JP2020026985A - 車両位置推定装置及びプログラム - Google Patents

Abstract

【課題】区画線の状態が地図データと異なる場合であっても、精度良く車両の位置を推定することができるようにする。【解決手段】信頼性判定部２０８が、検出された車両位置における地図データの道路の区画線と、検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルと、予め学習された、信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、検出された車両位置の信頼性を判定し、学習ベクトル更新部２０９が、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、学習済みモデルを更新する。【選択図】図１

Description

本発明は、車両位置推定装置及びプログラムに関する。

従来より、自動運転システムにおいて、道路の状態が更新されたことにより、道路の状態と地図データとの間に差分が発生している場合に、所定の閾値に基づいて地図データの更新、又は自動運転制御を停止させる技術が存在する。

例えば、特許文献１では、地図データベースと、周辺環境から地図の更新用データを算出する処理を備え、地図データベースと算出したデータを比較して両者間の誤差が大きいと判定されるとき、データベースを更新する。この場合、判定には、誤差が判定値以上となることと、乖離の発生した回数と、データの信頼度を用いる。データの信頼度は、ステレオカメラによる外部環境の認識状態、車載センサで検出される車両挙動（ヨーレートや横加速度変化）、ＧＰＳの受信状況より設定される。

また、特許文献２では、地図データベースと、画像処理による区画線の検出手段と、ＧＰＳによる車両位置推定手段を備え、検出された道路形状と地図から取得した道路形状が相違すると判断された場合に、車両制御を停止する。この場合、判定には、道路の中央位置が、推定結果と地図で異なることを条件とする。

特許５９９７７９７号公報 特開２００６−２９００７２号広報

上記特許文献１の技術は、地図データ更新の判断に走行時のデータ信頼度と乖離回数を用い、所定の閾値と比較している。しかし、道路の区画線の品質は地域や管理会社によって差があり、予め定めた閾値が特定の地域では適用できないことがある。この場合、区画線の仕様の異なる道路区間において、誤警告を継続する可能性がある。

また、特許文献２の技術では、道路形状の乖離を検出することにより制御の停止判定をしているが、片方の区画線のみ位置が変更され、又は車線幅が変更された等の小規模な道路更新に対しての相違を判断することができない。このため、車両位置精度が低下しても制御を切り替えられない可能性がある。

本発明は、上記問題点を解決するためになされたもので、区画線の状態が地図データと異なる場合であっても、精度良く車両の位置を推定することができる車両位置推定装置及びプログラムを提供することを目的とする。

上記の目的を達成するために、本発明の車両位置推定装置は、撮像装置により入力された画像に基づいて、車両の走行する道路の区画線を検出する区画線検出部と、道路の区画線に関する情報を含む地図データに含まれる道路の区画線と、前記区画線検出部によって検出された前記区画線とを照合する区画線照合部と、前記区画線照合部による照合結果が最も一致する前記地図データに対応する位置を、車両位置として検出する車両位置検出部と、前記車両位置検出部によって検出された前記車両位置における前記地図データの道路の区画線と、前記区画線検出部によって検出された前記区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する信頼度ベクトル算出部と、前記信頼度ベクトルと、予め学習された、前記信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、前記車両位置検出部によって検出された前記車両位置の信頼性を判定する信頼性判定部と、前記信頼性が予め定めた第１閾値以上であるときに得られた前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する学習ベクトル更新部と、を含んで構成されている。

また、本発明のプログラムは、コンピュータを、撮像装置により入力された画像に基づいて、車両の走行する道路の区画線を検出する区画線検出部、道路の区画線に関する情報を含む地図データに含まれる道路の区画線と、前記区画線検出部によって検出された前記区画線とを照合する区画線照合部、前記区画線照合部による照合結果が最も一致する前記地図データに対応する位置を、車両位置として検出する車両位置検出部、前記車両位置検出部によって検出された前記車両位置における前記地図データの道路の区画線と、前記区画線検出部によって検出された前記区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する信頼度ベクトル算出部、前記信頼度ベクトルと、予め学習された、前記信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、前記車両位置検出部によって検出された前記車両位置の信頼性を判定する信頼性判定部、及び前記信頼性が予め定めた第１閾値以上であるときに得られた前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する学習ベクトル更新部として機能させるためのプログラムである。

本発明の状態予測装置及びプログラムによれば、区画線検出部が、撮像装置により入力された画像に基づいて、車両の走行する道路の区画線を検出し、区画線照合部が、道路の区画線に関する情報を含む地図データに含まれる道路の区画線と、区画線検出部によって検出された区画線とを照合し、車両位置検出部が、区画線照合部による照合結果が最も一致する地図データに対応する位置を、車両位置として検出する。

そして、信頼度ベクトル算出部が、車両位置検出部によって検出された車両位置における地図データの道路の区画線と、区画線検出部によって検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出し、信頼性判定部が、信頼度ベクトルと、予め学習された、信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、車両位置検出部によって検出された車両位置の信頼性を判定し、学習ベクトル更新部が、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、学習済みモデルを更新する。

このように、検出された車両位置における地図データの道路の区画線と、検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルと、予め学習された、信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、検出された車両位置の信頼性を判定し、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、学習済みモデルを更新することにより、区画線の状態が地図データと異なる場合であっても、精度良く車両の位置を推定することができる。

また、本発明の車両位置推定装置の前記学習済みモデルは、複数のエリアの各々について予め学習されたものであり、前記学習ベクトル更新部は、前記信頼性が前記第１閾値以上である場合に、前記信頼度ベクトルに基づいて、前記車両位置の属するエリアについての前記学習済みモデルを更新することができる。

また、本発明の車両位置推定装置の前記区画線検出部は、前記画像に基づいて、前記区画線上の点を検出し、前記信頼度ベクトルの要素となる複数種類の指標は、地図データに含まれる道路の区画線の位置から所定範囲内に含まれる、検出された前記区画線の点であるインライア点に関する割合を含むことができる。

また、本発明の車両位置推定装置の前記インライア点に関する割合は、前記地図データに含まれる区画線の長さに対するインライア点の密度、全検出点に対するインライア点の割合、及び、車両の進行方向を軸とした左右の各々の区画線に対するインライア点の比率の少なくとも何れか１つであるとすることができる。

また、本発明の車両位置推定装置は、ＧＰＳセンサから前記車両の位置を測位した測位情報を取得する取得部を更に含み、前記学習ベクトル更新部は、前記信頼性が予め定めた第１閾値以上であり、かつ、前記測位情報の示す車両位置と、前記車両位置検出部により検出された車両位置との差分が予め定めた第２閾値以下である場合に、前記信頼度ベクトルに基づいて、前記学習済みモデルを更新することができる。

また、本発明の車両位置推定装置は、オーバライドの有無を検出するオーバライド検出器からオーバライド検出結果を取得する取得部を更に含み、前記学習ベクトル更新部は、前記信頼性が予め定めた第１閾値以上であり、かつ、前記オーバライド検出結果が、オーバライドが無いことを示す場合に、前記信頼度ベクトルに基づいて、前記学習済みモデルを更新することができる。

また、本発明の車両位置推定装置は、前記信頼性が前記第１閾値以上である場合に、前記車両位置及び前記地図データを用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満である場合に、前記区画線検出部により検出された前記区画線を用いた前記車両の自動運転を行うように制御する自動運転制御部を更に含むことができる。

また、本発明の車両位置推定装置は、前記信頼性が前記第１閾値以上である場合に、前記車両位置及び前記地図データを用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満であり、かつ、前記インライア点の数が予め定めた第３閾値以上である場合に、前記区画線検出部により検出された前記区画線を用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満であり、かつ、前記インライア点の数が予め定めた第３閾値未満である場合に、手動運転に切り替えるように制御する自動運転制御部を更に含むことができる。

以上説明したように、本発明の車両位置推定装置及びプログラムによれば、区画線の状態が地図データと異なる場合であっても、精度良く車両の位置を推定することができる、という効果が得られる。

本発明の実施の形態における概略構成を示すブロック図である。 抽出したインライア点の例を示すイメージ図である。 信頼性の有無の一例を示す図である。 道路によるインライア分布の違いの例を示すイメージ図である。 本発明の実施の形態における自動運転処理ルーチンの内容を示すフローチャートである。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

＜自動運転制御システムのシステム構成＞
図１に示すように、本発明の実施の形態に係る自動運転制御システム１０は、撮像装置１００と、ＧＰＳセンサ１１０と、オーバライド検出器１２０と、車両位置推定装置２００とを備えて構成される。

撮像装置１００は、車両に搭載され、走路の画像を撮影する。そして、撮像装置１００は、撮影した画像を、取得部２０１に渡す。

ＧＰＳセンサ１１０は、各ＧＰＳ衛星から得られる測位情報を受信する。測位情報には、疑似距離及びドップラー周波数が含まれている。そして、ＧＰＳセンサ１１０は、受信した測位情報を取得部２０１に渡す。

オーバライド検出器１２０は、車両のオーバライドの有無を検出し、検出結果を取得部２０１に渡す。

車両位置推定装置２００は、ＣＰＵと、ＲＡＭと、後述する状態推定処理ルーチンを実行するためのプログラムを記憶したＲＯＭとを備え、機能的には次に示すように構成されている。

車両位置推定装置２００は、取得部２０１と、区画線検出部２０２と、地図データ記憶部２０３と、区画線照合部２０４と、車両位置検出部２０５と、信頼度ベクトル算出部２０６と、学習ベクトル記憶部２０７と、信頼性判定部２０８と、学習ベクトル更新部２０９と、自動運転制御部２１０と、出力部２１１とを備えて構成される。

取得部２０１は、撮像装置１００から画像の入力を受け付け、受け付けた画像を区画線検出部２０２に渡す。

また、取得部２０１は、ＧＰＳセンサ１１０から測位情報、オーバライド検出器１２０からオーバライド検出結果の入力を受け付け、受け付けた測位情報及びオーバライド検出結果を、学習ベクトル更新部２０９に渡す。また、取得部２０１は、受け付けた測位情報を信頼性判定部２０８に渡す。

区画線検出部２０２は、撮像装置１００により入力された画像に基づいて、車両の走行する道路の区画線を検出する。

具体的には、区画線検出部２０２は、画像から、区画線の中心位置を表す点群を検出する。より具体的には、区画線検出部２０２は、画像の各行をスキャンし、差分フィルタ等により区画線の両端エッジを検出する。区画線の両端エッジの間隔が所定の閾値（例えば６０ｃｍ）以下となる場合に、当該両端エッジの中心位置を区画線の中心位置を表す点とする。

区画線検出部２０２は、検出した区画線の中心位置を表す点群の各々について、カメラの焦点距離や中心座標パラメータを利用し、Ｉｎｖｅｒｓｅ Ｐｅｒｓｐｅｃｔｉｖｅ Ｍａｐｐｉｎｇにより車両を中心とした座標に変換した区画線点群とする。当該区画線点群が、車両を中心とした座標における、車両の走行する道路の区画線を表す。

そして、区画線検出部２０２は、得られた区画線を表す区画線点群を、区画線照合部２０４及び自動運転制御部２１０に渡す。

地図データ記憶部２０３は、道路の区画線に関する情報を含む地図データを格納する。

地図データは、道路上の区画線の形状を記憶した高精度地図であり、道路上の区画線の形状に関して、区画線を構成するノードの集合により記述されている。各ノードは、緯度、経度、高度により記述される。

また、各ノードについて、車両位置検出部２０５による補正前の車両位置及び車両方位角を用いて、東西南北の座標系及び車両を中心とした座標（横方向，進行方向）に変換される（参考文献１）。
［参考文献１］″緯度・経度から平面直角座標ｘ，ｙおよび子午線収差角を求める計算″、国土地理院。

区画線照合部２０４は、地図データに含まれる道路の区画線と、区画線検出部２０２によって検出された区画線を表す区画線点群とを照合する。

具体的には、区画線照合部２０４は、地図データ記憶部２０３から地図データを取得し、地図データの区画線と検出した区画線点群とを照合する。このとき、地図データの区画線の近傍（例えば±２５ｃｍ）となる検出した区画線点をインライアとみなす。

検出した区画線点

が地図データの区画線

のインライアとなる条件は、以下の条件１又は条件２を採用することができる。ただし、地図データの区画線のノードの取得範囲は、

とする。

＜＜条件１＞＞
地図データの区画線の縦位置の範囲内に検出した区画線点が存在すること、すなわち、下記式（１）を満たす区画線点であること。

＜＜条件２＞＞
地図データの区画線の左右の近傍に検出した区画線点が存在すること。すなわち、下記式（２）を満たす区画線点であること。

ここで、上記式（２）において、ａ_ｉは上記式（３）で表される傾きであり、ｂ_ｉは上記式（４）で表されるｘ切片である。また、

は地図データの区画線の近傍であり、例えば０．２５［ｍ］とすることができる。

地図データの区画線と対応付いた、検出した区画線点をインライア点（

）と表す（図２）。

そして、区画線照合部２０４は、求めたインライア点群を、車両位置検出部２０５に渡す。

車両位置検出部２０５は、区画線照合部２０４による照合結果が最も一致する地図データに対応する位置を、車両位置として検出する。

具体的には、車両位置検出部２０５は、最小二乗法等により、インライア点と地図データの区画線が最も対応付く車両位置を求める。

例えば、最小二乗法で求める場合、横位置ずれ量を表す変数ｕ［ｍ］（右方向を正とする）、縦位置ずれ量を表す変数ｖ［ｍ］（進行方向を正とする）、及び方位角ずれ量を表す変数ω［ｒａｄ］（時計回り方向を正とする）を変数として最小二乗和Ｆを最小化するように、車両位置を求める。

この場合、最小化二乗和Ｆは、下記式（５）にて表される。なお、一次式の最小二乗問題に帰着させるため一部の項を近似する。

ここで、上記式（５）において、ａ_ｉ［ｋ］は、インライア点ｋと対応付いた地図データの区画線ｉの傾き、ｂ_ｉ［ｋ］は、インライア点ｋと対応付いた地図データの区画線ｉのｘ切片である。

また、

を解き、下記式（６）により横位置、縦位置、及び方位角のずれ量を求める。

なお、本処理の補正前の車両位置として、参考文献２の手法を利用し、路面画像照合により大まかな車両位置を推定することができる。
［参考文献２］特許第６２２５８８９号公報（車両位置推定装置及びプログラム）。

車両位置検出部２０５は、補正前の車両位置及び車両方位角から、得られた横位置、縦位置、及び方位角のずれ量をそれぞれ減算する補正を行うことで、補正後の車両位置及び車両方位角を求める。

また、補正後の車両位置に参考文献３記載のカルマンフィルタを適用した結果を車両位置とすることもできる。
［参考文献３］特開２０１８−２１７７７号公報

そして、車両位置検出部２０５は、補正後の車両位置を、信頼性判定部２０８及び自動運転制御部２１０に渡す。

信頼度ベクトル算出部２０６は、車両位置検出部２０５によって検出された車両位置における地図データの道路の区画線と、区画線検出部２０２によって検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する。

具体的には、信頼度ベクトル算出部２０６は、地図データの道路の区画線と、検出された区画線点群との一致度を示す指標となる特徴量としてインライア密度、インライア率、及びインライア左右比を算出する。算出式は、以下の通りである。
インライア密度＝ＭＩＮ（（Ｌ＋Ｒ）／Ｓ，２）
ただし、Ｓが０のときは０を代入する
インライア率＝（Ｌ＋Ｒ）／Ｊ
ただし、Ｊが０のときは０を代入する。
インライア左右比＝（Ｌ−Ｒ）／ＭＡＸ（Ｌ，Ｒ）。
ただし、ＭＡＸ（Ｌ，Ｒ）が０のときは−１を代入する。

ここで、Ｌは

となるインライア点の数であり、Ｒは、

となるインライア点の数である。また、Ｓは、区画線全長

（上記式（１）を満たすｉに対してのみ、当該総和の対象とする）であり、Ｊは、検出された区画線点群に含まれる点の総数である。

信頼度ベクトル算出部２０６は、算出したインライア密度、インライア率、及びインライア左右比を要素とする信頼度ベクトルとする。

また、信頼度ベクトルには、インライア密度、インライア率、及びインライア左右比の他に、最小二乗和Ｆを要素に含めてもよい。

また、車両位置検出部２０５の処理においてカルマンフィルタ（参考文献３）を利用した場合、カルマンフィルタ適用前の車両横位置と、カルマンフィルタ適用後の車両横位置の差分を、信頼度ベクトルの要素に含めてもよい。

また、区画線照合部２０４の処理において参考文献２の技術を利用した場合、画像照合の相関値を、信頼度ベクトルの要素に含めてもよい。画像照合の相関値は、例えば下記式（７）で表される。

ここで、ｈ（ｉ，ｊ）は、参考文献２における相関画像である。

そして、信頼度ベクトル算出部２０６は、信頼度ベクトルを、信頼性判定部２０８及び学習ベクトル更新部２０９に渡す。

学習ベクトル記憶部２０７は、予め学習された、信頼度ベクトルの信頼性を判定するための学習済みモデルを格納する。本実施形態では、学習済みモデルの一例として、学習ベクトルを例に説明する。

具体的には、学習ベクトルは、サポートベクトル総数ｎ、ｉ番目のサポートベクトルｘ_ｉ

、ｉ番目のアルファパラメータα_ｉ

、ローパラメータρ、及びガンマパラメータγを含む。

信頼性判定部２０８は、信頼度ベクトルと、予め学習された、信頼度ベクトルの信頼性を判定するための学習ベクトルとに基づいて、車両位置検出部２０５によって検出された車両位置の信頼性を判定する。

具体的には、信頼性判定部２０８は、信頼度ベクトル算出部２０６により算出した信頼度ベクトルｙと、学習ベクトル記憶部２０７に格納された学習ベクトルとに基づいて、信頼性判定を実施する。

本実施形態ではＯｎｅ ｃｌａｓｓ ＳＶＭ［参考文献４］とＲＢＦ ｋｅｒｎｅｌ［参考文献５］を用い、以下の式（８）の値を、信頼性を示す値とする。
［参考文献４］Scholkopf, B., Plattz, J.C., “Estimating the Support of A High Dimensional Distribution”, Neurral Computation, vol. 13, pp. 1443-1472, 2001.
［参考文献５］C. Burges. “A tutorial on support vector machines for pattern recognition”, Knowledge Discovery and Data Mining, vol. 2, no. 2, 1998.

信頼性判定部２０８は、上記式（８）で求めた値が予め定めた第１閾値以上である場合に信頼性有り、それ以外の場合は信頼性無しであると判定する。例えば、第１閾値が０である場合、上記式（８）で求めた値が正（≧０）となる場合は信頼性有り、負（＜０）となる場合は信頼性無しであると判定する（図３）。

図３は、インライア密度（横軸）及びインライア率（縦軸）に関する学習済みの識別器を用いた結果であり、インライア密度（横軸）及びインライア率（縦軸）以外の要素を平均値とみなした場合の識別境界を示す。白色領域が信頼性有り、灰色領域が信頼性無しであると判定された領域である。また、学習に用いた信頼度ベクトルを黒点としてプロットしている。

なお、学習ベクトルの代わりに、任意のニューラルネットワークにおける学習済みモデルを用いてもよい。

そして、信頼性判定部２０８は、判定結果を、学習ベクトル更新部２０９及び自動運転制御部２１０に渡す。

学習ベクトル更新部２０９は、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、学習ベクトルを更新する。

具体的には、学習ベクトル更新部２０９は、信頼性判定部２０８の判定結果が信頼性有りである場合の信頼度ベクトルを用いて、学習ベクトル記憶部２０７に格納された学習ベクトルを更新する。

本実施形態では、Ｏｎｅ ｃｌａｓｓ ＳＶＭ（参考文献４）を用い、サポートベクトル更新処理にＲＢＦ ｋｅｒｎｅｌ（参考文献５）を用いる。

Ｏｎｅ ｃｌａｓｓ ＳＶＭを用いるため、Ｐｏｓｉｔｉｖｅ ｓａｍｐｌｅ、即ち車両位置が信頼できる場合の信頼度ベクトルを学習サンプルとする。

学習サンプルの選別方法として以下の条件１〜条件３のうち少なくとも１以上の条件を用いる。

（条件１）信頼性判定部２０８において、信頼性有りと判定された信頼度ベクトルを学習サンプルとして登録する。過学習を防ぐため、１／１００の割合で信頼性有りと判定されなかった信頼度ベクトルも学習サンプルとして登録する構成としてもよい。

（条件２）車両位置検出部２０５により求めた車両位置と、ＧＰＳセンサ１１０の測位情報より得られる車両位置との差分が予め定めた第２閾値以下であり、更にＧＰＳ測位状況が良好であると判断されたときの信頼度ベクトルを学習サンプルとして登録する。差分は横位置差分とし、第２閾値を０．２５とすると、以下の式（９）で判定することができる。

ここで、（ｅ_ｇｐｓ，ｎ_ｇｐｓ）は、ＧＰＳの測位情報による車両位置を参考文献１によりＥＮＵ変換した位置［ｍ］であり、（ｅ，ｎ）は、推定した車両位置を参考文献１によりＥＮＵ変換した位置［ｍ］であり、θ：車両方位角［ｒａｄ］である。

（条件３）自動運転制御部２１０による自動制御が、過去５秒間継続していると判断されたときの信頼度ベクトルを学習サンプルとして登録する。条件３を満たすか否かは、自動運転制御部２１０によって通知されることにより判定してもよいし、オーバライド検出器１２０によるオーバライド有りとする状態が５秒間検出されないことにより判定してもよい。

また、学習ベクトルは、複数のエリアの各々について予め学習されたものであり、信頼性判定部２０８は、車両位置の属するエリアについての学習ベクトルを用いて、信頼性の判定を行い、学習ベクトル更新部２０９は、信頼性が第１閾値以上である場合に得られた信頼度ベクトルに基づいて、車両位置の属するエリアについての学習ベクトルを更新するように構成することができる。

具体的には、信頼性判定部２０８は、ＧＰＳセンサ１１０による測位情報又は検出された地図データに付随する道路ＩＤ情報から、車両位置の属するエリア判定をし、当該エリアについての学習ベクトルを用いて、信頼性の判定を行う。また、学習ベクトル更新部２０９が、エリア毎に別々の学習ベクトルを更新する。これにより、エリア毎の特性を反映した判定ができる。

Ｏｎｅ ｃｌａｓｓ ＳＶＭを用いれば、教師なし学習によりエリア毎に特有の分布を学習できるが、上記の（条件１）〜（条件３）を用いるとより確実である。

エリア毎の特性には以下のようなものがある。

＜＜区画線の規格違い＞＞
道路毎に破線の長さや周期が異なる。例えば、高速道路と一般道では区画線の規格が異なり、高速道路間でも規格に違いがある。その結果、信頼度ベクトルの「インライア密度」や「インライア左右比」の傾向に差が出る。区画線が疎な道路では、「インライア密度」と「インライア左右比」に過敏とならないような学習ベクトルの分布が望ましい。

＜＜道路のメンテナンス状況の違い＞＞
管理の行き届いていない道路では、区画線の経年劣化により信頼度ベクトルの「インライア密度」が全体的に低下する傾向がある。適切な限度内で、閾値を下げることが望ましい（図４右）。

逆に、管理の行き届いている道路では、道路の更新に起因する不調に対する感度を高める必要があるため、高めの閾値設定が望ましい。

＜＜地図作成業者による違い＞＞
エリア毎に地図を作成する業者が異なり、区画線の位置精度に差異が出る。精度の低い地図ほど誤警告が出やすいため、地図の誤差傾向に応じた識別境界の設定が必要である。

＜＜気候条件による違い＞＞
積雪があると、雪や除雪剤を区画線と認識することで「インライア率」の分布に差異が出る。

上記のエリア毎の特性に鑑みれば、エリア毎にパラメータチューニングが必要となるが、車両位置検出用のパラメータと異なり、車両位置の信頼性検出用のパラメータは曖昧性が高く調整が難しい。そこで、本実施の形態では、エリア毎のクラスタリングを行い、全エリア共通の学習ベクトルを用いた方がよいエリアと、エリア特有の学習ベクトルを用いた方がよいエリアとに分類する。

エリア毎のクラスタリングには、例えば、以下の方法がある。

まず、全エリア共通の学習ベクトルを用いた場合と、エリア特有の学習ベクトルを用いた場合とを並列で試験する。その後、手動介入等によるフィードバックを活用し、地域特有の学習ベクトルで判定した方が誤判定となる場合が少ないと判断できるとき、その地域のクラスを独立させる。

このような方法により、全エリア共通の学習ベクトルを用いた方がよいエリアと、エリア特有の学習ベクトルを用いた方がよいエリアとに分類し、エリア毎にパラメータチューニングすることができる。

自動運転制御部２１０は、信頼性が第１閾値以上である場合に、車両位置及び地図データを用いた車両の自動運転を行うように制御し、信頼性が第１閾値未満であり、かつ、インライア点の数が予め定めた第３閾値以上である場合に、区画線検出部２０２により検出された区画線を用いた車両の自動運転を行うように制御し、信頼性が第１閾値未満であり、かつ、インライア点の数が予め定めた第３閾値未満である場合に、手動運転に切り替えるように制御する。

具体的には、自動運転制御部２１０は、信頼性判定部２０８が信頼性有りと判定した場合、車両位置検出部２０５によって得られた車両位置に基づいた車両制御をする。この場合、地図データを参照し、分岐・合流など道路構造に基づいた車両制御が可能となる。

一方、信頼性判定部２０８が信頼性無しであると判定した場合、自動運転制御部２１０は、区画線検出の信頼性を判定する。例えば、検出したインライア点の数が予め定めた第３閾値（例えば、１０）以上である場合には、区画線検出の信頼性が高いと判定する。

自動運転制御部２１０は、区画線検出の信頼性が高い場合、区画線検出に基づいた車両制御をする。例えば、参考文献６の手法を用いることができる。
［参考文献６］特開２０１８−００５５６７号公報

また、信頼性判定部２０８が信頼性無しであると判定し、かつ、区画線検出の信頼性も低いと判定されるとき（検出したインライア点の数が予め定めた第３閾値未満である場合）、車両制御を停止し、手動運転に切り替えるように制御をする。

そして、自動運転制御部２１０は、制御命令を出力部２１１に渡す。

出力部２１１は、自動運転制御部２１０による制御命令を、出力する。

＜車両位置推定装置２００の動作＞
次に、図５を参照して、本実施形態の自動運転制御システム１０の自動運転制御処理ルーチンについて説明する。

まず、ステップＳ１００において、区画線照合部２０４は、地図データ記憶部２０３から地図データを取得する。

ステップＳ１１０において、取得部２０１は、撮像装置１００から画像の入力を受け付ける。

ステップＳ１２０において、区画線検出部２０２は、上記ステップＳ１１０により受け付けた画像に基づいて、車両の走行する道路の区画線を検出する。

ステップＳ１３０において、区画線照合部２０４は、地図データに含まれる道路の区画線と、上記ステップＳ１２０により検出された区画線とを照合する。

ステップＳ１４０において、車両位置検出部２０５は、上記ステップＳ１３０による照合結果が最も一致する地図データに対応する位置を、車両位置として検出する。

ステップＳ１５０において、信頼度ベクトル算出部２０６は、上記ステップＳ１４０により検出された車両位置における地図データの道路の区画線と、上記ステップＳ１２０により検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する。

ステップＳ１６０において、信頼性判定部２０８は、上記ステップＳ１４０で検出された車両位置が属するエリアを判定し、学習ベクトル記憶部２０７に格納された、当該エリアに対応する学習ベクトルを取得する。

ステップＳ１７０において、信頼性判定部２０８は、信頼度ベクトルと、上記ステップＳ１６０で取得した学習ベクトルとに基づいて、上記ステップＳ１４０により検出された車両位置の信頼性を求める。

ステップＳ１８０において、信頼性判定部２０８は、上記ステップＳ１７０により求めた信頼性が予め定めた第１閾値以上であるか否かを判定する。

信頼性が予め定めた第１閾値以上である場合（上記ステップＳ１８０のＹＥＳ）、ステップＳ１９０において、学習ベクトル更新部２０９は、ＧＰＳセンサ１１０の測位情報を取得する。

ステップＳ２００において、学習ベクトル更新部２０９は、車両位置検出部２０５により求めた車両位置と、ＧＰＳセンサ１１０の測位情報より得られる車両位置との差分を求める。

ステップＳ２１０において、学習ベクトル更新部２０９は、上記ステップＳ２００により得られた差分が、予め定めた第２閾値以下であるか否かを判定する。

差分が予め定めた第２閾値以下である場合（上記ステップＳ２１０のＹＥＳ）、ステップＳ２２０において、学習ベクトル更新部２０９は、オーバライド検出器１２０によるオーバライド検出結果を取得する。

一方、差分が予め定めた第２閾値以下である場合（上記ステップＳ２１０のＮＯ）、ステップＳ２６０に進む。

ステップＳ２３０において、学習ベクトル更新部２０９は、オーバライドの有無を判定する。

オーバライドが有る場合（上記ステップＳ２３０のＹＥＳ）、ステップＳ２６０に進む。

一方、オーバライドが無い場合（上記ステップＳ２３０のＮＯ）、ステップＳ２４０において、学習ベクトル更新部２０９は、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、車両位置の属するエリアについての学習ベクトルを更新する。

ステップＳ２５０において、自動運転制御部２１０は、信頼性が第１閾値以上である場合に、車両位置及び地図データを用いた車両の自動運転を行うように制御する。

また、信頼性が予め定めた第１閾値以上でない場合（上記ステップＳ１８０のＮＯ）、ステップＳ２６０において、自動運転制御部２１０は、インライア点の数が予め定めた第３閾値以上であるか否かを判定する。

インライア点の数が予め定めた第３閾値以上である場合（上記ステップＳ２６０のＹＥＳ）、ステップＳ２７０において、自動運転制御部２１０は、上記ステップＳ１２０により検出された区画線を用いた車両の自動運転を行うように制御する。

一方、インライア点の数が予め定めた第３閾値以上でない場合（上記ステップＳ２６０のＮＯ）、ステップＳ２８０において、自動運転制御部２１０は、手動運転に切り替えるように制御する。

ステップＳ２９０において、出力部２１１は、自動運転制御部２１０による制御命令を、出力する。

以上説明したように、本発明の実施の形態に係る車両位置推定装置によれば、検出された車両位置における地図データの道路の区画線と、検出された区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルと、予め学習された、信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、検出された車両位置の信頼性を判定し、信頼性が予め定めた第１閾値以上であるときに得られた信頼度ベクトルに基づいて、学習済みモデルを更新することにより、区画線の状態が地図データと異なる場合であっても、精度良く車両の位置を推定することができる。

なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。

１０ 自動運転制御システム
１００ 撮像装置
１１０ センサ
１２０ オーバライド検出器
２００ 車両位置推定装置
２０１ 取得部
２０２ 区画線検出部
２０３ 地図データ記憶部
２０４ 区画線照合部
２０５ 車両位置検出部
２０６ 信頼度ベクトル算出部
２０７ 学習ベクトル記憶部
２０８ 信頼性判定部
２０９ 学習ベクトル更新部
２１０ 自動運転制御部
２１１ 出力部

Claims (9)

1. 撮像装置により入力された画像に基づいて、車両の走行する道路の区画線を検出する区画線検出部と、
   道路の区画線に関する情報を含む地図データに含まれる道路の区画線と、前記区画線検出部によって検出された前記区画線とを照合する区画線照合部と、
   前記区画線照合部による照合結果が最も一致する前記地図データに対応する位置を、車両位置として検出する車両位置検出部と、
   前記車両位置検出部によって検出された前記車両位置における前記地図データの道路の区画線と、前記区画線検出部によって検出された前記区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する信頼度ベクトル算出部と、
   前記信頼度ベクトルと、予め学習された、前記信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、前記車両位置検出部によって検出された前記車両位置の信頼性を判定する信頼性判定部と、
   前記信頼性が予め定めた第１閾値以上であるときに得られた前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する学習ベクトル更新部と、
   を含む車両位置推定装置。
2. 前記学習済みモデルは、複数のエリアの各々について予め学習されたものであり、
   前記学習ベクトル更新部は、前記信頼性が前記第１閾値以上である場合に、前記信頼度ベクトルに基づいて、前記車両位置の属するエリアについての前記学習済みモデルを更新する
   請求項１記載の車両位置推定装置。
3. 前記区画線検出部は、前記画像に基づいて、前記区画線上の点を検出し、
   前記信頼度ベクトルの要素となる複数種類の指標は、地図データに含まれる道路の区画線の位置から所定範囲内に含まれる、検出された前記区画線の点であるインライア点に関する割合を含む
   請求項１又は２記載の車両位置推定装置。
4. 前記インライア点に関する割合は、前記地図データに含まれる区画線の長さに対するインライア点の密度、全検出点に対するインライア点の割合、及び、車両の進行方向を軸とした左右の各々の区画線に対するインライア点の比率の少なくとも何れか１つである請求項３記載の車両位置推定装置。
5. ＧＰＳセンサから前記車両の位置を測位した測位情報を取得する取得部
   を更に含み、
   前記学習ベクトル更新部は、前記信頼性が予め定めた第１閾値以上であり、かつ、前記測位情報の示す車両位置と、前記車両位置検出部により検出された車両位置との差分が予め定めた第２閾値以下である場合に、前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する
   請求項１乃至４の何れか１項記載の車両位置推定装置。
6. オーバライドの有無を検出するオーバライド検出器からオーバライド検出結果を取得する取得部
   を更に含み、
   前記学習ベクトル更新部は、前記信頼性が予め定めた第１閾値以上であり、かつ、前記オーバライド検出結果が、オーバライドが無いことを示す場合に、前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する
   請求項１乃至４の何れか１項記載の車両位置推定装置。
7. 前記信頼性が前記第１閾値以上である場合に、前記車両位置及び前記地図データを用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満である場合に、前記区画線検出部により検出された前記区画線を用いた前記車両の自動運転を行うように制御する自動運転制御部
   を更に含む請求項１乃至６の何れか１項記載の車両位置推定装置。
8. 前記信頼性が前記第１閾値以上である場合に、前記車両位置及び前記地図データを用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満であり、かつ、前記インライア点の数が予め定めた第３閾値以上である場合に、前記区画線検出部により検出された前記区画線を用いた前記車両の自動運転を行うように制御し、前記信頼性が前記第１閾値未満であり、かつ、前記インライア点の数が予め定めた第３閾値未満である場合に、手動運転に切り替えるように制御する自動運転制御部
   を更に含む請求項３又は４記載の車両位置推定装置。
9. コンピュータを、
   撮像装置により入力された画像に基づいて、車両の走行する道路の区画線を検出する区画線検出部、
   道路の区画線に関する情報を含む地図データに含まれる道路の区画線と、前記区画線検出部によって検出された前記区画線とを照合する区画線照合部、
   前記区画線照合部による照合結果が最も一致する前記地図データに対応する位置を、車両位置として検出する車両位置検出部、
   前記車両位置検出部によって検出された前記車両位置における前記地図データの道路の区画線と、前記区画線検出部によって検出された前記区画線との一致度を示す複数種類の指標を要素とする信頼度ベクトルを算出する信頼度ベクトル算出部、
   前記信頼度ベクトルと、予め学習された、前記信頼度ベクトルの信頼性を判定するための学習済みモデルとに基づいて、前記車両位置検出部によって検出された前記車両位置の信頼性を判定する信頼性判定部、及び
   前記信頼性が予め定めた第１閾値以上であるときに得られた前記信頼度ベクトルに基づいて、前記学習済みモデルを更新する学習ベクトル更新部
   として機能させるためのプログラム。