WO2022024947A1 - 軌道生成装置、軌道生成方法、および軌道生成プログラム - Google Patents

軌道生成装置、軌道生成方法、および軌道生成プログラム Download PDF

Info

Publication number
WO2022024947A1
WO2022024947A1 PCT/JP2021/027430 JP2021027430W WO2022024947A1 WO 2022024947 A1 WO2022024947 A1 WO 2022024947A1 JP 2021027430 W JP2021027430 W JP 2021027430W WO 2022024947 A1 WO2022024947 A1 WO 2022024947A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
arbitration
track
prediction result
vehicle
Prior art date
Application number
PCT/JP2021/027430
Other languages
English (en)
French (fr)
Inventor
理宏 黒木
弘幸 大澤
Original Assignee
株式会社デンソー
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 株式会社デンソー filed Critical 株式会社デンソー
Publication of WO2022024947A1 publication Critical patent/WO2022024947A1/ja

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Definitions

  • the disclosure in this specification relates to a technique for predicting the behavior of a moving object.
  • Patent Document 1 discloses a system for controlling the running of a vehicle. This system weights multiple decisions regarding the future behavior of the vehicle and outputs the final decision.
  • Patent Document 1 does not disclose in detail a method of mediation for a plurality of judgments. Therefore, the technique of Patent Document 1 may not be able to effectively utilize a plurality of prediction results.
  • the purpose of disclosure is to provide an orbit generator, an orbit generation method, and an orbit generation program that can effectively utilize a plurality of prediction results.
  • One of the disclosed track generators is a track generator that generates a planned travel track for a vehicle.
  • a behavior prediction unit that acquires prediction results from multiple prediction models for the behavior of moving objects around the vehicle,
  • An arbitration unit that arbitrates each prediction result based on at least one of the safety, comfort, and fitness of each prediction model to the driving environment when driving based on each prediction result. Based on the arbitrated forecast results, the track planning department that executes the plan of the running track and To prepare for.
  • One of the disclosed track generation methods is a track generation method executed by a processor to generate a planned travel track for a vehicle.
  • a behavior prediction process that obtains prediction results from multiple prediction models for the behavior of moving objects around the vehicle,
  • An arbitration process that arbitrates each prediction result based on at least one of the safety, comfort, and fitness of each prediction model to the driving environment when driving based on each prediction result.
  • a track planning process that implements track planning based on arbitrated forecast results, including.
  • One of the disclosed track generation programs is a track generation program that includes instructions stored in a storage medium and executed by a processor in order to generate a planned travel track for a vehicle.
  • the order is A behavior prediction process that obtains prediction results from multiple prediction models for the behavior of moving objects around the vehicle, An arbitration process that arbitrates each prediction result based on at least one of the safety, comfort, and fitness of each prediction model to the driving environment when driving based on each prediction result.
  • a track planning process that executes the planning of the running track based on the arbitrated prediction result, including.
  • each prediction result is arbitrated and arbitrated based on at least one of the safety, comfort, and fitness of each prediction model to the driving environment when driving based on each prediction result.
  • An orbital plan is generated based on the prediction results. Therefore, a plurality of prediction results arbitrated based on at least one viewpoint of safety, comfort, and goodness of fit can be utilized for trajectory planning.
  • an orbit generation device, an orbit generation method, and an orbit generation program capable of effectively utilizing a plurality of prediction results can be provided.
  • the trajectory generator 100 of the first embodiment will be described with reference to FIGS. 1 to 9.
  • the track generator 100 generates a travel track scheduled for the vehicle.
  • the track generator 100 is an electronic control device mounted on the own vehicle Va, which is a vehicle having at least one of an automatic driving function and an advanced driving support function.
  • the track generating device 100 generates a traveling track of the own vehicle Va traveling by the above-mentioned function.
  • the track generator 100 is connected to the peripheral monitoring ECU 10, the locator 20, the vehicle speed sensor 30, and the vehicle control ECU 40 via a communication bus or the like.
  • the peripheral monitoring ECU 10 is mainly composed of a microcomputer equipped with a processor, a memory, an I / O, and a bus connecting these, and executes various processes by executing a control program stored in the memory.
  • the peripheral monitoring ECU 10 acquires a detection result from the peripheral monitoring sensor 11 and recognizes the traveling environment of the own vehicle based on the detection result.
  • the peripheral monitoring sensor 11 is an autonomous sensor that monitors the surrounding environment of the vehicle A, and is a LiDAR (Light Detection and Ringing / Laser Imaging Detection and Ringing) that detects a point cloud of feature points of a feature, and a front of the vehicle A. Includes peripheral surveillance cameras and the like that capture images of the included predetermined range.
  • the peripheral monitoring sensor 11 may include a millimeter wave radar, sonar, and the like.
  • the peripheral monitoring ECU 10 recognizes the presence / absence of moving objects such as other vehicles Vb and pedestrians, their relative positions, relative speeds, and the like as peripheral information based on the detection information of the peripheral monitoring sensor 11. Further, the peripheral monitoring ECU 10 determines whether or not the peripheral monitoring sensor 11 has a failure. The peripheral monitoring ECU 10 sequentially provides peripheral information and the presence or absence of a failure to the orbit generation device 100.
  • the locator 20 generates own vehicle position information and the like by compound positioning that combines a plurality of acquired information.
  • the locator 20 includes a GNSS (Global Navigation Satellite System) receiver 21, an inertial sensor 22, a map DB 23, and a locator ECU 24.
  • the GNSS receiver 21 receives positioning signals from a plurality of positioning satellites.
  • the inertial sensor 22 is a sensor that detects the inertial force acting on the vehicle A.
  • the inertial sensor 22 includes, for example, a gyro sensor and an acceleration sensor.
  • the map DB 23 is a non-volatile memory and stores map data such as link data, node data, road shape, and structures.
  • the map DB 23 stores information such as the position of the traffic light, the type and position of the road sign, and the type and position of the road marking.
  • the map data may be a three-dimensional map composed of point clouds of road shapes and feature points of structures.
  • the three-dimensional map may be generated by REM (Road Experience Management) based on the captured image.
  • the map data may include traffic regulation information, road construction information, meteorological information, and the like.
  • the map data stored in the map DB 23 is updated regularly or at any time based on the latest information received by the in-vehicle communication device.
  • the locator ECU 24 has a configuration mainly including a microcomputer provided with a processor, RAM, a storage unit, an input / output interface, a bus connecting these, and the like.
  • the locator ECU 24 sequentially positions the position of the vehicle A (hereinafter referred to as the own vehicle position) by combining the positioning signal received by the GNSS receiver, the map data of the map DB, and the measurement result of the inertial sensor 22.
  • the position of the own vehicle may be, for example, configured to be represented by the coordinates of latitude and longitude.
  • the mileage obtained from the signals sequentially output from the vehicle speed sensor 30 mounted on the vehicle A may be used.
  • the locator 20 detects the three-dimensional map and the peripheral monitoring sensor 11 without using the GNSS receiver 21. It may be configured to specify the position of the own vehicle by using the result.
  • the locator ECU 24 sequentially provides the vehicle position information, the map data, the detection information of the inertial sensor 22, and the like to the track generation device 100.
  • the vehicle control ECU 40 is an electronic control device that controls acceleration / deceleration and steering of the vehicle A.
  • the vehicle control ECU 40 includes a steering ECU that performs steering control, a power unit control ECU that performs acceleration / deceleration control, a brake ECU, and the like.
  • the vehicle control ECU 40 acquires detection signals output from each sensor such as a steering angle sensor and a vehicle speed sensor mounted on the vehicle A, and controls each running of an electronically controlled throttle, a brake actuator, an EPS (Electric Power Steering) motor, and the like. Output the control signal to the device.
  • the vehicle control ECU 40 controls each travel control device so as to realize autonomous travel or driving support according to the control instruction by acquiring the control instruction of the vehicle A from the travel support device.
  • the orbit generator 100 has a configuration mainly including a computer including a memory 101, a processor 102, an input / output interface, a bus connecting these, and the like.
  • the processor 102 is hardware for arithmetic processing.
  • the processor 102 includes, for example, at least one of a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), a RISC (Reduced Instruction Set Computer) -CPU, and the like as a core.
  • a CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • RISC Reduced Instruction Set Computer
  • the memory 101 non-transiently stores or stores a computer-readable program, data, or the like, for example, at least one type of non-transitional substantive storage medium (non-transitional memory, magnetic medium, optical medium, or the like, etc.). transitory tangible storage medium).
  • the memory 101 stores various programs executed by the processor 102, such as an orbit generation program described later.
  • the processor 102 executes a plurality of instructions included in the orbit generation program stored in the memory 101.
  • the track generator 100 constructs a plurality of functional units for generating future tracks of the own vehicle Va.
  • a plurality of functional units are constructed by causing the processor 102 to execute a plurality of instructions by the program stored in the memory 101.
  • the orbit generation device 100 is constructed with functional units such as a behavior prediction unit 110, a prediction result arbitration unit 120, and an orbit planning unit 130.
  • the behavior prediction unit 110 predicts the behavior of a moving object around the own vehicle Va.
  • the moving object to be predicted may be another vehicle Vb, a pedestrian, an animal, or the like.
  • the behavior prediction unit 110 inputs input information to a plurality of prediction models and outputs prediction results from each prediction model.
  • the input information includes, for example, position information and speed information of the moving body, position information of the own vehicle Va, speed information, and acceleration information. Further, the input information includes traffic light information such as the position and lighting color of the traffic light, sign information such as the position and type of the sign, and road sign information such as the position and type of the road sign (stop line or the like).
  • the input information to be input to each prediction model may be all common, or at least a part thereof may be different.
  • Each prediction model outputs, for example, a prediction result of the behavior of a moving object as a probability distribution for each position.
  • the behavior prediction unit 110 sequentially provides the output prediction result to the prediction result arbitration unit 120.
  • the plurality of prediction models include, for example, an intention non-estimation model that does not estimate the motion intention of the moving object to be predicted, and a plurality of intention estimation models that estimate the motion intention of the moving object.
  • the unintentional non-estimation model outputs the prediction result by linear prediction based on the current mobile information. That is, the unintentional non-estimation model predicts the behavior of the moving body, assuming that the current kinetic physical quantity of the moving body is simply maintained.
  • the intent estimation model is provided by, for example, a trained model trained by machine learning to output a motion prediction for an input of motion information.
  • Multiple intent estimation models include models optimized for predictions on motorways, models optimized for predictions on ordinary roads, models optimized for predictions in specific areas, and the like. That is, each of the plurality of intention estimation models is a trained model specialized for a specific driving environment.
  • the intent estimation model may include a model optimized for an area with many bicycles and motorcycles, an area with many animals, an area with many rough driving, and the like.
  • the plurality of intention estimation models may be machine-learned based on a common model, or may be based on different models.
  • the intention estimation model may be provided by a rule-based model instead of the trained model learned by machine learning.
  • the prediction result arbitration unit 120 evaluates the prediction result of each prediction model based on a plurality of evaluation criteria.
  • the prediction result arbitration unit 120 includes a arbitration necessity determination unit 121, a safety evaluation unit 122, a comfort evaluation unit 123, a conformity evaluation unit 124, and a confirmation unit 125 as sub-functional units.
  • the arbitration necessity determination unit 121 determines whether or not it is necessary to arbitrate a plurality of prediction results. When the difference between the plurality of prediction results is larger than the allowable range, the arbitration necessity determination unit 121 determines that arbitration is necessary.
  • the arbitration necessity determination unit 121 calculates the variance of a plurality of prediction results, determines that arbitration is necessary when the variance is larger than the threshold value, and arbitration is unnecessary when the variance is smaller than the threshold value. Is determined.
  • the arbitration necessity determination unit 121 may plan the traveling track of the own vehicle Va based on each prediction result, and may determine that arbitration is unnecessary when the degree of coincidence of each traveling track exceeds a predetermined value. ..
  • the safety evaluation unit 122 evaluates the safety of a plurality of prediction results. Specifically, the safety evaluation unit 122 first generates an evaluation route Re, which is a provisional route, based on each prediction result, and calculates the safety evaluation value EVs of the evaluation route Re.
  • the safety evaluation value EVs are calculated based on the index parameters that are indicators of the safety of the evaluation route Re.
  • the safety evaluation unit 122 uses the collision margin time (TTC: Time To Collision) between the moving body and the own vehicle Va as an index parameter.
  • TTC Time To Collision
  • the safety evaluation unit 122 evaluates the safety evaluation value EVs smaller as the TTC is smaller. That is, the safety evaluation unit 122 lowers the safety evaluation value EVs as the safety level of the evaluation path Re is lower.
  • the safety evaluation unit 122 may determine the safety evaluation value EVs according to the graph of the correspondence between the TTC and the safety evaluation value EVs shown in FIG.
  • the safety evaluation unit 122 sets weights corresponding to the safety evaluation values EVs for the prediction result. Specifically, the safety evaluation unit 122 sets a larger weight as the prediction result has a lower safety evaluation value EVs. In other words, the safety evaluation unit 122 sets the weight so that the contribution of the prediction result having a large influence on the safety of the own vehicle Va (for example, collision risk) to the track plan becomes larger.
  • the weight w1 of the prediction result of the first prediction model that blocks the right turn of the evaluation path Re is set to be larger than a predetermined specified value, and the weight w1 of the second prediction model that does not block the right turn of the evaluation path Re is set.
  • the weight w2 of the prediction result is not changed from a predetermined specified value.
  • the prediction result of each prediction model is represented by a gray scale mosaic shown in the traveling direction of another vehicle Vb. The darker the mosaic, the higher the probability of existence of other vehicle Vb (same for FIGS. 5 and 7).
  • the safety evaluation unit 122 determines the weight of each prediction result based on the relationship between the safety evaluation value EVs defined in the graph shown in FIG. 4 and the weight w n . More specifically, when the safety evaluation value EVs exceeds a predetermined value, the safety evaluation unit 122 sets a constant weight (base weight w_b) regardless of the size of the safety evaluation value. Then, the safety evaluation unit 122 sets a larger weight with respect to the base weight as the safety evaluation value EVs is smaller than a predetermined value.
  • the safety evaluation unit 122 may use a value other than TTC as an index parameter.
  • the safety evaluation unit 122 may use the vehicle speed or type of another vehicle Vb as an index parameter.
  • the safety evaluation unit 122 may set the safety evaluation value EVs lower as the vehicle speed of the other vehicle Vb is higher or the vehicle class is larger.
  • the safety evaluation unit 122 may appropriately change the index parameters according to the current driving environment.
  • the comfort level evaluation unit 123 evaluates the comfort level for a plurality of prediction results. Specifically, the comfort evaluation unit 123 generates an evaluation path Re based on each prediction result, and calculates a comfort evaluation value EVc for the evaluation path Re.
  • the comfort level evaluation value EVc is calculated based on the index parameter that is an index of the comfort level of the evaluation path Re. For example, the comfort evaluation unit 123 uses the traveling time of the evaluation route Re as an index parameter. Specifically, the comfort evaluation unit 123 determines that the comfort evaluation value EVc is large enough to travel on the evaluation route Re in a short time.
  • the comfort evaluation unit 123 calculates the comfort evaluation value EVc of the prediction result of the second prediction model smaller than the prediction result of the first prediction model in which the evaluation path Re overtaking the other vehicle Vb is generated. do.
  • the comfort evaluation unit 123 may determine the comfort evaluation value EVc according to the graph of the correspondence between the traveling time of the evaluation route Re and the comfort evaluation value EVc shown in FIG.
  • the comfort evaluation unit 123 may use a value other than the traveling time of the evaluation route Re as an index parameter. For example, the comfort evaluation unit 123 may use the lateral acceleration change of the own vehicle Va as an index parameter, and may calculate the comfort evaluation value EVc smaller as the acceleration change is larger. The comfort evaluation unit 123 may appropriately change the index parameters according to the current driving environment.
  • the comfort evaluation unit 123 sets a weight according to the comfort evaluation value EVc for the prediction result. Specifically, the comfort evaluation unit 123 sets a smaller weight as the prediction result has a lower comfort evaluation value EVc. In other words, the comfort evaluation unit 123 sets the weight so that the contribution of the prediction result having a small comfort to the trajectory plan becomes smaller. For example, the comfort evaluation unit 123 determines the weight of the prediction result based on the relationship between the comfort evaluation value EVc defined in the graph shown in FIG. 6 and the weight. More specifically, when the comfort evaluation value EVc exceeds a predetermined value, the comfort evaluation unit 123 sets a constant weight (base weight w_b) regardless of the magnitude of the comfort evaluation value EVc. Then, the comfort evaluation unit 123 sets a smaller weight with respect to the base weight w_b as the comfort evaluation value EVc is smaller than a predetermined value.
  • the comfort evaluation unit 123 cancels the setting of reducing the weight for the prediction result in which the safety evaluation value EVs is out of the permissible range, for example, the prediction result below the threshold value in the safety evaluation unit 122. .. In other words, the comfort evaluation unit 123 stops the decrease in the contribution to the trajectory plan according to the comfort evaluation value EVc for the prediction result in which the safety evaluation value EVs is below the threshold value.
  • the goodness-of-fit evaluation unit 124 sets the weight of each prediction result based on the driving environment of the own vehicle Va. Specifically, the goodness-of-fit evaluation unit 124 sets the weight according to the goodness of fit between the traveling environment of the own vehicle Va and each prediction model.
  • the goodness-of-fit evaluation unit 124 sets the weight of the prediction result by the prediction model to be larger as the goodness of fit of the prediction model to the driving environment is higher. In other words, when the goodness-of-fit evaluation unit 124 is driving in a driving environment that the prediction model is good at, the weight of the prediction result by the prediction model is set large, and the driving environment that is not good at the prediction model is being driven. Is set to a small weight of the prediction result.
  • the goodness-of-fit evaluation unit 124 fits the intention estimation model when the vehicle is traveling in a region where the difficulty level of driving judgment is relatively high, as compared with the case where the vehicle is traveling in a region where the difficulty level is relatively low. Judge that the degree is high.
  • the difficulty level of the driving determination may be determined based on, for example, the estimated frequency of appearance of moving objects that can hinder the progress of the own vehicle Va.
  • the goodness-of-fit evaluation unit 124 determines whether the difficulty level of the driving judgment is high or low depending on whether or not the current traveling area is a predetermined specific area.
  • the specific area includes an area with a relatively large number of crossing pedestrians, an area with a branch or a confluence, an area with a roundabout, and the like. When it is determined that the conformity evaluation unit 124 is traveling in these specific regions, the weight of the prediction result based on the intention estimation model is made larger than when it is determined that the vehicle is not traveling in the specific region.
  • the goodness-of-fit evaluation unit 124 determines whether or not at least one of the specialized driving environment of each prediction model, that is, the assumed environment of each prediction model matches the current driving environment. When it is determined that they match, the goodness-of-fit evaluation unit 124 increases the weight of the prediction result by the matching prediction model more than when it is determined that they do not match.
  • the specialized driving environment of the predictive model is, for example, an area with many bicycles and motorcycles, an area with many animals, an area with many rough driving, and the like. Such a driving environment can be said to be a specialized area of the prediction model. The determination of whether or not there is a match corresponds to the evaluation of the degree of match.
  • the goodness-of-fit evaluation unit 124 determines that the goodness of fit of the intention estimation model is so low that the detection error of the peripheral monitoring sensor 11 is estimated to be large. For example, the goodness-of-fit evaluation unit 124 estimates that the farther the prediction target is, the larger the detection error. Further, the goodness-of-fit evaluation unit 124 estimates that the larger the track curvature, the larger the detection error. Further, the goodness-of-fit evaluation unit 124 estimates that the larger the rainfall, the larger the detection error. Further, the goodness-of-fit evaluation unit 124 estimates that the smaller the amount of light, the larger the detection error. In addition, the goodness-of-fit evaluation unit 124 estimates that the detection error will be larger when traveling inside the tunnel than when traveling outside the tunnel.
  • the goodness-of-fit evaluation unit 124 determines that the goodness of fit of the intention estimation model is lower when the current driving scene is a non-target scene that is not the prediction target of the intention estimation than when it is not the non-target scene.
  • the non-target scenes include, for example, an accident site, a construction site, a sensor limit, and the like.
  • the goodness-of-fit evaluation unit 124 determines that the goodness of fit of the intention estimation model is lower when the specific function of the own vehicle Va is not available than when it is available.
  • the specific function includes a detection function of the peripheral monitoring sensor 11, an advanced driving support function, and the like.
  • the determination unit 125 integrates each weighted prediction result and generates an arbitrated prediction result. Assuming that the weights set in the i-th prediction model are wi and the prediction results Pa and i of the i-th prediction model, the arbitrated prediction result Pa is acquired based on the following mathematical formula (1).
  • the determination unit 125 determines the prediction result by the specific prediction model among the plurality of prediction results as the final prediction result of the moving body.
  • the specific prediction model at this time is preset. Alternatively, a specific prediction model may be appropriately changed according to the traveling environment of the own vehicle Va.
  • the track planning unit 130 generates a future track to be followed by the own vehicle Va based on the prediction result of the moving body determined by the determination unit 125.
  • the future track is a planned travel track that follows future behavior, and defines the travel position of the own vehicle Va according to the progress of the own vehicle Va.
  • the future track may define the speed of the own vehicle Va at each traveling position.
  • the track planning unit 130 defines the travelable area Ap of the own vehicle Va based on the prediction result. For example, the track planning unit 130 may set a region where the existence probability of the moving body is lower than the threshold value as a travelable region Ap. The track planning unit 130 plans a future track so as to be within this travelable area Ap. The track planning unit 130 sequentially provides the generated track plan to the vehicle control ECU 40.
  • S means a plurality of steps of the flow executed by a plurality of instructions included in the program.
  • the behavior prediction unit 110 acquires a plurality of prediction results of the moving body based on each prediction model.
  • the arbitration necessity determination unit 121 determines whether or not arbitration of the prediction result is necessary. If it is determined that arbitration is necessary, the safety evaluation unit 122 evaluates the safety in S30. In the following S40, the comfort level evaluation unit 123 evaluates the comfort level. Further, in S50, the goodness-of-fit evaluation unit 124 evaluates the goodness of fit between the current driving environment and each prediction model. Then, in S60, the determination unit 125 determines the prediction result based on the evaluation results in S30 to S50.
  • the determination unit 125 determines the prediction result based on one prediction model. After the processing of S60 or S70, in S80, the track planning unit 130 generates a traveling track of the own vehicle Va based on the prediction result, and then ends a series of processing.
  • the difficulty level of driving judgment is determined for the current driving environment.
  • the degree of matching with the specialized area of the prediction model for the current driving environment is determined. That is, it is determined whether or not there is a match with the specialized area.
  • the magnitude of the detection error of the input information to the prediction model is determined.
  • S55 it is determined whether or not the current driving scene is an exception scene.
  • the weight of each prediction result is determined based on the judgment results of S51 to S55, and the process returns to the flow of FIG.
  • S10 is an example of the "behavior prediction process”
  • S20 to S60 are examples of the “arbitration process”
  • S80 is an example of the "orbit planning process”.
  • each prediction result is arbitrated based on at least one of the safety level, the comfort level, and the suitability of each prediction model for the driving environment when driving based on each prediction result.
  • An orbital plan is generated based on the arbitrated forecast results. Therefore, a plurality of prediction results arbitrated based on at least one viewpoint of safety, comfort, and goodness of fit can be utilized for trajectory planning. As a result, it becomes possible to effectively utilize a plurality of prediction results.
  • the lower the safety level the more arbitration is performed to increase the contribution of the prediction result to the trajectory plan. Therefore, when the safety level when traveling based on the prediction result is relatively low, the prediction result is more important in the track plan. Therefore, it may be possible to plan an orbit with more emphasis on safety.
  • the lower the comfort level the lower the contribution of the prediction result to the activation plan is executed.
  • the decrease in the contribution to the trajectory plan based on the comfort level is stopped. Therefore, as long as the safety level is within the permissible range, the prediction result with a relatively high comfort level is emphasized. This makes it possible to plan a track with higher comfort while ensuring driving safety.
  • the goodness of fit is evaluated based on the difficulty level of the driving judgment required in the driving environment, so that the prediction result is arbitrated according to the difficulty level.
  • the higher the difficulty level of the driving judgment the more important the prediction result by the intention estimation model can be. Therefore, the prediction result can be appropriately arbitrated in a more suitable driving environment of the intention estimation model.
  • the goodness of fit is evaluated based on the degree of matching between the driving environment and the assumed environment of each prediction model, so that the prediction result is arbitrated according to the degree of matching. Therefore, the prediction result can be appropriately arbitrated according to the suitable driving environment of each prediction model.
  • the goodness of fit is evaluated based on the magnitude of the detection error of the information input to the prediction model, so that the prediction result is arbitrated according to the detection error. ..
  • the larger the detection error the lower the contribution of the prediction result by the intention estimation model to the trajectory plan. Therefore, the prediction result can be appropriately arbitrated when an error in intention estimation may occur.
  • the goodness of fit is evaluated based on the availability of the specific function of the own vehicle Va, so that the prediction result is arbitrated according to the availability.
  • the specific function cannot be used, the contribution of the prediction result by the intention estimation model to the trajectory plan is reduced. Therefore, the prediction result can be appropriately arbitrated even in a driving environment where the intention estimation model is not good.
  • the goodness of fit is evaluated and the evaluation result is determined based on whether or not the current driving scene is a non-target scene that is not the target of estimation of the motion intention of the own vehicle Va.
  • the forecast results will be arbitrated.
  • the prediction result can be appropriately arbitrated in the driving environment not targeted by the intention estimation model.
  • the first embodiment it is determined whether or not arbitration of each prediction result is necessary, and if it is determined that it is not necessary, a specific prediction result among a plurality of prediction results is predicted to contribute to the trajectory plan. It is confirmed as a result. Therefore, if mediation of forecast results is not necessary, only specific forecast results are used for orbit planning. Therefore, the computational load required for arbitration of the prediction result can be reduced.
  • Disclosures include exemplary embodiments and modifications by those skilled in the art based on them.
  • the disclosure is not limited to the parts and / or combinations of elements shown in the embodiments. Disclosure can be carried out in various combinations.
  • the disclosure can have additional parts that can be added to the embodiment. Disclosures include those in which the parts and / or elements of the embodiment are omitted. Disclosures include the replacement or combination of parts and / or elements between one embodiment and another.
  • the technical scope disclosed is not limited to the description of the embodiments. Some technical scopes disclosed are indicated by the claims description and should be understood to include all modifications within the meaning and scope equivalent to the claims description.
  • the trajectory generator 100 arbitrates each prediction result based on all of safety, comfort, and goodness of fit, but it may be configured to arbitrate each prediction result based on at least one. Just do it.
  • the track generator 100 determines the degree of matching between the driving environment and the assumed environment of the prediction model by two stages of whether or not the traveling environment and the specialized area match. Instead of this, the track generator 100 may evaluate the degree of matching between the traveling environment and the specialized region in more detailed stages.
  • the track generator 100 is an electronic control device mounted on a vehicle.
  • the track generator 100 may be provided by a computer (center device) installed in a center outside the vehicle and configured to be able to communicate with the vehicle.
  • the orbit generator 100 may be a dedicated computer configured to include at least one of a digital circuit and an analog circuit as a processor.
  • digital circuits include, for example, ASIC (Application Specific Integrated Circuit), FPGA (Field Programmable Gate Array), SOC (System on a Chip), PGA (Programmable Gate Array), CPLD (Complex Programmable Logic Device), and the like. Of these, at least one. Further, such a digital circuit may include a memory for storing a program.
  • the orbit generator 100 may be provided by one computer or a set of computer resources linked by a data communication device.
  • some of the functions provided by the trajectory generator 100 in the above-described embodiment may be realized by another ECU or a center device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

軌道生成装置（１００）は、車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得する挙動予測部（１１０）を備える。軌道生成装置（１００）は、各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各予測結果を調停する予測結果調停部（１２０）を備える。軌道生成装置（１００）は、調停された予測結果に基づいて、走行軌道の計画を実行する軌道計画部（１３０）を備える。

Description

軌道生成装置、軌道生成方法、および軌道生成プログラム 関連出願の相互参照
　この出願は、２０２０年７月３０日に日本に出願された特許出願第２０２０－１２９５９３号を基礎としており、基礎の出願の内容を、全体的に、参照により援用している。
　この明細書における開示は、移動体の挙動を予測する技術に関する。
　特許文献１には、車両の走行を制御するシステムが開示されている。このシステムは、車両の将来挙動に関する複数の判断に重み付けし、最終的な判断結果を出力する。
特開２０１９－１６４７２９号公報
　ところで、車両の周辺における移動体について挙動を予測し、その予測結果に基づいて車両の挙動を決定することが求められている。移動体の挙動の予測結果が複数存在する場合、これらの予測結果を調停する必要がある。特許文献１には、複数の判断に対する調停の方法について詳細には開示されていない。このため、特許文献１の技術では、複数の予測結果を有効に活用できない虞がある。
　開示される目的は、複数の予測結果を有効に活用可能な軌道生成装置、軌道生成方法、および軌道生成プログラムを提供することである。
　この明細書に開示された複数の態様は、それぞれの目的を達成するために、互いに異なる技術的手段を採用する。また、請求の範囲およびこの項に記載した括弧内の符号は、ひと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一例であって、技術的範囲を限定するものではない。
　開示された軌道生成装置のひとつは、車両に予定される走行軌道を生成する軌道生成装置であって、
　車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得する挙動予測部と、
　各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各予測結果を調停する調停部と、
　調停された予測結果に基づいて、走行軌道の計画を実行する軌道計画部と、
　を備える。
　開示された軌道生成方法のひとつは、車両に予定される走行軌道を生成するために、プロセッサにより実行される軌道生成方法であって、
　車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得する挙動予測プロセスと、
　各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各予測結果を調停する調停プロセスと、
　調停された予測結果に基づいて、走行軌道の計画を実行する軌道計画プロセスと、
　を含む。
　開示された軌道生成プログラムのひとつは、車両に予定される走行軌道を生成するために、記憶媒体に格納され、プロセッサに実行させる命令を含む軌道生成プログラムであって、
　命令は、
　車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得させる挙動予測プロセスと、
　各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各予測結果を調停させる調停プロセスと、
　調停された予測結果に基づいて、走行軌道の計画を実行させる軌道計画プロセスと、
　を含む。
　これらの開示によれば、各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて各予測結果が調停され、調停された予測結果に基づいて軌道計画が生成される。故に、安全度、快適度および適合度の少なくとも１つの観点に基づき調停された複数の予測結果を、軌道計画に活用できる。以上により、複数の予測結果を有効に活用可能な軌道生成装置、軌道生成方法、および軌道生成プログラムが提供され得る。
軌道生成装置を含むシステムを示す図である。 軌道生成装置が有する機能の一例を示すブロック図である。 各予測結果の安全度評価を説明するための図である。 安全度に基づく重み設定の一例を示すグラフである。 各予測結果の快適度評価を説明するための図である。 快適度に基づく重み設定の一例を示すグラフである。 予測結果を用いた軌道計画を説明するための図である。 軌道生成装置が実行する軌道生成方法の一例を示すフローチャートである。 図８における適合度評価処理の詳細を示すフローチャートである。
　（第１実施形態）
　第１実施形態の軌道生成装置１００について、図１～図９を参照しながら説明する。軌道生成装置１００は、車両に予定される走行軌道を生成する。例えば、軌道生成装置１００は、自動運転機能および高度運転支援機能の少なくとも一方を備えた車両である自車両Ｖａに搭載された電子制御装置である。軌道生成装置１００は、上述した機能により走行する自車両Ｖａの走行軌道を生成する。軌道生成装置１００は、周辺監視ＥＣＵ１０、ロケータ２０、車速センサ３０および車両制御ＥＣＵ４０と通信バス等を介して接続されている。
　周辺監視ＥＣＵ１０は、プロセッサ、メモリ、Ｉ／Ｏ、これらを接続するバスを備えるマイクロコンピュータを主体として構成され、メモリに格納された制御プログラムを実行することで各種の処理を実行する。周辺監視ＥＣＵ１０は、周辺監視センサ１１から検出結果を取得し、当該検出結果に基づいて自車の走行環境を認識する。周辺監視センサ１１は、車両Ａの周辺環境を監視する自律センサであり、地物の特徴点の点群を検出するＬｉＤＡＲ（Light Detection and Ranging/Laser Imaging Detection and Ranging）、および車両Ａの前方を含んだ所定範囲を撮像する周辺監視カメラ等を含む。また、周辺監視センサ１１は、ミリ波レーダおよびソナー等を含んでいてもよい。周辺監視ＥＣＵ１０は、周辺監視センサ１１の検出情報に基づき、他車両Ｖｂおよび歩行者等の移動体の有無、およびその相対位置、相対速度等を周辺情報として認識する。また、周辺監視ＥＣＵ１０は、周辺監視センサ１１の故障有無を判断する。周辺監視ＥＣＵ１０は、周辺情報および故障有無を軌道生成装置１００へと逐次提供する。
　ロケータ２０は、複数の取得情報を組み合わせる複合測位により、自車位置情報等を生成する。ロケータ２０は、ＧＮＳＳ（Global Navigation Satellite System）受信機２１、慣性センサ２２、地図ＤＢ２３、およびロケータＥＣＵ２４を備えている。ＧＮＳＳ受信機２１は、複数の測位衛星からの測位信号を受信する。慣性センサ２２は、車両Ａに作用する慣性力を検出するセンサである。慣性センサ２２は、例えばジャイロセンサおよび加速度センサを備える。
　地図ＤＢ２３は、不揮発性メモリであって、リンクデータ、ノードデータ、道路形状、構造物等の地図データを格納している。加えて、地図ＤＢ２３は、信号機の位置、道路標識の種別、位置、および道路標示の種別、位置等の情報を格納している。地図データは、道路形状および構造物の特徴点の点群からなる三次元地図であってもよい。なお、三次元地図は、ＲＥＭ（Road Experience Management）によって撮像画像をもとに生成されたものであってもよい。また、地図データには、交通規制情報、道路工事情報、気象情報等が含まれていてもよい。地図ＤＢ２３に格納された地図データは、車載通信器にて受信される最新の情報に基づいて、定期的または随時に更新される。
　ロケータＥＣＵ２４は、プロセッサ、ＲＡＭ、記憶部、入出力インターフェース、およびこれらを接続するバス等を備えたマイクロコンピュータを主体として含む構成である。ロケータＥＣＵ２４は、ＧＮＳＳ受信機で受信する測位信号、地図ＤＢの地図データ、および慣性センサ２２の計測結果を組み合わせることにより、車両Ａの位置（以下、自車位置）を逐次測位する。自車位置は、例えば緯度経度の座標で表される構成とすればよい。なお、自車位置の測位には、車両Ａに搭載された車速センサ３０から逐次出力される信号から求めた走行距離を用いる構成としてもよい。地図データとして、道路形状および構造物の特徴点の点群からなる３次元地図を用いる場合、ロケータ２０は、ＧＮＳＳ受信機２１を用いずに、この３次元地図と、周辺監視センサ１１での検出結果とを用いて、自車位置を特定する構成としてもよい。ロケータＥＣＵ２４は、自車位置情報、地図データ、および慣性センサ２２の検出情報等を、軌道生成装置１００へと逐次提供する。
　車両制御ＥＣＵ４０は、車両Ａの加減速制御および操舵制御を行う電子制御装置である。車両制御ＥＣＵ４０としては、操舵制御を行う操舵ＥＣＵ、加減速制御を行うパワーユニット制御ＥＣＵおよびブレーキＥＣＵ等がある。車両制御ＥＣＵ４０は、車両Ａに搭載された舵角センサ、車速センサ等の各センサから出力される検出信号を取得し、電子制御スロットル、ブレーキアクチュエータ、ＥＰＳ（Electric Power Steering）モータ等の各走行制御デバイスへ制御信号を出力する。車両制御ＥＣＵ４０は、車両Ａの制御指示を走行支援装置から取得することで、当該制御指示に従う自律走行または運転支援を実現するように、各走行制御デバイスを制御する。
　軌道生成装置１００は、メモリ１０１、プロセッサ１０２、入出力インターフェース、およびこれらを接続するバス等を備えたコンピュータを主体として含む構成である。プロセッサ１０２は、演算処理のためのハードウェアである。プロセッサ１０２は、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）およびＲＩＳＣ（Reduced Instruction Set Computer）－ＣＰＵ等のうち、少なくとも一種類をコアとして含む。
　メモリ１０１は、コンピュータにより読み取り可能なプログラムおよびデータ等を非一時的に格納または記憶する、例えば半導体メモリ、磁気媒体および光学媒体等のうち、少なくとも一種類の非遷移的実体的記憶媒体（non-transitory tangible storage medium）である。メモリ１０１は、後述の軌道生成プログラム等、プロセッサ１０２によって実行される種々のプログラムを格納している。
　プロセッサ１０２は、メモリ１０１に格納された軌道生成プログラムに含まれる複数の命令を、実行する。これにより軌道生成装置１００は、自車両Ｖａの将来軌道を生成するための機能部を、複数構築する。このように軌道生成装置１００では、メモリ１０１に格納されたプログラムが複数の命令をプロセッサ１０２に実行させることで、複数の機能部が構築される。具体的に、軌道生成装置１００には、図２に示すように、挙動予測部１１０、予測結果調停部１２０および軌道計画部１３０等の機能部が構築される。
　挙動予測部１１０は、自車両Ｖａ周辺における移動体の挙動を予測する。予測対象とされる移動体は、他車両Ｖｂであってもよいし、歩行者および動物等でもよい。挙動予測部１１０は、複数の予測モデルに入力情報を入力し、各予測モデルから予測結果を出力させる。入力情報には、例えば、移動体の位置情報および速度情報、自車両Ｖａの位置情報、速度情報および加速度情報を含む。さらに、入力情報には、信号機の位置および点灯色等の信号機情報、標識の位置および種別等の標識情報、道路標示（停止線等）の位置および種別等の道路標示情報を含む。なお、各予測モデルに入力する入力情報は、全て共通していてもよいし、少なくとも一部が異なっていてもよい。各予測モデルは、例えば、移動体の挙動の予測結果を位置毎の確率分布として出力する。挙動予測部１１０は、出力された予測結果を予測結果調停部１２０へと逐次提供する。
　複数の予測モデルは、それぞれ異なるポリシーにより規定されている。複数の予測モデルは、例えば、予測対象となる移動体の運動意図を推定しない意図非推定モデル、および移動体の運動意図を推定する複数の意図推定モデルを含んでいる。意図非推定モデルは、現在の移動体情報に基づく線形予測により、予測結果を出力する。すなわち、意図非推定モデルは、移動体の現在の運動物理量が単に維持されると仮定して、移動体の挙動を予測する。
　一方、複数の意図推定モデルは、運動意図の推定により、移動体の現在の運動物理量が将来変化すると仮定して、移動体の挙動を予測する。意図推定モデルは、例えば、移動体情報の入力に対して移動体の挙動予測を出力するように機械学習によって学習された学習済みモデルによって提供される。複数の意図推定モデルには、自動車専用道路での予測に最適化されたモデル、一般道での予測に最適化されたモデル、特定の地域での予測に最適化されたモデル等が含まれる。すなわち、複数の意図推定モデルは、それぞれ特定の走行環境に特化した学習済みモデルである。意図推定モデルには、自転車およびバイクが多い領域、動物が多い領域、荒い運転が多い領域等に最適化されたモデルが含まれていてもよい。複数の意図推定モデルは、共通のモデルをベースとしてそれぞれ機械学習されたものでもよく、異なったモデルをベースとしたものであってもよい。なお、意図推定モデルは、機械学習によって学習された学習済みモデルの代わりに、ルールベースモデルによって提供されてもよい。
　予測結果調停部１２０は、各予測モデルの予測結果を複数の評価基準に基づいて評価する。予測結果調停部１２０は、サブ機能部として、調停要否判定部１２１、安全度評価部１２２、快適度評価部１２３、適合度評価部１２４および確定部１２５を含んでいる。
　調停要否判定部１２１は、複数の予測結果を調停する必要があるか否かを判定する。調停要否判定部１２１は、複数の予測結果の間の差異が許容範囲より大きい場合には、調停の必要ありと判定する。
　具体的には、調停要否判定部１２１は、複数の予測結果の分散を算出し、当該分散が閾値より大きい場合に調停の必要ありと判定し、分散が閾値より小さい場合には、調停不要と判定する。または、調停要否判定部１２１は、各予測結果に基づく自車両Ｖａの走行軌道を計画し、各走行軌道の一致度が所定値を上回る場合に、調停が不要であると判定してもよい。
　安全度評価部１２２は、複数の予測結果について、安全度を評価する。具体的には、安全度評価部１２２は、まず各予測結果に基づいて暫定的な経路である評価経路Ｒｅをそれぞれ生成し、当該評価経路Ｒｅの安全度評価値ＥＶｓを算出する。
　安全度評価値ＥＶｓは、評価経路Ｒｅの安全度の指標となる指標パラメータに基づいて算出される。例えば、安全度評価部１２２は、移動体と自車両Ｖａとの衝突余裕時間（ＴＴＣ：Time To Collision）を指標パラメータとする。安全度評価部１２２は、ＴＴＣが小さいほど、安全度評価値ＥＶｓを小さく評価する。すなわち、安全度評価部１２２は、評価経路Ｒｅの安全度が低いほど、安全度評価値ＥＶｓを低くする。一例として、安全度評価部１２２は、図４に示すＴＴＣと安全度評価値ＥＶｓの対応関係のグラフに応じて、安全度評価値ＥＶｓを決定すればよい。
　さらに、安全度評価部１２２は、安全度評価値ＥＶｓに応じた重みを、予測結果に対して設定する。具体的には、安全度評価部１２２は、安全度評価値ＥＶｓが低い予測結果ほど、より大きい重みを設定する。換言すれば、安全度評価部１２２は、自車両Ｖａの安全に対する影響（例えば衝突リスク）が大きい予測結果の軌道計画への寄与度がより大きくなるように、重みを設定する。図３に示す例では、評価経路Ｒｅの右折を遮る第１予測モデルの予測結果の重みｗ１は、所定の規定値より大きく設定され、評価経路Ｒｅの右折を遮ることのない第２予測モデルの予測結果の重みｗ２は、所定の規定値から変更されない。なお、図３においては、各予測モデルの予測結果が、他車両Ｖｂの進行方向に示されたグレースケールのモザイクにより表現されている。モザイクが濃色になるほど、他車両Ｖｂの存在確率が高くなる（図５、７も同様）。例えば、安全度評価部１２２は、図４に示すグラフにて規定された安全度評価値ＥＶｓと重みｗｎとの関係に基づいて、各予測結果の重みを決定する。詳記すると、安全度評価部１２２は、安全度評価値ＥＶｓが所定の値を上回る場合には、安全評価値の大きさに関わらず一定の重み（ベース重みｗ＿ｂ）を設定する。そして、安全度評価部１２２は、安全度評価値ＥＶｓが所定の値よりも小さいほど、ベース重みに対してより大きな重みを設定する。
　なお、安全度評価部１２２は、ＴＴＣ以外の値を指標パラメータとしてもよい。例えば、安全度評価部１２２は、他車両Ｖｂの車速または種別等を、指標パラメータとしてもよい。具体的には、安全度評価部１２２は、他車両Ｖｂの車速が大きいほど、またはより車格の大きい種別ほど、安全度評価値ＥＶｓを低く設定すればよい。安全度評価部１２２は、現在の走行環境に応じて指標パラメータを適宜変更してよい。
　快適度評価部１２３は、複数の予測結果について、快適度を評価する。具体的には、快適度評価部１２３は、各予測結果に基づいて評価経路Ｒｅを生成し、当該評価経路Ｒｅについて快適度評価値ＥＶｃを算出する。
　快適度評価値ＥＶｃは、評価経路Ｒｅの快適度の指標となる指標パラメータに基づいて算出される。例えば、快適度評価部１２３は、評価経路Ｒｅの走行時間を指標パラメータとする。具体的には、快適度評価部１２３は、評価経路Ｒｅを短い時間で走行できるほど、快適度評価値ＥＶｃが大きいと判断する。
　詳記すると、自車両Ｖａの現在車線に隣接する車線に走行する他車両Ｖｂの挙動に関して、第２予測モデルにより他車両Ｖｂが現在車線に進入する予測結果が出力された場合、評価経路Ｒｅは、他車両Ｖｂへの接近を回避するように減速する経路となる（図５参照）。この場合、快適度評価部１２３は、他車両Ｖｂを追い越す評価経路Ｒｅが生成される第１予測モデルの予測結果と比較して、第２予測モデルの予測結果の快適度評価値ＥＶｃを小さく算出する。一例として、快適度評価部１２３は、図６に示す評価経路Ｒｅの走行時間と快適度評価値ＥＶｃの対応関係のグラフに応じて、快適度評価値ＥＶｃを決定すればよい。
　なお、快適度評価部１２３は、評価経路Ｒｅの走行時間以外の値を指標パラメータとしてもよい。例えば、快適度評価部１２３は、自車両Ｖａの横方向の加速度変化を指標パラメータとし、加速度変化が大きいほど快適度評価値ＥＶｃを小さく算出してもよい。快適度評価部１２３は、現在の走行環境に応じて指標パラメータを適宜変更してよい。
　さらに、快適度評価部１２３は、快適度評価値ＥＶｃに応じた重みを、予測結果に対して設定する。具体的には、快適度評価部１２３は、快適度評価値ＥＶｃが低い予測結果ほど、より小さい重みを設定する。換言すれば、快適度評価部１２３は、快適度の小さい予測結果の軌道計画への寄与度がより小さくなるように、重みを設定する。例えば、快適度評価部１２３は、図６に示すグラフにて規定された快適度評価値ＥＶｃと重みとの関係に基づいて、予測結果の重みを決定する。詳記すると、快適度評価部１２３は、快適度評価値ＥＶｃが所定の値を上回る場合には、快適度評価値ＥＶｃの大きさに関わらず一定の重み（ベース重みｗ＿ｂ）を設定する。そして、快適度評価部１２３は、快適度評価値ＥＶｃが所定の値よりも小さいほど、ベース重みｗ＿ｂに対してより小さい重みを設定する。
　ただし、快適度評価部１２３は、安全度評価部１２２にて安全度評価値ＥＶｓが許容範囲外となる予測結果、例えば閾値を下回った予測結果に対しては、重みを小さくする設定を中止する。換言すれば、快適度評価部１２３は、安全度評価値ＥＶｓが閾値を下回った予測結果に関しては、快適度評価値ＥＶｃに応じた軌道計画への寄与度の減少を中止する。
　適合度評価部１２４は、自車両Ｖａの走行環境に基づいて、各予測結果の重みを設定する。具体的には、適合度評価部１２４は、自車両Ｖａの走行環境と各予測モデルとの適合度に応じて、重みを設定する。
　適合度評価部１２４は、走行環境に対する予測モデルの適合度が高いほど、当該予測モデルによる予測結果の重みを大きく設定する。換言すれば、適合度評価部１２４は、予測モデルの得意とする走行環境を走行中の場合には、当該予測モデルによる予測結果の重みを大きく設定し、苦手とする走行環境を走行中の場合には、当該予測結果の重みを小さく設定する。
　例えば、適合度評価部１２４は、運転判断の難易度が相対的に高い領域を走行中の場合には、難易度が相対的に低い領域を走行中である場合よりも、意図推定モデルの適合度が高いと判断する。運転判断の難易度は、例えば、自車両Ｖａの進行を阻害し得る移動体の推定出現頻度等に基づいて決定されるものであればよい。適合度評価部１２４は、運転判断の難易度の高低を、現在の走行領域が予め規定された特定領域であるか否かに応じて判断する。特定領域には、横断歩行者が比較的多い領域、分岐または合流地点がある領域、ラウンドアバウトがある領域等が含まれる。適合度評価部１２４は、これらの特定領域を走行中であると判定した場合には、意図推定モデルに基づく予測結果の重みを、特定領域を走行中でないと判定した場合よりも大きくする。
　さらに、適合度評価部１２４は、各予測モデルの特化した走行環境、すなわち各予測モデルの想定環境のうち少なくとも１つが現在の走行環境と合致するか否かを判定する。合致すると判定した場合には、適合度評価部１２４は、合致する予測モデルによる予測結果の重みを、合致しないと判定した場合よりも大きくする。予測モデルの特化した走行環境は、例えば、自転車およびバイクが多い領域、動物が多い領域、荒い運転が多い領域等である。こうした走行環境は、予測モデルの特化領域ということもできる。合致するか否かの判定は、合致度の評価に相当する。
　加えて、適合度評価部１２４は、周辺監視センサ１１の検出誤差が大きくなると推定されるほど、意図推定モデルの適合度が低いと判断する。例えば、適合度評価部１２４は、予測対象が遠方に存在するほど、検出誤差が大きくなると推定する。また、適合度評価部１２４は、走路曲率が大きいほど、検出誤差が大きくなると推定する。さらに、適合度評価部１２４は、雨量が大きいほど、検出誤差が大きくなると推定する。また、適合度評価部１２４は、光量が小さいほど、検出誤差が大きくなると推定する。加えて、適合度評価部１２４は、トンネル内を走行中の場合には、トンネル外を走行中の場合よりも検出誤差が大きくなると推定する。
　さらに、適合度評価部１２４は、現在の走行シーンが意図推定の予測対象としない対象外シーンである場合に、対象外シーンではない場合よりも意図推定モデルの適合度が低いと判断する。対象外シーンには、例えば、事故現場、工事現場、センサ限界等が含まれる。
　また、適合度評価部１２４は、自車両Ｖａの特定機能が利用不可である場合に、利用可能である場合よりも意図推定モデルの適合度が低いと判断する。特定機能とは、周辺監視センサ１１の検出機能、高度運転支援機能等である。
　確定部１２５は、重みが設定された各予測結果を統合し、調停済みの予測結果を生成する。第ｉ予測モデルに設定された重みをｗｉ、第ｉ予測モデルの予測結果Ｐａ，ｉとすると、調停済みの予測結果Ｐａは、以下の数式（１）に基づき取得される。
Figure JPOXMLDOC01-appb-M000001
　ただし、確定部１２５は、調停要否判定部１２１にて予測結果の調停が必要ではないと判定された場合には、予測結果の調停を中止する。この場合、確定部１２５は、複数の予測結果のうち、特定の予測モデルによる予測結果を、最終的な移動体の予測結果として確定する。このときの特定の予測モデルは、予め設定されている。または、自車両Ｖａの走行環境に応じて特定の予測モデルが適宜変更されてもよい。
　軌道計画部１３０は、確定部１２５にて確定した移動体の予測結果に基づいて、自車両Ｖａの辿る将来軌道を生成する。将来軌道は、将来行動に従う走行予定軌跡であり、自車両Ｖａの進行に応じた自車両Ｖａの走行位置を規定する。加えて、将来軌道は、各走行位置における自車両Ｖａの速度を規定するものであってもよい。
　具体的には、軌道計画部１３０は、図７に示すように、予測結果に基づいて、自車両Ｖａの走行可能領域Ａｐを規定する。軌道計画部１３０は、例えば移動体の存在確率が閾値を下回る領域を走行可能領域Ａｐとすればよい。軌道計画部１３０は、この走行可能領域Ａｐに収まるように将来軌道を計画する。軌道計画部１３０は、生成した軌道計画を、車両制御ＥＣＵ４０へと逐次提供する。
　次に、機能ブロックの共同により、軌道生成装置１００が実行する軌道生成方法のフローを、図８，９に従って以下に説明する。なお、後述するフローにおいて「Ｓ」とは、プログラムに含まれた複数命令によって実行される、フローの複数ステップを意味する。
　まず図８のＳ１０では、挙動予測部１１０が、各予測モデルに基づいて移動体の予測結果を複数取得する。次に、Ｓ２０では、調停要否判定部１２１が、予測結果の調停が必要か否かを判定する。調停が必要であると判定すると、Ｓ３０にて、安全度評価部１２２が、安全度を評価する。続くＳ４０では、快適度評価部１２３が、快適度を評価する。さらに、Ｓ５０では、適合度評価部１２４が、現在の走行環境と各予測モデルとの適合度を評価する。そして、Ｓ６０では、確定部１２５が、Ｓ３０～Ｓ５０での評価結果に基づいて、予測結果を確定する。
　一方、Ｓ２０にて予測結果の調停が不要であると判定した場合、Ｓ７０にて、確定部１２５が、予測結果を１つの予測モデルに基づくものに確定する。Ｓ６０またはＳ７０の処理の後、Ｓ８０にて、軌道計画部１３０が予測結果に基づく自車両Ｖａの走行軌道を生成し、その後一連の処理を終了する。
　次に、適合度評価部１２４による適合度の評価方法のフローを、図９に従って以下に説明する。
　まず、Ｓ５１では、現在の走行環境について運転判断の難易度を判断する。次に、Ｓ５２では、現在の走行環境について予測モデルの特化領域との合致度を判断する。すなわち、特化領域との一致の有無を判断する。続くＳ５３では、予測モデルへの入力情報の検出誤差の大きさを判断する。さらに、Ｓ５４では、自車両Ｖａの特定機能の故障有無を判断する。次に、Ｓ５５では、現在の走行シーンが例外シーンであるか否かを判断する。Ｓ５６では、Ｓ５１～Ｓ５５の判断結果に基づき、各予測結果の重みを決定し、図８のフローへと戻る。
　なお、上述のＳ１０が「挙動予測プロセス」、Ｓ２０～Ｓ６０が「調停プロセス」、Ｓ８０が「軌道計画プロセス」の一例である。
　以上の第１実施形態によれば、各予測結果に基づいて走行した場合の安全度、快適度、および各予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて各予測結果が調停され、調停された予測結果に基づいて軌道計画が生成される。故に、安全度、快適度および適合度の少なくとも１つの観点に基づき調停された複数の予測結果を、軌道計画に活用できる。以上により、複数の予測結果を有効に活用可能となる。
　また、第１実施形態によれば、安全度が低いほど、予測結果の軌道計画への寄与度を増加させる調停が行われる。故に、予測結果に基づいて走行した場合の安全度が比較的低い場合、軌道計画において当該予測結果がより重視される。したがって、より安全性を重視した軌道計画が可能となり得る。
　さらに、第１実施形態によれば、快適度が低いほど、予測結果の起動計画への寄与度を低下させる調停が実行される。且つ、安全度が許容範囲外の予測結果に対しては、快適度に基づく軌道計画への寄与度の低下が中止される。故に、安全度が許容範囲内である限り快適度が比較的高い予測結果が重視される。これにより、走行の安全性を確保しつつ、より快適性を高めた軌道計画が可能となり得る。
　加えて、第１実施形態によれば、走行環境において要求される運転判断の難易度に基づいて、適合度が評価されるため、当該難易度に応じた予測結果の調停が行われる。特に、第１実施形態においては、運転判断の難易度が高いほど意図推定モデルによる予測結果が重視され得る。したがって、より意図推定モデルの適した走行環境において、適切に予測結果が調停され得る。
　また、第１実施形態によれば、走行環境と各予測モデルの想定環境との合致度に基づいて、適合度が評価されるため、当該合致度に応じた予測結果の調停が行われる。したがって、各予測モデルの適した走行環境に応じて、適切に予測結果が調停され得る。
　加えて、第１実施形態によれば、予測モデルへと入力される情報の検出誤差の大きさに基づいて、適合度が評価されるため、当該検出誤差に応じた予測結果の調停が行われる。特に、第１実施形態においては、検出誤差が大きいほど意図推定モデルによる予測結果の軌道計画への寄与度が低下される。したがって、より意図推定の誤りが発生し得る場合において、適切に予測結果が調停され得る。
　さらに、第１実施形態によれば、自車両Ｖａの特定機能の利用可否に基づいて、適合度が評価されるため、当該利用可否に応じた予測結果の調停が行われる。特に、第１実施形態においては、特定機能が利用不可能な場合に意図推定モデルによる予測結果の軌道計画への寄与度が低下される。したがって、意図推定モデルが不得意な走行環境においても、適切に予測結果が調停され得る。
　さらに、第１実施形態によれば、現在の走行シーンが自車両Ｖａの運動意図の推定の対象外となる対象外シーンであるか否かに基づいて、適合度の評価およびこの評価結果に応じた予測結果の調停が行われる。特に、第１実施形態においては、現在の走行シーンが対象外シーンである場合に意図推定モデルによる予測結果の軌道計画への寄与度が低下される。したがって、意図推定モデルが対象としない走行環境において、適切に予測結果が調停され得る。
　さらに、第１実施形態によれば、各予測結果の調停が必要か否か判定され、不要であると判定されると、複数の予測結果のうち特定の予測結果が、軌道計画に寄与する予測結果として確定される。故に、予想結果の調停が不要な場合には、特定の予測結果のみが軌道計画に利用される。したがって、予測結果の調停において必要な演算負荷が低減され得る。
　（他の実施形態）
　この明細書における開示は、例示された実施形態に制限されない。開示は、例示された実施形態と、それらに基づく当業者による変形態様を包含する。例えば、開示は、実施形態において示された部品および／または要素の組み合わせに限定されない。開示は、多様な組み合わせによって実施可能である。開示は、実施形態に追加可能な追加的な部分をもつことができる。開示は、実施形態の部品および／または要素が省略されたものを包含する。開示は、ひとつの実施形態と他の実施形態との間における部品および／または要素の置き換え、または組み合わせを包含する。開示される技術的範囲は、実施形態の記載に限定されない。開示されるいくつかの技術的範囲は、請求の範囲の記載によって示され、さらに請求の範囲の記載と均等の意味及び範囲内での全ての変更を含むものと解されるべきである。
　上述の実施形態において、軌道生成装置１００は、安全度、快適度、適合度の全てに基づいて、各予測結果を調停するとしたが、少なくとも１つに基づいて各予測結果を調停する構成であればよい。
　上述の実施形態において、軌道生成装置１００は、走行環境と特化領域とが一致するか否かの二段階により、走行環境と予測モデルの想定環境との合致度を判断するとした。これに代えて、軌道生成装置１００は、走行環境と特化領域との合致度を、より細かく段階分けして評価してもよい。
　上述の実施形態において、軌道生成装置１００は、車両に搭載された電子制御装置であるとした。これに代えて、軌道生成装置１００は、車両の外部のセンタに設置され、車両と通信可能に構成されたコンピュータ（センタ装置）により提供されてもよい。
　軌道生成装置１００は、デジタル回路およびアナログ回路のうち少なくとも一方をプロセッサとして含んで構成される、専用のコンピュータであってもよい。ここで特にデジタル回路とは、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＳＯＣ（System on a Chip）、ＰＧＡ（Programmable Gate Array）、およびＣＰＬＤ（Complex Programmable Logic Device）等のうち、少なくとも一種類である。またこうしたデジタル回路は、プログラムを格納したメモリを、備えていてもよい。
　軌道生成装置１００は、１つのコンピュータ、またはデータ通信装置によってリンクされた一組のコンピュータ資源によって提供され得る。例えば、上述の実施形態における軌道生成装置１００の提供する機能の一部は、他のＥＣＵまたはセンタ装置によって実現されてもよい。 

Claims (20)

  1. 　車両（Ｖａ）に予定される走行軌道を生成する軌道生成装置であって、
    　前記車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得する挙動予測部（１１０）と、
    　各前記予測結果に基づいて走行した場合の安全度、快適度、および各前記予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各前記予測結果を調停する調停部（１２０）と、
    　調停された前記予測結果に基づいて、前記走行軌道の計画を実行する軌道計画部（１３０）と、
    　を備える軌道生成装置。
  2. 　前記調停部は、前記安全度が低いほど、前記予測結果の前記計画への寄与度を増加させる調停を行う請求項１に記載の軌道生成装置。
  3. 　前記調停部は、前記快適度が低いほど、前記予測結果の前記計画への寄与度を低下させる調停を行い、前記安全度が許容範囲外の前記予測結果に対しては、前記快適度に基づく前記計画への寄与度の低下を中止する請求項２に記載の軌道生成装置。
  4. 　前記挙動予測部は、前記移動体の運動意図の推定に基づく運動物理量の将来変化を想定したうえで前記予測結果を出力する意図推定モデルと、前記運動意図の推定に基づく前記運動物理量の将来変化を想定することなく前記予測結果を出力する意図非推定モデルと、から前記予測結果を取得する請求項１から請求項３のいずれか１項に記載の軌道生成装置。
  5. 　前記調停部は、前記走行環境において要求される運転判断の難易度に基づいて、前記適合度を評価する請求項４に記載の軌道生成装置。
  6. 　前記調停部は、前記走行環境と各前記予測モデルの想定環境との合致度に基づいて、前記適合度を評価する請求項４または請求項５に記載の軌道生成装置。
  7. 　前記調停部は、前記予測モデルへと入力される情報の検出誤差の大きさに基づいて、前記適合度を評価する請求項４から請求項６のいずれか１項に記載の軌道生成装置。
  8. 　前記調停部は、前記車両の特定機能の利用可否に基づいて、前記適合度を評価する請求項４から請求項７のいずれか１項に記載の軌道生成装置。
  9. 　前記調停部は、現在の走行シーンが前記車両の前記運動意図の推定の対象外となる対象外シーンであるか否かに基づいて、前記適合度を評価する請求項４から請求項８のいずれか１項に記載の軌道生成装置。
  10. 　前記調停部は、各前記予測結果の調停が必要か否かを判定し、不要であると判定すると、複数の前記予測結果のうち特定の前記予測結果を、前記計画に寄与する前記予測結果として確定する請求項１から請求項９のいずれか１項に記載の軌道生成装置。
  11. 　車両（Ｖａ）に予定される走行軌道を生成するために、プロセッサ（１０２）により実行される軌道生成方法であって、
    　前記車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得する挙動予測プロセス（Ｓ１０）と、
    　各前記予測結果に基づいて走行した場合の安全度、快適度、および各前記予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各前記予測結果を調停する調停プロセス（Ｓ２０，Ｓ３０，Ｓ４０，Ｓ５０，Ｓ６０）と、
    　調停された前記予測結果に基づいて、前記走行軌道の計画を実行する軌道計画プロセス（Ｓ８０）と、
    　を含む軌道生成方法。
  12. 　前記調停プロセスでは、前記安全度が低いほど、前記予測結果の前記計画への寄与度を増加させる調停を行う請求項１１に記載の軌道生成方法。
  13. 　前記調停プロセスでは、前記快適度が低いほど、前記予測結果の前記計画への寄与度を低下させる調停を行い、前記安全度が許容範囲外の前記予測結果に対しては、前記快適度に基づく前記計画への寄与度の低下を中止する請求項１２に記載の軌道生成方法。
  14. 　前記挙動予測プロセスでは、前記移動体の運動意図の推定に基づく運動物理量の将来変化を想定したうえで前記予測結果を出力する意図推定モデルと、前記運動意図の推定に基づく前記運動物理量の将来変化を想定することなく前記予測結果を出力する意図非推定モデルと、から前記予測結果を取得する請求項１１から請求項１３のいずれか１項に記載の軌道生成方法。
  15. 　前記調停プロセスでは、前記走行環境において要求される運転判断の難易度に基づいて、前記適合度を評価する請求項１４に記載の軌道生成方法。
  16. 　前記調停プロセスでは、前記走行環境と各前記予測モデルの想定環境との合致度に基づいて、前記適合度を評価する請求項１４または請求項１５に記載の軌道生成方法。
  17. 　前記調停プロセスでは、前記予測モデルへと入力される情報の検出誤差の大きさに基づいて、前記適合度を評価する請求項１４から請求項１６のいずれか１項に記載の軌道生成方法。
  18. 　前記調停プロセスでは、現在の走行シーンが前記車両の前記運動意図の推定の対象外となる対象外シーンであるか否かに基づいて、前記適合度を評価する請求項１４から請求項１７のいずれか１項に記載の軌道生成方法。
  19. 　前記調停プロセスでは、各前記予測結果の調停が必要か否かを判定し、不要であると判定すると、複数の前記予測結果のうち特定の前記予測結果を、前記計画に寄与する前記予測結果として確定する請求項１１から請求項１８のいずれか１項に記載の軌道生成方法。
  20. 　車両（Ｖａ）に予定される走行軌道を生成するために、記憶媒体（１０１）に格納され、プロセッサ（１０２）に実行させる命令を含む軌道生成プログラムであって、
    　前記命令は、
    　前記車両周辺における移動体の挙動について、複数の予測モデルからそれぞれ予測結果を取得させる挙動予測プロセス（Ｓ１０）と、
    　各前記予測結果に基づいて走行した場合の安全度、快適度、および各前記予測モデルの走行環境に対する適合度のうち少なくとも１つに基づいて、各前記予測結果を調停させる調停プロセス（Ｓ２０，Ｓ３０，Ｓ４０，Ｓ５０，Ｓ６０）と、
    　調停された前記予測結果に基づいて、前記走行軌道の計画を実行させる軌道計画プロセス（Ｓ８０）と、
    　を含む軌道生成プログラム。 
PCT/JP2021/027430 2020-07-30 2021-07-22 軌道生成装置、軌道生成方法、および軌道生成プログラム WO2022024947A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020129593A JP7338582B2 (ja) 2020-07-30 2020-07-30 軌道生成装置、軌道生成方法、および軌道生成プログラム
JP2020-129593 2020-07-30

Publications (1)

Publication Number Publication Date
WO2022024947A1 true WO2022024947A1 (ja) 2022-02-03

Family

ID=80035571

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/027430 WO2022024947A1 (ja) 2020-07-30 2021-07-22 軌道生成装置、軌道生成方法、および軌道生成プログラム

Country Status (2)

Country Link
JP (1) JP7338582B2 (ja)
WO (1) WO2022024947A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227972A (ja) * 2004-02-12 2005-08-25 Toyota Motor Corp 交通状況予測装置および方法
JP2018205940A (ja) * 2017-06-01 2018-12-27 日立オートモティブシステムズ株式会社 移動体挙動予測装置
JP2020015489A (ja) * 2018-06-06 2020-01-30 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 自車両の将来挙動および関連する軌道を決定することにより、自車両の操作者が当該自車両を制御するのを支援する方法およびシステム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005227972A (ja) * 2004-02-12 2005-08-25 Toyota Motor Corp 交通状況予測装置および方法
JP2018205940A (ja) * 2017-06-01 2018-12-27 日立オートモティブシステムズ株式会社 移動体挙動予測装置
JP2020015489A (ja) * 2018-06-06 2020-01-30 ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーＨｏｎｄａ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｅｕｒｏｐｅ ＧｍｂＨ 自車両の将来挙動および関連する軌道を決定することにより、自車両の操作者が当該自車両を制御するのを支援する方法およびシステム

Also Published As

Publication number Publication date
JP2022026228A (ja) 2022-02-10
JP7338582B2 (ja) 2023-09-05

Similar Documents

Publication Publication Date Title
US11042157B2 (en) Lane/object detection and tracking perception system for autonomous vehicles
CN113128326B (zh) 具有语义地图和lstm的车辆轨迹预测模型
EP3356900B1 (en) Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
JP6429217B2 (ja) 経路生成装置、経路生成方法、および経路生成プログラム
JP7048456B2 (ja) 学習装置、学習方法、およびプログラム
WO2019079530A1 (en) CONTROL OF AN AUTONOMOUS VEHICLE BASED ON INDEPENDENT DRIVING DECISIONS
JP2017154554A (ja) 車両制御装置及び車両制御方法
EP3882100B1 (en) Method for operating an autonomous driving vehicle
US10803307B2 (en) Vehicle control apparatus, vehicle, vehicle control method, and storage medium
JP7170637B2 (ja) 車両制御システム、車両制御方法、およびプログラム
JP7048455B2 (ja) 学習装置、シミュレーションシステム、学習方法、およびプログラム
JP2018203016A (ja) 車両制御装置、車両制御方法、およびプログラム
JP2018203017A (ja) 車両制御装置、車両制御方法、およびプログラム
US11585669B2 (en) Vehicle routing using connected data analytics platform
US11628858B2 (en) Hybrid planning system for autonomous vehicles
JP2022042655A (ja) 車両制御装置、車両制御方法、およびプログラム
WO2022030206A1 (ja) 車両管理装置、車両管理方法、車両管理プログラム
JP2021133689A (ja) 走行支援装置、走行支援方法、および走行支援プログラム
WO2022024947A1 (ja) 軌道生成装置、軌道生成方法、および軌道生成プログラム
US20230080281A1 (en) Precautionary observation zone for vehicle routing
US20220053124A1 (en) System and method for processing information from a rotatable camera
WO2021166425A1 (ja) 走行支援装置、走行支援方法、および走行支援プログラム
EP3857327B1 (en) Implementation of dynamic cost function of self-driving vehicles
JP2022031125A (ja) 車両管理装置、車両管理方法、車両管理プログラム
CN113821022A (zh) 基于相对速度的缓冲区的速度规划

Legal Events

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

Ref document number: 21850571

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21850571

Country of ref document: EP

Kind code of ref document: A1