JP7446543B1

JP7446543B1 - 車両制御装置、プログラム及び車両制御方法

Info

Publication number: JP7446543B1
Application number: JP2023562558A
Authority: JP
Inventors: 雅浩虻川; 尚之対馬
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2022-08-08
Filing date: 2022-08-08
Publication date: 2024-03-08
Anticipated expiration: 2042-08-08
Also published as: JPWO2024033957A1; WO2024033957A1

Abstract

車両制御部（１１０）は、車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得し、その車両の周囲の画像を撮像する一又は複数のカメラから、その画像を示す画像データを取得するセンサ信号処理部（１１１）と、予め算出されている人間の視覚モデルを用いて、その画像を認識する人間の視覚により影響を受ける視認性斥力ポテンシャルを算出する人間視覚算出部（１１２）と、対象車両の周囲の環境の特徴量から潜在的なリスクを予測するための潜在リスク予測モデルを用いて、その物理量及びその画像に基づいて、その車両の周囲の環境による物理斥力ポテンシャルを算出し、その物理斥力ポテンシャルを、視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出する潜在リスク予測モデル処理部（１１４）とを備える。

Description

本開示は、車両制御装置、プログラム及び車両制御方法に関する。

近年、車両の自動運転に関する技術が開発されている。車両を運転する際の基本的な技術は、認知、判断及び操作である。その中で判断は、不特定多数の交通参加者が存在し、その複雑な組み合わせを処理する。そのような判断に関して、車両の経路決定及び制御を行う走行制御の研究が盛んである。

車両の経路決定及び制御には、特許文献１に記載されている人工ポテンシャル法（ポテンシャルフィールド法ともいう）が適用されることが多い。人工ポテンシャル法は、人間の危険感が車両挙動に表れるという考えの下で、物理的な車両制御モデルを用いた制御を行うことが基本となっている。

特開２０１８－１９２９５４号公報

しかしながら、従来の人工ポテンシャル法による車両制御は、搭乗者が知覚によって認知、判断及び操作する車両制御とは必ずしも一致しておらず、安心した搭乗ができないという課題がある。

そこで、本開示の一又は複数の態様は、搭乗者の違和感を軽減するように、車両の自動運転を行うことを目的とする。

本開示の一態様に係る車両制御装置は、車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得するセンサ信号取得部と、前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得する画像データ取得部と、対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出する物理ポテンシャル算出部と、予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出する人間視覚算出部と、前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出するポテンシャル補正部と、前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成する目標経路生成部と、前記目標経路に従って、前記車両を走行させるように、前記車両を制御する車両制御部と、を備えることを特徴とする。

本開示の一態様に係るプログラムは、コンピュータを、車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得するセンサ信号取得部、前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得する画像データ取得部、対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出する物理ポテンシャル算出部、予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出する人間視覚算出部、前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出するポテンシャル補正部、前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成する目標経路生成部、及び、前記目標経路に従って、前記車両を走行させるように、前記車両を制御する車両制御部、として機能させることを特徴とする。

本開示の一態様に係る車両制御方法は、車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得し、前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得し、対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出し、予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出し、
前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出し、前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成し、前記目標経路に従って、前記車両を走行させるように、前記車両を制御することを特徴とする。

本開示の一又は複数の態様によれば、搭乗者の違和感を軽減するように、車両の自動運転を行うことができる。

自動運転を行う車両に搭載されている車両制御システムの要部構成を示すブロック図である。人間視覚算出部及び潜在リスク予測モデル処理部の構成を概略的に示すブロック図である。車両制御システムが搭載されている車両の首位の環境の一例を示す概略図である。（Ａ）及び（Ｂ）は、ハードウェア構成例を示すブロック図である。

実施の形態１．
図１は、自動運転を行う車両に搭載されている車両制御システム１００の要部構成を示すブロック図である。
車両制御システム１００は、センサ群１０１と、車両制御部１１０と、アクチュエータ１０２と、車両駆動部１０３とを備える。

センサ群１０１は、車両の周囲の環境に関する物理量を検出する複数のセンサを含む。
また、センサ群１０１は、車両の周囲の画像を撮像する撮像部として機能する一又は複数のカメラを含む。撮像された画像を示す画像データは、車両制御部１１０に与えられる。

ここで、センサ群１０１は、車両の周囲の人及び障害物を検出する周囲環境センサを含む。例えば、センサ群１０１は、高周波レーダセンサ、超音波センサ及びＬｉＤＡＲの少なくとも一つを含む。周囲環境センサは、検出した内容を示すセンサ信号を車両制御部１１０に与える。

さらに、センサ群１０１は、車両制御システム１００が搭載されている車両の操作状態及び挙動を検出する車両センサを含む。例えば、センサ群１０１は、車速センサ、加速度センサ及び角速度センサの少なくとも一つを含む。また、センサ群１０１は、例えば、アクセルポジションセンサ、ブレーキストロークセンサ、ブレーキ圧センサ、舵角センサ、エンジン回転数センサ、ブレーキランプスイッチ及びウィンカスイッチの少なくとも一つを含む。車両センサは、検出した内容を示すセンサ信号を車両制御部１１０に与える。

また、センサ群１０１は、ＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ）信号を受信するためのＧＰＳアンテナを含むＧＰＳ受信部として機能するＧＰＳ受信装置を含む。受信されたＧＰＳ信号は、車両制御部１１０に与えられる。

車両制御部１１０は、車両制御システム１００が搭載されている車両を制御する車両制御装置として機能する。
車両制御部１１０は、センサ信号処理部１１１と、人間視覚算出部１１２と、リスク予測知識データベース（以下、リスク予測知識ＤＢという）１１３と、潜在リスク予測モデル処理部１１４と、目標経路生成部１１５と、車両制御部１１６とを備える。

センサ信号処理部１１１は、センサ群１０１から各種信号及びデータを取得して、必要な場合には、Ａｎａｌｏｇ／Ｄｉｇｉｔａｌ変換等の信号処理を行って、処理後の信号及びデータを後段の各部に与える。

例えば、センサ信号処理部１１１は、一又は複数のカメラからの画像データを取得する画像データ取得部として機能する。そして、センサ信号処理部１１１は、画像データを人間視覚算出部１１２及び潜在リスク予測モデル処理部１１４に与える。
また、センサ信号処理部１１１は、車両センサ、周囲環境センサ及びＧＰＳ受信装置からのセンサ信号を取得するセンサ信号取得部として機能する。
そして、センサ信号処理部１１１は、車両センサからのセンサ信号を潜在リスク予測モデル処理部１１４に与える。さらに、センサ信号処理部１１１は、周囲環境センサからのセンサ信号及びＧＰＳ受信装置からのセンサ信号であるＧＰＳ信号を目標経路生成部１１５に与える。

人間視覚算出部１１２は、予め数理モデル化されている人間の視覚モデルを用いて、画像データで示される画像の認識を人間の視覚により影響を受ける斥力ポテンシャルエネルギーとして視認性斥力ポテンシャルを算出する。算出された視認性斥力ポテンシャルは、潜在リスク予測モデル処理部１１４に与えられる。

例えば、生体学的又は心理物理学的な人間の視覚モデルは、視神経細胞が輝度等の刺激と同時に周辺細胞へ抑制をかける側抑制モデル、オプティカルフロー又は仮現運動等の運動視モデル、及び、色覚モデル等があり、一部、数理モデル化されている。人間視覚算出部１１２は、これら数理モデルから心理ポテンシャル場を算出し、視認性斥力ポテンシャルとする。

図２は、人間視覚算出部１１２及び潜在リスク予測モデル処理部１１４の構成を概略的に示すブロック図である。
人間視覚算出部１１２は、側抑制モデル処理部１１２ａと、運動視モデル処理部１１２ｂとを備える。

側抑制モデル処理部１１２ａは、視覚モデルとしての側抑制モデルを用いて、視認性斥力ポテンシャルとして、心理ポテンシャルを算出する。
例えば、側抑制モデル処理部１１２ａは、人間の側抑制を数理モデル化した側抑制モデルを用いて、人間の側抑制により障害物の発見に影響を及ぼす心理斥力ポテンシャルを視認性斥力ポテンシャルの少なくとも一部として算出する。

側抑制モデルは、受容野の中心部と、その周辺部とに同質の刺激強度が加わった場合に、周辺部から中心部に抑制がかかり、また、それらへの刺激強度に差がある場合に、側抑制によって差が強調され、輪郭及びコントラスト強調等に影響する。このため、側抑制は、運転者の障害物の発見に影響を及ぼすと考えられる。

ここでは、まず、生体工学的観点から、下記の文献１に示されている側抑制モデルを基準とする。
文献１：藤井克彦、松岡章、森田竜弥、「ＬａｔｅｒａｌＩｎｈｉｂｉｔｉｏｎによる錯視現象の解析」、医用電子と生体工学、第５巻、第２号、ｐｐ．２５～３４、１９６７年

物体抽出として、その側抑制モデルは、下記の（１）式で示すことができる。

ここで、ｉ（ξ，η）は刺激図形、ｐ（ｘ，ｙ）は神経活動の強さ、ｗ（ξ－ｘ，η－ｙ）は結合関数である。
なお、ｘ，ｙ，ξ及びηは、網膜上の座標値で、ｘ及びｙは、ｐの基準座標であり、ξ及びηは、障害物の座標である。

網膜の神経細胞の受容野は、同心円状の構造であり、結合関数を空間的特性と見なすと、下記の（２）式のように、ＤＯＧ（ＤｉｆｆｅｒｅｎｃｅｏｆＧａｕｓｓｉａｎ）関数で近似できる。

ここで、Ｋ_１は興奮性の結合の強さを示す係数、Ｋ_２は抑制性の結合の強さを示す係数、σ_１は興奮性の分散、及び、σ_２は抑制性の分散である。

以上から、出力ｐ（ｘ，ｙ）を物体形状に対する心理ポテンシャルＵｐとすると、心理ポテンシャルＵ_ｐは、下記の（３）式で算出される。

なお、（３）式におけるｉ（ξ，η）は刺激図形であり、色覚として高次色覚メカニズムとして扱い、２値画像として扱った場合、影響は障害物形状とみなせる。よって、定積分として考えられ、下記の（４）式が得られる。

以上により、側抑制モデル処理部１１２ａは、（４）式を用いて、心理ポテンシャルＵ_ｐを算出する。

運動視モデル処理部１１２ｂは、視覚モデルとしての運動視モデルを用いて、視認性斥力ポテンシャルとして、運動視斥力ポテンシャルを算出する。
例えば、運動視モデル処理部１１２ｂは、人間の運動視を数理モデル化した運動視モデルを用いて、人間の運動視により障害物の発見に影響を及ぼす運動視斥力ポテンシャルを視認性斥力ポテンシャルの少なくとも一部として算出する。

なお、運動視は、オプティカルフロー、仮現運動及び誘導運動等をＬｕｃａｓ－Ｋａｎａｄａ法等のオプティカルフローを移動体に対する検出モデルとしたり、計算論的アプローチであるＲｅｉｃｈａｒｄｔ型モデル、勾配検出モデル等の運動視モデルとして与えたりして、算出する。

この場合、対象物体の画素を画素Ｉ（ｘ，ｙ，ｔ）としたときのΔt秒後の画素は、以下（５）式により算出する。

（５）式をテーラー展開して、ｄｔで除して、画素移動速度として、拘束方程式は、下記の（６）式及び（７）式により算出する。

以上により、運動視斥力ポテンシャルＵ_ｍは、下記の（８）式により算出する。

ここで、ｍは移動体の質量、ｌは移動距離である。

仮現運動及び誘導運動についても、上記と同様の考え方で算出することができる。

図１に戻り、リスク予測知識ＤＢ１１３は、潜在リスク予測モデルを記憶する。
潜在リスク予測モデルは、上記の特許文献１等に記載されているように、人間の危険感が操作に表れるという考え方の下、道路境界、静止障害物及びその障害物による死角からの飛び出し、から成る斥力ポテンシャル、並びに、目標地に向かう車両軌跡(経路)の引力ポテンシャルを制御モデルに組み込み、学習された学習済みモデルである。潜在リスク予測モデルは、公知の技術を用いて生成することができる。

潜在リスク予測モデル処理部１１４は、リスク予測知識ＤＢ１１３に記憶されている潜在リスク予測モデルを用いて算出された斥力ポテンシャルである物理斥力ポテンシャルを、人間視覚算出部１１２で算出された視認性斥力ポテンシャルを用いて補正することで、統合斥力ポテンシャルを算出する。
図２に示されているように、潜在リスク予測モデル処理部１１４は、物理ポテンシャル算出部１１４ａと、ポテンシャル補正部１１４ｂとを備える。

物理ポテンシャル算出部１１４ａは、リスク予測知識ＤＢ１１３に記憶されている潜在リスク予測モデルを用いて、センサ信号処理部１１１からのセンサ信号から、車両制御システム１００が搭載されている車両と、人又は障害物等の対象物との物理的な位置関係から求められる斥力ポテンシャルである物理斥力ポテンシャルを算出する。

ここでは、物理ポテンシャル算出部１１４ａは、対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、センサ信号で示される物理量及び画像データで示される画像に基づいて、車両制御システム１００が搭載されている車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出する。

例えば、ここでは、図３に示されているように、車両制御システム１００が搭載されている車両１５０が、車線境界がなく両側に壁がある直線道路を、矢印Ｄ方向に走行しているものとする。そして、車両１５０に対して左路肩に１台の駐車車両１５１があり、車両１５０はその右側をすり抜ける状態で、他の交通参加者は存在しないと仮定する。

このような状況では、関連する斥力ポテンシャルは、道路境界と、障害物斥力との２つを対象とし、車両１５０の制御モデルはラテラル制御を対象とし、車両１５０は、等速直線運動を行うものとする。

まず、上記の限定から道路境界斥力ポテンシャル関数Ｕ_ｗ（ｘ，ｙ）は、下記の（９）式で表される。

ここで、ｙ_ｗｃは道路の中心のｙ座標、ｗ_ｗは重み係数及びσ_ｗは分散である。

また、障害物斥力ポテンシャル関数Ｕ_ｏ（ｘ，ｙ）は、下記の（１０）式で表される。

ここで、ｘ_ｏｒは駐車車両１５１のリアのｘ座標、ｘ_ｏｆは駐車車両１５１のフロントのｘ座標、ｙ_ｏは駐車車両１５１の幅方向における中心のｙ座標、ｗ_ｏは重み係数、及び、σ_ｏｘ、σ_ｏｙは分散である。

上記の（９）式は、壁の長さを無限遠とする一次元ガウス関数であり、（１０）式は、二次元ガウス関数となる。
以上の、道路境界斥力ポテンシャル関数Ｕ_ｗ（ｘ，ｙ）で算出された道路境界斥力ポテンシャルＵ_ｗ及び障害物斥力ポテンシャル関数Ｕ_ｏ（ｘ，ｙ）で算出された障害物斥力ポテンシャルＵ_ｏは、ポテンシャル補正部１１４ｂに与えられる。

ポテンシャル補正部１１４ｂは、物理ポテンシャル算出部１１４ａで算出された物理斥力ポテンシャルを、人間視覚算出部１１２で算出された視認性斥力ポテンシャルを用いて補正することで、統合斥力ポテンシャルを算出する。

例えば、ポテンシャル補正部１１４ｂは、下記の（１１）式により、統合斥力ポテンシャルＵ_ａを算出する。

ここで、αは上記の（４）式が網膜上の座標系であるため、他の項目と合わせて、実世界に合わせるための拡大率である。この拡大率については、予め実験等により算出しておけばよい。
なお、ここでは、ポテンシャル補正部１１４ｂは、物理斥力ポテンシャルに視認性斥力ポテンシャルを加算することで、統合斥力ポテンシャルを算出しているが、物理斥力ポテンシャルに視認性斥力ポテンシャルを乗算することで、統合斥力ポテンシャルを算出してもよい。

図１に戻り、目標経路生成部１１５は、センサ信号処理部１１１からのＧＰＳ信号と、潜在リスク予測モデル処理部１１４からの統合斥力ポテンシャルとから、車両制御システム１００が搭載されている車両の走行経路である目標経路を生成する。

例えば、目標経路生成部１１５は、ＧＰＳ信号で示される現在の位置から、車両の運転者により設定された目標地点への間を、統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成する。生成された目標経路は、車両制御部１１６に与えられる。ポテンシャルを用いた目標経路の生成自体は、上記の特許文献１に記載されている方法等のような公知の方法が用いられればよい。

具体的には、目標経路生成部１１５は、ポテンシャルフィールド法を用いて、ポテンシャルの勾配を車両に作用する力として計算する。目標経路生成部１１５は、数秒先の将来の車両の軌跡上において、統合斥力ポテンシャルの低い目標ヨーレート及び目標速度を決定する。

車両制御部１１６は、目標経路生成部１１５からの目標経路に従って、車両制御システム１００が搭載されている車両を走行させるように、その車両を制御する。
例えば、車両制御部１１６は、目標経路生成部１１５からの目標経路で車両を走行させるように、車両を制御する制御信号を生成して、その制御信号をアクチュエータ１０２に与える。

具体的には、車両制御部１１６は、目標経路生成部１１５で決定された目標ヨーレートを目標操舵角に変換する。また、車両制御部１１６は、目標経路生成部１１５で決定された目標速度をトルクに変換する。そして、車両制御部１１６は、変換された目標操舵角及びトルクを示す制御信号を生成する。

アクチュエータ１０２は、車両制御部１１６からの制御信号に従って、エンジン、アクセル、ブレーキ及びハンドルといった車両を駆動するための機構である車両駆動部１０３を動作させる。

車両駆動部１０３は、エンジン、アクセル、ブレーキ及びハンドルといった車両を駆動するための機構である。

以上に記載されたセンサ信号処理部１１１、人間視覚算出部１１２、潜在リスク予測モデル処理部１１４、目標経路生成部１１５及び車両制御部１１６の一部又は全部は、例えば、図４（Ａ）に示されているように、メモリ１０と、メモリ１０に格納されているプログラムを実行するＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）等のプロセッサ１１とにより構成することができる。このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。即ち、このようなプログラムは、例えば、プログラムプロダクトとして提供されてもよい。

また、センサ信号処理部１１１、人間視覚算出部１１２、潜在リスク予測モデル処理部１１４、目標経路生成部１１５及び車両制御部１１６の一部又は全部は、例えば、図４（Ｂ）に示されているように、単一回路、複合回路、プログラムで動作するプロセッサ、プログラムで動作する並列プロセッサ、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）又はＦＰＧＡ（ＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）等の処理回路１２で構成することもできる。
以上のように、センサ信号処理部１１１、人間視覚算出部１１２、潜在リスク予測モデル処理部１１４、目標経路生成部１１５及び車両制御部１１６は、処理回路網により実現することができる。

リスク予測知識ＤＢ１１３は、ＨＤＤ（ＨａｒｄＤｉｓｃＤｒｉｖｅ）、ＳＤＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）又は不揮発性メモリ等の記憶装置により実現することができる。

１００車両制御システム、１０１センサ群、１０２アクチュエータ、１０３車両駆動部、１１０車両制御部、１１１センサ信号処理部、１１２人間視覚算出部、１１２ａ側抑制モデル処理部、１１２ｂ運動視モデル処理部、１１３リスク予測知識ＤＢ、１１４潜在リスク予測モデル処理部、１１４ａ物理ポテンシャル算出部、１１４ｂポテンシャル補正部、１１５目標経路生成部、１１６車両制御部。

Claims

車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得するセンサ信号取得部と、
前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得する画像データ取得部と、
対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出する物理ポテンシャル算出部と、
予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出する人間視覚算出部と、
前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出するポテンシャル補正部と、
前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成する目標経路生成部と、
前記目標経路に従って、前記車両を走行させるように、前記車両を制御する車両制御部と、を備えること
を特徴とする車両制御装置。
前記人間視覚算出部は、人間の側抑制を数理モデル化した側抑制モデルを用いて、人間の側抑制により障害物の発見に影響を及ぼす心理斥力ポテンシャルを前記視認性斥力ポテンシャルの少なくとも一部として算出すること
を特徴とする請求項１に記載の車両制御装置。
前記人間視覚算出部は、人間の運動視を数理モデル化した運動視モデルを用いて、人間の運動視により障害物の発見に影響を及ぼす運動視斥力ポテンシャルを前記視認性斥力ポテンシャルの少なくとも一部として算出すること
を特徴とする請求項１に記載の車両制御装置。
前記ポテンシャル補正部は、前記物理斥力ポテンシャルに前記視認性斥力ポテンシャルを加算又は乗算することにより、前記物理斥力ポテンシャルを補正すること
を特徴とする請求項１から３の何れか一項に記載の車両制御装置。
コンピュータを、
車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得するセンサ信号取得部、
前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得する画像データ取得部、
対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出する物理ポテンシャル算出部、
予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出する人間視覚算出部、
前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出するポテンシャル補正部、
前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成する目標経路生成部、及び、
前記目標経路に従って、前記車両を走行させるように、前記車両を制御する車両制御部、として機能させること
を特徴とするプログラム。
車両の周囲の環境に関する物理量を検出する複数のセンサからのセンサ信号を取得し、
前記車両の周囲の画像を撮像する一又は複数のカメラから、前記画像を示す画像データを取得し、
対象車両の周囲の環境の特徴量から潜在的なリスクを予測するために予め学習された潜在リスク予測モデルを用いて、前記物理量及び前記画像に基づいて、前記車両の周囲の環境による斥力ポテンシャルである物理斥力ポテンシャルを算出し、
予め算出されている人間の視覚モデルを用いて、前記画像を認識する人間の視覚により影響を受ける斥力ポテンシャルである視認性斥力ポテンシャルを算出し、
前記物理斥力ポテンシャルを、前記視認性斥力ポテンシャルで補正した統合斥力ポテンシャルを算出し、
前記車両の現在の位置から目標地点への間を、前記統合斥力ポテンシャルから算出される勾配に従って車両を走行させるように、目標経路を生成し、
前記目標経路に従って、前記車両を走行させるように、前記車両を制御すること
を特徴とする車両制御方法。