JP7173735B2

JP7173735B2 - レーダ装置及び信号処理方法

Info

Publication number: JP7173735B2
Application number: JP2018028186A
Authority: JP
Inventors: 敏幸宮崎; 知明大槻; 健太郎豊田; 崇志中村
Original assignee: Denso Corp; Keio University
Current assignee: Denso Corp; Keio University
Priority date: 2018-02-20
Filing date: 2018-02-20
Publication date: 2022-11-16
Anticipated expiration: 2038-02-20
Also published as: JP2019144094A

Description

本発明は、物標の検出を行うレーダ装置及び信号処理方法に関する。

従来より、車載カメラを用いた歩行者認識技術が検討されている。しかしながら、車載カメラを用いた歩行者認識技術は、（１）単眼カメラである場合には歩行者までの距離を計測できず、ステレオカメラである場合には遠方の歩行者までの距離に関して計測精度が低い、（２）霧、雪、逆光などのシーンに弱く環境ロバスト性が低い、という問題を有している。

そのため、近年、車載カメラを用いた歩行者認識技術の代替技術として、物標までの距離の計測精度が高く環境ロバスト性も高いレーダ装置を用いた歩行者認識技術の研究が行われている。

"Pedestrian recognition in automotive radar sensors"Radar Symposium(IRS),2013 14th International

レーダ装置で歩行者のドップラ周波数を検出すると、主に胴体からの反射波によって検出される中心ドップラ成分の周辺に腕や脚の振りによるドップラ変動が発生することが知られており、一般的にマイクロドップラ効果と呼ばれている。

例えば非特許文献１で開示されているレーダ装置を用いた歩行者認識技術は、上記のマイクロドップラ効果を利用した歩行者認識技術であって、近接距離の瞬時的に発生する検出ピーク情報を束ねたグループ情報での距離広がりや速度広がり等の特徴量に基づいて、歩行者と移動車両とを分類している。

しかしながら、非特許文献１で開示されているレーダ装置を用いた歩行者認識技術には、主に物標が遠方に存在する場合、グループ情報での検出ピーク情報が１個しか得られず、距離広がりや速度広がり等の特徴量を計算することができないという課題があった。

本発明は、上記課題に鑑みて、遠方の物標でも種類を識別することができるレーダ装置及び信号処理方法を提供することを目的とする。

本発明に係るレーダ装置は、送信波が物標に反射した反射波を受信して取得される受信信号に基づいて前記物標に係る物標データを導出する導出部と、前記物標データの所定の計測値に基づいて前記物標データをクラスタにクラスタリングするクラスタリング部と、同一の前記クラスタに属する前記物標データを時系列的に取得して得られる時系列情報に基づく第１の特徴量を抽出する抽出部と、前記第１の特徴量に基づいて前記物標の種類を識別する識別部と、を備える構成（第１の構成）である。

上記第１の構成のレーダ装置において、前記抽出部は、同一の前記クラスタに属する前記物標データの瞬時的な特徴量である第２の特徴量を抽出し、前記識別部は、前記第１の特徴量及び前記第２の特徴量に基づいて前記物標の種類を識別する構成（第２の構成）であってもよい。

上記第１又は第２の構成のレーダ装置において、前記抽出部は、同一の前記クラスタに属する前記物標データの瞬時的な特徴量である第２の特徴量を抽出し、前記抽出部が前記第１の特徴量を抽出できない期間、前記識別部は、前記第２の特徴量のみに基づいて前記物標の種類を識別する構成（第３の構成）であってもよい。

上記第１又は第２の構成のレーダ装置において、前記抽出部が前記第１の特徴量を抽出できない期間、前記識別部は識別を行わない構成（第４の構成）であってもよい。

上記第１～第４いずれかの構成のレーダ装置において、前記抽出部は、前記第１の特徴量として複数種類の特徴量を抽出し、前記識別部は、教師あり機械学習によって前記物標の種類を識別する構成（第５の構成）であってもよい。

上記第５の構成のレーダ装置において、前記抽出部は、前記第１の特徴量として、前記受信信号の電力及び前記物標までの距離の少なくとも２種類の特徴量を抽出する構成（第６の構成）であってもよい。

上記第１～第６いずれかの構成のレーダ装置において、前記物標を追尾する追尾処理部を備え、前記識別部によって識別された前記物標の種類に応じて、前記追尾処理部で用いられるパラメータの値が変更される構成（第７の構成）であってもよい。

本発明に係る信号処理方法は、送信波が物標に反射した反射波を受信して取得される受信信号に基づいて前記物標に係る物標データを導出する導出工程と、前記物標データの所定の計測値に基づいて前記物標データをクラスタにクラスタリングするクラスタリング工程と、同一の前記クラスタに属する前記物標データを時系列的に取得して得られる時系列情報に基づく第１の特徴量を抽出する抽出工程と、前記第１の特徴量に基づいて前記物標の種類を識別する識別工程と、を備える構成（第８の構成）である。

本発明に係るレーダ装置及び信号処理方法によると、遠方の物標に対しても第１の特徴量を検出することができるため、遠方の物標でも種類を識別することができる。

レーダ装置の構成例を示す図送信信号に施される周波数変調を示す図信号処理装置の動作例を示すフローチャートレンジビン方向のフーリエ変換処理の結果を示す図ベロシティビン方向のフーリエ変換処理の結果を示す図 αβフィルタを用いた追尾処理の概要を示す模式図識別処理の一例を示すフローチャートウィンドウの一構成例を示す模式図ウィンドウの他の構成例を示す模式図スライディングウィンドウ方式の概略を示す模式図識別処理の他の例を示すフローチャート教師あり機械学習の概要を示す模式図受信電力の距離特性を示す図

以下、本発明の例示的な実施形態について、図面を参照しながら詳細に説明する。

＜１．レーダ装置の構成＞
図１は本実施形態に係るレーダ装置１の構成を示す図である。レーダ装置１は、例えば自動車などの車両に搭載されている。以下、レーダ装置１が搭載される車両を「自車両」という。また、自車両の直進進行方向であって、運転席からステアリングに向かう方向を「前方」という。また、自車両の直進進行方向であって、ステアリングから運転席に向かう方向を「後方」という。また、自車両の直進進行方向及び鉛直線に垂直な方向であって、前方向を向いている運転手の右側から左側に向かう方向を「左方向」という。また、自車両の直進進行方向及び鉛直線に垂直な方向であって、前方向を向いている運転手の左側から右側に向かう方向を「右方向」という。

レーダ装置１が自車両の前端に搭載されている場合、レーダ装置１は、送信波を用いて、自車両の前方に存在する物標に係る物標データを取得する。

レーダ装置１は、物標から反射した反射波がレーダ装置１の受信アンテナに受信されるまでの距離[ｍ]、自車両に対する物標の相対速度[ｋｍ／ｈ]、自車両の前後方向におけるレーダ装置１から物標までの距離（以下、「縦位置」という。）[ｍ]、自車両の左右方向におけるレーダ装置１から物標までの距離（以下、「横位置」という。）[ｍ]などのパラメータを有する物標データを導出する。縦位置は、例えば、自車両のレーダ装置１を搭載している位置を原点Ｏとし、自車両の前方では正の値、自車両の後方では負の値で表現される。横位置は、例えば、自車両のレーダ装置１を搭載している位置を原点Ｏとし、自車両の右側では正の値、自車両の左側では負の値で表現される。

レーダ装置１は、ＦＣＭ（Fast Chirp Modulation）方式で物標を検出する。ＦＣＭ方式は、ＦＭＣＷ方式で必要なアップピークとダウンピークのペアリング処理が不要であることから、誤ペアリングによる物標の誤認識という問題が発生せず、より正確な物標検出が期待できる。

ここで、ＦＣＭ方式における距離と相対速度の算出方法について簡単に説明する。ＦＣＭ方式は、のこぎり波状に周波数が変化する送信波の一つの波形を１チャープとし、複数チャープをＦＭＣＷ方式と比べて短い周期で送信し、物標からの反射波を受信信号として受信し、この受信信号と送信波の差分をとることでビート信号を得、このビート信号を２次元ＦＦＴすることで物標との距離及び相対速度を得る。具体的には、送信波に対して、物標の距離が遠いほど受信信号の時間遅延が大きくなるため、ビート信号の周波数は距離に比例する。そのため、ビート信号をＦＦＴ処理することで物標の距離に対応する周波数の位置にピークが出現する。尚、ＦＦＴは所定の周波数間隔で設定された周波数ポイント（以下、レンジビンという場合がある）ごとに受信レベルや位相情報が抽出されるため、正確には物標の距離に対応する周波数のレンジビンにピークが出現する。従って、ピーク周波数を検出することで物標までの距離が求められる。この距離を求めるためのＦＦＴ処理は、各ビート信号について行うため、ビート信号の数、即ちチャープの数だけ繰り返す。

次に、相対速度の算出であるが、ＦＣＭ方式では物標の相対速度が０ｋｍ／ｈでない場合は、ビート信号間にドップラ周波数に応じた位相の変化が現れることを利用してドップラ周波数を検出し相対速度を算出している。即ち、自車両と物標との速度差が略生じない場合（例えば、相対速度が０km/ｈの場合）であれば、受信信号にドップラ成分は生じていないため、各チャープに対する受信信号の位相は全て同じになる。ところが、物標との間に速度差が生じている場合（例えば、相対速度が０ｋｍ／ｈ以外で、相対速度がある場合）は、各チャープに対する受信信号の間にドップラ周波数に応じた位相変化が生じる。ビート信号をＦＦＴ処理して得られたピーク情報にはこの位相情報が含まれているため、各ビート信号から得られた同じ物標のピーク情報を時系列に並べて２回目のＦＦＴ処理を行えば、位相情報からドップラ周波数が求まり、その周波数位置にピークが出現する。このピーク周波数が相対速度に対応する。

このように、ビート信号に対して２次元ＦＦＴを行うことで、距離と相対速度を算出することができる。この相対速度を求めるためのＦＦＴ処理は、１回目のＦＦＴ処理の結果についてレンジビン毎に行うため、レンジビンの数だけ繰り返す。

図１に示すように、レーダ装置１は、送信部２と、受信部３と、信号処理装置４と、を主に備えている。

送信部２は、信号生成部２１と発信器２２とを備えている。信号生成部２１は、基準値から時間の経過に伴って一定の割合で電圧が減少し最小値に達してから直ちに基準値へ戻る一波形（１チャープ）が複数連続する変調信号を生成し、発信器２２に供給する。１チャープの周期は例えば数十μｓｅｃとすればよい。発信器２２は、信号生成部２１で生成された変調信号に基づいて連続波の信号を周波数変調し、時間の経過に従って周波数が変化する送信信号を生成し、送信アンテナ２３に出力する。

送信アンテナ２３は、発信器２２からの送信信号に基づいて、送信波ＴＷを自車両の前方に出力する。送信アンテナ２３が出力する送信波ＴＷでは、図２に示すように、各チャープ間にＴＦＴ処理を実施しない期間である空走時間ｔ０が設けられる。送信アンテナ２３から自車両の前方に送信された送信波ＴＷは、人、他車両などの物体で反射されて反射波ＲＷとなる。

受信部３は、アレーアンテナを形成する複数の受信アンテナ３１と、その複数の受信アンテナ３１に接続された複数の個別受信部３２とを備えている。本実施形態では、受信部３は、例えば、４つの受信アンテナ３１と４つの個別受信部３２とを備えている。４つの個別受信部３２は、４つの受信アンテナ３１にそれぞれ対応している。各受信アンテナ３１は物体からの反射波ＲＷを受信して受信信号を取得し、各個別受信部３２は対応する受信アンテナ３１で得られた受信信号を処理する。

各個別受信部３２は、ミキサ３３とＡ／Ｄ変換器３４とを備えている。受信アンテナ３１で得られた受信信号は、ローノイズアンプ（図示省略）で増幅された後にミキサ３３に送られる。ミキサ３３には送信部２の発信器２２からの送信信号が入力され、ミキサ３３において送信信号と受信信号とがミキシングされる。これにより、送信信号の周波数と受信信号の周波数との差となるビート周波数を有するビート信号が生成される。ミキサ３３で生成されたビート信号は、Ａ／Ｄ変換器３４でデジタルの信号に変換された後に、信号処理装置４に出力される。

信号処理装置４は、ＣＰＵ（Central Processing Unit）及びメモリ４１などを含むマイクロコンピュータを備えている。信号処理装置４は、演算の対象とする各種のデータを、記憶装置であるメモリ４１に記憶する。メモリ４１は、例えばＲＡＭ（Random Access Memory）などである。信号処理装置４は、マイクロコンピュータでソフトウェア的に実現される機能として、送信制御部４２、フーリエ変換部４３、及び、データ処理部４４を備えている。送信制御部４２は、送信部２の信号生成部２１を制御する。

フーリエ変換部４３は、複数の個別受信部３２のそれぞれから出力されるビート信号を対象に、高速フーリエ変換（ＦＦＴ）を実行する。これにより、フーリエ変換部４３は、複数の受信アンテナ３１それぞれの受信信号に係るビート信号を、周波数領域のデータである周波数スペクトラムに変換する。フーリエ変換部４３で得られた周波数スペクトラムは、データ処理部４４に入力される。

データ処理部４４は、物標データ取得処理を実行し、複数の受信アンテナ３１それぞれの周波数スペクトラムに基づいて、自車両の前方の物標に係る物標データを取得する。また、データ処理部４４は、物標データを車両制御ＥＣＵ５１などに出力する。

図１に示すように、データ処理部４４は、主な機能として、物標データ導出部４５、物標データ処理部４６、及び物標データ出力部４７を備えている。

物標データ導出部４５は、フーリエ変換部４３で得られた周波数スペクトラムに基づいて物標に係る物標データを導出する。

物標データ処理部４６は、導出された物標データを対象にしてクラスタリングなどの各種の処理を行う。物標データ処理部４６は、クラスタリング部４６ａ、抽出部４６ｂ、識別部４６ｃ、及び追尾処理部４６ｄを備えている。クラスタリング部４６ａ、抽出部４６ｂ、識別部４６ｃ、及び追尾処理部４６ｄそれぞれが実行する処理の詳細については後述する。

物標データ出力部４７は、物標データを車両制御ＥＣＵ５１などに出力する。これにより、車両制御ＥＣＵ５１などは、物標データを例えばＡＣＣ（Adaptive Cruise Control）やＰＣＳ（Pre-crash Safety System）に用いることができる。

＜２．信号処理装置の動作＞
次に、信号処理装置４の動作について説明する。図３は、信号処理装置４の動作を示すフローチャートである。信号処理装置４は、図３に示す処理を一定時間ごとに周期的に繰り返す。

信号処理装置４は、所定数のビート信号を取得する（ステップＳ１０）。次に、フーリエ変換部４３は、ビート信号を対象に、二次元ＦＦＴを実行する（ステップＳ２０）。

ビート信号をＦＦＴ処理することで、物標の距離に対応する周波数の位置にピークが出現する。尚、ＦＦＴは所定の周波数間隔で設定されたレンジビンごとに受信レベルや位相情報が抽出されるため、正確には物標の距離に対応する周波数のレンジビンにピークが出現する。従って、ピーク周波数を検出することで物標までの距離が求められる。この距離を求めるためのＦＦＴ処理は、各ビート信号について行うため、ビート信号の数、即ちチャープの数だけ繰り返す。図４は、このＦＦＴ処理の結果をレンジビン方向に並べ、各ビート信号の結果をレンジビンと直交する方向に並べてマトリクス状に示し、高さ方向に各処理結果の値（Spectrum［dB］）を示した例である。図４では、二つのピーク６１及び６２が生じた例を示している。

次に、相対速度の算出であるが、ＦＣＭ方式では物標の相対速度が０ｋｍ／ｈでない場合は、ビート信号間にドップラ周波数に応じた位相の変化が現れることを利用してドップラ周波数を検出し相対速度を算出している。即ち、相対速度が０ｋｍ／ｈであれば、受信信号にドップラ成分は生じていないため、各チャープに対する受信信号の位相は全て同じになる。ところが、物標との間に相対速度がある場合は、各チャープに対する受信信号の間にドップラ周波数に応じた位相変化が生じる。ビート信号をＦＦＴ処理して得られたピーク情報にはこの位相情報が含まれているため、各ビート信号から得られた同じ物標のピーク情報を時系列に並べて２回目のＦＦＴ処理を行えば、位相情報からドップラ周波数が求まり、その周波数位置にピークが出現する。このＦＦＴ処理は、速度分解能に応じて所定の周波数間隔で設定されたベロシティビンごとに位相情報が抽出されるため、物標の相対速度に対応する周波数のベロシティビンにピークが出現する。従って、ピーク周波数を検出することで物標との相対速度が求められる。図５は、二回目のＦＦＴ処理の結果をベロシティビン方向に並べ、この二回目のＦＦＴ処理の結果を距離の周波数ポイント毎にレンジビン方向に並べてマトリクス状に示し、高さ方向に各処理結果の値（Spectrum［dB］）を示した例である。図５では、二つのピーク６３及び６４が生じた例を示している。

図３に戻って、ステップＳ２０に続くステップＳ３０において、物標データ導出部４５は、二次元ＦＦＴの結果からピークを抽出する。さらに、物標データ導出部４５は、受信アンテナ３１を介して受信した受信信号に基づいて物標の存在する方位（角度）を推定する。そして、物標データ導出部４５は、ステップＳ３０で抽出したピークのレンジビン、ベロシティビンから物標の距離及び相対速度を算出する（ステップＳ５０）。

ステップＳ５０に続くステップＳ６０において、クラスタリング部４６ａは、物標データの所定の計測値に基づいて物標データをクラスタにクラスタリングする。具体的は、クラスタリング部４６ａは、物標データに含まれる縦位置及び横位置から求まる物標の位置同士が近接（所定距離以内）である物標データを数珠つなぎにつないで同一のクラスタとする。クラスタ１個が物標１個に対応する。

ステップＳ６０に続くステップＳ７０において、追尾処理部４６ｄは、過去に検出されている物標を追尾する追尾処理を行う。追尾処理の方式は特に限定されない。ここでは、一例として、αβフィルタを用いた追尾処理について説明する。図６は、αβフィルタを用いた追尾処理の概要を示す模式図である。

前回の平滑値（平滑位置及び平滑速度）Ｖ１から今回の予測値（予測位置及び予測速度）Ｖ２が算出される。次に、今回の予測値Ｖ２を中心にゲートＧ１が設定され、相関候補（追尾候補）となる観測値Ｖ３がゲートＧ１内に制限される。ゲートＧ１内の観測値Ｖ３のうち今回の予測値Ｖ２に最も近接する観測値が今回の相関点として選択される。今回の相関点と所定数の過去の相関点を平滑化することによって今回の平滑値Ｖ４が算出される。ゲートＧ１の大きさ等はαβフィルタのパラメータの値によって定まる。

図３に戻って、ステップＳ７０に続くステップＳ８０において、物標データ処理部４６は、検出した物標を、静止物標、後方から前方に向かう方向に移動する移動物標、前方から後方に向かう方向に移動する移動物標の３種類に分類する。

次に、物標データ処理部４６は、不要物に対応する物標データを除去する（ステップＳ９０）。不要物としては、例えば、所定の高さよりも高い（例えば自車両の車高よりも高い）位置に存在する静止物、自車両の車高よりも低い位置に存在する静止物等を挙げることができる。

次に、識別部４６ｃは、物標の種類を識別する（ステップＳ１００）。例えば、識別部４６ｃは、物標が歩行者であるか他車両であるかを識別する。ステップＳ１００の識別処理の詳細については後述する。

次に、物標データ処理部４６は、物標データのパラメータ（距離、相対速度、縦位置、横位置等）に基づいて、同一の物体に関する物標データであると推測できる複数の物標データを１つのグループに纏める（ステップＳ１１０）。

最後に物標データ出力部４７が、このように処理された物標データを車両制御ＥＣＵ５１などに送る。物標データ出力部４７は、グループ化された物標データから所定数（例えば、１０個）の物標データを出力対象として選択する（ステップＳ１２０）。物標データ出力部４７は、物標データの距離及び横位置を考慮して、自車両に近い物標に係る物標データを優先的に選択する。

以上のような処理で出力対象として選択された物標データはメモリ４１に記憶され、次回以降の物標データ取得処理において過去の物標データとして用いられることになる。

＜３．識別処理の詳細＞
図７は、識別処理の一例を示すフローチャートである。識別処理が開始されると、抽出部４６ｂは、同一のクラスタに属する物標データの瞬時的な特徴量（以下、「クラスタ特徴量」という。）をクラスタ毎に抽出する（ステップＳ１１０）。クラスタ特徴量としては、例えば、物標までの距離の広がり、縦位置の広がり、横位置の広がり、相対速度の広がり、受信信号の電力（受信電力）の広がり等を挙げることができる。

次に、抽出部４６ｂは、同一のクラスタに属する物標データを時系列的に取得して得られる時系列情報をウィンドウとして蓄積する（ステップＳ１２０）。１つのウィンドウを構成するクラスタの数は複数であれば任意である。以下の説明では、適宜１つのウィンドウを構成するクラスタの数を３つとする。

次に、識別部４６ｃは、最初のウィンドウの蓄積が完了しているか否かを判定する（ステップＳ１３０）。

最初のウィンドウの蓄積が完了していれば（ステップＳ１３０のＹＥＳ）、抽出部４６ｂは、最新のウィンドウについて、ウィンドウに基づく特徴量（以下、「ウィンドウ特徴量」という。）を抽出する（ステップＳ１４０）。ウィンドウ特徴量としては、例えば、ウィンドウ内での物標までの距離の広がり、ウィンドウ内での縦位置の広がり、ウィンドウ内での横位置の広がり、ウィンドウ内での相対速度の広がり、ウィンドウ内での受信電力の広がり等を挙げることができる。

例えば、図８に示すウィンドウＷ１は、１つの検出ピーク情報を有する１スキャン目のクラスタＣ１と、２つの検出ピーク情報をそれぞれ有する２スキャン目のクラスタＣ２及び３スキャン目のクラスタＣ３とによって構成されている。図８に示すウィンドウＷ１におけるウィンドウ内での相対速度の広がりは１．３[ｍ／ｓ]である。

また例えば、図９に示すウィンドウＷ２は、１つの検出ピーク情報をそれぞれ有する１スキャン目のクラスタＣ４、２スキャン目のクラスタＣ５、及び３スキャン目のクラスタＣ６によって構成されている。図９に示すウィンドウＷ２におけるウィンドウ内での相対速度の広がりは１．０[ｍ／ｓ]である。

ステップＳ１４０に続くステップＳ１５０において、識別部４６ｃは、クラスタ特徴量及びウィンドウ特徴量に基づいて物標の種類を識別する。なお、ステップＳ１５０において、識別部４６ｃは、ウィンドウ特徴量のみに基づいて物標の種類を識別するようにしてもよい。

ステップＳ１５０に続くステップＳ１６０において、抽出部４６ｂは、ウィンドウのスライディングシフトを行う。すなわち、抽出部４６ｂは、スライディングウィンドウ方式を採用しており、最新の所定数のクラスタでウィンドウを構成することでウィンドウを図１０に示すように１スキャンずつスライディングさせながら（図１０ではΔで示す）ウィンドウを蓄積する。例えばウィンドウを構成するクラスタ数を３とし、ｎスキャン目のクラスタをＣｎとすると、今回のスキャンにおけるクラスタＣｎ、１回前のスキャンにおけるクラスタＣｎ-1、２回前のスキャンにおけるＣｎ-2とでウィンドウを構成する。スライディングウィンドウ方式では、最初のウィンドウを得るまでの時間遅延が必要となるが、その後は図１０に示すｋ～ｋ＋３スキャン目のウィンドウＷ１１～１４それぞれにおけるウィンドウ特徴量の抽出タイミングｔ１～ｔ４のように、ウィンドウ特徴量を一定周期で抽出することができる。

一方、最初のウィンドウの蓄積が完了していなければ（ステップＳ１３０のＮＯ）、識別部４６ｃは、クラスタ特徴量のみに基づいて物標の種類を識別する（ステップＳ１７０）。

ステップＳ１６０又はステップＳ１７０の処理が終了すると、識別処理が終了する。

以上説明した図７に示すフローチャートの動作によると、最初のウィンドウの蓄積が完了した後は、識別部４６ｃがウィンドウ特徴量に基づいて物標の種類を識別する。これにより、図９に示す例のように１つの検出ピーク情報しか有さないクラスタが続いた場合でも物標の種類の識別が可能となる。したがって、特に、遠方の物標が歩行者のようなレーダ反射断面積（ＲＣＳ）が小さく検出ピーク情報を多く取得し難い物標に対する識別精度が向上する。

また以上説明した図７に示すフローチャートの動作によると、最初のウィンドウの蓄積が完了した後は、識別部４６ｃがウィンドウ特徴量のみならずクラスタ特徴量にも基づいて物標の種類を識別する。これにより、クラスタが複数の検出ピーク情報を有する場合における物標の種類の識別精度を向上させることができる。

また以上説明した図７に示すフローチャートの動作によると、最初のウィンドウの蓄積が完了する迄は、識別部４６ｃがクラスタ特徴量に基づいて物標の種類を識別する。これにより、最初のウィンドウの蓄積が完了する前であっても識別部４６ｃが物標の種類を識別できる場合がある。

なお、信号処理装置４が図７に示すフローチャートの代わりに図１１に示すフローチャートの動作を実行してもよい。図１１に示すフローチャートは、図７に示すフローチャートからステップＳ１７０の処理を除いたフローチャートである。図１１に示すフローチャートの動作によると、最初のウィンドウの蓄積が完了する迄は、識別部４６ｃが物標の種類を識別しない。これにより、識別部４６ｃによる識別処理がステップＳ１５０のみになり、識別部４６ｃによる識別処理を簡素化できる。

識別部４６ｃの識別結果をどのように利用するかについては特に限定されないが、例えば、識別部４６ｃによって識別された物標の種類に応じて、追尾処理部４６ｄで用いられるパラメータの値が変更されてよい。これにより、追尾処理性能の向上を図ることができる。また例えば、識別部４６ｃの識別結果がレーダ装置１の外部に提供され、識別部４６ｃによって識別された物標の種類に応じたＡＥＢ（Advanced Emergency Braking System）制御が実行されたり、識別部４６ｃの識別結果をＨＵＤ（Head-Up Display）等に表示されたりしてもよい。

本実施形態では、識別部４６ｃは、例えばサポートベクターマシン、ランダムフォレスト等の教師あり機械学習によって物標の種類を識別する。教師あり機械学習を用いることにより、識別精度を向上させることができる。図１２は、教師あり機械学習の概要を示す模式図である。識別部４６ｃは、図１２に示す様に事前に教師データの特徴量から学習結果（識別平面を形成するためのパラメータ）を作成し、オンライン処理で抽出した推定対象特徴量からクラス（物標の種類）を推定する。ステップＳ１５０の識別処理では、教師データの特徴量はクラスタ特徴量及び少なくとも２種類のウィンドウ特徴量であり、推定対象特徴量もクラスタ特徴量及び少なくとも２種類のウィンドウ特徴量である。ステップＳ１７０の識別処理では、教師データの特徴量は少なくとも２種類のクラスタ特徴量であり、推定対象特徴量も少なくとも２種類のクラスタ特徴量である。

なお、教師あり機械学習において教師データの特徴量及び推定対象特徴量それぞれに、受信電力（クラスタ又はウィンドウの代表受信電力）及び物標までの距離（クラスタ又はウィンドウの代表距離）を含めてもよい。受信電力及び物標までの距離それぞれは、クラスタ特徴量、ウィンドウ特徴量のいずれであってもよい。

図１３は受信電力の距離特性を示す図である。図１３中の太線は物標として歩行者を想定した受信電力の距離特性であり、図１３中の細線は物標として他車両を想定した受信電力の距離特性である。図１３から明らかな通り、受信電力は物標までの距離に依存して値が変動するため、レーダ装置１との距離が異なる別物標（歩行者及び他車両）で同じ値をとる場合がある。そのため、受信電力で単純に物標の種類を識別しようとすれば、図１３に示す点線で区分した距離範囲毎で物標の種類を識別する必要があり、メモリ４１の負荷が高くなってしまう。一方、上記のように教師あり機械学習において教師データの特徴量及び推定対象特徴量それぞれに、受信電力及び物標までの距離を含めることで、図１３に示す点線での区分が不要となり、メモリ４１の負荷を低くすることができる。

＜４．その他＞
本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。また、本明細書中に示される複数の実施形態及び変形例は可能な範囲で組み合わせて実施されてよい。

例えば、ドプラシフトをビート信号の周波数ではなく複数のチャープ信号間の位相変化として検出するＦＣＭ方式の代わりに、ドプラシフトをビート信号の周波数ではなく複数の変調信号間の位相変化として検出する他の方式を採用してもよい。ドプラシフトをビート信号の周波数ではなく複数の変調信号間の位相変化として検出する他の方式としては、例えばドプラシフトをビート信号の周波数ではなく複数のパルス信号間の位相変化として検出するパルスドップラー方式が挙げられる。

また例えば、レーダ装置において、ＦＣＭ方式やパルスドップラー方式等の代わりに、ＦＭＣＷ方式（Frequency Modulated Continuous Wave）等を採用してもよい。

また上述した実施形態では車載レーダ装置について説明したが、本発明は、道路等に設置されるインフラレーダ装置、航空機監視レーダ装置等にも適用可能である。

１レーダ装置
２送信部
３受信部
４信号処理装置
４６ａクラスタリング部
４６ｂ抽出部
４６ｃ識別部
４６ｄ追尾処理部

Claims

送信波が物標に反射した反射波を受信して取得される受信信号に基づいて前記物標の位置情報、相対速度情報及び受信電力情報を含んだ物標データを導出する導出部と、
前記導出部にて導出された前記物標データに含まれる前記位置情報に基づいて前記物標データをクラスタリングするクラスタリング部と、
前記クラスタリング部でのクラスタリングによって生成されるクラスタである現クラスタのそれぞれを、前回の処理サイクルで生成された前記クラスタに対応づける追尾処理部と、
前記追尾処理部によって前記現クラスタ毎に時系列的にグループ化される一群の前記クラスタをクラスタ群とし、前記クラスタ群において前記現クラスタを含む所定個のクラスタをウィンドウとして、前記クラスタ群毎に、前記ウィンドウに属する前記所定個のクラスタから前記物標データの時系列情報を取得し、前記時系列情報に基づく１つ以上の第１の特徴量を抽出すると共に、前記現クラスタ毎に、前記現クラスタに属する前記物標データに基づく１つ以上の第２の特徴量を抽出する抽出部と、
前記現クラスタ毎に、前記１つ以上の第１の特徴量及び前記１つ以上の第２の特徴量のうち少なくとも一方に基づいて前記現クラスタに対応づけられる前記物標について、歩行者であるか車両であるかを含む前記物標の種類を識別する識別部と、
を備え、
前記ウィンドウの形成に必要な前記所定個のクラスタの蓄積が完了していないことで前記抽出部が前記１つ以上の第１の特徴量を抽出できない期間、前記識別部は、前記１つ以上の第２の特徴量のみに基づいて前記物標の種類を識別する、
レーダ装置。
前記抽出部は、前記１つ以上の第１の特徴量として複数の特徴量を抽出し、
前記識別部は、教師あり機械学習によって前記物標の種類を識別する、請求項１に記載
のレーダ装置。
前記抽出部は、前記１つ以上の第１の特徴量として、前記ウィンドウ内での前記受信信号の電力の広がり及び前記ウィンドウ内での前記物標までの距離の広がりを含む少なくとも２つの特徴量を抽出する、請求項２に記載のレーダ装置。
前記識別部によって識別された前記物標の種類に応じて、前記追尾処理部で用いられるパラメータの値が変更される、請求項１～３のいずれか一項に記載のレーダ装置。
送信波が物標に反射した反射波を受信して取得される受信信号に基づいて前記物標の位置情報、速度情報及び受信電力情報を含んだ物標データを導出する導出工程と、
前記導出工程にて導出された前記物標データに含まれる前記位置情報に基づいて前記物標データをクラスタリングするクラスタリング工程と、
前記クラスタリング工程でのクラスタリングによって生成されるクラスタである現クラスタのそれぞれを、前回の処理サイクルで生成された前記クラスタに対応づける追尾工程と、
前記追尾工程によって前記現クラスタ毎に時系列的にグループ化される一群の前記クラスタをクラスタ群とし、前記クラスタ群において前記クラスタを含む所定個のクラスタをウィンドウとして、前記クラスタ群毎に、前記ウィンドウに属する前記所定個のクラスタから前記物標データの時系列情報を取得し、前記時系列情報に基づく１つ以上の第１の特徴量を抽出すると共に、前記現クラスタ毎に、前記現クラスタに属する前記物標データに基づく１つ以上の第２の特徴量を抽出する抽出工程と、
前記現クラスタ毎に、前記１つ以上の第１の特徴量及び前記１つ以上の第２の特徴量のうち少なくとも一方に基づいて前記現クラスタに対応づけられる前記物標について、歩行者であるか車両であるかを含む前記物標の種類を識別する識別工程と、
を備え、
前記ウィンドウの形成に必要な前記所定個のクラスタの蓄積が完了していないことで前記抽出工程にて前記１つ以上の第１の特徴量を抽出できない期間、前記識別工程では、前記１つ以上の第２の特徴量のみに基づいて前記物標の種類を識別する、
信号処理方法。