WO2023157394A1

WO2023157394A1 - 認識システム、認識装置、認識方法、認識プログラム

Info

Publication number: WO2023157394A1
Application number: PCT/JP2022/041385
Authority: WO
Inventors: 圭久柴田; 駿山▲崎▼; 駿清水; 健二武藤
Original assignee: 株式会社デンソー
Priority date: 2022-02-15
Filing date: 2022-11-07
Publication date: 2023-08-24
Also published as: US20240404198A1

Abstract

本開示の課題は、移動体を高精度で認識する認識システムを、提供することにある。　ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識システム（１）のプロセッサ（１２）は、走査空間（３０）を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、走査空間（３０）に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、三次元ダイナミックマップ（Ｍｔ）において走査空間（３０）を分割した複数の三次元ボクセル（３００）毎に走査空間（３０）の状態を識別するための識別情報（Ｉｉ）に基づく走査点群のクラスタリングにより、走査空間（３０）において走査デバイス（３）の走査方向に前後に離れた複数の静止物体（８）間のターゲット移動体（９）を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される。

Description

認識システム、認識装置、認識方法、認識プログラム

関連出願の相互参照

　この出願は、２０２２年２月１５日に日本に出願された特許出願第２０２２－２１５５３号、及び、２０２２年９月１９日に日本に出願された特許出願第２０２２－１４８６６７号を基礎としており、基礎の出願の内容を、全体的に、参照により援用している。

　本開示は、移動体を認識する認識技術に、関する。

　走査デバイスにより走査された走査空間において移動可能な移動体を認識する認識技術は、近年、重要となってきている。例えば特許文献１に開示される認識技術は、三次元距離画像データを三次元環境地図データと比較して、三次元環境地図データに存在しない点群を三次元距離画像データにおいてクラスタリングすることで、移動体を認識している。

特開２０１８－１７３７０７号公報

　しかし、特許文献１の開示技術において、走査デバイスとなるレーザ距離計の走査方向に前後に離れた複数の静止物体間には、それら各静止物体からの走査エコーの重なりに起因して、ゴーストピクセルと呼ばれる誤走査点群の生じるおそれがある。この場合、各静止物体間へ進入した移動体に対応する正規点群を、クラスタリングにより誤走査点群から分離することは難しくなるため、当該進入移動体に対する認識精度が低下してしまう。こうした問題は、レーザ距離計の走査方向に視て重畳する複数の移動体間においても、生じるおそれがあった。

　本開示の課題は、移動体を高精度で認識する認識システムを、提供することにある。本開示の別の課題は、移動体を高精度で認識する認識装置を、提供することにある。本開示のさらに別の課題は、移動体を高精度で認識する認識方法を、提供することにある。本開示のまたさらに別の課題は、移動体を高精度で認識する認識プログラムを、提供することにある。

　以下、課題を解決するための本開示の技術的手段について、説明する。

　本開示の第一態様は、
　プロセッサを有し、ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識する認識システムであって、
　プロセッサは、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に前後に離れた複数の静止物体間のターゲット移動体を認識した、認識データを生成することとを、実行するように構成される。

　本開示の第二態様は、
　プロセッサを有し、ホスト移動体に搭載可能に構成され、当該ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識する認識装置であって、
　プロセッサは、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に前後に離れた複数の静止物体間のターゲット移動体を認識した、認識データを生成することとを、実行するように構成される。

　本開示の第三態様は、
　ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識するために、プロセッサにより実行される認識方法であって、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に前後に離れた複数の静止物体間のターゲット移動体を認識した、認識データを生成することとを、含む。

　本開示の第四態様は、
　ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識するために記憶媒体に記憶され、プロセッサにより実行される命令を含む認識プログラムであって、
　命令は、
　走査空間を走査した走査点群を表す三次元走査データを、取得させることと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出させることと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に前後に離れた複数の静止物体間のターゲット移動体を認識した、認識データを生成させることとを、含む。

　これら第一～第四態様では、走査空間において走査デバイスの走査方向に前後に離れた複数の静止物体間のターゲット移動体を認識した、認識データが生成される。このとき第一～第四態様によると、三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づくことで、三次元走査データにおいて複数の静止物体間に対応してクラスタリングされる走査点群からは、誤走査点群を除外することができる。故に、複数の静止物体間に進入したターゲット移動体を、高精度に認識することが可能となる。

　本開示の第五態様は、
　プロセッサを有し、ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識する認識システムであって、
　プロセッサは、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に視て重畳する複数のターゲット移動体を認識した、認識データを生成することとを、実行するように構成される。

　本開示の第六態様は、
　プロセッサを有し、ホスト移動体に搭載可能に構成され、当該ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識する認識装置であって、
　プロセッサは、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に視て重畳する複数のターゲット移動体を認識した、認識データを生成することとを、実行するように構成される。

　本開示の第七態様は、
　ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識するために、プロセッサにより実行される認識方法であって、
　走査空間を走査した走査点群を表す三次元走査データを、取得することと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出すことと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に視て重畳する複数のターゲット移動体を認識した、認識データを生成することとを、含む。

　本開示の第八態様は、
　ホスト移動体の走査デバイスにより走査された走査空間において移動可能なターゲット移動体を認識するために記憶媒体に記憶され、プロセッサにより実行される命令を含む認識プログラムであって、
　命令は、
　走査空間を走査した走査点群を表す三次元走査データを、取得させることと、
　走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップを、記憶媒体から読み出させることと、
　三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づく走査点群のクラスタリングにより、走査空間において走査デバイスの走査方向に視て重畳する複数のターゲット移動体を認識した、認識データを生成させることとを、含む。

　これら第五～第八態様では、走査空間において走査デバイスから走査方向に視て重畳する複数のターゲット移動体を認識した、認識データが生成される。このとき第五～第八態様によると、三次元ダイナミックマップにおいて走査空間を分割した複数の三次元ボクセル毎に走査空間の状態を識別するための識別情報に基づくことで、三次元走査データにおいて複数のターゲット移動体間に対応してクラスタリングされる走査点群からは、誤走査点群を除外することができる。故に、走査方向に視て重畳する各ターゲット移動体を、高精度に認識することが可能となる。

第一実施形態による認識システムの全体構成を示すブロック図である。第一実施形態によるホスト移動体の走査デバイスとターゲット移動体との関係を示す模式図である。第一実施形態による認識システムの機能構成を示すブロック図である。第一実施形態による認識フローを示すフローチャートである。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローを説明するための模式図である。第一実施形態による認識フローの通常抽出サブルーチンを示すフローチャートである。第一実施形態による認識フローの前後抽出サブルーチンを示すフローチャートである。第一実施形態による認識フローの重畳抽出サブルーチンを示すフローチャートである。第一実施形態による認識フロー定点抽出サブルーチンを示すフローチャートである。第一実施形態による認識フローの通常認識サブルーチンを示すフローチャートである。第一実施形態による認識フローの前後認識サブルーチンを示すフローチャートである。第一実施形態による認識フローの重畳認識サブルーチンを示すフローチャートである。第一実施形態による認識フローを説明するための模式図である。第二実施形態による認識フローを説明するための模式図である。第二実施形態による認識フローを説明するための模式図である。第二実施形態による認識フローを説明するための模式図である。第二実施形態による認識フローの高反射抽出サブルーチンを示すフローチャートである。第二実施形態による認識フローの高反射認識サブルーチンを示すフローチャートである。

　（第一実施形態）
　以下、本開示の実施形態を図面に基づき複数説明する。尚、各実施形態において対応する構成要素には同一の符号を付すことで、重複する説明を省略する場合がある。また、各実施形態において構成の一部分のみを説明している場合、当該構成の他の部分については、先行して説明した他の実施形態の構成を適用することができる。さらに、各実施形態の説明において明示している構成の組み合わせばかりではなく、特に組み合わせに支障が生じなければ、明示していなくても複数の実施形態の構成同士を部分的に組み合わせることができる。

　図１に示す第一実施形態の認識システム１は、図２に示すようにホスト移動体２に搭載の走査デバイス３により走査された走査空間３０において、移動可能なターゲット移動体９を認識する。ここで、認識システム１の適用されるホスト移動体２は、例えば自動車等、乗員の搭乗状態において道路を走行可能な車両である。認識システム１の認識対象とするターゲット移動体９は、例えばホスト移動体２以外の他車両、バイク、人、動物、自律走行ロボット、及び遠隔走行ロボット等のうち、複数種類である。

　ホスト移動体２では、動的運転タスクにおける乗員の手動介入度に応じてレベル分けされるように、自動運転モードが実行される。自動運転モードは、条件付運転自動化、高度運転自動化、又は完全運転自動化といった、作動時のシステムが全ての動的運転タスクを実行する自律走行制御により、実現されてもよい。自動運転モードは、運転支援、又は部分運転自動化といった、乗員が一部若しくは全ての動的運転タスクを実行する高度運転支援制御により、実現されてもよい。自動運転モードは、それら自律走行制御と高度運転支援制御とのいずれか一方、組み合わせ、又は切り替えにより実現されてもよい。

　ホスト移動体２には、図１に示すセンサ系４、通信系５、及び情報提示系６が搭載される。センサ系４は、認識システム１においてホスト移動体２の運転制御に利用可能なセンサ情報を、ホスト移動体２の外界と内界とに対して取得する。そのためにセンサ系４は、外界センサ４０と内界センサ４１とを含んで構成される。

　外界センサ４０は、ホスト移動体２の周辺環境となる外界の情報を、センサ情報として取得する。外界センサ４０には、ホスト移動体２の外界のうち走査空間３０を走査することでセンサ情報を取得する、走査デバイス３が含まれている。走査デバイス３は、例えば三次元ＬｉＤＡＲ（Light Detection and Ranging / Laser Imaging Detection and Ranging）、及び三次元レーダ等のうち、後述する三次元走査データＤｔを生成可能な少なくとも一種類である。尚、走査デバイス３以外の外界センサ４０には、ホスト移動体２の外界をセンシングする、例えばカメラ、及びソナー等のうち、少なくとも一種類が含まれていてもよい。

　ここで走査デバイス３は、ホスト移動体２の外界へ向けて設定された視野角に応じて決まる走査空間３０（図２参照）を走査することで、当該空間３０に存在する物体をセンシングしたセンサ情報を取得する。特に第一実施形態の走査デバイス３により取得されるセンサ情報は、走査空間３０において走査した走査点群の状態を三次元で表す、走査データＤｔである。走査データＤｔは、例えば距離、方位角、位置座標、速度、及びビーム反射強度等のうち、少なくとも一種類に関する三次元状態値を含んでいる。走査データＤｔに含まれる状態値のうち距離は、走査ビームの照射から反射ビームを受光するまでの飛行時間に基づいたｄＴＯＦ（direct Time Of Flight）による測定値を、表している。走査データＤｔに含まれる状態値のうち方位角は、走査空間３０に対して水平方向及び垂直方向のうち少なくとも一方に変化する走査方向を、表している。

　内界センサ４１は、ホスト移動体２の内部環境となる内界の情報を、センサ情報として取得する。内界センサ４１には、ホスト移動体２の内界において特定の運動物理量を検知する、物理量検知タイプが含まれていてもよい。物理量検知タイプの内界センサ４１は、例えば走行速度センサ、加速度センサ、及びジャイロセンサ等のうち、少なくとも一種類である。内界センサ４１には、ホスト移動体２の内界において乗員の特定状態を検知する、乗員検知タイプが含まれていてもよい。乗員検知タイプの内界センサ４１は、例えばドライバーステータスモニター（登録商標）、生体センサ、着座センサ、アクチュエータセンサ、及び車内機器センサ等のうち、少なくとも一種類である。

　通信系５は、認識システム１においてホスト移動体２の運転制御に利用可能な通信情報を、無線通信により取得する。通信系５には、ホスト移動体２の外界に存在するＶ２Ｘシステムとの間において通信信号を送受信する、Ｖ２Ｘタイプが含まれていてもよい。Ｖ２Ｘタイプの通信系５は、例えばＤＳＲＣ（Dedicated Short Range Communications）通信機、及びセルラＶ２Ｘ（C-V2X）通信機等のうち、少なくとも一種類である。通信系５には、ホスト移動体２の外界に存在するＧＮＳＳ（Global Navigation Satellite System）の人工衛星から測位信号を受信する、測位タイプが含まれていてもよい。測位タイプの通信系５は、例えばＧＮＳＳ受信機等である。通信系５には、ホスト移動体２の内界に存在する端末との間において通信信号を送受信する、端末通信タイプが含まれていてもよい。端末通信タイプの通信系５は、例えばブルートゥース（Bluetooth：登録商標）機器、Ｗｉ－Ｆｉ（登録商標）機器、及び赤外線通信機器等のうち、少なくとも一種類である。

　情報提示系６は、ホスト移動体２において乗員へ向けた報知情報を提示する。情報提示系６は、乗員の視覚を表示により刺激する、視覚刺激タイプであってもよい。視覚刺激タイプの情報提示系６は、例えばＨＵＤ（Head-Up Display）、ＭＦＤ（Multi-Function Display）、コンビネーションメータ、及びナビゲーションユニット等のうち、少なくとも一種類である。情報提示系６は、乗員の聴覚を音により刺激する、聴覚刺激タイプであってもよい。聴覚刺激タイプの情報提示系６は、例えばスピーカ、ブザー、及びバイブレーションユニット等のうち、少なくとも一種類である。

　認識システム１は、例えばＬＡＮ（Local Area Network）回線、ワイヤハーネス、内部バス、及び無線通信回線等のうち、少なくとも一種類を介してセンサ系４、通信系５、及び情報提示系６に接続されている。認識システム１は、少なくとも一つの専用コンピュータを含んで構成されている。

　認識システム１を構成する専用コンピュータは、走査デバイス３によるセンサ情報としての走査データＤｔに基づき走査空間３０における存在物体の認識を制御する、認識制御ＥＣＵ（Electronic Control Unit）であってもよい。ここで認識制御ＥＣＵは、走査デバイス３を含む複数外界センサ４０のセンサ情報を統合する機能を、有していてもよい。認識システム１を構成する専用コンピュータは、ホスト移動体２の運転を制御する、運転制御ＥＣＵであってもよい。認識システム１を構成する専用コンピュータは、ホスト移動体２の走行経路をナビゲートする、ナビゲーションＥＣＵであってもよい。認識システム１を構成する専用コンピュータは、ホスト移動体２の自己位置を含む自己状態量を推定する、ロケータＥＣＵであってもよい。認識システム１を構成する専用コンピュータは、ホスト移動体２において情報提示系６による情報提示を制御する、ＨＣＵ（HMI（Human Machine Interface） Control Unit）であってもよい。認識システム１を構成する専用コンピュータは、例えば通信系５との間において通信可能な外部センタ又はモバイル端末等を構築する、ホスト移動体２以外のコンピュータであってもよい。

　認識システム１を構成する専用コンピュータは、メモリ１０とプロセッサ１２とを、少なくとも一つずつ有している。メモリ１０は、コンピュータにより読み取り可能なプログラム及びデータ等を非一時的に記憶する、例えば半導体メモリ、磁気媒体、及び光学媒体等のうち、少なくとも一種類の非遷移的実体的記憶媒体（non-transitory tangible storage medium）である。プロセッサ１２は、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＲＩＳＣ（Reduced Instruction Set Computer）－ＣＰＵ、ＤＦＰ（Data Flow Processor）、及びＧＳＰ（Graph Streaming Processor）等のうち、少なくとも一種類をコアとして含んでいる。

　認識システム１においてメモリ１０は、ホスト移動体２の運転制御に利用可能な地図情報を、記憶する。メモリ１０は、例えばＶ２Ｘタイプの通信系５を通じた外部センタとの通信等により、最新の地図情報を取得して記憶する。特に第一実施形態の地図情報は、ホスト移動体２の走行環境を表すように三次元にデータ化された高精度地図のデジタルデータとしての、三次元ダイナミックマップＭｔである。ダイナミックマップＭｔは、走査デバイス３の走査空間３０に存在する定点位置の物体をマッピングした、マッピング点群の状態を表している。ダイナミックマップＭｔは、例えば物標の位置座標、距離、方位角、及び形状等のうち、少なくとも一種類に関する三次元状態値を含んでいる。ダイナミックマップＭｔのマッピング対象とする物体は、例えば道路、標識、信号機、構造物、踏切、植生、スペース区画物、スペース区画線、及び標示線等のうち、少なくとも定点に位置する複数種類である。

　認識システム１においてプロセッサ１２は、ホスト移動体２の走査デバイス３により走査された走査空間３０において移動可能なターゲット移動体９を認識するためにメモリ１０に記憶された、認識プログラムに含まれる複数の命令を実行する。これにより認識システム１は、走査空間３０のターゲット移動体９を認識するための機能ブロックを、複数構築する。認識システム１において構築される複数の機能ブロックには、図３に示すようにマッチングブロック１００、及びクラスタリングブロック１１０が含まれる。

　これら各ブロック１００，１１０の共同により、認識システム１が走査空間３０のターゲット移動体９を認識する認識方法のフロー（以下、認識フローという）を、図４に従って以下に説明する。認識フローのアルゴリズムサイクルは、ホスト移動体２の起動中において繰り返し実行される。尚、認識フローにおける各「Ｓ」は、認識プログラムに含まれた複数命令によって実行される複数ステップを、それぞれ意味する。

　Ｓ１０１においてマッチングブロック１００は、走査デバイス３から走査データＤｔを取得する。Ｓ１０２においてマッチングブロック１００は、Ｓ１０１による走査データＤｔの取得地点に対応するダイナミックマップＭｔを、メモリ１０から読み出す。このとき走査データＤｔの取得地点は、例えばセンサ系４及び通信系５の取得情報等に基づく自己位置推定により、判断されるとよい。

　Ｓ１０１において読み出されるダイナミックマップＭｔには、走査空間３０を複数に分割した三次元ボクセル３００が、図５に示すように設定されている。ダイナミックマップＭｔにおいて各ボクセル３００は、走査空間３０に割り当てられる三次元絶対座標軸に沿って六辺を有した、立方体又は直方体の三次元格子状に定義される。但し、走査デバイス３の視野角に応じて決まる走査空間３０の最外縁付近では、立方体又は直方体の一部となる、三次元格子の部分形状にボクセル３００が定義されるとよい。こうした各ボクセル３００の格子サイズは、走査空間３０内に各ボクセル３００間の隙間空間が発生しない限りにおいて、互いに同一サイズ、又は互いに異なる複数サイズのいずれかに、設定される。

　図６に示すようにダイナミックマップＭｔでは、設定された各ボクセル３００毎に、走査空間３０の状態を識別するための識別情報Ｉｉが、それぞれ個別に対応付けて付与されている。識別情報Ｉｉは、各ボクセル３００の位置座標に対応付けられた識別ＩＤとして、インデックスナンバーＩｉｉを含んでいる。識別情報Ｉｉは、各ボクセル３００毎の走査空間３０において物体に対応するマッピング点群の分布特徴量を表す、分布情報Ｉｉｓを含んでいる。分布情報Ｉｉｓは、例えばマハラノビス距離等といった、点群分布の特徴量を表す０超過の値と、０値とによって、走査空間３０における点群有無を各ボクセル３００毎に表しているとよい。

　さらにダイナミックマップＭｔにおいて識別情報Ｉｉは、各ボクセル３００毎に走査空間３０の種別を表す、種別情報Ｉｉｋを含んでいる。種別情報Ｉｉｋは、図６，７に示すように、走査空間３０の環境状態を識別可能に特徴化した種別を、識別ＩＤとしての種別ナンバーにより表している。

　ここで第一実施形態の種別情報Ｉｉｋには、走査データＤｔにおいてゴーストピクセルの招来による誤走査点群の発生確率が例えば閾値超過又は閾値以上の許容範囲外となる環境状態を識別するために、少なくとも一つの種別ナンバー（図６，７の例ではナンバー５）が含まれている。ここで、誤走査点群の発生確率が許容範囲外となる環境状態には、図８に示すように走査空間３０において走査デバイス３の走査方向に前後に離れて複数の静止物体８が存在することで、層状のゴーストピクセル（図８のＧＰ）による誤認識の発生し易い前後認識状態Ｓｇが、該当する。尚、図８は、走査方向に前後する複数の静止物体８として、ガードレールと立壁とを例示している。

　また第一実施形態の種別情報Ｉｉｋには、走査データＤｔにおいてゴーストピクセル又は点群重畳を招来する可能性のある環境状態を識別するために、少なくとも一つの種別ナンバー（図６，７の例ではナンバー６～８，１０～１５）が含まれている。ここで、ゴーストピクセル又は点群重畳の招来可能性がある環境状態には、図９，１０に示すように走査デバイス３の走査方向に視て複数のターゲット移動体９が走査空間３０において重畳する可能性が高いことで、誤認識の発生し易い重畳認識状態Ｓｓが、該当する。尚、図９は、両方向に通行可能な狭幅の小道上において走査方向に視て重畳する複数のターゲット移動体９として、相異なる方向にすれ違いをする他車両を例示している。一方で図１０は、踏切の周辺において走査方向に視て重畳する複数のターゲット移動体９として、踏切待ちをする複数の人を例示している。

　さらにまた第一実施形態の種別情報Ｉｉｋには、走査データＤｔにおいて定点位置の物体が動く可能性のある環境状態を識別するために、少なくとも一つの種別ナンバー（図６，７の例ではナンバー９）が含まれている。ここで、定点位置物体の動く可能性がある環境状態には、図１１に示すような定点位置の植生物７が風になびいて動くことで、ターゲット移動体９として誤認識の発生し易い定点認識状態Ｓｆが、該当する。また定点認識状態Ｓｆは、定点位置の植生物７の成長又は伐採により、ターゲット移動体９として誤認識の発生し易い状態ともいえる。

　図４に示すＳ１０２ではマッチングブロック１００は、メモリ１０においてダイナミックマップＭｔに設定されている各ボクセル３００の格子サイズを、例えばセンサ系４及び通信系５の取得情報等に基づく走行シーンに応じた、ターゲット移動体９の認識に最適化な値へリサイズしてもよい。このとき識別情報ＩｉのうちインデックスナンバーＩｉｉは、リサイズ後の各ボクセル３００に対して再付与される。識別情報Ｉｉのうち分布情報Ｉｉｓは、リサイズ前の各ボクセル３００毎での分布特徴量がリサイズ後の各ボクセル３００毎での分布特徴量に変換されることで、再付与される。識別情報Ｉｉのうち種別情報Ｉｉｋは、リサイズ前の各ボクセル３００毎での種別ナンバーに対応する環境状態がリサイズ後の各ボクセル３００毎での環境状態として振り分け又は統合されることで、当該リサイズ後の環境状態に対応する種別ナンバーを再付与される。ここで特に統合の場合には、環境状態の種別毎に優先度が事前設定されていることで、リサイズ前の複数ボクセル３００での相異なる環境状態は優先度の高い環境状態に統合されるとよい。

　ここまで説明のダイナミックマップＭｔに対する各ボクセル３００の設定及び識別情報Ｉｉの付与は、最新地図情報の生成元において実施されていてもよい。ダイナミックマップＭｔに対する各ボクセル３００の設定及び識別情報Ｉｉの付与は、本認識フローとは別のボクセル設定フローにより、過去又は現在のＳ１０１によって取得された走査データＤｔに基づき実施されてもよい。

　図４に示すようにＳ１０３においてマッチングブロック１００は、Ｓ１０１により取得された走査データＤｔと、Ｓ１０２により読み出されたダイナミックマップＭｔとを、マッチングする。このときマッチングブロック１００は、走査データＤｔに対するマップマッチングを、ダイナミックマップＭｔに設定の各ボクセル３００毎に、例えばＮＤＴ（Normal Distribution Transform）アルゴリズム等に基づき実施するとよい。

　Ｓ１０４においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群の各位置座標に対応する複数のボクセル３００を、Ｓ１０２により読み出されたダイナミックマップＭｔにおいて特定する。Ｓ１０５においてマッチングブロック１００は、Ｓ１０４により特定されたボクセル３００（以下、特定ボクセル３００という）の各々に付与されている識別情報Ｉｉを、Ｓ１０２により読み出されたダイナミックマップＭｔから取得する。Ｓ１０６においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群に対して、Ｓ１０５により取得された識別情報Ｉｉのうち少なくとも種別情報Ｉｉｋに応じた候補抽出処理を、各特定ボクセル３００毎に実施する。以下、候補抽出処理の具体例を説明する。

　Ｓ１０５により取得された種別情報Ｉｉｋが状態Ｓｇ，Ｓｓ，Ｓｆ以外の種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において図１２に示すＳ１１１～Ｓ１１３の候補抽出処理を実施するように、通常抽出サブルーチンが実行される。具体的にＳ１１１においてマッチングブロック１００は、Ｓ１０５により取得された識別情報Ｉｉのうち分布情報Ｉｉｓの表す分布特徴量と、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群の特定ボクセル３００内での分布特徴量とを、比較する。その結果、分布特徴量同士が乖離していると判定された場合には、通常抽出サブルーチンがＳ１１２へ移行する。ここで、分布特徴量同士の乖離判定は、それら分布特徴量間の偏差が閾値超過又は以上となる場合に下されるとよく、当該閾値は０以上の数値に規定されるとよい。

　Ｓ１１２においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を候補点群Ｐｃとして抽出する。そこで、Ｓ１１２におけるマッチングブロック１００は、抽出した候補点群ＰｃのリストデータＤｃをメモリ１０に記憶する。以上により、通常抽出サブルーチンが終了する。

　一方、Ｓ１１１において分布特徴量同士が乖離していないと判定された場合には、通常抽出サブルーチンがＳ１１３へ移行する。Ｓ１１３においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を定点位置の物体のマッピング点群と認識して、メモリ１０に記憶する候補点群Ｐｃからは除外する。以上により、通常抽出サブルーチンが終了する。

　Ｓ１０５により取得された種別情報Ｉｉｋが前後認識状態Ｓｇの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において図１３に示すＳ１２１～Ｓ１２３の候補抽出処理を実施するように、前後抽出サブルーチンが実行される。具体的にＳ１２１においてマッチングブロック１００は、Ｓ１０５により取得された識別情報Ｉｉのうち分布情報Ｉｉｓの表す分布特徴量と、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群の特定ボクセル３００内での分布特徴量とを、比較する。その結果、分布特徴量同士が乖離していると判定された場合には、前後抽出サブルーチンがＳ１２２へ移行する。ここで、分布特徴量同士の乖離判定は、通常抽出サブルーチンに準ずる。但し、前後抽出サブルーチンにおいて乖離判定の基準となる閾値は、通常認識サブルーチンでの閾値よりも大きな乖離分までは許容するように、調整されてもよい。

　Ｓ１２２においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を候補点群Ｐｃとして抽出する。そこで、Ｓ１２２におけるマッチングブロック１００は、抽出した候補点群ＰｃのリストデータＤｃをメモリ１０に記憶する。以上により、前後抽出サブルーチンが終了する。

　一方、Ｓ１２１において分布特徴量同士が乖離していないと判定された場合には、前後抽出サブルーチンがＳ１２３へ移行する。Ｓ１２３においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を定点位置の物体のマッピング点群と認識して、メモリ１０に記憶する候補点群Ｐｃからは除外する。以上により、前後抽出サブルーチンが終了する。

　Ｓ１０５により取得された種別情報Ｉｉｋが重畳認識状態Ｓｓの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において図１４に示すＳ１３１～Ｓ１３３の候補抽出処理を実施するように、重畳抽出サブルーチンが実行される。具体的にＳ１３１においてマッチングブロック１００は、Ｓ１０５により取得された識別情報Ｉｉのうち分布情報Ｉｉｓの表す分布特徴量と、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群の特定ボクセル３００内での分布特徴量とを、比較する。その結果、分布特徴量同士が乖離していると判定された場合には、重畳抽出サブルーチンがＳ１３２へ移行する。ここで、分布特徴量同士の乖離判定は、通常抽出サブルーチンに準ずる。但し、重畳抽出サブルーチンにおいて乖離判定の基準となる閾値は、通常認識サブルーチンでの閾値よりも大きな乖離分までは許容するように、調整されてもよい。

　Ｓ１３２においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を候補点群Ｐｃとして抽出する。そこで、Ｓ１３２におけるマッチングブロック１００は、抽出した候補点群ＰｃのリストデータＤｃをメモリ１０に記憶する。以上により、重畳抽出サブルーチンが終了する。

　一方、Ｓ１３１において分布特徴量同士が乖離していないと判定された場合には、重畳抽出サブルーチンがＳ１３３へ移行する。Ｓ１３３においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を定点位置の物体のマッピング点群と認識して、メモリ１０に記憶する候補点群Ｐｃからは除外する。以上により、重畳抽出サブルーチンが終了する。

　Ｓ１０５により取得された種別情報Ｉｉｋが定点認識状態Ｓｆの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において図１５に示すＳ１４１の候補抽出処理を実施するように、定点抽出サブルーチンが実行される。具体的にＳ１４１においてマッチングブロック１００は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群のうち、特定ボクセル３００内の点群を、定点位置にて動く可能性のある物体のマッピング点群と認識して、メモリ１０に記憶する候補点群Ｐｃからは除外する。以上により、定点抽出サブルーチンが終了する。

　図４に示すようにＳ１０７においてクラスタリングブロック１１０は、Ｓ１０６での抽出によりメモリ１０に記憶された候補点群Ｐｃに対して、Ｓ１０５により取得された識別情報Ｉｉのうち特に種別情報Ｉｉｋに応じたクラスタリングによる認識処理を、各特定ボクセル３００毎に実施する。以下、認識処理の具体例を説明する。

　Ｓ１０５により取得された種別情報Ｉｉｋが状態Ｓｇ，Ｓｓ，Ｓｆ以外の種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において図１６に示すＳ１５１～Ｓ１５３の候補抽出処理を実施するように、通常認識サブルーチンが実行される。具体的にＳ１５１においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔに対して、特定ボクセル３００内での候補点群Ｐｃをクラスタリングするクラスタリング範囲Ｒｃを、デフォルト範囲に設定する。ここで、候補点群Ｐｃがクラスタリングされるクラスタリング範囲Ｒｃは、走査空間３０に割り当てられる三次元絶対座標軸に沿った各次元方向において、それぞれ同一距離となる範囲に、定義される。そこでクラスタリング範囲Ｒｃのデフォルト範囲は、状態Ｓｇ，Ｓｓ，Ｓｆ以外の環境状態においてターゲット移動体９を探索して適正に認識するために必要な、固定範囲（例えば１ｍ）に規定される。但し、クラスタリング範囲Ｒｃのデフォルト範囲は、特定ボクセル３００までの距離が増大するほど大きくなる可変範囲に、調整されてもよい。

　Ｓ１５２においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける特定ボクセル３００内での候補点群Ｐｃから、Ｓ１５１により設定されたクラスタリング範囲Ｒｃにユークリッド距離が収まる走査点群を、クラスタリングする。そこでＳ１５３においてクラスタリングブロック１１０は、クラスタリングされた走査点群に基づくことで、ターゲット移動体９を認識する。ここでＳ１５３におけるクラスタリングブロック１１０は、例えばセンサノイズ等に起因するゴーストピクセルからは推定的に区別してターゲット移動体９を認識するために、クラスタリングされた走査点群をフィルタリングしてもよい。このときのフィルタリングに用いられる推定モデルは、ルールベースのモデルであってもよいし、ＡＩモデルであってもよい。特にルールベースのモデルを用いた場合には、Ｓ１５２により結合された走査点群の、例えばクラスタリング点数、クラスタリングサイズ、及び空間位置等の判断指標に基づき、フィルタリングが遂行されてもよい。以上により、通常認識サブルーチンが終了する。

　Ｓ１０５により取得された種別情報Ｉｉｋが前後認識状態Ｓｇの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において図１７に示すＳ１６１～Ｓ１６３の認識処理を実施するように、前後認識サブルーチンが実行される。具体的にＳ１６１においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔに対するクラスタリング範囲Ｒｃを、通常認識サブルーチンのデフォルト範囲よりも縮小側（例えば０．２ｍ以下）に調整する。このとき、特定ボクセル３００内の走査空間３０において前後する複数の静止物体８間に対応して候補点群Ｐｃが存在する場合には、それら静止物体８間の候補点群Ｐｃがクラスタリングされる範囲Ｒｃは、Ｓ１６１での調整によってデフォルト範囲よりも縮小されることになる。

　Ｓ１６２においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける特定ボクセル３００内での候補点群Ｐｃから、Ｓ１６１により設定されたクラスタリング範囲Ｒｃにユークリッド距離が収まる走査点群を、クラスタリングする。そこでＳ１６３においてクラスタリングブロック１１０は、クラスタリングされた走査点群に基づくことで、ターゲット移動体９を認識する。このとき、特定ボクセル３００内の走査空間３０において前後する複数の静止物体８間に対応した走査点群がクラスタリングされている場合には、それら静止物体８間のターゲット移動体９（図８参照）を認識することが可能となる。そこでＳ１６３においても、ターゲット移動体９を認識するために、Ｓ１５３と同様なフィルタリングが遂行されてもよい。但し、前後認識サブルーチンのＳ１６３では、特に静止物体８間のターゲット移動体９とゴーストピクセルとをルールベースのモデルで区別するために、上述の判断指標に対する判断閾値が、通常認識サブルーチンのデフォルト値よりもゴーストピクセルの除外確率を増大させる側に、調整されてもよい。以上により、前後認識サブルーチンが終了する。

　Ｓ１０５により取得された種別情報Ｉｉｋが重畳認識状態Ｓｓの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において図１８に示すＳ１７１～Ｓ１７３の認識処理を実施するように、重畳認識サブルーチンが実行される。具体的にＳ１７１においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔに対するクラスタリング範囲Ｒｃを、デフォルト範囲よりも縮小側（例えば０．２ｍ以下）に調整する。このとき、特定ボクセル３００内の走査空間３０において複数のターゲット移動体９にそれぞれ対応する候補点群Ｐｃが、走査デバイス３の走査方向に視て重畳している場合には、それらターゲット移動体９の各候補点群Ｐｃがクラスタリングされる範囲Ｒｃは、Ｓ１６１での調整によってデフォルト範囲よりも縮小されることになる。

　Ｓ１７２においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける特定ボクセル３００内での候補点群Ｐｃから、Ｓ１７１により設定されたクラスタリング範囲Ｒｃにユークリッド距離が収まる走査点群を、クラスタリングする。そこでＳ１７３においてクラスタリングブロック１１０は、クラスタリングされた走査点群に基づくことで、ターゲット移動体９を認識する。このとき、特定ボクセル３００内の走査空間３０において複数のターゲット移動体９にそれぞれ対応する走査点群が、走査デバイス３の走査方向に視て重畳してクラスタリングされている場合には、それらターゲット移動体９（図９，１０参照）を分離して認識することが可能となる。そこでＳ１７３においても、ターゲット移動体９を認識するために、Ｓ１５３と同様なフィルタリングが遂行されてもよい。但し、重畳認識サブルーチンのＳ１７３では、特に走査方向に重畳する複数ターゲット移動体９とゴーストピクセルとをルールベースのモデルで区別するために、上述の判断指標に対する判断閾値が、通常認識サブルーチンのデフォルト値よりもゴーストピクセルの除外確率を増大させる側に、調整されてもよい。以上により、重畳認識サブルーチンが終了する。

　尚、Ｓ１０５により取得された種別情報Ｉｉｋが定点認識状態Ｓｆの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６のうち定点抽出サブルーチンにより候補点群Ｐｃは抽出されない。その結果、定点認識状態Ｓｆの特定ボクセル３００に対しては、Ｓ１０７の認識処理は実行されないこととなる。

　図４に示すようにＳ１０８においてクラスタリングブロック１１０は、Ｓ１０７でのクラスタリングによりターゲット移動体９を認識処理した結果を表すように、認識データＤｒを生成する。そこでＳ１０９においてクラスタリングブロック１１０は、生成された認識データＤｒをメモリ１０に記憶する。このときクラスタリングブロック１１０は、生成又はさらに記憶された認識データＤｒを、例えば図１９に示すようにホスト移動体２において情報提示系６により表示させるために、当該表示を制御してもよい。クラスタリングブロック１１０は、生成又はさらに記憶された認識データＤｒを、通信系５によりホスト移動体２の外部（例えば外部センタ若しくは他車両等）へ送信するように、当該送信を制御してもよい。以上により、認識フローの今回実行が終了する。尚、メモリ１０に記憶された認識データＤｒは、ホスト移動体２の運転制御に利用される。

　（作用効果）
　以上説明した第一実施形態の作用効果を、以下に説明する。

　第一実施形態では、走査空間３０において走査デバイス３の走査方向に前後に離れた複数の静止物体８間のターゲット移動体９を認識した、認識データＤｒが生成される。このとき第一実施形態によると、ダイナミックマップＭｔにおいて走査空間３０を分割した複数のボクセル３００毎に走査空間３０の状態を識別するための識別情報Ｉｉに基づくことで、走査データＤｔにおいて複数の静止物体８間に対応してクラスタリングされる走査点群からは、誤走査点群を除外することができる。故に、複数の静止物体８間に進入したターゲット移動体９を、高精度に認識することが可能となる。

　第一実施形態によると、走査データＤｔにおいて複数の静止物体８間に対応する走査点群がクラスタリングされるクラスタリング範囲Ｒｃは、識別情報Ｉｉに基づき縮小側に調整される。これによれば、複数の静止物体８間に対応する走査点群のうち、点群密度が低くなる誤走査点群をクラスタリング範囲Ｒｃからは除外する一方、点群密度が高くなるターゲット移動体９の走査点群をクラスタリング範囲Ｒｃに収めて適正にクラスタリングすることができる。故に、複数の静止物体８間に進入したターゲット移動体９の高精度認識に対して、信頼性を確保することが可能となる。

　第一実施形態によると、各静止物体８間の走査点群に対するクラスタリング範囲Ｒｃは、識別情報Ｉｉのうち特に、走査空間３０の種別を表す種別情報Ｉｉｋに基づき調整される。これによれば、ダイナミックマップＭｔにおいて種別情報Ｉｉｋの表す種別が、走査方向の静止物体８間において誤走査点群の生じる可能性が高い種別の場合には、当該可能性に応じた縮小側への調整によりクラスタリング範囲Ｒｃから誤走査点群を除外し易くすることができる。故に、複数の静止物体８間に進入したターゲット移動体９の走査点群に絞るクラスタリングを実現して、当該ターゲット移動体９の高精度認識に対する信頼性を高めることが可能となる。

　第一実施形態では、走査空間３０において走査デバイス３から走査方向に視て重畳する複数のターゲット移動体９を認識した、認識データＤｒが生成される。このとき第一実施形態によると、ダイナミックマップＭｔにおいて走査空間３０を分割した複数のボクセル３００毎に走査空間３０の状態を識別するための識別情報Ｉｉに基づくことで、走査データＤｔにおいて複数のターゲット移動体９間に対応してクラスタリングされる走査点群からは、誤走査点群を除外することができる。故に、走査方向に視て重畳する各ターゲット移動体９を、高精度に認識することが可能となる。

　第一実施形態によると、走査データＤｔにおいて各ターゲット移動体９に対応する走査点群がクラスタリングされるクラスタリング範囲Ｒｃは、識別情報Ｉｉに基づき縮小側に調整される。これによれば、複数のターゲット移動体９間に対応する走査点群のうち、点群密度が低くなる誤走査点群をクラスタリング範囲Ｒｃからは除外する一方、点群密度が高くなる各ターゲット移動体９の走査点群同士をそれぞれ個別のクラスタリング範囲Ｒｃに収めて適正にクラスタリングすることができる。故に、走査方向に視て重畳する各ターゲット移動体９の高精度認識に対して、信頼性を確保することが可能となる。

　第一実施形態によると、各ターゲット移動体９の走査点群に対するクラスタリング範囲Ｒｃは、識別情報Ｉｉのうち特に、走査空間３０の種別を表す種別情報Ｉｉｋに基づき調整される。これによれば、ダイナミックマップＭｔにおいて種別情報Ｉｉｋの表す種別が、走査方向に視てターゲット移動体９の重畳する可能性が高い種別の場合には、当該可能性に応じた縮小側への調整により、クラスタリング範囲Ｒｃから誤走査点群を除外し易くすることができる。また、そうした可能性に応じた縮小側への調整により、各ターゲット移動体９の走査点群をそれぞれ個別のクラスタリング範囲Ｒｃに収め易くすることができる。これらのことから、走査方向に視て重畳する各ターゲット移動体９の高精度認識に対する信頼性を、高めることが可能となる。

　第一実施形態によると、クラスタリングされる走査点群となる候補点群Ｐｃは、識別情報Ｉｉのうち特に、走査空間３０の種別を表す種別情報Ｉｉｋに基づき抽出される。これによれば、ダイナミックマップＭｔにおいて種別情報Ｉｉｋの表す種別が、定点位置において物体の動く可能性がある、例えば植生環境等といった種別の場合には、クラスタリングされる候補点群Ｐｃからは除外され得る。故に、定点位置において動く物体と対応した走査点群のクラスタリングによりターゲット移動体９の認識精度が低下する事態を、抑制することが可能となる。

　第一実施形態によると、クラスタリングされる走査点群となる候補点群Ｐｃは、識別情報Ｉｉのうち特に、走査空間３０における点群分布の特徴量を表す分布情報Ｉｉｓに基づき抽出される。これによれば、ダイナミックマップＭｔにおいて分布情報Ｉｉｓの表す特徴量が、走査データＤｔにおける点群分布の特徴量から乖離する場合には、当該点群分布に対応する特定ボクセル３００の候補点群Ｐｃがクラスタリングに供され得る。故に、ダイナミックマップＭｔにはマッチングする点群が存在しない、ターゲット移動体９の走査点群に絞ったクラスタリングを実現して、ターゲット移動体９の高精度認識に対する信頼性を高めることが可能となる。

　（第二実施形態）
　第二実施形態は、第一実施形態の変形例である。

　第二実施形態の認識フローにおいてＳ１０１により読み出されるダイナミックマップＭｔの種別情報Ｉｉｋには、図２０に示されるように、走査データＤｔにおいてゴーストピクセルを招来する可能性のある環境状態を識別するための、少なくとも一つの種別ナンバー（図２０の例ではナンバー１６）が含まれている。ここで、ゴーストピクセルの招来可能性がある環境状態には、図２１，２２に示すように走査空間３０において走査デバイス３の走査ビームに対する反射率が許容範囲外に高い高反射静止物体８０が存在することで、当該高反射静止物体８０よりも走査方向の手前では誤認識の発生し易い高反射認識状態Ｓｒが、該当する。そこで、高反射静止物体８０の手前においてゴーストピクセルによる誤認識が生じないと予測可能な反射率の許容範囲に対して、高反射側となる反射率が許容範囲外の反射率として規定される。尚、図２１は、高反射静止物体８０として、標識及びミラーを例示している。一方で図２２は、高反射静止物体８０として、建造物における窓ガラスを例示している。

　こうした第二実施形態の認識フローにおいてＳ１０５により取得された種別情報Ｉｉｋが状態Ｓｇ，Ｓｓ，Ｓｆ，Ｓｒ以外の種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において第一実施形態と同様な通常抽出サブルーチンが実行される。第二実施形態の認識フローにおいて種別情報Ｉｉｋが前後認識状態Ｓｇの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において第一実施形態と同様な前後抽出サブルーチンが実行される。第二実施形態の認識フローにおいて種別情報Ｉｉｋが重畳認識状態Ｓｓの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において第一実施形態と同様な重畳抽出サブルーチンが実行される。第二実施形態の認識フローにおいて種別情報Ｉｉｋが定点認識状態Ｓｆの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０６において第一実施形態と同様な定点抽出サブルーチンが実行される。

　さらに第二実施形態の認識フローでは、種別情報Ｉｉｋが高反射認識状態Ｓｒの種別ナンバーを表している特定ボクセル３００に対して、Ｓ１０６では図２３に示すＳ１８１～Ｓ１８３の候補抽出処理を実施するように、高反射抽出サブルーチンが実行される。具体的にＳ１８１においてマッチングブロック１００は、Ｓ１０５により取得された識別情報Ｉｉのうち分布情報Ｉｉｓの表す分布特徴量と、Ｓ１０３によりマップマッチングされた走査データＤｔにおける走査点群の特定ボクセル３００内での分布特徴量とを、比較する。その結果、分布特徴量同士が乖離していると判定された場合には、高反射抽出サブルーチンがＳ１８２へ移行する。ここで、分布特徴量同士の乖離判定は、第一実施形態で説明した通常抽出サブルーチンに準ずる。但し、高反射抽出サブルーチンにおいて乖離判定の基準となる閾値は、通常認識サブルーチンでの閾値よりも大きな乖離分までは許容するように、調整されてもよい。

　こうしたＳ１０６の後に、第二実施形態の認識フローにおいてＳ１０５により取得された種別情報Ｉｉｋが状態Ｓｇ，Ｓｓ，Ｓｆ，Ｓｒ以外の種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において第一実施形態と同様な通常認識サブルーチンが実行される。第二実施形態の認識フローにおいて種別情報Ｉｉｋが前後認識状態Ｓｇの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において第一実施形態と同様な前後認識サブルーチンが実行される。第二実施形態の認識フローにおいて種別情報Ｉｉｋが重畳認識状態Ｓｓの種別ナンバーを表している特定ボクセル３００に対しては、Ｓ１０７において第一実施形態と同様な重畳認識サブルーチンが実行される。

　さらに第二実施形態の認識フローでは、種別情報Ｉｉｋが高反射認識状態Ｓｒの種別ナンバーを表している特定ボクセル３００に対して、Ｓ１０７では図２４に示すＳ１９１～Ｓ１９３の認識処理を実施するように、高反射認識サブルーチンが実行される。具体的にＳ１９１においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔに対するクラスタリング範囲Ｒｃを、デフォルト範囲よりも縮小側（例えば０．２ｍ以下）に調整する。このとき、特定ボクセル３００内の走査空間３０において高反射静止物体８０よりも手前のエリアに対応して候補点群Ｐｃが存在する場合には、当該手前エリアの候補点群Ｐｃがクラスタリングされる範囲Ｒｃは、Ｓ１９１での調整によってデフォルト範囲よりも縮小されることになる。

　Ｓ１９２においてクラスタリングブロック１１０は、Ｓ１０３によりマップマッチングされた走査データＤｔにおける特定ボクセル３００内での候補点群Ｐｃから、Ｓ１９１により設定されたクラスタリング範囲Ｒｃにユークリッド距離が収まる走査点群を、クラスタリングする。そこでＳ１９３においてクラスタリングブロック１１０は、クラスタリングされた走査点群に基づくことで、ターゲット移動体９を認識する。このとき、特定ボクセル３００内の走査空間３０において高反射静止物体８０よりも手前エリアに対応した走査点群がクラスタリングされている場合には、当該手前エリアのターゲット移動体９（図２１，２２参照）を認識することが可能となる。そこでＳ１９３においても、ターゲット移動体９を認識するために、第一実施形態で説明のＳ１５３と同様なフィルタリングが遂行されてもよい。但し、高反射認識サブルーチンのＳ１９３では、高反射静止物体８０よりも手前エリアのターゲット移動体９とゴーストピクセルとをルールベースのモデルで区別するために、第一実施形態で説明の判断指標に対する判断閾値が、通常認識サブルーチンのデフォルト値よりもゴーストピクセルの除外確率を増大させる側に、調整されてもよい。以上により、高反射認識サブルーチンが終了する。

　このように第二実施形態では、走査デバイス３の走査ビームに対する反射率が許容範囲外に高い高反射静止物体８０よりも走査方向に視て手前にターゲット移動体９を認識した、認識データＤｒが生成される。このとき第二実施形態によると、ダイナミックマップＭｔにおいて走査空間３０を分割した複数のボクセル３００毎に走査空間３０の状態を識別するための識別情報Ｉｉに基づくことで、走査データＤｔにおいて高反射静止物体８０の手前に対応してクラスタリングされる走査点群からは、誤走査点群を除外することができる。故に、高反射静止物体８０の手前に進入したターゲット移動体９を、高精度に認識することが可能となる。

　第二実施形態によると、走査データＤｔにおいて高反射静止物体８０よりも手前に対応する走査点群がクラスタリングされるクラスタリング範囲Ｒｃは、識別情報Ｉｉに基づき縮小側に調整される。これによれば、高反射静止物体８０の手前に対応した走査点群のうち、点群密度が低くなる誤走査点群をクラスタリング範囲Ｒｃからは除外する一方、点群密度が高くなるターゲット移動体９の走査点群をクラスタリング範囲Ｒｃに収めて適正にクラスタリングすることができる。故に、高反射静止物体８０の手前に進入したターゲット移動体９の高精度認識に対して、信頼性を確保することが可能となる。

　第二実施形態によると、高反射静止物体８０よりも手前の走査点群に対するクラスタリング範囲Ｒｃは、識別情報Ｉｉのうち特に、走査空間３０の種別を表す種別情報Ｉｉｋに基づき調整される。これによれば、ダイナミックマップＭｔにおいて種別情報Ｉｉｋの表す種別が、高反射静止物体８０の手前において誤走査点群の生じる可能性が高い種別の場合には、当該可能性に応じた縮小側への調整によりクラスタリング範囲Ｒｃから誤走査点群を除外し易くすることができる。故に、高反射静止物体８０の手前に進入したターゲット移動体９の走査点群に絞るクラスタリングを実現して、当該ターゲット移動体９の高精度認識に対する信頼性を高めることが可能となる。

　（他の実施形態）
　以上、複数の実施形態について説明したが、本開示は、それらの実施形態に限定して解釈されるものではなく、本開示の要旨を逸脱しない範囲内において種々の実施形態に適用することができる。

　変形例において認識システム１を構成する専用コンピュータは、デジタル回路及びアナログ回路のうち、少なくとも一方をプロセッサとして有していてもよい。ここでデジタル回路とは、例えばＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＳＯＣ（System on a Chip）、ＰＧＡ（Programmable Gate Array）、及びＣＰＬＤ（Complex Programmable Logic Device）等のうち、少なくとも一種類である。またこうしたデジタル回路は、プログラムを記憶したメモリを、有していてもよい。

　変形例のＳ１０６では、前後抽出サブルーチン及び重複抽出サブルーチンのうちいずれか一方が実行されずに、前後認識状態Ｓｇ及び重畳認識状態Ｓｓのうち当該いずれか一方に対応する環境状態に対しては、通常抽出サブルーチンが実行されてもよい。この場合にＳ１０７では、前後認識サブルーチン及び重複認識サブルーチンのうちいずれか一方が実行されずに、前後認識状態Ｓｇ及び重畳認識状態Ｓｓのうち当該いずれか一方に対応する環境状態に対しては、通常認識サブルーチンが実行されるとよい。

　変形例のＳ１０６では、定点抽出サブルーチンが実行されずに、当該定点抽出サブルーチンに対応する定点認識状態Ｓｆに対しては、通常抽出サブルーチンが実行されてもよい。この場合にＳ１０７では、定点認識状態Ｓｆに対して通常認識サブルーチンが実行されるとよい。

　変形例において認識システム１の適用されるホスト移動体は、例えば自律走行又は遠隔走行により荷物搬送若しくは情報収集等の可能な、走行ロボットであってもよい。ここまでの説明形態の他に上述の実施形態及び変形例は、ホスト移動体に搭載可能に構成されてプロセッサ１２及びメモリ１０を少なくとも一つずつ有する認識装置として、処理回路（例えば処理ＥＣＵ等）の形態、又は半導体装置（例えば半導体チップ等）の形態で実施されてもよい。

　（付言）
　本明細書には、以下に列挙する複数の技術的思想と、それらの複数の組み合わせが開示されている。

　（技術的思想１）
　プロセッサ（１２）を有し、ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識システムであって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に前後に離れた複数の静止物体（８）間の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識システム。

　（技術的思想２）
　前記認識データを生成することは、
　前記三次元走査データにおいて複数の前記静止物体間に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む技術的思想１に記載の認識システム。

　（技術的思想３）
　前記認識データを生成することは、
　前記識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査方向に視て重畳する複数の前記ターゲット移動体を認識した、前記認識データを生成することを、含む技術的思想１又は２に記載の認識システム。

　（技術的思想４）
　プロセッサ（１２）を有し、ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識システムであって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に視て重畳する複数の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識システム。

　（技術的思想５）
　前記認識データを生成することは、
　前記三次元走査データにおいて各前記ターゲット移動体に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む技術的思想３又は４に記載の認識システム。

　（技術的思想６）
　前記認識データを生成することは、
　前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、前記クラスタリング範囲を調整することを、含む技術的思想２又は５に記載の認識システム。

　（技術的思想７）
　前記認識データを生成することは、
　前記識別情報に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査ビームに対する反射率が許容範囲外に高い高反射静止物体（８０）よりも前記走査方向に視て手前に前記ターゲット移動体を認識した、前記認識データを生成することを、含む技術的思想１～６のいずれか一項に記載の認識システム。

　（技術的思想８）
　前記認識データを生成することは、
　前記三次元走査データにおいて前記高反射静止物体よりも手前に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む技術的思想７に記載の認識システム。

　（技術的思想９）
　前記認識データを生成することは、
　前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、前記クラスタリング範囲を調整することを、含む技術的思想８に記載の認識システム。

　（技術的思想１０）
　前記認識データを生成することは、
　クラスタリングされる前記走査点群を、前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、抽出することを、含む技術的思想１～９のいずれか一項に記載の認識システム。

　（技術的思想１１）
　前記認識データを生成することは、
　クラスタリングされる前記走査点群を、前記識別情報のうち前記走査空間における点群分布の特徴量を表す分布情報（Ｉｉｓ）に基づき、抽出することを、含む技術的思想１～１０のいずれか一項に記載の認識システム。

　（技術的思想１２）
　前記プロセッサは、
　生成された前記認識データを記憶媒体（１０）に記憶することを、さらに実行するように構成される技術的思想１～１１のいずれか一項に記載の認識システム。

　（技術的思想１３）
　前記プロセッサは、
　生成された前記認識データの表示を制御することを、さらに実行するように構成される技術的思想１～１２のいずれか一項に記載の認識システム。

　尚、以上説明した技術的思想１～１３は、装置、方法及びプログラムの各形態で実現されてもよい。

Claims

　プロセッサ（１２）を有し、ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識システムであって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に前後に離れた複数の静止物体（８）間の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識システム。
　前記認識データを生成することは、
　前記三次元走査データにおいて複数の前記静止物体間に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む請求項１に記載の認識システム。
　前記認識データを生成することは、
　前記識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査方向に視て重畳する複数の前記ターゲット移動体を認識した、前記認識データを生成することを、含む請求項１に記載の認識システム。
　プロセッサ（１２）を有し、ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識システムであって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に視て重畳する複数の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識システム。
　前記認識データを生成することは、
　前記三次元走査データにおいて各前記ターゲット移動体に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む請求項４に記載の認識システム。
　前記認識データを生成することは、
　前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、前記クラスタリング範囲を調整することを、含む請求項２又は５に記載の認識システム。
　前記認識データを生成することは、
　前記識別情報に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査ビームに対する反射率が許容範囲外に高い高反射静止物体（８０）よりも前記走査方向に視て手前に前記ターゲット移動体を認識した、前記認識データを生成することを、含む請求項１又は４に記載の認識システム。
　前記認識データを生成することは、
　前記三次元走査データにおいて前記高反射静止物体よりも手前に対応する前記走査点群がクラスタリングされるクラスタリング範囲（Ｒｃ）を、前記識別情報に基づき縮小側に調整することを、含む請求項７に記載の認識システム。
　前記認識データを生成することは、
　前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、前記クラスタリング範囲を調整することを、含む請求項８に記載の認識システム。
　前記認識データを生成することは、
　クラスタリングされる前記走査点群を、前記識別情報のうち前記走査空間の種別を表す種別情報（Ｉｉｋ）に基づき、抽出することを、含む請求項１又は４に記載の認識システム。
　前記認識データを生成することは、
　クラスタリングされる前記走査点群を、前記識別情報のうち前記走査空間における点群分布の特徴量を表す分布情報（Ｉｉｓ）に基づき、抽出することを、含む請求項１又は４に記載の認識システム。
　前記プロセッサは、
　生成された前記認識データを記憶媒体（１０）に記憶することを、さらに実行するように構成される請求項１又は４に記載の認識システム。
　前記プロセッサは、
　生成された前記認識データの表示を制御することを、さらに実行するように構成される請求項１又は４に記載の認識システム。
　プロセッサ（１２）を有し、ホスト移動体（２）に搭載可能に構成され、当該ホスト移動体の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識装置であって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に前後に離れた複数の静止物体（８）間の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識装置。
　プロセッサ（１２）を有し、ホスト移動体（２）に搭載可能に構成され、当該ホスト移動体の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識する認識装置であって、
　前記プロセッサは、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に視て重畳する複数の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、実行するように構成される認識装置。
　ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識するために、プロセッサ（１２）により実行される認識方法であって、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に前後に離れた複数の静止物体（８）間の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、含む認識方法。
　ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識するために、プロセッサ（１２）により実行される認識方法であって、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得することと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出すことと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に視て重畳する複数の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成することとを、含む認識方法。
　ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識するために記憶媒体（１０）に記憶され、プロセッサ（１２）により実行される命令を含む認識プログラムであって、
　前記命令は、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得させることと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出させることと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に前後に離れた複数の静止物体（８）間の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成させることとを、含む認識プログラム。
　ホスト移動体（２）の走査デバイス（３）により走査された走査空間（３０）において移動可能なターゲット移動体（９）を認識するために記憶媒体（１０）に記憶され、プロセッサ（１２）により実行される命令を含む認識プログラムであって、
　前記命令は、
　前記走査空間を走査した走査点群を表す三次元走査データ（Ｄｔ）を、取得させることと、
　前記走査空間に存在する物体をマッピングしたマッピング点群を表す三次元ダイナミックマップ（Ｍｔ）を、記憶媒体（１０）から読み出させることと、
　前記三次元ダイナミックマップにおいて前記走査空間を分割した複数の三次元ボクセル（３００）毎に前記走査空間の状態を識別するための識別情報（Ｉｉ）に基づく前記走査点群のクラスタリングにより、前記走査空間において前記走査デバイスの走査方向に視て重畳する複数の前記ターゲット移動体を認識した、認識データ（Ｄｒ）を生成させることとを、含む認識プログラム。