JP6567832B2 - レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム - Google Patents

Description

本開示は、１台または複数台の先行車両の個数および方位をレーダによって推定する技術に関する。

従来、車載レーダシステムには、ＦＭＣＷ（Ｆｒｅｑｕｅｎｃｙ Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ）レーダ、多周波ＣＷ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ）レーダ、およびパルスレーダの方式を利用した電子走査型のレーダが用いられている。このようなレーダシステムにおいては、一般に、変調された連続波、またはパルス波を「送信波」として送信アンテナから放射し、先行車両で反射されて受信アンテナに戻ってきた到来波を「受信波」として受け取る。そして、受信波によるアンテナ信号（受信信号）に基づいて、先行車両の位置および速度が推定される。先行車両の位置は、レーダシステムが搭載された車両を基準として、先行車両までの距離および先行車両の方向によって規定される。なお、本明細書では、レーダシステムが搭載された車両を「自車両」と称し、自車両よりも前を走行する車両を「先行車両」と称する。「先行車両」は、自車両が走行する車線と同じ車線、またはその車線に隣接する同一方向の車線を走行しているとする。

車載レーダシステムにおいて、先行車両の「方向」は、道路を含む面（近似的には「平面」）内における方位（ａｚｉｍｕｔｈ）によって規定され得る。このため、本明細書では、レーダによって探知される物体に関して、「方向（ｄｉｒｅｃｔｉｏｎ）」と「方位（ａｚｉｍｕｔｈ）」とを同意義の用語として使用する場合がある。

先行車両の方向は、到来波の到来方向（ＤＯＡ: Ｄｉｒｅｃｔｉｏｎ Ｏｆ Ａｒｒｉｖａｌ）」の角度で表すことができる。レーダ技術の分野において、先行車両のように送信波を反射する物体は、「物標（ターゲット）」と呼ばれることがある。物標は、「反射波」の波源として機能する。物標は、受信アンテナに到来する波、すなわち受信波、の信号源である。

車載用のレーダシステムでは、小型で低価格のアンテナを用いることが求められている。例えば４個または５個のアンテナ素子を構成要素とする「アレーアンテナ」が受信用アンテナとして用いられている。アレーアンテナには、アンテナ素子の配列形態に応じて、リニアアレイ型、プレーナアレイ型、サーキュラーアレイ型、およびコンフォーマルアレイ型がある。

このようなアレーアンテナの各アンテナ素子から得られる受信信号に基づけば、信号処理技術により、送信波を反射する物体の方位（到来方向）を推定することが可能になる。しかし、送信波を反射する物体の個数が複数であるとき、個々の物体で生じた反射波は異なる角度で受信アンテナに入射する。このため、受信アンテナからは、複数の到来波が重畳された複雑な信号が得られる。また、車載レーダシステムでは、受信アンテナに対する物体の配置関係および距離が動的に変化する。したがって、受信アンテナの受信信号に基づいて１または複数台の先行車両の各方位を正確に推定するためには、コンピュータを用いて膨大な演算を高速に実行することが必要になる。

到来方向を推定するため、アレーアンテナの受信信号を処理する各種のアルゴリズムが提案されている。公知の到来方向推定アルゴリズムには、以下の方法が含まれる（特許文献１及び２参照）。
（１）デジタルビームフォーマ（ＤＢＦ: Ｄｉｇｉｔａｌ Ｂｅａｍ Ｆｏｒｍｅｒ）法
（２）Ｃａｐｏｎ法
（３）線形予測法
（４）最小ノルム法
（５）ＭＵＳＩＣ（ＭＵｌｔｉｐｌｅ ＳＩｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）法
（６）ＥＳＰＲＩＴ（Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｓｉｇｎａｌ Ｐａｒａｍｅｔｅｒｓ ｖｉａ Ｒｏｔａｔｉｏｎａｌ Ｉｎｖａｒｉａｎｃｅ Ｔｅｃｈｎｉｑｕｅｓ）法

一般に、方向推定の角度分解能が高いほど、信号処理に要する演算の量が増大する。上記の到来方向推定方法（１）〜（６）においては、方法（１）から方法（６）までの順序で角度分解能が高くなり、演算量が増加する。角度分解能が特に高いＭＵＳＩＣ法およびＥＳＰＲＩＴ法は、「超分解能アルゴリズム」とも呼ばれ、アレーアンテナの受信信号に対して演算量が多い処理を高速に行うことを必要とする。具体的には、超分解能アルゴリズムによると、各アレーアンテナの受信信号のデータから自己相関行列を作成する。そして、この自己相関行列の固有値展開（ｅｉｇｅｎｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ）により、受信波の到来方向が推定される。行列の固有値展開とは、行列を、固有値を対角成分に持つ対角行列に分解することであり、「固有値分解」とも呼ばれる。自己相関行列の固有値展開を行うとき、自己相関行列の固有値および固有ベクトルが求められる（例えば特許文献３）。

到来方向の推定精度は、自己相関行列のノイズ成分が除去されるほど向上する。エルゴード性からアンサンブル平均は時間平均に等しいとすることができるため、受信データの時間平均を用いて自己相関行列が作成される。例えば、ＦＭＣＷレーダでは、ビート信号のデータセット（周波数領域のデータに変換できる、一定時間区間の時系列データ）のサンプル数、すなわちスナップショット数、をできる限り多くし、平均化した自己相関行列を使用することが好ましい。したがって、先行車両の位置が常に変化し得る状況で到来方向推定の精度を高めるには、高速なサンプリングを行う必要があり、サンプリングされたデータのメモリ容量も増大する。

車載レーダシステムには、上記のアレーアンテナを用いる方式（アレーアンテナ方式）とは別に、独立した複数の電磁波ビームを形成する方式（「独立マルチビームアンテナ方式」と称する。）がある。

上記のアレーアンテナが備える複数のアンテナ素子は、それぞれ、典型的には同一の指向性を有する。また、各アンテナ素子から得られる受信信号は相互に相関を有している。上述した各種の到来方向推定アルゴリズムは、アレー状に並んだ複数のアンテナ素子がそれぞれ生成する複数の受信信号の間に相関のあることを利用している。

一方、独立マルチビームアンテナ方式では、複数の焦点を持つレンズまたは反射鏡によって複数の電磁波ビーム(以下、単に「電磁波」または「ビーム」と称する。)を、同時、または、それと実効的に等価な短い時間間隔で形成するマルチビームアンテナが使用され得る。ある特定の方位からマルチビームアンテナに入射した電磁波は、レンズまたは反射鏡の働きにより、複数の焦点のうちの対応する１つの焦点に集束される。電磁波がどの焦点に集束されるかは、マルチビームアンテナに入射する電磁波の方向に依存して決まる。複数の焦点の位置には、それぞれ、複数のアンテナ素子が配置されている。これらのアンテナ素子は「ビーム素子」とも呼ばれる。

仮に、レンズおび反射鏡が存在しなければ、平面波に近似される電磁波が複数のアンテナ素子の全てに入射し、複数のアンテナ素子はそれぞれ受信信号を生成する。こうして生成される受信信号の間にはアンテナ素子の配置および電磁波の入射角度に依存して決まる位相差が存在する。

しかしながら、レンズまたは反射鏡によって電磁波が集束されると、集束後の電磁波は、複数のアンテナ素子の一部、典型的には１つに入射する。どのアンテナ素子に入射するかは、電磁波の入射角度(ビームの方向)に依存する。

このような独立マルチビームアンテナ方式では、複数のアンテナ素子が配列されている領域の広さに相当する「アンテナ開口面積」の全体を用いて各ビームを形成することができる。このため、アレーアンテナ方式と比べると、高い利得が得られる。また、独立マルチビームアンテナ方式では、送信波そのものがビーム状に絞られて高い指向性を有するため、マルチパスの影響を抑制する効果を期待することができる。

特開２００９−１５６５８２号公報 特開２００６−２７５８４０号公報 特開２００６−０４７２８２号公報 特開２００５−２９５２０１号公報

山田寛喜、「高分解能到来波推定法の基礎と実際」、電子情報通信学会 アンテナ・伝播研究専門委員会、２００６年１０月

アレーアンテナ方式と比べると、独立マルチビームアンテナ方式では、各アンテナ素子から同時にまたはそれと実効的に等価な短い時間間隔で得られる入力信号の間で位相情報の連続性が少ない。言い換えると、受信信号間に相関が低い。よって、従来の独立マルチビームアンテナ方式では、振幅モノパルス方式または重心計算レベル応答方式のような限られた到来波推定法のみが適用されていた。

本開示の実施形態は、独立マルチビームアンテナ方式には適用できないと考えられていた到来方向推定アルゴリズムを適用し、物標の方位をより高い分解能で推定するレーダシステム技術を提供することができる。

本開示の例示的なレーダシステムは、１個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナと、学習済みのニューラルネットワークが構築された信号処理回路とを備え、前記信号処理回路は、前記受信信号を受け取り、前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、前記ニューラルネットワークから、前記到来波の個数を示す信号を出力するように構成されている。

本開示の例示的なレーダシステムによれば、独立マルチビームアンテナ方式を採用し、受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークに入力して、到来波の個数を示す信号を得ることができる。ニューラルネットワークの演算に必要な演算処理量は、ＭＵＳＩＣなどの超分解能アルゴリズムに必要な演算処理と比較すると、相対的に非常に少ない。またニューラルネットワークの学習を予め十分行っておくことで、到来波の個数の判定精度を高めることができる。

ある態様では、上述の到来波の個数は、先行車両の配置を示す情報として取得される。

図１は、本開示による車両の識別処理の手順を示すフローチャートである。 図２は、一般的な階層型ニューラルネットワークの構造モデルを示す図である。 図３は、例示的なガウス型核関数の波形の概要を示す図である。 図４（ａ）〜（ｄ）は、自車両５が第１車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₁とを示す図である。 図５（ａ）〜（ｄ）は、自車両５が第２車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₂とを示す図である。 図６（ａ）〜（ｅ）は、自車両５が３車線のうちの中央の車線を走行している際の先行車両（５−１）、（５−２）および／または（５−３）の走行状況と、教師信号Ｔ₃とを示す図である。 図７は、学習処理の手順を示すフローチャートである。 図８は、先行車両の識別処理の手順を示すフローチャートである。 図９は、本開示による車両走行制御装置１の基本構成の一例を示すブロック図である。 図１０は、送受信回路２０の詳細なハードウェア構成を示す図である。 図１１は、本開示の例示的な実施形態に係る独立マルチビームの指向性の一例を示すグラフの図である。 図１２は、三角波生成回路２１が生成した信号に基づいて変調された送信信号の周波数変化を示す図である。 図１３は、「上り」の期間におけるビート周波数ｆｕ、および「下り」の期間におけるビート周波数ｆｄを示す図である。 図１４は、信号処理回路３０の詳細なハードウェア構成を示す図である。 図１５は、到来波推定ユニットＡＵの方位検出回路３７による最尤推定に基づく方位検出処理の詳細な手順を示すフローチャートである。 図１６は、信号処理回路３０の変形例による信号処理回路３０ａの詳細なハードウェア構成を示す図である。 図１７は、車両走行制御装置１（図９）の変形例にかかる車両走行制御装置２の構成を示す図である。 図１８は、車両走行制御装置１（図９）のさらなる変形例にかかる車両走行制御装置３の構成を示す図である。 図１９は、レーダシステム１００（図９）と、車載カメラシステム５００とを備える車両走行制御装置４の構成を示す図である。 図２０は、車両走行制御装置１（図１９）の処理手順を示すフローチャートである。 異なる２つの方法によって波数の情報をそれぞれ取得し、それらが一致する場合に方位（角度）を算出する処理の手順を示すフローチャートである。

＜用語説明＞
「独立マルチビームアンテナ」は、一般に、方向が相互に異なる独立した複数のビームを送信し、受信することが可能なアンテナである。

独立マルチビームアンテナの典型例は、複数の焦点を有するレンズまたは反射鏡と、複数の焦点の位置にそれぞれ置かれた複数のアンテナ素子（複数のビーム素子）とを備える。この例の独立マルチビームアンテナは、相互に異なる方向に複数のビームを同時に放射したり、「同時」に準ずる「充分に短い時間」内において、順次、異なる方向に１個または複数のビームを放射したりすることができる。

ここで、「同時」に準ずる「充分に短い時間」とは、時間に依存して変化し得る「アンテナに対する物標の相対位置」の変化が無視できる程度に短い時間を意味する。「同時」に準ずる「充分に短い時間」は、独立マルチビームアンテナが搭載されるレーダシステムの分解能（距離分解能および／または方位分解能）に応じて定めることができる。物標の移動量が、レーダの距離分解能および／または方位分解能以下に収まるとき、その移動に要する時間は「充分に短い時間」である。

たとえば、７６ＧＨｚ帯を利用するレーダシステムでは、２５ミリ秒以下を「充分に短い時間」とすることができる。その根拠は以下のとおりである。７６ＧＨｚレーダシステムの距離分解能は、およそ０．７ｍである。いま、自車と物標（他の自動車）との間で想定される最大の相対速度を１００ｋｍ／ｈ（約２７．８ｍ／ｓ）とする。すると、距離分解能に相当する移動時間は、約２５ミリ秒である。同様に、レーダシステムの方位分解能を１度とする。距離一定で前方４０ｍを１００ｋｍ／ｈで横切る自動車が１度分移動するのに要する時間も、やはり２５ミリ秒である。よって、７６ＧＨｚ帯を利用するレーダシステムでは、２５ミリ秒以下を、「充分に短い時間」とし得る。

独立マルチビームアンテナの第２の例は、１個または複数のアンテナ素子と、少なくとも１個のアンテナ素子の位置および／または指向方向を機械的に切り替える機構とを備える。この例の独立マルチビームアンテナは、同時に準ずる充分に短い時間内において、ビームの指向方向を機械的に切り替えることにより、相互に方向が異なる複数のビームを順次形成することができる。

独立マルチビームアンテナの第３の例は、複数の部分アレーアンテナを備える。部分アレーアンテナごとにビームの放射方向を変えることにより、異なる方向に複数のビームを同時に放射したり、同時に準ずる充分に短い時間内において、順次、異なる方向に１個または複数のビームを放射したりすることができる。各部分アレーアンテナはアレー状に配置された数個のアンテナ素子を有しており、これら数個のアンテナ素子を利用してある特定方向へのビームを放射する。各アンテナ素子は、いずれか１つの部分アレーアンテナの構成要素であってもよいし、２つまたはそれ以上の部分アレーアンテナの構成要素であってもよい。各「部分アレーアンテナ」は、上述の「ビーム素子」に対応する。

独立マルチビームアンテナの第４の例は、複数のアンテナ素子と、各アンテナ素子に対応して設けられたデジタル移相器とを有する。各デジタル移相器によって給電位相を制御することにより、任意の指向性を有するビームを形成することが可能である。各デジタル移相器は、予め定められた移相制御電圧に対応した移相量だけ、送信する電磁波の位相を変化させるよう構成されている。

この例による独立マルチビームアンテナは、デジタル移相器によって給電位相を離散的（段階的）に制御する。これにより、ある角度範囲でビームの放射角度および受信角度を、その段階に応じた角度（最小ステップ角）ごとに順次変化させる。これにより、その角度範囲を電磁波で走査することが可能である。デジタル移相器は、例えばＧａＡｓＭＭＩＣ（Monolithic Microwave Integrated Circuit）であるマイクロ波シグナルプロセッサを用いて実現し得る。

上述のとおり、独立マルチビームアンテナは、方向が相互に異なる独立した複数のビームを放射する機能を有し得る。以下の説明においても、「独立マルチビームアンテナ」は受信および送信の機能を有するとして説明する。

独立マルチビームアンテナを用いてビームの送信および受信の両方を行うと、トンネル内など多数回反射（マルチパス）が起きやすい環境下では有用である。その理由は、ビーム間の独立性がより高く、ビームの送信および受信を特定の方向に限定できるからである。

ただし、本願発明にかかる例示的な実施の形態では、少なくとも、方向が相互に異なる独立した複数のビームを受信する機能を備えていればよく、複数のビームを放射する機能は必須ではない。たとえば、指向性の低い電磁波、換言すれば広角指向性を有するビームを放射するアンテナを別途設け、そのアンテナからビームを放射させ、独立マルチビームアンテナにおいてそのビームの反射波を含む複数のビームを受信させてもよい。その場合には、独立マルチビームアンテナはビームを受信する機能のみを有していればよく、ビームの受信に関して指向性を有することになる。

ビーム送信用のアンテナと、独立マルチビームアンテナとを別個に設け、環境に応じてビームの送信を行うアンテナを切り替えてもよい。たとえば、マルチパスが起きやすいトンネル等においては独立マルチビームアンテナを用いてビームを送受信させる。一方、マルチパスが起きにくい、トンネル等以外の環境ではビーム送信用のアンテナを用いてビームを送信させる。

独立マルチビームアンテナの場合、複数のビーム素子の各々における受信信号は、原則としてビームの方向に応じて異なる。より具体的には、ある方位角から到来するビームの受信信号は、所定以上異なる方位角から到来する他のビームの受信信号から独立しており、これらの受信信号の間に実質的な相関はない。ここでいう「相関はない」とは、複数のビームのサイドローブの感度まで含めて相関がないことを意味する。

一方、たとえば隣接する２つのビーム素子において、ある方位角から到来するビームの受信信号同士には相関は存在し得る。サイドローブの感度まで含めると、隣接する２つのビーム素子は、同時にその受信信号を検出し得るからである。

本願において「独立マルチビームアンテナ」を用いる方式は、一般的には「マルチビームアンテナ方式」と呼ばれることがあるが、以下では「独立マルチビームアンテナ」と表記することとする。

「車両」は、走行のための駆動力を発するエンジンおよび／または電気モータを備え、道路上を走行する乗り物（Ｖｅｈｉｃｌｅ）である。車両は、４輪自動車、３輪自動車、および鞍乗り型モータサイクルを含む。車両の走行の一部または全部が自動制御によって実行されても良いし、無人で走行するように構成されていても良い。

「受信信号」は、各アンテナ素子からの出力信号（アナログ・デジタル両方を含む）である。

「二次信号」は、受信信号を処理して得られる信号を意味する。二次信号の例は、ビート信号、相関係数の非対角成分を含む信号、および、解析信号（ａｎａｌｙｔｈｉｃ
ｓｉｇｎａｌ）を含む。ここで「解析信号」とは、受信信号(実数成分)と、受信信号の直交信号(虚数成分)との和で表される複素信号である。受信信号の直交信号は、例えばヒルベルト変換によって受信信号から生成され得る。

「学習データ」は、ニューラルネットワークの各ノードへの各入力に適用される重みの値である。

「到来波」は、物標（波源または信号源）からアンテナに到来する電磁波である。アンテナが自車両の前面に搭載されているとき、到来波の波源として機能する物標の典型例は先行車両である。アンテナが自車両の後面に搭載されているときは、物標の典型例は後続車両である。

＜本願発明者の知見＞
自動車の衝突防止システムや自動運転などの安全技術には、特に自車両から同じ距離だけ離れた位置を並んで走行する（併走する）複数の車両（物標）の識別が不可欠である。本明細書で「同じ距離」とは、完全に同一の距離のみならず、レーダシステムの距離に関する分解能以下の差を有する場合も含む。そのような場合、車両の識別には、到来波の方向を推定することが不可欠であると考えられてきた。

到来波の方向推定技術を車載用レーダシステムに適用する場合には、より高速なレスポンスを実現することが好ましい。その理由は、道路では、自車両の位置および速度、ならびに先行車両の位置および速度が刻々変化するため、それらを正確かつ高速に認識することが必要とされるからである。また、車両の衝突防止、衝突被害軽減、レーンキーピングアシストを行うため、画像センサおよび他のレーダを用いて周囲の情報を取得し、種々の信号処理を行うことが必要になりつつある。このような各種の信号処理を行うことを目的として、際限なく処理能力の高いプロセッサを搭載することはできない。また、高性能のプロセッサを採用しても、十分と言える程度の高速なレスポンスを得ることは必ずしもできない。このため、到来方向推定アルゴリズムにおける演算量を削減することが種々検討されている。

車載レーダシステムに広く利用されている従来のアレーアンテナ方式では、アンテナ素子の間隔およびアレーウエイトの変更によるアンテナ特性の調整が容易であり、利用可能な到来方向推定法の選択肢も多い。しかしながら、車載用アレーアンテナとして一般に想定されるアンテナ開口面積では、小さな利得しか得られない。また、アレーアンテナ方式は必要な視野角に相当する指向性を有するため、マルチパスの影響を受けやすく、物標のゴーストを引き起こし得る。

一方、独立マルチビームアンテナ方式では、利得が大きく、マルチパスの影響も受けにくい。しかしながら、独立マルチビームアンテナ方式では、従来のアレーアンテナ方式と比べて、アンテナの出力信号間に相関が低い。よって、自己相関行列を利用する高分解能アルゴリズムを利用することは行われず、振幅モノパルス方式などの、分解能が相対的に低い到来方向推定アルゴリズムが用いられていた。

このような問題を解決するため、特許文献４は、独立したマルチビームの受信信号を空間的にフーリエ変換することにより、仮想のアレーアンテナの信号を生成することを開示している。仮想のアレーアンテナ信号に対して、ＭＵＳＩＣ法を適用すれば、アレーアンテナ方式に使用される到来方向推定が可能になる。しかし、仮想アレーアンテナ信号の生成には膨大な計算量が必要である。

本開示のレーダシステムのある実施形態は、独立マルチビームアンテナ方式のレーダシステムにおいて、より小さい計算負荷で到来波の到来方向推定を可能にする。

＜本開示にかかる原理の説明＞
以下、実施の形態の説明に先立って、本願発明者らによって得られた知見の基本原理を説明する。

本願発明者らは、独立マルチビームアンテナ方式で得た各アンテナ素子の信号に空間平均処理を行っても、十分に意味のある信号を抽出することは困難である、という知見を得た。その理由は、各アンテナ素子の位相応答が一致しないためであると推測される。換言すれば、従来の独立マルチビームアンテナ方式では、ほぼ同時に受信したビーム内のコヒーレント性の高い到来波を分離識別することが困難であったからであると推測される。

本願発明者らが検討を進めた結果、独立マルチビームアンテナ方式を利用してコヒーレント性の高い到来波を受信した場合であっても、たとえばＳＡＧＥ法のような最尤推定法を用いれば、それらの到来方位を推定できることが分かった。

最尤推定法を適用するためには、その計算原理上、到来波の個数の情報が予め必要である。到来波の個数を求めるために、従来のアレーアンテナ方式であれば、受信信号に基づく自己相関行列の固有値展開を行えばよかった。独立マルチビームアンテナ方式に関しては、その到来波の個数の情報を得るための、さらに他の適用可能な新たな到来方位の推定方法が必要とされていた。

本願発明者らは、最尤推定法の適用に必要となる到来波の個数の推定を、ニューラルネットワークを用いて行うことに想到した。各アンテナ素子に到来する受信信号のパターンと到来波の方向との組み合わせを学習するため、到来波間の相関の有無は問題にはならない。そして、予め学習を済ませたニューラルネットワークを用いた演算の演算量は、たとえば自己相関行列の固有値展開の演算量よりもはるかに少ないため、演算負荷は非常に小さい。または、演算量は比較的多くなるものの、ニューラルネットワークと自己相関行列の固有値展開演算とを組み合わせて波数の推定精度を高めることも可能である。

本明細書では、マルチビームレーダによって得られた受信信号と予め学習させたニューラルネットワークとを利用して到来波の個数を示す信号を生成し、推定した到来波数を最尤推定法に適用することとした。これにより、仮想アレーアンテナ信号を生成する必要のない、高分解の到来方向推定アルゴリズムが利用可能になる。

学習処理が一度行われると、その後、識別処理を行うことが可能となる。本開示の車載用のレーダシステムでは、典型的には、学習処理はレーダシステムの実装前に行われ、識別処理は、車両に搭載されたプロセッサに代表される信号処理回路によってドライバによる運転時に行われ得る。

ニューラルネットワークを利用する利点の一つは、高分解能アルゴリズムを用いて到来波の到来方向を推定し、それによって先行車両の数および配置を検出する処理と比較すると、識別処理に要する計算資源を大幅に低減できることにある。以下では、まず図１を参照しながらニューラルネットワークを用いた先行車両の識別処理を説明し、その後、識別処理に関する各ステップの説明とともに、学習処理の内容を説明する。

図１は、本開示による車両の識別処理の手順を示す。図１の各処理は、信号処理回路が実行する。

まず、ステップＳ１において、信号処理回路は、Ｍ個のアンテナ素子（Ｍ：３以上の整数。以下同じ。）の独立マルチビームアンテナＭＡが取得した受信信号に前処理を行い、入力ベクトルｂを生成する。入力ベクトルｂの内容は後述する。

ステップＳ２において、信号処理回路は、入力ベクトルｂを学習済みのニューラルネットワークに入力する。

ステップＳ３において、信号処理回路は、ニューラルネットワークの出力Ｙから、車線ごとの車両の有無を判断する。車両の有無は、到来波を生み出す波源の数、つまり波数Ｚの有無として捉えることができる。信号処理回路は、ニューラルネットワークの出力Ｙを利用して波数Ｚを検出し、出力する。

ステップＳ４において、信号処理回路は、波数Ｚの情報を用いて最尤推定法を適用し、到来波の到来方向を推定する。

以下、ステップＳ１〜Ｓ４の各々を説明する。

ステップＳ１において、信号処理回路は、Ｍ個のアンテナ素子の独立マルチビームアンテナＭＡが取得した各受信信号と、対応する各送信信号とを利用して、ビート信号を生成する。このビート信号は、入力ベクトルｂとして次のステップＳ２におけるニューラルネットワークに入力される。

独立マルチビームアンテナＭＡが受信した信号は、Ｍ個の要素を持つ「ベクトル」として、数１のように表現できる。
（数１）
Ｓ＝［ｓ₁，ｓ₂，…，ｓ_M］^T
ここで、ｓ_m（ｍ：１〜Ｍの整数；以下同じ。）は、ｍ番目のアンテナ素子が受信した信号の値である。上つきのＴは転置を意味する。Ｓは列ベクトルである。

上述の受信信号は、下記数２の送信信号Ｙに由来する反射波であるとする。
（数２）
Ｙ＝［ｙ₁，ｙ₂，…，ｙ_M］^T
ｙ_m（ｍ：１〜Ｍの整数；以下同じ。）は、受信信号ｓ_mに対応する送信信号である。ただし、受信信号は、ノイズ成分を含み得る。

信号処理回路は、少なくとも上述の受信信号Ｓに基づいてベクトルｂ₀を生成する。たとえば、ベクトルｂ₀は数１に示す受信信号そのものであってもよい。この場合には、下記数３が成り立つ。
（数３）
ｂ₀＝S

または、ベクトルｂ₀は、上述の受信信号Ｓおよび送信信号Ｙに基づいて得られるビート信号であってもよい。ビート信号を用いる例の詳細は、後に図１０〜図１３を参照しながら説明する。

信号処理回路は、上記ベクトルｂ０を単位ベクトル化（規格化）し、ニューラルネットワークへ入力されるベクトルｂとして求める。

右辺の分母（||ｂ₀||）は、ベクトルｂ０のノルムを表す。

数４のような規格化を行う理由は、ニューラルネットワークへの入力が過大になることを防ぐためである。ただし、規格化は必須ではない。上述のベクトルｂ₀および／またはｂは、本明細書において、受信信号から生成した二次信号、と記述することもある。

次に、図１のステップＳ２において用いられるニューラルネットワークを詳細に説明する。

図２は、一般的な階層型ニューラルネットワークの構造モデルを示す。本明細書では、階層型ニューラルネットワークの一例であるＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ：放射基底関数）ニューラルネットワークを用いて説明するが、他の階層型ニューラルネットワーク、または非階層型のニューラルネットワークを利用してもよい。

図２に示されるように、ＲＢＦニューラルネットワークは、入力信号ｘ_i（ｉ：１〜Ｉの整数）を受け付けるノード１〜Ｉの入力層ｘ_iと、ノード１〜Ｊの中間層φ_j（ｊ：１〜Ｊの整数）と、ノード１〜Ｋの出力層ｙ_k（ｋ：１〜Ｋの整数）とを有する。

ＲＢＦネットワークの出力ｙ_k（ｘ）は数５のように表される。

数５において、Ｊは中間層のニューロン数、ｗ_kjは中間層のｊ番目のニューロンと出力層ｋ番目のニューロン間の重み、ｃ_jは中間層のｊ番目のニューロンの中心ベクトル、ｘは入力ベクトルである。また、φ_jは数６に示すガウス型核関数である。

数６において、σ_jは、中間層のｊ番目のニューロンの中心ベクトルの幅を示すパラメータである。

図３は、数６に示すガウス型核関数の波形の概要を示す。横軸は入力、縦軸は出力である。図３から理解されるように、中間層の各ニューロンは、入力ベクトルがＲＢＦの中心ベクトルに近い場合にのみ大きな反応を示す。すなわち、各中間層は特定の入力に対してのみ反応する。

ＲＢＦニューラルネットワークは、入力層ｘ_iに与えられるパターンと、出力層ｙ_kから出力されるパターン（教師信号）との関係を学習させることができる。

本願発明者らは、レーダシステムを用いて、自車両の前方を走行する１台または複数台の先行車両の数および配置を認識する際に、ＲＢＦニューラルネットワークを利用する態様を想定した。

ＲＢＦニューラルネットワークを学習させる際に、ＲＢＦニューラルネットワークの入力層ｘ_iに与えられるパターンは、受信信号から得られた数４に記載のベクトルｂである。一方、教師信号として、そのベクトルｂが得られた時の１台または複数台の先行車両の数および配置を特定する信号（ベクトル表記）が与えられる。その対応付けの学習を繰り返すことにより、あるパターンが入力層ｘ_iに与えられたときに出力される信号は、学習結果を反映した、１台または複数台の先行車両の数および配置を精度よく特定する信号となる。

以下、ＲＢＦニューラルネットワークの学習方法を具体的に説明する。

本願発明者らは、本開示によるレーダシステムを搭載した自車両の走行状況を以下のように想定した。
（Ａ）自車両が、同一方向の隣接する２車線（第１および第２車線）のうちの第１車線を走行している。
（Ｂ）自車両が、同一方向の隣接する２車線（第１および第２車線）のうちの第２車線を走行している。
（Ｃ）自車両が、同一方向の連続する３車線（第１〜第３車線）のうち、第２車線（中央車線）を走行している。

図４（ａ）〜（ｄ）は、自車両５が第１車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₁とを示す。図４は、上記（Ａ）に対応する。なお、本明細書では、図面の上方向から下方向に向かって、第１車線、第２車線と呼ぶ。

図５（ａ）〜（ｄ）は、自車両５が第２車線を走行している際の先行車両（５−１）および／または（５−２）の走行状況と、教師信号Ｔ₂とを示す。図５は、上記（Ｂ）に対応する。

図６（ａ）〜（ｅ）は、自車両５が３車線のうちの中央の車線を走行している際の先行車両（５−１）、（５−２）および／または（５−３）の走行状況と、教師信号Ｔ₃とを示す。図６は上記（Ｃ）に対応する。

本明細書では、図４および図５の各（ｄ）に関しては、レーダシステムを利用して先行車両を検出するパターンからは便宜的に除外する。以下では、図４および図５の各（ａ）〜（ｃ）の３つのパターンを説明する。

また、図６（ａ）〜（ｅ）に関しては、全ての走行状況を網羅していないことに留意されたい。実際には全部で８パターンの走行状況が存在する。具体的には、図６（ｅ）の第３車線を走行する１つの物標が、第２車線を走行しているパターン、および第１車線を走行しているパターン、物標が存在しないパターンが省略されている。図６に関しても、先行車両が存在しないパターンは、レーダシステムを利用して物標を検出するパターンからは便宜的に除外する。

上記（Ｃ）および図６に関連して、自車両が、同一方向の連続する３車線の第１車線および第３車線を走行している場合を想定しなくてもよい理由は、レーダシステムは車線変更時の隣接車線の他車を認識できればよい、という動作条件を考慮したからである。自車両が第１車線から第２車線へ移ろうとするとき、第１車線および第２車線の車両を識別できればよい。その場合には上記（Ａ）または（Ｂ）の状況であるとみなすことが可能である。自車両が第３車線から第１車線へ移ろうとするときも全く同様である。

図７は、学習処理の手順を示すフローチャートである。学習処理により、３種類のニューラルネットワークを構築する。具体的には、同一方向の２車線のうちの第１車線に自車両が存在するとき（図４）のニューラルネットワーク、同一方向の２車線のうちの第２車線に自車両が存在するとき（図５）のニューラルネットワーク、および同一方向の３車線のうちの第２車線に自車両が存在するとき（図６）のニューラルネットワークである。

学習処理は、図４の例では、（ａ）〜（ｃ）に示す３パターンから１つのニューラルネットワークを構築する。図５の例では、（ａ）〜（ｃ）に示す３パターンから１つのニューラルネットワークを構築する。図６の例では、（ａ）〜（ｅ）を含む７パターンから１つのニューラルネットワークを構築する。さらに、学習処理は、各パターンについて条件を変えながら少なくとも約８０回行われる。条件とは自車両と先行車両との車間距離である。具体的には、学習処理は、車間距離を２０ｍから１００ｍまで１ｍごとに設定して都度電波を放射し、受信した反射波から得られたアレー受信信号を用いて、車間距離ごとの入力ベクトルｂ（数４）を生成する。この入力ベクトルｂと、図４、図５および図６に示すパターン毎の教師信号とを精度よく対応付けるような重みが、求めるべき学習結果である。

以下、図７を説明する。図７に示される処理は、図４〜６のそれぞれの状況下で行われる。なお、図７の各処理は、信号処理回路によって実行される。この信号処理回路は、例えば車載用のレーダシステムを製造するメーカが所有する機器に実装されたＣＰＵである。

ステップＳ１０において、信号処理回路は、ＲＢＦニューラルネットワークに重みの初期値を設定する。

ステップＳ１１において、信号処理回路は、学習の対象となるパターンを設定する。

ステップＳ１２において、信号処理回路は、パターンに応じた教師信号を設定する。

ステップＳ１３において、信号処理回路は、車間距離を設定する。初期値は２０ｍである。

ステップＳ１４において、各受信素子において受信信号を検出する。

ステップＳ１５において、信号処理回路は、得られた各受信信号を用いて列ベクトルｂ０（たとえば数３）を生成する。

ステップＳ１６において、信号処理回路は、列ベクトルｂ０を規格化して列ベクトルｂ（数４）を求める。

ステップＳ１７において、信号処理回路は、数５および数６を利用した演算（順方向演算）を行う。

ステップＳ１８において、信号処理回路は、求められた結果と目標である教師信号との平均二重誤差を求め、平均二重誤差が最も小さくなるよう、重みを修正する演算（逆方向演算）を行う。修正された重みは以後の学習に利用される。

ステップＳ１９において、信号処理回路は、全ての車間距離において学習が終了したかどうかを判定する。終了していると判定したとき、処理はステップＳ２０に進み、終了していないと判定したとき、処理はステップＳ１３に戻る。ステップＳ１３に戻った際に、１ｍ離れた車間距離が設定される。

ステップＳ２０において、信号処理回路は、全てのパターンにおいて学習が終了したかどうかを判定する。終了していると判定したとき、処理はステップＳ２１に進み、終了していないと判定したとき、処理はステップＳ１１に戻る。ステップＳ１１に戻った際に、他のパターンが設定される。

ステップＳ２１において、信号処理回路は、得られた重みを学習の結果（学習データ）として抽出する。

以上で、学習処理は終了する。

上述のステップＳ１４〜Ｓ１６は、予め行われていてもよい。車間距離を変えながら受信信号を連続的に取得してその情報を保存しておき、上述の列ベクトルの生成を別途行っておくことは可能である。

上述の説明では、２車線の例である図４および図５と、３車線の例である図６とを分けて説明したが、これは一例である。３車線のパターンに代えて、２車線のパターンを組み合わせてもよい。例えば図６（ａ）のパターンは、図４（ａ）および図５（ａ）の２つのパターンの組み合わせで実現され得る。図６（ｂ）のパターンは、図４（ａ）および図５（ｃ）の２つのパターンの組み合わせで実現され得る。また、図６（ｃ）のパターンは、図４（ｃ）および図５（ｂ）の２つのパターンの組み合わせで実現され得る。図６（ｄ）のパターンは、図４（ｂ）および図５（ａ）の２つのパターンの組み合わせで実現され得る。図６（ｅ）のパターンは、図４（ｃ）および図５（ｄ）のパターンとの組み合わせで実現され得る。なお、図４（ｄ）および図５（ｄ）のパターンの認識は、たとえば後述のようなカメラを用いた画像認識処理によって実現され得る。

図６に示されていない他のパターンも、２車線のパターンを組み合わせて特定することができる。このような変形例を採用すれば、学習処理は図４および図５に示す、２車線を対象とすればよくなる。

図８は、先行車両の識別処理の手順を示すフローチャートである。この処理は、図７に示す学習処理が行われた後、得られた学習データを用いて実行される。なお図８の各処理もまた、信号処理回路によって実行される。ただし、この信号処理回路は図７の処理を実行した信号処理回路と同じである必要はない。図８の各処理を実行する信号処理回路は、例えば車両に搭載されたレーダシステムの電子制御ユニット（ＥＣＵ：Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）に含まれ得る。

図８には、図７と同じ処理であるステップＳ１４〜Ｓ１７が含まれている。これらについては同じステップ番号を付し、その説明は省略することがある。

ステップＳ３０において、信号処理回路は、ＲＢＦニューラルネットワークに、学習処理によって得られた重み（学習データ）を設定する。

ステップＳ３１において、信号処理回路は、自車両が走行している同一方向の道路の車線総数と、自車両の現在の車線位置とを設定する。本明細書では、車線総数は２または３であるとしている。また、自車両の現在の車線位置は、同一方向に２車線が存在する場合には第１車線または第２車線であり、同一方向に３車線が存在する場合には、第１車線、第２車線または第３車線である。３車線の例では、自社の車両が第１車線または第３車線に位置する場合には車線総数が２の例とみなして取り扱えばよい。

続いて、ステップＳ１４において、信号処理回路は、受信信号を検出する。このとき、自車両と先行車両との車間距離は特定されている必要はないが、学習が行われた２０ｍから１００ｍの範囲内であることが好ましい。その後、ステップＳ１５〜Ｓ１７が順次行われる。

ステップＳ３２において、信号処理回路は、ステップＳ１７において行われた演算結果Ｔを出力する。演算結果Ｔの出力例は以下のとおりである。
（ａ）Ｔ＝［１ ０］^T
（ｂ）Ｔ＝［０ １］^T
（ｃ）Ｔ＝［１ １］^T

左辺の演算結果Ｔは、車線毎の前方車両の有無を示している。２車線においては、列ベクトルの１行目は第１車線の先行車両の有無を示し、列ベクトルの２行目は第２車線の先行車両の有無を示す。例えば上記（ｂ）の出力結果Ｔは、第１車線には先行車両が存在しないが、第２車線には先行車両が存在することを示している。

上述の図７および図８のステップＳ１４では、受信信号からベクトルｂ₀を求めている。上述したように、ビート信号をベクトルｂ₀として用いてもよい。

上述の先行車両の配置を示すベクトルＴは、反射波の波源とみなすことができる。そして、反射波の波源の数、すなわち波数Ｚは、上述のベクトルＴの成分の和の値として得ることができる。具体的には、上記（ａ）、（ｂ）、（ｃ）の例では、波数Ｚは、それぞれ１、１、２である。

以上、本開示にかかる波数を求める原理を説明した。

この波数Ｚの情報を最尤推定の演算に利用することにより、仮想アレーアンテナ信号を生成することなく、高分解の到来方向推定アルゴリズムを用いて到来方向を推定することが可能になる。

物標ごとに到来方向を推定する場合、物標までの距離によっては非常に高い推定精度が要求され得る。例えば、１００ｍ程度前方で複数台の車両が併走する状況下では、各車両で反射された反射波（自車両への到来波）の方向を識別するためには、約１度またはそれ未満の角度分解能が必要である（各先行車両の波源の位置の間隔は２ｍとした）。このような角度分解能を従来技術によって実現するには、膨大な演算を伴う高分解能到来方向推定アルゴルリズムを実行することが必要になる。

しかし、本願発明者らによる、ニューラルネットワークを用いた先行車両の台数判別技術によれば、上記状況下に対応する学習を予めさせておくことにより、簡単な演算で、何台の先行車両が存在しているのか、および各先行車両がどの車線を走行しているのかを、直接求めることが可能になる。

上述の説明では実数型ニューラルネットワーク（ＲＢＦニューラルネットワーク）を挙げて説明したが、複素ニューラルネットワークを利用してもよい。複素ニューラルネットワークは、実数型ニューラルネットワークの入出力信号や重みを複素数に拡張したニューラルネットワークとして知られている。そのため、中間層ノードの出力を決める活性化関数も複素関数になる。

複素ニューラルネットワークを利用する場合には、各アンテナ素子の受信信号Ｉ_m（ｔ）から、その実信号に複素平面上で直交する直交信号Ｑ_m（ｔ）が求められる。そして、Ｉ_m（ｔ）＋ｊＱ_m（ｔ）をそれぞれ複素ニューラルネットワークへの入力として用いる。上述の受信信号Ｉ_m（ｔ）は先のｓ_mに対応する。直交信号Ｑ（ｔ）は、たとえば、各アンテナ素子の受信信号をヒルベルト変換することによって得られる。なお、受信信号Ｉ_m（ｔ）のヒルベルト変換を行う際には周知のヒルベルト変換器を用いればよい。複素ニューラルネットワークの学習、および学習後の認識処理は、重みや活性化関数が相違する以外は、後述する図７および図８の処理と同様に信号処理回路によって行われ得る。複素ニューラルネットワークにおいて用いられる活性化関数の具体例は省略する。

＜実施形態＞
以下、適宜図面を参照しながら、本開示による実施の形態を詳細に説明する。ただし、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。本願発明者らは、当業者が本開示を十分に理解するために添付図面および以下の説明を提供する。これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。

まず、図９を参照する。図９は、本開示による車両走行制御装置１の基本構成の一例を示すブロック図である。図９に示される車両走行制御装置１は、車両に実装されたレーダシステム１００と、レーダシステム１００に接続された走行支援電子制御装置６０とを備えている。レーダシステム１００は、各々が１個または複数個の到来波に応答して受信信号を出力する複数のアンテナ素子を有する独立マルチビームアンテナＭＡと、物体検知装置４００とを有している。物体検知装置４００は、送受信回路２０と、レーダ信号処理装置３００とを有している。

独立マルチビームアンテナＭＡは、例えば、誘電体レンズまたは反射鏡と、複数のアンテナ素子とを含み得る。図９に示される例において、独立マルチビームアンテナＭＡは、複数の焦点を有する誘電体レンズ１ａと、複数の焦点の位置にそれぞれ配置された複数のアンテナ素子（ビーム素子）１ｂとを備えている。複数の焦点は、焦点面上に離散的に位置している。この例において、各ビーム素子から放射された電磁波は、誘電体レンズ１ａの働きにより、ビーム状に指向性を持ち、相互に異なる方向に空間を伝播する。これらのビームの一部は物標で反射され、到来波として独立マルチビームアンテナＭＡに戻ってくる。誘電体レンズ１ａに入射した到来波は、誘電体レンズ１ａの働きにより、誘電体レンズ１ａの焦点面上に集束される。焦点面上のどの位置に集束するかは、独立マルチビームアンテナＭＡに対する入射角度に依存する。なお、本実施形態では、独立マルチビームアンテナＭＡは誘電体レンズ１ａを備えるとしたが、誘電体レンズ以外のレンズであってもよい。

車載用のレーダシステム１００のうち、独立マルチビームアンテナＭＡおよび送受信回路２０は車両に取り付けられる必要があるが、レーダ信号処理装置３００の少なくとも一部の機能は、車両走行制御装置１の外部（例えば自車両の外）に設けられたコンピュータ８２およびデータベース８４によって実現されてもよい。その場合、レーダ信号処理装置３００のうちで車両内に位置する部分は、車両が備える通信デバイス８０、および一般の通信ネットワークを介して、車両の外部に設けられたコンピュータ８２およびデータベース８４に、信号またはデータの双方向通信が行えるように、常時または随時に接続され得る。

データベース８４は、ニューラルネットワークのための学習データおよび各種の信号処理アルゴリズムを規定するプログラムを格納していても良い。レーダシステム１００の動作に必要なデータおよびプログラムの内容は、通信デバイス８０を介して外部から更新され得る。このように、レーダシステム１００の少なくとも一部の機能は、クラウドコンピューティングの技術により、自車両の外部（他の車両の内部を含む）において実現し得る。したがって、本開示における「車載」のレーダシステムは、構成要素のすべてが車両に搭載されていることを必要としない。ただし、本願では、簡単のため、特に断らない限り、本開示の構成要素のすべてが１台の車両（自車両）に搭載されている形態を説明する。

レーダ信号処理装置３００は、学習済みのニューラルネットワークＮＮが構築された信号処理回路３０を有している。ニューラルネットワークＮＮの構成および動作は、前述した通りである。この信号処理回路３０は、送受信回路２０から受信信号を受け取り、受信信号、または受信信号から生成した二次信号（たとえばビート信号）をニューラルネットワークＮＮへ入力する。受信信号から二次信号を生成する回路（不図示）の一部または全部は、たとえば送受信回路２０に設けられていてもよいし、レーダ信号処理装置３００または信号処理回路３０に設けられていてもよい。

信号処理回路３０は、受信信号または二次信号、およびニューラルネットワークＮＮの学習データを用いて演算を行い、到来波の個数（波数Ｚ）を示す信号を出力するように構成されている。ここで、「到来波の個数（波数Ｚ）を示す信号」は、典型的には、前述した「車両の配置」を示す信号である。「到来波の個数を示す信号」は、自車両の前方を走行する１または複数の併走する先行車両の数を示す信号ということもできる。

この信号処理回路３０は、公知のレーダ信号処理装置が実行する各種の信号処理を実行するように構成されていても良い。信号処理回路３０は、後述する「超分解能アルゴリズム」（スーパーレゾリューション法）を実行するように構成され得る。

図９に示す例においては、ニューラルネットワークＮＮとは別に到来波推定ユニットＡＵが信号処理回路３０内に設けられている。この到来波推定ユニットＡＵは、後に詳しく説明する到来方向推定アルゴリズムにより、到来波の方位を示す角度を推定し、推定結果を示す信号を出力するように構成されている。この信号処理回路３０は、到来波推定ユニットＡＵが実行する公知のアルゴリズムにより、到来波の波源である物標までの距離、物標の相対速度、物標の方位を推定し、推定結果を示す信号を出力するように構成され得る。

本開示における「信号処理回路」の用語は、単一の回路に限られず、複数の回路の組み合わせを概念的に一つの機能部品として捉えた態様も含む。信号処理回路は、１個または複数のシステムオンチップ（ＳｏＣ）によって実現されても良い。例えば、信号処理回路３０の一部または全部がプログラマブルロジックデバイス（ＰＬＤ）であるＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）であってもよい。その場合、信号処理回路３０は、複数の演算素子（例えば汎用ロジックおよびマルチプライヤ）および複数のメモリ素子（例えばルックアップテーブルまたはメモリブロック）を含む。または、信号処理回路３０は、汎用プロセッサおよびメインメモリ装置の集合であってもよい。信号処理回路３０は、プロセッサコアとメモリとを含む回路であってもよい。これらは本開示における信号処理回路として機能し得る。特にニューラルネットワークＮＮは、並列処理に優れた車載コンピュータの出現により、本開示のアルゴリズムを実行するソフトウェアを、汎用的なハードウェアに組み合わせることによって容易に実現され得る。

本明細書では、信号処理回路は、記憶素子を有するかどうかを問わず、与えられた信号をニューラルネットワークへの入力として与え、記憶素子に記憶された学習データを適用して演算を行い、結果を出力することが可能であればよい。このような動作を行うことが可能な信号処理回路を、「学習済みのニューラルネットワークが構築された信号処理回路」と呼ぶこともある。

走行支援電子制御装置６０は、レーダ信号処理装置３００から出力される各種の信号に基づいて車両の走行支援を行うように構成されている。走行支援電子制御装置６０は、以下の機能を発揮するように各種の電子制御ユニットに指示を行う。これらの機能とは、例として、先行車両までの距離（車間距離）が予め設定された値よりも短くなったときに警報を発してドライバにブレーキ操作を促す機能、ブレーキを制御する機能、アクセルを制御する機能を含む。例えば、自車両のアダプティブクルーズコントロール（以下、「ＡＣＣ」と記述することもある。）を行う動作モードのとき、走行支援電子制御装置６０は、各種の電子制御ユニット（不図示）およびアクチュエータに所定の信号を送り、自車両から先行車両までの距離を予め設定された値に維持したり、自車両の走行速度を予め設定された値に維持したりする。

走行支援電子制御装置６０において行われる制御の内容に応じて、信号処理回路３０を動作させることが必要とされ得る。例えば信号処理回路３０は、ニューラルネットワークＮＮおよび到来波推定ユニットＡＵを、走行制御条件に応じて一方だけ利用してもよいし、相互に切り替えてもよいし、順次利用して動作させてもよい。その結果、信号処理回路３０は、１または複数の併走する先行車両の配置のパターン、または、推定された、到来波の方位を示す角度の情報を、走行支援電子制御装置６０へ出力する。

信号処理回路３０は、１または複数の併走する先行車両の配置のパターンを示す信号のみを出力する動作モードを備えていてもよい。この動作モードのとき、ニューラルネットワークＮＮが利用され、到来波推定ユニットＡＵは動作しない。

ニューラルネットワークＮＮによって先行車両の配置がわかれば、先行車両の個数、すなわち到来波の個数を知ることができる。ニューラルネットワークＮＮによって検知した到来波の個数の情報に基づいて、後述する到来方向推定アルゴリズムを実行し、先行車両の方向を高い精度で推定することが可能になる。

以下、到来方向推定アルゴリズムに基づく、先行車両の方向推定処理を詳細に説明する。

まず、図１０〜図１３を参照しながら送受信回路２０を説明する。その後、図１４および図１５を参照しながら信号処理回路３０を説明する。

図１０は、送受信回路２０の詳細なハードウェア構成を示す。送受信回路２０は、アンテナ装置１０から受信信号を受け取り、後述の処理を行って、デジタルデータを信号処理回路３０に送る。

アンテナ装置１０は独立マルチビームアンテナＭＡ（図９）を含む構造体である。アンテナ装置１０は、ミリ波の電磁波を送受信可能である。アンテナ装置１０は、誘電体レンズ１ａと複数のアンテナ素子（ビーム素子）１ｂとを備えている。個々のアンテナ素子は、「アンテナ素子１ｂ₁」などのように示されている。アンテナ装置１０は、Ｍ個（Ｍは３以上の整数）のアンテナ素子１ｂ₁、１ｂ₂、・・・、１ｂ_Mを備えている。アンテナ素子１ｂ₁〜１ｂ_Mは、誘電体レンズ１ａの焦点位置に配列されている。各アンテナ素子１ｂ₁、１ｂ₂、・・・、１ｂ_Mは、到来波に応答して、受信信号Ｓ₁、Ｓ₂、・・・、Ｓ_Mを出力する。

図１１は、本発明の一実施形態に係る独立マルチビームの指向性の一例を示すグラフの図である。

図１１に示されるグラフにおいて、横軸は放射角を表し、縦軸は利得（ゲイン）を表す。本例では、ビームが５本であるマルチビームの放射角と利得（ゲイン）との関係、すなわちビームの指向性を示している。具体的には、第１のビームの信号１００１、第２のビームの信号１００２、第３のビームの信号１００３、第４のビームの信号１００４、第５のビームの信号１００５を示してある。

図１１では５素子ビームの例を説明したが、ＦＯＶ（視野角）、ビーム幅、ビーム素子数などについては、レーダのアプリケーションや仕様によって、任意に設定することができる。特に、レンズアンテナによる独立マルチビームアンテナ方式では、レンズの形状と１次フィード（ビーム素子）の位置によって柔軟な設定を行うことができ、組み合わせとして好適である。

なお、送受信を行うアンテナを構成する複数のビーム素子１ｂ₁〜１ｂ_Mの数（Ｍ）について、マルチターゲットに関する検知を行う場合には、例えば最尤推定法の場合は複数のビーム素子１ｂ₁〜１ｂ_Mの数より１つ少ない数（Ｍ−１）だけのターゲットに関する検知を行うことができる。

再び図１０を参照する。

送受信回路２０は、三角波生成回路２１、ＶＣＯ（ＶｏｌｔａｇｅＣｏｎｔｌｌｅｄＯｓｃｉｌｌａｔｏｒ：電圧制御可変発振器）２２、分配器２３、ミキサ２４、フィルタ２５、スイッチ２６、Ａ／Ｄコンバータ２７、制御器２８を備える。本実施形態におけるレーダシステムは、ＦＭＣＷ方式でミリ波の送受信を行うように構成されているが、本開示のレーダシステムは、この方式に限定されない。送受信回路２０は、独立マルチビームアンテナＭＡからの受信信号と送信アンテナＴＡのための送信信号とに基づいて、ビート信号を生成するように構成されている。

以下、送受信回路２０の構成および動作を詳細に説明する。

三角波生成回路２１は三角波信号を生成し、ＶＣＯ２２に与える。ＶＣＯ２２は、三角波信号に基づいて変調された周波数を有する送信信号を出力する。図１２は、三角波生成回路２１が生成した信号に基づいて変調された送信信号の周波数変化を示している。この波形の変調幅はΔｆ、中心周波数はｆ０である。このようにして周波数が変調された送信信号は分配器２３に与えられる。分配器２３は、ＶＣＯ２２から得た送信信号を、各ミキサ２４および送信アンテナＴＡに分配する。こうして、送信アンテナは、図１２に示されるように三角波状に変調された周波数を有するミリ波を放射する。

図１２には、送信信号に加えて、単一の先行車両で反射された到来波による受信信号の例が記載されている。受信信号は、送信信号に比べて遅延している。この遅延は、自車両と先行車両との距離に比例している。また、受信信号の周波数は、ドップラー効果により、先行車両の相対速度に応じて増減する。

受信信号と送信信号とを混合すると、周波数の差異に基づいてビート信号が生成される。このビート信号の周波数（ビート周波数）は、送信信号の周波数が増加する期間（上り）と、送信信号の周波数が減少する期間（下り）とで異なる。各期間におけるビート周波数が求められると、それらのビート周波数に基づいて、物標までの距離と、物標の相対速度が算出される。

図１３は、「上り」の期間におけるビート周波数ｆｕ、および「下り」の期間におけるビート周波数ｆｄを示している。図１３のグラフにおいて、横軸が周波数、縦軸が信号強度である。このようなグラフは、ビート信号の時間−周波数変換を行うことによって得られる。ビート周波数ｆｕ、ｆｄが得られると、下記数７に基づいて、物標までの距離ｒが算出され、下記数８に基づいて物標の相対速度ｖが算出される。なお、当該演算は、後述する距離／速度検出回路３５（図１４、図１６）によって行われる。

（数７）
ｒ＝｛Ｃ・Ｔ／（２・Δｆ）｝・｛（ｆｕ＋ｆｄ）／２｝

（数８）
ｖ＝｛Ｃ／（２・ｆ０）｝・｛（ｆｕ−ｆｄ）／２｝

距離ｒ及び相対速度ｖを算出する式において、Ｃは光速度、Ｔは変調周期である。

なお、距離ｒの分解能下限値は、Ｃ／（２Δｆ）で表される。したがって、Δｆが大きくなるほど、距離ｒの分解能が高まる。周波数ｆ０が約７６ギガヘルツ（ＧＨｚ）帯の場合において、Δｆを６００メガヘルツ（ＭＨｚ）程度に設定するとき、距離ｒの分解能は例えば０．７メートル（ｍ）程度である。このため、２台の先行車両が併走しているとき、ＦＭＣＷ方式では車両が１台なのか２台なのかを識別することは困難である場合がある。このような場合、角度分解能が極めて高い到来方向推定アルゴリズムを実行すれば、２台の先行車両の方位を分離して検出することも可能である。しかし、前述したように、このような到来方向推定アルゴリズムの実行には膨大な演算を高速に実行することが求められる。また、先行車両の走行状況が急変した場合、演算が変化に追い付かず、２台の併走する先行車両の数を誤って１台と推定する可能性がある。しかしながら、本実施形態によれば、ニューラルネットワークＮＮにより先行車両の配置を少ない演算量によって迅速に把握できるため、そのような誤りを避けることが容易である。

本実施形態では、以下に説明する構成および動作により、アンテナ装置１０の各アンテナ素子１ｂ₁〜１ｂ_Mに対応したビート周波数を求め、それに基づいて物標の位置情報を推定することが可能になる。

再び図１０を参照する。図１０に示される例において、各アンテナ素子１ｂ₁〜１ｂ_Mに対応したチャンネルＣｈ₁〜Ｃｈ_Mからの受信信号は、増幅器によって増幅され、対応するミキサ２４に入力される。ミキサ２４の各々は、増幅された受信信号に送信信号を混合する。この混合により、受信信号と送信信号との間にある周波数差に対応したビート信号が生成される。生成されたビート信号は、対応するフィルタ２５に与えられる。フィルタ２５は、チャンネルＣｈ₁〜Ｃｈ_Mのビート信号の帯域制限を行い、帯域制限されたビート信号をスイッチ２６に与える。

スイッチ２６は、制御器２８から入力されるサンプリング信号に応答してスイッチングを実行する。制御器２８は、例えばマイクロコンピュータによって構成され得る。制御器２８は、ＲＯＭなどのメモリに格納されたコンピュータプログラムに基づいて、送受信回路２０の全体を制御する。制御器２８は、送受信回路２０の内部に設けられている必要は無く、後述する信号処理回路３０の内部に設けられていても良い。または、制御器２８の機能の一部または全部は、送受信回路２０および信号処理回路３０の全体を制御する中央演算ユニットなどによって実現されていても良い。

フィルタ２５の各々を通過したチャンネルＣｈ₁〜Ｃｈ_Mのビート信号は、スイッチ２６を介して、順次、Ａ／Ｄコンバータ２７に与えられる。Ａ／Ｄコンバータ２７は、制御器２８からの制御信号または別途受け取るサンプリング信号に同期してスイッチ２６から入力されるチャンネルＣｈ₁〜Ｃｈ_Mのビート信号をデジタル信号に変換する。

次に、信号処理回路３０の構成および動作を詳細に説明する。

図１４は、信号処理回路３０の詳細なハードウェア構成を示す。本実施形態にかかる信号処理回路３０は、ＦＭＣＷ方式によって物標までの距離および物標の相対速度を推定するとともに、ニューラルネットワークＮＮから出力された波数Ｚの情報を利用して最尤推定を行い、受信波の到来方向を推定する。なお、以下に説明するＦＭＣＷ方式は一例である。２周波ＣＷまたはスペクトル拡散などの他の方式を用いてもよい。

信号処理回路３０は、メモリ３１と、ニューラルネットワーク回路ＮＮと、到来波推定ユニットＡＵとを備えている。

メモリ３１は、半導体メモリ、ハードディスクおよび／または光ディスクなどの一般的な記憶媒体である。ニューラルネットワーク回路ＮＮおよび到来波推定ユニットＡＵは、全体として１つの中央処理回路（いわゆるＣＰＵ）またはプロセッサによって実現され得る。または、ニューラルネットワーク回路ＮＮおよび到来波推定ユニットＡＵは、それぞれが１つまたは複数のＣＰＵによって実現されてもよい。

メモリ３１は、Ａ／Ｄコンバータ２７によって変換された、デジタル信号であるビート信号（上り部分および下り部分）の時系列データを受け取る。メモリ３１は、その記憶領域に、各アンテナ素子１ｂ₁〜１ｂ_Mに対応させて時系列データを格納する。例えば、上り部分および下り部分のそれぞれにおいて２５６個のサンプリングが行われた場合、メモリ３１は、２×２５６個×素子数Ｍのデータを記憶領域に記憶する。

ニューラルネットワーク回路ＮＮは上述の数５に基づく演算を行う回路であり、その演算に必要な、数６に示すガウス型核関数を特定するための種々のパラメータを保持している。ニューラルネットワーク回路ＮＮはメモリ３１に格納されたビート信号のデジタルデータを入力として用いて演算を行い、波数Ｚを示す情報を出力する。

到来波推定ユニットＡＵは、メモリ３１に格納されたビート信号のデジタルデータ、およびニューラルネットワーク回路ＮＮから出力された波数Ｚの情報を用いて、最尤推定法を適用した演算を行い、到来波の到来方向を推定する。

到来波推定ユニットＡＵは、周波数分解回路３２と、ピーク検知回路３３と、ピーク組合せ回路３４と、距離／速度検出回路３５と、ペア確定回路３６と、方位検出回路３７と、ターゲット確定回路３８を備える。

周波数分解回路３２は、各ビーム素子１ｂ₁〜１ｂ_Mのチャネルごとに、ビート信号をフーリエ変換などして、ビート周波数のレンジに変換する。より具体的に説明すると、周波数分解回路３２は、例えばフーリエ変換などにより、各ＣＨ₁〜ＣＨ_Mに対応するビート信号のそれぞれを、あらかじめ設定された分解能に応じて周波数成分に変換し、ビート周波数を示す周波数ポイントと、そのビート周波数の複素数データを出力する。例えば、ビーム素子１ｂ₁〜１ｂ_Mごとに上り部分および下り部分のそれぞれについて２５６個のサンプリングが為されたデータを有する場合、ビーム素子１ｂ₁〜１ｂ_Mごとの複素数の周波数領域データとしてビート周波数に変換され、上り部分および下り部分のそれぞれにおいて１２８個の複素数データ（２×１２８個×素子数のデータ）となる。また、ビート周波数は周波数ポイントにて示される。

ピーク検知回路３３は、ビーム素子１ｂ₁〜１ｂ_Mにおける複素数データのそれぞれを周波数スペクトル化することにより、それぞれのスペクトルの各ピーク値を、ビート周波数、すなわち距離に依存したターゲットの存在として検出する。より具体的に説明すると、ピーク検知回路３３は、周波数変換されたビート周波数の三角波の上り領域および下り領域のそれぞれの強度のピーク値に関し、複素数データを用いて信号強度（または、振幅など）におけるピークから、あらかじめ設定された数値（ピーク検知閾値）を超えるピーク値を有するビート周波数を検出する。これにより、ピーク検知回路３３は、ビート周波数ごとのターゲットの存在を検出して、ターゲット周波数を選択する。

ピーク組合せ回路３４は、ビーム素子ごとでピーク検知回路３３が出力するビート周波数とそのピーク値について、上り領域および下り領域のそれぞれのビート周波数とそのピーク値をマトリクス状に総当たりにて組み合わせ、これにより上り領域および下り領域のそれぞれのビート周波数をすべて組み合わせて、順次、距離／速度検出回路３５に出力する。

なお、本実施形態では、このような組み合わせが、ビーム素子１ｂ₁〜１ｂ_Mのチャネルごとに行われるので、それぞれのビーム方位でターゲットの存在を検出することができる。

距離／速度検出回路３５は、順次入力される上り領域および下り領域のそれぞれの組み合わせのビート周波数を加算した数値によりターゲットとの距離ｒを演算する。また、距離／速度検出回路３５は、順次入力される上り領域および下り領域のそれぞれの組み合わせのビート周波数の差分によりターゲットとの相対速度ｖを演算する。

なお、本実施形態では、このような距離ｒおよび相対速度ｖの演算が、ビーム素子１ｂ₁〜１ｂ_Mのチャネルごとに行われる。

ペア確定回路３６は、チャネルごとに、入力される距離ｒ、相対速度ｖおよび上り、下りのピーク値レベルにより、第１のペアテーブルを生成する。そして、ペア確定回路３６は、ターゲットごとに対応した上り領域および下り領域のそれぞれのピークの適切な組み合わせを判定し、第２のペアテーブルとして上り領域および下り領域のそれぞれのピークのペアを確定する。ペア確定回路３６は、確定した距離ｒおよび相対速度ｖを示すターゲット群番号をターゲット確定回路３８に出力する。

第１のペアテーブルは、ピーク組合せ回路３４における上り領域および下り領域のビート周波数のマトリクスと、そのマトリクスの交点、すなわち上り領域および下り領域のビート周波数の組み合わせにおける距離および相対速度を示すテーブルである。

第２のペアテーブルは、ターゲット群ごとの距離および相対速度と周波数ポイントを示すテーブルである。一例として、第２のペアテーブルには、ターゲット群番号に対応して、距離、相対速度および周波数ポイント（上り領域および／または下り領域）が記憶される。なお、第１のペアテーブルおよび第２のペアテーブルは、例えば、ペア確定回路３６の内部記憶領域に記憶される。

ペア確定回路３６では、例えば、前回の検知サイクルにて最終的に確定した各ターゲットとの距離ｒおよび相対速度ｖから今回の検知サイクルにて予測される値を優先してターゲット群の組み合わせの選択を行う等の手法を用いることもできる。

また、ペア確定回路３６は、チャネルごとにペアが確定した周波数の情報を周波数分解回路３２に通知する。周波数の情報を受けて、周波数分解回路３２は、方位検出（方位推定）を行うためのビーム素子１ｂ₁〜１ｂ_M（ＣＨ）の特定周波数ポイントデータ（複素数データ）を方位検出回路３７に出力する。つまり、あるＣＨの特定周波数ポイントにペアがあれば、他のＣＨの同一周波数ポイントのデータとセットで方位検出する複素数データとすることになる。ここで、この複素数データとしては、上りと下りのいずれか一方が用いられてもよく、あるいは、上りと下りの両方が用いられてもよい。

方位検出回路３７は、ターゲットの方位を検出し、その検出結果の情報をターゲット確定回路３８に出力する。本実施形態では、方位検出回路３７は、ビーム素子１ｂ₁〜１ｂ_Mに係る複素振幅データに基づいて、高分解能アルゴリズムの最尤推定法によってターゲットの方位を検出する。

ターゲット確定回路３８は、ペア確定回路３６が出力する距離ｒ、相対速度ｖ、周波数ポイントと、方位検出回路３７によって検出されたターゲットの方位（角度）とを用いて、ターゲットを確定する。

図１５は、到来波推定ユニットＡＵの方位検出回路３７による最尤推定に基づく方位検出処理の詳細を示す。

まず方位検出回路３７は、ターゲットからの反射波による受信信号に基づいてステアリングベクトルを生成し、反射波の到来方向の尤度を算出することにより、最も尤度が大きく（高く）なる到来方向をターゲットの方向として算出する。

具体的には、方位検出回路３７は、周波数分解回路３２で抽出されたターゲットが存在するビート周波数のうちの１つについて、複数のビーム素子１ｂ₁〜１ｂ_Mの各チャネルの複素数データを読み込む（ステップＳ４０）。

ステップＳ４１〜ステップＳ４３の処理では、ステップＳ４０の処理で読み込んだ複素数データを最尤推定法により処理する。

最尤推定法そのものについては、一般的に用いられており、様々な公知の技術を利用することが可能である（例えば、非特許文献１参照。）。

概略的には、方位検出回路３７は、複数のビーム素子１ｂ₁〜１ｂ_Mの各チャネルの複素数データをＲＢＦニューラルネットワークへの入力として用い、ＲＢＦニューラルネットワークから出力された車両の数の情報を取得する（ステップＳ４１）。得られた車両の数は、波数Ｚを意味する。

次に、方位検出回路３７は、尤度が最も大きくなる（最尤度となる）角度を算出する（ステップＳ４２）。

そして、方位検出回路３７は、ターゲットの角度を検知する（ステップＳ４３）。

このように、方位検出回路３７は、最尤推定法により、ターゲットの方位（角度）を検出する。

以下で、さらに詳しく説明する。

＜本実施形態に係る独立マルチビームアンテナ方式における最尤推定法の演算＞
本実施形態では、独立マルチビームアンテナ方式において、最尤推定法を適用することで、ビームの信号を反射した物体（反射対象物）の方位を計測（検出）する。

本実施形態では、非特許文献１に記載された最尤推定法の演算を利用する（非特許文献１参照。）。

以下で具体的に説明する。

なお、数９〜数２０に関する説明において、ｘ（ｔ_n）、ｘ_d ^(l)（ｔ_n）、ａ（θ_d）、ａ（θ_d ^(l)）、ａ（θ）、ｓ（ｔ_n）、ｓ⁽⁰⁾（ｔ_n）、ｓ^(l)（ｔ_n）、Θ⁽⁰⁾は、それぞれベクトルを表す。また、ａ（ｚ）のｚに式（９）の左辺（＝θ_d ^(l)に上側の線を引いたもの）を代入したものも、ベクトルを表す。

また、数９〜数２０に関する説明において、Ａ、Ａ⁽⁰⁾、Ａ^(l)、Ｃ_d 、Ｃ_d ^(l)は、それぞれ行列を表す。

本実施形態に係る信号処理において、パラメータ（受信信号や到来方向）を推定する問題は、数９に示される尤度関数ＦＭＬ を最小化する問題と等価である。

ここで、ｘ（ｔ_n）は、マルチビームで受信した信号のベクトルであり、数１０で表される。ｔ_nは時刻を表しており、ｘ_i（ｔ_n）は時刻ｔ_nにおけるｉ番目のビームの受信信号を表わしており、ｉは１以上Ｍ以下の整数であり、Ｍはマルチビームにおけるビームの総数（２以上の整数）を表わしている。

ベクトルや行列に付された上付きのＴは、転置を表している。

ｎは、１以上Ｎ_s以下の整数である。

Ｎ_sは、スナップショットの数であり、２以上の整数である。

Ａは、角度θ_dから到来する信号のマルチビームの複素応答ａ（θ_d）を並べた方向行列であり、数１１で表される。

ｄは１以上Ｄ以下の整数である。

Ｄは、到来波数を表わしており、２以上の整数である。到来波数Ｄは、図８のステップＳ３２において得られた、波数Ｚに等しい。

ここで、θ_d が既知であれば、計算や測定でａ（θ_d）が既知となる。

ｓ（ｔ_n）は、到来信号ベクトルであり、数１２で表される。ｓ_d（ｔ_n）は時刻ｔ_nにおけるｄ番目の角度θ_dの到来信号を表わしている。

例えば、ＳＡＧＥ（Ｓｅｒｉａｌ Ａｎａｌｙｓｉｓ ｏｆ Ｇｅｎｅ Ｅｘｐｒｅｓｓｉｎｏｎ）法により、ｘ（ｔ_n）からθ_dとｓ（ｔ_n）が求められる。

最初に、到来方向の初期値Θ⁽⁰⁾を適当に定める。この初期値Θ⁽⁰⁾は、数１３で表される。

各記号に付された上付きの（０）は初期値であることを示す。

設定した初期値Θ⁽⁰⁾に対応する到来信号ｓ⁽⁰⁾（ｔ_n）は、数１４によって推定する。

行列に付された上付きのＨは、エルミート転置を表している。

初期値Θ⁽⁰⁾および到来信号ｓ⁽⁰⁾（ｔ_n）を元にして、ｘ（ｔ_n）の最尤推定値を計算する。

第ｄ波についての第ｌ繰り返しでの最尤推定値は、数１５で表される。

各記号に付された上付きの（ｌ）は第ｌ繰り返しであることを示す。ｌ＝０は、実測によって取得された到来信号を用いていることを表す。

βは、雑音項の非負の係数である。このβの値により収束特性が変化する。

最尤推定値を使用して、数１６により、ｘ_d ^(l)（ｔ_n）の相関行列Ｃ_d ^(l)を推定する。

上述のように、ｌ＝０のときのＣｄ（０）は、実測によって取得された到来信号から生成された相関行列であるが、それ以降（ｌ＞０）のＣｄ（ｌ）は、推定された相関行列である。

次の探索によって、数１７および数１８により、到来波パラメータを更新する。

数１９および数２０により、更新パラメータを方向行列と信号ベクトルに適用して更新する。

ここで、ｄ＜Ｄである場合には、ｄ＝ｄ＋１として（つまり、ｄに１を加えて）、式（７）に戻る。

また、ｄ＝Ｄである場合には、ｌ＝ｌ＋１として（つまり、ｌに１を加えて）、式（６）に戻る。

この操作をパラメータが収束するまで繰り返す。

以上の処理により、方向行列および信号ベクトルの各々について、特定の成分が０または０以外の値に収束する。この「０以外の値」を有する成分が、ターゲットの方位（角度）を表している。

上述の図１４に示す信号処理回路３０の構成は一例であり、他の構成を採用することもできる。

たとえば図１６は、信号処理回路３０の変形例による信号処理回路３０ａの詳細なハードウェア構成を示す。以下、図１６の構成と図１４に示す構成例との相違点を説明し、一致する構成の説明は省略する。なお、ハードウェア構成に関しては、図１６の構成は図１４の構成と同じである。メモリ３１は、たとえばＲＡＭであり、ニューラルネットワーク回路ＮＮおよび到来波推定ユニットＡＵは、全体として１つの中央処理回路（いわゆるＣＰＵ）またはプロセッサによって実現され得る。または、ニューラルネットワーク回路ＮＮおよび到来波推定ユニットＡＵは、それぞれが１つまたは複数のＣＰＵによって実現されてもよい。

周波数分解回路３２ａは、アンテナ素子ごとの上り領域と下り領域のビート信号を複
素数データに変換し、そのビート周波数を示す周波数ポイントと、複素数データをピーク検知回路３３ａに出力する。

また、周波数分解回路３２ａは、上り領域および下り領域のそれぞれについて該当する複素数データを、方位検出回路３７ａに出力する。この複素数データが、上り領域および下り領域のそれぞれのターゲット群（上り領域および下り領域においてピークを有するビート周波数）となる。

ピーク検知回路３３ａは、上り領域および下り領域のそれぞれのピーク値と、そのピーク値が存在する周波数ポイントを検出し、その周波数ポイントを周波数分解回路３２ａに出力する。

方位検出回路３７ａは、ターゲットの方位を検出し、その検出結果の情報をターゲット確定回路３８ａに出力する。本実施形態では、方位検出回路３７ａは、ニューラルネットワーク回路ＮＮから波数Ｚの情報、およびビーム素子１ｂ₁〜１ｂ_Mに係る複素振幅データに基づいて、高分解能アルゴリズムの最尤推定法によってターゲットの方位を検出する。

また、方位検出回路３７ａは、上り領域および下り領域の各々について角度θを検出し、方位テーブルとしてピーク組合せ回路３４ａに出力する。ここで、方位テーブルは、上り領域および下り領域のそれぞれのピークを組み合わせるためのテーブルである。

具体例として、上り領域の方位テーブルは、ターゲット群ごとに角度１、角度２、・・・、および周波数ポイントｆが関連付けられている。例えば、ターゲット群１は、角度１のｔ１＿ａｎｇ１ 、角度２のｔ１＿ａｎｇ２ 、周波数ポイントのｆ１が関連付けられている。また、ターゲット群２は、角度１のｔ２＿ａｎｇ１ 、角度２のｔ２＿ａｎｇ２ 、周波数ポイントのｆ２が関連付けられている。また、以降のターゲット群についても同様である。

また、下り領域の方位テーブルは、ターゲット群ごとに角度１、角度２、・・・、および周波数ポイントｆが関連付けられている。例えば、ターゲット群１は、角度１のｔ１＿ａｎｇ１ 、角度２のｔ１＿ａｎｇ２ 、周波数ポイントのｆ１が関連付けられている。また、ターゲット群２は、角度１のｔ２＿ａｎｇ１ 、角度２のｔ２＿ａｎｇ２、周波数ポイントのｆ２が関連付けられている。また、以降のターゲット群についても同様である。

ピーク組合せ回路３４ａは、方位検出回路３７ａが出力する方位テーブルの情報を用いて、同様の角度を有する組み合わせを検出し、上り領域と下り領域とのビート周波数の組み合わせの情報（ここでは、ビート周波数の情報）を距離／速度検出回路３５ａに出力する。

距離／速度検出回路３５ａは、順次入力される上り領域および下り領域のそれぞれの組み合わせのビート周波数を加算した数値によりターゲットとの距離ｒを所定の式（例えば、一般的なものを用いることができ、ここでは省略する。）により演算する。

また、距離／速度検出回路３５ａは、順次入力される上り領域および下り領域のそれぞれの組み合わせのビート周波数の差分によりターゲットとの相対速度ｖを、所定の式（例えば、一般的なものを用いることができ、ここでは省略する。）により演算する。

ここで、距離／速度検出回路３５ａは、距離と相対速度の値を、それぞれ、ビート周波数の上り領域および下り領域の組み合わせにて計算する。

ターゲット確定回路３８ａは、上り領域および下り領域のそれぞれのピークのペアを決め、ターゲットを確定する。

なお、第２の構成例に係る信号処理回路８ａでは、上り領域および下り領域のそれぞれのピーク値に基づいてターゲットの方位を検出した後に、上り領域および下り領域のそれぞれのピーク値を組み合わせる手順を示したが、他の構成例として、上り領域および下り領域のそれぞれのピーク値を組み合わせた後に、組み合わせられたピーク値に基づいてターゲットの方位を検出することもできる。

図１６に示される変形例による信号処理回路３０ａもまた、図１５に示されるフローチャートにしたがって動作する。従って処理の説明は省略する。

次に、車両走行制御装置の他の変形例を説明する。

図１７は、車両走行制御装置１（図９）の変形例にかかる車両走行制御装置２の構成を示す。車両走行制御装置２と、車両走行制御装置１（図９）との相違点は、アンテナ装置の構成である。すなわち、車両走行制御装置２にはレーダシステム１００ａが搭載されており、このレーダシステム１００ａに設けられたアンテナ装置１０ａの構成が、車両走行制御装置１（図９）のレーダシステム１００に設けられたアンテナ装置１０の構成と異なっている。他の構成は同じであるため、説明は省略する。

車両走行制御装置１（図９）におけるアンテナ装置１０の独立マルチビームアンテナＭＡは、送信するビームおよび／または受信するビームの指向性を確保するために、誘電体レンズ１ａ、および複数のアンテナ素子（ビーム素子）１ｂを備えていると説明した。

一方、車両走行制御装置２におけるアンテナ装置１０ａの独立マルチビームアンテナは、指向性を有する１つのビーム素子１ｂと、ビーム素子１ｂの位置を変更するアクチュエータ１ｃとを有している。アンテナ装置１０ａには誘電体レンズは設けられていない。アンテナ装置１０ａは、アクチュエータ１ｃでビーム素子１ｂを駆動して、ビーム素子１ｂから放射されるビームの方向を調整することができる。物体検知装置４００は、アクチュエータ１ｃの駆動を制御して、所望の方向に向けてビームを放射することができる。

なお、図１７では、１つのビーム素子１ｂおよび１つのアクチュエータ１ｃが示されているが、これは一例である。複数のビーム素子と対応する複数のアクチュエータとを設けてもよい。この構成によっても、一部または全部のアンテナ素子を機械的に駆動して受信するビームの指向方向を切り替えて、アンテナ素子の数より多い複数のビームを形成または受信することが可能になる。

図１８は、車両走行制御装置１（図９）の変形例にかかる車両走行制御装置３の構成を示す。車両走行制御装置３と、車両走行制御装置１（図９）との相違点は、送受信回路２０の有無である。車両走行制御装置３は送受信回路２０を有していない。車両走行制御装置３のレーダシステム１００ｂのレーダ信号処理装置３００は、アンテナ装置１０から出力される受信信号をそのまま受け取る。

そのため、レーダ信号処理装置３００のニューラルネットワークＮＮは、アンテナ装置１０から出力される受信信号をそのまま用いて学習が行われておく必要がある。

レーダ信号処理装置３００の到来波推定ユニットＡＵは、受信信号をそのまま利用して到来波の到来方向を推定する。

図９、図１７および図１８は、レーダシステムが車両に搭載され、車両走行制御装置の一部を構成する形態を示している。このレーダシステムにおける信号処理回路３０には、前述した学習が行われたニューラルネットワークＮＮが構築されているため、従来の過大な演算量を必要とするアルゴリズムを用いて先行車両の方位を推定することなく、先行車両の配置を把握することが可能になる。また、先行車両の台数を把握できれば、最尤推定法により、先行車両の方位を高い分解能で推定することが可能になる。ニューラルネットワークＮＮによって先行車両の配置がわかれば、先行車両の方位の正確な推定値を求めなくても、オートクルーズなどの走行支援が可能になる。

なお、本開示によるレーダシステムは、車両に搭載される形態の例に限定されず、道路または建物に固定されて使用され得る。

次に、図１９を参照する。図１９に示される車両走行制御装置４は、レーダシステム１００（図９）と、車載カメラシステム５００とを備えている。レーダシステム１００（図９）に代えて、レーダシステム１００ａ（図１７）またはレーダシステム１００ｂ（図１８）を採用することもできる。以下ではレーダシステム１００（図９）を有する車両走行制御装置４を説明する。

基本的な構成として、レーダシステム１００は、アンテナ装置１０と、アンテナ装置１０に接続された送受信回路２０と、信号処理回路３０とを有している。信号処理回路３０には、図９に示すように学習済みのニューラルネットワークＮＮが構築され、かつ到来方向推定ユニットＡＵが設けられている。

車載カメラシステム５００は、車両に搭載される車載カメラ５０と、車載カメラ５０によって取得された画像または映像を処理する画像処理回路５２とを有している。

車両走行制御装置４は、アンテナ装置１０および車載カメラ５０に接続された物体検知装置４００と、物体検知装置４００に接続された走行支援電子制御装置６０とを備えている。この物体検知装置４００は、前述した信号処理装置３０に加えて、送受信回路２０および画像処理回路５２を含んでいる。本実施形態における物体検知装置４００は、レーダシステム１００によって得られる情報だけではなく、画像処理回路５２によって得られる情報を利用して、道路上または道路近傍における物標を検知することができる。例えば自車両が同一方向の２本以上の車線のいずれかを走行中において、自車両が走行している車線がいずれの車線であるかを、画像処理回路５２によって判別し、その判別の結果を信号処理回路３０に与えることができる。信号処理回路３０は、ニューラルネットワークＮＮによって先行車両の配置を認識するとき、画像処理回路３０からの情報を参照することにより、先行車両の配置について、より信頼度の高い情報を提供することが可能になる。

なお、車載カメラシステム５００は、自車両が走行している車線がいずれの車線であるかを特定する手段の一例である。他の手段を利用して自車両の車線位置を特定してもよい。例えば、超広帯域無線（ＵＷＢ：Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）を利用して、複数車線のどの車線を自車両が走行しているかを特定することができる。超広帯域無線は、位置測定および／またはレーダとして利用可能なことは広く知られている。超広帯域無線を利用すれば、路肩のガードレール、または中央分離帯からの距離を特定することが可能である。各車線の幅は、各国の法律等で予め定められている。これらの情報を利用して、自車両が現在走行中の車線の位置を特定することができる。なお、超広帯域無線は一例である。他の無線による電波を利用してもよい。また、レーザレーダを用いてもよい。

アンテナ装置１０は、一般的な車載用ミリ波レーダアンテナであり得る。図１９の例では、アンテナ装置１０には送信アンテナＴＡが示されている。送信アンテナＴＡは、ミリ波を送信波として車両の前方に放射する。送信波の一部は、典型的には先行車両である物標によって反射され、物標を波源とする反射波が発生する。反射波の一部は、到来波としてアレーアンテナ（受信アンテナ）ＡＡに到達する。独立マルチビームアンテナＭＡを構成している複数のアンテナ素子の各々は、１個または複数個の到来波に応答して、受信信号を出力する。反射波の波源として機能する物標の個数がＫ個（Ｋは１以上の整数）である場合、到来波の個数はＫ個であるが、到来波の個数Ｋは既知ではない。前述したニューラルネットワークを用いた信号処理を実行することにより、到来波の個数Ｋを従来に比べて少ない演算量で推定することが可能になる。

本実施形態におけるアンテナ装置１０は、車両の前方に位置する物標を検知できるように車両の前面に配置されている。車両に配置されるアンテナ装置１０の個数および位置は、特定の個数および特定の位置に限定されない。アンテナ装置１０は、車両の後方に位置する物標を検知できるように車両の後面に配置されてもよい。また、車両の前面または後面に複数のアンテナ装置１０が配置されていても良い。アンテナ装置１０は、車両の室内に配置されていても良い。特に独立マルチビームアンテナＭＡを構成する各アンテナ素子がホーンアンテナである場合、そのようなアンテナ素子を備えるアレーアンテナは、スペースに余裕のある車両の室内に配置され得る。独立マルチビームアンテナＭＡおよび送信アンテナＴＡが同一の車両に搭載される場合、独立マルチビームアンテナＭＡと送信アンテナＴＡとの距離は、例えば１００ミリメートル以上離れていても良い。

信号処理回路３０は、独立マルチビームアンテナＭＡから受信信号を受け取り、処理する。この処理は、受信信号をニューラルネットワークＮＮへ入力すること、または、受信信号から二次信号を生成して二次信号をニューラルネットワークへ入力することを含む。ニューラルネットワークＮＮは、受信信号または二次信号と学習データとを用いて演算を行い、到来波の個数（波数Ｚ）を示す信号を出力するように構成されている。信号処理回路３０の一部である到来方向推定ユニットＡＵは、波数Ｚを示す信号に基づいて最尤推定法により、先行車両の方位を推定する。個々の処理の詳細は既に説明した通りである。

図１９の例では、信号処理回路３０から出力される信号および画像処理回路５２から出力される信号を受け取る選択回路５４が物体検知装置４００内に設けられている。選択回路５４は、信号処理回路３０から出力される信号および画像処理回路５２から出力される信号の一方または両方を走行支援電子制御装置６０に与える。

物体検知装置４００によって先行物体の位置情報を受け取った走行支援電子制御装置６０は、予め設定された条件により、物体位置情報の距離や大きさ、自車両の速度、降雨、降雪、晴天などの路面状態等の条件と併せて、自車両を運転しているドライバに対して操作が安全あるいは容易となるような制御を行う。例えば、走行支援電子制御装置６０は、物体位置情報に物体が検出されていない場合、予め設定されている速度までスピードを上げるようにアクセル制御部７６に制御信号を送り、アクセル制御部７６を制御してアクセルペダルを踏み込むことと同等の動作を行う。

走行支援電子制御装置６０は、物体位置情報に物体が検出されている場合において、自車両から所定の距離であることが分かれば、ブレーキバイワイヤ等の構成により、ブレーキ制御部７４を介してブレーキの制御を行う。すなわち、速度を落とし、車間距離を一定に保つように操作する。走行支援電子制御装置６０は、物体位置情報を受けて、警告制御部７２に制御信号を送り、車内スピーカを介して先行物体が近づいていることをドライバに知らせるように音声またはランプの点灯を制御する。走行支援電子制御装置６０は、先行車両の配置を含む物体位置情報を受けとり、予め設定された走行速度の範囲であれば、先行物体との衝突回避支援を行うために自動的にステアリングを左右どちらかに操作し易くするか、あるいは、強制的に車輪の方向を変更するようにステアリング側の油圧を制御する等を行うことができる。

上述の物体検知装置４００は、一般的なコンピュータを、上述の各構成要素として機能させるプログラムにより動作させることで実現することができる。このプログラムは、通信回線を介して配布することも可能であるし、半導体メモリまたはＣＤ−ＲＯＭ等の記録媒体に書き込んで配布することも可能である。

物体検知装置４００では、選択回路５４が前回検出サイクルにおいて一定時間連続して検出していた物体位置情報のデータで、今回検出サイクルで検出できなかったデータに対して、カメラで検出したカメラ映像からの先行物体を示す物体位置情報が紐付けされれば、トラッキングを継続させる判断を行い、信号処理回路３０からの物体位置情報を優先的に出力するようにしても構わない。

信号処理回路３０および画像処理回路５２の出力を選択回路５４に選択するための具体的構成の例および動作の例は、特開２０１４−１１９３４８号公報に開示されている。この公報の内容の全体をここに援用する。

図２０は、車両走行制御装置１（図１９）の処理手順を示すフローチャートである。一例として、アダプティブクルーズコントロールモード時の車両制御を説明する。

ステップＳ５０において、車両走行制御装置１は、車載カメラシステム５００を用いて、自車両が現在走行している車線を識別する。上述のように、車載カメラシステム５００に代えて、または車載カメラシステム５００と共に電波を利用して車線を識別してもよい。

ステップＳ５１において、信号処理回路３０は、車載カメラシステム５００の画像処理回路５２から出力された車線位置の情報、および、送受信回路２０から出力された受信信号に基づいて、ニューラルネットワークＮＮを利用した車両識別処理を行う。

ステップＳ５２において、信号処理回路３０は、ニューラルネットワークＮＮからの出力を利用して、先行車両の配置を識別する。

ステップＳ５３において、信号処理回路３０は、自車両の車線上に先行車両が存在するかどうかを判定する。先行車両が存在する場合には処理はステップＳ５４に進み、存在しない場合には処理はステップＳ５５に進む。

ステップＳ５４において、走行支援電子制御装置６０は、ブレーキ制御部７４に指示してブレーキを制御させ、および／またはアクセル制御部７６に指示して燃料噴射量を制御させる。これにより、走行支援電子制御装置６０は自車両を設定速度以下で走行させることができる。

ステップＳ５５においても、走行支援電子制御装置６０は、ブレーキ制御部７４に指示してブレーキを制御させ、および／またはアクセル制御部７６に指示して燃料噴射量を制御させる。これにより、走行支援電子制御装置６０は設定速度および設定距離を満足させながら、自車両を先行車両に追従させることができる。

以上、本開示による具体的な実施形態を説明した。

上述の説明では、自車両から同じ距離で併走する先行車両の台数および先行車両が走行している車線を直接識別し、さらにその情報を利用して、アダプティブクルーズコントロールモード時の車両制御方法を例示した。

以下では、自車両から同じ距離で併走する先行車両の台数および先行車両が走行している車線を、２種類の方法によって識別した結果を利用するさらに他の例を説明する。

図２１は、異なる２つの方法によって波数の情報をそれぞれ取得し、それらが一致する場合に方位（角度）を算出する処理の手順を示す。

図２１は、図１５の処理にステップＳ６１〜Ｓ６４の処理が追加されて構成されている。図２１では、図１５と同じ処理には同じ参照符号を付し、その説明は省略する。

ステップＳ６１において、方位検出回路３７は、複数のビーム素子１ｂ₁〜１ｂ_Mの各チャネルの複素数データを利用して、自己相関行列（共分散行列）を生成する。

ここで、独立マルチビームアンテナＭＡを用いた場合でも、自己相関行列を生成することが可能である理由を説明する。アレーアンテナとは異なり、独立マルチビームアンテナＭＡは、１つの波源からの電磁波が、すべてのビーム素子１ｂ₁〜１ｂ_Mにおいて受信されることは実際上想定されていない。つまり、ある時刻においてビーム素子１ｂ₁〜１ｂ_Mによって受信されたすべての信号同士には相関がない。よって、自己相関行列（共分散行列）と呼べる行列を観念し得るかどうかが問題となる。

たとえば独立マルチビームアンテナＭＡの隣接する２つのビーム素子は、互いに重複して電磁波を受信するよう、その感度が設定されている。上述の図１１は、５本のビームを放射する例として説明したが、ビームを受信する際の特性として捉えることもできる。たとえば、図１１に示す第４のビームの信号１００４を主として受信するビーム素子１ｂ₄、および第５のビームの信号１００５を主として受信するビーム素子１ｂ₅が存在するとする。図１１に示すように、たとえば第４のビームの信号１００４のゲインがピークとなる角度において、第５のビームの信号１００５はゲインを有している。同様に、第５のビームの信号１００５のゲインがピークとなる角度において、第４のビームの信号１００４はゲインを有している。これは、ビーム素子１ｂ₄および１ｂ₅は、いずれも、第４のビームの信号１００４および第５のビームの信号１００５を検出し得ることを意味する。別の見方をすれば、ビームが、第４のビームの信号１００４の方位角と第５のビームの信号１００５の方位角との中間の角度から独立マルチビームアンテナＭＡに入射してきたとき、ビーム素子１ｂ₄および１ｂ₅はそれぞれ、その信号を受信することになる。

つまり、ビーム素子１ｂ₄および１ｂ₅においてそれぞれ受信された信号には、相関があると言える。すべてのビーム素子のうち、一部のビーム素子において受信された信号同士には相関が存在しているため、自己相関行列を求めることが可能である。

ステップＳ６２において、方位検出回路３７は、自己相関行列の固有値分解を行う。行列の固有値分解とは、行列を、固有値を対角成分に持つ対角行列に分解することである。自己相関行列の固有値展開を行うと、自己相関行列の固有値および固有ベクトルが求められる。

ステップＳ６３において、方位検出回路３７は、分解した固有値を利用してその次数Ｚ１を特定する。次数Ｚ１は、到来波の個数、すなわち波数を意味する（以下「波数Ｚ１」と記述する。）。到来波の個数を示す信号は、自己相関行列の各固有値のうちの、熱雑音によって定まる所定値以上の値を有する固有値（信号空間固有値）の個数として得られる。

ステップＳ６４において、方位検出回路３７は、ステップＳ６３において得られた波数Ｚ１と、ステップＳ４１において得られた波数Ｚとが一致するかどうかを判定する。一致する場合は処理はステップＳ４２に進み、一致しない場合にはステップＳ４０に戻る。ステップＳ４０に戻った後は、方位検出回路３７は、新たば受信信号から得られた別の複素数データを用いて、再度図２１の処理を行う。

上述の変形例では、本開示によるニューラルネットワークを用いた車両識別処理の結果を到来波数の推定値として取得し、かつ、自己相関行列を利用した到来波数の推定値を求める。そして、両推定値が一致する場合に、その一致した推定値を到来波数の情報として利用する。自己相関行列を利用した到来波数の推定値を補助的に用いて、ニューラルネットワークによる到来波数の推定精度を向上させる。これにより、その波数の情報を用いて求めた到来波の到来方向を示す角度に対する信頼性を向上させることができる。

上述の実施形態の説明では、レーダシステムは車両の前部に設けられ、先行車両の配置を示す情報を得ると説明した。しかしながら、レーダシステムは車両の後部に設けられてもよい。その場合、レーダシステムは自車両の後ろを走行する後続車両の配置を示す情報を出力することになる。ここでいう「後続車両」は、自車両が走行する車線と同じ車線、またはその車線に隣接する同一方向の車線を走行している。車線変更時に後続車両の配置を把握しておくことは重要である。

本開示は、たとえば先行車両および／または後続車両の配置を認識する処理が必要な車載用レーダシステムに利用可能である。さらに本開示は、認識した先行車両および／または後続車両の配置を到来波の波数の情報として用いて、ＳＡＧＥ法などの最尤推定法などの前処理に利用可能である。

１、２、３ 車両走行制御装置
１０、１０ａ アンテナ装置
１ｂ₁、１ｂ₂、・・・、１ｂ_M アンテナ素子（ビーム素子）
２０ 送受信回路
２１ 三角波生成回路
２２ ＶＣＯ
２３ 分配器
２４ ミキサ
２５ フィルタ
２６ スイッチ
２７ Ａ／Ｄコンバータ
２８ 制御器
３０、３０ａ 信号処理回路
３１ メモリ
３２ 周波数分解回路
３３ ピーク検知回路
３４ ピーク組合せ回路
３５ 距離／速度検出回路
３６ ペア確定回路
３７ 方位検出回路
３８ ターゲット確定回路
５０ 車載カメラ
５２ 画像処理回路
６０ 走行支援電子制御装置
８２ コンピュータ
８４ データベース
８０ 通信デバイス
１００、１００ａ レーダシステム
３００ レーダ信号処理装置
４００ 物体検知装置
５００ 車載カメラシステム
ＭＡ 独立マルチビームアンテナ
ＴＡ 送信アンテナ
ＮＮ ニューラルネットワーク
ＡＵ 到来方向波ユニット
ｆｕ 「上り」の期間におけるビート周波数
ｆｄ 「下り」の期間におけるビート周波数

Claims (16)

1. １個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナと、
   学習済みのニューラルネットワークが構築された信号処理回路と
   を備え、
   前記信号処理回路は、
   前記受信信号を受け取り、
   前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
   前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
   前記信号処理回路は、走行する１または複数の併走する車両の配置を示すパターンを、前記車両の数を示す信号として出力するよう構成されており、
   前記学習は、想定される複数のパターンの各々について条件を変えつつ複数回行われる学習処理を含み、
   前記条件は車両までの距離を含む、レーダシステム。
2. 前記独立マルチビームアンテナは、レンズまたは反射鏡と、複数のアンテナ素子とを備える、請求項１に記載のレーダシステム。
3. 前記独立マルチビームアンテナは、１個以上のアンテナ素子と、前記１個以上のアンテナ素子の位置を変化させることによって、少なくともビームの受信に関する指向性を制御するアクチュエータとを備え、前記アクチュエータによって一部または全部のアンテナ素子を機械的に駆動して受信するビームの指向方向を切り替え、受信するビームの数が、前記アンテナ素子の数より多くなるように構成されている、請求項１に記載のレーダシステム。
4. 前記信号処理回路は、前記到来波の個数を示す信号を用いて、最尤推定法によって前記到来波の到来方向を推定し、推定した値を出力する
   よう構成されている、請求項１から３のいずれかに記載のレーダシステム。
5. 前記信号処理回路は、
   前記ニューラルネットワークが実装されたニューラルネットワーク回路、および
   前記到来波の到来方向を示す角度を推定し、推定結果を示す信号を出力する到来波推定ユニット
   をさらに有しており、前記到来波推定ユニットは、前記受信信号または前記二次信号、および前記ニューラルネットワーク回路から前記到来波の個数を示す信号を受け取り、前記到来波の個数と、前記受信信号または前記二次信号に基づく複素振幅データとを使用して前記最尤推定法の演算を実行することにより、前記到来波の到来方向を示す角度を検出する、
   請求項４に記載のレーダシステム。
6. 前記レーダシステムが車両に搭載されたときにおいて、
   前記信号処理回路は、自車両が走行する自車線上、および自車線に隣接するいずれか一方の隣接車線上にそれぞれ車両が存在するか否かを示す信号を、前記１または複数の併走する車両の配置のパターンを示す信号として出力する
   よう構成されている、請求項１に記載のレーダシステム。
7. 前記信号処理回路は、前記１または複数の併走する車両の配置のパターンを数値で示す信号を出力する
   よう構成されている、請求項６に記載のレーダシステム。
8. 前記信号処理回路は、
   前記受信信号に基づいて前記到来波の到来方向を推定する
   ように構成されている、請求項６または７に記載のレーダシステム。
9. 前記信号処理回路は、前記到来波の到来方向を推定することなく、前記１または複数の併走する車両の配置のパターンを示す信号を出力するモードを備える、
   請求項６または７に記載のレーダシステム。
10. 前記レーダシステムが車両に搭載されたときにおいて、
    前記信号処理回路は、カメラまたは電波を用いて、自車両が走行する車線を特定するよう構成されており、
    前記学習済みのニューラルネットワークは、予め定められた、自車両が走行する車線ごとに構築されており、
    前記信号処理回路は、前記自車両が走行する車線に応じて、学習済みのニューラルネットワークを選択し、前記車両の配置のパターンを示す信号を出力する、請求項１に記載のレーダシステム。
11. 前記ニューラルネットワークは、同一方向の隣接する２車線の各々に他の車両が存在する状況下および存在しない状況下で得られた前記受信信号と、各状況下における車線毎の車両の配置を示す教師信号とを用いて学習が行われている、請求項６に記載のレーダシステム。
12. 車両に搭載されるレーダ信号処理装置であって、
    １個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナから、前記受信信号を取得する第１端子と、
    学習済みのニューラルネットワークが構築された信号処理回路と、
    前記信号処理回路から出力された信号を送信する第２端子と
    を備え、
    前記信号処理回路は、
    前記第１端子を介して前記受信信号を受け取り、
    前記受信信号または前記受信信号から生成した二次信号を前記ニューラルネットワークへ入力し、
    前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
    前記信号処理回路は、走行する１または複数の併走する車両の配置を示すパターンを、前記車両の数を示す信号として出力するよう構成されており、
    前記学習は、想定される複数のパターンの各々について条件を変えつつ複数回行われる学習処理を含み、
    前記条件は車両までの距離を含む、
    レーダ信号処理装置。
13. 前記信号処理回路は、前記受信信号を用いて演算した、自車線上、および前記自車線に隣接するいずれか一方の隣接車線上の車両と自車両との距離、および相対速度を示す信号をさらに出力する
    よう構成されている、請求項１２に記載のレーダ信号処理装置。
14. 車両に搭載される車両走行制御装置であって、
    １個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナと、
    請求項１３に記載のレーダ信号処理装置と、
    前記レーダ信号処理装置から出力された、前記距離、前記相対速度、および前記到来波の個数をそれぞれ示す信号を用いて前記自車両のアダプティブクルーズコントロールを行い、前記自車両の速度を制御する電子制御装置と
    を備える車両走行制御装置。
15. １個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナを用いて、受信信号を取得し、
    前記受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークが構築された信号処理回路へ入力し、
    前記信号処理回路を用いて前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行い、
    前記ニューラルネットワークから、走行する１または複数の併走する車両の配置を示すパターンを前記到来波の個数を示す信号として出力し、
    前記受信信号を用いて、前記到来波に対応する、自車線上、および自車線に隣接するいずれか一方の隣接車線上の車両と自車両との距離、および相対速度を示す信号を出力し、
    前記距離、前記相対速度、および前記到来波の個数をそれぞれ示す信号を用いて前記自車両のアダプティブクルーズコントロールを行い、前記自車両の速度を制御する
    車両走行制御方法であって、
    前記学習は、想定される複数のパターンの各々について条件を変えつつ複数回行われる学習処理を含み、
    前記条件は車両までの距離を含む、車両走行制御方法。
16. 車両に搭載されるプロセッサによって実行されるコンピュータプログラムであって、
    前記車両は、１個または複数個の到来波に応答して受信信号を出力する独立マルチビームアンテナを有しており、
    前記コンピュータプログラムは前記プロセッサに、
    前記受信信号を受け取らせ、
    前記受信信号または前記受信信号から生成した二次信号を、学習済みのニューラルネットワークへ入力させ、
    前記受信信号または前記二次信号、および前記ニューラルネットワークの学習データを用いて演算を行わせ、
    前記ニューラルネットワークから、走行する１または複数の併走する車両の配置を示すパターンを前記到来波の個数を示す信号として出力させる
    コンピュータプログラムであって、
    前記学習は、想定される複数のパターンの各々について条件を変えつつ複数回行われる学習処理を含み、
    前記条件は車両までの距離を含む、コンピュータプログラム。

Images