ）〜（ｄ）は、自車両５が第１車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₁とを示す。図５は、上記（Ａ）に対応する。なお、本明細書では、図面の上方向から下方向に向かって、第１車線、第２車線と呼ぶ。

図６（ａ）〜（ｄ）は、自車両５が第２車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₂とを示す。図６は、上記（Ｂ）に対応する。

図７（ａ）〜（ｅ）は、自車両５が３車線のうちの中央の車線を走行している際の先行車両（５−１）、（５−２）および／または（５−３）の走行状況と、教師信号Ｔ₃とを示す。図７は上記（Ｃ）に対応する。

本明細書では、図５および図６の各（ｄ）に関しては、レーダシステムを利用して先行車両を検出するパターンからは便宜的に除外する。以下では、図５および図６の各（ａ）〜（ｃ）の３つのパターンを説明する。

また、図７（ａ）〜（ｅ）に関しては、全ての走行状況を網羅していないことに留意されたい。実際には全部で８パターンの走行状況が存在する。具体的には、図７（ｅ）の第３車線を走行する１つの物標が、第２車線を走行しているパターン、および第１車線を走行しているパターン、物標が存在しないパターンが省略されている。図７に関しても、先行車両が存在しないパターンは、レーダシステムを利用して物標を検出するパターンからは便宜的に除外する。

上記（Ｃ）および図７に関連して、自車両が、同一方向の連続する３車線の第１車線および第３車線を走行している場合を想定しなくてもよい理由は、レーダシステムは車線変更時の隣接車線の他車を認識できればよい、という動作条件を考慮したからである。自車両が第１車線から第２車線へ移ろうとするとき、第１車線および第２車線の車両を識別できればよい。その場合には上記（Ａ）または（Ｂ）の状況であるとみなすことが可能である。自車両が第３車線から第１車線へ移ろうとするときも全く同様である。

図８は、学習処理の手順を示すフローチャートである。学習処理により、３種類のニューラルネットワークを構築する。具体的には、同一方向の２車線のうちの第１車線に自車両が存在するとき（図５）のニューラルネットワーク、同一方向の２車線のうちの第２車線に自車両が存在するとき（図６）のニューラルネットワーク、および同一方向の３車線のうちの第２車線に自車両が存在するとき（図７）のニューラルネットワークである。

学習処理は、図５の例では、（ａ）〜（ｃ）に示す３パターンから１つのニューラルネットワークを構築する。図６の例では、（ａ）〜（ｃ）に示す３パターンから１つのニューラルネットワークを構築する。図７の例では、（ａ）〜（ｅ）を含む７パターンから１つのニューラルネットワークを構築する。さらに、学習処理は、各パターンについて条件を変えながら少なくとも約８０回行われる。条件とは自車両と先行車両との車間距離である。具体的には、学習処理は、車間距離を２０ｍから１００ｍまで１ｍごとに設定して都度電波を放射し、受信した反射波から得られたアレー受信信号を用いて、車間距離ごとの入力ベクトルｂ（数６）を生成する。この入力ベクトルｂと、図５、図６および図７に示すパターン毎の教師信号とを精度よく対応付けるような重みが、求めるべき学習結果である。

以下、図８を説明する。図８に示される処理は、図５〜７のそれぞれの状況下で行われる。なお、図８の各処理は、信号処理回路によって実行される。この信号処理回路は、例えば車載用のレーダシステムを製造するメーカが所有する機器に実装されたＣＰＵである。

ステップＳ１０において、信号処理回路は、ＲＢＦニューラルネットワークに重みの初期値を設定する。

ステップＳ１１において、信号処理回路は、学習の対象となるパターンを設定する。

ステップＳ１２において、信号処理回路は、パターンに応じた教師信号を設定する。

ステップＳ１３において、信号処理回路は、車間距離を設定する。初期値は２０ｍである。

ステップＳ１４において、信号処理回路は、アレー受信信号ベクトルＸ（数３）から、到来波の自己相関行列Ｒｘｘ（数４）を求める。

ステップＳ１５において、信号処理回路は、自己相関行列の非対角成分を用いて列ベクトルｂ０（数５）を生成する。

ステップＳ１６において、信号処理回路は、列ベクトルｂ０を規格化して列ベクトルｂ（数６）を求める。

ステップＳ１７において、信号処理回路は、数７および数８を利用した演算（順方向演算）を行う。

ステップＳ１８において、信号処理回路は、求められた結果と目標である教師信号との平均二重誤差を求め、平均二重誤差が最も小さくなるよう、重みを修正する演算（逆方向演算）を行う。修正された重みは以後の学習に利用される。

ステップＳ１９において、信号処理回路は、全ての車間距離において学習が終了したかどうかを判定する。終了していると判定したとき、処理はステップＳ２０に進み、終了していないと判定したとき、処理はステップＳ１３に戻る。ステップＳ１３に戻った際に、１ｍ離れた車間距離が設定される。

ステップＳ２０において、信号処理回路は、全てのパターンにおいて学習が終了したかどうかを判定する。終了していると判定したとき、処理はステップＳ２１に進み、終了していないと判定したとき、処理はステップＳ１１に戻る。ステップＳ１１に戻った際に、他のパターンが設定される。

ステップＳ２１において、信号処理回路は、得られた重みを学習の結果（学習データ）として抽出する。

以上で、学習処理は終了する。

上述のステップＳ１４〜Ｓ１６は、予め行われていてもよい。車間距離を変えながらアレー受信信号を連続的に取得してその情報を保存しておき、自己相関行列の生成、および非対角成分を利用した列ベクトルの生成等を別途行っておくことは可能である。

上述の説明では、２車線の例である図５および図６と、３車線の例である図７とを分けて説明したが、これは一例である。３車線のパターンに代えて、２車線のパターンを組み合わせてもよい。例えば図７（ａ）のパターンは、図５（ａ）および図６（ａ）の２つのパターンの組み合わせで実現され得る。図７（ｂ）のパターンは、図５（ａ）および図６（ｃ）の２つのパターンの組み合わせで実現され得る。また、図７（ｃ）のパターンは、図５（ｃ）および図６（ｂ）の２つのパターンの組み合わせで実現され得る。図７（ｄ）のパターンは、図５（ｂ）および図６（ａ）の２つのパターンの組み合わせで実現され得る。図７（ｅ）のパターンは、図５（ｃ）および図６（ｄ）のパターンとの組み合わせで実現され得る。なお、図５（ｄ）および図６（ｄ）のパターンの認識は、たとえばカメラを用いた画像認識処理によって実現され得る。

図７に示されていない他のパターンも、２車線のパターンを組み合わせて特定することができる。このような変形例を採用すれば、学習処理は図５および図６に示す、２車線を対象とすればよくなる。

図９は、先行車両の識別処理の手順を示すフローチャートである。この処理は、図８に示す学習処理が行われた後、得られた学習データを用いて実行される。なお図９の各処理もまた、信号処理回路によって実行される。ただし、この信号処理回路は図８の処理を実行した信号処理回路と同じである必要はない。図９の各処理を実行する信号処理回路は、例えば車両に搭載されたレーダシステムの電子制御ユニット（ＥＣＵ：ＥｌｅｃｔｒｏｎｉｃＣｏｎｔｒｏｌＵｎｉｔ）に含まれ得る。

図９には、図８と同じ処理であるステップＳ１４〜Ｓ１７が含まれている。これらについては同じステップ番号を付し、その説明は省略することがある。

ステップＳ３０において、信号処理回路は、ＲＢＦニューラルネットワークに、学習処理によって得られた重み（学習データ）を設定する。

ステップＳ３１において、信号処理回路は、自車両が走行している同一方向の道路の車線総数と、自車両の現在の車線位置とを設定する。本明細書では、車線総数は２または３であるとしている。また、自車両の現在の車線位置は、同一方向に２車線が存在する場合には第１車線または第２車線であり、同一方向に３車線が存在する場合には、第１車線、第２車線または第３車線である。３車線の例では、自社の車両が第１車線または第３車線に位置する場合には車線総数が２の例とみなして取り扱えばよい。

続いて、ステップＳ１４において、信号処理回路は、アレー受信信号ベクトルＸ（数３）から、到来波の自己相関行列Ｒｘｘ（数４）を求める。このとき、自車両と先行車両との車間距離は特定されている必要はないが、学習が行われた２０ｍから１００ｍの範囲内であることが好ましい。その後、ステップＳ１５〜Ｓ１７が順次行われる。

ステップＳ３２において、信号処理回路は、ステップＳ１７において行われた演算結果Ｔを出力する。演算結果Ｔの出力例は以下のとおりである。
（ａ）Ｔ＝［１０］^T
（ｂ）Ｔ＝［０１］^T
（ｃ）Ｔ＝［１１］^T

左辺の演算結果Ｔは、車線毎の前方車両の有無を示している。２車線においては、列ベクトルの１行目は第１車線の先行車両の有無を示し、列ベクトルの２行目は第２車線の先行車両の有無を示す。例えば上記（ｂ）の出力結果Ｔは、第１車線には先行車両が存在しないが、第２車線には先行車両が存在することを示している。

上述の図８および図９のステップＳ１４では、アレー受信信号ベクトルから到来波の自己相関行列を求めている。上述したように、アレー受信信号ベクトルに代えて、ビート信号のベクトルを用いてもよい。

以上、本開示の原理を説明した。

物標ごとに到来方向を推定する場合、物標までの距離によっては非常に高い推定精度が要求され得る。例えば、１００ｍ程度前方で複数台の車両が併走する状況下では、各車両で反射された反射波（自車両への到来波）の方向を識別するためには、約１度またはそれ未満の角度分解能が必要である（各先行車両の波源の位置の間隔は２ｍとした）。このような角度分解能を従来技術によって実現するには、膨大な演算を伴う高分解能到来方向推定アルゴルリズムを実行することが必要になる。

しかし、本願発明者らによる、ニューラルネットワークを用いた先行車両の台数判別技術によれば、上記状況下に対応する学習を予めさせておくことにより、簡単な演算で、何台の先行車両が存在しているのか、および各先行車両がどの車線を走行しているのかを、直接求めることが可能になる。

上述の説明では実数型ニューラルネットワーク（ＲＢＦニューラルネットワーク）を挙げて説明したが、複素ニューラルネットワークを利用してもよい。複素ニューラルネットワークは、実数型ニューラルネットワークの入出力信号や重みを複素数に拡張したニューラルネットワークとして知られている。そのため、中間層ノードの出力を決める活性化関数も複素関数になる。

複素ニューラルネットワークを利用する場合には、上述した自己相関行列Ｒｘｘおよびベクトルｂ０またはｂを求める演算とは異なる演算が行われる。具体的には、各アンテナ素子の受信信号Ｉ_m（ｔ）から、その実信号に複素平面上で直交する直交信号Ｑ_m（ｔ）が求められる。そして、Ｉ_m（ｔ）＋ｊＱ_m（ｔ）をそれぞれ複素ニューラルネットワークへの入力として用いる。上述の受信信号Ｉ_m（ｔ）は先のｓ_mに対応する。直交信号Ｑ（ｔ）は、たとえば、各アンテナ素子の受信信号をヒルベルト変換することによって得られる。なお、受信信号Ｉ_m（ｔ）のヒルベルト変換を行う際には周知のヒルベルト変換器を用いればよい。複素ニューラルネットワークの学習、および学習後の認識処理は、重みや活性化関数が相違する以外は、後述する図８および図９の処理と同様に信号処理回路によって行われ得る。複素ニューラルネットワークにおいて用いられる活性化関数の具体例は省略する。

＜実施形態＞
以下、適宜図面を参照しながら、本開示による実施の形態を詳細に説明する。ただし、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。本願発明者らは、当業者が本開示を十分に理解するために添付図面および以下の説明を提供する。これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。

まず、図１０を参照する。図１０は、本開示による車両走行制御装置１の基本構成の一例を示すブロック図である。図１０に示される車両走行制御装置１は、車両に実装されたレーダシステム１００と、レーダシステム１００に接続された走行支援電子制御装置６０とを備えている。レーダシステム１００は、各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナＡＡと、レーダ信号処理装置３００とを有している。レーダシステム１００のうち、アレーアンテナＡＡは車両に取り付けられる必要があるが、レーダ信号処理装置３００の少なくとも一部の機能は、車両走行制御装置１の外部（例えば自車両の外）に設けられたコンピュータ８２およびデータベース８４によって実現されてもよい。その場合、レーダ信号処理装置３００のうちで車両内に位置する部分は、車両が備える通信デバイス８０、および一般の通信ネットワークを介して、車両の外部に設けられたコンピュータ８２およびデータベース８４に、信号またはデータの双方向通信が行えるように、常時または随時に接続され得る。

データベース８４は、ニューラルネットワークのための学習データおよび各種の信号処理アルゴリズムを規定するプログラムを格納していても良い。レーダシステム１００の動作に必要なデータおよびプログラムの内容は、通信デバイス８０を介して外部から更新され得る。このように、レーダシステム１００の少なくとも一部の機能は、クラウドコンピューティングの技術により、自車両の外部(他の車両の内部を含む)において実現し得る。したがって、本開示における「車載」のレーダシステムは、構成要素のすべてが車両に搭載されていることを必要としない。ただし、本願では、簡単のため、特に断らない限り、本開示の構成要素のすべてが１台の車両（自車両）に搭載されている形態を説明する。

レーダ信号処理装置３００は、学習済みのニューラルネットワークＮＮが構築された信号処理回路３０を有している。ニューラルネットワークＮＮの構成および動作は、前述した通りである。この信号処理回路３０は、アレーアンテナＡＡから直接または間接に受信信号を受け取り、受信信号、または受信信号から生成した二次信号をニューラルネットワークＮＮへ入力する。受信信号から二次信号を生成する回路（不図示）の一部または全部は、信号処理回路３０の内部に設けられている必要はない。このような回路（前処理回路）の一部または全部は、アレーアンテナＡＡとレーダ信号処理装置３００との間に設けられていても良い。

信号処理回路３０は、受信信号または二次信号、およびニューラルネットワークＮＮの学習データを用いて演算を行い、到来波の個数を示す信号を出力するように構成されている。ここで、「到来波の個数を示す信号」は、典型的には、前述した「車両の配置」を示す信号である。「到来波の個数を示す信号」は、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号ということもできる。

この信号処理回路３０は、公知のレーダ信号処理装置が実行する各種の信号処理を実行するように構成されていても良い。例えば、信号処理回路３０は、ＭＵＳＩＣ法、ＥＳＰＲＩＴ法、およびＳＡＧＥ法などの「超分解能アルゴリズム」（スーパーレゾリューション法）、または相対的に分解能が低い他の到来方向推定アルゴリズムを実行するように構成され得る。

図１０に示す例においては、ニューラルネットワークＮＮとは別に到来波推定ユニットＡＵが信号処理回路３０内に設けられている。この到来波推定ユニットＡＵは、任意の到来方向推定アルゴリズムにより、到来波の方位を示す角度を推定し、推定結果を示す信号を出力するように構成されている。この信号処理回路３０は、到来波推定ユニットＡＵが実行する公知のアルゴリズムにより、到来波の波源である物標までの距離、物標の相対速度、物標の方位を推定し、推定結果を示す信号を出力するように構成され得る。このような到来波推定ユニットＡＵがあれば、ニューラルネットワークＮＮによって車両の配置パターンが検知できない状況下でも、先行車両の位置情報を取得して走行支援に利用できる。

本開示における「信号処理回路」の用語は、単一の回路に限られず、複数の回路の組み合わせを概念的に一つの機能部品として捉えた態様も含む。信号処理回路は、１個または複数のシステムオンチップ（ＳｏＣ）によって実現されても良い。例えば、信号処理回路３０の一部または全部がプログラマブルロジックデバイス（ＰＬＤ）であるＦＰＧＡ（Ｆｉｅｌｄ−ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）であってもよい。その場合、信号処理回路３０は、複数の演算素子（例えば汎用ロジックおよびマルチプライヤ）および複数のメモリ素子（例えばルックアップテーブルまたはメモリブロック）を含む。または、信号処理回路３０は、汎用プロセッサおよびメインメモリ装置の集合であってもよい。信号処理回路３０は、プロセッサコアとメモリとを含む回路であってもよい。これらは本開示における信号処理回路として機能し得る。特にニューラルネットワークＮＮは、並列処理に優れた車載コンピュータの出現により、本開示のアルゴリズムを実行するソフトウェアを、汎用的なハードウェアに組み合わせることによって容易に実現され得る。

本明細書では、信号処理回路は、記憶素子を有するかどうかを問わず、与えられた信号をニューラルネットワークへの入力として与え、記憶素子に記憶された学習データを適用して演算を行い、結果を出力することが可能であればよい。このような動作を行うことが可能な信号処理回路を、「学習済みのニューラルネットワークが構築された信号処理回路」と呼ぶこともある。

走行支援電子制御装置６０は、レーダ信号処理装置３００から出力される各種の信号に基づいて車両の走行支援を行うように構成されている。走行支援電子制御装置６０は、以下の機能を発揮するように各種の電子制御ユニットに指示を行う。これらの機能とは、例として、先行車両までの距離（車間距離）が予め設定された値よりも短くなったときに警報を発してドライバにブレーキ操作を促す機能、ブレーキを制御する機能、アクセルを制御する機能を含む。例えば、自車両のアダプティブクルーズコントロールを行う動作モードのとき、走行支援電子制御装置６０は、各種の電子制御ユニット（不図示）およびアクチュエータに所定の信号を送り、自車両から先行車両までの距離を予め設定された値に維持したり、自車両の走行速度を予め設定された値に維持したりする。

走行支援電子制御装置６０において行われる制御の内容に応じて、信号処理回路３０を動作させることが必要とされ得る。例えば信号処理回路３０は、ニューラルネットワークＮＮおよび到来波推定ユニットＡＵを、走行制御条件に応じて一方だけ利用してもよいし、相互に切り替えてもよいし、順次利用して動作させてもよい。その結果、信号処理回路３０は、１または複数の併走する先行車両の配置のパターン、または、推定された、到来波の方位を示す角度の情報を、走行支援電子制御装置６０へ出力する。

信号処理回路３０は、１または複数の併走する先行車両の配置のパターンを示す信号のみを出力する動作モードを備えていてもよい。この動作モードのとき、ニューラルネットワークＮＮが利用され、到来波推定ユニットＡＵは動作しない。

または、信号処理回路３０は、ニューラルネットワークＮＮを利用する第１モードと、到来波推定ユニットＡＵを利用する第２モードとを切り替えて動作させるように構成されていてもよい。第１モードと第２モードとを切り替える走行制御条件は種々考えられる。例えば、信号処理回路３０は、ＡＣＣ作動時には第１モードを選択し、ＡＣＣ非作動時には第２モードを選択する。後者の一例は、自動緊急ブレーキ（ＡＥＢ）モードの作動時である。第１モードが選択されているとき、ニューラルネットワークＮＮからの出力は、先行車両の配置のパターンを示している。

ニューラルネットワークＮＮによって先行車両の配置がわかれば、先行車両の個数、すなわち到来波の個数を知ることができる。到来波の個数がわかれば、公知の到来方向推定アルゴリズムを実行するために必要な固有値分解が不要になる。言い換えると、ニューラルネットワークＮＮによって検知した到来波の個数の情報に基づいて、従来よりも少ない演算量で到来方向推定アルゴリズム（例えばＳＡＧＥ法）を実行し、先行車両の方向を高い精度で推定することが可能になる。

他の例として、信号処理回路３０は、車間距離および自車両の速度に応じて第１モードと第２モードとを切り替えてもよい。または、信号処理回路３０は、まず第１モードによって先行車両の配置のパターンを示す信号を取得し、その後、第２モードに切り替えて到来波推定ユニットＡＵを動作させ、その配置のパターンを利用して到来波の到来方向を推定してもよい。ＭＵＳＩＣ法による場合、到来波の個数を示す信号は、自己相関行列の各固有値を求め、それらのうちの熱雑音によって定まる所定値以上の値を有する固有値（信号空間固有値）の個数として得られる。各固有値を求める演算の演算量は非常に多い。その演算を省略することは、計算資源を抑制できることを意味する。

図１０に示す例において、レーダシステム１００は、送信波を放射する送信アンテナを備えている必要はない。送信アンテナ（不図示）は、例えば道路または建物に固定されていてもよいし、他の車両に搭載されていても良い。

次に、図１１を参照する。図１１は、本開示による車両走行制御装置の基本構成の他の例を示すブロック図である。図１１の車両走行制御装置１におけるレーダシステム１００は、車両に搭載されたアレーアンテナＡＡおよび送信アンテナＴＡを含むレーダアンテナ１０と、物体検知装置４００とを有している。送信アンテナＴＡは、例えばミリ波であり得る送信波を放射するアンテナである。この物体検知装置４００は、レーダアンテナ１０に接続された送受信回路２０と、前述の構成を有するレーダ信号処理装置３００と含んでいる。

送受信回路２０は、送信波のための送信信号を送信アンテナＴＡに送り、また、アレーアンテナＡＡで受けた受信波による受信信号の「前処理」を行うように構成されている。前処理の一部または全部は、レーダ信号処理装置３００の信号処理回路３０によって実行されても良い。送受信回路２０が行う前処理の典型的な例は、受信信号からビート信号を生成すること、および、アナログ形式の受信信号をデジタル形式の受信信号に変換することを含み得る。

図１０および図１１は、レーダシステム１００が車両に搭載され、車両走行制御装置１の一部を構成する形態を示している。このレーダシステム１００における信号処理回路３０には、前述した学習が行われたニューラルネットワークＮＮが構築されているため、従来の過大な演算量を必要とするアルゴリズムを用いて先行車両の方位を推定することなく、先行車両の配置を把握することが可能になる。ニューラルネットワークＮＮによって先行車両の配置がわかれば、先行車両の方位の正確な推定値を求めなくても、オートクルーズなどの走行支援が可能になる。

なお、本開示によるレーダシステムは、車両に搭載される形態の例に限定されず、道路または建物に固定されて使用され得る。

以下、本開示のより具体的な実施形態を詳細に説明する。

図１２を参照する。図１２に示される本実施形態の車両走行制御装置１は、レーダシステム１００と、車載カメラシステム５００とを備えている。基本的な構成として、レーダシステム１００は、レーダアンテナ１０と、レーダアンテナ１０に接続された送受信回路２０と、学習済みのニューラルネットワークＮＮが構築された信号処理回路３０とを有している。なお、簡略化のため、図１０および図１１に記載されている到来方向推定ユニットＡＵの記載は省略した。

車載カメラシステム５００は、車両に搭載される車載カメラ５０と、車載カメラ５０によって取得された画像または映像を処理する画像処理回路５２とを有している。

本実施形態における車両走行制御装置１は、レーダアンテナ１０および車載カメラ５０に接続された物体検知装置４００と、物体検知装置４００に接続された走行支援電子制御装置６０とを備えている。この物体検知装置４００は、前述した信号処理回路３０に加えて、送受信回路２０および画像処理回路５２を含んでいる。本実施形態における物体検知装置４００は、レーダシステム１００によって得られる情報だけではなく、画像処理回路５２によって得られる情報を利用して、道路上または道路近傍における物標を検知することができる。例えば自車両が同一方向の２本以上の車線のいずれかを走行中において、自車両が走行している車線がいずれの車線であるかを、画像処理回路５２によって判別し、その判別の結果を信号処理回路３０に与えることができる。信号処理回路３０は、ニューラルネットワークＮＮによって先行車両の配置を認識するとき、画像処理回路３０からの情報を参照することにより、先行車両の配置について、より信頼度の高い情報を提供することが可能になる。

なお、車載カメラシステム５００は、自車両が走行している車線がいずれの車線であるかを特定する手段の一例である。他の手段を利用して自車両の車線位置を特定してもよい。例えば、超広帯域無線（ＵＷＢ：ＵｌｔｒａＷｉｄｅＢａｎｄ）を利用して、複数車線のどの車線を自車両が走行しているかを特定することができる。超広帯域無線は、位置測定および／またはレーダとして利用可能なことは広く知られている。超広帯域無線を利用すれば、路肩のガードレール、または中央分離帯からの距離を特定することが可能である。各車線の幅は、各国の法律等で予め定められている。これらの情報を利用して、自車両が現在走行中の車線の位置を特定することができる。なお、超広帯域無線は一例である。他の無線による電波を利用してもよい。また、レーザレーダを用いてもよい。

レーダアンテナ１０は、一般的な車載用ミリ波レーダアンテナであり得る。本実施形態における送信アンテナＴＡは、ミリ波を送信波として車両の前方に放射する。送信波の一部は、典型的には先行車両である物標によって反射され、物標を波源とする反射波が発生する。反射波の一部は、到来波としてアレーアンテナ（受信アンテナ）ＡＡに到達する。アレーアンテナＡＡを構成している複数のアンテナ素子の各々は、１個または複数個の到来波に応答して、受信信号を出力する。反射波の波源として機能する物標の個数がＫ個（Ｋは１以上の整数）である場合、到来波の個数はＫ個であるが、到来波の個数Ｋは既知ではない。前述したニューラルネットワークを用いた信号処理を実行することにより、到来波の個数Ｋを従来に比べて少ない演算量で推定することが可能になる。

本実施形態におけるレーダアンテナ１０は、車両の前方に位置する物標を検知できるように車両の前面に配置されている。車両に配置されるレーダアンテナ１０の個数および位置は、特定の個数および特定の位置に限定されない。レーダアンテナ１０は、車両の後方に位置する物標を検知できるように車両の後面に配置されてもよい。また、車両の前面または後面に複数のレーダアンテナ１０が配置されていても良い。レーダアンテナ１０は、車両の室内に配置されていても良い。特にアレーアンテナＡＡを構成する各アンテナ素子がホーンアンテナである場合、そのようなアンテナ素子を備えるアレーアンテナは、スペースに余裕のある車両の室内に配置され得る。アレーアンテナＡＡおよび送信アンテナＴＡが同一の車両に搭載される場合、アレーアンテナＡＡと送信アンテナＴＡとの距離は、例えば１００ミリメートル以上離れていても良い。

信号処理回路３０は、アレーアンテナＡＡから受信信号を受け取り、処理する。この処理は、受信信号をニューラルネットワークＮＮへ入力すること、または、受信信号から二次信号を生成して二次信号をニューラルネットワークへ入力することを含む。ニューラルネットワークＮＮは、受信信号または二次信号と学習データとを用いて演算を行い、到来波の個数を示す信号を出力するように構成されている。

図１２の例では、信号処理回路３０から出力される信号および画像処理回路５２から出力される信号を受け取る選択回路５４が物体検知装置４００内に設けられている。選択回路５４は、信号処理回路３０から出力される信号および画像処理回路５２から出力される信号の一方または両方を走行支援電子制御装置６０に与える。

図１３は、本実施形態におけるレーダシステム１００のより詳細な構成例を示すブロック図である。

図１３に示すように、レーダアンテナ１０は、ミリ波の送信を行う送信アンテナＴＡと、物標で反射された到来波を受信するアレーアンテナＡＡとを備えている。アレーアンテナＡＡは、Ｍ個（Ｍは３以上の整数）のアンテナ素子１１₁、１１₂、・・・、１１_Mを備えている。複数のアンテナ素子１１₁、１１₂、・・・、１１_Mの各々は、到来波に応答して、受信信号Ｓ₁、Ｓ₂、・・・、Ｓ_M（図２）を出力する。

アレーアンテナＡＡにおいて、アンテナ素子１１₁〜１１_Mは、例えば、固定された間隔を置いて直線状または面状に配列されている。到来波は、アンテナ素子１１₁〜１１_Mが配列されている面の法線に対する角度θの方向からアレーアンテナＡＡに入射する。このため、到来波の到来方向は、この角度θによって規定される。

１個の物標からの到来波がアレーアンテナＡＡに入射するとき、アンテナ素子１１₁〜１１_Mには、同一の角度θの方位から平面波が入射すると近似できる。異なる方位にあるＫ個の物標からアレーアンテナＡＡにＫ個の到来波が入射しているとき、相互に異なる角度θ₁〜θ_Kによって個々の到来波を識別することができる。

図１３に示されるように、物体検知装置４００は、送受信回路２０と信号処理回路３０とを含む。

送受信回路２０は、三角波生成回路２１、ＶＣＯ（ＶｏｌｔａｇｅＣｏｎｔｌｌｅｄＯｓｃｉｌｌａｔｏｒ：電圧制御可変発振器）２２、分配器２３、ミキサ２４、フィルタ２５、スイッチ２６、Ａ／Ｄコンバータ２７、制御器２８を備える。本実施形態におけるレーダシステムは、ＦＭＣＷ方式でミリ波の送受信を行うように構成されているが、本開示のレーダシステムは、この方式に限定されない。送受信回路２０は、アレーアンテナＡＡからの受信信号と送信アンテナＴＡのための送信信号とに基づいて、ビート信号を生成するように構成されている。

信号処理回路３０は、距離検出部３３、速度検出部３４、方位検出部３６を備える。信号処理回路３０は、送受信回路２０のＡ／Ｄコンバータ２７からの信号を処理し、検出された物標までの距離、物標の相対速度、物標の方位を示す信号をそれぞれ出力するように構成されている。

まず、送受信回路２０の構成および動作を詳細に説明する。

三角波生成回路２１は三角波信号を生成し、ＶＣＯ２２に与える。ＶＣＯ２２は、三角波信号に基づいて変調された周波数を有する送信信号を出力する。図１４は、三角波生成回路２１が生成した信号に基づいて変調された送信信号の周波数変化を示している。この波形の変調幅はΔｆ、中心周波数はｆ０である。このようにして周波数が変調された送信信号は分配器２３に与えられる。分配器２３は、ＶＣＯ２２から得た送信信号を、各ミキサ２４および送信アンテナＴＡに分配する。こうして、送信アンテナは、図１４に示されるように三角波状に変調された周波数を有するミリ波を放射する。

図１４には、送信信号に加えて、単一の先行車両で反射された到来波による受信信号の例が記載されている。受信信号は、送信信号に比べて遅延している。この遅延は、自車両と先行車両との距離に比例している。また、受信信号の周波数は、ドップラー効果により、先行車両の相対速度に応じて増減する。

受信信号と送信信号とを混合すると、周波数の差異に基づいてビート信号が生成される。このビート信号の周波数（ビート周波数）は、送信信号の周波数が増加する期間（上り）と、送信信号の周波数が減少する期間（下り）とで異なる。各期間におけるビート周波数が求められると、それらのビート周波数に基づいて、物標までの距離と、物標の相対速度が算出される。

図１５は、「上り」の期間におけるビート周波数ｆｕ、および「下り」の期間におけるビート周波数ｆｄを示している。図１５のグラフにおいて、横軸が周波数、縦軸が信号強度である。このようなグラフは、ビート信号の時間−周波数変換を行うことによって得られる。ビート周波数ｆｕ、ｆｄが得られると、公知の式に基づいて、物標までの距離と、物標の相対速度が算出される。本実施形態では、以下に説明する構成および動作により、アレーアンテナＡＡの各アンテナ素子に対応したビート周波数を求め、それに基づいて物標の位置情報を推定することが可能になる。

図１３に示される例において、各アンテナ素子１１₁〜１１_Mに対応したチャンネルＣｈ₁〜Ｃｈ_Mからの受信信号は、増幅器によって増幅され、対応するミキサ２４に入力される。ミキサ２４の各々は、増幅された受信信号に送信信号を混合する。この混合により、受信信号と送信信号との間にある周波数差に対応したビート信号が生成される。生成されたビート信号は、対応するフィルタ２５に与えられる。フィルタ２５は、チャンネルＣｈ₁〜Ｃｈ_Mのビート信号の帯域制限を行い、帯域制限されたビート信号をスイッチ２６に与える。

スイッチ２６は、制御器２８から入力されるサンプリング信号に応答してスイッチングを実行する。制御器２８は、例えばマイクロコンピュータによって構成され得る。制御器２８は、ＲＯＭなどのメモリに格納されたコンピュータプログラムに基づいて、送受信回路２０の全体を制御する。制御器２８は、送受信回路２０の内部に設けられている必要は無く、信号処理回路３０の内部に設けられていても良い。つまり、送受信回路２０は信号処理回路３０からの制御信号にしたがって動作してもよい。または、送受信回路２０および信号処理回路３０の全体を制御する中央演算ユニットなどによって、制御器２８の機能の一部または全部が実現されていても良い。

フィルタ２５の各々を通過したチャンネルＣｈ₁〜Ｃｈ_Mのビート信号は、スイッチ２６を介して、順次、Ａ／Ｄコンバータ２７に与えられる。Ａ／Ｄコンバータ２７は、サンプリング信号に同期してスイッチ２６から入力されるチャンネルＣｈ₁〜Ｃｈ_Mのビート信号を、サンプリング信号に同期してデジタル信号に変換する。

以下、信号処理回路３０の構成および動作を詳細に説明する。本実施形態では、ＦＭＣＷ方式によって、物標までの距離および物標の相対速度を推定する。本開示のレーダシステムは、以下に説明するＦＭＣＷ方式に限定されず、２周波ＣＷまたはスペクトル拡散などの他の方式を用いても実施可能である。

図１３に示される例において、信号処理回路３０は、メモリ３１、受信強度算出部３２、距離検出部３３、速度検出部３４、ＤＢＦ（デジタルビームフォーミング）処理部３５、方位検出部３６、物標引継ぎ処理部３７、相関行列生成部（Ｒｘｘ）３８、および学習済みのニューラルネットワークＮＮを備えている。前述したように、信号処理回路３０の一部または全部がＦＰＧＡによって実現されていてもよく、汎用プロセッサおよびメインメモリ装置の集合によって実現されていてもよい。メモリ３１、受信強度算出部３２、ＤＢＦ処理部３５、距離検出部３３、速度検出部３４、方位検出部３６、物標引継ぎ処理部３７、およびニューラルネットワークＮＮは、それぞれ、別個のハードウェハによって実現される個々の部品ではなく、１つの信号処理回路における機能上のブロックであり得る。なおニューラルネットワークＮＮが複素ニューラルネットワークである場合には、相関行列生成部３８を設ける必要はない。相関行列生成部３８に代えて、解析信号を生成する回路が設けられればよい。

図１６は、信号処理回路３０がプロセッサＰＲおよびメモリ装置ＭＤを備えるハードウェアによって実現されている形態の例を示している。このような構成を有する信号処理回路３０も、メモリ装置ＭＤに格納されたコンピュータプログラムの働きにより、受信強度算出部３２、ＤＢＦ処理部３５、距離検出部３３、速度検出部３４、方位検出部３６、物標引継ぎ処理部３７、相関行列生成部３８、学習済みのニューラルネットワークＮＮの機能が果たされ得る。

本実施形態における信号処理回路３０は、デジタル信号に変換された各ビート信号を受信信号の二次信号として、先行車両の位置情報を推定し、推定結果を示す信号を出力するよう構成されている。以下、本実施形態における信号処理回路３０の構成および動作を詳細に説明する。

信号処理回路３０内のメモリ３１は、Ａ／Ｄコンバータ２７から出力されるデジタル信号をチャンネルＣｈ₁〜Ｃｈ_Mごとに格納する。メモリ３１は、例えば、半導体メモリ、ハードディスクおよび／または光ディスクなどの一般的な記憶媒体によって構成され得る。

受信強度算出部３２は、メモリ３１に格納されたチャンネルＣｈ₁〜Ｃｈ_Mごとのビート信号（図１４の下図）に対してフーリエ変換を行う。本明細書では、フーリエ変換後の複素数データの振幅を「信号強度」と称する。受信強度算出部３２は、複数のアンテナ素子のいずれかの受信信号の複素数データ、または、複数のアンテナ素子のすべての受信信号の複素数データの加算値を周波数スペクトルに変換する。こうして得られたスペクトルの各ピーク値に対応するビート周波数、すなわち距離に依存した物標（先行車両）の存在を検出することができる。全アンテナ素子の受信信号の複素数データを加算すると、ノイズ成分が平均化されるため、Ｓ／Ｎ比が向上する。

物標、すなわち先行車両が１個の場合、フーリエ変換の結果、図１５に示されるように、周波数が増加する期間（「上り」の期間）および減少する期間（「下り」の期間）に、それぞれ、１個のピーク値を有するスペクトルが得られる。「上り」の期間におけるピーク値のビート周波数を「ｆｕ」、「下り」の期間におけるピーク値のビート周波数を「ｆｄ」とする。

受信強度算出部３２は、ビート周波数毎の信号強度から、予め設定された数値（閾値）を超える信号強度を検出することによって、物標が存在していることを判定する。受信強度算出部３２は、信号強度のピークを検出した場合、ピーク値のビート周波数（ｆｕ、ｆｄ）を対象物周波数として距離検出部３３、速度検出部３４へ出力する。受信強度算出部３２は、周波数変調幅Δｆを示す情報を距離検出部３３へ出力し、中心周波数ｆ０を示す情報を速度検出部３４へ出力する。

受信強度算出部３２は、複数の物標に対応する信号強度のピークが検出された場合には、上りのピーク値と下りのピーク値とを予め定められた条件によって対応づける。同一の物標からの信号と判断されたピークに同一の番号を付与し、距離検出部３３および速度検出部３４に与える。

複数の物標が存在する場合、フーリエ変換後、ビート信号の上り部分とビート信号の下り部分のそれぞれに物標の数と同じ数のピークが表れる。レーダと物標の距離に比例して、受信信号が遅延し、図１４における受信信号は右方向にシフトするので、レーダと物標との距離が離れるほど、ビート信号の周波数は、小さくなる。

距離検出部３３は、受信強度算出部３２から入力されるビート周波数ｆｕ、ｆｄに基づいて、下記の式により距離Ｒを算出し、物標引継ぎ処理部３７へ与える。
Ｒ＝｛Ｃ・Ｔ／（２・Δｆ）｝・｛（ｆｕ＋ｆｄ）／２｝

また、速度検出部３４は、受信強度算出部３２から入力されるビート周波数ｆｕ、ｆｄに基づいて、下記の式によって相対速度Ｖを算出し、物標引継ぎ処理部３７へ与える。
Ｖ＝｛Ｃ／（２・ｆ０）｝・｛（ｆｕ−ｆｄ）／２｝

距離Ｒ及び相対速度Ｖを算出する式において、Ｃは光速度、Ｔは変調周期である。

なお、距離Ｒの分解能下限値は、Ｃ／（２Δｆ）で表される。したがって、Δｆが大きくなるほど、距離Ｒの分解能が高まる。周波数ｆ０が約７６ギガヘルツ（ＧＨｚ）帯の場合において、Δｆを６００メガヘルツ（ＭＨｚ）程度に設定するとき、距離Ｒの分解能は例えば０．７メートル（ｍ）程度である。このため、２台の先行車両が併走しているとき、ＦＭＣＷ方式では車両が１台なのか２台なのかを識別することは困難である場合がある。このような場合、角度分解能が極めて高い到来方向推定アルゴリズムを実行すれば、２台の先行車両の方位を分離して検出することも可能である。しかし、前述したように、このような到来方向推定アルゴリズムの実行には膨大な演算を高速に実行することが求められる。また、先行車両の走行状況が急変した場合、演算が変化に追い付かず、２台の併走する先行車両の数を誤って１台と推定する可能性がある。しかしながら、本実施形態によれば、ニューラルネットワークＮＮにより先行車両の配置を少ない演算量によって迅速に把握できるため、そのような誤りを避けることが容易である。

ＤＢＦ処理部３５は、アンテナ素子１１₁、１１₂、・・・、１１_Mにおける信号の位相差を利用して、入力される各アンテナに対応した時間軸でフーリエ変換された複素データを、アンテナ素子の配列方向にフーリエ変換する。そして、ＤＢＦ処理部３５は、角度分解能に対応した角度チャネル毎のスペクトルの強度を示す空間複素数データを算出し、ビート周波数毎に方位検出部３６に出力する。

方位検出部３６は、ニューラルネットワークＮＮによって先行車両の配置を認識するプロセスとは別に、あるいは、そのような先行車両の配置に関する情報を利用して、先行車両の方位を推定するために設けられている。方位検出部３５は、算出されたビート周波数毎の空間複素数データの値の大きさのうち、一番大きな値を取る角度θを対象物が存在する方位として物標引継ぎ処理部３７に出力する。なお、到来波の到来方向を示す角度θを推定する方法は、この例に限定されない。前述した種々の到来方向推定アルゴリズムを用いて行うことができる。特に本開示の実施形態によれば、先行車両の配置が検知できるため、到来波の個数が既知である。その結果、到来方向推定アルゴリズムによる演算の量を低減して高分解能の方位推定が可能になる。

物標引継ぎ処理部３７は、今回算出した対象物の距離、相対速度、方位の値と、メモリ３１から読み出した１サイクル前に算出された対象物の距離、相対速度、方位の値とのそれぞれの差分の絶対値を算出する。そして、差分の絶対値の算出部が、それぞれの値毎に決められた値よりも小さいとき、１サイクル前に検知した物標と今回検知した物標とを同じものと判定する。その場合、物標引継ぎ処理部３７は、メモリ３１から読み出したその物標の引継ぎ処理回数を１つだけ増やす。

物標引継ぎ処理部３７は、差分の絶対値が決められた値よりも大きな場合には、新しい対象物を検知したと判断する。物標引継ぎ処理部３７は、今回の対象物の距離、相対速度、方位およびその対象物の物標引継ぎ処理回数をメモリ３１に保存する。

信号処理回路３０で、受信した反射波を基にして生成された信号であるビート信号を周波数解析して得られるスペクトラムを用い、対象物との距離、相対速度を検出することができる。

相関行列生成部３８は、メモリ３１に格納されたチャンネルＣｈ₁〜Ｃｈ_Mごとのビート信号（図１４の下図）を用いて自己相関行列を求める。数４の自己相関行列において、各行列の成分は、ビート信号の実部および虚部によって表現される値である。相関行列生成部３８は、数５に従って演算してベクトルｂ₀を求め、さらに数６に従って規格化したベクトルｂを求める。相関行列生成部３８は、得られたベクトルｂをニューラルネットワークＮＮへ入力する。

なお、数５に関連して、ベクトルｂ０は、自己相関行列Ｒｘｘの対角成分を除いた上三角行列の要素を実部と虚部とに分けて表現した列ベクトルであると説明した。しかしながら、上三角行列の全部ではなく一部の成分のみを利用して、相関行列生成部３８がベクトルｂ０を生成してもよい。または、相関行列生成部３８は、上三角行列の全部または一部に加え、対角成分を含むベクトルｂ０を生成してもよい。本明細書では、自己相関行列は、上三角行列の一部を少なくとも含んでいればよい。

図１２に示す例において、画像処理回路５２は、映像から物体の情報を取得し、その物体の情報から物標位置情報を検出する。画像処理回路５２は、例えば、取得した映像内のオブジェクトの奥行き値を検出して物体の距離情報を推定したり、映像の特徴量から物体の大きさの情報等を検出したりすることにより、予め設定された物体の位置情報を検出するように構成されている。

選択回路５４は、信号処理回路３０及び画像処理回路５２から受け取った位置情報を選択的に走行支援電子制御装置６０に与える。選択回路５４は、例えば、信号処理回路３０の物体位置情報に含まれている、自車両から検出した物体までの距離である第１距離と、画像処理回路５２の物体位置情報に含まれている、自車両から検出した物体までの距離である第２距離とを比較してどちらが自車両に対して近距離であるかを判定する。例えば、判定された結果に基づいて、自車両に近いほうの物体位置情報を選択回路５４が選択して走行支援電子制御装置６０に出力し得る。なお、判定の結果、第１距離及び第２距離が同じ値であった場合には、選択回路５４は、そのいずれか一方または両方を走行支援電子制御装置６０に出力し得る。

物体検知装置４００によって先行物体の位置情報を受け取った走行支援電子制御装置６０は、予め設定された条件により、物体位置情報の距離や大きさ、自車両の速度、降雨、降雪、晴天などの路面状態等の条件と併せて、自車両を運転しているドライバに対して操作が安全あるいは容易となるような制御を行う。例えば、走行支援電子制御装置６０は、物体位置情報に物体が検出されていない場合、予め設定されている速度までスピードを上げるようにアクセル制御部７６に制御信号を送り、アクセル制御部７６を制御してアクセルペダルを踏み込むことと同等の動作を行う。

走行支援電子制御装置６０は、物体位置情報に物体が検出されている場合において、自車両から所定の距離であることが分かれば、ブレーキバイワイヤ等の構成により、ブレーキ制御部７４を介してブレーキの制御を行う。すなわち、速度を落とし、車間距離を一定に保つように操作する。走行支援電子制御装置６０は、物体位置情報を受けて、警報制御部７２に制御信号を送り、車内スピーカを介して先行物体が近づいていることをドライバに知らせるように音声またはランプの点灯を制御する。走行支援電子制御装置６０は、先行車両の配置を含む物体位置情報を受けとり、予め設定された走行速度の範囲であれば、先行物体との衝突回避支援を行うために自動的にステアリングを左右どちらかに操作し易くするか、あるいは、強制的に車輪の方向を変更するようにステアリング側の油圧を制御する等を行うことができる。

受信強度算出部３２は、複数の対象物に対応する信号強度のピークが複数検出された場合、上りの部分および下りの部分のピーク値ごとに、周波数が小さいものから順番に番号をつけて、物標出力処理部３９へ出力する。ここで、上りおよび下りの部分において、同じ番号のピークは、同じ対象物に対応しており、それぞれの識別番号を対象物の番号とする。なお、煩雑化回避のため、図１３では、受信強度算出部３２から物標出力処理部３９への引出線の記載は省略している。

物標出力処理部３９は、対象物が前方構造物である場合に、その対象物の識別番号を物標として出力する。物標出力処理部３９は、複数の対象物の判定結果を受け取り、そのどちらもが前方構造物である場合、自車両の車線上にある対象物の識別番号を物標が存在する物体位置情報として出力する。また、物標出力処理部３９は、複数の対象物の判定結果を受け取り、そのどちらもが前方構造物である場合であって、２つ以上の対象物が自車両の車線上にある場合、メモリ３１から読み出した物標引継ぎ処理回数が多い対象物の識別番号を物標が存在する物体位置情報として出力する。

なお、物標出力処理部３９は、受信強度算出部３２から物標候補がないという情報が入力された場合には、物標なしとしてゼロを物体位置情報として出力する。そして、選択回路５４は、物標出力処理部３９からの物体位置情報に基づいて予め設定された閾値と比較することで信号処理回路３０あるいは画像処理回路５２の物体位置情報を使用するか選択している。

上述の物体検知装置４００は、一般的なコンピュータを、上述の各構成要素として機能させるプログラムにより動作させることで実現することができる。このプログラムは、通信回線を介して配布することも可能であるし、半導体メモリまたはＣＤ−ＲＯＭ等の記録媒体に書き込んで配布することも可能である。

物体検知装置４００では、選択回路５４が前回検出サイクルにおいて一定時間連続して検出していた物体位置情報のデータで、今回検出サイクルで検出できなかったデータに対して、カメラで検出したカメラ映像からの先行物体を示す物体位置情報が紐付けされれば、トラッキングを継続させる判断を行い、信号処理回路３０からの物体位置情報を優先的に出力するようにしても構わない。

信号処理回路３０および画像処理回路５２の出力を選択回路５４に選択するための具体的構成の例および動作の例は、特開２０１４−１１９３４８号公報に開示されている。この公報の内容の全体をここに援用する。

図１７は、ニューラルネットワークへの入力としてビート信号を利用しないレーダシステム１００ａの構成例を示す。レーダシステム１００ａのハードウェア要素のうち、図１３のレーダシステム１００と同じハードウェア要素には同じ参照符号を付し、その説明は特に必要がない限り省略する。

レーダシステム１００ａの物体検知装置４００ａは、ビート信号を生成することなく、各アンテナ素子のアレー受信信号を信号処理回路３０ａに送信している。各アレー受信信号は、フィルタ２５ａによって不要な信号が除去され、スイッチ２６ａおよびＡ／Ｄコンバータ２７ａによってデジタル信号に変換される。信号処理回路３０ａは、自己相関行列から得られた非対角成分を用いて列ベクトルｂ０（数５）を生成し、ニューラルネットワークへの入力として利用する。

各アレー受信信号は、送信波と概ね同じ周波数を有する。例えば、周波数が約７６ギガヘルツ（ＧＨｚ）帯であれば、アレー受信信号の周波数も約７６ギガヘルツ（ＧＨｚ）帯である。アレー受信信号の周波数は、ドップラーシフトが生じる程度は変動し得る。

図１７に示す構成例では、図１３に示す相関行列生成部３８も省略されている。これは、各アンテナ素子のアレー受信信号をそのまま用いてニューラルネットワークＮＮの学習を行っていることを意味している。自己相関行列を求める必要もないため、信号処理回路３０ａの演算処理量を大幅に低減できる。

なお、アレー受信信号から自己相関行列を求め、その非対角成分を用いてニューラルネットワークＮＮの学習を行ってもよい。その場合、図１３に示す相関行列生成部３８を設ければよい。相関行列生成部３８はアレー受信信号から自己相関行列を求め、その非対角成分をニューラルネットワークＮＮへ入力すればよい。

なお、図面上は、物体検知装置４００ａは図１３に示されるミキサ２４を有していないが、これは記載の便宜上省略しているに過ぎない。信号処理回路３０ａの距離検出部３３および速度検出部３４は、ビート信号に基づいて距離および速度を検出する。そのため、ビート信号を生成する構成は依然として必要である。図１７の三角波生成回路２１、ＶＣＯ２２等は、ビート信号を生成することを前提とした構成である。

図１８は、車両走行制御装置１（図１２）の処理手順を示すフローチャートである。一例として、アダプティブクルーズコントロールモード時の車両制御を説明する。

ステップＳ４０において、車両走行制御装置１は、車載カメラシステム５００を用いて、自車両が現在走行している車線を識別する。上述のように、車載カメラシステム５００に代えて、または車載カメラシステム５００と共に電波を利用して車線を識別してもよい。

ステップＳ４１において、信号処理回路３０は、車載カメラシステム５００の画像処理回路５２から出力された車線位置の情報、および、送受信回路２０から出力された受信信号に基づいて、ニューラルネットワークＮＮを利用した車両識別処理を行う。

ステップＳ４２において、信号処理回路３０は、ニューラルネットワークＮＮからの出力を利用して、先行車両の配置を識別する。

ステップＳ４３において、信号処理回路３０は、自車両の車線上に先行車両が存在するかどうかを判定する。先行車両が存在する場合には処理はステップＳ４４に進み、存在しない場合には処理はステップＳ４５に進む。

ステップＳ４４において、走行支援電子制御装置６０は、ブレーキ制御部７４に指示してブレーキを制御させ、および／またはアクセル制御部７６に指示して燃料噴射量を制御させる。これにより、走行支援電子制御装置６０は自車両を設定速度以下で走行させることができる。

ステップＳ４５においても、走行支援電子制御装置６０は、ブレーキ制御部７４に指示してブレーキを制御させ、および／またはアクセル制御部７６に指示して燃料噴射量を制御させる。これにより、走行支援電子制御装置６０は設定速度および設定距離を満足させながら、自車両を先行車両に追従させることができる。

以上、本開示による具体的な実施形態を説明した。

上述の説明では、自車両から同じ距離で併走する先行車両の台数および先行車両が走行している車線を直接識別し、さらにその情報を利用して、アダプティブクルーズコントロールモード時の車両制御方法を例示した。

以下では、自車両から同じ距離で併走する先行車両の台数および先行車両が走行している車線を直接識別した結果を利用するさらに他の例を説明する。

到来方向を示す角度を高い分解能で推定する超分解能到来方向推定には、前述したように、ＭＵＳＩＣ法およびＥＳＰＲＩＴ法のアルゴリズムが用いられる。ＭＵＳＩＣ法およびＥＳＰＲＩＴ法では、アレーアンテナにおける受信信号の自己相関行列について、固有値展開を行って到来波の個数を推定するプロセスが必要であった。例えばＭＵＳＩＣ法では、自己相関行列の固有値のうち、熱雑音電力の分散よりも大きい値を持つ固有値をカウントすることが必要である。この固有値のカウントが正しくないと、到来方向の推定を誤ることになる。

これらのアルゴリズムは、スナップショット数が少ない場合およびコヒーレントな反射波が到来してきたとき、推定の精度が低下してしまう。

ＭＵＳＩＣ法およびＥＳＰＲＩＴ法と同様に高分解能到来方向推定アルゴリズムとして、最尤推定に基づいたＳＡＧＥ法が注目されている。ＳＡＧＥ法は、ＭＵＳＩＣ法およびＥＳＰＲＩＴ法では精度が低下する環境においても高い推定精度が期待できるアルゴリズムとして知られている。

ただし、ＳＡＧＥ法においては、予備知識として到来波の個数の情報が必要ある。到来波の個数を推定する方法としては、ＡＩＣ（ＡｋａｉｋｅＩｎｆｏｒｍａｔｉｏｎＣｒｉｔｅｒｉａ）およびＭＤＬ（ＭｉｎｉｍｕｍＤｅｓｃｒｉｐｔｉｏｎＬｅｎｇｔｈ）がある。これらの方法では、複数回のデータ収集を行い、その分散を評価することによって到来波数の推定が行われる。

上述の到来波数の推定結果として、本開示によるニューラルネットワークの出力を利用することができる。先行車両の台数が識別されれば、その識別結果を、波源の数すなわち到来波数として利用できるからである。

図１９は、ＳＡＧＥ法を利用した到来方向推定処理の手順を示すフローチャートである。この処理は、たとえば信号処理回路３０によって実行され得る。

ステップＳ５０において、車両走行制御装置１は、自車両が現在走行している車線を識別する。そしてステップＳ５１において、信号処理回路３０は、ニューラルネットワークＮＮを利用した車両識別処理を行う。

ステップＳ５０およびＳ５１は、図１８のステップＳ４０およびＳ４１の処理に対応するため、再度の詳細な説明は省略する。

ステップＳ５２において、信号処理回路３０は、ニューラルネットワークの出力から、到来波数Ｎを特定する。出力結果としてＴ＝［ｘｙ］^Tまたは、Ｔ＝［ｘｙｚ］^Tが得られた場合、信号処理回路３０は、ｘ、ｙ、ｚの値が１の個数をカウントし、その数を到来波数Ｎとして特定する。

次のステップＳ５３以降がＳＡＧＥ法のアルゴリズムに相当する。ＳＡＧＥ法は、周知のＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ−Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムの収束速度を速めたアルゴリズムである。

ステップＳ５３において、信号処理回路３０は、特定した到来波数Ｎの情報を用いて、ＥＭアルゴリズムにおける推定するパラメータの集合ＨをＮ個の部分集合に分ける。到来波数Ｎの情報は、ＳＡＧＥ法における部分集合の分割に当たって利用される。

ステップＳ５４において、第n（１≦ｎ≦Ｎ）番目の部分集合をＨｎとし、ｉ回目の推定値Ｈｎ^[i] （ｎ≠１）を固定して、Ｈ₁ ^[i]をＥＭアルゴリズムで更新する。

ＥＭアルゴリズムは、Ｅステップと、Ｍステップからなる逐次アルゴリズムである。ＥステップおよびＭステップは以下の式によって表現される。
Ｅステップ：Ｑ（Ｈ，Ｈ^[i]）＝Ｅ［ｆ（Ｙ，Ｈ）｜Ｙ，Ｈ^[i]］
Ｍステップ：Ｈ^[i+1]＝ａｒｇｍａｘＱ（Ｈ，Ｈ^[i]）
上述のステップにおいて、ｆ（Ｙ，Ｈ）は対数尤度関数、Ｑ（Ｈ，Ｈ^[i]）は条件付対数尤度関数、Ｈ^[i]はｉ回目のＨの推定値、Ｅ［｜］は条件付き平均操作を表す。

ステップＳ５５において、信号処理回路３０は、ｎの値がＮかどうかかを判定する。ｎ＝Ｎでないとき、処理はステップＳ５６に進み、ｎ＝Ｎのとき、処理はステップＳ５７に進む。

ステップＳ５６において、信号処理回路３０は、ｉの値を（ｉ＋１）にインクリメントし、再びステップＳ５４の処理を実行する。

上述の処理を繰り返すことにより、Ｈ^[i]は最尤推定の推定値へ漸近的に収束する。

ステップＳ５７において、信号処理回路３０は、演算結果を出力する。

以上の処理を一例として理解されるように、本開示によるニューラルネットワークを用いた車両識別処理の結果を到来波数の推定値として利用し、到来波の到来方向を示す角度を求める処理を全体として高速化することが可能である。

上述の実施形態の説明では、レーダシステムは車両の前部に設けられ、先行車両の配置を示す情報を得ると説明した。しかしながら、レーダシステムは車両の後部に設けられてもよい。その場合、レーダシステムは自車両の後ろを走行する後続車両の配置を示す情報を出力することになる。ここでいう「後続車両」は、自車両が走行する車線と同じ車線、またはその車線に隣接する同一方向の車線を走行している。車線変更時に後続車両の配置を把握しておくことは重要である。

本開示は、たとえば先行車両および／または後続車両の配置を認識する処理が必要な車載用レーダシステムに利用可能である。さらに本開示は、認識した先行車両および／または後続車両の配置を到来波の波数の情報として用いて、ＳＡＧＥ法などの最尤推定法などの前処理に利用可能である。

１車両走行制御装置
１０レーダアンテナ
１１₁、１１₂、・・・、１１_M アンテナ素子
２０、２０ａ送受信回路
２１三角波生成回路
２２ＶＣＯ
２３分配器
２４ミキサ
２５、２５ａフィルタ
２６、２６ａスイッチ
２７、２７ａＡ／Ｄコンバータ
２８制御器
３０、３０ａ信号処理回路
３１メモリ
３２受信強度算出部
３３距離検出部
３４速度検出部、
３５ＤＢＦ（デジタルビームフォーミング）処理部
３６方位検出部
３７物標引継ぎ処理部
５０車載カメラ
５２画像処理回路
６０走行支援電子制御装置
８２コンピュータ
８４データベース
８０通信デバイス
１００、１００ａレーダシステム
３００レーダ信号処理装置
４００、４００ａ物体検知装置
５００車載カメラシステム
ＡＡアレーアンテナ
ＴＡ送信アンテナ
ＮＮニューラルネットワーク
ＡＵ到来方向推定ユニット
ＰＲプロセッサ
ＭＤメモリ装置
ｆｕ「上り」の期間におけるビート周波数
ｆｄ「下り」の期間におけるビート周波数
Ｓ₁、Ｓ₂、・・・、Ｓ_M 受信信号
θ₁〜θ_K 到来方向の角度

Claims

各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
学習済みのニューラルネットワークが構築された信号処理回路と
を備えたレーダシステムであって、
前記信号処理回路は、
前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力するよう構成され、前記レーダシステムが車両に搭載されたときにおいて、
前記信号処理回路は、前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力する
よう構成され、
前記信号処理回路は、
前記受信信号から自己相関行列の非対角成分を含む信号を生成し、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力する
よう構成されている、レーダシステム。
前記信号処理回路は、前記自車両が走行する自車線上、および自車線に隣接するいずれか一方の隣接車線上にそれぞれ先行車両が存在するか否かを示す信号を、前記１または複数の併走する先行車両の配置のパターンを示す信号として出力する
よう構成されている、請求項１に記載のレーダシステム。
前記信号処理回路は、前記１または複数の併走する先行車両の配置のパターンを数値で示す信号を出力する
よう構成されている、請求項２に記載のレーダシステム。
前記信号処理回路は、
前記受信信号に基づいて前記到来波の到来方向を推定する
よう構成されている、請求項２または３に記載のレーダシステム。
前記信号処理回路は、
前記ニューラルネットワークから出力された前記到来波の個数を示す信号を用いて前記到来波の到来方向を推定する第１モード、および
前記到来波の個数を示す信号を用いずに前記到来波の到来方向を推定する第２モードのいずれか一方で選択的に動作する
よう構成されている、請求項４に記載のレーダシステム。
前記第２モードは、到来方向推定アルゴリズムにより、前記到来波の到来方向を推定する、請求項５に記載のレーダシステム。
前記信号処理回路は、車間距離および前記自車両の速度に応じて、前記第１モードと前記第２モードとを切り替える、請求項５または６に記載のレーダシステム。
前記信号処理回路は、前記到来波の到来方向を推定することなく、前記１または複数の併走する先行車両の配置のパターンを示す信号を出力するモードを備える、
請求項２または３に記載のレーダシステム。
前記信号処理回路は、
前記受信信号に基づいて、１個または複数の物標を検知し、前記物標までの距離および前記アレーアンテナに対する前記物標の相対速度を決定する
よう構成されている、請求項１から８のいずれかに記載のレーダシステム。
前記ニューラルネットワークは、同一方向の隣接する２車線の各々に他の車両が存在する状況下および存在しない状況下で、前記受信信号を利用してそれぞれ求められた自己相関行列と、各状況下における車線毎の車両の配置を示す教師信号とを用いて学習が行われている、請求項２に記載のレーダシステム。
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
学習済みのニューラルネットワークが構築された信号処理回路と
を備えたレーダシステムであって、
前記信号処理回路は、
前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力し、
前記レーダシステムが車両に搭載されたときにおいて、前記信号処理回路は、前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力するよう構成され、
前記信号処理回路は、前記受信信号に基づいて前記到来波の到来方向を推定するよう構成され
前記信号処理回路は、
前記ニューラルネットワークから出力された前記到来波の個数を示す信号を用いて前記到来波の到来方向を推定する第１モード、および
前記到来波の個数を示す信号を用いずに前記到来波の到来方向を推定する第２モードのいずれか一方で選択的に動作する
よう構成され、
アダプティブクルーズコントロール作動時に前記第１モードを選択し、前記アダプティブクルーズコントロール非作動時に前記第２モードを選択する、レーダシステム。
前記信号処理回路は、前記自車両が走行する自車線上、および自車線に隣接するいずれか一方の隣接車線上にそれぞれ先行車両が存在するか否かを示す信号を、前記１または複数の併走する先行車両の配置のパターンを示す信号として出力する
よう構成されている、請求項１１に記載のレーダシステム。
前記信号処理回路は、前記１または複数の併走する先行車両の配置のパターンを数値で示す信号を出力する
よう構成されている、請求項１２に記載のレーダシステム。
前記信号処理回路は、
前記受信信号から自己相関行列の非対角成分を含む信号を生成し、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力する
よう構成されている、請求項１１から１３のいずれかに記載のレーダシステム。
前記第２モードは、到来方向推定アルゴリズムにより、前記到来波の到来方向を推定する、請求項１１に記載のレーダシステム。
前記アダプティブクルーズコントロール非作動時とは、自動緊急ブレーキモードの作動時である、請求項１１に記載のレーダシステム。
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
学習済みのニューラルネットワークが構築された信号処理回路と
を備えたレーダシステムであって、
前記信号処理回路は、
前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力する
よう構成され、
前記レーダシステムが車両に搭載されたときにおいて、
前記信号処理回路は、前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力する
よう構成され、
前記信号処理回路は、前記自車両が走行する自車線上、および自車線に隣接するいずれか一方の隣接車線上にそれぞれ先行車両が存在するか否かを示す信号を、前記１または複数の併走する先行車両の配置のパターンを示す信号として出力するよう構成され、
前記信号処理回路は、前記到来波の到来方向を推定することなく、前記１または複数の併走する先行車両の配置のパターンを示す信号を出力するモード、および
前記信号処理回路は、前記到来波の個数を示す信号を用いずに前記到来波の到来方向を推定するモードをさらに備え、
前記信号処理回路は、前記先行車両の配置のパターンを示す信号を出力するモードによって前記先行車両の配置のパターンを取得した後、前記到来波の到来方向を推定するモードに切り替え、前記先行車両の配置のパターンを利用して、前記到来波の到来方向を推定するよう構成されている、レーダシステム。
前記信号処理回路は、前記１または複数の併走する先行車両の配置のパターンを数値で示す信号を出力する
よう構成されている、請求項１７に記載のレーダシステム。
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
学習済みのニューラルネットワークが構築された信号処理回路と
を備えたレーダシステムであって、
前記信号処理回路は、
前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力する
よう構成され、前記レーダシステムが車両に搭載されたときにおいて、前記信号処理回路は、前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力するよう構成され、
前記信号処理回路は、カメラまたは電波を用いて、前記自車両が走行する車線を特定するよう構成されており、
前記学習済みのニューラルネットワークは、予め定められた、自車両が走行する車線ごとに構築されており、
前記信号処理回路は、前記自車両が走行する車線に応じて、学習済みのニューラルネットワークを選択し、前記先行車両の配置のパターンを示す信号を出力する、レーダシステム。
前記信号処理回路はプログラマブルロジックデバイスである、請求項１から１９のいずれかに記載のレーダシステム。
前記信号処理回路は、
前記演算を行う複数の演算素子と、
前記ニューラルネットワークの学習データを格納した複数のメモリ素子と
を有する、請求項２０に記載のレーダシステム。
前記信号処理回路は、
前記演算を行うプロセッサと、
前記ニューラルネットワークの学習データを格納したメモリ装置と
を有する、請求項１から１９のいずれかに記載のレーダシステム。
前記学習データは、前記ニューラルネットワークの各ノードへの各入力に適用される重みの値である、請求項１から２２のいずれかに記載のレーダシステム。
車両に搭載されるレーダ信号処理装置であって、
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナから、前記受信信号を取得する第１端子と、
学習済みのニューラルネットワークが構築された信号処理回路と、
前記信号処理回路から出力された信号を送信する第２端子と
を備え、
前記信号処理回路は、
前記第１端子を介して前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力する
ように構成され、前記レーダ信号処理装置が車両に搭載されたときにおいて、
前記信号処理回路は、前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力する
よう構成され、
前記信号処理回路は、
前記受信信号から自己相関行列の非対角成分を含む信号を生成し、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力する
よう構成されている、レーダ信号処理装置。
前記信号処理回路は、前記受信信号を用いて演算した、自車線上、および前記自車線に隣接するいずれか一方の隣接車線上の先行車両と自車両との距離、および相対速度を示す信号をさらに出力する
よう構成されている、請求項２４に記載のレーダ信号処理装置。
車両に搭載される車両走行制御装置であって、
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
請求項２５に記載のレーダ信号処理装置と、
前記レーダ信号処理装置から出力された、前記距離、前記相対速度、および前記到来波の個数をそれぞれ示す信号を用いて前記自車両のアダプティブクルーズコントロールを行い、前記自車両の速度を制御する電子制御装置と
を備える車両走行制御装置。
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナを用いて、受信信号を取得し、
前記受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークが構築された信号処理回路へ入力し、
前記信号処理回路を用いて前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力し、
前記受信信号を用いて、前記到来波に対応する、自車線上、および自車線に隣接するいずれか一方の隣接車線上の先行車両と自車両との距離、および相対速度を示す信号を出力し、
前記距離、前記相対速度、および前記到来波の個数をそれぞれ示す信号を用いて前記自車両のアダプティブクルーズコントロールを行い、前記自車両の速度を制御する
車両走行制御方法であって、
前記信号処理回路に、
前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力させ、
前記信号処理回路に、
前記受信信号から自己相関行列の非対角成分を含む信号を生成させ、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力させる、車両走行制御方法。
車両に搭載されるプロセッサによって実行されるコンピュータプログラムであって、
前記車両は、各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナを有しており、
前記コンピュータプログラムは前記プロセッサに、
前記受信信号を受け取らせ、
前記受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークへ入力させ、
前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行わせ、
前記ニューラルネットワークから、前記到来波の個数を示す信号を出力させ、
車両に搭載された前記プロセッサに、
前記到来波の個数を示す信号を、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号として出力させ、
前記受信信号から自己相関行列の非対角成分を含む信号を生成させ、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力させる、コンピュータプログラム。
各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有するアレーアンテナと、
学習済みのニューラルネットワークが構築された信号処理回路と
を備え、
前記ニューラルネットワークは、車両の走行方向と同一方向の隣接する２車線の各々に他の車両が存在する状況下および存在しない状況下で、アレーアンテナの各受信信号を利用してそれぞれ求められた自己相関行列の非対角成分と、各状況下における車線毎の車両の配置を示す教師信号とを用いて予め学習が行われており、
前記信号処理回路は、
前記受信信号を受け取り、
前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
前記ニューラルネットワークからの出力として、前記２車線の各々における他の車両の存否を示す信号を出力する
よう構成され、
前記信号処理回路は、
前記受信信号から自己相関行列の非対角成分を含む信号を生成し、
前記自己相関行列の非対角成分を含む信号を前記二次信号として前記ニューラルネットワークに入力する
よう構成されている、車両に搭載されるレーダシステム。