WO2011052247A1 - 運転支援装置 - Google Patents

運転支援装置 Download PDF

Info

Publication number
WO2011052247A1
WO2011052247A1 PCT/JP2010/054990 JP2010054990W WO2011052247A1 WO 2011052247 A1 WO2011052247 A1 WO 2011052247A1 JP 2010054990 W JP2010054990 W JP 2010054990W WO 2011052247 A1 WO2011052247 A1 WO 2011052247A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
risk
obstacle
normative
contact
Prior art date
Application number
PCT/JP2010/054990
Other languages
English (en)
French (fr)
Inventor
真太郎 吉澤
洋隆 梶
Original Assignee
トヨタ自動車株式会社
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 トヨタ自動車株式会社 filed Critical トヨタ自動車株式会社
Priority to CN201080048931.9A priority Critical patent/CN102598083B/zh
Priority to EP10826382.3A priority patent/EP2495713B1/en
Priority to US13/504,373 priority patent/US8947218B2/en
Publication of WO2011052247A1 publication Critical patent/WO2011052247A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R1/00—Optical viewing arrangements; Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/20—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles
    • B60R1/22—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle
    • B60R1/23—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view
    • B60R1/24—Real-time viewing arrangements for drivers or passengers using optical image capturing systems, e.g. cameras or video systems specially adapted for use in or on vehicles for viewing an area outside the vehicle, e.g. the exterior of the vehicle with a predetermined field of view in front of the vehicle
    • 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
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
    • B60R21/0134—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to imminent contact with an obstacle, e.g. using radar systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B60R2300/302—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing combining image information with GPS information or vehicle data, e.g. vehicle speed, gyro, steering angle data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
    • B60R2300/30—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing
    • B60R2300/307—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the type of image processing virtually distinguishing relevant parts of a scene from the background of the scene
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/20—Direction indicator values
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/15—Road slope
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/20—Static objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4026—Cycles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4029—Pedestrians
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W50/16—Tactile feedback to the driver, e.g. vibration or force feedback to the driver on the steering wheel or the accelerator pedal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/18—Propelling the vehicle
    • B60Y2300/18008—Propelling the vehicle related to particular drive situations
    • B60Y2300/18158—Approaching intersection

Definitions

  • the present invention relates to a driving support device, and more particularly, to a driving support device that performs driving support that is a standard for a host vehicle to travel.
  • Patent Document 1 discloses an apparatus for comprehensively determining the driving environment around the vehicle and the state of the vehicle itself and providing optimal driving assistance to the vehicle driver.
  • This device detects the traveling environment in which the vehicle is placed and also detects the state of the vehicle.
  • the driving state of the vehicle is estimated based on the detected traveling environment and vehicle state.
  • an ideal driving model for the vehicle which serves as a driving standard according to the driving environment, is calculated.
  • the presence / absence of deviation from the driving ideal model in the estimated driving state is calculated, and when the deviation occurs, driving of the vehicle is performed by driving the actuator.
  • an ideal driving model is calculated based on traffic rules and morals.
  • the present invention has been made in consideration of such circumstances, and the purpose of the present invention is to provide a norm for the vehicle to travel in consideration of the risk of contact between obstacles around the vehicle and the vehicle.
  • An object of the present invention is to provide a driving support device that can perform driving support.
  • the present invention relates to at least one normative behavior candidate that is a normative driving behavior candidate of the vehicle with respect to the situation around the own vehicle. It is a driving assistance device provided with a risk prediction unit that predicts the risk of contact between an obstacle and the vehicle.
  • the risk prediction unit causes the vehicle to travel according to the driving behavior related to the normative behavior candidate for at least one normative behavior candidate that is a candidate for the normative driving behavior of the own vehicle with respect to the situation around the own vehicle.
  • the risk prediction unit causes the vehicle to travel according to the driving behavior related to the normative behavior candidate for at least one normative behavior candidate that is a candidate for the normative driving behavior of the own vehicle with respect to the situation around the own vehicle.
  • the present invention relates to at least one normative behavior candidate that is a normative driving behavior candidate of the vehicle for the situation around the own vehicle when the own vehicle travels by the driving behavior related to the normative behavior candidate.
  • Driving support comprising a risk prediction unit that predicts the risk of contact between a nearby obstacle and the vehicle, and a movement efficiency acquisition unit that acquires the movement efficiency when the vehicle travels due to driving behavior related to the normative action candidate Device.
  • the risk prediction unit causes the vehicle to travel according to the driving behavior related to the normative behavior candidate for at least one normative behavior candidate that is a candidate for the normative driving behavior of the own vehicle with respect to the situation around the own vehicle.
  • the movement efficiency acquisition unit predicts the risk of contact between obstacles around the vehicle and the vehicle, and the movement efficiency acquisition unit acquires the movement efficiency when the vehicle travels according to the driving action related to the normative action candidate. It is possible to provide a normative action candidate that takes into account the risk of contact between an obstacle around the vehicle and the vehicle and the movement efficiency.
  • the risk prediction unit obtains obstacle information acquired for obstacles around the vehicle, information more macroscopically related to the obstacle information, and information more microscopically related to the obstacle information. It is preferable to recognize an obstacle based on information acquired from a database in which any of the above is hierarchically stored and predict a risk of contact between the obstacle and the vehicle.
  • the risk prediction unit is more microscopic with respect to obstacle information acquired for obstacles around the host vehicle, information more macroscopically related to the obstacle information, and obstacle information. Obstacles are recognized based on information obtained from a database in which any of the related information is stored hierarchically, and the risk of contact between the obstacles and the vehicle is predicted. For this reason, even if the obstacle information acquired for the obstacle is limited, more macroscopic or more microscopic information can be obtained from the range of information obtained, which is more useful. Obstacles can be recognized.
  • the risk prediction unit determines a normal route that is the most general route and an anomalous route that is different from the general route for a route that shares the predicted destination of either the vehicle or the obstacle. It is preferable to predict the risk of contact between the obstacle and the vehicle while predicting.
  • the risk prediction unit is a route different from the normal route, which is the most general route, and a route that is the same as the predicted destination of either the vehicle or the obstacle. Since the risk of contact between the obstacle and the vehicle is predicted while predicting the irregular route, the accuracy of predicting the risk can be improved by taking a plurality of routes into consideration.
  • the risk prediction unit regarding the predicted path of the obstacle, the obvious path that is the path of the obstacle that can be directly recognized, and the path of the obstacle that is not directly recognized but is expected to exist It is preferable to predict the risk of contact between the obstacle and the vehicle while predicting the potential route.
  • the risk prediction unit for the predicted path of the obstacle, the obvious path that is the path of the obstacle that can be directly recognized and the obstacle that is not directly recognizable but is expected to exist. Because the potential route of an obstacle is predicted while the risk of contact between the obstacle and the vehicle is predicted, the risk about the potential obstacle can also be predicted. Reliability can be improved.
  • the risk prediction unit may predict a risk of contact between the obstacle and the vehicle based on a probability distribution of a probability that the vehicle and the obstacle exist on a predicted route of the vehicle and the obstacle. Is preferred.
  • the risk prediction unit calculates the risk of contact between the obstacle and the vehicle based on the probability distribution of the probability that the vehicle and the obstacle exist on the predicted route of the vehicle and the obstacle. For the prediction, for example, it is possible to predict the risk of contact between the obstacle and the own vehicle with a small amount of calculation compared to a method of calculating the probability that the own vehicle and the obstacle exist over the entire road.
  • the risk prediction unit determines whether the vehicle and the obstacle are based on the probability distribution of the probability that the vehicle and the obstacle exist in the space having the coordinate position on the predicted position and speed of the vehicle and the obstacle. It is preferable to predict the risk of contact with the vehicle.
  • the risk prediction unit is based on the probability distribution of the probability that the vehicle and the obstacle exist in the space having the coordinate position of the position and speed on the predicted route of the vehicle and the obstacle. Since the risk of contact between the obstacle and the vehicle is predicted, it is possible to predict the risk of contact between the obstacle and the vehicle with a small amount of calculation.
  • the risk prediction unit is configured to calculate a short-term risk that is a risk of contact between an obstacle and the vehicle when a predetermined time has elapsed from the present time and a predetermined time when the vehicle travels due to driving behavior related to the normative behavior candidate. It is preferable to predict a long-term risk that is a risk of contact between the obstacle and the vehicle after a long time has elapsed.
  • the risk prediction unit has a short-term risk that is a risk of contact between an obstacle and the vehicle when a predetermined time has elapsed from the current time when the vehicle travels due to the driving behavior related to the normative behavior candidate.
  • the long-term risk which is the risk of contact between the obstacle and the vehicle after the elapse of a time longer than the predetermined time
  • the obstacle and self It becomes possible to predict the risk of contact with a car from various angles.
  • the risk prediction unit when the short-term risk is greater than a predetermined threshold, the risk prediction unit preferably cancels the long-term risk prediction for the case where the host vehicle is driven by the driving behavior related to the normative behavior candidate.
  • the risk prediction unit when the short-term risk is greater than a predetermined threshold and the risk of driving behavior related to the normative action candidate is extremely high in the short-term, the risk prediction unit has a low validity. Since the necessity for predicting the long-term risk thereafter is low, unnecessary calculation amount can be reduced by canceling the prediction of the long-term risk.
  • the driving support device of the present invention it is possible to provide a normative action candidate taking into account the risk of contact between an obstacle around the own vehicle and the own vehicle.
  • FIG. 24 is a graph showing the risk prediction value for each hour in the normative action candidate. It is a graph which shows the speed profile for every normative action candidate. It is a top view which shows the condition which performs risk prediction with respect to a pedestrian, a bicycle, etc. It is the table
  • the driving support apparatus is mounted on a vehicle, and is an apparatus for providing a driver of the own vehicle with normative behavior that serves as a norm for traveling on a route with low risk and high movement efficiency.
  • the driving assistance device 10 of this embodiment includes a vehicle speed sensor 11, a radar sensor 12, a camera sensor 13, a navigation system 14, a direction indicator sensor 15, a steering angle sensor 16, a road-vehicle communication device 17, A driver authentication unit 18, an ECU 20, actuators 31, and a display device 32 are provided.
  • the vehicle speed sensor 11 is a sensor for detecting the speed of the own vehicle from the rotational speed of the axle of the own vehicle.
  • the radar sensor 12 is for recognizing obstacles such as other automobiles, motorcycles, bicycles, and pedestrians in front of the vehicle by irradiating millimeter waves in front of the vehicle.
  • the radar sensor 12 is for recognizing obstacles fixed on the road and road shapes such as road alignment, radius of curvature, and gradient.
  • the camera sensor 13 captures the front of the vehicle and recognizes obstacles such as other cars, motorcycles, bicycles and pedestrians in front of the vehicle by pattern recognition or the like.
  • the camera sensor 13 is for recognizing obstacles fixed on the road and road shapes such as road alignment, radius of curvature, and gradient by pattern recognition or the like.
  • the navigation system 14 is for acquiring information on the road shape such as the linearity, curvature radius, and gradient of the road on which the vehicle travels based on the positioning of the vehicle by GPS (Global Positioning System) and the map information in the database. Is.
  • the navigation system 14 is also used to estimate the route of the host vehicle from information about the destination and route input by the driver.
  • the direction indicator sensor 15 is for detecting the direction indicated by the direction indicator (blinker) of the host vehicle.
  • the direction indicator sensor 15 is used for estimating the route of the host vehicle.
  • the steering angle sensor 16 is a sensor for detecting the steering angle of the host vehicle.
  • the steering angle sensor 16 is used for estimating the route of the host vehicle.
  • the road-to-vehicle communicator 17 is for acquiring information related to the road shape such as the alignment, radius of curvature, and gradient of the road ahead of the host vehicle from roadside facilities such as an optical beacon transmitter.
  • the road-to-vehicle communication device 17 is for receiving information on obstacles such as other vehicles and pedestrians detected by roadside sensors. Furthermore, the road-to-vehicle communication device 17 is also used to acquire information on road conditions such as traffic volume, traffic jams, accidents, traffic regulations, and the like on the road on which the vehicle is traveling.
  • the driver authentication unit 18 is for authenticating a driver who drives the vehicle.
  • the driver authentication unit 18 authenticates the driver by inputting a personal identification number or the like by the driver, inserting an ID card or the like, or biometric authentication by identifying the fingerprint, retina, iris, or the like of the driver.
  • the ECU (Electronic Control Unit) 20 determines whether the vehicle has some normative behavior candidates that are candidates for normative driving behavior of the vehicle with respect to the situation around the vehicle. Predicts the risk of contact between a nearby obstacle and the vehicle, and the movement efficiency when the vehicle travels by the driving behavior related to the normative action candidate.
  • the actuators 31 are brake actuators and accelerator actuators that intervene in the driving operation of the driver and drive the brakes and accelerators of the vehicle based on the normative behavior candidates calculated by the ECU 20 or the normative behavior candidates selected from the normative behavior candidates. is there. Further, the actuators 31 may be, for example, those that provide a reaction force against the driver's accelerator operation.
  • the display device 32 is a display that displays an image to the driver, a speaker that provides voice guidance to the driver, and a buzzer that gives an alarm to the driver.
  • the display device 32 is for presenting information based on the normative action candidate calculated by the ECU 20 to the driver.
  • the driving assistance apparatus 10 of this embodiment performs environment recognition by multiscale recognition about obstacles, such as other vehicles around the own vehicle (S1).
  • multi-scale recognition in the analysis of accident patterns, the categories of focus points to avoid accidents are hierarchically multilayered from categories that focus on details in detail to categories that grasp the whole macroscopically. Then, it recognizes and selects an obstacle that can be a risk prediction target from among categories suitable for the situation where the vehicle is placed.
  • the driving support device 10 selects a normative action candidate based on a path setting (S2).
  • a path setting S2
  • a plurality of the respective paths are assumed in advance, movable objects such as other vehicles are weighted to the path, and observation results with a short cycle such as 0.5 seconds are obtained.
  • two types of paths are set: an actual path that is a path of an obstacle that can be directly recognized, and a latent path that is a path of an obstacle that cannot be directly recognized but is expected to exist. .
  • the driving support device 10 predicts the behavior of obstacles such as the own vehicle and other vehicles (S3).
  • the probability distribution that the vehicle and other vehicles exist in the (x, v) space with the position x and speed v on the path as coordinates is estimated from the information obtained from the sensor or the like. By changing the distribution with time, future positions of the vehicle and other vehicles are predicted.
  • the driving support device 10 performs risk prediction of the normative action candidate group (S4).
  • risk prediction a cross point (intersection) between a path of the own vehicle and a path of a movable object such as another vehicle is calculated, and a risk of contact at the cross point is calculated.
  • a potential contact risk is also calculated for a movable object that may potentially exist in the blind spot of the movable object.
  • the driving support device 10 performs short-term risk prediction and long-term risk prediction for the normative action candidate group, and calculates each risk.
  • the driving support device 10 selectively determines the normative action that minimizes the risk and maximizes the movement efficiency from the normative action candidates (S5).
  • the normative behavior is determined according to the tendency of each driver's driving behavior.
  • the driving support device 10 calculates the risk again with respect to the actual result of the behavior prediction of the movable object such as the own vehicle and the other vehicle (S6).
  • the actual paths of the own vehicle and other vehicles are greatly deviated from the predicted paths, the paths are extrapolated in real time, and the risk at the cross point of the own vehicle and other vehicles is calculated.
  • the driving support device 10 detects the difference between the normative action and the actual driving action, and performs driving support using the actuators 31 and the display device 32 (S7).
  • multi-scale recognition S1
  • the situation of approaching a four-way intersection is stored as knowledge in consideration of the size of a concept for preventing a typical accident. Yes.
  • the ECU 20 of the driving support apparatus 10 can extract information on the feature amount such as “SHIFT”, “HOG”, and “Haar” from the database in FIG. 3 from a microscopic viewpoint. Further, the ECU 20 of the driving assistance device 10 can extract information on what the object such as “person / bicycle” is from the database of FIG. 3 from a macroscopic viewpoint. Furthermore, information on other layers may be extracted.
  • the network structure of a multi-scale concept is used to try to detect a target that induces a typical accident without omission, the accuracy of risk prediction can be improved. Furthermore, by combining multi-scale recognition obtained from three-way intersections, single roads, and other traffic conditions, knowledge to prevent accidents can be expressed comprehensively. As described above, multiscale recognition enables more useful recognition within the range of acquired information.
  • the path setting (S2) will be described.
  • the ECU 20 of the driving support device 10 makes a default path P DE which is an ideal right / left turn and straight path of the own vehicle 100 and the other vehicle 200 when there is no obstacle on the road.
  • ECU 20 of the driving support device 10 is associated with the default path P DE, assume an adaptive path PAD is a variant of the path.
  • the ECU 20 prepares a path partially (sectioned) in consideration of the kinematics of the vehicle, and connects these by an immediate process.
  • the accuracy of risk prediction for the own vehicle and other vehicles can be improved by making a plurality of paths.
  • the visible path P OV that is the path of the other vehicle 200 that is in the field of view Si and can be directly recognized and the shadow of the other vehicle 200 are not directly recognizable.
  • the ECU 20 predicts a potential path P LA that is a route of a latent object 250 such as a motorcycle that is expected to exist.
  • a latent object 250 such as a motorcycle that is expected to exist.
  • by predicting the latent path PLA it is possible to perform risk prediction for a potentially existing object assumed in multiscale recognition.
  • paths corresponding to road shapes and traffic conditions can be stored in the database in advance, and these can be extracted in accordance with the situation where the vehicle is placed during travel.
  • the path may be derived immediately according to the road shape or traffic situation.
  • the ECU 20 determines whether or not the assumed path can be used (S31). That is, the ECU 20 determines whether or not the vehicle and other vehicles are moving greatly away from the assumed path.
  • the ECU 20 observes the distance between the actual path of the own vehicle and the other vehicle and the closest assumed path in time series, and the distance between the assumed path and the actual path in the observation time interval is a threshold value. If the above time continues for a certain time or more, it is determined that the assumed path cannot be used, and the path is extrapolated along actual movements of the own vehicle and other vehicles.
  • the ECU 20 predicts the behavioral purpose (S32).
  • explanatory variables indicating action conditions of the host vehicle or other vehicles and objective variables used for path weighting are stored in association with each other.
  • the ECU 20 determines the objective variable on condition that the explanatory variable matches the actual behavior of the own vehicle and other vehicles.
  • the analog value is determined as three discrete values of right / left turn and straight travel.
  • the ECU20 improves the selection accuracy of a path based on the prediction of the action purpose (S31).
  • the ECU 20 determines to which path the actions of the own vehicle and other vehicles should be assigned by using a plurality of prepared paths as objective variables for each result of prediction of the action purpose, such as a bagging method, a boosting method, a random forest method. It is determined by group learning methods such as Kernel method.
  • behavior prediction (S3) and risk prediction (S4) will be described.
  • S3 behavior prediction
  • S4 risk prediction
  • an object moves on an assumed path, and the existence of the object is modeled by a joint probability density function in a space where the position and speed on the path are coordinate axes.
  • a uniform acceleration motion is assumed at each position and velocity of the modeled probability density function, and a position on the future path is predicted.
  • a specific example will be described.
  • the probability that the object Xi exists at the cross point at time t can be calculated by the following equation (2), where xc is the position of the cross point.
  • ⁇ is a delta function.
  • the risk R at the position xc for an object such as another vehicle is calculated by the following equation (3). can do.
  • the time t 1 is the time at which the head of the vehicle ride crosspoint
  • time t 2 is the time when the rear end of the vehicle passes through the cross-point.
  • the ECU 20 also performs the same process on the above-described latent path P LA for a movable object that may potentially exist in the blind spot of the movable object, and calculates a potential risk.
  • the risk is calculated at the cross points on the path. Unlike the method of calculating the existence probability over the entire road, the cost of risk calculation can be reduced and immediate processing is possible. It becomes.
  • the risk is actually calculated by the above method, and the result of driving according to the behavior candidate model is shown.
  • the host vehicle 100 is located x 0 [m] away from the cross point cp and has a speed of v 0 [m / s].
  • the total length of the host vehicle 100 is d 0 [m].
  • Another vehicle 200 is located at a distance x 1 [m] from the cross point cp, average v 1 [m / s], while the [v 1 -0.5dv, v 1 + 0.5dv] width dv It has a velocity distribution that is uniformly distributed.
  • the integrated value of the velocity distribution is assumed to be 1.
  • the total length of the other vehicle 100 is d 1 [m].
  • the acceleration and deceleration of the host vehicle 100 are a a0 and a d0 , respectively, using values given by model parameters. Acceleration of the other vehicle is set to a 1, the error is not considered.
  • the speed profiles of the host vehicle 100 and the other vehicle 200 are generated.
  • the speed profile represents the speed at which the host vehicle 100 and the other vehicle 200 move as a function of time.
  • FIG. 10 shows an example of the speed profile.
  • the vehicle speeds up and down at the acceleration a a0 or deceleration a d0 specified as a model parameter, and keeps the road speed limit while stopping at a position where it should stop. Is used as a velocity profile.
  • FIG. 12 shows a case where a road having a deceleration rate as shown in FIG. 11 moves along a path in the figure.
  • acceleration that can be accelerated from 0 km / h to 60 km / h in 5 seconds was used.
  • deceleration a deceleration capable of decelerating from 60 km / h to 0 km / h in 5 seconds was used.
  • the initial speed which is the speed at the position 0 m on the path, was 40 km / h.
  • the other vehicle 200 the acceleration is set to a value a 1 with the other vehicle 200, legal speed of the road is used to generate a speed profile such that movement without thinking.
  • the motion of the object can be calculated completely from the velocity profile.
  • the speed at time t is the speed profile value v (t) at time t.
  • the time at which the object comes to the position X may be obtained by solving an equation for t as in the following equation (5).
  • the passing time is the time from when the head portion of the host vehicle 100 rides on the cross point cp until the tail portion of the host vehicle 100 passes the cross point cp.
  • FIG. 13 shows the vehicle 100 passing through the cross point cp. The time when the head part of the host vehicle 100 rides on the cross point cp and the time until the rear part of the host vehicle 100 passes the cross point cp can be calculated from the speed profile.
  • the position distribution of the other vehicle 200 at a certain time is calculated.
  • the other vehicles 200 are distributed in the position / speed space as shown in FIG.
  • the distribution in FIG. 14 is developed over time according to the speed profile (equal acceleration motion) of the other vehicle 200, the higher the speed, the more advanced the distribution becomes as shown in FIG.
  • the position distribution of the other vehicle 200 at time t is obtained. That is, if the distribution of the other vehicle 200 in the position / speed space at the time t is Pt (x, v), the position distribution Qt (x) of the other vehicle at the time t is a distribution at the time t as shown in FIG.
  • the following equation (6) integrated by the speed is shown.
  • the position distribution in the velocity / position space as shown in FIG. 16 is a parallelogram, the position distribution is necessarily a trapezoid as shown in FIG. This integration can be easily performed from the geometric properties of the distribution in the position / velocity space.
  • FIG. 18 shows a conceptual diagram of the integration of the position distribution of the other vehicle 200 over the above passage time.
  • the existence probabilities are integrated at the passage times [t 1 , t 2 ] indicated by bold lines in the figure. This integration is calculated using a numerical integration method.
  • risk prediction (S4) and normative action determination (S5) of this embodiment will be described in further detail.
  • a pattern of human driving behavior is considered, options similar to those are prepared, and normative behavior having a risk that is acceptable and having high movement efficiency is selected.
  • a risk is predicted for risk avoidance (deep reading determination) after careful consideration of a long time in parallel with reflex risk avoidance (reflective determination) for a short time.
  • the risk is predicted on the assumption that the solution satisfying the criterion for determining the normative behavior is in the past or the future within 4 seconds, for example. That is, in the present embodiment, multi-scaled prediction time is achieved.
  • information of the past one second is used in the reflective judgment.
  • an obstacle around the host vehicle 100 is recognized every 0.5 seconds, and a visible object is detected.
  • short-term prediction limited to the future one second ahead is performed, and short-term risk is calculated. If the short-term risk is greater than the threshold value, the routine proceeds to routine R3, where a short-term action plan is set, and the short-term risk for short-term behavior such as vehicle speed is calculated again.
  • routine R1 determines whether the short-term risk is smaller than the threshold. If the short-term risk is smaller than the threshold, the routine proceeds to routine R1, and the short-term risk is calculated again every 0.5 seconds. In this case, the routine R2 is also executed to make a deep reading determination. As shown in the figure, a 2-4 second risk calculation, which is a risk calculation in 2-4 seconds ahead, and a 2-4 second action plan, which is an action plan in 2-4 seconds, are performed. Among these action plans for 2 to 4 seconds, the action plan having the maximum movement efficiency and the minimum risk is selected and executed. For example, an action plan is selected such as whether to make a right turn after stopping in front of the intersection or to make a right turn without stopping.
  • routine R3 When the routine R3 is executed, since the short-term risk is high, the routine R1 and the routine R2 are not executed.
  • the short-term risk of the short-term action such as the vehicle speed is calculated again like the short-term action plan.
  • These action plans are updated as needed every 0.5 seconds, and the latest plan is always adopted.
  • the short-term risk calculation for 1 second and the risk calculation for 2 to 4 seconds are processed in parallel for a plurality of normative actions.
  • the optimum action plan is determined by selecting the action plan having the maximum movement efficiency and the minimum risk. It should be noted that it is possible to determine how many seconds ahead the risk is calculated using the above-mentioned information for how many seconds from the driving tendency of the driver and determine normative behavior suitable for the individual driver.
  • a plurality of normative action options for the own vehicle 100 are prepared for each action purpose of the own vehicle 100, and the normative action is based on a standard that maximizes movement efficiency and minimizes risk. Is selected. As a result, normative behavior such as normative vehicle speed is determined.
  • the host vehicle 100 makes a right turn with respect to another vehicle 200 that is an oncoming vehicle.
  • the normative action 1 that is an action option is not paused
  • the risk prediction value is high as shown in FIG. 22, and the movement efficiency is high.
  • the normative action 2 of FIGS. 23 and 24 when the host vehicle 100 pauses during a right turn, the risk prediction value is low as shown in FIG. 25, but the movement efficiency is low. .
  • normative action 1 belongs to the above category (4)
  • normative action 2 belongs to the above class (2).
  • the large classifications such as (1) to (4) above
  • an action option 1 + ⁇ as shown in FIG.
  • the action with the lowest risk and the highest movement efficiency is selectively determined among the action action major classifications and among the large action classifications in the assumed action option major classifications. .
  • the action option 1 is selected because the movement efficiency is better.
  • the risk prediction regarding the possibility of contact between the own vehicle 100 and the other vehicle 200 predicts risk values at the arrival times of various cross points cp1 to cp (n).
  • a portion indicated by a broken line in the figure is a CP (cross point) vector at that time.
  • the sum of risk values at each cross point cp1 as shown in FIG. 29 is calculated from the current CP vector, and the normative action candidate that minimizes the risk is selected. For example, in the normative action candidates 1 to 3 shown in FIGS. 30 to 32, the normative action candidate 2 having a risk value R of 0 is selected. If there is a normative candidate that is below a certain risk tolerance limit, the normative operation is determined by the moving efficiency to the target point. For example, if the risk tolerance limit is set to 0.4 or less, in FIGS. 30 to 32, the risk value R is 0.3 and 0.4 or less, and the norm of movement efficiency is higher than that of the norm action candidate 2. Action candidate 1 is selected.
  • the position and speed of the other vehicle 200 and the like were predicted from the past vehicle speed and other data in the past one period (for example, 0.5 seconds before).
  • Data may be used.
  • the number of past data for several seconds is as follows. (1) Predict the position and speed of the car using the data for the past 4 seconds (number of data 8) (2) Predict the position and speed of the car using data for the past 3 seconds (number of data: 6) (3) Predict the position and speed of the car using data for the past 2 seconds (number of data 4) (4) Predict the position and speed of the car using data for the past 1 second (number of data 2) (5) Predict the position and speed of the car using data for the past 0.5 seconds (number of data 1)
  • prediction stability is used as an evaluation standard for behavior prediction accuracy of the other vehicle 200 and the own vehicle 100. For example, when the prediction result changes greatly depending on the observation time, the prediction result based on the past long time has low prediction stability and low reliability, so the prediction is performed using the observation result of the short time such as the past one second. . On the other hand, when the prediction result does not change greatly depending on the observation time, the prediction stability is high. Therefore, the prediction strong against the disturbance is performed by using the observation result longer than the past one second.
  • the ECU 20 of the driving support device 10 drives the driving behavior related to the normative behavior candidate with respect to at least one normative behavior candidate that is a normative driving behavior candidate of the own vehicle 100 with respect to the situation around the own vehicle.
  • the risk of contact between an obstacle around the host vehicle 100 and the host vehicle 100 when the host vehicle 100 travels is predicted. For this reason, it becomes possible to provide the normative action candidate taking into consideration the risk of contact between the obstacle around the own vehicle 100 and the own vehicle 100.
  • the ECU 20 of the driving assistance device 10 determines at least one normative action candidate that is a normative driving action candidate of the own vehicle 100 for the situation around the own vehicle 100 as a normative action candidate.
  • the risk of contact between the vehicle 100 and an obstacle around the vehicle 100 when the vehicle 100 travels by such driving behavior, and the movement efficiency when the vehicle 100 travels by the driving behavior related to the normative behavior candidate Therefore, it is possible to provide a normative action candidate that takes into consideration the risk of contact between an obstacle around the host vehicle 100 and the host vehicle 100 and the movement efficiency.
  • the ECU 20 has either hierarchical information obtained from obstacles around the vehicle 100, information that is more macroscopically related to the information, and information that is more microscopically related to the obstacle information.
  • the obstacle is recognized by multi-scale recognition based on the information acquired from the database stored in the vehicle, and the risk of contact between the obstacle and the vehicle 100 is predicted. For this reason, even if the obstacle information acquired for the obstacle is limited, more macroscopic or more microscopic information can be obtained from the range of information obtained, which is more useful. Obstacles can be recognized.
  • the ECU 20 has a default path P DE which is the most general route and an adaptive path which is a route different from the general route, for the route having the same predicted destination of the vehicle 100 and the obstacle. while predicting a P AD, for predicting the risk of contact between the obstacle and the own vehicle 100, it is possible to improve the accuracy of predicting the risk taking into account the multiple paths.
  • the ECU 20 is an apparent path P OV that is a path of an obstacle that can be directly recognized, and an obstacle path that is not directly recognized but is predicted to exist. Since the risk of contact between the obstacle and the vehicle 100 is predicted while predicting the potential path P LA , it is also possible to predict the risk of the potential obstacle. Can be improved.
  • the ECU 20 predicts the risk of contact between the obstacle 100 and the own vehicle 100 based on the probability distribution of the probability that the own vehicle 100 and the obstacle exist on the predicted route of the own vehicle 100 and the obstacle. For example, it is possible to predict the risk of contact between the obstacle and the vehicle 100 with a small amount of calculation compared to a method of calculating the probability that the vehicle 100 and the obstacle exist over the entire road.
  • the ECU 20 recognizes the obstacle and the vehicle based on the probability distribution of the probability that the vehicle 100 and the obstacle exist in the space having the coordinate position of the position and speed of the vehicle 100 and the obstacle on the predicted route. Since the risk of contact with the vehicle 100 is predicted, the risk of contact between the obstacle and the host vehicle 100 can be predicted with a small amount of calculation.
  • the ECU 20 has a short-term risk that is a risk of contact between the obstacle and the vehicle 100 when a predetermined time has elapsed from the present time when the vehicle 100 travels due to the driving behavior related to the normative behavior candidate, and is longer than the predetermined time.
  • the normative action candidates are evaluated from the short-term viewpoint and the long-term viewpoint. It becomes possible to predict the risk of contact with the car 100 from various angles.
  • the ECU 20 has a low relevance, and the subsequent Since the necessity for long-term risk prediction is low, it is possible to reduce unnecessary calculation amount by stopping the long-term risk prediction.
  • the driving support device of the present invention it is possible to provide a normative action candidate taking into account the risk of contact between an obstacle around the own vehicle and the own vehicle.

Abstract

　運転支援装置１０のＥＣＵ２０は、自車周辺の状況に対する自車１００の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車１００が走行した場合における自車１００周辺の障害物と自車１００との接触のリスクを予測する。このため、自車１００周辺の障害物と自車１００との接触のリスクを考慮に入れた規範行動候補を提供することが可能となる。

Description

運転支援装置
　本発明は、運転支援装置に関し、特に、自車が走行するための規範となる運転支援を行なう運転支援装置に関するものである。
　従来、自車が経路上を走行するための規範となる情報を提供する装置が提案されている。例えば、特許文献１には、車両周辺の走行環境と車両自体の状態とを総合的に判断して車両運転者への最適な運転支援を行うための装置が開示されている。この装置では、車両が置かれている走行環境を検出すると共に、車両の状態を検出する。検出された走行環境と車両状態とに基づいて車両の運転状態が推定される。また、走行環境に応じた走行の規範となる車両の運転理想モデルが算出される。そして、推定運転状態の運転理想モデルからの乖離の有無が演算され、乖離が生じている場合にはアクチュエータが駆動されることにより車両の運転支援が行なわれる。この装置では、交通規則やモラルに基づき運転理想モデルが算出される。
特開２００５－２０２５１２号公報
　ところで、どのような規範となるモデルであっても、自車周辺の障害物と自車との接触のリスクは存在する可能性がある。したがって、安全向上のために、当該リスクを考慮した運転支援を行なうことが望ましい。
　本発明は、このような実情に考慮してなされたものであり、その目的は、自車周辺の障害物と自車との接触のリスクを考慮に入れた自車が走行するための規範となる運転支援を行なうことが可能な運転支援装置を提供することにある。
　本発明は、自車周辺の状況に対する自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車が走行した場合における自車周辺の障害物と自車との接触のリスクを予測するリスク予測ユニットを備えた運転支援装置である。
　この構成によれば、リスク予測ユニットは、自車周辺の状況に対する自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車が走行した場合における自車周辺の障害物と自車との接触のリスクを予測するため、自車周辺の障害物と自車との接触のリスクを考慮に入れた規範行動候補を提供することが可能となる。
　また、本発明は、自車周辺の状況に対する自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車が走行した場合における自車周辺の障害物と自車との接触のリスクを予測するリスク予測ユニットと、規範行動候補に係る運転行動により自車が走行した場合における移動効率を取得する移動効率取得ユニットとを備えた運転支援装置である。
　この構成によれば、リスク予測ユニットは、自車周辺の状況に対する自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車が走行した場合における自車周辺の障害物と自車との接触のリスクを予測し、移動効率取得ユニットは、規範行動候補に係る運転行動により自車が走行した場合における移動効率を取得するため、自車周辺の障害物と自車との接触のリスクと、移動効率とを考慮に入れた規範行動候補を提供することが可能となる。
　この場合、リスク予測ユニットは、自車周辺の障害物について取得した障害物情報と、障害物情報に対してより巨視的な関連する情報及び障害物情報に対してより微視的な関連する情報のいずれかが階層的に格納されたデータベースとから取得した情報とに基づいて障害物を認知し、障害物と自車との接触のリスクを予測することが好適である。
　この構成によれば、リスク予測ユニットは、自車周辺の障害物について取得した障害物情報と、障害物情報に対してより巨視的な関連する情報及び障害物情報に対してより微視的な関連する情報のいずれかが階層的に格納されたデータベースとから取得した情報とに基づいて障害物を認知し、障害物と自車との接触のリスクを予測する。このため、障害物について取得された障害物情報が限定的なものであったとしても、得られた情報の範囲から、より巨視的又はより微視的な情報を得ることができ、より有益な障害物の認知が可能となる。
　また、リスク予測ユニットは、自車及び障害物のいずれかの予測される目的地を同じくする経路について、最も一般的な経路である通常経路と、一般経路とは異なる経路である変則経路とを予測しつつ、障害物と自車との接触のリスクを予測することが好適である。
　この構成によれば、リスク予測ユニットは、自車及び障害物のいずれかの予測される目的地を同じくする経路について、最も一般的な経路である通常経路と、一般経路とは異なる経路である変則経路とを予測しつつ、障害物と自車との接触のリスクを予測するため、複数の経路を考慮に入れてリスクを予測する精度を向上させることができる。
　この場合、リスク予測ユニットは、障害物の予測される経路について、直接に認知可能な障害物の経路である顕在的経路と、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在的経路とを予測しつつ、障害物と自車との接触のリスクを予測することが好適である。
　この構成によれば、リスク予測ユニットは、障害物の予測される経路について、直接に認知可能な障害物の経路である顕在的経路と、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在的経路とを予測しつつ、障害物と自車との接触のリスクを予測するため、潜在的な障害物についてのリスクも予測することが可能となり、予測されるリスクの信頼性を向上させることができる。
　また、リスク予測ユニットは、自車及び障害物の予測される経路上に自車及び障害物が存在する確率の確率分布に基づいて、障害物と自車との接触のリスクを予測することが好適である。
　この構成によれば、リスク予測ユニットは、自車及び障害物の予測される経路上に自車及び障害物が存在する確率の確率分布に基づいて、障害物と自車との接触のリスクを予測するため、例えば道路全域にわたって自車及び障害物が存在する確率を計算する手法に比べて、少ない計算量で障害物と自車との接触のリスクを予測することが可能となる。
　この場合、リスク予測ユニットは、自車及び障害物の予測される経路上の位置と速さとを座標軸とする空間内に自車及び障害物が存在する確率の確率分布に基づいて、障害物と自車との接触のリスクを予測することが好適である。
　この構成によれば、リスク予測ユニットは、自車及び障害物の予測される経路上の位置と速さとを座標軸とする空間内に自車及び障害物が存在する確率の確率分布に基づいて、障害物と自車との接触のリスクを予測するため、少ない計算量で障害物と自車との接触のリスクを予測することが可能となる。
　また、リスク予測ユニットは、規範行動候補に係る運転行動により自車が走行した場合について、現在から所定時間経過時における障害物と自車との接触のリスクである短期的リスクと、所定時間より長い時間の経過後における障害物と自車との接触のリスクである長期的リスクとをそれぞれ予測することが好適である。
　この構成によれば、リスク予測ユニットは、規範行動候補に係る運転行動により自車が走行した場合について、現在から所定時間経過時における障害物と自車との接触のリスクである短期的リスクと、所定時間より長い時間の経過後における障害物と自車との接触のリスクである長期的リスクとをそれぞれ予測するため、規範行動候補について短期的視点と長期的視点とから、障害物と自車との接触のリスクをより多角的に予測することが可能となる。
　この場合、リスク予測ユニットは、短期的リスクが所定の閾値よりも大きいときは、規範行動候補に係る運転行動により自車が走行した場合についての長期的リスクの予測を中止することが好適である。
　この構成によれば、リスク予測ユニットは、短期的リスクが所定の閾値よりも大きく、当該規範行動候補に係る運転行動のリスクが短期的に極めて高いときは、当該規範行動候補は妥当性が低く、以後の長期的リスクの予測の必要性は低いため、長期的リスクの予測を中止することにより、不必要な計算量を低減することが可能となる。
　本発明の運転支援装置によれば、自車周辺の障害物と自車との接触のリスクを考慮に入れた規範行動候補を提供することが可能となる。
実施形態に係る運転支援装置の構成を示すブロック図である。 実施形態に係る運転支援装置の動作の概略を示すフローチャートである。 マルチスケール認知の概念を示す図である。 パス設定におけるデフォルトパスとアダプティブパスとを示す平面図である。 パス設定における顕在パスと潜在パスとを示す平面図である。 自車及び他車の行動予測の動作の詳細を示すフローチャートである。 行動目的の予測で用いられる説明変数と目的変数との関係を示す表である。 行動予測における物体の位置と速さとの空間上における存在確率の分布を示す図である。 リスク予測において想定される状況を示す平面図である。 自車及び他車の速度プロファイルを示すグラフである。 想定される交差点の各部の制限速度を示す平面図である。 交差点通過時の速度プロファイルを示すグラフである。 自車の先端部分がクロスポイント上に乗ってから自車の後尾部分がクロスポイントを通過する様子を示す平面図である。 現時刻における他車の存在確率の分布を示すグラフである。 時刻０と時刻ｔとにおける他車の存在確率の分布を示すグラフである。 時刻ｔにおける他車の存在確率の分布を示すグラフである。 図１６のグラフを速度について積分した他車の位置に対する存在確率の分布を示すグラフである。 通過時刻にわたる他車の位置に対する存在確率の分布を示すグラフである。 反射的判断と長期的判断とを組み合わせたリスク予測及び規範行動判断の手順を示す図である。 規範行動のリスク予測及び規範行動判断で想定される状況を示す平面図である。 図２０の状況の規範行動候補の速度プロファイルを示すグラフである。 図２１に規範行動候補における時間ごとのリスク予測値を示すグラフである。 図２０の状況で自車が停止した場合の状況を示す平面図である。 図２３の状況の規範行動候補の速度プロファイルを示すグラフである。 図２４に規範行動候補における時間ごとのリスク予測値を示すグラフである。 規範行動候補ごとの速度プロファイルを示すグラフである。 歩行者及び自転車等に対するリスク予測を行う状況を示す平面図である。 各クロスポイント到達時刻でのリスク値を判断した時刻ごとに示した表である。 自車と他車及び自転車とのクロスポイントを示す平面図である。 規範行動候補１の速度プロファイルを示すグラフである。 規範行動候補２の速度プロファイルを示すグラフである。 規範行動候補３の速度プロファイルを示すグラフである。
　以下、図面を参照して本発明の実施形態に係る運転支援装置を説明する。本実施形態の運転支援装置は車両に搭載され、自車のドライバーに、経路を低いリスクで且つ高い移動効率で走行するための規範となる規範行動を提供するための装置である。図１に示すように、本実施形態の運転支援装置１０は、車速センサ１１、レーダセンサ１２、カメラセンサ１３、ナビゲーションシステム１４、方向指示器センサ１５、操舵角センサ１６、路車間通信機１７、ドライバ認証部１８、ＥＣＵ２０、アクチュエータ類３１及び表示装置３２を備えている。
　車速センサ１１は、自車の車軸の回転速度から自車の速度を検出するためのセンサである。
　レーダセンサ１２は、例えば自車前方にミリ波を照射することにより、自車前方の他の自動車、自動二輪車、自転車及び歩行者等の障害物を認知するためのものである。また、レーダセンサ１２は、道路上に固定された障害物や、道路の線形、曲率半径、勾配等の道路形状を認知するためのものである。
　カメラセンサ１３は、自車前方を撮像し、パターン認識等により、自車前方の他の自動車、自動二輪車、自転車及び歩行者等の障害物を認知するためのものである。また、カメラセンサ１３は、パターン認識等により、道路上に固定された障害物や、道路の線形、曲率半径、勾配等の道路形状を認知するためのものである。
　ナビゲーションシステム１４は、ＧＰＳ（Global　Positioning　System）による自車の測位とデータベース内の地図情報とに基づいて自車が走行する道路の線形、曲率半径、勾配等の道路形状に関する情報を取得するためのものである。ナビゲーションシステム１４は、ドライバーが入力した目的地や経路についての情報から、自車の経路を推定するためにも用いられる。
　方向指示器センサ１５は、自車の方向指示器（ウインカ）の指示する方向を検出するためのものである。方向指示器センサ１５は、自車の経路を推定するために用いられる。操舵角センサ１６は、自車の操舵角を検出するためのセンサである。操舵角センサ１６は、自車の経路を推定するために用いられる。
　路車間通信機１７は、光ビーコン送信機等の路側の施設から自車前方の道路の線形、曲率半径、勾配等の道路形状に関する情報を取得するためのものである。また、路車間通信機１７は、路側のセンサで検出した他車、歩行者等の障害物に関する情報を受信するためのものである。さらに、路車間通信機１７は、自車が走行する道路の交通量、渋滞、事故、交通規制等の道路の状態に関する情報を取得するためにも用いられる。
　ドライバ認証部１８は、自車を運転するドライバーを認証するためのものである。ドライバ認証部１８は、ドライバーによる暗証番号等の入力や、ＩＤカード等の挿入や、ドライバーの指紋、網膜、虹彩等を識別することによる生体認証等により、ドライバーを認証する。
　ＥＣＵ（Electronic　Control　Unit）２０は、車速センサ１１等から得られた情報に基づいて、自車周辺の状況に対する自車の規範的な運転行動の候補である幾つかの規範行動候補について、自車周辺の障害物と自車とが接触するリスクと、当該規範行動候補に係る運転行動により自車が走行した場合の移動効率とを予測する。
　アクチュエータ類３１は、ＥＣＵ２０が算出した規範行動候補あるいは規範行動候補から選択された規範行動に基づいて、ドライバーの運転操作に介入して、自車のブレーキやアクセルを駆動させるブレーキアクチュエータやアクセルアクチュエータである。また、アクチュエータ類３１は、例えば、ドライバーのアクセル操作に対して反力を与えるものでも良い。
　表示装置３２は、ドライバーに画像を表示するディスプレイや、ドライバーに音声案内を行うスピーカや、ドライバーに警報を与えるブザーである。表示装置３２は、ドライバーにＥＣＵ２０が算出した規範行動候補に基づいた情報を提示するためのものである。
　以下、本実施形態の運転支援装置１０の動作について説明する。まず、運転支援装置１０の動作の概略について説明する。図２に示すように、本実施形態の運転支援装置１０は、自車周辺の他車等の障害物について、マルチスケール認知による環境認識を行う（Ｓ１）。マルチスケール認知は、事故パターンの分析において、事故を回避するための着眼点のカテゴリーを、微視的に細部まで着眼するカテゴリーから、巨視的に全体を把握するカテゴリーまで階層的に多層化することで、自車の置かれた状況に適したカテゴリーの中からリスク予測の対象となり得る障害物を認知し選択する。
　運転支援装置１０は、パス設定による規範行動候補を選択する（Ｓ２）。自車のパス（経路）及び他車のパスの設定は、それぞれのパスを予め複数想定し、パスに当該他車等の可動物を重み付けで割り振り、０．５秒等の短い周期の観測結果ごとにマルチスケール認知を活用して、割り振りの重み付けを更新する。この段階では、パスを１つに絞り込む必要はない。また、パスの設定は、直接に認知可能な障害物の経路である顕在パスと、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在パスとの２種類を設定する。
　運転支援装置１０は、自車及び他車等の障害物の行動を予測する（Ｓ３）。この行動予測では、パス上の位置ｘ、速度ｖを座標とした（ｘ，ｖ）空間上に自車及び他車等が存在する確率分布をセンサ等から得られた情報から推定し、この確率分布を時間ごとに変化させることで、自車及び他車等の未来の位置を予測する。
　運転支援装置１０は、規範行動候補群のリスク予測を行う（Ｓ４）。リスク予測では、自車のパスと他車等の可動物のパスとのクロスポイント（交差点）を算出し、クロスポイントでの接触のリスクを算出する。この場合、可動物の死角に潜在的に存在する可能性がある可動物に対して、潜在的な接触のリスクも算出される。運転支援装置１０は、規範行動候補群について短期的リスク予測及び長期的リスク予測をそれぞれ行い、それぞれのリスクを算出する。
　運転支援装置１０は、リスクが最小となり、移動効率が最大となる規範行動を規範行動候補から選択的に決定する（Ｓ５）。この場合の規範行動の決定は、ドライバー各人の運転行動の傾向に応じて決定する。
　運転支援装置１０は、自車及び他車等の可動物の行動予測の実際の結果に対して、再度リスクを算出する（Ｓ６）。自車及び他車等の実際のパスが予測したパスから大きくずれている場合は、パスを外挿的に実時間で生成し、自車及び他車等のクロスポイントでのリスクを算出する。
　運転支援装置１０は、規範行動と実際の運転行動との差を検出し、アクチュエータ類３１や表示装置３２を用いて運転支援を行なう（Ｓ７）。
　以下、重要な工程について詳述する。まず、マルチスケール認知（Ｓ１）について説明する。図３に示すように、ＥＣＵ２０内あるいは自車外部のデータベースには、例えば四差路交差点進入の状況について、典型的な事故を防ぐための概念の大きさを考慮して、知識として保持されている。
　ここで、例えば、レーダセンサ１２やカメラセンサ１３あるいは路車間通信機１７で受信した路側のセンサが検出した物に関する情報で、何かの「足」が情報Ｉｎｆ０として認知できたと仮定する。この場合、運転支援装置１０のＥＣＵ２０は、微視的な観点から「ＳＨＩＦＴ」、「ＨＯＧ」、「Ｈａａｒ」といった特徴量に関する情報を図３のデータベースから抽出することができる。また、運転支援装置１０のＥＣＵ２０は、巨視的な観点から「人／自転車」といった対象物が何であるのかに関する情報を図３のデータベースから抽出することができる。さらに、他の階層の情報を抽出しても良い。
　本実施形態では、マルチスケールな概念のネットワーク構造を使って、典型的な事故を誘引する対象を漏れなく検出することを試みるようにしたので、危険予測の精度を上げることができる。さらに、三叉路、単路その他の交通状況から得られたマルチスケール認知を複合させることにより、事故を起こさないための知識が総合的に表現できる。以上のように、マルチスケール認知では、取得できた情報の範囲で、より有用な認知が可能となる。
　次に、パス設定（Ｓ２）について説明する。ここでは、前提として、レーダセンサ１２、カメラセンサ１３、ナビゲーションシステム１４及び路車間通信機１７等により、道路形状に関する情報が取得できているものと仮定する。図４に示す交差点での状況では、運転支援装置１０のＥＣＵ２０は、路上に障害物がない場合の理想的な自車１００及び他車２００の右左折、直進のパスであるデフォルトパスＰＤＥを想定する。また、運転支援装置１０のＥＣＵ２０は、デフォルトパスＰＤＥに付随して、パスの変種であるアダプティブパスＰＡＤを想定する。ここで、ＥＣＵ２０は、パスは車両のキネマティクスを考慮して部分的（区分的）に準備しておき、これらを即時的な処理で繋げる。本実施形態では、パスを複数化することにより、自車及び他車等についてのリスク予測の精度を向上できる。
　また、本実施形態では、図５に示すように、視界Ｓｉ内にあり直接に認知可能な他車２００の経路である顕在パスＰＯＶと、他車２００の影に隠れ直接に認知不可能ではあるが存在が予想される自動二輪等の潜在物体２５０の経路である潜在パスＰＬＡとをＥＣＵ２０は予測する。本実施形態では、潜在パスＰＬＡを予測することで、マルチスケール認知で想定した潜在的に存在する物体に対するリスク予測を行うことができる。
　なお、以上のパス設定については、予め道路形状や交通状況に対応したパスをデータべースに格納しておき、それらを自車が走行時に置かれた状況に合わせて抽出することができる。また、即時的に道路形状や交通状況に合わせてパスを導出しても良い。
　以下、行動予測の前提として、自車及び他車等がどの想定したどのパス上を移動するかを、段階的に予測する手法について説明する。ＥＣＵ２０は想定したパスの使用可否の判断を行う（Ｓ３１）。すなわち、ＥＣＵ２０は、自車及び他車等が想定しているパスと大きく離れた動きをしているか否かを判断する。ＥＣＵ２０は、自車及び他車等の実際のパスと最も近い想定したパスとの距離を時系列的に観測し、観測時間の区間において、想定したパスと実際のパスとの距離が、ある閾値以上となる時間が一定以上の時間続いた場合、当該想定したパスは使用できないと判断し、自車及び他車等の実際の動きに沿ってパスを外挿的に生成する。
　次に、ＥＣＵ２０は、行動目的の予測を行う（Ｓ３２）。図７に示すようなＥＣＵ２０内あるいは自車外部のデータベースにおいて、自車あるいは他車等の行動の条件を示す説明変数と、パスの重み付けに用いられる目的変数とが対応付けて記憶されている。ＥＣＵ２０は、説明変数と実際の自車及び他車等の行動とが一致することを条件として、目的変数を判定する。ただし、操舵角又は方位変位角については、アナログ値を右左折及び直進の３つの離散値として判定する。
　ＥＣＵ２０は、行動目的の予測を踏まえてパスの選択精度を向上する（Ｓ３１）。ＥＣＵ２０は、行動目的の予測の結果ごとに、複数準備したパスを目的変数として、自車及び他車等の行動をどのパスに割り振れば良いかを、バギング法、ブースティング法、ランダムフォレスト法等の集団学習法やカーネル法等で決定する。
　以下、行動予測（Ｓ３）及びリスク予測（Ｓ４）について説明する。本実施形態では、基本的な考え方として、想定したパス上を物体が動くものとし、パス上の位置と速さとが座標軸とする空間上で、物体の存在を同時確率密度関数でモデル化される。モデル化した確率密度関数の各々の位置、速度において等加速度運動が仮定され、未来のパス上の位置が予測される。以下、具体的な例を挙げて説明する。
　図８に示すように、物体Ｘｉ（１）～Ｘｉ（ｎ）は、パスＣｉ（ｔ）上を動くものと仮定する。ここで、ｎは物体の数を表し、ｔは時間を表す。パスの目盛が等間隔になるように、パスＣｉの時間パラメータを選ぶものとする。ある物体Ｘｉ（ｋ）の時刻ｔ＝０でのパスＣｉ（ｔ）上の位置を原点とすると（以下、添え字のｋを省略する）、時刻ｔでの物体の位置ｘｉは、下式（１）によって計算することができる。
Figure JPOXMLDOC01-appb-M000001
  
　上式（１）でのノルムは計量から定義するものとする。ある時刻ｔにおけるパスＣｉ（ｔ）上の位置と速さとの空間上に物体Ｘｉの情報が、関数Ｐｔ（ｘ，ｖ）として分布しているものとする。位置や速さの情報には、様々な誤差が含まれているので、これらを分布モデルとして表現することにする。この場合、図８のようになる。
　物体は等加速度運動をするものと仮定しているので、時刻ｔ＝０の場合（ｘ０，ｖ０）とすると、時刻ｔの場合は、（ｘ０＋ｖ０・ｔ＋α・ｔ２／２，ｖ０＋α・ｔ）となる。ここで、αは加速度（定数）を表す。従って、この座標変換では面積が保存される。ｖ座標に関して関数Ｐｔ（ｘ，ｖ）をファイバー積分したものをＱｔ（ｘ）と定義する。関数Ｑｔ（ｘ）は、時刻ｔにおける物体の存在確率を表す。すなわち、０≦Ｑｔ（ｘ）≦１となる。
　物体Ｘｉが時刻ｔにおいて、クロスポイントに存在する確率は、ｘｃをクロスポイントの位置とすると、下式（２）で計算することができる。なお、下式（２）において、δはデルタ関数である。
Figure JPOXMLDOC01-appb-M000002
  
　上式（２）のｐ（ｔ）を自車がクロスポイントを通過する時間［ｔ１，ｔ２］にわたって積分すると、他車等の物体に対する位置ｘｃにおけるリスクＲが下式（３）で計算することができる。ここで、時刻ｔ１は自車の先頭がクロスポイントに乗る時刻であり、時刻ｔ２は自車の後端がクロスポイントを通過する時刻である。
Figure JPOXMLDOC01-appb-M000003
  
　また、ＥＣＵ２０は、可動物の死角に潜在的に存在するかもしれない可動物に対しても、上述した潜在パスＰＬＡについて、同様の処理を行い、潜在的なリスクも算出する。以上の処理により、パス上のクロスポイントでリスクを計算するため、道路の全域にわたって存在確率を計算するような手法と異なり、リスクの計算のコストを小さく抑えることができ、即時的な処理が可能となる。
　以下、さらに具体的な道路の状況において、実際に上記手法でリスクを計算し、行動候補のモデルにしたがって運転した結果を示す。図９に示す道路の状況において、他車２００に対する自車１００の接触のリスクの計算方法を以下に示す。図９に示すように、自車１００は、クロスポイントｃｐからｘ０［ｍ］離れた所に位置し、ｖ０［ｍ／ｓ］の速度を持っている。また、自車１００の全長はｄ０［ｍ］である。
　他車２００は、クロスポイントｃｐからｘ１［ｍ］離れた所に位置し、平均ｖ１［ｍ／ｓ］、幅ｄｖの［ｖ１－０．５ｄｖ，ｖ１＋０．５ｄｖ］の間に一様に分布するような速度分布を持っている。速度分布の積分値は１になるものとする。また、他車１００の全長はｄ１［ｍ］である。自車１００の加速度及び減速度は、モデルパラメータで与えられた値を用い、それぞれａａ０，ａｄ０とする。他車の加速度はａ１とし、誤差は考えない。
　リスクの計算では、以下の４つの手順を踏む。
（１）自車１００及び他車２００の速度プロファイルを生成
（２）自車１００がクロスポイントｃｐを通過し始めてから、通過し終わるまでの時間（通過時間）を算出
（３）他車２００の位置分布を算出
（４）他車２００がクロスポイントｃｐにいる確率を通過時間にわたって積分し、リスク値を算出する
　まず、自車１００及び他車２００の速度プロファイルを生成する。速度プロファイルとは、自車１００及び他車２００の運動する速度を時刻の関数として表したものである。図１０に速度プロファイルの例を示す。自車１００については、行動の選択肢に基づいて、モデルパラメータとして指定した加速度ａａ０あるいは減速度ａｄ０で加減速し、道路の制限速度を守りつつ、停止すべき位置で停止できるような速度変化を求めて、それを速度プロファイルとする。生成された速度プロファイルの例として、図１１に示すような制減速度を持つ道路において、図中にあるパスに沿って運動した場合のものを図１２に示す。
　図１２に示すように、加速度としては、５秒間で０ｋｍ／ｈから６０ｋｍ／ｈまで加速できる加速度を用いた。減速度としては、５秒間で６０ｋｍ／ｈから０ｋｍ／ｈまで減速できる減速度を用いた。また、パス上の位置０ｍにおける速度である初速度は４０ｋｍ／ｈとした。他車２００については、加速度は他車２００の持つ値ａ１とし、道路の法定速度は考えずに運動するような速度プロファイルを生成して用いる。
　物体の運動は、速度プロファイルから完全に計算することができる。物体の時刻ｔにおける位置ｘ（ｔ）は、時刻ｔ＝０から時刻ｔまで速度プロファイルを積分すれば良い。つまり、時刻Ｔにおける速度をｖ（Ｔ）として、下式（４）として求められる。
Figure JPOXMLDOC01-appb-M000004
  
　時刻ｔにおける速度は、時刻ｔにおける速度プロファイルの値ｖ（ｔ）である。また、物体が位置Ｘに来る時刻は、下式（５）のようなｔについての方程式を解けば良い。
Figure JPOXMLDOC01-appb-M000005
  
　この例のモデルでは、速度に負の値を許していないため、位置は時刻に対して単調に増加するため、下式（５）の方程式はかならず１つの解を持ち、簡単に解くことができる。
　以下、自車１００がクロスポイントｃｐを通過し始めてから、通過し終わるまでの通過時間を算出する手法について説明する。通過時間は、自車１００の先頭部分がクロスポイントｃｐに乗ってから、自車１００の後尾部分がクロスポイントｃｐを通過するまでの時間である。図１３に自車１００のクロスポイントｃｐ通過の様子を示す。自車１００の先頭部分がクロスポイントｃｐに乗る時刻及び自車１００の後尾部分がクロスポイントｃｐを通過するまでの時刻は、速度プロファイルから算出できる。
　以下、他車２００の位置分布を算出する手法について説明する。ある時刻における他車２００の位置分布を算出する。時刻ｔ＝０（現在時刻とする）において、他車２００は、位置・速度空間に図１４に示すように分布している。図１４の分布を他車２００の速度プロファイル（等加速度運動）に従って時間発展させると、速度が速いほど先に進み、図１５に示すような分布となる。図１５に示すように、時刻ｔにおける分布は時刻ｔ＝０における分布とは異なる形状に変化するが、等加速度運動（図１５は加速度０の例）であり、加速度には誤差がないものとしていることから、任意の時刻で他車２００の分布は必ず平行四辺形状となる。
　図１５に示すような分布を速度について積分すると、時刻ｔにおける他車２００の位置分布が得られる。つまり、時刻ｔにおける位置・速度空間における他車２００の分布をＰｔ（ｘ，ｖ）とすると、時刻ｔにおける他車の位置分布Ｑｔ（ｘ）は、図１６に示すような時刻ｔにおける分布を速度で積分した下式（６）で示される。
Figure JPOXMLDOC01-appb-M000006
  
　図１６に示すような速度・位置空間における分布が平行四辺形状になることから、位置分布は図１７に示すように必ず台形となる。この積分は、位置・速度空間における分布の幾何学的な性質から簡単に行うことができる。
　以下、他車２００がクロスポイントｃｐにいる確率を通過時間にわたって積分し、リスク値を算出する手法について説明する。これは、自車１００がクロスポイントｃｐに乗っている間に、他車２００がクロスポイントｃｐに存在する確率を積分することに相当する。自車１００のクロスポイントｃｐの通過時間を［ｔ１，ｔ２］とする。ｔ１で自車１００の先頭部分がクロスポイントｃｐに乗り、ｔ２で自車１００の後尾がクロスポイントｃｐを通過する。図１８に、上記の通過時間にわたる他車２００の位置分布の積分の概念図を示す。図中太線で示す通過時間［ｔ１，ｔ２］において存在確率が積分される。この積分は、数値積分法を用いて計算する。
　以下、本実施形態のリスク予測（Ｓ４）及び規範行動決定（Ｓ５）についてさらに詳述する。基本的な考え方として、本実施形態では、人間の運転行動のパターンを考えて、それと同様の選択肢を準備し、リスクが許容できる範囲であり、且つ移動効率の良い規範行動を選択する。図１９に示すように、本実施形態では、短い時間の反射的なリスク回避（反射的判断）と並行して、長い時間の熟慮した上でのリスク回避（深読み判断）についてリスクを予測する。図１９の例では、規範行動の決定基準を満たす解が例えば４秒以内の過去または未来にあると想定して、リスクを予測する。すなわち、本実施形態では、予測時間についてのマルチスケール化が図られる。
　図１９に示すように、反射的判断においては、過去１秒の情報が活用される。図中に示されるように、例えば０．５秒ごとに自車１００周辺の障害物を認知し、可視対象を検出する。例えば１秒先の未来までに限定した短期予測が行われ、短期リスクが算出される。ここで、短期リスクが閾値よりも大きい場合はルーチンＲ３に進み、短期の行動計画が設定され、車速等の短期行動の短期リスクの算出が再度行なわれる。
　一方、短期リスクが閾値よりも小さい場合は、ルーチンＲ１に進み、再度０．５秒ごとに短期リスクの算出が行なわれる。この場合、併せてルーチンＲ２が実行され、深読み判断が行われる。図中に示すように、２～４秒先のリスク算出である２～４秒リスク算出と２～４秒間における行動計画である２～４秒間行動計画の設定とが行われる。これらの２～４秒間行動計画の中で、移動効率が最大であり、リスクが最小である行動計画が選択され、実行される。例えば、交差点中央手前で一時停止してから右折するか、一時停止しないで右折するかといった行動計画が選択される。ルーチンＲ３が実行されるときは、短期リスクが高いため、ルーチンＲ１及びルーチンＲ２は実行されない。選択された行動計画は、短期の行動計画と同様に、車速等の短期行動の短期リスクの算出が再度行なわれる。これらの行動計画は０．５秒ごとに随時更新され、常に最新の計画が採用される。
　以上のように、本実施形態では、１秒間の短期リスク算出及び２～４秒間リスク算出は、複数の規範行動に対して並列で処理される。２～４秒間行動計画については、移動効率が最大であり、リスクが最小である行動計画が選択されることにより、最適な行動計画が決定される。なお、上記の過去何秒間の情報を活用して、何秒先までのリスクを算出するかは、ドライバーの運転傾向から決定し、ドライバー個人に適した規範行動を決定しても良い。
　本実施形態では、基本的な考え方として自車１００の行動目的ごとに自車１００の複数の規範行動の選択肢が準備され、移動効率が最大であり、リスクが最小となるような基準で規範行動が選択される。この結果、規範車速等の規範行動が決定される。
　図２０に示すように、対向車である他車２００に対して自車１００が右折する場合を想定する。図２１に示すように、行動選択肢である規範行動１では一時停止をしないため、リスク予測値は、図２２に示すように高く、移動効率は高いものとなる。一方、図２３及び図２４の規範行動２に示すように、自車１００が右折中に一時停止をした場合、リスク予測値は、図２５に示すように低いが、移動効率は低いものとなる。
　交差点右折行動の選択肢の大分類としては以下の４つが挙げられる。
（１）交差点前一時停止（信号、一時停止線などの規制により）
（２）交差点中央付近停止（対向車の存在により）
（３）右折先道路手前停止（右折先の歩行者の存在等により）
（４）停止せず右折
　上記の交差点右折行動の状況において、規範行動１は上記の（４）の分類に属し、規範行動２は上記の（２）の分類に属す。上記（１）～（４）のような大分類の中には、行動の選択肢の変種が複数存在する。例えば、行動選択肢である規範行動１と異なる選択肢として、図２６に示すように、行動選択肢１＋αがある。このように本実施形態では、想定される行動選択肢の大分類の中で、リスクが低く且つ移動効率が最も高い行動を、行動選択肢の大分類の中及び大分類の間で選択的に決定する。例えば、図２６においても、もし、行動選択肢１と行動選択肢１＋αとの予測されるリスクが同じであるのならば、移動効率がより良いため、行動選択肢１が選択される。
　さらに、他車２００については、例外的な場合以外は想定されたパスから大きくずれる場合は少ないが、図２７に示すように、自転車２６０や歩行者２８０については、図中の実線に示す想定されるパスから、図中の破線に示すように大きくずれたパスを移動する可能性がある。このような破線に示すような行動については、ある単位時間ごとに過去の情報を使って予測することで求める。具体的には、簡単な運動の一次近似モデルまたは時系列解析における状態空間モデルなどで予測を行い、想定外のクロスポイントｃｐ１，ｃｐ２についてもリスクを予測する。
　自車１００と他車２００等との接触可能性に関するリスク予測は、図２８に示すように、さまざまなクロスポイントｃｐ１～ｃｐ（ｎ）の到達時刻におけるリスク値をそれぞれ予測する。図中破線部で示される部分が、その時刻におけるＣＰ（クロスポイント）ベクトルとなる。
　現時点のＣＰベクトルから図２９に示すような各クロスポイントｃｐ１等でのリスク値の和が算出され、リスク最小となる規範行動候補が選択される。例えば、図３０～３２に示される規範行動候補１～３では、リスク値Ｒが０となる規範行動候補２が選択される。ある一定のリスク許容値限界以下の規範候補があれば、目標地点までの移動効率によって規範運転が決定される。例えば、リスク許容値限界を０．４以下と設定すれば、図３０～３２の中では、リスク値Ｒが０．３と０．４以下であり、移動効率が規範行動候補２よりも高い規範行動候補１が選択される。
　なお、上記の例では、過去、１期前（例えば、０．５秒前）の過去の車速等のデータから他車２００等の位置及び速度を予測していたが、何秒かの過去のデータを用いても良い。例えば、何秒か過去のデータのデータ個数は以下のようになる。
（１）過去４秒間のデータを用いて車の位置及び速度を予測（データ個数８）
（２）過去３秒間のデータを用いて車の位置及び速度を予測（データ個数６）
（３）過去２秒間のデータを用いて車の位置及び速度を予測（データ個数４）
（４）過去１秒間のデータを用いて車の位置及び速度を予測（データ個数２）
（５）過去０．５秒間のデータを用いて車の位置及び速度を予測（データ個数１）
　過去のデータを観測することによって、他車２００等及び自車１００の行動予測精度の評価基準として、予測安定性が基準とされる。例えば、観測時間によって、予測結果が大きく変化する場合、過去の長い時間による予測結果は予測安定性が低く信頼性が低いため、過去１秒間等の短い時間の観測結果を使って予測が行われる。一方、観測時間によって予測結果が大きく変化しない場合は、予測安定性が高いため、過去１秒より長い時間の観測結果を使うことで、外乱に強い予測が行われる。
　本実施形態によれば、運転支援装置１０のＥＣＵ２０は、自車周辺の状況に対する自車１００の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車１００が走行した場合における自車１００周辺の障害物と自車１００との接触のリスクを予測する。このため、自車１００周辺の障害物と自車１００との接触のリスクを考慮に入れた規範行動候補を提供することが可能となる。
　また、本実施形態によれば、運転支援装置１０のＥＣＵ２０は、自車１００周辺の状況に対する自車１００の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、規範行動候補に係る運転行動により自車１００が走行した場合における自車１００周辺の障害物と自車１００との接触のリスクを予測し、規範行動候補に係る運転行動により自車１００が走行した場合における移動効率を取得するため、自車１００周辺の障害物と自車１００との接触のリスクと、移動効率とを考慮に入れた規範行動候補を提供することが可能となる。
　また、ＥＣＵ２０は、自車１００周辺の障害物について取得した情報と、情報に対してより巨視的な関連する情報及び障害物情報に対してより微視的な関連する情報のいずれかが階層的に格納されたデータベースとから取得した情報とに基づいて障害物をマルチスケール認知により認知し、障害物と自車１００との接触のリスクを予測する。このため、障害物について取得された障害物情報が限定的なものであったとしても、得られた情報の範囲から、より巨視的又はより微視的な情報を得ることができ、より有益な障害物の認知が可能となる。
　また、ＥＣＵ２０は、自車１００及び障害物のいずれかの予測される目的地を同じくする経路について、最も一般的な経路であるデフォルトパスＰＤＥと、一般経路とは異なる経路であるアダプティプパスＰＡＤとを予測しつつ、障害物と自車１００との接触のリスクを予測するため、複数の経路を考慮に入れてリスクを予測する精度を向上させることができる。
　また、ＥＣＵ２０は、障害物の予測される経路について、直接に認知可能な障害物の経路である顕在パスＰＯＶと、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在パスＰＬＡとを予測しつつ、障害物と自車１００との接触のリスクを予測するため、潜在的な障害物についてのリスクも予測することが可能となり、予測されるリスクの信頼性を向上させることができる。
　また、ＥＣＵ２０は、自車１００及び障害物の予測される経路上に自車１００及び障害物が存在する確率の確率分布に基づいて、障害物と自車１００との接触のリスクを予測するため、例えば道路全域にわたって自車１００及び障害物が存在する確率を計算する手法に比べて、少ない計算量で障害物と自車１００との接触のリスクを予測することが可能となる。
　特に、ＥＣＵ２０は、自車１００及び障害物の予測される経路上の位置と速さとを座標軸とする空間内に自車１００及び障害物が存在する確率の確率分布に基づいて、障害物と自車１００との接触のリスクを予測するため、少ない計算量で障害物と自車１００との接触のリスクを予測することが可能となる。
　さらに、ＥＣＵ２０は、規範行動候補に係る運転行動により自車１００が走行した場合について、現在から所定時間経過時における障害物と自車１００との接触のリスクである短期リスクと、所定時間より長い時間の経過後における障害物と自車との接触のリスクである長期的な２～４秒間リスクとをそれぞれ予測するため、規範行動候補について短期的視点と長期的視点とから、障害物と自車１００との接触のリスクをより多角的に予測することが可能となる。
　加えて、ＥＣＵ２０は、短期リスクのリスク値が所定の閾値よりも大きく、当該規範行動候補に係る運転行動のリスクが短期的に極めて高いときは、当該規範行動候補は妥当性が低く、以後の長期的なリスクの予測の必要性は低いため、長期的なリスクの予測を中止することにより、不必要な計算量を低減することが可能となる。
　以上、本発明の実施の形態について説明したが、本発明は、上記実施形態に限定されるものではなく種々の変形が可能である。
　本発明の運転支援装置によれば、自車周辺の障害物と自車との接触のリスクを考慮に入れた規範行動候補を提供することが可能となる。
１０　運転支援装置
１１　車速センサ
１２　レーダセンサ
１３　カメラセンサ
１４　ナビゲーションシステム
１５　方向指示器センサ
１６　操舵角センサ
１７　路車間通信機
１８　ドライバ認証部
２０　ＥＣＵ
３１　アクチュエータ類
３２　表示装置
１００　自車
２００　他車
２５０　潜在物体
２６０　自転車
２８０　歩行者

Claims (9)

  1. 　自車周辺の状況に対する前記自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、前記規範行動候補に係る運転行動により前記自車が走行した場合における前記自車周辺の障害物と前記自車との接触のリスクを予測するリスク予測ユニットを備えた運転支援装置。
  2. 　自車周辺の状況に対する前記自車の規範的な運転行動の候補である少なくとも１以上の規範行動候補について、前記規範行動候補に係る運転行動により前記自車が走行した場合における前記自車周辺の障害物と前記自車との接触のリスクを予測するリスク予測ユニットと、
    　前記規範行動候補に係る運転行動により前記自車が走行した場合における移動効率を取得する移動効率取得ユニットと、
    を備えた運転支援装置。
  3. 　前記リスク予測ユニットは、前記自車周辺の前記障害物について取得した障害物情報と、前記障害物情報に対してより巨視的な関連する情報及び前記障害物情報に対してより微視的な関連する情報のいずれかが階層的に格納されたデータベースとから取得した情報とに基づいて前記障害物を認知し、前記障害物と前記自車との接触のリスクを予測する、請求項１又は２に記載の運転支援装置。
  4. 　前記リスク予測ユニットは、前記自車及び前記障害物のいずれかの予測される目的地を同じくする経路について、最も一般的な経路である通常経路と、前記一般経路とは異なる経路である変則経路とを予測しつつ、前記障害物と前記自車との接触のリスクを予測する、請求項１～３のいずれか１項に記載の運転支援装置。
  5. 　前記リスク予測ユニットは、前記障害物の予測される経路について、直接に認知可能な障害物の経路である顕在的経路と、直接に認知不可能ではあるが存在が予想される障害物の経路である潜在的経路とを予測しつつ、前記障害物と前記自車との接触のリスクを予測する、請求項１～４のいずれか１項に記載の運転支援装置。
  6. 　前記リスク予測ユニットは、前記自車及び前記障害物の予測される経路上に前記自車及び前記障害物が存在する確率の確率分布に基づいて、前記障害物と前記自車との接触のリスクを予測する、請求項１～５のいずれか１項に記載の運転支援装置。
  7. 　前記リスク予測ユニットは、前記自車及び前記障害物の予測される経路上の位置と速さとを座標軸とする空間内に前記自車及び前記障害物が存在する確率の確率分布に基づいて、前記障害物と前記自車との接触のリスクを予測する、請求項６に記載の運転支援装置。
  8. 　前記リスク予測ユニットは、前記規範行動候補に係る運転行動により前記自車が走行した場合について、現在から所定時間経過時における前記障害物と前記自車との接触のリスクである短期的リスクと、前記所定時間より長い時間の経過後における前記障害物と前記自車との接触のリスクである長期的リスクとをそれぞれ予測する、請求項１～７のいずれか１項に記載の運転支援装置。
  9. 　前記リスク予測ユニットは、前記短期的リスクが所定の閾値よりも大きいときは、当該規範行動候補に係る運転行動により前記自車が走行した場合についての前記長期的リスクの予測を中止する請求項８に記載の運転支援装置。
PCT/JP2010/054990 2009-10-30 2010-03-23 運転支援装置 WO2011052247A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201080048931.9A CN102598083B (zh) 2009-10-30 2010-03-23 驾驶辅助装置
EP10826382.3A EP2495713B1 (en) 2009-10-30 2010-03-23 Driving support device
US13/504,373 US8947218B2 (en) 2009-10-30 2010-03-23 Driving support device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009-250976 2009-10-30
JP2009250976A JP5407764B2 (ja) 2009-10-30 2009-10-30 運転支援装置

Publications (1)

Publication Number Publication Date
WO2011052247A1 true WO2011052247A1 (ja) 2011-05-05

Family

ID=43921678

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/054990 WO2011052247A1 (ja) 2009-10-30 2010-03-23 運転支援装置

Country Status (5)

Country Link
US (1) US8947218B2 (ja)
EP (1) EP2495713B1 (ja)
JP (1) JP5407764B2 (ja)
CN (1) CN102598083B (ja)
WO (1) WO2011052247A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9327734B2 (en) 2012-06-01 2016-05-03 Google Inc. Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data

Families Citing this family (115)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4254844B2 (ja) * 2006-11-01 2009-04-15 トヨタ自動車株式会社 走行制御計画評価装置
JP4883248B2 (ja) * 2009-06-02 2012-02-22 トヨタ自動車株式会社 車両用周辺監視装置
KR101942109B1 (ko) * 2010-06-23 2019-04-11 콘티넨탈 테베스 아게 운트 코. 오하게 정보를 유효화하는 방법 및 시스템
EP2759998B1 (en) * 2011-09-20 2018-11-28 Toyota Jidosha Kabushiki Kaisha Pedestrian action prediction device and pedestrian action prediction method
US9235990B2 (en) * 2011-11-25 2016-01-12 Honda Motor Co., Ltd. Vehicle periphery monitoring device
JP2013242615A (ja) * 2012-05-17 2013-12-05 Denso Corp 運転シーン遷移予測装置および車両用推奨運転操作提示装置
US20140071282A1 (en) * 2012-09-13 2014-03-13 GM Global Technology Operations LLC Alert systems and methods using real-time lane information
FR2996512B1 (fr) * 2012-10-05 2014-11-21 Renault Sa Procede d'evaluation du risque de collision a une intersection
JP5527382B2 (ja) * 2012-10-12 2014-06-18 トヨタ自動車株式会社 走行支援システム及び制御装置
TWI478119B (en) * 2012-10-29 2015-03-21 A warning communication system
FR2997670B1 (fr) * 2012-11-08 2015-01-30 Renault Sas Procede de determination d'un profil de vitesses d'un vehicule automobile
US9031776B2 (en) * 2012-11-29 2015-05-12 Nissan North America, Inc. Vehicle intersection monitoring system and method
US9620014B2 (en) * 2012-11-29 2017-04-11 Nissan North America, Inc. Vehicle intersection monitoring system and method
US9349291B2 (en) 2012-11-29 2016-05-24 Nissan North America, Inc. Vehicle intersection monitoring system and method
US9792199B2 (en) * 2012-11-30 2017-10-17 Infineon Technologies Ag Lightweight trace based measurement systems and methods
US9020728B2 (en) 2013-01-17 2015-04-28 Nissan North America, Inc. Vehicle turn monitoring system and method
US9514650B2 (en) * 2013-03-13 2016-12-06 Honda Motor Co., Ltd. System and method for warning a driver of pedestrians and other obstacles when turning
KR20140121544A (ko) * 2013-04-05 2014-10-16 한국전자통신연구원 교차로 충돌 정보 제공 장치 및 방법
JPWO2014192370A1 (ja) * 2013-05-31 2017-02-23 日立オートモティブシステムズ株式会社 車両制御装置
US8990001B2 (en) 2013-07-26 2015-03-24 Nissan North America, Inc. Vehicle collision monitoring method
US9177478B2 (en) 2013-11-01 2015-11-03 Nissan North America, Inc. Vehicle contact avoidance system
US9485247B2 (en) 2014-03-04 2016-11-01 Nissan North America, Inc. On-board vehicle communication system and method
US9324233B2 (en) 2014-03-04 2016-04-26 Nissan North America, Inc. Vehicle contact warning method and system
US9153132B2 (en) 2014-03-04 2015-10-06 Nissan North America, Inc. On-board vehicle control system and method for determining whether a value is within an area of interest for extraneous warning suppression
US9031758B1 (en) 2014-03-04 2015-05-12 Nissan North America, Inc. On-board vehicle control system and method for determining whether a vehicle is within a geographical area of interest
CN104596521B (zh) 2014-03-14 2018-04-27 腾讯科技（深圳）有限公司 一种路线信息的显示方法及装置
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
CN106255997A (zh) * 2014-05-15 2016-12-21 本田技研工业株式会社 移动辅助装置
US9694737B2 (en) 2014-06-16 2017-07-04 Nissan North America, Inc. Vehicle headlight control system and method
KR20160001178A (ko) * 2014-06-26 2016-01-06 엘지전자 주식회사 글래스 타입 단말기 및 이의 제어방법
WO2016024315A1 (ja) * 2014-08-11 2016-02-18 日産自動車株式会社 車両の走行制御装置及び方法
US9776614B2 (en) 2014-10-03 2017-10-03 Nissan North America, Inc. Method and system of monitoring passenger buses
US9778349B2 (en) 2014-10-03 2017-10-03 Nissan North America, Inc. Method and system of monitoring emergency vehicles
JP2016078686A (ja) * 2014-10-17 2016-05-16 株式会社デンソー 運転支援装置
WO2016087900A1 (en) * 2014-12-05 2016-06-09 Audi Ag Driver assistance system for a vehicle as well as method for assisting a driver of a vehicle
CN105774803A (zh) * 2014-12-18 2016-07-20 财团法人车辆研究测试中心 行车控制系统及其动态决策控制方法
JP6341137B2 (ja) * 2015-04-08 2018-06-13 トヨタ自動車株式会社 車両の運転支援制御装置
CN107531245B (zh) * 2015-04-21 2020-01-24 松下知识产权经营株式会社 信息处理系统、信息处理方法、以及程序
WO2016170764A1 (ja) * 2015-04-21 2016-10-27 パナソニックＩｐマネジメント株式会社 運転支援方法およびそれを利用した運転支援装置、運転制御装置、車両、運転支援プログラム
JP6761967B2 (ja) * 2015-04-21 2020-09-30 パナソニックＩｐマネジメント株式会社 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、プログラム
WO2016170647A1 (ja) 2015-04-23 2016-10-27 日産自動車株式会社 オクルージョン制御装置
JP6432679B2 (ja) 2015-05-26 2018-12-12 日産自動車株式会社 停車位置設定装置及び方法
US9776528B2 (en) 2015-06-17 2017-10-03 Nissan North America, Inc. Electric vehicle range prediction
WO2017002590A1 (ja) * 2015-06-29 2017-01-05 株式会社日立製作所 走行指令生成装置
US9598009B2 (en) 2015-07-09 2017-03-21 Nissan North America, Inc. Vehicle intersection warning system and method with false alarm suppression
US9725037B2 (en) 2015-07-09 2017-08-08 Nissan North America, Inc. Message occlusion detection system and method in a vehicle-to-vehicle communication network
US9620015B2 (en) 2015-07-13 2017-04-11 Nissan North America, Inc. Kinematic path prediction of vehicles on curved paths
WO2017013748A1 (ja) * 2015-07-21 2017-01-26 日産自動車株式会社 シーン評価装置、走行支援装置、シーン評価方法
US10112614B2 (en) * 2015-07-21 2018-10-30 Nissan Motor Co., Ltd. Drive planning device, travel assistance apparatus, and drive planning method
KR102053552B1 (ko) 2015-07-21 2019-12-06 닛산 지도우샤 가부시키가이샤 운전 계획 장치, 주행 지원 장치, 운전 계획 방법
CA2993136A1 (en) 2015-07-21 2017-01-26 Nissan Motor Co., Ltd. Scene determination device, travel assistance apparatus, and scene determination method
EP3327694A4 (en) * 2015-07-21 2019-04-03 Nissan Motor Co., Ltd. SCENE EVALUATION DEVICE, FAILSAFE DEVICE AND SCENE APPRAISAL PROCESS
US9934688B2 (en) * 2015-07-31 2018-04-03 Ford Global Technologies, Llc Vehicle trajectory determination
US10088325B2 (en) 2015-08-03 2018-10-02 Nissan North America, Inc. Projected vehicle transportation network information notification
US9633559B2 (en) 2015-08-03 2017-04-25 Nissan North America, Inc. Projecting vehicle transportation network information
US9618347B2 (en) 2015-08-03 2017-04-11 Nissan North America, Inc. Projecting vehicle transportation network information representing an intersection
RU2708534C2 (ru) * 2015-08-27 2019-12-09 ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи Улучшенное предотвращение столкновений
DE102016205139B4 (de) * 2015-09-29 2022-10-27 Volkswagen Aktiengesellschaft Vorrichtung und Verfahren zur Charakterisierung von Objekten
JP6558214B2 (ja) * 2015-10-27 2019-08-14 トヨタ自動車株式会社 自動運転装置
WO2017126250A1 (ja) 2016-01-22 2017-07-27 日産自動車株式会社 運転支援方法及び装置
US10089874B2 (en) 2016-01-29 2018-10-02 Nissan North America, Inc. Converging path detection stabilized codeword generation
US10062286B2 (en) 2016-01-29 2018-08-28 Nissan North America, Inc. Converging path detection codeword generation
US9990852B2 (en) 2016-01-29 2018-06-05 Nissan North America, Inc. Converging path detection
US9849911B2 (en) * 2016-02-26 2017-12-26 GM Global Technology Operations LLC Enhanced vehicle lateral control (lane following/lane keeping/lane changing control) for trailering vehicles
US9776630B2 (en) 2016-02-29 2017-10-03 Nissan North America, Inc. Vehicle operation based on converging time
JP6650635B2 (ja) * 2016-02-29 2020-02-19 パナソニックＩｐマネジメント株式会社 判定装置、判定方法、および判定プログラム
CN107180220B (zh) * 2016-03-11 2023-10-31 松下电器（美国）知识产权公司 危险预测方法
US9783145B1 (en) 2016-03-23 2017-10-10 Nissan North America, Inc. Rear-end collision avoidance
US9987984B2 (en) 2016-03-23 2018-06-05 Nissan North America, Inc. Blind spot collision avoidance
US9796327B2 (en) 2016-03-23 2017-10-24 Nissan North America, Inc. Forward collision avoidance
US9836976B2 (en) 2016-03-23 2017-12-05 Nissan North America, Inc. Passing lane collision avoidance
JP2017174332A (ja) * 2016-03-25 2017-09-28 パナソニックＩｐマネジメント株式会社 端末装置
US10011285B2 (en) * 2016-05-23 2018-07-03 Toyota Motor Engineering & Manufacturing North America, Inc. Device, system, and method for pictorial language for autonomous vehicle
KR102545582B1 (ko) * 2016-07-11 2023-06-21 주식회사 에이치엘클레무브 교차로 충돌 회피 시스템 및 그 제어 방법
US10037698B2 (en) 2016-07-28 2018-07-31 Nissan North America, Inc. Operation of a vehicle while suppressing fluctuating warnings
US11614741B2 (en) 2016-08-02 2023-03-28 Transportation Ip Holdings, Llc Vehicle control system and method
US9981660B2 (en) 2016-08-30 2018-05-29 Nissan North America, Inc. Operation of a vehicle by classifying a preceding vehicle lane
US10640111B1 (en) * 2016-09-07 2020-05-05 Waymo Llc Speed planning for autonomous vehicles
US9898931B1 (en) * 2016-09-26 2018-02-20 GM Global Technology Operations LLC Method and apparatus for detecting hazards and transmitting alerts
JP6919428B2 (ja) * 2016-12-21 2021-08-18 トヨタ自動車株式会社 車両データ記録装置
BR112019014912A2 (pt) * 2017-01-20 2020-03-31 Nissan Motor Co., Ltd. Método de previsão de comportamento de veículo e aparelho de previsão de comportamento de veículo
DE112018000174T5 (de) * 2017-03-07 2019-08-08 Robert Bosch Gmbh Aktionsplanungssystem und -verfahren für autonome Fahrzeuge
DE112017007600T5 (de) * 2017-06-02 2020-02-20 Honda Motor Co., Ltd. Fahrzeug-Steuervorrichtung und Verfahren zum Steuern eines automatisiert fahrenden Fahrzeugs
CN110692094B (zh) * 2017-06-02 2022-02-01 本田技研工业株式会社 用于自动驾驶车的控制的车辆控制装置及方法
EP3456596A1 (en) * 2017-09-14 2019-03-20 Continental Automotive GmbH Method and device of predicting a possible collision
CN111201170B (zh) * 2017-10-10 2023-06-16 本田技研工业株式会社 车辆控制装置及车辆控制方法
WO2019073525A1 (ja) 2017-10-10 2019-04-18 日産自動車株式会社 運転制御方法及び運転制御装置
RU2743683C1 (ru) 2017-10-10 2021-02-24 Ниссан Мотор Ко., Лтд. Способ управления вождением и оборудование управления вождением
JP2019095851A (ja) * 2017-11-17 2019-06-20 アイシン・エィ・ダブリュ株式会社 車両運転補助システム、車両運転補助方法、及び車両運転補助プログラム
US10627825B2 (en) 2017-11-22 2020-04-21 Waymo Llc Using discomfort for speed planning in autonomous vehicles
US10967861B2 (en) 2018-11-13 2021-04-06 Waymo Llc Using discomfort for speed planning in responding to tailgating vehicles for autonomous vehicles
JP6995671B2 (ja) * 2018-03-14 2022-01-14 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
US20210012121A1 (en) * 2018-03-26 2021-01-14 Mitsubishi Electric Corporation Information processing device, information processing method, and computer readable medium
JP7063043B2 (ja) * 2018-03-26 2022-05-09 株式会社デンソー 車両制御装置、および、決定方法
JP7120820B2 (ja) 2018-06-13 2022-08-17 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
EP3819889A4 (en) * 2018-07-04 2021-06-09 Nissan Motor Co., Ltd. DRIVING ASSISTANCE PROCESS AND DRIVING ASSISTANCE DEVICE
EP3598414A1 (en) * 2018-07-20 2020-01-22 Volvo Car Corporation System and method for avoiding a collision course
CN110928277B (zh) * 2018-08-31 2023-11-17 阿波罗智能技术(北京)有限公司 智能路侧单元的障碍物提示方法、装置及设备
CN109624992A (zh) * 2018-12-25 2019-04-16 斑马网络技术有限公司 基于车辆驾驶的处理方法、装置、设备以及存储介质
JP7116699B2 (ja) * 2019-03-19 2022-08-10 株式会社デンソー 行動予測装置、行動予測方法およびプログラム
US11433894B2 (en) 2019-03-27 2022-09-06 Nissan Motor Co., Ltd. Driving assistance method and driving assistance device
DE102019108142A1 (de) * 2019-03-29 2020-10-01 Bayerische Motoren Werke Aktiengesellschaft Auswählen einer Handlungsoption für ein automatisiertes Kraftfahrzeug
EP3747718B1 (en) * 2019-06-04 2021-11-03 Zenuity AB Method of adapting tuning parameter settings of a system functionality for road vehicle speed adjustment control
US11787407B2 (en) * 2019-07-24 2023-10-17 Pony Ai Inc. System and method for sensing vehicles and street
JP7182718B2 (ja) * 2019-08-13 2022-12-02 日産自動車株式会社 車両行動決定方法及び車両行動決定装置
DE102019216189A1 (de) * 2019-10-21 2021-04-22 Robert Bosch Gmbh Verfahren zum Verkehrsbetrieb einer mobilen Arbeitsmaschine in einem Verkehrsbereich aufweisend mindestens eine Zone mit Kollisionsgefahr mit weiteren mobilen Arbeitsmaschinen
CN110782706B (zh) * 2019-11-06 2022-05-06 腾讯科技（深圳）有限公司 智能车辆驾驶风险的预警方法和装置
JP7362899B2 (ja) * 2020-03-19 2023-10-17 日産自動車株式会社 車両の走行支援方法及び走行支援装置
EP3886076A1 (en) * 2020-03-27 2021-09-29 Aptiv Technologies Limited Warning system for a host automotive vehicle
JP7405050B2 (ja) 2020-09-25 2023-12-26 いすゞ自動車株式会社 自動運転装置、自動運転方法及びプログラム
JP7259821B2 (ja) * 2020-09-25 2023-04-18 いすゞ自動車株式会社 自動運転装置
JP7313786B2 (ja) * 2020-09-28 2023-07-25 ダイハツ工業株式会社 運転支援装置
CN112319465A (zh) * 2020-11-28 2021-02-05 景德镇学院 一种智能驾驶环境感知分析系统
WO2023053165A1 (ja) * 2021-09-28 2023-04-06 株式会社Subaru 運転支援装置及びコンピュータプログラムを記録した記録媒体
US20230294708A1 (en) * 2022-03-15 2023-09-21 Infosys Limited System and method for driver authentication and violation detection

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005122260A (ja) * 2003-10-14 2005-05-12 Nissan Motor Co Ltd 車両のリスク回避ガイド装置
JP2005202512A (ja) 2004-01-13 2005-07-28 Toyota Motor Corp 車両運転支援装置および車両運転支援方法
WO2007102405A1 (ja) * 2006-03-01 2007-09-13 Toyota Jidosha Kabushiki Kaisha 自車進路決定方法および自車進路決定装置
JP2008191781A (ja) * 2007-02-01 2008-08-21 Hitachi Ltd 衝突回避システム
JP2008230467A (ja) * 2007-03-22 2008-10-02 Mitsubishi Electric Corp 走行支援装置
JP2009003650A (ja) * 2007-06-20 2009-01-08 Toyota Motor Corp 車両走行推定装置
JP2009073465A (ja) * 2007-08-28 2009-04-09 Fuji Heavy Ind Ltd 安全運転支援システム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5983161A (en) * 1993-08-11 1999-11-09 Lemelson; Jerome H. GPS vehicle collision avoidance warning and control system and method
JP2799375B2 (ja) 1993-09-30 1998-09-17 本田技研工業株式会社 衝突防止装置
EP1285842B1 (en) * 2001-08-23 2008-05-28 Nissan Motor Co., Ltd. Driving-assist system
JP3750644B2 (ja) * 2002-09-27 2006-03-01 日産自動車株式会社 車両用運転操作補助装置、車両用運転操作補助方法、およびその方法を適用した車両
JP4013825B2 (ja) * 2003-05-22 2007-11-28 日産自動車株式会社 車両用走行制御装置
US7797107B2 (en) * 2003-09-16 2010-09-14 Zvi Shiller Method and system for providing warnings concerning an imminent vehicular collision
JP4604683B2 (ja) 2004-11-25 2011-01-05 日産自動車株式会社 危険状況警報装置
DE102005009146A1 (de) * 2005-03-01 2006-09-21 Robert Bosch Gmbh Fahrerassistenzsystem mit mehreren Assistenzfunktionen
JP4853005B2 (ja) 2005-12-12 2012-01-11 株式会社豊田中央研究所 車両走行シミュレーション装置
EP1990786B1 (en) * 2006-02-28 2021-05-19 Toyota Jidosha Kabushiki Kaisha Object path prediction method and apparatus
DE102006011481A1 (de) * 2006-03-13 2007-09-20 Robert Bosch Gmbh Verfahren und Vorrichtung zum Unterstützen eines Führens eines Fahrzeugs
JP2007286810A (ja) * 2006-04-14 2007-11-01 Denso Corp 運転支援装置
JP4254821B2 (ja) * 2006-08-15 2009-04-15 トヨタ自動車株式会社 制動制御装置
US7579942B2 (en) * 2006-10-09 2009-08-25 Toyota Motor Engineering & Manufacturing North America, Inc. Extra-vehicular threat predictor
EP2082383B1 (en) * 2006-10-13 2012-06-13 Toyota Jidosha Kabushiki Kaisha On-board warning apparatus and warning method
JP4062353B1 (ja) * 2006-11-10 2008-03-19 トヨタ自動車株式会社 障害物進路予測方法、装置、およびプログラム
JP4450023B2 (ja) * 2007-07-12 2010-04-14 トヨタ自動車株式会社 自車両危険度取得装置
JP4983501B2 (ja) * 2007-09-13 2012-07-25 日産自動車株式会社 車両用運転評価装置
JP5005492B2 (ja) 2007-10-17 2012-08-22 富士重工業株式会社 安全運転支援システム
JP5354514B2 (ja) * 2008-03-31 2013-11-27 現代自動車株式会社 脇見運転検出警報システム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005122260A (ja) * 2003-10-14 2005-05-12 Nissan Motor Co Ltd 車両のリスク回避ガイド装置
JP2005202512A (ja) 2004-01-13 2005-07-28 Toyota Motor Corp 車両運転支援装置および車両運転支援方法
WO2007102405A1 (ja) * 2006-03-01 2007-09-13 Toyota Jidosha Kabushiki Kaisha 自車進路決定方法および自車進路決定装置
JP2008191781A (ja) * 2007-02-01 2008-08-21 Hitachi Ltd 衝突回避システム
JP2008230467A (ja) * 2007-03-22 2008-10-02 Mitsubishi Electric Corp 走行支援装置
JP2009003650A (ja) * 2007-06-20 2009-01-08 Toyota Motor Corp 車両走行推定装置
JP2009073465A (ja) * 2007-08-28 2009-04-09 Fuji Heavy Ind Ltd 安全運転支援システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2495713A4

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9327734B2 (en) 2012-06-01 2016-05-03 Google Inc. Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
EP2855225A4 (en) * 2012-06-01 2016-06-29 Google Inc DEDUCTION OF A TRAFFIC SIGNAL STATUS AND OTHER ASPECTS OF THE ENVIRONMENT OF A VEHICLE BASED ON SUBSTITUTION DATA
US9804601B2 (en) 2012-06-01 2017-10-31 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
US10331133B2 (en) 2012-06-01 2019-06-25 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
US10831196B2 (en) 2012-06-01 2020-11-10 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
EP3792126A1 (en) * 2012-06-01 2021-03-17 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
US11474520B2 (en) 2012-06-01 2022-10-18 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data
US11845472B2 (en) 2012-06-01 2023-12-19 Waymo Llc Inferring state of traffic signal and other aspects of a vehicle's environment based on surrogate data

Also Published As

Publication number Publication date
US8947218B2 (en) 2015-02-03
CN102598083B (zh) 2015-04-22
JP5407764B2 (ja) 2014-02-05
EP2495713A1 (en) 2012-09-05
EP2495713A4 (en) 2015-03-18
CN102598083A (zh) 2012-07-18
JP2011096105A (ja) 2011-05-12
US20120218093A1 (en) 2012-08-30
EP2495713B1 (en) 2019-05-01

Similar Documents

Publication Publication Date Title
JP5407764B2 (ja) 運転支援装置
CN110001658B (zh) 用于车辆的路径预测
CN108394411B (zh) 车辆的跟随起步控制装置
US10289113B2 (en) Autonomous occupant attention-based control
US10026317B2 (en) Autonomous probability control
US9989963B2 (en) Autonomous confidence control
CN103303306B (zh) 就所出现的危险状况对车辆驾驶员作出警示的方法
CN103158705B (zh) 用于控制本车的方法和系统
US10976748B2 (en) Detecting and responding to sounds for autonomous vehicles
JP5254584B2 (ja) 道路の一部の上にある屈曲部を予測検出するための方法およびそれに関連するシステム
JP5691237B2 (ja) 運転支援装置
US20170248953A1 (en) Autonomous peril control
US20170247040A1 (en) Autonomous vehicle control transitioning
CN112046501A (zh) 自动驾驶装置和方法
CN109515434A (zh) 车辆控制装置、车辆控制方法及存储介质
US20220234615A1 (en) In-vehicle device and driving assist method
JP2019109675A (ja) 運転行動データ生成装置、運転行動データベース
CN109664888A (zh) 高速功能自动切换系统、高级驾驶辅助系统及高速功能自动切换方法
Rodemerk et al. Predicting the driver's turn intentions at urban intersections using context-based indicators
CN109318894A (zh) 车辆驾驶辅助系统、车辆驾驶辅助方法及车辆
US10539959B1 (en) Detecting and responding to people directing traffic for autonomous vehicles
US20220398414A1 (en) Ultrasonic system and method for tuning a machine learning classifier used within a machine learning algorithm
CN114368395B (zh) 一种基于公交数字化转型的人工智能公交驾驶安全管理系统
US20220398463A1 (en) Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle
WO2023149003A1 (ja) 車両制御装置

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080048931.9

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10826382

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13504373

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2010826382

Country of ref document: EP