JPWO2013042260A1 - 運転支援装置 - Google Patents

Abstract

自車両の周辺に検出される移動体と自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めたモデル候補を複数備え、検出された移動体に関する情報に基づいて複数のモデル候補から使用するモデルを決定（Ｓ１０１）し、決定されたモデルと、移動体が検出された後の運転者の運転操作（Ｓ１０４）とに基づいて運転支援を実行（Ｓ１１３）する。決定されたモデルと、移動体が検出された後の運転者の運転操作とに基づいて決定されたモデルが更新可能であることが好ましい。

Description

本発明は、運転支援装置に関する。

従来、歩行者を認識する技術が公知である。例えば、特許文献１には、赤外線カメラで撮像した入力画像から歩行者が検出された場合、ブレーキ動作等により車速を所定速度まで減速させる減速制御や、歩行者の存在をランプ、ブザー、或いはスピーカからの音声により知らせる警報制御を行う技術が開示されている。

特開２００５−１９６５９０号公報

ここで、歩行者に対する反応は運転者ごとに異なる。認識された歩行者の情報に基づいて一律に支援がなされると、運転者によっては違和感を覚える可能性がある。運転者に違和感を与えることを抑制し、運転者の感覚に合った運転支援を行えることが望ましい。

本発明の目的は、運転者に違和感を与えることを抑制して運転支援を行うことができる運転支援装置を提供することである。

本発明の運転支援装置は、自車両の周辺に検出される移動体と前記自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めたモデル候補を複数備え、前記検出された移動体に関する情報に基づいて前記複数のモデル候補から使用するモデルを決定し、前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とに基づいて運転支援を実行することを特徴とする。

上記運転支援装置において、前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とに基づいて前記決定されたモデルが更新可能であることが好ましい。

上記運転支援装置において、前記決定されたモデルと前記移動体が検出された後の前記運転者の運転操作との適合度を所定回数分の当該モデルと当該運転操作との対応関係に基づいて算出し、前記適合度が設定された基準値未満である場合、前記更新を実行することが好ましい。

上記運転支援装置において、前記決定されたモデルは、前記移動体が検出された後の前記運転者の運転操作との短期の適合度および長期の適合度によってそれぞれ更新されることが好ましい。

上記運転支援装置において、前記運転支援は、前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とのずれの度合いに基づくことが好ましい。

本発明に係る運転支援装置は、自車両の周辺に検出される移動体と自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めたモデル候補を複数備え、検出された移動体に関する情報に基づいて複数のモデル候補から使用するモデルを決定し、決定されたモデルと、移動体が検出された後の運転者の運転操作とに基づいて運転支援を実行する。よって、本発明に係る運転支援装置は、運転者に違和感を与えることを抑制して運転支援を行うことができるという効果を奏する。

図１は、実施形態に係る運転支援装置の動作を示すフローチャートである。 図２は、実施形態に係る運転支援装置の機能を示す図である。 図３は、実施形態に係る運転支援装置のブロック図である。 図４は、緊張運転モデルを示す図である。 図５は、標準運転モデルを示す図である。 図６は、余裕運転モデルを示す図である。 図７は、側方通過予測距離の説明図である。 図８は、減速率の説明図である。 図９は、対象車速域を示す図である。 図１０は、モデル選択の決定木の一例を示す図である。 図１１は、モデル更新の動作を示すフローチャートである。 図１２は、適合度算出の一例を示す図である。 図１３は、モデル更新判定部によるモデルのシフトの一例を示す図である。 図１４は、逸脱度および逸脱認識度の説明図である。 図１５は、モデル更新に必要なデータ数の一例を示す図である。 図１６は、前方横断運転モデルを示す図である。 図１７は、縦軸を操作タイミングとした運転モデルの一例を示す図である。

以下に、本発明の実施形態に係る運転支援装置につき図面を参照しつつ詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記の実施形態における構成要素には、当業者が容易に想定できるものあるいは実質的に同一のものが含まれる。

［実施形態］
図１から図１６を参照して、実施形態について説明する。本実施形態は、運転支援装置に関する。図１は、実施形態に係る運転支援装置の動作を示すフローチャート、図２は、実施形態に係る運転支援装置の機能を示す図、図３は、実施形態に係る運転支援装置のブロック図である。

本実施形態の運転支援装置１−１は、歩行者の姿勢や動きに対する運転者の反応をモデル化し、モデル化した結果を基準として、運転者の反応が、その基準から逸脱しているか否かを判定する。運転支援装置１−１は、運転者の反応とモデル化した基準の反応との差が大きい場合や、差が大きいと予測される場合、運転支援を行う。よって、本実施形態の運転支援装置１−１によれば、歩行者に対する運転者の反応に基づいて運転支援を実行することができ、運転者に違和感を与えることを抑制して運転支援を行うことができる。

図２に示すように、本実施形態の運転支援装置１−１は、運転特性推定機能および運転支援機能を有する。運転特性推定機能は、対象物に対する運転者の運転特性を推定するものである。ここで、対象物とは、自車両の周辺の移動体であり、例えば自車両の前方の移動体である。また、移動体は、歩行者、二輪車等の軽車両、その他の道路上を移動するものを含む。運転支援装置１−１は、予め作成された、対象物に対するデフォルトの運転行動基準を有する。運転者の運転特性を推定するために十分なサンプリングがなされる前はデフォルトの運転行動基準に基づいて運転支援がなされる。運転特性推定機能は、運転者の実際の運転操作に基づいて運転特性を推定し、運転行動基準を更新することができる。

運転支援機能は、運転行動基準に基づいて運転支援を行う。運転支援機能は、運転行動基準と運転者の実際の運転操作との差を予測し、運転支援を実行するか否か、および運転支援の支援レベルを決定する。本実施形態の運転支援装置１−１は、歩行者等の移動体に関する情報だけでなく、運転者の運転操作に基づいて運転支援を行う。移動体に関する情報に基づいて一律に運転支援がなされてしまうと、運転者の感覚に合わない運転支援となってしまう可能性がある。例えば、同じ運転支援に対して、技量の高い運転者は支援を過剰に感じたり、煩わしいと感じたりする虞がある。一方、技量の低い運転者は、よりレベルの高い支援を望む可能性がある。

本実施形態の運転支援装置１−１は、実際の運転操作に基づいて運転支援を行うことで、歩行者等の姿勢や動きに対する運転者の反応を考慮した運転支援を行うことができる。移動体に対する反応に基づいて支援を行うか否かおよび支援レベルを決定することで、運転者の感覚に合った運転支援が可能となる。また、運転操作に基づいて支援レベルが決定されることで、通常から逸脱した運転操作を行う運転者に対して歩行者の存在を知らせるなど、歩行者等に接近するリスクを低減させるように支援レベルを決定することができる。

図３に示すように、運転支援装置１−１は、対象物情報演算部１０、モデルデータベース１１、自車情報収集部１２、モデル選定部１３、モデル更新判定部１４、モデル決定部１５、運転行動予測部１６、運転行動予測判定部１７、支援判断部１８、気づかせ支援部１９、車両制御支援部２０および気づかせ装置３０を備える。

対象物情報演算部１０は、対象物としての移動体に関する情報を演算する。以下の説明では、移動体が歩行者である場合を例に説明する。対象物情報演算部１０は、各種の車外環境センサーの検出結果に基づいて歩行者に関する情報を取得する。車外環境センサーは、例えば、ミリ波レーダ、カメラ等である。対象物情報演算部１０は、車外環境センサーの検出結果に基づいて、歩行者の位置情報、歩行者の姿勢情報、歩行者の行動情報、歩行者の属性情報等を演算する。歩行者の位置情報は、自車両に対する歩行者の相対位置や、自車両が走行する車線に対する歩行者の相対位置を含む。歩行者の姿勢情報は、歩行者の上半身部位の向き、歩行者の顔の向き、歩行者の姿勢（直立、前傾姿勢等）を含む。歩行者の行動情報は、歩行者の進行方向、歩行者の移動速度を含む。歩行者の属性情報は、歩行者の年齢、性別、服装、職業を含む。対象物情報演算部１０の演算結果は、モデル選定部１３に送られる。

自車情報収集部１２は、自車両に関する情報を収集する。具体的には、自車情報収集部１２は、自車両の位置、自車両の速度、自車両の操舵角、アクセル操作量、ブレーキ操作量、ハンドル操作量等を取得する。自車情報収集部１２が収集した情報を示す信号は、モデル選定部１３に送られる。

モデル選定部１３は、対象物情報に基づいて、運転モデルを選定する。モデルデータベース１１には、複数のモデルが記憶されている。モデル選定部１３は、歩行者の姿勢・行動等の歩行者の特徴に基づいて、モデルデータベース１１に記憶されたモデルの中から制御に使用する運転モデルを決定する。

より具体的には、モデル選定部１３は、基準計測トリガ時刻（図８のＰ０通過時）から計測トリガ時刻（図８のＰ１通過時）までの間に歩行者（図８の符号４２参照）を観測し、対象物情報演算部１０によって取得された歩行者の（ａ）位置（自車走行レーンから一定距離内・外）、（ｂ）速度（定常・非定常）、（ｃ）進行方向（横断・並進）、（ｄ）姿勢（直立・歩行）、（ｅ）姿勢の向き（道路向き・その他）、（ｆ）上半身部位の向き（自車方向確認有・無）等に基づいてモデルを選定する。

図４から図６に示す運転モデルは、モデルデータベース１１に記憶されるモデルの例である。図４は、緊張運転モデルを示す図、図５は、標準運転モデルを示す図、図６は、余裕運転モデルを示す図である。図４から図６の運転モデルは、自車両の周辺に検出される移動体と自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めた複数のモデル候補の一例である。図４から図６において、横軸は側方通過予測距離を示し、縦軸は減速率を示す。

図７は、側方通過予測距離の説明図である。側方通過予測距離は、対象とする歩行者４２の位置に対応する自車線４０上の位置Ｐｗを自車両１００が通過するときの自車線４０と歩行者４２との距離Ｗの予測値である。つまり、側方通過予測距離は、対象とする歩行者４２を側方にみて通過するときの歩行者４２と自車線４０との間隔Ｗの予測値である。歩行者４２と自車線４０との間隔Ｗは、例えば、自車線４０の歩道側の白線４１と歩行者４２との隙間の大きさとすることができる。なお、これに限らず、歩行者４２と自車線４０との間隔Ｗは、例えば、縁石と歩行者４２との間隔等であってもよい。つまり、側方通過予測距離は、自車両１００が歩行者４２の横を通過するときの自車線４０の基準線や基準点と歩行者４２との距離の予測値である。なお、側方通過予測距離は、自車両１００と歩行者４２との間隔の大きさとされてもよい。側方通過予測距離は、自車両の周辺に検出される移動体と自車両との相対位置に対応している。なお、上記相対位置は、側方通過予測距離に限定されるものではない。

減速率は、自車線４０における歩行者４２よりも手前の所定区間における自車両１００の減速率である。図８は、減速率の説明図、図９は、対象車速域を示す図である。図８に示すように、対象物である歩行者４２との相対距離に基づいて、自車線４０上の第一地点Ｐ０および第二地点Ｐ１が定められる。第一地点Ｐ０と第二地点Ｐ１との間の区間における自車両１００の減速率が算出される。

自車両１００が第一地点Ｐ０に到達したことを基準計測トリガとして、自車両１００の車速Ｖ０が計測される。この車速Ｖ０を「基準自車速度Ｖ０」とも記載する。運転支援装置１−１は、第一地点Ｐ０から第二地点Ｐ１まで走行する間、自車両１００の速度をモニタし、この間の車速の最小値を最小自車速度Ｖ１として記憶する。自車両１００が第二地点Ｐ１に到達したことを計測トリガとして、減速率が算出される。減速率は、下記式（１）によって算出される。
減速率 ＝ １００×｛１−（Ｖ１／Ｖ０）｝ …（１）

なお、基準自車速度Ｖ０が対象車速域外の車速である場合、最小自車速度Ｖ１は計測されず、減速率は算出されない。図９に示すように、対象車速域は、最小車速Ｖminから最大車速Ｖmaxまでの車速域として定められている。最小車速Ｖminは、例えば、十分に低速で走行していると推定できる車速として定められる。最大車速Ｖmaxは、例えば、第一地点Ｐ０における衝突時間ＴＴＣが一定以下となる車速として定められる。

このように、側方通過予測距離は、歩行者等の移動体についての情報に基づくものであり、減速率は、運転者の運転操作を示すものである。従って、図４から図６に示す運転モデルは、移動体についての情報と運転操作との対応関係を定めたモデルである。

図４から図６に示すように、各モデルには、ハイリスク領域Ｒ１，Ｒ２，Ｒ３、基準領域Ｓ１，Ｓ２，Ｓ３およびローリスク領域Ｔ１，Ｔ２，Ｔ３がそれぞれ設定されている。基準領域Ｓ１，Ｓ２，Ｓ３は、側方通過予測距離に対しての基準となる減速率の幅を示す領域である。基準領域Ｓ１，Ｓ２，Ｓ３は、例えば、減速率を確率変数としたときの確率分布に基づいて定められる。デフォルトの運転モデルの基準領域Ｓ１，Ｓ２，Ｓ３は、例えば、実験結果等により得られた減速率のデータに基づいて定められる。基準領域Ｓ１，Ｓ２，Ｓ３は、例えば、取得した全データのうち中心値のデータを含む一定割合のデータを含む領域として定められる。また、基準領域Ｓ１，Ｓ２，Ｓ３は、後述するように、運転者による過去の運転操作によって発生した減速率に基づいて更新される。

基準領域Ｓ１，Ｓ２，Ｓ３よりも低減速率の領域は、ハイリスク領域Ｒ１，Ｒ２，Ｒ３である。ハイリスク領域Ｒ１，Ｒ２，Ｒ３は、自車両１００と歩行者４２との関係においてリスクが高くなると予測できる領域であり、例えば、自車両１００が歩行者４２に接近し、自車両１００が歩行者４２との間に十分な間隔を維持できなくなる可能性が高いと予測できる領域である。ハイリスク領域Ｒ１，Ｒ２，Ｒ３は、減速率が負である領域、すなわち第一地点Ｐ０から第二地点Ｐ１までの間に減速することなく加速した場合も含む。基準領域Ｓ１，Ｓ２，Ｓ３におけるハイリスク領域Ｒ１，Ｒ２，Ｒ３との境界線であるハイリスク側境界線Ｈ１，Ｈ２，Ｈ３は、基準自車速度Ｖ０が最小車速Ｖminであるときの減速直線である。ハイリスク側境界線Ｈ１，Ｈ２，Ｈ３は、曲線であってもよい。

基準領域Ｓ１，Ｓ２，Ｓ３よりも高減速率の領域は、ローリスク領域Ｔ１，Ｔ２，Ｔ３である。基準領域Ｓ１，Ｓ２，Ｓ３におけるローリスク領域Ｔ１，Ｔ２，Ｔ３との境界線であるローリスク側境界線Ｌ１，Ｌ２，Ｌ３は、基準自車速度Ｖ０が最大車速Ｖmaxであるときの減速直線である。ローリスク側境界線Ｌ１，Ｌ２，Ｌ３は、曲線であってもよい。

図４に示す緊張運転モデルは、運転者が比較的高い緊張感を感じる状況下の運転モデルである。緊張運転モデルは、例えば、自車両１００が走行する車線４０から歩行者４２までの距離が小さい場合に選択される。

図６に示す余裕運転モデルは、運転者がそれほど緊張感を感じることなく余裕を持って対処できる状況下の運転モデルである。余裕運転モデルは、例えば、歩行者４２が自車線４０から離れて立っており、かつ自車線４０側と反対側を向いている場合に選択される。

図５に示す標準運転モデルは、緊張運転モデルと余裕運転モデルとの中間の運転モデルである。言い換えると、標準運転モデルは、中程度の緊張感を感じる状況下の運転モデルである。

図１０は、モデル選択の決定木の一例を示す図である。本実施形態のモデル選定部１３は、例えば、図１０の決定木に従ってモデルを選択する。モデル選択は、自車両１００の前方に歩行者４２が検出されている場合に行われるものであり、例えば、対象物情報演算部１０によって歩行者４２が検出されるごとに歩行者４２についての情報に基づいてモデルが選択される。なお、歩行者４２が複数検出されている場合、それぞれの歩行者４２に対してモデルを選択し、選択されたモデルの中で最も緊張感が高いモデルを制御に用いるようにしてもよい。

決定木では、まず、歩行者４２の位置による場合分けがなされる。モデル選定部１３は、歩行者４２が自車線４０の外部でかつ自車線４０から一定距離内にいるか否かで場合分けをする。歩行者４２が自車線４０から一定距離内にいる場合、緊張運転モデルが選択される。

歩行者４２が自車線４０から一定距離内にいない場合、歩行者４２の姿勢による場合分けがなされる。モデル選定部１３は、歩行者４２が直立状態であるか、歩行中であるかを判定する。歩行者４２の姿勢が直立であると判定された場合、歩行者４２の姿勢の向きによる場合分けがなされる。一方、歩行者４２が歩行中であると判定された場合、歩行者４２の進行方向による場合分けがなされる。

歩行者４２の姿勢の向きによる場合分けでは、歩行者４２が自車線４０側を向いているか、自車線４０とは反対側（外側）を向いているかが判定される。モデル選定部１３は、歩行者４２が自車線４０側を向いていると判定した場合、標準運転モデルを選択し、歩行者４２が外側を向いていると判定した場合、余裕運転モデルを選択する。

歩行者４２の進行方向による場合分けでは、歩行者４２の進行方向が自車線４０を横断する方向であるか、自車線４０と並進する方向であるかが判定される。モデル選定部１３は、歩行者４２の進行方向が自車線４０を横断する方向であると判定した場合、標準運転モデルを選択する。一方、モデル選定部１３は、進行方向が自車線４０と並進する方向であると判定した場合、歩行者４２の速度による場合分けをする。

速度による場合分けでは、歩行者４２の移動速度が定常の速度であるか、非定常の速度であるかが判定される。モデル選定部１３は、歩行者４２の移動速度が定常の速度である場合、余裕運転モデルを選択し、非定常の速度である場合、標準運転モデルを選択する。なお、歩行者以外の移動体についても、同様にして複数のモデルの中から該当するモデルを選択することができる。

モデル選定を行うための場合分けの要素は、図示したものには限定されない。例えば、歩行者４２の上半身部位の向きによって場合分けがなされてもよい。上半身部位の向きが自車両１００の方向を確認する向きである場合には相対的に緊張度が低いモデルを選択し、そうでない場合は相対的に緊張度が高いモデルを選択するようにしてもよい。

モデル更新判定部１４は、モデル選定部１３によって選択されたモデルの更新処理を行う。モデル更新判定部１４は、使用すると決定されたモデルと、移動体が検出された後の運転者の運転操作とに基づいて、当該決定されたモデルを更新することができる。図１１は、モデル更新の動作を示すフローチャートである。モデル更新判定部１４は、例えば、図１１に示すフローチャートに従ってモデルを更新する。図１１に示すフローチャートは、モデル選定部１３によってモデルが選択されると実行される。

ステップＳ２０１では、モデル更新判定部１４により、適合度が算出される。適合度は、運転者の運転特性に対する選択されたモデルの適合度合いを示すものである。また、適合度は、使用すると決定されたモデルと、移動体が検出された後の運転者の運転操作との適合度合いを示す。モデル更新判定部１４は、短期の適合度に基づく短期更新を行う短期更新判定部１４ａと、長期の適合度に基づく長期更新を行う長期更新判定部１４ｂとを有する。

短期更新は、直近の指定された回数のサンプルに基づいて行われる。例えば、現在選択されているモデルが標準運転モデルである場合、過去に標準運転モデルが選択されたときの運転者の運転操作がサンプルとして記憶されている。つまり、このサンプルは、過去に歩行者等の移動体が検出されたときの移動体についての情報と、当該移動体が検出された後の運転者の運転操作との関係を示すものであり、また、使用すると決定されたモデルと、移動体が検出された後の運転者の運転操作との対応関係を示すものである。指定された所定回数（例えば、４回）分のサンプルが取得できている場合、記憶された所定回数分のサンプルに基づいて短期の適合度が算出される。適合度は、下記式（２）によって算出される。
適合度 ＝ （Ｎ１／Ｎｔ）×１００ …（２）
ここで、Ｎ１はハイリスク領域外のサンプルの個数、Ｎｔは全サンプルの個数である。

図１２は、適合度算出の一例を示す図である。図１２では、ハイリスク領域Ｒ２に１サンプル、ハイリスク領域Ｒ２外に３サンプルの計４サンプルから適合度が算出される。この場合、上記式（２）より適合度は７５％と算出される。適合度が算出されると、ステップＳ２０２に進む。

ステップＳ２０２では、モデル更新判定部１４により、適合度がある値以上であるか否かが判定される。ステップＳ２０２における判定の閾値は、モデルが運転者の運転特性に適合しているか否かを判定する基準値であり、例えば、８０％に設定される。ステップＳ２０２の判定の結果、適合度が閾値以上であると判定された場合（ステップＳ２０２−Ｙ）にはステップＳ２０３に進み、そうでない場合（ステップＳ２０２−Ｎ）にはステップＳ２０４に進む。

ステップＳ２０３では、モデル更新判定部１４によるモデル更新から、運転行動予測処理に移行する。ステップＳ２０３が実行されると、本制御フローは終了する。

ステップＳ２０４では、モデル更新判定部１４により、リスク領域が小さくなるモデルに、可能な範囲でシフトがなされる。図１３は、モデル更新判定部１４によるモデルのシフトの一例を示す図である。図１３に示すように、シフト後のハイリスク領域Ｒ１１，Ｒ２１，Ｒ３１は、それぞれシフト前のハイリスク領域Ｒ１，Ｒ２，Ｒ３よりも小さくなる。一度のシフトでは、例えば、ハイリスク領域Ｒ１，Ｒ２，Ｒ３を一定量あるいは一定割合縮小させるように基準領域Ｓ１，Ｓ２，Ｓ３が原点側にシフトされる。一例として、各側方通過予測距離に対してハイリスク領域Ｒ１，Ｒ２，Ｒ３の減速率の最大値を一定割合で減少させるシフトがなされる。

例えば、技量の高い運転者の場合、デフォルトのハイリスク領域Ｒ１，Ｒ２，Ｒ３では広すぎてしまい、選択されたモデルが運転者の運転特性と合わない場合がある。技量の高い運転者は、それほど減速をしなくても歩行者４２の行動を見極めて適切に回避行動を行うことが可能である。つまり、デフォルトモデルではハイリスク領域Ｒ１，Ｒ２，Ｒ３とされている減速率であっても、運転者にとっては基準領域Ｓ１，Ｓ２，Ｓ３に分類すべき減速率である場合が考えられる。このような運転者に対して、デフォルトモデルに基づく運転支援がなされてしまうと、運転者にとって支援が煩わしいと感じられる虞がある。これに対して、運転者の運転操作から算出された適合度に基づいてモデルをシフトすることにより、ハイリスク領域Ｒ１１，Ｒ２１，Ｒ３１をより適切なものに更新することができる。これにより、運転者のニーズに応じた運転支援が可能となる。

短期更新は、適合度が閾値以上となるまで繰り返し実行されることが好ましい。短期更新によって適合度が閾値以上となると、そのモデルに対する短期更新は終了する。ここで、長期的には、運転者の運転特性が変化する可能性がある。例えば、技量の向上や車両に対する慣れにより、運転特性が変化し、モデルの適合度が低下する虞がある。これに対して、本実施形態では、モデルに対する長期更新が実行される。長期更新は、指定された期間のサンプルに基づいて、長期の適合度が算出される。長期の適合度を算出するサンプルは、指定された期間の全サンプルであっても、直近の一定期間のサンプルであっても、直近の指定された回数のサンプルであってもよい。長期の適合度が閾値未満である場合、短期更新の場合と同様にしてモデルがシフトされる。長期更新によって、運転者の運転状況の変化に応じて支援の程度が更新されることとなる。よって、運転者は運転支援技術を長く使用することができる。

なお、モデルをシフトする場合に、シフトには一定の制限が課されることが望ましい。例えば、音声や映像等による運転支援を行う場合に、支援を行ってから運転者が回避行動に移るだけの時間的余裕を確保できるようにする必要がある。従って、シフト後のハイリスク領域Ｒ１１，Ｒ２１，Ｒ３１において、最低限確保すべき領域を定めておくことが望ましい。ステップＳ２０４でモデルがシフトされると、ステップＳ２０１に移行する。

なお、運転者の運転操作による減速度が、ローリスク領域Ｔ１，Ｔ２，Ｔ３に逸脱する場合にモデルの更新が行われてもよい。この場合、適合度を算出する上記式（２）において、Ｎ１をローリスク領域外のサンプルの個数とすればよい。適合度が閾値以上でない場合、ローリスク領域Ｔ１，Ｔ２，Ｔ３を縮小させるように基準領域Ｓ１，Ｓ２，Ｓ３を原点側とは反対側にシフトさせる。このようにモデルを更新することで、前方に歩行者がいる場合に大きく減速する傾向がある運転者に対して、通常の減速操作から逸脱した場合に適切に運転支援を行うことができる。つまり、運転者の運転特性に応じてリスクを低減させるようにモデルを更新することができる。

モデル決定部１５は、制御に用いるモデルを決定する。モデル決定部１５は、モデル更新判定部１４による更新結果や、自車情報収集部１２によって収集された情報に基づいて、運転モデルを決定する。例えば、モデル更新判定部１４によってモデルが更新された場合、更新前のモデルに代えて更新後のモデルが支援決定のためのモデルとして選択される。

運転行動予測部１６は、側方通過距離予測部１６ａおよび減速率算出部１６ｂを有する。側方通過距離予測部１６ａは、計測トリガの時点（第二地点Ｐ１）で、側方通過予測距離を算出する。側方通過予測距離は、対象物情報演算部１０の演算結果および自車情報収集部１２により収集された情報に基づいて算出することができる。減速率算出部１６ｂは、自車情報収集部１２によって検出された速度から基準自車速度Ｖ０および最小自車速度Ｖ１を算出し、上記式（１）によって減速率を算出する。

運転行動予測判定部１７は、運転操作の基準からの逸脱度を算出する。図１４は、逸脱度および逸脱認識度の説明図である。図１４において、下向きの縦軸は逸脱度を示し、左向きの横軸はドライバ逸脱認識度を示す。逸脱度は、運転者の運転操作による実際の減速率が基準領域Ｓ２から逸脱している度合いを示す。算出された側方通過予測距離に対して、運転操作による減速率が基準領域Ｓ２内の値であれば、逸脱度は０である。一方、運転操作による減速率が基準領域Ｓ２外の値であれば、逸脱度は０以外の値として算出され、かつ運転操作による減速率が基準領域Ｓ２の値から乖離するに従い逸脱度の大きさが増加する。

逸脱度の大きさは、基準領域Ｓ２の幅を単位として算出される。図１４に示すように、逸脱度の一単位は、算出された側方通過予測距離における基準領域Ｓ２の最大値と最小値との差、すなわち縦軸方向の基準領域Ｓ２の幅である。運転操作による減速率がハイリスク領域Ｒ２内の値である場合、ハイリスク側境界線Ｈ２上の減速率の値と、運転操作による減速率の値との差を逸脱度の一単位で除算したものが逸脱度である。

なお、運転操作による減速率がローリスク領域Ｔ２内の値である場合に逸脱度が算出されてもよい。この場合、運転操作による減速率の値と、ローリスク側境界線Ｌ２上の減速率の値との差を逸脱度の一単位で除算したものが逸脱度である。運転操作による減速率がローリスク領域Ｔ２内の値である場合の逸脱度は、負の値とされてもよい。

支援判断部１８は、逸脱度に基づいて運転支援を行うか否か、および運転支援を行う場合の支援レベルを決定する。運転支援には、音声・光・映像・振動等によって運転者に情報を伝達する気づかせ支援と、自車両１００を制御することにより回避行動等を支援する車両制御支援とが含まれる。気づかせ支援および車両制御支援には、それぞれ刺激の度合いや制御による介入の度合い等が異なる複数の支援レベルを設定することができる。

逸脱度と支援レベルとの対応関係は、例えば、以下に説明する方法により予め決定することができる。図１４において、破線３００は、官能評価の結果得られた分布関数（確率密度関数）を示し、実線３０１は、確率分布関数を示す。分布関数３００は、心理アンケートの結果に基づいて作成される。心理アンケートでは、複数の運転者について、それぞれの運転者が基準領域Ｓ２の運転操作から逸脱したと自覚し始める逸脱度が調査される。分布関数３００の中央値の逸脱度では、半数の運転者が基準領域Ｓ２から逸脱したと自覚することになる。

確率分布関数３０１は、分布関数３００を積分して得られる曲線である。確率分布関数３０１は、運転者の感覚的な逸脱認識度を表す心理的逸脱曲線である。支援レベルは、例えば、確率分布関数３０１に応じて定められる。確率分布関数３０１が大きくなるに従い、運転者が基準領域Ｓ２からの逸脱を自覚する運転操作となっている可能性が高い。言い換えると、算出された逸脱度が、確率分布関数３０１の大きな値に対応する逸脱度である場合、運転者が歩行者４２の存在に気づかずに運転していたり、歩行者４２を視認していながら十分に注意を向けずに運転していたりする可能性が高い。つまり、確率分布関数３０１が大きな値であれば、運転支援が運転者に受け入れられる状況である可能性が高い。また、確率分布関数３０１が大きな値であるほど、高い支援レベルの運転支援が好ましい状況であるといえる。

従って、確率分布関数３０１の値に基づいて運転支援を行うか否かを決定し、また運転支援を行う際の支援レベルを決定することにより、運転者の気づきの遅れを抑制し、かつ違和感を与えにくい適切な運転支援を行うことが可能となる。また、確率分布関数３０１の大きさに応じて支援レベルが上がることで、基準とする運転操作からの運転操作のずれ量を運転者が感覚的に理解することができ、結果として運転者が運転支援の有効性を実感できる。

支援判断部１８は、気づかせ支援では運転者による適切な回避行動が困難であると予測できる状況では、車両制御支援を行うと決定する。減速率が小さい場合、自車両１００が歩行者４２に接近するまでの時間が短くなる。このため、気づかせ支援によって運転者が歩行者４２を認識してから回避操作を開始したのでは回避タイミングが遅くなり、リスクを十分に低減させることができない虞がある。支援判断部１８は、例えば、衝突時間ＴＴＣや側方通過予測距離に基づいて車両支援制御を行うか否かを決定する。

支援判断部１８は、決定された運転支援を実行する。気づかせ支援部１９は、支援判断部１８による気づかせ支援の実行指令に基づき、気づかせ装置３０を制御する。気づかせ装置３０は、音声・光・映像・振動・その他の刺激により運転者に情報を伝達する情報伝達装置である。気づかせ装置３０は、刺激の強弱等が異なる複数の支援レベルで情報を伝達することができる。例えば、ブザー音によって運転者に情報伝達を行う場合、支援レベルが高いほど大きな音を発したり、音の断続の間隔を短くしたりするようにすればよい。

車両制御支援部２０は、支援判断部１８による車両制御支援の実行指令に基づき、車両制御支援を実行する。車両制御支援部２０は、原動機、ブレーキ装置、操舵装置等を制御可能であり、これらを制御することにより、運転者の運転操作、例えば歩行者４２との接近を回避する操作をアシストすることができる。

ここで、図１を参照して、本実施形態の運転支援の流れについて説明する。図１に示す制御フローは、例えば、走行中に繰り返し実行される。

まず、ステップＳ１０１では、モデル選定部１３により、デフォルトモデルが選択される。モデル選定部１３は、モデルデータベース１１に記憶されているデフォルトモデルを読み込む。ステップＳ１０１が実行されると、ステップＳ１０２に進む。

ステップＳ１０２では、環境情報および自車情報が計測される。対象物情報演算部１０は、車外環境センサーの検出結果に基づいて、歩行者４２に関する情報や自車線４０に関する情報を含む環境情報を取得する。自車情報収集部１２は、自車両１００の位置・速度・操舵角・ペダル操作量等の自車情報を取得する。

次に、ステップＳ１０３では、歩行者４２と自車両１００との相対距離および相対速度が計測範囲内であるか否かが判定される。この判定は、例えば、モデル選定部１３によってなされる。モデル選定部１３は、自車両１００と歩行者４２との相対距離に基づいて、自車両１００が第一地点Ｐ０と第二地点Ｐ１との間の領域にあるか否かを判定する。自車両１００が第一地点Ｐ０と第二地点Ｐ１との間の領域にあると判定されない場合、ステップＳ１０３で否定判定がなされる。また、モデル選定部１３は、第一地点Ｐ０における自車両１００と歩行者４２との相対速度が最小車速Ｖmin以上最大車速Ｖmax以下であるか否かを判定する。上記相対速度が最小車速Ｖmin以上最大車速Ｖmax以下であると判定されない場合、ステップＳ１０３で否定判定がなされる。

ステップＳ１０３の判定の結果、肯定判定がなされた場合（ステップＳ１０３−Ｙ）にはステップＳ１０４に進み、そうでない場合（ステップＳ１０３−Ｎ）にはステップＳ１０２に移行する。

ステップＳ１０４では、自車情報収集部１２により、減速率およびペダル操作量等が観測される。自車情報収集部１２は、自車両１００の速度に基づいて減速率を算出する。ステップＳ１０４が実行されると、ステップＳ１０５に進む。

ステップＳ１０５では、短期更新判定部１４ａによって、モデルの更新に必要なデータが取得できたか否かが判定される。短期更新判定部１４ａは、モデル選択のためのパラメータ、例えば、歩行者４２と自車線４０との側方距離および歩行者４２の向きの組合せに対して、必要な数のサンプルが取得できているか否かを判定する。図１５は、モデル更新に必要なデータ数の一例を示す図である。

歩行者４２の向きと、歩行者４２との側方距離との組合せについて、取得できたサンプル数（分子）およびモデル更新に必要な計測水準のサンプル数（分母）がそれぞれ記憶されている。図１５では、歩行者４２の向きが自車線４０側であり、自車線４０から歩行者４２までの距離が一定距離内であるシーンについて、必要なサンプル数のデータが取得できている。他のシーンについてはサンプル数が不足しており、まだモデルを更新することはできない。この場合、現在選択されているモデルが更新可能なモデルであれば更新処理がなされ、そうでなければデフォルトモデルがそのまま使用される。

ステップＳ１０２で取得された環境情報に対応するシーンについて、必要なサンプル数のデータが取得できていれば、ステップＳ１０５で肯定判定がなされる。ステップＳ１０５の判定の結果、モデルの更新に必要なデータが取得できたと判定された場合（ステップＳ１０５−Ｙ）にはステップＳ１０６に進み、そうでない場合（ステップＳ１０５−Ｎ）にはステップＳ１０９に進む。

ステップＳ１０６では、短期更新判定部１４ａによってモデル更新が決定され、モデルの更新が実行される。短期更新判定部１４ａは、当該モデルの適合度が所定の基準を満たすように、モデルを更新する。ステップＳ１０６が実行されると、ステップＳ１０７に進む。

ステップＳ１０７では、長期更新判定部１６ｂにより、短期更新がなされたモデル（更新モデル）について、長期更新の必要性があるか否かが判定される。長期更新判定部１６ｂは、月単位・年単位等の一定期間の観測結果に基づいて現在のモデル（更新モデル）の長期の適合度を算出し、モデルの更新判断を行う。ステップＳ１０７の判定の結果、モデル更新の必要性があると判定された場合（ステップＳ１０７−Ｙ）にはステップＳ１０８に進み、そうでない場合（ステップＳ１０７−Ｎ）にはステップＳ１１０に進む。

ステップＳ１０８では、再更新モデルとの逸脱度が算出される。長期更新判定部１６ｂは、現在のシーンに対応する更新モデルに対して長期更新（再更新）を実行する。運転行動予測判定部１７は、長期更新がなされた再更新モデルと、運転行動予測部１６によって算出された側方通過予測距離および減速率とに基づいて、逸脱度を算出する。ステップＳ１０８が実行されると、ステップＳ１１１に進む。

ステップＳ１１０では、更新モデルとの逸脱度が算出される。運転行動予測判定部１７は、短期更新がなされた更新モデルと、運転行動予測部１６によって算出された側方通過予測距離および減速率とに基づいて、逸脱度を算出する。ステップＳ１１０が実行されると、ステップＳ１１１に進む。

ステップＳ１０５において否定判定がなされてステップＳ１０９に進むと、ステップＳ１０９では、デフォルトモデルとの逸脱度が算出される。運転行動予測判定部１７は、デフォルトモデルと、運転行動予測部１６によって算出された側方通過予測距離および減速率とに基づいて、逸脱度を算出する。ステップＳ１０９が実行されると、ステップＳ１１１に進む。

ステップＳ１１１では、支援判断部１８により、逸脱度が大であるか否かが判定される。支援判断部１８は、ステップＳ１０８，Ｓ１０９，Ｓ１１０で算出された逸脱度が大であるか否かを判定する。支援判断部１８は、例えば、確率分布関数３０１に基づいて定められた判定値と算出された逸脱度との比較結果に基づいてステップＳ１１１の判定を行う。ステップＳ１１１の判定の結果、逸脱度が大であると判定された場合（ステップＳ１１１−Ｙ）にはステップＳ１１３に進み、そうでない場合（ステップＳ１１１−Ｎ）にはステップＳ１１２に進む。

ステップＳ１１２では、支援判断部１８により、報知支援を行わないと決定される。支援判断部１８は、気づかせ装置３０による情報提供をＯＦＦとする指令を出力する。気づかせ支援を要しない逸脱度であるため、車両制御支援もＯＦＦとされる。ステップＳ１１２が実行されると、本制御フローは終了する。

ステップＳ１１３では、支援判断部１８により、報知支援の実行が決定される。支援判断部１８は、気づかせ装置３０による情報提供をＯＮとする指令を出力する。気づかせ支援部１９は、情報提供ＯＮの指令に応じて気づかせ装置３０を制御し、報知による運転支援を実行する。ステップＳ１１３が実行されると、本制御フローは終了する。

このように、本実施形態の運転支援装置１−１は、自車両の周辺に検出される歩行者等の移動体と自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めたモデル候補を複数備え、検出された移動体に関する情報に基づいて複数のモデル候補から使用するモデルを決定し、決定されたモデルと、移動体が検出された後の運転者の運転操作とに基づいて運転支援を実行する。よって、歩行者等に対する運転者の反応に基づいて運転支援の要否および運転支援レベルを決定することができる。よって、運転支援装置１−１は、運転者に違和感を与えることを抑制しつつ運転支援を行うことができるという利点を有する。

また、運転支援装置１−１は、選択されたモデルからのずれが大きい場合に運転支援を行い、かつずれの度合いに応じて運転支援レベルを変更する。一方で、モデルからのずれが小さい場合、運転支援が行われない。つまり、運転支援装置１−１による運転支援は、歩行者等の移動体が検出された後の運転者の運転操作と、選択されたモデルの運転操作とのずれの度合いに基づいている。よって、運転支援装置１−１は、運転者の感覚に合った運転支援を行うことができる。

緊張運転モデル、標準運転モデル、余裕運転モデル等の各運転モデルは、互いに基準領域Ｓ１，Ｓ２，Ｓ３やハイリスク領域Ｒ１，Ｒ２，Ｒ３が異なる。従って、選択されたモデルに応じて定められた範囲内で支援レベルが決定されることとなる。言い換えると、歩行者４２等の移動体についての情報に応じて定められた範囲内で運転者の運転操作に基づいて支援レベルが決定されることとなる。よって、歩行者等の姿勢や動き等に応じて適切な範囲内で支援レベルを決定することができ、運転者の感覚に合った支援が可能となる。

また、本実施形態の運転支援装置１−１では、運転支援の要否および支援レベルは、それぞれ基準領域Ｓ１，Ｓ２，Ｓ３からの逸脱度とドライバ逸脱認識度との対応関係に基づいて決定される。よって、運転者の感覚に合った、違和感を与えにくい運転支援がなされる。

なお、歩行者４２が自車両１００の前方を横断し、あるいは横断を開始しようとしている場合、図４から図６に示す運転モデルに代えて、図１６に示す前方横断運転モデルを用いることができる。図１６に示すように、前方横断運転モデルのハイリスク領域Ｒ４は、他の運転モデルのハイリスク領域Ｒ１，Ｒ２，Ｒ３よりも高減速率の領域まで広がっている。言い換えると、側方通過予測距離が小さい場合の基準領域Ｓ４は、他の運転モデルの基準領域Ｓ１，Ｓ２，Ｓ３よりも幅が狭くなっている。すなわち、歩行者４２が自車線１００に近い位置にいて自車線を横断しようとしている場合には、第二地点Ｐ１までの間に１００％近い（停車するほどの）急減速をしていなければハイリスクと判定されて運転支援が開始されることとなる。

なお、本実施形態では、歩行者が検出された後の運転者の運転操作に基づいて支援レベルが決定されたが、支援レベルを決定するタイミングはこれには限定されない。例えば、前方に検出された歩行者についての情報に基づいて支援レベルを決定し、運転者の運転操作に基づいてこの支援レベルを更新するようにしてもよい。例えば、緊張運転モデルが選択された場合には相対的に最も高い支援レベルを設定し、標準運転モデルでは中程度の支援レベル、余裕運転モデルでは相対的に最も低い支援レベル（支援無しを含む）を設定することができる。運転者の運転操作の逸脱度が高い場合には、よりリスクが低くなるように運転支援レベルを更新し、逸脱度が高くない場合には支援レベルを更新せずにおけばよい。支援開始は、例えば、運転者の運転操作に基づく支援レベル更新の要否を決定した後で実行するようにすればよい。

このようにすれば、歩行者の姿勢や動きに基づいて決められた運転支援レベルでのリスクが高い場合には、よりリスクが低くなるように運転支援レベルが更新される一方で、リスクが高くない場合には運転支援レベルが更新されない。よって、歩行者の姿勢や動きに対する運転者の反応を考慮した運転支援が可能となる。その結果、運転者が支援内容に違和感を感じることが抑制される。

［実施形態の変形例］
実施形態の変形例について説明する。上記実施形態ではリスクの程度を決める運転操作として減速率が用いられたが、運転操作はこれには限定されない。運転者の運転操作量、操作タイミング、操作力、操作速度、あるいは運転操作の結果生じる車両挙動など、運転操作に係る様々な検出結果に基づいてリスクの程度を算出することが可能である。

図１７は、縦軸を操作タイミングとした運転モデルの一例を示す図である。縦軸において、原点に近いことは操作タイミングが遅いことを示し、原点から遠ざかると操作タイミングが早いことを示す。基準領域Ｓ５の操作タイミングよりも操作タイミングが遅い側はハイリスク領域Ｒ５であり、基準領域Ｓ５の操作タイミングよりも操作タイミングが早い側はローリスク領域Ｔ５である。

操作タイミングは、例えば、アクセルオフのタイミングやブレーキオンのタイミングとすることができる。これに限らず、歩行者４２を回避する方向のステアリング操作タイミングが図１７の操作タイミングとされてもよい。操作タイミングは、車両挙動よりも早く検出可能である。よって、操作タイミングによってリスク評価をすることにより、早期に運転支援の要否や支援レベルを決定することが可能である。また、車両挙動に代えて運転操作のタイミング等を検出する場合には、外乱の影響が入りにくく、運転者の反応を直接検出することができる。

上記の実施形態および変形例に開示された内容は、適宜組み合わせて実施されることができる。

１−１ 運転支援装置
４０ 自車線
４１ 白線
４２ 歩行者
１００ 自車両
Ｖ０ 基準自車速度
Ｖ１ 最小自車速度
Ｐ０ 第一地点
Ｐ１ 第二地点
Ｈ１，Ｈ２，Ｈ３ ハイリスク側境界線
Ｌ１，Ｌ２，Ｌ３ ローリスク側境界線
Ｒ１，Ｒ２，Ｒ３ ハイリスク領域
Ｓ１，Ｓ２，Ｓ３ 基準領域
Ｔ１，Ｔ２，Ｔ３ ローリスク領域

Claims (5)

1. 自車両の周辺に検出される移動体と前記自車両との相対位置についての情報と、運転者の運転操作との対応関係を定めたモデル候補を複数備え、
   前記検出された移動体に関する情報に基づいて前記複数のモデル候補から使用するモデルを決定し、
   前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とに基づいて運転支援を実行する
   ことを特徴とする運転支援装置。
2. 前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とに基づいて前記決定されたモデルが更新可能である
   請求項１に記載の運転支援装置。
3. 前記決定されたモデルと前記移動体が検出された後の前記運転者の運転操作との適合度を所定回数分の当該モデルと当該運転操作との対応関係に基づいて算出し、前記適合度が設定された基準値未満である場合、前記更新を実行する
   請求項２に記載の運転支援装置。
4. 前記決定されたモデルは、前記移動体が検出された後の前記運転者の運転操作との短期の適合度および長期の適合度によってそれぞれ更新される
   請求項２または３に記載の運転支援装置。
5. 前記運転支援は、前記決定されたモデルと、前記移動体が検出された後の前記運転者の運転操作とのずれの度合いに基づく
   請求項１または２に記載の運転支援装置。

Images