JP2020026985A - 車両位置推定装置及びプログラム - Google Patents
車両位置推定装置及びプログラム Download PDFInfo
- Publication number
- JP2020026985A JP2020026985A JP2018150763A JP2018150763A JP2020026985A JP 2020026985 A JP2020026985 A JP 2020026985A JP 2018150763 A JP2018150763 A JP 2018150763A JP 2018150763 A JP2018150763 A JP 2018150763A JP 2020026985 A JP2020026985 A JP 2020026985A
- Authority
- JP
- Japan
- Prior art keywords
- reliability
- vehicle position
- lane marking
- unit
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Instructional Devices (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
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。
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。
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。
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。
[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。
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。
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。
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、aiは上記式(3)で表される傾きであり、bi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。
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)。
)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、ai[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、bi[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。
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)。
[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
[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。
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。
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xi
、i番目のアルファパラメータαi
、ローパラメータρ、及びガンマパラメータγを含む。
、i番目のアルファパラメータαi
、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.
[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、(egps,ngps)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)。
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。
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。
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
[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。
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
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)
- 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。 - 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。 - 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。 - 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。
- 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018150763A JP2020026985A (ja) | 2018-08-09 | 2018-08-09 | 車両位置推定装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018150763A JP2020026985A (ja) | 2018-08-09 | 2018-08-09 | 車両位置推定装置及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020026985A true JP2020026985A (ja) | 2020-02-20 |
Family
ID=69619932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018150763A Pending JP2020026985A (ja) | 2018-08-09 | 2018-08-09 | 車両位置推定装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020026985A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021129806A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社三共 | 遊技機 |
JP2021129807A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社三共 | 遊技機 |
JP2021149321A (ja) * | 2020-03-17 | 2021-09-27 | 本田技研工業株式会社 | 走行制御装置、車両、走行制御方法及びプログラム |
CN114910083A (zh) * | 2022-04-22 | 2022-08-16 | 智道网联科技(北京)有限公司 | 定位方法以及定位装置、电子设备、存储介质 |
KR20230001410A (ko) * | 2021-06-28 | 2023-01-04 | (주)뷰런테크놀로지 | 라이다 센서를 이용하여 차선을 검출하는 방법 및 상기 방법을 수행하는 차선 검출 장치 |
-
2018
- 2018-08-09 JP JP2018150763A patent/JP2020026985A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021129806A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社三共 | 遊技機 |
JP2021129807A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社三共 | 遊技機 |
JP2021149321A (ja) * | 2020-03-17 | 2021-09-27 | 本田技研工業株式会社 | 走行制御装置、車両、走行制御方法及びプログラム |
JP7377143B2 (ja) | 2020-03-17 | 2023-11-09 | 本田技研工業株式会社 | 走行制御装置、車両、走行制御方法及びプログラム |
KR20230001410A (ko) * | 2021-06-28 | 2023-01-04 | (주)뷰런테크놀로지 | 라이다 센서를 이용하여 차선을 검출하는 방법 및 상기 방법을 수행하는 차선 검출 장치 |
KR102499334B1 (ko) * | 2021-06-28 | 2023-02-14 | (주)뷰런테크놀로지 | 라이다 센서를 이용하여 차선을 검출하는 방법 및 상기 방법을 수행하는 차선 검출 장치 |
US12046052B2 (en) | 2021-06-28 | 2024-07-23 | Vueron Technology Co., Ltd | Method for detecting lane line using LiDAR sensor and lane detection device for performing the method |
CN114910083A (zh) * | 2022-04-22 | 2022-08-16 | 智道网联科技(北京)有限公司 | 定位方法以及定位装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020026985A (ja) | 車両位置推定装置及びプログラム | |
CN106767853B (zh) | 一种基于多信息融合的无人驾驶车辆高精度定位方法 | |
RU2727164C1 (ru) | Способ и устройство коррекции картографических данных | |
US20230079730A1 (en) | Control device, scanning system, control method, and program | |
US10054445B2 (en) | Vision-aided aerial navigation | |
CN104240536B (zh) | 一种用于检测车行道上的车辆的车道位置的装置及方法 | |
JP2022113746A (ja) | 判定装置 | |
WO2018142900A1 (ja) | 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム | |
US10679077B2 (en) | Road marking recognition device | |
JP5404861B2 (ja) | 静止物地図生成装置 | |
US11731649B2 (en) | High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof | |
KR101553898B1 (ko) | 지형지물의 위치정보를 이용한 자율이동차량의 위치추정시스템 및 방법 | |
US20230010175A1 (en) | Information processing device, control method, program and storage medium | |
JP2008065087A (ja) | 静止物地図生成装置 | |
US20210341308A1 (en) | Global map creation using fleet trajectories and observations | |
JP2018077162A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
JP2017181476A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
CN114174137A (zh) | Adas或ad特征的源横向偏移 | |
JP2022031266A (ja) | 自己位置推定装置、制御方法、プログラム及び記憶媒体 | |
CN115900682A (zh) | 通过序列估计和锚点检测改进道路拓扑的方法 | |
CN116380088B (zh) | 车辆定位方法、装置、车辆及存储介质 | |
JP2024026588A (ja) | 画像認識装置、及び画像認識方法 | |
CN114641701A (zh) | 使用表面穿透雷达和深度学习的改进的导航和定位 | |
US20220404170A1 (en) | Apparatus, method, and computer program for updating map | |
KR20220025585A (ko) | 위치 추정 방법 및 장치 |