WO2017164337A1

WO2017164337A1 - 搭載角度学習装置

Info

Publication number: WO2017164337A1
Application number: PCT/JP2017/011849
Authority: WO
Inventors: 尭之北村
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2016-03-23
Filing date: 2017-03-23
Publication date: 2017-09-28
Anticipated expiration: 2018-09-23
Also published as: US10809356B2; JP2017173115A; CN108885249A; CN108885249B; JP6439728B2; US20190107602A1

Abstract

学習選択部（Ｓ２００）は、学習時点における学習の開始までに学習値が更新された回数である学習回数が、回数閾値よりも少ない場合には、前記学習時点において早急学習部による学習の実行を選択し、前記学習回数が前記回数閾値よりも多い場合には、前記学習時点において高精度学習部による学習の実行を選択する。

Description

搭載角度学習装置

関連出願の相互参照

　本国際出願は、２０１６年３月２３日に日本国特許庁に出願された日本国特許出願番号第２０１６－０５８９６５号に基づくものであって、その優先権の利益を主張するものであり、日本国特許出願番号第２０１６－０５８９６５号のすべての内容を参照により本国際出願に援用する。

　本開示は、車載レーダの搭載角度を学習する装置に関する。

　車載レーダの設置状態が、何等かの原因（例えばボルトの緩み）で所定の搭載角度からずれが生じている場合、物体の方位を誤検出するおそれがある。そこで、下記特許文献１に記載の車載レーダ装置のように、車載レーダ装置の観測データを用いて、車載レーダ装置の搭載角度を推定する技術がある。ただし、観測データには誤差が含まれるため、その誤差を含んだ観測データから推定される搭載角度に対応する値（以下、瞬時値という）も、誤差を含んだ値となる。そのため、上記車載レーダ装置では、瞬時値の集合を刈り込み平均して平均値を算出し、算出した平均値から搭載角度を求めている。

特開２０１４－１５３２５６号公報

　搭載角度を求める手法として、搭載角度の瞬時値を、例えば移動平均を用いて平滑化することで学習し、学習値を搭載角度とする手法も考えられる。しかしながら、発明者の詳細な検討の結果、この種の学習装置では、学習速度を上げると学習精度が低下して収束後の学習値が振動し、学習精度を上げると収束するまでの時間が長くなるという問題が見出された。

　本開示の１つの局面では、収束までの時間の短縮と学習精度の向上とを両立させることが可能な搭載角度学習装置を提供する。

　本開示の１つの局面は、電磁波を用いて物体が存在する方位を検出する車載レーダの車両における向きを表す搭載角度を学習する搭載角度学習装置であって、推定値算出部と、学習部とを備える。推定値算出部は、車載レーダの送受信波を用いて、搭載角度の推定値を繰り返し算出する。学習部は、早急学習部と、高精度学習部と、学習選択部と、を備え、搭載角度の学習時点における学習値を、学習時点までに算出された複数の推定値を平滑化して算出した値に更新する。早急学習部は、更新された学習値に対する学習時点の推定値の寄与度合を第１度合とする。高精度学習部は、寄与度合を第１度合よりも低い第２度合とする。学習選択部は、学習時点における学習の開始までに学習値が更新された回数である学習回数が、回数閾値よりも少ない場合には、早急学習部による学習の実行を選択し、学習回数が前記回数閾値よりも多い場合には、高精度学習部による学習の実行を選択する。

　本開示によれば、学習値と真値との誤差が大きい学習初期には、早急学習が実行されるため、推定値が学習値に反映され易くなって、早急に学習値が真値に近づけられる。一方、学習が進み学習値が真値に近づいた後は、高精度学習が実行されるため、推定値が学習値に反映されにくくなって、推定値のばらつきによる学習値の振動が抑制され、安定した学習値が算出される。よって、収束までの時間の短縮と学習精度の向上とを両立させることができる。

　なお、特許請求の範囲に記載した括弧内の符号は、一つの態様として後述する実施形態に記載の具体的手段との対応関係を示すものであって、本開示の技術的範囲を限定するものではない。

車載レーダ装置の構成を示すブロック図である。搭載角度を推定する処理手順を示すフローチャートである。車載レーダ装置の取付状態、及び車載レーダ装置での側方停止物の相対速度や方位の検出方法を示す説明図である。理論曲線と近似曲線との関係、及び理論曲線が自車速に応じて変化することを示す説明図である。近似曲線を用いて搭載角度を推定する方法を示す説明図である。搭載角度を学習する処理手順を示すフローチャートである。下位で平均した推定値を更に上位で移動平均することを示す説明図である。搭載角度の推定値及び学習値を示すタイムチャートである。図８に示すタームチャートのＡ～Ｈの時点において、上位で移動平均する平均値を示す図である。

　以下、図面を参照しながら、発明を実施するための形態を説明する。
　＜構成＞
　まず、本実施形態に係る搭載角度学習装置を含むレーダ装置の構成について、図１を参照して説明する。本実施形態に係るレーダ装置は、ミリ波レーダ１００と、処理装置３０と、を備える。本実施形態では、処理装置３０が搭載角度学習装置に相当し、ミリ波レーダ１００が車載レーダに相当する。

　ミリ波レーダ１００は、送受信部１５と、送信アンテナ部１０と、受信アンテナ部２０とを備え、車両のバンパ内に設置されている。バンパは、電磁波を透過する材料で構成されている。ここでは、図３に示すように、ミリ波レーダ１００は、車両の後ろ側に設置されたバンパの両端のうち、車両の進行方向に向かって右端付近に設置され、かつ、車両の側方を探査範囲に含むような向きに設置されている。車両の側方は、車両の前後方向に対して９０°の方向のことである。本実施形態では、ミリ波レーダ１００は、多周波ＣＷレーダとして動作する。なお、ＣＷは、Continuous Waveの略である。

　送受信部１５は、処理装置３０からの周波数制御信号Ｃｆに従って送信信号を生成し、生成した送信信号を送信アンテナ部１０へ供給する。周波数制御信号Ｃｆは、一定期間、所定の周波数のレーダ波であって、ＣＷからなるレーダ波を送信するように生成された信号である。送信アンテナ部１０は、水平方向に一列に配置されたＫ個のアンテナを含み、送信信号に従ってレーダ波を放射する。Ｋは２以上の整数である。

　受信アンテナ部２０は、水平方向に一列に配置されたＬ個のアンテナを含み、アンテナ毎に、物標で反射されたレーダ波を受信して受信信号を送受信部１５へ供給する。Ｌは２以上の整数である。送受信部１５は、受信信号と送信信号とから、両信号の差の周波数成分を有するビート信号を生成する。そして、送受信部１５は、生成したビート信号をサンプリングして、サンプリングデータＤｂに変換し、送信周波数毎かつアンテナ毎に、サンプリングデータＤｂを処理装置３０に供給する。

　処理装置３０は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及びＩ／Ｏ等を備える周知のマイクロコンピュータを中心に構成されているとともに、送受信部１５から取り込んだサンプリングデータＤｂについて、ＦＦＴ処理等の信号処理を実行する演算処理装置を備えている。処理装置３０の各機能は、ＣＰＵが非遷移的実体的記録媒体に格納されたプログラムを実行することにより実現される。この例では、ＲＯＭが、プログラムを格納した非遷移的実体的記録媒体に該当する。このプログラムの実行により、プログラムに対応する方法が実行される。また、ＲＡＭの一部は、処理装置３０の電源をオフにしてもメモリの内容が保持される不揮発性メモリで構成されており、この不揮発性メモリには、測定サイクル毎に推定されるミリ波レーダ１００の搭載角度の推定値θest、及び学習値θsmが記憶される。なお、設定されている複数の異なる周波数のすべてについて、レーダ波の送受信を行うことを１測定サイクルとする。また、ＦＦＴは、Fast Fourier Transform すなわち高速フーリエ変換の略である。

　処理装置３０は、ＣＰＵがプログラムを実行することで、搭載角度の推定処理と、推定された搭載角度を学習する学習処理と、を実行する。処理装置３０がこれらの処理を実行する手法は、ソフトウェアに限るものではなく、その一部又は全部の処理を、論理回路やアナログ回路等を組み合わせたハードウェアを用いて実行してもよい。

　＜搭載角度推定＞
　［１．推定処理］
　次に、処理装置３０が実行する搭載角度の推定処理について、図２のフローチャートを参照して説明する。本処理は、測定サイクル毎に起動し、ミリ波レーダ１００の搭載角度を推定する処理である。詳細な推定原理については後述するが、本処理では、車両の側方における停止物の相対速度と、停止物が存在する方位との間に対応関係があることを利用して、搭載角度を検出する。ここでの搭載角度は、ミリ波レーダ１００の光軸から車両の後ろ方向までの角度とする。ミリ波レーダ１００の光軸は、ミリ波レーダ１００の検知範囲の中心を通る軸である。

　まず、Ｓ１０（Ｓはステップを表す）では、車両のネットワークを介して自車速を取得し、取得した自車速が予め設定されている速度閾値よりも大きいか否かを判定する。詳細は後述するが、速度閾値は、精度のよい搭載角度の推定が期待できる速度に設定されている。Ｓ１０で肯定判定の場合は、Ｓ２０へ進む。また、Ｓ１０で否定判定の場合は、本処理を終了する。

　続いて、Ｓ２０では、多周波ＣＷのすべての送信周波数におけるビート信号のサンプリングデータＤｂを、受信アンテナ部２０を構成するアンテナ毎に取得する。
　続いて、Ｓ３０では、サンプリングデータＤｂを周波数解析することにより、多周波ＣＷの送信周波数毎かつ受信アンテナ部２０を構成するアンテナ毎に周波数スペクトルを算出する。ここでは、周波数解析としてＦＦＴを用いる。これにより得られる周波数スペクトルの周波数ビンは、レーダ波を反射した物体と自車両との相対速度を表す。

　続いて、Ｓ４０では、Ｓ３０で算出した送信周波数毎かつアンテナ毎の周波数スペクトルについて、アンテナ毎に、各送信周波数の周波数スペクトルを平均して平均周波数スペクトルを算出する。

　続いて、Ｓ５０では、平均周波数スペクトルから、スペクトル電力が予め設定された閾値以上となるピーク値が検出される周波数ビンを抽出し、その周波数ビン毎に、反射波の到来方向、すなわちレーダ波を反射した物体が存在する方位を推定する。推定方位の算出は、ＭＵＳＩＣ，Ｃａｐｏｎ等の高分解能な推定アルゴリズムを用いることが望ましいが、ＤＢＦ等の演算負荷が小さいアルゴリズムを用いてもよい。なお、ＭＵＳＩＣは、Multiple Signal Classification、ＤＢＦは、Digital Beam Formingの略である。

　続いて、Ｓ６０において、Ｓ４０で算出された平均周波数スペクトル、及びＳ５０で推定された推定方位を用いて、自車両と物体との相対速度及び推定方位からなる二次元の観測データの分布Ｐを作成する。

　続いて、Ｓ７０では、相対速度の絶対値が予め設定された上限値以内となる観測データに基づいて、式（１）を用いて、停止物について検出される相対速度ｙと方位角ｘとの関係を表す近似直線Ｚを算出する。ただし、θinstを工場で設定されたミリ波レーダ１００の搭載角度の初期値、Ａを定数、Ｎ＿ｂｉｎをＦＦＴポイント数、例えば２５６とする。なお、Ｎ＿ｂｉｎ／２が、物体との相対速度のゼロに相当するように設定されている。

　続いて、Ｓ８０では、近似直線Ｚの算出に用いた観測データの分布Ｐの最小二乗和Ｗを算出する。この最小二乗和Ｗは、観測データのばらつき度合を表し、ばらつきが大きいほど大きな値となる。そして、Ｓ８０では、算出した最小二乗和Ｗが、予め設定された近似閾値よりも小さいか否かを判定する。最小二乗和Ｗが、近似閾値よりも小さければ、レーダ波を反射した物体は停止物であると判定する。この場合、Ｓ８０で肯定判定し、ステップ９０に進む。一方、最小二乗和Ｗが近似閾値以上であれば、レーダ波を反射した物体は移動物であると判定する。この場合、Ｓ８０で否定判定し、本処理を終了する。

　続いて、Ｓ９０では、図３に示すように、近似直線Ｚ上で相対速度が０となる方位角である検出方位角θｖを算出する。そして、搭載角度θinstでミリ波レーダ１００を取り付けた場合に、相対速度が０となる観測データが検出される方位角、すなわち車両の前後方向に対して９０°の方向を理論方位角θｏとして、理論方位角θｏから検出方位角θｖを減算することで、誤差Δθを算出する。誤差Δθは、搭載角度θinstと実際の搭載角度との差である。さらに、θest＝θinst－Δθとして、搭載角度の推定値θestを算出する。以上で本処理を終了する。本実施形態では、Ｓ１０～Ｓ９０までの処理が、推定値算出部の機能が実行する処理に相当する。

　［２．推定原理］
　次に、本実施形態における搭載角度の推定原理について詳細を説明する。車両の側方に壁面などの停止物が存在する場合、壁面のさまざまな箇所から反射波が得られる。そして、壁面の反射点が存在する方位と、その反射点について検出される相対速度とは、図４に示す関係を有する。すなわち、ミリ波レーダ１００が取り付けられた位置の真横に反射点がある場合、その反射点の相対速度は０となる。真横とは、車両の進行方向に対して９０°の壁面方位である。図３に示すように、この真横の反射点よりも車両の進行方向側に位置する反射点の相対速度は、自車両に接近してくることを表す正の値となる。また、真横の反射点よりも車両の進行方向とは反対側に位置する反射点の相対速度は、自車両から離れていくことを表す負の値となる。いずれの場合も、その絶対値は、真横の位置から離れるほど大きな値となる。図４に示すグラフは、自車後方に対して線対称な形状となる。

　ここで、ミリ波レーダ１００の探索範囲を０～１８０［ｄｅｇ］とする。さらに、探査範囲の９０［ｄｅｇ］の方向、すなわち、ミリ波レーダ１００の光軸の方向に対し、車両の後方向が、車両の上方から見て右回りにθinst［ｄｅｇ］傾くように、ミリ波レーダ１００が車両に取り付けられているものとする。ただし、方位角ｘは、左回りを正、右回りを負で表すものとする。この場合、θinstは負の値となり、車両の壁面方位の方位角ｘはθｏ＝１８０＋θinst［ｄｅｇ］となる。図４のグラフは、初期の搭載角度θinst＝－４０［ｄｅｇ］である場合を示す。つまり、壁面方位の方位角ｘはθｏ＝１４０［ｄｅｇ］であり、自車後方の方位角ｘは５０［ｄｅｇ］である。この状態を、工場出荷時の設定状態とする。

　工場において、ミリ波レーダ１００が設定どおりの搭載角度で搭載されていない場合や、工場出荷後に搭載角度が変化した場合、搭載角度θinstと実際の搭載角度とに誤差が生じる。車両の上方から見て左回りにΔθ［ｄｅｇ］の誤差が生じているとする。この場合、Δθは正の値となり、車両の壁面方位の方位角ｘはθｖ＝１８０＋θinst－Δθ＝θｏ－Δθ、搭載角度の推定値θestは、θest＝θinst－Δθとなる。すなわち、Δθを求めることで推定値θestを算出できる。

　図４に、工場出荷時の設定状態を前提として求めた、高速時における理論曲線を図中実線で示し、低速時における理論曲線を図中一点鎖線で示す。また、実線の理論曲線について、式（１）を用いて求めた近似直線Ｚを破線で示す。

　図示されているように、理論曲線は自車速Ｖselfが遅いほど、方向に対する相対速度である周波数ビンの変化が小さく、自車速Ｖselfが速いほど、方向に対する相対速度である周波数ビンの変化が大きくなる。なお、相対速度を表す周波数ビンは、０～Ｎ＿ｂｉｎ［ｂｉｎ］で表され、０～Ｎ＿ｂｉｎ［ｂｉｎ］の中心のＮ＿ｂｉｎ／２［ｂｉｎ］を、相対速度ゼロとしている。この場合、Ｎ＿ｂｉｎ／２～Ｎ＿ｂｉｎ［ｂｉｎ］は、停止物が自車両に接近してくるように観測される物標接近領域、０～Ｎ＿ｂｉｎ／２［ｂｉｎ］は、停止物が自車両から離れていくように観測される物標離脱領域となる。

　図５に、高速時の理論曲線に対する理論近似直線を破線で示し、実データの分布Ｐから求めた近似直線Ｚを実線で示す。理論近似直線と近似直線Ｚとの方位軸方向であるｘ軸方向における差から、誤差Δθが求められる。ひいては、近似直線Ｚから、今回の測定サイクルにおける推定値θestを算出できる。

　ただし、図４に示すように、低速時では、分布Ｐを表す曲線の傾きが小さくなり、分布Ｐの直線への近似度が低下する。よって、低速時には、近似直線Ｚから推定値θestを推定すると推定精度が低下するので、低速時には推定値θestの算出は行わない。上述した速度閾値は、分布Ｐの直線への近似度が十分に高くなる速度に設定されている。

　＜搭載角度の学習＞
　［１．学習処理］
　次に、搭載角度の学習処理について、図６のフローチャートを参照して詳細を説明する。本処理は、搭載角度の推定値θestが算出された都度起動し、学習値θsmを、学習時点までに算出された複数の推定値θestを平滑化した値に、更新する処理である。

　まず、Ｓ２００では、学習回数ＮsmがＪ回未満か否か判定する。Ｊは２以上の任意の整数である。ここでは、学習値θsmを更新する毎に、学習は１回終了するとする。学習の初期の段階では、学習値θsmを搭載角度の真値に早急に近づけるために、学習速度の速い早急な学習を実行することが望ましい。一方、学習が進んだ段階では、学習値を安定させるために、高精度な学習を実行することが望ましい。そこで、学習回数ＮsmがＪ回未満の場合は、Ｓ２００で肯定判定して、Ｓ２１０の早急学習に進む。

　一方、学習回数ＮsmがＪ回以上の場合は、Ｓ２００で否定判定して、Ｓ２２０の高精度学習に進む。すなわち、Ｊ回の学習が終了し、Ｊ＋１回目の学習を開始する際に、学習態様を早急学習から高精度学習へ切り替える。Ｊの値は、例えば、シミュレーションにより、学習値θsmを十分に収束させることができる学習回数Ｎsmを求め、その学習回数Ｎsmに設定されている。本実施形態では、Ｓ２００の処理が、学習選択部の機能が実行する処理に相当する。

　Ｓ２１０では、早急学習を行って、Ｉ測定サイクル毎に学習値θsmを更新する。一方、Ｓ２２０では、高精度学習を行って、Ｉ測定サイクル毎に学習値θsmを更新する。Ｉは、１以上の整数であり、早急学習では、高精度学習よりも小さい値に設定されている。早急学習におけるＩの値は、例えば、推定値θestに含まれる誤差をある程度滑らかにすることができる値に設定されている。高精度学習におけるＩの値は、例えば、学習値θsmが必要な頻度に応じて設定されている。

　具体的には、図７に示すように、早急学習及び高精度学習は２段階の平均を行う。下位の平均すなわち１段階目の平均では、今回の学習時点を含む直近のＩ測定サイクルで推定されたＩ個の推定値θestを平均する。図７において、下位の平均を示す各四角内の値は、各測定サイクルで算出された推定値θestである。算出された下位平均値は、シフトレジスタに記憶される。シフトレジスタは、１個のデータが格納されると１個のデータを排出してＪ個分だけのデータを蓄積するメモリである。上位の平均すなわち２段階目の平均では、Ｉ測定サイクル毎に、シフトレジスタに蓄積されているＪ個の下位平均値を平均する。シフトレジスタに蓄積される値は順次更新されるため、上位の平均は、下位平均値の移動平均を求めていることになる。そして算出された移動平均値が、今回の学習時点における学習値θsmとなる。

　前回の学習値θsmの更新時点からＩ－１測定サイクル目までは、前回の更新時点における学習値θsmをそのまま維持して、その測定サイクルにおける学習値θsmとする。よって、上位の移動平均の実行回数が学習回数Ｎsmとなり、Ｉ測定サイクル毎の時点が学習時点となる。Ｊは、Ｓ２００の判定値のＪと同じ値であり、早急学習でも高精度学習でも同じ個数の平均値を移動平均する。

　このように、学習値θsmは、Ｉ測定サイクル毎に、Ｉ×Ｊ個分の推定値θestの平均値に更新される。よって、更新された学習値θsmに対する学習時点で算出された推定値θestの寄与度合は、１／（Ｉ×Ｊ）となる。それゆえ、早急学習における上記寄与度合である度合Ｗ１は、高精度学習における度合Ｗ２よりも高くなる。したがって、早急学習では、推定値θestが学習値θsmに反映され易くなり、学習速度が高くなる。一方、高精度学習では、推定値θestが学習値θsmに反映されにくくなるため、推定値θestに含まれる誤差分による学習値θsmの振動が抑制される。

　なお、本実施形態では、Ｉ測定サイクルが平均期間に相当する。また、本実施形態では、Ｓ２１０の処理が、早急学習部の機能が実行する処理に相当し、Ｓ２２０の処理が、高精度学習部の機能が実行する処理に相当する。

　続いて、Ｓ２３０では、今測定サイクルの直近過去の一定期間Ｔｃにおける推定値θestの平均値θavと、Ｓ２１０又はＳ２２０で算出した学習値θsmとの差の絶対値が、角度閾値θthよりも小さいか否かを判定する。

　車両の軽い衝突や、ミリ波レーダ１００の取付ボルトの緩みなどが原因で、搭載角度が急変する場合がある。また、ミリ波レーダ１００の取付位置は変化していなくても、車両のバンパへの雪や、氷、汚れ等の付着により、ミリ波レーダ１００の光軸が曲がり、実質的に搭載角度が急変することがある。よって、平均値θavと、現測定サイクルで算出した学習値θsmとを比較することで、前測定サイクルの終了から現測定サイクルの開始までの間に、搭載角度の急変が発生していないか否かを判定する。

　一定期間Ｔｃは、過度に長い期間とすると、急変が発生した後も、θavに対して急変前の推定値θestの影響継続する期間が長くなり、急変の判定が遅くなるおそれがある。一方、一定期間Ｔｃを過度に短い期間とすると、外乱の混入時に、急変を誤判定してしまうおそれがある。よって、一定期間Ｔｃは、θavに対する外乱の影響を抑制しつつ、急変前の推定値θestの影響継続を抑制できる期間とする。例えば、一定期間Ｔｃは、早急学習における推定値θestの平均期間から、高精度学習における推定値θestの平均期間までの範囲とする。本実施形態では、一定期間Ｔｃが判定期間に相当し、Ｓ２３０の処理が、急変判定部の機能が実行する処理に相当する。

　搭載角度が急変した場合には、学習値θsmを早急に急変後の真値に収束させることが望ましい。よって、（θav－θsm）の絶対値が角度閾値θth以上の場合には、Ｓ２６０に進み、学習回数Ｎsmをゼロにリセットして、本処理を終了する。これにより、次の測定サイクルの処理では、早急学習が実行される。一方、上記絶対値が角度閾値θth未満の場合には、Ｓ２４０に進み、現測定サイクルの処理で学習値θsmを更新したか否か判定する。Ｓ２４０において肯定判定の場合は、Ｓ２５０において学習回数Ｎsmを１回分増やして、本処理を終了する。Ｓ２４０において否定判定の場合は、そのまま本処理を終了する。本実施形態では、Ｓ２６０の処理が、リセット部の機能が実行する処理に相当する。

　［２．学習動作］
　図８に、工場出荷時の搭載角度θinst＝５０［ｄｅｇ］、上位の移動平均個数Ｊ＝４、早急学習時における下位の平均測定サイクル数Ｉ＝２、高精度学習時における下位の平均測定サイクル数Ｉ＝１０、一定期間Ｔｃ＝５測定サイクル、角度閾値＝５［ｄｅｇ］とした場合における、搭載角度の推定値θest及び学習値θsmの遷移を示す。また、図９に、図８のＡ～Ｈの時点において、移動平均の対象である４個の下位平均値を示す。

　学習開始時点である時点Ａでは、早急学習が実行され、下位の平均対象となる推定値θest、及び上位の移動平均の対象となる４個の下位平均値を、すべて搭載角度θinstとして、1回目の移動平均が実行される。学習開始時点を１回目の測定サイクルとすると、３回目の測定サイクルであるＢ時点では、引き続き早急学習が実行され、１回目と２回目の測定サイクルにおける推定値θestの平均値と、３個の初期値とを移動平均した値に、学習値θsmが更新されている。９回目の測定サイクルであるＣ時点では、４回の学習が終了しているので、学習態様が早期学習から高精度学習に切り替わる。よって、時点Ｃでは、時点Ｃを含む１０測定サイクル分の推定値θestを平均した平均値と、それ以前の３個分の下位平均値とを移動平均した値に、学習値θsmが更新される。なお、時点Ｃでは推定値θestが１０測定サイクル分ないので、足りない分は初期値である搭載角度θinstを用いる。次の時点Ｄでも、高精度学習が続けられ、１０測定サイクル毎に学習値θsmが更新される。

　次の時点Ｅでも高精度学習が続けられる。しかしながら、時点Ｅで学習値θsmを更新した後、２測定サイクル目で搭載角度の急変が発生している。そして、時点Ｅから７測定サイクル目で、平均値θavと学習値θsmとの差の絶対値が角度閾値θth以上となり、時点Ｅから８測定サイクル目の時点Ｆにおいて、学習態様が高精度学習から早急学習に移行している。急変が発生した時点から時点Ｆまでは、早急学習移行判断期間となっている。そして、次の時点Ｇにおいても、早急学習が継続された後、時点Ｈにおいて、再び学習態様が早急学習から高精度学習へ移行している。

　＜効果＞
　以上詳述した第１実施形態によれば、以下の効果が得られる。
　（１）学習初期には、早急学習が実行されて、推定値θestが学習値θsmに反映され易くなるため、学習値θsmを真値に早急に近づけることができる。一方、学習が進み学習値θsmが真値に近づいた後は、推定値θestが学習値θsmに反映されにくくなるため、推定値θestに含まれる誤差分による学習値θsmの振動を抑制できる。よって、収束までの時間の短縮と学習精度の向上とを両立させることができる。

　（２）ミリ波レーダ１００の搭載角度が急変した場合には、搭載角度が急変したことが判定され、次の測定サイクルの処理から早急学習が実行されるため、学習値θsmを早急に真値に収束させることができる。

　（３）搭載角度の学習処理において、２段階の平均を実行することにより、１段階目の平均の平均期間が短い早急学習でも、推定値θestに含まれる誤差の学習値への影響を抑制することができる。すなわち、早急学習では、学習速度を向上させることができるとともに、学習値θsmの振動を抑制して真値に近づけることができる。また、高精度学習では、より学習精度を向上させることができる。

　（４）推定値θestを平均するサイクル数Ｊと、Ｓ２００における判定値Ｊとを等しい値とすることにより、初期値である搭載角度θinstの学習値θsmへの影響が十分に低くなった時点で、学習態様を早急学習から高精度学習へ切り替えることができる。

　（５）工場出荷時に設定されている搭載角度θinstが搭載角度の真値からずれている場合でも、搭載角度を学習することによって、物体の方位の誤検出を抑制することができる。

　（他の実施形態）
　以上、本発明を実施するための形態について説明したが、本発明は上述の実施形態に限定されることなく、種々変形して実施することができる。

　（ａ）搭載角度の推定値θestの算出手法は、上記実施形態の手法に限らずどのような手法でもよい。例えば、車両の直進中において停止物の軌跡を算出し、停止物の軌跡の傾きから推定値θestを算出してもよい。

　（ｂ）上記実施形態では、推定値θestを平均するサイクル数Ｊと、Ｓ２００における判定値Ｊとを等しい値としたが、異なる値としてもよい。
　（ｃ）早急学習と高精度学習とに関して、学習値θsmに対する推定値θestの度合Ｗ１が度合Ｗ２よりも大きくなる学習手法であれば、どのような学習手法で学習してもよい。例えば、上位の移動平均を実行しないで、下位の平均だけにしてもよい。また、早急学習と高精度学習とで下位の平均サイクル数Ｉを等しくし、上位の移動平均において平均する平均値の個数Ｊを、早急学習では高精度学習よりも少なくするようにしてもよい。また、早急学習では高精度学習よりも、下位の平均サイクル数Ｉ及び上位の移動平均する個数Ｊを少なくしてもよい。

　（ｄ）学習開始時の搭載角度の初期値は、工場出荷時の設定値でなくてもよい。
　（ｅ）ミリ波レーダ１００は、多周波ＣＷレーダに限らず、ＦＭＣＷレーダ等の他の方式のレーダでもよい。

　（ｆ）上記実施形態における１つの構成要素が有する複数の機能を、複数の構成要素によって実現したり、１つの構成要素が有する１つの機能を、複数の構成要素によって実現したりしてもよい。また、複数の構成要素が有する複数の機能を、１つの構成要素によって実現したり、複数の構成要素によって実現される１つの機能を、１つの構成要素によって実現したりしてもよい。また、上記実施形態の構成の一部を省略してもよい。また、上記実施形態の構成の少なくとも一部を、他の上記実施形態の構成に対して付加又は置換してもよい。なお、特許請求の範囲に記載した文言のみによって特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

　（ｇ）上述した搭載角度学習装置の他、当該搭載角度学習装置を構成要素とするシステム、当該搭載角度学習装置としてコンピュータを機能させるためのプログラム、このプログラムを記録した半導体メモリ等の非遷移的実態的記録媒体、搭載角度学習方法など、種々の形態で本開示を実現することもできる。

Claims

　電磁波を用いて物体が存在する方位を検出する車載レーダ（１００）の車両における向きを表す搭載角度を学習する搭載角度学習装置（３０）であって、
　前記車載レーダの送受信波を用いて、前記搭載角度の推定値を繰り返し算出するように構成された推定値算出部（Ｓ１０～Ｓ９０）と、
　前記搭載角度の学習を行う学習時点において、前記搭載角度の学習値を、前記学習時点までに算出された複数の前記推定値を平滑化して算出した値に更新するように構成された学習部（Ｓ２００～Ｓ２６０）と、を備え、
　前記学習部は、
　更新された前記学習値に対する前記学習時点で算出された前記推定値の寄与度合を第１度合とするように構成された早急学習部（Ｓ２１０）と、
　前記寄与度合を前記第１度合よりも低い第２度合とするように構成された高精度学習部（Ｓ２２０）と、
　前記学習時点における前記学習の開始までに前記学習値が更新された回数である学習回数が、回数閾値よりも少ない場合には、前記学習時点において前記早急学習部による学習の実行を選択し、前記学習回数が前記回数閾値よりも多い場合には、前記学習時点において前記高精度学習部による学習の実行を選択する、ように構成された学習選択部（Ｓ２００）と、を備える、搭載角度学習装置。
　前記学習部は、
　前記学習時点以前の予め設定された判定期間における前記推定値の平均値と、前記学習時点における前記学習値とが、角度閾値を超えて乖離した場合に、前記搭載角度が急変したと判定するように構成された急変判定部（Ｓ２３０）と、
　前記急変判定部により急変したと判定された場合に、前記学習回数をゼロにリセットするように構成されたリセット部（Ｓ２６０）と、を備える、請求項１に記載の搭載角度学習装置。
　前記学習部は、予め設定された平均期間毎に、前記学習時点の直近の前記平均期間における前記推定値を平均して平均値を算出するとともに、前記平均期間における前記平均値を移動平均した値に、前記学習値を更新するように構成されており、
　前記早急学習部は、前記平均期間を第１期間とするように構成されており、
　前記高精度学習部は、前記平均期間を前記第１期間よりも長く設定された第２期間とするように構成されている、請求項1又は２に記載の搭載角度学習装置。
　前記早急学習部は、前記学習の開始時において、前記移動平均の対象となる前記平均値を、同じ値の初期値とするように構成されており、
　前記回数閾値は、前記移動平均の対象となる前記平均値の個数と等しい値である、請求項３に記載の搭載角度学習装置。
　前記早急学習部は、前記学習の開始時点において、前記移動平均の対象となる前記平均値の初期値を、出荷時に設定されている搭載角度とするように構成されている、請求項４に記載の搭載角度学習装置。