JP6643370B2 - 走行基準ライン決定装置及び自動運転装置 - Google Patents

Description

本発明は、自車両の未来の走行軌道、走路の境界ライン及走行レーンの境界ラインのいずれか１つである走行基準ラインを決定する走行基準ライン決定装置及び自動運転装置に関する。

従来、車両制御装置として、特許文献１に記載されたものが知られている。この車両制御装置は、操舵支援制御を実行するものであり、ステレオカメラを備えている。この車両制御装置では、ステレオカメラを用いたステレオマッチング手法により、距離情報を取得し、この距離情報から、車両の進行方向の車線区画線が以下のように算出される。

すなわち、自車両の位置を基準として、進行方向をｘ軸、横方向をｙ軸とする２次元座標系を規定し、車線区画線を２次曲線で近似するとともに、距離情報における車線区画線を構成するデータ群に対して最小２乗法を適用し、近似した２次曲線のモデルパラメータを同定することによって、車線区画線を算出している。そして、算出された車線区画線を用いて、操舵支援制御が実行される。

特開２０１７−１３７００１号公報

近年の車両の自動運転を実行する自動運転装置の場合、湾曲路の走行時、上記特許文献１の車線区画線の算出手法を用いて走行軌道を決定するものが一般的である。しかし、特許文献１の算出手法の場合、車線区画線すなわち走行軌道を２次曲線で近似し、そのモデルパラメータを最小２乗法で同定している関係上、２次曲線の頂点を適切に設定することができず、結果的に、走行軌道を適切に算出できないという問題がある。

例えば、距離情報などの走路環境を表す情報の状態によっては、近似２次曲線の走行軌道が、後述する図１３の実線で示すような状態で算出され、自車両が本来走行すべき適切な走行軌道（図中の破線で示す曲線）から大きくずれてしまうことがある。その結果、自車両は、近似２次曲線の走行軌道に沿って走行しようとすることで、一旦右側に走行してから左側に反転して走行するような、不適切かつ不安定な軌道で走行するおそれがある。

また、走路環境を表す情報の取得度合いが低下する条件下、例えば、霧、雨及び雪などの悪天候の条件下や、水たまり及び日陰等などの路面自体が判りにくい条件下では、近似２次曲線の走行軌道が、例えば、後述する図１４の実線で示すような状態で算出されることがあり、その場合には、自車両が走行不能となり、停止してしまう可能性がある。

本発明は、上記課題を解決するためになされたもので、自車両の走路環境を表す情報が取得しにくい条件下でも、自車両の走行基準ラインを適切に決定することができる走行基準ライン決定装置及び自動運転装置を提供することを目的とする。

上記目的を達成するために、本発明は、自車両３が走行するときの基準となる走行基準ライン（走行軌道Ｘｆ、左右の境界ラインＬＬ，ＬＲ）を決定する走行基準ライン決定装置１であって、走行基準ラインをモデリングした走行基準ラインモデル（図４）を用いて、走行基準ラインの延在態様を表すラインモデル値（モデルｙ座標値ｙｍｗ＿ｉ）を算出するラインモデル値算出手段（ＥＣＵ２、モデルｙ座標値算出部１１）と、自車両３の走路を含む走路環境を表す走路環境データＤ＿ｉｎｆｏを取得する走路環境データ取得手段（走路環境検出装置４）と、走路環境データＤ＿ｉｎｆｏを用いて、ラインモデル値とは別の、走行基準ラインの延在態様を表すライン推定値（推定ｙ座標値ｙ＿ｉ）を算出するライン推定値算出手段（ＥＣＵ２、推定走路位置算出部１０）と、ラインモデル値（モデルｙ座標値ｙｍｗ＿ｉ）とライン推定値（推定ｙ座標値ｙ＿ｉ）との誤差が最小になるように、円弧を規定する円弧規定パラメータ（曲率Ｃ）を算出する円弧規定パラメータ算出手段（ＥＣＵ２、評価関数値算出部１２、曲率算出部３０）と、円弧規定パラメータ（曲率Ｃ）を用いて、走行基準ライン（走行軌道Ｘｆ、左右の境界ラインＬＬ，ＬＲ）を円弧状に決定する走行基準ライン決定手段（ＥＣＵ２、走行軌道算出部４０）と、を備え、走行基準ラインモデルは、円弧規定パラメータ（曲率Ｃ）に所定の参照信号値ｗを付加した信号付加パラメータ（信号付加曲率Ｃｗ）を入力に含み、ラインモデル値（モデルｙ座標値ｙｍｗ＿ｉ）を出力とするモデルとして構成され、円弧規定パラメータ算出手段は、誤差を評価する評価関数値Ｊを算出する評価関数値算出手段（ＥＣＵ２、評価関数値算出部１２）と、評価関数値Ｊの変動成分を抽出する変動成分抽出手段（ＥＣＵ２、ウォッシュアウトフィルタ３１）と、変動成分と所定の参照信号値とを乗算した乗算値（中間値Ｐｃ）に所定のフィルタ処理を施すことにより、誤差が最小のときに値０となる相関値（移動平均値Ｐｍａｖ）を算出する相関値算出手段（ＥＣＵ２、移動平均フィルタ３４）と、を有し、相関値が値０になるように、円弧規定パラメータ（曲率Ｃ）を算出し、ラインモデル値算出手段は、円弧規定パラメータ算出手段によって算出された円弧規定パラメータ（曲率Ｃ）と走行基準ラインモデルを用いて、ラインモデル値（モデルｙ座標値ｙｍｗ＿ｉ）を算出することを特徴とする。

この走行基準ライン決定装置によれば、ラインモデル値とライン推定値との誤差が最小になるように、円弧を規定する円弧規定パラメータが算出され、円弧規定パラメータを用いて、走行基準ラインが円弧状に決定される。この場合、ライン推定値は、自車両の走路を含む走路環境を表す走路環境データを用いて算出されるので、自車両の走路環境の実際の状態が取得しにくい条件下、例えば、霧、雨及び雪などの悪天候のときや、水たまり及び日陰等などの路面自体が判りにくい条件下では、その算出精度が低下する可能性がある。これに対して、ラインモデル値は、走行基準ラインをモデリングした走行基準ラインモデルを用いて算出されるので、そのような走路環境の実際の状態が取得しにくいときでも、その影響を受けないように算出することができる。さらに、走行基準ラインモデルは、円弧規定パラメータを入力に含み、ラインモデル値を出力とするモデルであり、そのような走行基準ラインモデルとラインモデル値とライン推定値との誤差が最小になるように算出された円弧規定パラメータを用いて、ラインモデル値が算出されるので、演算の進行に伴い、ラインモデル値は、ライン推定値との誤差が最小になるように修正されながら算出されることになる。その結果、円弧規定パラメータによって規定される円弧、すなわち円弧状の走行基準ラインを、ライン推定値の延在態様に適切にフィッティングさせることができる。以上により、走路環境を表す情報が取得しにくい条件下でも、その影響を抑制しながら、自車両が走行するときの走行基準ラインを円弧状に精度よく決定することができる。
また、誤差を評価する評価関数値が算出され、評価関数値の変動成分を抽出する変動成分と参照信号値とを乗算した乗算値に所定のフィルタ処理を施すことにより、誤差が最小のときに値０となる相関値が算出されるとともに、この相関値が値０になるように、円弧規定パラメータが算出される。このように、評価関数値の傾きの特性を予め設定／決定することなく、走行基準ラインのラインモデル値とライン推定値との誤差が最小になるように、円弧規定パラメータを算出することができるので、自車両が曲がりながら走行するような、評価関数値の傾きの特性を予め設定／決定することが不可能な条件下においても、円弧規定パラメータを精度よく算出することができ、走行基準ラインを精度よく決定することができる。

本発明において、走行基準ラインは、自車両３の未来の走行軌道Ｘｆであり、ラインモデル値算出手段は、未来の走行軌道Ｘｆのラインモデル値（モデルｙ座標値ｙｍｗ＿ｉ）を、ラインモデル値の延在態様が自車両３の進行方向に並ぶとともに、未来の走行軌道Ｘｆを決定するときの自車両３の存在範囲を少なくとも通るように算出することが好ましい。

この走行基準ライン決定装置によれば、未来の走行軌道のラインモデル値が、ラインモデル値の延在態様が自車両の進行方向に並ぶとともに、未来の走行軌道を決定するときの自車両の存在範囲を少なくとも通るように算出されるので、自車両の未来の走行軌道を、未来の走行軌道を決定するときの自車両の存在範囲から外れないように決定することができる。それにより、例えば、自車両をこの走行軌道で走行させた場合、自車両が不安定な挙動で走行するのを回避でき、安定した走行状態を確保することができる。

本発明において、走行基準ラインは、自車両３の走路及び自車両３の走行レーンの一方の境界ラインＬＬ，ＬＲであり、ラインモデル値算出手段は、一方の境界ラインのラインモデル値を、ラインモデル値の接線が一方の境界ラインを決定するときの自車両３の側方において自車両３の中心線と平行になるように算出することが好ましい。

この走行基準ライン決定装置によれば、自車両の走路及び自車両の走行レーンの一方の境界ラインのラインモデル値が、その接線が一方の境界ラインを決定するときの自車両の側方において自車両の中心線と平行になるように算出されるので、一方の境界ラインを、それが自車両と重なるような状態が発生するのを回避しながら適切に決定することができる。それにより、例えば、自車両の走行状態をこの一方の境界ラインを用いて制御した場合、自車両が不安定な挙動で走行するのを回避でき、安定した走行状態を確保することができる。

本発明において、円弧規定パラメータ算出手段は、過去から現在までの間に算出された複数のライン推定値（推定ｙ座標値ｙ＿ｉ）を用いて、円弧規定パラメータ（曲率Ｃ）を算出することが好ましい。

この走行基準ライン決定装置によれば、過去から現在までの間に算出された複数のライン推定値を用いて、円弧規定パラメータが算出されるので、走路環境データの取得時の誤差が一時的に急増し、ライン推定値の算出誤差が一時的に急増するような条件下においても、その影響を抑制しながら、円弧規定パラメータを安定して精度よく算出することができ、走行基準ラインを精度よく決定することができる。

本発明の自動運転装置は、以上のいずれかの走行基準ライン決定装置を備え、
走行基準ライン決定装置１によって決定された走行基準ラインＸｆを用いて、自車両３の走行状態を制御する（ステップ３１〜３３）ことを特徴とする。

この自動運転装置によれば、上述したように、自車両の実際の走路環境が取得しにくい条件下でも、その影響を抑制しながら精度よく走行基準ラインを決定できるので、そのような走行基準ラインを用いて、自車両の走行状態を精度よく制御することができ、その制御精度を向上させることができる。

本発明の一実施形態に係る走行基準ライン決定装置及び自動運転装置と、これらを適用した車両の構成を模式的に示す図である。 自動運転装置の機能的な構成を示すブロック図である。 走行位置算出部による走行位置の算出例を示す図である。 モデルｙ座標値ｙｍｗの算出に用いるマップの一例を示す図である。 モデルｙ座標値ｙｍｗの算出例を示す図である。 評価関数値Ｊと信号付加曲率Ｃｗとの関係を説明するための図である。 移動平均値Ｐｍａｖと信号付加曲率Ｃｗとの関係を説明するための図である。 走行軌道算出処理を示すフローチャートである。 曲率算出処理を示すフローチャートである。 自動運転制御処理を示すフローチャートである。 本発明の走行軌道Ｘｆの決定結果の一例を示す図である。 本発明の走行軌道Ｘｆの決定結果の他の一例を示す図である。 従来手法による走行軌道の決定結果の一例を示す図である。 従来手法による走行軌道の決定結果他の一例を示す図である。 走行軌道Ｘｆの決定手法の変形例を説明するための図である。 走行レーンの左側境界ラインの決定手法を説明するための図である。 走行レーンの右側境界ラインの決定手法を説明するための図である。

以下、図面を参照しながら、本発明の一実施形態に係る走行基準ライン決定装置及び運転制御装置について説明する。なお、本実施形態の自動運転装置は走行基準ライン決定装置も兼用しているので、以下の説明では、自動運転装置について説明するとともに、その中で、走行基準ライン決定装置の機能及び構成についても説明する。

図１に示すように、この自動運転装置１は、四輪車両３に適用されたものであり、ＥＣＵ２を備えている。なお、以下の説明では、この自動運転装置１を備えた車両３を「自車両３」という。

このＥＣＵ２には、走行環境検出装置４、原動機５及びアクチュエータ６が電気的に接続されている。この走行環境検出装置４（走路環境データ取得手段）は、カメラ、ミリ波レーダー、レーザーレーダ、ソナー、ＧＰＳ及び各種のセンサなどで構成されており、自車両３の位置及び自車両３の進行方向の走路環境（交通環境や交通参加者など）を表す走路環境データＤ＿ｉｎｆｏをＥＣＵ２に出力する。

ＥＣＵ２は、後述するように、この走行環境検出装置４からの走路環境データＤ＿ｉｎｆｏに基づいて、自車両３の位置及び自車両３の周辺の走路環境などを認識し、走行基準ラインとしての自車両３の未来の走行軌道を決定する。

原動機５は、例えば、電気モータなどで構成されており、後述するように、自車両３の未来の走行軌道が決定されたときに、自車両３がこの走行軌道で走行するように、ＥＣＵ２によって原動機５の出力が制御される。

また、アクチュエータ６は、制動用アクチュエータ及び操舵用アクチュエータなどで構成されており、後述するように、自車両３の未来の走行軌道が決定されたときに、自車両３がこの走行軌道で走行するように、ＥＣＵ２によってアクチュエータ６の動作が制御される。

一方、ＥＣＵ２は、ＣＰＵ、ＲＡＭ、ＲＯＭ、Ｅ２ＰＲＯＭ、Ｉ／Ｏインターフェース及び各種の電気回路（いずれも図示せず）などからなるマイクロコンピュータで構成されている。ＥＣＵ２は、上述した走行環境検出装置４からの走路環境データＤ＿ｉｎｆｏなどに基づいて、後述するように、走行軌道算出処理や自動運転制御処理などを実行する。

なお、本実施形態では、ＥＣＵ２が、ラインモデル値算出手段、ライン推定値算出手段、円弧規定パラメータ算出手段、走行基準ライン決定手段、評価関数値算出手段、変動成分抽出手段及び相関値算出手段に相当する。

次に、図２を参照しながら、本実施形態の自動運転装置１の機能的な構成について説明する。この自動運転装置１は、以下に述べる算出アルゴリズムによって、屈曲路及び湾曲路などの曲がった走路や曲がった走行レーンを走行するときの走行軌道Ｘｆを算出するものである。なお、以下の説明では、走路及び走行レーンの双方をまとめて「走路」というとともに、曲がった走路及び曲がった走行レーンの双方をまとめて「曲走路」という。

図２に示すように、自動運転装置１は、推定走路位置算出部１０、モデルｙ座標値算出部１１、評価関数値算出部１２、曲率算出部３０及び走行軌道算出部４０を備えており、これらの要素１０〜１２，３０，４０は、具体的にはＥＣＵ２によって構成されている。

なお、以下の説明では、便宜上、自車両３の中央位置を原点とし、自車両３の前後方向をｘ座標軸、左右方向をｙ座標軸としてそれぞれ規定するとともに、原点よりも左側のｙ座標値は正値に設定されるものとする。

この走行位置算出部１０（ライン推定値算出手段）では、後述する手法により、走路環境データＤ＿ｉｎｆｏを用いて、ｎ（ｎは複数）個の推定走路位置Ｘ＿ｉ（ｉ＝１〜ｎ）が算出される。この場合、推定走路位置Ｘ＿ｉは、ｎ個の推定ｘ座標値ｘ＿ｉ及びｎ個の推定ｙ座標値ｙ＿ｉの組み合わせとして算出され、その算出個数ｎは、一定値ではなく、交通環境や気象条件などに起因して変動する。なお、本実施形態では、走行位置算出部１０がライン推定値算出手段に相当し、推定ｙ座標値ｙ＿ｉがライン推定値に相当する。

また、モデルｙ座標値算出部１１では、後述する手法により、ｎ個の推定ｘ座標値ｘ＿ｉ及び後述する信号付加曲率Ｃｗを用いて、ｎ個のモデルｙ座標値ｙｍｗ＿ｉ（ｉ＝１〜ｎ）が算出される。なお、本実施形態では、モデルｙ座標値算出部１１がラインモデル値算出手段に相当し、モデルｙ座標値ｙｍｗ＿ｉがラインモデル値に相当する。

さらに、評価関数値算出部１２では、後述する手法により、ｎ個のモデルｙ座標値ｙｍｗ＿ｉとｎ個の推定ｙ座標値ｙ＿ｉを用いて、評価関数値Ｊが算出される。なお、本実施形態では、評価関数値算出部１２が円弧規定パラメータ算出手段及び評価関数値算出手段に相当する。

さらに、曲率算出部３０では、後述する手法により、評価関数値Ｊを用いて、曲率Ｃ及び信号付加曲率Ｃｗが算出される。なお、本実施形態では、曲率算出部３０が円弧規定パラメータ算出手段に相当し、曲率Ｃが円弧規定パラメータに相当し、信号付加曲率Ｃｗが円弧規定パラメータを含む値及び信号付加パラメータに相当する。

そして、走行軌道算出部４０では、後述する手法により、曲率Ｃ及び走路環境データＤ＿ｉｎｆｏを用いて、走行軌道Ｘｆが算出される。なお、本実施形態では、走行軌道算出部４０が走行基準ライン決定手段に相当し、走行軌道Ｘｆが走行基準ラインに相当する。

次に、前述した推定走路位置算出部１０について説明する。なお、以下の説明では、曲走路が左側に湾曲した走路であるときを例にとって説明する。この推定走路位置算出部１０では、走路環境データＤ＿ｉｎｆｏに基づき、深層ニューラルネットワークを用いた強化学習法により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）が算出される（図３参照）。これらｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）は、曲走路における自車両の走行レーンの中心位置を推定したものであり、ｎ個の推定ｘ座標値ｘ＿ｉ（ｉ＝１〜ｎ）とｎ個の推定ｙ座標値ｙ＿ｉ（ｉ＝１〜ｎ）との組み合わせとして算出される。

この場合、強化学習法は公知であるので、ここではその説明を省略するが、強化学習法を用いた場合、自車両３の前方の曲走路の走路特性（走路の両端の境界位置やそれらの間の位置）を表すデータは、図３に点描で示すような分布状態のデータ群として算出され、これらのデータ群から、曲走路における自車両３の走行すべき走路軌道の推定値として、ｎ個の推定走路位置Ｘｉ（ｘ＿ｉ，ｙ＿ｉ）が算出される。

次に、前述したモデルｙ座標値算出部１１について説明する。このモデルｙ座標値算出部１１では、ｎ個の推定ｘ座標値ｘ＿ｉ及び信号付加曲率Ｃｗに応じて、図４に示すマップを検索することにより、ｎ個のモデルｙ座標値ｙｍｗ＿ｉ（ｉ＝１〜ｎ）が算出される。すなわち、このｎ個のモデルｙ座標値ｙｍｗ＿ｉは、これらとｎ個の推定ｘ座標値ｘ＿ｉとで決まるｎ個のモデル走路位置Ｘｍｗ＿ｉ（ｘ＿ｉ，ｙｍｗ＿ｉ）が、信号付加曲率Ｃｗの円弧上に位置するようなｙ座標値として算出される（図５参照）。

図４のマップは、信号付加曲率Ｃｗ及びｘ座標値ｘを入力とし、モデルｙ座標値ｙｍｗを出力とするモデル（走行基準ラインモデル）に相当する。この場合、信号付加曲率Ｃｗは、後述するように、曲率Ｃと参照信号値ｗの和であるので、図４のマップは、曲率Ｃ、参照信号値ｗ及びｘ座標値ｘを入力とするモデルに相当する。また、図中のＣｗ１〜Ｃｗ３は、信号付加曲率Ｃｗの所定値であり、０＜Ｃｗ１＜Ｃｗ２＜Ｃｗ３＜１が成立するように設定される。以上のように、信号付加曲率Ｃｗを用いて、ｎ個のモデルｙ座標値ｙｍｗ＿ｉを算出する理由については後述する。

さらに、前述した評価関数値算出部１２では、ｎ個のモデルｙ座標値ｙｍｗ＿ｉとｎ個の推定ｙ座標値ｙ＿ｉとを下式（１）に適用することにより、評価関数値Ｊが算出される。

この式（１）に示すように、評価関数値Ｊは、ｎ個のモデルｙ座標値ｙｍｗ＿ｉとｎ個の推定ｙ座標値ｙ＿ｉとの２乗誤差の総和として算出される。なお、式（１）に示す記号（ｋ）付きの各離散データは、所定の制御周期ΔＴ（本実施形態では数十ｍｓｅｃ）に同期してサンプリング又は算出されたデータであることを示しており、記号ｋ（ｋは正の整数）は制御時刻を表している。また、以下の説明では、各離散データにおける記号（ｋ）を適宜省略する。

次に、前述した曲率算出部３０について説明する。この曲率算出部３０は、評価関数値Ｊを用いて、曲率Ｃ及び信号付加曲率Ｃｗを算出するものであり、図２に示すように、ウォッシュアウトフィルタ３１、参照信号発生器３２、乗算器３３、移動平均フィルタ３４、探索コントローラ３５及び信号付加曲率算出部３６を備えている。

このウォッシュアウトフィルタ３１（変動成分抽出手段）では、下式（２）により、フィルタ値Ｈが算出される。

上式（２）に示すように、フィルタ値Ｈは、評価関数値の今回値Ｊ（ｋ）と前回値Ｊ（ｋ−１）の差分として算出される。また、ウォッシュアウトフィルタ３１は、評価関数値Ｊに含まれている、後述する参照信号値ｗに起因する周波数成分を通過させるためのものである。この場合、上式（２）に代えて、後述する参照信号値ｗの周波数成分を通過させるフィルタアルゴリズム（バタワースハイパスフィルタアルゴリズム又はバンドパスフィルタアルゴリズム）を用いて、フィルタ値Ｈを算出するように構成してもよい。

また、参照信号発生器３２では、下式（３）により、参照信号値ｗが算出される。

上式（３）のＡは、所定ゲインであり、Ｆｓｉｎは、所定周期ΔＴｗの正弦関数値である。なお、参照信号値の波形としては、例えば、正弦波、余弦波、三角波、台形波及び矩形波などを用いてもよい。

さらに、乗算器３３では、下式（４）により、中間値Ｐｃが算出される。

また、移動平均フィルタ３４では、下式（５）により、移動平均値Ｐｍａｖが算出される。なお、本実施形態では、移動平均フィルタ３４が相関値算出手段に相当し、移動平均値Ｐｍａｖが相関値に相当する。

この式（５）において、移動平均値Ｐｍａｖのサンプリング個数Ｍは、移動平均値Ｐｍａｖから参照信号値ｗの周波数成分を除去するために、サンプリング個数Ｍと制御周期ΔＴの積ΔＴ・Ｍが正弦関数値Ｆｓｉｎの所定周期ΔＴｗになるように設定されている。

次いで、探索コントローラ３５では、下式（６）に示す制御アルゴリズムにより、曲率Ｃが算出される。

上式（６）のＫｓｋは、所定の積分項ゲインである。上式（６）を参照すると明らかなように、曲率Ｃは、積分項のみのフィードバック制御アルゴリズムによって、移動平均値Ｐｍａｖを値０に収束させる機能を有するように算出される。

そして、信号付加曲率算出部３６では、下式（７）により、信号付加曲率Ｃｗが算出される。

そして、走行軌道算出部４０では、曲率Ｃ及び周辺状況データＤ＿１ｎｆｏを用いて、未来の走行軌道Ｘｆが例えば後述する図１１又は図１２に示すような値として算出される。すなわち、走行軌道Ｘｆは、ｍ（ｍは複数）個のｘ座標値ｘｆ＿ｊ（ｊ＝１〜ｍ）及びｙ座標値ｙｆ＿ｊからなるデータ点を、制御時刻ｋに関連付けた値として算出される。

次に、以上の算出アルゴリズムを用いて、信号付加曲率Ｃｗ及び曲率Ｃを算出した理由及びその原理について説明する。まず、評価関数値Ｊは、前述した式（１）に示すように、モデルｙ座標値ｙｍｗ＿ｉと推定ｙ座標値ｙ＿ｉとのｎ個の２乗誤差の総和として算出されるので、評価関数値Ｊが極小値になるように曲率Ｃを算出した場合、その曲率Ｃは、２乗誤差の総和が最小値となるように算出されることになる。したがって、その曲率Ｃを用いて走行軌道Ｘｆを算出すれば、最適な走行軌道Ｘｆを算出できることになる。

この理由により、本実施形態では、評価関数値Ｊが極小値となるように曲率Ｃを算出するために、以下の原理が用いられる。まず、評価関数値Ｊは、信号付加曲率Ｃｗを用いて算出される関係上、信号付加曲率Ｃｗに含まれる参照信号値ｗの特性（周期関数）に起因して、所定振幅の振動的な挙動を示すことになる。

ここで、信号付加曲率Ｃｗと評価関数値Ｊの関係が例えば図６に示す曲線として表されると仮定した場合、参照信号値ｗに起因する評価関数値Ｊの振動的な挙動は、図中の矢印Ｙ１，Ｙ２に示すように、ある傾きを持った状態となる。なお、図６のＣｗ１は、信号付加曲率の所定値である。一方、前述した移動平均値Ｐｍａｖは、評価関数値Ｊのフィルタ値Ｈと参照信号値ｗの積の移動平均値であるので、評価関数値Ｊと参照信号値ｗの相関関数に相当する値となる。

そのため、相関関数に相当する移動平均値Ｐｍａｖが正値であれば、評価関数値Ｊの傾きが正値を示し、移動平均値Ｐｍａｖが負値であれば、評価関数値Ｊの傾きは負値を示すことになる。これに加えて、移動平均値Ｐｍａｖは、前述した式（５）で算出されることにより、参照信号値ｗの周波数成分が除去された状態で算出される。以上の理由により、移動平均値Ｐｍａｖと信号付加曲率Ｃｗの関係は、例えば、図７に示すような単調増加の関数として表すことができる。すなわち、移動平均値Ｐｍａｖは、信号付加曲率Ｃｗを変更したときに、評価関数値Ｊが変化する方向を表すことになる。

したがって、評価関数値Ｊが極小値（最小値）になるように、信号付加曲率Ｃｗを算出するには、図７に示す関数の傾きが値０になるように、移動平均値Ｐｍａｖを算出すればよいことになる。すなわち、移動平均値Ｐｍａｖが値０に収束するように、フィードバック制御アルゴリズムを用いて、信号付加曲率Ｃｗ言い換えれば曲率Ｃを算出すればよいことになる。

以上の原理により、本実施形態の信号付加曲率算出部３０では、式（６）のフィードバック制御アルゴリズムを用いて、評価関数値Ｊが極小値になるように曲率Ｃが算出される。

次に、図８を参照しながら、走行軌道算出処理について説明する。この走行軌道算出処理は、自車両３が曲走路を走行するときに、前述した算出手法によって、未来の走行軌道Ｘｆを算出するものであり、ＥＣＵ２によって、前述した所定の制御周期ΔＴで実行される。なお、以下の説明において算出される各種の値は、ＥＣＵ２のＥ２ＰＲＯＭ内に記憶されるものとする。

この走行軌道算出処理では、まず、走行環境検出装置４からの走路環境データＤ＿ｉｎｆｏを読み込む（図８／ＳＴＥＰ１）。

次いで、走路環境データＤ＿ｉｎｆｏに基づき、自車両３の前方の走路が曲走路であるか否かを判定する（図８／ＳＴＥＰ２）。この判定が否定であるとき（図８／ＳＴＥＰ２…ＮＯ）には、そのまま本処理を終了する。

一方、この判定が肯定であるとき（図８／ＳＴＥＰ２…ＹＥＳ）には、曲率算出処理（図８／ＳＴＥＰ３）を実行する。この曲率算出処理は、前述したように、曲率Ｃ及び信号付加曲率Ｃｗを算出するものであり、具体的には、図９に示すように実行される。

同図に示すように、まず、走路環境データＤ＿ｉｎｆｏに基づき、深層ニューラルネットワークを用いた強化学習法により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）を算出する（図９／ＳＴＥＰ１１）。

次に、ｎ個の推定ｘ座標値ｘ＿ｉ及び信号付加曲率Ｃｗに応じて、前述した図４に示すマップを検索することにより、ｎ個のモデルｙ座標値ｙｍｗ＿ｉを算出する（図９／ＳＴＥＰ１２）。この場合、信号付加曲率Ｃｗとしては、Ｅ２ＰＲＯＭ内に記憶されている前回値（前回の制御タイミングで算出された値）が用いられる。

次いで、前述した式（１）により、評価関数値Ｊを算出する（図９／ＳＴＥＰ１３）。その後、前述した式（２）により、フィルタ値Ｈを算出する（図９／ＳＴＥＰ１４）。

さらに、前述した式（３）により、参照信号値ｗを算出し（図９／ＳＴＥＰ１５）、それに続けて、前述した式（４）により、中間値Ｐｃを算出する（図９／ＳＴＥＰ１６）。

次に、前述した式（５）により、移動平均値Ｐｍａｖを算出し（図９／ＳＴＥＰ１７）、それに続けて、前述した式（６）により、曲率Ｃを算出する（図９／ＳＴＥＰ１８）。

次いで、前述した式（７）により、信号付加曲率Ｃｗを算出する（図９／ＳＴＥＰ１９）。その後、本処理を終了する。

図８に戻り、以上のように曲率算出処理（図８／ＳＴＥＰ３）を実行した後、曲率Ｃ及び走路環境データＤ＿ｉｎｆｏを用いて、未来の走行軌道Ｘｆを算出する（図８／ＳＴＥＰ４）。具体的には、走行軌道Ｘｆとして、ｍ個のｘ座標値ｘｆ＿ｊ及びｙ座標値ｙｆ＿ｊの組み合わせを算出する。その後、本処理を終了する。

以上のように、本実施形態の自動運転装置１では、所定の制御周期ΔＴで、曲率Ｃ及び信号付加曲率Ｃｗが逐次更新されるとともに、次の算出タイミングで、そのように更新された信号付加曲率Ｃｗを用いて、走行軌道Ｘｆが逐次更新される。

次に、以上の算出手法による本実施形態の走行軌道Ｘｆの算出結果について説明する。図１１，１２は、本実施形態の走行軌道Ｘｆの算出結果の一例を示しており、特に、図１２は、雨や霧などの、強化学習法による自車両３の前方の走路特性を表すデータの取得度合いが低下する条件下での、走行軌道Ｘｆの算出結果の一例を示している。

また、図１３，１４はそれぞれ、比較のために、強化学習法により得られる、自車両３の前方の走路特性を表すデータが図１１，１２と同一の条件下において、前述した特許文献１の２次近似曲線を用いた手法により算出した走行軌道の算出結果の一例（以下「比較例」という）を示している。なお、図１１〜１４における１点鎖線で示す走路の左右の境界ラインＬＬ，ＬＲは、自車両３の走行レーンの境界ラインである。

まず、図１１と図１３を比較すると、図１３に示す比較例の場合、２次近似曲線の走行軌道の算出結果は、算出時点の自車両３の存在範囲を大きく外れている上に、走行レーンからも外れており、自車両３がこの走行軌道に沿って走行すると、不適切かつ不安定な走行状態になるとともに、走行レーンの中心付近も走行できないことが判る。

これに対して、図１１に示す本実施形態の場合、走行軌道Ｘｆの算出結果は、自車両３の前方の走路特性を表すデータ数が低下する条件下でも、走行軌道Ｘｆが自車両３の中心点から走行レーンの中心付近を通りながら前方に円弧状に延びており、自車両３がこの走行軌道Ｘｆに沿って走行すると、走行レーンの中心付近を適切に走行できることが判る。

次に、図１２と図１４を比較すると、図１４に示す比較例の場合、雨や霧などに起因して自車両３の前方の走路特性を表すデータ数が低下するのに伴い、近似２次曲線の走行軌道が走行レーンから極端に外れた状態となっており、その結果、自車両３が走行不能となり、停止してしまう可能性があることが判る。

これに対して、図１２に示す本実施形態の場合、雨や霧などの、自車両３の前方の走路特性を表すデータ数が低下する条件下でも、走行軌道Ｘｆが自車両３の中心点から走行レーンの中心付近を通りながら前方に円弧状に延びており、自車両３がこの走行軌道Ｘｆに沿って走行すると、走行レーンの中心付近を適切に走行できることが判る。

次に、図１０を参照しながら、自動運転制御処理について説明する。この自動運転制御処理は、自車両３を、上述したように算出された走行軌道Ｘｆで走行するように制御するものであり、ＥＣＵ２によって、前述した所定の算出周期ΔＴよりも長い所定の制御周期ΔＴ２で実行される。

同図に示すように、まず、Ｅ２ＰＲＯＭ内に記憶されている走行軌道Ｘｆを読み込む（図１０／ＳＴＥＰ３１）。

次いで、自車両３が読み込んだ走行軌道Ｘｆで走行するように、原動機５を駆動する（図１０／ＳＴＥＰ３２）。

次に、自車両３が読み込んだ走行軌道Ｘｆで走行するように、アクチュエータ６を駆動する（図１０／ＳＴＥＰ３３）。その後、本処理を終了する。

以上のように、本実施形態の自動運転装置１によれば、走路環境データＤ＿ｉｎｆｏに基づき、強化学習法により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）が算出され、ｎ個の推定ｘ座標値ｘ＿ｉ及び信号付加曲率Ｃｗに応じて、図４に示すマップを検索することにより、ｎ個のモデルｙ座標値ｙｍｗ＿ｉが算出される。そして、評価関数値Ｊが推定ｙ座標値ｙ＿ｉとモデルｙ座標値ｙｍｗ＿ｉとの２乗誤差の総和として算出され、この評価関数値Ｊが極小値（最小値）になるように、曲率Ｃが算出される。すなわち、曲率Ｃは、推定ｙ座標値ｙ＿ｉとモデルｙ座標値ｙｍｗ＿ｉとの誤差が最小になるように算出される。さらに、この曲率Ｃを用いて、走行軌道Ｘｆが円弧状に決定される。

この場合、推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）は、走路環境データＤ＿ｉｎｆｏに基づいて算出される関係上、自車両３の走路環境の実際の状態が取得しにくい条件下、例えば、霧、雨及び雪などの悪天候のときや、水たまり及び日陰等などの路面自体が判りにくい条件下では、その算出精度が低下する可能性がある。これに対して、モデルｙ座標値ｙｍｗ＿ｉは、図４に示すマップを検索することにより算出されるので、そのような走路環境の実際の状態が取得しにくいときでも、その影響を受けないように算出することができる。

さらに、曲率Ｃは、推定ｙ座標値ｙ＿ｉとモデルｙ座標値ｙｍｗ＿ｉとの誤差が最小になるように算出され、この曲率Ｃに参照信号値ｗを加算した信号付加曲率Ｃｗを用いて、モデルｙ座標値ｙｍｗ＿ｉが算出されるので、演算の進行に伴い、モデルｙ座標値ｙｍｗ＿ｉは、推定ｙ座標値ｙ＿ｉとの誤差が最小になるように修正しながら算出されることになる。その結果、そのような曲率Ｃを用いて走行軌道Ｘｆを算出することにより、走行軌道Ｘｆを、推定走路位置Ｘ＿ｉに適切にフィッティングさせることができる。以上により、走路環境の実際の状態が取得しにくい条件下でも、その影響を抑制しながら、自車両３が曲走路を走行するときの走行軌道Ｘｆを、円弧状に精度よく決定することができる。

また、図４に示すマップでは、モデルｙ座標値ｙｍｗ＿ｉの原点値が自車両３の中心に設定されているので、自車両３の走行軌道Ｘｆを、これを決定するときの自車両３の存在範囲から外れないように決定することができる。それにより、例えば、自車両３をこの走行軌道Ｘｆで走行させた場合、自車両３が不安定な挙動で走行するのを回避でき、安定した走行状態を確保することができる。

また、曲率Ｃは、評価関数値Ｊの変動成分を抽出したフィルタ値Ｈと参照信号値ｗとの積に移動平均演算を施すことにより、移動平均値Ｐｍａｖが算出され、この移動平均値Ｐｍａｖが値０になるように、曲率Ｃが算出される。この場合、前述した原理により、移動平均値Ｐｍａｖが値０に収束するように、フィードバック制御アルゴリズムを用いて、曲率Ｃを算出することで、評価関数値Ｊが極小値（最小値）になるように、曲率Ｃを算出することができる。すなわち、評価関数値Ｊの傾きの特性を予め設定／決定することなく、推定ｙ座標値ｙ＿ｉとモデルｙ座標値ｙｍｗ＿ｉとの誤差が最小になるように、曲率Ｃを算出することができるので、自車両３が曲走路を走行するという、評価関数値Ｊの傾きの特性を予め設定／決定することが不可能な条件下においても、曲率Ｃを精度よく算出することができる。

さらに、移動平均値Ｐｍａｖを用いている関係上、過去から現在までの間に算出された推定ｙ座標値ｙ＿ｉの複数の時系列データを用いて、曲率Ｃが算出されることになるので、走路環境の取得時の誤差が一時的に急増し、推定ｙ座標値ｙ＿ｉの算出誤差が一時的に急増するような条件下においても、その影響を抑制しながら、曲率Ｃを安定して精度よく算出することができる。以上により、走行軌道Ｘｆの算出精度を向上させることができる。これに加えて、そのような算出精度の高い走行軌道Ｘｆを用いて、自車両３の走行状態を制御することができるので、その制御精度を向上させることができる。

なお、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）を、実施形態の算出手法に代えて、以下に述べる手法により算出してもよい。すなわち、図１５に示すように、実施形態と同様の、深層ニューラルネットワークを用いた強化学習法により、曲走路の左境界ラインＬＬの推定値をｎ個の左推定境界軌道Ｘ＿Ｌ＿ｉ（ｘ＿Ｌ＿ｉ，ｙ＿Ｌ＿ｉ）［ｉ＝１〜ｎ］として、曲走路の右境界ラインＬＲの推定値をｎ個の右推定境界軌道Ｘ＿Ｒ＿ｉ（ｘ＿Ｒ＿ｉ，ｙ＿Ｒ＿ｉ）としてそれぞれ算出する。

そして、下式（８）〜（９）により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）をを算出する。

以上の手法により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）を算出した場合でも、実施形態と同じ作用効果を得ることができる。

また、実施形態は、ライン推定値として、深層ニューラルネットワークを用いた強化学習法により、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）を算出した例であるが、ライン推定値の算出手法はこれに限らず、ライン推定値を算出できるものであればよい。例えば、ＳＵＲＦ（Speeded Up Robust Features）アルゴリズムやＳＩＦＴ(Scale Invariant Feature Transform)アルゴリズムなどの特徴量検出画像認識アルゴリズムを用いて、ｎ個の推定走路位置Ｘ＿ｉ（ｘ＿ｉ，ｙ＿ｉ）を算出してもよい。

さらに、実施形態は、未来の走行軌道のラインモデル値として、図５に示すように、モデルｙ座標値ｙｍｗ＿ｉを未来の走行軌道を決定するときの自車両３の中心を通るように算出した例であるが、本実施形態の走行軌道のラインモデル値はこれに限らず、ラインモデル値を、その延在態様が自車両３の進行方向に並ぶとともに、未来の走行軌道を決定するときの自車両３の存在範囲を少なくとも通るように算出すればよい。例えば、図４のマップにおいて、ｘ＝０のときのモデルｙ座標値ｙｍｗが値０でなく、所定の負値又は正値を示すように設定したものを用いて、モデルｙ座標値ｙｍｗを算出してもよい。

また、実施形態は、走行基準ラインとして、走行軌道Ｘｆを算出した例であるが、これに代えて、走行基準ラインとして、曲走路の左右の境界ラインＬＬ，ＬＲの一方を算出するように構成してもよい。

例えば、左境界ラインＬＬを算出する場合には、曲走路の左境界ラインＬＬの推定値として、前述した手法により、図１６に示すように、ｎ個の左推定境界軌道Ｘ＿Ｌ＿ｉ（ｘ＿Ｌ＿ｉ，ｙ＿Ｌ＿ｉ）［ｉ＝１〜ｎ］を算出すればよい。また、左境界ラインＬＬのラインモデル値としては、ラインモデル値の接線が、左境界ラインＬＬを決定するときの自車両３の左側方において自車両３の中心線と平行になるように算出すればよい。その場合には、前述した図４のマップにおいて、ｘ＝０のときのモデルｙ座標値ｙｍｗを正値側にオフセットしたものを用いればよく、このオフセット量は、走路環境データＤ＿ｉｎｆｏに応じて設定すればよい。

一方、右境界ラインＬＲを算出する場合には、曲走路の左境界ラインＬＬの推定値として、前述した手法により、図１７に示すように、ｎ個の右推定境界軌道Ｘ＿Ｒ＿ｉ（ｘ＿Ｒ＿ｉ，ｙ＿Ｒ＿ｉ）を算出すればよい。また、右境界ラインＬＲのラインモデル値としては、ラインモデル値の接線が、右境界ラインＬＲを決定するときの自車両３の右側方において自車両３の中心線と平行になるように算出すればよい。その場合には、前述した図４のマップにおいて、ｘ＝０のときのモデルｙ座標値ｙｍｗを負値側にオフセットしたものを用いればよく、このオフセット量は、走路環境データＤ＿ｉｎｆｏに応じて設定すればよい。

また、実施形態は、走行基準ラインとして、曲走路を走行するときの走行軌道Ｘｆを算出した例であるが、本発明の走行基準ラインはこれに限らず、円弧規定パラメータを用いて円弧状に決定されるものであればよい。例えば、自車両が駐車場内で円弧状の軌道で走行するときの走行軌道を走行基準ラインとして算出してもよい。

１ 自動運転装置、走行基準ライン決定装置
２ ＥＣＵ（ラインモデル値算出手段、ライン推定値算出手段、円弧規定パラメータ 算出手段、走行基準ライン決定手段、評価関数値算出手段、変動成分抽出手段、 相関値算出手段）
３ 自車両
４ 走路環境検出装置（走路環境データ取得手段）
１０ 推定走路位置算出部（ライン推定値算出手段）
１１ モデルｙ座標値算出部（ラインモデル値算出手段）
１２ 評価関数値算出部（円弧規定パラメータ算出手段、評価関数値算出手段）
３０ 曲率算出部（円弧規定パラメータ算出手段）
３１ ウォッシュアウトフィルタ（変動成分抽出手段）
３４ 移動平均フィルタ（相関値算出手段）
４０ 走行軌道算出部（走行基準ライン決定手段）
Ｘｆ 走行軌道（走行基準ライン）
ｙｍｗ＿ｉ モデルｙ座標値（ラインモデル値）
Ｄ＿ｉｎｆｏ 走路環境データ
ｙ＿ｉ 推定ｙ座標値（ライン推定値）
Ｃ 曲率（円弧規定パラメータ）
Ｃｗ 信号付加曲率（円弧規定パラメータを含む値、信号付加パラメータ）
ｗ 所定の参照信号値
Ｊ 評価関数値
Ｐｃ 中間値（乗算値）
Ｐｍａｖ 移動平均値（相関値）
ＬＬ 左境界ライン（走行基準ライン）
ＬＲ 右境界ライン（走行基準ライン）

Claims (5)

1. 自車両が走行するときの基準となる走行基準ラインを決定する走行基準ライン決定装置であって、
   前記走行基準ラインをモデリングした走行基準ラインモデルを用いて、前記走行基準ラインの延在態様を表すラインモデル値を算出するラインモデル値算出手段と、
   前記自車両の走路を含む走路環境を表す走路環境データを取得する走路環境データ取得手段と、
   当該走路環境データを用いて、前記ラインモデル値とは別の、前記走行基準ラインの延在態様を表すライン推定値を算出するライン推定値算出手段と、
   前記ラインモデル値と前記ライン推定値との誤差が最小になるように、円弧を規定する円弧規定パラメータを算出する円弧規定パラメータ算出手段と、
   当該円弧規定パラメータを用いて、前記走行基準ラインを円弧状に決定する走行基準ライン決定手段と、
   を備え、
   前記走行基準ラインモデルは、前記円弧規定パラメータに所定の参照信号値を付加した信号付加パラメータを入力に含み、前記ラインモデル値を出力とするモデルとして構成され、
   前記円弧規定パラメータ算出手段は、
   前記誤差を評価する評価関数値を算出する評価関数値算出手段と、
   当該評価関数値の変動成分を抽出する変動成分抽出手段と、
   当該変動成分と前記所定の参照信号値とを乗算した乗算値に所定のフィルタ処理を施すことにより、前記誤差が最小のときに値０となる相関値を算出する相関値算出手段と、を有し、
   当該相関値が値０になるように、前記円弧規定パラメータを算出し、
   前記ラインモデル値算出手段は、前記円弧規定パラメータ算出手段によって算出された前記円弧規定パラメータと前記走行基準ラインモデルを用いて、前記ラインモデル値を算出することを特徴とする走行基準ライン決定装置。
2. 前記走行基準ラインは、前記自車両の未来の走行軌道であり、
   前記ラインモデル値算出手段は、前記未来の走行軌道の前記ラインモデル値を、当該ラインモデル値の延在態様が前記自車両の進行方向に並ぶとともに、前記未来の走行軌道を決定するときの前記自車両の存在範囲を少なくとも通るように算出することを特徴とする請求項１に記載の走行基準ライン決定装置。
3. 前記走行基準ラインは、前記自車両の前記走路及び前記自車両の走行レーンの一方の境界ラインであり、
   前記ラインモデル値算出手段は、前記一方の境界ラインの前記ラインモデル値を、当該ラインモデル値の接線が前記一方の境界ラインを決定するときの前記自車両の側方において当該自車両の中心線と平行になるように算出することを特徴とする請求項１に記載の走行基準ライン決定装置。
4. 前記円弧規定パラメータ算出手段は、過去から現在までの間に算出された複数の前記ライン推定値を用いて、前記円弧規定パラメータを算出することを特徴とする請求項１ないし３のいずれかに記載の走行基準ライン決定装置。
5. 請求項１ないし４のいずれかに記載の走行基準ライン決定装置を備え、
   当該走行基準ライン決定装置によって決定された前記走行基準ラインを用いて、前記自車両の走行状態を制御することを特徴とする自動運転装置。