JP6979648B2 - 車載制御装置 - Google Patents
車載制御装置 Download PDFInfo
- Publication number
- JP6979648B2 JP6979648B2 JP2018017393A JP2018017393A JP6979648B2 JP 6979648 B2 JP6979648 B2 JP 6979648B2 JP 2018017393 A JP2018017393 A JP 2018017393A JP 2018017393 A JP2018017393 A JP 2018017393A JP 6979648 B2 JP6979648 B2 JP 6979648B2
- Authority
- JP
- Japan
- Prior art keywords
- module
- vehicle
- control
- selection module
- arithmetic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Description
以下、図を参照して本実施形態の車載制御装置10の概要について説明する。
図1は、本実施形態の車載制御装置10を含むシステムの構成の一例を示す図である。
なお、本実施形態では、車載制御装置10は、検出情報生成部20や車載装置30から独立した筐体を有する装置であるとして説明するがこれに限られない。車載制御装置10は、検出情報生成部20や車載装置30と一体化された装置として構成されてもよい。
センサ部200は、車両CRの周囲の状況を検出するセンサ等であり、検出した結果を、検出結果処理部210を介して、又は直接、検出結果DRとして車載制御装置10に出力する。本実施形態の一例として、センサ部200は、LIDAR装置201と、ミリ波装置202と、GNSS装置203と、カメラ装置204とを備えている。
LIDAR装置201は、LIDAR(Light Detection and Ranging、Laser Imaging Detection and Ranging)による車両CRの周囲の画像取得及び測距を行う。LIDAR装置201は、画像取得結果及び測距結果を検出結果DRとして出力する。
ミリ波装置202は、ミリ波を用いて車両CRの周囲の形状検出及び測距を行う。ミリ波装置202は、形状検出結果及び測距結果を検出結果DRとして出力する。
GNSS装置203は、GNSS(Global Navigation Satellite System)による測位衛星からの測位信号を受信する。GNSS装置203は、受信した測位信号を検出結果DRとして出力する。
カメラ装置204は、可視光や赤外光を用いて車両CRの周囲の画像取得及び測距を行う。カメラ装置204は、画像取得結果及び測距結果を検出結果DRとして出力する。
画像認識部211は、LIDAR装置201やカメラ装置204が出力する画像取得結果及び測距結果に基づいて、これらの画像に含まれる物体の有無、物体の形状・大きさ・種類、物体までの距離、物体の移動速度などを認識する。画像認識部211は、画像認識の結果を検出結果DRとして車載制御装置10に出力する。
物体検出部212は、ミリ波装置202が出力する形状検出結果及び測距結果に基づいて、物体の有無、物体の形状・大きさ・種類、物体までの距離、物体の移動速度などを検出する。物体検出部212は、物体検出の結果を検出結果DRとして車載制御装置10に出力する。
位置推定部213は、GNSS装置203が出力する測位信号に基づいて、自車の位置を推定する。位置推定部213は、自車の位置推定の結果を検出結果DRとして車載制御装置10に出力する。
これらECU300は、車載制御装置10から出力される制御情報CMDに基づいて動作し、アクチュエータ類を駆動するための情報や信号を出力する。
車載制御装置10は、取得部120(不図示)と、演算モジュールMDLと、出力部130(不図示)とを、ソフトウエア又はハードウエアによる機能部として備える。
選択モジュール100は、取得部120が取得した検出結果DRに基づいて、次階層の複数の演算モジュールMDLの中から車両CRの周囲の状況に応じた演算を行う演算モジュールMDLを選択する。この選択モジュール100は、ニューラルネットワークNN(例えば、深層ニューラルネットワーク)によって演算を行う。
すなわち、演算モジュールMDLは、選択モジュール100が前段の演算モジュールMDLとして、制御モジュール110が後段の演算モジュールMDLとして、階層化されている。
制御モジュール110の階層化について説明する。階層化された制御モジュール110には、前段制御モジュール110aと、後段制御モジュール110bとがある。このうち、前段制御モジュール110aは、検出結果DRに基づいて、車両CRの目標挙動TBを判定する。後段制御モジュール110bは、前段制御モジュール110aによって判定された車両CRの目標挙動TBに基づいて、車載装置30に与える制御情報CMDを生成する。
図1に示す一例では、制御モジュール110のうち、制御モジュール111と制御モジュール112とが、前段制御モジュール110aに相当し、制御モジュール115と制御モジュール116とが後段制御モジュール110bに相当する。すなわち、同図の一例では、制御モジュール111と制御モジュール115とが互いに階層化され、制御モジュール112と制御モジュール116とが互いに階層化されている。
選択モジュール100の階層化について説明する。階層化された選択モジュール100には、前段選択モジュール100aと、後段選択モジュール100bとがある。このうち、前段選択モジュール100aは、次階層の複数の選択モジュール100の中から車両CRの周囲の状況に応じた選択モジュール100を選択する。後段選択モジュール100bは、前段選択モジュール100aによって選択され、次階層の複数の演算モジュールMDLの中から車両CRの周囲の状況に応じた演算モジュールMDLを選択する。
通信部50は、基地局BSを介してデータセンタDCとの間において情報を送受信する。具体的には通信部50は、ロガー40に一時記憶されている情報を、データセンタDCに送信する。また、通信部50は、データセンタDCが提供する演算モジュールMDLの更新データを受信する。
図3は、本実施形態の車載制御装置10の演算経路の一例を示す図である。選択モジュール101は、不図示の取得部120から検出結果DRを取得する。選択モジュール101は、選択モジュール102又は制御モジュール112のいずれを選択するべきかを、検出結果DRに基づいて判定する。この一例では、選択モジュール101は、選択モジュール102を選択する。次に、選択モジュール102は、選択モジュール103又は制御モジュール111のいずれを選択するべきかを、検出結果DRに基づいて判定する。この一例では、選択モジュール102は、制御モジュール111を選択する。制御モジュール111は、車両CRの目標挙動TBを判定し、制御モジュール115に目標挙動TBを供給する。制御モジュール115は、目標挙動TBに基づいて制御情報CMDを生成する。生成された制御情報CMDは、不図示の出力部130によって各ECU300に供給される。
図4は、本実施形態の車載制御装置10の処理の流れの一例を示す図である。この一例では、車載制御装置10は、1つの選択モジュール100と、2つの制御モジュール110とを演算モジュールMDLとして備える。この一例の場合、車載制御装置10の演算モジュールMDLは、1段目の選択モジュール100と、2段目の制御モジュール110との2層に階層化されている。
(ステップS20)検出結果処理部210は、ステップS10において出力された検出結果DRに基づいて、物体の有無、物体の形状・大きさ・種類、物体までの距離、物体の移動速度などを検出する。検出結果処理部210は、検出した結果を検出結果DRとして車載制御装置10に出力する。
(ステップS30)車載制御装置10の取得部120は、センサ部200から出力される検出結果DR、又は検出結果処理部210から出力される検出結果DRを取得する。
(ステップS50)制御モジュール110は、検出結果DRに基づいて制御情報CMDを生成する。ここで、選択モジュール100が制御モジュール110−Aを選択した場合(ステップS40;A)には、制御モジュール110−AによってステップS50−1が実行される。選択モジュール100が制御モジュール110−Bを選択した場合(ステップS40;B)には、制御モジュール110−BによってステップS50−2が実行される。
次に、図5を参照して、車載制御装置10の処理の流れの第2の例について説明する。
図5は、本実施形態の車載制御装置10の処理の流れの第2の例を示す図である。なお、以下の説明では、図4の一例において説明した各部及び各動作と同一のものについては、同一の符号を付してその説明を省略する。本実施例では、図4に示した実施例1に対して、制御モジュール110が複数の階層に分割されている点で異なる。
次に、図6を参照して、車載制御装置10の処理の流れの第3の例について説明する。
図6は、本実施形態の車載制御装置10の処理の流れの第3の例を示す図である。なお、以下の説明では、図4及び図5の一例において説明した各部及び各動作と同一のものについては、同一の符号を付してその説明を省略する。本実施例では、図4に示した実施例1に対して、選択モジュール100が複数の階層に分割されている点で異なる。
(ステップS250)後段選択モジュール100bは、複数の制御モジュール110(制御モジュール110−A1、110−A2、110−B1及び110−B2)のうちから、ステップS30において取得された検出結果DRが示す車両CRの周囲の状況に応じた制御モジュール110を選択する。
次に、図7を参照して、本実施形態の演算モジュールMDLの構成の具体例について説明する。
図7は、本実施形態の演算モジュールMDLの構成の具体例を示す図である。選択モジュール100は、選択モジュール101〜選択モジュール104の4階層によって構成される。選択モジュール101〜選択モジュール104は、いずれもニューラルネットワークNNによって演算を行う。
ゆずりあいモードMD1は、ラウンドアバウトでの加減速(制御モジュール111)、レーン走行(制御モジュール115)によって構成される。
通常走行モードMD2には、ラウンドアバウト・交差点周辺走行モードMD2−1と、直線路走行モードMD2−2とがある。ラウンドアバウト・交差点周辺走行モードMD2−1には、さらに加減速モードMD2−1−1と、停止モードMD2−1−2とがある。
加減速モードMD2−1−1は、対向車・合流先の車両に応じた加減速(制御モジュール113a)と、レーン走行(制御モジュール117a)とによって構成される。
停止モードMD2−1−2は、一旦停止線での停止(制御モジュール113b)と、レーン走行(制御モジュール117b)とによって構成される。
直線路走行モードMD2−2は、先行車に応じた加減速(制御モジュール113)と、レーン走行(制御モジュール117)とによって構成される。
緊急行動モードMD3は、緊急停止(制御モジュール112)と、レーン走行(制御モジュール116)とによって構成される。
レーン走行(制御モジュール115、制御モジュール116、制御モジュール117、制御モジュール117a、及び制御モジュール117b)は、いずれもニューラルネットワークNNとPID(Proportional−Integral−Differential)制御アルゴリズムとによって演算を行う。
先行車に応じた加減速(制御モジュール113)、対向車・合流先の車両に応じた加減速(制御モジュール113a)及び一旦停止線での停止(制御モジュール113b)は、いずれもルールベース演算によって演算を行う。ルールベース演算とは、車載装置30に与える制御情報CMDを算出する演算手順について、検出結果DRと制御情報CMDとの対応関係が予め定められているものをいう。ルールベース演算の一例には、if−then−elseによる条件分岐によって制御情報CMDを算出する演算方式がある。
図8は、本実施形態の演算モジュールMDLの学習手順の一例を示す図である。一例として、制御モジュール110が前段制御モジュール110aと後段制御モジュール110bとの2階層で構成されており、選択モジュール100が複数の前段制御モジュール110aのうちから、特定の前段制御モジュール110aを選択するように構成されている場合について説明する。
第2段階においては、学習済みの後段制御モジュール110bを前段制御モジュール110aに接続して、前段制御モジュール110aの学習が行われる(図8(B))。この第2段階においては、前段制御モジュール110aごとに、システム設計者がどのような走行シーン向けの前段制御モジュール110aであるかを決めて、その走行シーンのデータに基づいて学習させる。すなわち、前段制御モジュール110aについて、特定の走行シーンだけに絞って学習させる。
第3段階においては、学習済みの後段制御モジュール110b及び前段制御モジュール110aを選択モジュール100に接続して、選択モジュール100を学習させる(図8(C))。この第3段階においては、検出結果DRに対する前段制御モジュール110aの挙動を観察しつつ、ある検出結果DRについて、どの前段制御モジュール110aを選択すればよいのかを探る。この結果、第3段階においては、ある検出結果DRがどのような走行シーンを示しているのかを選択モジュール100に学習させることになる。
以上説明したように演算モジュールMDLを構成することにより、車載制御装置10は、演算モジュールMDL毎に学習させることができ、かつ学習済みの演算モジュールMDLを用いて他の演算モジュールMDLを学習させることができる。このため、車載制御装置10によれば、すべての演算モジュールMDLを同時に学習させる場合に比べて学習効率が高くなり、短期間で学習させることができる。つまり、車載制御装置10によれば、車両CRの挙動を制御するための演算モジュールMDLの学習の難度を低減することができる。
以下、第2の実施形態に係る車載制御装置10について説明する。なお、以下の説明では、上述した第1の実施形態において説明した各部及び各動作と同一のものについては、同一の符号を付してその説明を省略する。本実施例では、ルールベース演算によって選択する選択モジュール100が含まれている点で第1の実施形態と異なる。また、本実施例では、選択モジュール100が、選択候補の演算モジュールMDLの正解率に基づいて次段の演算モジュールMDLを選択する点で第1の実施形態と異なる。
本実施形態の選択モジュール100には、第1の選択モジュール100NNと、第2の選択モジュール100RBとが含まれる。
第1の選択モジュール100NNは、取得部120が取得した検出結果(検出情報)DRに基づいて、次階層の複数の演算モジュールMDLの中から車両CRの周囲の状況に応じた演算を行う演算モジュールMDLを、ニューラルネットワークNNによる演算によって選択する。
第2の選択モジュール100RBは、取得部120が取得した検出結果(検出情報)DRに基づいて、次階層の複数の演算モジュールMDLの中から車両CRの周囲の状況に応じた演算を行う演算モジュールMDLを、検出結果(検出情報)DRと制御情報CMDとの対応関係が予め定められているルールベース演算によって選択する。
制御モジュール110は、上述した第1の選択モジュール100NN又は第2の選択モジュール100RBのいずれかによって選択され、検出結果(検出情報)DRに基づいて制御情報CMDを生成する。
選択モジュール100は、階層化されている。階層化された選択モジュール100には、前段選択モジュール100aと、後段選択モジュール100bとがある。このうち、前段選択モジュール100aは、車両CRの周囲の状況に基づく選択についての、自モジュールによる選択の正解率VLDと、後段選択モジュール100bによる選択の正解率VLDとに基づいて、自モジュールが制御モジュール110を選択するか、後段選択モジュール100bに制御モジュール110を選択させるかを判定する。ここで、正解率VLDとは、演算モジュールMDLが出力する情報の正しさの程度をいう。例えば、正解率VLDは、選択モジュール100が選択する結果が、車両CRの周囲の状況に応じた正しい結果になる割合によって示される。また例えば、正解率VLDは、制御モジュール110が出力する制御情報CMDのうち、車両CRの挙動が正しい挙動になる制御情報CMD(すなわち、正しい制御情報CMD)を出力できる割合によって示される。これらの場合において、車両CRの周囲の状況に応じた「正しい選択結果」や、車両CRの「正しい挙動」は、車両CRの周囲の状況ごとに予め定義されている。
次に、図9を参照して、車載制御装置10の処理の流れの一例について説明する。
図9は、本実施形態の車載制御装置10の処理の流れの一例を示す図である。この一例において、車載制御装置10は、選択モジュールA〜Dの4つの選択モジュール100と、制御モジュールA1〜D2の8つの制御モジュール110とを備える。
選択モジュールAは、ニューラルネットワークNNによる前段選択モジュール100a、すなわち第1の選択モジュール100NNである。選択モジュールBは、ルールベース演算による前段選択モジュール100a、すなわち第2の選択モジュール100RBである。選択モジュールC及び選択モジュールDは、後段選択モジュール100bである。
制御モジュールA1〜D2は、それぞれ、ある車両CRの周囲の状況に応じた制御情報CMDを生成する。
(ステップS320)ステップS310において選択モジュールAが選択された場合、選択モジュールAは、制御モジュールA1又は制御モジュールA2のうち、車両CRの周囲の状況に適した制御モジュール110を選択する。
(ステップS330)ステップS310において選択モジュールBが選択された場合、選択モジュールBは、検出結果DRに対応するルールがあるか否かを判定する。ルールがあると判定された場合(ステップS330;YES)には、選択モジュールBは、制御モジュールB1又は制御モジュールB2のうち、車両CRの周囲の状況に適した制御モジュール110を、ルールベース演算によって選択する(ステップS340)。
(ステップS350)ステップS310において選択モジュールCが選択された場合、選択モジュールCは、制御モジュールC1又は制御モジュールC2のうち、車両CRの周囲の状況に適した制御モジュール110を選択する。
(ステップS360)ステップS330においてルールがないと判定された場合(ステップS330;NO)には、選択モジュールDは、制御モジュールD1又は制御モジュールD2のうち、車両CRの周囲の状況に適した制御モジュール110を選択する。
次に、図10を参照して演算モジュールMDLの学習の流れの一例について説明する。
図10は、本実施形態の車載制御装置10に提供される演算モジュールMDLの学習の流れの一例を示す図である。ここで、演算モジュールMDLは、データセンタDCの再学習部DC2による学習された後に、車載制御装置10に提供される。以下、再学習部DC2による演算モジュールMDLの学習の流れについて説明する。この一例では、演算モジュールMDLは、1つの前段選択モジュール100aと、2つの後段選択モジュール100b(100b−1及び100b−2)と、3つの制御モジュール110(110−1〜−3)によって構成される。
(ステップS410)再学習部DC2は、取得した検出結果DRを前段選択モジュール100aに供給して、演算モジュールMDLの正解率VLDの推定をさせ、正解率VLDの高い演算モジュールMDLを選択するための学習をさせる。
(ステップS420)再学習部DC2は、前段選択モジュール100aに検出結果DRを供給して、検出結果DRから車両CRの周囲の状況を分類(判定)するための学習をさせる。
(ステップS430、ステップS440)再学習部DC2は、前段選択モジュール100aが選択した後段選択モジュール100b及び制御モジュール110に検出結果DRを供給し、制御情報CMDを生成させる。
(ステップS450、ステップS460)再学習部DC2は、ステップS440(ステップS440−1〜−3)において生成された制御情報CMDをECU300(又はECU300のエミュレータ)に供給し、その制御情報CMDとECU300の出力とを観測する。再学習部DC2は、観測したECU300の出力と、所望の(正しい)車両CRの挙動とを比較して得られる制御結果の適否(良し悪し)を教師データとして、演算モジュールMDLを学習させる。
以上説明したように演算モジュールMDLを構成することにより、車載制御装置10は、演算モジュールMDL毎に学習させることができ、かつ学習済みの演算モジュールMDLを用いて他の演算モジュールMDLを学習させることができる。このため、車載制御装置10によれば、すべての演算モジュールMDLを同時に学習させる場合に比べて学習効率が高くなり、短期間で学習させることができる。つまり、車載制御装置10によれば、車両CRの挙動を制御するための演算モジュールMDLの学習の難度を低減することができる。
より具体的には、車両CRが遭遇する状況のうち、いくつかの状況については、その状況であると定義されるのはどのような条件のときか、その状況においてはどのような挙動にしなければならないかが明確に定められている。この場合、本実施形態の車載制御装置10は、挙動が明確に定められている状況については、所定の条件を元にルールベース演算による選択モジュール100(第2の選択モジュール100RB)によって状況を判定し、挙動が明確に定められていない状況については、ニューラルネットワークNNによる選択モジュール100(第1の選択モジュール100NN)によって状況を判定する。このように構成することにより、車載制御装置10は、様々な状況の分類を実現しながらも、すべての選択モジュール100をニューラルネットワークNNによるものとする場合に比べ、学習データの量を低減することができる。
つまり、本実施形態の車載制御装置10は、車両CRの挙動を制御するための演算モジュールMDL(選択モジュール100)の学習の難度を低減することができる。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
CMD…制御情報、DR…検出結果、MDL…演算モジュール、VLD…正答率
Claims (3)
- 車両の周囲の状況が検出された情報を少なくとも含む検出情報に基づいて、前記車両の挙動を制御する車載装置に与える制御情報を、階層化された複数の演算モジュールによって生成する車載制御装置であって、
前記検出情報を取得する取得部と、
演算モジュールのうち、前記取得部が取得した前記検出情報に基づいて、次階層の複数の演算モジュールの中から車両の周囲の状況に応じた演算を行う演算モジュールを、ニューラルネットワークによる演算によって選択する第1の選択モジュールと、
演算モジュールのうち、前記取得部が取得した前記検出情報に基づいて、次階層の複数の演算モジュールの中から車両の周囲の状況に応じた演算を行う演算モジュールを、前記検出情報と前記制御情報との対応関係が予め定められているルールベース演算によって選択する第2の選択モジュールと、
演算モジュールのうち、前記第1の選択モジュール又は前記第2の選択モジュールのいずれかによって選択され、前記検出情報に基づいて前記制御情報を生成する制御モジュールと、
前記制御モジュールが生成した前記制御情報を前記車載装置に対して出力する出力部と、
を備え、
前記次階層の複数の演算モジュールとは、それぞれが、互いに異なる特定の走行シーンについて学習がなされた演算モジュールであり、
前記第1の選択モジュールは、複数の演算モジュールの中から、前記検出情報が示す走行シーンについて学習がなされた演算モジュールを選択する
車載制御装置。 - 前記制御モジュールには、
前記検出情報に基づいて、前記車載装置に与える前記制御情報を前記検出情報と前記制御情報との対応関係が予め定められているルールベース演算によって生成するルールベース制御モジュール
が含まれる請求項1に記載の車載制御装置。 - 前記第1の選択モジュールは階層化されており、
階層化された前記第1の選択モジュールには、
次階層の複数の演算モジュールの中から車両の周囲の状況に応じた演算モジュールを選択する前段選択モジュールと、
前記前段選択モジュールによって選択され、次階層の複数の演算モジュールの中から車両の周囲の状況に応じた演算モジュールを選択する後段選択モジュールと、
が含まれ、
前記前段選択モジュールは、
車両の周囲の状況に基づく選択についての、自モジュールによる選択の正解率と、前記後段選択モジュールによる選択の正解率とに基づいて、自モジュールが前記制御モジュールを選択するか、前記後段選択モジュールに前記制御モジュールを選択させるかを判定する
請求項1又は請求項2に記載の車載制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018017393A JP6979648B2 (ja) | 2018-02-02 | 2018-02-02 | 車載制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018017393A JP6979648B2 (ja) | 2018-02-02 | 2018-02-02 | 車載制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019131141A JP2019131141A (ja) | 2019-08-08 |
JP6979648B2 true JP6979648B2 (ja) | 2021-12-15 |
Family
ID=67545502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018017393A Active JP6979648B2 (ja) | 2018-02-02 | 2018-02-02 | 車載制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6979648B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018222720B4 (de) | 2018-12-21 | 2022-01-05 | Continental Teves Ag & Co. Ohg | Überwachung von auf neuronalen Netzwerken basierten Fahrfunktionen |
CN111081067B (zh) * | 2019-12-27 | 2021-07-20 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
JP2021177266A (ja) * | 2020-04-17 | 2021-11-11 | 株式会社鈴康 | プログラム、情報処理装置、情報処理方法及び学習モデルの生成方法 |
US11938941B2 (en) * | 2020-08-31 | 2024-03-26 | Denso International America, Inc. | Mode selection according to system conditions |
CN117690107B (zh) * | 2023-12-15 | 2024-04-26 | 上海保隆汽车科技(武汉)有限公司 | 一种车道边线识别方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2601003B2 (ja) * | 1990-09-25 | 1997-04-16 | 日産自動車株式会社 | 車両の走行条件認識装置 |
JP2006160032A (ja) * | 2004-12-06 | 2006-06-22 | Toyota Motor Corp | 運転状態判定装置及び運転状態判定方法 |
JP6756661B2 (ja) * | 2017-04-28 | 2020-09-16 | 日立オートモティブシステムズ株式会社 | 車両電子制御装置 |
-
2018
- 2018-02-02 JP JP2018017393A patent/JP6979648B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019131141A (ja) | 2019-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6979648B2 (ja) | 車載制御装置 | |
JP7086911B2 (ja) | 自動運転車両のためのリアルタイム意思決定 | |
Lv et al. | Hybrid-learning-based classification and quantitative inference of driver braking intensity of an electrified vehicle | |
EP4038465A1 (en) | Collision avoidance perception system | |
CN114902295A (zh) | 用于自主驾驶应用的三维路口结构预测 | |
US11555706B1 (en) | Processing graph representations of tactical maps using neural networks | |
US20200234191A1 (en) | Travel model generation system, vehicle in travel model generation system, and processing method | |
CN109562758A (zh) | 自动驾驶车辆的控制方法及控制装置 | |
JP6790258B2 (ja) | ポリシー生成装置及び車両 | |
US20200055522A1 (en) | Vehicle control device | |
CN112987711B (zh) | 自动驾驶规控算法优化方法及仿真测试装置 | |
US20230130814A1 (en) | Yield scenario encoding for autonomous systems | |
CN107161145A (zh) | 用于避免追尾事故的方法和控制装置 | |
CN112784867A (zh) | 利用合成图像训练深度神经网络 | |
CN114450724A (zh) | 用于自主机器应用的多活动者环境中的未来轨迹预测 | |
CN110001648A (zh) | 车辆控制装置 | |
JP7119839B2 (ja) | 物体検出装置、物体検出方法及び車両制御装置 | |
JP7120565B2 (ja) | 車載制御装置 | |
Widaa et al. | Design of Fuzzy-based autonomous car control system | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
Becker et al. | System architecture and safety requirements for automated driving | |
JP6900007B2 (ja) | 配信装置 | |
JP7223585B2 (ja) | 車両制御装置および車両制御システム | |
Navarro et al. | Development of an autonomous vehicle control strategy using a single camera and deep neural networks | |
US20230294736A1 (en) | Offline Tracking System for Autonomous Vehicle Control Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180308 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200706 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210622 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210812 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6979648 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |