JPH04252308A - ニューラル・ネットワークを利用した車両誘導システム - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、望ましい走行経路に車
両の位置を仮想設定するためのデータセットによりニュ
ーラル・ネットワークを教示するものに関し、詳細には
、自動化された道路を走行する自動車のステアリング操
作等をコントロールするための車両誘導システムへの上
記教示されたニューラル・ネットワークの利用に関する
。自動化された道路は、安全性の高い道路，円滑な交通
等の観点から、ドライバに代わって、自動車に必要なコ
ントロール入力の基準発生源として、速度，ステアリン
グ操作及び制動に関する自動制御機能を備えるように企
図されている。また、本発明は、乱風，悪路，不注意な
ドライバ等による影響を防ぎ、適正な車線へのトラッキ
ングを維持したコース修正に関する補助コントロール信
号を供給して、マニュアル操縦されている自動車との整
合性に関して有効な車両誘導システムに適する。

【０００２】

【従来の技術】人工的なニューラル・ネットワークは、
強力な情報処理装置となる。ニューラル・ネットワーク
を用いることの１つの利点は、分析や診断問題の多くの
型に対して一般的な適応性があることである。このよう
な問題は、幅広い変化と、１つの出力を生じるための相
互に関連する多数の入力をもつ。ニューラル・ネットワ
ークの概念は、過去３０年にわたる神経生物学の研究に
基礎を置くとともに、コンピュータによる生物ニューラ
ル・ネットワーク機能（例えばパターン認識）へのシュ
ミレーションである。

【０００３】ニューラル・ネットワークは、図３に模式
的に示すように、階層的に配列されたユニットと呼ばれ
る複数のプロセッシンクエレメント１０，１２，１４を
含んでいる。隣接層間のユニット同士はブランチ１６に
よって内部結合されている。ネットワークは入力層，出
力層及びこれらの間の１以上の隠れ層から成る。該隠れ
層は非線形な問題の解決に使われる。各ユニットは、神
経細胞に類似した機能を果たす。すなわち、ユニットは
外部のネットワーク又は他のユニットのいずれかからの
入力信号が与えられるようになっており、受信した特定
の入力信号を重み付けした総和と、ユニット特有のしき
い値によって決定される出力信号を発生することができ
る。これにより線形或いは非線形の計算を行う。ユニッ
トの出力信号は、次層のユニットか外部のネットワーク
のいずれかに供給される。入力信号は、学習過程により
ユニット間の結合の重みが正或いは負に設定される。

【０００４】重みとしきい値が正しいレベルに設定され
ると、出力層の意味ある出力を持った１つのユニットか
らの単一の出力信号を得るように、入力層への複雑な刺
激パータンが層間を連続的に伝播する。ネットワークは
、連続した入力パターンを受け、要求した出力パターン
と符合することで“教示”される。すなわち、ネットワ
ークは、（各出力ユニット間での）要求した出力パター
ンと、生じた出力パターンとの差を認識することによっ
て“学習”する。これにより、結合の重みとしきい値が
、入力パターンとの誤差を最小にしながら、より要求し
た出力パターンに近い出力パターンが得られるように修
正される。ネットワークの学習は、多重の“学習”を含
む巡回的な過程である。ニューラル・ネットワークは、
ノイズがあり又は不完全なデータの情報を処理する能力
を持ち、正しい解に帰納する。

【０００５】概念的には、ニューラルユニットは、入力
の重み付け，重み付けされた入力の総和としきい値との
比較，２値論理１か０である出力信号の発生の作用を行
う。しかし、実際上、ネットワークは、互いのユニット
の出力がスムーズ化されて、より厳密な演算を行う。そ
の結果、１と０の間の値をとる“やわらかな２値論理”
を達成する。

【０００６】ユニットは、各入力をその符号した重みと
ともに多重演算する。このプロセスは、いわゆる伝播規
則に従って重み付けられた全ての入力が加算される。ユ
ニットのしきい値は、線形論理変数を出力するために、
重みの総和から減じられる。上記線形論理変数が正の場
合（重みの総和がしきい値より大きいとき）、２値論理
は１となる。別の場合、２値論理は０となる。そして上
記線形論理変数は、１と０の間の値に非線形に写像され
る処理を経る。その結果、出力は、より厳密な演算によ
って規定されたスムージングされた変数となる。

【０００７】以上のように、階層形ネットワークは複数
のユニットで構成され、第１層のユニットへの入力は、
外部データとして提示される外側のネットワークから導
入される集合的なネットワーク入力と呼ばれ、終層のユ
ニットからの出力は、ネットワークによって２値論理を
形成し、集合的なネットワーク出力と呼ばれる。これら
以外のユニットは、隠れ層と呼ばれている。ユニットへ
の全ての入力は、第１層のユニットを除いて、他のユニ
ットへの出力となる。第１層及び隠れ層におけるユニッ
トからのすべての出力は他のユニットへの入力となる。 １つのユニットは、単一出力しかもたないけれども、各
異なる重みを有する入力を他の多くのユニットへ供給す
ることができるファンアウトがある。

【０００８】非線形のマッピングは、ユニットを活発化
し、ユニットが障害を起こすと、もはやその出力は他の
ユニットへ到達しない。これによって影響されたユニッ
トは前もって信頼の高い判断をする。また、障害が多く
の入力（ネットワークは高い結合密度をもつ）によって
いても、入力における変化は、出力へ影響するのはわず
かである。その結果、ダメージのないときとほとんど同
じように動作する。なおかつ、動作は進行的障害を次第
に減少させる。

【０００９】ニューラル・ネットワークの性能は、重み
と分岐のセット（マトリクス）によっている。学習アル
ゴリズムは、重みと分岐の計算を企画し、テストケース
のセットによって、予知した入力と望ましい出力との符
合で完了する。調整の過程は、各テストを複数回のケー
スの結果が同じになるまで繰り返す。この完全なプロセ
スは、出力が１つの解に集まるまで繰り返される。すな
わち、変化する入力に対する信頼の高い出力を与える値
のセットがされるまで繰り返される。

【００１０】各テストケースにおいては、望ましい出力
と実際の出力との誤差の平均値は、重みとしきい値の関
数として計算される。この誤差は、パラメータ空間にお
ける幾らかの点で最小になる。もし、ただ１つのテスト
ケースだけで教示を行った場合は、重みとしきい値は特
異なセット値に収束する。しかし幾らかの他のテストを
行うことで、望ましい出力と同じか違うかパラメータ空
間における各点で異なる誤差が得られる。専用の学習は
、全てのテストケースについての誤差の平均を最小化す
ることによって獲得される。この方法は、繰り返される
各テストケース毎に修正されるという利点がある。修正
が連続されることで、全体のテストケースをカバーした
調和のとれた平均となる。このようなニューラル・ネッ
トワークの結合の重み及びしきい値を学習するより改良
された技術は、バックプロパゲーションと呼ばれている
。上記技術の詳細な検討は、Ｕ．Ｓ．Ｐａｔｅｎｔ　　
Ｎｏ４，９１２，６５５に具体化されている。

【００１１】

【発明が解決しようとする課題】ところで、例えばグリ
ーニのＵ．Ｓ　　Ｐａｔｅｎｔ　　Ｎｏ４，９０６，９
４０やマーシーのＵ．Ｓ　　Ｐａｔｅｎｔ　　Ｎｏ４，
０４９９６１１には、車両や航空機等の対象物を望まし
い進路に沿って自動的に誘導する種々のシステムが考案
されている。しかしながら、このようなシステムには、
車両誘導システムを支援するためにニューラル・ネット
ワークの好適な特徴を利用したものはない。

【００１２】よって、本発明の一般的な目的は、移動す
る車両の進路を自動的に指示するための機能を備える改
善された車両誘導システムの提供にある。本発明の他の
目的は、人間が介在する必要がなく、走行中の車両の進
行方向を制御するための機能を備える改善された車両誘
導システムの提供にある。更に本発明は、道路図形を視
覚的指針として車両のステアリング操作を正しくコント
ロールすることを目的とする。

【００１３】更に他の目的は、ニューラル・ネットワー
クの使用を通してシステムによるステアリングコントロ
ールを正確に行うことにある。更に本発明の他の目的は
、道路に関した車両位置のデータセットによりニューラ
ル・ネットワークを教示することにある。そして、車両
の前方における道路図形を正確に限定するために、教示
されたニューラル・ネットワークの情報を利用して自動
車両誘導システムにおけるシグナルプロセッサをプログ
ラムすることにある。

【００１４】

【課題を解決するための手段】本発明による自動車のた
めの改善された車両誘導システムは、自動車の前方領域
を視野とする航行手段と、道路に所定間隔で配列された
多数の反射手段とを備え、航行手段で受信された上記反
射手段からの信号を、道路に沿った経路を表すデータに
変換するシグナルプロセッサと、車両の進路を決定する
ための信号の出力により、決定された経路に車体の向き
を修正する車両コントローラとを含んでいる。そして、
シグナルプロセッサは、実際の道路図形を近似するため
に教示されたニューラル・ネットワークがプログラムさ
れるプロセッサを含む。

【００１５】

【作用】本発明によれば、自動車に取り付けた光学手段
により反射器によるマーク位置を検知することによって
車両を自動的に誘導するシステムを実現し、プロセッサ
により、車両に対向した道路図形を学習により近似した
ニューラル・ネットワークからの情報と、光学手段から
の信号とに基づいてプログラムされることによって、道
路に対する車両の進路位置を決定し、道路のセンタライ
ンに従った車両の進路決めのための動作を行う信号を出
力することができる。

【００１６】

【実施例】以下、本発明を図面を参照して詳細に説明す
る。なお、同一の要素を示す符号は共通に用いている。 図１は、本発明のラテラル車両誘導システムを示す模式
図である。車両２は自動的に該車両２を道路６の中心に
沿って誘導するラテラル誘導制御システム６を搭載して
いる。道路５の各サイドには、多数の反射器４が配列さ
れている。反射器４は一般的に知られたものを使用して
もよいが、好ましい実施例では、これに拘泥せず、もっ
と広い例えば光を反射する鏡のような物でもよい。車両
２が走行する経路は、一般の道路でも、高速道路，ある
いはその他の決められたルートでもよい。車両２は、例
えば自動車，トラック，バス，さらには予め決定された
ルートを移送する自動車を含む。

【００１７】道路５のセンタライン７に沿って車両２を
誘導するラテラル車両誘導システム６の構成及び動作を
詳細に説明する。ラテラル車両誘導システム６は、車両
２を道路５によって決まる経路に従って走行すべく車両
２の進路を調整する。一般にラテラル車両誘導システム
６は、光学手段１（航行手段）によって、道路５のいず
れかのサイドの反射器４を指針として車両２の進路を調
整する。視認された道路によって車両２の位置を検出し
た後は、システム６は道路図形に基づく理想的なステア
リング角を決定する。その後、車両２は、道路５のセン
タライン７に車体の中心線が従うようにステアリング操
作される。車体の向きを決定する過程は、マイクロコン
ピュータにプログラムの実行によって行われる。これに
より道路５に沿って車両２を進行させる。車両２が道路
５に沿って進行すると、そのときの車両２の道路５上に
おける位置は、ラテラル車両誘導システム６のプログラ
ムにより作成される仮想的な道路図形によって決定され
る。車両位置が正しく決定されるためには、少なくとも
３つの反射器４からの情報を検知しなければならない。 図１では５つの反射器４からの情報を検知している。

【００１８】車両位置を決定する本発明のラテラル車両
誘導システムの概要を更に説明する。図４は、ラテラル
車両誘導システム６の機能ブロック図である。ラテラル
車両誘導システム６は、レーザソース２１及びレーザセ
ンサ２３から成る光学手段１を含む。光学手段は、図２
に示したように、少なくとも３つの反射器４からの位置
情報を入力対象として、車両２の角度及び距離の相対的
な位置の測定値を生成する。このような光学手段の構成
及び動作は、Ａｔｔｏｒｎｅｙ　　Ｄｏｃｋｅｔ整理番
号１３８２．０２８，５６７（同日に出願する事務所整
理番号Ｐ０００００４６５１）の出願明細書に記載され
ている。シグナルプロセッサ２２は、レーザレーダ２３
から信号を受けるように光学手段と結合されている。シ
グナルプロセッサ２２は、車両２の位置を相対的に示す
少なくとも３つの連続した反射器４からの信号を受信す
る。そして、これによって仮想的に道路図形を描き、こ
れに基づき、道路５に対する車両２の位置を計算する。 もしシグナルプロセッサ２２が必要な数より多い反射器
４からの信号を受信した場合は、例えばフィルタリング
操作によって、不要分を除去し、必要な３つの信号を得
ることができる。少なくとも３つの連続した反射器４か
らの信号は、道路５の湾曲を見いだすのに必要である。 反射器４の間のスペースは、車両速度によって最適に選
ぶことができる。

【００１９】車両コントローラ２４は、道路５のセンタ
ラインに車体の向きを合わせるべく、ステアリングアク
チュエータ２６に信号を供給する。このため、車両コン
トローラ２４はシグナルプロセッサ２２からの出力を入
力する。車両コントローラ２４の構成は、Ａｔｔｏｒｎ
ｅｙ　　Ｄｏｃｋｅｔ　　整理番号１３８２．０３２，
４６４（同日に出願する事務所整理番号Ｐ０００００４
６５２）の出願明細書に記載されている。ステアリング
アクチュエータ２６は、車両コントローラ２４から望ま
しい操舵角を知って、車両２を正しい位置にステアリン
グ操作することができる。

【００２０】車両コントローラ２２について更に説明す
る。仮想的な道路図形は、例えば次式で表される。 Ｙ＝ＡＸ２　＋ＢＸ＋Ｃ　　　　　　　　　　　　（１
）定数Ａ，Ｂ，Ｃは、湾曲部及び直線部によって決める
ことができる。しかし、実際には、例えば高速道路のよ
うに曲率が一定に変化する実際の道路に対しては、上式
にて表される仮想道路によって明確に表現することはで
きない。

【００２１】本発明による実際の道路を近似的に見い出
すためのニューラル・ネットワークの利用方法を図５を
参照して説明する。図５に示す本発明のブロック図は、
シグナルプロセッサ２２′が図４と異なる。本シグナル
プロセッサ２２′は、プリプロセッサ２５とニューラル
・ネット・プロセッサ２７から構成される。この相違は
、仮想の道路図形が（１）式で示したような典型的道路
の近似関数に基づかないことに在する。しかし、本発明
で採用したニューラル・ネットワークを、変化する道路
図形から求めたデータセットにより教示することで、適
切な関数や定数を与えることができ、より精緻な誘導が
可能となる。

【００２２】プリプロセッサ２５は、図４と同様に、各
反射器４及びレーザレーダ２３間の距離ｒと、車両２の
センタライン（進行方向を表すライン）を基準としたと
きの車両２から見た反射器４の角度θ（方位）とを算出
可能な、少なくとも３つの連続した反射器４の位置情報
ｘ１，ｘ２，ｘ３を入力する。従来技術の項で述べたよ
うに、ニューラル・ネットワークは連続的な入力パター
ンとそれによる出力パターンとを学習することができる
。本発明によれば、ニューラル・ネットワークは入力ユ
ニット１０（図３参照）への入力パターンとしてｘ１，
ｘ２及びｘ３の情報が与えられることにより、実際道路
の学習のために教示されることになる。ここでｘ１，ｘ
２及びｘ３は、 ｘｎ＝ｒｎ・ｓｉｎθｎ　　　　　　　　　　　　　　
（２）より与えられる。ｒｎは１つの反射器４と車両２
との距離、θｎは車両２から見た１つの反射器４の角度
である。教示にあたって、反射器４間の距離を２０フィ
ートとし、教示される道路図形が、直線，湾曲線及び湾
曲線を辿る直線の組み合わせの場合について、シュミレ
ーションテストする。ニューラル・ネットワークは、ｎ
＋２個の異なるデータの組（データセット）によって教
示される。各データの組は、使用される入力データの数
に応じた入力データｘ１，ｘ２，…ｘｎ（少なくとも３
つの反射器４による場合はｘ１，ｘ２，ｘ３）と、２つ
の出力ユニット１４の出力データＸ１，Ｘ２とである（
図３参照）。同じ道路でのデータセットの差異は、道路
の中心を基準にして車両のラテラル方向の位置が左右に
変化することによるものである。このような変化幅は、
本システムでは例えば±４フィートを想定している。ニ
ューラル・ネットワークは、テストに使われるｎ個の入
力ユニット１０と、ｎ個の隠れ層３と、２つのユニット
を使ってテスト（教示）される。ここで注意することは
、使用する隠れ層がたとえ１つでも多くなるごとに、ニ
ューラル・ネットワークの複雑性を増し、教示時間が長
くなることである。

【００２３】図４は、出力データのとり方の一例を示す
。この場合の出力データは、特に直線道路によって教示
されるのに適している。すなわち、ここでの出力データ
は、車両２の前方の一点と後方の一点における道路５の
センタライン７と車両２のセンタライン３１との誤差を
表すデータＸ１，Ｘ２を選ぶ。この長さを表す値は、車
両がＸ１とＸ２を共に０（理想出力）とするようにラテ
ラル方向に移動しなければならない距離である。ニュー
ラル・ネット・プロセッサ２７は、車両２が直線道路を
走行する場合、上記のように出力Ｘ１，Ｘ２が０となる
ように教示されて、これを学習する。これにより車両は
道路の中心を基準とした走行を行うことができる。

【００２４】出力データは、図５に示すように、２個よ
り多くすることができる。出力データをＸ１，Ｘ２及び
Ｘ３の３つとする場合、例えば、車両２の前方に縦方向
に固定した３点を決める。この場合の出力データＸ１，
Ｘ２，Ｘ３は、道路の端と車両のセンタラインとの投射
間距離を表すことになる。この情報を受け取る車両コン
トローラ２４は、ステアリングアクチュエータ２６へ操
舵用の制御信号を送り、道路の中心の方へ操舵すること
ができる。このような実施例では、車両の前方を視覚的
に指針した誘導制御が可能となり、図４のとり方より厳
密な制御を実現する。

【００２５】また、図５の出力の選び方に準じた別の方
法として、Ｘ１，Ｘ２，Ｘ３は、車両２の前方における
道路センタラインと、車両のセンタラインとの間を投影
した長さ情報とすることもできる。図８はユニットのモ
デルを示す。入力Ｖ１〜ＶＮは、それぞれの重みを乗算
されてユニットに入り総和され、更に、その総和値が変
数となった関数として取り出される。このようなシグモ
イド関数によって出現する出力Ｖｉは、図９に示すよう
な特性となる。なお、ユニットの関数としては、上記シ
グモイド関数の代わりに、線形しきい値関数やブールし
きい値関数を用いることができる。

【００２６】ニューラル・ネットワークは、今、生成さ
れた出力パターンと、ニューラル・ネットワークのユー
ザによって与えられている予定した出力パターン（各ユ
ニット１４の出力）との違いを測定して“学習”する。 これによって予定した出力パターンに精密に近似された
出力パターンが得られるように、内部結合の重みとしき
い値とが修正される。そして、入力パターンのスペクト
ルにおける誤差分を極少化する。

【００２７】より好適な実施例では、バックプロパゲー
ションアルゴリズムを用いると、重みの修正も行うこと
ができる。このアルゴリズムの概念は、ニューラル・ネ
ットワーク内の種々の内部結合の持つ重みを変更するも
のである。重みの修正は、理想の値に収束した出力が得
られるまで連続的に反復される。各データセットに毎に
トータル２０万回の反復学習が実行される。

【００２８】プリプロセッサ２７は、図１０に示すよう
に、ホストコンピュータ４０としてＩＢＭ　　ＰＣ−Ａ
Ｔを使用することができる。データセットは、入力デー
タブロック４２及び出力データブロック４４から入力さ
れ、破線にて示された線路４１及び４３を介して指示さ
れることによって、メインプログラムブロック４６のＲ
ＡＭにストアされる。ニューラル・サブルーチンライブ
ラリ４８は、種々のユニット間におけるブランチの重み
を修正するアルゴリズムを含むメインプログラムにより
受信したデータセットを演算する。また、ニューラル・
サブルーチンライブラリ４８は、各ユニットの内部結合
と、シグモイド関数ｇ（ｕ）を含んでいる。ニューロア
クセレータ５０は、ＩＢＭ　　ＰＣ−ＡＴより遅く演算
する。実施例では、ＨＮＣ製のＡＮＺＡ　　ＰＬＵＳニ
ューロアクセレータを利用することができる。ソフトウ
エアは、“ＡＮＺＡ　　ＰＬＵＳ　　ＳＯＦＴＷＡＲＥ
”リリース２．２，ＡＰＳＩ２２０，１Ｍａｙ１９８９
，Ｓｅｒｉａｌ　　Ｎｕｍｂｅｒ：２０１５である。ニ
ューラル・ネットワークの教示は、ニューラル・ネット
・プロセッサをテストモードにすることで完了する。線
路４５及び４７は、教示モードや実行モードを指示する
ときに使用される。

【００２９】図１１を参照して教示モード及び実行モー
ドのフローチャートを説明する。ＳＴＥＰ１００のイニ
シャライズの後、ＳＴＥＰ１０１ではプリプロセッサ２
７に入力されるユニット間結合の重み等のパラメータデ
ータをランダムに作成する。ＳＴＥＰ１０３では、ニュ
ーラル・ネットワークの教示を行うための判断がなされ
る。まだ教示が行われていない場合は、実行モードを閉
じてＳＴＥＰ１０４に進む。教示モードのＳＴＥＰ１０
４では、教示回数が２０万回を超えたか否かを判断する
。教示回数がより高い出力データはより正確なデータと
して選ばれる。各パラメータデータを教示するＳＴＥＰ
１０６では、そのときのデータセットをメインプログラ
ムブロック４６のＲＡＭへストアする。データセットは
、手動キーボードによって入力することもできる。出力
データはＳＴＥＰ１０７によって計算される。そして、
ＳＴＥＰ１０８では誤差を求めるために理想出力と比較
される。ＳＴＥＰ１０９では例えばバックプロパゲーシ
ョン・アルゴリズムを用いて重みを変更する。ＳＴＥＰ
１１０では、教示回数を１加算する。もし、教示回数ｎ
が２０万回を超える場合は、ニューラル・ネットワーク
の教示を完了し、各ユニットの関数とユニット間の結合
の重みを含む教示されたニューラル・ネットワークを、
ＳＴＥＰ１０５においてＲＡＭにセーブする。

【００３０】ニューラル・ネットワークを教示するモー
ドの間に実行モードに移行するときは、教示されたニュ
ーラル・ネットワークはＲＡＭから検索される。ＳＴＥ
Ｐ１１２では、入力データブロック４２からデータセッ
トが入力される。そして、ＳＴＥＰ１１３，１１４では
、教示されたニューラル・ネットワークに基づいて出力
データが計算され、出力される。

【００３１】ニューラル・ネットワークの教示が終わる
と、ＳＴＥＰ１０５においてストアされたニューラル・
ネットワークは、図５のニューラル・ネット・プロセッ
サ２７にプログラムされる。このように、直線道路，湾
曲道路及び直線道路と湾曲道路の組合った実際の道路を
走行したときの種々のデータセットに基づいて教示され
たニューラル・ネットワークは、実際の道路環境に適応
して車両を操舵するラテラル車両誘導システムに用いる
ことができる。

【００３２】図１２〜図１５は、異なる道路条件で教示
されたニューラル・ネットワークの学習の結果を示す。 図１２は、ニューラル・ネットワークが直線ラインと湾
曲ラインとの組合せからなる道路図形で教示されたとき
のグラフである。湾曲ラインは３０００ｆｔの半径をも
つ。湾曲の半径をこの値に選んだわけは、典型的な道路
の湾曲の半径の最小値がこの値に決められているためで
ある。この半径に基づいて、（１）式の定数Ａ，Ｂ及び
Ｃが決まる。同式は道路図形を定めるのに用いられ、出
力データＸ１，Ｘ２は、この道路図形に基づいて計算さ
れる。これらの結果は、道路図形が教示されるニューラ
ル・ネットワークを遂行する間に、得られた出力Ｘ１，
Ｘ２と比較される。理想出力と計算された値との誤差は
、道路図形を決定するため、ニューラル・ネットワーク
の方法を使用したときは、式（１）を使って得られる誤
差に対して大幅に低くなる。図１２に示す誤差の変化は
、道路上を−４ｆｔから＋４ｆｔまでラテラル方向に航
行させたときの車両からのニューラル・ネットワークに
よって略−０．０５と＋０．０５の範囲に抑えられる。 図１３では、ニューラル・ネットワークは、直線ライン
と湾曲ラインを別々に教示された。データセットの数は
、ニューラル・ネットワークを教示するために使われた
道路図形の数が２倍であることで、半分に減じられた。 これは、教示に要する時間が増加しないようにするため
である。図１３では、ニューラル・ネットワークは直線
道路図形をテストされ、そのときの誤差はめ極めて僅少
であることがわかる。図１４では、ニューラル・ネット
ワークは、直線ラインと湾曲ラインを別々に教示された
が、この場合は、直線道路と湾曲道路の組合せをテスト
された。このテストからの誤差の結果も、極めて小さい
ことが分かる。図１５では、ニューラル・ネットワーク
は直線ラインと湾曲ラインを別々に教示され、直線ライ
ンから湾曲ラインに変わる部分でテストされた。これら
のテストによれば、直線ライン、湾曲ライン及び直線ラ
インから湾曲ラインに続く組合せの３つの条件すべてに
ついて、ニューラル・ネットワークの教示が有効であっ
た。

【００３３】図１６，図１７は、実施例のレーザレーダ
システムの代わりに、車両の前方道路図形をセンシング
するテレビジョンカメラのようなイメージシステムを使
用した場合のイメージ画面を示す。図１６は、道路エッ
ジ６０のイメージが格子状の背景部に描かれている。図
１７は平面的に見た２次元に変換後の同じ道路イメージ
６０を示している。この図は図２に類似している。距離
の入力データｘ１，ｘ２，ｘ３，…ｘ７は、車両（図示
せず）前方を投射したセンタラインと道路のエッジとの
間の画素の数をカウントして得られる。これらの長さは
、道路エッジ６０に対する車両の位置を決定するための
シグナルプロセッサに入力することができる。

【００３４】本発明の種々の変形や変更が容易に考えら
れるが、それらは特許請求の範囲に記載した範囲により
明らかとなる。また、特許請求の範囲に記載した追加項
での変更、変形も自由である。本発明は本明細書で特に
記載した以外の方法によっても実施される。

【００３５】

【発明の効果】本発明によれば、自動車に取り付けた光
学手段により反射器によるマーク位置を検知することに
よって車両を自動的に誘導するシステムを実現し、プロ
セッサにより、車両に対向した道路図形を学習により近
似したニューラル・ネットワークからの情報と、光学手
段からの信号とに基づいてプログラムされることによっ
て、道路に対する車両の進路位置を決定し、道路のセン
タラインに従った車両の進路決めのための動作を行う信
号を出力することができる。

【図面の簡単な説明】

【図１】　　車両の前方に取り付けた光学手段の作用を
説明する模式図

【図２】　　光学手段と道路サイドに取り付けた反射器
の関係を示す模式図

【図３】　　本発明に利用したニューラル・ネットワー
クの模式図

【図４】　　本発明に関係する車両誘導システムを説明
する構成図

【図５】　　本発明の実施例に係る車両誘導システムを
説明する構成図

【図６】　　ニューラル・ネットワークの出力データを
説明する模式図

【図７】　　ニューラル・ネットワークの別の出力デー
タを説明する模式図

【図８】　　本発明に利用したニューラル・ネットワー
クのモデル図

【図９】　　本発明のより改善された実施例に使用した
ニューラル・ネットワークの出力特性を示す特性図

【図
１０】　　本発明に使用したニューラル・ネットワーク
を説明する構成図

【図１１】　　本発明によるニューラル・ネットワーク
をテストする場合のフローチャート

【図１２】　　道路条件を教示したニューラル・ネット
ワークのテスト結果示すグラフ

【図１３】　　上記と別の道路条件を教示したニューラ
ル・ネットワークのテスト結果示すグラフ

【図１４】　
　更に別の道路条件を教示したニューラル・ネットワー
クのテスト結果示すグラフ

【図１５】　　更に別の道路条件を教示したニューラル
・ネットワークのテスト結果示すグラフ

【図１６】　　イメージシステムを使った道路を示す説
明図

【図１７】　　イメージシステムによる出力データを示
す説明図

【符号の説明】

１…光学手段、２…車両、４…反射手段、５…道路、６
…ラテラル車両誘導システム、１０，１２，１４…ユニ
ット、２４…車両コントローラ、２５…プリプロセッサ
、２６…ステアリングアクチュエータ、２７…ニューラ
ル・ネット・プロセッサ、ｘ１，ｘ２，…，ｘｎ…入力
データ、Ｘ１，Ｘ２，Ｘ３…出力データ。

Claims (4)

【特許請求の範囲】
1. 【請求項１】　　車両経路を近似する方法が、道路図形
   を近似するためにニューラル・ネットワークを教示する
   ステップと、道路に沿った位置指示手段によって車両の
   位置を決定するステップと、道路図形に対し道路上の車
   両の位置を計算するにあたり教示されたニューラル・ネ
   ットワークを用いるステップとを含む、ニューラル・ネ
   ットワークを利用した車両誘導システム。
2. 【請求項２】　　前記方法を含む車両経路を近似するた
   めの装置が、道路図形を近似するためにニューラル・ネ
   ットワークを教示する手段と、道路に沿った位置指示手
   段によって車両の位置を決定する手段と、道路上の車両
   の位置を計算する手段とを含むニューラル・ネットワー
   クを利用した車両誘導システム。
3. 【請求項３】　　車両を道路に沿って誘導する方法が、
   道路図形の経路を近似するためにニューラル・ネットワ
   ークを教示するステップと、道路に沿った位置指示手段
   によって車両の位置を決定するステップと、車両位置を
   計算した結果に基づいて道路に沿って車両を誘導するス
   テップとを含む、ニューラル・ネットワークを利用した
   車両誘導システム。
4. 【請求項４】　　道路に沿った少なくとも３点の位置を
   表す信号に応答して移動する車両を誘導する装置が、前
   記位置を表す信号に応答して近似された道路図形に基づ
   く道路上での車両の位置を決定する手段と、道路に沿っ
   て前記車両を誘導する手段を前記車両の位置を決定する
   ための手段と結合する手段とを含む、ニューラル・ネッ
   トワークを利用した車両誘導システム。