JP7165630B2 - 認識システム、車両制御システム、認識方法、およびプログラム - Google Patents

Description

本発明は、認識システム、車両制御システム、認識方法、およびプログラムに関する。

従来、道路形状を認識する道路形状認識部と、認識された道路形状を用いて走行経路を作成する走行経路作成部と、走行経路に従って自動走行を実現させる車両走行制御装置とを備え、道路形状認識部は、平面座標と高さ情報とを対応付けた複数の座標情報を取得する座標情報取得部と、複数の前記座標情報の中から高低差が所定値以上である複数の注目座標を抽出する座標抽出部と、抽出された複数の注目座標を統計的に処理することにより道路形状を特定する形状特定部とを具備する自動走行車両の発明が開示されている（特許文献１）。

特開２０１０－２５０７４３号公報

従来の技術では、高低差が所定値以上である部分を例えば路肩や溝と認識し、そうでない部分を道路面として認識している。しかしながら、この手法では、道路面自体の湾曲によって道路面の一部を道路面と認識しなかったり、所定値を大きくすることでサイズの小さい障害物を看過してしまったりする場合があった。

本発明は、このような事情を考慮してなされたものであり、より正確に道路面を特定することができる認識システム、車両制御システム、認識方法、およびプログラムを提供することを目的の一つとする。

この発明に係る認識システム、車両制御システム、認識方法、およびプログラムは、以下の構成を採用した。
（１）：この発明の一態様に係る認識システムは、車両に搭載される認識システムであって、前記車両の周辺に存在する物体の位置を検出する検出部と、前記検出部の検出結果に基づいて、前記車両の周辺における道路面を特定する特定部と、を備え、前記特定部は、前記検出部の検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定し、前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定するものである。

（２）：上記（１）の態様において、前記検出部がライダーであるものである。

（３）：上記（２）の態様において、前記検出部は、仰角または俯角と方位角を変えながらレーザーを前記車両の周辺に照射するものであり、前記特定部は、仰角または俯角、方位角、および距離で少なくとも表される物体の位置を二次元平面に射影したポイントクラウドデータを細分化した個別領域ごとに、前記所定のアルゴリズムを用いて平面であるか否かを判定するものである。

（４）：上記（１）から（３）のいずれかの態様において、前記特定部は、前記二次元平面における前記車両からの距離に基づいて、前記個別領域のサイズを異ならせるものである。

（５）：上記（１）から（４）のいずれかの態様において、前記特定部は、前記車両の周辺における物体の分布を示す情報を取得し、前記取得した物体の分布を示す情報に基づいて、前記個別領域のサイズを変更するものである。

（６）：上記（１）から（５）のいずれかの態様において、前記特定部は、前記車両が存在する道路の種別に関する情報を取得し、前記取得した道路の種別に関する情報が特定の種別の道路を示す場合、前記取得した道路の種別に関する情報が特定の種別の道路を示さない場合に比して、前記個別領域のサイズを大きくするものである。

（７）：上記（１）から（６）のいずれかの態様の認識システムと、前記認識システムにおける前記検出部の検出結果から、前記特定部により特定された道路面に相当する部分を除外した情報に基づいて、前記車両の走行制御を行う走行制御装置と、を備える車両制御システムである。

（８）：本発明の他の態様に係る認識方法は、車両に搭載されたコンピュータが、車両の周辺に存在する物体の位置を検出する検出部の検出結果を取得し、前記検出結果に基づいて、前記車両の周辺における道路面を特定し、前記特定する際に、前記検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定し、前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定するものである。

（９）：本発明の他の態様に係るプログラムは、車両に搭載されたコンピュータに、車両の周辺に存在する物体の位置を検出する検出部の検出結果を取得させ、前記検出結果に基づいて、前記車両の周辺における道路面を特定させ、前記特定させる際に、前記検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定させ、前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定させるものである。

上記（１）～（９）の態様によれば、より正確に道路面を特定することができる。

車両に認識システムおよび車両制御システムが搭載された様子を示す図である。 物体認識装置の構成図である。 ポイントクラウドデータの一例を示す図である。 設定されるグリッドを示す図である。 比較例の手法によって道路面と判定した部分の座標を除去したポイントクラウドデータを示す図である。 実施形態の手法によって道路面と判定した部分の座標を除去したポイントクラウドデータを示す図である。 実施形態の手法によって道路面と判定した部分の座標を除去したポイントクラウドデータを示す図である。 認識システムによって実行される処理の流れの一例を示すフローチャートである。

以下、図面を参照し、本発明の認識システム、車両制御システム、認識方法、およびプログラムの実施形態について説明する。

図１は、車両Ｍに認識システムおよび車両制御システムが搭載された様子を示す図である。車両Ｍには、例えば、ライダー（Light Detection and Ranging：ＬＩＤＡＲ）１０（「検出部」の一例）と、カメラ２０と、レーダ装置３０と、物体認識装置５０と、走行制御装置１００とが搭載される。ライダー１０と物体認識装置５０を合わせたものが「認識システム」の一例であり、これに走行制御装置１００を加えたものが「車両制御システム」の一例である。検出部として、ライダー以外の検出装置が用いられてもよい。

ライダー１０は、光を照射して反射光を検出し、照射から検出までの時間を測定することで物体までの距離を検出する。ライダー１０は、光の照射方向を、仰角または俯角（以下、上下方向の照射方向φ）と、方位角（水平方向の照射方向θ）との双方について変更可能である。ライダー１０は、例えば、照射方向φを固定して照射方向θを変えながらスキャンを行い、次いで上下方向の照射方向φを変更し、変更した角度で照射方向φを固定して照射方向θを変えながらスキャンを行う、という動作を繰り返し行う。以下、照射方向φのことを「レイヤ」と称し、レイヤを固定して照射方向θを変えながら行う一回のスキャンのことを「サイクル」と称し、全てのレイヤについてスキャンを行うことを「１スキャン」と称する。レイヤは、例えばＬ１～Ｌｎまで有限数で設定される（ｎは自然数）。レイヤの変更は、例えば、前回のサイクルで照射した光が今回のサイクルにおける検知に干渉しないように、Ｌ０→Ｌ４→Ｌ２→Ｌ５→Ｌ１…というように角度に関して不連続に行われる。なお、これに限らず、レイヤの変更が角度に関して連続的に行われても構わない。

ライダー１０は、例えば、｛φ，θ，ｄ，ｐ｝を一つの単位とするデータセット（ライダーデータ）を物体認識装置５０に出力する。ｄは距離であり、ｐは反射光の強度である。物体認識装置５０は、車両Ｍにおける任意の箇所に設置される。図１では、ライダー１０は車両Ｍのルーフ上に設置され、照射方向θを３６０度で変更可能なものとしているが、この配置はあくまで一例であり、例えば、車両Ｍの前部に設けられて車両Ｍの前方を中心に照射方向θを１８０度で変更可能なライダーと、車両Ｍの後部に設けられて車両Ｍの後方を中心に照射方向θを１８０度で変更可能なライダーとが車両Ｍに搭載されてもよい。

カメラ２０は、車両Ｍの周辺（特に前方または後方）を撮像可能な任意の位置に設置される。例えば、カメラ２０は、フロントウインドシールドの上部に設置される。カメラ２０は、ＣＣＤ（Charge Coupled Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）などの撮像素子を備えるデジタルカメラであり、所定周期で繰り返し車両Ｍの周辺を撮像する。

レーダ装置３０は、車両Ｍの周辺にミリ波など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３０は、車両Ｍの任意の箇所に取り付けられる。例えば、レーダ装置３０は、車両Ｍのフロントグリルの内部に取り付けられる。

図２は、物体認識装置５０の構成図である。物体認識装置５０は、例えば、ライダーデータ処理部６０と、カメラ画像処理部７０と、レーダデータ処理部８０と、センサフュージョン部９０とを備える。ライダーデータ処理部６０は、例えば、ポイントクラウドデータ生成部６１と、情報取得部６２と、道路面特定部６３（「特定部」の一例）と、非道路面物体抽出部６４と、道路区画線認識部６５とを備える。道路面特定部６３は、例えば、グリッド設定部６３Ａと、平面抽出処理部６３Ｂとを備える。これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）など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）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（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ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（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などの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

ポイントクラウドデータ生成部６１は、ライダーデータに基づいて、ポイントクラウドデータを生成する。本実施形態におけるポイントクラウドデータは、ライダーデータから認識される物体の三次元空間上の位置を、上空から見た二次元平面上の位置に射影したものである。図３は、ポイントクラウドデータの一例を示す図である。ポイントクラウドデータを規定する二次元平面（図中、Ｘ軸とＹ軸で表される二次元平面）は、例えば、ライダー１０から見た相対的な二次元平面である。図では現れていないが、ポイントクラウドデータの各座標には、高さの情報（Ｘ軸とＹ軸に直交する方向の変位）が付与されている。高さの情報は、座標間の連続性や散らばりと、レイヤ間の照射角度の差などに基づいて、ポイントクラウドデータ生成部６１により計算される。

情報取得部６２は、グリッド設定部６３Ａがグリッドを設定する際に利用する各種情報を取得する。

例えば、情報取得部６２は、車両Ｍの周辺における物体の分布を示す情報を取得する。車両Ｍの周辺における物体の分布とは、例えば、認識システムの認識可能範囲内における車両の数、歩行者の数、自転車の数、信号や横断歩道、交差点の数などのうち一部または全部を指標化した値（混雑指数）を取得する。混雑指数は、例えば、上記した要素が高密度に存在する程、高い値を示すものである。情報取得部６２は、混雑指数を自ら計算してもよいし、カメラ画像処理部７０やレーダデータ処理部８０などから取得してもよい。

また、情報取得部６２は、車両Ｍが存在する道路の種別に関する情報を取得してもよい。情報取得部６２は、道路の種別に関する情報を、車両Ｍに搭載されたナビゲーション装置（不図示）から取得してもよいし、カメラ画像処理部７０がカメラ画像から道路標識を認識した結果から導出してもよい。

道路面特定部６３のグリッド設定部６３Ａは、ポイントクラウドデータを規定する二次元平面を分割した個別領域である複数のグリッドを仮想的に設定する。図４は、設定されるグリッドＧを示す図である。グリッド設定部６３Ａは、例えば、グリッドＧを矩形（正方形でも長方形でもよい）で設定する。グリッド設定部６３Ａは、同じサイズのグリッドＧを設定してもよいし、二次元平面における車両Ｍからの距離に基づいて、グリッドＧのサイズを異ならせてもよい。例えば、グリッド設定部６３Ａは、図示するように、車両Ｍから遠くなるほどグリッドＧのサイズを大きくしてもよい。グリッド設定部６３Ａは、認識システムの過去の認識結果を参照することで得られる認識不要領域（例えば、ガードレールの向こう側、建物等の道路外領域）についてはグリッドＧを設定しなくてもよい。グリッド設定部６３Ａは、三角形や六角形等の任意の多角形で（二以上の種類の多角形が含まれてもよい）グリッドＧを設定してもよいし、不定形でグリッドＧを設定してもよい。

また、グリッド設定部６３Ａは、混雑指数に基づいてグリッドＧのサイズを決定してもよい。例えば、グリッド設定部６３Ａは、混雑指数が高いほどグリッドＧのサイズを小さくしてもよい。

また、グリッド設定部６３Ａは、道路の種別に基づいてグリッドＧのサイズを決定してもよい。例えば、グリッド設定部６３Ａは、道路の種別が高速道路や自動車専用道路などの車両以外の交通参加者が少ない特定の種別である場合、特定の種別でない場合に比して、グリッドＧのサイズを大きくしてもよい。

平面抽出処理部６３Ｂは、グリッドＧごとに、グリッドＧに包含されるポイントクラウドデータに対して、ＲＡＮＳＡＣ（Random Sample Consensus）などのロバスト推定手法による平面抽出処理を行い、そのグリッドＧが道路面（上に物体が存在しないもの）であるか否かを判定して、判定結果をグリッドＧのそれぞれに対応付ける。なお、平面抽出処理部６３Ｂは、ＲＡＮＳＡＣに代えて、他の種類の平面抽出処理を行ってもよい。

ＲＡＮＳＡＣは、例えば、以下の手順で行われる。まず、データ集合から、モデルの決定に必要な数以上の（全部ではない）サンプルをランダムに選択し、選択したサンプルから最小二乗法などで仮モデルを導出し、仮モデルをデータに当てはめてみて、外れ値がそれほど多くなければモデル候補に加える。この処理を何度か繰り返し実行し、最もデータ集合の全体に合致するモデル候補を正解モデルとする。本実施形態において、平面抽出処理部６３Ｂは、正解モデルが平面となったグリッドＧについて、道路面であると判定する。

非道路面物体抽出部６４は、平面抽出処理部６３Ｂにより道路面と判定されたグリッドＧ以外のグリッドＧについて、ポイントクラウドデータを解析してグリッドＧの上に存在する物体の輪郭を抽出し、輪郭に基づいて、その輪郭に対応する物体の位置を認識する。或いは、非道路面物体抽出部６４は、ライダーデータのうち、平面抽出処理部６３Ｂにより道路面と判定されたグリッドＧ以外のグリッドＧに対応するデータに基づいて、物体の輪郭を抽出し、輪郭に基づいて、その輪郭に対応する物体の位置を認識してもよい。

道路区画線認識部６５は、ライダーデータにおける反射光の強度ｐに着目し、道路面と、白線や黄線等の道路区画線との色の違いから生じる強度ｐの変化率が高い部分を、道路区画線の輪郭と認識する。これによって、道路区画線認識部６５は、白線等の道路区画線の位置を認識する。

非道路面物体抽出部６４および道路区画線認識部６５の処理結果は、センサフュージョン部９０に出力される。センサフュージョン部９０には、カメラ画像処理部７０やレーダデータ処理部８０の処理結果も入力される。

カメラ画像処理部７０は、カメラ２０から取得したカメラ画像に対して種々の画像処理を行い、車両Ｍの周辺に存在する物体の位置、サイズ、種類などを認識する。カメラ画像処理部７０が行う画像処理は、機械学習によって得られた学習済みモデルにカメラ画像を入力する処理や、エッジ点を抽出してエッジ点を連ねた輪郭線から物体を認識する処理を含んでもよい。

レーダデータ処理部８０は、レーダ装置３０から取得したレーダデータに対して種々の物体抽出処理を行い、車両Ｍの周辺に存在する物体の位置、サイズ、種類などを認識する。レーダデータ処理部８０は、例えば、物体からの反射波の強度に基づいて物体の材質を推定し、それによって物体の種類を推定する。

センサフュージョン部９０は、ライダーデータ処理部６０、カメラ画像処理部７０、およびレーダデータ処理部８０のそれぞれから入力された処理結果を統合し、物体や道路区画線の位置を決定して走行制御装置１００に出力する。センサフュージョン部９０の処理には、例えば、それぞれの処理結果に対して論理和、論理積、加重和等を求める処理が含まれてよい。

上記のように処理を行うことで、認識システムは、より正確に道路面を特定することができる。図５は、比較例の手法によって道路面と判定した部分の座標を除去したポイントクラウドデータを示す図である。比較例の手法とは、ライダーデータの全体に対して（グリッドＧに区分せずに）ＲＡＮＳＡＣを適用し、道路面と判定された領域の座標を除去する手法である。図示するように、比較例の手法では、道路面に対応する領域Ａ１、Ａ２においても、多くの座標が残っている。特に領域Ａ１は車両Ｍから見て登り坂になっており、データ全体に対してＲＡＮＳＡＣを適用した場合に道路面と認識されにくくなっている。また、一般的な道路構造は、道路の中央部が高く、端部に向かうにつれて低くなっているため、比較例の手法では、道路の中央部と端部の高低差によって道路面でないと判定してしまう可能性がある。更に、道路には細かい凹部などが存在するため、部分的に道路面でないと認識してしまう可能性がある。

これに対し、図６および図７は、実施形態の手法によって道路面と判定した部分の座標を除去したポイントクラウドデータを示す図である。図６は、正方形であるグリッドＧの一辺をＸ１とした場合の結果を示しており、図７は、正方形であるグリッドＧの一片をＸ２とした場合の結果を示している（Ｘ１＞Ｘ２）。これらの図に示すように、実施形態の手法によれば、道路面に対応する領域Ａ１、Ａ２において座標が多く除去されており、これによって、実際には存在しない物体を障害物と認識してしまう可能性が低減される。なお、グリッドＧの一辺を小さくした方が（すなわちグリッドＧのサイズを小さくした方が）道路面と判定する精度を向上させることができるが、グリッドＧのサイズを小さくした方が処理負荷が高くなるため、これらはトレードオフの関係にある。この点、車両Ｍから遠くなるほどグリッドＧのサイズを大きくすることで、誤認識があっても影響の小さい遠方に関しては低負荷で処理を行うことができ、認識精度と処理負荷とのバランスの良い処理を行うことができる。また、混雑指数が高いほどグリッドＧのサイズを小さくすることで、市街地などの交通参加者が多い場所においては、認識精度を優先した処理を行い、そうでない場所では処理負荷の軽減を優先した処理を行うため、認識精度と処理負荷とのバランスの良い処理を行うことができる。また、道路の種別が特定の種別である場合、特定の種別でない場合に比して、グリッドＧのサイズを大きくすることで、交通参加者が少ない場所においては処理負荷の軽減を優先した処理を行い、そうでない場所では認識精度を優先した処理を行うため、認識精度と処理負荷とのバランスの良い処理を行うことができる。

走行制御装置１００は、例えば、車両Ｍの加減速と操舵の双方を制御する自動運転制御装置である。走行制御装置１００は、物体認識装置５０により出力された物体や白線等の位置に基づいて、設定された車線内を物体に接触しないように自動的に車両Ｍを走行させたり、必要に応じて車線変更、追い抜き、分岐、合流、停止などの自動制御を行う。これに代えて、走行制御装置１００は、物体の接近時に自動停止を行う運転支援装置などであってもよい。このように、走行制御装置１００は、非道路面物体抽出部６４が、平面抽出処理部６３Ｂにより道路面と判定されたグリッドＧ以外のグリッドＧについて認識した物体の位置（特定された道路面に相当する部分を除外した情報）がセンサフュージョン部９０を経て出力された情報に基づいて、車両Ｍの走行制御を行う。

図８は、認識システムによって実行される処理の流れの一例を示すフローチャートである。ライダー１０は、物体を検出し、ライダーデータを繰り返しライダーデータ処理部６０に出力する（ステップＳ１００）。

ライダーデータ処理部６０は、１スキャン分のライダーデータを取得するまで待機し（ステップＳ１０２）。１スキャン分のライダーデータを取得すると、ステップＳ１０６に処理を進める。

一方、情報取得部６２は、例えば、ライダーデータ処理部６０のうち情報取得部６２以外の構成要素とは非同期で動作し、グリッドＧの設定のための情報を取得し、道路面特定部６３に提供する（ステップＳ１０４）。

ポイントクラウドデータ生成部６１は、ライダーデータからポイントクラウドデータを生成する（ステップＳ１０６）。グリッド設定部６３Ａは情報取得部６２から提供された情報に基づいて、グリッドＧを設定する（ステップＳ１０８）。

平面抽出処理部６３Ｂは、グリッドＧ毎に、道路面であるか否かを特定する（ステップＳ１１０）。非道路面物体抽出部６４は、道路面と特定されなかった非道路面のグリッドＧに関して、物体認識を行う（ステップＳ１１２）。そして、ライダーデータ処理部６０は、非道路面物体抽出部６４および道路区画線認識部６５の処理結果をセンサフュージョン部９０に出力する（ステップＳ１１４）。これによって図８のフローチャートのルーチンが終了する。

以上説明した実施形態の認識システムによれば、車両（Ｍ）の周辺に存在する物体の位置を検出する検出部（ライダー１０）と、検出部の検出結果に基づいて、車両の周辺における道路面を特定する特定部（道路面特定部６３）と、を備え、特定部は、検出部の検出結果を二次元平面上で細分化した個別領域（グリッドＧ）ごとに所定のアルゴリズム（ＲＡＮＳＡＣ）を用いて平面であるか否かを判定し、個別領域ごとの判定結果を集約して車両の周辺における道路面を特定するため、より正確に道路面を特定することができる。

なお、認識システムは、カメラ２０、レーダ装置３０、カメラ画像処理部７０、レーダデータ処理部８０、センサフュージョン部９０のうち一部または全部を備えないものであってもよい。例えば、認識システムは、ライダー１０とライダーデータ処理部６０を含み、非道路面物体抽出部６４および道路区画線認識部６５の処理結果を走行制御装置１００に出力してもよい。

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。

１０ ライダー
５０ 物体認識装置
６０ ライダーデータ処理部
６１ ポイントクラウドデータ生成部
６２ 情報取得部
６３ 道路面特定部
６３Ａ グリッド設定部
６３Ｂ 平面抽出処理部
６４ 非道路面物体抽出部
６５ 道路区画線認識部
１００ 走行制御装置

Claims (6)

1. 車両に搭載される認識システムであって、
   前記車両の周辺に存在する物体の位置を検出する検出部と、
   前記検出部の検出結果に基づいて、前記車両の周辺における道路面を特定する特定部と、を備え、
   前記特定部は、前記検出部の検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定し、前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定し、
   前記所定のアルゴリズムは、前記個別領域ごとの前記検出部の検出結果であるデータ集合から所定数のサンプルをランダムに選択し、選択したサンプルに基づいてモデル候補を導出し、モデル候補をデータに当てはめた場合の外れ値が規定数以下のモデル候補のうち、最もデータ集合の全体に合致するモデル候補を正解モデルとし、正解モデルが平面となった場合に、当該個別領域が道路面であると判定するアルゴリズムであり、
   前記検出部は、仰角または俯角と方位角を変えながらレーザーを前記車両の周辺に照射するライダーであり、
   前記特定部は、
   仰角または俯角、方位角、および距離で少なくとも表される物体の位置を二次元平面に射影したポイントクラウドデータを細分化した個別領域ごとに、前記所定のアルゴリズムを用いて平面であるか否かを判定し、
   前記二次元平面における前記車両からの距離に基づいて、前記個別領域のサイズを異ならせ、
   前記認識システムの過去の認識結果を参照することで得られる認識不要領域については前記個別領域を設定しない、
   認識システム。
2. 前記特定部は、前記車両の周辺における物体の分布を示す情報を取得し、前記取得した物体の分布を示す情報に基づいて、前記個別領域のサイズを変更する、
   請求項１記載の認識システム。
3. 前記特定部は、前記車両が存在する道路の種別に関する情報を取得し、前記取得した道路の種別に関する情報が特定の種別の道路を示す場合、前記取得した道路の種別に関する情報が特定の種別の道路を示さない場合に比して、前記個別領域のサイズを大きくする、 請求項１または２記載の認識システム。
4. 請求項１から３のうちいずれか１項記載の認識システムと、
   前記認識システムにおける前記検出部の検出結果から、前記特定部により特定された道路面に相当する部分を除外した情報に基づいて、前記車両の走行制御を行う走行制御装置と、
   を備える車両制御システム。
5. 車両に搭載されたコンピュータが、
   車両の周辺に存在する物体の位置を検出する検出部の検出結果を取得し、
   前記検出結果に基づいて、前記車両の周辺における道路面を特定し、
   前記特定する際に、
   前記検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定し、
   前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定し、
   前記所定のアルゴリズムは、前記個別領域ごとの前記検出部の検出結果であるデータ集合から所定数のサンプルをランダムに選択し、選択したサンプルに基づいてモデル候補を導出し、モデル候補をデータに当てはめた場合の外れ値が規定数以下のモデル候補のうち、最もデータ集合の全体に合致するモデル候補を正解モデルとし、正解モデルが平面となった場合に、当該個別領域が道路面であると判定するアルゴリズムであり、
   前記検出部は、仰角または俯角と方位角を変えながらレーザーを前記車両の周辺に照射するライダーであり、
   前記特定する際に、
   仰角または俯角、方位角、および距離で少なくとも表される物体の位置を二次元平面に射影したポイントクラウドデータを細分化した個別領域ごとに、前記所定のアルゴリズムを用いて平面であるか否かを判定し、
   前記二次元平面における前記車両からの距離に基づいて、前記個別領域のサイズを異ならせ、
   前記コンピュータの過去の認識結果を参照することで得られる認識不要領域については前記個別領域を設定しない、
   認識方法。
6. 車両に搭載されたコンピュータに、
   車両の周辺に存在する物体の位置を検出する検出部の検出結果を取得させ、
   前記検出結果に基づいて、前記車両の周辺における道路面を特定させ、
   前記特定させる際に、
   前記検出結果を二次元平面上で細分化した個別領域ごとに所定のアルゴリズムを用いて平面であるか否かを判定させ、
   前記個別領域ごとの判定結果を集約して前記車両の周辺における道路面を特定させ、
   前記所定のアルゴリズムは、前記個別領域ごとの前記検出部の検出結果であるデータ集合から所定数のサンプルをランダムに選択し、選択したサンプルに基づいてモデル候補を導出し、モデル候補をデータに当てはめた場合の外れ値が規定数以下のモデル候補のうち、最もデータ集合の全体に合致するモデル候補を正解モデルとし、正解モデルが平面となった場合に、当該個別領域が道路面であると判定するアルゴリズムであり、
   前記検出部は、仰角または俯角と方位角を変えながらレーザーを前記車両の周辺に照射するライダーであり、
   前記特定させる際に、
   仰角または俯角、方位角、および距離で少なくとも表される物体の位置を二次元平面に射影したポイントクラウドデータを細分化した個別領域ごとに、前記所定のアルゴリズムを用いて平面であるか否かを判定させ、
   前記二次元平面における前記車両からの距離に基づいて、前記個別領域のサイズを異ならせることを行わせ、
   前記コンピュータの過去の認識結果を参照することで得られる認識不要領域については前記個別領域を設定させない、
   プログラム。

Images