KR101512428B1 - 가동물의 목표 상태 결정 장치 및 방법 - Google Patents

가동물의 목표 상태 결정 장치 및 방법 Download PDF

Info

Publication number
KR101512428B1
KR101512428B1 KR1020137016741A KR20137016741A KR101512428B1 KR 101512428 B1 KR101512428 B1 KR 101512428B1 KR 1020137016741 A KR1020137016741 A KR 1020137016741A KR 20137016741 A KR20137016741 A KR 20137016741A KR 101512428 B1 KR101512428 B1 KR 101512428B1
Authority
KR
South Korea
Prior art keywords
state
movable
movable object
determined
unit
Prior art date
Application number
KR1020137016741A
Other languages
English (en)
Other versions
KR20130103779A (ko
Inventor
요시히로 오하마
츠카사 시미즈
신이치 나가타
다쿠야 가미나데
Original Assignee
도요타 지도샤（주）
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 도요타 지도샤（주） filed Critical 도요타 지도샤（주）
Publication of KR20130103779A publication Critical patent/KR20130103779A/ko
Application granted granted Critical
Publication of KR101512428B1 publication Critical patent/KR101512428B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Abstract

환경 운동 검출부(40)에 의해서, 자차량의 차속을 검출함과 함께, 주변의 가동물을 검출한다. 충돌 확률 예측부(41)에 의해서, 자차량과, 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측한다. 이동 규범 학습부(44)에 의해서, 규범적인 이동에 관해 구한, 진입 속도, 충돌 확률, 및 다른 가동물의 측방을 통과할 때의 측방 통과 속도에 의거하여, 진입 속도, 충돌 확률, 및 측방 통과 속도의 관계를 학습한다. 궤도 특징점 생성부(48)에 의해서, 이동 규범 학습부(44)의 학습 결과에 의거하여, 검출된 진입 속도 및 예측된 충돌 확률에 대한, 주변의 가동물의 측방을 통과할 때의 규범이 되는 측방 통과 속도를 결정한다. 이것에 의해서, 규범이 되는 가동물 상태를 양호한 정밀도로 결정할 수 있다.

Description

가동물의 목표 상태 결정 장치 및 방법{TARGET STATUS DETERMINATION DEVICE FOR MOVABLE OBJECT, AND METHOD}
본 발명은 가동물(可動物)의 목표 상태 결정 장치 및 방법에 관련되고, 특히, 목표로 하는 가동물 상태를 결정하는 가동물의 목표 상태 결정 장치 및 방법에 관한 것이다.
종래부터 운전자의 운전 경향을 파라미터화 하여, 주행 중에 동승자의 운전 경향 파라미터와 비교하여 운전자에게 제시하여 운전 행동을 동승자에게 가깝게 하여, 동승자에게 있어서 쾌적한 운전 상태로 이끄는 운전 지원 장치가 알려져 있다(일본 공개특허 특개2007-148917호 공보). 이 운전 지원 장치에서는, 운전자의 운전 조작의 특징을 파악한 파라미터를 센서 정보로부터 추정하여, 추정값을 제시함으로써 운전자의 행동 변용을 촉구하는 것을 목적으로 하고 있다.
또, 이동체를 운전하는 드라이버의 상태를 운전 조작으로 표현하고, 외부 환경을 센싱하여 추출한 특징량으로부터 환경 리스크를 인식하여, 양자의 대응을 확률적 상태 천이(遷移) 모델에 학습시키는 안전 운전 지원 장치가 알려져 있다(일본 공개특허 특개2009-262702호 공보). 이 안전 운전 지원 장치는, 학습 후의 확률적 천이 모델에 대해, 현재의 운전 조작과 외부 환경의 특징량을 입력한다. 그리고, 안전 운전 지원 장치는, 환경 리스크가 높음에도 불구하고, 운전 조작이, 리스크를 낮게 어림잡는 상태인 경우에, 위험하다고 판단하여 운전 지원을 생성하고 있다.
그러나, 상기의 일본 공개특허 특개2007-148917호 공보에 기재된 기술에서는, 추정값이, 차량이 장래 그릴 궤도 상의 특징점이 아니라, 동승자(타자(他者))가 과거에 취한 행동의 통계량이며, 시시각각의 충돌 가능성과는 무관하게 제시된다는 문제가 있다.
또, 상기의 일본 공개특허 특개2009-262702호 공보에 기재된 기술에서는, 통상 운전 시와의 일탈을 판정하는 것에 주안을 두고 있다. 환경 리스크가 정량화되어 있기는 하나, 운전 조작의 특징량은, 운전자의 내부 상태를 반영하는 것으로서, 차량 거동과는 무관하다. 따라서, 이동 규범이 설정되지 않고, 시시각각으로 어떤 상태일지를 출력하기는 곤란하다는 문제가 있다.
본 발명은, 상기의 문제점을 해결하기 위해 이루어진 것으로, 목표가 되는 가동물 상태를 양호한 정밀도로 결정할 수 있는 가동물의 목표 상태 결정 장치 및 방법을 제공하는 것을 목적으로 한다.
상기의 목적을 달성하기 위해 본 발명의 제 1 태양(態樣)에 관련된 가동물의 목표 상태 결정 장치는, 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 상기 결정 대상인 가동물의 주변의 가동물을 검출하는 검출부와, 상기 검출부에 의해서 검출된 상기 가동물 상태에 의거하여, 상기 결정 대상인 가동물과, 상기 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측하는 충돌 예측부와, 미리 설정한, 상기 가동물 상태, 상기 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 상기 검출부에 의해서 검출된 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 목표로 하는 가동물 상태를 결정하는 결정부를 포함하여 구성되어 있다.
또, 본 발명의 제 2 태양에 관련된 프로그램은, 컴퓨터를, 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 상기 결정 대상인 가동물의 주변의 가동물을 검출하는 검출부에 의해서 검출된 상기 가동물 상태에 의거하여, 상기 결정 대상인 가동물과, 상기 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측하는 충돌 예측부, 및 미리 설정한, 상기 가동물 상태, 상기 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 상기 검출부에 의해서 검출된 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 목표로 하는 가동물 상태를 결정하는 결정부로서 기능하게 하기 위한 프로그램이다.
본 발명의 제 1 태양 및 제 2 태양에 의하면, 검출부에 의해서, 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 결정 대상인 가동물의 주변의 가동물을 검출한다. 충돌 예측부에 의해서, 검출부에 의해서 검출된 가동물 상태에 의거하여, 결정 대상인 가동물과, 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측한다.
그리고, 결정부에 의해서, 미리 설정한, 가동물 상태, 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 검출부에 의해서 검출된 가동물 상태 및 충돌 예측부에 의해서 예측된 충돌 확률에 대한, 목표로 하는 가동물 상태를 결정한다.
이와 같이, 미리 설정한, 가동물 상태, 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 검출된 가동물 상태 및 예측된 충돌 확률에 대한, 목표로 하는 가동물 상태를 결정함으로써, 목표가 되는 가동물 상태를 양호한 정밀도로 결정할 수 있다.
본 발명의 제 3 태양에 관련된 가동물의 목표 상태 결정 장치는, 결정부에 의해서 결정된 목표가 되는 가동물 상태와, 검출부에 의해서 검출된 가동물 상태와의 차분(差分)에 따라, 운전 지원을 행하는 운전 지원부를 더 포함하도록 할 수 있다.
본 발명의 제 4 태양에 관련된 가동물의 목표 상태 결정 장치는, 결정부에 의해서 결정된 목표로 하는 가동물 상태에 의거하여, 목표로 하는 가동물 상태가 될 때까지의 가동물 상태의 시계열 데이터를 생성하는 생성부를 더 포함하고, 운전 지원부는, 생성부에 의해서 생성된 가동물 상태의 시계열 데이터와, 검출부에 의해서 검출된 가동물 상태와의 차분에 따라, 운전 지원을 행하도록 할 수 있다.
본 발명의 제 5 태양에 관련된 가동물의 목표 상태 결정 장치는, 결정부에 의해서 결정된 목표로 하는 가동물 상태에 의거하여, 목표로 하는 가동물 상태가 될 때까지의 가동물 상태의 시계열 데이터를 생성하는 생성부와, 검출부에 의해서 검출된 가동물 상태에 의거하여, 목표로 하는 가동물 상태가 될 때까지의 결정 대상인 가동물의 가동물 상태의 시계열 데이터를 예측하는 상태 예측부를 더 포함하고, 운전 지원부는, 생성부에 의해서 생성된 가동물 상태의 시계열 데이터와, 상태 예측부에 의해서 예측된 가동물 상태의 시계열 데이터와의 차분에 따라, 운전 지원을 행하도록 할 수 있다.
본 발명의 제 6 태양에 관련된 결정부는, 가동물의 규범적인 이동에 관해 다른 가동물과의 장래적인 충돌 확률이 예측되는 경우에 대해 구한, 가동물 상태, 충돌 확률, 및 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 가동물 상태에 의거하여 미리 설정한, 가동물 상태, 충돌 확률, 및 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 가동물 상태의 관계에 의거하여, 검출부에 의해서 검출된 가동물 상태 및 충돌 예측부에 의해서 예측된 충돌 확률에 대한, 주변의 가동물의 측방, 전방, 또는 후방을 통과할 때의 규범이 되는 가동물 상태를, 목표로 하는 가동물 상태로서 결정하도록 할 수 있다.
본 발명의 제 7 태양에 관련된 가동물의 목표 상태 결정 장치는, 결정 대상인 가동물의 규범적인 이동에 관해, 충돌 예측부에 의해서 예측된 충돌 확률, 당해 충돌 확률을 예측했을 때에 검출부에 의해서 검출된 가동물 상태, 및 다른 가동물의 측방, 전방, 또는 후방을 통과할 때에 검출부에 의해서 검출된 가동물 상태를, 학습 데이터로서 복수 생성하는 학습 데이터 생성부와, 학습 데이터 생성부에 의해서 생성된 복수의 학습 데이터에 의거하여, 결정 대상인 가동물의 규범적인 이동에 있어서의, 가동물 상태, 충돌 확률, 및 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 가동물 상태의 관계를 학습하는 이동 규범 학습부를 더 포함하고, 결정부는, 이동 규범 학습부에 의한 학습 결과에 의거하여, 검출부에 의해서 검출된 가동물 상태 및 충돌 예측부에 의해서 예측된 충돌 확률에 대한, 주변의 가동물의 측방, 전방, 또는 후방을 통과할 때의 규범이 되는 가동물 상태를 목표로 하는 가동물 상태로서 결정하도록 할 수 있다.
이상에서 설명한 바와 같이, 본 발명의 가동물의 목표 상태 결정 장치 및 방법에 의하면, 미리 설정한, 가동물 상태, 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 검출된 가동물 상태 및 예측된 충돌 확률에 대한, 목표로 하는 가동물 상태를 결정함으로써, 목표가 되는 가동물 상태를 양호한 정밀도로 결정할 수 있다는 효과가 얻어진다.
도 1은 본 발명의 제 1 실시형태에 관련된 운전 지원 장치를 나타내는 블록도이다.
도 2는 학습 데이터로서, 진입 속도 및 측방 간격을 취득하는 모습을 나타내는 이미지 도면이다.
도 3은 학습 데이터의 예를 나타내는 도면이다.
도 4는 측방 간격과 측방 통과 속도의 관계를 나타내는 그래프이다.
도 5는 측방 간격과 비(非)충돌 확률의 관계를 나타내는 그래프이다.
도 6은 충돌 확률과 측방 통과 속도의 관계를 나타내는 그래프이다.
도 7은 진입 속도마다의, 회귀 계수를 저장한 테이블을 나타내는 도면이다.
도 8은 규범이 되는 측방 통과 속도를 나타내는 특징점을 생성하는 모습을 나타내는 도면이다.
도 9의 (a)는 차량의 위치의 변화를 나타내는 그래프이다.
도 9의 (b)는 차량의 속도의 변화를 나타내는 그래프이다.
도 9의 (c)는 차량의 가속도의 변화를 나타내는 그래프이다.
도 9의 (d)는 저크(jerk)의 변화를 나타내는 그래프이다.
도 10은 생성된 속도 궤도와 검출된 속도의 차분을 나타내는 도면이다.
도 11은 본 발명의 제 1 실시형태에 관련된 운전 지원 장치의 운전 지원부의 구성을 나타내는 블록도이다.
도 12는 본 발명의 제 1 실시형태에 관련된 운전 지원 장치에 있어서의 운전 지원 처리 루틴의 내용을 나타내는 흐름도이다.
도 13은 뉴럴 네트워크(neural network)를 나타내는 도면이다.
도 14는 본 발명의 제 3 실시형태에 관련된 운전 지원 장치를 나타내는 블록도이다.
도 15는 생성된 특징점과, 검출된 속도의 시계열 데이터로부터 추출된 특징점과의 차분을 나타내는 도면이다.
도 16은 본 발명의 제 3 실시형태에 관련된 운전 지원 장치에 있어서의 운전 지원 처리 루틴의 내용을 나타내는 흐름도이다.
도 17은 검출된 속도의 시계열 데이터로부터 복수의 특징점을 추출한 모습을 나타내는 도면이다.
도 18은 본 발명의 제 4 실시형태에 관련된 운전 지원 장치를 나타내는 블록도이다.
도 19는 생성된 속도 궤도와, 예측한 속도의 시계열 데이터와의 차분을 나타내는 도면이다.
도 20은 본 발명의 제 4 실시형태에 관련된 운전 지원 장치에 있어서의 운전 지원 처리 루틴의 내용을 나타내는 흐름도이다.
도 21은 생성된 조타각(操舵角) 궤도와 검출된 조타각과의 차분, 및 생성된 속도 궤도와 검출된 속도와의 차분을 나타내는 도면이다.
도 22는 생성된 특징점과, 검출된 속도의 시계열 데이터로부터 추출된 특징점과의 차분을 나타내는 도면이다.
도 23은 생성된 조타각 궤도와 검출된 조타각과의 차분을 나타내는 도면, 및 생성된 속도 궤도와 검출된 속도와의 차분을 나타내는 도면이다.
이하에, 도면을 참조하여 본 발명의 실시형태를 상세하게 설명한다. 또한, 본 실시형태에서는, 차량에 탑재된 운전 지원 장치에, 본 발명을 적용한 경우를 예로 들어 설명한다.
도 1에 나타내는 바와 같이, 제 1 실시형태에 관련된 운전 지원 장치(10)는, 자차량(自車輛)의 전방에 대해 레이저를 1차원(수평 방향)으로 주사(走査)하면서 조사하고, 레이저의 반사에 의해 레이저가 조사된 물체의 2차원 위치를 검출하는 레이저 레이더(12)와, 자차량의 운동 상태를 검출하는 운동 센서(14)와, 자차량의 전방을 촬영하는 카메라(18)와, 자차량의 위치를 검출하는 GPS 장치(20)와, 이들 검출 결과에 의거하여, 규범이 되는 차속(車速)과의 차분을 검출하여, 운전 지원을 행하는 컴퓨터(22)를 구비하고 있다.
또, 레이저 레이더(12)는, 차량 전방에 설치되고, 장치를 기준으로 하는 차량 전방에 존재하는 물체까지의 거리를 검출하는 장치이다. 레이저 레이더(12)는, 출력하는 레이저를 수평 방향으로 주사함으로써, 레이저의 반사에 의해 자차량 전방에 존재하는 복수의 물체 표면 상의 복수의 점의 위치를 검출할 수 있다. 레이저 레이더(12)에 의한 검출 결과는, 자차량 전방에 존재하는 물체 표면의 어떤 점의 위치를 나타내는 2차원 좌표의 집합이다. 레이저 레이더(12)에 의한 검출 처리는 일정 사이클로 실행되고, 레이저 레이더(12)는, 각 시점에서의 자차량 전방에 존재하는 물체 표면의 복수의 점의 2차원 위치를 나타내는 데이터를 컴퓨터(22)에 출력한다.
운동 센서(14)는, 자차량의 속도를 계측하는 차속 센서와, 요 레이트(yaw rate)를 계측하는 자이로 센서 또는 자차량의 가속도를 계측하는 가속도 센서로 구성되어 있다.
카메라(18)는, 소형의 CCD 카메라 또는 CMOS 카메라로 구성되고, 차량의 전방을 촬영하도록 차량의 프론트 윈도우 상부 등에 부착되어 있다. 카메라(18)에 의해 촬영된 전방의 도로 상황 등의 화상 데이터는 컴퓨터(22)에 입력된다.
컴퓨터(22)는 CPU, 후술하는 운전 지원 처리 루틴을 실행하기 위한 프로그램을 기억한 ROM, 데이터 등을 기억하는 RAM, 및 이들을 접속하는 버스를 포함하여 구성되어 있다. 이 컴퓨터(22)를 하드웨어와 소프트웨어에 의거하여 정해지는 기능 실현 수단마다 분할한 기능 블록으로 설명한다. 컴퓨터(22)는, 도 1에 나타내는 바와 같이, 전자 지도를 기억한 지도 데이터베이스(38)와, 레이저 레이더(12)에 의해 검출된 물체의 2차원 위치, 운동 센서(14)에 의해 검출된 차속, 요 레이트, 또는 가속도, 카메라(18)에 의해서 촬영된 전방 화상, 기억된 전자 지도, 및 GPS 장치(20)에 의해서 검출된 자차량의 위치에 의거하여, 자차량의 운동 상태, 자차량 주변의 가동물, 자차량 주변의 가동물의 상태, 및 주행 환경의 상황을 검출하는 환경 운동 검출부(40)와, 환경 운동 검출부(40)에 의한 검출 결과로부터, 자차량과, 자차량 주변의 가동물과의 장래적인 충돌 확률을 예측하는 충돌 확률 예측부(41)와, 환경 운동 검출부(40)에 의한 검출 결과 및 상기 충돌 확률 예측부(41)의 예측 결과로부터, 학습 데이터를 생성하는 학습 데이터 생성부(42)와, 학습 데이터에 의거하여, 이동 규범을 나타내는 데이터를 학습하는 이동 규범 학습부(44)와, 이동 규범 학습부(44)에 의한 학습 결과를 기억하는 이동 규범 기억부(46)를 구비하고 있다.
지도 데이터베이스(38)에 기억되어 있는 전자 지도에는, 도로 형상이나 표지(標識) 표시, 건조물에 관한 정보가 저장되어 있다.
환경 운동 검출부(40)는, 운동 센서(14)에 의한 검출 결과로부터, 자차량의 운동 상태로서, 자차량의 차속, 가속도, 또는 요 레이트를 취득한다. 또, 환경 운동 검출부(40)는, GPS 장치(20)에 의해서 검출된 자차(自車) 위치에 의거하여, 지도 데이터베이스(38)의 전자 지도로부터, 자차량 주변의 진입 가능 영역(차선, 보도, 횡단 보도 등)이나, 표지 표시(신호, 일시 정지 등), 건조물에 관한 정보를 검출한다.
또, 환경 운동 검출부(40)는, 레이저 반사점보다 센서측의 영역에는 물체가 존재하고 있지 않고, 반사점의 안길이측은 사각(死角)이라고 정의하여, 레이저 레이더(12)의 계측 데이터에 의거하여, 자차로부터 본 정지물에 의해서 형성되는 사각 영역을 특정한다.
또, 환경 운동 검출부(40)는, 카메라(18)에 의해서 촬영된 전방 화상 및 레이저 레이더(12)의 계측 데이터로부터, 학습형의 패턴 인식 기술(예를 들면, SVM)에 의해서, 전방에 존재하는 가동물의 위치나 크기, 가동물의 종류(예를 들면 보행자, 이륜차, 자동차 등), 자세 상태(방향, 걷는 모습 등), 및 운동 상태(속도, 요 레이트, 가속도 등)를 검출한다. 또한, 환경 운동 검출부(40)는, 레이저 레이더(12)의 계측 데이터의 시간차분을 취함으로써, 이동물과 정지물을 식별한다. 또, 환경 운동 검출부(40)는, 또한 특정된 사각 영역 내에 잠재하는 가동물의 종류 및 가동물의 운동 상태를 검출한다.
충돌 확률 예측부(41)는, 자차량의 주변을 포함하는 맵(map)을 생성하고, 환경 운동 검출부(40)에 의해서 검출된 자차량의 속도에 의거하여, 자차량의 위치 분포 및 속도 분포를 맵 상에 배치한다. 충돌 확률 예측부(41)는, 환경 운동 검출부(40)에 의해서 검출된 자차량 주변의 가동물의 위치 및 자차량 주변의 가동물의 속도에 의거하여, 주변 가동물의 위치 분포 및 속도 분포를 맵 상에 배치한다.
또, 충돌 확률 예측부(41)는, 당해 맵에 있어서, 자차량을 포함하는 각 가동물에 대해, 속도 분포에 의거하여, 위치 분포의 선형(線形) 예측을 행하여, 미리 정의한 1단계분만큼 앞의 시각의 장래 예측을 행한다.
충돌 확률 예측부(41)는, 상기의 장래 분포의 예측을, 미리 설정된 예측 시간분만큼 반복 실행하고, 예측된 자차량의 위치 분포와 주변 가동물의 위치 분포의 겹침에 의거하여, 자차량과 주변 가동물의 충돌 확률을 산출한다.
학습 데이터 생성부(42)는, 규범이 되는 운전자(예를 들면, 숙련 운전자)가 운전하고 있을 때에, 도 2에 나타내는 바와 같이, 환경 운동 검출부(40)에 의한 검출 결과로부터, 주변 가동물의 측방을 통과하기 전(예를 들면, 측방 통과 지점으로부터 100m 앞)의 진입 속도로서, 자차량의 차속을 취득한다. 학습 데이터 생성부(42)는, 환경 운동 검출부(40)에 의한 검출 결과로부터, 주변 가동물의 측방을 통과했을 때의 측방 통과 속도로서, 자차량의 차속을 취득한다. 또, 학습 데이터 생성부(42)는, 환경 운동 검출부(40)에 의한 검출 결과로부터, 자차량의 위치 및 주변 가동물의 위치를 취득하고, 자차량의 위치와 주변 가동물의 위치에 있어서의 횡방향의 거리를, 측방 간격으로서 산출한다. 또, 학습 데이터 생성부(42)는, 주변 가동물의 측방을 통과하기 전에 충돌 확률 예측부(41)에 의해서 예측된 충돌 확률을 취득한다. 학습 데이터 생성부(42)는, 도 3에 나타내는 바와 같이, 상기와 같이 얻어진, 진입 속도, 측방 간격, 충돌 확률, 및 측방 통과 속도로 이루어지는 학습 데이터를 복수 생성한다.
여기서, 측방 간격과 측방 통과 속도는, 도 4에 나타내는 바와 같은 관계가 얻어진다. 예를 들면, 진입 속도를 60㎞/h로 한 경우에, 측방 간격이 넓을수록, 측방 통과 속도는 높아진다. 또, 측방 간격과, 보행자가 랜덤으로 움직이는 경우의 비충돌 확률은, 도 5에 나타내는 바와 같은 관계가 얻어진다. 예를 들면, 진입 속도를 60㎞/h로 한 경우에, 측방 간격이 넓을수록, 비충돌 확률은 높아진다. 또, 보행자의 위치의 분산이 클수록, 비충돌 확률은 낮아진다.
이동 규범 학습부(44)는, 생성된 복수의 학습 데이터에 의거하여, 이동 규범으로서의, 진입 속도, 충돌 확률, 및 측방 통과 속도의 관계를 학습한다. 도 6에 나타내는 바와 같이, 진입 속도마다, 충돌 확률 p와 측방 통과 속도 v의 관계를 나타내는 1차 선형 회귀 v=α×p+β가 학습된다. 학습 결과로서, 도 7에 나타내는 바와 같은, 진입 속도마다, 1차 선형 회귀의 1차 계수 α와 절편(intercept) β가 저장된 테이블이 얻어진다.
이동 규범 기억부(46)는, 학습 결과로서 얻어진, 진입 속도마다, 1차 선형 회귀의 1차 계수 α와 절편 β가 저장된 테이블을 기억한다.
컴퓨터(22)는, 또한, 예측된 충돌 확률과 자차량의 진입 속도에 의거하여, 이동 규범 기억부(46)에 기억된 테이블을 이용하여, 이동 규범이 되는 측방 통과 속도를 결정하고, 속도 궤도의 특징점을 생성하는 궤도 특징점 생성부(48)와, 속도 궤도의 특징점에 의거하여, 현재의 상태로부터 주변 가동물의 측방을 통과할 때까지의 규범이 되는 운동 상태의 시계열 데이터를 나타내는 속도 궤도를 생성하는 속도 궤도 생성부(50)와, 생성된 속도 궤도와, 환경 운동 검출부(40)에 의해서 검출된 자차량의 운동 상태의 각각과의 차분을 검출하는 궤도 차분 검출부(52)와, 생성된 속도 궤도, 및 검출된 속도 궤도와의 차분에 의거하여, 운전 개입 제어를 행하여, 운전 지원을 행하는 운전 지원부(54)를 구비하고 있다. 또한, 궤도 특징점 생성부(48)가 결정부의 일례이고, 속도 궤도 생성부(50)가 생성부의 일례이다.
궤도 특징점 생성부(48)는, 이동 규범 기억부(46)에 기억된 테이블로부터, 검출된 자차량의 진입 속도에 가장 가까운 진입 속도에 대응하는, 1차 선형 회귀의 회귀 계수(1차 계수 α와 절편 β)를 취득한다. 궤도 특징점 생성부(48)는, 취득한 회귀 계수를 적용한 1차 선형 회귀에 따라, 예측된 충돌 확률에 대응하는 측방 통과 속도를 산출하고, 도 8에 나타내는 바와 같이, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다.
속도 궤도 생성부(50)는, 주변 가동물의 측방을 통과하기 전에 검출된 운동 상태(진입 속도)와, 생성된 특징점(측방 통과 속도)을 접속하는 매끄러운 궤도를 생성한다. 예를 들면, 이하의 (1)식에 따라, 가속도의 미분(微分)(도 9의 (d) 참조)의 총 합계가 최소가 되는 궤도, 즉, Jerk 최소 궤도(n=4)를 생성한다(도 10 참조).
Figure 112013057599373-pct00001
또, ti는 개시 시각, tf는 종단(終端) 시각, tp는 경유점 통과 시각, x는 위치, xp는 경유점 위치, xf는 종단점 위치이다.
궤도 차분 검출부(52)는, 자차량의 차속이 검출될 때마다, 도 10에 나타내는 바와 같이, 생성된 차속의 변화를 나타내는 속도 궤도와, 검출된 자차량의 차속의 각각과의 차분을 검출한다.
운전 지원부(54)는, 검출된 차분에 의거하여, 차분을 감소시키도록, 자차량의 가감속 또는 조타를 제어하는 운전 개입 제어를 행한다.
운전 지원부(54)는, 도 11에 나타내는 바와 같이, 속도 궤도 생성부(50)로부터의 출력(속도 궤도)을 입력으로 하여, 제어량(예를 들면, 스로틀 개도(throttle position))을 출력하는 피드포워드(feed-forward) 제어기(60)와, 궤도 차분 검출부(52)로부터의 출력(속도 궤도와의 차분)을 입력으로 하여, 제어량(스로틀 개도)을 출력하는 피드백 제어기(62)와, 피드포워드 제어기(60) 및 피드백 제어기(62)로부터 출력되는 제어량(스로틀 개도)을 가산하는 가산기(64)와, 긴급 회피 판단 기구(66)와, 가산기(64)로부터 출력되는 제어량(스로틀 개도) 및 긴급 회피 판단 기구(66)의 출력(스로틀 개도의 긴급 시 지령값)을 승산하여, 실제의 제어량(스로틀 개도)을 산출하는 승산기(68)를 구비하고 있다.
긴급 회피 판단 기구(66)는, 드라이버가, 자기 판단으로 위험을 피하기 위해 급(急)조작한 경우나, 충돌 시의 피해를 경감하는 긴급 회피 장치(도시 생략)가 작동한 경우에, 긴급 시 지령값을 승산기(68)에 출력한다. 이것에 의해서, 자기 판단에 의한 급조작이나, 긴급 회피 장치의 작동에 의한 제어가 우선된다.
승산기(68)는, 산출한 실제의 제어량(스로틀 개도의 지령값)을, 운전 개입 제어의 제어 대상(예를 들면 엔진)에 출력한다.
다음으로, 본 실시형태에 관련된 운전 지원 장치(10)의 작용에 대해 설명한다.
먼저, 레이저 레이더(12)에 의해서, 레이저가 자차량의 전방을 수평 방향으로 주사되어, 주사 방향과 나란한 레이저 조사 위치로서의 물체의 2차원 위치의 각각까지의 거리가 계측되어, 자차량의 전방에 존재하는 물체의 2차원 위치가 검출된다. 레이저 레이더(12)에 의해서 검출되는 2차원 위치는, 레이저를 주사할 때마다 얻어진다.
또, 운동 센서(14)에 의해서, 차속, 및 요 레이트 또는 가속도가 반복 검출된다. GPS 장치(20)에 의해서, 자차량의 위치가 반복 계측된다. 또, 카메라(18)에 의해서, 전방의 화상이 촬영된다.
규범이 되는 드라이버가 운전하고 있을 때에, 학습 처리의 개시가 지시되면, 컴퓨터(22)는, 카메라(18)에 의해 촬영된 전방 화상, GPS 장치(20)에 의해서 검출된 자차량 위치, 레이저 레이더(12)의 계측 데이터, 운동 센서(14)에 의해서 검출된 차속, 요 레이트 또는 가속도를 취득한다. 그리고, 컴퓨터(22)는, 상기에서 취득한 전방 화상, 자차량 위치, 및 지도 데이터베이스(38)의 전자 지도에 의거하여, 자차량 주변을 포함하는 주행 환경의 상황을 검출한다. 컴퓨터(22)는, 상기에서 취득한 전방 화상 및 레이저 레이더(12)의 계측 결과에 의거하여, 주변의 가동물 및 가동물의 운동 상태를 검출함과 함께, 가동물의 종류 및 정지물을 식별한다.
그리고, 컴퓨터(22)는, 검출된 주변의 가동물과 자차량의 장래의 충돌 확률을 예측한다.
또, 컴퓨터(22)는, 예측된 장래의 충돌 확률과, 충돌 확률을 예측했을 때에 검출된 자차량의 차속(진입 속도)과, 당해 주변의 가동물의 측방을 통과했을 때에 검출된 자차량의 차속(측방 통과 속도)을 학습 데이터로서 수집한다.
다음으로, 컴퓨터(22)는, 수집한 복수의 학습 데이터에 의거하여, 진입 속도마다, 충돌 확률과 측방 통과 속도의 관계를 나타내는 1차 선형 회귀의 1차 계수 α와 절편 β를 학습하고, 학습 결과로서, 진입 속도마다, 1차 계수 α와 절편 β가 저장된 테이블을 얻는다. 컴퓨터(22)는, 얻어진 테이블을, 이동 규범 기억부(46)에 저장한다.
그리고, 컴퓨터(22)에 의해서, 도 12에 나타내는 운전 지원 처리 루틴이 실행된다.
먼저, 단계 100에 있어서, 컴퓨터(22)는, 카메라(18)에 의해 촬영된 전방 화상 및 GPS 장치(20)에 의해서 검출된 자차량 위치를 취득한다. 다음으로, 단계 102에 있어서, 컴퓨터(22)는, 레이저 레이더(12)로부터, 전방에 존재하는 물체의 2차원 위치(주사 방향과 나란한 각 2차원 위치까지의 계측 거리)를 나타내는 데이터를 취득한다. 단계 104에 있어서, 컴퓨터(22)는, 운동 센서(14)에 의해 검출된 차속, 및 요 레이트 또는 가속도를, 자차량의 운동 상태로서 취득한다.
그리고, 단계 106에 있어서, 컴퓨터(22)는, 상기에서 취득한 전방 화상, 자차량 위치, 및 지도 데이터베이스(38)의 전자 지도에 의거하여, 자차량 주변의 각종 주로(走路) 구분의 영역 및 도로 속성을 포함하는 주행 환경의 상황을 검출한다. 다음의 단계 108에서는, 컴퓨터(22)는, 상기에서 취득한 전방 화상, 및 레이저 레이더(12)의 계측 결과에 의거하여, 주변의 가동물 및 가동물의 운동 상태를 검출함과 함께, 가동물의 종류 및 정지물을 식별한다.
그리고, 단계 110에 있어서, 컴퓨터(22)는, 자차량 위치나 자차량 주변을 포함하는 맵을 생성하고, 상기 단계 108에서 검출된 주변의 가동물의 위치 분포 및 속도 분포를 맵 상에 배치한다. 컴퓨터(22)는, 상기 단계 104에서 검출된 운동 상태에 의거하여, 자차량의 위치 분포 및 속도 분포를 맵 상에 배치한다. 그리고, 컴퓨터(22)는, 주변의 가동물의 위치 분포 및 속도 분포와, 자차량의 위치 분포 및 속도 분포에 의거하여, 장래의 충돌 확률을 예측한다.
다음의 단계 112에서는, 컴퓨터(22)는, 상기 단계 110에서 예측된 충돌 확률이 문턱값 이상인지의 여부를 판정하고, 충돌 확률이 문턱값 미만인 경우에는, 운전 지원이 불필요하다고 판단하고, 상기 단계 100으로 되돌아간다. 한편, 충돌 확률이 문턱값 이상인 경우에는, 단계 114에 있어서, 컴퓨터(22)는, 상기 단계 104에서 검출된 자차량의 차속(진입 속도)에 대응하는, 이동 규범을 표현하는 파라미터로서, 1차 선형 회귀의 1차 계수 α와 절편 β를 취득한다. 그리고, 단계 116에 있어서, 컴퓨터(22)는, 상기 단계 114에서 취득한 파라미터와, 상기 단계 110에서 예측된 충돌 확률에 의거하여, 주변의 가동물의 측방을 통과할 때의 규범이 되는 측방 통과 속도를 산출하고, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다.
단계 118에서는, 컴퓨터(22)는, 상기 단계 104에서 검출한 진입 속도를 나타내는 점과, 상기 단계 116에서 생성된 특징점을 매끄럽게 접속하는, 속도의 시계열 데이터를 나타내는 속도 궤도를 생성한다.
다음의 단계 120에서는, 컴퓨터(22)는, 운동 센서(14)에 의해 검출된 차속을 자차량의 운동 상태로서 취득한다. 단계 122에 있어서, 컴퓨터(22)는, 취득한 차속과, 상기 단계 118에서 생성된 속도 궤도와의 차분을 검출한다.
그리고, 단계 124에 있어서, 컴퓨터(22)는, 상기 단계 122에서 검출된 차분이 감소하도록 운전 개입 제어를 행하여, 운전 지원을 행한다. 다음의 단계 126에서는, 컴퓨터(22)는, 속도 궤도의 종단에 도달하였는지의 여부를 판정하고, 예를 들면, 충돌 확률이 문턱값 이상이 되는 주변의 가동물의 측방을 통과하고 있지 않을 경우에는, 속도 궤도의 종단에 도달하고 있지 않다고 판단하고, 상기 단계 120으로 되돌아간다. 한편, 충돌 확률이 문턱값 이상이 되는 주변의 가동물의 측방을 통과한 경우에는, 컴퓨터(22)는, 속도 궤도의 종단에 도달했다고 판단하고, 상기 단계 100으로 되돌아간다.
이상에서 설명한 바와 같이, 제 1 실시형태에 관련된 운전 지원 장치는, 학습한, 진입 속도마다의, 장래의 충돌 확률과 다른 가동물의 측방을 통과할 때의 측방 통과 속도와의 1차 선형 회귀에 의거하여, 검출된 진입 속도 및 예측된 장래의 충돌 확률에 대한, 규범이 되는 측방 통과 속도를 결정한다. 이에 따라, 운전 지원 장치는, 규범이 되는 측방 통과 속도를 양호한 정밀도로 결정할 수 있다.
또, 운전 지원 장치는, 생성한 특징점을 매끄럽게 접속한 속도 궤도와, 실제 차속과의 차분을 검출하고, 차분을 해소하는 바와 같은 피드백 제어를 행함으로써, 이동 규범에 준한 운전이 가능해진다.
또, 운전 지원 장치는, 이동 규범을 학습하는 처리를 간이화할 수 있다. 예를 들면 운전 지원 장치는, 보행자와의 거리, 보행자의 방향, 보행자 속도, 보행자와 횡단 보도의 거리 등, 다양한 상황을 나타내는 정보를, 충돌 확률로 정리하여, 진입 속도 및 측방 통과 속도와의 관계를 학습하고 있기 때문에, 학습 처리를 간이화할 수 있다.
다음으로, 제 2 실시형태에 관련된 운전 지원 장치에 대해 설명한다. 또한, 제 2 실시형태에 관련된 운전 지원 장치는, 제 1 실시형태와 동일한 구성이 되기 때문에, 동일 부호를 붙이고 설명을 생략한다.
제 2 실시형태에서는, 진입 속도와 충돌 확률을 입력으로 하고, 측방 통과 속도를 출력하는 뉴럴 네트워크를 학습하고 있는 점이, 제 1 실시형태와 다르다.
제 2 실시형태에서는, 이동 규범 학습부(44)에 의해서, 생성된 복수의 학습 데이터에 의거하여, 이동 규범으로서의, 진입 속도, 충돌 확률, 및 측방 통과 속도의 관계를 나타내는 뉴럴 네트워크를 학습한다. 도 13에 나타내는 바와 같이, 이동 규범 학습부(44)는, 복수의 학습 데이터에 의거하여, 진입 속도와 충돌 확률을 입력으로 하고, 측방 통과 속도를 출력하는 뉴럴 네트워크의 결합 가중치 w11, w12, …, w31을 학습한다.
이동 규범 기억부(46)는, 학습 결과로서 얻어진, 뉴럴 네트워크의 결합 가중치 w11, w12, …, w31을 기억한다.
궤도 특징점 생성부(48)는, 이동 규범 기억부(46)에 기억된 결합 가중치를 적용한 뉴럴 네트워크에, 자차량의 진입 속도와 예측된 충돌 확률을 입력하여, 측방 통과 속도를 산출하고, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다.
또한, 제 2 실시형태에 관련된 운전 지원 장치의 다른 구성 및 작용에 대해서는, 제 1 실시형태와 동일하기 때문에, 설명을 생략한다.
이상에서 설명한 바와 같이, 제 2 실시형태에 관련된 운전 지원 장치는, 학습한, 진입 속도와, 장래의 충돌 확률과, 다른 가동물의 측방을 통과할 때의 측방 통과 속도와의 관계를 나타내는 뉴럴 네트워크에 의거하여, 검출된 진입 속도 및 예측된 장래의 충돌 확률에 대한, 규범이 되는 측방 통과 속도를 결정한다. 이에 따라, 운전 지원 장치는, 규범이 되는 측방 통과 속도를 양호한 정밀도로 결정할 수 있다.
다음으로, 제 3 실시형태에 관련된 운전 지원 장치에 대해 설명한다. 또한, 제 1 실시형태와 동일한 구성이 되는 부분에 대해서는, 동일 부호를 붙이고 설명을 생략한다.
제 3 실시형태에서는, 규범이 되는 측방 통과 속도를 나타내는 특징점과, 실제 차속과의 차분을 검출하여, 차분을 드라이버에게 제시하고 있는 점이, 제 1 실시형태와 다르다.
도 14에 나타내는 바와 같이, 제 3 실시형태에 관련된 운전 지원 장치(310)의 컴퓨터(322)는, 지도 데이터베이스(38)와, 환경 운동 검출부(40)와, 충돌 확률 예측부(41)와, 학습 데이터 생성부(42)와, 이동 규범 학습부(44)와, 이동 규범 기억부(46)와, 궤도 특징점 생성부(48)와, 환경 운동 검출부(40)에 의해서 검출된 자차량의 운동 상태의 시계열 데이터로부터, 궤도 특징점 생성부(48)에 의해서 생성된 특징점과 대응하는 특징점을 추출하는 특징점 추출부(350)와, 궤도 특징점 생성부(48)에 의해서 생성된 특징점과 특징점 추출부(350)에 의해서 추출된 특징점의 차분을 검출하는 특징점 차분 검출부(352)와, 검출된 특징점의 차분을 표시 장치(324)에 표시하여, 드라이버에게 제시하는 운전 지원부(354)를 구비하고 있다.
특징점 추출부(350)는, 환경 운동 검출부(40)에 의해서 검출된 자차량의 차속을 기록하고, 생성한 특징점 중 가장 먼 것의 부근에 이르기까지 축적하여, 도 15에 나타내는 바와 같은, 자차량의 차속의 시계열 데이터를 얻는다. 생성한 특징점 중 가장 먼 것에 대응하는 위치를 자차량이 통과한 후, 특징점 추출부(350)는, 자차량의 차속의 시계열 데이터로부터, 생성한 특징점에 대응하는 특징점을 추출한다.
특징점 차분 검출부(352)는, 상기 도 15에 나타내는 바와 같이, 궤도 특징점 생성부(48)에 의해서 생성된 특징점과 특징점 추출부(350)에 의해서 추출된 특징점의 차분을 검출한다.
다음으로, 제 3 실시형태에 관련된 운전 지원 처리 루틴에 대해 도 16을 이용하여 설명한다. 또한, 제 1 실시형태와 동일한 처리에 대해서는, 동일 부호를 붙이고 상세한 설명을 생략한다.
먼저, 단계 100에 있어서, 컴퓨터(322)는, 카메라(18)에 의해 촬영된 전방 화상 및 GPS 장치(20)에 의해서 검출된 자차량 위치를 취득한다. 다음으로, 단계 102에 있어서, 컴퓨터(322)는, 레이저 레이더(12)로부터, 전방에 존재하는 물체의 2차원 위치(주사 방향과 나란한 각 2차원 위치까지의 계측 거리)를 나타내는 데이터를 취득한다. 단계 104에 있어서, 컴퓨터(322)는, 운동 센서(14)에 의해 검출된 차속, 및 요 레이트 또는 가속도를 자차량의 운동 상태로서 취득한다.
그리고, 단계 106에 있어서, 컴퓨터(322)는, 자차량 주변의 각종 주로 구분의 영역 및 도로 속성을 포함하는 주행 환경의 상황을 검출한다. 다음의 단계 108에서는, 컴퓨터(322)는, 주변의 가동물 및 가동물의 운동 상태를 검출함과 함께, 가동물의 종류 및 정지물을 식별한다.
그리고, 단계 110에 있어서, 컴퓨터(322)는, 주변의 가동물의 위치 분포 및 속도 분포와, 자차량의 위치 분포 및 속도 분포에 의거하여, 장래의 충돌 확률을 예측한다. 다음의 단계 112에서는, 컴퓨터(322)는, 상기 단계 110에서 예측된 충돌 확률이 문턱값 이상인지의 여부를 판정하고, 충돌 확률이 문턱값 미만인 경우에는, 상기 단계 100으로 되돌아간다. 한편, 충돌 확률이 문턱값 이상인 경우에는, 단계 114에 있어서, 컴퓨터(322)는, 상기 단계 104에서 검출된 자차량의 차속(진입 속도)에 대응하는, 1차 선형 회귀의 1차 계수 α와 절편 β를 취득한다.
그리고, 단계 116에 있어서, 컴퓨터(322)는, 주변의 가동물의 측방을 통과할 때의 규범이 되는 측방 통과 속도를 산출하고, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다.
다음의 단계 368에서는, 컴퓨터(322)는, 운동 센서(14)에 의해 검출된 차속을 자차량의 운동 상태로서 취득함과 함께, GPS 장치(20)에 의해서 검출된 자차량 위치를 취득한다.
그리고, 단계 370에 있어서, 컴퓨터(322)는, 상기 단계 368에서 취득한 자차량 위치에 의거하여, 상기 단계 116에서 생성한 가장 먼 특징점 부근에 도달하였는지의 여부를 판정한다. 자차량 위치가, 충돌 확률이 문턱값 이상이 되는 주변의 가동물의 측방에 도달하지 않은 경우에는, 컴퓨터(322)는, 상기 단계 368로 되돌아간다. 한편, 자차량 위치가, 충돌 확률이 문턱값 이상이 되는 주변의 가동물의 측방에 도달한 경우에는, 컴퓨터(322)는, 가장 먼 특징점 부근에 도달했다고 판단하고, 단계 372로 진행한다.
단계 372에서는, 컴퓨터(322)는, 상기 단계 368에서 취득한 자차량의 차속의 시계열 데이터로부터, 상기 단계 116에서 생성한 특징점에 대응하는 특징점을 추출한다. 단계 374에 있어서, 컴퓨터(322)는, 추출한 특징점과, 상기 단계 116에서 생성된 특징점의 차분을 검출한다.
단계 376에서는, 컴퓨터(322)는, 상기 단계 374에서 검출된 차분을, 사후(事後)적으로 표시 장치(324)에 표시하여, 드라이버에게 제시하고, 상기 단계 100으로 되돌아간다. 예를 들면 컴퓨터(322)는, 속도 ○○㎞로 달려야 함, 등의 메시지를 제시한다.
또한, 상기 단계 368에서, 자차량의 차속을 반복 취득하고 있는 동안에, 돌발적인 이유에 의해 차량이 완전히 정지하거나, 충돌 가능성이 급격히 변화하거나, 운전자가 지원을 캔슬(cancel)한 경우 등에는, 컴퓨터(322)는, 재차 특징점의 생성부터 다시 하도록 하면 된다.
이상에서 설명한 바와 같이, 제 3 실시형태에 관련된 운전 지원 장치는, 드라이버가, 규범이 되는 운전자의 속도 궤도에 따른 속도 제어를 획득할 수 있도록 학습 기회를 줄 수 있다.
또, 생성한 특징점과, 실제의 속도 궤도로부터 추출한 특징점이 괴리되어 있던 경우, 운전 지원 장치는, 이동 규범에 의한 바람직한 속도 궤도의 특징점을 교시할 수 있다.
또, 운전 지원 장치는, 생성한 특징점에 대한, 직감적인 설명성을 향상시킬 수 있다. 예를 들면 운전 지원 장치는, 보행자와의 거리, 보행자의 방향, 보행자 속도, 보행자와 횡단 보도의 거리 등, 다양한 상황을 나타내는 정보를, 충돌 확률로 정리하고 있어, 생성한 특징점이, 진입 속도와 충돌 확률에 의거하는 것을 설명하면 된다. 이 때문에, 드라이버가 이해하기 쉽다.
또한, 자차량의 차속의 시계열 데이터로부터 추출하는 특징점이, 측방 통과 속도를 나타내는 점뿐인 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 예를 들면, 도 17에 나타내는 바와 같이, 운전 지원 장치는, 또한 감속 행동을 개시한 감속 지점을, 특징점으로서 추출해도 된다. 이 경우에는, 운전 지원 장치는, 자차량의 차속의 시계열 변화에 저역 통과 필터를 건 후에 미분하여, 극대 피크 지점을 감속 지점으로서 추출하면 된다.
다음으로, 제 4 실시형태에 관련된 운전 지원 장치에 대해 설명한다. 또한, 제 1 실시형태와 동일한 구성이 되는 부분에 대해서는, 동일 부호를 붙이고 설명을 생략한다.
제 4 실시형태에서는, 자차량의 장래의 운동 상태의 시계열 데이터를 예측하고 있는 점과, 규범이 되는 측방 통과 속도를 나타내는 특징점까지의 궤도(시계열 데이터)와, 예측된 시계열 데이터의 차분을 검출하여, 차분을 드라이버에게 제시하고 있는 점이, 제 1 실시형태와 다르다.
도 18에 나타내는 바와 같이, 제 4 실시형태에 관련된 운전 지원 장치(410)의 컴퓨터(422)는, 지도 데이터베이스(38)와, 환경 운동 검출부(40)와, 충돌 확률 예측부(41)와, 학습 데이터 생성부(42)와, 이동 규범 학습부(44)와, 이동 규범 기억부(46)와, 궤도 특징점 생성부(48)와, 속도 궤도 생성부(50)와, 환경 운동 검출부(40)에 의해서 검출된 자차량의 운동 상태에 의거하여, 자차량의 운동 상태의 시계열 데이터를 예측하는 자차 운동 예측부(450)와, 속도 궤도 생성부(50)에 의해서 생성된 속도 궤도와 자차 운동 예측부(450)에 의해서 예측된 운동 상태의 시계열 데이터와의 차분을 검출하는 궤도 차분 검출부(452)와, 검출된 차분에 따라, 표시 장치(324)에 표시하여, 드라이버에게 제시하는 운전 지원부(454)를 구비하고 있다. 또한, 자차 운동 예측부(450)가 상태 예측부의 일례이다.
환경 운동 검출부(40)는, 또한, 브레이크 페달 센서(도시 생략)나 액셀러레이터 페달 센서(도시 생략)로부터의 출력에 의거하여, 브레이크 페달 상의 발의 위치, 및 액셀러레이터 페달 상의 발의 위치를 검출한다. 또한, 브레이크 페달 센서나 액셀러레이터 페달 센서는, 예를 들면 광전 센서를 이용하여 구성되고, 브레이크 페달 상 및 액셀러레이터 페달 상의 발의 위치를 출력한다.
자차 운동 예측부(450)는, 검출된 자차량의 차속과, 브레이크 페달 상의 발의 위치 및 액셀러레이터 페달 상의 발의 위치의 검출 결과에 의거하여, 자차량의 장래의 차속의 시계열 데이터를 예측한다.
예를 들면, 브레이크 페달과 접촉하는 위치에 발이 있는 것이 검출된 경우에는, 자차 운동 예측부(450)는, 감속 행동 중이라고 추정하여, 현재의 자차량의 차속으로부터, 일정 감속도로 감속하는 바와 같은 차속의 시계열 데이터를 예측한다.
또, 브레이크 페달의 상방에 발이 있는 것이 검출된 경우에는, 자차 운동 예측부(450)는, 감속 의도가 있고, 브레이크에 자세를 취하고 있는 상태라고 추정하여, 공주(空走; free running) 시간을 100㎳ 경과한 후(현재의 자차량의 차속이 100㎳ 계속된 후), 일정 감속도로 감속하는 바와 같은 차속의 시계열 데이터를 예측한다.
또, 액셀러레이터 페달의 상방에 발이 있는 것이 검출된 경우에는, 자차 운동 예측부(450)는, 감속 의도가 있고, 액셀러레이터로부터 발을 떼고 있는 상태라고 추정하여, 공주 시간을 200㎳ 경과한 후(현재의 자차량의 차속이 200㎳ 계속된 후), 일정 감속도로 감속하는 바와 같은 차속의 시계열 데이터를 예측한다.
또, 액셀러레이터 페달과 접촉하는 위치에 발이 있는 것이 검출된 경우에는, 자차 운동 예측부(450)는, 감속 의도가 없다고 추정하여, 공주 시간을 300㎳ 경과한 후(현재의 자차량의 차속이 300㎳ 계속된 후), 일정 감속도로 감속하는 바와 같은 차속의 시계열 데이터를 예측한다.
궤도 차분 검출부(452)는, 도 19에 나타내는 바와 같이, 생성된 차속의 변화를 나타내는 속도 궤도와, 예측된 자차량의 장래의 차속의 시계열 데이터와의 차분을 검출한다.
운전 지원부(454)는, 검출된 차분을 감소시키도록, 차분에 따른 페달 답력(踏力) 또는 조타력을, 표시 장치(324)에 표시함으로써, 운전 지원을 행한다.
다음으로, 제 4 실시형태에 관련된 운전 지원 처리 루틴에 대해 도 20을 이용하여 설명한다. 또한, 제 1 실시형태와 동일한 처리에 대해서는, 동일 부호를 붙이고 상세한 설명을 생략한다.
먼저, 단계 100에 있어서, 컴퓨터(422)는, 카메라(18)에 의해 촬영된 전방 화상 및 GPS 장치(20)에 의해서 검출된 자차량 위치를 취득한다. 다음으로, 단계 102에 있어서, 컴퓨터(422)는, 레이저 레이더(12)로부터, 전방에 존재하는 물체의 2차원 위치(주사 방향과 나란한 각 2차원 위치까지의 계측 거리)를 나타내는 데이터를 취득한다. 단계 468에 있어서, 컴퓨터(422)는, 운동 센서(14)에 의해 검출된 차속, 및 요 레이트 또는 가속도를, 자차량의 운동 상태로서 취득한다. 컴퓨터(422)는, 브레이크 페달 센서 및 액셀러레이터 페달 센서로부터의 출력에 의거하여, 브레이크 페달 상의 발의 위치, 및 액셀러레이터 페달 상의 발의 위치를 검출한다.
그리고, 단계 106에 있어서, 컴퓨터(422)는, 자차량 주변의 각종 주로 구분의 영역 및 도로 속성을 포함하는 주행 환경의 상황을 검출한다. 다음의 단계 108에서는, 컴퓨터(422)는, 주변의 가동물 및 가동물의 운동 상태를 검출함과 함께, 가동물의 종류 및 정지물을 식별한다.
그리고, 단계 110에 있어서, 컴퓨터(422)는, 주변의 가동물의 위치 분포 및 속도 분포와, 자차량의 위치 분포 및 속도 분포에 의거하여, 장래의 충돌 확률을 예측한다. 다음의 단계 112에서는, 컴퓨터(422)는, 상기 단계 110에서 예측된 충돌 확률이 문턱값 이상인지의 여부를 판정하고, 충돌 확률이 문턱값 미만인 경우에는, 상기 단계 100으로 되돌아간다. 한편, 충돌 확률이 문턱값 이상인 경우에는, 단계 114에 있어서, 컴퓨터(422)는, 상기 단계 104에서 검출된 자차량의 차속(진입 속도)에 대응하는, 1차 선형 회귀의 1차 계수 α와 절편 β를 취득한다.
그리고, 단계 116에 있어서, 컴퓨터(422)는, 주변의 가동물의 측방을 통과할 때의 규범이 되는 측방 통과 속도를 산출하고, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다. 다음의 단계 118에서는, 컴퓨터(422)는, 상기 단계 104에서 검출한 진입 속도를 나타내는 점과, 상기 단계 116에서 생성된 특징점을 매끄럽게 접속하는, 속도의 시계열 데이터를 나타내는 속도 궤도를 생성한다.
그리고, 단계 470에 있어서, 컴퓨터(422)는, 상기 단계 468에서 취득한 자차량의 차속과, 검출된 액셀러레이터 페달 및 브레이크 페달 상의 발 위치에 의거하여, 자차량의 장래의 차속의 시계열 데이터를 예측한다.
다음의 단계 472에서는, 컴퓨터(422)는, 상기 단계 470에서 예측한 자차량의 장래의 차속의 시계열 데이터와, 상기 단계 118에서 생성한 속도 궤도와의 차분을 검출한다.
그리고, 단계 474에 있어서, 컴퓨터(422)는, 상기 단계 472에서 검출된 차분에 따른 페달 답력 또는 조타력을, 표시 장치(324)에 표시하여, 드라이버에게 제시하고, 상기 단계 100으로 되돌아간다.
이상에서 설명한 바와 같이, 제 4 실시형태에 관련된 운전 지원 장치는, 드라이버가, 규범이 되는 운전자의 속도 궤도에 따른 속도 제어를 획득할 수 있도록 학습 기회를 줄 수 있다.
또, 운전 지원 장치는, 생성한 규범이 되는 속도 궤도와, 예측된 자차량의 속도의 시계열 데이터가 괴리되어 있던 경우, 차분에 따른 페달 답력 또는 조타력을 제시하여, 경보(警報)적 지원을 행함으로써, 이동 규범에 의한 바람직한 속도 궤도로 유도할 수 있다.
다음으로, 제 5 실시형태에 관련된 운전 지원 장치에 대해 설명한다. 또한, 제 5 실시형태에 관련된 운전 지원 장치의 구성은, 제 1 실시형태와 동일한 구성이 되기 때문에, 동일 부호를 붙이고 설명을 생략한다.
제 5 실시형태에서는, 차속과 조타각의 각각에 대해, 규범이 되는 궤도를 생성하고, 실제의 차속이나 조타각과의 차분을 각각 검출하고 있는 점이, 제 1 실시형태와 다르다.
제 5 실시형태에 관련된 운전 지원 장치에서는, 운동 센서(14)는, 또한 조타각을 검출하는 조타각 센서를 구비하고 있다. 환경 운동 검출부(40)는, 운동 센서(14)에 의한 검출 결과로부터, 또한 자차량의 자세 상태로서, 자차량의 조타각 을 취득한다.
학습 데이터 생성부(42)는, 규범이 되는 운전자(예를 들면, 숙련 운전자)가 운전하고 있을 때에, 환경 운동 검출부(40)에 의한 검출 결과로부터, 주변 가동물의 측방을 통과하기 전의 진입 속도로서, 자차량의 차속을 취득한다. 또, 학습 데이터 생성부(42)는, 환경 운동 검출부(40)에 의한 검출 결과로부터, 주변 가동물의 측방을 통과했을 때의 측방 통과 속도로서, 자차량의 차속을 취득한다. 또, 학습 데이터 생성부(42)는, 환경 운동 검출부(40)에 의한 검출 결과로부터, 주변 가동물의 측방을 통과하기 전의 진입 조타각으로서, 자차량의 조타각을 취득함과 함께, 주변 가동물의 측방을 통과할 때까지에 있어서의 경유 조타각으로서, 자차량의 조타각을 취득한다.
또, 학습 데이터 생성부(42)는, 환경 운동 검출부(40)에 의한 검출 결과로부터, 자차량의 위치 및 주변 가동물의 위치를 취득하고, 자차량의 위치와 주변 가동물의 위치에 있어서의 횡방향의 거리를, 측방 간격으로서 산출한다. 또, 학습 데이터 생성부(42)는, 주변 가동물의 측방을 통과하기 전에 충돌 확률 예측부(41)에 의해서 예측된 충돌 확률을 취득한다. 학습 데이터 생성부(42)는, 상기와 같이 얻어진, 진입 속도, 측방 간격, 충돌 확률, 측방 통과 속도, 진입 조타각, 및 경유 조타각으로 이루어지는 학습 데이터를 복수 생성한다.
이동 규범 학습부(44)는, 생성된 복수의 학습 데이터에 의거하여, 이동 규범으로서의, 진입 속도, 충돌 확률, 및 측방 통과 속도의 관계를 학습한다. 또, 이동 규범 학습부(44)는, 생성된 복수의 학습 데이터에 의거하여, 이동 규범으로서의, 진입 조타각, 충돌 확률, 및 경유 조타각의 관계를 학습한다.
이동 규범 기억부(46)는, 학습 결과로서 얻어진, 진입 속도마다, 충돌 확률과 측방 통과 속도의 관계를 나타내는 1차 선형 회귀의 1차 계수 α와 절편 β가 저장된 테이블을 기억한다. 또, 이동 규범 기억부(46)는, 학습 결과로서 얻어진, 진입 조타각마다, 충돌 확률과 경유 조타각의 관계를 나타내는 1차 선형 회귀의 1차 계수 α와 절편 β가 저장된 테이블을 기억한다.
궤도 특징점 생성부(48)는, 이동 규범 기억부(46)에 기억된 테이블로부터, 자차량의 진입 속도에 대응하는, 충돌 확률과 경유 조타각의 관계를 나타내는 1차 선형 회귀의 1차 계수 α와 절편 β를 취득하고, 예측된 충돌 확률에 대응하는 경유 조타각을 산출한다. 또, 궤도 특징점 생성부(48)는, 도 21에 나타내는 바와 같이, 산출된 경유 조타각을 나타내는 특징점을 생성한다.
또, 궤도 특징점 생성부(48)는, 이동 규범 기억부(46)에 기억된 테이블로부터, 자차량의 진입 속도에 대응하는, 충돌 확률과 측방 통과 속도의 관계를 나타내는 1차 선형 회귀의 1차 계수 α와 절편 β를 취득하고, 예측된 충돌 확률에 대응하는 측방 통과 속도를 산출한다. 또, 궤도 특징점 생성부(48)는, 도 21에 나타내는 바와 같이, 산출된 측방 통과 속도를 나타내는 특징점을 생성한다.
속도 궤도 생성부(50)는, 현 시점의 운동 상태(진입 속도)와, 생성된 특징점(측방 통과 속도)을 접속하는 매끄러운 속도 궤도를 생성한다. 또, 속도 궤도 생성부(50)는, 현 시점의 조타각(진입 조타각)과, 생성된 특징점(경유 조타각)을 접속하는 매끄러운 조타각 궤도를 생성한다.
궤도 차분 검출부(52)는, 자차량의 차속이 검출될 때마다, 생성된 속도 궤도와, 검출된 자차량의 차속과의 차분을 검출한다. 또, 궤도 차분 검출부(52)는, 자차량의 조타각이 검출될 때마다, 생성된 조타각 궤도와, 검출된 자차량의 조타각과의 차분을 검출한다.
운전 지원부(54)는, 검출된 차속의 차분에 의거하여, 차분을 감소시키도록, 자차량의 가감속을 제어하는 운전 개입 제어를 행한다. 또, 운전 지원부(54)는, 검출된 조타각의 차분에 의거하여, 차분을 감소시키도록, 자차량의 조타각을 제어하는 운전 개입 제어를 행한다.
또한, 제 5 실시형태에 관련된 운전 지원 장치의 다른 구성 및 작용에 대해서는, 제 1 실시형태와 동일하기 때문에, 설명을 생략한다.
이상에서 설명한 바와 같이, 제 5 실시형태에 관련된 운전 지원 장치는, 학습한, 진입 속도마다의, 장래의 충돌 확률과 다른 가동물의 측방을 통과할 때의 측방 통과 속도의 1차 선형 회귀에 의거하여, 검출된 진입 속도 및 예측된 장래의 충돌 확률에 대한, 규범이 되는 측방 통과 속도를 결정한다. 이에 따라, 운전 지원 장치는, 규범이 되는 측방 통과 속도를 양호한 정밀도로 결정할 수 있다. 또, 운전 지원 장치는, 학습한, 진입 조타각마다의, 장래의 충돌 확률과 다른 가동물의 측방을 통과할 때까지의 경유 조타각과의 1차 선형 회귀에 의거하여, 검출된 진입 조타각 및 예측된 장래의 충돌 확률에 대한, 규범이 되는 경유 조타각을 결정한다. 이에 따라, 운전 지원 장치는, 규범이 되는 경유 조타각을 양호한 정밀도로 결정할 수 있다.
또한, 상기의 제 5 실시형태에서 설명한, 규범이 되는 경유 조타각도 결정하는 기술을, 상기 제 2 실시형태∼제 4 실시형태에 적용해도 된다.
또, 상기의 제 1 실시형태∼제 5 실시형태에서는, 결정하는 자차량의 상태를, 속도나 조타각으로 한 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 운전 지원 장치는, 자차량의 위치 등의 다른 물리량을, 자차량의 상태로서 결정해도 된다. 예를 들면 운전 지원 장치는, 진입 시의 자차량의 위치와, 장래의 충돌 확률에 대응하는, 규범이 되는 측방 통과 시의 자차량의 위치를 결정하도록 해도 된다.
또, 운전 지원 장치는, 자차량의 위치 분포와 주변 가동물의 위치 분포를 선형 예측하고, 충돌 확률을 예측하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 예를 들면 운전 지원 장치는, 처리 주체가 되는 자차량과, 검출된 주변 가동물의 각각에 대해, 적당한 운동 방정식을 가정하고, 제어 입력에 난수(亂數)를 입력함으로써, 몇 초 앞(예를 들면 5초)까지 이동할 수 있는 영역의 예측을, 충분히 많은 횟수에 걸쳐 반복해서 행하여도 된다(몬테카를로(Monte Carlo)법). 그리고, 운전 지원 장치는, 자차량과 주변 가동물의 겹침 정도를, 충돌 확률로서 예측하도록 해도 된다. 또, 예를 들면 운전 지원 장치는, 처리 주체가 되는 자차량과, 검출된 주변 가동물의 각각에 대해, 맵 상에, 미리 정한 개수의 가동물 입자를 생성하고, 각 가동물 입자의 이동 및 리샘플링을 반복함으로써, 몇 초 앞(예를 들면 5초)까지 이동할 수 있는 영역을 예측해도 된다. 그리고, 운전 지원 장치는, 자차량과 주변 가동물의 겹침 정도를, 충돌 확률로서 예측하도록 해도 된다.
또, 운전 지원 장치는, 검출된 차분에 따른, 운전 개입 제어 또는 표시 장치에 의한 표시를 행하여, 운전 지원을 행하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 운전 지원 장치는, 검출된 차분에 따른 운전 개입 제어를 행함과 함께, 검출된 차분에 따른 표시 장치에 의한 표시를 행하여도 된다. 이와 같이, 운전 지원 장치는, 이동 규범을 토대로 한 충돌을 미연에 막는 예방 안전 시스템과 교시 시스템을 동일 구성으로 실현할 수 있다.
또, 운전 지원 장치는, 검출된 차분에 따른 표시 장치의 표시에 의해, 드라이버에게 제시하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 운전 지원 장치는, 검출된 차분에 따른 음성을 출력하여, 드라이버에게 제시하도록 해도 된다.
또, 운전 지원 장치는, 레이저 레이더에 의해 레이저를 전방에 주사하여 물체의 위치를 검출하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 운전 지원 장치는, 밀리미터파 등의 전자파를 전방에 주사하여 물체의 위치를 검출하도록 해도 된다.
또, 운전 지원 장치는, 레이저 레이더에 의해서 자차량 전방의 물체의 위치를 검출하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 예를 들면 운전 지원 장치는, 스테레오 카메라에 의해서 촬영된 전방 화상으로부터, 자차량 전방의 물체의 위치를 검출하도록 해도 된다.
또, 운전 지원 장치는, 카메라를 이용한 스테레오 기술에 의해서, 자차량에서 본 사각 영역을 특정하도록 해도 된다.
또, 운전 주체가 드라이버인 경우를 예로 들어 설명했지만, 이것에 한정되는 것이 아니라, 운전 주체가 학습형 기계여도 된다. 이 경우에는, 바람직한 속도 궤도나 특징점의 교시에 의해 기계 학습이 가능해진다(강화 학습에 의한 학습 등).
또, 운전 지원 장치는, 목표가 되는 가동물 상태로서, 주변 가동물의 측방을 통과할 때의 측방 통과 속도를 결정하는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 예를 들면 도 22에 나타내는 바와 같이, 운전 지원 장치는, 교차점에서 마주치는 순간의 교차 차량(교차로에서 좌우회전 대기 중인 차량)의 전방을 통과할 때의 전방 통과 속도를 결정해도 된다. 이 경우에는, 운전 지원 장치는, 이동 규범 기억부(46)에 기억된 테이블에 의거하여, 검출된 자차량의 진입 속도 및 예측된 충돌 확률에 대응하는 전방 통과 속도를 산출하고, 상기 도 22에 나타내는 바와 같이, 산출된 전방 통과 속도를 나타내는 특징점을 생성한다. 또는, 운전 지원 장치는, 이동 규범 기억부(46)에 기억된 테이블로부터, 자차량의 진입 속도 및 예측된 충돌 확률에 대응하는 경유 조타각을 산출하고, 도 23에 나타내는 바와 같이, 산출된 경유 조타각을 나타내는 특징점을 생성한다. 또, 운전 지원 장치는, 이동 규범 기억부(46)에 기억된 테이블로부터, 자차량의 진입 속도 및 예측된 충돌 확률에 대응하는 전방 통과 속도를 산출하고, 도 23에 나타내는 바와 같이, 산출된 전방 통과 속도를 나타내는 특징점을 생성한다.
또, 상기의 실시형태에서 설명한 기술을, 차고로부터 출고하고 있는 차량의 후방을 통과할 때의 후방 통과 속도를 결정하는 경우에도 적용할 수 있다.
또, 이동 규범 기억부(46)가, 학습 결과로서 얻어진 진입 속도, 충돌 확률, 및 측방 통과 속도의 관계를 나타내는 테이블을 기억하고 있는 경우를 예로 들어 설명했지만, 이것에 한정되는 것은 아니다. 이동 규범 기억부(46)가, 규범이 되는 운전자(예를 들면, 숙련 운전자)가 운전하고 있을 때에 얻어진 운전 데이터(진입 속도, 충돌 확률, 및 측방 통과 속도)의 테이블을 기억하도록 해도 된다.
본 발명의 프로그램을, 기억 매체에 저장하여 제공하는 것도 가능하다.
본 발명에 관련된 컴퓨터로 판독 가능한 매체는, 컴퓨터를, 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 상기 결정 대상인 가동물의 주변의 가동물을 검출하는 검출부에 의해서 검출된 상기 가동물 상태에 의거하여, 상기 결정 대상인 가동물과, 상기 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측하는 충돌 예측부, 및 미리 설정한, 상기 가동물 상태, 상기 충돌 확률, 및 목표로 하는 가동물 상태의 관계에 의거하여, 상기 검출부에 의해서 검출된 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 목표로 하는 가동물 상태를 결정하는 결정부로서 기능하게 하기 위한 프로그램을 기억한다.
일본 출원 2010-267551의 개시는 그 전체가 참조에 의해 본 명세서에 도입된다.
본 명세서에 기재된 모든 문헌, 특허 출원, 및 기술 규격은 개개의 문헌, 특허 출원, 및 기술 규격이 참조에 의해 도입되는 것이 구체적이고도 개개에 기재된 경우와 동일한 정도로, 본 명세서 중에 참조에 의해 도입된다.

Claims (7)

  1. 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 상기 결정 대상인 가동물의 주변의 가동물의 가동물 상태를 검출하는 검출부와,
    상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 주변의 가동물의 가동물 상태에 의거하여, 상기 결정 대상인 가동물과, 상기 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측하는 충돌 예측부와,
    미리 설정한, 상기 결정 대상인 가동물의 가동물 상태, 및 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때에 예측되는 상기 충돌 확률에 따라, 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때보다 나중의 상기 결정 대상인 가동물의 가동물 상태인 목표로 하는 가동물 상태가 구해지는 관계에 의거하여, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태를 결정하는 결정부를 포함하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  2. 제 1 항에 있어서,
    상기 결정부에 의해서 결정된 상기 결정 대상인 가동물의 목표가 되는 상기 가동물 상태와, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 상기 가동물 상태와의 차분에 따라, 운전 지원을 행하는 운전 지원부를 더 포함하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  3. 제 2 항에 있어서,
    상기 결정부에 의해서 결정된 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태에 의거하여, 상기 목표로 하는 가동물 상태가 될 때까지의 상기 결정 대상인 가동물의 가동물 상태의 시계열 데이터를 생성하는 생성부를 더 포함하고,
    상기 운전 지원부는, 상기 생성부에 의해서 생성된 상기 결정 대상인 가동물의 가동물 상태의 시계열 데이터와, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 상기 가동물 상태와의 차분에 따라, 운전 지원을 행하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  4. 제 2 항에 있어서,
    상기 결정부에 의해서 결정된 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태에 의거하여, 상기 목표로 하는 가동물 상태가 될 때까지의 상기 결정 대상인 가동물의 가동물 상태의 시계열 데이터를 생성하는 생성부와,
    상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 상기 가동물 상태에 의거하여, 상기 목표로 하는 가동물 상태가 될 때까지의 상기 결정 대상인 가동물의 상기 가동물 상태의 시계열 데이터를 예측하는 상태 예측부를 더 포함하고,
    상기 운전 지원부는, 상기 생성부에 의해서 생성된 상기 결정 대상인 가동물의 가동물 상태의 시계열 데이터와, 상기 상태 예측부에 의해서 예측된 상기 결정 대상인 가동물의 가동물 상태의 시계열 데이터와의 차분에 따라, 운전 지원을 행하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  5. 제 1 항에 있어서,
    상기 결정부는, 가동물의 규범적인 이동에 관해 다른 가동물과의 장래적인 충돌 확률이 예측되는 경우에 대해 구한, 상기 결정 대상인 가동물의 가동물 상태, 상기 충돌 확률, 및 상기 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 상기 결정 대상인 가동물의 가동물 상태에 의거하여 미리 설정한, 상기 결정 대상인 가동물의 가동물 상태, 및 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때에 예측되는 상기 충돌 확률에 따라, 상기 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 상기 결정 대상인 가동물의 가동물 상태인 상기 목표로 하는 가동물 상태가 구해지는 관계에 의거하여, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 주변의 가동물의 측방, 전방, 또는 후방을 통과할 때의 규범이 되는 상기 결정 대상인 가동물의 가동물 상태를, 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태로서 결정하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  6. 제 5 항에 있어서,
    상기 결정 대상인 가동물의 규범적인 이동에 관해, 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률, 상기 충돌 확률을 예측했을 때에 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 상기 가동물 상태, 및 상기 다른 가동물의 측방, 전방, 또는 후방을 통과할 때에 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 상기 가동물 상태를, 학습 데이터로서 복수 생성하는 학습 데이터 생성부와,
    상기 학습 데이터 생성부에 의해서 생성된 복수의 학습 데이터에 의거하여, 상기 결정 대상인 가동물의 규범적인 이동에 있어서의, 상기 결정 대상인 가동물의 가동물 상태, 및 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때에 예측되는 상기 충돌 확률에 따라, 상기 다른 가동물의 측방, 전방, 또는 후방을 통과할 때의 상기 결정 대상인 가동물의 가동물 상태인 상기 목표로 하는 가동물 상태가 구해지는 관계를 학습하는 이동 규범 학습부를 더 포함하고,
    상기 결정부는, 상기 이동 규범 학습부에 의한 학습 결과에 의거하여, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 주변의 가동물의 측방, 전방, 또는 후방을 통과할 때의 규범이 되는 상기 결정 대상인 가동물의 가동물 상태를 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태로서 결정하는 것을 특징으로 하는 가동물의 목표 상태 결정 장치.
  7. 충돌 예측부에 의해서, 결정 대상인 가동물의, 위치, 자세 상태, 또는 운동 상태인 가동물 상태를 검출함과 함께, 상기 결정 대상인 가동물의 주변의 가동물의 가동물 상태를 검출하는 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 주변의 가동물의 가동물 상태에 의거하여, 상기 결정 대상인 가동물과, 상기 검출된 주변의 가동물과의 장래적인 충돌 확률을 예측하고,
    결정부에 의해서, 미리 설정한, 상기 결정 대상인 가동물의 가동물 상태, 및 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때에 예측되는 상기 충돌 확률에 따라, 상기 결정 대상인 가동물의 가동물 상태가 검출되었을 때보다 나중의 상기 결정 대상인 가동물의 상기 가동물 상태인 목표로 하는 가동물 상태가 구해지는 관계에 의거하여, 상기 검출부에 의해서 검출된 상기 결정 대상인 가동물의 가동물 상태 및 상기 충돌 예측부에 의해서 예측된 상기 충돌 확률에 대한, 상기 결정 대상인 가동물의 상기 목표로 하는 가동물 상태를 결정하는 것을 특징으로 하는 가동물의 목표 상태 결정 방법.
KR1020137016741A 2010-11-30 2011-11-21 가동물의 목표 상태 결정 장치 및 방법 KR101512428B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2010-267551 2010-11-30
JP2010267551A JP5189157B2 (ja) 2010-11-30 2010-11-30 可動物の目標状態決定装置及びプログラム
PCT/JP2011/076837 WO2012073745A1 (ja) 2010-11-30 2011-11-21 可動物の目標状態決定装置及びプログラム

Publications (2)

Publication Number Publication Date
KR20130103779A KR20130103779A (ko) 2013-09-24
KR101512428B1 true KR101512428B1 (ko) 2015-04-16

Family

ID=46171688

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137016741A KR101512428B1 (ko) 2010-11-30 2011-11-21 가동물의 목표 상태 결정 장치 및 방법

Country Status (6)

Country Link
US (1) US9132775B2 (ko)
EP (1) EP2648172A4 (ko)
JP (1) JP5189157B2 (ko)
KR (1) KR101512428B1 (ko)
CN (1) CN103250196A (ko)
WO (1) WO2012073745A1 (ko)

Families Citing this family (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9405727B2 (en) 2011-02-23 2016-08-02 Toyota Jidosha Kabushiki Kaisha Driving support device, driving support method, and driving support program
JP5590236B2 (ja) 2011-06-13 2014-09-17 トヨタ自動車株式会社 運転支援装置及び運転支援方法
DE102011116169A1 (de) * 2011-10-14 2013-04-18 Continental Teves Ag & Co. Ohg Vorrichtung zur Unterstützung eines Fahrers beim Fahren eines Fahrzeugs oder zum autonomen Fahren eines Fahrzeugs
CN103198708B (zh) * 2013-03-21 2014-12-17 东南大学 一种降低侧向撞击交通事故概率的车辆调控方法
US9327693B2 (en) 2013-04-10 2016-05-03 Magna Electronics Inc. Rear collision avoidance system for vehicle
US9205835B2 (en) * 2014-01-30 2015-12-08 Mobileye Vision Technologies Ltd. Systems and methods for detecting low-height objects in a roadway
DE102014205014A1 (de) * 2014-03-18 2015-09-24 Ford Global Technologies, Llc Verfahren und Vorrichtung zum Erfassen von bewegten Objekten in der Umgebung eines Fahrzeugs
DE102014205170A1 (de) * 2014-03-20 2015-11-26 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug
JP5799238B1 (ja) * 2014-03-28 2015-10-21 パナソニックＩｐマネジメント株式会社 無線装置、処理装置、及び処理システム
US10482658B2 (en) * 2014-03-31 2019-11-19 Gary Stephen Shuster Visualization and control of remote objects
KR102051142B1 (ko) * 2014-06-13 2019-12-02 현대모비스 주식회사 차량용 운전자 위험 지수 관리 시스템 및 그 방법
US10049574B2 (en) * 2014-09-01 2018-08-14 Komatsu Ltd. Transporter vehicle, dump truck, and transporter vehicle control method
JP6413621B2 (ja) * 2014-10-22 2018-10-31 株式会社デンソー 車載用物体判別装置
KR101628503B1 (ko) * 2014-10-27 2016-06-08 현대자동차주식회사 운전자 보조장치 및 그 작동 방법
KR102295698B1 (ko) * 2014-11-28 2021-08-30 현대모비스 주식회사 차량의 전방충돌위험경보 및 안전운행가이드 시스템 및 그 제어방법
EP3239957A4 (en) * 2014-12-26 2018-08-15 The Yokohama Rubber Co., Ltd. Collision avoidance system
WO2017002258A1 (ja) * 2015-07-02 2017-01-05 三菱電機株式会社 経路予測装置
SE539097C2 (en) * 2015-08-20 2017-04-11 Scania Cv Ab Method, control unit and system for avoiding collision with vulnerable road users
WO2017038166A1 (ja) * 2015-08-28 2017-03-09 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
EP3358546A4 (en) 2015-09-29 2019-05-01 Sony Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, AND PROGRAM
KR101714250B1 (ko) 2015-10-28 2017-03-08 현대자동차주식회사 주변 차량의 이동 경로의 예측 방법
JP6354746B2 (ja) * 2015-12-24 2018-07-11 マツダ株式会社 運転支援装置
JP6139722B1 (ja) * 2016-02-19 2017-05-31 ヤフー株式会社 推定装置、推定方法及び推定プログラム
JP6531689B2 (ja) * 2016-03-22 2019-06-19 株式会社デンソー 移動軌跡検出装置、移動物体検出装置、移動軌跡検出方法
US11120353B2 (en) * 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network
WO2018042498A1 (ja) 2016-08-29 2018-03-08 マツダ株式会社 車両制御装置
JP6656602B2 (ja) * 2016-08-29 2020-03-04 マツダ株式会社 車両制御装置
JP6380919B2 (ja) * 2016-09-01 2018-08-29 マツダ株式会社 車両制御装置
JP6380920B2 (ja) * 2016-09-05 2018-08-29 マツダ株式会社 車両制御装置
US10351130B2 (en) 2016-09-06 2019-07-16 Mazda Motor Corporation Vehicle control system
JP2018045426A (ja) * 2016-09-14 2018-03-22 いすゞ自動車株式会社 衝突確率推定装置
US10994726B2 (en) * 2016-10-21 2021-05-04 Mazda Motor Corporation Vehicle control system
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles
US20200062244A1 (en) * 2016-11-29 2020-02-27 Mazda Motor Corporation Vehicle control device
CN110023165A (zh) * 2016-11-29 2019-07-16 马自达汽车株式会社 车辆控制装置
EP3549837A4 (en) * 2016-12-05 2020-07-29 Mazda Motor Corporation VEHICLE CONTROL UNIT
WO2018132608A2 (en) * 2017-01-12 2018-07-19 Mobileye Vision Technologies Ltd. Navigation based on occlusion zones
US10627812B2 (en) * 2017-02-14 2020-04-21 Honda Research Institute Europe Gmbh Risk based driver assistance for approaching intersections of limited visibility
JP6460580B2 (ja) * 2017-03-17 2019-01-30 マツダ株式会社 運転支援制御装置
US10814913B2 (en) 2017-04-12 2020-10-27 Toyota Jidosha Kabushiki Kaisha Lane change assist apparatus for vehicle
KR102060662B1 (ko) * 2017-05-16 2019-12-30 삼성전자주식회사 차량의 주행 이벤트를 검출하는 전자 장치 및 방법
WO2018220786A1 (ja) * 2017-06-01 2018-12-06 三菱電機株式会社 移動体制御装置、移動体制御方法及び移動体制御プログラム
US10710579B2 (en) * 2017-06-01 2020-07-14 Waymo Llc Collision prediction system
JP6627821B2 (ja) 2017-06-06 2020-01-08 トヨタ自動車株式会社 車線変更支援装置
JP6642522B2 (ja) * 2017-06-06 2020-02-05 トヨタ自動車株式会社 車線変更支援装置
JP6627822B2 (ja) 2017-06-06 2020-01-08 トヨタ自動車株式会社 車線変更支援装置
KR102221153B1 (ko) * 2017-06-08 2021-02-26 현대모비스 주식회사 차량용 헤드램프 시스템 및 이의 제어 방법
JP6897349B2 (ja) * 2017-06-09 2021-06-30 トヨタ自動車株式会社 運転支援装置
KR101794310B1 (ko) 2017-08-28 2017-11-07 공간정보기술 주식회사 스테레오 카메라를 이용한 교차로 이동 객체 충돌 방지시스템
JP6905433B2 (ja) * 2017-09-13 2021-07-21 株式会社デンソーアイティーラボラトリ 車両行動予測装置、車両行動予測方法および車両行動予測用のニューラルネットワークの学習方法
US10814811B2 (en) * 2017-09-30 2020-10-27 Physician Electronic Networks, L.L.C. Collision detection system
JP6573223B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6573224B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6573222B2 (ja) * 2017-10-24 2019-09-11 マツダ株式会社 車両制御装置
JP6917878B2 (ja) * 2017-12-18 2021-08-11 日立Astemo株式会社 移動体挙動予測装置
CN108082107B (zh) * 2017-12-19 2019-07-09 奇瑞汽车股份有限公司 信息提醒方法、装置及计算机可读存储介质
JP6525413B1 (ja) * 2017-12-28 2019-06-05 マツダ株式会社 車両制御装置
DE102018206786A1 (de) * 2018-05-03 2019-11-07 Robert Bosch Gmbh Verfahren zur satellitengestützten Ermittlung einer Fahrzeugposition mittels eines Bewegungs- und Positionssensors
US11062606B2 (en) * 2018-05-10 2021-07-13 Bastien Beauchamp Method and system for vehicle-to-pedestrian collision avoidance
JP7195588B2 (ja) * 2018-10-25 2022-12-26 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
US10814870B2 (en) * 2018-12-04 2020-10-27 GM Global Technology Operations LLC Multi-headed recurrent neural network (RNN) for multi-class trajectory predictions
US10919543B2 (en) * 2019-01-30 2021-02-16 StradVision, Inc. Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
JP2020154384A (ja) * 2019-03-18 2020-09-24 いすゞ自動車株式会社 衝突確率算出装置、衝突確率算出システムおよび衝突確率算出方法
GB202215836D0 (en) 2019-05-07 2022-12-07 Motional Ad Llc Systems and methods for planning and updating a vehicle's trajectory
US11132562B2 (en) 2019-06-19 2021-09-28 Toyota Motor Engineering & Manufacturing North America, Inc. Camera system to detect unusual circumstances and activities while driving
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
KR20220026656A (ko) * 2020-08-25 2022-03-07 현대모비스 주식회사 차량의 주행 제어 시스템 및 방법
CN112382820B (zh) * 2020-11-12 2021-08-17 上海理工大学 一种主动控制电池保护装置及其控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009234442A (ja) 2008-03-27 2009-10-15 Equos Research Co Ltd 運転操作支援装置
JP2009244985A (ja) 2008-03-28 2009-10-22 Toyota Central R&D Labs Inc 運転支援装置及び歩行者検出装置
JP2010182236A (ja) 2009-02-09 2010-08-19 Toyota Motor Corp 移動領域予測装置
JP2010235072A (ja) 2009-03-31 2010-10-21 Equos Research Co Ltd 制御装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3938023B2 (ja) * 2002-11-27 2007-06-27 日産自動車株式会社 リスクポテンシャル算出装置、車両用運転操作補助装置、その装置を備える車両およびリスクポテンシャル演算方法
JP4097519B2 (ja) 2002-12-24 2008-06-11 株式会社豊田中央研究所 危険感受度推定装置、安全運転評価装置及び警報装置
JP4578795B2 (ja) 2003-03-26 2010-11-10 富士通テン株式会社 車両制御装置、車両制御方法および車両制御プログラム
JP4055656B2 (ja) * 2003-05-30 2008-03-05 トヨタ自動車株式会社 衝突予測装置
FR2889882B1 (fr) * 2005-08-19 2009-09-25 Renault Sas Procede et systeme de prediction de choc entre un vehicule et un pieton.
JP4720386B2 (ja) * 2005-09-07 2011-07-13 株式会社日立製作所 運転支援装置
CN101287634B (zh) * 2005-10-13 2012-08-15 日产自动车株式会社 车辆驾驶辅助系统
JP2007148917A (ja) 2005-11-29 2007-06-14 Aisin Aw Co Ltd 運転支援装置
WO2007102367A1 (ja) * 2006-02-28 2007-09-13 Toyota Jidosha Kabushiki Kaisha 物体進路予測方法、装置、プログラム、および自動運転システム
US20070276600A1 (en) * 2006-03-06 2007-11-29 King Timothy I Intersection collision warning system
EP1898232B1 (en) * 2006-09-08 2010-09-01 Ford Global Technologies, LLC Method and system for collision avoidance
JP2008234593A (ja) * 2007-03-23 2008-10-02 Toyota Motor Corp 車両の行動予測装置
US7710248B2 (en) * 2007-06-12 2010-05-04 Palo Alto Research Center Incorporated Human-machine-interface (HMI) customization based on collision assessments
JP4715826B2 (ja) * 2007-09-28 2011-07-06 住友電気工業株式会社 車両運転支援システム、運転支援装置、車両及び車両運転支援方法
EP2085279B1 (en) * 2008-01-29 2011-05-25 Ford Global Technologies, LLC A system for collision course prediction
JP5161643B2 (ja) 2008-04-23 2013-03-13 富士重工業株式会社 安全運転支援システム
JP2010072839A (ja) * 2008-09-17 2010-04-02 Toyota Motor Corp 衝突予測装置
JP4706984B2 (ja) * 2009-02-25 2011-06-22 トヨタ自動車株式会社 衝突推定装置及び衝突推定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009234442A (ja) 2008-03-27 2009-10-15 Equos Research Co Ltd 運転操作支援装置
JP2009244985A (ja) 2008-03-28 2009-10-22 Toyota Central R&D Labs Inc 運転支援装置及び歩行者検出装置
JP2010182236A (ja) 2009-02-09 2010-08-19 Toyota Motor Corp 移動領域予測装置
JP2010235072A (ja) 2009-03-31 2010-10-21 Equos Research Co Ltd 制御装置

Also Published As

Publication number Publication date
KR20130103779A (ko) 2013-09-24
JP2012118741A (ja) 2012-06-21
WO2012073745A1 (ja) 2012-06-07
CN103250196A (zh) 2013-08-14
EP2648172A4 (en) 2016-12-28
US20130293395A1 (en) 2013-11-07
US9132775B2 (en) 2015-09-15
EP2648172A1 (en) 2013-10-09
JP5189157B2 (ja) 2013-04-24

Similar Documents

Publication Publication Date Title
KR101512428B1 (ko) 가동물의 목표 상태 결정 장치 및 방법
EP2654028B1 (en) Orientation sensitive traffic collision warning system
JP6690517B2 (ja) 運転支援装置、及び運転支援方法
KR101276871B1 (ko) 차량 충돌 방지 장치 및 방법
RU2735340C1 (ru) Способ управления парковкой и устройство управления парковкой
JP6075382B2 (ja) 運転支援装置及び方法
JP5620147B2 (ja) 可動物予測装置及びプログラム
CN104276121B (zh) 控制车辆安全参数的系统、车辆和控制安全参数的方法
US20100007728A1 (en) System for Determining Objects
EP2990290A1 (en) Method and system for post-collision manoeuvre planning and vehicle equipped with such system
EP2765048A1 (en) Vehicle driving support system
US20170080929A1 (en) Movement-assisting device
CN104662592A (zh) 用于运行车辆的驾驶员辅助系统的方法
CN109204311A (zh) 一种汽车速度控制方法和装置
JP5577126B2 (ja) 走行支援装置
US9170332B2 (en) Risk calculation apparatus
US9741251B2 (en) Collision avoidance assistance device and collision avoidance assistance method
KR20150051551A (ko) 풍속 측정 기반의 제동장치 및 그 제어방법
JP2022008854A (ja) 制御装置
JP7437835B1 (ja) 作業機械の安全装置
JP6209969B2 (ja) 運転支援装置
JP7459446B2 (ja) 運転者状態検出装置
CN117775017A (zh) 控制装置、控制方法及存储介质
Dushyanth et al. Rear View Object Detection based on Camera Sensors.
CN117809484A (zh) 移动体预测装置、交通安全辅助系统、及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180316

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190319

Year of fee payment: 5