WO2023149003A1 - 車両制御装置 - Google Patents

車両制御装置 Download PDF

Info

Publication number
WO2023149003A1
WO2023149003A1 PCT/JP2022/032103 JP2022032103W WO2023149003A1 WO 2023149003 A1 WO2023149003 A1 WO 2023149003A1 JP 2022032103 W JP2022032103 W JP 2022032103W WO 2023149003 A1 WO2023149003 A1 WO 2023149003A1
Authority
WO
WIPO (PCT)
Prior art keywords
lane
vehicle
information
grid
risk
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/JP2022/032103
Other languages
English (en)
French (fr)
Inventor
ダニエル ガブリエル
勇樹 堀田
茂規 早瀬
竜彦 門司
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Astemo Ltd
Original Assignee
Hitachi Astemo Ltd
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 Hitachi Astemo Ltd filed Critical Hitachi Astemo Ltd
Priority to US18/833,056 priority Critical patent/US12676066B2/en
Priority to CN202280090074.1A priority patent/CN118613849A/zh
Priority to DE112022005447.6T priority patent/DE112022005447T5/de
Publication of WO2023149003A1 publication Critical patent/WO2023149003A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • B60W2552/10—Number of lanes
    • 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
    • B60W2556/40—High definition maps
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants

Definitions

  • FIG. 1 is a functional block diagram showing the configuration of a vehicle system including a vehicle control device according to an embodiment of the present invention
  • FIG. FIG. 4 is a diagram showing the correlation of processes performed in the vehicle control device
  • Explanatory diagram of lane grid map generation processing Diagram showing an example of lane grid map data group Flowchart for explaining processing executed by the lane risk map generator
  • a diagram showing a specific example of collision risk calculation processing with latent obstacles Flowchart for explaining processing executed by the travel control planning unit Diagram showing specific examples of trajectory generation, evaluation, and correction
  • the vehicle control device 3 is an ECU (Electronic Control Unit) that is mounted on the vehicle 2 and performs arithmetic processing for driving support and travel control of the vehicle 2 .
  • the vehicle control device 3 controls driving for driving assistance or automatic driving of the vehicle 2 based on various input information provided from the external sensor group 4, the vehicle sensor group 5, the map information management device 6, the external communication device 9, and the like. It generates control information and outputs it to the actuator group 7 and the HMI device group 8 .
  • the external sensor group 4 is a collection of devices that detect the surrounding conditions of the vehicle 2 .
  • Various sensors such as a camera device, millimeter wave radar, LiDAR, and sonar correspond to the external sensor group 4, for example.
  • the external sensor group 4 detects environmental elements such as obstacles, road markings, signs, and signals around the vehicle 2 and outputs these detection results to the vehicle control device 3 via the in-vehicle network N.
  • the external sensor group 4 cannot necessarily detect all obstacles existing around the vehicle 2, and obstacles hidden in the blind spots of the vehicle 2 cannot be detected.
  • an obstacle that can be detected by the external sensor group 4 and that can hinder the running of the vehicle 2 will be referred to as an "existing obstacle".
  • a latent obstacle that cannot be detected by the external sensor group 4 and that is hidden in a blind spot and may come out toward the vehicle 2 is called a "latent obstacle”.
  • Both actual obstacles and latent obstacles are sometimes simply referred to as "obstacles". These obstacles include, for example, other vehicles other than the vehicle 2, pedestrians, objects falling onto the road, roadsides, and the like.
  • the "road markings" are, for example, white lines, pedestrian crossings, stop lines, etc. drawn on the road surface.
  • the external sensor group 4 may also output information regarding the detection state of each environmental element to the vehicle control device 3 via the in-vehicle network N based on its own sensing range and its state.
  • the vehicle sensor group 5 is a collection of devices that detect various states of the vehicle 2 . Each vehicle sensor detects, for example, the position information of the vehicle 2, the traveling speed, the steering angle, the accelerator operation amount, the brake operation amount, etc., and outputs them to the vehicle control device 3 via the in-vehicle network N.
  • FIG. 1 the position information of the vehicle 2, the traveling speed, the steering angle, the accelerator operation amount, the brake operation amount, etc., and outputs them to the vehicle control device 3 via the in-vehicle network N.
  • the map information management device 6 is a device that manages and provides digital map information around the vehicle 2 .
  • the map information management device 6 is configured by, for example, a navigation device or the like.
  • the map information management device 6 has, for example, digital road map data of a predetermined area including the surroundings of the vehicle 2, and based on the position information of the vehicle 2 output from the vehicle sensor group 5, etc., the vehicle 2 on the map. , that is, the road or lane on which the vehicle 2 is traveling.
  • the current position of the identified vehicle 2 and map data of its surroundings are output to the vehicle control device 3 via the in-vehicle network N.
  • the actuator group 7 is a device group that controls control elements such as steering, braking, and accelerator that determine the movement of the vehicle 2 .
  • Actuator group 7 controls movements of control elements such as steering, brake, accelerator, etc., based on operation information of the steering wheel, brake pedal, accelerator pedal, etc. by the driver and control command values output from vehicle control device 3. Thus, the behavior of the vehicle 2 is controlled.
  • the HMI device group 8 is a device group for inputting information from the driver and passengers to the vehicle system 1 and for notifying the driver and passengers of information from the vehicle system 1 .
  • the HMI device group 8 includes a display, speaker, vibrator, switch, and the like.
  • the existing obstacle prediction unit 12 predicts the future behavior of existing obstacles around the vehicle 2. For example, assuming that the actual obstacle is traveling along the current lane, the future position and speed of the actual obstacle are predicted using the lane information represented by the road environment data group 32 .
  • the prediction result of the behavior of the existing obstacle by the existing obstacle prediction unit 12 is stored in the storage unit 30 as the existing obstacle prediction data group 34 .
  • the vehicle information data group 31 is a set of data regarding the behavior of the vehicle 2 detected by the vehicle sensor group 5 and the like.
  • the data related to the behavior of the vehicle 2 is information representing the movement, state, etc. of the vehicle 2. For example, information such as the position of the vehicle 2, the traveling speed, the steering angle, the amount of accelerator operation, the amount of brake operation, and the travel route. is included.
  • the road environment data group 32 is a set of data related to the road environment around the vehicle 2.
  • the data on the road environment is information on roads around the vehicle 2 including the road on which the vehicle 2 is traveling. This includes, for example, information on the shape and attributes (advance direction, speed limit, travel regulation, etc.) of the lanes that make up the road around the vehicle 2, traffic signal information, and traffic conditions (average speed, etc.) on each road and lane. Information, statistical knowledge information based on past cases, etc. are included.
  • Static information such as road/lane shapes and attributes is included in map information acquired from the map information management device 6 or the like, for example.
  • quasi-dynamic or dynamic information such as signal information, traffic information, and statistical knowledge information is acquired via the external world communication device 9 .
  • Statistical knowledge information includes, for example, information on geographical locations and time zones where there are many accident cases, information on the types of accidents, and the like. Note that the road environment data group 32 may not include all of these pieces of information.
  • the actual obstacle prediction data group 34 is a set of information regarding the future behavior of each actual obstacle detected by the external sensor group 4, predicted by the actual obstacle prediction unit 12.
  • the information on the future behavior of the existing obstacle includes, for example, information on the running state (position, traveling direction, running speed, etc.) of the existing obstacle at fixed time intervals from now until several seconds later.
  • the actual obstacle prediction data group 34 is generated and stored by the actual obstacle prediction section 12 based on the road environment data group 32 and the sensor recognition data group 33 acquired by the information acquisition section 11 .
  • the blind area data group 35 is a set of data relating to the blind area, which means an area around the vehicle 2 that is not included in the detection range of the external sensor group 4, that is, an area where the external sensor group 4 cannot detect sensing information. be. An example of representation of data regarding the blind area will be described later with reference to FIG.
  • the blind area data group 35 is generated and stored by the blind area identification unit 13 based on the information of the sensor recognition data group 33 acquired by the information acquisition unit 11 .
  • the communication unit 40 has a function of communicating with other devices connected via the in-vehicle network N.
  • the communication unit 40 includes, for example, a network card conforming to communication standards such as IEEE802.3 and CAN (Controller Area Network).
  • the communication unit 40 transmits and receives data based on various protocols between the vehicle control device 3 and other devices in the vehicle system 1 .
  • the information acquisition unit 11 acquires necessary information from other devices via the in-vehicle network N and stores it in the storage unit 30 . Specifically, the information of the vehicle information data group 31 from the vehicle sensor group 5, the information of the road environment data group 32 from the map information management device 6 and the external world communication device 9, and the sensor recognition data from the external world sensor group 4 Each information of the group 33 is acquired, stored in the storage unit 30, and transferred to the subsequent processing unit.
  • the existing obstacle prediction unit 12 predicts future information on existing obstacles around the vehicle 2, and based on the prediction result.
  • the emergent obstacle prediction data group 34 is stored in the storage unit 30 and transferred to the lane risk map generation unit 15 .
  • the predicted future information of an actual obstacle includes, for example, a set of future travel information (position, traveling direction, travel speed, etc.) of an actual obstacle at fixed time intervals from the present to several seconds later.
  • the future information of existing obstacles is based, for example, on the representative information of the lane shape (for example, lane center line) included in the road environment data group 32 and the position information of the existing obstacles included in the sensor recognition data group 33. Then, the position, direction of travel, and speed of the obstacle can be obtained by predicting the position, traveling direction, and traveling speed of the obstacle along the representative information of the lane shape.
  • the road on which the vehicle 2 is traveling consists of three lanes (L0 to L2), and the vehicle 2 travels in the middle lane L1.
  • Curves 300, 310, 320 indicate the centerlines of lanes L0-L2, respectively.
  • the concept of lane grid map generation based on the road shape and the position of the vehicle 2 will be described with reference to FIGS. 3(b) and 3(c).
  • step S503 the lane risk map generation unit 15 generates the actual obstacle based on the lane grid map data group 36 generated by the lane grid map generation unit 14 and the prediction information of the actual obstacle selected in step S502. Calculate the time it takes for an object to reach each grid point on the lane grid map. For example, using predicted information (position, running speed, etc.) of the actual obstacle and the road distance obtained from the xy coordinates of each grid point in the same manner as in step S501, the actual obstacle to each grid point is calculated. You can calculate arrival time. Unlike step S501, in step S503, it is not necessary to calculate the arrival time to all grid points. , it is only necessary to calculate the arrival time to each grid point on the lane determined to be possible.
  • step S505 the lane risk map generating unit 15 determines whether or not the existing obstacle prediction data group 34 generated by the existing obstacle predicting unit 12 includes prediction information of an emerging obstacle to be selected next. determine whether If the existing obstacle prediction data group 34 includes prediction information of an unselected emerging obstacle, it is determined that there is prediction information of an emerging obstacle to be selected next, and the process returns to step S502, and steps S502 and after. By repeating the process of S505, the collision risk for the next actual obstacle is calculated. On the other hand, if the prediction information of all the existing obstacles has been selected in the existing obstacle prediction data group 34, the process moves to step S506.
  • step S507 the lane risk map generator 15 selects one of the lanes included in the road on which the vehicle 2 travels in the lane grid map data as the lane L to be analyzed.
  • the lane IDs included in the lane grid map data group 36 are selected one by one in order, and the selection result is passed to step S508, thereby selecting the lane L to be analyzed.
  • step S509 the lane risk map generation unit 15 virtually generates a latent obstacle on the boundary of the blind area based on the boundary points of the blind area identified in step S508.
  • Generate forecast information considering the possibility that a latent obstacle will pop out toward the vehicle 2 from the blind spot area, for example, the position, geometric shape, popping speed, driving lane, etc. of the latent obstacle are predicted, and these prediction results are expressed.
  • Generate forecast information At this time, for example, by referring to the road environment data group 32, the details of the road regulation (running speed limit, direction of orientation, etc.) on which the vehicle 2 is traveling are acquired, and based on this, the behavior of the potential obstacle is predicted. You may
  • step S501 the lane risk map generator 15 determines the time when the own vehicle 2 reaches each grid point of each lane L0, L1, L2 of the road on which the own vehicle 2 is traveling as the intrusion start time of the own vehicle 2. The end point is calculated for each grid point and stored.
  • step S ⁇ b>502 the lane risk map generator 15 selects prediction information about the other vehicle 600 from the existing obstacle prediction data group 34 .
  • information indicating that other vehicle 600 will travel along lane L2 at the same speed as at present is selected as the prediction information of other vehicle 600 .
  • step S504 the lane risk map generator 15 compares the intrusion start and end times of the own vehicle 2 and the other vehicle 600 stored in steps S501 and S503 for each grid point.
  • Grid points whose periods up to the end point overlap are stored as grid points at which there is a risk of collision with an apparent obstacle.
  • black dots 622-1 to 624-1 indicate grid points at which there is a risk of collision with an actual obstacle.
  • a grid point 624-2 far from the own vehicle 2 is a grid point with no collision risk.
  • the grid point 621-1 on the side of the own vehicle 2 is a grid point with no collision risk
  • a certain grid point 621-2 is calculated as a grid point at which there is a risk of collision with an actual obstacle.
  • step S511 the lane risk map generator 15 converts the arrival time information of the own vehicle 2 calculated in step S501 and the arrival time information of the virtual vehicles 741 and 742 calculated in step S510 to each grid point.
  • each grid point where the periods from the entry start point to the end point of the host vehicle 2 and the virtual vehicles 741 and 742 overlap. are stored as grid points at risk of collision with potential obstacles.
  • each grid point 702 on lane L0 and each grid point 722 on lane L2 are stored as grid points at which there is a risk of collision with a potential obstacle. Since one lane is selected at a time as a lane to be analyzed in step S507, the processing for lane L0 and the processing for lane L2 are performed in separate processing cycles.
  • the lane risk map generation unit 15 generates the collision risks of actual and potential obstacles at each grid point of the lane grid map and blind spot information by the above-described processing described with reference to FIGS. . Finally, as described in step S513 of FIG. 5, these pieces of information are combined to generate and store the lane risk map data group 37.
  • FIG. 5 The lane risk map generation unit 15 generates the collision risks of actual and potential obstacles at each grid point of the lane grid map and blind spot information by the above-described processing described with reference to FIGS. .
  • step S801 the travel control planning unit 16 combines the road environment data group 32 acquired by the information acquiring unit 11, the existing obstacle prediction data group 34 generated by the existing obstacle prediction unit 12, and the HMI device group 8, for example. Based on the driver's and passenger's input signals acquired by , it is determined whether the vehicle 2 starts changing lanes or maintains the current lane. When changing lanes, the process proceeds to step S802. When not changing lanes, the process proceeds to step S808.
  • step S804 the driving control planning unit 16 collects the road environment data group 32 acquired by the information acquisition unit 11, the lane risk map data group 37 generated by the lane risk map generation unit 15, and the vehicle data generated in step S803. 2, the traveling trajectory is evaluated.
  • the degree of risk of the traveling trajectory can be evaluated. conduct.
  • step S805 the travel control planning unit 16 determines whether or not it is necessary to correct the travel trajectory generated in step S803 based on the evaluation result of step S804. For example, if the evaluation result that the travel trajectory overlaps with the risk is sent from step S804, it may be determined that the travel trajectory needs to be corrected. In addition, for example, if the evaluation value of the travel track sent from step S804 is low, it may be determined that the travel track does not need to be corrected. In addition to simply correcting the trajectory of the lane change, for example, it is conceivable to reduce the degree of risk according to the traveling trajectory of the vehicle 2 and take action to increase the evaluation value.
  • a travel trajectory is generated that improves the visibility of the vehicle 2 and reduces the potential risks, thereby changing the travel trajectory when changing lanes. It is also conceivable to control the vehicle 2 to take actions that raise the evaluation value.
  • FIG. 9 is a diagram showing a specific example of trajectory generation, evaluation, and correction in the processing of FIG.
  • the host vehicle 2 is about to change lanes from lane L1 to lane L2, another vehicle 900, which is an apparent obstacle traveling in lane L2, is approaching from behind.
  • the travel control planning unit 16 combines the road environment information around the own vehicle 2 represented by the road environment data group 32 with the behavior information of the own vehicle 2 represented by the vehicle information data group 31. , and the information on the existing obstacle represented by the existing obstacle prediction data group 34, the target lane when the own vehicle 2 changes lanes is determined. Specifically, for example, as shown in FIG. 9A, the target lane after the lane change is determined to be the lane L2 for the own vehicle 2 traveling in the lane L1, and the lane change from the lane L1 to the lane L2 is determined. Generate trajectory 931 .
  • step S805 the cruise control planning unit 16 determines that it is necessary to correct the lane change track 931, and corrects the lane change track 931 in step S806.
  • a new lane change trajectory 932 is generated instead of the lane change trajectory 931, for example, as shown in FIG. 9(c).
  • FIG. 10 is a diagram showing an example of a scene when the own vehicle 2 changes lanes according to the modified lane change trajectory 932 shown in FIG. 9(c).
  • FIGS. 10(a), (b), and (c) fix the collision risk between the corrected lane change trajectory 932 and each grid point, and the automatic The motions of the vehicle 2 and another vehicle 900 are shown.
  • another vehicle 900 has overtaken own vehicle 2 .
  • the host vehicle 2 can avoid a collision with the other vehicle 900, so it moves to the lane L2 in the area behind the other vehicle 900 and enters the grid point 924 where there is no collision risk.
  • the own vehicle 2 can complete the lane change to the lane L2 without colliding with the other vehicle 900 .
  • the lane risk map data group 37 generated by the lane risk map generation unit 15 is for each lane of the road on which the vehicle 2 is traveling, each in its extending direction. Represents the risk status for a position. Because of this expression, when the travel control planning unit 16 performs travel track evaluation (processing of step S804 in FIG. 8), it compares with the risk state stored at each grid point in the lane risk map data group 37. It is possible to evaluate the running trajectory only by Therefore, the amount of calculation required for evaluating the travel track in the vehicle control device 3 can be greatly reduced.
  • the vehicle control device 3 mounted on the own vehicle 2 includes an information acquisition section 11 , an actual obstacle prediction section 12 , and a lane risk map generation section 15 .
  • the information acquisition unit 11 acquires a vehicle information data group 31 representing vehicle information related to the behavior of the own vehicle 2, a road environment data group 32 representing road environment information related to the environment of the road on which the own vehicle 2 is traveling, and the own vehicle 2. and a sensor recognition data group 33 representing sensor recognition information regarding the surrounding environment of the own vehicle 2 recognized by the external sensor group 4 mounted on the vehicle.
  • the actual obstacle prediction unit 12 predicts the future behavior of the actual obstacles that may hinder the travel of the own vehicle 2.
  • the lane risk map generation unit 15 calculates the collision risk between the own vehicle 2 and the obstacle on the road. Generate a lane risk map for each lane. Since it did in this way, regardless of the number of surrounding vehicles, the driving
  • the lane grid map generation unit 14 determines the intervals between positions corresponding to a plurality of grid points on each lane of the road according to the difference in the shape of each lane on the road.
  • a normalization process is performed to change each lane according to the difference in route length between the two lanes.
  • the normalization process includes a process of setting a plurality of representative points on the driving lane of the own vehicle on the road at equal intervals, and a process of setting the driving lane at the set representative points.
  • the process of setting multiple straight lines that are orthogonal to the extension direction of the road and pass through multiple representative points, and the intersections of the set straight lines and each lane of the road other than the driving lane are set to multiple representative points. It includes a process of setting a plurality of corresponding reference points, and a process of recording the positional information of the representative points and the reference points in association with each grid point of the lane grid map. Since this is done, each lane of the road can be represented accurately on the lane grid map even if there is a difference in route length between each lane of the road due to reasons such as the road being curved. can be done.
  • the lane risk map generation unit 15 corrects the distance between each grid point of the lane grid map based on the difference in path length between the lanes (steps S501, S503, S510), and based on the corrected distance A collision risk is calculated (steps S504, S511). Since this is done, even if there is a difference in route length between lanes of the road due to reasons such as the road being curved, it is possible to appropriately calculate the collision risk at each grid point.
  • the vehicle control device 3 includes a blind area identification unit 13 that identifies a blind area around the own vehicle 2 that cannot be recognized by the group of external sensors 4 .
  • the lane risk map generation unit 15 predicts potential obstacles that may appear from the blind spot area (step S509), and based on the vehicle information data group 31, the future behavior of the potential obstacles, and the prediction results of the potential obstacles. to generate a lane risk map (step S513). By doing so, it is possible to generate a lane risk map with a higher degree of safety by further taking into consideration the obstacles that may protrude from the blind spot area that cannot be recognized by the group of external sensors 4 .
  • the vehicle control device 3 Based on the vehicle information data group 31 and the road environment data group 32, the vehicle control device 3 creates a lane grid having a plurality of grid points set at equal intervals on a plurality of straight lines representing each lane of the road.
  • a lane grid map generator 14 is provided for generating a map.
  • the lane risk map generation unit 15 calculates a collision risk (first collision risk) between the vehicle and an actual obstacle at each grid point on the lane grid map, and a potential obstacle between the vehicle and the actual obstacle at each grid point on the lane grid map.
  • a collision risk with an object (second collision risk) is calculated, and a lane risk map is generated based on the calculation results of the first and second collision risks.
  • the lane risk map generator 15 calculates arrival times of the own vehicle, actual obstacles, and potential obstacles at each grid point of the lane grid map (steps S501, S503, S510). Then, by comparing the arrival time of the host vehicle and the arrival time of the actual obstacle, the first collision risk is calculated (step S504), and the arrival time of the host vehicle and the arrival time of the latent obstacle are compared. Thus, the second collision risk is calculated (step S511). Since this is done, both actual obstacles that can be recognized by the external sensor group 4 and latent obstacles from blind spots that cannot be recognized by the external sensor group 4 are considered, and these obstacles around the own vehicle are detected. It is possible to generate a lane risk map that appropriately represents the risk of collision with the
  • FIG. 3B an example was described in which lane center line information used when performing lane grid map generation processing was obtained from the road environment data group 32. However, when this cannot be obtained, There is also In that case, for example, additional calculation of the lane centerline based on the lane boundary information, the travelable area, etc. may be performed, and the lane centerline information may be acquired from the calculation result.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

車両２に搭載される車両制御装置３において、情報取得部１１は、車両２の挙動に関する車両情報を表す車両情報データ群３１と、車両２が走行している道路の環境に関する道路環境情報を表す道路環境データ群３２と、車両２に搭載された外界センサ群４によって認識された車両２の周囲環境に関するセンサ認識情報を表すセンサ認識データ群３３と、を取得する。顕在障害物予測部１２は、道路環境データ群３２およびセンサ認識データ群３３に基づいて、車両２の走行の障害となり得る顕在障害物の将来の挙動を予測する。車線リスクマップ生成部１５は、車両情報データ群３１と、顕在障害物予測部１２により予測された顕在障害物の将来の挙動とに基づいて、車両２と障害物との衝突リスクを道路の車線ごとに表した車線リスクマップを生成する。

Description

車両制御装置
　本発明は、車両制御装置に関する。
　近年、車両の快適で安全な運転支援や自動運転を実現するため、車両の周辺の物体を検出し、この物体と車両との相対関係に応じて、車両と物体との衝突を避けるように車両の走行軌道を生成して車両を制御する技術が望まれている。こうした技術の一つとして、車両の走行軌道を車線単位で生成し、この走行軌道に基づいて車両を制御することで車両の車線変更や合流等を支援する軌道計画技術が提案されている。例えば、特許文献１では、車線変更時の目標車線に移動するための軌道を生成し、周辺車両との衝突可能性を判定しながら車線変更軌道を生成する手段が開示されている。
特開２０１７－８４１１５号公報
　特許文献１に記載されている発明では、各周辺車両の将来軌道点列に重複しない自車両の将来軌道点列を探索することによって、車線変更軌道を生成している。この方法では、走行道路上の周辺車両の数が増えてくると、それらの車両の全ての将来軌道点に対して一つ一つ衝突判定を行いながら、重複しない自車両の将来軌道点列を探索する必要がある。そのため、渋滞や中心街等のように周辺車両が多数存在する環境では、自車両の走行軌道を評価するときの計算量が過大となり、処理の即時性を担保できなかったり、いくつかの周辺車両については衝突判定を実施できなかったりする可能性がある。したがって、周辺車両の数によっては、自車両の走行リスクを適切に評価できないおそれがある。
　本発明による車両制御装置は、自車両に搭載されるものであって、前記自車両の挙動に関する車両情報と、前記自車両が走行している道路の環境に関する道路環境情報と、前記自車両に搭載されたセンサによって認識された前記自車両の周囲環境に関するセンサ認識情報と、を取得する情報取得部と、前記道路環境情報および前記センサ認識情報に基づいて、前記自車両の走行の障害となり得る顕在障害物の将来の挙動を予測する顕在障害物予測部と、前記車両情報と、前記顕在障害物予測部により予測された前記顕在障害物の将来の挙動とに基づいて、前記自車両と障害物との衝突リスクを前記道路の車線ごとに表した車線リスクマップを生成する車線リスクマップ生成部と、を備える。
　本発明によれば、周辺車両の数に関わらず、自車両の走行リスクを適切に評価することができる。
本発明の実施の形態に係る車両制御装置を含む車両システムの構成を示す機能ブロック図 車両制御装置において実施される処理の相関関係を示す図 車線グリッドマップ生成処理の説明図 車線グリッドマップデータ群の一例を示す図 車線リスクマップ生成部が実行する処理を説明するフローチャート 顕在障害物との衝突リスク算出処理の具体例を示す図 潜在障害物との衝突リスク算出処理の具体例を示す図 走行制御計画部が実行する処理を説明するフローチャート 軌道生成、評価、修正の具体例を示す図 修正後の車線変更軌道に従って自車両を車線変更させたときのシーンの一例を示す図
　以下、図面を参照して、本発明の実施形態について説明する。
（システム構成）
　図１は、本発明の実施の形態に係る車両制御装置３を含む車両システム１の構成を示す機能ブロック図である。車両システム１は、車両２に搭載される。車両システム１は、車両２の周辺における走行道路や周辺車両等の障害物の状況を確認したうえで、適切な運転支援や走行制御を行う。図１に示すように、車両システム１は、車両制御装置３、外界センサ群４、車両センサ群５、地図情報管理装置６、アクチュエータ群７、ＨＭＩ装置群８、および外界通信装置９を含んで構成される。車両制御装置３、外界センサ群４、車両センサ群５、地図情報管理装置６、アクチュエータ群７、ＨＭＩ装置群８、および外界通信装置９は、車載ネットワークＮにより互いに接続される。なお以下では、車両２を他の車両と区別するために「自車両」２と呼ぶこともある。
　車両制御装置３は、車両２に搭載されて車両２の運転支援や走行制御を行うための演算処理を実施するＥＣＵ（Electronic Control Unit）である。車両制御装置３は、外界センサ群４、車両センサ群５、地図情報管理装置６、外界通信装置９等から提供される各種入力情報に基づいて、車両２の運転支援または自動運転のための走行制御情報を生成し、アクチュエータ群７やＨＭＩ装置群８に出力する。
　外界センサ群４は、車両２の周辺の状態を検出する装置の集合体である。外界センサ群４は、例えば、カメラ装置、ミリ波レーダ、ＬｉＤＡＲ、ソナー等の各種センサが該当する。外界センサ群４は、車両２の周囲にある障害物や路面標示、標識、信号等の環境要素を検出し、これらの検出結果を車載ネットワークＮを介して車両制御装置３に出力する。ここで、外界センサ群４は、車両２の周囲に存在する障害物の全てを必ずしも検出できるわけではなく、車両２の死角に潜んでいる障害物などは検出できない。以下では、外界センサ群４により検出可能であり、車両２の走行の障害となり得る障害物のことを、「顕在障害物」と呼ぶ。一方、外界センサ群４では検出できず、死角に潜んでおり車両２に向かって飛び出してくる可能性のある潜在的な障害物のことを、「潜在障害物」と呼ぶ。顕在障害物と潜在障害物の両方を含めて、単に「障害物」と呼ぶこともある。これらの障害物には、例えば、車両２以外の車両である他車両や、歩行者、道路への落下物、路端等が含まれる。また、「路面標示」とは、例えば、路面上に描画された白線、横断歩道、停止線等である。さらに、外界センサ群４は、自身のセンシング範囲やその状態に基づき、各環境要素の検出状態に関する情報も車載ネットワークＮを介して車両制御装置３に出力してもよい。
　車両センサ群５は、車両２の各種状態を検出する装置の集合体である。各車両センサは、例えば、車両２の位置情報、走行速度、操舵角、アクセルの操作量、ブレーキの操作量等を検出し、車載ネットワークＮを介して車両制御装置３に出力する。
　地図情報管理装置６は、車両２周辺のデジタル地図情報を管理及び提供する装置である。地図情報管理装置６は、例えば、ナビゲーション装置等により構成される。地図情報管理装置６は、例えば、車両２の周辺を含む所定地域のデジタル道路地図データを備えており、車両センサ群５から出力される車両２の位置情報等に基づき、地図上での車両２の現在位置、すなわち車両２が走行中の道路や車線を特定するように構成されている。また、特定した車両２の現在位置やその周辺の地図データを、車載ネットワークＮを介して車両制御装置３に出力する。
　アクチュエータ群７は、車両２の動きを決定する操舵、ブレーキ、アクセル等の制御要素を制御する装置群である。アクチュエータ群７は、運転者によるハンドル、ブレーキペダル、アクセルペダル等の操作情報や、車両制御装置３から出力される制御指令値に基づいて、操舵、ブレーキ、アクセル等の制御要素の動きを制御することで、車両２の挙動を制御する。
　ＨＭＩ装置群８は、運転者や乗員からの車両システム１に対する情報入力や、運転者や乗員に対する車両システム１からの情報通知を行うための装置群である。ＨＭＩ装置群８には、ディスプレイ、スピーカー、バイブレータ、スイッチ等が含まれる。
　外界通信装置９は、車両システム１の外部と無線通信を行う通信モジュールである。外界通信装置９は、例えば、車両システム１にサービスを提供・配信するセンタシステム（不図示）やインターネットと通信可能なように構成されている。
　車両制御装置３は、処理部１０と、記憶部３０と、通信部４０と、を有する。
　処理部１０は、例えば、中央演算処理装置であるＣＰＵ（Central Processing Unit）を含んで構成される。ただし、ＣＰＵに加えて、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）等を含んで構成されてもよいし、いずれか１つにより構成されてもよい。
　処理部１０はその機能として、情報取得部１１、顕在障害物予測部１２、死角領域特定部１３、車線グリッドマップ生成部１４、車線リスクマップ生成部１５、走行制御計画部１６、および情報出力部１７を有する。処理部１０は、記憶部３０に格納されている所定の動作プログラムを実行することで、これらを実現する。
　情報取得部１１は、車両制御装置３に接続された他装置から車載ネットワークＮを介して各種情報を取得し、記憶部３０に格納する。例えば、外界センサ群４が検出した車両２周辺の顕在障害物や外界センサ群４の検出領域に関する情報を取得し、車両２の周囲環境に関するセンサ認識データ群３３として記憶部３０に格納する。また、車両センサ群５等が検出した車両２の動きや状態等の情報を取得し、車両２の挙動に関する車両情報データ群３１として記憶部３０に格納する。さらに、地図情報管理装置６や外界通信装置９等から車両２が走行する道路に関連する情報を取得し、車両２が走行している道路の環境に関する道路環境データ群３２として記憶部３０に格納する。
　顕在障害物予測部１２は、情報取得部１１により取得された道路環境データ群３２とセンサ認識データ群３３に基づいて、車両２周辺の顕在障害物の将来の挙動を予測する。例えば、顕在障害物は現在走行中の車線に沿って走行することを想定し、道路環境データ群３２が表す車線情報を用いて、顕在障害物の将来の位置や速度を予測する。顕在障害物予測部１２による顕在障害物の挙動の予測結果は、顕在障害物予測データ群３４として記憶部３０に記憶される。
　死角領域特定部１３は、情報取得部１１により取得されたセンサ認識データ群３３に含まれる外界センサ群４の検出領域の情報に基づいて、外界センサ群４の検出範囲に含まれず、そのため車両２の周囲で外界センサ群４が認識できない死角領域を、車両２の周辺において特定する。センサ認識データ群３３では、例えば、ＯＧＭ（Occupancy Grid Map）のような格子状マップ表現等により、外界センサ群４の検出領域そのものが表現されていてもよいし、あるいは、外界センサ群４の検出範囲（角度、距離等）と検出情報のセットのように、検出領域を特定するのに必要な情報が表現されていてもよい。外界センサ群４の検出情報とは、例えば、外界センサ群４を構成するＬｉＤＡＲ（Light Detection And Ranging）やＲＡＤＡＲ（Radio Detection And Ranging）等によって取得される点群データである。死角領域特定部１３が特定した死角領域の情報は、死角領域データ群３５として記憶部３０に格納される。
　車線グリッドマップ生成部１４は、情報取得部１１により取得された車両情報データ群３１と道路環境データ群３２に基づいて、車両２の現在走行中の道路形状に沿った車線グリッドマップを生成する。車線グリッドマップとは、車両２が走行している道路の形状に沿って、当該道路の各車線を延伸方向に所定の距離単位で区切ったときの各位置の状態をグリッド状に表現したものであり、例えば格子状マップのようなものである。車線グリッドマップ生成部１４が生成した車線グリッドマップの情報は、車線グリッドマップデータ群３６として記憶部３０に記憶される。
　車線リスクマップ生成部１５は、情報取得部１１により取得された車両情報データ群３１と、顕在障害物予測部１２により生成された顕在障害物予測データ群３４と、車線グリッドマップ生成部１４により生成された車線グリッドマップデータ群３６と、に基づいて、車両２周辺の道路に関する車線リスクマップを生成する。車線リスクマップとは、車両２周辺の顕在障害物に対する衝突リスクと、死角領域から車両２に向かって飛び出す可能性のある潜在障害物に対する衝突リスクと、を合わせた、車両２と障害物との衝突リスクを車線ごとに表したものである。車線リスクマップでは、車線グリッドマップ生成部１４が生成した車線グリッドマップを用いて、各車線の延伸方向の各位置に対するリスク状態が表現される。車線リスクマップ生成部１５が生成した車線リスクマップの情報は、車線リスクマップデータ群３７として記憶部３０に記憶される。
　走行制御計画部１６は、車線リスクマップ生成部１５が生成した車線リスクマップ等に基づいて車両２が走行すべき軌道を計画することで車両２の計画軌道を決定し、その計画軌道に追従するように車両２を制御するためのアクチュエータ群７の制御指令値を決定する。走行制御計画部１６が決定した計画軌道やアクチュエータ群７の制御指令値の情報は、走行制御データ群３８として記憶部３０に記憶される。
　情報出力部１７は、車両制御装置３に接続された他装置に対して、車載ネットワークＮを介して各種情報を出力する。例えば、走行制御データ群３８に含まれる制御指令値をアクチュエータ群７に出力し、車両２の走行を制御する。また、例えば、センサ認識データ群３３や車線リスクマップデータ群３７の情報、走行制御データ群３８に含まれる計画軌道の情報などをＨＭＩ装置群８に出力し、車両２の乗員に提示する。これにより、自動運転中の車両２において、車両システム１が周辺の走行環境をどのように解釈し（センサ認識データ群３３が表す顕在障害物や車線リスクマップデータ群３７が表す車線リスクマップの表示）、どのような走行を計画しているか（走行制御データ群３８が表す計画軌道の表示）を乗員に提示することができる。
　記憶部３０は、例えば、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、ＲＯＭ（Read Only Memory）などの記憶装置や、ＲＡＭ（Random Access Memory）などのメモリを含んで構成される。記憶部３０には、処理部１０が処理するプログラムや、その処理に必要なデータ群等が格納される。また、処理部１０がプログラムを実行する際の主記憶として、一時的にプログラムの演算に必要なデータを格納する用途にも利用される。本実施形態では、車両制御装置３の機能を実現するための情報として、車両情報データ群３１、道路環境データ群３２、センサ認識データ群３３、顕在障害物予測データ群３４、死角領域データ群３５、車線グリッドマップデータ群３６、車線リスクマップデータ群３７、走行制御データ群３８等が記憶部３０に格納される。
　車両情報データ群３１とは、車両センサ群５等により検出された車両２の挙動に関するデータの集合である。車両２の挙動に関するデータとは、車両２の動きや状態等を表す情報であり、例えば、車両２の位置、走行速度、操舵角、アクセルの操作量、ブレーキの操作量、走行経路等の情報が含まれる。
　道路環境データ群３２とは、車両２周辺の道路環境に関するデータの集合である。道路環境に関するデータとは、車両２が走行している道路を含む車両２周辺の道路に関する情報である。これには例えば、車両２周辺の道路を構成する車線の形状や属性（進行方向、制限速度、走行規制等）に関する情報や、信号情報、各道路や車線の交通状態（平均速度等）に関する交通情報、過去事例などに基づく統計的知識情報、等が含まれる。道路・車線の形状や属性のような静的情報は、例えば、地図情報管理装置６等から取得される地図情報に含まれる。一方、信号情報や交通情報、統計的知識情報のような準動的もしくは動的な情報は、外界通信装置９を介して取得される。統計的知識情報とは、例えば、事故事例が多い地理的場所や時間帯、その事故類型に関する情報等を含む。なお、これら全ての情報を道路環境データ群３２が含んでいなくてもよい。
　センサ認識データ群３３とは、外界センサ群４による検出情報または検出状態に関するデータの集合である。検出情報とは、例えば、外界センサ群４がそのセンシング情報に基づき特定した車両２周辺の顕在障害物や路面標示、標識、信号等の環境要素に関する情報や、外界センサ群４により取得された車両２周辺のセンシング情報そのもの（ミリ波レーダ、ＬｉＤＡＲ、ソナー等の点群情報、カメラ画像、ステレオカメラの視差画像等）である。顕在障害物の検出情報には、例えば、外界センサ群４が検出した、車両２に対する顕在障害物の相対位置情報や、顕在障害物が移動物体である場合に複数フレームを連続で検出することにより得られた顕在障害物の移動方向、移動速度、加速度等を算出した情報や、ＬｉＤＡＲの点群情報等から所定の認識アルゴリズムにより特定された顕在障害物の種別ラベル（歩行者、車両等）等が含まれてもよい。検出状態に関する情報とは、当該センサが検出した領域やその確度を示す情報であり、例えば、ＯＧＭのような格子状マップ等が含まれる。
　顕在障害物予測データ群３４とは、顕在障害物予測部１２が予測した、外界センサ群４で検出された各顕在障害物の将来の挙動に関する情報の集合である。顕在障害物の将来の挙動に関する情報とは、例えば、現在から数秒後までの期間における一定時間毎の顕在障害物の走行状態（位置や進行方向や走行速度等）の情報を含む。顕在障害物予測データ群３４は、情報取得部１１により取得された道路環境データ群３２とセンサ認識データ群３３に基づき、顕在障害物予測部１２によって生成、格納される。
　死角領域データ群３５とは、車両２の周辺で外界センサ群４の検出範囲に含まれない領域、すなわち外界センサ群４がセンシング情報を検出できていない領域を意味する死角領域に関するデータの集合である。死角領域に関するデータの表現例は、図７において後述する。死角領域データ群３５は、情報取得部１１により取得されたセンサ認識データ群３３の情報に基づき、死角領域特定部１３によって生成、格納される。
　車線グリッドマップデータ群３６とは、車両２が走行している道路の各車線の延伸方向における各位置を表現するデータの集合である。車線グリッドマップデータ群３６は、例えば、車線毎に所定間隔で設定された格子状マップ等で表現される。車線グリッドマップデータ群３６の例は、図４において後述する。車線グリッドマップデータ群３６は、車線グリッドマップ生成部１４によって生成、格納される。
　車線リスクマップデータ群３７とは、車両２の走行に対するリスクの高い領域を表現する車線毎のデータの集合である。車線リスクマップデータ群３７では、例えば、車線グリッドマップデータ群３６が表す各位置での障害物の現在または将来の占用状態、外界センサ群４により取得される各位置のセンシング状態（死角領域情報等）、車両２の状態等を考慮して決定された車両２の走行に対するリスクの高さが、車線毎に所定間隔で設定された格子状マップ等で表現される。車線リスクマップデータ群３７は、車線リスクマップ生成部１５によって生成、格納される。
　走行制御データ群３８とは、車両２の走行を制御するための計画情報に関するデータ群であり、車両２の計画軌道やアクチュエータ群７に出力する制御指令値等が含まれる。走行制御データ群３８におけるこれらの情報は、走行制御計画部１６によって生成、格納される。
　通信部４０は、車載ネットワークＮを介して接続された他の装置との通信機能を有する。情報取得部１１が他の装置から車載ネットワークＮを介して各種情報を取得する際や、情報出力部１８が車載ネットワークＮを介して他の装置へ各種情報を出力する際には、この通信部４０の通信機能が利用される。通信部４０は、例えば、ＩＥＥＥ８０２．３やＣＡＮ（Controller Area Network）等の通信規格に準拠したネットワークカード等を含んで構成される。通信部４０は、車両システム１において車両制御装置３と他の装置との間で、各種プロトコルに基づきデータの送受信を行う。
　なお、本実施形態では、通信部４０と処理部１０とを分けて記載しているが、処理部１０の中で通信部４０の処理の一部が実行されてもよい。例えば、通信処理におけるハードウェアデバイス相当が通信部４０に位置し、それ以外のデバイスドライバ群や通信プロトコル処理等は、処理部１０の中に位置するように構成してもよい。
（システム動作）
　次に図２～図１０を用いて、本実施形態の車両システム１の動作を説明する。
　車両制御装置３は、外界センサ群４等から取得した情報に基づいて、車両２の周囲車線上に存在する各顕在障害物に対する衝突リスクと、周囲車線上に存在する各死角領域における潜在障害物の飛び出しリスクとを判断し、これらの判断結果をマップ化した車線リスクマップを生成する。そして、生成した車線リスクマップを用いて車両２の計画軌道を設定し、車両２の走行制御を行うための制御指令値を生成してアクチュエータ群７に出力する。アクチュエータ群７は、車両制御装置３が出力する制御指令値に従い、車両２の各アクチュエータを制御する。これにより、車両２の走行制御が実現される。また、車両制御装置３は、車両２の走行制御にあたり、運転者や乗員に通知すべき情報としてＨＭＩ情報を生成し、ＨＭＩ装置群８に出力する。これにより、運転者に走行上のリスクを認知させて安全運転を促すことや、自動走行中の車両システム１の状態を運転者や乗員に提示することができる。
　図２は、車両制御装置３において実施される処理の相関関係を示す図である。車両制御装置３は、例えば、図１に示した情報取得部１１、顕在障害物予測部１２、死角領域特定部１３、車線グリッドマップ生成部１４、車線リスクマップ生成部１５、走行制御計画部１６、および情報出力部１７の処理が、図２に示す順番で実行されるように構成されている。一連の処理は、例えば１００ｍｓごとに定期的に実行される。
　情報取得部１１は、車載ネットワークＮを介して他の装置から必要な情報を取得し、記憶部３０に格納する。具体的には、車両センサ群５からは車両情報データ群３１の情報を、地図情報管理装置６および外界通信装置９からは道路環境データ群３２の情報を、外界センサ群４からはセンサ認識データ群３３の情報をそれぞれ取得し、記憶部３０に格納して後段の処理部に受け渡す。
　顕在障害物予測部１２は、情報取得部１１により取得された道路環境データ群３２とセンサ認識データ群３３に基づいて、車両２周辺の顕在障害物の将来情報を予測し、その予測結果に基づく顕在障害物予測データ群３４を記憶部３０に格納して車線リスクマップ生成部１５に受け渡す。ここで予測される顕在障害物の将来情報とは、例えば、現在から数秒後までの期間における一定時間毎の顕在障害物の将来走行情報（位置や進行方向や走行速度等）の集合を含む。顕在障害物の将来情報は、例えば、道路環境データ群３２に含まれる車線形状の代表情報（例えば、車線中心線等）と、センサ認識データ群３３に含まれる顕在障害物の位置情報とに基づいて、顕在障害物の走行車線を特定し、その車線形状の代表情報に沿って顕在障害物の位置、進行方向、走行速度などを予測することにより、求めることができる。
　死角領域特定部１３は、情報取得部１１により取得されたセンサ認識データ群３３に基づいて、死角領域データ群３５を生成する処理を行い、その処理結果を記憶部３０に格納して車線リスクマップ生成部１５に受け渡す。このとき、センサ認識データ群３３に死角領域データ群３５相当の情報、すなわち外界センサ群４がセンシング情報を検出できていない領域を表す情報（例えば、ＯＧＭ）が含まれる場合は、その情報に対して必要な補正（座標変換、時刻補正等）をかけることで、死角領域データ群３５を生成することができる。一方、外界センサ群４が所定の処理周期ごとに検出した状態の情報、例えば検出範囲（角度、距離等）と検出情報のみがセンサ認識データ群３３に含まれる場合は、前回の処理周期で生成した死角領域データ群３５と組み合わせて、確率的に最も可能性の高い検出状態を推定し、その推定結果から死角領域を判断することで今回の死角領域データ群３５を生成することが望ましい。
　車線グリッドマップ生成部１４は、情報取得部１１により取得された車両情報データ群３１と道路環境データ群３２に基づいて、車両２が現在走行中である道路の形状に沿った車線グリッドマップを生成する処理を行い、その処理結果を表す車線グリッドマップデータ群３６を記憶部３０に格納して車線リスクマップ生成部１５に受け渡す。車線グリッドマップは、例えば、車両２が現在走行中の車線を基準車線とし、車両２が現在走行中の車線以外の道路上にある車線（隣接車線等）を他車線として、これらの車線に対して設定される。具体的には、例えば基準車線のグリッドマップは、基準車線の延伸方向の所定間隔に基づいて生成される。一方、他車線のグリッドマップは、基準車線のグリッドマップに基づいて生成される。車線グリッドマップ生成部１４による車線グリッドマップ生成の具体例は、図３において後述する。
　車線リスクマップ生成部１５は、情報取得部１１により取得された車両情報データ群３１と、顕在障害物予測部１２が生成した顕在障害物予測データ群３４と、死角領域特定部１３が生成した死角領域データ群３５と、車線グリッドマップ生成部１４が生成した車線グリッドマップデータ群３６と、に基づいて、車両２周辺の障害物に対する各車線での衝突リスクを評価し、その評価結果を表す車線リスクマップを生成する処理を行う。車線リスクマップは、車両２が外界センサ群４により検出された顕在障害物に衝突するリスクと、車両２が外界センサ群４の死角領域の中から高速で飛び出す潜在障害物に衝突する可能性のリスクと、を含むマップで表現される。車線リスクマップ生成部１５は、生成した車線リスクマップに基づく車線リスクマップデータ群３７を記憶部３０に格納して、走行制御計画部１６に受け渡す。車線リスクマップ生成部１５による車線リスクマップ生成の具体例は、図６（車線衝突リスクマップ）と図７（車線飛び出しリスクマップ）において後述する。
　走行制御計画部１６は、車線リスクマップ生成部１５が生成した車線リスクマップデータ群３７や、情報取得部１１が取得した車両情報データ群３１、道路環境データ群３２、センサ認識データ群３３等に基づいて、車両２の走行制御の軌道を計画し、その軌道に追従するための制御指令値等を生成する。そして、生成した車両２の計画軌道や制御指令値から走行制御データ群３８を生成する処理を行う。走行制御計画部１６は、生成した走行制御データ群３８を記憶部３０に格納して情報出力部１７に受け渡す。走行制御計画部１６による走行制御計画の具体例は、図９と図１０において後述する。
　情報出力部１７は、走行制御計画部１６が生成した走行制御データ群３８に基づいて、制御指令値をアクチュエータ群７に出力する。また、情報取得部１１が取得したセンサ認識データ群３３や、車線リスクマップ生成部１５が生成した車線リスクマップデータ群３７、走行制御計画部１６が生成した走行制御データ群３８等に基づき、車両２周辺の走行環境や計画軌道を乗員に提示するための情報をＨＭＩ装置群８に出力し、運転者や乗員への情報通知を実施する。
（車線グリッドマップの生成例）
　図３は、車線グリッドマップ生成部１４が行う車線グリッドマップ生成処理の説明図である。図３（ａ）は、車両２が走行する道路形状の一例を示す図であり、図３（ｂ）は、図３（ａ）の道路形状に合わせて車線グリッドマップ生成に用いられる参照点の概念を示す図である。図３（ｃ）は、図３（ｂ）で示された参照点に基づいて生成される車線グリッドマップの一例を示す図である。
　図３（ａ）に示す例では、車両２の走行中の道路が３つの車線（Ｌ０～Ｌ２）によって構成され、車両２が真ん中の車線Ｌ１を走行する。曲線３００，３１０，３２０は、車線Ｌ０～Ｌ２の中心線をそれぞれ示している。この図では、車両２の前方で道路にＳ字のカーブがある。この道路形状と車両２の位置等に基づく車線グリッドマップ生成の概念を、図３（ｂ）、（ｃ）により説明する。
　まず、図３（ｂ）に示すように、車両２が走行している車線Ｌ１の中心線３１０上に、道路の延伸方向に沿って、所定の距離単位間隔で車線Ｌ１に対応する複数の参照点を設定する。今後の説明文では、車両２が走行中の車線Ｌ１の参照点を「代表点」と呼ぶこともある。具体的には、例えば、車線Ｌ１の中心線３１０上で車両２に一番近い点を求め、これを初期代表点３１０１－１として設定する。続いて、中心線３１０に沿って初期代表点３１０１－１から所定の距離単位、例えば３００ｃｍ先にある点を、次の代表点に設定する。これを所定の回数繰り返すことにより、車線Ｌ１に対して複数の代表点が等間隔で設定される。なお、代表点の間隔３００ｃｍに限らず、例えば数十ｃｍに設定してもよい。また、代表点の設定数により車線グリッドマップが表現できる延伸方向の範囲が決まるため、例えば車両２のセンサ検出能力に応じて代表点の数を決めてもよい。
　次に、車線Ｌ１に対して設定された各代表点に基づいて、車両２の走行道路における他の車線に対する参照点を求める。例えば、各代表点における車線Ｌ１の延伸方向に対して直交する方向を求め、この直交方向と残りの車線Ｌ０，Ｌ２の中心線３００，３１０との交点をそれぞれ計算することで、車線Ｌ０，Ｌ２に対して複数の参照点をそれぞれ設定することができる。
　上記のようにして、車両２の走行道路の各車線に対して複数の参照点（代表点も含む）をそれぞれ設定できたら、各参照点の位置情報を車線グリッドマップの各グリッド点の位置情報として記憶する。
　次に、図３（ｃ）に示すように、図３（ｂ）の処理によって求められた各参照点を車線グリッドマップ上にマッピングする。なお、車線グリッドマップは、元の道路形状とは異なり、各車線の延伸方向とそれに直交する直交方向により表現される。すなわち、車線グリッドマップは、車両２が実際に走行する道路の形状に拠らず、道路の延伸方向における各車線上の各位置の状態を表すことを目的として作成されるものであるため、図３（ｃ）に示されているように、カーブのない格子状マップのような表現が用いられる。例えば、車線グリッドマップにおいて車線Ｌ２に対応する各グリッド点は、図３（ｃ）の点３２０１～３２１０（実線の丸で示した各点）である。
　車線グリッドマップ生成部１４は、以上説明した車線グリッドマップ生成処理を行うことにより、車両２の走行道路の各車線に対して複数の代表点または参照点をそれぞれ設定し、これらの各点を格子状にマッピングして、走行道路の各車線を表す複数の直線上にそれぞれ等間隔で設定された複数のグリッド点を有する、図３（ｃ）のような車線グリッドマップを生成することができる。なお、図３で説明した車線グリッドマップ生成処理を、以下では「正規化処理」と称する。
　図３（ｃ）において点線の丸で示した車線Ｌ０，Ｌ２上の各点は、図３（ｂ）の各参照点に対応する車線グリッドマップ上の位置を示したものである。例えば、車線Ｌ２上の点３２０５－２は、図３（ｂ）で示されている参照点３２０５－１の車線グリッドマップ上での位置を示している。この点３２０５－２の位置は、車線グリッドマップにおけるグリッド点３２０５の位置と異なっている。
　図３（ｂ）の各参照点を車線グリッドマップにマッピングする過程では、各参照点の元の位置情報が、車線グリッドマップの対応するグリッド点の情報の一部としてそれぞれ記憶される。例えば、車線Ｌ１上の代表点３１０５－１の位置情報は、グリッド点３１０５の情報として記憶され、車線Ｌ２上の参照点３２０５－１の位置情報は、グリッド点３２０５の情報として記憶される。このように、全ての参照点の位置情報が車線グリッドマップの各グリッド点に対応付けて、車線グリッドマップデータ群３６として記憶部３０に記憶される。なお、車線グリッドマップデータ群３６のデータ形式の例は、図４において後述する。
　ここで、参照点を車線グリッドマップにマッピングする過程では、道路の曲がりに応じた車線間の経路長の差により、車線グリッドマップの各グリッド点間の延伸方向の距離と、実際の道路形状における各車線の延伸方向の距離とが異なる場合がある。例えば、図３（ｃ）で示すように、車線グリッドマップでは、グリッド点３２０５とグリッド点３２０６の間の距離と、グリッド点３２０６とグリッド点３２０７の間の距離とは同一である。一方、図３（ｃ）において参考のために示されている、これら各点に対応する元の道路上の各点間の距離、すなわち、点３２０５－２と点３２０６－２の間の距離と、点３２０６－２と点３２０７－２の間の距離とは異なっており、同一ではない。その理由は、車線グリッドマップでは各グリッド点が一定の間隔で設定されるが、実際の道路ではその形状によっては、車線毎に延伸方向の距離が異なるためである。
　本実施形態の車両制御装置３では、車線グリッドマップ生成部１４が行う車線グリッドマップ生成処理において、上記のような正規化処理を行うことにより、車両２の走行道路の各車線に対して複数の代表点または参照点をそれぞれ設定する。そして、これら各点の位置情報を、格子状に配置された複数のグリッド点に対応付けてそれぞれ記憶し、車線グリッドマップを生成する。これにより、車線グリッドマップの複数のグリッド点にそれぞれ対応する道路の各車線上の位置の間隔を、各車線の形状の違いによる車線間での経路長の差に応じて車線毎に変化させることができる。
　なお、車線リスクマップ生成部１５において車線グリッドマップから車線リスクマップを生成するときには、正規化処理によって生じるグリッド点間の距離のずれを考慮する必要がある。車線リスクマップ生成時に距離ずれを考慮して行われる処理の内容は、図５の説明において後述する。
（車線グリッドマップデータ群の一例）
　図４は、車線グリッドマップデータ群３６の一例を示している。図４の車線グリッドマップデータ群３６は、例えば、車線の識別子である車線ＩＤ４０１と、グリッド点のＩＤ４０２と、参照点のｘ－ｙ位置情報４０３と、を含んで構成される。
　図４の車線グリッドマップデータ群３６では、前述の図３（ｂ）、（ｃ）で説明したように、各車線上に求められた参照点（車両２が走行している車線の場合は代表点）の元の地図上での位置情報を表すｘ－ｙ座標値が、対応する各グリッド点に紐づけられている。例えば、図３（ｂ）、（ｃ）で示したように、グリッド点３１０５に対応する代表点３１０５－１の位置は、現在の車両２の位置に対して左側にずれている。そのため、図４の車線グリッドマップデータ群３６において、グリッド点３１０５に対応付けて記憶されるｙ座標の位置情報は、車両２の位置から２０ｃｍずれている。なお、この例では、車両２の現在位置を基準として、その前方（進行方向）の位置をｘ座標値で表し、側方（進行方向に直交する方向）の位置をｙ座標値で表している。そのため、車両２の現在位置よりも左側にある参照点のｙ座標値は正の値になり、車両２の現在位置よりも右側にある参照点のy座標値は負の値になる。また、ｘ座標上の正の値は車両２の前方を表し、負の値は車両２の後方を表す。
（車線リスクマップ生成処理の流れ）
　図５は、車両制御装置３の車線リスクマップ生成部１５が実行する処理を説明するフローチャートである。
　まず、ステップＳ５０１において、車線リスクマップ生成部１５は、情報取得部１１が取得した車両情報データ群３１と、車線グリッドマップ生成部１４が生成した車線グリッドマップデータ群３６とに基づいて、車線グリッドマップの各グリッド点における車両２の到達時間を算出する。ここでは、車両情報データ群３１が表す車両２の位置情報と速度情報等から、車両２が車線グリッドマップ上の各グリッドに向かって走行する場合の各グリッド点への到達時間を算出する。
　なお、図３の説明において前述したように、道路の曲がりに応じた各車線の形状の違いによる車線間の経路長の差がある場合には、正規化処理後の車線グリッドマップにおける各グリッド点間の距離は、実際の走行道路上の距離と異なる可能性がある。このような場合には、車線毎の延伸方向における各グリッド点間の距離ずれを考慮して、車線リスクマップを生成する必要がある。そのため、ステップＳ５０１では、例えば、車線グリッドマップデータ群３６に含まれる各グリッド点のｘ－ｙ座標から、車両２が車線上のグリッド点を辿ったときの道なり距離を計算し、その道なり距離と車両２の現在位置および走行速度の情報から、車両２の各グリッド点への到達時間を計算する。この処理により、車線グリッドマップ上の各グリッド点間の距離を車線毎の経路長の差に基づいて補正し、補正後の距離に基づいて各グリッド点での衝突リスクを算出することができる。
　例えば、２車線の道路がカーブしている場合には、車線グリッドマップ上では車両２の現在位置から両車線上のグリッド点までの距離が同じに見える。しかしながら、ステップＳ５０１では、カーブ内側の車線上のグリッド点までの到達時間が相対的に短くなり、反対にカーブ外側の車線上のグリッド点までの到達時間が相対的に長くなるように、各グリッド点における車両２の到達時間が算出される。こうした算出方法により、格子状のグリッドマップを用いた場合でも、各車線上の各グリッド点までの到達時間を正確に算出することができる。
　続いてステップＳ５０２において、車線リスクマップ生成部１５は、顕在障害物予測部１２が生成した顕在障害物予測データ群３４が表す複数の顕在障害物の予測情報の中から、いずれか一つの顕在障害物の予測情報を選択する。そして、選択結果を次のステップＳ５０３に受け渡す。
　続いてステップＳ５０３において、車線リスクマップ生成部１５は、車線グリッドマップ生成部１４が生成した車線グリッドマップデータ群３６と、ステップＳ５０２で選択した顕在障害物の予測情報とに基づいて、当該顕在障害物が車線グリッドマップ上の各グリッド点へ到達する時間を算出する。例えば、顕在障害物の予測情報（位置、走行速度等）と、ステップＳ５０１と同様に各グリッド点のｘ－ｙ座標から求まる道なり距離と、を用いて、顕在障害物の各グリッド点への到達時間を計算できる。なお、ステップＳ５０１とは違って、ステップＳ５０３では全てのグリッド点への到達時間を計算する必要はなく、顕在障害物の予測情報から顕在障害物が走行する可能性の有無を車線毎に判断し、可能性ありと判断した車線上の各グリッド点への到達時間のみを計算すればよい。
　続いてステップＳ５０４において、車線リスクマップ生成部１５は、ステップＳ５０１で求めた車両２の各グリッド点への到達時間情報と、ステップＳ５０３で求めた顕在障害物の各グリッド点への到達時間情報とを比較して、車両２と顕在障害物との衝突リスクを算出する。例えば、車両２の到達時間と顕在障害物の到達時間とが互いに重なっているグリッド点では衝突するリスクがあるとみなして、これらの重なり度合いから、該当するグリッド点に対する衝突リスクを算出する。このとき、車両２と顕在障害物との時間の重なりを分析するために、例えば、車両２と顕在障害物の幾何情報（長さなど）を考慮して、各グリッド点への到達時間を算出してもよい。具体的には、例えば車両２と顕在障害物に対して各グリッド点への侵入開始時点と終了時点をそれぞれ求めることで、これらが各グリッド点にそれぞれ存在する時間幅を求め、これらの時間幅同士の重なり度合いを比較することにより、衝突リスクを算出することが望ましい。
　続いてステップＳ５０５において、車線リスクマップ生成部１５は、顕在障害物予測部１２が生成した顕在障害物予測データ群３４の中に、次に選択すべき顕在障害物の予測情報が存在するか否かを判定する。顕在障害物予測データ群３４の中に未選択の顕在障害物の予測情報が含まれる場合は、次に選択すべき顕在障害物の予測情報が存在すると判定してステップＳ５０２に戻り、ステップＳ５０２～Ｓ５０５の処理を繰り返すことで、次の顕在障害物に対する衝突リスクを算出する。一方、顕在障害物予測データ群３４において全ての顕在障害物の予測情報を選択済みの場合は、ステップＳ５０６に移動する。
　続いてステップＳ５０６において、車線リスクマップ生成部１５は、死角領域特定部１３が特定した死角領域を表す死角領域データ群３５と、車線グリッドマップデータ群３６とを照合する。その結果、車線グリッドマップ上でいずれかのグリッド点が死角領域の中にある場合は、そのグリッド点の情報を車線グリッドマップと関連付けて記録しておくことにより、死角領域を車線グリッドマップに反映させる。例えば、グリッド点毎に設定されるリスク値により死角領域を表現してもよいし、グリッド点毎に付されたフラグ等で死角領域を表現してもよい。
　続いてステップＳ５０７において、車線リスクマップ生成部１５は、車線グリッドマップデータにおいて車両２の走行道路に含まれる車線のいずれかを、分析対象の車線Ｌとして選択する。ここでは例えば、車線グリッドマップデータ群３６に含まれる車線ＩＤを順番に一つずつ選択し、その選択結果をステップＳ５０８に受け渡すことで、分析対象の車線Ｌの選択を行う。
　続いてステップＳ５０８において、車線リスクマップ生成部１５は、ステップＳ５０６で車線グリッドマップに反映させた死角領域に基づいて、ステップＳ５０７で選択した車線Ｌ上に存在する死角領域の境界点を探索する。死角領域の境界点とは、車線Ｌ上で死角領域内に存在するグリッド点のうち、死角領域と非死角領域との境界（死角領域境界）に最も近いと考えられる点のことである。例えば、グリッド点を車線の延伸方向に沿って順番に探索した結果、あるグリッド点が死角領域内にあり、次の点が非死角領域内にある場合は、前者のグリッド点を死角領域の境界点として扱う。また、あるグリッド点が非死角領域内にあり、次の点が死角領域内にある場合は、後者のグリッド点を死角領域の境界点として扱う。例えばこのようにして、死角領域境界に対応する境界点を車線Ｌ上で特定することができる。
　続いてステップＳ５０９において、車線リスクマップ生成部１５は、ステップＳ５０８で特定した死角領域の境界点に基づいて、死角領域境界上に潜在障害物を仮想的に生成し、その潜在障害物の挙動に関する予測情報を生成する。ここでは、死角領域から車両２に向かって潜在障害物が飛び出す可能性を考慮して、例えば、潜在障害物の位置、幾何形状、飛び出し速度、走行車線などを予測し、これらの予測結果を表す予測情報を生成する。このとき、例えば道路環境データ群３２を参照することで、車両２が走行している道路の規制内容（走行速度制限、指向方向等）を取得し、これに基づいて潜在障害物の挙動を予測してもよい。
　続いてステップＳ５１０において、車線リスクマップ生成部１５は、車線グリッドマップ生成部１４が生成した車線グリッドマップデータ群３６と、ステップＳ５０９で生成した潜在障害物の予測情報とに基づいて、潜在障害物が車線グリッドマップ上の各グリッド点へ到達する時間を算出する。ここでは、ステップＳ５０３と同様の方法により、潜在障害物の各グリッド点への到達時間を計算できる。ただし、潜在障害物は死角領域からいつ飛び出すかを特定できないため、潜在障害物の到達時間に幅を持たせて計算することが好ましい。
　続いてステップＳ５１１において、車線リスクマップ生成部１５は、ステップＳ５０１で求めた車両２の各グリッド点への到達時間情報と、ステップＳ５１０で求めた潜在障害物の各グリッド点への到達時間情報とを比較して、車両２と潜在障害物との衝突リスクを算出する。ここでは、ステップＳ５０４と同様の方法により、各グリッド点の衝突リスクを算出することができる。
　続いてステップＳ５１２において、車線リスクマップ生成部１５は、車線グリッドマップデータ群３６に含まれる車線ＩＤの全てについて、上記のステップＳ５０７～Ｓ５１１の処理による分析が完了したか否かを確認する。未分析の車線ＩＤが存在する場合はステップＳ５０７に戻り、ステップＳ５０７～Ｓ５１１の処理を繰り返すことで、次の車線ＩＤに対する分析を行う。一方、車線グリッドマップデータ群３６において全ての車線ＩＤを分析済みの場合は、ステップＳ５１３に移動する。
　最後にステップＳ５１３において、車線リスクマップ生成部１５は、ステップＳ５０４で算出した顕在障害物に対する衝突リスクと、ステップＳ５０６で反映した死角領域と、ステップＳ５１１で算出した潜在障害物に対する衝突リスクとを用いて、車線リスクマップを生成する。ここでは、ステップＳ５０４，Ｓ５０６，Ｓ５１１の各処理結果を車線グリッドマップの各グリッド点において合体することで、車両２と顕在障害物または潜在障害物との衝突リスクの情報や、車両２の周囲において外界センサ群４では認識できない死角領域の情報などを含んだ車線リスクマップを、車線グリッドマップと同じ構成で生成する。これにより、車両２と障害物との衝突リスクを道路の車線ごとに表した車線リスクマップを生成することができる。
　なお、一つのグリッド点に複数のリスク情報等が存在する場合には、例えば、各種情報の反映優先度に応じて、車線リスクマップ上で表現するリスク情報を選択してもよい。その一例を以下に説明する。
　まず、顕在障害物との衝突リスクには、一番高い優先度を割り当てる。そのため、他のリスク情報が同じグリッド点に作成された場合でも、そのグリッド点には顕在障害物との衝突リスクの情報を反映させる。次に、死角領域情報には、顕在障害物との衝突リスクの次に高い優先度を割り当てる。最後に、潜在障害物との衝突リスクには、一番低い優先度を割り当てる。これにより、各リスク情報を優先度に応じて車線リスクマップに反映させることができる。
　あるいは、車線リスクマップに反映するリスク情報を他の方法で選択してもよい。例えば、死角領域情報や潜在障害物との衝突リスクは、不確かなリスク情報、つまり潜在的なリスク情報を表すものとみなして取り扱うこともできる。その場合には、例えば、顕在障害物との衝突リスクは優先度が一番高く、そのため顕在障害物との衝突リスクがあるグリッド点では、そのリスク情報で他の潜在的なリスク情報を必ず上書きするようにしてもよい。
　ステップＳ５１３を終えたら、車線リスクマップ生成部１５は、ステップＳ５１３で生成された車線リスクマップを記憶部３０の車線リスクマップデータ群３７に記録して、図５のフローチャートに示す処理を終了する。
（車線リスクマップ生成部の動作例）
　続いて、図６～図７を用いて、図５のフローチャートで説明した車線リスクマップ生成部１５の処理の具体的な動作例を説明する。
　図６は、図５で説明されたステップＳ５０１～Ｓ５０５において実施される顕在障害物との衝突リスク算出処理の具体例を示す図である。図６では、自車両２と顕在障害物である他車両６００が走行する道路を車線グリッドマップで表現した例が示されている。図６（ａ）、（ｂ）、（ｃ）は、他車両６００が自車両２を追い越すシーンにおいて、自車両２と他車両６００の車線グリッドマップ上での位置関係を、時系列順に３つのタイミング（Ｔ＝１、Ｔ＝２、Ｔ＝３）でそれぞれ示したものである。このシーンでは、自車両２が車線Ｌ１を前方に走行し、他車両６００が車線Ｌ２を自車両２よりも速い速度で走行することを想定している。
　図６（ａ）に示すように、Ｔ＝１のタイミングでは、他車両６００が自車両２の後ろから接近する。このとき、まずステップＳ５０１において、車線リスクマップ生成部１５は、自車両２が走行中の道路の各車線Ｌ０、Ｌ１、Ｌ２の各グリッド点へ到達する時間を、自車両２の侵入開始時点と終了時点としてグリッド点毎に算出し、記憶する。次にステップＳ５０２において、車線リスクマップ生成部１５は、顕在障害物予測データ群３４から他車両６００の予測情報を選択する。ここでは、他車両６００の予測情報として、他車両６００が車線Ｌ２に沿って現在と同速度で走行することを示す情報が選択される。続いてステップＳ５０３において、車線リスクマップ生成部１５は、他車両６００の予測情報に従って、他車両６００が車線Ｌ２上の各グリッド点へ到達する時間を、他車両６００の侵入開始時点と終了時点としてグリッド点毎に算出し、記憶する。
　続いてステップＳ５０４において、車線リスクマップ生成部１５は、ステップＳ５０１，Ｓ５０３でそれぞれ記憶した自車両２と他車両６００の侵入開始時点と終了時点をグリッド点毎に比較し、互いの侵入開始時点から終了時点までの期間が重なっているグリッド点を、顕在障害物との衝突リスクがあるグリッド点として記憶する。図６（ａ）では、顕在障害物との衝突リスクがあるグリッド点を黒点６２２－１～６２４－１で示している。つまり、自車両２が車線変更を行う際に車線Ｌ２上のグリッド点６２２－１、６２３－１、６２４－１にそれぞれ到達する時間と、他車両６００がこれらのグリッド点に到達する時間とは、互いに重なっているということである。
　図６（ａ）に示すように、他車両６００が自車両２から離れているときには、他車両６００が自車両２と衝突するまでの時間が長くなるため、主に自車両２の前方に対して顕在障害物との衝突リスクのあるグリッド点が算出される。一方、図６（ｂ）に示されているように、タイミングＴ＝２で他車両６００がさらに自車両２に接近した場合、他車両６００が自車両２と衝突するまでの時間が短くなるため、主に自車両２の側方に対して顕在障害物との衝突リスクのあるグリッド点が算出される。すなわち、図６（ａ）では、自車両２から遠方にあるグリッド点６２４－１が顕在障害物との衝突リスクのあるグリッド点として算出されているのに対して、図６（ｂ）では、自車両２から遠方にあるグリッド点６２４－２が衝突リスクのないグリッド点となっている。また、図６（ａ）では、自車両２の側方にあるグリッド点６２１－１は衝突リスクのないグリッド点であるのに対して、図６（ｂ）では、自車両２の側方にあるグリッド点６２１－２が顕在障害物との衝突リスクのあるグリッド点として算出されている。
　その後、図６（ｃ）で示されているように、他車両６００がさらに自車両２に接近すると、衝突リスクのあるグリッド点の位置がさらに自車両２の側方に限定される。具体的には、図６（ｃ）では、自車両２の側方にあるグリッド点６２１－３，６２２－３のみが衝突リスクのあるグリッド点として算出され、自車両２の斜め前方にあるグリッド点６２３－３は衝突リスクのないグリッド点となっている。このように、自車両２と他車両６００の位置関係が変化すると、それに応じて自車両２と他車両６００のそれぞれの侵入開始時点から終了時点までの期間が重なるグリッド点の範囲が変化するため、車線グリッドマップ上の衝突リスクがある領域が変化する。
　最後に、図５のステップＳ５０５において、車線リスクマップ生成部１５は、他車両６００以外の他の顕在障害物の予測情報が車線リスクマップ生成部１５において存在するか否か、つまり他の顕在障害物が存在するか否かを確認する。図６のシーンでは、他の顕在障害物がないため、ここで生成された衝突リスク情報が次ステップ以降の処理で使用される。
　図７は、図５で説明されたステップＳ５０６～Ｓ５１２において実施される潜在障害物との衝突リスク算出処理の具体例を示す図である。図７において、図７（ａ）と図７（ｂ）は本例のシーンを説明する図であり、図７（ｃ）はステップＳ５０６～Ｓ５１２を説明する図である。そのため、図７（ａ）と図７（ｂ）では、自車両２の周辺における実際の道路形状を用いて、自車両２の走行道路環境を示している。一方、図７（ｃ）では、自車両２が走行している道路の各車線に対して生成された車線グリッドマップを用いて、自車両２の走行道路環境を示している。また図７では、前述の図６とは違うシーンを用いて、自車両２の走行車線の隣にある車線の後方を外界センサ群４が認識できず死角領域になっており、この死角領域からの潜在障害物の飛び出しリスクを算出することを説明する。
　図７（ａ）は、外界センサ群４により自車両２の後方の道路領域を検出する様子の一例を示す図である。自車両２が３つの車線Ｌ０，Ｌ１，Ｌ２で構成される道路において中央の車線Ｌ１を走行しているときに、自車両２に搭載される外界センサ群４による後方の認識範囲は、例えば、後方認識領域７３１，７３２，７３３で示される。この場合、自車両２の後方において、自車両２が走行している車線Ｌ１と、その左右の隣接車線Ｌ０，Ｌ２との状態が、外界センサ群４により大体認識できることを確認できる。
　図７（ｂ）は、図７（ａ）と同じセンサ認識範囲において、車線Ｌ１上で自車両２の後方に他車両７００が顕在障害物として走行している様子を示す図である。この場合、後方認識領域７３３のほとんどと、後方認識領域７３１，７３２の一部とが他車両７００によってそれぞれ遮蔽されることで、他車両７００の後方の領域が自車両２からは確認できない死角領域７３４になっている。すなわち、他車両７００により、車線Ｌ１の後方が死角領域になっているだけではなく、隣の車線Ｌ０，Ｌ２の後方も死角領域になっていることを確認できる。
　図７（ｃ）は、図５のステップＳ５０６～Ｓ５１２の処理の具体例を示す図である。まず、ステップＳ５０６において、車線リスクマップ生成部１５は、死角領域７３４を車線グリッドマップに反映する。ここでは、死角領域７３４の中にある各グリッド点に対して、死角領域内にあることを示す情報を記憶する。この情報は、例えばリスク値で設定してもよいし、フラグ設定等としてもよい。続いて、ステップＳ５０７において、車線リスクマップ生成部１５は、車線Ｌ，Ｌ１，Ｌ２のいずれかを分析対象の車線として選択する。続いて、ステップＳ５０８において、車線リスクマップ生成部１５は、ステップＳ５０７で選択された車線で死角領域７３４の境界に位置するグリッド点を、死角領域境界点として特定する。図７（ｃ）の場合は、車線Ｌ０，Ｌ２において、グリッド点７０１，７２１がそれぞれ死角領域７３４の死角領域境界点として特定される。
　続いてステップＳ５０９において、車線リスクマップ生成部１５は、死角領域境界点７０１，７２１に基づいて、死角領域４３４から飛び出す可能性がある潜在障害物を表す仮想車両７４１，７４２の情報を生成する。具体的には、例えば、仮想車両７４１，７４２を死角領域境界点７０１，７２１の位置にそれぞれ仮想的に配置し、さらにこれらの走行情報（走行車線、車速等）を、道路環境データ群３２が表す道路規制情報等に基づいて生成する。
　続いて、ステップＳ５１０において、車線リスクマップ生成部１５は、ステップＳ５０９で生成した仮想車両７４１，７４２の走行情報に基づいて、仮想車両７４１，７４２の各グリッド点への到達時間を算出する。例えば、仮想車両７４１と仮想車両７４２が車線Ｌ０上と車線Ｌ２上を自車両２と同一方向にそれぞれ走行する場合、仮想車両７４１，７４２に対してそれぞれ設定された車速を用いて、仮想車両７４１，７４２が車線Ｌ０，Ｌ２の各グリッド点までそれぞれ到達する時間を、仮想車両７４１，７４２の侵入開始時点と終了時点として算出する。
　続いてステップＳ５１１において、車線リスクマップ生成部１５は、ステップＳ５０１で算出された自車両２の到達時間情報と、ステップＳ５１０で算出された仮想車両７４１，７４２の到達時間情報とを、グリッド点毎に比較する。そして、仮想車両７４１，７４２がそれぞれ配置された死角領域境界点７０１，７２１の前方において、自車両２と仮想車両７４１，７４２とで侵入開始時点から終了時点までの期間が重なっている各グリッド点を、潜在障害物との衝突リスクがあるグリッド点として記憶する。これにより、車線Ｌ０上の各グリッド点７０２と、車線Ｌ２上の各グリッド点７２２とが、潜在障害物との衝突リスクがあるグリッド点として記憶される。なお、ステップＳ５０７において分析対象の車線として一度に選択されるのは１つの車線であるため、車線Ｌ０における処理と車線Ｌ２における処理とは、別々の処理サイクルで行われる。
　最後にステップＳ５１２において、車線リスクマップ生成部１５は、ステップＳ５０７で選択した車線が、自車両２の走行道路中で最後の車線か否かを確認する。自車両２の走行道路において未選択の車線が存在しない場合は、最後の車線であると判定し、ステップＳ５１３に移行する。自車両２の走行道路において未選択の車線が存在する場合は、最後の車線ではないと判定し、ステップＳ５０７に戻って次の分析対象の車線を選択する。
　車線リスクマップ生成部１５は、図６と図７を参照して説明した上記の処理によって、車線グリッドマップの各グリッド点における顕在障害物および潜在障害物の衝突リスクと、死角情報とを生成する。そして、図５のステップＳ５１３で説明したように、最後にこれらの情報を合体して車線リスクマップデータ群３７を生成し、記憶する。
　以上により、本実施形態の車両システム１が実行する車線リスクマップ生成部１５の具体的な処理を説明した。
（走行制御計画処理の流れ）
　図８は、車両制御装置３の走行制御計画部１６が実行する処理を説明するフローチャートである。
　まず、ステップＳ８０１において、走行制御計画部１６は、情報取得部１１が取得した道路環境データ群３２と、顕在障害物予測部１２が生成した顕在障害物予測データ群３４と、例えばＨＭＩ装置群８により取得された運転者や乗員の入力信号とに基づいて、車両２が車線変更を開始するか、あるいは現在走行中の車線を維持するかを判断する。車線変更を行う場合は、ステップＳ８０２に移行する。車線変更を行わない場合は、ステップＳ８０８に移行する。
　続いてステップＳ８０２において、走行制御計画部１６は、情報取得部１１が取得した道路環境データ群３２に基づいて、車両２が車線変更を実施する際の目標車線を設定する。例えば、車両２が現在走行中の車線から右隣の車線へと車線変更する場合は、その右隣の車線を目標車線として設定する。
　続いてステップＳ８０３において、走行制御計画部１６は、情報取得部１１が取得した車両情報データ群３１および道路環境データ群３２と、ステップＳ８０２で設定した目標車線とに基づいて、目標車線への車両２の走行軌道を生成する。ここでは、例えば現在から数秒先までの車両２の走行状態（位置、車速、進行方向等）を、道路規則や安全性や乗り心地等を考慮して決定することにより、目標車線への車両２の走行軌道を生成することができる。
　続いてステップＳ８０４において、走行制御計画部１６は、情報取得部１１が取得した道路環境データ群３２と、車線リスクマップ生成部１５が生成した車線リスクマップデータ群３７と、ステップＳ８０３で生成した車両２の走行軌道とに基づいて、走行軌道の評価を行う。ここでは、例えば車線リスクマップに含まれる各車線の延伸方向における各位置（グリッド点）のリスク情報と、走行軌道とを照合させることにより、走行軌道のリスク度合いがどの程度であるかの評価を行う。
　なお、ステップ８０３ではｘ－ｙ座標で表現される地図上の位置に従って走行軌道が生成される一方、車線リスクマップ生成部１５では各車線の延伸方向（車線座標）に従って車線リスクマップが生成される。そのため、ステップＳ８０４では、前述のように車線リスクマップデータ群３７に含まれている各グリッド点に対応する参照点の位置情報、すなわちｘ－ｙ座標で表される元の地図上での位置情報と、道路環境データ群３２に含まれる車線幅等の情報とを用いて、車線リスクマップの各グリッド点の位置を走行軌道の位置情報と比較する必要がある。このような位置情報の比較により、車線リスクマップにおいて、車両２が走行軌道に沿って走行するときに通るグリッド点を明確に特定することができる。
　また、車線リスクマップデータ群３７では、各グリッド点に対応する位置での各車線のリスク状態を車線リスクマップにより表現している。そのため、ステップＳ８０４において走行軌道の評価を行う際には、車線リスクマップデータ群３７を、各グリッド点の場所だけではなく、車線幅を持った車線領域範囲でのリスク状態を表現している情報として扱ってもよい。その場合、車両２が走行軌道に沿って走行することにより、車両２の車体が少しでも目標車線に入ったときに、走行軌道が車線リスクマップのグリッド点に通過したと扱ってもよい。
　上記のようにして、車線リスクマップと走行軌道とを照合することにより走行軌道に対応するグリッド点を特定できたら、そのグリッド点のリスク値を用いて走行軌道を評価する。例えば、走行軌道に対応するグリッド点のリスク状態が、顕在障害物や潜在障害物との衝突リスクが高い状態を表している場合、これらの障害物との衝突リスクありと走行軌道を評価してもよい。他にも、例えば潜在障害物との衝突リスクがあるグリッド点と走行軌道とが重なっていた場合、そのリスク度に基づいて走行軌道の評価値を計算し、計算結果を次のステップＳ８０５に送ってもよい。例えば、リスク度が低い場合は走行軌道の評価値を高くし、リスク度が高い場合は走行軌道の評価値を低く設定することで、潜在障害物に対する走行軌道の評価値を求めることができる。
　続いてステップＳ８０５において、走行制御計画部１６は、ステップＳ８０４の評価結果を踏まえて、ステップＳ８０３で生成した走行軌道を修正する必要があるか否かを判断する。例えば、走行軌道がリスクと重なっているという評価結果がステップＳ８０４から送られた場合、走行軌道を修正する必要があると判断してもよい。他にも、例えばステップＳ８０４から送られた走行軌道の評価値が低い場合には、走行軌道を修正する必要がないと判断することも考えられる。なお、単純に車線変更の軌道を修正するだけではなく、例えば、車両２の走行軌道によりリスク度を減らして、評価値を上げるような行動をとることも考えられる。例えば、車両２の走行軌道が潜在的なリスクと重なっている場合、車両２の視界を改善して潜在的なリスクを減らすような走行軌道を生成し、これによって車線変更の際の走行軌道の評価値を上げるような行動を車両２がとるように制御することも考えられる。
　ステップＳ８０５で走行軌道を修正する必要があると判断された場合、続いてステップＳ８０６において、走行制御計画部１６は、走行軌道の修正を実行する。ここでは、ステップＳ８０３と同様にして新しい走行軌道の候補を生成した後、その走行軌道候補が再びリスク状態であるグリッド点を通過するか否かを評価するために、ステップＳ８０４に戻る。
　ステップＳ８０５で走行軌道を修正する必要がないと判断された場合、最後にステップＳ８０７において、走行制御計画部１６は、ステップＳ８０３またはＳ８０６で最後に生成した走行軌道に従って、車両２の車線変更を実施する。具体的には、例えば走行軌道の情報をアクチュエータ制御情報に変換し、記憶部３０の走行制御データ群３８に記録する。走行制御データ群３８に記録されたアクチュエータ制御情報はアクチュエータ群７に送信され、アクチュエータ群７が実施する車両２の制御に利用される。
　一方、ステップＳ８０１において車線変更を行わないと判定された場合、ステップＳ８０８において、走行制御計画部１６は、車両２が現在走行中の車線を維持するための車線維持処理を実行する。ここでは、顕在障害物との衝突判定等、安全担保の処理を含めて、車両２が現在走行している車線の走行を維持するような走行軌道を生成する。
　ステップＳ８０７またはＳ８０８を終えたら、走行制御計画部１６は、図８のフローチャートに示す処理を終了する。
（走行制御計画部の動作例）
　続いて、図９～図１０を用いて、図８のフローチャートで説明した走行制御計画部１６の処理の具体的な動作例を説明する。
　図９は、図８の処理における軌道生成、評価、修正の具体例を示す図である。図９では、自車両２が車線Ｌ１から車線Ｌ２に車線変更を行おうとしたときに、車線Ｌ２を走行する顕在障害物である他車両９００が後方から接近しており、車線変更時に自車両２と衝突する可能性があるシーンが示されている。以下では、軌道生成、評価、修正の各処理について、図９（ａ）、（ｂ）、（ｃ）の具体例をそれぞれ用いて説明する。
　図８のステップＳ８０１，Ｓ８０２およびＳ８０３において、走行制御計画部１６は、道路環境データ群３２が表す自車両２の周囲の道路環境情報と、車両情報データ群３１が表す自車両２の挙動情報と、顕在障害物予測データ群３４が表す顕在障害物の情報と、に基づいて、自車両２が車線変更を行うときの目標車線の決定を行う。具体的には、例えば図９（ａ）に示すように、車線Ｌ１を走行中の自車両２に対して車線変更後の目標車線を車線Ｌ２に決定し、車線Ｌ１から車線Ｌ２までの車線変更軌道９３１を生成する。
　次にステップＳ８０４において、走行制御計画部１６は、車線変更軌道９３１を車線リスクマップの各グリッド点と比較し、車線変更軌道９３１の評価を行う。具体的には、例えば図９（ｂ）に示すように、車線変更軌道９３１と、他車両９００の将来の予測軌道に関して自車両２との衝突リスクがあると車線リスクマップで示されたグリッド点９２１～９２３とが重なっているか否かを評価する。このとき、自車両２と車線Ｌ２の幅情報を活用してもよい。その結果、自車両２が車線変更軌道９３１に沿って走行すると、図中の領域９４０において自車両２とグリッド点９２３の距離が所定値未満となるため、自車両２がグリッド点９２３の上を走行することを確認できる。これは、自車両２が他車両９００と衝突する恐れがあることを意味する。
　続いてステップＳ８０５において、走行制御計画部１６は、車線変更軌道９３１を修正する必要があると判断し、ステップＳ８０６において車線変更軌道９３１の修正処理を行う。その結果、例えば図９（ｃ）に示すように、車線変更軌道９３１に替えて新しい車線変更軌道９３２が生成される。
　なお、図９を用いた上記の説明では、自車両２が修正後の車線変更軌道９３２に沿って走行することで他車両９００との衝突が避けられることを直観的に理解しにくい。そのため、以下では図１０により自車両２の具体的な動きを説明することで、修正後の車線変更軌道９３２によって自車両２が他車両９００との衝突を回避できることを説明する。
　図１０は、図９（ｃ）に示した修正後の車線変更軌道９３２に従って自車両２を車線変更させたときのシーンの一例を示す図である。図１０（ａ）、（ｂ）、（ｃ）は、修正後の車線変更軌道９３２と各グリッド点の衝突リスクを固定させ、Ｔ＝１、Ｔ＝２、Ｔ＝３の各タイミングでの自車両２と他車両９００の動きの様子をそれぞれ示している。
　図１０（ａ）では、Ｔ＝１のタイミングにおける自車両２と他車両９００の位置関係の一例を示している。この例では、自車両２が車線変更軌道９３２に沿って移動を開始し、他車両９００が車線Ｌ２の延伸方向で車両２に接近している。このとき自車両２は、車線変更軌道９３２に従って、まだ車線Ｌ２への移動を開始せずに車線Ｌ１の走行を続けることで、衝突リスクのあるグリッド点９２１～９２３を避けながら他車両９００の通過を待つ。
　図１０（ｂ）では、Ｔ＝２のタイミングにおける自車両２と他車両９００の位置関係の一例を示している。この例では、他車両９００がＴ＝１のタイミングよりもさらに前進し、自車両２を追い越して進行している。また同時に、自車両２は、車線変更軌道９３２に沿って車線Ｌ１から車線Ｌ２に少しずつ移動し始めているが、まだ衝突リスクのあるグリッド点９２１～９２３を避けているため、他車両９００とは衝突しない。
　図１０（ｃ）では、Ｔ＝３のタイミングにおける自車両２と他車両９００の位置関係の一例を示している。この例では、他車両９００が自車両２の追い越しを完了している。このとき自車両２は、他車両９００との衝突が回避できたため、他車両９００の後ろの領域において車線Ｌ２に移動し、衝突リスクのないグリッド点９２４に侵入する。自車両２がこのまま車線変更軌道９３２に沿って走行し続けることで、他車両９００に衝突せずに車線Ｌ２への車線変更を完了させることができる。
　以上により、本実施形態の車両システム１が実行する走行制御計画部１６の具体的な処理を説明した。車両２に搭載されるＥＣＵである車両制御装置３において、車線リスクマップ生成部１５が生成する車線リスクマップデータ群３７は、車両２が走行している道路の各車線について、その延伸方向の各位置に対するリスク状態を表現する。このような表現であるため、走行制御計画部１６が走行軌道評価（図８のステップＳ８０４の処理）を行うときには、車線リスクマップデータ群３７の各グリッド点に記憶されているリスク状態と比較するだけで、走行軌道の評価が可能である。そのため、車両制御装置３において走行軌道の評価に必要な計算量を大幅に抑えることができる。
　以上説明した本発明の一実施形態によれば、以下の作用効果を奏する。
（１）自車両２に搭載される車両制御装置３は、情報取得部１１と、顕在障害物予測部１２と、車線リスクマップ生成部１５と、を備える。情報取得部１１は、自車両２の挙動に関する車両情報を表す車両情報データ群３１と、自車両２が走行している道路の環境に関する道路環境情報を表す道路環境データ群３２と、自車両２に搭載された外界センサ群４によって認識された自車両２の周囲環境に関するセンサ認識情報を表すセンサ認識データ群３３と、を取得する。顕在障害物予測部１２は、道路環境データ群３２およびセンサ認識データ群３３に基づいて、自車両２の走行の障害となり得る顕在障害物の将来の挙動を予測する。車線リスクマップ生成部１５は、車両情報データ群３１と、顕在障害物予測部１２により予測された顕在障害物の将来の挙動とに基づいて、自車両２と障害物との衝突リスクを道路の車線ごとに表した車線リスクマップを生成する。このようにしたので、周辺車両の数に関わらず、自車両の走行リスクを適切に評価することができる。
（２）車両制御装置３は、車両情報データ群３１および道路環境データ群３２に基づいて、道路の各車線を表す複数の直線上にそれぞれ等間隔で設定された複数のグリッド点を有する車線グリッドマップを生成する車線グリッドマップ生成部１４を備える。車線リスクマップ生成部１５は、車線グリッドマップの各グリッド点における衝突リスクを算出することにより（ステップＳ５０４，５１１）、車線リスクマップを生成する。このようにしたので、走行軌道の評価に適した形式で車線リスクマップを生成することができる。
（３）車線グリッドマップ生成部１４は、車線グリッドマップを生成する際に、道路の各車線上で複数のグリッド点にそれぞれ対応する位置の間隔を、道路の各車線の形状の違いによる車線間での経路長の差に応じて車線毎に変化させる正規化処理を行う。具体的には、例えば図３で説明したように、正規化処理は、道路における自車両の走行車線上に複数の代表点を等間隔で設定する処理と、設定した複数の代表点における走行車線の延伸方向とそれぞれ直交し、かつ複数の代表点をそれぞれ通る複数の直線を設定する処理と、設定した複数の直線と走行車線を除いた道路の各車線との交点を、複数の代表点にそれぞれ対応する複数の参照点として設定する処理と、代表点および参照点の位置情報を、車線グリッドマップの各グリッド点に対応付けてそれぞれ記録する処理と、を含む。このようにしたので、道路がカーブしている等の理由により道路の各車線間で経路長の差が生じる場合であっても、その道路の各車線を車線グリッドマップ上で正確に表現することができる。
（４）車線リスクマップ生成部１５は、車線グリッドマップの各グリッド点間の距離を車線間の経路長の差に基づいて補正し（ステップＳ５０１，Ｓ５０３，Ｓ５１０）、補正後の距離に基づいて衝突リスクを算出する（ステップＳ５０４，Ｓ５１１）。このようにしたので、道路がカーブしている等の理由により道路の各車線間で経路長の差が生じる場合であっても、各グリッド点における衝突リスクを適切に算出することができる。
（５）車両制御装置３は、自車両２の周囲で外界センサ群４が認識できない死角領域を特定する死角領域特定部１３を備える。車線リスクマップ生成部１５は、死角領域から出現し得る潜在障害物を予測し（ステップＳ５０９）、車両情報データ群３１と、顕在障害物の将来の挙動と、潜在障害物の予測結果とに基づいて、車線リスクマップを生成する（ステップＳ５１３）。このようにしたので、外界センサ群４が認識できない死角領域からの障害物の飛び出しをさらに考慮して、より安全性の高い車線リスクマップを生成することができる。
（６）車両制御装置３は、車両情報データ群３１および道路環境データ群３２に基づいて、道路の各車線を表す複数の直線上にそれぞれ等間隔で設定された複数のグリッド点を有する車線グリッドマップを生成する車線グリッドマップ生成部１４を備える。車線リスクマップ生成部１５は、車線グリッドマップ上の各グリッド点における自車両と顕在障害物との衝突リスク（第１の衝突リスク）と、車線グリッドマップ上の各グリッド点における自車両と潜在障害物との衝突リスク（第２の衝突リスク）とをそれぞれ算出し、第１および第２の衝突リスクの算出結果に基づいて車線リスクマップを生成する。具体的には、車線リスクマップ生成部１５は、車線グリッドマップの各グリッド点における自車両、顕在障害物および潜在障害物の到達時間をそれぞれ算出する（ステップＳ５０１，Ｓ５０３，Ｓ５１０）。そして、自車両の到達時間と顕在障害物の到達時間とを比較することにより、第１の衝突リスクを算出し（ステップＳ５０４）、自車両の到達時間と潜在障害物の到達時間とを比較することにより、第２の衝突リスクを算出する（ステップＳ５１１）。このようにしたので、外界センサ群４により認識可能な顕在障害物と、外界センサ群４により認識できない死角領域からの潜在障害物との両方を考慮して、自車両の周囲におけるこれらの障害物との衝突リスクを適切に表した車線リスクマップを生成することができる。
　なお、以上で説明した実施形態は一例であり、本発明はこれに限られない。すなわち、様々な応用が可能であり、あらゆる実施の形態が本発明の範囲に含まれる。
　例えば、上記実施形態では、車線変更の例が示されているが、他の運転行動、例えば、車線マージの時や顕在障害物の追い越しの時等にも応用可能である。
　例えば、上記実施形態では、図３（ｂ）において、車線グリッドマップ生成処理を行う際に使用する車線の中心線情報を道路環境データ群３２から取得する例を説明したが、これを取得できない場合もある。その場合は、例えば、車線境界情報や走行可能領域等に基づく車線中心線の追加計算を行い、この計算結果から車線の中心線情報を取得できるようにしてもよい。
　例えば、上記実施形態では、車線リスクマップ生成部１５において、道路環境データ群３２から道路規制情報に取得し、これに基づいて潜在障害物の予測情報を生成する例を説明したが、道路規制情報を他のあらゆる手段で取得してもよい。例えば、車両２の現在走行領域の地図情報を地図情報管理装置６から取得し、この地図情報に含まれる制限速度情報等に基づいて潜在障害物の予測情報を生成してもよい。あるいは、外界センサ群４により認識される標識や信号情報に基づいて潜在障害物の予測情報を生成してもよい。これ以外にも、任意の方法で潜在障害物の予測情報を生成することができる。
　１：車両システム、２：車両、３：車両制御装置、４：外界センサ群、５：車両センサ群、６：地図情報管理装置、７：アクチュエータ群、８：ＨＭＩ装置群、９：外界通信装置、１０：処理部、１１：情報取得部、１２：顕在障害物予測部、１３：死角領域特定部、１４：車線グリッドマップ生成部、１５：車線リスクマップ生成部、１６：走行制御計画部、１７：情報出力部、３０：記憶部、３１：車両情報データ群、３２：道路環境データ群、３３：センサ認識データ群、３４：顕在障害物予測データ群、３５：死角領域データ群、３６：車線グリッドマップデータ群、３７：車線リスクマップデータ群、３８：走行制御データ群、４０：通信部

Claims (8)

  1. 　自車両に搭載される車両制御装置であって、
    　前記自車両の挙動に関する車両情報と、前記自車両が走行している道路の環境に関する道路環境情報と、前記自車両に搭載されたセンサによって認識された前記自車両の周囲環境に関するセンサ認識情報と、を取得する情報取得部と、
    　前記道路環境情報および前記センサ認識情報に基づいて、前記自車両の走行の障害となり得る顕在障害物の将来の挙動を予測する顕在障害物予測部と、
    　前記車両情報と、前記顕在障害物予測部により予測された前記顕在障害物の将来の挙動とに基づいて、前記自車両と障害物との衝突リスクを前記道路の車線ごとに表した車線リスクマップを生成する車線リスクマップ生成部と、
    　を備える車両制御装置。
  2. 　前記車両情報および前記道路環境情報に基づいて、前記道路の各車線を表す複数の直線上にそれぞれ等間隔で設定された複数のグリッド点を有する車線グリッドマップを生成する車線グリッドマップ生成部を備え、
    　前記車線リスクマップ生成部は、前記車線グリッドマップの各グリッド点における前記衝突リスクを算出することにより、前記車線リスクマップを生成する、
    　請求項１に記載の車両制御装置。
  3. 　前記車線グリッドマップ生成部は、前記車線グリッドマップを生成する際に、前記道路の各車線上で前記複数のグリッド点にそれぞれ対応する位置の間隔を、前記道路の各車線の形状の違いによる車線間での経路長の差に応じて車線毎に変化させる正規化処理を行う、
    　請求項２に記載の車両制御装置。
  4. 　前記正規化処理は、
    　前記道路における前記自車両の走行車線上に複数の代表点を等間隔で設定する処理と、
    　前記複数の代表点における前記走行車線の延伸方向とそれぞれ直交し、かつ前記複数の代表点をそれぞれ通る複数の直線を設定する処理と、
    　前記複数の直線と前記走行車線を除いた前記道路の各車線との交点を、前記複数の代表点にそれぞれ対応する複数の参照点として設定する処理と、
    　前記代表点および前記参照点の位置情報を、前記車線グリッドマップの各グリッド点に対応付けてそれぞれ記録する処理と、を含む、
    　請求項３に記載の車両制御装置。
  5. 　前記車線リスクマップ生成部は、前記車線グリッドマップの各グリッド点間の距離を前記経路長の差に基づいて補正し、補正後の距離に基づいて前記衝突リスクを算出する、
    　請求項３に記載の車両制御装置。
  6. 　前記自車両の周囲で前記センサが認識できない死角領域を特定する死角領域特定部を備え、
    　前記車線リスクマップ生成部は、前記死角領域から出現し得る潜在障害物を予測し、前記車両情報と、前記顕在障害物の将来の挙動と、前記潜在障害物の予測結果とに基づいて、前記車線リスクマップを生成する、
    　請求項１に記載の車両制御装置。
  7. 　前記車両情報および前記道路環境情報に基づいて、前記道路の各車線を表す複数の直線上にそれぞれ等間隔で設定された複数のグリッド点を有する車線グリッドマップを生成する車線グリッドマップ生成部を備え、
    　前記車線リスクマップ生成部は、前記車線グリッドマップ上の各グリッド点における前記自車両と前記顕在障害物との第１の衝突リスクと、前記車線グリッドマップ上の各グリッド点における前記自車両と前記潜在障害物との第２の衝突リスクとをそれぞれ算出し、前記第１および第２の衝突リスクの算出結果に基づいて前記車線リスクマップを生成する、
    　請求項６に記載の車両制御装置。
  8. 　前記車線リスクマップ生成部は、
    　前記車線グリッドマップの各グリッド点における前記自車両、前記顕在障害物および前記潜在障害物の到達時間をそれぞれ算出し、
    　前記自車両の到達時間と前記顕在障害物の到達時間とを比較することにより、前記第１の衝突リスクを算出し、
    　前記自車両の到達時間と前記潜在障害物の到達時間とを比較することにより、前記第２の衝突リスクを算出する、
    　請求項７に記載の車両制御装置。
     
PCT/JP2022/032103 2022-02-07 2022-08-25 車両制御装置 Ceased WO2023149003A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/833,056 US12676066B2 (en) 2022-02-07 2022-08-25 Vehicle control device
CN202280090074.1A CN118613849A (zh) 2022-02-07 2022-08-25 车辆控制装置
DE112022005447.6T DE112022005447T5 (de) 2022-02-07 2022-08-25 Fahrzeugsteuervorrichtung

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-017561 2022-02-07
JP2022017561A JP7615068B2 (ja) 2022-02-07 2022-02-07 車両制御装置

Publications (1)

Publication Number Publication Date
WO2023149003A1 true WO2023149003A1 (ja) 2023-08-10

Family

ID=87552037

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032103 Ceased WO2023149003A1 (ja) 2022-02-07 2022-08-25 車両制御装置

Country Status (5)

Country Link
US (1) US12676066B2 (ja)
JP (1) JP7615068B2 (ja)
CN (1) CN118613849A (ja)
DE (1) DE112022005447T5 (ja)
WO (1) WO2023149003A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022212567A1 (de) * 2022-11-24 2024-05-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Kontrolle eines Spurwechsels eines Fahrzeuges
KR20250001260A (ko) * 2023-06-28 2025-01-06 현대자동차주식회사 차량 경로 생성 장치 및 그 방법
JP2026008035A (ja) * 2024-07-04 2026-01-19 本田技研工業株式会社 運転支援装置、運転支援方法、およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101503473B1 (ko) * 2014-01-10 2015-03-18 한양대학교 산학협력단 차량의 주행 상황 판단 시스템 및 방법
JP2021047644A (ja) * 2019-09-18 2021-03-25 日立オートモティブシステムズ株式会社 電子制御装置
JP2021172264A (ja) * 2020-04-28 2021-11-01 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6297956B2 (ja) 2014-05-13 2018-03-20 株式会社Ｓｏｋｅｎ 経路生成装置
JP6304504B2 (ja) 2015-10-28 2018-04-04 本田技研工業株式会社 車両制御装置、車両制御方法、および車両制御プログラム
JP6548029B2 (ja) 2015-12-03 2019-07-24 株式会社デンソー 自動運転システム
US11731639B2 (en) * 2020-03-03 2023-08-22 GM Global Technology Operations LLC Method and apparatus for lane detection on a vehicle travel surface
US11625009B2 (en) * 2020-03-26 2023-04-11 Intel Corporation Non-uniform occupancy grid manager

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101503473B1 (ko) * 2014-01-10 2015-03-18 한양대학교 산학협력단 차량의 주행 상황 판단 시스템 및 방법
JP2021047644A (ja) * 2019-09-18 2021-03-25 日立オートモティブシステムズ株式会社 電子制御装置
JP2021172264A (ja) * 2020-04-28 2021-11-01 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

Also Published As

Publication number Publication date
JP2023114943A (ja) 2023-08-18
JP7615068B2 (ja) 2025-01-16
DE112022005447T5 (de) 2024-09-12
US20250157333A1 (en) 2025-05-15
US12676066B2 (en) 2026-07-07
CN118613849A (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN114126940B (zh) 电子控制装置
JP7546580B2 (ja) 自動車の可能な軌道のサンプリングベースの計画のための制御システムおよび制御方法
US11851090B2 (en) Vehicle control apparatus, vehicle control method, and storage medium
JP7435787B2 (ja) 経路確認装置および経路確認方法
JP7200970B2 (ja) 車両制御装置
CN109313857B (zh) 周边环境识别装置
JP6308233B2 (ja) 車両制御装置及び車両制御方法
JP7362899B2 (ja) 車両の走行支援方法及び走行支援装置
US9708004B2 (en) Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system
JP6562386B2 (ja) 車両運転支援システム及び方法
JP6508114B2 (ja) 移動体の自動運転制御システム
JP6611080B2 (ja) 車両運転支援システム及び方法
JP7615068B2 (ja) 車両制御装置
JP7379033B2 (ja) 運転支援方法及び運転支援装置
JP2020163970A (ja) 車両運転支援システム
JP2018138402A (ja) 車両運転支援システム及び方法
JP2013242615A (ja) 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
JP2018138404A (ja) 車両運転支援システム及び方法
JP2018138405A (ja) 車両運転支援システム及び方法
JP6838769B2 (ja) 周辺環境認識装置、表示制御装置
JP6607526B2 (ja) 車両運転支援システム及び方法
JP6562387B2 (ja) 車両運転支援システム及び方法
US20230339507A1 (en) Contextual right-of-way decision making for autonomous vehicles
JP7839721B2 (ja) 運転支援装置
JP2020053069A (ja) 車載用電子制御装置

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: 22924908

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18833056

Country of ref document: US

Ref document number: 202280090074.1

Country of ref document: CN

122 Ep: pct application non-entry in european phase

Ref document number: 22924908

Country of ref document: EP

Kind code of ref document: A1

WWP Wipo information: published in national office

Ref document number: 18833056

Country of ref document: US

WWG Wipo information: grant in national office

Ref document number: 18833056

Country of ref document: US