JP2010030404A - 先行車両の位置検出方法及び位置検出装置並びにデータフィルタリング方法 - Google Patents

Abstract

【課題】先行車両の位置データの算出精度を向上することができる位置検出方法及び位置検出装置を提供する。
【解決手段】自車両１に対する先行車両２の位置を検出する方法であって、車間距離情報ｒ_iと横位置情報Ｌ_i，Ｒ_iからなる一次データセットを取得する工程と、一次データセットの車間距離情報ｒ_iに対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の車間距離情報ｒ_iとこれに対応する横位置情報Ｌ_i，Ｒ_iとからなる二次データセットを取得する線形回帰処理工程と、この二次データセットの横位置情報Ｌ_i，Ｒ_iに対してクラスタリング処理を行い、最大のクラスタに含まれる横位置情報Ｌ_i，Ｒ_iとこれに対応する車間距離情報ｒ_iとからなる三次データセットを取得するクラスタリング処理工程と、この三次データセットを用いて現在時刻ｔ₀における車間距離と横位置とを算出する位置情報算出工程とを備えた。
【選択図】図４

Description

本発明は、先行車両の位置検出方法及び位置検出装置並びにデータフィルタ方法に係り、特に、先行車両の位置データとして車間距離情報と横位置情報とを用いる位置検出方法及び位置検出装置、並びにこの位置検出方法で使用可能なデータフィルタリング方法に関する。

従来、ＡＣＣ（Adaptive Cruise Control）やＬＳＦ(Low Speed Follower)等の運転支援システムでは、カメラ等の撮像手段やレーダで先行車両を測定し、この測定データから自車両に対する先行車両の位置データを算出している。位置データには、例えば、自車両と先行車両との車間距離情報と、自車両に対する先行車両の横位置情報とが含まれる（例えば、特許文献１参照）。

そして、一般に、このような位置データ算出処理では、位置データの信頼性を向上させるため、種々のデータスクリーニング処理を用いて、測定データからノイズデータを取除く処理が行われている。これにより、運転支援システムの精度を向上させることができる。

米国特許出願公開第２００５／０２４４０３４号明細書

しかしながら、一般に、後続車（自車両）と先行車両との間の車間距離及びこれらの相対速度の変化量は大きいが、横位置及び横方向の相対速度はあまり変化しない。このため、車間距離情報と横位置情報はデータ処理上の統計的性質が異なる。具体的には、車間距離情報は比較的時間依存性が大きく、横位置情報は時間依存性が小さい。したがって、従来のデータスクリーニング処理では、ノイズデータを十分に排除することができず、比較的大きなエラー成分を含む位置データが算出されてしまうおそれがあった。

本発明は、このような課題を解決するためになされたものであり、先行車両の位置データの算出精度を向上することができる位置検出方法及び位置検出装置を提供することを目的としている。
また、本発明は、時間依存性を有する情報とこの情報よりも時間依存性が小さい情報との組み合わせからなるデータから精度よく効率的にノイズデータを除去することことができるデータフィルタリング方法を提供することを目的としている。

上記の目的を達成するために、本発明は、自車両に対する先行車両の車間距離及び横位置を検出する位置検出方法であって、現在時刻から所定時間前までの車間距離に関する複数の車間距離情報と、この車間距離情報に対応する横位置に関する横位置情報と、の組み合わせからなる第１の位置データを取得する工程と、第１の位置データに含まれる複数の車間距離情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する線形回帰処理工程と、この第２の位置データに含まれる横位置情報に対してクラスタリング処理を行い、最大のクラスタに含まれる横位置情報とこれに対応する車間距離情報とからなる第３の位置データを取得するクラスタリング処理工程と、この第３の位置データを用いて現在時刻における車間距離と横位置とを算出する位置情報算出工程と、を備えたことを特徴としている。

このように構成された本発明によれば、時間依存性が比較的大きい車間距離情報については、現在時刻から所定時間前までの複数の情報に対して線形回帰処理を行うことにより、ノイズデータを除去する。一方、時間依存性がそれほど大きくない横位置情報については、現在時刻から所定時間前までの複数の情報に対してクラスタリング処理を行うことにより、ノイズデータを除去する。このように、本発明では、車間距離情報及び横方向情報の統計的性質に応じてデータフィルタリング処理を行うので、効率的に精度よくノイズデータの除去を行うことができる。これにより、本発明では、先行車両の位置検出の精度を向上することができる。

また、本発明において好ましくは、位置情報算出工程では、第３の位置データに含まれる車間距離情報に対して線形回帰処理を行うことにより現在時刻における車間距離を算出し、第３の位置データに含まれる横位置情報を平均化処理することにより横位置を算出する。
このように構成された本発明によれば、ノイズデータを除去した位置データに基づいて、時間依存性を有する車間距離情報については線形回帰処理を適用して、現在時刻の車間距離を算出し、時間依存性が大きくない横位置情報については平均化処理を適用して、現在時刻の横位置を算出することができる。

また、本発明において好ましくは、第１の位置データを取得する工程の後に、第１の位置データに含まれる複数の車間距離情報が時間依存性を有するか否かを判定する判定工程を備え、この判定工程で、第１の位置データに含まれる複数の車間距離情報が時間依存性を有すると判定した場合に、線形回帰処理工程を行い、判定工程で、第１の位置データに含まれる複数の車間距離情報が時間依存性を有しないと判定した場合に、第１の位置データに含まれる複数の車間距離情報に対してクラスタリング処理を行い、最大のクラスタに含まれる車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する工程を行う。

このように構成された本発明によれば、車間距離情報が必ずしも大きな時間依存性を有するとは限らないので、車間距離情報が大きな時間依存性を有する場合に、線形回帰処理を適用し、車間距離情報が大きな時間依存性を有しない場合には、横位置情報と同様に、クラスタリング処理を適用する。

また、上記の目的を達成するために、本発明は、自車両に対する先行車両の車間距離及び横位置を検出する位置検出装置であって、現在時刻から所定時間前までの車間距離に関する複数の車間距離情報とこの車間距離情報に対応する横位置に関する横位置情報との組み合わせからなる第１の位置データを取得する位置データ取得手段と、第１の位置データに含まれる複数の車間距離情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する第１スクリーニング手段と、この第２の位置データに含まれる横位置情報に対してクラスタリング処理を行い、最大のクラスタに含まれる横位置情報とこれに対応する車間距離情報とからなる第３の位置データを取得する第２スクリーニング手段と、この第３の位置データを用いて現在時刻における車間距離と横位置とを算出する位置情報算出手段と、を備えたことを特徴としている。

また、本発明において好ましくは、位置情報算出手段は、第３の位置データに含まれる車間距離情報に対して線形回帰処理を行うことにより現在時刻における車間距離を算出し、第３の位置データに含まれる横位置情報を平均化処理することにより横位置を算出する。

また、本発明において好ましくは、第１スクリーニング手段は、第１の位置データに含まれる複数の車間距離情報が時間依存性を有するか否かを判定し、第１の位置データに含まれる複数の車間距離情報が時間依存性を有する場合に、線形回帰処理を行って第２の位置データを取得し、第１の位置データに含まれる複数の車間距離情報が時間依存性を有しない場合に、第１の位置データに含まれる複数の車間距離情報に対してクラスタリング処理を行い、最大のクラスタ数を有するクラスタに含まれる車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する。

また、上記の目的を達成するために、本発明は、時間依存性を有する時間依存情報とこの時間依存情報よりも時間依存性が小さい非時間依存情報との組み合わせからなるデータのフィルタリング方法であって、現在時刻から所定時間前までの複数の時間依存情報とこの時間依存情報に対応する非時間依存情報との組み合わせからなる第１のデータを取得する工程と、第１のデータに含まれる複数の時間依存情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の時間依存情報とこれに対応する非時間依存情報とからなる第２のデータを取得する工程と、この第２の位置データに含まれる非時間依存情報に対してクラスタリング処理を行い、最大のクラスタ数を有するクラスタに含まれる非時間依存情報とこれに対応する時間依存情報とからなる第３の位置データを取得する工程と、この第３の位置データを用いて現在時刻における時間依存情報と非時間依存情報とを算出する工程と、を備えたことを特徴としている。

このように構成された本発明によれば、時間依存性を有する時間依存情報については、現在時刻から所定時間前までの複数の情報に対して線形回帰処理を行うことにより、ノイズデータを除去し、一方、時間依存性がそれほど大きくない非時間依存情報については、現在時刻から所定時間前までの複数の情報に対してクラスタリング処理を行うことにより、ノイズデータを除去する。このように、本発明では、時間依存性の大きさに応じてデータフィルタリングを行うので、効率的に精度よくノイズデータの除去を行うことができる。

本発明の先行車両の位置検出方法及び位置検出装置によれば、先行車両の位置データの算出精度を向上することができる。また、本発明のデータフィルタリング方法によれば、時間依存性を有する情報とこの情報よりも時間依存性が小さい情報との組み合わせからなるデータから精度よく効率的にノイズデータを除去することことができる。

以下、添付図面を参照して本発明の実施形態による先行車両の位置検出装置及び位置検出方法について説明する。
図１は先行車両の位置検出の説明図、図２は位置検出装置の構成図、図３は位置検出処理を行うための位置データ（初期データ）の時間変動を表すグラフ、図４は位置検出処理のフローチャート、図５はデータスクリーニング処理（クラスタリング処理）の一例を示すグラフ、図６は横位置情報のクラスタリング処理の一例を示すグラフである。

まず、図１及び図２により本実施形態の位置検出装置１０の概略構成を説明する。
位置検出装置１０は、車両１に搭載されており、カメラ１１と、コントローラ１２とを有する。
カメラ１１は、車両１の車幅方向中央の軸線３上に配置され、軸線３に沿って車両前方を撮像するように車両１に固定されている。具体的には、カメラ１１は、バックミラー近傍に配置されている。このカメラ１１は、単一のＣＣＤカメラであり、所定角度範囲の撮像範囲４の画像を所定サンプリング時間Ｔ毎に撮像し、コントローラ１２に送出している。本実施形態では、サンプリング時間Ｔは０．１秒である。ただし、サンプリング時間Ｔは、これに限らず、設計に応じて任意である。

コントローラ１２は、ＣＰＵ，メモリ及び入出力装置等を有するマイクロコンピュータであり、カメラ１１からの車両前方画像に基づいて、自車両１と先行車両２との間の軸線３に沿った距離である車間距離（レンジ）情報ｒと、軸線３に対する先行車両２の横方向距離を表す横位置（ラテラル位置）情報Ｌ，Ｒとを算出するようになっている。横位置情報Ｌ，Ｒは、それぞれ先行車両２の左端位置，右端位置を表す。

コントローラ１２は、この自車両１に対する先行車両２の車間距離情報ｒと横位置情報Ｌ，Ｒとからなる位置データをサンプリング時間Ｔ毎に演算する。そして、コントローラ１２は、現在時刻ｔ₀から所定時間前までの車間距離情報ｒと横位置情報Ｌ，Ｒに基づいて、現在時刻ｔ₀の車間距離ｒ_eと横位置Ｌ_e，Ｒ_eからなる位置データを算出し、この位置データを車両１の運転支援システムに提供している。

次に、図３乃至図６に基づいて、コントローラ１２の位置検出処理について説明する。
コントローラ１２は、サンプリング時間Ｔ毎にカメラ１１から送られてくる画像データに基づいて、既知のアルゴリズム（例えば、米国特許出願公開第２００５／０２４４０３４号明細書参照）により、リアルタイム処理で先行車両２の車間距離情報ｒと横位置情報Ｌ，Ｒとからなる位置データ（初期位置データ）を演算し、内部メモリに記憶していく。したがって、本実施形態では、０．１秒毎に位置データが内部メモリに蓄積されていく。以下、この位置データを初期位置データという。

車間距離情報ｒは、通常は比較的大きな時間依存性を有しており、本発明の時間依存情報に相当し、横位置情報Ｌ，Ｒは、通常は車間距離情報ｒよりも時間依存性が小さく、本発明の非時間依存情報に相当する。
なお、本実施形態では、位置データを算出するための測定データがカメラ１１による画像データであるが、これに限らず、レーザレーダや他のレーダによる測定データであってもよい。

図３は、上記アルゴリズムによりコントローラ１２が演算した車間距離情報ｒ（図３（Ａ））と横位置情報Ｌ，Ｒ（図３（Ｂ））の位置データ（初期位置データ）の時間変化を示している。図３は、現在時刻ｔ₀から約２秒前までの初期位置データの時間変化を示している。なお、図３（Ａ）の丸印が車間距離情報ｒを表し、図３（Ｂ）の丸印が横位置情報Ｌ、三角印が横位置情報Ｒを表している。図３に示す初期位置データはノイズ成分を含んでおり、コントローラ１２は、図３に示す初期位置データに基づいて、図４に示す位置検出処理を行って、現在時刻ｔ₀の位置データ（ｒ_e，Ｌ_e，Ｒ_e）を算出する。

コントローラ１２は、図４に示す位置検出処理を、所定時間毎に繰り返し行う。すなわち、コントローラ１２は、カメラ１１からの画像データに基づいて、初期位置データを演算し、これを内部メモリに蓄積した時点で位置検出処理を行う。
まず、コントローラ１２は、内部メモリに記憶された初期位置データのうち、現在時刻ｔ₀から所定時間（本実施形態では１．５秒）前までの初期位置データを内部メモリから読み込む（ステップＳ１）。

ステップＳ１で、コントローラ１２は、時間ｔ_i（ｉ＝０，−１，−２，・・・，−１４）、すなわち現在時刻ｔ₀を含め連続する１５個のサンプリング時間における初期位置データ（車間距離情報ｒ_i、横位置情報Ｌ_i，Ｒ_i）を読み込む。図３では、領域ａ（車間距離情報ｒ_i），領域ｂ（横位置情報Ｌ_i），領域ｃ（横位置情報Ｒ_i）で囲まれたデータが取得する初期位置データを表している。

次いで、コントローラ１２は、１５個の車間距離情報ｒ_iのデータスクリーニング処理（前処理）を行う（ステップＳ２）。この処理は、時系列的に連続性がなく他の数値群と大きさのレベルが異なる明らかなノイズデータを除去するためのものである。
ステップＳ２では、コントローラ１２は、まず１５個の車間距離情報ｒ_iをクラスタリング処理（例えば、Ｋ平均法）する。図５に、一例として図３の例の車間距離情報ｒ_iをクラスタリング処理した結果を示す。図５は、分類された複数のクラスタ毎のデータ数を表している。

コントローラ１２は、分類された複数のクラスタのうち、車間距離情報ｒ_iを少数しか含まず、且つ、他のクラスタとの距離が大きいクラスタに含まれる車間距離情報ｒ_iをノイズデータとして除去する。図５の例では、クラスタＣ１，Ｃ３が除去される。
また、コントローラ１２は、ノイズデータとして除去した車間距離情報ｒ_iに対応する横位置情報Ｌ_i，Ｒ_iも同時に除去する。車間距離情報ｒ_iと横位置情報Ｌ_i，Ｒ_iとが対応するとは、これらが同じ測定時間（サンプリング時間）に測定された情報であることを意味する。

図３の例では、他の情報から隔離した時間ｔ_-13，ｔ_-9の車間距離情報ｒ_-13，ｒ_-9（黒丸印）が除去される。また、これに伴い、対応する横位置情報Ｌ_-13，Ｌ_-9，Ｒ_-13，Ｒ_-9が除去される。これにより、位置データ取得手段としてのコントローラ１２は、１３個の情報セットからなる一次データセット（第１の位置データ）を取得し、内部メモリに記憶する。図３の例では、一次データセットに、車間距離情報ｒ_i、横位置情報Ｌ_i，Ｒ_i（ｉ＝０，−１，−２，−３，−４，−５，−６，−７，−８，−１０，−１１，−１２，−１４）が含まれる。

なお、本実施形態では、クラスタリング処理としてＫ平均法を採用しているが、これに限らず、他のクラスタリング手法を採用してもよい。
また、本実施形態では、データスクリーニング処理（前処理）としてクラスタリング処理を行っているが、これに限らず、明らかなノイズ成分を除去できれば他の処理方法を行ってもよい。
さらに、本実施形態では、データスクリーニング処理（前処理）を行っているが、必ずしもこの処理を行わなくてもよい。

次いで、第１スクリーニング手段としてのコントローラ１２は、車間距離情報分析処理（ステップＳ３−Ｓ５）を一次データセットに対して行う。この処理では、コントローラ１２は、車間距離情報ｒ_iが所定以上の時間依存性を有するか否かを判定する（ステップＳ３）。
そして、コントローラ１２は、車間距離情報ｒ_iが時間依存性を有すると判断した場合は線形回帰処理（ステップＳ４）を行い、車間距離情報ｒ_iが時間依存性を有しないと判断した場合はクラスタリング処理（ステップＳ５）を行う。このように、本実施形態では、車間距離情報ｒ_iのデータの性質に応じて、データスクリーニング処理を変更しており、これにより先行車両２の位置検出の精度を向上することが可能となる。

ステップＳ３では、コントローラ１２は、まず一次データセットの車間距離情報ｒ_iに線形回帰処理（例えば、最小二乗法による処理）を行う。次に、コントローラ１２は、この線形回帰処理で得られた線形回帰線（例えば、図３の線ｄ）に対する車間距離情報ｒ_iの標準偏差を算出する。
そして、コントローラ１２は、車間距離情報ｒ_iの標準偏差が所定の閾値以下の場合、車間距離情報ｒ_iが時間依存性を有すると判定する（ステップＳ３；Ａ）。一方、コントローラ１２は、車間距離情報ｒ_iの標準偏差が所定の閾値を越える場合、車間距離情報ｒ_iが時間依存性を有しないと判定する（ステップＳ３；Ｂ）。
なお、上記閾値は、実験等により算出されたものであり、予めコントローラ１２の内部メモリに記憶されている。

ステップＳ４では、コントローラ１２は、一次データセットの車間距離情報ｒ_iのうち、線形回帰線ｄからの偏差が所定閾値を越えるものをノイズ成分として除去する。また、コントローラ１２は、ノイズ成分として除去した車間距離情報ｒ_iに対応する横位置情報Ｌ_i，Ｒ_iも除去する。なお、この偏差の閾値は、実験等から算出したものであり、コントローラ１２の内部メモリに予め記憶されている。
図３の例では、時間ｔ_-4の車間距離情報ｒ_-4（破線円で囲まれた黒丸）が除去される。また、これに伴い、時間ｔ_-4の横位置情報Ｌ_-4，Ｒ_-4も除去される。これにより、コントローラ１２は、除去されずに残った１２個の車間距離情報ｒ_iとこれに対応する横位置情報Ｌ_i，Ｒ_iを二次データセット（第２の位置データ）として取得する。図３の例では、二次データセットに、車間距離情報ｒ_i、横位置情報Ｌ_i，Ｒ_i（ｉ＝０，−１，−２，−３，−５，−６，−７，−８，−１０，−１１，−１２，−１４）が含まれる。

ステップＳ５では、コントローラ１２は、一次データセットの車間距離情報ｒ_iをクラスタリング処理（例えば、Ｋ平均法）を行う。そして、コントローラ１２は、分類された複数のクラスタのうち、最大のクラスタ（データ数が最大のクラスタ）に含まれる車間距離情報ｒ_i以外をノイズデータとして除去する。これにより、コントローラ１２は、除去されなかった最大のクラスタに含まれる車間距離情報ｒ_iとこれに対応する横位置情報Ｌ_i，Ｒ_iを二次データセットとして取得する。

次いで、第２スクリーニング手段としてのコントローラ１２は、横位置情報解析処理（ステップＳ６）を二次データセットに対して行う。
ステップＳ６では、コントローラ１２は、二次データセットの横位置情報Ｌ_i，Ｒ_iに対して、ステップＳ５と同様なクラスタリング処理（例えば、Ｋ平均法）を行い、ノイズデータを除去する。図６（Ａ），（Ｂ）は、図３の例に対応する二次データセットの横位置情報Ｌ_i，Ｒ_iをクラスタリング処理した結果を示している。図６は、分類したクラスタ毎のデータ数を表している。この例では、横位置情報Ｌ_iでクラスタＣ４（Ｌ_-11）、横位置情報Ｒ_iでクラスタＣ７（Ｒ_-3）が除去される。

また、クラスタＣ４（Ｌ_-11）に対応する横位置情報Ｒ_-11及び車間距離情報ｒ_-11、クラスタＣ７（Ｒ_-3）に対応する横位置情報Ｒ_-3及び車間距離情報ｒ_-3も除去される。
これにより、コントローラ１２は、車間距離情報ｒ_i、横位置情報Ｌ_i，Ｒ_i（ｉ＝０，−１，−２，−５，−６，−７，−８，−１０，−１２，−１４）からなる三次データセット（第３の位置データ）を取得する。

次いで、位置情報算出手段としてのコントローラ１２は、三次データセットに基づいて、現在時刻ｔ₀の車間距離ｒ_e及び横位置Ｌ_e，Ｒ_eを算出する（ステップＳ７）。
ステップ７では、コントローラ１２は、三次データセットの車間距離情報ｒ_iに対して線形回帰処理を行う。線形回帰処理により算出された線形回帰線により、コントローラ１２は、現在時刻ｔ₀における先行車両２と自車両１との車間距離ｒ_eを算出する。すなわち、現在時刻ｔ₀における線形回帰線の値が車間距離ｒ_eとして算出される。車間距離情報は時間依存性を有するので、これを単に平均化処理するよりも線形回帰処理することにより、算出される車間距離の精度を向上させることができる。
また、コントローラ１２は、三次データセットの横位置情報Ｌ_i，Ｒ_iをそれぞれ平均化処理し、先行車両２の左右の横位置Ｌ_e，Ｒ_eを算出する。なお、横位置の算出において、横位置情報Ｌ_i，Ｒ_iを平均化処理するのではなく、横位置情報Ｌ_i，Ｒ_iの中央値を選択し、これを横位置Ｌ_e，Ｒ_eとしてもよい。

なお、本実施形態のステップ７では、三次データセットの車間距離情報ｒ_iに対して線形回帰処理を行っているが、これに限らず、ステップＳ５を行った場合は三次データセットの車間距離情報ｒ_iを平均化処理して、現在時刻ｔ₀における車間距離ｒ_eを算出してもよい。

以上のように、本実施形態の先行車両の位置検出装置１０では、車間距離情報と横位置情報の統計的性質の相違に応じて、車間距離情報には線形回帰処理を適用してノイズデータを除去し、さらにデータの精度を高めるために、横位置情報にはクラスタリング処理を適用してノイズデータを除去している。これにより、本実施形態では、カメラ１１からの画像データに基づいて演算された元データである初期位置データを、効果的にフィルタリング処理することができ、最終的に得られる現在時刻の位置情報の精度を極めて向上させることが可能となる。

次に、図７乃至図９に、本実施形態の位置検出装置１０による位置検出結果を示す。
この例は、先行車両２と自車両１との車間距離を約３２秒間にわたって検出したものである。この例では、先行車両２は、測定開始時に自車両１の約２２ｍ前方に位置しているが、その後徐々に自車両１に接近していき、約１０秒後以降、自車両１の約３ｍ前方を走行している。

また、測定の精度を確認するために、位置検出装置１０以外に車両１に装備したレーザレーダによっても車間距離を測定している。なお、この例では、レーザレーダは、カメラ１１よりも約２ｍ前方に設置されているので、位置検出装置１０による位置検出データとレーザレーダによる位置検出データとの間には約２ｍの差異が生じる。
図７は、初期位置データ（「ＲＷＡ」と表記）と、初期位置データに基づいて算出した本実施形態の位置データ（「Tracking」と表記）と、レーザレーダによる位置測定データ（「Radar」と表記）の３つの位置検出データの時間変化を示している。

図７から、初期位置データ（ＲＷＡ）及び本実施形態による位置データ（Tracking）は、約２ｍの差をもってレーザレーダによる位置測定データに沿っていることが分かる。しかしながら、初期位置データ（ＲＷＡ）は、約１ｍ−２ｍの急激な車両進行方向の時間変動を含んでいる。これらは測定に起因するノイズデータである。これに対して、本実施形態による位置データ（Tracking）では、初期位置データ（ＲＷＡ）のような急激な時間変動が上記ノイズフィルタリング処理により除去されていることが分かる。

また、図８は、レーザレーダによる位置測定データと本実施形態による位置データ（Tracking）の相関図である。各プロットは、データ測定時間毎の車間距離を表しており、横軸成分がレーザレーダによる位置測定データの大きさ、縦軸成分が本実施形態による位置データ（Tracking）の大きさを表している。また、図８の直線は、有効範囲におけるプロットの線形回帰線である。測定の前後方向位置の相違から線形回帰線は、約２ｍオフセットしている。
図９は、図８と同様な、レーザレーダによる位置測定データと初期位置データ（ＲＷＡ）の相関図である。

図８及び図９から、本実施形態による位置データ（Tracking）は、初期位置データ（ＲＷＡ）よりもレーザレーダによる位置測定データとの相関度合が高く、線形回帰線との偏差が小さいことが分かる。
以上のように、図７乃至図９から、本実施形態により、効果的なノイズフィルタリング処理を行うことができ、これにより検出位置データの精度を向上させることが可能であることが分かる。

本発明の実施形態による先行車両の位置検出の説明図である。 本発明の実施形態による位置検出装置の構成図である。 本発明の実施形態により位置検出処理を行うための位置データ（初期データ）の時間変動を表すグラフである。 本発明の実施形態による位置検出処理のフローチャートである。 本発明の実施形態によるデータスクリーニング処理（クラスタリング処理）の一例を示すグラフである。 本発明の実施形態による横位置情報のクラスタリング処理の一例を示すグラフである。 本発明の実施形態による位置検出データと他の方法による位置検出データの時間変動を表すグラフである。 本発明の実施形態による位置検出データとレーザレーダによる位置測定データとの相関図である。 本発明の実施形態による位置検出データを算出するための初期データ（ＲＷＡ）とレーザレーダによる位置測定データとの相関図である。

符号の説明

１ 車両
２ 先行車両
３ 軸線
４ 撮像範囲
１０ 位置検出装置
１１ カメラ
１２ コントローラ
Ｌ，Ｒ 横位置情報
ｒ 車間距離情報

Claims (7)

1. 自車両に対する先行車両の車間距離及び横位置を検出する位置検出方法であって、
   現在時刻から所定時間前までの前記車間距離に関する複数の車間距離情報と、この車間距離情報に対応する前記横位置に関する横位置情報と、の組み合わせからなる第１の位置データを取得する工程と、
   前記第１の位置データに含まれる複数の車間距離情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する線形回帰処理工程と、
   この第２の位置データに含まれる横位置情報に対してクラスタリング処理を行い、最大のクラスタに含まれる横位置情報とこれに対応する車間距離情報とからなる第３の位置データを取得するクラスタリング処理工程と、
   この第３の位置データを用いて現在時刻における車間距離と横位置とを算出する位置情報算出工程と、を備えたことを特徴とする先行車両の位置検出方法。
2. 前記位置情報算出工程では、前記第３の位置データに含まれる車間距離情報に対して線形回帰処理を行うことにより現在時刻における車間距離を算出し、前記第３の位置データに含まれる横位置情報を平均化処理することにより横位置を算出することを特徴とする請求項１に記載の先行車両の位置検出方法。
3. 前記第１の位置データを取得する工程の後に、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有するか否かを判定する判定工程を備え、
   この判定工程で、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有すると判定した場合に、前記線形回帰処理工程を行い、
   前記判定工程で、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有しないと判定した場合に、前記第１の位置データに含まれる複数の車間距離情報に対してクラスタリング処理を行い、最大のクラスタに含まれる車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する工程を行うことを特徴とする請求項１に記載の先行車両の位置検出方法。
4. 自車両に対する先行車両の車間距離及び横位置を検出する位置検出装置であって、
   現在時刻から所定時間前までの前記車間距離に関する複数の車間距離情報とこの車間距離情報に対応する前記横位置に関する横位置情報との組み合わせからなる第１の位置データを取得する位置データ取得手段と、
   前記第１の位置データに含まれる複数の車間距離情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得する第１スクリーニング手段と、
   この第２の位置データに含まれる横位置情報に対してクラスタリング処理を行い、最大のクラスタに含まれる横位置情報とこれに対応する車間距離情報とからなる第３の位置データを取得する第２スクリーニング手段と、
   この第３の位置データを用いて現在時刻における車間距離と横位置とを算出する位置情報算出手段と、を備えたことを特徴とする先行車両の位置検出装置。
5. 前記位置情報算出手段は、前記第３の位置データに含まれる車間距離情報に対して線形回帰処理を行うことにより現在時刻における車間距離を算出し、前記第３の位置データに含まれる横位置情報を平均化処理することにより横位置を算出することを特徴とする請求項４に記載の先行車両の位置検出装置。
6. 前記第１スクリーニング手段は、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有するか否かを判定し、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有する場合に、前記線形回帰処理を行って前記第２の位置データを取得し、前記第１の位置データに含まれる複数の車間距離情報が時間依存性を有しない場合に、前記第１の位置データに含まれる複数の車間距離情報に対してクラスタリング処理を行い、最大のクラスタ数を有するクラスタに含まれる車間距離情報とこれに対応する横位置情報とからなる第２の位置データを取得することを特徴とする請求項４に記載の先行車両の位置検出装置。
7. 時間依存性を有する時間依存情報とこの時間依存情報よりも時間依存性が小さい非時間依存情報との組み合わせからなるデータのフィルタリング方法であって、
   現在時刻から所定時間前までの複数の時間依存情報とこの時間依存情報に対応する非時間依存情報との組み合わせからなる第１のデータを取得する工程と、
   前記第１のデータに含まれる複数の時間依存情報に対して線形回帰処理を行い、得られた線形回帰線との差が所定の閾値以下の時間依存情報とこれに対応する非時間依存情報とからなる第２のデータを取得する工程と、
   この第２の位置データに含まれる非時間依存情報に対してクラスタリング処理を行い、最大のクラスタ数を有するクラスタに含まれる非時間依存情報とこれに対応する時間依存情報とからなる第３の位置データを取得する工程と、
   この第３の位置データを用いて現在時刻における時間依存情報と非時間依存情報とを算出する工程と、を備えたことを特徴とするデータフィルタリング方法。

Images