WO2024201627A1 - シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム - Google Patents

シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム Download PDF

Info

Publication number
WO2024201627A1
WO2024201627A1 PCT/JP2023/012068 JP2023012068W WO2024201627A1 WO 2024201627 A1 WO2024201627 A1 WO 2024201627A1 JP 2023012068 W JP2023012068 W JP 2023012068W WO 2024201627 A1 WO2024201627 A1 WO 2024201627A1
Authority
WO
WIPO (PCT)
Prior art keywords
agent
responsibility
time
scenario
parameter optimization
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/JP2023/012068
Other languages
English (en)
French (fr)
Inventor
貴之 井對
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Priority to PCT/JP2023/012068 priority Critical patent/WO2024201627A1/ja
Priority to JP2024572277A priority patent/JP7630757B1/ja
Publication of WO2024201627A1 publication Critical patent/WO2024201627A1/ja
Priority to US19/283,501 priority patent/US20250355413A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G05B13/044—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance not using a perturbation signal
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Prevention of errors by analysis, debugging or testing of software
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • This disclosure relates to scenario parameter optimization technology.
  • Search-based testing refers to a method of searching for a scenario to be inspected using metaheuristic optimization technology.
  • Patent Document 1 is a document that discloses such a search-based testing technology.
  • Patent Document 1 discloses a technology that uses optimization processing to set parameters of a scenario used in a simulation test of a program to be inspected.
  • an example of lane changes is when a vehicle to be controlled is traveling in a certain lane and a surrounding vehicle traveling in an adjacent lane cuts in front of the vehicle to be controlled and changes lanes.
  • a scenario in which the surrounding vehicle decelerates before and after changing lanes can also be considered.
  • deceleration is when a surrounding vehicle ahead of the controlled vehicle traveling in the same lane suddenly decelerates.
  • the behavior of the surrounding vehicles is such that the distance between the controlled vehicle and the surrounding vehicles becomes shorter.
  • the responsibility determination time detection unit 121 detects the time when such behavior of the surrounding agents occurs as a candidate responsibility determination time.
  • the responsibility determination time detection unit 121 calculates the latest time before the event occurrence time D5 at which a change in the behavior of the surrounding agents occurs as a candidate responsibility determination time.
  • the responsibility determination time detection unit 121 determines the responsibility determination time D6 based on this candidate responsibility determination time and outputs the determined responsibility determination time D6 to the responsibility attribution determination unit 122. The determination of the responsibility determination time D6 based on the candidate responsibility determination time will be described later.
  • the responsibility attribution determination unit 122 determines whether or not the controlled agent is responsible for the occurrence of a predetermined event based on the situation at the responsibility determination time D6 in the simulation execution result D3, and outputs the determination result as a responsibility determination result D8 to the scenario parameter optimization unit 13.
  • the situation means the physical quantities of the controlled agent and surrounding agents. Examples of the physical quantities include position, speed, and acceleration. The method of determination will be described later.
  • the scenario parameter optimization unit 13 optimizes the scenario parameters D9 based on the objective function value D4 and the responsibility determination result D8 so that the controlled agent is responsible for the occurrence of a predetermined event and the objective function value D4 is small.
  • Optimization methods include heuristic methods such as Hill Climbing, Simulated Annealing, and Genetic Algorithms.
  • the processing circuit may be a dedicated processing circuit 100a as shown in Figure 2A, or a computer equipped with a memory 100c and a processor 100b as shown in Figure 2B.
  • the processor 100b reads out a program stored in the memory 100c and executes the read program.
  • the dedicated processing circuit 100a may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (application specific integrated circuit), an FPGA (field-programmable gate array), or a combination of these.
  • the functions of each device may be realized by separate processing circuits, or multiple functions may be combined and realized by a single processing circuit.
  • the processing circuit When the processing circuit is a processor 100b, the functions of each device are realized by software, firmware, or a combination of software and firmware.
  • Software and firmware are written as programs and stored in memory 100c.
  • Processor 100b realizes the functions of each device by reading and executing the programs stored in memory.
  • examples of memory 100c include non-volatile or volatile semiconductor memory such as random access memory (RAM), read-only memory (ROM), flash memory, erasable programmable read-only memory (EPROM), and electrically erasable programmable read-only memory (EEPROM), as well as magnetic disks, flexible disks, optical disks, compact disks, mini disks, and DVDs.
  • RAM random access memory
  • ROM read-only memory
  • EPROM erasable programmable read-only memory
  • EEPROM electrically erasable programmable read-only memory
  • Figure 3 shows the operation of the objective function value calculation unit 11 of the scenario parameter optimization device 10.
  • Figures 4 and 5 show the operation of the responsibility determination unit 12 of the scenario parameter optimization device 10.
  • Figure 6 shows the operation of the scenario parameter optimization unit 13 of the scenario parameter optimization device 10.
  • the objective function value calculation unit 11 analyzes the simulation execution result D3 output from the simulation execution device 20.
  • the simulation execution result D3 includes a movement log such as a driving log or flight log in which the position information of the controlled agent and at least one surrounding agent is recorded.
  • the simulation execution result D3 includes the movement log of each surrounding agent.
  • the objective function value calculation unit 11 analyzes the simulation execution result D3 to find the minimum distance from the controlled agent to at least one surrounding agent. When multiple surrounding agents exist, the objective function value calculation unit 11 finds the minimum distance to each surrounding agent.
  • the objective function value calculation unit 11 calculates an objective function value from the minimum of one or more distances to the surrounding agents, and outputs the calculated objective function value D4.
  • the objective function value D4 is the minimum distance to that surrounding agent.
  • the objective function value D4 may be multiple values, the number of which is equal to the number of surrounding agents, or it may be a single value that is the minimum of the minimum distance to the controlled agent.
  • the objective function value calculation unit 11 outputs the calculated objective function value D4 to the scenario parameter optimization unit 13.
  • the objective function value calculation unit 11 outputs the time when the data used to calculate the objective function value D4 was acquired, i.e., the time when the distance between the controlled agent and the surrounding agents is smallest, as the event occurrence time D5 to the responsibility determination time detection unit 121.
  • the responsibility determination unit 12 which includes a responsibility determination time detection unit 121 and a responsibility attribution determination unit 122, will be described with reference to Figures 4 and 5.
  • the responsibility determination time detection unit 121 analyzes the simulation execution result D3 output from the simulation execution device 20, and detects the behavior change time at which a behavior change occurred in each surrounding agent. If the surrounding agent is, for example, a car, examples of behavior changes include lane changing, acceleration, or deceleration.
  • the responsibility determination time detection unit 121 determines, for each surrounding agent, the latest behavior change time prior to the event occurrence time D5 among the behavior change times of each surrounding agent as a candidate responsibility determination time.
  • the responsibility determination time detection unit 121 analyzes the simulation execution result D3, detects the recognition start time at which the controlled agent started to recognize the surrounding agents before the event occurrence time D5 for each surrounding agent, calculates the later of the candidate responsibility determination time and the recognition start time as the responsibility determination time D6, and outputs the calculated responsibility determination time D6 to the responsibility attribution determination unit 122. For example, if a surrounding vehicle in front of the controlled vehicle in an adjacent lane changes lanes to cut in front of the controlled vehicle, the recognition start time at which the controlled vehicle begins to recognize that the surrounding vehicle is entering the same lane as the controlled vehicle may be later than the candidate responsibility determination time at which the surrounding vehicle starts to change lanes. In such an example, the responsibility determination time detection unit 121 calculates the later recognition start time as the responsibility determination time D6.
  • step ST24 the responsibility attribution determination unit 122 extracts data on the surrounding agent at the responsibility determination time D6 calculated by the responsibility determination time detection unit 121 from the simulation execution result D3 output from the simulation execution device 20.
  • step ST25 the responsibility attribution determination unit 122 determines whether the controlled agent is responsible in relation to each of the surrounding agents for the occurrence of a predetermined event, and outputs the determination result to the scenario parameter optimization unit 13 as a responsibility determination result D8.
  • FIG. 5 is a flow chart for explaining in detail the processing by the responsibility attribution determination unit 122 in step ST25.
  • step ST251 based on the data of the surrounding agents at the responsibility determination time D6, it is determined whether or not the controlled agent was able to avoid the occurrence of the predetermined event with a realistic control amount during the period from the responsibility determination time D6 to the event occurrence time D5.
  • the deceleration value or the turning angular velocity value or both required for collision avoidance are calculated according to the laws of motion, and if the calculated value exceeds a predetermined threshold D7, it is determined that the occurrence of the predetermined event cannot be avoided with a realistic control amount (NO in step ST251).
  • a value of about 0.75 G which is the braking force that an experienced driver can generate, or a value of about 0.85 G, which is the braking force when the collision damage mitigation brake device is activated, can be used as the threshold D7.
  • the calculated value is equal to or less than the predetermined threshold D7, it is determined that the occurrence of the predetermined event can be avoided with a realistic control amount (YES in step ST251).
  • step ST251 If the answer is YES in step ST251, the process proceeds to step ST252, where it is determined that the controlled agent is responsible.
  • step ST251 If the answer is NO in step ST251, the process proceeds to step ST253, where it is determined that the controlled agent is not responsible.
  • step ST254 a change in the behavior of the controlled agent is detected from the simulation execution result D3 output from the simulation execution device 20, and if the time of the detected behavior change is later than the responsibility determination time D6, the result of the determination is corrected so that the controlled agent is determined to be responsible. For example, if a surrounding vehicle ahead in an adjacent lane decelerates and then the controlled vehicle changes lanes into the adjacent lane, the controlled vehicle is deemed to be responsible.
  • step ST32 the scenario parameter optimization unit 13 updates the values of the scenario parameters by performing optimization.
  • Optimization methods include heuristic methods such as Hill Climbing, Simulated Annealing, and Genetic Algorithms.
  • step ST33 the scenario parameter optimization unit 13 outputs the updated scenario parameter values to the simulation execution device 20.
  • the scenario parameter optimization device 10 assumes a scenario in which multiple agents, including a controlled agent and surrounding agents, exist. Under the assumed scenario, the scenario parameter optimization device 10 optimizes the scenario parameters so that the controlled agent is responsible for the occurrence of a predetermined event during the simulation test of the control logic program, and so that the objective function value is smaller. Therefore, the scenario parameter optimization device 10 can effectively search for a scenario to be used as a test case in the simulation test.
  • the scenario parameter optimization device disclosed herein can be used as a device for effectively searching for scenarios to be used for testing control logic programs that control agents such as autonomous vehicles.
  • Control logic inspection system 10 Scenario parameter optimization device, 11 Objective function value calculation unit, 12 Responsibility determination unit, 13 Scenario parameter optimization unit, 20 Simulation execution device, 100a Processing circuit, 100b Processor, 100c Memory, 121 Responsibility determination time detection unit, 122 Responsibility attribution determination unit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

シナリオパラメータ最適化装置は、シナリオパラメータに基づいて実行される、第１のエージェントおよび第２のエージェントを含むシナリオのシミュレーション試験の実行結果に基づいて、予め定められたイベントの目的関数値と、予め定められたイベントが発生するイベント発生時刻とを算出する目的関数値算出部（１１）と、実行結果およびイベント発生時刻に基づいて、イベント発生時刻より前の責任判定時刻における状況から、予め定められたイベントの発生について第１のエージェントに責任があるか否かを判定し、判定の結果を責任判定結果として出力する責任判定部（１２）と、目的関数値および責任判定結果に基づき、目的関数値がより小さくなり、且つ予め定められたイベントの発生について第１のエージェントに責任があると判定されるように、シナリオパラメータを最適化するシナリオパラメータ最適化部（１３）と、を備える。

Description

シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム
　本開示は、シナリオパラメータ最適化技術に関する。
　自動車またはロボットのようなエージェントを自動走行させる技術が開発されている。エージェントを自動走行させるために、エージェントを制御するための制御ロジックを、実環境を模擬する種々のシナリオにおいて検査する必要がある。制御ロジックの検査手法として、サーチベースドテスティング（Search-Based　Testing）と呼ばれる手法がある。サーチベースドテスティングとは、メタヒューリスティックな最適化技術を用いて検査したいシナリオを探索する手法を意味する。このようなサーチベースドテスティングによる技術を開示する文献として、特許文献１がある。特許文献１は、最適化処理により、検査対象のプログラムのシミュレーション試験で用いられるシナリオのパラメータを設定する技術を開示する。
特開２０１８－１９０２３０号公報
　特許文献１の技術においては、複数のエージェントが存在するシナリオが想定されていないので、複数のエージェントが存在するシナリオで用いられるシナリオパラメータを最適化することが難しいという問題がある。
　本開示は、このような問題を解決するためになされたものであり、複数のエージェントが存在するシナリオで用いられるシナリオパラメータを最適化できるシナリオパラメータ最適化技術を提供することを目的とする。
　本開示の実施形態によるシナリオパラメータ最適化装置の一側面は、シナリオパラメータに基づいて実行される、第１のエージェントおよび第２のエージェントを含むシナリオのシミュレーション試験の実行結果を受け付けて、その実行結果に基づいて、予め定められたイベントを表現する目的関数から前記予め定められたイベントの目的関数値と、前記予め定められたイベントが発生するイベント発生時刻とを算出する目的関数値算出部と、前記実行結果およびその算出されたイベント発生時刻に基づいて、前記算出されたイベント発生時刻より前の時刻である責任判定時刻における状況から、前記予め定められたイベントの発生について前記第１のエージェントに責任があるか否かを判定し、判定の結果を責任判定結果として出力する責任判定部と、その算出された目的関数値およびその出力された責任判定結果に基づき、前記算出された目的関数値がより小さくなり、且つ前記予め定められたイベントの発生について前記第１のエージェントに責任があると判定されるように、前記シナリオパラメータを最適化するシナリオパラメータ最適化部と、を備える。
　本開示の実施形態によるシナリオパラメータ最適化部によれば、複数のエージェントが存在するシナリオで用いられるシナリオパラメータを最適化できる。
実施の形態１によるシナリオパラメータ最適化装置および制御ロジック検査システムの構成例を示す機能ブロック図である。 シナリオパラメータ最適化装置および制御ロジック検査システムのハードウェアの構成例を示す図である。 シナリオパラメータ最適化装置および制御ロジック検査システムのハードウェアの構成例を示す図である。 シナリオパラメータ最適化方法のフローチャートの一部を示す図である。より詳しくは、シナリオパラメータ最適化装置の目的関数値算出部による動作を示す。 シナリオパラメータ最適化方法のフローチャートの一部を示す図である。より詳しくは、シナリオパラメータ最適化装置の責任判定部による動作を示す。 シナリオパラメータ最適化方法のフローチャートの一部を示す図である。より詳しくは、シナリオパラメータ最適化装置の責任判定部による動作を示す。 シナリオパラメータ最適化方法のフローチャートの一部を示す図である。より詳しくは、シナリオパラメータ最適化装置のシナリオパラメータ最適化部による動作を示す。 図７Ａは、横方向距離が車幅以下の場合におけるシナリオパラメータ最適化装置の動作を説明する図である。図７Ｂは、横方向距離が車幅より大きい場合におけるシナリオパラメータ最適化装置の動作を説明する図である。
　以下、添付の図面を参照して、本開示における種々の実施形態について詳細に説明する。なお、図面において同一または類似の符号を付された構成要素は、同一または類似の構成または機能を有するものであり、そのような構成要素についての重複する説明は省略する。
　また、本開示において、「または」との用語は、特段の記載が無い限り、包括的論理和の意味で用いる。「または」との用語を排他的論理和の意味で用いる場合は、その旨明示する。
実施の形態１．
＜構成＞
　図１を参照して、本開示の実施の形態１によるシナリオパラメータ最適化装置および制御ロジック検査システムについて説明する。図１は、実施の形態１によるシナリオパラメータ最適化装置１０、およびシナリオパラメータ最適化装置１０を備える制御ロジック検査システム１の構成例を示す機能ブロック図である。図１に示されているように、制御ロジック検査システム１は、シナリオパラメータ最適化装置１０と、シミュレーション実行装置２０とを備える。シミュレーション実行装置２０は、シナリオを用いて制御ロジックプログラムの検査を行う装置である。シナリオパラメータ最適化装置１０は、シミュレーション実行装置２０が検査を行う際に用いるシナリオで用いられるシナリオパラメータを最適化する装置である。以下、各装置について説明をする。
（シミュレーション実行装置）
　シミュレーション実行装置２０は、シナリオ設定Ｄ１、シナリオ設定Ｄ１で用いられるシナリオパラメータの値、および制御ロジックプログラムＤ２を入力として受け付け、シナリオパラメータの値により具体的に設定されたシナリオの下において制御ロジックプログラムＤ２を動作させるシミュレーション試験を実行する装置である。シミュレーション実行装置２０は、不図示のシミュレーション試験のための演算プログラムおよびデータに従ってシミュレーション試験を実行する。不図示の演算プログラムおよびデータには、レーダまたはカメラ等のセンサモデルが含まれる。
　制御ロジックは、制御対象である制御対象エージェントの挙動を規定する。より具体的には、制御ロジックは、制御対象エージェントの外界に関する認知の結果に基づいて、制御対象エージェントの挙動を制御する。例えば、制御ロジックは、制御対象エージェントの進行方向に物体を認知した場合、この認知した物体と衝突しないように、制御対象エージェントの進行速度を落としまたは制御対象エージェントの進行方向を変更する。制御量は、例えば、１００ｍｓ毎に決められる。制御ロジックプログラムＤ２は、制御ロジックを実現するプログラムである。
　本開示において、制御ロジックによる制御対象のエージェントを制御対象エージェントと称し、制御対象エージェント以外のエージェントであって制御対象エージェントの周囲に存在するエージェントを周囲エージェントと称する。また、本開示において、制御対象エージェントおよび周囲エージェントは、より一般的に、第１のエージェントおよび第２のエージェントとそれぞれ称される場合がある。エージェントの例には、車両、ロボット、またはドローン等の任意の移動体が含まれる。
　シナリオとは、複数のシーン間の経時的展開を意味する。あるシーンはある時刻において定められる用語である。エージェントが車両の場合、シナリオには、道路状況および制御対象車両の目標位置が含まれる。エージェントが車両の場合におけるシナリオの例として、例えば、１）ある時刻においてあるレーンを制御対象車両が走行し、そのレーンに隣接するレーンにおいて制御対象車両の６０ｍ前方を周囲車両が走行しており、その時刻から所定の時刻までの期間内に周囲車両が制御対象車両の前方４０ｍの位置に車線変更するというシナリオ、または２）ある時刻においてあるレーンを制御対象車両が走行し、そのレーンに隣接するレーンにおいて制御対象車両の２０ｍ前方を周囲車両が走行しており、その時刻から所定の時刻までの期間内に制御対象車両が周囲車両の４０ｍ後方の位置に車線変更するというシナリオが考えられる。
　シナリオには少なくとも１つのシナリオパラメータに関する設定が与えられる。シナリオパラメータの例には、制御対象エージェントの初期速度、並びに周囲エージェントの初期位置、初期速度、目標速度、および加速度が含まれる。エージェントが車両の場合、シナリオパラメータとして、目標レーンが含まれていてもよい。シナリオパラメータ最適化装置１０には、シナリオパラメータＤ９の初期値が、例えばユーザ入力により与えられており、シナリオパラメータＤ９の初期値をシミュレーション実行装置２０に出力する。シミュレーション実行装置２０は、目的関数値Ｄ４および責任判定結果Ｄ８に基づきシナリオパラメータＤ９の値を最適化する。
　シミュレーション実行装置２０は、シナリオパラメータにより具体的に規定される模擬されたシナリオ設定Ｄ１の下において、制御ロジックプログラムＤ２による制御対象エージェントの動作についてシミュレーション試験を実行する。シミュレーション実行装置２０は、シミュレーション試験の実行結果であるシミュレーション実行結果Ｄ３を、シナリオパラメータ最適化装置１０へ出力する。シミュレーション実行結果Ｄ３には、制御対象エージェントおよび周囲エージェントの移動を記録した移動ログが含まれる。移動ログには、例えば、シミュレーション試験の期間中の各時刻における、各エージェントの位置、速度、および加速度の他、制御対象エージェントによる周囲エージェントの認識状況が含まれる。
（シナリオパラメータ最適化装置）
　シナリオパラメータ最適化装置１０は、シミュレーション実行結果Ｄ３を受け付け、シミュレーション実行結果Ｄ３を解析して、シナリオ設定Ｄ１で用いられるシナリオパラメータを最適化するための装置である。このような機能を実現するために、シナリオパラメータ最適化装置１０は、目的関数値算出部１１と、責任判定部１２と、シナリオパラメータ最適化部１３と、を備える。責任判定部１２は、責任判定時刻検出部１２１と責任帰属判定部１２２を備える。以下、各機能部について詳しく説明をする。
（目的関数値算出部）
　目的関数値算出部１１は、シミュレーション実行結果Ｄ３に基づいて、予め定められたイベントを表現する目的関数から予め定められたイベントの目的関数値Ｄ４を算出し、算出した目的関数値Ｄ４をシナリオパラメータ最適化部１３に出力する。予め定められたイベントとは、例えば、制御対象エージェントと周囲エージェントの間のエージェント間距離が時間経過により小さくなることによりエージェント間距離が最小となるというイベントである。また、エージェント間距離が最小となるというイベントが予め定められたイベントである場合、予め定められたイベントを表現する目的関数はエージェント間の距離を表す関数である。エージェント間距離の最小値がある閾値より小さければ、エージェント同士の衝突という問題が発生することを意味する。
　目的関数値Ｄ４の算出について、図７を参照して具体的に説明をする。図７Ａおよび図７Ｂにおいて、制御対象エージェントを制御対象車両Ｖ１、周囲エージェントを周囲車両Ｖ２とする。また、制御対象車両Ｖ１、周囲車両Ｖ２の重心を、それぞれ（ｘ１，ｙ１）、（ｘ２，ｙ２）とする。図７Ａの場合のように、制御対象車両Ｖ１と周囲車両Ｖ２の横方向ｙの距離｜ｙ２－ｙ１｜が車幅Ｗ以下の場合、目的関数値算出部１１は、車両の進行方向である縦方向ｘの距離｜ｘ２－ｘ１｜の最接近時の距離である最小値を目的関数値Ｄ４として算出する。車幅Ｗとして、例えば固定値の２０００ｍｍを用いてもよい。また、制御対象車両Ｖ１の車幅Ｗ１と周囲車両Ｖ２の車幅Ｗ２とが異なる場合には、車幅Ｗ１と車幅Ｗ２の平均値を車幅Ｗとして用いてもよい。
　これに対し、図７Ｂの場合のように、横方向ｙの距離｜ｙ２－ｙ１｜が車幅Ｗよりも大きい場合には、制御対象車両Ｖ１と周囲車両Ｖ２は衝突しないので、目的関数値算出部１１は、制御対象車両Ｖ１と周囲車両Ｖ２の最接近時の車間距離を算出せず、最適化結果に影響を与えない程度に大きい値（例えば１００００ｍ）を車間距離と見なす。
　また、目的関数値算出部１１は、目的関数値Ｄ４の算出に用いたデータが取得された時刻をイベント発生時刻Ｄ５として責任判定時刻検出部１２１に出力する。すなわち、イベント発生時刻Ｄ５は、予め定められたイベントの発生時刻である。
（責任判定部）
　責任判定部１２は、予め定められたイベントの発生について、制御対象エージェントに責任があるかを判定する機能部である。より詳しくは、シミュレーション実行結果Ｄ３およびイベント発生時刻Ｄ５に基づいて、イベント発生時刻Ｄ５より前の時刻である責任判定時刻Ｄ６における状況から、予め定められたイベントの発生について制御対象エージェントに責任があるか否かを判定し、判定の結果を責任判定結果Ｄ８として出力する。このような機能を実現するために、責任判定部１２は、責任判定時刻検出部１２１と責任帰属判定部１２２を備える。
（責任判定時刻検出部）
　責任判定時刻検出部１２１は、シミュレーション実行結果Ｄ３に基づき、イベント発生時刻Ｄ５より前に起こった、予め定められたイベントの発生に繋がる周囲エージェントの挙動が生じた時刻を責任判定時刻候補として検出し、検出した責任判定時刻候補に基づき責任判定時刻Ｄ６を決定し、決定した責任判定時刻Ｄ６を責任帰属判定部１２２に出力する。
　ここで、予め定められたイベントの発生に繋がる周囲エージェントの挙動の例について説明をする。例について説明をするために、エージェントとして車両を想定し、制御対象車両と周囲車両の２台の車両が道路を走行するシナリオを想定する。また、予め定められたイベントとして、制御対象車両と周囲車両の間の車間距離が時間経過により最小値となるイベントを想定する。このような想定の下では、周囲エージェントのそのような挙動の例として、進路変更（車線変更）、加速、または減速を挙げることができる。
　進路変更に係る例は、より具体的には、制御対象車両があるレーンを走行中に、隣のレーンを走行している周囲車両が制御対象車両の前方に割り込んで車線を変更する場合である。車線変更の前後に、周囲車両が減速するシナリオを想定してもよい。
　進路変更に係る別の例は、制御対象車両が第１のレーンから第１のレーンに隣接する第２のレーンに車線変更を開始した後に、第２のレーンに隣接する第３のレーンを走行中の周囲車両が第２のレーンに車線変更する場合である。車線変更の前後に、周囲車両が減速するシナリオを想定してもよい。
　加速の例は、あるレーンを走行中の制御対象車両が、そのレーンに隣接するレーンに車線変更を開始した後に、その隣接レーンを走行中の後方の周囲車両が加速する場合である。
　減速の例は、制御対象車両と同じレーンを走行中の前方の周囲車両が急減速する場合である。
　これらの例における周囲車両の挙動は、制御対象車両と周囲車両の車間距離が短くなる。責任判定時刻検出部１２１は、このような周囲エージェントの挙動が生じた時刻を責任判定時刻候補として検出する。車線変更後に減速する場合のように、周囲エージェントが複数の挙動を行う場合は、責任判定時刻検出部１２１は、周囲エージェントの挙動変化が起こる時刻のうち、イベント発生時刻Ｄ５より前で最も遅い時刻を責任判定時刻候補として算出する。責任判定時刻検出部１２１は、この責任判定時刻候補に基づいて責任判定時刻Ｄ６を決定して、決定した責任判定時刻Ｄ６を責任帰属判定部１２２に出力する。責任判定時刻候補に基づいた責任判定時刻Ｄ６の決定については後述する。
（責任帰属判定部）
　責任帰属判定部１２２は、シミュレーション実行結果Ｄ３における責任判定時刻Ｄ６の状況に基づき、制御対象エージェントに予め定められたイベントの発生について責任があるか否かを判定し、その判定結果を責任判定結果Ｄ８としてシナリオパラメータ最適化部１３に出力する。状況とは、制御対象エージェントおよび周囲エージェントの物理量を意味する。物理量の例には、位置、速度、または加速度が含まれる。判定の仕方については後述する。
（シナリオパラメータ最適化部）
　シナリオパラメータ最適化部１３は、目的関数値Ｄ４および責任判定結果Ｄ８に基づき、制御対象エージェントに予め定められたイベントの発生の責任があり、且つ目的関数値Ｄ４が小さくなるように、シナリオパラメータＤ９を最適化する。最適化の手法としては、Hill　Climbing、Simulated　AnnealingおよびGenetic　Algorithmsなどのヒューリスティックな手法がある。
　次に、図２Ａおよび図２Ｂを参照して、シナリオパラメータ最適化装置１０およびシミュレーション実行装置２０のハードウェアの構成例について説明する。各装置の機能は、処理回路（processing　circuitry）により実現される。処理回路（processing　circuitry）は、図２Ａに示されているような専用の処理回路（processing　circuit）１００ａであっても、図２Ｂに示されているようなメモリ１００ｃとプロセッサ１００ｂを備えるコンピュータであってもよい。プロセッサ１００ｂは、メモリ１００ｃに格納されるプログラムを読み出して、読み出したプログラムを実行する。
　処理回路（processing　circuitry）が専用の処理回路１００ａである場合、専用の処理回路１００ａは、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（application　specific　integrated　circuit）、ＦＰＧＡ（field-programmable　gate　array）、またはこれらを組み合わせたものが該当する。各装置の機能を別個の複数の処理回路（processing　circuits）で実現してもよいし、複数の機能をまとめて単一の処理回路（processing　circuit）で実現してもよい。
　処理回路（processing　circuitry）がプロセッサ１００ｂの場合、各装置の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアおよびファームウェアはプログラムとして記述され、メモリ１００ｃに格納される。プロセッサ１００ｂは、メモリに記憶されたプログラムを読み出して実行することにより、各装置の機能を実現する。ここで、メモリ１００ｃの例には、ＲＡＭ（random　access　memory）、ＲＯＭ（read-only　memory）、フラッシュメモリ、ＥＰＲＯＭ（erasable　programmable　read　only　memory）、ＥＥＰＲＯＭ（electrically　erasable　programmable　read-only　memory）等の、不揮発性または揮発性の半導体メモリや、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤが含まれる。
＜動作＞
　次に、図３～図６を参照して、シナリオパラメータ最適化装置１０の動作について説明をする。図３は、シナリオパラメータ最適化装置１０の目的関数値算出部１１による動作を示す。図４および図５は、シナリオパラメータ最適化装置１０の責任判定部１２による動作を示す。図６は、シナリオパラメータ最適化装置１０のシナリオパラメータ最適化部１３による動作を示す。以下、各図を参照しつつ、詳細に説明をする。
　図３を参照して、目的関数値算出部１１による動作について説明をする。ステップＳＴ１１において、目的関数値算出部１１は、シミュレーション実行装置２０から出力されるシミュレーション実行結果Ｄ３を解析する。シミュレーション実行結果Ｄ３には、制御対象エージェントと、少なくとも１つの周囲エージェントの位置情報が記録された走行ログまたは飛行ログなどの移動ログが含まれる。複数の周囲エージェントが存在する場合には、シミュレーション実行結果Ｄ３には、各周囲エージェントの移動ログが含まれる。目的関数値算出部１１は、シミュレーション実行結果Ｄ３を解析して、制御対象エージェントから少なくとも１つの周囲エージェントまでの距離の最小値を求める。複数の周囲エージェントが存在する場合には、各周囲エージェントまでの距離の最小値を求める。
　ステップＳＴ１２において、目的関数値算出部１１は、求めた周囲エージェントまでの１または２以上の距離の最小値から目的関数値を計算して、計算した目的関数値Ｄ４を出力する。単一の周囲エージェントだけが存在する場合、目的関数値Ｄ４は、その周囲エージェントまでの距離の最小値である。また、複数の周囲エージェントが存在する場合、目的関数値Ｄ４は、周囲エージェントの数だけ存在する多値であってもよいし、制御対象エージェントとの距離の最小値が最小となる値のみの単値であってもよい。目的関数値算出部１１は、計算した目的関数値Ｄ４をシナリオパラメータ最適化部１３に出力する。
　ステップＳＴ１３において、目的関数値算出部１１は、目的関数値Ｄ４の算出に用いたデータが取得された時刻、すなわち、制御対象エージェントと周囲エージェントの間の距離が最小となる時刻をイベント発生時刻Ｄ５として責任判定時刻検出部１２１に出力する。
　図４および図５を参照して、責任判定時刻検出部１２１および責任帰属判定部１２２を備える責任判定部１２による動作について説明をする。ステップＳＴ２１において、責任判定時刻検出部１２１は、シミュレーション実行装置２０から出力されたシミュレーション実行結果Ｄ３を解析し、各周囲エージェントの挙動変化が起きた挙動変化時刻を検出する。挙動変化とは、周囲エージェントが例えば自動車であれば、車線変更、加速、または減速などが挙げられる。
　ステップＳＴ２２において、責任判定時刻検出部１２１は、各周囲エージェントに対して、各周囲エージェントの挙動変化時刻のうち、イベント発生時刻Ｄ５より前で最も遅い挙動変化時刻を責任判定時刻候補として決定する。
　ステップＳＴ２３において、責任判定時刻検出部１２１は、シミュレーション実行結果Ｄ３を解析して、各周囲エージェントに対して、イベント発生時刻Ｄ５より前で周囲エージェントの認識を制御対象エージェントが開始した認識開始時刻を検出し、責任判定時刻候補および認識開始時刻のうち遅い方を責任判定時刻Ｄ６として算出して、算出した責任判定時刻Ｄ６を責任帰属判定部１２２に出力する。例えば、隣接車線の前方に存在する周囲車両が制御対象車両の前方に車線変更して割り込む場合、その周囲車両が車線変更を開始する責任判定時刻候補よりも、その周囲車両が制御対象車両と同じ車線に進入することを制御対象車両が認識し始める認識開始時刻の方が遅い場合がある。このような例の場合、責任判定時刻検出部１２１は、遅い方の認識開始時刻を責任判定時刻Ｄ６として算出する。
　ステップＳＴ２４において、責任帰属判定部１２２は、シミュレーション実行装置２０から出力されたシミュレーション実行結果Ｄ３から、責任判定時刻検出部１２１により算出された責任判定時刻Ｄ６における当該周囲エージェントのデータを抽出する。
　ステップＳＴ２５において、責任帰属判定部１２２は、予め定められたイベントが発生したことについて、各周囲エージェントとの関係における制御対象エージェントの責任の有無を判定し、判定結果を責任判定結果Ｄ８としてシナリオパラメータ最適化部１３に出力する。
　図５は、ステップＳＴ２５における責任帰属判定部１２２による処理を詳細に説明するフローチャートである。ステップＳＴ２５１において、周囲エージェントの責任判定時刻Ｄ６におけるデータに基づき、責任判定時刻Ｄ６以降でイベント発生時刻Ｄ５までの期間において制御対象エージェントが現実的な制御量で予め定められたイベントの発生を回避可能であったか否かを判定する。例えば、衝突回避に必要な減速度の値または旋回角速度の値の一方または両方を運動法則に従って算出し、算出した値が所定の閾値Ｄ７を超える場合には現実的な制御量で予め定められたイベントの発生の回避は不可能であると判定する（ステップＳＴ２５１でＮＯ）。減速の場合、閾値Ｄ７として、例えば、熟練ドライバーが発生させることが可能な制動力である０．７５Ｇ程度の値、または衝突被害軽減ブレーキ装置の発動時の制動力である０．８５Ｇ程度の値を用いることができる。他方、算出した値が所定の閾値Ｄ７以下の場合には現実的な制御量で予め定められたイベントの発生の回避は可能であると判定する（ステップＳＴ２５１でＹＥＳ）。
　ステップＳＴ２５１でＹＥＳの場合、処理はステップＳＴ２５２に進み、ステップＳＴ２５２において制御対象エージェントに責任ありと判定する。
　ステップＳＴ２５１でＮＯの場合、処理はステップＳＴ２５３に進み、ステップＳＴ２５３において制御対象エージェントに責任なしと判定する。
　ステップＳＴ２５４において、シミュレーション実行装置２０から出力されたシミュレーション実行結果Ｄ３から制御対象エージェントの挙動変化を検出し、検出した挙動変化の時刻が責任判定時刻Ｄ６より遅い場合には、制御対象エージェントに責任ありと判定するように判定の結果を補正する。例えば、隣接車線前方に存在する周囲車両が減速した後、制御対象車両がその隣接車線に車線変更した場合には、制御対象車両に責任ありと見なす。
　図６を参照して、シナリオパラメータ最適化部１３による動作について説明をする。ステップＳＴ３１において、シナリオパラメータ最適化部１３は、目的関数値算出部１１から出力された目的関数値Ｄ４を、責任帰属判定部１２２から出力された責任判定結果Ｄ８に基づき補正する。例えば、周囲エージェントとして、例えば周囲車両ａ、ｂ、ｃが存在するシナリオにおいて、ある周囲エージェント、例えば周囲車両ｂに対して制御対象エージェントに予め定められたイベントの発生責任がないと判定された場合、その周囲車両ｂに対応する目的関数値ｆｂにペナルティ値を加算することで、以降の最適化において同様のシナリオパラメータの値を発生しにくくする。
　ステップＳＴ３２において、シナリオパラメータ最適化部１３は、最適化実行によりシナリオパラメータの値を更新する。最適化の手法としては、Hill　Climbing、Simulated　AnnealingおよびGenetic　Algorithmsなどのヒューリスティックな手法がある。
　ステップＳＴ３３において、シナリオパラメータ最適化部１３は、更新されたシナリオパラメータの値をシミュレーション実行装置２０に出力する。
　以上のように、シナリオパラメータ最適化装置１０は、制御対象エージェントおよび周囲エージェントを含む複数のエージェントが存在するシナリオを想定する。想定したシナリオの下、シナリオパラメータ最適化装置１０は、制御ロジックプログラムのシミュレーション試験の期間中において予め定められたイベントが発生したことの責任が制御対象エージェントにあり、且つ目的関数値がより小さくなるようにシナリオパラメータを最適化する。したがって、シナリオパラメータ最適化装置１０は、シミュレーション試験におけるテストケースとして用いたいシナリオを効果的に探索することができる。
　なお、実施形態を組み合わせたり、各実施形態を適宜、変形、省略したりすることが可能である。
　本開示のシナリオパラメータ最適化装置は、自動走行車両等のエージェントを制御する制御ロジックプログラムの検査を行うために用いるシナリオを効果的に探索するための装置として用いることができる。
　１　制御ロジック検査システム、１０　シナリオパラメータ最適化装置、１１　目的関数値算出部、１２　責任判定部、１３　シナリオパラメータ最適化部、２０　シミュレーション実行装置、１００ａ　処理回路、１００ｂ　プロセッサ、１００ｃ　メモリ、１２１　責任判定時刻検出部、１２２　責任帰属判定部。

Claims (10)

  1. 　シナリオパラメータに基づいて実行される、第１のエージェントおよび第２のエージェントを含むシナリオのシミュレーション試験の実行結果を受け付けて、その実行結果に基づいて、予め定められたイベントを表現する目的関数から前記予め定められたイベントの目的関数値と、前記予め定められたイベントが発生するイベント発生時刻とを算出する目的関数値算出部と、
    　前記実行結果およびその算出されたイベント発生時刻に基づいて、前記算出されたイベント発生時刻より前の時刻である責任判定時刻における状況から、前記予め定められたイベントの発生について前記第１のエージェントに責任があるか否かを判定し、判定の結果を責任判定結果として出力する責任判定部と、
    　その算出された目的関数値およびその出力された責任判定結果に基づき、前記算出された目的関数値がより小さくなり、且つ前記予め定められたイベントの発生について前記第１のエージェントに責任があると判定されるように、前記シナリオパラメータを最適化するシナリオパラメータ最適化部と、
    を備えるシナリオパラメータ最適化装置。
  2. 　前記責任判定部は、前記実行結果および前記算出されたイベント発生時刻に基づいて、前記責任判定時刻を検出する責任判定時刻検出部を備える、
    請求項１に記載されたシナリオパラメータ最適化装置。
  3. 　前記責任判定時刻検出部は、前記第２のエージェントの挙動変化が起こる時刻のうち、前記イベント発生時刻より前で最も遅い時刻を責任判定時刻候補として算出し、その算出した責任判定時刻候補を前記責任判定時刻として検出する、
    請求項２に記載されたシナリオパラメータ最適化装置。
  4. 　前記第２のエージェントの挙動変化は、進路変更、加速または減速のいずれかである、
    請求項３に記載されたシナリオパラメータ最適化装置。
  5. 　前記責任判定時刻検出部は、前記責任判定時刻候補よりも前記第１のエージェントが前記第２のエージェントを認識し始める認識開始時刻が遅い場合、前記責任判定時刻候補に代えて前記認識開始時刻を前記責任判定時刻として検出する、
    請求項３または４に記載されたシナリオパラメータ最適化装置。
  6. 　前記責任判定部は、前記責任判定時刻における状況から、前記予め定められたイベントの発生について前記第１のエージェントに責任があるか否かを判定する責任帰属判定部を備え、
    　前記責任帰属判定部は、前記責任判定時刻において、前記予め定められたイベントの発生を回避するために必要な前記第１のエージェントの減速度または旋回角速度に基づき、前記第１のエージェントに責任があるか否かを判定する、
    請求項１から５のいずれか１項に記載されたシナリオパラメータ最適化装置。
  7. 　前記責任帰属判定部は、前記責任判定時刻以降において前記第１のエージェントの挙動変化が起こる場合、前記第１のエージェントに責任があると判定する、
    請求項６に記載されたシナリオパラメータ最適化装置。
  8. 　請求項１から７のいずれか１項に記載されたシナリオパラメータ最適化装置と、
    　その最適化されたシナリオパラメータにより規定されるシナリオと、前記第１のエージェントの挙動を制御する制御ロジックプログラムとを用いて、前記第１のエージェントのシミュレーション試験を行うシミュレーション実行装置と、
    を備える制御ロジック検査システム。
  9. 　目的関数値算出部、責任判定部、およびシナリオパラメータ最適化部を備えるシナリオパラメータ最適化装置が行うシナリオパラメータ最適化方法であって、
    　前記目的関数値算出部が、シナリオパラメータに基づいて実行される、第１のエージェントおよび第２のエージェントを含むシナリオのシミュレーション試験の実行結果を受け付けて、その実行結果に基づいて、予め定められたイベントを表現する目的関数から前記予め定められたイベントの目的関数値と、前記予め定められたイベントが発生するイベント発生時刻とを算出するステップと、
    　前記責任判定部が、前記実行結果およびその算出されたイベント発生時刻に基づいて、前記算出されたイベント発生時刻より前の時刻である責任判定時刻における状況から、前記予め定められたイベントの発生について前記第１のエージェントに責任があるか否かを判定し、判定の結果を責任判定結果として出力するステップと、
    　前記シナリオパラメータ最適化部が、その算出された目的関数値およびその出力された責任判定結果に基づき、前記算出された目的関数値がより小さくなり、且つ前記予め定められたイベントの発生について前記第１のエージェントに責任があると判定されるように、前記シナリオパラメータを最適化するステップと、
    を備えるシナリオパラメータ最適化方法。
  10. 　シナリオパラメータに基づいて実行される、第１のエージェントおよび第２のエージェントを含むシナリオのシミュレーション試験の実行結果を受け付けて、その実行結果に基づいて、予め定められたイベントを表現する目的関数から前記予め定められたイベントの目的関数値と、前記予め定められたイベントが発生するイベント発生時刻とを算出する機能と、
    　前記実行結果およびその算出されたイベント発生時刻に基づいて、前記算出されたイベント発生時刻より前の時刻である責任判定時刻における状況から、前記予め定められたイベントの発生について前記第１のエージェントに責任があるか否かを判定し、判定の結果を責任判定結果として出力する機能と、
    　その算出された目的関数値およびその出力された責任判定結果に基づき、前記算出された目的関数値がより小さくなり、且つ前記予め定められたイベントの発生について前記第１のエージェントに責任があると判定されるように、前記シナリオパラメータを最適化する機能と、
    をコンピュータに実行させるシナリオパラメータ最適化プログラム。
PCT/JP2023/012068 2023-03-27 2023-03-27 シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム Ceased WO2024201627A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2023/012068 WO2024201627A1 (ja) 2023-03-27 2023-03-27 シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム
JP2024572277A JP7630757B1 (ja) 2023-03-27 2023-03-27 シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム
US19/283,501 US20250355413A1 (en) 2023-03-27 2025-07-29 Scenario parameter optimization device, scenario parameter optimization method, storage medium having stored therein a scenario parameter optimization program, and control logic inspection system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/012068 WO2024201627A1 (ja) 2023-03-27 2023-03-27 シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/283,501 Continuation US20250355413A1 (en) 2023-03-27 2025-07-29 Scenario parameter optimization device, scenario parameter optimization method, storage medium having stored therein a scenario parameter optimization program, and control logic inspection system

Publications (1)

Publication Number Publication Date
WO2024201627A1 true WO2024201627A1 (ja) 2024-10-03

Family

ID=92904203

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/012068 Ceased WO2024201627A1 (ja) 2023-03-27 2023-03-27 シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム

Country Status (3)

Country Link
US (1) US20250355413A1 (ja)
JP (1) JP7630757B1 (ja)
WO (1) WO2024201627A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197868A (ja) * 2014-04-02 2015-11-09 トヨタ自動車株式会社 コンピュータ・プログラムの検査装置
JP2018190230A (ja) * 2017-05-09 2018-11-29 トヨタ自動車株式会社 コンピュータ・プログラムの検査装置
US20200409816A1 (en) * 2019-06-28 2020-12-31 Robert Bosch Gmbh Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components
CN115131751A (zh) * 2021-03-10 2022-09-30 罗伯特·博世有限公司 标识运行场景的极端情况

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197868A (ja) * 2014-04-02 2015-11-09 トヨタ自動車株式会社 コンピュータ・プログラムの検査装置
JP2018190230A (ja) * 2017-05-09 2018-11-29 トヨタ自動車株式会社 コンピュータ・プログラムの検査装置
US20200409816A1 (en) * 2019-06-28 2020-12-31 Robert Bosch Gmbh Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components
CN115131751A (zh) * 2021-03-10 2022-09-30 罗伯特·博世有限公司 标识运行场景的极端情况

Also Published As

Publication number Publication date
US20250355413A1 (en) 2025-11-20
JPWO2024201627A1 (ja) 2024-10-03
JP7630757B1 (ja) 2025-02-17

Similar Documents

Publication Publication Date Title
JP6913969B2 (ja) 強化学習に基づいて協同走行で多重エージェントセンサフュージョンを遂行する方法及び装置
KR102166811B1 (ko) 심층강화학습과 운전자보조시스템을 이용한 자율주행차량의 제어 방법 및 장치
US12559132B2 (en) Method and system for conditional operation of an autonomous agent
CN114906164B (zh) 用于自主驾驶的轨迹验证
JP6808775B2 (ja) 複数のキューを利用したオブジェクト追跡
JP2015051761A (ja) アクティブ車両制御のための運転支援技術
US12017679B2 (en) Adaptive trust calibration
CN113752998A (zh) 基于驾驶员状态的自定义车辆操作
KR102310491B1 (ko) 자율주행 자동차의 충돌 회피 경로 생성 방법 및 장치
CN118119541A (zh) 用于控制车辆和避开障碍物的方法
EP4245629B1 (en) Method and computer system for controlling the movement of a host vehicle
US20230038337A1 (en) Method and device for evaluating an image classifier
US20230234576A1 (en) Method and system for algorithm performance evaluation of autonomous driving
JP7258077B2 (ja) 他車両行動予測装置
EP3725609B1 (en) Calibrating method for vehicle anti-collision parameters, vehicle controller and storage medium
JP7630757B1 (ja) シナリオパラメータ最適化装置、シナリオパラメータ最適化方法、シナリオパラメータ最適化プログラム、および制御ロジック検査システム
CN117333843A (zh) 碰撞预测方法、装置、存储介质及计算机设备
US20250376165A1 (en) Autonomous driving control apparatus and method thereof
JP2021096720A (ja) 車両の走行環境推定方法、及び、走行環境推定システム
JP2022537870A (ja) 自動化された原動機付き車両についての行動オプションを選択する走行システム及び方法
CN114787892B (zh) 控制系统以及控制方法
CN115071695A (zh) 一种车辆自动紧急制动控制方法及控制系统
JP7347252B2 (ja) 車両行動評価装置、車両行動評価方法、および車両行動評価プログラム
EP4491483B1 (en) Automated driving system
CN113544611A (zh) 用于运行自动化车辆的方法和设备

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: 23930267

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024572277

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23930267

Country of ref document: EP

Kind code of ref document: A1