JP6637472B2 - 情報処理方法及び情報処理装置 - Google Patents

Description

本発明は車載センサの検知結果の補正技術に関する。

車両の走行支援に関連して、カメラ、レーダ、ライダ、超音波センサ等の車載センサにより、車両の外界を検知する技術が提案されている。そのような技術に関連して、複数種類の車載センサを活用して外界を検知する技術（特許文献１）や、複数の受信系間の誤差を補正する技術（特許文献２）、或いは、温度などの動作環境に応じて検知結果の補正を行う技術（特許文献３）も提案されている。

特開２００２−１１４１１７号公報 特開２００７−０９３４８０号公報 特開２０１０−１９７３４２号公報

検知範囲の死角の削減や検知結果の信頼性の向上の手法として、複数の車載センサの外界検知範囲を少なくとも部分的に重ねることが考えられる。しかし、車両が使用されるにつれて、車載センサの取付位置や内部機構の可動部分の位置がずれてくる場合がある。外界検知範囲が重なっている複数の車載センサのうちの一つにこうしたずれが生じると、複数の車載センサ間で、同一の検知物を別の検知物として認識してしまう等、検知精度の低下の要因となる。車載センサの取付位置等を調整するためには、調整設備を備えた工場に車両を持ち込む必要があり、車両のユーザに負担を強いる。

本発明の目的は、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正を可能とする技術を提供することにある。

本発明によれば、
外界を検知する第一の車載センサ及び第二の車載センサの検知結果を収集する収集工程と、
前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定するための特定情報を、前記収集工程で収集した検知結果に基づいて生成する生成工程と、を含み、
前記収集工程では、前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量を設定した状態で前記検知結果を収集し、
前記収集工程では、前記既知の検知ずれ量を異ならせて前記検知結果を収集し、
前記生成工程では、前記検知結果及び前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により前記特定情報を生成し、
前記収集工程では車速の検知結果も収集し、
前記教師データは、前記車速の検知結果を含み、
前記第一の車載センサと前記第二の車載センサとは、時間的に、外界検知範囲が少なくとも部分的に重なる一方、空間的には外界検知範囲が重ならない、
ことを特徴とする情報処理方法が提供される。

また、本発明によれば、
外界を検知する第一の車載センサ及び第二の車載センサと、
車速センサと、
特定情報に基づいて前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定し、特定した前記検知ずれ量に基づいて前記第一の車載センサ又は前記第二の車載センサの検知結果を補正する補正手段と、を備え、
前記特定情報は、
前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量を設定した状態で収集された前記第一の車載センサ及び前記第二の車載センサ並びに前記車速センサの検知結果であって、前記既知の検知ずれ量を異ならせて収集された検知結果、及び、前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により生成された情報であり、
前記第一の車載センサと前記第二の車載センサとは、時間的に、外界検知範囲が少なくとも部分的に重なる一方、空間的には外界検知範囲が重ならない、
ことを特徴とする情報処理装置が提供される。

本発明によれば、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正が可能となる。

実施形態に係る情報処理装置のブロック図。 外界検知範囲の重なりの例を示す図。 （Ａ）及び（Ｂ）は二つのライダの検知結果の例を示す模式図。 （Ａ）及び（Ｂ）は二つのライダの検知結果の例を示す模式図。 機械学習のアーキテクチャ（ネットワーク）を示す図。 （Ａ）〜（Ｄ）は外界検知センサに対するピッチング挙動の影響の説明図。 （Ａ）及び（Ｂ）は検知ずれ量の設定例を示す説明図である。 （Ａ）及び（Ｂ）は情報処理例を示すフローチャート。

＜装置の概要＞
図１は、本発明の一実施形態に係る車両用情報処理装置１及び情報処理装置１が適用される車両２の概要を示す平面図である。本実施形態の情報処理装置１は車両２に搭載される制御装置の一部を構成する装置であり、主に車両２の外界を検知するセンサに関わる情報処理を行う。図１において、車両２はその概略が平面図で示されている。車両２は一例として４ドアのセダンタイプの四輪の乗用車である。矢印Ｘ及びＹで示す方向は水平方向であって、Ｘ方向は車両２の前後方向（全長方向）を、Ｙ方向は車両２の左右方向（車幅方向）をそれぞれ示す。「Ｆ」は前側、「Ｂ」は後ろ側、「Ｌ」は左側、「Ｒ」は右側である。なお、図１では図示していないが上下方向をＺ方向と呼ぶ。

車両２には、車載センサとしてライダ３Ａ〜３Ｅ（総称するときはライダ３という。）、カメラ４Ａ及び４Ｂ（総称するときはカメラ４という。）、レーダ５Ａ〜５Ｄ（総称するときはレーダ５という。）、車速センサ６並びにピッチングセンサ７が設けられている。ライダ３、カメラ４及びレーダ５は車両２の外界（周囲状況）を検知する外界検知センサである。本実施形態では外界検知センサとしてライダ３、カメラ４及びレーダ５の三種類のセンサを設けたが一種類であってもよいし、二種類であってもよい。また、四種類以上であってもよい。ライダ、カメラ、レーダ以外の外界検知センサとしては例えば超音波センサを挙げることができる。

ライダ３は車両２の周囲の物標を検知したり、物標との距離を測距する。ライダ３が読み取った画像の解析により、物標の輪郭抽出等が可能である。ライダ３Ａは車両２の前部の中央に配置されており、主に車両２の前方を検知範囲とする。ライダ３Ｂは車両２の前部の右側部に配置されており、主に車両２の右前方及び右側方を検知範囲とする。ライダ３Ｃは車両２の前部の左側部に配置されており、主に車両２の左前方及び左側方を検知範囲とする。ライダ３Ｄは車両２の後部の中央に配置されており、主に車両２の後方を検知範囲とする。ライダ３Ｅは車両２の後部の右側部に配置されており、主に車両２の右後方及び右側方を検知範囲とする。ライダ３Ｆは車両２の後部の左側部に配置されており、主に車両２の左後方及び左側方を検知範囲とする。

カメラ４は車両２の前方を撮像する。カメラ４が撮像した画像の解析により、物標の輪郭抽出や、道路上の車線の区画線（白線等）を抽出可能である。カメラ４Ａ及び４Ｂは車両２のルーフ前部に配置されている。

レーダ５は車両１の周囲の物標を検知したり、物標との距離を測距する。レーダ５の検知結果により物標との相対距離等を演算可能である。レーダ５Ａは車両２の前部右側に配置されており、主に車両２の右前方を検知範囲とする。レーダ５Ｂは車両２の前部左側に配置されており、主に車両２の左前方を検知範囲とする。レーダ５Ｃは車両２の後部右側に配置されており、主に車両２の右後方を検知範囲とする。レーダ５Ｄは車両２の後部左側に配置されており、主に車両２の後前方を検知範囲とする。

本実施形態のライダ３、カメラ４及びレーダ５の数及び配置は一例であり、これらのセンサの数及び配置は変更可能である。

車速センサ６は車両２の車速を検知する。ピッチングセンサ７は車両２のピッチング角を検知する。ピッチングセンサ７の検知結果は後述する教師データの収集時に用いる。したがって、テスト車両としての車両２のみに搭載し、市販車としての車両２には搭載しなくてもよい。また、ピッチングセンサ７を教師データの収集時にも用いない構成も採用可能である。

情報処理装置１はＥＣＵ１０〜１３を含む。ＥＣＵ１０〜１３は互いに通信可能に接続される。各ＥＣＵは、ＣＰＵに代表されるプロセッサ、半導体メモリ等の記憶デバイス、外部デバイスとのインタフェース等を含む。記憶デバイスにはプロセッサが実行するプログラムやプロセッサが処理に使用するデータ等が格納される。各ＥＣＵはプロセッサ、記憶デバイスおよびインタフェース等を複数備えていてもよい。

ＥＣＵ１１はカメラ４の制御及び検知結果の処理を実行するカメラ用のＥＣＵである。ＥＣＵ１１はカメラ４Ａ、４Ｂ毎に設けてもよい。ＥＣＵ１２はライダ３の制御及び検知結果の処理を実行するライダ用のＥＣＵである。ＥＣＵ１２はライダ３Ａ〜３Ｆ毎に設けてもよい。ＥＣＵ１３はレーダ５の制御及び検知結果の処理を実行するレーダ用のＥＣＵである。ＥＣＵ１３はレーダ５Ａ〜５Ｄ毎に設けてもよい。ＥＣＵ１０は、ＥＣＵ１１〜１３から送信される各センサの検知結果を統合する処理を行うＥＣＵである。ＥＣＵ１０は例えば車両２の周囲に存する各物標のリストを作成し、更新する。物標のリストには、例えば、各物標の位置情報、移動速度の情報、形状の情報、分類（固定物、移動物等）を含むことができる。このような物標のリストは、例えば、ユーザに対する周辺状況の報知や車両２の自動運転といった走行支援に関わる情報として利用可能である。

なお、ＥＣＵの数や、担当する機能については適宜設計可能であり、本実施形態よりも細分化したり、あるいは、統合することが可能である。

情報処理装置１は、また、記憶装置１４を含む。記憶装置１４は後述する教師データの収集時にデータロガーとして用いる。したがって、テスト車両としての車両２のみに搭載し、市販車としての車両２には搭載しなくてもよい。

＜検知範囲の重なり＞
本実施形態の場合、外界検知センサであるライダ３、カメラ４及びレーダ５は外界検知範囲が、空間的又は時間的に部分的に重なっている。外界検知範囲の重なりは同種のセンサ間又は異種のセンサ間のいずれであってもよい。図２は外界検知範囲の重なりの例を示している。

図２の例では、ライダ３Ａの外界検知範囲Ｒ１、ライダ３Ｂの外界検知範囲Ｒ２、カメラ４Ａの外界検知範囲Ｒ３及びライダ３Ｅの外界検知範囲Ｒ４を模式的に例示している。カメラ４Ａの外界検知範囲Ｒ３は、主にそのレンズの画角により決定され、ライダ３Ａ、３Ｂ及び３Ｅの外界検知範囲Ｒ１、Ｒ２及びＲ４は、主にそれらの検知部の位相により決定される。ライダ３の一般的な構造は、図２に示すように、Ｚ方向の軸３０を回転中心として検知部３１が３６０度回転するものである。検知部３１が車体側を指向している間の検知結果は用いず、特定の位相の範囲の検知結果を用いる。図２の例ではライダ３Ｃが回転角度ａ〜回転角度ｂの位相の範囲の検知結果を用いる例を例示しており、これが外界検知範囲となる。

ライダ３Ａの外界検知範囲Ｒ１とライダ３Ｂの外界検知範囲Ｒ２とは、重複範囲ＯＶにおいて外界検知範囲が空間的に重なっている。また、ライダ３Ａの外界検知範囲Ｒ１とカメラ４Ａの外界検知範囲Ｒ３や、ライダ３Ｂの外界検知範囲Ｒ２とカメラ４Ａの外界検知範囲Ｒ３、或いは、ライダ３Ｂの外界検知範囲Ｒ２とライダ３Ｅの外界検知範囲も空間的に重なっている。図示していないがその他のセンサ間（例えばカメラ４Ａとカメラ４Ｂ等）でも外界検知範囲は空間的に重なっている。

ライダ３Ａの外界検知範囲Ｒ１とライダ３Ｅの外界検知範囲は空間的には重なっていないが時間的に重なっている。例えば、車両２が時間Ｔの間にその全長分だけ前進したとする。ライダ３Ａの外界検知範囲Ｒ１の一部（例えば重複範囲ＯＶの部分）に検知された路上静止物は、時間Ｔの経過後にライダ３Ｅの外界検知範囲Ｒ４に含まれて、ライダ３Ｅにも検知されることになる。このように、外界検知センサの外界検知範囲は、空間的には重ならないが、時間的に重なる場合もある。

外界検知範囲の重なりは部分的であってもよいし、全体的であってもよい。こうした外界検知範囲の重なりを設定することで、例えば、一方のセンサで検知されなかった物標を他方のセンサで検知することができる場合があり、全体として物標の認識率を向上し、その信頼性を向上することができる。

一方、車両２が長期間に渡って使用されるにつれて、経年的な劣化によりセンサの取付位置がずれたり、内部機構の可動部分の位置がずれる場合がある。例えばライダ３であれば、その取付位置がＸ方向、Ｙ方向又はＺ方向にずれる場合がある。また、検知部３１の回転位相が初期の位相からずれる場合がある。こうした物理的機械的な要因に起因するずれによって外界検知範囲が変化し、検知結果にずれが生じる（検知ずれと呼ぶ）。外界検知範囲が変化すると、車両２で仮想されている三次元座標系における物標の位置の特定に影響する。この結果、二つのセンサが外界検知範囲の重複範囲において検知した同一物標を、別の物標と認識してしまう場合がある。図３（Ａ）及び図３（Ｂ）並びに図４（Ａ）及び図４（Ｂ）を参照して説明する。

図３（Ａ）〜図４（Ｂ）は、ライダ３Ａの検知結果である画像１０１と、ライダ３Ｂの検知結果である画像１０２とを模式的に示した図である。時間的には同じ時間に検知された場合を想定している。

図３（Ａ）及び図３（Ｂ）はライダ３Ａ及び３Ｂに検知ずれが無い場合を示しており、重複範囲ＯＶに、同じ物標１００が検知されている。図３（Ａ）は画像１０１と画像１０２とを水平方向に比較した図であり、図３（Ｂ）は画像１０１と画像１０２とを上下方向（Ｚ方向）に比較した図である。画像１０１及び画像１０２に含まれる物標１００の各画像は、車両２で仮想されている三次元座標系において、水平方向、上下方向のいずれにおいても位置が一致している。換言すると、各画像１０１、１０２において、同一物標と認識可能な範囲内に、物標１００の画像が位置している。

図３（Ａ）及び図３（Ｂ）と比較して、図４（Ａ）及び図４（Ｂ）は検知ずれがある場合を示している。図４（Ａ）は図３（Ａ）と同様に画像１０１と画像１０２とを水平方向に比較した図である。図４（Ａ）はライダ３Ｂに検知ずれがある場合を示しており、例えば、ライダ３Ｂの検知部３１の位相がずれているか、ライダ３Ｂの取付位置が水平方向にずれている。ライダ３Ｂの検知結果である画像１０２においては、重複範囲ＯＶからはみ出すように物標１００の画像が含まれている。ライダ３Ａの画像１０１において検知されている物標１００と、ライダ３Ｂの画像１０２において検知されている物標１００とは同じ物標でありながら、別の物標であると認識してしまう場合がある。

図４（Ｂ）は図３（Ｂ）と同様に画像１０１と画像１０２とを上下方向に比較した図である。図４（Ｂ）はライダ３Ｂにずれがある場合を示しており、例えば、ライダ３Ｂの取付位置が上下方向にずれている。ライダ３Ｂの検知結果である画像１０２においては、物標１００の画像が上に位置している。ライダ３Ａの画像１０１において検知されている物標１００と、ライダ３Ｂの画像１０２において検知されている物標１００とは同じ物標でありながら、別の物標であると認識してしまう場合がある。

＜検知ずれ量と検知結果の関係の学習＞
本実施形態では機械学習により、センサの検知結果と検知ずれとの関係を予め特定しておく。そして、特定した関係を利用してセンサの検知結果を補正する。図５はセンサの検知結果から検知ずれ量を演算するための演算アルゴリズムを示す機械学習のアーキテクチャ（ネットワーク）を示す図である。機械学習の方式に制限はないが同図の例では深層学習の場合を例示している。

図５の例は、入力層Ｌ１、中間層（隠れ層）Ｌ２及び出力層Ｌ３を示している。入力層Ｌ１は入力データとして外界検知センサの検知結果ＩＮ１、ＩＮ２、車速センサ６の検知結果である車速Ｖ（ｔ）を含む。検知結果ＩＮ１、ＩＮ２は、検知ずれの補正対象とする２つの外界検知センサ（例えばライダ３Ａとライダ３Ｂ）の各検知結果である。以下の説明において、検知ずれの補正対象とする２つの外界検知センサのことを対象センサ対と呼ぶ。検知結果ＩＮ１、ＩＮ２は検知結果全体としてもよいし、一部としてもよい。一部とする場合、例えば、重複範囲ＯＶに属する検知結果のみとしてもよい。検知結果ＩＮ１、検知結果ＩＮ２は時間ｔをパラメータとして時系列順に入力され、車速Ｖも時間ｔをパラメータとした車速センサ６の検知結果が時系列順に入力される。換言すると、同じ時間における物標の状態を示す、時期的に互いに対応する各検知結果ＩＮ１、ＩＮ２、車速Ｖが入力される。対象センサ対のサンプリング周期が異なる場合は早い周期の側のデータを間引く等して、時間合わせを行って検知結果を入力してもよい。

ライダ３やカメラ４の検知結果では、物標の画像形状が車速に応じて変形する。そこで、車速Ｖを入力データの一つとしている。なお、本実施形態では車速Ｖを入力データの一つとしているが、外界検知センサの検知結果ＩＮ１、ＩＮ２のみが入力データであってもよい。逆に、車両２のピッチング角等、他の要素を入力データに加えてもよい。

出力層Ｌ３は出力データとして、検知ずれ量ΔＸ、ΔＹ、ΔＺ、Δｔｈ、ＰＴ（ｔ）を含む。検知ずれ量ΔＸ、ΔＹ、ΔＺは、対象センサ対の相対的なＸ方向、Ｙ方向、Ｚ方向の各取付位置のずれ量である。Δｔｈはライダ３のみに関わる出力データであり、検知部３１の位相の範囲のずれ量である。対象センサ対がともにライダ３である場合にはΔｔｈは両者の相対的な位相ずれ量とすることができる。対象センサ対がライダ３とカメラ４の場合のように、一方のみがライダ３である場合は、そのライダ３の絶対的な位相ずれ量とすることができる。

ＰＴ（ｔ）は時間ｔをパラメータとした車両２のピッチング角である。車両２のピッチング角は、外界検知センサの物理的機械的な要因に起因する検知ずれに関わるものではない。しかし、車両２のピッチング挙動は、外界検知センサの検出結果のＺ方向の精度に影響する。図６（Ａ）〜図６（Ｄ）はその説明図である。図６（Ａ）は車両２のピッチング角が０の場合のカメラ４Ａの外界検知範囲Ｒ３を例示しており、図６（Ｃ）はこの状態で物標１００がカメラ４Ａの検知結果１０３に含まれている例を例示している。図６（Ａ）及び図６（Ｃ）と比較して、制動動作等により車両２の前側が沈み込んだ場合を例示している。本実施形態のカメラ４Ａは車体に固定されていることを想定しており、車両２の前側が沈むと外界検知範囲Ｒ３が下向きに変わる。このため、沈み込み以外が同じ条件下で物標１００を撮像した場合、図６（Ｄ）に示すように図６（Ｃ）の例に比べて物標１００の位置が高くなる。このようにピッチング角にしたがって車両２で仮想されている三次元座標系において物標１００の位置が異なる場合があり、出力データにピッチング角ＰＴを含めることで、その座標補正が可能となる。

なお、これらの出力データは一例である。例えば、出力データをΔｔｈのみとしてもよい。逆に、車両２のローリング角や外界検出センサの向き（Ｘ軸回り、Ｙ軸回り、Ｚ軸回り）、検知タイミングの時間ずれ等、他の要素を入力データに加えてもよい。

中間層Ｌ２は、例えば、Ｌ２−１〜Ｌ２−ｎ層の複数層から形成される。各層には例えば前層と後層との結合関係やデータに対する重みづけの係数が設定される。層の構成として例えば、畳込層とプーリング層との組みを複数含んでいてもよい。中間層Ｌ２は入力側から出力側へデータが一方向へ流れる順伝搬型のネットワークでもよいし、入力データの時系列に依存するニューラルネットワーク（例えば、ＲＮＮ、ＬＳＴＭ）であってもよい。ライダ３Ａとライダ３Ｅのように、外界検知範囲が時間的に重なる外界検知センサを対象センサ対とする場合、異なる時間での検知結果の比較が必要となる。このため、外界検知範囲が時間的に重なる対象センサ対の場合、入力データの時系列に依存するニューラルネットワークの採用が有利である。

本実施形態における機械学習は、教師データを用いる機械学習である。教師データは、対象センサ対間に意図的に検知ずれ量を設定しておき、その状態で車両２を実走行するテストを行うことで収集する。テストで得た入力データ（外界検知センサの検知結果ＩＮ１、ＩＮ２、車速Ｖの検知結果）と出力データ（意図的に設定した検知ずれ量とピッチング角ＰＴの検知結果）の組みを教師データとして機械学習を行う。入力データのことを教師入力データ、出力データのことを教師出力データと呼ぶ場合がある。

図７（Ａ）及び図７（Ｂ）は検知ずれ量の設定例を示す説明図である。図７（Ａ）の例では対象センサ対は、例えば、ライダ３Ａとライダ３Ｂである。ライダ３Ａは検知ずれを生じる取付位置等のずれはない。ライダ３ＢはＹ方向にＹ１だけ意図的に変位させて取り付ける。この例の場合、教師出力データは、ΔＸ＝０、ΔＹ＝Ｙ１、ΔＺ＝０、Δｔｈ＝０を既知の検知ずれ量とし、ＰＴ（ｔ）＝テスト時のピッチングセンサ７の検知結果、とすることができる。

図７（Ｂ）の例では対象センサ対は、例えば、ライダ３Ａとライダ３Ｃである。ライダ３Ａは検知ずれを生じる取付位置等のずれはない。ライダ３Ｃは検知部３１の位相の範囲が角度Θだけ意図的にずれさせてある。この例の場合、教師出力データは、ΔＸ＝０、ΔＹ＝Ｙ１、ΔＺ＝０、Δｔｈ＝Θを既知の検知ずれ量とし、ＰＴ（ｔ）＝テスト時のピッチングセンサ７の検知結果、とすることができる。

教師データにおける組み合わせの種類は、多いほど演算精度が高まる。対象センサ対毎に、ΔＸ、ΔＹ、ΔＺ、Δｔｈの値や組み合わせ方を、例えば、数十万通り設定してテストを行い、教師入力データと教師出力データとの組みを収集し、これらの教師データを用いた機械学習を行うことで、中間層Ｌ２のアルゴリズム（演算式の係数）を得ることができる。

機械学習においては、例えば、教師データの集合において、各学習入力データに対応する出力データが演算され、演算した出力データと学習出力データとが比較される。そして、演算した出力データと学習出力データとの差の、その集合での総和が最小となるように中間層Ｌ２の各係数を変化させながら各係数の最適解が演算される。機械学習の結果として得た中間層Ｌ２のアルゴリズム（演算式の係数）は、対象センサ対の間の検知ずれ量を特定する特定情報となる。

＜情報処理例＞
情報処理装置１及び車両２を用いた教師データの収集及び特定情報の生成手順について図８（Ａ）を参照して説明する。車両２はピッチングセンサ７を備えるものとし、情報処理装置１は記憶装置１４を備えるものとする。なお、情報処理装置１は必ずしも市販車両に備えられるものである必要はない。

Ｓ１では対象センサ対の間に検知ずれ量を設定する。ここではテスト作業者が図７（Ａ）や図７（Ｂ）に例示したように車両２の外界検知センサに対して意図的な検知ずれを物理的に生じさせる。テスト作業者は設定した検知ずれ量を情報処理装置１に入力する。Ｓ２では車両２を実走行し、対象センサ対の検知結果を時系列順に多数収集する。収集は情報処理装置１が自動的に行い、情報処理装置１は収集した検知結果を時間及びＳ１で設定した検知ずれ量と関連付けて記憶装置１４に蓄積する。これが教師データとなる。

Ｓ３では、Ｓ１で設定した検知ずれ量について、機械学習に必要な教師データが収集できたか否かを作業者が（または情報処理装置１が）判断する。収集できた場合はＳ４へ進み、検知ずれ量の設定を異ならせて再びＳ２における対象センサ対の検知結果の収集を行う。以下、Ｓ２〜Ｓ４の工程を繰り返して行う。また、対象センサ対を複数種類の組み合わせとする場合には、各組み合わせについてＳ２〜Ｓ４の工程を繰り返し行う。

対象センサ対の組み合わせは、例えば、ライダ−ライダ、ライダ−カメラ、カメラ−カメラ等、同種センサ対、異種センサ対の組み合わせを挙げることができる。同種センサ対の場合も、ライダ３Ａ−ライダ３Ｂ、ライダ３Ａ−ライダ３Ｃ、ライダ３Ｂ−ライダ３Ｅ等、配置の異なるセンサ対の組み合わせの全てについて行ってもよい。こうしたデータ収集のテストは、センサ配置が共通する多数の車両で並行的に行ってもよい。

Ｓ５では記憶装置１４に収集した教師データによりコンピュータに機械学習を行わせ、対象センサ対の検知結果から検知ずれ量を特定する特定情報を生成する。機械学習に用いるコンピュータは何でもよい。機械学習により中間層Ｌ２の各層の演算式の係数が得られ、これが特定情報となる。対象センサ対を複数種類とした場合は、対象センサ対の組み合わせ毎に特定情報が生成される。

Ｓ６ではＳ５で生成した特定情報を車両２の制御プログラムにプログラマーが組み込む。以上により一連の処理が終了する。

図８（Ｂ）は、市販車両としての車両２の運転時において情報処理装置１が実行する処理例を示している。ここでの車両２はピッチングセンサ７は不要であり、また、記憶装置１４も不要である。

Ｓ１１では車載センサの検知結果を取得する。例えば、ＥＣＵ１０はＥＣＵ１１〜１３を介してカメラ４、ライダ３、レーダ１３の各検知結果を取得する。また、車速センサ６の検知結果を取得する。Ｓ１２では対象センサ対について検知ずれ量及びピッチング角を特定する。ここでは図５に例示した演算アルゴリズムにおいて、Ｓ１１で取得した検知結果を入力データとし、特定情報を用いた演算を実行して、出力データとして検知ずれ量ΔＸ、ΔＹ、ΔＺ、Δｔｈ及びピッチング角ＰＴを導出する。

Ｓ１３ではＳ１２で特定した検知ずれ量ΔＸ、ΔＹ、ΔＺ、Δｔｈ及びピッチング角ＰＴを用いてＳ１１で取得した検知結果を補正する。

一例として、対象センサ対がライダ３Ａとライダ３Ｂとの場合で、検知ずれ量ΔＸ＝０、ΔＹ＝Ｙ２、ΔＺ＝０、Δｔｈ＝０であったとする。この場合、ライダ３Ａ又はライダ３Ｂの検知結果のいずれかのＹ軸の物標座標をＹ２だけ補正する。補正量はＹ２に対して、車両２と物標との距離に応じた係数をかけた値としてもよい。

また、検知ずれ量ΔＸ＝０、ΔＹ＝０、ΔＺ＝０、Δｔｈ＝Θであったとする。この場合、ライダ３Ａ又はライダ３Ｂの検知結果のいずれかのＸ方向およびＹ方向の物標座標を、角度Θ分に相当する量だけ補正する。また、Δｔｈについて検知ずれ量が認識された場合には、その後、ライダ３Ａ又はライダ３Ｂのいずれかについて、検知結果として利用する位相の範囲をΔｔｈ分だけずらせてもよい。つまりライダ３の動作補正を行う。例えば、Δｔｈとして３０度の遅れが認められた場合、検知結果として利用する位相の範囲を３０度進めればよい。これにより検知結果には位相に関する検知ずれを無くすことができる場合がある。

対象センサ対のうち、検知ずれの補正の対象とするセンサは、どちらのセンサでもよい。但し、対象センサ対の組み合わせを複数の組み合わせとする場合は、基準とするセンサ（検知結果を補正しないセンサ）に優先順位を設定することで、各センサ間の検知ずれを解消できる。例えば、対象センサ対の組み合わせとして、ライダ３Ａ−ライダ３Ｂ、ライダ３Ａ−ライダ３Ｃ、ライダ３Ｂ−ライダ３Ｅの三種類の組み合わせがある場合、ライダ３Ａを最上位のセンサとする。すると、ライダ３Ａとライダ３Ｂとの間ではライダ３Ｂの検知結果が補正され、ライダ３Ａとライダ３Ｃとの間ではライダ３Ｃの検知結果が補正される。結果として、ライダ３Ａが基準となってライダ３Ｂとライダ３Ｃとの間の検知ずれも解消されることになる。また、ライダ３Ｂを次順位のセンサとする。ライダ３Ｂとライダ３Ｅとの間ではライダ３Ｅの検知結果が補正され、結果として、ライダ３Ａとライダ３Ｅとの間の検知ずれも解消されることになる。

ピッチング角ＰＴについては、全ての外界検知センサが補正の対象となり、Ｚ方向の物標座標を補正する。補正量は、例えば、車両２から物標までの距離に応じた係数をピッチング角ＰＴにかけた値とすることができる。

Ｓ１４ではＳ１３で補正した検知結果に基づいて、物標データを更新する。以上により一単位の処理が終了する。

以上の通り、本実施形態によれば、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正が可能となる。なお、Ｓ１２で検知ずれ量が認められた場合には、その内容を記憶しておいてもよい。車両２が車検等で向上に持ち込まれた際、サービスマンが記憶された内容を参照してセンサの取付位置等の調整を行うことができる。また、Ｓ１２で規定値を超える検知ずれ量が認められた場合には、運転者に警告を発するようにしてもよい。補正できないほどの検知ずれがあった場合に、運転者に修理を促すことが可能となる。

＜実施形態のまとめ＞
１．上記実施形態の情報処理方法は、
外界を検知する第一の車載センサ(例えば3,4)及び第二の車載センサ(例えば3,4)の検知結果を収集する収集工程(例えばS2)と、
前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定するための特定情報を、前記収集工程で収集した検知結果に基づいて生成する生成工程(例えばS5)と、を含み、
前記収集工程では、前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量(例えばY1,Θ)を設定した状態で前記検知結果を収集し、
前記収集工程では、前記既知の検知ずれ量を異ならせて前記検知結果を収集し(例えばS4)、
前記生成工程では、前記検知結果及び前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により前記特定情報を生成する。

この実施形態によれば、車載センサの検知結果から検知ずれ量を特定することが可能となる。よって、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正が可能となる。

２．上記実施形態の情報処理方法は、
前記第一の車載センサと前記第二の車載センサとは、空間的に、外界検知範囲が少なくとも部分的に重なる。

この実施形態によれば、外界検知範囲が重なる車載センサ間で、検知ずれ量を特定することができる。

３．上記実施形態の情報処理方法は、
前記第一の車載センサと前記第二の車載センサとは、時間的に、外界検知範囲が少なくとも部分的に重なる、
この実施形態によれば、空間的には外界検知範囲が重ならなくても時間的に重なれば、それらの車載センサ間で、検知ずれ量を特定することができる。

４．上記実施形態の情報処理方法では、
前記収集工程では車速(例えばV)を検知し、
前記教師データは、前記車速の検知結果を含む。

この実施形態によれば、検知される物標の検知結果が車速に応じて変動することに対応することができ、検知ずれ量の特定の精度を向上できる。

５．上記実施形態の情報処理方法では、
前記収集工程では車両のピッチングを検知し、
前記教師データは、前記車両のピッチング(例えばPT)の検知結果を含む。

この実施形態によれば、市販車両においてピッチングを検知するためのセンサを不要とし、車両のピッチングに影響される物標の検知結果を補正することが可能となる。

６．上記実施形態の情報処理方法では、
車両運転時に、前記第一の車載センサ及び前記第二の車載センサの検知結果と前記特定情報とに基づいて前記検知ずれ量を特定し(例えばS12)、特定した前記検知ずれ量に基づいて前記第一の車載センサ又は前記第二の車載センサの検知結果を補正する補正工程(例えばS13)を更に含む。

この実施形態によれば、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正を行うことができる。

７．上記実施形態の情報処理方法では、
前記第一の車載センサ及び前記第二の車載センサの少なくともいずれか一方はライダ(例えば3)であり、
前記検知ずれ量とは、前記ライダの位相ずれ量(例えばΔth)を含む。

この実施形態によれば、ライダの位相ずれを較正できる。

８．上記実施形態の情報処理方法では、
前記検知ずれ量とは、三次元の位置ずれ量(例えばΔX,ΔY,ΔZ)を含む。

この実施形態によれば、車載センサの取付位置のずれに起因する誤差の較正を行うことができる。

９．上記実施形態の情報処理方法では、
前記第一の車載センサ及び前記第二の車載センサの一方はライダであり、他方はカメラである。

この実施形態によれば、異種のセンサ間で検知結果の較正が可能となる。

１０．上記実施形態の情報処理方法では、
前記収集工程では、前記第一の車載センサ及び前記第二の車載センサの複数の検知結果を時系列で収集し、
前記生成工程では、時期的に互いに対応する前記第一の車載センサ及び前記第二の車載センサの検知結果を入力として前記機械学習を行う。

この実施形態によれば、サンプルタイミングの時間ずれによる検知結果のずれの影響を抑制しつつ、より多くの学習を行うことができる。

１１．上記実施形態の情報処理装置は、
外界検知範囲が少なくとも部分的に重なる第一の車載センサ(例えば3,4)及び第二の車載センサ(例えば3,4)と、
特定情報に基づいて前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定し(例えばS12)、特定した前記検知ずれ量に基づいて前記第一の車載センサ又は前記第二の車載センサの検知結果を補正する補正手段(例えばS13)と、を備え、
前記特定情報は、
前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量を設定した状態で収集された前記第一の車載センサ及び前記第二の車載センサの検知結果であって、前記既知の検知ずれ量を異ならせて収集された検知結果、及び、前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により生成された情報である(例えばS5)。

この実施形態によれば、車載センサの検知結果から検知ずれ量を特定でき、調整設備を備えた工場に車両を持ち込まなくても、複数の車載センサ間の検知結果の較正ができる。

１ 情報処理装置、２ 車両、３Ａ〜３Ｆ ライダ、４Ａ〜４Ｂ カメラ、５Ａ〜５Ｄ レーダ

Claims (7)

1. 外界を検知する第一の車載センサ及び第二の車載センサの検知結果を収集する収集工程と、
   前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定するための特定情報を、前記収集工程で収集した検知結果に基づいて生成する生成工程と、を含み、
   前記収集工程では、前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量を設定した状態で前記検知結果を収集し、
   前記収集工程では、前記既知の検知ずれ量を異ならせて前記検知結果を収集し、
   前記生成工程では、前記検知結果及び前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により前記特定情報を生成し、
   前記収集工程では車速の検知結果も収集し、
   前記教師データは、前記車速の検知結果を含み、
   前記第一の車載センサと前記第二の車載センサとは、時間的に、外界検知範囲が少なくとも部分的に重なる一方、空間的には外界検知範囲が重ならない、
   ことを特徴とする情報処理方法。
2. 請求項１に記載の情報処理方法であって、
   前記収集工程では車両のピッチングを検知し、
   前記教師データは、前記車両のピッチングの検知結果を含む、
   ことを特徴とする情報処理方法。
3. 請求項１又は請求項２に記載の情報処理方法であって、
   車両運転時に、前記第一の車載センサ及び前記第二の車載センサの検知結果と前記特定情報とに基づいて前記検知ずれ量を特定し、特定した前記検知ずれ量に基づいて前記第一の車載センサ又は前記第二の車載センサの検知結果を補正する補正工程を更に含む、
   ことを特徴とする情報処理方法。
4. 請求項１乃至請求項３のいずれか一項に記載の情報処理方法であって、
   前記検知ずれ量とは、三次元の位置ずれ量を含む、
   ことを特徴とする情報処理方法。
5. 請求項２に記載の情報処理方法であって、
   前記第一の車載センサ及び前記第二の車載センサの一方はライダであり、他方はカメラである、
   ことを特徴とする情報処理方法。
6. 請求項１に記載の情報処理方法であって、
   前記収集工程では、前記第一の車載センサ及び前記第二の車載センサの複数の検知結果を時系列で収集し、
   前記生成工程では、前記第一の車載センサ及び前記第二の車載センサの時系列の検知結果を入力として前記機械学習を行う、
   ことを特徴とする情報処理方法。
7. 外界を検知する第一の車載センサ及び第二の車載センサと、
   車速センサと、
   特定情報に基づいて前記第一の車載センサと前記第二の車載センサとの間の検知ずれ量を特定し、特定した前記検知ずれ量に基づいて前記第一の車載センサ又は前記第二の車載センサの検知結果を補正する補正手段と、を備え、
   前記特定情報は、
   前記第一の車載センサと前記第二の車載センサとの間に既知の検知ずれ量を設定した状態で収集された前記第一の車載センサ及び前記第二の車載センサ並びに前記車速センサの検知結果であって、前記既知の検知ずれ量を異ならせて収集された検知結果、及び、前記既知の検知ずれ量の複数の組を含む教師データに基づく機械学習により生成された情報であり、
   前記第一の車載センサと前記第二の車載センサとは、時間的に、外界検知範囲が少なくとも部分的に重なる一方、空間的には外界検知範囲が重ならない、
   ことを特徴とする情報処理装置。