JPWO2019198789A1 - オブジェクト識別システム、自動車、車両用灯具、オブジェクトのクラスタリング方法 - Google Patents

Abstract

３次元センサ２０は、複数の点それぞれまでの距離を示す点群データＳ１を生成する。演算処理装置４０は、点群データＳ１のうち１つのレイヤを形成する点群にもとづいてオブジェクトをクラスタリングする。

Description

本発明は、オブジェクト識別システムに関する。

自動車のセンサとして、ＬｉＤＡＲ（Light Detection and Ranging、Laser Imaging Detection and Ranging）、カメラ、ミリ波レーダ、超音波ソナーなどが候補として挙げられる。このなかでＬｉＤＡＲは、そのほかのセンサと比較して、（i）点群データによる物体認識が可能であること、（ii）アクティブセンシングであるが故の悪天候時にも高精度な検出が可能であること、（iii）広範囲の測定が可能であること、などの利点を有しており、今後、自動車のセンシングシステムにおける主流となることが期待されている。

図１は、ＬｉＤＡＲ２を用いた測距システム１を示す図である。ＬｉＤＡＲ２は、垂直方向にＮ本の解像度を有し、各レイヤＬ_１〜Ｌ_Ｎは、水平方向にΔθ度の解像度を有する。ＬｉＤＡＲ２から出射した光は、オブジェクトＯＢＪより反射される。ＬｉＤＡＲ２が生成する点群データは、ＬｉＤＡＲ２と各点ｐ_ｉとの距離ｒ_ｉを表す。

点群データは、オブジェクトの形状を表すため、点群データを処理することにより、オブジェクトの種類（車両、歩行者など）を判定できる。

ＬｉＤＡＲが生成する点群データにもとづくオブジェクトの識別では、その前処理として、点群データを、オブジェクトごとに切り分けるクラスタリングが行われる。図２は、従来のクラスタリングのアルゴリズムを説明する図である。図２には、測定系を上方から見た平面図が示される。このアルゴリズムでは、点群データの中のある点（着目点という）に着目したときに、着目点を中心とした半径ｒの球に含まれる点を、同じクラスタに分類する。このアルゴリズムは、自動運転システム用オープンソースソフトウェアとして知られるAutowareにおいても採用されている（非特許文献１）。

この例では、同じレイヤ上の５つの点ｐ_１〜ｐ_５を簡略化して示しており、点ｐ_１〜ｐ_３がオブジェクトＯＢＪ１上に位置し、点ｐ_４，ｐ_５がオブジェクトＯＢＪ２上に位置している。点ｐ_２は、点ｐ_１を中心とした半径ｒの球に含まれており、点ｐ_３は点ｐ_２を中心とする半径ｒの球に含まれているから、点ｐ_１〜ｐ_３は、同一クラスタと判定される。また、点ｐ_５は、点ｐ_４を中心とした半径ｒの球に含まれているから、点ｐ_４，ｐ_５は、同一クラスタと判定される。点ｐ_３と点ｐ_４の距離はｒより大きいため、点ｐ_１〜ｐ_３と、点ｐ_４，ｐ_５は異なるオブジェクトとされる。

特開２０１７−５６９３５号公報 特開２００９−９８０２３号公報

自動運転ソフトウェア：Autoware、［online］、名古屋大学、インターネット＜URL：https://www.pdsl.jp/fot/autoware/＞

本発明者は、従来のクラスタリングアルゴリズムについて検討した結果、以下の課題を認識するに至った。

＜第１の課題＞
ＬｉＤＡＲによって取得されるのは、ＬｉＤＡＲと各点ｐ_ｉの間の距離ｒ_ｉであるところ、このアルゴリズムでは、点ｐ_ｉと点ｐ_ｊの距離を計算する必要があり、計算コストが高くなる。

また図２では、同じレイヤ上の点同士を比較しているが、異なる高さの点同士も比較する必要がある。点群データがＭ×Ｎ個のマトリクスで与えられる場合、２点の組み合わせは、_Ｍ×ＮＣ_２＝（Ｍ×Ｎ）（Ｍ×Ｎ−１）／２であるから、測距点の数が増えると計算コストが爆発的に増加する。ｋｄ−ｔｒｅｅなどの探索アルゴリズムを用いたとしても、処理には高速なプロセッサが必要となる。

＜第２の課題＞
図３（ａ）は、測距システム１を横から見た図である。車載あるいは交通インフラに識別システムを実装する場合、ＬｉＤＡＲからオブジェクトまでの距離は、数ｍ〜数百ｍの範囲で変化する。オブジェクトＯＢＪ’までの距離が遠い場合、下の方のレイヤの大半はオブジェクトＯＢＪ’ではなく地面に照射されることとなる。したがってすべての測距点を探索対象とすることは場合によっては無駄である。

＜第３の課題＞
図３（ｂ）は、測距システム１を上から見た図である。図３（ｂ）のようなケースでは、点ｐ_４と点ｐ_５は、同じオブジェクトＯＢＪ２上の点であるにも関わらず、それらの距離は半径ｒより大きくなる。したがって点ｐ_４と点ｐ_５は、別クラスタ６＿２，６＿３と誤判定される。

本発明は係る状況においてなされたものであり、そのある態様の例示的な目的のひとつは、少ない演算量でクラスタリング可能なシステム、装置、方法の提供にある。

本発明のある態様は、複数の点それぞれまでの距離を示す点群データを生成する３次元センサと、点群データのうち１つのレイヤを形成する点群にもとづいてオブジェクトをクラスタリングする演算処理装置と、を備える。

本発明によれば、少ない演算量でクラスタリングが可能となる。

ＬｉＤＡＲを用いた測距システムを示す図である。 従来のクラスタリングのアルゴリズムを説明する図である。 図３（ａ）は、測距システムを横から見た図であり、図３（ｂ）は、測距システムを上から見た図である。 実施の形態に係るオブジェクト識別システムのブロック図である。 クラスタライズを説明する図である。 水平レイヤに基づくクラスタリングの具体例を示す図である。 しきい値ｔｈと距離ｒの関係の一例を示す図である。 クラスタライズ部の処理の一例を示すフローチャートである。 図９（ａ）、（ｂ）は、図８のフローチャートに基づくクラスタリングを説明する図である。 クラスタライズ部の処理の別の一例を示すフローチャートである。 オブジェクト識別システムを備える自動車のブロック図である。 オブジェクト識別システムを備える車両用灯具を示すブロック図である。

（実施の形態の概要）
本明細書に開示される一実施の形態は、オブジェクト識別システムに関する。オブジェクト識別システムは、複数の点それぞれまでの距離を示す点群データを生成する３次元センサと、点群データのうち１つのレイヤを形成する点群にもとづいてオブジェクトをクラスタリングする演算処理装置と、を備える。

交通に関連して識別すべきオブジェクトの多くは、地面に接してそれより上方に位置する。つまり、同じ位置に上下に２個の異なるオブジェクトが存在することは基本的には生じない。そこで、適切な高さのレイヤのみに着目してクラスタリングを行うことで、演算量を大幅に減らすことができる。

１つのレイヤは、３次元センサから実質的に水平に位置してもよい。言い換えれば、１つのレイヤは、３次元センサからの仰俯角が実質的にゼロのレイヤである。これにより、オブジェクトまでの距離に関わらず、当該レイヤの地面からの高さを実質的に一定とすることができる。また、車載用途においてヘッドライトやバンパーの高さに３次元センサを設置した場合、１つのレイヤは、人間の脚（もしくは腰）、車両のヘッドライトやバンパーの高さを横切ることになるため、識別すべきオブジェクトを確実に捉えることができる。

演算処理装置は、１つのレイヤを形成する点群のうち隣接する２点に着目したときに、各点までの距離の差がしきい値より小さいときに、２点を同一クラスタと判定してもよい。これにより、２点間の距離を演算する必要がなくなるため、演算量をさらに減らすことができる。

ＬｉＤＡＲなどの３次元センサは、水平方向に放射状にレーザビームを放射する。あるオブジェクトがＬｉＤＡＲに近いとき、隣接する２本のレーザビームは、オブジェクト上の、距離が相対的に近い２点に照射され、そのオブジェクトがＬｉＤＡＲから遠ざかると、同じ隣接する２本のレーザビームが照射される２点の距離は遠ざかる。そこでしきい値は、距離に応じて可変とするよく、しきい値は、距離が遠いほど大きくてもよい。しきい値は、同一クラスタに含まれる点までの距離の平均値に応じていてもよい。

演算処理装置は、間隔が所定値以下の非隣接関係にある第１点と第２点に着目したときに、第１点までの距離と第２点までの距離の差がしきい値より小さいときに、第１点と第２点を同一クラスタと判定してもよい。非隣接の２点についても比較対象とすることで、ノイズの影響を抑制できる。また探索範囲を所定値をパラメータとして制限することで、演算量の増加を抑制できる。

（実施の形態）
以下、本発明を好適な実施の形態をもとに図面を参照しながら説明する。各図面に示される同一または同等の構成要素、部材、処理には、同一の符号を付するものとし、適宜重複した説明は省略する。また、実施の形態は、発明を限定するものではなく例示であって、実施の形態に記述されるすべての特徴やその組み合わせは、必ずしも発明の本質的なものであるとは限らない。

図４は、実施の形態に係るオブジェクト識別システム１０のブロック図である。このオブジェクト識別システム１０は、自動車やバイクなどの車両に搭載される車載用であり、車両の周囲に存在するオブジェクトＯＢＪの種類（カテゴリともいう）を判定する。

オブジェクト識別システム１０は、主として３次元センサ２０および演算処理装置４０を備える。３次元センサ２０は、前方のオブジェクトＯＢＪの表面上の複数の点までの距離を示す点群データＳ１を生成する。オブジェクトＯＢＪからの反射が測定できない点については、所定値（負、ゼロあるいは無限大）として測定される。

演算処理装置４０は、点群データＳ１にもとづいて、オブジェクト識別システム１０の前方に存在するオブジェクトＯＢＪ１，ＯＢＪ２・・・の種類を判定する（カテゴライズ）。カテゴライズの前処理として、点群データＳ１を、オブジェクトＯＢＪ１，ＯＢＪ２，…ごとのサブデータＳ２＿１，Ｓ２＿２，…に切り分ける処理が行われる（クラスタライズという）。

３次元センサ２０は特に限定されないが、歩行者など凹凸の小さいオブジェクトを正確に識別したい場合には、ＬｉＤＡＲを用いることが好ましい。ＬｉＤＡＲの構成は特に限定されず、走査型、非走査型であるとを問わない。

演算処理装置４０は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）、マイコンなどのプロセッサ（ハードウェア）と、プロセッサ（ハードウェア）が実行するソフトウェアプログラムの組み合わせで実装することができる。演算処理装置４０は、複数のプロセッサの組み合わせであってもよい。

演算処理装置４０は、メモリ４２、クラスタライズ部４４、切り出し部４６、カテゴライズ部４８を含む。点群データＳ１は、メモリ４２に格納される。クラスタライズ部４４は、各オブジェクトＯＢＪが存在する水平方向の位置（範囲）を判定する。

切り出し部４６は、クラスタライズ部４４のクラスタライズの結果にもとづいて、点群データＳ１を、オブジェクトごとのサブデータＳ２に切り分ける。

カテゴライズ部４８は、サブデータＳ２＿１，Ｓ２＿２，…それぞれについて、それに含まれるオブジェクトの種類を判定する。

図５は、クラスタライズを説明する図である。矩形Ｓ１は、３次元センサ２０が生成する点群データを示す。また矩形Ｓ２＿１，Ｓ２＿２は、サブデータを示す。

続いて、クラスタリングについて説明する。
３次元センサ２０が取得する点群データＳ１は、地上からの高さの異なる点群、言い換えれば３次元センサ２０から見た仰俯角の異なる点群の集合とみなすことができ、同一の高さの複数の点の集合を「レイヤ」と称することとする。演算処理装置４０（クラスタライズ部４４）は、すべての点群データＳ１ではなく、点群データＳ１のうち、注目すべき１つのレイヤＬｘを形成する点群にもとづいてオブジェクトをクラスタリングする。

クラスタリングに際して注目すべき１つのレイヤＬｘは、３次元センサ２０から実質的に水平に位置することが好ましい。以下、注目するレイヤＬｘを水平レイヤとも称する。水平レイヤは、言い換えれば仰俯角がゼロに近いレイヤと把握できる。これにより、オブジェクトＯＢＪまでの距離に依存せずに、測定点の高さを一定にできる。

交通に関連して識別すべきオブジェクトＯＢＪ（歩行者や自動車）の多くは、地面に接してそれより上方に位置する。つまり、同じ位置に上下に２個の異なるオブジェクトが存在することは基本的には生じない。そこで適切な高さのレイヤのみに着目してクラスタリングを行うことで、演算量を大幅に減らすことができる。

図６は、水平レイヤに基づくクラスタリングの具体例を示す図である。図６には、レイヤＬｘを形成する点群ｐ_１，ｐ_２，ｐ_３，ｐ_４のみが示される。オブジェクトＯＢＪ１，ＯＢＪ２の形状は、図２（ｂ）のオブジェクトＯＢＪ１，ＯＢＪ２と同じである。

演算処理装置４０（クラスタライズ部４４）は、１つのレイヤＬｘ上の点のうち隣接する２点ｐ_ｉ，ｐ_ｉ＋１に着目したときに、各点ｐ_ｉ，ｐ_ｉ＋１までの距離ｒ_ｉ，ｒ_ｉ＋１の差ｄ_{ｉ，ｉ＋１}＝｜ｒ_ｉ−ｒ_ｉ＋１｜がしきい値ｔｈより小さいときに、２点ｐ_ｉ，ｐ_ｉ＋１を同一クラスタにクラスタリングする。図６の例では、点ｐ_１，ｐ_２が同一クラスタ６＿１と判定され、点ｐ_３，ｐ_４が同一クラスタ６＿２と判定される。

第３の課題に関連して、図６と図３（ｂ）の対比から、実施の形態に係るクラスタリングの利点の一つが明らかになる。図３（ｂ）に示すように点ｐ_３とｐ_４の距離が所定の半径ｒより大きく、従来方法では、同一クラスタと判定することはできない。これに対して、図６では、点ｐ_３，ｐ_４と３次元センサ２０の距離の差ｄ_３，４に着目するため、図３の半径ｒと等しいしきい値ｔｈを適用した場合であっても、２つの点ｐ_３，ｐ_４を同一クラスタと判定することができる。従来方式においても半径ｒを大きくすれば同じ結果が得られるが、大きな半径ｒは、異なるオブジェクト上の点を同一クラスタと誤判定する要因となる。一方、本実施の形態では、しきい値ｔｈを大きくする必要がないため、誤判定を抑制できると理解することもできる。

しきい値ｔｈは、距離ｒに応じて可変（スケーリング）するとよい。図７（ａ）は、オブジェクトまでの距離と、オブジェクト上の２点ｐ_１，ｐ_２の距離の差ｄ_１，２を説明する図である。あるオブジェクトＯＢＪがＬＩＤＡＲ２に近い位置（図中、左側）にあるとき、隣接するレーザビームＬＢ_１，ＬＢ_２が照射されるオブジェクトＯＢＪ上の２点ｐ_１，ｐ_２までの距離はｒ_１，ｒ_２であり、それらの差ｄ_１，２は、ｒ_２−ｒ_１となる。

同じオブジェクトＯＢＪがＬＩＤＡＲ２から相対的に遠い位置（図中、右側）に位置する場合を考える。このとき、オブジェクトＯＢＪのレーザビームＬＢ_１の照射位置は同じ（ｐ_１’＝ｐ_１）であるが、レーザビームＬＢ_２の照射位置ｐ_２’は、元の位置ｐ_２からずれる（ｐ_２’≠ｐ_２）。

つまりオブジェクトＯＢＪがＬｉＤＡＲに近いとき、隣接する２本のレーザビームは、オブジェクト上の、距離が相対的に近い２点ｐ_１，ｐ_２に照射され、そのオブジェクトがＬｉＤＡＲから遠ざかると、同じ隣接する２本のレーザビームが照射される２点ｐ_１、ｐ_２の距離は遠ざかる。図７（ｂ）は、オブジェクトまでの距離と、２点までの距離の差の関係を示す図である。オブジェクトＯＢＪが遠いときの２つの点ｐ_１’，ｐ_２’の距離の差ｄ_１，２’は、オブジェクトＯＢＪが近いときの２つの点ｐ_１，ｐ_２の距離の差ｄ_１，２より大きくなる。

つまりオブジェクトＯＢＪまでが近いときを基準として定めたしきい値ｔｈを、遠方のオブジェクトにも適用すると、同じオブジェクト上の２点ｐ_１’、ｐ_２’を、異なるオブジェクトと誤判定する可能性がある。そこで図７（ｃ）に示すように、距離ｒが長いほど、しきい値ｔｈを大きくとるとよい。これにより、オブジェクトまでの距離に依存せずに、正確なクラスタリングが可能となる。

しきい値ｔｈは、それまでに同一クラスタと判定されている複数の点までの距離の平均値に応じて設定してもよい。

別の実施例において、比較対象となる２点ｐ_ｉ，ｐ_ｉ＋１までの距離ｒ_ｉ，ｒ_ｉ＋１を、一方の距離ｒ_ｉ（またはそれに近い値）で除算して正規化し、正規化した距離の差分（１−ｒ_ｉ／ｒ_１＋１）を、しきい値と比較してもよい。この場合のしきい値は、オブジェクトまでの距離に依存せずに一定とすることができる。

演算処理装置４０は、間隔が所定値Ｋ以下である非隣接関係にある第１点ｐ_ｉと第２点ｐ_ｊに着目したときに、第１点ｐ_ｉまでの距離ｒ_ｉと第２点ｐ_ｊまでの距離ｒ_ｊの差ｄ_ｉ，ｊがしきい値ｔｈより小さいときに、第１点ｐ_ｉと第２点ｐ_ｊを同一クラスタとする。言い換えれば、第２点ｐ_ｊは、第１点ｐ_ｉから最大Ｋ個（Ｋ≪Ｍ）、離れることが許容される。Ｍは、３次元センサ２０の水平方向の解像度である。たとえばＫは、２〜５程度としてもよい。

図８は、クラスタライズ部４４の処理の一例を示すフローチャートである。水平レイヤＬｘを形成する点群を、端から順にナンバリングする（Ｓ１００）。反射（距離）の検出できない点については、番号を付与しないこととしてもよい。

続いて、変数ｉを初期化し（Ｓ１０２）、変数ｊを初期化する（Ｓ１０４）。２点ｐ_ｉ，ｐ_ｊの距離ｒ_ｉ，ｒ_ｊの差分ｄ_ｉ，ｊがしきい値ｔｈと比較される（Ｓ１０６）。差分ｄ_ｉ，ｊがしきい値ｔｈより小さいとき、点ｐ_ｉ，ｐ_ｊは同一クラスタと判定され、クラスタキューに格納される（Ｓ１０８）。差分ｄ_ｉ，ｊがしきい値ｔｈより大きいとき、点ｐ_ｉ，ｐ_ｊは同一クラスタと判定され、クラスタキューに格納される（Ｓ１０８）。なお、過去の判定の結果、２点ｐ_ｉ，ｐ_ｊがクラスタキューに格納済みの場合、比較処理は省略することができる。

ｊ≦ｉ＋Ｋのとき（Ｓ１１０のＮ）、ｊを１インクリメントし、第２点を次の点に移動して、処理Ｓ１０６に戻る。反対にｊ＞ｉ＋Ｋのとき（Ｓ１１０のＹ）、ｉをインクリメントして第１点ｐ_ｉをシフトし、処理Ｓ１０４に戻る。

図９（ａ）、（ｂ）は、図８のフローチャートに基づくクラスタリングを説明する図である。図９（ａ）は、クラスタリングの対象となる水平レイヤを示す図であり、横軸が番号を、縦軸が距離を表す。図９（ｂ）は、比較結果と、クラスタキューを示す図である。

この例ではＫ＝３とした。図９（ｂ）において破線は、比較対象がクラスタリング済みの場合に比較が省略されることを示す。図９（ａ）の場合、点ｐ_１〜ｐ_６が同一クラスタと判定され、点ｐ_７，ｐ_８が同一クラスタと判定される。

図８の処理において、反射（距離）の検出できない点については、番号を付与しないこととする場合、実質的に同じ距離に、複数のオブジェクト（人や自動車）が水平方向に離れて存在する状況下で、それらを同一のオブジェクトとして誤ってクラスタリングする可能性がある。この問題は以下のように解決することができる。

図１０は、クラスタライズ部の処理の別の一例を示すフローチャートである。複数の点群に対して、２つのインデックスを付与する（Ｓ１０１）。詳しくは、反射の得られない点を含めて端から順にナンバリングし、その値を第１のインデックス（ｉｎｄｅｘ１）とする。また反射（距離）の検出できない点を除去して、端からナンバリングし、その値を第２のインデックス（ｉｎｄｅｘ２）とする。２つのｉｎｄｅｘ１，ｉｎｄｅｘ２の関係は保持される。

処理Ｓ１０２〜Ｓ１１２については、図８と同様であり、ｉ，ｊについては第２インデックスの値を用いる。

処理Ｓ１１０において、ｊ＞ｉ＋Ｋとなると、クラスタキュー内のｉｎｄｅｘ２を、ｉｎｄｅｘ１に変換する（Ｓ１１６）。そして変換後において、クラスタキュー内のインデックスが連続しているとき（Ｓ１１８のＹ）、クラスタキュー内の複数のインデックスを同一オブジェクトとして出力する（Ｓ１２０）。変換後においてクラスタキュー内のインデックスが不連続であるとき（Ｓ１１８のＮ）、クラスタキュー内の複数のインデックスを、複数のクラスタキューに分割して出力する（Ｓ１２２）。

図１０の処理により、実質的に同じ距離に複数のオブジェクト（人や自動車）が水平方向に離れて存在する状況下で、それらを異なるオブジェクトとして正しくクラスタリングすることが可能となる。

図１１は、オブジェクト識別システム１０を備える自動車のブロック図である。自動車１００は、前照灯１０２Ｌ，１０２Ｒを備える。オブジェクト識別システム１０のうち、少なくとも３次元センサ２０は、前照灯１０２Ｌ，１０２Ｒの少なくとも一方に内蔵される。前照灯１０２は、車体の最も先端に位置しており、周囲のオブジェクトを検出する上で、３次元センサ２０の設置箇所として最も有利である。演算処理装置４０については、前照灯１０２に内蔵してもよいし、車両側に設けてもよい。たとえば演算処理装置４０のうち、中間データの生成は前照灯１０２の内部で行い、最終データの生成は車両側に委ねてもよい。

図１２は、オブジェクト識別システム１０を備える車両用灯具２００を示すブロック図である。車両用灯具２００は、光源２０２、点灯回路２０４、光学系２０６を備える。さらに車両用灯具２００には、３次元センサ２０および演算処理装置４０が設けられる。演算処理装置４０が検出したオブジェクトＯＢＪに関する情報は、車両ＥＣＵ１０４に送信される。車両ＥＣＵは、この情報にもとづいて、自動運転を行ってもよい。

また、演算処理装置４０が検出したオブジェクトＯＢＪに関する情報は、車両用灯具２００の配光制御に利用してもよい。具体的には、灯具ＥＣＵ２０８は、演算処理装置４０が生成するオブジェクトＯＢＪの種類とその位置に関する情報にもとづいて、適切な配光パターンを生成する。点灯回路２０４および光学系２０６は、灯具ＥＣＵ２０８が生成した配光パターンが得られるように動作する。

実施の形態では、車載用のオブジェクト識別システム１０を説明したが本発明の適用はその限りでなく、たとえば信号機や交通標識、そのほかの交通インフラに固定的に設置され、定点観測する用途にも適用可能である。

（変形例）
実施の形態では、３次元センサ２０からの仰俯角がゼロの水平レイヤＬｘにもとづくクラスタリングを説明したが、着目すべき１本のレイヤは、それに限定されず、水平レイヤより１本上、あるいは１本下のレイヤにもとづいてクラスタリングを行ってもよい。

実施の形態にもとづき、具体的な語句を用いて本発明を説明したが、実施の形態は、本発明の原理、応用の一側面を示しているにすぎず、実施の形態には、請求の範囲に規定された本発明の思想を逸脱しない範囲において、多くの変形例や配置の変更が認められる。

本発明は、オブジェクト識別システムに関する。

１０ オブジェクト識別システム
２０ ３次元センサ
４０ 演算処理装置
４２ メモリ
４４ クラスタライズ部
４６ 切り出し部
４８ カテゴライズ部
Ｓ１ 点群データ
１００ 自動車
１０２ 前照灯
１０４ 車両ＥＣＵ
２００ 車両用灯具
２０２ 光源
２０４ 点灯回路
２０６ 光学系
２０８ 灯具ＥＣＵ

Claims (10)

1. 複数の点それぞれまでの距離を示す点群データを生成する３次元センサと、
   前記点群データのうち１つのレイヤを形成する点群にもとづいてオブジェクトをクラスタリングする演算処理装置と、
   を備えることを特徴とするオブジェクト識別システム。
2. 前記１つのレイヤは、前記３次元センサから実質的に水平に位置することを特徴とする請求項１に記載のオブジェクト識別システム。
3. 前記演算処理装置は、前記１つのレイヤを形成する点群のうち隣接する２点に着目したときに、各点までの距離の差がしきい値より小さいときに、２点を同一クラスタと判定することを特徴とする請求項１または２に記載のオブジェクト識別システム。
4. 前記演算処理装置は、間隔が所定値以下の非隣接関係にある第１点と第２点に着目したときに、前記第１点までの距離と前記第２点までの距離の差がしきい値より小さいときに、前記第１点と前記第２点を同一クラスタと判定することを特徴とする請求項１から３のいずれかに記載のオブジェクト識別システム。
5. 前記しきい値は、前記距離に応じて可変であることを特徴とする請求項３または４に記載のオブジェクト識別システム。
6. 前記しきい値は、同一クラスタに含まれる点までの距離の平均値に応じていることを特徴とする請求項５に記載のオブジェクト識別システム。
7. 請求項１から６のいずれかに記載のオブジェクト識別システムを備えることを特徴とする自動車。
8. 前記３次元センサは、前照灯に内蔵されることを特徴とする請求項７に記載の自動車。
9. 請求項１から６のいずれかに記載のオブジェクト識別システムを備えることを特徴とする車両用灯具。
10. オブジェクトをクラスタリングする方法であって、
    ３次元センサによって点群データを生成するステップと、
    前記点群データのうち１つのレイヤ上の点群にもとづいてオブジェクトをクラスタリングするステップと、
    を備えることを特徴とする方法。

Images