JP7440324B2 - 車両制御装置、車両制御方法、及びプログラム - Google Patents

車両制御装置、車両制御方法、及びプログラム Download PDF

Info

Publication number
JP7440324B2
JP7440324B2 JP2020063501A JP2020063501A JP7440324B2 JP 7440324 B2 JP7440324 B2 JP 7440324B2 JP 2020063501 A JP2020063501 A JP 2020063501A JP 2020063501 A JP2020063501 A JP 2020063501A JP 7440324 B2 JP7440324 B2 JP 7440324B2
Authority
JP
Japan
Prior art keywords
vehicle
model
target trajectory
risk
generation unit
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.)
Active
Application number
JP2020063501A
Other languages
English (en)
Other versions
JP2021160530A (ja
Inventor
裕司 安井
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.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co 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 Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Priority to JP2020063501A priority Critical patent/JP7440324B2/ja
Priority to US17/211,878 priority patent/US12304527B2/en
Priority to CN202110337193.XA priority patent/CN113460081B/zh
Publication of JP2021160530A publication Critical patent/JP2021160530A/ja
Application granted granted Critical
Publication of JP7440324B2 publication Critical patent/JP7440324B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0095—Automatic control mode change
    • 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
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
    • 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
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/20—Steering systems
    • B60W2710/207—Steering angle of wheels
    • 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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Description

本発明は、車両制御装置、車両制御方法、及びプログラムに関する。
車両が将来走行すべき目標軌道を生成する技術が知られている（例えば、特許文献１参照）。
特開２０１９－１０８１２４号公報
しかしながら、従来の技術では、車両がスタックしてしまうような周辺の状況に適合しない目標軌道が生成される場合があった。この結果、車両の運転をスムーズに制御できない場合があった。
本発明の一態様は、このような事情を考慮してなされたものであり、周辺の状況に適合した目標軌道を生成することにより、車両の運転をスムーズに制御することができる車両制御装置、車両制御方法、及びプログラムを提供することを目的の一つとする。
本発明に係る車両制御装置、車両制御方法、及びプログラムは以下の構成を採用した。
本発明の第１の態様は、車両の周辺に存在する物体を認識する認識部と、前記認識部によって認識された前記物体の周囲に分布するリスクの領域を算出する算出部と、前記算出部によって算出された前記領域に基づいて、前記車両が走行すべき目標軌道を生成する生成部と、前記生成部によって生成された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を自動的に制御する運転制御部と、を備え、前記生成部が、前記領域が入力されると前記目標軌道を出力する複数のモデルの中から、いずれか一つ又は複数のモデルを選択し、前記選択したモデルに前記算出部によって算出された前記領域を入力し、前記領域を入力した前記モデルの出力結果に基づいて前記目標軌道を生成し、前記算出部が、前記生成部によって選択されたモデルの種類に応じて、前記領域の範囲を変更する車両制御装置である。
第２の態様は、第１の態様において、前記複数のモデルには、ルールベース又はモデルベースである少なくとも一つの第１モデルと、機械学習ベースである少なくとも一つの第２モデルとが含まれるものである。
第３の態様は、第２の態様において、前記算出部が、前記生成部によって選択されたモデルが前記第１モデルである場合、前記生成部によって選択されたモデルが前記第２モデルである場合と比べて、前記領域の範囲を広くするものである。
第４の態様は、第３の態様において、前記生成部が、前記車両が走行する道路の種類に応じて、前記複数のモデルの中からいずれか一つのモデルを選択するものである。
第５の態様は、第４の態様において、前記生成部が、前記車両が高速道路を走行する場合、前記第１モデルを選択し、前記車両が高速道路よりも周囲の状況が複雑な他の道路を走行する場合、前記第２モデルを選択するものである。
第６の態様は、第３の態様又は第４の態様において、前記生成部が、前記運転制御部によって前記車両の速度又は操舵のうち少なくとも一方が自動的に制御される際の自動化のレベルに応じて、前記複数のモデルの中からいずれか一つのモデルを選択するものである。
第７の態様は、第６の態様において、前記生成部が、前記レベルが基準値以上である場合、前記第１モデルを選択し、前記レベルが基準値未満である場合、前記第２モデルを選択するものである。
第８の態様は、第１の態様から第７の態様のいずれかにおいて、前記生成部が、前記複数のモデルの其々に前記領域を入力し、前記領域を入力した前記複数のモデルの其々の出力結果に基づいて複数の目標軌道を生成し、前記生成した複数の目標軌道の中から、人間が前記車両又は他車両を運転したときの軌道に最も近い前記目標軌道を選択し、前記運転制御部が、前記生成部によって選択された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御するものである。
第９の態様は、第１の態様から第８の態様のいずれかにおいて、前記領域は、複数のメッシュによって区画された領域であり、前記複数のメッシュの其々には、前記車両又は前記物体の少なくとも一方の状態を基に算出された前記リスクのポテンシャルが対応付けられており、前記複数のメッシュの其々に対応付けられた前記ポテンシャルは、前記領域に含まれる全てのメッシュのポテンシャルに基づいて正規化されており、前記生成部が、前記正規化されたポテンシャルが閾値よりも低い前記メッシュを通る軌道を、前記目標軌道として生成するものである。
第１０の態様は、車両に搭載されたコンピュータが、前記車両の周辺に存在する物体を認識し、前記認識した物体の周囲に分布するリスクの領域を算出し、前記算出した領域に基づいて、前記車両が走行すべき目標軌道を生成し、前記生成した目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御し、前記領域が入力されると前記目標軌道を出力する複数のモデルの中から、いずれか一つ又は複数のモデルを選択し、前記選択したモデルに前記算出した領域を入力し、前記領域を入力した前記モデルの出力結果に基づいて前記目標軌道を生成し、前記選択したモデルの種類に応じて、前記領域の範囲を変更する車両制御方法である。
第１１の態様は、車両に搭載されたコンピュータに、前記車両の周辺に存在する物体を認識すること、前記認識した物体の周囲に分布するリスクの領域を算出すること、前記算出した領域に基づいて、前記車両が走行すべき目標軌道を生成すること、前記生成した目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御すること、前記領域が入力されると前記目標軌道を出力する複数のモデルの中から、いずれか一つ又は複数のモデルを選択し、前記選択したモデルに前記算出した領域を入力し、前記領域を入力した前記モデルの出力結果に基づいて前記目標軌道を生成すること、前記選択したモデルの種類に応じて、前記領域の範囲を変更すること、を実行させるためのプログラムである。
上記のいずれかの態様によれば、周辺の状況に適合した目標軌道を生成することにより、車両の運転をスムーズに制御することができる。
第１実施形態に係る車両制御装置を利用した車両システムの構成図である。 第１実施形態に係る第１制御部、第２制御部、第３制御部、及び記憶部の機能構成図である。 リスク領域を説明するための図である。 ある座標ｘ１におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｘ２におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｘ３におけるＹ方向のリスクポテンシャルの変化を表す図である。 ある座標ｙ４におけるＸ方向のリスクポテンシャルの変化を表す図である。 リスクポテンシャルが決定されたリスク領域を表す図である。 目標軌道の生成方法を模式的に表す図である。 モデルが出力した目標軌道の一例を表す図である。 第１実施形態に係る自動運転制御装置による一連の処理の流れの一例を示すフローチャートである。 交通状況が複雑な場面の一例を表す図である。 図１２における座標ｘ４のリスクポテンシャルの変化を表す図である。 図１２に例示する場面においてモデルが出力する目標軌道の一例を表す図である。 交通状況が複雑な場面の他の例を表す図である。 図１５における座標ｘ４のリスクポテンシャルの変化を表す図である。 図１５に例示する場面においてモデルが出力する目標軌道の一例を表す図である。 第２実施形態に係る自動運転制御装置による一連の処理の流れの一例を示すフローチャートである。 実施形態の自動運転制御装置のハードウェア構成の一例を示す図である。
以下、図面を参照し、本発明の車両制御装置、車両制御方法、及びプログラムの実施形態について説明する。実施形態の車両制御装置は、例えば、自動運転車両に適用される。自動運転とは、例えば、車両の速度または操舵のうち、一方または双方を制御して車両の運転を制御することである。上述した車両の運転制御には、例えば、ＡＣＣ（Adaptive Cruise Control System）やＴＪＰ（Traffic Jam Pilot）、ＡＬＣ（Auto Lane Changing）、ＣＭＢＳ（Collision Mitigation Brake System）、ＬＫＡＳ（Lane Keeping Assistance System）といった種々の運転制御が含まれる。自動運転車両は、乗員（運転者）の手動運転によって運転が制御されてもよい。
＜第１実施形態＞
［全体構成］
図１は、第１実施形態に係る車両制御装置を利用した車両システム１の構成図である。車両システム１が搭載される車両（以下、自車両Ｍと称する）は、例えば、二輪や三輪、四輪等の車両であり、その駆動源は、ディーゼルエンジンやガソリンエンジン等の内燃機関、電動機、或いはこれらの組み合わせである。電動機は、内燃機関に連結された発電機による発電電力、或いは二次電池や燃料電池の放電電力を使用して動作する。
車両システム１は、例えば、カメラ１０と、レーダ装置１２と、ＬＩＤＡＲ（Light Detection and Ranging）１４と、物体認識装置１６と、通信装置２０と、ＨＭＩ（Human Machine Interface）３０と、車両センサ４０と、ナビゲーション装置５０と、ＭＰＵ（Map Positioning Unit）６０と、運転操作子８０と、車内カメラ９０と、自動運転制御装置１００と、走行駆動力出力装置２００と、ブレーキ装置２１０と、ステアリング装置２２０とを備える。これらの装置や機器は、ＣＡＮ（Controller Area Network）通信線等の多重通信線やシリアル通信線、無線通信網等によって互いに接続される。図１に示す構成はあくまで一例であり、構成の一部が省略されてもよいし、更に別の構成が追加されてもよい。自動運転制御装置１００は、「車両制御装置」の一例である。
カメラ１０は、例えば、ＣＣＤ（Charge Coupled Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）等の固体撮像素子を利用したデジタルカメラである。カメラ１０は、自車両Ｍの任意の箇所に取り付けられる。例えば、自車両Ｍの前方を撮像する場合、カメラ１０は、フロントウインドシールド上部やルームミラー裏面等に取り付けられる。また、自車両Ｍの後方を撮像する場合、カメラ１０は、リアウィンドシールド上部等に取り付けられる。また、自車両Ｍの右側方または左側方を撮像する場合、カメラ１０は、車体やドアミラーの右側面または左側面等に取り付けられる。カメラ１０は、例えば、周期的に繰り返し自車両Ｍの周辺を撮像する。カメラ１０は、ステレオカメラであってもよい。
レーダ装置１２は、自車両Ｍの周辺にミリ波等の電波を放射すると共に、物体によって反射された電波（反射波）を検出して少なくとも物体の位置（距離および方位）を検出する。レーダ装置１２は、自車両Ｍの任意の箇所に取り付けられる。レーダ装置１２は、ＦＭ－ＣＷ（Frequency Modulated Continuous Wave）方式によって物体の位置および速度を検出してもよい。
ＬＩＤＡＲ１４は、自車両Ｍの周辺に光を照射し、その照射した光の散乱光を測定する。ＬＩＤＡＲ１４は、発光から受光までの時間に基づいて、対象までの距離を検出する。照射される光は、例えば、パルス状のレーザ光であってよい。ＬＩＤＡＲ１４は、自車両Ｍの任意の箇所に取り付けられる。
物体認識装置１６は、カメラ１０、レーダ装置１２、およびＬＩＤＡＲ１４のうち一部または全部による検出結果に対してセンサフュージョン処理を行って、物体の位置、種類、速度等を認識する。物体認識装置１６は、認識結果を自動運転制御装置１００に出力する。また、物体認識装置１６は、カメラ１０、レーダ装置１２、およびＬＩＤＡＲ１４の検出結果をそのまま自動運転制御装置１００に出力してよい。この場合、車両システム１から物体認識装置１６が省略されてもよい。
通信装置２０は、例えば、セルラー網やＷｉ－Ｆｉ網、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＤＳＲＣ（Dedicated Short Range Communication）等を利用して、自車両Ｍの周辺に存在する他車両と通信したり、或いは無線基地局を介して各種サーバ装置と通信したりする。
ＨＭＩ３０は、自車両Ｍの乗員（運転者を含む）に対して各種情報を提示すると共に、乗員による入力操作を受け付ける。ＨＭＩ３０は、例えば、ディスプレイ、スピーカ、ブザー、タッチパネル、マイクロフォン、スイッチ、キー等を備えてもよい。
車両センサ４０は、自車両Ｍの速度を検出する車速センサ、加速度を検出する加速度センサ、鉛直軸回りの角速度を検出するヨーレートセンサ、自車両Ｍの向きを検出する方位センサ等を含む。
ナビゲーション装置５０は、例えば、ＧＮＳＳ（Global Navigation Satellite System）受信機５１と、ナビＨＭＩ５２と、経路決定部５３とを備える。ナビゲーション装置５０は、ＨＤＤ（Hard Disk Drive）やフラッシュメモリ等の記憶装置に第１地図情報５４を保持している。
ＧＮＳＳ受信機５１は、ＧＮＳＳ衛星から受信した信号に基づいて、自車両Ｍの位置を特定する。自車両Ｍの位置は、車両センサ４０の出力を利用したＩＮＳ（Inertial Navigation System）によって特定または補完されてもよい。
ナビＨＭＩ５２は、表示装置、スピーカ、タッチパネル、キー等を含む。ナビＨＭＩ５２は、前述したＨＭＩ３０と一部または全部が共通化されてもよい。例えば、乗員は、ＨＭＩ３０に対して、自車両Ｍの目的地を入力することに代えて、或いは加えて、ナビＨＭＩ５２に対して、自車両Ｍの目的地を入力してもよい。
経路決定部５３は、例えば、ＧＮＳＳ受信機５１により特定された自車両Ｍの位置（或いは入力された任意の位置）から、ＨＭ３０やナビＨＭＩ５２を用いて乗員により入力された目的地までの経路（以下、地図上経路）を、第１地図情報５４を参照して決定する。
第１地図情報５４は、例えば、道路を示すリンクと、リンクによって接続されたノードとによって道路形状が表現された情報である。第１地図情報５４は、道路の曲率やＰＯＩ（Point Of Interest）情報等を含んでもよい。地図上経路は、ＭＰＵ６０に出力される。
ナビゲーション装置５０は、地図上経路に基づいて、ナビＨＭＩ５２を用いた経路案内を行ってもよい。ナビゲーション装置５０は、例えば、乗員の保有するスマートフォンやタブレット端末等の端末装置の機能によって実現されてもよい。ナビゲーション装置５０は、通信装置２０を介してナビゲーションサーバに現在位置と目的地を送信し、ナビゲーションサーバから地図上経路と同等の経路を取得してもよい。
ＭＰＵ６０は、例えば、推奨車線決定部６１を含み、ＨＤＤやフラッシュメモリ等の記憶装置に第２地図情報６２を保持している。推奨車線決定部６１は、ナビゲーション装置５０から提供された地図上経路を複数のブロックに分割し（例えば、車両進行方向に関して１００［ｍ］毎に分割し）、第２地図情報６２を参照してブロックごとに推奨車線を決定する。推奨車線決定部６１は、左から何番目の車線を走行するといった決定を行う。推奨車線決定部６１は、地図上経路に分岐箇所が存在する場合、自車両Ｍが、分岐先に進行するための合理的な経路を走行できるように、推奨車線を決定する。
第２地図情報６２は、第１地図情報５４よりも高精度な地図情報である。第２地図情報６２は、例えば、車線の中央の情報あるいは車線の境界の情報等を含んでいる。また、第２地図情報６２には、道路情報、交通規制情報、住所情報（住所・郵便番号）、施設情報、電話番号情報等が含まれてよい。第２地図情報６２は、通信装置２０が他装置と通信することにより、随時、アップデートされてよい。
運転操作子８０は、例えば、アクセルペダル、ブレーキペダル、シフトレバー、ステアリングホイール、異形ステア、ジョイスティックその他の操作子を含む。運転操作子８０には、操作量あるいは操作の有無を検出するセンサが取り付けられており、その検出結果は、自動運転制御装置１００、もしくは、走行駆動力出力装置２００、ブレーキ装置２１０、およびステアリング装置２２０のうち一部または全部に出力される。
例えば、ステアリングホイールに取り付けられたセンサ（以下、ステアリングセンサ）は、ステアリングホイールに乗員が触れることで発生した微弱な電流を検出する。また、ステアリングセンサは、ステアリングホイールの回転軸（シャフト）回りに生じた操舵トルクを検出してもよい。ステアリングセンサは、電流や操舵トルクを検出すると、その検出結果を示す信号を自動運転制御装置１００に出力する。
車内カメラ９０は、自車両Ｍの車室内を撮像するカメラである。車内カメラ９０は、例えば、ＣＣＤやＣＭＯＳ等の固体撮像素子を利用したデジタルカメラである。車内カメラ９０は、自車両Ｍの車室内を撮像すると、画像データを自動運転制御装置１００に出力する。
自動運転制御装置１００は、例えば、第１制御部１２０と、第２制御部１６０と、第３制御部１７０と、記憶部１８０とを備える。第１制御部１２０、第２制御部１６０、及び第３制御部１７０のそれぞれは、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予め自動運転制御装置１００のＨＤＤやフラッシュメモリ等の記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭ等の着脱可能な記憶媒体に格納されており、記憶媒体（非一過性の記憶媒体）がドライブ装置に装着されることで自動運転制御装置１００のＨＤＤやフラッシュメモリにインストールされてもよい。
記憶部１８０は、上記の各種記憶装置により実現される。記憶部１８０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）等により実現される。記憶部１８０には、例えば、プロセッサによって読み出されて実行されるプログラムに加えて、ルールベースモデルデータ１８２やＤＮＮ（Deep Neural Network(s)）モデルデータ１８４などが格納される。ルールベースモデルデータ１８２やＤＮＮモデルデータ１８４の詳細については後述する。
図２は、第１実施形態に係る第１制御部１２０、第２制御部１６０、第３制御部１７０、及び記憶部１８０の機能構成図である。第１制御部１２０は、例えば、認識部１３０と、行動計画生成部１４０とを備える。
第１制御部１２０は、例えば、ＡＩ（Artificial Intelligence；人工知能）による機能と、予め与えられたモデルによる機能とを並行して実現する。例えば、「交差点を認識する」機能は、ディープラーニング等による交差点の認識と、予め与えられた条件（パターンマッチング可能な信号、道路標示等がある）に基づく認識とが並行して実行され、双方に対してスコア付けして総合的に評価することで実現されてよい。これによって、自動運転の信頼性が担保される。
認識部１３０は、自車両Ｍの周辺の状況或いは環境を認識する。例えば、認識部１３０は、カメラ１０、レーダ装置１２、およびＬＩＤＡＲ１４から物体認識装置１６を介して入力された情報に基づいて、自車両Ｍの周辺に存在する物体を認識する。認識部１３０により認識される物体は、例えば、自転車、オートバイク、四輪自動車、歩行者、道路標識、道路標示、区画線、電柱、ガードレール、落下物などを含む。また、認識部１３０は、物体の位置や、速度、加速度等の状態を認識する。物体の位置は、例えば、自車両Ｍの代表点（重心や駆動軸中心など）を原点とした相対座標上の位置（すなわち自車両Ｍに対する相対位置）として認識され、制御に使用される。物体の位置は、その物体の重心やコーナー等の代表点で表されてもよいし、表現された領域で表されてもよい。物体の「状態」には、物体の加速度やジャーク、あるいは「行動状態」（例えば車線変更をしている、またはしようとしているか否か）が含まれてもよい。
また、認識部１３０は、例えば、自車両Ｍが走行している車線（以下、自車線）や、その自車線に隣接した隣接車線などを認識する。例えば、認識部１３０は、第２地図情報６２から得られる道路区画線のパターン（例えば実線と破線の配列）と、カメラ１０によって撮像された画像から認識される自車両Ｍの周辺の道路区画線のパターンとを比較することで、自車線や隣接車線などを認識する。
また、認識部１３０は、道路区画線に限らず、道路区画線や路肩、縁石、中央分離帯、ガードレール等を含む走路境界（道路境界）を認識することで、自車線や隣接車線といった車線を認識してもよい。この認識において、ナビゲーション装置５０から取得される自車両Ｍの位置やＩＮＳによる処理結果が加味されてもよい。また、認識部１３０は、一時停止線、障害物、赤信号、料金所、その他の道路事象を認識してよい。
認識部１３０は、自車線を認識する際に、自車線に対する自車両Ｍの相対位置や姿勢を認識する。認識部１３０は、例えば、自車両Ｍの基準点の車線中央からの乖離、および自車両Ｍの進行方向の車線中央を連ねた線に対してなす角度を、自車線に対する自車両Ｍの相対位置および姿勢として認識してもよい。これに代えて、認識部１３０は、自車線のいずれかの側端部（道路区画線または道路境界）に対する自車両Ｍの基準点の位置などを、自車線に対する自車両Ｍの相対位置として認識してもよい。
行動計画生成部１４０は、例えば、イベント決定部１４２と、リスク領域算出部１４４と、目標軌道生成部１４６とを備える。
イベント決定部１４２は、推奨車線が決定された経路において自車両Ｍが自動運転下にある場合、その自動運転の走行態様を決定する。以下、自動運転の走行態様を規定した情報をイベントと称して説明する。
イベントには、例えば、定速走行イベント、追従走行イベント、車線変更イベント、分岐イベント、合流イベント、テイクオーバーイベントなどが含まれる。定速走行イベントは、自車両Ｍを一定の速度で同じ車線を走行させる走行態様である。追従走行イベントは、自車線上において自車両Ｍの前方の所定距離以内（例えば１００［ｍ］以内）に存在し、自車両Ｍに最も近い他車両（以下、先行車両と称する）に自車両Ｍを追従させる走行態様である。
「追従する」とは、例えば、自車両Ｍと先行車両との車間距離（相対距離）を一定に維持させる走行態様であってもよいし、自車両Ｍと先行車両との車間距離を一定に維持させることに加えて、自車両Ｍを自車線の中央で走行させる走行態様であってもよい。
車線変更イベントは、自車両Ｍを自車線から隣接車線へと車線変更させる走行態様である。分岐イベントは、道路の分岐地点で自車両Ｍを目的地側の車線に分岐させる走行態様である。合流イベントは、合流地点で自車両Ｍを本線に合流させる走行態様である。テイクオーバーイベントは、自動運転を終了して手動運転に切り替える走行態様である。
また、イベントには、例えば、追い越しイベントや、回避イベントなどが含まれてもよい。追い越しイベントは、自車両Ｍを一旦隣接車線に車線変更させて先行車両を隣接車線において追い越してから再び元の車線へと車線変更させる走行態様である。回避イベントは、自車両Ｍの前方に存在する障害物を回避するために自車両Ｍに制動および操舵の少なくとも一方を行わせる走行態様である。
また、イベント決定部１４２は、例えば、自車両Ｍの走行時に認識部１３０により認識された周辺の状況に応じて、現在の区間に対して既に決定したイベントを他のイベントに変更したり、現在の区間に対して新たなイベントを決定したりしてよい。
リスク領域算出部１４４は、認識部１３０によって認識された物体の周囲に潜在的に分布する、或いは潜在的に存在するリスクの領域（以下、リスク領域ＲＡと称する）を算出する。リスクは、例えば、物体が自車両Ｍに対して及ぼすリスクである。より具体的には、リスクは、先行車両が急減速したり、隣接車線から他車両が自車両Ｍの前方に割り込んだりしたために、自車両Ｍに急な制動を強いるようなリスクであってもよいし、歩行者や自転車が車道に進入したために、自車両Ｍに急な転舵を強いるようなリスクであってもよい。また、リスクは、自車両Ｍが物体に及ぼすリスクであってもよい。以下、このようなリスクの高さを定量的な指標値として扱うものとし、その指標値を「リスクポテンシャルｐ」と称して説明する。
図３は、リスク領域ＲＡを説明するための図である。図中ＬＮ１は、自車線を区画する一方の区画線を表し、ＬＮ２は、自車線を区画する他方の区画線であり、且つ隣接車線を区画する一方の区画線を表している。ＬＮ３は、隣接車線を区画する他方の区画線を表している。これら複数の区画線のうち、ＬＮ１及びＬＮ３は車道外側線であり、ＬＮ２は追い越しのために車両がはみ出すことが許容された中央線である。また、図示の例では、自車線上の自車両Ｍの前方に先行車両ｍ１が存在している。図中Ｘは車両の進行方向を表し、Ｙは車両の幅方向を表し、Ｚは鉛直方向を表している。
図示の状況の場合、リスク領域算出部１４４は、リスク領域ＲＡの中で、車道外側線ＬＮ１及びＬＮ３に近い領域ほどリスクポテンシャルｐを高くし、車道外側線ＬＮ１及びＬＮ３から遠い領域ほどリスクポテンシャルｐを低くする。
また、リスク領域算出部１４４は、リスク領域ＲＡの中で、中央線ＬＮ２に近い領域ほどリスクポテンシャルｐを高くし、中央線ＬＮ２から遠い領域ほどリスクポテンシャルｐを低くする。中央線ＬＮ２は、車道外側線ＬＮ１及びＬＮ３と異なり、車両がはみ出すことが許容されているため、リスク領域算出部１４４は、中央線ＬＮ２に対するリスクポテンシャルｐを、車道外側線ＬＮ１及びＬＮ３に対するリスクポテンシャルｐよりも低くする。
また、リスク領域算出部１４４は、リスク領域ＲＡの中で、物体の一種である先行車両ｍ１に近い領域ほどリスクポテンシャルｐを高くし、先行車両ｍ１から遠い領域ほどリスクポテンシャルｐを低くする。すなわち、リスク領域算出部１４４は、リスク領域ＲＡの中で、自車両Ｍと先行車両ｍ１との相対距離が短いほどリスクポテンシャルｐを高くし、自車両Ｍと先行車両ｍ１との相対距離が長いほどリスクポテンシャルｐを低くしてよい。この際、リスク領域算出部１４４は、先行車両ｍ１の絶対速度や絶対加速度が大きいほどリスクポテンシャルｐを高くしてよい。また、リスクポテンシャルｐは、先行車両ｍ１の絶対速度や絶対加速度に代えて、或いは加えて、自車両Ｍと先行車両ｍ１との相対速度や相対加速度、ＴＴＣ（Time to Collision）等に応じて適宜決定されてもよい。
図４は、ある座標ｘ１におけるＹ方向のリスクポテンシャルｐの変化を表す図である。図中ｙ１は、Ｙ方向に関する車道外側線ＬＮ１の位置（座標）を表し、ｙ２は、Ｙ方向に関する中央線ＬＮ２の位置（座標）を表し、ｙ３は、Ｙ方向に関する車道外側線ＬＮ３の位置（座標）を表している。
図示のように、車道外側線ＬＮ１が存在する座標（ｘ１，ｙ１）の付近や、車道外側線ＬＮ３が存在する座標（ｘ１，ｙ３）の付近では、リスクポテンシャルｐが最も高くなり、中央線ＬＮ２が存在する座標（ｘ１，ｙ２）の付近では、リスクポテンシャルｐが座標（ｘ１，ｙ１）や（ｘ１，ｙ３）の次に高くなる。後述するように、リスクポテンシャルｐが、予め決められた閾値Ｔｈと同じかそれ以上の領域では、その領域に車両が進入することを防ぐため、目標軌道ＴＲが生成されない。
図５は、ある座標ｘ２におけるＹ方向のリスクポテンシャルｐの変化を表す図である。座標ｘ２は、座標ｘ１よりも先行車両ｍ１に近い。そのため、車道外側線ＬＮ１が存在する座標（ｘ２，ｙ１）と、中央線ＬＮ２が存在する座標（ｘ２，ｙ２）との間の領域には先行車両ｍ１が存在していないものの、先行車両ｍ１が急減速するなどのリスクが考慮される。その結果、（ｘ２，ｙ１）と（ｘ２，ｙ２）との間の領域のリスクポテンシャルｐは、（ｘ１，ｙ１）と（ｘ１，ｙ２）との間の領域のリスクポテンシャルｐよりも高くなりやすく、例えば閾値Ｔｈ以上となる。
図６は、ある座標ｘ３におけるＹ方向のリスクポテンシャルｐの変化を表す図である。座標ｘ３には、先行車両ｍ１が存在している。そのため、車道外側線ＬＮ１が存在する座標（ｘ３，ｙ１）と、中央線ＬＮ２が存在する座標（ｘ３，ｙ２）との間の領域のリスクポテンシャルｐは、（ｘ２，ｙ１）と（ｘ２，ｙ２）との間の領域のリスクポテンシャルｐよりも高く、且つ閾値Ｔｈ以上となる。。
図７は、ある座標ｙ４におけるＸ方向のリスクポテンシャルｐの変化を表す図である。座標ｙ４はｙ１とｙ２との中間座標であり、その座標ｙ４には先行車両ｍ１が存在している。そのため、座標（ｘ３，ｙ４）におけるリスクポテンシャルｐは最も高くなり、座標（ｘ３，ｙ４）よりも先行車両ｍ１から遠い座標（ｘ２，ｙ４）におけるリスクポテンシャルｐは、座標（ｘ３，ｙ４）におけるリスクポテンシャルｐよりも低くなり、座標（ｘ２，ｙ４）よりも更に先行車両ｍ１から遠い座標（ｘ１，ｙ４）におけるリスクポテンシャルｐは、座標（ｘ２，ｙ４）におけるリスクポテンシャルｐよりも低くなる。
図８は、リスクポテンシャルｐが決定されたリスク領域ＲＡを表す図である。図示のように、リスク領域算出部１４４は、リスク領域ＲＡを複数のメッシュ（グリッドともいう）で区画し、それら複数のメッシュのそれぞれに対してリスクポテンシャルｐを対応付ける。例えば、メッシュ（ｘｉ，ｙｊ）には、リスクポテンシャルｐｉｊが対応付けられる。すなわち、リスク領域ＲＡは、ベクトルやテンソルといったデータ構造で表される。
リスク領域算出部１４４は、複数のメッシュに対してリスクポテンシャルｐを対応付けると、各メッシュのリスクポテンシャルｐを正規化する。
例えば、リスク領域算出部１４４は、リスクポテンシャルｐの最大値が１となり最小値が０となるようにリスクポテンシャルｐを正規化してよい。具体的には、リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュのリスクポテンシャルｐの中から、最大値をとるリスクポテンシャルｐｍａｘと、最小値をとるリスクポテンシャルｐｍｉｎとを選択する。リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュの中から、ある着目する一つのメッシュ（ｘｉ，ｙｊ）を選び出し、そのメッシュ（ｘｉ，ｙｊ）に対応付けられたリスクポテンシャルｐｉｊから最小のリスクポテンシャルｐｍｉｎを減算するとともに、最大のリスクポテンシャルｐｍａｘから最小のリスクポテンシャルｐｍｉｎを減算し、（ｐｉｊ－ｐｍｉｎ）を（ｐｍａｘ－ｐｍｉｎ）で除算する。リスク領域算出部１４４は、着目するメッシュを変えながら、上記処理を繰り返す。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値が１となり最小値が０となるように正規化される。
また、リスク領域算出部１４４は、リスク領域ＲＡに含まれる全メッシュのリスクポテンシャルｐの平均値μと標準偏差σとを算出し、メッシュ（ｘｉ，ｙｊ）に対応付けられたリスクポテンシャルｐｉｊから平均値μを減算し、（ｐｉｊ－μ）を標準偏差σで除算してもよい。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値が１となり最小値が０となるように正規化される。
また、リスク領域算出部１４４は、リスクポテンシャルｐの最大値が任意のＭとなり最小値が任意のｍとなるようにリスクポテンシャルｐを正規化してよい。具体的には、リスク領域算出部１４４は、（ｐｉｊ－ｐｍｉｎ）／（ｐｍａｘ－ｐｍｉｎ）をＡとした場合、そのＡに対して（Ｍ－ｍ）を乗算し、Ａ（Ｍ－ｍ）にｍを加算する。これによって、リスク領域ＲＡは、リスクポテンシャルｐの最大値がＭとなり最小値がｍとなるように正規化される。
図２の説明に戻る。目標軌道生成部１４６は、原則的には推奨車線決定部６１により決定された推奨車線を自車両Ｍが走行し、更に、自車両Ｍが推奨車線を走行する際に周辺の状況に対応するため、イベントにより規定された走行態様で自車両Ｍを自動的に（運転者の操作に依らずに）走行させる将来の目標軌道ＴＲを生成する。目標軌道ＴＲには、例えば、将来の自車両Ｍの位置を定めた位置要素と、将来の自車両Ｍの速度等を定めた速度要素とが含まれる。
例えば、目標軌道生成部１４６は、自車両Ｍが順に到達すべき複数の地点（軌道点）を、目標軌道ＴＲの位置要素として決定する。軌道点は、所定の走行距離（例えば数［ｍ］程度）ごとの自車両Ｍの到達すべき地点である。所定の走行距離は、例えば、経路に沿って進んだときの道なり距離によって計算されてよい。
また、目標軌道生成部１４６は、所定のサンプリング時間（例えば０コンマ数［ｓｅｃ］程度）ごとの目標速度νおよび目標加速度αを、目標軌道ＴＲの速度要素として決定する。また、軌道点は、所定のサンプリング時間ごとの、そのサンプリング時刻における自車両Ｍの到達すべき位置であってもよい。この場合、目標速度νや目標加速度αは、サンプリング時間および軌道点の間隔によって決定される。
例えば、目標軌道生成部１４６は、記憶部１８０からルールベースモデルデータ１８２やＤＮＮモデルデータ１８４などを読み出し、読み出したデータによって定義されたモデルを用いて目標軌道ＴＲを生成する。
ルールベースモデルデータ１８２は、一つ又は複数のルールベースモデルＭＤＬ１を定義した情報（プログラムまたはデータ構造）である。ルールベースモデルＭＤＬ１は、専門家などによって予め決められたルール群に基づいて、リスク領域ＲＡから目標軌道ＴＲを導き出すモデルである。このようなルールベースモデルＭＤＬ１は、専門家などがルール群を決めるため、エキスパートシステムとも呼ばれる。ルールベースモデルＭＤＬ１は、「第１モデル」の一例である。
例えば、ルール群の中には、ある条件Ｘに対して目標軌道ＴＲｘが一意に対応付けられたルールが存在し得る。条件Ｘは、例えば、ルールベースモデルＭＤＬ１に入力されるリスク領域ＲＡが、自車両Ｍが片側一車線の道路を走行しており、自車両Ｍの前方の所定距離以内に時速ＸＸ［ｋｍ／ｈ］の先行車両が存在する際に生成され得るリスク領域ＲＡＸと同じことである。目標軌道ＴＲｘは、例えば、目標速度がνＸであり、目標加速度がαＸであり、ステアリングの変位量がｕＸであり、軌道の曲率がκＸである目標軌道ＴＲである。このようなルールに従った場合、ルールベースモデルＭＤＬ１は、条件Ｘを満たすようなリスク領域ＲＡが入力されると、目標軌道ＴＲｘを出力することになる。
専門家などがルール群を決めているものの、ありとあらゆるルールが網羅的に決められていることは稀である。そのため、自車両Ｍがルール群に存在しない状況（専門家が想定していない状況）に陥ることも想定され、ルールベースモデルＭＤＬ１には、ルール群に該当しないリスク領域ＲＡが入力される場合がある。この場合、ルールベースモデルＭＤＬ１は、目標軌道ＴＲを出力しないことになる。これに代えて、ルールベースモデルＭＤＬ１は、ルール群に該当しないリスク領域ＲＡが入力された場合、予め決められた速度で現在の車線を走行する、といったような現状のリスク領域ＲＡに依存しない予め決められた目標軌道ＴＲを出力してもよい。すなわち、ルール群の中に、事前に想定していないリスク領域ＲＡが入力された場合、現状のリスク領域ＲＡに依存しない予め決められた目標軌道ＴＲを出力する、というイレギュラーな状況に対応するための汎用的なルールが含まれていてもよい。
ＤＮＮモデルデータ１８４は、一つ又は複数のＤＮＮモデルＭＤＬ２を定義した情報（プログラムまたはデータ構造）である。ＤＮＮモデルＭＤＬ２は、リスク領域ＲＡが入力されると、目標軌道ＴＲを出力するように学習された深層学習モデルである。具体的には、ＤＮＮモデルＭＤＬ２は、ＣＮＮ（Convolutional Neural Network）や、ＲＮＮ（Reccurent Neural Network）、或いはこれらの組合せであってよい。ＤＮＮモデルデータ１８４には、例えば、ニューラルネットワークを構成する複数の層のそれぞれに含まれるユニットが互いにどのように結合されるのかという結合情報や、結合されたユニット間で入出力されるデータに付与される結合係数などの各種情報が含まれる。ＤＮＮモデルＭＤＬ２は、「第２モデル」の一例である。
結合情報とは、例えば、各層に含まれるユニット数や、各ユニットの結合先のユニットの種類を指定する情報、各ユニットの活性化関数、隠れ層のユニット間に設けられたゲートなどの情報を含む。活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ユニット間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、例えば、ニューラルネットワークの隠れ層において、ある層のユニットから、より深い層のユニットにデータが出力される際に、出力データに対して付与される重み係数を含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。
ＤＮＮモデルＭＤＬ２は、例えば、教師データに基づいて十分に学習される。教師データは、例えば、リスク領域ＲＡに対して、ＤＮＮモデルＭＤＬ２が出力すべき正解の目標軌道ＴＲが教師ラベル（ターゲットともいう）として対応付けられたデータセットである。すなわち、教師データは、入力データであるリスク領域ＲＡと、出力データである目標軌道ＴＲとを組み合わせたデータセットである。正解の目標軌道ＴＲは、例えば、リスク領域ＲＡに含まれる複数のメッシュの中で、リスクポテンシャルｐが閾値Ｔｈ未満であり、且つ最もリスクポテンシャルｐが低いメッシュを通過する目標軌道であってよい。また、正解の目標軌道ＴＲは、例えば、あるリスク領域ＲＡ下において、実際に運転者が運転した車両の軌道であってよい。
目標軌道生成部１４６は、自車両Ｍが走行する道路の種類や、自車両Ｍの運転モードの種類（自動化レベル）に応じて、一つ又は複数のルールベースモデルＭＤＬ１と、一つ又は複数のＤＮＮモデルＭＤＬ２とを含むモデル集合の中からいずれか一つのモデルＭＤＬを選択する。そして、目標軌道生成部１４６は、選択したモデルＭＤＬに対して、リスク領域算出部１４４によって算出されたリスク領域ＲＡを入力し、そのリスク領域ＲＡを入力したモデルＭＤＬの出力結果に基づいて、目標軌道ＴＲを生成する。
図９は、目標軌道ＴＲの生成方法を模式的に表す図である。例えば、目標軌道生成部１４６は、あるＤＮＮモデルＭＤＬ２を選択した場合、そのＤＮＮモデルＭＤＬ２に対して、リスク領域ＲＡを表すベクトル或いはテンソルを入力する。リスク領域ＲＡを表すベクトル或いはテンソルの要素数（次元数）は、選択されたモデルＭＤＬの種類に応じて変動する。図示の例では、リスク領域ＲＡがｍ行ｎ列の２階のテンソルとして表されており、この場合、選択されたモデルＭＤＬの種類に応じて、行数ｍ及び列数ｎが変動する。リスク領域ＲＡを表すベクトル或いはテンソルが入力されたモデルＭＤＬは、目標軌道ＴＲを出力する。この目標軌道ＴＲは、例えば、目標速度νや、目標加速度α、ステアリングの変位量ｕ、軌道の曲率κ、といった複数の要素を含むベクトル或いはテンソルによって表される。
図１０は、モデルＭＤＬが出力した目標軌道ＴＲの一例を表す図である。図示の例のように、先行車両ｍ１の周辺のリスクポテンシャルｐは高くなるため、これを避けるように目標軌道ＴＲが生成される。この結果、自車両Ｍは、区画線ＬＮ２及びＬＮ３によって区画された隣接車線に車線変更して先行車両ｍ１を追い越すことになる。
図２の説明に戻る。第２制御部１６０は、目標軌道生成部１４６によって生成された目標軌道ＴＲを、予定の時刻通りに自車両Ｍが通過するように、走行駆動力出力装置２００、ブレーキ装置２１０、およびステアリング装置２２０を制御する。第２制御部１６０は、例えば、第１取得部１６２と、速度制御部１６４と、操舵制御部１６６とを備える。第２制御部１６０は、「運転制御部」の一例である。
第１取得部１６２は、目標軌道生成部１４６から目標軌道ＴＲを取得し、記憶部１８０のメモリに記憶させる。
速度制御部１６４は、メモリに記憶された目標軌道ＴＲに含まれる速度要素（例えば目標速度νや目標加速度α等）に基づいて、走行駆動力出力装置２００およびブレーキ装置２１０の一方または双方を制御する。
操舵制御部１６６は、メモリに記憶された目標軌道に含まれる位置要素（例えば目標軌道の曲率κや、軌道点の位置に応じたステアリングの変位量ｕ等）に応じて、ステアリング装置２２０を制御する。
速度制御部１６４および操舵制御部１６６の処理は、例えば、フィードフォワード制御とフィードバック制御との組み合わせにより実現される。一例として、操舵制御部１６６は、自車両Ｍの前方の道路の曲率に応じたフィードフォワード制御と、目標軌道ＴＲからの乖離に基づくフィードバック制御とを組み合わせて実行する。
走行駆動力出力装置２００は、車両が走行するための走行駆動力（トルク）を駆動輪に出力する。走行駆動力出力装置２００は、例えば、内燃機関、電動機、および変速機などの組み合わせと、これらを制御するパワーＥＣＵ（Electronic Control Unit）とを備える。パワーＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って、上記の構成を制御する。
ブレーキ装置２１０は、例えば、ブレーキキャリパーと、ブレーキキャリパーに油圧を伝達するシリンダと、シリンダに油圧を発生させる電動モータと、ブレーキＥＣＵとを備える。ブレーキＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って電動モータを制御し、制動操作に応じたブレーキトルクが各車輪に出力されるようにする。ブレーキ装置２１０は、運転操作子８０に含まれるブレーキペダルの操作によって発生させた油圧を、マスターシリンダを介してシリンダに伝達する機構をバックアップとして備えてよい。なお、ブレーキ装置２１０は、上記説明した構成に限らず、第２制御部１６０から入力される情報に従ってアクチュエータを制御して、マスターシリンダの油圧をシリンダに伝達する電子制御式油圧ブレーキ装置であってもよい。
ステアリング装置２２０は、例えば、ステアリングＥＣＵと、電動モータとを備える。電動モータは、例えば、ラックアンドピニオン機構に力を作用させて転舵輪の向きを変更する。ステアリングＥＣＵは、第２制御部１６０から入力される情報、或いは運転操作子８０から入力される情報に従って、電動モータを駆動し、転舵輪の向きを変更させる。
第３制御部１７０は、第２取得部１７２と、モード制御部１７４と、第１判定部１７６と、第２判定部１７８とを備える。第２取得部１７２は、例えば、認識部１３０の認識結果を取得したり、ＨＭＩ３０に対して乗員が入力した情報を取得したりする。第２取得部１７２は、取得した各種情報を、モード制御部１７４、第１判定部１７６、及び第２判定部１７８に提供する。
モード制御部１７４は、自車両Ｍの運転モードを制御する。自車両Ｍの運転モードには、例えば、手動運転モードと、自動運転モードとが含まれる。手動運転モードとは、乗員の運転操作に応じて、自車両Ｍの速度および操舵が制御されるモードである。
自動運転モードとは、乗員の運転操作に依らずに、自車両Ｍの速度又は操舵のいずれか一方、または自車両Ｍの速度及び操舵の双方が自動的に制御されるモードである。自動運転モードには、第１自動運転モード、第２自動運転モード、第３自動運転モード、第４自動運転モード、第５自動運転モード、といった複数の自動運転モードが含まれる。これらの自動運転モードは、制御の自動化のレベルが異なる。更に、これらの複数の自動運転モードのうち一部の自動運転モード下では、自車両Ｍの乗員に対して、制御の自動化のレベルに応じた義務（タスクともいう）が課される。
第１自動運転モードは、自動化のレベルが最も低い自動運転モードである。第１自動運転モード下では、例えば、ＡＣＣやＬＫＡＳといった運転支援制御が行われる。第１自動運転モード下において、ＡＣＣが行われている間、ＬＫＡＳが制限され、ＬＫＡＳが行われている間、ＡＣＣが制限される。すなわち、第１自動運転モード下では、操舵制御および速度制御が逐次的に処理される。第１自動運転モード下では、自車両Ｍの乗員に対して第１の義務と第２の義務が課される。第１の義務は、自車両Ｍの周辺（特に前方）を監視する義務であり、第２の義務は、ステアリングホイールを操作する義務である。「操作する」とは、手で掴む、或いは手を触れることであってよい。
第２自動運転モードは、第１自動運転モードよりも自動化のレベルが高い自動運転モードである。第２自動運転モード下では、例えば、ＡＣＣやＬＫＡＳ、ＡＬＣといった複数の運転支援制御が連動して行われる。第２自動運転モード下では、乗員に対して要求される義務の程度が第１自動運転モードと同じかそれよりも低い。例えば、第２自動運転モード下では、乗員に対して第１の義務が課され、原則第２の義務が課されない。第２自動運転モード下では、ＡＬＣのような一部の運転支援制御が行われる直前などのタイミングにおいて、更に乗員に第２の義務が課されてもよい。
第３自動運転モードは、第２自動運転モードよりも自動化のレベルが高い自動運転モードである。第３自動運転モード下では、特定条件を満たす場合に、自車両Ｍの速度及び操舵の双方が自動的に制御される。特定条件とは、例えば、障害物が少なく、自車両Ｍが自車線を認識したり、その自車線に対する自車両Ｍの相対的な位置を認識したりすることが可能な道路を走行していることである。このような道路は、例えば高速道路である。第３自動運転モード下では、乗員に対して要求される義務の程度が第２自動運転モードよりも低い。例えば、第３自動運転モード下では、第１の義務および第２の義務のいずれの義務も乗員に課されない。なお、第３自動運転モード下では、緊急時などに乗員の運転操作が要求される場合がある。
第４自動運転モードは、第３自動運転モードと自動化のレベルが同じかそれよりも高い自動運転モードである。第４自動運転モード下では、特定条件を満たす場合に、自車両Ｍの速度及び操舵の双方が自動的に制御される。第４自動運転モード下では、第３自動運転モードと同様に、乗員に対して要求される義務の程度が第２自動運転モードよりも低い。例えば、第４自動運転モード下では、第１の義務および第２の義務のいずれの義務も乗員に課されない。第４自動運転モード下では、緊急時などであっても自車両Ｍの速度及び操舵の双方が乗員の運転操作に依らずに自動的に制御される。
第５自動運転モードは、第４自動運転モードと自動化のレベルが同じかそれよりも高い自動運転モードである。第５自動運転モード下では、特定条件に関わらず、自車両Ｍの速度及び操舵の双方が自動的に制御される。第５自動運転モード下では、第３自動運転モードや第４自動運転モードと同様に、乗員に対して要求される義務の程度が第２自動運転モードよりも低い。例えば、第５自動運転モード下では、第１の義務および第２の義務のいずれの義務も乗員に課されない。
例えば、モード制御部１７４は、第２自動運転モード下にある自車両Ｍが特定条件を満たす場合、運転モードを、第２自動運転モードよりも自動化レベルの高い自動運転モード（例えば第３自動運転モード）に切り替えてよい。
また、例えば、モード制御部１７４は、第３自動運転モードや第４自動運転モード下にある自車両Ｍが特定条件を満たさなくなった場合、運転モードを第２自動運転モードや第１自動運転モードに切り替えてよい。「特定条件を満たさない」とは、例えば、高速道路よりも障害物が多く周囲の状況が複雑な道路や、車線などを認識できない道路を走行することである。このような道路は、例えば、一般道である。
また、モード制御部１７４は、後述する第１判定部１７６および第２判定部１７８の判定結果に基づいて、自車両Ｍの運転モードを制御してよい。
また、モード制御部１７４は、運転操作子８０から入力される検出信号に基づいて、運転モードを制御してもよい。例えば、自動運転モード下において、乗員がステアリングホイールや、アクセルペダル、ブレーキペダルを閾値を超える操作量で操作した場合、モード制御部１７４は、運転モードを手動運転モードに切り替えてよい。
また、モード制御部１７４は、ＨＭＩ３０に対する入力操作に基づいて、自車両Ｍの運転モードを制御してもよい。
第１判定部１７６は、第１の義務が課される自動運転モード下において、車内カメラ９０によって生成された画像を解析して、運転席の乗員の視線の向きや顔の向きを検出する。第１判定部１７６は、検出した視線または顔の向きに基づいて、運転席の乗員が自車両Ｍの周辺を監視しているか否かを判定する。すなわち、第１判定部１７６は、乗員が第１の義務を果たしているのか否かを判定する。例えば、乗員がフロントウィンドウシールド越しに車外を見ている場合、第１判定部１７６は、乗員が自車両Ｍの周辺を監視していると判定する。すなわち、第１判定部１７６は、乗員が第１の義務を果たしていると判定する。
第２判定部１７８は、第２の義務が課される自動運転モード下において、ステアリングセンサの検出結果に基づいて、乗員がステアリングホイールを手で掴んでいる、或いはステアリングホイールに手を触れているのか否かを判定する。すなわち、第２判定部１７８は、乗員が第２の義務を果たしているのか否かを判定する。例えば、第２判定部１７８は、ステアリングセンサによって検出された電流値や操舵トルクが閾値以上である場合、乗員がステアリングホイールを手で掴んでいる、或いはステアリングホイールに手を触れていると判定する。すなわち、第２判定部１７８は、乗員が第２の義務を果たしていると判定する。
［処理フロー］
以下、第１実施形態に係る自動運転制御装置１００による一連の処理の流れを、フローチャートを用いて説明する。図１１は、第１実施形態に係る自動運転制御装置１００による一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、運転モードが「自動運転モード」である場合に、所定の周期で繰り返し実行されてよい。
まず、認識部１３０は、自車両Ｍが走行している道路に存在する物体を認識する（ステップＳ１００）。
次に、モード制御部１７４は、特定条件を満たすか否かを判定する（ステップＳ１０２）。例えば、自車両Ｍが一般道を走行している場合、モード制御部１７４は、特定条件を満たさないと判定し、運転モードを第２自動運転モードに切り替えたり、自動化レベルが第２自動運転モードよりも低い第１自動運転モードに切り替えたりする（ステップＳ１０４）。
目標軌道生成部１４６は、運転モードが第２自動運転モードか、或いは第２自動運転モードよりも自動化レベルが低い第１自動運転モードである場合、一つ又は複数のルールベースモデルＭＤＬ１と、一つ又は複数のＤＮＮモデルＭＤＬ２とが含まれるモデル集合の中から、ある一つのＤＮＮモデルＭＤＬ２を選択する（ステップＳ１０６）。言い換えれば、目標軌道生成部１４６は、自動運転モードの自動化レベルが、第３自動運転モードの自動化レベル未満である場合、ＤＮＮモデルＭＤＬ２を選択する。第３自動運転モードの自動化レベルは「基準値」の一例である。
リスク領域算出部１４４は、目標軌道生成部１４６によってＤＮＮモデルＭＤＬ２が選択された場合、リスク領域ＲＡの範囲を、後述する第１範囲よりも狭い第２範囲に設定する（ステップＳ１０８）。例えば、リスク領域算出部１４４は、モデル集合の中に、複数のＤＮＮモデルＭＤＬ２が含まれている場合、いずれのＤＮＮモデルＭＤＬ２を選択した場合であっても、同じ広さの第２範囲を設定してもよいし、少なくとも第１範囲よりも狭いという制約下で、互いに異なる広さの第２範囲を設定してもよい。
一方、モード制御部１７４は、自車両Ｍが一般道ではなく高速道路を走行している場合、特定条件を満たすと判定し、運転モードを第３自動運転モードに切り替えたり、第３自動運転モードよりも自動化レベルが高い第４自動運転モードや第５自動運転モードに切り替えたりする（ステップＳ１１０）。
目標軌道生成部１４６は、運転モードが第３自動運転モードか、或いは第３自動運転モードよりも自動化レベルが高い他の自動運転モードである場合、モデル集合の中から、ある一つのルールベースモデルＭＤＬ１を選択する（ステップＳ１１２）。言い換えれば、目標軌道生成部１４６は、自動運転モードの自動化レベルが、第３自動運転モードの自動化レベル以上である場合、ルールベースモデルＭＤＬ１を選択する。
リスク領域算出部１４４は、目標軌道生成部１４６によってルールベースモデルＭＤＬ１が選択された場合、リスク領域ＲＡの範囲を、上述した第２範囲よりも広い第１範囲に設定する（ステップＳ１１４）。例えば、リスク領域算出部１４４は、モデル集合の中に、複数のルールベースモデルＭＤＬ１が含まれている場合、いずれのルールベースモデルＭＤＬ１を選択した場合であっても、同じ広さの第１範囲を設定してもよいし、少なくとも第２範囲よりも広いという制約下で、互いに異なる広さの第１範囲を設定してもよい。
次に、リスク領域算出部１４４は、設定したリスク領域ＲＡの範囲内で、リスクポテンシャルｐを算出する（ステップＳ１１６）。例えば、リスク領域算出部１４４は、設定したリスク領域ＲＡの範囲を複数のメッシュに区切り、その複数のメッシュの其々に対してリスクポテンシャルｐを対応付けたデータをベクトルやテンソルとして算出してよい。
次に、リスク領域算出部１４４は、算出したリスクポテンシャルｐを正規化する（ステップＳ１１８）。
次に、目標軌道生成部１４６は、選択したモデルＭＤＬに対して、リスク領域算出部１４４によってリスクポテンシャルｐが正規化されたリスク領域ＲＡを入力する（ステップＳ１２０）。具体的には、目標軌道生成部１４６は、リスク領域ＲＡを表すベクトル又はテンソルをモデルＭＤＬに入力する。
次に、目標軌道生成部１４６は、リスク領域ＲＡを入力したモデルＭＤＬから目標軌道ＴＲを取得し（ステップＳ１２２）、この目標軌道ＴＲを第２制御部１６０に出力する。
次に、第２制御部１６０は、目標軌道生成部１４６によって出力された目標軌道ＴＲに基づいて、自車両Ｍの速度及び操舵の少なくとも一方を制御する（ステップＳ１２４）。これによって本フローチャートの処理が終了する。
上述したように、予め決められたルール群に一致さえすれば高い精度で目標軌道ＴＲを生成し得るルールベースモデルＭＤＬ１が選択された場合、そのルールベースモデルＭＤＬ１に入力されるリスク領域ＲＡの範囲は、第２範囲よりも広い第１範囲に設定される。これによって、リスク領域ＲＡの全領域においてリスクポテンシャルｐが閾値Ｔｈ以上となってしまい、目標軌道ＴＲが生成されず、自車両Ｍがスタックしてしまうような状況を回避することができる。また、ルールベースモデルＭＤＬ１よりも目標軌道ＴＲの精度が低下する可能性はあるものの、あらゆる場面で汎用的に利用可能なＤＮＮモデルＭＤＬ２が選択された場合、そのＤＮＮモデルＭＤＬ２に入力されるリスク領域ＲＡの範囲は、第１範囲よりも狭い第２範囲に設定される。これによって、ＤＮＮモデルＭＤＬ２に入力するベクトル或いはテンソルの次元数を減らすことができ、目標軌道ＴＲの精度を向上させることができる。
図１２は、交通状況が複雑な場面の一例を表す図である。図示の例では、自車両Ｍは、三車線のうち真中の第２車線（区画線ＬＮ２及びＬＮ３で区画された車線）を走行している。第１車線（区画線ＬＮ１及びＬＮ２で区画された車線）には、他車両ｍ２が存在しており、第３車線（区画線ＬＮ３及びＬＮ４で区画された車線）には、他車両ｍ３が存在している。更に、第２車線には、自車両Ｍの前方に他車両ｍ４が存在している。これら他車両ｍ２、ｍ３、ｍ４はあくまでも一例であり、道路上の落下物や工事用の看板、歩行者といったその他の物体と置き換えてもよい。
図１２に例示する場面において、ルールベースモデルＭＤＬ１に入力されるリスク領域ＲＡの範囲が、第１範囲ではなく第２範囲（図中Ｒ２の範囲）に設定されたとする。この場合、他車両ｍ２、ｍ３、ｍ４が自車両Ｍに近いため、自車両Ｍの進行先の領域のリスクポテンシャルｐが閾値Ｔｈ以上となり得る。
図１３は、図１２における座標ｘ４のリスクポテンシャルｐの変化を表す図である。区画線ＬＮ１が存在する座標（ｘ４，ｙ１）と、区画線ＬＮ２が存在する座標（ｘ４，ｙ２）との間のリスクポテンシャルｐは、第１車線上のリスクポテンシャルｐを表している。区画線ＬＮ２が存在する座標（ｘ４，ｙ２）と、区画線ＬＮ３が存在する座標（ｘ４，ｙ３）との間のリスクポテンシャルｐは、第２車線上のリスクポテンシャルｐを表している。区画線ＬＮ３が存在する座標（ｘ４，ｙ３）と、区画線ＬＮ４が存在する座標（ｘ４，ｙ４）との間のリスクポテンシャルｐは、第３車線上のリスクポテンシャルｐを表している。
第１走行車線上において座標ｘ４は他車両ｍ２の直前となるため、その座標ｘ４におけるリスクポテンシャルｐは、他車両ｍ２の加減速などが考慮されて閾値Ｔｈ以上となっている。また、第２走行車線上において座標ｘ４は他車両ｍ４の後方となるため、その座標ｘ４におけるリスクポテンシャルｐは、第１走行車線よりも低いものの閾値Ｔｈよりも大きくなっている。第３走行車線上において座標ｘ４は他車両ｍ３が存在する位置であるため、その座標ｘ４におけるリスクポテンシャルｐは、閾値Ｔｈ以上且つ最も高くなっている。
図１４は、図１２に例示する場面においてモデルＭＤＬが出力する目標軌道ＴＲの一例を表す図である。上述したように、座標ｘ４において、第１走行車線、第２走行車線、及び第３走行車線のいずれの車線についてもリスクポテンシャルｐが閾値Ｔｈ以上となっているため、目標軌道ＴＲは、少なくとも座標ｘ４から先に延びなくなる。この場合、自車両Ｍは、他車両ｍ１、ｍ２、ｍ３に囲まれ、その場から身動きが取れなくなりスタックする。
図１５は、交通状況が複雑な場面の他の例を表す図である。図１５に例示する場面では、ルールベースモデルＭＤＬ１に入力されるリスク領域ＲＡの範囲が、第２範囲ではなく第１範囲（図中Ｒ１の範囲）に設定されている。この場合、図１２の場面よりも広い範囲でリスクポテンシャルｐが算出される。これによって、リスク領域ＲＡ２全体のリスクポテンシャルｐが正規化された場合、図１２の場面よりもリスクポテンシャルｐが低下することが期待できる。
図１６は、図１５における座標ｘ４のリスクポテンシャルｐの変化を表す図である。リスク領域ＲＡの範囲を第２範囲よりも広い第１範囲としたため、図示のように、座標ｘ４におけるリスクポテンシャルｐは、第２範囲のときよりも低下している。特に、第１走行車線及び第２走行車線上では、リスクポテンシャルｐが閾値Ｔｈよりも低くなっている。
図１７は、図１５に例示する場面においてモデルＭＤＬが出力する目標軌道ＴＲの一例を表す図である。上述したように、座標ｘ４において、第１走行車線及び第２走行車線についてもリスクポテンシャルｐが閾値Ｔｈ未満となっているため、図示のように、例えば、他車両ｍ２の前方において、第２走行車線から第１走行車線へと自車両Ｍを車線変更させるような目標軌道ＴＲが生成される。この結果、自車両Ｍが、他車両ｍ１、ｍ２、ｍ３に囲まれた状況であっても、スタックせずにスムーズに自車両Ｍを走行させることができる。
以上説明した第１実施形態によれば、自動運転制御装置１００が、複数のモデル集合の中からいずれか一つのモデルＭＤＬを選択する。自動運転制御装置１００は、選択したモデルＭＤＬがルールベースモデルＭＤＬ１である場合、リスク領域ＲＡの範囲を第１範囲に設定する。一方、自動運転制御装置１００は、選択したモデルＭＤＬがＤＮＮモデルＭＤＬ２である場合、リスク領域ＲＡの範囲を第２範囲に設定する。自動運転制御装置１００は、自車両Ｍの周辺に存在する物体を認識し、設定した範囲内で、物体の周囲に分布するリスク領域ＲＡを算出する。自動運転制御装置１００は、選択したモデルＭＤＬに対して、算出したリスク領域ＲＡを入力し、リスク領域ＲＡが入力されたモデルＭＤＬの出力結果に基づいて目標軌道ＴＲを生成する。そして、自動運転制御装置１００は、目標軌道ＴＲに基づいて、自車両Ｍの速度及び操舵の少なくとも一方を制御する。このように、目標軌道ＴＲを生成するモデルＭＤＬの種類に応じてリスク領域ＲＡの範囲を適切に設定するため、自車両Ｍの周辺の状況に適合した目標軌道ＴＲが生成することができ、その結果、自車両Ｍの運転をスムーズに制御することができる。
＜第２実施形態＞
以下、第２実施形態について説明する。上述した第１実施形態では、複数のモデル集合の中からいずれか一つのモデルＭＤＬを選択し、その上で、選択したモデルＭＤＬにリスク領域ＲＡを入力するものとして説明した。これに対して、第２実施形態では、複数のモデル集合の中からいずれか一つのモデルＭＤＬを選択するのではなく、全てのモデルＭＤＬに対してリスク領域ＲＡを入力する点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。
図１８は、第２実施形態に係る自動運転制御装置１００による一連の処理の流れの一例を示すフローチャートである。本フローチャートの処理は、例えば、運転モードが「自動運転モード」である場合に、所定の周期で繰り返し実行されてよい。
まず、認識部１３０は、自車両Ｍが走行している道路に存在する物体を認識する（ステップＳ２００）。
次に、リスク領域算出部１４４は、第１範囲内で、リスクポテンシャルｐを算出する（ステップＳ２０２）。
次に、リスク領域算出部１４４は、第１範囲内で算出したリスクポテンシャルｐを正規化する（ステップＳ２０４）。
次に、目標軌道生成部１４６は、リスクポテンシャルｐが正規化された第１範囲のリスク領域ＲＡを、ルールベースモデルＭＤＬ１に入力する（ステップＳ２０６）。
また、リスク領域算出部１４４は、第２範囲内で、リスクポテンシャルｐを算出する（ステップＳ２０８）。
次に、リスク領域算出部１４４は、第２範囲内で算出したリスクポテンシャルｐを正規化する（ステップＳ２１０）。
次に、目標軌道生成部１４６は、リスクポテンシャルｐが正規化された第２範囲のリスク領域ＲＡを、ＤＮＮモデルＭＤＬ２に入力する（ステップＳ２１２）。
次に、目標軌道生成部１４６は、ルールベースモデルＭＤＬ１とＤＮＮモデルＭＤＬ２の双方から目標軌道ＴＲを取得する（ステップＳ２１４）。
次に、目標軌道生成部１４６は、複数の目標軌道ＴＲの中から最適な目標軌道ＴＲを選択する（ステップＳ２１６）。例えば、目標軌道生成部１４６は、人間らしい軌道ＴＲｈに最も近い目標軌道を、最適な目標軌道ＴＲとして選択する。「人間らしい軌道ＴＲｈ」とは、例えば、実際にテストドライバーなどに自車両Ｍやその他車両を運転させたときの軌道である。そのため、目標軌道生成部１４６は、複数のモデルＭＤＬの其々が出力した目標軌道ＴＲに含まれる速度要素（速度νや加速度αなど）及び位置要素（ステアリングの変位量ｕや軌道の曲率κなど）と、人間らしい軌道ＴＲｈに含まれる速度要素及び位置要素とを比較し、複数の目標軌道ＴＲの中で、人間らしい軌道ＴＲｈの位置要素及び位置要素に最も近い目標軌道ＴＲを、最適な目標軌道ＴＲとして選択する。そして、目標軌道生成部１４６は、最適な目標軌道ＴＲを第２制御部１６０に出力する。
次に、第２制御部１６０は、目標軌道生成部１４６によって出力された目標軌道ＴＲに基づいて、自車両Ｍの速度及び操舵の少なくとも一方を制御する（ステップＳ２１８）。これによって本フローチャートの処理が終了する。
以上説明した第２実施形態によれば、自動運転制御装置１００が、第１範囲及び第２範囲の双方でリスク領域ＲＡを算出する。自動運転制御装置１００は、ルールベースモデルＭＤＬ１に対して第１範囲のリスク領域ＲＡを入力し、ＤＮＮモデルＭＤＬ２に対して第２範囲のリスク領域ＲＡを入力する。自動運転制御装置１００は、ルールベースモデルＭＤＬ１及びＤＮＮモデルＭＤＬ２の其々によって出力された目標軌道ＴＲの中から最適な目標軌道ＴＲを選択する。そして、自動運転制御装置１００は、選択した目標軌道ＴＲに基づいて、自車両Ｍの速度及び操舵の少なくとも一方を制御する。この結果、第１実施形態と同様に、自車両Ｍの運転をスムーズに制御することができる。
＜その他の実施形態（変形例）＞
以下、その他の実施形態（変形例）について説明する。上述した第１実施形態或いは第２実施形態において、目標軌道生成部１４６が選択可能な複数のモデルの中には、一つ以上のルールベースモデルＭＤＬ１と、一つ以上のＤＮＮモデルＭＤＬ２とが含まれているものとして説明したがこれに限られない。例えば、複数のモデルの中には、モデルベース或いはモデルベースデザインと呼ばれる手法を基に作られたモデル（以下、モデルベースモデルと称する）が含まれていてもよい。モデルベースモデルは、モデル予測制御（Model Predictive Control；ＭＰＣ）などの最適化手法を利用することで、リスク領域ＲＡに応じて目標軌道ＴＲを決定（或いは出力）するモデルである。モデルベースモデルは、「第１モデル」の他の例である。
また、複数のモデルの中には、バイナリーツリー型のモデルや、ゲームツリー型のモデル、低層ニューラルネットワークをボルツマンマシンのように相互結合させたモデル、強化学習モデル、深層強化学習モデル、といった機械学習によって実装可能なさまざまなモデルが含まれていてもよい。バイナリーツリー型のモデルや、ゲームツリー型のモデル、低層ニューラルネットワークをボルツマンマシンのように相互結合させたモデル、強化学習モデル、深層強化学習モデルなどは、「第２モデル」の他の例である。
例えば、目標軌道生成部１４６は、運転モードが第２自動運転モードか、或いは第２自動運転モードよりも自動化レベルが低い第１自動運転モードである場合、複数のモデルの中から、モデルベースモデルを選択してよい。また、目標軌道生成部１４６は、運転モードが第３自動運転モードか、或いは第３自動運転モードよりも自動化レベルが高い他の自動運転モードである場合、バイナリーツリー型のモデルやゲームツリー型のモデルといった機械学習モデルを選択してよい。リスク領域算出部１４４は、目標軌道生成部１４６によってモデルベースモデルが選択された場合、ルールベースモデルＭＤＬ１が選択された時と同様に、リスク領域ＲＡの範囲を、第２範囲よりも広い第１範囲に設定してよい。また、リスク領域算出部１４４は、目標軌道生成部１４６によってバイナリーツリー型のモデルやゲームツリー型のモデルなどが選択された場合、ＤＮＮモデルＭＤＬ２が選択された時と同様に、リスク領域ＲＡの範囲を、第１範囲よりも狭い第２範囲に設定してよい。
［ハードウェア構成］
図１９は、実施形態の自動運転制御装置１００のハードウェア構成の一例を示す図である。図示するように、自動運転制御装置１００は、通信コントローラ１００－１、ＣＰＵ１００－２、ワーキングメモリとして使用されるＲＡＭ１００－３、ブートプログラム等を格納するＲＯＭ１００－４、フラッシュメモリやＨＤＤ等の記憶装置１００－５、ドライブ装置１００－６等が、内部バスあるいは専用通信線によって相互に接続された構成となっている。通信コントローラ１００－１は、自動運転制御装置１００以外の構成要素との通信を行う。記憶装置１００－５には、ＣＰＵ１００－２が実行するプログラム１００－５ａが格納されている。このプログラムは、ＤＭＡ（Direct Memory Access）コントローラ（不図示）等によってＲＡＭ１００－３に展開されて、ＣＰＵ１００－２によって実行される。これによって、第１制御部、第２制御部１６０、及び第３制御部１７０のうち一部または全部が実現される。
上記説明した実施形態は、以下のように表現することができる。
プログラムを格納した少なくとも一つ以上のメモリと、
少なくとも一つ以上のプロセッサと、を備え、
前記プロセッサが前記プログラムを実行することにより、
車両の周辺に存在する物体を認識し、
前記認識した物体の周囲に分布するリスクの領域を算出し、
前記算出した領域に基づいて、前記車両が走行すべき目標軌道を生成し、
前記生成した目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御し、
前記領域が入力されると前記目標軌道を出力する複数のモデルの中から、いずれか一つ又は複数のモデルを選択し、
前記選択したモデルに前記算出した領域を入力し、
前記領域を入力した前記モデルの出力結果に基づいて前記目標軌道を生成し、
前記選択したモデルの種類に応じて、前記領域の範囲を変更する、、
ように構成されている、車両制御装置。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
１…車両システム、１０…カメラ、１２…レーダ装置、１４…ファインダ、１６…物体認識装置、２０…通信装置、３０…ＨＭＩ、４０…車両センサ、５０…ナビゲーション装置、６０…ＭＰＵ、８０…運転操作子、９０…車内カメラ、１００…自動運転制御装置、１２０…第１制御部、１３０…認識部、１４０…行動計画生成部、１４２…イベント決定部、１４４…リスク領域算出部、１４６…目標軌道生成部、１６０…第２制御部、１６２…第１取得部、１６４…速度制御部、１６６…操舵制御部、１７０…第３制御部、１７２…第２取得部、１７４…モード制御部、１７６…第１判定部、１７８…第２判定部、１８０…記憶部、１８２…ルールベースモデルデータ、１８４…ＤＮＮモデルデータ、ＭＤＬ１…ルールベースモデル、ＭＤＬ２…ＤＮＮモデル、Ｍ…自車両

Claims (12)

  1. 車両の周辺に存在する物体を認識する認識部と、
    前記車両が走行すべき目標軌道を出力する複数のモデルの中から、少なくとも１つのモデルを選択し、
    選択された前記モデルに応じて、認識された前記物体の周囲に分布するリスクを算出する領域を決定し、
    前記車両又は前記物体の少なくとも一方の状態に基づいて、前記領域内の前記リスクの分布を算出し、
    選択された前記モデルに対して、算出された前記リスクの分布を入力し、前記リスクの分布が入力された前記モデルの出力結果に基づいて、前記目標軌道を生成する生成部と、
    生成された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を自動的に制御する運転制御部と、を備え、
    前記生成部は、選択された前記モデルがルールベース又はモデルベースである場合に決定される前記領域に比べて、選択された前記モデルが機械学習ベースである場合に決定される前記領域を狭い領域とする、
    車両制御装置。
  2. 前記複数のモデルには、前記ルールベース又は前記モデルベースである少なくとも一つの第１モデルと、前記機械学習ベースである少なくとも一つの第２モデルとが含まれる、
    請求項１に記載の車両制御装置。
  3. 前記生成部は、選択された前記モデルが前記第１モデルである場合、選択された前記モデルが前記第２モデルである場合と比べて、前記領域の範囲を広くする、
    請求項２に記載の車両制御装置。
  4. 前記生成部は、前記車両が走行する道路の種類に応じて、前記複数のモデルの中からいずれか一つのモデルを選択する、
    請求項３に記載の車両制御装置。
  5. 前記生成部は、前記車両が高速道路を走行する場合、前記第１モデルを選択し、前記車両が高速道路よりも周囲の状況が複雑な他の道路を走行する場合、前記第２モデルを選択する、
    請求項４に記載の車両制御装置。
  6. 前記生成部は、前記運転制御部によって前記車両の速度又は操舵のうち少なくとも一方が自動的に制御される際の自動化のレベルである自動運転レベルに応じて、前記複数のモデルの中からいずれか一つのモデルを選択する、
    請求項３又は４に記載の車両制御装置。
  7. 前記生成部は、前記自動運転レベルが基準値以上である場合、前記第１モデルを選択し、前記自動運転レベルが基準値未満である場合、前記第２モデルを選択する、
    請求項６に記載の車両制御装置。
  8. 前記生成部は、前記複数のモデルの其々に前記領域を入力し、前記領域を入力した前記複数のモデルの其々の出力結果に基づいて複数の目標軌道を生成し、前記生成した複数の目標軌道の中から、人間が前記車両又は他車両を運転したときの軌道に最も近い前記目標軌道を選択し、
    前記運転制御部は、前記生成部によって選択された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御する、
    請求項１から７のうちいずれか一項に記載の車両制御装置。
  9. 前記領域は、複数のメッシュによって区画された領域であり、
    前記複数のメッシュの其々には、前記車両又は前記物体の少なくとも一方の状態を基に算出された前記リスクのポテンシャルが対応付けられており、
    前記複数のメッシュの其々に対応付けられた前記ポテンシャルは、前記領域に含まれる全てのメッシュのポテンシャルに基づいて正規化されており、
    前記生成部は、前記正規化されたポテンシャルが閾値よりも低い前記メッシュを通る軌道を、前記目標軌道として生成する、
    請求項１から８のうちいずれか一項に記載の車両制御装置。
  10. 車両の周辺に存在する物体を認識する認識部と、
    前記車両が走行すべき目標軌道を出力する複数のモデルの中から、少なくとも１つのモデルを選択し、
    選択された前記モデルに応じて、認識された前記物体の周囲に分布するリスクを算出する領域を決定し、
    前記車両又は前記物体の少なくとも一方の状態に基づいて、前記領域内の前記リスクの分布を算出し、
    選択された前記モデルに対して、算出された前記リスクの分布を入力し、前記リスクの分布が入力された前記モデルの出力結果に基づいて、前記目標軌道を生成する生成部と、
    生成された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を自動的に制御する運転制御部と、を備え、
    前記生成部は、選択された前記モデルが機械学習ベースである場合に決定される前記領域に比べて、選択された前記モデルがルールベース又はモデルベースである場合に決定される前記領域を広い領域とする、
    車両制御装置。
  11. 車両に搭載されたコンピュータが、
    前記車両の周辺に存在する物体を認識し、
    前記車両が走行すべき目標軌道を出力する複数のモデルの中から、少なくとも１つのモデルを選択し、
    選択された前記モデルに応じて、認識された前記物体の周囲に分布するリスクを算出する領域を決定し、
    前記車両又は前記物体の少なくとも一方の状態に基づいて、前記領域内の前記リスクの分布を算出し、
    選択された前記モデルに対して、算出された前記リスクの分布を入力し、前記リスクの分布が入力された前記モデルの出力結果に基づいて、前記目標軌道を生成し、
    生成された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御し、
    選択された前記モデルがルールベース又はモデルベースである場合に決定される前記領域に比べて、選択された前記モデルが機械学習ベースである場合に決定される前記領域を狭い領域とする、
    車両制御方法。
  12. 車両に搭載されたコンピュータに、
    前記車両の周辺に存在する物体を認識すること、
    前記車両が走行すべき目標軌道を出力する複数のモデルの中から、少なくとも１つのモデルを選択すること、
    選択された前記モデルに応じて、認識された前記物体の周囲に分布するリスクを算出する領域を決定すること、
    前記車両又は前記物体の少なくとも一方の状態に基づいて、前記領域内の前記リスクの分布を算出すること、
    選択された前記モデルに対して、算出された前記リスクの分布を入力し、前記リスクの分布が入力された前記モデルの出力結果に基づいて、前記目標軌道を生成すること、
    生成された前記目標軌道に基づいて、前記車両の速度又は操舵のうち少なくとも一方を制御すること、
    選択された前記モデルがルールベース又はモデルベースである場合に決定される前記領域に比べて、選択された前記モデルが機械学習ベースである場合に決定される前記領域を狭い領域とすること、
    を実行させるためのプログラム。
JP2020063501A 2020-03-31 2020-03-31 車両制御装置、車両制御方法、及びプログラム Active JP7440324B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020063501A JP7440324B2 (ja) 2020-03-31 2020-03-31 車両制御装置、車両制御方法、及びプログラム
US17/211,878 US12304527B2 (en) 2020-03-31 2021-03-25 Vehicle control device, vehicle control method, and storage medium
CN202110337193.XA CN113460081B (zh) 2020-03-31 2021-03-29 车辆控制装置、车辆控制方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020063501A JP7440324B2 (ja) 2020-03-31 2020-03-31 車両制御装置、車両制御方法、及びプログラム

Publications (2)

Publication Number Publication Date
JP2021160530A JP2021160530A (ja) 2021-10-11
JP7440324B2 true JP7440324B2 (ja) 2024-02-28

Family

ID=77855348

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020063501A Active JP7440324B2 (ja) 2020-03-31 2020-03-31 車両制御装置、車両制御方法、及びプログラム

Country Status (3)

Country Link
US (1) US12304527B2 (ja)
JP (1) JP7440324B2 (ja)
CN (1) CN113460081B (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6463571B1 (ja) * 2018-07-03 2019-02-06 三菱電機株式会社 車両制御装置
DE102018216364B4 (de) * 2018-09-25 2020-07-09 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Unterstützen eines Spurwechselvorgangs für ein Fahrzeug
US11390301B2 (en) * 2020-06-10 2022-07-19 Nvidia Corp. Tensor-based driving scenario characterization
US11550325B2 (en) 2020-06-10 2023-01-10 Nvidia Corp. Adversarial scenarios for safety testing of autonomous vehicles
US11661082B2 (en) * 2020-10-28 2023-05-30 GM Global Technology Operations LLC Forward modeling for behavior control of autonomous vehicles
JP7611739B2 (ja) * 2021-03-11 2025-01-10 本田技研工業株式会社 移動体の制御装置、移動体の制御方法、およびプログラム
US12217174B2 (en) * 2021-10-19 2025-02-04 Volvo Car Corporation Intelligent messaging framework for vehicle ecosystem communication
JP7702037B2 (ja) * 2022-03-29 2025-07-02 Ａｓｔｅｍｏ株式会社 演算処理装置、演算処理方法
CN115257784B (zh) * 2022-06-15 2024-12-10 西安电子科技大学 基于4d毫米波雷达的车路协同系统
JP7596334B2 (ja) * 2022-07-08 2024-12-09 イーソル株式会社 乗り物の運転支援方法および運転支援システム
GB2621317B (en) * 2022-07-26 2024-09-11 Jaguar Land Rover Ltd Determination of autonomous manoeuvring control configurations
JP7400914B1 (ja) 2022-09-26 2023-12-19 いすゞ自動車株式会社 自動運転装置
JP7400913B1 (ja) 2022-09-26 2023-12-19 いすゞ自動車株式会社 自動運転装置
GB2625577B (en) * 2022-12-21 2025-01-15 Oxa Autonomy Ltd Generating a trajectory for an autonomous vehicle
US12441365B2 (en) * 2023-03-30 2025-10-14 Honda Motor Co., Ltd. Automated driving vehicle and traffic safety support system
JP7831414B2 (ja) * 2023-06-16 2026-03-17 トヨタ自動車株式会社 制御装置
JP7831441B2 (ja) * 2023-08-08 2026-03-17 トヨタ自動車株式会社 制御装置
CN117079023B (zh) * 2023-08-16 2025-08-26 中国人民解放军火箭军工程大学 一种基于AprilTag视觉信息引导的大型车辆上下平板方法
KR20250091415A (ko) * 2023-12-13 2025-06-23 현대자동차주식회사 제동 지연을 방지하기 위한 장치 및 방법
KR20250092388A (ko) * 2023-12-14 2025-06-24 현대자동차주식회사 차량의 충돌 회피 및 경감을 위한 경로 생성 시스템
JP2026004743A (ja) * 2024-06-26 2026-01-15 Ａｓｔｅｍｏ株式会社 車両運動制御装置、車載システム、および、車両運動制御方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018192954A (ja) 2017-05-18 2018-12-06 トヨタ自動車株式会社 運転支援装置
JP2018203034A (ja) 2017-06-02 2018-12-27 本田技研工業株式会社 走行軌道決定装置及び自動運転装置
US20190113927A1 (en) 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an Autonomous Vehicle Using Cost Maps
US20200019175A1 (en) 2017-11-14 2020-01-16 Uber Technologies, Inc. Autonomous vehicle routing using annotated maps
JP2021160494A (ja) 2020-03-31 2021-10-11 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5699679B2 (ja) * 2011-02-24 2015-04-15 富士通セミコンダクター株式会社 画像処理装置、画像処理システム、及び画像処理方法
AU2012268476B2 (en) * 2011-06-07 2014-05-15 Komatsu Ltd. Perimeter monitoring device for work vehicle
JP5987906B2 (ja) * 2012-07-24 2016-09-07 トヨタ自動車株式会社 運転支援装置
JP6441610B2 (ja) 2013-10-30 2018-12-19 株式会社デンソー 走行制御装置及びサーバ
JP6477927B2 (ja) 2013-10-30 2019-03-06 株式会社デンソー 走行制御装置、及びサーバ
JP6417994B2 (ja) * 2015-02-09 2018-11-07 株式会社デンソー 車両用表示制御装置及び車両用表示制御方法
JP6304272B2 (ja) * 2016-02-04 2018-04-04 トヨタ自動車株式会社 車両用注意喚起装置
US20190084561A1 (en) 2016-03-15 2019-03-21 Honda Motor Co., Ltd. Vehicle control apparatus, vehicle control method, and vehicle control program
JP6664813B2 (ja) 2016-06-15 2020-03-13 国立大学法人東京農工大学 運転支援装置及び運転支援方法
EP3549044A4 (en) 2016-12-02 2020-07-22 Starsky Robotics, Inc. VEHICLE CONTROL SYSTEM AND METHOD OF USE
JPWO2018131090A1 (ja) 2017-01-11 2019-11-07 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
JP6753324B2 (ja) * 2017-01-25 2020-09-09 トヨタ自動車株式会社 車両用乗員保護装置及び車両用乗員保護方法
JP6819431B2 (ja) * 2017-04-12 2021-01-27 トヨタ自動車株式会社 注意喚起装置
JP7084124B2 (ja) 2017-11-06 2022-06-14 トヨタ自動車株式会社 運転支援制御システム
US10156850B1 (en) * 2017-12-08 2018-12-18 Uber Technologies, Inc. Object motion prediction and vehicle control systems and methods for autonomous vehicles
US10768304B2 (en) * 2017-12-13 2020-09-08 Luminar Technologies, Inc. Processing point clouds of vehicle sensors having variable scan line distributions using interpolation functions
US10235882B1 (en) 2018-03-19 2019-03-19 Derq Inc. Early warning and collision avoidance
US11610165B2 (en) * 2018-05-09 2023-03-21 Volvo Car Corporation Method and system for orchestrating multi-party services using semi-cooperative nash equilibrium based on artificial intelligence, neural network models,reinforcement learning and finite-state automata
KR102782684B1 (ko) * 2019-10-31 2025-03-14 현대모비스 주식회사 후방 교차 충돌 감지 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018192954A (ja) 2017-05-18 2018-12-06 トヨタ自動車株式会社 運転支援装置
JP2018203034A (ja) 2017-06-02 2018-12-27 本田技研工業株式会社 走行軌道決定装置及び自動運転装置
US20190113927A1 (en) 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an Autonomous Vehicle Using Cost Maps
US20200019175A1 (en) 2017-11-14 2020-01-16 Uber Technologies, Inc. Autonomous vehicle routing using annotated maps
JP2021160494A (ja) 2020-03-31 2021-10-11 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム

Also Published As

Publication number Publication date
CN113460081A (zh) 2021-10-01
JP2021160530A (ja) 2021-10-11
CN113460081B (zh) 2024-05-07
US20210300348A1 (en) 2021-09-30
US12304527B2 (en) 2025-05-20

Similar Documents

Publication Publication Date Title
JP7440324B2 (ja) 車両制御装置、車両制御方法、及びプログラム
JP7369077B2 (ja) 車両制御装置、車両制御方法、及びプログラム
JP7465705B2 (ja) 車両制御装置、車両制御方法、及びプログラム
JP6710710B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP7369078B2 (ja) 車両制御装置、車両制御方法、及びプログラム
JP7313298B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP6913716B2 (ja) 車両制御装置、車両制御方法、及びプログラム
JP2019128614A (ja) 予測装置、予測方法、およびプログラム
JP2020147139A (ja) 車両制御装置、車両制御方法、およびプログラム
CN113460083B (zh) 车辆控制装置、车辆控制方法及存储介质
JP7345349B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP2019147486A (ja) 車両制御システム、車両制御方法、およびプログラム
JP7449751B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP2021149390A (ja) 車両制御装置、車両制御方法、およびプログラム
JPWO2018230530A1 (ja) 車両制御システム、車両制御方法、およびプログラム
JP2021026392A (ja) 車両制御装置、車両制御方法、及びプログラム
CN110341703B (zh) 车辆控制装置、车辆控制方法及存储介质
JP7503921B2 (ja) 車両制御装置、車両制御方法、およびプログラム
CN112141097B (zh) 车辆控制装置、车辆控制方法及存储介质
JP7433205B2 (ja) 車両制御装置、車両制御方法、およびプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221128

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230922

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231122

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240215

R150 Certificate of patent or registration of utility model

Ref document number: 7440324

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150